CN116309600A - 基于图像处理的环保纺织品质量检测方法 - Google Patents
基于图像处理的环保纺织品质量检测方法 Download PDFInfo
- Publication number
- CN116309600A CN116309600A CN202310586586.3A CN202310586586A CN116309600A CN 116309600 A CN116309600 A CN 116309600A CN 202310586586 A CN202310586586 A CN 202310586586A CN 116309600 A CN116309600 A CN 116309600A
- Authority
- CN
- China
- Prior art keywords
- scratch
- obtaining
- pixel
- gray
- cluster
- 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
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了基于图像处理的环保纺织品质量检测方法,包括:获取土工灰度图;分割得到若干超像素块,得到特征相似度,根据特征相似度得到连接像素块并得到划痕区域;得到正常无划痕区域,对无划痕区域的像素点进行聚类得到三个簇类,得到三个簇类的分界点;获取划痕像素点,以划痕像素点为中心通过计算窗口得到若干正常像素点,获得正常像素点的权重缩放系数和离界程度;并由此得到划痕像素点的权重;获取划痕深浅程度;根据划痕像素点的权重以及划痕深浅程度得到土工膜表面划痕指数,由此检测纺织品质量。本发明通过正常像素点所在簇类影响分析划痕像素点对土工膜的影响,解决了土工膜轻微划痕的质量检测问题。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的环保纺织品质量检测方法。
背景技术
土工膜作为一种以高分子聚合物为基本原料的防水阻隔型材料,具有优良的耐环境应力开裂性能及优良的耐化学腐蚀性能,在垃圾填埋场等多个环保领域均有使用。
在对土工膜图像的采集过程中,由于土工膜本身的特性,图像中往往会出现反光、阴影等特征,而反光、阴影部分的边缘与缺陷部分的边缘特征较为相似,在使用传统的边缘识别算法对缺陷部分进行识别时,调试难度大,检测结果不稳定,且土工膜图像较为复杂,缺陷部分较多,识别难度较大、识别精度较差,导致后续针对从图像中提取出的缺陷进行分析时,会对结果造成一定影响,因此需要给出一种更精确的检测土工膜质量的方法。
发明内容
本发明提供基于图像处理的环保纺织品质量检测方法,以解决土工膜图像较为复杂、识别难度较大、识别精度较差的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于图像处理的环保纺织品质量检测方法,该方法包括以下步骤:
获取土工灰度图;
对土工灰度图使用超像素分割得到若干超像素块,根据超像素块的灰度均值和灰度方差得到特征相似度,根据特征相似度将超像素块连接得到连接像素块;根据连接像素块的最小外接矩形的长宽比以及面积得到划痕区域;
根据划痕区域得到正常无划痕区域,对无划痕区域的像素点进行聚类得到三个簇类,根据三个簇类的灰度值得到三个簇类的分界点;
获取划痕像素点,以划痕像素点为中心得到计算窗口,在计算窗口中选出若干正常像素点,根据正常像素点所在簇类得到对应的权重缩放系数;根据正常像素点的灰度值与簇类分界点的距离计算正常像素点的离界程度;根据正常像素点的离界程度以及权重缩放系数得到划痕像素点的权重;获取计算窗口划痕深浅程度;
根据所有划痕像素点的权重以及划痕深浅程度得到土工膜表面划痕指数,并给出预设评估阈值,根据土工膜表面划痕指数与预设评估阈值检测土工膜质量。
优选的,所述根据超像素块的灰度均值和灰度方差得到特征相似度的方法为:
对于任意两个超像素块,令最大的灰度均值与最小的灰度均值的比值记为第一比值,令最大的灰度方差与最小的灰度方差的比值记为第二比值,将第一比值与第二比值的乘积作为两个超像素块的特征相似度。
优选的,所述根据特征相似度将超像素块连接得到连接像素块的方法为:
将每个超像素块和相邻超像素块求特征相似度,将特征相似度在相似区间内且最小的特征相似度对应的相邻超像素块与超像素块连接得到一个超像素块,将所有超像素块计算一次后,再此计算超像素块和相邻超像素块的特征相似度,直到不存在任意一个超像素块与相邻超像素块的特征相似度在相似区间内为止。
优选的,所述根据三个簇类的灰度值得到三个簇类的分界点的方法为:
统计三个簇类中每个簇类的最小灰度值和最大灰度值,将三个簇类分别记为第一簇类、第二簇类、第三簇类,获取第一簇类灰度值的最大值与第二簇类灰度值的最小值之间的灰度值记为第一间隔灰度值,利用LOF异常检测算法得到所有第一间隔灰度值的异常得分,将异常得分最大的灰度值作为第一分界点,获取第二簇类灰度值的最大值与第三簇类灰度值的最小值之间的灰度值记为第二间隔灰度值,利用LOF异常检测算法得到所有第二间隔灰度值的异常得分,将异常得分最大的灰度值作为第二分界点。
优选的,所述在计算窗口中选出若干正常像素点的方法为:
以划痕像素点为中心的计算窗口内,计算划痕像素点和正常像素点的欧氏距离,将欧氏距离从小到大排序,从中按照从小到大的顺序选择预设数量个正常像素点。
优选的,所述根据正常像素点的灰度值与簇类分界点的距离计算正常像素点的离界程度的方法为:
式中,、、分别指第一簇类、第二簇类、第三簇类,表示第一分界点,表示
第二分界点,表示第i个划痕像素点距离最近的第j个正常像素点的灰度值,表示第
一簇类的最小灰度值,表示第三簇类的最大灰度值,表示最小值函数,表示第i
个划痕像素点距离最近的第j个正常像素点的离界程度。
本发明的有益效果是:本发明通过土工膜图像划痕部分像素点及其光影特点,利用划痕像素点周围的正常像素点所在区域的光暗灰度变化分析划痕像素点所在位置以及所受影响,构建权重指标,描述划痕像素点在不同光影情况下的影响程度,通过图像信息熵来描述划痕深度,根据每个划痕像素点的权重、划痕深度,构建土工膜表面划痕指数,解决了土工膜图像较为复杂、识别难度较大、识别精度较差的质量检测问题。
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基于图像处理的环保纺织品质量检测方法的流程示意图。
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。
在本发明中,所检测的纺织品种类为土工膜,土工膜为一种以高分子聚合物为基本原料的防水阻隔型材料,土工膜在采集图像的过程中往往会出现反光等特征,因此需要针对处理。
请参阅图1,其示出了本发明一个实施例提供的基于图像处理的环保纺织品质量检测方法流程图,该方法包括以下步骤:
步骤S001,使用图像采集设备采集得到土工灰度图。
使用CCD相机采集土工膜的图像得到RGB图像,将其灰度化得到灰度图像。在采集土工膜的图像时,由于周围环境影响,相机采集到的土工膜图像会出现噪声,影响图像质量以及影响后续的检测,因此需要对土工膜的灰度图像进行去噪处理,常用的去噪方法主要有:高斯滤波去噪、双边滤波去噪、中值滤波去噪等,本实施例使用双边滤波技术对灰度图像进行去噪处理,双边滤波技术为公知技术,在此不做赘述,将去噪处理后的灰度图像记为土工灰度图。
至此,获得了土工灰度图。
步骤S002,获得若干超像素块,将超像素块连接得到划痕区域,根据划痕区域得到正常无划痕区域,聚类后得到每个簇类的分界点。
土工膜的宏观缺陷主要包括拉破、顶破、刺破、液胀破坏等因局部受力变形过大引起的破损,以及因焊接或胶接质量引起土工膜连接处的破损,这种类型的破损相对明显,使用常规技术就能将其识别出来,而一些擦痕缺陷的识别难度则较大,擦痕、脏污等缺陷,在不同光照的影响下,识别难度较大。
部分脏污及较浅的擦痕,在一定程度上并不影响使用,为了解决上述问题,本发明对划痕部分的面积、深浅综合考虑,对土工膜的整体质量进行评估,并对其进行分级,具体如下:
首先使用超像素分割SLIC算法将土工灰度图分割为若干超像素块,在本实施例中,设定初始分割的超像素数量为100,每个超像素块中的像素点是具有相似特征的像素点,由于初始定义的超像素块数量中可能存在相似的超像素块,因此根据超像素块中所有像素点的灰度均值以及灰度方差将特征相似的相邻超像素块连接。
计算超像素块特征相似度的公式如下:
式中,表示超像素块a的灰度均值,表示超像素块b的灰度均值,表示超像素块
a的灰度方差,表示超像素块b的灰度方差,max()表示最大值函数,min()表示最小值函
数,表示超像素块a和超像素块b的特征相似度。
在本实施例中给出相似区间[1,1.2],当两个超像素块的特征相似度在相似区间内,则说明两个超像素块特征相似,此时将两个超像素块连接变为一个超像素块,当所有超像素块完成一次连接后,再此计算超像素块与相邻超像素块的特征相似度,直到不存在任意一个超像素块与相邻超像素块的特征相似度在相似区间为止。
值得说明的是,对于每个超像素块,将该超像素块与其相邻的所有超像素块求特征相似度,若该超像素块与两个或以上的超像素块计算得到的特征相似度都在相似区间内,则将最小特征相似度对应的超像素块与该超像素块进行连接。
将完成连接后土工灰度图的所有像素块记为连接像素块,得到每个连接像素块的最小外接矩形,由于划痕的形状为细长的的,且划分的面积较小,因此得到每个连接像素块的最小外接矩形的长宽比和最小外接矩形的面积,当最小外接矩形的长宽比大于10或最小外接矩形的面积小于300时,认为该连接像素块为划痕区域。
将划痕区域的像素点标记为0,非划痕区域的像素点标记为1,如此得到了一张二值掩膜,将二值掩膜与土工灰度图相乘得到正常无划痕区域,对于正常无划痕区域,使用K-means聚类算法对正常无划痕区域的像素点进行聚类,K-means算法为公知技术,在此不多做赘述,在本实施例中,土工灰度图除了划痕区域外主要分为三部分,阴影区域、光亮区域、正常光照区域,故选取K值为3,K-means聚类中的聚类距离为像素点的灰度值差值。
由此通过聚类将正常无划痕区域分为三类,分别记为第一簇类、第二簇类、第三簇
类,其中第一簇类表示阴影区域像素点灰度值构成的集合,左右两个端点分别记为、
,第二簇类表示正常光照区域像素点灰度值构成的集合,左右两个端点分别记为、,
第三簇类表示光亮区域像素点灰度值构成的集合,左右两个端点分别记为、,上述所
述端点为集合中灰度值的最小值和最大值。
第一簇类的灰度值小于第二簇类,第二簇类的灰度值小于第三簇类,将第一簇类
的最大值和第二簇类的最小值得到一个集合记为第一间隔集合,将第二簇类的最大值和第
三簇类的最小值得到一个集合记为第二间隔集合,将第一间隔集合中的所有灰度值根据
LOF异常检测算法计算每个灰度值与第一簇类和第二簇类的异常得分,选择异常得分最高
的灰度值作为第一分界点,将第二间隔集合中的所有灰度值根据LOF异常检测算法计算每
个灰度值与第二簇类和第三簇类的异常得分,选择异常得分最高的灰度值作为第二分界
点,第一簇类与第二簇类之间的分界点记为, 第二簇类与第三簇类之间的分界点记为。
至此,得到了正常划痕区域的灰度值簇类以及分界点。
步骤S003,获取正常像素点的权重缩放系数,根据正常像素点的灰度值得到离界程度,根据权重缩放系数和离界程度得到划痕像素点的权重,获取计算窗口的划痕深浅程度。
由于在土工膜上的划痕呈现白色的颜色,因此其灰度值较大,且严重程度相同的划痕位于不同区域时,划痕的颜色信息是不同的,在阴影区域的划痕,由于接收到的光照较少,故反射光也较少,因此在图像中阴影区域划痕的严重程度要小于真实情况下划痕的严重程度,因此要对处于阴影区域划痕的严重程度进行一定程度上的增强,且阴影区域的阴影越强,遮光程度越大,对阴影区域划痕的增强程度应该越大;同理,在光亮区域的划痕,由于接收到的光照较多,故反射光也较多,因此在图像中光亮区域划痕的严重程度要大于真实情况下划痕的严重程度,因此要对处于光亮区域划痕的严重程度进行一定程度上的减弱,且光亮区域的光照越强,接收光的程度越大,对光亮区域划痕的减弱程度应该越大。
将划痕区域的像素点记为划痕像素点,以每个划痕像素点为中心,得到的
计算窗口,在本实施例中取经验值7,计算划痕像素点与正常像素点的欧氏距离,选取欧
式距离最近的个正常像素点在计算窗口中进行计算,若不存在个正常像素点,则选取
所有的正常像素点计算,在本实施例中,的取值为8。根据正常像素点所在的簇类,给与
正常像素点不同的权重缩放系数,当正常像素点为第一簇类的像素点时,该正常像素点的
权重缩放系数为1.2,当正常像素点为第二簇类的像素点时,该正常像素点的权重缩放系数
为1,当正常像素点为第三簇类的像素点时,该正常像素点的权重缩放系数为0.8。
当正常像素点位于阴影区域时,该像素点距离分界点越远,表明阴影部分越重,
该区域的遮光程度越大,则对划痕像素点的增强程度越大,故离界程度应该越大;
当正常像素点位于光亮区域时,该像素点距离分界点越远,表明光亮部分越重,该区域接
收光的程度越大,则对划痕像素点的减弱程度越大,故离界程度应该越小;当正常
像素点位于光亮正常区域时,若该像素点距离分界点较近,表明该像素点的阴影程度大
于光亮程度,则该像素点的离界程度应该与分界点的距离相关,若该正常像素点距离分
界点较近,表明该像素点的光亮程度大于阴影程度,则该像素点的离界程度应该与分界
点的距离相关,由此可以得到划痕区域最近的正常像素点的离界程度,公式如下:
式中,、、分别指第一簇类、第二簇类、第三簇类,表示第一分界点,表示
第二分界点,表示第i个划痕像素点距离最近的第j个正常像素点的灰度值,表示第
一簇类的最小灰度值,表示第三簇类的最大灰度值,表示最小值函数,表示第i
个划痕像素点距离最近的第j个正常像素点的离界程度。
根据正常像素点在簇类不同的权重缩放系数以及离界程度计算每个划痕像素点的权重,公式如下:
式中,表示第i个划痕像素点距离最近的第j个正常像素点的权重缩放系数,表示第i个划痕像素点距离最近的第j个正常像素点的离界程度,为所选取的距离划
痕像素点最近的正常像素点的数量,表示第i个划痕像素点的权重。
由于划痕越深,其灰度变化越大,包含的信息量越大,对应的图像信息熵越大;划
痕越浅,其灰度变化越小,包含的信息量越小,对应的图像信息熵越小。因此在以划痕像素
点为中心的计算窗口中,计算每个计算窗口的图像信息熵来表示划痕深浅程度,其中图
像信息熵的计算为公知方法,在此不多做赘述。
至此,获得了每个划痕像素点的权重以及划痕深浅程度。
步骤S004,根据划痕像素点的权重以及划痕深浅程度构建土工膜表面划痕指数,并由此检测土工膜质量。
通过上述得到的所有划痕像素点的权重以及划痕深浅程度构建土工膜表面划痕指数,公式如下:
土工膜表面划痕指数越大,表明划痕越多或越深,质量越差;指数越小,表明划痕越少或者越浅,质量越好。
该指数通过综合计算土工膜图像中划痕的面积、深浅及光照影响,对土工膜整体
质量进行评估,在此给定评估阈值和,将小于评估阈值的土工膜标记为一
类土工膜,表示虽然表面有一些划痕,但整体问题不大,不影响实际使用;将大于评估阈值、小于评估阈值的土工膜记为二类土工膜,表示土工膜表面划痕对实际使用有
一定影响,需要对其进行修补;将大于评估阈值的土工膜记为三类土工膜,表示土工
膜表面划痕已经严重影响实际使用,已经不能使用。在本实施例中,评估阈值通常取
经验值0.54,评估阈值通常取经验值1.08。
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 (6)
1.基于图像处理的环保纺织品质量检测方法,其特征在于,该方法包括以下步骤:
获取土工灰度图;
对土工灰度图使用超像素分割得到若干超像素块,根据超像素块的灰度均值和灰度方差得到特征相似度,根据特征相似度将超像素块连接得到连接像素块;根据连接像素块的最小外接矩形的长宽比以及面积得到划痕区域;
根据划痕区域得到正常无划痕区域,对无划痕区域的像素点进行聚类得到三个簇类,根据三个簇类的灰度值得到三个簇类的分界点;
获取划痕像素点,以划痕像素点为中心得到计算窗口,在计算窗口中选出若干正常像素点,根据正常像素点所在簇类得到对应的权重缩放系数;根据正常像素点的灰度值与簇类分界点的距离计算正常像素点的离界程度;根据正常像素点的离界程度以及权重缩放系数得到划痕像素点的权重;获取计算窗口划痕深浅程度;
根据所有划痕像素点的权重以及划痕深浅程度得到土工膜表面划痕指数,并给出预设评估阈值,根据土工膜表面划痕指数与预设评估阈值检测土工膜质量。
2.根据权利要求1所述的基于图像处理的环保纺织品质量检测方法,其特征在于,所述根据超像素块的灰度均值和灰度方差得到特征相似度的方法为:
对于任意两个超像素块,令最大的灰度均值与最小的灰度均值的比值记为第一比值,令最大的灰度方差与最小的灰度方差的比值记为第二比值,将第一比值与第二比值的乘积作为两个超像素块的特征相似度。
3.根据权利要求1所述的基于图像处理的环保纺织品质量检测方法,其特征在于,所述根据特征相似度将超像素块连接得到连接像素块的方法为:
将每个超像素块和相邻超像素块求特征相似度,将特征相似度在相似区间内且最小的特征相似度对应的相邻超像素块与超像素块连接得到一个超像素块,将所有超像素块计算一次后,再此计算超像素块和相邻超像素块的特征相似度,直到不存在任意一个超像素块与相邻超像素块的特征相似度在相似区间内为止。
4.根据权利要求1所述的基于图像处理的环保纺织品质量检测方法,其特征在于,所述根据三个簇类的灰度值得到三个簇类的分界点的方法为:
统计三个簇类中每个簇类的最小灰度值和最大灰度值,将三个簇类分别记为第一簇类、第二簇类、第三簇类,获取第一簇类灰度值的最大值与第二簇类灰度值的最小值之间的灰度值记为第一间隔灰度值,利用LOF异常检测算法得到所有第一间隔灰度值的异常得分,将异常得分最大的灰度值作为第一分界点,获取第二簇类灰度值的最大值与第三簇类灰度值的最小值之间的灰度值记为第二间隔灰度值,利用LOF异常检测算法得到所有第二间隔灰度值的异常得分,将异常得分最大的灰度值作为第二分界点。
5.根据权利要求1所述的基于图像处理的环保纺织品质量检测方法,其特征在于,所述在计算窗口中选出若干正常像素点的方法为:
以划痕像素点为中心的计算窗口内,计算划痕像素点和正常像素点的欧氏距离,将欧氏距离从小到大排序,从中按照从小到大的顺序选择预设数量个正常像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586586.3A CN116309600B (zh) | 2023-05-24 | 2023-05-24 | 基于图像处理的环保纺织品质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586586.3A CN116309600B (zh) | 2023-05-24 | 2023-05-24 | 基于图像处理的环保纺织品质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309600A true CN116309600A (zh) | 2023-06-23 |
CN116309600B CN116309600B (zh) | 2023-08-04 |
Family
ID=86783636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310586586.3A Active CN116309600B (zh) | 2023-05-24 | 2023-05-24 | 基于图像处理的环保纺织品质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309600B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116777919A (zh) * | 2023-08-25 | 2023-09-19 | 湖南云天工程检测有限公司 | 一种混凝土试件智能养护方法及系统 |
CN117058147A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市卓昕精密科技有限公司 | 基于计算机视觉的环保塑料制品缺陷检测方法 |
CN117152127A (zh) * | 2023-10-26 | 2023-12-01 | 深圳市兴东泰电子有限公司 | 基于机器视觉的ptfe成品外观缺陷检测方法 |
CN117252877A (zh) * | 2023-11-17 | 2023-12-19 | 济南界龙科技有限公司 | 基于图像特征的二极体导线架质量检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
WO2018072749A1 (zh) * | 2016-10-20 | 2018-04-26 | 上海微电子装备(集团)股份有限公司 | 一种芯片缺陷检测装置及检测方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
US20190228515A1 (en) * | 2018-01-22 | 2019-07-25 | Boe Technology Group Co., Ltd. | Method and apparatus for detecting defects, and computer readable storage medium |
CN111006949A (zh) * | 2019-12-12 | 2020-04-14 | 河海大学 | 缺陷土工膜的缺陷定量表征与顶破强度预测方法 |
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
-
2023
- 2023-05-24 CN CN202310586586.3A patent/CN116309600B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072749A1 (zh) * | 2016-10-20 | 2018-04-26 | 上海微电子装备(集团)股份有限公司 | 一种芯片缺陷检测装置及检测方法 |
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
US20190228515A1 (en) * | 2018-01-22 | 2019-07-25 | Boe Technology Group Co., Ltd. | Method and apparatus for detecting defects, and computer readable storage medium |
CN111006949A (zh) * | 2019-12-12 | 2020-04-14 | 河海大学 | 缺陷土工膜的缺陷定量表征与顶破强度预测方法 |
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
Non-Patent Citations (2)
Title |
---|
赵文宏;彭超;陈红星;: "基于形态学玻璃屏幕表面划痕检测方法研究", 浙江工业大学学报, no. 03 * |
郑娜;穆平安;: "基于高斯金字塔和视觉显著性的色织物疵点检测", 包装工程, no. 07 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116580021B (zh) * | 2023-07-03 | 2023-09-22 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116777919A (zh) * | 2023-08-25 | 2023-09-19 | 湖南云天工程检测有限公司 | 一种混凝土试件智能养护方法及系统 |
CN116777919B (zh) * | 2023-08-25 | 2023-11-07 | 湖南云天工程检测有限公司 | 一种混凝土试件智能养护方法及系统 |
CN117058147A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市卓昕精密科技有限公司 | 基于计算机视觉的环保塑料制品缺陷检测方法 |
CN117058147B (zh) * | 2023-10-12 | 2023-12-26 | 深圳市卓昕精密科技有限公司 | 基于计算机视觉的环保塑料制品缺陷检测方法 |
CN117152127A (zh) * | 2023-10-26 | 2023-12-01 | 深圳市兴东泰电子有限公司 | 基于机器视觉的ptfe成品外观缺陷检测方法 |
CN117152127B (zh) * | 2023-10-26 | 2024-01-16 | 深圳市兴东泰电子有限公司 | 基于机器视觉的ptfe成品外观缺陷检测方法 |
CN117252877A (zh) * | 2023-11-17 | 2023-12-19 | 济南界龙科技有限公司 | 基于图像特征的二极体导线架质量检测方法 |
CN117252877B (zh) * | 2023-11-17 | 2024-02-02 | 济南界龙科技有限公司 | 基于图像特征的二极体导线架质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116309600B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN113592861A (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN108830857B (zh) | 一种自适应的汉字碑帖图像二值化分割方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN115359449B (zh) | 一种转辙机道岔缺口图像的自动识别方法和系统 | |
CN108229486B (zh) | 一种纤维识别分割方法 | |
CN107153823B (zh) | 一种基于视觉关联双空间的车道线特征提取方法 | |
CN111784634A (zh) | 一种基于Harris-CPDA的角点检测方法 | |
CN117423113B (zh) | 一种档案ocr图像自适应去噪方法 |
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 |