CN114066881A - 一种基于非线性变换检测方法、计算机设备及存储介质 - Google Patents
一种基于非线性变换检测方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114066881A CN114066881A CN202111453963.3A CN202111453963A CN114066881A CN 114066881 A CN114066881 A CN 114066881A CN 202111453963 A CN202111453963 A CN 202111453963A CN 114066881 A CN114066881 A CN 114066881A
- Authority
- CN
- China
- Prior art keywords
- area
- gray
- region
- initial rectangular
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000004744 fabric Substances 0.000 claims abstract description 48
- 229920000049 Carbon (fiber) Polymers 0.000 claims abstract description 26
- 239000004917 carbon fiber Substances 0.000 claims abstract description 26
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005498 polishing Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 7
- 241000565357 Fraxinus nigra Species 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007380 fibre production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G06T5/90—
-
- 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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
Abstract
本发明涉及视觉检测技术领域，尤其涉及一种基于非线性变换检测方法、计算机设备及存储介质，其中检测方法包括如下步骤：图像采集，对碳纤维布面进行斜向打光，并正对碳纤维布面进行拍照，得到布面图像；图像预处理，对布面图像进行对数变换处理，得到预处理图像；连续灰度区域提取，对预处理图像中划分为若干初始矩形区域，并计算每个初始矩形区域的平均灰度值，对平均灰度值差值小于第一阈值的相邻初始矩形区域进行合并，并得到若干连续灰度区域；黑灰区域提取，计算每个连续灰度区域的平均灰度值，若平均灰度值小于第二阈值，则这个连续灰度区域为黑灰区域。本发明中，更好的将黑灰与布面进行区分，从而选出黑灰区域，实现了视觉识别。
Description
技术领域
本发明涉及视觉检测技术领域，尤其涉及一种基于非线性变换检测方法、计算机设备及存储介质。
背景技术
碳纤维作为一种混合复合材料板被广泛应用于新能源汽车、航天航空、轨道交通等领域，碳纤维在生产加工过程中，需要进行监控、分析，以保证生产质量，在碳纤维生产的过程中，布面上会掉落一些黑灰，从而对布面生产质量造成影响。
然而由于碳纤维的背景为黑色，而黑灰也是黑色，两者颜色差异较小，所以很难通过视觉检测的方法对布面上黑灰进行检测，现有技术中还未存在一种通过视觉的方法对黑灰去进行检测。
鉴于上述问题的存在，本设计人基于从事此类产品工程应用多年丰富的实务经验及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种基于非线性变换检测方法、计算机设备及存储介质，使其更具有实用性。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种基于非线性变换检测方法、计算机设备及存储介质，从而有效解决背景技术中的问题。
为了达到上述目的，本发明所采用的技术方案是：一种基于非线性变换检测方法、计算机设备及存储介质，包括如下步骤：
图像采集，对碳纤维布面进行斜向打光，并正对碳纤维布面进行拍照，得到布面图像；
图像预处理，对所述布面图像进行对数变换处理，得到预处理图像；
连续灰度区域提取，对所述预处理图像中划分为若干初始矩形区域，并计算每个所述初始矩形区域的平均灰度值，对平均灰度值差值小于第一阈值的相邻所述初始矩形区域进行合并，并得到若干连续灰度区域；
黑灰区域提取，计算每个所述连续灰度区域的平均灰度值，若平均灰度值小于第二阈值，则这个所述连续灰度区域为黑灰区域。
进一步地，所述预处理图像为：
其中，(x，y)为所述布面图像上像素点的坐标，f(x，y)为布面图像中像素点(x，y)的灰度值，G(x，y)为预处理图像中像素点(x，y)的灰度值，a、b和c为系数。
进一步地，所述a为整体亮度增益系数，范围为60～80；所述b为比例系数，范围为7～9；所述c为所述布面图像灰度补偿系数，范围为1～5。
进一步地，所述连续灰度区域提取中，包括如下步骤：
步骤一：对所述预处理图像中划分为若干初始矩形区域S1、S2、S3…Sn，并计算每个所述初始矩形区域的平均灰度值，分别为s1、s2、s3…sn，所述初始矩形区域面积度量为1；
步骤二：将所述初始矩形区域S1与其相邻的所述初始矩形区域Sx的平均灰度值进行比较，其中sx∈(S1、S2、S3…Sn)，若|s1-sx|＜4，则将所述初始矩形区域S1与Sx合并，得到合并区域，所述合并区域的面积度量为k，且另k＝k+1，k初始值为1；
步骤三：以所述合并区域作为S1，其余所述初始矩形区域作为S2、S3…Sn，重复所述步骤二，直到与所述合并区域相邻的所有所述初始矩形区域其灰度值差值|s1-sx|≥4，此时将所述合并区域划为其中一个所述连续灰度区域T1；
步骤四：对剩余所述初始矩形区域重新划分为S1、S2、S3…Sn，并重复步骤二和步骤三，最终得到所述连续灰度区域T1、T2、T3…Tm，且每个所述连续灰度区域对应的平均灰度值为t1、t2、t3…tm，面积度量为k1、k2、k3…km。
进一步地，若tx＜40，tx∈(t1、t2、t3…tm)，则判断这个连续灰度区域为黑灰区域。
进一步地，在筛选出tx＜40的区域后，对筛选出的区域T1、T2、T3…Tq分别计算其区域熵E1、E2、E3…Eq，
A＝k×p
其中，(i，j)为计算区域熵时，这个区域中的像素点的坐标，G(i，j)为像素点(i，j)的预处理后的灰度值，A为这个区域的面积，k为这个区域的面积度量，p为所述初始矩形区域中像素点的数量；
若E＜2，则这个区域为黑灰区域。
本发明还包括一种计算机设备，包括存储器、处理器及存储在存储器上并可在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，实现如上述的方法。
本发明还包括一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的方法。
本发明的有益效果为：本发明通过对碳纤维布面斜向打光，并正对碳纤维布面拍照的方式，由于碳纤维其纹理，在斜向打光的时候，会发生一定的反光，而黑灰部分则不容易反光，从而可以将黑灰与碳纤维布面的背景灰度值提高差别，再通过对数变换处理，对得到的布面图像进行非线性变换，从而压制高光部分，增强暗部细节，提高暗部的黑灰和背景的对比度，从而更好的将黑灰与布面进行区分，再通过连续灰度区域提取，将灰度值相近的区域进行划分，最后通过灰度值阈值对划分出的区域进行筛选，选出黑灰区域，从而实现了视觉识别的检测方法。
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中记载的一些实施例，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为本发明的流程图；
图2为连续灰度提取的流程图；
图3为本实施例中计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
如图1所示：一种基于非线性变换检测方法，包括如下步骤：
图像采集，对碳纤维布面进行斜向打光，并正对碳纤维布面进行拍照，得到布面图像；
图像预处理，对布面图像进行对数变换处理，得到预处理图像；
连续灰度区域提取，对预处理图像中划分为若干初始矩形区域，并计算每个初始矩形区域的平均灰度值，对平均灰度值差值小于第一阈值的相邻初始矩形区域进行合并，并得到若干连续灰度区域；
黑灰区域提取，计算每个连续灰度区域的平均灰度值，若平均灰度值小于第二阈值，则这个连续灰度区域为黑灰区域。
通过对碳纤维布面斜向打光，并正对碳纤维布面拍照的方式，由于碳纤维其纹理，在斜向打光的时候，会发生一定的反光，而黑灰部分则不容易反光，从而可以将黑灰与碳纤维布面的背景灰度值提高差别，再通过对数变换处理，对得到的布面图像进行非线性变换，从而压制高光部分，增强暗部细节，提高暗部的黑灰和背景的对比度，从而更好的将黑灰与布面进行区分，再通过连续灰度区域提取，将灰度值相近的区域进行划分，最后通过灰度值阈值对划分出的区域进行筛选，选出黑灰区域，从而实现了视觉识别的检测方法。
在本实施例中，对碳纤维布面拍摄的精度为一个像素点为0.5mm×0.5mm，初始矩形区域为10×10的像素点大小。
其中，预处理图像为：
其中，(x，y)为布面图像上像素点的坐标，f(x，y)为布面图像中像素点(x，y)的灰度值，G(x，y)为预处理图像中像素点(x，y)的灰度值，a、b和c为系数。a为整体亮度增益系数，范围为60～80；b为比例系数，范围为7～9；c为布面图像灰度补偿系数，范围为1～5。
由于拍摄的布面图像较暗，所以在对其进行对数变换时，对布面图像上像素点的灰度值进行补偿，然后再进行对数变换，增加暗部的细节，压制高光部分，且由于碳纤维布面的复杂纹理，如果使用线性变换，不容易对黑灰和背景进行区分，如果通过多段的线性处理，则处理起来非常复杂，检测效率低，而本实施例中使用对数变换的非线性变换，对正光灰度范围进行函数映射，来提高背景和黑灰的对比度，实现稳定的检测。
如图2所示，在本实施例中，连续灰度区域提取中，包括如下步骤：
步骤一：对预处理图像中划分为若干初始矩形区域S1、S2、S3…Sn，并计算每个初始矩形区域的平均灰度值，分别为s1、s2、s3…sn，初始矩形区域面积度量为1；
步骤二：将初始矩形区域S1与其相邻的初始矩形区域Sx的平均灰度值进行比较，其中sx∈(S1、S2、S3…Sn)，若|s1-sx|＜4，则将初始矩形区域S1与Sx合并，得到合并区域，合并区域的面积度量为k，且另k＝k+1，k初始值为1；
步骤三：以合并区域作为S1，其余初始矩形区域作为S2、S3…Sn，重复步骤二，直到与合并区域相邻的所有初始矩形区域其灰度值差值|s1-sx|≥4，此时将合并区域划为其中一个连续灰度区域T1；
步骤四：对剩余初始矩形区域重新划分为S1、S2、S3…Sn，并重复步骤二和步骤三，最终得到连续灰度区域T1、T2、T3…Tm，且每个连续灰度区域对应的平均灰度值为t1、t2、t3…tm，面积度量为k1、k2、k3…km。
虽然碳纤维布面大部分的背景都是黑色的，但是还存在均匀分布的白色捆绑纱，如果有黑灰落在捆绑纱上，肯定会遮盖住，使其呈黑色，而且碳纤维布面上存在黑灰一般是一块区域上有较多的黑灰，所以将灰度值相近的连续区域提取出来，对区域进行生长合并，最终得到若干个连续灰度区域，以便后续通过灰度值阈值进行区分黑灰区域时，能够更好的进行筛分，且以整个连续灰度区域的平均灰度值来进行筛分黑灰区域，从而可以忽略碳纤维布面上一些细小的黑色杂质，检测更精确。
其中，若tx＜40，tx∈(t1、t2、t3…tm)，则判断这个连续灰度区域为黑灰区域。
由于通过灰度值阈值筛分出的区域可能会夹杂着一些背景和其他的杂质，所以会对检测精度造成影响，而布面上掉落黑灰时，一般在黑灰区域上，黑灰是较为均匀的，所以在筛选出tx＜40的区域后，对筛选出的区域T1、T2、T3…Tq分别计算其区域熵E1、E2、E3…Eq，
A＝k×p
其中，(i，j)为计算区域熵时，这个区域中的像素点的坐标，G(i，j)为像素点(i，j)的预处理后的灰度值，A为这个区域的面积，k为这个区域的面积度量，p为初始矩形区域中像素点的数量；若E＜2，则这个区域为黑灰区域。
区域熵反应了这个区域的均匀程度，通过计算区域熵可以得到每个区域的灰度分布特征，如果区域熵小于2，则说明这个区域的灰度分布均匀，则可判断出这个区域为黑灰区域。
请参见图3示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的计算机程序，计算机程序被处理器410执行时执行如上的方法。
本申请实施例还提供了一种存储介质430，该存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。
其中，存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在本发明的描述中，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。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。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针对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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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，该程序在执行时，包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，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、替换和变型。
Claims (8)
1.一种基于非线性变换检测方法，其特征在于，包括如下步骤：
图像采集，对碳纤维布面进行斜向打光，并正对碳纤维布面进行拍照，得到布面图像；
图像预处理，对所述布面图像进行对数变换处理，得到预处理图像；
连续灰度区域提取，对所述预处理图像中划分为若干初始矩形区域，并计算每个所述初始矩形区域的平均灰度值，对平均灰度值差值小于第一阈值的相邻所述初始矩形区域进行合并，并得到若干连续灰度区域；
黑灰区域提取，计算每个所述连续灰度区域的平均灰度值，若平均灰度值小于第二阈值，则这个所述连续灰度区域为黑灰区域。
2.根据权利要求1所述的基于非线性变换检测方法，其特征在于，所述预处理图像为：
其中，(x，y)为所述布面图像上像素点的坐标，f(x，y)为布面图像中像素点(x，y)的灰度值，G(x，y)为预处理图像中像素点(x，y)的灰度值，a、b和c为系数。
3.根据权利要求2所述的基于非线性变换检测方法，其特征在于，所述a为整体亮度增益系数，范围为60～80；所述b为比例系数，范围为7～9；所述c为所述布面图像灰度补偿系数，范围为1～5。
4.根据权利要求1所述的基于非线性变换检测方法，其特征在于，所述连续灰度区域提取中，包括如下步骤：
步骤一：对所述预处理图像中划分为若干初始矩形区域S1、S2、S3…Sn，并计算每个所述初始矩形区域的平均灰度值，分别为s1、s2、s3…sn，所述初始矩形区域面积度量为1；
步骤二：将所述初始矩形区域S1与其相邻的所述初始矩形区域Sx的平均灰度值进行比较，其中sx∈(S1、S2、S3…Sn)，若|s1-sx|＜4，则将所述初始矩形区域S1与Sx合并，得到合并区域，所述合并区域的面积度量为k，且另k＝k+1，k初始值为1；
步骤三：以所述合并区域作为S1，其余所述初始矩形区域作为S2、S3…Sn，重复所述步骤二，直到与所述合并区域相邻的所有所述初始矩形区域其灰度值差值|s1-sx|≥4，此时将所述合并区域划为其中一个所述连续灰度区域T1；
步骤四：对剩余所述初始矩形区域重新划分为S1、S2、S3…Sn，并重复步骤二和步骤三，最终得到所述连续灰度区域T1、T2、T3…Tm，且每个所述连续灰度区域对应的平均灰度值为t1、t2、t3…tm，面积度量为k1、k2、k3…km。
5.根据权利要求4所述的基于非线性变换检测方法，其特征在于，若tx＜40，tx∈(t1、t2、t3…tm)，则判断这个连续灰度区域为黑灰区域。
6.根据权利要求5所述的基于非线性变换检测方法，其特征在于，在筛选出tx＜40的区域后，对筛选出的区域T1、T2、T3…Tq分别计算其区域熵E1、E2、E3…Eq，
A＝k×p
其中，(i，j)为计算区域熵时，这个区域中的像素点的坐标，G(i，j)为像素点(i，j)的预处理后的灰度值，A为这个区域的面积，k为这个区域的面积度量，p为所述初始矩形区域中像素点的数量；
若E＜2，则这个区域为黑灰区域。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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1-6中任一项所述的方法。
8.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111453963.3A CN114066881B (zh) | 2021-12-01 | 2021-12-01 | 一种基于非线性变换检测方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111453963.3A CN114066881B (zh) | 2021-12-01 | 2021-12-01 | 一种基于非线性变换检测方法、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114066881A true CN114066881A (zh) | 2022-02-18 |
| CN114066881B CN114066881B (zh) | 2022-07-15 |
Family
ID=80228205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111453963.3A Active CN114066881B (zh) | 2021-12-01 | 2021-12-01 | 一种基于非线性变换检测方法、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066881B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596928A (zh) * | 2023-07-18 | 2023-08-15 | 山东金胜粮油食品有限公司 | 基于图像特征的花生油杂质快速检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1844952A (zh) * | 2006-05-10 | 2006-10-11 | 北京好望角医学影像技术有限公司 | 基于遥感图像处理的对地表变化进行检测的方法 |
| US20150090791A1 (en) * | 2013-09-29 | 2015-04-02 | Founder Mobile Media Technology (Beijing) Co., Ltd. | Method and system for binarization of two dimensional code image |
| CN105158272A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工商大学 | 一种纺织品缺陷检测方法 |
| CN108921857A (zh) * | 2018-06-21 | 2018-11-30 | 中国人民解放军61062部队科技装备处 | 一种面向监视场景的视频图像焦点区域分割方法 |
| CN110428379A (zh) * | 2019-07-29 | 2019-11-08 | 慧视江山科技(北京)有限公司 | 一种图像灰度增强方法及系统 |
| CN112686264A (zh) * | 2020-12-31 | 2021-04-20 | 中广核研究院有限公司 | 数字式仪表读数方法、装置、计算机设备和存储介质 |
| CN113592868A (zh) * | 2021-09-29 | 2021-11-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种玻纤布面黑灰检测方法 |
| CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
| CN113724241A (zh) * | 2021-09-09 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳纤维经编织物的毛丝检测方法、装置和存储介质 |
| CN113724173A (zh) * | 2021-09-09 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板脱模布到边距离检测方法、装置、设备和存储介质 |
-
2021
- 2021-12-01 CN CN202111453963.3A patent/CN114066881B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1844952A (zh) * | 2006-05-10 | 2006-10-11 | 北京好望角医学影像技术有限公司 | 基于遥感图像处理的对地表变化进行检测的方法 |
| US20150090791A1 (en) * | 2013-09-29 | 2015-04-02 | Founder Mobile Media Technology (Beijing) Co., Ltd. | Method and system for binarization of two dimensional code image |
| CN105158272A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工商大学 | 一种纺织品缺陷检测方法 |
| CN108921857A (zh) * | 2018-06-21 | 2018-11-30 | 中国人民解放军61062部队科技装备处 | 一种面向监视场景的视频图像焦点区域分割方法 |
| CN110428379A (zh) * | 2019-07-29 | 2019-11-08 | 慧视江山科技(北京)有限公司 | 一种图像灰度增强方法及系统 |
| CN112686264A (zh) * | 2020-12-31 | 2021-04-20 | 中广核研究院有限公司 | 数字式仪表读数方法、装置、计算机设备和存储介质 |
| CN113724241A (zh) * | 2021-09-09 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳纤维经编织物的毛丝检测方法、装置和存储介质 |
| CN113724173A (zh) * | 2021-09-09 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板脱模布到边距离检测方法、装置、设备和存储介质 |
| CN113592868A (zh) * | 2021-09-29 | 2021-11-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种玻纤布面黑灰检测方法 |
| CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| LUO ZHONGMING等: "The Image Segmentation Algorithm of Region Growing and Wavelet Transform Modulus Maximum", 《2015 FIFTH INTERNATIONAL CONFERENCE ON INSTRUMENTATION AND MEASUREMENT, COMPUTER, COMMUNICATION AND CONTROL (IMCCC)》 * |
| LUO ZHONGMING等: "The Image Segmentation Algorithm of Region Growing and Wavelet Transform Modulus Maximum", 《2015 FIFTH INTERNATIONAL CONFERENCE ON INSTRUMENTATION AND MEASUREMENT, COMPUTER, COMMUNICATION AND CONTROL (IMCCC)》, 15 February 2016 (2016-02-15), pages 1171 - 1174 * |
| 周恋玲: "基于Gerber的PCB缺陷光电检测系统软件研究", 《中国优秀硕士学位论文全文数据库》, 15 July 2016 (2016-07-15), pages 1 - 88 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596928A (zh) * | 2023-07-18 | 2023-08-15 | 山东金胜粮油食品有限公司 | 基于图像特征的花生油杂质快速检测方法 |
| CN116596928B (zh) * | 2023-07-18 | 2023-10-03 | 山东金胜粮油食品有限公司 | 基于图像特征的花生油杂质快速检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114066881B (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Intensity and edge based adaptive unsharp masking filter for color image enhancement | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
| CN110852997B (zh) | 动态图像清晰度检测方法、装置、电子设备及存储介质 | |
| CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| US8983199B2 (en) | Apparatus and method for generating image feature data | |
| CN113870233B (zh) | 一种捆绑纱检测方法、计算机设备及存储介质 | |
| CN113724257A (zh) | 一种碳板灰色污点检测方法、计算机设备及存储介质 | |
| CN107590512A (zh) | 一种模板匹配中参数的自适应方法和系统 | |
| CN116363140B (zh) | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 | |
| CN114066881B (zh) | 一种基于非线性变换检测方法、计算机设备及存储介质 | |
| CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
| Brahme et al. | Determination of the minimum scan size to obtain representative textures by electron backscatter diffraction | |
| CN107478656B (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
| Russo | Automatic enhancement of noisy images using objective evaluation of image quality | |
| KR101929669B1 (ko) | 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치 | |
| CN111062954B (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
| CN112802080A (zh) | 基于深度学习的单目绝对深度估计方法和装置 | |
| US20210012509A1 (en) | Image processing method and computer-readable recording medium having recorded thereon image processing program | |
| CN113837184B (zh) | 一种蚊虫检测方法、设备及存储介质 | |
| CN115861220A (zh) | 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统 | |
| Pal et al. | Visibility enhancement of fog degraded images using adaptive defogging function | |
| JP6034529B1 (ja) | 表面状態診断装置 | |
| CN114994098A (zh) | 一种异物检测的方法及设备 | |
| CN113469171A (zh) | 识别sfr测试卡图像中感兴趣区域的方法及装置、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 |