CN114897896A - 基于灰度变换的建筑木材缺陷检测方法 - Google Patents

基于灰度变换的建筑木材缺陷检测方法 Download PDF

Info

Publication number
CN114897896A
CN114897896A CN202210816254.5A CN202210816254A CN114897896A CN 114897896 A CN114897896 A CN 114897896A CN 202210816254 A CN202210816254 A CN 202210816254A CN 114897896 A CN114897896 A CN 114897896A
Authority
CN
China
Prior art keywords
category
pixel point
gray
pixel
point
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
CN202210816254.5A
Other languages
English (en)
Other versions
CN114897896B (zh
Inventor
易俊松
何杰
田家福
谷剑波
刘洋
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 CN202210816254.5A priority Critical patent/CN114897896B/zh
Publication of CN114897896A publication Critical patent/CN114897896A/zh
Application granted granted Critical
Publication of CN114897896B publication Critical patent/CN114897896B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于灰度变换的建筑木材缺陷检测方法。该方法能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能，还可以用于计算机视觉软件等应用软件开发；通过对建筑木材的初始图像进行分类得到多个类别，获取每个类别内中心像素点与任意像素点之间的欧式距离，从而得到该类别的正常程度，基于每个类别的正常程度自适应调整灰度变换函数对该类别内像素点进行增强，得到增强图像，根据增强图像得到建筑木材的活死节缺陷区域。本发明应用电子设备进行图像识别，增加了对图像分析处理的可靠性，并且提高了对建筑木材缺陷区域分析的效率和准确度。

Description

基于灰度变换的建筑木材缺陷检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于灰度变换的建筑木材缺陷检测方法。
背景技术
在建筑行业中，防火木材以其耐高温抗渗透等优点成为最常用的新型建筑材料。但在防火木材的生产制造之前，通常要对原木材进行缺陷检测，例如活死节检测；活节是本身质地健全、与周边数目紧密连胜的树节，虽然稳定不易脱落，但在实际木材生产中应尽量避免使用带有活节的木材；在枯死的树木侧枝周边会产生死节，节眼四周会有一圈较深色的木皮，颜色偏黑，死节易与周围木材脱离或部分脱离；极易影响木材的结构稳定性；因此对防火木材加工之前对木材的活死节检测十分必要，对检测出的活死节区域进行切除，从而使得生产加工后的木材能够达到质量要求，保证施工的安全。
现有对木材中活死节检测的手段通常是利用图像处理，通过灰度变换的手段对图像进行预增强，以此提高木材缺陷的检测效果。但现有的灰度变换手段常采用固定函数，虽然能在一定程度上弱化木材背景纹理，突出木材缺陷；但是仍然具有一定的局限性，且最终检测结果的误差较大。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于灰度变换的建筑木材缺陷检测方法，该方法包括以下步骤：
获取建筑木材的初始图像，所述初始图像包括所述建筑木材的表面区域；
基于所述初始图像中每个像素点的灰度值将所有所述像素点划为多个类别；计算所述类别内每个像素点与所述类别的中心像素点之间的欧式距离，根据所述欧式距离得到所述类别对应的正常程度；
基于每个所述类别对应的所述正常程度对所述类别对应区域进行灰度变换，得到增强图像；根据所述增强图像中像素点的灰度值得到所述建筑木材的缺陷区域。
优选的，所述基于所述初始图像中每个像素点的灰度值将所有所述像素点划为多个类别的方法，包括：
基于均值漂移聚类方法将所述初始图像中的像素点进行划分得到多个类别；所述均值漂移聚类过程中的偏移量计算方法为：
Figure 283485DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
表示第
Figure 493886DEST_PATH_IMAGE004
个滑窗中心点的偏移量；
Figure 100002_DEST_PATH_IMAGE005
表示当前滑窗内第
Figure 971004DEST_PATH_IMAGE006
个像素点与该滑窗中心点之间的坐标向量；
Figure 100002_DEST_PATH_IMAGE007
表示当前滑窗内第t个像素点的灰度值；
Figure 805230DEST_PATH_IMAGE008
表示当前滑窗内所有像素点的数量；
Figure 100002_DEST_PATH_IMAGE009
表示超参数。
优选的，所述根据所述欧式距离得到所述类别对应的正常程度的方法，包括：
所述正常程度的计算方法为：
Figure 100002_DEST_PATH_IMAGE011
其中，
Figure 400422DEST_PATH_IMAGE012
表示第
Figure 100002_DEST_PATH_IMAGE013
个类别的正常程度；
Figure 945673DEST_PATH_IMAGE014
表示当前类别中第
Figure 100002_DEST_PATH_IMAGE015
个像素点与中心像素点之间的欧式距离；
Figure 746139DEST_PATH_IMAGE016
表示当前类别中第n个像素点对应的灰度值；
Figure 100002_DEST_PATH_IMAGE017
表示第
Figure 751266DEST_PATH_IMAGE013
个类别中所有像素点的数量。
优选的，所述基于每个所述类别对应的所述正常程度对所述类别对应区域进行灰度变换的方法，包括：
所述灰度变换的函数为：
Figure 100002_DEST_PATH_IMAGE019
其中，
Figure 4393DEST_PATH_IMAGE020
表示第
Figure 792482DEST_PATH_IMAGE013
个类别中第
Figure 713034DEST_PATH_IMAGE015
个像素点进行增强后的灰度值；
Figure 262964DEST_PATH_IMAGE012
表示第
Figure 737808DEST_PATH_IMAGE013
个类别的正常程度；
Figure 153807DEST_PATH_IMAGE016
表示该类别中第
Figure 663286DEST_PATH_IMAGE015
个像素点的灰度值。
优选的，所述根据所述增强图像中像素点的灰度值得到所述建筑木材的缺陷区域的方法，包括：
根据所述增强图像中所有像素点的灰度值进行大津阈值分割，得到所述建筑木材的缺陷区域。
优选的，所述坐标向量的获取步骤，包括：
获取所述滑窗内中心点的坐标信息以及任意所述像素点的坐标信息，根据所述中心点的坐标信息与所述像素点的坐标信息得到所述坐标向量。
本发明具有如下有益效果：本发明实施例能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能，还可以用于计算机视觉软件等应用软件开发；通过改变均值漂移聚类过程中的偏移量函数，从而使得聚类后得到的各个类别中心点区域为疑似的活死节缺陷区域，提高了对建筑木材检测分析的效率；进一步计算每个类别中像素点与中心像素点的欧式距离得到该类别的正常程
度，结合该类别的正常程度自适应对该类别内的像素点进行灰度变换得到增强图像，应用电子设备进行图像识别，增加了图像分析的准确度，避免了固定函数灰度变换后的图像失真情况，减少了误差影响。
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为本发明一个实施例所提供的一种基于灰度变换的建筑木材缺陷检测的方法流程图。
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一种基于灰度变换的建筑木材缺陷检测方法，其具体实施方式、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。
本申请适用于对建筑木材表面的活死节缺陷检测，为了解决现有图像处理时效果不加导致检测误差较大的问题，本发明实施例利用优化偏移量的均值漂移聚类方法对建筑木材的初始图像进行分类得到多个类别，进一步获取每个类别的正常程度，基于每个类别对应的正常程度作为调节因素设置灰度变换函数，以此得到优化后的增强图像，根据增强图像得到建筑木材中的活死节缺陷区域。提高了图像分析的可靠性，使得最终的检测结果更加准确。
下面结合附图具体的说明本发明所提供的一种基于灰度变换的建筑木材缺陷检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于灰度变换的建筑木材缺陷检测的方法流程图，该方法包括以下步骤：
步骤S100，获取建筑木材的初始图像，初始图像包括建筑木材的表面区域。
在对防火木材生产之前，需要对待加工的建筑木材进行筛选，以保证防火木材的生
产质量，而活死节缺陷在建筑木材中是最常见的缺陷之一，由于建筑木材上的活死节缺陷区域与实际的纹理背景区域在分布形态上具有较大不同，且活死节区域的灰度值与建筑木材正常纹理区域的灰度值也具有一些区别，因此设置相机对建筑木材的表面图像进行采集得到初始图像，基于建筑木材的初始图像对该建筑木材上的活死节缺陷区域进行检测。
步骤S200，基于初始图像中每个像素点的灰度值将所有像素点划为多个类别；计算类别内每个像素点与类别的中心像素点之间的欧式距离，根据欧式距离得到类别对应的正常程度。
由于建筑木材表面的活死节缺陷像素点往往是集中分布，且与纹理背景的灰度值存在一定差异，因此对步骤S100中获取到的该建筑木材的初始图像进行初步分类，得到该建筑木材的疑似的活死节缺陷区域。
本发明实施例中采用均值漂移聚类的方法对该初始图像中的像素点进行分类；但利用现有的均值聚类方法可能会由于多个聚类中心点的距离差别不大而存在误分割的情况，从而导致均值漂移聚类的效果不佳；因此对该均值漂移聚类作出改进。
具体的，由于建筑木材中的活死节缺陷形状大多为圆形，因此本发明实施例中将均值漂移聚类方法中的窗口设置为圆形窗口，具体圆形滑窗大小可由实施者自行设定。作为优选，本发明实施例中将该圆形滑窗的半径大小设置为10。
进一步的，在该初始图像中设置均值漂移聚类的初始点，本发明实施例中以大小为50*50的任意窗口的中心点作为圆形滑窗的初始中心点，其中圆形滑窗中心点每次移动的偏移量计算为：
Figure 915275DEST_PATH_IMAGE002
其中，
Figure 877415DEST_PATH_IMAGE003
表示第
Figure 709105DEST_PATH_IMAGE004
个圆形滑窗中心点的偏移量；
Figure 574555DEST_PATH_IMAGE005
表示当前圆形滑窗内第
Figure 997446DEST_PATH_IMAGE006
个像素点与该圆形滑窗中心点之间的坐标向量；
Figure 446882DEST_PATH_IMAGE007
表示当前圆形滑窗内第t个像素点的灰度值；
Figure 144580DEST_PATH_IMAGE008
表示当前圆形滑窗内所有像素点的数量；
Figure 598957DEST_PATH_IMAGE009
表示超参数，实施者可根据实际情况自行设定。
作为优选，本发明实施例中设置
Figure DEST_PATH_IMAGE021
。
其中，坐标向量的获取方法为：获取圆形滑窗内中心点的坐标信息以及任意像素点的坐标信息，根据中心点的坐标信息与像素点的坐标信息得到坐标向量，即两个像素点坐标之间的差异得到该坐标向量。
通过偏移量的大小不断调整每个圆形滑窗内中心点的位置，最终在每个圆形滑窗对
应中心点的位置不再改变时，也即该中心点的偏移量为零时停止迭代。统计每个像素点在迭代过程中被遍历的次数，遍历次数最多时对应的类别即为该像素点最终分类的类别；以此完成完整的均值漂移聚类过程，将该初始图像中的像素点划分为多个类别。
基于上述聚类之后，每个类别的中心点所在位置都是局部区域中灰度值较低的集中区域，而活死节缺陷区域的像素点通常是集中聚集分布且灰度值较低，因此通过每个像素点与该类别的中心像素点之间的欧式距离获取每个类别对应的正常程度，则正常程度的计算为：
Figure 255066DEST_PATH_IMAGE022
其中，
Figure 224422DEST_PATH_IMAGE012
表示第
Figure 460231DEST_PATH_IMAGE013
个类别的正常程度；
Figure 533229DEST_PATH_IMAGE014
表示当前类别中第
Figure 563502DEST_PATH_IMAGE015
个像素点与中心像素点之间的欧式距离；
Figure 957836DEST_PATH_IMAGE016
表示当前类别中第n个像素点对应的灰度值；
Figure 731757DEST_PATH_IMAGE017
表示第
Figure 456000DEST_PATH_IMAGE013
个类别中所有像素点的数量。
由于活死节缺陷对应的像素点往往是聚集分布的，因此当前类别中任意像素点与中心像素点之间的欧式距离越大，说明该像素点对应的灰度值越不重要。而当前像素点的灰度值越低，其越可能为活死节缺陷像素点；即当正常程度
Figure 860436DEST_PATH_IMAGE012
越小时，说明此时该类别对应区域越可能为缺陷区域。
步骤S300，基于每个类别对应的正常程度对类别对应区域进行灰度变换，得到增强图像；根据增强图像中像素点的灰度值得到建筑木材的缺陷区域。
由步骤S200中获取到多个类别以及每个类别对应的正常程度，为避免图像增强时对图像造成失真的情况，基于每个类别对应的正常程度对该类别像素点进行增强；本发明实施例中利用指数函数作为各个类别区域的灰度变换基础函数，因为该函数能使得较小灰度值变的更小，较大的灰度值变的相对更大。
具体的，对每个类别的灰度变换函数为：
Figure 7646DEST_PATH_IMAGE019
其中，
Figure 319679DEST_PATH_IMAGE020
表示第
Figure 367269DEST_PATH_IMAGE013
个类别中第
Figure 739345DEST_PATH_IMAGE015
个像素点进行增强后的灰度值；
Figure 373851DEST_PATH_IMAGE012
表示第
Figure 489574DEST_PATH_IMAGE013
个类别的正常程度；
Figure 391671DEST_PATH_IMAGE016
表示该类别中第
Figure 934648DEST_PATH_IMAGE015
个像素点的灰度值。
以此类推，基于各个类别区域对应的正常程度进行自适应的增强，得到灰度变换增强后的增强图像。经过灰度变换后的增强图像中活死节缺陷区域为较暗区域，其对应的灰度值都相对较低；而纹理以及背景区域为较亮区域，其对应的灰度值都相对较高。
因此本发明实施例中采用大津阈值分割法完成对灰度值的分割以达到对建筑木材的
活死节缺陷区域的检测，根据检测出的活死节缺陷位置利用切割机进行切除，以此得到质量较好的建筑木材，从而保证最终对防火木材制作的可靠性。
综上所述，本发明实施例中通过获取建筑木材表面的初始图像，对该初始图像进行粗分类得到多个类别，粗分类的方法采用均值漂移聚类方法，在进行均值漂移聚类时，以每个像素点的灰度值作为均值漂移聚类时每个中心点偏移量的权值，从而得到最终分类，进一步根据每个聚类中心点到该类别中任意像素点之间的欧式距离得到该类别的正常程度，正常程度越小，表明该类别为活死节缺陷区域的可能性越大。以每个类别对应的正常程度作为调节因素设置灰度变换函数，以该灰度变换函数对该类别中每个像素点进行灰度增强，以此得到优化后的增强图像，对该增强图像利用大津阈值分割法得到建筑木材中的活死节缺陷区域。以每个类别对应的情况自定义灰度变换函数，提高了图像分析的可靠性，使得最终的检测结果更加准确。
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 (5)

1.一种基于灰度变换的建筑木材缺陷检测方法，其特征在于，该方法包括以下步骤：
获取建筑木材的初始图像，所述初始图像包括所述建筑木材的表面区域；
基于所述初始图像中每个像素点的灰度值将所有所述像素点划为多个类别；计算所述类别内每个像素点与所述类别的中心像素点之间的欧式距离，根据所述欧式距离得到所述类别对应的正常程度；
基于每个所述类别对应的所述正常程度对所述类别对应区域进行灰度变换，得到增强图像；根据所述增强图像中像素点的灰度值得到所述建筑木材的缺陷区域；
其中，所述基于所述初始图像中每个像素点的灰度值将所有所述像素点划为多个类别的方法，包括：
基于均值漂移聚类方法将所述初始图像中的像素点进行划分得到多个类别；所述均值漂移聚类过程中的偏移量计算方法为：
Figure 440777DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第
Figure 544211DEST_PATH_IMAGE004
个滑窗中心点的偏移量；
Figure DEST_PATH_IMAGE005
表示当前滑窗内第
Figure 163674DEST_PATH_IMAGE006
个像素点与该滑窗中心点之间的坐标向量；
Figure DEST_PATH_IMAGE007
表示当前滑窗内第t个像素点的灰度值；
Figure 245899DEST_PATH_IMAGE008
表示当前滑窗内所有像素点的数量；
Figure DEST_PATH_IMAGE009
表示超参数。
2.根据权利要求1所述的方法，其特征在于，所述根据所述欧式距离得到所述类别对应的正常程度的方法，包括：
所述正常程度的计算方法为：
Figure DEST_PATH_IMAGE011
其中，
Figure 671326DEST_PATH_IMAGE012
表示第
Figure DEST_PATH_IMAGE013
个类别的正常程度；
Figure 319345DEST_PATH_IMAGE014
表示当前类别中第
Figure DEST_PATH_IMAGE015
个像素点与中心像素点之间的欧式距离；
Figure 640868DEST_PATH_IMAGE016
表示当前类别中第n个像素点对应的灰度值；
Figure DEST_PATH_IMAGE017
表示第
Figure 7127DEST_PATH_IMAGE013
个类别中所有像素点的数量。
3.根据权利要求1所述的方法，其特征在于，所述基于每个所述类别对应的所述正常程度对所述类别对应区域进行灰度变换的方法，包括：
所述灰度变换的函数为：
Figure DEST_PATH_IMAGE019
其中，
Figure 111611DEST_PATH_IMAGE020
表示第
Figure 817399DEST_PATH_IMAGE013
个类别中第
Figure 214882DEST_PATH_IMAGE015
个像素点进行增强后的灰度值；
Figure 271700DEST_PATH_IMAGE012
表示第
Figure 914296DEST_PATH_IMAGE013
个类别的正常程度；
Figure 677853DEST_PATH_IMAGE016
表示该类别中第
Figure 511817DEST_PATH_IMAGE015
个像素点的灰度值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述增强图像中像素点的灰度值得到所述建筑木材的缺陷区域的方法，包括：
根据所述增强图像中所有像素点的灰度值进行大津阈值分割，得到所述建筑木材的缺陷区域。
5.根据权利要求1所述的方法，其特征在于，所述坐标向量的获取步骤，包括：
获取所述滑窗内中心点的坐标信息以及任意所述像素点的坐标信息，根据所述中心点的坐标信息与所述像素点的坐标信息得到所述坐标向量。
CN202210816254.5A 2022-07-11 2022-07-11 基于灰度变换的建筑木材缺陷检测方法 Active CN114897896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210816254.5A CN114897896B (zh) 2022-07-11 2022-07-11 基于灰度变换的建筑木材缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210816254.5A CN114897896B (zh) 2022-07-11 2022-07-11 基于灰度变换的建筑木材缺陷检测方法

Publications (2)

Publication Number Publication Date
CN114897896A true CN114897896A (zh) 2022-08-12
CN114897896B CN114897896B (zh) 2022-09-20

Family

ID=82730010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210816254.5A Active CN114897896B (zh) 2022-07-11 2022-07-11 基于灰度变换的建筑木材缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114897896B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100212A (zh) * 2022-08-29 2022-09-23 卡松科技股份有限公司 一种润滑油污染程度检测方法
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
CN115294113A (zh) * 2022-09-30 2022-11-04 南通佳木汇木制品有限公司 一种木饰面板质量检测方法
CN115330798A (zh) * 2022-10-13 2022-11-11 博格达智能装备(南通)有限公司 一种门板木材的缺陷评估方法及系统
CN116152247A (zh) * 2023-04-20 2023-05-23 江苏三纳科技材料有限公司 一种聚氨酯涂膜的质量评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392459A (zh) * 2014-12-15 2015-03-04 西安电子科技大学 基于改进的fcm和均值漂移的红外图像分割方法
AU2021101725A4 (en) * 2021-04-05 2021-05-20 Nisha Joseph The Computer Aided Diagnosis (CAD) System for the Detection of Alzheimer Disease Using MRI Real Images
CN113592854A (zh) * 2021-08-16 2021-11-02 沭阳县飞凡木制品厂 基于深度学习的木材优选锯视觉检测方法
CN114299051A (zh) * 2021-12-31 2022-04-08 南京工程学院 基于特征建模显著性检测的皮革材料表面缺陷检测方法
CN114549418A (zh) * 2022-01-21 2022-05-27 杭州未名信科科技有限公司 一种缺陷检测方法、装置、电子设备和存储介质
CN114723701A (zh) * 2022-03-31 2022-07-08 南通博莹机械铸造有限公司 基于计算机视觉的齿轮缺陷检测方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392459A (zh) * 2014-12-15 2015-03-04 西安电子科技大学 基于改进的fcm和均值漂移的红外图像分割方法
AU2021101725A4 (en) * 2021-04-05 2021-05-20 Nisha Joseph The Computer Aided Diagnosis (CAD) System for the Detection of Alzheimer Disease Using MRI Real Images
CN113592854A (zh) * 2021-08-16 2021-11-02 沭阳县飞凡木制品厂 基于深度学习的木材优选锯视觉检测方法
CN114299051A (zh) * 2021-12-31 2022-04-08 南京工程学院 基于特征建模显著性检测的皮革材料表面缺陷检测方法
CN114549418A (zh) * 2022-01-21 2022-05-27 杭州未名信科科技有限公司 一种缺陷检测方法、装置、电子设备和存储介质
CN114723701A (zh) * 2022-03-31 2022-07-08 南通博莹机械铸造有限公司 基于计算机视觉的齿轮缺陷检测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方旭等: ""结合均值漂移分割与聚类分析的遥感影像变化检测"", 《测绘通报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100212A (zh) * 2022-08-29 2022-09-23 卡松科技股份有限公司 一种润滑油污染程度检测方法
CN115100212B (zh) * 2022-08-29 2022-11-18 卡松科技股份有限公司 一种润滑油污染程度检测方法
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
CN115294113A (zh) * 2022-09-30 2022-11-04 南通佳木汇木制品有限公司 一种木饰面板质量检测方法
CN115294113B (zh) * 2022-09-30 2023-10-27 南通佳木汇木制品有限公司 一种木饰面板质量检测方法
CN115330798A (zh) * 2022-10-13 2022-11-11 博格达智能装备(南通)有限公司 一种门板木材的缺陷评估方法及系统
CN116152247A (zh) * 2023-04-20 2023-05-23 江苏三纳科技材料有限公司 一种聚氨酯涂膜的质量评估方法
CN116152247B (zh) * 2023-04-20 2023-08-25 江苏三纳科技材料有限公司 一种聚氨酯涂膜的质量评估方法

Also Published As

Publication number Publication date
CN114897896B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN114897896B (zh) 基于灰度变换的建筑木材缺陷检测方法
CN115311270B (zh) 一种塑料制品表面缺陷检测方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109977808B (zh) 一种晶圆表面缺陷模式检测与分析方法
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN113689428A (zh) 基于图像处理的机械零件应力腐蚀检测方法及系统
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115049669A (zh) 金属缺陷识别方法
CN115578374A (zh) 一种机械零件铸造质量评估方法与系统
CN114359288B (zh) 基于人工智能的医学影像脑动脉瘤检测和定位方法
CN113221956B (zh) 基于改进的多尺度深度模型的目标识别方法及装置
CN115082719B (zh) 一种木材质量分级方法
CN115311484B (zh) 一种焊缝数据的优化聚类分割方法
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN116030237A (zh) 工业缺陷检测方法、装置及电子设备、存储介质
CN113538424A (zh) 基于人工智能的木板节子分类数据识别方法
CN110568445A (zh) 一种轻量化卷积神经网络的激光雷达与视觉融合感知方法
CN114332086B (zh) 基于风格迁移和人工智能的纺织品缺陷检测方法及系统
CN113763364B (zh) 一种基于卷积神经网络的图像缺陷检测方法
CN114782410A (zh) 一种基于轻量化模型的绝缘子缺陷检测方法及其系统
CN116206208B (zh) 一种基于人工智能的林业病虫害快速分析系统
CN111666953B (zh) 一种基于语义分割的潮汐带测绘方法及设备
CN115082449B (zh) 一种电子元器件缺陷检测方法

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