CN114299051A - 基于特征建模显著性检测的皮革材料表面缺陷检测方法 - Google Patents
基于特征建模显著性检测的皮革材料表面缺陷检测方法 Download PDFInfo
- Publication number
- CN114299051A CN114299051A CN202111670295.XA CN202111670295A CN114299051A CN 114299051 A CN114299051 A CN 114299051A CN 202111670295 A CN202111670295 A CN 202111670295A CN 114299051 A CN114299051 A CN 114299051A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- edge
- saliency
- region
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 239000010985 leather Substances 0.000 title claims abstract description 30
- 239000000463 material Substances 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征建模显著性检测的皮革材料表面缺陷检测方法,包括步骤:S01、先采集皮革材料的视频信息,在视频中选取若干帧图像作为待检测图像;S02、然后采用自底向上的模型,进行显著性图像的初步获取,得到第一显著性图像;S03、利用等面积多直方图均衡算法对第一显著性图像进行增强,得到第二显著性图像;S04、基于超像素的再优化对第二显著性图像进行处理,得到第三显著性图像;S05、最后,根据第三显著性图像标出缺陷所在位置,运用全局阈值法对得到的第三显著性图像进行自适应阈值化,本发明有效降低了算法计算量,在检测缺陷大小不一、散布于皮革材料多个区域的情况下,检测速度快且检测结果更为稳定、准确。
Description
技术领域
本发明涉及材料缺陷检测技术领域,具体涉及一种基于特征建模显著性检测的皮革材料表面缺陷检测方法。
背景技术
当前,我国皮革制品行业长期以来主要依靠人工实现对整张皮革进行缺陷检测与定位工序。但由于光照条件、工人经验不同以及情绪、体力、工作时长等因素变化的影响,容易造成检测和排样切割效率低下等问题。目前国内外研究人员对皮革表面缺陷检测提出了许多不同的方法,但是他们大都是针对皮革表面局部缺陷进行检测与已知的明确缺陷进行分类处理,未能一次对整张皮革的缺陷进行有效的检测与定位。
发明内容
技术目的:针对现有皮革材料表面未知缺陷无法有效检测和定位的不足,本发明公开了一种基于特征建模显著性检测的皮革材料表面缺陷检测方法。
技术方案:为实现上述技术目的,本发明采用了如下技术方案:
一种基于特征建模显著性检测的皮革材料表面缺陷检测方法,包括步骤:
S01、先采集皮革材料的视频信息,在视频中选取若干帧图像作为待检测图像;
S02、然后采用自底向上的模型,进行显著性图像的初步获取,得到第一显著性图像;
S03、利用等面积多直方图均衡算法对第一显著性图像进行增强,得到第二显著性图像;
S04、基于超像素的再优化对第二显著性图像进行处理,得到第三显著性图像;
S05、最后,根据第三显著性图像标出缺陷所在位置,运用全局阈值法对得到的第三显著性图像进行自适应阈值化,得到二值图像,二值图像中白色区域及为检测到的缺陷区域,进而标出皮革等材料表面的缺陷所在位置。
优选地,本发明的步骤S02中,获取第一显著性图像过程包括步骤:
S021、先在待检测图像I划分中心区域I1和边缘区域I2,中心区域I1与待检测图像I同心,待检测图像I去除中心区域I1外为边缘区域I2,边缘区域I2内的像素为边缘像素;
S023、计算每一边缘像素的特征向量,运用K-means++聚类算法对边缘像素进行聚类;
S024、统计对边缘像素聚类后的聚类群组数目,以及每个聚类群组中的边缘像素数目,利用算数平均数计算每个聚类群组的中心特征值;
S025、最后计算待检测图像中每一像素的特征向量与每一个聚类群组中心的距离,对每个像素到所有聚类群组中心的距离进行归一化处理,得到第一显著性图像。
优选地,本发明的步骤S023中,以每个边缘像素为中心的邻域区块来表示对应边缘像素的特征,用邻域区块中每一像素的像素信息S*分量值乘以对应的权重系数作为对应边缘像素特征值,权重系数为邻域区块中像素与对应边缘像素距离的倒数。
优选地,本发明的邻块区域为与以边缘像素为中心的相邻的n个像素宽度组成的区域,邻块区域的大小为n*n,n为奇数,对于靠近外侧的边缘像素,当边缘像素与图像边缘的距离小于(n-1)/2时,则邻域区块为从图像边缘向内n个像素宽度组成的区域。
优选地,本发明的K-means++聚类算法进行聚类的过程包括步骤:
S0231、在所有的边缘像素中随机选取一个像素作为聚类中心;
S0233、计算每个边缘像素到当前每个聚类中心的距离并将边缘像素分配到距离最小的聚类中心对应的聚类群组中;
S0234、对每个聚类群组中样本数目进行判断,样本数目小于设定的最小值时,解散聚类群组,样本数目大于设定的最大值时,将聚类群组分为两个子群组;
S0235、判断是否满足设定的终止条件,满足条件计算终止,不满足,重复步骤S0232-S0235。
优选地,本发明的中心区域I1相对于待检测图像I的宽度百分比为c,相对于待检测图像I的高度百分比为d,0.8≤c<1,0.8≤d<1。
优选地,本发明的步骤S03中,获取第二显著性图像过程包括步骤:
S031、先计算第一显著性图像灰度级的概率密度函数:WH为第一显著性图像中所有像素点总数,nk为第一显著性图像中灰度值为k的像素点的个数,L为第一显著性图像的灰度级;第一显著性图像灰度级的累计分布函数为:
S032、以第一显著性图像灰度值的中值Imean作为标准,取作为阈值,将第一显著性图像划分为J个子图,然后得到每一像素灰度值k变换后的灰度数值F(k),F(k)=(L-1)×c(k),(k=0,1,…,L-1),并生成灰度变换查找表;
S033、最后根据灰度变换查找表得到直方图均衡后的J个子图,然后将所有子图进行叠加,即可得到等面积多直方图均衡算法增强后的第二显著性图像。
优选地,本发明的步骤S04中,超像素再优化的过程包括步骤:
S041、先对第二显著性图像进行超像素级表示;
S042、然后采用SLIC算法进行超像素分割,划分为若干超像素区域,每个超像素区域的显著值为区域内所有像素显著值的平均值;
S043、第q个超像素区域,设其显著值为Sc(q),运用下述算法对其进一步处理,处理后的显著值为:
其中,j∈Θ1表示与第q个超像素区域在1个距离内的邻近超像素的集合,是基于第q个超像素区域与1个距离内超像素j之间欧式距离的权值参数;m∈Θ2为与第q个超像素在2个距离内的邻近超像素的集合,是基于第q个超像素区域与2个距离内超像素m之间的欧式距离的权值参数。d(q)∈{0,1}是一个二值量,若超像素区域q与图像中的强边缘相接,则d(q)=1,若超像素区域q与图像中的强边缘不直接相接,则d(q)=0。
有益效果:本发明所提供的一种基于特征建模显著性检测的皮革材料表面缺陷检测方法具有如下有益效果:
1、本发明对缺陷提取的准确性和算法的运行效率上都比传统方法更具有优势,本方法所提出的视觉显著性缺陷检测方法有效降低了算法计算量,在检测缺陷大小不一、散布于皮革材料多个区域的情况下,检测速度快且检测结果更为稳定、准确。
2、本发明利用自底向上的模型进行第一显著性图像的获取,不需要先验信息、无需参数训练上的时间消耗、时间复杂度低、便于对图像的实时处理。
3、本发明在进行像素聚类过程中,计算边缘像素到已有聚类中心的最远距离,距离最远说明边缘像素已有聚类中心的差别最大,为最有可能出现缺陷的地方,提高缺陷识别效率,缩短检测时间。
4、本发明的第一显著性图像与较大的聚类群组计算得出的距离图更接近,较大的聚类群组对背景特征的表征作用更明显,更能代表背景特征的分布,对提取显著性缺陷的效果越强。
5、本发明利用等面积多直方图均衡算法对第一显著向图像进行增强,可以使增强后的第二显著性图像具有较大的信息熵,解决了标准直方图均衡算法易造成信息丢失的问题。
6、本发明对超像素分割后的超像素区域进行再优化,对于不与强边缘相接的超像素区域,使用周边邻接区域的超像素显著值来决定,得到第三显著性图像,更好的对缺陷处进行凸显。
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介绍。
图1为本发明对待检测图像划分的示意图。
具体实施方式
下面通过一较佳实施例的方式并结合附图来更清楚完整地说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
本发明提供了一种基于特征建模显著性检测的皮革材料表面缺陷检测方法,包括步骤:
S01、先采集皮革材料的视频信息,在视频中选取若干帧图像作为待检测图像;
在一个具体的实施例中,在采集的视频中每间隔1秒获取一张帧图像作为待检测图像;
S02、然后采用自底向上的模型,进行显著性图像的初步获取,得到第一显著性图像;
获取第一显著性图像过程包括步骤:
S021、先在待检测图像划分中心区域和边缘区域,中心区域与待检测图像同心,待检测图像去除中心区域外为边缘区域,边缘区域内的像素为边缘像素;
设获取的待检测图像的宽度为W像素,高度为H像素,则待检测图像中所有像素总数为N=WH,待检测图像中像素i的信息Si为:
Si=[ri gi bi],(i=1,2,…,WH) (1)
其中,ri、gi、bi分别表示像素i的R、G、B三个分量的数值。
在待检测图像I中设置中心区域I1,中心区域I1相对于待检测图像I的宽度百分比为c(0.8≤c<1),高度百分比为d(0.8≤d<1),则可得中心区域I1的宽度为cW像素,高度为dH像素。待检测图像I中除去中心区域I1外为边缘区域I2,根据其与中心区域I1的相对位置,可将其分为如图1所示的上边缘、下边缘、左边缘、右边缘,四个边缘平均分配,上下边缘高度相同,左右边缘宽度相同。边缘区域I2中边缘像素的总数为Nbian=(1-cd)WH。
Li *=116f(Yi/Yn)-16,(i=1,2,…,WH)
ai *=500[f(Xi/Xn)-f(Yi/Yn)],(i=1,2,…,WH)
bi *=500[f(Yi/Yn)-f(Zi/Zn)],(i=1,2,…,WH)
其中f为
其中,Xi、Yi、Zi为转换中间变量;Xn、Yn、Zn值为1;L*表示像素i颜色的亮度,取值范围为0~100,L*=0表示黑色,L*=100表示白色;a*表示像素i在红色和绿色之间的位置,a*为正值表示红色,a*为负值表示绿色;b*表示像素i在黄色和蓝色之间的位置,b*为正值表示黄色,b*为负值表示蓝色。由上述公式可得待检测图像I中所有像素的Li *、ai *、bi *数值。
步骤S023中,以每个边缘像素为中心的邻域区块来表示对应边缘像素的特征,用邻域区块中每一像素的像素信息S*分量值乘以对应的权重系数作为对应边缘像素特征值,权重系数为邻域区块中像素与对应边缘像素距离的倒数,具体为:
设边缘像素的邻域区块大小为n*n,n为奇数,对于靠近外侧的边缘像素,当边缘像素与图像边缘的距离小于(n-1)/2时,则邻域区块为从图像边缘向内n个像素宽度组成的区域。边缘像素i的特征向量可表示为:
Ti=[Ti L Ti a Ti b]T,(i∈I2)
其中,Ti L、Ti a、Ti b分别为n*n邻域区块中所有像素点的Li *、ai *、bi *数值。
其中αr,βr,χr(r=1,...,n*n)均为权重因子,表示邻域区块中每个像素的L*、a*、b*分量对应的权重系数,一般可取其与邻域区块对应边缘像素距离的倒数。如邻域区块中某个像素与对应的边缘像素距离为2,则αr,βr,χr均取为1/2。
K-means++聚类算法进行聚类的过程包括步骤:
S0231、在所有的边缘像素中随机选取一个像素作为聚类中心;
S0233、计算每个边缘像素到当前每个聚类中心的距离并将边缘像素分配到距离最小的聚类中心对应的聚类群组中;
S0234、对每个聚类群组中样本数目进行判断,样本数目小于设定的最小值时,解散聚类群组,样本数目大于设定的最大值时,将聚类群组分为两个子群组;
S0235、判断是否满足设定的终止条件,满足条件计算终止,不满足,重复步骤S0232-S0235。终止条件可以是每个聚类群组内部元素不在变化,或者迭代超过一定的次数。
S025、最后计算待检测图像中每一像素的特征向量与每一个聚类群组中心的距离,对每个像素到所有聚类群组中心的距离进行归一化处理,得到第一显著性图像。
对待检测图像中每一个像素,首先取其相应n*n邻域区块,进而得到该像素对应的特征向量,然后计算该特征向量与每一聚类群组中心的距离,计算方法如下:
再将像素i到所有聚类群组中心的距离进行归一化求和,计算方法如下:
权重值为每个聚类群组中的边缘像素数目与总边缘像素数目的比值。
S03、利用等面积多直方图均衡算法对第一显著性图像进行增强,得到第二显著性图像;
S031、先计算第一显著性图像灰度级的概率密度函数:WH为第一显著性图像中所有像素点总数,nk为第一显著性图像中灰度值为k的像素点的个数,L为第一显著性图像的灰度级;第一显著性图像灰度级的累计分布函数为:
S032、以第一显著性图像灰度值的中值Imean作为标准,取作为阈值,将第一显著性图像划分为J个子图,然后得到每一像素灰度值k变换后的灰度数值F(k),F(k)=(L-1)×c(k),(k=0,1,…,L-1),并生成灰度变换查找表;
S033、最后根据灰度变换查找表得到直方图均衡后的J个子图,然后将所有子图进行叠加,即可得到等面积多直方图均衡算法增强后的第二显著性图像。
S04、基于超像素的再优化对第二显著性图像进行处理,得到第三显著性图像;
所述步骤S04中,超像素再优化的过程包括步骤:
S041、先对第二显著性图像进行超像素级表示;
S042、然后采用SLIC算法进行超像素分割,划分为若干超像素区域,每个超像素区域的显著值为区域内所有像素显著值的平均值;
S043、第q个超像素区域,设其显著值为Sc(q),运用下述算法对其进一步处理,处理后的显著值为:
其中,j∈Θ1表示与第q个超像素区域在1个距离内的邻近超像素的集合,是基于第q个超像素区域与1个距离内超像素j之间欧式距离的权值参数;m∈Θ2为与第q个超像素在2个距离内的邻近超像素的集合,是基于第q个超像素区域与2个距离内超像素m之间的欧式距离的权值参数。d(q)∈{0,1}是一个二值量,若超像素区域q与图像中的强边缘相接,则d(q)=1,若超像素区域q与图像中的强边缘不直接相接,则d(q)=0,强边缘为图像上的梯度边缘。
S05、最后,根据第三显著性图像标出缺陷所在位置,运用全局阈值法对得到的第三显著性图像进行自适应阈值化,取全局的中位数然后进行二值化得到二值图像,二值图像中白色区域及为检测到的缺陷区域,进而标出皮革等材料表面的缺陷所在位置。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于特征建模显著性检测的皮革材料表面缺陷检测方法,其特征在于,包括步骤:
S01、先采集皮革材料的视频信息,在视频中选取若干帧图像作为待检测图像;
S02、然后采用自底向上的模型,进行显著性图像的初步获取,得到第一显著性图像;
S03、利用等面积多直方图均衡算法对第一显著性图像进行增强,得到第二显著性图像;
S04、基于超像素的再优化对第二显著性图像进行处理,得到第三显著性图像;
S05、最后,根据第三显著性图像标出缺陷所在位置,运用全局阈值法对得到的第三显著性图像进行自适应阈值化,得到二值图像,二值图像中白色区域及为检测到的缺陷区域,进而标出皮革等材料表面的缺陷所在位置。
2.根据权利要求1所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法,其特征在于,所述步骤S02中,获取第一显著性图像过程包括步骤:
S021、先在待检测图像I划分中心区域I1和边缘区域I2,中心区域I1与待检测图像I同心,待检测图像I去除中心区域I1外为边缘区域I2,边缘区域I2内的像素为边缘像素;
S023、计算每一边缘像素的特征向量,运用K-means++聚类算法对边缘像素进行聚类;
S024、统计对边缘像素聚类后的聚类群组数目,以及每个聚类群组中的边缘像素数目,利用算数平均数计算每个聚类群组的中心特征值;
S025、最后计算待检测图像中每一像素的特征向量与每一个聚类群组中心的距离,对每个像素到所有聚类群组中心的距离进行归一化处理,得到第一显著性图像。
3.根据权利要求2所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法,其特征在于,步骤S023中,以每个边缘像素为中心的邻域区块来表示对应边缘像素的特征,用邻域区块中每一像素的像素信息S*分量值乘以对应的权重系数作为对应边缘像素特征值,权重系数为邻域区块中像素与对应边缘像素距离的倒数。
4.根据权利要求3所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法,其特征在于,所述邻块区域为与边缘像素相邻的n个像素宽度组成的区域,邻块区域的大小为n*n,n为奇数,对于靠近外侧的边缘像素,当边缘像素与图像边缘的距离小于(n-1)/2时,则邻域区块为从图像边缘向内n个像素宽度组成的区域。
5.根据权利要求2或3所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法,其特征在于,K-means++聚类算法进行聚类的过程包括步骤:
S0231、在所有的边缘像素中随机选取一个像素作为聚类中心;
S0233、计算每个边缘像素到当前每个聚类中心的距离并将边缘像素分配到距离最小的聚类中心对应的聚类群组中;
S0234、对每个聚类群组中样本数目进行判断,样本数目小于设定的最小值时,解散聚类群组,样本数目大于设定的最大值时,将聚类群组分为两个子群组;
S0235、判断是否满足设定的终止条件,满足条件计算终止,不满足,重复步骤S0232-S0235。
6.根据权利要求2所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法,其特征在于,所述中心区域I1相对于待检测图像I的宽度百分比为c,相对于待检测图像I的高度百分比为d,0.8≤c<1,0.8≤d<1。
7.根据权利要求1所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法,其特征在于,所述步骤S03中,获取第二显著性图像过程包括步骤:
S031、先计算第一显著性图像灰度级的概率密度函数:WH为第一显著性图像中所有像素点总数,nk为第一显著性图像中灰度值为k的像素点的个数,L为第一显著性图像的灰度级;第一显著性图像灰度级的累计分布函数为:
S032、以第一显著性图像灰度值的中值Imean作为标准,取作为阈值,将第一显著性图像划分为J个子图,然后得到每一像素灰度值k变换后的灰度数值F(k),F(k)=(L-1)×c(k),(k=0,1,...,L-1),并生成灰度变换查找表;
S033、最后根据灰度变换查找表得到直方图均衡后的J个子图,然后将所有子图进行叠加,即可得到等面积多直方图均衡算法增强后的第二显著性图像。
8.根据权利要求1所述的基于特征建模显著性检测的皮革材料表面缺陷检测方法,其特征在于,所述步骤S04中,超像素再优化的过程包括步骤:
S041、先对第二显著性图像进行超像素级表示;
S042、然后采用SLIC算法进行超像素分割,划分为若干超像素区域,每个超像素区域的显著值为区域内所有像素显著值的平均值;
S043、第q个超像素区域,设其显著值为Sc(q),运用下述算法对其进一步处理,处理后的显著值为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670295.XA CN114299051A (zh) | 2021-12-31 | 2021-12-31 | 基于特征建模显著性检测的皮革材料表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670295.XA CN114299051A (zh) | 2021-12-31 | 2021-12-31 | 基于特征建模显著性检测的皮革材料表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114299051A true CN114299051A (zh) | 2022-04-08 |
Family
ID=80973363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111670295.XA Pending CN114299051A (zh) | 2021-12-31 | 2021-12-31 | 基于特征建模显著性检测的皮革材料表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299051A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693686A (zh) * | 2022-06-02 | 2022-07-01 | 启东市鸿盛纺织有限公司 | 一种用于床单布匹污渍检测的方法 |
CN114897896A (zh) * | 2022-07-11 | 2022-08-12 | 南通东方雨虹建筑材料有限公司 | 基于灰度变换的建筑木材缺陷检测方法 |
CN114986520A (zh) * | 2022-07-28 | 2022-09-02 | 广东毕要科技有限公司 | 一种基于机器视觉的四轴并联机器人分拣系统及方法 |
CN116152242A (zh) * | 2023-04-18 | 2023-05-23 | 济南市莱芜区综合检验检测中心 | 一种篮球用天然皮革缺陷可视化检测系统 |
-
2021
- 2021-12-31 CN CN202111670295.XA patent/CN114299051A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693686A (zh) * | 2022-06-02 | 2022-07-01 | 启东市鸿盛纺织有限公司 | 一种用于床单布匹污渍检测的方法 |
CN114897896A (zh) * | 2022-07-11 | 2022-08-12 | 南通东方雨虹建筑材料有限公司 | 基于灰度变换的建筑木材缺陷检测方法 |
CN114986520A (zh) * | 2022-07-28 | 2022-09-02 | 广东毕要科技有限公司 | 一种基于机器视觉的四轴并联机器人分拣系统及方法 |
CN114986520B (zh) * | 2022-07-28 | 2022-10-28 | 广东毕要科技有限公司 | 一种基于机器视觉的四轴并联机器人分拣系统及方法 |
CN116152242A (zh) * | 2023-04-18 | 2023-05-23 | 济南市莱芜区综合检验检测中心 | 一种篮球用天然皮革缺陷可视化检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114299051A (zh) | 基于特征建模显著性检测的皮革材料表面缺陷检测方法 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN109544583B (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN108734131B (zh) | 一种图像中的交通标志对称性检测方法 | |
CN112435272B (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN115131375B (zh) | 一种矿石自动分割方法 | |
CN106815843A (zh) | 一种基于凸包中心先验和马尔可夫吸收链的果实目标获取方法 | |
CN115631173A (zh) | 一种复合薄膜缺陷识别方法 | |
CN114511770A (zh) | 道路标识标牌识别方法 | |
CN112330561B (zh) | 基于交互式前景提取与信息熵分水岭的医学图像分割方法 | |
CN114550167B (zh) | 一种基于人工智能的梨的品质分类方法及装置 | |
CN115294116A (zh) | 基于人工智能的纺织材料染色质量评估方法、装置及系统 | |
CN115131356B (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN116805316B (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
CN112365450A (zh) | 基于图像识别的物品分类计数的方法、装置和存储介质 | |
CN108171683B (zh) | 一种采用软件自动识别的细胞计数方法 | |
Arunachalam et al. | Identification of defects in fruits using digital image processing | |
CN115100174A (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
CN110298835B (zh) | 一种皮革表面破损检测方法、系统及相关装置 | |
CN108491846B (zh) | 成熟果实机器识别方法 |
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 |