CN115239718A - 一种基于图像处理的塑料制品缺陷检测方法与系统 - Google Patents
一种基于图像处理的塑料制品缺陷检测方法与系统 Download PDFInfo
- Publication number
- CN115239718A CN115239718A CN202211154846.1A CN202211154846A CN115239718A CN 115239718 A CN115239718 A CN 115239718A CN 202211154846 A CN202211154846 A CN 202211154846A CN 115239718 A CN115239718 A CN 115239718A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- plastic product
- points
- region
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001746 injection moulding Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 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
- 230000009467 reduction Effects 0.000 description 1
- 239000000243 solution Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/762—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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及缺陷数据识别技术领域,具体涉及一种基于图像处理的塑料制品缺陷检测方法与系统,该方法包括:获取塑料制品图像,构建塑料制品图像的图像金字塔;通过图像金字塔识别出图像中不同的类别区域;进一步根据图像金字塔各层图像的特征选取目标图像对目标图像进行进一步分割,识别出塑料制品的应力痕区域。本发明通过塑料制品的图像特征识别出表面的缺陷区域,并且通过改进的分水岭算法避免了过分割的影响,使得缺陷数据识别更加准确。
Description
技术领域
本发明涉及缺陷数据识别技术领域,具体涉及一种基于图像处理的塑料制品缺陷检测方法与系统。
背景技术
目前,对于塑料制品来说,注塑过程中流速的差别容易引发应力痕缺陷。而产品转角处是出现应力痕的高发区域,主要是因为转角处的材料流动容易受到阻力影响,在注塑过程中流动速度和压力发生了快速变化造成的。同时,在进行缺陷检测时,由于塑料制品受光照影响较大,应力痕的边缘较难检测得到,因此现有常采用分水岭算法进行检测,分水岭算法可以检测到较弱边缘,但受噪声和图像中平坦区域细密纹理的影响较大,检测到的局部极值较多,容易产生大量的细小区域,进而造成过分割的情况出现。
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塑料制品缺陷检测方法与系统,所采用的技术方案具体如下:
获取塑料制品图像,构建塑料制品图像的图像金字塔;
将图像金字塔上各层图像中的极小值点分别作为种子点,利用区域生长算法进行处理,得到各层图像的类别区域;计算图像金字塔的每层图像类别区域的方差之和,将图像金字塔各层图像的方差之和构成方差和序列;
计算方差和序列中相邻元素的差值,对差值进行分类得到不同的差值类别,将所述差值类别按从小到大的顺序排列,选择第二个差值类别的第一个元素对应层的图像作为目标图像;
对目标图像进行分割处理,得到多个灰度区域,获取灰度区域的区域极小值;
确定区域极小值在目标图像上对应的种子点,记为像素极小值点,将目标图像上采样到与塑料制品图像同样尺寸,得到上采样图像,获取上采样图像中像素极小值点对应的像素值范围内最小的像素点作为注水点,利用分水岭算法对上采样图像进行区域划分,得到分水岭分割结果;
根据分水岭分割结果获得塑料制品的应力痕区域。
优选地,所述塑料制品的应力痕区域的获取方法具体为:
所述塑料制品图像为RGB图像,将塑料制品图像转化到HSV颜色空间,并获取亮度通道图像;利用多阈值分割对亮度通道图像进行分割处理,得到不同的亮度区域,选择像素点亮度均值最大的亮度区域记为应力痕的亮度范围;将分水岭分割结果和应力痕的亮度范围的并集中占比最大的分水岭分割区域记为应力痕区域。
优选地,所述各层图像的类别区域获取方法具体为:
将图像金字塔上各层图像中的极小值点分别作为种子点,计算其他像素点属于种子点的归属度,将像素点与其最大归属度对应的种子点合并,进行区域生长,得到各层图像的类别区域。
优选地,所述归属度的获取方法具体为:
优选地,所述区域极小值获取方法具体为:将灰度区域内的像素值按升序排列,选择不同灰度区域内前n个像素值作为区域极小值。
本发明还提供了一种基于图像处理的塑料制品缺陷检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于图像处理的塑料制品缺陷检测方法的步骤。
本发明实施例至少具有如下有益效果:
本发明根据图像金字塔每层图像上多个类别区域的方差之和得到方差和序列,并对方差和序列的差值序列进行分析得到目标图像,再利用目标图像获取原图中的像素极小值点,作为分水岭算法的注水点进行区域划分。本发明能够对极小值点进行筛选,避免过分割的情况出现。
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为一种基于图像处理的塑料制品缺陷检测方法的方法流程图。
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图像处理的塑料制品缺陷检测方法与系统,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塑料制品缺陷检测方法与系统的具体方案。
实施例1:
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塑料制品缺陷检测方法的步骤流程图,该方法包括以下步骤:
首先,利用语义分割网络对图像进行分割处理,排除背景的干扰,得到塑料制品图像,构建塑料制品图像的图像金字塔。
具体地,在本实施例中,利用DNN网络对图像进行语义分割。所述DNN网络包括:DNN网络使用的数据集为俯视采集的塑料制品图像数据集,塑料制品的样式为多种多样的。需要分割的像素共分为两类,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,属于塑料制品的标注为1。所述DNN网络的任务是分类,使用的loss函数为交叉熵损失函数。通过DNN网络进行语义分割得到的0-1掩膜图像与原图像相乘,得到的图像中只含有塑料制品的图像记为塑料制品图像,去除了背景的干扰。
构建塑料制品图像的图像金字塔的方法具体为:
对塑料制品图像进行图像金字塔下采样,在本实施例中选择2*2窗口的maxpooling,即最大值采样,多次采样得到的图像构成塑料制品图像的图像金字塔。其中,图像金字塔采样的停止条件为:采样次数为K,在本实施例中,根据塑料制品图像像素点的行数和列数确定合适的图像金字塔采样次数。
然后,将图像金字塔上各层图像中的极小值点分别作为种子点,利用区域生长算法进行处理,得到各层图像的类别区域;针对图像金字塔某一层图像,计算所有类别区域的方差之和,将图像金字塔各层图像的方差之和构成方差和序列。
具体地,在本实施例中,通过3*3的窗口进行滑窗计算图像金字塔上各层图像中的极小值点,将图像金字塔上各层图像中的极小值点分别作为种子点,计算其他像素点属于种子点的归属度,将像素点与其最大归属度对应的种子点合并,进行区域生长,得到各层图像的类别区域。
归属度的计算方法具体为:
需要说明的是,利用区域生长算法进行处理时,也就是将种子点作为其他像素点的归属类别,需要考虑两个因素,即距离和像素值的相似度。像素点距离哪个种子点的距离越近,被归类为该种子点类别的概率越大;像素点像素值和哪个种子点的像素值相近,被归类为该种子点类别的概率越大。将像素点的最大归属度对应的种子点作为该像素点的归属类别,即可得到多个类别区域。
通过上述方法,可以计算得到每个像素点属于哪个种子点的类别,针对图像金字塔的任一层图像,将种子点的数量记为m,通过计算将该图像划分为m个类别区域,然后计算m个不同类别内的方差之和,将图像金字塔各层图像的方差之和构成方差和序列A。
接着,计算方差和序列中相邻元素的差值,对差值进行分类得到不同的差值类别,将所述差值类别按从小到大的顺序排列,选择第二个差值类别的第一个元素对应层的图像作为目标图像;对目标图像进行分割处理,得到多个灰度区域,获取灰度区域的区域极小值。
需要说明的是,对于分水岭算法的过分割问题,产生的原因是图像中的极小值点过多,导致分类效果不好,可以对图像中的极小值点进行筛选,避免出现过分割的情况。对于一张图像来说,根据费歇尔准则,对图像进行不同像素点的分类,类内方差和类间方差的和是一个定值。分类结果越准确,则类内方差最小,相应的类间方差最大。
过分割相当于分割出的类别数量过多,随着类别数量的增大,类间方差和不断增大,达到某一个数值时,增大趋势趋于平缓,由于类内方差和与类间方差和的加和是一个定值,则相应的,随着类别数量的增大类内方差和不断降低,直到降低趋于平缓。
在本实施例中,在图像金字塔采样过程中分别以每层图像中的极小值点作为种子点,进行区域生长,得到多个类别区域,进而可求得不同类别内的方差之和,相当于上述类内方差和。在图像金字塔下采样的过程中,随着极小值点的数量在逐渐减少,当类内方差和由较为平缓的变化转为突变时,可将此时类内方差和对应采样层数的图像作为目标图像,进行后续相关步骤的处理。
具体地,计算方差和序列A相邻元素的差值得到差值序列,例如方差和序列A为[1,2,6,8,13],则其对应的差值序列为[1,4,2,5],并对差值序列进行分类得到不同的差值类别。在本实施例中,根据费歇尔准则,利用类间方差最大,类内方差最小的原则对A的差值序列进行多阈值分割处理,得到不同的差值类别,同一个差值类别内的差值相近,将所述差值类别按从小到大的顺序排列,选择第二个差值类别的第一个元素对应层的图像作为目标图像。
对差值序列进行分类的另一种实施方式为:设置分段间距,对差值序列进行分段处理。实施者还可以根据实际情况选择DBSCAN算法等聚类方法对差值序列进行分类。
进一步的,对目标图像进行分割处理,得到多个灰度区域,获取灰度区域的区域极小值;确定区域极小值在目标图像上对应的种子点,记为像素极小值点,将目标图像上采样到与塑料制品图像同样尺寸,得到上采样图像,获取上采样图像中像素极小值点对应的像素值范围内最小的像素点作为注水点,利用分水岭算法对上采样图像进行区域划分,得到分水岭分割结果。
具体地,利用费歇尔准则,即类间方差最大,类内方差最小的原则对目标图像进行多阈值分割处理,得到多个灰度区域,将灰度区域内的像素值按升序排列,选择不同灰度区域内前n个的像素值作为区域极小值。其中,在本实施例中,选择不同灰度区域内前10%的像素值作为区域极小值。
对区域极小值在目标图像上对应的像素点进行标记,可以得到区域极小值分别属于哪个种子点范围内部,则将区域极小值在目标图像上对应的种子点记为像素极小值点,将目标图像上采样到与塑料制品图像同样尺寸,得到上采样图像,获取上采样图像中像素极小值点对应的像素值范围内最小的像素点作为注水点,再通过分水岭算法对上采样图像进行区域划分,得到分水岭分割结果。
该步骤的原因是:分水岭算法是对原图进行分割,得到的像素极小值点是目标图像上的极小值点,不对目标图像进行分水岭分割,因此需要将得到的目标图像的极小值点对应到原图上相应的位置,故将目标图像上采样到原图大小。
最后,根据分水岭分割结果获得塑料制品的应力痕区域。
具体地,由于应力痕处的亮度值较大,应力痕连通区域内的亮度值相近。将塑料制品图像转化到HSV颜色空间,其中,所述塑料制品图像为RGB图像,并获取亮度通道图像。利用多阈值分割对亮度通道图像进行分割处理,得到不同的亮度区域,选择像素点亮度均值最大的亮度区域记为应力痕的亮度范围;将分水岭分割结果和应力痕的亮度范围的并集中占比最大的分水岭分割区域记为应力痕区域。
实施例2:
本实施例提供了一种基于图像处理的塑料制品缺陷检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于图像处理的塑料制品缺陷检测方法的步骤。由于实施例1已经对一种基于图像处理的塑料制品缺陷检测方法进行了详细的介绍,此处不再过多介绍。
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 (6)
1.一种基于图像处理的塑料制品缺陷检测方法,其特征在于,该方法包括以下步骤:
获取塑料制品图像,构建塑料制品图像的图像金字塔;
将图像金字塔上各层图像中的极小值点分别作为种子点,利用区域生长算法进行处理,得到各层图像的类别区域;计算图像金字塔的每层图像类别区域的方差之和,将图像金字塔各层图像的方差之和构成方差和序列;
计算方差和序列中相邻元素的差值,对差值进行分类得到不同的差值类别,将所述差值类别按从小到大的顺序排列,选择第二个差值类别的第一个元素对应层的图像作为目标图像;
对目标图像进行分割处理,得到多个灰度区域,获取灰度区域的区域极小值;
确定区域极小值在目标图像上对应的种子点,记为像素极小值点,将目标图像上采样到与塑料制品图像同样尺寸,得到上采样图像,获取上采样图像中像素极小值点对应的像素值范围内最小的像素点作为注水点,利用分水岭算法对上采样图像进行区域划分,得到分水岭分割结果;
根据分水岭分割结果识别塑料制品的应力痕区域。
2.根据权利要求1所述的一种基于图像处理的塑料制品缺陷检测方法,其特征在于,所述塑料制品的应力痕区域的获取方法具体为:
所述塑料制品图像为RGB图像,将塑料制品图像转化到HSV颜色空间,并获取亮度通道图像;利用多阈值分割对亮度通道图像进行分割处理,得到不同的亮度区域,选择像素点亮度均值最大的亮度区域记为应力痕的亮度范围;将分水岭分割结果和应力痕的亮度范围的并集中占比最大的分水岭分割区域记为应力痕区域。
3.根据权利要求1所述的一种基于图像处理的塑料制品缺陷检测方法,其特征在于,所述各层图像的类别区域获取方法具体为:
将图像金字塔上各层图像中的极小值点分别作为种子点,计算其他像素点属于种子点的归属度,将像素点与其最大归属度对应的种子点合并,进行区域生长,得到各层图像的类别区域。
5.根据权利要求1所述的一种基于图像处理的塑料制品缺陷检测方法,其特征在于,所述区域极小值获取方法具体为:
将灰度区域内的像素值按升序排列,选择不同灰度区域内前n个像素值作为区域极小值。
6.一种基于图像处理的塑料制品缺陷检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述一种基于图像处理的塑料制品缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154846.1A CN115239718B (zh) | 2022-09-22 | 2022-09-22 | 一种基于图像处理的塑料制品缺陷检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154846.1A CN115239718B (zh) | 2022-09-22 | 2022-09-22 | 一种基于图像处理的塑料制品缺陷检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239718A true CN115239718A (zh) | 2022-10-25 |
CN115239718B CN115239718B (zh) | 2023-05-02 |
Family
ID=83667268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211154846.1A Active CN115239718B (zh) | 2022-09-22 | 2022-09-22 | 一种基于图像处理的塑料制品缺陷检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239718B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051543A (zh) * | 2023-03-06 | 2023-05-02 | 山东锦霖钢材加工有限公司 | 一种用于钢材剥皮的缺陷识别方法 |
CN116485801A (zh) * | 2023-06-26 | 2023-07-25 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及系统 |
CN117252870A (zh) * | 2023-11-15 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019168388A (ja) * | 2018-03-26 | 2019-10-03 | アズビル株式会社 | 画像検査方法および画像検査装置 |
CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
-
2022
- 2022-09-22 CN CN202211154846.1A patent/CN115239718B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019168388A (ja) * | 2018-03-26 | 2019-10-03 | アズビル株式会社 | 画像検査方法および画像検査装置 |
CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051543A (zh) * | 2023-03-06 | 2023-05-02 | 山东锦霖钢材加工有限公司 | 一种用于钢材剥皮的缺陷识别方法 |
CN116485801A (zh) * | 2023-06-26 | 2023-07-25 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及系统 |
CN116485801B (zh) * | 2023-06-26 | 2023-09-12 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及系统 |
CN117252870A (zh) * | 2023-11-15 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像处理方法 |
CN117252870B (zh) * | 2023-11-15 | 2024-02-02 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115239718B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN115239718B (zh) | 一种基于图像处理的塑料制品缺陷检测方法与系统 | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
US8340420B2 (en) | Method for recognizing objects in images | |
US11144799B2 (en) | Image classification method, computer device and medium | |
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
Mukherjee et al. | Enhancement of image resolution by binarization | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
CN110633635A (zh) | 一种基于roi的交通标志牌实时检测方法及系统 | |
US7502525B2 (en) | System and method for edge detection of an image | |
CN110322466B (zh) | 一种基于多层区域限制的有监督图像分割方法 | |
CN111199228A (zh) | 一种车牌定位的方法及装置 | |
CN107704864A (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
AU2021101496A4 (en) | A Process for grape leaf disease identification using machine learning techniques | |
Bhardwaj et al. | An imaging approach for the automatic thresholding of photo defects | |
PL | A study on various image processing techniques | |
CN115100457A (zh) | 一种联合深度学习与cfar的sar图像目标检测方法 | |
Gllavata et al. | Finding text in images via local thresholding | |
Long et al. | A novel unsupervised two‐stage technique in color image segmentation | |
Kaur et al. | Text Extraction from Natural Scene using PCA. | |
Shivadeep et al. | A multi-tiered automatic license plate recognition strategy using YOLOv2 detector | |
Riasat | Research on various image processing techniques |
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 |