CN103871053B - 一种基于视觉显著性的布匹瑕疵检测方法 - Google Patents
一种基于视觉显著性的布匹瑕疵检测方法 Download PDFInfo
- Publication number
- CN103871053B CN103871053B CN201410063927.XA CN201410063927A CN103871053B CN 103871053 B CN103871053 B CN 103871053B CN 201410063927 A CN201410063927 A CN 201410063927A CN 103871053 B CN103871053 B CN 103871053B
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- saliency
- saliency map
- cloth
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 34
- 230000007547 defect Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 13
- 230000002950 deficient Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于视觉显著性的布匹瑕疵检测方法，包括如下步骤：（1）采集图；（2）亮度特征处理；（3）方向特征处理；（4）多通道叠加归一处理；（5）灰度图处理；（6）二值化处理；（7）瑕疵区域判断，与传统布匹瑕疵检测方法相比，本发明降低了运算的复杂度，提高了识别率，并能准确定位，同时避免了所检测的布匹完好图的显著图灰度值比瑕疵图中完好部分灰度值更高的情况下容易导致的误检，有效地降低了背景在检测过程中的干扰，且减少了将完好布匹的图像经过自适应阈值分割得到的目标区域误判为瑕疵区域的情况的发生。
Description
技术领域
本发明涉及一种布匹瑕疵检测方法，具体涉及一种基于视觉显著性的布匹瑕疵检测方法。
背景技术
在现代纺织生产中，质量的控制与检测非常重要，布匹的瑕疵检测是其中尤为关键的组成部分，目前，国内纺织企业的检测方式多以人工为主，人眼检测速度有限，检测结果易受主观因素影响，易发生误检、漏检等。以先进的自动检测技术代替人工布匹瑕疵检测，是提高检测效率、减少劳动力、降低人工劳动强度和保证布匹质量的重要措施。国内外学者在自动检测方法的研究上取得了很多卓越的成绩。
布匹瑕疵检测算法主要是根据检测到的布匹的纹理形状进行瑕疵判断，大致有3类：统计法、谱分析法和基于模型法。其中最常见的是的运用傅里叶变换、小波变换和Gabor分析的频谱分析法。傅里叶变换是对图进行全局变换，因而不能准确定位瑕疵；Gabor分析的变换检测性能较好，然而需要对多通道方向进行二维滤波以及融合，大大增加计算复杂度；小波变换有良好的局部时频分析、计算速度快等优点，但是方向选择性差，使其不能很好描述二维图特性，导致检测效果不理想。
人类能快速有效地识别出缺陷，无论反光强弱、缺陷形状的变化、不同生产工艺造成的差别等等。布匹呈现在人眼前时，其瑕疵部分较为显著，能够引起视觉注意。也就是说，图中待发现的信息往往集中在一些关键的区域，通常称之为显著区域。如果能够准确地提取这些显著区域，即在视觉上吸引人注意的区域，我们就能有效找到需要的图信息。为了从图中提取显著区域，人们提出了基于视觉注意的计算模型。在这些模型中，用显著图表示视觉区域的显著性。显著图是一幅二维图，它的每个像素点的值表示原图对应像素点的显著性大小。本发明便是基于视觉显著性原理，提供了一种对布匹图进行瑕疵检测的方法。
发明内容
本发明的目的是提供一种基于视觉显著性的布匹瑕疵检测方法，模拟人的视觉注意机制，以GBVS（Graph-based Visual Saliency）模型为基础，通过提取布匹的亮度特征和方向特征，生成视觉显著图，通过分析视觉显著图的灰度分布关系，判断视觉显著图是否能量集中，进而判断布匹是否存在瑕疵。
为达到上述发明目的，本发明采用的技术方案是：一种基于视觉显著性的布匹瑕疵检测方法，包括如下步骤：
（1）、采集图像，对布匹进行图采集，得到初始灰度图；
（2）、GBVS模型生成显著图像，根据GBVS模型生成所述初始灰度图的综合显著图；
（3）、灰度图处理，减小所述综合显著图各像素点的灰度值，从而得到减弱背景显著性后的最终显著图；
（4）、二值化处理，根据最大类间方差法，对所述最终显著图进行自适应阈值分割，得到具有突出显著的目标部分的二值图；
（5）、瑕疵区域判断，通过比较所述最终显著图中对应目标区域的灰度平方和与所述综合显著图整个区域的灰度平方和，以判断目标区域是否为瑕疵。
进一步的技术方案，步骤（2）包括如下分步骤：
（a）、亮度特征处理，对所述初始灰度图进行高斯金字塔滤波，得到一组不同尺度下的亮度特征滤波结果，对每个所述亮度特征滤波结果，根据其像素间的差异和欧氏距离建立各自的马尔科夫链，然后求其马尔科夫平衡
分布，将马尔科夫平衡分布后的所述一组不同尺度下的亮度特征滤波结果进行归一化处理，得到一张亮度特征显著图；
(b)、方向特征处理，对所述初始灰度图在四个方向上进行Gabor金字塔滤波，对应得到四组不同尺度下的方向特征滤波结果，对每个所述方向特征滤波结果，根据其像素间的差异和欧氏距离建立各自的马尔科夫链，然后求其马尔科夫平衡分布，将马尔科夫平衡分布后的所述一组不同尺度下的方向特征滤波结果进行归一化处理，得到一张方向特征显著图；
（c）、多通道叠加归一处理，将步骤（a）中的所述亮度特征显著图和步骤（b）中的所述方向特征显著图线性相加并进行归一化处理，得到综合显著图；
其中，所述步骤（a）和步骤（b）无先后顺序。
进一步的技术方案，步骤（3）采用如下方法：计算所述综合显著图的各个像素点的灰度平均值，判断所述各个像素点的灰度值是否大于所述灰度平均值，如果所述灰度值小于所述灰度平均值，则对所述灰度值进行归零处理，否则所述灰度值等于其与所述灰度平均值的差值，得到减弱背景显著性的最终显著图。
进一步的技术方案，步骤（5）采用如下方法：标定所述最终显著图对应于所述目标部分的区域为目标区域，分别计算所述最终显著图的目标区域的像素点灰度平方和及所述综合显著图的整个区域的像素点灰度平方和，进而计算所述目标区域灰度平方和与所述整个区域灰度平方和的比值，如果所述比值低于判断阈值时，则所述目标区域为瑕疵区域，否则所述目标区域不是瑕疵区域。
进一步的技术方案，所述判断阈值的取值范围为0.15～0.4。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
1、通过对输入的布匹图进行视觉显著性分析，判断是否得到具有突出显著的目标区域的二值图，进而判断布匹是否存在瑕疵，与传统布匹瑕疵检测方法相比，本发明降低了运算的复杂度，提高了识别率，并能准确定位；
2、通过使综合显著图中像素灰度值高于平均值的点的灰度值减小，使综合显著图中像素灰度值低于平均值的点的灰度值归零，以减弱背景（视布匹完好区域为背景）显著性，使得瑕疵区域与完好区域的显著性有明显的差距，避免了由于所述综合显著图的生成原理的缘故，所检测的布匹完好区域的灰度值比瑕疵区域中的完好部分灰度值还要高的情况下容易导致的误检，有效地降低了背景在检测过程中的干扰；
3、由于人眼在观察纹理均匀图时总有相对注意力集中的区域，因此基于视觉显著性的布匹瑕疵的检测方法容易将布匹完好图经过分割得到的目标部分误判为瑕疵区域，通过提取目标区域的图特征信息进行能量判断，判断此目标区域是否是能量集中区域，最终确定瑕疵区域，计算所述最终显著图中对应于所述目标部分的目标区域的像素点灰度平方和及所述综合显著图的整个区域的像素点灰度平方和，进而计算所述两者的比值，通过比值大小判断该目标区域是否能量相对集中，比值大于判断阈值，即能量相对集中，则所述目标区域为瑕疵，否则所述目标区域不为瑕疵，通过以上的技术方案，减少了误判的发生。
附图说明
图1是本发明公开的基于视觉显著性的布匹瑕疵检测方法的实施流程图；
图2是本发明公开的布匹完好图的逐步检测结果图；
图3是本发明公开的布匹典型瑕疵图的逐步检测结果图；
图4，图5，图6，图7是本发明公开的布匹其他瑕疵图的检测结果图。
具体实施方式
下面结合附图及实施例对本发明进一步描述。
实施例：参见图1，如其中的图例所示，上述布匹瑕疵检测方法包括如下步骤：
（1）、采集图像，通过工业相机采集布匹的图，得到初始灰度图，如图2（a）为布匹完好图的初始图，如图3（a）为布匹典型瑕疵图的初始灰度图。
（2）、亮度特征处理：
a、通过二维高斯滤波器对输入的上述初始灰度图进行高斯金字塔滤波，金字塔滤波是指对初始灰度图不断进行1/2降采样和滤波，滤波的尺度因子随图的减小而减小，得到一组不同尺度下的滤波结果，本例中金字塔等级为2，即得到两个尺度下的不同亮度特征滤波结果，即两张亮度特征图；
其中, 是初始灰度图，是对亮度特征在尺度因子下用高斯函数滤波得到的高斯金字塔，为二维高斯滤波器的高斯函数，为相应图中像素点的位置，为相应图的尺度因子；
b、对每张所述亮度特征图进行马尔科夫平衡分布，进而归一化处理，得到亮度特征显著图；
设每个亮度特征图为，任意两像素点之间的距离为，则任意两像素点和距离：
将特征图每两个像素点都两两连接，每条边代表两点间的权重，点到点的权重为:
其中为高斯加权参数；
也就是说任意两像素点之间的权重由两像素点间的灰度差异和点间距离共同决定，相反方向权重相同，上述过程为求每张亮度特征图对应权重矩阵的最大特征值对应的特征向量的过程,即求每张亮度特征图的平衡态过程；
将两张亮度特征平衡分布图进行归一化处理，得到一张亮度特征显著图。
（3）、方向特征处理：
a、通过Gabor滤波器对输入的初始灰度图在四个方向上进行Gabor金字塔滤波，金字塔滤波是指对初始灰度图不断进行1/2降采样和滤波，滤波的尺度因子随图的减小而减小，得到四组不同尺度下的滤波结果，本例中金字塔等级为2，即得到四组两个尺度下的不同方向特征滤波结果，即八张方向特征图；
其中，是对方向特征在尺度用方向的Gabor函数滤波得到的Gabor金字塔，为Gabor滤波器的Gabor函数，为相应图中像素点的位置，为尺度因子, 为方向因子（取），为Gabor滤波器的正弦波频率，；
b、对每张方向特征图进行马尔科夫平衡分布，进而归一化处理，得到亮度特征显著图，
设每个方向特征图为，任意两像素点之间的距离为，则任意两像素点和距离：
将特征图每两个像素点都两两连接，每条边代表两点间的权重，点到点的权重为:
其中为高斯加权参数；
也就是说任意两像素点之间的权重由两像素点间的灰度差异和点间距离共同决定，相反方向权重相同，上述过程为求每张方向特征图对应权重矩阵的最大特征值对应的特征向量的过程，即求每张方向特征图的平衡态过程；
将八张方向特征平衡分布图进行归一化处理，得到方向特征显著图；
（4）、叠加归一处理，将上述亮度特征显著图和方向特征显著图线性相加并进行归一化处理，得到与上述初始灰度图大小一致的综合显著图，如图2（b）为布匹完好图的综合显著图，如图3（b）为布匹典型瑕疵图的综合显著图。
（5）、灰度图处理，计算上述综合显著图的灰度平均值，比较上述综合显著图各像素点灰度值与灰度平均值，如果上述像素点灰度值小于灰度平均值，则对上述像素点灰度值进行归零处理，否则上述像素点灰度值等于其与灰度平均值的差值，得到减弱背景灰度的最终显著图，如图2（c）为布匹完好图的最终显著图，如图3（c）为布匹典型瑕疵图的最终显著图。
（6）、二值化处理，根据最大类间方差法，对上述最终显著图进行自适应阈值分割，得到具有突出显著的目标部分的二值图，如图2（d）为布匹完好图的二值图，如图3（d）为布匹典型瑕疵图的二值图。
（7）、瑕疵区域判断，标定上述最终显著图中对应于所述目标部分的区域为目标区域，计算上述最终显著图的目标区域的像素点灰度平方和及所述综合显著图的整个区域的像素点灰度平方和，进而计算两者的比值。在本发明方法中判断阈值取值范围为0.15～0.4，本例判断阈值取为0.2，如果上述比值低于判断阈值0.2时，则上述目标区域为瑕疵区域，否则上述目标区域不是瑕疵区域，如图2（e）为布匹完好图的判断结果图，如图3（e）为布匹典型瑕疵图的判断结果图。
计算被分割区域与整个区域的灰度平方和的比值，通过比值大小判断该目标区域是否能量相对集中。比值大于判断阈值，即能量相对集中，为瑕疵；否则不为瑕疵。
参见图4-图7，为布匹其他几种典型瑕疵图的检测结果图，其中（a）为初始图，（b）为综合显著图，（c）为判断结果图。
Claims (4)
1.一种基于视觉显著性的布匹瑕疵检测方法，其特征在于，包括如下步骤：
（1）、采集图像，对布匹进行图采集，得到初始灰度图；
（2）、GBVS模型生成显著图像，根据GBVS模型生成所述初始灰度图的综合显著图；包括如下分步骤：
（a）、亮度特征处理，对所述初始灰度图进行高斯金字塔滤波，得到一组不同尺度下的亮度特征滤波结果，对每个所述亮度特征滤波结果，根据其像素间的差异和欧氏距离建立各自的马尔科夫链，然后求其马尔科夫平衡
分布，将马尔科夫平衡分布后的所述一组不同尺度下的亮度特征滤波结果进行归一化处理，得到一张亮度特征显著图；
(b)、方向特征处理，对所述初始灰度图在四个方向上进行Gabor金字塔滤波，对应得到四组不同尺度下的方向特征滤波结果，对每个所述方向特征滤波结果，根据其像素间的差异和欧氏距离建立各自的马尔科夫链，然后求其马尔科夫平衡分布，将马尔科夫平衡分布后的所述一组不同尺度下的方向特征滤波结果进行归一化处理，得到一张方向特征显著图；
（c）、多通道叠加归一处理，将步骤（a）中的所述亮度特征显著图和步骤（b）中的所述方向特征显著图线性相加并进行归一化处理，得到综合显著图；
其中，所述步骤（a）和步骤（b）无先后顺序；
（3）、灰度图处理，减小所述综合显著图各像素点的灰度值，从而得到减弱背景显著性后的最终显著图；
（4）、二值化处理，根据最大类间方差法，对所述最终显著图进行自适应阈值分割，得到具有突出显著的目标部分的二值图；
（5）、瑕疵区域判断，通过比较所述最终显著图中对应目标区域的灰度平方和与所述综合显著图整个区域的灰度平方和，以判断目标区域是否为瑕疵。
2.据权利要求1所述基于视觉显著性的布匹瑕疵检测方法，其特征在于，步骤（3）采用如下方法：计算所述综合显著图的各个像素点的灰度平均值，判断所述各个像素点的灰度值是否大于所述灰度平均值，如果所述灰度值小于所述灰度平均值，则对所述灰度值进行归零处理，否则所述灰度值等于其与所述灰度平均值的差值，得到减弱背景显著性的最终显著图。
3.据权利要求1所述基于视觉显著性的布匹瑕疵检测方法，其特征在于，步骤（5）采用如下方法：标定所述最终显著图对应于所述目标部分的区域为目标区域，分别计算所述最终显著图的目标区域的像素点灰度平方和及所述综合显著图的整个区域的像素点灰度平方和，进而计算所述目标区域灰度平方和与所述整个区域灰度平方和的比值，如果所述比值低于判断阈值时，则所述目标区域为瑕疵区域，否则所述目标区域不是瑕疵区域。
4.据权利要求3所述的布匹瑕疵检测方法，其特征在于，所述判断阈值的取值范围为0.15～0.4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410063927.XA CN103871053B (zh) | 2014-02-25 | 2014-02-25 | 一种基于视觉显著性的布匹瑕疵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410063927.XA CN103871053B (zh) | 2014-02-25 | 2014-02-25 | 一种基于视觉显著性的布匹瑕疵检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103871053A CN103871053A (zh) | 2014-06-18 |
| CN103871053B true CN103871053B (zh) | 2017-02-01 |
Family
ID=50909558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410063927.XA Active CN103871053B (zh) | 2014-02-25 | 2014-02-25 | 一种基于视觉显著性的布匹瑕疵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103871053B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300127A (zh) * | 2018-09-21 | 2019-02-01 | 中兴新通讯有限公司 | 缺陷检测方法、装置、计算机设备及存储介质 |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198497B (zh) * | 2014-09-12 | 2017-01-25 | 苏州大学 | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 |
| CN104574353B (zh) * | 2014-09-12 | 2017-08-01 | 苏州大学 | 基于视觉显著性的表面缺陷判定方法 |
| CN104700412B (zh) * | 2015-03-17 | 2019-01-22 | 苏州大学 | 一种视觉显著图的计算方法 |
| CN105021628B (zh) * | 2015-07-19 | 2019-12-17 | 中北大学 | 一种用于光纤倒像器表面缺陷的检测方法 |
| CN106157314B (zh) * | 2015-12-23 | 2018-12-14 | 河海大学 | 一种造纸设备的实时故障诊断方法 |
| CN105678767B (zh) * | 2016-01-07 | 2019-02-19 | 无锡信捷电气股份有限公司 | 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法 |
| CN108268866B (zh) * | 2016-12-30 | 2020-07-10 | 纵目科技（上海）股份有限公司 | 一种车辆检测方法和*** |
| CN108629806B (zh) * | 2017-03-15 | 2022-02-25 | 纵目科技（上海）股份有限公司 | 一种基于图像对比度的图像显著性物体检测方法及*** |
| CN108629225B (zh) * | 2017-03-15 | 2022-02-25 | 纵目科技（上海）股份有限公司 | 一种基于多幅子图与图像显著性分析的车辆检测方法 |
| CN108629778B (zh) * | 2017-03-15 | 2022-02-25 | 纵目科技（上海）股份有限公司 | 基于局部特征加权增强的图像显著性物体检测方法及*** |
| CN107145824B (zh) * | 2017-03-29 | 2020-10-23 | 纵目科技（上海）股份有限公司 | 一种基于显著性分析的车道线分割方法及***、车载终端 |
| CN107220962B (zh) * | 2017-04-07 | 2020-04-21 | 北京工业大学 | 一种隧道裂纹的图像检测方法和装置 |
| CN107316295A (zh) * | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
| CN107895363A (zh) * | 2017-10-31 | 2018-04-10 | 常州大学 | 基于模板特征的纺织品瑕疵检测方法 |
| CN109960984A (zh) * | 2017-12-25 | 2019-07-02 | 大连楼兰科技股份有限公司 | 基于对比度与显著性分析的车辆检测方法 |
| CN108960255A (zh) * | 2018-06-28 | 2018-12-07 | 西安工程大学 | 基于颜色相似性和位置聚集性的显著性织物疵点检测方法 |
| CN109816631A (zh) * | 2018-12-25 | 2019-05-28 | 河海大学 | 一种基于新代价函数的图像分割方法 |
| CN110031461B (zh) * | 2019-02-14 | 2022-03-18 | 江苏恒力化纤股份有限公司 | 一种涤纶长丝染色均匀度试验方法 |
| CN109961437B (zh) * | 2019-04-04 | 2021-06-25 | 江南大学 | 一种基于机器教学模式下的显著性织物疵点检测方法 |
| CN110298835B (zh) * | 2019-07-02 | 2023-07-18 | 广东工业大学 | 一种皮革表面破损检测方法、***及相关装置 |
| CN110706205B (zh) * | 2019-09-07 | 2021-05-14 | 创新奇智(重庆)科技有限公司 | 一种使用计算机视觉技术检测布匹破洞缺陷的方法 |
| CN110751135A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 图纸的校对方法、装置、电子设备及存储介质 |
| CN111402225B (zh) * | 2020-03-13 | 2023-05-26 | 浙江工业大学 | 一种布匹折叠误检疵点判别方法 |
| CN111667476B (zh) * | 2020-06-09 | 2022-12-06 | 创新奇智(广州)科技有限公司 | 布料瑕疵检测方法、装置、电子设备及可读存储介质 |
| CN111861996B (zh) * | 2020-06-23 | 2023-11-03 | 西安工程大学 | 一种印花织物疵点检测方法 |
| CN112669306A (zh) * | 2021-01-06 | 2021-04-16 | 北京信息科技大学 | 一种基于显著图的太阳能电池片缺陷检测方法及*** |
| CN113638104B (zh) * | 2021-10-14 | 2022-02-08 | 海门市恒昌织带有限公司 | 一种络筒机智能清纱控制方法及*** |
| CN114486903B (zh) * | 2021-12-06 | 2024-05-14 | 浙江大学台州研究院 | 一种灰度自适应的卷材检测***及装置、算法 |
| CN114511851B (zh) * | 2022-01-30 | 2023-04-04 | 中国南水北调集团中线有限公司 | 一种基于显微镜图像的游丝藻类细胞统计方法 |
| CN115598138B (zh) * | 2022-11-23 | 2023-04-07 | 惠州威尔高电子有限公司 | 基于显著性检测的电源控制电路板瑕疵检测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102214298A (zh) * | 2011-06-20 | 2011-10-12 | 复旦大学 | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 |
| CN102799882A (zh) * | 2012-07-09 | 2012-11-28 | 武汉市科迅智能交通设备有限公司 | 基于视觉显著性的车牌定位方法 |
| CN103247059A (zh) * | 2013-05-27 | 2013-08-14 | 北京师范大学 | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 |
| CN103309982A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 一种基于视觉显著点特征的遥感影像检索方法 |
| CN103544709A (zh) * | 2013-11-07 | 2014-01-29 | 东北大学 | 基于显著活动轮廓模型的硅钢板表面微小缺陷检测方法 |
-
2014
- 2014-02-25 CN CN201410063927.XA patent/CN103871053B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102214298A (zh) * | 2011-06-20 | 2011-10-12 | 复旦大学 | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 |
| CN102799882A (zh) * | 2012-07-09 | 2012-11-28 | 武汉市科迅智能交通设备有限公司 | 基于视觉显著性的车牌定位方法 |
| CN103247059A (zh) * | 2013-05-27 | 2013-08-14 | 北京师范大学 | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 |
| CN103309982A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 一种基于视觉显著点特征的遥感影像检索方法 |
| CN103544709A (zh) * | 2013-11-07 | 2014-01-29 | 东北大学 | 基于显著活动轮廓模型的硅钢板表面微小缺陷检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Graph-based visual saliency;Harel J 等;《Advances in neural information processing systems》;20060228;第545-552页 * |
| 一种改进的多通道Gabor滤波器布匹瑕疵检测方法;屈博 等;《纺织学报》;20091231;第30卷(第12期);第37-40页 * |
| 基于图像显著性特征的铸坯表面缺陷检测;吴家伟;《智能***学报》;20120228;第7卷(第1期);第75-80页 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300127A (zh) * | 2018-09-21 | 2019-02-01 | 中兴新通讯有限公司 | 缺陷检测方法、装置、计算机设备及存储介质 |
| CN109300127B (zh) * | 2018-09-21 | 2021-02-05 | 深圳新视智科技术有限公司 | 缺陷检测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103871053A (zh) | 2014-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103871053B (zh) | 一种基于视觉显著性的布匹瑕疵检测方法 | |
| CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
| CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
| US10803573B2 (en) | Method for automated detection of defects in cast wheel products | |
| CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN104732536A (zh) | 一种基于改进形态学的亚像素边缘检测方法 | |
| CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
| CN102156996B (zh) | 一种图像边缘检测的方法 | |
| CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
| CN103955922B (zh) | 基于Gabor滤波器的印花织物疵点检测方法 | |
| CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
| CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| Rabby et al. | A modified canny edge detection algorithm for fruit detection & classification | |
| CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
| CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
| CN105205828B (zh) | 基于最优Gabor滤波器的经编织物瑕疵检测方法 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN103778613B (zh) | 一种窗口自适应的极化sar影像滤波方法 | |
| CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
| CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
| CN104751474A (zh) | 一种级联式快速图像缺陷分割方法 | |
| CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
| CN105678735A (zh) | 一种用于雾天图像的目标显著性检测方法 | |
| Hou et al. | Welding image edge detection and identification research based on canny operator |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |