CN114219794B - 基于机器视觉的刨花板表面质量评估方法及*** - Google Patents
基于机器视觉的刨花板表面质量评估方法及*** Download PDFInfo
- Publication number
- CN114219794B CN114219794B CN202111554577.3A CN202111554577A CN114219794B CN 114219794 B CN114219794 B CN 114219794B CN 202111554577 A CN202111554577 A CN 202111554577A CN 114219794 B CN114219794 B CN 114219794B
- Authority
- CN
- China
- Prior art keywords
- point
- connecting line
- gray
- pixel
- shaving
- 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
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
-
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (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)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及机器视觉技术领域,具体涉及一种基于机器视觉的刨花板表面质量评估方法及***,该方法包括:基于刨花板表面图像进行像素点匹配,得到若干点对,点对中像素点分别位于刨花的一组对边上;获取每个点对的连线方向、连线灰度值、连线距离;点对连线经过像素的灰度均值为连线灰度值;对刨花板表面图像进行滑窗,对于每个窗口,根据点对的连线方向和连线灰度值对窗口内点对进行分组,每个组中的点对隶属于同一个刨花,根据每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度;基于刨花板表面图像中每个像素对应的粗刨程度,进行大刨花缺陷的识别定位。本发明的缺陷检测结果不易受刨花板表面复杂纹理的干扰。
Description
技术领域
本发明涉及机器视觉领域,具体涉及一种基于机器视觉的刨花板表面质量评估方法及***。
背景技术
目前,刨花板作为家具板材生产的主要基材,其会经过三聚氰胺浸渍纸贴面等二次表面加工制成成品家具板材。为了降低成本,三聚氰胺浸渍纸的克纸重不断降低,纸的遮盖性能也随之降低,因此,在刨花板基材的贴面过程中极易出现透底现象,即基材刨花板的粗大刨花若隐若现,影响视觉效果,降低了产品的外观质量。
造成这种透底现象的原因除了纸的遮盖性能下降以外,刨花板基材本身的表面质量即刨花板基材表面存在粗大刨花也是影响贴面板质量的重要因素。因此,在贴面工序前及时对刨花板基材进行质量评估可以有效降低成品的外观缺陷率。而刨花板基材的表面质量缺陷又主要由表面大刨花引起,进而需要对大刨花进行检测。
现有技术中对大刨花的检测主要有人工目检、人工神经网络算法检测、以及传统机器视检测;其中,人工目检效率低、易出错;人工神经网络算法需要大量的训练数据且数据获取成本高;传统的机器视觉检测一般应用均值方差法将缺陷分割出来,这种方法无法对纹理复杂,且刨花本身颜色复杂的刨花板基材进行检测。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于机器视觉的刨花板表面质量评估方法及***,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于机器视觉的刨花板表面质量评估方法,该方法包括以下具体步骤:
基于刨花板表面图像进行像素点匹配,得到若干点对,点对中像素点分别位于刨花的一组对边上;获取每个点对的连线方向、连线灰度值、连线距离;点对连线经过像素的灰度均值为连线灰度值;
对刨花板表面图像进行滑窗,对于每个窗口,根据点对的连线方向和连线灰度值对窗口内点对进行分组,每个组中的点对隶属于同一个刨花,根据每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度;
基于刨花板表面图像中每个像素对应的粗刨程度,进行大刨花缺陷的识别定位。
进一步地,对于每个窗口,根据点对的连线方向和连线灰度值对窗口内点对进行分组,具体为:
对于每个窗口,获取窗口内每个点对的连线方向和连线灰度值对应的连线方向等级和连线灰度值等级;以连线方向等级和连线灰度值等级为两个维度,构建灰度-方向共生矩阵进行点对分组;其中,灰度-方向共生矩阵中第α行第β列处的元素值表示窗口中连线方向等级为α,连线灰度值等级为β的点对的个数占比p(α,β)。
进一步地,根据每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度,具体为:
对于每个窗口,根据窗口对应的灰度-方向共生矩阵中连线方向等级为α,连线灰度值等级为β的点对的连线距离均值获取距离指标d(α,β);
R表示窗口内像素对应的粗刨程度,A和B分别表示划分的连线方向等级数和连线灰度值等级数。
进一步地,若所述连线距离均值小于距离阈值,距离指标为所述连线距离均值与距离阈值的比值,否则,距离指标为预设数值。
进一步地,若像素对应多个粗刨程度,则基于粗刨程度的均值,进行大刨花缺陷的识别定位。
进一步地,所述点对的获取具体为:
对于刨花板表面图像中的每个像素点,利用其梯度方向的垂线将其邻域区域划分为两个子区域;灰度方差较小的子区域对应的灰度均值为该像素对应的灰度指标值,该像素点沿梯度方向所在直线指向灰度方差较小子区域的方向为该像素点对应的刨花内部指向;
基于灰度指标值对刨花板表面图像中的像素点进行分类,对于每个类别,该类别中的每个像素点依次为目标像素点,该类别中与目标像素点刨花内部指向相反的像素点构成目标像素点的候选匹配点集合;若候选匹配点集合中的点对应的候选匹配点集合中不包括所述目标像素点,则将该点剔除,剩余点与目标像素点分别构成候选点对;该类别中每个像素点对应的候选点对构成候选点对集合,基于连线距离在候选点对集合中进行点对的选择;其中,所选择点对中的像素点各不相同。
进一步地,基于连线距离在候选点对集合中进行点对的选择,具体为:
对候选点对集合中的点对进行连线距离升序排序,连线距离最小的点为选择的点对,将候选点对集合中包括所选择点对中像素点的点对剔除,剩余点对中连线距离最小的点为选择的点对,迭代进行点对的选择,直至候选点对集合中不存在点对。
第二方面,本发明另一个实施例提供了一种基于机器视觉的刨花板表面质量评估***,该***包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于机器视觉的刨花板表面质量评估方法的步骤。
本发明实施例至少具有如下有益效果:本发明基于窗口内每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度;进而基于刨花板表面图像中每个像素对应的粗刨程度,进行大刨花定位;本发明的缺陷检测结果不易受刨花板表面复杂纹理的干扰,可根据刨花板表面复杂的纹理特征实现大刨花的缺陷判断与定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明实施例的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于机器视觉的刨花板表面质量评估方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例以下面的应用场景为例对本发明进行说明:
该应用场景为:在家具板材的生产中,刨花板作为基材,需要对其进行二次表面加工如贴面,而在贴面工序之前若刨花板基材表面存在缺陷(主要为大刨花缺陷),对其进行贴面后易出现贴面透底的贴面工序缺陷。因此需要在进行贴面工序之前就对刨花板基材进行表面质量检测,从而降低贴面成品的缺陷率。本发明实施例在贴面流水线入料口之前设置相机对刨花板基材进行表面图像采集,并对采集到的图像进行处理,获得当前刨花板基材的表面质量评估结果,同时如果其表面质量不合格,标记其缺陷在基材表面的大致区域。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的刨花板表面质量评估方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的刨花板表面质量评估方法的步骤流程图,该方法包括以下步骤:
基于刨花板表面图像进行像素点匹配,得到若干点对,点对中像素点分别位于刨花的一组对边上;获取每个点对的连线方向、连线灰度值、连线距离;点对连线经过像素的灰度均值为连线灰度值;
对刨花板表面图像进行滑窗,对于每个窗口,根据点对的连线方向和连线灰度值对窗口内点对进行分组,每个组中的点对隶属于同一个刨花,根据每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度;
基于刨花板表面图像中每个像素对应的粗刨程度,进行大刨花缺陷的识别定位。
下面对上述各个步骤进行具体展开:
步骤S1,基于刨花板表面图像进行像素点匹配,得到若干点对,点对中像素点分别位于刨花的一组对边上;获取每个点对的连线方向、连线灰度值、连线距离;点对连线经过像素的灰度均值为连线灰度值。
(a)获取刨花板表面图像中每个像素点的梯度方向,具体地,将刨花板表面图像转化为灰度图,基于灰度图进行像素点梯度方向的计算,优选地,实施例利用sobel算子获取每个像素点的梯度方向。
(b)对于刨花板表面图像中的一个像素点,若其为刨花板表面某个刨花的边缘点,则其梯度方向所在直线会经过该刨花的内部与外部,根据先验,刨花内部为灰度值均匀的像素点,刨花外部为随机的其他刨花内部的点。单个刨花为木材切削制成,其特点为细长、且两头不规则但长边近似平行的薄木片;因此,结合刨花特征,基于像素点的梯度方向进行像素点匹配,得到若干点对,具体地:
对于刨花板表面图像中的每个像素点,利用其梯度方向的垂线将其邻域区域划分为两个子区域,优选地,实施例中邻域区域为8邻域区域;灰度方差较小的子区域对应的灰度均值为该像素对应的灰度指标值,该像素点沿梯度方向所在直线指向灰度方差较小子区域的方向为该像素点对应的刨花内部指向;基于灰度指标值对刨花板表面图像中的像素点进行分类,具体地,灰度指标值相同或灰度指标值在预设指标值范围内的像素点为一类;对于每个类别,该类别中的每个像素点依次为目标像素点,该类别中与目标像素点刨花内部指向相反或近似相反的像素点构成目标像素点的候选匹配点集合;若候选匹配点集合中的点对应的候选匹配点集合中不包括所述目标像素点,则将该点剔除,剩余点与目标像素点分别构成候选点对;该类别中每个像素点对应的候选点对构成候选点对集合,基于连线距离在候选点对集合中进行点对的选择;其中,所选择点对中的像素点各不相同。具体地,点对的选择过程为:对候选点对集合中的点对进行连线距离升序排序,连线距离最小的点为选择的点对,将候选点对集合中包括所选择点对中像素点的点对剔除,剩余点对中连线距离最小的点为选择的点对,迭代进行点对的选择,直至候选点对集合中不存在点对。需要注意,将候选点对集合中包括所选择点对中像素点的点对进行剔除时,所选择的点对也要进行剔除。
其中,若刨花板表面图像中的一个像素点为刨花的边缘点,则该像素点对应的灰度方差较小的子区域为该像素点所属刨花的内部区域,进而,同一个刨花的边缘点对应的灰度指标值应该是相同或相近的,因此,本发明基于灰度指标值对对刨花板表面图像中的像素点进行分类,分类后得到的每个类别中的像素点包括位于某一个刨花边缘的像素点。此外,若刨花板表面图像中的一个像素点为刨花的边缘点,则该点对应的刨花内部指向是垂直于其所属刨花的边缘且指向刨花的内部。
需要注意,上述点对的选择过程是基于每个类别进行的,即每个类别对应一个候选点对集合,分别在每个候选点对集合中进行点对的选择,最终得到若干点对。其中,获取点对时考虑了刨花内部指向,因此,点对中像素点分别位于刨花的一组对边上。
(c)获取每个点对的连线方向、连线灰度值、连线距离,具体地:以点对连线与预设方向间的夹角表示点对连线方向,优选地,预设方向可以为图像的列方向或行方向;点对连线经过像素的灰度均值为连线灰度值;点对中两像素点间的欧式距离为点对连线距离。
步骤S2,对刨花板表面图像进行滑窗,对于每个窗口,根据点对的连线方向和连线灰度值对窗口内点对进行分组,每个组中的点对隶属于同一个刨花,根据每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度。
对于每个窗口,根据点对的连线方向和连线灰度值对窗口内点对进行分组,分组后每个组中的点对隶属于同一个刨花,具体地:对于每个窗口,获取窗口内每个点对的连线方向和连线灰度值对应的连线方向等级和连线灰度值等级;以连线方向等级和连线灰度值等级为两个维度,构建灰度-方向共生矩阵进行点对分组;其中,灰度-方向共生矩阵中第α行第β列处的元素值表示窗口中连线方向等级为α,连线灰度值等级为β的点对的个数占比p(α,β),具体地,p(α,β)为窗口中连线方向等级为α,连线灰度值等级为β的点对的个数n(α,β)与窗口内包括的点对个数的比值。其中,基于窗口对应的灰度-方向共生矩阵进行分组具体为,基于灰度-方向共生矩阵可得知连线方向等级为α,连线灰度值等级为β的点对有n(α,β)个,则该n(α,β)个点对为一组,每个组中的点对隶属于同一个刨花,且需要说明n(α,β)的值可能为0。
根据每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度,具体为:对于每个窗口,根据窗口对应的灰度-方向共生矩阵中连线方向等级为α,连线灰度值等级为β的点对的连线距离均值获取距离指标d(α,β);若所述连线距离均值小于距离阈值,距离指标为所述连线距离均值与距离阈值的比值,否则,距离指标为预设数值;其中,距离阈值为依照生产过程中刨花板基材的型号或工艺参数设定人工设定,即设定多宽的刨花算是大刨花,实施例中距离阈值设定为预设刨花宽度的两倍;优选地,实施例中预设数值为1。
R表示窗口内像素对应的粗刨程度,A和B分别表示划分的连线方向等级数和连线灰度值等级数,优选地,实施例中将连线方向和连线灰度值分别划分为10个等级,10个等级分别用数字1-10表示,即连线方向等级数和连线灰度值等级数均为10,进而灰度-方向共生矩阵的大小为10行10列。需要注意,对于每个窗口,基于该窗口对应的灰度-方向共生矩阵得到的粗刨程度为该窗口中所有像素对应的粗刨程度,即该窗口内所有像素对应的粗刨程度均相同。
其中,实施例中窗口大小为16*16,每个窗口对应一个灰度-方向共生矩阵,基于每个灰度-方向共生矩阵可得到对应的窗口中像素的粗刨程度;若像素对应多个粗刨程度,则基于粗刨程度的均值,进行大刨花缺陷的识别定位,具体地,当窗口存在重叠时,会存在一个像素对应多个粗刨程度,此时,该像素对应的多个粗刨程度的均值为该像素最终的粗刨程度;进而每个像素点对应一个粗刨程度,对粗刨程度进行归一化,归一化后的粗刨程度作为像素点的粗刨特征值,刨花板表面图像中每个像素点对应一个粗刨特征值,进而可得到与刨花板表面图像等大的粗刨特征图。
步骤S3,基于刨花板表面图像中每个像素对应的粗刨程度,进行大刨花缺陷的识别定位。
基于粗刨特征图进行大刨花缺陷的识别定位,一种实施方式中利用神经网络对粗刨特征图进行处理,进行大刨花缺陷的识别定位;另一种实施方式中,对粗刨特征图进行阈值分割,进行大刨花缺陷的识别定位,具体地,粗刨特征图中值大于分割阈值的点的值置为1,其他点的值置为0,得到缺陷分割二值图,缺陷分割二值图中值为1的点为大刨花缺陷点,优选地,分割阈值设为0.7;统计缺陷分割二值图中值为1的点的个数占比,即获取大刨花缺陷面积占比,基于个数占比值的大小对刨花板进行质量评估,具体地,个数占比值为[0,0.2],刨花板为优质板;个数占比值为(0.2,0.3],刨花板为合格板;个数占比值为(0.3,1],刨花板为缺陷板;对大刨花进行定位具体为,获取缺陷分割二值图中值为1的大刨花缺陷点的的外包围框,包围框内区域为大刨花缺陷的大致区域。
基于与上述方法实施例相同的发明构思,本发明一个实施例提供了一种基于机器视觉的刨花板表面质量评估***,该***包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于机器视觉的刨花板表面质量评估方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于机器视觉的刨花板表面质量评估方法,其特征在于,该方法包括:
基于刨花板表面图像进行像素点匹配,得到若干点对,点对中像素点分别位于刨花的一组对边上;获取每个点对的连线方向、连线灰度值、连线距离;点对连线经过像素的灰度均值为连线灰度值;
对刨花板表面图像进行滑窗,对于每个窗口,根据点对的连线方向和连线灰度值对窗口内点对进行分组,每个组中的点对隶属于同一个刨花,根据每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度;
基于刨花板表面图像中每个像素对应的粗刨程度,进行大刨花缺陷的识别定位;
所述点对的获取具体为:
对于刨花板表面图像中的每个像素点,利用其梯度方向的垂线将其邻域区域划分为两个子区域;灰度方差较小的子区域对应的灰度均值为该像素对应的灰度指标值,该像素点沿梯度方向所在直线指向灰度方差较小子区域的方向为该像素点对应的刨花内部指向;
基于灰度指标值对刨花板表面图像中的像素点进行分类,对于每个类别,该类别中的每个像素点依次为目标像素点,该类别中与目标像素点刨花内部指向相反的像素点构成目标像素点的候选匹配点集合;若候选匹配点集合中的点对应的候选匹配点集合中不包括所述目标像素点,则将该点剔除,剩余点与目标像素点分别构成候选点对;该类别中每个像素点对应的候选点对构成候选点对集合,基于连线距离在候选点对集合中进行点对的选择;其中,所选择点对中的像素点各不相同;
对于每个窗口,根据点对的连线方向和连线灰度值对窗口内点对进行分组,具体为:
对于每个窗口,获取窗口内每个点对的连线方向和连线灰度值对应的连线方向等级和连线灰度值等级;以连线方向等级和连线灰度值等级为两个维度,构建灰度-方向共生矩阵进行点对分组;其中,灰度-方向共生矩阵中第α行第β列处的元素值表示窗口中连线方向等级为α,连线灰度值等级为β的点对的个数占比p(α,β);
根据每个组中点对的个数和连线距离计算窗口内像素对应的粗刨程度,具体为:
对于每个窗口,根据窗口对应的灰度-方向共生矩阵中连线方向等级为α,连线灰度值等级为β的点对的连线距离均值获取距离指标d(α,β);
R表示所述窗口内像素对应的粗糙程度,A和B分别表示划分的连线方向等级数和连线灰度值等级数。
2.如权利要求1所述的方法,其特征在于,若所述连线距离均值小于距离阈值,距离指标为所述连线距离均值与距离阈值的比值,否则,距离指标为预设数值。
3.如权利要求2所述的方法,其特征在于,若像素对应多个粗刨程度,则基于粗刨程度的均值,进行大刨花缺陷的识别定位。
4.如权利要求1所述的方法,其特征在于,基于连线距离在候选点对集合中进行点对的选择,具体为:
对候选点对集合中的点对进行连线距离升序排序,连线距离最小的点为选择的点对,将候选点对集合中包括所选择点对中像素点的点对剔除,剩余点对中连线距离最小的点为选择的点对,迭代进行点对的选择,直至候选点对集合中不存在点对。
5.一种基于机器视觉的刨花板表面质量评估***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111554577.3A CN114219794B (zh) | 2021-12-17 | 2021-12-17 | 基于机器视觉的刨花板表面质量评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111554577.3A CN114219794B (zh) | 2021-12-17 | 2021-12-17 | 基于机器视觉的刨花板表面质量评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114219794A CN114219794A (zh) | 2022-03-22 |
CN114219794B true CN114219794B (zh) | 2023-01-20 |
Family
ID=80703786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111554577.3A Active CN114219794B (zh) | 2021-12-17 | 2021-12-17 | 基于机器视觉的刨花板表面质量评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219794B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723705B (zh) * | 2022-03-31 | 2023-08-22 | 深圳市启灵图像科技有限公司 | 一种基于图像处理的布匹瑕疵的检测方法 |
CN114708224B (zh) * | 2022-03-31 | 2023-06-23 | 吴江市双泽纺织有限公司 | 基于人工智能的纺织品织纹质量评估方法及*** |
CN114943739B (zh) * | 2022-07-26 | 2022-10-21 | 山东三微新材料有限公司 | 一种铝管质量检测方法 |
CN115115646B (zh) * | 2022-08-30 | 2022-11-18 | 启东市固德防水布有限公司 | 一种基于图像处理的防水布涂层质量评价方法 |
CN116721067B (zh) * | 2023-05-29 | 2024-04-12 | 宿迁凯达环保设备制造有限公司 | 一种基于机器视觉的浸渍纸浸渍质量检测方法 |
CN117270537B (zh) * | 2023-09-28 | 2024-06-14 | 江苏保龙机电制造有限公司 | 一种自动刨花的移动路径控制***及控制方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636706A (zh) * | 2015-03-04 | 2015-05-20 | 深圳市金准生物医学工程有限公司 | 一种基于梯度方向一致性复杂背景条码图像自动分割方法 |
CN106503704A (zh) * | 2016-10-21 | 2017-03-15 | 河南大学 | 一种自然场景中圆形交通标志定位方法 |
CN107256406A (zh) * | 2017-04-19 | 2017-10-17 | 深圳清华大学研究院 | 重叠纤维图像分割方法、装置、存储介质和计算机设备 |
CN108830279A (zh) * | 2018-04-03 | 2018-11-16 | 南昌奇眸科技有限公司 | 一种图像特征提取与匹配方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN109242870A (zh) * | 2018-07-13 | 2019-01-18 | 上海大学 | 一种基于图像划分和纹理特征的海天线检测方法 |
CN111709386A (zh) * | 2020-06-22 | 2020-09-25 | 中国科学院空天信息创新研究院 | 一种水下浅地层剖面图像底质分类方法及*** |
CN112508826A (zh) * | 2020-11-16 | 2021-03-16 | 哈尔滨工业大学(深圳) | 一种基于特征配准及梯度形状匹配融合的印刷品缺陷检测方法 |
CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
CN112819844A (zh) * | 2021-01-29 | 2021-05-18 | 山东建筑大学 | 一种图像边缘检测方法及装置 |
CN112837287A (zh) * | 2021-01-29 | 2021-05-25 | 山东建筑大学 | 一种板面缺陷区域的提取方法及装置 |
CN112862773A (zh) * | 2021-01-29 | 2021-05-28 | 山东建筑大学 | 一种刨花板图像缺陷分类检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650205B (zh) * | 2020-05-11 | 2021-12-07 | 东风汽车集团有限公司 | 基于结构光图像匹配的零件表面缺陷检测方法及*** |
CN113538429B (zh) * | 2021-09-16 | 2021-11-26 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
-
2021
- 2021-12-17 CN CN202111554577.3A patent/CN114219794B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636706A (zh) * | 2015-03-04 | 2015-05-20 | 深圳市金准生物医学工程有限公司 | 一种基于梯度方向一致性复杂背景条码图像自动分割方法 |
CN106503704A (zh) * | 2016-10-21 | 2017-03-15 | 河南大学 | 一种自然场景中圆形交通标志定位方法 |
CN107256406A (zh) * | 2017-04-19 | 2017-10-17 | 深圳清华大学研究院 | 重叠纤维图像分割方法、装置、存储介质和计算机设备 |
CN108830279A (zh) * | 2018-04-03 | 2018-11-16 | 南昌奇眸科技有限公司 | 一种图像特征提取与匹配方法 |
CN109242870A (zh) * | 2018-07-13 | 2019-01-18 | 上海大学 | 一种基于图像划分和纹理特征的海天线检测方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN111709386A (zh) * | 2020-06-22 | 2020-09-25 | 中国科学院空天信息创新研究院 | 一种水下浅地层剖面图像底质分类方法及*** |
CN112508826A (zh) * | 2020-11-16 | 2021-03-16 | 哈尔滨工业大学(深圳) | 一种基于特征配准及梯度形状匹配融合的印刷品缺陷检测方法 |
CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
CN112819844A (zh) * | 2021-01-29 | 2021-05-18 | 山东建筑大学 | 一种图像边缘检测方法及装置 |
CN112837287A (zh) * | 2021-01-29 | 2021-05-25 | 山东建筑大学 | 一种板面缺陷区域的提取方法及装置 |
CN112862773A (zh) * | 2021-01-29 | 2021-05-28 | 山东建筑大学 | 一种刨花板图像缺陷分类检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114219794A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及*** | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN104794491B (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN104990925B (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和*** | |
CN104933720B (zh) | 一种基于视觉的sop元件定位和缺陷检测方法 | |
CN115311292A (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及*** | |
CN108985337A (zh) | 一种基于图像深度学习的产品表面划痕检测方法 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN107941812B (zh) | 信息处理方法及电子设备 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN108647706A (zh) | 基于机器视觉的物品识别分类与瑕疵检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 |
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 |