CN117274168A - 一种基于机器视觉的烟丝检测方法 - Google Patents
一种基于机器视觉的烟丝检测方法 Download PDFInfo
- Publication number
- CN117274168A CN117274168A CN202311108932.3A CN202311108932A CN117274168A CN 117274168 A CN117274168 A CN 117274168A CN 202311108932 A CN202311108932 A CN 202311108932A CN 117274168 A CN117274168 A CN 117274168A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- image
- target
- length
- tobacco shred
- 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.)
- Pending
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 239
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 238
- 238000004891 communication Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000001788 irregular Effects 0.000 claims description 12
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 5
- 235000019504 cigarettes Nutrition 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉的烟丝检测方法,包括:利用机器视觉获取被测目标烟丝图像,并对目标烟丝图像进行增强处理和预处理;将处理后的目标烟丝图像转换为二值图像,并计算被测烟丝的二值图像中各连通区域的面积;将面积小于设定的面积阈值的连通区域剔除,保留面积大于等于所述面积阈值的连通区域;求取保留的连通区域的最小外接矩形,并根据最小外接矩形求取被测目标烟丝图像长度;根据标准样本的图像长度与实际长度的比例数据,将被测目标烟丝图像长度换算为实际长度。本发明能提高烟丝的检测效率及检测品质。
Description
技术领域
本发明涉及烟丝质量管理的技术领域,尤其涉及一种基于机器视觉的烟丝检测方法。
背景技术
近年来,消费者对卷烟产品质量的关注程度日益增高,烟丝质量是影响卷烟质量的一项重要指标,不但影响卷烟外观质量,而且直接影响消费者在吸食时的满足感。烟丝一般由烟叶经初烤、加潮、叶梗分离、复烤、切片、加香、切丝、烘丝、混合等复杂工艺制成。在繁杂的加工过程中,将不可避免地掺入部分非烟杂质,如人造合成有机物、虫卵、木材、石头、玻璃等,而烟丝中异物的含量、类别、大小等参数均是影响卷烟产品质量的关键。同时,烟丝长宽形态、含梗率、整丝率、中丝率、碎丝率与烟丝密度是评价烟丝质量的一项重要的卷烟工艺指标,传统测量方式多为人工测量,劳动强度大,采样周期长,评价客观性差,对烟丝检测准确率较低,尤其对烟丝长度检测误差较大。因此,如何准确和便捷地对烟丝进行检测,具有重要的意义。
发明内容
本发明提供一种基于机器视觉的烟丝检测方法,解决现有烟丝检测存在烟丝长度检测不精准和效率低的问题,能提高烟丝的检测效率及检测品质。
为实现以下目的,本发明提供以下技术方案:
一种基于机器视觉的烟丝检测方法,包括:
利用机器视觉获取被测目标烟丝图像,并对目标烟丝图像进行增强处理和预处理;
将处理后的目标烟丝图像转换为二值图像,并计算被测烟丝的二值图像中各连通区域的面积;
将面积小于设定的面积阈值的连通区域剔除,保留面积大于等于所述面积阈值的连通区域;
求取保留的连通区域的最小外接矩形,并根据最小外接矩形求取被测目标烟丝图像长度;
根据标准样本的图像长度与实际长度的比例数据,将被测目标烟丝图像长度换算为实际长度。
优选的,所述对目标烟丝图像进行增强处理和预处理,包括:
判断被测烟丝的类型,定义投影为直线的烟丝为规则烟丝,否则为不规则烟丝。
优选的,所述将处理后的目标烟丝图像转换为二值图像,包括:
若被测烟丝为规则烟丝,则将颜色大于设定的颜色阈值的像素点换算成1,将颜色小于等于所述颜色阈值的像素点换算成0,以得到所述二值图像。
优选的,所述将处理后的目标烟丝图像转换为二值图像,还包括:
若被测烟丝为不规则烟丝,则先将图像进行局部标准差滤波处理,再创建一个腐蚀结构对象窗口,将滤波后的图像进行逐步腐蚀处理,进而将经过腐蚀处理后的图像在不改变图像的基本结构的条件下,将所有的对象都简化成连续的线条,保留图像的基本轮廓,最后对轮廓图进行填充,将线条内的区域像素全部转换成0,线条外面的区域全部转换成1,得到所述二值图像。
优选的,所述计算被测烟丝的二值图像中各连通区域的面积,包括:
创建一个n维单位矩阵,根据单位矩阵找到二值图像的连通区域,并计算各个连通区域的面积。
优选的,所述求取保留的连通区域的最小外接矩形,包括:
对属于同一个像素连通区域的所有像素点分配相同的编号,对属于不同的像素连通区域分配不同的编号,根据不同编号标记的像素点,计算出每个像素连通区域的最小外接矩形。
优选的,所述根据最小外接矩形求取被测目标烟丝图像长度,包括:
若被测烟丝为规则烟丝,最小外接矩形的长度即为被测目标烟丝图像长度;
若被测烟丝为不规则烟丝,求取最小外接矩形中被测烟丝所占像素点的数量m,根据不规则烟丝的标准样本的数据,计算每个像素点对应的实际长度,则为被测烟丝的实际长度y=x1+x2+x3+…+xm-2+xm-1+xm;
其中,y是计算出的被测烟丝的实际长度,x是每个像素点对应的实际长度;m是每根被测烟丝所占像素点的数量。
优选的,所述根据标准样本的图像长度与实际长度的比例数据,包括:
对已知长度的标准样本,得到标准样本的最小外接矩形后,根据最小外接矩形求取标准样本的图像长度,并建立标准样本的图像长度与实际长度的比例关系。
优选的,还包括:
构建烟丝图像集,将获取的目标烟丝图像存入烟丝图像集中;
对目标烟丝图像去噪处理,使所述目标烟丝图像中的目标烟丝相互不重合;
对目标烟丝图像进行图像分割得到各目标烟丝区域,并获取各目标烟丝区域的最小外接矩形,以最小外接矩形对角线的长度作为目标烟丝长度;
根据目标烟丝长度和预设的整丝、中丝、碎丝尺寸区间,分别得到目标烟丝图像中处于整丝、中丝、碎丝尺寸区的目标烟丝数量,进而得到目标烟丝整丝率、中丝率、碎丝率。
优选的,还包括:
根据目标烟丝长度计算引入的均值、变异系数、偏度和峰度的评价指标;
通过评价指标分析目标烟丝尺寸分布的集中位置、分散程度、长度的分布是正态分布还是偏态分布;
根据所述评价指标得到目标烟丝综合性能评价,以对烟丝质量进行评价。
本发明提供一种基于机器视觉的烟丝检测方法,利用机器视觉来对样本进行检测,以获取目标烟丝图像,处理后转换为二值图像,进而计算二值图像中的连通区域的面积及最小外接矩形,并由最小外接矩形获得目标烟丝图像长度。解决现有烟丝检测存在烟丝长度检测不精准和效率低的问题,能提高烟丝的检测效率及检测品质。
附图说明
为了更清楚地说明本发明的具体实施例,下面将对实施例中所需要使用的附图作简单地介绍。
图1为本发明提供的一种基于机器视觉的烟丝检测方法的示意图。
图2为本发明实施例提供的一种基于机器视觉的烟丝检测方法的示意图。
图3为本发明实施例提供的另一种基于机器视觉的烟丝检测方法的示意图。
图4为本发明实施例提供的一种基于机器视觉的烟丝质量追溯***的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对当前烟丝质量检测存在的问题,本发明提供一种基于机器视觉的烟丝检测方法,解决现有烟丝检测存在烟丝长度检测不精准和效率低的问题,能提高烟丝的检测效率及检测品质。
如图1所示,一种基于机器视觉的烟丝检测方法,包括:
101:利用机器视觉获取被测目标烟丝图像,并对目标烟丝图像进行增强处理和预处理。
102:将处理后的目标烟丝图像转换为二值图像,并计算被测烟丝的二值图像中各连通区域的面积。
103:将面积小于设定的面积阈值的连通区域剔除,保留面积大于等于所述面积阈值的连通区域。
104:求取保留的连通区域的最小外接矩形,并根据最小外接矩形求取被测目标烟丝图像长度。
105:根据标准样本的图像长度与实际长度的比例数据,将被测目标烟丝图像长度换算为实际长度。
在实际应用中,设置数码相机、LED光源和试验台,所述数码相机电连接图像采集计算机,图像采集计算机电连接显示器。所述试验台位于数码相机下方,试验台上方一侧固定有水平尺,另一侧固定有白板;所述LED光源周向环绕设置在数码相机两侧。数码相机将拍摄得到的目标烟丝图像上传至图像采集计算机。处用上述的机器视觉设备获取被测目标烟丝图像,并得到的目标烟丝图像进行处理,并将处理后的目标烟丝图像转换为二值图像,通过二值图像进行连通区域的面积及最小外接矩形计算,并根据最小外接矩形求取被测目标烟丝图像长度。该方法通过机器视觉来对样本进行检测,从而避免了人工干预对检测的影响,也避免了筛分检测存在的烟丝重叠难分离、检测误差大的问题,实现了快速、无损的高效检测;同时,通过机器视觉设备可在目标烟丝自然状态下,无损目标烟丝测量密度,建立有效立密度区间模型,精度高,操作简单,通用性强;获的烟丝质量参数更加准确。
在一实施例中,最小外接矩形对角线的长度的获取步骤如下:
在白板上放置一个已知实际面积的物体,作为单位标定依据,拍摄图像。
计算机读取数码相机拍摄的图像并保存;在计算机标定***中,读取拍摄的标定图片,得到物体的垂直投影像素面积。
得到像素面积尺寸比;根据像素面积尺寸比,得到像素长度尺寸比;最小外接矩形对角线所对应的像素长度乘以像素长度尺寸比,得到最小外接矩形对角线的长度。
进一步,所述对目标烟丝图像进行增强处理和预处理,包括:
判断被测烟丝的类型,定义投影为直线的烟丝为规则烟丝,否则为不规则烟丝。
进一步,所述将处理后的目标烟丝图像转换为二值图像,包括:
若被测烟丝为规则烟丝,则将颜色大于设定的颜色阈值的像素点换算成1,将颜色小于等于所述颜色阈值的像素点换算成0,以得到所述二值图像。
若被测烟丝为不规则烟丝,则先将图像进行局部标准差滤波处理,再创建一个腐蚀结构对象窗口,将滤波后的图像进行逐步腐蚀处理,进而将经过腐蚀处理后的图像在不改变图像的基本结构的条件下,将所有的对象都简化成连续的线条,保留图像的基本轮廓,最后对轮廓图进行填充,将线条内的区域像素全部转换成0,线条外面的区域全部转换成1,得到所述二值图像。
进一步,所述计算被测烟丝的二值图像中各连通区域的面积,包括:
创建一个n维单位矩阵,根据单位矩阵找到二值图像的连通区域,并计算各个连通区域的面积。
进一步,所述求取保留的连通区域的最小外接矩形,包括:
对属于同一个像素连通区域的所有像素点分配相同的编号,对属于不同的像素连通区域分配不同的编号,根据不同编号标记的像素点,计算出每个像素连通区域的最小外接矩形。
进一步,所述根据最小外接矩形求取被测目标烟丝图像长度,包括:
若被测烟丝为规则烟丝,最小外接矩形的长度即为被测目标烟丝图像长度。
若被测烟丝为不规则烟丝,求取最小外接矩形中被测烟丝所占像素点的数量m,根据不规则烟丝的标准样本的数据,计算每个像素点对应的实际长度,则为被测烟丝的实际长度y=x1+x2+x3+…+xm-2+xm-1+xm。
其中,y是计算出的被测烟丝的实际长度,x是每个像素点对应的实际长度;m是每根被测烟丝所占像素点的数量。
进一步,所述根据标准样本的图像长度与实际长度的比例数据,包括:
对已知长度的标准样本,得到标准样本的最小外接矩形后,根据最小外接矩形求取标准样本的图像长度,并建立标准样本的图像长度与实际长度的比例关系。
如图2所示,该方法还包括:
201:构建烟丝图像集,将获取的目标烟丝图像存入烟丝图像集中。
202:对目标烟丝图像去噪处理,使所述目标烟丝图像中的目标烟丝相互不重合。
203:对目标烟丝图像进行图像分割得到各目标烟丝区域,并获取各目标烟丝区域的最小外接矩形,以最小外接矩形对角线的长度作为目标烟丝长度。
204:根据目标烟丝长度和预设的整丝、中丝、碎丝尺寸区间,分别得到目标烟丝图像中处于整丝、中丝、碎丝尺寸区的目标烟丝数量,进而得到目标烟丝整丝率、中丝率、碎丝率。
如图3所示,该方法还包括:
301:根据目标烟丝长度计算引入的均值、变异系数、偏度和峰度的评价指标。
302:通过所述评价指标分析目标烟丝尺寸分布的集中位置、分散程度、长度的分布是正态分布还是偏态分布。
303:根据所述评价指标得到目标烟丝综合性能评价,以对烟丝质量进行评价。
在实际应用中,还可以利用烟丝检测到的数据信息建立烟丝质量追溯***,如图4所示,该***包括:烟丝溯源信息采集模块1、信息分类模块2、主控模块3、烟丝长度确定模块4、烟丝质量检测模块5、溯源信息分析模块6、质量评价模块7、显示模块8。烟丝溯源信息采集模块1,与信息分类模块2连接,用于采集烟丝批次号牌;溯源信息分析模块6,与中央控制模块3连接,用于对烟丝溯源信息进行分析;质量评价模块7,与中央控制模块3连接,用于对烟丝质量进行评价;显示模块8,与中央控制模块3连接,用于显示烟丝溯源信息、烟丝长度确定、烟丝质量检测结果、溯源信息分析结果、质量评价结果。
追溯方法包括以下步骤:
通过烟丝溯源信息采集模块采集烟丝批次号、牌号、产地、上游加工工艺及厂家溯源数据信息;
通过信息分类模块对烟丝溯源信息进行分类;主控模块通过烟丝长度确定模块确定烟丝长度;
通过烟丝质量检测模块对烟丝质量参数进行检测;通过溯源信息分析模块对烟丝溯源信息进行分析;
通过质量评价模块对烟丝质量进行评价;通过显示模块显示烟丝溯源信息、烟丝长度确定、烟丝质量检测结果、溯源信息分析结果、质量评价结果。
可见,本发明提供一种基于机器视觉的烟丝检测方法,利用机器视觉来对样本进行检测,以获取目标烟丝图像,处理后转换为二值图像,进而计算二值图像中的连通区域的面积及最小外接矩形,并由最小外接矩形获得目标烟丝图像长度。解决现有烟丝检测存在烟丝长度检测不精准和效率低的问题,能提高烟丝的检测效率及检测品质。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (10)
1.一种基于机器视觉的烟丝检测方法,其特征在于,包括:
利用机器视觉获取被测目标烟丝图像,并对目标烟丝图像进行增强处理和预处理;
将处理后的目标烟丝图像转换为二值图像,并计算被测烟丝的二值图像中各连通区域的面积;
将面积小于设定的面积阈值的连通区域剔除,保留面积大于等于所述面积阈值的连通区域;
求取保留的连通区域的最小外接矩形,并根据最小外接矩形求取被测目标烟丝图像长度;
根据标准样本的图像长度与实际长度的比例数据,将被测目标烟丝图像长度换算为实际长度。
2.根据权利要求1所述的基于机器视觉的烟丝检测方法,其特征在于,所述对目标烟丝图像进行增强处理和预处理,包括:
判断被测烟丝的类型,定义投影为直线的烟丝为规则烟丝,否则为不规则烟丝。
3.根据权利要求2所述的基于机器视觉的烟丝检测方法,其特征在于,所述将处理后的目标烟丝图像转换为二值图像,包括:
若被测烟丝为规则烟丝,则将颜色大于设定的颜色阈值的像素点换算成1,将颜色小于等于所述颜色阈值的像素点换算成0,以得到所述二值图像。
4.根据权利要求3所述的基于机器视觉的烟丝检测方法,其特征在于,所述将处理后的目标烟丝图像转换为二值图像,还包括:
若被测烟丝为不规则烟丝,则先将图像进行局部标准差滤波处理,再创建一个腐蚀结构对象窗口,将滤波后的图像进行逐步腐蚀处理,进而将经过腐蚀处理后的图像在不改变图像的基本结构的条件下,将所有的对象都简化成连续的线条,保留图像的基本轮廓,最后对轮廓图进行填充,将线条内的区域像素全部转换成0,线条外面的区域全部转换成1,得到所述二值图像。
5.根据权利要求4所述的基于机器视觉的烟丝检测方法,其特征在于,所述计算被测烟丝的二值图像中各连通区域的面积,包括:
创建一个n维单位矩阵,根据单位矩阵找到二值图像的连通区域,并计算各个连通区域的面积。
6.根据权利要求5所述的基于机器视觉的烟丝检测方法,其特征在于,所述求取保留的连通区域的最小外接矩形,包括:
对属于同一个像素连通区域的所有像素点分配相同的编号,对属于不同的像素连通区域分配不同的编号,根据不同编号标记的像素点,计算出每个像素连通区域的最小外接矩形。
7.根据权利要求6所述的基于机器视觉的烟丝检测方法,其特征在于,所述根据最小外接矩形求取被测目标烟丝图像长度,包括:
若被测烟丝为规则烟丝,最小外接矩形的长度即为被测目标烟丝图像长度;
若被测烟丝为不规则烟丝,求取最小外接矩形中被测烟丝所占像素点的数量m,根据不规则烟丝的标准样本的数据,计算每个像素点对应的实际长度,则为被测烟丝的实际长度y=x1+x2+x3+…+xm-2+xm-1+xm;
其中,y是计算出的被测烟丝的实际长度,x是每个像素点对应的实际长度;m是每根被测烟丝所占像素点的数量。
8.根据权利要求7所述的基于机器视觉的烟丝检测方法,其特征在于,所述根据标准样本的图像长度与实际长度的比例数据,包括:
对已知长度的标准样本,得到标准样本的最小外接矩形后,根据最小外接矩形求取标准样本的图像长度,并建立标准样本的图像长度与实际长度的比例关系。
9.根据权利要求8所述的基于机器视觉的烟丝检测方法,其特征在于,还包括:
构建烟丝图像集,将获取的目标烟丝图像存入烟丝图像集中;
对目标烟丝图像去噪处理,使所述目标烟丝图像中的目标烟丝相互不重合;
对目标烟丝图像进行图像分割得到各目标烟丝区域,并获取各目标烟丝区域的最小外接矩形,以最小外接矩形对角线的长度作为目标烟丝长度;
根据目标烟丝长度和预设的整丝、中丝、碎丝尺寸区间,分别得到目标烟丝图像中处于整丝、中丝、碎丝尺寸区的目标烟丝数量,进而得到目标烟丝整丝率、中丝率、碎丝率。
10.根据权利要求9所述的基于机器视觉的烟丝检测方法,其特征在于,还包括:
根据目标烟丝长度计算引入的均值、变异系数、偏度和峰度的评价指标;
通过评价指标分析目标烟丝尺寸分布的集中位置、分散程度、长度的分布是正态分布还是偏态分布;
根据所述评价指标得到目标烟丝综合性能评价,以对烟丝质量进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108932.3A CN117274168A (zh) | 2023-08-30 | 2023-08-30 | 一种基于机器视觉的烟丝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108932.3A CN117274168A (zh) | 2023-08-30 | 2023-08-30 | 一种基于机器视觉的烟丝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117274168A true CN117274168A (zh) | 2023-12-22 |
Family
ID=89209508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311108932.3A Pending CN117274168A (zh) | 2023-08-30 | 2023-08-30 | 一种基于机器视觉的烟丝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274168A (zh) |
-
2023
- 2023-08-30 CN CN202311108932.3A patent/CN117274168A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798672B (zh) | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN109507192A (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN113393460B (zh) | 基于图像处理的烟丝质量参数检测方法及*** | |
CN111242123A (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN102261892A (zh) | 一种叶丝宽度的快速测量*** | |
CN110853018B (zh) | 一种基于计算机视觉的振动台疲劳裂纹在线检测***及检测方法 | |
CN109215048B (zh) | 基于机器视觉的烟丝长度确定方法及*** | |
CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和*** | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
CN113643276A (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN108802052A (zh) | 一种关于拉链缺陷的检测***及其检测方法 | |
Radzali et al. | Measuring leaf area using Otsu segmentation method (LAMOS) | |
CN111179362A (zh) | 一种基于动态光照校正算法的试纸颜色均匀性检测方法 | |
CN113362276A (zh) | 板材视觉检测方法及*** | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
CN113793322A (zh) | 一种对磁性材料自动检测的方法、电子设备和存储介质 | |
CN117274168A (zh) | 一种基于机器视觉的烟丝检测方法 | |
Portalés et al. | An image-based system to preliminary assess the quality of grape harvest batches on arrival at the winery | |
CN113838123B (zh) | 基于图像处理的烟丝形貌特征的测量方法 | |
CN116152220A (zh) | 一种基于机器视觉的种子计数和尺寸测量方法 | |
CN116067671A (zh) | 一种用于测试车辆漆面质量的方法、***及介质 | |
CN111504608B (zh) | 辉度均匀检测***及辉度均匀检测方法 | |
JP2021148678A (ja) | 不良検出装置及び不良検出方法 |
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 |