CN111179225A - 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 - Google Patents

一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 Download PDF

Info

Publication number
CN111179225A
CN111179225A CN201911287255.XA CN201911287255A CN111179225A CN 111179225 A CN111179225 A CN 111179225A CN 201911287255 A CN201911287255 A CN 201911287255A CN 111179225 A CN111179225 A CN 111179225A
Authority
CN
China
Prior art keywords
image
test paper
region
gray
gradient
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
CN201911287255.XA
Other languages
English (en)
Inventor
徐海波
刘晓东
刘力
王睿
鲍旺
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201911287255.XA priority Critical patent/CN111179225A/zh
Publication of CN111179225A publication Critical patent/CN111179225A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/95Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/36Image preprocessing, i.e. processing the image information without deciding about the identity of the image
    • G06K9/38Quantising the analogue image signal, e.g. histogram thresholding for discrimination between background and foreground patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/40Analysis of texture
    • G06T7/41Analysis of texture based on statistical description of texture
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • G01N2021/8854Grading and classifying of flaws
    • G01N2021/888Marking defects
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • G01N2021/8887Scan 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • G06T2207/20032Median filtering

Abstract

本发明公开了一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法,包括步骤:采集试纸一帧图像,对图像进行灰度化和中值滤波预处理;基于四点灰度动态阈值对图像进行二值分割,通过差分方法,提取试纸区域;对图像进行Gama灰度增强并采用高斯低通滤波器滤除部分周期性纹理;构建单方向的高斯核函数对图像进行垂直方向的卷积滤波;计算图像在水平方向的梯度grad_x;将试纸区域沿水平方向分割成n列子区域,并计算每个子区域的梯度最大值区域的位置;将每个子区域的梯度最大值区域的位置在垂直方向进行聚类计算,将区域聚类数量达到阈值范围的区域标记为纹理缺陷区域;根据标记的区域判断试纸是否合格。本发明具有检测速度快,检测精度高,鲁棒性好等优点。

Description

一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
技术领域
本发明属于计算机视觉技术领域,特别涉及一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法。
背景技术
目前针对试纸表面纹理缺陷的自动化检测技术较不成熟,对细微的纹理缺陷漏检率和误检率都比较高。一般情况下对试纸产品的表面纹理缺陷检测是采用采用人工的方法,而通过肉眼对试纸表面纹理的判断具有主观性,而且由于试纸批量较大,长时间的检测会造成检测工作人员的视觉疲劳,进而降低检测的效率与精度。
随着计算机技术的快速发展,通过将计算机视觉检测技术应用到工业自动化检测过程中,可以大大提高检测效率。例如:中国发明专利CN201711262071.9,公布了一种基于频谱曲率分析的织物缺陷检测方法,具有良好的自适应和抗干扰能力,但是由于需要将空间域图像转换为频率域再转为空间域,针对大图像的检测实时性难以得到保证;中国发明专利CN201310362813.0公布了一种基于纹理梯度的纺织品缺陷检测算法,具有可快速准确地分辨出纺织品的缺陷的优点。
但是上述方法都是针对纺织品的检测方法,对试纸表面的细微纹理变化造成的缺陷具有局限性,当前还没有一种有效的视觉检测算法能够有效检测存在周期性纹理背景下纹理缺陷的试纸。
因此,设计一种高效、检测精度高,并且适合于周期性纹理下纹理缺陷试纸检测的方法十分必要。
发明内容
本发明的目的在于解决周期性背景下纹理缺陷试纸的缺陷识别与定位,实现对试纸的自动、快速、准确的检测,提高生产效率,本发明提供了一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法,该方法不仅检测速度快,而且可实现缺陷区域的定位,具有较好的鲁棒性。
本发明采用以下技术方案来实现的:
一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法,包括以下步骤:
S1、采集试纸一帧图像,并对图像进行灰度化和中值滤波预处理;
S2、基于四点灰度动态阈值对步骤S1预处理后的图像进行二值分割,通过差分方法,提取试纸区域;
S3、对步骤S2二值分割后的图像进行Gama灰度增强并采用高斯低通滤波器滤除部分周期性纹理;
S4、构建单方向的高斯核函数对步骤S3处理后的图像进行垂直方向的卷积滤波;
S5、计算步骤S4卷积滤波后的图像在水平方向的梯度grad_x;
S6、将试纸区域沿水平方向分割成n列子区域,并计算每个子区域的梯度最大值区域的位置;
S7、将每个子区域的梯度最大值区域的位置在垂直方向进行聚类计算,将区域聚类数量达到阈值范围的区域标记为纹理缺陷区域;
S8、根据步骤S7标记的区域判断试纸是否合格。
本发明进一步的改进在于,步骤S1中,试纸图像采集装置采用双条形无影白光源,且平行布置在传送带两侧,试纸位于传送带上,通过工业相机采集试纸图像I1,且采集的图像仅试纸区域灰度值较高。
本发明进一步的改进在于,步骤S2中,获取步骤S1预处理后的图像区域左上、右上、左下、右下四点灰度值,滤除灰度最大与最小值,其余灰度值的平均值作为二值分割的阈值,获得二值图像I2,将试纸图像I1与二值图像I2的反图像进行差分,获得试纸区域图像I3。
本发明进一步的改进在于,步骤S4中,构建一个高斯卷积核Mn×n,且保证垂直方向的标准偏差sigmaY接近0,以减小卷积过程中,垂直方向Y的像素点相关性,相当于对垂直方向做定向滤波处理,保留垂直方向的缺陷纹理,水平方向的标准偏差sigmaX取较大数,将M与经过步骤S3获取的图像I4卷积,获得经过垂直方向滤波的图像I5。
本发明进一步的改进在于,垂直方向的标准偏差sigmaY取0.1。
本发明进一步的改进在于,所述步骤S5中,计算步骤S4卷积滤波后的图像在水平方向的梯度grad_x,得到梯度图像I6。
本发明进一步的改进在于,步骤S6的具体过程为:
S61、将二值图像I2进行形态学腐蚀,并获取其反图像I2_op,将步骤S5获得的梯度图像I6与反图像I2_op进行差分,裁剪梯度图像I6的边缘,获得图像I7;
S62、以二值图像I2作为图像引导模板,通过从左至右和从右至左的水平行扫描,获得试纸区域的左边界列坐标u1、右边界列坐标u2;
S63、在(u1,u2)区间范围内,将图像I7的试纸区域分割成n列,每列区间长度d=(u2-u1)/n,每个子区域为宽度为d的矩形,将每个子区域命名为I7_1、I7_2、……、I7_n;
S64、为获取每一子区域内I7_n灰度值最大区域,即通过步骤S5求取水平梯度后,原图像梯度值最大区域即在图像I7中灰度值最大的区域,在每个子区域I7_n中,构建d×m的矩形区域scan_m,将每个矩形区域scan_m从图像I7_n子区域的0行滑动到图像末行,每次滑动一行,同时求取矩形区域scan_m内所有像素点灰度值的总和∑Value_gray(u,v),进一步获取每一子区域I7_n灰度值最大的区域的行数v_n,并组成最大灰度值行序列v_1,v_2、……、v_n,其中u是每个像素点的列坐标,v是每个像素点的行坐标。
本发明进一步的改进在于,m取值为3-5。
本发明进一步的改进在于,步骤S7的具体过程为:
S71、将步骤S64获取的每一子区域的最大灰度值行数序列v_1,v_2、……、v_n,按大小顺序排序,获得新的序列{v_new(n)|n∈1、2、3、……、n},且满足v_new(k)<v_new(k-1);
S72、沿序列{v_new(n)|n∈1、2、3、……、n}滑动,计算每次滑动区域聚合度值value_polymerization=v_new(k+p)-v_new(k),如果聚合度值满足预设阈值,则标记此处为纹理缺陷区域。
本发明进一步的改进在于,预设阈值取2-3个矩形区域scan_m的高度值。
本发明至少具有如下有益的技术效果:
本发明提供的一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法,对周期纹理背景下的试纸纹理缺陷具有有效的检测效果,可实现缺陷区域的快速定位,弥补了此类试纸计算机视觉检测的空白,具有巨大的工业自动化价值。
进一步,本发明试纸表面缺陷检测算法,检测速度快,适合大批量试纸的快速检测,进一步提高了检测效率。
附图说明
图1为本发明的处理流程图;
图2中(a)为实施例中存在表面纹理缺陷的试纸,(b)为采用四点动态阈值分割的二值图像;
图3中(a)为经过Gama增强和高斯低通滤波后的试纸图像,(b)为采用高斯卷积核进行垂直方向滤波的试纸图像;
图4中(a)为计算水平梯度后的试纸图像,(b)为裁剪掉边缘大梯度后的试纸图像;
图5中(a)为采用子区域最大灰度梯度聚类后标记的缺陷试纸图像I,(b)为采用子区域最大灰度梯度聚类后标记的缺陷试纸图像II,(c)为采用子区域最大灰度梯度聚类后的无纹理缺陷试纸图像III。
具体实施方式
下面结合附图对本发明做详细的说明,以使本发明的优点和特征更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
参见图1,本发明提供的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,包括步骤:S1、采集试纸一帧图像,并对图像进行灰度化和中值滤波预处理;S2、基于四点灰度动态阈值对步骤S1预处理后的图像进行二值分割,通过差分方法,提取试纸区域;S3、对步骤S2二值分割后的图像进行Gama灰度增强并采用高斯低通滤波器滤除部分周期性纹理;S4、构建单方向的高斯核函数对步骤S3处理后的图像进行垂直方向的卷积滤波;S5、计算步骤S4卷积滤波后的图像在水平方向的梯度grad_x;S6、将试纸区域沿水平方向分割成n列子区域,并计算每个子区域的梯度最大值区域的位置;S7、将每个子区域的梯度最大值区域的位置在垂直方向进行聚类计算,将区域聚类数量达到阈值范围的区域标记为纹理缺陷区域;S8、根据步骤S7标记的区域判断试纸是否合格。
参见图2,图2(a)为实施例中存在表面纹理缺陷的试纸,在试纸表面存在周期性的纹理背景,在试纸中部存在纹理与周期性纹理不同的纹理缺陷,在低曝光下保证试纸区域灰度值最高,周围灰度值较低;图2(b)为采用四点动态阈值分割的二值图像,获取区域左上、右上、左下、右下四点灰度值,滤除灰度最大与最小值,其余灰度值的平均值作为二值分割的阈值,可获得此二值图像,用于后续的图像差分。
参见图3,图3(a)为实施例中通过Gama灰度增强和高斯低通滤波器处理的纹理图像,由于通过Gama灰度矫正增强可矫正灰度直方图分布的均匀性,增强灰度梯度对纹理缺陷的相关性,同时周期性的纹理信息大部分属于高频分量,通过低通滤波器,可滤除一定的高频分量,进而弱化背景纹理信息对检测的影响;图3(b)为采用采用高斯卷积核进行垂直方向滤波的试纸图像,通过构建一个高斯卷积核Mn×n,且保证垂直方向的标准偏差sigmaY接近0(一般取0.1),以减小卷积过程中,垂直方向Y的像素点相关性,相当于对垂直方向做定向滤波处理,保留垂直方向的缺陷纹理,水平方向的标准偏差sigmaX取较大数(如3,5,7等),将M与图3(a)进行卷积可获得垂直方向滤波的图3(b)。
参见图4,图4(a)为实施例中计算水平梯度后的试纸图像,由于上一步保留了垂直方向的纹理缺陷,通过水平梯度可以反映垂直方向的纹理缺陷特征,梯度值越大,表明缺陷程度越大;图4(b)为裁剪掉梯度图边缘的试纸图像,由于试纸边缘会存在明显的梯度变化,因此将此处裁剪掉以减少其对后续检测的影响。
参见图5,以图2(b)二值图像I2作为图像引导模板,通过从左至右和从右至左的水平行扫描,获得试纸区域的左边界列坐标u1、右边界列坐标u2,在(u1,u2)区间范围内,将图4(b)图像I7中的试纸区域分割成n列,每列区间长度d=(u2-u1)/n,每个子区域为宽度为d的矩形,将每个子区域命名为I7_1、I7_2、……、I7_n,为获取每一子区域内I7_n灰度值最大区域(通过步骤S5求取水平梯度后,原图像梯度值最大区域即在图像I7中灰度值最大的区域),在每个子区域I7_n中,构建d×m(m取值3-5)的矩形区域scan_m,将每个矩形区域scan_m从图像子区域I7_n的0行滑动到图像末行,每次滑动一行,同时求取矩形区域scan_m内所有像素点灰度值的总和∑Value_gray(u,v)(其中u是每个像素点的列坐标,v是每个像素点的行坐标),进一步获取每一子区域I7_n灰度值最大的区域的行数v_n,并组成最大灰度值行序列v_1,v_2、……、v_n;图5(a)为实施例中为采用子区域最大灰度梯度聚类后标记的缺陷试纸图像I,其中白色小矩形框为每个子区域的灰度最大值区域,黑色框区域是满足聚类条件的试纸纹理缺陷区域,图5(b)为采用子区域最大灰度梯度聚类后标记的缺陷试纸图像II,图5(c)为采用子区域最大灰度梯度聚类后的无纹理缺陷试纸图像III,由于不满足聚类条件,因此无试纸纹理缺陷区域。
以上显示和描述了本发明的基本原理,主要特征和优点。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本发明要求保护的范围内。
本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,包括以下步骤:
S1、采集试纸一帧图像,并对图像进行灰度化和中值滤波预处理;
S2、基于四点灰度动态阈值对步骤S1预处理后的图像进行二值分割,通过差分方法,提取试纸区域;
S3、对步骤S2二值分割后的图像进行Gama灰度增强并采用高斯低通滤波器滤除部分周期性纹理;
S4、构建单方向的高斯核函数对步骤S3处理后的图像进行垂直方向的卷积滤波;
S5、计算步骤S4卷积滤波后的图像在水平方向的梯度grad_x;
S6、将试纸区域沿水平方向分割成n列子区域,并计算每个子区域的梯度最大值区域的位置;
S7、将每个子区域的梯度最大值区域的位置在垂直方向进行聚类计算,将区域聚类数量达到阈值范围的区域标记为纹理缺陷区域;
S8、根据步骤S7标记的区域判断试纸是否合格。
2.根据权利要求1所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,步骤S1中,试纸图像采集装置采用双条形无影白光源,且平行布置在传送带两侧,试纸位于传送带上,通过工业相机采集试纸图像I1,且采集的图像仅试纸区域灰度值较高。
3.根据权利要求2所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,步骤S2中,获取步骤S1预处理后的图像区域左上、右上、左下、右下四点灰度值,滤除灰度最大与最小值,其余灰度值的平均值作为二值分割的阈值,获得二值图像I2,将试纸图像I1与二值图像I2的反图像进行差分,获得试纸区域图像I3。
4.根据权利要求3所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,步骤S4中,构建一个高斯卷积核Mn×n,且保证垂直方向的标准偏差sigmaY接近0,以减小卷积过程中,垂直方向Y的像素点相关性,相当于对垂直方向做定向滤波处理,保留垂直方向的缺陷纹理,水平方向的标准偏差sigmaX取较大数,将M与经过步骤S3获取的图像I4卷积,获得经过垂直方向滤波的图像I5。
5.根据权利要求4所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,垂直方向的标准偏差sigmaY取0.1。
6.根据权利要求4所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,所述步骤S5中,计算步骤S4卷积滤波后的图像在水平方向的梯度grad_x,得到梯度图像I6。
7.根据权利要求6所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,步骤S6的具体过程为:
S61、将二值图像I2进行形态学腐蚀,并获取其反图像I2_op,将步骤S5获得的梯度图像I6与反图像I2_op进行差分,裁剪梯度图像I6的边缘,获得图像I7;
S62、以二值图像I2作为图像引导模板,通过从左至右和从右至左的水平行扫描,获得试纸区域的左边界列坐标u1、右边界列坐标u2;
S63、在(u1,u2)区间范围内,将图像I7的试纸区域分割成n列,每列区间长度d=(u2-u1)/n,每个子区域为宽度为d的矩形,将每个子区域命名为I7_1、I7_2、……、I7_n;
S64、为获取每一子区域内I7_n灰度值最大区域,即通过步骤S5求取水平梯度后,原图像梯度值最大区域即在图像I7中灰度值最大的区域,在每个子区域I7_n中,构建d×m的矩形区域scan_m,将每个矩形区域scan_m从图像I7_n子区域的0行滑动到图像末行,每次滑动一行,同时求取矩形区域scan_m内所有像素点灰度值的总和∑Value_gray(u,v),进一步获取每一子区域I7_n灰度值最大的区域的行数v_n,并组成最大灰度值行序列v_1,v_2、……、v_n,其中u是每个像素点的列坐标,v是每个像素点的行坐标。
8.根据权利要求7所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,m取值为3-5。
9.根据权利要求8所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,步骤S7的具体过程为:
S71、将步骤S64获取的每一子区域的最大灰度值行数序列v_1,v_2、……、v_n,按大小顺序排序,获得新的序列{v_new(n)|n∈1、2、3、……、n},且满足v_new(k)<v_new(k-1);
S72、沿序列{v_new(n)|n∈1、2、3、……、n}滑动,计算每次滑动区域聚合度值value_polymerization=v_new(k+p)-v_new(k),如果聚合度值满足预设阈值,则标记此处为纹理缺陷区域。
10.根据权利要求9所述的基于灰度梯度聚类的试纸表面纹理缺陷检测方法,其特征在于,预设阈值取2-3个矩形区域scan_m的高度值。
CN201911287255.XA 2019-12-14 2019-12-14 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 Pending CN111179225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911287255.XA CN111179225A (zh) 2019-12-14 2019-12-14 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911287255.XA CN111179225A (zh) 2019-12-14 2019-12-14 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法

Publications (1)

Publication Number Publication Date
CN111179225A true CN111179225A (zh) 2020-05-19

Family

ID=70650224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911287255.XA Pending CN111179225A (zh) 2019-12-14 2019-12-14 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111179225A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739020A (zh) * 2020-07-31 2020-10-02 成都数之联科技有限公司 周期纹理背景缺陷标签自动标注方法、装置、设备及介质
CN111879781A (zh) * 2020-06-17 2020-11-03 西安交通大学 一种基于机器视觉的试纸质量检测系统
CN112354964A (zh) * 2020-10-14 2021-02-12 宁波格劳博智能工业有限公司 锂电池凹版版辊全自动清洗检测设备与方法
CN112560666A (zh) * 2020-12-11 2021-03-26 北部湾大学 一种机器人视觉伺服抓取目标定位方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879781A (zh) * 2020-06-17 2020-11-03 西安交通大学 一种基于机器视觉的试纸质量检测系统
CN111739020A (zh) * 2020-07-31 2020-10-02 成都数之联科技有限公司 周期纹理背景缺陷标签自动标注方法、装置、设备及介质
CN111739020B (zh) * 2020-07-31 2020-12-01 成都数之联科技有限公司 周期纹理背景缺陷标签自动标注方法、装置、设备及介质
CN112354964A (zh) * 2020-10-14 2021-02-12 宁波格劳博智能工业有限公司 锂电池凹版版辊全自动清洗检测设备与方法
CN112560666A (zh) * 2020-12-11 2021-03-26 北部湾大学 一种机器人视觉伺服抓取目标定位方法

Similar Documents

Publication Publication Date Title
CN111179225A (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN105447512B (zh) 一种精粗结合的光学表面缺陷的检测方法及装置
US8520892B2 (en) Method and apparatus for detecting objects
CN102426649A (zh) 一种简单的高准确率的钢印数字自动识别方法
CN105784713B (zh) 基于机器视觉的密封圈表面缺陷检测方法
CN106290392A (zh) 一种小微轴承表面凹痕缺陷在线检测方法及其系统
CN108090494B (zh) 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN110334706B (zh) 一种图像目标识别方法及装置
CN107437243B (zh) 基于x光图像的轮胎杂质检测方法及装置
CN109934802B (zh) 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN107490582B (zh) 一种流水线工件检测系统
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
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
Bong et al. Vision-based inspection system for leather surface defect detection and classification
Abdellah et al. Defect detection and identification in textile fabric by SVM method
CN106780437B (zh) 一种快速qfn芯片塑封图像获取与放大方法
CN106529551B (zh) 面向包装行业的类圆对象智能识别计数检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN111598856A (zh) 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统
CN110827235A (zh) 钢板表面缺陷检测方法
CN109886912A (zh) 一种推力轴承保持架表面缺陷检测方法

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