CN115294112B - 一种竹席切割装置的控制方法 - Google Patents
一种竹席切割装置的控制方法 Download PDFInfo
- Publication number
- CN115294112B CN115294112B CN202211206254.XA CN202211206254A CN115294112B CN 115294112 B CN115294112 B CN 115294112B CN 202211206254 A CN202211206254 A CN 202211206254A CN 115294112 B CN115294112 B CN 115294112B
- Authority
- CN
- China
- Prior art keywords
- image
- bamboo mat
- value
- 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.)
- Active
Links
- 235000017166 Bambusa arundinacea Nutrition 0.000 title claims abstract description 123
- 235000017491 Bambusa tulda Nutrition 0.000 title claims abstract description 123
- 235000015334 Phyllostachys viridis Nutrition 0.000 title claims abstract description 123
- 241001330002 Bambuseae Species 0.000 title claims abstract description 122
- 239000011425 bamboo Substances 0.000 title claims abstract description 122
- 238000005520 cutting process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005498 polishing Methods 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 239000000835 fiber Substances 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 7
- 230000001965 increasing effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000009977 dual effect Effects 0.000 description 4
- 230000003631 expected effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 241000209128 Bambusa Species 0.000 description 1
- 235000004259 Zizania latifolia Nutrition 0.000 description 1
- 244000085595 Zizania latifolia Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000009941 weaving 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B27—WORKING OR PRESERVING WOOD OR SIMILAR MATERIAL; NAILING OR STAPLING MACHINES IN GENERAL
- B27J—MECHANICAL WORKING OF CANE, CORK, OR SIMILAR MATERIALS
- B27J1/00—Mechanical working of cane or the like
-
- 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
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive 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
- G06T2207/20—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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Forests & Forestry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及控制调节技术领域,具体涉及一种竹席切割装置的控制方法。该方法包括以下步骤:对竹席切割装置切割打磨后的竹席毛边图像信息进行采集;通过对竹席毛边打磨图像分析特征,根据特征对图像进行自适应多段线性增强;根据打磨效果训练神经网络来调节竹席切割装置的智能化控制。本发明在对竹席切割机切割竹席打磨毛边的基础上,利用图像增强技术增强竹席毛边图像并通过训练神经网络来实现竹席切割机的智能化调整。
Description
技术领域
本发明涉及控制调节领域,具体涉及一种竹席切割装置的控制方法。
背景技术
在我国,竹席的使用已经拥有悠久的历史,即使在今天也广泛应用。竹席一般以水竹、毛竹、油竹等竹子为原料,并将竹皮劈成篾丝,经蒸煮、浸泡等工艺后以手工经纬编织而成的。竹席按用料不同,又可分为青席、黄席、花席和染色篾花席。
竹席的生成过程一般为批量生产,所以毛坯竹席往往很大,在生产的过程中需要利用竹席切割机对竹席进行切割并打磨已切割竹席边缘的毛边,而因为竹席所选竹子品质、竹席切割机参数偶然改变和其他无法估计的因素影响,竹席切割机并不能很好的打磨毛边,还需人工确定打磨效果后调整及其参数。
发明内容
为了解决现有竹席切割装置控制效果不佳的问题,本发明的目的在于提供一种竹席切割装置的控制方法。
本发明的一种竹席切割装置的控制方法,包括以下步骤:
对竹席切割装置切割打磨后的竹席毛边图像信息进行采集;
通过对竹席毛边打磨图像分析特征,根据特征对图像进行自适应多段线性增强;
根据打磨效果训练神经网络来调节竹席切割装置的智能化控制。
进一步的,所述通过对竹席毛边打磨图像分析特征,根据特征对图像进行自适应多段线性增强,包括:
对竹席毛边打磨图像进行语义分割,并进行灰度化生成灰度直方图;
分析竹席毛边特征,结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割;
结合评价参数对图像灰度直方图进行分割并对图像进行增强。
进一步的,所述分析竹席毛边特征,结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割,包括:
分析图像特征;
计算差异值确定增强区双域阈值初始端点;
建立迭代函数并根据图像特征评价参数。
进一步的,所述计算差异值确定增强区双域阈值初始端点,包括:
建立新灰度区间,计算图像整体灰度大部分所在灰度级,建立滑动窗口,对图像整体像素的灰度值以窗口平均灰度为单位的依照灰度级计算分类参数,根据窗口差异值作为判断分类参数选择初始的自适应阈值。
进一步的,计算分类参数的过程如下:
定义新灰度区间,新灰度区间为原灰度区间映射,映射方式如下:
新灰度区间为[1,256];纵轴为频率,进行归一化,使得总体频率和为1,得到权值序列,C表示灰度值,表示归一化后的频率;
图像整体加权平均灰度值计算方式如下:
其中
, 为当前图像的大部分灰度所在灰度级;
建立大小的滑窗,滑动步长,对竹席毛边图进行遍历,计算滑窗内的像素分布情况,以窗口平均灰度和窗口差异值来表示每个滑窗内的像素分布;
窗口平均灰度值计算方式如下:
窗口差异值计算方式如下:
式中表示窗孔内的平局灰度值,表示窗口内中心像素值与周围8邻域的像素的差异值,为滑窗中心点像素值,为周围8邻域的像素点灰度值;
分类参数计算如下所示:
。
进一步的,所述根据窗口差异值作为判断分类参数选择初始的自适应阈值,包括:
对的滑窗区域进行统计区域内窗口差异值,其中所对应的滑窗区域中平均灰度值为自适应双阈值的左侧阈值初始端点;其中所对应的滑窗区域中的平均灰度值为自适应双阈值的右侧阈值初始端点。
进一步的,建立迭代函数并根据图像特征评价参数,包括:
根据其数据特征建立迭代函数:
迭代方式为:以上述的端点作为初始值,计算评价参数,若未到达预期效果,则对进行迭代,保持不变,重新计算评价参数,若未到达预期效果,则对进行迭代,保持不变;
图像特征中,打磨后的凹凸区域灰度值有微小的变化,粗纤维区域灰度值基本无变化,故根据此特征建立评价参数:
其中为区间内所有灰度值出现的概率,当区间内粗纤维区域较多时,则评价参数值越小;在区间迭代的过程中,随着区间的缩小,粗纤维区域越来越少,越来越大;当在迭代的过程中趋近某一定值且不再增大时,此时则为最优阈值。
进一步的,所述合评价参数对图像灰度直方图进行分割并对图像进行增强,包括:
根据评价参数对进行迭代,直至迭代至最优阈值:
根据最优阈值对灰度直方图进行分段,为上述计算的最优自适应阈值,将灰度直方图分为三个区间:
其中区间为增强区间,根据设备选择合适的增强系数对区间进行增强。
有益效果:本发明利用图像处理技术,根据已打磨的竹席毛边图像的灰度图和灰度直方图信息,对竹席毛边图像的细节进行增强,判断竹席的毛边打磨效果,根据竹席毛边打磨效果训练神经网络调整竹席切割机的参数。本发明在对竹席切割机切割竹席打磨毛边的基础上,利用图像增强技术增强竹席毛边图像并通过训练神经网络来实现竹席切割机的智能化调整。
附图说明
图1是本发明的一种竹席切割装置的控制方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚,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介绍。
本实施例的竹席切割装置的控制方法的整体逻辑是:通过相机采集竹席的毛边打磨效果图像;通过图像处理对竹席毛边图像进行增强,判断其打磨效果是否达到生产需求;根据实际打磨状态的不足结合神经网络来调节竹席切割机的设备参数并进行问题反馈。如图1所示为本实施例的竹席切割装置的控制方法的流程图。
具体的,本实施例的竹席切割装置的控制方法包括以下步骤:
(1)对竹席切割装置切割打磨后的竹席毛边图像信息进行采集;
本发明需要实现竹席切割机在对切割后的竹席毛边打磨过程的智能化控制,所以需要添加工业相机对竹席切割机打磨后的竹席毛边图像进行采集,而后分析图像信息,并训练神经网络来控制竹 席切割装置的参数来实现竹席切割机对竹席毛边智能化打磨。
本实施例采用工业相机进行图像的采集,其中工业相机的布置要求为:相机的布置位置略高于传送带,镜头正对着传送带上竹席毛边的垂直方向。这样布置有利于对竹席毛边图像的采集更加精确。
(2)通过对竹席毛边打磨图像分析特征,根据特征对图像进行自适应多段线性增强;
竹子在生长的过程中,体内具有大量的纵向粗纤维,而粗纤维硬度较其余部位较硬,故打磨过程中易出现打磨程度不够。现有的图像增强技术在对图像增强的过程中因为每根柱子的纵向纤维生长的数量和位置不同,容易将纵向粗纤维易和打磨后的凹凸区域发生混淆,本发明在多段线性增强的基础上,选择自适应分段线性增强,对每张图片中的竹席单独计算,能够更加精确的分辨出竹席切割机打磨效果。
本步骤包括以下几个小步骤:
①对竹席毛边打磨图像进行语义分割,并进行灰度化生成灰度直方图;
上述步骤对竹席切割机打磨后的竹席毛边图像进行了采集,采集图像包含信息为:厂区背景,传送带和打磨后的竹席毛边图像。故采用DNN网络语义分割的方式对竹席毛边图像进行提取:数据集为竹席切割机打磨后的毛边图像集;对图像集进行人工标注,厂区背景和传送带标记为“0”,竹席毛边图像标记为“1”;DNN网络任务为分类,故使用交叉熵函数为loss函数。
经过语义分割的图像仅为打磨后的竹席毛边图像,对竹席毛边图像进行灰度化,并且生成灰度直方图。灰度直方图将灰度图中像素点的灰度值的分布情况在二维平面坐标系中表示,其中横轴为灰度级[0,255],纵轴为当前灰度级的像素点数量。
②分析竹席毛边特征,结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割;
为实现竹席打磨后的毛边图像的增强,首先要对整体图像特征进行分析,而后计算需要分割的阈值,最后进行灰度直方图的分段,具体做法如下:
Ⅰ.分析图像特征;
打磨后的竹席毛边图中,包含竹席所采用竹子材料的本体颜色信息、竹子粗纤维信息和打磨后的凹凸信息,根据其可视信息将其进行描述。竹席本体颜色占据最多,则在灰度图中有大量的像素占据相应的灰度级,故其在灰度直方图中表现为某一段灰度级下含有大量像素点,具体表现为最大面积波峰信息。竹子粗纤维因为其生长性质原因,表现在灰度图中为较竹子本体颜色更深,故其在灰度直方图中多表现左侧横轴部分。打磨后的凹凸区域,主要为打磨机相同的参数对竹席毛边进行打磨,而竹子自身区域内,结构不同,导致打磨不能做到十分规整。体现在灰度图中主要为因凹凸体验出的光影效果颜色较深,故其在灰度直方图左侧部位。
Ⅱ.计算差异值确定增强区双域阈值初始端点;
为确定灰度直方图自适应区域阈值,现建立新灰度区间,计算图像整体灰度大部分所在灰度级,建立滑动窗口,对图像整体像素的灰度值以窗口平均灰度为单位的依照灰度级计算分类参数,根据窗口差异值作为判断分类参数选择初始的自适应阈值。具体操作如下:
定义新灰度区间,新灰度区间为原灰度区间映射,映射方式如下:
新灰度区间为[1,256]。纵轴为频率,进行归一化,使得总体频率和为1,得到权值序列。C表示灰度值,表示归一化后的频率。
图像整体加权平均灰度值计算方式如下:
其中
, 为当前图像的大部分灰度所在灰度级。
建立大小的滑窗,滑动步长,对竹席毛边图进行遍历,计算滑窗内的像素分布情况,以窗口平均灰度和窗口差异值来表示每个滑窗内的像素分布。
窗口平均灰度值计算方式如下:
窗口差异值计算方式如下:
式中表示窗孔内的平局灰度值,表示窗口内中心像素值与周围8邻域的像素的差异值,为滑窗中心点像素值,为周围8邻域的像素点灰度值。
分类参数计算如下所示:
对的滑窗区域进行统计区域内窗口差异值,其中所对应的滑窗区域中平均灰度值为自适应双阈值的左侧阈值初始端点;其中所对应的滑窗区域中的平均灰度值为自适应双阈值的右侧阈值初始端点。
Ⅲ.建立迭代函数并根据图像特征评价参数。
因为灰度直方图具有明显的数据特征,故根据其数据特征建立迭代函数:
迭代方式为:以上述的端点作为初始值,计算评价参数,若未到达预期效果,则对进行迭代,保持不变,重新计算评价参数,若未到达预期效果,则对进行迭代,保持不变。
图像特征中,打磨后的凹凸区域灰度值有微小的变化,粗纤维区域灰度值基本无变化,故根据此特征建立评价参数:
其中为区间内所有灰度值出现的概率,当区间内粗纤维区域较多时,则评价参数值越小。在区间迭代的过程中,随着区间的缩小,粗纤维区域越来越少,越来越大。当在迭代的过程中趋近某一定值且不再增大时,此时则为最优阈值。
③结合评价参数对图像灰度直方图进行分割并对图像进行增强。
根据评价参数对进行迭代,直至迭代至最优阈值:
根据最优阈值对灰度直方图进行分段,为上述计算的最优自适应阈值,将灰度直方图分为三个区间:
其中区间为增强区间,根据设备选择合适的增强系数对区间进行增强即可。本实施例的重点在于确定增强区间,至于确定增强区间后如何选择合适的增强系数可以在应用时自行设定,本实施例不再赘述。
(3)根据打磨效果训练神经网络来调节竹席切割装置的智能化控制。
上述中获得图像增强后的切割机打磨后的竹席的毛边图像,根据其图像特征训练神经网络对打磨状态进行分类,判断竹席毛边是否打磨达到生产需求。如未达到生产需求,而后依据不同的类别对竹席切割机的参数进行调整与纠正,使竹席切割机能能打最佳参数,对后续的竹席毛边进行打磨至达到生产需求。神经网络在此过程中担任分类任务,故损失函数选择为:交叉熵损失函数。本实施例的重点在于将图像进行增强,至于在竹席毛边不能达到生产需求时如何对竹席切割机的参数进行调节,此不是本发明的重点,且如和对竹席切割机的参数进行调节为现有技术,本实施例不再赘述。
本实施例利用图像处理技术,根据已打磨的竹席毛边图像的灰度图和灰度直方图信息,对竹席毛边图像的细节进行增强,判断竹席的毛边打磨效果,根据竹席毛边打磨效果训练神经网络调整竹席切割机的参数。本实施例在对竹席切割机切割竹席打磨毛边的基础上,利用图像增强技术增强竹席毛边图像并通过训练神经网络来实现竹席切割机的智能化调整。
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 (1)
1.一种竹席切割装置的控制方法,其特征在于,包括以下步骤:
对竹席切割装置切割打磨后的竹席毛边图像信息进行采集;
通过对竹席毛边打磨图像分析特征,根据特征对图像进行自适应多段线性增强;
根据打磨效果训练神经网络来调节竹席切割装置的智能化控制;
所述通过对竹席毛边打磨图像分析特征,根据特征对图像进行自适应多段线性增强,包括:
对竹席毛边打磨图像进行语义分割,并进行灰度化生成灰度直方图;
分析竹席毛边特征,结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割;
结合评价参数对图像灰度直方图进行分割并对图像进行增强;
所述分析竹席毛边特征,结合图像信息计算自适应分割阈值对灰度直方图进行多段线性分割,包括:
分析图像特征;
计算差异值确定增强区双域阈值初始端点;
建立迭代函数并根据图像特征建立 评价参数;
所述计算差异值确定增强区双域阈值初始端点,包括:
建立新灰度区间,计算图像整体灰度大部分所在灰度级,建立滑动窗口,对图像整体像素的灰度值以窗口平均灰度为单位的依照灰度级计算分类参数,根据窗口差异值作为判断分类参数选择初始的自适应阈值;
计算分类参数的过程如下:
定义新灰度区间,新灰度区间为原灰度区间映射,映射方式如下:
新灰度区间为[1,256];纵轴为频率,进行归一化,使得总体频率和为1,得到权值序列,C表示灰度值,表示归一化后的频率;
图像整体加权平均灰度值计算方式如下:
其中, 为当前图像的大部分灰度所在灰度级;
建立大小的滑窗,滑动步长,对竹席毛边图进行遍历,计算滑窗内的像素分布情况,以窗口平均灰度和窗口差异值来表示每个滑窗内的像素分布;
窗口平均灰度值计算方式如下:
窗口差异值计算方式如下:
式中表示窗孔内的平局灰度值,表示窗口内中心像素值与周围8邻域的像素的差异值,为滑窗中心点像素值,为周围8邻域的像素点灰度值;
分类参数计算如下所示:
;
所述根据窗口差异值作为判断分类参数选择初始的自适应阈值,包括:
对的滑窗区域进行统计区域内窗口差异值,其中所对应的滑窗区域中平均灰度值为自适应双阈值的左侧阈值初始端点;其中所对应的滑窗区域中的平均灰度值为自适应双阈值的右侧阈值初始端点;
建立迭代函数并根据图像特征建立 评价参数,包括:
根据其数据特征建立迭代函数:
迭代方式为:以上述的端点作为初始值,计算评价参数,若未到达预期效果,则对进行迭代,保持不变,重新计算评价参数,若未到达预期效果,则对进行迭代,保持不变;
图像特征中,打磨后的凹凸区域灰度值有微小的变化,粗纤维区域灰度值基本无变化,故根据此特征建立评价参数:
其中为区间内所有灰度值出现的概率,当区间内粗纤维区域较多时,则评价参数值越小;在区间迭代的过程中,随着区间的缩小,粗纤维区域越来越少,越来越大;当在迭代的过程中趋近某一定值且不再增大时,此时则为最优阈值;
所述合评价参数对图像灰度直方图进行分割并对图像进行增强,包括:
根据评价参数对进行迭代,直至迭代至最优阈值:
根据最优阈值对灰度直方图进行分段,为上述计算的最优自适应阈值,将灰度直方图分为三个区间:
其中区间为增强区间,根据设备选择合适的增强系数对区间进行增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206254.XA CN115294112B (zh) | 2022-09-30 | 2022-09-30 | 一种竹席切割装置的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206254.XA CN115294112B (zh) | 2022-09-30 | 2022-09-30 | 一种竹席切割装置的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294112A CN115294112A (zh) | 2022-11-04 |
CN115294112B true CN115294112B (zh) | 2023-04-14 |
Family
ID=83833168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211206254.XA Active CN115294112B (zh) | 2022-09-30 | 2022-09-30 | 一种竹席切割装置的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294112B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN108961301A (zh) * | 2018-07-12 | 2018-12-07 | 中国海洋大学 | 一种基于无监督逐像素分类的角毛藻图像分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986125A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 一种用于多目标任务实例分割的方法 |
CN114972370A (zh) * | 2022-02-08 | 2022-08-30 | 黄河水利职业技术学院 | 一种用于神经网络推理的遥感图像自适应分割方法 |
CN114758159A (zh) * | 2022-06-13 | 2022-07-15 | 迪非液压科技江苏有限公司 | 一种液压制动器切削工艺的切削控制方法 |
CN114862880B (zh) * | 2022-07-06 | 2022-09-02 | 山东泰恒石材有限公司 | 一种基于异性石料的切割优化方法及系统 |
-
2022
- 2022-09-30 CN CN202211206254.XA patent/CN115294112B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN108961301A (zh) * | 2018-07-12 | 2018-12-07 | 中国海洋大学 | 一种基于无监督逐像素分类的角毛藻图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115294112A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN108765336B (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN114782475B (zh) | 基于人工智能系统的瓦楞纸箱压线缺陷检测优化方法 | |
CN106780486A (zh) | 一种钢板表面缺陷图像提取方法 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN109668909A (zh) | 一种玻璃缺陷检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN108710832B (zh) | 一种无参考虹膜图像清晰度检测方法 | |
CN114782432A (zh) | 一种基于纹理特征的改进canny算子的边缘检测方法 | |
CN114998321B (zh) | 一种基于光学手段的纺织材料表面毛羽程度识别方法 | |
CN112365450A (zh) | 基于图像识别的物品分类计数的方法、装置和存储介质 | |
CN115272319B (zh) | 一种矿石粒度检测方法 | |
CN115861313B (zh) | 一种用于磨头的磨损检测方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN115294112B (zh) | 一种竹席切割装置的控制方法 | |
CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
CN117173180B (zh) | 基于图像增强的钢管缺陷智能检测方法 | |
CN108805826B (zh) | 改善去雾效果的方法 | |
CN108765316B (zh) | 雾气浓度自适应判断方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 |
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 |