CN115861290A - 一种肤感木门表面缺陷检测方法 - Google Patents
一种肤感木门表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115861290A CN115861290A CN202211731169.5A CN202211731169A CN115861290A CN 115861290 A CN115861290 A CN 115861290A CN 202211731169 A CN202211731169 A CN 202211731169A CN 115861290 A CN115861290 A CN 115861290A
- Authority
- CN
- China
- Prior art keywords
- clustering
- region
- value
- gray
- pixel points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000007547 defect Effects 0.000 title claims abstract description 34
- 239000002023 wood Substances 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000694 effects Effects 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
- 238000002203 pretreatment Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Abstract
本发明涉及图像处理领域,具体涉及一种肤感木门表面缺陷检测方法,包括将待检测木门表面图像分为多个区域,根据最大信息熵的区域得到最大裂缝灰度值,将最大裂缝灰度值范围内的像素点作为疑似裂缝像素点并进行聚类,根据每个聚类区域与相邻区域中像素点的位置差异得到像素点的相对分布规律性,根据像素点的灰度均值和所有聚类区域像素点的灰度均值的差异得到灰度分布特征值,根据每个聚类区域与相邻聚类区域像素点个数差异得到像素点数量特征值,利用像素点的相对分布规律性、灰度分布特征值、像素点数量特征值得到每个聚类区域为裂缝区域的可能性,利用可能性对待检测木门中的裂缝缺陷进行检测,方法智能、精准。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种肤感木门表面缺陷检测方法。
背景技术
肤感木门是目前市场上较为流行的一种木门,以天然木材为原材料,然后采用特殊工艺制作出来的木材,其具有光泽度好、抗污性强、不易刮划、环保等特点。
由于制作肤感木门的原材料在生长的过程中往往因为环境因素的影响会导致原材料中具有一定的裂缝缺陷,这些裂缝对于肤感木门而言,会影响产品质量、降低了产品的使用寿命,因此需要对肤感木门表面的裂缝缺陷进行检测。
现有的肤感木门中裂缝缺陷的检测方式为,利用Canny边缘检测算法进行检测,但是因为原木的纹理特征在图像中与裂缝的特征较为接近,往往裂缝缺陷的检测结果不够准确,需要进行人工二次核实,造成一定的资源的浪费。
发明内容
针对原木的纹理特征在图像中与裂缝的特征较为接近,利用边缘检测算法进行裂缝缺陷的检测结果不够准确,需要进行人工二次核实,造成一定的资源的浪费的问题,本发明提供一种肤感木门表面缺陷检测方法,包括:
获取待检测木门表面图像;
将木门表面图像分为多个区域,根据信息熵最大的区域内像素点灰度均值和木门表面图像中所有像素点灰度均值得到最大裂缝灰度值;
获取木门表面图像中灰度值处于最大裂缝灰度值范围内的像素点,作为疑似裂缝像素点;
将疑似裂缝像素点基于灰度值进行聚类为多个聚类区域;
根据每个聚类区域中的像素点和该聚类区域距离最近的相邻聚类区域中的像素点的位置差异,得到每个聚类区域中像素点的相对分布规律性;
通过每个聚类区域中像素点的灰度均值与其他所有聚类区域中像素点的灰度均值的差异,得到每个聚类区域的灰度分布特征值;
根据每个聚类区域与其距离最近的相邻聚类区域中像素点个数差异,得到每个聚类区域的像素点数量特征值;
利用每个聚类区域中像素点的相对分布规律性、灰度分布特征值、像素点数量特征值得到每个聚类区域为裂缝区域的可能性;
利用可能性对待检测木门中的裂缝缺陷进行检测。
所述每个聚类区域为裂缝区域的可能性的获取方法为:
将每个聚类区域中像素点的相对分布规律性、灰度分布特征值、像素点数量特征值的均值作为该聚类区域为裂缝区域的可能性。
所述每个聚类区域中像素点的相对分布规律性的获取方法为:
将每个聚类区域和该聚类区域最近的相邻聚类区域中所有像素点的横坐标均值的差值,作为每个聚类区域与最近的相邻聚类区域的像素点位置差值;
将每个聚类区域与最近的相邻聚类区域的像素点位置差值,减去所有聚类区域与最近的相邻聚类区域的像素点位置差值的均值,得到的值作为每个聚类区域中像素点的相对分布规律性。
所述每个聚类区域中灰度分布特征值的获取方法为:
将每个聚类区域中像素点的灰度均值减去所有聚类区域中像素点的灰度均值,再加上最大裂缝灰度值得到的值,作为指数,以e作为底数,得到指数幂,并将指数幂的倒数作为该聚类区域的灰度分布特征值。
所述每个聚类区域中像素点数量特征值的获取方法为:
将每个聚类区域中像素点数量和与该聚类区域最近的相邻聚类区域中像素点数量之差的绝对值,作为每个聚类区域中像素点数量特征值。
所述最大裂缝灰度值的获取方法为:
将木门表面图像分为多个区域,并计算每个区域的信息熵;
获取信息熵最大的区域的灰度均值和木门表面图像的灰度均值的差值,将信息熵最大的区域的灰度均值减去该差值,得到的值作为最大裂缝灰度值。
所述利用可能性对待检测木门中的裂缝缺陷进行检测的方法为:
当聚类区域为裂缝区域的可能性大于等于可能性阈值时,聚类区域为待检测木门中的裂缝缺陷区域。
本发明的有益效果是:
本发明将木门表面图像分为多个区域,根据信息熵最大的区域内像素点灰度均值和木门表面图像中所有像素点灰度均值得到最大裂缝灰度值;该方法对区域的信息熵进行分析,因为信息熵反映的是像素点的混乱程度,区域的信息熵越大,说明其包含的像素点信息越丰富,若区域不包含裂缝像素点,则区域内像素点混乱较小,信息熵也越小,若区域包含裂缝像素点,则区域内像素点混乱程度越大,信息熵越大,因此,信息熵最大的区域包含的裂缝像素点越多,灰度均值也越大,而木门表面图像中所有像素点灰度均值较小,因此可以确定出最大裂缝灰度值;本发明获取木门表面图像中灰度值处于最大裂缝灰度值范围内的像素点,作为疑似裂缝像素点,将疑似裂缝像素点基于灰度值进行聚类为多个聚类区域,根据每个聚类区域中的像素点和该聚类区域距离最近的相邻聚类区域中的像素点的位置差异,得到每个聚类区域中像素点的相对分布规律性;该方法考虑到在木门表面图像中,裂纹像素点是少量的,数量少于正常纹理像素点,对疑似裂缝像素点进行聚类,疑似裂缝像素点中正常纹理像素点较多,并且正常纹理像素点的分布是具有规律性的,因此计算每个聚类区域和相邻的区域中像素点分布差异和整体所有相邻聚类区域中像素点的分布差异进行差异计算,如果区域是正常纹理区域,则其与相邻区域像素点分布差异小,最终与整体所有相邻区域中像素点分布差异也越小;反之,如果聚类区域为含有裂缝像素点的区域,则其与相邻区域中像素点的分布差异是大于所有相邻区域像素点的分布差异的;本发明通过每个聚类区域中像素点的灰度均值与其他所有聚类区域中像素点的灰度均值的差异,得到每个聚类区域的灰度分布特征值;该方法考虑到因为裂缝的灰度值是小于正常纹理灰度值的,若聚类区域为裂缝像素点区域,则该区域灰度均值与其他所有区域灰度均值的差异较大,若聚类区域为正常纹理像素点区域,则该区域灰度均值与其他所有区域灰度均值的差异较小,所以利用每个聚类区域的灰度均值与其余剩余区域的灰度均值进行差异性计算,来对该聚类区域的灰度值分布特征进行量化;本发明根据每个聚类区域与其距离最近的相邻聚类区域中像素点个数差异,得到每个聚类区域的像素点数量特征值;该方法考虑到在正常的纹理中,相邻的纹理之间的大小差异性是很小的,即相邻的正常纹理区域之间的像素点的个数差异相较于裂缝区域与正常纹理区域的大小而言,差异应很小,所以利用每个聚类区域与相邻聚类区域中所有的像素点的个数进行差异性计算,该差异值越大,则聚类区域为木门的裂缝的可能性越大;本发明利用每个聚类区域中像素点的相对分布规律性、灰度分布特征值、像素点数量特征值得到每个聚类区域为裂缝区域的可能性,利用可能性对待检测木门中的裂缝缺陷进行检测;该方法通过对每个聚类区域中像素点位置分布、灰度分布、像素点数量分布这三方面进行综合分析,得到每个聚类区域为裂缝区域的可能性,并根据可能性大判断聚类区域是否为裂缝区域,方法准确。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种肤感木门表面缺陷检测方法的流程示意图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种肤感木门表面缺陷检测方法的实施例,如图1所示,包括:
步骤一:获取待检测木门表面图像;
该步骤的目的是采集木门的表面图像,并进行预处理,作为后续分析的图像基础。
本发明需要利用计算机视觉技术对肤感木门进行表面的裂缝缺陷检测,故需要在木门出厂前的加工环节布置工业相机对其进行标定,而后对木门的表面图像进行采集,具体的相机布置方为垂直俯视拍摄,以该方式布置相机的好处在于其以俯视视角采集木门表面图像信息,可以减少其他环境(如灯光、视角偏差)的因素对图像的影响,因为其他环境因素对图像的影响会导致采集到的木门表面图像效果不理想,从而致使后续对木门的裂缝缺陷判断不够准确,对相机进行标定的目的是让工业相机能够一次性采集到完整的清晰的木门图像,减少后续的图像处理成本;
为了减少后续分析过程中的计算量,本发明对采集到的待检测木门表面图像进行了图像预处理,具体预处理方法如下:
首先对采集到的木门图像进行区域分割,将木门图像中属于木门部分的图像与不属于木门部分的图像分割开来,具体的分割方式为利用DNN语义分割的方式来对木门表面图像中的木门区域进行分割,其中将木门区域标记为1,其他区域标记为0;然后对分割后的每个区域进行灰度化处理,后续步骤分析的图像基础都是基于灰度图像的。
步骤二:将木门表面图像分为多个区域,根据信息熵最大的区域内像素点灰度均值和木门表面图像中所有像素点灰度均值得到最大裂缝灰度值;获取木门表面图像中灰度值处于最大裂缝灰度值范围内的像素点,作为疑似裂缝像素点;
该步骤的目的是,根据木门表面图像中每个区域的信息熵和像素点灰度值,得到裂缝灰度值范围,并根据裂缝灰度值范围确定出疑似裂缝像素点。
其中,将木门表面图像分为多个区域的方法为:
将木门表面图像分割为α个大小相同的区域,每个区域大小为P×Q,P表示木门表面灰度图的每行的像素点个数,Q表示木门表面灰度图的每列像素点个数,本发明中α=5;
其中,最大裂缝灰度值的获取方法为:
(1)计算每个区域的信息熵,以第m个区域为例,信息熵的计算方式如下:
公式中,Em为第m个区域的信息熵,g表示灰度值为g,Pg表示第m个区域中灰度值为g的像素点出现的概率,m∈[1,25];
该公式中,Em表示肤感木门表面图像中第m个区域的信息熵,其实际的物理意义为第m个区域的像素点的混乱程度,若肤感木门表面图像的某个区域为正常纹理区域,则该区域内像素点混乱程度小,像素信息较为简单,则信息熵较小;若肤感木门中某个区域中包含裂缝像素点,则该区域内像素点混乱程度大,像素信息较为复杂,则信息熵较大;因为本发明中α值较小,则每个区域的面积较大,则当某个区域的信息熵较大时,该区域的图像中像素点信息丰富,一定是包含裂缝像素点的区域;
(2)获取信息熵最大的区域的灰度均值和木门表面图像的灰度均值,具体说明如下:
选择信息熵最大的区域,并计算信息熵最大的区域中像素点的灰度平均值,若第m′个区域为信息熵最大的区域,则计算该区域的灰度平均值由于第m′个区域是信息熵最大的区域,所以该区域中正常纹理像素点的灰度值,对于该区域灰度均值的贡献,是小于该区域中的正常纹理像素点的灰度值对于整体表面灰度图的灰度均值/>的贡献的;也就是说该区域中裂缝像素点对于该区域像素点灰度均值的贡献,是大于该区域中裂缝像素点对于整体表面灰度图的灰度均值的贡献的;
是整体木门的灰度图的所有因素的灰度值的平均值,其中/>是由三个部分贡献求得的,贡献最大的为木门所使用的木板的灰度值(木门上不含纹理的木板区域的灰度值),贡献次之的为木门的自身纹理的灰度值,贡献最小的为木板裂缝对应的灰度值。其中所述的贡献是指三个因素对应的像素点的个数以及灰度值的大小,从视觉特征以及常识理论中可知,该平均值应该是更为接近整体木门图像木门所使用木板的灰度值的;
(3)获取信息熵最大的区域的灰度均值和木门表面图像的灰度均值的差值,将信息熵最大的区域的灰度均值减去该差值,得到的值作为最大裂缝灰度值MAXG,如下所示:
该公式是利用第m′个区域的平均灰度值与整体平均灰度值进行木门木板灰度值贡献的不完全去除来获得裂缝灰度值所在范围的最大灰度值MAXG,因为为整体图像的平均灰度值,而在木门的图像中,木门所使用的木板为主要部分,所以/>的计算时其对应的灰度值贡献最大,而/>因为其中包含的信息较多,木门所使用的木板的灰度值贡献被压缩,所以利用整体灰度值与第m′个区域的灰度值求取差异值/>该差异值中包含了整体平均值与第m′区域中的平均值的木门所使用木板的灰度值的模糊贡献,而后利用第m′个区域的所有像素点的灰度值的平均值/>减去该差异值,即在第m′个区间内对木门所使用的木板的灰度值贡献减到最小,并且由经验知肤感木门的裂缝灰度值在整体图像中较小,所以以该值作为裂缝灰度值所在范围的最大灰度值,即所被采集信息的肤感木门的灰度图中,其裂缝的灰度值模糊分布范围为[0,MAXG],模糊是指该灰度值分布区间内还包含部分木门纹理的灰度值分布。
其中,获取木门表面图像中灰度值处于最大裂缝灰度值范围内的像素点,作为疑似裂缝像素点的方法为:将整体的肤感木门的灰度图中所有的灰度值处于[0,MAXG]区间内的像素点,作为疑似裂缝像素点,并对疑似裂缝像素点进行标记为G′。
步骤三:将疑似裂缝像素点基于灰度值进行聚类为多个聚类区域;根据每个聚类区域中的像素点和该聚类区域距离最近的相邻聚类区域中的像素点的位置差异,得到每个聚类区域中像素点的相对分布规律性;
该步骤是对疑似裂缝像素点进行聚类,并且每个聚类区域与其相邻的聚类区域中像素点的位置分布差异,并对其进行量化,得到每个聚类区域的灰度分布特征值;
其中,将疑似裂缝像素点基于灰度值进行聚类为多个聚类区域的具体方法为:
利用现有的聚类算法(DBSCAN聚类算法)以灰度值作为基础对所有的疑似裂缝像素点G′进行聚类,可获得A个聚类区域;
其中,每个聚类区域中像素点的相对分布规律性的获取方法为:
(1)将每个聚类区域和该聚类区域最近的相邻聚类区域中所有像素点的横坐标均值的差值,作为每个聚类区域与最近的相邻聚类区域的像素点位置差值;
以第a个聚类区域为例,设第a-1个聚类区域是与第a个聚类区域欧式距离最短的一个聚类区域,则有:
公式中,a1为第a个聚类区域和第a-1个聚类区域的像素点位置差值,也就是第a个聚类区域和第a-1个聚类区域中所有像素点的横坐标均值的差值,即第a个聚类区域中所有像素点的横坐标均值和第a-1个聚类区域中所有像素点的横坐标均值的差值,Na为第a个聚类区域中的像素点个数,na表示第a个聚类区域中的第n个像素点,为第a个聚类区域中的第n个像素点的x坐标,Na-1为第a-1个聚类区域中的像素点个数,na-1为第a-1个聚类区域中的第n个像素点,/>为第a-1个聚类区域中的第n个像素点的x坐标;
公式中,为所有聚类区域与最近的相邻聚类区域的像素点位置差值的均值,也就是所有聚类区域中,除了第a个聚类区域之外的其他每个聚类区域与最近相邻聚类区域的像素点位置差值的均值,A为聚类区域总数,A-1为除了第a个聚类区域之外其他聚类区域总个数,a′为第a′个聚类区域,且a′不等于a,Na′为第a′个聚类区域中的像素点总数,na′为第a′个聚类区域中的第n个像素点,/>为第a′个聚类区域中的第n个像素点的x坐标值,Na′-1为第a′-1个聚类区域中的像素点总数,第a′-1个聚类区域是与第a′个聚类区域欧式距离最短的聚类区域,na′-1为第a′-1个聚类区域中的第n个像素点,/>为第a′-1个聚类区域中的第n个像素点的x坐标值;
则每个聚类区域中像素点的相对分布规律性为:
公式中,La为第a个聚类区域中像素点的相对分布规律性;
该公式中,因为所有的聚类区域的像素点都是以可疑像素点作为基础进行聚类的,而可疑像素点中包含的较多的像素点为木门纹理的灰度值对应的像素点,而木门的纹理的分布是具有规律性的,所以利用第a个聚类区域与其相邻的聚类区域进行平均位置坐标的差异值计算,而后与整体所有的聚类区域中相邻的聚类区域进行差异计算,若第a个区域为木门的纹理区域时,则对应的La越小,而当第a个区域为裂缝区域时,则对应的La越大;
需要说明的是,在步骤二中获得了肤感木门灰度图中的裂缝的疑似裂缝像素点G′,这些疑似裂缝像素点中含有包含肤感木门的裂缝的像素点以及其与非裂缝因素(木门的自身纹理),而肤感木门的裂缝对应的像素点的分布相较于非裂缝因素而言在所有的疑似裂缝像素点中占有量比较少,并且像素点的灰度值较小,而且分布相较于木门的自身纹理而言规律性较弱,所以对每个聚类区域中的像素点位置分布特征进行量化,通过量化后的指标进行肤感木门中的裂缝的精确获取。
步骤四:通过每个聚类区域中像素点的灰度均值与其他所有聚类区域中像素点的灰度均值的差异,得到每个聚类区域的灰度分布特征值;根据每个聚类区域与其距离最近的相邻聚类区域中像素点个数差异,得到每个聚类区域的像素点数量特征值;
该步骤的目的是,通过对比每个聚类区域与其相邻聚类区域中灰度分布的差异和像素点个数分布差异,与所有聚类区域中相邻聚类区域中灰度分布的差异均值和像素点个数分布差异均值进行对比,得到每个聚类区域的像素点灰度分布特征值和像素点数量分布特征量化值;
其中,每个聚类区域中灰度分布特征值的获取方法为:
将每个聚类区域中像素点的灰度均值减去所有聚类区域中像素点的灰度均值,再加上最大裂缝灰度值得到的值,作为指数,以e作为底数,得到指数幂,并将指数幂的倒数作为该聚类区域的灰度分布特征值,具体公式为:
公式中,Ha为第a个聚类区域的灰度分布特征值,e为自然常数,为第a个聚类区域中总共Na个像素点的灰度值的平均值,a′为第a′个聚类区域,a′∈[1,A]且有a′≠a,/>表示第a′个区域的所有像素点的灰度值,A-1为除了第a个聚类区域之外的其他聚类区域总数,MAXG为最大裂缝灰度值。
该公式中,因为裂缝的灰度值是相较于木门的纹理灰度值而言是较小的,所以利用第a个聚类区域的所有的像素点的灰度值的平均值作为该区域的所有像素点的灰度值的特征标签,计算其与其余剩余的A-1个区域的像素点的灰度值的平均值的平均值,若该区域为木门的裂缝区域,其与其余剩余的A-1个区域的像素点的灰度值的平均值的平均值差距一定较大,如果该区域为木门的纹理区域时,则其与其余剩余的A-1个区域的像素点的灰度值的平均值的平均值相差一定较小,所以利用第a个区域的所有的像素点的灰度值的平均值与其余剩余的A-1个区域的像素点的灰度值的平均值的平均值进行差异性计算来对该区域的灰度值分布特征进行量化,为防止出现负数不便于计算,所以与MAXG进行相加,Ha该值大,则第a个区域为裂缝区域的可能性就越大,反之则相反。
其中,每个聚类区域中像素点数量特征值的获取方法为:
将每个聚类区域中像素点数量和与该聚类区域最近的相邻聚类区域中像素点数量之差的绝对值,作为每个聚类区域中像素点数量特征值,具体公式为:
对每个聚类区域的所有像素点的相对数量进行量化,以第a个聚类区域为例,其相对数量Sa的量化方式如下所示:
Sa=|Na-Na′|
其中,Na表示第a个聚类区域中所有的像素点的总个数(a∈[1,A]),Na′第a′个聚类区域中所有的像素点的总个数(a′∈[1,A],且恒有a′≠a);
该公式中,由于在木门的纹理中,相邻的纹理之间的大小差异性是很小的,即相邻的纹理区域之间的像素点的个数差异是相较于裂缝区域与纹理区域的大小而言,差异应很小。所以利用第a个聚类区域与第a′个区域中所有的像素点的个数进行差异性计算,|Na-Na′|值越大,则第a个区域为木门的裂缝的可能性越大,反之则为木门的裂缝的可能性越小。
步骤五:利用每个聚类区域中像素点的相对分布规律性、灰度分布特征值、像素点数量特征值得到每个聚类区域为裂缝区域的可能性;利用可能性对待检测木门中的裂缝缺陷进行检测。
该步骤的目的是,根据每个聚类区域中像素点的相对分布规律性、灰度分布特征值、像素点数量特征值对每个聚类区域进行综合分析判断其为裂缝区域的可能性,根据可能性大小判断其是否为裂缝区域。
其中,每个聚类区域为裂缝区域的可能性的获取方法为:
公式中,Fa为第a个聚类区域为裂缝区域的可能性,L′a、H′a和S′a分别为第a个聚类区域像素点的相对分布规律性、灰度分布特征值、像素点数量特征值进行归一化后的值。
该公式中,Fa是第a个聚类区域的像素点的相对分布规律性、灰度分布特征值与像素点数量特征值进行归一化获得的参数,本发明对这三个参数累加后求均值,使用相同的权重进行计算,以其结果作为第a个聚类区域裂缝可能性,该值越大,则第a个区域为肤感木门中裂缝区域的可能性就越大;
其中,利用可能性对待检测木门中的裂缝缺陷进行检测的具体方法为:
当聚类区域为裂缝区域的可能性Fa大于等于可能性阈值时,聚类区域为待检测木门中的裂缝缺陷区域,本实施例中设置可能性阈值为0.62,当可能性大于等于0.62时,认为是裂缝缺陷区域,会影响木门质量和寿命,具体可根据实施者对质量的要求进行适当调整。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种肤感木门表面缺陷检测方法,其特征在于,该方法包括:
获取待检测木门表面图像;
将木门表面图像分为多个区域,根据信息熵最大的区域内像素点灰度均值和木门表面图像中所有像素点灰度均值得到最大裂缝灰度值;
获取木门表面图像中灰度值处于最大裂缝灰度值范围内的像素点,作为疑似裂缝像素点;
将疑似裂缝像素点基于灰度值进行聚类为多个聚类区域;
根据每个聚类区域中的像素点和该聚类区域距离最近的相邻聚类区域中的像素点的位置差异,得到每个聚类区域中像素点的相对分布规律性;
通过每个聚类区域中像素点的灰度均值与其他所有聚类区域中像素点的灰度均值的差异,得到每个聚类区域的灰度分布特征值;
根据每个聚类区域与其距离最近的相邻聚类区域中像素点个数差异,得到每个聚类区域的像素点数量特征值;
利用每个聚类区域中像素点的相对分布规律性、灰度分布特征值、像素点数量特征值得到每个聚类区域为裂缝区域的可能性;
利用可能性对待检测木门中的裂缝缺陷进行检测。
2.根据权利要求1所述的一种肤感木门表面缺陷检测方法,其特征在于,所述每个聚类区域为裂缝区域的可能性的获取方法为:
将每个聚类区域中像素点的相对分布规律性、灰度分布特征值、像素点数量特征值的均值作为该聚类区域为裂缝区域的可能性。
3.根据权利要求2所述的一种肤感木门表面缺陷检测方法,其特征在于,所述每个聚类区域中像素点的相对分布规律性的获取方法为:
将每个聚类区域和该聚类区域最近的相邻聚类区域中所有像素点的横坐标均值的差值,作为每个聚类区域与最近的相邻聚类区域的像素点位置差值;
将每个聚类区域与最近的相邻聚类区域的像素点位置差值,减去所有聚类区域与最近的相邻聚类区域的像素点位置差值的均值,得到的值作为每个聚类区域中像素点的相对分布规律性。
4.根据权利要求2所述的一种肤感木门表面缺陷检测方法,其特征在于,所述每个聚类区域中灰度分布特征值的获取方法为:
将每个聚类区域中像素点的灰度均值减去所有聚类区域中像素点的灰度均值,再加上最大裂缝灰度值得到的值,作为指数,以e作为底数,得到指数幂,并将指数幂的倒数作为该聚类区域的灰度分布特征值。
5.根据权利要求2所述的一种肤感木门表面缺陷检测方法,其特征在于,所述每个聚类区域中像素点数量特征值的获取方法为:
将每个聚类区域中像素点数量和与该聚类区域最近的相邻聚类区域中像素点数量之差的绝对值,作为每个聚类区域中像素点数量特征值。
6.根据权利要求1所述的一种肤感木门表面缺陷检测方法,其特征在于,所述最大裂缝灰度值的获取方法为:
将木门表面图像分为多个区域,并计算每个区域的信息熵;
获取信息熵最大的区域的灰度均值和木门表面图像的灰度均值的差值,将信息熵最大的区域的灰度均值减去该差值,得到的值作为最大裂缝灰度值。
7.根据权利要求1所述的一种肤感木门表面缺陷检测方法,其特征在于,所述利用可能性对待检测木门中的裂缝缺陷进行检测的方法为:
当聚类区域为裂缝区域的可能性大于等于可能性阈值时,聚类区域为待检测木门中的裂缝缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211731169.5A CN115861290B (zh) | 2022-12-30 | 2022-12-30 | 一种肤感木门表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211731169.5A CN115861290B (zh) | 2022-12-30 | 2022-12-30 | 一种肤感木门表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861290A true CN115861290A (zh) | 2023-03-28 |
CN115861290B CN115861290B (zh) | 2024-01-19 |
Family
ID=85656486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211731169.5A Active CN115861290B (zh) | 2022-12-30 | 2022-12-30 | 一种肤感木门表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861290B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342635A (zh) * | 2023-05-26 | 2023-06-27 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
CN116645367A (zh) * | 2023-07-27 | 2023-08-25 | 山东昌啸商贸有限公司 | 一种高端制造用的钢板切割质量检测方法 |
CN116664572A (zh) * | 2023-07-31 | 2023-08-29 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120243797A1 (en) * | 2005-09-05 | 2012-09-27 | Alpvision, S.A. | Means for using microstructure of materials surface as a unique identifier |
CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
CN114170262A (zh) * | 2021-11-03 | 2022-03-11 | 广州大学 | 基于图像的裂缝检测方法、系统、计算机装置和存储介质 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115239704A (zh) * | 2022-09-19 | 2022-10-25 | 南通友联新材料科技有限公司 | 一种木材表面缺陷的精准检测修复方法 |
CN115294144A (zh) * | 2022-10-10 | 2022-11-04 | 雷戈锘智能家居(南通)有限公司 | 一种家具复合板表面缺陷识别方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
CN115359042A (zh) * | 2022-10-17 | 2022-11-18 | 博格达智能装备(南通)有限公司 | 基于光学视觉的木塑新材料门的缺陷检测方法 |
-
2022
- 2022-12-30 CN CN202211731169.5A patent/CN115861290B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120243797A1 (en) * | 2005-09-05 | 2012-09-27 | Alpvision, S.A. | Means for using microstructure of materials surface as a unique identifier |
CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
CN114170262A (zh) * | 2021-11-03 | 2022-03-11 | 广州大学 | 基于图像的裂缝检测方法、系统、计算机装置和存储介质 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115239704A (zh) * | 2022-09-19 | 2022-10-25 | 南通友联新材料科技有限公司 | 一种木材表面缺陷的精准检测修复方法 |
CN115294144A (zh) * | 2022-10-10 | 2022-11-04 | 雷戈锘智能家居(南通)有限公司 | 一种家具复合板表面缺陷识别方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
CN115359042A (zh) * | 2022-10-17 | 2022-11-18 | 博格达智能装备(南通)有限公司 | 基于光学视觉的木塑新材料门的缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
谢亮;: "基于信息熵和改进粒子群算法的医学图像分割方法研究", 半导体光电, no. 06, pages 894 - 898 * |
郭慧;王霄;刘传泽;周玉成;: "基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法", 林业科学, no. 11, pages 114 - 123 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342635A (zh) * | 2023-05-26 | 2023-06-27 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
CN116342635B (zh) * | 2023-05-26 | 2023-08-08 | 山东省地质矿产勘查开发局第一地质大队(山东省第一地质矿产勘查院) | 一种地质测绘中裂缝轮廓提取方法 |
CN116645367A (zh) * | 2023-07-27 | 2023-08-25 | 山东昌啸商贸有限公司 | 一种高端制造用的钢板切割质量检测方法 |
CN116645367B (zh) * | 2023-07-27 | 2023-12-01 | 山东昌啸商贸有限公司 | 一种高端制造用的钢板切割质量检测方法 |
CN116664572A (zh) * | 2023-07-31 | 2023-08-29 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
CN116664572B (zh) * | 2023-07-31 | 2023-10-13 | 聊城市瀚格智能科技有限公司 | 基于图像数据的公路路面裂缝快速检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115861290B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861290A (zh) | 一种肤感木门表面缺陷检测方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN115239735B (zh) | 基于计算机视觉的通信柜表面缺陷检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115311270B (zh) | 一种塑料制品表面缺陷检测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN107157447B (zh) | 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN115063400B (zh) | 利用视觉手段的乐器生产缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN115375690A (zh) | 一种舌象腐腻苔分类识别方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
CN112149744B (zh) | 一种侵权图片快速识别方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 |
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 |