CN115239729A - 一种基于直方图均衡化的新型建筑木材缺陷检测方法 - Google Patents

一种基于直方图均衡化的新型建筑木材缺陷检测方法 Download PDF

Info

Publication number
CN115239729A
CN115239729A CN202211161308.5A CN202211161308A CN115239729A CN 115239729 A CN115239729 A CN 115239729A CN 202211161308 A CN202211161308 A CN 202211161308A CN 115239729 A CN115239729 A CN 115239729A
Authority
CN
China
Prior art keywords
live
dead
image
gray
window
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.)
Pending
Application number
CN202211161308.5A
Other languages
English (en)
Inventor
邓艳
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 Orijia Wood Industry Co ltd
Original Assignee
Nantong Orijia Wood Industry 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 Orijia Wood Industry Co ltd filed Critical Nantong Orijia Wood Industry Co ltd
Priority to CN202211161308.5A priority Critical patent/CN115239729A/zh
Publication of CN115239729A publication Critical patent/CN115239729A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber

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

本发明涉及智能缺陷检测领域，具体涉及一种基于直方图均衡化的新型建筑木材缺陷检测方法，获取木材表面灰度图像的高灰度值区域和低灰度值区域，对低灰度值区域像素点进行均值漂移聚类，对每类像素点尺寸扩增的窗口计算出每类像素点在每种尺寸窗口下的密度，根据密度最大值确定活死节区域图像，进行直方图均衡化，得到对比度增强的活死节区域图像，通过掩膜操作得到每个活死节区域灰度图像，建立尺寸扩增的窗口计算出每个活死节区域灰度图像在不同尺寸窗口下的密度，根据密度得到每个活死节区域灰度图像在每种尺寸窗口下的变化程度，计算出变化程度的信息熵作为该活死节区域的剥离度，根据剥离度判断活死节，方法可靠又节省材料。

Description

一种基于直方图均衡化的新型建筑木材缺陷检测方法
技术领域
本申请涉及智能缺陷检测领域，具体涉及一种基于直方图均衡化的新型建筑木材缺陷检测方法。
背景技术
新型建筑防火木材是建筑材料之一，具有良好的防火效果，所以在新型建筑防火木材进行生产时保证所使用木材符合生产要求，保证生产质量。
木材的活死节缺陷是一种常见缺陷，其中死节表示当前组织与木材脱离，活节表示当前组织与木材尚未脱离，所以再生产新型建筑防火木材时，如果具有死节或者是部分组织脱离的活节子，则都会导致新型建筑防火木材的防火涂层剥离，影响防火性能。
常规木材缺陷检测方法有活死节检测，在检测出活死节后，都标记为缺陷，这样会导致木材的浪费，因此，本方案提出以了一种智能缺陷检测方法用于识别木材的活死节缺陷，根据活死节区域与木材组织的连接程度，作为缺陷检测依据，在保证质量的同时节省生产材料。
发明内容
本发明提供一种基于直方图均衡化的新型建筑木材缺陷检测方法，解决活死节检测时浪费材料的问题，采用如下技术方案：
获取木材表面灰度图像；
通过k-means聚类得到木材表面灰度图像中的高灰度值区域和低灰度值区域；
对低灰度值区域像素点进行均值漂移聚类；
以每类像素点中心像素点坐标为中心建立尺寸扩增的窗口计算出每类像素点在每种尺寸窗口下的密度；
获取每类像素点在不同尺寸窗口下的密度的最大值，根据密度最大值确定活死节区域图像；
对活死节区域图进行直方图均衡化，得到对比度增强的活死节区域图像；
获取对比度增强的活死节区域图像中的凸包连通域，将凸包连通域与木材表面的灰度图像进行掩膜操作得到活死节区域灰度图像；
采用k-means聚类将活死节区域灰度图像中的高灰度值和低灰度值区域分开；
以活死节区域灰度图像的凸包连通域中点为中心，建立尺寸扩增的窗口计算出活死节区域灰度图像在不同尺寸窗口下的密度；
根据活死节区域灰度图像在不同尺寸窗口下的密度和该活死节区域灰度图像所在活死节区域图像的密度得到该活死节区域灰度图像在每种尺寸窗口下的变化程度；
根据活死节区域灰度图像在每种尺寸窗口下的变化程度的频率得到每个活死节区域灰度图像的变化程度的信息熵；
将活死节区域灰度图像的变化程度的信息熵作为该活死节区域灰度图像的剥离度，根据活死节区域灰度图像的剥离度对木材表面灰度图像中的活死节区域是否属于活死节进行判断。
所述每类像素点在每种尺寸窗口下的密度的获取方法为：
获取每类像素点的中心像素点的坐标值；
以该坐标为中心点建立
Figure 858224DEST_PATH_IMAGE001
大小的窗口；
将该窗口内低灰度值像素点的个数和该窗口内所有像素点的比值作为该窗口内该类像素点的密度。
所述每个活死节区域图像的获取方法为：
扩增窗口尺寸大小直至阈值；
每次扩增窗口尺寸后，计算每类像素点在当前尺寸窗口下的密度；
选取出每类像素点所有尺寸大小的窗口下的密度的最大值；
若密度最大值大于阈值则该最大密度值对应的窗口区域为活死节区域图像。
所述每个活死节区域灰度图像在每种尺寸窗口下的变化程度的计算方法为：
Figure 383883DEST_PATH_IMAGE002
式中，
Figure 259435DEST_PATH_IMAGE003
为活死节区域灰度图像在尺寸为
Figure 819729DEST_PATH_IMAGE004
的窗口下的变化程度，
Figure 512748DEST_PATH_IMAGE005
为该活死节区域灰度图像在尺寸为
Figure 525703DEST_PATH_IMAGE004
的窗口下的密度，
Figure 470525DEST_PATH_IMAGE006
为该活死节区域灰度图像所在活死节区域图像在尺寸为
Figure 619747DEST_PATH_IMAGE004
的窗口下的密度。
所述每个活死节区域灰度图像在每种尺寸窗口下的变化程度的频率的计算方法为：
计算出每个活死节区域灰度图像在每种尺寸窗口下的变化程度，得到该活死节区域灰度图像在所有尺寸窗口下的所有变化程度；
将每个活死节区域灰度图像在每种尺寸窗口下得到的变化程度在所有变化程度中出现的频率作为该活死节区域灰度图像在每种尺寸窗口下的变化程度的频率。
所述每个活死节区域灰度图像的变化程度的信息熵的计算方法为：
Figure 890191DEST_PATH_IMAGE007
式中，
Figure 124863DEST_PATH_IMAGE008
为第
Figure 607797DEST_PATH_IMAGE009
个活死节区域灰度图像的变化程度的信息熵，
Figure 142684DEST_PATH_IMAGE010
为第
Figure 318450DEST_PATH_IMAGE009
个活死节区域灰度图像在所有尺寸窗口下的变化程度中的第
Figure 305998DEST_PATH_IMAGE011
个变化程度的频率值。
所述对木材表面灰度图像中的活死节进行判断的方法为：
将每个活死节区域灰度图像的变化程度的信息熵
Figure 592623DEST_PATH_IMAGE012
与阈值
Figure 716437DEST_PATH_IMAGE013
比较，若
Figure 797525DEST_PATH_IMAGE014
，则该活死节区域为缺陷，否则，该活死节区域不是缺陷。
本发明的有益效果是：
利用智能缺陷检测技术实现新型建筑木材的活死节缺陷检测缺陷检测，通过获取木材表面的高灰度值区域和低灰度值区域，对低灰度值区域像素点聚类，对每类像素点建立窗口进行尺寸扩增计算出每类像素点在每种尺寸窗口下的密度，根据密度最大值确定每个活死节区域图像，然后对每个每个活死节区域图进行直方图均衡化，得到增强对比度，使用凸包算法获取其凸包连通域，将凸包连通域与原图进行掩膜操作得到每个活死节区域灰度图像，将每个活死节区域灰度图像中的高灰度值和低灰度值区域分开，以每个活死节区域灰度图像的凸包连通域中点为中心，建立尺寸扩增的窗口计算出每个活死节区域灰度图像在不同尺寸窗口下的密度，根据前后扩增密度变化计算出变化程度，根据变化程度的频率得到变化程度的信息熵，将每个变化程度的信息熵作为该活死节区域灰度图像的剥离度，根据剥离度对木材表面灰度图像中的活死节进行判断，在保证质量的同时节省了生产材料。
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直方图均衡化的新型建筑木材缺陷检测方法的流程示意图。
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。
本发明的一种基于直方图均衡化的新型建筑木材缺陷检测方法的实施例，如图1所示，包括：
步骤一：获取木材表面灰度图像；通过k-means聚类得到木材表面灰度图像中的高灰度值区域和低灰度值区域；
该步骤的目的是采集木材表面图像，得到图像中较暗区域。
其中，采集木材表面图像时使用相机正视木材采集到的表面图像，并将该表面图像转化为灰度图像。
其中，获取图像中的高灰度值和低灰度值区域的方法为：
获取木材表面灰度图中的所有像素点的灰度值，对所有像素点的灰度值采用k-means,k=2聚类算法，进行二分类，将高灰度值和低灰度值区域分开。
需要说明的是，由于木材表面的活死节为图像中的较暗区域，所以k-means二分类后的低灰度值区域是可能存在缺陷的区域，也可能是存在相对较暗的木材纹理。
步骤二：对低灰度值区域像素点进行均值漂移聚类；以每类像素点中心像素点坐标为中心建立尺寸扩增的窗口计算出每类像素点在每种尺寸窗口下的密度；
该步骤的目的是，对步骤一获取的低灰度值区域（较暗区域）的像素点进行分类，并在每类中建立扩增窗口计算该类像素点的密度。
其中，对低灰度值区域的像素点进行分类的方法为：
获取低灰度值区域所对应像素点的坐标，对低灰度值区域所对应像素点的坐标利用均值漂移算法，将低灰度值区域按照坐标信息进行分类，将低灰度值密集的像素聚为一类，其中共得到i个类别。
其中，每类像素点在每种尺寸窗口下的密度的获取方法为：
（1）获取第i个类别像素点的聚类中心像素点的坐标值（聚类后可直接得到）；
（2）以中心点坐标为中心建立
Figure 272369DEST_PATH_IMAGE015
大小的窗口，本实施例中取
Figure 362684DEST_PATH_IMAGE016
=3；
（3）获取当前窗口内的低灰度值类别对应像素点的个数，将其与窗口内所有像素点得个数做比值，作为该类像素点在当前尺寸窗口中的密度
Figure 341005DEST_PATH_IMAGE017
。
其中，窗口扩增的方法为：
本实施例将
Figure 592995DEST_PATH_IMAGE018
大小的窗口，扩增为
Figure 555134DEST_PATH_IMAGE019
大小的窗口，然后计算每类像素点在
Figure 449141DEST_PATH_IMAGE019
大小的窗口中的密度，依次类推，直至扩充窗口大小扩至Cr，其中Cr为阈值，可由实施者根据具体实施场景进行调整，本方案设Cr=100。
步骤三：获取每类像素点在不同尺寸窗口下的密度的最大值，根据密度最大值确定活死节区域图像；
该步骤的目的是通过每类像素点在不同尺寸窗口扩增是计算得到的密度值确定出木材活死节区域图像。
其中，据密度最大值确定每个活死节区域图像的方法为：
计算每类像素点在不同尺寸的窗口下的密度的最大值最大值
Figure 813126DEST_PATH_IMAGE020
，将最大密度值最大值
Figure 236017DEST_PATH_IMAGE020
与阈值
Figure 951032DEST_PATH_IMAGE021
进行对比；
如果
Figure 117572DEST_PATH_IMAGE022
则认为当前区域为木材的活死节区域，并且活死节区域为密度
Figure 70484DEST_PATH_IMAGE023
时所对应窗口大小得到的区域；
如果
Figure 664276DEST_PATH_IMAGE024
则认为当前区域为木材纹理部分，
Figure 335429DEST_PATH_IMAGE021
可由实施者根据具体实施场景进行调整，本方案设
Figure 571239DEST_PATH_IMAGE021
=0.4。
需要说明的是，其中如果是活死节则密度会比较稳定，然后突变后会持续下降，如果是噪声则会一直处于下降部分。
步骤四：对活死节区域图进行直方图均衡化，得到对比度增强的活死节区域图像；获取对比度增强的活死节区域图像中的凸包连通域，将凸包连通域与木材表面的灰度图像进行掩膜操作得到活死节区域灰度图像；
该步骤的目的是，对每个活死节区域图进行对比增强，凸包连通域分析，得到每个活死节区域对应的灰度图像。
其中，每个活死节区域灰度图像的获取方法为：
根据步骤三找到的第j个活死节区域：
（1）对第j个活死节区域采用直方图均衡化方法，提高该区域内的对比度，如果此区域内的木材组织仍然与木材相连，则其内部纹理仍会存在一定环形规律性，如果此区域内的木材组织与木材不相连，则其内部纹理为无规律。
（2）对第j个活死节区域采用凸包算法，获取其对应的凸包连通域；
（3）将凸包连通域作为掩模与原图相乘，得到第j个活死节区域对应的灰度图部分，即第j个活死节区域灰度图像。
按照上述方法，可得到所有活死节区域灰度图像。
步骤五：采用k-means聚类将活死节区域灰度图像中的高灰度值和低灰度值区域分开；
以活死节区域灰度图像的凸包连通域中点为中心，建立尺寸扩增的窗口计算出活死节区域灰度图像在不同尺寸窗口下的密度；
该步骤的目的是，对每个活死节的灰度图像进行窗口扩增计算出密度。
其中，对每个活死节的灰度图像进行窗口扩增的方法为：
（1）对第j个活死节区域对应的灰度图内像素点灰度值，采用k-means,k=2聚类算法，进行二分类，将高灰度值和低灰度值区域分开；
如果第j个活死节区域为活节区域，则其内部会有圆环状的纹理，如果第j个活死节区域为死节区域，则其内部会有的灰度分布无规律。
（2）获取第j个活死节区域对应凸包连通域的中心，采用上述窗口扩张的方式（如步骤二）得到每个活死节区域图像在不同尺寸的窗口下的新的密度值
Figure 503291DEST_PATH_IMAGE025
。
步骤六：根据活死节区域灰度图像在不同尺寸窗口下的密度和该活死节区域灰度图像所在活死节区域图像的密度得到该活死节区域灰度图像在每种尺寸窗口下的变化程度；
该步骤的目的是将步骤二中的每类像素点在扩增时的密度与该类像素点对应的活死节区域图像在扩增窗口时的密度进行对比计算出变化程度。
其中，每个活死节区域灰度图像在每种尺寸窗口下的变化程度的计算方法为：
Figure 533564DEST_PATH_IMAGE026
式中，
Figure 692013DEST_PATH_IMAGE027
为活死节区域灰度图像在尺寸为
Figure 465934DEST_PATH_IMAGE004
的窗口下的变化程度，
Figure 393439DEST_PATH_IMAGE005
为该活死节区域灰度图像在尺寸为
Figure 594613DEST_PATH_IMAGE004
的窗口下的密度，
Figure 240358DEST_PATH_IMAGE006
为该活死节区域灰度图像所在活死节区域图像在尺寸为
Figure 552391DEST_PATH_IMAGE004
的窗口下的密度，其中，活死节区域灰度图像所在活死节区域图像为该活死节区域灰度图像在步骤三中对应的活死节区域图像。
步骤七：根据活死节区域灰度图像在每种尺寸窗口下的变化程度的频率得到每个活死节区域灰度图像的变化程度的信息熵；
该步骤的目的是计算出每个活死节区域灰度图像的变化程度的混乱程度。
其中，每个活死节区域灰度图像在每种尺寸窗口下的变化程度的频率的计算方法为：
（1）计算出每个活死节区域灰度图像在每种尺寸窗口下的变化程度，得到该活死节区域灰度图像在所有尺寸窗口下的所有变化程度；
（2）将每个活死节区域灰度图像在每种尺寸窗口下得到的变化程度在所有变化程度中出现的频率作为该活死节区域灰度图像在每种尺寸窗口下的变化程度的频率。
其中，每个活死节区域灰度图像的变化程度的信息熵的计算方法为：
Figure 599981DEST_PATH_IMAGE028
式中，
Figure 706477DEST_PATH_IMAGE008
为第
Figure 839518DEST_PATH_IMAGE009
个活死节区域灰度图像的变化程度的信息熵，
Figure 978679DEST_PATH_IMAGE010
为第
Figure 615197DEST_PATH_IMAGE009
个活死节区域灰度图像在所有尺寸窗口下的变化程度中的第
Figure 158174DEST_PATH_IMAGE011
个变化程度的频率值。
步骤八：将活死节区域灰度图像的变化程度的信息熵作为该活死节区域灰度图像的剥离度，根据活死节区域灰度图像的剥离度对木材表面灰度图像中的活死节区域是否属于活死节进行判断。
该步骤的目的是利用步骤七计算出的活死节区域灰度图像的变化程度的信息熵判断木材表面的活死节缺陷。
其中，对木材表面灰度图像中的活死节区域是否属于活死节进行判断的方法为：
设定阈值r，其中r为一个超参数，可由实施者根据具体实施场景进行调整，当
Figure 512932DEST_PATH_IMAGE029
时，则认为当前第j个活死节区域内的组织已经与木材脱离，则认为第j个活死节区域为缺陷。当
Figure 166767DEST_PATH_IMAGE030
时，则认为当前第j个活死节区域内的组织与木材尚未完全脱离，则认为第j个活死节区域不是缺陷，其中本方案中设r=8。
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 (7)

1.一种基于直方图均衡化的新型建筑木材缺陷检测方法，其特征在于，包括：
获取木材表面灰度图像；
通过k-means聚类得到木材表面灰度图像中的高灰度值区域和低灰度值区域；
对低灰度值区域像素点进行均值漂移聚类；
以每类像素点中心像素点坐标为中心建立尺寸扩增的窗口计算出每类像素点在每种尺寸窗口下的密度；
获取每类像素点在不同尺寸窗口下的密度的最大值，根据密度最大值确定活死节区域图像；
对活死节区域图进行直方图均衡化，得到对比度增强的活死节区域图像；
获取对比度增强的活死节区域图像中的凸包连通域，将凸包连通域与木材表面的灰度图像进行掩膜操作得到活死节区域灰度图像；
采用k-means聚类将活死节区域灰度图像中的高灰度值和低灰度值区域分开；
以活死节区域灰度图像的凸包连通域中点为中心，建立尺寸扩增的窗口计算出活死节区域灰度图像在不同尺寸窗口下的密度；
根据活死节区域灰度图像在不同尺寸窗口下的密度和该活死节区域灰度图像所在活死节区域图像的密度得到该活死节区域灰度图像在每种尺寸窗口下的变化程度；
根据活死节区域灰度图像在每种尺寸窗口下的变化程度的频率得到每个活死节区域灰度图像的变化程度的信息熵；
将活死节区域灰度图像的变化程度的信息熵作为该活死节区域灰度图像的剥离度，根据活死节区域灰度图像的剥离度对木材表面灰度图像中的活死节区域是否属于活死节进行判断。
2.根据权利要求1所述的一种基于直方图均衡化的新型建筑木材缺陷检测方法，其特征在于，所述每类像素点在每种尺寸窗口下的密度的获取方法为：
获取每类像素点的中心像素点的坐标值；
以该坐标为中心点建立
Figure 214211DEST_PATH_IMAGE001
大小的窗口；
将该窗口内低灰度值像素点的个数和该窗口内所有像素点的比值作为该窗口内该类像素点的密度。
3.根据权利要求1所述的一种基于直方图均衡化的新型建筑木材缺陷检测方法，其特征在于，所述每个活死节区域图像的获取方法为：
扩增窗口尺寸大小直至阈值；
每次扩增窗口尺寸后，计算每类像素点在当前尺寸窗口下的密度；
选取出每类像素点所有尺寸大小的窗口下的密度的最大值；
若密度最大值大于阈值则该最大密度值对应的窗口区域为活死节区域图像。
4.根据权利要求1所述的一种基于直方图均衡化的新型建筑木材缺陷检测方法，其特征在于，所述每个活死节区域灰度图像在每种尺寸窗口下的变化程度的计算方法为：
Figure 962724DEST_PATH_IMAGE002
式中，
Figure 966453DEST_PATH_IMAGE003
为活死节区域灰度图像在尺寸为
Figure 385627DEST_PATH_IMAGE004
的窗口下的变化程度，
Figure 107596DEST_PATH_IMAGE005
为该活死节区域灰度图像在尺寸为
Figure 144953DEST_PATH_IMAGE004
的窗口下的密度，
Figure 268767DEST_PATH_IMAGE006
为该活死节区域灰度图像所在活死节区域图像在尺寸为
Figure 864702DEST_PATH_IMAGE004
的窗口下的密度。
5.根据权利要求4所述的一种基于直方图均衡化的新型建筑木材缺陷检测方法，其特征在于，所述每个活死节区域灰度图像在每种尺寸窗口下的变化程度的频率的计算方法为：
计算出每个活死节区域灰度图像在每种尺寸窗口下的变化程度，得到该活死节区域灰度图像在所有尺寸窗口下的所有变化程度；
将每个活死节区域灰度图像在每种尺寸窗口下得到的变化程度在所有变化程度中出现的频率作为该活死节区域灰度图像在每种尺寸窗口下的变化程度的频率。
6.根据权利要求1所述的一种基于直方图均衡化的新型建筑木材缺陷检测方法，其特征在于，所述每个活死节区域灰度图像的变化程度的信息熵的计算方法为：
Figure 73966DEST_PATH_IMAGE007
式中，
Figure 649435DEST_PATH_IMAGE008
为第
Figure 893335DEST_PATH_IMAGE009
个活死节区域灰度图像的变化程度的信息熵，
Figure 145325DEST_PATH_IMAGE010
为第
Figure 356732DEST_PATH_IMAGE009
个活死节区域灰度图像在所有尺寸窗口下的变化程度中的第
Figure DEST_PATH_IMAGE011
个变化程度的频率值。
7.根据权利要求6所述的一种基于直方图均衡化的新型建筑木材缺陷检测方法，其特征在于，所述对木材表面灰度图像中的活死节进行判断的方法为：
将每个活死节区域灰度图像的变化程度的信息熵
Figure 532629DEST_PATH_IMAGE012
与阈值
Figure 631036DEST_PATH_IMAGE013
比较，若
Figure 303194DEST_PATH_IMAGE014
，则该活死节区域为缺陷，否则，该活死节区域不是缺陷。
CN202211161308.5A 2022-09-23 2022-09-23 一种基于直方图均衡化的新型建筑木材缺陷检测方法 Pending CN115239729A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211161308.5A CN115239729A (zh) 2022-09-23 2022-09-23 一种基于直方图均衡化的新型建筑木材缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211161308.5A CN115239729A (zh) 2022-09-23 2022-09-23 一种基于直方图均衡化的新型建筑木材缺陷检测方法

Publications (1)

Publication Number Publication Date
CN115239729A true CN115239729A (zh) 2022-10-25

Family

ID=83667099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211161308.5A Pending CN115239729A (zh) 2022-09-23 2022-09-23 一种基于直方图均衡化的新型建筑木材缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115239729A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439663A (zh) * 2022-11-07 2022-12-06 山东经发孔府宴酒业有限公司 基于图像数据的荷香大曲质量识别方法
CN116237205A (zh) * 2023-01-30 2023-06-09 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
CN116523913A (zh) * 2023-07-03 2023-08-01 惠州市金思维科技有限公司 一种丝杆质量智能检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020183919A (ja) * 2019-05-09 2020-11-12 積水ハウス株式会社 木造建築物の内部劣化診断方法と木造建築物
CN114882275A (zh) * 2022-04-24 2022-08-09 江苏南通二建集团讯腾云创智能科技有限公司 一种利用电子设备数据处理的建筑板材分类方法
CN114897898A (zh) * 2022-07-13 2022-08-12 江苏绿泉装饰工程有限公司 一种基于图像处理的木板质量分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020183919A (ja) * 2019-05-09 2020-11-12 積水ハウス株式会社 木造建築物の内部劣化診断方法と木造建築物
CN114882275A (zh) * 2022-04-24 2022-08-09 江苏南通二建集团讯腾云创智能科技有限公司 一种利用电子设备数据处理的建筑板材分类方法
CN114897898A (zh) * 2022-07-13 2022-08-12 江苏绿泉装饰工程有限公司 一种基于图像处理的木板质量分类方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439663A (zh) * 2022-11-07 2022-12-06 山东经发孔府宴酒业有限公司 基于图像数据的荷香大曲质量识别方法
CN116237205A (zh) * 2023-01-30 2023-06-09 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
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
CN116523913A (zh) * 2023-07-03 2023-08-01 惠州市金思维科技有限公司 一种丝杆质量智能检测方法
CN116523913B (zh) * 2023-07-03 2023-11-03 惠州市金思维科技有限公司 一种丝杆质量智能检测方法

Similar Documents

Publication Publication Date Title
CN115239729A (zh) 一种基于直方图均衡化的新型建筑木材缺陷检测方法
CN113658132B (zh) 基于计算机视觉的结构件焊缝检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN109191459A (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN106778582B (zh) 基于rgb重构的森林图像切割后的火焰/烟雾识别方法
CN109377485A (zh) 一种方便面包装缺陷机器视觉检测方法
JP2004348674A (ja) 領域検出方法及びその装置
CN114897898B (zh) 一种基于图像处理的木板质量分类方法
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
JP2007257087A (ja) 肌色領域検出装置及び肌色領域検出方法
CN106960182A (zh) 一种基于多特征集成的行人再识别方法
CN109886146B (zh) 基于机器视觉检测的洪灾信息遥感智能采集方法及设备
CN111242878A (zh) 基于布谷鸟搜索的矿井下图像增强方法
CN108335294A (zh) 复杂条件下的配电房异常状态图像识别方法
Karthikeyan et al. Analysis of image segmentation for radiographic images
CN113221763A (zh) 一种基于视频图像亮度的火焰识别方法
CN101477025B (zh) 基于图像处理的藏展材料的快速评估方法
CN111461076A (zh) 帧差法与神经网络结合的烟雾检测方法和检测系统
CN111709964A (zh) 一种pcba目标边缘检测方法
CN109446938B (zh) 一种基于多序列双投影的黑烟车检测方法
CN114092456A (zh) 细胞荧光图像判别方法及系统
CN108765316A (zh) 雾气浓度自适应判断方法
Jassim Hybrid image segmentation using discerner cluster in FCM and histogram thresholding
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置

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