CN113850808A - 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 - Google Patents
基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN113850808A CN113850808A CN202111452253.9A CN202111452253A CN113850808A CN 113850808 A CN113850808 A CN 113850808A CN 202111452253 A CN202111452253 A CN 202111452253A CN 113850808 A CN113850808 A CN 113850808A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- sequence
- row
- value
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的多层瓦楞纸排列缺陷检测方法及装置,涉及缺陷检测领域。包括:获取瓦楞纸的侧面图像,对侧面图像进行分割及灰度化得到灰度图像;将灰度图像中各像素点与其预设范围内的像素点灰度值差值的方差,分别作为各像素点的第一特征值;分别将各行中像素点的各第一特征值进行排列分别得到灰度图像中各行的第一特征值序列;分别获得各行的第一特征值序列的最小周期长度以分别确定各行的嵌入维度,并利用各行对应的嵌入维度分别计算各行的第一特征值序列的排列熵;将排列熵大于预设阈值的第一特征值序列作为缺陷序列,利用缺陷序列获得灰度图像中的缺陷点,并根据缺陷点获得灰度图像中缺陷区域。
Description
技术领域
本申请涉及缺陷检测领域,具体涉及一种基于图像处理的多层瓦楞纸排列缺陷检测方法及装置。
背景技术
随着现代生活发展速度越来越快,人们对物质的需求越来越高,对纸箱和包装盒的需求越来越大,目前市面上纸箱主要由瓦楞纸箱,瓦楞纸具有缓冲性能好、牢固、轻便的优点,牢固的原因除了跟原料的压缩硬度有关,与多层瓦楞纸之间的层叠排列关系也有关。
现有技术中,主要是通过传感器获取对准标记切割位置和对准标记检测位置,生成至少一个对准标记切口,通过对准标记切口进行偏移检测和校正,但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
利用传感器对生产过程中的瓦楞纸进行缺陷位置检测时,当传感器出现故障时,会导致标记切口出错,并有可能进一步造成后续瓦楞的制备和层叠过程出现异常。
发明内容
针对上述技术问题,本发明提供了一种基于图像处理的多层瓦楞纸排列缺陷检测方法及装置,利用瓦楞纸箱的侧面图像中的灰度信息以及灰度排列信息,获得瓦楞纸箱中缺陷区域的具体位置,实现对瓦楞纸箱中缺陷的检测,具有无接触性、检测速度快以及精度高等优点,且避免了传感器出现故障而造成缺陷检测出错。
第一方面,本文提出了一种基于图像处理的多层瓦楞纸排列缺陷检测方法,包括:
获取瓦楞纸的侧面图像,对所述侧面图像进行分割处理得到瓦楞图像,并对所述瓦楞图像进行灰度化处理得到灰度图像。
将所述灰度图像中各像素点与其预设范围内的像素点灰度值差值的方差,分别作为各像素点的第一特征值。
分别将各行中像素点的各所述第一特征值进行排列,分别得到所述灰度图像中各行的第一特征值序列。
分别获得各行的所述第一特征值序列的最小周期长度以分别确定各行的嵌入维度,并利用各行对应的嵌入维度分别计算各行的所述第一特征值序列的排列熵。
将排列熵大于预设阈值的所述第一特征值序列作为缺陷序列,将各所述缺陷序列中第一个维度与所述缺陷序列对应的嵌入维度相同的值作为疑似值,将各所述缺陷序列中的所述疑似值删除后重新计算各所述缺陷序列的排列熵,当重新计算的排列熵大于预设阈值,将该删除后的缺陷序列作为新的缺陷序列,进行迭代,直至所述疑似值删除后所述缺陷序列的排列熵不大于所述预设阈值,所述疑似值在所述灰度图像中对应的点为缺陷点。
将缺陷点之间的距离小于预设距离阈值的所述缺陷点合并至同一缺陷块,所述灰度图像中所有所述缺陷块共同组成缺陷区域。
在一个可行的实施例中,利用各行对应的嵌入维度分别计算各行的所述第一特征值序列的排列熵,包括:
分别对各行的所述第一特征值序列嵌入一个维度为的灰度窗口与一个灰度延迟。以灰度延迟为步长,对分别对各行的所述第一特征值序列进行重构,分别得到对应的多个子序列,则各行的所述第一特征值序列的排列熵包括:,其中,表示第行的所述第一特征值序列的排列熵。表示子序列的总数量,表示第个子序列在种全排列中的出现的概率,为自然对数。
在一个可行的实施例中,对所述侧面图像进行灰度化处理得到灰度图像,包括:
将所述侧面图像中像素点在RGB三个通道中像素值的最大值,作为所述灰度图像中的像素点的灰度值。
在一个可行的实施例中,对所述侧面图像进行分割处理得到瓦楞图像,包括:
所述分割处理是通过语义分割网络实现的,所述语义分割网络结构为:Encoder-Decoder,对待训练的所述侧面图像进行标记,所述标记的过程包括:将侧面图像中瓦楞纸侧面区域的像素点标记为1,将侧面图像中背景区域像素点标记为0。将标记后的侧面图像输入语义分割编码器训练,再经过语义分割解码器输出分割后的所述瓦楞图像。
在一个可行的实施例中,对所述侧面图像进行分割处理得到瓦楞图像前,还包括对所述侧面图像进行运动补偿处理。
第二方面,本发明提出了一种基于图像处理的多层瓦楞纸排列缺陷检测装置,包括:
图像获取模块、图像分割模块、图像灰度化模块、第一计算模块、第二计算模块、第三计算模块、缺陷点获取模块及缺陷区域获取模块。
所述图像获取模块用于获取瓦楞纸的侧面图像。
所述图像分割模块用于对所述侧面图像进行分割处理得到瓦楞图像。
所述图像灰度化模块用于对所述瓦楞图像进行灰度化处理得到灰度图像。
所述第一计算模块用于将所述灰度图像中各像素点与其预设范围内的像素点灰度值差值的方差,分别作为各像素点的第一特征值。
所述第二计算模块用于分别将各行中像素点的各所述第一特征值进行排列,分别得到所述灰度图像中各行的第一特征值序列。
所述第三计算模块用于分别获得各行的所述第一特征值序列的最小周期长度以分别确定各行的嵌入维度,并利用各行对应的嵌入维度分别计算各行的所述第一特征值序列的排列熵。
所述缺陷点获取模块用于将排列熵大于预设阈值的所述第一特征值序列作为缺陷序列,将各所述缺陷序列中第一个维度与所述缺陷序列对应的嵌入维度相同的值作为疑似值,将各所述缺陷序列中的所述疑似值删除后重新计算各所述缺陷序列的排列熵,当重新计算的排列熵大于预设阈值,将该删除后的缺陷序列作为新的缺陷序列,进行迭代,直至所述疑似值删除后所述缺陷序列的排列熵不大于所述预设阈值,所述疑似值在所述灰度图像中对应的点为缺陷点。
所述缺陷区域获取模块用于将缺陷点之间的距离小于预设距离阈值的所述缺陷点合并至同一缺陷块,所述灰度图像中所有所述缺陷块共同组成缺陷区域。
进一步的,所述基于图像处理的多层瓦楞纸排列缺陷检测装置,还包括:运动补偿模块,所述运动补偿模块用于对所述图像获取模块所获取的瓦楞纸的侧面图像进行运动补偿。
本发明提供了一种基于图像处理的多层瓦楞纸排列缺陷检测方法及装置, 相比于现有技术,有益效果在于:利用瓦楞纸箱的侧面图像中的灰度信息以及灰度排列信息,获得瓦楞纸箱中缺陷区域的具体位置,实现对瓦楞纸箱中缺陷的检测,具有无接触性、检测速度快以及精度高等优点,且避免了传感器出现故障带来的缺陷检测出错。
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,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,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于图像处理的多层瓦楞纸排列缺陷检测方法的流程示意图。
图2是本发明实施例提供的一种基于图像处理的多层瓦楞纸排列缺陷检测装置的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。基于本发明中的实施例,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,都属于本发明保护的范围。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于图像处理的多层瓦楞纸排列缺陷检测方法,如图1所示,包括:
S101、获取瓦楞纸的侧面图像,对侧面图像进行分割处理得到瓦楞图像,并对瓦楞图像进行灰度化处理得到灰度图像。
首先在瓦楞纸箱生产过程,可以通过高频率高分辨相机采集参与层叠的瓦楞纸层叠后的侧面图像,相机视角为正视瓦楞纸侧面视角,相机固定在瓦楞纸层叠位置的侧面且光源稳定。
可选的,可以对采集到的瓦楞纸的侧面图像进行运动补偿,得到运动补偿后的连续帧图像,如此,可以提高瓦楞纸的图像质量,避免图像存在运动模糊。
优选的,可以对瓦楞纸的侧面图像或者经过运动补偿后的瓦楞纸的侧面图像进行背景分割,只保留属于瓦楞纸的侧面图像。背景分割采用语义分割网络完成,语义分割网络的结构为:Encoder-Decoder(编码-解码),首先,对待训练的瓦楞纸的侧面图像进行标记,将瓦楞纸的侧面图像中瓦楞纸侧面区域的像素点标记为1,将瓦楞纸的侧面图像中背景区域像素点标记为0,将标记后的瓦楞纸的侧面图像中像输入语义分割编码器训练,再经过语义分割解码器输出分割后的瓦楞纸的侧面图像。
其次,对瓦楞纸的侧面图像进行灰度化处理,需要说明的是,将侧面图像中像素点在RGB三个通道中像素值的最大值,作为灰度图像中的像素点的灰度值,以获得灰度图像。
S102、将灰度图像中各像素点与其预设范围内的像素点灰度值差值的方差,分别作为各像素点的第一特征值,并分别将各行中像素点的各第一特征值进行排列,以分别得到灰度图像中各行的第一特征值序列。
首先,为了能够获取瓦楞纸边缘分布的均匀程度,选取各像素点的八邻域中方向上的相邻像素点灰度值的差值构成灰度像素点组,其中,表示坐标为的像素点灰度值,表示坐标为的像素点灰度值,表示坐标为的像素点灰度值,表示坐标为的像素点灰度值,将各像素点的灰度像素点组中各元素的方差分别作为灰度图像中各像素点的第一特征值,如此,能够反映瓦楞纸中各层次的纹理分布情况。
最后,分别将各行中像素点的各第一特征值进行排列,以分别得到灰度图像中各行对应的第一特征值序列。
S103、分别获得各行的第一特征值序列的最小周期长度以分别确定各行的嵌入维度,并利用各行对应的嵌入维度分别计算各行的第一特征值序列的排列熵。
分别对各行对应的第一特征值序列进行排列熵分析,通过灰度分布特征和灰度排列分析以获得准确的缺陷位置。
首先,对于合格的瓦楞纸板,每一层的排列规律都是不变的,所以各层即各行的排列熵的大小也是不变的。具体的,排列熵算法中有两个重要的参数,分别为延迟时间和嵌入维度。
对于灰度图像中各行,分别利用各行对应的第一特征值序列绘制特征值变化曲线,统计行方向上变化曲线的最小周期长度,则各行对应的嵌入维度的大小分别为各行对应的最小周期长度减1,如此,可以保证灰度图像的各行中像素点没有被重复计算。
分别对各行的所述第一特征值序列嵌入一个维度为的灰度窗口与一个灰度延迟;以灰度延迟为步长,分别对各行的所述第一特征值序列进行重构,分别得到各行对应的多个子序列,则各行的所述第一特征值序列的排列熵包括:,其中,表示第行的所述第一特征值序列的排列熵。表示子序列的总数量,表示第个子序列在种全排列中的出现的概率,为自然对数。
进一步的,可以分别对各行的排列熵进行归一化处理,归一化后的取值范围为[0,1]。
S104、将排列熵大于预设阈值的第一特征值序列作为缺陷序列,将各缺陷序列中第一个维度与缺陷序列对应的嵌入维度相同的值作为疑似值,将各缺陷序列中的疑似值删除后重新计算各缺陷序列的排列熵,当重新计算的排列熵大于预设阈值,将该删除后的缺陷序列作为新的缺陷序列,进行迭代,直至疑似值删除后缺陷序列的排列熵不大于预设阈值,疑似值在灰度图像中对应的点为缺陷点。
需要说明的是,由于本实施例中瓦楞纸板在行方向上的排布都是有规律的分布,所以,各行的第一特征值序列的排列熵趋近于0。分别对各行的第一特征值序列的排列熵进行判断,本实施例中预设阈值为,为趋于0的正数,当排列熵时,该行的第一特征值序列为缺陷序列。
S105、将缺陷点之间的距离小于预设距离阈值的缺陷点合并至同一缺陷块,灰度图像中所有缺陷块共同组成缺陷区域。
具体的,计算灰度图像中缺陷点间的距离,缺陷点之间的距离小于预设距离阈值的缺陷点合并至同一缺陷块,为预设距离阈值,当两缺陷点间的距离小于预设距离阈值时,将该两缺陷点合并至同一缺陷块,完成对灰度图像中所有能够合并的缺陷块的合并,同时所有缺陷块共同组成灰度图像中缺陷区域。
基于与上述方法相同的发明构思,本发明实施例还提供了一种基于图像处理的多层瓦楞纸排列缺陷检测装置,如图2所示,包括:图像获取模块21、图像分割模块22、图像灰度化模块23、第一计算模块24、第二计算模块25、第三计算模块26、缺陷点获取模块27及缺陷区域获取模块28。
图像获取模块21用于获取瓦楞纸的侧面图像。
图像分割模块22用于对侧面图像进行分割处理得到瓦楞图像。
图像灰度化模块23用于对瓦楞图像进行灰度化处理得到灰度图像。
第一计算模块24用于将灰度图像中各像素点与其预设范围内的像素点灰度值差值的方差,分别作为各像素点的第一特征值。
第二计算模块25用于分别将各行中像素点的各第一特征值进行排列,分别得到灰度图像中各行的第一特征值序列。
第三计算模块26用于分别获得各行的第一特征值序列的最小周期长度以分别确定各行的嵌入维度,并利用各行对应的嵌入维度分别计算各行的第一特征值序列的排列熵。
缺陷点获取模块27用于将排列熵大于预设阈值的第一特征值序列作为缺陷序列,将各缺陷序列中第一个维度与缺陷序列对应的嵌入维度相同的值作为疑似值,将各缺陷序列中的疑似值删除后重新计算各缺陷序列的排列熵,当重新计算的排列熵大于预设阈值,将该删除后的缺陷序列作为新的缺陷序列,进行迭代,直至疑似值删除后缺陷序列的排列熵不大于预设阈值,疑似值在灰度图像中对应的点为缺陷点。
缺陷区域获取模块28用于将缺陷点之间的距离小于预设距离阈值的缺陷点合并至同一缺陷块,灰度图像中所有缺陷块共同组成缺陷区域。
优选的,本发明实施例中基于图像处理的多层瓦楞纸排列缺陷检测装置还包括:运动补偿模块29,运动补偿模块29用于对所述图像获取模块所获取的瓦楞纸的侧面图像进行运动补偿。
综上所述,本实施例利用瓦楞纸箱的侧面图像中的灰度信息以及灰度排列信息,获得瓦楞纸箱中缺陷区域的具体位置,实现对瓦楞纸箱中缺陷的检测,具有无接触性、检测速度快以及精度高等优点,且避免了传感器出现故障带来的缺陷检测出错。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本发明的方法和系统中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (8)
1.一种基于图像处理的多层瓦楞纸排列缺陷检测方法,其特征在于,包括:
获取瓦楞纸的侧面图像,对所述侧面图像进行分割处理得到瓦楞图像,并对所述瓦楞图像进行灰度化处理得到灰度图像;
将所述灰度图像中各像素点与其预设范围内的像素点灰度值差值的方差,分别作为各像素点的第一特征值;
分别将各行中像素点的各所述第一特征值进行排列,分别得到所述灰度图像中各行的第一特征值序列;
分别获得各行的所述第一特征值序列的最小周期长度以分别确定各行的嵌入维度,并利用各行对应的嵌入维度分别计算各行的所述第一特征值序列的排列熵;
将排列熵大于预设阈值的所述第一特征值序列作为缺陷序列,将各所述缺陷序列中第一个维度与所述缺陷序列对应的嵌入维度相同的值作为疑似值,将各所述缺陷序列中的所述疑似值删除后重新计算各所述缺陷序列的排列熵,当重新计算的排列熵大于预设阈值,将该删除后的缺陷序列作为新的缺陷序列,进行迭代,直至所述疑似值删除后所述缺陷序列的排列熵不大于所述预设阈值,所述疑似值在所述灰度图像中对应的点为缺陷点;
将缺陷点之间的距离小于预设距离阈值的所述缺陷点合并至同一缺陷块,所述灰度图像中所有所述缺陷块共同组成缺陷区域。
4.根据权利要求1所述的基于图像处理的多层瓦楞纸排列缺陷检测方法,其特征在于,对所述侧面图像进行灰度化处理得到灰度图像,包括:
将所述侧面图像中像素点在RGB三个通道中像素值的最大值,作为所述灰度图像中的像素点的灰度值。
5.根据权利要求1所述的基于图像处理的多层瓦楞纸排列缺陷检测方法,其特征在于,对所述侧面图像进行分割处理得到瓦楞图像,包括:
所述分割处理是通过语义分割网络实现的,所述语义分割网络结构为:Encoder-Decoder,对待训练的所述侧面图像进行标记,所述标记的过程包括:将侧面图像中瓦楞纸侧面区域的像素点标记为1,将侧面图像中背景区域像素点标记为0;将标记后的侧面图像输入语义分割编码器训练,再经过语义分割解码器输出分割后的所述瓦楞图像。
6.根据权利要求1所述的基于图像处理的多层瓦楞纸排列缺陷检测方法,其特征在于,对所述侧面图像进行分割处理得到瓦楞图像前,还包括对所述侧面图像进行运动补偿处理。
7.一种基于图像处理的多层瓦楞纸排列缺陷检测装置,其特征在于,包括:图像获取模块、图像分割模块、图像灰度化模块、第一计算模块、第二计算模块、第三计算模块、缺陷点获取模块及缺陷区域获取模块;
所述图像获取模块用于获取瓦楞纸的侧面图像;
所述图像分割模块用于对所述侧面图像进行分割处理得到瓦楞图像;
所述图像灰度化模块用于对所述瓦楞图像进行灰度化处理得到灰度图像;
所述第一计算模块用于将所述灰度图像中各像素点与其预设范围内的像素点灰度值差值的方差,分别作为各像素点的第一特征值;
所述第二计算模块用于分别将各行中像素点的各所述第一特征值进行排列,分别得到所述灰度图像中各行的第一特征值序列;
所述第三计算模块用于分别获得各行的所述第一特征值序列的最小周期长度以分别确定各行的嵌入维度,并利用各行对应的嵌入维度分别计算各行的所述第一特征值序列的排列熵;
所述缺陷点获取模块用于将排列熵大于预设阈值的所述第一特征值序列作为缺陷序列,将各所述缺陷序列中第一个维度与所述缺陷序列对应的嵌入维度相同的值作为疑似值,将各所述缺陷序列中的所述疑似值删除后重新计算各所述缺陷序列的排列熵,当重新计算的排列熵大于预设阈值,将该删除后的缺陷序列作为新的缺陷序列,进行迭代,直至所述疑似值删除后所述缺陷序列的排列熵不大于所述预设阈值,所述疑似值在所述灰度图像中对应的点为缺陷点;
所述缺陷区域获取模块用于将缺陷点之间的距离小于预设距离阈值的所述缺陷点合并至同一缺陷块,所述灰度图像中所有所述缺陷块共同组成缺陷区域。
8.根据权利要求7所述的基于图像处理的多层瓦楞纸排列缺陷检测装置,其特征在于,还包括:运动补偿模块,所述运动补偿模块用于对所述图像获取模块所获取的瓦楞纸的侧面图像进行运动补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111452253.9A CN113850808B (zh) | 2021-12-01 | 2021-12-01 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111452253.9A CN113850808B (zh) | 2021-12-01 | 2021-12-01 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850808A true CN113850808A (zh) | 2021-12-28 |
CN113850808B CN113850808B (zh) | 2022-03-22 |
Family
ID=78982636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111452253.9A Active CN113850808B (zh) | 2021-12-01 | 2021-12-01 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850808B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429433A (zh) * | 2022-04-01 | 2022-05-03 | 武汉市宏伟纸箱包装有限公司 | 一种基于图像增强的蜂窝纸进刀量控制方法 |
CN114549529A (zh) * | 2022-04-26 | 2022-05-27 | 武汉福旺家包装有限公司 | 基于计算机视觉的纸箱压痕质量检测方法及系统 |
CN114693650A (zh) * | 2022-03-31 | 2022-07-01 | 南通俊朗智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
CN114693651A (zh) * | 2022-03-31 | 2022-07-01 | 南通三信塑胶装备科技股份有限公司 | 基于图像处理的橡胶圈流痕检测方法及装置 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及系统 |
CN114742749A (zh) * | 2022-02-27 | 2022-07-12 | 扬州盛强薄膜材料有限公司 | 基于图像处理的pvc薄膜质量检测方法 |
CN114742786A (zh) * | 2022-03-31 | 2022-07-12 | 南通申东冶金机械有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114841939A (zh) * | 2022-04-24 | 2022-08-02 | 启东市鸿盛纺织有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
CN114878574A (zh) * | 2022-03-31 | 2022-08-09 | 南通东德纺织科技有限公司 | 基于机器视觉的布匹缺陷检测方法、装置及系统 |
CN114897772A (zh) * | 2022-03-31 | 2022-08-12 | 南通奥尔嘉橡塑有限公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
CN114905632A (zh) * | 2022-04-22 | 2022-08-16 | 雷迈建材江苏有限公司 | 基于机器视觉的混凝土砂浆搅拌机控制方法及系统 |
CN114913512A (zh) * | 2022-07-15 | 2022-08-16 | 南通浩盛汽车科技有限公司 | 基于计算机视觉的汽车座椅皮革分类方法、装置及系统 |
CN114972349A (zh) * | 2022-08-01 | 2022-08-30 | 山东西曼克技术有限公司 | 基于图像处理的托辊运行状态检测方法及系统 |
CN115239737A (zh) * | 2022-09-26 | 2022-10-25 | 淄博永丰环保科技有限公司 | 基于图像处理的瓦楞纸缺陷检测方法 |
CN115272301A (zh) * | 2022-09-20 | 2022-11-01 | 江苏新世嘉家纺高新科技股份有限公司 | 一种基于机器人的筒子纱缺陷自动检测方法 |
CN115294123A (zh) * | 2022-10-08 | 2022-11-04 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
CN115330806A (zh) * | 2022-10-17 | 2022-11-11 | 江苏昱恒电气有限公司 | 基于计算机视觉的led背光异物缺陷检测方法 |
CN116912256A (zh) * | 2023-09-14 | 2023-10-20 | 山东大昌纸制品有限公司 | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 |
CN116977358A (zh) * | 2023-09-22 | 2023-10-31 | 玖龙智能包装(天津)有限公司 | 一种瓦楞纸生产品质视觉辅助检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100161278A1 (en) * | 2006-07-03 | 2010-06-24 | Takaya Miyano | Method for diagnosing abnormal plasma discharge, abnormal plasma discharge diagnostics system, and computer program |
CN109299727A (zh) * | 2018-08-04 | 2019-02-01 | 辽宁大学 | 信息重构的改进极限学习机故障诊断方法 |
CN109671079A (zh) * | 2018-12-25 | 2019-04-23 | 于兴虎 | 一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法 |
CN110223277A (zh) * | 2019-05-28 | 2019-09-10 | 深圳新视智科技术有限公司 | 图像生成的方法、装置、终端设备及存储介质 |
CN110827278A (zh) * | 2019-11-27 | 2020-02-21 | 云南电网有限责任公司电力科学研究院 | 一种变电站绝缘子缺陷在线检测方法及装置 |
US20200097771A1 (en) * | 2018-09-25 | 2020-03-26 | Nec Laboratories America, Inc. | Deep group disentangled embedding and network weight generation for visual inspection |
CN112557406A (zh) * | 2021-02-19 | 2021-03-26 | 浙江大胜达包装股份有限公司 | 纸品生产质量智能检验方法及其系统 |
-
2021
- 2021-12-01 CN CN202111452253.9A patent/CN113850808B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100161278A1 (en) * | 2006-07-03 | 2010-06-24 | Takaya Miyano | Method for diagnosing abnormal plasma discharge, abnormal plasma discharge diagnostics system, and computer program |
CN109299727A (zh) * | 2018-08-04 | 2019-02-01 | 辽宁大学 | 信息重构的改进极限学习机故障诊断方法 |
US20200097771A1 (en) * | 2018-09-25 | 2020-03-26 | Nec Laboratories America, Inc. | Deep group disentangled embedding and network weight generation for visual inspection |
CN109671079A (zh) * | 2018-12-25 | 2019-04-23 | 于兴虎 | 一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法 |
CN110223277A (zh) * | 2019-05-28 | 2019-09-10 | 深圳新视智科技术有限公司 | 图像生成的方法、装置、终端设备及存储介质 |
CN110827278A (zh) * | 2019-11-27 | 2020-02-21 | 云南电网有限责任公司电力科学研究院 | 一种变电站绝缘子缺陷在线检测方法及装置 |
CN112557406A (zh) * | 2021-02-19 | 2021-03-26 | 浙江大胜达包装股份有限公司 | 纸品生产质量智能检验方法及其系统 |
Non-Patent Citations (3)
Title |
---|
TAO YAN ET AL.: "Microscopy image fusion algorithm based on saliency analysis and adaptive m-pulse-coupled neural network in non-subsampled contourlet transform domain", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》 * |
张琴 等: "基于数字图像处理的瓦楞纸材料破损度自动检测", 《包装工程》 * |
贾峰 等: "基于多维度排列熵与支持向量机的轴承早期故障诊断方法", 《计算机集成制造系统》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742749A (zh) * | 2022-02-27 | 2022-07-12 | 扬州盛强薄膜材料有限公司 | 基于图像处理的pvc薄膜质量检测方法 |
CN114742786B (zh) * | 2022-03-31 | 2023-08-29 | 山东西岳智能科技有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114693651A (zh) * | 2022-03-31 | 2022-07-01 | 南通三信塑胶装备科技股份有限公司 | 基于图像处理的橡胶圈流痕检测方法及装置 |
CN114897772B (zh) * | 2022-03-31 | 2024-05-14 | 河南省开仑化工有限责任公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
CN114693650B (zh) * | 2022-03-31 | 2024-05-24 | 无锡市慧航智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
CN114742786A (zh) * | 2022-03-31 | 2022-07-12 | 南通申东冶金机械有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114878574A (zh) * | 2022-03-31 | 2022-08-09 | 南通东德纺织科技有限公司 | 基于机器视觉的布匹缺陷检测方法、装置及系统 |
CN114693650A (zh) * | 2022-03-31 | 2022-07-01 | 南通俊朗智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
CN114897772A (zh) * | 2022-03-31 | 2022-08-12 | 南通奥尔嘉橡塑有限公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及系统 |
CN114429433A (zh) * | 2022-04-01 | 2022-05-03 | 武汉市宏伟纸箱包装有限公司 | 一种基于图像增强的蜂窝纸进刀量控制方法 |
CN114905632A (zh) * | 2022-04-22 | 2022-08-16 | 雷迈建材江苏有限公司 | 基于机器视觉的混凝土砂浆搅拌机控制方法及系统 |
CN114841939A (zh) * | 2022-04-24 | 2022-08-02 | 启东市鸿盛纺织有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
CN114841939B (zh) * | 2022-04-24 | 2024-05-24 | 杭州丰越丝绸织造有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
CN114549529A (zh) * | 2022-04-26 | 2022-05-27 | 武汉福旺家包装有限公司 | 基于计算机视觉的纸箱压痕质量检测方法及系统 |
CN114913512A (zh) * | 2022-07-15 | 2022-08-16 | 南通浩盛汽车科技有限公司 | 基于计算机视觉的汽车座椅皮革分类方法、装置及系统 |
CN114913512B (zh) * | 2022-07-15 | 2022-09-23 | 南通浩盛汽车科技有限公司 | 基于计算机视觉的汽车座椅皮革分类方法、装置及系统 |
CN114972349A (zh) * | 2022-08-01 | 2022-08-30 | 山东西曼克技术有限公司 | 基于图像处理的托辊运行状态检测方法及系统 |
CN115272301A (zh) * | 2022-09-20 | 2022-11-01 | 江苏新世嘉家纺高新科技股份有限公司 | 一种基于机器人的筒子纱缺陷自动检测方法 |
CN115239737A (zh) * | 2022-09-26 | 2022-10-25 | 淄博永丰环保科技有限公司 | 基于图像处理的瓦楞纸缺陷检测方法 |
CN115294123A (zh) * | 2022-10-08 | 2022-11-04 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
CN115330806A (zh) * | 2022-10-17 | 2022-11-11 | 江苏昱恒电气有限公司 | 基于计算机视觉的led背光异物缺陷检测方法 |
CN116912256A (zh) * | 2023-09-14 | 2023-10-20 | 山东大昌纸制品有限公司 | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 |
CN116912256B (zh) * | 2023-09-14 | 2023-11-28 | 山东大昌纸制品有限公司 | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 |
CN116977358A (zh) * | 2023-09-22 | 2023-10-31 | 玖龙智能包装(天津)有限公司 | 一种瓦楞纸生产品质视觉辅助检测方法 |
CN116977358B (zh) * | 2023-09-22 | 2023-12-12 | 玖龙智能包装(天津)有限公司 | 一种瓦楞纸生产品质视觉辅助检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113850808B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113850808B (zh) | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 | |
CN108346154B (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN108732465B (zh) | 一种基于小波变换和cnn的配电网故障定位方法 | |
US9406155B2 (en) | Graphics processing systems | |
CN110267101B (zh) | 一种基于快速三维拼图的无人机航拍视频自动抽帧方法 | |
JP2008175549A (ja) | 欠陥検出装置および欠陥検出方法 | |
CN115861290B (zh) | 一种肤感木门表面缺陷检测方法 | |
CN115115625B (zh) | 基于图像处理的电缆生产异常检测方法 | |
CN114878574A (zh) | 基于机器视觉的布匹缺陷检测方法、装置及系统 | |
KR20210108338A (ko) | 안과 렌즈의 에지 결함 및 다른 결함의 검출을 향상시키기 위한 컴퓨터 구현 프로세스 | |
Chen et al. | Automatic defect detection system based on deep convolutional neural networks | |
CN114972332A (zh) | 一种基于图像超分辨率重建网络的竹集成材裂纹检测方法 | |
CN110163266B (zh) | 基于四元数矩阵奇异值分解的图像哈希算法及其应用 | |
CN117036266A (zh) | 一种基于知识蒸馏的工业图像异常检测方法及系统 | |
CN112595262A (zh) | 一种基于双目结构光的高反光表面工件深度图像获取方法 | |
CN116563691A (zh) | 一种基于TransUnet模型的道路病害检测方法 | |
CN114111602B (zh) | 一种基于图像技术的桥梁表面裂缝宽度计算方法 | |
CN116452450A (zh) | 一种基于3d卷积的偏振图像去雾方法 | |
WO2020091733A1 (en) | Estimation of asymmetric aberrations | |
CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN117455911B (zh) | 一种网线水晶头生产测试方法及系统 | |
Peng et al. | An intelligent online presswork defect detection method and system | |
CN111223055A (zh) | 一种列车车轮踏面图像校正方法 | |
CN118096739B (zh) | 一种基于图像处理的金属锻件表面缺陷检测方法 | |
JP4069448B2 (ja) | 欠陥検査方法及び装置 |
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 |