CN108399614B - 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 - Google Patents
一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 Download PDFInfo
- Publication number
- CN108399614B CN108399614B CN201810043774.0A CN201810043774A CN108399614B CN 108399614 B CN108399614 B CN 108399614B CN 201810043774 A CN201810043774 A CN 201810043774A CN 108399614 B CN108399614 B CN 108399614B
- Authority
- CN
- China
- Prior art keywords
- subgraph
- detail
- gumbel
- differential
- likelihood
- 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.)
- Expired - Fee Related
Links
- 230000007547 defect Effects 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 239000004744 fabric Substances 0.000 title claims abstract description 21
- 238000005070 sampling Methods 0.000 title claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000002940 Newton-Raphson method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- 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 by the use of 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
Abstract
本发明公开了一种基于无抽样小波与Gumbel分布的织物缺陷检测方法，包括步骤：对输入图像进行多层无抽样小波分解；根据小波分解所得的近似子图和细节子图，生成融合差分特征图；采用Gumbel模型拟合特征图中的灰度分布，利用MLE算法估计模型参数；将特征图划分成子图块，根据估计的模型参数计算每个子图块的似然估计值，得到似然值分布图；阈值化似然值分布图，得到二值化的检测结果。本发明没有直接将各子带小波系数用作特征，避免了高维特征矢量的计算复杂性；特征融合步骤中考虑了低频信息的影响，避免灰度变化平缓的缺陷被漏检；将小波分析与Gumbel模型结合，把缺陷检测问题转化成假设检验问题，检测精度高。
Description
技术领域
本发明涉及基于机器视觉的织物表面缺陷检测技术领域，特别涉及一种基于无抽样小波分析与Gumbel分布模型的织物表面缺陷在线检测方法。
背景技术
织物表面缺陷可导致相关产品的市场价值降低45％-65％，是影响纺织类产品质量的关键因素之一。长期以来，织物表面缺陷主要通过人工目视方式进行检测。研究表明，人眼只能检测出织物表面疵病的50-70％，精度不超过80％。其它缺点还包括效率低、可靠性差，工作劳动强度大等。因此，采用机器视觉技术进行织物表面缺陷的自动化检测具有重要意义。但和其他检测对象相比，织物由于具有复杂纹理背景，材料有弹性、易牵拉变形，且在线检测要求实时性高等问题，成为视觉检测领域的应用难点及研究热点。
目前织物表面缺陷视觉检测方法主要包括基于滤波的方法和基于特征比较的方法。基于滤波的方法旨在通过滤波操作消除织物背景中的纹理信息，将纹理缺陷检测转化成均匀背景下的缺陷分割问题。但是，由于织物表面纹理存在随机性变动，实际应用中很难取得理想的滤波效果。基于特征的方法通过提取局部图像块的区域特征并与参考特征比较来确定该图像块是否包含缺陷，其中应用最为广泛的是空间灰度共生矩阵(GLCM)、Gabor小波、离散小波变换(DWT)特征等。但是，GLCM和Gabor特征的计算量都很大；而DWT虽然效率高，但现有基于DWT的方法通常直接以各子带小波细节系数为特征，没有考虑近似系数所包含的低频信息，因此对灰度变化平缓、边缘特征不明显的缺陷(如油污)检测效果不佳。
另一方面，现有方法基本属于有监督或半-监督检测方法。其中，前者需要大量的缺陷样本用于系统参数训练和学习。但在实际应用中，由于现代生产设备性能的提高以及缺陷出现的不可预期性，要想获取足够多的典型缺陷样本非常困难。其次，基于有监督方法的检测系统通常泛化能力差，对没有包含在训练样本库中的“新”缺陷经常无能为力。另一方面，基于半-监督方法的系统虽然不需要事先采集缺陷样本，但仍需若干无缺陷样本用作“标准”模板图像。检测时，待测图像的特征与“标准”模板特征进行对比，从而判断缺陷是否存在并对其定位。然而，实际的生产环境中，光照变化、导辊张紧力的波动、材料固有的弹性形变，以及其他随机性干扰，容易致使系统状态出现漂移，造成待测图像与“标准”模板图像之间产生较大的配准偏差，如二者的相对偏转角、位置偏移、伸缩变形量、分辨率、图像灰度等方面的差异等。这些偏差将造成系统检测精度严重下降甚至检测失效，需要停机以重新进行参数调整和标定。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于无抽样小波与Gumbel分布的织物缺陷检测方法，具有检测速度快、精度高，检测结果稳定，适应性好的优点。
本发明的目的通过以下的技术方案实现：一种基于无抽样小波与Gumbel分布的织物缺陷检测方法，包括：
步骤1、对输入的待测图像进行多层无抽样小波分解，每个分解层生成近似子图和水平、垂直、对角三个方向的细节子图各一幅。
步骤2、根据小波分解所得的近似子图和细节子图，计算小波子带的差分特征，以此弱化纹理背景、突出缺陷信号。具体步骤为：
(1)采用几何形态学梯度算子计算位于分解顶层J的近似子图的差分特征：首先定义形态学运算的结构单元；然后用该结构单元对顶层近似子图进行膨胀和腐蚀操作；将膨胀结果减去腐蚀结果并取绝对值，作为近似子图的差分特征，用以捕捉潜在的、位于低频区域的缺陷信息。
(2)对水平、垂直、对角三个方向，分别计算相邻两层细节系数的差分并取绝对值，作为相应的细节差分特征：
(3)计算全部尺度和方向的总细节差分特征：首先对各子带细节差分特征进行规范化，然后将所有方向、尺度的细节差分特征进行求和运算，得到总的细节差分特征。
(4)计算由近似和细节差分特征构成的总差分特征图：用同样的方法规范化近似、总细节差分特征并求和，得到融合差分特征图。
步骤3、采用Gumbel模型拟合差分特征图中的灰度分布，利用MLE算法估计模型参数。
步骤4、计算每个子图块的似然估计值，得到似然值分布图：首先将融合特征图Mf(x,y)划分成一组尺寸为Np×Np的子图块(patch)Pk；然后使用步骤3中估算出的模型参数，计算各子图块Pk的对数似然估计值，并采用线性插值法，将对数似然值映射图恢复至原始图像尺寸，形成似然值分布图LLM。
步骤5、阈值化似然值分布图LLM，得到二值化检测结果。
本发明与现有技术相比，具有如下优点和有益效果：
首先，采用无抽样小波分解，消除了传统DWT不具有平移不变性因而不利于缺陷模式识别的缺点；其次，与传统方法不同，本发明并不直接将各尺度、方向下的小波系数作为特征，而是通过有效的融合算法，将多尺度-方向小波系数融合成单一的差分特征图，避免了高维特征矢量分析的计算复杂性；再次，特征融合步骤中考虑了低频信息的作用，防止灰度变化平缓的低频缺陷被漏检；第四，将小波分析与Gumbel模型结合，把缺陷检测问题转化成假设检验问题，检测精度高。
另外，本发明提供的方法检测前不需要收集任何缺陷样本，也无需标准图像用作参考模板，没有复杂的参数标定过程，从而消除了传统检测方法缺陷样本收集困难、易受系统状态漂移影响的弊端，具有检测速度快、精度高，检测结果稳定，适应性好的优点。
附图说明
图1为实施例方法的处理流程图。
图2为无抽样小波分解算法原理，其中，采用对滤波器的上采样代替了传统DWT中对分解结果的下采样。
图3为用来说明实施例的缺陷样本。
图4为采用bior4.4小波进行4层无抽样小波分解的结果；从左到右分别为近似、水平、垂直、对角子图；从上到下分解层数依次递增。
图5为融合后的单一差分特征图。
图6为Gumbel模型拟合的结果。
图7为似然映射图LLM。
图8为二值化检测结果。
图9为检测方法对一系列不同纹理类型和缺陷类型的检测结果。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
一种基于无抽样小波分析和Gumbel分布模型的缺陷检测方法，参见图1～9。具体如下：
1、小波分解：对输入的待测图像进行多层无抽样小波分解
如图2所示，使用“à trous”算法，对输入的待测图像进行多层无抽样小波分解(un-decimated discrete wavelet transform,UDWT)。其中，H(z)和G(z)分别是低通滤波器h(n)和高通滤波器g(n)的z变换，H(z2)和G(z2)分别是对H(z)和G(z)的上采样。
表示尺度j的各系数矩阵，每层分解得到一幅近似子图A，以及水平H、垂直V、对角D三幅细节子图，尺寸与原图一致。图4给出了采用‘bior4.4’小波对一幅包含缺陷的样本进行4层分解的结果。从左至右分别为通道A、H、V、D子图。
2、构建小波差分特征图，包括如下步骤：
(1)计算近似子图A的差分特征：
近似子图中包含了缺陷的低频(直流成分)信息，采用几何形态学梯度算子计算顶层J的近似子图的差分特征Ml(x,y)：
其中，
和
分别代表形态学膨胀和腐蚀运算；J是小波分解层数；S为形态学运算中的s*s方形结构元素。
(2)计算各细节子图的差分特征：
对通道d∈{H,V,D}，分别计算三个方向的差分特征
为：
其中，j＝1,2,...,J-1。
(3)计算全部通道的总细节差分特征：
三个通道的总差分特征Mh(x,y)用下式计算：
其中，N(·)是归一化函数。
(4)计算融合特征：
将近似子图差分特征Ml(x,y)及总的细节差分特征Mh(x,y)进行组合，得到如图5所示的融合特征图Mf(x,y)：
Mf(x,y)＝N(Ml(x,y))+N(Mh(x,y))
3、估计背景部分的Gumbel模型参数
用Gumbel分布模型拟合步骤2得到的融合特征图Mf(x,y)的灰度分布，如图6所示。Gumbel模型定义为：
其中，x代表随机变量，μ是尾部位置参数，β是尺度参数。采用最大似然估计(MLE)算法来估计模型参数μ和β的值。对于给定的观测x1,...,xn，定义对数似然函数为：
采用Newton-Raphson法最大化上式取值，得到参数的最佳估计值：
其中，
代表样本均值，
和
为模型参数估计值。如图6所示，估计出的Gumbel模型与实际的特征图灰度分布拟合良好。
4、生成似然值分布图：
将特征图Mf(x,y)划分成一组相互有重叠的、尺寸为Np×Np的子图块(patch)Pk，使用步骤3中估算得的模型参数μ、α和β，计算各子图块的对数似然估计值。全部计算结果形成一张似然值分布图。
为便于缺陷定位，采用线性插值法将似然值分布图放大到原始图像尺寸，如图7所示。5、阈值分割：
阈值化步骤4的似然值分布图，得到最终的二值化检测结果。阈值分割计算公式为：
其中，
表示图块Pk的对数似然估计值，mL和σL分别代表所有图块似然值的均值和标准偏差，λ为预设的控制参数。分割结果如图8所示。
图9为所述检测方法对一系列不同纹理类型和缺陷类型样本的检测结果。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种基于无抽样小波与Gumbel分布的织物缺陷检测方法，其特征在于，包括以下步骤：
S1.1对输入的待测图像进行多层无抽样小波分解，每个分解层生成一幅近似子图，以及水平、垂直、对角三个方向的细节子图；
S1.2分别计算近似子图及各细节子图的差分特征，然后将其融合成单一的差分特征图，以弱化纹理背景、突出缺陷信号；
S1.3采用Gumbel模型拟合差分特征图中的灰度分布，利用MLE算法估计模型参数；
S1.4将特征图分割成一系列尺寸较小的子图块，根据所估计的Gumbel模型参数，计算每个子图块的似然估计值，得到似然值分布图；
S1.5阈值化似然值分布图，得到二值化的检测结果；
所述步骤S1.4具体包括以下步骤：
S7.1将融合特征图划分成一组尺寸为Np×Np的子图块Pk；
S7.2使用步骤S1.3中估算出的模型参数，计算各子图块的对数似然估计值；
S7.3采用线性插值，将对数似然值映射图恢复至原始图像尺寸，形成似然值分布图LLM；
所述步骤S1.5包括以下步骤：
S8.1计算似然值分布图的均值、标准偏差；
S8.2将LLM中的每个似然值与均值相减，绝对值超过阈值者判定为缺陷，否则判定为背景；阈值分割计算公式具体为：
其中，Lk表示子图块Pk的对数似然估计值，mL和σL分别代表所有图块似然值的均值和标准偏差，λ为预设的控制参数。
2.根据权利要求1所述的基于无抽样小波与Gumbel分布的织物缺陷检测方法，其特征在于，所述步骤S1.2具体包括以下步骤：
S2.1采用几何形态学梯度算子计算位于顶层的近似子图的差分特征；
S2.2对水平、垂直、对角三个方向，分别计算相邻两层细节子图的差分特征；
S2.3将多个方向全部通道的细节子图差分特征融合成单一的总细节子图差分特征；
S2.4将步骤S2.1得到的近似子图的差分特征、步骤2.3得到的总细节子图差分特征进一步融合成单一的差分特征图Mf(x,y)。
3.根据权利要求2所述的基于无抽样小波与Gumbel分布的织物缺陷检测方法，其特征在于，所述步骤S2.1包括以下步骤：
S3.1构建一定尺寸的形态学运算结构单元；
S3.2用步骤S3.1所述结构单元对顶层近似子图进行膨胀操作；
S3.3用步骤S3.1所述结构单元对顶层近似子图进行腐蚀操作；
S3.4将步骤S3.2所得膨胀结果减去步骤S3.3所得腐蚀结果并取绝对值，作为近似子图的差分特征，用以捕捉位于低频区域的缺陷信息。
4.根据权利要求2所述的基于无抽样小波与Gumbel分布的织物缺陷检测方法，其特征在于，所述步骤S2.2包括以下步骤：
S4.1对水平、垂直、对角各个方向，分别计算相邻两层细节系数的差分值；
S4.2将结果取绝对值，作为该方向下对应分解层的细节差分特征。
5.根据权利要求4所述的基于无抽样小波与Gumbel分布的织物缺陷检测方法，其特征在于，所述步骤S2.3包括以下步骤：
S5.1对步骤S4.2所述细节差分特征进行规范化；
S5.2将三个方向的全部尺度下的细节差分特征进行求和，得到总的细节差分特征。
6.根据权利要求3或4所述的基于无抽样小波与Gumbel分布的织物缺陷检测方法，其特征在于，所述步骤S2.4包括以下步骤：
S6.1将步骤S3.4、S4.2所述的近似子图的差分特征、细节差分特征分别进行规范化；
S6.2将规范化后的近似子图的差分特征、细节差分特征进行求和，得到融合差分特征图Mf(x,y)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810043774.0A CN108399614B (zh) | 2018-01-17 | 2018-01-17 | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810043774.0A CN108399614B (zh) | 2018-01-17 | 2018-01-17 | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108399614A CN108399614A (zh) | 2018-08-14 |
| CN108399614B true CN108399614B (zh) | 2020-12-22 |
Family
ID=63094560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810043774.0A Expired - Fee Related CN108399614B (zh) | 2018-01-17 | 2018-01-17 | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108399614B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335245A (zh) * | 2019-05-21 | 2019-10-15 | 青岛科技大学 | 基于单目时空连续图像的网箱网衣破损监测方法及系统 |
| CN111260614B (zh) * | 2020-01-13 | 2022-03-25 | 华南理工大学 | 一种基于极限学习机的卷积神经网络布匹瑕疵检测方法 |
| CN111899297B (zh) * | 2020-08-06 | 2024-01-23 | 中国铁建重工集团股份有限公司 | 线结构光条纹中心提取方法 |
| CN115167433B (zh) * | 2022-07-22 | 2024-03-19 | 华南理工大学 | 融合全局视觉的机器人自主探索环境信息的方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080060989A (ko) * | 2006-12-27 | 2008-07-02 | 주식회사 포스코 | 접합부 중첩량 측정 장치 |
| CN106570183A (zh) * | 2016-11-14 | 2017-04-19 | 宜宾学院 | 一种彩色图像检索和分类方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004212392A (ja) * | 2002-12-17 | 2004-07-29 | Okayama Prefecture | 表面検査方法 |
| CN104199823B (zh) * | 2014-07-14 | 2017-09-01 | 西安工程大学 | 一种基于视觉数据驱动的织物疵点动态检测方法 |
| CN106558051A (zh) * | 2015-09-25 | 2017-04-05 | 浙江大学 | 一种改进的从单幅图像检测道路的方法 |
| CN105335972B (zh) * | 2015-10-20 | 2018-11-30 | 江南大学 | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 |
| CN105701477B (zh) * | 2016-02-19 | 2017-07-14 | 中原工学院 | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 |
| CN106846396B (zh) * | 2017-01-04 | 2019-08-20 | 西安工程大学 | 基于视觉注意机制的织物起球等级评价方法 |
-
2018
- 2018-01-17 CN CN201810043774.0A patent/CN108399614B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080060989A (ko) * | 2006-12-27 | 2008-07-02 | 주식회사 포스코 | 접합부 중첩량 측정 장치 |
| CN106570183A (zh) * | 2016-11-14 | 2017-04-19 | 宜宾学院 | 一种彩色图像检索和分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《Mining Satellite Image Time Series：Statistical Modeling and Evolution Analysis》;Cui SY et al;《2011 International Symposium on Image and Data Fusion》;20110801;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108399614A (zh) | 2018-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108399614B (zh) | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 | |
| Mei et al. | An unsupervised-learning-based approach for automated defect inspection on textured surfaces | |
| CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
| CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
| CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN105701477A (zh) | 一种基于平稳小波变换视觉显著性的织物疵点检测方法 | |
| CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN113506246A (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
| Zhao et al. | Recognition of flooding and sinking conditions in flotation process using soft measurement of froth surface level and QTA | |
| CN112862744A (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
| CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
| CN110400335B (zh) | 基于深度学习的纹理图像质量估计方法 | |
| CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
| Gurusamy et al. | Review on image segmentation techniques | |
| CN112396618B (zh) | 一种基于图像处理的晶界提取及晶粒度测量方法 | |
| CN115294119B (zh) | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 | |
| CN107993193B (zh) | 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法 | |
| Potocnik et al. | Image enhancement by using directional wavelet transform | |
| Li et al. | Vehicle seat detection based on improved RANSAC-SURF algorithm | |
| CN114926360A (zh) | 基于噪声估计的图像降噪处理工作方法 | |
| CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201222 |