CN106872473A - 一种基于机器视觉的马铃薯缺陷检测识别系统设计 - Google Patents

一种基于机器视觉的马铃薯缺陷检测识别系统设计 Download PDF

Info

Publication number
CN106872473A
CN106872473A CN201710092029.0A CN201710092029A CN106872473A CN 106872473 A CN106872473 A CN 106872473A CN 201710092029 A CN201710092029 A CN 201710092029A CN 106872473 A CN106872473 A CN 106872473A
Authority
CN
China
Prior art keywords
potato
defect
machine vision
algorithm
defects detection
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.)
Pending
Application number
CN201710092029.0A
Other languages
English (en)
Inventor
袁小平
倪亚南
李子旋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201710092029.0A priority Critical patent/CN106872473A/zh
Publication of CN106872473A publication Critical patent/CN106872473A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8841—Illumination and detection on two sides of object
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Sorting Of Articles (AREA)

Abstract

本发明公开一种基于机器视觉的马铃薯缺陷检测识别系统设计。其特征是在ZYNQ平台上使用嵌入式Linux系统的机器视觉库Open CV对缺陷马铃薯进行识别和分类，通过提取绿皮、干腐、结痂及机械损伤缺陷马铃薯的特征因子，分析变量缺陷因子的R、G、B离散程度，实现马铃薯表面缺陷的检测识别，算法精准度大大提高。将小波变换运用到马铃薯薯形分析检测上，提取马铃薯椭圆半径并作归一化处理，通过 RBF神经网络进行分级，提高了分级识别缺陷马铃薯的效率和精度；使用FPGA对马铃薯图像进行预处理，并对Open CV中的算法并行加速处理，计算速度和算法效率方面显著提高。测试结果显示，与现有的基于软件图像处理的缺陷马铃薯识别分类技术相比较，新方法基于硬件结构平台，创新和优化图像处理算法，处理速度和算法效率上都有很大的提高，理论和实验表明本发明在实际中对缺陷马铃薯的识别分类有较为满意的检测精度和速度。对马铃薯加工产业具有很深的意义。

Description

一种基于机器视觉的马铃薯缺陷检测识别系统设计
技术领域
本发明涉及一种基于机器视觉的检测识别系统设计，具体涉及一种基于机器视觉的马铃薯缺陷检测识别系统设计，属于机器视觉技术领域。
背景技术
马铃薯的产量高、营养丰富，是世界上第四大粮食作物，全球约有一半以上的国家和地区都种植有马铃薯。根据《中国农业标准马铃薯等级规格(NY／T1066．2006)》分级标准可知，马铃薯的薯形、外部缺陷、内部缺陷等特征是马铃薯内外部品质分级的重要指标。马铃薯在进行食品深加工、储存以及育种时，缺陷马铃薯参杂在合格的马铃薯中会严重的影响到马铃薯后续产品的品质，降低马铃薯产品的经济效益。因此开展马铃薯内外部缺陷无损检测分级，将缺陷马铃薯从合格马铃薯中分选出来对于马铃薯的育种、深加工以及储存等具有重要的作用与现实意义。
国内外现有的马铃薯分级主要包括人工方式分级与机械系统分级，简单的机械分级装置只能对马铃薯按大小进行分级，不能够满足现代化马铃薯生产与产业化发展的要求；传统人工分级方法耗费体力枯燥且费用高。郑冠楠等人根据外形特性,采用离心率法进行马铃薯的形状分级，实现了马铃薯在线综合检测分级。郝敏等人在形状检测方面，以归一化马铃薯图像为基础，将通过筛选确定的19个具有旋转不变性的Zernike矩特征参数输入到支持向量机中，实现对马铃薯薯形分类检测。李锦卫等人提出用于马铃薯表面疑似缺陷分割的快速灰度截留分割方法和用于马铃薯表面缺陷识别的十色模型，基于十色模型的缺陷识别方法对分割出来的深色区域的正确识别率为93.6%。J.C. Noordam等设计了高速机器视觉系统对马铃薯进行品质检测和分级。Zhou Liyong等开发了一个基于PC机的机器视觉系统，应用于计算机辅助马铃薯检测。上述典型的一些马铃薯缺陷分级方法，大都是基于软件方法实现，检测分级速度慢、效率低、精准度低且成本较高，均不能达到令人满意的效果。
本发明公开一种基于机器视觉的马铃薯缺陷识别检测系统设计。一是将机器视觉技术应用于马铃薯的品质检测分级方面，具有人工检测所无法比拟的优势，对马铃薯的各项指标进行定量描述,避免了人工分级时对马铃薯各项指标的模糊判别，减小了检测分级误差，提高了生产率和分级精度。二是使用ZYNQ开发板的PS部分和Open CV跨平台计算机视觉库在Linux系统上运行处理图像算法。利用神经网络算法和支持向量机算法进行马铃薯的图像处理和模式识别以达到对马铃薯缺陷的精确识别和分类。在进行算法实现的时候，运用ZYNQ开发平台FPGA的PL部分对算法进行并行运算加速，达到高效率精确处理图像以及实现对缺陷马铃薯的识别分类，并且成本经济性较高。本发明结合硬件FPGA实现机器视觉检测识别缺陷马铃薯，实验表明，马铃薯缺陷检测识别的精准度和效率都有所大大提高。
发明内容
有鉴于此，本发明公开一种基于机器视觉的马铃薯缺陷检测识别系统设计，是结合机器视觉和并行处理硬件FPGA实现马铃薯缺陷识别检测的方法，所要解决的主要技术问题搭建稳定可靠的缺陷马铃薯检测平台，和研究出最佳的算法和识别速度与准确度来做到高速度高精度的识别缺陷(绿皮、干腐、结痂、畸形及机械损伤等)马铃薯。
本发明的目的是通过如下手段实现的，包括以下步骤：
1）在特制的无影光照暗箱内，采用CCD工业智能摄像机拍摄马铃薯图像，结合张正友平面模板标定法在摄像机中标定，得到不失真和不形变的马铃薯图像。
2）采集到的图像通过I2C总线传输FPGA中进行预处理，包括灰度化处理、图像去噪和阀值分割。
3）预处理后的图像数据通过数据总线输入到嵌入式Linux系统，利用Linux系统里的机器视觉库Open CV对预处理后的图像数据进行算法处理以及实现缺陷分类。
4）提取绿皮、干腐、结痂及机械损伤缺陷马铃薯的特征因子。分析统计了100个正常和缺陷马铃薯样本，其中正常马铃薯20个，绿皮马铃薯20个，结痂马铃薯20个，干腐马铃薯20个，机械损伤马铃薯20个，发现马铃薯正常部分的R、G、B分量值分布比较离散，而绿皮、干腐、结痂及机械损伤缺陷部分的R、G、B三个分量值比较集中且有一定的范围。因此采用表示变量离散程度的方差进行缺陷部分的分割。
对每一个像素点根据上式计算出方差D，每计算一个像素点，计数器计数一次。由正常样本和缺陷样本分别计算出方差，选取一个合适的阀值M，即DM时，此点为缺陷。设总像素点数为S，缺陷点数为Q，当Q/St时，即判定此马铃薯为缺陷马铃薯。通过Open CV对预处理后的图像运用本算法，将参数输入到支持向量机中，对缺陷马铃薯进行有效分类识别。
5）选取正常马铃薯和畸形马铃薯样本，将小波变换运用到马铃薯薯形分析检测上，提取马铃薯椭圆半径并作归一化处理，利用Biorthogonal小波基对马铃薯薯形边界进行重建。取n个小波变换的系数点作为薯形特征，运用核主成分分析，将贡献率99%的前7个主成分用特征向量输入RBF神经网络进行分级。
6）同时通过FPGA对算法进行并行加速处理。
7）通过HDMI输出显示缺陷马铃薯识别分类结果。
本发明的优点在于：本发明提出基于机器视觉的马铃薯缺陷检测识别系统设计。一是通过嵌入式Linux系统Open CV对缺陷马铃薯进行算法识别分类，提高了分级识别缺陷马铃薯的效率和精度；二是通过FPGA进行马铃薯图像预处理和算法并行加速，从而提高了缺陷马铃薯的识别分类速度和准确度。与现有的缺陷马铃薯识别分类技术相比较，相较于基于软件的图像处理方法，新方法在系统结构平台和算法处理计算速度和算法效率上都有很大的创新和优化，理论和实验表明本发明在实际中对缺陷马铃薯的识别分类有较为满意的检测精度和速度。
本发明的有益效果
1）将机器视觉技术应用于马铃薯的品质检测分级方面，具有人工检测所无法比拟的优势，对马铃薯的各项指标进行定量描述,避免了人工分级时对马铃薯各项指标的模糊判别，减小了检测分级误差，提高了生产率和分级精度。
2）在本系统特制的无影灯箱中采集马铃薯图像，并且通过张正友标定法对相机进行标定，采集到的马铃薯图像几乎不失真，图像数据真实可靠。
3）通过提取绿皮绿皮、干腐、结痂及机械损伤缺陷马铃薯的特征因子，分析变量缺陷因子的R、G、B离散程度，实现马铃薯表面缺陷的检测识别，算法精准度大大提高。
4）将小波变换运用到马铃薯薯形分析检测上，提取马铃薯椭圆半径并作归一化处理，通过 RBF神经网络进行分级，算法精准度相对较高。
5）通过硬件FPGA对算法进行处理和并行加速，相较于软件运行算法，提高了系统对马铃薯缺陷的检测识别速度以及稳定性。
6）在ZYNQ平台上通过Linux系统调用机器视觉库，实现马铃薯缺陷检测识别，系统的灵活性及可靠性大大提高。
7）系统基于硬件FPGA实现，硬件电路可以灵活改变，便于后期算法优化和系统升级。
附图说明
图1是本发明一种基于机器视觉的马铃薯缺陷检测识别系统系统设计的示意图。
图2是本发明一种基于机器视觉的马铃薯缺陷检测识别系统系统设计的系统工作流程图。
图3是本发明一种基于机器视觉的马铃薯缺陷检测识别系统系统设计的图像预处理流程。
具体实施方式
为使本发明目的、技术方案和优点更加明确清楚下面是具体实施过程，参照附图，对本发明做进一步详细说明。
本发明的思路是：针对基于软件的马铃薯缺陷及薯形检测识别无法满足更加精确和可靠的局限性要求，本发明提出了一种基于机器视觉和并行处理硬件平台FPGA识别检测缺陷马铃薯的系统研究。如图1所示，为本发明的一种基于机器视觉的马铃薯缺陷检测识别系统设计的系统结构示意图；图2所示，为本发明一种基于机器视觉的马铃薯缺陷检测识别系统系统设计的系统工作流程图；图3所示，为本发明一种基于机器视觉的马铃薯缺陷检测识别系统系统设计的图像预处理流程。
具体的实施方法如下：
1）在特制的无影光照暗箱内，如图1所示，编号1表示图像采集箱体，编号2表示CCD工业智能相机，标号3表示马铃薯样本,编号4表示LED灯。在箱体的每个面安装2个LED灯，确保图像采集时候条件，采用CCD工业智能摄像机，拍摄马铃薯图像。结合张正友平面模板标定法在摄像机中标定，得到不失真和不形变的马铃薯图像。在系统的绝对坐标系Z=0的平面上，张正友平面模板标定法模型为：
，
其中，A为摄像机的内参数矩阵，为旋转和平移矩阵。由于摄像机有5个未知内参数，采集的图像数目只需大于等于3时，就可以求出内参数矩阵A。
2）采集到的图像通过I2C总线传输FPGA中进行预处理，包括灰度化处理、图像去噪和阀值分割。首先对马铃薯图像进行灰度化处理得到灰度图，通过分析对比马铃薯RGB灰度图像以及R、G、B分量通道灰度图像得知，B分量通道的灰度图马铃薯部分最突出，能最好与背景分离，且B通道灰度直方图有明显的波峰波谷，因此本发明采用B通道灰度化对马铃薯图像进行灰度化处理；然后用然后对灰度图进行快速中值滤波（3x3），去除图像随机噪声，效果显著且复杂度适中，最后采用适合本课题的二值化分割；最后采用双峰值阀值分割法马铃薯灰度图做图像阀值分割处理。
3）预处理后的图像数据通过I2C总线输入到嵌入式Linux系统，利用Linux
系统里的机器视觉库Open CV对预处理后的图像数据进行算法处理以及实现缺陷分类。
4）提取绿皮绿皮、干腐、结痂及机械损伤缺陷马铃薯的特征因子。分析统计了100个正常和缺陷马铃薯样本，其中正常马铃薯20个，绿皮马铃薯20个，结痂马铃薯20个，干腐马铃薯20个，机械损伤马铃薯20个，发现马铃薯正常部分的R、G、B分量值分布比较离散，而绿皮、干腐、结痂及机械损伤缺陷部分的R、G、B三个分量值比较集中且有一定的范围。因此采用表示变量离散程度的方差进行缺陷部分的分割。
设R、G、B某点颜色三个分量的值，P表示三个分量的平均值，D表示三个分量的方差，表示如下：
，
，
对每一个像素点根据上式计算出方差D，每计算一个像素点，计数器计数一次。由正常样本和缺陷样本分别计算出方差，选取一个合适的阀值M，即DM时，此点为缺陷。设总像素点数为S，缺陷点数为Q，当Q/St时，即判定此马铃薯为缺陷马铃薯。通过Open CV对预处理后的图像运用本算法，通过支持向量机对缺陷马铃薯进行有效分类识别。
5）选取正常马铃薯和畸形马铃薯样本，预处理后，包括B通道灰度化，中值滤波去噪，双峰值阀值分割；将小波变换运用到马铃薯薯形分析检测上，提取马铃薯椭圆半径并作归一化处理，利用Biorthogonal小波基对马铃薯薯形边界进行重建。取n个小波变换的系数点作为薯形特征，运用核主成分分析，将贡献率99%的前7个主成分用特征向量输入RBF神经网络进行分级。
6）同时通过FPGA对算法进行并行加速处理。
7）在FPGA中通过HDMI输出显示缺陷马铃薯识别分类结果。
在不脱离本发明的精神和范围的情况下，本领域技术人员在不偏离本发明的范围和精神的情况下，对其进行的关于形式和细节的种种显而易见的修改或变化均应落在本发明的保护范围之内。

Claims (9)

1.一种基于机器视觉的马铃薯缺陷检测识别系统设计，其中包括马铃薯图像实时采集暗箱、ZYNQ主控平台以及一个输出显示器，其特征在于，图像采集暗箱里由一个正方体主题箱、8个LED灯均匀分布在6个表面以及一个CCD工业相机构成，ZYNQ主控平台内嵌ARM处理器与Xilinx FPGA，其中，在ARM处理器中运行Linux系统，调用系统中的Open CV机器视觉库，硬件Xilinx FPGA对算法进行并行处理，最后结合机器视觉和并行处理硬件FPGA算法处理经由显示器输出马铃薯缺陷检测识别结果。
2.根据权利要求1所述的一种基于机器视觉的马铃薯缺陷检测识别系统设计，其特征在于，在特制的无影光照暗箱内，采用CCD工业智能摄像机拍摄马铃薯图像，结合张正友平面模板标定法在摄像机中标定，得到不失真和不形变的马铃薯图像。
3.根据权利要求1所述的一种基于机器视觉的马铃薯缺陷检测识别系统设计，其特征在于，采集到的图像通过I2C总线传输FPGA中进行预处理，包括灰度化处理、图像去噪和阀值分割。
4.根据权利要求1所述的一种基于机器视觉的马铃薯缺陷检测识别系统设计，其特征在于，预处理后的图像数据通过I2C总线输入到嵌入式Linux系统，利用Linux系统里的机器视觉库Open CV对预处理后的图像数据进行算法处理以及实现缺陷分类。
5.根据权利要求1所述的一种基于机器视觉的马铃薯缺陷检测识别系统设计，其特征在于，提取绿皮、干腐、结痂及机械损伤缺陷马铃薯的特征因子。分析统计了100个正常和缺陷马铃薯样本，其中正常马铃薯20个，绿皮马铃薯20个，结痂马铃薯20个，干腐马铃薯20个，机械损伤马铃薯20个，发现马铃薯正常部分的R、G、B分量值分布比较离散，而绿皮、干腐、结痂及机械损伤缺陷部分的R、G、B三个分量值比较集中且有一定的范围。因此采用表示变量离散程度的方差进行缺陷部分的分割。
6.根据权利要求1所述的一种基于机器视觉的马铃薯缺陷检测与识别系统，其特征在于，对每一个像素点根据上式计算出方差D，每计算一个像素点，计数器计数一次。由正常样本和缺陷样本分别计算出方差，选取一个合适的阀值M，即DM时，此点为缺陷。设总像素点数为S，缺陷点数为Q，当Q/St时，即判定此马铃薯为缺陷马铃薯。通过Open CV对预处理后的图像运用本算法，通过支持向量机对缺陷马铃薯进行有效分类识别。
7.根据权利要求1所述的一种基于机器视觉的马铃薯缺陷检测识别系统设计，选取正常马铃薯和畸形马铃薯样本，将小波变换运用到马铃薯薯形分析检测上，提取马铃薯椭圆半径并作归一化处理，利用Biorthogonal小波基对马铃薯薯形边界进行重建。取n个小波变换的系数点作为薯形特征，运用核主成分分析，将贡献率99%的前7个主成分用特征向量输入RBF神经网络进行分级。
8.根据权利要求1所述的一种基于机器视觉的马铃薯缺陷检测识别系统设计，同时通过FPGA对算法进行并行加速处理。
9.根据权利要求1所述的一种基于机器视觉的马铃薯缺陷检测识别系统设计通过HDMI输出显示缺陷马铃薯识别分类结果。
CN201710092029.0A 2017-02-21 2017-02-21 一种基于机器视觉的马铃薯缺陷检测识别系统设计 Pending CN106872473A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710092029.0A CN106872473A (zh) 2017-02-21 2017-02-21 一种基于机器视觉的马铃薯缺陷检测识别系统设计

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710092029.0A CN106872473A (zh) 2017-02-21 2017-02-21 一种基于机器视觉的马铃薯缺陷检测识别系统设计

Publications (1)

Publication Number Publication Date
CN106872473A true CN106872473A (zh) 2017-06-20

Family

ID=59167279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710092029.0A Pending CN106872473A (zh) 2017-02-21 2017-02-21 一种基于机器视觉的马铃薯缺陷检测识别系统设计

Country Status (1)

Country Link
CN (1) CN106872473A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107321648A (zh) * 2017-08-31 2017-11-07 东北农业大学 基于机器视觉技术的马铃薯多级分选机
CN107742132A (zh) * 2017-11-07 2018-02-27 江南大学 基于卷积神经网络的马铃薯表面缺陷检测方法
CN107798674A (zh) * 2017-09-15 2018-03-13 华南理工大学 一种金属工件表面结构误检结果的排除方法
CN111667475A (zh) * 2020-06-09 2020-09-15 陕西科技大学 一种基于机器视觉的大枣分级检测方法
FR3098738A1 (fr) 2019-07-18 2021-01-22 Eurocelp Installation pour l’évaluation de la qualité d’un lot de produits alimentaires et procédé pour sa mise en œuvre
CN112326671A (zh) * 2020-11-05 2021-02-05 菲特（天津）检测技术有限公司 一种基于机器视觉的金属板材表面缺陷检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102107374A (zh) * 2011-02-01 2011-06-29 吉林大学 轴盘类零件直径尺寸在线检测方法
CN203011857U (zh) * 2012-12-21 2013-06-19 华中农业大学 一种马铃薯图像的实时在线检测试验台
CN103344647A (zh) * 2013-07-05 2013-10-09 江苏大学 一种马铃薯的缺陷检测方法
CN103394472A (zh) * 2013-07-04 2013-11-20 中国农业大学 一种基于机器视觉的绿化马铃薯检测分级方法
CN103971479A (zh) * 2013-01-29 2014-08-06 北京林业大学 基于摄像机标定技术的林火定位方法
CN104056790A (zh) * 2013-03-19 2014-09-24 青岛农业大学 一种马铃薯智能分选方法与装置
CN105426837A (zh) * 2015-11-17 2016-03-23 南京大学 移动网络视觉雾霾检测系统
CN105651776A (zh) * 2015-12-30 2016-06-08 中国农业大学 基于计算机视觉的牛胴体产肉量自动分级装置与方法
CN105721780A (zh) * 2016-04-05 2016-06-29 华南理工大学 一种基于SoC FPGA的嵌入式图像处理系统与方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102107374A (zh) * 2011-02-01 2011-06-29 吉林大学 轴盘类零件直径尺寸在线检测方法
CN203011857U (zh) * 2012-12-21 2013-06-19 华中农业大学 一种马铃薯图像的实时在线检测试验台
CN103971479A (zh) * 2013-01-29 2014-08-06 北京林业大学 基于摄像机标定技术的林火定位方法
CN104056790A (zh) * 2013-03-19 2014-09-24 青岛农业大学 一种马铃薯智能分选方法与装置
CN103394472A (zh) * 2013-07-04 2013-11-20 中国农业大学 一种基于机器视觉的绿化马铃薯检测分级方法
CN103344647A (zh) * 2013-07-05 2013-10-09 江苏大学 一种马铃薯的缺陷检测方法
CN105426837A (zh) * 2015-11-17 2016-03-23 南京大学 移动网络视觉雾霾检测系统
CN105651776A (zh) * 2015-12-30 2016-06-08 中国农业大学 基于计算机视觉的牛胴体产肉量自动分级装置与方法
CN105721780A (zh) * 2016-04-05 2016-06-29 华南理工大学 一种基于SoC FPGA的嵌入式图像处理系统与方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107321648A (zh) * 2017-08-31 2017-11-07 东北农业大学 基于机器视觉技术的马铃薯多级分选机
CN107798674A (zh) * 2017-09-15 2018-03-13 华南理工大学 一种金属工件表面结构误检结果的排除方法
CN107798674B (zh) * 2017-09-15 2021-04-23 华南理工大学 一种金属工件表面结构误检结果的排除方法
CN107742132A (zh) * 2017-11-07 2018-02-27 江南大学 基于卷积神经网络的马铃薯表面缺陷检测方法
FR3098738A1 (fr) 2019-07-18 2021-01-22 Eurocelp Installation pour l’évaluation de la qualité d’un lot de produits alimentaires et procédé pour sa mise en œuvre
CN111667475A (zh) * 2020-06-09 2020-09-15 陕西科技大学 一种基于机器视觉的大枣分级检测方法
CN111667475B (zh) * 2020-06-09 2023-04-18 陕西科技大学 一种基于机器视觉的大枣分级检测方法
CN112326671A (zh) * 2020-11-05 2021-02-05 菲特（天津）检测技术有限公司 一种基于机器视觉的金属板材表面缺陷检测方法

Similar Documents

Publication Publication Date Title
CN106872473A (zh) 一种基于机器视觉的马铃薯缺陷检测识别系统设计
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN103530878B (zh) 一种基于融合策略的边缘提取方法
CN107437243B (zh) 基于x光图像的轮胎杂质检测方法及装置
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统
CN107966454A (zh) 一种基于fpga的端塞缺陷检测装置及检测方法
CN106951899A (zh) 基于图像识别的异常检测方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN110403232A (zh) 一种基于二级算法的烟支质量检测方法
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN108230307B (zh) 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法
Ji et al. Apple grading method based on features of color and defect
CN109115775B (zh) 一种基于机器视觉的槟榔等级检测方法
CN115266732B (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
CN113222938A (zh) 芯片缺陷检测方法及系统与计算机可读存储介质
Gao et al. Detection of wheat unsound kernels based on improved ResNet
CN112560896A (zh) 一种基于图像处理的水果品质筛选分类系统
CN107330440B (zh) 基于图像识别的海洋状态计算方法
CN115294109A (zh) 基于人工智能的实木板材生产缺陷识别系统、电子设备
Zhang et al. A novel image detection method for internal cracks in corn seeds in an industrial inspection line
Sidehabi et al. The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine.
CN110866547A (zh) 基于多特征和随机森林的中药饮片自动分类系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170620

WD01 Invention patent application deemed withdrawn after publication