CN114332081A - 基于图像处理的纺织品表面异常判定方法 - Google Patents
基于图像处理的纺织品表面异常判定方法 Download PDFInfo
- Publication number
- CN114332081A CN114332081A CN202210213703.7A CN202210213703A CN114332081A CN 114332081 A CN114332081 A CN 114332081A CN 202210213703 A CN202210213703 A CN 202210213703A CN 114332081 A CN114332081 A CN 114332081A
- Authority
- CN
- China
- Prior art keywords
- image
- textile
- frequency component
- low
- sub
- 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
Abstract
本发明涉及纺织品异常判定领域,具体涉及一种基于图像处理的纺织品表面异常判定方法,包括:获取纺织品去噪后的表面图像;获取频域图像;对频域图像进行滤波处理,得到低频图像和高频图像;对低频灰度图进行等区域划分,根据各子区域的累积分布函数和直方图获取分配因子,利用分配因子对低频图像进行强化;对高频图像进行双线性插值运算,得到强化后的高频图像;根据强化后的低频图像和高频图像得到强化后的表面图像;对强化前后的表面图像进行作差,得到异常区域图像;获取异常区域RGB图像;根据异常区域RGB图像对纺织品的异常程度进行判定。上述方法用于对纺织品进行异常判定,通过上述方法可提高异常判定的准确度。
Description
技术领域
本发明涉及纺织品异常判定领域,具体涉及一种基于图像处理的纺织品表面异常判定方法。
背景技术
纺织品在生产过程中,由于生产设备以及外界人为因素等容易导致纺织品表面出现各种异常现象。当纺织品表面出现异常时,将会影响后续纺织品制造的质量问题,以及影响生产完成的纺织品的销售。因此,对纺织品表面进行异常判定是很必要的。
目前用于对纺织品表面进行异常判定的手段主要是人工方式,是根据操作人员已有经验对纺织品进行目视检测,完成对纺织品表面的判定。
然而,人工进行目视检测具有检测效率低、判定结果不准确以及耗时耗力等缺陷,因此亟需一种方法用于提高对纺织品表面异常判定的准确度和效率。
发明内容
本发明提供一种基于图像处理的纺织品表面异常判定方法,包括:获取纺织品去噪后的表面图像;获取频域图像;对频域图像进行滤波处理,得到低频图像和高频图像;对低频灰度图进行等区域划分,根据各子区域的累积分布函数和直方图获取分配因子,利用分配因子对低频图像进行强化;对高频图像进行双线性插值运算,得到强化后的高频图像;根据强化后的低频图像和高频图像得到强化后的表面图像;对强化前后的表面图像进行作差,得到异常区域图像;获取异常区域RGB图像;根据异常区域RGB图像对纺织品的异常程度进行判定,相比于现有技术,本发明基于计算机视觉对纺织品表面图像进行分析,设定表面异常检测模型,得到异常区域图像,进一步将异常区域图像输入异常判定模型,得到纺织品表面的异常程度,相对传统人工判定纺织品表面异常状况,本发明具有异常检测速度快、效率高以及准确性高等效果。同时,本发明仅通过图像采集设备对纺织品进行采集,并基于图像数据进行处理分析,可有效降低系统成本。
为达到上述目的,本发明采用以下技术方案,一种基于图像处理的纺织品表面异常判定方法,包括:
获取待检测纺织品去噪后的表面图像。
对去噪后的表面图像进行频域变换,得到待检测纺织品的频域图像。
对频域图像进行滤波处理,得到低频分量图像和高频分量图像。
对低频分量灰度图进行等区域划分得到各子区域,根据各子区域的累积分布函数和灰度直方图获取低频分量图像的分配因子,利用获取的分配因子对低频分量图像进行强化。
对高频分量图像进行双线性插值运算,得到强化后的高频分量图像。
根据强化后的低频分量图像和高频分量图像得到待检测纺织品强化后的表面图像。
对待检测纺织品强化前后的表面图像进行作差,得到异常区域图像。
利用获取异常区域图像的位置信息得到表面图像的异常区域RGB图像。
根据异常区域RGB图像对待检测纺织品的异常程度进行判定。
进一步的,所述一种基于图像处理的纺织品表面异常判定方法,所述低频分量图像和高频分量图像是按照如下方式得到:
建立滤波函数,利用滤波函数对频域图像进行滤波处理,得到低频分量图像。
对频域图像和低频分量图像进行作差,得到高频分量图像。
进一步的,所述一种基于图像处理的纺织品表面异常判定方法,所述对低频分量图像进行强化的过程具体如下:
对低频分量图像进行灰度化处理,得到低频分量灰度图。
对灰度图进行等区域划分,得到各个子区域。
对各子区域进行直方图均衡化,获取各子区域的累积分布函数。
根据各子区域的直方图和累积分布函数计算得到各子区域的直方图门限值。
获取各子区域直方图中高于门限值的灰度值。
根据各子区域直方图中高于门限值的灰度值获取各子区域灰度等级的分配因子。
将分配因子加在各个子区域的灰度等级下,对低频分量图像进行强化。
进一步的,所述一种基于图像处理的纺织品表面异常判定方法,所述各子区域的直方图门限值是按照如下方式得到:
设定门限函数,根据门限函数计算得到各子区域的直方图门限值。
所述门限函数的表达式如下:
进一步的,所述一种基于图像处理的纺织品表面异常判定方法,所述分配因子的表达式如下:
进一步的,所述一种基于图像处理的纺织品表面异常判定方法,所述待检测纺织品强化后的表面图像是按照如下方式得到:
将强化后的低频分量图像和高频分量图像进行叠加,得到强化后的频域图像。
对强化后的频域图像进行逆变换,得到待检测纺织品强化后的表面图像。
进一步的,所述一种基于图像处理的纺织品表面异常判定方法,所述异常区域图像的表达式如下:
进一步的,所述一种基于图像处理的纺织品表面异常判定方法,所述对待检测纺织品的异常程度进行判定的过程具体如下:
将异常区域RGB图像输入纺织品表面异常判定模型,通过特征提取编码器对异常区域RGB图像中的特征进行提取,经过特征展平后送入全连接层对待检测纺织品的异常程度进行判定,输出得到待检测纺织品的表面异常程度等级。
设置阈值,当待检测纺织品的表面异常程度等级高于阈值,则判定该待检测纺织品表面异常程度过高,需要进行再次加工处理。
本发明的有益效果在于:
本发明基于计算机视觉对纺织品表面图像进行分析,设定表面异常检测模型,得到异常区域图像,进一步将异常区域图像输入异常判定模型,得到纺织品表面的异常程度,相对传统人工判定纺织品表面异常状况,本发明具有异常检测速度快、效率高以及准确性高等效果。同时,本发明仅通过图像采集设备对纺织品进行采集,并基于图像数据进行处理分析,可有效降低系统成本。
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为本发明实施例1提供的一种纺织品表面异常判定方法流程示意图;
图2为本发明实施例2提供的一种纺织品表面异常判定方法流程示意图。
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。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。
实施例1
本发明实施例提供一种基于图像处理的纺织品表面异常判定方法,如图1所示,包括:
S101、获取待检测纺织品去噪后的表面图像。
其中,去噪主要是采用高斯滤波去噪。
S102、对去噪后的表面图像进行频域变换,得到待检测纺织品的频域图像。
其中,频域变换是物理学术语,将复杂的时间信号或空间信号变换成以频率成分表示的结构形式就是频域变换。
S103、对频域图像进行滤波处理,得到低频分量图像和高频分量图像。
其中,滤波是将信号中特定波段频率滤除的操作,是抑制和防止干扰的一项重要措施,滤波分为经典滤波和现代滤波。
S104、对低频分量灰度图进行等区域划分得到各子区域,根据各子区域的累积分布函数和灰度直方图获取低频分量图像的分配因子,利用获取的分配因子对低频分量图像进行强化。
其中,累积分布函数,又叫分布函数,是概率密度函数的积分,能完整描述一个实随机变量X的概率分布。
S105、对高频分量图像进行双线性插值运算,得到强化后的高频分量图像。
其中,双线性插值,又称为双线性内插。在数学上,双线性插值是有两个变量的插值函数的线性插值扩展,其核心思想是在两个方向分别进行一次线性插值。
S106、根据强化后的低频分量图像和高频分量图像得到待检测纺织品强化后的表面图像。
其中,将强化后的低频分量图像和高频分量图像进行叠加和逆变换得到强化后的表面图像。
S107、对待检测纺织品强化前后的表面图像进行作差,得到异常区域图像。
其中,作差是指的强化前后的表面图像的像素点像素值的差值。
S108、利用获取异常区域图像的位置信息得到表面图像的异常区域RGB图像。
其中,异常区域RGB图像用于后续对纺织品异常程度进行判定。
S109、根据异常区域RGB图像对待检测纺织品的异常程度进行判定。
其中,纺织品表面异常判定模型为常见的神经网络模型。
本实施例的有益效果在于:
本实施例基于计算机视觉对纺织品表面图像进行分析,设定表面异常检测模型,得到异常区域图像,进一步将异常区域图像输入异常判定模型,得到纺织品表面的异常程度,相对传统人工判定纺织品表面异常状况,本实施例具有异常检测速度快、效率高以及准确性高等效果。同时,本实施例仅通过图像采集设备对纺织品进行采集,并基于图像数据进行处理分析,可有效降低系统成本。
实施例2
本实施例主要通过图像数据对纺织品的异常现象进行检测识别,通过对图像数据进行特征提取,检测纺织品表面的异常区域,进一步对局部异常区域进行分析、识别,检测纺织品表面异常区域,以便为相关人员提供参考意见,以及时采取异常修复措施进行处理。
本发明实施例提供一种基于图像处理的纺织品表面异常判定方法,如图2所示,包括:
S201、采集纺织品表面图像。
首先,设置图像采集设备,用于对待检测的纺织品表面进行图像采集,摄像头的拍摄范围及角度实施者根据实际情况自行调整。
S202、对表面图像进行去噪处理。
考虑到纺织品生产环境较为复杂,存在大量的噪声,对于采集的图像数据而言,图像中将会存在很多噪点,影响异常检测判定效果,为提高图像质量避免图像中噪声的影响,提高系统检测精度,本实施例将先对采集的图像数据进行高斯滤波去噪,消除图像中的噪声。
至此,即可得到用于异常检测分析的纺织品表面图像数据。在此提前说明一下,后续对于纺织品表面的各种检测判定均是在去噪处理后的基础图像上进行的。
S203、设定纺织品表面异常检测模型。
获取待检测纺织品表面的基础图像数据后,本实施例将对图像数据进行分析,本实施例主要基于图像数据对纺织品表面异常进行检测,并实现表面异常程度的判定。因此,本实施例将先构建纺织品表面异常检测模型,实现对纺织品表面出现的异常状况进行检测。
所述纺织品表面异常检测模型具体为:
为实现对纺织品表面异常区域的检测,本实施例将先对纺织品表面图像数据进行显著性处理,该过程可以对纺织品表面的异常区域的特征更加凸显,以获取纺织品表面图像的显著性区域,提高纺织品表面异常检测的精度,降低无关因素的影响。所述纺织品表面图像显著性处理过程具体为:
A.对于图像数据,本实施例首先对图像进行频域变换:
式中,为转换后的频域图像,为纺织品表面基础图像数据,M为基础图像像素点的总数量,为转换后的频域图像中的像素点坐标;为纺织品表面基础图像中的像素点坐标。得到对应的频域图像之后,本实施例将基于频域图像的数据处理以实现对纺织品表面图像的显著性处理;
式中,为滤波中心,t为大于等于1的滤波函数调节参数,为转换后的频域图像中的像素点坐标。本实施例将其设置为t=5。通过所述滤波函数对频域图像进行滤波处理,即可得到对应的低频分量图像,然后通过频域图像与所述低频分量图像数据进行作差,可得到对应的高频分量:,将得到的低频分量和高频分量作为后续频域处理的图像数据;
C.对于低频分量图像数据,本实施例首先对其进行子区域划分,将其划分为多个同尺寸的子区域,并进行子区域的分割,减少分析过程中干扰因素的影响导致显著性处理效果不明显。本实施例针对低频分量图像的各子区域进行直方图分析,实现对低频图像的显著性处理,使得异常区域更加突出。先对子区域进行直方图均衡化,获取对应的累积分布函数,代表第s个子区域的累积分布,直方图的获取以及对应累积分布函数的获取为现有公知技术,本实施例不做相关阐述;
D.得到各子区域的累积分布后,本实施例将基于累积分布函数以及直方图将对各子区域内的像素分布情况进行重新分配,实现各子区域直方图进行再分配处理,以达到显著性处理效果,具体过程为:首先设定门限函数,用于计算子区域直方图的门限值,所述门限函数为:
E.基于所获取的各门限值,将各子区域直方图中高于对应门限值的数值全部找出来构成一个集合B,本实施例将基于集合B中的各元素值对各子区域的直方图进行再分配,以对各子区域灰度分布进行调整。所述各子区域直方图再分配过程具体为:先基于集合B内各元素获取分配因子:
F.对于高频分量,本实施例将对高频分量进行双线性插值运算,在x、y两个方向上分别进行插值运算,对其进行显著性处理,以实现对高频分量图像数据的增强效果。在此需要说明,插值运算为现有公知技术,本实施例不做相关阐述。至此,可得到双线性插值后获取的新的高频分量图像数据;
G.最后,基于所获取的新的低频分量图像和高频分量图像,将其进行叠加处理:,对于处理后的频域图像进行逆变换,即可得到对应的显著性处理后的时域图像数据。在此需要说明,所述逆变换为上述频域变换的逆过程,变换过程为现有公知技术,不在本实施例保护范围内,不做相关阐述。
S204、获取异常区域图像。
对于显著性处理后的图像,可将纺织品表面的异常区域的特征更加凸显,可有效增强图像中的异常区域信息。本实施例将基于所获取的显著性图像以及待检测纺织品对应的基础图像数据,可对纺织品表面的各异常区域进行检测。所述各异常区域对应的图像为:
至此,根据本实施例所设置的异常检测模型,可基于纺织品表面图像数据对纺织品表面的特征参数进行提取,以获取纺织品表面的结构分布特征参数以及颜色特征信息,对纺织品表面的状况进行表征,后续可实现对纺织品异常程度的准确定量计算。
S205、建立纺织品表面异常判定模型,计算得到纺织品表面的异常程度。
获取各异常区域之后,考虑到图像数据都是一一对应的,本实施例将基于各异常区域像素点的位置信息,获取前面所述基础图像中纺织品表面的各异常区域,保留基础图像中各异常区域的像素点的像素值,将其他像素点的像素值置0,以降低后续系统对异常状况判定的计算量且避免无关区域对异常判定结果的干扰。至此,可获取仅包含待检测纺织品表面各异常区域的RGB图像,将其记为:异常区域RGB图像,作为纺织品表面异常判定模型的输入,用于对纺织品表面异常程度进行准确分析。
获取纺织品表面异常判定模型的输入图像数据后,本实施例将采用神经网络模型实现对纺织品表面异常程度的判定。所述神经网络模型的结构为常见的Encoder-FC的形式,网络的输入为待检测纺织品所对应的异常区域RGB图像,通过特征提取编码器Encoder对各输入图像中的特征进行提取,经过特征展平后送入全连接层FC对待检测纺织品的异常程度进行判定,网络输出为待检测纺织品表面的异常程度等级。在此需要说明,网络在进行训练时,人为进行标签数据的制作,将纺织品表面异常程度分为1,2,3,4,5共五个等级,其中,等级越高,则认为纺织品表面异常状况越严重。网络训练的具体过程为现有公知技术,本实施例不做相关阐述。至此,即可根据训练完成的网络,获取纺织品表面的异常等级,本实施例将对纺织品表面异常等级设定等级阈值T,当待检测纺织品表面的异常等级高于阈值T时,将认为待检测纺织品表面异常程度过高,无法满足后期的使用需求,不能达到纺织品表面质量要求,需要进行再次加工处理,以提高纺织品的成品率。
至此,即可根据本实施例所述方法获取待检测纺织品的异常程度,以便为操作工提供相关的参考意见。本实施例基于图像数据对纺织品表面异常状况进行检测,进一步基于神经网络模型实现对纺织品表面异常程度的判定,具有无接触性、检测速度快以及判定精度高等优点。
本实施例的有益效果在于:
本实施例基于计算机视觉对纺织品表面图像进行分析,设定表面异常检测模型,得到异常区域图像,进一步将异常区域图像输入异常判定模型,得到纺织品表面的异常程度,相对传统人工判定纺织品表面异常状况,本实施例具有异常检测速度快、效率高以及准确性高等效果。同时,本实施例仅通过图像采集设备对纺织品进行采集,并基于图像数据进行处理分析,可有效降低系统成本。
以上所述仅为本发明的较佳实施例而已,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 (8)
1.一种基于图像处理的纺织品表面异常判定方法,其特征在于,包括:
获取待检测纺织品去噪后的表面图像;
对去噪后的表面图像进行频域变换,得到待检测纺织品的频域图像;
对频域图像进行滤波处理,得到低频分量图像和高频分量图像;
对低频分量灰度图进行等区域划分得到各子区域,根据各子区域的累积分布函数和灰度直方图获取低频分量图像的分配因子,利用获取的分配因子对低频分量图像进行强化;
对高频分量图像进行双线性插值运算,得到强化后的高频分量图像;
根据强化后的低频分量图像和高频分量图像得到待检测纺织品强化后的表面图像;
对待检测纺织品强化前后的表面图像进行作差,得到异常区域图像;
利用获取异常区域图像的位置信息得到表面图像的异常区域RGB图像;
根据异常区域RGB图像对待检测纺织品的异常程度进行判定。
2.根据权利要求1所述的一种基于图像处理的纺织品表面异常判定方法,其特征在于,所述低频分量图像和高频分量图像是按照如下方式得到:
建立滤波函数,利用滤波函数对频域图像进行滤波处理,得到低频分量图像;
对频域图像和低频分量图像进行作差,得到高频分量图像。
3.根据权利要求1所述的一种基于图像处理的纺织品表面异常判定方法,其特征在于,所述对低频分量图像进行强化的过程具体如下:
对低频分量图像进行灰度化处理,得到低频分量灰度图;
对灰度图进行等区域划分,得到各个子区域;
对各子区域进行直方图均衡化,获取各子区域的累积分布函数;
根据各子区域的直方图和累积分布函数计算得到各子区域的直方图门限值;
获取各子区域直方图中高于门限值的灰度值;
根据各子区域直方图中高于门限值的灰度值获取各子区域灰度等级的分配因子;
将分配因子加在各个子区域的灰度等级下,对低频分量图像进行强化。
6.根据权利要求1所述的一种基于图像处理的纺织品表面异常判定方法,其特征在于,所述待检测纺织品强化后的表面图像是按照如下方式得到:
将强化后的低频分量图像和高频分量图像进行叠加,得到强化后的频域图像;
对强化后的频域图像进行逆变换,得到待检测纺织品强化后的表面图像。
8.根据权利要求1所述的一种基于图像处理的纺织品表面异常判定方法,其特征在于,所述对待检测纺织品的异常程度进行判定的过程具体如下:
将异常区域RGB图像输入纺织品表面异常判定模型,通过特征提取编码器对异常区域RGB图像中的特征进行提取,经过特征展平后送入全连接层对待检测纺织品的异常程度进行判定,输出得到待检测纺织品的表面异常程度等级;
设置阈值,当待检测纺织品的表面异常程度等级高于阈值,则判定该待检测纺织品表面异常程度过高,需要进行再次加工处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213703.7A CN114332081B (zh) | 2022-03-07 | 2022-03-07 | 基于图像处理的纺织品表面异常判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213703.7A CN114332081B (zh) | 2022-03-07 | 2022-03-07 | 基于图像处理的纺织品表面异常判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332081A true CN114332081A (zh) | 2022-04-12 |
CN114332081B CN114332081B (zh) | 2022-06-14 |
Family
ID=81030689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210213703.7A Active CN114332081B (zh) | 2022-03-07 | 2022-03-07 | 基于图像处理的纺织品表面异常判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332081B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861722A (zh) * | 2023-03-02 | 2023-03-28 | 江西服装学院 | 一种面料砂洗工艺异常检测方法及系统 |
CN116152133A (zh) * | 2023-04-20 | 2023-05-23 | 山东超越纺织有限公司 | 基于人工智能的混纺缺陷检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006234656A (ja) * | 2005-02-25 | 2006-09-07 | Ricoh Co Ltd | 欠陥検出装置、欠陥検出方法 |
JP2008249413A (ja) * | 2007-03-29 | 2008-10-16 | Fujinon Corp | 欠陥検出方法および装置 |
CN101452575A (zh) * | 2008-12-12 | 2009-06-10 | 北京航空航天大学 | 一种基于神经网络的图像自适应增强方法 |
CN111951223A (zh) * | 2020-07-16 | 2020-11-17 | 西南林业大学 | 一种木材节子瑕疵的图像自动识别方法及系统 |
CN112529893A (zh) * | 2020-12-22 | 2021-03-19 | 郑州金惠计算机系统工程有限公司 | 基于深度神经网络的轮毂表面瑕疵在线检测方法及系统 |
US20210104034A1 (en) * | 2019-10-02 | 2021-04-08 | Kla Corporation | Frequency domain enhancement of low-snr flat residue/stain defects for effective detection |
CN112669222A (zh) * | 2019-10-15 | 2021-04-16 | 国际关系学院 | 基于小波域直方图均衡化的数字图像去雾方法 |
US20210183052A1 (en) * | 2018-12-28 | 2021-06-17 | Omron Corporation | Defect inspecting device, defect inspecting method, and storage medium |
CN113269770A (zh) * | 2021-06-08 | 2021-08-17 | 深圳市英视自动化科技有限公司 | 一种视觉缺陷检测用图像增强方法、系统及设备 |
CN113724214A (zh) * | 2021-08-23 | 2021-11-30 | 唯智医疗科技(佛山)有限公司 | 一种基于神经网络的图像处理方法及装置 |
CN113989279A (zh) * | 2021-12-24 | 2022-01-28 | 武汉华康龙兴工贸有限公司 | 基于人工智能及图像处理的塑料薄膜质量检测方法 |
-
2022
- 2022-03-07 CN CN202210213703.7A patent/CN114332081B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006234656A (ja) * | 2005-02-25 | 2006-09-07 | Ricoh Co Ltd | 欠陥検出装置、欠陥検出方法 |
JP2008249413A (ja) * | 2007-03-29 | 2008-10-16 | Fujinon Corp | 欠陥検出方法および装置 |
CN101452575A (zh) * | 2008-12-12 | 2009-06-10 | 北京航空航天大学 | 一种基于神经网络的图像自适应增强方法 |
US20210183052A1 (en) * | 2018-12-28 | 2021-06-17 | Omron Corporation | Defect inspecting device, defect inspecting method, and storage medium |
US20210104034A1 (en) * | 2019-10-02 | 2021-04-08 | Kla Corporation | Frequency domain enhancement of low-snr flat residue/stain defects for effective detection |
CN112669222A (zh) * | 2019-10-15 | 2021-04-16 | 国际关系学院 | 基于小波域直方图均衡化的数字图像去雾方法 |
CN111951223A (zh) * | 2020-07-16 | 2020-11-17 | 西南林业大学 | 一种木材节子瑕疵的图像自动识别方法及系统 |
CN112529893A (zh) * | 2020-12-22 | 2021-03-19 | 郑州金惠计算机系统工程有限公司 | 基于深度神经网络的轮毂表面瑕疵在线检测方法及系统 |
CN113269770A (zh) * | 2021-06-08 | 2021-08-17 | 深圳市英视自动化科技有限公司 | 一种视觉缺陷检测用图像增强方法、系统及设备 |
CN113724214A (zh) * | 2021-08-23 | 2021-11-30 | 唯智医疗科技(佛山)有限公司 | 一种基于神经网络的图像处理方法及装置 |
CN113989279A (zh) * | 2021-12-24 | 2022-01-28 | 武汉华康龙兴工贸有限公司 | 基于人工智能及图像处理的塑料薄膜质量检测方法 |
Non-Patent Citations (2)
Title |
---|
PANKAJ KANDHWAY等: ""An optimal adaptive thresholding based sub-histogram equalization for brightness preserving image contrast enhancement"", 《MULTIDIMENSIONAL SYSTEMS AND SIGNAL PROCESSING》 * |
孙鸽等: ""基于机器视觉的螺纹钢表面缺陷检测方法"", 《计算机系统应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861722A (zh) * | 2023-03-02 | 2023-03-28 | 江西服装学院 | 一种面料砂洗工艺异常检测方法及系统 |
CN115861722B (zh) * | 2023-03-02 | 2023-07-25 | 江西服装学院 | 一种面料砂洗工艺异常检测方法及系统 |
CN116152133A (zh) * | 2023-04-20 | 2023-05-23 | 山东超越纺织有限公司 | 基于人工智能的混纺缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114332081B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN114529549B (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
CN114170208A (zh) | 一种基于人工智能的纸制品缺陷检测方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
CN109118442B (zh) | 一种基于Sobel算子滤波的图像增强方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN115100077B (zh) | 一种图像增强方法与装置 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN113793337A (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
CN116993731A (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN102118547A (zh) | 图像加权滤波的方法 | |
CN114565563A (zh) | 基于人工智能的彩钢板表面异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method of judging textile surface anomalies based on image processing Effective date of registration: 20220629 Granted publication date: 20220614 Pledgee: China postal savings bank, Surabaya County branch, Limited by Share Ltd. Pledgor: Sishui Yijia textile factory Registration number: Y2022980009390 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |