CN115311289A - 一种素色布匹油渍缺陷检测方法 - Google Patents
一种素色布匹油渍缺陷检测方法 Download PDFInfo
- Publication number
- CN115311289A CN115311289A CN202211244740.0A CN202211244740A CN115311289A CN 115311289 A CN115311289 A CN 115311289A CN 202211244740 A CN202211244740 A CN 202211244740A CN 115311289 A CN115311289 A CN 115311289A
- Authority
- CN
- China
- Prior art keywords
- image
- key point
- point
- edge
- obtaining
- 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
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
- G06T7/0008—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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种素色布匹油渍缺陷检测方法。该方法通过获取素色布匹的灰度图像以及线性增强后的增强图像;分别对灰度图像与增强图像进行Canny边缘检测得到对应的边缘图像,以得到每个边缘像素点对应的比例系数;构建多个不同大小的高斯卷积核对增强图像进行卷积运算得到多张卷积图像,进而根据卷积图像得到关键点集合;获取关键点集合中每个关键点的极值程度和连续程度,结合比例系数得到每个关键点的权重,对权重归一化后得到每个关键点的权重系数,进而得到二次关键点集合;基于二次关键点集合得到素色布匹上的油渍缺陷区域;提高了检测效率和检测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种素色布匹油渍缺陷检测方法。
背景技术
纺织工业生产时,在素色布匹的织造或印染过程中,由于润滑油类的溅泼和油脂类的污染,坯布或成品布常常会出现形状不等的油污,严重影响布匹的外观和质量;因此布匹缺陷检测是保障布匹质量的重要环节。
利用人工检测的方法虽然较为直观,但效率低以及漏检率高;随着机器视觉的发展,通过数字图像处理来检测布匹瑕疵成为大势所趋;现有技术中常用的为利用卷积神经网络提取布匹瑕疵图像特征,完成对各类缺陷的识别,但该技术有对油污检测不敏感和待训练参数众多的缺点,检测效率较低。
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素色布匹油渍缺陷检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种素色布匹油渍缺陷检测方法,该方法包括以下步骤:
获取素色布匹的表面图像,对所述表面图像进行预处理得到对应的灰度图像,对所述灰度图像进行线性增强得到增强图像;
分别对所述灰度图像与所述增强图像进行Canny边缘检测得到对应的边缘图像,根据所述灰度图像对应的边缘图像和所述增强图像对应的边缘图像中每个边缘像素点进行比例系数的设置,得到每个边缘像素点对应的比例系数;
构建M个不同大小的高斯卷积核对所述增强图像进行卷积运算得到多张卷积图像,M为正整数;对相邻两张卷积图像进行差分得到M-1张差分图像,根据M-1张差分图像得到关键点集合;
获取所述关键点集合中每个关键点的极值程度,以及所述关键点集合中与当前关键点的最小距离的关键点,根据所述最小距离得到当前关键点的连续程度,根据所述极值程度、所述连续程度以及所述比例系数得到每个关键点的权重;对所有关键点对应的权重进行归一化得到每个关键点的权重系数;
将所述权重系数大于预设阈值的关键点进行保留,以得到保留下的二次关键点集合;基于所述二次关键点集合得到油渍边界,以得到素色布匹上的油渍缺陷区域。
优选的,所述每个边缘像素点对应的比例系数的获取方法为:
对于任意一个边缘像素点:
当所述边缘像素点在灰度图像对应的边缘图像以及增强图像对应的边缘图像中均存在时,所述边缘像素点的比例系数为2;
当所述边缘像素点在灰度图像对应的边缘图像中存在,但在增强图像对应的边缘图像中不存在时,所述边缘像素点的比例系数为1;
当所述边缘像素点在灰度图像对应的边缘图像中不存在,但在增强图像对应的边缘图像中存在时,所述边缘像素点的比例系数为1.5。
优选的,所述根据M-1个差分图像得到关键点集合的步骤,包括:
将M-1张差分图像依次上下排列构成差分图像空间,对除了第一张差分图像和第M-1张差分图像之外的任意一张差分图像,以所述差分图像中任意像素点为目标点,选取所述目标点八邻域像素点、所述目标点所在差分图像在差分图像空间中相邻两张差分图像中的对应点以及相邻两个对应点的八邻域像素点,共26个像素点为所述目标点的相邻像素点;
当所述目标点的灰度值在其对应的所有相邻像素点的灰度值中是最大值或者最小值时,所述目标点为关键点;
将除了第一张差分图像和第M-1张差分图像之外的所有差分图像中的关键点投影至第一张差分图像中,得到关键点集合。
优选的,所述获取所述关键点集合中每个关键点的极值程度的步骤,包括:
选取每个关键点对应的26个相邻像素点中与对应关键点的灰度值相差最小的相邻像素点,灰度值相差最小的相邻像素点与对应关键点的灰度值的差值绝对值为对应关键点的极值程度。
优选的,所述根据所述最小距离得到当前关键点的连续程度的步骤,包括:
获取所述最小距离的倒数,所述倒数为当前关键点的连续程度。
优选的,所述根据所述极值程度、所述连续程度以及所述比例系数得到每个关键点的权重的步骤,包括:
计算所述极值程度、所述连续程度以及所述比例系数的乘积为关键点的权重。
本发明具有如下有益效果:本发明实施例中通过对原始的灰度图像和增强后的增强图像进行边缘检测得到所有的边缘像素点,进而获取每个边缘像素点的比例系数,作为后续对边缘像素点分析的依据;采用多个不同大小的高斯卷积核对增强图像进行卷积处理得到其中的关键点集合,进一步获取关键点集合中每个关键点的极值程度和连续程度,使得对关键点的分析更加全面,根据关键点的比例系数、极值程度和连续程度得到每个关键点的权重进而筛选出二次关键点集合,根据二次关键点结合得到油渍缺陷区域,得到的关键点更加准确,进而保证了油渍缺陷区域获取的准确度,且提高了实际检测的检测效率。
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素色布匹油渍缺陷检测方法流程图。
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素色布匹油渍缺陷检测方法,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一种素色布匹油渍缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种素色布匹油渍缺陷检测方法流程图,该方法包括以下步骤:
步骤S100,获取素色布匹的表面图像,对表面图像进行预处理得到对应的灰度图像,对灰度图像进行线性增强得到增强图像。
具体的,当素色布匹完成织造和印染之后会被水平放置在生产运输线上等待质检,因此在生产运输线的上方需要放置相机采集系统,根据相机采集系统向下采集素色布匹的表面图像。
一般采集到的表面图像中会生产运输线等不感兴趣的背景区域,因此为了便于分析,对表面图像进行语义分割处理,将不感兴趣的背景区域的像素值设为0,感兴趣的素色布匹区域的像素值不变,进而得到对表面图像进行语义分割后的分割图像。
进一步的,对分割图像进行灰度化处理得到对应的灰度图像,由于素色布匹上的油渍缺陷区域表现出的灰度值较低,当采集图像的光照不均匀时,可能会在灰度图像中出现其他灰度值也较低的像素点,从而无法通过阈值分割得到油渍缺陷区域;因此为了便于后续的分析,增强图像的对比度,对灰度图像进行线性增强得到对应的增强图像;其中,语义分割、灰度化处理以及线性增强均为现有公知技术,不再赘述。
步骤S200,分别对灰度图像与增强图像进行Canny边缘检测得到对应的边缘图像,根据灰度图像对应的边缘图像和增强图像对应的边缘图像中每个边缘像素点进行比例系数的设置,得到每个边缘像素点对应的比例系数。
对步骤S100中得到的灰度图像以及增强图像分别进行Canny边缘检测,可得到两张不同的边缘图像;对边缘图像中的每个边缘像素点进行标记,根据两张边缘图像中的边缘像素点对每个边缘像素点设置比例系数。
具体的,当灰度图像对应的边缘图像中存在的某个边缘像素点在增强图像对应的边缘图像中也出现时,则该边缘像素点的比例系数为2,其为真正的油渍缺陷的像素点的概率较大;当灰度图像对应的边缘图像中存在的某个边缘像素点不在增强图像对应的边缘图像中出现时,该边缘像素点的比例系数为1,其可能是多余检测到的边缘像素点;当某个边缘像素点仅在增强图像对应的边缘图像中出现时,则该边缘像素点的比例系数为1.5,可能是由于对比度较低所出现的漏检的边缘像素点。
以此类推,根据灰度图像对应的边缘图像和增强图像对应的边缘图像得到每个边缘像素点的比例系数。
步骤S300,构建M个不同大小的高斯卷积核对增强图像进行卷积运算得到多张卷积图像,M为正整数;对相邻两张卷积图像进行差分得到M-1个差分图像,根据M-1个差分图像得到关键点集合。
参考SIFT算法中关键点的获取,获取增强图像中的关键点;首先,对步骤S100得到的增强图像进行高斯卷积,本发明实施例中设置由小到大的M个高斯卷积核,M为正整数,具体数值可由实施者自行设置;利用每个高斯卷积核对着呢更强图像进行卷积处理得到对应的M张卷积图像。
然后,对相邻两张不同程度的卷积图像进行差分处理,M张卷积图像中每相邻两个卷积图像进行差分得到M-1张差分图像,M-1张差分图像依次上下排列得到差分图像空间。
进一步的,在每张差分图像中检测局部极值点,为了确保检测出来的关键点既是该差分图像中又是差分图像空间中的极值点,对除了第一张差分图像和第M-1张差分图像之外,其他每张差分图像中的每个像素点的相邻像素点进行结合分析:
对当前差分图像中的任意像素点,选取其八邻域像素点以及差分图像空间中上下相邻的18个像素点,即该像素点在上一张和下一张差分图像中的对应像素点,以及对应像素点的八邻域像素点,从而得到当前差分图像中的当前像素点的26个相邻像素点;
当当前差分图像中的当前像素点的灰度值在其对应的26个相邻像素点中是最大灰度值或者最小灰度值时,当前差分图像中的当前像素点为关键点,以此类推,对每张差分图像中的每个像素点进行分析得到其中的关键点。
最后,将除了第一张差分图像和第M-1张差分图像之外的所有差分图像中的关键点进行投影,投影至第一张差分图像中,得到所有差分图像中的关键点的并集,将第一张差分图像中投影得到的所有关键点构成关键点集合。
步骤S400,获取关键点集合中每个关键点的极值程度,以及关键点集合中与当前关键点的最小距离的关键点,根据最小距离得到当前关键点的连续程度,根据极值程度、连续程度以及比例系数得到每个关键点的权重;对所有关键点对应的权重进行归一化得到每个关键点的权重系数。
在步骤S300的差分图像空间中获取每个关键点时,考虑到每个关键点在局部区域中的极值程度不同,具体的极值程度取决于与其接近的周围像素点之间的差异,因此对于某个关键点,获取其在对应的差分图像中灰度值记为,在关键点对应的26个相邻像素点中找到与灰度值相差最小的关键点对应的灰度值记为,通过相差最小的关键点的灰度值与关键点的灰度值之间的差值得到关键点的极值程度,即极值程度为:
检测到的极值点是极大值或者极小值,为了衡量它的突出程度,计算关键点所对应的灰度值与次极值点所对应的灰度值的差距,即两者灰度差值的绝对值,每个关键点对应的极值程度越大,则关键点在局部区域中的极大或者极小的程度越大。
进一步的,在确定布匹油渍缺陷边缘的场景下,优质关键点不仅需要满足自身应该具有的强不变性,而且得保证有助于后续缺陷区域轮廓的获取,所以要进一步讨论关键点的连续程度;对于关键点,其连续程度取决于在关键点集合中与该关键点最小距离的关键点,即选取关键点集合中与该关键点的最小欧式距离,基于最小欧式距离得到关键点的连续程度,即连续程度为:
在得到每个关键点的极值程度和连续程度之后,结合步骤S200中得到的每个关键点的比例系数进行结合分析,由于关键点可能并不是增强图像中对应的边缘像素点的位置,因此对于非边缘像素点的关键点而言,其对应的比例系数记为0,则根据每个关键点的比例系数、连续程度以及极值程度得到每个关键点的权重,以关键点为例,其对应的权重为:
当该关键点在两次检测中都被标记为边缘像素点,则,当该关键点只在增强图像的检测中被标记为边缘像素点,则;当该关键点只在灰度图像的检测中被标记为边缘像素点,则;根据关键点的实际情况对权重进行不同程度的扩大,权重越大,则代表这个关键点越有助于对油渍轮廓的获取。
以此类推,对所有关键点对应的权重进行归一化得到取值范围为0-1的权重系数,该权重系数即表示了关键点为油污边界的概率值,权重系数越大,则该点越可能为油污边界的像素点。
步骤S500,将权重系数大于预设阈值的关键点进行保留,以得到保留下的二次关键点集合;基于二次关键点集合得到油渍边界,以得到素色布匹上的油渍缺陷区域。
由步骤S400中得到每个关键点的权重系数,设置预设阈值,当关键点对应的权重系数大于该预设阈值时,则该关键点为油渍缺陷的边界的像素点;作为优选,本发明实施例中设置预设阈值为0.7,对大于0.7的权重系数的关键点进行保留得到二次关键点集合。
进而需要完成平面曲线的拟合;首先,基于二次关键点集合,可以基本表达曲线的结构,进一步拟合相邻关键点的曲线段,将曲线段看作圆的部分弧线,通过最小二乘法的封闭形式,用圆的弧线拟合相邻关键点的曲线,得到油渍边界。
根据油渍边界标记围成的连通域得到具体的油渍缺陷区域,还可以对油渍缺陷连通域计算相关参数,包括面积、质心坐标以及圆形度等,根据油渍缺陷区域占增强图像中的比例可得到素色布匹的油渍污损程度,对于油渍污损程度较大的素色布匹,需要及时舍去,以防进一步深加工造成的损失;污损程度较小时则可以进行相应的去污处理后继续深加工。
综上所述,本发明实施例中通过获取素色布匹的表面图像,对表面图像进行预处理得到对应的灰度图像,对灰度图像进行线性增强得到增强图像;分别对灰度图像与增强图像进行Canny边缘检测得到对应的边缘图像,根据灰度图像对应的边缘图像和增强图像对应的边缘图像中每个边缘像素点进行比例系数的设置,得到每个边缘像素点对应的比例系数;构建M个不同大小的高斯卷积核对增强图像进行卷积运算得到多张卷积图像,M为正整数;对相邻两张卷积图像进行差分得到M-1个差分图像,根据M-1个差分图像得到关键点集合;获取关键点集合中每个关键点的极值程度,以及关键点集合中与当前关键点的最小距离的关键点,根据最小距离得到当前关键点的连续程度,根据极值程度、连续程度以及比例系数得到每个关键点的权重;对所有关键点对应的权重进行归一化得到每个关键点的权重系数;将权重系数大于预设阈值的关键点进行保留,以得到保留下的二次关键点集合;基于二次关键点集合得到油渍边界,以得到素色布匹上的油渍缺陷区域,提高了关键点检测的准确率,进而根据更加准确的关键点集合得到准确的油渍缺陷区域。
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。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)
1.一种素色布匹油渍缺陷检测方法,其特征在于,该方法包括以下步骤:
获取素色布匹的表面图像,对所述表面图像进行预处理得到对应的灰度图像,对所述灰度图像进行线性增强得到增强图像;
分别对所述灰度图像与所述增强图像进行Canny边缘检测得到对应的边缘图像,根据所述灰度图像对应的边缘图像和所述增强图像对应的边缘图像中每个边缘像素点进行比例系数的设置,得到每个边缘像素点对应的比例系数;
构建M个不同大小的高斯卷积核对所述增强图像进行卷积运算得到多张卷积图像,M为正整数;对相邻两张卷积图像进行差分得到M-1张差分图像,根据M-1张差分图像得到关键点集合;
获取所述关键点集合中每个关键点的极值程度,以及所述关键点集合中与当前关键点的最小距离的关键点,根据所述最小距离得到当前关键点的连续程度,根据所述极值程度、所述连续程度以及所述比例系数得到每个关键点的权重;对所有关键点对应的权重进行归一化得到每个关键点的权重系数;
将所述权重系数大于预设阈值的关键点进行保留,以得到保留下的二次关键点集合;基于所述二次关键点集合得到油渍边界,以得到素色布匹上的油渍缺陷区域。
2.根据权利要求1所述的一种素色布匹油渍缺陷检测方法,其特征在于,所述每个边缘像素点对应的比例系数的获取方法为:
对于任意一个边缘像素点:
当所述边缘像素点在灰度图像对应的边缘图像以及增强图像对应的边缘图像中均存在时,所述边缘像素点的比例系数为2;
当所述边缘像素点在灰度图像对应的边缘图像中存在,但在增强图像对应的边缘图像中不存在时,所述边缘像素点的比例系数为1;
当所述边缘像素点在灰度图像对应的边缘图像中不存在,但在增强图像对应的边缘图像中存在时,所述边缘像素点的比例系数为1.5。
3.根据权利要求1所述的一种素色布匹油渍缺陷检测方法,其特征在于,所述根据M-1个差分图像得到关键点集合的步骤,包括:
将M-1张差分图像依次上下排列构成差分图像空间,对除了第一张差分图像和第M-1张差分图像之外的任意一张差分图像,以所述差分图像中任意像素点为目标点,选取所述目标点八邻域像素点、所述目标点所在差分图像在差分图像空间中相邻两张差分图像中的对应点以及相邻两个对应点的八邻域像素点,共26个像素点为所述目标点的相邻像素点;
当所述目标点的灰度值在其对应的所有相邻像素点的灰度值中是最大值或者最小值时,所述目标点为关键点;
将除了第一张差分图像和第M-1张差分图像之外的所有差分图像中的关键点投影至第一张差分图像中,得到关键点集合。
4.根据权利要求3所述的一种素色布匹油渍缺陷检测方法,其特征在于,所述获取所述关键点集合中每个关键点的极值程度的步骤,包括:
选取每个关键点对应的26个相邻像素点中与对应关键点的灰度值相差最小的相邻像素点,灰度值相差最小的相邻像素点与对应关键点的灰度值的差值绝对值为对应关键点的极值程度。
5.根据权利要求1所述的一种素色布匹油渍缺陷检测方法,其特征在于,所述根据所述最小距离得到当前关键点的连续程度的步骤,包括:
获取所述最小距离的倒数,所述倒数为当前关键点的连续程度。
6.根据权利要求1所述的一种素色布匹油渍缺陷检测方法,其特征在于,所述根据所述极值程度、所述连续程度以及所述比例系数得到每个关键点的权重的步骤,包括:
计算所述极值程度、所述连续程度以及所述比例系数的乘积为关键点的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211244740.0A CN115311289A (zh) | 2022-10-12 | 2022-10-12 | 一种素色布匹油渍缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211244740.0A CN115311289A (zh) | 2022-10-12 | 2022-10-12 | 一种素色布匹油渍缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311289A true CN115311289A (zh) | 2022-11-08 |
Family
ID=83868050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211244740.0A Pending CN115311289A (zh) | 2022-10-12 | 2022-10-12 | 一种素色布匹油渍缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311289A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115588010A (zh) * | 2022-12-09 | 2023-01-10 | 滨州华然化纤绳网有限公司 | 一种用于无纺布的表面缺陷检测方法 |
CN116758081A (zh) * | 2023-08-18 | 2023-09-15 | 安徽乾劲企业管理有限公司 | 一种无人机道路桥梁巡检图像处理方法 |
CN117576105A (zh) * | 2024-01-17 | 2024-02-20 | 高科建材(咸阳)管道科技有限公司 | 基于人工智能的管道生产控制方法及系统 |
CN118014998A (zh) * | 2024-04-09 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
CN114627111A (zh) * | 2022-05-12 | 2022-06-14 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
-
2022
- 2022-10-12 CN CN202211244740.0A patent/CN115311289A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
CN114627111A (zh) * | 2022-05-12 | 2022-06-14 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115588010A (zh) * | 2022-12-09 | 2023-01-10 | 滨州华然化纤绳网有限公司 | 一种用于无纺布的表面缺陷检测方法 |
CN115588010B (zh) * | 2022-12-09 | 2023-06-02 | 滨州华然化纤绳网有限公司 | 一种用于无纺布的表面缺陷检测方法 |
CN116758081A (zh) * | 2023-08-18 | 2023-09-15 | 安徽乾劲企业管理有限公司 | 一种无人机道路桥梁巡检图像处理方法 |
CN116758081B (zh) * | 2023-08-18 | 2023-11-17 | 安徽乾劲企业管理有限公司 | 一种无人机道路桥梁巡检图像处理方法 |
CN117576105A (zh) * | 2024-01-17 | 2024-02-20 | 高科建材(咸阳)管道科技有限公司 | 基于人工智能的管道生产控制方法及系统 |
CN117576105B (zh) * | 2024-01-17 | 2024-03-29 | 高科建材(咸阳)管道科技有限公司 | 基于人工智能的管道生产控制方法及系统 |
CN118014998A (zh) * | 2024-04-09 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及系统 |
CN118014998B (zh) * | 2024-04-09 | 2024-06-11 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的床单布匹检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
CN114529549B (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 |
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 |