CN117830237A - 一种缺陷检测方法及皮革缺陷智能检测系统 - Google Patents

一种缺陷检测方法及皮革缺陷智能检测系统 Download PDF

Info

Publication number
CN117830237A
CN117830237A CN202311770482.4A CN202311770482A CN117830237A CN 117830237 A CN117830237 A CN 117830237A CN 202311770482 A CN202311770482 A CN 202311770482A CN 117830237 A CN117830237 A CN 117830237A
Authority
CN
China
Prior art keywords
image
leather
detection
target
abnormal
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
Application number
CN202311770482.4A
Other languages
English (en)
Other versions
CN117830237B (zh
Inventor
周昀喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidi Shi Quality Testing Technology Service Dongguan Co ltd
Original Assignee
Xidi Shi Quality Testing Technology Service Dongguan Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidi Shi Quality Testing Technology Service Dongguan Co ltd filed Critical Xidi Shi Quality Testing Technology Service Dongguan Co ltd
Priority to CN202311770482.4A priority Critical patent/CN117830237B/zh
Publication of CN117830237A publication Critical patent/CN117830237A/zh
Application granted granted Critical
Publication of CN117830237B publication Critical patent/CN117830237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/431—Frequency domain transformation; Autocorrelation
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种缺陷检测方法及皮革缺陷智能检测系统，涉及皮革缺陷检测技术领域，为了解决皮革缺陷检测的准确性。本发明进行划痕检测、裂纹检测、压痕检测和污染检测，可以发现皮革表面涂层潜在的缺陷和问题，提高了皮革产品的可靠性和使用寿命，过检测压痕的深度、形状和分布，可以判断皮革的厚度、硬度、弹性以及抗磨损性能，这有助于确保皮革产品的质量和一致性，将采集的皮革图像进行偏斜度、清晰度和失真度检测，有助于消除模糊或不清晰的图像，并提升图像质量，提高图像在后续处理和分析中的可用性，进行小波分解可以保证信号在分解过程中没有信息损失和冗余信息，具有良好的重构能力。

Description

一种缺陷检测方法及皮革缺陷智能检测系统
技术领域
本发明涉及皮革缺陷检测技术领域，具体为一种缺陷检测方法及皮革缺陷智能检测系统。
背景技术
皮革缺陷检测是通过对皮革表面进行观察和分析，发现并测量各种缺陷和问题。
公开号为CN115170547A的中国专利公开了一种皮革缺陷检测方法、系统及装置，主要通过一种动物皮革缺陷样本预训练好的皮革缺陷检测模型迁移到另外一种动物皮革缺陷检测模型上，可用来解决数据集数量不足问题，能提高算法效率；并且该缺陷检测方法具有较高的准确性、稳定性以及鲁棒性，上述专利虽然解决了缺陷检测的问题，但是实际操作中还存在以下问题：
1.没有根据缺陷的数量对皮革的合格率进行准确的判断，从而导致企业资金损失。
2.没有对进行更全面以及更深层次的检测，从而导致皮革缺陷检测不全面。
3.皮革的图像进行采集后没有将采集的图像进行进一步的图像处理，从而使图像的质量不佳导致缺陷检测不准确。
4.当皮革进行缺陷检测之前，没有将每个皮革进行唯一编码标号，从而导致后期检测出皮革存有缺陷时，无法将缺陷检测数据与缺陷皮革进行精准对应的问题。
发明内容
本发明的目的在于提供一种缺陷检测方法及皮革缺陷智能检测系统，进行划痕检测、裂纹检测、压痕检测和污染检测，可以发现皮革表面涂层潜在的缺陷和问题，提高了皮革产品的可靠性和使用寿命，过检测压痕的深度、形状和分布，可以判断皮革的厚度、硬度、弹性以及抗磨损性能等，这有助于确保皮革产品的质量和一致性，将采集的皮革图像进行偏斜度、清晰度和失真度检测，有助于消除模糊或不清晰的图像，并提升图像质量，提高图像在后续处理和分析中的可用性，进行小波分解可以保证信号在分解过程中没有信息损失和冗余信息，具有良好的重构能力，可以解决现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：
一种缺陷检测方法，包括如下步骤：
S1：当皮革进行缺陷检测时，将皮革放置在缺陷检测器上，缺陷检测装置对皮革进行图像采集；
S2：将采集的皮革图像进行图像处理，并将图像处理完成的图像标注为目标皮革图像；
S3：将目标皮革图像与标准皮革图像进行对比检测，其中，对比检测的内容包括划痕检测、裂纹检测、压痕检测和污染检测，并将检测结果标注为目标检测数据；
S4：将目标检测数据进行皮革合格率判定，根据判定结果确定皮革是否为合格成品皮革。
优选的，针对S1中对缺陷检测器上皮革的图像采集，用于：
当皮革放置在缺陷检测器上时，将每个皮革进行唯一编码标号，其中，唯一编码标号包括该皮革的型号、检测时间和一组随机号；
皮革的唯一编码标号形成后通过缺陷检测器上的摄像装置对该皮革进行图像捕捉；
将捕捉的图像与该皮革的唯一编码标号进行对应。
优选的，所述皮革的唯一编码标号形成后通过缺陷检测器上的摄像装置对该皮革进行图像捕捉，包括：
获取缺陷检测器上的摄像装置的第一位置信息和皮革展示台的第二位置信息，确定第一位置信息和第二位置信息之间的相对位置信息；
获取皮革在皮革展示台中的动态移动轨迹，并基于动态移动轨迹，结合皮革姿态，确定皮革在皮革展示台的动态姿态轨迹；
对所述动态姿态轨迹按照预设采样频率进行采样，得到多个采集粗图像；
基于皮革全貌特征，对多个采集粗图像进行匹配，得到多组可以覆盖皮革全貌特征的粗图像组；
基于相对位置信息，获取按照粗图像组捕捉皮革时，摄像装置的摄像捕捉信息，从摄像捕捉信息中获取摄像装置的拍摄时间和拍摄角度组成的时间-角度序列特征；
基于摄像装置的摄像拍摄特征，对每组粗图像组对应的时间-角度序列特征进行评估，根据评估结果选取出最优粗图像组；
按照所述最优粗图像组确定摄像装置对皮革的目标拍摄时间和目标拍摄角度，并按照目标拍摄时间和目标拍摄角度对皮革进行图像捕捉，得到多个捕捉图像；
基于皮革全貌特征，对所述多个捕捉图像进行特征验证，判断捕捉图像是否全部包含皮革全貌特征；
若是，确定捕捉图像合格，可作为皮革图像进行之后的图像处理；
否则，确定捕捉图像不合格，并进行预警提醒。
优选的，针对S2中采集图像的图像处理，用于：
将采集的图像依次进行图像质量处理和图像变换处理；
其中，图像质量处理为将采集的图像分别进行偏斜度、清晰度和失真度检测；
偏斜度检测为通过边缘检测法对采集图像中的边缘信息进行检测，并根据检测的边缘信息计算该采集图像的偏斜度；
将采集的图像偏斜度与标准图像偏斜度进行数值调整，其中，数值调整为若采集的图像偏斜度数值与标准图像偏斜度数值不一致时，将采集的图像偏斜度数值调整至与标准图像偏斜度数值一致；
再将偏斜度调整完成的采集图像进行清晰度的数值调整；
将清晰度调整完成的图像进行失真度的数值调整；
偏斜度、清晰度和失真度分别调整完成后得到第一处理图像数据。
优选的，针对S2中采集图像的图像处理，还用于：
将第一处理图像数据进行图像变换处理；
将第一处理图像数据通过小波分解将第一处理图像数据从小波域转换至频率域，其中，从小波域转换至频率域时是通过将第一处理图像数据分解成若干个子带；
根据子带得到第一处理图像数据在不同尺度上的特征数据；
根据特征数据将第一处理图像数据进行系数处理，其中，系数处理为图像增强处理；
系数处理完成后得到第二处理图像数据，并将第二处理图像数据标注为目标皮革图像。
优选的，针对S3中将目标皮革图像与标准皮革图像进行的对比检测，用于：
将标准皮革图像从数据库中进行调取，其中，标准皮革图像分别为标准无划痕图像、标准无裂纹图像、标准无压痕图像和标准无污染图像；
将目标皮革图像与标准无划痕图像进行图像对比检测；
其中，将目标皮革图像通过图像处理技术中的边缘检测法进行划痕图像识别；
划痕图像识别后与标准无划痕图像进行划痕对比；
根据对比结果识别目标皮革图像中是否有划痕区域；
若有划痕区域，将划痕区域的长度和位置进行标注，并将该目标皮革图像标注为第一异常划痕图像；
若没有划痕区域，将该目标皮革图像标注为第一无异常划痕图像。
优选的，针对S3中将目标皮革图像与标准皮革图像进行的对比检测，还用于：
将目标皮革图像通过图像处理技术中的形态学进行裂纹识别；
其中，通过形态学对目标皮革图像进行二值化处理；
二值化处理后得到目标皮革图像中的裂纹图像；
将裂纹图像与标准无裂纹图像进行裂纹对比；
根据对比结果判断目标皮革图像中是否有裂纹区域；
若有裂纹区域，将裂纹区域的形状和大小进行标注，并将该目标皮革图像标注为第一异常裂纹图像；
若没有裂纹区域，将该目标皮革图像标注为第一无异常裂纹图像；
将目标皮革图像通过图像处理技术中的灰度共生矩阵进行压痕识别；
其中，通过灰度共生矩阵计算目标皮革图像中皮革的纹理特征；
纹理特征计算后得到压痕图像；
将压痕图像与标准无压痕图像进行压痕对比；
根据对比结果判断目标皮革图像中是否有压痕区域；
若有压痕区域，将压痕区域的位置和深度进行标注，并将该目标皮革图像标注为第一异常压痕图像；
若没有压痕区域，将该目标皮革图像标注为第一无异常压痕图像。
优选的，针对S3中将目标皮革图像与标准皮革图像进行的对比检测，还用于：
将目标皮革图像通过图像处理技术中的颜色分割进行污染识别；
其中，通过颜色分割将目标皮革图像进行色彩的分割；
色彩分割后得到污染图像；
将污染图像与标准无污染图像进行污染对比；
根据对比结果判断目标皮革图像中是否有污染区域；
若有污染区域，将污染区域的位置和大小进行标注，并将该目标皮革图像标注为第一异常污染图像；
若没有污染区域，将该目标皮革图像标注为第一无异常污染图像；
将第一无异常污染图像、第一无异常划痕图像、第一无异常裂纹图像和第一无异常压痕图像统一称作为合格检测图像；
将第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像统一称作为非合格检测图像；
合格检测图像和非合格检测图像统称为目标监测数据。
优选的，针对S4中将目标检测数据进行皮革合格率判定，根据判定结果确定皮革是否为合格成品皮革，包括：
基于目标检测数据判断是否存在非合格检测数据；
若是，需要对皮革进行合格率检测；
否则，确定皮革为合格成品皮革；
当需要对皮革进行合格率检测时，从目标检测数据中获取皮革的第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像；
基于第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像的数量，并根据如下公式计算皮革的第一合格率K1；
其中，n1表示第一异常污染图像的数量，α表示污染权重，取值为(0，1)，n2表示第一异常划痕图像的数量，β表示划痕权重，取值为(0，1)，n3表示第一异常裂纹图像的数量，γ表示划痕权重，取值为(0，1)，n4表示第一异常压痕图像的数量，δ表示压痕权重，取值为(0，1)，n0表示皮革的全部图像数量；
判断所述第一合格率是否大于第一预设合格率；
若是，需要对皮革进行进一步检测；
否则，确定皮革为不合格皮革；
当需要对皮革进行进一步检测时，从目标检测数据总获取划痕检测、裂纹检测、压痕检测和污染检测对应的标注数据，根据标注数据确定划痕程度，裂纹程度，压痕程度和污染程度；
基于污染程度，划痕程度，裂纹程度和压痕程度，并根据如下公式计算皮革的第二合格率K2；
其中，A表示皮革的污染程度，B表示皮革的划痕程度，C表示皮革的裂纹程度，D表示皮革的压痕程度，G表示综合参考程度；
判断所述第二合格率是否大于第二预设合格率；
若是，确定皮革为合格皮革；
否则，确定皮革为不合格皮革。
一种皮革缺陷智能检测系统，包括：
缺陷检测判断模块，用于：
将目标监测数据中的检测合格图像和检测不合格图像分别进行确认；
将检测合格图像的数量进行百分比换算；
将检测不合格图像的数据进行百分比换算；
其中，百分比换算根据该皮革捕捉照片的总数量进行换算；
将两组百分比换算的数据分别进行获取；
判断结果区分模块，用于：
将检测合格图像的数量百分比与检测不合格图像的数量百分比导入出厂皮革规则中，其中，出厂皮革规则从数据库中进行提取；
根据百分比的范围值对应出厂皮革规则中的合格率；
若检测合格图像的数量百分比高于出厂皮革规则中的合格率，并且检测不合格图像的数量百分比低于出厂皮革规则中的合格率，则该检测图像对应的皮革为合格皮革；
若检测合格图像的数量百分比低于出厂皮革规则中的合格率，同时检测不合格图像的数量百分比高于出厂皮革规则中的合格率，则该检测图像对应的皮革为不合格皮革。
与现有技术相比，本发明的有益效果如下：
1.本发明提供的一种缺陷检测方法及皮革缺陷智能检测系统，将采集的皮革图像进行偏斜度、清晰度和失真度检测，有助于消除模糊或不清晰的图像，并提升图像质量，确保图像的准确性和可靠性，提高图像在后续处理和分析中的可用性，进行小波分解可以保证信号在分解过程中没有信息损失和冗余信息，具有良好的重构能力，小波分解可以将图像分解成多个子带，具有多尺度分解的能力，可以同时获得图像在时间和频率上的信息。
2.本发明提供的一种缺陷检测方法及皮革缺陷智能检测系统，进行划痕检测、裂纹检测、压痕检测和污染检测，可以发现皮革表面涂层潜在的缺陷和问题，及时采取措施加以修复和改善，提高了皮革产品的可靠性和使用寿命，过检测压痕的深度、形状和分布，可以判断皮革的厚度、硬度、弹性以及抗磨损性能等，这有助于确保皮革产品的质量和一致性。
3.本发明提供的一种缺陷检测方法及皮革缺陷智能检测系统，分比换算根据该皮革捕捉照片的总数量进行换算，进一步提高了缺陷检测的皮革的合格程度和不合格程度，通过判断结果区分模块将检测合格和检测不合格的百分比分别进行合格率判断，根据合格率可以准确的判断缺陷检测的皮革是否可以成为可出厂的皮革。
附图说明
图1为本发明的整体方法示意图；
图2为本发明的整体流程示意图。
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。
为了解决现有技术中，皮革的图像进行采集后没有将采集的图像进行进一步的图像处理，从而使图像的质量不佳导致缺陷检测不准确的问题，请参阅图1和图2，本实施例中提供以下技术方案：
一种缺陷检测方法，包括如下步骤：
S1：当皮革进行缺陷检测时，将皮革放置在缺陷检测器上，缺陷检测装置对皮革进行图像采集；
其中，将进行缺陷检测的皮革进行唯一编码标号可以有效的提高后期对有缺陷皮革查询的效率；
S2：将采集的皮革图像进行图像处理，并将图像处理完成的图像标注为目标皮革图像；
其中，皮革图像进行图像处理可以适应图像在不同方向上的变化，更好地提取图像的特征，有助于确保图像的准确性和可靠性，提高图像在后续处理和分析中的可用性；
S3：将目标皮革图像与标准皮革图像进行对比检测，其中，对比检测的内容包括划痕检测、裂纹检测、压痕检测和污染检测，并将检测结果标注为目标检测数据；
其中，进行划痕检测、裂纹检测、压痕检测和污染检测有助于确保皮革产品的质量和一致性；
S4：将目标检测数据进行皮革合格率判定，根据判定结果确定皮革是否为合格成品皮革；
其中，根据合格率可以准确的判断缺陷检测的皮革是否可以成为可出厂的皮革。
针对S1中对缺陷检测器上皮革的图像采集，用于：
当皮革放置在缺陷检测器上时，将每个皮革进行唯一编码标号，其中，唯一编码标号包括该皮革的型号、检测时间和一组随机号；
皮革的唯一编码标号形成后通过缺陷检测器上的摄像装置对该皮革进行图像捕捉；
将捕捉的图像与该皮革的唯一编码标号进行对应。
具体的，将进行缺陷检测的皮革进行唯一编码标号可以有效的提高后期对有缺陷皮革查询的效率，其中，将皮革的型号进行确认可以有效的保证不同型号皮革进行不同的缺陷检测，将检测时间进行确认可以有效的保证当皮革出现缺陷后根据检测时间对皮革进行检索，进行一组随机号的确认可以有效保证每个皮革都有专属的标号，降低了皮革因标号重复导致的搜索异常的问题。
在一个实施例中，所述皮革的唯一编码标号形成后通过缺陷检测器上的摄像装置对该皮革进行图像捕捉，包括：
获取缺陷检测器上的摄像装置的第一位置信息和皮革展示台的第二位置信息，确定第一位置信息和第二位置信息之间的相对位置信息；
获取皮革在皮革展示台中的动态移动轨迹，并基于动态移动轨迹，结合皮革姿态，确定皮革在皮革展示台的动态姿态轨迹；
对所述动态姿态轨迹按照预设采样频率进行采样，得到多个采集粗图像；
基于皮革全貌特征，对多个采集粗图像进行匹配，得到多组可以覆盖皮革全貌特征的粗图像组；
基于相对位置信息，获取按照粗图像组捕捉皮革时，摄像装置的摄像捕捉信息，从摄像捕捉信息中获取摄像装置的拍摄时间和拍摄角度组成的时间-角度序列特征；
基于摄像装置的摄像拍摄特征，对每组粗图像组对应的时间-角度序列特征进行评估，根据评估结果选取出最优粗图像组；
按照所述最优粗图像组确定摄像装置对皮革的目标拍摄时间和目标拍摄角度，并按照目标拍摄时间和目标拍摄角度对皮革进行图像捕捉，得到多个捕捉图像；
基于皮革全貌特征，对所述多个捕捉图像进行特征验证，判断捕捉图像是否全部包含皮革全貌特征；
若是，确定捕捉图像合格，可作为皮革图像进行之后的图像处理；
否则，确定捕捉图像不合格，并进行预警提醒。
在该实施例中，皮革展示台可进行平行移动和旋转移动，便于得到皮革全面的数据特征。
在该实施例中，动态移动轨迹为皮革的移动位置特征，动态姿态轨迹为皮革在移动过程的姿态特征。
在该实施例中，粗图像为对皮革的粗拍摄，仅用于识别皮革全貌特征。
在该实施例中，覆盖皮革全貌特征的粗图像组为多组。
在该实施例中，时间-角度序列特征为拍摄装置的在步骤皮革过程中多测拍摄的时间和拍摄角度组成的序列。
上述设计方案的有益效果是：通过基于缺陷检测器上的摄像装置的位置信息和皮革展示台的位置信息为基础，以皮革全貌特征为评判依据，以摄像装置的摄像拍摄特征为优化依据，来选取得到合理的捕捉皮革图像的方式，保证得到的皮革图像的特征全面性，为皮革图像的进一步处理和缺陷检测提供高质量的图像基础。
针对S2中采集图像的图像处理，用于：
将采集的图像依次进行图像质量处理和图像变换处理；
其中，图像质量处理为将采集的图像分别进行偏斜度、清晰度和失真度检测；
偏斜度检测为通过边缘检测法对采集图像中的边缘信息进行检测，并根据检测的边缘信息计算该采集图像的偏斜度；
将采集的图像偏斜度与标准图像偏斜度进行数值调整，其中，数值调整为若采集的图像偏斜度数值与标准图像偏斜度数值不一致时，将采集的图像偏斜度数值调整至与标准图像偏斜度数值一致；
再将偏斜度调整完成的采集图像进行清晰度的数值调整；
将清晰度调整完成的图像进行失真度的数值调整；
偏斜度、清晰度和失真度分别调整完成后得到第一处理图像数据。
具体的，将采集的皮革图像进行偏斜度的检测可以保证图像在校正偏斜后更加准确和可靠，将采集的图像进行清晰度的检测有助于消除模糊或不清晰的图像，并提升图像质量，将图像进行失真度的检测可以对图像进行失真度调整，减少或消除图像的失真，有助于确保图像的准确性和可靠性，提高图像在后续处理和分析中的可用性。
针对S2中采集图像的图像处理，还用于：
将第一处理图像数据进行图像变换处理；
将第一处理图像数据通过小波分解将第一处理图像数据从小波域转换至频率域，其中，从小波域转换至频率域时是通过将第一处理图像数据分解成若干个子带；
根据子带得到第一处理图像数据在不同尺度上的特征数据；
根据特征数据将第一处理图像数据进行系数处理，其中，系数处理为图像增强处理；
系数处理完成后得到第二处理图像数据，并将第二处理图像数据标注为目标皮革图像。
具体的，将偏斜度、清晰度和失真度检测完成的图像进行小波分解可以保证信号在分解过程中没有信息损失和冗余信息，具有良好的重构能力，小波分解可以将图像分解成多个子带，具有多尺度分解的能力，可以同时获得图像在时间和频率上的信息，小波变换具有方向性，可以适应图像在不同方向上的变化，更好地提取图像的特征，同时，可以有效地去除图像中的噪声，对于图像去噪处理具有很好的效果。
为了解决现有技术中，将皮革进行缺陷检测时，没有对进行更全面以及更深层次的检测，从而导致皮革缺陷检测不全面的问题，请参阅图1和图2，本实施例中提供以下技术方案：
针对S3中将目标皮革图像与标准皮革图像进行的对比检测，用于：
将标准皮革图像从数据库中进行调取，其中，标准皮革图像分别为标准无划痕图像、标准无裂纹图像、标准无压痕图像和标准无污染图像；
将目标皮革图像与标准无划痕图像进行图像对比检测；
其中，将目标皮革图像通过图像处理技术中的边缘检测法进行划痕图像识别；
划痕图像识别后与标准无划痕图像进行划痕对比；
根据对比结果识别目标皮革图像中是否有划痕区域；
若有划痕区域，将划痕区域的长度和位置进行标注，并将该目标皮革图像标注为第一异常划痕图像；
若没有划痕区域，将该目标皮革图像标注为第一无异常划痕图像。
将目标皮革图像通过图像处理技术中的形态学进行裂纹识别；
其中，通过形态学对目标皮革图像进行二值化处理；
二值化处理后得到目标皮革图像中的裂纹图像；
将裂纹图像与标准无裂纹图像进行裂纹对比；
根据对比结果判断目标皮革图像中是否有裂纹区域；
若有裂纹区域，将裂纹区域的形状和大小进行标注，并将该目标皮革图像标注为第一异常裂纹图像；
若没有裂纹区域，将该目标皮革图像标注为第一无异常裂纹图像；
将目标皮革图像通过图像处理技术中的灰度共生矩阵进行压痕识别；
其中，通过灰度共生矩阵计算目标皮革图像中皮革的纹理特征；
纹理特征计算后得到压痕图像；
将压痕图像与标准无压痕图像进行压痕对比；
根据对比结果判断目标皮革图像中是否有压痕区域；
若有压痕区域，将压痕区域的位置和深度进行标注，并将该目标皮革图像标注为第一异常压痕图像；
若没有压痕区域，将该目标皮革图像标注为第一无异常压痕图像。
将目标皮革图像通过图像处理技术中的颜色分割进行污染识别；
其中，通过颜色分割将目标皮革图像进行色彩的分割；
色彩分割后得到污染图像；
将污染图像与标准无污染图像进行污染对比；
根据对比结果判断目标皮革图像中是否有污染区域；
若有污染区域，将污染区域的位置和大小进行标注，并将该目标皮革图像标注为第一异常污染图像；
若没有污染区域，将该目标皮革图像标注为第一无异常污染图像；
将第一无异常污染图像、第一无异常划痕图像、第一无异常裂纹图像和第一无异常压痕图像统一称作为合格检测图像；
将第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像统一称作为非合格检测图像；
合格检测图像和非合格检测图像统称为目标监测数据。
具体的，先将目标皮革图像通过边缘检测法进行划痕图像，边缘检测能够将图像中的局部变化突出，从而提供图像的划痕信息，有效地增强图像中的边缘，使边缘更加明显，从而提高了图像的清晰度和视觉效果，将皮革进行划痕检测可以保持皮革表面的完整性和美观度，划痕可能会导致细菌滋生，对皮革造成损害。及时检测和修复划痕可以避免细菌滋生，保护皮革免受损坏，将目标皮革图像进行压痕检测，压痕检测可以评估皮革的质量，通过检测压痕的深度、形状和分布，可以判断皮革的厚度、硬度、弹性以及抗磨损性能等，这有助于确保皮革产品的质量和一致性，压痕检测可以优化皮革的加工过程。在皮革加工过程中，压痕是由于压力和温度等因素引起的。通过对压痕进行检测和分析，可以调整加工参数，如压力、温度和时间等，以优化皮革的加工过程并提高产品质量，将目标皮革图像进行裂纹检测可以准确地测量和评估皮革表面的裂纹情况，避免了人为因素对检测结果的影响，可以快速地检测大量的皮革样品，提高了检测效率，节省了时间和人力，裂纹检测可以发现皮革表面涂层潜在的缺陷和问题，及时采取措施加以修复和改善，提高了皮革产品的可靠性和使用寿命，将目标皮革图像进行污染检测可以更快速的发现皮革表面是否有染色不均匀或者异物附着的问题，进一步的提高了皮革的生产质量。
在一个实施例中，针对S4中将目标检测数据进行皮革合格率判定，根据判定结果确定皮革是否为合格成品皮革，包括：
基于目标检测数据判断是否存在非合格检测数据；
若是，需要对皮革进行合格率检测；
否则，确定皮革为合格成品皮革；
当需要对皮革进行合格率检测时，从目标检测数据中获取皮革的第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像；
基于第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像的数量，并根据如下公式计算皮革的第一合格率K1；
其中，n1表示第一异常污染图像的数量，α表示污染权重，取值为(0，1)，n2表示第一异常划痕图像的数量，β表示划痕权重，取值为(0，1)，n3表示第一异常裂纹图像的数量，γ表示裂纹权重，取值为(0，1)，n4表示第一异常压痕图像的数量，δ表示压痕权重，取值为(0，1)，n0表示皮革的全部图像数量；
判断所述第一合格率是否大于第一预设合格率；
若是，需要对皮革进行进一步检测；
否则，确定皮革为不合格皮革；
当需要对皮革进行进一步检测时，从目标检测数据总获取划痕检测、裂纹检测、压痕检测和污染检测对应的标注数据，根据标注数据确定划痕程度，裂纹程度，压痕程度和污染程度；
基于污染程度，划痕程度，裂纹程度和压痕程度，并根据如下公式计算皮革的第二合格率K2；
其中，A表示皮革的污染程度，B表示皮革的划痕程度，C表示皮革的裂纹程度，D表示皮革的压痕程度，G表示综合参考程度；
判断所述第二合格率是否大于第二预设合格率；
若是，确定皮革为合格皮革；
否则，确定皮革为不合格皮革。
在该实施例中，划痕程度，裂纹程度，压痕程度和污染程度根据大小，深度，面积等来综合确定，取值为(0，1)。
在该实施例中，第一预设合格率用于皮革的初始判断，第二预设合格率用于匹配的精确判断。
在该实施例中，污染权重，划痕权重，裂纹权重和压痕权重为根据皮革的具体检测来预先设定得到。
上述设计方案的有益效果是：通过根据浴场图像的数量来对皮革进行初步的合格检测，并根据标注数据来对皮革进行进一步精确的合格检测，保证最终得到的确定皮革合格率的准确性，为皮革的高质量生产提供基础。
为了解决现有技术中，确定了皮革的缺陷后，没有根据缺陷的数量对皮革的合格率进行准确的判断，从而导致企业资金损失的问题，请参阅图1和图2，本实施例中提供以下技术方案：
一种皮革缺陷智能检测系统，包括：
缺陷检测判断模块，用于：
将目标监测数据中的检测合格图像和检测不合格图像分别进行确认；
将检测合格图像的数量进行百分比换算；
将检测不合格图像的数据进行百分比换算；
其中，百分比换算根据该皮革捕捉照片的总数量进行换算；
将两组百分比换算的数据分别进行获取；
判断结果区分模块，用于：
将检测合格图像的数量百分比与检测不合格图像的数量百分比导入出厂皮革规则中，其中，出厂皮革规则从数据库中进行提取；
根据百分比的范围值对应出厂皮革规则中的合格率；
若检测合格图像的数量百分比高于出厂皮革规则中的合格率，并且检测不合格图像的数量百分比低于出厂皮革规则中的合格率，则该检测图像对应的皮革为合格皮革；
若检测合格图像的数量百分比低于出厂皮革规则中的合格率，同时检测不合格图像的数量百分比高于出厂皮革规则中的合格率，则该检测图像对应的皮革为不合格皮革。
具体的，通过缺陷检测判断模块将检测合格和检测不合格分别进行百分比换算，同时，百分比换算根据该皮革捕捉照片的总数量进行换算，进一步提高了缺陷检测的皮革的合格程度和不合格程度，通过判断结果区分模块将检测合格和检测不合格的百分比分别进行合格率判断，根据合格率可以准确的判断缺陷检测的皮革是否可以成为可出厂的皮革，其中，皮革的缺陷程度和数量不能成为出厂的硬性标准，当皮革的合格率高于标准并且不合格率低于标准时，该皮革也可以成为出厂皮革。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种缺陷检测方法，其特征在于，包括如下步骤：
S1：当皮革进行缺陷检测时，将皮革放置在缺陷检测器上，缺陷检测装置对皮革进行图像采集；
S2：将采集的皮革图像进行图像处理，并将图像处理完成的图像标注为目标皮革图像；
S3：将目标皮革图像与标准皮革图像进行对比检测，其中，对比检测的内容包括划痕检测、裂纹检测、压痕检测和污染检测，并将检测结果标注为目标检测数据；
S4：将目标检测数据进行皮革合格率判定，根据判定结果确定皮革是否为合格成品皮革。
2.根据权利要求1所述的一种缺陷检测方法，其特征在于：针对S1中对缺陷检测器上皮革的图像采集，用于：
当皮革放置在缺陷检测器上时，将每个皮革进行唯一编码标号，其中，唯一编码标号包括该皮革的型号、检测时间和一组随机号；
皮革的唯一编码标号形成后通过缺陷检测器上的摄像装置对该皮革进行图像捕捉；
将捕捉的图像与该皮革的唯一编码标号进行对应。
3.根据权利要求2所述的一种缺陷检测方法，其特征在于：所述皮革的唯一编码标号形成后通过缺陷检测器上的摄像装置对该皮革进行图像捕捉，包括：
获取缺陷检测器上的摄像装置的第一位置信息和皮革展示台的第二位置信息，确定第一位置信息和第二位置信息之间的相对位置信息；
获取皮革在皮革展示台中的动态移动轨迹，并基于动态移动轨迹，结合皮革姿态，确定皮革在皮革展示台的动态姿态轨迹；
对所述动态姿态轨迹按照预设采样频率进行采样，得到多个采集粗图像；
基于皮革全貌特征，对多个采集粗图像进行匹配，得到多组可以覆盖皮革全貌特征的粗图像组；
基于相对位置信息，获取按照粗图像组捕捉皮革时，摄像装置的摄像捕捉信息，从摄像捕捉信息中获取摄像装置的拍摄时间和拍摄角度组成的时间-角度序列特征；
基于摄像装置的摄像拍摄特征，对每组粗图像组对应的时间-角度序列特征进行评估，根据评估结果选取出最优粗图像组；
按照所述最优粗图像组确定摄像装置对皮革的目标拍摄时间和目标拍摄角度，并按照目标拍摄时间和目标拍摄角度对皮革进行图像捕捉，得到多个捕捉图像；
基于皮革全貌特征，对所述多个捕捉图像进行特征验证，判断捕捉图像是否全部包含皮革全貌特征；
若是，确定捕捉图像合格，可作为皮革图像进行之后的图像处理；
否则，确定捕捉图像不合格，并进行预警提醒。
4.根据权利要求2所述的一种缺陷检测方法，其特征在于：针对S2中采集图像的图像处理，用于：
将采集的图像依次进行图像质量处理和图像变换处理；
其中，图像质量处理为将采集的图像分别进行偏斜度、清晰度和失真度检测；
偏斜度检测为通过边缘检测法对采集图像中的边缘信息进行检测，并根据检测的边缘信息计算该采集图像的偏斜度；
将采集的图像偏斜度与标准图像偏斜度进行数值调整，其中，数值调整为若采集的图像偏斜度数值与标准图像偏斜度数值不一致时，将采集的图像偏斜度数值调整至与标准图像偏斜度数值一致；
再将偏斜度调整完成的采集图像进行清晰度的数值调整；
将清晰度调整完成的图像进行失真度的数值调整；
偏斜度、清晰度和失真度分别调整完成后得到第一处理图像数据。
5.根据权利要求4所述的一种缺陷检测方法，其特征在于：针对S2中采集图像的图像处理，还用于：
将第一处理图像数据进行图像变换处理；
将第一处理图像数据通过小波分解将第一处理图像数据从小波域转换至频率域，其中，从小波域转换至频率域时是通过将第一处理图像数据分解成若干个子带；
根据子带得到第一处理图像数据在不同尺度上的特征数据；
根据特征数据将第一处理图像数据进行系数处理，其中，系数处理为图像增强处理；
系数处理完成后得到第二处理图像数据，并将第二处理图像数据标注为目标皮革图像。
6.根据权利要求5所述的一种缺陷检测方法，其特征在于：针对S3中将目标皮革图像与标准皮革图像进行的对比检测，用于：
将标准皮革图像从数据库中进行调取，其中，标准皮革图像分别为标准无划痕图像、标准无裂纹图像、标准无压痕图像和标准无污染图像；
将目标皮革图像与标准无划痕图像进行图像对比检测；
其中，将目标皮革图像通过图像处理技术中的边缘检测法进行划痕图像识别；
划痕图像识别后与标准无划痕图像进行划痕对比；
根据对比结果识别目标皮革图像中是否有划痕区域；
若有划痕区域，将划痕区域的长度和位置进行标注，并将该目标皮革图像标注为第一异常划痕图像；
若没有划痕区域，将该目标皮革图像标注为第一无异常划痕图像。
7.根据权利要求6所述的一种缺陷检测方法，其特征在于：针对S3中将目标皮革图像与标准皮革图像进行的对比检测，还用于：
将目标皮革图像通过图像处理技术中的形态学进行裂纹识别；
其中，通过形态学对目标皮革图像进行二值化处理；
二值化处理后得到目标皮革图像中的裂纹图像；
将裂纹图像与标准无裂纹图像进行裂纹对比；
根据对比结果判断目标皮革图像中是否有裂纹区域；
若有裂纹区域，将裂纹区域的形状和大小进行标注，并将该目标皮革图像标注为第一异常裂纹图像；
若没有裂纹区域，将该目标皮革图像标注为第一无异常裂纹图像；
将目标皮革图像通过图像处理技术中的灰度共生矩阵进行压痕识别；
其中，通过灰度共生矩阵计算目标皮革图像中皮革的纹理特征；
纹理特征计算后得到压痕图像；
将压痕图像与标准无压痕图像进行压痕对比；
根据对比结果判断目标皮革图像中是否有压痕区域；
若有压痕区域，将压痕区域的位置和深度进行标注，并将该目标皮革图像标注为第一异常压痕图像；
若没有压痕区域，将该目标皮革图像标注为第一无异常压痕图像。
8.根据权利要求6所述的一种缺陷检测方法，其特征在于：针对S3中将目标皮革图像与标准皮革图像进行的对比检测，还用于：
将目标皮革图像通过图像处理技术中的颜色分割进行污染识别；
其中，通过颜色分割将目标皮革图像进行色彩的分割；
色彩分割后得到污染图像；
将污染图像与标准无污染图像进行污染对比；
根据对比结果判断目标皮革图像中是否有污染区域；
若有污染区域，将污染区域的位置和大小进行标注，并将该目标皮革图像标注为第一异常污染图像；
若没有污染区域，将该目标皮革图像标注为第一无异常污染图像；
将第一无异常污染图像、第一无异常划痕图像、第一无异常裂纹图像和第一无异常压痕图像统一称作为合格检测图像；
将第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像统一称作为非合格检测图像；
合格检测图像和非合格检测图像统称为目标监测数据。
9.根据权利要求8所述的一种缺陷检测方法，其特征在于：针对S4中将目标检测数据进行皮革合格率判定，根据判定结果确定皮革是否为合格成品皮革，包括：
基于目标检测数据判断是否存在非合格检测数据；
若是，需要对皮革进行合格率检测；
否则，确定皮革为合格成品皮革；
当需要对皮革进行合格率检测时，从目标检测数据中获取皮革的第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像；
基于第一异常污染图像、第一异常划痕图像、第一异常裂纹图像和第一异常压痕图像的数量，并根据如下公式计算皮革的第一合格率K1；
其中，n1表示第一异常污染图像的数量，α表示污染权重，取值为(0，1)，n2表示第一异常划痕图像的数量，β表示划痕权重，取值为(0，1)，n3表示第一异常裂纹图像的数量，γ表示裂纹权重，取值为(0，1)，n4表示第一异常压痕图像的数量，δ表示压痕权重，取值为(0，1)，n0表示皮革的全部图像数量；
判断所述第一合格率是否大于第一预设合格率；
若是，需要对皮革进行进一步检测；
否则，确定皮革为不合格皮革；
当需要对皮革进行进一步检测时，从目标检测数据总获取划痕检测、裂纹检测、压痕检测和污染检测对应的标注数据，根据标注数据确定划痕程度，裂纹程度，压痕程度和污染程度；
基于污染程度，划痕程度，裂纹程度和压痕程度，并根据如下公式计算皮革的第二合格率K2；
其中，A表示皮革的污染程度，B表示皮革的划痕程度，C表示皮革的裂纹程度，D表示皮革的压痕程度，G表示综合参考程度；
判断所述第二合格率是否大于第二预设合格率；
若是，确定皮革为合格皮革；
否则，确定皮革为不合格皮革。
10.一种皮革缺陷智能检测系统，应用在权利要求1-9任一项所述的缺陷检测的方法中，其特征在于，包括：
缺陷检测判断模块，用于：
将目标监测数据中的检测合格图像和检测不合格图像分别进行确认；
将检测合格图像的数量进行百分比换算；
将检测不合格图像的数据进行百分比换算；
其中，百分比换算根据该皮革捕捉照片的总数量进行换算；
将两组百分比换算的数据分别进行获取；
判断结果区分模块，用于：
将检测合格图像的数量百分比与检测不合格图像的数量百分比导入出厂皮革规则中，其中，出厂皮革规则从数据库中进行提取；
根据百分比的范围值对应出厂皮革规则中的合格率；
若检测合格图像的数量百分比高于出厂皮革规则中的合格率，并且检测不合格图像的数量百分比低于出厂皮革规则中的合格率，则该检测图像对应的皮革为合格皮革；
若检测合格图像的数量百分比低于出厂皮革规则中的合格率，同时检测不合格图像的数量百分比高于出厂皮革规则中的合格率，则该检测图像对应的皮革为不合格皮革。
CN202311770482.4A 2023-12-21 2023-12-21 一种缺陷检测方法及皮革缺陷智能检测系统 Active CN117830237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311770482.4A CN117830237B (zh) 2023-12-21 2023-12-21 一种缺陷检测方法及皮革缺陷智能检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311770482.4A CN117830237B (zh) 2023-12-21 2023-12-21 一种缺陷检测方法及皮革缺陷智能检测系统

Publications (2)

Publication Number Publication Date
CN117830237A true CN117830237A (zh) 2024-04-05
CN117830237B CN117830237B (zh) 2024-08-30

Family

ID=90516653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311770482.4A Active CN117830237B (zh) 2023-12-21 2023-12-21 一种缺陷检测方法及皮革缺陷智能检测系统

Country Status (1)

Country Link
CN (1) CN117830237B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230213456A1 (en) * 2022-01-03 2023-07-06 Feng Chia University Leather defect detection system
CN116935308A (zh) * 2023-07-10 2023-10-24 南京易自助网络科技有限公司 基于车辆情景ai智能识别的洗车机安全监控系统及方法
CN117078608A (zh) * 2023-08-06 2023-11-17 武汉纺织大学 一种基于双掩码引导的高反光皮革表面缺陷检测方法
CN117147587A (zh) * 2023-10-31 2023-12-01 维达纸业（中国）有限公司 基于软抽包装的缺陷检测系统及检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230213456A1 (en) * 2022-01-03 2023-07-06 Feng Chia University Leather defect detection system
CN116935308A (zh) * 2023-07-10 2023-10-24 南京易自助网络科技有限公司 基于车辆情景ai智能识别的洗车机安全监控系统及方法
CN117078608A (zh) * 2023-08-06 2023-11-17 武汉纺织大学 一种基于双掩码引导的高反光皮革表面缺陷检测方法
CN117147587A (zh) * 2023-10-31 2023-12-01 维达纸业（中国）有限公司 基于软抽包装的缺陷检测系统及检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
辛登科;张玉杰;胡晶;: "图像检测技术在皮革缺陷检测排样系统的应用研究", 皮革科学与工程, no. 04, 30 August 2006 (2006-08-30), pages 26 - 28 *

Also Published As

Publication number Publication date
CN117830237B (zh) 2024-08-30

Similar Documents

Publication Publication Date Title
CN115294113B (zh) 一种木饰面板质量检测方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN107157447B (zh) 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN116843678A (zh) 一种硬碳电极生产质量检测方法
CN115861290B (zh) 一种肤感木门表面缺陷检测方法
CN107796826B (zh) 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法
CN116740058B (zh) 一种固态硬盘配套晶圆的质量检测方法
CN117152129B (zh) 一种电池盖板的表面缺陷视觉检测方法及系统
CN117517325B (zh) 一种基于机器视觉的铝单板喷涂质量检测分析系统
CN111415349B (zh) 一种基于图像处理技术的涤纶长丝毛丝检测方法
CN108444934A (zh) 一种复合材料脱粘缺陷的自动分割及量化方法
CN116563279B (zh) 基于计算机视觉的量测开关检测方法
CN109239073A (zh) 一种用于汽车车身的表面缺陷检测方法
Fu et al. Medicine glass bottle defect detection based on machine vision
CN116152242A (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN116777911A (zh) 一种基于图像识别的双基板散热器表面缺陷检测系统
CN114298983A (zh) 一种防腐层缺陷智能识别与测量方法
CN117455870B (zh) 一种连接线和连接器质量视觉检测方法
CN110622651A (zh) 一种甜玉米质量检测方法
CN114965316A (zh) 一种基于高光谱多参数的水质监测方法、计算机程序产品
CN117830237B (zh) 一种缺陷检测方法及皮革缺陷智能检测系统
CN116993725B (zh) 一种柔性电路板智能贴片信息处理系统
CN117437228A (zh) 基于图像特征的光伏钢结构组件断裂检测方法
CN114972353B (zh) 一种金属高压特种管件质量评估方法及系统

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