CN115294144A - 一种家具复合板表面缺陷识别方法 - Google Patents
一种家具复合板表面缺陷识别方法 Download PDFInfo
- Publication number
- CN115294144A CN115294144A CN202211231137.9A CN202211231137A CN115294144A CN 115294144 A CN115294144 A CN 115294144A CN 202211231137 A CN202211231137 A CN 202211231137A CN 115294144 A CN115294144 A CN 115294144A
- Authority
- CN
- China
- Prior art keywords
- defect
- rectangle
- connected domain
- area
- gray
- 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 227
- 239000002131 composite material Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 208000003098 Ganglion Cysts Diseases 0.000 claims abstract description 8
- 208000005400 Synovial Cyst Diseases 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003707 image sharpening Methods 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 5
- 239000002023 wood Substances 0.000 abstract description 61
- 238000004458 analytical method Methods 0.000 abstract description 14
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 12
- 241001270131 Agaricus moelleri Species 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001125 extrusion Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 241000257190 Sarcophaga <genus> Species 0.000 description 1
- 230000002917 arthritic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal 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
- 239000002994 raw material Substances 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000003313 weakening effect Effects 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种家具复合板表面缺陷识别方法。该方法是一种应用电子设备进行识别的方法,利用生产领域人工智能系统完成对家具复合板表面缺陷识别。该方法首先通过相机识别家具复合板图像,对家具复合板图像进行数据处理得到缺陷连通域,进一步,对缺陷连通域进行数据处理得到缺陷内部灰度差异度和缺陷外部灰度差异度;结合缺陷外部灰度差异度和缺陷内部灰度差异度得到综合判定指标,根据综合判定指标从而实现对虫洞缺陷和节子缺陷的区分。本发明利用数据处理来实现对木板表面节子和虫洞缺陷的特征进行细节分析,建立数学模型来实现对木板表面节子、虫洞的智能化识别,以实现对节子缺陷和虫洞缺陷的区分。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种家具复合板表面缺陷识别方法。
背景技术
生活中常用的复合板按照材料分有金属板材、木质板材等等,家具复合板以木质复合板居多。木质复合板是以刨花或纤维材料为板芯,两面胶贴单板的一种人造板。其中在木质单板的加工过程中,木质单板表面缺陷不仅影响使用强度,也严重影响后续复合板加工,导致木质复合板的质量与外观很差。
目前很多板材加工生产采用人工目检,由于人受到主观因素影响较多,所以人工检测效率低,容易出现失误,无法有效保证质量,越来越多的企业逐渐采用高效的机器视觉检测方法,从而提高了生产效率和企业声誉。本文针对的木质板材表面上难免会出现多种缺陷,从连通域外形上可较好区分出节子虫洞的外轮廓,但节子和虫洞的外在表征十分相似,这两者的具体识别准确度不高,同时节子与虫洞对木质板材应用于家具复合板后,使用质量和外观效果差异较大,需要对木单板表面节子和虫洞缺陷进行有效分辨,从而提高木质板材的使用率。
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家具复合板表面缺陷识别方法,所采用的技术方案具体如下:
获取家具复合板图像,对所述家具复合板图像进行预处理,得到目标图像;
对所述目标图像进行连通域分析,得到缺陷连通域;获取所述缺陷连通域的最小外接矩形,以所述最小外接矩形的中心点为中心,在缺陷连通域内部作边缘不交于缺陷连通域边缘的面积最大内接矩形;
根据缺陷连通域的灰度均值和面积最大内接矩形的内部区域的灰度均值的差异、缺陷连通域和面积最大内接矩形的面积差异计算缺陷内部灰度差异度;
对所述最小外接矩形向外扩展,得到扩展后的扩展矩形,将所述扩展矩形和所述最小外接矩形之间的区域分为多个小矩形;根据所述小矩形的灰度纹理特征得到各矩形的二维信息熵;根据所述二维信息熵计算缺陷外部灰度差异度;
结合所述缺陷内部灰度差异度和所述缺陷外部灰度差异度得到综合判定指标,基于所述综合判定指标、从多个缺陷连通域中区分出虫洞缺陷和节子缺陷。
优选的,所述对所述家具复合板图像进行预处理,得到目标图像,包括:
对所述家具复合板图像进行灰度化、图像平滑和图像锐化,得到目标图像。
优选的,所述根据缺陷连通域的灰度均值和面积最大内接矩形的内部区域的灰度均值的差异、缺陷连通域和面积最大内接矩形的面积差异计算缺陷内部灰度差异度,包括:
所述缺陷内部灰度差异度的计算公式为:
其中,为所述缺陷内部灰度差异度;为面积最大内接矩形的内部区域所有像素点的灰度值之和;为缺陷连通域内除面积最大内接矩形的内部区域外的区域的所有像素点的灰度值之和;为面积最大内接矩形的内部区域的面积;为缺陷连通域的面积。
优选的,所述根据所述二维信息熵计算缺陷外部灰度差异度,包括:
所述小矩形分为对角矩形和侧边矩形;
所述缺陷外部灰度差异度的计算公式为:
优选的,所述结合所述缺陷内部灰度差异度和所述缺陷外部灰度差异度得到综合判定指标,包括:
所述缺陷内部灰度差异度和所述缺陷外部灰度差异度之和作为综合判定指标。
优选的,所述基于所述综合判定指标从多个缺陷连通域中区分出虫洞缺陷和节子缺陷,包括:
大于预设判定阈值的综合判定指标对应的所述缺陷连通域为虫洞连通域;小于等于预设判定阈值的综合判定指标对应的所述缺陷连通域为节子连通域。
本发明实施例至少具有如下有益效果:
本发明涉及数据处理技术领域。该方法获取家具复合板图像,对所述家具复合板图像进行预处理,得到目标图像;对所述目标图像进行连通域分析,得到缺陷连通域;获取所述缺陷连通域的最小外接矩形,以所述最小外接矩形的中心点为中心,在缺陷连通域内部作边缘不交于缺陷连通域边缘的面积最大内接矩形;根据缺陷连通域的灰度均值和面积最大内接矩形的内部区域的灰度均值的差异、缺陷连通域和面积最大内接矩形的面积差异计算缺陷内部灰度差异度;对所述最小外接矩形向外扩展,得到扩展后的扩展矩形,将所述扩展矩形和所述最小外接矩形之间的区域分为多个小矩形;根据所述小矩形的灰度纹理特征得到各矩形的二维信息熵;根据所述二维信息熵计算缺陷外部灰度差异度;结合所述缺陷内部灰度差异度和所述缺陷外部灰度差异度得到综合判定指标,基于所述综合判定指标、从多个缺陷连通域中区分出虫洞缺陷和节子缺陷。在对木板表面缺陷进行数字化的基础上,利用图像处理来实现对木板表面节子和虫洞缺陷的特征进行细节分析,建立数学模型来实现对木板表面节子、虫洞的智能化识别,以实现对节子缺陷和虫洞缺陷的区分。
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一种家具复合板表面缺陷识别方法的方法流程图;
图2为本发明一个实施例所提供的扩展矩形和最小外接矩形之间的区域分为多个小矩形的示意图。
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家具复合板表面缺陷识别方法,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。
本发明实施例提供了一种家具复合板表面缺陷识别方法的具体实施方法,该方法适用于家具复合板表面缺陷识别场景。该场景下根据当前人工检测木板的工作流程及木板特点,设计的木板表面缺陷在线自动检测系统包含了动力传输装置、视觉检测装置、标记输出装置。木板自动检测的流程为:传送带启动,木板被放入传送带头部,传送带拖动木板前进;固定在传送带上方的摄像头捕捉家具复合板图像并传入计算机,计算机中的视觉检测程序对家具复合板图像进行数据处理运算,判断图像是否有缺陷及缺陷类型,并将判断结果输出至控制电路;控制电路根据接收的信号执行控制程序,驱动标记输出装置在木板表面打上相应标识;木板流入传送带尾部,检测环节结束,木板进入下道加工环节。为了解决仅通过缺陷检测,难以实现对虫洞和节子缺陷的区分的问题。本发明在对木板表面缺陷进行数字化的基础上,利用图像处理来实现对木板表面节子和虫洞缺陷的特征进行细节分析,建立数学模型来实现对木板表面节子、虫洞的智能化识别,以实现对节子缺陷和虫洞缺陷的区分。
下面结合附图具体的说明本发明所提供的一种家具复合板表面缺陷识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种家具复合板表面缺陷识别方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取家具复合板图像,对所述家具复合板图像进行预处理,得到目标图像。
在木质板加工生产过程中,由于木板原材料的影响不可避免地产生多种表面缺陷,包括节子和虫洞等。此类表面缺陷不仅影响木材强度,而且严重影响木材加工和木制品装饰的质量与外观,但由于影响程度不一,所以需要通过图像处理进行分析,并结合数学建模来实现生产过程中的木板表面节子虫洞缺陷的智能化识别。其中,有节子缺陷的木板还可部分利用,而有虫洞缺陷的木板不可利用。
根据当前人工检测木板的工作流程及木板特点,设计的木板表面缺陷在线自动检测系统包含了动力传输装置、视觉检测装置、标记输出装置。木板自动检测的流程为:传送带启动,木板被放入传送带头部,传送带拖动木板前进;固定在传送带上方的摄像头捕捉家具复合板图像并传入计算机,计算机中的视觉检测程序对家具复合板图像进行数据处理运算,判断图像是否有缺陷及缺陷类型,并将判断结果输出至控制电路;控制电路根据接收的信号执行控制程序,驱动标记输出装置在木板表面打上相应标识;木板流入传送带尾部,检测环节结束,木板进入下道加工环节。
国家标准规定的木材缺陷是,凡呈现在木材上能降低其质量、影响其使用的各种缺点均为木材缺陷。其中节子是枝丫的隐生部分,在树木生长期间形成,为木材不可避免的缺陷;虫洞是树木在成长过程中或者被砍伐后的储存阶段,经过害虫的蛀蚀所形成。本文主要针对木材加工中常见的节子和虫洞缺陷进行识别分析。
由于现实情况的不稳定因素,会导致图像质量通常较一般,这是因为图像中含有多种噪声影响,对结果分析也有很大影响。所以在进行图像特征识别工作前,一般要进行增强图像质量的预处理工作。主要目的就是削弱噪声干扰和背景信息、从而对可疑缺陷特征进行对比增强,通过灰度化、图像平滑和图像锐化。灰度化主要通过心理学公式对RGB三层通道进行加权平均,得到一层通道的计算量;图像平滑主要是应用中值滤波进行椒盐噪声的滤除,并且同时弱化木板纹理;图像锐化是在图像平滑之后,在削弱纹理滤除噪声的情况下,利用拉普拉斯算子来锐化可疑缺陷表征,使得木板上存在的可疑缺陷边缘更加明显。故对家具复合板图像进行预处理,得到目标图像,具体的:对家具复合板图像进行灰度化、图像平滑和图像锐化,得到目标图像。
步骤S200,对所述目标图像进行连通域分析,得到缺陷连通域;获取所述缺陷连通域的最小外接矩形,以所述最小外接矩形的中心点为中心,在缺陷连通域内部作边缘不交于缺陷连通域边缘的面积最大内接矩形。
通过对目标图像进行连通域分析,分离出包含节子和虫洞的缺陷连通域后,分析节子、虫洞缺陷的内外差别特征,并建立对应的数值化指标,来对节子虫洞缺陷加以区分。
接下来基于灰度图像来进行缺陷目标的存在识别、定位和分类。现有技术可根据二值化连通域分析,以及最小外接矩形进行长宽比的分析,将满足要求的偏圆形的节子和虫洞连通域挑选出来,并加以区分分析。
分析节子、虫洞缺陷的细节差别特征:由于节子是树木生长期间形成的枝丫隐生部分,是不可避免的小缺陷;而虫洞是木材在存储阶段由于虫害所造成的缺陷,所以两者无论是在外观还是功能使用上面,都有较大差别,为了更好地利用需要对两者进行有效区分。在细节观察上,总结出以下两方面差别:(1)缺陷轮廓内部:由于节子是枝丫隐生部分,内表面依然是木材,边缘轮廓灰度小,内部表面灰度较大;虫洞是由于害虫虫蚀从内部向外扩张,从而轮廓以及轮廓内部的灰度都较低且差别很小。(2)缺陷轮廓外部:节子轮廓的外部具有很明显的木材纹理挤压特征,灰度值表现与木材背景存在些许不同;虫洞由于虫害影响,是在木材表面随机出现的,所以轮廓外部不存在纹理挤压特征。
故进一步的,先获取缺陷连通域的最小外接矩形和对应的面积最大内接矩形。再根据节子虫洞轮廓内外部不同差别进行数字化分辨。
轮廓内部分辨:获取缺陷连通域的最小外接矩形,在最小外接矩形中包含着的是缺陷连通域以及非缺陷的正常木材表面,对上文中的缺陷连通域进行分析,进行Canny边缘检测,将缺陷连通域的轮廓边缘检索出来,并对边缘像素进行连通域统计,将每个边缘轮廓的连通域进行最小外接矩形框选操作,记缺陷连通域的最小外接矩形为,最小外接矩形为包含的缺陷连通域记为。以所述最小外接矩形的中心点为中心,在缺陷连通域内部作边缘不交于缺陷连通域边缘的面积最大内接矩形,也即最小外接矩形中心点记为,同时以的中心点位置不变,在缺陷连通域内作出面积最大的一个矩形作为面积最大内接矩形,面积最大内接矩形的也即是中心为且与缺陷连通域的边缘无相交情况的最大矩形。
步骤S300,根据缺陷连通域的灰度均值和面积最大内接矩形的内部区域的灰度均值的差异、缺陷连通域和面积最大内接矩形的面积差异计算缺陷内部灰度差异度。
由于节子内表面依然是木材,边缘轮廓较内部表面灰度的差异程度较大;而虫洞是害虫虫蚀从内部向外扩张,边缘轮廓以及轮廓内部的灰度都较低即差别较小。那么我们进行内矩形的平均灰度与轮廓连通域里除过内矩形的区域像素的平均灰度进行统计,计算两者之间的差异程度,即可将缺陷内部的灰度差异进行量化,从而用来分析缺陷。
根据缺陷连通域的灰度均值和面积最大内接矩形的内部区域的灰度均值的差异、缺陷连通域和面积最大内接矩形的面积差异计算缺陷内部灰度差异度。将缺陷连通域的边缘内的像素位置进行统计记为,缺陷连通域的面积为,面积最大内接矩形的内部区域包含的像素位置记为,面积最大内接矩形对应的面积为。
所述缺陷内部灰度差异度的计算公式为:
其中,为所述缺陷内部灰度差异度;为面积最大内接矩形的内部区域所有像素点的灰度值之和;为缺陷连通域内除面积最大内接矩形的内部区域外的区域的所有像素点的灰度值之和;为面积最大内接矩形的内部区域的面积;为缺陷连通域的面积。
即为面积最大内接矩形的内部区域所有像素点的灰度均值;为缺陷连通域内除面积最大内接矩形的内部区域外的区域的所有像素点的灰度值均值。两者之差的绝对值比上两者之和,即缺陷内部灰度差异度,且。所以对于节子缺陷而言,两区域的平均灰度差异较大且内区域的灰度大,那么越趋近于1,而虫洞两区域的平均灰度相近即差异小,那么越趋近于0,控制阈值将大可能地从节子虫洞的内部特征数值,将两者缺陷进行分别。
步骤S400,对所述最小外接矩形向外扩展,得到扩展后的扩展矩形,将所述扩展矩形和所述最小外接矩形之间的区域分为多个小矩形;根据所述小矩形的灰度纹理特征得到各矩形的二维信息熵;根据所述二维信息熵计算缺陷外部灰度差异度。
不过只根据此处的轮廓内部分析时,并不能够满足高准确度地检测出节子缺陷。由于本指标仅仅只是在缺陷轮廓内部分析其灰度依位置分布的稳定性,但是在虫洞的部分缺陷特征中,存在光照与洞内部分区域(光滑木质或油脂区域)产生的高反光区域,而导致内部灰度分析时误判到节子的类别之中,引发后续错误使用。所以我们需要在内部分析的基础之上,依据轮廓的外部不同纹理挤压程度的特征,进行数值化表示,计算出相关指标来提高节子虫洞缺陷的识别准确度。
故可以对最小外接矩形进行进一步的扩展,以便于对缺陷连通域的轮廓外部进行分析。对最小外接矩形向外扩展,得到扩展后的扩展矩形,将所述扩展矩形和所述最小外接矩形之间的区域分为多个小矩形。也即记缺陷连通域的最小面积外接矩形的尺寸为[,],进行由中心向外扩展一次[1.5,1.5],得到扩展后的扩展矩形,随后将,的两边直线分别延伸,将[1.5,1.5]的矩形分割为外部的八个小矩形,小矩形分为对角矩形和侧边矩形,对角矩形分别为Mk(k=1,2,3,4),紧挨着侧边的分别为Nq(q=1,2,3,4)。请参阅图2所示,图2为扩展矩形和最小外接矩形之间的区域分为多个小矩形的示意图,图2中Mk(k=1,2,3,4)为对角矩形,Nq(q=1,2,3,4)为侧边矩形。
统计对角矩形和侧边矩形内的灰度纹理特征分析,利用灰度二维熵的信息进行纹理特征的数值表示,根据所述小矩形的灰度纹理特征得到各矩形的二维信息熵;根据所述二维信息熵计算缺陷外部灰度差异度。二维信息熵首先将矩形内灰度进行降级,由256灰度级降为16灰度级,随后进行各自矩形内的二维信息熵表示,以小矩形M1为例。
二维信息熵的计算公式为:
缺陷外部灰度差异度的计算公式为:
其中,指的是对角矩形M1,M2,M3,M4区域内二维信息熵的平均值,指的是侧边矩形N1,N2,N3,N4区域内二维信息熵的平均值,两者之差的绝对值比上两者之和,即缺陷外部灰度差异度,且。所以对于节子缺陷而言,周边纹理受到挤压后是有聚集性的,对应地侧边矩形平均二维熵与对角矩形平均二维熵的差异较大,那么越趋近于1;而虫洞周边纹理是未受到挤压的正常表面,侧边和对角两区域二维熵差异较小,那么越趋近于0,控制阈值将大可能地从外部纹理特征数值将两者缺陷进行分别。
步骤S500,结合所述缺陷内部灰度差异度和所述缺陷外部灰度差异度得到综合判定指标,基于所述综合判定指标、从多个缺陷连通域中区分出虫洞缺陷和节子缺陷。
结合所述缺陷内部灰度差异度和所述缺陷外部灰度差异度得到综合判定指标,具体的:所述缺陷内部灰度差异度和所述缺陷外部灰度差异度之和作为综合判定指标。
基于所述综合判定指标从多个缺陷连通域中区分出虫洞缺陷和节子缺陷,具体的:大于预设判定阈值的综合判定指标对应的所述缺陷连通域为虫洞连通域;小于等于预设判定阈值的综合判定指标对应的所述缺陷连通域为节子连通域。在本发明实施例中预设判定阈值的取值为1.4,在其他实施例中实施者可根据实际情况调整该取值。即只要或其中一个大于0.7,那么就可认为其是节子缺陷,否则为虫洞缺陷。若,说明或其中至少有一个大于0.7,认定其为虫洞缺陷,标记为A;若,可认定该缺陷为节子缺陷,标记为B。
基于此,实现了对家具复合木质单板表面缺陷的检测,并分别给予标签标记A为虫洞、B为节子,供给实施者后续选择利用。
综上所述,本发明涉及数据处理技术领域。该方法获取家具复合板图像,对所述家具复合板图像进行预处理,得到目标图像;对所述目标图像进行连通域分析,得到缺陷连通域;获取所述缺陷连通域的最小外接矩形,以所述最小外接矩形的中心点为中心,在缺陷连通域内部作边缘不交于缺陷连通域边缘的面积最大内接矩形;根据缺陷连通域的灰度均值和面积最大内接矩形的内部区域的灰度均值的差异、缺陷连通域和面积最大内接矩形的面积差异计算缺陷内部灰度差异度;对所述最小外接矩形向外扩展,得到扩展后的扩展矩形,将所述扩展矩形和所述最小外接矩形之间的区域分为多个小矩形;根据所述小矩形的灰度纹理特征得到各矩形的二维信息熵;根据所述二维信息熵计算缺陷外部灰度差异度;结合所述缺陷内部灰度差异度和所述缺陷外部灰度差异度得到综合判定指标,基于所述综合判定指标、从多个缺陷连通域中区分出虫洞缺陷和节子缺陷。在对木板表面缺陷进行数字化的基础上,利用图像处理来实现对木板表面节子和虫洞缺陷的特征进行细节分析,建立数学模型来实现对木板表面节子、虫洞的智能化识别。
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。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)
1.一种家具复合板表面缺陷识别方法,其特征在于,该方法包括以下步骤:
获取家具复合板图像,对所述家具复合板图像进行预处理,得到目标图像;
对所述目标图像进行连通域分析,得到缺陷连通域;获取所述缺陷连通域的最小外接矩形,以所述最小外接矩形的中心点为中心,在缺陷连通域内部作边缘不交于缺陷连通域边缘的面积最大内接矩形;
根据缺陷连通域的灰度均值和面积最大内接矩形的内部区域的灰度均值的差异、缺陷连通域和面积最大内接矩形的面积差异计算缺陷内部灰度差异度;
对所述最小外接矩形向外扩展,得到扩展后的扩展矩形,将所述扩展矩形和所述最小外接矩形之间的区域分为多个小矩形;根据所述小矩形的灰度纹理特征得到各矩形的二维信息熵;根据所述二维信息熵计算缺陷外部灰度差异度;
结合所述缺陷内部灰度差异度和所述缺陷外部灰度差异度得到综合判定指标,基于所述综合判定指标、从多个缺陷连通域中区分出虫洞缺陷和节子缺陷。
2.根据权利要求1所述的一种家具复合板表面缺陷识别方法,其特征在于,所述对所述家具复合板图像进行预处理,得到目标图像,包括:
对所述家具复合板图像进行灰度化、图像平滑和图像锐化,得到目标图像。
5.根据权利要求1所述的一种家具复合板表面缺陷识别方法,其特征在于,所述结合所述缺陷内部灰度差异度和所述缺陷外部灰度差异度得到综合判定指标,包括:
所述缺陷内部灰度差异度和所述缺陷外部灰度差异度之和作为综合判定指标。
6.根据权利要求1所述的一种家具复合板表面缺陷识别方法,其特征在于,所述基于所述综合判定指标从多个缺陷连通域中区分出虫洞缺陷和节子缺陷,包括:
大于预设判定阈值的综合判定指标对应的所述缺陷连通域为虫洞连通域;小于等于预设判定阈值的综合判定指标对应的所述缺陷连通域为节子连通域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231137.9A CN115294144B (zh) | 2022-10-10 | 2022-10-10 | 一种家具复合板表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231137.9A CN115294144B (zh) | 2022-10-10 | 2022-10-10 | 一种家具复合板表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294144A true CN115294144A (zh) | 2022-11-04 |
CN115294144B CN115294144B (zh) | 2023-04-11 |
Family
ID=83819270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211231137.9A Active CN115294144B (zh) | 2022-10-10 | 2022-10-10 | 一种家具复合板表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294144B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861290A (zh) * | 2022-12-30 | 2023-03-28 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN116703922A (zh) * | 2023-08-08 | 2023-09-05 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及系统 |
CN116977335A (zh) * | 2023-09-22 | 2023-10-31 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
CN118196025A (zh) * | 2024-03-13 | 2024-06-14 | 深圳个元科技有限公司 | 一种齿轮外观缺陷视觉检测方法及系统 |
CN118570214A (zh) * | 2024-08-05 | 2024-08-30 | 陕西首铝模架科技有限公司 | 一种用于建筑模板系统的合金板材辊压缺陷识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08189904A (ja) * | 1995-01-06 | 1996-07-23 | Kawasaki Steel Corp | 表面欠陥検出装置 |
CN105158258A (zh) * | 2015-07-15 | 2015-12-16 | 广西师范大学 | 一种基于计算机视觉的竹条表面缺陷检测方法 |
CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及系统 |
-
2022
- 2022-10-10 CN CN202211231137.9A patent/CN115294144B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08189904A (ja) * | 1995-01-06 | 1996-07-23 | Kawasaki Steel Corp | 表面欠陥検出装置 |
CN105158258A (zh) * | 2015-07-15 | 2015-12-16 | 广西师范大学 | 一种基于计算机视觉的竹条表面缺陷检测方法 |
CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861290A (zh) * | 2022-12-30 | 2023-03-28 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN115861290B (zh) * | 2022-12-30 | 2024-01-19 | 南京林业大学 | 一种肤感木门表面缺陷检测方法 |
CN116703922A (zh) * | 2023-08-08 | 2023-09-05 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及系统 |
CN116703922B (zh) * | 2023-08-08 | 2023-10-13 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及系统 |
CN116977335A (zh) * | 2023-09-22 | 2023-10-31 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
CN116977335B (zh) * | 2023-09-22 | 2023-12-12 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
CN118196025A (zh) * | 2024-03-13 | 2024-06-14 | 深圳个元科技有限公司 | 一种齿轮外观缺陷视觉检测方法及系统 |
CN118570214A (zh) * | 2024-08-05 | 2024-08-30 | 陕西首铝模架科技有限公司 | 一种用于建筑模板系统的合金板材辊压缺陷识别方法 |
CN118570214B (zh) * | 2024-08-05 | 2024-10-11 | 陕西首铝模架科技有限公司 | 一种用于建筑模板系统的合金板材辊压缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115294144B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294144B (zh) | 一种家具复合板表面缺陷识别方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN117078672B (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
CN106338520A (zh) | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 | |
TWI383142B (zh) | Wood section of the probe method and device and computer can read the recording media | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN115330772B (zh) | 一种在线焊点质量检测方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN112634237A (zh) | 一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统 | |
CN104700417A (zh) | 木材节子瑕疵的计算机图像自动识别方法 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN101782526A (zh) | 一种钢材韧窝图像的自动复原、测量分类方法及装置 | |
CN114882275A (zh) | 一种利用电子设备数据处理的建筑板材分类方法 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN118014933A (zh) | 一种基于图像检测的缺陷检测识别方法和装置 | |
CN109146853A (zh) | 基于his不同光学特性的桥梁麻面缺陷检测方法 | |
CN114998356A (zh) | 一种基于图像处理的车桥缺陷检测方法 | |
CN110186929A (zh) | 一种实时的产品瑕疵定位方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230710 Address after: Group 12, Wu Yao Town, Rugao City, Nantong City, Jiangsu Province, 226500 Patentee after: Jiangsu Yusen New Materials Co.,Ltd. Address before: No. 6, Huannan Road, Wuyao Town, Rugao City, Nantong City, Jiangsu Province 226500 Patentee before: Regeno Smart Home (Nantong) Co.,Ltd. |
|
TR01 | Transfer of patent right |