CN109671079B - 一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法 - Google Patents
一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法 Download PDFInfo
- Publication number
- CN109671079B CN109671079B CN201811585653.5A CN201811585653A CN109671079B CN 109671079 B CN109671079 B CN 109671079B CN 201811585653 A CN201811585653 A CN 201811585653A CN 109671079 B CN109671079 B CN 109671079B
- Authority
- CN
- China
- Prior art keywords
- image
- straight line
- gray level
- follows
- occurrence matrix
- 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
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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20036—Morphological 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法。主要解决了现有的瓦楞纸板计数方法对瓦楞纸板堆积不适应、检测准确率低的问题。一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法,包括如下步骤:步骤一、截取图像的感兴趣区域;步骤二、转化为灰度图像;步骤三、灰度图像二值化;步骤四、二值图像腐蚀操作;步骤五,直线检测;步骤六、直线筛选和聚类等。该基于灰度共生矩阵特征的瓦楞纸板智能检测方法可适应瓦楞纸堆中瓦楞层存在倾斜角度和层间存在缝隙等情况,检测准确率高。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法。
背景技术
瓦楞纸板是一个多层的黏合体,它最少由一层波浪形芯纸夹层(俗称“坑张”、“瓦楞纸”、“瓦楞芯纸”、“瓦楞纸芯”、“瓦楞原纸”)及一层纸板(又称“箱板纸”、“箱纸板”)构成。具有良好的抗压强度和防震性能,能承受一定的压力、冲击和振动;重量轻,价格便宜,可以大规模生产多种尺寸,使用前储存空间很小,并能印刷各种图案,因此在制成品包装运输上得到广泛运用。
大规模生产中需对瓦楞纸板进行计数工作,但人工进行计数方法需要耗费大量时间,而且随着工作时间的增加,人工可能会因疲劳等产生计数误差。
计算机视觉识别是基于图像处理计数对瓦楞纸中纸板信息进行提取,但现有瓦楞纸识别算法主要有如下问题:实际中,瓦楞纸板堆积可能不够紧密,每层瓦楞纸中间容易出现缝隙,而且堆积很难保证水平,现有的方法在这些情况时检测不够准确。
发明内容
为了克服背景技术的不足,本发明提供一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法,主要解决了现有的瓦楞纸板计数方法对瓦楞纸板堆积不适应、检测准确率低的问题。
本发明所采用的技术方案是:一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法,包括如下步骤:
步骤一、截取图像的感兴趣区域:对工业相机采集的瓦楞纸板瓦楞面图像截取感兴趣区域,感兴趣区域图像的宽度为W,高度为H;
步骤二、转化为灰度图像:如果步骤一得到的感兴趣区域图像是多通道的彩色图像,则将感兴趣区域图像转化为灰度图像;
步骤三、灰度图像二值化:将步骤二得到的灰度图像进行局部自适应二值化,得到二值图像;
步骤四、二值图像腐蚀操作:对步骤三得到的二值图像进行腐蚀操作,得到腐蚀后的二值图像;
步骤五,直线检测:用霍夫直线检测算法对步骤四中腐蚀后的二值图像进行直线检测,得到直线集合L0={(ρi,θi),i=1,...,n},其中ρi是直线i到坐标点(0,0)的距离,θi是直线i的角度(0表示垂直线,π/2表示水平线),n是直线的个数;
步骤六、直线筛选和聚类:对步骤五的直线集合L0进行粗略角度筛选和聚类,得到直线集合L1,具体过程如下:遍历L0中的直线,
步骤六一、初始化i=1;
步骤六二、判断直线i的角度θi,若||θi|-π/2|≤0.05π,则进行步骤六三,否则进行步骤六四;
步骤六三、若集合L1为空,则将直线i添加到集合L1中;若集合L1非空,则遍历L1中直线;若存在直线j使得|ρj-ρi|<7且|θj-θi|<π/120,则更新θj=(θj+θi)/2,ρj=(ρj+ρi)/2,若不存在,则将直线i添加到集合L1中;
步骤六四、更新i=i+1,重复进行步骤六一,直到i>n;
步骤九、图像分割:将步骤八得到的旋转后的图像分割成n2-1个图像块,组成集合SP={Pk,k=1,...,n2-1},其中图像块Pk左上像素点在旋转后的图像中坐标为(0,ρk),宽度wk为旋转后的图像宽度,高度hk为ρk+1-ρk;
步骤十、计算每个图像块中每个像素的灰度等级:计算步骤九中的每个图像块Pk的最大像素值Imax,k,然后计算Pk的每个像素的灰度等级,计算公式如下:
其中Ik(i,j)为图像块中像素(i,j)的像素值,Nlevel为灰度等级个数,本方法选为16;
步骤十一、计算每个图像块的水平方向的灰度共生矩阵:根据步骤十得到的每个图像块中像素的灰度等级计算水平方向的灰度共生矩阵,其中图像块Pk的灰度共生矩阵为Gk,计算公式如下:
其中Gk(p,q)为矩阵Gk第p行第q列的值,I[·]为指示函数,如果括号中的等式为真,则函数值为1,否则为0,得到的矩阵Gk大小为Nlevel×Nlevel;
步骤十二、提取灰度共生矩阵的特征:首先对步骤十一得到的每个图像块的灰度共生矩阵进行归一化,公式如下:
G'k(p,q)=Gk(p,q)/Gk,max
其中Gk,max为矩阵Gk中元素最大值,然后计算能量,熵,对比度,逆差矩四个特征,其中能量特征Fk,energy计算公式为:
熵特征Fk,entropy计算公式为:
对比度特征Fk,contrast计算公式为:
逆差矩特征Fk,moment计算公式为:
步骤十三、分类器检测判断瓦楞纸层:用预先训练好的支持向量机分类器对每个图像块Pk的特征Fk进行类别预测,如果特征Fk的预测值在区间(1-ε,1+ε)之间,则认为图像块Pk是瓦楞层,否则则认为不是,其中ε=10-4。
所述步骤四、二值图像腐蚀操作:对步骤三得到的二值图像进行腐蚀操作,得到腐蚀后的二值图像,其中腐蚀元的宽度为31,高度为3。
所述步骤三中的局部自适应二值化,其实现方法是:坐标为(i,j)的像素,其阈值t(i,j)计算公式如下:
其中I(i,j)为灰度图像坐标(i,j)的像素值;
二值化公式如下:
其中IB(i,j)为二值化后图像坐标(i,j)的像素值。
所述步骤十中Nlevel选为16。
所述步骤十三中的预先训练好的支持向量机分类器的训练方法是:对工业相机采集的多幅瓦楞纸图像,用步骤一到步骤九对瓦楞纸图像分割得到多个图像块,并对每个图像块进行人工标记为正负样本,然后对每个图像块用步骤十到步骤十二提取特征向量,最后用每个图像块的特征向量和标记训练支持向量机分类器。
本发明的有益效果是:
通过对原图像选取感兴趣区域和二值化、腐蚀等预处理,然后对图像进行霍夫直线检测,并根据直线角度进行筛选和聚类,算出直线的位置和角度平均值;之后对图像进行转正并分割为多个图像块;最后提取每个图像块的灰度共生矩阵特征,并用离线训练的支持向量机分类器进行瓦楞层判断;可适应瓦楞纸堆中瓦楞层存在倾斜角度和层间存在缝隙等情况,检测准确率高。
具体实施方式
下面对本发明实施例作进一步说明:
一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法,包括如下步骤:
步骤一、截取图像的感兴趣区域:对工业相机采集的瓦楞纸板瓦楞面图像截取感兴趣区域,感兴趣区域图像的宽度为W,高度为H;
步骤二、转化为灰度图像:如果步骤一得到的感兴趣区域图像是多通道的彩色图像,则将感兴趣区域图像转化为灰度图像;
步骤三、灰度图像二值化:将步骤二得到的灰度图像进行局部自适应二值化,得到二值图像;
步骤四、二值图像腐蚀操作:对步骤三得到的二值图像进行腐蚀操作,得到腐蚀后的二值图像;
步骤五,直线检测:用霍夫直线检测算法对步骤四中腐蚀后的二值图像进行直线检测,得到直线集合L0={(ρi,θi),i=1,...,n},其中ρi是直线i到坐标点(0,0)的距离,θi是直线i的角度(0表示垂直线,π/2表示水平线),n是直线的个数;
步骤六、直线筛选和聚类:对步骤五的直线集合L0进行粗略角度筛选和聚类,得到直线集合L1,具体过程如下:遍历L0中的直线,
步骤六一、初始化i=1;
步骤六二、判断直线i的角度θi,若||θi|-π/2|≤0.05π,则进行步骤六三,否则进行步骤六四;
步骤六三、若集合L1为空,则将直线i添加到集合L1中;若集合L1非空,则遍历L1中直线;若存在直线j使得|ρj-ρi|<7且|θj-θi|<π/120,则更新θj=(θj+θi)/2,ρj=(ρj+ρi)/2,若不存在,则将直线i添加到集合L1中;
步骤六四、更新i=i+1,重复进行步骤六一,直到i>n;
步骤九、图像分割:将步骤八得到的旋转后的图像分割成n2-1个图像块,组成集合SP={Pk,k=1,...,n2-1},其中图像块Pk左上像素点在旋转后的图像中坐标为(0,ρk),宽度wk为旋转后的图像宽度,高度hk为ρk+1-ρk;
步骤十、计算每个图像块中每个像素的灰度等级:计算步骤九中的每个图像块Pk的最大像素值Imax,k,然后计算Pk的每个像素的灰度等级,计算公式如下:
其中Ik(i,j)为图像块中像素(i,j)的像素值,Nlevel为灰度等级个数,本方法选为16;
步骤十一、计算每个图像块的水平方向的灰度共生矩阵:根据步骤十得到的每个图像块中像素的灰度等级计算水平方向的灰度共生矩阵,其中图像块Pk的灰度共生矩阵为Gk,计算公式如下:
其中Gk(p,q)为矩阵Gk第p行第q列的值,I[·]为指示函数,如果括号中的等式为真,则函数值为1,否则为0,得到的矩阵Gk大小为Nlevel×Nlevel;
步骤十二、提取灰度共生矩阵的特征:首先对步骤十一得到的每个图像块的灰度共生矩阵进行归一化,公式如下:
G'k(p,q)=Gk(p,q)/Gk,max
其中Gk,max为矩阵Gk中元素最大值,然后计算能量,熵,对比度,逆差矩四个特征,其中能量特征Fk,energy计算公式为:
熵特征Fk,entropy计算公式为:
对比度特征Fk,contrast计算公式为:
逆差矩特征Fk,moment计算公式为:
步骤十三、分类器检测判断瓦楞纸层:用预先训练好的支持向量机分类器对每个图像块Pk的特征Fk进行类别预测,如果特征Fk的预测值在区间(1-ε,1+ε)之间,则认为图像块Pk是瓦楞层,否则则认为不是,其中ε=10-4。
所述步骤四、二值图像腐蚀操作:对步骤三得到的二值图像进行腐蚀操作,得到腐蚀后的二值图像,其中腐蚀元的宽度为31,高度为3。
所述步骤三中的局部自适应二值化,其实现方法是:坐标为(i,j)的像素,其阈值t(i,j)计算公式如下:
其中I(i,j)为灰度图像坐标(i,j)的像素值;
二值化公式如下:
其中IB(i,j)为二值化后图像坐标(i,j)的像素值。
所述步骤十中Nlevel选为16。
所述步骤十三中的预先训练好的支持向量机分类器的训练方法是:对工业相机采集的多幅瓦楞纸图像,用步骤一到步骤九对瓦楞纸图像分割得到多个图像块,并对每个图像块进行人工标记为正负样本,然后对每个图像块用步骤十到步骤十二提取特征向量,最后用每个图像块的特征向量和标记训练支持向量机分类器。
本发明的有益效果是:
通过对原图像选取感兴趣区域和二值化、腐蚀等预处理,然后对图像进行霍夫直线检测,并根据直线角度进行筛选和聚类,算出直线的位置和角度平均值;之后对图像进行转正并分割为多个图像块;最后提取每个图像块的灰度共生矩阵特征,并用离线训练的支持向量机分类器进行瓦楞层判断;可适应瓦楞纸堆中瓦楞层存在倾斜角度和层间存在缝隙等情况,检测准确率高。
各位技术人员须知:虽然本发明已按照上述具体实施方式做了描述,但是本发明的发明思想并不仅限于此发明,任何运用本发明思想的改装,都将纳入本专利专利权保护范围内。
Claims (4)
1.一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法,其特征在于:包括如下步骤:
步骤一、截取图像的感兴趣区域:对工业相机采集的瓦楞纸板瓦楞面图像截取感兴趣区域,感兴趣区域图像的宽度为W,高度为H;
步骤二、转化为灰度图像:如果步骤一得到的感兴趣区域图像是多通道的彩色图像,则将感兴趣区域图像转化为灰度图像;
步骤三、灰度图像二值化:将步骤二得到的灰度图像进行局部自适应二值化,得到二值图像;
步骤四、二值图像腐蚀操作:对步骤三得到的二值图像进行腐蚀操作,得到腐蚀后的二值图像;
步骤五、 直线检测:用霍夫直线检测算法对步骤四中腐蚀后的二值图像进行直线检测,得到直线集合L0={(ρi,θi)|i=1,...,n},其中ρi是直线i到坐标点(0,0)的距离,θi是直线i的角度,θi为0时表示垂直线,θi为π/2时表示水平线,n是直线的个数;
步骤六、直线筛选和聚类:对步骤五的直线集合L0进行粗略角度筛选和聚类,得到直线集合L1,具体过程如下:遍历L0中的直线,
步骤六一、初始化i=1;
步骤六二、判断直线i的角度θi,若||θi|-π/2|≤0.05π,则进行步骤六三,否则进行步骤六四;
步骤六三、若集合L1为空,则将直线i添加到集合L1中;若集合L1非空,则遍历L1中直线;若存在直线j使得|ρj-ρi|<7且|θj-θi|<π/120,则更新θj=(θj+θi)/2,ρj=(ρj+ρi)/2,若不存在,则将直线i添加到集合L1中;
步骤六四、更新i=i+1,重复进行步骤六一,直到i>n;
步骤九、图像分割:将步骤八得到的旋转后的图像分割成n2-1个图像块,组成集合SP={Pk|k=1,...,n2-1},其中图像块Pk左上像素点在旋转后的图像中坐标为(0,ρk),宽度wk为旋转后的图像宽度,高度hk为ρk+1-ρk;
步骤十、计算每个图像块中每个像素的灰度等级:计算步骤九中的每个图像块Pk的最大像素值Imax,k,然后计算Pk的每个像素的灰度等级,计算公式如下:
其中Ik(i,j)为图像块中像素(i,j)的像素值,Nlevel为灰度等级个数,本方法选为16;
步骤十一、计算每个图像块的水平方向的灰度共生矩阵:根据步骤十得到的每个图像块中像素的灰度等级计算水平方向的灰度共生矩阵,其中图像块Pk的灰度共生矩阵为Gk,计算公式如下:
其中Gk(p,q)为矩阵Gk第p行第q列的值,I[·]为指示函数,如果括号中的等式为真,则函数值为1,否则为0,得到的矩阵Gk大小为Nlevel×Nlevel;
步骤十二、提取灰度共生矩阵的特征:首先对步骤十一得到的每个图像块的灰度共生矩阵进行归一化,公式如下:
G′k(p,q)=Gk(p,q)/Gk,max
其中Gk,max为矩阵Gk中元素最大值,然后计算能量,熵,对比度,逆差矩四个特征,其中能量特征Fk,energy计算公式为:
熵特征Fk,entropy计算公式为:
对比度特征Fk,contrast计算公式为:
逆差矩特征Fk,moment计算公式为:
步骤十三、分类器检测判断瓦楞纸层:用预先训练好的支持向量机分类器对每个图像块Pk的特征Fk进行类别预测,如果特征Fk的预测值在区间(1-ε,1+ε)之间,则认为图像块Pk是瓦楞层,否则则认为不是,其中ε=10-4。
2.根据权利要求1所述的一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法,其特征在于:所述步骤四、二值图像腐蚀操作:对步骤三得到的二值图像进行腐蚀操作,得到腐蚀后的二值图像,其中腐蚀元的宽度为31,高度为3。
4.根据权利要求1所述的一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法,其特征在于:所述步骤十三中的预先训练好的支持向量机分类器的训练方法是:对工业相机采集的多幅瓦楞纸图像,用步骤一到步骤九对瓦楞纸图像分割得到多个图像块,并对每个图像块进行人工标记为正负样本,然后对每个图像块用步骤十到步骤十二提取特征向量,最后用每个图像块的特征向量和标记训练支持向量机分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811585653.5A CN109671079B (zh) | 2018-12-25 | 2018-12-25 | 一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811585653.5A CN109671079B (zh) | 2018-12-25 | 2018-12-25 | 一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671079A CN109671079A (zh) | 2019-04-23 |
CN109671079B true CN109671079B (zh) | 2021-04-16 |
Family
ID=66146126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811585653.5A Active CN109671079B (zh) | 2018-12-25 | 2018-12-25 | 一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671079B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490207B (zh) * | 2019-08-27 | 2023-07-18 | 河北科技大学 | 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法 |
CN111882562A (zh) * | 2020-07-08 | 2020-11-03 | 谢超奇 | 纸箱整体湿度解析*** |
CN113850808B (zh) * | 2021-12-01 | 2022-03-22 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN113935996B (zh) * | 2021-12-16 | 2022-03-15 | 武汉市菲利纸业有限责任公司 | 基于图像处理的瓦楞纸透楞现象检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609555A (zh) * | 2009-07-27 | 2009-12-23 | 浙江工商大学 | 一种基于灰度共生矩阵的灰度模板匹配方法 |
CN104715240A (zh) * | 2015-03-25 | 2015-06-17 | 华中科技大学 | 基于灰度共生矩阵的港币纹理图像的分版方法 |
CN108090511A (zh) * | 2017-12-15 | 2018-05-29 | 泰康保险集团股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6970592B2 (en) * | 2000-09-04 | 2005-11-29 | Fujitsu Limited | Apparatus and method for correcting distortion of input image |
JP5117211B2 (ja) * | 2008-02-05 | 2013-01-16 | 株式会社リコー | 画像形成装置 |
-
2018
- 2018-12-25 CN CN201811585653.5A patent/CN109671079B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609555A (zh) * | 2009-07-27 | 2009-12-23 | 浙江工商大学 | 一种基于灰度共生矩阵的灰度模板匹配方法 |
CN104715240A (zh) * | 2015-03-25 | 2015-06-17 | 华中科技大学 | 基于灰度共生矩阵的港币纹理图像的分版方法 |
CN108090511A (zh) * | 2017-12-15 | 2018-05-29 | 泰康保险集团股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
GLCM texture based fractal method for evaluating fabric surface roughness;Xin Wang et al.;《2009 Canadian Conference on Electrical and Computer Engineering》;20090619;第104-107页 * |
灰度共生矩阵纹理特征提取算法的优化与实现;吴文涵 等;《数字技术与应用》;20150630;第1-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109671079A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671079B (zh) | 一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法 | |
CN108596066B (zh) | 一种基于卷积神经网络的字符识别方法 | |
CN102930268B (zh) | 一种用于污染及多视角情况下DataMatrix码的精确定位方法 | |
CN106557764A (zh) | 一种基于二进制编码字符水尺和图像处理的水位识别方法 | |
CN111340875B (zh) | 一种基于三维激光雷达的空间移动目标检测方法 | |
CN109785301B (zh) | 一种基于图像处理的钢轨波磨周期评估方法 | |
CN105184770B (zh) | 一种用于球栅阵列引脚芯片的焊球定位及其参数识别方法 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN112465809B (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
CN111145228A (zh) | 基于局部轮廓点与形状特征融合的异源图像配准方法 | |
CN109658404A (zh) | 一种基于图像轮廓提取与聚类的瓦楞纸板智能检测方法 | |
CN110223310B (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
CN106803245B (zh) | 基于探地雷达周期性检测的铁路路基状态评估方法 | |
CN112233116A (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN113689429B (zh) | 一种基于计算机视觉的木板缺陷检测方法 | |
CN111161260A (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 | |
CN109685791B (zh) | 一种基于多窗自相关纹理检测的瓦楞纸板鲁棒检测方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi***的缺陷特征提取与识别方法 | |
CN109711405B (zh) | 一种基于骨架自校正的瓦楞纸板非监督提取方法 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN109858484B (zh) | 一种基于偏斜评价的多类别变换车牌校正方法 | |
CN114612458A (zh) | 一种基于电子样稿的柔印首件检测方法 | |
CN112381844B (zh) | 基于图像分块的自适应orb特征提取方法 | |
CN116485832B (zh) | 用于废硅片回收的不均布流体杂质边缘精准检测方法 | |
CN105868794B (zh) | 一种基于isar图像的舰船目标模糊识别方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210326 Address after: 315200 No.189 Guangming Road, Zhuangshi street, Zhenhai District, Ningbo City, Zhejiang Province Applicant after: Ningbo Intelligent Equipment Research Institute Co.,Ltd. Address before: 264006 No. 32, Yantai economic and Technological Development Zone, Shandong, Zhujianglu Road Applicant before: Yu Xinghu |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |