CN117173188B - 一种玻璃瘢痕识别方法 - Google Patents
一种玻璃瘢痕识别方法 Download PDFInfo
- Publication number
- CN117173188B CN117173188B CN202311453560.8A CN202311453560A CN117173188B CN 117173188 B CN117173188 B CN 117173188B CN 202311453560 A CN202311453560 A CN 202311453560A CN 117173188 B CN117173188 B CN 117173188B
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- scar
- channel
- region
- 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
- 231100000241 scar Toxicity 0.000 title claims abstract description 112
- 239000011521 glass Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 230000002093 peripheral effect Effects 0.000 claims description 20
- 239000006185 dispersion Substances 0.000 claims description 5
- 230000037390 scarring Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 9
- 229910010293 ceramic material Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000032544 Cicatrix Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种玻璃瘢痕识别方法,属于图像处理技术领域,本发明中通过对玻璃图像的各个颜色通道进行增强,得到颜色增强图,从而凸显局部异常区域的像素点与正常区域不同,在颜色增强图上更好区分异常区域,对颜色增强图进行灰度处理,再去除异常点,从而规避个别噪点的影响,得到待识别图像,根据待识别图像上灰度值分布情况,找到异常区域,作为疑似瘢痕区域,再与正常区域进行比较,进一步的确定其为瘢痕区域,实现一种无需人工的自动玻璃瘢痕识别方法。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种玻璃瘢痕识别方法。
背景技术
在玻璃出厂时,需要对玻璃的外观进行检查,检查其上面的平滑程度,观察其是否存在瘢痕。虽然在玻璃上存在瘢痕,较容易通过人肉眼进行判断,但是通过人工来观察,在工作时间长,且玻璃存在反光的情况下,细小的瘢痕容易遗漏,特别是在玻璃面积大时,更难全面检查玻璃的整体情况。
发明内容
本发明的目的在于提供一种玻璃瘢痕识别方法,其解决了现有缺乏一种玻璃瘢痕自动识别方法的问题。
本发明的实施例通过以下技术方案实现:一种玻璃瘢痕识别方法,包括以下步骤:
S1、对玻璃图像进行通道颜色增强,得到颜色增强图;
S2、对颜色增强图进行灰度处理,得到灰度图;
S3、对灰度图进行去除异常点,得到待识别图像;
S4、根据待识别图像上灰度值分布情况,找到疑似瘢痕区域;
S5、计算疑似瘢痕区域与待识别图像上正常区域的瘢痕程度,在瘢痕程度大于异常阈值时,疑似瘢痕区域上存在瘢痕。
进一步地,所述S1包括:对玻璃图像的R通道值进行颜色增强,对玻璃图像的G通道值进行颜色增强,对玻璃图像的B通道值进行颜色增强,颜色增强的表达式均为:
其中,为增强后第/>类通道的第/>个通道值,/>为第/>类通道的最大通道值,为第/>类通道的最小通道值,/>为通道距离,/>为通道调节参数,/>为玻璃图像上第/>类通道的第/>个通道值,/>为第/>个通道值/>邻域范围内的第/>类通道的第/>个通道值。
上述进一步地方案的有益效果为:本发明中找到每种类型的通道的最大通道值和最小通道值,确定每种类型的通道值增强比例,并采用待增强通道值周围的8个通道值实现对当前位置处通道值的衡量,避免个别是异常点。
进一步地,所述通道距离的计算公式为:
其中,为第/>个通道值/>上侧的第/>类通道的通道值,/>为第/>个通道值/>下侧的第/>类通道的通道值,/>为第/>个通道值/>右侧的第/>类通道的通道值,/>为第/>个通道值/>左侧的第/>类通道的通道值,/>时为R通道值,/>时为G通道值,时为B通道值。
上述进一步地方案的有益效果为:本发明中通道距离采用待增强通道值上下左右四个同类型通道值来计算,在四个同类型通道值距离越大时,则说明该处颜色变化剧烈,可能为瘢痕与玻璃的交界点,因此,侧重保留待增强通道值/>,在四个同类型通道值距离越小时,则颜色变化平缓,则侧重取边8个通道值的均值,达到去除非正常通道值的目的。
进一步地,所述S3包括以下分步骤:
S31、设置3*3灰度块,采用灰度块在灰度图上进行移动,遍历灰度图上的像素点;
S32、根据灰度块下各个像素点的灰度值,计算周边任一像素点到灰度块下其他像素点的距离,得到周边灰度距离,其中,周边任一像素点为灰度块下除中心像素点外的其他像素点;
S33、根据灰度块下各个像素点的灰度值,在灰度块下计算中心像素点与灰度块下其他像素点的距离,得到中心灰度距离;
S34、在中心灰度距离和周边灰度距离满足距离条件时,中心像素点为异常点;
S35、采用灰度块下除中心像素点外的其他像素点的灰度平均值替换异常点的灰度值,得到待识别图像。
上述进一步地方案的有益效果为:本发明中通过周边任一像素点到灰度块下其他像素点的距离,得到周边灰度距离,从而估计出周边像素点的灰度值情况,再根据中心像素点与其他像素点的距离,从而估计出中心像素点的灰度值情况。
进一步地,所述S32中周边灰度距离的计算公式为:
其中,为第/>个周边灰度距离,/>为周边任一像素点的灰度值,/>为自然常数,为灰度块下除灰度值/>外的第/>个像素点的灰度值;
所述中心灰度距离的计算公式为:
其中,为第/>个中心灰度距离,/>为中心像素点的灰度值,/>为灰度块下除灰度值/>外的第/>个像素点的灰度值。
上述进一步地方案的有益效果为:本发明中在计算灰度距离时,先通过指数函数增强像素点的灰度值,从而使得像素点之间灰度值区别更显著,更便于找到细微区别。
进一步地,所述S34中距离条件为:
其中,为距离阈值。
上述进一步地方案的有益效果为:本发明中在周边灰度距离与中心灰度距离相近时,越接近1,中心像素点为异常点的概率越小,因此,本发明中设置小于1的距离阈值/>,挑选出灰度距离分布不同的像素点。
进一步地,所述S4包括以下分步骤:
S41、计算待识别图像上整体的灰度分布系数;
S42、计算待识别图像上每个局部区域的灰度分布系数;
S43、在局部区域的灰度分布系数大于整体灰度分布系数时,该区域为疑似瘢痕区域。
进一步地,所述S41和S42中计算灰度分布系数的公式为:
其中,为灰度分布系数,/>为以自然常数为底的指数函数,/>为待计算灰度分布系数区域的第/>个像素点的灰度值,/>为待计算灰度分布系数区域中像素点的数量,为待计算灰度分布系数区域中最大灰度值,/>为待计算灰度分布系数区域中最小灰度值。
上述进一步地方案的有益效果为:本发明中通过计算待识别图像上整体的灰度分布系数,从而表征整体的灰度分布情况,再取局部区域,计算局部区域的灰度分布系数,将整体与局部区域进行对比,从而找出异常的区域为疑似瘢痕区域。玻璃本身是光滑平面,其上存在灰度波动的地方较少,或者是由于玻璃上光线强度不同,造成的部分区域存在灰度值变化。本发明利用该点常识,找到待计算灰度分布系数区域上最大的灰度值和最小灰度值,从而表征该区域的灰度波动范围,在计算整体的灰度分布系数时,虽然整体上的最大灰度值和最小灰度值差距最大,但其均分到整体上的个像素点,每个像素点均摊的灰度差距较少,因此,瘢痕区域存在的灰度值波动肯定大于整体。
进一步地,所述S5包括以下分步骤:
S51、根据疑似瘢痕区域的面积,取待识别图像上同等面积的正常区域;
S52、计算正常区域与疑似瘢痕区域的瘢痕程度值;
S53、在瘢痕程度大于异常阈值时,疑似瘢痕区域上存在瘢痕。
上述进一步地方案的有益效果为:本发明中找出了玻璃图像上疑似瘢痕区域,则非疑似瘢痕区域为正常区域,取正常区域与疑似瘢痕区域进行比较,计算瘢痕程度值,在瘢痕程度大于异常阈值时,疑似瘢痕区域上存在瘢痕。
进一步地,所述S52中计算瘢痕程度值的公式为:
其中,为瘢痕程度值,/>为疑似瘢痕区域上灰度均值,/>为正常区域上灰度均值,/>为疑似瘢痕区域上灰度散布度,/>为正常区域上灰度散布度,/>为疑似瘢痕区域和正常区域共同的灰度散布度;
其中,为疑似瘢痕区域上第/>个像素点的灰度值,/>为正常区域上第/>个像素点的灰度值,/>为疑似瘢痕区域或者正常区域上像素点的数量,| |为绝对值。
上述进一步地方案的有益效果为:本发明中灰度均值用于比较两个区域间整体亮度的相近程度,灰度散布度用于比较两个区域间灰度值分布的相近程度,在两个区域相差较大时,瘢痕程度值越大。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明中通过对玻璃图像的各个颜色通道进行增强,得到颜色增强图,从而凸显局部异常区域的像素点与正常区域不同,在颜色增强图上更好区分异常区域,对颜色增强图进行灰度处理,再去除异常点,从而规避个别噪点的影响,得到待识别图像,根据待识别图像上灰度值分布情况,找到异常区域,作为疑似瘢痕区域,再与正常区域进行比较,进一步的确定其为瘢痕区域,实现一种无需人工的自动玻璃瘢痕识别方法。
附图说明
图1为一种玻璃瘢痕识别方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种玻璃瘢痕识别方法,包括以下步骤:
S1、对玻璃图像进行通道颜色增强,得到颜色增强图;
所述S1包括:对玻璃图像的R通道值进行颜色增强,对玻璃图像的G通道值进行颜色增强,对玻璃图像的B通道值进行颜色增强,颜色增强的表达式均为:
其中,为增强后第/>类通道的第/>个通道值,/>为第/>类通道的最大通道值,为第/>类通道的最小通道值,/>为通道距离,/>为通道调节参数,/>为玻璃图像上第/>类通道的第/>个通道值,/>为第/>个通道值/>邻域范围内的第/>类通道的第/>个通道值。
本发明中找到每种类型的通道的最大通道值和最小通道值,确定每种类型的通道值增强比例,并采用待增强通道值周围的8个通道值实现对当前位置处通道值的衡量,避免个别是异常点。
所述通道距离的计算公式为:
其中,为第/>个通道值/>上侧的第/>类通道的通道值,/>为第/>个通道值/>下侧的第/>类通道的通道值,/>为第/>个通道值/>右侧的第/>类通道的通道值,/>为第/>个通道值/>左侧的第/>类通道的通道值,/>时为R通道值,/>时为G通道值,时为B通道值。
本发明中通道距离采用待增强通道值上下左右四个同类型通道值来计算,在四个同类型通道值距离越大时,则说明该处颜色变化剧烈,可能为瘢痕与玻璃的交界点,因此,侧重保留待增强通道值/>,在四个同类型通道值距离越小时,则颜色变化平缓,则侧重取边8个通道值的均值,达到去除非正常通道值的目的。
S2、对颜色增强图进行灰度处理,得到灰度图;
S3、对灰度图进行去除异常点,得到待识别图像;
所述S3包括以下分步骤:
S31、设置3*3灰度块,采用灰度块在灰度图上进行移动,遍历灰度图上的像素点;
在步骤S31中,尽可能让每一个灰度图上的像素点均作为过中心像素点。
S32、根据灰度块下各个像素点的灰度值,计算周边任一像素点到灰度块下其他像素点的距离,得到周边灰度距离,其中,周边任一像素点为灰度块下除中心像素点外的其他像素点;
S33、根据灰度块下各个像素点的灰度值,在灰度块下计算中心像素点与灰度块下其他像素点的距离,得到中心灰度距离;
S34、在中心灰度距离和周边灰度距离满足距离条件时,中心像素点为异常点;
S35、采用灰度块下除中心像素点外的其他像素点的灰度平均值替换异常点的灰度值,得到待识别图像。
本发明中通过周边任一像素点到灰度块下其他像素点的距离,得到周边灰度距离,从而估计出周边像素点的灰度值情况,再根据中心像素点与其他像素点的距离,从而估计出中心像素点的灰度值情况。
所述S32中周边灰度距离的计算公式为:
其中,为第/>个周边灰度距离,/>为周边任一像素点的灰度值,/>为自然常数,为灰度块下除灰度值/>外的第/>个像素点的灰度值;
所述中心灰度距离的计算公式为:
其中,为第/>个中心灰度距离,/>为中心像素点的灰度值,/>为灰度块下除灰度值/>外的第/>个像素点的灰度值。
本发明中在计算灰度距离时,先通过指数函数增强像素点的灰度值,从而使得像素点之间灰度值区别更显著,更便于找到细微区别。
所述S34中距离条件为:
其中,为距离阈值。
本发明中在周边灰度距离与中心灰度距离相近时,越接近1,中心像素点为异常点的概率越小,因此,本发明中设置小于1的距离阈值/>,挑选出灰度距离分布不同的像素点。
S4、根据待识别图像上灰度值分布情况,找到疑似瘢痕区域;
所述S4包括以下分步骤:
S41、计算待识别图像上整体的灰度分布系数;
S42、计算待识别图像上每个局部区域的灰度分布系数;
S43、在局部区域的灰度分布系数大于整体灰度分布系数时,该区域为疑似瘢痕区域。
所述S41和S42中计算灰度分布系数的公式为:
其中,为灰度分布系数,/>为以自然常数为底的指数函数,/>为待计算灰度分布系数区域的第/>个像素点的灰度值,/>为待计算灰度分布系数区域中像素点的数量,为待计算灰度分布系数区域中最大灰度值,/>为待计算灰度分布系数区域中最小灰度值。
在本发明中,待计算灰度分布系数区域为:整体区域或局部区域。
本发明中通过计算待识别图像上整体的灰度分布系数,从而表征整体的灰度分布情况,再取局部区域,计算局部区域的灰度分布系数,将整体与局部区域进行对比,从而找出异常的区域为疑似瘢痕区域。玻璃本身是光滑平面,其上存在灰度波动的地方较少,或者是由于玻璃上光线强度不同,造成的部分区域存在灰度值变化。本发明利用该点常识,找到待计算灰度分布系数区域上最大的灰度值和最小灰度值,从而表征该区域的灰度波动范围,在计算整体的灰度分布系数时,虽然整体上的最大灰度值和最小灰度值差距最大,但其均分到整体上的个像素点,每个像素点均摊的灰度差距较少,因此,瘢痕区域存在的灰度值波动肯定大于整体。
S5、计算疑似瘢痕区域与待识别图像上正常区域的瘢痕程度,在瘢痕程度大于异常阈值时,疑似瘢痕区域上存在瘢痕。
所述S5包括以下分步骤:
S51、根据疑似瘢痕区域的面积,取待识别图像上同等面积的正常区域;
S52、计算正常区域与疑似瘢痕区域的瘢痕程度值;
S53、在瘢痕程度大于异常阈值时,疑似瘢痕区域上存在瘢痕。
本发明中找出了玻璃图像上疑似瘢痕区域,则非疑似瘢痕区域为正常区域,取正常区域与疑似瘢痕区域进行比较,计算瘢痕程度值,在瘢痕程度大于异常阈值时,疑似瘢痕区域上存在瘢痕。
所述S52中计算瘢痕程度值的公式为:
其中,为瘢痕程度值,/>为疑似瘢痕区域上灰度均值,/>为正常区域上灰度均值,/>为疑似瘢痕区域上灰度散布度,/>为正常区域上灰度散布度,/>为疑似瘢痕区域和正常区域共同的灰度散布度;
其中,为疑似瘢痕区域上第/>个像素点的灰度值,/>为正常区域上第/>个像素点的灰度值,/>为疑似瘢痕区域或者正常区域上像素点的数量,| |为绝对值。
本发明中灰度均值用于比较两个区域间整体亮度的相近程度,灰度散布度用于比较两个区域间灰度值分布的相近程度,在两个区域相差较大时,瘢痕程度值越大。
在本实施例中,异常阈值可根据经验或者实验过程进行具体设置。
本发明中通过对玻璃图像的各个颜色通道进行增强,得到颜色增强图,从而凸显局部异常区域的像素点与正常区域不同,在颜色增强图上更好区分异常区域,对颜色增强图进行灰度处理,再去除异常点,从而规避个别噪点的影响,得到待识别图像,根据待识别图像上灰度值分布情况,找到异常区域,作为疑似瘢痕区域,再与正常区域进行比较,进一步的确定其为瘢痕区域,实现一种无需人工的自动玻璃瘢痕识别方法。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (6)
1.一种玻璃瘢痕识别方法,其特征在于,包括以下步骤:
S1、对玻璃图像进行通道颜色增强,得到颜色增强图;
S2、对颜色增强图进行灰度处理,得到灰度图;
S3、对灰度图进行去除异常点,得到待识别图像;
S4、根据待识别图像上的灰度分布系数,找到疑似瘢痕区域;
S5、计算疑似瘢痕区域与待识别图像上正常区域的瘢痕程度,在瘢痕程度大于异常阈值时,疑似瘢痕区域上存在瘢痕;
所述S4包括以下分步骤:
S41、计算待识别图像上整体的灰度分布系数;
S42、计算待识别图像上每个局部区域的灰度分布系数;
S43、在局部区域的灰度分布系数大于整体灰度分布系数时,该区域为疑似瘢痕区域;
所述S41和S42中计算灰度分布系数的公式为:
其中,为灰度分布系数,/>为以自然常数为底的指数函数,/>为待计算灰度分布系数区域的第/>个像素点的灰度值,/>为待计算灰度分布系数区域中像素点的数量,/>为待计算灰度分布系数区域中最大灰度值,/>为待计算灰度分布系数区域中最小灰度值;
所述S5包括以下分步骤:
S51、根据疑似瘢痕区域的面积,取待识别图像上同等面积的正常区域;
S52、计算正常区域与疑似瘢痕区域的瘢痕程度值;
S53、在瘢痕程度大于异常阈值时,疑似瘢痕区域上存在瘢痕;
所述S52中计算瘢痕程度值的公式为:
其中,为瘢痕程度值,/>为疑似瘢痕区域上灰度均值,/>为正常区域上灰度均值,/>为疑似瘢痕区域上灰度散布度,/>为正常区域上灰度散布度,/>为疑似瘢痕区域和正常区域共同的灰度散布度;
其中,为疑似瘢痕区域上第/>个像素点的灰度值,/>为正常区域上第/>个像素点的灰度值,/>为疑似瘢痕区域或者正常区域上像素点的数量,| |为绝对值。
2.根据权利要求1所述的玻璃瘢痕识别方法,其特征在于,所述S1包括:对玻璃图像的R通道值进行颜色增强,对玻璃图像的G通道值进行颜色增强,对玻璃图像的B通道值进行颜色增强,颜色增强的表达式均为:
其中,为增强后第/>类通道的第/>个通道值,/>为第/>类通道的最大通道值,为第/>类通道的最小通道值,/>为通道距离,/>为通道调节参数,/>为玻璃图像上第/>类通道的第/>个通道值,/>为第/>个通道值/>邻域范围内的第/>类通道的第/>个通道值。
3.根据权利要求2所述的玻璃瘢痕识别方法,其特征在于,所述通道距离的计算公式为:
其中,为第/>个通道值/>上侧的第/>类通道的通道值,/>为第/>个通道值下侧的第/>类通道的通道值,/>为第/>个通道值/>右侧的第/>类通道的通道值,/>为第/>个通道值/>左侧的第/>类通道的通道值,/>时为R通道值,/>时为G通道值,时为B通道值。
4.根据权利要求1所述的玻璃瘢痕识别方法,其特征在于,所述S3包括以下分步骤:
S31、设置3*3灰度块,采用灰度块在灰度图上进行移动,遍历灰度图上的像素点;
S32、根据灰度块下各个像素点的灰度值,计算周边任一像素点到灰度块下其他像素点的距离,得到周边灰度距离,其中,周边任一像素点为灰度块下除中心像素点外的其他像素点;
S33、根据灰度块下各个像素点的灰度值,在灰度块下计算中心像素点与灰度块下其他像素点的距离,得到中心灰度距离;
S34、在中心灰度距离和周边灰度距离满足距离条件时,中心像素点为异常点;
S35、采用灰度块下除中心像素点外的其他像素点的灰度平均值替换异常点的灰度值,得到待识别图像。
5.根据权利要求4所述的玻璃瘢痕识别方法,其特征在于,所述S32中周边灰度距离的计算公式为:
其中,为第/>个周边灰度距离,/>为周边任一像素点的灰度值,/>为自然常数,/>为灰度块下除灰度值/>外的第/>个像素点的灰度值;
所述中心灰度距离的计算公式为:
其中,为第/>个中心灰度距离,/>为中心像素点的灰度值,/>为灰度块下除灰度值/>外的第/>个像素点的灰度值。
6.根据权利要求5所述的玻璃瘢痕识别方法,其特征在于,所述S34中距离条件为:
其中,为距离阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311453560.8A CN117173188B (zh) | 2023-11-03 | 2023-11-03 | 一种玻璃瘢痕识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311453560.8A CN117173188B (zh) | 2023-11-03 | 2023-11-03 | 一种玻璃瘢痕识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173188A CN117173188A (zh) | 2023-12-05 |
CN117173188B true CN117173188B (zh) | 2024-01-26 |
Family
ID=88930277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311453560.8A Active CN117173188B (zh) | 2023-11-03 | 2023-11-03 | 一种玻璃瘢痕识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173188B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593651B (zh) * | 2024-01-18 | 2024-04-05 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
CN118014991B (zh) * | 2024-04-08 | 2024-06-14 | 青岛山大齐鲁医院(山东大学齐鲁医院(青岛)) | 基于机器视觉的瘢痕轮廓快速检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013065995A (ja) * | 2011-09-16 | 2013-04-11 | Ricoh Co Ltd | 撮像装置及びこれを用いた物体識別装置 |
JP2019078640A (ja) * | 2017-10-25 | 2019-05-23 | Jfeスチール株式会社 | 表面欠陥検出方法及び表面欠陥検出装置 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及*** |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115100221A (zh) * | 2022-08-22 | 2022-09-23 | 启东市云鹏玻璃机械有限公司 | 一种玻璃缺陷分割方法 |
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN115272334A (zh) * | 2022-09-29 | 2022-11-01 | 江苏美克美斯自动化科技有限责任公司 | 用于复杂背景下的钢轨表面微小缺陷检测方法 |
CN115578389A (zh) * | 2022-12-08 | 2023-01-06 | 青岛澳芯瑞能半导体科技有限公司 | 一种沟槽mos器件的缺陷检测方法 |
CN115797342A (zh) * | 2023-02-06 | 2023-03-14 | 深圳市鑫旭飞科技有限公司 | 一种工业控制电容触摸lcd显示总成缺陷检测方法 |
CN116152262A (zh) * | 2023-04-24 | 2023-05-23 | 东莞市群安塑胶实业有限公司 | 一种离子性中间膜外观缺陷检测方法 |
CN116542976A (zh) * | 2023-07-06 | 2023-08-04 | 深圳市佳合丰科技有限公司 | 一种模切件缺陷的视觉检测*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7087397B2 (ja) * | 2018-01-17 | 2022-06-21 | 東京エレクトロン株式会社 | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 |
-
2023
- 2023-11-03 CN CN202311453560.8A patent/CN117173188B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013065995A (ja) * | 2011-09-16 | 2013-04-11 | Ricoh Co Ltd | 撮像装置及びこれを用いた物体識別装置 |
JP2019078640A (ja) * | 2017-10-25 | 2019-05-23 | Jfeスチール株式会社 | 表面欠陥検出方法及び表面欠陥検出装置 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及*** |
CN115100221A (zh) * | 2022-08-22 | 2022-09-23 | 启东市云鹏玻璃机械有限公司 | 一种玻璃缺陷分割方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN115272334A (zh) * | 2022-09-29 | 2022-11-01 | 江苏美克美斯自动化科技有限责任公司 | 用于复杂背景下的钢轨表面微小缺陷检测方法 |
CN115578389A (zh) * | 2022-12-08 | 2023-01-06 | 青岛澳芯瑞能半导体科技有限公司 | 一种沟槽mos器件的缺陷检测方法 |
CN115797342A (zh) * | 2023-02-06 | 2023-03-14 | 深圳市鑫旭飞科技有限公司 | 一种工业控制电容触摸lcd显示总成缺陷检测方法 |
CN116152262A (zh) * | 2023-04-24 | 2023-05-23 | 东莞市群安塑胶实业有限公司 | 一种离子性中间膜外观缺陷检测方法 |
CN116542976A (zh) * | 2023-07-06 | 2023-08-04 | 深圳市佳合丰科技有限公司 | 一种模切件缺陷的视觉检测*** |
Non-Patent Citations (3)
Title |
---|
A comprehensive review of defect detection in 3C glass components;Wuyi Ming 等;《Measurement》;第158卷;第1-20页 * |
基于机器学习的铝型材表面缺陷检测算法研究;李超贤;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》(第02期);第B022-33页 * |
基于机器视觉的无人机旋翼移印缺陷检测研究;陈锐鸿 等;《制造业自动化》;第45卷(第10期);第45-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173188A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173188B (zh) | 一种玻璃瘢痕识别方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
CN116152231B (zh) | 基于图像处理的润滑油内杂质检测方法 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控*** | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN116993718B (zh) | 基于机器视觉的tft阵列基板缺陷检测方法 | |
CN109447036A (zh) | 一种图像数字分割与识别方法及*** | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检*** | |
CN112037185A (zh) | 染色体***相图像筛选方法、装置及终端设备 | |
CN113609901A (zh) | 一种输变电设备故障监测方法及*** | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN116309557B (zh) | 一种挖掘机履带板断裂检测方法 | |
CN117876971B (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN113744326B (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
CN117788464A (zh) | 一种工业齿轮油杂质视觉检测方法 | |
CN114266893A (zh) | 烟火隐患识别方法和设备 | |
CN117274293A (zh) | 基于图像特征的细菌菌落精确划分方法 | |
CN115797411B (zh) | 一种利用机器视觉在线识别水电站电缆桥架形变的方法 | |
CN115359449B (zh) | 一种转辙机道岔缺口图像的自动识别方法和*** | |
CN116543238A (zh) | 一种电缆绝缘层的图像检测方法 | |
CN116823709A (zh) | 基于图像的变压器油位自动识别方法及装置 | |
CN109359646A (zh) | 基于巡检机器人的液位型仪表识别方法 | |
CN115272737A (zh) | 一种橡胶圈流痕识别方法 |
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 |