CN110473194A - 基于多图像块阈值分割算法的水果表面缺陷检测方法 - Google Patents

基于多图像块阈值分割算法的水果表面缺陷检测方法 Download PDF

Info

Publication number
CN110473194A
CN110473194A CN201910742875.1A CN201910742875A CN110473194A CN 110473194 A CN110473194 A CN 110473194A CN 201910742875 A CN201910742875 A CN 201910742875A CN 110473194 A CN110473194 A CN 110473194A
Authority
CN
China
Prior art keywords
image
image block
fruit
surface defect
fruit surface
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
CN201910742875.1A
Other languages
English (en)
Inventor
吕强
张明
李鹏
王腾
郑永强
易时来
谢让金
马岩岩
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.)
Southwest University
Original Assignee
Southwest University
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 Southwest University filed Critical Southwest University
Priority to CN201910742875.1A priority Critical patent/CN110473194A/zh
Publication of CN110473194A publication Critical patent/CN110473194A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及基于多图像块阈值分割算法的水果表面缺陷检测方法，包括以下步骤：获取水果RGB彩色图像；提取R‑B差值分量图像构建掩模去除背景，形成目标图像Iorange；将目标图像Iorange分成n×n个长宽等同大小的小图像块，采用Otsu算法计算每个图像块的阈值T，计算类间平均灰度差Δd以排除纯背景或纯物体的干扰，对图像块二值化处理；将所有的二值化图像块复制进初始化后的模板形成完整的目标二值化图像；最后对得到的目标二值化图像进行面积滤波处理获得水果表面缺陷图像。本发明检测准确和实用，克服了类球型水果图像表面亮度分布不均导致的缺陷检测精度低问题，缺陷检测效率高，较传统缺陷检测算法，具有算法简单、运算速度快等特点。

Description

基于多图像块阈值分割算法的水果表面缺陷检测方法
技术领域
本发明涉及计算机视觉图像处理技术领域，具体为基于多图像块阈值分割算法的水果表面缺陷检测方法。
背景技术
水果表面缺陷一直是水果所有外在品质检测中的难点，也是水果分级的重要依据之一。国内外大量研究学者通过计算机视觉方式检测水果表面缺陷时发现，由于大多数水果呈球体或类球体，导致光照反射不均匀，造成水果表面亮度不均。水果图像中部即使是缺陷区域，其灰度值也远高于边缘区域。在灰度图像上表现为中部区域灰度值高，边缘区域灰度低，而缺陷区域通常也是以低灰度值的方式存在，因此，缺陷区域灰度与正常区域灰度存在交叉，导致缺陷区域提取的困难甚至是无法提取。
经过现有的技术检索发现，方法主要分为四类：
1)基于可见光成像检测技术的处理方法。如Rong Dian等人(2017)提出一种基于积分图像的灰度局部阈值方法快速分割脐橙表面缺陷，首先对去背景的脐橙灰度图像进行积分运算，计算当前像素的邻域像素平均值，并对当前像素完成阈值分割，即可实现对脐橙表面缺陷的分割(Rong Dian，Rao Xiuqin，Ying Yibin.Computer vision detection ofsurface defect on oranges by means of a sliding comparison window localsegmentation algorithm[J].Computers and Electronics in Agriculture，2017，137：59-68.)；中国专利CN101984346A记载了一种基于低通滤波的水果表面缺陷检测方法，首先获得去除背景的R分量图像，对此分量进行傅里叶变换后进行低通滤波，通过傅里叶反变换获得此分量表面亮度图像，并对此亮度图像做均一化校正，最后采用单阈值法实现对水果表面缺陷分割。
2)基于多光谱成像技术的处理方法。Bennedsen等人采用中心位于740nm～950nm的滤波片以及机械定向装置对水果表面缺陷、果梗和果萼进行检测，但该研究仅能检测到缺陷、果梗及果萼，却不能区分缺陷、果梗及果萼(Bennedsen B.S.，PetersonD.L.Performance of a System for Apple Surface Defect Identification in Near-infrared Images[J].Biosystems Engineering，2005，90(4)：419-431.)。
3)基于高光谱成像技术的处理方法。得益于光谱技术的发展，高光谱成像技术已广泛应用于农产品快速无损检测中。高光谱成像本质是二维可见光成像技术和光谱技术的结合体，该技术既可检测农产品的外观品质，也可检测其内部品质。Niphadkar等基于高光谱成像技术实现对脐橙溃疡病果表面缺陷检测研究(Niphadkar N.P.，Burks T.F.，QinJ.，et a1.Edge effect compensation for citrus canker lesion detection due tolight source variation-a hyperspectral imaging application[J].AgriculturalEngineering International：CIGR Journal，2013.)；高光谱成像检测技术的优异性不言而喻，但该技术的硬件成本过高，导致难以推广。
4)基于激光背向散射成像技术的处理方法。激光背向散射成像技术具有非接触、无创伤、快速成像等优点，是一种可用于生物样本活性的无损检测技术。Lorente等基于激光背向散射成像技术检测早期腐烂脐橙，但目前该技术尚不成熟，其中，激光焦点必须精准指向待检测目标感兴趣区域，因此，激光散斑成像检测技术的应用仍需进一步完善和改进(Lorente D.，Zude M.，Idler C.，et a1.Laser-light backscattering imaging forearly decay detection in citrus fruit using both a statistical and aphysicalmodel[J].Journal of Food Engineering，2015，154.)。
本申请人之前申请的中国专利CN201910081814公开一种区域亮度自适应校正的水果表面缺陷快速检测方法，首先以黑色为背景，获取水果RGB彩色图像，然后去除背景并提取R-B差值灰度图像形成目标图像P(x，y)，再以图像中每个像素点邻域内最大的几个灰度值均值作为当前像素的亮度，计算提取目标图像P(x，y)的表面亮度图像I(x，y)，将P(x，y)和I(x，y)点除得到亮度校正图像F(x，y)，对F(x，y)采用全局单阈值法提取目标区域获得目标二值化图像B(x，y)，对B(x，y)进行面积阈值滤波处理获得水果表面缺陷区域图像D(x，y)；另外，中国专利CN105046700B公开一种基于亮度校正与颜色分类的水果表面缺陷检测方法及系统，该方法包括：提取待检测水果的RGB图像中的R分量图像，对R分量图像进行亮度校正，使R分量图像的亮度均匀；将RGB图像进行HSI变换，获取RGB图像中每个像素点对应的HSI变换中的H值，并将H值与预设颜色的H值进行比较判断所述每个像素点的颜色；根据每个像素点的颜色分别与颜色对应的预设阈值进行判断，在亮度校正后的R分量图像中获取待确认的缺陷区域，并在R分量图像中将除待确认的缺陷区域以外的像素点的灰度值置零，通过进一步判断将待确认的缺陷区域中识别出的果梗/花萼区域的灰度值置零，最终获得水果表面的缺陷区域。但是，这两个技术方案都是基于图面的亮度调整进行识别，相对来说，在进行图像处理时容易发生数据失真，亮度校正耗时较长，识别精度较低。
综上所述，现有技术存在检测水果表面缺陷算法复杂、检测表面缺陷类型有限、硬件成本高、难以适应在线检测等问题，因此需要新的水果表面缺陷检测方法。
发明内容
本发明所解决的技术问题在于提供基于多图像块阈值分割算法的水果表面缺陷检测方法，以解决上述背景技术中水果表面亮度不均导致的缺陷检测精度低、其它检测算法复杂、检测表面缺陷类型有限以及硬件成本高难以适应在线检测要求等问题。
本发明所解决的技术问题采用以下技术方案来实现：基于多图像块阈值分割算法的水果表面缺陷检测方法，其包括以下步骤：
步骤(1).获取水果RGB彩色图像；
步骤(2).提取R-B差值分量图像构建掩模去除背景，形成目标图像Iorange；
步骤(3).将目标图像Iorange分成n×n个长宽等同大小的图像块，建立与目标图像等同大小的模板并对其初始化；采用Otsu算法计算各图像块的阈值T；
步骤(4).计算各图像块的类间平均灰度差Δd以排除纯背景或纯物体的干扰并以此为判断条件结合Otsu算法对各图像块进行二值化处理；
步骤(5).将各图像块的二值化图像放在步骤(3)建立的模板中形成完整的水果二值化图像B(x，y)；
步骤(6).对步骤(5)得到的水果二值化图像B(x，y)面积滤波去除杂散点及噪声，获得水果表面缺陷图像D(x，y)。
进一步地，所述步骤(3)的具体步骤为：
步骤(3.1)将目标图像Iorange分成n×n个长宽等同大小的图像块；
步骤(3.2)建立与目标图像Iorange等同大小的模板并对其初始化；
步骤(3.3)采用Otsu算法计算每个图像块的分割阈值T。
进一步地，所述步骤(4)的具体步骤为：
步骤(4.1)根据公式(1)～(3)计算各分块的平均灰度差Δd：
Δd＝|m1(k)-m2(k)| (3)
式中：C1表示灰度级为[1，2，...，k]的像素点，C2表示灰度级为[k+1，k+2，...，L]的像素点；P(i)表示其灰度级的频率分布；m(k)表示其灰度级从1到k的平均灰度值；Δd表示类间平均灰度差。
步骤(4.2)利用步骤(3.3)计算出的各图像块的阈值T结合类间平均灰度差Δd，完成对图像块二值化操作。
进一步地，所述步骤(4)中，当分块的类间灰度差Δd小于设定值d0时，此时判定该分块内的像素为同一类，不对该图像块二值化操作；否则，对图像块二值化操作。
进一步地，所述步骤(5)将步骤(4)中获得的各图像块的二值化图像复制进步骤(3)建立的与目标图像Iorange等同大小的模板中，形成完整的水果二值化图像B(x，y)。
进一步地，所述步骤(6)对步骤(5)获得的水果二值化图像B(x，y)面积滤波，设置窗口大小为3×3，去除B(x，y)可能存在的杂散点及噪声，得到水果表面缺陷图像D(x，y)。
与现有技术相比，本发明的有益效果是：本发明通过对水果R-B灰度差值分量图像分块，近似可以认为每个图像块的表面亮度是相对均匀的，通过计算每个图像块的类间平均灰度差Δd结合Otsu算法排除纯物体或纯背景的干扰，实现对各图像块二值化，获得完整的水果表面缺陷图像。由于本发明不需要通过复杂的亮度校正算法，可以直接对各图像块提取缺陷区域，克服了传统缺陷检测算法的复杂性，从另一种途径有效解决了类球型水果图像表面亮度分布不均导致的缺陷检测精度低问题，同时也避免了光谱成像等技术带来的硬件成本高问题；检测过程中不需考虑水果大小和形状，具有较好的适应性，能够有效检测不同灰度等级的水果表面缺陷。
同时，采用本发明的检测方法依次对多种近球形伤病果进行检测，将图像分割成5×5个图像块(即n＝5)，检测结果准确率为97.5％，单幅图像平均处理速度小于85毫秒。
附图说明
图1是本发明方法的流程图。
图2是本发明实施例1中原始RGB图像。
图3是本发明实施例1中目标图像Iorange。
图4是本发明实施例1中图像分块操作。
图5是本发明实施例1中水果二值化图像B(x，y)。
图6是本发明实施例1中水果表面缺陷图像D(x，y)。
图7是脐橙蓟马病果原始图。
图8是脐橙蓟马病果表面缺陷检测结果图。
图9是脐橙黑腐病果原始图。
图10是脐橙黑腐病果表面缺陷检测结果图。
图11是脐橙介壳虫果原始图。
图12是脐橙介壳虫果表面缺陷检测结果图。
图13是脐橙溃疡病果原始图。
图14是脐橙溃疡病果表面缺陷检测结果图。
具体实施方式
为了使本发明的实现技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明，在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以两个元件内部的连通。
实施例1
如图1所示，一种基于多图像块分割算法的水果表面缺陷检测方法，其包括以下步骤：
1)获取水果RGB彩色图像，如图2所示。
2)对水果RGB彩色图像去除背景并提取R-B差值灰度图像，形成如图3所示的目标图像Iorange。
3)将目标图像Iorange分成5×5块，即25个长宽等同大小的图像块，建立与目标图像等同大小的模板并将其初始化，采用Otsu算法计算各图像块的阈值T。
所述步骤3)的具体步骤为：
3.1)将目标图像Iorange分成5×5个长宽等同大小的图像块；
3.2)建立与目标图像Iorange等同大小的模板并对其初始化为1；
3.3)采用Otsu算法计算每个图像块的分割阈值T。
4)计算各图像块的类间平均灰度差Δd以排除纯背景或纯物体的干扰并以此为判断条件结合Otsu算法对各图像块进行二值化处理。
所述步骤4)的具体步骤为：
4.1)根据公式(1)～(3)计算各图像块的类间灰度差Δd，
Δd＝|m1(k)-m2(k)| (3)
式中：C1表示灰度级为[1，2，...，k]的像素点，C2表示灰度级为[k+1，k+2，...，L]的像素点；P(i)表示其灰度级的频率分布；m(k)表示其灰度级从1到k的平均灰度值；Δd表示类间平均灰度差。
4.2)利用步骤3.3)计算出的各图像块的阈值T结合类间平均灰度差Δd实现对各图像块二值化操作；当图像块的类间灰度差Δd小于设定值d0＝30时，此时判定该图像块内的像素为同一类，不对该图像块二值化操作；否则，对图像块进行二值化操作，如图4所示。
5)将各个图像块的二值化图像复制进步骤3)建立的模板中形成完整的水果二值化图像B(x，y)，如图5所示。
6)对水果二值化图像B(x，y)进行3×3窗口大小的面积滤波，得到如图6所示的水果表面缺陷图像D(x，y)。
实施例2
图7是脐橙蓟马病果的原始图像，利用本发明方法后得到图8是图7的检测结果图，其中白色区域为缺陷区域。
实施例3
图9是脐橙黑腐病果的原始图像，利用本发明方法后得到图10是图9的检测结果图，其中白色区域为缺陷区域。
实施例4
图11是脐橙介壳虫果的原始图像，利用本发明方法后得到图12是图11的检测结果图，其中白色区域为缺陷区域。
实施例5
图13是脐橙溃疡病果的原始图像，利用本发明方法后得到图14是图13的检测结果图，其中白色区域为缺陷区域。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.基于多图像块阈值分割算法的水果表面缺陷检测方法，其特征在于：其包括以下步骤：
步骤(1).获取水果RGB彩色图像；
步骤(2).提取R-B差值分量图像构建掩模去除背景，形成目标图像Iorange；
步骤(3).将目标图像Iorange分成n×n个长宽等同大小的小图像块，建立与目标图像等同大小的模板并对其初始化，采用Otsu算法计算每个图像块的阈值T；
步骤(4).计算各图像块的类间平均灰度差Δd以排除纯背景或纯物体的干扰并以此为判断条件结合Otsu算法对各图像块进行二值化处理；
步骤(5).将各图像块的二值化图像复制进步骤(3)建立的模板中形成完整的水果二值化图像B(x,y)；
步骤(6).对步骤(5)得到的水果二值化图像B(x,y)面积滤波去除杂散点及噪声，获得水果表面缺陷图像D(x,y)。
2.根据权利要求1所述的基于多图像块阈值分割算法的水果表面缺陷检测方法，其特征在于：所述步骤(3)的具体步骤为：
步骤(3.1)将目标图像Iorange分成n×n个长宽等同大小的图像块；
步骤(3.2)建立与目标图像Iorange等同大小的模板并对其初始化；
步骤(3.3)采用Otsu算法计算每个图像块的分割阈值T。
3.根据权利要求1所述的基于多图像块阈值分割算法的水果表面缺陷检测方法，其特征在于：所述步骤(4)的具体步骤为：
步骤(4.1)平均灰度差Δd的计算方法为：
Δd＝|m1(k)-m2(k)| (3)；
式中：C1表示灰度级为[1,2,...,k]的像素点，C2表示灰度级为[k+1,k+2,...,L]的像素点；P(i)表示其灰度级的频率分布；m(k)表示其灰度级从1到k的平均灰度值；Δd表示类间平均灰度差。
步骤(4.2)根据公式(1)～(3)计算出来的类间平均灰度差Δd结合各图像块的阈值T，实现对各图像块的二值化操作。
4.根据权利要求1或3所述的基于多图像块阈值分割算法的水果表面缺陷检测方法，其特征在于：所述步骤(4)中，当图像块的类间灰度差Δd小于设定值d0时，此时判定该图像块内的像素为同一类，不对该图像块二值化操作；否则，对图像块进行二值化操作。
5.根据权利要求1、2、3任意一项所述的基于多图像块阈值分割算法的水果表面缺陷检测方法，其特征在于：所述步骤(5)将步骤(4)中获得的各图像块的二值化图像复制进步骤(3)建立的与目标图像Iorange等同大小的模板中，形成完整的水果二值化图像B(x,y)。
6.根据权利要求1、2、3、5任意一项所述的一种基于多图像块阈值分割算法的水果表面缺陷检测方法，其特征在于：所述步骤(6)对步骤(5)获得的水果二值化图像B(x,y)面积滤波，设置窗口大小为3×3，去除B(x,y)可能存在的杂散点及噪声，得到水果表面缺陷图像D(x,y)。
CN201910742875.1A 2019-08-12 2019-08-12 基于多图像块阈值分割算法的水果表面缺陷检测方法 Pending CN110473194A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910742875.1A CN110473194A (zh) 2019-08-12 2019-08-12 基于多图像块阈值分割算法的水果表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910742875.1A CN110473194A (zh) 2019-08-12 2019-08-12 基于多图像块阈值分割算法的水果表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN110473194A true CN110473194A (zh) 2019-11-19

Family

ID=68511778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910742875.1A Pending CN110473194A (zh) 2019-08-12 2019-08-12 基于多图像块阈值分割算法的水果表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110473194A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110687123A (zh) * 2019-09-24 2020-01-14 西安工程大学 基于图像重构和分块阈值分割的钢轨缺陷检测方法
CN111426693A (zh) * 2020-04-26 2020-07-17 湖南恒岳重钢钢结构工程有限公司 一种质量缺陷检测系统及其检测方法
CN112001901A (zh) * 2020-08-18 2020-11-27 济南大学 基于卷积神经网络的苹果缺陷检测方法及系统
CN112508968A (zh) * 2020-12-10 2021-03-16 马鞍山市瀚海云星科技有限责任公司 图像分割方法、装置、系统及存储介质
CN112598624A (zh) * 2020-12-07 2021-04-02 中国电子科技集团公司第三研究所 基于fpga+dsp架构的二值化图像目标检测方法及装置
CN113128249A (zh) * 2019-12-26 2021-07-16 合肥美亚光电技术股份有限公司 大蒜的疤识别方法、系统及分选设备
CN116797544A (zh) * 2023-05-16 2023-09-22 绿萌科技股份有限公司 一种面向果蔬采后处理装备的表面缺陷提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608708A (zh) * 2016-03-02 2016-05-25 浙江宇视科技有限公司 基于分块平面拟合的图像二值化方法及装置
CN107037056A (zh) * 2017-03-29 2017-08-11 浙江大学 一种快速局部阈值分割的水果表面缺陷检测方法
CN109613023A (zh) * 2019-01-28 2019-04-12 西南大学 一种区域亮度自适应校正的水果表面缺陷快速检测方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608708A (zh) * 2016-03-02 2016-05-25 浙江宇视科技有限公司 基于分块平面拟合的图像二值化方法及装置
CN107037056A (zh) * 2017-03-29 2017-08-11 浙江大学 一种快速局部阈值分割的水果表面缺陷检测方法
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
CN109613023A (zh) * 2019-01-28 2019-04-12 西南大学 一种区域亮度自适应校正的水果表面缺陷快速检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘佳男: "基于机器视觉的水果表面缺陷识别方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
王鹏: "一种局部二值化方法及其应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110687123A (zh) * 2019-09-24 2020-01-14 西安工程大学 基于图像重构和分块阈值分割的钢轨缺陷检测方法
CN110687123B (zh) * 2019-09-24 2022-04-19 西安工程大学 基于图像重构和分块阈值分割的钢轨缺陷检测方法
CN113128249A (zh) * 2019-12-26 2021-07-16 合肥美亚光电技术股份有限公司 大蒜的疤识别方法、系统及分选设备
CN113128249B (zh) * 2019-12-26 2022-08-23 合肥美亚光电技术股份有限公司 大蒜的疤识别方法、系统及分选设备
CN111426693A (zh) * 2020-04-26 2020-07-17 湖南恒岳重钢钢结构工程有限公司 一种质量缺陷检测系统及其检测方法
CN112001901A (zh) * 2020-08-18 2020-11-27 济南大学 基于卷积神经网络的苹果缺陷检测方法及系统
CN112598624A (zh) * 2020-12-07 2021-04-02 中国电子科技集团公司第三研究所 基于fpga+dsp架构的二值化图像目标检测方法及装置
CN112598624B (zh) * 2020-12-07 2023-09-08 中国电子科技集团公司第三研究所 基于fpga+dsp架构的二值化图像目标检测方法及装置
CN112508968A (zh) * 2020-12-10 2021-03-16 马鞍山市瀚海云星科技有限责任公司 图像分割方法、装置、系统及存储介质
CN112508968B (zh) * 2020-12-10 2022-02-15 马鞍山市瀚海云星科技有限责任公司 图像分割方法、装置、系统及存储介质
CN116797544A (zh) * 2023-05-16 2023-09-22 绿萌科技股份有限公司 一种面向果蔬采后处理装备的表面缺陷提取方法
CN116797544B (zh) * 2023-05-16 2024-08-09 绿萌科技股份有限公司 一种面向果蔬采后处理装备的表面缺陷提取方法

Similar Documents

Publication Publication Date Title
CN110473194A (zh) 基于多图像块阈值分割算法的水果表面缺陷检测方法
CN109598715B (zh) 基于机器视觉的物料粒度在线检测方法
Mizushima et al. An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method
CN105675625B (zh) 一种梯度迭代阈值分割的水果表面缺陷检测方法
Li et al. Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN109490316A (zh) 一种基于机器视觉的表面缺陷检测算法
Hu et al. The potential of double K‐means clustering for banana image segmentation
CN112862744B (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN103792699A (zh) 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法
Pedreschi et al. Computer vision classification of potato chips by color
CN102654464A (zh) 基于多特征模糊识别的铜带表面缺陷检测系统
CN112488998B (zh) 一种基于条纹投影的苹果果梗和花萼检测方法
CN109613023A (zh) 一种区域亮度自适应校正的水果表面缺陷快速检测方法
CN107610119B (zh) 基于直方图分解的带钢表面缺陷精准检测方法
Thinh et al. Mango classification system based on machine vision and artificial intelligence
Rong et al. Embedded vision detection of defective orange by fast adaptive lightness correction algorithm
CN102788806B (zh) 基于类球形亮度变换的水果表面缺陷检测方法
Siswantoro et al. A rapid and accurate computer vision system for measuring the volume of axi-symmetric natural products based on cubic spline interpolation
Siswantoro et al. Automatic image segmentation using sobel operator and k-means clustering: A case study in volume measurement system for food products
Tian et al. Detection of early bruises on apples using near‐infrared camera imaging technology combined with adaptive threshold segmentation algorithm
CN109682821A (zh) 一种基于多尺度高斯函数的柑橘表面缺陷检测方法
CN113256591A (zh) 一种宽幅玻璃缺陷快速检测装置及方法
Lin et al. Defect detection system for optical element surface based on machine vision
Junxiong et al. Feature extraction of jujube fruit wrinkle based on the watershed segmentation

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: 20191119

RJ01 Rejection of invention patent application after publication