CN109191430A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109191430A
CN109191430A CN201810839404.8A CN201810839404A CN109191430A CN 109191430 A CN109191430 A CN 109191430A CN 201810839404 A CN201810839404 A CN 201810839404A CN 109191430 A CN109191430 A CN 109191430A
Authority
CN
China
Prior art keywords
image
cloth
single classification
texture
classification svm
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
CN201810839404.8A
Other languages
English (en)
Inventor
姚克明
解祥新
卫悦恒
王小兰
罗印升
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 CN201810839404.8A priority Critical patent/CN109191430A/zh
Publication of CN109191430A publication Critical patent/CN109191430A/zh
Pending 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，采用线阵相机对运动中的布匹进行图像采集，对采集的布匹图像进行预处理；构造单分类SVM将非线性的训练数据映射到高维特征空间，在高维特征空间中构造出最优分离函数；利用采集的标准无缺陷布匹图像样本输入到单分类SVM，通过Laws纹理特征提取方法进行特征提取，并对提取的特征量进行训练；将现场采集的布匹图像进行预处理，输入单分类SVM，判别是否存在缺陷；若有缺陷，对判断后的图像进行局部二值化阈值分割以及形态学处理，最后得出检测结果。本发明提高了布匹缺陷的检测效率，降低成本以及减少对样本数量的需求。

Description

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
技术领域
本发明属于布匹缺陷检测技术领域，具体涉及一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法。
背景技术
布匹缺陷是影响布匹质量控制的重要因素。国内绝大多数服装行业的布匹缺陷识别主要依靠传统的人工离线完成，存在工作量大、检测速度慢且准确度低等问题。
随着计算机和机器视觉技术的快速发展，使得布匹缺陷自动识别逐渐成为现实。对布匹缺陷的检测方法常见的有图像处理、频谱特征、傅里叶变换、Gabor滤波器、马尔科夫随机模型、神经网络和遗传算法等。就目前而言，已经有了很多的方法，而且还在不断涌现新的方法，但是能够应用到工业生产上的方法还是相对较少。而且这些方法普遍存在以下问题：工业化成本高昂、样本统计需求量大、效率低、局限性大。
(一)解决的技术问题
本发明的目的在于提供一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，所要解决的问题是将单分类SVM应用于布匹缺陷的检测，从而提高布匹缺陷的检测效率，降低成本以及减少对样本数量的需求。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
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，包括以下步骤：
S1、通过采集的布匹图像，进行图像预处理包括：滤波处理、直方图均衡化进行去噪以及图像增强处理；
S2、建立单分类SVM，该单分类SVM的输入值为预处理后的布匹图像，采用纹理特征提取方法对输入的预处理后的图像进行特征提取，输出值为是否存在缺陷；
S3、将步骤1预处理后的布匹图像输入步骤S2所建立的单分类 SVM，实现判别布匹图像是否存在缺陷；
S4、若有缺陷，对步骤S1中预处理之后的图像进行局部自适应阈值二值化分割，局部自适应阈值二值化分割对光照不均的情况有显著的抑制效果；
S5、对步骤S4中二值化分割后的图像进行形态学运算，使得缺陷区域更加显著，去除噪声点的干扰；
S6、对步骤S5所得到的图像进行基于面积特征筛选缺陷区域，绘制缺陷区域的最小包围矩形，通过绘制的矩形得出缺陷区域的中心点。
进一步地，所述步骤S1使用双边滤波尽可能地保护边缘部分信息的情况下去除噪声，使用直方图均衡化对图像进行增强。
进一步地，所述步骤S1构造双边滤波器
权重系数ω(i,j,k,l)取决于定义核域
与值域核
的乘积,其中i,j是像素位置，k,l是邻域内像素位置，σ为方差，运用双边滤波器尽可能地保护边缘部分信息的情况下去除噪声。
进一步地，所述步骤S2单分类SVM建立方法如下：
S2.1、采集一组标准无缺陷的布匹图像，对该组布匹图像进行图像预处理包括：滤波处理、直方图均衡化进行去噪以及图像增强处理；
S2.2、将预处理后的标准无缺陷的布匹图像组进行提取特征；
S2.3、采用RBF核函数构造最优分离超平面，利用步骤S2.2中提取的特征量对单分类SVM进行训练。
进一步地，所述步骤S2中，采用的纹理特征提取方法为 Laws纹理特征提取算法，通过Laws纹理能量度量来确定纹理属性。
(三)有益效果
本发明的有益效果：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，具有以下优点：
(1)将Laws纹理特征提取方法应用于布匹缺陷的检测，Laws纹理特征提取能够对一幅图像实现Laws纹理特征的提取，包括特征图像和能量信息，可以很好地确定图像纹理属性，而且 Laws纹理特征提取属于一阶分析方法，大大降低了计算难度，提高了计算效率；
(2)Laws纹理特征提取方法与单分类SVM的结合，可以通过仅对标准无缺陷的样本进行训练学习，无需对有缺陷的样本训练学习，有效的减少了对不同缺陷样本的依赖性，提高布匹缺陷检测的准确性和效率；
(3)局部自适应二值化阈值分割能够有效的去除对光照不均的影响，有效降低对光照的要求，更加适应工业生产的要求；成本低，运行速度快。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明缺陷检测方法流程图；
图2为现场拍摄的布匹图像原图；
图3为Laws纹理特征提取特征图一；
图4为Laws纹理特征提取特征图二；
图5为Laws纹理特征提取特征图三；
图6为Laws纹理特征提取特征图四；
图7为Laws纹理特征提取特征图五；
图8为Laws纹理特征提取特征最终图像；
图9为为局部二值化阈值分割后的图像；
图10为检测结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
结合图1，一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，包括以下步骤：
S1、通过采集的布匹图像，进行图像预处理包括：滤波处理、直方图均衡化进行去噪以及图像增强处理；使用双边滤波尽可能地保护边缘部分信息的情况下去除噪声，使用直方图均衡化对图像进行增强。
S2、建立单分类SVM，该单分类SVM的输入值为预处理后的布匹图像，采用纹理特征提取方法对输入的预处理后的图像进行特征提取，输出值为是否存在缺陷；采用的纹理特征提取方法为Laws纹理特征提取算法，通过Laws纹理能量度量来确定纹理属性。
单分类SVM建立方法如下：
S2.1、采集一组标准无缺陷的布匹图像，对该组布匹图像进行图像预处理包括：滤波处理、直方图均衡化进行去噪以及图像增强处理；
S2.2、将预处理后的标准无缺陷的布匹图像组进行提取特征；
S2.3、采用RBF核函数构造最优分离超平面，利用步骤S2.2中提取的特征量对单分类SVM进行训练。
S3、将步骤1预处理后的布匹图像输入步骤S2所建立的单分类 SVM，实现判别布匹图像是否存在缺陷；
S4、若有缺陷，对步骤S1中预处理之后的图像进行局部自适应阈值二值化分割，局部自适应阈值二值化分割对光照不均的情况有显著的抑制效果；
S5、对步骤S4中二值化分割后的图像进行形态学运算，使得缺陷区域更加显著，去除噪声点的干扰；
S6、对步骤S5所得到的图像进行基于面积特征筛选缺陷区域，绘制缺陷区域的最小包围矩形，通过绘制的矩形得出缺陷区域的中心点。
实施例：
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，包括以下步骤：
S1、采集现场布匹图像，如图2所示是一张现场采集的有缺陷的图像，对该图像进行图像预处理包括：滤波处理、直方图均衡化进行去噪以及图像增强处理。使用双边滤波尽可能地保护边缘部分信息的情况下去除噪声，使用直方图均衡化对图像进行增强。构造双边滤波器权重系数ω(i,j,k,l)取决于定义核域与值域核的乘积,其中i,j是像素位置，k,l是邻域内像素位置，σ为方差，运用双边滤波器尽可能地保护边缘部分信息的情况下去除噪声。
S2、建立单分类SVM，通过核函数代替内积，将非线性的训练数据映射到高维特征空间，在高维特征空间中构造出最优分离函数通过此函数可以在不增加计算复杂度的条件下实现某一非线性变换后的线性分类。其中x为输入的特征量，α为相应系数，K(xi,x)＝为RBF核函数，RBF核函数在实际应用中具有相当高的灵活性。
S2.1、通过工业相机在现场采集10张标准无缺陷的布匹图像样本；对通过工业相机在现场采集10张标准无缺陷的布匹图像样本进行图像预处理，然后对滤波处理后的图像进行直方图均衡化处理，增强图像对比度。
S2.2、将预处理之后的10张标准无瑕疵的布匹图像样本，输入单分类SVM并通过Laws纹理特征提取方法进行特征提取。Laws纹理能量度量由L(平均)、E(微分)、S(斑点)这个三个向量与他们自身以及相互卷积后产生5个向量：EL、LE、ES、SE、EE。这些向量相互乘积，形成5×5的Laws掩膜，通过把Laws掩膜和纹理图像卷积并计算能量统计量，就可以得出用于纹理描述的特征量。
S2.3、利用单分类SVM对提取的样本特征量进行训练。
S3、将预处理之后的现场布匹图像输入已建立的单分类SVM，进行Laws纹理特征提取如图3-8所示，判断是否存在缺陷，若无缺陷，则将图像放入无缺陷图像容器，并继续采集下一帧图像。
S4、若存在缺陷，则对图像进行局部二值化阈值分割，具体方法为计算像素(x,y)的中心的3×3大小的矩形区域内所有像素灰度的总和再除以区域面积，得到该区域的平均灰度，通过平均灰度得出该像素的灰度值为0或255。
S5、利用形态学的方法对通过局部二值化阈值分割的图像缺陷区域先膨胀再腐蚀如图9所示，以消除各种干扰，使缺陷区域更加清晰。
S6、采用最小包围矩形计算出缺陷的位置以及面积范围，如图 10所示，并进行数据统计。
综上所述，本发明实施例，基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，具有以下优点：
1、将Laws纹理特征提取方法应用于布匹缺陷的检测，Laws纹理特征提取能够对一幅图像实现Laws纹理特征的提取，包括特征图像和能量信息，可以很好地确定图像纹理属性，而且Laws纹理特征提取属于一阶分析方法，大大降低了计算难度，提高了计算效率。
2、Laws纹理特征提取方法与单分类SVM的结合，可以通过仅对标准无缺陷的样本进行训练学习，无需对有缺陷的样本训练学习，有效的减少了对不同缺陷样本的依赖性，提高布匹缺陷检测的准确性和效率。
3、局部自适应二值化阈值分割能够有效的去除对光照不均的影响，有效降低对光照的要求，更加适应工业生产的要求；成本低，运行速度快。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，其特征在于，包括以下步骤：
S1、通过采集的布匹图像，进行图像预处理包括：滤波处理、直方图均衡化进行去噪以及图像增强处理；
S2、建立单分类SVM，该单分类SVM的输入值为预处理后的布匹图像，采用纹理特征提取方法对输入的预处理后的图像进行特征提取，输出值为是否存在缺陷；
S3、将步骤1预处理后的布匹图像输入步骤S2所建立的单分类SVM，实现判别布匹图像是否存在缺陷；
S4、若有缺陷，对步骤S1中预处理之后的图像进行局部自适应阈值二值化分割，局部自适应阈值二值化分割对光照不均的情况有显著的抑制效果；
S5、对步骤S4中二值化分割后的图像进行形态学运算，使得缺陷区域更加显著，去除噪声点的干扰；
S6、对步骤S5所得到的图像进行基于面积特征筛选缺陷区域，绘制缺陷区域的最小包围矩形，通过绘制的矩形得出缺陷区域的中心点。
2.如权利要求1所述的一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，其特征在于：所述步骤S1使用双边滤波尽可能地保护边缘部分信息的情况下去除噪声，使用直方图均衡化对图像进行增强。
3.如权利要求2所述的一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，其特征在于，所述步骤S1构造双边滤波器权重系数ω(i,j,k,l)取决于定义核域与值域核的乘积,其中i,j是像素位置，k,l是邻域内像素位置，σ为方差，运用双边滤波器尽可能地保护边缘部分信息的情况下去除噪声。
4.如权利要求1所述的一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，其特征在于，所述步骤S2单分类SVM建立方法如下：
S2.1、采集一组标准无缺陷的布匹图像，对该组布匹图像进行图像预处理包括：滤波处理、直方图均衡化进行去噪以及图像增强处理；
S2.2、将预处理后的标准无缺陷的布匹图像组进行提取特征；
S2.3、采用RBF核函数构造最优分离超平面，利用步骤S2.2中提取的特征量对单分类SVM进行训练。
5.如权利要求1所述的一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法，其特征在于，所述步骤S2中，采用的纹理特征提取方法为Laws纹理特征提取算法，通过Laws纹理能量度量来确定纹理属性。
CN201810839404.8A 2018-07-27 2018-07-27 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 Pending CN109191430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810839404.8A CN109191430A (zh) 2018-07-27 2018-07-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810839404.8A CN109191430A (zh) 2018-07-27 2018-07-27 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

Publications (1)

Publication Number Publication Date
CN109191430A true CN109191430A (zh) 2019-01-11

Family

ID=64937152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810839404.8A Pending CN109191430A (zh) 2018-07-27 2018-07-27 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

Country Status (1)

Country Link
CN (1) CN109191430A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934802A (zh) * 2019-02-02 2019-06-25 浙江工业大学 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN109961437A (zh) * 2019-04-04 2019-07-02 江南大学 一种基于机器教学模式下的显著性织物疵点检测方法
CN110706205A (zh) * 2019-09-07 2020-01-17 创新奇智(重庆)科技有限公司 一种使用计算机视觉技术检测布匹破洞缺陷的方法
CN111028250A (zh) * 2019-12-27 2020-04-17 创新奇智(广州)科技有限公司 一种实时智能验布方法及系统
CN111028210A (zh) * 2019-11-25 2020-04-17 北京航天控制仪器研究所 基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法
CN112381851A (zh) * 2020-11-12 2021-02-19 常州微亿智造科技有限公司 缺陷标注方法和装置
CN113554067A (zh) * 2021-07-01 2021-10-26 清华大学深圳国际研究生院 基于集成学习的光纤缠绕缺陷检测方法与装置
CN117451727A (zh) * 2023-12-25 2024-01-26 四川鑫华达科技有限公司 一种喷嘴加工过程的质量控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7983486B2 (en) * 2007-08-29 2011-07-19 Seiko Epson Corporation Method and apparatus for automatic image categorization using image texture
CN103413150A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于可见光影像对电力线路缺陷进行诊断的方法
CN106934801A (zh) * 2017-03-01 2017-07-07 西南科技大学 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法
CN107220649A (zh) * 2017-05-27 2017-09-29 江苏理工学院 一种素色布匹缺陷检测和分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7983486B2 (en) * 2007-08-29 2011-07-19 Seiko Epson Corporation Method and apparatus for automatic image categorization using image texture
CN103413150A (zh) * 2013-06-28 2013-11-27 广东电网公司电力科学研究院 基于可见光影像对电力线路缺陷进行诊断的方法
CN106934801A (zh) * 2017-03-01 2017-07-07 西南科技大学 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法
CN107220649A (zh) * 2017-05-27 2017-09-29 江苏理工学院 一种素色布匹缺陷检测和分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RACHEL-ZHANG: "双边滤波器的原理及实现", 《CSDN：HTTPS://BLOG.CSDN.NET/ABCJENNIFER/ARTICLE/DETAILS/7616663》 *
蒋益女等: "结合纹理分析和SVM的苹果梗蒂和缺陷识别方法", 《计算机工程与应用》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934802A (zh) * 2019-02-02 2019-06-25 浙江工业大学 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN109961437A (zh) * 2019-04-04 2019-07-02 江南大学 一种基于机器教学模式下的显著性织物疵点检测方法
CN109961437B (zh) * 2019-04-04 2021-06-25 江南大学 一种基于机器教学模式下的显著性织物疵点检测方法
CN110706205A (zh) * 2019-09-07 2020-01-17 创新奇智(重庆)科技有限公司 一种使用计算机视觉技术检测布匹破洞缺陷的方法
CN110706205B (zh) * 2019-09-07 2021-05-14 创新奇智(重庆)科技有限公司 一种使用计算机视觉技术检测布匹破洞缺陷的方法
CN111028210A (zh) * 2019-11-25 2020-04-17 北京航天控制仪器研究所 基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法
CN111028210B (zh) * 2019-11-25 2023-07-18 北京航天控制仪器研究所 一种基于深度神经网络的玻璃管端面缺陷检测方法
CN111028250A (zh) * 2019-12-27 2020-04-17 创新奇智(广州)科技有限公司 一种实时智能验布方法及系统
CN112381851A (zh) * 2020-11-12 2021-02-19 常州微亿智造科技有限公司 缺陷标注方法和装置
CN113554067A (zh) * 2021-07-01 2021-10-26 清华大学深圳国际研究生院 基于集成学习的光纤缠绕缺陷检测方法与装置
CN117451727A (zh) * 2023-12-25 2024-01-26 四川鑫华达科技有限公司 一种喷嘴加工过程的质量控制方法
CN117451727B (zh) * 2023-12-25 2024-03-12 四川鑫华达科技有限公司 一种喷嘴加工过程的质量控制方法

Similar Documents

Publication Publication Date Title
CN109191430A (zh) 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
CN107133943B (zh) 一种防震锤缺陷检测的视觉检测方法
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
CN103530878B (zh) 一种基于融合策略的边缘提取方法
Savkare et al. Automatic system for classification of erythrocytes infected with malaria and identification of parasite's life stage
CN111160249A (zh) 基于跨尺度特征融合的光学遥感图像多类目标检测方法
CN107220649A (zh) 一种素色布匹缺陷检测和分类方法
CN109636824A (zh) 一种基于图像识别技术的多目标计数方法
CN115713533B (zh) 基于机器视觉的电力设备表面缺陷检测方法及装置
Wazalwar et al. A design flow for robust license plate localization and recognition in complex scenes
WO2022121025A1 (zh) 证件增减类别检测方法、装置、可读存储介质和终端
CN107240086B (zh) 一种基于积分图算法的织物瑕疵检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN110276747B (zh) 一种基于图像分析的绝缘子故障检测和故障评级方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN111754538A (zh) Usb表面缺陷检测的阈值分割方法
CN110648330A (zh) 摄像头玻璃的缺陷检测方法
CN115294097A (zh) 基于机器视觉的纺织品表面疵点检测方法
CN116524269A (zh) 一种视觉识别检测系统
CN113221881A (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN115587966A (zh) 一种在光照不均匀条件下零件有无缺漏的检测方法及系统
Jing et al. Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF
Haoran et al. Egg crack detection based on support vector machine
Guan et al. Defect detection and classification for plain woven fabric based on deep learning
CN117557784B (zh) 目标检测方法、装置、电子设备及存储介质

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: 20190111

RJ01 Rejection of invention patent application after publication