CN112200826A - 一种工业弱缺陷分割方法 - Google Patents
一种工业弱缺陷分割方法 Download PDFInfo
- Publication number
- CN112200826A CN112200826A CN202011106019.6A CN202011106019A CN112200826A CN 112200826 A CN112200826 A CN 112200826A CN 202011106019 A CN202011106019 A CN 202011106019A CN 112200826 A CN112200826 A CN 112200826A
- Authority
- CN
- China
- Prior art keywords
- target
- original image
- value
- image
- map
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000011218 segmentation Effects 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000003466 welding Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种工业弱缺陷分割方法,属于工业射线底片缺陷的图像分割技术领域。所述方法包括:利用局部对比度增强算法对原始图像进行目标强化和去噪后,生成显著度图;利用动态权重调整的最大类间方差法对生成的显著度图进行自适应阈值分割,得到若干个区域,其中,每个区域为目标或背景,目标为缺陷。采用本发明,能够在提高复杂背景下缺陷的分割准确率的同时,降低虚警率。
Description
技术领域
本发明涉及工业射线底片缺陷的图像分割技术领域,特别涉及是指一种工业弱缺陷分割方法。
背景技术
近年来,焊接广泛用于航空航天、石油化工、核工业、机械制造等行业,由于焊接过程中各种参数及随机因素的影响,焊缝结构在焊接制造过程中会形成不同程度和数量的气孔、未熔合、未焊透以及裂纹等缺陷,对其使用性能产生不利影响。
尽管焊缝图像中缺陷提取和识别的先验知识比较丰富,但由于射线底片本身存在底片透亮度小、缺陷尺寸小、边缘模糊的边蚀效应、影像变形等特点,给缺陷的分割造成困难。
由于目标(即:缺陷)所在的区域信息与其邻域不同,这意味着目标在局部比较显眼,通过计算局部背景与其中心区域的对比度值生成对比度图,以此来增强目标,当目标被强化之后,目标区域所携带的信息量得到了提升,有利于进一步分割目标和背景。
图像分割作为缺陷检测中的重要步骤之一,广泛应用于自动视觉检测应用中。OTSU算法旨在寻找一个最佳阈值,根据这个阈值将图像的像素分成的两部分:目标和背景,并使得这两部分有着最大程度的不同。
传统的最大类间方差法(OTSU)只有当目标和背景具有相似方差时才可以获得比较满意的分割结果,衍生的OTSU算法对于无缺陷的图像分割时可能会出现虚警(即:没有目标但分割出目标)的情况。
发明内容
本发明实施例提供了工业弱缺陷分割方法,能够在提高复杂背景下缺陷的分割准确率的同时,降低虚警率。所述技术方案如下:
一方面,提供了一种工业弱缺陷分割方法,该方法应用于电子设备,该方法包括:
利用局部对比度增强算法对原始图像进行目标强化和去噪后,生成显著度图;
利用动态权重调整的最大类间方差法对生成的显著度图进行自适应阈值分割,得到若干个区域,其中,每个区域为目标或背景,目标为缺陷。
进一步地,所述利用局部对比度增强算法对原始图像进行目标强化和去噪后,生成显著度图包括:
获取原始图像;
对获取的原始图像进行预处理;
利用局部对比度增强算法对预处理后的原始图像进行目标强化和去噪后,生成显著度图。
进一步地,所述利用局部对比度增强算法对预处理后的原始图像进行目标强化和去噪后,生成显著度图包括:
滑动窗口v在预处理后的原始图像上滑动,目标窗口u在滑动窗口v上滑动,对由目标窗口u和滑动窗口v组成的每一个图像补丁计算用于生成对比度图的响应值其中,图像补丁的大小为v,图像补丁由9个单元块组成,即:滑动窗口v被分成了九个单元块;u表示目标所在的中心单元块,v中除了u所在的中心单元块,还包括与中心单元块相邻的8个相邻单元块;
根据得到的原始图像的对比度图,生成显著度图。
进一步地,滑动窗口v的高度和宽度都是目标窗口u的三倍;
目标窗口u的尺寸参数为固定值。
其中,Ln表示第n个大小为v的图像补丁中中心单元块像素灰度的最大值;表示局部对比度,是第n个大小为v的图像补丁中中心单元块的像素灰度均值m0和第n个大小为v的图像补丁中除中心单元块以外其他所有相邻单元块的像素灰度均值mμ的比值。
其中,mi表示第i个相邻单元块的灰度平均值,i=1,2,…,8。
进一步地,所述根据得到的原始图像的对比度图,生成显著度图包括:
通过公式X(a,b)=C(a,b)–O(a,b),生成显著度图;
其中,X(a,b)表示图像大小为a*b显著度图,C(a,b)表示原始图像的对比度图,O(a,b)表示预处理后的原始图像。
进一步地,所述动态权重调整的最大类间方差法表示为:
其中,gY(t)表示类间方差,dv(t)表示显著度图的标准偏差,P0(t)表示目标区域像素的累和概率,u0(t)表示目标区域的平均灰度值,P1(t)表示背景区域像素的累和概率,u1(t)表示背景区域的平均灰度值,t表示临时阈值。
进一步地,根据得到的动态权重调整的最大类间方差法,得到用于分割目标和背景的理想阈值T满足:
其中,max value表示显著度图灰度值的最大值。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述工业弱缺陷分割方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述工业弱缺陷分割方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,利用局部对比度增强算法对原始图像进行目标强化和去噪后,放大目标和背景之间的差异,生成显著度图;利用动态权重调整的最大类间方差法对生成的显著度图进行自适应阈值分割,以便将原始图像分成若干个区域,每个区域为目标或背景,从而得到需要被分割出来的目标,即:缺陷。这样,通过局部对比度增强算法和动态权重调整最大类间方差法,能够在提高复杂背景下缺陷的分割准确率的同时,降低虚警率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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。
图1为本发明实施例提供的工业弱缺陷分割方法的流程示意图;
图2为本发明实施例提供的LCM滑动窗口示意图;
图3为本发明实施例提供的滑动窗口被分成了九个单元块的示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供了一种工业弱缺陷分割方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器,该方法包括:
S101,利用局部对比度增强算法对原始图像进行目标强化和去噪后,生成显著度图;
S102,利用动态权重调整的最大类间方差法对生成的显著度图进行自适应阈值分割,得到若干个区域,其中,每个区域为目标或背景,目标为缺陷。
本发明实施例所述的工业弱缺陷分割方法,利用局部对比度增强算法对原始图像进行目标强化和去噪后,放大目标和背景之间的差异,生成显著度图;利用动态权重调整的最大类间方差法对生成的显著度图进行自适应阈值分割,以便将原始图像分成若干个区域,每个区域为目标或背景,从而得到需要被分割出来的目标,即:缺陷。这样,通过局部对比度增强算法和动态权重调整最大类间方差法,能够在提高复杂背景下缺陷的分割准确率的同时,降低虚警率。
本实施例中,所述弱缺陷指尺寸小于预设的阈值、识别困难的缺陷,所述原始图像具体指原始的工业射线图像。
本发明实施例所述的工业弱缺陷分割方法的目的是为了对工业射线图像中无缺陷的图像进行正确分割,从而解决传统OTSU算法及其衍生算法对于无缺陷图像虚警的问题并提高复杂背景下工业弱缺陷的分割准确率,同时结合局部对比度增强算法,从而优化动态权重调整的最大类间方差法的分割效果。
在前述工业弱缺陷分割方法的具体实施方式中,进一步地,所述利用局部对比度增强算法对原始图像进行目标强化和去噪后,生成显著度图包括:
获取原始图像;
对获取的原始图像进行预处理;
利用局部对比度增强算法对预处理后的原始图像进行目标强化和去噪后,生成显著度图。
本实施例中,预处理的主要目的是消除原始图像中无关的信息,增强有用信息,常见的预处理操作包括:灰度化、几何变换和图像增强(空域滤波、频域滤波)等等。
在前述工业弱缺陷分割方法的具体实施方式中,进一步地,所述利用局部对比度增强算法对预处理后的原始图像进行目标强化和去噪后,生成显著度图包括:
A1,滑动窗口v在预处理后的原始图像上滑动,目标窗口u在滑动窗口v上滑动,对由目标窗口u和滑动窗口v组成的每一个图像补丁计算用于生成对比度图的响应值其中,图像补丁的大小为v,图像补丁由9个单元块组成,即:滑动窗口v被分成了九个单元块;u表示目标所在的中心单元块,v中除了u所在的中心单元块,还包括与中心单元块相邻的8个相邻单元块;
本实施例中,如图2所示,首先定义在预处理后的原始图像/原始图片w上自由滑动的滑动窗口v,以及用于在局部寻找目标的目标窗口u,u也可以在v上进行滑动,由u和v所组成的图像补丁(图像补丁是由九个单元块组成,其实就是滑动窗口v被分成了九个单元块,滑动窗口v的高度和宽度都是目标窗口u的三倍。)可以由9个单元块给出,如图3所示,其中“0”所在的中心单元块(即:目标单元块)表示目标可能出现的区域,相邻的第i(i=1,2,…,8)个相邻单元块(即:背景单元块)表示邻域背景区域。
本实施例中,通过对比目标窗口u的尺寸参数ksize=3和ksize=5时所产生的效果发现,当ksize=5时强化过的目标区域相对会更宽,但会出现失真的情况,使得目标看起来更大更宽了,为提高算法速度和进行进一步处理的稳定程度,可以尝试删去传统LCM算法中的多尺度调整步骤,将目标窗口u的尺寸参数ksize取固定值3,这样既能有一定的目标增强效果,也不会产生太严重的失真和噪声影响。
在传统LCM算法中,中心单元块和第i个相邻单元块之间的局部对比度定义为:
其中,Ln表示第n个大小为v的图像块中中心单元块的灰度值的最大值,mi(i=1,2,…,8)表示第i个相邻单元块的灰度平均值:
本实施例中,通过改进,利用局部均值的思想,将式(1)中的局部对比度的定义修改为:
其中,m0表示第n个大小为v的图像补丁中中心单元块的像素灰度均值,mμ代表第n个大小为v的图像补丁中除中心单元块以外其他所有相邻单元块的像素灰度均值,即
其中,Ln表示第n个大小为v的图像补丁中中心单元块像素灰度的最大值;表示局部对比度,是第n个大小为v的图像补丁中中心单元块的像素灰度均值m0和第n个大小为v的图像补丁中除中心单元块以外其他所有相邻单元块的像素灰度均值mμ的比值。
对于拥有复杂背景和目标的图像而言,传统的LCM算法会将原始图像中一些灰度值比较靠近极限的噪声点也进行强化让其变得更加明显,这样会对最终的检测结果产生一定的影响,而使用均值m0可以过滤掉某些突出的噪声点所带来的影响。在这种计算方式下,如果目标相较于其邻域背景越发突出,则的值就越大,否则越小,在没有突出的像素情况下一般都会取1左右的一个均衡值,而Ln本就是局部灰度的最大值,作乘运算后对于目标区域的突出强化能起到很好的效果。
本实施例中,如果是目标所在区域生成的响应值,由于目标单元块(即:中心单元块)的局部灰度的最大值大于周围相邻单元块的灰度均值,所以得到的响应值大于当前区域的局部灰度最大值,这样就可以增强目标;如果是背景所在区域生成的响应值,那么中心单元块的局部灰度的最大值小于周围相邻单元块的灰度均值,这样,背景会被抑制。如上所述,目标窗口u所在的位置如果是目标,则通过响应值替换可以增强目标,目标窗口u所在的位置如果是背景,通过响应值替换可以抑制背景,最终得到的显著度图中的目标会更突出,有利于后续的分割。
A3,根据得到的原始图像的对比度图,生成显著度图。
本实施例中,通过下式得到原始图像的显著度图:
X(a,b)=C(a,b)–O(a,b) (6)
其中,X(a,b)表示图像大小为a*b显著度图,C(a,b)表示原始图像的对比度图,O(a,b)表示预处理后的原始图像。
本实施例中,通过调整目标窗口u的尺寸参数ksize和修改局部对比度值进行局部对比度增强,放大目标和背景之间的差异,从而实现目标强化和去噪的效果。
传统的最大类间方差法(OTSU)中的类间方差公式如式(7)所示:
g(t)=P0(t)*u0 2(t)+P1(t)*u1 2(t) (7)
其中,t是临时阈值,是灰度值;g(t)是目标和背景的类间方差;
其中,P0和P1分别表示按照阈值t分成的两部分D0[0,t]和D1[t,maxvalue](maxvalue表示图像灰度值的最大值,通常是255)中像素点在整幅图像中的占比。
其中,ni表示图像中灰度值为i的像素点的数量,n表示总的像素点数量,pi表示灰度值为i的像素出现的概率。
令u0和u1分别表示D0和D1部分的平均灰度值:
由于工业弱缺陷图像中目标方差对方差计算公式贡献较小,所以可以对传统OTSU算法中的类间方差公式(7)中的第一项乘以一个权值参数ω,ω在0到1之间取值,则新的方差计算方程写为式(13):
gY(t)=ωP0(t)*u0 2(t)+P1(t)*u1 2(t) (13)
其中,gY(t)表示类间方差;
由于不同的缺陷图像的差异是很大的,所以ω不能是一个固定值,需要根据缺陷目标的特征信息来决定权值的大小,所以设计一种自动加权的方法来寻找图像分割的最佳阈值。
原始的OTSU算法会在目标与背景有着接近的尺寸时候会取得近乎最优的效果,给目标部分加上权值ω后,ω越大,最终目标区域也会越大,反之目标区域越小。所以,在无缺陷的情况下,权值ω应该趋近于0,而当缺陷目标相对很大时,权值ω应该趋近于1。对于待检测图像而言,权重的大小随目标的出现概率而变化且呈正相关趋势。由此联想到方程中目标项的累和概率P0(t),当图像被阈值t划分时,P0(t)的值从0到1进行非线性递增,可以将P0(t)看作是缺陷区域的发生概率。当阈值定位在无缺陷图像直方图的单峰的左下沿,P0(t)趋近0,而随着t值的右移,较大的目标区域会使P0(t)取得一个较大的值。在此启发下,设置函数ω=P0(t)x,这样式(13)可以改写如下:
gY(t)=x*P0(t)P0(t)*u0 2(t)+P1(t)*u1 2(t) (14)
前述的理论分析主要从降低虚警的角度出发,但是对于复杂情况下缺陷的发现和捕捉这个方案很显然是不够的。
对于复杂情况下弱缺陷的发现和捕捉,需要结合整个图像的空间分布状况,基于缺陷目标及其邻域信息的优化方案,在尽可能保留缺陷的细节部分的情况下将缺陷从背景中有效的分割出来。
图像中大面积的背景区域也因为各种原因产生阴影导致其灰度降低,从而影响算法对灰度的相关数据统计,从视觉角度讲这样的情况会混淆背景和目标缺陷。那么如果将缺陷及其周围的细节信息加入计算的范畴,也就是从局部上对缺陷目标进行分割,这样就能够一定程度地避开背景产生的影响。图像中对于局部的操作一般会使用均值、标准差等,然而在算法中计算这些值需要再一次遍历图像,在目前算法的迭代结构上这种操作会浪费不必要的时间。那么,可以创造一个能够代表标准差等信息的因子dv(t),将其添加到整体计算方程中。
本实施例中,定义图像中的标准偏差为:
dv(t)=|t-me| (15)
其中,dv(t)表示显著度图的标准偏差,t为算法中使用的临时阈值,me为显著度图像素灰度的均值;结合这个定义将原本的计算方程式(14)改写为式(16),得到动态权重调整的最大类间方差法:
其中,gY(t)表示类间方差,dv(t)表示显著度图的标准偏差,P0(t)表示目标区域像素的累和概率,u0(t)表示目标区域的平均灰度值,P1(t)表示背景区域像素的累和概率,u1(t)表示背景区域的平均灰度值,t表示临时阈值。
式(16)中新引入的参数用以提供一个相对比较度,取0.9的意义在于定义dv(t)为整型数时,不会出现分母为0而报错的情况。这样做其实是牺牲了阈值为图像灰度均值的情况,但这对实际的视觉系统并没有太大影响。由这个参数可以看到,当dv(t)越大时,代表t越偏离图像灰度均值,该权值参数(指:)越大。这样算法在进行运算时就加入了对图像整体空间布局的考虑,使得在提高复杂背景下缺陷的分割准确率的同时,降低虚警率,有助于对工业射线图像中无缺陷的图像进行正确分割。
于是,根据式(16),可以得到用于分割目标和背景的最终理想阈值T满足:
其中,max value表示显著度图灰度值的最大值。
图4是本发明实施例提供的一种电子设备600的结构示意图,该电子设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)601和一个或一个以上的存储器602,其中,所述存储器602中存储有至少一条指令,所述至少一条指令由所述处理器601加载并执行以实现上述工业弱缺陷分割方法。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述工业弱缺陷分割方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种工业弱缺陷分割方法,其特征在于,包括:
利用局部对比度增强算法对原始图像进行目标强化和去噪后,生成显著度图;
利用动态权重调整的最大类间方差法对生成的显著度图进行自适应阈值分割,得到若干个区域,其中,每个区域为目标或背景,目标为缺陷。
2.根据权利要求1所述的工业弱缺陷分割方法,其特征在于,所述利用局部对比度增强算法对原始图像进行目标强化和去噪后,生成显著度图包括:
获取原始图像;
对获取的原始图像进行预处理;
利用局部对比度增强算法对预处理后的原始图像进行目标强化和去噪后,生成显著度图。
3.根据权利要求2所述的工业弱缺陷分割方法,其特征在于,所述利用局部对比度增强算法对预处理后的原始图像进行目标强化和去噪后,生成显著度图包括:
滑动窗口v在预处理后的原始图像上滑动,目标窗口u在滑动窗口v上滑动,对由目标窗口u和滑动窗口v组成的每一个图像补丁计算用于生成对比度图的响应值其中,图像补丁的大小为v,图像补丁由9个单元块组成,即:滑动窗口v被分成了九个单元块;u表示目标所在的中心单元块,v中除了u所在的中心单元块,还包括与中心单元块相邻的8个相邻单元块;
根据得到的原始图像的对比度图,生成显著度图。
4.根据权利要求3所述的工业弱缺陷分割方法,其特征在于,滑动窗口v的高度和宽度都是目标窗口u的三倍;
目标窗口u的尺寸参数为固定值。
7.根据权利要求3所述的工业弱缺陷分割方法,其特征在于,所述根据得到的原始图像的对比度图,生成显著度图包括:
通过公式X(a,b)=C(a,b)–O(a,b),生成显著度图;
其中,X(a,b)表示图像大小为a*b显著度图,C(a,b)表示原始图像的对比度图,O(a,b)表示预处理后的原始图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106019.6A CN112200826B (zh) | 2020-10-15 | 2020-10-15 | 一种工业弱缺陷分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106019.6A CN112200826B (zh) | 2020-10-15 | 2020-10-15 | 一种工业弱缺陷分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200826A true CN112200826A (zh) | 2021-01-08 |
CN112200826B CN112200826B (zh) | 2023-11-28 |
Family
ID=74009155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011106019.6A Active CN112200826B (zh) | 2020-10-15 | 2020-10-15 | 一种工业弱缺陷分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200826B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112871746A (zh) * | 2021-01-14 | 2021-06-01 | 湖北玺瑞自动化输送设备科技有限公司 | 一种红枣自动化筛选方法 |
CN115049678A (zh) * | 2022-08-17 | 2022-09-13 | 南昌工程学院 | 基于夜间紫外成像技术的输电线电晕放电图像分割方法 |
CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6055340A (en) * | 1997-02-28 | 2000-04-25 | Fuji Photo Film Co., Ltd. | Method and apparatus for processing digital images to suppress their noise and enhancing their sharpness |
CN102722891A (zh) * | 2012-06-12 | 2012-10-10 | 大连理工大学 | 一种图像显著度检测的方法 |
CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN107016682A (zh) * | 2017-04-11 | 2017-08-04 | 四川大学 | 一种自然图像显著对象自适应分割方法 |
CN107452010A (zh) * | 2017-07-31 | 2017-12-08 | 中国科学院长春光学精密机械与物理研究所 | 一种自动抠图算法和装置 |
US20180174301A1 (en) * | 2016-12-20 | 2018-06-21 | Kodak Alaris, Inc. | Iterative method for salient foreground detection and multi-object segmentation |
CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
CN110033434A (zh) * | 2019-03-04 | 2019-07-19 | 南京航空航天大学 | 一种基于纹理显著性的表面缺陷检测方法 |
CN111160260A (zh) * | 2019-12-30 | 2020-05-15 | 湖北航天技术研究院总体设计所 | 一种sar图像目标检测方法及系统 |
CN111667462A (zh) * | 2020-05-12 | 2020-09-15 | 常熟理工学院 | 一种焊接缺陷中弱小目标的自动检测方法与系统 |
CN115407966A (zh) * | 2021-05-28 | 2022-11-29 | 南京大学 | 数据表示方法、张量量化方法及乘加计算装置 |
-
2020
- 2020-10-15 CN CN202011106019.6A patent/CN112200826B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6055340A (en) * | 1997-02-28 | 2000-04-25 | Fuji Photo Film Co., Ltd. | Method and apparatus for processing digital images to suppress their noise and enhancing their sharpness |
CN102722891A (zh) * | 2012-06-12 | 2012-10-10 | 大连理工大学 | 一种图像显著度检测的方法 |
CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
US20180174301A1 (en) * | 2016-12-20 | 2018-06-21 | Kodak Alaris, Inc. | Iterative method for salient foreground detection and multi-object segmentation |
CN107016682A (zh) * | 2017-04-11 | 2017-08-04 | 四川大学 | 一种自然图像显著对象自适应分割方法 |
CN107452010A (zh) * | 2017-07-31 | 2017-12-08 | 中国科学院长春光学精密机械与物理研究所 | 一种自动抠图算法和装置 |
CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
CN110033434A (zh) * | 2019-03-04 | 2019-07-19 | 南京航空航天大学 | 一种基于纹理显著性的表面缺陷检测方法 |
CN111160260A (zh) * | 2019-12-30 | 2020-05-15 | 湖北航天技术研究院总体设计所 | 一种sar图像目标检测方法及系统 |
CN111667462A (zh) * | 2020-05-12 | 2020-09-15 | 常熟理工学院 | 一种焊接缺陷中弱小目标的自动检测方法与系统 |
CN115407966A (zh) * | 2021-05-28 | 2022-11-29 | 南京大学 | 数据表示方法、张量量化方法及乘加计算装置 |
Non-Patent Citations (3)
Title |
---|
徐启永;胡峰;王传桐;吴雨川;: "改进频率调谐显著算法在疵点图像分割中的应用", 纺织学报, no. 05 * |
管声启;李振浩;常江;: "基于视觉显著性的零件缺陷检测", 软件, no. 02 * |
赵宏伟;陈霄;刘萍萍;耿庆田;: "视觉显著目标的自适应分割", 光学精密工程, no. 02 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112871746A (zh) * | 2021-01-14 | 2021-06-01 | 湖北玺瑞自动化输送设备科技有限公司 | 一种红枣自动化筛选方法 |
CN112871746B (zh) * | 2021-01-14 | 2023-10-20 | 湖北玺瑞自动化输送设备科技有限公司 | 一种红枣自动化筛选方法 |
CN115049678A (zh) * | 2022-08-17 | 2022-09-13 | 南昌工程学院 | 基于夜间紫外成像技术的输电线电晕放电图像分割方法 |
CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
CN116433666B (zh) * | 2023-06-14 | 2023-08-15 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112200826B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200826B (zh) | 一种工业弱缺陷分割方法 | |
CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
CN112424828A (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
US7756295B2 (en) | Change region detection device and change region detecting method | |
CN114235758A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN108764119B (zh) | 基于迭代最大类间方差的sar图像变化检测方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN112102202A (zh) | 一种图像分割方法和图像处理装置 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN111553425A (zh) | 一种用于视觉定位的模板匹配lsp算法、介质和设备 | |
CN115797300A (zh) | 一种基于自适应梯度阈值canny算子的边缘检测方法及其装置 | |
CN116152261B (zh) | 一种印刷制品质量的视觉检测系统 | |
CN114820621B (zh) | 一种螺栓丢失缺陷检测方法、系统及装置 | |
CN109858484A (zh) | 一种基于偏斜评价的多类别变换车牌校正算法 | |
CN117557565A (zh) | 一种锂电池极片的检测方法及其装置 | |
CN117853510A (zh) | 基于双边滤波和自适应阈值的Canny边缘检测方法 | |
Zhu et al. | Optimization of image processing in video-based traffic monitoring | |
CN115797327A (zh) | 一种缺陷检测方法、装置、终端设备及存储介质 | |
CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN114937003A (zh) | 一种针对玻璃面板的多类型缺陷检测系统和方法 | |
CN110147747B (zh) | 一种基于累积一阶导数高置信度策略的相关滤波跟踪方法 | |
CN114550171B (zh) | 细胞实例分割模型构建方法、细胞实例分割方法和装置 | |
CN112465865A (zh) | 一种基于背景建模和IoU匹配的多目标跟踪方法 |
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 |