CN116740056B - 用于整芯高花纹输送带涂覆层的缺陷检测方法 - Google Patents
用于整芯高花纹输送带涂覆层的缺陷检测方法 Download PDFInfo
- Publication number
- CN116740056B CN116740056B CN202311000261.9A CN202311000261A CN116740056B CN 116740056 B CN116740056 B CN 116740056B CN 202311000261 A CN202311000261 A CN 202311000261A CN 116740056 B CN116740056 B CN 116740056B
- Authority
- CN
- China
- Prior art keywords
- block
- gray
- texture
- gray level
- texture complexity
- 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 53
- 239000011247 coating layer Substances 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及用于整芯高花纹输送带涂覆层的缺陷检测方法,包括:对灰度图像进行分块划分得到若干分块,根据每个分块中每个像素点对应灰度值的出现频率得到纹理复杂度;根据分块的灰度分布范围得到纹理复杂度权值,根据纹理复杂度权值与纹理复杂度得到加权纹理复杂度,根据加权纹理复杂度得到最优灰度级;根据最优灰度级对分块内像素点灰度值划分得到划分后的灰度值,根据划分后的灰度值构建灰度共生矩阵得到纹理特征,根据纹理特征得到若干缺陷区域,实现整芯高花纹输送带涂覆层的缺陷检测。本发明使加权复杂度较低的窗口的灰度级更少,从而减少加权复杂度较低的窗口的计算量,减少加权复杂度较低的窗口的计算时间。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及用于整芯高花纹输送带涂覆层的缺陷检测方法。
背景技术
整芯高花纹输送带是一种广泛应用与工业生产的传输设备,其涂覆层是保护输送带的重要部分。在整芯高花纹输送带的制造过程中,涂覆层可能会存在一些缺陷,如裂纹、漏涂等,这些缺陷会使整芯高花纹输送带在运行过程中存在安全隐患,所以需要对涂覆层进行缺陷检测,由于涂覆层表面存在大量花纹,所以可以通过分析涂覆层的纹理特征对涂覆层进行缺陷检测。
灰度共生矩阵作为传统的针对纹理特征进行缺陷检测的方法之一,通过将0-255共256个灰度值作为256个灰度级来构建灰度共生矩阵,然后对图像进行分块,对每个分块都划分256个灰度级来进行纹理特征的计算,然后根据纹理特征得到缺陷区域;但由于对每个分块的计算量过大,导致整体缺陷检测的时间过长,影响检测效率。
为了解决这一问题,本发明提出了根据每个分块内像素块各个灰度值出现概率的大小与灰度值范围自适应计算每个分块的最优灰度级,通过使灰度值分布范围小、且复杂度小的灰度级更小,从而减小对应分块的计算量,从而降低整体缺陷检测的时间,提高缺陷检测效率。
发明内容
本发明提供用于整芯高花纹输送带涂覆层的缺陷检测方法,以解决现有的问题。
本发明的用于整芯高花纹输送带涂覆层的缺陷检测方法采用如下技术方案:
本发明一个实施例提供了用于整芯高花纹输送带涂覆层的缺陷检测方法,该方法包括以下步骤:
采集整芯高花纹输送带涂覆层图像,预处理得到灰度图像;
对灰度图像进行分块划分得到若干分块,根据每个分块中每个像素点对应灰度值的出现频率得到每个分块的纹理复杂度;
获取每个分块的灰度分布范围,根据每个分块的灰度分布范围得到每个分块的纹理复杂度权值,根据每个分块的纹理复杂度权值对每个分块的纹理复杂度加权得到每个分块的加权纹理复杂度,根据每个分块的加权纹理复杂度得到每个分块的最优灰度级;
根据每个分块的最优灰度级对每个分块内每个像素点的灰度值进行划分,得到每个分块内每个像素点划分后的灰度值,根据每个分块内每个像素点划分后的灰度值构建灰度共生矩阵得到每个分块的纹理特征,根据每个分块的纹理特征对每个分块进行阈值筛选得到若干缺陷区域,实现整芯高花纹输送带涂覆层的缺陷检测。
优选的,所述对灰度图像进行分块划分得到若干分块,包括的具体方法为:
对于任意一张整芯高花纹输送带涂覆层的灰度图像,将灰度图像均匀划分为预设数量个分块。
优选的,所述根据每个分块中每个像素点对应灰度值的出现频率得到每个分块的纹理复杂度,包括的具体方法为:
对于任意一个分块,获取分块的灰度概率序列;
式中,E表示分块的纹理复杂度;n表示分块的灰度概率序列的元素数量;表示分块的灰度概率序列中第i个出现频率。
优选的,所述获取分块的灰度概率序列,包括的具体方法为:
对于任意一个分块,获取分块内每个像素点灰度值的出现频率,将分块内每个像素点灰度值的出现频率按从小到大的顺序排序后所构成的序列记为分块的灰度概率序列。
优选的,所述根据每个分块的灰度分布范围得到每个分块的纹理复杂度权值,包括的具体方法为:
对于任意一个分块,将分块的灰度值标准差与分块的灰度值均值的比值记为分块的纹理复杂度参数;获取所有分块的纹理复杂度参数,对所有纹理复杂度参数进行线性归一化,得到的结果记为每个分块的纹理复杂度权值。
优选的,所述根据每个分块的纹理复杂度权值对每个分块的纹理复杂度加权得到每个分块的加权纹理复杂度,包括的具体方法为:
对于任意一个分块,将分块的纹理复杂度权值与分块的纹理复杂度乘积记为分块的加权纹理复杂度。
优选的,所述根据每个分块的加权纹理复杂度得到每个分块的最优灰度级,包括的具体方法为:
对于任意一个分块,式中,表示分块的最优灰度级;/>表示分块的加权纹理复杂度; 32表示预设的最小灰度级;256表示预设的最大灰度级;/>表示向下取整。
优选的,所述根据每个分块的最优灰度级对每个分块内每个像素点的灰度值进行划分,得到每个分块内每个像素点划分后的灰度值,包括的具体方法为:
对于任意一个分块,式中,表示分块中第j个像素点划分后的灰度值;/>表示分块中第j个像素点划分前的灰度值;/>表示分块的最优灰度级;256表示预设的最大灰度级;表示向上取整。
优选的,所述根据每个分块内每个像素点划分后的灰度值构建灰度共生矩阵得到每个分块的纹理特征,包括的具体方法为:
对于任意一个分块,根据分块内所有像素点划分后的灰度值构建灰度共生矩阵,并根据分块的灰度共生矩阵得到分块的对比度,获取所有分块的对比度并进行线性归一化处理,得到每个分块处理后的对比度,记为每个分块的纹理特征。
优选的,所述根据每个分块的纹理特征对每个分块进行阈值筛选得到若干缺陷区域,包括的具体方法为:
预设一个纹理特征阈值;对于任意一个分块,若分块的纹理特征大于等于纹理特征阈值,说明分块存在缺陷;若分块的纹理特征小于纹理特征阈值,说明分块不存在缺陷。
本发明的技术方案的有益效果是:通过对灰度图像划分分块,根据各个分块中的灰度值概率分布以及灰度值的分布范围,得到各个分块的纹理复杂度与纹理复杂度权值,从而得到各个分块的加权复杂度,根据加权复杂度自适应获取各个分块的最优灰度级,根据最优灰度级得到缺陷区域,相较于现有技术对每个分块都划分256个灰度级来进行纹理特征的计算,本发明在保证寻找缺陷区域的基础上,使加权复杂度较低的窗口的灰度级更少,从而减少加权复杂度较低的窗口的计算量,减少加权复杂度较低的窗口的计算时间。
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为本发明用于整芯高花纹输送带涂覆层的缺陷检测方法的步骤流程图;
图2为本发明的整芯高花纹输送带涂覆层的灰度图像示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于整芯高花纹输送带涂覆层的缺陷检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于整芯高花纹输送带涂覆层的缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于整芯高花纹输送带涂覆层的缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集整芯高花纹输送带涂覆层图像,预处理得到灰度图像。
需要说明的是,灰度共生矩阵作为传统的针对纹理特征进行缺陷检测的方法之一,通过将0-255共256个灰度值作为256个灰度级来构建灰度共生矩阵,然后对图像进行分块,对每个分块都划分256个灰度级来进行纹理特征的计算,然后根据纹理特征得到缺陷区域;但由于对每个分块的计算量过大,导致整体缺陷检测的时间过长,影响检测效率;为了解决这一问题,本实施例提出了根据每个分块内像素块各个灰度值出现概率的大小与灰度值范围自适应计算每个分块的最优灰度级,通过使灰度值分布范围小、且复杂度小的灰度级更小,从而对应分块的计算量,从而降低整体缺陷检测的时间,提高缺陷检测效率。
具体的,为了实现本实施例提出的用于整芯高花纹输送带涂覆层的缺陷检测方法,首先需要采集整芯高花纹输送带涂覆层图像的灰度图像,具体过程为:使用工业相机对整芯高花纹输送带涂覆层所有部分进行拍摄,得到若干张整芯高花纹输送带涂覆层图像,并对所有整芯高花纹输送带涂覆层进行灰度化处理得到若干张整芯高花纹输送带涂覆层的灰度图像,请参阅图2,其示出了整芯高花纹输送带涂覆层的灰度图像示意图;其中灰度化处理是公知技术,本实施例不进行叙述。
至此,通过上述方法得到整芯高花纹输送带涂覆层的灰度图像。
步骤S002:对灰度图像进行分块划分得到若干分块,根据分块中各个灰度值的出现频率得到分块的纹理复杂度。
需要说明的是,由于整芯高花纹输送带涂覆层存在统一规律分布的花纹,若存在缺陷,则会破坏这些花纹,在增加纹理复杂度的同时,还会破坏原有的灰度分布,所以在灰度图像中,对于纹理越复杂的部分,其属于缺陷的概率越大,对应的灰度级越大;对于纹理越简单的部分,其属于缺陷的概率越小,对应的灰度级越小;从而降低属于缺陷概率较小的区域所构建的灰度共生矩阵的大小,进而减少计算量。
进一步需要说明的是,为了避免直接对整幅灰度图像利用灰度共生矩阵进行计算时,计算量过大,可以将灰度图像进行分块划分,划分后的每个分块的纹理复杂度不同,通过分析每个分块的复杂性确定每个分块对应的最优灰度级。
更进一步需要说明的是,分块的纹理是通过分块内的各个像素点的灰度值来反映的,若分块内像素点的灰度值分布越规律,对应分块中的纹理复杂度越低;若分块内像素点的灰度值分布越混乱,对应分块中的纹理复杂度越高,所以可以通过分块中像素点中各个像素点灰度值出现的概率得到分块的纹理复杂度。
具体的,本实施例以任意一张整芯高花纹输送带涂覆层的灰度图像为例进行叙述,将灰度图像均匀划分为若干个分块;其中每个分块包含个像素点,本实施例采用来进行叙述,若实际剩余的像素点不满足分块所需包含的像素点数量,则将实际剩余的像素点所构成的区域划分为一个分块。
进一步的,本实施例以任意一个分块为例进行叙述,获取该分块内每个像素点灰度值出现的概率,将该分块内各个像素点灰度值的出现频率按从小到大的顺序排序后所构成的序列记为该分块的灰度概率序列,其中灰度概率序列包含分块内各个灰度值的出现频率;根据该分块的灰度概率序列得到该分块的纹理复杂度,其中该分块的纹理复杂度的计算公式为:
式中,E表示该分块的纹理复杂度,若纹理复杂度越小,则说明该分块内各个灰度值分布越规律,该分块内各个灰度值的出现频率分布越不均匀;若纹理复杂度越大,则说明该分块内各个灰度值分布越混乱,该分块内各个灰度值的出现频率分布越均匀;n表示该分块的灰度概率序列的元素数量;表示该分块的灰度概率序列中第i个出现频率,即第i个元素值;/>用于对/>进行归一化处理。
获取所有分块的纹理复杂度。
至此,通过上述方法得到所有分块的纹理复杂度。
步骤S003:根据分块的灰度分布范围得到分块的纹理复杂度权值,根据纹理复杂度权值对纹理复杂度进行加权得到分块的加权纹理复杂度,根据加权纹理复杂度得到分块的最优灰度级。
需要说明的是,分块的纹理复杂度仅考虑了分块内出现的各个灰度值的概率分布,并未考虑这些灰度值的取值范围,若分块内灰度值的动态取值范围较小,则分块内出现的各个灰度值的概率分布较规律,分块的纹理复杂度较低;而分块的纹理复杂度越低,那么分块划分的灰度级就越小,若仅根据纹理复杂度直接进行灰度级划分会导致图像中的细节大量丢失,所以需要根据分块内灰度值分布范围计算纹理复杂度权值,根据纹理复杂度权值对纹理复杂度进行加权得到加权纹理复杂度,根据加权纹理复杂度得到分块对应的最优灰度级。
进一步需要说明的是,根据分块内灰度值分布范围计算分块的纹理复杂度权值时,若分块的灰度分布范围越大,则说明分块内的像素点可以表示更多不同的灰度值,从而能捕捉到更多的细节;若分块的灰度分布范围越小,则说明分块内的像素点仅能表示更少量不同的灰度值,从而捕捉到更少的细节;因此,若分块的灰度分布范围越大,则分块的纹理复杂度权值应该越大;若分块的灰度分布范围越小,则分块的纹理复杂度权值应该越小。
具体的,以任意一个分块为例,根据该分块的灰度分布范围得到该分块的纹理复杂度权值,其中该分块的纹理复杂度权值的计算方法为:
式中,表示该分块的纹理复杂度参数,若纹理复杂度参数越大,则该分块的灰度分布范围越大;若纹理复杂度参数越小,则该分块的灰度分布范围越小;/>表示该分块的灰度值标准差;H表示该分块的灰度值均值;/>表示该分块的灰度分布范围;按照上述方法获取所有分块的纹理复杂度参数,对所有纹理复杂度参数进行线性归一化,得到的结果记为每个分块的纹理复杂度权值。
进一步的,根据该分块的纹理复杂度权值得到该分块的加权纹理复杂度,其中该分块的加权纹理复杂度的计算公式为:
式中,表示该分块的加权纹理复杂度,若该分块的纹理复杂度权值越大、纹理复杂度越大,则该分块的加权纹理复杂度越大;若该分块的纹理复杂度权值越小、纹理复杂度越小,则该分块的加权纹理复杂度越小;/>表示该分块的纹理复杂度权值;/>表示该分块的纹理复杂度。
获取所有分块的加权纹理复杂度。
进一步的,将图像中每个灰度值划分为一个灰度级,对于任意一个分块,根据该分块的加权纹理复杂度得到该分块的最优灰度级,其中该分块的最优灰度级的计算公式为:
式中,表示该分块的最优灰度级,其取值有四种:32、64、128、256;/>表示该分块的加权纹理复杂度,若加权纹理复杂度越大,则该分块的最优灰度级越大;若加权纹理复杂度越小,则该分块的最优灰度级越小;32表示默认的最小灰度级;256表示默认的最大灰度级;/>表示将/>向下取整,只要存在小数则向下取整,由于当/>时,/>,所以/>分别可以取0、1、2、3共四种取值,不同的取值代表不同的灰度级。
获取所有分块的最优灰度级。
至此,通过上述方法得到所有分块的最优灰度级。
步骤S004:根据分块的最优灰度级对分块内各个灰度值进行划分得到划分后的灰度值,根据分块内划分后的灰度值构建灰度共生矩阵得到分块的纹理特征,根据纹理特征得到缺陷区域,实现整芯高花纹输送带涂覆层的缺陷检测。
具体的,以任意一个分块为例,根据该分块的最优灰度级对该分块内每个像素点的灰度值进行划分,得到该分块内每个像素点划分后的灰度值,其中该分块内每个像素点划分后灰度值的计算公式:
式中,表示该分块中第j个像素点划分后的灰度值;/>表示该分块中第j个像素点划分前的灰度值;/>表示该分块的最优灰度级;256表示默认的最大灰度级;/>表示将/>向上取整,只要存在小数则向上取整。
获取该分块内所有像素点划分后的灰度值,获取所有分块内对应所有像素点划分后的灰度值。
进一步的,根据该分块内所有像素点划分后的灰度值构建灰度共生矩阵,并根据该分块的灰度共生矩阵得到该分块的对比度,获取所有分块的对比度并进行线性归一化处理,得到每个分块处理后的对比度,记为每个分块的纹理特征;其中分块的对比度获取是灰度共生矩阵的公知内容,灰度共生矩阵是公知技术,本实施例不进行叙述。
获取所有分块的纹理特征,预设一个纹理特征阈值T1,其中本实施例以T1=0.8为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;若该分块的纹理特征大于等于纹理特征阈值T1,则说明该分块存在缺陷。
获取所有存在缺陷的分块,实现整芯高花纹输送带涂覆层的缺陷检测。
至此,本实施例完成。
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 (5)
1.用于整芯高花纹输送带涂覆层的缺陷检测方法,其特征在于,该方法包括以下步骤:
采集整芯高花纹输送带涂覆层图像,预处理得到灰度图像;
对灰度图像进行分块划分得到若干分块,根据每个分块中每个像素点对应灰度值的出现频率得到每个分块的纹理复杂度;
获取每个分块的灰度分布范围,根据每个分块的灰度分布范围得到每个分块的纹理复杂度权值,根据每个分块的纹理复杂度权值对每个分块的纹理复杂度加权得到每个分块的加权纹理复杂度,根据每个分块的加权纹理复杂度得到每个分块的最优灰度级;
根据每个分块的最优灰度级对每个分块内每个像素点的灰度值进行划分,得到每个分块内每个像素点划分后的灰度值,根据每个分块内每个像素点划分后的灰度值构建灰度共生矩阵得到每个分块的纹理特征,根据每个分块的纹理特征对每个分块进行阈值筛选得到若干缺陷区域,实现整芯高花纹输送带涂覆层的缺陷检测;
所述根据每个分块中每个像素点对应灰度值的出现频率得到每个分块的纹理复杂度,包括的具体方法为:
对于任意一个分块,获取分块的灰度概率序列;
式中,E表示分块的纹理复杂度;n表示分块的灰度概率序列的元素数量;表示分块的灰度概率序列中第i个出现频率;
所述获取分块的灰度概率序列,包括的具体方法为:
对于任意一个分块,获取分块内每个像素点灰度值的出现频率,将分块内每个像素点灰度值的出现频率按从小到大的顺序排序后所构成的序列记为分块的灰度概率序列;
所述根据每个分块的灰度分布范围得到每个分块的纹理复杂度权值,包括的具体方法为:
对于任意一个分块,将分块的灰度值标准差与分块的灰度值均值的比值记为分块的纹理复杂度参数;获取所有分块的纹理复杂度参数,对所有纹理复杂度参数进行线性归一化,得到的结果记为每个分块的纹理复杂度权值;
所述根据每个分块的纹理复杂度权值对每个分块的纹理复杂度加权得到每个分块的加权纹理复杂度,包括的具体方法为:
对于任意一个分块,将分块的纹理复杂度权值与分块的纹理复杂度乘积记为分块的加权纹理复杂度;
所述根据每个分块的加权纹理复杂度得到每个分块的最优灰度级,包括的具体方法为:
对于任意一个分块,式中,表示分块的最优灰度级;/>表示分块的加权纹理复杂度;32表示预设的最小灰度级;256表示预设的最大灰度级;/>表示向下取整。
2.根据权利要求1所述用于整芯高花纹输送带涂覆层的缺陷检测方法,其特征在于,所述对灰度图像进行分块划分得到若干分块,包括的具体方法为:
对于任意一张整芯高花纹输送带涂覆层的灰度图像,将灰度图像均匀划分为预设数量个分块。
3.根据权利要求1所述用于整芯高花纹输送带涂覆层的缺陷检测方法,其特征在于,所述根据每个分块的最优灰度级对每个分块内每个像素点的灰度值进行划分,得到每个分块内每个像素点划分后的灰度值,包括的具体方法为:
对于任意一个分块,式中,表示分块中第j个像素点划分后的灰度值;/>表示分块中第j个像素点划分前的灰度值;/>表示分块的最优灰度级;256表示预设的最大灰度级;/>表示向上取整。
4.根据权利要求1所述用于整芯高花纹输送带涂覆层的缺陷检测方法,其特征在于,所述根据每个分块内每个像素点划分后的灰度值构建灰度共生矩阵得到每个分块的纹理特征,包括的具体方法为:
对于任意一个分块,根据分块内所有像素点划分后的灰度值构建灰度共生矩阵,并根据分块的灰度共生矩阵得到分块的对比度,获取所有分块的对比度并进行线性归一化处理,得到每个分块处理后的对比度,记为每个分块的纹理特征。
5.根据权利要求1所述用于整芯高花纹输送带涂覆层的缺陷检测方法,其特征在于,所述根据每个分块的纹理特征对每个分块进行阈值筛选得到若干缺陷区域,包括的具体方法为:
预设一个纹理特征阈值;对于任意一个分块,若分块的纹理特征大于等于纹理特征阈值,说明分块存在缺陷;若分块的纹理特征小于纹理特征阈值,说明分块不存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000261.9A CN116740056B (zh) | 2023-08-10 | 2023-08-10 | 用于整芯高花纹输送带涂覆层的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000261.9A CN116740056B (zh) | 2023-08-10 | 2023-08-10 | 用于整芯高花纹输送带涂覆层的缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740056A CN116740056A (zh) | 2023-09-12 |
CN116740056B true CN116740056B (zh) | 2023-11-07 |
Family
ID=87909900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311000261.9A Active CN116740056B (zh) | 2023-08-10 | 2023-08-10 | 用于整芯高花纹输送带涂覆层的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740056B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004030188A (ja) * | 2002-06-25 | 2004-01-29 | Matsushita Electric Works Ltd | 画像の領域分割方法、画像の領域分割装置、画像の領域分割プログラム |
CN108665431A (zh) * | 2018-05-16 | 2018-10-16 | 南京信息工程大学 | 基于k-均值聚类的分数阶图像纹理增强方法 |
WO2019110149A1 (en) * | 2017-12-08 | 2019-06-13 | Huawei Technologies Co., Ltd. | Cluster refinement for texture synthesis in video coding |
WO2021064194A1 (en) * | 2019-10-04 | 2021-04-08 | Koninklijke Philips N.V. | Magnetic resonance (mr) image artifact determination using texture analysis for image quality (iq) standardization and system health prediction |
CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
WO2022100510A1 (zh) * | 2020-11-11 | 2022-05-19 | 北京字节跳动网络技术有限公司 | 一种图像失真评测的方法、装置及计算机设备 |
CN115082467A (zh) * | 2022-08-22 | 2022-09-20 | 山东亿昌装配式建筑科技有限公司 | 基于计算机视觉的建材焊接表面缺陷检测方法 |
CN115565011A (zh) * | 2022-10-19 | 2023-01-03 | 河南理工大学 | 基于特征融合的钢丝绳表面缺陷识别方法 |
CN115830023A (zh) * | 2023-02-16 | 2023-03-21 | 山东中都机器有限公司 | 基于图像处理的胶带输送机传输带缺陷检测方法 |
CN116012384A (zh) * | 2023-03-28 | 2023-04-25 | 梁山水泊胶带股份有限公司 | 一种整芯阻燃输送带表面缺陷检测方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10453366B2 (en) * | 2017-04-18 | 2019-10-22 | Samsung Display Co., Ltd. | System and method for white spot mura detection |
-
2023
- 2023-08-10 CN CN202311000261.9A patent/CN116740056B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004030188A (ja) * | 2002-06-25 | 2004-01-29 | Matsushita Electric Works Ltd | 画像の領域分割方法、画像の領域分割装置、画像の領域分割プログラム |
WO2019110149A1 (en) * | 2017-12-08 | 2019-06-13 | Huawei Technologies Co., Ltd. | Cluster refinement for texture synthesis in video coding |
CN108665431A (zh) * | 2018-05-16 | 2018-10-16 | 南京信息工程大学 | 基于k-均值聚类的分数阶图像纹理增强方法 |
WO2021064194A1 (en) * | 2019-10-04 | 2021-04-08 | Koninklijke Philips N.V. | Magnetic resonance (mr) image artifact determination using texture analysis for image quality (iq) standardization and system health prediction |
WO2022100510A1 (zh) * | 2020-11-11 | 2022-05-19 | 北京字节跳动网络技术有限公司 | 一种图像失真评测的方法、装置及计算机设备 |
CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
CN115082467A (zh) * | 2022-08-22 | 2022-09-20 | 山东亿昌装配式建筑科技有限公司 | 基于计算机视觉的建材焊接表面缺陷检测方法 |
CN115565011A (zh) * | 2022-10-19 | 2023-01-03 | 河南理工大学 | 基于特征融合的钢丝绳表面缺陷识别方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115830023A (zh) * | 2023-02-16 | 2023-03-21 | 山东中都机器有限公司 | 基于图像处理的胶带输送机传输带缺陷检测方法 |
CN116012384A (zh) * | 2023-03-28 | 2023-04-25 | 梁山水泊胶带股份有限公司 | 一种整芯阻燃输送带表面缺陷检测方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
Non-Patent Citations (5)
Title |
---|
A Hybrid Scheme for Online Detection and Classification of Textural Fabric Defects;Mina Behravan 等;《2009 Second International Conference on Machine Vision》;全文 * |
Correct and Crisp Edge Detection Approach Based on Dense Network;Xiaohua Li 等;《 IEEE Access 》;全文 * |
基于图像分块处理的灰度共生矩阵瑕疵检测;闵信军;林庆;朱玉全;;信息技术(05);全文 * |
基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法;郭慧;王霄;刘传泽;周玉成;;林业科学(11);全文 * |
铣削纹理背景下的工件表面缺陷分类识别;孔拓;《硕士学位论文电子期刊》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116740056A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN111353984B (zh) | 一种自适应鲁棒的灰度图像中液位高精度检测方法 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN116030052B (zh) | 电脑显示板层压工序蚀刻质量检测方法 | |
CN115035114B (zh) | 基于图像处理的干草粉碎机状态监测方法 | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN116228804B (zh) | 一种基于图像分割的矿产资源识别方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115731166A (zh) | 一种基于深度学习的高压电缆接头打磨缺陷检测方法 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN116740056B (zh) | 用于整芯高花纹输送带涂覆层的缺陷检测方法 | |
CN111862223B (zh) | 一种电子元件的视觉计数及定位方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN110766662B (zh) | 一种基于多尺度和多层特征学习的锻件表面裂纹检测方法 | |
CN115880181A (zh) | 一种增强图像对比度的方法、装置及终端 | |
CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
CN113034403A (zh) | 医学影像数据通过高斯滤波进行降噪的工作方法 | |
CN117635507B (zh) | 一种塑胶颗粒在线视觉检测方法及系统 | |
CN116958134B (zh) | 基于图像处理的塑料膜挤出质量评估方法 | |
CN116958138B (zh) | 一种用于桥梁检测的取样控制方法、系统、设备及介质 | |
CN116740065B (zh) | 基于大数据的人造板瑕疵品快速溯源方法及系统 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN117237333B (zh) | 一种不锈钢材料表面酸洗程度检测方法 |
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 |