CN107478656B - 基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** - Google Patents
基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** Download PDFInfo
- Publication number
- CN107478656B CN107478656B CN201710676521.2A CN201710676521A CN107478656B CN 107478656 B CN107478656 B CN 107478656B CN 201710676521 A CN201710676521 A CN 201710676521A CN 107478656 B CN107478656 B CN 107478656B
- Authority
- CN
- China
- Prior art keywords
- image
- pulp
- paper pulp
- stirring effect
- adopting
- 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.)
- Expired - Fee Related
Links
- 229920001131 Pulp (paper) Polymers 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000003756 stirring Methods 0.000 title claims abstract description 34
- 230000000694 effects Effects 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000000835 fiber Substances 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000002411 adverse Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N21/85—Investigating moving fluids or granular solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于机器视觉的纸浆搅拌效果检测与评价方法、***:所述方法包括:获取待测纸浆图像,所述纸浆处于被搅拌状态;采用图像边缘检测方法检测所述待测纸浆图像中的纸浆纤维目标;采用纸浆匀度检测方法处理所述纸浆纤维边缘,评价纸浆搅拌效果。本发明与现有技术相比,实现了在线智能非接触测量,降低劳动强度,检测准确,提高了生产效率,节省了劳动力,且整个检测过程不受人为因素影响,有效保证了纸浆质量。
Description
技术领域
本发明属于机器视觉领域,具体涉及一种基于机器视觉的纸浆搅拌效果检测与评价方法、***。
背景技术
在造纸工业中信息技术已经得到广泛的应用,信息技术的发展大大推动和提高了自动检测、自动控制及质量管理水平,使造纸业逐步告别低效率慢回报的时代。由于计算机图像处理和分析技术在造纸领域的应用,使造纸工业无论是在功能还是在成品纸的质量方面都取得了前所未有的成绩。
在造纸过程中,纸浆搅拌效果的好坏直接关系到成品纸的质量,但目前还没有一种在线检测纸浆搅拌效果的检测***,只能通过人眼来观察,耗时又耗力。
现有对纸浆图像的机器视觉检测,属于微观领域,主要检测的是微观视角下纸浆纤维的形态参数如长度、宽度、卷曲度等对于成纸性能有重要的影响,但尚没有对纸浆搅拌过程中搅拌状态的检测与评估方法。
发明内容
针对现有技术中存在的不足,发明提供了一种基于机器视觉的纸浆搅拌效果检测与评价方法,实现了对纸浆搅拌效果的非接触、高精度测量。
本发明采用下面的技术方案:
一种基于机器视觉的纸浆搅拌效果检测与评价方法:
获取待测纸浆图像,所述纸浆处于被搅拌状态;
采用图像边缘检测方法检测所述待测纸浆图像中的纸浆纤维目标;
采用纸浆匀度检测方法检测纸浆纤维目标的边缘,评价纸浆搅拌效果。
进一步的,将获取的待测纸浆图像转换为灰度图像,并对上述灰度图像进行去噪处理。
进一步的,针对经去噪后的灰度图像,采用最小误差阈值分割方法分割出纸浆图像中的纤维目标。
进一步的,采用小波变换方法对含噪的灰度图像进行去噪处理,具体步骤包括:
选择设定的小波并确定好分解层次N,对含噪的灰度图像进行N层小波分解;选择设定的阈值函数对所述N层小波的小波系数进行基于非噪声信号与噪声信号的处理;得到去除噪声信号后的包含有非噪声信号的小波系数,重构所述包含有非噪声信号的小波系数,得到去除噪声后的灰度图像。
进一步的,所述最小误差阈值分割方法采用最小误差目标函数:
最佳阈值t*通过下式获得:
进一步的,所述纸浆匀度检测方法为基于灰度共生矩阵的灰度空间相关特性检测方法。
进一步的,所述基于灰度共生矩阵的灰度空间相关特性检测方法中灰度共生矩阵P为:
其中,f(x,y)为待分割的纸浆图像,S为目标区域R中具有特定空间关系的像素对的集合;
上式等号右边的分子是具有特定空间关系、灰度值分别为g1和g2的像素对的个数,分母为像素对的总和个数,#代表数量;
本发明还提供了一种图像处理装置,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
采用图像边缘检测方法检测待测纸浆图像中的纸浆纤维目标;
采用纸浆匀度检测方法检测纸浆纤维目标的边缘,评价纸浆搅拌效果。
本发明又提出了一种基于机器视觉的纸浆搅拌效果检测与评价***,包括工业相机、光源、图像采集装置及图像处理装置;所述工业相机和光源位于纸浆搅拌机的前方,工业相机的取景范围包括待测纸浆;所述的工业相机与图像采集装置连接,图像采集装置与图像处理装置连接;
所述图像采集装置包括第一处理器和第一计算机可读存储介质,第一处理器用于实现各指令;第一计算机可读存储介质用于存储多条指令,所述指令适于由第一处理器加载并执行获取待测纸浆图像的处理,所述纸浆处于被搅拌状态;
所述图像处理装置包括第二处理器和第二计算机可读存储介质,第二处理器用于实现各指令;第二计算机可读存储介质用于存储多条指令,所述指令适于由第二处理器加载并执行以下处理:
采用图像边缘检测方法检测待测纸浆图像中的纸浆纤维目标;
采用纸浆匀度检测方法检测纸浆纤维目标的边缘,评价纸浆搅拌效果。
进一步的,所述图像采集装置采用图像采集卡,图像采集卡对获取的图像进行A/D转换,发送给图像处理装置。
本发明的有益效果:
本发明与现有技术相比,实现了在线智能非接触测量,降低劳动强度,检测准确,提高了生产效率,节省了劳动力,且整个检测过程不受人为因素影响,有效保证了纸浆质量。
附图说明
附图1为***结构示意图;
附图2为小波阈值收缩去噪法的工作流程图;
附图3为评价结构示意图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一种典型实施例是一种基于机器视觉的纸浆搅拌效果检测与评价方法:
获取待测纸浆图像,所述纸浆处于被搅拌状态;
采用图像边缘检测方法检测所述待测纸浆图像中的纸浆纤维目标;
采用纸浆匀度检测方法检测纸浆纤维目标的边缘,评价纸浆搅拌效果。
采用上述方法,本发明提出了一种基于机器视觉的纸浆搅拌效果检测与评价***,包括工业相机、光源、图像采集装置及图像处理装置;工业相机和光源位于纸浆搅拌机的前方,工业相机的取景范围包括待测纸浆;工业相机与图像采集装置连接,图像采集装置与图像处理装置连接。
图像采集装置包括第一处理器和第一计算机可读存储介质,第一处理器用于实现各指令;第一计算机可读存储介质用于存储多条指令,所述指令适于由第一处理器加载并执行获取待测纸浆图像的处理,所述纸浆处于被搅拌状态;
图像处理装置包括第二处理器和第二计算机可读存储介质,第二处理器用于实现各指令;第二计算机可读存储介质用于存储多条指令,所述指令适于由第二处理器加载并执行以下处理:
采用图像边缘检测方法检测待测纸浆图像中的纸浆纤维目标;
采用纸浆匀度检测方法检测纸浆纤维目标的边缘,评价纸浆搅拌效果。
进一步的,所述图像采集装置采用图像采集卡,图像采集卡对获取的图像进行A/D转换,发送给图像处理装置。
图像采集装置采用图像采集卡,图像采集卡对获取的图像进行A/D转换,发送给图像处理装置。
工业相机采用的是CCD工业相机;光源采用的是LED光源。
CCD工业相机的摄像头对高倍放大镜放大的图像进行采集,经图像采集卡对图像进行A/D转换,转换成图像处理装置能够处理的数字图像;本实施例中采用的图像处理装置一般为计算机。
CCD工业相机获取处于被搅拌状态下的待测纸浆图像,把原始图像转换为灰度图像,通过小波阈值收缩去噪法对灰度图像进行去噪处理,然后采用线性图像增强方法对图像进行增强处理,从整体上改善纸浆的清晰度。再对增强之后的纸浆图像进行最小误差阈值分割,分割出纸浆中的纤维,进一步对纤维的分布情况进行研究。
小波阈值收缩去噪的具体步骤为:
(1)选择合适的小波并确定好分解层次(N),之后对包含噪声二维图像进行N层小波分解;(2)选择合适的阈值函数对(1)中获取的图像有用信号和噪声信号产生的小波系数进行处理;(3)经过(2)处理后剩余的小波系数就是已经去除了高频部分所包含的噪声信号,接着对剩余小波系数进行小波重构处理,最终得到去除噪声后的二维图像。
采用最小误差阈值分割方法的具体步骤为:
将图像中的像素按灰度值用阈值t分成背景和目标两类C0和C1,即C0={0,1,…,t},C1={t+1,t+2,…,L-1}(通常L=256)。则C0和C1各自分布的概率分别为:
其中pi表示灰度图像中灰度值i的像素点出现的概率,ω0+ω1=1,令ω(t)=ω0,则ω1=1-ω(t)。
C0和C1各自分布的均值μ0和μ1分别为:
C0和C1各自分布的方差σ0 2和σ1 2分别为:
基于最小分类误差思想,给出最小误差目标函数J(t):
最佳阈值t*通过下式即可获得:
基于上述的公式,分割出纸浆中的纤维目标,也就是纸浆纤维边缘。
接下来,我们采用纸浆匀度检测方法处理纸浆纤维边缘,评价纸浆搅拌效果。
将纸浆图像采集窗口设定为512×512像素,实际采集面积约为4cm2,对其进行背景校正以消除背景光不匀现象;设f(x,y)为纸浆分割图像,S为目标区域R中具有特定空间联系的像素对的集合,则满足一定空间关系的灰度共生矩阵P为:
上式等号右边的分子是具有某种空间关系、灰度值分别为g1和g2的像素对的个数,(x1,y1)和(x2,y2)为纸浆分割图像上的像素点的坐标,分母为像素对的总和个数(#代表数量)。根据公式(1)和公式(2)得到纸浆图像的逆差矩和能量的值,其中i为g1,j为g2。根据逆差矩和能量值的大小来判断纸浆搅拌的效果,能量(ASM)反映了图像灰度分布均匀程度;逆差矩(IDM)反映图像纹理的同质性,度量图像纹理局部变化的多少。逆差矩和能量越大,纸浆搅拌越均匀,纤维分散分布,效果越好。灰度共生矩阵方法实现速度快,实时计算量小,检测效果好。
本实施例与现有技术相比,实现了在线智能非接触测量,降低劳动强度,检测准确,提高了生产效率,节省了劳动力,且整个检测过程不受人为因素影响,有效保证了纸浆质量。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (3)
1.一种基于机器视觉的纸浆搅拌效果检测与评价方法:其特征在于:
获取待测纸浆图像,所述纸浆处于被搅拌状态;
采用图像边缘检测方法检测所述待测纸浆图像中的纸浆纤维目标;
采用纸浆匀度检测方法处理纸浆纤维目标的边缘,评价纸浆搅拌效果;所述纸浆匀度检测方法为基于灰度共生矩阵的灰度空间相关特性检测方法;
将获取的待测纸浆图像转换为灰度图像,并对上述灰度图像进行去噪处理;
针对经去噪后的灰度图像,采用最小误差阈值分割方法分割出纸浆图像中的纤维目标;
根据逆差矩和能量值的大小来判断纸浆搅拌的效果,能量值反映了图像灰度分布均匀程度;逆差矩反映图像纹理的同质性;
采用小波变换方法对含噪的灰度图像进行去噪处理,具体步骤包括:选择设定的小波函数并确定好分解层次N,对含噪的灰度图像进行N层小波分解;选择设定的阈值函数对所述N层小波的小波系数进行基于非噪声信号与噪声信号的处理;得到去除噪声信号后的包含有非噪声信号的小波系数,重构所述包含有非噪声信号的小波系数,得到去除噪声后的灰度图像;
所述采用最小误差阈值分割方法分割出纸浆图像中的纤维目标包括:将图像中的像素按灰度值用阈值t分成背景和目标两类C0和C1,即C0={0,1,…,t},C1={t+1,t+2,…,L-1},则C0和C1各自分布的概率分别为:
其中pi表示灰度图像中灰度值i的像素点出现的概率,ω0+ω1=1,令ω(t)=ω0,则ω1=1-ω(t),
C0和C1各自分布的均值μ0和μ1分别为:
C0和C1各自分布的方差σ0 2和σ1 2分别为:
基于最小分类误差思想,给出最小误差目标函数J(t):
最佳阈值t*通过下式即可获得:
所述基于灰度共生矩阵的灰度空间相关特性检测方法中灰度共生矩阵P为:
其中,f(x,y)为待分割的纸浆图像,S为目标区域R中具有特定空间关系的像素对的集合;
上式等号右边的分子是具有特定空间关系、灰度值分别为g1和g2的像素对的个数,分母为像素对的总和个数,#代表数量;
2.一种适用于权利要求1所述的纸浆搅拌效果检测与评价方法的图像处理装置,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
采用图像边缘检测方法检测待测纸浆图像中的纸浆纤维目标;
采用纸浆匀度检测方法处理纸浆纤维目标的边缘,评价纸浆搅拌效果。
3.一种适用于权利要求1所述的纸浆搅拌效果检测与评价方法的基于机器视觉的纸浆搅拌效果检测与评价***,其特征在于:包括工业相机、光源、图像采集装置及图像处理装置;所述工业相机和光源位于纸浆搅拌机的前方,工业相机的取景范围包括待测纸浆;所述的工业相机与图像采集装置连接,图像采集装置与图像处理装置连接;
所述图像采集装置包括第一处理器和第一计算机可读存储介质,第一处理器用于实现各指令;第一计算机可读存储介质用于存储多条指令,所述指令适于由第一处理器加载并执行获取待测纸浆图像的处理,所述纸浆处于被搅拌状态;
所述图像处理装置包括第二处理器和第二计算机可读存储介质,第二处理器用于实现各指令;第二计算机可读存储介质用于存储多条指令,所述指令适于由第二处理器加载并执行以下处理:
采用图像边缘检测方法检测待测纸浆图像中的纸浆纤维目标;
采用纸浆匀度检测方法处理纸浆纤维目标的边缘,评价纸浆搅拌效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710676521.2A CN107478656B (zh) | 2017-08-09 | 2017-08-09 | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710676521.2A CN107478656B (zh) | 2017-08-09 | 2017-08-09 | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107478656A CN107478656A (zh) | 2017-12-15 |
CN107478656B true CN107478656B (zh) | 2021-02-12 |
Family
ID=60599758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710676521.2A Expired - Fee Related CN107478656B (zh) | 2017-08-09 | 2017-08-09 | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107478656B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765433A (zh) * | 2018-05-31 | 2018-11-06 | 西京学院 | 一种用于提高精度的多叶面积测量方法 |
CN114632713B (zh) * | 2022-05-18 | 2022-08-02 | 山东博汇纸业股份有限公司 | 基于视觉传感器的双面铜板卡纸用纸浆厚度检测*** |
CN117212182B (zh) * | 2023-11-07 | 2024-01-26 | 尚宝罗江苏节能科技股份有限公司 | 一种造纸纸浆的低脉冲纸浆泵以及检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2689238A1 (fr) * | 1992-03-30 | 1993-10-01 | Scanera Sc | Dispositif d'asservissement de machine de transformation de particules. |
JPH0777502A (ja) * | 1993-09-07 | 1995-03-20 | Ishikawajima Harima Heavy Ind Co Ltd | パルプ繊維観察装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692251B (zh) * | 2012-05-14 | 2015-01-28 | 齐鲁工业大学 | 基于fpga+dsp的嵌入式纸浆纤维形态参数快速测量***及方法 |
CN103424409B (zh) * | 2013-04-12 | 2015-06-17 | 安徽工业大学 | 一种基于dsp的视觉检测*** |
CN103454216B (zh) * | 2013-09-07 | 2015-06-17 | 齐鲁工业大学 | 流道式纸浆纤维测量***在线标定测量分辨率方法及*** |
CN105260559B (zh) * | 2015-10-31 | 2019-04-12 | 齐鲁工业大学 | 一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法 |
-
2017
- 2017-08-09 CN CN201710676521.2A patent/CN107478656B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2689238A1 (fr) * | 1992-03-30 | 1993-10-01 | Scanera Sc | Dispositif d'asservissement de machine de transformation de particules. |
JPH0777502A (ja) * | 1993-09-07 | 1995-03-20 | Ishikawajima Harima Heavy Ind Co Ltd | パルプ繊維観察装置 |
Non-Patent Citations (2)
Title |
---|
基于计算机视觉的纸浆纤维特性检测与研究;侯北平等;《中国造纸学报》;20051231;第20卷(第1期);第190页"1 基于计算机视觉的纸浆纤维测量***结构",图1,第191-192页"2 纸浆纤维图像的特征提取算法原理",图3 * |
燃料电池用炭纤维纸前驱体的匀度表征与控制;苏方远等;《化工新型材料》;20090430;第37卷(第4期);第50页左栏第2段,第51页"2. 3 基于灰度共生矩阵的纹理分析法" * |
Also Published As
Publication number | Publication date |
---|---|
CN107478656A (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Memon et al. | Image quality assessment for performance evaluation of focus measure operators | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及*** | |
Kanwal et al. | Region based adaptive contrast enhancement of medical X-ray images | |
CN107478656B (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、*** | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN113160088B (zh) | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 | |
CN107590512A (zh) | 一种模板匹配中参数的自适应方法和*** | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及*** | |
CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强*** | |
Priya et al. | Retrospective non-uniform illumination correction techniques in images of tuberculosis | |
CN117853510A (zh) | 基于双边滤波和自适应阈值的Canny边缘检测方法 | |
CN116883987A (zh) | 一种用于变电站无人巡检的指针仪表读数识别方法 | |
CN108364274B (zh) | 微纳米尺度下光学图像的无损清晰重构方法 | |
Qin et al. | Shearlet-TGV based fluorescence microscopy image deconvolution | |
CN113344823B (zh) | 一种银线型触头烧蚀区域形貌三维粗糙度表征方法 | |
CN110599510A (zh) | 一种图片特征提取方法 | |
CN115272184A (zh) | 基于优化工业图像质量的缺陷识别方法 | |
CN113674180A (zh) | 磨砂平面低对比度缺陷检测方法、装置、设备和存储介质 | |
CN114066881A (zh) | 一种基于非线性变换检测方法、计算机设备及存储介质 | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
Lin et al. | Image detection of rice fissures using biorthogonal B-spline wavelets in multi-resolution spaces | |
Talukder et al. | A new filtering technique for reducing speckle noise from ultrasound images | |
CN112070765A (zh) | 一种基于双边滤波结合改进的otsu的布匹检测方法 | |
CN112541913B (zh) | 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210212 Termination date: 20210809 |