CN109934802A - 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 - Google Patents
一种基于傅里叶变换和图像形态学的布匹疵点检测方法 Download PDFInfo
- Publication number
- CN109934802A CN109934802A CN201910107766.2A CN201910107766A CN109934802A CN 109934802 A CN109934802 A CN 109934802A CN 201910107766 A CN201910107766 A CN 201910107766A CN 109934802 A CN109934802 A CN 109934802A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- template
- filter
- value range
- 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
Landscapes
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于傅里叶变换和图像形态学的布匹疵点检测方法,包括以下步骤:(1)使用线阵相机采集布匹的原始图像;(2)对原始图像进行预处理;(3)利用LAWS纹理滤波提取图像纹理特征;(4)采用GMM分类器模型进行疵点预判别;(5)使用高斯滤波器构建带阻滤波器;(6)使用傅里叶变换与反变换生成缺陷图像;(7)采用图像形态学提取瑕疵位置和面积;(8)输出布匹检测结果。本发明能对包括断纬、断经、破洞、浮纬等十多种类型布匹瑕疵进行实时检测,检测速度快、准确率高,融合空域和频域的图像处理方法增强了检测鲁棒性。
Description
技术领域
本发明属于机器视觉技术在纺织行业的应用,具体涉及一种基于傅里叶变换和图像形态学的布匹疵点检测方法。
背景技术
中国已经发展成为世界纺织品产业基地之一,纺织行业在国家经济发展中起着重要的作用。随着科学技术的快速发展,国际纺织行业的竞争日趋激烈,布匹质量的优劣程度对纺织生产效益影响巨大,各大纺织企业面临着高质量标准和高人力成本的巨大压力,但在中国,绝大部分纺织企业的织物疵点检测都依然停留在传统的人工检测阶段。
在传统的人工检测下,布匹的移动速度通常只有5-10m/min,检测速度过低,难以满足现代化生产的要求。一个检验员注意力髙度集中的时间约30分钟,人眼在高度集中地工作一段时间后必然产生视觉疲劳,从而导致许多本应能检测出的疵点被遗漏。有关统计资料显示,织物疵点人眼检测的漏检率最高达30%以上,以先进的信息化和自动化以及其它现代科学技术改造和提升传统产业是当今社会经济发展的必然趋势。就目前纺织产业现状而言,要提高产品的质量和档次,纺织品质量检测和生产控制的自动化是一个很重要的方面,而布匹疵点自动检测则是其中一个重要的研究内容。
近几年,随着光学技术、数字电路技术和图像处理技术的快速发展,机器视觉已经在工业表面检测领域中得到越来越广泛的应用,因此布匹疵点的自动检测已经成为必然发展趋势。对于布匹疵点自动检测系统来说,核心部分就是疵点检测算法,现有的检测方法主要分为:基于统计分析、频域分析、模型分析、学习分析等几大类。
直方图统计技术由于低计算成本等特点被用于布匹疵点检测,Zhang等人通过检查被染色和无缺陷的布匹图像的直方图差异进行疵点检测(见Zhang W Y,Zhang J,Hou Y,et al.MWGR:A new method for real-time detection of cord fabricdefects.International Journal of Advanced Mechatronic Systems,2012:458-461.),该方法虽然具有简单性和高计算速度等特点,但存在检测准确率较低的问题。常见的频域的分析方法有Gabor滤波、小波变换等,Karlekar等人提出了一种结合小波变换和图像形态学的布匹纹理检测方法,取得了不错的效果(见Karlekar V V,Biradar M S,Bhangale KB.Fabric Defect Detection Using Wavelet Filter.IEEE International Conferenceon Computing Communication Control and Automation,2015:712-715);景军峰等人基于深度卷积神经网络的疵点检测算法对色织物疵点的检测率达到了87.5%,使色织物的缺陷位置和形状取得了较好的可视化效果(见景军锋,范晓婷,李鹏飞,等.应用深度卷积神经网络的色织物缺陷检测[J].纺织学报,2017,38(2):68-74.),但该方法由于使用深度学习技术,其计算复杂度较高,而检测速度又是影响其应用于工业生产的关键因素。
申请号为201810052130.8的专利公开了一种基于深度学习的织物疵点检测方法。该方法把样本库中的图像分割为图像块集合;建立六层深度神经网络,对第五层与第六层的连接权值用BP算法进行调节,期望输出等于疵点类型对应的编码;把待检测图像进行分割成图像块输入深度神经网络;统计该检测图像中包含的所有图像块的检测结果,并据此给出该布匹的质量等级,显示缺陷的具体坐标位置。虽然该方法使用层数较少的卷积神经网络,检测速度得以提升,但在实际检测过程中情况复杂,实际的检测情况达不到这么好的效果。
申请号为201410200849.3的专利公开了一种基于大津法的布面疵点检测及分类方法。该方法的下位机对采集的图像信息进行滤波、插值、方差采样预处理,大津法图像分割及二值化,空洞填充和小块处理操作,二值图像通道连通处理,提取各个疵点区域并保存;上位机将疵点分为区域类和非区域类疵点、经类疵点和纬类疵点、暗疵点和亮疵点。该方法将整个识别过程分上下位机协作完成,识别效率较高满足实时要求,但是识别疵点类型单一,对于纹理复杂的布匹检测效果欠佳。
发明内容
为了实时检测多种类型的布匹疵点,本发明提供了一种基于傅里叶变换和图像形态学的布匹疵点检测方法,具体包括以下步骤:
(1)使用线阵相机采集布匹的原始图像
基于采集的原始图像的dpi大于等于Ndpi,确定线阵相机的位置、焦距和行分辨率,相机将采集到的每一行各像素点的灰度值输入到处理计算机,待行数达到Nrow时生成一幅完整的原始图像,送入到下一步进行图像预处理;Ndpi为采集到的图像需要达到的最小dpi,取值范围为[100,300],Nrow的取值范围为[400,4000]。dpi是数码领域常用的分辨率度量,表示每英寸长度内的像素点数,其值越大表明采集到的图像越清晰。
(2)对原始图像进行预处理
获得的原始图像并不能立即进行检测,很多因素会影响图像的清晰程度,给检测带来困难,例如光照强度影响图像的灰度值大小,光源的方向影响图像灰度值的分布,拍摄过程中机械震动等因素还会使图像模糊不清。本发明对原始图像进行预处理,包括去噪滤波和图像增强,具体步骤如下:
(2-1)噪声信号有其不可期望性和无规律性,通常在布匹图像上随机分布。均值滤波器是一种线性滤波器,使用滤波器窗口内的像素平均灰度值代替图像中窗口中心处像素的灰度值,这样可以降低图像中的尖锐噪声。为了在平滑图像的同时尽量减少均值滤波器对图像造成的模糊,本发明使用式(1)所示的3×3加权均值滤波模板对原始图像进行滤波:
(2-2)然后采用直方图均衡化的方法对均值滤波后的图像进行对比度增强。把均值滤波后图像的直方图变换为均匀分布的形式,能够增加像素灰度值的动态范围,从而达到增强布匹瑕疵与背景对比效果的作用。
(3)利用LAWS纹理滤波提取图像纹理特征
利用LAWS模板与步骤(2)中预处理完的图像进行卷积,生成一幅5通道的纹理特征图。利用5×5的LAWS模板在预处理后图像的内部做卷积运算,以检查和度量纹理结构信息;在利用LAWS纹理检测时,对于不同方向的纹理结构不能使用单一的滤波形式,必须使用多种LAWS模板。本发明使用水平模板(“LE”模板和“EL”模板)、垂直模板(“ES”模板和“SE”模板)和V型模板(“EE”模板),分别与步骤(2)中预处理完的图像卷积,生成一幅5通道的图像。生成模板的规则为:V1向量的转置×V2向量,V1、V2为据构造模板类型需求从式(2)中五个1×5的向量取出的两个向量,例如“LE”模板为L向量的转置×E向量,V1和V2可以相同,如上述的“EE”模板。
(4)采用GMM分类器模型判别有无疵点
高斯混合模型(Gaussian Mixture Model,GMM)是单一高斯概率密度函数的延伸,GMM能够平滑地近似任意形状地密度分布。GMM模型的数学表达式为式(3)和式(4):
在上式中,K是混合的高斯分布的个数,ak是第k个高斯分布的权重因子,表示每个高斯分量在总体中所占的比例,并且μk是模型的期望,通常用样本均值来代替,∑k是模型方差,通常用样本协方差矩阵来代替。最后这三个量能用一个参数向量Θ={αk,μk,∑k}来表示。
初次检测前要对GMM分类器模型进行训练:先将现场采集的m幅同一布匹类型的无疵图像通过步骤(3)生成m幅5通道的纹理特征图,再将这些纹理特征图样本加到5个通道的GMM分类器进行训练,训练生成GMM分类器模型用于判别后续图像有无疵点;m的取值范围为[1,100],取值越大,现场采集和训练的时间也越长。
利用GMM分类器模型进行判别:将步骤(3)生成的5通道的纹理特征图,输入到相同通道已经训练好的GMM分类器模型进行分类;若5个通道都判别为同类,说明每个通道都不存在疵点区域,则跳至步骤(8),输出检测结果,检测结束,否则说明至少有一个通道判别出存在疵点区域,需要继续下一步的检测。
(5)使用高斯滤波器构建带阻滤波器
对于布匹图像来说,其疵点所处的频率范围与背景纹理有明显的差异,背景纹理呈周期性变化,可以将其视为周期性噪声,通过构造的带阻滤波器抑制背景纹理,从而凸显缺陷分量。本发明使用两个高斯滤波器进行相减后构造一个带阻滤波器Filter,具体方法如下:
首先将两个高斯滤波器的主方向角度都设为0,再使用高斯分布参数Sigma1生成高斯滤波器模板GaussFilter1,使用高斯参数Sigma2生成高斯滤波器模板GaussFilter2,然后按式(5)将这两个模板相减得到带阻滤波器Filter,式(5)中Mult是权值参数,取值范围为[-10,10],Add是偏移值,取值范围为[-512,512];Sigma1既是空域中高斯滤波器在主方向上的标准差,也是空域中高斯滤波器在正交于主方向的方向上的标准差,Sigma2含义同Sigma1,这两个参数的取值范围都为[0,10],要求Sigma1大于Sigma2,具体取值根据实际布匹图像选取。
Filter=(GaussFilter1-GaussFilter2)×Mult+Add (5)
(6)使用傅里叶变换与反变换生成缺陷图像,包括对步骤(2)处理之后的整幅灰度图进行快速傅里叶变换,生成变换后的频域图像ImageFFT,再将变换后的频域图像ImageFFT与步骤(5)得到的带阻滤波器滤波器进行卷积,从而得到具有显著疵点特征的频谱图像ImageConvol,最后对ImageConvol进行傅里叶反变换生成空域图像ImageFiltered,具体如下:
(6-1)傅立叶变换能够将图像的空域灰度分布转换为图像的频域频率分布,可分离织物图像中的周期性成分、环境信息和噪声,并有效提取特征值。在傅里叶频谱图中,明暗不一的亮点,是该点的频率的大小,其在空域的意义是指图像上某一点与邻域点差异的强弱,即梯度的大小。
一个图像尺寸为M×N的离散傅里叶变换由式(6)计算得到,其中变量u和v用于确定它们的频率,频域图像是由频率F(u,v)所组成的矩阵。
将频谱移频到原点以后,可以看出图像的频率分布是以原点为圆心,对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外,还可以分离出有周期性规律的干扰信号,比如正弦干扰。一幅频域图像如果带有正弦干扰,移频到原点上就可以看出,除了中心以外还存在以另一点为中心、对称分布的亮点集合,这个集合就是干扰噪声产生的。这些噪声在空域进行滤除较为困难,在转为频域之后,就可以很直观的通过在对应位置放置带阻滤波器去除干扰。
对步骤(2)处理之后的整幅灰度图进行快速傅里叶变换,生成变换后的频域图像ImageFFT,该频域图像表示原图像的频率分布;再将变换后的频域图像ImageFFT与步骤(5)得到的带阻滤波器Filter进行卷积,从而得到具有显著疵点特征的频谱图像ImageConvol。
(6-2)为了能在空域图像中确定疵点位置还需要再将频谱图像ImageConvol进行傅里叶反变换生成空域图像ImageFiltered,离散傅里叶反变换的过程如式(7)所示。ImageFiltered图像中就有明显的疵点特征,将通过下一步的图像形态学的方法进行定位和定量。
(7)采用图像形态学提取布匹瑕疵位置和面积
(7-1)首先使用n×n大小的矩形掩模计算图像ImageFiltered中每个像素点的灰度范围,即计算每个大小为n×n的像素块中最大与最小的灰度差值,将差值作为掩模后图像对应矩形中心位置的像素点灰度值,计算得到的所有掩模矩形中的灰度差值,生成名为ImageResult的图像,n的取值范围为[5,13]的奇数;接着统计图像ImageResult的灰度直方图,即在0-255灰度值范围内图像的像素个数分布图;然后分别统计灰度直方图中灰度级在[Ncut,255-Ncut]内且像素个数非零的最小和最大的灰度值,Ncut的典型取值范围为[0,100];再将最大灰度值与最小值灰度值相减之后乘以调整系数alpha并加上最小值灰度值作为分割阈值Tseg,alpha的取值范围为[0.5,1];最后使用Tseg对图像ImageResult进行二值化分割,灰度值小于Tseg则置为0,表示背景像素,否则置为255,表示疵点像素,得到分割后的二值图像ImageRegion。
(7-2)先根据二值图像ImageRegion中的连通域像素面积大小筛选疵点连通域,只保留像素面积大于阈值THdm的疵点连通域,THdm的典型取值范围为[20,100],THdm根据采集到的图像dpi与实际测试中常见疵点的大小进行选取;然后使用半径为radius的圆形核与连通域筛选后的图像做闭运算,去除小于半径参数的连通区域,radius的取值范围为[5,50];接着再做一次区域筛选,去除像素面积小于THarea的连通区域,THarea的取值范围为[5,40];最后统计经处理之后图像中的连通域数量,以及各连通域的中心位置和区域像素面积。
(8)输出布匹检测结果
经过步骤(2)到步骤(7)已经得到了疵点检测结果,若经步骤(4)判别为无疵点区域或者经步骤(7)之后连通域数量为0,则输出布匹检测结果为合格;若经步骤(7)之后连通域数量不为0,则说明存在疵点,并比较各连通域中心的位置关系,将任意2个连通域中心的欧几里得像素距离小于Tdis的区域合并为1个区域,在原始采集的图像上标出区域,输出区域数量以及像素面积大小,检测结果为不合格,Tdis的取值范围为[5,50]。
本发明的技术构思为:首先考虑到相机采集到的图像存在噪声,以及光照不均的情况,对原始图像做去噪滤波和图像增强的预处理;接着利用LAWS纹理滤波提取出纹理特征生成5通道的纹理特征图;再使用预先训练好的GMM模型做分类;然后对可能存在疵点的图像做后续处理,包括先利用两个高斯滤波器构建出一个带阻滤波器,再将预处理后的图像做傅里叶变换生成傅里叶频谱图,将频谱图与构建出的带阻滤波器做卷积运算,抑制布匹背景纹理、突出疵点特征,以及做傅里叶反变换映射回空间域,最后使用图像形态学的方法提取布匹疵点位置及面积。
与现有技术相比,本方法具有以下有益效果:能对包括断纬、断经、破洞、浮纬等十多种类型布匹瑕疵实时在线进行检测,融合空域和频域的方法增强了检测鲁棒性,尤其对具有复杂纹理信息的图像也能精确检测出疵点信息,能够实现高效率、高准确率、快速检测的目的,提高了工业现场布匹检测的效率,降低了人为因素带来的误检影响。
附图说明
图1为本发明流程框图。
图2为线阵相机采集到的原始图像。
图3预处理之后的图像,其中左图为图2滤波去噪之后的效果图,右图为滤波去噪之后再进行图像增强的效果图。
图4为经Laws纹理滤波后5通道图像,其中,图(a)为经“LE”水平模板滤波后的效果图,图(b)为经“EL”水平模板滤波后的效果图,图(c)为经“ES”垂直模板滤波后的效果图,图(d)为经“SE”垂直模板滤波后的效果图,图(e)为经“EE”V型模板滤波后的效果图。
图5为傅里叶变换后的频谱图。
图6为图5与带阻滤波器Filter卷积之后得到的抑制了背景纹理,凸出疵点信息的频谱图像。
图7为将图6傅里叶反变换之后的效果图。
图8为布匹疵点检测结果图。
具体实施方式
下面结合实施例和附图来详细描述本发明,但本发明并不仅限于此。
如图1所示一种基于傅里叶变换和图像形态学的布匹疵点检测方法,包括如下步骤:
(1)使用线阵相机采集布匹的原始图像;
(2)对原始图像进行预处理;
(3)利用LAWS纹理滤波提取图像纹理特征;
(4)采用GMM分类器模型进行疵点预判别;
(5)使用高斯滤波器构建带阻滤波器;
(6)傅里叶变换与反变换生成缺陷图像;
(7)采用图像形态学提取布匹瑕疵位置和面积;
(8)输出布匹检测结果。
步骤(1)具体包括:
要求采集的原始图像的dpi大于等于Ndpi,据此来确定线阵相机的固定位置、焦距和行分辨率,相机采集到的每一行各像素点的灰度值输入到处理计算机,待行数达到Nrow时生成一幅完整灰度图像;Ndpi的取值范围为[100,300]在此处取160,Nrow的取值范围为[400,4000],在此处取1080;输入布匹类型如图2所示。
步骤(2)在获得相机采集的原始图像之后,进行包括去噪滤波和图像增强的预处理,具体包括:
(2-1)使用式(1)所示的3×3加权均值模板对原始图像进行去噪滤波,滤波去噪之后的效果如图3的左图所示。
(2-2)在本发明中采用直方图均衡化的方法进行图像增强,把均值滤波后图像的直方图变换为均匀分布的形式,增加像素灰度值的动态范围,从而达到增强布匹瑕疵与背景对比效果的作用。图3的右图所示为原始图像滤波去噪之后做图像增强的结果。
步骤(3)具体包括:
利用LAWS模板在图像内部做卷积运算,具体使用水平模板(“LE”模板和“EL”模板)、垂直模板(“ES”模板和“SE”模板)和V型模板(“EE”模板),分别与步骤(2)中预处理完的图像卷积生成一幅5通道的图像;生成模板的规则为:V1向量的转置×V2向量,V1、V2为从式(2)中五个1×5的向量取出的两个向量,“LE”模板为L向量的转置×E向量,V1和V2可以相同,如上述的“EE”模板。
图4为经Laws纹理滤波后5通道图像,其中,图(a)为经“LE”水平模板滤波后的效果图,图(b)为经“EL”水平模板滤波后的效果图,图(c)为经“ES”垂直模板滤波后的效果图,图(d)为经“SE”垂直模板滤波后的效果图,图(e)为经“EE”V型模板滤波后的效果图,根据提取的纹理特征,下一步的GMM分类器模型能有效地进行分类。
步骤(4)具体包括:
初次检测前要对GMM分类器模型进行训练:先将现场采集的m幅同一布匹类型的无疵图像通过步骤(3)生成m幅5通道的纹理特征图,再将这些纹理特征图样本加到5个通道的GMM分类器进行训练,训练生成GMM分类器模型用于判别后续图像中有无疵点;m的取值范围为[1,100],取值越大,现场采集和训练的时间也越长,为了能在保证基本精度的同时减少训练时间,此处取值为5。
利用GMM分类器模型进行判别:将步骤(2)预处理之后的图像再经过步骤(3)生成5通道的纹理特征图,对每个通道的纹理特征图,使用已经训练好的相同通道的GMM分类器模型对特征图进行分类;若5个通道都判别为同类,即每个通道都不存在疵点区域,则跳至步骤(8),输出检测结果,检测结束,否则说明至少有一个通道判别出存在疵点区域,需要继续下一步的检测。
步骤(5)具体包括:
使用两个高斯滤波器构造一个带阻滤波器:先将两个高斯滤波器的主方向角度都设为0,再使用高斯分布参数Sigma1生成高斯滤波器模板GaussFilter1,使用高斯参数Sigma2生成高斯滤波器模板GaussFilter2,然后按式(3)将这两个模板相减得到带阻滤波器Filter,式(3)中Mult是权值参数,取值范围为[-10,10],此处取1,Add是偏移值,取值范围为[-512,512],此处取0;Sigma1既是空域中高斯滤波器在主方向上的标准差,又是空域中高斯滤波器在正交于主方向的方向上的标准差,Sigma2含义同Sigma1,这两个参数的取值范围都为[0,10],要求Sigma1大于Sigma2,Sigma1和Sigma2在不同布匹类型下取值不同,在当前布匹类型下Sigma1取值为10,Sigma2取值为2.98。
Filter=(GaussFilter1-GaussFilter2)×Mult+Add (3)
步骤(6)具体包括:
(6-1)对步骤(2)处理之后的整幅灰度图进行快速傅里叶变换,生成变换后的频域图像ImageFFT;再将变换后的频域图像ImageFFT与步骤(5)得到的带阻滤波器滤波器Filter进行卷积,从而得到具有显著疵点信息的频谱图像ImageConvol。如图6所示经过处理后的频谱图像,抑制了背景纹理,突出了频谱中的疵点成分。
(6-2)将频谱图像ImageConvol进行傅里叶反变换生成空域图像ImageFiltered。如图7所示就是有明显疵点特征的ImageFiltered图像,将通过步骤(7)的图像形态学方法对布匹疵点进行定位和定量。
步骤(7)具体包括:
(7-1)首先使用n×n大小的矩形掩模计算图像ImageFiltered中每个像素点的灰度范围,即计算每个大小为n×n的像素块中最大与最小的灰度差值,将差值作为掩模后图像对应矩形中心位置的像素点灰度值,计算得到的所有掩模矩形中的差值,生成名为ImageResult的图像,n的取值为[5,13]的奇数,此处取值9;接着统计图像ImageResult的灰度直方图,即在0-255灰度值范围内图像的像素个数分布图;然后分别统计灰度直方图中灰度级在[Ncut,255-Ncut]内且像素个数非零的最小和最大的灰度值,Ncut的取值范围为[0,100],在当前布匹类型下此处取值为20;再将最大灰度值与最小值灰度值相减之后乘以调整系数alpha并加上最小值灰度值作为分割阈值Tseg,alpha的取值范围为[0.5,1],此处取值为0.8;最后使用Tseg对图像ImageResult进行二值化分割,灰度值小于Tseg则置为0,表示背景像素,否则置为255,表示疵点像素,得到分割后的二值图像ImageRegion。
(7-2)先根据二值图像ImageRegion中的连通域像素面积大小筛选连通域,只保留像素面积大于阈值THdm的疵点连通域,THdm的典型取值范围为[20,100],此处取值为55;然后使用半径为radius的圆形核做闭运算,去除小于半径参数的连通区域,radius的取值范围为[5,50],此处取值为10;接着再做一次区域筛选,去除像素面积小于THarea的连通区域,THarea的取值范围为[5,40],此处取值为20;最后统计经处理之后图像中的连通域数量,以及各连通域的中心位置和区域像素面积。
步骤(8)具体包括:
若经步骤(4)判别为无疵点区域或者经步骤(7)之后连通域数量为0,则输出布匹检测结果为合格;若经步骤(7)之后连通域数量不为0,则说明存在疵点,比较各连通域中心的位置关系,将任意2个连通域中心的欧几里得像素距离小于Tdis的区域合并为1个区域,在原始采集的图像上标出区域,输出区域数量以及像素面积大小,检测结果为不合格,如图8所示;Tdis的取值范围为[5,50],此处取值为15。
Claims (5)
1.一种基于傅里叶变换和图像形态学的布匹疵点检测方法,其特征在于,所述的检测方法包括以下步骤:
(1)使用线阵相机采集布匹的原始图像:
基于采集的原始图像的dpi大于等于Ndpi,确定线阵相机的位置、焦距和行分辨率,相机将采集到的每一行各像素点的灰度值输入到处理计算机,待行数达到Nrow时生成一幅完整的原始图像;Ndpi为采集到的图像需要达到的最小dpi,取值范围为[100,300],Nrow的取值范围为[400,4000];
(2)对原始图像进行预处理:
所述的预处理包括去噪滤波和图像增强;去噪滤波为使用均值滤波器将窗口内的像素的平均灰度值代替图像中的像素值,降低图像中的尖锐噪声,均值滤波器模板为式(1)所示的3×3加权平均值模板;图像增强为使用直方图均衡化的方法对均值滤波后的图像进行对比度增强;
(3)对预处理后的图像利用LAWS纹理滤波提取图像纹理特征:
利用LAWS模板与步骤(2)预处理后图像进行卷积,生成一幅5通道的纹理特征图;
(4)采用GMM分类器模型判别有无疵点:
将步骤(3)生成的5通道的纹理特征图,输入到相同通道预先训练好的GMM分类器模型进行分类;若5个通道都判别为同类,说明每个通道都不存在疵点区域,则跳至步骤(8),输出检测结果,检测结束,否则说明至少有一个通道判别出存在疵点区域,需要继续下一步的检测;
(5)使用高斯滤波器构建带阻滤波器:
使用两个高斯滤波器构造带阻滤波器,用于步骤(6)中傅里叶变换之后抑制背景纹理、突出疵点特征;
(6)使用傅里叶变换与反变换生成缺陷图像:
对步骤(2)处理之后的整幅灰度图进行快速傅里叶变换,生成变换后的频域图像ImageFFT;再将变换后的频域图像ImageFFT与步骤(5)得到的带阻滤波器滤波器进行卷积,从而得到具有显著疵点特征的频谱图像ImageConvol;最后对ImageConvol进行傅里叶反变换生成空域图像ImageFiltered;
(7)采用图像形态学提取布匹瑕疵位置和面积:
先通过矩形掩模从步骤(6)得到的缺陷图像中生成灰度范围图,并对其进行二值化分割;然后统计灰度范围图分割后的疵点连通域的数量、各连通域的中心位置和区域面积;
(8)输出检测结果:
若经步骤(4)判别为无疵点区域或者经步骤(7)之后连通域数量为0,则输出布匹检测结果为合格;若经步骤(7)之后连通域数量不为0,则该段布匹存在疵点,将任意2个连通域中心的欧几里得像素距离小于Tdis的区域合并为1个区域,在原始采集的图像上标出区域,输出区域数量以及像素面积大小,检测结果为不合格,Tdis的取值范围为[5,50]。
2.如权利要求1所述的一种基于傅里叶变换和图像形态学的布匹疵点检测方法,其特征在于,所述步骤(3)中,所述的LAWS模板包括两个水平模板:“LE”模板和“EL”模板,两个垂直模板:“ES”模板和“SE”模板,一个V型模板:“EE”模板;所述的LAWS模板都是由式(2)中五个1×5的向量中取出对应字符的两个向量V1、V2后,将V1向量的转置×V2向量生成,
3.如权利要求1所述的一种基于傅里叶变换和图像形态学的布匹疵点检测方法,其特征在于,所述的步骤(4)中的GMM分类器模型按如下步骤进行训练:
先将现场采集的m幅同一布匹类型的无疵图像通过步骤(3)生成m幅5通道的纹理特征图,再将这些纹理特征图样本加到5个通道的GMM分类器进行训练,训练生成的GMM分类器模型用于判别后续图像有无疵点;m的取值范围为[1,100]。
4.如权利要求1所述的一种基于傅里叶变换和图像形态学的布匹疵点检测方法,其特征在于,所述的步骤(5)中,构造带阻滤波器:
(5-1)将两个高斯滤波器的主方向角度都设为0,再使用高斯分布参数Sigma1生成高斯滤波器模板GaussFilter1,使用高斯参数Sigma2生成高斯滤波器模板GaussFilter2;
(5-2)按式(3)将GaussFilter1和GaussFilter2相减,得到带阻滤波器Filter,
Filter=(GaussFilter1-GaussFilter2)×Mult+Add (3)
式(3)中,Mult是权值参数,取值范围为[-10,10],Add是偏移值,取值范围为[-512,512];Sigma1和Sigma2既是空域中高斯滤波器在主方向上的标准差,也是空域中高斯滤波器在正交于主方向的方向上的标准差,这两个参数的取值范围都为[0,10],且Sigma1>Sigma2。
5.如权利要求1所述的一种基于傅里叶变换和图像形态学的布匹疵点检测方法,其特征在于,所述的步骤(7)中,具体包括:
(7-1)首先使用n×n大小的矩形掩模计算图像ImageFiltered中每个像素点的灰度范围,即计算每个大小为n×n的像素块中最大与最小的灰度差值,将差值作为掩模后图像对应矩形中心位置的像素点灰度值,计算得到的所有掩模矩形中的灰度差值,生成名为ImageResult的图像,n的取值范围为[5,13]的奇数;接着统计图像ImageResult的灰度直方图,即在0-255灰度值范围内图像的像素个数分布图;然后分别统计灰度直方图中灰度级在[Ncut,255-Ncut]内且像素个数非零的最小和最大的灰度值,Ncut的典型取值范围为[0,100];再将最大灰度值与最小值灰度值相减之后乘以调整系数alpha并加上最小值灰度值作为分割阈值Tseg,alpha的取值范围为[0.5,1];最后使用Tseg对图像ImageResult进行二值化分割,灰度值小于Tseg则置为0,否则置为255,即为疵点像素,得到分割后的二值图像ImageRegion;
(7-2)先根据二值图像ImageRegion中的连通域像素面积大小筛选疵点连通域,只保留像素面积大于阈值THdm的疵点连通域,THdm的典型取值范围为[20,100];然后使用半径为radius的圆形核与连通域筛选后的图像做闭运算,去除连通域半径小于半径参数的连通区域,radius的取值范围为[5,50];接着再做一次区域筛选,去除像素面积小于THarea的连通区域,THarea的取值范围为[5,40];最后统计经处理之后图像中的连通域数量,以及各连通域的中心位置和区域像素面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910107766.2A CN109934802B (zh) | 2019-02-02 | 2019-02-02 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910107766.2A CN109934802B (zh) | 2019-02-02 | 2019-02-02 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934802A true CN109934802A (zh) | 2019-06-25 |
CN109934802B CN109934802B (zh) | 2021-06-22 |
Family
ID=66985572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910107766.2A Active CN109934802B (zh) | 2019-02-02 | 2019-02-02 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934802B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363752A (zh) * | 2019-07-08 | 2019-10-22 | 创新奇智(青岛)科技有限公司 | 一种成衣材质缺陷模拟生成方法、计算机可读介质及系统 |
CN110501342A (zh) * | 2019-08-20 | 2019-11-26 | 北京信息科技大学 | 一种筒子纱纱杆定位视觉检测方法 |
CN110517226A (zh) * | 2019-07-24 | 2019-11-29 | 南京大树智能科技股份有限公司 | 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法 |
CN111080574A (zh) * | 2019-11-19 | 2020-04-28 | 天津工业大学 | 一种基于信息熵和视觉注意机制的织物疵点检测方法 |
CN111369480A (zh) * | 2020-01-20 | 2020-07-03 | 凌云光技术集团有限责任公司 | 一种处理周期性纹理的方法及装置 |
CN111402225A (zh) * | 2020-03-13 | 2020-07-10 | 浙江工业大学 | 一种布匹折叠误检疵点判别方法 |
CN111401552A (zh) * | 2020-03-11 | 2020-07-10 | 浙江大学 | 一种基于调整批量大小与梯度压缩率的联邦学习方法和系统 |
CN111881725A (zh) * | 2020-06-14 | 2020-11-03 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN112070788A (zh) * | 2020-09-03 | 2020-12-11 | 武汉工程大学 | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 |
CN112288734A (zh) * | 2020-11-06 | 2021-01-29 | 西安工程大学 | 一种基于图像处理的印花织物表面缺陷检测方法 |
CN112465743A (zh) * | 2020-10-20 | 2021-03-09 | 天津大学 | 一种周期性结构质量检测方法 |
CN113066075A (zh) * | 2021-04-10 | 2021-07-02 | 河南大学 | 一种多图像融合的牛仔布瑕疵检测方法及装置 |
CN113172989A (zh) * | 2021-04-02 | 2021-07-27 | 广州诚鼎机器人有限公司 | 一种胶体识别方法、网框套位方法和椭圆印花机 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN113592748A (zh) * | 2021-07-06 | 2021-11-02 | 武汉工程大学 | 基于定量表征形变孪晶体积分数的图像处理方法与装置 |
CN113643271A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
CN113706521A (zh) * | 2021-09-08 | 2021-11-26 | 常州市新创智能科技有限公司 | 碳纤维表面毛团检测方法、装置、存储介质和电子设备 |
CN113822095A (zh) * | 2020-06-02 | 2021-12-21 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、系统,机器人及存储介质 |
CN113899749A (zh) * | 2020-06-22 | 2022-01-07 | 东华大学 | 剥丝打结检测装置以及剥丝打结检测方法 |
CN114049326A (zh) * | 2021-11-16 | 2022-02-15 | 中科芯集成电路有限公司 | 一种基于视觉的电子元器件大批量计数方法与装置 |
CN114119462A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法 |
CN114226262A (zh) * | 2020-09-09 | 2022-03-25 | 宜谷京科技实业有限公司 | 瑕疵检测方法、瑕疵分类方法及其系统 |
CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
CN114723705A (zh) * | 2022-03-31 | 2022-07-08 | 海门市恒创织带有限公司 | 一种基于图像处理的布匹瑕疵的检测方法 |
US11461877B2 (en) * | 2018-12-10 | 2022-10-04 | Iray Technology Company Limited | Image inpainting method, image inpainting system and flat panel detector thereof |
WO2023060797A1 (zh) * | 2021-10-13 | 2023-04-20 | 东方晶源微电子科技(北京)有限公司 | 用于半导体电子束缺陷监测的图像处理方法、装置和系统 |
WO2023065780A1 (zh) * | 2021-10-20 | 2023-04-27 | 珠海一微半导体股份有限公司 | 一种基于卷积算法的图像处理方法及芯片 |
CN116823821A (zh) * | 2023-08-29 | 2023-09-29 | 成都中科卓尔智能科技集团有限公司 | 基于相位恢复的芯片掩模版瑕疵检测方法 |
CN117670842A (zh) * | 2023-12-07 | 2024-03-08 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4160524A1 (en) * | 2021-10-01 | 2023-04-05 | AQC Industry | Method for detecting at least one defect on a support, device and computer program associated |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4160991B2 (ja) * | 2006-11-29 | 2008-10-08 | シャープ株式会社 | 線状の欠陥の検出装置および半導体基板の製造装置、線状の欠陥の検出方法および半導体基板の製造方法、コンピュータを当該検出装置または… |
CN104268505A (zh) * | 2014-09-12 | 2015-01-07 | 河海大学常州校区 | 基于机器视觉的布匹疵点自动检测识别装置及方法 |
CN105678788A (zh) * | 2016-02-19 | 2016-06-15 | 中原工学院 | 一种基于hog和低秩分解的织物疵点检测方法 |
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 |
CN107392884A (zh) * | 2017-06-05 | 2017-11-24 | 镇江苏仪德科技有限公司 | 一种基于图像处理的单色织物疵点区域的识别与提取方法 |
CN109191430A (zh) * | 2018-07-27 | 2019-01-11 | 江苏理工学院 | 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 |
-
2019
- 2019-02-02 CN CN201910107766.2A patent/CN109934802B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4160991B2 (ja) * | 2006-11-29 | 2008-10-08 | シャープ株式会社 | 線状の欠陥の検出装置および半導体基板の製造装置、線状の欠陥の検出方法および半導体基板の製造方法、コンピュータを当該検出装置または… |
CN104268505A (zh) * | 2014-09-12 | 2015-01-07 | 河海大学常州校区 | 基于机器视觉的布匹疵点自动检测识别装置及方法 |
CN105678788A (zh) * | 2016-02-19 | 2016-06-15 | 中原工学院 | 一种基于hog和低秩分解的织物疵点检测方法 |
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 |
CN107392884A (zh) * | 2017-06-05 | 2017-11-24 | 镇江苏仪德科技有限公司 | 一种基于图像处理的单色织物疵点区域的识别与提取方法 |
CN109191430A (zh) * | 2018-07-27 | 2019-01-11 | 江苏理工学院 | 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 |
Non-Patent Citations (2)
Title |
---|
FRODUO: "detect_indent_fft.hdev", 《CSDN》 * |
李敏 等: "高斯混合模型在印花织物疵点检测中的应用", 《纺织学报》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11461877B2 (en) * | 2018-12-10 | 2022-10-04 | Iray Technology Company Limited | Image inpainting method, image inpainting system and flat panel detector thereof |
CN110363752A (zh) * | 2019-07-08 | 2019-10-22 | 创新奇智(青岛)科技有限公司 | 一种成衣材质缺陷模拟生成方法、计算机可读介质及系统 |
CN110517226A (zh) * | 2019-07-24 | 2019-11-29 | 南京大树智能科技股份有限公司 | 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法 |
CN110517226B (zh) * | 2019-07-24 | 2021-04-09 | 南京大树智能科技股份有限公司 | 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法 |
CN110501342A (zh) * | 2019-08-20 | 2019-11-26 | 北京信息科技大学 | 一种筒子纱纱杆定位视觉检测方法 |
CN110501342B (zh) * | 2019-08-20 | 2022-06-07 | 北京信息科技大学 | 一种筒子纱纱杆定位视觉检测方法 |
CN111080574A (zh) * | 2019-11-19 | 2020-04-28 | 天津工业大学 | 一种基于信息熵和视觉注意机制的织物疵点检测方法 |
CN111369480A (zh) * | 2020-01-20 | 2020-07-03 | 凌云光技术集团有限责任公司 | 一种处理周期性纹理的方法及装置 |
CN111369480B (zh) * | 2020-01-20 | 2023-10-24 | 凌云光技术股份有限公司 | 一种处理周期性纹理的方法及装置 |
CN111401552A (zh) * | 2020-03-11 | 2020-07-10 | 浙江大学 | 一种基于调整批量大小与梯度压缩率的联邦学习方法和系统 |
CN111401552B (zh) * | 2020-03-11 | 2023-04-07 | 浙江大学 | 基于调整批量大小与梯度压缩率的联邦学习方法和系统 |
CN111402225B (zh) * | 2020-03-13 | 2023-05-26 | 浙江工业大学 | 一种布匹折叠误检疵点判别方法 |
CN111402225A (zh) * | 2020-03-13 | 2020-07-10 | 浙江工业大学 | 一种布匹折叠误检疵点判别方法 |
CN113822095B (zh) * | 2020-06-02 | 2024-01-12 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、系统,机器人及存储介质 |
CN113822095A (zh) * | 2020-06-02 | 2021-12-21 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、系统,机器人及存储介质 |
CN111881725B (zh) * | 2020-06-14 | 2024-01-12 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN111881725A (zh) * | 2020-06-14 | 2020-11-03 | 浙江大学 | 一种融合空频域特征的光学遥感图像船舶目标检测方法 |
CN113899749A (zh) * | 2020-06-22 | 2022-01-07 | 东华大学 | 剥丝打结检测装置以及剥丝打结检测方法 |
CN112070788B (zh) * | 2020-09-03 | 2023-03-10 | 武汉工程大学 | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 |
CN112070788A (zh) * | 2020-09-03 | 2020-12-11 | 武汉工程大学 | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 |
CN114226262A (zh) * | 2020-09-09 | 2022-03-25 | 宜谷京科技实业有限公司 | 瑕疵检测方法、瑕疵分类方法及其系统 |
CN112465743B (zh) * | 2020-10-20 | 2022-04-22 | 天津大学 | 一种周期性结构质量检测方法 |
CN112465743A (zh) * | 2020-10-20 | 2021-03-09 | 天津大学 | 一种周期性结构质量检测方法 |
CN112288734A (zh) * | 2020-11-06 | 2021-01-29 | 西安工程大学 | 一种基于图像处理的印花织物表面缺陷检测方法 |
CN113172989A (zh) * | 2021-04-02 | 2021-07-27 | 广州诚鼎机器人有限公司 | 一种胶体识别方法、网框套位方法和椭圆印花机 |
CN113066075A (zh) * | 2021-04-10 | 2021-07-02 | 河南大学 | 一种多图像融合的牛仔布瑕疵检测方法及装置 |
CN113066075B (zh) * | 2021-04-10 | 2022-11-01 | 河南大学 | 一种多图像融合的牛仔布瑕疵检测方法及装置 |
CN113592748B (zh) * | 2021-07-06 | 2023-11-17 | 武汉工程大学 | 基于定量表征形变孪晶体积分数的图像处理方法与装置 |
CN113592748A (zh) * | 2021-07-06 | 2021-11-02 | 武汉工程大学 | 基于定量表征形变孪晶体积分数的图像处理方法与装置 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN113643271A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于频域滤波的图像瑕疵检测方法及装置 |
CN113706521A (zh) * | 2021-09-08 | 2021-11-26 | 常州市新创智能科技有限公司 | 碳纤维表面毛团检测方法、装置、存储介质和电子设备 |
CN114119462A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法 |
WO2023060797A1 (zh) * | 2021-10-13 | 2023-04-20 | 东方晶源微电子科技(北京)有限公司 | 用于半导体电子束缺陷监测的图像处理方法、装置和系统 |
WO2023065780A1 (zh) * | 2021-10-20 | 2023-04-27 | 珠海一微半导体股份有限公司 | 一种基于卷积算法的图像处理方法及芯片 |
CN114049326A (zh) * | 2021-11-16 | 2022-02-15 | 中科芯集成电路有限公司 | 一种基于视觉的电子元器件大批量计数方法与装置 |
CN114723705A (zh) * | 2022-03-31 | 2022-07-08 | 海门市恒创织带有限公司 | 一种基于图像处理的布匹瑕疵的检测方法 |
CN114723705B (zh) * | 2022-03-31 | 2023-08-22 | 深圳市启灵图像科技有限公司 | 一种基于图像处理的布匹瑕疵的检测方法 |
CN114494259B (zh) * | 2022-04-18 | 2022-06-17 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
CN116823821B (zh) * | 2023-08-29 | 2023-12-15 | 成都中科卓尔智能科技集团有限公司 | 基于相位恢复的芯片掩膜板瑕疵检测方法 |
CN116823821A (zh) * | 2023-08-29 | 2023-09-29 | 成都中科卓尔智能科技集团有限公司 | 基于相位恢复的芯片掩模版瑕疵检测方法 |
CN117670842A (zh) * | 2023-12-07 | 2024-03-08 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
CN117670842B (zh) * | 2023-12-07 | 2024-06-04 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109934802B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934802A (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
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 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN111179225A (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN109509171A (zh) | 一种基于gmm和图像金字塔的布匹疵点检测方法 | |
Pan et al. | Automatic detection of the layout of color yarns for yarn-dyed fabric via a FCM algorithm | |
CN113554080A (zh) | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 | |
Dixit et al. | Image texture analysis-survey | |
CN110930390A (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN103914708A (zh) | 基于机器视觉的食品品种检测方法及系统 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN113643271A (zh) | 一种基于频域滤波的图像瑕疵检测方法及装置 | |
CN113935666A (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN109543686A (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
Sayed | Robust fabric defect detection algorithm using entropy filtering and minimum error thresholding | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
Jeffrey Kuo et al. | Self-organizing map network for automatically recognizing color texture fabric nature |
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 |