CN115131355B - 利用电子设备数据检测防水布异常的智能方法 - Google Patents

利用电子设备数据检测防水布异常的智能方法 Download PDF

Info

Publication number
CN115131355B
CN115131355B CN202211051546.0A CN202211051546A CN115131355B CN 115131355 B CN115131355 B CN 115131355B CN 202211051546 A CN202211051546 A CN 202211051546A CN 115131355 B CN115131355 B CN 115131355B
Authority
CN
China
Prior art keywords
gray
pixel
image
detected
pixels
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
Application number
CN202211051546.0A
Other languages
English (en)
Other versions
CN115131355A (zh
Inventor
张宪法
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 Xinyang Rain Gear Co ltd
Original Assignee
Nantong Xinyang Rain Gear 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 Xinyang Rain Gear Co ltd filed Critical Nantong Xinyang Rain Gear Co ltd
Priority to CN202211051546.0A priority Critical patent/CN115131355B/zh
Publication of CN115131355A publication Critical patent/CN115131355A/zh
Application granted granted Critical
Publication of CN115131355B publication Critical patent/CN115131355B/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G06T5/70—
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Abstract

本发明涉及电子设备数据处理领域，具体涉及一种利用电子设备数据检测防水布异常的智能方法，该方法包括：利用异常识别电子设备采集待检测防水布数据和标准防水布数据，根据灰度特征矩阵获取数据中的LBP特征，进而获得所有的第一灰度类别以及所有第二灰度类别，根据所有第二灰度类别获得标准数据中的第一主特征值和待检测防水布数据中的第二主特征值，根据第二类别中数据的第一主特征值计算第二灰度类别的第一综合特征，结合待检测数据中的第二主特征值获得待检测数据中的异常数据，并将异常数据可视化标注出来。本发明保证了异常检测的准确度，也不会因为人眼的疲劳造成错误分类，可大大减少人工因素以及外界因素对检测结果的干扰。

Description

利用电子设备数据检测防水布异常的智能方法
技术领域
本发明涉及电子设备数据处理技术领域，具体涉及利用电子设备数据检测防水布异常的智能方法。
背景技术
通过电子检测设备采集到的高清晰度、高分辨率的防水布数据中，防水布自身的纹理和噪声都会对缺陷检测结果造成干扰，如果只考虑像素自身的灰度值无法准确地识别缺陷，需要像素与周围像素连接起来，进行特征提取。
在特征提取方法的选择上，基于LBP算法的特征提取方法运算速度快，并且能有效地描述图像纹理特征，是优先考虑的特征提取方法，但是该算法有以下不足之处：
1.LBP算法对噪声敏感。
2.LBP算法只考虑像素周围3×3邻域内的局部特征，提取的特征有限。
3.LBP算法只考虑了中心像素与邻域像素的差值符号特征，没有考虑差值幅度，丢失了一部分数据信息。
发明内容
为了解决上述技术问题，本发明的目的在于提供利用电子设备数据检测防水布异常的智能方法，所采用的技术方案具体如下：
本发明提供了利用电子设备数据检测防水布异常的智能方法，所述方法包括以下步骤：
利用缺陷识别电子设备采集待检测防水布图像和标准防水布图像，分别记为待检测图像和标准图像；
根据预设数量的灰度特征矩阵获取待检测图像和标准图像的每个像素的LBP特征，将标准图像上像素灰度值相同的所有像素聚为一类，获得所有的第一灰度类别，根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行聚类，获得每个第一灰度类别的所有第二灰度类别；
根据所有第二灰度类别中所有像素的LBP特征获得标准图像上每个像素的第一主特征值和待检测图像上每个像素的第二主特征值，根据每个第二类别中所有像素的第一主特征值计算每个第二灰度类别的第一综合特征，根据所有第二灰度类别的第一综合特征以及待检测图像上每个像素的第二主特征值获得待检测图像上每个像素的属于每个第二灰度类别的概率，所述每个第二灰度类别的概率中最大的概率记为缺陷概率，在待检测图像上获取缺陷概率大于预设阈值的所有像素，称为缺陷像素，获得所有缺陷像素的最小外接矩形，将所述最小外接矩形标注在待检测图像上。
进一步地，所述获取待检测图像和标准图像的每个像素的LBP特征的步骤包括：
所述预设数量的灰度特征矩阵，包括：
Figure 205700DEST_PATH_IMAGE001
Figure 369178DEST_PATH_IMAGE002
Figure 991659DEST_PATH_IMAGE003
Figure 498120DEST_PATH_IMAGE004
Figure 886726DEST_PATH_IMAGE005
获取标准图像上每个像素关于每个灰度特征矩阵的符号描述子S：
Figure 755194DEST_PATH_IMAGE006
获取标准图像上每个像素关于每个灰度特征矩阵的幅值描述子M：
Figure 274424DEST_PATH_IMAGE007
其中，
Figure 457013DEST_PATH_IMAGE008
为标准图像上每个像素的灰度值，
Figure 989142DEST_PATH_IMAGE009
为以所述像素为中心的5×5邻域中的第
Figure 156075DEST_PATH_IMAGE010
个像素的灰度值，
Figure 753147DEST_PATH_IMAGE011
为每个灰度特征矩阵中的
Figure 470917DEST_PATH_IMAGE010
个元素的元素值，
Figure 243570DEST_PATH_IMAGE012
，
Figure 863295DEST_PATH_IMAGE013
为判断函数，判断函数具体包括：
Figure 150926DEST_PATH_IMAGE014
将标准图像每个像素关于所有灰度特征矩阵的符号描述子以及幅值描述子拼接成一个一维向量，所述的一维向量称为标准图像上每个像素的LBP特征；
同理，获得待检测图像上每个像素的LBP特征。
进一步地，，所述根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行聚类，获得每个第一灰度类别的所有第二灰度类别包括：
根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行均值漂移聚类，获得每个第一灰度类别的所有第二灰度类别。
进一步地，所述根据所有第二灰度类别中所有像素的LBP特征获得标准图像上每个像素的第一主特征值和待检测图像上每个像素的第二主特征值包括：
对于标准图像中每个第一灰度类别的所有第二灰度类别上每个像素的LBP特征进行主成分分析，获得所有主成分方向以及每个主成分方向对应的特征值，为第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值；
根据第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值，计算主特征值：
Figure 937966DEST_PATH_IMAGE015
其中，
Figure 299546DEST_PATH_IMAGE016
表示像素的LBP特征在第
Figure 745965DEST_PATH_IMAGE017
个主成分方向上的投影大小，
Figure 986803DEST_PATH_IMAGE018
为第
Figure 518148DEST_PATH_IMAGE017
个主成分方向对应的特征值；
计算标准图像中每个像素的主特征值，记为第一主特征值；
计算待检测图像中每个像素的主特征值，记为第二主特征值。
进一步地，所述根据每个第二类别中所有像素的第一主特征值计算每个第二灰度类别的第一综合特征，包括：
根据标准图像的每个第二灰度类别的所有像素的第一主特征值，计算每个第二灰度类别中所有像素的第一主征值的均值和方差，将所述均值和方差拼接成一个二维向量，称为每个第二灰度类别的第一综合特征。
进一步地，所述根据待检测图像上每个像素的第二主特征值获得待检测图像上每个像素的缺陷概率，包括：
Figure 265393DEST_PATH_IMAGE019
其中，
Figure 758078DEST_PATH_IMAGE020
为待检测图像像素的每个像素的第二主特征值，
Figure 630088DEST_PATH_IMAGE021
和
Figure 106069DEST_PATH_IMAGE022
为第二灰度类别的第一综合特征，
Figure DEST_PATH_IMAGE023
为待检测图像像素的每个像素属于每个第二灰度类别的概率。
进一步地，所述缺陷识别电子设备包括：一个相机、一个LED光源、一个嵌入式系统，所述的嵌入式系统实现所述方法的步骤，所述的嵌入式系统具有显示屏，能够显示出缺陷像素的最小外接矩形。
本文本发明和现有技术相比有如下有益效果：
1.本发明利用计算机视觉对防水布缺陷进行检测，使检测结果不受到操作员工的体力、技能限制。既保证了缺陷检测的准确度，也不会因为人眼的疲劳造成错误分类，可大大减少人工因素以及外界因素对检测结果的干扰。
2.本发明利用计算机视觉对防水布进行缺陷检测，在此过程中，员工不需要对皮革进行接触，确保工人不会对防水布进行二次刮伤，实现对防水布的非接触无损缺陷检测。
3.本发明通过改进LBP算法，通过引入中心像素与邻域像素的差值幅值，以及多个结构，提取更多且更全面的特征，进而通过调整实现对防水布的缺陷检测，提高缺陷检测准确度。
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利用电子设备数据检测防水布异常的智能方法的流程图。
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利用电子设备数据检测防水布异常的智能方法，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利用电子设备数据检测防水布异常的智能方法的具体方案。
请参阅图1，其示出了本发明利用电子设备数据检测防水布异常的智能方法，其特征在于，该方法包括以下步骤：
步骤S001、设置电子设备，采集防水布图像。
本发明在防水布处理车间设置缺陷识别电子设备，包括用于对传送带采集区域内的防水布进行成像和成像数据输出的成像设备，以及用于亮度补充的光源；感应装置，用于感应被测防水布并将感应信号输出；中央处理器，与成像设备和感应装置电信号连接，用于接受感应信号并实现相应数据处理和控制输出。
通过设置的电子检测设备的图像采集系统，采集多张合格防水布图像，记为标准图像；对待检测的防水布通过该设备采集图像，记为待检测图像。
至此，完成电子检测设备的设置，获取标准图像和待检测图像。
步骤S002、通过改进LBP算法获取标准图像和待检测图像的LBP特征，根据LBP特征对像素进行分类，根据分类结果获取缺陷像素。
a. 预处理。
逻辑：由于LBP算法对噪声敏感，因此，需要对图像的噪声进行预先处理。
获取图像的过程中，由于环境条件和硬件质量的影响，会出现图像噪声。图像上的噪声会影响有效信息的提取，甚至最终会导致误检，因此需要先对图像进行去噪处理。通过空间滤波器对标准图像进行滤波处理，达到去噪效果。本发明通过中值滤波器对标准图像进行滤波，具体为通过像素点的领域内像素点的灰度值的中值来代替其灰度值，实现标准图像和待检测图像去噪。
b. 通过灰度特征矩阵获取。
逻辑：LBP算法只考虑像素周围3×3邻域内的局部特征，提取的LBP特征为8位二进制数，能够提取的特征有限。因此，本发明通过将邻域大小扩展为5×5，随着邻域大小的扩大，提取的LBP特征由原先的8位二进制数变为24位二进制数，引入了过多的高比特，越高比特对应的数发生变化后，对转换后的十进制数的影响过大，导致对LBP特征进行分析的结果不准确，进而影响防水布缺陷检测结果。
构建灰度特征矩阵：
本发明通过将3×3邻域扩展为5×5，为了获取像素更多的了调整，通过设置多个灰度特征矩阵，获取像素更全面的特征信息。具体d灰度特征矩阵如下：
Figure 338115DEST_PATH_IMAGE001
Figure 811822DEST_PATH_IMAGE002
Figure 780915DEST_PATH_IMAGE003
Figure 732691DEST_PATH_IMAGE004
Figure 470839DEST_PATH_IMAGE005
2. 根据符号描述子和幅值描述子获取LBP特征。
本发明在原有LBP算法计算中心像素与邻域像素的差值符号特征的基础上，引入灰度差值幅值来进行特征提取，具体公式为：
Figure 115447DEST_PATH_IMAGE024
获取待检测图像上每个像素关于每个灰度特征矩阵的幅值描述子M：
Figure 571837DEST_PATH_IMAGE007
其中，
Figure 124041DEST_PATH_IMAGE008
为待检测图像上每个像素的灰度值，
Figure 716696DEST_PATH_IMAGE009
是每个灰度特征矩阵中第
Figure 532205DEST_PATH_IMAGE010
个像素的灰度值，
Figure 210311DEST_PATH_IMAGE011
为每个灰度特征矩阵中的p个元素的元素值，
Figure 769469DEST_PATH_IMAGE025
。
Figure 281877DEST_PATH_IMAGE026
即当
Figure 737129DEST_PATH_IMAGE027
时，
Figure 168110DEST_PATH_IMAGE028
，当
Figure 265379DEST_PATH_IMAGE029
时，
Figure 894944DEST_PATH_IMAGE030
；
Figure 786677DEST_PATH_IMAGE031
分别为中心像素的符号描述子和幅值描述子，范围为
Figure 439375DEST_PATH_IMAGE032
。
将待检测图像每个像素关于所有灰度特征矩阵的符号描述子以及幅值描述子拼接成一个一维向量，所述的一维向量称为待检测图像上每个像素的LBP特征。
c. 对所有像素进行分类。
1.按照像素灰度值的大小，获得所有像素的第一灰度类别，针对每一个第一灰度类别，通过均值漂移聚类，获得第一灰度类别的每个第二灰度类别。
2.对于标准图像上每个像素，获取所述像素所属的第二灰度类别，对所述第二灰度类别中所有像素的LBP特征进行主成分分析，获得所有主成分方向以及每个主成分方向对应的特征值。
3.根据第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值，计算主特征值：
Figure 340335DEST_PATH_IMAGE015
其中，
Figure 762089DEST_PATH_IMAGE016
表示像素的LBP特征在第
Figure 887040DEST_PATH_IMAGE017
个主成分方向上的投影大小，
Figure 27034DEST_PATH_IMAGE018
为第
Figure 731685DEST_PATH_IMAGE017
个主成分方向对应的特征值，
Figure 7945DEST_PATH_IMAGE033
为第
Figure 300868DEST_PATH_IMAGE017
主成分特征的
Figure 928158DEST_PATH_IMAGE016
的权值，特征值
Figure 170921DEST_PATH_IMAGE018
越大，权重越小。
4.计算标准图像中每个像素的主特征值，记为第一主特征值；
5.计算待检测图像中每个像素的主特征值，记为第二主特征值；
6.根据第一灰度类别的所有第二灰度类别的每一个像素的第一特征值的均值
Figure 301688DEST_PATH_IMAGE021
和方差
Figure 768441DEST_PATH_IMAGE034
，将所述均值和方差拼接成一个二维向量，称为每个第二灰度类别的第一综合特征。
d.根据分类结果判断缺陷像素。
针对待检测图像上的某个像素，根据该像素的第二主特征值每个第二灰度类别对应的第一综合特征，判断该像素属于每个第二灰度类别的概率，计算公式如下：
Figure 883028DEST_PATH_IMAGE019
其中，
Figure 663902DEST_PATH_IMAGE020
为待检测图像像素的每个像素的第二主特征值，
Figure 914755DEST_PATH_IMAGE021
和
Figure 755672DEST_PATH_IMAGE022
为第二灰度类别的第一综合特征，
Figure 357554DEST_PATH_IMAGE023
为待检测图像像素的每个像素属于每个第二灰度类别的概率；
所述每个第二灰度类别的概率中最大的概率记为缺陷概率，在待检测图像上获取缺陷概率大于预设阈值
Figure 738857DEST_PATH_IMAGE035
的所有像素，称为缺陷像素。
至此，获取缺陷像素。
步骤三：通过电子设备标注缺陷位置。
针对上述获得的缺陷像素记为1，其余像素记为0，则获取待检测图像的二值图，对该二值图进行连通域分析，对每个连通域做最小外接矩形，实现对缺陷的标注。
至此，实现对缺陷位置的标注。
本发明实施例还提出了广告图像识别系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种利用电子设备数据检测防水布异常的智能方法在上述给出了详细描述，不再赘述。
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)

1.一种利用电子设备数据检测防水布异常的智能方法，其特征在于，该方法包括以下步骤：
利用缺陷识别电子设备采集待检测防水布图像和标准防水布图像，分别记为待检测图像和标准图像；
根据预设数量的灰度特征矩阵获取待检测图像和标准图像的每个像素的LBP特征，将标准图像上像素灰度值相同的所有像素聚为一类，获得所有的第一灰度类别，根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行聚类，获得每个第一灰度类别的所有第二灰度类别；
根据所有第二灰度类别中所有像素的LBP特征获得标准图像上每个像素的第一主特征值和待检测图像上每个像素的第二主特征值，包括：对于标准图像中每个第一灰度类别的所有第二灰度类别上每个像素的LBP特征进行主成分分析，获得所有主成分方向以及每个主成分方向对应的特征值，为第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值；
根据第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值，计算主特征值：
Figure 41219DEST_PATH_IMAGE001
其中，
Figure 121914DEST_PATH_IMAGE002
表示像素的LBP特征在第
Figure 873969DEST_PATH_IMAGE003
个主成分方向上的投影大小，
Figure 883383DEST_PATH_IMAGE004
为第
Figure 884837DEST_PATH_IMAGE003
个主成分方向对应的特征值；
计算标准图像中每个像素的主特征值，记为第一主特征值；
计算待检测图像中每个像素的主特征值，记为第二主特征值；
根据每个第二类别中所有像素的第一主特征值计算每个第二灰度类别的第一综合特征，包括：
根据标准图像的每个第二灰度类别的所有像素的第一主特征值，计算每个第二灰度类别中所有像素的第一主征值的均值和方差，将所述均值和方差拼接成一个二维向量，称为每个第二灰度类别的第一综合特征；
根据所有第二灰度类别的第一综合特征以及待检测图像上每个像素的第二主特征值获得待检测图像上每个像素的属于每个第二灰度类别的概率，所述每个第二灰度类别的概率中最大的概率记为缺陷概率，在待检测图像上获取缺陷概率大于预设阈值的所有像素，称为缺陷像素，获得所有缺陷像素的最小外接矩形，将所述最小外接矩形标注在待检测图像上。
2.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法，其特征在于，所述获取待检测图像和标准图像的每个像素的LBP特征的步骤包括：
所述预设数量的灰度特征矩阵，包括：
Figure 975415DEST_PATH_IMAGE005
Figure 581977DEST_PATH_IMAGE006
Figure 559029DEST_PATH_IMAGE007
Figure 454304DEST_PATH_IMAGE008
Figure 345643DEST_PATH_IMAGE009
获取标准图像上每个像素关于每个灰度特征矩阵的符号描述子S：
Figure 993662DEST_PATH_IMAGE010
获取标准图像上每个像素关于每个灰度特征矩阵的幅值描述子M：
Figure 282561DEST_PATH_IMAGE011
其中，
Figure 242295DEST_PATH_IMAGE012
为标准图像上每个像素的灰度值，
Figure 986260DEST_PATH_IMAGE013
为以所述像素为中心的5×5邻域中的第
Figure 832994DEST_PATH_IMAGE014
个像素的灰度值，
Figure 637002DEST_PATH_IMAGE015
为每个灰度特征矩阵中的
Figure 582568DEST_PATH_IMAGE014
个元素的元素值，
Figure 130224DEST_PATH_IMAGE016
，
Figure 97043DEST_PATH_IMAGE017
为判断函数，判断函数具体包括：
Figure 134269DEST_PATH_IMAGE018
将标准图像每个像素关于所有灰度特征矩阵的符号描述子以及幅值描述子拼接成一个一维向量，所述的一维向量称为标准图像上每个像素的LBP特征；
同理，获得待检测图像上每个像素的LBP特征。
3.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法，其特征在于，所述根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行聚类，获得每个第一灰度类别的所有第二灰度类别包括：
根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行均值漂移聚类，获得每个第一灰度类别的所有第二灰度类别。
4.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法，其特征在于，所述根据待检测图像上每个像素的第二主特征值获得待检测图像上每个像素的缺陷概率，包括：
Figure 553749DEST_PATH_IMAGE019
其中，
Figure 637853DEST_PATH_IMAGE020
为待检测图像像素的每个像素的第二主特征值，
Figure 459179DEST_PATH_IMAGE021
和
Figure 870568DEST_PATH_IMAGE022
为第二灰度类别的第一综合特征，
Figure 528077DEST_PATH_IMAGE023
为待检测图像像素的每个像素属于每个第二灰度类别的概率。
5.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法，其特征在于，所述缺陷识别电子设备包括：一个相机、一个LED光源、一个嵌入式系统，所述的嵌入式系统实现如权利要求1~4任意一项所述方法的步骤，所述的嵌入式系统具有显示屏，能够显示出缺陷像素的最小外接矩形。
CN202211051546.0A 2022-08-31 2022-08-31 利用电子设备数据检测防水布异常的智能方法 Active CN115131355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211051546.0A CN115131355B (zh) 2022-08-31 2022-08-31 利用电子设备数据检测防水布异常的智能方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211051546.0A CN115131355B (zh) 2022-08-31 2022-08-31 利用电子设备数据检测防水布异常的智能方法

Publications (2)

Publication Number Publication Date
CN115131355A CN115131355A (zh) 2022-09-30
CN115131355B true CN115131355B (zh) 2022-11-18

Family

ID=83387039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211051546.0A Active CN115131355B (zh) 2022-08-31 2022-08-31 利用电子设备数据检测防水布异常的智能方法

Country Status (1)

Country Link
CN (1) CN115131355B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860510B (zh) * 2022-10-31 2023-08-15 浙江淏瀚信息科技有限公司 一种基于大数据的生产效率分析评估方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2681947A1 (fr) * 1991-10-01 1993-04-02 Micro Controle Procede de classification automatique de defauts sur des micro-circuits.
CN107092916B (zh) * 2017-03-15 2019-08-16 山东大学 基于局部规范差异的图像纹理特征提取方法及系统
CN108038476B (zh) * 2018-01-03 2019-10-11 东北大学 一种基于边缘检测与sift的人脸表情识别特征提取方法
CN111340752A (zh) * 2019-12-04 2020-06-26 京东方科技集团股份有限公司 屏幕的检测方法、装置、电子设备及计算机可读存储介质
CN111862178B (zh) * 2020-07-31 2022-09-30 易思维（杭州）科技有限公司 改进的lbp特征提取方法
CN114841938A (zh) * 2022-04-22 2022-08-02 南通海恒纺织设备有限公司 一种织物勾丝缺陷检测方法

Also Published As

Publication number Publication date
CN115131355A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN110033471B (zh) 一种基于连通域分析和形态学操作的框线检测方法
JP5546317B2 (ja) 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
EP3176751B1 (en) Information processing device, information processing method, computer-readable recording medium, and inspection system
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
KR20200039049A (ko) 외관불량 검사방법 및 외관불량 검사 시스템
JP4533836B2 (ja) 変動領域検出装置及びその方法
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
JP2019061484A (ja) 画像処理装置及びその制御方法及びプログラム
CN110335233B (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN112862770A (zh) 一种基于人工智能的缺陷分析诊断系统、方法、装置
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN111665199A (zh) 一种基于机器视觉的电线电缆颜色检测识别方法
CN115131355B (zh) 利用电子设备数据检测防水布异常的智能方法
Sosnowski et al. Image processing in thermal cameras
CN112927223A (zh) 一种基于红外热成像仪的玻璃幕墙检测方法
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN113435407A (zh) 一种输电系统的小目标识别方法及装置
CN114820626A (zh) 一种汽车前脸零件配置智能检测方法
CN111476074A (zh) 基于毫米波图像的人体异物检测方法
CN114445410A (zh) 基于图像识别的电路板检测方法、计算机及可读存储介质

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