CN111724376B - 一种基于纹理特征分析的纸病检测方法 - Google Patents
一种基于纹理特征分析的纸病检测方法 Download PDFInfo
- Publication number
- CN111724376B CN111724376B CN202010573636.0A CN202010573636A CN111724376B CN 111724376 B CN111724376 B CN 111724376B CN 202010573636 A CN202010573636 A CN 202010573636A CN 111724376 B CN111724376 B CN 111724376B
- Authority
- CN
- China
- Prior art keywords
- image
- paper
- texture
- module
- disease
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 101
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000013598 vector Substances 0.000 abstract description 9
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种基于纹理特征分析的纸病检测方法,具体技术方案为:首先,预处理模块对采集到的纸病图像进行灰度化以及图像去噪、灰度变换等图像增强方法对图像进行处理,使得图像更加清晰、纹理更加明显突出,后送入纹理分析及特征提取模块,纹理分析及特征提取模块利用灰度共生矩阵以及马尔科夫随机场两种方法对纸病图像进行分析,分别得出纹理特征量,将所得出的纹理特征量进行融合,形成特征向量阵输入纸病辨识分类模块,纸病辨识模块采用支持向量机对多种纸病类型进行多分类工作。本发明针对纸病区域与背景区别不甚明显的纸病有着较好的辨识效果,弥补基于灰度阈值的检测方法的不足,实现对多种纸病的高精度检测。
Description
技术领域
本发明属于纸张缺陷检测领域,具体涉及一种基于纹理特征分析的纸病检测方法。
背景技术
随着现代造纸技术的改进和纸张大批量的生产,在复杂的工序中,机械设备调试不当或纸浆纤维质量不高等原因会使得纸张出现一些褶皱、裂口、孔洞、污点等外观瑕疵(也称纸病),从而严重影响产品质量。因此,纸病检测成为纸张生产过程中必不可少的一项工作。此外,对各类纸病的准确识别也对纸张生产过程起着重要的指导作用。
传统的纸病通过人工肉眼进行检测辨识,有着许多主观因素的影响,从而造成检测效率低下、辨识率不稳定等问题。随着机器视觉技术的产生与发展,此项技术在纸病检测方面也有了较为广泛的应用。该方法利用工业相机拍摄纸病图像,通过对纸病图像进行预处理、初步提取出纸病区域后,在图像灰度空间、几何空间以及形态空间构建合适的纸病特征量,最后使用特征分类器根据纸病图像在特征空间的投影,辨识出纸病的有无并断定纸病类型。
目前的纸病检测手段中,传统的手段是靠人工去检测判断纸病及纸张质量,用检验者的感官来进行检查,这种检查方法可以顾及到纸张两面的检查。但是随着造纸生产自动化的不断发展、纸机车速不断提升等原因,纸张在制造过程中出现缺陷的几率大大增加,通过人工肉眼检测纸病的方法的局限性越来越突出,已经越来越不能满足生产需要,存在检测效率低下、精度较差、实时性低以及由于个人差异而导致的检测标准不一等缺点。因此造纸生产方面的行业就迫切需要一种自动在线检测技术,来有效代替传统人工检测。
随着机器视觉的发展,基于机器视觉的纸病检测系统相继出现,替代了部分人工进行纸病检测,但这些理论都是对纸张图像进行简单的阈值划分,这种方法对于如黑斑、污痕、孔洞等与背景灰度值相差较大的纸病有着较为有效的辨识效果,但对于诸如划痕、褶皱等与背景灰度相差不大的纸病却辨识率较低,因此无法达到完全代替人工的目的。
图像的纹理特性是其中的纹理基元以某些周期性的形式重复存在于图像中的特征,而基元是图像区域中反复出现的局部特征,不同的纹理基元表现着不同的纹理特征。纸病图像中蕴含着丰富的纹理特征信息,不同的纸病有着不同的纹理特性,在普通阈值方法较难提取纸病特征信息时,引入基于纹理特征分析的纸病检测方法,通过分析纸病区域重复出现的局部纹理特性,提取相关的纹理特征后针对所提取的纹理特征进行辨识分类,此种方法可有效解决各类纸病的辨识率高低不等的问题,尤其对于纸病背景灰度较为相似的褶皱、划痕等纸病的辨识率有着较为明显的提升。
发明内容
本发明的目的是要提供一种基于纹理特征分析的纸病检测方法,减少了纸病图像的噪声干扰,实现对多种纸病的高精度检测。
为了实现以上目的,本发明的技术方案为:
本发明提供了一种基于图像纹理的纸病检测方法,所述方法包括预处理模块、纹理分析及特征提取模块、纸病辨识分类模块;所述预处理模块采用图像增强方式,对纸病图像进行二次处理,划分出纸病区域,消除图像中无关的信息,使纸病图像纹理更加明显,之后送入纹理特征提取模块;纹理特征提取模块采用灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)以及马尔科夫随机场(Markov Random Field,MRF)的方法,进行纹理特征参数的计算,并将纹理特征参数作为特征量,以此为依据进行纸病分类工作;所述纸病辨识分类模块,将纹理特征提取模块所提取出的多维纹理特征量作为辨识依据,并输入至支持向量机(SVM)中,完成对纸病图像的辨识分类。
所述预处理模块共分3个部分,依次为图像灰度化模块、图像去噪模块、图像灰度变换模块。
所述图像灰度化模块为对采集到的纸病图像利用概率系数提取法进行灰度化,使之变为灰度图像。
所述图像去噪模块通过中值滤波方法消除纸病图像中的噪声干扰。
所述灰度变换模块使用幂律变换的方法对图像进行处理,用于调节图像中的对比度,避免出现过亮或过暗的图像区域。
所述纹理分析及特征提取模块利用灰度共生矩阵以及马尔科夫随机场相结合的方法对纸病图像的纹理特性进行分析,针对图像中纸病区域的纹理分别提取出各自的纹理特征参数。
所述纸病辨识分类模块,将特征提取模块所提取出的多幅纸病图像的特征参数数据按照一定比例分为训练及测试两部分,后将数据输入至SVM分类器中用于训练及测试,完成对多种纸病图像的分类。
与现有技术相比,本发明的有益效果是:
本发明针对多种纸病,尤其是纸病区域与背景区别不甚明显的纸病采集图像后,通过预处理模块对纸病图像进行去噪、灰度变换等图像增强操作,减少了纸病图像的噪声干扰,调节纸病图像中过亮或过暗的区域,使得图像中纸病区域越发明显,突显出纸病图区域的纹理特性,并将之送入纹理分析及特征提取模块,运用灰度共生矩阵以及马尔科夫随机场的方法对纸病区域进行纹理分析,并分别提取出特征参数作为量化的特征,之后将提取出的多幅图像的特征参数按照一定比例分为训练及测试两组,输入分类器中完成对分类器的训练及测试,完成对纸病的多分类,弥补基于灰度阈值的检测方法的不足,实现对多种纸病的高精度检测。
附图说明
图1为本发明的算法流程框图;
图2为预处理模块算法流程图;
图3为灰度共生矩阵纹理特征提取过程图;
图4为马尔科夫随机场模型纹理特征提取示意图。
具体实施方式
下面将结合具体实施例对本发明作进一步详细的描述,但本发明的实施方式包括但不限于以下实施例表示的范围。
如图1所示,本发明提供了一种基于纹理分析的纸病检测方法,所述方法包括预处理模块、纹理分析及特征提取模块、纸病辨识分类模块。所述预处理模块采用图像增强等方式,对纸病图像进行二次处理,划分出纸病区域,消除图像中无关的信息,使纸病图像纹理信息更加丰富;纹理特征提取模块采用灰度共生矩阵(Gray-level Co-occurrenceMatrix,GLCM)以及马尔科夫随机场(Markov Random Field,MRF)的方法,进行纹理特征参数的计算,并将纹理特征参数作为特征量,并以此为依据进行纸病分类工作;所述纸病辨识分类模块,将纹理特征提取模块所提取出的多维纹理特征量作为辨识依据,并输入至支持向量机(SVM)中,完成对纸病图像的辨识分类。
1.图像预处理
参见图2,预处理模块使用图像增强的方法,用于实现图像的灰度化、去除多余噪点以及突显纸病图像的纹理特性。由于采集纸病图像的工业相机所拍摄到的纸病图像为RGB彩色图像,而对纸病图像进行灰度化有两个目的,第一在工业现场的实际应用中可以减少纸病图像所占内存的大小,第二为在颜色数据的存在与否并不影响后续处理及最终的检测辨识,于是基于此对图像进行灰度化达到简化数据方便后续处理的目的。为了尽可能的保留纸病图像的纹理细节信息,采用概率系数提取法来进行图像的灰度化,根据重要性及其它指标,将RGB三个分量以不同的权值进行加权平均,公式表示为:
Gray(i,j)=0.2989R(i,j)+0.5870G(i,j)+0.1144B(i,j) (1)
为了在滤除噪声的同时尽可能清晰地保留原图像中的纹理边缘,本次采用中值滤波的方法,用来滤除纸病图像中的干扰噪声。此方法可以在抑制噪声的同时不使纸病区域边缘模糊,尽可能的保留了图像的原始信息。
所述灰度变换步骤,在采集到的纸病图像存在过亮或过暗的区域时,为了使图像的原始信息得以更加完整的呈现,使用幂律变换的方法对图像的对比度进行合理调整。由于纸病图像的采集受外界光照条件影响较大,此方法的应用能够尽可能的补偿光照所造成的影响。
2.纸病辨识分类模块
参见图3,利用灰度共生矩阵与马尔科夫随机场模型分别对纸病图像的纹理特性进行分析,得出各自的纹理特征参数。
(1)灰度共生矩阵
纹理是由图像中的灰度分布在空间位置上反复出现形成的,图像空间的像素之间具有某种位置关系,也具有一定的灰度相关性,灰度共生矩阵通过分析灰度的空间相关性来描述图像的纹理特性。
灰度共生矩阵从空间上来形容,是从灰度为i的像素点出发,离开某个固定位置(相隔距离为d,方位为θ)的点上灰度值为j的概率。从数学上理解为从图像灰度值为i的像素(x,y)出发,统计与其距离为d,灰度值为j的像素点(x+a,y+b)同时出现的频度P(i,j,d,θ),数学表达式为:
P(i,j,d,θ)={[(x,y),(x+a,y+b)|f(x,y)=i;f(x+a,y+b)=j]} (2)
其中,θ为灰度共生矩阵的生成反向,本次取0°、45°、90°和135°四个方向;d为步距,为选取的像素间距;而生成的灰度共生矩阵的阶数与灰度图像灰度值的阶数相同,即当灰度图像灰度值阶数为N时,灰度共生矩阵为N×N的矩阵。
此方法共分为五步:
1)获取灰度图像
所述获取灰度图像步骤应用预处理模块所得到的清晰的纸病灰度图像。
2)灰度级量化
所述灰度级量化步骤将所获取的灰度图像的灰度级进行压缩,减少计算量。灰度图像中的灰度级一般为0~255共256个,但在计算灰度共生矩阵时一般不直接使用,因为那样生成的便是256×256的灰度共生矩阵,计算量过大,因此将之压缩为8个灰度级进行计算。
3)参数选择
所述参数选择步骤分为以下三步:
a.滑动窗口尺寸:选择5×5的滑动窗口进行计算;
b.步距d:选择d=1,即中心像素直接与其相邻像素点做比较运算;
c.方向θ:计算0°、45°、90°和135°四个方向。
4)灰度共生矩阵的生成
所述生成灰度共生矩阵步骤,在求出四个方向的结果后,通过计算四种情况的平均值来得到最初的共生矩阵P(i,j,d,θ),之后对其做归一化处理:
其中,R为正规化常数,是灰度共生矩阵全部元素之和。
5)二次统计量的计算
计算出最终的灰度共生矩阵之后,我们不直接应用,而是通过共生矩阵来计算二次统计量,并利用二次统计量来进行后续辨识工作。通过灰度共生矩阵可以获得的二次统计量多达14种,本次采用其中相关性最弱的4种特征参数:对比度、相关、能量和同质性,使特征量间的耦合作用最小。公式表述如下:
a.对比度
CON=∑i,j(i-j)2P(i,j) (4)
对比度是灰度共生矩阵主对角线附近的惯性矩,它度量矩阵的值是如何分布和影像中局部变化的多少,反映了影像的清晰度和纹理的沟纹深浅。
b.相关
COR=∑i,j[(i-μi)(j-μj)P(i,j)]/σiσj (5)
相关度度量空间灰度共生矩阵元素在行或列方向上的相似程度,如果图像中有水平方向纹理,则水平方向矩阵的COR大于其余矩阵的COR值。
c.能量(角二阶矩)
ASM=∑i,j P(i,j)2 (6)
能量是灰度共生矩阵元素值的平方和,它是图像纹理灰度变化均匀的度量,反映了图像灰度分布均匀程度和纹理粗细度。
d.同质性:
HOM=P(i,j)/(1+|i-j|) (7)
同质性度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化,局部非常均匀。
将多幅纸病灰度图像根据上述步骤分别得出灰度共生矩阵,并提取出以上四类二阶统计量,组成多维纹理特征矩阵。
(2)马尔科夫随机场
参见图4,马尔科夫随机场表达了当前像素点的标记仅与其邻域中的像素有相互作用。由于灰度图像是存在于二维空间,所述马尔科夫随机场在图像中的应用也就是马尔科夫随机场在二维空间的表现,基本思想是通过任意像素关于其邻域像素的条件概率分布来描述纹理的统计特性。马尔科夫随机场将图像模拟成一个随机变量组成的网格,其中的每一个变量对明确的对其自身之外的随机变量组成的邻近基团具有依赖性,它考虑每个像元关于它的邻近像元的条件分布,有效地描述图像的局部统计特性。
所述马尔科夫随机场利用邻域系统分析空间上的马尔科夫性,设N为定义在网格L上的邻域系统,在L上的随机场x={xij}为邻域系统N的马尔科夫场,当且仅当对所有的{i,j}∈L有:
1)P(X=x)>0;
2)P{Xij=xij|Xkl=xkl,(k,l)≠(i,j)}=P{Xij=xij|Xkl=xkl,(k,l)∈Nij}
则X为以N为邻域系统的马尔科夫随机场。其中以上低一点说明系统内部全部像素点的状态一直为正,第二点表示马尔科夫随机场的马尔科夫性,以上说明了马尔科夫随机场的局部特性。
本发明的应用采用高斯马尔科夫模型(Gauss-MRF,GMRF),此为一个线性模型,表示一个平稳的自回归过程,其协方差矩阵正定,邻域系统对称,并且对称的邻域系统参数相等。用此模型表达纹理可以理解为图像中某一点s的灰度y(s)是s所有方向邻域点集灰度的函数,可用线面的条件概率形式来进行表示:
p(y(s)|all y(s+r),r∈N) (8)
其中N是以s为中心但不包括s的对称邻域。
设S为M×M网格上的点集,S={(i,j),1≤i,j≤M},假定给定的纹理图像[y(s),s∈S,S={(i,j),1≤i,j≤M}]是零均值的高斯随机过程,则GMRF模型用多个包含未知参数的线性方程来表示:
其中Ns为点s的GMRF邻域,θr为系数,e(s)是均值为0的高斯噪声序列,y(s+r)为封闭区域S中的点,当s=(i,j),r=(k,l)时满足
将(10)应用在区域S中的每一点,可以得到M2个关于{e(s)}和{y(s)}的方程,组成方程组,以矩阵的形式表示为:
y=QTθ+e (11)
式(11)为GMRF的线性模型,θ为线性模型的带估计特征向量。
由于GMRF模型阶数越大,待估计参数越多,则本发明选择3阶GMRF模型进行纹理分析。三阶GMRF模型中
其中N={r1,r2,r3,r4r5,r6}={(0,1),(1,0),(1,1),(1,-1),(0,2),(2,0)},与(11)式中的θ的六维向量θ=(θ1,θ2,θ3,θ4,θ5,θ6)T相对应。
得出3阶GMRF模型方程组后,以最小平方误差准则估计式(11),可得
在式(13)中,是对GMRF模型参数的渐进一致性估计,式(14)中/>为参数估计的平方误差。其中窗口定义如下:
S1=S-SB (15)
由以上方法估计六维方程组得到的未知数矩阵便为最后由GMRF模型方法得到的纹理特征向量。最后通过对多幅纸病灰度图像进行分析,得到特征向量阵。
3.纸病辨识分类模块
所述纸病辨识分类模块将以上通过GMEF模型估计出的特征向量阵与灰度共生矩阵所得出的由二次统计量所组成的特征向量阵进行融合之后,组成等待输入纸病辨识分类模块的特征向量阵。
纸病辨识和分类使用的是支持向量机,此种分类器计算的复杂性取决于支持向量的数目,而不是样本空间的维数,在一定程度上避免了多样本所造成的的“维数灾难”,且分类速度快而精确的同时有较好的鲁棒性,保证了实际工业应用中对实时性及精确性的要求。
本发明提供的基于纹理特征分析的纸病检测方法利用了灰度共生矩阵以及GMRF模型进行纹理特征分析,并融合两种方法所分别提取出的纹理特征参数,共同作为纹理分类依据来进行辨识分类工作,此方法辨识精度高,适用于多种纸病,尤其是划痕、褶皱等与背景灰度相差不大的纸病,使得纸病辨识准确率大大提升。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (4)
1.一种基于图像纹理的纸病检测方法,其特征在于:
依次包括预处理模块、纹理分析及特征提取模块、纸病辨识分类模块;所述预处理模块采用图像增强方式,对纸病图像进行二次处理,划分出纸病区域,消除图像中无关的信息,使纸病图像纹理更加明显,之后送入纹理特征提取模块;所述纹理特征提取模块采用灰度共生矩阵以及马尔科夫随机场的方法,进行纹理特征参数的计算,并将纹理特征参数作为特征量,作为纸病分类工作依据,具体为计算出最终的灰度共生矩阵之后,通过共生矩阵来计算二次统计量,采用其中相关性最弱的 4 种特征参数:对比度、相关、能量和同质性,进行后续辨识工作;所述纸病辨识分类模块,将纹理特征提取模块所提取出的多维纹理特征量作为辨识依据,并输入至支持向量机(SVM)中,完成对纸病图像的辨识分类。
2.根据权利要求1所述的一种基于图像纹理的纸病检测方法,其特征在于:
所述预处理模块共分3个部分,依次为图像灰度化模块、图像去噪模块、图像灰度变换模块;
所述图像灰度化模块为对采集到的纸病图像利用概率系数提取法进行灰度化,使之变为灰度图像;
所述图像去噪模块通过中值滤波方法消除纸病图像中的噪声干扰;
所述灰度变换模块使用幂律变换的方法对图像进行处理,用于调节图像中的对比度,避免出现过亮或过暗的图像区域。
3.根据权利要求2所述的一种基于图像纹理的纸病检测方法,其特征在于:
所述纹理分析及特征提取模块利用灰度共生矩阵以及马尔科夫随机场相结合的方法对纸病图像的纹理特性进行分析,针对图像中纸病区域的纹理分别提取出各自的纹理特征参数。
4.根据权利要求3所述的一种基于图像纹理的纸病检测方法,其特征在于:
所述纸病辨识分类模块,将特征提取模块所提取出的多幅纸病图像的特征参数数据按照一定比例分为训练及测试两部分,后将数据输入至SVM分类器中用于训练及测试,完成对多种纸病图像的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573636.0A CN111724376B (zh) | 2020-06-22 | 2020-06-22 | 一种基于纹理特征分析的纸病检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573636.0A CN111724376B (zh) | 2020-06-22 | 2020-06-22 | 一种基于纹理特征分析的纸病检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724376A CN111724376A (zh) | 2020-09-29 |
CN111724376B true CN111724376B (zh) | 2024-02-13 |
Family
ID=72569957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573636.0A Active CN111724376B (zh) | 2020-06-22 | 2020-06-22 | 一种基于纹理特征分析的纸病检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724376B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950594B (zh) * | 2021-03-08 | 2023-06-23 | 北京理工大学 | 产品表面缺陷的检测方法、设备及存储介质 |
CN114529771B (zh) * | 2022-02-23 | 2023-04-28 | 中国石油大学(华东) | 基于机器学习的页岩大视域图像分类方法 |
CN114757899B (zh) * | 2022-04-01 | 2023-11-21 | 南通阿牛家居科技有限公司 | 一种基于云计算的纸张质量检测的优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214305A (zh) * | 2011-04-08 | 2011-10-12 | 大连理工大学 | 一种利用纹理特征进行打印纸张来源取证的方法 |
CN102651074A (zh) * | 2012-02-22 | 2012-08-29 | 大连理工大学 | 一种基于纹理特征的打印纸张同一认定方法 |
CN103942540A (zh) * | 2014-04-10 | 2014-07-23 | 杭州景联文科技有限公司 | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
CN110490214A (zh) * | 2018-05-14 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 图像的识别方法及系统、存储介质及处理器 |
CN111062093A (zh) * | 2019-12-26 | 2020-04-24 | 上海理工大学 | 一种基于图像处理和机器学习技术的汽车轮胎寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9652688B2 (en) * | 2014-11-26 | 2017-05-16 | Captricity, Inc. | Analyzing content of digital images |
-
2020
- 2020-06-22 CN CN202010573636.0A patent/CN111724376B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214305A (zh) * | 2011-04-08 | 2011-10-12 | 大连理工大学 | 一种利用纹理特征进行打印纸张来源取证的方法 |
CN102651074A (zh) * | 2012-02-22 | 2012-08-29 | 大连理工大学 | 一种基于纹理特征的打印纸张同一认定方法 |
CN103942540A (zh) * | 2014-04-10 | 2014-07-23 | 杭州景联文科技有限公司 | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
CN110490214A (zh) * | 2018-05-14 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 图像的识别方法及系统、存储介质及处理器 |
CN111062093A (zh) * | 2019-12-26 | 2020-04-24 | 上海理工大学 | 一种基于图像处理和机器学习技术的汽车轮胎寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
基于机器视觉的纸病检测系统的研究与实现;王先通;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第3期);第8-56页 * |
基于马尔科夫随机场的纹理图像分类;毕芳;《中国优秀硕士学位论文全文数据库 信息科技辑》(第11期);正文第5-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111724376A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN111724376B (zh) | 一种基于纹理特征分析的纸病检测方法 | |
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 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN116563641A (zh) | 一种基于小目标检测的表面缺陷识别方法及系统 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN117078608B (zh) | 一种基于双掩码引导的高反光皮革表面缺陷检测方法 | |
CN117593193A (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
CN114820611B (zh) | 基于人工智能的机械零件质量评估方法及系统 | |
CN114937042B (zh) | 基于机器视觉的塑料制品质量评估方法 | |
CN114565563B (zh) | 基于人工智能的彩钢板表面异常检测方法 | |
CN115457323A (zh) | 基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法 | |
CN115082449A (zh) | 一种电子元器件缺陷检测方法 | |
CN112991326A (zh) | 一种清洗质量评价方法 |
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 |