CN110763682A - 一种陶瓦表面缺釉检测方法及系统 - Google Patents
一种陶瓦表面缺釉检测方法及系统 Download PDFInfo
- Publication number
- CN110763682A CN110763682A CN201910888772.6A CN201910888772A CN110763682A CN 110763682 A CN110763682 A CN 110763682A CN 201910888772 A CN201910888772 A CN 201910888772A CN 110763682 A CN110763682 A CN 110763682A
- Authority
- CN
- China
- Prior art keywords
- image
- ceramic tile
- detected
- shortage
- detecting
- 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
Links
- 239000000919 ceramic Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 18
- 239000003086 colorant Substances 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012850 discrimination method Methods 0.000 claims abstract description 9
- 238000003672 processing method Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 16
- 210000003298 dental enamel Anatomy 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004577 thatch Substances 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20—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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种陶瓦表面缺釉检测方法及系统,其通过获取待检测陶瓦的表面图像,利用颜色判别法对待检测陶瓦进行颜色分类;采用高斯滤波法对对待检测陶瓦的表面图像进行滤波,依据分类颜色对来滤波后的图像进行相应的图像增强;采用与分类颜色对应的二值化图像处理方法获取待检测陶瓦的二值化图像;对待检测陶瓦的二值化图像进行特征值提取,依据特征值进行待检测陶瓦的缺釉状态的检测,通过分类陶瓦的颜色进行不同的处理,提高陶瓦表面缺釉检测的准确度,同时,通过提取对应的二值化值可以简化图像检测的计算,提高陶瓦表面缺釉检测的速度。
Description
技术领域
本发明属于图像检测领域,具体涉及一种陶瓦表面缺釉检测方法及系统。
背景技术
中国陶瓦的历史悠久,智慧的古人们发明的陶瓦,对现代陶瓦建筑的发展与改良奠定了基础。从最早的茅草屋顶,到后来屋顶铺设陶瓦,陶瓦的发展也见证了我国早期历史文明和陶瓦制作工艺的发展。现如今,陶瓦已不仅是用来遮风挡雨的建筑材料,人们也越来越重视陶瓦的装饰作用及其他功能。
然而,在陶瓦生产过程中,由于各种原因例如生产工艺、生产环境因素、生产设备等的影响,生产出来的陶瓦产品可能会产生各种各样的缺陷,常见的缺陷包括缺釉、崩角、色差、裂纹、鼓包等情况。当前工业生产的所有陶瓦大多数由传统的人工进行筛选,工人用肉眼观察,由于变化的环境、漫长的工作时间,会使人产生视觉疲劳,影响陶瓦产品的质量。
基于视觉检测技术在玻璃、薄膜、钢板、锯条等工业缺陷检测上已得到了广泛的应用,但应用于陶瓦检测方面较少。由于陶瓦缺釉是陶瓦产品中形态复杂、难以检测的表面缺陷之一,可利用机器视觉对卫生陶瓷的缺釉进行过检测。该方法检测效率快,稳定性高,然而陶瓦产品表面为立体结构并存在大量花纹,对于陶瓦的缺釉检测造成严重干扰,因而,应用该方法对陶瓦的缺釉检测的准确度并不高。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种,其通过颜色判别法对待检测陶瓦进行颜色分类,依据分类颜色采用不同的二值化图像处理方法得到二值化图像,通过提取二值化图像的特征值进行缺釉状态的检测,从而提高陶瓦表面缺釉检测的准确度和检测效率。
为实现上述目的,按照本发明的一个方面,提供了一种陶瓦表面缺釉检测方法,包括如下步骤:
S1.获取待检测陶瓦的表面图像,利用颜色判别法对待检测陶瓦进行颜色分类;
S2.采用高斯滤波法对待检测陶瓦的表面图像进行滤波,依据分类颜色对来滤波后的图像进行相应的图像增强;
S3.采用与分类颜色对应的二值化图像处理方法获取待检测陶瓦的二值化图像;
S4.对待检测陶瓦的二值化图像进行特征值提取,依据特征值进行待检测陶瓦的缺釉状态的检测。
作为本发明的进一步改进,颜色判别法具体为:
对获取的表面图像进行颜色空间转换,得到HSV格式的图片;对HSV格式的图片进行截取,求得截取部分的H、S、V三个通道的均值;通过对比三个通道的均值大小进行待检测陶瓦的颜色判别。
作为本发明的进一步改进,步骤S2具体为:待检测陶瓦的颜色为第一颜色时,将滤波后的图像转换为NTSC格式的增强图像。
作为本发明的进一步改进,对于NTSC格式的增强图像,分别对增强图像的二通道和三通道图像进行全局阈值分割得到二值化图像,使用最大类间方差法获取参考阈值,利用形态学处理对二通道的二值化图像进行腐蚀运算;将二通道的腐蚀运算后的二值化图像与三通道的二值化图像进行融合,获得待检测图像的二值化图像。
作为本发明的进一步改进,步骤S2具体为:待检测陶瓦的颜色为第二颜色时,将滤波后的图像转换为HSV格式的增强图像。
作为本发明的进一步改进,对于HSV格式的增强图像,利用明暗异常检测算法获得待检测图像的二值化图像。
作为本发明的进一步改进,明暗异常检测算法具体为:
对HSV格式的增强图像进行归一化处理,对归一化图像的陶瓦区域进行等间距分割,计算分割区域的方差和均值得到异常像素点阈值,像素值小于异常像素点阈值即为异常像素点。
作为本发明的进一步改进,步骤S4具体为:对待检测陶瓦的二值化图像进行连通域提取,从而计算出待检测陶瓦缺釉的长度L、面积S以及连通域的数目N;
待检测陶瓦缺釉的长度和面积具体为:
其中,Nx为二值化图像的x方向上的像素总和,Ny为二值化图像的y方向上的像素总和,n为连通域的数目,R为每一块连通域的像素大小;
当L大于阈值TH1,则为存在缺釉;当L小于阈值TH1,则为不存在缺釉。
作为本发明的进一步改进,判断多个连通域是否属于同一个缺釉,具体的计算式为:
其中,相邻几个连通域中最大连通域的质心坐标为(x0,y0),其他质心坐标为(xα,yα),α∈N且α≠0,d为质心坐标之间的距离阈值。
为实现上述目的,按照本发明的另一个方面,提供了一种陶瓦表面缺釉检测系统,其包括至少一个处理单元、以及至少一个存储单元,其中,存储单元存储有计算机程序,当程序被处理单元执行时,使得处理单元执行上述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明的一种陶瓦表面缺釉检测方法及系统,其通过颜色判别法对待检测陶瓦进行颜色分类,依据分类颜色采用不同的二值化图像处理方法得到二值化图像,通过提取二值化图像的特征值进行缺釉状态的检测,通过分类陶瓦的颜色进行不同的处理,提高陶瓦表面缺釉检测的准确度,同时,通过提取对应的二值化值可以简化图像检测的计算,提高陶瓦表面缺釉检测的速度。
本发明的一种陶瓦表面缺釉检测方法及系统,将陶瓦的彩色图像转换成NTSC格式,NTSC格式的图片适应不同光照强度的场合,可以有效的应用于彩色图片,选用NTSC格式的二通道和三通道,转换之后,缺陷部分与背景对比度明显增强。
本发明的一种陶瓦表面缺釉检测方法及系统,为了使缺陷部分更加明显,需要把蓝陶瓷瓦的彩色图转换成HSV格式的图片,采用HSV的二通道图片,HSV格式的图片二通道图片包含色彩信息,消去强度分量的影响,可以很好的处理彩色图片。转换之后的HSV二通道图片的,缺陷部分与背景对比度增加,便于下一步缺陷异常检测。
附图说明
图1是本发明实施例的一种陶瓦表面缺釉检测方法的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
图1是本发明实施例的一种陶瓦表面缺釉检测方法的示意图。如图1所示,一种陶瓦表面缺釉检测方法,其包括如下步骤:
S1.获取待检测陶瓦的表面图像,利用颜色判别法对待检测陶瓦进行颜色分类;
具体地,颜色判别法具体为:
对获取的表面图像进行颜色空间转换,得到HSV格式的图片;对HSV格式的图片进行截取,求得截取部分的H、S、V三个通道的均值;通过对比三个通道的均值大小进行待检测陶瓦的颜色判别;
作为一个示例,可利用工控机(Intel(R)Core(TM)i7–6700K CPU@4.00GHz、32GB内存、64位Windows7操作系统)对陶瓦表面图像进行处理,以实现待检测陶瓦的颜色分类。
S2.采用高斯滤波法对待检测陶瓦的表面图像进行滤波,依据分类颜色对来滤波后的图像进行相应的图像增强;
采用预设规格的高斯滤波器进行滤波,作为一个示例,可选取模板大小为7x7、方差为2的高斯滤波器,当然,示例中高斯滤波器的参数仅为一个示例,可依据表面图像的规格进行相应的调整;
其中,高斯滤波法对应的高斯函数的表达式和滤波后的图像分别为:
g(x,y)=f(x,y)*h(x,y)
其中,*为二维卷积,f(x,y)为原始图像的像素值函数,h(x,y)为高斯滤波函数,g(x,y)为平滑后的图像的像素值函数,x和y分别为图像像素点的横坐标和纵坐标,σ为高斯滤波算子的均值;
作为本发明的一个优选的实施例,待检测陶瓦的颜色为第一颜色时,将滤波后的图像转换为NTSC格式的增强图像;当然,红色仅为一个示例,第一颜色还可以为其他适合转换NTSC格式的增强图像的颜色,如灰色等颜色的陶瓦。
作为本发明的一个优选的实施例,待检测陶瓦的颜色为第二颜色时,将滤波后的图像转换为HSV格式的增强图像;当然,蓝色仅为一个示例,第二颜色还可以为其他适合转换NTSC格式的增强图像的颜色,如灰色等颜色的陶瓦。
S3.采用与分类颜色对应的二值化图像处理方法获取待检测陶瓦的二值化图像;
对于NTSC格式的增强图像,分别对增强图像的二通道和三通道图像进行全局阈值分割得到二值化图像,使用最大类间方差法获取参考阈值,利用形态学处理对二通道的二值化图像进行腐蚀运算;将二通道的腐蚀运算后的二值化图像与三通道的二值化图像进行融合,获得待检测图像的二值化图像;
具体为,全局阈值分割具体为:
其中,F(x,y)为颜色空间转换后的图像,通过全局阈值分割得到二值化图像为b(x,y);
形态学处理腐蚀运算具体为:
表示结构元素P对I进行腐蚀操作;
对于HSV格式的增强图像,利用明暗异常检测算法获得待检测图像的二值化图像;
明暗异常检测算法具体为:
对HSV格式的增强图像进行归一化处理,对归一化图像的陶瓦区域进行等间距分割,计算分割区域的方差和均值,计算分割区域的方差和均值得到异常像素点阈值,像素值小于异常像素点阈值即为异常像素点,
其中,f(x,y)为原始图像的像素值函数,A×B为分割区域尺寸,
d=μ-3σ
当f(x,y)小于d时,其对应的像素点为异常点,由此可以得二值化的结果;
S4.对待检测陶瓦的二值化图像进行特征值提取,依据特征值进行待检测陶瓦的缺釉状态的检测。
对待检测陶瓦的二值化图像进行连通域提取,从而计算出待检测陶瓦缺釉的长度L、面积S以及连通域的数目N;
待检测陶瓦缺釉的长度和面积具体为:
其中,Nx为二值化图像的x方向上的像素总和,Ny为二值化图像的y方向上的像素总和,n为连通域的数目,R为每一块连通域的像素大小;
当L大于阈值TH1,则为存在缺釉;当L小于阈值TH1,则为不存在缺釉;
当存在多个连通域时,相邻几个连通域中最大连通域的质心坐标为(x0,y0),其他质心坐标为(xα,yα),α∈N且α≠0。
判断多个连通域是否属于同一个缺釉,具体的计算式为:
其中,d为质心坐标之间的距离阈值。
可面积S用来进行对缺釉等级的分类,作为一个示例,可以将其划分为优等品,一等品,合格品;
作为一个示例,提取陶瓦缺釉的特征参数并对缺釉进行分类,并显示不同缺釉的特征参数和类型,设定当L小于30像素,缺釉数目为0时为不存在缺釉,分类为优等品,当缺釉长度L大于30像素小于100像素则为存在缺釉,分类为一等品,当L大于100像素小于200像素或者缺釉数目大于3时,分类为合格品,当L大于200像素时分类为废品,这里阈值TH1设为30,阈值d设为100,当然L、TH1和d的值可以依据相应的检测需要进行相应的调整。
作为一个示例,分别采用最大熵法、sobel算法、离散小波变换和本发明的一种陶瓦表面缺釉检测方法对一批陶瓦的缺釉状态进行相应的检测,其中,最大熵法采用灰度变换和中值滤波,再用最大熵法对图像分割,最后通过形态学提取缺陷;sobel算法是对原图像的红色通道和中值滤波预处理,再用边缘检测sobel对图像处理。离散小波变换采用原图像的红色通道,结合形态学滤波和离散小波变换的方法对图像处理;离散小波变换对预处理的图像做二层小波分解,提取小波变换的低频图像,利用形态学处理低频图像,然后通过差影法提取目标,接着对小波变换其他分量图像做滤波,最后通过小波重构,提取缺陷。表1为现有技术方案和本发明实施例的检测方法的对比示意表,从表1可以看出,本发明实施例的一种陶瓦表面缺釉检测方法以很好地从复杂背景中提取出缺釉,准确率较高。
表1现有技术方案和本发明实施例的检测方法的对比示意表
一种陶瓦表面缺釉检测系统,其包括至少一个处理单元、以及至少一个存储单元,其中,存储单元存储有计算机程序,当程序被处理单元执行时,使得处理单元执行上述方法的步骤。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种陶瓦表面缺釉检测方法,其特征在于,包括如下步骤:
S1.获取待检测陶瓦的表面图像,利用颜色判别法对待检测陶瓦进行颜色分类;
S2.采用高斯滤波法对待检测陶瓦的表面图像进行滤波,依据分类颜色对来滤波后的图像进行相应的图像增强;
S3.采用与分类颜色对应的二值化图像处理方法获取待检测陶瓦的二值化图像;
S4.对待检测陶瓦的二值化图像进行特征值提取,依据特征值进行待检测陶瓦的缺釉状态的检测。
2.根据权利要求1所述的一种陶瓦表面缺釉检测方法,其特征在于,所述颜色判别法具体为:
对获取的表面图像进行颜色空间转换,得到HSV格式的图片;对HSV格式的图片进行截取,求得截取部分的H、S、V三个通道的均值;通过对比三个通道的均值大小进行待检测陶瓦的颜色判别。
3.根据权利要求1或2所述的一种陶瓦表面缺釉检测方法,其特征在于,步骤S2具体为:待检测陶瓦的颜色为第一颜色时,将滤波后的图像转换为NTSC格式的增强图像。
4.根据权利要求3所述的一种陶瓦表面缺釉检测方法,其特征在于,对于NTSC格式的增强图像,分别对增强图像的二通道和三通道图像进行全局阈值分割得到二值化图像,使用最大类间方差法获取参考阈值,利用形态学处理对二通道的二值化图像进行腐蚀运算;将二通道的腐蚀运算后的二值化图像与三通道的二值化图像进行融合,获得待检测图像的二值化图像。
5.根据权利要求1或2所述的一种陶瓦表面缺釉检测方法,其特征在于,步骤S2具体为:待检测陶瓦的颜色为第二颜色时,将滤波后的图像转换为HSV格式的增强图像。
6.根据权利要求5所述的一种陶瓦表面缺釉检测方法,其特征在于,对于HSV格式的增强图像,利用明暗异常检测算法获得待检测图像的二值化图像。
7.根据权利要求6所述的一种陶瓦表面缺釉检测方法,其特征在于,所述明暗异常检测算法具体为:
对HSV格式的增强图像进行归一化处理,对归一化图像的陶瓦区域进行等间距分割,计算分割区域的方差和均值得到异常像素点阈值,像素值小于异常像素点阈值即为异常像素点。
10.一种陶瓦表面缺釉检测系统,其特征在于,其包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1~9中任一权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888772.6A CN110763682B (zh) | 2019-09-19 | 2019-09-19 | 一种陶瓦表面缺釉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888772.6A CN110763682B (zh) | 2019-09-19 | 2019-09-19 | 一种陶瓦表面缺釉检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110763682A true CN110763682A (zh) | 2020-02-07 |
CN110763682B CN110763682B (zh) | 2022-06-03 |
Family
ID=69329689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910888772.6A Active CN110763682B (zh) | 2019-09-19 | 2019-09-19 | 一种陶瓦表面缺釉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110763682B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150138227A1 (en) * | 2012-07-18 | 2015-05-21 | Boe Technology Group Co., Ltd. | Method for processing rgb data and system for the same |
CN107589124A (zh) * | 2017-02-13 | 2018-01-16 | 上海佑生源环境工程有限公司 | 基于机器视觉的在线人造板表面缺陷检测分等系统及方法 |
CN107730508A (zh) * | 2017-09-01 | 2018-02-23 | 上海微元计算机系统集成有限公司 | 彩色文本图像多通道二值化处理方法 |
CN108022228A (zh) * | 2016-10-31 | 2018-05-11 | 天津工业大学 | 基于SIFT变换和Otsu匹配的彩色眼底图像拼接方法 |
CN108694711A (zh) * | 2018-02-19 | 2018-10-23 | 江苏新时高温材料股份有限公司 | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 |
CN109146878A (zh) * | 2018-09-30 | 2019-01-04 | 安徽农业大学 | 一种基于图像处理的杂质检测方法 |
CN109272470A (zh) * | 2018-10-08 | 2019-01-25 | 成都品果科技有限公司 | 一种图像增强方法及装置 |
-
2019
- 2019-09-19 CN CN201910888772.6A patent/CN110763682B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150138227A1 (en) * | 2012-07-18 | 2015-05-21 | Boe Technology Group Co., Ltd. | Method for processing rgb data and system for the same |
CN108022228A (zh) * | 2016-10-31 | 2018-05-11 | 天津工业大学 | 基于SIFT变换和Otsu匹配的彩色眼底图像拼接方法 |
CN107589124A (zh) * | 2017-02-13 | 2018-01-16 | 上海佑生源环境工程有限公司 | 基于机器视觉的在线人造板表面缺陷检测分等系统及方法 |
CN107730508A (zh) * | 2017-09-01 | 2018-02-23 | 上海微元计算机系统集成有限公司 | 彩色文本图像多通道二值化处理方法 |
CN108694711A (zh) * | 2018-02-19 | 2018-10-23 | 江苏新时高温材料股份有限公司 | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 |
CN109146878A (zh) * | 2018-09-30 | 2019-01-04 | 安徽农业大学 | 一种基于图像处理的杂质检测方法 |
CN109272470A (zh) * | 2018-10-08 | 2019-01-25 | 成都品果科技有限公司 | 一种图像增强方法及装置 |
Non-Patent Citations (7)
Title |
---|
张晶等: "《多媒体信息与通信》", 30 November 2017, 西安:西安电子科技大学出版社 * |
张绍伟等: "基于机器视觉的陶瓷瓦表面鼓包缺陷检测算法研究", 《南阳理工学院学报》 * |
曹建芳: "《大规模场景图像的情感语义分析若干关键技术研究》", 31 January 2018, 北京:知识产权出版社 * |
王永强: "基于机器视觉技术的卫生陶瓷缺釉检测研究", 《中国陶瓷》 * |
王永强等: "基于颜色特征的卫生陶瓷缺陷图像识别", 《计算机系统应用》 * |
秦绪佳等: "HSV 色彩空间的 Retinex 结构光图像增强算法", 《计算机辅助设计与图形学学报》 * |
高连生等: "基于图像特征值的彩色图像二值化", 《信息与电脑(理论版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110763682B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Wavelet-based defect detection in solar wafer images with inhomogeneous texture | |
CN109035195B (zh) | 一种织物疵点检测方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN107727662B (zh) | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN107749057B (zh) | 一种太阳能电池片外观漏浆缺陷检测的方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN107843600B (zh) | 一种多晶硅太阳能电池片外观手印缺陷检测的方法 | |
CN113793337B (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN110033439B (zh) | 一种制丝过程中皮带输送机堵料的视觉检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN110942457A (zh) | 基于数字图像处理技术的太阳能电池板缺陷检测方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
WO2023231262A1 (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN108960259A (zh) | 一种基于hsv的车牌预处理方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN116630321A (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN109146853B (zh) | 基于his不同光学特性的桥梁麻面缺陷检测方法 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN110763682B (zh) | 一种陶瓦表面缺釉检测方法及系统 |
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 |