CN115239737B - 基于图像处理的瓦楞纸缺陷检测方法 - Google Patents
基于图像处理的瓦楞纸缺陷检测方法 Download PDFInfo
- Publication number
- CN115239737B CN115239737B CN202211169027.4A CN202211169027A CN115239737B CN 115239737 B CN115239737 B CN 115239737B CN 202211169027 A CN202211169027 A CN 202211169027A CN 115239737 B CN115239737 B CN 115239737B
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- characteristic
- straight line
- corrugated paper
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/30—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)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的瓦楞纸缺陷检测方法,该方法包括:获取待检测瓦楞纸的侧面图像,对侧面图像进行灰度化处理,得到瓦楞纸灰度图像;对瓦楞纸灰度图像进行边缘检测处理,得到边缘图像;对边缘图像进行特征处理,得到目标特征点集合;根据目标特征点集合,构建目标滑窗;根据目标滑窗,对边缘图像进行缺陷检测,生成目标缺陷信息。本发明通过对侧面图像进行图像处理,解决了对瓦楞纸进行缺陷检测的效率低下的技术问题,提高了对瓦楞纸进行缺陷检测的效率,主要应用于对瓦楞纸进行缺陷检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的瓦楞纸缺陷检测方法。
背景技术
由瓦楞纸组成的纸箱应用广泛,尤其在收发快递上,商家为了给客户带来尽可能好的体验,往往用纸箱包装商品。由于瓦楞纸具有缓冲性能好、牢固和轻便等特性,所以目前市面上常用的快递纸箱往往是由瓦楞纸组成的纸箱。由于温度、粘合剂和机器张力的影响,往往会导致瓦楞纸出现“搓衣板”变形缺陷。因此,对瓦楞纸进行缺陷检测至关重要。目前,对物品进行缺陷检测时,通常采用的方式为:通过大量有缺陷物品图像和无缺陷物品图像,训练缺陷检测网络,并且将待检测物品的待检测图像输入到训练完成的缺陷检测网络,通过缺陷检测网络,确定待检测物品的缺陷情况,其中,缺陷检测网络可以是神经网络。
然而,当采用上述方式,对瓦楞纸进行缺陷检测时,经常会存在如下技术问题:
训练缺陷检测网络时,往往需要大量有缺陷瓦楞纸图像和无缺陷瓦楞纸图像,这些图像的收集往往需要耗费大量的时间,并且训练缺陷检测网络的时间往往也较长,因此,往往导致对瓦楞纸进行缺陷检测的效率低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对瓦楞纸进行缺陷检测的效率低下的技术问题,本发明提出了基于图像处理的瓦楞纸缺陷检测方法。
本发明提供了基于图像处理的瓦楞纸缺陷检测方法,该方法包括:
获取待检测瓦楞纸的侧面图像,对所述侧面图像进行灰度化处理,得到瓦楞纸灰度图像;
对所述瓦楞纸灰度图像进行边缘检测处理,得到边缘图像;
对所述边缘图像进行特征处理,得到目标特征点集合;
根据所述目标特征点集合,构建目标滑窗;
根据目标滑窗,对所述边缘图像进行缺陷检测,生成目标缺陷信息。
进一步的,所述对所述边缘图像进行特征处理,得到目标特征点集合,包括:
对于所述边缘图像中的每个边缘像素点,根据预先设置的第一位置,确定所述边缘像素点对应的预先设置的目标邻域对应的第一特征值,作为所述边缘像素点对应的第一目标特征值;
根据所述边缘图像中的边缘像素点对应的第一目标特征值,从所述边缘图像中筛选出第一特征点集合;
对于所述第一特征点集合中的每个第一特征点,根据预先设置的第二位置,确定所述第一特征点对应的目标邻域对应的第二特征值,作为所述第一特征点对应的第二目标特征值;
根据所述第一特征点集合中的第一特征点对应的第二目标特征值,从所述第一特征点集合中筛选出第二特征点集合;
对于所述第二特征点集合中的每个第二特征点,根据预先设置的第三位置,确定所述第二特征点对应的目标邻域对应的第三特征值,作为所述第二特征点对应的第三目标特征值;
根据所述第二特征点集合中的第二特征点对应的第三目标特征值,从所述第二特征点集合中筛选出目标特征点集合。
进一步的,所述根据所述边缘图像中的边缘像素点对应的第一目标特征值,从所述边缘图像中筛选出第一特征点集合,包括:
将所述边缘图像中对应的第一目标特征值小于或等于预先设置的第一特征阈值的边缘像素点,确定第一特征点;
将所述边缘图像中对应的第一目标特征值大于或等于预先设置的第二特征阈值的边缘像素点,确定第一特征点。
进一步的,所述根据所述第一特征点集合中的第一特征点对应的第二目标特征值,从所述第一特征点集合中筛选出第二特征点集合,包括:
将所述第一特征点集合中对应的第二目标特征值小于或等于第一特征阈值的第一特征点,确定第二特征点;
将所述第一特征点集合中对应的第二目标特征值大于或等于第二特征阈值的第一特征点,确定第二特征点。
进一步的,所述根据所述第二特征点集合中的第二特征点对应的第三目标特征值,从所述第二特征点集合中筛选出目标特征点集合,包括:
将所述第二特征点集合中对应的第三目标特征值等于预先设置的无关数值的第二特征点,确定为无关特征点,得到无关特征点集合;
将所述第二特征点集合中除了所述无关特征点集合之外的第二特征点,确定为目标特征点。
进一步的,目标邻域是3×3邻域,第一位置是目标邻域的左上角对应的位置,第二位置是目标邻域的右上角对应的位置,第三位置是与目标邻域中的第一邻域像素点或第二邻域像素点所在的位置,第一邻域像素点是目标邻域的中间行包含的第一个像素点,第二邻域像素点是目标邻域的中间行包含的最后一个像素点。
进一步的,所述根据所述目标特征点集合,构建目标滑窗,包括:
对所述目标特征点集合进行直线检测,得到特征直线集合;
从特征直线集合中筛选出目标特征直线集合,其中,所述目标特征直线集合中的目标特征直线的数量为3;
确定所述目标特征直线集合中任意两条目标特征直线之间的距离,作为直线特征距离,得到直线特征距离集合;
将所述直线特征距离集合中最大的直线特征距离,确定为目标滑窗的宽度;
对于所述目标特征直线集合中的每个目标特征直线,将所述目标特征直线上任意相邻的两个目标特征点之间的距离,作为第一特征距离,得到所述目标特征直线对应的特征距离集合;
对于所述目标特征直线集合中的每个目标特征直线,从所述目标特征直线对应的特征距离集合中筛选出数量最多的第一特征距离,作为所述目标特征直线对应的目标特征距离;
将所述目标特征直线集合中的三个目标特征直线对应的目标特征距离的最小公倍数,确定为目标滑窗的长度。
进一步的,所述根据目标滑窗,对所述边缘图像进行缺陷检测,生成目标缺陷信息,包括:
按照目标滑窗的尺寸,对所述边缘图像进行划分,得到目标区域集合;
对于所述目标区域集合中的每个目标区域,对所述目标区域进行直线检测,得到所述目标区域对应的初步直线集合;
对于所述目标区域集合中的每个目标区域,当所述目标区域对应的初步直线集合中的初步直线的长度大于或等于预先设置的长度阈值时,将初步直线,确定为目标直线,得到所述目标区域对应的目标直线集合;
根据所述目标区域集合中的每个目标区域对应的目标直线集合中的目标直线的数量和预先设置的直线数量阈值,生成所述目标区域对应的区域信息,得到区域信息集合;
将所述区域信息集合中的区域信息,组合为目标缺陷信息。
进一步的,所述根据所述目标区域集合中的每个目标区域对应的目标直线集合中的目标直线的数量和预先设置的直线数量阈值,生成所述目标区域对应的区域信息,包括:
当目标区域对应的目标直线集合中的目标直线的数量小于直线数量阈值时,生成表征目标区域内存在缺陷的区域信息;
当目标区域对应的目标直线集合中的目标直线的数量等于直线数量阈值时,生成表征目标区域正常的区域信息。
本发明具有如下有益效果:
本发明的基于图像处理的瓦楞纸缺陷检测方法,通过对侧面图像进行图像处理,解决了对瓦楞纸进行缺陷检测的效率低下的技术问题,提高了对瓦楞纸进行缺陷检测的效率。首先,获取待检测瓦楞纸的侧面图像,对侧面图像进行灰度化处理,得到瓦楞纸灰度图像。实际情况中,往往采用人工的方式,对瓦楞纸进行缺陷检测。当采用人工的方式,对瓦楞纸进行缺陷检测时,往往是凭借检测者的主观感受进行检测识别,作出的识别判断往往不准确,因此,当采用人工的方式对瓦楞纸进行缺陷检测时,往往会导致对瓦楞纸进行缺陷检测的准确度低下。因此,通过获取包含有待检测瓦楞纸侧面信息的侧面图像,可以便于后续通过量化的方式,分析待检测瓦楞纸侧面缺陷情况,可以提高对瓦楞纸进行缺陷检测的准确度。接着,对瓦楞纸灰度图像进行边缘检测处理,得到边缘图像。实际情况中,对瓦楞纸灰度图像进行边缘检测,可以得到待检测瓦楞纸侧面包含的轮廓情况。并且,当待检测瓦楞纸侧面出现“搓衣板”变形缺陷时,待检测瓦楞纸侧面包含的轮廓往往发生变形,即边缘图像中的边缘往往会发生变化,因此,得到边缘图像,可以便于后续分析待检测瓦楞纸侧面是否出现“搓衣板”变形缺陷。然后,对边缘图像进行特征处理,得到目标特征点集合。之后,根据目标特征点集合,构建目标滑窗。最后,根据目标滑窗,对边缘图像进行缺陷检测,生成目标缺陷信息。因此,本发明通过对侧面图像进行图像处理,可以不需要对神经网络进行训练,解决了对瓦楞纸进行缺陷检测的效率低下的技术问题,提高了对瓦楞纸进行缺陷检测的效率。
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为根据本发明的基于图像处理的瓦楞纸缺陷检测方法的流程图;
图2为根据本发明的单个待检测瓦楞纸对应瓦楞纸灰度图像示意图;
图3为根据本发明的叠放到一块的多个待检测瓦楞纸对应瓦楞纸灰度图像示意图;
图4为根据本发明的单个待检测瓦楞纸侧面结构示意图;
图5为根据本发明的第一特征点示意图;
图6为根据本发明的第二特征点示意图;
图7为根据本发明的目标特征点示意图;
图8为根据本发明的与确定特征距离相关的示意图。
其中,附图标记包括:瓦楞纸第一层401、瓦楞纸第二层402、瓦楞纸第三层403、瓦楞纸第四层404和瓦楞纸第五层405、第一目标特征点801、第二目标特征点802、第三目标特征点803、第四目标特征点804、第五目标特征点805和第六目标特征点806。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了基于图像处理的瓦楞纸缺陷检测方法,该方法包括以下步骤:
获取待检测瓦楞纸的侧面图像,对侧面图像进行灰度化处理,得到瓦楞纸灰度图像;
对瓦楞纸灰度图像进行边缘检测处理,得到边缘图像;
对边缘图像进行特征处理,得到目标特征点集合;
根据目标特征点集合,构建目标滑窗;
根据目标滑窗,对边缘图像进行缺陷检测,生成目标缺陷信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的基于图像处理的瓦楞纸缺陷检测方法的一些实施例的流程。该基于图像处理的瓦楞纸缺陷检测方法,包括以下步骤:
步骤S1,获取待检测瓦楞纸的侧面图像,对侧面图像进行灰度化处理,得到瓦楞纸灰度图像。
在一些实施例中,可以获取待检测瓦楞纸的侧面图像,对上述侧面图像进行灰度化处理,得到瓦楞纸灰度图像。
其中,待检测瓦楞纸可以是待检测侧面缺陷情况的瓦楞纸。侧面缺陷可以是待检测瓦楞纸的侧面产生变形的“搓衣板”缺陷。如,当待检测瓦楞纸的侧面的下层向上拱或者上层向下塌时,可以认为待检测瓦楞纸存在缺陷。侧面图像可以是待检测瓦楞纸侧面的图像。瓦楞纸灰度图像可以是进行灰度化后的侧面图像。对待检测瓦楞纸进行缺陷检测时,可以对单个待检测瓦楞纸进行缺陷检测,也可以对叠放到一块的多个待检测瓦楞纸进行检测。当对单个待检测瓦楞纸进行缺陷检测时,瓦楞纸灰度图像可以是如图2所示的图像。当对叠放到一块的多个待检测瓦楞纸进行检测时,瓦楞纸灰度图像可以是如图3所示的图像。
作为示例,本步骤可以包括以下步骤:
第一步,获取待检测瓦楞纸的侧面图像。
例如,可以通过CCD(Charge Coupled Device,电荷耦合元件)相机,获取待检测瓦楞纸的侧面图像。
第二步,对上述侧面图像进行灰度化处理,得到瓦楞纸灰度图像。
其中,灰度化可以为加权灰度化。
例如,可以对上述侧面图像进行加权灰度化处理,得到瓦楞纸灰度图像。
步骤S2,对瓦楞纸灰度图像进行边缘检测处理,得到边缘图像。
在一些实施例中,可以对上述瓦楞纸灰度图像进行边缘检测处理,得到边缘图像。
其中,边缘图像可以是进行边缘检测处理后的图像。
作为示例,可以通过边缘检测算法,对上述瓦楞纸灰度图像进行边缘检测处理,得到边缘图像。其中,边缘检测算法可以是Canny边缘检测算法。
步骤S3,对边缘图像进行特征处理,得到目标特征点集合。
在一些实施例中,可以对上述边缘图像进行特征处理,得到目标特征点集合。
其中,目标特征点集合中的目标特征点可以是参与确定目标滑窗的尺寸的边缘像素点。目标滑窗可以矩形滑窗。目标滑窗的尺寸可以包括目标滑窗的长度和宽度。边缘像素点可以是边缘图像中的边缘上的像素点。
作为示例,本步骤可以包括以下步骤:
第一步,对于上述边缘图像中的每个边缘像素点,根据预先设置的第一位置,确定上述边缘像素点对应的预先设置的目标邻域对应的第一特征值,作为上述边缘像素点对应的第一目标特征值。
其中,目标邻域可以是3×3邻域。第一位置可以是目标邻域的左上角对应的位置。目标邻域对应的第一特征值可以是以第一位置为起始位置,进行顺时针计算,确定的LBP(Local Binary Patterns,局部二值模式)值。
第二步,根据上述边缘图像中的边缘像素点对应的第一目标特征值,从上述边缘图像中筛选出第一特征点集合。
例如,本步骤可以包括以下子步骤:
第一子步骤,将上述边缘图像中对应的第一目标特征值小于或等于预先设置的第一特征阈值的边缘像素点,确定第一特征点。
其中,第一特征阈值可以是预先设置的边缘像素点在瓦楞纸第一层时,所允许的最大的第一目标特征值。比如,第一特征阈值可以是32。如图4所示,单个待检测瓦楞纸侧面可以包括:瓦楞纸第一层401、瓦楞纸第二层402、瓦楞纸第三层403、瓦楞纸第四层404和瓦楞纸第五层405。
第二子步骤,将上述边缘图像中对应的第一目标特征值大于或等于预先设置的第二特征阈值的边缘像素点,确定第一特征点。
其中,第二特征阈值可以是预先设置的边缘像素点在瓦楞纸第五层时,所允许的最小的第一目标特征值。比如,第二特征阈值可以是128。
如图5所示,以单个待检测瓦楞纸侧面的部分区域为例,除了矩形框住的斜线上的边缘像素点之外的边缘像素点,均可以是第一特征点。
第三步,对于上述第一特征点集合中的每个第一特征点,根据预先设置的第二位置,确定上述第一特征点对应的目标邻域对应的第二特征值,作为上述第一特征点对应的第二目标特征值。
其中,第二位置可以是目标邻域的右上角对应的位置。目标邻域对应的第二特征值可以是以第二位置为起始位置,进行逆时针计算,确定的LBP值。
第四步,根据上述第一特征点集合中的第一特征点对应的第二目标特征值,从上述第一特征点集合中筛选出第二特征点集合。
例如,本步骤可以包括以下子步骤:
第一子步骤,将上述第一特征点集合中对应的第二目标特征值小于或等于第一特征阈值的第一特征点,确定第二特征点。
第二子步骤,将上述第一特征点集合中对应的第二目标特征值大于或等于第二特征阈值的第一特征点,确定第二特征点。
如图6所示,以单个待检测瓦楞纸侧面的部分区域为例,除了矩形框住的斜线上的边缘像素点之外的边缘像素点,均可以是第二特征点。
第五步,对于上述第二特征点集合中的每个第二特征点,根据预先设置的第三位置,确定上述第二特征点对应的目标邻域对应的第三特征值,作为上述第二特征点对应的第三目标特征值。
其中,第三位置可以是与目标邻域中的第一邻域像素点或第二邻域像素点所在的位置。第一邻域像素点可以是目标邻域的中间行包含的第一个像素点。第二邻域像素点可以是目标邻域的中间行包含的最后一个像素点。目标邻域对应的第三特征值可以是以第三位置为起始位置,进行顺时针或逆时针计算,确定的LBP值。
第六步,根据上述第二特征点集合中的第二特征点对应的第三目标特征值,从上述第二特征点集合中筛选出目标特征点集合。
例如,本步骤可以包括以下子步骤:
第一子步骤,将上述第二特征点集合中对应的第三目标特征值等于预先设置的无关数值的第二特征点,确定为无关特征点,得到无关特征点集合。
其中,无关数值可以为136。无关特征点集合中的无关特征点对应的目标邻域内左右两侧均有边缘像素点。将边缘像素点对应的二进制数值记为1,非边缘像素点对应的二进制数值记为0,表征无关特征点对应的目标邻域内是否存在边缘像素情况对应的二进制数据可以为10001000,10001000对应的LBP值可以为136。
第二子步骤,将上述第二特征点集合中除了上述无关特征点集合之外的第二特征点,确定为目标特征点。
如图7所示,以单个待检测瓦楞纸侧面的部分区域为例,实心圆点可以表征目标特征点。
步骤S4,根据目标特征点集合,构建目标滑窗。
在一些实施例中,可以根据上述目标特征点集合,构建目标滑窗。
作为示例,本步骤可以包括以下步骤:
第一步,对上述目标特征点集合进行直线检测,得到特征直线集合。
例如,可以通过霍夫直线检测算法,对目标特征点集合进行直线检测,得到特征直线集合。
第二步,从特征直线集合中筛选出目标特征直线集合。
其中,上述目标特征直线集合中的目标特征直线的数量为3。
例如,可以将特征直线集合中最长的三条特征直线,作为目标特征直线。其中,目标特征直线集合中的三条目标特征直线可以分别为瓦楞纸第一层、瓦楞纸第三层和瓦楞纸第五层所在的直线。
第三步,将上述目标特征直线集合中任意两条目标特征直线之间的距离,作为直线特征距离,得到直线特征距离集合。
第四步,将上述直线特征距离集合中最大的直线特征距离,确定为目标滑窗的宽度。
第五步,对于上述目标特征直线集合中的每个目标特征直线,将上述目标特征直线上任意相邻的两个目标特征点之间的距离,作为第一特征距离,得到上述目标特征直线对应的特征距离集合。
如图8所示,三个目标特征直线对应的特征距离可以分别为第一目标特征点801与第二目标特征点802之间的欧式距离、第三目标特征点803与第四目标特征点804之间的欧式距离、第五目标特征点805与第六目标特征点806之间的欧式距离。
第六步,对于上述目标特征直线集合中的每个目标特征直线,从上述目标特征直线对应的特征距离集合中筛选出数量最多的第一特征距离,作为上述目标特征直线对应的目标特征距离。
例如,目标特征直线对应的特征距离集合可以为{0.1,0.2,0.1,0.1,0.1,0.3}。该目标特征直线对应的目标特征距离可以为0.1。
实际情况中,待检测瓦楞纸的侧面缺陷往往发生在局部,即待检测瓦楞纸侧面的正常区域往往大于缺陷区域,因此,数量最多的第一特征距离往往是待检测瓦楞纸的正常侧面内的目标特征距离。
第七步,将上述目标特征直线集合中的三个目标特征直线对应的目标特征距离的最小公倍数,确定为目标滑窗的长度。
步骤S5,根据目标滑窗,对边缘图像进行缺陷检测,生成目标缺陷信息。
在一些实施例中,可以根据目标滑窗,对上述边缘图像进行缺陷检测,生成目标缺陷信息。
其中,目标缺陷信息可以表征待检测侧面缺陷情况。
作为示例,本步骤可以包括以下步骤:
第一步,按照目标滑窗的尺寸,对上述边缘图像进行划分,得到目标区域集合。
其中,目标区域集合中的目标区域可以是矩形区域。目标区域的长度和宽度可以分别等于目标滑窗的尺寸包括的长度和宽度。
第二步,对于上述目标区域集合中的每个目标区域,对上述目标区域进行直线检测,得到上述目标区域对应的初步直线集合。
例如,可以通过霍夫直线检测算法,对目标区域进行直线检测,得到目标区域对应的初步直线集合。
第三步,对于上述目标区域集合中的每个目标区域,当上述目标区域对应的初步直线集合中的初步直线的长度大于或等于预先设置的长度阈值时,将初步直线,确定为目标直线,得到上述目标区域对应的目标直线集合。
其中,长度阈值可以是预先设置的目标区域正常时,所允许的最小的初步直线的长度。例如,长度阈值可以是目标区域长度的四分之三。
第四步,根据上述目标区域集合中的每个目标区域对应的目标直线集合中的目标直线的数量和预先设置的直线数量阈值,生成上述目标区域对应的区域信息,得到区域信息集合。
其中,直线数量阈值可以是预先设置的目标区域正常时,所允许的目标区域对应的目标直线集合中的目标直线的数量。比如,直线数量阈值可以是3。
实际情况中,对于五层的未发生“搓衣板”变形缺陷瓦楞纸来说,往往该瓦楞纸侧面的第一层、第三层和第五层呈现直线型,所以对边缘图像进行缺陷检测,可以确定待检测瓦楞纸侧面的缺陷情况,并且可以提高确定目标缺陷信息的准确度。其次,构建目标滑窗,并且实现了目标滑窗的自适应,通过霍夫直线检测算法,对各个目标区域进行直线检测,相较于直接对边缘图像进行直线检测,减少了计算量,减少了计算资源的占用,提高了对边缘图像进行缺陷检测的效率,并且如果目标滑窗的尺寸过小,往往会导致对边缘图像进行缺陷检测的准确度低下,本发明确定的目标滑窗的尺寸,可以避免目标滑窗的尺寸过小的情况,提高了对边缘图像进行缺陷检测的准确度。
例如,本步骤可以包括以下子步骤:
第一子步骤,当目标区域对应的目标直线集合中的目标直线的数量小于直线数量阈值时,生成表征目标区域内存在缺陷的区域信息。
第二子步骤,当目标区域对应的目标直线集合中的目标直线的数量等于直线数量阈值时,生成表征目标区域正常的区域信息。
第五步,将上述区域信息集合中的区域信息,组合为目标缺陷信息。
其中,目标缺陷信息可以包括区域信息集合中的各个区域信息。
本发明的基于图像处理的瓦楞纸缺陷检测方法,通过对侧面图像进行图像处理,解决了对瓦楞纸进行缺陷检测的效率低下的技术问题,提高了对瓦楞纸进行缺陷检测的效率。首先,获取待检测瓦楞纸的侧面图像,对侧面图像进行灰度化处理,得到瓦楞纸灰度图像。实际情况中,往往采用人工的方式,对瓦楞纸进行缺陷检测。当采用人工的方式,对瓦楞纸进行缺陷检测时,往往是凭借检测者的主观感受进行检测识别,作出的识别判断往往不准确,因此,当采用人工的方式对瓦楞纸进行缺陷检测时,往往会导致对瓦楞纸进行缺陷检测的准确度低下。因此,通过获取包含有待检测瓦楞纸侧面信息的侧面图像,可以便于后续通过量化的方式,分析待检测瓦楞纸侧面缺陷情况,可以提高对瓦楞纸进行缺陷检测的准确度。接着,对瓦楞纸灰度图像进行边缘检测处理,得到边缘图像。实际情况中,对瓦楞纸灰度图像进行边缘检测,可以得到待检测瓦楞纸侧面包含的轮廓情况。并且,当待检测瓦楞纸侧面出现“搓衣板”变形缺陷时,待检测瓦楞纸侧面包含的轮廓往往发生变形,即边缘图像中的边缘会发生变化,因此,得到边缘图像,可以便于后续分析待检测瓦楞纸侧面是否出现“搓衣板”变形缺陷。然后,对边缘图像进行特征处理,得到目标特征点集合。之后,根据目标特征点集合,构建目标滑窗。最后,根据目标滑窗,对边缘图像进行缺陷检测,生成目标缺陷信息。因此,本发明通过对侧面图像进行图像处理,可以不需要对神经网络进行训练,解决了对瓦楞纸进行缺陷检测的效率低下的技术问题,提高了对瓦楞纸进行缺陷检测的效率。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (1)
1.一种基于图像处理的瓦楞纸缺陷检测方法,其特征在于,包括以下步骤:
S1,获取待检测瓦楞纸的侧面图像,对所述侧面图像进行灰度化处理,得到瓦楞纸灰度图像;
S2,对所述瓦楞纸灰度图像进行边缘检测处理,得到边缘图像;
S3,对所述边缘图像进行特征处理,得到目标特征点集合;
S4,根据所述目标特征点集合,构建目标滑窗;
S5,根据目标滑窗,对所述边缘图像进行缺陷检测,生成目标缺陷信息;
所述对所述边缘图像进行特征处理,得到目标特征点集合,包括:
对于所述边缘图像中的每个边缘像素点,根据预先设置的第一位置,确定所述边缘像素点对应的预先设置的目标邻域对应的第一特征值,作为所述边缘像素点对应的第一目标特征值;
根据所述边缘图像中的边缘像素点对应的第一目标特征值,从所述边缘图像中筛选出第一特征点集合;
对于所述第一特征点集合中的每个第一特征点,根据预先设置的第二位置,确定所述第一特征点对应的目标邻域对应的第二特征值,作为所述第一特征点对应的第二目标特征值;
根据所述第一特征点集合中的第一特征点对应的第二目标特征值,从所述第一特征点集合中筛选出第二特征点集合;
对于所述第二特征点集合中的每个第二特征点,根据预先设置的第三位置,确定所述第二特征点对应的目标邻域对应的第三特征值,作为所述第二特征点对应的第三目标特征值;
根据所述第二特征点集合中的第二特征点对应的第三目标特征值,从所述第二特征点集合中筛选出目标特征点集合;
所述根据所述边缘图像中的边缘像素点对应的第一目标特征值,从所述边缘图像中筛选出第一特征点集合,包括:
将所述边缘图像中对应的第一目标特征值小于或等于预先设置的第一特征阈值的边缘像素点,确定第一特征点,其中,第一特征阈值是32;
将所述边缘图像中对应的第一目标特征值大于或等于预先设置的第二特征阈值的边缘像素点,确定第一特征点,其中,第二特征阈值是128;
所述根据所述第一特征点集合中的第一特征点对应的第二目标特征值,从所述第一特征点集合中筛选出第二特征点集合,包括:
将所述第一特征点集合中对应的第二目标特征值小于或等于第一特征阈值的第一特征点,确定第二特征点;
将所述第一特征点集合中对应的第二目标特征值大于或等于第二特征阈值的第一特征点,确定第二特征点;
所述根据所述第二特征点集合中的第二特征点对应的第三目标特征值,从所述第二特征点集合中筛选出目标特征点集合,包括:
将所述第二特征点集合中对应的第三目标特征值等于预先设置的无关数值的第二特征点,确定为无关特征点,得到无关特征点集合;
将所述第二特征点集合中除了所述无关特征点集合之外的第二特征点,确定为目标特征点;
目标邻域是3×3邻域,第一位置是目标邻域的左上角对应的位置,第二位置是目标邻域的右上角对应的位置,第三位置是与目标邻域中的第一邻域像素点或第二邻域像素点所在的位置,第一邻域像素点是目标邻域的中间行包含的第一个像素点,第二邻域像素点是目标邻域的中间行包含的最后一个像素点;
所述根据所述目标特征点集合,构建目标滑窗,包括:
对所述目标特征点集合进行直线检测,得到特征直线集合;
从特征直线集合中筛选出目标特征直线集合,其中,所述目标特征直线集合中的目标特征直线的数量为3;
确定所述目标特征直线集合中任意两条目标特征直线之间的距离,作为直线特征距离,得到直线特征距离集合;
将所述直线特征距离集合中最大的直线特征距离,确定为目标滑窗的宽度;
对于所述目标特征直线集合中的每个目标特征直线,将所述目标特征直线上任意相邻的两个目标特征点之间的距离,作为第一特征距离,得到所述目标特征直线对应的特征距离集合;
对于所述目标特征直线集合中的每个目标特征直线,从所述目标特征直线对应的特征距离集合中筛选出数量最多的第一特征距离,作为所述目标特征直线对应的目标特征距离;
将所述目标特征直线集合中的三个目标特征直线对应的目标特征距离的最小公倍数,确定为目标滑窗的长度;
所述根据目标滑窗,对所述边缘图像进行缺陷检测,生成目标缺陷信息,包括:
按照目标滑窗的尺寸,对所述边缘图像进行划分,得到目标区域集合;
对于所述目标区域集合中的每个目标区域,对所述目标区域进行直线检测,得到所述目标区域对应的初步直线集合;
对于所述目标区域集合中的每个目标区域,当所述目标区域对应的初步直线集合中的初步直线的长度大于或等于预先设置的长度阈值时,将初步直线,确定为目标直线,得到所述目标区域对应的目标直线集合;
根据所述目标区域集合中的每个目标区域对应的目标直线集合中的目标直线的数量和预先设置的直线数量阈值,生成所述目标区域对应的区域信息,得到区域信息集合;
将所述区域信息集合中的区域信息,组合为目标缺陷信息;
所述根据所述目标区域集合中的每个目标区域对应的目标直线集合中的目标直线的数量和预先设置的直线数量阈值,生成所述目标区域对应的区域信息,包括:
当目标区域对应的目标直线集合中的目标直线的数量小于直线数量阈值时,生成表征目标区域内存在缺陷的区域信息;
当目标区域对应的目标直线集合中的目标直线的数量等于直线数量阈值时,生成表征目标区域正常的区域信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169027.4A CN115239737B (zh) | 2022-09-26 | 2022-09-26 | 基于图像处理的瓦楞纸缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169027.4A CN115239737B (zh) | 2022-09-26 | 2022-09-26 | 基于图像处理的瓦楞纸缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239737A CN115239737A (zh) | 2022-10-25 |
CN115239737B true CN115239737B (zh) | 2022-12-13 |
Family
ID=83667456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169027.4A Active CN115239737B (zh) | 2022-09-26 | 2022-09-26 | 基于图像处理的瓦楞纸缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239737B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631199B (zh) * | 2022-12-21 | 2023-04-14 | 深圳新视智科技术有限公司 | pin针缺陷检测方法、装置、设备及存储介质 |
CN116152234B (zh) * | 2023-04-18 | 2023-08-01 | 山东阁林板建材科技有限公司 | 基于图像处理的模板端面缺陷识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160161A (zh) * | 2021-04-14 | 2021-07-23 | 歌尔股份有限公司 | 目标边缘处缺陷的检测方法和装置 |
CN114627111A (zh) * | 2022-05-12 | 2022-06-14 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6273594B1 (ja) * | 2017-05-12 | 2018-02-07 | 三菱重工機械システム株式会社 | 段ボールシートの不良検出装置及び段ボールシートの不良除去装置並びに段ボールシートの製造装置 |
JP7413170B2 (ja) * | 2020-07-15 | 2024-01-15 | 三菱重工機械システム株式会社 | 段ボールシートの不良検出装置および方法並びに段ボールシートの不良除去装置、段ボールシートの製造装置 |
CN113935988A (zh) * | 2021-11-18 | 2022-01-14 | 湖北中烟工业有限责任公司 | 基于机器视觉的箱体表面缺陷检测识别方法及装置 |
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 |
CN114782475B (zh) * | 2022-06-16 | 2022-09-02 | 南通金石包装印刷有限公司 | 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法 |
-
2022
- 2022-09-26 CN CN202211169027.4A patent/CN115239737B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160161A (zh) * | 2021-04-14 | 2021-07-23 | 歌尔股份有限公司 | 目标边缘处缺陷的检测方法和装置 |
CN114627111A (zh) * | 2022-05-12 | 2022-06-14 | 南通英伦家纺有限公司 | 一种纺织品缺陷检测识别装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115239737A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115239737B (zh) | 基于图像处理的瓦楞纸缺陷检测方法 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
JP6878575B2 (ja) | 紙幣管理方法、システム、プログラム及び記録媒体 | |
CN101915769B (zh) | 一种印刷电路板中带电阻元件的自动光学检测方法 | |
CN102034108B (zh) | 基于多分辨网格特征配准的清分机纸币面值面向分类方法 | |
CN111161243A (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN113538603B (zh) | 一种基于阵列产品的光学检测方法、***和可读存储介质 | |
CN115457037A (zh) | 一种用于阿胶制品生产的原材料质检方法 | |
US20240119584A1 (en) | Detection method, electronic device and non-transitory computer-readable storage medium | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及***、电子设备和存储介质 | |
CN114359235A (zh) | 一种基于改进YOLOv5l网络的木材表面缺陷检测方法 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN107680246B (zh) | 一种纸币图案中的曲线边界定位方法及设备 | |
CN111563845B (zh) | 票据表面涂刮检测方法、装置、设备及存储介质 | |
JP3587029B2 (ja) | 画像検査方法および画像検査装置 | |
CN113313704B (zh) | 一种集成电路引脚检测方法、装置、终端及存储介质 | |
JP2021039641A (ja) | 再学習方法、および、コンピュータープログラム | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及*** | |
CN114926829A (zh) | 一种证件检测方法、装置、电子设备及存储介质 | |
CN115511820A (zh) | 一种柔体线路板缺陷检测模型训练方法及缺陷检测方法 | |
JPH0528245A (ja) | 画像認識装置 | |
CN116503404B (zh) | 塑料玩具质量检测方法、装置、电子设备及存储介质 | |
CN116416612A (zh) | 一种水果种类识别方法及自动售卖装置 |
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 |