CN117095009A - 一种基于图像处理的pvc装饰板缺陷检测方法 - Google Patents
一种基于图像处理的pvc装饰板缺陷检测方法 Download PDFInfo
- Publication number
- CN117095009A CN117095009A CN202311360687.5A CN202311360687A CN117095009A CN 117095009 A CN117095009 A CN 117095009A CN 202311360687 A CN202311360687 A CN 202311360687A CN 117095009 A CN117095009 A CN 117095009A
- Authority
- CN
- China
- Prior art keywords
- decorative plate
- pvc decorative
- window
- suspicious
- gray level
- 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 84
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims abstract description 14
- 238000000638 solvent extraction Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 28
- 230000000903 blocking effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的PVC装饰板缺陷检测方法,包括:获得PVC装饰板表面灰度图像;获取PVC装饰板表面灰度图像中可疑区域;根据分块窗口中包含的可疑区域的离心率、像素点个数以及质心与分块窗口中心的最短距离确定最佳分块窗口;根据最佳分块窗口对PVC装饰板表面图像进行分块;获取每个分块窗口的梯度直方图的拉伸系数,根据拉伸系数获取增强后的分块窗口;获取增强后的分块窗口的灰度直方图的切割阈值;根据切割阈值调整灰度直方图获得增强后的PVC装饰板表面灰度图像;根据增强后的PVC装饰板表面灰度图像检测PVC装饰板表面缺陷。本发明提高了PVC装饰板缺陷检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的PVC装饰板缺陷检测方法。
背景技术
PVC板作为一种轻便、耐用、易于加工的材料,在市场上越来越受欢迎。此外,它还具有防腐和防水等优点,使得在各种应用领域都有广泛的市场需求。目前,国内PVC板生产企业数量众多,产品种类丰富,技术水平不断提高,新型PVC板材不仅具有更高的性能,且生产成本也在不断降低,这使得更多企业能够接受并采用这种材料。生产PVC板的工厂要想在市场立足,必须不断提高产生质量,增强PVC板出场质量的检测精度,保证良好的口碑。
传统的PVC板检测方法以人工目测为主,但由于PVC板自身一般为白色或淡黄色,检测时间久容易出现视觉疲劳,导致误检率提升、检测效率下降。但随着机器视觉技术的发展,越来越多PVC板视觉检测的方法被提出,主要以阈值分割将缺陷区域分割出来后再进行质量检测为主,由于PVC挤压成型过程中会产生气泡缺陷导致PVC装饰板表面凹凸不平,尤其是面积较小且分布离散的气泡在图像上的灰度差异表现不明显,因此直接通过阈值分割提取的PVC板缺陷区域可能不准确,导致缺陷检测存在一定误检率。
直方图均衡化是一种常见的图像增强方法,能够增强图像的对比度,但是全局增强容易造成过增强或欠增强的问题,尤其是PVC装饰板表面的气派缺陷,由于自身不存在颜色改变导致对于气泡缺陷检测的成功率较低,因此需要提高直方图均衡化的自适应性,增强气泡缺陷与周围区域的对比度。
发明内容
为了解决上述问题,本发明提供一种基于图像处理的PVC装饰板缺陷检测方法。
本发明的一种基于图像处理的PVC装饰板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一种基于图像处理的PVC装饰板缺陷检测方法,该方法包括以下步骤:
采集PVC装饰板表面图像,灰度化处理后得到PVC装饰板表面灰度图像;
计算PVC装饰板表面灰度图像中每个像素点的梯度幅值和灰度值,根据梯度幅值和灰度值确定PVC装饰板表面灰度图像的可疑像素点;根据可疑像素点获取PVC装饰板表面灰度图像的可疑区域;获取每个PVC装饰板表面灰度图像的可疑区域的离心率;根据可疑区域对PVC装饰板表面灰度图像进行分块得到若干分块窗口,根据分块窗口中包含的可疑区域的离心率、可疑区域的像素点个数以及可疑区域质心与分块窗口中心的最短距离构建迭代窗口尺寸的目标函数;根据目标函数确定最佳分块窗口尺寸;根据最佳窗口尺寸对PVC装饰板表面灰度图像进行分块处理,获得PVC装饰板表面灰度图像的所有最佳分块窗口;根据每个最佳分块窗口及其八邻域的最佳分块窗口中包含的可疑区域的离心率均值和灰度值差异确定每个最佳分块窗口的梯度直方图的拉伸系数,根据每个最佳分块窗口的梯度直方图的拉伸系数得到PVC装饰板表面灰度图像中每个增强后的最佳分块窗口;
根据每个增强后的最佳分块窗口包含的可疑区域的离心率均值和最大灰度值确定增强后的最佳分块窗口的灰度直方图的切割阈值;根据CLAHE算法和切割阈值得到增强后的每个最佳分块窗口的灰度直方图,获得增强后的PVC装饰板表面灰度图像;
根据增强后的PVC装饰板表面灰度图像检测PVC装饰板表面缺陷。
优选的,所述根据梯度幅值和灰度值确定PVC装饰板表面灰度图像的可疑像素点,包括的具体步骤如下:
根据Sobel算子计算PVC装饰板表面灰度图像中每个像素点的梯度幅值,标记梯度幅值为0的像素点,计算除标记像素点外的其他像素点的梯度幅值均值为,将梯度幅值大于等于梯度幅值均值/>的像素点记为可疑像素点;
计算PVC装饰板表面灰度图像的平均灰度值,将梯度幅值和灰度值同时小于梯度幅值均值/>和灰度值均值/>的像素点记为起始像素点,根据起始像素点构建搜索距离序列,根据搜索距离序列预设搜索距离阈值,通过阈值处理得到搜索距离区间,根据搜索距离区间得到可疑像素点。
优选的,所述搜索距离序列的获取方式如下:
以起始像素点的梯度方向的反方向开始搜索灰度值比起始像素点灰度值大且梯度方向一致的像素点,将搜索到的像素点记为搜索像素点,将起始像素点与搜索像素点之间的像素点个数记为搜索距离,并按照搜索距离由小到大的顺序排列搜索距离,得到一组数据序列,将得到的数据序列记为搜索距离序列。
优选的,所述通过阈值处理得到搜索距离区间,根据搜索距离区间得到可疑像素点,包括的具体步骤如下:
根据搜索距离序列的中值,预设参数阈值/>,构建/>的搜索距离区间,将搜索距离区间内的搜索距离对应的起始像素点和搜索像素点保留,并将处于起始像素点和搜索像素点之间的像素点记作可疑像素点。
优选的,所述根据可疑区域对PVC装饰板表面灰度图像进行分块得到若干分块窗口,包括的具体步骤如下:
将所有可疑像素点以及可疑像素点形成的封闭区域内的像素点标记出来,将标记的区域记为可疑区域,根据可疑区域确定分块窗口尺寸的迭代范围,遍历是迭代范围内的每个奇数,将第次遍历的奇数记为/>,利用/>的窗口,将PVC装饰板表面灰度图像均等分割为若干个分块窗口。
优选的,所述根据可疑区域确定分块窗口尺寸的迭代范围,包括的具体步骤如下:
预设最小窗口边长,将/>到所有可疑区域的最小外接矩形边长中的最大值/>形成的区间/>记为迭代窗口区间,则此时/>为分块窗口尺寸的的迭代范围的最大值,将迭代窗口区间中的所有奇数构成一个新的数据集合,将新的数据集合记为迭代范围。
优选的,所述根据分块窗口中包含的可疑区域的离心率、可疑区域的像素点个数以及可疑区域质心与分块窗口中心的最短距离构建迭代窗口尺寸的目标函数,包括的具体步骤如下:
其中,表示第/>次迭代的目标函数,/>表示第/>次迭代得到的分块窗口中包含的像素点个数,/>表示第/>次迭代过程中第/>个分块窗口中包含的可疑像素点个数,/>表示第/>次迭代过程中第/>个分块窗口中包含的属于同一可疑区域的像素点个数最大值,/>表示第/>次迭代在PVC装饰板表面灰度图像形成的分块窗口个数,/>表示所有可疑区域的最小外接矩形中的最大边长值,/>表示第/>次迭代过程中第/>个分块窗口中包含的可疑区域质心与分块窗口中心的最小距离。
优选的,所述根据每个最佳分块窗口及其八邻域的最佳分块窗口中包含的可疑区域的离心率均值和灰度值差异确定每个最佳分块窗口的梯度直方图的拉伸系数,包括的具体计算公式如下:
其中,表示第/>个分块窗口的梯度直方图的拉伸系数,/>表示以第/>个分块窗口为中心窗口的8邻域窗口中第/>个分块窗口包含的可疑区域的离心率均值,其中当/>时,/>表示第/>个分块窗口包含的可疑区域的离心率均值,/>表示第/>个分块窗口中的灰度最大值,/>表示第/>个分块窗口中的灰度最小值。
优选的,所述根据每个增强后的最佳分块窗口包含的可疑区域的离心率均值和最大灰度值确定增强后的最佳分块窗口的灰度直方图的切割阈值,包括的具体计算公式如下:
其中,表示切割每个分块窗口的灰度阈值,/>表示第/>个分块窗口包含的可疑区域的离心率均值,/>表示第/>个分块窗口的最大灰度值,/>表示分块窗口总数。
优选的,所述根据增强后的PVC装饰板表面灰度图像检测PVC装饰板表面缺陷,包括的具体步骤如下:
利用Otsu算法分割增强后的PVC装饰板表面灰度图像,得到增强后的PVC装饰板表面灰度图像中的异常区域,并将异常区域显示。
本发明的技术方案的有益效果是:通过阈值处理构建搜索距离区间,保留区间内的搜索距离对应的像素点作为可疑像素点,将搜索距离过大或过小的像素点剔除,排除可以位于缺陷区域内部的像素点和受噪声点影响的像素点;通过迭代的方式确定最佳的分块窗口尺寸,提高了划分PVC装饰板表面图像为多个分块窗口的精度,不仅提高了增强每个分块窗口的效率也提高了增强的区域自适应性;根据拉伸系数调整每个分块窗口的梯度直方图,增强了每个分块窗口的边缘像素点,使类似气泡缺陷的不明显边缘得以增强;根据每个分块窗口包含的可疑区域的离心率和最大灰度值确定了切割分块窗口的直方图的灰度阈值,实现自适应灰度阈值,避免过度增强造成的图像曝光等问题,也避免了欠增强导致的缺陷表面不明显的问题。
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为本发明的一种基于图像处理的PVC装饰板缺陷检测方法的步骤流程图。
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基于图像处理的PVC装饰板缺陷检测方法,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一种基于图像处理的PVC装饰板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一种基于图像处理的PVC装饰板缺陷检测方法的步骤流程图,该方法包括以下步骤:
S001.采集PVC装饰板表面图图像,预处理获得PVC装饰板表面灰度图像。
需要说明的是,为保证完整采集到PVC装饰板表面图像,在垂直于PVC表面正上方的位置设置CCD工业相机,在采集时选需要避免光源直射板面。为降低后续的计算成本,将采集到的PVC装饰板表面图像进行灰度化处理,并对灰度化处理后的图像进行保边滤波处理,使用中值滤波解决影响缺陷检测的图像噪声问题,将处理完后的图像记为PVC装饰板表面灰度图像。
至此,获取了PVC装饰板表面灰度图像。
S002.根据PVC装饰板表面灰度图像的梯度特征确定可疑区域。
需要说明的是,PVC装饰板表面颜色单一,常见的缺陷主要有气泡、裂纹、色痕等,由于气泡缺陷一般占据面积较小且分布离散,所以其他缺陷比气泡缺陷在PVC装饰板表面灰度图像表现更明显。气泡缺陷在光照影响下回出现一些较弱的阴影区域,同时基于PVC板的生产要求,正常的PVC板是平整且颜色均匀的,所以处于气泡区域边缘的像素点的梯度幅值会增大,因此可以通过分析梯度幅值将疑似为缺陷的区域提取出来,记为可疑区域。
根据Sobel算子计算PVC装饰板表面灰度图像中每个像素点的梯度幅值,标记梯度幅值为0的像素点不参与后续的计算。而后计算除标记像素点外的其他像素点的梯度幅值均值为,将梯度幅值大于等于梯度幅值均值/>的像素点记为可疑像素点;由于梯度幅值小于梯度幅值均值的像素点可能为气泡缺陷也可能是正常细微纹理,所以需要结合像素点的灰度值进行进一步分析。
需要说明的是,气泡缺陷表面凹凸不平,因此在光照影响下PVC装饰板表面灰度图像的气泡缺陷区域可以分为迎光面和背光面,处于迎光面的像素点灰度值较大,处于背光面的像素点灰度值较小。因此梯度幅值和灰度值同时较小的像素点应该是处于气泡缺陷的背光面内部的像素点、其他类型缺陷区域或正常区域中灰度值小的像素点。
因此本实施例计算PVC装饰板表面灰度图像的平均灰度值,将梯度幅值小于/>的像素点中灰度值小于/>和灰度值大于/>的像素点分别划分为两类,将梯度幅值和灰度值同时小于均值的像素点记为起始像素点,以起始像素点的梯度方向的反方向开始搜索灰度值比起始像素点灰度值大且梯度方向一致的像素点,将搜索到的像素点记为搜索像素点,则搜索像素点可能处于气泡缺陷迎光面和背光面的交界处,处于起始像素点到搜索像素点之间的像素点可能都处于气泡缺陷的边缘,因此本实施例记起始像素点到搜索像素点之间的像素点个数为搜索距离,将所有搜索距离按照由小到大的顺序排列,得到搜素距离序列。
需要说明的是,若起始像素点与搜索像素点之间的搜索距离过小说明两个像素点的梯度方向一致可能是正常纹理部分连续的灰度变化造成的,也可能位于缺陷区域内部;若起始像素点与搜索像素点之间的搜索距离过大说明两个像素点可能是因为噪声影像导致像素点梯度方向一致,因此需要排除搜索距离过大或过小的像素点。
在本实施例中,获取搜索距离序列的中值,预设参数阈值/>,获得以中值为中心的搜索距离区间,保留区间内的搜索距离对应的像素点,排除区间外的搜索距离对应的搜索点,本实施以/>为例构建/>的搜索距离区间,本实施例对/>不做限定,其他实施例可根据实际情况自行设定。将搜索距离区间内的搜索距离对应的起始像素点和搜索像素点保留,并将处于起始像素点和搜索像素点之间的像素点记作可疑像素点。
需要说明的是,由于可疑像素点是根据梯度幅值大小以及灰度值大小筛选的,所以可疑像素点分布在缺陷边缘区域的概率较大,说明可疑像素点的分布是比较离散且不存在于缺陷内部的,所以将所有可疑像素点以及可疑像素点形成的封闭区域内的像素点标记出来,将标记的区域记为可疑区域。
至此,获取了PVC装饰板表面灰度图像的所有可疑区域。
S003.根据PVC装饰板表面灰度图像的所有可疑区域确定最佳分块窗口尺寸,根据最佳分块尺寸确定PVC装饰板表面灰度图像的最佳分块窗口,计算每个最佳分块窗口中包含的可疑区域以及灰度差异对每个最佳分块窗口进行增强,获得增强后的最佳分块窗口。
需要说明的是,由于不同的缺陷表现的形态不同:色痕缺陷通常为直线状,裂纹区域为多段线状凹槽,气泡缺陷通常近似于圆形或椭圆形,因此可以通过计算可疑区域的离心率,为判断可疑区域的缺陷类型提供依据。
在本实施例中,记可疑区域的个数为,第/>个可疑区域的离心率为/>且/>,由于圆的离心率最小,直线的离心率最大,因此可疑区域的离心率越接近于1,说明可疑区域为色痕缺陷的概率越大,反之当可疑区域的离心率越接近于0,说明可疑区域为气泡缺陷的概率越大,离心率越偏向于范围中间则说明可疑区域为裂纹缺陷的概率越大。因此在获取每个可疑区域的离心率后,可以得知每个可疑区域更趋向的缺陷类型。离心率计算公式为公知技术,在此不再赘述。
需要说明的是,由于气泡缺陷表面的凹凸特征不易被识别,因此需要增强气泡缺陷的凹凸特征,同时需要保证其他缺陷区域经过增强后不会被混淆,尤其是对于呈线状分布的气泡区域和裂纹区域,因此需要分区域设置不同的增强参数,由于不同缺陷区域在PVC板灰度图像中占据的面积以及表现形态不同,在利用限制对比度的自适应直方图均衡化增强PVC板灰度图像是需要自适应确定窗口大小。
需要进一步说明的是,为保证对某个可疑区域进行统一增强,则每个窗口应该尽可能地包含该可疑区域的所有像素点。但是色痕缺陷可能会横跨整张图像,如果要让窗口包含所有色痕缺陷的话,则在增强时对窗口内部的缺陷分析可能会破坏对不同缺陷进行不同增强的目的,导致最终增强效果不理想,因此对于窗口尺寸的设置应该考虑缺陷窗口内包含的可疑区域所表现的缺陷类型的同一性。本实施例结合窗口内包含可疑区域的像素点的数量以及窗口内的可疑区域所表现的缺陷类型的统一性确定自适应窗口大小的目标函数。
为保证获得最佳窗口尺寸,本实施例预设最小窗口边长,本实施例以/>为例进行说明,具体不做限定,其他实施例可按照实际情况设定,将/>到所有可疑区域的最小外接矩形边长中的最大值/>形成的区间/>记为迭代窗口区间,为保证可疑区域的质心始终处于窗口的中心像素点,窗口边长需要为奇数,因此本实施例将/>区间中的所有奇数构成的数据集合记为迭代范围。遍历/>内的每个奇数,将第/>次遍历的奇数记为/>,利用/>的窗口,将PVC装饰板表面灰度图像均等分割为多个分块窗口。
需要说明的是,如果不能均等分割,即分块窗口超出PVC装饰板表面灰度图像的边界,则在PVC装饰板表面灰度图像内将窗口内实际包括的区域作为一个分块窗口。
根据迭代范围中的数据构建如下目标函数:
其中,表示第/>次迭代的目标函数,/>表示第/>次迭代得到的分块窗口中包含的像素点个数,则/>表示第/>次迭代得到的分块窗口边长,/>表示第/>次迭代过程中第/>个分块窗口中包含的可疑像素点个数,/>表示第/>次迭代过程中第/>个分块窗口中包含的属于同一可疑区域的像素点个数最大值,/>表示第/>次迭代在PVC装饰板表面灰度图像形成的分块窗口个数,/>表示所有可疑区域的最小外接矩形边长中的最大值,/>表示第/>次迭代过程中第/>个分块窗口中包含的可疑区域质心与分块窗口中心的最小距离。
需要说明的是,利用可以表示当前迭代得到的分块窗口对可疑像素点的包含程度,包含程度越高说明当前分块窗口尺寸越理想,/>被用以表示当前迭代得到的分块窗口中包含的可疑像素点的同一性,同一性越高说明当前窗口尺寸越理想,则根据/>可以计算第/>次迭代在PVC板灰度图像中形成的所有窗口的包含程度和统一性之和的均值,用以量化迭代过程中分块窗口边长的理想程度,该值越高说明迭代的目标函数值越大。
需要进一步说明的是,为了避免在分块窗口尺寸在迭代过程中出现极端情况,需要限制目标函数的主体即分块窗口尺寸的理想均值,以防止分块窗口尺寸过大或过小。当迭代的分块窗口尺寸很小时,分块窗口内包含的像素点个数较少,分块窗口内包含的像素点个数越少说明分块窗口包含的可疑像素点越少,目标主体的项越趋于1,则目标主体的值越大。因此需要限制窗口尺寸,当窗口尺寸过小时降低目标主体的值要更大一些,因此利用/>作为目标函数的惩罚项。
需要进一步说明的是,利用限制对比度的自适应直方图均衡化对图像进行增强时,需要对图像进行分块,而理想的分块情况是窗口中心正好与可疑区域质心一致,因此本实施例引入可疑区域质心与分块窗口中心的距离作为限制条件之一。利用计算PVC装饰板表面灰度图像中每个可疑区域的质心与距离其最近的分块窗口中心的距离均值,用以量化分块窗口中心对于窗口中包含的可疑区域质心的偏离度,当偏离度越大时说明当前的分块窗口大小设置不够理想,因此需要降低当前分块窗口的理想程度值,也就是目标函数值。通过上述说明获得最终的目标函数,当/>达到最大时说明第/>次迭代的窗口尺寸的理想程度是最高的,因此本实施例选择第/>次迭代对应的分块窗口边长作为PVC装饰板表面灰度图像的最佳分块窗口边长,根据最佳分块窗口边长确定最佳分块窗口尺寸。
至此,确定了PVC装饰板表面灰度图像的最佳分块窗口尺寸。
需要说明的是,确定PVC装饰板表面灰度图像的最佳分块窗口尺寸后,根据最佳分块窗口尺寸将PVC装饰板表面灰度图像划分为多个分块窗口,记为最佳分块窗口,结合每个最佳分块窗口的特征对分块窗口进行自适应增强,由于增强的主要目的是使缺陷区域更易识别,尤其是与PVC装饰板表面灰度图像灰度差异小的气泡缺陷,所以可以通过增强边缘点与边缘点周围像素点的对比度使边缘点在PVC装饰板表面灰度图像上的表现更明显。对于裂纹和色痕缺陷来说,由于两者的形状存在差异,相较于全局的自适应增强,只增强边缘点也可以降低其误检率,因此在本实施例中增强每个分块窗口包含的可疑区域的像素点。
需要说明的是,根据每个最佳分块窗口内包含的可疑区域的离心率判断可疑区域更趋于的缺陷类型,离心率越小说明可疑区域的形态越接近于气泡缺陷,由于气泡缺陷的表现不明显,所以对该最佳分块窗口的增强程度需要大一些,反之离心率越大说明分块窗口内包含的可疑区域的形态更接近于裂纹或色痕缺陷,这些缺陷在PVC装饰板表面灰度图像中的表现相对更明显,所以可以适当降低增强程度。同时由于最佳分块窗口内的灰度差异越大说明该最佳分块窗口存在缺陷的概率越大,反之灰度分布则越平滑,最佳分块窗口内存在缺陷的概率越小,因此本实施例根据最佳分块窗口内包含的可疑区域的离心率和窗口内的灰度差确定每个最佳分块窗口的梯度直方图的拉伸系数:
其中,表示第/>个最佳分块窗口的梯度直方图的拉伸系数,/>表示以第/>个最佳分块窗口为中心的8邻域窗口中第/>个最佳分块窗口包含的可疑区域的离心率均值,当时,/>表示第/>个最佳分块窗口包含的可疑区域的离心率均值,/>表示第/>个最佳分块窗口中的灰度最大值,/>表示第/>个最佳分块窗口的灰度最小值。
需要说明的是,以作为离心影响系数,最佳分块窗口包含的可疑区域的离心率均值越小,离心影响系数越大,拉伸系数应该越大,利用/>计算第/>个最佳分块窗口及其8邻域的最佳分块窗口的离心影响系数均值为第/>个最佳分块窗口的梯度直方图的拉伸系数提供依据,避免了增强后的图像的块效应过于严重。同时利用/>量化第/>个最佳分块窗口在灰度级下的明暗差异程度,当最佳分块窗口内的明暗差异越大则该值越大,对于分块窗口中明暗差距较小的窗口的梯度直方图不必进行过大的拉伸,防止图像的过度增强造成图像失真,而且加上最佳分块窗口的明暗差异为拉伸梯度直方图提供依据后,当最佳分块窗口中不包含可疑区域时,可直接根据最佳分块窗口内的明暗差异获取最佳分块窗口的拉伸系数,防止无法计算获得分块窗口的拉伸系数。
根据拉伸系数的计算公式得到所有最佳分块窗口的梯度直方图的拉伸系数,根据拉伸系数对所有分块窗口的梯度直方图进行线性拉伸,得到拉伸后的梯度直方图,增强了每个分块窗口的边缘像素点,得到PVC装饰板表面灰度图像中每个增强后的最佳分块窗口。
至此,获取了PVC板灰度图像中的所有增强后的最佳分块窗口。
S004.根据增强后的最佳分块窗口的灰度直方图确定分割直方图的阈值,获得增强后的PVC 板表面灰度图像。
需要说明的是,在CLAHE算法中通过设置切割灰度直方图的阈值的方法防止噪声被过度放大,在本实施例中,同样通过设置直方图的切割阈值切割所有最佳分块窗口的灰度直方图,获得切割处理后的灰度直方图以及对应的增强后的最佳分块窗口。获取切割直方图的灰度阈值如下:
其中,表示最佳分块窗口的切割阈值,/>表示第/>个最佳分块窗口包含的可疑区域的离心率均值,/>表示第/>个最佳分块窗口的最大灰度值,/>表示最佳分块窗口总数。
需要说明的是,由于可疑区域的形状一定程度上可以对应PVC装饰板表面缺陷的类型,为了避免增强后的PVC装饰板表面图像失真,通过调整更趋向于气泡缺陷反光点的灰度值获取每个最佳分块窗口的灰度阈值设置,基于每个最佳分块窗口包含的可疑区域的离心率均值,赋予离心率均值小的最佳分块窗口更大的权重,较其他最佳分块窗口提高切割离心率均值小的最佳分块窗口的灰度阈值,防止对反光区域过增强造成图像失真。
根据CLAHE算法和最佳分块窗口的切割阈值对所有最佳分块窗口的灰度直方图进行分割,得到增强后的每个最佳分块窗口的灰度直方图,根据增强后的每个最佳分块窗口的灰度直方图 得到PVC装饰板表面灰度图像中增强后的最佳分块窗口,从而得到增强后的PVC装饰板表面灰度图像。
至此,获取了增强后的PVC装饰板表面灰度图像。
S005.根据增强后的PVC装饰板表面灰度图像检测PVC装饰板表面缺陷。
利用Ostu算法分割增强后的PVC装饰板表面灰度图像,得到增强后的PVC装饰板表面灰度图像中的异常区域,并将异常区域显示,用于检测PVC装饰板表面缺陷。
通过以上步骤,完成了PVC装饰板表面的缺陷检测。
本发明实施例根据PVC装饰板表面灰度图像的梯度特征首先确定例如PVC装饰板表面灰度图像的可疑区域,根据可疑区域构建确定最佳分块窗口的目标函数,通过迭代的方式获取最佳分块窗口尺寸,而后根据每个分块窗口包含的可疑区域和灰度值确定每个分块窗口的梯度直方图的拉伸系数,通过拉伸系数调整每个分块窗口的梯度直方图,增强边缘像素点,最后为了防止过增强,根据每个分块窗口包含的可疑区域的离心率以及分块窗口的最大灰度值确定分割每个分块窗口的灰度直方图的灰度阈值,根据灰度阈值切割灰度直方图,获取增强后的分块窗口,根据增强后的分块窗口获取增强后的PVC装饰板表面灰度图像。
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)
1.一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,该方法包括以下步骤:
采集PVC装饰板表面图像,灰度化处理后得到PVC装饰板表面灰度图像;
计算PVC装饰板表面灰度图像中每个像素点的梯度幅值和灰度值,根据梯度幅值和灰度值确定PVC装饰板表面灰度图像的可疑像素点;根据可疑像素点获取PVC装饰板表面灰度图像的可疑区域;获取每个PVC装饰板表面灰度图像的可疑区域的离心率;根据可疑区域对PVC装饰板表面灰度图像进行分块得到若干分块窗口,根据分块窗口中包含的可疑区域的离心率、可疑区域的像素点个数以及可疑区域质心与分块窗口中心的最短距离构建迭代窗口尺寸的目标函数;根据目标函数确定最佳分块窗口尺寸;根据最佳窗口尺寸对PVC装饰板表面灰度图像进行分块处理,获得PVC装饰板表面灰度图像的所有最佳分块窗口;根据每个最佳分块窗口及其八邻域的最佳分块窗口中包含的可疑区域的离心率均值和灰度值差异确定每个最佳分块窗口的梯度直方图的拉伸系数,根据每个最佳分块窗口的梯度直方图的拉伸系数得到PVC装饰板表面灰度图像中每个增强后的最佳分块窗口;
根据每个增强后的最佳分块窗口包含的可疑区域的离心率均值和最大灰度值确定增强后的最佳分块窗口的灰度直方图的切割阈值;根据CLAHE算法和切割阈值得到增强后的每个最佳分块窗口的灰度直方图,获得增强后的PVC装饰板表面灰度图像;
根据增强后的PVC装饰板表面灰度图像检测PVC装饰板表面缺陷。
2.根据权利要求1所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述根据梯度幅值和灰度值确定PVC装饰板表面灰度图像的可疑像素点,包括的具体步骤如下:
根据Sobel算子计算PVC装饰板表面灰度图像中每个像素点的梯度幅值,标记梯度幅值为0的像素点,计算除标记像素点外的其他像素点的梯度幅值均值为,如果每个像素点的梯度幅值大于等于梯度幅值均值/>,那么该像素点记为可疑像素点;
如果每个像素点的梯度幅值小于梯度幅值均值,则:
计算PVC装饰板表面灰度图像的平均灰度值,将梯度幅值和灰度值分别小于/>和/>的像素点记为起始像素点,根据起始像素点构建搜索距离序列,根据搜索距离序列预设搜索距离阈值,通过阈值处理得到搜索距离区间,根据搜索距离区间得到可疑像素点。
3.根据权利要求2所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述搜索距离序列的获取方式如下:
以起始像素点的梯度方向的反方向开始搜索灰度值比起始像素点灰度值大且梯度方向一致的像素点,将搜索到的像素点记为搜索像素点,将起始像素点与搜索像素点之间的像素点个数记为搜索距离,并按照搜索距离由小到大的顺序排列搜索距离,得到一组数据序列,将得到的数据序列记为搜索距离序列。
4.根据权利要求2所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述通过阈值处理得到搜索距离区间,根据搜索距离区间得到可疑像素点,包括的具体步骤如下:
根据搜索距离序列的中值,预设参数阈值/>,构建/>的搜索距离区间,将搜索距离区间内的搜索距离对应的起始像素点和搜索像素点保留,并将处于起始像素点和搜索像素点之间的像素点记作可疑像素点。
5.根据权利要求1所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述根据可疑区域对PVC装饰板表面灰度图像进行分块得到若干分块窗口,包括的具体步骤如下:
将所有可疑像素点以及可疑像素点形成的封闭区域内的像素点标记出来,将标记的区域记为可疑区域,根据可疑区域确定分块窗口尺寸的迭代范围,遍历是迭代范围内的每个奇数,将第次遍历的奇数记为/>,利用/>的窗口,将PVC装饰板表面灰度图像均等分割为若干个分块窗口。
6.根据权利要求5所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述根据可疑区域确定分块窗口尺寸的迭代范围,包括的具体步骤如下:
预设最小窗口边长,将/>到所有可疑区域的最小外接矩形边长中的最大值/>形成的区间/>记为迭代窗口区间,将迭代窗口区间中的所有奇数构成一个新的数据集合,将新的数据集合记为迭代范围。
7.根据权利要求1所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述根据分块窗口中包含的可疑区域的离心率、可疑区域的像素点个数以及可疑区域质心与分块窗口中心的最短距离构建迭代窗口尺寸的目标函数,包括的具体步骤如下:
其中,表示第/>次迭代的目标函数,/>表示第/>次迭代得到的分块窗口中包含的像素点个数,/>表示第/>次迭代过程中第/>个分块窗口中包含的可疑像素点个数,/>表示第/>次迭代过程中第/>个分块窗口中包含的属于同一可疑区域的像素点个数最大值,/>表示第/>次迭代在PVC装饰板表面灰度图像形成的分块窗口个数,/>表示所有可疑区域的最小外接矩形中的最大边长值,/>表示第/>次迭代过程中第/>个分块窗口中包含的可疑区域质心与分块窗口中心的最小距离。
8.根据权利要求1所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述根据每个最佳分块窗口及其八邻域的最佳分块窗口中包含的可疑区域的离心率均值和灰度值差异确定每个最佳分块窗口的梯度直方图的拉伸系数,包括的具体计算公式如下:
其中,表示第/>个分块窗口的梯度直方图的拉伸系数,/>表示以第/>个分块窗口为中心窗口的8邻域窗口中第/>个分块窗口包含的可疑区域的离心率均值,其中当/>时,/>表示第/>个分块窗口包含的可疑区域的离心率均值,/>表示第/>个分块窗口中的灰度最大值,/>表示第/>个分块窗口中的灰度最小值。
9.根据权利要求1所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述根据每个增强后的最佳分块窗口包含的可疑区域的离心率均值和最大灰度值确定增强后的最佳分块窗口的灰度直方图的切割阈值,包括的具体计算公式如下:
其中,表示切割每个分块窗口的灰度阈值,/>表示第/>个分块窗口包含的可疑区域的离心率均值,/>表示第/>个分块窗口的最大灰度值,/>表示分块窗口总数。
10.根据权利要求1所述的一种基于图像处理的PVC装饰板缺陷检测方法,其特征在于,所述根据增强后的PVC装饰板表面灰度图像检测PVC装饰板表面缺陷,包括的具体步骤如下:
利用Otsu算法分割增强后的PVC装饰板表面灰度图像,得到增强后的PVC装饰板表面灰度图像中的异常区域,并将异常区域显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311360687.5A CN117095009B (zh) | 2023-10-20 | 2023-10-20 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311360687.5A CN117095009B (zh) | 2023-10-20 | 2023-10-20 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095009A true CN117095009A (zh) | 2023-11-21 |
CN117095009B CN117095009B (zh) | 2024-01-12 |
Family
ID=88775751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311360687.5A Active CN117095009B (zh) | 2023-10-20 | 2023-10-20 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095009B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291919A (zh) * | 2023-11-27 | 2023-12-26 | 山东华盛中天工程机械有限责任公司 | 一种钢轨螺栓表面润滑脂视觉检测方法 |
CN117392114A (zh) * | 2023-11-27 | 2024-01-12 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
CN117437279A (zh) * | 2023-12-12 | 2024-01-23 | 山东艺达环保科技有限公司 | 一种包装盒表面平整度检测方法及系统 |
CN117788829A (zh) * | 2024-02-27 | 2024-03-29 | 长春师范大学 | 一种用于入侵植物种子检测的图像识别系统 |
CN118052823A (zh) * | 2024-04-16 | 2024-05-17 | 宝鸡鼎钛金属有限责任公司 | 基于图像处理的钛板焊点缺陷检测方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09145636A (ja) * | 1995-11-20 | 1997-06-06 | Kawasaki Steel Corp | 表面欠陥検出方法 |
US6532301B1 (en) * | 1999-06-18 | 2003-03-11 | Microsoft Corporation | Object recognition with occurrence histograms |
JP2003123056A (ja) * | 2001-10-15 | 2003-04-25 | Dainippon Printing Co Ltd | 印刷物検査方法および装置 |
KR20080060851A (ko) * | 2006-12-27 | 2008-07-02 | 이형우 | 목재표면의 결함검출방법 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN109300102A (zh) * | 2017-07-21 | 2019-02-01 | 凌云光技术集团有限责任公司 | 一种针对pcb的缺陷检测方法 |
CN110264445A (zh) * | 2019-05-30 | 2019-09-20 | 西安交通大学 | 分块模板匹配结合形态学处理的电池丝印质量检测方法 |
WO2019196131A1 (zh) * | 2018-04-12 | 2019-10-17 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 |
WO2020171090A1 (ja) * | 2019-02-22 | 2020-08-27 | Jfeスチール株式会社 | 金属板用自走式検査装置及び検査方法、並びに金属板の製造方法 |
CN112991305A (zh) * | 2021-03-24 | 2021-06-18 | 苏州亚朴智能科技有限公司 | 一种喷漆面板表面缺陷的视觉检测方法 |
WO2022012240A1 (zh) * | 2020-07-16 | 2022-01-20 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
JP2022191000A (ja) * | 2021-06-15 | 2022-12-27 | グローリー株式会社 | 寸法測定装置および寸法測定方法 |
CN115731228A (zh) * | 2022-11-30 | 2023-03-03 | 杭州数途信息科技有限公司 | 一种镀金芯片缺陷检测系统和方法 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
CN116188379A (zh) * | 2022-12-27 | 2023-05-30 | 凌云光技术股份有限公司 | 边缘缺陷检测方法、装置、电子设备及存储介质 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
US20230267599A1 (en) * | 2022-02-24 | 2023-08-24 | Samsung Display Co., Ltd. | System and method for defect detection |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116758059A (zh) * | 2023-08-10 | 2023-09-15 | 吉林交通职业技术学院 | 一种用于路基路面的视觉无损检测方法 |
CN116843628A (zh) * | 2023-06-15 | 2023-10-03 | 华中农业大学 | 一种基于机器学习复合优化的藕带无损检测与分级方法 |
-
2023
- 2023-10-20 CN CN202311360687.5A patent/CN117095009B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09145636A (ja) * | 1995-11-20 | 1997-06-06 | Kawasaki Steel Corp | 表面欠陥検出方法 |
US6532301B1 (en) * | 1999-06-18 | 2003-03-11 | Microsoft Corporation | Object recognition with occurrence histograms |
JP2003123056A (ja) * | 2001-10-15 | 2003-04-25 | Dainippon Printing Co Ltd | 印刷物検査方法および装置 |
KR20080060851A (ko) * | 2006-12-27 | 2008-07-02 | 이형우 | 목재표면의 결함검출방법 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN109300102A (zh) * | 2017-07-21 | 2019-02-01 | 凌云光技术集团有限责任公司 | 一种针对pcb的缺陷检测方法 |
WO2019196131A1 (zh) * | 2018-04-12 | 2019-10-17 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 |
WO2020171090A1 (ja) * | 2019-02-22 | 2020-08-27 | Jfeスチール株式会社 | 金属板用自走式検査装置及び検査方法、並びに金属板の製造方法 |
CN110264445A (zh) * | 2019-05-30 | 2019-09-20 | 西安交通大学 | 分块模板匹配结合形态学处理的电池丝印质量检测方法 |
WO2022012240A1 (zh) * | 2020-07-16 | 2022-01-20 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
CN112991305A (zh) * | 2021-03-24 | 2021-06-18 | 苏州亚朴智能科技有限公司 | 一种喷漆面板表面缺陷的视觉检测方法 |
JP2022191000A (ja) * | 2021-06-15 | 2022-12-27 | グローリー株式会社 | 寸法測定装置および寸法測定方法 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
US20230267599A1 (en) * | 2022-02-24 | 2023-08-24 | Samsung Display Co., Ltd. | System and method for defect detection |
CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 |
CN115731228A (zh) * | 2022-11-30 | 2023-03-03 | 杭州数途信息科技有限公司 | 一种镀金芯片缺陷检测系统和方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116188379A (zh) * | 2022-12-27 | 2023-05-30 | 凌云光技术股份有限公司 | 边缘缺陷检测方法、装置、电子设备及存储介质 |
CN116843628A (zh) * | 2023-06-15 | 2023-10-03 | 华中农业大学 | 一种基于机器学习复合优化的藕带无损检测与分级方法 |
CN116758059A (zh) * | 2023-08-10 | 2023-09-15 | 吉林交通职业技术学院 | 一种用于路基路面的视觉无损检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
周贤;李圣怡;唐琴;: "炭制品图像的缺陷分割与样本提取", 湖南科技大学学报(自然科学版), no. 04 * |
白雪冰;王科俊;邹丽晖;: "基于二维阈值向量的木材表面缺陷分割方法", 东北林业大学学报, no. 09 * |
翟伟良;李有煊;黄浩湄;黄茂发;陈俊杰;莫锦超;: "基于机器视觉的金属表面缺陷检测方法研究", 科技传播, no. 09 * |
郭慧;王霄;刘传泽;周玉成;: "人造板表面缺陷检测图像自适应快速阈值分割算法", 林业科学, no. 11 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291919A (zh) * | 2023-11-27 | 2023-12-26 | 山东华盛中天工程机械有限责任公司 | 一种钢轨螺栓表面润滑脂视觉检测方法 |
CN117392114A (zh) * | 2023-11-27 | 2024-01-12 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
CN117291919B (zh) * | 2023-11-27 | 2024-03-01 | 山东华盛中天工程机械有限责任公司 | 一种钢轨螺栓表面润滑脂视觉检测方法 |
CN117392114B (zh) * | 2023-11-27 | 2024-03-08 | 湖南新域节能科技有限公司 | 一种基于图像处理的槟榔等级检测方法 |
CN117437279A (zh) * | 2023-12-12 | 2024-01-23 | 山东艺达环保科技有限公司 | 一种包装盒表面平整度检测方法及系统 |
CN117437279B (zh) * | 2023-12-12 | 2024-03-22 | 山东艺达环保科技有限公司 | 一种包装盒表面平整度检测方法及系统 |
CN117788829A (zh) * | 2024-02-27 | 2024-03-29 | 长春师范大学 | 一种用于入侵植物种子检测的图像识别系统 |
CN117788829B (zh) * | 2024-02-27 | 2024-05-07 | 长春师范大学 | 一种用于入侵植物种子检测的图像识别系统 |
CN118052823A (zh) * | 2024-04-16 | 2024-05-17 | 宝鸡鼎钛金属有限责任公司 | 基于图像处理的钛板焊点缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117095009B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117095009B (zh) | 一种基于图像处理的pvc装饰板缺陷检测方法 | |
CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN116703931B (zh) | 一种用于建筑高分子材料的表面银纹检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN113916894B (zh) | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN113592867B (zh) | 一种基于碳纤维布面残留捆绑纱的检测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN115311277A (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN117237646B (zh) | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统 | |
CN115131356B (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN117764986A (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN117058137B (zh) | 一种夹胶玻璃生产质量视觉检测方法 | |
CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
CN107657620A (zh) | 一种带纹理的金属凝固区域识别的方法及系统 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN113962993A (zh) | 基于计算机视觉的纸杯原材料质量检测方法 | |
CN116416246B (zh) | 基于机器视觉的全降解塑料制品淋膜效果评价方法 | |
CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
CN114511534B (zh) | 一种基于图像处理的pc板裂纹判断方法及系统 |
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 |