CN116645373A - 一种木材表面缺陷识别方法 - Google Patents
一种木材表面缺陷识别方法 Download PDFInfo
- Publication number
- CN116645373A CN116645373A CN202310927878.9A CN202310927878A CN116645373A CN 116645373 A CN116645373 A CN 116645373A CN 202310927878 A CN202310927878 A CN 202310927878A CN 116645373 A CN116645373 A CN 116645373A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- row
- brightness
- value
- difference
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 110
- 239000002023 wood Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 43
- 230000002950 deficient Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06T7/136—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/30161—Wood; Lumber
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种木材表面缺陷识别方法,涉及数据处理领域,该方法包括:获取木材表面的灰度图像以及灰度图像中的多个连通域;获取每个连通域对应的霍夫空间中最大亮度值的点作为目标高亮点,并获取目标高亮点的第一角度值;利用连通域中心像素点的所有高亮点的亮度值、第二角度值、最大亮度值和第一角度值得到连通域的亮度变化剧烈程度;根据连通域的特征向量和参照特征向量得到每个连通域的缺陷概率;利用每一行的宽度与参照宽度对初始缺陷概率修正得到缺陷概率,根据每一行的缺陷概率得到裂纹区域,本发明提高了木材裂纹缺陷识别的准确率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种木材表面缺陷识别方法。
背景技术
木材表面缺陷是评定木材质量的重要指标之一,木材缺陷的存在会影响木材的质量,改变木材的正常性能、降低木材利用率和使用价值,其中木材表面裂纹是木材表面的常见缺陷之一。
传统的检测木材表面裂纹缺陷的方法是利用阈值分割,通过裂纹与木材表面的灰度和形态差异分割出裂纹区域,但是由于木材表面存在木纹,木纹与裂纹的灰度值差异不大,且木纹和裂纹的形态相近,所以阈值分割得到的纹理区域可能是裂纹区域,也可能是木纹区域,难以区分,所以无法准确得到木材表面的裂纹缺陷,因此,本发明提出一种木材表面缺陷识别方法。
发明内容
本发明提供一种木材表面缺陷识别方法,以解决现有的问题。
本发明的一种木材表面缺陷识别方法,采用如下技术方案:
获取木材表面的灰度图像,并对灰度图像进行分割得到多个连通域;
对每个连通域进行霍夫转换得到霍夫空间,获取每个连通域对应的霍夫空间中最大亮度值的点并将最大亮度值的点作为目标高亮点;
获取每个连通域的目标高亮点在霍夫空间中的第一角度值;获取每个连通域对应的霍夫空间中包含该连通域中心像素点的所有高亮点及每个高亮点对应的第二角度值;利用每个连通域中心像素点的所有高亮点的亮度值与对应的连通域的最大亮度值之间的差异、每个第二角度值与第一角度值之间的夹角在预设的角度范围之间的占比获得该连通域的亮度变化剧烈程度;
将每个连通域的亮度变化剧烈程度和最大亮度值作为该连通域的特征向量,根据每个连通域的特征向量和参照特征向量之间的差异获取每个连通域的缺陷概率;
将每个连通域的缺陷概率作为该连通域中每一行的初始缺陷概率;
利用每个连通域中每一行的宽度与参照宽度之间的差异对连通域中每一行的初始缺陷概率进行修正得到每一行的缺陷概率,根据每一行的缺陷概率确定出存在缺陷的行,根据存在缺陷的行确定出裂纹区域。
进一步,获取连通域的亮度变化剧烈程度的步骤包括:
利用每个连通域中心像素点的每个高亮点的第二角度值与第一角度值之间的夹角在预设角度范围之间的占比得到每个第二角度值的亮度差异权重;
对连通域中心像素点的每个高亮点的亮度值与该连通域的最大亮度值之间的亮度差异赋予对应的亮度差异权重并求和,得到该连通域的亮度变化剧烈程度。
进一步,得到连通域的亮度变化剧烈程度的公式为:
其中,表示连通域的亮度变化剧烈程度;/>表示预设的角度范围;/>表示该连通域的第一角度值;/>表示该连通域中心像素点的第/>个高亮点的第二角度值;/>表示连通域中心像素点的第/>个高亮点的第二角度值对应的亮度差异权重;/>表示该连通域的最大亮度值;/>表示连通域中心像素点的第/>个高亮点的亮度值。
进一步,根据每个连通域的特征向量和参照特征向量之间的差异获取每个连通域的缺陷概率的步骤包括:
对每个连通域的特征向量和参照特征向量之间的差异进行归一化处理得到归一化值;
将每个连通域得到的归一化值作为该连通域的缺陷概率。
进一步,获取每个连通域的缺陷概率的公式为:
其中,表示第/>个连通域的归一化值,即第/>个连通域的缺陷概率;/>表示参照特征向量;/>表示第/>个连通域的特征向量;/>表示第/>个连通域的特征向量与参照特征向量之间的欧几里得范数,即第/>个连通域的特征向量与参照特征向量之间的差异;/>表示指数函数。
进一步,利用连通域中每一行的宽度与参照宽度之间的差异对连通域中每一行的初始缺陷概率进行修正得到每一行的缺陷概率的步骤包括:
利用下式对连通域中每一行的宽度与参照宽度之间的差异进行归一化:
其中,表示连通域中第/>行的宽度与参照宽度之间的差异的归一化值;/>表示连通域中第/>行的宽度与参照宽度之间的差异;/>为自然常数;
将连通域中每一行的初始缺陷概率与得到的归一化值相加得到对应行的缺陷概率。
进一步,将第一角度值对应的方向作为连通域的主方向,将连通域中过中心像素点且与连通域的主方向垂直的该行的宽度作为对应的连通域的参照宽度。
进一步,根据每一行的缺陷概率确定出存在缺陷的行,根据存在缺陷的行确定出裂纹区域的步骤包括:
若连通域中某一行的缺陷概率大于预设的缺陷阈值,则该行存在缺陷,否则认为该行不存在缺陷;
将连通域中不存在缺陷的所有行中的像素点的像素值标记为0并去除;
利用剩余的多个存在缺陷的行组成裂纹区域。
本发明的有益效果是:本发明的一种木材表面缺陷识别方法,通过将连通域中的像素点转换到霍夫空间获取目标高亮点,能够快速得到连通域中的最长直线,即连通域中的主方向;通过遍历连通域中过中心像素点的每个第二角度值,计算每个第二角度值对应的亮度值与主方向的第一角度值对应的最大亮度值之间的差异,得到每个连通域的亮度变化剧烈程度,由于木纹和裂纹的亮度变化剧烈程度不同,因此能够得到每个连通域可能为裂纹的缺陷概率;由于木纹相对于裂纹的连通域中每行的宽度更加规则,所以根据每个连通域中每一行的宽度差异对每一行的初始缺陷概率进行修正得到每一行真正存在缺陷的概率,使得最后得到的裂纹区域更加准确。
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为本发明的一种木材表面缺陷识别方法的实施例总体步骤的流程图。
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。
本发明的一种木材表面缺陷识别方法的实施例,所要识别的木材为切割完成后的木材,如图1所示,该方法包括:
S1、获取木材表面的灰度图像,并对灰度图像进行分割得到多个连通域。
具体的,利用相机采集切割完成后的木材表面的图像,对采集的图像进行灰度化处理得到木材表面的灰度图像;对灰度图像进行自适应阈值分割得到背景图像和纹理图像,得到的纹理图像中包括木纹和裂纹,木纹和裂纹在木材表面的颜色较为相近且比木材表面的颜色深,所以纹理图像的灰度值比背景图像的灰度值小,对分割得到的结果进行反向二值化,提取出纹理图像。
利用Seed-Filling算法对纹理图像进行连通域分析得到多个连通域,每个连通域均对应一个纹理区域,纹理区域包括裂纹区域和木纹区域。
S2、对每个连通域进行霍夫转换得到霍夫空间,获取每个连通域对应的霍夫空间中最大亮度值的点并将最大亮度值的点作为目标高亮点。
具体的,将纹理图像中的像素点转换到霍夫空间,即将每个连通域中的像素点转换到霍夫空间,每个连通域对应一个霍夫空间,连通域中的每个像素点在霍夫空间中均对应一条正弦曲线。
需要说明的是,霍夫空间中多条正弦曲线相交会得到多个交点,将霍夫空间中的交点称为亮点,相交的曲线越多,亮点的亮度值越大,亮度值等于相交次数;霍夫空间的横坐标和纵坐标分别为表示角度值的角坐标和表示极径的极径坐标。
霍夫空间中的每个亮点表示连通域中对应的直线,亮度值最大的亮点在连通域中对应最长的直线,裂纹区域和木纹区域都是狭长形状的,所以亮度值最大的亮点可以表示裂纹区域和木纹区域的延伸方向,即表示连通域的主方向。
因此,获取霍夫空间中最大亮度值的亮点作为目标高亮点。
S3、获取每个连通域的目标高亮点在霍夫空间中的第一角度值;获取每个连通域对应的霍夫空间中包含该连通域中心像素点的所有高亮点及每个高亮点对应的第二角度值;利用每个连通域中心像素点的所有高亮点的亮度值与对应的连通域的最大亮度值之间的差异、每个第二角度值与第一角度值之间的夹角在预设的角度范围之间的占比获得该连通域的亮度变化剧烈程度。
裂纹区域在木材表面存在两种状态:独立存在的裂纹区域以及与木纹区域存在交叠的裂纹区域,当裂纹区域与木纹区域中存在交叠时,得到的连通域的最大长度与正常木纹区域的长度差异较小,且裂纹长短不一,当裂纹较长时,其与正常木纹区域之间的差异也较小,因此仅根据纹理区域的长度之间的差异并不能完全提取出所有裂纹区域。
裂纹区域和木纹区域都是狭长形状的,所以只有连通域的主方向上像素点的数量最多,即主方向对应的直线最长,连通域中过连通域中心像素点的直线,与主方向的夹角越大,直线上的像素点数量越少,即直线越短,与主方向的直线的差异越大,直线的长度在霍夫空间中由亮点的亮度值表示。
若过中心像素点对连通域中的直线进行旋转遍历,即从主方向开始以中心像素点为旋转中心开始得到每个角度的直线长度,由于木纹和裂纹区域为细长形状,所以随着角度变化,直线长度的变化十分明显,即在霍夫空间中对应的亮点的亮度值的变化较为剧烈;但是木纹区域的形状相对于裂纹更细且更长,所以木纹区域对应的亮点的亮度值变化更为剧烈,即木纹对应的连通域的亮度变化剧烈程度更大。
具体的,获取每个连通域的目标高亮点在霍夫空间中的角度值和亮度值,分别记为第一角度值和最大亮度值,第一角度值对应连通域的主方向,即连通域的延伸方向。
利用霍夫检测得到霍夫空间中包括连通域中心像素点的所有高亮点的亮度值以及高亮点的第二角度值,利用连通域的中心像素点的每个高亮点的第二角度值与目标高亮点的第一角度值之间的夹角在预设角度范围之间的占比得到每个第二角度值对应的亮度差异权重;对连通域的中心像素点的每个高亮点的亮度值与该连通域的最大亮度值之间的亮度差异赋予亮度差异权重并求和,得到该连通域的亮度变化剧烈程度。连通域的中心像素点的高亮点是指该连通域对应的霍夫空间中包含该中心像素点的所有高亮点,高亮点的第二角度值是指霍夫空间中高亮点在对应的连通域中对应的直线的角度值。
具体计算连通域的亮度变化剧烈程度的公式为:
其中,表示连通域的亮度变化剧烈程度;/>表示预设的角度范围,也可以表示该范围内所包含的角度个数;/>表示该连通域的第一角度值;/>表示该连通域中心像素点的第/>个高亮点的第二角度值;/>表示连通域中心像素点的第/>个高亮点的第二角度值对应的亮度差异权重;/>表示该连通域的最大亮度值;/>表示连通域中心像素点的第/>个高亮点的亮度值。
需要说明的是,的取值为90°,因为从主方向旋转到与主方向垂直的角度就可以概括连通域的基本情况;/>表示第/>个第二角度值与第一角度值/>之间的角度差异占整个角度范围的比例,由于木纹的长度远大于裂纹的长度,因此在变化相同的角度值时,木纹像素点减少量远大于裂纹像素点的减少量,即木纹对应的亮度值远大于裂纹对应的亮度值的减少量,且/>越靠近/>,二者差异越明显,即越靠近区域主方向上,亮度变化越剧烈,故本发明使用/>表示对亮度值变化量/>的亮度差异权重,角度差异越小,亮度差异权重越大,对应的亮度变化剧烈程度越大。
S4、将每个连通域的亮度变化剧烈程度和最大亮度值作为该连通域的特征向量,根据每个连通域的特征向量和参照特征向量之间的差异获取每个连通域的缺陷概率。
木材表面的木纹区域通常是贯穿整个木材表面,而裂纹一般存在于木材表面的局部区域,因此木纹区域对应的连通域的最大长度较长,即对应的最大亮度值较大;并且木纹对应的连通域的亮度变化剧烈程度更大,因此根据最大亮度值和亮度变化剧烈程度这两个特征值分析裂纹和木纹区域。
具体的,获取所有连通域中亮度变化剧烈程度的最大值和最大亮度值的最大值组成参照特征向量,其中,/>表示第/>个连通域的最大亮度值,即连通域的最大长度,/>表示第/>个连通域的亮度变化剧烈程度,/>表示参照特征向量,因为木纹区域对应的连通域主方向的长度较长,且亮度变化剧烈程度较大,所以选择最大长度和最大亮度变化剧烈程度作为参照特征向量,即将更趋向木纹的特征向量作为参照特征向量;正常情况下,木材表面都是木纹连通域时,每个连通域的特征向量之间的差异较小,即每个连通域与参照特征向量之间的差异较小。
对每个连通域的特征向量和参照特征向量之间的差异进行归一化处理得到归一化值,将每个连通域得到的归一化值作为该连通域的缺陷概率,具体计算每个连通域对应的归一化值,即缺陷概率的公式为:
其中,表示第/>个连通域的归一化值,即第/>个连通域的缺陷概率;/>表示参照特征向量;/>表示第/>个连通域的特征向量;/>表示第/>个连通域的特征向量与参照特征向量之间的欧几里得范数,即第/>个连通域的特征向量与参照特征向量之间的差异;/>表示指数函数;/>表示对第/>个连通域的特征向量与参照特征向量之间的差异进行归一化后的值,差异程度越大,则该连通域为裂纹区域的概率越大。
S5、将每个连通域的缺陷概率作为该连通域中每一行的初始缺陷概率。
木纹区域呈现细长型,将与木纹区域的主方向相垂直的方向记为木纹区域对应的连通域的行,木纹区域中每行的宽度差异不大,即每行中的像素点数量差异不大,但是裂纹区域呈现中间较宽两端尖细的特点,所以将每个连通域中过中心像素点的一行的宽度作为该连通域的参照宽度,用于后续分析,连通域中每行的宽度与参照宽度差异越大,则该连通域为裂纹区域的概率越大。
S6、利用每个连通域中每一行的宽度与参照宽度之间的差异对连通域中每一行的初始缺陷概率进行修正得到每一行的缺陷概率,根据每一行的缺陷概率确定出存在缺陷的行,根据存在缺陷的行确定出裂纹区域。
独立存在的裂纹区域与木纹区域的特征向量之间的差异较大,但是当裂纹区域与木纹存在交叠时,即木纹区域中存在裂纹区域时,该连通域的特征向量与参照向量之间的差异不大,因此可能会忽略交叠的裂纹区域,因此还需对得到的缺陷概率进行修正。
具体的,计算连通域中每行的宽度与该连通域的参照宽度之间的差异,将得到的差异进行归一化,利用归一化的值对每行的初始缺陷概率进行修正,利用下式对连通域中每一行的宽度与参照宽度之间的差异进行归一化:
其中,表示第/>个连通域中第/>行的宽度与参照宽度之间的差异的归一化值;表示第/>个连通域中第/>行的宽度与参照宽度之间的差异;/>为自然常数;/>为进行归一化的函数,本方案中是对每行的宽度差异进行归一化,所以对函数中的变量/>取宽度差异/>,木纹区域的宽度基本一致,而当裂纹与木纹存在交叠时,裂纹会增加木纹的宽度,使得到的宽度差异/>的值更大,归一化后的值/>也更大,修正后得到的每一行的缺陷概率更大。
利用下式计算连通域中每一行的缺陷概率:
其中,表示第/>个连通域中第/>行的缺陷概率;/>表示第/>个连通域中第/>行的初始缺陷概率;/>表示第/>个连通域中第/>行的宽度与参照宽度之间的差异的归一化值;该公式中利用宽度差异的归一化值作为调整幅度对每行的初始缺陷概率进行修正得到了每行的缺陷概率。
需要说明的是,当连通域为独立存在的裂纹区域时,该连通域中每一行的初始缺陷概率本身较高,而当裂纹区域与木纹区域存在交叠时,裂纹区域对应的连通域中每行的初始缺陷概率相对于独立存在的裂纹区域中每行的初始缺陷概率偏低,可能会被归为正常的木纹区域;而且裂纹存在于木材表面的局部区域,因此存在交叠时,连通域中的木纹区域占主体部分,使得该连通域更加偏向木纹区域,因此需要在初始缺陷概率的基础上,进一步根据宽度异常程度提高交叠的裂纹区域的初始缺陷概率的值,通过构建归一化函数模型表示初始缺陷概率的调整幅度,通过判断连通域中每一行的宽度与参照宽度的宽度差异确定该行对应的调整幅度,当宽度的差异程度较小,表示该行中存在裂纹的概率越小,当差异程度越大,表示该行中存在缺陷的概率越大,从而实现对每一行的初始缺陷概率的修正。
设置缺陷阈值,若连通域中某一行的缺陷概率大于预设的缺陷阈值,则该行存在缺陷,否则认为该行不存在缺陷;将连通域中不存在缺陷的所有行中的像素点的像素值标记为0并去除,利用剩余的多个存在缺陷的行组成裂纹区域。
综上所述,本发明提供一种木材表面缺陷识别方法,通过将连通域中的像素点转换到霍夫空间获取目标高亮点,能够快速得到连通域中的最长直线,即连通域中的主方向;通过遍历连通域中过中心像素点的每个第二角度值,计算每个第二角度值对应的亮度值与主方向的第一角度值对应的最大亮度值之间的差异,得到每个连通域的亮度变化剧烈程度,由于木纹和裂纹的亮度变化剧烈程度不同,因此能够得到每个连通域可能为裂纹的缺陷概率;由于木纹相对于裂纹的连通域中每行的宽度更加规则,所以根据每个连通域中每一行的宽度差异对每一行的初始缺陷概率进行修正得到每一行真正存在缺陷的概率,使得最后得到的裂纹区域更加准确。
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 (8)
1.一种木材表面缺陷识别方法,其特征在于:
获取木材表面的灰度图像,并对灰度图像进行分割得到多个连通域;
对每个连通域进行霍夫转换得到霍夫空间,获取每个连通域对应的霍夫空间中最大亮度值的点并将最大亮度值的点作为目标高亮点;
获取每个连通域的目标高亮点在霍夫空间中的第一角度值;获取每个连通域对应的霍夫空间中包含该连通域中心像素点的所有高亮点及每个高亮点对应的第二角度值;利用每个连通域中心像素点的所有高亮点的亮度值与对应的连通域的最大亮度值之间的差异、每个第二角度值与第一角度值之间的夹角在预设的角度范围之间的占比获得该连通域的亮度变化剧烈程度;
将每个连通域的亮度变化剧烈程度和最大亮度值作为该连通域的特征向量,根据每个连通域的特征向量和参照特征向量之间的差异获取每个连通域的缺陷概率;
将每个连通域的缺陷概率作为该连通域中每一行的初始缺陷概率;
利用每个连通域中每一行的宽度与参照宽度之间的差异对连通域中每一行的初始缺陷概率进行修正得到每一行的缺陷概率,根据每一行的缺陷概率确定出存在缺陷的行,根据存在缺陷的行确定出裂纹区域。
2.根据权利要求1所述的一种木材表面缺陷识别方法,其特征在于,获取连通域的亮度变化剧烈程度的步骤包括:
利用每个连通域中心像素点的每个高亮点的第二角度值与第一角度值之间的夹角在预设角度范围之间的占比得到每个第二角度值的亮度差异权重;
对连通域中心像素点的每个高亮点的亮度值与该连通域的最大亮度值之间的亮度差异赋予对应的亮度差异权重并求和,得到该连通域的亮度变化剧烈程度。
3.根据权利要求2所述的一种木材表面缺陷识别方法,其特征在于,得到连通域的亮度变化剧烈程度的公式为:
其中,表示连通域的亮度变化剧烈程度;/>表示预设的角度范围;/>表示该连通域的第一角度值;/>表示该连通域中心像素点的第/>个高亮点的第二角度值;/>表示连通域中心像素点的第/>个高亮点的第二角度值对应的亮度差异权重;/>表示该连通域的最大亮度值;/>表示连通域中心像素点的第/>个高亮点的亮度值。
4.根据权利要求1所述的一种木材表面缺陷识别方法,其特征在于,根据每个连通域的特征向量和参照特征向量之间的差异获取每个连通域的缺陷概率的步骤包括:
对每个连通域的特征向量和参照特征向量之间的差异进行归一化处理得到归一化值;
将每个连通域得到的归一化值作为该连通域的缺陷概率。
5.根据权利要求4所述的一种木材表面缺陷识别方法,其特征在于,获取每个连通域的缺陷概率的公式为:
其中,表示第/>个连通域的归一化值,即第/>个连通域的缺陷概率;/>表示参照特征向量;/>表示第/>个连通域的特征向量;/>表示第/>个连通域的特征向量与参照特征向量之间的欧几里得范数,即第/>个连通域的特征向量与参照特征向量之间的差异;/>表示指数函数。
6.根据权利要求1所述的一种木材表面缺陷识别方法,其特征在于,利用连通域中每一行的宽度与参照宽度之间的差异对连通域中每一行的初始缺陷概率进行修正得到每一行的缺陷概率的步骤包括:
利用下式对连通域中每一行的宽度与参照宽度之间的差异进行归一化:
其中,表示连通域中第/>行的宽度与参照宽度之间的差异的归一化值;/>表示连通域中第/>行的宽度与参照宽度之间的差异;/>为自然常数;
将连通域中每一行的初始缺陷概率与得到的归一化值相加得到对应行的缺陷概率。
7.根据权利要求1所述的一种木材表面缺陷识别方法,其特征在于,将第一角度值对应的方向作为连通域的主方向,将连通域中过中心像素点且与连通域的主方向垂直的该行的宽度作为对应的连通域的参照宽度。
8.根据权利要求1所述的一种木材表面缺陷识别方法,其特征在于,根据每一行的缺陷概率确定出存在缺陷的行,根据存在缺陷的行确定出裂纹区域的步骤包括:
若连通域中某一行的缺陷概率大于预设的缺陷阈值,则该行存在缺陷,否则认为该行不存在缺陷;
将连通域中不存在缺陷的所有行中的像素点的像素值标记为0并去除;
利用剩余的多个存在缺陷的行组成裂纹区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927878.9A CN116645373B (zh) | 2023-07-27 | 2023-07-27 | 一种木材表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927878.9A CN116645373B (zh) | 2023-07-27 | 2023-07-27 | 一种木材表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645373A true CN116645373A (zh) | 2023-08-25 |
CN116645373B CN116645373B (zh) | 2023-10-20 |
Family
ID=87643813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310927878.9A Active CN116645373B (zh) | 2023-07-27 | 2023-07-27 | 一种木材表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645373B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936919A (zh) * | 2010-08-06 | 2011-01-05 | 清华大学 | 一种基于计算机视觉的玻璃质量检测装置及其测量方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN110389127A (zh) * | 2019-07-03 | 2019-10-29 | 浙江大学 | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 |
CN114708226A (zh) * | 2022-04-01 | 2022-07-05 | 南通蓝城机械科技有限公司 | 一种基于光照影响的铜管内壁裂纹检测方法 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN115063407A (zh) * | 2022-07-28 | 2022-09-16 | 海门市亚泰精密铜材有限公司 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
CN115272736A (zh) * | 2022-09-27 | 2022-11-01 | 如东鼎伟纺织有限公司 | 一种纺织品经纬线提取方法 |
CN115311279A (zh) * | 2022-10-11 | 2022-11-08 | 南通堰洲家用纺织品有限公司 | 一种织物经纬瑕疵的机器视觉识别方法 |
CN115311283A (zh) * | 2022-10-12 | 2022-11-08 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及系统 |
-
2023
- 2023-07-27 CN CN202310927878.9A patent/CN116645373B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936919A (zh) * | 2010-08-06 | 2011-01-05 | 清华大学 | 一种基于计算机视觉的玻璃质量检测装置及其测量方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN110389127A (zh) * | 2019-07-03 | 2019-10-29 | 浙江大学 | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 |
CN114708226A (zh) * | 2022-04-01 | 2022-07-05 | 南通蓝城机械科技有限公司 | 一种基于光照影响的铜管内壁裂纹检测方法 |
CN115063407A (zh) * | 2022-07-28 | 2022-09-16 | 海门市亚泰精密铜材有限公司 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN115272736A (zh) * | 2022-09-27 | 2022-11-01 | 如东鼎伟纺织有限公司 | 一种纺织品经纬线提取方法 |
CN115311279A (zh) * | 2022-10-11 | 2022-11-08 | 南通堰洲家用纺织品有限公司 | 一种织物经纬瑕疵的机器视觉识别方法 |
CN115311283A (zh) * | 2022-10-12 | 2022-11-08 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
SHENG HUANG等: "Circular road sign detection and recognition based on hough transform", 2012 5TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING * |
汪豪: "基于机器视觉的手机外壳表面缺陷检测系统研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 09 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117095004B (zh) * | 2023-10-20 | 2024-01-12 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117745724A (zh) * | 2024-02-20 | 2024-03-22 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN117745724B (zh) * | 2024-02-20 | 2024-04-26 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116645373B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116645373B (zh) | 一种木材表面缺陷识别方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116363133B (zh) | 基于机器视觉的照明器配件缺陷检测方法 | |
CN115239735B (zh) | 基于计算机视觉的通信柜表面缺陷检测方法 | |
CN116664557B (zh) | 一种风机叶片表面缺陷视觉检测方法 | |
US10776967B2 (en) | Raster log digitization system and method | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN110619146B (zh) | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 | |
CN116740058B (zh) | 一种固态硬盘配套晶圆的质量检测方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN115953409A (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN116503403A (zh) | 基于图像处理的金属切削刀头的缺陷检测方法 | |
CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
CN116664567A (zh) | 一种固体绝缘开关柜质量评估方法及系统 | |
CN114937041B (zh) | 一种汽车发动机油路铜套缺陷检测方法及系统 | |
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 |