CN113610185B - 基于主色调识别的木材色选方法 - Google Patents
基于主色调识别的木材色选方法 Download PDFInfo
- Publication number
- CN113610185B CN113610185B CN202110956781.1A CN202110956781A CN113610185B CN 113610185 B CN113610185 B CN 113610185B CN 202110956781 A CN202110956781 A CN 202110956781A CN 113610185 B CN113610185 B CN 113610185B
- Authority
- CN
- China
- Prior art keywords
- equal
- wood
- less
- image data
- color
- 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
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
Abstract
本发明属于计算机图像识别领域,提供了基于主色调识别的木材色选方法,包括:获取若干木材包括背景色的木材图像数据;对图像数据进行预处理,裁剪去除背景色;根据木材的图像数据进行木材长宽测量;将木材的RGB图像数据转换成木材的HSV图像数据,计算每块木材的HSV图像数据的单分量H、S、V,并进行统计分析和记录,得到的每块木材图像的色调、饱和度和明度数值;对单分量H、S、V的平均值进行量化,得出木材图像分量出现频率都高的图像分量的区间范围;对图像分量的区间范围进行分类,得到最终的色选结果,并且将同一色域区间范围内色选后的木材图像数据进行展示。本发明使得木材的主要特征颜色识别速度快,色选效果好。
Description
技术领域
本发明属于计算机图像识别领域,具体涉及一种基于主色调识别的木材色选方法。
背景技术
目前国内家具、木质装饰的企业,多数采用人工识别的方式对木材进行颜色的色选,存在色选精度不高、材色控制不统一、色选人员多、分选效率低下、生产成本高等显著问题。
在无序无人工干预下的木材通常不能使得同一块拼接的木材颜色保持协调统一,材色均匀性较差,同一块木材可能色差变化跨度非常大。这种木材往往会影响到木材加工后的美观和产品的销售,降低经济效益。木材表面颜色分选算法的研究能够有效提高木材的利用率及其经济价值,提高企业产品的竞争力。
在工业机器人视觉分拣作业中,有颜色差别不大的木材,对于不同的木材产品不同颜色的木材要进行分类,对于不同颜色的木材要先进行物料颜色的识别。目前,普遍的工业机器人都采用工业摄像头采集图像并识别颜色,但机器人在不同环境下工作,颜色识别容易受到外部环境的影响,导致识别结果存在较大误差并且反应时间较长。
发明内容
本发明提供基于主色调识别的木材色选方法,使得木材的主要特征颜色识别速度快,色选效果好。
本发明的技术方案是:一种基于主色调识别的木材色选方法,具体步骤如下:
S1、获取若干木材包括背景色的木材图像数据;
S2、对木材图像数据进行预处理,得到摆正角度和形心坐标,根据摆正角度和形心坐标对图像进行摆正,摆正后裁剪去除背景色,获得只保留木材的图像数据;
S3、根据S2获得的木材的图像数据进行木材长宽测量;
S4、将木材的RGB图像数据转换成木材的HSV图像数据,计算每块木材的HSV图像数据的单分量H、S、V,并进行统计分析和记录,得到的每块木材图像的色调、饱和度和明度数值;
S5、对单分量H、S、V的平均值进行量化,并将每块木材图像数据的单分量H、S、V进行直方图观察分析,得出木材图像分量出现频率都高的图像分量的区间范围;
S6、将每块木材图像数据的单分量H、S、V根据S5中给出的图像分量的区间范围进行分类,得到最终的色选结果,并且将同一色域区间范围内色选后的木材图像数据进行展示。
上述步骤S1获取多块木材包括背景色的完整图像数据的具体过程如下:
S11、在固定的光源条件下,使用工业摄像机对每块经过工业摄像机的木材进行抓拍,保留具有完整木材的图像数据;
循环扫描工业摄像机作业区图像前中后n*n窗口中各点的像素值;从左到右,依次检测前中后窗口中每个像素,若检测到前窗口像素点的像素值总和小于设定阈值时,则依次检测中部窗口,若检测到中部窗口像素点的像素值总和小于设定阈值时,则依次检测最后的窗口,依次检测至扫描结束;
并根据判断选择图像窗口中的中部窗口像素点的像素值总和大于设定的阈值,前窗口和后窗口的像素值总和小于设定阈值时,此刻状态下的图像数据进行抓拍,得到一张带有背景色的木材图像数据;
所述检测区域范围是工业摄像机作业区从左至右相对的前中后区域,需要获得工业摄像机原图像的图像的长宽,将工业摄像机作业区中删除像素值总和小于设定阈值像素的所有对象,防止杂质小垃圾的影响,保留木材图像,加快了运算速度,同时排除部分干扰因素,提高物料识别效率,为后期的颜色识别计算提供有效图像数据;
S12、将图像数据进行灰度处理,降低维度。
上述步骤S2的具体过程如下:
S21、对图像数据的灰度进行计算,根据灰度将带有背景色的木材图像数据中的木材进行框选;
S22、根据框选出的木材,给出倾斜状态下的摆正角度以及形心坐标;
S23、根据摆正角度以及形心坐标,对图像进行摆正,摆正后根据框选出的木材裁剪去除背景色,给出只含有木材的图像数据。
上述步骤S3的具体方法如下:
S31、根据框选出的木材,给出木材的长、宽像素点的个数;
S32、给出工业相机在同一高度下拍出的固定物的尺寸大小比例;
S33、利用固定物的尺寸大小比例,计算出木材的长和宽。
上述步骤S5中将单分量的平均值全部扩大一百倍,将HSV颜色空间H、S单分量非等间隔量化分级成15级,V为0≤V≤99;划分等级如下:
木材色选区间1为1≤H≤2;0≤S≤20;
木材色选区间2为2≤H≤3;0≤S≤20;
木材色选区间3为1≤H≤3;21≤S≤40;
木材色选区间4为4≤H≤5;0≤S≤20;
木材色选区间5为5≤H≤6;0≤S≤20;
木材色选区间6为4≤H≤6;21≤S≤40;
木材色选区间7为7≤H≤8;0≤S≤20;
木材色选区间8为8≤H≤9;0≤S≤20;
木材色选区间9为7≤H≤8;21≤S≤40;
木材色选区间10为8≤H≤9;21≤S≤40;
木材色选区间11为7≤H≤9;41≤S≤60;
木材色选区间12为7≤H≤9;61≤S≤99;
木材色选区间13为10≤H≤12;0≤S≤20;
木材色选区间14为10≤H≤12;21≤S≤40;
木材色选区间15为49≤H≤99;0≤S≤99。
上述步骤S6中根据图像分量的区间范围自动匹配在规定的颜色区间范围内的色选编号,从而对木材颜色的色选编号进行分类,根据分类结果,展示出同一区域的木材图像数据。
与现有技术相比,本发明的有益效果:
本发明提供的一种基于主色调识别的木材色选方法,将工业相机作业区背景和木材图像进行分割,切割消除背景区域,保留主要物料区域,并将主要物料区域的RGB颜色空间模型转化为HSV颜色空间模型,根据HSV颜色空间模型中颜色空间模型分量的数目和每种分量出现的频度次数值识别主要物料区域的颜色,从而识别物料主色调;在物料主色调识别中,经过多次步骤的图片格式转换,图片数据降维后计算量小,对物料图片过滤和图片矫正,物料图像噪声小,物料主要特征颜色识别速度快,色选效果好,运行速度快。
附图说明
图1为本发明基于主色调识别的木材色选方法的流程图;
图2为HSV颜色模型单分量通道图片;
图3为主色调木材拼接展示板;
图4为主色调木材拼接展示板;
图5为主色调木材拼接展示板。
具体实施方式
下面结合附图1-5,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
以下是对本发明给出具体实例做出进一步的说明,在实例中的木材是实际工厂中的橡胶木。
本发明实地采集2454张规格为640*480的木材图片进行统计分析,将RGB颜色模型转化为HSV颜色模型,并对HSV颜色模型的每个H、S、V单分量通道进行提取记录,之后求HSV颜色模型单分量的平均值进行直方图观察分析,得出木材图像分量出现频率都高的图像分量的区间范围,以便后续细分色选区间。本发明的技术方案是一种基于主色调识别的木材色选方法,该方法可用于工业机器人视觉分拣的木材颜色识别,该方法也为机器学习算法提供木材大小、几何位置角度、形心坐标、颜色特征以及对木材图像进行裁剪的思路,具体包括以下步骤:
S1.在工业相机拍摄的状态下,对每一块经过的木材进行抓拍,并且每一块经过的木材只保留一张具有完整木材的图像数据,此时得到包含背景色的木材图像数据;
S2.对S1中得到的包含背景色的图像数据进行预处理,在此过程中得到的木材摆放是倾斜的,因此需要先将图像进行摆正,并且得到需要摆正的具体角度和木材此时的形心角度,摆正后去掉包含背景色的区域,只保留木材图像数据;
S3.对S2中得到的木材图像数据进行尺寸长宽的测量;
S4.将S2中得到的RGB图像数据转换成HSV图像数据,得到的HSV图像数据中的H、S、V每个单分量进行统计分析并且记录;
S5.对S4中HSV颜色模型单分量的平均值进行量化并进行直方图观察分析,得出木块图像分量出现频率都高的图像分量的区间范围;
S6.将收集的木材图像数据和S5中给出的区间范围进行分类,得到最终的色选结果,并且将同一区域色选后的木材图像数据进行组合展示出色选整体结果。
S1中对每一块经过的木材进行抓拍,并只保留一张具有完整木材的图像数据,具体步骤如下:
(1).将图像数据进行灰度、降低维度、加快计算速度处理;
(2).在实时状态中,给出三个检测区域,当三个检测区域满足条件时进行抓拍,只抓拍一次,并且保存抓拍的木材图像数据进行后续处理。具体过程是:循环扫描工业摄像机作业区图像前中后n*n窗口中各点的像素值;从左到右,依次检测前中后窗口中每个像素,若检测到前窗口像素点的像素值总和为0,则依次检测中部窗口,若检测到中部窗口像素点的像素值总和为0,则依次检测最后的窗口,依次检测至扫描结束;并根据判断选择图像窗口中的中部窗口像素点的像素值总和1000,前后n*n窗口的像素值总和等于0此刻状态下的图像数据进行抓拍,得到一张带有背景色的木材图像数据。以上方法,所述检测区域范围是工业摄像机作业区从左至右相对的前中后区域,需要获得工业摄像机原图像的图像的长宽。将工业摄像机作业区中删除像素值总和少于1000像素的所有对象,防止杂质小垃圾的影响,保留主要特征物料图像,加快了运算速度,同时排除部分干扰因素,提高物料识别效率,为后期的颜色识别计算提供有效图像数据。
S2中对图像数据进行预处理、得到摆正角度、形心坐标具体步骤如下:
(1).利用步骤一中的灰度进行计算,将带有背景色的木材图像数据中的目标物进行框选;
(2).根据框选出的木材给出倾斜状态下的摆正角度以及形心坐标;
(3).将框选出的目标物进行裁剪、去除背景色,最后给出只含有木材的图像数据。
对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,平均灰度为μ0;背景像素点数占整幅图像的比例为ω1,平均灰度为μ1;整幅图像的平均灰度记为μ,类间方差记为g。
S3中对木材图像数据进行尺寸测量具体步骤如下:
(1).根据步骤二中得到的框选,给出框选物的长宽像素点的个数;
(2).给出相同高度下工业相机拍出的固定物的尺寸大小比例;
(3).利用给出的固定比例,计算出木材的长宽大小。
S4中将得到的RGB下的图像数据进行HSV状态的转换,得到HSV状态下的木材图像数据,计算出每个图像数据的H、S、V并进行统计,将统计得到的数据进行记录,记录得到的木块图像的色调、饱和度、明度,色调、饱和度、明度的数值取整四舍五入处理。
S5中对单分量的平均值进行量化,得出木块图像分量出现频率都高的图像分量的区间范围,将单分量的平均值全部扩大一百倍,统计图象中所出现的HSV颜色空间模型分量的数目和每种分量出现的频度次数,计算出3个图像分量出现频率都高的图像分量的区间范围,根据图像分量的区间范围自动匹配在规定的颜色区间范围内色选编号,从而实现对剁料颜色色号分类的功能。将HSV空间H、S单分量非等间隔量化分级成15级,V为0≤V≤99;划分等级如下:
木块色选区间1为1≤H≤2;0≤S≤20;
木块色选区间2为2≤H≤3;0≤S≤20;
木块色选区间3为1≤H≤3;21≤S≤40;
木块色选区间4为4≤H≤5;0≤S≤20;
木块色选区间5为5≤H≤6;0≤S≤20;
木块色选区间6为4≤H≤6;21≤S≤40;
木块色选区间7为7≤H≤8;0≤S≤20;
木块色选区间8为8≤H≤9;0≤S≤20;
木块色选区间9为7≤H≤8;21≤S≤40;
木块色选区间10为8≤H≤9;21≤S≤40;
木块色选区间11为7≤H≤9;41≤S≤60;
木块色选区间12为7≤H≤9;61≤S≤99;
木块色选区间13为10≤H≤12;0≤S≤20;
木块色选区间14为10≤H≤12;21≤S≤40;
木块色选区间15为49≤H≤99;0≤S≤99。
S6中根据分类结果,展示出同一区域的木材图像数据。
与现有技术相比,本发明既可以用于工业机器人视觉颜色识别分拣系统,所裁剪的木材图像数据信息也可以供机器学习算法进行训练,还可以将工业摄像机作业区木材角度、大小、位置数据提供给机械臂进行抓取作业。通过工业摄像机机采集物料的图像,并经过图像预处理,进行彩色变换处理和二值化处理,过滤图像杂质,减少噪声的影响;同时将工业相机作业区背景和木材图像进行分割,切割消除背景区域,保留主要物料区域,并将主要物料区域的RGB颜色空间模型转化为HSV颜色空间模型,根据HSV颜色空间模型中颜色空间模型分量的数目和每种分量出现的频度次数值识别主要物料区域的颜色,从而识别物料主色调;在物料主色调识别中,经过多次步骤的图片格式转换,图片数据降维后计算量小,对物料图片过滤和图片矫正,物料图像噪声小,物料主要特征颜色识别速度快,色选效果好,运行速度快。
在本实施例中,测试图片的环境为自然光,测试图片规格为640*480,数量为2454张,展示结果三轮平均测试用时94.5171秒,每张的平均处理速度为0.0385秒,满足在实际生产过程中流水线工作时间。本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方法步骤做出的技术变形,均落入本发明的保护范围之内,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
本发明公开了一种基于主色调识别的木材色选方法。主要包括几个部分,从工业相机拍摄的状态下,自动抓取每一块经过的木材,并且只保留一张具有完整木材信息的图像数据;对抓取的木材图像数据进行预处理,去除背景,保留有效区域;给出木材摆放的角度和木材的形心坐标;给出木材的长宽尺寸大小;采集大量的图像数据,对木材表面主色调进行统计,并将RGB转换成HSV模型;根据实际情况建立可以调整色选数量的HSV模型用于分类色选;将测试数据输入到建立的模型中,给出色选结果并展示。
本发明提供一种基于主色调识别的木材色选方法,同时提供了提取木材的大小、几何位置角度、形心坐标、颜色特征以及对所述木材图像进行裁剪的方法。该方法得到的木材图像可供机器学习算法进行训练,还可以将传送带木材角度位置数据提供给机械臂进行抓取作业还可用于工业机器人视觉分拣作业,并且算法反应时间较短满足流水线作业的要求。
本发明主要克服木材图像在RGB色彩空间下提取的颜色特征维度大、参数量多的问题,所以本发明将所要提取的木材颜色特征转换为HSV彩色空间,减少非木材颜色的干扰,同时HSV彩色系统与RGB系统相比,更加接近于人们的经验和描述彩色感觉时所用的方式,这样减少颜色特征向量且不影响木材垛料颜色特征的表达为色彩信息处理提供便利。
本发明是在工业机器人视觉分拣作业时由于实时采集成像的原因,木材图像可能会存在几何失真、传送带背景颜色的干扰、存在杂质小垃圾、色彩失真等问题。因此,本发明在木材图像预处理时进行相应的校正处理和裁剪切割处理将木材表面区域有效保留。该方法只需在稳定的拍摄条件下,即可实现木材垛料颜色以及几何特征特征提取,若需更改拍摄环境,只需重新采集图片数据样本,即可根据当前拍摄环境重新提取生成合适的参数,无需繁琐的调参过程。
本发明提供的一种基于主色调识别的木材色选方法,本发明可以用于工业机器人视觉颜色识别分拣系统,也可以将所裁剪的木材图像数据信息供机器学习算法进行训练,还可以将工业摄像机作业区木材角度、大小、位置数据提供给机械臂进行抓取作业。通过工业摄像机机采集物料的图像,并经过图像预处理,进行彩色变换处理和二值化处理,过滤图像杂质,减少噪声的影响;同时将工业相机作业区背景和木材图像进行分割,切割消除背景区域,保留主要物料区域,并将主要物料区域的RGB颜色空间模型转化为HSV颜色空间模型,根据HSV颜色空间模型中颜色空间模型分量的数目和每种分量出现的频度次数值识别主要物料区域的颜色,从而识别物料主色调;在物料主色调识别中,经过多次步骤的图片格式转换,图片数据降维后计算量小,对物料图片过滤和图片矫正,物料图像噪声小,物料主要特征颜色识别速度快,色选效果好,运行速度快。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (3)
1.一种基于主色调识别的木材色选方法,其特征在于,具体步骤如下:
S1、获取若干木材包括背景色的木材图像数据;
S2、对木材图像数据进行预处理,得到摆正角度和形心坐标,根据摆正角度和形心坐标对图像进行摆正,摆正后裁剪去除背景色,获得只保留木材的图像数据;
S3、根据S2获得的木材的图像数据进行木材长宽测量;
S4、将木材的RGB图像数据转换成木材的HSV图像数据,计算每块木材的HSV图像数据的单分量H、S、V,并进行统计分析和记录,得到的每块木材图像的色调、饱和度和明度数值;
S5、对单分量H、S、V的平均值进行量化,并将每块木材图像数据的单分量H、S、V进行直方图观察分析,得出木材图像分量出现频率都高的图像分量的区间范围;
S6、将每块木材图像数据的单分量H、S、V根据S5中给出的图像分量的区间范围进行分类,得到最终的色选结果,并且将同一色域区间范围内色选后的木材图像数据进行展示;
所述步骤S1获取多块木材包括背景色的完整图像数据的具体过程如下:
S11、在固定的光源条件下,使用工业摄像机对每块经过工业摄像机的木材进行抓拍,保留具有完整木材的图像数据;
循环扫描工业摄像机作业区图像前中后n*n窗口中各点的像素值;从左到右,依次检测前中后窗口中每个像素,若检测到前窗口像素点的像素值总和小于设定阈值时,则依次检测中部窗口,若检测到中部窗口像素点的像素值总和小于设定阈值时,则依次检测最后的窗口,依次检测至扫描结束;
并根据判断选择图像窗口中的中部窗口像素点的像素值总和大于设定的阈值,前窗口和后窗口的像素值总和小于设定阈值时,此刻状态下的图像数据进行抓拍,得到一张带有背景色的木材图像数据;
检测区域范围是工业摄像机作业区从左至右相对的前中后区域,需要获得工业摄像机原图像的图像的长宽,将工业摄像机作业区中删除像素值总和小于设定阈值像素的所有对象,防止杂质小垃圾的影响,保留木材图像,加快了运算速度,同时排除部分干扰因素,提高物料识别效率,为后期的颜色识别计算提供有效图像数据;
S12、将图像数据进行灰度处理,降低维度;
所述步骤S2的具体过程如下:
S21、对图像数据的灰度进行计算,根据灰度将带有背景色的木材图像数据中的木材进行框选;
S22、根据框选出的木材,给出倾斜状态下的摆正角度以及形心坐标;
S23、根据摆正角度以及形心坐标,对图像进行摆正,摆正后根据框选出的木材裁剪去除背景色,给出只含有木材的图像数据
所述步骤S3的具体方法如下:
S31、根据框选出的木材,给出木材的长、宽像素点的个数;
S32、给出工业相机在同一高度下拍出的固定物的尺寸大小比例;
S33、利用固定物的尺寸大小比例,计算出木材的长和宽。
2.如权利要求1所述的基于主色调识别的木材色选方法,其特征在于,所述步骤S5中将单分量的平均值全部扩大一百倍,将HSV颜色空间H、S单分量非等间隔量化分级成15级,V为0≤V≤99;划分等级如下:
木材色选区间1为1≤H≤2;0≤S≤20;
木材色选区间2为2≤H≤3;0≤S≤20;
木材色选区间3为1≤H≤3;21≤S≤40;
木材色选区间4为4≤H≤5;0≤S≤20;
木材色选区间5为5≤H≤6;0≤S≤20;
木材色选区间6为4≤H≤6;21≤S≤40;
木材色选区间7为7≤H≤8;0≤S≤20;
木材色选区间8为8≤H≤9;0≤S≤20;
木材色选区间9为7≤H≤8;21≤S≤40;
木材色选区间10为8≤H≤9;21≤S≤40;
木材色选区间11为7≤H≤9;41≤S≤60;
木材色选区间12为7≤H≤9;61≤S≤99;
木材色选区间13为10≤H≤12;0≤S≤20;
木材色选区间14为10≤H≤12;21≤S≤40;
木材色选区间15为49≤H≤99;0≤S≤99。
3.如权利要求2所述的基于主色调识别的木材色选方法,其特征在于,根据图像分量的区间范围自动匹配在规定的颜色区间范围内的色选编号,从而对木材颜色的色选编号进行分类,根据分类结果,展示出同一区域的木材图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110956781.1A CN113610185B (zh) | 2021-08-19 | 2021-08-19 | 基于主色调识别的木材色选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110956781.1A CN113610185B (zh) | 2021-08-19 | 2021-08-19 | 基于主色调识别的木材色选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610185A CN113610185A (zh) | 2021-11-05 |
CN113610185B true CN113610185B (zh) | 2022-03-22 |
Family
ID=78341338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110956781.1A Active CN113610185B (zh) | 2021-08-19 | 2021-08-19 | 基于主色调识别的木材色选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610185B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115382782B (zh) * | 2022-08-31 | 2023-11-10 | 哈尔滨工程大学 | 一种基于改进中心定位法和hsv颜色模型的大米色选方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301405A (zh) * | 2017-07-04 | 2017-10-27 | 上海应用技术大学 | 自然场景下的交通标志检测方法 |
CN110516725A (zh) * | 2019-08-16 | 2019-11-29 | 三峡大学 | 基于机器视觉的木板条纹间距和颜色的检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI990539A0 (fi) * | 1999-03-11 | 1999-03-11 | Valtion Teknillinen | Kuori- ja puupitoisuuden mittaukseen tarkoitettu menetelmä |
CN106898026B (zh) * | 2017-03-15 | 2019-02-05 | 腾讯科技(深圳)有限公司 | 一种图片的主色调提取方法和装置 |
CN107087123B (zh) * | 2017-04-26 | 2020-04-21 | 杭州奥点科技股份有限公司 | 一种基于云端处理的实时高清抠像方法 |
CN108890692A (zh) * | 2018-07-05 | 2018-11-27 | 陕西大中科技发展有限公司 | 一种用于工业机器人视觉分拣的物料颜色识别方法 |
CN109166159B (zh) * | 2018-10-12 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 获取图像的主色调的方法、装置及终端 |
CN111768455A (zh) * | 2020-07-03 | 2020-10-13 | 福州大学 | 一种基于图像的木材区域和主色提取方法 |
CN111768456A (zh) * | 2020-07-03 | 2020-10-13 | 福州大学 | 一种基于木材颜色空间的特征提取方法 |
-
2021
- 2021-08-19 CN CN202110956781.1A patent/CN113610185B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301405A (zh) * | 2017-07-04 | 2017-10-27 | 上海应用技术大学 | 自然场景下的交通标志检测方法 |
CN110516725A (zh) * | 2019-08-16 | 2019-11-29 | 三峡大学 | 基于机器视觉的木板条纹间距和颜色的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113610185A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951237B (zh) | 外观视觉检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN108416814B (zh) | 一种菠萝头部的快速定位与识别方法及系统 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN103914708A (zh) | 基于机器视觉的食品品种检测方法及系统 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN113610185B (zh) | 基于主色调识别的木材色选方法 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN112581452A (zh) | 工业配件表面缺陷检测方法、系统、智能设备和存储介质 | |
CN114359235A (zh) | 一种基于改进YOLOv5l网络的木材表面缺陷检测方法 | |
CN115512134A (zh) | 快件堆积异常预警方法、装置、设备及存储介质 | |
CN115880699A (zh) | 一种食品包装袋检测方法及系统 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN110569716A (zh) | 一种货架图像翻拍检测方法 | |
CN113145473A (zh) | 一种水果智能分拣系统及方法 | |
CN113313681A (zh) | 一种注塑制品质量检测系统 | |
CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和系统 | |
CN110334713B (zh) | 一种内衬纸产品类型的智能识别方法 | |
CN112712058A (zh) | 一种字符识别提取方法 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN106530292A (zh) | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 | |
CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 |
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 |