CN113496490B - 一种基于计算机视觉的木板表面缺陷检测方法及系统 - Google Patents
一种基于计算机视觉的木板表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN113496490B CN113496490B CN202111039900.3A CN202111039900A CN113496490B CN 113496490 B CN113496490 B CN 113496490B CN 202111039900 A CN202111039900 A CN 202111039900A CN 113496490 B CN113496490 B CN 113496490B
- Authority
- CN
- China
- Prior art keywords
- wood
- threshold
- ratio
- obtaining
- segmentation
- 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
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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能和图像处理技术领域,具体涉及一种基于计算机视觉的木板表面缺陷检测方法及系统。该方法通过多个全局阈值获得多个木板图像的阈值分割图像。根据阈值图像中像素连通域的形状和面积筛选出木节连通域,以木节连通域的最大拟合椭圆作为外轮廓。通过缩放外轮廓,获得多个判断椭圆,根据判断椭圆内像素的分布获得分割比,进一步筛选出内轮廓。根据分割比,内轮廓和外轮廓获得木节连通域的圆环率。通过分析不同阈值分割图像中木节连通域的圆环率的差异特征获得死节概率,根据死节概率判断木节类型。本发明有效的识别了木材表面木节,并进行分类,提高检测过程的准确性。
Description
技术领域
本发明涉及人工智能和图像处理技术领域,具体涉及一种基于计算机视觉的木板表面缺陷检测方法及系统。
背景技术
木节为木材存在的天然缺陷,是因为树木生长的生理过程、遗传因子、外界环境等因素的影响导致的。木节的存在严重影响了木材材质,木节对木材的顺纹抗拉强度影响最大,会降低木材的顺纹拉伸、顺纹压缩和弯曲强度一般来说木节区域的颜色在木板上要比正常区域颜色深,因此可以通过图像处理的方法根据图像中不同位置灰度值的差异筛选出木节区域。因为木节分为活节和死节,活节与周围正常区域有完整的纹理连接,未形成断裂,没有髓心结构;死节与周围正常区域发生环形或半环形分离,在木板干燥后易收缩漏空,大大损害木板质量。但是通过分析像素值差异的方法无法准确的将活节死节区分开来,无法准确的分析表明缺陷。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于计算机视觉的木板表面缺陷检测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于计算机视觉的木板表面缺陷检测方法,所述方法包括:
获得检测图像;分割出所述检测图像中的木板区域,获得木板图像;预设多个全局阈值处理所述木板图像,获得多个阈值分割图像;
获得所述阈值分割图像中的像素连通域;根据所述像素连通域的形状和面积筛选出木节连通域;以所述木节连通域的最大拟合椭圆作为外轮廓;
将所述外轮廓根据预设缩放尺度进行缩放,获得多个判断椭圆;以所述判断椭圆内像素点数量与所述外轮廓到所述判断椭圆之间的像素点数量的比值作为分割比;根据不同所述判断椭圆的所述分割比的变化特征筛选出内轮廓;根据所述分割比、所述外轮廓和所述内轮廓获得所述木节连通域的圆环率;
根据不同所述阈值分割图像中所述木节连通域的圆环率绘制圆环率阈值曲线;根据所述圆环率阈值曲线上每个极大值与最大极大值的差异获得死节概率;若所述死节概率大于预设概率阈值,则对应的所述木节连通域为死节;反之,则对应的所述木节连通域为活节。
进一步地,所述分割出所述检测图像中的木板区域包括:
将所述检测图像送入预先训练好的木板区域分割网络中,输出所述木板区域。
进一步地,所述根据所述像素连通域的形状和面积筛选出木节连通域包括:
获得所述像素连通域内像素点间的第一距离,以所述第一距离最大的两个像素点间的连线作为第一连线;
以所述第一连线的中点作为所述像素连通域的中心点;以所述中心点构建于第一连线垂直的参考直线;获取所述参考直线上的像素点与所述中心点的第二距离;在所述参考直线上以所述中心点为中心截取第二连线;所述第二连线长度为最大的所述第二距离的二倍;
若所述像素连通域面积大于预设面积阈值且所述第一连线与所述第二连线的长度比小于预设比例阈值,则对应的所述像素连通域为所述木节连通域。
进一步地,所述以所述木节连通域的最大拟合椭圆作为外轮廓包括:
以所述第一连线作为长轴,所述第二连线作为短轴构建椭圆曲线作为所述最大拟合椭圆。
进一步地,所述将所述外轮廓根据预设缩放尺度进行缩放,获得多个判断椭圆包括:
将所述外轮廓的初始短轴根据所述预设缩放尺度进行缩放,获得缩放短轴;以缩放短轴与初始短轴的比值作为所述外轮廓的初始长轴的缩放比例,获得缩放长轴;根据所述缩放短轴和所述缩放长轴获得所述判断椭圆;直至所述缩放短轴长度达到预设缩放阈值。
进一步地,所述根据不同所述判断椭圆的所述分割比的变化特征筛选出内轮廓包括:
以所述判断椭圆的短轴为横坐标,所述分割比为纵坐标构建椭圆分割比变化曲线;对所述椭圆分割比变化曲线求导,获得分割比变化曲线;以所述分割比变化曲线上大于预设分割比变化特征阈值的点对应的所述判断椭圆作为所述内轮廓。
进一步地,所述根据所述分割比、所述外轮廓和所述内轮廓获得所述木节连通域的圆环率包括:根据圆环率计算公式获得所述圆环率;所述圆环率计算公式为:
进一步地,所述根据不同所述阈值分割图像中所述木节连通域的圆环率绘制圆环率阈值曲线包括:
获得不同所述阈值分割图像中所述木节连通域的交并比,若所处交并比大于预设交并比阈值,则判断所述木节连通域为同一个木节;根据每个所述木节对应的多个所述木节连通域获得每个木节的所述圆环率阈值曲线;所述圆环率阈值曲线横轴为所述全局阈值,纵轴为所述圆环率。
进一步地,所述根据所述圆环率阈值曲线上每个极大值与最大极大值的差异获得死节概率包括:
以所有所述极大值与所述最大极大值的平均差异作为所述死节概率。
本发明还提出了一种基于计算机视觉的木板表面缺陷检测系统,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时实现任意一项所述一种基于计算机视觉的木板表面缺陷检测方法的步骤。
本发明具有如下有益效果:
1.在本发明实施例中,通过不同阈值下木节连通域的圆环率的变化特征获得死节概率,判断木节连通域是否为死节。因为木节区域的像素分布不规律且活节与死节有明显的形状特征,所以通过圆环率阈值曲线可以表示不同阈值下的形状变化特征,有效的将死节进行分类,提高木材表面缺陷检测过程的准确性。
2.在本发明实施例中,通过像素连通域的形状和面积筛选出木节连通域,剔除了木材表面纹理对后续检测的影响,使得木材表面缺陷检测过程更具有层次性,提高检测效率。
附图说明
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于计算机视觉的木板表面缺陷检测方法流程图;
图2为本发明一个实施例所提供的一个多张阈值分割图像对比图;
图3为本发明一个实施例所提供的一个像素连通域形状分析图示意图;
图4为本发明一个实施例所提供的一个无关像素点区域的示意图;
图5为本发明一个实施例所提供的一个不同阈值分割图像下活节区域和死节区域的对比图;
图6为本发明一个实施例所提供的一个判断椭圆分布示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于计算机视觉的木板表面缺陷检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的木板表面缺陷检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于计算机视觉的木板表面缺陷检测方法及系统方法流程图,该方法包括:
步骤S1:获得检测图像;分割出检测图像中的木板区域,获得木板图像;预设多个全局阈值处理木板图像,获得多个阈值分割图像。
采用灰度相机采集待检测的木板的图像信息,获得检测图像。为了使检测图像中信息完整且丰富,设置相机光轴垂直于木板表面,减少图像的畸变,且保证相机视野能够包含整块木板,避免重复检测。在本发明实施例中,将木板放置在流水线上,可通过流水线采集多块木板的图像信息,实现检测自动化。
为了针对木板信息进行检测,需要将检测图像中的木板区域分割出来。将检测图像送入预先训练好的木板区域分割网络中,输出木板区域。木板区域分割网络的训练方法具体包括:
(1)采用包含木板信息的灰度图像作为训练数据。将训练数据中木板区域像素标记为1,其他区域像素标记为0,获得标签数据。
(2)木板区域分割网络采用编码-解码结构。将训练数据和标签数据送入网络中,由木板区域分割编码器提取特征,输出特征图。木板区域分割解码器将特征图进行采样变换,输出木板区域。
(3)采用交叉熵损失函数对网络进行训练。
获得木板区域后,可根据木板区域生成遮罩图像,通过遮罩图像对检测图像进行处理,获得木板图像。
因为木板图像是基于检测图像获得的,因此在木板图像中木节区域与正常区域的像素值同样存在差异,可通过阈值分割的方法将木节区域分割出来。但是人为设定的单一全局阈值不能保证阈值分割的结果中,活节与死节的形状差异明显,且阈值分割结果中木板的深色纹理也可能被分割出来,对检测结果进行影响。
因此设置多个全局阈值处理木板图像,获得多个阈值分割图像。在后续检测过程中通过不同阈值分割图像中对应木节区域的特征进行分析,提高检测结果的准确性。
在本发明实施例中,设置全局阈值区间[0,127],在全局阈值区间内每个全局阈值都进行对木板图像的分割。因为木板图像中木节 颜色较深,即灰度值较低,因此将大于全局阈值的像素点的像素值设置为0,小于全局阈值的像素点的像素值设置为1,获得多张阈值分割图像。请参阅图2,其示出了本发明一个实施例所提供的一个多张阈值分割图像对比图。
步骤S2:获得阈值分割图像中的像素连通域;根据像素连通域的形状和面积筛选出木节连通域;以木节连通域的最大拟合椭圆作为外轮廓。
阈值分割图像为一个二值图,在阈值分割图像中,像素值为1的点有可能是木板的特殊纹理,需要与木节区域区分出来。在图2中可以看出,木节区域的形状基本呈椭圆形,因此可根据像素连通域的形状和面积筛选出木节连通域。具体包括:
(1)请参阅图3,其示出了本发明一个实施例所提供的一个像素连通域形状分析图示意图。通过像素连通域内每个像素在图像中的坐标,获得像素点之间的第一距离。以第一距离最大的两个像素点间的连线作为第一连线A。
(2)以第一连线的中点作为像素连通域的中心点。以中心点构建于第一连线垂直的参考直线B。获取参考直线上的像素点与中心点的第二距离,获得第二距离最大的像素点与中心点的连线C。在参考直线上以中心点为中心截取第二连线D,第二连线D长度为最大的第二距离的二倍,即第二连线D的长度为连线C长度的二倍。
(3)通过像素连通域内像素点的数量表示面积信息,通过第一连线A和第二连线D表示形状信息,以面积信息和形状信息对像素连通域类型进行判断。若像素连通域面积大于预设面积阈值且第一连线A与第二连线D的长度比小于预设比例阈值,则对应的像素连通域为木节连通域。其他像素点区域作为无关像素点区域,不做考虑。请参阅图4,其示出了本发明一个实施例所提供的一个无关像素点区域的示意图,通过形状信息和面积信息,将面积小的噪声点和图像纹理造成不规则形状的像素连通域作为无关像素点区域筛除,保证后续检测的准确性。
如图3所示,以第一连线A作为长轴,第二连线D作为短轴构建椭圆曲线作为最大拟合椭圆,以最大拟合椭圆作为木节连通域的外轮廓Q。
构建最大拟合椭圆可以准确确定木节区域的中心,因为在图像上死节的脱环区域可能并不是一个完整的环,而是如图3所示,内部像素分布不均匀,导致脱环区域的中心与木节区域的中心并不相同,因此通过第一连线A的中心点确定木节区域的中心,避免了后续对木节连通域形状分析时的误差。
步骤S3:将外轮廓根据预设缩放尺度进行缩放,获得多个判断椭圆;以判断椭圆内像素点数量与外轮廓到判断椭圆之间的像素点数量的比值作为分割比;根据不同判断椭圆的分割比的变化特征筛选出内轮廓;根据分割比、外轮廓和内轮廓获得木节连通域的圆环率。
因为活节与周围正常木板区域结合紧密不存在脱环,而死节会存在一圈坏死区域且形成脱环现象。所以活节和死死节在图像中存在较大的形状差异,请参阅图5,其示出了本发明一个实施例所提供的一个不同阈值分割图像下活节区域和死节区域的对比图,图5中上部表示活节与不同阈值下的活节区域的形状,下部表示死节与不同阈值下的死节区域的形状。因为死节形状呈圆环状,因此在获得木节连通域的外轮廓后需要获得木节连通域的内轮廓,具体包括:
请参阅图6,其示出了本发明一个实施例所提供的一个判断椭圆分布示意图。将外轮廓的初始短轴根据预设缩放尺度进行缩放,获得缩放短轴。以缩放短轴与初始短轴的比值作为外轮廓的初始长轴的缩放比例,获得缩放长轴。根据缩放短轴和缩放长轴获得多个判断椭圆E;直至缩放短轴长度达到预设缩放阈值。在本发明实施例中,缩放尺度的长度设置为2个像素,缩放阈值的长度设置为2个像素。
在所有判断椭圆E中存在一条判断椭圆为内轮廓R。需要说明的是,为了使图6中信息更加清晰,将内轮廓R中的判断椭圆省略,不进行显示。获得内轮廓R的具体方法包括:
(1)以判断椭圆内像素点数量与判断椭圆与外轮廓之间的像素点数量的比值作为分割比。如果木节连通域形状不存在圆环,即连通域中为饼状的实心区域,那么随着判断椭圆尺寸的缩小,对应的分割比应该逐渐变小;如果木节连通域形状存在圆环,即连通域中存在空心区域,那么随着判断椭圆的缩小,对应的分割比会突然变小,呈现明显的变化特征。因此可根据不同判断椭圆的分割比的变化特征筛选出内轮廓。
(2)以判断椭圆的短轴为横坐标,分割比为纵坐标构建椭圆分割比变化曲线。对椭圆分割比变化曲线求导,获得分割比变化曲线。以分割比变化曲线上大于预设分割比变化特征阈值的点对应的判断椭圆作为内轮廓R,并获得内轮廓的长轴P和短轴V。在分割比变化曲线上大于分割比变化特征阈值的点表示在该点分割比呈现了明显的变化特征。在本发明实施例中,分割比变化特征阈值设置为5。
如果木节连通域内为实心区域,那么获得的内轮廓则会与外轮廓相近,即内轮廓与外轮廓的尺寸相似;如果木节连通域内味空闲区域,那么获得的内轮廓则会与外轮廓距离较远,即内轮廓与外轮廓的尺寸差异较大。因此可以通过分割比、外轮廓和内轮廓获得木节连通域的圆环率。圆环率表示了该木节区域形状为圆环的相似程度。
优选的,可将分割比、外轮廓的长短轴信息和内轮廓的长短轴信息通过数学建模方法进行拟合,获得圆环率计算公式。根据圆环率计算公式获得圆环率;圆环率计算公式为:
步骤S4:根据不同阈值分割图像中木节连通域的圆环率绘制圆环率阈值曲线;根据圆环率阈值曲线上每个极大值与最大极大值的差异获得死节概率;若死节概率大于预设概率阈值,则对应的木节连通域为死节;反之,则对应的木节连通域为活节。
如图5所示,不同阈值分割图像下木节区域呈现的圆环率也会不同。对于活节区域,在特定阈值下连通域内仍会出现空心区域,存在圆环率。因此对于一个木节连通域需要对所有阈值分割图像进行分析,判断木节类型。
对于一个木节,需要获的所有阈值分割图像中的连通域信息,因此需要判断不同阈值分割图像中的木节连通域是否为同一个木节,具体包括:获得不同阈值分割图像中木节连通域的交并比,若所处交并比大于预设交并比阈值,则判断木节连通域为同一个木节。在本发明实施例中,交并比阈值为0.75。
根据每个木节对应的多个木节连通域获得每个木节的圆环率阈值曲线。圆环率阈值曲线横轴为全局阈值,纵轴为圆环率。
因为木节区域内像素分布的不规律性,因此圆环率阈值曲线呈波动状。活节的圆环率阈值曲线波动较小,比较平稳;死节的圆环率阈值曲线存在较大波动,大部分都呈现圆环率较高的状态,在一些特殊阈值的情况下才会呈现圆环率较低的状态,因此死节的圆环率阈值曲线存在多个差异较大的波峰点,可通过圆环率阈值曲线上每个极大值与最大极大值的平均差异获得死节概率。在本发明实施例中,通过对圆环率阈值曲线求导获得极大值信息,相关计算方法为常用技术手段,在此不多赘述。
若死节概率大于预设概率阈值,则对应的木节连通域为死节;反之,则对应的木节连通域为活节。在本发明实施例中,概率阈值设置为0.8。
通过阈值分割检测出木节区域,进一步对木节区域的类型进行分类,完成了木材表面缺陷检测。可使得工作人员针对木节的类型和数量对木板质量进行评估。
综上所述,本发明实施例通过多个全局阈值获得多个木板图像的阈值分割图像。根据阈值图像中像素连通域的形状和面积筛选出木节连通域,以木节连通域的最大拟合椭圆作为外轮廓。通过缩放外轮廓,获得多个判断椭圆,根据判断椭圆内像素的分布获得分割比,进一步筛选出内轮廓。根据分割比,内轮廓和外轮廓获得木节连通域的圆环率。通过分析不同阈值分割图像中木节连通域的圆环率的差异特征获得死节概率,根据死节概率判断木节类型。本发明实施例有效的识别木材表面木节,并进行分类,提高检测过程的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
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 (10)
1.一种基于计算机视觉的木板表面缺陷检测方法,其特征在于,所述方法包括:
获得检测图像;分割出所述检测图像中的木板区域,获得木板图像;预设多个全局阈值处理所述木板图像,获得多个阈值分割图像;
获得所述阈值分割图像中的像素连通域;根据所述像素连通域的形状和面积筛选出木节连通域;以所述木节连通域的最大拟合椭圆作为外轮廓;
将所述外轮廓根据预设缩放尺度进行缩放,获得多个判断椭圆;以所述判断椭圆内像素点数量与所述外轮廓到所述判断椭圆之间的像素点数量的比值作为分割比;根据不同所述判断椭圆的所述分割比的变化特征筛选出内轮廓;根据所述分割比、所述外轮廓和所述内轮廓获得所述木节连通域的圆环率;
根据不同所述阈值分割图像中所述木节连通域的圆环率绘制圆环率阈值曲线;根据所述圆环率阈值曲线上每个极大值与最大极大值的差异获得死节概率;若所述死节概率大于预设概率阈值,则对应的所述木节连通域为死节;反之,则对应的所述木节连通域为活节。
2.根据权利要求1所述的一种基于计算机视觉的木板表面缺陷检测方法,其特征在于,所述分割出所述检测图像中的木板区域包括:
将所述检测图像送入预先训练好的木板区域分割网络中,输出所述木板区域。
3.根据权利要求1所述的一种基于计算机视觉的木板表面缺陷检测方法,其特征在于,所述根据所述像素连通域的形状和面积筛选出木节连通域包括:
获得所述像素连通域内像素点间的第一距离,以所述第一距离最大的两个像素点间的连线作为第一连线;
以所述第一连线的中点作为所述像素连通域的中心点;以所述中心点构建于第一连线垂直的参考直线;获取所述参考直线上的像素点与所述中心点的第二距离;在所述参考直线上以所述中心点为中心截取第二连线;所述第二连线长度为最大的所述第二距离的二倍;
若所述像素连通域面积大于预设面积阈值且所述第一连线与所述第二连线的长度比小于预设比例阈值,则对应的所述像素连通域为所述木节连通域。
4.根据权利要求3所述的一种基于计算机视觉的木板表面缺陷检测方法,其特征在于,所述以所述木节连通域的最大拟合椭圆作为外轮廓包括:
以所述第一连线作为长轴,所述第二连线作为短轴构建椭圆曲线作为所述最大拟合椭圆。
5.根据权利要求1所述的一种基于计算机视觉的木板表面缺陷检测方法,其特征在于,所述将所述外轮廓根据预设缩放尺度进行缩放,获得多个判断椭圆包括:
将所述外轮廓的初始短轴根据所述预设缩放尺度进行缩放,获得缩放短轴;以缩放短轴与初始短轴的比值作为所述外轮廓的初始长轴的缩放比例,获得缩放长轴;根据所述缩放短轴和所述缩放长轴获得所述判断椭圆;直至所述缩放短轴长度达到预设缩放阈值。
6.根据权利要求1所述的一种基于计算机视觉的木板表面缺陷检测方法,其特征在于,所述根据不同所述判断椭圆的所述分割比的变化特征筛选出内轮廓包括:
以所述判断椭圆的短轴为横坐标,所述分割比为纵坐标构建椭圆分割比变化曲线;对所述椭圆分割比变化曲线求导,获得分割比变化曲线;以所述分割比变化曲线上大于预设分割比变化特征阈值的点对应的所述判断椭圆作为所述内轮廓。
8.根据权利要求1所述的一种基于计算机视觉的木板表面缺陷检测方法,其特征在于,所述根据不同所述阈值分割图像中所述木节连通域的圆环率绘制圆环率阈值曲线包括:
获得不同所述阈值分割图像中所述木节连通域的交并比,若所处交并比大于预设交并比阈值,则判断所述木节连通域为同一个木节;根据每个所述木节对应的多个所述木节连通域获得每个木节的所述圆环率阈值曲线;所述圆环率阈值曲线横轴为所述全局阈值,纵轴为所述圆环率。
9.根据权利要求1所述的一种基于计算机视觉的木板表面缺陷检测方法,其特征在于,所述根据所述圆环率阈值曲线上每个极大值与最大极大值的差异获得死节概率包括:
以所有所述极大值与所述最大极大值的平均差异作为所述死节概率。
10.一种基于计算机视觉的木板表面缺陷检测系统,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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111039900.3A CN113496490B (zh) | 2021-09-06 | 2021-09-06 | 一种基于计算机视觉的木板表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111039900.3A CN113496490B (zh) | 2021-09-06 | 2021-09-06 | 一种基于计算机视觉的木板表面缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496490A CN113496490A (zh) | 2021-10-12 |
CN113496490B true CN113496490B (zh) | 2021-11-09 |
Family
ID=77997002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111039900.3A Active CN113496490B (zh) | 2021-09-06 | 2021-09-06 | 一种基于计算机视觉的木板表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496490B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689429B (zh) * | 2021-10-26 | 2021-12-24 | 南通恒祥木业有限公司 | 一种基于计算机视觉的木板缺陷检测方法 |
CN114049489B (zh) * | 2022-01-13 | 2022-04-12 | 山东鹰联光电科技股份有限公司 | 一种光纤电缆护套破裂预警方法 |
CN115049665A (zh) * | 2022-08-16 | 2022-09-13 | 南通森田消防装备有限公司 | 基于图像处理的消防水带表面质量检测方法及系统 |
CN115222740A (zh) * | 2022-09-20 | 2022-10-21 | 博格达智能装备(南通)有限公司 | 一种模压木板智能挑检控制方法及装置 |
CN116626029B (zh) * | 2023-07-20 | 2023-09-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023137A (zh) * | 2016-05-03 | 2016-10-12 | 华中科技大学 | 一种基于轮廓优化的木材计数方法 |
CN109064553A (zh) * | 2018-10-26 | 2018-12-21 | 东北林业大学 | 基于近红外光谱分析的实木板材节子形态反演方法 |
CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、系统及存储介质 |
-
2021
- 2021-09-06 CN CN202111039900.3A patent/CN113496490B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023137A (zh) * | 2016-05-03 | 2016-10-12 | 华中科技大学 | 一种基于轮廓优化的木材计数方法 |
CN109064553A (zh) * | 2018-10-26 | 2018-12-21 | 东北林业大学 | 基于近红外光谱分析的实木板材节子形态反演方法 |
CN111325713A (zh) * | 2020-01-21 | 2020-06-23 | 浙江省北大信息技术高等研究院 | 基于神经网络的木材缺陷检测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113496490A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496490B (zh) | 一种基于计算机视觉的木板表面缺陷检测方法及系统 | |
CN104517110B (zh) | 一种二维码图像的二值化方法及系统 | |
CN114170228B (zh) | 一种计算机图像边缘检测方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
CN106658169A (zh) | 一种基于深度学习多层次分割新闻视频的通用方法 | |
CN108765386A (zh) | 一种隧道裂缝检测方法、装置、电子设备及存储介质 | |
CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
CN114494256A (zh) | 基于图像处理的电线生产缺陷检测方法 | |
CN115457004A (zh) | 基于计算机视觉的锌膏的智能检测方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN114187289B (zh) | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN113034476A (zh) | 皮革瑕疵检测方法、系统、储存介质及计算机设备 | |
CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN115082719A (zh) | 一种木材质量分级方法 | |
CN114332086B (zh) | 基于风格迁移和人工智能的纺织品缺陷检测方法及系统 | |
CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN114550167B (zh) | 一种基于人工智能的梨的品质分类方法及装置 | |
CN114663658B (zh) | 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法 | |
CN115482207A (zh) | 一种螺栓松动检测方法及系统 |
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 |