CN115294142B - 一种用于化纤纸管的质量检测方法 - Google Patents
一种用于化纤纸管的质量检测方法 Download PDFInfo
- Publication number
- CN115294142B CN115294142B CN202211231090.6A CN202211231090A CN115294142B CN 115294142 B CN115294142 B CN 115294142B CN 202211231090 A CN202211231090 A CN 202211231090A CN 115294142 B CN115294142 B CN 115294142B
- Authority
- CN
- China
- Prior art keywords
- points
- chemical fiber
- fiber paper
- node
- paper tube
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 117
- 239000000126 substance Substances 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000007547 defect Effects 0.000 claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 13
- 230000002950 deficient Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 2
- 101000701876 Homo sapiens Serpin A9 Proteins 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000021552 granulated sugar Nutrition 0.000 description 1
- 102000050111 human SERPINA9 Human genes 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009785 tube rolling Methods 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
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于化纤纸管的质量检测方法。该方法对经由图像识别电子设备所识别得到的化纤纸管表面图像进行数据获取,进而对获取的数据进行处理分析,侧重点是对数据处理方法进行改进,将化纤纸管表面图像映射到RGB颜色空间,然后对空间点进行合并以所得合并点建立图结构,确定图结构中节点之间的边关系,对已知边关系的图结构分解确定图结构中异常点,以异常点确定化纤纸管表面图像上缺陷区域,完成化纤纸管质量检测。该方法利用空间点的位置关系实现对不同类型不同程度的缺陷在RGB颜色空间点的分割,从而实现不同类型不同程度的缺陷的识别,提高了检测准确度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于化纤纸管的质量检测方法。
背景技术
化纤纸管因其质量轻,强度高,并且可重复回收使用目前广泛应用于茶叶、砂糖、盐等固体包装,以及各种液体商品的盛装。在化纤纸管应用于包装时,常常需要在纸管表面粘贴商品标签,此时化纤纸管表面质量影响着标签的粘贴效果,比如表面存在的凹凸或者裂缝,使得标签与纸管贴合不紧密,造成标签容易损坏。所以对于包装商品用的化纤纸管,在使用之前需要对其进行表面质量检测。
对于常规的缺陷检测,主要利用缺陷区域像素值与正常区域像素值的差异,通过阈值分割获得缺陷区域,但是,实际中化纤纸管的缺陷具有不同类型不同程度的特点,不同的类型不同缺陷程度的缺陷所反映的像素值均不同,所以常规的阈值分割无法准确地获得纸管表面缺陷区域,现有技术对化纤纸管表面缺陷检测并不足够准确。
发明内容
本发明提供了一种数据处理方法,用以解决现有技术无法准确检测化纤纸管表面缺陷的技术问题,所采用的技术方案具体如下:
本发明的一种用于化纤纸管的质量检测方法,包括以下步骤:
获取化纤纸管表面图像,从所获取的化纤纸管表面图像中确定化纤纸管区域图像;
将化纤纸管区域图像映射到RGB颜色空间;
对RGB颜色空间中所有空间点进行合并,将合并后RGB颜色空间中所有的空间点称作合并点;
根据合并点建立图结构,在所建立的图结构中确定节点之间的边的关系;
基于所确定的节点之间的边的关系对图结构进行图分割,确定图结构中的异常点;
根据所确定的图结构中的异常点,确定化纤纸管区域图像中的缺陷区域,根据缺陷区域完成化纤纸管的质量检测。
本发明的有益效果为:
本发明该方法将化纤纸管表面图像映射到RGB颜色空间后对所有空间点进行合并,以所得合并点建立图结构,确定图结构中节点之间的边关系,对已知边关系的图结构分解确定图结构中异常点,以异常点确定化纤纸管表面图像上缺陷区域,完成化纤纸管质量检测。该方法利用空间点的位置关系实现了对不同类型不同程度的缺陷在RGB颜色空间点的分割,从而实现了不同类型不同程度的缺陷的识别,提高了对化纤纸管表面缺陷检测的准确度。
进一步的,所述对RGB颜色空间中所有空间点进行合并的方法为:
首先确定对空间点进行合并的合并效果:
其中,表示合并半径R对应的合并效果,表示合并后第i个合并点包含的原始点的数量,表示距离第i个合并点最近的合并点包含的原始点的数量,表示上述两个合并点包含的原始点数量之和,表示第i个合并点与距离第i个合并点最近的合并点之间的距离,与分别表示任意一个合并点与其距离最近合并点之间距离的最大值和最小值;
以合并效果最好时所对应的合并半径对空间点进行合并。
进一步的,所述根据合并点建立图结构的方法为:
首先设置一个局部范围,然后以每一个合并点为中心,将以局部范围为半径的球形区域内所有合并点以作为中心的合并点进行连接,完成所有合并点的连接,并在整个合并过程中保证任意两个合并点之间只有一个边。
进一步的,所述确定节点之间的边的关系的方法为:
其中,表示第i个节点到第i+v个节点的边关系,表示第i个节点的度,即第i个节点连接边的数量,表示第i+v个节点的度,即第i+v个节点连接边的数量,表示第i个节点与第个节点的度总和,v表示节点序号差异量,,表示第i个节点与第个节点的距离,表示第i个节点也即第i个合并点包含的原始空间点的数量,表示第i个节点到第i+v个节点在RGB颜色空间中的分布异常程度;
其中,表示第i个节点到第i+v个节点在RGB颜色空间中的分布异常程度,表示第i个节点与RGB原始空间点聚簇中心所对应节点之间的距离,越大,第i节点的异常程度越大,表示表示第i+v个节点与RGB原始空间点聚簇中心所对应节点之间的距离,越大,第i+v个节点的异常程度越大,则表示连接第i个节点与第i+v个节点的边的异常程度,越大,异常程度越大,表示以聚簇中心所在节点为中心,半径为的球面中存在节点的数量,越大,表示第i个节点的分布密度越大,即节点异常程度越小,所以表示连接边的节点分布密度,越大,对应连接边的节点分布密度越大,对应节点的分布异常程度越小。
进一步的,所述基于所确定的节点之间的边的关系对图结构进行图分割,确定图结构中的异常点的方法为:
进一步的,所述根据缺陷区域完成化纤纸管的质量检测的方法为:
确定化纤纸管的缺陷程度:
附图说明
图1是本发明该种用于化纤纸管的质量检测方法的流程图。
具体实施方式
本发明的构思为:
本发明该方法在确定化纤纸管区域图像后将其映射到RGB颜色空间,然后对RGB颜色空间所有空间点进行合并得到合并点,以合并点建立图结构并确定所有节点之间的边关系,基于确定的节点之间的边关系对图结构进行分割确定出图结构中的异常点,根据异常点完成对化纤纸管区域图像上不同类型不同程度的缺陷所对应的缺陷区域的确定,从而完成化纤纸管质量检测。
下面结合附图及实施例,对本发明的一种用于化纤纸管的质量检测方法进行详细说明。
方法实施例:
本发明的一种用于化纤纸管的质量检测方法实施例,其整体流程如图1所示,具体过程如下:
步骤一,使用图像采集设备获取化纤纸管表面图像,确定化纤纸管区域图像。
对于化纤纸管生产后进行表面质量检测,即将生产后的化纤纸管传输到检测平台,然后在平台中使得化纤纸管滚动经过,在纸管滚动平台正上方采用相关图像采集电子设备,如工业相机以获取化纤纸管的表面图像。
由于化纤纸管为圆筒形表面,所以利用图像采集电子设备单次并不能获得完整的化纤纸管表面,所以本实施例根据化纤纸管滚动速度设置相关图像采集电子设备获取化纤纸管表面图像的间隔。
其中,表示化纤纸管的滚动速度,表示化纤纸管滚动一周所需要的时间,表示化纤纸管滚动半周所需要的时间也即工业相机拍摄间隔为T,使得相邻两次所获取图像可表示一个完整的纸管图像。将相邻两次获取的图像拼接便可获取完整的化纤纸管表面图像。
然后对于所获取的化纤纸管表面图像,利用语义分割技术,将所获取的化纤纸管表面图像的数据进行处理,分割获得化纤纸管区域图像,后续数据处理均基于化纤纸管区域图像相对应的数据。
步骤二,将化纤纸管区域图像映射到RGB颜色空间,在RGB颜色空间中确定所有空间点的聚簇中心。
对于化纤纸管表面存在的裂缝等缺陷,在图像中表现为灰度值的差异,所以在检测缺陷时,首先需要获得缺陷区域像素值,然后再图像中分割缺陷区域,然而现有的阈值分割存在分割标准单一,对于不同类型缺陷的不同缺陷程度的识别效果不佳,所以本实施例通过化纤纸管图像表面像素值在RGB颜色空间中的分布,构建图结构,利用图结构中边的关系表示不同缺陷像素值的异常,即获得同一的像素值关系,通过边分割直接获得不同的缺陷像素值,实现不同类型不同缺陷程度的缺陷检测。
化纤纸管表面图像中,正常区域像素点像素值差异较小,并且像素点数量远远大于缺陷区域像素点数量,所以在RGB颜色空间中点大多数形成一个聚簇,此时首先需要获得正常区域像素点对应RGB颜色空间中点的聚簇,在本实施例中利用K-means聚类算法,设置K=1,在输入所有RGB颜色空间点,然后输出聚簇中心,由于化纤纸管表面正常区域所占比例相较于缺陷区域明显更大,所以此时RGB颜色空间中的点所聚集到的聚簇中心实际上便代表了化纤纸管正常区域的像素点对应的空间点。
通过所确定的聚簇中心,本实施例实际上便获得了化纤纸管表面图像像素值对应RGB颜色空间中点的聚簇中心,即获得RGB颜色空间中点的位置分析的基准点,此时根据RGB颜色空间中点的分布,判断RGB颜色空间中异常点,从而进行化纤纸管的缺陷识别。
步骤三,对RGB颜色空间中的空间点进行合并,将合并后RGB颜色空间中所有的空间点称作合并点。
在RGB颜色空间中,空间点的数量较多,不利于点之间的关系的计算,并且存在大量重合点,所以,为了减少原始空间点的数量,便于点的分布关系的计算,本实施例对RGB颜色空间的重合空间点进行合并获得近似重合点。
在对RGB颜色空间中空间点进行合并时,不同的合并半径获得的合并效果不同,半径过大,会导致异常点被合并,半径过小则会导致合并后空间点不能很好的反应异常点与正常点的关系,此时根据合并后点的分布,确定合并效果,具体表示为:
其中,表示合并半径R对应的合并效果,表示合并后第i个合并点包含的原始点的数量,表示距离第i个合并点最近的合并点包含的原始点的数量,此时表示上述两个合并点包含的原始点数量之和,因为RGB颜色空间中多数点为原始图像中正常区域像素值对应点,所以需要尽可能使得原始正常区域像素值在RGB颜色空间中点合并,所以越大,合并效果越好;表示第i个合并点与距离第i个合并点最近的合并点之间的距离,对于RGB颜色空间中异常点的判断中,越大,越容易判断合并点之间的关系,所以合并效果越好;与分别表示任意一个合并点与其距离最近合并点之间距离的最大值和最小值,越大,表示合并后合并点之间的距离差异越大,越能反应出RGB颜色空间点的异常,即合并效果越好。
在获得RGB颜色空间点的关于合并半径R的合并效果后,此时,通过改变合并半径,获得最佳的合并效果。本实施例中利用模拟退火算法,根据经验设置合并半径R的初始值为3,当然,在其它实施例中还可将合并半径R的初始值根据数据具体情况而设置成其它值,通过改变合并半径R,计算获得合并效果的最大值,以及对应的最佳的合并半径。
利用上述步骤,对RGB颜色空间中重合点以及近似重合点进行合并,减少空间中点的数量,便于计算,同时减少重合点以及近似重合点之间的关系对RGB颜色空间中异常点关系的影响,即合并后点之间的关系更能够反应出空间点的异常,即使得化纤纸管表面的缺陷在RGB颜色空间中异常分布更加明显,便于RGB颜色空间中异常点的分析,即便于化纤纸管缺陷区域像素值的识别。在RGB颜色空间中重合点合并后,因为化纤纸管正常区域像素值存在差异,所以合并后存在多个点表示正常像素值,然后后续利用图结构区分正常点以及缺陷区域对应点。
步骤四,基于所得合并点建立图结构。
在以上步骤中,通过计算RGB颜色空间点的合并效果,对RGB颜色空间点进行最佳合并,此时利用合并后空间点也即合并点之间的关系,进行RGB颜色空间异常点的判断。
在RGB颜色空间点的异常分析中,主要考虑点之间的分布关系,为了更好的建立合并点之间的关系,本实施例建立图结构,反应点之间的关系。
在图结构中,将不同类型不同程度的缺陷反应为边的关系,然后利用边的关系直接反应RGB颜色空间中点的异常,从而解决现有阈值分割无法获得不同类型不同程度缺陷识别的问题。
在一般图结构中,主要通过点连接的边关系反应点之间的关系,所以在建立图结构时,首先需要确定边之间连接方式。
在本实施例中对于异常点的分割主要依据点在局部范围上的离散特点,所以构建的图结构主要针对局部点之间的关系,首先通过设置一个局部范围L,在本实施例设置L=5,在其它实施例中可根据实际场景以及缺陷检测精确度要求对局部范围L进行调整,然后对于RGB颜色空间的每一个合并点,以该合并点为中心,将周围半径为L的球形区域的所有点与该点连接,然后对RGB颜色空间中所有的合并点,利用相同方法进行连接,获得整个空间中所有合并点之间的图结构。
特殊地,在不同的球形空间中存在的相同合并点,只进行一次连接,即任意两个合并点之间只具有一个边。
利用上述步骤,在RGB颜色空间中构建图结构,考虑点关系的局部性,通过局部范围L限制点之间的连接范围,减少点的连接,从而降低图结构的复杂性,从而减少计算量。
每一个合并点作为一个图结构中的节点,在RGB颜色空间中对化纤纸管表面缺陷区域像素值对应的点的异常分析中,主要以点之间的位置关系反应缺陷,此时利用图结构的边的关系,可以量化点之间的位置关系,从而实现RGB颜色空间中异常点的识别,即获得化纤纸管表面的缺陷区域像素值。所以通过构建当前图结构,可以将不同类型不同程度的缺陷与正常区域的不同差异转换为图结构中统一的边关系进行衡量。
步骤五,在所构建的图结构中确定节点之间的边的关系。
为确定图结构中各个节点之间的关系,需要获得连接边的关系。因为本发明目的在于异常点的分析,所以,边的关系需要反应对应节点的分布特点,具体边关系表示为:
其中,表示第i个节点到第i+v个节点的边关系,表示第i个节点的度,即第i个节点连接边的数量,表示第i+v个节点的度,即第i+v个节点连接边的数量,表示第i个节点与第个节点的度总和,v表示节点序号差异量,,越大,表示第i个节点与第个节点构成边在图结构中关系越强;表示第i个节点与第个节点的距离,越大,节点之间的联系越小,连接边关系越弱,表示第i个节点也即第i个合并点包含的原始空间点的数量,越大,表示该节点在图中越重要,对应连接的边的关系越强;表示第i个节点到第i+v个节点在RGB颜色空间中的分布异常程度,越大,表示对应边的关系越弱。第i个节点到第i+v个节点的边关系越强,越大。
其中,表示第i个节点到第i+v个节点在RGB颜色空间中的分布异常程度,表示第i个节点与RGB原始空间点聚簇中心所对应节点之间的距离,越大,第i节点的异常程度越大,表示表示第i+v个节点与RGB原始空间点聚簇中心所对应节点之间的距离,越大,第i+v个节点的异常程度越大,则表示连接第i个节点与第i+v个节点的边的异常程度,越大,异常程度越大,表示以聚簇中心所在节点为中心,半径为的球面中存在节点的数量,越大,表示第i个节点的分布密度越大,即节点异常程度越小,所以表示连接边的节点分布密度,越大,对应连接边的节点分布密度越大,对应节点的分布异常程度越小。
至此,完成图结构边关系的确定。
上述边关系,直接反应RGB颜色空间点的分布特点,此时通过边的关系表示了图像中不同像素值之间的关系,即对于不同类型不同程度的缺陷像素值的差异关***一表示,解决现有阈值分割无法对不同缺陷直接进行分割的缺点。
步骤六,基于所确定的节点之间的边的关系对图结构进行图分割,确定图结构中的异常点。
在之前步骤中,通过合并点的特点反应出合并点包含原始点数量对边关系的影响,即所构建边关系在反应当前节点特点的同时,使得所构建图结构关系与原始空间点的联系更加密切,即当前边关系更能够反应原始空间点关系;同时考虑空间异常点对图结构中边关系的影响,使得边关系具有节点的异常分布影响,从而便于通过边关系进行异常节点的分析。
所以,本实施例继续对已确定节点之间边的关系的图结构进行图分割,分割获得图结构中的异常点。
因为正常节点具有空间聚集特点,所以本实施例以正常节点为目标节点,分割获得正常节点,从而实现异常点的识别。在本发明中,直接利用现有的图结构分割方法,对当前图结构进行分割,即在输入当前图结构以及边关系后,使得分割线分割最少的边关系,利用分割线将原始图结构分割为两部分,从而实现图节点的分割。
此时节点分为两类,将包含原始空间点的聚簇中点的一类节点作为正常节点,另一类节点表示化纤纸管表面缺陷区域像素值对应RGB颜色空间点构成的节点,也即异常点。
步骤七,根据所确定的图结构中的异常点,确定化纤纸管区域图像中的缺陷区域,根据缺陷区域完成化纤纸管的质量检测。
通过以上步骤,获得上述图结构中的异常点也即异常节点,此时根据异常节点的合并过程,在原始RGB颜色空间中获得异常节点对应的原始点,此时原始点即表示化纤纸管表面缺陷区域像素值。
缺陷区域获得像素值后,然后在化纤纸管区域图像中分割获得缺陷区域,图像表面缺陷区域反应化纤纸管的质量。
其中,表示化纤纸管的缺陷程度,表示化纤纸管区域图像上第j个缺陷区域的大小,表示化纤纸管区域图像上缺陷区域的数量,表示化纤纸管区域图像的大小,即表示化纤纸管区域图像中缺陷区域的占比,也即化纤纸管的缺程度。
设置缺陷程度阈值,在本实施例中设置,在其它实施例中,可根据缺陷检测精确度以及对化纤纸管的质量要求而适应性设置缺陷程度阈值,在时,表示当前图像中的缺陷影响化纤纸管的表面质量,判断化纤纸管为残次品,否则判断化纤纸管为合格品。
至此,完成化纤纸管的质量检测。
以上所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 (5)
1.一种用于化纤纸管的质量检测方法,其特征在于,包括以下步骤:
获取化纤纸管表面图像,从所获取的化纤纸管表面图像中确定化纤纸管区域图像;
将化纤纸管区域图像映射到RGB颜色空间;
对RGB颜色空间中所有空间点进行合并,将合并后RGB颜色空间中所有的空间点称作合并点;
根据合并点建立图结构,在所建立的图结构中确定节点之间的边的关系;
基于所确定的节点之间的边的关系对图结构进行图分割,确定图结构中的异常点;
根据所确定的图结构中的异常点,确定化纤纸管区域图像中的缺陷区域,根据缺陷区域完成化纤纸管的质量检测;
所述对RGB颜色空间中所有空间点进行合并的方法为:
首先确定对空间点进行合并的合并效果:
其中,表示合并半径R对应的合并效果,表示合并后第i个合并点包含的原始点的数量,表示距离第i个合并点最近的合并点包含的原始点的数量,表示上述两个合并点包含的原始点数量之和,表示第i个合并点与距离第i个合并点最近的合并点之间的距离,与分别表示任意一个合并点与其距离最近合并点之间距离的最大值和最小值;
以合并效果最好时所对应的合并半径对空间点进行合并。
2.根据权利要求1所述的用于化纤纸管的质量检测方法,其特征在于,所述根据合并点建立图结构的方法为:
首先设置一个局部范围,然后以每一个合并点为中心,将以局部范围为半径的球形区域内所有合并点以作为中心的合并点进行连接,完成所有合并点的连接,并在整个合并过程中保证任意两个合并点之间只有一个边。
3.根据权利要求2所述的用于化纤纸管的质量检测方法,其特征在于,所述确定节点之间的边的关系的方法为:
其中,表示第i个节点到第i+v个节点的边关系,表示第i个节点的度,即第i个节点连接边的数量,表示第i+v个节点的度,即第i+v个节点连接边的数量,表示第i个节点与第个节点的度总和,v表示节点序号差异量,,表示第i个节点与第个节点的距离,表示第i个节点也即第i个合并点包含的原始空间点的数量,表示第i个节点到第i+v个节点在RGB颜色空间中的分布异常程度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231090.6A CN115294142B (zh) | 2022-10-10 | 2022-10-10 | 一种用于化纤纸管的质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231090.6A CN115294142B (zh) | 2022-10-10 | 2022-10-10 | 一种用于化纤纸管的质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294142A CN115294142A (zh) | 2022-11-04 |
CN115294142B true CN115294142B (zh) | 2023-01-13 |
Family
ID=83819452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211231090.6A Active CN115294142B (zh) | 2022-10-10 | 2022-10-10 | 一种用于化纤纸管的质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294142B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808138B (zh) * | 2021-11-22 | 2022-02-18 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电线电缆表面缺陷检测方法 |
CN114359275B (zh) * | 2022-03-16 | 2022-06-07 | 南通俊朗智能科技有限公司 | 基于人工智能的液压齿轮泵缺陷检测方法及*** |
CN114372983B (zh) * | 2022-03-22 | 2022-05-24 | 武汉市富甸科技发展有限公司 | 一种基于图像处理的屏蔽盒涂装质量检测方法及*** |
-
2022
- 2022-10-10 CN CN202211231090.6A patent/CN115294142B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115294142A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766095B (zh) | 基于图像灰度特征的缺陷检测方法 | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN112241699A (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN103424409B (zh) | 一种基于dsp的视觉检测*** | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
CN111507976B (zh) | 基于多角度成像的缺陷检测方法及*** | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN110992337A (zh) | 一种集装箱残损检测方法及*** | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN110910382A (zh) | 一种集装箱检测*** | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及*** | |
CN115239737B (zh) | 基于图像处理的瓦楞纸缺陷检测方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测***及方法 | |
US20220189030A1 (en) | Method and system for defect detection in image data of a target coating | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及*** | |
JP2023123387A (ja) | 欠陥検出方法およびシステム | |
CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN117095155A (zh) | 一种基于改进的yolo自适应注意力-特征增强网络的多尺度数码管检测方法 | |
CN115294142B (zh) | 一种用于化纤纸管的质量检测方法 | |
CN111292300B (zh) | 显示面板的亮点不良的检测方法和设备、可读存储介质 |
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 |