CN116309577A - 一种高强传送带物料智能检测方法及系统 - Google Patents

一种高强传送带物料智能检测方法及系统 Download PDF

Info

Publication number
CN116309577A
CN116309577A CN202310566144.2A CN202310566144A CN116309577A CN 116309577 A CN116309577 A CN 116309577A CN 202310566144 A CN202310566144 A CN 202310566144A CN 116309577 A CN116309577 A CN 116309577A
Authority
CN
China
Prior art keywords
area
shielding
acquiring
region
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
Application number
CN202310566144.2A
Other languages
English (en)
Other versions
CN116309577B (zh
Inventor
陈瑞菊
朱来崇
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.)
Shandong Chenguang Adhesive Tape Co ltd
Original Assignee
Shandong Chenguang Adhesive Tape 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 Shandong Chenguang Adhesive Tape Co ltd filed Critical Shandong Chenguang Adhesive Tape Co ltd
Priority to CN202310566144.2A priority Critical patent/CN116309577B/zh
Publication of CN116309577A publication Critical patent/CN116309577A/zh
Application granted granted Critical
Publication of CN116309577B publication Critical patent/CN116309577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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

本发明涉及图像数据处理技术领域，提出了一种高强传送带物料智能检测方法及系统，包括：采集高强传送带物料运输图像，分割获取物料区域；根据每个物料区域的轮廓表现获取每个物料区域的第一遮挡指标，根据每个物料区域的纹理特征获取每个物料区域的第二遮挡指标，得到综合遮挡指标，进而获取物料遮挡区域及物料标准区域；获取每个物料遮挡区域的角点，根据角点及邻域中的边缘像素点构建每个角点的特征角度，根据特征角度获取边缘角点并对物料遮挡区域进行分割，得到物料修正区域及物料生长区域；对物料进行模板匹配，根据匹配结果完成物料质量的智能检测。本发明旨在解决高强传送带上物料遮挡导致检测结果不准确的问题。

Description

一种高强传送带物料智能检测方法及系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种高强传送带物料智能检测方法及系统。
背景技术
传送带作为运输的主要设备，在各个行业都随处可见；高强传送带作为特殊种类的传送带，通常用于各种特殊工作环境中；为了提高运输效率，在使用高强传送带对物料进行运输时，往往会对物料进行质量的智能检测，将质量好与质量差的物料分拣出来。
现有方法中对物料进行质量检测通常使用模板匹配算法，通过先验知识获取物料的模板图像，对物料区域图像与模板图像计算相似度，基于相似度完成物料的分拣，相似度越大则说明物料质量越好；然而在这一过程中，当物料之间出现遮挡现象，得到的物料区域不够精确，在进行模板匹配时，导致得到的物料的质量出现误差，进而使物料分拣出现错误。
发明内容
本发明提供一种高强传送带物料智能检测方法及系统，以解决现有的高强传送带上物料遮挡导致检测结果不准确的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种高强传送带物料智能检测方法，该方法包括以下步骤：
采集高强传送带物料运输图像，分割获取物料区域；
获取每个物料区域的边缘像素点，根据边缘像素点获取每个物料区域的中心，获取每个物料区域的角点，根据角点及中心获取每个物料区域若干子区域，根据子区域数量及边缘像素点获取每个物料区域的第一遮挡指标，根据子区域的纹理特征获取每个物料区域的第二遮挡指标，将每个物料区域的第一遮挡指标与第二遮挡指标的乘积，作为每个物料区域的综合遮挡指标，根据综合遮挡指标获取物料遮挡区域及物料标准区域；
获取每个物料遮挡区域中每个角点的邻域边缘像素点及其方向角，根据方向角获取每个角点的特征角度，根据特征角度获取每个物料遮挡区域的若干边缘角点，根据边缘角点获取每个物料遮挡区域中完整物料的边缘角点及残缺物料的边缘角点，根据残缺物料的边缘角点通过区域生长获取完整物料区域及生长物料区域，根据完整物料区域及物料遮挡区域的综合遮挡指标，获取每个物料区域的物料修正区域及物料生长区域；
根据物料标准区域、物料修正区域及物料生长区域进行模板匹配，完成物料的质量检测。
可选的，所述根据角点及中心获取每个物料区域若干子区域，包括的具体方法为：
将任意一个物料区域作为目标区域，将目标物料区域的中心分别与每个角点进行连线，连线得到若干条直线，每条直线记为目标物料区域的轮廓特征描述线；所有轮廓特征描述线将目标物料区域划分为多个区域，每个区域记为目标物料区域的子区域；获取每个物料区域的若干子区域。
可选的，所述根据子区域数量及边缘像素点获取每个物料区域的第一遮挡指标，包括的具体方法为：
Figure SMS_1
其中，
Figure SMS_9
表示物料区域/>
Figure SMS_3
的第一遮挡指标，/>
Figure SMS_16
表示物料灰度图像中的物料区域数量，/>
Figure SMS_6
表示物料区域/>
Figure SMS_18
的子区域数量，/>
Figure SMS_10
表示第/>
Figure SMS_19
个除物料区域/>
Figure SMS_5
的物料区域的子区域数量，
Figure SMS_15
表示物料区域/>
Figure SMS_2
与第/>
Figure SMS_14
个除物料区域/>
Figure SMS_8
的物料区域在子区域数量之间的最小值，/>
Figure SMS_24
表示物料区域/>
Figure SMS_7
的第/>
Figure SMS_21
个子区域中所有边缘像素点与物料区域/>
Figure SMS_11
的中心点的欧式距离之和，/>
Figure SMS_20
表示第/>
Figure SMS_13
个除物料区域/>
Figure SMS_22
的物料区域的第/>
Figure SMS_4
个子区域中所有边缘像素点与第/>
Figure SMS_17
个除物料区域/>
Figure SMS_12
的物料区域的中心点的欧式距离之和，/>
Figure SMS_23
表示求绝对值。
可选的，所述根据子区域的纹理特征获取每个物料区域的第二遮挡指标，包括的具体方法为：
Figure SMS_25
其中，
Figure SMS_33
表示物料区域/>
Figure SMS_29
的第二遮挡指标，/>
Figure SMS_40
表示物料灰度图像中的物料区域数量，/>
Figure SMS_30
表示物料区域/>
Figure SMS_36
与第/>
Figure SMS_32
个除物料区域/>
Figure SMS_41
的物料区域在子区域数量之间的最小值，/>
Figure SMS_31
表示物料区域/>
Figure SMS_37
的第/>
Figure SMS_26
个子区域的灰度共生矩阵的/>
Figure SMS_35
值，/>
Figure SMS_27
表示第/>
Figure SMS_39
个除物料区域/>
Figure SMS_28
的物料区域的第/>
Figure SMS_38
个子区域的灰度共生矩阵的/>
Figure SMS_34
值，/>
Figure SMS_42
表示求绝对值。
可选的，所述根据方向角获取每个角点的特征角度，包括的具体方法为：
Figure SMS_43
其中，
Figure SMS_45
表示物料遮挡区域P中第/>
Figure SMS_48
个角点的特征角度，/>
Figure SMS_51
表示物料遮挡区域P中第/>
Figure SMS_46
个角点的邻域边缘像素点数量，/>
Figure SMS_49
表示物料遮挡区域P中第/>
Figure SMS_52
个角点的第/>
Figure SMS_54
个邻域边缘像素点的方向角，/>
Figure SMS_44
表示物料遮挡区域P中第/>
Figure SMS_47
个角点的第/>
Figure SMS_50
个邻域边缘像素点的方向角，/>
Figure SMS_53
表示求绝对值。
可选的，所述根据特征角度获取每个物料遮挡区域的若干边缘角点，包括的具体方法为：
获取物料遮挡区域P中每个角点的特征角度，对所有角点进行聚类，聚类距离采用特征角度之间的差值绝对值，将所有角点划分到多个聚簇中，将角点数量最多的聚簇中的所有角点作为边缘角点，其他聚簇中的角点作为干扰角点；获取每个物料遮挡区域中的边缘角点及干扰角点。
可选的，所述根据边缘角点获取每个物料遮挡区域中完整物料的边缘角点及残缺物料的边缘角点，包括的具体方法为：
将物料遮挡区域P中任意两个边缘角点作为目标点对，连接两个边缘角点形成线段，获取线段中点，记为目标点对的中点；获取物料遮挡区域P中任意两个边缘角点之间的中点，得到物料遮挡区域P的若干中点；
获取所有中点出现的位置，统计每个位置出现中点的次数，将次数最大的位置记为目标位置，获取出现在目标位置上的所有中点，将目标位置的所有中点对应的边缘角点作为完整物料的边缘角点，剩余角点作为残缺物料的边缘角点；
获取每个物料遮挡区域中完整物料的边缘角点及残缺物料的边缘角点。
可选的，所述根据残缺物料的边缘角点通过区域生长获取完整物料区域及生长物料区域，包括的具体方法为：
将物料遮挡区域P中的完整物料记为物料A，残缺物料记为物料B，以物料B的边缘角点为初始种子点，生长规则设定为灰度差异小于初始的预设第二阈值，根据初始种子点及生长规则进行区域生长，区域生长得到的生长区域记为物料遮挡区域P中的物料B的区域，物料遮挡区域P中剩余的区域记为物料A的区域；
获取每个物料遮挡区域中完整物料的区域和残缺物料的区域，将完整物料的区域记为完整物料区域，将残缺物料的区域记为生长物料区域。
可选的，所述获取每个物料区域的物料修正区域及物料生长区域，包括的具体方法为：
将物料遮挡区域P中的完整物料记为物料A，初始的预设第二阈值下的评价指标
Figure SMS_55
的计算方法为：
Figure SMS_56
其中，
Figure SMS_57
表示物料遮挡区域P的综合遮挡指标，/>
Figure SMS_58
表示完整物料区域A的综合遮挡指标，/>
Figure SMS_59
表示用于避免分母为0的极小值，/>
Figure SMS_60
表示求绝对值；以预设增长灰度及预设增长次数对初始的预设第二阈值进行增长，以每个预设第二阈值对物料遮挡区域P获取生长物料区域及完整物料区域，获取每次完整物料区域的评价指标，将评价指标最大的预设第二阈值作为物料遮挡区域P的最优生长阈值，根据最优生长阈值得到物料遮挡区域P中的最优生长物料区域及最优完整物料区域，将最优生长物料区域记为物料生长区域，将最优完整物料区域记为物料修正区域；获取每个物料遮挡区域的物料修正区域及物料生长区域。
第二方面，本发明另一个实施例提供了一种高强传送带物料智能检测系统，该系统包括：
物料图像采集模块，采集高强传送带物料运输图像，分割获取物料区域；
物料图像分割模块：获取每个物料区域的边缘像素点，根据边缘像素点获取每个物料区域的中心，获取每个物料区域的角点，根据角点及中心获取每个物料区域若干子区域，根据子区域数量及边缘像素点获取每个物料区域的第一遮挡指标，根据子区域的纹理特征获取每个物料区域的第二遮挡指标，将每个物料区域的第一遮挡指标与第二遮挡指标的乘积，作为每个物料区域的综合遮挡指标，根据综合遮挡指标获取物料遮挡区域及物料标准区域；
获取每个物料遮挡区域中每个角点的邻域边缘像素点及其方向角，根据方向角获取每个角点的特征角度，根据特征角度获取每个物料遮挡区域的若干边缘角点，根据边缘角点获取每个物料遮挡区域中的完整物料及残缺物料，根据残缺物料的边缘角点通过区域生长获取完整物料区域及生长物料区域，根据完整物料区域及物料遮挡区域的综合遮挡指标，获取每个物料区域的物料修正区域及物料生长区域；
物料质量检测模块，根据物料标准区域、物料修正区域及物料生长区域进行模板匹配，完成物料的质量检测。
本发明的有益效果是：本发明通过物料区域的轮廓与纹理特征对物料区域进行分析，完成综合遮挡指标的构建，并基于综合遮挡指标得到了物料遮挡区域和物料标准区域，提高了遮挡的判断精度，减少了物料因缺陷而被误判为出现遮挡的概率；基于物料遮挡区域在角点表现上的特征角度构建，获取物料的边缘角点，并通过不同生长阈值的生长分割构建评价指标，进而完成对每个物料遮挡区域的分割，得到物料修正区域及物料生长区域，物料修正区域及物料生长区域较为准确地反映了物料的实际区域，提高了后续对于物料质量检测的精度；对分割后的物料区域再进行模板匹配完成质量检测与分拣，提高了质量检测效率与精度，进而提高了分拣的效率与精度。
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为本发明一个实施例所提供的一种高强传送带物料智能检测方法流程示意图；
图2为本发明另一个实施例所提供的一种高强传送带物料智能检测系统结构框图。
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。
请参阅图1，其示出了本发明一个实施例所提供的一种高强传送带物料智能检测方法流程图，该方法包括以下步骤：
步骤S001、采集高强传送带物料运输图像，分割获取物料区域。
本实施例的目的是对高强传送带上的物料进行质量的智能检测，因此首先需要获取高强传送带上的物料区域；本实施例通过在高强传送带物料运输过程中安装工业相机，并通过固定光源俯视采集物料运输的视频数据，通过对视频数据中每一视频帧图像进行提取，视频帧图像即为物料运输图像；物料运输图像为RGB图像，本实施例通过加权灰度化方法对物料运输图像进行灰度化处理，得到物料灰度图像，其中加权灰度化方法为公知技术，本实施例不再赘述。
进一步需要说明的是，高强传送带与物料之间存在明显的灰度差异，传送带表面通常为黑色或深色，灰度化后灰度值表现较小；而物料区域灰度值表现较大，则可以通过阈值分割方法来获取物料灰度图像中的物料区域。
具体的，对物料灰度图像通过OTSU阈值分割算法进行分割，得到分割阈值，将图像中灰度值小于分割阈值的部分作为背景区域，图像中灰度值大于分割阈值的部分作为前景区域，其中前景区域即为物料区域；需要说明的是，物料灰度图像中存在多个前景区域，每个前景区域都表示一个物料区域。
至此，采集到了高强传送带上的物料运输图像，并分割得到了物料区域。
步骤S002、根据每个物料区域的轮廓表现获取每个物料区域的第一遮挡指标，根据每个物料区域的纹理特征获取每个物料区域的第二遮挡指标，结合第一遮挡指标及第二遮挡指标得到综合遮挡指标，进而获取物料遮挡区域及物料标准区域。
需要说明的是，物料出现遮挡时，物料区域的轮廓表现会与正常的物料区域存在较大差异，本实施例获取物料区域的中心及角点，通过中心及角点的连线将物料区域划分为多个子区域，根据不同物料区域在子区域数量及位置分布来量化物料区域的第一遮挡指标。
具体的，以任意一个物料区域为例，获取该物料区域所有的边缘像素点，其中边缘像素点在阈值分割时已经得到，即每个物料区域的边界部分像素点，计算该物料区域中每个像素点与所有边缘像素点的欧式距离均值，将欧式距离均值最小的像素点作为该物料区域的中心；对该物料区域进行角点检测，得到该物料区域的若干角点，其中角点检测为现有技术，本实施例不再赘述；将该物料区域的中心分别与每个角点进行连线，连线得到若干条直线，每条直线记为该物料区域的轮廓特征描述线；所有轮廓特征描述线将该物料区域划分为多个区域，每个区域记为该物料区域的子区域；按照上述方法获取每个物料区域的中心、轮廓特征描述线以及若干子区域；需要说明的是，轮廓特征描述线与角点为一对一的关系，但轮廓特征描述线可能存在共线的情况，则划分出的子区域数量小于等于角点数量，不存在共线即相等，存在共线则会出现小于情况，但并不影响本实施例中子区域数量的获取，因此本实施例不再对小于或等于的情况进行分别的分析处理。
进一步的，以物料区域
Figure SMS_61
为例，其第一遮挡指标/>
Figure SMS_62
的计算方法为：
Figure SMS_63
其中，
Figure SMS_66
表示物料灰度图像中的物料区域数量，/>
Figure SMS_75
表示物料区域/>
Figure SMS_81
的子区域数量，
Figure SMS_65
表示第/>
Figure SMS_72
个除物料区域/>
Figure SMS_80
的物料区域的子区域数量，/>
Figure SMS_87
表示物料区域/>
Figure SMS_67
与第/>
Figure SMS_74
个除物料区域
Figure SMS_79
的物料区域在子区域数量之间的最小值，即/>
Figure SMS_85
，/>
Figure SMS_68
表示物料区域/>
Figure SMS_73
的第/>
Figure SMS_78
个子区域中所有边缘像素点与物料区域/>
Figure SMS_84
的中心点的欧式距离之和，/>
Figure SMS_70
表示第/>
Figure SMS_76
个除物料区域
Figure SMS_82
的物料区域的第/>
Figure SMS_86
个子区域中所有边缘像素点与第/>
Figure SMS_64
个除物料区域/>
Figure SMS_71
的物料区域的中心点的欧式距离之和，/>
Figure SMS_77
表示求绝对值；通过将物料区域/>
Figure SMS_83
的子区域数量以及子区域形状与其他所有物料区域进行对比，量化得到用于表征轮廓差异的第一遮挡指标，子区域数量差异越大，物料区域/>
Figure SMS_69
与其他物料区域的轮廓存在差异越大，遮挡的可能性越大，则第一遮挡指标越大；子区域形状则通过边缘像素点与中心点的欧式距离之和来量化，差异越大则表明对应子区域在面积及形状上差异都较大，相应的遮挡可能性越大，则第一遮挡指标越大。
进一步需要说明的是，当物料区域本身形状出现缺陷时，其上角点会发生变化，进而则会导致第一遮挡指标发生变化，然而相应的物料区域并没有发生遮挡，因此需要进一步分析物料区域的纹理特征，通过灰度共生矩阵的纹理特征描述子来分析物料区域的纹理特征差异，进而量化得到物料区域的第二遮挡指标；结合第一遮挡指标及第二遮挡指标获取综合遮挡指标，进而得到物料遮挡区域以及正常的物料标准区域。
具体的，以物料区域
Figure SMS_88
为例，其第二遮挡指标/>
Figure SMS_89
的计算方法为：
Figure SMS_90
其中，
Figure SMS_102
表示物料灰度图像中的物料区域数量，/>
Figure SMS_95
表示物料区域/>
Figure SMS_105
与第/>
Figure SMS_97
个除物料区域/>
Figure SMS_111
的物料区域在子区域数量之间的最小值，即/>
Figure SMS_101
，/>
Figure SMS_110
表示物料区域/>
Figure SMS_93
的子区域数量，/>
Figure SMS_108
表示第/>
Figure SMS_91
个除物料区域/>
Figure SMS_103
的物料区域的子区域数量，/>
Figure SMS_94
表示物料区域/>
Figure SMS_106
的第
Figure SMS_96
个子区域的灰度共生矩阵的/>
Figure SMS_107
值，/>
Figure SMS_99
表示第/>
Figure SMS_112
个除物料区域/>
Figure SMS_98
的物料区域的第/>
Figure SMS_109
个子区域的灰度共生矩阵的/>
Figure SMS_92
值，/>
Figure SMS_104
表示求绝对值；其中/>
Figure SMS_100
值即为灰度共生矩阵中的纹理特征描述子，构建灰度共生矩阵并获取纹理特征描述子为公知技术，本实施例不再赘述；纹理特征描述子之间的差异越大，相应子区域在纹理特征上的差异越大，为缺陷引起的物料区域变化的可能性越小，遮挡可能性越大，则第二遮挡指标越大。
进一步的，将物料区域
Figure SMS_113
的第一遮挡指标与第二遮挡指标的乘积作为物料区域/>
Figure SMS_114
的综合遮挡指标，表示为/>
Figure SMS_115
；按照上述方法获取每个物料区域的综合遮挡指标，将所有综合遮挡指标进行线性归一化，得到的结果记为每个物料区域的综合遮挡程度，给出预设第一阈值用于判断遮挡情况，本实施例预设第一阈值采用0.75进行计算，将综合遮挡程度大于预设第一阈值的物料区域记为物料遮挡区域，表明物料区域出现遮挡；将综合遮挡程度小于等于预设第一阈值的物料区域记为物料标准区域，表明物料区域是正常的物料区域。
至此，通过对物料区域的轮廓表现及纹理特征的分析，获取了物料区域的综合遮挡指标，并得到了物料遮挡区域及物料标准区域。
步骤S003、获取每个物料遮挡区域的角点，根据角点及邻域中的边缘像素点构建每个角点的特征角度，根据特征角度获取边缘角点，根据边缘角点之间的位置分布对物料遮挡区域进行分割，得到物料修正区域及物料生长区域。
需要说明的是，对于物料遮挡区域，其上角点不仅存在遮挡的多个物料区域本身的角点，因为遮挡关系还会出现其他干扰角点；物料区域本身的角点记为边缘角点，边缘角点的邻域边缘像素点与边缘角点形成的角度，由于物料型号基本相同，则这些角度差异较小；而干扰角点与其邻域边缘像素点形成的角度，则会因为遮挡位置而导致角度出现较大差异，通过这种角度差异来区分边缘角点及干扰角点，进而根据边缘角点的位置分布来分割物料遮挡区域，得到物料修正区域，物料修正区域即为物料遮挡区域中每个物料的实际物料区域。
具体的，本实施例以物料A及物料B来进行物料遮挡区域的分析，在步骤S002中已经获取到了每个物料区域的角点，则对其中物料遮挡区域对应的角点进行提取，得到每个物料遮挡区域的角点；对于物料A及物理B构成的物料遮挡区域，将其记为物料遮挡区域P，对物料遮挡区域P中的任意一个角点，获取该角点的八邻域像素点，提取八邻域像素点中的边缘像素点，记为该角点的邻域边缘像素点，将任意一个邻域边缘像素点指向角点的方向与水平右向的夹角记为该角点的该邻域边缘像素点的方向角，其中方向角以水平右向为
Figure SMS_116
，水平右向开始逆时针角度增加；按照上述方法获取物料遮挡区域P中每个角点的每个邻域边缘像素点及其方向角。
进一步的，根据角点的邻域边缘像素点的方向角，获取每个角点的特征角度，以物料遮挡区域P中第
Figure SMS_117
个角点为例，其特征角度/>
Figure SMS_118
的计算方法为：
Figure SMS_119
其中，
Figure SMS_123
表示物料遮挡区域P中第/>
Figure SMS_126
个角点的邻域边缘像素点数量，由于角点是边缘拐点形成，则所有角点的邻域边缘像素点数量均为2，/>
Figure SMS_129
表示物料遮挡区域P中第/>
Figure SMS_122
个角点的第/>
Figure SMS_125
个邻域边缘像素点的方向角，/>
Figure SMS_128
表示物料遮挡区域P中第/>
Figure SMS_131
个角点的第/>
Figure SMS_120
个邻域边缘像素点的方向角，/>
Figure SMS_124
表示求绝对值；需要说明的是，当/>
Figure SMS_127
时，即/>
Figure SMS_130
时，令/>
Figure SMS_121
，即保证每个邻域边缘像素点的方向角都有对比的其他方向角；特征角度用于后续判断边缘角点，由于物料形状较为规则，则边缘角点的特征角度相近，而其他干扰角点的特征角度存在较大差异，因此通过特征角度进行边缘角点及干扰角点的区分。
进一步的，按照上述方法获取物料遮挡区域P中每个角点的特征角度，对所有角点进行DBSCAN聚类，聚类距离采用特征角度之间的差值绝对值，将所有角点划分到多个聚簇中，提取包含角点数量最多的聚簇，将该聚簇中的所有角点作为边缘角点，其他聚簇中的角点作为干扰角点；按照上述方法获取每个物料遮挡区域中的边缘角点及干扰角点。
进一步的，仍以物料遮挡区域P为例，获取到物料遮挡区域P的所有边缘角点后，以任意两个边缘角点为例，连接两个边缘角点形成线段，获取线段中点，记为该两个边缘角点的中点；按照上述方法获取物料遮挡区域P中任意两个边缘角点之间的中点，得到物料遮挡区域P的若干中点；需要说明的是，由于物料形状规则，若干中点之中存在位置相同的中点，而出现在相同位置的中点对应的边缘角点则可能是同一个物料的边缘角点；获取所有中点出现的位置，统计每个位置出现中点的次数，将次数最大的位置记为目标位置，获取出现在目标位置上的所有中点，将这些中点对应的边缘角点作为物料A的边缘角点，剩余角点作为物料B的边缘角点；按照上述方法对每个物料遮挡区域进行不同物料的边缘角点区分；需要说明的是，实际运输过程中由于生产间隔，不会出现两个以上物料堆叠造成遮挡的问题，即本实施例分析的物料遮挡区域仅为两个物料堆叠形成，获取目标位置后得到一个物料的边缘角点，剩余边缘角点即为另一个物料的边缘角点；将通过目标位置得到的物料记为完整物料，剩余边缘角点得到的物料记为残缺物料。
进一步的，以物料遮挡区域P为例，P中的残缺物料即为物料B，以物料B的边缘角点为初始种子点，生长规则设定为灰度差异小于初始的预设第二阈值，其中初始的预设第二阈值本实施例设置为10，根据初始种子点及生长规则进行区域生长，其中区域生长算法为现有技术，本实施例不再赘述；区域生长得到的生长区域记为物料遮挡区域P中的物料B的区域，物料遮挡区域P中剩余的区域记为物料A的区域；按照上述方法对每个物料遮挡区域中分属于两个物料的区域通过区域生长算法进行获取，将完整物料的区域记为完整物料区域，即通过目标位置获取的物料的区域为完整物料区域，将残缺物料的区域记为生长物料区域，即通过剩余边缘角点生长得到的物料区域为生长物料区域。
进一步的，基于物料遮挡区域的综合遮挡指标和完整物料区域的综合遮挡指标，进行完整物料区域分割的评价指标，以物料遮挡区域P和完整物料区域A为例，评价指标
Figure SMS_132
的计算方法为：
Figure SMS_133
其中，
Figure SMS_134
表示物料遮挡区域P的综合遮挡指标，/>
Figure SMS_135
表示完整物料区域A的综合遮挡指标，/>
Figure SMS_136
表示用于避免分母为0的极小值，本实施例采用/>
Figure SMS_137
进行计算，/>
Figure SMS_138
表示求绝对值；其中物料遮挡区域P的综合遮挡指标可直接在步骤S002获取每个物料区域的综合遮挡指标中进行提取，完整物料区域A的综合遮挡指标则按照步骤S002中综合遮挡指标的获取方法，通过完整物料区域A与除物料遮挡区域P之外其他物料区域进行计算；以预设增长灰度为1，预设增长次数为15，对预设第二阈值进行增长，则得到了包括最初的预设第二阈值一共16个预设第二阈值，以每个预设第二阈值对物料遮挡区域P获取生长物料区域及完整物料区域，获取每次完整物料区域的评价指标，将评价指标最大的预设第二阈值作为物料遮挡区域P的最优生长阈值，根据最优生长阈值通过区域生长得到物料遮挡区域P中的最优生长物料区域及最优完整物料区域，将最优生长物料区域记为物料生长区域，将最优完整物料区域记为物料修正区域；按照上述方法获取每个物料遮挡区域的物料修正区域及物料生长区域。
至此，对每个物料遮挡区域通过角点分析，获取到了每个物料遮挡区域中的物料修正区域及物料生长区域。
步骤S004、对物料进行模板匹配，根据匹配结果完成物料质量的智能检测。
需要说明的是，经过步骤S002及步骤S003获取到了物料标准区域、物料修正区域及物料生长区域，物料标准区域和物料修正区域即为物料的实际区域，物料标准区域对应物料未被遮挡，物料修正区域为发生遮挡的上层物料，同样未被遮挡，则可以基于模板匹配对物料标准区域及物料修正区域进行相似度计算并完成质量检测；对于物料修正区域，其对应的物料即为被遮挡的物料，根据其未被遮挡部分露出面积进行模板匹配及质量检测。
具体的，对于任意一个物料标准区域或物料修正区域，将该区域与模板图像进行模板匹配，得到模板相似度，设置预设第三阈值及预设第四阈值用于判断物料质量，本实施例预设第三阈值设置为0.6，预设第四阈值设置为0.8，模板相似度小于等于预设第三阈值的物料认为其质量较差，模板相似度大于预设第三阈值小于等于预设第四阈值的物料认为其质量达到要求，模板相似度大于预设第四阈值的物料认为其生产质量较好。
进一步的，对于物料生长区域，首先计算模板图像的面积
Figure SMS_139
，计算物料生长区域的面积/>
Figure SMS_140
，当/>
Figure SMS_141
时，则对物料生长区域在模板图像上进行滑动，得到的相似度最大值作为该物料生长区域的模板相似度，并按照上述质量判断方法进行该物料生长区域对应的物料质量判断；当物料生长区域的面积/>
Figure SMS_142
时，物料生长区域不足以判断物料质量，则以该物料生长区域所处物料遮挡区域的物料修正区域对应的质量判断结果，作为该物料生长区域对应物料的质量判断结果；需要说明的是，物料发生堆叠遮挡为同批生产的相同种类物料，质量发生波动概率较小，因此可以通过物料修正区域的物料质量来表示物料生长区域的物料质量。
进一步的，在高强传送带运输过程中，对质量较好的物料分拣到一类，质量达到要求的物料分拣到一类，质量较差的物料分拣到一类；分拣物料为现有技术，本实施例不再赘述。
至此，完成了对于高强传送带上物料质量的检测并完成了分拣。
请参阅图2，其示出了本发明另一个实施例所提供的一种高强传送带物料智能检测系统结构框图，该系统包括：
物料图像采集模块S101，采集高强传送带物料运输图像，分割获取物料区域。
物料图像分割模块S102：
（1）根据每个物料区域的轮廓表现获取每个物料区域的第一遮挡指标，根据每个物料区域的纹理特征获取每个物料区域的第二遮挡指标，结合第一遮挡指标及第二遮挡指标得到综合遮挡指标，进而获取物料遮挡区域及物料标准区域；
（2）获取每个物料遮挡区域的角点，根据角点及邻域中的边缘像素点构建每个角点的特征角度，根据特征角度获取边缘角点，根据边缘角点之间的位置分布对物料遮挡区域进行分割，得到物料修正区域及物料生长区域。
物料质量检测模块S103，对物料进行模板匹配，根据匹配结果完成物料质量的智能检测。
需要说明的是，高强传送带根据覆盖胶性能不同分为耐寒型、耐酸型、耐碱型、耐油型及耐磨型等；当大块的物料从转载机上落下，形成较大的冲击力而撞破传送带的上覆盖层，甚至破断带芯，形成窟窿；特别是当物料为尖锐物体，如尖角齿轮等，很容易划破传送带，造成传送带纵向撕裂；则本实施例以耐磨型高强传送带进行说明，同时运输物料为金属切割件或金属零件，其具有规则的形状，物料的各个边角之间也较为相近。
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 (10)

1.一种高强传送带物料智能检测方法，其特征在于，该方法包括以下步骤：
采集高强传送带物料运输图像，分割获取物料区域；
获取每个物料区域的边缘像素点，根据边缘像素点获取每个物料区域的中心，获取每个物料区域的角点，根据角点及中心获取每个物料区域若干子区域，根据子区域数量及边缘像素点获取每个物料区域的第一遮挡指标，根据子区域的纹理特征获取每个物料区域的第二遮挡指标，将每个物料区域的第一遮挡指标与第二遮挡指标的乘积，作为每个物料区域的综合遮挡指标，根据综合遮挡指标获取物料遮挡区域及物料标准区域；
获取每个物料遮挡区域中每个角点的邻域边缘像素点及其方向角，根据方向角获取每个角点的特征角度，根据特征角度获取每个物料遮挡区域的若干边缘角点，根据边缘角点获取每个物料遮挡区域中完整物料的边缘角点及残缺物料的边缘角点，根据残缺物料的边缘角点通过区域生长获取完整物料区域及生长物料区域，根据完整物料区域及物料遮挡区域的综合遮挡指标，获取每个物料区域的物料修正区域及物料生长区域；
根据物料标准区域、物料修正区域及物料生长区域进行模板匹配，完成物料的质量检测。
2.根据权利要求1所述的一种高强传送带物料智能检测方法，其特征在于，所述根据角点及中心获取每个物料区域若干子区域，包括的具体方法为：
将任意一个物料区域作为目标区域，将目标物料区域的中心分别与每个角点进行连线，连线得到若干条直线，每条直线记为目标物料区域的轮廓特征描述线；所有轮廓特征描述线将目标物料区域划分为多个区域，每个区域记为目标物料区域的子区域；获取每个物料区域的若干子区域。
3.根据权利要求1所述的一种高强传送带物料智能检测方法，其特征在于，所述根据子区域数量及边缘像素点获取每个物料区域的第一遮挡指标，包括的具体方法为：
Figure QLYQS_1
其中，
Figure QLYQS_7
表示物料区域/>
Figure QLYQS_3
的第一遮挡指标，/>
Figure QLYQS_17
表示物料灰度图像中的物料区域数量，/>
Figure QLYQS_6
表示物料区域/>
Figure QLYQS_16
的子区域数量，/>
Figure QLYQS_11
表示第/>
Figure QLYQS_20
个除物料区域/>
Figure QLYQS_5
的物料区域的子区域数量，/>
Figure QLYQS_18
表示物料区域/>
Figure QLYQS_2
与第/>
Figure QLYQS_14
个除物料区域/>
Figure QLYQS_9
的物料区域在子区域数量之间的最小值，/>
Figure QLYQS_19
表示物料区域
Figure QLYQS_13
的第/>
Figure QLYQS_22
个子区域中所有边缘像素点与物料区域/>
Figure QLYQS_8
的中心点的欧式距离之和，/>
Figure QLYQS_23
表示第/>
Figure QLYQS_12
个除物料区域/>
Figure QLYQS_24
的物料区域的第/>
Figure QLYQS_4
个子区域中所有边缘像素点与第/>
Figure QLYQS_15
个除物料区域/>
Figure QLYQS_10
的物料区域的中心点的欧式距离之和，/>
Figure QLYQS_21
表示求绝对值。
4.根据权利要求1所述的一种高强传送带物料智能检测方法，其特征在于，所述根据子区域的纹理特征获取每个物料区域的第二遮挡指标，包括的具体方法为：
Figure QLYQS_25
其中，
Figure QLYQS_32
表示物料区域/>
Figure QLYQS_27
的第二遮挡指标，/>
Figure QLYQS_38
表示物料灰度图像中的物料区域数量，/>
Figure QLYQS_31
表示物料区域/>
Figure QLYQS_40
与第/>
Figure QLYQS_30
个除物料区域/>
Figure QLYQS_42
的物料区域在子区域数量之间的最小值，/>
Figure QLYQS_34
表示物料区域/>
Figure QLYQS_41
的第/>
Figure QLYQS_26
个子区域的灰度共生矩阵的/>
Figure QLYQS_35
值，/>
Figure QLYQS_28
表示第/>
Figure QLYQS_36
个除物料区域/>
Figure QLYQS_33
的物料区域的第/>
Figure QLYQS_37
个子区域的灰度共生矩阵的/>
Figure QLYQS_29
值，/>
Figure QLYQS_39
表示求绝对值。
5.根据权利要求1所述的一种高强传送带物料智能检测方法，其特征在于，所述根据方向角获取每个角点的特征角度，包括的具体方法为：
Figure QLYQS_43
其中，
Figure QLYQS_46
表示物料遮挡区域P中第/>
Figure QLYQS_49
个角点的特征角度，/>
Figure QLYQS_52
表示物料遮挡区域P中第/>
Figure QLYQS_45
个角点的邻域边缘像素点数量，/>
Figure QLYQS_47
表示物料遮挡区域P中第/>
Figure QLYQS_50
个角点的第/>
Figure QLYQS_53
个邻域边缘像素点的方向角，/>
Figure QLYQS_44
表示物料遮挡区域P中第/>
Figure QLYQS_48
个角点的第/>
Figure QLYQS_51
个邻域边缘像素点的方向角，/>
Figure QLYQS_54
表示求绝对值。
6.根据权利要求1所述的一种高强传送带物料智能检测方法，其特征在于，所述根据特征角度获取每个物料遮挡区域的若干边缘角点，包括的具体方法为：
获取物料遮挡区域P中每个角点的特征角度，对所有角点进行聚类，聚类距离采用特征角度之间的差值绝对值，将所有角点划分到多个聚簇中，将角点数量最多的聚簇中的所有角点作为边缘角点，其他聚簇中的角点作为干扰角点；获取每个物料遮挡区域中的边缘角点及干扰角点。
7.根据权利要求1所述的一种高强传送带物料智能检测方法，其特征在于，所述根据边缘角点获取每个物料遮挡区域中完整物料的边缘角点及残缺物料的边缘角点，包括的具体方法为：
将物料遮挡区域P中任意两个边缘角点作为目标点对，连接两个边缘角点形成线段，获取线段中点，记为目标点对的中点；获取物料遮挡区域P中任意两个边缘角点之间的中点，得到物料遮挡区域P的若干中点；
获取所有中点出现的位置，统计每个位置出现中点的次数，将次数最大的位置记为目标位置，获取出现在目标位置上的所有中点，将目标位置的所有中点对应的边缘角点作为完整物料的边缘角点，剩余角点作为残缺物料的边缘角点；
获取每个物料遮挡区域中完整物料的边缘角点及残缺物料的边缘角点。
8.根据权利要求1所述的一种高强传送带物料智能检测方法，其特征在于，所述根据残缺物料的边缘角点通过区域生长获取完整物料区域及生长物料区域，包括的具体方法为：
将物料遮挡区域P中的完整物料记为物料A，残缺物料记为物料B，以物料B的边缘角点为初始种子点，生长规则设定为灰度差异小于初始的预设第二阈值，根据初始种子点及生长规则进行区域生长，区域生长得到的生长区域记为物料遮挡区域P中的物料B的区域，物料遮挡区域P中剩余的区域记为物料A的区域；
获取每个物料遮挡区域中完整物料的区域和残缺物料的区域，将完整物料的区域记为完整物料区域，将残缺物料的区域记为生长物料区域。
9.根据权利要求1所述的一种高强传送带物料智能检测方法，其特征在于，所述获取每个物料区域的物料修正区域及物料生长区域，包括的具体方法为：
将物料遮挡区域P中的完整物料记为物料A，初始的预设第二阈值下的评价指标
Figure QLYQS_55
的计算方法为：
Figure QLYQS_56
其中，
Figure QLYQS_57
表示物料遮挡区域P的综合遮挡指标，/>
Figure QLYQS_58
表示完整物料区域A的综合遮挡指标，
Figure QLYQS_59
表示用于避免分母为0的极小值，/>
Figure QLYQS_60
表示求绝对值；以预设增长灰度及预设增长次数对初始的预设第二阈值进行增长，以每个预设第二阈值对物料遮挡区域P获取生长物料区域及完整物料区域，获取每次完整物料区域的评价指标，将评价指标最大的预设第二阈值作为物料遮挡区域P的最优生长阈值，根据最优生长阈值得到物料遮挡区域P中的最优生长物料区域及最优完整物料区域，将最优生长物料区域记为物料生长区域，将最优完整物料区域记为物料修正区域；获取每个物料遮挡区域的物料修正区域及物料生长区域。
10.一种高强传送带物料智能检测系统，其特征在于，该系统包括：
物料图像采集模块，采集高强传送带物料运输图像，分割获取物料区域；
物料图像分割模块：获取每个物料区域的边缘像素点，根据边缘像素点获取每个物料区域的中心，获取每个物料区域的角点，根据角点及中心获取每个物料区域若干子区域，根据子区域数量及边缘像素点获取每个物料区域的第一遮挡指标，根据子区域的纹理特征获取每个物料区域的第二遮挡指标，将每个物料区域的第一遮挡指标与第二遮挡指标的乘积，作为每个物料区域的综合遮挡指标，根据综合遮挡指标获取物料遮挡区域及物料标准区域；
获取每个物料遮挡区域中每个角点的邻域边缘像素点及其方向角，根据方向角获取每个角点的特征角度，根据特征角度获取每个物料遮挡区域的若干边缘角点，根据边缘角点获取每个物料遮挡区域中的完整物料及残缺物料，根据残缺物料的边缘角点通过区域生长获取完整物料区域及生长物料区域，根据完整物料区域及物料遮挡区域的综合遮挡指标，获取每个物料区域的物料修正区域及物料生长区域；
物料质量检测模块，根据物料标准区域、物料修正区域及物料生长区域进行模板匹配，完成物料的质量检测。
CN202310566144.2A 2023-05-19 2023-05-19 一种高强传送带物料智能检测方法及系统 Active CN116309577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310566144.2A CN116309577B (zh) 2023-05-19 2023-05-19 一种高强传送带物料智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310566144.2A CN116309577B (zh) 2023-05-19 2023-05-19 一种高强传送带物料智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN116309577A true CN116309577A (zh) 2023-06-23
CN116309577B CN116309577B (zh) 2023-08-04

Family

ID=86820725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310566144.2A Active CN116309577B (zh) 2023-05-19 2023-05-19 一种高强传送带物料智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN116309577B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037077A (zh) * 2023-10-09 2023-11-10 成都数智创新精益科技有限公司 基于图像处理的人群计数方法、装置、介质、设备及产品
CN117095007A (zh) * 2023-10-20 2023-11-21 深圳市兴东泰电子有限公司 一种基于图像处理的pfa包胶飞杆卡座组装监测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016127883A1 (zh) * 2015-02-12 2016-08-18 阿里巴巴集团控股有限公司 一种图像区域检测方法及装置
CN107679436A (zh) * 2017-09-04 2018-02-09 华南理工大学 一种适用于弯曲形变二维码的图像修正方法
CN111738320A (zh) * 2020-03-04 2020-10-02 沈阳工业大学 基于模板匹配的遮挡工件识别方法
CN114743115A (zh) * 2022-03-31 2022-07-12 启东晶尧光电科技有限公司 一种光伏电子设备的遮挡物识别方法及故障预警系统
WO2022148192A1 (zh) * 2021-01-07 2022-07-14 新东方教育科技集团有限公司 图像处理方法、图像处理装置以及非瞬时性存储介质
CN115375676A (zh) * 2022-10-24 2022-11-22 微山三利特不锈钢有限公司 一种基于图像识别的不锈钢制品质量检测方法
CN217919761U (zh) * 2022-06-27 2022-11-29 山东晨光胶带有限公司 一种深花纹输送带接头结构
CN115984271A (zh) * 2023-03-20 2023-04-18 山东鑫科来信息技术有限公司 基于角点检测的金属毛刺识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016127883A1 (zh) * 2015-02-12 2016-08-18 阿里巴巴集团控股有限公司 一种图像区域检测方法及装置
CN107679436A (zh) * 2017-09-04 2018-02-09 华南理工大学 一种适用于弯曲形变二维码的图像修正方法
CN111738320A (zh) * 2020-03-04 2020-10-02 沈阳工业大学 基于模板匹配的遮挡工件识别方法
WO2022148192A1 (zh) * 2021-01-07 2022-07-14 新东方教育科技集团有限公司 图像处理方法、图像处理装置以及非瞬时性存储介质
CN114743115A (zh) * 2022-03-31 2022-07-12 启东晶尧光电科技有限公司 一种光伏电子设备的遮挡物识别方法及故障预警系统
CN217919761U (zh) * 2022-06-27 2022-11-29 山东晨光胶带有限公司 一种深花纹输送带接头结构
CN115375676A (zh) * 2022-10-24 2022-11-22 微山三利特不锈钢有限公司 一种基于图像识别的不锈钢制品质量检测方法
CN115984271A (zh) * 2023-03-20 2023-04-18 山东鑫科来信息技术有限公司 基于角点检测的金属毛刺识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MIROSLAV BENCO ET AL.: "The Comparison of Color Texture Features Extraction based on 1D GLCM with Deep Learning Methods", 《2020 INTERNATIONAL CONFERENCE ON SYSTEMS, SIGNALS AND IMAGE PROCESSING (IWSSIP)》, pages 285 - 289 *
ZETIAN TANG ET AL.: "Multi-Threshold Corner Detection and Region Matching Algorithm Based on Texture Classification", 《IEEE ACCESS》, vol. 7, pages 128372 - 128383, XP011746538, DOI: 10.1109/ACCESS.2019.2940137 *
占善华等: "基于聚类分割和特征点的显著区域检测算法", 《计算机系统应用》, vol. 27, no. 06, pages 95 - 102 *
李冰等: "基于模板边缘的自适应Harris角点检测算法", 《现代电子技术》, vol. 42, no. 11, pages 40 - 44 *
裴红娟等: "基于双目图像物体边缘的半遮档检测方法", 《北京信息科技大学学报(自然科学版)》, vol. 30, no. 02, pages 55 - 60 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117037077A (zh) * 2023-10-09 2023-11-10 成都数智创新精益科技有限公司 基于图像处理的人群计数方法、装置、介质、设备及产品
CN117037077B (zh) * 2023-10-09 2023-12-08 成都数智创新精益科技有限公司 基于图像处理的人群计数方法、装置、介质、设备及产品
CN117095007A (zh) * 2023-10-20 2023-11-21 深圳市兴东泰电子有限公司 一种基于图像处理的pfa包胶飞杆卡座组装监测系统
CN117095007B (zh) * 2023-10-20 2024-01-30 深圳市兴东泰电子有限公司 一种基于图像处理的pfa包胶飞杆卡座组装监测系统

Also Published As

Publication number Publication date
CN116309577B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN115351598A (zh) 一种数控机床轴承检测方法
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN115311292A (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN115249246B (zh) 一种光学玻璃表面缺陷检测方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN110021028B (zh) 一种基于服装款式图的自动制衣方法
CN114187289B (zh) 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN114723705A (zh) 一种基于图像处理的布匹瑕疵的检测方法
CN111369526B (zh) 基于半监督深度学习的多类型旧桥裂痕识别方法
CN115311507B (zh) 基于数据处理的建筑板材分类方法
CN115311267B (zh) 一种格纹织物异常检测方法
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN114972356A (zh) 塑料制品表面缺陷检测识别方法及系统
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN107516315B (zh) 一种基于机器视觉的掘进机出渣监测方法
CN115631472B (zh) 一种高速公路行人闯入智能检测方法
CN117173158B (zh) 一种精密连接器质量智能检测方法及系统
CN114359190A (zh) 一种基于图像处理的塑料制品成型控制方法
CN115880699A (zh) 一种食品包装袋检测方法及系统
CN117689655B (zh) 基于计算机视觉的金属钮扣表面缺陷检测方法

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