CN109961432A - 一种滤布破损的检测方法和系统 - Google Patents
一种滤布破损的检测方法和系统 Download PDFInfo
- Publication number
- CN109961432A CN109961432A CN201910238782.5A CN201910238782A CN109961432A CN 109961432 A CN109961432 A CN 109961432A CN 201910238782 A CN201910238782 A CN 201910238782A CN 109961432 A CN109961432 A CN 109961432A
- Authority
- CN
- China
- Prior art keywords
- filter cloth
- image
- measured
- cloth image
- pixel
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 238
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000006978 adaptation Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 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
- 238000013139 quantization Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G06T7/12—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
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种滤布破损的检测方法，包括：对待测滤布进行图像采集，获取待测滤布图像；针对待测滤布图像中的每个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；w和h分别为预先确定的横向和竖向滤布周期；计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图；通过预设的阈值对相似性分布图进行二值化，定位出破损区域；根据定位出的破损区域确定待测滤布图像的破损检测结果。应用本申请的方案，降低了漏检、误检的发生概率，同时也有利于提高效率。本申请还提供了滤布破损的检测系统，具有相应效果。
Description
技术领域
本发明涉及滤布检测技术领域，特别是涉及一种滤布破损的检测方法和系统。
背景技术
随着计算机技术和传感器技术的迅速发展，工业自动化步伐的加快以及新技术的不断涌现，企业对工业现场的全自动化运行提出了需求。
在食品行业中，经常会使用工业滤布对原料进行过滤操作，以便去除杂质，获取优质的原料。但是，滤布在重复使用的过程中会因多次被挤压与折叠出现破损，从而导致杂质过滤效果降低，因此需要准确识别出滤布中的破损，以便进行缝补或者更换，从而避免过滤后的原料中混入过多的杂质，降低原料质量。
目前传统的工业滤布破损检测方式主要还是依靠操作工进行肉眼观察，这种检测方式的精度较差、容易受到主观因素影响，漏检、误检的情况也较常发生，同时人工操作的效率也较低，易疲劳，进而导致工业生产的效率降低。
综上所述，如何有效地避免肉眼观测滤布导致的效率低下，精度较差等问题，是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种滤布破损的检测方法和系统，以有效地避免肉眼观测滤布导致的效率低下，精度较差等问题。
为解决上述技术问题，本发明提供如下技术方案：
一种滤布破损的检测方法，包括：
对待测滤布进行图像采集，获取待测滤布图像；
针对所述待测滤布图像中的每一个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；其中，w为预先确定的横向滤布周期，h为预先确定的竖向滤布周期；
计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图；
通过预设的阈值对所述相似性分布图进行二值化，定位出破损区域；
根据定位出的所述破损区域确定所述待测滤布图像的破损检测结果。
优选的，所述w*h的窗口为通过以下步骤确定出的窗口：
选取正常无破损滤布图像作为模板滤布图像，确定所述模板滤布图像在水平方向上的二维距离匹配函数的二次前向差分ΔDr(p)，以及在垂直方向上的二维距离匹配函数的二次前向差分ΔDc(p)；
将所述二次前向差分ΔDr(p)的最大值确定为所述模板滤布图像的横向纹理周期，并作为所述模板滤布图像以及所述待测滤布图像的横向滤布周期w；
将所述二次前向差分ΔDc(p)的最大值确定为所述模板滤布图像的竖向纹理周期，并作为所述模板滤布图像以及所述待测滤布图像的竖向滤布周期h；
其中，所述模板滤布图像所对应的滤布与所述待测滤布为相同种类的滤布。
优选的，所述最优结构参数为通过以下步骤确定出的参数：
设定所述模板滤布图像的尺度为S，方向数目为D；
针对所述模板滤布图像中的每一个像素点(i,j)，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及参数Ps,d(1≤s≤S,1≤d≤D)下的灰度共生矩阵，并针对任意一个灰度共生矩阵，将该灰度共生矩阵首尾相连形成特征向量Vs,d(i,j)；
计算出所述模板滤布图像在参数为Ps,d时的参考特征向量Rs,d，以及在参数为Ps,d时的各特征向量Vs,d(i,j)与所述参考特征向量Rs,d的相似性距离Ds,d(i,j)；
其中，Ds,d(i,j)＝||Vs,d(i,j)-Rs,d||，W为所述模板滤布图像的横向长度，H为所述模板滤布图像的竖向长度；
计算在参数为Ps,d时，相似性距离Ds,d(i,j)的均方差δs,d以及均值μs,d，其中，
将均方差δs,d最小时所对应的结构参数作为最优结构参数其中，s*为最优尺度，d*为最优方向。
优选的，所述阈值
优选的，所述通过预设的阈值对所述相似性分布图进行二值化，定位出破损区域，包括：
通过灰度图像二值化计算公式确定出二值化图像，将所述二值化图像中的特征区域的轮廓确定为定位出的破损区域。
优选的，所述根据定位出的所述破损区域确定所述待测滤布图像的破损检测结果，包括：
统计所述破损区域中所包含的像素点的个数A，并确定破损面积S＝A*B，其中，B为单个像素点所占面积；
根据所述破损面积S确定所述待测滤布图像的破损检测结果。
优选的，预设的灰度级数N为16。
优选的，在所述获取待测滤布图像之后，计算灰度共生矩阵之前，还包括：
对所述待测滤布图像进行滤波。
优选的，在所述获取待测滤布图像之后，计算灰度共生矩阵之前，还包括
对所述待测滤布图像进行直方图均衡化。
一种滤布破损的检测系统，其特征在于，包括：
图像获取模块，用于对待测滤布进行图像采集，获取待测滤布图像；
特征向量生成模块，用于针对所述待测滤布图像中的每一个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；其中，w为预先确定的横向滤布周期，h预先确定的竖向滤布周期；
相似性分布图确定模块，用于计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图；
破损区域确定模块，用于通过预设的阈值对所述相似性分布图进行二值化，定位出破损区域；
破损检测结果确定模块，用于根据定位出的所述破损区域确定所述待测滤布图像的破损检测结果。
应用本发明实施例所提供的技术方案，灰度共生矩阵可以有效地提取待测图像的特征信息，因此利用灰度共生矩阵进行纹理特征的提取，进而便可以通过特征相似性距离度量定位破损区域。具体的，在获取待测滤布图像之后，可以针对待测滤布图像中的每一个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；之后计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图，再通过预设的阈值对相似性分布图进行二值化，定位出破损区域，最后根据定位出的破损区域确定待测滤布图像的破损检测结果。由于本申请采用了图像识别的方式进行滤布破损的检测而非人工肉眼检测，也就不会受到主观因素影响，降低了漏检、误检的发生概率，同时也有利于提高效率。
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为本发明中一种滤布破损的检测方法的实施流程图；
图2a为本发明中一种具体场合中的滤布图像的灰度分布情况示意图；
图2b为本发明中一种具体场合中的非线性映射函数的曲线图；
图3a为本发明一种具体实施方式中的滤布图像的二维距离匹配函数的横向滤布周期示意图；
图3b为本发明一种具体实施方式中的滤布图像的二维距离匹配函数的竖向滤布周期示意图；
图4a为本发明一种具体实施方式中模板滤布图像在水平方向的二次前向差分随周期p的变化示意图；
图4b为本发明一种具体实施方式中模板滤布图像在垂直方向的二次前向差分随周期p的变化示意图；
图5为本发明一种具体实施方式中在不同的尺度和方向下模板滤布图像的特征向量距离方差的变化曲线示意图；
图6为本发明中一种滤布破损的检测系统的结构示意图。
具体实施方式
本发明的核心是提供一种滤布破损的检测方法，降低了漏检、误检的发生概率，同时也有利于提高效率。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
请参考图1，图1为本发明中一种滤布破损的检测方法的实施流程图，该方法可以包括以下步骤：
步骤S101：对待测滤布进行图像采集，获取待测滤布图像。
在获取待测滤布图像时，通常会将待测滤布设置在红外光源与摄像机之间，摄像机可以将获取到的待测滤布图像发送至处理器，处理器通常可以为用户的计算机。
在本发明的一种具体实施方式中，在步骤S101之后，步骤S102之前，还可以包括：对待测滤布图像进行滤波。
考虑到图像在采集与传输过程中都很容易引入噪声，引入的噪声往往会对检测结果造成很大的影响，因此可以对待测滤布图像进行滤波。滤波操作是一种简单且有效的消除噪声的方式，是提高信号源质量的有效手段。
在对待测滤布图像进行滤波时，具体的滤波方式可以根据实际需要进行设定和选取。进一步的，申请人考虑到常用的平滑滤波方式有中值滤波和均值滤波两种，均值滤波容易造成图像细节特征强度的衰减，从而使得图像变得模糊，而本申请需要进行的是滤布破损的检测，滤布破损本身就是不明显的局部特征，若使用均值滤波会造成局部特征更为不明显，因此可以采用中值滤波的滤波方式。
图像中值滤波是一种非线性平滑技术，其将数字图像中每一个像素点的灰度值用该像素点的一个2×2或3×3的邻域中的其他像素点的灰度值中值进行代替，达到消除孤立的噪声点的目的。具体的，可以使用具有特征结构的采样窗口对图像中的像素点进行采样，将采样窗口中的像素点灰度值进行排序，使其变为依次有序的序列，找到该序列的中值，然后用中值代替邻域内像素值。灰度图像中值滤波的公式可以表示为：f(x,y)＝median{g(x-a,y-b)|(a,b∈C)}。其中，g(x,y)表示的是滤波处理前的图像灰度值，f(x,y)表示的是滤波处理后的图像灰度值，C表示的是滤波操作中的采样窗口，通常可以选取为3×3，a和b则分别表示该采样窗口的宽度和高度。
在本发明的一种具体实施方式中，在步骤S101之后，步骤S102之前，还可以包括：对待测滤布图像进行直方图均衡化。
考虑到本申请需要进行滤布破损的检测，而滤布中的破损与非破损处的对比度有时候并不是特别的明显，因此可以增强图像的对比度，从而将滤布破损处的特征凸显出来，使得破损处更容易进行判别。还需要说明的是，在实际应用中，如果滤波操作以及对比度增强的操作都需要进行，通常可以先进行滤波操作，后进行对比度增强的操作。
进一步的，该种实施方式中，考虑到后续步骤中需要提取GLCM(Gray-Level Co-occurrence Matrix，灰度共生矩阵)特征，因此采用直方图均衡化的方法增强图像对比度。这是考虑到采用直方图均衡化的方法不仅可以使得待测滤布图像的灰度均匀分布，还有利于提取GLCM特征。
GLCM特征提取算法在进行灰度量化时，一般直接采用线性量化，也就是直接将当前图像的灰度范围等价划分为N个区间，从而将图像转变成灰度级为N的图像，N可以称为灰度级数或者称为量化级数。对于本申请的滤布图像而言，由于灰度值往往集中于某一段区间，不是均匀分布于整个灰度空间，例如图2a中显示了一种具体场合中的滤布图像的灰度分布情况，可以看出，灰度集中于前一段区域，如果直接对其进行线性量化，会导致灰度共生矩阵十分稀疏，图像的纹理特征不能得到充分体现。而如果先进行了直方图均衡化，便可以使得集中分布的灰度空间向均匀分布的灰度空间转化。这是一个非线性映射的过程，图2b显示了非线性映射函数的曲线图。可参见表一，为映射前后的GLCM提取结果比较，显然，映射前的灰度共生矩阵十分稀疏，未能充分利用灰度特征空间，而映射后的灰度共生矩阵对灰度特征空间进行了更加充分的利用。
表一：
直方图均衡化的基本思想是将原始灰度图像的灰度直方图转换为均匀分布的形式，通过增强灰度值的动态范围来实现增强图像对比度的效果。将原灰度图像的像素点灰度值记为f，经过图像增强后的灰度值记为g，通过映射函数实现像素点的灰度值从f到g的转换。实现过程可以为：
首先统计直方图中每个灰度级出现的次数，并计算概率，其公式为：
P(gk)＝nk/N,k＝0,1,2,......L-1
之后累计归一化，公式为
最后计算新的灰度级fk＝round(L×T(gk))
其中，L为图像的灰度级，通常可以取值256，nk表示第k个灰度级的数目，此处的N表示的是像素总数目，P(gk)表示灰度级k出现的概率，T(gk)为累计分布函数，round()表示四舍五入取整。
步骤S102：针对待测滤布图像中的每一个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；其中，w为预先确定的横向滤布周期，h为预先确定的竖向滤布周期。
窗口大小不同，尺度不同，方向不同以及灰度级数不同，都会影响GLCM特征的提取。也就是说，在对待测滤布图像执行步骤S102之前，需要预先确定好w*h的窗口的具体数值，需要预先设定灰度级数N以及确定最优结构参数的取值，当然，具体的取值方式可以根据实际情况进行调整。
在本发明的一种具体实施方式中，w*h的窗口为通过以下步骤确定出的窗口：
步骤一：选取正常无破损滤布图像作为模板滤布图像，确定模板滤布图像在水平方向上的二维距离匹配函数的二次前向差分ΔDr(p)，以及在垂直方向上的二维距离匹配函数的二次前向差分ΔDc(p)；
步骤二：将二次前向差分ΔDr(p)的最大值确定为模板滤布图像的横向纹理周期，并作为模板滤布图像以及待测滤布图像的横向滤布周期w；
步骤三：将二次前向差分ΔDc(p)的最大值确定为模板滤布图像的竖向纹理周期，并作为模板滤布图像以及待测滤布图像的竖向滤布周期h；其中，模板滤布图像所对应的滤布与待测滤布为相同种类的滤布。
首先需要说明的是，规则度，或者称为周期性，是纹理图像的主要特征之一，是对纹理图像描述和分类的重要特征。在进行纹理周期的提取时，常使用的方法有自相关系数、傅里叶变换等，但由于参数设置，噪声干扰，扩展性有限，运行效率低下等因素，使得这些方案存在较为明显的不足。本申请的该种实施方式中，利用SDMF(Summed-Up DistanceMatch-ing Function，累加距离匹配函数)的方法计算滤布的纹理周期，SDMF运行效率高，并且使用距离匹配函数的二次前向差分操作来得到纹理周期的值，提出了SDMF波峰和波谷明确的物理意义，使得该方法具有良好的扩展性。
具体的，一维距离匹配函数可以表示为：
其中，参数p表示的是该函数的周期，取值范围为[0,W-1]。当周期p为函数g(i)的周期且检测对象为规则纹理时，函数g(i)与g(i+p)相等。
用二维变量函数g(i,j)表示滤布图像灰度值，根据一维距离匹配函数可得滤布的二维距离匹配函数，其中，水平方向上的二维距离匹配函数可以表示为：而垂直方向上的二维距离匹配函数可以表示为其中，W和H分别表示滤布图像的宽度和高度。可参阅图3，图3a为一种具体实施方式中的滤布图像的二维距离匹配函数的横向滤布周期示意图，图3b则为该滤布图像的二维距离匹配函数的竖向滤布周期示意图。
一次前向差分D(p)表示的是：滤布函数g(x,y)的周期为p+1时所对应的二维距离匹配函数与滤布函数g(x,y)的周期为p时所对应的二维距离匹配函数的差值。同理可知，滤布函数g(x,y)的周期为p时所对应的二维距离匹配函数和滤布函数g(x,y)的周期为p-1时所对应的二维距离匹配函数的差值为D(p-1)。
因此，水平方向上的一次前向差分计算公式表示为：
垂直方向上的一次前向差分计算公式表示为：
函数ΔD(p)是滤布的二维距离匹配函数的二次前向差分，水平方向上的二次前向差分计算公式为：ΔDr(p)＝Dr(p)-Dr(p-1)，垂直方向上的二次前向差分计算公式为：ΔDc(p)＝Dc(p)-Dc(p-1)。
当滤布的纹理周期为p时，滤布的二维距离匹配函数sumλ(p)达到极小值，一次前向差分D(p)达到极大值，D(p-1)达到极小值，因此二次前向差分ΔD(p)达到极大值。
因此，本申请中，选取正常无破损滤布图像作为模板滤布图像，通过模板滤布图像在水平方向上的二维距离匹配函数的二次前向差分ΔDr(p)的最大值，确定出模板滤布图像的横向纹理周期，相应的，通过模板滤布图像在垂直方向上的二维距离匹配函数的二次前向差分ΔDc(p)的最大值确定出模板滤布图像的竖向纹理周期。例如图4a，为一种具体场合中，模板滤布图像在水平方向的二次前向差分随周期p的变化示意图，图4b为该模板滤布图像在垂直方向的二次前向差分随周期p的变化示意图。在图4的实施方式中，可以确定滤布周期为(24,16)，也即GLCM的移动窗口的大小为(24,16)。
当然，模板滤布图像所对应的滤布需要与待测滤布为相同种类的滤布。在实际应用中，如果使用的待测滤布种类出现变更，需要重新对新种类的滤布进行纹理周期的确定。此外，在预设灰度级数N以及设定最优结构参数时，均需要采用相同种类的滤布。
还需要说明的是，确定了模板滤布图像的横向纹理周期之后，本申请将该横向纹理周期作为模板滤布图像以及待测滤布图像的横向滤布周期w，相应的，将模板滤布图像的竖向纹理周期作为模板滤布图像以及待测滤布图像的竖向滤布周期h；由于将滤布的纹理周期作为滤布周期，同时也作为GLCM特征提取中的窗口大小，使得GLCM特征提取更能体现滤布的纹理信息。
在本发明的一种具体实施方式中，预设的灰度级数N为16。
灰度级N决定了GLCM的计算规模，灰度级越高，图像纹理细节分析越精细，但是矩阵会更大，计算效率更低。相应的，灰度级越低，图像纹理分析越粗糙，过少的灰度级数量可能会破坏纹理的成分，但是处理速度会提升，而且适当的灰度级数量还可以降低噪声。当直接对图像求取灰度共生矩阵，其灰度级数为256，那GLCM的维度为256*256，计算量将会非常大。为了选取最合适的灰度级，本申请的一种具体实施方式中，对4、8、16、32、64、128、256等常见的灰度级进行试验，分析特征值、处理速度与灰度级的关系，从而选出一个最优的灰度级数作为预设的灰度级数，用于后续的分析。
本申请从正常滤布中随机选取10个样本，分别对其提取灰度共生矩阵，使用点距为1，角度为0度、45度、90度和135度四个方向，分别计算对比度、角二阶矩、相关性和熵这四个特征值。表二中列出了这十个样本的相关数据的均值。
表二：
| 灰度级 | 对比度 | 角二阶矩 | 相关性 | 熵 |
| 4 | 0.5852 | 0.3333 | 0.7617 | 0.5799 |
| 8 | 2.0118 | 0.1818 | 0.8003 | 0.889 |
| 16 | 7.6869 | 0.0997 | 0.8114 | 1.2053 |
| 32 | 30.3934 | 0.0548 | 0.8141 | 1.2053 |
| 64 | 122.0875 | 0.0451 | 0.8151 | 1.5957 |
| 128 | 490.8446 | 0.0434 | 0.8152 | 1.627 |
| 256 | 1966.1962 | 0.0431 | 0.8151 | 1.6393 |
可以看出，当灰度级N为16时，对比度已经有了比较明显的区分度，相关性和熵也达到了较高点，角二阶矩下降也不是很多，并且当灰度级N为16时，单张图像的处理速度也较快，即特征值的区分度与处理时间取得了较好的平衡。因此本申请中可以将灰度级数N预设为16。
在本发明的一种具体实施方式中，最优结构参数为通过以下步骤确定出的参数：
第一个步骤：设定模板滤布图像的尺度为S，方向数目为D；
第二个步骤：针对模板滤布图像中的每一个像素点(i,j)，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及参数Ps,d(1≤s≤S，1≤d≤D)下的灰度共生矩阵，并针对任意一个灰度共生矩阵，将该灰度共生矩阵首尾相连形成特征向量Vs,d(i,j)；
第三个步骤：计算出模板滤布图像在参数为Ps,d时的参考特征向量Rs,d，以及在参数为Ps,d时的各特征向量Vs,d(i,j)与参考特征向量Rs,d的相似性距离Ds,d(i,j)；
其中，Ds,d(i,j)＝||Vs,d(i,j)-Rs,d||，W为模板滤布图像的横向长度，H为模板滤布图像的竖向长度；
第四个步骤：计算在参数为Ps,d时，相似性距离Ds,d(i,j)的均方差δs,d以及均值μs,d；
其中，
第五个步骤：将均方差δs,d最小时所对应的结构参数作为最优结构参数其中，s*为最优尺度，d*为最优方向。
当选择不同的空间相对位置参数Ps,d时，灰度共生矩阵将获得不同尺度和方向下的图像纹理特征。例如，Ps,d＝[0,s]，Ps,d＝[-s,s]，Ps,d＝[-s,0]以及Ps,d＝[-s,-s]分别可以获得0度方向、45度方向、90度方向和135度方向这四个方向的纹理特征，而Ps,d＝[0,δ]，Ps,d＝[0,2*δ]以及Ps,d＝[0,3*δ]分别可以获得同一方向不同尺度下的纹理特征。
通常的算法会计算各个方向各个尺度下的灰度共生矩阵，将所有特征向量组合起来形成最终的特征向量描述，即，将各个方向各个尺度下的结构参数作为最优结构参数。申请人考虑到，对滤布纹理来说，其特征往往在某一尺度和方向中凸显出来，引入其他不必要的尺度和方向反而容易在特征向量相似性度量上引起额外的干扰。并且可能产生相当长的耗时。例如如果选择灰度级数N为16，方向数为4，尺度数为5，则最终形成的特征向量为16×16×4×5＝15360。由于形成的特征向量维数高，使得计算特征相当耗时。
因此，本申请并没有计算各个方向各个尺度下的灰度共生矩阵。
具体的，先设定模板滤布图像的尺度为S，方向数目为D，例如图5中，尺度S为10，方向数目D为4。之后针对模板滤布图像中的每一个像素点(i,j)，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及参数Ps,d(1≤s≤S,1≤d≤D)下的灰度共生矩阵，并针对任意一个灰度共生矩阵，将该灰度共生矩阵首尾相连形成特征向量Vs,d(i,j)。例如窗口大小可以为(24,16)，预设的灰度级数N可以为16。s以及d均为整数，也就是说，当尺度S为10，方向数目D为4时，共有40种组合方式，则对于每一个像素点而言，该像素点需要计算40次灰度共生矩阵。
在参数为Ps,d时，将整幅模板滤布图像的Vs,d(i,j)均值作为该参数下的参考特征向量Rs,d，并计算该参数Ps,d时的各特征向量Vs,d(i,j)与参考特征向量Rs,d的相似性距离Ds,d(i,j)，计算公式为：
Ds,d(i,j)＝||Vs,d(i,j)-Rs,d||，W为模板滤布图像的横向长度，H为模板滤布图像的竖向长度。
对正常无破损滤布图像来说，各处纹理具有周期重复性，相似性距离Ds,d(i,j)不会受(i,j)位置的变化影响，因此采用相似性距离Ds,d(i,j)的均方差δs,d作为最优结构参数的评价标准，即最后，将均方差δs,d最小时所对应的结构参数作为最优结构参数其中，s*为最优尺度，d*为最优方向。例如图5，为一种具体实施方式中，在不同的尺度和方向下，模板滤布图像的特征向量距离方差的变化曲线示意图，在图5中，最优尺度s*选取为9，最优方向d*选取为0度。
此外还需要说明的是，该种实施方式中还计算了相似性距离Ds,d(i,j)的均值均值μs,d可以用于进行阈值的设定。
步骤S103：计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图。
确定了待测滤布图像的各个特征向量V(x,y)之后，通过计算各个特征向量V(x,y)与参考特征向量之间的距离，可以获得相似性分布图。
参考特征向量可以根据实际情况进行设定，例如在前述确定最优结构参数的实施方式中，可以将最优结构参数下的模板滤布图像的Vs,d(i,j)均值作为参考特征向量
步骤S104：通过预设的阈值对相似性分布图进行二值化，定位出破损区域。
预设的阈值也可以根据实际需要进行设定和调整。
在本发明的一种具体实施方式中，考虑到相似性距离Ds,d(i,j)的均值μs,d以及均方差δs,d实际上已经界定了正常无破损滤布的相似性距离Ds,d(i,j)的变化范围，因此，该种实施方式中，通过相似性距离Ds,d(i,j)的均值μs,d以及均方差δs,d来设定阈值可以避免在使用其他算法时，需要根据不同情况不断调整阈值所带来的麻烦。例如一种具体场合中，阈值
灰度图像二值化的实现方法是将灰度图像中的每个像素点的灰度值与设定的二值化阈值进行比较。
在一种具体实施方式中，若像素点的灰度值大于等于设定阈值将该像素点的灰度值标记为255，反之则标记为0，即可以通过灰度图像二值化计算公式确定出二值化图像，从而将二值化图像中的特征区域的轮廓确定为定位出的破损区域。具体的，可以遍历二值化图像寻找特征区域，然后用平滑的曲线将特征区域围起来，所围的区域即是特征区域的轮廓，也即定位出的破损区域。
步骤S105：根据定位出的破损区域确定待测滤布图像的破损检测结果。
在定位出破损区域之后，可以确定待测滤布图像的破损检测结果，通常，可以根据破损区域的面积确定待测滤布图像的破损检测结果。
在一种具体实施方式中，步骤S105可以具体为：统计破损区域中所包含的像素点的个数A，并确定破损面积S＝A*B，其中，B为单个像素点所占面积；再根据破损面积S确定待测滤布图像的破损检测结果。例如，可以将破损面积S与一个或者多个设定的面积阈值进行比较从而得出破损检测结果，例如破损检测结果可以为正常滤布、磨损滤布以及漏洞滤布。
本申请考虑到灰度共生矩阵可以有效地提取待测图像的特征信息，因此利用灰度共生矩阵进行纹理特征的提取，进而便可以通过特征相似性距离度量定位破损区域。具体的，在获取待测滤布图像之后，可以针对待测滤布图像中的每一个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；之后计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图，再通过预设的阈值对相似性分布图进行二值化，定位出破损区域，最后根据定位出的破损区域确定待测滤布图像的破损检测结果。由于本申请采用了图像识别的方式进行滤布破损的检测而非人工肉眼检测，也就不会受到主观因素影响，降低了漏检、误检的发生概率，同时也有利于提高效率。
相应于上面的方法实施例，本发明实施例还提供了一种滤布破损的检测系统，可参阅图6，为本发明中一种滤布破损的检测系统的结构示意图，该系统包括：
图像获取模块601，用于对待测滤布进行图像采集，获取待测滤布图像；
特征向量生成模块602，用于针对待测滤布图像中的每一个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；其中，w为预先确定的横向滤布周期，h预先确定的竖向滤布周期；
相似性分布图确定模块603，用于计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图；
破损区域确定模块604，用于通过预设的阈值对相似性分布图进行二值化，定位出破损区域；
破损检测结果确定模块605，用于根据定位出的破损区域确定待测滤布图像的破损检测结果。
在本发明的一种具体实施方式中，还包括：
滤波模块，用于对待测滤布图像进行滤波。
在本发明的一种具体实施方式中，还包括：
直方图均衡化模块，用于对待测滤布图像进行直方图均衡化。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种滤布破损的检测方法，其特征在于，包括：
对待测滤布进行图像采集，获取待测滤布图像；
针对所述待测滤布图像中的每一个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；其中，w为预先确定的横向滤布周期，h为预先确定的竖向滤布周期；
计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图；
通过预设的阈值对所述相似性分布图进行二值化，定位出破损区域；
根据定位出的所述破损区域确定所述待测滤布图像的破损检测结果。
2.根据权利要求1所述的滤布破损的检测方法，其特征在于，所述w*h的窗口为通过以下步骤确定出的窗口：
选取正常无破损滤布图像作为模板滤布图像，确定所述模板滤布图像在水平方向上的二维距离匹配函数的二次前向差分ΔDr(p)，以及在垂直方向上的二维距离匹配函数的二次前向差分ΔDc(p)；
将所述二次前向差分ΔDr(p)的最大值确定为所述模板滤布图像的横向纹理周期，并作为所述模板滤布图像以及所述待测滤布图像的横向滤布周期w；
将所述二次前向差分ΔDc(p)的最大值确定为所述模板滤布图像的竖向纹理周期，并作为所述模板滤布图像以及所述待测滤布图像的竖向滤布周期h；
其中，所述模板滤布图像所对应的滤布与所述待测滤布为相同种类的滤布。
3.根据权利要求2所述的滤布破损的检测方法，其特征在于，所述最优结构参数为通过以下步骤确定出的参数：
设定所述模板滤布图像的尺度为S，方向数目为D；
针对所述模板滤布图像中的每一个像素点(i,j)，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及参数Ps,d(1≤s≤S,1≤d≤D)下的灰度共生矩阵，并针对任意一个灰度共生矩阵，将该灰度共生矩阵首尾相连形成特征向量Vs,d(i,j)；
计算出所述模板滤布图像在参数为Ps,d时的参考特征向量Rs,d，以及在参数为Ps,d时的各特征向量Vs,d(i,j)与所述参考特征向量Rs,d的相似性距离Ds,d(i,j)；
其中，Ds,d(i,j)＝||Vs,d(i,j)-Rs,d||，W为所述模板滤布图像的横向长度，H为所述模板滤布图像的竖向长度；
计算在参数为Ps,d时，相似性距离Ds,d(i,j)的均方差δs,d以及均值μs,d，其中，
将均方差δs,d最小时所对应的结构参数作为最优结构参数其中，s*为最优尺度，d*为最优方向。
4.根据权利要求3所述的滤布破损的检测方法，其特征在于，所述阈值
5.根据权利要求3所述的滤布破损的检测方法，其特征在于，所述通过预设的阈值对所述相似性分布图进行二值化，定位出破损区域，包括：
通过灰度图像二值化计算公式确定出二值化图像，将所述二值化图像中的特征区域的轮廓确定为定位出的破损区域。
6.根据权利要求5所述的滤布破损的检测方法，其特征在于，所述根据定位出的所述破损区域确定所述待测滤布图像的破损检测结果，包括：
统计所述破损区域中所包含的像素点的个数A，并确定破损面积S＝A*B，其中，B为单个像素点所占面积；
根据所述破损面积S确定所述待测滤布图像的破损检测结果。
7.根据权利要求3所述的滤布破损的检测方法，其特征在于，预设的灰度级数N为16。
8.根据权利要求1所述的滤布破损的检测方法，其特征在于，在所述获取待测滤布图像之后，计算灰度共生矩阵之前，还包括：
对所述待测滤布图像进行滤波。
9.根据权利要求1至8任一项所述的滤布破损的检测方法，其特征在于，在所述获取待测滤布图像之后，计算灰度共生矩阵之前，还包括
对所述待测滤布图像进行直方图均衡化。
10.一种滤布破损的检测系统，其特征在于，包括：
图像获取模块，用于对待测滤布进行图像采集，获取待测滤布图像；
特征向量生成模块，用于针对所述待测滤布图像中的每一个像素点，以该像素点为中心选择w*h的窗口，计算该像素点在预设的灰度级数N以及最优结构参数下的灰度共生矩阵，并将该灰度共生矩阵首尾相连形成特征向量V(x,y)；其中，w为预先确定的横向滤布周期，h预先确定的竖向滤布周期；
相似性分布图确定模块，用于计算各个特征向量V(x,y)与参考特征向量之间的距离，获得相似性分布图；
破损区域确定模块，用于通过预设的阈值对所述相似性分布图进行二值化，定位出破损区域；
破损检测结果确定模块，用于根据定位出的所述破损区域确定所述待测滤布图像的破损检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910238782.5A CN109961432A (zh) | 2019-03-27 | 2019-03-27 | 一种滤布破损的检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910238782.5A CN109961432A (zh) | 2019-03-27 | 2019-03-27 | 一种滤布破损的检测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109961432A true CN109961432A (zh) | 2019-07-02 |
Family
ID=67025102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910238782.5A Pending CN109961432A (zh) | 2019-03-27 | 2019-03-27 | 一种滤布破损的检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109961432A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200805A (zh) * | 2020-11-11 | 2021-01-08 | 北京平恒智能科技有限公司 | 一种工业品图像目标提取及缺陷判断方法 |
| CN112907524A (zh) * | 2021-02-04 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车防火板故障检测方法 |
| CN114419004A (zh) * | 2022-01-21 | 2022-04-29 | 佛山技研智联科技有限公司 | 织物瑕疵的检测方法、装置、计算机设备及可读存储介质 |
| CN114842027A (zh) * | 2022-04-24 | 2022-08-02 | 南通真馨家纺有限公司 | 基于灰度共生矩阵的织物疵点分割方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070177160A1 (en) * | 2004-09-30 | 2007-08-02 | Brother Kogyo Kabushiki Kaisha | Three-dimensional object information acquisition using patterned light projection with optimized image-thresholding |
| US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
| CN104809725A (zh) * | 2015-04-23 | 2015-07-29 | 广东工业大学 | 一种布匹缺陷视觉识别检测装置和方法 |
| CN105277567A (zh) * | 2015-05-21 | 2016-01-27 | 南通大学 | 一种织物瑕疵检测方法 |
| CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
| CN107037050A (zh) * | 2017-04-05 | 2017-08-11 | 东华大学 | 一种织物图像纹理周期的自动测量方法 |
| CN107423744A (zh) * | 2017-03-23 | 2017-12-01 | 北京环境特性研究所 | 钢绳芯输送带的接头识别及损伤定位方法 |
| CN108090894A (zh) * | 2017-11-24 | 2018-05-29 | 浙江理工大学 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
-
2019
- 2019-03-27 CN CN201910238782.5A patent/CN109961432A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070177160A1 (en) * | 2004-09-30 | 2007-08-02 | Brother Kogyo Kabushiki Kaisha | Three-dimensional object information acquisition using patterned light projection with optimized image-thresholding |
| US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
| CN104809725A (zh) * | 2015-04-23 | 2015-07-29 | 广东工业大学 | 一种布匹缺陷视觉识别检测装置和方法 |
| CN105277567A (zh) * | 2015-05-21 | 2016-01-27 | 南通大学 | 一种织物瑕疵检测方法 |
| CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
| CN107423744A (zh) * | 2017-03-23 | 2017-12-01 | 北京环境特性研究所 | 钢绳芯输送带的接头识别及损伤定位方法 |
| CN107037050A (zh) * | 2017-04-05 | 2017-08-11 | 东华大学 | 一种织物图像纹理周期的自动测量方法 |
| CN108090894A (zh) * | 2017-11-24 | 2018-05-29 | 浙江理工大学 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 蒋圣等: "利用累加距离匹配函数的纹理规则度计算方法", 《计算机辅助设计与图形学学报》 * |
| 黄娟: "基于图像处理技术的医用纱布表面缺陷检测", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200805A (zh) * | 2020-11-11 | 2021-01-08 | 北京平恒智能科技有限公司 | 一种工业品图像目标提取及缺陷判断方法 |
| CN112907524A (zh) * | 2021-02-04 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车防火板故障检测方法 |
| CN114419004A (zh) * | 2022-01-21 | 2022-04-29 | 佛山技研智联科技有限公司 | 织物瑕疵的检测方法、装置、计算机设备及可读存储介质 |
| CN114842027A (zh) * | 2022-04-24 | 2022-08-02 | 南通真馨家纺有限公司 | 基于灰度共生矩阵的织物疵点分割方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961432A (zh) | 一种滤布破损的检测方法和系统 | |
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| CN116030058B (zh) | 一种用于抛光垫表面粗糙度的质量评价方法 | |
| CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
| US6647132B1 (en) | Methods and apparatuses for identifying regions of similar texture in an image | |
| CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
| CN116843688A (zh) | 一种纺织品质量视觉检测方法 | |
| DE102013112040B4 (de) | System und Verfahren zum Auffinden von sattelpunktartigen Strukturen in einem Bild und Bestimmen von Informationen daraus | |
| CN110111322A (zh) | 一种基于图像的隧道病害识别系统 | |
| CN112001904A (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
| CN115330784A (zh) | 一种布匹表面缺陷检测方法 | |
| CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
| CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
| CN116596905A (zh) | 一种集成电路芯片表面缺陷检测方法 | |
| CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN117808806B (zh) | 基于图像特征分析的饲料生产质量精细化检测方法 | |
| CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
| CN109829902A (zh) | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 | |
| CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
| Maheshwari et al. | Non-destructive quality analysis of Indian Basmati Oryza sativa SSP indica (Rice) using image processing | |
| CN116152255A (zh) | 一种改性塑料生产瑕疵判断方法 | |
| CN114066881A (zh) | 一种基于非线性变换检测方法、计算机设备及存储介质 | |
| Zhong et al. | Research on digital intelligent recognition method of the weave pattern of fabric based on the redundant information | |
| Patel et al. | Effect of gray-level re-quantization on co-occurrence based texture analysis | |
| CN117495862B (zh) | 一种义齿耐磨性检测装置 |
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: 20190702 |
|
| RJ01 | Rejection of invention patent application after publication |