CN108090894B - 基于距离匹配函数和感知哈希算法的织物疵点检测方法 - Google Patents
基于距离匹配函数和感知哈希算法的织物疵点检测方法 Download PDFInfo
- Publication number
- CN108090894B CN108090894B CN201711191878.8A CN201711191878A CN108090894B CN 108090894 B CN108090894 B CN 108090894B CN 201711191878 A CN201711191878 A CN 201711191878A CN 108090894 B CN108090894 B CN 108090894B
- Authority
- CN
- China
- Prior art keywords
- detected
- image block
- image
- gray
- minimum
- 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 48
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000010586 diagram Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
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 Analysis (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距离匹配函数和感知哈希算法相结合的办法检测规则织物的疵点。首先,采用距离匹配函数计算出规则织物的最小周期,用于获取图像块。构建重复单元模板,采用感知哈希算法提取模板图像块的结构特征;其次,提取待测样本上图像块的结构特征和灰度特征,分别与模板图像块的结构特征和全局灰度均值进行比较,得到最小汉明距离特征图以及灰度均值对比特征图。最后进行特征图的融合与分割。结果表明,本发明综合考虑了规则织物的最小周期的结构特征和灰度均值特征,可以有效的提取出织物的疵点区域,实现对织物的疵点检测。
Description
技术领域
本发明属于纺织品图像处理的技术领域,具体涉及一种织物疵点匹配检测方法。
背景技术
织物是服装、箱包、床上用品、医用布料等日常生活中消费品的基础。织物检测是纺织品生产质量控制的关键部分。目前,大多数面料检测都是由高成本的人工进行视觉检查,但是由于人为失误和眼睛疲劳而不可靠。织物的自动视觉检测(AVI)应用计算机视觉技术,不仅提供了一种高效,低成本和准确的方法来替代劳动力,而且还扩大了检测能力,以涵盖更广泛的不同织物图案,从最简单的最复杂的织物图案都可应用。AVI的目标是在织物织造期间或之后检测和勾画织物表面上任何缺陷的形状和位置。
对于无图案的织物疵点,检测算法主要可分为统计法,频域法,模型法。利用统计学方法可以从图像中提取不同的纹理特征,将背景纹理和疵点通过统计特性的差异区分开来。常见的统计学方法有自相关函数,共生矩阵,数学形态学,分形维数等。
在频域法中,主要是将图像转换到某个频域下,在对图像进行处理。主要有傅里叶变换,小波变换和Gabor滤波器等。这类方法的计算相对复杂,而且参数的优化对结果影响比较大。
一般织物的纹理既包含规律性的成分,又有随机变化的成分,模型法适用于表面纹理随机变化的织物,而统计法和频谱法很难做到。典型的检查算法有马尔科夫随机场,自回归模型。
大部分已被提出的算法都是基于简单纹理的无图案织物疵点检测算法。但是对图案的织物而言,织物不同纹理和图案以及疵点与背景的相似性都会给检测带来极大挑战。
发明内容
为了解决上述的技术问题,本发明提供了一种基于距离匹配函数和感知哈希算法的织物疵点检测方法,实现对规则织物疵点的有效检测与定位,并具有较高的检查精度。
本发明提供的技术方案是:
一种基于距离匹配函数和感知哈希算法的织物疵点检测方法,其步骤如下:
步骤一:采用距离匹配函数从正常规则图像中提取最小纹理周期;
步骤二:构造重复周期的模板,采用感知哈希算法提取模板图像块的结构特征;
步骤三:从待测样本上获取待测图像块,提取待测图像块的结构特征和灰度均值特征;
步骤四:针对每个待测图像块的结构特征,与模板图像块的结构特征一一对比,生成最小汉明距离特征图H;
步骤五:针对每个待测图像块的灰度特征,与待测样本的灰度特征对比,生成灰度均值对比特征图D;
步骤六:融合特征图,利用最大类间方差法对最终的特征图进行分割,定位出疵点区域。
所述采用距离匹配函数从正常规则图像中提取最小纹理周期的方法:用二维变量f(x,y)表示织物图像灰度值,计算二维距离匹配函数:和式中,M,N分别为该图像的宽和高,x,y分别为该图像中像素的行与列;p代表函数的周期,当p为函数f(x,y)的行方向或者列方向的周期时,f(x,y)与f(x,y+p)或f(x+p,y)的差值最小,记最小周期的宽高分别为a、b,后续提取的图像块大小均为最小周期大小。
所述的构造重复模板是指:从正常规则织物图像中,获取宽、高为2a和2b的正常规则图像模板。
所述的感知哈希算法的流程是:1)将图像块缩小到8×8的尺寸;2)计算压缩后图像块的灰度平均值;3)比较像素的灰度:将每个像素的灰度,与平均值进行比较,大于或等于平均值,记为1;小于平均值,记为0;4)计算哈希值:将上一步的比较结果,组合在一起,就构成了一个64位的整数,保证所有图像块都采用同样次序。
所述的采用感知哈希算法提取图像块的结构特征的方法是:以计算出的最小周期a×b为窗口,在模板上以固定步长滑动获取图像块,采用所述的感知哈希算法计算出图像块的哈希值作为结构特征。
所述的从待测样本上获取待测图像块,提取待测图像块的结构特征和灰度均值特征的方法是:以计算出的最小周期a×b为窗口,在待测样本上以固定步长滑动获取图像块,采用感知哈希算法计算出图像块的哈希值作为结构特征,计算出图像块的平均灰度值作为灰度特征。
所述的针对每个待测图像块的结构特征,与模板图像块的结构特征一一对比,生
成最小汉明距离特征图H的方法是:在待测样本上以最小周期获取待测图像块,再将待测图
像块与模板图像块的结构特征一一对比,取汉明距离的最小值作为对比结果,记为最小汉
明距离,在生成特征图的过程中,一个待测图像块代表特征图的一个像素点,最小汉明距离
为特征点的像素值,其中,汉明距离dh(x,y)表示两个图像哈希值x,y之间的相似度,可以通
过对两个哈希值进行异或运算,并统计结果为1的个数得到汉明距离,其公式为
所述的针对每个待测图像块的灰度特征,与待测样本的灰度特征对比,生成灰度均值对比特征图D的方法是:在待测样本上以最小周期获取待测图像块,将待测图像块的灰度平均值与待测样本的灰度平均值做差再取绝对值作为对比结果,在生成特征图的过程中,一个待测图像块代表特征图的一个像素点,对比结果为特征点的像素值。
所述的融合特征图,利用最大类间方差法对特征图进行分割,定位出疵点区域的方法是:首先将特征图按照公式进行阈值划分和再按照公式M(i,j)=(H(i,j)+D(i,j))2融合特征图,最后采用最大类间方差法进行二值化,其中θ1为结构特征的阈值,θ2为灰度特征的阈值,M(i,j)为融合后特征图的像素。
本发明的优点在于:
1)采用感知哈希算法提取纹理周期的结构特征,有效的表示了织物的结构特征,计算速度较快。
2)综合考虑了最小周期的图像块的结构特征和灰度特征,完成了规则织物疵点的检测。
附图说明
图1是本发明的织物疵点检测算法流程图。
图2是本发明感知哈希算法流程图。
图3是为以最小周期分割的图像。
图4是为分割出的最小周期和模板。
图5是疵点图像(第一行);采用感知哈希算法对比计算出最小汉明距离的特征图(第二行);采用灰度均值对比计算出灰度对比的特征图(第三行);本方法生成的融合特征图(第四行);分割结果(第五行)。
具体实施方式
下面结合附图对本发明作进一步详细的描述。
本专利提出了一种基于距离匹配函数和感知哈希算法相结合的办法检测规则织物的疵点。首先,采用距离匹配函数计算出规则织物的最小周期,用于获取图像块。构建重复单元模板,采用感知哈希算法提取模板图像块的结构特征;其次,提取待测样本上图像块的结构特征和灰度特征,分别与模板图像块的结构特征和全局灰度均值进行比较,得到最小汉明距离特征图以及灰度均值对比特征图。最后进行特征图的融合与分割。结果表明,本发明综合考虑了规则织物的最小周期的结构特征和灰度均值特征,可以有效的提取出织物的疵点区域,实现对织物的疵点检测。
如图1所示,一种基于距离匹配函数和感知哈希算法相结合的办法检测规则织物的疵点步骤如下:
步骤一:采用距离匹配函数从正常规则图像中提取最小纹理周期;
式中,M,N分别为该图像的宽和高,本例中M=N=256,x,y分别为该图像中像素的行与列;p代表函数的周期,当p为函数f(x,y)的行方向或者列方向的周期时,f(x,y)与f(x,y+p)或f(x+p,y)的差值最小。记最小周期的宽高分别为a、b,后续提取的图像块大小均为最小周期大小。如图3为以最小周期分割的织物图像。
步骤二:构造重复周期的模板,采用感知哈希算法提取模板图像块的结构特征;
构造重复模板是指:从正常规则织物图像中,获取宽、高为2a和2b的正常规则图像模板,如图4所示。
感知哈希算法的流程是,如图2流程所示:1)将图像块缩小到8×8的尺寸;2)计算压缩后图像块的灰度平均值;3)比较像素的灰度:将每个像素的灰度,与平均值进行比较。大于或等于平均值,记为1;小于平均值,记为0;4)计算哈希值:将上一步的比较结果,组合在一起,就构成了一个64位的整数,保证所有图像块都采用同样次序。
采用感知哈希算法提取图像块的结构特征是指:以计算出的最小周期a×b为窗口,在模板上以固定步长滑动获取图像块,采用所述的感知哈希算法计算出图像块的哈希值作为结构特征。本例中,固定滑动步长为2。
步骤三:从待测样本上获取待测图像块,提取待测图像块的结构特征和灰度均值特征;
从待测样本上获取待测图像块,提取待测图像块的结构特征和灰度均值特征的方法是:以计算出的最小周期a×b为窗口,在待测样本上以固定步长滑动获取图像块,采用感知哈希算法计算出图像块的哈希值作为结构特征,计算出图像块的平均灰度值作为灰度特征。
步骤四:针对每个待测图像块的结构特征,与模板图像块的结构特征一一对比,生成最小汉明距离特征图H;
针对每个待测图像块的结构特征,与模板图像块的结构特征一一对比,生成最小汉明距离特征图H的方法是:在待测样本上以最小周期获取待测图像块,再将待测图像块与模板图像块的结构特征一一对比,取汉明距离的最小值作为最小汉明距离。在生成特征图的过程中,一个待测图像块代表特征图的一个像素点,最小汉明距离为特征点的像素值。其中,汉明距离dh(x,y)表示两个图像哈希值x,y之间的相似度。可以通过对两个哈希值进行异或运算,并统计结果为1的个数得到汉明距离,其公式为
步骤五:针对每个待测图像块的灰度特征,与待测样本的灰度特征对比,生成灰度均值对比特征图D;
针对每个待测图像块的灰度特征,与待测样本的灰度特征对比,生成灰度均值对比特征图D的方法是:在待测样本上以最小周期获取待测图像块,将待测图像块的灰度平均值与待测样本的灰度平均值做差再取绝对值作为对比结果。在生成特征图的过程中,一个待测图像块代表特征图的一个像素点,对比结果为特征点的像素值。
步骤六:融合特征图,利用最大类间方差法对最终的特征图进行分割,定位出疵点区域。
融合特征图,利用最大类间方差法对特征图进行分割,定位出疵点区域的方法是:首先将特征图按照公式进行阈值划分和再按照公式M(i,j)=(H(i,j)+D(i,j))2融合特征图。最后采用最大类间方差法进行二值化。其中θ1为结构特征的阈值,θ2为灰度特征的阈值。M(i,j)为融合后特征图的像素。
实施例:从织物图像库中挑选几类常见织物疵点图像(破洞、断经、油渍、划痕等),图片大小均为256pixel X256pixel。选用部分图像,如图5(第一行)。采用本发明算法得到结构特征图和灰度特征图,如图5(第二行,第三行)。最后得到融合特征图和疵点分割图像,其中,取θ1=6,θ2=8,结果如图5(第四行,第五行),得到最终结果(第六行),可以看出疵点被检测出来了。
Claims (5)
1.基于距离匹配函数和感知哈希算法的织物疵点检测方法,其特征在于,其步骤如下:
步骤一:采用距离匹配函数从正常规则图像中提取最小纹理周期;
步骤二:构造重复周期的模板,采用感知哈希算法提取模板图像块的结构特征;
步骤三:从待测样本上获取待测图像块,提取待测图像块的结构特征和灰度均值特征;
步骤四:针对每个待测图像块的结构特征,与模板图像块的结构特征一一对比,生成最小汉明距离特征图H;
步骤五:针对每个待测图像块的灰度均值特征,与待测样本的灰度均值特征对比,生成灰度均值对比特征图D;
步骤六:融合特征图H和特征图D,利用最大类间方差法对最终的特征图进行分割,定位出疵点区域;
所述采用距离匹配函数从正常规则图像中提取最小纹理周期的方法:用二维变量f(x,y)表示织物图像灰度值,计算二维距离匹配函数:和式中,M,N分别为该图像的宽和高,x,y分别为该图像中像素的行与列;p代表函数的周期,当p为函数f(x,y)的行方向或者列方向的周期时,f(x,y)与f(x,y+p)或f(x+p,y)的差值最小,记最小周期的宽高分别为a、b,后续提取的图像块大小均为最小周期大小;
所述的构造重复周期的模板是指:从正常规则织物图像中,获取宽、高为2a和2b的正常规则图像模板;
所述的采用感知哈希算法提取模板图像块的结构特征的方法是:以计算出的最小周期a×b为窗口,在模板上以固定步长滑动获取图像块,采用感知哈希算法计算出图像块的哈希值作为结构特征;
2.根据权利要求1所述的织物疵点检测方法,其特征在于,所述的感知哈希算法的流程是:1)将图像块缩小到8×8的尺寸;2)计算压缩后图像块的灰度平均值;3)比较像素的灰度:将每个像素的灰度,与平均值进行比较,大于或等于平均值,记为1;小于平均值,记为0;4)计算哈希值:将上一步的比较结果,组合在一起,就构成了一个64位的整数,保证所有图像块都采用同样次序。
3.根据权利要求1所述的织物疵点检测方法,其特征在于,所述的从待测样本上获取待测图像块,提取待测图像块的结构特征和灰度均值特征的方法是:以计算出的最小周期a×b为窗口,在待测样本上以固定步长滑动获取图像块,采用感知哈希算法计算出图像块的哈希值作为结构特征,计算出图像块的平均灰度值作为灰度均值特征。
4.根据权利要求1所述的织物疵点检测方法,其特征在于,所述的针对每个待测图像块的灰度均值特征,与待测样本的灰度均值特征对比,生成灰度均值对比特征图D的方法是:在待测样本上以最小周期获取待测图像块,将待测图像块的灰度平均值与待测样本的灰度平均值做差再取绝对值作为对比结果,在生成特征图的过程中,一个待测图像块代表特征图的一个像素点,对比结果为特征点的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711191878.8A CN108090894B (zh) | 2017-11-24 | 2017-11-24 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711191878.8A CN108090894B (zh) | 2017-11-24 | 2017-11-24 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090894A CN108090894A (zh) | 2018-05-29 |
CN108090894B true CN108090894B (zh) | 2020-09-08 |
Family
ID=62172779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711191878.8A Active CN108090894B (zh) | 2017-11-24 | 2017-11-24 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090894B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344273B (zh) | 2018-07-25 | 2021-06-15 | 中兴通讯股份有限公司 | 一种壁纸管理的方法、装置和移动终端 |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN109344676B (zh) * | 2018-11-22 | 2021-09-24 | 福州图腾易讯信息技术有限公司 | 一种基于哈希算法的自动感应触发方法及其*** |
CN109685112A (zh) * | 2018-11-29 | 2019-04-26 | 昆明理工大学 | 一种基于颜色差值算法和DHash的图像相似判定方法 |
CN109685114B (zh) * | 2018-11-29 | 2022-04-15 | 昆明理工大学 | 一种基于预筛选法和PHash的图像相似判定方法 |
CN109961432A (zh) * | 2019-03-27 | 2019-07-02 | 广东工业大学 | 一种滤布破损的检测方法和*** |
CN110120029B (zh) * | 2019-04-30 | 2023-06-23 | 淮阴师范学院 | 基于感知哈希算法的图像融合方法 |
CN110111292B (zh) * | 2019-04-30 | 2023-07-21 | 淮阴师范学院 | 一种红外与可见光图像融合方法 |
CN112529831B (zh) * | 2019-08-28 | 2024-05-24 | 深圳市熠摄科技有限公司 | 利用图像处理技术的地貌潜变观测设备 |
CN111709915A (zh) * | 2020-05-28 | 2020-09-25 | 拉萨经济技术开发区美第意户外用品有限公司 | 一种速干面料瑕疵的自动检测方法及*** |
CN111814807B (zh) * | 2020-07-16 | 2023-10-24 | 抖音视界有限公司 | 用于处理图像的方法、装置、电子设备和计算机可读介质 |
CN114419039B (zh) * | 2022-03-28 | 2022-06-24 | 武汉市融科优品装饰材料有限公司 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
CN104778692A (zh) * | 2015-04-09 | 2015-07-15 | 中原工学院 | 一种基于稀疏表示系数优化的织物疵点检测方法 |
CN105261003A (zh) * | 2015-09-10 | 2016-01-20 | 西安工程大学 | 一种基于织物自身结构进行疵点检测的方法 |
CN106780464A (zh) * | 2016-12-15 | 2017-05-31 | 东华大学 | 一种基于改进阈值分割的织物疵点检测方法 |
CN107085844A (zh) * | 2017-03-14 | 2017-08-22 | 西安工程大学 | 基于稀疏表示的图像分解算法的织物瑕疵检测方法 |
CN107240086A (zh) * | 2016-03-25 | 2017-10-10 | 南通大学 | 一种基于积分图算法的织物瑕疵检测方法 |
-
2017
- 2017-11-24 CN CN201711191878.8A patent/CN108090894B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
CN104778692A (zh) * | 2015-04-09 | 2015-07-15 | 中原工学院 | 一种基于稀疏表示系数优化的织物疵点检测方法 |
CN105261003A (zh) * | 2015-09-10 | 2016-01-20 | 西安工程大学 | 一种基于织物自身结构进行疵点检测的方法 |
CN107240086A (zh) * | 2016-03-25 | 2017-10-10 | 南通大学 | 一种基于积分图算法的织物瑕疵检测方法 |
CN106780464A (zh) * | 2016-12-15 | 2017-05-31 | 东华大学 | 一种基于改进阈值分割的织物疵点检测方法 |
CN107085844A (zh) * | 2017-03-14 | 2017-08-22 | 西安工程大学 | 基于稀疏表示的图像分解算法的织物瑕疵检测方法 |
Non-Patent Citations (4)
Title |
---|
On the Use of Hash Functions as Preprocessing Algorithms to Detect Defects on Repeating Definite Textures;Ibrahim Cem Baykal et al;《Machine Vision and Applications》;20060831;第17卷(第3期);全文 * |
Patterned fabric defect detection via convolutional matching pursuit dual-dictionary;Jing Junfeng et al;《Optical Engineering》;20161231;第55卷(第5期);全文 * |
基于局部统计与整体显著性的织物疵点检测算法;刘洲峰;《纺织学报》;20141130;第35卷(第11期);全文 * |
应用方向梯度直方图和低秩分解的织物疵点检测算法;李春雷;《纺织学报》;20170331;第38卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108090894A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090894B (zh) | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 | |
Mei et al. | An unsupervised-learning-based approach for automated defect inspection on textured surfaces | |
Zhang et al. | Automatic detection of defects in tire radiographic images | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN106289777A (zh) | 一种基于几何度量的多工况滚动轴承性能评估方法 | |
CN110009618A (zh) | 一种轴类零件表面质量检测方法及装置 | |
JP2013543121A (ja) | タイヤのトレッドデザインを形成する基本的パターンを識別すると共に規定する方法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN111724372A (zh) | 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
Xie et al. | Fabric defect detection method combing image pyramid and direction template | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
Li et al. | A weak supervision machine vision detection method based on artificial defect simulation | |
Hoseini et al. | Fabric defect detection using auto-correlation function | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
Abdellah et al. | Defect detection and identification in textile fabric by SVM method | |
Sulaiman et al. | DEFECT INSPECTION SYSTEM FOR SHAPE-BASED MATCHING USING TWO CAMERAS. | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 | |
CN111256596A (zh) | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 | |
CN103493096A (zh) | 轮胎内表面的数字图像的分析和伪测量点的处理 | |
Koprowski et al. | Identification of layers in a tomographic image of an eye based on the canny edge detection |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210311 Address after: 211111 No. 12, Mazhou East Road, Mau Ling Street, Jiangning District, Nanjing, Jiangsu Patentee after: JIANGSU ZHIJU INTELLECTUAL PROPERTY SERVICE Co.,Ltd. Address before: 310018 No. 928 street, Baiyang street, Xiasha Higher Education Park, Jianggan District, Hangzhou, Zhejiang, China. 928 Patentee before: Zhejiang University of Technology |