CN105354847B - 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 - Google Patents
基于滑动比较窗口自适应分割的水果表面缺陷检测方法 Download PDFInfo
- Publication number
- CN105354847B CN105354847B CN201510760895.3A CN201510760895A CN105354847B CN 105354847 B CN105354847 B CN 105354847B CN 201510760895 A CN201510760895 A CN 201510760895A CN 105354847 B CN105354847 B CN 105354847B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- fruit
- surface defect
- window
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 90
- 230000007547 defect Effects 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000005070 sampling Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000007797 corrosion Effects 0.000 claims abstract description 11
- 238000005260 corrosion Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 235000005976 Citrus sinensis Nutrition 0.000 description 45
- 240000002319 Citrus sinensis Species 0.000 description 45
- 238000012360 testing method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 241001414989 Thysanoptera Species 0.000 description 5
- 208000025865 Ulcer Diseases 0.000 description 5
- 231100000572 poisoning Toxicity 0.000 description 5
- 230000000607 poisoning effect Effects 0.000 description 5
- 231100000397 ulcer Toxicity 0.000 description 5
- 208000020282 anthrax disease Diseases 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000000205 computational method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 2
- 235000020971 citrus fruits Nutrition 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000207199 Citrus Species 0.000 description 1
- 241000132456 Haplocarpha Species 0.000 description 1
- 206010068052 Mosaicism Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法。获取水果RGB彩色图像，去除背景二值化获得初始二值化图像；提取边缘并膨胀获得轮廓边缘膨胀图像；对RGB彩色图像去除背景转换成灰度图像，并再建立目标图像；灰度图像用窗口扫描计算获得分割阈值；用分割阈值判断，遍历目标图像像素进行赋值获得目标二值化图像；减去轮廓边缘膨胀图像，膨胀填洞腐蚀和中值滤波处理后获得水果表面缺陷图像。本发明检测准确和实用，能有效避免了对水果及农产品形状、大小的依赖以及避免了亮度矫正带来的复杂影响，应用对象广，具有较大的应用价值。
Description
技术领域
本发明涉及计算机视觉图像处理方法，具体涉及一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法。
背景技术
表面缺陷检测是水果分级的重要依据之一，在世界各国的水果评级标准中有严格的规定。国内外大量学者研究通过计算机视觉方式检测水果及农产品表面缺陷，但是许多农产品是类球体，二维图形中部的灰度值要远大于边缘的灰度值，导致表面缺陷图像检测的困难。
经过现有的技术检索发现，方法主要分为三类：
1)基于球体灰度模型的处理方法。譬如专利文献中国专利CN101984346A记载了一种基于低通滤波的水果表面缺陷检测方法，首先获得去除背景的R分量图像，利用水果彩色图像通过离散傅里叶变换进行低通滤波然后离散傅里叶反变换获得表面亮度图像，前者图像除以后者图像得到均一化亮度图像，再采用单阈值实现水果表面缺陷分割，该技术能检测亮度较低的表面缺陷，但是会丢失在中心区域以及边缘区域的高亮度及中亮度表面缺陷；中国专利CN102788806A利用水果RGB图像和NIR图像，计算对比水果的缺陷形状、大小，但是水果不是严格球体，该专利用二值图像外接矩形最大宽度近似水果直径，最大宽度的一半作为迭代次数终止条件。这种方法对非圆形的椭圆形水果会产生误差，而且椭圆形水果长轴和短轴受到的光照朗伯现象不一样直接用该区域像素点直接进行亮度平均处理，会对缺陷检测带来误差；Li Jiangbo等人(2013)利用光照传输模型与图像比技术检测脐橙表面缺陷，该方法算法对较低亮度缺陷有效，但是容易丢失高亮度以及中亮度表面缺陷区域。(Automatic detection of common surface defects on oranges using combinedlighting transform and image ratio methods Jiangbo Li,Xiuqin Rao,PostharvestBiology and Technology 2013)；李江波等人(2011)利用水果表面亮度矫正单阈值脐橙表面缺陷提取，该方法会丢失高亮度表面缺陷区域(李江波，饶秀勤，应义斌.水果表面亮度不均校正及单阈值缺陷提取研究，农业工程学报,2011年12期)。
2)基于表面纹理特征的处理方法。López-García F等人(2010)利用多元图像理论以及表面纹理特征算法训练方法检测脐橙表面缺陷，该算法比较复杂不易用于在线，而且检测脐橙表面缺陷类型有限。(López-García F,Andreu-García G,Blasco J,etal.Automatic detection of skin defects in citrus fruits using a multivariateimage analysis approach[J].Computers and Electronics in Agriculture,2010,71(2):189-19)。
3)基于多光谱成像技术的处理方法。J.Blascoa等人利用多光谱成像设备进行脐橙表面缺陷分析，该方法硬件成本较高和复杂(2007)(J.Blascoa,N.Aleixos.(2007).Citrus sorting by identification of the most common defects usingmultispectral computer vision.Journal of Food Engineering 83(2007)384–393)。
现有方法存在检测表面缺陷类型有限以及计算方法较复杂难以用于在线检测或者依赖成本较高的复杂硬件成像技术的问题，因此需要新的水果表面缺陷检测方法。
发明内容
为了解决背景技术中检测表面缺陷类型有限以及计算方法较复杂难以用于在线检测或者依赖成本较高的复杂硬件成像技术的问题，本发明的目的在于提供一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法，相比背景技术，识别方法更简单，表面缺陷检测类型更多以及对象实用性较广。
本发明解决其技术问题所采用技术方案的步骤如下：
1)获取水果RGB彩色图像；
2)对水果RGB彩色图像去除背景进行图像二值化，获得初始二值化图像；
3)对步骤2)得到的初始二值化图像提取边缘并采用3像素半径圆形的结构元膨胀一次获得轮廓边缘膨胀图像；
所述步骤3)中的膨胀均通过以下公式完成形态学膨胀得到轮廓边缘膨胀图像；
式中：R1—形态学膨胀处理结果；A—轮廓边缘膨胀图像；a—A中一个像素；S—半径圆形的结构元；Sv—S的对称集；φ—空集。
4)对RGB彩色图像去除背景转换成灰度图像，并再建立与灰度图像同样大小的所有像素初始化为0的目标图像P(i,j)；
5)以步骤4)中的灰度图像每个像素为中心用5×5窗口扫描，窗口中超过图像边界的像素用0填充，并计算获得每个5×5窗口的分割阈值Q(i,j)；
所述步骤5)中，对于每个5×5窗口，通过以下公式将5×5窗口内的所有25个像素从小到大排序并且计算第二大数值和第二小数值的平均值作为分割阈值Q(i,j)，从而获得所有5×5窗口的分割阈值Q(i,j)：
式中：Q(i,j)—当前窗口中心像素的分割阈值；f(i,j)—灰度图像；Max_2nd—寻找第二大像素数值；Min_2nd—寻找第二小像素数值；i和j分别表示图像像素的水平坐标和垂直坐标，k和l分别表示水平和垂直坐标遍历参数。
6)对5×5窗口中心像素用分割阈值Q(i,j)进行判断，对目标图像P(i,j)中的像素进行重新赋值，遍历处理获得目标二值化图像；
所述步骤6)具体为：对于5×5窗口的每个像素，判断如果当前所在窗口最大的前三个像素分别与最小像素之差都大于19并且当前像素大于分割阈值Q(i,j)时，则将与当前像素具有同样位置的目标图像P(i,j)中的像素赋值为1否则赋值为0，遍历处理所有像素完成图像分割获得目标二值化图像；
7)将步骤6)得到目标二值化图像减去步骤3)的轮廓边缘膨胀图像，再依次进行膨胀、填洞、腐蚀和中值滤波处理获得水果表面缺陷图像。
所述步骤7)中用目标二值化图像减去步骤3)中轮廓边缘膨胀图像，得到差值图像，再用1像素半径圆形的结构元来进行形态学膨胀。具体通过以下公式完成形态学膨胀得到轮廓边缘膨胀图像；
式中：R1—形态学膨胀处理结果；A—轮廓边缘膨胀图像；a—A中一个像素；S—半径圆形的结构元；Sv—S的对称集；φ—空集。
所述步骤7)中填洞采用以下公式完成填洞：
Fk＝(Fk-1E)∩Dc,Fk＝Fk-1 (3)
式中：F—填洞图像处理结果；D—差值图像完成形态学膨胀的数据；E—四连通域；k—计算次数，k＝1,2,3…；Dc—D的补集。
所述步骤7)中腐蚀采用以下公式完成腐蚀，得到差值图像腐蚀图：
式中：R2—腐蚀处理结果；V—差值图像完成膨胀和填洞的数据；v—V中一个像素；W—半径为2像素圆形结构元；
所述的步骤7)中对腐蚀得到的差值图像腐蚀图进行6×6中值滤波，得到表面缺陷图像。
本发明具有的有益效果是：
本发明对于检测水果表面缺陷具有很好的准确性和实用性，有效避免了对水果及农产品形状、大小的依赖以及避免了亮度矫正带来较复杂的计算方法，也避免了依赖高光谱以及多光谱成像硬件带来的高成本性问题。
本发明能够有效检测不同亮度特征表面缺陷，譬如能检测脐橙10种表面缺陷(虫伤果、风伤果、蓟马果、介壳虫果、溃疡果、裂果、炭疽病、药害果、表皮破裂型腐烂果、梗伤果)。方法应用对象较广，方法简便易于实现，在水果及农产品品质计算机视觉在线检测方面具有较大的应用潜力。
附图说明
图1是本发明方法的流程图。
图2是本发明实施例中原始图像。
图3是本发明实施例中初始二值化图像。
图4是本发明实施例中轮廓边缘膨胀图像。
图5是本发明实施例中半径3像素半径圆形结构元。
图6是本发明实施例中获得的目标二值化图像。
图7是本发明实施例中差值图像。
图8是本发明实施例中半径1像素半径圆形结构元。
图9是本发明实施例中四连通域。
图10是本发明实施例中半径2像素半径圆形结构元。
图11是本发明实施例中提取表面缺陷图像。
图12是脐橙虫伤果原始图。
图13是脐橙虫伤果表面缺陷检测结果图。
图14是脐橙风伤果原始图。
图15是脐橙风伤果表面缺陷检测结果图。
图16是脐橙蓟马果原始图。
图17是脐橙蓟马果表面缺陷检测结果图。
图18是脐橙介壳虫果原始图。
图19是脐橙介壳虫果表面缺陷检测结果图。
图20是脐橙溃疡果原始图。
图21是脐橙溃疡果表面缺陷检测结果图。
图22是脐橙裂果原始图。
图23是脐橙裂果表面缺陷检测结果图。
图24是脐橙炭疽病果原始图。
图25是脐橙炭疽病果表面缺陷检测结果图。
图26是脐橙药害果原始图。
图27是脐橙药害果表面缺陷检测结果图。
图28是脐橙表皮破裂腐烂果原始图。
图29是脐橙表皮破裂腐烂果表面缺陷检测结果图。
图30是脐橙梗伤果原始图。
图31是脐橙梗伤果表面缺陷检测结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
如图1所示，本发明的实施例及其实施过程如下：
1)拍摄样本水果RGB彩色图像，如图2所示。
2)对水果RGB彩色图像进行去除背景二值化，获得如图3所示的二值化图像。
3)对二值化图像提取轮廓边缘，然后通过公式(1)完成形态学膨胀得到如图4所示的轮廓边缘膨胀图像。
式中：
R1—处理结果；
A—轮廓边缘膨胀图像；
a—A中一个像素；
S—如图5所示的3像素半径圆形的结构元；
Sv—S的对称集；
φ—空集。
4)对RGB彩色图像去除背景转换成灰度图像并建立同样大小像素初始化为0的目标图像P(i,j)；
5)对灰度图像每个像素为中心用5×5窗口扫描，对窗口超过图像边界的像素用0填充，用公式(2)自动对窗口内25个像素从小到大排序并且计算第二大和第二小数值的算数平均值获得分割阈值Q(i,j)；
式中：Q(i,j)—当前窗口中心像素的分割阈值；f(i,j)—灰度图像；
Max_2nd—寻找第二大像素数值；Min_2nd—寻找第二小像素数值。
6)判断如果窗口最大的前三个像素分别与最小像素之差都大于19并且当前像素大于分割阈值Q(i,j)时，用在目标图像P(i,j)与窗口中心同样位置的像素赋值为1否则赋值为0，遍历处理所有像素完成图像分割获得如图6所示的二值化图像；
7)用二值化图像减去轮廓边缘膨胀图像，得到如图7所示的差值图像，用如图8所示的1像素半径圆形的结构元来通过公式(1)完成形态学膨胀，然后通过公式(3)完成区域填充；
Fk＝(Fk-1E)∩Dc,Fk＝Fk-1 (3)
式中：
F—图像处理结果；
D—差值图像完成形态学膨胀的数据；
E—如图9所示的四连通域；
k—次数，k＝1,2,3…；
Dc—D的补集；
通过公式(4)完成形态学腐蚀，得到差值图像腐蚀图。
式中：
R2—处理结果；
V—差值图像完成形态学膨胀和区域填充的数据；
v—V中一个像素；
W—如图10所示的半径为2像素圆形结构元。
对差值图像腐蚀图进行6×6中值滤波，得到如图11所示的表面缺陷图像，其中白色区域为缺陷区域。
本发明分别对脐橙虫伤果、脐橙风伤果、脐橙蓟马果、脐橙介壳虫果、脐橙溃疡果、脐橙裂果、脐橙炭疽病果、脐橙药害果、脐橙表皮破裂腐烂果、脐橙梗伤果进行了实施实验，相关原始图像和检测结果图像分别如附图12～图31所示，
图12是脐橙虫伤果的原始图像，图13是图12的检测结果图，其中白色区域为缺陷区域。
图14是脐橙风伤果的原始图像，图15是图14的检测结果图，其中白色区域为缺陷区域。
图16是脐橙蓟马果的原始图像，图17是图16的检测结果图，其中白色区域为缺陷区域。
图18是脐橙介壳虫果的原始图像，图19是图18的检测结果图，其中白色区域为缺陷区域。
图20是脐橙溃疡果的原始图像，图21是图20的检测结果图，其中白色区域为缺陷区域。
图22是脐橙裂果的原始图像，图23是图22的检测结果图，其中白色区域为缺陷区域。
图24是脐橙炭疽病果的原始图像，图25是图24的检测结果图，其中白色区域为缺陷区域。
图26是脐橙药害果病果的原始图像，图27是图26的检测结果图，其中白色区域为缺陷区域。
图28是脐橙表皮破裂腐烂果的原始图像，图29是图28的检测结果图，其中白色区域为缺陷区域。
图30是脐橙梗伤果的原始图像，图31是图30的检测结果图，其中白色区域为缺陷区域。
由上述各个实施例原始图像和检测结果图相对比可见，本发明方法的检测具有很好的准确性和实用性，能有效避免了对水果及农产品形状、大小的依赖以及避免了亮度矫正带来的复杂影响，应用对象广，在水果及农产品品质计算机视觉在线检测方面具有较大的应用价值。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (6)
1.一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法，其特征在于，该方法包括如下步骤：
1)获取水果RGB彩色图像；
2)对水果RGB彩色图像去除背景进行图像二值化，获得初始二值化图像；
3)对步骤2)得到的初始二值化图像提取边缘并采用3像素半径圆形的结构元膨胀一次获得轮廓边缘膨胀图像；
4)对RGB彩色图像去除背景转换成灰度图像，并再建立与灰度图像同样大小的所有像素初始化为0的目标图像P(i,j)；
5)以步骤4)中的灰度图像每个像素为中心用5×5窗口扫描，窗口中超过图像边界的像素用0填充，并计算获得每个5×5窗口的分割阈值Q(i,j)；
所述步骤5)中，对于每个5×5窗口，通过以下公式将5×5窗口内的所有25个像素从小到大排序并且计算第二大数值和第二小数值的平均值作为分割阈值Q(i,j)，从而获得所有5×5窗口的分割阈值Q(i,j)：
式中：Q(i,j)—当前窗口中心像素的分割阈值；f(i,j)—灰度图像；Max_2nd—寻找第二大像素数值；Min_2nd—寻找第二小像素数值；i和j分别表示图像像素的水平坐标和垂直坐标，k和l分别表示水平和垂直坐标遍历参数；
6)对5×5窗口中心像素用分割阈值Q(i,j)进行判断，对目标图像P(i,j)中的像素进行重新赋值，遍历处理获得目标二值化图像；
所述步骤6)具体为：对于5×5窗口的每个像素，判断如果当前所在窗口最大的前三个像素分别与最小像素之差都大于19并且当前像素大于分割阈值Q(i,j)时，则将与当前窗口中心像素具有同样位置的目标图像P(i,j)中的像素赋值为1否则赋值为0，遍历处理所有像素完成图像分割获得目标二值化图像；
7)将步骤6)得到目标二值化图像减去步骤3)的轮廓边缘膨胀图像，再依次进行膨胀、填洞、腐蚀和中值滤波处理获得水果表面缺陷图像。
2.根据权利要求1所述的一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法，其特征在于：所述步骤7)中用目标二值化图像减去步骤3)中轮廓边缘膨胀图像，得到差值图像，再用1像素半径圆形的结构元来进行形态学膨胀。
3.根据权利要求1所述的一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法，其特征在于：所述步骤7)中填洞采用以下公式完成填洞：
式中：F—填洞图像处理结果；D—差值图像完成形态学膨胀的数据；E—四连通域，四连通域具体为k—计算次数，k＝1,2,3…；Dc—D的补集。
4.根据权利要求1所述的一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法，其特征在于：所述步骤7)中腐蚀采用以下公式完成腐蚀，得到差值图像腐蚀图：
R2＝VΘW
式中：R2—腐蚀处理结果；V—差值图像完成膨胀和填洞的数据；W—半径为2像素圆形结构元。
5.根据权利要求1所述的一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法，其特征在于：所述的步骤7)中对腐蚀得到的差值图像腐蚀图进行6×6中值滤波，得到表面缺陷图像。
6.根据权利要求1或2所述的一种基于滑动比较窗口自适应分割的水果表面缺陷检测方法，其特征在于：所述步骤3)和步骤7)中的膨胀均通过以下公式完成形态学膨胀；
式中：R1—形态学膨胀处理结果；A—形态学膨胀处理前的图像；S—半径圆形的结构元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510760895.3A CN105354847B (zh) | 2015-11-10 | 2015-11-10 | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510760895.3A CN105354847B (zh) | 2015-11-10 | 2015-11-10 | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105354847A CN105354847A (zh) | 2016-02-24 |
| CN105354847B true CN105354847B (zh) | 2018-11-02 |
Family
ID=55330814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510760895.3A Active CN105354847B (zh) | 2015-11-10 | 2015-11-10 | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105354847B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105675625B (zh) * | 2016-03-03 | 2019-03-01 | 浙江大学 | 一种梯度迭代阈值分割的水果表面缺陷检测方法 |
| CN106124511B (zh) * | 2016-05-24 | 2018-11-06 | 浙江大学 | 一种基于自适应亮度回归矫正的水果表面缺陷检测方法 |
| CN107037056A (zh) * | 2017-03-29 | 2017-08-11 | 浙江大学 | 一种快速局部阈值分割的水果表面缺陷检测方法 |
| CN108827181B (zh) * | 2018-03-14 | 2021-04-09 | 浙江大学山东工业技术研究院 | 一种基于视觉的板材表面检测方法 |
| CN109087288B (zh) * | 2018-07-20 | 2021-11-23 | 四川理工学院 | 一种炭黑在橡胶中分散性的测量方法 |
| CN109752391B (zh) * | 2018-12-25 | 2020-06-30 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
| CN109613023B (zh) * | 2019-01-28 | 2021-02-26 | 西南大学 | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 |
| CN111915704A (zh) * | 2020-06-13 | 2020-11-10 | 东北林业大学 | 一种基于深度学习的苹果分级识别方法 |
| CN112184689B (zh) * | 2020-10-12 | 2024-06-25 | 罗建华 | 一种半导体器件检测方法、装置、智能终端及存储介质 |
| CN113129326B (zh) * | 2021-06-17 | 2021-11-12 | 苏州高视半导体技术有限公司 | 灰度图像的自适应阈值分割方法 |
| CN113822886A (zh) * | 2021-11-23 | 2021-12-21 | 宁波隆源精密机械有限公司 | 一种新能源汽车电控盖板的加工检测系统及方法 |
| CN114187262B (zh) * | 2021-12-10 | 2022-09-02 | 宿迁旺春机械制造有限公司 | 一种钣金毛刺缺陷自适应检测方法 |
| CN114612379A (zh) * | 2022-01-23 | 2022-06-10 | 杭州领见数字农业科技有限公司 | 一种基于sar影像的浅滩筏架提取方法及装置 |
| CN114627117B (zh) * | 2022-05-13 | 2022-07-15 | 启东市鸿盛纺织有限公司 | 一种基于投影法的针织物缺陷检测方法和系统 |
| CN115641332B (zh) * | 2022-12-01 | 2023-03-31 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7653242B2 (en) * | 2005-11-15 | 2010-01-26 | Honeywell International Inc. | Dynamically adjusting and predicting image segmentation threshold |
| CN101710424B (zh) * | 2009-12-22 | 2012-04-25 | 中国矿业大学(北京) | 矿石图像分割方法 |
| CN102023045B (zh) * | 2010-10-18 | 2011-12-14 | 中国矿业大学(北京) | 一种非接触式煤仓煤位光电测量方法 |
| CN105004737B (zh) * | 2015-07-14 | 2017-06-23 | 浙江大学 | 基于自适应改进型梯度信息的水果表面缺陷检测方法 |
-
2015
- 2015-11-10 CN CN201510760895.3A patent/CN105354847B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105354847A (zh) | 2016-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105354847B (zh) | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 | |
| CN105004737B (zh) | 基于自适应改进型梯度信息的水果表面缺陷检测方法 | |
| CN105675625B (zh) | 一种梯度迭代阈值分割的水果表面缺陷检测方法 | |
| Patel et al. | Automatic segmentation and yield measurement of fruit using shape analysis | |
| Murillo-Bracamontes et al. | Implementation of Hough transform for fruit image segmentation | |
| CN106124511B (zh) | 一种基于自适应亮度回归矫正的水果表面缺陷检测方法 | |
| CN105044128B (zh) | 基于光照背景差影法的水果表面缺陷检测方法 | |
| CN107392886A (zh) | 一种电力设备图像处理方法 | |
| CN109060842B (zh) | 基于曲面拟合校正的柑橘表面缺陷检测方法 | |
| CN109613023B (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
| CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
| CN110288561A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
| CN109191432A (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
| CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
| CN105959510B (zh) | 一种视频快速去雾方法 | |
| CN107037056A (zh) | 一种快速局部阈值分割的水果表面缺陷检测方法 | |
| CN110473194A (zh) | 基于多图像块阈值分割算法的水果表面缺陷检测方法 | |
| CN106529556B (zh) | 一种仪表指示灯的视觉检测系统 | |
| CN106157264B (zh) | 基于经验模式分解的大幅面图像不均匀光照校正方法 | |
| CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
| CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
| CN103839245B (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
| Yu et al. | Efficient highlight removal of metal surfaces | |
| Yu et al. | Content-adaptive rain and snow removal algorithms for single image | |
| CN114550167A (zh) | 一种基于人工智能的梨的品质分类方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210521 Address after: 310012 room 1102, block B, Lishui digital building, 153 Lianchuang street, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou nuotian Intelligent Technology Co.,Ltd. Address before: 310027 No. 38, Zhejiang Road, Hangzhou, Zhejiang, Xihu District Patentee before: ZHEJIANG University |