CN112102253A - 基于机器视觉的无纺布表面缺陷自动化检测方法及系统 - Google Patents
基于机器视觉的无纺布表面缺陷自动化检测方法及系统 Download PDFInfo
- Publication number
- CN112102253A CN112102253A CN202010847393.5A CN202010847393A CN112102253A CN 112102253 A CN112102253 A CN 112102253A CN 202010847393 A CN202010847393 A CN 202010847393A CN 112102253 A CN112102253 A CN 112102253A
- Authority
- CN
- China
- Prior art keywords
- woven fabric
- image
- defect
- texture
- neural network
- 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
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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
- G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了基于机器视觉的无纺布表面缺陷自动化检测方法及系统,运用图像处理技术对采集到的无纺布原始图像进行预处理以改善图像质量,从中提取目标图像的特征量;最后运用图像处理技术对取到的特征量进行分类整理以完成系统的检测,能够将无纺布图像纹理增强,能够将干扰极小值点进行有效的去除,使得纹理清晰的凸显出来;有缺陷时在通过神经网络精准识别,保证了识别检测精度;并且通过设置伺服电机和丝杆,在无纺布表面缺陷检测过程中,完全可以代替人工操作,自动化程度高。
Description
技术领域
本发明属于图像识别和机器视觉领域,具体涉及一种基于机器视觉的无纺布表面缺陷自动化检测方法及系统。
背景技术
影响无纺布质量的因素主要包括:表面缺陷、尺寸以及色泽度等等。现有技术中,无纺布表面的缺陷检测通常是由人工完成,其劳动强度大,且缺乏一致性与稳定性,存在检测速率低、漏检与误检率高、检测精度低等问题。检测效果和效率主要依赖检验人员的经验,人为影响因素很大、自动化程度很低。同时,人工检测操作也存在工人劳动强度大、生产效率低等缺点。
就检测方法而言,现有的无纺布表面检测技术还存在以下缺点:1)传统的接触式测量技术制约了无纺布生产效率和加工精度,降低了无纺布的质量。2)传统的离线、静态测量技术满足不了无纺布测量的要求,不能实时检测产品、控制生产过程容易造成废品,严重影响了无纺布质量。
发明内容
本发明的目的在于提出一种基于机器视觉的无纺布表面缺陷自动化检测方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明的方法由工业CCD摄像头、照明系统、图像采集卡、机械装置、主控计算机等部件组成,其工作过程是:首先将无纺布送到CCD摄像头视场内;然后由成像系统和图像采集卡将图像采集到计算机内部;运用图像处理技术对采集到的无纺布原始图像进行预处理以改善图像质量,从中提取目标图像的特征量;最后运用图像处理技术对取到的特征量进行分类整理以完成系统的检测。
为了实现上述目的,根据本发明的一方面,提供基于机器视觉的无纺布表面缺陷自动化检测方法,所述方法包括以下步骤:
S100,采用高亮的LED线性聚光冷光源把光投射到无纺布背面上,通过线阵CCD相机进行实时同步扫描无纺布采集无纺布图像;
S200,通过四个中值滤波器增强无纺布图像纹理得到纹理增强无纺布图像:由于一个滤波器只能增强某一个方向的纹理,其余方向的纹理会受到抑制;通过四个中值滤波器在无纺布图像的平面坐标系中的左斜方向、横向、右斜方向,纵向四个方向分别增强处理一次,即在每个方向逐像素点扫描一次,用对每个像素点用该像素点邻域灰度值的中值来代替该像素点的灰度值;
S300,通过预先采集的有缺陷的无纺布图像的纹理特征数据集训练BP神经网络得到训练好的BP神经网络;
S400,通过对纹理增强无纺布图像采用基于灰度的动态阈值检测法进行快速区域识别确定纹理增强无纺布图像中的缺陷区域;
S500,通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征;
S600,通过训练好的BP神经网络对缺陷纹理特征进行识别是否为真实缺陷区域。
进一步地,利用工业线阵CCD相机采集到的无纺布图像为RGB图像。
进一步地,在S400中,基于灰度的动态阈值检测法进行快速区域识别方法参见参考文献:张辉,张道勇,何最红.灰度等级处理中的OSTU动态阈值法研究[J].传感器世界,2008,14(007):24-27。
进一步地,所述工业线阵CCD相机可变换拍摄位置。
进一步地,所述工业线阵CCD相机通过丝杆与伺服电机连接,并在伺服电机的驱动下变换拍摄位置。
进一步地,工业线阵CCD相机在采集无纺布表面图像的过程,根据待无纺布的类型和规格,上位机发送无纺布类型和规格到PLC中,PLC用于根据无纺布类型和规格控制伺服电机,通过伺服电机带动丝杆传动,把相机移动到相应位置,定位准确,实现对不同类型和规格无纺布的图像采集。
进一步地,在S500中,通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征的方法为:Gabor特征提取算法提取缺陷区域中的纹理图像的特征即为缺陷纹理特征。
进一步地,在S300和S600中,训练好的BP神经网络通过以下步骤获得:
S610,构建BP神经网络;
S620,设置BP神经网络学习速度与学习步长;
S630,通过预先采集的有缺陷的无纺布图像的纹理特征数据集训练BP神经网络得到训练好的BP神经网络。
其中,构建BP神经网络主要包括以下四个步骤:
S611,BP神经网络的输入模式由BP神经网络的输入层经中间层向输出层正向传播输出;
S612,输出误差由输出层经中间层向输入层反向传播逐层修正连接权;
S613,正向传播和反向传播反复交替进行的网络记忆训练;
S614,网络学习收敛。
进一步地,在S600中,通过训练好的BP神经网络对缺陷纹理特征进行识别是否为真实缺陷区域的方法为:输入缺陷纹理特征到训练好的BP神经网络中,当训练好的BP神经网络输出的预测结果值大于预设的缺陷阈值时,判定为缺陷纹理特征在无纺布图像中对应的图像区域为真实缺陷区域。
进一步地,在S600中,预设的缺陷阈值设置范围为0.6到0.8之间。
本发明还提供了基于机器视觉的无纺布表面缺陷自动化检测系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
无纺布图像采集单元,用于采用高亮的LED线性聚光冷光源把光投射到无纺布背面上,通过线阵CCD相机进行实时同步扫描无纺布采集无纺布图像;
图像纹理增强单元,用于通过多个中值滤波器增强无纺布图像纹理得到纹理增强无纺布图像;
神经网络训练单元,用于通过预先采集的有缺陷的无纺布图像的纹理特征数据集训练BP神经网络得到训练好的BP神经网络;
缺陷区域识别单元,用于通过对纹理增强无纺布图像采用基于灰度的动态阈值检测法进行快速区域识别确定纹理增强无纺布图像中的缺陷区域;
缺陷纹理提取单元,用于通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征;
缺陷区域识别单元,用于通过训练好的BP神经网络对缺陷纹理特征进行识别是否为真实缺陷区域。
本发明的有益效果为:本发明提供一种基于机器视觉的无纺布表面缺陷自动化检测方法及系统,能够将无纺布图像纹理增强,能够将干扰极小值点进行有效的去除,使得纹理清晰的凸显出来;有缺陷时在通过神经网络精准识别,保证了识别检测精度;并且通过设置伺服电机和丝杆,在无纺布表面缺陷检测过程中,完全可以代替人工操作,自动化程度高。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1所示为基于机器视觉的无纺布表面缺陷自动化检测方法的流程图;
图2所示为基于机器视觉的无纺布表面缺陷自动化检测系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本发明的基于机器视觉的无纺布表面缺陷自动化检测方法的流程图,下面结合图1来阐述根据本发明的实施方式的基于机器视觉的无纺布表面缺陷自动化检测方法。
本发明提出基于机器视觉的无纺布表面缺陷自动化检测方法,具体包括以下步骤:
本发明的方法基于的硬件结构是由工业线阵CCD、光源系统、图像采集卡、机械传动装置、主控计算机等部件组成。光源系统为LED线性聚光冷光源。
一种机器视觉的无纺布表面缺陷自动检测方法与系统,包括以下步骤:
S100,采用高亮的LED线性聚光冷光源把光投射到无纺布背面上,通过线阵CCD相机进行实时同步扫描无纺布采集无纺布图像;
S200,通过四个中值滤波器增强无纺布图像纹理得到纹理增强无纺布图像:由于一个滤波器只能增强某一个方向的纹理,其余方向的纹理会受到抑制;通过四个中值滤波器在无纺布图像的平面坐标系中的左斜方向、横向、右斜方向,纵向四个方向分别增强处理一次,即在每个方向逐像素点扫描一次,用对每个像素点用该像素点邻域灰度值的中值来代替该像素点的灰度值;
S300,通过预先采集的有缺陷的无纺布图像的纹理特征数据集训练BP神经网络得到训练好的BP神经网络;
S400,通过对纹理增强无纺布图像采用基于灰度的动态阈值检测法进行快速区域识别确定纹理增强无纺布图像中的缺陷区域;
S500,通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征;
S600,通过训练好的BP神经网络对缺陷纹理特征进行识别是否为真实缺陷区域。
优选的,其中一种实施例为:
(1)图像采集,采用光源发射器投射到无纺布上,得到无纺布相应的人工纹理,并利用工业线阵CCD采集无纺布图像信息。
(2)机器学习:训练正常无纺布纹理样本、训练具有无纺布纹理样本、纹理特征提取(训练BP神经网络)。
(3)通过中值滤波器对图像预处理。
(4)快速区域识别:通过Gabor特征提取算法对预处理图像进行快速区域识别。
(5)缺陷特征提取与分类:无纺布表面缺陷识别模型及算法(训练好的BP神经网络)。
(6)数据存储,显示相应的检查结果同时把相关缺陷(折痕、稀经、破洞、竹节、油污等)信息,即真实缺陷区域保存在相应的数据库里面。
与现有技术相比,本实施例采用光源发射器投射到无纺布表面上,从而得到相应的图像人工纹理,有效增强被检测无纺布的条理特征。同时,在对图像去除噪声的过程除了采用中值滤波法,同时,预先对正常纹理与缺陷纹理的样本进行学习,从而生成一个分类器,并通过该分类器对新的未知样本的类别进行判定,构建了无纺布表面缺陷自动检测算法,有效减少误差,提高了检测的可靠性。
本发明的实施例提供的基于机器视觉的无纺布表面缺陷自动化检测系统,如图2所示为本发明的基于机器视觉的无纺布表面缺陷自动化检测系统结构图,该实施例的基于机器视觉的无纺布表面缺陷自动化检测系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于机器视觉的无纺布表面缺陷自动化检测系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
无纺布图像采集单元,用于采用高亮的LED线性聚光冷光源把光投射到无纺布背面上,通过线阵CCD相机进行实时同步扫描无纺布采集无纺布图像;
图像纹理增强单元,用于通过多个中值滤波器增强无纺布图像纹理得到纹理增强无纺布图像;
神经网络训练单元,用于通过预先采集的有缺陷的无纺布图像的纹理特征数据集训练BP神经网络得到训练好的BP神经网络;
缺陷区域识别单元,用于通过对纹理增强无纺布图像采用基于灰度的动态阈值检测法进行快速区域识别确定纹理增强无纺布图像中的缺陷区域;
缺陷纹理提取单元,用于通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征;
缺陷区域识别单元,用于通过训练好的BP神经网络对缺陷纹理特征进行识别是否为真实缺陷区域。
所述基于机器视觉的无纺布表面缺陷自动化检测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述基于机器视觉的无纺布表面缺陷自动化检测系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是基于机器视觉的无纺布表面缺陷自动化检测系统的示例,并不构成对基于机器视觉的无纺布表面缺陷自动化检测系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于机器视觉的无纺布表面缺陷自动化检测系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于机器视觉的无纺布表面缺陷自动化检测系统运行系统的控制中心,利用各种接口和线路连接整个基于机器视觉的无纺布表面缺陷自动化检测系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于机器视觉的无纺布表面缺陷自动化检测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (9)
1.基于机器视觉的无纺布表面缺陷自动化检测方法,其特征在于,所述方法包括以下步骤:
S100,采用高亮的LED线性聚光冷光源把光投射到无纺布背面上,通过线阵CCD相机进行实时同步扫描无纺布采集无纺布图像;
S200,通过多个中值滤波器增强无纺布图像纹理得到纹理增强无纺布图像;
S300,通过预先采集的有缺陷的无纺布图像的纹理特征数据集训练BP神经网络得到训练好的BP神经网络;
S400,通过对纹理增强无纺布图像采用基于灰度的动态阈值检测法进行快速区域识别确定纹理增强无纺布图像中的缺陷区域;
S500,通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征;
S600,通过训练好的BP神经网络对缺陷纹理特征进行识别是否为真实缺陷区域。
2.根据权利要求1所述的基于机器视觉的无纺布表面缺陷自动化检测方法,其特征在于,在S100中,利用工业线阵CCD相机采集到的无纺布图像为RGB图像。
3.根据权利要求1所述的基于机器视觉的无纺布表面缺陷自动化检测方法,其特征在于,在S100中,所述线阵CCD相机可变换拍摄位置。
4.根据权利要求1所述的基于机器视觉的无纺布表面缺陷自动化检测方法,其特征在于,在S100中,所述线阵CCD相机通过丝杆与伺服电机连接,并在伺服电机的驱动下变换拍摄位置。
5.根据权利要求1所述的基于机器视觉的无纺布表面缺陷自动化检测方法,其特征在于,在S100中,线阵CCD相机在采集无纺布表面图像的过程,根据待无纺布的类型和规格,上位机发送无纺布类型和规格到PLC中,PLC用于根据无纺布类型和规格控制伺服电机通过伺服电机带动丝杆传动,把相机移动到相应位置,定位准确,实现对不同类型和规格无纺布的图像采集,提高了无纺布的检测效率。
6.根据权利要求1所述的基于机器视觉的无纺布表面缺陷自动化检测方法,其特征在于,在S200中,中值滤波器数量为4个。
7.根据权利要求6所述的基于机器视觉的无纺布表面缺陷自动化检测方法,其特征在于,在S200中,通过4个中值滤波器在无纺布图像的平面坐标系中的左斜方向、横向、右斜方向,纵向四个方向分别增强处理一次,即在每个方向逐像素点扫描一次,用对每个像素点用该像素点邻域灰度值的中值来代替该像素点的灰度值。
8.根据权利要求6所述的基于机器视觉的无纺布表面缺陷自动化检测方法,其特征在于,在S600中,通过训练好的BP神经网络对缺陷纹理特征进行识别是否为真实缺陷区域的方法为:输入缺陷纹理特征到训练好的BP神经网络中,当训练好的BP神经网络输出的预测结果值大于预设的缺陷阈值时,判定为缺陷纹理特征在无纺布图像中对应的图像区域为真实缺陷区域。
9.基于机器视觉的无纺布表面缺陷自动化检测系统,其特征在于,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
无纺布图像采集单元,用于采用高亮的LED线性聚光冷光源把光投射到无纺布背面上,通过线阵CCD相机进行实时同步扫描无纺布采集无纺布图像;
图像纹理增强单元,用于通过多个中值滤波器增强无纺布图像纹理得到纹理增强无纺布图像;
神经网络训练单元,用于,通过预先采集的有缺陷的无纺布图像的纹理特征数据集训练BP神经网络得到训练好的BP神经网络;
缺陷区域识别单元,用于通过对纹理增强无纺布图像采用基于灰度的动态阈值检测法进行快速区域识别确定纹理增强无纺布图像中的缺陷区域;
缺陷纹理提取单元,用于通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征;
缺陷区域识别单元,用于通过训练好的BP神经网络对缺陷纹理特征进行识别是否为真实缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847393.5A CN112102253A (zh) | 2020-08-21 | 2020-08-21 | 基于机器视觉的无纺布表面缺陷自动化检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847393.5A CN112102253A (zh) | 2020-08-21 | 2020-08-21 | 基于机器视觉的无纺布表面缺陷自动化检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102253A true CN112102253A (zh) | 2020-12-18 |
Family
ID=73754185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010847393.5A Pending CN112102253A (zh) | 2020-08-21 | 2020-08-21 | 基于机器视觉的无纺布表面缺陷自动化检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102253A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649447A (zh) * | 2020-12-30 | 2021-04-13 | 浙江久大纺织科技有限公司 | 一种基于颜色矩阵的面料印花检测方法 |
CN113487558A (zh) * | 2021-07-01 | 2021-10-08 | 江苏省纺织产品质量监督检验研究院 | 一种基于图像识别技术的涂料印染面料检测方法 |
CN114411337A (zh) * | 2022-01-21 | 2022-04-29 | 山东晶创新材料科技有限公司 | 一种超宽幅聚丙烯长丝非织造布制备方法 |
-
2020
- 2020-08-21 CN CN202010847393.5A patent/CN112102253A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649447A (zh) * | 2020-12-30 | 2021-04-13 | 浙江久大纺织科技有限公司 | 一种基于颜色矩阵的面料印花检测方法 |
CN113487558A (zh) * | 2021-07-01 | 2021-10-08 | 江苏省纺织产品质量监督检验研究院 | 一种基于图像识别技术的涂料印染面料检测方法 |
CN113487558B (zh) * | 2021-07-01 | 2023-12-22 | 江苏省纺织产品质量监督检验研究院 | 一种基于图像识别技术的涂料印染面料检测方法 |
CN114411337A (zh) * | 2022-01-21 | 2022-04-29 | 山东晶创新材料科技有限公司 | 一种超宽幅聚丙烯长丝非织造布制备方法 |
CN114411337B (zh) * | 2022-01-21 | 2023-03-14 | 山东晶创新材料科技有限公司 | 一种超宽幅聚丙烯长丝非织造布制备方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826416B (zh) | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
CN112102253A (zh) | 基于机器视觉的无纺布表面缺陷自动化检测方法及系统 | |
CN112088387B (zh) | 检测成像物品缺陷的系统和方法 | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
CN112102254A (zh) | 基于机器视觉的木材表面缺陷检测方法与系统 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN114519714B (zh) | 一种显示屏脏污缺陷判定的方法和系统 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN114235837A (zh) | 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN113192013A (zh) | 一种反光表面缺陷检测方法、系统及电子设备 | |
CN117309892B (zh) | 一种电池蓝膜的缺陷检测方法、装置及系统和光源控制器 | |
CN109387524A (zh) | 基于线性偏振光的螺纹缺陷检测方法及装置 | |
CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
CN111739003A (zh) | 一种用于外观检测的机器视觉算法 | |
CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 | |
CN111563869A (zh) | 用于摄像模组质检的污点测试方法 | |
CN114549403A (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 | |
Qi et al. | On-line detection of Hami big jujubes' size and shape based on machine vision | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 |
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 |