CN114419039A - 一种基于模板匹配的装饰墙纸缺陷检测方法 - Google Patents
一种基于模板匹配的装饰墙纸缺陷检测方法 Download PDFInfo
- Publication number
- CN114419039A CN114419039A CN202210312562.4A CN202210312562A CN114419039A CN 114419039 A CN114419039 A CN 114419039A CN 202210312562 A CN202210312562 A CN 202210312562A CN 114419039 A CN114419039 A CN 114419039A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- wallpaper
- gray
- defect
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于模板匹配的装饰墙纸缺陷检测方法,包括获取墙纸周期模板图像及待测墙纸图像,然后调整图像转灰度图像的权值来获取墙纸周期模板图像在第一主成分上的最大投影方差,根据最大投影方差确定其对应的最终权值和最终第一主成分方向,然后通过模板灰度图在最终第一主成分方向上的第一投影值及待测墙纸灰度图在最终第一主成分方向上的第二投影值来确定模板图像,通过待测墙纸图像与相对应的模板图像通过模板匹配确定缺陷区域,本发明方法提高了模板匹配的准确性和速度,进而保证缺陷位置的精确识别,实用性强,值得推广。
Description
技术领域
本发明涉及图像检测技术领域,具体涉及一种基于模板匹配的装饰墙纸缺陷检测方法。
背景技术
装饰墙纸美观且环保,已经逐渐代替传统涂料,随着墙纸需求量的增加,消费者对产品质量要求也有所提高。由于机械老化等原因使得生产出来的墙纸产品含有缺陷,质量不合格的墙纸产品流入市场将会对生产厂商产生巨大损失,不仅会影响厂商经济效益,而且会降低厂商的市场口碑,因此对于生产线上的产品检测显得格外重要。
针对墙纸缺陷检测,目前仍然主要采用的是人工检测,即通过人眼对产品进行检测。这样原始的方法在一定程度上不仅浪费人力财力,而且检测人员的工作强度非常之大。由于生产量越来越庞大,人工检测方式不仅显得笨拙,而且由于视觉疲劳等原因使得检测结果非常不准确。
现在墙纸生产线上的墙纸产品检测主要集中在硬件检测上,如均匀度、透气性、灯光等,同时一些在硬件基础上对墙纸印刷缺陷进行检测的系统目前也在研究之中,但是检测时仍然需要一定的人力去判断产品质量;对于墙纸这类纹理具有周期性特性的,通过模板匹配来识别缺陷是快速且有效的方法,但是由于采样的随机性,导致当存在缺陷时,无法准确找到对应的模板,导致无法确定缺陷位置,因此,需要一种基于模板匹配的装饰墙纸缺陷检测方法。
发明内容
本发明提供一种基于模板匹配的提高缺陷检测的准确度的装饰墙纸缺陷检测方法,以解决现有的问题。
本发明的一种基于模板匹配的装饰墙纸缺陷检测方法采用如下技术方案:该方法包括:
S1、获取墙纸周期模板图像及待测墙纸图像,设定多组图像转灰度图像的权值,根据每组权值将墙纸周期模板图像转换为模板灰度图;
S2、计算每个模板灰度图在其对应的第一主成分方向上的投影方差,获取所有投影方差中的最大投影方差,获取最大投影方差所对应的最终权值及最终第一主成分方向;
S3、根据最终权值将待测墙纸图像转化为待测灰度图,计算模板灰度图在最终第一主成分方向上的第一投影值及待测灰度图在最终第一主成分方向上的第二投影值;
S4、计算第一投影值和第二投影值的匹配度,根据匹配度得到墙纸的模板图像;
S5、获取待测墙纸图像与模板图像在相应的位置的灰度值的差值,根据差值和设定的差值阈值确定待测墙纸图像的缺陷区域。
优选的,计算每个模板灰度图在其对应的第一主成分方向上的投影方差的步骤包括:
对每个模板灰度图进行主成分分析;
根据下式(1)计算投影方差:
其中,表示在某一组权值下模板灰度图中第行列的像素点的灰度值;表示在某一组权值下及该权值对应的主成分方向上的特征向量的值;表示某一组权值下模板灰度图中第行列的像素点在该权值对应的主成分方向的投影值,表示模板灰度图在主成分方向上的投影值的均值,且,M表示周期模板图像的长度,N表示周期模板图像的宽度,m表示像素点的行位置坐标;n表示像素点的列位置坐标。
根据下式(2)计算灰度值:
其中,表示墙纸周期模板图像中第行列像素点的红色通道分量;表示墙纸周期模板图像中第行列像素点的绿色通道分量表示墙纸周期模板图像中第行列像素点的蓝色通道分量,依次为图像转灰度图像中红色通道分量、绿色通道分量、蓝色通道分量的某一组权值。
优选的,计算模板灰度图在最终第一主成分方向上的第一投影值及待测灰度图在最终第一主成分方向上的第二投影值的步骤包括:
根据下式(3)分别计算第一投影值和第二投影值:
其中,表示墙纸周期模板图像中第行列像素点的红色通道分量;表示墙纸周期模板图像中第行列像素点的绿色通道分量表示墙纸周期模板图像中第行列像素点的蓝色通道分量;表示最大投影方差所对应的最终权值;最终第一主成分方向上的特征向量,其中,,表示该特征向量的第个值。
优选的,计算第一投影值和第二投影值的匹配度的步骤包括:
根据下式(4)计算匹配度:
其中,设为待测灰度图中第行像素点在最终第一主成分方向上的第一投影值,设为待测灰度图中第行像素点在最终第一主成分方向上的第二投影值,则表示模板灰度图中第行像素点在最终主成分方向上的第一投影值,表示待测灰度图中第行像素点在最终主成分方向上的第二投影值,为第一个使得时的行数,表示待测墙纸图像的第二序列值,则为时对应的行数,表示墙纸周期模板图像的第一序列值,表示第一投影值与第二投影值相等的数量。
优选的,根据匹配度得到墙纸的模板图像的步骤包括:
获取所有匹配度中的最大匹配度;
获取最大匹配度对应的第一序列值;
根据第一序列值获取该第一序列值前后的所有序列值,所有序列值的集合即为最大匹配度时的序列;
序列中的每个序列值与墙纸周期模板灰度图上对应的行像素点组成的图像即为的待测墙纸图像对应的模板图像。
优选的,还包括根据缺陷区域对缺陷进行识别,确定缺陷类型:
对缺陷区域的灰度图进行连通域处理得到缺陷连通域;
计算每个裂纹缺陷或褶皱缺陷的多个边缘像素点距对应的裂纹缺陷或褶皱缺陷的最小外接矩形中心的第一距离,所有第一距离的集合记为第一距离序列;计算每个孔洞缺陷或黑斑缺陷的多个边缘像素点距对应的孔洞缺陷或黑斑缺陷最小外接圆圆心的第二距离,所有第二距离的集合记为第二距离序列;
本发明的有益效果是:本发明的一种基于模板匹配的装饰墙纸缺陷检测方法,通过调整图像转灰度图像的权值来使墙纸图像在第一主成分上的投影方差最大,根据最大的投影方差确定其对应的最终权值和最终第一主成分方向,然后通过模板灰度图在最终第一主成分方向上的第一投影值及待测墙纸灰度图在最终第一主成分方向上的第二投影值来确定模板图像,通过待测墙纸图像与相对应的模板图像通过模板匹配确定缺陷区域,从而提高模板匹配的准确性和速度,进而保证缺陷位置的精确识别,其次,根据缺陷区域进行缺陷识别确定缺陷类型,从而为后续缺陷处理提供数据参考,实用性强,值得推广。
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为本发明的一种基于模板匹配的装饰墙纸缺陷检测方法的实施例总体步骤的流程图。
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。
本发明的一种基于模板匹配的装饰墙纸缺陷检测方法的实施例,该方法包括:
S1、获取墙纸周期模板图像及待测墙纸图像,设定多组图像转灰度图像的权值,根据每组权值将墙纸周期模板图像转换为模板灰度图;具体的,S11、墙纸的纹理具有周期性特征,采集一个标准图像的一个周期作为墙纸周期模板图像,且墙纸周期模板图像尺寸为,通过在传送带上方设置照相机采集待测墙纸图像,待测墙纸图像的尺寸为;S12、设定多组图像转灰度图像的权值,具体的,权值的取值范围,。
S2、由于墙纸背景样式繁多、花纹复杂,对墙纸缺陷的识别有较大影响,且缺陷部分相对于墙纸背景的颜色更深,因此利用调整 RGB 图像转灰度图像的权值,可以得到 RGB不同侧重的模板灰度图,使其在后续主成分分析时,在第一主成分方向上的投影方差尽可能的大,进而保证后续确定模板的准确性和速度。具体的,计算每个模板灰度图在其对应的第一主成分方向上的投影方差的步骤包括:
S21、对每个模板灰度图进行主成分分析,获得每个模板灰度图的第一主成分方向;
S22、根据下式(1)计算投影方差:
其中,表示在某一组权值下模板灰度图中第行列的像素点的灰度值;表示在某一组权值下及该权值对应的主成分方向上的特征向量的值;表示某一组权值下模板灰度图中第行列的像素点在该权值对应的主成分方向的投影值,表示模板灰度图在主成分方向上的投影值的均值,且,M表示周期模板图像的长度,N表示周期模板图像的宽度,m表示像素点的行位置坐标;n表示像素点的列位置坐标。S221、具体的,在某一组权值下模板灰度图中第行列的像素点的灰度值的步骤包括:根据下式(2)计算灰度值:
其中,表示墙纸周期模板图像中第行列像素点的红色通道分量;表示墙纸周期模板图像中第行列像素点的绿色通道分量表示墙纸周期模板图像中第行列像素点的蓝色通道分量,依次为图像转灰度图像中红色通道分量、绿色通道分量、蓝色通道分量的某一组权值。
S23、获取式(1)计算出的所有投影方差中的最大投影方差,获取最大投影方差所对应的最终权值及最终第一主成分方向。
S3、根据最终权值将待测墙纸图像转化为待测灰度图,计算模板灰度图在最终第一主成分方向上的第一投影值及待测灰度图在最终第一主成分方向上的第二投影值。
其中,表示墙纸周期模板图像中第行列像素点的红色通道分量;表示墙纸周期模板图像中第行列像素点的绿色通道分量表示墙纸周期模板图像中第行列像素点的蓝色通道分量;表示最大投影方差所对应的最终权值;最终第一主成分方向上的特征向量,其中,,表示该特征向量的第个值,N表示宽度尺寸。
S4、计算第一投影值和第二投影值的匹配度,根据匹配度得到墙纸的模板图像。
具体的,S41、根据下式(4)计算匹配度:
其中,设为待测灰度图中第行像素点在最终第一主成分方向上的第一投影值,设为待测灰度图中第行像素点在最终第一主成分方向上的第二投影值,则表示模板灰度图中第行像素点在最终主成分方向上的第一投影值,表示待测灰度图中第行像素点在最终主成分方向上的第二投影值,为第一个使得时的行数,表示待测墙纸图像的第二序列值,则为时对应的行数,表示墙纸周期模板图像的第一序列值,表示第一投影值与第二投影值相等的数量。
具体的,S42、根据匹配度得到墙纸的模板图像的步骤包括:S421、获取所有匹配度中的最大匹配度;S422、获取最大匹配度对应的第一序列值;S423、根据第一序列值获取该第一序列值前后的所有序列值,所有序列值的集合即为最大匹配度时的序列;S424、序列中的每个序列值与墙纸周期模板灰度图上对应的行像素点组成的图像即为的待测墙纸图像对应的模板图像。
S5、获取待测墙纸图像与模板图像在相应的位置的灰度值的差值,根据差值和设定的差值阈值确定待测墙纸图像的缺陷区域,具体的,设定差值阈值为5,当灰度值的差值超过5,则认为该处存在缺陷,存在缺陷处记为1,否则记为0,得到待测墙纸图像的缺陷区域。
具体的,本方法还包括:S6、根据缺陷区域对缺陷进行识别,确定缺陷类型:S61、对缺陷区域的灰度图进行连通域处理得到缺陷连通域;S62、对每一个缺陷连通域做最小外接矩形,计算最小外接矩形的长宽比,若大于4,则为裂纹缺陷或褶皱缺陷,否则为孔洞缺陷或黑斑缺陷;S63、计算每个裂纹缺陷或褶皱缺陷的多个边缘像素点距对应的裂纹缺陷或褶皱缺陷的最小外接矩形中心的第一距离,所有第一距离的集合记为第一距离序列;计算每个孔洞缺陷或黑斑缺陷的多个边缘像素点距对应的孔洞缺陷或黑斑缺陷最小外接圆圆心的第二距离,所有第二距离的集合记为第二距离序列;S64、根据第一距离序列的一阶差分的方差计算第一形状规则度 1,根据第二距离序列的一阶差分的方差计算第二形状规则度 2;S65、当长宽比且第一形状规则度 1 的为裂纹缺陷,长宽比且第一形状规则度 1 的为褶皱缺陷;长宽比且第二形状规则度 2 ,则为孔洞缺陷,长宽比且第二形状规则度 2 的为黑斑缺陷。
综上所述,本发明提供一种基于模板匹配的装饰墙纸缺陷检测方法,本方法通过调整图像转灰度图像的权值来使墙纸图像在第一主成分上的投影方差最大,根据最大的投影方差确定其对应的最终权值和最终第一主成分方向,然后通过模板灰度图在最终第一主成分方向上的第一投影值及待测墙纸灰度图在最终第一主成分方向上的第二投影值来确定模板图像,通过待测墙纸图像与相对应的模板图像通过模板匹配确定缺陷区域,从而提高模板匹配的准确性和速度,进而保证缺陷位置的精确识别,其次,根据缺陷区域进行缺陷识别确定缺陷类型,从而为后续缺陷处理提供数据参考,实用性强,值得推广。
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 (7)
1.一种基于模板匹配的装饰墙纸缺陷检测方法,其特征在于,该方法包括:
S1、获取墙纸周期模板图像及待测墙纸图像,设定多组图像转灰度图像的权值,根据每组权值将墙纸周期模板图像转换为模板灰度图;
S2、计算每个模板灰度图在其对应的第一主成分方向上的投影方差,获取所有投影方差中的最大投影方差,获取最大投影方差所对应的最终权值及最终第一主成分方向;
S3、根据最终权值将待测墙纸图像转化为待测灰度图,计算模板灰度图在最终第一主成分方向上的第一投影值及待测灰度图在最终第一主成分方向上的第二投影值;
S4、计算第一投影值和第二投影值的匹配度,根据匹配度得到墙纸的模板图像;
S5、获取待测墙纸图像与模板图像在相应的位置的灰度值的差值,根据差值和设定的差值阈值确定待测墙纸图像的缺陷区域。
2.根据权利要求1所述的一种基于模板匹配的装饰墙纸缺陷检测方法,其特征在于,计算每个模板灰度图在其对应的第一主成分方向上的投影方差的步骤包括:
对每个模板灰度图进行主成分分析,获得每个模板灰度图的第一主成分方向;
根据下式(1)计算投影方差:
6.根据权利要求5所述的一种基于模板匹配的装饰墙纸缺陷检测方法,其特征在于,根据匹配度得到墙纸的模板图像的步骤包括:
获取所有匹配度中的最大匹配度;
获取最大匹配度对应的第一序列值;
根据第一序列值获取该第一序列值前后的所有序列值,所有序列值的集合即为最大匹配度时的序列;
所述序列中的每个序列值与墙纸周期模板灰度图上对应的行像素点组成的图像即为的待测墙纸图像对应的模板图像。
7.根据权利要求1所述的一种基于模板匹配的装饰墙纸缺陷检测方法,其特征在于,还包括根据缺陷区域对缺陷进行识别,确定缺陷类型:
对缺陷区域的灰度图进行连通域处理得到缺陷连通域;
计算每个裂纹缺陷或褶皱缺陷的多个边缘像素点距对应的裂纹缺陷或褶皱缺陷的最小外接矩形中心的第一距离,所有第一距离的集合记为第一距离序列;计算每个孔洞缺陷或黑斑缺陷的多个边缘像素点距对应的孔洞缺陷或黑斑缺陷最小外接圆圆心的第二距离,所有第二距离的集合记为第二距离序列;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210312562.4A CN114419039B (zh) | 2022-03-28 | 2022-03-28 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210312562.4A CN114419039B (zh) | 2022-03-28 | 2022-03-28 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419039A true CN114419039A (zh) | 2022-04-29 |
CN114419039B CN114419039B (zh) | 2022-06-24 |
Family
ID=81264283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210312562.4A Active CN114419039B (zh) | 2022-03-28 | 2022-03-28 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419039B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937037A (zh) * | 2022-07-20 | 2022-08-23 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN116908185A (zh) * | 2023-06-13 | 2023-10-20 | 天王电子(深圳)有限公司 | 物品的外观缺陷检测方法、装置、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
US20150145862A1 (en) * | 2013-11-27 | 2015-05-28 | Adobe Systems Incorporated | Texture Modeling of Image Data |
CN205352966U (zh) * | 2016-02-25 | 2016-06-29 | 西华大学 | 一种基于图像处理的壁纸缺陷检测系统 |
CN107037050A (zh) * | 2017-04-05 | 2017-08-11 | 东华大学 | 一种织物图像纹理周期的自动测量方法 |
CN108090894A (zh) * | 2017-11-24 | 2018-05-29 | 浙江理工大学 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
CN110517265A (zh) * | 2019-09-04 | 2019-11-29 | 北京理工大学 | 一种产品表面缺陷的检测方法、装置及存储介质 |
CN110570418A (zh) * | 2019-09-12 | 2019-12-13 | 广东工业大学 | 一种织唛缺陷检测方法和装置 |
CN112465743A (zh) * | 2020-10-20 | 2021-03-09 | 天津大学 | 一种周期性结构质量检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN113643289A (zh) * | 2021-10-13 | 2021-11-12 | 海门市芳华纺织有限公司 | 基于图像处理的织物表面缺陷检测方法和系统 |
CN113674220A (zh) * | 2021-07-28 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种图像差异检测方法、检测装置和存储介质 |
CN114219766A (zh) * | 2021-11-18 | 2022-03-22 | 华中科技大学 | 一种成品织物的表面缺陷视觉检测方法 |
-
2022
- 2022-03-28 CN CN202210312562.4A patent/CN114419039B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150145862A1 (en) * | 2013-11-27 | 2015-05-28 | Adobe Systems Incorporated | Texture Modeling of Image Data |
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
CN205352966U (zh) * | 2016-02-25 | 2016-06-29 | 西华大学 | 一种基于图像处理的壁纸缺陷检测系统 |
CN107037050A (zh) * | 2017-04-05 | 2017-08-11 | 东华大学 | 一种织物图像纹理周期的自动测量方法 |
CN108090894A (zh) * | 2017-11-24 | 2018-05-29 | 浙江理工大学 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
CN110517265A (zh) * | 2019-09-04 | 2019-11-29 | 北京理工大学 | 一种产品表面缺陷的检测方法、装置及存储介质 |
CN110570418A (zh) * | 2019-09-12 | 2019-12-13 | 广东工业大学 | 一种织唛缺陷检测方法和装置 |
CN112465743A (zh) * | 2020-10-20 | 2021-03-09 | 天津大学 | 一种周期性结构质量检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 |
CN113674220A (zh) * | 2021-07-28 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种图像差异检测方法、检测装置和存储介质 |
CN113643289A (zh) * | 2021-10-13 | 2021-11-12 | 海门市芳华纺织有限公司 | 基于图像处理的织物表面缺陷检测方法和系统 |
CN114219766A (zh) * | 2021-11-18 | 2022-03-22 | 华中科技大学 | 一种成品织物的表面缺陷视觉检测方法 |
Non-Patent Citations (5)
Title |
---|
R. OBULA KONDA REDDY 等: "Texture Analysis and Defect Classification for Fabric Images Using Regular Bands and Quadratic Programming", 《SPRINGER INDIA 2013》 * |
宋柯 等: "基于改进Otsu的墙纸缺陷检测方法研究", 《制造业自动化》 * |
宋柯: "基于图像的墙纸缺陷检测与识别方法研究及实现", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
汪健: "织物瑕疵在线检测技术的研究和实现", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
苏畅: "基于计算机视觉的木材表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937037A (zh) * | 2022-07-20 | 2022-08-23 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN114937037B (zh) * | 2022-07-20 | 2022-11-04 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN116908185A (zh) * | 2023-06-13 | 2023-10-20 | 天王电子(深圳)有限公司 | 物品的外观缺陷检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114419039B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114419039B (zh) | 一种基于模板匹配的装饰墙纸缺陷检测方法 | |
CN110349126A (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN100550037C (zh) | 利用改进Hausdorff距离提取识别人耳特征的方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN109242848A (zh) | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 | |
CN102819850A (zh) | 基于局部自适应色差阈值的彩色图像边缘检测的方法 | |
CN109409290B (zh) | 一种温度表检定读数自动识别系统及方法 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN109727233A (zh) | 一种lcd缺陷检测方法 | |
CN111260645B (zh) | 基于分块分类深度学习的篡改图像检测方法及系统 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN116664586B (zh) | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 | |
CN110210316A (zh) | 基于灰度图像的交通信号灯数字识别方法 | |
CN116740061A (zh) | 一种爆珠生产质量视觉检测方法 | |
CN115908774A (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN115731166A (zh) | 一种基于深度学习的高压电缆接头打磨缺陷检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN114092682A (zh) | 基于机器学习的小金具类缺陷检测算法 | |
CN110400320B (zh) | 一种电润湿缺陷像素的分割方法 |
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 |