CN115311303A - 一种纺织品经纬缺陷检测方法 - Google Patents
一种纺织品经纬缺陷检测方法 Download PDFInfo
- Publication number
- CN115311303A CN115311303A CN202211248892.8A CN202211248892A CN115311303A CN 115311303 A CN115311303 A CN 115311303A CN 202211248892 A CN202211248892 A CN 202211248892A CN 115311303 A CN115311303 A CN 115311303A
- Authority
- CN
- China
- Prior art keywords
- gray level
- gray
- textile
- row
- image
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 59
- 230000007547 defect Effects 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 238000009826 distribution Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive 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
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种纺织品经纬缺陷检测方法,该方法采集纺织品图像得到对应的纺织品灰度图;获取纺织品灰度图的灰度直方图,对灰度直方图进行灰度级划分,得到多个灰度级;获取每个灰度级的灰度级图像;根据灰度级图像中灰度值非零的像素点的坐标分别获取每行的异常程度和每列的异常程度,由异常程度分别计算每个像素点的异常值;根据异常值计算每个灰度级图像对应灰度级的拉伸系数;利用拉伸系数对灰度直方图进行自适应均衡化,得到增强纺织品图像;对增强纺织品图像进行缺陷检测,得到缺陷区域。本发明提高了纺织品经纬缺陷检测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种纺织品经纬缺陷检测方法。
背景技术
在纺织品生产过程中,由于设定条件不当、设备故障、人员疏忽等均会产生各种缺陷,其中,断经、断维、跳经、跳维等缺陷由于缺陷处与正常颜色相近,不易检测,而这些缺陷由于已经对产品外观造成影响,均被客户所不能接受。
现有技术先对图像进行增强后再检测缺陷时,由于图像增强算法对变换系数的选取要求过高,变换系数过大,会导致图像部分信息丢失,变化系数过小,达不到增强的效果。
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纺织品经纬缺陷检测方法,所采用的技术方案具体如下:
采集纺织品图像得到对应的纺织品灰度图;
获取纺织品灰度图的灰度直方图,对灰度直方图进行灰度级划分,得到多个灰度级;将纺织品灰度图中当前灰度级对应的像素点的灰度值为1,其他像素点的灰度值为0,得到当前灰度级对应的灰度级图像;获取所有灰度级的灰度级图像;
对于当前灰度级图像,将每行中灰度值非零的像素点的纵坐标组成一个序列,并统计每行中灰度值非零的像素点的数量,得到数量均值,将每行对应的数量与数量均值的差值绝对值作为对应行的分布异常程度;计算序列中任意两个元素的差值,得到差值序列,获取差值序列的方差,基于方差得到对应行的位置异常程度;对每行的分布异常程度和位置异常程度进行加权求和得到对应行的异常程度;
获取当前灰度级图像中每列的异常程度,根据当前灰度级图像中每行的异常程度和每列的异常程度分别计算每个像素点的异常值;统计每种异常值对应的像素点数量,获取每种异常值与对应像素点数量的乘积,对乘积进行累加得到当前灰度级图像对应灰度级的拉伸系数;
获取每个灰度级的拉伸系数,根据拉伸系数对灰度直方图进行自适应均衡化,得到增强纺织品图像;对增强纺织品图像进行缺陷检测,得到缺陷区域。
进一步的,所述位置异常程度的计算公式为:
进一步的,所述异常值的获取方法,包括:
进一步的,所述每列的异常程度的获取方法,包括:
将每列中灰度值非零的像素点的横坐标组成一个序列,并统计每列中灰度值非零的像素点的数量,得到数量均值,将每列对应的数量与数量均值的差值绝对值作为对应列的分布异常程度;计算序列中任意两个元素的差值,得到差值序列,获取差值序列的方差,基于方差得到对应列的位置异常程度;对每列的分布异常程度和位置异常程度进行加权求和得到对应列的异常程度。
本发明实施例至少具有如下有益效果:本发明通过分析不同灰度级像素点的位置信息及像素点的领域关系得到合适的直方图拉伸系数,根据得到的拉伸系数对图像进行增强,进而对纺织品进行缺陷检测。得到了自适应的增强系数,改善了传统图像增强算法对增强系数的依赖性。
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提供的一种纺织品经纬缺陷检测方法的步骤流程图。
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纺织品经纬缺陷检测方法,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。
本方法所针对的具体场景为:在纺织物生产线上放置摄像头,对采集得到的图像进行预处理,对图像进行自适应增强,进而对增强后的图像进行缺陷检测。
下面结合附图具体的说明本发明所提供的一种纺织品经纬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纺织品经纬缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集纺织品图像得到对应的纺织品灰度图。
具体的,本发明需要使用图像处理技术对纺织品图像进行缺陷检测,首先需在纺织品生产线上方放置图像采集装置,采集时避免光照、噪声等因素的影响,采集生产过程中的纺织品图像,对得到的纺织品图像进行加权灰度化处理,得到纺织品灰度图。
步骤S002,获取纺织品灰度图的灰度直方图,对灰度直方图进行灰度级划分,得到多个灰度级;将纺织品灰度图中当前灰度级对应的像素点的灰度值为1,其他像素点的灰度值为0,得到当前灰度级对应的灰度级图像;获取所有灰度级的灰度级图像。
具体的,获取纺织品灰度图对应的灰度直方图。本方案为了对图像实现区域性增强,而由于缺陷区域和缺陷周围背景区域的差别较小,此时与其他区域一起计算,增强效果被弱化,为了对缺陷区域进行增强,需要进行局部性增强,实现缺陷和缺陷周边区域的反差的增大。
通过灰度分级的方法,将缺陷和缺陷周边像素点划分为同一个灰度级。本方案使用OTSU多阈值分割的方法进行灰度级划分,OTSU多阈值分割为现有技术,此处不做过多阐述。将计算得到的阈值设定为灰度分级依据,记得到的分割阈值为,其中J表示阈值个数。将灰度直方图中所有灰度值划分为多个灰度级:(0,),(,),(,),……(,255),记灰度值为(0,)的所有像素点为0灰度级,以此类推,得到所有的灰度级。
当纺织品未出现缺陷时,纺织品中正常区域灰度级分布较为离散且在图中均匀分布;而出现经纬缺陷时,经纬缺陷处灰度级分布较集中且具有方向特征。由于对于每一灰度级拉伸必要性及拉伸系数不同,需分析该灰度级的分情况及位置信息,进而根据灰度级的分布情况及位置信息得到拉伸系数。
标记上述得到的灰度级为0级的像素点为1,其他像素点为0,得到二值掩膜,将此二值掩膜与原图像相乘,得到0灰度级的灰度级图像,同理,将纺织品灰度图中每个灰度级对应的像素点的灰度值为1,其他像素点的灰度值为0,得到对应灰度级对应的灰度级图像,进而得到所有灰度级的灰度级图像。
步骤S003,对于当前灰度级图像,将每行中灰度值非零的像素点的纵坐标组成一个序列,并统计每行中灰度值非零的像素点的数量,得到数量均值,将每行对应的数量与数量均值的差值绝对值作为对应行的分布异常程度;计算序列中任意两个元素的差值,得到差值序列,获取差值序列的方差,基于方差得到对应行的位置异常程度;对每行的分布异常程度和位置异常程度进行加权求和得到对应行的异常程度。
具体的,由于对于正常的纺织品图像而言,经纬线排列整齐呈周期性。体现在灰度级图像中即每一灰度级图像中的像素点在图中离散且均匀分布。而当出现经纬缺陷时,经纬缺陷区域所在灰度级在图中分布较集中且分布沿布匹纹理方向。
以一个灰度级图像为例进行如下分析:
由于对于经纬缺陷而言,其具有分布特征及方向特征,即缺陷沿布匹本身纹理方向,体现在灰度级图像中即行、列出现的像素点集中情况且缺陷处像素点分布密集;对于正常布匹而言,由于经纬线交织,体现在灰度级图像中,每一行、列像素点分布规律,像素点在图中均匀且离散分布,因此,提取灰度级图像中每行中灰度值非0的像素点的纵坐标值,组成一个序列A。
对于正常纺织品而言,由于像素点离散且均匀分布,每一行、列中像素点个数差异不大,而对于缺陷处,由于像素点分布集中图中其他区域分布无规律,可通过分析行列像素点个数进而得到分布异常程度:统计每行中灰度值非零的像素点的数量,得到数量均值,将每行对应的数量与数量均值的差值绝对值作为对应行的分布异常程度。
其中,分布异常程度的计算公式为:
基于异常程度的获取方法,得到灰度级图像中每行的异常程度。
步骤S004,获取当前灰度级图像中每列的异常程度,根据当前灰度级图像中每行的异常程度和每列的异常程度分别计算每个像素点的异常值;统计每种异常值对应的像素点数量,获取每种异常值与对应像素点数量的乘积,对乘积进行累加得到当前灰度级图像对应灰度级的拉伸系数。
利用异常值的获取方法,得到灰度级图像中每一个像素点的异常值。
对于灰度级图像对应的灰度级而言,根据灰度级图像中每一个像素点的异常值计算该灰度级对应的拉伸系数为:统计每种异常值对应的像素点数量,获取每种异常值与对应像素点数量的乘积,对乘积进行累加得到当前灰度级图像对应灰度级的拉伸系数。
当该灰度级的异常程度越高说明该灰度级增强必要性越高,即拉伸系数越高。反之,说明拉伸系数越低。
步骤S005,获取每个灰度级的拉伸系数,根据拉伸系数对灰度直方图进行自适应均衡化,得到增强纺织品图像;对增强纺织品图像进行缺陷检测,得到缺陷区域。
具体的,利用步骤S003和步骤S004的方法,获取每个灰度级的拉伸系数。对于每一灰度级而言,异常程度不同所对应的拉伸系数也不同。原始的灰度直方图均衡化操作是对于每一灰度级进行相同拉伸,本方案在进行直方图均衡化操作中对于每一灰度级乘以对应的拉伸系数,实现灰度直方图的自适应均衡化,进而得到自适应增强后的增强纺织品图像。
由于在上述操作中已经对纺织品图像进行自适应增强,增大了可能缺陷区域与正常区域的对比度,使得缺陷区域与正常区域的差异增强,降低了直接对纺织品图像进行缺陷检测时产生的误差,因此对增强纺织品图像使用边缘检测算法进行缺陷检测,获取缺陷区域。
综上所述,本发明实施例采集纺织品图像得到对应的纺织品灰度图;获取纺织品灰度图的灰度直方图,对灰度直方图进行灰度级划分,得到多个灰度级;获取每个灰度级的灰度级图像;根据灰度级图像中灰度值非零的像素点的坐标分别获取每行的异常程度和每列的异常程度,由异常程度分别计算每个像素点的异常值;根据异常值计算每个灰度级图像对应灰度级的拉伸系数;利用拉伸系数对灰度直方图进行自适应均衡化,得到增强纺织品图像;对增强纺织品图像进行缺陷检测,得到缺陷区域。本发明提高了纺织品经纬缺陷检测的准确性。
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。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 (4)
1.一种纺织品经纬缺陷检测方法,其特征在于,该方法包括以下步骤:
采集纺织品图像得到对应的纺织品灰度图;
获取纺织品灰度图的灰度直方图,对灰度直方图进行灰度级划分,得到多个灰度级;将纺织品灰度图中当前灰度级对应的像素点的灰度值为1,其他像素点的灰度值为0,得到当前灰度级对应的灰度级图像;获取所有灰度级的灰度级图像;
对于当前灰度级图像,将每行中灰度值非零的像素点的纵坐标组成一个序列,并统计每行中灰度值非零的像素点的数量,得到数量均值,将每行对应的数量与数量均值的差值绝对值作为对应行的分布异常程度;计算序列中任意两个元素的差值,得到差值序列,获取差值序列的方差,基于方差得到对应行的位置异常程度;对每行的分布异常程度和位置异常程度进行加权求和得到对应行的异常程度;
获取当前灰度级图像中每列的异常程度,根据当前灰度级图像中每行的异常程度和每列的异常程度分别计算每个像素点的异常值;统计每种异常值对应的像素点数量,获取每种异常值与对应像素点数量的乘积,对乘积进行累加得到当前灰度级图像对应灰度级的拉伸系数;
获取每个灰度级的拉伸系数,根据拉伸系数对灰度直方图进行自适应均衡化,得到增强纺织品图像;对增强纺织品图像进行缺陷检测,得到缺陷区域。
4.如权利要求1所述的一种纺织品经纬缺陷检测方法,其特征在于,所述每列的异常程度的获取方法,包括:
将每列中灰度值非零的像素点的横坐标组成一个序列,并统计每列中灰度值非零的像素点的数量,得到数量均值,将每列对应的数量与数量均值的差值绝对值作为对应列的分布异常程度;计算序列中任意两个元素的差值,得到差值序列,获取差值序列的方差,基于方差得到对应列的位置异常程度;对每列的分布异常程度和位置异常程度进行加权求和得到对应列的异常程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248892.8A CN115311303B (zh) | 2022-10-12 | 2022-10-12 | 一种纺织品经纬缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248892.8A CN115311303B (zh) | 2022-10-12 | 2022-10-12 | 一种纺织品经纬缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311303A true CN115311303A (zh) | 2022-11-08 |
CN115311303B CN115311303B (zh) | 2023-04-14 |
Family
ID=83868066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248892.8A Active CN115311303B (zh) | 2022-10-12 | 2022-10-12 | 一种纺织品经纬缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311303B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152133A (zh) * | 2023-04-20 | 2023-05-23 | 山东超越纺织有限公司 | 基于人工智能的混纺缺陷检测方法 |
CN116363129A (zh) * | 2023-05-31 | 2023-06-30 | 山东辰欣佛都药业股份有限公司 | 一种滴眼剂生产用智能灯检系统 |
CN116486116A (zh) * | 2023-06-16 | 2023-07-25 | 济宁大爱服装有限公司 | 一种基于机器视觉的服装加工用吊挂机异常检测方法 |
CN116577351A (zh) * | 2023-07-14 | 2023-08-11 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
CN116805312A (zh) * | 2023-08-21 | 2023-09-26 | 青岛时佳汇服装有限公司 | 一种基于图像处理的针织式面料质量检测方法 |
CN116843688A (zh) * | 2023-09-01 | 2023-10-03 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
CN116862917A (zh) * | 2023-09-05 | 2023-10-10 | 微山县振龙纺织品有限公司 | 一种纺织品表面质量检测方法及系统 |
CN118096728A (zh) * | 2024-04-18 | 2024-05-28 | 中机凯博表面技术江苏有限公司 | 基于机器视觉的零部件喷涂质量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114897894A (zh) * | 2022-07-11 | 2022-08-12 | 海门市芳华纺织有限公司 | 一种筒纱菊花芯缺陷检测方法 |
-
2022
- 2022-10-12 CN CN202211248892.8A patent/CN115311303B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114897894A (zh) * | 2022-07-11 | 2022-08-12 | 海门市芳华纺织有限公司 | 一种筒纱菊花芯缺陷检测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152133A (zh) * | 2023-04-20 | 2023-05-23 | 山东超越纺织有限公司 | 基于人工智能的混纺缺陷检测方法 |
CN116363129A (zh) * | 2023-05-31 | 2023-06-30 | 山东辰欣佛都药业股份有限公司 | 一种滴眼剂生产用智能灯检系统 |
CN116363129B (zh) * | 2023-05-31 | 2023-08-22 | 山东辰欣佛都药业股份有限公司 | 一种滴眼剂生产用智能灯检系统 |
CN116486116B (zh) * | 2023-06-16 | 2023-08-29 | 济宁大爱服装有限公司 | 一种基于机器视觉的服装加工用吊挂机异常检测方法 |
CN116486116A (zh) * | 2023-06-16 | 2023-07-25 | 济宁大爱服装有限公司 | 一种基于机器视觉的服装加工用吊挂机异常检测方法 |
CN116577351B (zh) * | 2023-07-14 | 2023-09-19 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
CN116577351A (zh) * | 2023-07-14 | 2023-08-11 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
CN116805312A (zh) * | 2023-08-21 | 2023-09-26 | 青岛时佳汇服装有限公司 | 一种基于图像处理的针织式面料质量检测方法 |
CN116805312B (zh) * | 2023-08-21 | 2024-01-05 | 青岛时佳汇服装有限公司 | 一种基于图像处理的针织式面料质量检测方法 |
CN116843688A (zh) * | 2023-09-01 | 2023-10-03 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
CN116843688B (zh) * | 2023-09-01 | 2023-11-24 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
CN116862917A (zh) * | 2023-09-05 | 2023-10-10 | 微山县振龙纺织品有限公司 | 一种纺织品表面质量检测方法及系统 |
CN116862917B (zh) * | 2023-09-05 | 2023-11-24 | 微山县振龙纺织品有限公司 | 一种纺织品表面质量检测方法及系统 |
CN118096728A (zh) * | 2024-04-18 | 2024-05-28 | 中机凯博表面技术江苏有限公司 | 基于机器视觉的零部件喷涂质量检测方法 |
CN118096728B (zh) * | 2024-04-18 | 2024-06-25 | 中机凯博表面技术江苏有限公司 | 基于机器视觉的零部件喷涂质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115311303B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311303B (zh) | 一种纺织品经纬缺陷检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及系统 | |
CN108956614B (zh) | 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置 | |
CN115115615B (zh) | 一种基于图像识别的纺织面料质量评估方法及系统 | |
CN109584221A (zh) | 一种基于监督式生成对抗网络的异常图像检测方法 | |
CN114663435B (zh) | 一种纺织布料张力异常自动监测方法 | |
CN111861996B (zh) | 一种印花织物疵点检测方法 | |
CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN115082458B (zh) | 一种基于灰度游程矩阵的纺织材料疵点分析方法 | |
CN117173187B (zh) | 一种阀门故障智能检测系统 | |
CN115311298B (zh) | 一种纺织品质量检测方法 | |
CN116342583B (zh) | 一种用于纺纱生产加工的抗起球性能检测方法 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN116630309A (zh) | 一种布匹断纬瑕疵检测方法 | |
CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
CN114842005B (zh) | 一种基于半监督网络的纺织物表面疵点检测方法及系统 | |
CN115294097A (zh) | 基于机器视觉的纺织品表面疵点检测方法 | |
CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
CN114972173A (zh) | 缺陷检测方法和缺陷检测装置及系统 | |
CN116805312A (zh) | 一种基于图像处理的针织式面料质量检测方法 | |
CN115829984A (zh) | 一种棉织品丝光处理缺陷识别方法 | |
Zhou et al. | Fabric defect detection using a hybrid and complementary fractal feature vector and FCM-based novelty detector |
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 |