CN114842010A - 一种基于高斯滤波的建筑防火木材缺陷检测方法 - Google Patents

一种基于高斯滤波的建筑防火木材缺陷检测方法 Download PDF

Info

Publication number
CN114842010A
CN114842010A CN202210776651.4A CN202210776651A CN114842010A CN 114842010 A CN114842010 A CN 114842010A CN 202210776651 A CN202210776651 A CN 202210776651A CN 114842010 A CN114842010 A CN 114842010A
Authority
CN
China
Prior art keywords
defect
value
area
wood
circular window
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
Application number
CN202210776651.4A
Other languages
English (en)
Other versions
CN114842010B (zh
Inventor
袁小东
邓水珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Dongfang Yuhong Building Materials Co ltd
Original Assignee
Nantong Dongfang Yuhong Building Materials Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Dongfang Yuhong Building Materials Co ltd filed Critical Nantong Dongfang Yuhong Building Materials Co ltd
Priority to CN202210776651.4A priority Critical patent/CN114842010B/zh
Publication of CN114842010A publication Critical patent/CN114842010A/zh
Application granted granted Critical
Publication of CN114842010B publication Critical patent/CN114842010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T7/13—Edge detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于高斯滤波的建筑防火木材缺陷检测方法，该方法包括：获取木材的灰度图像，确定灰度图像内每个像素点的三维向量，三维向量包括所述像素点的横坐标值、纵坐标值以及灰度值；在灰度图像中构建圆形窗口，根据圆形窗口中心点的三维向量和圆形窗口内其余像素点的三维向量确定偏移量；根据偏移量按照均值漂移算法聚类获取待确定缺陷区域，对待确定缺陷区域进行扩充得到扩充区域；采用预设高斯混合模型对扩充区域进行拟合得到扩充区域的缺陷程度，根据缺陷区域确定木材的缺陷边缘；本发明能提高防火木材的缺陷检测精度，保证木材在进行缺陷切割时，能够将缺陷完整切割。

Description

一种基于高斯滤波的建筑防火木材缺陷检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于高斯滤波的建筑防火木材缺陷检测方法。
背景技术
防火木材是建筑施工中常用的新型材料，防火木材可以提高建筑施工后的防火能力。但是木材在生长过程中会有枯枝，枯枝和枝干的连接处在做成方木时会形成死节。死节部分由于坏死，其很可能已经与周围木材的组织脱离，所以死节处容易形成空洞，影响木材的质量。而木材一旦发生折断，就会造成较为严重的事故。
所以防火木材在使用前，需要木材的死节进行检测。现有技术中一般采用阈值分割的方法，完成缺陷检测。但是在通过阈值分割进行缺陷检测时，由于死节的灰度值并非绝对均匀一致，会出现缺陷分割不完整，不能获取完整缺陷的情况出现。那么在进行切割时，就会导致只切割掉了部分缺陷的问题存在，这样仍然会导致木材存在质量问题。
发明内容
本发明提供一种基于高斯滤波的建筑防火木材缺陷检测方法，旨在解决在对木材缺陷切割时，只切割掉了部分缺陷，导致木材仍然存在质量问题。
本发明的一种基于高斯滤波的建筑防火木材缺陷检测方法采用如下技术方案：该方法包括：
获取待检测木材表面图像的灰度图像；
确定所述灰度图像内每个像素点的三维向量，三维向量包括所述像素点的横坐标值、纵坐标值以及灰度值；
在所述灰度图像中构建圆形窗口，根据所述圆形窗口中心点的三维向量和圆形窗口内其余像素点的三维向量确定偏移量；
根据所述偏移量按照均值漂移算法聚类获取待确定缺陷区域，对所述待确定缺陷区域进行扩充得到扩充区域；对所述待确定缺陷区域进行扩充得到扩充区域包括：确定所述圆形窗口每次移动时中心点所对应的三维向量；根据全部所述中心点的三维向量计算出任意两个中心点之间的距离值；确定所述距离值的最小值作为最小距离值，并将最小距离值的一半作为扩张半径；以所述待确定缺陷区域的中心为圆心，以所述扩张半径为半径得到所述扩充区域；
获取所述扩充区域内每个像素点的新灰度值，根据新灰度值确定扩充区域内每个像素点的新三维向量；
利用获得的新三维向量对所述扩充区域进行高斯拟合拟合得到高斯函数，根据该拟合的高斯函数的均值和方差获得该扩充区域的缺陷程度，当该扩充区域的缺陷程度小于阈值时所述扩充区域为缺陷区域；
根据所述缺陷区域确定木材的缺陷边缘。
上述在所述灰度图像中构建圆形窗口，包括：
从所述灰度图像中任意选取一个像素点作为中心点；
以所述中心点为圆心根据预设半径构建所述圆形窗口。
上述利用如下公式计算出上述偏移量
Figure 100002_DEST_PATH_IMAGE001
：
Figure 100002_DEST_PATH_IMAGE003
其中，
Figure 974667DEST_PATH_IMAGE004
表示所述中心点的三维向量，
Figure 100002_DEST_PATH_IMAGE005
表示所述其余像素点的三维向量，T表示所述圆形窗口内所有像素点总个数，t表示对T的遍历。
上述根据所述偏移量按照均值漂移算法聚类获取待确定缺陷区域，包括：
根据所述偏移量确定所述圆形窗口的偏移方向和所述圆形窗口的偏移距离；
返回执行所述根据所述中心点的三维向量和所述圆形窗口内其余像素点的三维向量确定偏移量的步骤，直至偏移量小于阈值时停止移动所述圆形窗口，圆形窗口所在的位置为待确定缺陷区域。
上述获取所述扩充区域内每个像素点的新灰度值，包括：
用预设灰度值减去所述扩充区域内每个像素点的灰度值得到新灰度值。
上述根据所述缺陷区域确定木材的缺陷边缘，包括：
选取所述高斯函数中三倍标准差处所对应的像素点；
根据所述三倍标准差处所对应的像素点的横坐标值和纵坐标值确定木材的缺陷边缘。
上述采用预设高斯混合模型对所述扩充区域进行拟合得到所述扩充区域的缺陷程度，包括：
采用预设单高斯混合模型对所述扩充区域进行拟合得到所述扩充区域的缺陷程度。
本发明的有益效果是：
在防火木材在使用前，需要对木材的死节进行检测。现有技术中一般采用阈值分割的方法，完成缺陷检测。但是在通过阈值分割进行缺陷检测时，由于死节的灰度值并非绝对均匀一致，会出现缺陷分割不完整，不能获取完整缺陷的情况出现。那么在进行切割时，就会导致只切割掉了部分缺陷的问题存在，这样仍然会导致木材存在质量问题。
而本发明提供一种基于高斯滤波的建筑防火木材缺陷检测方法。先采集待检测木材表面图像，对采集图像利用均值漂移，找到图像中可能存在缺陷的区域作为待确定缺陷区域。对待确定缺陷区域进行扩充得到扩充区域。采用预设高斯混合模型对扩充区域进行拟合得到扩充区域的缺陷程度，在缺陷程度小于阈值时确定扩充区域为缺陷区域，根据缺陷区域确定木材的缺陷边缘。
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为本发明提供的一种基于高斯滤波的建筑防火木材缺陷检测方法的实施例总体步骤的流程示意图。
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：
本发明的一种基于高斯滤波的建筑防火木材缺陷检测方法的实施例，如图1所示，该方法包括：
S1、获取待检测木材表面图像的灰度图像。
具体地，在使用时采集当前流水线上防火木材表面图像，采集完防火木材表面图像后，对图像进行灰度化处理。
S2、确定所述灰度图像内每个像素点的三维向量，三维向量包括所述像素点的横坐标值、纵坐标值以及灰度值。
具体地，确定灰度图像内每个像素点由横坐标值、纵坐标值以及灰度值组成的三维向量。
S3、在所述灰度图像中构建圆形窗口，根据所述圆形窗口中心点的三维向量和圆形窗口内其余像素点的三维向量确定偏移量。
具体地，在灰度图像中构建圆形窗口的方法为，从灰度图像中任意选取一个像素点作为中心点，以中心点为圆心根据预设半径构建圆形窗口。圆形窗口的半径大小可由实施者根据具体实施场景进行调整。本实施例中将圆形窗口的半径设为70。圆形窗口构建完成后，确定圆形窗口中心点的三维向量
Figure 253333DEST_PATH_IMAGE004
和圆形窗口内其余像素点的三维向量
Figure 981117DEST_PATH_IMAGE005
。
其中
Figure 49961DEST_PATH_IMAGE006
，其中
Figure DEST_PATH_IMAGE007
为当前第i个像素点在灰度图像上的横坐标值，
Figure 239503DEST_PATH_IMAGE008
为当前第i个像素点在灰度图像上的纵坐标值，
Figure DEST_PATH_IMAGE009
为第i个像素点的灰度值。
按照均值漂移的偏移量计算方法得到当前第i个像素点的偏移量
Figure 811823DEST_PATH_IMAGE001
：
Figure 303984DEST_PATH_IMAGE003
其中，
Figure 93080DEST_PATH_IMAGE004
表示所述中心点的三维向量，
Figure 430520DEST_PATH_IMAGE005
表示所述其余像素点的三维向量，T表示所述圆形窗口内所有像素点总个数，t表示对T的遍历。
S4、根据所述偏移量按照均值漂移算法聚类获取待确定缺陷区域，对所述待确定缺陷区域进行扩充得到扩充区域。
具体地，根据偏移量确定圆形窗口的偏移方向和圆形窗口的偏移距离；返回执行所述根据所述中心点的三维向量和所述圆形窗口内其余像素点的三维向量确定偏移量的步骤，直至偏移量小于阈值时停止移动所述圆形窗口。
即按照均值漂移算法多次移动圆形窗口。其中移动方式为偏移量叠加到现有的中心点上，然后得到新的中心点，以此方式不断迭代移动。通过均值漂移对采集图像的灰度图像进行聚类，其中均值漂移的截止条件是偏移量小于阈值时停止移动圆形窗口。
按照此均值漂移的方式进行聚类，算法迭代结束后，各圆形窗口的中心会在这些类型区域进行停留。一种是滑窗中心为较暗区域。一种是滑窗中的灰度值为绝对均匀区域。一种是较暗的缝隙区域。一种是较大面积的灰度值较低区域。这些区域都是可能存在缺陷区域，将这些区域作为待确定缺陷区域。
具体地，确定圆形窗口每次移动时中心点所对应的三维向量；根据全部中心点的三维向量计算出任意两个中心点之间的距离值；确定距离值的最小值作为最小距离值，并将最小距离值的一半作为扩张半径；以待确定缺陷区域的中心为圆心，以所述扩张半径为半径得到所述扩充区域。
圆形窗口每次移动时都会对应一个中心点，获取各中心点的坐标信息，其中待确定缺陷区域中心点j的横纵坐标为
Figure 385575DEST_PATH_IMAGE010
。以该中心的坐标为信息进行扩充，因为待确定缺陷区域的圆形窗口并不能够一定能包围整个缺陷，所以需要以第j个中心点的坐标
Figure 783059DEST_PATH_IMAGE010
进行扩张，其中扩张半径r要使得整个缺陷能够被包围，并且有多余的正常部分用于进行高斯拟合。
但是扩张半径r设置过大，容易包含其他的缺陷，导致缺陷检测结果不准缺，所以求取各中心点之间的距离值，并将最小距离值的一半作为扩张半径；以待确定缺陷区域的中心为圆心，以所述扩张半径为半径得到所述扩充区域。
S5、获取所述扩充区域内每个像素点的新灰度值，根据新灰度值确定扩充区域内每个像素点的新三维向量。
具体地，用预设灰度值减去所述扩充区域内每个像素点的灰度值得到灰度差值；根据所述灰度差值确定所述扩充区域内每个像素点的新三维向量。
S6、利用获得的新三维向量对所述扩充区域进行高斯拟合拟合得到高斯函数，根据该拟合的高斯函数的均值和方差获得该扩充区域的缺陷程度，当该扩充区域的缺陷程度小于阈值时所述扩充区域为缺陷区域。
具体地，根据所述新三维向量，采用预设单高斯混合模型对所述扩充区域进行拟合得到三维高斯函数；确定所述三维高斯函数的均值和方差，并根据均值和方差得到所述扩充区域的缺陷程度。
具体地，通过均值漂移得到可能是缺陷的区域，即得到待确定缺陷区域后，由于不同类别的区域存在不同的分布特征，而高斯函数能符合死节的灰度分布特征，并与其余不同类别的区域进行区分。利用预设高斯混合模型对扩充区域进行拟合能得到扩充区域的缺陷程度。
具体地，由于低灰度值趋近于0，不能进行拟合。那么将预设灰度值设为255，用255减去扩充区域内每个像素点的灰度值得到灰度差值，获得灰度差值后就能进行拟合。
根据灰度差值确定扩充区域内每个像素点的新三维向量，新三维向量包括各像素点的坐标信息和新灰度值信息。采用单高斯混合模型对扩充区域进行高斯拟合，得到的是一个三维高斯函数，其中三维高斯函数的均值坐标为
Figure DEST_PATH_IMAGE011
，x、y、h三个方向对应的方差为
Figure 184084DEST_PATH_IMAGE012
。其中如果某个方向的方差值越大，则说明第j个中心点对应扩充区域在该方向的灰度值分布较为均匀，而由于死节的灰度值与木材背景往往具有较大的差异，所以死节对应扩充区域的高斯拟合模型方差值应当较小。
所以根据均值和方差得到第j个中心点对应扩充区域的缺陷程度为
Figure DEST_PATH_IMAGE013
,缺陷程度
Figure 639730DEST_PATH_IMAGE014
的值越小，第j个中心点对应扩充区域越可能是缺陷。方差是离散程度，方差越小聚集程度越高，在缺陷程度小于阈值时确定扩充区域为缺陷区域。
设定阈值qxr,当第j个中心点对应扩充区域的缺陷程度为
Figure 685177DEST_PATH_IMAGE014
小于qxr时，则认为第j个中心点对应扩充区域中存在缺陷，扩充区域为缺陷区域。qxr为超参数，具体使用时实施者可根据具体实施场景进行调整，本方案设qxr= 0.6。
S7、根据所述缺陷区域确定木材的缺陷边缘。
具体地，缺陷边缘是如何确定的。选取第j个中心点对应的三维高斯函数中3倍标准差处所对应的像素点，根据三倍标准差处所对应的像素点的横坐标值和纵坐标值确定木材死节的缺陷边缘，完成死节缺陷检测。
综上所述，本发明提供一种基于高斯滤波的建筑防火木材缺陷检测方法，先采集待检测木材表面图像，对采集图像利用均值漂移，找到图像中可能存在缺陷的区域作为待确定缺陷区域。对待确定缺陷区域进行扩充得到扩充区域。采用预设高斯混合模型对扩充区域进行拟合得到扩充区域的缺陷程度，在缺陷程度小于阈值时确定扩充区域为缺陷区域，根据缺陷区域确定木材的缺陷边缘。
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)

1.一种基于高斯滤波的建筑防火木材缺陷检测方法，其特征在于，该方法包括：
获取待检测木材表面图像的灰度图像；
确定所述灰度图像内每个像素点的三维向量，三维向量包括所述像素点的横坐标值、纵坐标值以及灰度值；
在所述灰度图像中构建圆形窗口，根据所述圆形窗口中心点的三维向量和圆形窗口内其余像素点的三维向量确定偏移量；
根据所述偏移量按照均值漂移算法聚类获取待确定缺陷区域，对所述待确定缺陷区域进行扩充得到扩充区域；对所述待确定缺陷区域进行扩充得到扩充区域包括：确定所述圆形窗口每次移动时中心点所对应的三维向量；根据全部所述中心点的三维向量计算出任意两个中心点之间的距离值；确定所述距离值的最小值作为最小距离值，并将最小距离值的一半作为扩张半径；以所述待确定缺陷区域的中心为圆心，以所述扩张半径为半径得到所述扩充区域；
获取所述扩充区域内每个像素点的新灰度值，根据新灰度值确定扩充区域内每个像素点的新三维向量；
利用获得的新三维向量对所述扩充区域进行高斯拟合拟合得到高斯函数，根据该拟合的高斯函数的均值和方差获得该扩充区域的缺陷程度，当该扩充区域的缺陷程度小于阈值时所述扩充区域为缺陷区域；
根据所述缺陷区域确定木材的缺陷边缘。
2.根据权利要求1所述的一种基于高斯滤波的建筑防火木材缺陷检测方法，其特征在于，所述在所述灰度图像中构建圆形窗口，包括：
从所述灰度图像中任意选取一个像素点作为中心点；
以所述中心点为圆心根据预设半径构建所述圆形窗口。
3.根据权利要求1所述的一种基于高斯滤波的建筑防火木材缺陷检测方法，其特征在于，利用如下公式计算出所述偏移量
Figure DEST_PATH_IMAGE001
：
Figure DEST_PATH_IMAGE003
其中，
Figure 402518DEST_PATH_IMAGE004
表示所述中心点的三维向量，
Figure DEST_PATH_IMAGE005
表示所述其余像素点的三维向量，T表示所述圆形窗口内所有像素点总个数，t表示对T的遍历。
4.根据权利要求1所述的一种基于高斯滤波的建筑防火木材缺陷检测方法，其特征在于，所述根据所述偏移量按照均值漂移算法聚类获取待确定缺陷区域，包括：
根据所述偏移量确定所述圆形窗口的偏移方向和所述圆形窗口的偏移距离；
返回执行所述根据所述中心点的三维向量和所述圆形窗口内其余像素点的三维向量确定偏移量的步骤，直至偏移量小于阈值时停止移动所述圆形窗口，圆形窗口所在的位置为待确定缺陷区域。
5.根据权利要求1所述的一种基于高斯滤波的建筑防火木材缺陷检测方法，其特征在于，所述获取所述扩充区域内每个像素点的新灰度值，包括：
用预设灰度值减去所述扩充区域内每个像素点的灰度值得到新灰度值。
6.根据权利要求5所述的一种基于高斯滤波的建筑防火木材缺陷检测方法，其特征在于，所述根据所述缺陷区域确定木材的缺陷边缘，包括：
选取所述高斯函数中三倍标准差处所对应的像素点；
根据所述三倍标准差处所对应的像素点的横坐标值和纵坐标值确定木材的缺陷边缘。
7.根据权利要求1所述的一种基于高斯滤波的建筑防火木材缺陷检测方法，其特征在于，所述采用预设高斯混合模型对所述扩充区域进行拟合得到所述扩充区域的缺陷程度，包括：
采用预设单高斯混合模型对所述扩充区域进行拟合得到所述扩充区域的缺陷程度。
CN202210776651.4A 2022-07-04 2022-07-04 一种基于高斯滤波的建筑防火木材缺陷检测方法 Active CN114842010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776651.4A CN114842010B (zh) 2022-07-04 2022-07-04 一种基于高斯滤波的建筑防火木材缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776651.4A CN114842010B (zh) 2022-07-04 2022-07-04 一种基于高斯滤波的建筑防火木材缺陷检测方法

Publications (2)

Publication Number Publication Date
CN114842010A true CN114842010A (zh) 2022-08-02
CN114842010B CN114842010B (zh) 2022-09-02

Family

ID=82574493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776651.4A Active CN114842010B (zh) 2022-07-04 2022-07-04 一种基于高斯滤波的建筑防火木材缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114842010B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147424A (zh) * 2022-09-06 2022-10-04 如皋市金轶纺织有限公司 基于图像特征解析的防火面料质量分析方法
CN115239714A (zh) * 2022-09-22 2022-10-25 山东汇智家具股份有限公司 一种用于地板生产的原木材料分级评价方法
CN115330757A (zh) * 2022-10-11 2022-11-11 南通电博士自动化设备有限公司 一种电路板焊点缺陷检测方法及系统
CN115601368A (zh) * 2022-12-16 2023-01-13 山东天意高科技有限公司（Cn） 一种建材装备钣金件缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011019014A1 (ja) * 2009-08-11 2011-02-17 国立大学法人岡山大学 欠陥検査方法及び欠陥検査装置
CN106778734A (zh) * 2016-11-10 2017-05-31 华北电力大学（保定） 一种基于稀疏表示的绝缘子掉串缺陷检测方法
CN108830895A (zh) * 2018-06-28 2018-11-16 西安交通大学 一种立体匹配中基于分割的局部扩张移动方法
CN114187286A (zh) * 2021-12-17 2022-03-15 沭阳县旭东木业制品厂 一种基于机器视觉的木板材表面加工质量控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011019014A1 (ja) * 2009-08-11 2011-02-17 国立大学法人岡山大学 欠陥検査方法及び欠陥検査装置
CN106778734A (zh) * 2016-11-10 2017-05-31 华北电力大学（保定） 一种基于稀疏表示的绝缘子掉串缺陷检测方法
CN108830895A (zh) * 2018-06-28 2018-11-16 西安交通大学 一种立体匹配中基于分割的局部扩张移动方法
CN114187286A (zh) * 2021-12-17 2022-03-15 沭阳县旭东木业制品厂 一种基于机器视觉的木板材表面加工质量控制方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147424A (zh) * 2022-09-06 2022-10-04 如皋市金轶纺织有限公司 基于图像特征解析的防火面料质量分析方法
CN115239714A (zh) * 2022-09-22 2022-10-25 山东汇智家具股份有限公司 一种用于地板生产的原木材料分级评价方法
CN115239714B (zh) * 2022-09-22 2022-12-06 山东汇智家具股份有限公司 一种用于地板生产的原木材料分级评价方法
CN115330757A (zh) * 2022-10-11 2022-11-11 南通电博士自动化设备有限公司 一种电路板焊点缺陷检测方法及系统
CN115330757B (zh) * 2022-10-11 2023-05-05 江苏电博仕能源装备有限公司 一种电路板焊点缺陷检测方法及系统
CN115601368A (zh) * 2022-12-16 2023-01-13 山东天意高科技有限公司（Cn） 一种建材装备钣金件缺陷检测方法

Also Published As

Publication number Publication date
CN114842010B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114842010B (zh) 一种基于高斯滤波的建筑防火木材缺陷检测方法
CN110084095B (zh) 车道线检测方法、车道线检测装置和计算机存储介质
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
CN110136072B (zh) 点云噪声的去除方法、去噪系统、计算机设备及存储介质
CN109191459B (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN112509044A (zh) 一种基于点线特征融合的双目视觉slam方法
CN116152262B (zh) 一种离子性中间膜外观缺陷检测方法
CN116630321B (zh) 基于人工智能的桥梁健康智能监测系统
CN115840205B (zh) 一种基于激光雷达技术的地形面积计量方法和系统
CN116563262A (zh) 基于多模态的建筑裂缝检测算法
CN118334029B (zh) 基于图像处理的钛锭生产质量检测方法及系统
CN114092491A (zh) 一种建筑户型语义分割图矢量化方法及装置
CN110211078B (zh) 基于各向异性扩散的显著度检测方法
CN115656182A (zh) 基于张量投票主成分分析的板材点云缺陷检测方法
CN102005049B (zh) 基于单边广义高斯模型的sar图像变化检测阈值方法
CN110956616B (zh) 一种基于立体视觉的目标检测方法及系统
CN114972354A (zh) 基于图像处理的蒸压加气混凝土砌块生产控制方法及系统
CN114049471A (zh) 基于有序化分层精简散乱点云的孔洞填补方法
Ji et al. A structured light image quality evaluation method based on no-reference quality assessment
CN113361470A (zh) 一种基于深度学习的电力外绝缘设备自动定位识别方法
CN118279380B (zh) 基于trd施工工艺的地下连续墙槽壁三维形态检测方法
CN111105408A (zh) 一种基于图像处理的建筑物表面裂缝检测方法及系统
CN111062083A (zh) 一种基于逐步删除模型的结构损伤识别方法
CN115829948A (zh) 一种基于双目视觉的工作面煤壁片帮量的测量方法
CN117876379B (zh) 基于图像特征的锚杆缺陷智能化检测方法

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