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 PDFInfo
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 110
- 235000017166 Bambusa arundinacea Nutrition 0.000 title claims abstract description 98
- 235000017491 Bambusa tulda Nutrition 0.000 title claims abstract description 98
- 241001330002 Bambuseae Species 0.000 title claims abstract description 98
- 235000015334 Phyllostachys viridis Nutrition 0.000 title claims abstract description 98
- 239000011425 bamboo Substances 0.000 title claims abstract description 98
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 230000000994 depressogenic effect Effects 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001425476 Apiosporina morbosa Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 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
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:
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:
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:
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:
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:
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:
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:
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:
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:
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。
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:
具体而言,所述相同位置具体是满足下式:
具体而言,计算下式:
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:
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:
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:
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:
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)
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)
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 |
-
2023
- 2023-01-06 CN CN202310015189.0A patent/CN115908412B/zh active Active
Patent Citations (2)
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 |