CN114897898B - 一种基于图像处理的木板质量分类方法 - Google Patents
一种基于图像处理的木板质量分类方法 Download PDFInfo
- Publication number
- CN114897898B CN114897898B CN202210817771.4A CN202210817771A CN114897898B CN 114897898 B CN114897898 B CN 114897898B CN 202210817771 A CN202210817771 A CN 202210817771A CN 114897898 B CN114897898 B CN 114897898B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- wood
- abnormal
- value
- probability
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 239000002023 wood Substances 0.000 claims abstract description 86
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 33
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (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木板质量分类方法。该方法采集木材表面图像以得到木材灰度图像;获取木材灰度图像中的异常区域,基于像素点的连生性计算异常区域中每个像素点的异常概率;基于异常概率选取异常区域中的多个目标像素点,基于死节的脱环特性,根据目标像素点的纹理走向计算异常区域为死节的概率;根据概率确认死节,由木材表面图像中死节的面积和数量对木材质量进行评估以进行质量等级的划分。根据节子与其周边木材的连生性以及死节本身的脱环性进行节子类型判断,能够克服不同种类的木材因颜色差异导致阈值分割结果所判断的节子类型不准的问题,同时降低木材质量分类的误差。
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木板质量分类方法。
背景技术
木制家具生产中,木材的质量决定了家具的品质,节子是木材缺陷中对木材质量、价值影响最大的一种。节子可分为活节与死节,活节是正常的木质结构,材质坚硬,同时存在一定的观赏价值;死节材质松软或坚硬,易与周围木材脱离或部分脱离,加工过程中可能会使死节脱落留下空洞,导致木材强度降低,大大影响使用寿命。
传统木板缺陷分类方式是通过人工观察进行检测筛选的,这种方法效率低、成本高,检测效果易受工作人员状态影响,而现有技术多利用机器视觉进行缺陷检测:采集木材图像以获取节子区域,获取节子区域的灰度直方图,基于灰度直方图采用阈值分割进行处理以检测死节。由于死节和活节颜色均较深,且转化为灰度图像后差异较小,不同材料的节子颜色也不同,单纯采用阈值分割分析节子类型并不准确,进而无法较为准确的对木材品质进行分类。
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图像处理的木板质量分类方法,所采用的技术方案具体如下:
本发明实施例提供了一种基于图像处理的木板质量分类方法,该方法包括以下步骤:
采集木材表面图像,获取所述木材表面图像的木材灰度图像;
对所述木材灰度图像进行阈值分割得到异常区域,基于像素点的像素值得到所述异常区域的对比度图,根据对比度图中像素点的对比度值计算所述异常区域中每个像素点的连生性指标;建立所述异常区域的灰度直方图,结合所述灰度直方图和每个像素点的所述连生性指标计算所述异常区域中每个像素点的异常概率;
根据所述异常概率选取所述异常区域中的多个目标像素点,对目标像素点进行圆拟合,获取圆上每个目标像素点的目标特征向量以及该目标像素点处的切线方向向量,所述特征向量表示目标像素点处的纹理走向,计算每个目标像素点对应的所述目标特征向量和所述切线方向向量之间的余弦相似度,根据每个目标像素点对应的所述余弦相似度得到该圆对应的余弦相似度均值;对所述异常区域中的目标像素点进行多次圆拟合,根据多个圆对应的所述余弦相似度均值得到所述异常区域为死节的概率;
根据所述死节的概率确认死节,由所述木材表面图像中死节的面积和数量对木材质量进行评估,根据评估结果对木材进行质量等级的划分。
进一步地,所述基于像素点的像素值得到所述异常区域的对比度图的方法,包括:
设定固定大小的滑窗,分别以所述异常区域中每个像素点为滑窗的中心像素点,获取 滑窗大小的子影响图像的灰度共生矩阵,通过灰度共生矩阵计算对比度,将该窗口所获取的对比度的值赋值给该窗口的中心像素点。
进一步地,所述根据对比度图中像素点的对比度值计算所述异常区域中每个像素点的连生性指标的方法,包括:
根据像素点对应的对比度值计算单一滑窗内所有像素点的对比度均值,利用所述对比度均值和滑窗内每个像素点的对比度值计算该滑窗对应的连生性指标,将计算的所述连生性指标赋值于该滑窗的中心像素点。
进一步地,所述结合所述灰度直方图和每个像素点的所述连生性指标计算所述异常区域中每个像素点的异常概率的方法,包括:
根据所述灰度直方图计算每个灰度级的频率;计算所述灰度直方图对应的灰度值均值;
以频率最大值所对应的灰度值与灰度值均值之间灰度值的均值为高斯分布均值,以频率最大所对应的灰度值与灰度值均值之间灰度值的方差为高斯分布方差;
根据所述高斯分布均值和所述高斯分布方差计算每个灰度级属于背景的概率,选取所述概率的最大值所对应的灰度级为背景灰度级;
结合背景灰度级、像素点的灰度值及其所述连生性指标计算所述异常区域中每个像素点的异常概率。
进一步地,所述获取圆上每个目标像素点的目标特征向量的方法,包括:
获取目标像素点的海森矩阵以得到该海森矩阵的特征向量和特征值,选取最大特征值所对应的特征向量作为目标像素点的目标特征向量。
进一步地,所述根据多个圆对应的所述余弦相似度均值得到所述异常区域为死节的概率的方法,包括:
结合每个圆对应的所述余弦相似度均值计算平均值,将平均值作为所述异常区域为死节的概率。
进一步地,所述由所述木材表面图像中死节的面积和数量对木材质量进行评估的方法,包括:
结合木材面积、死节的面积和数量计算死节对木材质量的影响程度,且死节的数量与所述影响程度呈正相关、死节的面积与所述影响程度呈正相关。
本发明实施例至少具有如下有益效果:根据节子与其周边木材的连生性以及死节本身的脱环性进行节子类型判断,能够克服不同种类的木材因颜色差异导致阈值分割结果所判断的节子类型不准的问题,同时降低木材质量分类的误差。
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提供的一种基于图像处理的木板质量分类方法的步骤流程图;
图2为本发明实施例所提供的关于节子类型的示意图。
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一种基于图像处理的木板质量分类方法,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。
下面结合附图具体的说明本发明所提供的一种基于图像处理的木板质量分类方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的木板质量分类方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集木材表面图像,获取木材表面图像的木材灰度图像。
具体的,原木由切割设备分割为木材后,对切割好的木材进行图像采集,相机位于木材的正上方,保证采集到较为清晰的木材表面图像。调整相机视角,保证采集到的图像仅包含木材表面图像,调整传送带运行速度与相机采样频率,让采样频率与传送带运行速度适配,使得能够采集整个木材的表面图像。进而将采集到的木材表面图像转化为木材灰度图像。
步骤S002,对木材灰度图像进行阈值分割得到异常区域,基于像素点的像素值得到异常区域的对比度图,根据对比度图中像素点的对比度值计算异常区域中每个像素点的连生性指标;建立异常区域的灰度直方图,结合灰度直方图和每个像素点的连生性指标计算异常区域中每个像素点的异常概率。
具体的,参见图2,木材中活节1的质地健全,且与周边木材紧密连生,颜色较深,活节内部颜色变化幅度较小;死节2颜色同样较深,但与周边木材紧密性较差,而其内部颜色变化幅度不一致,死节边缘视觉体现为一脱环,严重的死节会形成漏节3,其内部酥裂且部分脱落,因此,基于死节与其周围木材的紧密性分析死节的连生性,则具体过程为:
(1)由于节子区域的颜色与木材的颜色存在较大的差异,因此采用阈值分割的方法对木材灰度图像进行处理,得到异常区域,异常区域的缺陷类型可分为多种,如活节、死节和脏污等。
(2)对于异常区域中的任意一个像素点,其与周围像素点越相似,则该像素点与周
围像素点的连生性越好,故分别以异常区域中每个像素点为滑窗的中心像素点,建立
大小的滑窗,计算滑窗大小的子影响图像的灰度共生矩阵,通过灰度共生矩阵计算对比度,
将这个窗口所获取的对比度的值赋值给该窗口的中心像素点,以完成第一小窗口的对比度
计算,重复上述步骤,遍历异常区域中的所有像素点得到异常区域的对比度图。
具体的,根据像素点对应的对比度值计算单一滑窗内所有像素点的对比度均值,其中,为第个像素点的对比度值,为滑窗内的像素点总数量;利用对比度
均值计算该滑窗对应的连生性指标,将计算的连生性指标赋值于滑窗的中心
像素点,遍历整张对比度图,计算异常区域中每个像素点的连生性指标,连生性指标越大,
说明该像素点与周围木材的连生性越好,反之,该像素点与周围木材的连生性越差。
进一步地,死节通常存在一个颜色较深的圆环,圆环上的灰度值与节子的整体灰度相比其灰度值较小,故一个节子中,圆环为前景,节子其他为背景,计算像素点为脱环像素点的概率,具体过程为:
(2)利用灰度直方图的频率最大值所对应的灰度级或灰度均值代表背景像素点的
灰度级存在较大的偏差,但所需要的较为理想的背景灰度级一定位于频率最大值所对应的
灰度级与灰度均值之间,故建立高斯分布,则以频率最大值所对应的灰度值与灰度值均
值之间灰度值的均值为高斯分布均值,以频率最大所对应的灰度值与灰度值均值之
间灰度值的方差为高斯分布方差,则计算公式为:
(3)根据高斯分布均值和高斯分布方差计算每个灰度级属于背景的概率,则计算公式为:
需要说明的是,由于本发明实施例的目的是根据死节的脱环性质进行计算异常区域为死节的概率,故以连生性作为脱环性的权重,计算像素点的异常概率,异常概率G的值越大,越是目标像素点,此像素点越可能为死节脱环圆环的边缘点。
步骤S003,根据异常概率选取异常区域中的多个目标像素点,对目标像素点进行圆拟合,获取圆上每个目标像素点的目标特征向量以及该目标像素点处的切线方向向量,目标特征向量表示目标像素点处的纹理走向,计算每个目标像素点对应的特征向量和切线方向向量之间的余弦相似度,根据每个目标像素点对应的余弦相似度得到该圆对应的余弦相似度均值;对异常区域中的目标像素点进行多次圆拟合,根据多个圆对应的余弦相似度均值得到异常区域为死节的概率。
具体的,基于异常概率,利用异常区域中的像素点的灰度值判断异常区域为死节的概率,过程为:
(1)设定异常概率阈值,将异常概率大于或等于异常概率阈值所对应的像素点为目标像素点,采用RANSAC算法对目标像素点进行圆拟合。
(2)对于圆上的目标像素点,获取圆上第J个目标像素点的海森矩阵,该海森矩阵为2×2的对角矩阵,用于表示该目标像素点的灰度值在图像上的二阶导数,进而获取海森矩阵的特征向量和特征值。
(3)本发明实施例将最大特征值所对应的特征向量作为目标特征向量,该目标特
征向量是一个二维单位向量,用于表示该目标像素点在图像上的灰度值变化曲率最大的方
向,同时用于表征该目标像素点处的纹理走向,因此,本发明实施例将目标特征向量称为第
J个目标像素点的向心性特征,记为。
(4)当像素点的灰度变化走向为一个正圆时,特征向量指向圆心,由此计算拟合
的圆为死节脱环的概率, 则获取圆上第J个目标像素点在圆上的切线方向向量,记为,则
计算第J个目标像素点对应的目标特征向量与切线方向向量之间的余弦相似度,即:
(5)利用步骤(2)至步骤(4)的方法,获取圆上其他目标像素点的余弦相似度,进而计算圆上所有目标像素点的余弦相似度均值,即:
(6)由于死节的脱环不一定都为圆,即拟合的圆不能完全代表脱环,且拟合的单个
圆存在偶然性,故利用步骤(1)至步骤(5)对于选取的目标像素点进行多次拟合以拟合多个
圆,同时分别计算多个圆的余弦相似度均值。
步骤S004,根据概率确认死节,由木材表面图像中死节的面积和数量对木材质量进行评估,根据评估结果对木材进行质量等级的划分。
具体的,设置概率阈值,当概率大于或等于概率阈值时,确认该异常区域为死
节。木材表面的死节数量越多,死节面积越大,则死节对木材的影响程度越大,即死节的数
量与影响程度呈正相关、死节的面积与影响程度呈正相关,据此构建影响程度的计算公式
如下:
需要说明的是,影响程度T=0则代表木材不受死节的影响,影响程度T越大代表木材受死节影响越大,则代表对应木材的质量越差。
进一步地,实施者可根据自身需求设定木材的质量等级,根据影响程度T的大小对木材进行不同质量等级的划分。
综上所述,本发明实施例提供了一种基于图像处理的木板质量分类方法,该方法采集木材表面图像以得到木材灰度图像;获取木材灰度图像中的异常区域,基于像素点的连生性计算异常区域中每个像素点的异常概率;基于异常概率选取异常区域中的多个目标像素点,由死节的脱环特性,根据目标像素点的纹理走向计算异常区域为死节的概率;根据概率确认死节,由木材表面图像中死节的面积和数量对木材质量进行评估以进行质量等级的划分。根据节子与其周边木材的连生性以及死节本身的脱环性进行节子类型判断,能够克服不同种类的木材因颜色差异导致阈值分割结果所判断的节子类型不准的问题,同时降低木材质量分类的误差。
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 (4)
1.一种基于图像处理的木板质量分类方法,其特征在于,该方法包括:
采集木材表面图像,获取所述木材表面图像的木材灰度图像;
对所述木材灰度图像进行阈值分割得到异常区域,基于像素点的像素值得到所述异常区域的对比度图,根据对比度图中像素点的对比度值计算所述异常区域中每个像素点的连生性指标;建立所述异常区域的灰度直方图,结合所述灰度直方图和每个像素点的所述连生性指标计算所述异常区域中每个像素点的异常概率;
根据所述异常概率选取所述异常区域中的多个目标像素点,对目标像素点进行圆拟合,获取圆上每个目标像素点的目标特征向量以及该目标像素点处的切线方向向量,所述特征向量表示目标像素点处的纹理走向,计算每个目标像素点对应的所述目标特征向量和所述切线方向向量之间的余弦相似度,根据每个目标像素点对应的所述余弦相似度得到该圆对应的余弦相似度均值;对所述异常区域中的目标像素点进行多次圆拟合,根据多个圆对应的所述余弦相似度均值得到所述异常区域为死节的概率;
根据所述死节的概率确认死节,由所述木材表面图像中死节的面积和数量对木材质量进行评估,根据评估结果对木材进行质量等级的划分;
其中,所述基于像素点的像素值得到所述异常区域的对比度图的方法,包括:
设定固定大小的滑窗,分别以所述异常区域中每个像素点为滑窗的中心像素点,获取滑窗大小的子影响图像的灰度共生矩阵,通过灰度共生矩阵计算对比度,将该滑窗所获取的对比度的值赋值给该滑窗的中心像素点;
所述根据对比度图中像素点的对比度值计算所述异常区域中每个像素点的连生性指标的方法,包括:
根据像素点对应的对比度值计算单一滑窗内所有像素点的对比度均值,利用所述对比度均值和滑窗内每个像素点的对比度值计算该滑窗对应的连生性指标,将计算的所述连生性指标赋值于该滑窗的中心像素点;
所述结合所述灰度直方图和每个像素点的所述连生性指标计算所述异常区域中每个像素点的异常概率的方法,包括:
根据所述灰度直方图计算每个灰度级的频率;计算所述灰度直方图对应的灰度值均值;
以频率最大值所对应的灰度值与灰度值均值之间灰度值的均值为高斯分布均值,以频率最大所对应的灰度值与灰度值均值之间灰度值的方差为高斯分布方差;
根据所述高斯分布均值和所述高斯分布方差计算每个灰度级属于背景的概率,选取所述概率的最大值所对应的灰度级为背景灰度级;
结合背景灰度级、像素点的灰度值及其所述连生性指标计算所述异常区域中每个像素点的异常概率。
2.如权利要求1所述的方法,其特征在于,所述获取圆上每个目标像素点的目标特征向量的方法,包括:
获取目标像素点的海森矩阵以得到该海森矩阵的特征向量和特征值,选取最大特征值所对应的特征向量作为目标像素点的目标特征向量。
3.如权利要求1所述的方法,其特征在于,所述根据多个圆对应的所述余弦相似度均值得到所述异常区域为死节的概率的方法,包括:
结合每个圆对应的所述余弦相似度均值计算平均值,将平均值作为所述异常区域为死节的概率。
4.如权利要求1所述的方法,其特征在于,所述由所述木材表面图像中死节的面积和数量对木材质量进行评估的方法,包括:
结合木材面积、死节的面积和数量计算死节对木材质量的影响程度,且死节的数量与所述影响程度呈正相关、死节的面积与所述影响程度呈正相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817771.4A CN114897898B (zh) | 2022-07-13 | 2022-07-13 | 一种基于图像处理的木板质量分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817771.4A CN114897898B (zh) | 2022-07-13 | 2022-07-13 | 一种基于图像处理的木板质量分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897898A CN114897898A (zh) | 2022-08-12 |
CN114897898B true CN114897898B (zh) | 2022-09-30 |
Family
ID=82729889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817771.4A Active CN114897898B (zh) | 2022-07-13 | 2022-07-13 | 一种基于图像处理的木板质量分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897898B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082744B (zh) * | 2022-08-22 | 2023-09-08 | 深圳烁圣数字能源有限公司 | 一种基于人工智能的太阳能集热效率分析方法及系统 |
CN115100203B (zh) * | 2022-08-25 | 2022-11-18 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
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 |
CN115239729A (zh) * | 2022-09-23 | 2022-10-25 | 南通欧瑞佳木业有限公司 | 一种基于直方图均衡化的新型建筑木材缺陷检测方法 |
CN115266736B (zh) * | 2022-09-29 | 2022-12-13 | 江苏宸洋食品有限公司 | 一种茂谷柑霉变的快速识别方法 |
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 |
CN117173208B (zh) * | 2023-11-01 | 2024-03-12 | 浙江鸿昌铝业有限公司 | 基于数据分析的铝型材锯切过程误差判断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068178A1 (en) * | 2019-10-11 | 2021-04-15 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for image quality detection |
CN113538424A (zh) * | 2021-09-15 | 2021-10-22 | 江苏景瑞农业科技发展有限公司 | 基于人工智能的木板节子分类数据识别方法 |
CN113947805A (zh) * | 2021-09-27 | 2022-01-18 | 华东师范大学 | 一种基于视频图像的眼震类型分类方法 |
-
2022
- 2022-07-13 CN CN202210817771.4A patent/CN114897898B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068178A1 (en) * | 2019-10-11 | 2021-04-15 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for image quality detection |
CN113538424A (zh) * | 2021-09-15 | 2021-10-22 | 江苏景瑞农业科技发展有限公司 | 基于人工智能的木板节子分类数据识别方法 |
CN113947805A (zh) * | 2021-09-27 | 2022-01-18 | 华东师范大学 | 一种基于视频图像的眼震类型分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114897898A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114897898B (zh) | 一种基于图像处理的木板质量分类方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN114170228B (zh) | 一种计算机图像边缘检测方法 | |
CN115641329B (zh) | 一种锂电池隔膜缺陷检测方法及系统 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
Mustafa et al. | Image processing of an agriculture produce: Determination of size and ripeness of a banana | |
CN109377485A (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN101782526A (zh) | 一种钢材韧窝图像的自动复原、测量分类方法及装置 | |
CN115330772A (zh) | 一种在线焊点质量检测方法 | |
CN115294144B (zh) | 一种家具复合板表面缺陷识别方法 | |
CN107564000A (zh) | 基于计算机视觉的猴头菇无损检测分级方法 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN117197140A (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN108961301A (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
CN115841600B (zh) | 基于深度学习的甘薯外观品质分类方法 | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统 |
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 |