CN115082719B - 一种木材质量分级方法 - Google Patents
一种木材质量分级方法 Download PDFInfo
- Publication number
- CN115082719B CN115082719B CN202210859699.1A CN202210859699A CN115082719B CN 115082719 B CN115082719 B CN 115082719B CN 202210859699 A CN202210859699 A CN 202210859699A CN 115082719 B CN115082719 B CN 115082719B
- Authority
- CN
- China
- Prior art keywords
- wood
- pixel points
- target pixel
- gray
- gray value
- 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
Images
Classifications
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种木材质量分级方法,该方法获取木材表面灰度图像后建立灰度直方图,将出现频率最高的灰度值作为灰度图像背景,以小于背景灰度值但又接近背景灰度值的像素点为目标像素点,计算目标像素点的灰度值波动程度和梯度方向信息,以灰度值波动程度以及梯度方向信息得到对目标像素点进行聚类时的聚类权重完成木材活节识别,根据所识别的木材活节的数量、大小和位置信息对木材质量分级;本发明解决了现有聚类方法无法对木材活节进行准确识别的缺陷,且较现有其它识别方法更高效准确。所以,本发明该方法可集成为生产领域的人工智能系统,作为人工智能优化操作系统、人工智能中间件等,用于计算机视觉软件开发。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种木材质量分级方法。
背景技术
当前新材料领域,出现了以木材代替钢材用于商业和民用建筑的超级木材,超级木材是由单板加工成条材后,用树脂粘合在一起并用微波固化形成的,由于其代替钢材用于建筑,所以其形成后的强度大小显然应基本接近甚至超越钢材。但由于超级木材是由天然木材加工得到的,所以木材质量的好坏,会直接影响最终所得超级木材的质量,同时还会影响超级木材生产过程中的加工生产难度。
树木在生长过程中,由于生长的生理过程、遗传因子的作用或者在生长过程中受到外界环境影响,会形成木节也即节子。其中,节子包括活节,因活节相较于树木正常区域更加坚硬难以切割,所以由树木加工得到的锯材或单板这些木材,其下一步加工难易程度,直接受到木材所包括的活节数量、大小的影响;同时,活节会导致木材纹理产生紊乱,活节附近的木材也容易产生裂纹,从而导致下一步加工出的产品存在质量缺陷的可能提高且不美观。所以,木材所含活节的数量以及大小,直接决定了木材的质量等级,从而影响超级木材成品质量。
为了准确判断木材所含活节的数量以及大小从而准确对木材质量进行分级,现有技术一般采用人工视检、图像阈值分割、神经网络算法等质量分级方法。但人工视检效率低,且容易漏检错检;图像阈值分割方法在木材活节与木材正常区域的差别不大时,便难以完成有效的分割,识别准确率较低;采用神经网络算法进行木材质量分级则需要大量的训练数据,同时该种方法的泛化能力与鲁棒性均较差。
也即,现有木材质量分类方法,存在着效率低、计算量大以及识别准确率低的问题,亟需一种高效、准确的木材质量分级方法。
发明内容
本发明提供了一种木材质量分级方法,用以解决现有技术无法高效、准确地完成木材质量分级的问题,所采用的技术方案具体如下:
本发明的一种木材质量分级方法,包括以下步骤:
获取木材表面灰度图像;
建立灰度图像的灰度直方图,计算每个灰度值出现的频率,以出现频率最大的灰度值作为灰度图像的背景灰度值;
计算灰度图像中,灰度值小于背景灰度值的所有像素点的关注度,像素点的灰度值越接近背景灰度值,则其对应的关注度越大,选取关注度大于设定关注度阈值的像素点作为目标像素点;
通过以目标像素点为中心点建立滑窗的方法,计算每个目标像素点的灰度值波动程度,目标像素点的灰度值波动程度越大,则目标像素点为木材活节区域像素点的可能性越大;
在所有目标像素点中随机选取一个目标像素点作为中心点,找出距中心点的距离不大于设定半径的所有其它目标像素点,计算所述其它目标像素点与中心点连线方向上的方向向量,将其作为第一方向向量;计算所述其它目标像素点自身的灰度值变化梯度方向,将其作为第二方向向量,计算所述第一方向向量与所述第二方向向量之间的方向相似性,当所述方向相似性越好,则说明对应的所述其它目标像素点在所述设定半径下为木材活节区域像素点的可能性越大;
将所述灰度值波动程度以及所述方向相似性作为均值漂移聚类的权重,对目标像素点进行聚类,从而确定木材活节的位置、大小以及数量;
根据木材活节的位置、大小以及数量,对木材质量进行分级。
本发明的有益效果为:
本发明在获取木材表面图像并得到木材表面灰度图像后,首先通过确定灰度图像的背景的方式,找出了可能属于活节区域的目标像素点,然后通过计算目标像素点的灰度值波动程度以及方向相似性,得到了用于对现有均值漂移聚类方法进行改进的聚类权重,解决了现有聚类方法无法对木材活节准确识别的缺陷,使本发明该种木材活节识别过程相较于其它木材活节识别方法更加高效、准确,从而实现了对木材质量的高效、准确分级。所以,将本发明该方法集成为生产领域的人工智能系统,或作为人工智能优化操作系统、人工智能中间件,亦或用于计算机视觉软件开发后,可显著提高木材质量分类效率和准确度,为超级木材的加工、选料以及提质提供可靠支持。
进一步的,还包括聚类结果优化步骤:
对设定半径按照设定半径调整量进行缩小,当设定半径缩小时聚类类别中目标像素点的减少数量小于设定数量时,则在修正后的设定半径基础上继续按照设定半径调整量进行设定半径缩小操作;重复设定半径缩小操作,直至某次设定半径缩小时,聚类类别中目标像素点的减少数量不小于设定数量,则停止缩小操作,此次缩小前的设定半径即为木材活节的准确大小。
进一步的,建立灰度图像的灰度直方图,确定所述背景灰度值的具体过程为:
计算每个灰度值的出现频率:
进一步的,所述像素点的关注度为:
进一步的,当关注度大于等于0.7时,则对像素点进行标记,将像素点作为目标像素点。
进一步的,目标像素点的灰度值波动程度为:
进一步的,所述滑窗边长为3。
进一步的,所述第一方向向量与所述第二方向向量之间的方向相似性为:
进一步的,将所述灰度值波动程度以及所述方向相似性作为均值漂移聚类的权重,对目标像素点进行聚类的具体过程包括:
计算对目标像素点进行聚类时的偏移向量:
其中,表示偏移向量,R+γ为所述设定半径,其中R为假设的木材活节半径,γ为容错量,N表示所述中心点和距中心点的距离不大于设定半径的所有其它目标像素点的数量之和,表示半径为R+γ的高维球区域的中心点,SR+γ表示以为中心点,半径为R+γ的高维球区域,表示以为中心点,半径为R+γ的高维球区域内的第k个目标像素点,Z表示所述第一方向向量与所述第二方向向量之间的方向相似性,W表示所述目标像素点的灰度值波动程度;
根据所得偏移向量对中心点位置进行更新:
进一步的,所述根据木材活节的位置、大小以及数量,对木材质量进行分级的方法为:
根据活节数量、大小以及所在位置计算木材质量系数:
木材质量系数越大,其值越趋近于1,表示该木材质量越好,由质量系数对木材进行质量分级。
附图说明
图1是本发明的木材质量分级方法的流程图;
图2是本发明的目标像素点的梯度方向示意图。
具体实施方式
本发明的构思为:首先对木材表面图像进行拍摄,得到木材表面灰度图像;然后基于活节和木材正常区域灰度值差异、活节与木材正常区域之间的位置关系,确定值得关注的像素点,并将值得关注的像素点作为可能属于活节区域的目标像素点进行聚类,同时在聚类过程中,额外引入目标像素点的灰度波动程度以及梯度方向信息,得到对应的聚类权重,以所得聚类权重对聚类过程进行针对活节的改进,完成活节数量、大小以及位置的识别;最终,根据活节数量、大小以及位置信息对木材质量进行分级。
下面结合附图及实施例,对本发明的一种木材质量分级方法进行详细说明。
方法实施例:
本发明的一种木材质量分级方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,获取木材表面图像,并将木材表面图像转化为灰度图像。
为完成木材表面活节分布情况识别,需要首先采集木材表面图像并处理得到木材表面灰度图像。
本发明具体选用2048-48gm racer型线阵扫描相机对待检测木材进行拍摄,相机设置在传输辊台上端300mm处,镜头拍摄方向与传输辊台平面垂直。考虑到应避免光照反射对拍摄成像造成影响,本发明选取红色LED光源,并将光照方向设置成与木材平面成45°夹角安装。在拍摄过程中,木材由辊轮带动水平匀速传送,相机对镜头下方锯材进行实时扫描拍摄。
由于相机拍摄的是整个辊台台面范围的图像,图像中不但包括待检测木材还包括部分辊台台面,所以为减少不必要的计算,本发明利用深度神经网络对待检测木材进行识别,获得只包括待检测木材的木材表面图像。
对所获得的木材表面图像进行灰度处理,得到待检测木材表面图像的灰度图像。此处得到待检测木材表面图像的灰度图像的过程,借助现有图像灰度处理技术实现。
步骤二,根据灰度图像中的灰度信息筛选目标像素点,根据目标像素点的波动程度以及梯度方向信息计算聚类权重,依据所得聚类权重对目标像素点进行聚类确定活节区域。
活结通常为圆形或椭圆形,其颜色根据锯材种类不同而不同,但不论何种颜色,其灰度值均比木材正常区域的灰度值小,由于木材大部分为正常区域,且本发明所得灰度图像仅包括木材而不包括环境,所以此时木材正常区域便可作为灰度图像的背景。由此可确定,在本发明所得灰度图像中,灰度值小于背景灰度值,又靠近背景的像素点,属于活节的概率较高。
1、获取灰度图像中背景灰度值。
为找出木材活节,则需要先在灰度图像中确定木材正常区域也即背景。建立灰度图像的灰度直方图,计算每个灰度值的出现频率:
其中,表示第i个灰度值出现的频率,表示第i个灰度值对应像素点的数量,B表示灰度图像中所有像素点的总数。由于木材正常区域的像素点数量最多,且木材正常区域的像素点的灰度值基本相同,所以选取出现频率最大的灰度值作为背景灰度值Pim。
2、计算像素点关注度。
由于活节区域对应的像素点的灰度值比木材正常区域对应的像素点的灰度值小,所以灰度图像中,灰度值小于背景灰度值且接近背景灰度值的像素点,属于活节的概率更高,由此进行以下像素点的关注度计算:
关注度Q越大,表示该像素点越可能属于活节区域也就越值得关注,当关注度大于等于0.7时,则对该像素点进行标记,将其作为目标像素点。
3、对目标像素点进行灰度值波动程度计算。
经像素点关注度计算而对像素进行筛选后所得的目标像素点,虽然大概率为活节区域的像素点,但也可能包括了木材正常区域较为稀松的纹理对应的像素点,以及图像噪声点。
由于现有均值漂移聚类算法对聚类对象进行聚类时仅仅通过聚类对象的分布密度进行聚类,每一个聚类对象的贡献都是一样的,所以活节区域对应的像素点,和木材正常区域较为稀松的纹理对应的像素点以及图像噪声点,在现有聚类方法中便发挥了同等贡献,这就导致木材正常区域较为稀松的纹理对应的像素点以及图像噪声点对聚类结果产生影响,导致聚类结果与真实结果不符,故直接采用现有均值漂移聚类对本发明所获得的目标像素点进行聚类,,并不能准确完成活节识别。
对此,本发明考虑到活节处的木纹纹理密集,且属于木纹的像素点与其邻域内像素点的灰度值差异较大。所以本发明对每个目标像素点进行了灰度值波动程度计算。
具体的,以某个目标像素点为中心建立滑窗,滑窗大小为n×n,其中滑窗边长按照经验取n=3,那么滑窗中的中心像素点,也即目标像素点的灰度值波动程度即为:
滑窗中目标像素点的灰度值波动程度越大,则代表该目标像素点越有可能属于活节区域像素点。
4、对目标像素点进行梯度方向相似性计算。
通过计算目标像素点的灰度值波动程度,虽然可以较好地排除掉目标像素点中的图像噪声点或者其它干扰点,但对于活节区域和木材正常区域的木纹上对应的像素点还不能很好地进行区分。
对此,本发明考虑到,活节通常为圆形或者椭圆形,其上像素点的灰度值梯度方向通常指向活节内部,也即指向活节的中心点或者中心点附近,而木材正常区域的木纹,其灰度值的梯度方向则是垂直于木纹走向的,所以可通过计算灰度值梯度方向,来判断目标像素点属于活节还是木材正常区域。
在目标像素点中随机选取一点作为中心点,找出距中心点的距离在设定半径内的所有其它目标像素点,将中心点以及其它目标像素点记为集合M。根据经验可知活节的半径,假设活节半径为R,为了增加系统的容错性,还设置容错量γ。那么,基于活节半径R以及容错量γ,设定半径的取值即为R+γ。
计算集合M中除去中心点的第个目标像素点与中心点的连线方向向量,设为第一方向向量,并计算集合M中除去中心点的第个目标像素点自身的灰度值梯度方向向量,设为第二方向向量。计算第一方向向量与第二方向向量之间的方向相似性:
5、对目标像素点进行聚类。
以上述所得灰度值波动程度以及梯度方向相似性,作为均值漂移聚类的权重,对目标像素点进行聚类:
其中,表示偏移向量,N表示集合M中目标像素点的个数,SR+γ表示以为中心点,半径为R+γ的高维球区域,表示半径为R+γ的高维球区域的中心点,表示以为中心点,半径为R+γ的高维球区域内的第k个目标像素点。
根据所得偏移向量对中心点位置进行更新:
重复上述迭代过程,直到所有的目标像素点都被归类,对每个类确定所有目标像素点对该类的访问频率,选择访问频率最大的那个类,作为当前目标像素点集合的所属类,得到最终聚类结果,从而确定活节的位置、大小以及数量。
6、对聚类结果进行优化。
通过均值漂移聚类后所确定的活节区域,虽然包括活节真实所在范围,但也可能大于活节的真实所在范围而包括其它非活节所在区域。
对于活节而言,活节区域木纹纹理密集,活节之外的木纹纹理稀疏,若设定半径大于活节真实半径,则改变设定半径时对聚类类别中目标像素点的数量影响不大,但当设定半径与活节真实半径大小相似时,改变设定半径会影响活节真实大小,此时缩小设定半径时对聚类类别中目标像素点的数量影响很大。所以,可通过改变设定半径R+γ的方法来对聚类结果进行优化:
对设定半径按照设定半径调整量进行逐次缩小,当设定半径缩小时聚类类别中目标像素点的数量减少量不大时,则在修正后的设定半径基础上继续进行设定半径缩小操作,重复缩小过程,当某次设定半径缩小时,聚类类别中目标像素点的数量减少量较大,则停止缩小操作,此次缩小前的设定半径即为木材活节的准确大小。
步骤三,根据活节数量、大小以及所在位置完成木材质量分级。
活节数量越多、活节越大,加工时的加工难度便越大;活节的位置分布越靠近木材边缘,木材受力崩坏的概率也越大。
由此,可根据活节数量、大小以及所在位置计算木材质量系数:
质量系数越大,其值越趋近于1,表示该木材质量越好,由质量系数便可对木材进行质量分级。
整体来看,本发明采用聚类方法,避免了现有技术采用神经网络算法来识别活节时所需要进行的大量计算,相较于现有神经网络算法,通过减小计算量提高了木材质量分级效率;同时,本申请通过额外引入的灰度值波动程度计算以及梯度方向相似性计算内容,解决了现有聚类方法对木材活节识别准确度差,无法完成对木材活节识别的缺陷,其识别准确度不但相较于现有聚类方法明显提高,更高于现有人工视检、图像阈值分割方法。最终,本申请提高了对木材质量分级的效率以及准确度。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种木材质量分级方法,其特征在于,包括以下步骤:
获取木材表面灰度图像;
建立灰度图像的灰度直方图,计算每个灰度值出现的频率,以出现频率最大的灰度值作为灰度图像的背景灰度值;
计算灰度图像中,灰度值小于背景灰度值的所有像素点的关注度,像素点的灰度值越接近背景灰度值,则其对应的关注度越大,选取关注度大于设定关注度阈值的像素点作为目标像素点;
通过以目标像素点为中心点建立滑窗的方法,计算每个目标像素点的灰度值波动程度,目标像素点的灰度值波动程度越大,则目标像素点为木材活节区域像素点的可能性越大;
在所有目标像素点中随机选取一个目标像素点作为中心点,找出距中心点的距离不大于设定半径的所有其它目标像素点,计算所述其它目标像素点与中心点连线方向上的方向向量,将其作为第一方向向量;计算所述其它目标像素点自身的灰度值变化梯度方向,将其作为第二方向向量,计算所述第一方向向量与所述第二方向向量之间的方向相似性,当所述方向相似性越好,则说明对应的所述其它目标像素点在所述设定半径下为木材活节区域像素点的可能性越大;
将所述灰度值波动程度以及所述方向相似性作为均值漂移聚类的权重,对目标像素点进行聚类,从而确定木材活节的位置、大小以及数量;
根据木材活节的位置、大小以及数量,对木材质量进行分级;
将所述灰度值波动程度以及所述方向相似性作为均值漂移聚类的权重,对目标像素点进行聚类的具体过程包括:
计算对目标像素点进行聚类时的偏移向量:
其中,表示偏移向量,R+γ为所述设定半径,其中R为假设的木材活节半径,γ为容错量,N表示所述中心点和距中心点的距离不大于设定半径的所有其它目标像素点的数量之和,表示半径为R+γ的高维球区域的中心点位置,SR+γ表示以为中心点,半径为R+γ的高维球区域,表示以为中心点,半径为R+γ的高维球区域内的第k个目标像素点,Z表示所述第一方向向量与所述第二方向向量之间的方向相似性,W表示所述目标像素点的灰度值波动程度;
根据所得偏移向量对中心点位置进行更新:
所述根据木材活节的位置、大小以及数量,对木材质量进行分级的方法为:
根据活节数量、大小以及所在位置计算木材质量系数:
木材质量系数越大,其值越趋近于1,表示该木材质量越好,由质量系数对木材进行质量分级。
2.根据权利要求1所述的木材质量分级方法,其特征在于,还包括聚类结果优化步骤:
对设定半径按照设定半径调整量进行缩小,当设定半径缩小时聚类类别中目标像素点的减少数量小于设定数量时,则在修正后的设定半径基础上继续按照设定半径调整量进行设定半径缩小操作;重复设定半径缩小操作,直至某次设定半径缩小时,聚类类别中目标像素点的减少数量不小于设定数量,则停止缩小操作,此次缩小前的设定半径即为木材活节的准确大小。
5.根据权利要求4所述的木材质量分级方法,其特征在于,当关注度大于等于0.7时,则对像素点进行标记,将像素点作为目标像素点。
7.根据权利要求6所述的木材质量分级方法,其特征在于,所述滑窗边长为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859699.1A CN115082719B (zh) | 2022-07-22 | 2022-07-22 | 一种木材质量分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859699.1A CN115082719B (zh) | 2022-07-22 | 2022-07-22 | 一种木材质量分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082719A CN115082719A (zh) | 2022-09-20 |
CN115082719B true CN115082719B (zh) | 2022-11-15 |
Family
ID=83242419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859699.1A Active CN115082719B (zh) | 2022-07-22 | 2022-07-22 | 一种木材质量分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082719B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116237205B (zh) * | 2023-01-30 | 2023-11-24 | 南通市金月亮新材料科技发展有限公司 | 一种门窗喷涂调节方法及系统 |
CN117292328B (zh) * | 2023-11-24 | 2024-02-02 | 山东新中鲁建设有限公司 | 一种装配式建筑施工质量安全管理监控方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507168B (zh) * | 2017-07-26 | 2020-08-11 | 天津大学 | 一种用于岩体节理裂隙模型检验的迹线图相似度判别方法 |
DE102019111567A1 (de) * | 2019-05-03 | 2020-11-05 | Wipotec Gmbh | Verfahren und Vorrichtung zur Röntgeninspektion von Produkten, insbesondere von Lebensmitteln |
-
2022
- 2022-07-22 CN CN202210859699.1A patent/CN115082719B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115082719A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082719B (zh) | 一种木材质量分级方法 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN114913365A (zh) | 基于机器视觉的人造板质量分类方法及系统 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN112418130A (zh) | 一种基于bp神经网络的香蕉成熟度检测方法及装置 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN111612737A (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN114581376B (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及系统 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测系统 | |
CN115841600B (zh) | 基于深度学习的甘薯外观品质分类方法 | |
CN116071339A (zh) | 一种基于改进鲸鱼算法优化svm的产品缺陷识别方法 | |
CN116402753A (zh) | 一种基于改进的YOLOv5的钢材缺陷检测方法 | |
CN115187878A (zh) | 基于无人机图像分析的风力发电装置叶片缺陷检测方法 | |
CN212646436U (zh) | 一种人造板表面瑕疵检测装置 | |
CN114972261A (zh) | 一种板带钢表面质量缺陷的识别方法 | |
CN113569737A (zh) | 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质 | |
CN207181307U (zh) | 一种立体图像采集装置 | |
CN113808206A (zh) | 一种基于视觉追踪机器人的排版系统及方法 |
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 |