CN109087289A - 一种格栅背景下的板材视觉图像检测算法 - Google Patents

一种格栅背景下的板材视觉图像检测算法 Download PDF

Info

Publication number
CN109087289A
CN109087289A CN201810814623.0A CN201810814623A CN109087289A CN 109087289 A CN109087289 A CN 109087289A CN 201810814623 A CN201810814623 A CN 201810814623A CN 109087289 A CN109087289 A CN 109087289A
Authority
CN
China
Prior art keywords
image
profile
texture
plate
grid
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.)
Withdrawn
Application number
CN201810814623.0A
Other languages
English (en)
Inventor
于兴虎
刘伟良
卫作龙
李湛
佟明斯
林伟阳
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.)
Zhejiang Youmai De Intelligent Equipment Co Ltd
Original Assignee
Zhejiang Youmai De Intelligent Equipment Co Ltd
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 Zhejiang Youmai De Intelligent Equipment Co Ltd filed Critical Zhejiang Youmai De Intelligent Equipment Co Ltd
Priority to CN201810814623.0A priority Critical patent/CN109087289A/zh
Publication of CN109087289A publication Critical patent/CN109087289A/zh
Withdrawn legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
    • 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

Abstract

本发明公开了一种格栅背景下的板材视觉图像检测算法，包括如下步骤：（1）读取板材，得到图像I；（2）提取图像I中的纹理，得到纹理图像It；（3）对纹理图像It进行图像形态学操作，得到图像I0；（4）在I0中进行轮廓检测，读取出图像中所有的轮廓；（5）根据面积、形状等信息对轮廓进行筛选；（6）若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以步骤（5）中的轮廓作为最终轮廓。本发明通过利用板材纹理少而格栅背景纹理多的特征检测出图像中的板材区域，原理简单、易于实现，针对纹理较少的板材具有较好的效果，可以快速寻找到板材所在区域位置，解决了采用各类图像滤波、形态学操作等方法检测效率低的问题。

Description

一种格栅背景下的板材视觉图像检测算法
技术领域
本发明涉及机器视觉技术领域，具体为一种格栅背景下的板材视觉图像检测算法。
背景技术
在针对板材的自动喷漆等自动化处理中，常常会需要从放置板材的格栅上通过机器视觉方法检测出板材区域。现有的识别方法在处理该情况时较难适应，具体来说，在纹理图像上进行轮廓提取的方法需要背景简单纹理少，而格栅背景由大量的纹理组成故不适用；通过颜色来识别物体的方法要求待识别物体与背景有明显的颜色差异，而在喷漆环境下，物体与背景颜色会随喷漆进行而改变，对于需要多次喷漆的物体，常常出现物体与格栅颜色相同的情况，因此该方法也不适用；此外基于深度学习的方法可以识别复杂背景下的物体，但是需要有大量人工标注的数据并且识别精度较差，板材识别方面没有现有带标注的数据且对识别精度的要求较高，故此方法也不适用；通过将待测图像减去无板材放置的背景图像寻找差异以检测目标要求背景变化小，对光照、背景颜色、格栅位置均有较高要求，这在喷漆环境中常常不能满足，故也不能适用。在图像处理领域常用各类图像滤波、形态学操作等方法对图像加以处理，本发明提出一种可以在格栅背景下识别板材的方法。
发明内容
本发明的目的是为了解决现有识别方法无法适应纹理丰富且颜色易变的格栅背景或识别精度低的缺点，而提出一种格栅背景下的板材视觉检测方法。
为实现上述目的，本发明提供如下技术方案：一种格栅背景下的板材视觉图像检测算法，包括如下步骤：
（1）读取板材，得到图像I；
（2）提取图像I中的纹理，得到纹理图像It；
（3）对纹理图像It进行图像形态学操作，得到图像I0；
（4）在I0中进行轮廓检测，读取出图像中所有的轮廓；
（5）根据面积、形状等信息对轮廓进行筛选；
（6）若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以步骤（5）中的轮廓作为最终轮廓；
优选的，所述步骤（2）中的纹理提取使用边缘检测算子进行提取，边缘测算子采用Sobel算子和Canny算子中的一种，或使用与格栅图像重复的局部结构相同的卷积核与图像进行卷积操作，再将图像二值化来提取。
优选的，所述步骤（2）中的纹理图像为二值图像，有纹理处为白色，其余位置为黑色，或有纹理处为黑色，其余位置为白色。
优选的，所述步骤（2）中得到的纹理图片图像进行图像形态学操作，得到图片图像的具体过程为：
若纹理图片图像中有纹理处为白色，则形态学操作使用闭运算；若纹理图片图像中纹理处为黑色，则形态学操作使用开运算操作；
所述闭运算的形态学操作使用的内核的尺寸d与格栅单元格尺寸h的关系为：
，让无板材的格栅处纹理互相连接填充成片，有板材处保持原状不被纹理填充。
优选的，所述步骤（4）中在图片图像中进行轮廓检测，提取出图片图像中所有的候选轮廓的具体过程为：若纹理图片图像中有纹理处为白色，则轮廓指封闭的黑色区域的边缘组成轮廓，否则轮廓指封闭的白色区域的边缘组成的轮廓。
与现有技术相比，本发明的有益效果是：本发明通过利用板材纹理少而格栅背景纹理多的特征检测出图像中的板材区域，具有原理简单、易于实现的特点，针对纹理较少的板材具有较好的效果，可以快速寻找到板材所在区域位置，并可在后续添加手动的调整以检测更复杂的板材，通过检测板材，有助于后续的各种板材处理的实现，解决了采用各类图像滤波、形态学操作等方法检测效率低的问题。
附图说明
图1为本发明方法流程图；
图2为本发明纹理图像It示意图；
图3为本发明图像I0示意图。
具体实施方式
下面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。
本发明提供一种技术方案：一种格栅背景下的板材视觉图像检测算法，包括如下步骤：
（1）读取板材，得到图像I；
（2）提取图像I中的纹理，得到纹理图像It；
（3）对纹理图像It进行图像形态学操作，得到图像I0；
（4）在I0中进行轮廓检测，读取出图像中所有的轮廓；
（5）根据面积、形状等信息对轮廓进行筛选；
（6）若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以步骤（5）中的轮廓作为最终轮廓；
实施例一：
首先读取板材，得到图像I；然后提取图像I中的纹理，得到纹理图像It；然后对纹理图像It进行图像形态学操作，得到图像I0；然后在I0中进行轮廓检测，读取出图像中所有的轮廓；然后根据面积、形状等信息对轮廓进行筛选；然后若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以筛选的轮廓作为最终轮廓。
实施例二：
在实施例一中，再加上下述工序：
步骤（2）中的纹理提取使用边缘检测算子进行提取，边缘测算子采用Sobel算子和Canny算子中的一种，或使用与格栅图像重复的局部结构相同的卷积核与图像进行卷积操作，再将图像二值化来提取。
首先读取板材，得到图像I；然后提取图像I中的纹理，得到纹理图像It，其中纹理提取使用边缘检测算子进行提取，边缘测算子采用Sobel算子和Canny算子中的一种，或使用与格栅图像重复的局部结构相同的卷积核与图像进行卷积操作，再将图像二值化来提取；然后对纹理图像It进行图像形态学操作，得到图像I0；然后在I0中进行轮廓检测，读取出图像中所有的轮廓；然后根据面积、形状等信息对轮廓进行筛选；然后若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以筛选的轮廓作为最终轮廓。
实施例三：
在实施例二中，再加上下述工序：
步骤（2）中的纹理图像为二值图像，有纹理处为白色，其余位置为黑色，或有纹理处为黑色，其余位置为白色。
首先读取板材，得到图像I；然后提取图像I中的纹理，得到纹理图像It，其中纹理提取使用边缘检测算子进行提取，边缘测算子采用Sobel算子和Canny算子中的一种，或使用与格栅图像重复的局部结构相同的卷积核与图像进行卷积操作，再将图像二值化来提取，纹理图像为二值图像，有纹理处为白色，其余位置为黑色，或有纹理处为黑色，其余位置为白色；然后对纹理图像It进行图像形态学操作，得到图像I0；然后在I0中进行轮廓检测，读取出图像中所有的轮廓；然后根据面积、形状等信息对轮廓进行筛选；然后若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以筛选的轮廓作为最终轮廓。
实施例四：
在实施例三中，再加上下述工序：
步骤（2）中得到的纹理图片图像进行图像形态学操作，得到图片图像的具体过程为：若纹理图片图像中有纹理处为白色，则形态学操作使用闭运算；若纹理图片图像中纹理处为黑色，则形态学操作使用开运算操作；所述闭运算的形态学操作使用的内核的尺寸d与格栅单元格尺寸h的关系为：，让无板材的格栅处纹理互相连接填充成片，有板材处保持原状不被纹理填充；首先读取板材，得到图像I；然后提取图像I中的纹理，得到纹理图像It，其中纹理提取使用边缘检测算子进行提取，边缘测算子采用Sobel算子和Canny算子中的一种，或使用与格栅图像重复的局部结构相同的卷积核与图像进行卷积操作，再将图像二值化来提取，纹理图像为二值图像，有纹理处为白色，其余位置为黑色，或有纹理处为黑色，其余位置为白色；然后对纹理图像It进行图像形态学操作，得到图像I0，得到的纹理图片图像进行图像形态学操作，得到图片图像的具体过程为：若纹理图片图像中有纹理处为白色，则形态学操作使用闭运算；若纹理图片图像中纹理处为黑色，则形态学操作使用开运算操作；所述闭运算的形态学操作使用的内核的尺寸d与格栅单元格尺寸h的关系为：，让无板材的格栅处纹理互相连接填充成片，有板材处保持原状不被纹理填充；然后在I0中进行轮廓检测，读取出图像中所有的轮廓；然后根据面积、形状等信息对轮廓进行筛选；然后若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以筛选的轮廓作为最终轮廓。
实施例五：
在实施例四中，再加上下述工序：
步骤（4）中在图片图像中进行轮廓检测，提取出图片图像中所有的候选轮廓的具体过程为：若纹理图片图像中有纹理处为白色，则轮廓指封闭的黑色区域的边缘组成轮廓，否则轮廓指封闭的白色区域的边缘组成的轮廓。
首先读取板材，得到图像I；然后提取图像I中的纹理，得到纹理图像It，其中纹理提取使用边缘检测算子进行提取，边缘测算子采用Sobel算子和Canny算子中的一种，或使用与格栅图像重复的局部结构相同的卷积核与图像进行卷积操作，再将图像二值化来提取，纹理图像为二值图像，有纹理处为白色，其余位置为黑色，或有纹理处为黑色，其余位置为白色；然后对纹理图像It进行图像形态学操作，得到图像I0，得到的纹理图片图像进行图像形态学操作，得到图片图像的具体过程为：若纹理图片图像中有纹理处为白色，则形态学操作使用闭运算；若纹理图片图像中纹理处为黑色，则形态学操作使用开运算操作；所述闭运算的形态学操作使用的内核的尺寸d与格栅单元格尺寸h的关系为：，让无板材的格栅处纹理互相连接填充成片，有板材处保持原状不被纹理填充；然后在I0中进行轮廓检测，读取出图像中所有的轮廓；然后根据面积、形状等信息对轮廓进行筛选；然后若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以筛选的轮廓作为最终轮廓，图片图像中进行轮廓检测，提取出图片图像中所有的候选轮廓的具体过程为：若纹理图片图像中有纹理处为白色，则轮廓指封闭的黑色区域的边缘组成轮廓，否则轮廓指封闭的白色区域的边缘组成的轮廓。
使用时，读取图像I，对图像进行灰度化，使用横向和纵向sobel算子分别提取图像边缘，再通过或运算合并到同一张图像上，得到纹理图像It，设栅格中一个网格的长边尺寸为n像素，则使用n*n的内核进行闭运算，得到图像I0，在I0中提取所有轮廓，对轮廓进行的筛选，如果轮廓面积小于图像大小的1/100或大于2/3则丢弃，若轮廓面积和最小包围矩形面积之比小于0.6则认为轮廓形状不接近矩形，将该轮廓丢弃，以剩余轮廓的最小包围矩形作为最终的检测结果。
本发明通过利用板材纹理少而格栅背景纹理多的特征检测出图像中的板材区域，具有原理简单、易于实现的特点，针对纹理较少的板材具有较好的效果，可以快速寻找到板材所在区域位置，并可在后续添加手动的调整以检测更复杂的板材，通过检测板材，有助于后续的各种板材处理的实现，解决了采用各类图像滤波、形态学操作等方法检测效率低的问题。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种格栅背景下的板材视觉图像检测算法，其特征在于：包括如下步骤：
（1）读取板材，得到图像I；
（2）提取图像I中的纹理，得到纹理图像It；
（3）对纹理图像It进行图像形态学操作，得到图像I0；
（4）在I0中进行轮廓检测，读取出图像中所有的轮廓；
（5）根据面积、形状等信息对轮廓进行筛选；
（6）若板材为矩形，则取其轮廓的最小包围矩形作为其最终轮廓，否则以步骤（5）中的轮廓作为最终轮廓。
2.根据权利要求1所述的一种格栅背景下的板材视觉图像检测算法，其特征在于：所述步骤（2）中的纹理提取使用边缘检测算子进行提取，边缘测算子采用Sobel算子和Canny算子中的一种，或使用与格栅图像重复的局部结构相同的卷积核与图像进行卷积操作，再将图像二值化来提取。
3.根据权利要求1所述的一种格栅背景下的板材视觉图像检测算法，其特征在于：所述步骤（2）中的纹理图像为二值图像，有纹理处为白色，其余位置为黑色，或有纹理处为黑色，其余位置为白色。
4.根据权利要求1所述的一种格栅背景下的板材视觉图像检测算法，其特征在于：所述步骤（2）中得到的纹理图片图像进行图像形态学操作，得到图片图像的具体过程为：
若纹理图片图像中有纹理处为白色，则形态学操作使用闭运算；若纹理图片图像中纹理处为黑色，则形态学操作使用开运算操作；
所述闭运算的形态学操作使用的内核的尺寸d与格栅单元格尺寸h的关系为：
，让无板材的格栅处纹理互相连接填充成片，有板材处保持原状不被纹理填充。
5.根据权利要求1所述的一种格栅背景下的板材视觉图像检测算法，其特征在于：所述步骤（4）中在图片图像中进行轮廓检测，提取出图片图像中所有的候选轮廓的具体过程为：若纹理图片图像中有纹理处为白色，则轮廓指封闭的黑色区域的边缘组成轮廓，否则轮廓指封闭的白色区域的边缘组成的轮廓。
CN201810814623.0A 2018-07-23 2018-07-23 一种格栅背景下的板材视觉图像检测算法 Withdrawn CN109087289A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810814623.0A CN109087289A (zh) 2018-07-23 2018-07-23 一种格栅背景下的板材视觉图像检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810814623.0A CN109087289A (zh) 2018-07-23 2018-07-23 一种格栅背景下的板材视觉图像检测算法

Publications (1)

Publication Number Publication Date
CN109087289A true CN109087289A (zh) 2018-12-25

Family

ID=64838134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810814623.0A Withdrawn CN109087289A (zh) 2018-07-23 2018-07-23 一种格栅背景下的板材视觉图像检测算法

Country Status (1)

Country Link
CN (1) CN109087289A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021056623A1 (en) * 2019-09-23 2021-04-01 Hong Kong Applied Science and Technology Research Institute Company Limited Systems and methods for obtaining templates for tessellated images

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021056623A1 (en) * 2019-09-23 2021-04-01 Hong Kong Applied Science and Technology Research Institute Company Limited Systems and methods for obtaining templates for tessellated images
US11023770B2 (en) 2019-09-23 2021-06-01 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Systems and methods for obtaining templates for tessellated images

Similar Documents

Publication Publication Date Title
CN107833220B (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN109829914B (zh) 检测产品缺陷的方法和装置
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN105205489B (zh) 基于颜色纹理分析器与机器学习的车牌检测方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN113240626B (zh) 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法
CN108319973A (zh) 一种树上柑橘果实检测方法
CN111047655A (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN110514665A (zh) 一种电子产品塑料外壳划痕缺陷的检测方法
CN111161295A (zh) 一种菜品图像背景剥离方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN111665199A (zh) 一种基于机器视觉的电线电缆颜色检测识别方法
CN115078365A (zh) 一种软包装印刷质量缺陷检测方法
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN106600615A (zh) 一种图像边缘检测算法评价系统及方法
CN108765426A (zh) 自动图像分割方法及装置
TWI498830B (zh) 不均勻光線下的車牌辨識方法及系統

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181225