CN107220649A - 一种素色布匹缺陷检测和分类方法 - Google Patents

一种素色布匹缺陷检测和分类方法 Download PDF

Info

Publication number
CN107220649A
CN107220649A CN201710392745.0A CN201710392745A CN107220649A CN 107220649 A CN107220649 A CN 107220649A CN 201710392745 A CN201710392745 A CN 201710392745A CN 107220649 A CN107220649 A CN 107220649A
Authority
CN
China
Prior art keywords
image
defect
cloth
carried out
sorting technique
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
CN201710392745.0A
Other languages
English (en)
Inventor
姚克明
郝大培
钱荣盛
王小兰
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.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN201710392745.0A priority Critical patent/CN107220649A/zh
Publication of CN107220649A publication Critical patent/CN107220649A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G01N2021/8887—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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

一种素色布匹缺陷检测和分类方法，首先，对布匹的图像进行预处理；然后构造一个带阻滤波器；对预处理后的图像进行快速傅里叶变换后与构建好的滤波器进行卷积运算；对频域滤波后的图像进行傅里叶反变换后重构出具有显著缺陷的图像，对图像利用OTSU算法计算出最佳阈值，并进行阈值分割；通过斑点检测对二值化后的图像进行分析，判别有无缺陷；对阈值分割的图像进行形态学处理后提取特征向量作为神经网络的输入；通过已经训练好的神经网络分类器进行缺陷分类。本发明提高了检测效率、效果和产品可信度、节约了人力成本并降低了误检率。该方法能判别典型缺陷的类型，根据布匹上出现缺陷的类型判断生产过程中存在的问题,进而对机器的运行作进一步调整。

Description

一种素色布匹缺陷检测和分类方法
技术领域
本发明涉及一种布匹的缺陷检测方法，具体涉及一种素色布匹的缺陷检测和分类方法，尤其是一种基于改进SIFT特征提取的布匹缺陷分类方法。
背景技术
布匹的缺陷检测是其生产过程中质量控制的重要环节。目前，国内绝大多数纺织服装行业企业仍由人眼目测完成该项工作，然而该方法检测速度慢，劳动强度大，检测结果受检验人员的经验、熟练程度以及一些主观因素的影响，缺乏一致性和可靠性。同时，这种工作方式还会极大的损伤工人的视觉系统。由于人工检测效率低且不是一种客观一致的评判方法，检测结果容易使行业上下游之间产生贸易纠纷和矛盾。在纺织工业里,缺陷的产生有多种因素。比如布匹生产的工序不对,纺线粗细不符合标准等等。根据布匹上出现缺陷的类型常常可以判断生产过程中存在的问题,进而对机器的运行作进一步调整。因此,对布匹缺陷进行正确高效的分类,有着重要的现实意义。目前,在国内大多数纺织工厂中,布匹缺陷的分类主要由人工来完成,效率低,代价高。
目前，布匹缺陷检测的技术主要有统计法、频谱法、模型法、和学习方法。这些方法涉及复杂的特征统计和分析，计算量较大，很难满足工业要求。
发明内容
1、要解决的技术方案
为了解决存在的上述问题，提高企业生产效率，降低用人成本。本发明的目的是提供一种素色布匹缺陷检测和分类方法，根据布匹上出现缺陷的类型，判断生产过程中存在的问题,进而对机器的运行作进一步调整。
2、技术方案
为实现上述目的，本发明采用的技术方案是：一种素色布匹缺陷检测和分类方法，其包括以下步骤：
(1)、采用工业相机采集相对运动中的布匹，获取布匹灰度图像；
(2)、将布匹灰度图像进行中值滤波来抑制噪声的干扰，对该预处理后的图像进行快速傅里叶变换；
(3)、用两个高斯滤波器构造一个带阻滤波器，在频域中把待检测图像与构造的滤波器进行卷积运算，然后进行傅里叶反变换重构原图像；
(4)、对步骤(3)所得的图像采用OTSU算法寻找最优阈值，进行阈值二值化分割；
(5)、若有缺陷，在二值化后的图像中，对取值为1的点以八联通的方式进行标注联通，使的分割出来的区域变得相互独立；
(6)、对步骤(5)所得到的图像采用形态学的方法对缺陷区域先膨胀再腐蚀，以消除各种干扰，使缺陷区域更加清晰；
(7)、对步骤(6)所得到的图像进行基于面积特征筛选缺陷区域，求出缺陷区域的最小外接矩形，算出缺陷区域质心；
(8)、用改进的SIFT算法对步骤(7)所得到的缺陷区域进行特征抽取，抽取的特征作为分类器的输入，判别缺陷的具体类型。
进一步的，在所述步骤(8)之前，对典型的缺陷图像进行滤波和形态学处理，建立典型的布匹缺陷类型库，用改进的SIFT算法对典型的布匹缺陷类型进行特征抽取，作为分类器的输入进行训练。
进一步的，在步骤(4)之后，若无缺陷，则继续采集下一帧图像。
进一步的，将判别出的布匹缺陷信息保存到计算机和云端数据库中，便于分享。
3、有益效果
本发明所涉及的布匹缺陷和分类技术，首先针对研究对象具有一定纹理干扰的特点，用两个高斯滤波器构造一个带阻滤波器与待检测图像做卷积运算，提取缺陷分量后变换到时域，有效的抑制了背景中的纹理干扰。然后采用OTSU算法寻找最优阈值，通过斑点检测对二值化后的图像进行分析，判别有无缺陷。如果有缺陷再对缺陷区域进行连通域处理、开闭运算、基于面积特征筛选等处理后对缺陷区域进行定位，输出缺陷信息。最后，对形态学处理后的缺陷用改进的SIFT算法进行特征抽取，把抽取的特征作为线性分类器的输入，判别缺陷的具体类型。本发明提出的布匹缺陷检测和分类方法，提高了检测效果、节约了人力成本、提高了检测效率和产品可信度、并降低了误检率。通过特征抽取和分类的方法能判别典型缺陷的类型，根据布匹上出现缺陷的类型可以判断生产过程中存在的问题,进而对机器的运行作进一步调整。如图11-13所示的检测结果表明，该方法能够检测出各种类型的缺陷，并且检测准确率和速度都很高。
附图说明
图1是本发明实施中一种素色布匹缺陷检测和分类方法流程图；
图2-7是实施例中采集的典型布匹缺陷以及其对应的形态学分析后的结果；
图8-9是以图4为例的缺陷检测过程图像；
图10是缺陷区域特征匹配结果图；
图11-13是典型的布匹缺陷图像检测结果输出图像。
具体实施方式
下面结合流程图和附图对本发明作进一步描述，此处说明仅仅用以解释本发明，并不用于限定本发明。
实施例：参见图1所示，为一种素色布匹缺陷检测和分类方法研究的流程图。首先，对采集布匹的图像进行预处理；然后构造两个高斯滤波器，进行相减后构造一个带阻滤波器来提取缺陷分量。对预处理后的图像进行快速傅里叶变换，然后与构建好的滤波器进行卷积运算。对频域滤波后的图像进行傅里叶反变换后重构出具有显著缺陷的图像，对图像利用OTSU(大津算法)算法计算出最佳阈值，并采用所述阈值对图像进行阈值分割；通过斑点检测对二值化后的图像进行分析，判别有无缺陷。对阈值分割的图像进行形态学处理。对形态学图像进行特征提取,提取后的特征向量作为神经网络的输入。通过已经训练好的神经网络分类器进行缺陷分类；最后布匹的缺陷信息被保存在计算机和云端数据库中。
如图2、4、6是本发明采集的典型布匹缺陷图像，以下以图4为例对检测算法进行具体阐述。
首先对采集来的布匹图像进行中值滤波，抑制随机噪声的同时能有效保护边缘少受模糊。把中值滤波后的图像进行FFT变换得到I(x,y)。构造两个高斯滤波器用两个高斯滤波器构造一个适用于检测对象的带阻滤波器B(x,y,σ)。把待检测到频域图像与构造的滤波器做卷积运算得L(x,y,σ)＝B(x,y,σ)*I(x,y)，其中x,y是空间坐标，σ表示空域中高斯主方向上的标准差。将卷积运算后的图像进行重构得到背景纹理与缺陷区域区分明显的灰度图像。
通过OTSU(大津算法)算法计算出最佳阈值，并采用所述阈值对图像进行阈值分割；采用DOG算法判别阈值分割后的图像有无缺陷。
二维高斯函数的拉普拉斯变换为为避免非规范化的拉普拉斯相应出现衰减现象，对其规范化后然后将规范化后的高斯拉普拉斯进行卷积，在图像的位置空间和尺度空间进行搜索，当某一像素点的3*3领域内达到极值时，可以判定图像中存在缺陷，否则采集下一幅图像检测。
对含有却像的二值图像采用形态学的方法对缺陷区域先膨胀再腐蚀，以消除各种干扰，使缺陷区域更加清晰。
对典型的缺陷图像进行滤波和形态学处理，建立典型的布匹缺陷类型库，用改进的SIFT算法对典型的布匹缺陷类型进行特征抽取，作为分类器的输入进行训练。
用改进的SIFT算法对分割后的缺陷区域进行特征提取，具体方法为构建3*3的小区域，遍历二值图像的所有像素。算法公式为：
化简得其中M为协方差矩阵，表现了像素点所有方向上的灰度强度变化率。
训练好的分类器对接收到的缺陷特征与所述分类器数据库中的各样本进行匹配识别,并将识别结果输出至决策模块。
特征点匹配采用特征点的特征向量欧式最近距离来确定，特征向量欧式最近距离与事先设定的阈值进行比较，从而确定是否接受匹配。
欧式距离相似性度量公式：
其中Vi是训练模板中关键点的特征向量描述子，Ri是缺陷图像中关键点的特征向量描述子。
将布匹的缺陷信息保存到计算机和云端数据库中，便于分享。

Claims (4)

1.一种素色布匹缺陷检测和分类方法，其特征在于，包括如下步骤：
(1)、采用工业相机采集相对运动中的布匹，获取布匹灰度图像；
(2)、将布匹灰度图像进行中值滤波来抑制噪声的干扰，对该预处理后的图像进行快速傅里叶变换；
(3)、用两个高斯滤波器构造一个带阻滤波器，在频域中把待检测图像与构造的滤波器进行卷积运算，然后进行傅里叶反变换重构原图像；
(4)、对步骤(3)所得的图像采用OTSU算法寻找最优阈值，进行阈值二值化分割，通过DOG检测算法对二值化后的图像进行分析，判别有无缺陷；
(5)、若有缺陷，在二值化后的图像中，对取值为1的点以八联通的方式进行标注联通，使的分割出来的区域变得相互独立；
(6)、对步骤(5)所得到的图像采用形态学的方法对缺陷区域先膨胀再腐蚀，以消除各种干扰，使缺陷区域更加清晰；
(7)、对步骤(6)所得到的图像进行基于面积特征筛选缺陷区域，求出缺陷区域的最小外接矩形，算出缺陷区域质心；
(8)、用改进的SIFT算法对步骤(7)所得到的缺陷区域进行特征抽取，抽取的特征作为分类器的输入，判别缺陷的具体类型。
2.根据权利要求1所述的一种素色布匹缺陷检测和分类方法，其特征在于：在所述步骤(8)之前，对典型的缺陷图像进行滤波和形态学处理，建立典型的布匹缺陷类型库，用改进的SIFT算法对典型的布匹缺陷类型进行特征抽取，作为分类器的输入进行训练。
3.根据权利要求2所述的一种素色布匹缺陷检测和分类方法，其特征在于：在步骤(4)之后，若无缺陷，则继续采集下一帧图像。
4.根据权利要求3所述的一种素色布匹缺陷检测和分类方法，其特征在于：将判别出的布匹缺陷信息保存到计算机和云端数据库中，便于分享。
CN201710392745.0A 2017-05-27 2017-05-27 一种素色布匹缺陷检测和分类方法 Pending CN107220649A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710392745.0A CN107220649A (zh) 2017-05-27 2017-05-27 一种素色布匹缺陷检测和分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710392745.0A CN107220649A (zh) 2017-05-27 2017-05-27 一种素色布匹缺陷检测和分类方法

Publications (1)

Publication Number Publication Date
CN107220649A true CN107220649A (zh) 2017-09-29

Family

ID=59947054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710392745.0A Pending CN107220649A (zh) 2017-05-27 2017-05-27 一种素色布匹缺陷检测和分类方法

Country Status (1)

Country Link
CN (1) CN107220649A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108333183A (zh) * 2018-01-31 2018-07-27 西安工程大学 一种基于dcgan和dcnn的色织衬衫裁片缺陷检测方法
CN109191430A (zh) * 2018-07-27 2019-01-11 江苏理工学院 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法
CN109461141A (zh) * 2018-10-10 2019-03-12 重庆大学 一种工件缺胶检测方法
CN109596625A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 料盘中的工件缺陷检测识别方法
CN109682820A (zh) * 2018-11-05 2019-04-26 苏州佳智彩光电科技有限公司 一种显示屏的缺陷自动光学检测方法
CN109781733A (zh) * 2017-11-15 2019-05-21 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
CN109859192A (zh) * 2019-02-01 2019-06-07 东莞中科蓝海智能视觉科技有限公司 圆形高反光工件的检测识别方法
CN110084787A (zh) * 2019-04-12 2019-08-02 浙江大学台州研究院 一种基于机器视觉的合成革涂胶在线监测方法
CN110400319A (zh) * 2019-07-16 2019-11-01 东华大学 一种基于区域分割法的丝饼油污分割算法
CN110570397A (zh) * 2019-08-13 2019-12-13 创新奇智(重庆)科技有限公司 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
CN111080636A (zh) * 2019-12-23 2020-04-28 杨静日 彩钢瓦表面缺陷的cnn语义分割自学习检测方法
CN111160451A (zh) * 2019-12-27 2020-05-15 中山德著智能科技有限公司 一种柔性材料检测方法及其储存介质
CN111179250A (zh) * 2019-12-30 2020-05-19 北京航空航天大学 一种基于多任务学习的工业品缺陷检测系统
CN111929327A (zh) * 2020-09-09 2020-11-13 深兰人工智能芯片研究院（江苏）有限公司 布匹缺陷检测方法和装置
CN112014398A (zh) * 2019-05-29 2020-12-01 天津中元百宜科技有限责任公司 一种基于机器视觉的病害管道缺陷分类建库与识别的方法
CN112750109A (zh) * 2021-01-14 2021-05-04 金陵科技学院 一种基于形态学和深度学习的制药设备安全监测模型
CN113643271A (zh) * 2021-08-24 2021-11-12 凌云光技术股份有限公司 一种基于频域滤波的图像瑕疵检测方法及装置
CN113935998A (zh) * 2021-12-16 2022-01-14 武汉帕克橡塑制品有限公司 一种基于机器视觉的橡塑件花斑检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000006823A1 (de) * 1998-07-24 2000-02-10 Zellweger Luwa Ag Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
CN101706843A (zh) * 2009-11-16 2010-05-12 杭州电子科技大学 一种乳腺cr图像交互式读片方法
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN104048966A (zh) * 2014-03-14 2014-09-17 东华大学 一种基于大律法的布面疵点检测及分类方法
CN105654121A (zh) * 2016-04-11 2016-06-08 李云栋 一种基于深度学习的复杂提花织物缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000006823A1 (de) * 1998-07-24 2000-02-10 Zellweger Luwa Ag Verfahren und vorrichtung zur beurteilung von fehlern in textilen flächengebilden
CN101706843A (zh) * 2009-11-16 2010-05-12 杭州电子科技大学 一种乳腺cr图像交互式读片方法
CN101866427A (zh) * 2010-07-06 2010-10-20 西安电子科技大学 织物瑕疵检测与分类方法
CN104048966A (zh) * 2014-03-14 2014-09-17 东华大学 一种基于大律法的布面疵点检测及分类方法
CN105654121A (zh) * 2016-04-11 2016-06-08 李云栋 一种基于深度学习的复杂提花织物缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHI-HO CHAN ET AL.: "Fabric Defect detection by Fourier Analysis", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》 *
许志文 等: "基于机器视觉的纺织品缺陷检测系统的研究与实现", 《工业控制计算机》 *
邹建成 等: "《数学及其在图像处理中的应用》", 31 July 2015, 北京邮电大学出版社 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109781733B (zh) * 2017-11-15 2022-02-22 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
CN109781733A (zh) * 2017-11-15 2019-05-21 欧姆龙株式会社 缺陷检查装置、缺陷检查方法及计算机可读存储介质
CN108333183A (zh) * 2018-01-31 2018-07-27 西安工程大学 一种基于dcgan和dcnn的色织衬衫裁片缺陷检测方法
CN108333183B (zh) * 2018-01-31 2021-03-16 西安工程大学 一种基于dcgan和dcnn的色织衬衫裁片缺陷检测方法
CN109191430A (zh) * 2018-07-27 2019-01-11 江苏理工学院 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法
CN109461141A (zh) * 2018-10-10 2019-03-12 重庆大学 一种工件缺胶检测方法
CN109682820A (zh) * 2018-11-05 2019-04-26 苏州佳智彩光电科技有限公司 一种显示屏的缺陷自动光学检测方法
CN109859192A (zh) * 2019-02-01 2019-06-07 东莞中科蓝海智能视觉科技有限公司 圆形高反光工件的检测识别方法
CN109596625A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 料盘中的工件缺陷检测识别方法
CN110084787A (zh) * 2019-04-12 2019-08-02 浙江大学台州研究院 一种基于机器视觉的合成革涂胶在线监测方法
CN110084787B (zh) * 2019-04-12 2021-03-23 浙江大学台州研究院 一种基于机器视觉的合成革涂胶在线监测方法
CN112014398A (zh) * 2019-05-29 2020-12-01 天津中元百宜科技有限责任公司 一种基于机器视觉的病害管道缺陷分类建库与识别的方法
CN110400319A (zh) * 2019-07-16 2019-11-01 东华大学 一种基于区域分割法的丝饼油污分割算法
CN110570397A (zh) * 2019-08-13 2019-12-13 创新奇智(重庆)科技有限公司 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
CN110570397B (zh) * 2019-08-13 2020-12-04 创新奇智(重庆)科技有限公司 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
CN111080636A (zh) * 2019-12-23 2020-04-28 杨静日 彩钢瓦表面缺陷的cnn语义分割自学习检测方法
CN111080636B (zh) * 2019-12-23 2023-08-25 山东安亚金属科技有限公司 彩钢瓦表面缺陷的cnn语义分割自学习检测方法
CN111160451A (zh) * 2019-12-27 2020-05-15 中山德著智能科技有限公司 一种柔性材料检测方法及其储存介质
CN111179250A (zh) * 2019-12-30 2020-05-19 北京航空航天大学 一种基于多任务学习的工业品缺陷检测系统
CN111929327A (zh) * 2020-09-09 2020-11-13 深兰人工智能芯片研究院（江苏）有限公司 布匹缺陷检测方法和装置
CN112750109A (zh) * 2021-01-14 2021-05-04 金陵科技学院 一种基于形态学和深度学习的制药设备安全监测模型
CN112750109B (zh) * 2021-01-14 2023-06-30 金陵科技学院 一种基于形态学和深度学习的制药设备安全监测方法
CN113643271A (zh) * 2021-08-24 2021-11-12 凌云光技术股份有限公司 一种基于频域滤波的图像瑕疵检测方法及装置
CN113935998A (zh) * 2021-12-16 2022-01-14 武汉帕克橡塑制品有限公司 一种基于机器视觉的橡塑件花斑检测方法

Similar Documents

Publication Publication Date Title
CN107220649A (zh) 一种素色布匹缺陷检测和分类方法
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、系统及存储介质
CN103530878B (zh) 一种基于融合策略的边缘提取方法
Rabby et al. A modified canny edge detection algorithm for fruit detection & classification
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
CN108765465A (zh) 一种无监督sar图像变化检测方法
CN109685766A (zh) 一种基于区域融合特征的布匹瑕疵检测方法
Rathod et al. Leaf disease detection using image processing and neural network
CN110415208A (zh) 一种自适应目标检测方法及其装置、设备、存储介质
Bibiloni et al. A real-time fuzzy morphological algorithm for retinal vessel segmentation
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
Daniel et al. Automatic road distress detection and analysis
CN118154605B (zh) 纺织品ai瑕疵检测方法、系统及设备
Pratibha et al. Analysis and identification of rice granules using image processing and neural network
Oni et al. Patterned fabric defect detection and classification (FDDC) techniques: a review
Guan et al. Defect detection and classification for plain woven fabric based on deep learning
CN116524269A (zh) 一种视觉识别检测系统
CN116228651A (zh) 一种布匹缺陷检测方法、系统、设备及介质
Kumari et al. Performance analysis of support vector machine in defective and non defective mangoes classification
CN116777917A (zh) 一种光缆生产用缺陷检测方法及系统
Shen et al. Development of a new machine vision algorithm to estimate potato's shape and size based on support vector machine
Zhang et al. Fabric defect detection based on visual saliency map and SVM
Ma et al. An algorithm for fabric defect detection based on adaptive canny operator
Manjula Image edge detection and segmentation by using histogram thresholding method
Soares et al. Microaneurysms detection using a novel neighborhood analysis

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170929

RJ01 Rejection of invention patent application after publication