CN114998350A - 基于图像处理的石材缺陷检测方法 - Google Patents
基于图像处理的石材缺陷检测方法 Download PDFInfo
- Publication number
- CN114998350A CN114998350A CN202210930368.2A CN202210930368A CN114998350A CN 114998350 A CN114998350 A CN 114998350A CN 202210930368 A CN202210930368 A CN 202210930368A CN 114998350 A CN114998350 A CN 114998350A
- Authority
- CN
- China
- Prior art keywords
- crack
- pixel point
- suspected
- pixel
- suspected crack
- 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
- 239000004575 stone Substances 0.000 title claims abstract description 84
- 230000007547 defect Effects 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims description 35
- 230000009467 reduction Effects 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 description 18
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000170489 Upis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20036—Morphological 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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种基于图像处理的石材缺陷检测方法,获取石材表面灰度图像中的疑似裂缝连通域,进行形态学细化,得到每个疑似裂缝连通域的单像素线段,获取每个像素点的灰度值的方向向量,将每个像素点的灰度值的方向向量进行延伸,若延伸后与单像素线段产生交点,则像素点为疑似裂缝像素点,否则,像素点为正常纹理像素点,统计单像素线段上的每个像素点作为交点时,该交点对应的疑似裂缝像素点的灰度方向向量集合,根据每个交点对应的灰度方向量集合中每个灰度方向向量与其他方向向量之间的夹角和阈值得到石材表面的裂缝像素点,根据裂缝像素点得到石材表面的裂缝区域,方法精准的提取裂缝区域,并且效率高。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种基于图像处理的石材缺陷检测方法。
背景技术
石材作为一种常见的建筑材料,在实际生产当中应用广泛,具有强度高、封闭性好、耐磨性强的特点,裂缝是一种常见的存在石材表面的缺陷,若石材的表面存在裂缝缺陷,则会影响美观、产品安全性、产品品质,因此,检测石材表面是否存在裂缝缺陷是石材自动化检测过程中的关键工序,它对于实时优化切割不规则石材以及优化排版和下料具有决定性的作用,对于提高生产效率和石材利用率、节约石材资源具有重要意义。
目前,我国作为主要的石材生产国,石材行业规模和生产量都很大,对石材的表面裂缝缺陷的常规方法为人工检测,由于石材的表面具有不规则的自然纹理,其颜色、纹理复杂,表面图像信息往往不稳定、不唯一,不容易将石材固有纹理与裂缝缺陷进行精准区分,同时人工检测石材表面存在主观性强、实时性差、劳动强度大的缺点,若面对大量石材表面缺陷的检测,人工检测效率也较低。
发明内容
本发明提供一种基于图像处理的石材缺陷检测方法,解决石材表面裂缝缺陷检测存在低效、精度低的的问题,采用如下技术方案:
获取石材表面灰度图像中的疑似裂缝连通域;
获取每个疑似裂缝连通域的每个像素点的方向向量,该方向向量由该像素点水平方向上相邻像素点的灰度值减小方向和竖直方向上相邻像素点的灰度值减小方向组成;
对每个疑似裂缝连通域进行形态学细化操作,得到每个疑似裂缝连通域的单像素线段;
将每个疑似裂缝连通域的每个像素点的方向向量进行延伸,若方向向量延伸后与疑似裂缝连通域的单像素线段相交,则该像素点为疑似裂缝连通域的疑似裂缝像素点;
获取每个疑似裂缝连通域的所有疑似裂缝像素点,根据每个疑似裂缝像素点的方向向量和其他疑似裂缝像素点的方向向量之间的夹角和夹角阈值判断每个疑似裂缝像素点是否为裂缝像素点;
获取所有裂缝像素点,根据所有裂缝像素点形成的连通域得到石材表面的裂缝区域。
所述获取石材表面灰度图像中的疑似裂缝连通域的方法为:
对灰度图像进行中值滤波去噪,获取去噪后的灰度图像的灰度直方图;
利用大津算法计算灰度直方图的最佳分割阈值;
利用最佳分割阈值将灰度图像中灰度值小于最佳分割阈值的像素点作为疑似裂缝像素点,并将疑似裂缝像素点标记为0,将灰度图像中灰度值大于等于最佳分割阈值的像素点作为正常纹理像素点,并将正常纹理像素点标记为1,得到灰度图像的二值图;
对灰度图像的二值图进行形态学开运算后,进行连通域分析,得到疑似裂缝像素点的疑似裂缝连通域。
所述每个疑似裂缝连通域的每个像素点的方向向量的获取方法为:
将每个疑似裂缝连通域的每个像素点的水平方向相邻像素点中灰度值小的方向作为每个像素点的水平方向的灰度减小方向向量;
将每个像素点的竖直方向相邻像素点中灰度值小的方向作为每个像素点的竖直方向的灰度减小方向向量;
将每个像素点的水平方向的灰度减小方向向量和竖直方向的灰度减小方向向量相加后得到的向量作为每个像素点的方向向量。
所述获取每个疑似裂缝连通域的所有疑似裂缝像素点,根据每个疑似裂缝像素点的方向向量和其他疑似裂缝像素点的方向向量之间的夹角和夹角阈值判断每个疑似裂缝像素点是否为裂缝像素点的方法为:
获取每个疑似裂缝连通域的边缘像素点中的疑似裂缝像素点;
根据每个疑似裂缝连通域的边缘像素点中的疑似裂缝像素点数量对疑似裂缝连通域进行筛选,得到目标连通域;
所述根据每个疑似裂缝连通域的边缘像素点中的疑似裂缝像素点数量对疑似裂缝连通域进行筛选,得到目标连通域的方法为:
计算疑似连通域为目标连通域的概率:
所述每个疑似裂缝连通域的边缘像素点中的正常纹理像素点的获取方法为:
将每个疑似裂缝连通域的每个边缘像素点的方向向量进行延伸,若方向向量延伸后与疑似裂缝连通域的单像素线段不相交,则该像素点为疑似裂缝连通域的正常纹理像素点。
本发明的有益效果是:对石材表面图像做灰度化处理,并使用中值滤波对石材表面图像进行平滑去噪处理,抑制或消除这些噪声的影响,并使用形态学开运算,去除孤立的小点和毛刺,改善图像数据的质量;通过获取每个像素点的灰度变化方向,利用每个像素点的灰度减小方向和连通域中的单像素线段是否产生交点判断每个像素点的灰度变化规律是否符合裂缝像素点和正常纹理像素点的规律,裂缝同侧上像素点的灰度值减小方向一致,两侧像素点的灰度值减小方向相反,方法简单、智能;先计算边缘像素点灰度变化规律对疑似裂缝进行初步筛选,根据筛选后的疑似连通域中单像素线段两侧的像素点灰度变化走向,得到真实的裂缝像素点,提取出精准的裂缝区域,为后续石材切割加工提供了参考。
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是本发明的一种基于图像处理的石材缺陷检测方法流程示意图;
图2是本发明的一种基于图像处理的石材缺陷检测方法中的石材表面裂缝示意图;
图3是本发明的一种基于图像处理的石材缺陷检测方法中的石材表面裂缝二值图像的示意图。
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。
本发明的一种基于图像处理的石材缺陷检测方法的实施例,如图1所示,包括:
步骤一:获取石材表面灰度图像中的疑似裂缝连通域;
该步骤的目的是通过运输机上的相机拍摄石材图像,并进行一系列预处理识别石材表面图像,获得石材表面灰度图像中的疑似裂缝连通域信息。
由于石材表面具有不规则的自然纹理,其颜色、纹理复杂,表面图像信息往往不稳定、不唯一,无法精确的识别分割石材表面裂缝缺陷,石材表面裂缝示意图像如图2所示。因此,本实施例首先获取清晰的石材表面图像,根据石材表面的特征分析,获得石材表面的裂缝区域,进而优化切割排版,提高石材的利用率,所以需要采集运输机上的石材图像,识别出图像中石材表面的特征信息。
本实施例采用DNN语义分割的方式来识别分割图像中的目标,该DNN网络的相关内容如下:使用的数据集为俯视采集的运输机上石材图像数据集;需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于石材表面的标注为1;网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
至此,通过DNN实现了运输机上石材图像的处理,获得图像中石材表面灰度图像的连通域信息。
其中,对灰度图像进行预处理得到灰度图像中的疑似裂缝连通域的方法为:
(1)对灰度图像进行中值滤波去噪,由于图像中噪声的存在将在一定程度上影响提取图像特征的精度,进而阻碍后续的图像处理和分析,因此使用中值滤波对石材表面图像进行平滑去噪处理,抑制或消除这些噪声的影响,改善图像的质量,然后获取去噪后的石材表面灰度图像的灰度直方图;
(2)利用大津算法计算灰度直方图的最佳分割阈值,利用最佳分割阈值将灰度图像中灰度值小于最佳分割阈值的像素点作为疑似裂缝像素点,并将疑似裂缝像素点标记为0,将灰度图像中灰度值大于等于最佳分割阈值的像素点作为正常纹理像素点,并将正常纹理像素点标记为1,得到灰度图像的二值图,如图3所示。
(3)对灰度图像的二值图进行形态学开运算后,去除孤立的小点和毛刺,进行连通域分析,得到疑似裂缝像素点的疑似裂缝连通域。
步骤二:获取每个疑似裂缝连通域的每个像素点的方向向量,该方向向量由该像素点水平方向上相邻像素点的灰度值减小方向和竖直方向上相邻像素点的灰度值减小方向组成;
该步骤的目的是,根据每个像素点的横向相邻像素点的灰度值和纵向相邻的像素点的灰度值得到每个像素点的灰度值变化方向。
由于石材裂纹处存在高度差,裂纹中间深度最大,灰度最小,从裂纹中间向两边深度逐渐减小,灰度逐渐增大,所以,疑似裂缝连通域的边缘像素点到中间区域的像素点之间的像素点灰度值逐渐减小,而正常纹理像素点的纹理是相似的,像素点灰度值减小方向通常是无序的。
其中,每个像素点的灰度值减小的方向向量的获取方法为:
根据裂缝的特征可知其连通域边缘像素点与连通域中间区域的像素点之间的像素点灰度值会逐渐减小,因此取该疑似裂缝缺陷连通域边缘上某一点,取该点横向上向相邻像素点灰度值小的方向为向量的方向,以该点灰度值与较小相邻点的差值为向量的模,获得向量。再取该点纵向上向相邻像素点灰度值小的方向为向量的方向,以该点灰度值与较小相邻点的差值为向量的模,获得向量。因此该像素点的灰度值减小方向的向量T为
步骤三:对每个疑似裂缝连通域进行形态学细化操作,得到每个疑似裂缝连通域的单像素线段;将每个疑似裂缝连通域的每个像素点的方向向量进行延伸,若方向向量延伸后与疑似裂缝连通域的单像素线段相交,则该像素点为疑似裂缝连通域的疑似裂缝像素点;
该步骤的目的是,将每个像素点的灰度减小方向向量进行延伸后判断其是否与单像素线段存在交点,根据是否存在交点的情况将像素点分为裂缝连通域的正常纹理像素点和疑似裂缝像素点。
其中,每个疑似裂缝连通域的单像素线段的获取方法为:
对疑似裂缝缺陷的连通域做形态学细化操作后,即将图像的线条从多像素宽度减少到单位像素宽度的过程,也称为骨架化,使其成为单个像素点组成的线段,即疑似裂缝连通域的单像素线段,单像素线段位于连通域中间区域,因为根据裂缝的特征可知其连通域边缘点与连通域中间区域的像素点之间的像素点灰度值会逐渐减小,所以在后续分析中,将根据连通域的单像素线段和其他像素点之间的灰度变化,分析出连通域的单像素线段(中心区域)同侧和两侧像素点的灰度变化规律。
其中,判断像素点为疑似裂缝连通域的正常纹理像素点还是正常纹理像素点的方法为:
获取疑似裂缝缺陷连通域的像素点线段,计算连通域内所有非线段L的像素点的灰度值减小方向的向量T,再沿向量T的方向延伸,统计各像素点是否与线段L相交,若不相交,则该像素点为正常纹理像素点。若相交,则该像素点为疑似裂缝像素点。
步骤四:获取每个疑似裂缝连通域的所有疑似裂缝像素点,根据每个疑似裂缝像素点的方向向量和其他疑似裂缝像素点的方向向量之间的夹角和夹角阈值判断每个疑似裂缝像素点是否为裂缝像素点;
该步骤的目的是以每个疑似裂缝连通域的单像素线段上每个像素点为目标像素点,获取疑似裂缝连通域中方向向量延伸后与单像素线段的交点为该目标像素点的疑似裂缝像素点集合,根据每个目标像素点的疑似裂缝像素点集合中每个疑似裂缝像素点的方向向量和其他疑似裂缝像素点的方向向量之间的夹角和夹角阈值得到每个疑似裂缝连通域中的裂缝像素点。
其中,根据每个交点对应的灰度减小方向向量集合中每个向量和其他向量之间的夹角和夹角阈值判断每个向量对应的像素点是否为石材表面的裂缝像素点的具体方法为:
(1)选取疑似裂缝缺陷连通域边缘上像素点中的疑似裂缝像素点标记为a,和正常纹理像素点,标记为b;
(3)获得所有该疑似裂缝缺陷连通域为裂缝缺陷连通域的概率P,由于裂缝缺陷可能与相似纹理处于同一连通域内,越大说明边缘像素点中的疑似裂缝像素点越多,则连通域为裂缝缺陷连通域的可能性越大,本方案将大于概率阈值90%的疑似裂缝缺陷连通域为目标连通域,进行初步筛选,并对目标连通域进行进一步分析。
(4)在该目标连通域的单像素线段L上取一点c,将其作为目标像素点,统计方向向量的方向延伸后交与c点的所有像素点,将其作为目标像素点对应的疑似裂缝像素点集合;
获得每个目标像素点对应的疑似裂缝像素点的方向向量集合,其中,为单像素线段上的目标像素点c对应的疑似裂缝像素点的方向向量集合,n为像素点的沿其向量T延伸过线段L上c点的疑似裂缝像素点数量,再计算集合中任意两向量的夹角为:
统计当u为1且时,夹角大于夹角阈值的数据集合E和夹角小于夹角阈值的数据集合,本实施例中为177度,为3度,因为理论上裂缝缺陷连通域中的单像素线段L上一点的同侧上像素点的灰度值减小方向一致,而两侧像素点的灰度值减小方向相反,若像素点位于L的同一侧,则其方向向量(灰度减小方向)是一致的,夹角几乎为0,所以本实施例设置的范围为3度,获取到小于3度的数据集合,若像素点位于L的两侧,则像素点方向向量(灰度值减小方向)相反,此时向量夹角接近180度水平方向,因此本实施例设置为177度。若集合E与集合中的数据数量都大于时,判定对应的像素点属于真正的裂缝区域,否则该像素点属于非裂缝区域。再依次判断时,所对应的像素点是否属于真正的裂缝区域。由此获得该疑似的真实裂缝连通域的线段L上取一点c两侧的真实裂缝区域,同理获得线段L上所有目标像素点两侧的真实裂缝区域,至此获得该粗略的裂缝缺陷连通域中的真正裂缝连通域,同理获得所有粗略的裂缝缺陷连通域中的真正裂缝连通域。
步骤五:获取所有裂缝像素点,根据所有裂缝像素点形成的连通域得到石材表面的裂缝区域。
该步骤的目的是获取石材表面的裂缝像素点得到石材表面的裂缝区域,同时根据裂缝区域的尺寸和位置计算切割概率,根据切割概率进行切割优化。
通过步骤四可以获取每个疑似裂缝连通域的单像素线段上每个目标像素点对应的裂缝像素点集合,得到每个疑似裂缝连通域中的所有裂缝像素点,根据所有裂缝像素点形成的连通域,得到石材表面的裂缝区域。
本实施例将基于裂缝区域的尺寸和位置计算切割概率并进行切割优化。
其中,根据裂缝区域的尺寸和位置计算切割概率的具体方法为:
(1)选取裂缝连通域,将其形态学细化后的单像素线段L为该裂缝的长度,统计其内非线段L的所有像素点的灰度减小的方向向量T过线段L上各点的像素点数量,获得集合,取集合均值为该裂缝的宽度。再分别计算该裂缝连通域所有边缘像素点和线段L上所有像素点的灰度均值为和;
(2)则该裂缝深度B为:
(3)由此获得该裂缝的缺陷程度R为:
其中,根据切割概率进行切割优化的方法为:
(1)已知在石材表面图像中要切割出的石板形状和面积,然后以该形状和面积为滑窗,在石材表面图像上逐个像素点滑动遍历,计算某一个窗口内裂缝的总切割概率H为:
(2)同理获得所有窗口内裂缝的总切割概率H,取其最小值所对应的窗口为最优的切割模板。再利用已经获取的裂缝区域,对其进行填充、打磨,提高石材利用率。
本实施例利用计算机视觉技术处理石材表面图像,先阈值分割获取疑似裂缝连通域,然后根据连通域边缘点的梯度,获取粗略的裂缝连通域,进而获得真正的裂缝连通域,再根据真正裂缝连通域的长、宽和深度以及位置,计算其切割概率,从而优化切割排版、提高石材的利用率。
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 (6)
1.一种基于图像处理的石材缺陷检测方法,其特征在于,包括:
获取石材表面灰度图像中的疑似裂缝连通域;
获取每个疑似裂缝连通域的每个像素点的方向向量,该方向向量由该像素点水平方向上相邻像素点的灰度值减小方向和竖直方向上相邻像素点的灰度值减小方向组成;
对每个疑似裂缝连通域进行形态学细化操作,得到每个疑似裂缝连通域的单像素线段;
将每个疑似裂缝连通域的每个像素点的方向向量进行延伸,若方向向量延伸后与疑似裂缝连通域的单像素线段相交,则该像素点为疑似裂缝连通域的疑似裂缝像素点;
获取每个疑似裂缝连通域的所有疑似裂缝像素点,根据每个疑似裂缝像素点的方向向量和其他疑似裂缝像素点的方向向量之间的夹角和夹角阈值判断每个疑似裂缝像素点是否为裂缝像素点;
获取所有裂缝像素点,根据所有裂缝像素点形成的连通域得到石材表面的裂缝区域。
2.根据权利要求1所述的一种基于图像处理的石材缺陷检测方法,其特征在于,所述获取石材表面灰度图像中的疑似裂缝连通域的方法为:
对灰度图像进行中值滤波去噪,获取去噪后的灰度图像的灰度直方图;
利用大津算法计算灰度直方图的最佳分割阈值;
利用最佳分割阈值将灰度图像中灰度值小于最佳分割阈值的像素点作为疑似裂缝像素点,并将疑似裂缝像素点标记为0,将灰度图像中灰度值大于等于最佳分割阈值的像素点作为正常纹理像素点,并将正常纹理像素点标记为1,得到灰度图像的二值图;
对灰度图像的二值图进行形态学开运算后,进行连通域分析,得到疑似裂缝像素点的疑似裂缝连通域。
3.根据权利要求1所述的一种基于图像处理的石材缺陷检测方法,其特征在于,所述每个疑似裂缝连通域的每个像素点的方向向量的获取方法为:
将每个疑似裂缝连通域的每个像素点的水平方向相邻像素点中灰度值小的方向作为每个像素点的水平方向的灰度减小方向向量;
将每个像素点的竖直方向相邻像素点中灰度值小的方向作为每个像素点的竖直方向的灰度减小方向向量;
将每个像素点的水平方向的灰度减小方向向量和竖直方向的灰度减小方向向量相加后得到的向量作为每个像素点的方向向量。
4.根据权利要求1所述的一种基于图像处理的石材缺陷检测方法,其特征在于,所述获取每个疑似裂缝连通域的所有疑似裂缝像素点,根据每个疑似裂缝像素点的方向向量和其他疑似裂缝像素点的方向向量之间的夹角和夹角阈值判断每个疑似裂缝像素点是否为裂缝像素点的方法为:
获取每个疑似裂缝连通域的边缘像素点中的疑似裂缝像素点;
根据每个疑似裂缝连通域的边缘像素点中的疑似裂缝像素点数量对疑似裂缝连通域进行筛选,得到目标连通域;
6.根据权利要求5所述的一种基于图像处理的石材缺陷检测方法,其特征在于,所述每个疑似裂缝连通域的边缘像素点中的正常纹理像素点的获取方法为:
将每个疑似裂缝连通域的每个边缘像素点的方向向量进行延伸,若方向向量延伸后与疑似裂缝连通域的单像素线段不相交,则该像素点为疑似裂缝连通域的正常纹理像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210930368.2A CN114998350B (zh) | 2022-08-04 | 2022-08-04 | 基于图像处理的石材缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210930368.2A CN114998350B (zh) | 2022-08-04 | 2022-08-04 | 基于图像处理的石材缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998350A true CN114998350A (zh) | 2022-09-02 |
CN114998350B CN114998350B (zh) | 2022-10-25 |
Family
ID=83022981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210930368.2A Active CN114998350B (zh) | 2022-08-04 | 2022-08-04 | 基于图像处理的石材缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998350B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
CN115272347A (zh) * | 2022-09-30 | 2022-11-01 | 中威泵业(江苏)有限公司 | 一种轴承缺陷识别方法 |
CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
CN115326297A (zh) * | 2022-10-11 | 2022-11-11 | 江苏明锋食品有限公司 | 一种注水手套气密性检测方法 |
CN115375685A (zh) * | 2022-10-25 | 2022-11-22 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
CN115861290A (zh) * | 2022-12-30 | 2023-03-28 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116012767A (zh) * | 2023-03-27 | 2023-04-25 | 苏州奥沃汽车配件有限公司 | 一种电控硅油风扇离合器壳体裂纹视觉检测方法 |
CN116523802A (zh) * | 2023-07-04 | 2023-08-01 | 天津大学 | 一种用于肝脏超声图像的增强优化方法 |
CN116664572A (zh) * | 2023-07-31 | 2023-08-29 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117152187A (zh) * | 2023-10-30 | 2023-12-01 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117173661A (zh) * | 2023-11-02 | 2023-12-05 | 中铁五局集团成都工程有限责任公司 | 基于计算机视觉的沥青道路质量检测方法 |
CN117218549A (zh) * | 2023-11-07 | 2023-12-12 | 山东力加力钢结构有限公司 | 一种公路桥梁的状态评估方法及系统 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN117974646A (zh) * | 2024-03-29 | 2024-05-03 | 山东太平洋光纤光缆有限公司 | 一种光纤表面涂覆质量视觉检测方法 |
CN117934452B (zh) * | 2024-03-14 | 2024-06-07 | 中国建筑第五工程局有限公司 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268409A (zh) * | 2013-05-14 | 2013-08-28 | 长安大学 | 一种测量隧道衬砌岩石裂缝宽度的方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
US20190197340A1 (en) * | 2016-01-15 | 2019-06-27 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
CN111612757A (zh) * | 2020-05-18 | 2020-09-01 | 苏州精濑光电有限公司 | 一种屏幕裂纹的检测方法、装置、设备及存储介质 |
CN112085720A (zh) * | 2020-09-07 | 2020-12-15 | 中国石油大学(华东) | 一种缝洞连通域检测与表征方法 |
CN112307803A (zh) * | 2019-07-25 | 2021-02-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
CN112837290A (zh) * | 2021-02-03 | 2021-05-25 | 中南大学 | 一种基于种子填充算法的裂缝图像自动识别方法 |
CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
CN113592861A (zh) * | 2021-09-27 | 2021-11-02 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
CN113723382A (zh) * | 2021-11-03 | 2021-11-30 | 深圳佑驾创新科技有限公司 | 车道线提点的方法、装置和计算机设备 |
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 |
-
2022
- 2022-08-04 CN CN202210930368.2A patent/CN114998350B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268409A (zh) * | 2013-05-14 | 2013-08-28 | 长安大学 | 一种测量隧道衬砌岩石裂缝宽度的方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
US20190197340A1 (en) * | 2016-01-15 | 2019-06-27 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
CN112307803A (zh) * | 2019-07-25 | 2021-02-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
CN111612757A (zh) * | 2020-05-18 | 2020-09-01 | 苏州精濑光电有限公司 | 一种屏幕裂纹的检测方法、装置、设备及存储介质 |
CN112085720A (zh) * | 2020-09-07 | 2020-12-15 | 中国石油大学(华东) | 一种缝洞连通域检测与表征方法 |
CN112837290A (zh) * | 2021-02-03 | 2021-05-25 | 中南大学 | 一种基于种子填充算法的裂缝图像自动识别方法 |
CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
CN113592861A (zh) * | 2021-09-27 | 2021-11-02 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
CN113723382A (zh) * | 2021-11-03 | 2021-11-30 | 深圳佑驾创新科技有限公司 | 车道线提点的方法、装置和计算机设备 |
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 (2)
Title |
---|
LI FU 等: "Medicine Glass Bottle Defect Detection Based on Machine Vision", 《2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
胡道松 等: "基于改进Otsu算法的游标卡尺缝隙检测", 《机床与液压》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
CN115222758B (zh) * | 2022-09-21 | 2023-01-10 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测方法 |
CN115272347A (zh) * | 2022-09-30 | 2022-11-01 | 中威泵业(江苏)有限公司 | 一种轴承缺陷识别方法 |
CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
CN115326297A (zh) * | 2022-10-11 | 2022-11-11 | 江苏明锋食品有限公司 | 一种注水手套气密性检测方法 |
CN115375685A (zh) * | 2022-10-25 | 2022-11-22 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
CN115861290A (zh) * | 2022-12-30 | 2023-03-28 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN115861290B (zh) * | 2022-12-30 | 2024-01-19 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN115880304B (zh) * | 2023-03-08 | 2023-05-09 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116012767B (zh) * | 2023-03-27 | 2023-10-13 | 苏州奥沃汽车配件有限公司 | 一种电控硅油风扇离合器壳体裂纹视觉检测方法 |
CN116012767A (zh) * | 2023-03-27 | 2023-04-25 | 苏州奥沃汽车配件有限公司 | 一种电控硅油风扇离合器壳体裂纹视觉检测方法 |
CN116523802B (zh) * | 2023-07-04 | 2023-08-29 | 天津大学 | 一种用于肝脏超声图像的增强优化方法 |
CN116523802A (zh) * | 2023-07-04 | 2023-08-01 | 天津大学 | 一种用于肝脏超声图像的增强优化方法 |
CN116664572A (zh) * | 2023-07-31 | 2023-08-29 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
CN116664572B (zh) * | 2023-07-31 | 2023-10-13 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
CN117095004B (zh) * | 2023-10-20 | 2024-01-12 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117152187A (zh) * | 2023-10-30 | 2023-12-01 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117152187B (zh) * | 2023-10-30 | 2024-01-26 | 山东中科冶金矿山机械有限公司 | 一种地质测绘中裂缝轮廓提取方法 |
CN117173661A (zh) * | 2023-11-02 | 2023-12-05 | 中铁五局集团成都工程有限责任公司 | 基于计算机视觉的沥青道路质量检测方法 |
CN117173661B (zh) * | 2023-11-02 | 2024-01-26 | 中铁五局集团成都工程有限责任公司 | 基于计算机视觉的沥青道路质量检测方法 |
CN117218549A (zh) * | 2023-11-07 | 2023-12-12 | 山东力加力钢结构有限公司 | 一种公路桥梁的状态评估方法及系统 |
CN117218549B (zh) * | 2023-11-07 | 2024-03-05 | 山东力加力钢结构有限公司 | 一种公路桥梁的状态评估方法及系统 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN117745724B (zh) * | 2024-02-20 | 2024-04-26 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN117934452B (zh) * | 2024-03-14 | 2024-06-07 | 中国建筑第五工程局有限公司 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
CN117974646A (zh) * | 2024-03-29 | 2024-05-03 | 山东太平洋光纤光缆有限公司 | 一种光纤表面涂覆质量视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114998350B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998350B (zh) | 基于图像处理的石材缺陷检测方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN115239735B (zh) | 基于计算机视觉的通信柜表面缺陷检测方法 | |
CN116012384B (zh) | 一种整芯阻燃输送带表面缺陷检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN115311294A (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN115082436B (zh) | 一种盾构机刀头生产缺陷检测方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN116542968A (zh) | 一种基于模板匹配的钢筋智能计数方法 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
Hu et al. | Heavy rail surface defects detection based on the morphology of multi-scale and dual-structure elements | |
CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 | |
CN115170507B (zh) | 基于图像数据的注浆管表面缺陷检测方法及系统 | |
CN112581433B (zh) | 热障涂层裂纹的几何信息提取方法 | |
CN115330792A (zh) | 一种基于人工智能的污水检测方法及系统 | |
CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 |
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 |