CN114240888A - 一种基于图像处理的家具组件喷漆缺陷修复方法及*** - Google Patents
一种基于图像处理的家具组件喷漆缺陷修复方法及*** Download PDFInfo
- Publication number
- CN114240888A CN114240888A CN202111552442.3A CN202111552442A CN114240888A CN 114240888 A CN114240888 A CN 114240888A CN 202111552442 A CN202111552442 A CN 202111552442A CN 114240888 A CN114240888 A CN 114240888A
- Authority
- CN
- China
- Prior art keywords
- defect
- gray level
- probability
- obtaining
- pixel point
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 164
- 239000003973 paint Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005507 spraying Methods 0.000 title abstract description 12
- 238000010422 painting Methods 0.000 claims description 18
- 230000008439 repair process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007591 painting process Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能技术领域，具体涉及一种基于图像处理的家具组件喷漆缺陷修复方法及***。该方法通过像素点邻域范围内的排列熵表示该邻域范围的风格信息。通过灰度直方图获得背景灰度级，利用像素点与背景灰度级的灰度级差异和风格信息获得每个像素点的缺陷概率。根据设置的滑窗内像素点的缺陷概率的离散程度判断滑窗区域是否为缺陷区域，最终获得漆面图像内的整体缺陷区域。本发明通过风格信息确定像素点的缺陷概率，通过缺陷概率的波动性判断缺陷位置，实现了橘皮缺陷定位，便于对缺陷进行针对性的修复。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于图像处理的家具组件喷漆缺陷修复方法及***。
背景技术
喷漆为家具生产过程中重要的环节，喷漆的质量决定了家具成品的的质量。在喷漆过程中，由于环境和工艺的影响，会导致家具表面出现各种的喷漆缺陷。常见的明显缺陷如流挂、波浪纹、针孔、橘皮等。
在常规的漆面缺陷检测过程中，为了提高检测效率，会利用图像处理方法提取漆面图像的特征，根据特征对缺陷进行判断或分类。但是对于橘皮缺陷而言，漆面呈现凹凸不平状，形似橘子的外皮，缺陷特征分布均匀，无法提取出有效的明显特征进行缺陷检测，且由于光源等影响导致漆面颜色出现变化，直接对提取的缺陷特征进行分类容易造成误检，无法对橘皮缺陷进行有效识别及针对性的修复。
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图像处理的家具组件喷漆缺陷修复方法及***，所采用的技术方案具体如下：
本发明提出了一种基于图像处理的家具组件喷漆缺陷修复方法，所述方法包括：
获取漆面图像；获取所述漆面图像中每个像素点的预设邻域范围内的像素差异序列；获得每个像素点的所述像素差异序列的排列熵；
获得所述漆面图像的灰度直方图；根据所述灰度直方图中每个灰度级的出现频率获得每个像素点的背景概率；根据所述背景概率获得背景灰度级；
获得每个像素点对应的灰度级与所述背景灰度级的灰度级差异；根据所述灰度级差异和所述排列熵获得每个像素点的缺陷概率；
在所述漆面图像上设置滑窗；获得所述滑窗内像素点所述缺陷概率的离散程度；若所述离散程度大于等于预设离散阈值，则以所述滑窗区域作为缺陷区域；根据所述滑窗遍历整个所述漆面图像，获得整体缺陷区域；
根据所述整体缺陷区域对漆面进行修复。
进一步地，所述根据所述灰度直方图中每个灰度级的出现频率获得每个像素点的背景概率包括：
根据所述出现频率进行高斯拟合，获得背景概率高斯模型；根据所述背景概率高斯模型获得每个像素点的灰度级对应的所述背景概率。
进一步地，所述根据所述背景概率获得背景灰度级包括：
获得所有灰度级对应的所述背景概率；以最大的所述背景概率对应的灰度级作为所述背景灰度级。
进一步地，所述根据所述灰度级差异和所述排列熵获得每个像素点的缺陷概率包括：
根据缺陷概率公式获得所述缺陷概率；所述缺陷概率公式包括：
其中，P为所述缺陷概率，H(m)′为第m个像素点的所述排列熵，Im为第m个像素点对应的灰度级，Im为所述背景灰度级。
进一步地，所述获得所述滑窗内像素点所述缺陷概率的离散程度包括：
以所述滑窗内所述缺陷概率的方差作为所述离散程度。
进一步地，所述根据所述滑窗遍历整个所述漆面图像，获得整体缺陷区域包括：
根据所述滑窗遍历整个所述漆面图像；保留所有所述缺陷区域，将其他区域去除，获得整体缺陷区域。
进一步地，所述根据所述整体缺陷区域对漆面进行修复包括：
根据所述整体缺陷区域中每个像素点对应的所述滑窗的所述离散程度构建缺陷热图；所述缺陷热图中每个像素点的像素值为以该像素点为中心点的所述滑窗的所述离散程度；
若所述缺陷热图中像素点的像素值大于预设判定阈值，则认为对应位置为严重缺陷区域；反之则认为对应位置为轻度缺陷区域；
获得所述严重缺陷区域在所述漆面图像中的面积占比；若所述面积占比大于预设比例阈值，则对整个所述整体缺陷区域进行修复处理；否则，对所述严重缺陷区域和所述轻度缺陷区域分别进行不同程度的修复处理。
本发明还提出了一种基于图像处理的家具组件喷漆缺陷修复***，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时实现任意一项所述一种基于图像处理的家具组件喷漆缺陷修复方法的步骤。
本发明具有如下有益效果：
本发明实施例通过像素点邻域范围内的排列熵表示该范围内的风格信息。即排列熵越混乱说明缺陷点越多，相比其他正常像素点差异越大。进一步通过对图像的灰度级进行分析确定背景灰度级。根据像素点的灰度级和背景灰度级的差异与对应的排列熵获得缺陷概率。因为橘皮缺陷的缺陷点分布均匀，因此排列熵表示的风格信息越混乱，像素级与背景像素级的差异越大，表示橘皮缺陷的概率越大。通过滑窗处理整张漆面图像，因为其他孤立噪点和光照影响的像素差异特征相比橘皮缺陷的混乱程度并不高，因此设定有效的离散阈值，可保证最终缺陷区域都为橘皮缺陷区域。
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为本发明一个实施例所提供的一种基于图像处理的家具组件喷漆缺陷修复方法流程图；
图2为本发明一个实施例所提供的一个橘皮缺陷示意图；
图3为本发明一个实施例所提供的一个光源不均匀状态下的橘皮缺陷示意图。
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图像处理的家具组件喷漆缺陷修复方法及***，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。
下面结合附图具体的说明本发明所提供的一种基于图像处理的家具组件喷漆缺陷修复方法及***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图像处理的家具组件喷漆缺陷修复方法流程图，该方法包括：
步骤S1：获取漆面图像；获取漆面图像中每个像素点的预设邻域范围内的像素差异序列；获得每个像素点的像素差异序列的排列熵。
在家具组件通过喷漆设备执行喷漆完成后需要进行干燥处理。为了实现自动化缺陷检测，在本发明实施例中，将干燥完毕的家具组件放置在车间传送带上，在传送带上部署灰度相机，使得可以采集到每个家具组件不同视角的漆面图像。需要说明的是，漆面图像中需要尽可能的保证家具组件漆面信息完整清晰。调整传送带的速度和相机的采样频率，使得可以准确采集传送带上每个家具组件的清晰漆面图像。
请参阅图2，其示出了本发明一个实施例所提供的一个橘皮缺陷示意图。橘皮缺陷在漆面上通常是成片出现，且凹凸不平的程度较小，因此异常区域的像素特征与正常区域的像素特征相差并不明显，无法直接通过阈值分割或边缘检测手段获得缺陷特征。
橘皮缺陷主要的像素特征出现在像素波动上，即存在大量相似灰度风格的像素点分布在图像中，分布较为混乱。如果图像出现单独的孤立噪点，则与多个邻域像素点都存在相似的灰度差异，孤立特征较为明显。请参阅图3，其示出了本发明一个实施例所提供的一个光源不均匀状态下的橘皮缺陷示意图。如果图像因为光照不均匀导致出现像素差异，则因为光照导致的灰度变化的像素点分布较为集中，与邻域正常像素点相比在图像中会存在一条灰度梯度明显的边缘。因此可通过图像中一个区域内灰度差异的混乱程度体现出该区域的风格信息，即灰度差异混乱程度越大则对应的风格为缺陷风格的概率越大。需要说明的是，在图3这种情况下仍可在高亮区域内分析像素差异的混乱特性，尽管像素值发生变化，在后续分析过程中仍可以识别出缺陷像素点。
获取漆面图像中每个像素点的预设邻域范围内的像素差异序列。进一步计算像素差异序列的排列熵。排列熵在衡量序列复杂程度的同时引入了排列的思想，越规则的序列，对应的排列熵越小；越复杂的序列，对应的排列熵越大。因此可以排列熵大小作为每个像素点的邻域范围的风格信息。需要说明的是，排列熵计算方法为本领域技术人员熟知的技术手段，在此不做过多赘述。
在本发明实施例中，邻域范围设置为8邻域范围，即像素差异序列的长度为8。
步骤S2：获得漆面图像的灰度直方图；根据灰度直方图中每个灰度级的出现频率获得每个像素点的背景概率；根据背景概率获得背景灰度级。
在漆面图像中大部分像素点都为正常的漆面像素点，对于缺陷检测而言，正常的漆面像素点为背景像素点，缺陷像素点为前景像素点。因此可通过灰度直方图直观的获得漆面图像中每个灰度级对应的出现频率Pi，即
其中，Pi为第i个灰度级的出现频率，Ai为第i个灰度级对应的出现频数，B为漆面图像中的像素点总数。通过出现频率即可获得每个像素点对应的背景概率，具体包括：
根据出现频率进行高斯拟合，获得背景概率高斯模型。因为背景像素点的灰度级一定位于灰度直方图的频数最大值与平均值之间，因此可认为符合高斯分布，背景概率高斯模型中，以最大出现频数对应的灰度值im与灰度值均值
之间灰度值的均值为模型均值μ0，以最大出现频数对应的灰度值im与灰度值均值
之间灰度值的方差为模型方差σ0 2，即：
其中，μ0为模型均值，
为漆面图像中的灰度值均值，im为最大出现频数对应的灰度值，pi为第i个灰度级的出现频率。
其中，σ0 2为模型方差，μ0为模型均值，
为漆面图像中的灰度值均值，im为最大出现频数对应的灰度值。
根据背景概率高斯模型获得每个像素点的灰度级对应的背景概率，即：
其中，Fi为第i个灰度级对应的背景概率，σ0 2为模型方差，μ0为模型均值。通过该公式可获得漆面图像每个像素点对应的灰度级属于背景的背景概率，获得所有灰度级对应的背景概率，以最大的背景概率对应的灰度级作为背景灰度级。
步骤S3：获得每个像素点对应的灰度级与背景灰度级的灰度级差异；根据灰度级差异和排列熵获得每个像素点的缺陷概率。
对于橘皮缺陷像素点而言，像素特征与背景像素点的像素特征存在差异，且邻域范围内的风格信息较为混乱，因此获得每个像素点对应的灰度级与背景灰度级的灰度级差异，结合排列熵可获得每个像素点的缺陷概率，具体包括：
根据缺陷概率公式获得缺陷概率；缺陷概率公式包括：
其中，P为缺陷概率，H(m)′为第m个像素点的排列熵，Im为第m个像素点对应的灰度级，Im为背景灰度级。
缺陷概率公式同时考虑到了像素点邻域范围内的风格信息和像素信息，可通过风格信息和像素信息同时对缺陷概率进行判定，获得参考性强的缺陷概率，防止仅考虑单一因素导致的误检漏检。
步骤S4：在漆面图像上设置滑窗；获得滑窗内像素点缺陷概率的离散程度；若离散程度大于等于预设离散阈值，则以滑窗区域作为缺陷区域；根据滑窗遍历整个漆面图像，获得整体缺陷区域。
经过步骤S3的处理，漆面图像中每个像素点都存在一个缺陷概率。可通过固定大小的滑窗分析漆面图像中局部的缺陷概率。因为橘皮缺陷的缺陷像素点分布混乱不均匀，因此计算滑窗内部像素点的缺陷概率的离散程度。离散程度越大，说明在滑窗中像素点的缺陷概率越大，且分布分散，在滑窗区域内像素波动程度大，则对应的区域为橘皮缺陷区域。若滑窗内离散程度大于等于预设离散阈值，则以该滑窗区域作为缺陷区域。
优选的，以滑窗内缺陷概率的方差作为离散程度。在本发明实施例中，离散阈值设置为1.5，滑窗大小设置为20*20。
将滑窗遍历整个漆面图像，保留所有缺陷区域，将其他区域去除，获得整体缺陷区域。整体缺陷区域为一张与漆面图像等大，仅包含橘皮缺陷区域信息的图像。
需要说明的是，为了方便滑窗处理，可根据漆面每个像素点的缺陷概率构建概率分布图，需要说明的是，因为本发明实施例中，在风格信息计算过程采用的邻域大小为8邻域，因此不对漆面图像边沿的像素点进行风格分析，即边沿像素点不存在缺陷概率，故概率分布图大小比漆面图像向内收缩一个像素，收缩后的概率分布图并不影响缺陷判断。
步骤S5：根据整体缺陷区域对漆面进行修复。
为了对橘皮缺陷进行针对性的进行修复，需要分析当前橘皮缺陷的严重程度，选择全面修复措施或者对缺陷严重程度不同的区域进行针对性的修复，具体包括：
根据整体缺陷区域中每个像素点对应的滑窗的离散程度构建缺陷热图。缺陷热图中每个像素点的像素值为以该像素点为中心点的滑窗的离散程度。
滑窗内的离散程度越大，说明像素点灰度特征波动越大，漆面表面凹凸不平的程度越大，对应的橘皮缺陷越严重。若缺陷热图中像素点的像素值大于预设判定阈值，则认为对应位置为严重缺陷区域。反之则认为对应位置为轻度缺陷区域。
获得严重缺陷区域在漆面图像中的面积占比。若面积占比大于预设比例阈值，则对整个整体缺陷区域进行修复处理。否则，对严重缺陷区域和轻度缺陷区域分别进行不同程度的修复处理。
在本发明实施例中，判定阈值设置为2.25，比例阈值设置为0.3。对于整体缺陷区域的修复处理方法为重新喷涂漆面。需要分别进行不同程度的修复处理方法为：对严重缺陷区域进行重新喷涂，对轻度缺陷区域进行打磨抛光。
综上所述，本发明实施例通过像素点邻域范围内的排列熵表示该邻域范围的风格信息。通过灰度直方图获得背景灰度级，利用像素点与背景灰度级的灰度级差异和风格信息获得每个像素点的缺陷概率。根据设置的滑窗内像素点的缺陷概率的离散程度判断滑窗区域是否为缺陷区域，最终获得漆面图像内的整体缺陷区域。本发明实施例通过风格信息确定像素点的缺陷概率，通过缺陷概率的波动性判断缺陷位置，实现了橘皮缺陷定位，便于对缺陷进行针对性的修复。
本发明还提出了一种基于图像处理的家具组件喷漆缺陷修复***，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于图像处理的家具组件喷漆缺陷修复方法的步骤。
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 (8)
1.一种基于图像处理的家具组件喷漆缺陷修复方法，其特征在于，所述方法包括：
获取漆面图像；获取所述漆面图像中每个像素点的预设邻域范围内的像素差异序列；获得每个像素点的所述像素差异序列的排列熵；
获得所述漆面图像的灰度直方图；根据所述灰度直方图中每个灰度级的出现频率获得每个像素点的背景概率；根据所述背景概率获得背景灰度级；
获得每个像素点对应的灰度级与所述背景灰度级的灰度级差异；根据所述灰度级差异和所述排列熵获得每个像素点的缺陷概率；
在所述漆面图像上设置滑窗；获得所述滑窗内像素点所述缺陷概率的离散程度；若所述离散程度大于等于预设离散阈值，则以所述滑窗区域作为缺陷区域；根据所述滑窗遍历整个所述漆面图像，获得整体缺陷区域；
根据所述整体缺陷区域对漆面进行修复。
2.根据权利要求1所述的一种基于图像处理的家具组件喷漆缺陷修复方法，其特征在于，所述根据所述灰度直方图中每个灰度级的出现频率获得每个像素点的背景概率包括：
根据所述出现频率进行高斯拟合，获得背景概率高斯模型；根据所述背景概率高斯模型获得每个像素点的灰度级对应的所述背景概率。
3.根据权利要求1所述的一种基于图像处理的家具组件喷漆缺陷修复方法，其特征在于，所述根据所述背景概率获得背景灰度级包括：
获得所有灰度级对应的所述背景概率；以最大的所述背景概率对应的灰度级作为所述背景灰度级。
4.根据权利要求1所述的一种基于图像处理的家具组件喷漆缺陷修复方法，其特征在于，所述根据所述灰度级差异和所述排列熵获得每个像素点的缺陷概率包括：
根据缺陷概率公式获得所述缺陷概率；所述缺陷概率公式包括：
其中，P为所述缺陷概率，H(m)′为第m个像素点的所述排列熵，Im为第m个像素点对应的灰度级，Im为所述背景灰度级。
5.根据权利要求1所述的一种基于图像处理的家具组件喷漆缺陷修复方法，其特征在于，所述获得所述滑窗内像素点所述缺陷概率的离散程度包括：
以所述滑窗内所述缺陷概率的方差作为所述离散程度。
6.根据权利要求1所述的一种基于图像处理的家具组件喷漆缺陷修复方法，其特征在于，所述根据所述滑窗遍历整个所述漆面图像，获得整体缺陷区域包括：
根据所述滑窗遍历整个所述漆面图像；保留所有所述缺陷区域，将其他区域去除，获得整体缺陷区域。
7.根据权利要求1所述的一种基于图像处理的家具组件喷漆缺陷修复方法，其特征在于，所述根据所述整体缺陷区域对漆面进行修复包括：
根据所述整体缺陷区域中每个像素点对应的所述滑窗的所述离散程度构建缺陷热图；所述缺陷热图中每个像素点的像素值为以该像素点为中心点的所述滑窗的所述离散程度；
若所述缺陷热图中像素点的像素值大于预设判定阈值，则认为对应位置为严重缺陷区域；反之则认为对应位置为轻度缺陷区域；
获得所述严重缺陷区域在所述漆面图像中的面积占比；若所述面积占比大于预设比例阈值，则对整个所述整体缺陷区域进行修复处理；否则，对所述严重缺陷区域和所述轻度缺陷区域分别进行不同程度的修复处理。
8.一种基于图像处理的家具组件喷漆缺陷修复***，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111552442.3A CN114240888B (zh) | 2021-12-17 | 2021-12-17 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111552442.3A CN114240888B (zh) | 2021-12-17 | 2021-12-17 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114240888A true CN114240888A (zh) | 2022-03-25 |
| CN114240888B CN114240888B (zh) | 2022-09-20 |
Family
ID=80758047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111552442.3A Active CN114240888B (zh) | 2021-12-17 | 2021-12-17 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114240888B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114693650A (zh) * | 2022-03-31 | 2022-07-01 | 南通俊朗智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
| CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
| CN114841939A (zh) * | 2022-04-24 | 2022-08-02 | 启东市鸿盛纺织有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
| CN114878574A (zh) * | 2022-03-31 | 2022-08-09 | 南通东德纺织科技有限公司 | 基于机器视觉的布匹缺陷检测方法、装置及*** |
| CN114897772A (zh) * | 2022-03-31 | 2022-08-12 | 南通奥尔嘉橡塑有限公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
| CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
| CN115294144A (zh) * | 2022-10-10 | 2022-11-04 | 雷戈锘智能家居(南通)有限公司 | 一种家具复合板表面缺陷识别方法 |
| CN117078679A (zh) * | 2023-10-16 | 2023-11-17 | 东莞百舜机器人技术有限公司 | 一种基于机器视觉的散热风扇自动组装线生产检测方法 |
| CN117218115A (zh) * | 2023-11-07 | 2023-12-12 | 江苏玫源新材料有限公司 | 一种汽车配件漆面异常检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107490579A (zh) * | 2016-06-09 | 2017-12-19 | 本田技研工业株式会社 | 缺陷检查方法及其设备 |
| CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
| CN109461149A (zh) * | 2018-10-31 | 2019-03-12 | 泰州市创新电子有限公司 | 喷漆表面缺陷的智能检测***及方法 |
| CN110530883A (zh) * | 2019-09-30 | 2019-12-03 | 凌云光技术集团有限责任公司 | 一种缺陷检测方法 |
| CN111654719A (zh) * | 2020-06-11 | 2020-09-11 | 三峡大学 | 基于排列熵算法的视频微小运动检测方法 |
| CN112414715A (zh) * | 2020-11-05 | 2021-02-26 | 西安工程大学 | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 |
| CN112991305A (zh) * | 2021-03-24 | 2021-06-18 | 苏州亚朴智能科技有限公司 | 一种喷漆面板表面缺陷的视觉检测方法 |
| CN113610767A (zh) * | 2021-07-14 | 2021-11-05 | 温州大学 | 一种基于改进樽海鞘群算法的医学图像多阈值分割方法 |
-
2021
- 2021-12-17 CN CN202111552442.3A patent/CN114240888B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107490579A (zh) * | 2016-06-09 | 2017-12-19 | 本田技研工业株式会社 | 缺陷检查方法及其设备 |
| CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
| CN109461149A (zh) * | 2018-10-31 | 2019-03-12 | 泰州市创新电子有限公司 | 喷漆表面缺陷的智能检测***及方法 |
| CN110530883A (zh) * | 2019-09-30 | 2019-12-03 | 凌云光技术集团有限责任公司 | 一种缺陷检测方法 |
| CN111654719A (zh) * | 2020-06-11 | 2020-09-11 | 三峡大学 | 基于排列熵算法的视频微小运动检测方法 |
| CN112414715A (zh) * | 2020-11-05 | 2021-02-26 | 西安工程大学 | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 |
| CN112991305A (zh) * | 2021-03-24 | 2021-06-18 | 苏州亚朴智能科技有限公司 | 一种喷漆面板表面缺陷的视觉检测方法 |
| CN113610767A (zh) * | 2021-07-14 | 2021-11-05 | 温州大学 | 一种基于改进樽海鞘群算法的医学图像多阈值分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钱诚 等: ""基于排列组合熵和灰度特征的纹理分割"", 《计算机应用》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114897772B (zh) * | 2022-03-31 | 2024-05-14 | 河南省开仑化工有限责任公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
| CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
| CN114878574A (zh) * | 2022-03-31 | 2022-08-09 | 南通东德纺织科技有限公司 | 基于机器视觉的布匹缺陷检测方法、装置及*** |
| CN114897772A (zh) * | 2022-03-31 | 2022-08-12 | 南通奥尔嘉橡塑有限公司 | 一种基于机器视觉的橡胶正硫化调控的方法 |
| CN114693650A (zh) * | 2022-03-31 | 2022-07-01 | 南通俊朗智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
| CN114693650B (zh) * | 2022-03-31 | 2024-05-24 | 无锡市慧航智能科技有限公司 | 一种基于机器视觉的混合机智能控制方法 |
| CN114841939A (zh) * | 2022-04-24 | 2022-08-02 | 启东市鸿盛纺织有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
| CN114841939B (zh) * | 2022-04-24 | 2024-05-24 | 杭州丰越丝绸织造有限公司 | 基于图像处理的坯布缺陷程度分析方法 |
| CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
| CN115294144A (zh) * | 2022-10-10 | 2022-11-04 | 雷戈锘智能家居(南通)有限公司 | 一种家具复合板表面缺陷识别方法 |
| CN117078679B (zh) * | 2023-10-16 | 2023-12-15 | 东莞百舜机器人技术有限公司 | 一种基于机器视觉的散热风扇自动组装线生产检测方法 |
| CN117078679A (zh) * | 2023-10-16 | 2023-11-17 | 东莞百舜机器人技术有限公司 | 一种基于机器视觉的散热风扇自动组装线生产检测方法 |
| CN117218115B (zh) * | 2023-11-07 | 2024-02-20 | 江苏玫源新材料有限公司 | 一种汽车配件漆面异常检测方法 |
| CN117218115A (zh) * | 2023-11-07 | 2023-12-12 | 江苏玫源新材料有限公司 | 一种汽车配件漆面异常检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114240888B (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114240888B (zh) | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** | |
| CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| CN114972357A (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及*** | |
| CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其***、设备、介质 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
| CN116168026A (zh) | 基于计算机视觉的水质检测方法及*** | |
| CN115115613B (zh) | 基于机器视觉的喷漆缺陷检测方法及*** | |
| CN114372983A (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及*** | |
| CN115222743B (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
| CN116758083A (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
| CN112378350B (zh) | 一种网络变压器pin脚平整度检测方法 | |
| WO2021118463A1 (en) | Defect detection in image space | |
| CN108664839B (zh) | 一种图像处理方法和设备 | |
| CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
| CN111739012A (zh) | 基于转盘的摄像头模组白斑检测*** | |
| Savelli et al. | Illumination correction by dehazing for retinal vessel segmentation | |
| CN105869135A (zh) | 轮胎缺陷的检测方法和装置 | |
| CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
| CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及*** | |
| Truong et al. | Automatic multi-thresholds selection for image segmentation based on evolutionary approach | |
| CN113129265A (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
| CN114882387B (zh) | 一种磨削工艺中轴承滚道撞伤识别及自动抛光定位方法 | |
| CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
| CN115564727A (zh) | 一种爆光显影异常缺陷检测方法及*** |
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 |