CN115471473B - 一种家具板材瑕疵检测系统及方法 - Google Patents
一种家具板材瑕疵检测系统及方法 Download PDFInfo
- Publication number
- CN115471473B CN115471473B CN202211123112.7A CN202211123112A CN115471473B CN 115471473 B CN115471473 B CN 115471473B CN 202211123112 A CN202211123112 A CN 202211123112A CN 115471473 B CN115471473 B CN 115471473B
- Authority
- CN
- China
- Prior art keywords
- image
- furniture
- layer
- video frame
- processing
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000002708 enhancing effect Effects 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims 2
- 238000003908 quality control method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种家具板材瑕疵检测系统及方法,所述系统包括:家具表面信息获取模块,利用摄像装置获得多个角度的家具视频或图像;图像处理模块,对获取的视频或图像进行加工处理,得到处理后的视频帧或图像;检测识别模块,将处理后的视频帧或图像输入经过训练的检测识别模型,得到瑕疵类型。本发明具有极高的检测精度,特别对于含有点状、块状或条纹状纹理的板材,不容易出现误判,有利于对家具产品进行质量把控,提高客户满意度。
Description
技术领域
本发明涉及家具及机器视觉综合技术领域,具体涉及一种家具板材瑕疵检测系统及方法、设备及计算机可读存储介质。
背景技术
对于家具板材而言,生产过程中或搬运过程中都可能出现板材损伤,导致出现有问题瑕疵的家具产品。例如出现点状、块状瑕疵,或者出现狭长的现状瑕疵,如果仅依靠人工进行检测,工作量很大,而且在疲劳状态下难以发现瑕疵问题,人工寻找板材瑕疵的方法可靠性较差,工作时间受限。
现有技术中虽然也有一些自动化检测方法及系统,但现有技术的识别检测技术识别精度较低,对于较为复杂的家具产品细微缺陷的检测识别能力不足,特别是现在的家具表面,很多用户在选材时不再使用单一色调的板材,而是选用含有纹理的板材,而这些纹理很容易被误判为瑕疵产品,影响家具产品的质量控制。
发明内容
为解决上述问题,本发明的目的是提供一种家具板材瑕疵检测系统及方法,能够利用机器视觉准确检测出出现问题的家具板材瑕疵,具有极高的检测精度。
本申请提出一种家具板材瑕疵检测系统,所述系统包括:
家具表面信息获取模块,利用摄像装置获得多个角度的家具视频或图像;
图像处理模块,对获取的视频或图像进行加工处理,得到处理后的视频帧或图像;
检测识别模块,将处理后的视频帧或图像输入经过训练的检测识别模型,得到瑕疵类型。
可选的,所述摄像装置为一个或多个,所述摄像装置的视角覆盖范围至少包括家具的2个面或3个面,所述2个面指正面以及一侧面,所述3个面指正面以及两个侧面。
可选的,所述加工处理包括以下步骤:步骤1.灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;
步骤2.分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像;
步骤3.增强处理。
可选的,所述加工处理包括增强处理,通过调整Gamma曲线获得增强后的视频帧或图像。
可选的,所述加工处理包括:步骤1),利用增强因子对原始的视频帧或图像进行增强;步骤2),灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;步骤3),分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像。
相应的,本申请还提出了一种家具板材瑕疵检测方法,所述方法包括:
利用摄像装置获得多个角度的家具视频或图像;
对获取的视频或图像进行加工处理,得到处理后的视频帧或图像;
将处理后的视频帧或图像输入经过训练的检测识别模型,得到瑕疵类型。
可选的,所述摄像装置为一个或多个,所述摄像装置的视角覆盖范围至少包括家具的2个面或3个面,所述2个面指正面以及一侧面,所述3个面指正面以及两个侧面。
可选的,所述加工处理包括以下步骤:步骤1.灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;
步骤2.分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像;
步骤3.增强处理。
可选的,所述加工处理包括增强处理,通过调整Gamma曲线获得增强后的视频帧或图像。
可选的,所述加工处理包括:步骤1),利用增强因子对原始的视频帧或图像进行增强;步骤2),灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;步骤3),分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像。
附图说明
图1为本发明的系统结构逻辑图。
具体实施方式
为解决上述问题,本发明的目的是提供一种家具板材瑕疵检测系统及方法,能够利用机器视觉准确检测出出现问题的家具板材瑕疵,具有极高的检测精度。
本申请提出一种家具板材瑕疵检测系统,所述系统包括:
家具表面信息获取模块,利用摄像装置获得多个角度的家具视频或图像;
图像处理模块,对获取的视频或图像进行加工处理,得到处理后的视频帧或图像;
检测识别模块,将处理后的视频帧或图像输入经过训练的检测识别模型,得到瑕疵类型。
可选的,所述摄像装置为一个或多个,所述摄像装置的视角覆盖范围至少包括家具的2个面或3个面,所述2个面指正面以及一侧面,所述3个面指正面以及两个侧面。
可选的,所述加工处理包括以下步骤:步骤1.灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;
步骤2.分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像;
步骤3.增强处理。
可选的,所述加工处理包括增强处理,通过调整Gamma曲线获得增强后的视频帧或图像。
可选的,所述加工处理包括:步骤1),利用增强因子对原始的视频帧或图像进行增强;步骤2),灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;步骤3),分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像。
所述利用增强因子对原始的视频帧或图像进行增强,具体为:将原始的视频帧或图像转换到HLS空间,先对L分量进行增强,得到LE(x,y);再对H、S分量进行增强;将增强后的HLS色彩空间图像转到RGB色彩空间图像,获得增强图像LRGB;
所述LE(x,y)计算方法如下:
所述对H、S分量增强的方法如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择或3*3;L(x,y)、H(x,y)、S(x,y)分别是图像中L、H、S分量,LE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Lmax表示D窗口集合内的最大亮度值;Lmin表示D窗口集合内的最小亮度值;Lv表示当前帧平均亮度值;
所述增强因子计算方法如下:
Imax与Imin分别表示当前帧最大亮度值、最小亮度值;所述根据所述增强图像LRGB和所述增强因子,获得增强图像LFINAL的计算方法如下;
LFINAL(x,y)=μLRGB(x,y)
其中,LFINAL(x,y)为输出图像中像素点(x,y)的RGB值。
可选的,所述检测识别模型具体为深度神经网络模型,依次包括输入层、第一卷积层、第一池化层,第二卷积层、第二池化、全卷积层以及最后的输出层;所述输入层用于输入家具样本图像以及待识别的家具图像;卷积层用于进行特征提取;第一卷积层的卷积核为5;第二卷积层的卷积核为3;经过2层卷积以及两次池化操作,将获取的特征向量输入到全连接层,得到最终的输出向量,最后利用分类器例如softmax进行瑕疵分类。
可选的,深度神经网络模型池化层采用激励函数如下:
N表示家具样本数据集的大小,i取值1~N;Qyi表示家具样本xi在其标签yi处的权重,Myi表示家具样本xi在其标签yi处的偏差,Mj表示输出节点j处的偏差;θj,i为家具Xi样样本与其对应分类标签yi的向量夹角。
损失函数为:
N表示家具样本数据集的大小;Wyi表示家具特征向量xi在其标签yi处的权重。
相应的,本申请还提出了一种家具板材瑕疵检测方法,所述方法包括:
利用摄像装置获得多个角度的家具视频或图像;
对获取的视频或图像进行加工处理,得到处理后的视频帧或图像;
将处理后的视频帧或图像输入经过训练的检测识别模型,得到瑕疵类型。
可选的,所述摄像装置为一个或多个,所述摄像装置的视角覆盖范围至少包括家具的2个面或3个面,所述2个面指正面以及一侧面,所述3个面指正面以及两个侧面。
可选的,所述加工处理包括以下步骤:步骤1.灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;
步骤2.分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像;
步骤3.增强处理。
可选的,所述加工处理包括增强处理,通过调整Gamma曲线获得增强后的视频帧或图像。
可选的,所述加工处理包括:步骤1),利用增强因子对原始的视频帧或图像进行增强;步骤2),灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;步骤3),分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像。
所述利用增强因子对原始的视频帧或图像进行增强,具体为:将原始的视频帧或图像转换到HLS空间,先对L分量进行增强,得到LE(x,y);再对H、S分量进行增强;将增强后的HLS色彩空间图像转到RGB色彩空间图像,获得增强图像LRGB;
所述LE(x,y)计算方法如下:
所述对H、S分量增强的方法如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择或3*3;L(x,y)、H(x,y)、S(x,y)分别是图像中L、H、S分量,LE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Lmax表示D窗口集合内的最大亮度值;Lmin表示D窗口集合内的最小亮度值;Lv表示当前帧平均亮度值;
所述增强因子计算方法如下:
Imax与Imin分别表示当前帧最大亮度值、最小亮度值;所述根据所述增强图像LRGB和所述增强因子,获得增强图像LFINAL的计算方法如下;
LFINAL(x,y)=μLRGB(x,y)
其中,LFINAL(x,y)为输出图像中像素点(x,y)的RGB值。
可选的,所述加工处理包括:步骤1),利用增强因子对原始的视频帧或图像进行增强;步骤2),灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;步骤3),分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像。
可选的,所述检测识别模型具体为深度神经网络模型,依次包括输入层、第一卷积层、第一池化层,第二卷积层、第二池化、全卷积层以及最后的输出层;所述输入层用于输入家具样本图像以及待识别的家具图像;卷积层用于进行特征提取;第一卷积层的卷积核为5;第二卷积层的卷积核为3;经过2层卷积以及两次池化操作,将获取的特征向量输入到全连接层,得到最终的输出向量,最后利用分类器例如softmax进行瑕疵分类。
可选的,深度神经网络模型池化层采用激励函数如下:
N表示家具样本数据集的大小,i取值1~N;Qyi表示家具样本xi在其标签yi处的权重,Myi表示家具样本xi在其标签yi处的偏差,Mj表示输出节点j处的偏差;θj,i为家具Xi样样本与其对应分类标签yi的向量夹角。
损失函数为:
N表示家具样本数据集的大小;Wyi表示家具特征向量xi在其标签yi处的权重。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
上述模块或方法步骤在不发生冲突的前提下,均可以进行自行组合,都属于本申请实施例的具体公开方式,限于篇幅,不再一一展开,各种组合方式均属于本发明的公开范围。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
一种包含上述各实施例的计算机可执行指令的存储介质,所述存储介质上存储有能实现上述方法的程序指令。上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (2)
1.一种家具板材瑕疵检测系统,所述系统包括:
家具表面信息获取模块,利用摄像装置获得多个角度的家具视频或图像;
图像处理模块,对获取的视频或图像进行加工处理,得到处理后的视频帧或图像;
检测识别模块,将处理后的视频帧或图像输入经过训练的检测识别模型,得到瑕疵类型;
所述摄像装置为一个或多个,所述摄像装置的视角覆盖范围至少包括家具的2个面或3个面,所述2个面指正面以及一侧面,所述3个面指正面以及两个侧面;
所述加工处理包括:步骤1),利用增强因子对原始的视频帧或图像进行增强;步骤2),灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;步骤3),分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像;
所述利用增强因子对原始的视频帧或图像进行增强,具体为:将原始的视频帧或图像转换到HLS空间,先对L分量进行增强,得到LE(x,y);再对H、S分量进行增强;将增强后的HLS色彩空间图像转到RGB色彩空间图像,获得增强图像LRGB;
所述LE(x,y)计算方法如下:
所述对H、S分量增强的方法如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择或3*3;L(x,y)、H(x,y)、S(x,y)分别是图像中L、H、S分量,LE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Lmax表示D窗口集合内的最大亮度值;Lmin表示D窗口集合内的最小亮度值;Lv表示当前帧平均亮度值;
所述增强因子计算方法如下:
Imax与Imin分别表示当前帧最大亮度值、最小亮度值;根据所述增强图像LRGB和所述增强因子,获得增强图像LFINAL的计算方法如下;
LFINAL(x,y)=μLRGB(x,y)
其中,LFINAL(x,y)为输出图像中像素点(x,y)的RGB值;
所述检测识别模型具体为深度神经网络模型,依次包括输入层、第一卷积层、第一池化层,第二卷积层、第二池化、全卷积层以及最后的输出层;所述输入层用于输入家具样本图像以及待识别的家具图像;卷积层用于进行特征提取;第一卷积层的卷积核为5;第二卷积层的卷积核为3;经过2层卷积以及两次池化操作,将获取的特征向量输入到全连接层,得到最终的输出向量,最后利用softmax分类器进行瑕疵分类;
所述深度神经网络模型池化层采用激励函数如下:
N表示家具样本数据集的大小,i取值1~N;Qyi表示家具样本xi在其标签yi处的权重,Myi表示家具样本xi在其标签yi处的偏差,Mj表示输出节点j处的偏差;θj,i为家具样本xi与其对应分类标签yi的向量夹角;
所述深度神经网络模型的损失函数为:
N表示家具样本数据集的大小;Wyi表示家具特征向量xi在其标签yi处的权重。
2.一种家具板材瑕疵检测方法,所述方法包括:
利用摄像装置获得多个角度的家具视频或图像;
对获取的视频或图像进行加工处理,得到处理后的视频帧或图像;
将处理后的视频帧或图像输入经过训练的检测识别模型,得到瑕疵类型;所述摄像装置为一个或多个,所述摄像装置的视角覆盖范围至少包括家具的2个面或3个面,所述2个面指正面以及一侧面,所述3个面指正面以及两个侧面;
所述加工处理包括:步骤1),利用增强因子对原始的视频帧或图像进行增强;步骤2),灰度化处理,选取满足需求的多幅视频帧或图像进行灰度化处理,在后续神经网络模型处理时尽量减少因颜色差异带来的误差影响;步骤3),分割处理,对灰度化处理后的视频帧或图像进行分割,获取仅包含家具的视频帧或图像;
所述利用增强因子对原始的视频帧或图像进行增强,具体为:将原始的视频帧或图像转换到HLS空间,先对L分量进行增强,得到LE(x,y);再对H、S分量进行增强;将增强后的HLS色彩空间图像转到RGB色彩空间图像,获得增强图像LRGB;
所述LE(x,y)计算方法如下:
所述对H、S分量增强的方法如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择或3*3;L(x,y)、H(x,y)、S(x,y)分别是图像中L、H、S分量,LE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Lmax表示D窗口集合内的最大亮度值;Lmin表示D窗口集合内的最小亮度值;Lv表示当前帧平均亮度值;所述增强因子计算方法如下:
Imax与Imin分别表示当前帧最大亮度值、最小亮度值;根据所述增强图像LRGB和所述增强因子,获得增强图像LFINAL的计算方法如下;
LFINAL(x,y)=μLRGB(x,y)
其中,LFINAL(x,y)为输出图像中像素点(x,y)的RGB值;
所述检测识别模型具体为深度神经网络模型,依次包括输入层、第一卷积层、第一池化层,第二卷积层、第二池化、全卷积层以及最后的输出层;所述输入层用于输入家具样本图像以及待识别的家具图像;卷积层用于进行特征提取;第一卷积层的卷积核为5;第二卷积层的卷积核为3;经过2层卷积以及两次池化操作,将获取的特征向量输入到全连接层,得到最终的输出向量,最后利用softmax分类器进行瑕疵分类;
所述深度神经网络模型池化层采用激励函数如下:
N表示家具样本数据集的大小,i取值1~N;Qyi表示家具样本xi在其标签yi处的权重,Myi表示家具样本xi在其标签yi处的偏差,Mj表示输出节点j处的偏差;θj,i为家具样本xi与其对应分类标签yi的向量夹角;
所述深度神经网络模型的损失函数为:
N表示家具样本数据集的大小;Wyi表示家具特征向量xi在其标签yi处的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123112.7A CN115471473B (zh) | 2022-09-15 | 2022-09-15 | 一种家具板材瑕疵检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123112.7A CN115471473B (zh) | 2022-09-15 | 2022-09-15 | 一种家具板材瑕疵检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471473A CN115471473A (zh) | 2022-12-13 |
CN115471473B true CN115471473B (zh) | 2024-06-07 |
Family
ID=84334068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211123112.7A Active CN115471473B (zh) | 2022-09-15 | 2022-09-15 | 一种家具板材瑕疵检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471473B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110475149A (zh) * | 2019-08-30 | 2019-11-19 | 广州波视信息科技股份有限公司 | 一种超高清视频的处理方法及系统 |
CN110570441A (zh) * | 2019-09-16 | 2019-12-13 | 广州波视信息科技股份有限公司 | 一种超高清低延时视频控制方法及系统 |
CN110612550A (zh) * | 2017-05-05 | 2019-12-24 | 皇家飞利浦有限公司 | 优化经解码的高动态范围图像饱和度 |
CN111127429A (zh) * | 2019-12-24 | 2020-05-08 | 魏志康 | 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法 |
CN111862064A (zh) * | 2020-07-28 | 2020-10-30 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
CN112348085A (zh) * | 2020-11-06 | 2021-02-09 | 广西电网有限责任公司钦州供电局 | 一种电力数据监测系统与方法 |
CN113255467A (zh) * | 2021-04-30 | 2021-08-13 | 广州有酱料网络科技有限公司 | 一种调味品原料销售智慧追溯系统 |
CN114332657A (zh) * | 2022-01-11 | 2022-04-12 | 兰州大学 | 一种调控黄帚橐吾种群密度的方法 |
CN114549418A (zh) * | 2022-01-21 | 2022-05-27 | 杭州未名信科科技有限公司 | 一种缺陷检测方法、装置、电子设备和存储介质 |
CN114743102A (zh) * | 2022-04-11 | 2022-07-12 | 中山大学 | 一种面向家具板材的瑕疵检测方法、系统及装置 |
CN114743421A (zh) * | 2022-04-27 | 2022-07-12 | 广东亚外国际文化产业有限公司 | 一种外语学习智慧教学综合考核系统及方法 |
-
2022
- 2022-09-15 CN CN202211123112.7A patent/CN115471473B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110612550A (zh) * | 2017-05-05 | 2019-12-24 | 皇家飞利浦有限公司 | 优化经解码的高动态范围图像饱和度 |
CN110475149A (zh) * | 2019-08-30 | 2019-11-19 | 广州波视信息科技股份有限公司 | 一种超高清视频的处理方法及系统 |
CN110570441A (zh) * | 2019-09-16 | 2019-12-13 | 广州波视信息科技股份有限公司 | 一种超高清低延时视频控制方法及系统 |
CN111127429A (zh) * | 2019-12-24 | 2020-05-08 | 魏志康 | 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法 |
CN111862064A (zh) * | 2020-07-28 | 2020-10-30 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
CN112348085A (zh) * | 2020-11-06 | 2021-02-09 | 广西电网有限责任公司钦州供电局 | 一种电力数据监测系统与方法 |
CN113255467A (zh) * | 2021-04-30 | 2021-08-13 | 广州有酱料网络科技有限公司 | 一种调味品原料销售智慧追溯系统 |
CN114332657A (zh) * | 2022-01-11 | 2022-04-12 | 兰州大学 | 一种调控黄帚橐吾种群密度的方法 |
CN114549418A (zh) * | 2022-01-21 | 2022-05-27 | 杭州未名信科科技有限公司 | 一种缺陷检测方法、装置、电子设备和存储介质 |
CN114743102A (zh) * | 2022-04-11 | 2022-07-12 | 中山大学 | 一种面向家具板材的瑕疵检测方法、系统及装置 |
CN114743421A (zh) * | 2022-04-27 | 2022-07-12 | 广东亚外国际文化产业有限公司 | 一种外语学习智慧教学综合考核系统及方法 |
Non-Patent Citations (2)
Title |
---|
Features Extraction and Texture Defect Detection of Sawn Wooden Board Images;Ivan Aleksi et al.;《2019 27th Telecommunications Forum 》;20200130;1-4 * |
基于机器视觉的木板实时检测算法;吴佳宁;《中国优秀硕士学位论文全文数据库》;20190815;1-67 * |
Also Published As
Publication number | Publication date |
---|---|
CN115471473A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Defect inspection and extraction of the mobile phone cover glass based on the principal components analysis | |
CN112669344B (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
US8608073B2 (en) | System and method for robust real-time 1D barcode detection | |
US8326000B2 (en) | Apparatus and method for detecting facial image | |
CN111797653A (zh) | 基于高维图像的图像标注方法和装置 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
US20140301608A1 (en) | Chemical structure recognition tool | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN112052730B (zh) | 一种3d动态人像识别监控设备及方法 | |
Huang et al. | Obstacle distance measurement under varying illumination conditions based on monocular vision using a cable inspection robot | |
CN113256570A (zh) | 基于人工智能的视觉信息处理方法、装置、设备及介质 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN115761571A (zh) | 基于视频的目标检索方法、装置、设备以及存储介质 | |
WO2020087434A1 (zh) | 一种人脸图像清晰度评价方法及装置 | |
CN114359161A (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN112836682B (zh) | 视频中对象的识别方法、装置、计算机设备和存储介质 | |
CN112949451B (zh) | 通过模态感知特征学习的跨模态目标跟踪方法及系统 | |
CN115471473B (zh) | 一种家具板材瑕疵检测系统及方法 | |
CN110310341B (zh) | 颜色算法中默认参数的生成方法、装置、设备和存储介质 | |
Abdulhamid et al. | Computer vision based on Raspberry Pi system | |
CN115880365A (zh) | 一种双工位自动螺丝拧装检测方法、系统及装置 | |
Midwinter et al. | Unsupervised defect segmentation with pose priors |
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 |