CN110838101B - 一种基于边缘特性的图像分割质量评价方法 - Google Patents
一种基于边缘特性的图像分割质量评价方法 Download PDFInfo
- Publication number
- CN110838101B CN110838101B CN201910990647.6A CN201910990647A CN110838101B CN 110838101 B CN110838101 B CN 110838101B CN 201910990647 A CN201910990647 A CN 201910990647A CN 110838101 B CN110838101 B CN 110838101B
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- segmentation
- point
- points
- 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
- G06T7/12—Edge-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
- G06T2207/30141—Printed circuit board [PCB]
-
- 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
- G06T2207/30168—Image quality inspection
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边缘特性的图像分割质量评价方法,引入边缘粗糙度,边缘不连续率以及边缘离散率三种图像边缘特性作为评价指标,使用多种分割算法对原始图像进行分割处理,通过设定宽度与高度阈值、使用区域生长法以及腐蚀膨胀法,得到分割图像边缘粗糙点数,边缘不连续点数,边缘离散点数和总有效点数来间接获得评价指标值,同时结合比重分配思想最终获得不同分割算法的分割质量评价结果,分割质量结果越小,对应的图像分割算法的图像分割质量越好。本发明可以实现给定图像在不同光照情况下的质量评价,并且评价结果具有较高准确率与稳定性,适合敏感性要求较高的图像分割质量评价场景。
Description
技术领域
本发明属于计算机图像处理领域,更为具体地讲,涉及一种基于边缘特性的图像分割质量评价方法。
背景技术
现代企业的PCB装配生产线大量运用机器视觉技术,而图像分割便是其中最基础也是最重要的一个环节。众多图像分割算法及其改进算法不断丰富图像分割算法领域,但与之相对应的分割质量评价方法却发展迟缓,很大程度限制了图像分割算法的进一步发展,所以对分割图像质量评价方法的研究至关重要。
现有图像分割质量评价方法主要分为有监督法与无监督法。有监督法即需要专家手工分割的高质量分割图进行辅助分析,从而实现分割图像有效评价的方法;而无监督方法即一种基于分割图像特性的评价方法,依赖于分割图像自身的有效信息,如对比度,边缘信息,区域特性等。有监督法存在自身的局限性,无法大量开展,需要专家辅助信息完成质量评价;同时无监督法则较好的结合图像自身特点、图像的区域特点和特征分布完成质量评价。
图像分割质量评价方法还可以分为主观评价法、分析评价法以及实验评价法。主观评价法具有先天缺点,无法对分割图像做到客观有效评价,同时无可参考指标数值进行评估,进行算法比较时缺少量化的指标;分析评价法是从图像分割算法原理出发,相较于主观评价法更加客观,但不是所有分割算法都适用分析评价法,并且也无法得出确切的可参考数值结果。
而实验评价法相较于前两种方法更具有客观性,主要分为偏差法与优度法两大类。前者依赖理想分割图像作为参考,通过像素比较得出分割结果与理想结果之间的差异;而后者是依据分割图像本身特征,自成一套相对独立的评价体系,可以得出相对客观,可定量分析的结果,对于大多数的分割情况均适用,但在一些相对极端的情况,如光照较暗情况下,同样也有一些问题导致评价结果存在较大偏差。
发明内容
本发明的目的在于克服以下技术问题:实际生产中,对于分割图像质量的评价往往通过肉眼直接观察判断,没有一个具体的量化指标,具有主观性,所以急需一种能够客观有效的方法实现图像分割质量评价。同时对于图像分割质量评价方法的研究远远不及对于图像分割算法的研究,致使图像分割算法进展缓慢。现有图像分割质量评价方法均能够实现对于图像分割质量的评价,但在评价结果的准确性以及稳定性上还有一定的提升空间。
为实现上述发明目的,本发明基于边缘特性的图像分割质量评价方法,其特征在于,包含以下步骤:
步骤一:选取三种分割图像边缘特性,边缘粗糙度R(p)、边缘不连续率C(p)以及边缘离散率E(p),同时选取多幅原始图像,通过多种分割算法对原始图像进行图像分割。
其中,步骤一中边缘粗糙度、边缘不连续率和边缘离散率的定义分别为:
1.1、边缘粗糙度即图像边缘凹凸不平,突起的程度。边缘粗糙度R(p)的衡量是通过图像中被定义为粗糙点的数量与边缘范围内所有点数量的比值来实现,即
其中:R(i,j)为分割图像中粗糙点,n(i,j)为分割图像有效边缘点,xi,yi分别为分割图像最大宽度与长度。
1.2、边缘不连续率是对边缘延伸过程中是否连续的定义。边缘不连续率C(p)的衡量是通过图像中不连续率点总数与分割图像所有有效边缘点的比值来实现,即
其中:C(i,j)为分割图像中不连续点,n(i,j)为分割图像有效边缘点,xi,yi分别为分割图像最大宽度与长度。
1.3、边缘离散率是对边缘紧密性以及边缘离散度的评价。边缘离散率E(p)的衡量是通过图像中离散点的总数与所有有效边缘点数量的比值来实现,即
其中:E(i,j)为分割图像中离散点,n(i,j)为分割图像有效边缘点,xi,yi分别为分割图像最大宽度与长度。
步骤二:任意选取其中一幅分割图像,通过设定宽度与高度阈值、使用区域生长法以及腐蚀膨胀法获得边缘粗糙点数,边缘不连续点数,边缘离散点数以及总有效点数,同时根据获得的原始参数推导出分割图像边缘粗糙度,边缘不连续率以及边缘离散率三个质量评价指标,其余分割图像采用相同方法进行原始数据以及质量评价指标获取。
其中,步骤二中边缘粗糙点,边缘不连续点以及边缘离散点的获取方式分别为:
2.1、边缘粗糙点分为两种情况,当以数字1来表达光滑点时,则粗糙点为0,反之亦然。首先寻找边缘,即0与1的交汇点,假设此时光滑边缘点的值为1,然后设置宽度阈值与高度阈值。如果当前点的横坐标加上宽度阈值大于图像宽度时,将后面的点全部置为1,并将其坐标输出;如果横坐标加上宽度阈值小于图像宽度,首先在当前点到末尾点之间寻找值为1的点,将当前点与首先找到的值为1的点之间的所有点全部置为1,同时输出此时所有点坐标。纵坐标方向遵循相同的原理。
2.2、运用8邻域生长法来进行边缘不连续点追踪。首先定义8个方向,设定一个起始点,即最初的当前点,该点必须为前景点,对其进行8次追踪。在追踪过程中,需要根据起始点的坐标与起始方向进行加减,得到下一个当前点坐标;然后对当前点的的值为1 或为0进行判断,当为0时,则认定为边缘,更改当前方向,同时将其更新为新的起始点,进行新的一轮追踪。如果在第一轮的追踪结束后,一直没有找到边缘点,则认为边缘不连续,停止追踪,并输出起始点坐标。
2.3、采取间接法获得图像中离散点的数量。首先通过软件测试获取原始分割图像中的所有有效边缘点的数量∑n(i,j),然后对于图像进行腐蚀以及膨胀处理,得到去除噪声的图像,通过软件测试获取此时有效边缘点的数量Ne,即可获得图像中离散点的总数为∑E(i,j)=∑n(i,j)-Ne。
步骤三:通过步骤二获取的分割图像边缘粗糙度,边缘不连续率以及边缘离散率,结合比重分配方法,构建相应计算公式,
其中:R(p)为边缘粗糙度;C(p)为边缘不连续率;E(p)为边缘离散率;B为初始有效边缘点;Pz为总像素点数。
其中,步骤3中比重分配的思想为:通过上述三种评价指标的获取方法均可以得到相应参考值,即R(p),C(p)和E(p)。观察发现,每一次图像分割结果中,均会有一项或者几项指标比较突出,即图像分割质量受到该指标的影响较大,为了从理论上体现这种关系,即放大关键因素的作用。将获得的R(p),C(p)和E(p)三个数据进行归一化处理,然后根据相应比重,与原始数据进行乘法运算,最后将得到的值相加,得到最后结果Q1,如下公式所示。
步骤四:计算每幅分割图像分割质量分数,其中质量分数越低,分割质量越好。
本发明以分割图像特性为依据,引入边缘粗糙度,边缘不连续率,边缘离散率三种图像边缘特性作为评价指标,通过使用多种不同分割算法对原始图像进行分割处理,计算分割图像其边缘粗糙点数,边缘不连续点数,边缘离散点数,总有效点数来间接获得相关评价指标,同时结合比重分配思想获得不同分割算法的分割质量评价结果,分割质量结果越小,对应的图像分割算法的图像分割质量越好。
本发明可以在不同光照情况下实现给定图像的质量评价,并且评价结果具有较高准确率与稳定性,适合敏感性要求较高的图像分割质量评价场景。
附图说明
图1是本发明基于边缘特性的图像分割质量评价方法一种具体实施方式流程图;
图2是可行性测试第一幅原始图像;
图3是可行性测试第二幅原始图像;
图4是实施例1第一幅原始图像的3种不同分割结果示意图;
图5是实施例1第二幅原始图像的3种不同分割结果示意图;
图6是光线较暗情况两张图例;
图7是光线较亮情况两张图例;
图8是光线正常情况两张图例;
图9是实施例2中光线较暗情况两幅原始图3种不同分割结果示意图;
图10是实施例2中光线较亮情况两幅原始图3种不同分割结果示意图;
图11是实施例2中光线正常情况两幅原始图3种不同分割结果示意图;
图12是五种质量评价方法稳定性折线图。
具体实施方式
下面结合图例对本发明的具体实施方式进行解释,主要完成对于方法可行性以及敏感性的验证。为了验证提出的图像分割质量评价方法的有效性,采用两组实验,对于通过三种图像分割算法得到的图像进行试验,进行评价方法的可行性验证。敏感性的验证是通过将本发明提出方法与4种现有分割图像质量评价方法在3种不同光照情况下进行对比实验来实现。
敏感性具体度量方法如下所示:(1)准确性:正确判定出实际分割图像质量顺序的能力;(2)稳定性:一幅图像通过多种分割算法进行分割,以该幅图像实验得到的最优结果为标准,将其余分割方法结果分别与该标准进行比较,得出相应比值(大于1),同时对比分析其余所有图像通过实验得出的所有比值,进行标准偏差(SD,Standard Deviation)判定,比较其稳定性。
以下为4种现有图像分割质量评价方法的基本原理与特点:
(1)CORNIA:采用支持向量机训练模型,提取测试图像特征,一般情况下质量分数越高,分割质量越差;
(2)F:计算每个分割区域的平均颜色平方误差,通常情况下得分越高,分割质量越差;
(3)EEM(entropy-based evaluation method):定义“区域熵”作为区域内一致性的评价度量,一般情况下熵越小时表明区域一致性越高,分割质量越好;
(4)Zeb(contrast):计算每个像素邻域区域的内部和外部对比度,通常区域间对比度越高说明分割质量越高。
图1是本发明基于边缘特性的图像分割质量评价方法一种具体实施方式流程图。如图1所示,本发明基于边缘特性的图像分割质量评价方法包括以下步骤:
步骤一:选取三种分割图像边缘特性,边缘粗糙度R(p),边缘不连续率C(p)以及边缘离散率E(p),同时选取多幅原始图像,通过多种分割算法对原始图像进行图像分割。
步骤二:任意选取其中一幅分割图像,通过设定宽度与高度阈值、使用区域生长法以及腐蚀膨胀法获得边缘粗糙点数,边缘不连续点数,边缘离散点数以及总有效点数,同时根据获得的原始参数推导出分割图像边缘粗糙度,边缘不连续率以及边缘离散率三个质量评价指标,其余分割图像采用相同方法进行原始数据以及质量评价指标获取。
步骤三:通过步骤二获取的分割图像边缘粗糙度,边缘不连续率以及边缘离散率,结合比重分配方法,构建相应计算公式,
其中,R(p)为边缘粗糙度;C(p)为边缘不连续率;E(p)为边缘离散率;B为初始有效边缘点;Pz为总像素点数。
步骤四:计算每幅分割图像分割质量分数,其中质量分数越低,分割质量越好。
实施例1
本实施例中,选取两幅PCB板图像,图2是第一幅原始图像,图3是第二幅图原始图像。分别通过CANNY算法,OTSU算法以及BINARY算法进行图像分割处理,得到多组完成图像分割的图像。图4是实施例1第一幅原始图像的3种不同分割结果示意图,图5是实施例1第二幅原始图像的3种不同分割结果示意图,分别为CANNY算法, OTSU算法以及BINARY算法分割结果。对分割质量进行初步排序,第一组分割图像从优到差依次为OTSU分割图像,BINARY算法分割图像以及CANNY分割图像;第二组分割图像从优到差依次为OTSU分割图像,BINARY算法分割图像以及CANNY分割图像。
对第一组、第二组实验分割图像进行有效点总数,边缘粗糙点,边缘不连续点和离散点进行提取,并计算每幅分割图像分割质量分数Q。
表1为第一组实验指标参数值及质量结果。
表1
表2为第二组实验指标参数值及质量结果。
表2
第一组实验结果中分割质量最好的为OTSU算法,其次为BINARY算法以及 CANNY算法,与预先判定结果相吻合,初步验证了评价方法的可行性。第二组实验结果中,分割质量最好的为OTSU算法,其次为BINARY算法,最差的为CANNY算法,与最初的判断吻合,进一步验证了评价方法的可行性。
实施例2
本实施例中,为了更好的模拟实际工业生产线的生产状况,选取光线较暗,光线较亮以及光线正常情况下获得的PCB原始图像,分别两张,图6是光线较暗情况两张图例, 图7是光线较亮情况两张图例,图8是光线正常情况两张图例。分别使用CANNY,OTSU 以及BINARY图像分割算法对上述原始图像进行分割处理。
图9是实施例2中光线较暗情况两幅原始图3种不同分割结果示意图,图10是实施例2中光线较亮情况两幅原始图3种不同分割结果示意图,图11是实施例2中光线正常情况两幅原始图3种不同分割结果示意图。
根据实际生产需求以及经验基础,通过人眼观察分析,对以上六组分割图像进行初步优劣判断。
表3为六组分割图像分割质量初步判断结果。
表3
按照本文提出方法流程分别对获得的分割图像进行质量评价,实现目标值的获取,通过原始数据计算最终获得质量评价结果,Q中结果加粗为最优结果与预期排序相符。
从表4可以得出以下结论:(1)五组实验结果与预估结果相符,具有较高的准确率;(2)BINARY与OTSU算法二者分割质量相差较小;(3)CANNY分割算法评价结果最差,图像中的噪声较多;(4)光线较暗情况下评价质量反而比正常光照下更优秀。
表4为本发明提出方法分割质量评价结果。
表4
通过表4数据,可以得到本发明方法稳定性结果。
表5为本发明提出方法稳定性结果。
表5
通过计算获得最终标准偏差SD=0.805817。
按照步骤一,步骤二进行实验,获得相应分割图像,运用CORNIA,EEM,F,Zeb 图像分割质量评价方法对分割图像进行质量评价,结果加粗为最优结果与预期排序相符情况。
表6为CORNIA、EEM、F以及Zeb分割质量评价结果。
表6
从结果中可以得出以下结论:(1)CORNIA:三组实验结果与预估结果相符;光线较暗情况下无法准确判断分割图像优劣情况;(2)EEM:六组实验结果与预估结果均不相符,CANNY分割结果在熵值比较时存在优势;(3)F:三组实验结果与预估结果相符;光线较亮的情况下与光照较暗的情况下易受到干扰;(4)Zeb:一组实验结果与预估结果相符,易受光线干扰;(5)EEM与F:光照较暗时评价质量高于正常光照;CORNIA与Zeb:正常光照时评价质量优于光线较暗情况。
通过表6可以得到其他质量评价方法稳定性结果。
表7为其他质量评价方法与本文方法稳定性结果。
表7
表8为各方法标准偏差结果。
评价方法类型 | CORNIA | EEM | F | Zeb | 本文 |
稳定性 | 5.900256 | 0.505313 | 3.076628 | 0.600338 | 0.805817 |
表8
根据表7的数据结果绘制相应折线图,图12是五种质量评价方法稳定性折线图。
从图12以及表8可以看出,稳定性最好的为EEM,Zeb以及本文提出的方法,其结果均小于1,而CORNIA以及F相对不稳定,起伏较大,稳定性结果均大于1。
从准确性与稳定性两方面来看,本文提出的方法具有绝对的优势,既保证了准确性评价,同时又具有良好的稳定性,具有很好地敏感度,能够很好地实现图像分割质量评价任务。
Claims (2)
1.一种基于边缘特性的图像分割质量评价方法,其特征在于,包括以下步骤:
步骤一:选取三种分割图像边缘特性,边缘粗糙度R(p)、边缘不连续率C(p)以及边缘离散率E(p),同时选取多幅原始图像,通过多种分割算法对原始图像进行图像分割;
边缘粗糙度R(p)为图像边缘凹凸不平,突起的程度,边缘粗糙度R(p)的衡量是通过图像中被定义为粗糙点的数量与边缘范围内所有点数量的比值来实现,
其中,R(i,j)为图像中粗糙点,n(i,j)为分割图像有效边缘点,xi,yi分别为分割图像最大宽度与长度;
边缘不连续率C(p)是对边缘延伸过程中是否连续的定义,边缘不连续率C(p)的衡量是通过图像中不连续点总数与分割图像所有有效边缘点的比值来实现,
其中,C(i,j)为图像中不连续点,n(i,j)为分割图像有效边缘点,xi,yi分别为分割图像最大宽度与长度;
边缘离散率E(p)是对边缘紧密性以及边缘离散度的评价,边缘离散率E(p)的衡量是通过图像中离散点的总数与所有有效边缘点数量的比值来实现,
其中,E(i,j)为图像中离散点,n(i,j)为分割图像有效边缘点,xi,yi分别为分割图像最大宽度与长度;
步骤二:任意选取其中一幅分割图像,通过设定宽度与高度阈值、使用区域生长法以及腐蚀膨胀法获得边缘粗糙点数,边缘不连续点数,边缘离散点数以及总有效点数,同时根据获得的原始参数推导出分割图像边缘粗糙度,边缘不连续率以及边缘离散率三个质量评价指标,其余分割图像采用相同方法进行原始数据以及质量评价指标获取;
边缘粗糙点的获取方式为:粗糙点分为两种情况,当以数字1来表达光滑点时,则粗糙点为0,反之亦然,首先寻找边缘,即0与1的交汇点,假设此时光滑边缘点的值为1,设置宽度阈值与高度阈值,如果当前点的横坐标加上宽度阈值大于图像宽度时,将后面的点全部置为1,并将其坐标输出;如果横坐标加上宽度阈值小于图像宽度,首先在当前点到末尾点之间寻找值为1的点,将当前点与首先找到的值为1的点之间的所有点全部置为1,同时输出此时所有点坐标,纵坐标方向遵循相同的原理;
边缘不连续点的获取方式为:运用8邻域生长法来进行边缘追踪,定义8个方向,(0,1),(1,1),(1,0),(1,-1),(0,-1),(-1,-1),(-1,0),(-1,1),设定一个起始点,即最初的当前点,该点必须为前景点,对其进行8次追踪,在追踪过程中,需要根据起始点的坐标与起始方向进行加减,得到下一个当前点坐标;然后对当前点的值为1或为0进行判断,当为0时,则认定为边缘,更改当前方向,同时将其更新为新的起始点,进行新的一轮追踪,如果在第一轮的追踪结束后,一直没有找到边缘点,则认为边缘不连续,停止追踪,并输出起始点坐标;
边缘离散点的获取方式为:采用间接方法获得图像中离散点的数量,首先通过软件测试获取原始分割图像中的所有有效边缘点的数量∑n(i,j),然后对于图像进行腐蚀以及膨胀处理,得到去除噪声的图像,通过软件测试获取此时有效边缘点的数量Ne,即获得图像中离散点的总数为∑E(i,j)=∑n(i,j)-Ne;
步骤三:通过步骤二获取的分割图像边缘粗糙度,边缘不连续率以及边缘离散率,结合比重分配方法,构建相应计算公式Q
其中,R(p)为边缘粗糙度;C(p)为边缘不连续率;E(p)为边缘离散率;B为初始有效边缘点;Pz为总像素点数;
步骤四:计算每幅分割图像分割质量分数,其中质量分数越低,分割质量越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990647.6A CN110838101B (zh) | 2019-10-18 | 2019-10-18 | 一种基于边缘特性的图像分割质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990647.6A CN110838101B (zh) | 2019-10-18 | 2019-10-18 | 一种基于边缘特性的图像分割质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838101A CN110838101A (zh) | 2020-02-25 |
CN110838101B true CN110838101B (zh) | 2021-06-11 |
Family
ID=69575385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910990647.6A Active CN110838101B (zh) | 2019-10-18 | 2019-10-18 | 一种基于边缘特性的图像分割质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838101B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926453B (zh) * | 2022-06-13 | 2023-03-10 | 四川大学 | 基于改进局部阈值的低对比度接插件针脚区域分离方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949298A (zh) * | 2019-03-22 | 2019-06-28 | 西南交通大学 | 一种基于聚类学习的图像分割质量评价方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8086007B2 (en) * | 2007-10-18 | 2011-12-27 | Siemens Aktiengesellschaft | Method and system for human vision model guided medical image quality assessment |
CN104794714B (zh) * | 2015-04-18 | 2018-07-10 | 吉林大学 | 基于ROC Graph的图像分割质量评价方法 |
CN105261015B (zh) * | 2015-09-29 | 2018-01-12 | 北京工业大学 | 基于Gabor滤波器的眼底图像血管自动分割方法 |
-
2019
- 2019-10-18 CN CN201910990647.6A patent/CN110838101B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949298A (zh) * | 2019-03-22 | 2019-06-28 | 西南交通大学 | 一种基于聚类学习的图像分割质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110838101A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114529549B (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
CN109658381B (zh) | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN117314912A (zh) | 一种焊管表面焊接缺陷视觉检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
CN110838101B (zh) | 一种基于边缘特性的图像分割质量评价方法 | |
CN116342586A (zh) | 基于机器视觉的路面质量检测方法 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
CN111784702B (zh) | 一种针对图像分割质量的评分方法 | |
CN115761467A (zh) | 一种基于高低频特征差分金字塔神经网络的水下目标检测方法 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN115222735A (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
CN115345848A (zh) | 一种基于大数据的显示屏的质检方法 | |
CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
CN114638833B (zh) | 基于机器视觉的有色金属压延质量检测方法及系统 |
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 |