CN113409317B - 缺陷检测方法、电子装置、装置及计算机可读存储介质 - Google Patents

缺陷检测方法、电子装置、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113409317B
CN113409317B CN202110955272.7A CN202110955272A CN113409317B CN 113409317 B CN113409317 B CN 113409317B CN 202110955272 A CN202110955272 A CN 202110955272A CN 113409317 B CN113409317 B CN 113409317B
Authority
CN
China
Prior art keywords
wood
image
defect detection
grain
trained
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
Application number
CN202110955272.7A
Other languages
English (en)
Other versions
CN113409317A (zh
Inventor
李勇军
朱琦
杨光
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.)
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Original Assignee
Shenzhen Xinrun Fulian Digital Technology Co Ltd
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 Shenzhen Xinrun Fulian Digital Technology Co Ltd filed Critical Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority to CN202110955272.7A priority Critical patent/CN113409317B/zh
Publication of CN113409317A publication Critical patent/CN113409317A/zh
Application granted granted Critical
Publication of CN113409317B publication Critical patent/CN113409317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出的一种缺陷检测方法、电子装置、装置及计算机可读存储介质，所述方法包括步骤：接收缺陷检测信号，获取与所述缺陷检测信号对应的待检测的木材图像；将所述木材图像依据颜色进行划分得到至少一个木材子图像；基于所述木材子图像对所述木材图像进行缺陷检测操作。通过木材的颜色对木材图像进行划分，以针对性地对同类颜色的木材子图像进行缺陷检测操作，使得能够避免木材的颜色对缺陷检测造成影响，提高了缺陷检测的准确性。

Description

缺陷检测方法、电子装置、装置及计算机可读存储介质
技术领域
本发明涉及木材检测领域，尤其涉及一种缺陷检测方法、电子装置、装置及计算机可读存储介质。
背景技术
木材在生产过程中，由于铸造材料、温度、设备挤压、摩擦或传输过程中的碰撞等原因会导致木材表面缺陷；现有技术中为了检测出木材的缺陷，多采用对木材的图像进行特征分析以判断木材上是否存在缺陷；然而由于木材自身纹路的影响，使得不同的木材生成的图像质量不同，从而影响到缺陷判断的准确性。
发明内容
本发明的主要目的在于提出一种缺陷检测方法、电子装置、装置及计算机可读存储介质，旨在解决现有技术中对于木材的缺陷判断准确率不足的问题。
为实现上述目的，本发明提供一种缺陷检测方法，所述方法包括步骤：
接收缺陷检测信号，获取所述缺陷检测信号对应的待检测的第一木材图像；
将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像；
根据所述第一木材子图像对所述第一木材图像进行缺陷检测。
可选地，所述将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像的步骤包括：
获取训练完成的分类模型；
将所述第一木材图像作为所述训练完成的分类模型的输入，并运行所述训练完成的分类模型；
获取所述训练完成的分类模型输出的至少一个图像块，并将所述图像块作为所述第一木材子图像。
可选地，所述将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像的步骤之后包括：
获取所述第一木材子图像对应的纹路标识，并判断是否存在纹路标识相同的第一木材子图像；
若存在纹路标识相同的第一木材子图像，则将纹路标识相同的第一木材子图像进行合并操作生成新的第一木材子图像。
可选地，所述将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像的步骤包括：
对所述第一木材图像的纹路进行识别，得到所述第一木材图像中的多个纹路交叉点；
根据所述纹路交叉点生成纹路分割线；
将所述第一木材图像依据所述纹路分割线进行切割以得到多个所述第一木材子图像。
可选地，所述根据所述第一木材子图像对所述第一木材图像进行缺陷检测的步骤包括：
获取训练完成的缺陷检测模型；
将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
可选地，所述根据所述第一木材子图像对所述第一木材图像进行缺陷检测的步骤包括：
获取所述第一木材子图像对应的纹路标识，并获取与所述纹路标识对应的训练完成的缺陷检测模型；
将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
可选地，所述根据所述第一木材子图像对所述第一木材图像进行缺陷检测包括：
获取各第一木材子图像在所述第一木材图像中所占的图像比例，并根据所述图像比例匹配所述第一木材图像对应的木材种类；
判断是否匹配到所述第一木材图像对应的木材种类；
若匹配到第一木材图像对应的木材种类，则匹配与所述木材种类对应的最佳光照强度，获取在所述最佳光照强度下的第二木材图像，采用所述第二木材图像对所述第一木材图像进行缺陷检测；若未匹配到第一木材图像对应的木材种类，采用所述第一木材子图像对所述第一木材图像进行缺陷检测。
为实现上述目的，本发明还提供一种电子装置，所述电子装置包括：
第一获取模块，用于接收缺陷检测信号，获取所述缺陷检测信号对应的待检测的第一木材图像；
第一执行模块，用于将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像；
第二执行模块，用于根据所述第一木材子图像对所述第一木材图像进行缺陷检测。
可选地，所述第一执行模块包括：
第一获取单元，用于获取训练完成的分类模型；
第一执行单元，用于将所述第一木材图像作为所述训练完成的分类模型的输入，并运行所述训练完成的分类模型；
第二获取单元，用于获取所述训练完成的分类模型输出的至少一个图像块，并将所述图像块作为所述第一木材子图像。
可选地，所述电子装置还包括：
第二获取模块，用于获取所述第一木材子图像对应的纹路标识，并判断是否存在纹路标识相同的第一木材子图像；
第三执行模块，用于若存在纹路标识相同的第一木材子图像，则将纹路标识相同的第一木材子图像进行合并操作生成新的第一木材子图像。
可选地，所述第一执行模块包括：
第二执行单元，用于对所述第一木材图像的纹路进行识别，得到所述第一木材图像中的多个纹路交叉点；
第三执行单元，用于根据所述纹路交叉点生成纹路分割线；
第四执行单元，用于将所述第一木材图像依据所述纹路分割线进行切割以得到多个所述第一木材子图像。
可选地，所述第二执行模块包括：
第三获取单元，用于获取训练完成的缺陷检测模型；
第五执行单元，用于将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
第六执行单元，用于将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
可选地，所述第二执行单元包括：
第四获取单元，用于获取所述第一木材子图像对应的纹路标识，并获取与所述纹路标识对应的训练完成的缺陷检测模型；
第七执行单元，用于将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
第八执行单元将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
可选地，所述第二执行模块包括：
第五获取单元，用于获取各第一木材子图像在所述第一木材图像中所占的图像比例，并根据所述图像比例匹配所述第一木材图像对应的木材种类；
第一判断单元，用于判断是否匹配到所述第一木材图像对应的木材种类；
第九执行单元，用于若匹配到第一木材图像对应的木材种类，则匹配与所述木材种类对应的最佳光照强度，获取在所述最佳光照强度下的第二木材图像，采用所述第二木材图像对所述第一木材图像进行缺陷检测；若未匹配到第一木材图像对应的木材种类，采用所述第一木材子图像对所述第一木材图像进行缺陷检测。
为实现上述目的，本发明还提供一种缺陷检测装置，所述缺陷检测装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的缺陷检测方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的缺陷检测方法的步骤。
本发明提出的一种缺陷检测方法、电子装置、装置及计算机可读存储介质，接收缺陷检测信号，获取所述缺陷检测信号对应的待检测的第一木材图像；将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像；根据所述第一木材子图像对所述第一木材图像进行缺陷检测。通过木材的纹路对木材图像进行划分，以针对性地对同类纹路的木材子图像进行缺陷检测操作，使得能够避免木材的纹路对缺陷检测造成影响，提高了缺陷检测的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明缺陷检测方法第一实施例的流程示意图；
图2为本发明缺陷检测方法第六实施例步骤S30的细化流程图；
图3为本发明缺陷检测装置的模块结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本发明提供一种缺陷检测方法，参照图1，图1为本发明缺陷检测方法第一实施例的流程示意图，所述方法包括步骤：
步骤S10，接收缺陷检测信号，获取所述缺陷检测信号对应的待检测的第一木材图像；
缺陷检测信号为触发木材的缺陷检测流程的信号；缺陷检测信号可以由检测人员进行发送，还可以通过设置触发装置进行自动触发，如将木材通过传输装置运送到缺陷检测工位，缺陷检测工位上设置感应装置，如限位开关、传感器或摄像头等，感应装置检测到木材到达缺陷检测工位时，触发缺陷检测信号生效。
缺陷检测信号对应的待检测的木材图像可以由检测人员直接发送，还可以通过图像采集设备，如摄像头获取检测木材的图像，还可以对获取到的图像进行识别，以得到仅包含木材的木材图像。
步骤S20，将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像；
木材的纹路是指木材体内轴向分子，如木纤维、管胞、导管等的排列方向的表现形式，如带状斑纹、波涛班纹、琴背斑纹、絮状斑纹等。需要说明的是依据纹路进行划分可以是以纹路作为划分边界对木材图像进行划分，还可以是将木材图像划分为包含不同的纹路的第一木材子图像；可以根据实际应用场景以及需要选择具体的划分方式，在此不进行赘述。
步骤S30，根据所述第一木材子图像对所述第一木材图像进行缺陷检测。
缺陷检测操作为对木材进行缺陷检测的操作；缺陷检测操作可以通过深度学习模型、识别算法或人工的方式进行，可以根据实际应用场景以及需要进行选择，在此不进行赘述。
本实施例通过木材的颜色对木材图像进行划分，以针对性地对同类颜色的木材子图像进行缺陷检测操作，使得能够避免木材的颜色对缺陷检测造成影响，提高了缺陷检测的准确性。
进一步地，在基于本发明的第一实施例所提出的本发明缺陷检测方法第二实施例中，所述步骤S20包括步骤：
步骤S21，获取训练完成的分类模型；
步骤S22，将所述第一木材图像作为所述训练完成的分类模型的输入，并运行所述训练完成的分类模型；
步骤S23，获取所述训练完成的分类模型输出的至少一个图像块，并将所述图像块作为所述第一木材子图像。
本实施例中通过分类模型对第一木材图像进行划分，即分类模型输出的是划分好的各第一木材子图像。需要说明的是，分类模型的具体设置可参照已有技术；在获取训练完成的分类模型之前，还需要对分类模型进行训练，具体地用于训练分类模型的训练样本可以从历史获取到的木材图像中进行选择，还可以通过网络等途径进行获取，在获取训练样本后，可以将训练样本划分为训练集、验证集以及测试集；训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。可以理解的是，在模型训练过程中的损失函数、训练结束条件等常规设置可以根据实际应用场景以及需要进行选择，在此不进行赘述。将达到训练结束条件的分类模型作为训练完成的分类模型。
本实施例能够合理地通过分类模型对第一木材图像进行划分得到木材子图像。
进一步地，在基于本发明的第二实施例所提出的本发明缺陷检测方法第三实施例中，在所述步骤S20之后包括步骤：
步骤S40，获取所述第一木材子图像对应的纹路标识，并判断是否存在纹路标识相同的第一木材子图像；
步骤S50，若存在纹路标识相同的第一木材子图像，则将纹路标识相同的第一木材子图像进行合并操作生成新的第一木材子图像。
纹路标识为第一木材子图像对应的纹路类型的标识，由于第一木材子图像是按照纹路进行划分的，因此第一木材子图像仅对应一个纹路标识。需要说明的是，训练完成的分类模型输出的图像块对应有分类结果，即该图像块对应各纹路类型的几率，将对应几率最高的纹路类型的标识作为该图像块，即第一木材子图像的纹路标识。
各第一木材子图像依据纹路相互独立，若第一木材图像中的不同位置存在相同类型的纹路，则同样会被划分为不同的第一木材子图像，而考虑到在对拥有相同类型纹路的第一木材子图像进行缺陷检测时采用的方法是相同的，因此可以将拥有相同类型纹路的第一木材子图像合并成一个第一木材子图像。
本实施例通过合并拥有相同纹路类型的第一木材子图像，使得能够减少缺陷检测次数，提高检测效率。
进一步地，在基于本发明的第一实施例所提出的本发明缺陷检测方法第四实施例中，所述步骤S20包括步骤：
步骤S24，对所述第一木材图像的纹路进行识别，得到所述第一木材图像中的多个纹路交叉点；
步骤S25，根据所述纹路交叉点生成纹路分割线；
步骤S26，将所述第一木材图像依据所述纹路分割线进行切割以得到多个所述第一木材子图像。
纹路交叉点为第一木材图像中的纹路形成交叉所产生的节点；将各纹路交叉点之间进行连接以生成纹路分割线；本实施例依次将相邻的纹路交叉点进行连接生成纹路分割线，具体地纹路分割线的生成方法可以根据实际应用场景以及需要进行设置，在此不进行赘述。
将第一木材图像依据纹路分割线进行切割，即将纹路分割线之间或纹路分割线与第一木材图像的边缘合围成的封闭的区域作为第一木材子图像。
本实施例能够合理地通过纹路对第一木材图像进行划分。
进一步地，在基于本发明的第一实施例所提出的本发明缺陷检测方法第五实施例中，所述步骤S30包括步骤：
步骤S31，获取训练完成的缺陷检测模型；
步骤S32，将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
步骤S33，将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
本实施例中通过缺陷检测模型对第一木材子图像进行缺陷检测，分类模型输出缺陷检测结果，缺陷检测结果包括但不限于缺陷的类型、程度等。需要说明的是，缺陷检测模型的具体设置可参照已有技术；在获取训练完成的缺陷检测模型之前，还需要对缺陷检测模型进行训练，具体地用于训练缺陷检测模型的训练样本可以对各纹路类型的木材图像样本以及缺陷图像样本进行采集，还可以通过网络等途径进行获取，在获取训练样本后，可以将训练样本划分为训练集、验证集以及测试集。可以理解的是，在模型训练过程中的损失函数、训练结束条件等常规设置可以根据实际应用场景以及需要进行选择，在此不进行赘述。将达到训练结束条件的缺陷检测模型作为训练完成的缺陷检测模型。
本实施例能够合理地通过缺陷检测模型对第一木材子图像进行缺陷检测。
进一步地，参见图2，在基于本发明的第一实施例所提出的本发明缺陷检测方法第六实施例中，所述步骤S30包括步骤：
步骤S34，获取所述第一木材子图像对应的纹路标识，并获取与所述纹路标识对应的训练完成的缺陷检测模型；
步骤S35，将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
步骤S36，将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
为了更准确地对各第一木材子图像进行缺陷检测，为不同类型的纹路设置相对应的缺陷检测模型，即本实施例中包括多个用于识别不同类型纹路的缺陷检测模型；在获取到第一木材子图像之后，通过第一木材子图像的纹路标识匹配对应的缺陷检测模型，进而通过对应的缺陷检测模型对第一木材子图像进行缺陷检测。可以理解的是，不同的缺陷检测模型根据不同的训练样本进行训练，如用于对带状斑纹的第一木材子图像进行缺陷检测的缺陷检测模型的训练样本中则主要或仅包含带状斑纹的样本图像。
在另一实施例中，还可以通过同一个缺陷检测模型对各第一木材子图像进行缺陷检测，在将第一木材子图像输入到缺陷检测模型中时，缺陷检测模型获取与第一木材子图像的纹路标识对应的检测数据，进而根据检测数据对第一木材子图像进行缺陷检测。
本实施例为不同的纹路类型提供不同的缺陷检测模型进行缺陷检测，使得能够提高缺陷检测的准确性。
进一步地，在基于本发明的第一实施例所提出的本发明缺陷检测方法第七实施例中，所述步骤S30包括步骤：
步骤S37，获取各第一木材子图像在所述第一木材图像中所占的图像比例，并根据所述图像比例匹配所述第一木材图像对应的木材种类；
步骤S38，判断是否匹配到所述第一木材图像对应的木材种类；
步骤S39，若匹配到第一木材图像对应的木材种类，则匹配与所述木材种类对应的最佳光照强度，获取在所述最佳光照强度下的第二木材图像，采用所述第二木材图像对所述第一木材图像进行缺陷检测；若未匹配到第一木材图像对应的木材种类，采用所述第一木材子图像对所述第一木材图像进行缺陷检测。
对于不同的木材种类而言，在其上分布的纹路类型也不同，因此可以根据第一木材图像中的纹路分布来判断木材种类；如带状斑纹大范围存在于落叶松上，因此，可以设置当检测到带状斑纹在第一木材图像中所占的比例大于预设比例时，则认为第一木材图像对应的木材种类为落叶松。进一步的，除了通过第一木材子图像在所述第一木材图像中所占的图像比例来判断木材种类之外，还可以通过第一木材子图像中的纹路数量来判断；具体地对于木材种类的判断依据可以根据各木材的特点进行设置，在此不进行赘述。
不同的木材种类在不同的光照强度下得到的图像质量也不相同，因此，基于检测场地、环境为各木材种类设置最佳光照强度，在获取到第一木材图像对应的木材种类之后，将光照强度调整为该木材种类对应的最佳光照强度，并重新获取木材图像，即第二木材图像；光照强度可以通过调节缺陷检测装置上设置的图像采集光源。进而通过成像质量更好的第二木材图像进行缺陷检测操作。
本实施例通过检测木材种类来获取最佳光照强度，使得能够得到成像质量更好的第二木材图像，并通过第二木材图像进行缺陷检测操作，以提高缺陷检测的准确性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
本申请还提供一种用于实施上述缺陷检测方法的电子装置，电子装置包括：
第一获取模块，用于接收缺陷检测信号，获取所述缺陷检测信号对应的待检测的第一木材图像；
第一执行模块，用于将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像；
第二执行模块，用于根据所述第一木材子图像对所述第一木材图像进行缺陷检测。
通过木材的颜色对木材图像进行划分，以针对性地对同类颜色的木材子图像进行缺陷检测操作，使得能够避免木材的颜色对缺陷检测造成影响，提高了缺陷检测的准确性。
需要说明的是，该实施例中的第一获取模块可以用于执行本申请实施例中的步骤S10，该实施例中的第一执行模块可以用于执行本申请实施例中的步骤S20，该实施例中的第二执行模块可以用于执行本申请实施例中的步骤S30。
进一步地，所述第一执行模块包括：
第一获取单元，用于获取训练完成的分类模型；
第一执行单元，用于将所述第一木材图像作为所述训练完成的分类模型的输入，并运行所述训练完成的分类模型；
第二获取单元，用于获取所述训练完成的分类模型输出的至少一个图像块，并将所述图像块作为所述第一木材子图像。
进一步地，所述电子装置还包括：
第二获取模块，用于获取所述第一木材子图像对应的纹路标识，并判断是否存在纹路标识相同的第一木材子图像；
第三执行模块，用于若存在纹路标识相同的第一木材子图像，则将纹路标识相同的第一木材子图像进行合并操作生成新的第一木材子图像。
进一步地，所述第一执行模块包括：
第二执行单元，用于对所述第一木材图像的纹路进行识别，得到所述第一木材图像中的多个纹路交叉点；
第三执行单元，用于根据所述纹路交叉点生成纹路分割线；
第四执行单元，用于将所述第一木材图像依据所述纹路分割线进行切割以得到多个所述第一木材子图像。
进一步地，所述第二执行模块包括：
第三获取单元，用于获取训练完成的缺陷检测模型；
第五执行单元，用于将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
第六执行单元，用于将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
进一步地，所述第二执行单元包括：
第四获取单元，用于获取所述第一木材子图像对应的纹路标识，并获取与所述纹路标识对应的训练完成的缺陷检测模型；
第七执行单元，用于将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
第八执行单元将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
进一步地，所述第二执行模块包括：
第五获取单元，用于获取各第一木材子图像在所述第一木材图像中所占的图像比例，并根据所述图像比例匹配所述第一木材图像对应的木材种类；
第一判断单元，用于判断是否匹配到所述第一木材图像对应的木材种类；
第九执行单元，用于若匹配到第一木材图像对应的木材种类，则匹配与所述木材种类对应的最佳光照强度，获取在所述最佳光照强度下的第二木材图像，采用所述第二木材图像对所述第一木材图像进行缺陷检测；若未匹配到第一木材图像对应的木材种类，采用所述第一木材子图像对所述第一木材图像进行缺陷检测。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
参照图3，在硬件结构上所述缺陷检测装置可以包括通信模块10、存储器20以及处理器30等部件。在所述缺陷检测装置中，所述处理器30分别与所述存储器20以及所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行，所述计算机程序执行时实现上述方法实施例的步骤。
通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可以发送请求、指令及信息至所述外部通讯设备，所述外部通讯设备可以是其它缺陷检测装置、服务器或者物联网设备，例如电视等等。
存储器20，可用于存储软件程序以及各种数据。存储器20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（比如将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像）等；存储数据区可包括数据库，存储数据区可存储根据系统的使用所创建的数据或信息等。此外，存储器20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。
处理器30，是缺陷检测装置的控制中心，利用各种接口和线路连接整个缺陷检测装置的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行缺陷检测装置的各种功能和处理数据，从而对缺陷检测装置进行整体监控。处理器30可包括一个或多个处理单元；可选地，处理器30可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器30中。
尽管图3未示出，但上述缺陷检测装置还可以包括电路控制模块，所述电路控制模块用于与电源连接，保证其他部件的正常工作。本领域技术人员可以理解，图3中示出的缺陷检测装置结构并不构成对缺陷检测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图3的缺陷检测装置中的存储器20，也可以是如ROM（Read-Only Memory，只读存储器）/RAM（Random Access Memory，随机存取存储器）、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视，汽车，手机，计算机，服务器，终端，或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中，术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的，而不能理解为指示或暗示相对重要性，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，本发明保护的范围并不局限于此，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换，这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种木材缺陷检测方法，其特征在于，所述方法包括：
接收缺陷检测信号，获取所述缺陷检测信号对应的待检测的第一木材图像；
将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像；
根据所述第一木材子图像对所述第一木材图像进行缺陷检测；
所述根据所述第一木材子图像对所述第一木材图像进行缺陷检测的步骤包括：
获取所述第一木材子图像对应的纹路标识，并获取与所述纹路标识对应的训练完成的缺陷检测模型；
将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
2.如权利要求1所述的缺陷检测方法，其特征在于，所述将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像的步骤包括：
获取训练完成的分类模型；
将所述第一木材图像作为所述训练完成的分类模型的输入，并运行所述训练完成的分类模型；
获取所述训练完成的分类模型输出的至少一个图像块，并将所述图像块作为所述第一木材子图像。
3.如权利要求2所述的缺陷检测方法，其特征在于，所述将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像的步骤之后包括：
获取所述第一木材子图像对应的纹路标识，并判断是否存在纹路标识相同的第一木材子图像；
若存在纹路标识相同的第一木材子图像，则将纹路标识相同的第一木材子图像进行合并操作生成新的第一木材子图像。
4.如权利要求1所述的缺陷检测方法，其特征在于，所述将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像的步骤包括：
对所述第一木材图像的纹路进行识别，得到所述第一木材图像中的多个纹路交叉点；
根据所述纹路交叉点生成纹路分割线；
将所述第一木材图像依据所述纹路分割线进行切割以得到多个所述第一木材子图像。
5.如权利要求1所述的缺陷检测方法，其特征在于，所述根据所述第一木材子图像对所述第一木材图像进行缺陷检测的步骤包括：
获取训练完成的缺陷检测模型；
将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
6.如权利要求1所述的缺陷检测方法，其特征在于，所述根据所述第一木材子图像对所述第一木材图像进行缺陷检测包括：
获取各第一木材子图像在所述第一木材图像中所占的图像比例，并根据所述图像比例匹配所述第一木材图像对应的木材种类；
判断是否匹配到所述第一木材图像对应的木材种类；
若匹配到第一木材图像对应的木材种类，则匹配与所述木材种类对应的最佳光照强度，获取在所述最佳光照强度下的第二木材图像，采用所述第二木材图像对所述第一木材图像进行缺陷检测；若未匹配到第一木材图像对应的木材种类，采用所述第一木材子图像对所述第一木材图像进行缺陷检测。
7.一种电子装置，其特征在于，所述电子装置包括：
第一获取模块，用于接收缺陷检测信号，获取所述缺陷检测信号对应的待检测的第一木材图像；
第一执行模块，用于将所述第一木材图像依据纹路进行划分，得到至少一个第一木材子图像；
第二执行模块，用于根据所述第一木材子图像对所述第一木材图像进行缺陷检测；
所述第二执行模块 包括：
第四获取单元，用于获取所述第一木材子图像对应的纹路标识，并获取与所述纹路标识对应的训练完成的缺陷检测模型；
第七执行单元，用于将所述第一木材子图像作为所述训练完成的缺陷检测模型的输入，并运行所述训练完成的缺陷检测模型；
第八执行单元将所述训练完成的缺陷检测模型输出的结果作为缺陷检测的结果。
8.一种缺陷检测装置，其特征在于，所述缺陷检测装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的缺陷检测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的缺陷检测方法的步骤。
CN202110955272.7A 2021-08-19 2021-08-19 缺陷检测方法、电子装置、装置及计算机可读存储介质 Active CN113409317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110955272.7A CN113409317B (zh) 2021-08-19 2021-08-19 缺陷检测方法、电子装置、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110955272.7A CN113409317B (zh) 2021-08-19 2021-08-19 缺陷检测方法、电子装置、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113409317A CN113409317A (zh) 2021-09-17
CN113409317B true CN113409317B (zh) 2021-11-30

Family

ID=77688900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110955272.7A Active CN113409317B (zh) 2021-08-19 2021-08-19 缺陷检测方法、电子装置、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113409317B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820619B (zh) * 2022-06-29 2022-11-15 深圳市信润富联数字科技有限公司 块茎类植物分选方法、系统、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256550A (zh) * 2017-12-14 2018-07-06 北京木业邦科技有限公司 一种木材类别更新方法和装置
CN113066079A (zh) * 2021-04-19 2021-07-02 北京滴普科技有限公司 木材缺陷自动检测方法、系统及其存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256550A (zh) * 2017-12-14 2018-07-06 北京木业邦科技有限公司 一种木材类别更新方法和装置
CN113066079A (zh) * 2021-04-19 2021-07-02 北京滴普科技有限公司 木材缺陷自动检测方法、系统及其存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于YCbCr颜色空间的木材纹理检测技术;林启招等;《信阳农林学院学报》;20200915;第30卷(第03期);第100-103页 *

Also Published As

Publication number Publication date
CN113409317A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
US10674651B2 (en) Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium
US10489900B2 (en) Inspection apparatus, inspection method, and program
CN111045924B (zh) 用户界面视觉验收的处理方法、装置及设备
CN108090747B (zh) 车险核保的自助验车方法、装置、设备和计算机存储介质
CN110908888B (zh) 服务器测试方法及装置
CN113470018B (zh) 轮毂缺陷识别方法、电子装置、装置及可读存储介质
CN110221933B (zh) 代码缺陷辅助修复方法及系统
CN115049057B (zh) 一种模型部署方法、装置、电子设备和存储介质
CN113409317B (zh) 缺陷检测方法、电子装置、装置及计算机可读存储介质
CN109359032B (zh) 测试数据收集方法、装置、系统和电子设备
CN114677567B (zh) 模型训练方法、装置、存储介质及电子设备
CN112686317A (zh) 神经网络训练方法、装置、电子设备及存储介质
CN115271546A (zh) 一种基于bim的数字化工程监理方法与系统
CN113191270A (zh) 抛洒事件检测方法、装置、电子设备及存储介质
CN117455887A (zh) 基于机器视觉的pcb来料检测方法、装置、设备及介质
CN116071335A (zh) 墙面验收方法、装置、设备及存储介质
CN113379747B (zh) 木材的缺陷检测方法、电子装置、装置及存储介质
JP6395455B2 (ja) 検査装置、検査方法およびプログラム
CN115797267A (zh) 图像质量评估方法、系统、电子设备和存储介质
CN112802018B (zh) 分段圆形工件的完整性检测方法、装置、设备及存储介质
CN115601341A (zh) Pcba板缺陷检测方法、系统、设备、介质及产品
CN111866481B (zh) 投影装置的脏污检测方法、检测装置及可读存储介质
CN111874768B (zh) 检测电梯部件安装状态的方法、装置、设备和系统
CN108629758A (zh) 一种基于云计算的汽车橡胶件的检查方法
CN112907684B (zh) 一种湿度检测方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant