CN106651831B - 一种竹块缺陷检测方法和*** - Google Patents

一种竹块缺陷检测方法和*** Download PDF

Info

Publication number
CN106651831B
CN106651831B CN201610869713.0A CN201610869713A CN106651831B CN 106651831 B CN106651831 B CN 106651831B CN 201610869713 A CN201610869713 A CN 201610869713A CN 106651831 B CN106651831 B CN 106651831B
Authority
CN
China
Prior art keywords
bamboo block
block image
value
bamboo
image
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
Application number
CN201610869713.0A
Other languages
English (en)
Other versions
CN106651831A (zh
Inventor
宋树祥
陈力能
夏海英
牟向伟
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.)
Guangxi Normal University
Original Assignee
Guangxi Normal University
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 Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN201610869713.0A priority Critical patent/CN106651831B/zh
Publication of CN106651831A publication Critical patent/CN106651831A/zh
Application granted granted Critical
Publication of CN106651831B publication Critical patent/CN106651831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种竹块缺陷检测方法和***，其中方法包括对采集的竹块图像的画质进行优化处理，将竹块图像旋转到水平位置，再将竹块图像裁剪为标准化尺寸，对竹块图像进行初步纹理检测、轮廓缺陷检测、正反面检测以及再通过训练支持向量机分类器进行深度纹理识别，并最终筛选出合格的竹块；本发明通过对竹块图像进行多个检测步骤，并利用支持向量机分类器进行深度纹理识别，从而筛选出达到合格标准的竹块，得出的结果较精确，有助于提高麻将凉席的生产效率，增加企业收益。

Description

一种竹块缺陷检测方法和***
技术领域
本发明主要涉及竹席缺陷检测领域，具体涉及一种竹块缺陷检测方法和***。
背景技术
随着全球低碳经济浪潮的兴起及“绿色、环保、可持续发展”理念的倡导，竹制品越来越受到全世界消费者的青睐。
而现阶段全国各麻将凉席生产厂家竹块的筛选主要依靠的是工人肉眼的判断，效率低下，判断标准也不统一。因此设计一套竹块快速的缺陷检测算法十分必要，将有助于提高麻将凉席的生产效率，增加企业收益。
发明内容
本发明所要解决的技术问题是提供一种竹块缺陷检测方法和***，通过对竹块图像进行区域大小检测、初步纹理检测、轮廓缺陷检测、正反面检测和深度纹理检测，从而判断出竹块是否存在缺陷，判断出的结果较精确。
本发明解决上述技术问题的技术方案如下：一种竹块缺陷检测方法，包括如下步骤：
步骤S1：利用摄像设备获取竹块图像；
步骤S2：判断竹块图像的区域范围是否属于预设感兴趣区域ROI(region ofinterest)的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；
步骤S3：根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常则执行步骤S4，否则得到竹块不合格的结果；
步骤S4：利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则执行步骤S5，否则得到竹块不合格的结果；
步骤S5：利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并重复执行步骤S1至步骤S4；否则，执行步骤S6；
步骤S6：训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。
本发明的有益效果是：通过对竹块图像进行区域大小检测、初步纹理检测、轮廓缺陷检测、正反面检测和深度纹理检测，从而判断出竹块是否存在缺陷，判断出的结果较精确，有助于提高麻将凉席的生产效率，增加企业收益。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，获取竹块图像后，还包括对竹块图像的画质进行优化处理的步骤，其包括对竹块图像进行白平衡处理、中值滤波处理和高斯滤波的优化处理。
采用上述进一步方案的有益效果是：对竹块图像进行预处理，主要是减小工厂环境中易产生的椒盐噪声的干扰，便于下面的步骤对竹块图像进缺陷检测。
进一步，对竹块图像的画质进行优化处理后，还包括利用重心原理将竹块图像旋转到水平位置的步骤：求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。
采用上述进一步方案的有益效果是：将竹块图像旋转到水平位置有利于特征的提取。
进一步，具体实现所述步骤S3的方法为：将标准化尺寸的竹块图像处理成灰度模式下的竹块图像，再判断竹块图像的灰度值是否属于预设图像灰度值范围，如果属于，则纹理正常，否则得到竹块不合格的结果。
进一步，所述预设图像灰度值范围为60至220；如果灰度竹块图像的灰度值小于等于60或大于等于220，则属于不合格竹块。
采用上述进一步方案的有益效果是：对竹块图像的纹理进行粗略的纹理检测，来检测出竹块表面差异较大的亮斑与黑点。
进一步，具体实现所述步骤S4的方法为：利用竹块伪对称性计算竹块图像最大内接矩形区域；再分别计算竹块图像的上轮廓到所述最大内接矩形区域的上边缘的平均距离L1以及竹块图像的下轮廓到所述最大内接矩形区域的下边缘的平均距离L2，并计算距离L1与距离L2的差值S，再将所述差值S与预设距离阈值进行比对，从而筛选出存在轮廓缺陷的竹块图像。
采用上述进一步方案的有益效果是：通过最大内接矩形区域对竹块轮廓进行计算，得出竹块的边缘距离是否符合预设距离阈值，能够判断出竹块是否存在缺陷。
进一步，具体实现所述步骤S5的方法为：将竹块图像转换为HSV颜色模型下的竹块图像，再求出所述HSV颜色模型中色调H空间下竹块图像色调的最大值和最小值以及饱和度S空间下竹块图像饱和度的最大值和最小值，再将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对，从而检测出竹块图像的正面和反面。
采用上述进一步方案的有益效果是：利用HSV颜色模型对竹块图像的色调及饱和度进行检测，从而检测出竹块图像的正面和反面。
进一步，将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对的具体方法为：所述竹块图像色调的最大值和最小值属于预设色调H空间范围值内，且所述竹块图像饱和度的最大值和最小值属于预设饱和度S空间范围值内，则检测出竹块图像为正面，否则为反面。
进一步，具体实现所述步骤S6的方法为：
步骤S601：求取HSV颜色模型中饱和度S空间下的竹块图像的水平投影值，并求出水平投影值的平均值，其中，水平投影值为一数组；
步骤S602：遍历水平投影值，找出水平投影值连续低于平均值为预设值a以下的数值个数，标记为第一类特征向量；
步骤S603：遍历水平投影值，找出水平投影值大于水平投影值两端数值为预设值a以上的数值个数，标记为第二类特征向量；
步骤S604：分别求出HSV颜色模型中色调H空间、饱和度S空间和透明度V空间下的竹块图像的三个直方图；
步骤S605：根据三个直方图求出色调H空间、饱和度S空间和透明度V空间下竹块图像的灰度均值、方差、偏态系数、能量、熵、粗糙度、对比度和方向度的第三类特征向量；
步骤S606：将第一类特征向量、第二类特征向量和第三类特征向量放入支持向量机分类器中训练，得到训练后的支持向量机分类器；
步骤S607：通过经训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。
采用上述进一步方案的有益效果是：通过提取多类特征向量对支持向量机分类器进行训练，并利用训练后的支持向量机分类器对竹块图像的深度纹理进行识别，从而能够快速、准确的得到竹块合格或不合格的结果。
本发明解决上述技术问题的另一技术方案如下：一种竹块缺陷检测装置，包括：
图像获取模块，用于利用摄像设备获取竹块图像；
裁剪模块，用于判断竹块图像的区域范围是否属于预设感兴趣区域ROI的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；
初步纹理检测模块，用于根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常将初步纹理检测正常的竹块图像发送轮廓检测模块，否则属于不合格竹块；
轮廓检测模块，用于利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则将轮廓正常的竹块图像发送正反面检测模块，否则属于不合格竹块；
正反面检测模块，用于利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并调用图像获取模块、裁剪模块、初步纹理检测模块、轮廓检测模块重新检测竹块图像，否则将正面的竹块图像发送深度纹理检测模块；
深度纹理检测模块，用于训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，本装置还包括优化模块，所述优化模块与所述图像获取模块连接，所述优化模块用于对竹块图像的画质进行优化处理。
进一步，本装置还包括旋转模块，所述旋转模块与所述优化模块连接，旋转模块用于将竹块图像旋转到水平位置：求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。
附图说明
图1为本发明检测方法实施例的方法流程图；
图2为本发明检测方法实施例中实现步骤S7的方法流程图；
图3为本发明检测***实施例的模块框图；
图4为本发明采用检测方法采集的竹块图像示意图；
图5为本发明采用检测方法采集的合格竹块正面示意图；
图6为本发明采用检测方法采集的合格竹块反面示意图；
图7为本发明采用检测方法采集的具有轮廓缺陷的竹块的示意图；
图8为本发明采用检测方法采集的具有第一种纹理缺陷的竹块的示意图；
图9为本发明采用检测方法采集的具有第二种纹理缺陷的竹块的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1以及图4-9所示，一种竹块缺陷检测方法，包括如下步骤：
步骤1：利用摄像设备获取竹块图像；
步骤2：对竹块图像的画质进行优化处理；
步骤3：利用重心原理将竹块图像旋转到水平位置；
步骤4：判断经旋转后的竹块图像的范围是否属于预设感兴趣区域ROI的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；
步骤5：根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常则执行步骤6，否则得到竹块不合格的结果；
步骤6：利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则执行步骤7，否则得到竹块不合格的结果；
步骤7：利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并重复执行步骤1至步骤7；否则，执行步骤8；
步骤8：训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。
具体的，所述步骤2中对竹块图像进行优化处理包括对竹块图像进行白平衡处理、中值滤波处理和高斯滤波的优化处理。本步骤是对竹块图像进行预处理，便于下面的步骤对竹块图像进缺陷检测。
具体的，所述步骤3中，求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。本步骤将竹块图像旋转到水平位置有利于对特征的提取。
具体的，所述步骤4中，摄像设备拍摄到的竹块图像的大小为768*1024像素，定位竹块，感兴趣区域ROI的大小范围为350-450*350-350像素，不在这个范围内的竹块判断为缺陷竹块，将竹块图像统一裁剪为400*300像素的标准化尺寸。
具体实现所述步骤5的方法为：将标准化尺寸的竹块图像处理成灰度模式下的竹块图像，再判断竹块图像的灰度值是否属于预设图像灰度值范围，如果属于，则纹理正常，否则得到竹块不合格的结果。
具体的，所述预设图像灰度值范围为60至220；所述灰度竹块图像的灰度值小于等于60或大于等于220，则属于不合格竹块。本步骤可快速的对竹块图像的纹理进行粗略的纹理检测，来检测出竹块表面差异较大的亮斑与黑点。
具体实现所述步骤6的方法为：利用竹块伪对称性计算竹块图像最大内接矩形区域；再分别计算竹块图像的上轮廓到所述最大内接矩形区域的上边缘的平均距离L1以及竹块图像的下轮廓到所述最大内接矩形区域的下边缘的平均距离L2，并计算距离L1与距离L2的差值S，再将所述差值S与预设距离阈值进行比对，从而筛选出存在轮廓缺陷的竹块图像。本步骤通过最大内接矩形区域对竹块轮廓进行计算，得出竹块的边缘距离是否符合预设距离阈值，能够判断出竹块是否存在缺陷。
具体实现所述步骤7的方法为：将竹块图像转换为HSV颜色模型下的竹块图像，再求出所述HSV颜色模型中色调H空间下竹块图像色调的最大值和最小值以及饱和度S空间下竹块图像饱和度的最大值和最小值，再将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对，从而检测出竹块图像的正面和反面。
例如，求出所述HSV颜色模型中色调H空间下竹块图像色调的最大1％值和最小1％值以及饱和度S空间下竹块图像饱和度的最大1％值和最小1％值，所述最小1％值为：按从小到大的顺序排列，最小1％值就是从色调或饱和度最小值的开始算比列，一直到预设点，小于或等于预设点的数目占总数目的1％；所述最大1％值：按从大到小的顺序排列，最大1％值就是从色调或饱和度最大值的开始算比列，一直到预设点，大于或等于预设点的数目占总数目的1％，再通过预设范围值就可以区分竹块图像的正面和反面了。
本步骤利用HSV颜色模型对竹块图像的色调及饱和度进行检测，从而检测出竹块图像的正面和反面。
优选的，将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对的具体方法为：所述竹块图像色调的最大值和最小值属于预设色调H空间范围值内，且所述竹块图像饱和度的最大值和最小值属于预设饱和度S空间范围值内，则检测出竹块图像为正面，否则为反面。
如图2所示，具体实现所述步骤8的方法为：
步骤801：求取HSV颜色模型中饱和度S空间下的竹块图像的水平投影值，并求出水平投影值的平均值；其中，水平投影值为一数组；
步骤802：遍历水平投影值，找出水平投影值连续低于平均值为预设值10以下的数值个数，标记为第一类特征向量；
步骤803：遍历水平投影值，找出水平投影值大于水平投影值两端数值为预设值10以上的数值个数，标记为第二类特征向量；例如，预设值为10；
步骤804：分别求出HSV颜色模型中色调H空间、饱和度S空间和透明度V空间下的竹块图像的三个直方图；
步骤805：根据三个直方图求出色调H空间、饱和度S空间和透明度V空间下竹块图像的灰度均值、方差、偏态系数、能量、熵、粗糙度、对比度和方向度的第三类特征向量；
步骤806：将第一类特征向量、第二类特征向量和第三类特征向量放入支持向量机分类器中训练，得到训练后的支持向量机分类器；
步骤807：通过经训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。
通过提取多类特征向量对支持向量机分类器进行训练，并利用训练后的支持向量机分类器对竹块图像的深度纹理进行识别，从而能够快速、准确的得到竹块合格或不合格的结果。
如图3所示，一种竹块缺陷检测装置，包括：
图像获取模块，用于利用摄像设备获取竹块图像；
裁剪模块，用于判断竹块图像的区域范围是否属于预设感兴趣区域ROI的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；
初步纹理检测模块，用于根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常将初步纹理检测正常的竹块图像发送轮廓检测模块，否则属于不合格竹块；
轮廓检测模块，用于利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则将轮廓正常的竹块图像发送正反面检测模块，否则属于不合格竹块；
正反面检测模块，用于利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并调用图像获取模块、裁剪模块、初步纹理检测模块、轮廓检测模块重新检测竹块图像，否则将正面的竹块图像发送深度纹理检测模块；
深度纹理检测模块，用于训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。
优选的，本装置还包括优化模块，所述优化模块与所述图像获取模块连接，所述优化模块用于对竹块图像的画质进行优化处理。
优选的，本装置还包括旋转模块，所述旋转模块与所述优化模块连接，旋转模块用于将竹块图像旋转到水平位置：求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。
本发明通过对竹块图像进行区域大小检测、初步纹理检测、轮廓缺陷检测、正反面检测和深度纹理检测，从而判断出竹块是否存在缺陷，判断出的结果较精确，有助于提高麻将凉席的生产效率，增加企业收益。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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 (7)

1.一种竹块缺陷检测方法，其特征在于，包括如下步骤：
步骤S1：利用摄像设备获取竹块图像；
步骤S2：判断竹块图像的区域范围是否属于预设感兴趣区域ROI的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；
步骤S3：根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常则执行步骤S4，否则得到竹块不合格的结果；
步骤S4：利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则执行步骤S5，否则得到竹块不合格的结果；
步骤S5：利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并重复执行步骤S1至步骤S4；否则，执行步骤S6；
步骤S6：训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果；
具体实现所述步骤S4的方法为：利用竹块伪对称性计算竹块图像最大内接矩形区域；再分别计算竹块图像的上轮廓到所述最大内接矩形区域的上边缘的平均距离L1以及竹块图像的下轮廓到所述最大内接矩形区域的下边缘的平均距离L2，并计算距离L1与距离L2的差值S，再将所述差值S与预设距离阈值进行比对，从而筛选出存在轮廓缺陷的竹块图像；
具体实现所述步骤S5的方法为：将竹块图像转换为HSV颜色模型下的竹块图像，再求出所述HSV颜色模型中色调H空间下竹块图像色调的最大值和最小值以及饱和度S空间下竹块图像饱和度的最大值和最小值，再将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对，从而检测出竹块图像的正面和反面；
具体实现所述步骤S6的方法为：
步骤S601：求取HSV颜色模型中饱和度S空间下的竹块图像的水平投影值，并求出水平投影值的平均值，其中，水平投影值为一数组；
步骤S602：遍历水平投影值，找出水平投影值连续低于平均值为预设值a以下的数值个数，标记为第一类特征向量；
步骤S603：遍历水平投影值，找出水平投影值大于水平投影值两端数值为预设值a以上的数值个数，标记为第二类特征向量；
步骤S604：分别求出HSV颜色模型中色调H空间、饱和度S空间和透明度V空间下的竹块图像的三个直方图；
步骤S605：根据三个直方图求出色调H空间、饱和度S空间和透明度V空间下竹块图像的灰度均值、方差、偏态系数、能量、熵、粗糙度、对比度和方向度的第三类特征向量；
步骤S606：将第一类特征向量、第二类特征向量和第三类特征向量放入支持向量机分类器中训练，得到训练后的支持向量机分类器；
步骤S607：通过经训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。
2.根据权利要求1所述的竹块缺陷检测方法，其特征在于，获取竹块图像后，还包括对竹块图像的画质进行优化处理的步骤，其包括对竹块图像进行白平衡处理、中值滤波处理和高斯滤波的优化处理。
3.根据权利要求2所述的竹块缺陷检测方法，其特征在于，对竹块图像的画质进行优化处理后，还包括利用重心原理将竹块图像旋转到水平位置的步骤：求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。
4.根据权利要求1所述的竹块缺陷检测方法，其特征在于，具体实现所述步骤S3的方法为：将标准化尺寸的竹块图像处理成灰度模式下的竹块图像，再判断竹块图像的灰度值是否属于预设图像灰度值范围，如果属于，则纹理正常，否则得到竹块不合格的结果。
5.根据权利要求4所述的竹块缺陷检测方法，其特征在于，所述预设图像灰度值范围为60至220。
6.根据权利要求1所述的竹块缺陷检测方法，其特征在于，将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对的具体方法为：所述竹块图像色调的最大值和最小值属于预设色调H空间范围值内，且所述竹块图像饱和度的最大值和最小值属于预设饱和度S空间范围值内，则检测出竹块图像为正面，否则为反面。
7.一种竹块缺陷检测装置，其特征在于，包括：
图像获取模块，用于利用摄像设备获取竹块图像；
裁剪模块，用于判断竹块图像的区域范围是否属于预设感兴趣区域ROI的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；
初步纹理检测模块，用于根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常将初步纹理检测正常的竹块图像发送轮廓检测模块，否则得到竹块不合格的结果；
轮廓检测模块，用于利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则将轮廓正常的竹块图像发送正反面检测模块，否则得到竹块不合格的结果；
正反面检测模块，用于利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并调用所述图像获取模块、所述裁剪模块、所述初步纹理检测模块、所述轮廓检测模块重新检测竹块图像，否则将正面的竹块图像发送深度纹理检测模块；
深度纹理检测模块，用于训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果；
所述轮廓检测模块具体用于：利用竹块伪对称性计算竹块图像最大内接矩形区域；再分别计算竹块图像的上轮廓到所述最大内接矩形区域的上边缘的平均距离L1以及竹块图像的下轮廓到所述最大内接矩形区域的下边缘的平均距离L2，并计算距离L1与距离L2的差值S，再将所述差值S与预设距离阈值进行比对，从而筛选出存在轮廓缺陷的竹块图像；
所述正反面检测模块具体用于：将竹块图像转换为HSV颜色模型下的竹块图像，再求出所述HSV颜色模型中色调H空间下竹块图像色调的最大值和最小值以及饱和度S空间下竹块图像饱和度的最大值和最小值，再将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对，从而检测出竹块图像的正面和反面；
所述深度纹理检测模块具体用于：
求取HSV颜色模型中饱和度S空间下的竹块图像的水平投影值，并求出水平投影值的平均值，其中，水平投影值为一数组；
遍历水平投影值，找出水平投影值连续低于平均值为预设值a以下的数值个数，标记为第一类特征向量；
遍历水平投影值，找出水平投影值大于水平投影值两端数值为预设值a以上的数值个数，标记为第二类特征向量；
分别求出HSV颜色模型中色调H空间、饱和度S空间和透明度V空间下的竹块图像的三个直方图；
根据三个直方图求出色调H空间、饱和度S空间和透明度V空间下竹块图像的灰度均值、方差、偏态系数、能量、熵、粗糙度、对比度和方向度的第三类特征向量；
将第一类特征向量、第二类特征向量和第三类特征向量放入支持向量机分类器中训练，得到训练后的支持向量机分类器；
通过经训练后的将支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。
CN201610869713.0A 2016-09-30 2016-09-30 一种竹块缺陷检测方法和*** Active CN106651831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610869713.0A CN106651831B (zh) 2016-09-30 2016-09-30 一种竹块缺陷检测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610869713.0A CN106651831B (zh) 2016-09-30 2016-09-30 一种竹块缺陷检测方法和***

Publications (2)

Publication Number Publication Date
CN106651831A CN106651831A (zh) 2017-05-10
CN106651831B true CN106651831B (zh) 2020-02-11

Family

ID=58854040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610869713.0A Active CN106651831B (zh) 2016-09-30 2016-09-30 一种竹块缺陷检测方法和***

Country Status (1)

Country Link
CN (1) CN106651831B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220673B (zh) * 2017-06-06 2020-05-01 安徽天达汽车制造有限公司 一种基于knn算法的竹条颜色分类方法
CN108764252B (zh) * 2018-05-07 2022-05-10 苏州苏相机器人智能装备有限公司 基于机器视觉的装饰合金片的正反面识别方法
CN109344799B (zh) * 2018-10-24 2022-02-25 珠海格力智能装备有限公司 物品识别方法、装置及设备、存储介质、电子装置
CN109815975A (zh) * 2018-12-14 2019-05-28 中国科学院深圳先进技术研究院 一种基于机器人的目标分类方法及相关装置
CN111583183B (zh) * 2020-04-13 2022-12-06 成都数之联科技股份有限公司 一种用于pcb板图像缺陷检测的数据增强方法和***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1491879A2 (de) * 2003-06-10 2004-12-29 hema electronic GmbH Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche
CN101320004A (zh) * 2008-07-03 2008-12-10 西北工业大学 基于机器视觉的竹条缺陷在线检测方法
CN101915764A (zh) * 2010-08-10 2010-12-15 武汉武大卓越科技有限责任公司 基于动态规划的路面裂缝检测方法
CN105466950A (zh) * 2016-01-14 2016-04-06 上海孚兴电子科技有限公司 一种基于视觉的竹块在线检测方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7680304B2 (en) * 2003-05-27 2010-03-16 Weyerhaeuser Nr Company Method of wood strength and stiffness prediction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1491879A2 (de) * 2003-06-10 2004-12-29 hema electronic GmbH Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche
CN101320004A (zh) * 2008-07-03 2008-12-10 西北工业大学 基于机器视觉的竹条缺陷在线检测方法
CN101915764A (zh) * 2010-08-10 2010-12-15 武汉武大卓越科技有限责任公司 基于动态规划的路面裂缝检测方法
CN105466950A (zh) * 2016-01-14 2016-04-06 上海孚兴电子科技有限公司 一种基于视觉的竹块在线检测方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于LabVIEW的竹片缺陷检测研究与实现;蒋贤明;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141015;第28-39页 *
基于嵌入式的竹片表面缺陷检测***的研究;华于生;《中国优秀硕士学位论文全文数据库 农业科技辑》;20140815;第37-48页 *
基于神经网络的竹片正反面识别算法;王冬旭 等;《广西师范大学学报：自然科学版》;20140630;第32卷(第2期);第14-19页 *

Also Published As

Publication number Publication date
CN106651831A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106651831B (zh) 一种竹块缺陷检测方法和***
CN109934802B (zh) 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及***
CN107169953B (zh) 基于hog特征的桥梁混凝土表面裂缝检测方法
CN110210448B (zh) 一种智能人脸皮肤老化程度的识别与评估方法
CN109859181A (zh) 一种pcb焊点缺陷检测方法
CN107358627B (zh) 基于Kinect相机的果实尺寸检测方法
CN104318262A (zh) 通过人脸照片更换皮肤的方法及***
CN108985170A (zh) 基于三帧差分法及深度学习的输电线路悬挂物识别方法
CN105067638A (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN109242870A (zh) 一种基于图像划分和纹理特征的海天线检测方法
CN104537650B (zh) 一种铝电解电容器的极性方向判定方法及装置
CN103729856B (zh) 一种利用s变换信号提取的布匹疵点检测方法
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别***与方法
CN104198497A (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
CN105427275A (zh) 大田环境麦穗计数方法及装置
CN111047624A (zh) 图像弱小目标检测方法、装置、设备及存储介质
CN114926410A (zh) 制动盘外观缺陷检测方法
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
CN111950654B (zh) 基于svm分类的魔方色块颜色还原方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及***
CN108090492B (zh) 基于尺度线索抑制的轮廓检测方法
CN111127384A (zh) 基于偏振成像的强反射工件视觉测量方法
CN109030502A (zh) 一种基于机器视觉的焊点缺陷检测***

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