CN115937186A - 一种纺织品缺陷识别方法及系统 - Google Patents

一种纺织品缺陷识别方法及系统 Download PDF

Info

Publication number
CN115937186A
CN115937186A CN202211706721.5A CN202211706721A CN115937186A CN 115937186 A CN115937186 A CN 115937186A CN 202211706721 A CN202211706721 A CN 202211706721A CN 115937186 A CN115937186 A CN 115937186A
Authority
CN
China
Prior art keywords
image
textile
pixel points
image segmentation
module
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.)
Pending
Application number
CN202211706721.5A
Other languages
English (en)
Inventor
薛采智
徐中一
项阳
薛创
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.)
Shanghai Zhongjian Quality Technology Co ltd
Original Assignee
Shanghai Zhongjian Quality 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 Shanghai Zhongjian Quality Technology Co ltd filed Critical Shanghai Zhongjian Quality Technology Co ltd
Priority to CN202211706721.5A priority Critical patent/CN115937186A/zh
Publication of CN115937186A publication Critical patent/CN115937186A/zh
Pending legal-status Critical Current

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

Landscapes

  • Image Processing (AREA)

Abstract

本发明属于缺陷识别领域，公开了一种纺织品缺陷识别方法，包括获取纺织品的表面图像；采用至少两种图像分割算法对纺织品表面图像进行图像分割，获取每种图像分割算法得到的感兴趣区域的像素点的集合；获取所有感兴趣区域的像素点的集合的交集setone；在纺织品表面图像中获取与交集中的像素点的相关的像素点的集合settwo；基于setone和settwo获得识别区域；对识别区域进行图像识别，判断纺织品表面是否出现缺陷。本发明还提供了相应的系统。与现有的采用单一的分割算法进行识别区域的获取相比，本发明提高了分割结果的准确率，从而提高了缺陷识别的准确率。

Description

一种纺织品缺陷识别方法及系统
技术领域
本发明涉及缺陷识别领域，尤其涉及一种纺织品缺陷识别方法。
背景技术
随着图像识别技术的进步，对纺织品进行缺陷识别的方式逐渐由传统的人工识别变化到了通过机器视觉的方式来进行识别。在使用机器视觉的方式对纺织品进行识别的过程中，一般是先通过摄像头等拍摄设备来获取纺织品表面的图像，然后对图像进行滤波、分割、特征提取等操作，基于提取到的特征进行图像识别处理，判断纺织品是否出现缺陷。
但是，现有的基于机器视觉的纺织品缺陷识别方法，在进行图像分割的过程中，往往采用的是单一的分割算法的分割结果作为纺织品表面图像的分割结果，这就导致分割结果不够准确。
发明内容
本发明的目的在于公开一种纺织品缺陷识别方法，解决现有的基于机器视觉的纺织品缺陷识别方法，采用的是单一的分割算法对纺织品表面图像进行分割，导致分割结果不够准确的问题。
为了达到上述目的，本发明采用如下技术方案：
一个方面，本发明提供了一种纺织品缺陷识别方法，包括：
获取纺织品的表面图像；
采用至少两种图像分割算法对纺织品表面图像进行图像分割，获取每种图像分割算法得到的感兴趣区域的像素点的集合；
获取所有感兴趣区域的像素点的集合的交集setone；
在纺织品表面图像中获取与交集中的像素点的相关的像素点的集合settwo；
基于setone和settwo获得识别区域；
对识别区域进行图像识别，判断纺织品表面是否出现缺陷。
可选的，获取纺织品的表面图像，包括：
计算获得的纺织品的表面图像的判断值；
若判断值小于设定的判断值边界值，则重新获取纺织品的表面图像。
可选的，判断值的计算过程为：
对纺织品的表面图像进行灰度化处理，得到灰度图像；
在灰度图像中，使用下述函数计算判断值：
Figure BDA0004024939290000021
jdgval表示判断值，α、β表示第一计算比例和第二计算比例，α与β的和为1，bk表示从灰度图像中随机选取nfbk个图像块的集合，vrsk表示图像块中的像素点的灰度值的均值，vrst表示设定的参考值，
Figure BDA0004024939290000022
表示灰度图像中满足
Figure BDA0004024939290000023
的像素点的数量，N表示灰度图像中的像素点总数，vals表示灰度图像中的像素点s的梯度值，vaneis表示像素点s的8邻域中的梯度值的最小值，max(vals,vaneis)表示取vals和vaneis中的较大值，difthr表示设定的判断阈值。
可选的，采用至少两种图像分割算法对纺织品表面图像进行图像分割，包括：
使用自适应阈值图像分割算法和基于遗传算法的图像分割算法对纺织品表面图像进行图像分割。
可选的，使用自适应阈值图像分割算法对纺织品表面图像进行图像分割，包括：
对纺织品表面图像进行自适应切块处理，将纺织品表面图像分成多个子图像；
使用自适应阈值图像分割算法分别对每个子图像进行图像分割。
可选的，获取每种图像分割算法得到的感兴趣区域的像素点的集合，包括：
获取图像分割算法得到的属于图像前景部分的像素点；
将图像前景部分的像素点作为感兴趣区域的像素点，存入感兴趣区域的像素点的集合。
可选的，基于setone和settwo获得识别区域，包括：
用setthr表示识别区域的像素点的集合，则：
setthr＝setone∪settwo。
另一个方面，本发明提供了一种纺织品缺陷识别系统，包括拍照模块、图像分割模块、交集模块、相关像素点模块、识别区域模块和缺陷判断模块：
拍照模块用于获取纺织品的表面图像；
图像分割模块用于采用至少两种图像分割算法对纺织品表面图像进行图像分割，获取每种图像分割算法得到的感兴趣区域的像素点的集合；
交集模块用于获取所有感兴趣区域的像素点的集合的交集setone；
相关像素点模块用于在纺织品表面图像中获取与交集中的像素点的相关的像素点的集合settwo；
识别区域模块用于基于setone和settwo获得识别区域；
缺陷判断模块用于对识别区域进行图像识别，判断纺织品表面是否出现缺陷。
本发明在基于纺织品的表面图像进行缺陷判断的过程中，通过至少两种图像分割算法来进行图像分割处理，然后基于图像分割的结果来得到识别区域，接着对分割区域进行图像识别从而获得缺陷判断结果。与现有的采用单一的分割算法进行识别区域的获取相比，本发明提高了分割结果的准确率，从而提高了缺陷识别的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种纺织品缺陷识别方法的一种示意图。
图2为本发明一种纺织品缺陷识别系统的一种示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
一个方面，如图1所示，本发明提供了一种纺织品缺陷识别方法，包括：
S101，获取纺织品的表面图像。
由于表面图像在获取的过程中可能会出现得到质量较差的图像的情况，因此，为了提高对纺织品进行缺陷识别的成功率，本发明获取纺织品的表面图像的步骤包括：
S201，计算获得的纺织品的表面图像的判断值；
S202，若判断值小于设定的判断值边界值，则重新获取纺织品的表面图像。
在一种实施例中，判断值的计算过程为：
对纺织品的表面图像进行灰度化处理，得到灰度图像；
在灰度图像中，使用下述函数计算判断值：
Figure BDA0004024939290000041
jdgval表示判断值，α、β表示第一计算比例和第二计算比例，α与β的和为1，bk表示从灰度图像中随机选取nfbk个图像块的集合，vrsk表示图像块中的像素点的灰度值的均值，vrst表示设定的参考值，
Figure BDA0004024939290000042
表示灰度图像中满足
Figure BDA0004024939290000043
的像素点的数量，N表示灰度图像中的像素点总数，vals表示灰度图像中的像素点s的梯度值，vaneis表示像素点s的8邻域中的梯度值的最小值，max(vals,vaneis)表示取vals和vaneis中的较大值，difthr表示设定的判断阈值。
判断值的计算函数在计算时不仅考虑了随机选取的图像块中的像素点的灰度值均值之间的区别，而且还考虑了与8邻域像素点的梯度值的差值大于判断阈值的像素点的数量。对于质量较差的图像，不同的图像块的灰度值的均值差异一般都是比较小的，因此，在上述函数中，会使得判断值偏小，而与8邻域的像素点之间的梯度值最大差值越小，则表示图像质量越差，满足不等式的像素点的数量越小，也会使得判断值偏小，从而将质量较差的图像筛选出来。
在一种实施例中，对纺织品的表面图像进行灰度化处理，得到灰度图像，包括：
S301，使用加权平均法对纺织品的表面图像进行灰度化处理，得到处理图像；
S302，对处理图像进行提高处理，得到灰度图像。
具体的，S302的实现过程为：
获取纺织品的表面图像在RGB颜色模型中的红、绿、蓝三个分量所对应的图像phR、phG、phB；
使用Canny算法分别对phR、phG、phB进行计算，得到图像aphR、aphG、aphB；
分别获取aphR、aphG、aphB中像素值大于设定的像素门槛值的像素点的集合aphRset、aphGset、aphBset；
计算aphRset、aphGset、aphBset的交集uinset；
在处理图像中对uinset中的像素点进行提高处理，得到灰度图像：
grayipx＝δ×(wphR×phRipx+wphG×phGipx+wphB×phBipx)+(1-δ)×gripx
其中，grayipx表示对uinset中的像素点ipx进行提高处理后，ipx在灰度图像gray中的像素值，δ表示比例参数，phRipx、phGipx、phBipx分别表示像素点ipx在phR、phG、phB中对应的像素点的像素值，wphR、wphG、wphB分别表示phRipx、phGipx、phBipx的权重，gripx表示像素点ipx在处理图像中的像素值，
Figure BDA0004024939290000051
aveaphRset、aveaphGsetaveaphBset分别表示aphRset、aphGset、aphBset中的像素点的信息系数，
Figure BDA0004024939290000052
在进行提高处理的过程中，上述实施例先通过加权平均法获得处理图像，然后再基于RGB颜色模型中的红、绿、蓝三个分量的图像中的像素点的像素值进行提高处理，从而达到使得灰度图像中的边缘更加清晰的效果。Canny算法是用来获得phR、phG、phB中的边缘像素点，而对于边缘像素点，本发明通过设置像素门槛值来进一步进行筛选，得到集合aphRset、aphGset、aphBset。这种设置方式能够将最具有边缘代表性的像素点选出来，然后通过获取交集uinset来得到aphRset、aphGset、aphBset中共有的像素点，来作为提高处理的参考像素点，同时为三种像素点自适应地计算了相应的权重值，实现了准确的提高处理。
在权重值的计算过程中，为了避免噪声的影响，本发明计算的信息系数，信息系数越大，表示图像携带有效的边缘信息的概率越大，从而使得对应的像素值的权重越大。
在一种实施例中，信息系数aveaphRset的计算函数为：
Figure BDA0004024939290000053
其中，nmg表示aphRset中像素为g的像素点的数量，nmaR表示aphRset中的像素点的数量。
aveaphGset和aveaphBset的计算过程与aveaphRset的计算过程相同，这里不再赘述。
在一种实施例中，获取每种图像分割算法得到的感兴趣区域的像素点的集合，包括：
获取图像分割算法得到的属于图像前景部分的像素点；
将图像前景部分的像素点作为感兴趣区域的像素点，存入感兴趣区域的像素点的集合。
在本发明中，前景部分的像素点即为可能存在缺陷的区域的像素点。
S102，采用至少两种图像分割算法对纺织品表面图像进行图像分割，获取每种图像分割算法得到的感兴趣区域的像素点的集合。
使用不同的分割算法来进行分割，能够提高交集setone中包含正确的分割的像素点的概率。
在一种实施例中，采用至少两种图像分割算法对纺织品表面图像进行图像分割，包括：
使用自适应阈值图像分割算法和基于遗传算法的图像分割算法对纺织品表面图像进行图像分割。
在一种实施例中，使用自适应阈值图像分割算法对纺织品表面图像进行图像分割，包括：
对纺织品表面图像进行自适应切块处理，将纺织品表面图像分成多个子图像；
使用自适应阈值图像分割算法分别对每个子图像进行图像分割。
对图像进行切块处理，能够避免对所有像素点使用同一个分割阈值，因为单一分割阈值仅适合在背景和前景都很简单的情况下适用，而对于纺织品，如果存在多处缺陷，那么单一的分割阈值便很难将多处的缺陷同时识别出来。因此，上述实施例能够在不同的子图像中计算出不同的分割阈值来进行分割，提高分割结果的准确率。
在一种实施例中，对纺织品表面图像进行自适应切块处理，将纺织品表面图像分成多个子图像，包括：
使用预设的尺寸为Q×Q的滑动窗口在纺织品表面图像上进行重叠滑动，使用如下函数计算自适应滑动距离：
Figure BDA0004024939290000061
其中，adrt+1为滑动窗口进行第t+1次滑动时的滑动距离，Θx+Q,y+Q表示以坐标为(x+Q,y+Q)为中心的，Q×Q的窗口S中的像素点的窗口系数，stnc表示设定的常数参数，x和y分别表示第t次滑动后，滑动窗口的中心的像素点的横坐标和纵坐标，
Figure BDA0004024939290000071
numbudS表示窗口S中的边缘像素点的数量，
Figure BDA0004024939290000072
表示在以坐标为(x,y)的像素点为中心的尺寸为Q×Q的滑动窗口中，横坐标为
Figure BDA0004024939290000073
的边缘像素点的数量，Γ为控制系数，用于控制Θx+Q,y+Q小于stnc。
现有的通过滑动窗口来获取子图像的方式，一般都是设置固定的滑动距离来进行重叠滑动，但是，若窗口的右侧边缘属于纺织品的表面图像中的边缘像素点，则切块之后，再进行图像分割处理，很容易导致分割处理之后的前景区域中，边缘变得不连续。因此，本发明通过窗口系数来自适应地计算滑动距离，若下一个滑动的窗口附近，边缘的像素点过多，则缩短滑动距离，通过更大的重叠程度来保证分割之后的边缘的连续性。本发明有利于提高图像分割后得到的图像的质量。
在另一种实施例中，采用至少两种图像分割算法对纺织品表面图像进行图像分割，包括：
使用大津法和分水岭算法对纺织品表面图像进行图像分割。
S103，获取所有感兴趣区域的像素点的集合的交集setone。
S104，在纺织品表面图像中获取与交集中的像素点的相关的像素点的集合settwo。
具体的，分别以settwo中的每个像素点为种子点，使用区域生长算法对纺织品表面图像进行计算，将区域生长过程中新得到的且不属于setone的像素点作为settwo中的像素点。
S105，基于setone和settwo获得识别区域。
在一种实施例中，基于setone和settwo获得识别区域，包括：
用setthr表示识别区域的像素点的集合，则：
setthr＝setone∪settwo。
S106，对识别区域进行图像识别，判断纺织品表面是否出现缺陷。
具体的，缺陷可以包括断裂、孔洞、褶皱等。
本发明在基于纺织品的表面图像进行缺陷判断的过程中，通过至少两种图像分割算法来进行图像分割处理，然后基于图像分割的结果来得到识别区域，接着对分割区域进行图像识别从而获得缺陷判断结果。与现有的采用单一的分割算法进行识别区域的获取相比，本发明提高了分割结果的准确率，从而提高了缺陷识别的准确率。
另一个方面，如图2所示，本发明提供了一种纺织品缺陷识别系统，包括拍照模块、图像分割模块、交集模块、相关像素点模块、识别区域模块和缺陷判断模块：
拍照模块用于获取纺织品的表面图像；
图像分割模块用于采用至少两种图像分割算法对纺织品表面图像进行图像分割，获取每种图像分割算法得到的感兴趣区域的像素点的集合；
交集模块用于获取所有感兴趣区域的像素点的集合的交集setone；
相关像素点模块用于在纺织品表面图像中获取与交集中的像素点的相关的像素点的集合settwo；
识别区域模块用于基于setone和settwo获得识别区域；
缺陷判断模块用于对识别区域进行图像识别，判断纺织品表面是否出现缺陷。
在本申请中所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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装置(可以是个人计算机，服务器，或者网络装置等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (8)

1.一种纺织品缺陷识别方法，其特征在于，包括：
获取纺织品的表面图像；
采用至少两种图像分割算法对纺织品表面图像进行图像分割，获取每种图像分割算法得到的感兴趣区域的像素点的集合；
获取所有感兴趣区域的像素点的集合的交集setone；
在纺织品表面图像中获取与交集中的像素点的相关的像素点的集合settwo；
基于setone和settwo获得识别区域；
对识别区域进行图像识别，判断纺织品表面是否出现缺陷。
2.根据权利要求1所述的一种纺织品缺陷识别方法，其特征在于，获取纺织品的表面图像，包括：
计算获得的纺织品的表面图像的判断值；
若判断值小于设定的判断值边界值，则重新获取纺织品的表面图像。
3.根据权利要求2所述的一种纺织品缺陷识别方法，其特征在于，判断值的计算过程为：
对纺织品的表面图像进行灰度化处理，得到灰度图像；
在灰度图像中，使用下述函数计算判断值：
Figure FDA0004024939280000011
jdgval表示判断值，α、β表示第一计算比例和第二计算比例，α与β的和为1，bk表示从灰度图像中随机选取nfbk个图像块的集合，vrsk表示图像块中的像素点的灰度值的均值，vrst表示设定的参考值，
Figure FDA0004024939280000012
表示灰度图像中满足
Figure FDA0004024939280000013
的像素点的数量，N表示灰度图像中的像素点总数，vals表示灰度图像中的像素点s的梯度值，vaneis表示像素点s的8邻域中的梯度值的最小值，max(vals,vaneis)表示取vals和vaneis中的较大值，difthr表示设定的判断阈值。
4.根据权利要求1所述的一种纺织品缺陷识别方法，其特征在于，采用至少两种图像分割算法对纺织品表面图像进行图像分割，包括：
使用自适应阈值图像分割算法和基于遗传算法的图像分割算法对纺织品表面图像进行图像分割。
5.根据权利要求4所述的一种纺织品缺陷识别方法，其特征在于，使用自适应阈值图像分割算法对纺织品表面图像进行图像分割，包括：
对纺织品表面图像进行自适应切块处理，将纺织品表面图像分成多个子图像；
使用自适应阈值图像分割算法分别对每个子图像进行图像分割。
6.根据权利要求1所述的一种纺织品缺陷识别方法，其特征在于，获取每种图像分割算法得到的感兴趣区域的像素点的集合，包括：
获取图像分割算法得到的属于图像前景部分的像素点；
将图像前景部分的像素点作为感兴趣区域的像素点，存入感兴趣区域的像素点的集合。
7.根据权利要求1所述的一种纺织品缺陷识别方法，其特征在于，基于setone和settwo获得识别区域，包括：
用setthr表示识别区域的像素点的集合，则：
setthr＝setone∪settwo。
8.一种纺织品缺陷识别系统，其特征在于，包括拍照模块、图像分割模块、交集模块、相关像素点模块、识别区域模块和缺陷判断模块：
拍照模块用于获取纺织品的表面图像；
图像分割模块用于采用至少两种图像分割算法对纺织品表面图像进行图像分割，获取每种图像分割算法得到的感兴趣区域的像素点的集合；
交集模块用于获取所有感兴趣区域的像素点的集合的交集setone；
相关像素点模块用于在纺织品表面图像中获取与交集中的像素点的相关的像素点的集合settwo；
识别区域模块用于基于setone和settwo获得识别区域；
缺陷判断模块用于对识别区域进行图像识别，判断纺织品表面是否出现缺陷。
CN202211706721.5A 2022-12-29 2022-12-29 一种纺织品缺陷识别方法及系统 Pending CN115937186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211706721.5A CN115937186A (zh) 2022-12-29 2022-12-29 一种纺织品缺陷识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211706721.5A CN115937186A (zh) 2022-12-29 2022-12-29 一种纺织品缺陷识别方法及系统

Publications (1)

Publication Number Publication Date
CN115937186A true CN115937186A (zh) 2023-04-07

Family

ID=86554224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211706721.5A Pending CN115937186A (zh) 2022-12-29 2022-12-29 一种纺织品缺陷识别方法及系统

Country Status (1)

Country Link
CN (1) CN115937186A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116846789A (zh) * 2023-09-01 2023-10-03 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN117152687A (zh) * 2023-10-31 2023-12-01 中国通信建设第三工程局有限公司 一种通信线路状态监测系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116846789A (zh) * 2023-09-01 2023-10-03 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN116846789B (zh) * 2023-09-01 2023-11-14 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN117152687A (zh) * 2023-10-31 2023-12-01 中国通信建设第三工程局有限公司 一种通信线路状态监测系统
CN117152687B (zh) * 2023-10-31 2024-01-26 中国通信建设第三工程局有限公司 一种通信线路状态监测系统

Similar Documents

Publication Publication Date Title
CN115937186A (zh) 一种纺织品缺陷识别方法及系统
WO2012074361A1 (en) Method of image segmentation using intensity and depth information
EP2797052B1 (en) Detecting a saliency region in an image
CN110390643B (zh) 一种车牌增强方法、装置及电子设备
CN108182671B (zh) 一种基于天空区域识别的单幅图像去雾方法
CN109325498B (zh) 基于窗口动态阈值改进Canny算子的叶脉提取方法
CN109214996B (zh) 一种图像处理方法及装置
US20230063309A1 (en) Method for processing human body image and electronic device
CN113610852B (zh) 基于图像处理的纱线牵伸质量监测方法
CN114998290A (zh) 基于有监督模式的织物瑕疵检测方法、装置、设备及介质
CN116934761B (zh) 一种乳胶手套缺陷自适应检测方法
CN116843581B (zh) 一种多场景图的图像增强方法、系统、设备和存储介质
CN115620117B (zh) 一种用于网络访问权限认证的人脸信息加密方法及系统
CN115115622B (zh) 一种冲压端子视觉检测装置
KR101089902B1 (ko) 디지털 이미지의 에지 영역 판단 장치 및 방법
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
JP2000357226A (ja) 濃淡画像の２値化方法および濃淡画像の２値化プログラムを記録した記録媒体
CN115937075A (zh) 一种基于无监督模式的纹理织物瑕疵检测方法及介质
CN111754413A (zh) 图像处理方法、装置、设备及存储介质
CN115660990A (zh) 基于亮度分类的内窥镜图像镜面反射检测与修复方法
CN114723728A (zh) 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统
CN110647843B (zh) 一种人脸面部图像处理方法
CN112085683A (zh) 一种显著性检测中的深度图可信度检测方法
CN111145193A (zh) 一种自适应全局阈值二值化方法
CN115578388B (zh) 用于纺织生产的数据处理方法

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