CN117523307A - 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 - Google Patents
基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 Download PDFInfo
- Publication number
- CN117523307A CN117523307A CN202311585093.4A CN202311585093A CN117523307A CN 117523307 A CN117523307 A CN 117523307A CN 202311585093 A CN202311585093 A CN 202311585093A CN 117523307 A CN117523307 A CN 117523307A
- Authority
- CN
- China
- Prior art keywords
- tile
- flaw
- identification model
- image
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000000919 ceramic Substances 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30132—Masonry; Concrete
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统,其方法包括以下步骤:采集瓷砖表面的图像;构建并训练瓷砖表面瑕疵识别模型;使用Ultralytics框架对训练后的瓷砖表面瑕疵识别模型进行部署;对瓷砖表面的图像进行分割;将若干分割图像逐一输入到部署后的瓷砖表面瑕疵识别模型进行识别;将若干识别后的分割图像整合成一张识别后瓷砖表面的图像;统计识别后瓷砖表面的图像中所有瑕疵的数量,得到总瑕疵量;根据总瑕疵量,对当前瓷砖进行等级判定;根据当前瓷砖的等级,生成相应的分拣命令。本发明解决了传统的建筑陶瓷砖的分拣方法中,通过人眼识别的方式识别精度不高,且通过人工分拣的方式,分拣工作效率低下的问题。
Description
技术领域
本发明涉及瓷砖瑕疵识别技术领域,具体是基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统。
背景技术
传统的建筑陶瓷砖的分拣方法是工作人员先通过人眼来识别和区分建筑陶瓷砖中所有瑕疵的种类,同时统计建筑陶瓷砖中所有瑕疵的数量,再根据建筑陶瓷砖中所有瑕疵的数量,进行建筑陶瓷砖的分级判定,最后根据建筑陶瓷砖的等级,人工进行分拣。这种传统的建筑陶瓷砖的分拣方法中,通过人眼识别的方式识别精度不高,且通过人工分拣的方式,当需要分拣大量建筑陶瓷砖时,工作效率会低下。
发明内容
针对上述缺陷,本发明提出了基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统,目的在于解决传统的建筑陶瓷砖的分拣方法中,通过人眼识别的方式识别精度不高,且通过人工分拣的方式,当需要分拣大量建筑陶瓷砖时,工作效率低下的问题。
为达此目的,本发明采用以下技术方案:
基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法,包括以下步骤:
步骤S1:采集瓷砖表面的图像;
步骤S2:构建瓷砖表面瑕疵识别模型,并对瓷砖表面瑕疵识别模型进行训练,得到训练后的瓷砖表面瑕疵识别模型;
步骤S3:使用Ultralytics框架对训练后的瓷砖表面瑕疵识别模型进行部署,得到部署后的瓷砖表面瑕疵识别模型;
步骤S4:对瓷砖表面的图像进行分割,得到若干分割图像;
步骤S5:将若干分割图像逐一输入到部署后的瓷砖表面瑕疵识别模型进行识别,输出对应识别后的分割图像,并基于若干识别后的分割图像,获取对应分割图像中瑕疵所在矩阵坐标和类别标识;
步骤S6:将若干识别后的分割图像整合成一张识别后瓷砖表面的图像;
步骤S7:统计识别后瓷砖表面的图像中所有瑕疵的数量,得到总瑕疵量;
步骤S8:根据总瑕疵量,对当前瓷砖进行等级判定,当总瑕疵量小于或等于第一预设值时,当前瓷砖判定为优级品;当总瑕疵量小于或等于第二预设值时,当前瓷砖判定为A级品;当总瑕疵量小于或等于第三预设值时,当前瓷砖判定为B级品;当总瑕疵量大于第三预设值时,当前瓷砖判定为次级品;
步骤S9:根据当前瓷砖的等级,生成相应的分拣命令。
优选地,在步骤S4中,还包括以下步骤:将若干分割图像以“流水号-x-y”的命名方式进行命名,其中,x表示行数,y表示列数。
优选地,在步骤S5中,还包括以下步骤:
步骤S51:根据分割图像中瑕疵所在矩阵坐标数据,确定瓷砖的瑕疵点;
步骤S52:使用分割图像中瑕疵的类别标识数据映射标识字典。
优选地,在步骤S6中,具体包括以下子步骤:
步骤S61:构建空白画布;
步骤S62:将若干识别后的分割图像按照各自命名方式中“x-y”的位置合并至空白画布。
本申请的另一方面提供了基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣系统,所述系统包括:
采集模块,用于采集瓷砖表面的图像;
构建模块,用于构建瓷砖表面瑕疵识别模型;
模型训练模型,用于对瓷砖表面瑕疵识别模型进行训练,得到训练后的瓷砖表面瑕疵识别模型;
部署模块,用于使用Ultralytics框架对训练后的瓷砖表面瑕疵识别模型进行部署,得到部署后的瓷砖表面瑕疵识别模型;
图像分割模块,用于对瓷砖表面的图像进行分割,得到若干分割图像;
输入模块,用于将若干分割图像逐一输入到部署后的瓷砖表面瑕疵识别模型进行识别;
输出模块,用于输出对应识别后的分割图像;
获取模块,用于基于若干识别后的分割图像,获取对应分割图像中瑕疵所在矩阵坐标和类别标识;
图像整合模块,用于将若干识别后的分割图像整合成一张识别后瓷砖表面的图像;
统计模块,用于统计识别后瓷砖表面的图像中所有瑕疵的数量,得到总瑕疵量;
等级判定模块,用于根据总瑕疵量,对当前瓷砖进行等级判定,当总瑕疵量小于或等于第一预设值时,当前瓷砖判定为优级品;当总瑕疵量小于或等于第二预设值时,当前瓷砖判定为A级品;当总瑕疵量小于或等于第三预设值时,当前瓷砖判定为B级品;当总瑕疵量大于第三预设值时,当前瓷砖判定为次级品;
生成模块,用于根据当前瓷砖的等级,生成相应的分拣命令。
优选地,还包括命名模块,用于将若干分割图像以“流水号-x-y”的命名方式进行命名,其中,x表示行数,y表示列数。
优选地,还包括:确定模块,用于根据分割图像中瑕疵所在矩阵坐标数据,确定瓷砖的瑕疵点;映射模块,用于使用分割图像中瑕疵的类别标识数据映射标识字典。
优选地,所述图像整合模块包括:构建子模块,用于构建空白画布;合并子模块,用于将若干识别后的分割图像按照各自命名方式中“x-y”的位置合并至空白画布。
本申请实施例提供的技术方案可以包括以下有益效果:
本方案通过设置瓷砖表面瑕疵识别模型,并使用Ultralytics框架的部署技术部署瓷砖表面瑕疵识别模型,使得瓷砖表面瑕疵识别模型能够更加高效和精准地识别瓷砖表面的瑕疵。同时,本方案能够自动化地对瓷砖执行分拣处理,减轻了人力负担,提高工作效率。
附图说明
图1是基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施方式,实施方式的示例在附图中示出,其中,相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法,包括以下步骤:
步骤S1:采集瓷砖表面的图像;
步骤S2:构建瓷砖表面瑕疵识别模型,并对瓷砖表面瑕疵识别模型进行训练,得到训练后的瓷砖表面瑕疵识别模型;
步骤S3:使用Ultralytics框架对训练后的瓷砖表面瑕疵识别模型进行部署,得到部署后的瓷砖表面瑕疵识别模型;
步骤S4:对瓷砖表面的图像进行分割,得到若干分割图像;
步骤S5:将若干分割图像逐一输入到部署后的瓷砖表面瑕疵识别模型进行识别,输出对应识别后的分割图像,并基于若干识别后的分割图像,获取对应分割图像中瑕疵所在矩阵坐标和类别标识;
步骤S6:将若干识别后的分割图像整合成一张识别后瓷砖表面的图像;
步骤S7:统计识别后瓷砖表面的图像中所有瑕疵的数量,得到总瑕疵量;
步骤S8:根据总瑕疵量,对当前瓷砖进行等级判定,当总瑕疵量小于或等于第一预设值时,当前瓷砖判定为优级品;当总瑕疵量小于或等于第二预设值时,当前瓷砖判定为A级品;当总瑕疵量小于或等于第三预设值时,当前瓷砖判定为B级品;当总瑕疵量大于第三预设值时,当前瓷砖判定为次级品;
步骤S9:根据当前瓷砖的等级,生成相应的分拣命令。
本方案的基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法,如图1所示,第一步是采集瓷砖表面的图像,具体地,将待识别的瓷砖放进瓷砖表面瑕疵识别装置,瓷砖表面瑕疵识别装置设置有线扫描相机,通过布置线扫描相机合适的角度、采光和高度,能够有效地采集到完整清晰的瓷砖表面图像。第二步是构建瓷砖表面瑕疵识别模型,并对瓷砖表面瑕疵识别模型进行训练,得到训练后的瓷砖表面瑕疵识别模型,具体地,通过构建瓷砖表面瑕疵识别模型,能够有效地识别瓷砖表面的瑕疵。通过训练瓷砖表面瑕疵识别模型,有利于提高模型的识别精度。第三步是使用Ultralytics框架对训练后的瓷砖表面瑕疵识别模型进行部署,得到部署后的瓷砖表面瑕疵识别模型,本实施例中,Ultralytics框架是python中的部署工具,使用Ultralytics框架部署能够使瓷砖表面瑕疵识别模型稳定地在边缘计算机中运行,并且可以远程进行OPC控制。通过部署训练后的瓷砖表面瑕疵识别模型能够使该模型高效地识别瓷砖表面的瑕疵。第四步是对瓷砖表面的图像进行分割,得到若干分割图像,具体地,由于采集的瓷砖表面图像的像素较大且瑕疵点较细微,因此本实施例采用图像分割。本实施例中,采集的瓷砖表面图像为6000×6000像素的图像,将该图像以640×640像素的尺寸分割成81张图像。第五步是将若干分割图像逐一输入到部署后的瓷砖表面瑕疵识别模型进行识别,输出对应识别后的分割图像,并基于若干识别后的分割图像,获取对应分割图像中瑕疵所在矩阵坐标和类别标识,具体地,每张分割图像经过部署后的瓷砖表面瑕疵识别模型后,均能识别出每张分割图像中瑕疵所在矩阵坐标和类别标识,有利于后续对瓷砖表面瑕疵量的统计以及瓷砖等级的分类。进一步说明,本实施例中瓷砖表面瑕疵类别包括针孔、熔洞、杂质、落脏、滴水、黑点、白点、滴釉、缺釉、缩釉、釉裂和釉泡。第六步是将若干识别后的分割图像整合成一张识别后瓷砖表面的图像,本实施例中,构建一张6400×6400像素的画布,将81张识别后的分割图像按照一定的规律合并在该画布上,形成识别后瓷砖表面的图像。第七步是统计识别后瓷砖表面的图像中所有瑕疵的数量,得到总瑕疵量,具体地,通过统计得到瓷砖表面的图像中的总瑕疵量,有利于后续对当前瓷砖的等级判定。第八步是根据总瑕疵量,对当前瓷砖进行等级判定,当总瑕疵量小于或等于第一预设值时,当前瓷砖判定为优级品;当总瑕疵量小于或等于第二预设值时,当前瓷砖判定为A级品;当总瑕疵量小于或等于第三预设值时,当前瓷砖判定为B级品;当总瑕疵量大于第三预设值时,当前瓷砖判定为次级品,本实施例中,第一预设值为3个,第二预设值为7个,第三预设值为15个。当前瓷砖经过等级判定后,会进行后续的分拣处理。第九步是根据当前瓷砖的等级,生成相应的分拣命令,一种实施例中,瓷砖表面瑕疵识别装置还设置有运输带,当前瓷砖经过运输带运送后,当当前瓷砖判定为A级品时,系统会自动生成A级分级轨道运转命令,并通过OPC传输协议向A级分级轨道发送该命令,A级分级轨道开始运转,当前瓷砖被分拣到A级分级轨道上。
本方案通过设置瓷砖表面瑕疵识别模型,并使用Ultralytics框架的部署技术部署瓷砖表面瑕疵识别模型,使得瓷砖表面瑕疵识别模型能够更加高效和精准地识别瓷砖表面的瑕疵。同时,本方案能够自动化地对瓷砖执行分拣处理,减轻了人力负担,提高工作效率。
优选的,在步骤S4中,还包括以下步骤:将若干分割图像以“流水号-x-y”的命名方式进行命名,其中,x表示行数,y表示列数。
一种实施例中,假设当前瓷砖的流水编号为“000152”,其中一张分割图像分布在瓷砖表面的图像中第一行第一列的位置,则该分割图像的命名方式为“000152-1-1”。
优选的,在步骤S5中,还包括以下步骤:步骤S51:根据分割图像中瑕疵所在矩阵坐标数据,确定瓷砖的瑕疵点;步骤S52:使用分割图像中瑕疵的类别标识数据映射标识字典。
本实施例中,通过分割图像中瑕疵所在矩阵坐标数据能够确切地了解到陶瓷中瑕疵所在的具体位置,使用分割图像中瑕疵的类别标识数据映射标识字典,图像中会标注出瑕疵的类别。
优选的,在步骤S6中,具体包括以下子步骤:步骤S61:构建空白画布;步骤S62:将若干识别后的分割图像按照各自命名方式中“x-y”的位置合并至空白画布。
本实施例中,构建一张6400×6400像素的空白画布,命名为“000152-1-1”的分割图像经过识别后,会分布到空白画布中第一行第一列的位置;“000152-1-2”的分割图像经过识别后,会分布到空白画布中第一行第二列的位置,如此类推,直到分布完81张识别后的分割图像为止。
本申请的另一方面提供了基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣系统,所述系统包括:
采集模块,用于采集瓷砖表面的图像;
构建模块,用于构建瓷砖表面瑕疵识别模型;
模型训练模型,用于对瓷砖表面瑕疵识别模型进行训练,得到训练后的瓷砖表面瑕疵识别模型;
部署模块,用于使用Ultralytics框架对训练后的瓷砖表面瑕疵识别模型进行部署,得到部署后的瓷砖表面瑕疵识别模型;
图像分割模块,用于对瓷砖表面的图像进行分割,得到若干分割图像;
输入模块,用于将若干分割图像逐一输入到部署后的瓷砖表面瑕疵识别模型进行识别;
输出模块,用于输出对应识别后的分割图像;
获取模块,用于基于若干识别后的分割图像,获取对应分割图像中瑕疵所在矩阵坐标和类别标识;
图像整合模块,用于将若干识别后的分割图像整合成一张识别后瓷砖表面的图像;
统计模块,用于统计识别后瓷砖表面的图像中所有瑕疵的数量,得到总瑕疵量;
等级判定模块,用于根据总瑕疵量,对当前瓷砖进行等级判定,当总瑕疵量小于或等于第一预设值时,当前瓷砖判定为优级品;当总瑕疵量小于或等于第二预设值时,当前瓷砖判定为A级品;当总瑕疵量小于或等于第三预设值时,当前瓷砖判定为B级品;当总瑕疵量大于第三预设值时,当前瓷砖判定为次级品;
生成模块,用于根据当前瓷砖的等级,生成相应的分拣命令。
本方案的基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣系统,通过采集模块、构建模块、模型训练模型、部署模块、图像分割模块、输入模块、输出模块、获取模块、图像整合模块、统计模块、等级判定模块和生成模块的相互配合,实现瓷砖表面瑕疵的识别以及瓷砖的分级和分拣。本方案通过设置瓷砖表面瑕疵识别模型,并使用Ultralytics框架的部署技术部署瓷砖表面瑕疵识别模型,使得瓷砖表面瑕疵识别模型能够更加高效和精准地识别瓷砖表面的瑕疵。同时,本方案能够自动化地对瓷砖执行分拣处理,减轻了人力负担,提高工作效率。
优选的,还包括命名模块,用于将若干分割图像以“流水号-x-y”的命名方式进行命名,其中,x表示行数,y表示列数。
一种实施例中,假设当前瓷砖的流水编号为“000152”,其中一张分割图像分布在瓷砖表面的图像中第一行第一列的位置,则该分割图像的命名方式为“000152-1-1”。
优选的,还包括:确定模块,用于根据分割图像中瑕疵所在矩阵坐标数据,确定瓷砖的瑕疵点;映射模块,用于使用分割图像中瑕疵的类别标识数据映射标识字典。
本实施例中,在确定模块中,通过分割图像中瑕疵所在矩阵坐标数据能够确切地了解到陶瓷中瑕疵所在的具体位置;在映射模块中,使用分割图像中瑕疵的类别标识数据映射标识字典,图像中会标注出瑕疵的类别。
优选的,所述图像整合模块包括:构建子模块,用于构建空白画布;合并子模块,用于将若干识别后的分割图像按照各自命名方式中“x-y”的位置合并至空白画布。
本实施例中,在构建子模块中,构建一张6400×6400像素的空白画布;在合并子模块中,命名为“000152-1-1”的分割图像经过识别后,会分布到空白画布中第一行第一列的位置;“000152-1-2”的分割图像经过识别后,会分布到空白画布中第一行第二列的位置,如此类推,直到分布完81张识别后的分割图像为止。
此外,在本发明的各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施方式,可以理解的是,上述实施方式是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法,其特征在于:包括以下步骤:
步骤S1:采集瓷砖表面的图像;
步骤S2:构建瓷砖表面瑕疵识别模型,并对瓷砖表面瑕疵识别模型进行训练,得到训练后的瓷砖表面瑕疵识别模型;
步骤S3:使用Ultralytics框架对训练后的瓷砖表面瑕疵识别模型进行部署,得到部署后的瓷砖表面瑕疵识别模型;
步骤S4:对瓷砖表面的图像进行分割,得到若干分割图像;
步骤S5:将若干分割图像逐一输入到部署后的瓷砖表面瑕疵识别模型进行识别,输出对应识别后的分割图像,并基于若干识别后的分割图像,获取对应分割图像中瑕疵所在矩阵坐标和类别标识;
步骤S6:将若干识别后的分割图像整合成一张识别后瓷砖表面的图像;
步骤S7:统计识别后瓷砖表面的图像中所有瑕疵的数量,得到总瑕疵量;
步骤S8:根据总瑕疵量,对当前瓷砖进行等级判定,当总瑕疵量小于或等于第一预设值时,当前瓷砖判定为优级品;当总瑕疵量小于或等于第二预设值时,当前瓷砖判定为A级品;当总瑕疵量小于或等于第三预设值时,当前瓷砖判定为B级品;当总瑕疵量大于第三预设值时,当前瓷砖判定为次级品;
步骤S9:根据当前瓷砖的等级,生成相应的分拣命令。
2.根据权利要求1所述的基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法,其特征在于:在步骤S4中,还包括以下步骤:将若干分割图像以“流水号-x-y”的命名方式进行命名,其中,x表示行数,y表示列数。
3.根据权利要求1所述的基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法,其特征在于:在步骤S5中,还包括以下步骤:
步骤S51:根据分割图像中瑕疵所在矩阵坐标数据,确定瓷砖的瑕疵点;
步骤S52:使用分割图像中瑕疵的类别标识数据映射标识字典。
4.根据权利要求2所述的一种基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法,其特征在于:在步骤S6中,具体包括以下子步骤:
步骤S61:构建空白画布;
步骤S62:将若干识别后的分割图像按照各自命名方式中“x-y”的位置合并至空白画布。
5.基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣系统,其特征在于:使用如权利要求1-4任意一项所述基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法,所述系统包括:
采集模块,用于采集瓷砖表面的图像;
构建模块,用于构建瓷砖表面瑕疵识别模型;
模型训练模型,用于对瓷砖表面瑕疵识别模型进行训练,得到训练后的瓷砖表面瑕疵识别模型;
部署模块,用于使用Ultralytics框架对训练后的瓷砖表面瑕疵识别模型进行部署,得到部署后的瓷砖表面瑕疵识别模型;
图像分割模块,用于对瓷砖表面的图像进行分割,得到若干分割图像;
输入模块,用于将若干分割图像逐一输入到部署后的瓷砖表面瑕疵识别模型进行识别;
输出模块,用于输出对应识别后的分割图像;
获取模块,用于基于若干识别后的分割图像,获取对应分割图像中瑕疵所在矩阵坐标和类别标识;
图像整合模块,用于将若干识别后的分割图像整合成一张识别后瓷砖表面的图像;
统计模块,用于统计识别后瓷砖表面的图像中所有瑕疵的数量,得到总瑕疵量;
等级判定模块,用于根据总瑕疵量,对当前瓷砖进行等级判定,当总瑕疵量小于或等于第一预设值时,当前瓷砖判定为优级品;当总瑕疵量小于或等于第二预设值时,当前瓷砖判定为A级品;当总瑕疵量小于或等于第三预设值时,当前瓷砖判定为B级品;当总瑕疵量大于第三预设值时,当前瓷砖判定为次级品;
生成模块,用于根据当前瓷砖的等级,生成相应的分拣命令。
6.根据权利要求5所述的基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣系统,其特征在于:还包括命名模块,用于将若干分割图像以“流水号-x-y”的命名方式进行命名,其中,x表示行数,y表示列数。
7.根据权利要求5所述的基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣系统,其特征在于:还包括:
确定模块,用于根据分割图像中瑕疵所在矩阵坐标数据,确定瓷砖的瑕疵点;
映射模块,用于使用分割图像中瑕疵的类别标识数据映射标识字典。
8.根据权利要求6所述的基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣系统,其特征在于:所述图像整合模块包括:
构建子模块,用于构建空白画布;
合并子模块,用于将若干识别后的分割图像按照各自命名方式中“x-y”的位置合并至空白画布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585093.4A CN117523307B (zh) | 2023-11-24 | 2023-11-24 | 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585093.4A CN117523307B (zh) | 2023-11-24 | 2023-11-24 | 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523307A true CN117523307A (zh) | 2024-02-06 |
CN117523307B CN117523307B (zh) | 2024-04-19 |
Family
ID=89760570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311585093.4A Active CN117523307B (zh) | 2023-11-24 | 2023-11-24 | 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523307B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937583A (zh) * | 2012-10-24 | 2013-02-20 | 浙江工业大学 | 基于单目多视角机器视觉的珍珠光洁度在线自动分级装置 |
CN107977961A (zh) * | 2017-11-24 | 2018-05-01 | 常州大学 | 基于峰值覆盖值和混合特征的纺织品瑕疵检测方法 |
CN111398292A (zh) * | 2020-04-07 | 2020-07-10 | 苏州哈工吉乐优智能装备科技有限公司 | 一种基于gabor滤波和CNN的布匹瑕疵检测方法、系统及设备 |
CN114120037A (zh) * | 2021-11-25 | 2022-03-01 | 中国农业科学院农业信息研究所 | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 |
CN114332041A (zh) * | 2021-12-31 | 2022-04-12 | 柳州缔普智能科技有限公司 | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 |
CN115908409A (zh) * | 2023-01-05 | 2023-04-04 | 京东方科技集团股份有限公司 | 光伏片缺陷的检测方法、检测装置、计算机设备和介质 |
EP4195142A1 (en) * | 2021-12-08 | 2023-06-14 | Fordaq International S.r.l. | System for detecting the defects of the wooden boards and their classification into quality classes |
CN116337887A (zh) * | 2023-01-11 | 2023-06-27 | 上海智能制造功能平台有限公司 | 铸造缸体上表面缺陷检测方法及系统 |
WO2023134286A1 (zh) * | 2022-01-11 | 2023-07-20 | 三门三友科技股份有限公司 | 一种阴极铜在线质量自动检测分类方法 |
-
2023
- 2023-11-24 CN CN202311585093.4A patent/CN117523307B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937583A (zh) * | 2012-10-24 | 2013-02-20 | 浙江工业大学 | 基于单目多视角机器视觉的珍珠光洁度在线自动分级装置 |
CN107977961A (zh) * | 2017-11-24 | 2018-05-01 | 常州大学 | 基于峰值覆盖值和混合特征的纺织品瑕疵检测方法 |
CN111398292A (zh) * | 2020-04-07 | 2020-07-10 | 苏州哈工吉乐优智能装备科技有限公司 | 一种基于gabor滤波和CNN的布匹瑕疵检测方法、系统及设备 |
CN114120037A (zh) * | 2021-11-25 | 2022-03-01 | 中国农业科学院农业信息研究所 | 一种基于改进yolov5模型的发芽马铃薯图像识别方法 |
EP4195142A1 (en) * | 2021-12-08 | 2023-06-14 | Fordaq International S.r.l. | System for detecting the defects of the wooden boards and their classification into quality classes |
CN114332041A (zh) * | 2021-12-31 | 2022-04-12 | 柳州缔普智能科技有限公司 | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 |
WO2023134286A1 (zh) * | 2022-01-11 | 2023-07-20 | 三门三友科技股份有限公司 | 一种阴极铜在线质量自动检测分类方法 |
CN115908409A (zh) * | 2023-01-05 | 2023-04-04 | 京东方科技集团股份有限公司 | 光伏片缺陷的检测方法、检测装置、计算机设备和介质 |
CN116337887A (zh) * | 2023-01-11 | 2023-06-27 | 上海智能制造功能平台有限公司 | 铸造缸体上表面缺陷检测方法及系统 |
Non-Patent Citations (5)
Title |
---|
LI C等: "Multiple structural defect detection for reinforced concrete buildings using YOLOv5s", 《TRANSACTIONS HONG KONG INSTITUTION OF ENGINEERS》, vol. 29, no. 2, 31 December 2022 (2022-12-31), pages 141 - 150 * |
张洋: "基于深度学习的布匹瑕疵检测技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 11, 15 November 2022 (2022-11-15), pages 024 - 34 * |
徐建亮等: "基于机器视觉的电磁阀表面缺陷检测技术研究", 《JOURNAL OF IMAGE AND SIGNAL PROCESSING》, vol. 9, no. 1, 31 December 2019 (2019-12-31), pages 36 - 46 * |
李淑飞等: "基于细化滤波的刀具表面疵病检测方法研究", 《计算机仿真》, no. 7, 15 July 2012 (2012-07-15), pages 316 - 319 * |
王明超: "瓷砖表面瑕疵检测方法的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 6, 15 June 2018 (2018-06-15), pages 138 - 1891 * |
Also Published As
Publication number | Publication date |
---|---|
CN117523307B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508741B (zh) | 基于深度学习筛选训练集的方法 | |
CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN102567300B (zh) | 图片文档的处理方法及装置 | |
CN109815998A (zh) | 一种基于yolo算法的ai装维巡检方法及系统 | |
CN109142383B (zh) | 一种基于形态学的字符缺陷检测方法 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN102156868A (zh) | 图像二值化方法和装置 | |
CN108447050A (zh) | 一种基于超像素的工件表面缺陷分割方法 | |
CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
CN107292936B (zh) | 一种汉字字体矢量化方法 | |
CN108133216A (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN115345849A (zh) | 一种基于Mask-RCNN算法的选矿摇床矿带分析模型 | |
CN115761773A (zh) | 基于深度学习的图像内表格识别方法及系统 | |
CN117523307B (zh) | 基于opc和瓷砖表面瑕疵识别模型的瓷砖分拣方法及系统 | |
CN110619297A (zh) | 一种豆类植物子实图像批量采集识别方法及装置 | |
CN110443166A (zh) | 一种雾霾天气的车牌识别方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN111259972B (zh) | 一种基于级联分类器的浮选气泡识别的方法 | |
CN112686872A (zh) | 基于深度学习的木材计数方法 | |
CN206139529U (zh) | 透明滚轴机构 | |
CN1265324C (zh) | 基于相邻边缘点距离统计的文字图象分割方法 | |
CN113780069B (zh) | 一种汇流场景下的车道线分离绘制方法及装置 | |
CN114066861B (zh) | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 |
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 |