CN115908412B - 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 PDF

Info

Publication number
CN115908412B
CN115908412B CN202310015189.0A CN202310015189A CN115908412B CN 115908412 B CN115908412 B CN 115908412B CN 202310015189 A CN202310015189 A CN 202310015189A CN 115908412 B CN115908412 B CN 115908412B
Authority
CN
China
Prior art keywords
laser
abnormal
line
line segment
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.)
Active
Application number
CN202310015189.0A
Other languages
English (en)
Other versions
CN115908412A (zh
Inventor
杨和
刘文哲
童同
高钦泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Dishi Intelligent Technology Co ltd
Original Assignee
Fujian Dishi Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Dishi Intelligent Technology Co ltd filed Critical Fujian Dishi Intelligent Technology Co ltd
Priority to CN202310015189.0A priority Critical patent/CN115908412B/zh
Publication of CN115908412A publication Critical patent/CN115908412A/zh
Application granted granted Critical
Publication of CN115908412B publication Critical patent/CN115908412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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

一种基于线激光图像的竹条缺陷检测方法及终端
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：
Figure 535717DEST_PATH_IMAGE001
；
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
Figure 518104DEST_PATH_IMAGE002
，n为自然数；
S23、根据提取的激光点序列
Figure 829000DEST_PATH_IMAGE002
拟合直线Line；
S24、计算激光点序列
Figure 755368DEST_PATH_IMAGE002
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
Figure 100898DEST_PATH_IMAGE002
的距离序列
Figure 720098DEST_PATH_IMAGE003
；
S25、根据激光点序列
Figure 49449DEST_PATH_IMAGE002
和距离序列
Figure 779507DEST_PATH_IMAGE003
得到连续点组成的且满足以下条 件的激光异常线段
Figure 713965DEST_PATH_IMAGE004
：
Figure 238487DEST_PATH_IMAGE005
；
式中，MIN_LENGTH为最小线段长度，
Figure 320713DEST_PATH_IMAGE006
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
Figure 323304DEST_PATH_IMAGE007
的深度信息、位置信息和是否凹陷,其中，深 度信息
Figure 377848DEST_PATH_IMAGE008
具体是激光异常线段
Figure 338850DEST_PATH_IMAGE007
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
Figure 905442DEST_PATH_IMAGE007
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
Figure 242883DEST_PATH_IMAGE007
位于边缘位置；
计算激光异常线段
Figure 948671DEST_PATH_IMAGE007
是否凹陷具体是判断激光异常线段
Figure 346154DEST_PATH_IMAGE007
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
Figure 340655DEST_PATH_IMAGE007
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{
Figure 216207DEST_PATH_IMAGE009
}；
S32、遍历
Figure 979763DEST_PATH_IMAGE010
=
Figure 282569DEST_PATH_IMAGE011
，对于任意
Figure 561103DEST_PATH_IMAGE012
，若下 一个线激光图像存在相同位置的
Figure 974767DEST_PATH_IMAGE013
，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
Figure 392498DEST_PATH_IMAGE014
中激光线异常线段的总个数count；
统计各个异常区域
Figure 600625DEST_PATH_IMAGE015
的激光区域的缺陷平均宽度outlier_length；
统计各个异常区域
Figure 366456DEST_PATH_IMAGE015
中
Figure 521494DEST_PATH_IMAGE012
和
Figure 321959DEST_PATH_IMAGE013
边缘位置属性相同情 况的数量edge_count；
统计各个异常区域
Figure 966567DEST_PATH_IMAGE015
中
Figure 422957DEST_PATH_IMAGE012
和
Figure 178423DEST_PATH_IMAGE013
凹陷属性相同情况的 数量cave_count；
S34、判断各个异常区域
Figure 771078DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为缺边缺陷：
Figure 586588DEST_PATH_IMAGE016
；
判断各个异常区域
Figure 530273DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为竹黄缺陷：
Figure 89430DEST_PATH_IMAGE017
；
判断各个异常区域
Figure 802171DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为缩水缺陷：
Figure 523003DEST_PATH_IMAGE018
；
其中，
Figure 688405DEST_PATH_IMAGE019
和
Figure 579482DEST_PATH_IMAGE020
根据下式获得：
Figure 615571DEST_PATH_IMAGE021
。
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：
Figure 304041DEST_PATH_IMAGE022
；
式中，
Figure 222318DEST_PATH_IMAGE023
是
Figure 123278DEST_PATH_IMAGE012
的起始y坐标信息，
Figure 545032DEST_PATH_IMAGE024
是
Figure 873246DEST_PATH_IMAGE012
的结束y坐标信 息，
Figure 13240DEST_PATH_IMAGE025
是
Figure 717891DEST_PATH_IMAGE026
的起始y坐标信息，
Figure 994151DEST_PATH_IMAGE027
是
Figure 493266DEST_PATH_IMAGE026
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
Figure 120556DEST_PATH_IMAGE014
的平均深度：
Figure 363319DEST_PATH_IMAGE028
；
式中，
Figure 759665DEST_PATH_IMAGE029
为异常区域
Figure 429681DEST_PATH_IMAGE014
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：
Figure 547197DEST_PATH_IMAGE001
；
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
Figure 328071DEST_PATH_IMAGE002
，n为自然数；
S23、根据提取的激光点序列
Figure 844503DEST_PATH_IMAGE002
拟合直线Line；
S24、计算激光点序列
Figure 685420DEST_PATH_IMAGE002
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
Figure 287303DEST_PATH_IMAGE002
的距离序列
Figure 871868DEST_PATH_IMAGE003
；
S25、根据激光点序列
Figure 242806DEST_PATH_IMAGE002
和距离序列
Figure 254625DEST_PATH_IMAGE003
得到连续点组成的且满足以下条 件的激光异常线段
Figure 343803DEST_PATH_IMAGE004
：
Figure 732059DEST_PATH_IMAGE030
；
式中，MIN_LENGTH为最小线段长度，
Figure 691925DEST_PATH_IMAGE006
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
Figure 874645DEST_PATH_IMAGE007
的深度信息、位置信息和是否凹陷,其中，深 度信息
Figure 451120DEST_PATH_IMAGE008
具体是激光异常线段
Figure 377487DEST_PATH_IMAGE007
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
Figure 457439DEST_PATH_IMAGE007
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
Figure 76639DEST_PATH_IMAGE007
位于边缘位置；
计算激光异常线段
Figure 895339DEST_PATH_IMAGE007
是否凹陷具体是判断激光异常线段
Figure 422135DEST_PATH_IMAGE007
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
Figure 559855DEST_PATH_IMAGE007
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{
Figure 146694DEST_PATH_IMAGE031
}；
S32、遍历
Figure 432182DEST_PATH_IMAGE010
=
Figure 700352DEST_PATH_IMAGE011
，对于任意
Figure 489317DEST_PATH_IMAGE012
，若下 一个线激光图像存在相同位置的
Figure 715899DEST_PATH_IMAGE013
，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
Figure 223104DEST_PATH_IMAGE014
中激光线异常线段的总个数count；
统计各个异常区域
Figure 294965DEST_PATH_IMAGE015
的激光区域的缺陷平均宽度outlier_length；
统计各个异常区域
Figure 469594DEST_PATH_IMAGE015
中
Figure 335919DEST_PATH_IMAGE012
和
Figure 595999DEST_PATH_IMAGE013
边缘位置属性相同情 况的数量edge_count；
统计各个异常区域
Figure 205972DEST_PATH_IMAGE015
中
Figure 438370DEST_PATH_IMAGE012
和
Figure 275264DEST_PATH_IMAGE013
凹陷属性相同情况的 数量cave_count；
S34、判断各个异常区域
Figure 22640DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为缺边缺陷：
Figure 436304DEST_PATH_IMAGE032
；
判断各个异常区域
Figure 319946DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为竹黄缺陷：
Figure 793653DEST_PATH_IMAGE033
；
判断各个异常区域
Figure 762746DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为缩水缺陷：
Figure 448942DEST_PATH_IMAGE034
；
其中，
Figure 452670DEST_PATH_IMAGE019
和
Figure 831699DEST_PATH_IMAGE020
根据下式获得：
Figure 553667DEST_PATH_IMAGE035
。
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：
Figure 43554DEST_PATH_IMAGE022
；
式中，
Figure 901789DEST_PATH_IMAGE023
是
Figure 717298DEST_PATH_IMAGE012
的起始y坐标信息，
Figure 926563DEST_PATH_IMAGE024
是
Figure 954561DEST_PATH_IMAGE012
的结束y坐标信 息，
Figure 932882DEST_PATH_IMAGE025
是
Figure 650783DEST_PATH_IMAGE026
的起始y坐标信息，
Figure 81765DEST_PATH_IMAGE027
是
Figure 179034DEST_PATH_IMAGE026
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
Figure 746281DEST_PATH_IMAGE014
的平均深度：
Figure 903593DEST_PATH_IMAGE028
；
式中，
Figure 821871DEST_PATH_IMAGE029
为异常区域
Figure 457251DEST_PATH_IMAGE014
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：
Figure 144585DEST_PATH_IMAGE001
；
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
Figure 472798DEST_PATH_IMAGE002
。
S23、根据提取的激光点序列
Figure 878371DEST_PATH_IMAGE002
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
Figure 583022DEST_PATH_IMAGE002
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
Figure 124862DEST_PATH_IMAGE002
的距离序列
Figure 623976DEST_PATH_IMAGE003
；
S25、根据激光点序列
Figure 251267DEST_PATH_IMAGE002
和距离序列
Figure 962871DEST_PATH_IMAGE003
得到连续点组成的且满足以下条 件的激光异常线段
Figure 624796DEST_PATH_IMAGE004
：
Figure 297742DEST_PATH_IMAGE030
；
式中，MIN_LENGTH为最小线段长度，
Figure 677908DEST_PATH_IMAGE006
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
Figure 193202DEST_PATH_IMAGE007
的深度信息、位置信息和是否凹陷,其中，深 度信息
Figure 709634DEST_PATH_IMAGE008
具体是激光异常线段
Figure 550552DEST_PATH_IMAGE007
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
Figure 152434DEST_PATH_IMAGE007
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
Figure 736999DEST_PATH_IMAGE007
位于边缘位置；
计算激光异常线段
Figure 107938DEST_PATH_IMAGE007
是否凹陷具体是判断激光异常线段
Figure 119756DEST_PATH_IMAGE007
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
Figure 943356DEST_PATH_IMAGE007
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{
Figure 128349DEST_PATH_IMAGE031
}。
S32、遍历
Figure 557057DEST_PATH_IMAGE010
=
Figure 739776DEST_PATH_IMAGE011
，对于任意
Figure 316251DEST_PATH_IMAGE012
，若下 一个线激光图像存在相同位置的
Figure 242619DEST_PATH_IMAGE013
，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：
Figure 322570DEST_PATH_IMAGE022
；
式中，
Figure 735578DEST_PATH_IMAGE023
是
Figure 737032DEST_PATH_IMAGE012
的起始y坐标信息，
Figure 998250DEST_PATH_IMAGE024
是
Figure 198287DEST_PATH_IMAGE012
的结束y坐标信 息，
Figure 988388DEST_PATH_IMAGE025
是
Figure 8297DEST_PATH_IMAGE026
的起始y坐标信息，
Figure 542046DEST_PATH_IMAGE027
是
Figure 596590DEST_PATH_IMAGE026
的结束y坐标信息。
S33、统计各个异常区域
Figure 292014DEST_PATH_IMAGE014
中激光线异常线段的总个数count；
统计各个异常区域
Figure 64797DEST_PATH_IMAGE015
的激光区域的缺陷平均宽度outlier_length；
统计各个异常区域
Figure 871079DEST_PATH_IMAGE015
中
Figure 780130DEST_PATH_IMAGE012
和
Figure 912034DEST_PATH_IMAGE013
边缘位置属性相同情 况的数量edge_count；
统计各个异常区域
Figure 172114DEST_PATH_IMAGE015
中
Figure 782087DEST_PATH_IMAGE012
和
Figure 814152DEST_PATH_IMAGE013
凹陷属性相同情况的 数量cave_count；
S34、判断各个异常区域
Figure 851378DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为缺边缺陷：
Figure 598754DEST_PATH_IMAGE032
；
判断各个异常区域
Figure 12418DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为竹黄缺陷：
Figure 161640DEST_PATH_IMAGE033
；
判断各个异常区域
Figure 104188DEST_PATH_IMAGE014
是否满足以下条件，若满足，则为缩水缺陷：
Figure 73281DEST_PATH_IMAGE034
；
其中，
Figure 290636DEST_PATH_IMAGE019
和
Figure 28785DEST_PATH_IMAGE020
根据下式获得：
Figure 673393DEST_PATH_IMAGE035
。
S35、计算各个异常区域
Figure 129782DEST_PATH_IMAGE014
的平均深度。
具体而言，计算下式：
Figure 885248DEST_PATH_IMAGE028
；
式中，
Figure 743483DEST_PATH_IMAGE029
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 (6)

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；
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：
Figure QLYQS_1
；
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
Figure QLYQS_2
，n为自然数；
S23、根据提取的激光点序列
Figure QLYQS_3
拟合直线Line；
S24、计算激光点序列
Figure QLYQS_4
中各个激光点到拟合直线Line的垂直距离，汇总各个垂直距离得到激光点序列/>
Figure QLYQS_5
的距离序列/>
Figure QLYQS_6
；
S25、根据激光点序列
Figure QLYQS_7
和距离序列/>
Figure QLYQS_8
得到连续点组成的且满足以下条件的激光异常线段/>
Figure QLYQS_9
：
Figure QLYQS_10
；
式中，MIN_LENGTH为最小线段长度，
Figure QLYQS_11
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
Figure QLYQS_12
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/>
Figure QLYQS_13
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
Figure QLYQS_14
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是否大于设定值MAXID，若一者为真，则表示激光异常线段/>
Figure QLYQS_15
位于边缘位置；
计算激光异常线段
Figure QLYQS_16
是否凹陷具体是判断激光异常线段
Figure QLYQS_17
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
Figure QLYQS_18
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；
所述缺陷包括缩水、缺边以及竹黄中的一者或多者；
所述步骤S3具体包括：
S31、获取所有线激光图像的激光异常线段以形成各线激光图像的激光线异常线段集{
Figure QLYQS_19
}；
S32、遍历
Figure QLYQS_20
=/>
Figure QLYQS_21
，对于任意
Figure QLYQS_22
，若下一个线激光图像存在相同位置的/>
Figure QLYQS_23
，则两个激光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
Figure QLYQS_24
中激光异常线段的总个数count；
统计各个异常区域
Figure QLYQS_25
的激光区域的缺陷平均宽度outlier_length；
统计各个异常区域
Figure QLYQS_26
中OutlierLaserx和/>
Figure QLYQS_27
边缘位置属性相同情况的数量edge_count；
统计各个异常区域
Figure QLYQS_28
中OutlierLaserx和/>
Figure QLYQS_29
凹陷属性相同情况的数量cave_count；
S34、判断各个异常区域
Figure QLYQS_30
是否满足以下条件，若满足，则为缺边缺陷：
Figure QLYQS_31
；
判断各个异常区域
Figure QLYQS_32
是否满足以下条件，若满足，则为竹黄缺陷：
Figure QLYQS_33
；
判断各个异常区域
Figure QLYQS_34
是否满足以下条件，若满足，则为缩水缺陷：
Figure QLYQS_35
；
其中，
Figure QLYQS_36
和/>
Figure QLYQS_37
根据下式获得：
Figure QLYQS_38
。
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，所述相同位置具体是满足下式：
Figure QLYQS_39
；
式中，
Figure QLYQS_42
是/>
Figure QLYQS_44
的起始y坐标信息，/>
Figure QLYQS_46
是/>
Figure QLYQS_41
的结束y坐标信息，/>
Figure QLYQS_43
是/>
Figure QLYQS_45
的起始y坐标信息，/>
Figure QLYQS_47
是/>
Figure QLYQS_40
的结束y坐标信息。
3.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S3还包括：
根据下式计算各个异常区域
Figure QLYQS_48
的平均深度：
Figure QLYQS_49
；
式中，
Figure QLYQS_50
为异常区域/>
Figure QLYQS_51
内激光异常线段的深度信息。
4.一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；
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：
Figure QLYQS_52
；
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
Figure QLYQS_53
，n为自然数；
S23、根据提取的激光点序列
Figure QLYQS_54
拟合直线Line；
S24、计算激光点序列
Figure QLYQS_55
中各个激光点到拟合直线Line的垂直距离，汇总各个垂直距离得到激光点序列/>
Figure QLYQS_56
的距离序列/>
Figure QLYQS_57
；
S25、根据激光点序列
Figure QLYQS_58
和距离序列/>
Figure QLYQS_59
得到连续点组成的且满足以下条件的激光异常线段/>
Figure QLYQS_60
：
Figure QLYQS_61
；/>
式中，MIN_LENGTH为最小线段长度，
Figure QLYQS_62
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
Figure QLYQS_63
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/>
Figure QLYQS_64
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
Figure QLYQS_65
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是否大于设定值MAXID，若一者为真，则表示激光异常线段/>
Figure QLYQS_66
位于边缘位置；
计算激光异常线段
Figure QLYQS_67
是否凹陷具体是判断激光异常线段
Figure QLYQS_68
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
Figure QLYQS_69
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；
所述缺陷包括缩水、缺边以及竹黄中的一者或多者；
所述步骤S3具体包括：
S31、获取所有线激光图像的激光异常线段以形成各线激光图像的激光线异常线段集{
Figure QLYQS_70
}；
S32、遍历
Figure QLYQS_71
=/>
Figure QLYQS_72
，对于任意
Figure QLYQS_73
，若下一个线激光图像存在相同位置的/>
Figure QLYQS_74
，则两个激光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
Figure QLYQS_75
中激光异常线段的总个数count；
统计各个异常区域
Figure QLYQS_76
的激光区域的缺陷平均宽度outlier_length；
统计各个异常区域
Figure QLYQS_77
中OutlierLaserx和/>
Figure QLYQS_78
边缘位置属性相同情况的数量edge_count；
统计各个异常区域
Figure QLYQS_79
中OutlierLaserx和/>
Figure QLYQS_80
凹陷属性相同情况的数量cave_count；
S34、判断各个异常区域
Figure QLYQS_81
是否满足以下条件，若满足，则为缺边缺陷：
Figure QLYQS_82
；/>
判断各个异常区域
Figure QLYQS_83
是否满足以下条件，若满足，则为竹黄缺陷：
Figure QLYQS_84
；
判断各个异常区域
Figure QLYQS_85
是否满足以下条件，若满足，则为缩水缺陷：
Figure QLYQS_86
；
其中，
Figure QLYQS_87
和/>
Figure QLYQS_88
根据下式获得：
Figure QLYQS_89
。
5.根据权利要求4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：
Figure QLYQS_90
；
式中，
Figure QLYQS_92
是/>
Figure QLYQS_95
的起始y坐标信息，/>
Figure QLYQS_97
是/>
Figure QLYQS_93
的结束y坐标信息，/>
Figure QLYQS_94
是/>
Figure QLYQS_96
的起始y坐标信息，/>
Figure QLYQS_98
是/>
Figure QLYQS_91
的结束y坐标信息。
6.根据权利要求4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
Figure QLYQS_99
的平均深度：
Figure QLYQS_100
；
式中，
Figure QLYQS_101
为异常区域/>
Figure QLYQS_102
内激光异常线段的深度信息。/>
CN202310015189.0A 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 Active CN115908412B (zh)

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 CN115908412A (zh) 2023-04-04
CN115908412B true 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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158258B (zh) * 2015-07-15 2017-09-01 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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Also Published As

Publication number Publication date
CN115908412A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN105894036B (zh) 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法
CN104504388B (zh) 一种路面裂缝识别和特征提取算法及系统
CN105205488B (zh) 基于Harris角点和笔画宽度的文字区域检测方法
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN109886954B (zh) 一种印刷品缺陷检测方法
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
US9996766B2 (en) Imaging-based methods for detecting and measuring defects in extruded cellular ceramic articles
CN110427979B (zh) 基于K-Means聚类算法的道路水坑识别方法
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
CN113077437A (zh) 工件质量检测方法及其系统
CN113935953A (zh) 基于图像处理的钢卷缺陷检测方法
CN112508913A (zh) 基于图像检测的电缆截面边沿检测方法
CN114863492A (zh) 一种低质量指纹图像的修复方法及修复装置
CN114627109A (zh) 基于图像增强和深度学习的煤矸分类识别方法与流程
CN113240668B (zh) 一种基于图像数字特征分布的生成熔池图像质量评估方法
CN114387269A (zh) 一种基于激光的纤维丝缺损检测方法
CN115908412B (zh) 一种基于线激光图像的竹条缺陷检测方法及终端
CN113723494A (zh) 一种不确定干扰源下激光视觉条纹分类及焊缝特征提取方法
CN111340000A (zh) 一种针对pdf文档表格提取优化方法及系统
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
CN116152234A (zh) 基于图像处理的模板端面缺陷识别方法

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