CN115908412A - 一种基于线激光图像的竹条缺陷检测方法及终端 - Google Patents
一种基于线激光图像的竹条缺陷检测方法及终端 Download PDFInfo
- Publication number
- CN115908412A CN115908412A CN202310015189.0A CN202310015189A CN115908412A CN 115908412 A CN115908412 A CN 115908412A CN 202310015189 A CN202310015189 A CN 202310015189A CN 115908412 A CN115908412 A CN 115908412A
- Authority
- CN
- China
- Prior art keywords
- laser
- abnormal
- line
- bamboo
- defect
- 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 126
- 235000017166 Bambusa arundinacea Nutrition 0.000 title claims abstract description 103
- 235000017491 Bambusa tulda Nutrition 0.000 title claims abstract description 103
- 241001330002 Bambuseae Species 0.000 title claims abstract description 103
- 235000015334 Phyllostachys viridis Nutrition 0.000 title claims abstract description 103
- 239000011425 bamboo Substances 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 abstract description 7
- 230000037430 deletion Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001425476 Apiosporina morbosa Species 0.000 description 1
- 208000032544 Cicatrix Diseases 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009740 moulding (composite fabrication) Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于线激光图像的竹条缺陷检测方法及终端,涉及缺陷检测算法技术领域,获取竹条的一张或多张线激光图像;S2、根据竹条的线激光图像提取激光异常线段,若存在激光异常线段,则执行步骤S3;S3、根据激光异常线段判断是否存在缺陷,并对缺陷分类;所述缺陷包括缩水、缺边以及竹黄中的一者或多者。利用激光线采图的特性,完善了竹条物理缺陷的检测方法,能实现对于竹条的缩水、缺边以及竹黄缺陷进行检测,完善了产业化应用,完善竹条缺陷逻辑,降低误检率,提高缺陷检出率。
Description
技术领域
本发明涉及缺陷检测算法技术领域,特别涉及一种基于线激光图像的竹条缺陷检测方法及终端。
背景技术
随着产业纵深发展,竹加工业已经实现从粗加工到二次加工,再到精深加工的转变趋势。
在竹坯板生产中,竹条分选是前道工序和后道工序的衔接部分,竹条必须要经过分选,才能进行刷胶,上压,成型等环节,由于竹木是天然生长,缺陷种类繁多且千变万化。竹条的缺陷主要包含两种类型,一种为颜色缺陷:竹青、竹黄、虫洞、霉斑、黑节、内炭等;另一种为物理缺陷:裂片、缺边、刀疤、缩水等。其中颜色缺陷中竹青、竹黄、虫洞又存在物理形变。而每一种缺陷的形态大小、颜色深浅等又因竹条生长地,竹条加工工艺不同而变化。目前,传统情况下竹坯板生产中颜色分选和缺陷检测多以人工为主。
为了提高竹条产业的自动化水平,国内已应用机器视觉技术实现了部分自动化生产,同时有很多研究工作已经开展,专利文献CN105158258B利用滤波、小波变换、形态学操作对竹条颜色缺陷进行检测;专利文献CN105466950B中主要利用轮廓提取、HSV颜色空间色差计算来检测竹块颜色缺陷;专利文献CN110766681A和CN112184698A中主要利用神经网络来学习检测竹条的颜色缺陷和部分物理缺陷,这些方法可以检测大部分颜色缺陷和物理缺陷,但依旧无法检测缩水、缺边以及竹黄。
发明内容
本发明所要解决的技术问题是:提供一种基于线激光图像的竹条缺陷检测方法及终端,以检测竹条的缩水、缺边以及竹黄缺陷。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于线激光图像的竹条缺陷检测方法,包括步骤:
S1、获取竹条的一张或多张线激光图像;
S2、根据竹条的线激光图像提取激光异常线段,若存在激光异常线段,则执行步骤S3;
S3、根据激光异常线段判断是否存在缺陷,并对缺陷分类;
所述缺陷包括缩水、缺边以及竹黄中的一者或多者。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种基于线激光图像的竹条缺陷检测终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
S1、获取竹条的一张或多张线激光图像;
S2、根据竹条的线激光图像提取激光异常线段,若存在激光异常线段,则执行步骤S3;
S3、根据激光异常线段判断是否存在缺陷,并对缺陷分类;
所述缺陷包括缩水、缺边以及竹黄中的一者或多者。
本发明的有益效果在于:一种基于线激光图像的竹条缺陷检测方法及终端,利用激光线采图的特性,完善了竹条物理缺陷的检测方法,能实现对于竹条的缩水、缺边以及竹黄缺陷进行检测,完善了产业化应用,完善竹条缺陷逻辑,降低误检率,提高缺陷检出率。
附图说明
图1为本发明实施例的一种基于线激光图像的竹条缺陷检测方法的流程示意图;
图2为本发明实施例涉及的激光线条图的采集结构示意图;
图3为本发明实施例的一种基于线激光图像的竹条缺陷检测终端的结构示意图。
标号说明:
1、一种基于线激光图像的竹条缺陷检测终端;2、处理器;3、存储器;4、激光;5、工业相机。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1至图2,一种基于线激光图像的竹条缺陷检测方法,包括步骤:
S1、获取竹条的一张或多张线激光图像;
S2、根据竹条的线激光图像提取激光异常线段,若存在激光异常线段,则执行步骤S3;
S3、根据激光异常线段判断是否存在缺陷,并对缺陷分类;
所述缺陷包括缩水、缺边以及竹黄中的一者或多者。
由上述描述可知,本发明的有益效果在于:一种基于线激光图像的竹条缺陷检测方法及终端,利用激光线采图的特性,完善了竹条物理缺陷的检测方法,能实现对于竹条的缩水、缺边以及竹黄缺陷进行检测,完善了产业化应用,完善竹条缺陷逻辑,降低误检率,提高缺陷检出率。
进一步地,所述步骤S2具体包括:
S21、对竹条的线激光图像使用OTSU二值化得到竹条的二值化图mask;
S22、对竹条的二值化图mask统计得到二值化图mask的平均值meanv和标准差stdv,根据下式计算阈值thresh:
;
根据阈值thresh对二值化图mask进行二值化,得到激光的二值图,从激光的二值图中提取激光点序列,n为自然数;
S23、根据提取的激光点序列拟合直线Line;
S24、计算激光点序列中各个激光点到拟合直线Line的垂直距离distn,汇总各个垂直距离distn得到激光点序列的距离序列;
S25、根据激光点序列和距离序列得到连续点组成的且满足以下条件的激光异常线段:
;
式中,MIN_LENGTH为最小线段长度,为最小距离,i、j和m均为自然数,length为获取线段长度的函数;
S26、计算激光异常线段的深度信息、位置信息和是否凹陷,其中,深度信息具体是激光异常线段中各点垂直距离disti最大值;
位置信息具体是判断激光异常线段中各点的最大ID值MAX_ID是否小于设定值MINID或最小ID值MIN_ID是否小于设定值MAXID,若一者为真,则表示激光异常线段位于边缘位置;
计算激光异常线段是否凹陷具体是判断激光异常线段中各点是否存在小于0的垂直距离disti,若有,则判断激光异常线段凹陷。
由上述描述可知,实现了对于激光异常线段的提取和对于激光异常线段信息的统计。
进一步地,所述步骤S3具体包括:
S31、获取所有线激光图像的激光线异常线段以形成各线激光图像的激光线异常线段集{};
S32、遍历=,对于任意,若下一个线激光图像存在相同位置的,则两个激光线异常线段归入同一个异常区域,否则单独归入异常区域;
S33、统计各个异常区域中激光线异常线段的总个数count;
统计各个异常区域的激光区域的缺陷平均宽度outlier_length;
统计各个异常区域中和边缘位置属性相同情况的数量edge_count;
统计各个异常区域中和凹陷属性相同情况的数量cave_count;
S34、判断各个异常区域是否满足以下条件,若满足,则为缺边缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为竹黄缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为缩水缺陷:
;
其中,和根据下式获得:
。
由上述描述可知,实现了对于缺陷的判断和缺陷类型的区分。
进一步地,所述相同位置具体是满足下式:
;
式中,是的起始y坐标信息,是的结束y坐标信息,是的起始y坐标信息,是的结束y坐标信息。
由上述描述可知,实现了对于相同位置的判断。
进一步地,所述步骤S3还包括:
根据下式计算各个异常区域的平均深度:
;
式中,为异常区域内激光异常线段的深度信息。
由上述描述可知,实现了对于缺陷区域的深度信息采集。
一种基于线激光图像的竹条缺陷检测终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
S1、获取竹条的一张或多张线激光图像;
S2、根据竹条的线激光图像提取激光异常线段,若存在激光异常线段,则执行步骤S3;
S3、根据激光异常线段判断是否存在缺陷,并对缺陷分类;
所述缺陷包括缩水、缺边以及竹黄中的一者或多者。
由上述描述可知,本发明的有益效果在于:一种基于线激光图像的竹条缺陷检测方法及终端,利用激光线采图的特性,完善了竹条物理缺陷的检测方法,能实现对于竹条的缩水、缺边以及竹黄缺陷进行检测,完善了产业化应用,完善竹条缺陷逻辑,降低误检率,提高缺陷检出率。
进一步地,所述步骤S2具体包括:
S21、对竹条的线激光图像使用OTSU二值化得到竹条的二值化图mask;
S22、对竹条的二值化图mask统计得到二值化图mask的平均值meanv和标准差stdv,根据下式计算阈值thresh:
;
根据阈值thresh对二值化图mask进行二值化,得到激光的二值图,从激光的二值图中提取激光点序列,n为自然数;
S23、根据提取的激光点序列拟合直线Line;
S24、计算激光点序列中各个激光点到拟合直线Line的垂直距离distn,汇总各个垂直距离distn得到激光点序列的距离序列;
S25、根据激光点序列和距离序列得到连续点组成的且满足以下条件的激光异常线段:
;
式中,MIN_LENGTH为最小线段长度,为最小距离,i、j和m均为自然数,length为获取线段长度的函数;
S26、计算激光异常线段的深度信息、位置信息和是否凹陷,其中,深度信息具体是激光异常线段中各点垂直距离disti最大值;
位置信息具体是判断激光异常线段中各点的最大ID值MAX_ID是否小于设定值MINID或最小ID值MIN_ID是否小于设定值MAXID,若一者为真,则表示激光异常线段位于边缘位置;
计算激光异常线段是否凹陷具体是判断激光异常线段中各点是否存在小于0的垂直距离disti,若有,则判断激光异常线段凹陷。
由上述描述可知,实现了对于激光异常线段的提取和对于激光异常线段信息的统计。
进一步地,所述步骤S3具体包括:
S31、获取所有线激光图像的激光线异常线段以形成各线激光图像的激光线异常线段集{};
S32、遍历=,对于任意,若下一个线激光图像存在相同位置的,则两个激光线异常线段归入同一个异常区域,否则单独归入异常区域;
S33、统计各个异常区域中激光线异常线段的总个数count;
统计各个异常区域的激光区域的缺陷平均宽度outlier_length;
统计各个异常区域中和边缘位置属性相同情况的数量edge_count;
统计各个异常区域中和凹陷属性相同情况的数量cave_count;
S34、判断各个异常区域是否满足以下条件,若满足,则为缺边缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为竹黄缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为缩水缺陷:
;
其中,和根据下式获得:
。
由上述描述可知,实现了对于缺陷的判断和缺陷类型的区分。
进一步地,所述相同位置具体是满足下式:
;
式中,是的起始y坐标信息,是的结束y坐标信息,是的起始y坐标信息,是的结束y坐标信息。
由上述描述可知,实现了对于相同位置的判断。
进一步地,所述步骤S3还包括:
根据下式计算各个异常区域的平均深度:
;
式中,为异常区域内激光异常线段的深度信息。
由上述描述可知,实现了对于缺陷区域的深度信息采集。
本发明的一种基于线激光图像的竹条缺陷检测方法用于对于竹条的缺陷进行判断,和对竹条的缺陷类型进行分类。
请参照图1,本发明的实施例一为:
一种基于线激光图像的竹条缺陷检测方法,包括步骤:
S1、获取竹条的一张或多张线激光图像。
具体而言,请参照图2,竹条上方安装有激光4和工业相机5,激光4和工业相机5具有夹角,当竹条到位时,工业相机5采图获得竹条线激光图像。
在可选实施例中,获取多张竹条的线激光图像后对线激光图像的激光线区域进行裁剪和拼接得到激光线拼接效果图。
S2、根据竹条的线激光图像提取激光异常线段,若存在激光异常线段,则执行步骤S3。
具体而言,包括步骤:
S21、对竹条的线激光图像使用OTSU二值化得到竹条的二值化图mask;
S22、对竹条的二值化图mask统计得到二值化图mask的平均值meanv和标准差stdv,根据下式计算阈值thresh:
;
根据阈值thresh对二值化图mask进行二值化,得到激光的二值图,从激光的二值图中提取激光点序列。
S23、根据提取的激光点序列拟合直线Line。
具体而言,可以采用最小二乘法或者加权最小二乘法拟合直线Line。
S24、计算激光点序列中各个激光点到拟合直线Line的垂直距离distn,汇总各个垂直距离distn得到激光点序列的距离序列;
S25、根据激光点序列和距离序列得到连续点组成的且满足以下条件的激光异常线段:
;
式中,MIN_LENGTH为最小线段长度,为最小距离,i、j和m均为自然数,length为获取线段长度的函数;
S26、计算激光异常线段的深度信息、位置信息和是否凹陷,其中,深度信息具体是激光异常线段中各点垂直距离disti最大值;
位置信息具体是判断激光异常线段中各点的最大ID值MAX_ID是否小于设定值MINID或最小ID值MIN_ID是否小于设定值MAXID,若一者为真,则表示激光异常线段位于边缘位置;
计算激光异常线段是否凹陷具体是判断激光异常线段中各点是否存在小于0的垂直距离disti,若有,则判断激光异常线段凹陷。
S3、根据激光异常线段判断是否存在缺陷,并对缺陷分类。
具体而言,包括步骤:
S31、获取所有线激光图像的激光线异常线段以形成各线激光图像的激光线异常线段集{}。
S32、遍历=,对于任意,若下一个线激光图像存在相同位置的,则两个激光线异常线段归入同一个异常区域,否则单独归入异常区域。
具体而言,所述相同位置具体是满足下式:
;
式中,是的起始y坐标信息,是的结束y坐标信息,是的起始y坐标信息,是的结束y坐标信息。
S33、统计各个异常区域中激光线异常线段的总个数count;
统计各个异常区域的激光区域的缺陷平均宽度outlier_length;
统计各个异常区域中和边缘位置属性相同情况的数量edge_count;
统计各个异常区域中和凹陷属性相同情况的数量cave_count;
S34、判断各个异常区域是否满足以下条件,若满足,则为缺边缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为竹黄缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为缩水缺陷:
;
其中,和根据下式获得:
。
S35、计算各个异常区域的平均深度。
具体而言,计算下式:
;
式中,为激光异常线段的深度信息。
请参照图3,本发明的实施例二为:
一种基于线激光图像的竹条缺陷检测终端1,包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序,处理器2执行计算机程序时实现上述实施例一的步骤。
综上所述,本发明提供的一种基于线激光图像的竹条缺陷检测方法及终端,利用激光线采图的特性,完善了竹条物理缺陷的检测方法,能实现对于竹条的缩水、缺边以及竹黄缺陷进行检测,完善了产业化应用,完善竹条缺陷逻辑,降低误检率,提高缺陷检出率。
以上所述仅为本发明的实施例,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同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于线激光图像的竹条缺陷检测方法,其特征在于,包括步骤:
S1、获取竹条的一张或多张线激光图像;
S2、根据竹条的线激光图像提取激光异常线段,若存在激光异常线段,则执行步骤S3;
S3、根据激光异常线段判断是否存在缺陷,并对缺陷分类;
所述缺陷包括缩水、缺边以及竹黄中的一者或多者。
2.根据权利要求1所述的一种基于线激光图像的竹条缺陷检测方法,其特征在于,所述步骤S2具体包括:
S21、对竹条的线激光图像使用OTSU二值化得到竹条的二值化图mask;
S22、对竹条的二值化图mask统计得到二值化图mask的平均值meanv和标准差stdv,根据下式计算阈值thresh:
;
根据阈值thresh对二值化图mask进行二值化,得到激光的二值图,从激光的二值图中提取激光点序列,n为自然数;
S23、根据提取的激光点序列拟合直线Line;
S24、计算激光点序列中各个激光点到拟合直线Line的垂直距离distn,汇总各个垂直距离distn得到激光点序列的距离序列;
S25、根据激光点序列和距离序列得到连续点组成的且满足以下条件的激光异常线段:
;
式中,MIN_LENGTH为最小线段长度,为最小距离,i、j和m均为自然数,length为获取线段长度的函数;
S26、计算激光异常线段的深度信息、位置信息和是否凹陷,其中,深度信息具体是激光异常线段中各点垂直距离disti最大值;
位置信息具体是判断激光异常线段中各点的最大ID值MAX_ID是否小于设定值MINID或最小ID值MIN_ID是否小于设定值MAXID,若一者为真,则表示激光异常线段位于边缘位置;
计算激光异常线段是否凹陷具体是判断激光异常线段中各点是否存在小于0的垂直距离disti,若有,则判断激光异常线段凹陷。
3.根据权利要求2所述的一种基于线激光图像的竹条缺陷检测方法,其特征在于,所述步骤S3具体包括:
S31、获取所有线激光图像的激光线异常线段以形成各线激光图像的激光线异常线段集{};
S32、遍历=,对于任意,若下一个线激光图像存在相同位置的,则两个激光线异常线段归入同一个异常区域,否则单独归入异常区域;
S33、统计各个异常区域中激光线异常线段的总个数count;
统计各个异常区域的激光区域的缺陷平均宽度outlier_length;
统计各个异常区域中和边缘位置属性相同情况的数量edge_count;
统计各个异常区域中和凹陷属性相同情况的数量cave_count;
S34、判断各个异常区域是否满足以下条件,若满足,则为缺边缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为竹黄缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为缩水缺陷:
;
其中,和根据下式获得:
。
4.根据权利要求3所述的一种基于线激光图像的竹条缺陷检测方法,其特征在于,所述相同位置具体是满足下式:
;
式中,是的起始y坐标信息,是的结束y坐标信息,是的起始y坐标信息,是的结束y坐标信息。
5.根据权利要求2所述的一种基于线激光图像的竹条缺陷检测方法,其特征在于,所述步骤S3还包括:
根据下式计算各个异常区域的平均深度:
;
式中,为异常区域内激光异常线段的深度信息。
6.一种基于线激光图像的竹条缺陷检测终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
S1、获取竹条的一张或多张线激光图像;
S2、根据竹条的线激光图像提取激光异常线段,若存在激光异常线段,则执行步骤S3;
S3、根据激光异常线段判断是否存在缺陷,并对缺陷分类;
所述缺陷包括缩水、缺边以及竹黄中的一者或多者。
7.根据权利要求6所述的一种基于线激光图像的竹条缺陷检测终端,其特征在于,所述步骤S2具体包括:
S21、对竹条的线激光图像使用OTSU二值化得到竹条的二值化图mask;
S22、对竹条的二值化图mask统计得到二值化图mask的平均值meanv和标准差stdv,根据下式计算阈值thresh:
;
根据阈值thresh对二值化图mask进行二值化,得到激光的二值图,从激光的二值图中提取激光点序列,n为自然数;
S23、根据提取的激光点序列拟合直线Line;
S24、计算激光点序列中各个激光点到拟合直线Line的垂直距离distn,汇总各个垂直距离distn得到激光点序列的距离序列;
S25、根据激光点序列和距离序列得到连续点组成的且满足以下条件的激光异常线段:
;
式中,MIN_LENGTH为最小线段长度,为最小距离,i、j和m均为自然数,length为获取线段长度的函数;
S26、计算激光异常线段的深度信息、位置信息和是否凹陷,其中,深度信息具体是激光异常线段中各点垂直距离disti最大值;
位置信息具体是判断激光异常线段中各点的最大ID值MAX_ID是否小于设定值MINID或最小ID值MIN_ID是否小于设定值MAXID,若一者为真,则表示激光异常线段位于边缘位置;
计算激光异常线段是否凹陷具体是判断激光异常线段中各点是否存在小于0的垂直距离disti,若有,则判断激光异常线段凹陷。
8.根据权利要求7所述的一种基于线激光图像的竹条缺陷检测终端,其特征在于,所述步骤S3具体包括:
S31、获取所有线激光图像的激光线异常线段以形成各线激光图像的激光线异常线段集{};
S32、遍历=,对于任意,若下一个线激光图像存在相同位置的,则两个激光线异常线段归入同一个异常区域,否则单独归入异常区域;
S33、统计各个异常区域中激光线异常线段的总个数count;
统计各个异常区域的激光区域的缺陷平均宽度outlier_length;
统计各个异常区域中和边缘位置属性相同情况的数量edge_count;
统计各个异常区域中和凹陷属性相同情况的数量cave_count;
S34、判断各个异常区域是否满足以下条件,若满足,则为缺边缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为竹黄缺陷:
;
判断各个异常区域是否满足以下条件,若满足,则为缩水缺陷:
;
其中,和根据下式获得:
。
9.根据权利要求8所述的一种基于线激光图像的竹条缺陷检测终端,其特征在于,所述相同位置具体是满足下式:
;
式中,是的起始y坐标信息,是的结束y坐标信息,是的起始y坐标信息,是的结束y坐标信息。
10.根据权利要求7所述的一种基于线激光图像的竹条缺陷检测终端,其特征在于,所述步骤S3还包括:
根据下式计算各个异常区域的平均深度:
;
式中,为异常区域内激光异常线段的深度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015189.0A CN115908412B (zh) | 2023-01-06 | 2023-01-06 | 一种基于线激光图像的竹条缺陷检测方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015189.0A CN115908412B (zh) | 2023-01-06 | 2023-01-06 | 一种基于线激光图像的竹条缺陷检测方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908412A true CN115908412A (zh) | 2023-04-04 |
CN115908412B CN115908412B (zh) | 2023-06-02 |
Family
ID=86488261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015189.0A Active CN115908412B (zh) | 2023-01-06 | 2023-01-06 | 一种基于线激光图像的竹条缺陷检测方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908412B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112129773A (zh) * | 2020-08-20 | 2020-12-25 | 湖南大学 | 木材表面缺陷检测方法、装置、设备、系统及存储介质 |
CN112304954A (zh) * | 2020-10-20 | 2021-02-02 | 西安工程大学 | 一种基于线激光扫描及机器视觉的零件表面缺陷检测方法 |
CN114862781A (zh) * | 2022-04-27 | 2022-08-05 | 诸介甫 | 一种竹片正反面检测方法和系统 |
CN115082410A (zh) * | 2022-06-29 | 2022-09-20 | 西安工程大学 | 基于图像处理的卡簧缺陷检测方法 |
-
2023
- 2023-01-06 CN CN202310015189.0A patent/CN115908412B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112129773A (zh) * | 2020-08-20 | 2020-12-25 | 湖南大学 | 木材表面缺陷检测方法、装置、设备、系统及存储介质 |
CN112304954A (zh) * | 2020-10-20 | 2021-02-02 | 西安工程大学 | 一种基于线激光扫描及机器视觉的零件表面缺陷检测方法 |
CN114862781A (zh) * | 2022-04-27 | 2022-08-05 | 诸介甫 | 一种竹片正反面检测方法和系统 |
CN115082410A (zh) * | 2022-06-29 | 2022-09-20 | 西安工程大学 | 基于图像处理的卡簧缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
张朝勇;苏真伟;乔丽;陈谋钦;: "一种基于LED和线激光的钢轨表面缺陷检测系统" * |
陈力能;宋树祥;: "基于图像处理的麻将竹块缺陷检测" * |
Also Published As
Publication number | Publication date |
---|---|
CN115908412B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN105261110B (zh) | 一种高效dsp纸币冠字号识别方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN102750541B (zh) | 一种文档图像分类识别方法及装置 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
WO2017016448A1 (zh) | 一种qr码特征检测方法及系统 | |
CN113962997B (zh) | 基于图像处理的带钢边裂缺陷检测方法及系统 | |
CN107766854B (zh) | 一种基于模板匹配实现快速页码识别的方法 | |
CN109886954B (zh) | 一种印刷品缺陷检测方法 | |
CN114782475A (zh) | 基于人工智能系统的瓦楞纸箱压线缺陷检测优化方法 | |
WO2021253633A1 (zh) | 一种批量二维码的识别方法及识别终端 | |
WO2023045277A1 (zh) | 一种将图像中表格转换为电子表格的方法及装置 | |
CN111950654B (zh) | 基于svm分类的魔方色块颜色还原方法 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN116152234B (zh) | 基于图像处理的模板端面缺陷识别方法 | |
CN115908412A (zh) | 一种基于线激光图像的竹条缺陷检测方法及终端 | |
CN112329641A (zh) | 一种表格识别方法、装置、设备及可读存储介质 | |
CN111340000A (zh) | 一种针对pdf文档表格提取优化方法及系统 | |
CN109615626B (zh) | 一种芯片表面印刷符号结构缺陷的质量评估方法 | |
CN116862871A (zh) | 一种基于混合特征的木材计数方法 | |
CN115063817A (zh) | 一种基于形态学检测的表格识别方法、系统以及储存介质 | |
CN115063603B (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 | |
CN110516725A (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN113705487B (zh) | 精密工件识别及工艺参数关联系统以及识别方法 | |
CN113920112A (zh) | 一种基于独立分类型特征提取的织物瑕疵检测方法 |
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 |