CN112101377A - 一种基于区域特征分析的在线间歇中空滤棒检测方法 - Google Patents
一种基于区域特征分析的在线间歇中空滤棒检测方法 Download PDFInfo
- Publication number
- CN112101377A CN112101377A CN202010839474.0A CN202010839474A CN112101377A CN 112101377 A CN112101377 A CN 112101377A CN 202010839474 A CN202010839474 A CN 202010839474A CN 112101377 A CN112101377 A CN 112101377A
- Authority
- CN
- China
- Prior art keywords
- filter stick
- data
- hollow filter
- color space
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 239000003086 colorant Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于机器视觉检测技术领域,提供一种基于区域特征分析的在线间歇中空滤棒检测方法,包括:(1)对由在线间歇中空滤棒检测系统的成像设备获取到的滤棒图像进行颜色空间转换和多通道分析,以提高滤棒的明段和暗段的区分度;(2)采用最大类间方差法对提取出来的区分度最高的通道数据进行明段区域和暗段区域的划分;(3)划分出间歇中空滤棒明段区域和暗段区域之后,计算分段的相位和长度,使用集成学习算法确定分段相位,进而计算分段长度,由间歇中空滤棒分段相位和长度判断滤棒产品是否合格。本发明提取并分析间歇中空滤棒的图像特征并优化相应的检测算法,满足高速高质的生产要求。
Description
技术领域
本发明属于机器视觉检测技术领域,具体涉及一种基于区域特征分析的在线间歇中空滤棒检测方法。
背景技术
香烟滤棒生产过程会产生存在缺陷的次品,通常包括分段相位、分段长度缺陷等。传统的中空滤棒次品检测采用的是人工抽样的检测方法,但此方法存在检测效果主观性较强、效率低、误检率和漏检率较高等缺点,因此无法满足当前工业生产的需求。其它常见的滤棒检测方法有传感器检测和微波检测,这两种方法基本满足工业生产需要,但仍然存在检测错误率较高的缺点,另外这两种检测方法对产品的物理特性要求较为苛刻,从而制约系统误检率进一步降低。在线视觉检测系统是对滤棒的视觉成像效果进行分析进而剔除次品的系统,通过对视觉检测硬件系统和算法的不断更新可以不断优化系统的检测效果,而且其检测稳定性和效果优于传感器方法和微波方法,因此在滤棒生产行业得到广泛的认可和应用。
发明内容
本发明的目的是为了克服上述现有技术的不足之处,提供一种基于区域特征分析的在线间歇中空滤棒检测方法,提取并分析间歇中空滤棒的图像特征并优化相应的检测算法以满足高速高质的生产要求。
本发明的目的是通过以下技术措施实现的。
一种基于区域特征分析的在线间歇中空滤棒检测方法,包括以下步骤:
(1)对由在线间歇中空滤棒检测系统的成像设备获取到的滤棒图像进行颜色空间转换和多通道分析,以提高滤棒的明段和暗段的区分度;
在线间歇中空滤棒检测主要依据滤棒分段相位和长度判断滤棒产品是否合格,因此提取的图像特征必须有利于处理和区分滤棒的不同分段,即要求滤棒的明段和暗段的区分度越高越好。提高区分度的主要方法是对滤棒图像进行颜色空间转换和多通道分析,通过大量数据对比分析以确定最有利于间歇中空滤棒分段检测的颜色空间和颜色通道。
(2)采用最大类间方差法对提取出来的区分度最高的通道数据进行明段区域和暗段区域的划分;
对于提取出来的区分度最高的通道数据进行明段区域和暗段区域的划分,这一问题是一个二分分类问题,采用合适的分类算法将明段和暗段区分开来。
(3)划分出间歇中空滤棒明段区域和暗段区域之后,计算分段的相位和长度,使用集成学习算法确定分段相位,进而计算分段长度,由间歇中空滤棒分段相位和长度判断滤棒产品是否合格。
在上述技术方案中,步骤(1)中对间歇中空滤棒图像进行颜色空间转换和多通道分析包括:
颜色空间是对颜色进行描述的数学模型。颜色空间有许多种,常用有RGB、HSV、YUV等。RGB(红绿蓝)是依据人眼识别的颜色定义出的空间,可表示大部分颜色,它是最通用的显示彩色的颜色模型。RGB颜色模型有R(红色)、G(绿色)、B(蓝色)三个颜色通道,并且通过一系列的计算转换为256位灰度通道数据。HSV颜色空间都是为了更好的数字化处理颜色而提出来的。由于人眼红绿蓝三种颜色的敏感度是有区别的,因此HSV颜色空间相对RGB颜色空间更符合人眼的工作原理。HSV颜色空间中H通道是指色调,S通道是指饱和度,V通道是指亮度。YUV颜色空间的原理是把亮度与色度分离,原因是人眼对亮度的敏感超过色度,YUV中的Y通道表示明亮度即灰阶值,U通道和V通道的含义是色度,用以表示影像色彩及饱和度。
由在线滤棒检测系统的成像设备获取到的滤棒图像成像使用的是YUV颜色空间,通过相应的计算可将YUV颜色空间转换为RGB颜色空间,并进而转换为灰度空间和YUV颜色空间。对于每一个滤棒采像YUV颜色空间数据提取Y、U、V通道数据,进而将成像数据转换为RGB颜色空间数据并提取R、G、B通道数据,将RGB数据转换为灰度数据和HSV颜色空间数据,提取H、S、V通道数据,通过滤棒的生产方案数据获取滤棒明段中心参考位置和暗段中心参考位置,对于每个通道分别计算明段中心参考位置前后一段固定长度区域数据均值mL和暗段中心参考位置前后一段固定长度区域数据均值mD,将其比值mL/mD作为滤棒明段和暗段的对比度,其值越大表示明段和暗段的区分度越好,对滤棒的多组成像数据进行统计分析以确定对比度最高的通道数据。
在上述技术方案中,步骤(2)中最大类间方差法划分明段区域和暗段区域包括:
判定滤棒产品是否合格即需要计算滤棒明段和暗段的相位和长度,为达到此目的需要将明段和暗段区分开来,即对由步骤(1)所确定的间歇滤棒成像对比度最高的通道数据划分成两类,一类属于明段,一类属于暗段。这是二分分类问题,也就是将间歇滤棒图像进行图像分割的问题。对于间歇中空滤棒图像分割最适合的算法是基于阈值的分割方法。
阈值分割是一种广泛使用的图像分割方法,对于滤棒图像中明段与暗段在通道数据上的差异,通过选取合适的阈值,把图像划分为明段区域与暗段区域。阈值分割算法的优点是计算简单、运算速度快。阈值选取的是否合适直接关系到图像分割效果的优劣。常用的阈值处理技术有全局阈值、自适应阈值、双峰法等。全局阈值是指整幅图像使用同一个阈值做分割处理,但这种方法只考虑像素本身的数值,而不考虑像素所在位置的空间特征,因而对噪声很敏感。自适应阈值法是根据图像不同区域亮度分布,计算其局部阈值,所以对于图像不同区域,能够自适应计算不同的阈值。一个典型的自适应阈值方法是局部最大类间方差法,又叫大津法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的目标和背景的差别越大,类间方差最大的灰度阈值作为图像分割的灰度阈值。双峰法是基于图像灰度直方图的图像分割方法。在灰度直方图上,图像的目标和背景都会形成相应的高峰,在两个高峰之间的最低谷处就是图像分割的阈值。
采用大津法分割中空滤棒通道数据的具体步骤为:
由间歇中空滤棒的生产方案获取滤棒分段长度L,对于滤棒通道数据计算长度为L区域的平均值,其最高值为明段中心位置参考值PLC,其最低值为暗段中心位置参考值PDC,对于PLC和PDC之间的区域用大津法计算分割阈值,由分割阈值将滤棒图像分为明段区域和暗段区域。使用形态学运算腐蚀和膨胀对分割区域中小的孔洞进行填充,得到最终的滤棒图像分割区域。
在上述技术方案中,步骤(3)中使用集成学习算法确定分段相位,进而计算分段长度包括:
间歇中空滤棒对比度最高的通道数据和图像分割后的数据可以采用多种计算方式计算分段的相位。由通道数据可以计算区域的平均值,其中最大值可以可作为明段中心位置,最小值作为暗段的中心位置。由图像分割后的二值数据计算区域的平均值,其中明段像素值设定为1,暗段的像素值设定为0,则区域平均最大值可作为明段的中心位置,最小值可作为暗段的中心位置。依据间歇中空滤棒的物理属性可计算出分段长度为l,则计算区域均值对应的区域长度可设置为0.8l和0.1l两种,使用较长的区域长度有利于过滤一些滤棒中不均匀材质的影响,使用较短的区域长度有利于对于分段中心位置的精确定位。由此对于一个分段中心位置可以有四种计算方式,分别是通道数据较长区域均值、通道数据较短区域均值、二值数据较长区域均值、二值数据较短区域均值,每种计算方式都可以作为判断滤棒是否合格的分类器,为提高判断滤棒是否合格的准确度,可以将这四个分类器以集成学习的方式聚合成一个更优的分类器。集成学习把许多个体分类器组合起来,从而提高整体分类器的鲁棒性和泛化能力。间歇中空滤棒在线检测使用改进的AdaBoost的集成学习算法提升系统的检测效果。具体步骤为:
S1,初始化分类器的权重
S2,对m=1,2,...M,重复以下操作得到M个基学习器
a.按照样本权重分布Dm训练数据得到第m个基学习器Gm(x):
Gm(x):χ→{-1,+1}
b.计算Gm(x)在加权训练数据集上的分类误差率:
上式中I(·)是指示函数。
c.计算Gm(x)的系数(即最终集成使用的基学习器的权重):
d.更新训练样本的权重:
Dm+1=(wm+1,1,wm+1,2,wm+1,3,wm+1,4)
其中Zm是规范化因子,目的是为了使Dm+1的所有元素和为1。即
S3,构建最终的分类器线性组合得到最终的分类器为
本发明与现有技术相比,具有下列有益效果:
本发明属于机器视觉检测滤棒成品是否合格的方法,因此具有速度快、客观性强、检测效果稳定可靠、可实时剔除等优点;同时,本发明充分分析间歇中空滤棒的成像特点并确定最优检测的颜色通道以获得最优的检测效果,并使用集成学习算法组合而成最优的检测分类器以提高滤棒的检测性能,满足高速高质的生产要求,因此对于间歇中空滤棒检测具有良好的应用前景。
附图说明
图1是本发明中被测滤棒的分布规格图,其中A区域是间歇中空滤棒的明段区域,B区域是暗段区域。
图2是本发明使用集成学习算法获取更优的分类器流程图。
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,对本发明进行了进一步的详细说明。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。
(1)分十个批次获取间歇中空滤棒的图像,每次获取1000根、共10000根获取间歇中空滤棒的图像,将获取到的滤棒图像转换为RGB颜色和灰度图像数据,进一步地转换为HSV颜色和YUV颜色,记分段长度为l,计算滤棒R通道数据长度为0.1l、宽度为图像幅宽的区域均值,其平均值最高的位置可假定为明段中心位置,平均值最低的位置是暗段中心位置,分别计算每一个通道数据中明段和暗段的对比度,确定对比度最优的通道为G通道。
(2)对于每一幅获取的滤棒图像获取其G通道数据,以(1)中的方法计算G通道区域均值、明段中心位置、暗段中心位置,对于明段中心位置和暗段中心位置之间的区域使用大津法进行图像分割和形态学算法处理分割后的图像。对于滤棒图像G通道数据和二值化的数据使用通道数据较长区域均值、通道数据较短区域均值、二值数据较长区域均值、二值数据较短区域均值四种方式计算分段的相位,使用AdaBoost算法生产更优的分类器。重复过程(2)直至生产稳定的滤棒检测算法。
采用本发明方法可以用于在线滤棒的自动化检测,具有良好的应用前景。
本说明书中未作详细描述的内容,属于本专业技术人员公知的现有技术。
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方法而已,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,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于区域特征分析的在线间歇中空滤棒检测方法,其特征在于该方法包括以下步骤:
(1)对由在线间歇中空滤棒检测系统的成像设备获取到的滤棒图像进行颜色空间转换和多通道分析,以提高滤棒的明段和暗段的区分度;
(2)采用最大类间方差法对提取出来的区分度最高的通道数据进行明段区域和暗段区域的划分;
(3)划分出间歇中空滤棒明段区域和暗段区域之后,计算分段的相位和长度,使用集成学习算法确定分段相位,进而计算分段长度,由间歇中空滤棒分段相位和长度判断滤棒产品是否合格。
2.根据权利要求1所述的基于区域特征分析的在线间歇中空滤棒检测方法,其特征在于步骤(1)中对滤棒图像进行颜色空间转换和多通道分析包括:
由在线间歇中空滤棒检测系统的成像设备获取到的滤棒图像成像使用的是YUV颜色空间,通过计算将YUV颜色空间转换为RGB颜色空间,并进而转换为灰度空间和YUV颜色空间,对于每一个滤棒图像成像YUV颜色空间数据提取Y、U、V通道数据,进而将成像数据转换为RGB颜色空间数据并提取R、G、B通道数据,将RGB数据转换为灰度数据和HSV颜色空间数据,提取H、S、V通道数据,通过滤棒的生产方案数据获取滤棒明段中心参考位置和暗段中心参考位置,对于每个通道分别计算明段中心参考位置前后一段固定长度区域数据均值mL和暗段中心参考位置前后一段固定长度区域数据均值mD,将其比值mL/mD作为滤棒明段和暗段的对比度,其值越大表示明段和暗段的区分度越好,对滤棒的多组成像数据进行统计分析以确定对比度最高的通道数据,用于在线间歇中空滤棒检测。
3.根据权利要求1所述的基于区域特征分析的在线间歇中空滤棒检测方法,其特征在于步骤(2)中最大类间方差法划分明段区域和暗段区域包括:
按图像的灰度特性,将图像分成背景和目标两部分,背景和目标之间的类间方差越大,说明构成图像的目标和背景的差别越大,类间方差最大的灰度阈值作为图像分割的灰度阈值;
使用最大类间方差法分割滤棒通道数据的具体步骤为:
由间歇中空滤棒的生产方案获取滤棒分段长度L,对于滤棒通道数据计算长度为L区域的平均值,其最高值为明段中心位置参考值PLC,其最低值为暗段中心位置参考值PDC,对于PLC和PDC之间的区域用最大类间方差法计算分割阈值,由分割阈值将滤棒图像分为明段区域和暗段区域。
4.根据权利要求1所述的基于区域特征分析的在线间歇中空滤棒检测方法,其特征在于步骤(3)中使用集成学习算法确定分段相位,进而计算分段长度包括:
对于一个分段中心位置有四种计算方式,分别是通道数据较长区域均值、通道数据较短区域均值、二值数据较长区域均值、二值数据较短区域均值,每种计算方式都可以作为判断滤棒是否合格的分类器,为提高滤棒是否合格的判断准确度,将以上四个分类器以集成学习的方式聚合成一个更优的分类器;使用改进的AdaBoost的集成学习算法确定分段相位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010839474.0A CN112101377B (zh) | 2020-08-20 | 2020-08-20 | 一种基于区域特征分析的在线间歇中空滤棒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010839474.0A CN112101377B (zh) | 2020-08-20 | 2020-08-20 | 一种基于区域特征分析的在线间歇中空滤棒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101377A true CN112101377A (zh) | 2020-12-18 |
CN112101377B CN112101377B (zh) | 2024-05-28 |
Family
ID=73754484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010839474.0A Active CN112101377B (zh) | 2020-08-20 | 2020-08-20 | 一种基于区域特征分析的在线间歇中空滤棒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101377B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201438177U (zh) * | 2009-06-10 | 2010-04-14 | 湖北中烟工业有限责任公司 | 复合滤嘴棒质量检测装置 |
CN103093215A (zh) * | 2013-02-01 | 2013-05-08 | 北京天诚盛业科技有限公司 | 人眼定位方法及装置 |
CN103376266A (zh) * | 2012-04-20 | 2013-10-30 | 上海浔科自动化设备有限公司 | 一种用于复合滤棒的微波在线检测剔除方法 |
CN103778627A (zh) * | 2014-01-02 | 2014-05-07 | 北京理工大学 | 一种基于sar图像的海域溢油检测方法 |
CN104807829A (zh) * | 2015-04-17 | 2015-07-29 | 武汉易视维科技有限公司 | 一种咀棒视觉检测系统及方法 |
CN110674754A (zh) * | 2019-09-25 | 2020-01-10 | 武汉易视维科技有限公司 | 一种在线间歇中空滤棒视觉缺陷检测识别系统 |
-
2020
- 2020-08-20 CN CN202010839474.0A patent/CN112101377B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201438177U (zh) * | 2009-06-10 | 2010-04-14 | 湖北中烟工业有限责任公司 | 复合滤嘴棒质量检测装置 |
CN103376266A (zh) * | 2012-04-20 | 2013-10-30 | 上海浔科自动化设备有限公司 | 一种用于复合滤棒的微波在线检测剔除方法 |
CN103093215A (zh) * | 2013-02-01 | 2013-05-08 | 北京天诚盛业科技有限公司 | 人眼定位方法及装置 |
CN103778627A (zh) * | 2014-01-02 | 2014-05-07 | 北京理工大学 | 一种基于sar图像的海域溢油检测方法 |
CN104807829A (zh) * | 2015-04-17 | 2015-07-29 | 武汉易视维科技有限公司 | 一种咀棒视觉检测系统及方法 |
CN110674754A (zh) * | 2019-09-25 | 2020-01-10 | 武汉易视维科技有限公司 | 一种在线间歇中空滤棒视觉缺陷检测识别系统 |
Non-Patent Citations (3)
Title |
---|
於双飞 等: "一种水面漂浮目标的视觉检测方法", 机电工程技术, vol. 48, no. 04, pages 131 - 133 * |
杨光远 等: "爆珠滤棒在线视觉检测系统的研究与开发", 轻工科技, vol. 35, no. 04, pages 90 - 93 * |
王闻 等: "机器视觉技术在异型滤棒检测中的应用——以"神龙珠"滤棒为例", 《中国科技期刊数据库 科研》, no. 05, pages 43 - 46 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101377B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN109191459A (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN110189383B (zh) | 基于机器学习的中医舌色苔色定量分析方法 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN114882026B (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115331119A (zh) | 一种固体废弃物识别方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 | |
Islami | Implementation of HSV-based Thresholding Method for Iris Detection | |
CN115841600B (zh) | 基于深度学习的甘薯外观品质分类方法 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
CN112101377B (zh) | 一种基于区域特征分析的在线间歇中空滤棒检测方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 |
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 |