CN110400319A - 一种基于区域分割法的丝饼油污分割算法 - Google Patents
一种基于区域分割法的丝饼油污分割算法 Download PDFInfo
- Publication number
- CN110400319A CN110400319A CN201910640191.0A CN201910640191A CN110400319A CN 110400319 A CN110400319 A CN 110400319A CN 201910640191 A CN201910640191 A CN 201910640191A CN 110400319 A CN110400319 A CN 110400319A
- Authority
- CN
- China
- Prior art keywords
- spinning cake
- greasy dirt
- image
- region
- subimage block
- 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
- 238000009987 spinning Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000007547 defect Effects 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005286 illumination Methods 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 239000000356 contaminant Substances 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract description 2
- 238000007380 fibre production Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20032—Median 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种丝饼油污分割算法,用于化纤生产线上丝饼表面油污缺陷的检测,包括以下步骤:对采集到的丝饼图像进行灰度化处理;利用图像分块算法对丝饼进行分块处理以提高算法执行速度;利用同态滤波器对丝饼进行消除光照不均匀处理;利用滤波算法对丝饼图像进行滤波处理以去除多余噪声;对滤波后的图像进行阈值分割以定位出油污的大致区域;提取油污的左上区域的某个位置作为种子点,以区域生长法进行分割;对分割好的丝饼图像进行形态学处理已去除多余的孔洞和噪声。本发明的丝饼油污分割算法可以有效地对丝饼上的表面油污进行分割,具有分割精度高的优点,可应用于实际丝饼生产线上,具有广泛的应用场景。
Description
技术领域
本发明涉及一种缺陷分割算法,具体涉及一种丝饼油污分割算法。
背景技术
在化纤行业,丝饼的生产过程需要经过卷丝、输送、储存、检测分类和包装等多个流程。在其生产的过程中可能会由于机器或人为因素产生缺陷,影响后续的纺织品的形成质量。目前在丝饼的外观缺陷的检测领域,企业还是更多地通过人工检测来完成。但是人工检测会导致员工产生疲劳,从而使得丝饼的缺陷检测率降低,影响丝饼的生产效率。因此采用有效的方式来代替人进行检测势在必行。
随着机器视觉和图像处理等技术的快速发展,使得在线检测成为可能。而在在线检测中,算法是核心部分。有个合适的图像处理算法对缺陷的检测和分割有着重要的影响。在丝饼缺陷的种类中,尤其是以油污缺陷最为常见,并且油污形状的大小不一,有些还断断续续,这就给油污的分割带来了难度。因此设计一种合适的丝饼油污分割算法非常重要。
发明内容
本发明要解决的技术问题是:油污缺陷的油污形状大小不一,有些还断断续续,给油污的分割带来了难度。
为了解决上述技术问题,本发明的技术方案是提供了一种基于区域分割法的丝饼油污分割算法,其特征在于,包括以下步骤:
步骤1、采集带有油污缺陷的丝饼图像后,对采集到的丝饼图像进行灰度化处理后得到灰度图像;
步骤2、将转化后的灰度化图像进行图像分块处理获得子图像块,对每个子图像块采用下列步骤进行处理:
步骤3、采用同态滤波算法来消除子图像块的光照不均匀现象;同态滤波可以有效地消除光照不均匀现象。同态滤波是一种在频率域内对图像进行对比度增强和亮度范围压缩的一种滤波算法。其原理就是通过增加高频成分减弱低频成分来达到消除光照不均匀的效果。
步骤4、通过自适应中值滤波算法对上一步得到的子图像块进行滤波处理,以去除多余噪声达到突出缺陷信息的目的;
自适应中值滤波的方法原理是它的滤波窗口的滤波尺寸大小会随着窗口内灰度值大小和噪声密度的不同而自适应变化。该滤波算法相对于与其它几种滤波算法,不仅具有可以滤除噪声的效果,还可以突出图像中的细节和轮廓信息。
步骤5、对滤波后的子图像块进行阈值分割以定位出油污的大致区域;
步骤6、将上一步获得的油污的大致区域的左上区域的某个位置作为种子点,应用区域生长法进行分割,得到当前子图像块的丝饼油污的分割图像;区域生长法是一种对种子像素或子区域通过预定义的相似度计算规则进行合并以获得更大区域的过程。
步骤7、对上一步获得的分割图像进行形态学处理以去除多余的孔洞和噪声。
优选地,步骤1中,利用加权平均法将采集到的丝饼图像转换为所述灰度图像。加权平均法即根据重要性或其它指标给R,G,B赋予不同的权值,并将R,G,B的值进行加权平均,一般的R,G,B的权值分别为0.3,0.59,0.11。
优选地,步骤3中,采用同态滤波算法对子图像块进行处理包括以下步骤:
步骤301、原图像为空域图像,将原图像进行对数变换从而将空间域图像变换到频率域中,得到频率域图像;
步骤302、利用巴特沃斯高通滤波器对频率域图像进行处理,以增强高频成分并同时削弱低频成分;
步骤303、利用傅里叶逆变换对经过巴特沃斯高通滤波器处理后的频率域图像进行变换后,再对其进行指数变换,获得空间域图像。
优选地,步骤4中,采用自适应中值滤波算法进行滤波处理包括以下步骤:获得二维模版,对二维模版中的各个像素按照大小进行排序,将排在中间位置的像素选择作为当前像素的值。
优选地,步骤5中,采用OTSU阈值分割法进行所述阈值分割,包括以下步骤:
计算出子图像块的直方图并进行归一化处理,接着计算子图像块的全局灰度值和累积均值,并计算分到各个类别中的概率;然后通过计算出类间方差;最后循环寻找类间方差的最大值,即为最佳阈值,利用该最佳阈值进行阈值分割得到所述油污的大致区域。
优选地,步骤6中,所述区域生长法包括以下步骤:选择种子像素作为目标位置,将符合相似度条件的相邻像素或区域合并到目标位置,循环实现区域的逐步增长直至没有可以继续合并的点或小区域。
优选地,步骤7中,所述形态学处理为形态学开运算。
本发明的优点是:可以有效地对丝饼上的表面油污进行分割,具有分割精度高的优点,可应用于实际丝饼生产线上,具有广泛的应用场景。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示,本发明提供的一种基于区域分割法的丝饼油污分割算法,包括以下步骤:
(1)采用工业相机采集带有油污缺陷的丝饼图像。
(2)将采集到的丝饼RGB图像进行转化,得到灰度图像以更方便地进行图像处理,采用加权平均法进行转化。
加权平均法是根据重要性或其它指标给R,G,B赋予不同的权值,并将R,G,B的值进行加权平均,一般的R,G,B的权值分别为0.3,0.59,0.11。
即灰度化图像G=0.11B+0.59G+0.3R。
(3)将转化后的灰度化图像进行图像分块算法处理,即将其分成大小为128*128的子图像块。
(4)对带有油污缺陷的丝饼进行同态滤波算法处理,同态滤波可以有效地消除光照不均匀现象。
同态滤波是一种在频率域内对图像进行对比度增强和亮度范围压缩的一种滤波算法。其原理就是通过增加高频成分减弱低频成分来达到消除光照不均匀的效果。
同态滤波算法的步骤如下:
首先要对原图像进行取对数,就是将乘积运算转化为加法运算;然后对其进行傅里叶变换,变换到频率域中,选择巴特沃斯高通滤波器对图像进行滤波;最后对滤波好的图像进行傅里叶反变换和指数变换以将频率域图像恢复到空间域形式。
(5)通过自适应中值滤波算法对丝饼图像进行去噪处理,以达到消除图像的噪声,突出缺陷信息的效果。
自适应中值滤波的方法原理是它的滤波窗口的滤波尺寸大小会随着窗口内灰度值大小和噪声密度的不同而自适应变化。其算法步骤如下:
首先确定滤波尺度的最大值,用一个适当的半径r去滤波图像。计算出当前滤波邻域内像素灰度的最大值Imax,最小值Imin,和中间值Imid。
然后判断Imid是否在[Imin,Imax]中间,如果在则以此半径继续滤波图像其它区域,否则增加当前半径r进行滤波,直到r等于最大滤波半径。
如果当前滤波的邻域中心像素灰度img(i,j)在[Imin,Imax]之间,则输出当前像素,否则输出当前滤波邻域的像素值的中值Imid。
该滤波算法相对于与其它几种滤波算法,不仅具有可以滤除噪声的效果,还可以突出图像中的细节和轮廓信息。
(6)将去噪后的丝饼油污图像进行阈值分割以预定义出大致的油污区域范围。
(7)再将丝饼图像应用区域生长法进行阈值分割,得到丝饼油污的分割图像。
(8)区域生长法是一种对种子像素或子区域通过预定义的相似度计算规则进行合并以获得更大区域的过程。其具体过程如下:
首先选择子区域或种子像素作为目标位置;
然后将符合相似度条件的相邻像素或区域合并到目标位置,循环实现区域的逐步增长;
最后,若没有可以继续合并的点或小区域,则停止并且输出。其中相似度的计算规则可以包括灰度值、纹理和颜色等信息。
(9)将应用区域生长法进行油污分割后的丝饼油污图像进行形态学开运算以消除孔洞、噪声等。
形态学开运算公式定义为:设使用结构元素S对A进行开运算,记作则
通过以上算法步骤可精确地将丝饼上的油污缺陷分割出来,并具有算法执行速度快的优点。
Claims (7)
1.一种基于区域分割法的丝饼油污分割算法,其特征在于,包括以下步骤:
步骤1、采集带有油污缺陷的丝饼图像后,对采集到的丝饼图像进行灰度化处理后得到灰度图像;
步骤2、将转化后的灰度化图像进行图像分块处理获得子图像块,对每个子图像块采用下列步骤进行处理:
步骤3、采用同态滤波算法来消除子图像块的光照不均匀现象;
步骤4、通过自适应中值滤波算法对上一步得到的子图像块进行滤波处理,以去除多余噪声达到突出缺陷信息的目的;
步骤5、对滤波后的子图像块进行阈值分割以定位出油污的大致区域;
步骤6、将上一步获得的油污的大致区域的左上区域的某个位置作为种子点,应用区域生长法进行分割,得到当前子图像块的丝饼油污的分割图像;
步骤7、对上一步获得的分割图像进行形态学处理以去除多余的孔洞和噪声。
2.如权利要求1所述的一种基于区域分割法的丝饼油污分割算法,其特征在于,步骤1中,利用加权平均法将采集到的丝饼图像转换为所述灰度图像。
3.如权利要求1所述的一种基于区域分割法的丝饼油污分割算法,其特征在于,步骤3中,采用同态滤波算法对子图像块进行处理包括以下步骤:
步骤301、原图像为空域图像,将原图像进行对数变换从而将空间域图像变换到频率域中,得到频率域图像;
步骤302、利用巴特沃斯高通滤波器对频率域图像进行处理,以增强高频成分并同时削弱低频成分;
步骤303、利用傅里叶逆变换对经过巴特沃斯高通滤波器处理后的频率域图像进行变换后,再对其进行指数变换,获得空间域图像。
4.如权利要求1所述的一种基于区域分割法的丝饼油污分割算法,其特征在于,步骤4中,采用自适应中值滤波算法进行滤波处理包括以下步骤:获得二维模版,对二维模版中的各个像素按照大小进行排序,将排在中间位置的像素选择作为当前像素的值。
5.如权利要求1所述的一种基于区域分割法的丝饼油污分割算法,其特征在于,步骤5中,采用OTSU阈值分割法进行所述阈值分割,包括以下步骤:
计算出子图像块的直方图并进行归一化处理,接着计算子图像块的全局灰度值和累积均值,并计算分到各个类别中的概率;然后通过计算出类间方差;最后循环寻找类间方差的最大值,即为最佳阈值,利用该最佳阈值进行阈值分割得到所述油污的大致区域。
6.如权利要求1所述的一种基于区域分割法的丝饼油污分割算法,其特征在于,步骤6中,所述区域生长法包括以下步骤:选择种子像素作为目标位置,将符合相似度条件的相邻像素或区域合并到目标位置,循环实现区域的逐步增长直至没有可以继续合并的点或小区域。
7.如权利要求1所述的一种基于区域分割法的丝饼油污分割算法,其特征在于,步骤7中,所述形态学处理为形态学开运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640191.0A CN110400319A (zh) | 2019-07-16 | 2019-07-16 | 一种基于区域分割法的丝饼油污分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640191.0A CN110400319A (zh) | 2019-07-16 | 2019-07-16 | 一种基于区域分割法的丝饼油污分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110400319A true CN110400319A (zh) | 2019-11-01 |
Family
ID=68325633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910640191.0A Pending CN110400319A (zh) | 2019-07-16 | 2019-07-16 | 一种基于区域分割法的丝饼油污分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400319A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144419A (zh) * | 2019-12-05 | 2020-05-12 | 大连民族大学 | 基于分块自适应同态滤波的历史文档图像二值化方法 |
CN113070240A (zh) * | 2021-03-25 | 2021-07-06 | 南京工业大学 | 一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法 |
CN113406097A (zh) * | 2021-05-17 | 2021-09-17 | 杭州电子科技大学 | 基于机器视觉的锦纶丝饼油污等级评定方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
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 |
CN108074235A (zh) * | 2017-12-26 | 2018-05-25 | 太原理工大学 | 基于区域增长算法的碳纤维表面缺陷程度估计方法 |
CN108107611A (zh) * | 2016-11-24 | 2018-06-01 | 研祥智能科技股份有限公司 | 一种自适应缺陷检测方法、装置及电子设备 |
CN108711140A (zh) * | 2018-05-16 | 2018-10-26 | 广东欧谱曼迪科技有限公司 | 一种基于类间方差描述的图像亮度均匀性实时恢复方法 |
CN108765442A (zh) * | 2018-04-27 | 2018-11-06 | 吉林农业科技学院 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
CN109741334A (zh) * | 2018-11-28 | 2019-05-10 | 恒银金融科技股份有限公司 | 一种通过分块阈值进行图像分割的方法 |
-
2019
- 2019-07-16 CN CN201910640191.0A patent/CN110400319A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
CN108107611A (zh) * | 2016-11-24 | 2018-06-01 | 研祥智能科技股份有限公司 | 一种自适应缺陷检测方法、装置及电子设备 |
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 |
CN108074235A (zh) * | 2017-12-26 | 2018-05-25 | 太原理工大学 | 基于区域增长算法的碳纤维表面缺陷程度估计方法 |
CN108765442A (zh) * | 2018-04-27 | 2018-11-06 | 吉林农业科技学院 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
CN108711140A (zh) * | 2018-05-16 | 2018-10-26 | 广东欧谱曼迪科技有限公司 | 一种基于类间方差描述的图像亮度均匀性实时恢复方法 |
CN109741334A (zh) * | 2018-11-28 | 2019-05-10 | 恒银金融科技股份有限公司 | 一种通过分块阈值进行图像分割的方法 |
Non-Patent Citations (2)
Title |
---|
尹乐: "《基于机器视觉的刹车油管镦头缺陷检测系统的研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈丽萍: "《基于杂交小波变换的红枣图像去噪及缺陷检测研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144419A (zh) * | 2019-12-05 | 2020-05-12 | 大连民族大学 | 基于分块自适应同态滤波的历史文档图像二值化方法 |
CN111144419B (zh) * | 2019-12-05 | 2023-06-09 | 大连民族大学 | 基于分块自适应同态滤波的历史文档图像二值化方法 |
CN113070240A (zh) * | 2021-03-25 | 2021-07-06 | 南京工业大学 | 一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法 |
CN113406097A (zh) * | 2021-05-17 | 2021-09-17 | 杭州电子科技大学 | 基于机器视觉的锦纶丝饼油污等级评定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及系统 | |
CN110400319A (zh) | 一种基于区域分割法的丝饼油污分割算法 | |
CN108765332B (zh) | 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法 | |
CN109064418B (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
TWI393073B (zh) | 影像雜訊濾除方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
CN110084768B (zh) | 基于背景滤波的lcd导光板的缺陷检测方法 | |
CN115359044B (zh) | 一种基于图像增强的金属件表面划痕检测方法 | |
CN114581692B (zh) | 一种基于智能图形识别的防振锤故障检测方法及系统 | |
Ghazvini et al. | Defect detection of tiles using 2D-wavelet transform and statistical features | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN112435235B (zh) | 一种基于图像分析的籽棉含杂率检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN116758071A (zh) | 一种视觉辅助下碳电极脏污智能检测方法 | |
Dorrani et al. | Noisy images edge detection: Ant colony optimization algorithm | |
CN112669265B (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
CN117152135B (zh) | 一种道路施工裂缝缺陷评估检测方法 | |
Wang et al. | A fast image segmentation algorithm for detection of pseudo-foreign fibers in lint cotton | |
CN113592811A (zh) | 一种基于图像处理的熔喷布厚度一致性检测方法 | |
CN110930330B (zh) | 一种基于图像分割和区域增长的椒盐噪声降噪算法 | |
CN115100510B (zh) | 一种轮胎磨损度识别方法 | |
CN112991326B (zh) | 一种清洗质量评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |