CN112102254A - 基于机器视觉的木材表面缺陷检测方法与*** - Google Patents

基于机器视觉的木材表面缺陷检测方法与*** Download PDF

Info

Publication number
CN112102254A
CN112102254A CN202010847395.4A CN202010847395A CN112102254A CN 112102254 A CN112102254 A CN 112102254A CN 202010847395 A CN202010847395 A CN 202010847395A CN 112102254 A CN112102254 A CN 112102254A
Authority
CN
China
Prior art keywords
wood
image
defect
peak
neural network
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.)
Pending
Application number
CN202010847395.4A
Other languages
English (en)
Inventor
黄远民
易铭
杨伟杭
李大成
杨曼
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.)
Foshan Polytechnic
Original Assignee
Foshan Polytechnic
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 Foshan Polytechnic filed Critical Foshan Polytechnic
Priority to CN202010847395.4A priority Critical patent/CN112102254A/zh
Publication of CN112102254A publication Critical patent/CN112102254A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于机器视觉的木材表面缺陷检测方法与***，能够将木材图像纹理增强，利用中值滤波对图像进行去除噪声预处理，同时，构建神经网络识别模型和改进BP神经网络算法，提出一种两级神经网络板材表面缺陷检测模型结构，有效减少误差，保证了检测的精度，提高了产品的质量；通过设置伺服电机和丝杆，在木板表面缺陷检测过程中，完全可以代替人工操作，自动化程度高。相机在采集木板表面图像的过程，根据待木板的类型和规格，上位机发送木板类型和规格到PLC中，通过伺服电机带动丝杆传动，把相机移动到相应位置，定位准确，实现对不同类型和规格木板的图像采集，提高了板材的检测效率。

Description

基于机器视觉的木材表面缺陷检测方法与***
技术领域
本发明涉及木材检测技术领域，具体涉及一种基于机器视觉的木材表面缺陷检测方法与***。
背景技术
影响木材质量的因素主要包括：表面缺陷、尺寸以及色泽度等等。现有技术中，木材表面的检测主要通过人工进行检测，检测效果和效率主要依赖检验人员的经验，人为影响因素很大、自动化程度很低。同时，人工检测操作也存在工人劳动强度大、生产效率低等缺点。
就检测方法而言，现有的木材表面检测技术还存在以下缺点：1)传统的接触式测量技术制约了木材生产效率和加工精度，降低了木材材料的质量。2)传统的离线、静态测量技术满足不了现代加工中测量的要求，不能实时检测产品、控制生产过程容易造成废品，严重影响了产品质量。
因此，人工检测难以达到降低消耗、提高产品质量的目的，采用机器视觉的表面缺陷检测成为迫切需要。如何实现木材表面的快速、高精度及在线自动检测是木材生成加工企业亟待解决的问题。
发明内容
本发明的目的在于提出一种基于机器视觉的木材表面缺陷检测方法与***，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本发明的方法由CCD摄像头、照明***、图像采集卡、机械装置、主控计算机等部件组成，其工作过程是：首先将工件送到CCD摄像头视场内；然后由成像***和图像采集卡将图像采集到计算机内部；运用图像处理技术对采集到的原始图像进行预处理以改善图像质量，从中提取目标图像的特征量；最后运用图像处理技术对取到得特征量进行分类整理以完成***的检测。
为了实现上述目的，根据本发明的一方面，提供一种基于机器视觉的木材表面缺陷检测方法与***，所述方法包括以下步骤：
S100，采用光源发射器把光投射到木材上，利用相机采集木材图像，采用Canny算子提取木材图像中的边缘；
S200，通过中值滤波对木材图像中的边缘进行滤波降噪预处理得到降噪图；
S300，判断降噪图的灰度直方图是否存在缺陷，从而将存在缺陷的木材图像标记为有缺陷图像，没有缺陷的木材图像标记为无缺陷图像；
S400，根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域；
S500，通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征；
S600，通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域。
进一步地，将真实的缺陷区域显示在显示器上(真实的缺陷区域包括：节子、虫眼、裂纹)同时把真实的缺陷区域的信息保存在上位机的数据库中。
进一步地，在S100中，所述相机为工业线阵CCD相机；所述光源发射器为冷光源。
进一步地，在S100中，利用工业线阵CCD相机采集到的木材图像为RGB图像。
进一步地，在S100中，所述工业线阵CCD相机可变换拍摄位置。
进一步地，在S100中，所述工业线阵CCD相机通过丝杆与伺服电机连接，并在伺服电机的驱动下变换拍摄位置。
进一步地，在S100中，工业线阵CCD相机在采集木材表面图像的过程，根据待木材的类型和规格，上位机发送木材类型和规格到PLC中，PLC用于根据木材类型和规格控制伺服电机，通过伺服电机带动丝杆传动，把相机移动到相应位置，定位准确，实现对不同类型和规格木材的图像采集。
进一步地，在S200中，通过中值滤波对木材图像中的边缘进行滤波降噪预处理得到降噪图，所采用的中值滤波的基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。由于像素点的灰度值不依赖于相邻区域内与典型灰度值差别很大的像素点，所以该方法在去除噪声的同时又能保留图像边缘细节。
进一步地，在S300中，判断降噪图的灰度直方图是否存在缺陷的方法为：由于不同的木材表面具有不同的图像特征；无缺陷的木材图像背景灰度分布均匀，降噪图的灰度直方图的分布服从高斯分布；有缺陷的木材图像背景灰度分布不均匀，因此降噪图的灰度直方图不服从高斯分布；首先判断降噪图的灰度直方图中是否有颜色突变，如果有颜色突变则判断图片存在缺陷，如果降噪图的灰度直方图中的直方图曲线的波峰多于2个，则标记灰度直方图中有颜色突变，波峰为1个则灰度直方图中没有颜色突变；其中，有缺陷的木材图像在灰度直方图中表现出双峰特征，通常次波峰即为木材图像的缺陷部位；若直方图曲线只有一个波峰则判断为是正常的木材图像。
进一步地，在S400中，根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域的方法为，当次波峰的峰值与主波峰的峰值的比值大于1/8时，次波峰即是代表缺陷的颜色，次波峰所在区域即为木材图像的缺陷区域，其中，主波峰为峰值最大的直方图曲线的波峰，次波峰为峰值仅次于主波峰的直方图曲线的波峰。
进一步地，在S500中，通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征的方法为：Gabor特征提取算法提取缺陷区域中的纹理图像的特征即为缺陷纹理特征。
进一步地，在S600中，训练好的BP神经网络通过以下步骤获得：
S610，构建BP神经网络；
S620，设置BP神经网络学习速度与学习步长；
S630，通过预先采集的有缺陷的木材图像的数据集训练BP神经网络得到训练好的BP神经网络。
其中，构建BP神经网络主要包括以下四个步骤：
S611，BP神经网络的输入模式由BP神经网络的输入层经中间层向输出层正向传播输出；
S612，输出误差由输出层经中间层向输入层反向传播逐层修正连接权；
S613，正向传播和反向传播反复交替进行的网络记忆训练；
S614，网络学习收敛。
进一步地，在S600中，通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域的方法为：输入缺陷纹理特征到训练好的BP神经网络中，当训练好的BP神经网络输出的预测结果值大于预设的缺陷阈值时，判定为缺陷纹理特征在木材图像中对应的图像区域为真实的缺陷区域。
进一步地，在S600中，预设的缺陷阈值设置范围为0.6到0.8之间。
本发明还提供了基于机器视觉的木材表面缺陷自动化检测***，所述***包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下***的单元中：
木材图像采集单元，用于采用光源发射器把光投射到木材上，利用相机采集木材图像，采用Canny算子提取木材图像中的边缘；
降噪预处理单元，用于通过中值滤波对木材图像中的边缘进行滤波降噪预处理得到降噪图；
缺陷图像标记单元，用于判断降噪图的灰度直方图是否存在缺陷，从而将存在缺陷的木材图像标记为有缺陷图像，没有缺陷的木材图像标记为无缺陷图像；
缺陷区域识别单元，用于根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域；
纹理特征提取单元，用于通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征；
缺陷区域判断单元，用于通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域。
本发明的有益效果为：本发明提供一种基于机器视觉的木材表面缺陷检测方法与***，能够将木材图像纹理增强，利用中值滤波对图像进行去除噪声预处理，同时，构建神经网络识别模型和改进BP神经网络算法，提出一种两级神经网络板材表面缺陷检测模型结构，有效减少误差，保证了检测的精度，提高了产品的质量；通过设置伺服电机和丝杆，在木板表面缺陷检测过程中，完全可以代替人工操作，自动化程度高。相机在采集木板表面图像的过程，根据待木板的类型和规格，上位机发送木板类型和规格到PLC中，通过伺服电机带动丝杆传动，把相机移动到相应位置，定位准确，实现对不同类型和规格木板的图像采集，提高了板材的检测效率。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为基于机器视觉的木材表面缺陷自动化检测方法的流程图；
图2所示为基于机器视觉的木材表面缺陷自动化检测***结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本发明的基于机器视觉的木材表面缺陷自动化检测方法的流程图，下面结合图1来阐述根据本发明的实施方式的基于机器视觉的木材表面缺陷自动化检测方法。
本发明提出基于机器视觉的木材表面缺陷自动化检测方法，具体包括以下步骤：
本发明的方法基于的硬件结构是由工业线阵CCD、光源***、图像采集卡、机械传动装置、主控计算机等部件组成。光源***是冷光源。
一种机器视觉的木材表面缺陷自动检测方法与***，包括以下步骤：
S100，采用光源发射器把光投射到木材上，利用相机采集木材图像，采用Canny算子提取木材图像中的边缘；
S200，通过中值滤波对木材图像中的边缘进行滤波降噪预处理得到降噪图；
S300，判断降噪图的灰度直方图是否存在缺陷，从而将存在缺陷的木材图像标记为有缺陷图像，没有缺陷的木材图像标记为无缺陷图像；
S400，根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域；
S500，通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征；
S600，通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域。
进一步地，将真实的缺陷区域显示在显示器上(真实的缺陷区域包括：节子、虫眼、裂纹)同时把真实的缺陷区域的信息保存在上位机的数据库中。
进一步地，在S100中，所述相机为工业线阵CCD相机；所述光源发射器为冷光源。
进一步地，在S100中，利用工业线阵CCD相机采集到的木材图像为RGB图像。
进一步地，在S100中，所述工业线阵CCD相机可变换拍摄位置。
进一步地，在S100中，所述工业线阵CCD相机通过丝杆与伺服电机连接，并在伺服电机的驱动下变换拍摄位置。
进一步地，在S100中，工业线阵CCD相机在采集木材表面图像的过程，根据待木材的类型和规格，上位机发送木材类型和规格到PLC中，通过伺服电机带动丝杆传动，把相机移动到相应位置，定位准确，实现对不同类型和规格木材的图像采集，提高了木材的检测效率。
进一步地，在S200中，通过中值滤波对木材图像中的边缘进行滤波降噪预处理得到降噪图，所采用的中值滤波的基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。由于像素点的灰度值不依赖于相邻区域内与典型灰度值差别很大的像素点，所以该方法在去除噪声的同时又能保留图像边缘细节。
进一步地，在S300中，判断降噪图的灰度直方图是否存在缺陷的方法为：由于不同的木材表面具有不同的图像特征；无缺陷的木材图像背景灰度分布均匀，降噪图的灰度直方图的分布服从高斯分布；有缺陷的木材图像背景灰度分布不均匀，因此降噪图的灰度直方图不服从高斯分布；首先判断降噪图的灰度直方图中是否有颜色突变，如果有颜色突变则判断图片存在缺陷，如果降噪图的灰度直方图中的直方图曲线的波峰多于2个，则标记灰度直方图中有颜色突变，波峰为1个则灰度直方图中没有颜色突变；其中，有缺陷的木材图像在灰度直方图中表现出双峰特征，通常次波峰即为木材图像的缺陷部位；若直方图曲线只有一个波峰则判断为是正常的木材图像。
进一步地，在S400中，根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域的方法为，当次波峰的峰值与主波峰的峰值的比值大于1/8时，次波峰即是代表缺陷的颜色，次波峰所在区域即为木材图像的缺陷区域，其中，主波峰为峰值最大的直方图曲线的波峰，次波峰为峰值仅次于主波峰的直方图曲线的波峰。
进一步地，在S500中，通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征的方法为：Gabor特征提取算法提取缺陷区域中的纹理图像的特征即为缺陷纹理特征。
进一步地，在S600中，训练好的BP神经网络通过以下步骤获得：
S610，构建BP神经网络；
S620，设置BP神经网络学习速度与学习步长；
S630，通过预先采集的有缺陷的木材图像的数据集训练BP神经网络得到训练好的BP神经网络。
其中，构建BP神经网络主要包括以下四个步骤：
S611，BP神经网络的输入模式由BP神经网络的输入层经中间层向输出层正向传播输出；
S612，输出误差由输出层经中间层向输入层反向传播逐层修正连接权；
S613，正向传播和反向传播反复交替进行的网络记忆训练；
S614，网络学习收敛；
进一步地，在S600中，通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域的方法为：输入缺陷纹理特征到训练好的BP神经网络中，当训练好的BP神经网络输出的预测结果值大于预设的缺陷阈值时，判定为缺陷纹理特征在木材图像中对应的图像区域为真实的缺陷区域。
进一步地，在S600中，预设的缺陷阈值设置范围为0.6到0.8之间。
与现有技术相比，本实施例采用光源发射器投射到木板表面上，从而得到相应的图像人工纹理，有效增强被检测木板的条理特征。同时，在对图像去除噪声的过程除了采用中值滤波法，同时，构建神经网络识别模型和改进BP神经网络算法，提出一种两级神经网络板材表面缺陷检测模型结构，有效减少误差，提高了检测的可靠性。
本发明的实施例提供的基于机器视觉的木材表面缺陷自动化检测***，如图2所示为本发明的基于机器视觉的木材表面缺陷自动化检测***结构图，该实施例的基于机器视觉的木材表面缺陷自动化检测***包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于机器视觉的木材表面缺陷自动化检测***实施例中的步骤。
所述***包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下***的单元中：
木材图像采集单元，用于采用光源发射器把光投射到木材上，利用相机采集木材图像，采用Canny算子提取木材图像中的边缘；
降噪预处理单元，用于通过中值滤波对木材图像中的边缘进行滤波降噪预处理得到降噪图；
缺陷图像标记单元，用于判断降噪图的灰度直方图是否存在缺陷，从而将存在缺陷的木材图像标记为有缺陷图像，没有缺陷的木材图像标记为无缺陷图像；
缺陷区域识别单元，用于根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域；
纹理特征提取单元，用于通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征；
缺陷区域判断单元，用于通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域。
所述基于机器视觉的木材表面缺陷自动化检测***可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述基于机器视觉的木材表面缺陷自动化检测***，可运行的***可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是基于机器视觉的木材表面缺陷自动化检测***的示例，并不构成对基于机器视觉的木材表面缺陷自动化检测***的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于机器视觉的木材表面缺陷自动化检测***还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于机器视觉的木材表面缺陷自动化检测***运行***的控制中心，利用各种接口和线路连接整个基于机器视觉的木材表面缺陷自动化检测***可运行***的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于机器视觉的木材表面缺陷自动化检测***的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (8)

1.基于机器视觉的木材表面缺陷自动化检测方法，其特征在于，所述方法包括以下步骤：
S100，利用相机采集木材图像，采用Canny算子提取木材图像中的边缘；
S200，通过中值滤波对木材图像中的边缘进行滤波降噪预处理得到降噪图；
S300，判断降噪图的灰度直方图是否存在缺陷，从而将存在缺陷的木材图像标记为有缺陷图像，没有缺陷的木材图像标记为无缺陷图像；
S400，根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域；
S500，通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征；
S600，通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域。
2.根据权利要求1所述的基于机器视觉的木材表面缺陷自动化检测方法，其特征在于，在S100中，所述相机为工业线阵CCD相机，利用工业线阵CCD相机采集到的木材图像为RGB图像。
3.根据权利要求2所述的基于机器视觉的木材表面缺陷自动化检测方法，其特征在于，在S100中，工业线阵CCD相机在采集木材表面图像的过程，根据待木材的类型和规格，上位机发送木材类型和规格到PLC中，PLC用于根据木材类型和规格控制伺服电机，通过伺服电机带动丝杆传动，把相机移动到相应位置，定位准确，实现对不同类型和规格木材的图像采集。
4.根据权利要求1所述的基于机器视觉的木材表面缺陷自动化检测方法，其特征在于，在S300中，首先判断降噪图的灰度直方图中是否有颜色突变，如果有颜色突变则判断图片存在缺陷，如果降噪图的灰度直方图中的直方图曲线的波峰多于2个，则标记灰度直方图中有颜色突变，波峰为1个则灰度直方图中没有颜色突变；其中，有缺陷的木材图像在灰度直方图中表现出双峰特征，通常次波峰即为木材图像的缺陷部位；若直方图曲线只有一个波峰则判断为是正常的木材图像。
5.根据权利要求4所述的基于机器视觉的木材表面缺陷自动化检测方法，其特征在于，在S400中，根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域的方法为，当次波峰的峰值与主波峰的峰值的比值大于1/8时，次波峰即是代表缺陷的颜色，次波峰所在区域即为木材图像的缺陷区域，其中，主波峰为峰值最大的直方图曲线的波峰，次波峰为峰值仅次于主波峰的直方图曲线的波峰。
6.根据权利要求1所述的基于机器视觉的木材表面缺陷自动化检测方法，其特征在于，在S600中，训练好的BP神经网络通过以下步骤获得：
S610，构建BP神经网络；
S620，设置BP神经网络学习速度与学习步长；
S630，通过预先采集的有缺陷的木材图像的数据集训练BP神经网络得到训练好的BP神经网络。
7.根据权利要求6所述的基于机器视觉的木材表面缺陷自动化检测方法，其特征在于，在S600中，通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域的方法为：输入缺陷纹理特征到训练好的BP神经网络中，当训练好的BP神经网络输出的预测结果值大于预设的缺陷阈值时，判定为缺陷纹理特征在木材图像中对应的图像区域为真实的缺陷区域。
8.基于机器视觉的木材表面缺陷自动化检测***，其特征在于，所述***包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下***的单元中：
木材图像采集单元，用于采用光源发射器把光投射到木材上，利用相机采集木材图像，采用Canny算子提取木材图像中的边缘；
降噪预处理单元，用于通过中值滤波对木材图像中的边缘进行滤波降噪预处理得到降噪图；
缺陷图像标记单元，用于判断降噪图的灰度直方图是否存在缺陷，从而将存在缺陷的木材图像标记为有缺陷图像，没有缺陷的木材图像标记为无缺陷图像；
缺陷区域识别单元，用于根据有缺陷图像对应的降噪图的灰度直方图的主波峰和次波峰的关系识别有缺陷图像中的缺陷区域；
纹理特征提取单元，用于通过Gabor特征提取算法提取缺陷区域中的缺陷纹理特征；
缺陷区域判断单元，用于通过训练好的BP神经网络对缺陷纹理特征进行识别判断缺陷区域是否为真实的缺陷区域。
CN202010847395.4A 2020-08-21 2020-08-21 基于机器视觉的木材表面缺陷检测方法与*** Pending CN112102254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010847395.4A CN112102254A (zh) 2020-08-21 2020-08-21 基于机器视觉的木材表面缺陷检测方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010847395.4A CN112102254A (zh) 2020-08-21 2020-08-21 基于机器视觉的木材表面缺陷检测方法与***

Publications (1)

Publication Number Publication Date
CN112102254A true CN112102254A (zh) 2020-12-18

Family

ID=73754154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010847395.4A Pending CN112102254A (zh) 2020-08-21 2020-08-21 基于机器视觉的木材表面缺陷检测方法与***

Country Status (1)

Country Link
CN (1) CN112102254A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112697806A (zh) * 2021-01-22 2021-04-23 南京英诺森软件科技有限公司 一种基于图像识别技术的缺陷识别装置及其***
CN113379747A (zh) * 2021-08-16 2021-09-10 深圳市信润富联数字科技有限公司 木材的缺陷检测方法、电子装置、装置及存储介质
CN114199892A (zh) * 2021-12-10 2022-03-18 江苏雷默智能科技有限公司 一种基于机器视觉的板材测量方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN107145878A (zh) * 2017-06-01 2017-09-08 重庆邮电大学 基于深度学习的老人异常行为检测方法
CN107945161A (zh) * 2017-11-21 2018-04-20 重庆交通大学 基于纹理特征提取的道路表面缺陷检测方法
CN110992336A (zh) * 2019-12-02 2020-04-10 东莞西尼自动化科技有限公司 基于图像处理和人工智能的小样本缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN107145878A (zh) * 2017-06-01 2017-09-08 重庆邮电大学 基于深度学习的老人异常行为检测方法
CN107945161A (zh) * 2017-11-21 2018-04-20 重庆交通大学 基于纹理特征提取的道路表面缺陷检测方法
CN110992336A (zh) * 2019-12-02 2020-04-10 东莞西尼自动化科技有限公司 基于图像处理和人工智能的小样本缺陷检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112697806A (zh) * 2021-01-22 2021-04-23 南京英诺森软件科技有限公司 一种基于图像识别技术的缺陷识别装置及其***
CN113379747A (zh) * 2021-08-16 2021-09-10 深圳市信润富联数字科技有限公司 木材的缺陷检测方法、电子装置、装置及存储介质
CN114199892A (zh) * 2021-12-10 2022-03-18 江苏雷默智能科技有限公司 一种基于机器视觉的板材测量方法及***

Similar Documents

Publication Publication Date Title
CN109871895B (zh) 电路板的缺陷检测方法和装置
CN110826416B (zh) 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN112102254A (zh) 基于机器视觉的木材表面缺陷检测方法与***
US7409081B2 (en) Apparatus and computer-readable medium for assisting image classification
CN112102253A (zh) 基于机器视觉的无纺布表面缺陷自动化检测方法及***
CN110443791B (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN109378279B (zh) 晶圆检测方法及晶圆检测***
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN111444964B (zh) 一种基于自适应roi划分的多目标快速图像匹配方法
CN110544235B (zh) 一种基于微分几何的柔性电路板图像区域识别方法
CN111223078B (zh) 瑕疵等级判定的方法及存储介质
CN115880520A (zh) 一种基于模板匹配和缺陷分割的缺陷等级分类方法及***
CN117152165B (zh) 感光芯片缺陷的检测方法、装置、存储介质及电子设备
CN115100191A (zh) 基于工业检测的金属铸件缺陷识别方法
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、***
CN114332026A (zh) 一种铭牌表面划痕缺陷的视觉检测方法及装置
CN114235837A (zh) 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备
CN113379678A (zh) 一种电路板检测方法、装置、电子设备及存储介质
CN113310997A (zh) Pcb板缺陷确认方法、装置、自动光学检测设备及储存介质
CN113947598B (zh) 基于图像处理的塑料餐盒缺陷检测方法、装置及***
CN112802022B (zh) 智能检测缺陷玻璃图像的方法、电子设备以及存储介质
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN111833350A (zh) 机器视觉检测方法与***
CN116681677A (zh) 一种锂电池缺陷检测方法、装置及***
JP4814116B2 (ja) 実装基板外観検査方法

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