CN110610484B - 一种基于旋转投影变换的印刷网点质量检测方法 - Google Patents
一种基于旋转投影变换的印刷网点质量检测方法 Download PDFInfo
- Publication number
- CN110610484B CN110610484B CN201910774339.XA CN201910774339A CN110610484B CN 110610484 B CN110610484 B CN 110610484B CN 201910774339 A CN201910774339 A CN 201910774339A CN 110610484 B CN110610484 B CN 110610484B
- Authority
- CN
- China
- Prior art keywords
- vector
- image
- value
- printing
- projection
- 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.)
- Active
Links
Images
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30144—Printing quality
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于旋转投影变换的印刷网点质量检测方法,包括以下步骤:采集印刷画面图像;将图像转化为灰度图像;对灰度图像进行投影,转化为不同方向的一维向量;对一维向量进行归一化处理;计算不同方向一维向量的方差,选取方差最大和方差最小的向量为主投影向量,并对主投影向量进行复制;对主投影向量进行经验小波分析,分解为低频分量和高频分量,选取高频分量组进行信号重构,并构建特征集;构建正常网点的特征集,以及SPE控制限和阈值;将特征集进行对比。所提出方法对于各类网点具有普遍适用性,不受印刷种类的限制,检测过程也不受到加网线数和网点类型的影响。
Description
技术领域
本发明属于印刷工程技术领域,涉及一种基于旋转投影变换的印刷网点质量检测方法。
背景技术
在印刷生产中,油墨通过印版转移到承印物上,形成印版上预定的图案。在胶印、凹印等主要印刷方式中,图案都是由网点构成,转印过程中网点的质量直接决定了印刷质量水平。因此,保证网点的质量对于印刷生产具有极为重要的意义。
目前,印刷网点的检测主要依靠各种专用仪器进行,其检测精度虽高,但是检测仪器往往价格昂贵,且对人员具有一定的技术要求,目前主流仪器有分光光度计和光电密度计等,这些仪器检测范围比较小,在应用中往往需要多点测量,给使用带来了极大的不便。
发明内容
本发明的目的是提供一种基于旋转投影变换的印刷网点质量检测方法,简单快速的实现了网点图案的分析,可一次实现印刷品大面积区域的网点画面分析与检测工作。
本发明所采用的技术方案是,一种基于旋转投影变换的印刷网点质量检测方法,具体按照以下步骤实施:
步骤1、利用工业CCD采集印刷画面图像,所述图像为单色没有重叠套印的网点;
步骤2、将步骤1中得到的图像转化为灰度图像;若采集到的为灰度图像则无需转化;
步骤3、对步骤2中得到的灰度图像在0-180°内进行旋转投影,将其转化为任意多个不同方向一维的向量;对这些一维向量进行归一化处理,得到-1~1的区间值;
步骤4、计算步骤3中不同方向一维向量的方差,选取方差最大和方差最小的向量为主投影向量,并对主投影向量进行镜像复制;
步骤5、对步骤4中的主投影向量进行经验小波分析,分解为低频分量和高频分量,选取高频分量组进行信号重构,并构建特征集以及待检测网点的SPE控制限;
步骤6、构建正常网点在不同网点覆盖率下的特征集,以及SPE控制限和阈值,以此作为网点判定依据;
步骤7、将步骤特5所得的待检测网点的SPE控制限与步骤6中的阈值进行对比,SPE控制限大于阈值,则判定网点异常,否则认为正常。
本发明的特点还在于:
步骤1中工业CCD安装在印刷机收纸单元或观测台。
步骤2中灰度图像的灰度级数设定为0-255级。
步骤2中,在灰度图像转化过程中对边缘图像区域进行扩充,扩充区域的灰度值一律设定为0。
步骤4中以主投影向量两端点为镜像复制的中心点,向外复制长度为向量总长度的10%。
步骤5中经验小波分析步骤如下:
5.1确定分割区间Λn,首先规定[0,π]为规范化的信号频谱的频率取值范围,假定信号由N个单分量成分构成,将[0,π]的频谱分割成N个连续的分区,那么就需要确定(N+1)条边界线,其中0和π分别为第一条和最后一条边界线,除去第一条和最后一条边界线外还需要(N-1)条边界线,过ωn做相邻2个区间的分界限,每一段分区表示为Λn=[ωn-1,ωn],n=1,2,…,N(ω0=0,ωN=π),其中,ωn为2个连续的极大值的中点,由此可知分区的集合
5.2确定分割区间Λn后,对其加小波窗函数进行滤波处理,按照Meyer小波的构造方法,可得经验尺度函数如式(1)所示,经验小波函数如式(2)所示;
5.3根据细节函数(3)和近似系数(4)进行信号重构,将经验小波函数与原信号内积可得细节函数如式(3)所示,尺度函数与原信号内积可得近似系数如式(4)所示:
信号重构的结果显示如式(5)所示:
5.4由经验模态函数fk构建特征集:
fk(t)=ωε f(k,t)ψk(t) (7);
5.5首先选取主投影向量对应的分量,求解分量的常用统计特征值X,其中n行代表了n组数据,m列代表了每列有m个误差特征值,如式(8)所示:
接着,选择投影后方差最大和最小的两个投影向量,每个向量选取1-3阶经验小波分解分量,共有6个分量,各计算9个特征值,则n=6,m=9;
5.6对特征值X进行标准化处理,如式(9):
式(10)中,ti∈Rn是主投影向量得分向量,Rn代表所有分量的矩阵,每个向量有n个分量,pi∈Rm是载荷向量,Rm代表误差特征值矩阵,每个分量有m个误差特征值,则式(10)可改写为:
5.7得到特征集和SPE控制限
记的协方差矩阵为∑,设其特征值为λ1,λ2...λm,等于对应的主投影向量的方差,其大小反映了第i个主投影向量所包含原始数据全部信息的比重,p1,p2...pm为λ1,λ2...λm相应的单位特征向量,根据矩阵分解可得式(12):
因p1,p2...pm为单位正交矩阵故有:
将式(10)的左右两侧同时右乘pi:
与式(13)相结合可以表示为如下结果:
步骤6中建立正常网点阈值δ2的具体步骤:
根据步骤5计算正常网点下的特征集、SPE控制限,进而得到阈值,其计算如下:
步骤5.5中特征值X分别是均值、方差、最大值、最小值、极差、中位数、变异系数、偏度和峰度。
步骤5.7中主投影向量的个数l由累计贡献率的数值进行选择,主投影向量特征值的和与总特征值和的比值称为贡献率:
依次增加主投影向量个数直至满足贡献率大于70%为止。
步骤7中当发生故障时,SPE的值会超出阈值,其计算式为:
SPE=||E||2 (21)
E是残差模型,δ2是SPE正常与否的阈值,当SPE≤δ2时,印刷网点正常;SPE>δ2时,判定印刷网点异常。
本发明的有益效果是:
(1)采用数字图像处理技术进行网点分析,提高了自动化检测程度,避免了人工测量存在的误差;(2)解决了网点检测专用仪器测试范围小、仅能单点测量的缺陷,可以同时实现多点测量和大面积区域测量;(3)利用图像投影方法将二维图像降为一维数据进行分析,大幅度提升了计算效率;(4)所提出方法对于各类网点具有普遍适用性,不受印刷种类的限制,检测过程也不受到加网线数和网点类型的影响。
附图说明
图1是本发明一种基于旋转投影变换的印刷网点质量检测方法的计算流程图;
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
实施例,如图1所示,一种基于小波分析与投影变换的印刷网点检测方法,具体按照以下步骤实施:
步骤1、利用工业CCD采集在线或离线(在线指的是印刷机运行过程中实时图像的采集,离线指的是印刷完成后所得的印品的图像)印刷画面图像,采集的图像应为单色没有重叠套印的网点,因为套印的网点难以准确分离测量,采集时光线应当充足;
步骤2、将步骤1中得到的图像转化为灰度图像;若采集到的为灰度图像则无需转化;
步骤3、对步骤2中得到的灰度图像(像素值)在0-180°内进行旋转投影,将其转化为任意多个不同方向一维的向量;对这些一维向量进行归一化处理,目的是增加图像的亮度,使图像的细节更加清楚,以减弱光线和光照强度的影响,得到-1~1的区间值;本例中采集180个一维向量,每个向量的数值代表了该方向的灰度图像像素值的叠加结果,其数值都为整数;
步骤4、计算步骤3中不同方向一维向量的方差,选取方差最大和方差最小的向量为主投影向量,并对主投影向量进行镜像复制;
步骤5、对步骤4中的主投影向量进行经验小波分析,分解为低频分量和高频分量,选取高频分量组进行信号重构,并构建特征集;经验小波分析将会把区间为-1到1的一维向量进行频率分阶,分解为多个低频分量和高频分量,由于主要信息多集中在前几维高频分量中,因此选取其中1-5阶分量作为主要分析对象,并截取其与原向量对应的复制部分;将处理后的1-5阶分量进行SPE控制限的计算,将其结果作为后续网点检测的主要依据;
步骤6、构建正常网点在不同网点覆盖率下的特征集,以及SPE控制限和阈值,以此作为网点判定依据,SPE控制限的计算方法与步骤5相同;
步骤7、将步骤特5所得的SPE控制限与步骤6中的阈值进行对比,SPE控制限大于阈值,则判定网点异常,否则认为正常。
步骤1中工业CCD安装在印刷机收纸单元或观测台。
步骤2中灰度图像的灰度级数设定为0-255级。
步骤2中,在灰度图像转化过程中对边缘图像区域进行扩充,防止图像边缘像素值信息丢失,扩充区域(图像的四周边界)的灰度值一律设定为0。
步骤4中以主投影向量两端点为镜像复制的中心点,向外复制长度为向量总长度的10%,过长的长度会降低计算效果,过短的长度容易引发端点效应。
步骤5中经验小波分析步骤如下:
5.1确定分割区间Λn,首先规定[0,π]为规范化的信号频谱的频率取值范围,假定信号由N个单分量成分构成,将[0,π]的频谱分割成N个连续的分区,那么就需要确定(N+1)条边界线,其中0和π分别为第一条和最后一条边界线,除去第一条和最后一条边界线外还需要(N-1)条边界线,过ωn做相邻2个区间的分界限,每一段分区表示为Λn=[ωn-1,ωn],n=1,2,…,N(ω0=0,ωN=π),其中,ωn为2个连续的极大值的中点,由此可知分区的集合
5.2确定分割区间Λn后,对其加小波窗函数进行滤波处理,按照Meyer小波的构造方法,可得经验尺度函数如式(1)所示,经验小波函数如式(2)所示;
5.3根据细节函数(3)和近似系数(4)进行信号重构,将经验小波函数与原信号内积可得细节函数如式(3)所示,尺度函数与原信号内积可得近似系数如式(4)所示:
信号重构的结果显示如式(5)所示:
5.4由经验模态函数fk构建特征集:
fk(t)=ωε f(k,t)ψk(t) (7);
5.5首先选取主投影向量对应的分量,求解分量的常用统计特征值X,其中n行代表了n组数据,m列代表了每列有m个误差特征值,如式(8)所示:
接着,选择投影后方差最大和最小的两个投影向量,每个向量选取1-3阶经验小波分解分量,共有6个分量,各计算9个特征值,则n=6,m=9;
5.6对特征值X进行标准化处理,如式(9):
式(10)中,ti∈Rn是主投影向量得分向量,Rn代表所有分量的矩阵,每个向量有n个分量,pi∈Rm是载荷向量,Rm代表误差特征值矩阵,每个分量有m个误差特征值,则式(10)可改写为:
5.7得到特征集和SPE控制限
记的协方差矩阵为∑,设其特征值为λ1,λ2...λm,等于对应的主投影向量的方差,其大小反映了第i个主投影向量所包含原始数据全部信息的比重,p1,p2...pm为λ1,λ2...λm相应的单位特征向量,根据矩阵分解可得式(12):
因p1,p2...pm为单位正交矩阵故有:
将式(10)的左右两侧同时右乘pi:
与式(13)相结合可以表示为如下结果:
步骤6中建立正常网点阈值δ2的具体步骤:
计算正常网点下的特征集、SPE控制限,其求解方式与步骤5相同,从而得出阈值,其计算如下:
步骤5.5中特征值X分别是均值、方差、最大值、最小值、极差、中位数、变异系数、偏度和峰度。
步骤5.7中主投影向量的个数l由累计贡献率的数值进行选择,主投影向量特征值的和与总特征值和的比值称为贡献率:
依次增加主投影向量个数直至满足贡献率大于70%为止。在本发明的网点检测中,预定主元个数为3个。
步骤7中当发生故障时,SPE的值会超出阈值,其计算式为:
SPE=||E||2 (21)
E是残差模型,δ2是SPE正常与否的阈值,当SPE≤δ2时,印刷网点正常;SPE>δ2时,判定印刷网点异常。
参照图1,检测不同类别的产品印刷网点质量之前,都需要先从正常合格样品得到SPE控制限和阈值,之后才可以进行印刷网点的检测,如果改变了印刷工作条件及参数,需要重新标定正常印品的SPE控制限和阈值;可提前获取不同网点覆盖率的正常印品测控条进行标定,仅比对待检测印品的测控条,这样可以简化流程;也可以针对印品中的特定区域进行比对,适用对象和方式具有较强的灵活度。
Claims (8)
1.一种基于旋转投影变换的印刷网点质量检测方法,其特征在于,具体按照以下步骤实施:
步骤1、利用工业CCD采集印刷画面图像,所述图像为单色没有重叠套印的网点;
步骤2、将步骤1中得到的图像转化为灰度图像;若采集到的为灰度图像则无需转化;
步骤3、对步骤2中得到的灰度图像在0-180°内进行旋转投影,将其转化为任意多个不同方向一维的向量;对这些一维向量进行归一化处理,得到-1~1的区间值;
步骤4、计算步骤3中不同方向一维向量的方差,选取方差最大和方差最小的向量为主投影向量,并对主投影向量进行镜像复制;
步骤5、对步骤4中的主投影向量进行经验小波分析,分解为低频分量和高频分量,选取高频分量组进行信号重构,并构建特征集以及待检测网点的SPE控制限;
所述步骤5中经验小波分析步骤如下:
5.1确定分割区间Λn,首先规定[0,π]为规范化的信号频谱的频率取值范围,假定信号由N个单分量成分构成,将[0,π]的频谱分割成N个连续的分区,那么就需要确定(N+1)条边界线,其中0和π分别为第一条和最后一条边界线,除去第一条和最后一条边界线外还需要(N-1)条边界线,过ωn做相邻2个区间的分界限,每一段分区表示为Λn=[ωn-1,ωn],n=1,2,…,N(ω0=0,ωN=π),其中,ωn为2个连续的极大值的中点,由此可知分区的集合
5.2确定分割区间Λn后,对其加小波窗函数进行滤波处理,按照Meyer小波的构造方法,可得经验尺度函数如式(1)所示,经验小波函数如式(2)所示;
5.3根据细节函数(3)和近似系数(4)进行信号重构,将经验小波函数与原信号内积可得细节函数如式(3)所示,尺度函数与原信号内积可得近似系数如式(4)所示:
信号重构的结果显示如式(5)所示:
5.4由经验模态函数fk构建特征集:
fk(t)=ωε f(k,t)ψk(t) (7);
5.5首先选获取不同网点覆盖率下正常印品的主投影向量及其对应分量,求解分量的常用统计特征值X,特征值X分别是均值、方差、最大值、最小值、极差、中位数、变异系数、偏度和峰度,其中n行代表了n组数据,m列代表了每列有m个误差特征值,如式(8)所示:
接着,选择正常印刷网点图像投影后方差最大和最小的两个投影向量,每个向量选取1-3阶经验小波分解分量,共有6个分量,各计算9个特征值,则n=6,m=9;
5.6对特征值X进行标准化处理,如式(9):
式(10)中,ti∈Rn是主投影向量的分向量,Rn代表所有分量的矩阵,每个向量有n个分量,pi∈Rm是载荷向量,Rm代表误差特征值矩阵,每个分量有m个误差特征值,则式(10)可改写为:
5.7得到特征集和SPE控制限
记的协方差矩阵为∑,设其特征值为λ1,λ2...λm,等于对应的主投影向量的方差,其大小反映了第i个主投影向量所包含原始数据全部信息的比重,p1,p2...pm为λ1,λ2...λm相应的单位特征向量,根据矩阵分解可得式(12):
因p1,p2...pm为单位正交矩阵故有:
将式(10)的左右两侧同时右乘pi:
与式(13)相结合可以表示为如下结果:
步骤6、构建正常网点在不同网点覆盖率下的特征集,以及SPE控制限和阈值,以此作为网点判定依据;
步骤7、将步骤特5所得的待检测网点的SPE控制限与步骤6中的阈值进行对比,SPE控制限大于阈值,则判定网点异常,否则认为正常。
2.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法,其特征在于,所述步骤1中工业CCD安装在印刷机收纸单元或观测台。
3.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法,其特征在于,所述步骤2中灰度图像的灰度级数设定为0-255级。
4.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法,其特征在于,所述步骤2中,在灰度图像转化过程中对边缘图像区域进行扩充,扩充区域的灰度值一律设定为0。
5.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法,其特征在于,所述步骤4中以主投影向量两端点为镜像复制的中心点,向外复制长度为向量总长度的10%。
8.根据权利要求1所述的一种基于旋转投影变换的印刷网点质量检测方法,其特征在于,所述步骤7中当发生故障时,SPE的值会超出阈值,其计算式为:
SPE=||E||2 (21)
E是残差模型,δ2是SPE正常与否的阈值,当SPE≤δ2时,印刷网点正常;SPE>δ2时,判定印刷网点异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774339.XA CN110610484B (zh) | 2019-08-21 | 2019-08-21 | 一种基于旋转投影变换的印刷网点质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774339.XA CN110610484B (zh) | 2019-08-21 | 2019-08-21 | 一种基于旋转投影变换的印刷网点质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610484A CN110610484A (zh) | 2019-12-24 |
CN110610484B true CN110610484B (zh) | 2022-04-12 |
Family
ID=68890561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910774339.XA Active CN110610484B (zh) | 2019-08-21 | 2019-08-21 | 一种基于旋转投影变换的印刷网点质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610484B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273088B (zh) * | 2022-09-30 | 2022-12-13 | 南通慕派商贸有限公司 | 基于机器视觉的汉字印刷质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2414167A1 (en) * | 2002-12-12 | 2004-06-12 | Dofasco Inc. | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
CN102183224A (zh) * | 2011-03-15 | 2011-09-14 | 西安理工大学 | 一种基于机器视觉的测控条网点检测方法 |
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 |
CN104568492A (zh) * | 2015-01-23 | 2015-04-29 | 西安理工大学 | 一种印刷机故障在线检测装置及检测方法 |
CN105834835A (zh) * | 2016-04-26 | 2016-08-10 | 天津大学 | 一种基于多尺度主元分析的刀具磨损在线监测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160179599A1 (en) * | 2012-10-11 | 2016-06-23 | University Of Southern California | Data processing framework for data cleansing |
CN103489182B (zh) * | 2013-09-05 | 2016-04-20 | 东华大学 | 一种基于图像投影和奇异值分解的织物瑕疵检测方法 |
CN109582003B (zh) * | 2018-12-03 | 2021-04-20 | 东北林业大学 | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法 |
-
2019
- 2019-08-21 CN CN201910774339.XA patent/CN110610484B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2414167A1 (en) * | 2002-12-12 | 2004-06-12 | Dofasco Inc. | Method and online system for monitoring continuous caster start-up operation and predicting start cast breakouts |
CN102183224A (zh) * | 2011-03-15 | 2011-09-14 | 西安理工大学 | 一种基于机器视觉的测控条网点检测方法 |
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 |
CN104568492A (zh) * | 2015-01-23 | 2015-04-29 | 西安理工大学 | 一种印刷机故障在线检测装置及检测方法 |
CN105834835A (zh) * | 2016-04-26 | 2016-08-10 | 天津大学 | 一种基于多尺度主元分析的刀具磨损在线监测方法 |
Non-Patent Citations (4)
Title |
---|
Extreme Interval Entropy Based on Symbolic Analysis and a Self-Adaptive Met;Zhuofei Xu et al.;《Entropy》;20190302;第1-18页 * |
YARN-DYED FABRIC DEFECT DETECTION BASED ON AUTOCORRELATION;Dandan ZHU et al.;《AUTEX Research Journal》;20151029;第1-7页 * |
基于Radon经验模式分析的纹理分类;徐卓飞 等;《中国图像图形学报》;20150831;第20卷(第8期);第1091-1101页 * |
基于图像分析的色织物疵点检测研究;朱丹丹;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20150315(第03期);第15、33-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110610484A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108318491A (zh) | 一种基于频谱曲率分析的织物缺陷检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
DE112010005721B4 (de) | Bildverarbeitungsvorrichtung | |
CN111060014B (zh) | 一种基于机器视觉的在线自适应烟丝宽度测量方法 | |
CN113468479B (zh) | 一种基于数据驱动的冷连轧工业过程监测与异常检测方法 | |
CN113222992B (zh) | 基于多重分形谱的裂纹特征表征方法及系统 | |
CN110610484B (zh) | 一种基于旋转投影变换的印刷网点质量检测方法 | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN115131348A (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN114167838A (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN115131353A (zh) | 平网印花纺织品生产异常识别定位方法及系统 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN115797473A (zh) | 一种土建工程用混凝土成型评估方法 | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
Reis et al. | Wavelet texture analysis of on-line acquired images for paper formation assessment and monitoring | |
CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
CN116883412B (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
CN113920121B (zh) | 基于图像处理的工艺品印刷条痕检测方法和系统 | |
CN111932573A (zh) | 一种光学系统空间分辨率的自动测试方法 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及系统 | |
CN112945897B (zh) | 一种连续太赫兹图像非均匀性校正方法 | |
CN115240146A (zh) | 基于计算机视觉的机床装配智能验收方法 | |
CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 |
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 |