CN117522864B - 基于机器视觉的欧松板表面瑕疵检测方法 - Google Patents
基于机器视觉的欧松板表面瑕疵检测方法 Download PDFInfo
- Publication number
- CN117522864B CN117522864B CN202410001386.1A CN202410001386A CN117522864B CN 117522864 B CN117522864 B CN 117522864B CN 202410001386 A CN202410001386 A CN 202410001386A CN 117522864 B CN117522864 B CN 117522864B
- Authority
- CN
- China
- Prior art keywords
- pixel
- points
- pixel points
- pixel point
- point
- 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
- 235000008331 Pinus X rigitaeda Nutrition 0.000 title claims abstract description 41
- 235000011613 Pinus brutia Nutrition 0.000 title claims abstract description 41
- 241000018646 Pinus brutia Species 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 239000012530 fluid Substances 0.000 claims abstract description 53
- 230000003595 spectral effect Effects 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 49
- 238000004891 communication Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000002023 wood Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- ZNEMYFCJOCCUJN-VFFTVRQLSA-N Europine Chemical compound C1C[C@H](O)[C@H]2C(COC(=O)[C@@](O)([C@H](C)OC)C(C)(C)O)=CCN21 ZNEMYFCJOCCUJN-VFFTVRQLSA-N 0.000 description 1
- 208000012868 Overgrowth Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- XAVJHWWXMYRTDC-UHFFFAOYSA-N europine Natural products COC(C)C(O)(C(=O)OCC1CCN2CCC(O)C12)C(C)(C)O XAVJHWWXMYRTDC-UHFFFAOYSA-N 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/30161—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)
- 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
本发明涉及图像处理技术领域，具体涉及基于机器视觉的欧松板表面瑕疵检测方法，该方法包括：获取欧松板待检测图像；采用聚类算法对像素点进行类别划分并且获取簇中心距离序列；根据像素点之间的类别以及簇中心距离序列的差异构建近邻变化量序列；获取谱聚类算法所有像素点的近邻点数量以及近邻点；对像素点的梯度特征以及灰度特征进行分析，获取各像素点的高维特征；通过对任意两个像素点的所有近邻点之间的高维特征、欧式距离进行比较，获取高维特征分布相似度以及密度系数；构建流体邻域密度距离；获取流体密度相似度矩阵；结合谱聚类算法完成欧松板表面瑕疵检测。本发明旨在提高欧松板瑕疵区域的分割精度、分割效果。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及基于机器视觉的欧松板表面瑕疵检测方法。
背景技术
欧松板，即定向结构刨花板，是以小径材、间伐材、木芯为原料，通过专用设备加工成刨片，经脱油、干燥、施胶、定向铺装、热压成型等工艺制成的一种定向结构板材。欧松板得益于材料稳定性好、稳定性比较强、使用寿命长、绿色环保以及可塑性强等优点得以广泛应用。但是由于欧松板是实木削片压制而成的，光滑度差，且欧松板在施工时，表面容易在坑内留下一个孔，若不在表面进行处理，直接将欧松板暴露在空气中，那么坑洞长久下去容易积聚灰尘；而不同生产批次的欧松板，花纹不同，平整度也会不同，因此对欧松板的表面瑕疵的检测是欧松板质检的关键环节。
现阶段常用于图像缺陷检测的算法包括阈值分割、区域生长、基于图的分割算法等，其中，阈值分割只适用于简单背景的分割；区域生长虽然适用于图像中具有明显边界的目标分割，但是对于欧松板表面纹理复杂的区域，容易导致过分生长或断裂；基于图的分割算法能够处理复杂的图像分割问题，适用于纹理复杂、目标形状多样的场景，但是对参数敏感，需要事先设置一些参数，且基于欧式距离的度量方式面对流形数据时，使用欧式距离计算的聚类算法往往会忽略全局一致性，无法有效捕捉数据的内在结构，导致欧松板表面瑕疵缺陷检测结果不理想。
发明内容
为了解决上述技术问题，本发明提供基于机器视觉的欧松板表面瑕疵检测方法，以解决现有的问题。
本发明的基于机器视觉的欧松板表面瑕疵检测方法采用如下技术方案：
本发明一个实施例提供了基于机器视觉的欧松板表面瑕疵检测方法，该方法包括以下步骤：
获取欧松板待检测图像；
对欧松板待检测图像上的像素点采用DBSCAN算法进行聚类获取各像素点的簇中心距离序列以及各像素点的类别；根据像素点之间的类别以及簇中心距离序列的差异特征获取像素点之间的近邻变化量序列；根据各像素点的近邻变化量序列结合BG序列分割算法获取谱聚类算法所有像素点的近邻点数量；根据谱聚类算法所有像素点的近邻点数量结合k近邻算法获取各像素点的近邻点；根据欧松板待检测图像各像素点的梯度特征以及灰度特征获取各像素点的高维特征；根据任意两个像素点的所有近邻点的高维特征的相似程度获取像素点之间的高维特征分布相似度；根据任意两个像素点与各自近邻点的高维特征以及欧式距离获取像素点之间的密度系数；根据像素点之间的高维特征分布以及密度系数获取像素点之间的流体邻域密度距离；根据像素点之间的近邻链接概率、密度距离、流体邻域密度距离获取像素点之间的样本连通相似度；所有像素点之间的样本连通相似度组成流体密度相似度矩阵；
根据流体密度相似度矩阵结合谱聚类算法对欧松板待检测图像进行分割；根据分割获取的图像块完成欧松板表面瑕疵检测。
优选的，所述对欧松板待检测图像上的像素点采用DBSCAN算法进行聚类获取各像素点的簇中心距离序列以及各像素点的类别，具体步骤包括：
预设DBSCAN算法的距离阈值和样本数量阈值；将欧松板待检测图像的所有像素点作为DBSCAN算法的输入，结合所述距离阈值和样本数量阈值获取聚类过程中各像素点的类别，其中所述类别包括：核心点、边界点、噪声点，DBSCAN算法的输出为各聚类簇；对各聚类簇进行标号；获取各聚类簇的中心点；将各像素点与所有聚类簇的中心点之间的欧式距离按照聚类簇标号升序排列组成的序列作为各像素点的簇中心距离序列。
优选的，所述根据像素点之间的类别以及簇中心距离序列的差异特征获取像素点之间的近邻变化量序列，具体为：
设置核心点、边界点、噪声点的数据权重；
对于各像素点；取以各像素点为中心点，以所述距离阈值为半径的圆形区域；分别获取所述圆形区域中各类别点的数量；将像素点各类别所述数据权重与对应所述数量作为各像素点的三分类分布向量的各元素；
计算各像素点所述圆形区域中像素点数量与像素点总数量的比值；
对于像素点a和像素点c；
将像素点a与像素点c的三分类分布向量的余弦相似度保存为第一余弦相似度；将像素点a与像素点c的簇中心距离序列的余弦相似度保存为第二余弦相似度；计算像素点a与像素点c所述比值的差值绝对值；设置调参因子；将所述第一余弦相似度与所述第二余弦相似度的和值保存为第一和值；将所述差值绝对值与所述调参因子的和值保存为第二和值；将所述第一和值与第二和值的比值作为像素点a与像素点c的近邻链接概率；
将各像素点与其余所有像素点之间的近邻链接概率按照降序排列所组成的序列保存为各像素点的近邻概率序列；对各像素点所述近邻概率序列进行一阶差分获取各像素点的近邻变化量序列。
优选的，所述根据各像素点的近邻变化量序列结合BG序列分割算法获取谱聚类算法所有像素点的近邻点数量，具体为：
将各像素点所述近邻变化量作为BG序列分割算法的输入，BG序列分割算法的输出为各像素点近邻变化量序列的第一个突变点；
获取各像素点所述第一个突变点在近邻变化序列的次序值；将所有像素点所述次序值与1的和值的均值作为谱聚类算法所有像素点的近邻点数量。
优选的，所述根据欧松板待检测图像各像素点的梯度特征以及灰度特征获取各像素点的高维特征，具体为：
将欧松板待检测图像分别作为LBP算法、HOG算子的输入，分别输出欧松板待检测图像各像素点的LBP值、梯度方向以及梯度角度；采用加权平均法计算欧松板检测图像各像素点的灰度值；
结合高斯核函数对各像素点的LBP值、梯度方向以及梯度角度、灰度值采用核技巧技术获取各像素点的高维特征。
优选的，所述根据任意两个像素点的所有近邻点的高维特征的相似程度获取像素点之间的高维特征分布相似度，具体为：
对于像素点a和像素点c；
针对像素点a的近邻点，获取像素点a的各个近邻点与像素点c的各个近邻点之间的高维特征的皮尔逊相关系数；计算所有所述皮尔逊相关系数的和值；将所述和值与谱聚类算法所有像素点的近邻点数量的比值作为像素点a和像素点c之间的高维特征分布相似度。
优选的，所述根据任意两个像素点与各自近邻点的高维特征以及欧式距离获取像素点之间的密度系数，具体表达式为：
式中，是像素点a、c之间的密度系数，/>、/>分别是像素点a、c的高纬特征，、/>分别是/>与/>、/>与/>之间的皮尔逊相关系数，/>是像素点a与其第/>个近邻点之间的欧式距离，/>是像素点c与其第g个近邻点之间的欧式距离。
优选的，所述根据像素点之间的高维特征分布以及密度系数获取像素点之间的流体邻域密度距离，具体步骤包括：
获取像素点之间的欧式距离；将像素点之间所述欧式距离与密度系数的乘积作为第一乘积；将像素点之间密度系数的倒数与高维特征分布相似度的乘积作为第二乘积；计算所述第一乘积与所述第二乘积的和值；将所述和值作为以自然常数为底数的指数函数的指数；将所述指数函数的计算结果作为像素点之间的流体邻域密度距离。
优选的，所述根据像素点之间的近邻链接概率、密度距离、流体邻域密度距离获取像素点之间的样本连通相似度，具体包括：
将各像素点作为节点，将两个像素点之间的近邻链接概率作为相应两个节点之间边的权重构建有权无向图；
将有权无向图作为Dijkstra算法的输入，Dijkstra算法的输出为两个节点之间的最短路径；
对于像素点a和像素点c；
统计像素点a与像素点c对应节点之间最短路径上的节点数量m；
像素点a、c之间的样本连通相似度，表达式为：
式中，是以自然常数为底数的对数函数，/>是以自然常数为底数的指数函数，a+1是像素点a、c对应节点之间的最短路径上与第1个节点最相邻的节点对应的像素点，是像素点a、像素点a+1之间的流体邻域密度距离，/>、/>分别是像素点a、a+1的局部密度，/>为调参因子。
优选的，所述根据分割获取的图像块完成欧松板表面瑕疵检测，具体步骤包括：
采用canny边缘检测获取各个图像块的边缘轮廓；获取各个图像块边缘轮廓的傅里叶描述子；
对于各图像块；计算各图像块与其余图像块的傅里叶描述子的余弦相似度；计算各图像块所述余弦相似度的和值；
将所述和值最小的图像块作为瑕疵区域。
本发明至少具有如下有益效果：
本发明主要通过聚类结果中像素点周围不同种类像素点的分布特征确定像素点之间的近邻链接概率，基于所有像素点之间的近邻链接概率确定谱聚类算法中构建相似度矩阵时所取近邻点的数量，有益效果在于能够根据整个欧松板表面实际瑕疵的大小和种类确定每个像素点应当与其近邻点之间应当满足的相似度，避免预先设置经验值忽略欧松板待检测图像中瑕疵实际情况的问题。
其次，基于像素点以及像素点所取近邻点的高维特征分布特征构建像素点之间的流体邻域密度，流体邻域密度距离同时考虑像素点之间高维特征以及所处区域的密集程度，其有益效果在于通过自适应调节密度系数能够使得密集区域中两个数据点之间的空间距离被挤压，使得流体邻域密度距离对欧松板待检测图像中存在瑕疵时像素点形成的非凸数据集具有更好的图像分割效果。
最后，基于流体邻域密度以及像素点对应节点之间的最短路径确定像素点之间的样本连通相似度，避免传统谱聚类算法仅使用欧式距离构建相似度矩阵忽略全局一致性，无法有效捕捉欧松板待检测图像中像素点内在结构的问题，提高欧松板待检测图像的分割精度。
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和优点，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的介绍，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它附图。
图1为本发明提供的基于机器视觉的欧松板表面瑕疵检测方法的流程图；
图2为像素点分布示例图；
图3为流体密度相似度矩阵的获取流程图。
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机器视觉的欧松板表面瑕疵检测方法，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基于机器视觉的欧松板表面瑕疵检测方法的具体方案。
本发明一个实施例提供的基于机器视觉的欧松板表面瑕疵检测方法。
具体的，提供了如下的基于机器视觉的欧松板表面瑕疵检测方法，请参阅图1，该方法包括以下步骤：
步骤S001：采集欧松板表面的图像，并对所获图像进行去噪处理。
将欧松板放置在工业CCD相机正下方的检测台上，采用工业CCD相机获取欧松板表面图像，所述图像为RGB图像。为了减少采集图像的过程中受到的噪声干扰，本实施例对采集图像进行去噪处理，将采集的欧松板表面图像作为输入，采用双边滤波去噪算法对欧松板表面图像进行去噪处理，将去噪后的图像保存为欧松板待检测图像，双边滤波去噪算法为公知技术，具体过程不再赘述。
至此，得到欧松板待检测图像，用于后续构建欧松板待检测图像中像素点之间的相似度矩阵。
步骤S002：基于像素点所取邻域像素点之间的分布特征以及像素点具备流体结构特征构建像素点的流体结构邻域密度；基于不同像素点之间的流体结构邻域密度以及图像特征映射结果的相似程度构建像素点之间的流体密度相似度矩阵。
针对欧松板表面较为复杂的图像结构和纹理，本实施例旨在通过构建欧松板待检测图像中像素点之间的相似度矩阵对谱聚类算法进行改进，解决传统谱聚类算法中使用欧式距离度量相似度忽略全局一致性的问题，基于改进后的谱聚类算法对欧松板待检测图像进行分割，得到欧松板表面瑕疵的检测结果。
对于任意两个像素点而言，如果两个像素点之间具有较高的相似性，能够被划分到同一个聚类簇，那么根据相似性的传播特征，在这两个像素点之间的区域必然存在与上述两个像素点较为相似的其余像素点，即如果图中的两个像素点之间的密集区域存在一系列的其余相似近邻点，则两个像素点之间将是高度相似的。否则，两个像素点之间被认为具有较低的相似度。若像素点的分布如图2所示，像素点a、c之间存在g、p等大量局部密度较为相似且与相邻像素点之间数据分布结构也较为相似的像素点，因此，虽然像素点a、c之间的欧式距离大于像素点a、b之间的欧式距离，像素点a、c之间的相似度也是大于像素点a、b之间的相似度。
进一步地，将欧松板待检测图像上所有像素点作为输入，采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法，在进行聚类过程中DBSCAN聚类算法根据密度传递特征会将像素点分为核心点、边界点、噪声点三类，按照一定的连接规则得到K个聚类簇，将所得K个聚类簇分别标记为聚类簇1至聚类簇K，算法中的距离阈值设置为0.1，样本数量阈值设置为10，DBSCAN聚类算法为公知技术，具体过程不再赘述。如果两个像素点具有较高的相似性，那么两个像素点不仅局部密度较为相似，且近邻点内像素点的数量以及种类也应当是较为接近的。对于像素点的聚类结果中任意一个像素点，以像素点a为例，将像素点a与所有聚类簇中心点之间的欧式距离按照聚类簇标号升序顺序组成的序列记为像素点a的簇中心距离序列。
基于上述分析，此处构建近邻链接概率，用于表征两个像素点之间满足近邻关系的可能性。计算像素点a、c之间的近邻链接概率：
式中，是像素点a的三分类分布向量，/>、/>、/>分别是核心点、边界点、噪声点三类像素点的数据权重，/>、/>、/>的大小分别取经验值0.6、0.3、0.1，/>、/>、分别是聚类结果中以像素点a为中心点，以距离阈值为半径所取圆形区域内核心点、边界点、噪声点三类像素点的数量；/>是像素点a、c之间的近邻链接概率，/>是像素点c的三分类分布向量，/>、/>分别是像素点a、c的簇中心距离序列，/>、分别是向量/>与/>、序列/>与/>之间的余弦相似度，/>、/>分别是像素点a、c的局部密度，/>是调参因子。将/>保存为第一余弦相似度，将/>保存为第二余弦相似度；将/>保存为第一和值，将/>保存为第二和值。需要说明的是，调参因子用于防止分母为0，/>的大小取经验值0.01，实施者可根据实际情况自行调整；所述局部密度的获取过程为：聚类结果中以每个像素点为中心点，以距离阈值为半径所取圆形区域内像素点的数量与像素点总数量的比值。
其中，像素点a、c处于欧松板待检测图像中同一瑕疵缺陷区域或者同一正常区域的概率越大，像素点a、c越有可能位于同一流体中，根据DBSCAN聚类算法中密度可达、密度直达的密度传递特征，像素点a、c周围核心点、边界点、噪声点三类像素点的分布应当是较为接近的，且像素点a、c到DBSCAN聚类算法同一聚类簇中心点的距离应当是较为接近的，即与/>、/>与/>之间的相似度较高，/>、/>的值越大；像素点a、c位于同一流体的概率越高，像素点a、c对应的像素点种类相同，即同为核心点或者边界点的概率越大，与周围像素点之间的密度传递特征越相似，局部密度之间的差异越小，/>的值越小；即/>的值越大，像素点a、c之间满足近邻关系的可能性越高。
进一步地，分别获取欧松板待检测图像中所有像素点之间的近邻链接概率。基于像素点之间的近邻链接概率确定后续构建相似度矩阵时每个像素点所取近邻点的数量。具体地，对于任意一个像素点，以像素点a为例，将像素点a与其余所有像素点之间的近邻链接概率按照降序顺序排列所得序列作为像素点a的近邻概率序列，其次将对像素点a的近邻概率序列进行一阶差分处理后的结果记为像素点a的近邻变化量序列，将像素点a的近邻变化量序列作为输入，采用BG(Bernaola Galvan)序列分割算法获取像素点a的近邻变化量序列中的第一个突变点，BG序列分割算法为公知技术，具体过程不再赘述。
进一步地，基于所有像素点的近邻变化量序列中第一个突变点的位置信息确定谱聚类时所有像素点的近邻点数量：
式中，k是谱聚类时所有像素点的近邻点数量，是四舍五入取整函数，M是欧松板表面图像中像素点的数量，/>是像素点a的近邻变化量序列中的第一个突变点的次序值。
这样取值的原因在于当像素点之间不满足近邻关系时，像素点之间的近邻链接概率在近邻变化量序列中会首次出现一个较大的突变；对像素点的近邻变化量序列中的第一个突变点的次序值加1是因为一阶差分处理后近邻概率序列中元素数量为减1；而对所有像素点的近邻变化量序列中的第一个突变点的次序值进行累加求平均的有益效果在于能够根据整个欧松板表面实际瑕疵的大小和种类确定每个像素点应当与其近邻点之间应当满足的相似度，避免预先设置经验值忽略欧松板待检测图像中瑕疵实际情况的问题。
进一步地，对于欧松板待检测图像上的任意一个像素点，将k作为每个像素点所要获取的近邻点数量，将欧松板待检测图像作为输入，采用k近邻算法获取欧松板待检测图像中每个像素点的k个近邻点，k近邻算法为公知技术，具体过程不再赘述。
至此，确定欧松板待检测图像中像素点之间进行谱聚类时获取近邻像素点的数量，用于后续相似度矩阵的构建。
进一步地，像素点之间的相似度度量通常需要基于像素点之间图像信息或者图像特征之间的相似性度量结果，然而传统谱聚类算法中相似度度量通常基于像素点的灰度值、坐标信息等线性图像信息，不能全面的反映像素点的非线性图像特征。例如，瑕疵缺陷区域中像素点与正常区域内像素点之间的亮度-对比度关系通常是非线性的，即增强亮度后对比度的变化不一定是线性的；而瑕疵缺陷区域中像素点与正常区域内像素点之间对比度增强时，两种像素点之间亮度的变化也不一定是非线性的，因此本实施例考虑通过核技巧将每个像素点的低纬图像特征转换成能够更好捕捉欧松板待检测图像中像素点之间非线性关系的高纬图像特征。
具体地，将欧松板待检测图像作为输入，分别将采用LBP(Local BinaryPatterns)模式、HOG(Histogram of Oriented Gradient)算子、灰度转换获取欧松板待检测图像中像素点的LBP值、梯度方向、梯度角度以及灰度值作为像素点的一种特征，其中，灰度转换采用加权平均的方法，加权平均、LBP模式、HOG算子均为现有公知技术，本实施例不再赘述。其次，将各像素点在所有特征的特征值作为输入，以高斯核函数为核函数，采用核技巧技术获取各像素点的高维特征，需要说明的是，核技巧技术为公知技术，具体过程不再赘述。将像素点a的高纬特征记为，其中，/>、/>、/>分别是像素点a在高纬特征空间中第一个维度、第二个维度、第n个维度的特征值，n是高纬特征空间中的维度数量。
基于上述分析，此处构建流体邻域密度距离，用于表征欧松板待检测图像中每个像素点体现出的流体结构密度特征之间的差异性。计算像素点a、c之间的流体邻域密度距离：
式中，是像素点a、c之间的高纬特征分布相似度，k是每个像素点所取近邻点的数量，/>、g分别是像素点a、c所取近邻点中第/>个、第g个近邻点，/>、/>分别是第/>个、第g个近邻点的高纬特征，/>是/>、/>之间的皮尔逊相关系数，/>是像素点a、c之间的密度系数，/>、/>分别是像素点a、c的高纬特征，/>、/>分别是/>与/>、/>与/>之间的皮尔逊相关系数，/>是像素点a与其第/>个近邻点之间的欧式距离，/>是像素点c与其第g个近邻点之间的欧式距离；/>是像素点a、c之间的流体邻域密度距离，是以自然常数为底数的指数函数，/>是像素点a、c之间的欧式距离。需要说明的是，皮尔逊相关系数为公知技术，具体计算过程不再赘述。
其中，像素点a、c属于欧松板待检测图像上同一流体内的概率越大，像素点a、c所取k个近邻点的非线性图像特征越相似，在高维特征空间中所取得高维特征之间的相似度越高，的值越大；像素点a、c所处区域内像素点越集中，像素点a、c与其所取k个近邻点之间的位置越接近，/>、/>的值越小，像素点a、c在所处流体内与周围像素点之间分布确定的流体数据结构越相似，像素点a、c与所取k个近邻点之间的高维特征越相似，、/>的值越大，相应的，/>的值越大，/>的值越大，即在欧松板待检测图像中的密集区域，/>的值较小；而在欧松板待检测图像中的稀疏区域，/>的值较小；
流体邻域密度距离同时考虑像素点之间高维特征以及所处区域的密集程度，其有益效果在于通过自适应调节密度系数能够使得密集区域中两个数据点之间的空间距离被挤压，使得流体邻域密度距离对欧松板待检测图像中存在瑕疵时像素点形成的非凸数据集具有更好的图像分割效果。
进一步地，将每个像素点作为一个节点，将两个像素点之间的近邻链接概率作为相应两个节点之间边的权重，将基于所有节点构建的有权无向图作为输入，采用Dijkstra算法获取所述有权无向图上任意两个节点之间的最短路径，Dijkstra算法为公知技术，具体过程不再赘述。
对于欧松板待检测图像中的任意两个像素点，以像素点a、c为例，如果像素点a、c属于同一瑕疵缺陷区域或者正常区域，即属于同一流体，则像素点a、c具有较高的相似性，对应节点之间的最短路径上节点的数量较少，且所述对应节点之间的最短路径上不同位置节点所具备的流体结构特征也应当较为相似，不同位置节点所具备的非线性图像特征之间也应当较为接近；如果像素点a、c不属于同一瑕疵缺陷区域或者正常区域，即不属于同一流体，对应节点之间的最短路径通常路径长度较大，不同位置节点所表现的流体结构特征之间的差异性较大。进一步地，基于像素点a、c对应节点之间的最短路径上不同位置节点对应像素点之间的流体邻域密度距离评估像素点a、c之间的相似程度。
基于上述分析，此处构建样本连通相似度，用于表征两个像素点之间相似程度的高低。计算像素点a、c之间的样本连通相似度：
式中，是像素点a、c之间的样本连通相似度，/>是以自然常数为底数的对数函数，m是像素点a、c对应节点之间的最短路径上节点的数量，/>是以自然常数为底数的指数函数，a+1是像素点a、c对应节点之间的最短路径上与第1个节点最相邻的节点对应的像素点，/>是像素点a、像素点a+1之间的流体邻域密度距离，/>、/>分别是像素点a、a+1的局部密度，/>为调参因子。需要说明的是：像素点a、c对应的节点分别是所述最短路径上的第1个、第m个节点。
其中，像素点a、c对应节点之间的最短路径上不同位置节点所处区域内像素点密集程度越高，相邻像素点a、a+1的局部密度越相似，相邻像素点a、a+1之间越有可能具有相似的流体局部密度特征，的值越大，/>的值越小，相应的，的值越大；像素点a、c之间的相似程度越高，像素点a、c对应节点之间的最短路径上节点的数量越少，m的值越小，/>的值越大。
根据上述步骤，分别获取欧松板待检测图像中任意两个像素点之间的样本连通相似度，将像素点a、c之间的样本连通相似度作为矩阵中第a行第c列的元素，将基于欧松板待检测图像中所有像素点之间的样本连通相似度构建的矩阵记为流体密度相似度矩阵。其中流体密度相似度矩阵的获取流程如图3所示。
至此，得到欧松板待检测图像中像素点之间的流体密度相似度矩阵。
步骤S003：采用谱聚类算法基于欧松板待检测图像中像素点之间的流体密度相似度矩阵完成对欧松板待检测图像的分割；基于分割结果得到欧松板表面瑕疵的检测结果。
将欧松板待检测图像作为输入，将上述所得流体密度相似度矩阵作为本实施例中谱聚类算法分割欧松板待检测图像时的相似度矩阵，采用谱聚类算法得到欧松板待检测图像的图像分割结果，谱聚类算法为公知技术，具体过程不再赘述。
进一步地，对于分割结果中的每个图像块，采用canny边缘检测技术分别获取每个图像块的边缘轮廓，并依次获取每个图像块中边缘轮廓的傅里叶描述子，均为公知技术，具体过程不再赘述。如果某一图像块中存在瑕疵区域，则瑕疵区域内边缘轮廓的图像信息与正常区域内边缘轮廓的特征信息存在较大的差异，分别计算任意两个图像块内边缘轮廓的傅里叶描述子之间的余弦相似度，对于每个图像块，计算每个图像块与其余图像块傅里叶描述子之间的余弦相似度的和值，将余弦相似度和值最小的图像块作为欧松板表面的瑕疵区域。
综上所述，本发明实施例通过聚类结果中像素点周围不同种类像素点的分布特征确定像素点之间的近邻链接概率，基于所有像素点之间的近邻链接概率确定谱聚类算法中构建相似度矩阵时所取近邻点的数量，有益效果在于能够根据整个欧松板表面实际瑕疵的大小和种类确定每个像素点应当与其近邻点之间应当满足的相似度，避免预先设置经验值忽略欧松板待检测图像中瑕疵实际情况的问题。
其次，基于像素点以及像素点所取近邻点的高维特征分布特征构建像素点之间的流体邻域密度，流体邻域密度距离同时考虑像素点之间高维特征以及所处区域的密集程度，其有益效果在于通过自适应调节密度系数能够使得密集区域中两个数据点之间的空间距离被挤压，使得流体邻域密度距离对欧松板待检测图像中存在瑕疵时像素点形成的非凸数据集具有更好的图像分割效果。
最后，基于流体邻域密度以及像素点对应节点之间的最短路径确定像素点之间的样本连通相似度，避免传统谱聚类算法仅使用欧式距离构建相似度矩阵忽略全局一致性，无法有效捕捉欧松板待检测图像中像素点内在结构的问题，提高欧松板待检测图像的分割精度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (7)
1.基于机器视觉的欧松板表面瑕疵检测方法，其特征在于，该方法包括以下步骤：
获取欧松板待检测图像；
对欧松板待检测图像上的像素点采用DBSCAN算法进行聚类获取各像素点的簇中心距离序列以及各像素点的类别；根据像素点之间的类别以及簇中心距离序列的差异特征获取像素点之间的近邻变化量序列；根据各像素点的近邻变化量序列结合BG序列分割算法获取谱聚类算法所有像素点的近邻点数量；根据谱聚类算法所有像素点的近邻点数量结合k近邻算法获取各像素点的近邻点；根据欧松板待检测图像各像素点的梯度特征以及灰度特征获取各像素点的高维特征；根据任意两个像素点的所有近邻点的高维特征的相似程度获取像素点之间的高维特征分布相似度；根据任意两个像素点与各自近邻点的高维特征以及欧式距离获取像素点之间的密度系数；根据像素点之间的高维特征分布相似度以及密度系数获取像素点之间的流体邻域密度距离；根据像素点之间的近邻链接概率、流体邻域密度距离获取像素点之间的样本连通相似度；所有像素点之间的样本连通相似度组成流体密度相似度矩阵；
根据流体密度相似度矩阵结合谱聚类算法对欧松板待检测图像进行分割；根据分割获取的图像块完成欧松板表面瑕疵检测；
所述对欧松板待检测图像上的像素点采用DBSCAN算法进行聚类获取各像素点的簇中心距离序列以及各像素点的类别，具体步骤包括：
预设DBSCAN算法的距离阈值和样本数量阈值；将欧松板待检测图像的所有像素点作为DBSCAN算法的输入，结合所述距离阈值和样本数量阈值获取聚类过程中各像素点的类别，其中所述类别包括：核心点、边界点、噪声点，DBSCAN算法的输出为各聚类簇；对各聚类簇进行标号；获取各聚类簇的中心点；将各像素点与所有聚类簇的中心点之间的欧式距离按照聚类簇标号升序排列组成的序列作为各像素点的簇中心距离序列；
所述根据像素点之间的类别以及簇中心距离序列的差异特征获取像素点之间的近邻变化量序列，具体为：
设置核心点、边界点、噪声点的数据权重；
对于各像素点；取以各像素点为中心点，以所述距离阈值为半径的圆形区域；分别获取所述圆形区域中各类别点的数量；将像素点各类别所述数据权重与对应所述数量作为各像素点的三分类分布向量的各元素；
计算各像素点所述圆形区域中像素点数量与像素点总数量的比值，记为各像素点的局部密度；
对于像素点a和像素点c；
将像素点a与像素点c的三分类分布向量的余弦相似度保存为第一余弦相似度；将像素点a与像素点c的簇中心距离序列的余弦相似度保存为第二余弦相似度；计算像素点a与像素点c所述比值的差值绝对值；设置调参因子；将所述第一余弦相似度与所述第二余弦相似度的和值保存为第一和值；将所述差值绝对值与所述调参因子的和值保存为第二和值；将所述第一和值与第二和值的比值作为像素点a与像素点c的近邻链接概率；
将各像素点与其余所有像素点之间的近邻链接概率按照降序排列所组成的序列保存为各像素点的近邻概率序列；对各像素点所述近邻概率序列进行一阶差分获取各像素点的近邻变化量序列；
所述根据像素点之间的高维特征分布相似度以及密度系数获取像素点之间的流体邻域密度距离，具体步骤包括：
获取像素点之间的欧式距离；将像素点之间所述欧式距离与密度系数的乘积作为第一乘积；将像素点之间密度系数的倒数与高维特征分布相似度的乘积作为第二乘积；计算所述第一乘积与所述第二乘积的和值；将所述和值作为以自然常数为底数的指数函数的指数；将所述指数函数的计算结果作为像素点之间的流体邻域密度距离；
所述根据流体密度相似度矩阵结合谱聚类算法对欧松板待检测图像进行分割，包括：将欧松板待检测图像作为输入，将流体密度相似度矩阵作为谱聚类算法分割欧松板待检测图像时的相似度矩阵，采用谱聚类算法得到欧松板待检测图像的图像分割结果。
2.如权利要求1所述的基于机器视觉的欧松板表面瑕疵检测方法，其特征在于，所述根据各像素点的近邻变化量序列结合BG序列分割算法获取谱聚类算法所有像素点的近邻点数量，具体为：
将各像素点所述近邻变化量作为BG序列分割算法的输入，BG序列分割算法的输出为各像素点近邻变化量序列的第一个突变点；
获取各像素点所述第一个突变点在近邻变化序列的次序值；将所有像素点所述次序值与1的和值的均值作为谱聚类算法所有像素点的近邻点数量。
3.如权利要求1所述的基于机器视觉的欧松板表面瑕疵检测方法，其特征在于，所述根据欧松板待检测图像各像素点的梯度特征以及灰度特征获取各像素点的高维特征，具体为：
将欧松板待检测图像分别作为LBP算法、HOG算子的输入，分别输出欧松板待检测图像各像素点的LBP值、梯度方向以及梯度角度；采用加权平均法计算欧松板检测图像各像素点的灰度值；
结合高斯核函数对各像素点的LBP值、梯度方向以及梯度角度、灰度值采用核技巧技术获取各像素点的高维特征。
4.如权利要求2所述的基于机器视觉的欧松板表面瑕疵检测方法，其特征在于，所述根据任意两个像素点的所有近邻点的高维特征的相似程度获取像素点之间的高维特征分布相似度，具体为：
对于像素点a和像素点c；
针对像素点a的近邻点，获取像素点a的各个近邻点与像素点c的各个近邻点之间的高维特征的皮尔逊相关系数；计算所有所述皮尔逊相关系数的和值；将所述和值与谱聚类算法所有像素点的近邻点数量的比值作为像素点a和像素点c之间的高维特征分布相似度。
5.如权利要求1所述的基于机器视觉的欧松板表面瑕疵检测方法，其特征在于，所述根据任意两个像素点与各自近邻点的高维特征以及欧式距离获取像素点之间的密度系数，具体表达式为：
式中，是像素点a、c之间的密度系数，/>、/>分别是像素点a、c的高纬特征，/>、/>分别是第/>个、第g个近邻点的高纬特征，/>、/>分别是/>与/>、/>与/>之间的皮尔逊相关系数，/>是像素点a与其第/>个近邻点之间的欧式距离，/>是像素点c与其第g个近邻点之间的欧式距离。
6.如权利要求1所述的基于机器视觉的欧松板表面瑕疵检测方法，其特征在于，所述根据像素点之间的近邻链接概率、流体邻域密度距离获取像素点之间的样本连通相似度，具体包括：
将各像素点作为节点，将两个像素点之间的近邻链接概率作为相应两个节点之间边的权重构建有权无向图；
将有权无向图作为Dijkstra算法的输入，Dijkstra算法的输出为两个节点之间的最短路径；
对于像素点a和像素点c；
统计像素点a与像素点c对应节点之间最短路径上的节点数量m；
像素点a、c之间的样本连通相似度，表达式为：
式中，是以自然常数为底数的对数函数，/>是以自然常数为底数的指数函数，a+1是像素点a、c对应节点之间的最短路径上与第1个节点最相邻的节点对应的像素点，是像素点a、像素点a+1之间的流体邻域密度距离，/>、/>分别是像素点a、a+1的局部密度，/>为调参因子。
7.如权利要求1所述的基于机器视觉的欧松板表面瑕疵检测方法，其特征在于，所述根据分割获取的图像块完成欧松板表面瑕疵检测，具体步骤包括：
采用canny边缘检测获取各个图像块的边缘轮廓；获取各个图像块边缘轮廓的傅里叶描述子；
对于各图像块；计算各图像块与其余图像块的傅里叶描述子的余弦相似度；计算各图像块所述余弦相似度的和值；
将所述和值最小的图像块作为瑕疵区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001386.1A CN117522864B (zh) | 2024-01-02 | 2024-01-02 | 基于机器视觉的欧松板表面瑕疵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001386.1A CN117522864B (zh) | 2024-01-02 | 2024-01-02 | 基于机器视觉的欧松板表面瑕疵检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522864A CN117522864A (zh) | 2024-02-06 |
| CN117522864B true CN117522864B (zh) | 2024-03-19 |
Family
ID=89751537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410001386.1A Active CN117522864B (zh) | 2024-01-02 | 2024-01-02 | 基于机器视觉的欧松板表面瑕疵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522864B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052480B (zh) * | 2024-04-16 | 2024-06-21 | 匠达(苏州)科技有限公司 | 基于深度学习的家居工程师画像数据快速获取方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999009887A1 (en) * | 1997-08-28 | 1999-03-04 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
| CN104484667A (zh) * | 2014-12-30 | 2015-04-01 | 华中科技大学 | 一种基于亮度特征和轮廓完整性的轮廓提取方法 |
| GB201513454D0 (en) * | 2015-07-30 | 2015-09-16 | Emerald Medical Applic Ltd | Automatic detection of cutaneous lesions |
| CN105303546A (zh) * | 2014-06-20 | 2016-02-03 | 江南大学 | 基于模糊连接度的近邻传播聚类图像分割方法 |
| CN106447676A (zh) * | 2016-10-12 | 2017-02-22 | 浙江工业大学 | 一种基于快速密度聚类算法的图像分割方法 |
| CN117152484A (zh) * | 2023-07-19 | 2023-12-01 | 南京林业大学 | 改进YOLOv5s的小目标布匹瑕疵检测方法 |
| CN117237646A (zh) * | 2023-11-15 | 2023-12-15 | 深圳市润海电子有限公司 | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统 |
-
2024
- 2024-01-02 CN CN202410001386.1A patent/CN117522864B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999009887A1 (en) * | 1997-08-28 | 1999-03-04 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
| CN105303546A (zh) * | 2014-06-20 | 2016-02-03 | 江南大学 | 基于模糊连接度的近邻传播聚类图像分割方法 |
| CN104484667A (zh) * | 2014-12-30 | 2015-04-01 | 华中科技大学 | 一种基于亮度特征和轮廓完整性的轮廓提取方法 |
| GB201513454D0 (en) * | 2015-07-30 | 2015-09-16 | Emerald Medical Applic Ltd | Automatic detection of cutaneous lesions |
| CN106447676A (zh) * | 2016-10-12 | 2017-02-22 | 浙江工业大学 | 一种基于快速密度聚类算法的图像分割方法 |
| CN117152484A (zh) * | 2023-07-19 | 2023-12-01 | 南京林业大学 | 改进YOLOv5s的小目标布匹瑕疵检测方法 |
| CN117237646A (zh) * | 2023-11-15 | 2023-12-15 | 深圳市润海电子有限公司 | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Comparative Analysis Review of Pioneering DBSCAN and Successive Density-Based Clustering Algorithms;Adil Abdu Bushra 等;IEEE Access;20210614;全文 * |
| Spectral-Density-Based Graph Construction Techniques for Hyperspectral Image Analysis;Jeffrey R. Stevens 等;IEEE Transactions on Geoscience and Remote;20170811;全文 * |
| 噪声不均条件下的模糊C均值聚类算法及应用;王文慧;杨庚;葛炜;刘沛东;钱晨;;计算机工程与应用;20171208(19);全文 * |
| 陶新民 ; 王若彤 ; 常瑞 ; 李晨曦 ; 刘艳超 ; .基于低密度分割密度敏感距离的谱聚类算法.自动化学报.(07),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522864A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
| CN109658381B (zh) | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 | |
| CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
| CN115311270A (zh) | 一种塑料制品表面缺陷检测方法 | |
| CN108855988B (zh) | 基于机器视觉的核桃仁分级方法及核桃仁分级装置 | |
| CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
| CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
| CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
| CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
| CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
| CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
| CN112508857B (zh) | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 | |
| CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| CN115100199A (zh) | 一种晶圆低纹理缺陷的检测方法 | |
| CN117911792B (zh) | 一种电压基准源芯片生产用引脚检测系统 | |
| CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN114139618A (zh) | 基于改进密度峰值聚类的信号依赖噪声参数估计方法 | |
| CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN115880699A (zh) | 一种食品包装袋检测方法及系统 | |
| CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
| CN112750119B (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
| JP3020973B2 (ja) | 画像処理方法 | |
| CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 |
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 |