CN107389693A - 一种基于机器视觉的印刷品缺陷自动检测方法 - Google Patents
一种基于机器视觉的印刷品缺陷自动检测方法 Download PDFInfo
- Publication number
- CN107389693A CN107389693A CN201710514247.9A CN201710514247A CN107389693A CN 107389693 A CN107389693 A CN 107389693A CN 201710514247 A CN201710514247 A CN 201710514247A CN 107389693 A CN107389693 A CN 107389693A
- Authority
- CN
- China
- Prior art keywords
- image
- printed matter
- mrow
- value
- point
- 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.)
- Granted
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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
- G01N2021/8917—Paper, also ondulated
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Inking, Control Or Cleaning Of Printing Machines (AREA)
Abstract
本发明公开了一种基于机器视觉的印刷品缺陷自动检测方法，采用凸性形状匹配方法，首先对采集的合格的印刷品图像进行配准；然后由这些配准后的合格的印刷品图像形成平均图像、亮模板图像和暗模板图像；最后，采用形状凸性匹配方法，对待检测的印刷品图像和平均图像进行配准，将待检测图像中高于亮模板图像或低于暗模板图像的像素标记为缺陷点，并去除孤立的缺陷点、融合离散的缺陷区域。本发明的一种基于机器视觉的印刷品缺陷自动检测方法，其中的凸性形状匹配方法具有图像匹配速度快、匹配精度高的优点，所设计的基于亮模板和暗模板图像的缺陷检测方法适应性强、能有效检测出印刷品中的缺陷，应用所提出的方法可以提高整个检测系统的精度与效率。
Description
技术领域
本发明属于印刷技术领域，具体涉及一种基于机器视觉的印刷品缺陷自动检测方法。
背景技术
随着现代印刷机快速发展，印刷的速度越来越快，一旦出现印刷缺陷将造成大量的浪费。另一方面，高速印刷使得依靠人工监控印刷质量变得无法进行。因此，印刷企业迫切需要高效的全自动的基于机器视觉的印刷品质量检测系统。
在基于机器视觉的印刷品缺陷检测方法中，涉及到标准模板的构建、图像匹配及缺陷判断等环节。由于印刷中合格图像之间始终是有一定差异的，现有方法中构建的标准模板不够灵活，容易造成误检或者漏检。图像匹配是印刷缺陷自动检测中另一个非常重要的环节，现有的方法大多是基于形状的匹配方法，存在着对形状轮廓描述不够精准、匹配时间较长、匹配精度不够高等问题。本发明提出一种形状凸性匹配方法，具有形状描述数据量小、匹配速度快的特点。基于该匹配方法，发明的印刷品缺陷检测方法具有检测准确率的特点。
发明内容
本发明的目的是提供一种基于机器视觉的印刷品缺陷自动检测方法，解决了现有技术中存在的印刷图像匹配慢、检测不够准确的问题。
本发明所采用的技术方案是，一种基于机器视觉的印刷品缺陷自动检测方法，采用凸性形状匹配方法，首先对采集的合格的印刷品图像进行配准；然后由这些配准后的合格的印刷品图像形成平均图像、亮模板图像和暗模板图像；最后，采用形状凸性匹配方法，对待检测的印刷品图像和平均图像进行配准，将待检测图像中高于亮模板图像或低于暗模板图像的像素标记为缺陷点，并去除孤立的缺陷点、融合离散的缺陷区域。
本发明的特点还在于：
凸性形状匹配方法，包括以下步骤：
步骤a：按均匀选取方式采样形状轮廓上的特征点，将其称为轮廓特征点，设有N个轮廓特征点，记为P1、P2、…PN，求这些轮廓特征点组成的质心O；
步骤b：以质心O为中心，建立一个直角坐标系，设任意一个轮廓特征点Pi到质心O的距离为di，其中，i＝1,2,…,N，Pi与其前、后轮廓特征点之间组成的夹角为θi，Pi所在的象限为qi，则轮廓特征点Pi处的形状特征表述为fi＝{di,θi,qi}；
步骤c：求di的最大值dmax，以dmax/3为量化间隔可将di的取值量化为0、1、2，以30度为量化间隔可将θi的取值量化为0、1、2、3、4、5，qi的取值为1或者2或者3或者4，则所有轮廓特征点的形状特征取值有3×6×4＝72种情况；统计所有轮廓特征点的形状特征取值在这72种情况下出现的次数，称为形状特征直方图，记为h(k)，其中，k＝1,2,…,72；
步骤d：设P和Q分别是两个形状中的轮廓特征点集，其相应的形状特征直方图分别为hP(k)和hQ(k)，其中，k＝1,2,…,72，则这两个形状匹配的相似度为：
对采集的合格的印刷品图像进行配准具体为：
采集多幅合格的印刷品图像，以其中任意一幅作为参考图像，采用凸性形状匹配方法，将其它合格的印刷品图像和该参考图像进行配准，设这些配准后的图像共有m幅，记为Ij(x,y)，其中，j＝1,2,…,m，(x,y)是图像的像素坐标。
由配准后的合格的印刷品图像形成平均图像、亮模板图像和暗模板图像，具体为：
求配准后的图像的平均图像标准差图像
则由这些合格的印刷品图像形成一幅高亮度图像H(x,y)和一幅低亮度图像L(x,y)，具体如公式(2)和公式(3)：
H(x,y)＝Ia(x,y)+max(a,b×V(x,y)) (2)
L(x,y)＝Ia(x,y)-max(a,b×V(x,y)) (3)
其中，a、b为两个参数值；
对H(x,y)中的每一像素点，求其3×3邻域中的最大值，以该最大值作为该像素点的取值，将这样处理后的H(x,y)称为亮模板图像；同理，对L(x,y)中的每一像素点，取其3×3邻域中像素值最小的作为该像素点的取值，将这样处理后的L(x,y)称为暗模板图像。
a的取值在10到15之间。
b的取值在3到5之间。
采用形状凸性匹配方法，对待检测的印刷品图像和平均图像进行配准，将待检测图像中高于亮模板图像或低于暗模板的像素标记为缺陷点，并去除孤立的缺陷点、融合离散的缺陷区域具体为：
采用形状凸性匹配方法，对待检测的印刷品图像和平均图像Ia(x,y)进行配准，设配准后的待检测的印刷品图像为I(x,y)，则检测出的缺陷图像D(x,y)为：
对D(x,y)中像素值为1的点，若其3×3邻域中像素值为1的个数少于3个，则将该点的取值变为0，以去除孤立的噪声点；进一步对D(x,y)采用模板大小为5×5的形态学闭运算，以将一些相邻的离散缺陷区域融合为一个缺陷区域。
本发明的有益效果是：本发明的一种基于机器视觉的印刷品缺陷自动检测方法，相比较现有的方法，其中的凸性形状匹配方法具有图像匹配速度快、匹配精度高的优点，所设计的基于亮模板和暗模板图像的缺陷检测方法适应性强、能有效检测出印刷品中的缺陷，应用所提出的方法可以提高整个检测系统的精度与效率。
附图说明
图1是本发明基于机器视觉的印刷品缺陷自动检测方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，本发明一种基于机器视觉的印刷品缺陷自动检测方法，采用凸性形状匹配方法，首先对采集的合格的印刷品图像进行配准；然后由这些配准后的合格的印刷品图像形成平均图像、亮模板图像和暗模板图像；最后，采用形状凸性匹配方法，对待检测的印刷品图像和平均图像进行配准，将待检测图像中高于亮模板图像或低于暗模板图像的像素标记为缺陷点，并去除孤立的缺陷点、融合离散的缺陷区域。
凸性形状匹配方法，包括以下步骤：
步骤a：按均匀选取方式采样形状轮廓上的特征点，将其称为轮廓特征点，设有N个轮廓特征点，记为P1、P2、…PN，求这些轮廓特征点组成的质心O；
步骤b：以质心O为中心，建立一个直角坐标系，设任意一个轮廓特征点Pi到质心O的距离为di，其中，i＝1,2,…,N，Pi与其前、后轮廓特征点之间组成的夹角为θi，Pi所在的象限为qi，则轮廓特征点Pi处的形状特征表述为fi＝{di,θi,qi}；
步骤c：求di的最大值dmax，以dmax/3为量化间隔可将di的取值量化为0、1、2，以30度为量化间隔可将θi的取值量化为0、1、2、3、4、5，qi的取值为1或者2或者3或者4，则所有轮廓特征点的形状特征取值有3×6×4＝72种情况；统计所有轮廓特征点的形状特征取值在这72种情况下出现的次数，称为形状特征直方图，记为h(k)，其中，k＝1,2,…,72；
步骤d：设P和Q分别是两个形状中的轮廓特征点集，其相应的形状特征直方图分别为hP(k)和hQ(k)，其中，k＝1,2,…,72，则这两个形状匹配的相似度为：
对采集的合格的印刷品图像进行配准具体为：
采集多幅合格的印刷品图像，以其中任意一幅作为参考图像，采用凸性形状匹配方法，将其它合格的印刷品图像和该参考图像进行配准，设这些配准后的图像共有m幅，记为Ij(x,y)，其中，j＝1,2,…,m，(x,y)是图像的像素坐标。
由配准后的合格的印刷品图像形成平均图像、亮模板图像和暗模板图像，具体为：
求配准后的图像的平均图像标准差图像
则由这些合格的印刷品图像形成一幅高亮度图像H(x,y)和一幅低亮度图像L(x,y)，具体如公式(2)和公式(3)：
H(x,y)＝Ia(x,y)+max(a,b×V(x,y)) (2)
L(x,y)＝Ia(x,y)-max(a,b×V(x,y)) (3)
其中，a、b为两个经验参数值，a的取值可以在10到15之间，b的取值在3到5之间，具体可根据不同的印刷品图像进行选择；
对H(x,y)中的每一像素点，求其3×3邻域中的最大值，以该最大值作为该像素点的取值，将这样处理后的H(x,y)称为亮模板图像；同理，对L(x,y)中的每一像素点，取其3×3邻域中像素值最小的作为该像素点的取值，将这样处理后的L(x,y)称为暗模板图像。
采用形状凸性匹配方法，对待检测的印刷品图像和平均图像进行配准，将待检测图像中高于亮模板图像或低于暗模板的像素标记为缺陷点，并去除孤立的缺陷点、融合离散的缺陷区域具体为：
采用形状凸性匹配方法，对待检测的印刷品图像和平均图像Ia(x,y)进行配准，设配准后的待检测的印刷品图像为I(x,y)，则检测出的缺陷图像D(x,y)为：
对D(x,y)中像素值为1的点，若其3×3邻域中像素值为1的个数少于3个，则将该点的取值变为0，以去除孤立的噪声点；进一步对D(x,y)采用模板大小为5×5的形态学闭运算，以将一些相邻的离散缺陷区域融合为一个缺陷区域。
本发明的一种基于机器视觉的印刷品缺陷自动检测方法，提出的凸性形状匹配方法，描述一个形状特征仅需72维的特征数据，具有形状描述简单、匹配速度快的特点；在缺陷检测中，通过在亮模板和暗模板中参数值的设置，增加了缺陷检测方法的灵活性。整个检测方法具有计算简单、检测速度快的特点，能有效的检测出印刷品中的缺陷，并能提高整个检测系统的精度与效率。
Claims (7)
1.一种基于机器视觉的印刷品缺陷自动检测方法，其特征在于，采用凸性形状匹配方法，首先对采集的合格的印刷品图像进行配准；然后由这些配准后的合格的印刷品图像形成平均图像、亮模板图像和暗模板图像；最后，采用形状凸性匹配方法，对待检测的印刷品图像和平均图像进行配准，将待检测图像中高于亮模板图像或低于暗模板图像的像素标记为缺陷点，并去除孤立的缺陷点、融合离散的缺陷区域。
2.根据权利要求1所述的一种基于机器视觉的印刷品缺陷自动检测方法，其特征在于，所述凸性形状匹配方法，包括以下步骤：
步骤a：按均匀选取方式采样形状轮廓上的特征点，将其称为轮廓特征点，设有N个轮廓特征点，记为P1、P2、…PN，求这些轮廓特征点组成的质心O；
步骤b：以质心O为中心，建立一个直角坐标系，设任意一个轮廓特征点Pi到质心O的距离为di，其中，i＝1,2,…,N，Pi与其前、后轮廓特征点之间组成的夹角为θi，Pi所在的象限为qi，则轮廓特征点Pi处的形状特征表述为fi＝{di,θi,qi}；
步骤c：求di的最大值dmax，以dmax/3为量化间隔可将di的取值量化为0、1、2，以30度为量化间隔可将θi的取值量化为0、1、2、3、4、5，qi的取值为1或者2或者3或者4，则所有轮廓特征点的形状特征取值有3×6×4＝72种情况；统计所有轮廓特征点的形状特征取值在这72种情况下出现的次数，称为形状特征直方图，记为h(k)，其中，k＝1,2,…,72；
步骤d：设P和Q分别是两个形状中的轮廓特征点集，其相应的形状特征直方图分别为hP(k)和hQ(k)，其中，k＝1,2,…,72，则这两个形状匹配的相似度为：
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>72</mn>
</munderover>
<mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>h</mi>
<mi>P</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>Q</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msub>
<mi>h</mi>
<mi>P</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>h</mi>
<mi>Q</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.根据权利要求2所述的一种基于机器视觉的印刷品缺陷自动检测方法，其特征在于，所述对采集的合格的印刷品图像进行配准具体为：
采集多幅合格的印刷品图像，以其中任意一幅作为参考图像，采用凸性形状匹配方法，将其它合格的印刷品图像和该参考图像进行配准，设这些配准后的图像共有m幅，记为Ij(x,y)，其中，j＝1,2,…,m，(x,y)是图像的像素坐标。
4.根据权利要求3所述的一种基于机器视觉的印刷品缺陷自动检测方法，其特征在于，所述由配准后的合格的印刷品图像形成平均图像、亮模板图像和暗模板图像，具体为：
求配准后的图像的平均图像标准差图像
则由这些合格的印刷品图像形成一幅高亮度图像H(x,y)和一幅低亮度图像L(x,y)，具体如公式(2)和公式(3)：
H(x,y)＝Ia(x,y)+max(a,b×V(x,y)) (2)
L(x,y)＝Ia(x,y)-max(a,b×V(x,y)) (3)
其中，a、b为两个参数值；
对H(x,y)中的每一像素点，求其3×3邻域中的最大值，以该最大值作为该像素点的取值，将这样处理后的H(x,y)称为亮模板图像；同理，对L(x,y)中的每一像素点，取其3×3邻域中像素值最小的作为该像素点的取值，将这样处理后的L(x,y)称为暗模板图像。
5.根据权利要求4所述的一种基于机器视觉的印刷品缺陷自动检测方法，其特征在于，所述a的取值在10到15之间。
6.根据权利要求4所述的一种基于机器视觉的印刷品缺陷自动检测方法，其特征在于，所述b的取值在3到5之间。
7.根据权利要求4所述的一种基于机器视觉的印刷品缺陷自动检测方法，其特征在于，所述采用形状凸性匹配方法，对待检测的印刷品图像和平均图像进行配准，将待检测图像中高于亮模板图像或低于暗模板的像素标记为缺陷点，并去除孤立的缺陷点、融合离散的缺陷区域具体为：
采用形状凸性匹配方法，对待检测的印刷品图像和平均图像Ia(x,y)进行配准，设配准后的待检测的印刷品图像为I(x,y)，则检测出的缺陷图像D(x,y)为：
对D(x,y)中像素值为1的点，若其3×3邻域中像素值为1的个数少于3个，则将该点的取值变为0，以去除孤立的噪声点；进一步对D(x,y)采用模板大小为5×5的形态学闭运算，以将一些相邻的离散缺陷区域融合为一个缺陷区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710514247.9A CN107389693B (zh) | 2017-06-29 | 2017-06-29 | 一种基于机器视觉的印刷品缺陷自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710514247.9A CN107389693B (zh) | 2017-06-29 | 2017-06-29 | 一种基于机器视觉的印刷品缺陷自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107389693A true CN107389693A (zh) | 2017-11-24 |
| CN107389693B CN107389693B (zh) | 2020-04-21 |
Family
ID=60334132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710514247.9A Active CN107389693B (zh) | 2017-06-29 | 2017-06-29 | 一种基于机器视觉的印刷品缺陷自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107389693B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945172A (zh) * | 2017-12-08 | 2018-04-20 | 博众精工科技股份有限公司 | 一种字符检测方法及系统 |
| CN108459023A (zh) * | 2018-03-27 | 2018-08-28 | 松下电子部品（江门）有限公司 | 双基准电容外观图像检测方法 |
| CN110335262A (zh) * | 2019-06-28 | 2019-10-15 | 西安理工大学 | 一种机器视觉中印刷品缺陷自动分类方法 |
| CN110782453A (zh) * | 2019-11-06 | 2020-02-11 | 西安工程大学 | 一种基于图像特征匹配的印刷品质量检测方法 |
| CN110940670A (zh) * | 2019-11-25 | 2020-03-31 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测系统及其实现方法 |
| CN113393437A (zh) * | 2021-06-15 | 2021-09-14 | 中航华东光电有限公司 | 基于oled显示模块的缺陷检测方法 |
| CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
| CN118010759A (zh) * | 2024-04-08 | 2024-05-10 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印图像的检测方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840499B (zh) * | 2019-01-31 | 2021-03-02 | 闽江学院 | 一种快速检测印刷品打印及装订质量的方法 |
-
2017
- 2017-06-29 CN CN201710514247.9A patent/CN107389693B/zh active Active
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945172A (zh) * | 2017-12-08 | 2018-04-20 | 博众精工科技股份有限公司 | 一种字符检测方法及系统 |
| CN108459023A (zh) * | 2018-03-27 | 2018-08-28 | 松下电子部品（江门）有限公司 | 双基准电容外观图像检测方法 |
| CN110335262A (zh) * | 2019-06-28 | 2019-10-15 | 西安理工大学 | 一种机器视觉中印刷品缺陷自动分类方法 |
| CN110782453A (zh) * | 2019-11-06 | 2020-02-11 | 西安工程大学 | 一种基于图像特征匹配的印刷品质量检测方法 |
| CN110940670A (zh) * | 2019-11-25 | 2020-03-31 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测系统及其实现方法 |
| CN110940670B (zh) * | 2019-11-25 | 2023-04-28 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测系统及其实现方法 |
| CN113393437A (zh) * | 2021-06-15 | 2021-09-14 | 中航华东光电有限公司 | 基于oled显示模块的缺陷检测方法 |
| CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
| CN118010759A (zh) * | 2024-04-08 | 2024-05-10 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印图像的检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107389693B (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107389693A (zh) | 一种基于机器视觉的印刷品缺陷自动检测方法 | |
| US12094152B2 (en) | Method for fully automatically detecting chessboard corner points | |
| CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
| CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
| CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
| CN107203990B (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
| CN104200210B (zh) | 一种基于部件的车牌字符分割方法 | |
| CN112712512A (zh) | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 | |
| CN102829735B (zh) | 基于机器视觉的e型磁材背面几何形状缺陷检测方法 | |
| CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
| CN101819024B (zh) | 一种基于机器视觉的二维位移检测方法 | |
| KR101182173B1 (ko) | 차량 번호판 인식 방법 및 시스템 | |
| CN104331695B (zh) | 一种鲁棒的圆形标志符形状质量检测方法 | |
| CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
| CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
| CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN102074017B (zh) | 一种杠铃中心点检测及跟踪的方法和装置 | |
| CN105447489A (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
| CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
| CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200629 Address after: No. 16699, Sande Road, Haimen street, Haimen City, Nantong City, Jiangsu Province, 226100 Patentee after: Jiangsu Langhui Industrial Development Co.,Ltd. Address before: 710048 Shaanxi city of Xi'an Province Jinhua Road No. 5 Patentee before: XI'AN University OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |