CN110516725A - 基于机器视觉的木板条纹间距和颜色的检测方法 - Google Patents

基于机器视觉的木板条纹间距和颜色的检测方法 Download PDF

Info

Publication number
CN110516725A
CN110516725A CN201910759927.6A CN201910759927A CN110516725A CN 110516725 A CN110516725 A CN 110516725A CN 201910759927 A CN201910759927 A CN 201910759927A CN 110516725 A CN110516725 A CN 110516725A
Authority
CN
China
Prior art keywords
plank
image
value
fringe spacing
color
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
Application number
CN201910759927.6A
Other languages
English (en)
Other versions
CN110516725B (zh
Inventor
张发军
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201910759927.6A priority Critical patent/CN110516725B/zh
Publication of CN110516725A publication Critical patent/CN110516725A/zh
Application granted granted Critical
Publication of CN110516725B publication Critical patent/CN110516725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于机器视觉的木板条纹间距和颜色的检测方法，包括图像采集，木板图像分割，图像增强、滤波，图像分段，制出分段图像灰度总值直方图，设定条纹灰度差的阈值，计算条纹间距值，设定浅色木板BGR阈值范围，找出最大概率的图像H值，计算分段图像的B值均值和色差值，木板条纹间距分类，木板颜色分类。本发明利用直方图法、BGR阈值法、HSV概率最大法对图像进行处理，同时，将图像进行图像分割、图像直方图均衡化、高斯滤波等处理，有效增强图像质量，有效减少误差，保证了检测的可靠性；本发明的方法易于实施，检测效率高，识别准确率高。

Description

基于机器视觉的木板条纹间距和颜色的检测方法
技术领域
本发明属于图像识别领域，具体涉及基于机器视觉的木板条纹间距和颜色的检测方法。
背景技术
影响木板质量的因素主要包括木板尺寸、表面条纹间距以及表面颜色。目前，木板条纹间距和颜色的检测主要通过人工来进行，检测效果和效率主要依赖检验人员的经验，人为影响因素大、自动化程度低。同时，纯人工检测操作也存在工人劳动强度大、生产效率低的缺陷。
就检测方法而言，现有的木板表面检测技术存在以下缺陷：1)传统的接触式测量技术制约了木板生产效率和加工精度；2)传统的离线、静态测量技术满足不了现代加工中测量的要求，不能及时检测产品、控制生产过程容易造成废品，严重影响了产品质量。
因此，如何实现木板表面的快速、高精度及在线自动检测是木板生成加工企业亟待解决的问题。
发明内容
本发明的技术问题是现有技术缺乏检测精度高、检测可靠性好且能实现检测自动化的木板条纹间距和颜色检测方法。
本发明的目的是解决上述问题，提供基于机器视觉的木板条纹间距和颜色的检测方法，检测精度高、可靠性好，能基于计算机程序执行，通过自动化设备进行木板条纹间距和颜色的自动检测和分类。
本发明的技术方案是基于机器视觉的木板条纹间距和颜色的检测方法，包括以下步骤，
1）图像采集，利用拍摄设备对木板拍摄图像；
2）图像分割，从拍摄的图像中分割出木板图像区域；
3）将木板图像转换到颜色空间Gray即灰度图；
4）对木板图像进行直方图均衡化来提高图像对比度，并进行高斯滤波以消减干扰的噪声；
5）木板图像分段，将木板图像横向分成多段；
6）对分段的木板图像的每一列的灰度值进行叠加，制出分段图像的灰度总值直方图；
7）设定灰度差的阈值，识别条纹；
8）计算相邻条纹间隔的像素值作为条纹间距值；
9）设定浅色木板BGR阈值范围；
10）将木板图像转换到颜色空间HSV，统计每个H值对应的木板图像像素点的数量，计算H值的像素点在图像中出现的概率，找出最大概率的H值；
11）将木板图像分为多段，计算分段图像像素点的BGR均值，计算最大像素点色差值和最小像素点色差值；
12）进行条纹间距分类；
13）进行条纹颜色分类。
步骤2中，所述图像分割，找出靠近图像左侧边缘或右侧边缘的像素点R值大于140的第一个点，分割出木板图像区域。
步骤5中，所述木板图像分段，每70个像素点分为一段。
步骤7中，计算灰度总值直方图中相邻的极大值与极小值的差值，并将差值从小到大进行排序，取出序列80%处的差值，并除以3，得到的结果作为灰度差的阈值；将大于灰度差的阈值的极小值点对应的木板图像的当前列识别为条纹。
步骤11中，木板图像分为3段。
步骤12中，若条纹间距值小于13，则归为细纹；若条纹间距值不小于17，归为粗纹；若条纹间距值不小于13且条纹间距值小于17，则归为中纹。
步骤13中，若符合浅色木板BGR阈值范围的木板图像像素点的比例大于40%且最大像素点色差值小于5，则将木板判断为浅色；若最大概率的H值大于147，则将木板判断为深色；不符合前两种情况的，将木板判断为中色。
相比现有技术，本发明利用直方图法、BGR阈值法、HSV概率最大法对木板图像进行处理，同时，将木板图像进行图像分割、图像直方图均衡化、高斯滤波等处理，有效增强图像质量，有效减少误差，保证了木板条纹和颜色检测的可靠性，实现木板条纹、颜色的自动分类；本发明的方法易于实施，对木板进行快速分类，检测效率高，识别准确率高。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为基于机器视觉的木板条纹间距和颜色的检测方法的流程图。
具体实施方式
如图1所示，基于机器视觉的木板条纹间距和颜色的检测方法，包括以下步骤，
1）图像采集，采用LED光源发射器将灯光均匀射到木板上，利用工业CCD相机对木板拍摄图像；确定所需图像帧数及像素与长度单位mm的转换；
2）图像分割，找出靠近图像左侧边缘或右侧边缘的像素点R值大于140的第一个点，分割出木板图像区域；
3）将木板图像转换到颜色空间Gray即灰度图；
4）对木板图像进行直方图均衡化来提高图像对比度，并进行高斯滤波以消减干扰的噪声；
5）木板图像分段，将木板图像横向每70个像素点为一段，分成多段；
6）对分段的木板图像的每一列的灰度值进行叠加，制出分段图像的灰度总值直方图；
7）计算灰度总值直方图中相邻的极大值与极小值的差值，并将差值从小到大进行排序，取出序列80%处的差值，并除以3，得到的结果作为灰度差的阈值；将大于灰度差的阈值的极小值点对应的木板图像的当前列识别为条纹；
8）计算相邻条纹间隔的像素值作为条纹间距值；
9）设定浅色木板BGR阈值范围；
10）将木板图像转换到颜色空间HSV，统计每个H值对应的木板图像像素点的数量，计算H值的像素点在图像中出现的概率，找出最大概率的H值；
11）将木板图像分为3段，计算分段图像像素点的BGR均值，计算最大像素点色差值和最小像素点色差值；
12）进行条纹间距分类，若条纹间距值小于13，则归为细纹；若条纹间距值不小于17，归为粗纹；若条纹间距值不小于13且条纹间距值小于17，则归为中纹；
13）进行条纹颜色分类，若符合浅色木板BGR阈值范围的木板图像像素点的比例大于40%且最大像素点色差值小于5，则将木板判断为浅色；若最大概率的H值大于147，则将木板判断为深色；不符合前两种情况的，将木板判断为中色；
14）将同一块木板的条纹间距分类和颜色分类结果存储，并找出出现概率最大的结果通过显示屏展示并打标条纹间距分类和颜色分类结果。
上述方法中的图像分割、图像增强、噪声去除、改进直方图算法、BGR阈值法、HSV概率最大法通过机器视觉软件执行。
一种实施例中，采用伺服电机带动传动带进行木板的传动，调节木板传动的速度，采用红外线传感器检测进出传动带的木板。
步骤14中，采用电磁阀打标机对检测的木板进行条纹间距和颜色分类结果的打标。

Claims (7)

1.基于机器视觉的木板条纹间距和颜色的检测方法，其特征在于，包括以下步骤，
1）图像采集，利用拍摄设备对木板拍摄图像；
2）图像分割，从拍摄的图像中分割出木板图像区域；
3）将木板图像转换到颜色空间Gray即灰度图；
4）对木板图像进行直方图均衡化来提高图像对比度，并进行高斯滤波以消减干扰的噪声；
5）木板图像分段，将木板图像横向分成多段；
6）对分段的木板图像的每一列的灰度值进行叠加，制出分段图像的灰度总值直方图；
7）设定灰度差的阈值，识别条纹；
8）计算相邻条纹间隔的像素值作为条纹间距值；
9）设定浅色木板BGR阈值范围；
10）将木板图像转换到颜色空间HSV，统计每个H值对应的木板图像像素点的数量，计算H值的像素点在图像中出现的概率，找出最大概率的H值；
11）将木板图像分为多段，计算分段图像像素点的BGR均值，计算最大像素点色差值和最小像素点色差值；
12）进行条纹间距分类；
13）进行条纹颜色分类。
2.根据权利要求1所述的基于机器视觉的木板条纹间距和颜色的检测方法，其特征在于，步骤2中，所述图像分割，找出靠近图像左侧边缘或右侧边缘的像素点R值大于140的第一个点，分割出木板图像区域。
3.根据权利要求1所述的基于机器视觉的木板条纹间距和颜色的检测方法，其特征在于，步骤5中，所述木板图像分段，每70个像素点分为一段。
4.根据权利要求1所述的基于机器视觉的木板条纹间距和颜色的检测方法，其特征在于，步骤7中，计算灰度总值直方图中相邻的极大值与极小值的差值，并将差值从小到大进行排序，取出序列80%处的差值，并除以3，得到的结果作为灰度差的阈值；将大于灰度差的阈值的极小值点对应的木板图像的当前列识别为条纹。
5.根据权利要求1所述的基于机器视觉的木板条纹间距和颜色的检测方法，其特征在于，步骤11中，木板图像分为3段。
6.根据权利要求1所述的基于机器视觉的木板条纹间距和颜色的检测方法，其特征在于，步骤12中，若条纹间距值小于13，则归为细纹；若条纹间距值不小于17，归为粗纹；若条纹间距值不小于13且条纹间距值小于17，则归为中纹。
7.根据权利要求1-6任意一项所述的基于机器视觉的木板条纹间距和颜色的检测方法，其特征在于，步骤13中，若符合浅色木板BGR阈值范围的木板图像像素点的比例大于40%且最大像素点色差值小于5，则将木板判断为浅色；若最大概率的H值大于147，则将木板判断为深色；不符合前两种情况的，将木板判断为中色。
CN201910759927.6A 2019-08-16 2019-08-16 基于机器视觉的木板条纹间距和颜色的检测方法 Active CN110516725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910759927.6A CN110516725B (zh) 2019-08-16 2019-08-16 基于机器视觉的木板条纹间距和颜色的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910759927.6A CN110516725B (zh) 2019-08-16 2019-08-16 基于机器视觉的木板条纹间距和颜色的检测方法

Publications (2)

Publication Number Publication Date
CN110516725A true CN110516725A (zh) 2019-11-29
CN110516725B CN110516725B (zh) 2023-08-01

Family

ID=68625601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910759927.6A Active CN110516725B (zh) 2019-08-16 2019-08-16 基于机器视觉的木板条纹间距和颜色的检测方法

Country Status (1)

Country Link
CN (1) CN110516725B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012156A (zh) * 2021-05-10 2021-06-22 南京林业大学 实木板材颜色智能分类方法
CN113610185A (zh) * 2021-08-19 2021-11-05 江西应用技术职业学院 基于主色调识别的木材色选方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5412578A (en) * 1992-10-30 1995-05-02 Hitachi, Ltd. Method and device for pattern form recognition and automatic pattern match cutting device
US5960104A (en) * 1996-08-16 1999-09-28 Virginia Polytechnic & State University Defect detection system for lumber
US20060039603A1 (en) * 2004-08-19 2006-02-23 Koutsky Keith A Automated color classification for biological samples
JP2007147442A (ja) * 2005-11-28 2007-06-14 Meinan Mach Works Inc 木材の検査方法及び装置及びプログラム
KR20080060851A (ko) * 2006-12-27 2008-07-02 이형우 목재표면의 결함검출방법
CN102759403A (zh) * 2012-06-05 2012-10-31 北京林业大学 对样品的颜色进行量化的方法
CN103235938A (zh) * 2013-05-03 2013-08-07 北京国铁华晨通信信息技术有限公司 车牌检测与识别的方法及系统
CN103702111A (zh) * 2013-12-24 2014-04-02 北京佳讯飞鸿电气股份有限公司 一种检测摄像头视频偏色的方法
CN105158258A (zh) * 2015-07-15 2015-12-16 广西师范大学 一种基于计算机视觉的竹条表面缺陷检测方法
CN107036977A (zh) * 2017-04-28 2017-08-11 武汉科技大学 中纤板表面色差检测方法
CN109189281A (zh) * 2018-06-29 2019-01-11 努比亚技术有限公司 壁纸与图标的颜色适配方法、终端及计算机存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5412578A (en) * 1992-10-30 1995-05-02 Hitachi, Ltd. Method and device for pattern form recognition and automatic pattern match cutting device
US5960104A (en) * 1996-08-16 1999-09-28 Virginia Polytechnic & State University Defect detection system for lumber
US20060039603A1 (en) * 2004-08-19 2006-02-23 Koutsky Keith A Automated color classification for biological samples
JP2007147442A (ja) * 2005-11-28 2007-06-14 Meinan Mach Works Inc 木材の検査方法及び装置及びプログラム
KR20080060851A (ko) * 2006-12-27 2008-07-02 이형우 목재표면의 결함검출방법
CN102759403A (zh) * 2012-06-05 2012-10-31 北京林业大学 对样品的颜色进行量化的方法
CN103235938A (zh) * 2013-05-03 2013-08-07 北京国铁华晨通信信息技术有限公司 车牌检测与识别的方法及系统
CN103702111A (zh) * 2013-12-24 2014-04-02 北京佳讯飞鸿电气股份有限公司 一种检测摄像头视频偏色的方法
CN105158258A (zh) * 2015-07-15 2015-12-16 广西师范大学 一种基于计算机视觉的竹条表面缺陷检测方法
CN107036977A (zh) * 2017-04-28 2017-08-11 武汉科技大学 中纤板表面色差检测方法
CN109189281A (zh) * 2018-06-29 2019-01-11 努比亚技术有限公司 壁纸与图标的颜色适配方法、终端及计算机存储介质

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
于海鹏: "基于数字图像处理学的木材纹理定量化研究", 《中国优秀博硕士学位论文全文数据库（博士）农业科技专辑》 *
于海鹏: "基于数字图像处理学的木材纹理定量化研究", 《中国优秀博硕士学位论文全文数据库（博士）农业科技专辑》, 15 December 2005 (2005-12-15) *
刘传泽;葛浙东;张连滨;曹正彬;周玉成;: "数字图像处理技术在木材科学中的应用", 林业机械与木工设备, vol. 46, no. 02, pages 13 - 17 *
卫颜俊: "基于多项式一致逼近的多阈值图像分割算法", 《通信学报》 *
卫颜俊: "基于多项式一致逼近的多阈值图像分割算法", 《通信学报》, 31 October 2016 (2016-10-31) *
吴佳宁: "基于机器视觉的木板实时检测算法", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
吴佳宁: "基于机器视觉的木板实时检测算法", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 August 2019 (2019-08-15) *
孙华魁: "《数字图像处理与识别技术研究》", 31 May 2019 *
郭文强: "《数字图像处理》", 31 May 2009 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012156A (zh) * 2021-05-10 2021-06-22 南京林业大学 实木板材颜色智能分类方法
CN113610185A (zh) * 2021-08-19 2021-11-05 江西应用技术职业学院 基于主色调识别的木材色选方法
CN113610185B (zh) * 2021-08-19 2022-03-22 江西应用技术职业学院 基于主色调识别的木材色选方法

Also Published As

Publication number Publication date
CN110516725B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN102385753B (zh) 一种基于光照分类的自适应图像分割方法
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN108596903B (zh) 一种太阳能电池片的黑边和碎片的缺陷检测方法
CN103759644B (zh) 一种滤光片表面缺陷的分离细化智能检测方法
CN104574389A (zh) 基于彩色机器视觉的电池片色差分选控制方法
CN105046700A (zh) 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
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN110047063B (zh) 一种物料掉落的检测方法、装置、设备及存储介质
CN106097368A (zh) 一种单板裂缝的识别方法
CN110852989B (zh) 瓷砖拍照图片的质量瑕疵检测
CN106770321A (zh) 一种基于多阈值区间的塑料零件缺陷检测方法
CN110516725A (zh) 基于机器视觉的木板条纹间距和颜色的检测方法
WO2023159985A1 (zh) 一种基于视频检测技术的分拣中心异常行为的识别方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN111665251A (zh) 一种表面缺陷视觉检测方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN107256549B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN102663781A (zh) 一种基于视觉的亚像素级焊缝中心提取方法
CN113610185B (zh) 基于主色调识别的木材色选方法
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN107967690B (zh) 一种自适应铁谱磨粒图像二值化处理方法
CN116152234B (zh) 基于图像处理的模板端面缺陷识别方法
CN110899147B (zh) 一种基于激光扫描的传输带石头在线分拣方法

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
GR01 Patent grant
GR01 Patent grant