CN107256549A - 一种基于机器视觉的竹条缺陷检测方法 - Google Patents
一种基于机器视觉的竹条缺陷检测方法 Download PDFInfo
- Publication number
- CN107256549A CN107256549A CN201710416704.0A CN201710416704A CN107256549A CN 107256549 A CN107256549 A CN 107256549A CN 201710416704 A CN201710416704 A CN 201710416704A CN 107256549 A CN107256549 A CN 107256549A
- Authority
- CN
- China
- Prior art keywords
- bamboo cane
- bamboo
- edge
- straight line
- machine vision
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于机器视觉的竹条缺陷检测方法,先将采集到的彩色图像转为灰度图,之后进行中值滤波去除噪声,平滑后将灰度图转为二值图像,然后用sobel算子提取竹条边缘,最后对竹条边缘进行分段处理,结合最小二乘法对每一段进行直线拟合;依据拟合之后直线的斜率大小来判断是否存在缺陷。本发明达到了较高的检测准确度;实现方便、对竹条噪声有较强的抗干扰能力,达到了很高的分类准确率。
Description
技术领域
本发明涉及竹条加工方法技术领域,特别涉及一种的竹条缺陷检测方法。
背景技术
在现代竹制品生产中,对于竹条制品的质量已经提出了越来越高的要求。自然界中竹子的个体生长存在较大的差异,将竹子制成竹条的过程中经常会存在缺陷。目前,国内竹制品生产中缺陷检测多以人工为主,但人眼分辨速度有限,易受主观因素影响,易发生误检,错检等。以先进的机器视觉技术代替人工检测竹条缺陷,是提高生产效率、减少劳动力、降低人工劳动强度和保证竹条检测质量的重要措施。
目前,基于机器视觉的竹条缺陷检测方法,有些方法易于受到噪声的影响,易将噪声造成的突变也检成缺陷;有些方法对于种类繁多的竹条,前期特征提取比较困难,因此该方法的适应性较差。
发明内容
本发明的目的在于针对现有竹条颜色分类技术的不足,提供了一种新的竹条缺陷检测方法,提取竹条显著的斜率特征,进行运算处理,提高了检测的性能和精确度,能够有效节省劳力,降低劳动强度,提高工作效率,且检测精度较高。
为达到上述发明目的,本发明采用的技术方案是:一种基于机器视觉的竹条缺陷检测方法,具体步骤如下:
步骤一:采用工业线阵相机对工业生产当中的竹条进行图像采集,相机下方,平行于镜头放置线型光源以保证图像采集质量。
步骤二:将竹条图像从RGB颜色空间转成单通道的灰度图像。
步骤三:用中值滤波将竹条图像中的噪声点去除。
步骤四:采用自适应阈值,将灰度图像转成二值图像,将竹条分离出来。
步骤五:采用sobel算子对二值化的竹条边缘进行提取。
步骤六:对提取出的竹条边缘进行自适应分段,分段结束之后采用最小二乘法对每一段边缘进行直线拟合。
步骤七:计算拟合得到的的每一条直线的斜率,如果大于规定的阈值,则判定为存在缺陷。
上述步骤六中的自适应分段方法如下:依据竹条边缘上每个点的坐标,计算一条边缘的首尾两点( ,)和(,)所形成的直线:,计算(,)和(,)之间所有的点 (,)到直线的距离,如果存在大于敏感度D,则取使得最大的点(,),该点把原始边缘拆分成两条边缘,取(,)和(,)以及之间的所有点为一组,(,)和(,)以及之间所有点为一组分别重复上述过程,直到每一组边缘上的点所得到的d都小于敏感度D,结束迭代。
本发明与现有技术相比具有下列优点:本发明通过将竹条图像的边缘提取之后采用自适应分割算法与最小二乘法相结合,能有效的对于缺陷的竹条进行检测,且达到了较高的检测准确度;实现方便、对竹条噪声有较强的抗干扰能力,达到了很高的分类准确率;用于大规模的生产当中,以先进的自动缺陷检测技术代替人工竹条缺陷检测,能够提高生产效率、减少劳动力,降低人工劳动强度和保证竹条检测质量。
附图说明:
图1为本发明的实施流程图。
图2为本发明的缺陷竹条和正常竹条的算法处理过程及检测结果实例。
具体实施方式
如图1及图2所示,本发明提出的一种基于机器视觉的竹条缺陷检测方法,先将采集到的彩色图像转为灰度图,之后进行中值滤波去除噪声,平滑后将灰度图转为二值图像,然后用sobel算子提取竹条边缘,最后对竹条边缘进行分段处理,结合最小二乘法对每一段进行直线拟合;依据拟合之后直线的斜率大小来判断是否存在缺陷。
为详细说明本发明技术方案,参见图1,具体实施方式如下:
一、在大型竹制品加工中,将高速精刨机上加工完成的竹条传送到分类机上,通过工业线阵相机获取竹条的图像I,输出完整的竹条图像。
二、如图2中所示,获取竹条图像之后,先将其转为灰度图,通过中值滤波之后进行二值化将竹条与背景完全分割开。
三、用sobel算子将竹条的边缘提取出来,在表格一中,可以很明显的发现,正常竹条的边缘是比较平滑的,而存在缺陷的竹条边缘较为凹凸不平。
四、使用自适应分割算法对得到的上下边缘分别进行分段,如表格一中所示,经过处理之后,缺陷竹条的边缘被分割为了许多段,而正常竹条的边缘则和分割前是一样的。
五、采用最小二乘法对分割好的边缘进行分段拟合,将每段都拟合成一条直线。
六、对拟合好的每一条直线分别计算它们的斜率,全部计算完成之后看是否存在斜率超过设定的阈值slope,如果存在,则该竹条属于缺陷竹条,如果所有的直线斜率都小于阈值slope,则该竹条为正常竹条。
Claims (2)
1.一种基于机器视觉的竹条缺陷检测方法,其特征在于:按如下步骤进行:
步骤一:采用工业线阵相机对工业生产当中的竹条进行图像采集,相机下方,平行于镜头放置线型光源以保证图像采集质量;
步骤二:将竹条图像从RGB颜色空间转成单通道的灰度图像;
步骤三:用中值滤波将竹条图像中的噪声点去除;
步骤四:采用自适应阈值,将灰度图像转成二值图像,将竹条分离出来;
步骤五:采用sobel算子对二值化的竹条边缘进行提取;
步骤六:对提取出的竹条边缘进行自适应分段,分段结束之后采用最小二乘法对每一段边缘进行直线拟合;
步骤七:计算拟合得到的的每一条直线的斜率,如果大于规定的阈值,则判定为存在缺陷。
2.根据权利要求1所述的一种基于机器视觉的竹条缺陷检测方法,其特征在于:上述步骤六中的所述的自适应分段方法如下:依据竹条边缘上每个点的坐标,计算一条边缘的首尾两点( ,)和(,)所形成的直线:,计算(,)和(,)之间所有的点 (,)到直线的距离,如果存在大于敏感度D,则取使得最大的点(,),该点把原始边缘拆分成两条边缘,取(,)和(,)以及之间的所有点为一组,(,)和(,)以及之间所有点为一组分别重复上述过程,直到每一组边缘上的点所得到的d都小于敏感度D,结束迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710416704.0A CN107256549B (zh) | 2017-06-06 | 2017-06-06 | 一种基于机器视觉的竹条缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710416704.0A CN107256549B (zh) | 2017-06-06 | 2017-06-06 | 一种基于机器视觉的竹条缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256549A true CN107256549A (zh) | 2017-10-17 |
CN107256549B CN107256549B (zh) | 2020-09-18 |
Family
ID=60023894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710416704.0A Active CN107256549B (zh) | 2017-06-06 | 2017-06-06 | 一种基于机器视觉的竹条缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256549B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN109752391A (zh) * | 2018-12-25 | 2019-05-14 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN109886934A (zh) * | 2019-01-28 | 2019-06-14 | 厦门理工学院 | 碳化竹片缺陷检测方法及*** |
CN115115612A (zh) * | 2022-07-26 | 2022-09-27 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1841054A (zh) * | 2005-03-29 | 2006-10-04 | 松下电器产业株式会社 | 缺陷检查方法 |
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 |
CN105352972A (zh) * | 2015-10-21 | 2016-02-24 | 国家***北京林业机械研究所 | 矩形竹片缺棱缺陷检测装置 |
CN105344618A (zh) * | 2015-10-21 | 2016-02-24 | 国家***北京林业机械研究所 | 矩形竹片缺棱缺陷及颜色分拣方法 |
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*** |
-
2017
- 2017-06-06 CN CN201710416704.0A patent/CN107256549B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1841054A (zh) * | 2005-03-29 | 2006-10-04 | 松下电器产业株式会社 | 缺陷检查方法 |
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 |
CN105352972A (zh) * | 2015-10-21 | 2016-02-24 | 国家***北京林业机械研究所 | 矩形竹片缺棱缺陷检测装置 |
CN105344618A (zh) * | 2015-10-21 | 2016-02-24 | 国家***北京林业机械研究所 | 矩形竹片缺棱缺陷及颜色分拣方法 |
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 (1)
Title |
---|
贺峰等: "《基于小波多尺度分解的竹条缺陷检测算法》", 《机电一体化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108181316B (zh) * | 2018-03-13 | 2019-12-20 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN109752391A (zh) * | 2018-12-25 | 2019-05-14 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN109752391B (zh) * | 2018-12-25 | 2020-06-30 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
CN109886934A (zh) * | 2019-01-28 | 2019-06-14 | 厦门理工学院 | 碳化竹片缺陷检测方法及*** |
CN109886934B (zh) * | 2019-01-28 | 2020-12-18 | 厦门理工学院 | 碳化竹片缺陷检测方法及*** |
CN115115612A (zh) * | 2022-07-26 | 2022-09-27 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及*** |
CN115115612B (zh) * | 2022-07-26 | 2022-11-04 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107256549B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256549A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN105678767B (zh) | 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN115018838B (zh) | 用于被氧化钢管材料表面麻点瑕疵的识别方法 | |
CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN108320280B (zh) | 基于视觉清晰度与轮廓提取的熔池图像异常检测方法 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN113962997B (zh) | 基于图像处理的带钢边裂缺陷检测方法及*** | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN104056789B (zh) | 一种胡萝卜缺陷的图像量化检测方法 | |
CN105388162A (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN110111301A (zh) | 基于频域变换的金属氧化表面缺陷视觉检测方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN115294144B (zh) | 一种家具复合板表面缺陷识别方法 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN103759644A (zh) | 一种滤光片表面缺陷的分离细化智能检测方法 | |
CN110687121A (zh) | 一种陶瓦智能在线检测与自动分级方法和*** | |
CN104048966A (zh) | 一种基于大律法的布面疵点检测及分类方法 | |
CN114985283B (zh) | 一种多特征图像识别技术的茶叶识别方法 | |
CN109472779A (zh) | 一种基于形态结构的纱线外观特征参数提取与分析方法 | |
CN107230200A (zh) | 一种提取电机转子中线圈轮廓特征的方法 | |
CN104240252A (zh) | 一种机器视觉棒材高温钢坯表面裂纹检测算法 | |
CN115423799A (zh) | 一种连铸坯表面裂纹识别方法与装置 | |
CN101770645A (zh) | 高分辨率棉花异性纤维彩色图像的快速分割方法与*** |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 239000 No. 155 Anning Road, Nanzhaoxin District, Chuzhou City, Anhui Province Applicant after: Anhui Tianda Automobile Manufacturing Co., Ltd. Address before: 239001 No. 155 Anning Road, Nanzhao District, Chuzhou City, Anhui Province Applicant before: CHUZHOU TIANDA AUTO PARTS CO., LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |