CN107862689A - 皮革表面明显破损自动识别方法及计算机可读存储介质 - Google Patents
皮革表面明显破损自动识别方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107862689A CN107862689A CN201711166034.8A CN201711166034A CN107862689A CN 107862689 A CN107862689 A CN 107862689A CN 201711166034 A CN201711166034 A CN 201711166034A CN 107862689 A CN107862689 A CN 107862689A
- Authority
- CN
- China
- Prior art keywords
- image
- leather surface
- connected region
- target image
- obvious
- 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
Links
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种皮革表面明显破损自动识别方法及计算机可读存储介质,其中,该方法包括:获取需要检测的皮革的原始图像,并将获取的原始图像转换为灰度图像,得到第一目标图像;通过Soble算子对第一目标图像的边缘进行处理,得到第二目标图像;对第二目标图像进行二值化处理,得到第三目标图像;对第三目标图像中的连通区域对象进行标注,以识别皮革表面的明显破损。可见,本申请公开的皮革表面明显破损自动识别方法实现对皮革表面明显缺陷的自动识别,能够有效的降低明显破损识别时间,且计算速度较快,检测皮革表面明显破损的准确率高,因而满足实际生产的需要。
Description
技术领域
本发明涉及图像自动识别领域,特别涉及皮革表面明显破损自动识别方法及计算机可读存储介质。
背景技术
近些年来,主要以基于机器视觉检测方法为主的皮革表面缺陷检测技术快速发展。目前的皮革表面缺陷检测方法主要分为四种:基于灰度同现矩阵的统计方法、基于Gabor滤波器的纹理分割算法、基于傅里叶变换的检测算法和基于香农小波分解的纹理主频检测方法。
其中,基于灰度同现矩阵的统计方法,通常需要无缺陷样本,计算量较大,受颜色及光照影响大,难以应用于实际生产。
基于Gabor滤波器的纹理分割算法,需要预先获得无缺陷样本求取最优参数而且领域窗的大小对结果有影响,领域窗必须能够包含局部纹理的重复性和空间排列情况,太大的窗会增加计算量,窗口太小会忽视小的缺陷,同时常熟因子c的选择也要经过衡量,否则会影响检测效果。
基于傅里叶变换的检测算法,该类算法主要是用傅立叶基的图像重构技术去除随机纹理图像中的重复性、周期性结构,然后就可在恢复图像中识别异常。随机纹理包含各向同性结构,频谱图像中的高能成分也是向各个方向分布,形成圆盘形。精细的纹理表面在傅里叶谱图像中产生较大的扩展圆,而粗糙的纹理产生较小的扩展圆。对于处理批量图像来说,确定重构的左右半径较为困难,即增加了算法的复杂度。
基于香农小波分解的纹理主频检测方法,首先应用小波基函数在较优的分解级数上对纹理图像进行分解,然后在最佳的分辨率级数上正确的选取平滑图像或者细节图像来重建图像。但对于批量光照不同,色彩相差较大的图像来说,较难以确定最佳分解级,且重构图像时中纹理图案消除效果得不到保障。
综上所述,现有技术中由于不是专门对皮革表面明显破损进行识别,因而识别皮革表面缺陷的方法过程非常耗时,准确率低,因而满足实际生产的需要。
因此,如何获得满足实际生产需要的皮革表面明显破损识别方法是本发明技术人员亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种皮革表面明显破损自动识别方法及计算机可读存储介质,该方法能有效的降低明显破损识别时间,且计算速度较快,检测皮革表面明显破损的准确率高,满足实际生产的需要。其具体方案如下:
一种皮革表面明显破损自动识别方法,包括:
获取需要检测的皮革的原始图像,并将获取的原始图像转换为灰度图像,得到第一目标图像;
通过Soble算子对所述第一目标图像的边缘进行处理,得到第二目标图像;
对所述第二目标图像进行二值化处理,得到第三目标图像;
对所述第三目标图像中的连通区域对象进行标注,以识别皮革表面的明显破损。
可选的,所述获取需要检测的皮革的图像,并将获取的图像转换为灰度图像,得到第一目标图像的过程之后还包括:
将所述第一目标图像缩小M倍,得到第四目标图像;其中,M为大于1的整数。
可选的,所述对所述第三目标图像中的连通区域对象进行标注,以识别皮革表面的明显破损的过程包括:
将所述第四目标对象放大M倍,并对所述第四目标图像放大后图像中的连通区域对象进行标注,以识别所述皮革表面的明显破损。
可选的,所述获取需要检测的皮革的图像,并将获取的图像转换为灰度图像,得到第一目标图像的过程之后还包括:
利用高斯低通滤波器对所述第一目标图像进行滤波处理,以去除所述第一目标图像中的高频信号分量。
可选的,所述对所述第二目标图像进行二值化处理,得到第三目标图像的过程包括:
利用最大类内方差法,对所述第二目标图像进行二值化处理,得到所述第三目标图像。
可选的,所述对所述第三目标图像中连通区域对象进行标注的过程包括:
对所述第三目标图像中所述连通区域对象中面积最大的N处连通区域对象进行标注,以识别皮革表面的明显破损;其中,N为大于1的整数。
可选的,所述皮革表面明显破损自动识别方法还包括:
去除所述连通区域对象中连通区域外接矩形面积大于所述原始图像面积的1/m的连通区域对象;其中,m为大于1的整数。
可选的,所述的皮革表面明显破损自动识别方法还包括:
通过对所述连通区域对象分析,去除树杈状的连通区域对象。
可选的,所述确定所述树杈状的连通区域的过程包括:
对所述第三目标图象进行取反操作;
并计算对所述第三目标图象取反操作后的图像中所有的连通区域的数量;
当所述所有的连通区域的数量的数值大于预设阈值时,则判定所述连通区域对象为所述树杈状的连通区域。
相应的,本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有皮革表面明显破损自动识别程序,所述皮革表面明显破损自动识别程序被处理器执行时实现上述的皮革表面明显破损自动识别方法的步骤。
本发明提供的一种皮革表面明显破损自动识别方法,首先获取需要检测的皮革的原始图像,并将获取的原始图像转换为灰度图像,得到第一目标图像;接着,通过Soble算子对第一目标图像的边缘进行处理,得到第二目标图像;接着对第二目标图像进行二值化处理,得到第三目标图像;最后对第三目标图像中的连通区域对象进行标注,以识别皮革表面的明显破损。可见,本发明实现了对皮革表面缺陷的自动识别,能够有效的降低明显破损识别时间,且计算速度较快,检测皮革表面明显破损的准确率高,因而满足实际生产的需要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种皮革表面明显破损自动识别方法的流程图;
图2为本发明实施例提供的一种皮革表面明显破损自动识别方法具体实施方式的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种皮革表面明显破损自动识别方法,如图1所示,包括:
步骤S11:获取需要检测的皮革的原始图像,并将获取的原始图像转换为灰度图像,得到第一目标图像。
需要进行说明的是,为了提高本发明实施例自动识别皮革表面明显破损的准确度,需要检测的皮革的原始图像通常是高清数码图像,当然,必要条件下,原始图像也可以是标清或者超清图像。
步骤S12:通过Soble算子对所第一目标图像的边缘进行处理,得到第二目标图像。
需要进行说明的是,Sobel算子是离散性差分算子,根据像素点上下、左右邻点灰度加权差,在边缘处达到极值这一现象检测边缘。Sobel算子包含两组3*3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。例如:以A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值,其公式如下:
图像的每一个像素的横向及纵向灰度值通过公式计算。
需要进一步说明的是,通过Soble算子对所第一目标图像的边缘进行处理的过程包括将处理后的图像的灰度归一化到0-255,得到第二目标图像。
步骤S13:对第二目标图像进行二值化处理,得到第三目标图像。
需要进行说明的是,对第二目标图像进行二值化处理是为了得到只有黑和白的视觉效果。步骤S11中得到的为灰度图像,本步骤中,将灰度图像转化为黑白图像,可以根据预设的灰度阈值,将第二目标图像中大于预设灰度阈值的部分转化为黑色,将第二目标图像中小于预设灰度阈值的部分转化为白色。
步骤S14:对第三目标图像中的连通区域对象进行标注,以识别皮革表面的明显破损。
需要进行解释的是,皮革表面的明显破损可以是裂缝或者破洞,无论是裂缝或者破洞都是一个连通区域,因此,第三目标图像有连通区域,即可确定为皮革表面的明显破损。可以理解的是,如果没有连通区域,则说明检测的皮革表面无缺陷。
综上,本发明实施例提供的皮革表面明显破损自动识别方法,首先获取需要检测的皮革的原始图像,并将获取的原始图像转换为灰度图像,得到第一目标图像;接着,通过Soble算子对第一目标图像的边缘进行处理,得到第二目标图像;接着对第二目标图像进行二值化处理,得到第三目标图像;最后对第三目标图像中的连通区域对象进行标注,以识别皮革表面的明显破损。可见,本发明实现了对皮革表面缺陷的自动识别,能够有效的降低明显破损识别时间,且计算速度较快,检测皮革表面明显破损的准确率高,因而满足实际生产的需要。
本发明实施例还提供了一种皮革表面明显破损自动识别方法的具体实施方式,如图2所示,包括:
步骤S21:获取需要检测的皮革的原始图像,并将获取的原始图像转换为灰度图像,得到第一目标图像。
需要进行说明的是,为了提高本发明实施例自动识别皮革表面明显破损的准确度,需要检测的皮革的原始图像通常是高清数码图像,当然,必要条件下,原始图像也可以是标清或者超清图像。
步骤S22:对第一目标图像进行预处理,得到第二目标图像。
本发明实施例中步骤S22包括两种预处理方法,一种预处理方法是将第一目标图像缩小M倍,得到第四目标图像;其中,M为大于1的整数。
可以理解的是,将第一目标图像缩小M倍是为了扩大本发明实施例提供的皮革表面明显破损自动识别的检测范围,提高实际生产的效率。
另一种预处理方法是利用高斯低通滤波器对第一目标图像进行滤波处理,以去除第一目标图像中的高频信号分量。
需要说明的是,上述高通滤波器的参数通常是:标准差为0.5,滤波模板尺寸为5×5。当然必要情况下也可以选用其他参数的高斯滤波器。
需要进一步说明的是,上述两种预处理方法可以使用其中一种,当然也可以根据实际需要,如为了得到更高的准确率,同时使用上述两种预处理方法。
步骤S23:通过Soble算子对所第一目标图像的边缘进行处理,得到第二目标图像。
具体过程参见上述步骤S12,在此不再赘述。
步骤S24:利用最大类内方差法,对第二目标图像进行二值化处理,得到第三目标图像。
需要进行说明的是,对第二目标图像进行二值化处理是为了得到只有黑和白的视觉效果。步骤S21中得到的为灰度图像,本步骤中,将灰度图像转化为黑白图像,可以根据预设的灰度阈值,将第二目标图像中大于预设灰度阈值的部分转化为黑色,将第二目标图像中小于预设灰度阈值的部分转化为白色。
本步骤S24中利用最大类内方差法的目的是为了确定上述预设的灰度阈值。具体地,最大类内方差法,简称为OTSU,是一种自适应阈值确定方法,也是一种基于全局的二值化算法,根据图像的灰度特性,将图像分为前景和背景两个部分。当取最佳预设的灰度阈值时,两部分之间的差别应该是最大的,在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差。记T为前景与背景的分割灰度阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,图像的总平均灰度为u,前景和背景图象的方差,则有:
u=w0×u0+w1×u1
g=w0×(u0-u)2+w1×(u1-u)2
联立上面两式子得:
g=w0×w1×(u0-u1)2
或
当方差g最大时,可以认为此时前景和背景差异最大,此时的灰度T是最佳预设的灰度阈值。
步骤S25:对第三目标图像中连通区域对象中面积最大的N处连通区域对象进行标注,识别皮革表面的明显破损;其中,N为大于1的整数。
需要进行说明的是,去除上述连通区域对象中,连通区域外接矩形面积大于原始图像面积的1/m的连通区域对象;其中,m为大于1的整数。例如,当m为3时,连通区域外接矩形面积大于原始图像面积的1/3,说明此时的明显破损超过原始图像的1/3,可能是皮革的纹理,因而要去除。可以理解的是,如果没有连通区域,则说明检测的皮革表面无缺陷。
需要进一步说明的是,当上述步骤S23中的预处理方法采用缩小原始图像的方法时,本步骤S25的过程具体为:将第四目标对象放大M倍,并对第四目标图像放大后图像中的连通区域对象中面积最大的N处连通区域对象进行标注,以识别皮革表面的明显破损。
步骤S26:通过对连通区域对象分析,去除树杈状的连通区域对象。
本发明实施例中,步骤S26的过程具体可以是:
对第三目标图象进行取反操作;并计算对第三目标图象取反操作后的图像中所有的连通区域的数量;当所有的连通区域的数量的数值大于预设阈值时,则判定连通区域对象为树杈状的连通区域。例如树杈状的连通区域可以是有纹理的皮革。
最后,输出皮革表面明显破损自动识别的结果。
相应的,本发明实施例还还公开了一种计算机可读存储介质,计算机可读存储介质上存储有皮革表面明显破损自动识别程序,皮革表面明显破损自动识别程序被处理器执行时实现上述的皮革表面明显破损自动识别方法的步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种皮革表面明显破损自动识别方法及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种皮革表面明显破损自动识别方法,其特征在于,包括:
获取需要检测的皮革的原始图像,并将获取的原始图像转换为灰度图像,得到第一目标图像;
通过Soble算子对所述第一目标图像的边缘进行处理,得到第二目标图像;
对所述第二目标图像进行二值化处理,得到第三目标图像;
对所述第三目标图像中的连通区域对象进行标注,以识别皮革表面的明显破损。
2.根据权利要求1所述的皮革表面明显破损自动识别方法,其特征在于,所述获取需要检测的皮革的图像,并将获取的图像转换为灰度图像,得到第一目标图像的过程之后还包括:
将所述第一目标图像缩小M倍,得到第四目标图像;其中,M为大于1的整数。
3.根据权利要求2所述的皮革表面明显破损自动识别方法,其特征在于,所述对所述第三目标图像中的连通区域对象进行标注,以识别皮革表面的明显破损的过程包括:
将所述第四目标对象放大M倍,并对所述第四目标图像放大后图像中的连通区域对象进行标注,以识别所述皮革表面的明显破损。
4.根据权利要求1所述的皮革表面明显破损自动识别方法,其特征在于,所述获取需要检测的皮革的图像,并将获取的图像转换为灰度图像,得到第一目标图像的过程之后还包括:
利用高斯低通滤波器对所述第一目标图像进行滤波处理,以去除所述第一目标图像中的高频信号分量。
5.根据权利要求1至4任一项所述的皮革表面明显破损自动识别方法,其特征在于,所述对所述第二目标图像进行二值化处理,得到第三目标图像的过程包括:
利用最大类内方差法,对所述第二目标图像进行二值化处理,得到所述第三目标图像。
6.根据权利要求5所述的皮革表面明显破损自动识别方法,其特征在于,所述对所述第三目标图像中连通区域对象进行标注的过程包括:
对所述第三目标图像中所述连通区域对象中面积最大的N处连通区域对象进行标注,以识别皮革表面的明显破损;其中,N为大于1的整数。
7.根据权利要求6所述的皮革表面明显破损自动识别方法,其特征在于,还包括:
去除所述连通区域对象中,连通区域外接矩形面积大于所述原始图像面积的1/m的连通区域对象;其中,m为大于1的整数。
8.根据权利要求6所述的皮革表面明显破损自动识别方法,其特征在于,还包括:
通过对所述连通区域对象分析,去除树杈状的连通区域对象。
9.根据权利要求8所述的皮革表面明显破损自动识别方法,其特征在于,所述确定所述树杈状的连通区域的过程包括:
对所述第三目标图象进行取反操作;
并计算对所述第三目标图象取反操作后的图像中所有的连通区域的数量;
当所述所有的连通区域的数量的数值大于预设阈值时,则判定所述连通区域对象为所述树杈状的连通区域。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有皮革表面明显破损自动识别程序,所述皮革表面明显破损自动识别程序被处理器执行时实现如权利要求1至9中任一项所述的皮革表面明显破损自动识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711166034.8A CN107862689A (zh) | 2017-11-21 | 2017-11-21 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711166034.8A CN107862689A (zh) | 2017-11-21 | 2017-11-21 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107862689A true CN107862689A (zh) | 2018-03-30 |
Family
ID=61702369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711166034.8A Pending CN107862689A (zh) | 2017-11-21 | 2017-11-21 | 皮革表面明显破损自动识别方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862689A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
CN110298835A (zh) * | 2019-07-02 | 2019-10-01 | 广东工业大学 | 一种皮革表面破损检测方法、系统及相关装置 |
CN112085726A (zh) * | 2020-09-16 | 2020-12-15 | 杭州爱科科技股份有限公司 | 皮料识别方法、装置、系统及计算机可读存储介质 |
CN116168020A (zh) * | 2023-04-21 | 2023-05-26 | 纳琳科新材料(南通)有限公司 | 一种皮革缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
CN102421540A (zh) * | 2009-03-26 | 2012-04-18 | 贝斯特第二股份有限公司 | 用于分拣马铃薯产品的方法和用于马铃薯产品的分拣装置 |
CN102928435A (zh) * | 2012-10-15 | 2013-02-13 | 南京航空航天大学 | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 |
CN106295588A (zh) * | 2016-08-17 | 2017-01-04 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
CN106485696A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 |
-
2017
- 2017-11-21 CN CN201711166034.8A patent/CN107862689A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421540A (zh) * | 2009-03-26 | 2012-04-18 | 贝斯特第二股份有限公司 | 用于分拣马铃薯产品的方法和用于马铃薯产品的分拣装置 |
CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
CN102928435A (zh) * | 2012-10-15 | 2013-02-13 | 南京航空航天大学 | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 |
CN106295588A (zh) * | 2016-08-17 | 2017-01-04 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
CN106485696A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 |
Non-Patent Citations (2)
Title |
---|
常竞: ""鞣制皮革图像分割及缺陷检测的研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
苗启广 等: "《多传感器图像融合技术及应用》", 30 April 2014 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886344A (zh) * | 2019-02-26 | 2019-06-14 | 广东工业大学 | 基于深度学习的皮革破损识别方法、系统及设备和介质 |
CN110298835A (zh) * | 2019-07-02 | 2019-10-01 | 广东工业大学 | 一种皮革表面破损检测方法、系统及相关装置 |
CN110298835B (zh) * | 2019-07-02 | 2023-07-18 | 广东工业大学 | 一种皮革表面破损检测方法、系统及相关装置 |
CN112085726A (zh) * | 2020-09-16 | 2020-12-15 | 杭州爱科科技股份有限公司 | 皮料识别方法、装置、系统及计算机可读存储介质 |
CN112085726B (zh) * | 2020-09-16 | 2024-03-22 | 杭州爱科科技股份有限公司 | 皮料识别方法、装置、系统及计算机可读存储介质 |
CN116168020A (zh) * | 2023-04-21 | 2023-05-26 | 纳琳科新材料(南通)有限公司 | 一种皮革缺陷检测方法 |
CN116168020B (zh) * | 2023-04-21 | 2023-08-25 | 纳琳科新材料(南通)有限公司 | 一种皮革缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
Li et al. | Wavelet-based defect detection in solar wafer images with inhomogeneous texture | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN107862689A (zh) | 皮革表面明显破损自动识别方法及计算机可读存储介质 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
Saini et al. | Object detection in underwater image by detecting edges using adaptive thresholding | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
CN116823824B (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
Shire et al. | Plain ceramic tiles surface defect detection using image processing | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
Othman et al. | Road crack detection using adaptive multi resolution thresholding techniques | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
Ying et al. | Beamlet transform based technique for pavement image processing and classification | |
Ma et al. | An algorithm for fabric defect detection based on adaptive canny operator | |
CN111681181A (zh) | 一种织物表面起球程度的评价方法 | |
CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
Jeffrey Kuo et al. | Self-organizing map network for automatically recognizing color texture fabric nature | |
KR101343766B1 (ko) | 확장 커널을 이용한 비등방성 확산 모델 기반의 마이크로 크랙의 검사 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |