CN114897773A - 一种基于图像处理的扭曲木材检测方法及系统 - Google Patents
一种基于图像处理的扭曲木材检测方法及系统 Download PDFInfo
- Publication number
- CN114897773A CN114897773A CN202210345082.8A CN202210345082A CN114897773A CN 114897773 A CN114897773 A CN 114897773A CN 202210345082 A CN202210345082 A CN 202210345082A CN 114897773 A CN114897773 A CN 114897773A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- category
- texture
- edge
- pixel
- 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
- 239000002023 wood Substances 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 239000006185 dispersion Substances 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- 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
- G06T7/13—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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/46—Analysis of texture based on statistical description of texture using random fields
-
- 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
-
- 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
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)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于图像处理的扭曲木材检测方法及系统,包括:获取待检测扭曲板材的各个不同拍摄角度的表面图像,根据表面图像获取对应的灰度图像;根据灰度图像中各个像素点的灰度值和位置信息,确定灰度图像中各个像素点的属于纹理的概率值和主成分方向;根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,确定灰度图像中各个像素点的属于边缘的概率值;根据灰度图像中各个像素点的属于边缘的概率值,确定各个不同拍摄角度下的待检测板材的边缘线,进而根据各个不同拍摄角度下的待检测板材的边缘线,确定待检测扭曲板材的各个边缘线。本发明可以准确获取扭曲板材的边缘线,提高了扭曲板材的生产率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于图像处理的扭曲木材检测方法及系统。
背景技术
在板材切割完成后,往往需要存放一段时间,但是经过一段时间的存在,经常会出现板材扭曲的现象,从而使得整张板材不再符合应用标准。但是,在板材扭曲后,仍然可以通过切割算法保留部分的可用板材。
对于现有的板材切割算法,往往针对的是有清晰木材模型的板材。对于常规标准直行板材,通过正拍和侧拍图像就可以准确识别出板材的边缘,从而能得到准确的木材模型;而对于扭曲的板材,由于板材纹理的干扰,通过正拍和侧拍图像很难识别出板材的边缘,从而无法得到准确的木材模型,最终无法确定准确的切割位置。
发明内容
本发明的目的在于提供一种基于图像处理的扭曲木材检测方法及系统,用于解决由于无法准确获取扭曲板材的边缘,导致无法确定扭曲板材的切割位置的问题。
为解决上述技术问题,本发明提供了一种基于图像处理的扭曲木材检测方法,包括以下步骤:
获取待检测扭曲板材的各个不同拍摄角度的表面图像,并根据表面图像获取对应的灰度图像;
根据灰度图像中各个像素点的灰度值和位置信息,确定灰度图像中各个像素点的属于纹理的概率值和主成分方向;
根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,确定灰度图像中各个像素点的属于边缘的概率值;
根据灰度图像中各个像素点的属于边缘的概率值,确定各个不同拍摄角度下的待检测板材的边缘线,进而根据各个不同拍摄角度下的待检测板材的边缘线,确定待检测扭曲板材的各个边缘线。
进一步的,确定灰度图像中各个像素点的属于纹理的概率值和主成分方向的步骤包括:
分别以灰度图像中各个像素点为中心像素点,构建滑窗区域,并对滑窗区域进行直方图均衡化处理,得到处理后的滑窗区域;
根据处理后的滑窗区域内各个像素点的灰度值,确定处理后的滑窗区域内各个像素点中的各个纹理像素点;
根据处理后的滑窗区域内的各个纹理像素点的灰度值以及对应中心像素点的灰度值,确定灰度图像中对应各个像素点的初始的属于纹理的概率值;
根据处理后的滑窗区域内的各个纹理像素点的位置信息,确定处理后的滑窗区域内的各个纹理像素点类别,进而根据各个纹理像素点类别中各个纹理像素点的位置,确定滑窗区域内的各个纹理像素点类别的主成分方向、第一纹理分散指标值和第二纹理分散指标值;
根据灰度图像中对应各个像素点的初始的属于纹理的概率值以及滑窗区域内的各个纹理像素点类别的第一纹理分散指标值和第二纹理分散指标值,计算灰度图像中各个像素点的各个修正后的属于纹理的概率值;
根据灰度图像中各个像素点的各个修正后的属于纹理的概率值,确定灰度图像中各个像素点的最终的属于纹理的概率值,并将最终的属于纹理的概率值所对应的纹理像素点类别的主成分方向作为灰度图像中对应各个像素点的主成分方向。
进一步的,确定灰度图像中对应各个像素点的初始的属于纹理的概率值的步骤包括:
根据处理后的滑窗区域内的各个纹理像素点的灰度值,计算各个纹理像素点的灰度均值和方差,并根据各个纹理像素点的灰度均值和方差,构建高斯函数;
将处理后的滑窗区域对应中心像素点的灰度值代入到高斯函数,从而计算出灰度图像中对应各个像素点的初始的属于纹理的概率值。
进一步的,灰度图像中各个像素点的各个修正后的属于纹理的概率值对应的计算公式为:
其中,P’为灰度图像中像素点的修正后的属于纹理的概率值,P为灰度图像中像素点的初始的属于纹理的概率值,σ1为灰度图像中像素点的处理后的滑窗区域内的任意一个纹理像素点类别的第一纹理分散指标值,σ2为灰度图像中像素点的处理后的滑窗区域内的任意一个纹理像素点类别的第二纹理分散指标值。
进一步的,确定灰度图像中各个像素点的属于边缘的概率值的步骤包括:
根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,对灰度图像中各个像素点进行聚类,得到各个像素点类别;
根据各个像素点类别中各个像素点的位置信息,确定各个像素点类别的像素点分布长宽比值以及各个像素点类别中各个像素点的边缘表征值;
根据各个像素点类别的像素点分布长宽比值,确定各个像素点类别中的各个条状像素点类别以及非条状像素点类别;
根据各个条状像素点类别的像素点分布长宽比值和条状像素点类别中各个像素点的边缘表征值,计算各个条状像素点类别中各个像素点的属于边缘的概率值;
根据各个条状像素点类别中各个像素点的位置信息和非条状像素点类别中各个像素点的位置信息,确定各个非条状像素点类别的目标邻近条状像素点类别;
根据各个非条状像素点类别的目标邻近条状像素点类别中的各个边缘像素点的位置,确定各个非条状像素点类别的投影方向;
根据各个非条状像素点类别的投影方向以及各个非条状像素点类别中各个像素点的位置信息,确定各个非条状像素点类别中各个像素点的边缘表征值;
根据各个非条状像素点类别中各个像素点的边缘表征值以及各个非条状像素点类别的目标邻近条状像素点类别的像素点分布长宽比值,计算各个非条状像素点类别中各个像素点的属于边缘的概率值。
进一步的,确定各个像素点类别的像素点分布长宽比值以及各个像素点类别中各个像素点的边缘表征值的步骤包括:
根据各个像素点类别中各个像素点的位置信息,确定各个像素点类别的第一主成分方向和第二主成分方向;
确定各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点,以及各个像素点类别中各个像素点在其对应的第二主成分方向上的第二投影点;
根据各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点,确定各个像素点类别对应的所有第一投影点的中心投影点和第一主成分方向投影长度,并根据各个像素点类别中各个像素点在其对应的第二主成分方向上的第二投影点,确定各个像素点类别对应的第二主成分方向投影长度;
根据确定各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点与对应的中心投影点之间的距离,确定各个像素点类别中各个像素点的边缘表征值,并根据各个像素点类别对应的第一主成分方向投影长度和第二主成分方向投影长度,确定各个像素点类别的像素点分布长宽比值。
进一步的,各个条状像素点类别中各个像素点的属于边缘的概率值对应的计算公式为:
PBi=Pbi×Bz
其中,PBi为条状像素点类别中第i个像素点的属于边缘的概率值,Pbi为条状像素点类别中第i个像素点的边缘表征值,Bz为条状像素点类别的像素点分布长宽比值。
进一步的,各个非条状像素点类别中各个像素点的属于边缘的概率值对应的计算公式为:
其中,PBj为非条状像素点类别中第j个像素点的属于边缘的概率值,Pbj为非条状像素点类别中第j个像素点的边缘表征值,Bzk为非条状像素点类别的第k个目标邻近条状像素点类别的像素点分布长宽比值,K为非条状像素点类别的目标邻近条状像素点类别的总数目。
进一步的,确定不同拍摄角度下的边缘线的步骤包括:
根据灰度图像中各个像素点的属于边缘的概率值,对据灰度图像中各个像素点进行二分类,得到第一边缘像素点分类和第二像素点分类,所述第一边缘像素点分类中各个像素点的属于边缘的概率值高于第二像素点分类中各个像素点的属于边缘的概率值;
根据第一边缘像素点分类中各个像素点的位置信息,确定第一边缘像素点分类中的各个顶点像素点;
将各个顶点像素点从第一边缘像素点分类中去除,并对去除各个顶点像素点后的第一边缘像素点分类中的各个像素点进行DBSCAN聚类,得到各个边缘线像素点类别,进而根据各个边缘线像素点类别中各个像素点的位置,确定不同拍摄角度下的待检测板材的边缘线。
本发明还提供了一种基于图像处理的扭曲木材检测系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现上述的基于图像处理的扭曲木材检测方法。
本发明具有如下有益效果:通过获取检测扭曲板材的各个不同拍摄角度的表面图像,进而获取表面图像的灰度图像,通过对灰度图像中的纹理特点进行分析,确定灰度图像中各个像素点的属于纹理的概率值和主成分方向,进而得到灰度图像中各个像素点的属于边缘的概率值,并根据该概率值来确定扭曲板材的各个边缘线。本发明通过对灰度图像中的纹理特点进行分析,可以克服板材纹理对边缘检测的影响,从而可以准确地识别出扭曲板材的各个边缘线,便于后续准确确定扭曲板材的切割位置,提高了扭曲板材的生产率。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明的基于图像处理的扭曲木材检测方法的流程图;
图2为本发明的第一主成分方向投影长度和第二主成分方向投影长度的示意图;
图3为本发明的非条状像素点类别的目标邻近条状像素点类别的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
在对扭曲板材进行边缘检测时,由于板材纹理会对板材边缘检测结果产生干扰,导致无法正确的识别扭曲板材的边缘。考虑到纹理在板材中的分布都是连续的,并且纹理与板材是有颜色差异的,而颜色差异在灰度化后,体现在灰度值的差异中,纹理的颜色相对于板材颜色往往灰度值会更低。基于这种特点,本发明通过对板材上的纹理进行分析,从而实现扭曲板材的边缘识别。
具体的,本实施例提供了一种基于图像处理的扭曲木材检测方法,其对应的流程图如图1所示,包括以下步骤:
(1)获取待检测扭曲板材的各个不同拍摄角度的表面图像,并根据表面图像获取对应的灰度图像。
为了实现扭曲板材的边缘识别,首先利用RGB相机获取待检测扭曲板材的不同角度的表面图像,获取待检测扭曲板材的不同角度的表面图像,是为了后期获取待检测扭曲板材的全部边缘线。
在获取待检测扭曲板材的每个拍摄角度下的表面图像后,对该表面图像采用图割算法或者其他图像分割算法,得到仅含有待检测扭曲板材的图像。然后对仅含有待检测扭曲板材的图像进行灰度化处理,从而得到对应的灰度图像。由于获取灰度图像的具体实现步骤属于现有技术,此处不再赘述。
(2)根据灰度图像中各个像素点的灰度值和位置信息,确定灰度图像中各个像素点的属于纹理的概率值和主成分方向,具体实现步骤包括:
(2-1)分别以灰度图像中各个像素点为中心像素点,构建滑窗区域,并对滑窗区域进行直方图均衡化处理,得到处理后的滑窗区域。
分别以灰度图像中各个像素点为中心像素点,构建滑窗区域,滑窗区域尽可能适当的大一点,尽可能的包含到纹理,以能够反应局部整体灰度值,滑窗区域的大小可由实施者根据具体实施场景进行调整。在本实施例中,设置滑窗区域的大小C=10×10。对滑窗区域进行直方图均衡化,会使得木材和纹理之间变得清晰明显,从而得到处理后的滑窗区域。由于对图像区域进行均衡化处理的过程属于现有技术,此处不再赘述。
(2-2)根据处理后的滑窗区域内各个像素点的灰度值,确定处理后的滑窗区域内各个像素点中的各个纹理像素点。
在对灰度图像中每个像素点对应的滑窗区域进行均衡化处理后,根据处理后的滑窗区域内各个像素点的灰度值,利用k-means对每个处理后的滑窗区域内各个像素点进行二分类,得到高灰度类别和低灰度类别。当滑窗区域内同时存在木材和纹理时,那么高灰度类别表示的是木材,低灰度类别表示的是纹理。但是,当滑窗区域内只存在纹理时,仍然会出现高灰度值类别和低灰度值类别,但是木材形成的低灰度值类别和纹理形成的低灰度值类别具有连续性的差异。其中,木材形成的低灰度值类别呈现出散点分布,而纹理形成低灰度值类别呈现连续性分布。无论是木材形成还是纹理形成的低灰度值类别,这里统一将低灰度类别称为纹理类别,该纹理类别中的各个像素点称为纹理像素点。
为了从二分类后得到的两个类别中筛选出低灰度类别,也就是各个纹理像素点,计算两个类别中所有像素点的灰度均值,并将低灰度均值对应的类别作为纹理类别,该纹理类别中的各个像素点即为纹理像素点。
(2-3)根据处理后的滑窗区域内的各个纹理像素点的灰度值以及对应中心像素点的灰度值,确定灰度图像中对应各个像素点的初始的属于纹理的概率值。
由于上述步骤(2-2)中的二分类只能进行像素点分类,却丢失了像素点自身灰度值的信息,因此需要进一步进行分析,以确定中心像素点的属于纹理的可能性,具体实现步骤包括:
(2-3-1)根据处理后的滑窗区域内的各个纹理像素点的灰度值,计算各个纹理像素点的灰度均值和方差,并根据各个纹理像素点的灰度均值和方差,构建高斯函数。
对于灰度图像中的各个像素点,计算其对应的处理后的滑窗区域内纹理类别中各个纹理像素点的灰度值的均值和方差,得到纹理类别对应的一维高斯函数。由于在已知均值和方差的情况下,得到一维高斯函数的步骤属于现有技术,此次不再赘述。
(2-3-2)将处理后的滑窗区域对应中心像素点的灰度值代入到高斯函数,从而计算出灰度图像中对应各个像素点的初始的属于纹理的概率值。
对于灰度图像中的各个像素点,在得到其对应的一维高斯函数,将各个像素点分别带入到其对应的一维高斯函数中,从而得到灰度图像中的各个像素点的属于纹理的概率值P。
通过上述步骤(2-1)-(2-3),可以得到灰度图像中的各个像素点的属于纹理的概率值P,该概率值P仅表示灰度低的像素点像纹理的可能性。但是由于直方图均衡化后,仅含木材不含纹理的滑窗区域内也会出现灰度低的像素点,且这些低灰度的像素点会呈现散点分布。基于这种特点,在得到而得到灰度图像中的各个像素点的属于纹理的概率值P,可以通过计算滑窗区域内这些低灰度的像素点分布的连续性,对各个像素点的属于纹理的概率值P进行修正,具体实现过程如下:
(2-4)根据处理后的滑窗区域内的各个纹理像素点的位置信息,确定处理后的滑窗区域内的各个纹理像素点类别,进而根据各个纹理像素点类别中各个纹理像素点的位置,确定滑窗区域内的各个纹理像素点类别的主成分方向、第一纹理分散指标值和第二纹理分散指标值。
对于灰度图像中的各个像素点,获取其对应的滑窗区域内的属于纹理像素点的坐标信息,然后对坐标信息进行均值漂移聚类,从而得到均值漂移聚类结果,也就是多个纹理像素点类别,以防止一个滑窗区域出现多个纹理后当成一个纹理处理。进而获取均值漂移聚类结果中每个类别的纹理像素点的坐标信息,然后利用PCA算法获得这些纹理像素点的主成分方向,由于像素点的坐标为2维数据,因此可获得2个主成分方向,每个主成分方向都是一个2维的单位向量,每个主成分方向对应一个特征值。获取特征值最大的主成分方向,将其作为第一主成分方向,特征值最小的主成分方向,作为第二主成分方向。其中,第一主成分方向能够表示纹理像素点的连续方向,因此将其作为均值漂移聚类结果中每个类别的主成分方向。
在获取灰度图像中的各个像素点对应的均值漂移聚类结果中每个类别的主成分方向后,然后对于灰度图像中的各个像素点对应的均值漂移聚类结果中每个类别的纹理像素点,计算其在对应的主成分方向上的投影点,计算每个类别所对应的所有投影点的均值位置,并计算每个类别所对应的所有投影点到对应均值位置的距离的方差σ1,将该方差σ1作为第一纹理分散指标值;同时,计算每个类别所对应的所有纹理像素点到其各自对应的投影点的距离,并计算每个类别所对应的距离的方差σ2,将该方差σ2作为第二纹理分散指标值。
其中,第一纹理分散指标值σ1可以表示均值漂移聚类结果中每个类别的纹理像素点的分布连续均匀情况,当第一纹理分散指标值σ1越小时,表示该类别中的纹理像素点分布越连续均匀,说明该类别越有可能是纹理;当第一纹理分散指标值σ1越大时,表示该类别中的纹理像素点呈散点分布,不连续均匀,说明该类别越有可能是木材。第二纹理分散指标值σ2可以表示均值漂移聚类结果中每个类别的纹理像素点的粗细均匀情况,当第二纹理分散指标值σ2越小时,表示纹理像素点越粗细均匀,说明该类别越有可能是纹理;当第二纹理分散指标值σ2越大时,表示该类别中的纹理像素点越分散不集中、不成线,说明该类别属于纹理的可能性越低,很可能是直方图均衡化导致的。通过第二纹理分散指标值σ2,对类别内像素点分布粗细不均一的类别进行筛选,通过第一纹理分散指标值σ1,可以对类别内像素点分布粗细均一但是不连续均匀的类别进行筛选,最终将类别内的像素点分布连续均匀的类别作为纹理。
(2-5)根据灰度图像中对应各个像素点的初始的属于纹理的概率值以及滑窗区域内的各个纹理像素点类别的第一纹理分散指标值和第二纹理分散指标值,计算灰度图像中各个像素点的各个修正后的属于纹理的概率值。
在上述步骤(2-4)的基础上,对于灰度图像中的各个像素点,根据其对应的滑窗区域内的均值漂移聚类结果中每个类别对应的第一纹理分散指标值σ1和第二纹理分散指标值σ2,对其应的初始的属于纹理的概率值P进行修改,得到修正后的属于纹理的概率值,对应的计算公式为:
其中,P’为灰度图像中像素点的修正后的属于纹理的概率值,P为灰度图像中像素点的初始的属于纹理的概率值,σ1为灰度图像中像素点的处理后的滑窗区域内的任意一个纹理像素点类别的第一纹理分散指标值,σ2为灰度图像中像素点的处理后的滑窗区域内的任意一个纹理像素点类别的第二纹理分散指标值。
对于灰度图像中的各个像素点,由于其对应的滑窗区域内的均值漂移聚类结果中可能有不止一个类别,因此,对应可以得到不止一个修正后的属于纹理的概率值P’。
(2-6)根据灰度图像中各个像素点的各个修正后的属于纹理的概率值,确定灰度图像中各个像素点的最终的属于纹理的概率值,并将最终的属于纹理的概率值所对应的纹理像素点类别的主成分方向作为灰度图像中对应各个像素点的主成分方向。
对于灰度图像中各个像素点的各个修正后的属于纹理的概率值,由于第一纹理分散指标值σ1和第二纹理分散指标值σ2越小,其对应的均值漂移聚类结果的类别越有可能是纹理,进而得到的属于纹理的概率值就越高,因此将其中最大的概率值作为灰度图像中对应像素点的最终的属于纹理的概率值。同时,将该最终的属于纹理的概率值所对应的均值漂移聚类结果的类别的主成分方向作为灰度图像中对应各个像素点的主成分方向。
(3)根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,确定灰度图像中各个像素点的属于边缘的概率值。
在得到灰度图像中各个像素点的属于纹理的概率值后,由于纹理的连续性,在纹理连线两端表示纹理中断的位置对应的像素点属于边缘的概率值就高,同时在板材图像上,灰度差异较大的像素点也很可能是边缘,并且木材的边缘仍然具有连续性。基于这种特点,可以根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,确定灰度图像中各个像素点的属于边缘的概率值,具体实现步骤包括:
(3-1)根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,对灰度图像中各个像素点进行聚类,得到各个像素点类别。
根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,采用DBSCAN算法对灰度图像中各个像素点进行聚类,以对木材和纹理进行区分,并且由于板材的边缘处会引起纹理方向的改变(从观察角度来说),而聚类时考虑到了主成分方向,因此可以将同一个纹理在板材的边缘处被分开成两类,且这两类纹理之间的类边界也就是板材的边缘点。因此,通过该DBSCAN算法对灰度图像中各个像素点进行聚类,从而得到DBSCAN聚类结果,也就是各个像素点类别,每一个像素点类别即表示一个纹理或纹理之间的木材表面。
(3-2)根据各个像素点类别中各个像素点的位置信息,确定各个像素点类别的像素点分布长宽比值以及各个像素点类别中各个像素点的边缘表征值,具体实现步骤包括:
(3-2-1)根据各个像素点类别中各个像素点的位置信息,确定各个像素点类别的第一主成分方向和第二主成分方向。
根据步骤(3-1)中DBSCAN聚类结果中的每个类别中各个像素点的坐标信息,利用PCA算法获得这些像素点的主成分方向,得到第一主成分方向和第二主成分方向,具体可参考上述步骤(2-4),此处不再赘述。
(3-2-2)确定各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点,以及各个像素点类别中各个像素点在其对应的第二主成分方向上的第二投影点。
根据各个像素点类别的第一主成分方向和第二主成分方向,确定每个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点。同理,确定每个像素点类别中各个像素点在其对应的第二主成分方向上的第二投影点。
(3-2-3)根据各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点,确定各个像素点类别对应的所有第一投影点的中心投影点和第一主成分方向投影长度,并根据各个像素点类别中各个像素点在其对应的第二主成分方向上的第二投影点,确定各个像素点类别对应的第二主成分方向投影长度。
在通过上述步骤(3-2-2)确定每个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点之后,计算各个像素点类别对应的所有第一投影点的坐标中心,该坐标中心即为中心投影点。同时,根据每个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点,计算所有第一投影点所占的总长度,并将该总长度作为对应像素点类别对应的第一主成分方向投影长度。同理,根据各个像素点类别中各个像素点在其对应的第二主成分方向上的第二投影点,确定各个像素点类别对应的第二主成分方向投影长度。如图2所示,L1为某一个像素点类别的第一主成分方向所在的直线,L2为该像素点类别的第二主成分方向所在的直线,l1为该像素点类别对应的第一主成分方向投影长度,l2为该像素点类别对应的第二主成分方向投影长度。
(3-2-4)根据确定各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点与对应的中心投影点之间的距离,确定各个像素点类别中各个像素点的边缘表征值,并根据各个像素点类别对应的第一主成分方向投影长度和第二主成分方向投影长度,确定各个像素点类别的像素点分布长宽比值。
在通过上述步骤(3-2-3)确定每个像素点类别的中心投影点之后,分别计算该像素点类别中的各个第一投影点到该中心投影点的距离,该距离即为该第一投影点对应的像素点类别中对应像素点的边缘表征值Pb。
同时,在通过上述步骤(3-2-3)确定各个像素点类别对应的第一主成分方向投影长度L1以及第二主成分方向投影长度L2之后,计算第一主成分方向投影长度L1与第二主成分方向投影长度L2之间的比值,并将该比值作为对应的像素点类别的像素点分布长宽比值Bz。
(3-3)根据各个像素点类别的像素点分布长宽比值,确定各个像素点类别中的各个条状像素点类别以及非条状像素点类别。
由于像素点类别的像素点分布长宽比值Bz为第一主成分方向投影长度L1和第二主成分方向投影长度L2的比值,当像素点分布长宽比值Bz越大,则说明其对应的像素点类别越可能为细条纹状;当素点分布长宽比值Bz偏小时,则说明其对应的像素点类别不是细条状,很有可能是条纹之间的木材表面所形成的区域,该区域可能呈现出各种形状,但是为了便于描述,这里将该区域对应的像素点类别称为非条状像素点类别。因此,通过设置像素点分布长宽比阈值Bzr,当像素点分布长宽比值Bz<Bzr时,则认为其对应的像素点类别为条状像素点类别,否则认为其对应的像素点类别为非条状像素点类别。
(3-4)根据各个条状像素点类别的像素点分布长宽比值和条状像素点类别中各个像素点的边缘表征值,计算各个条状像素点类别中各个像素点的属于边缘的概率值,对应的计算公式为:
PBi=Pbi×Bz
其中,PBi为条状像素点类别中第i个像素点的属于边缘的概率值,Pbi为条状像素点类别中第i个像素点的边缘表征值,表示第i个像素点对应的投影点到中心投影点的距离,其值越大说明第i个像素点越靠近条纹边缘,越可能属于木材边缘,Bz为条状像素点类别的像素点分布长宽比值,表示条纹的形状,其值越大说明第i个像素点所属条状像素点类别越呈现为长条状,可信度越高。
(3-5)根据各个条状像素点类别中各个像素点的位置信息和非条状像素点类别中各个像素点的位置信息,确定各个非条状像素点类别的目标邻近条状像素点类别。
在通过上述步骤(3-3)确定各个像素点类别中的各个条状像素点类别以及非条状像素点类别之后,可以根据各个条状像素点类别中各个像素点的位置信息以及非条状像素点类别中各个像素点的位置信息,确定各个非条状像素点类别的邻近条状像素点类别,这里的邻近条状像素点类别是指与非条状像素点类别有公共边缘的条状像素点类别。由于确定各个非条状像素点类别的邻近条状像素点类别的具体过程属于现有技术,此处不再赘述。
由于木材纹理的分布具有一致性的规律,各个非条状像素点类别的邻近条状像素点类别一般为左右侧两个条状像素点类别或者是上下侧两个条状像素点类别(从观察者角度来说),当然对于位于边缘处的非条状像素点类别,其对应的邻近条状像素点类别可能就只有一个条状像素点类别。但是考虑到板材中可能会出现个别错乱纹理,因此非条状像素点类别邻近的条状像素点类别中可能包含错乱纹理形成的条状像素点类别,该错乱纹理形成的条状像素点类别与其他正常的条状像素点类别一起位于非条状像素点类别的周围。如图3所示,1表示的条状像素点类别,2表示的非条状像素点类别,3表示的错乱纹理形成的条状像素点类别。由于错乱纹理形成的条状像素点类别的走向与正常的条状像素点类别的走向不同,因此可以基于这种特点,将错乱纹理形成的条状像素点类别从非条状像素点类别的邻近条状像素点类别中筛选出来。另外,在筛选完成后,计算筛选后剩余的各个邻近条状像素点类别中的像素点数目,该像素点数目可以表征邻近条状像素点类别区域的长度,并将筛选后剩余的邻近条状像素点类别区域的长度进行比对,筛选出与其他邻近条状像素点类别的长度区别较大的邻近条状像素点类别,从而得到各个非条状像素点类别的目标邻近条状像素点类别。由于筛选的方式有很多,此处不再具体介绍。
需要说明的是,由于非条状像素点类别是由条纹之间的木材表面所形成的区域,那么通过筛选后得到的各个非条状像素点类别的目标邻近条状像素点类别,实际上是各个非条状像素点类别的一侧或者两侧的分布基本一致的纹理区域。当然,上述仅仅是给出了一个确定各个非条状像素点类别的目标邻近条状像素点类别的一种具体实现方式,还可以采用现有技术中的其他方式。
(3-6)根据各个非条状像素点类别的目标邻近条状像素点类别中的各个边缘像素点的位置,确定各个非条状像素点类别的投影方向。
对于各个条状像素点类别中的各个像素点,设置属于边缘的概率阈值PBR,将条状像素点类别中的各个像素点的属于边缘的概率值PB与该属于边缘的概率阈值PBR进行比较,当PB>PBR时,则认为该PB为高PB,其对应的像素点为属于边缘像素点。在本实施例中,设置属于边缘的概率阈值PBR为0.9,当然该属于边缘的概率阈值PBR可由实施者根据具体实施场景进行调整。按照这种方式,可以得到各个条状像素点类别中的高PB像素点,也就是边缘像素点。由于每个条状像素点类别有两个端点,因此这些边缘像素点位于条状像素点类别的两个端点处。根据这些边缘像素点的位置信息,对这些边缘像素点进行二分类,可以得到每个条状像素点类别对应的两个边缘像素点类别,进而根据每一个边缘像素点类别中各个边缘像素点的位置信息,计算每一个边缘像素点类别的质心,从而得到各个条状像素点类别对应的两个边缘像素点类别的质心。
对于各个非条状像素点类别的目标邻近条状像素点类别,可以获取各个目标邻近条状像素点类别对应的两个边缘像素点类别的质心,将每个目标邻近条状像素点类别对应的两个边缘像素点类别的质心进行连线,得到连线方向,然后计算每个非条状像素点类别的所有连线方向的均值方向,并将该均值方向作为对应非条状像素点类别的投影方向。
(3-7)根据各个非条状像素点类别的投影方向以及各个非条状像素点类别中各个像素点的位置信息,确定各个非条状像素点类别中各个像素点的边缘表征值。
在通过上述步骤(3-6)得到各个非条状像素点类别的投影方向后,再结合各个非条状像素点类别中各个像素点的位置信息,确定非条状像素点类别中各个像素点在对应的投影方向的投影点,确定所有投影点的中心投影点,进而确定非条状像素点类别中各个像素点的边缘表征值,此确定非条状像素点类别中各个像素点的边缘表征值的过程与步骤(3-2-4)中确定各个像素点类别中各个像素点的边缘表征值的过程相同,此处不再详细描述。
(3-8)根据各个非条状像素点类别中各个像素点的边缘表征值以及各个非条状像素点类别的目标邻近条状像素点类别的像素点分布长宽比值,计算各个非条状像素点类别中各个像素点的属于边缘的概率值,对应的计算公式为:
其中,PBj为非条状像素点类别中第j个像素点的属于边缘的概率值,Pbj为非条状像素点类别中第j个像素点的边缘表征值,Bzk为非条状像素点类别的第k个目标邻近条状像素点类别的像素点分布长宽比值,K为非条状像素点类别的目标邻近条状像素点类别的总数目。
(4)根据灰度图像中各个像素点的属于边缘的概率值,确定各个不同拍摄角度下的待检测板材的边缘线,进而根据各个不同拍摄角度下的待检测板材的边缘线,确定待检测扭曲板材的各个边缘线,具体实现步骤包括:
(4-1)根据灰度图像中各个像素点的属于边缘的概率值,对据灰度图像中各个像素点进行二分类,得到第一边缘像素点分类和第二像素点分类,所述第一边缘像素点分类中各个像素点的属于边缘的概率值高于第二像素点分类中各个像素点的属于边缘的概率值。
在获取灰度图像中各个像素点的属于边缘的概率值PB之后,采用k-means算法对所有的概率值PB进行二分类,得到两个像素点分类,其中高PB对应的像素点分类中的像素点就是木材边缘,这里将高PB对应的像素点分类称为第一边缘像素点分类,将另外一个像素点分类称为第二像素点分类。
(4-2)根据第一边缘像素点分类中各个像素点的位置信息,确定第一边缘像素点分类中的各个顶点像素点。
对于第一边缘像素点分类中各个像素点的坐标信息,采用均值漂移算法进行密度聚类,得到各个高密度区域分类,这些个高密度区域分类中的像素点为板材各个边缘之间的顶点像素点。
(4-3)将各个顶点像素点从第一边缘像素点分类中去除,并对去除各个顶点像素点后的第一边缘像素点分类中的各个像素点进行DBSCAN聚类,得到各个边缘线像素点类别,进而根据各个边缘线像素点类别中各个像素点的位置,确定不同拍摄角度下的待检测板材的边缘线。
在第一边缘像素点分类中的各个顶点像素点去除,并对去除顶点像素点的第一边缘像素点分类中剩余像素点的坐标进行DBSCAN聚类,得到板材的每段边缘对应的像素点集合,也就是各个边缘线像素点类别。需要说明的是,将各个顶点像素点从第一边缘像素点分类去除的原因在于,由于板材的每段边缘在顶点处相连接,若直接对第一边缘像素点分类中的各个像素点进行DBSCAN聚类,会导致得到的边缘线像素点类别中可能包含两条或者更多条相连接的边缘线。
在得到各个边缘线像素点类别之后,根据各个边缘线像素点类别中各个像素点的位置信息,对每个边缘线像素点类别中各个像素点采用多项式曲线拟合方法进行曲线拟合,得到各段边缘线对应的曲线,求得每条边缘线对应的曲线之间的交点,截取交点之间的线段,进而得到各个拍摄角度下对应得到的板材的边缘线。但是由于单一拍摄角度下并不能够得到板材的各个边缘线,因此通过将各个拍摄角度下对应得到的板材的边缘线进行叠加处理,即可得到待检测扭曲板材的各个边缘线,由于叠加处理过程属于现有技术,此处不再赘述。
本实施例还提供了一种基于图像处理的扭曲木材检测系统,包括处理器和存储器,处理器用于处理存储在存储器中的指令,以实现一种基于图像处理的扭曲木材检测方法。由于该基于图像处理的扭曲木材检测方法已经在上述内容中进行了详细介绍,此处不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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 (10)
1.一种基于图像处理的扭曲木材检测方法,其特征在于,包括以下步骤:
获取待检测扭曲板材的各个不同拍摄角度的表面图像,并根据表面图像获取对应的灰度图像;
根据灰度图像中各个像素点的灰度值和位置信息,确定灰度图像中各个像素点的属于纹理的概率值和主成分方向;
根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,确定灰度图像中各个像素点的属于边缘的概率值;
根据灰度图像中各个像素点的属于边缘的概率值,确定各个不同拍摄角度下的待检测板材的边缘线,进而根据各个不同拍摄角度下的待检测板材的边缘线,确定待检测扭曲板材的各个边缘线。
2.根据权利要求1所述的基于图像处理的扭曲木材检测方法,其特征在于,确定灰度图像中各个像素点的属于纹理的概率值和主成分方向的步骤包括:
分别以灰度图像中各个像素点为中心像素点,构建滑窗区域,并对滑窗区域进行直方图均衡化处理,得到处理后的滑窗区域;
根据处理后的滑窗区域内各个像素点的灰度值,确定处理后的滑窗区域内各个像素点中的各个纹理像素点;
根据处理后的滑窗区域内的各个纹理像素点的灰度值以及对应中心像素点的灰度值,确定灰度图像中对应各个像素点的初始的属于纹理的概率值;
根据处理后的滑窗区域内的各个纹理像素点的位置信息,确定处理后的滑窗区域内的各个纹理像素点类别,进而根据各个纹理像素点类别中各个纹理像素点的位置,确定滑窗区域内的各个纹理像素点类别的主成分方向、第一纹理分散指标值和第二纹理分散指标值;
根据灰度图像中对应各个像素点的初始的属于纹理的概率值以及滑窗区域内的各个纹理像素点类别的第一纹理分散指标值和第二纹理分散指标值,计算灰度图像中各个像素点的各个修正后的属于纹理的概率值;
根据灰度图像中各个像素点的各个修正后的属于纹理的概率值,确定灰度图像中各个像素点的最终的属于纹理的概率值,并将最终的属于纹理的概率值所对应的纹理像素点类别的主成分方向作为灰度图像中对应各个像素点的主成分方向。
3.根据权利要求2所述的基于图像处理的扭曲木材检测方法,其特征在于,确定灰度图像中对应各个像素点的初始的属于纹理的概率值的步骤包括:
根据处理后的滑窗区域内的各个纹理像素点的灰度值,计算各个纹理像素点的灰度均值和方差,并根据各个纹理像素点的灰度均值和方差,构建高斯函数;
将处理后的滑窗区域对应中心像素点的灰度值代入到高斯函数,从而计算出灰度图像中对应各个像素点的初始的属于纹理的概率值。
5.根据权利要求1所述的基于图像处理的扭曲木材检测方法,其特征在于,确定灰度图像中各个像素点的属于边缘的概率值的步骤包括:
根据灰度图像中各个像素点的属于纹理的概率值、主成分方向以及位置信息,对灰度图像中各个像素点进行聚类,得到各个像素点类别;
根据各个像素点类别中各个像素点的位置信息,确定各个像素点类别的像素点分布长宽比值以及各个像素点类别中各个像素点的边缘表征值;
根据各个像素点类别的像素点分布长宽比值,确定各个像素点类别中的各个条状像素点类别以及非条状像素点类别;
根据各个条状像素点类别的像素点分布长宽比值和条状像素点类别中各个像素点的边缘表征值,计算各个条状像素点类别中各个像素点的属于边缘的概率值;
根据各个条状像素点类别中各个像素点的位置信息和非条状像素点类别中各个像素点的位置信息,确定各个非条状像素点类别的目标邻近条状像素点类别;
根据各个非条状像素点类别的目标邻近条状像素点类别中的各个边缘像素点的位置,确定各个非条状像素点类别的投影方向;
根据各个非条状像素点类别的投影方向以及各个非条状像素点类别中各个像素点的位置信息,确定各个非条状像素点类别中各个像素点的边缘表征值;
根据各个非条状像素点类别中各个像素点的边缘表征值以及各个非条状像素点类别的目标邻近条状像素点类别的像素点分布长宽比值,计算各个非条状像素点类别中各个像素点的属于边缘的概率值。
6.根据权利要求5所述的基于图像处理的扭曲木材检测方法,其特征在于,确定各个像素点类别的像素点分布长宽比值以及各个像素点类别中各个像素点的边缘表征值的步骤包括:
根据各个像素点类别中各个像素点的位置信息,确定各个像素点类别的第一主成分方向和第二主成分方向;
确定各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点,以及各个像素点类别中各个像素点在其对应的第二主成分方向上的第二投影点;
根据各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点,确定各个像素点类别对应的所有第一投影点的中心投影点和第一主成分方向投影长度,并根据各个像素点类别中各个像素点在其对应的第二主成分方向上的第二投影点,确定各个像素点类别对应的第二主成分方向投影长度;
根据确定各个像素点类别中各个像素点在其对应的第一主成分方向上的第一投影点与对应的中心投影点之间的距离,确定各个像素点类别中各个像素点的边缘表征值,并根据各个像素点类别对应的第一主成分方向投影长度和第二主成分方向投影长度,确定各个像素点类别的像素点分布长宽比值。
7.根据权利要求5所述的基于图像处理的扭曲木材检测方法,其特征在于,各个条状像素点类别中各个像素点的属于边缘的概率值对应的计算公式为:
PBi=Pbi×Bz
其中,PBi为条状像素点类别中第i个像素点的属于边缘的概率值,Pbi为条状像素点类别中第i个像素点的边缘表征值,Bz为条状像素点类别的像素点分布长宽比值。
9.根据权利要求1所述的基于图像处理的扭曲木材检测方法,其特征在于,确定不同拍摄角度下的边缘线的步骤包括:
根据灰度图像中各个像素点的属于边缘的概率值,对据灰度图像中各个像素点进行二分类,得到第一边缘像素点分类和第二像素点分类,所述第一边缘像素点分类中各个像素点的属于边缘的概率值高于第二像素点分类中各个像素点的属于边缘的概率值;
根据第一边缘像素点分类中各个像素点的位置信息,确定第一边缘像素点分类中的各个顶点像素点;
将各个顶点像素点从第一边缘像素点分类中去除,并对去除各个顶点像素点后的第一边缘像素点分类中的各个像素点进行DBSCAN聚类,得到各个边缘线像素点类别,进而根据各个边缘线像素点类别中各个像素点的位置,确定不同拍摄角度下的待检测板材的边缘线。
10.一种基于图像处理的扭曲木材检测系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-9中任一项所述的基于图像处理的扭曲木材检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345082.8A CN114897773B (zh) | 2022-03-31 | 2022-03-31 | 一种基于图像处理的扭曲木材检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345082.8A CN114897773B (zh) | 2022-03-31 | 2022-03-31 | 一种基于图像处理的扭曲木材检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897773A true CN114897773A (zh) | 2022-08-12 |
CN114897773B CN114897773B (zh) | 2024-01-05 |
Family
ID=82715170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210345082.8A Active CN114897773B (zh) | 2022-03-31 | 2022-03-31 | 一种基于图像处理的扭曲木材检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897773B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222745A (zh) * | 2022-09-21 | 2022-10-21 | 南通未来文化科技有限公司 | 基于光学信息的古筝面板材料检测方法 |
CN115909302A (zh) * | 2023-03-09 | 2023-04-04 | 菏泽学院 | 一种用于药物崩解性能识别的数据处理方法 |
CN116824577A (zh) * | 2023-08-31 | 2023-09-29 | 泰安金冠宏食品科技有限公司 | 一种基于机器视觉的预制菜生产检测方法 |
CN116823822A (zh) * | 2023-08-29 | 2023-09-29 | 山东航宇游艇发展有限公司 | 基于视觉特征的船艇钣金件焊接缺陷检测方法 |
CN116912248A (zh) * | 2023-09-13 | 2023-10-20 | 惠州市耀盈精密技术有限公司 | 基于计算机视觉的不规则五金件表面缺陷检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050161617A1 (en) * | 2004-01-22 | 2005-07-28 | Konica Minolta Medical & Graphic, Inc. | Image processing method, apparatus, and program |
JP2006127238A (ja) * | 2004-10-29 | 2006-05-18 | Olympus Corp | 撮像素子の画素中心位置の検出方法 |
CN101135652A (zh) * | 2007-10-15 | 2008-03-05 | 清华大学 | 基于纹理分割的焊缝识别方法 |
CN102081731A (zh) * | 2009-11-26 | 2011-06-01 | 中国移动通信集团广东有限公司 | 一种从图像中提取文本的方法和装置 |
US20140365463A1 (en) * | 2013-06-05 | 2014-12-11 | Digitalglobe, Inc. | Modular image mining and search |
US20150063709A1 (en) * | 2013-08-29 | 2015-03-05 | Disney Enterprises, Inc. | Methods and systems of detecting object boundaries |
US9239961B1 (en) * | 2014-09-24 | 2016-01-19 | Amazon Technologies, Inc. | Text recognition near an edge |
WO2017067390A1 (zh) * | 2015-10-20 | 2017-04-27 | 努比亚技术有限公司 | 图像中弱纹理区域的深度信息获取方法及终端 |
KR20200135102A (ko) * | 2019-05-22 | 2020-12-02 | 삼성전자주식회사 | 영상 처리 장치 및 그 영상 처리 방법 |
CN112215859A (zh) * | 2020-09-18 | 2021-01-12 | 浙江工商大学 | 一种基于深度学习和邻接约束的纹理边界检测方法 |
CN113610850A (zh) * | 2021-10-09 | 2021-11-05 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的装饰纸纹理异常检测方法 |
CN113674165A (zh) * | 2021-07-27 | 2021-11-19 | 浙江大华技术股份有限公司 | 图像处理方法、装置、电子设备、计算机可读存储介质 |
-
2022
- 2022-03-31 CN CN202210345082.8A patent/CN114897773B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050161617A1 (en) * | 2004-01-22 | 2005-07-28 | Konica Minolta Medical & Graphic, Inc. | Image processing method, apparatus, and program |
JP2006127238A (ja) * | 2004-10-29 | 2006-05-18 | Olympus Corp | 撮像素子の画素中心位置の検出方法 |
CN101135652A (zh) * | 2007-10-15 | 2008-03-05 | 清华大学 | 基于纹理分割的焊缝识别方法 |
CN102081731A (zh) * | 2009-11-26 | 2011-06-01 | 中国移动通信集团广东有限公司 | 一种从图像中提取文本的方法和装置 |
US20140365463A1 (en) * | 2013-06-05 | 2014-12-11 | Digitalglobe, Inc. | Modular image mining and search |
US20150063709A1 (en) * | 2013-08-29 | 2015-03-05 | Disney Enterprises, Inc. | Methods and systems of detecting object boundaries |
US9239961B1 (en) * | 2014-09-24 | 2016-01-19 | Amazon Technologies, Inc. | Text recognition near an edge |
WO2017067390A1 (zh) * | 2015-10-20 | 2017-04-27 | 努比亚技术有限公司 | 图像中弱纹理区域的深度信息获取方法及终端 |
KR20200135102A (ko) * | 2019-05-22 | 2020-12-02 | 삼성전자주식회사 | 영상 처리 장치 및 그 영상 처리 방법 |
CN112215859A (zh) * | 2020-09-18 | 2021-01-12 | 浙江工商大学 | 一种基于深度学习和邻接约束的纹理边界检测方法 |
CN113674165A (zh) * | 2021-07-27 | 2021-11-19 | 浙江大华技术股份有限公司 | 图像处理方法、装置、电子设备、计算机可读存储介质 |
CN113610850A (zh) * | 2021-10-09 | 2021-11-05 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的装饰纸纹理异常检测方法 |
Non-Patent Citations (3)
Title |
---|
OHINI KAFUI TOFFA: "A Hierarchical Visual Feature-Based Approach For Image Sonification", 《 IEEE TRANSACTIONS ON MULTIMEDIA 》 * |
于海鹏;刘一星;刘镇波;: "应用数字图像处理技术实现木材纹理特征检测", 计算机应用研究, no. 04 * |
邱中原;朱希安;郁建林;: "结合纹理特征和边缘信息的遥感影像分类", 遥感信息, no. 03 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222745A (zh) * | 2022-09-21 | 2022-10-21 | 南通未来文化科技有限公司 | 基于光学信息的古筝面板材料检测方法 |
CN115222745B (zh) * | 2022-09-21 | 2022-12-13 | 南通未来文化科技有限公司 | 基于光学信息的古筝面板材料检测方法 |
CN115909302A (zh) * | 2023-03-09 | 2023-04-04 | 菏泽学院 | 一种用于药物崩解性能识别的数据处理方法 |
CN115909302B (zh) * | 2023-03-09 | 2023-06-16 | 菏泽学院 | 一种用于药物崩解性能识别的数据处理方法 |
CN116823822A (zh) * | 2023-08-29 | 2023-09-29 | 山东航宇游艇发展有限公司 | 基于视觉特征的船艇钣金件焊接缺陷检测方法 |
CN116823822B (zh) * | 2023-08-29 | 2023-11-21 | 山东航宇游艇发展有限公司 | 基于视觉特征的船艇钣金件焊接缺陷检测方法 |
CN116824577A (zh) * | 2023-08-31 | 2023-09-29 | 泰安金冠宏食品科技有限公司 | 一种基于机器视觉的预制菜生产检测方法 |
CN116824577B (zh) * | 2023-08-31 | 2023-11-24 | 泰安金冠宏食品科技有限公司 | 一种基于机器视觉的预制菜生产检测方法 |
CN116912248A (zh) * | 2023-09-13 | 2023-10-20 | 惠州市耀盈精密技术有限公司 | 基于计算机视觉的不规则五金件表面缺陷检测方法 |
CN116912248B (zh) * | 2023-09-13 | 2024-01-05 | 惠州市耀盈精密技术有限公司 | 基于计算机视觉的不规则五金件表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114897773B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN114897773B (zh) | 一种基于图像处理的扭曲木材检测方法及系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN108596166B (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
US20060147096A1 (en) | Fingerprint region segmenting apparatus, directional filter unit and methods thereof | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN116168026A (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN105205486A (zh) | 一种车标识别方法及装置 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114581376B (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及系统 | |
US20050105827A1 (en) | Method and apparatus for detecting positions of center points of circular patterns | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
CN111242957A (zh) | 一种数据处理方法、装置及计算机存储介质和电子设备 | |
CN116740072A (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN113705617B (zh) | 点云数据的处理方法、装置、计算机设备和存储介质 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN118279304A (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
KR20120040004A (ko) | 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231213 Address after: Room 186, Building F, 6th Floor, No. 1000 Zhenchen Road, Baoshan District, Shanghai, 200444 Applicant after: Shanghai Tuxun Communication Technology Co.,Ltd. Address before: No. 19, Xinuo Road, Yudong Town, Haimen City, Nantong City, Jiangsu Province, 226152 Applicant before: Haimen Wangchao Furniture Manufacturing Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |