CN117291937B - 基于图像特征分析的自动抹灰效果视觉检测*** - Google Patents
基于图像特征分析的自动抹灰效果视觉检测*** Download PDFInfo
- Publication number
- CN117291937B CN117291937B CN202311587747.7A CN202311587747A CN117291937B CN 117291937 B CN117291937 B CN 117291937B CN 202311587747 A CN202311587747 A CN 202311587747A CN 117291937 B CN117291937 B CN 117291937B
- Authority
- CN
- China
- Prior art keywords
- region
- area
- segmentation threshold
- immersed
- gray value
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 230000000694 effects Effects 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 230000000007 visual effect Effects 0.000 title claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 201
- 230000007547 defect Effects 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 241001632427 Radiola Species 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011179 visual inspection Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 claims 1
- 230000002950 deficient Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 239000006185 dispersion Substances 0.000 description 4
- 238000007654 immersion Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于图像特征分析的自动抹灰效果视觉检测***,该***包括:获取墙板表面图像;获取每个像素点的邻域区域,进而获取每个像素点为种子点的可能性,得到种子点;根据种子点获取暗区域分割阈值范围以及亮区域分割阈值范围;获取暗区域分割阈值范围中每个灰度值对应的浸没区域,进而获取每个灰度值为暗区域分割阈值的可能性,得到暗区域分割阈值;获取亮区域分割阈值范围中每个灰度值对应的浸没区域以及未浸没区域,进而获取每个灰度值为亮区域分割阈值的可能性,得到亮区域分割阈值;获取若干疑似区域;获取每个疑似区域为气泡缺陷区域的可能性,进而得到气泡缺陷区域,本发明能够分割出完整的气泡缺陷区域。
Description
技术领域
本发明涉及图像处理领域,具体涉及基于图像特征分析的自动抹灰效果视觉检测***。
背景技术
在FK墙板的生产加工过程中,对打钉完的墙板进行抹灰处理是重要的一个环节,科学的抹灰工作能够保证墙板的生产质量,增强墙板的防潮、防风化、隔热等性能,FK墙板抹灰设备是一种自动化抹灰设备,可以对已打钉的墙板自动喷涂砂浆、铺设网格布以及抹平处理,大大提升了抹灰环节的效率,然而自动抹灰设备在喷涂砂浆过程中没有充分排除气泡时,就可能会导致气泡在墙体表面形成,因此气泡缺陷是一种常见的墙板抹灰缺陷,需要对其进行检测。
在利用分水岭算法对墙板进行气泡缺陷区域检测时,由于分水岭算法对种子点的选择比较敏感,而墙板表面图像中的气泡缺陷区域难以通过直接手段区分出来,所以很容易因种子点选取不合理导致分割结果不准确,其次在有光照影响的影响下,由于气泡缺陷区域的形状呈凸起状,导致气泡缺陷区域的灰度值不一,即气泡缺陷区域中有大于正常区域的灰度值的亮区域,也有小于正常区域灰度值的暗区域,仅通过分水岭分割算法的单一阈值无法分割出完整的气泡缺陷区域。
发明内容
为了解决上述问题,本发明提供基于图像特征分析的自动抹灰效果视觉检测***,所述***包括:
墙板表面图像获取模块,用于获取墙板表面图像;
种子点获取模块;用于获取墙板表面图像中每个像素点的邻域区域,根据每个像素点的邻域区域中所有像素点的灰度值方差以及每个像素点的灰度值与每个像素点的邻域区域中所有像素点的灰度均值的差异,获取每个像素点为种子点的可能性;根据每个像素点为种子点的可能性获取种子点;
分割阈值获取模块,用于根据种子点获取暗区域分割阈值范围以及亮区域分割阈值范围;获取暗区域分割阈值范围中每个灰度值对应的浸没区域;根据暗区域分割阈值范围中每个灰度值对应的浸没区域的灰度分布离散程度、浸没区域的面积变化、浸没区域边缘像素点的梯度均值以及浸没区域之间的形状相似度,获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,根据暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,获取暗区域分割阈值;获取亮区域分割阈值范围中每个灰度值对应的浸没区域以及未浸没区域;根据亮区域分割阈值范围中每个灰度值对应的未浸没区域的灰度分布离散程度、浸没区域的面积变化、未浸没区域边缘像素点的梯度均值以及未浸没区域之间的形状相似度,获取亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,根据亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,获取亮区域分割阈值;
气泡缺陷区域获取模块,用于根据亮区域分割阈值以及暗区域分割阈值,获取若干疑似区域;根据疑似区域近似圆形的程度、疑似区域的重合度以及疑似区域的梯度方向一致性,获取每个疑似区域为气泡缺陷区域的可能性;根据每个疑似区域为气泡缺陷区域的可能性获取气泡缺陷区域。
优选的,所述用于获取墙板表面图像中每个像素点的邻域区域,根据每个像素点的邻域区域中所有像素点的灰度值方差以及每个像素点的灰度值与每个像素点的邻域区域中所有像素点的灰度均值的差异,获取每个像素点为种子点的可能性,包括的步骤为:
预设,以墙板表面图像中每个像素点为中心构建大小的区域,作为每个
像素点的邻域区域;
式中,代表第个像素点为种子点的可能性;代表第个像素点的邻域区域中
所有像素点的灰度值方差;代表第个像素点的邻域区域中所有像素点的灰度均值与
第个像素点的灰度值的差值;获取每个像素点为种子点的可能性。
优选的,所述根据每个像素点为种子点的可能性获取种子点,包括的步骤为:
预设,将所有像素点为种子点的可能性从大到小进行排序,并依次获取个
像素点作为备选种子点,当任一备选种子点的八邻域中存在其他备选种子点时,将该备选
种子点的八邻域中灰度值最小的备选种子点作为一个种子点,获取所有种子点,当任一备
选种子点的八邻域中不存在其他备选种子点时,将该备选种子点作为一个种子点,获取所
有种子点。
优选的,所述根据种子点获取暗区域分割阈值范围以及亮区域分割阈值范围,包括的步骤为:
将所有种子点中的最小灰度值与墙板表面图像中像素点数量最多的灰度值之间的所有灰度值按照从小到大的顺序进行排序后作为暗区域分割阈值范围;将墙板表面图像中像素点数量最多的灰度值与墙板表面图像中的最大灰度值之间的所有灰度值按照从小到大的顺序进行排序后作为亮区域分割阈值范围。
优选的,所述获取暗区域分割阈值范围中每个灰度值对应的浸没区域,包括的步骤为:
将暗区域分割阈值范围中的任一灰度值记为当前灰度值,将墙板表面图像中小于当前灰度值的像素点进行连通域分析,将得到的连通区域记为当前灰度值对应的浸没区域。
优选的,所述根据暗区域分割阈值范围中每个灰度值对应的浸没区域的灰度分布离散程度、浸没区域的面积变化、浸没区域边缘像素点的梯度均值以及浸没区域之间的形状相似度,获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,根据暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,获取暗区域分割阈值,包括的步骤为:
使用形状上下文算法获取当前灰度值对应的浸没区域之间的形状相似度;
式中,代表当前灰度值为暗区域分割阈值的可能性;代表当前灰度值在暗区
域分割阈值范围中的前一个灰度值对应的浸没区域面积与当前灰度值对应的浸没区域的
面积差值;代表当前灰度值在暗区域分割阈值范围中的后一个灰度值对应的浸没区域与
当前灰度值对应的浸没区域的面积差值;代表了当前灰度值对应的浸没区域的面积变
化;代表当前灰度值对应的浸没区域中的像素点数量;代表当前灰度值对应的浸没区
域中的第个像素点的灰度值;代表当前灰度值对应的浸没区域中的所有像素点的均值;代表当前灰度值对应的浸没区域的灰度分布离散程度;代表当前灰度值对
应的浸没区域之间的形状相似度;代表当前灰度值对应的浸没区域的边缘像素点数量;代表当前灰度值对应的浸没区域的第个边缘像素点的梯度值;代表当前灰度值
对应的浸没区域边缘像素点的梯度均值;代表归一化函数;
获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,将暗区域分割阈值范围中可能性最大的灰度值作为暗区域分割阈值。
优选的,所述获取亮区域分割阈值范围中每个灰度值对应的浸没区域以及未浸没区域,包括的步骤为:
将亮区域分割阈值范围中的任一灰度值记为本次灰度值,将墙板表面图像中大于本次灰度值的像素点进行连通域分析,将得到连通区域记为本次灰度值对应的未浸没区域;将墙板表面图像中小于本次灰度值的像素点进行连通域分析,将得到连通区域记为本次灰度值对应的浸没区域。
优选的,所述根据亮区域分割阈值范围中每个灰度值对应的未浸没区域的灰度分布离散程度、浸没区域的面积变化、未浸没区域边缘像素点的梯度均值以及未浸没区域之间的形状相似度,获取亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,根据亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,获取亮区域分割阈值,包括的步骤为:
使用形状上下文算法获取本次灰度值对应的未浸没区域之间的形状相似度;
式中,代表本次灰度值为亮区域分割阈值的可能性;代表本次灰度值在亮区
域分割阈值范围中的前一个灰度值对应的浸没区域面积与本次灰度值对应的浸没区域的
面积差值;代表本次灰度值在亮区域分割阈值范围中的后一个灰度值对应的浸没区域
与本次灰度值对应的浸没区域的面积差值;代表了本次灰度值对应的浸没区域的面积变
化;代表本次灰度值对应的未浸没区域中的像素点数量;代表本次灰度值对应的未浸
没区域中的第个像素点的灰度值;代表本次灰度值对应的未浸没区域中的所有像素点
的均值;代表本次灰度值对应的未浸没区域的灰度分布离散程度;代表本次
灰度值对应的未浸没区域之间的形状相似度;代表本次灰度值对应的未浸没区域的边
缘像素点数量;代表本次灰度值对应的未浸没区域的第个边缘像素点的梯度值;代表本次灰度值对应的未浸没区域边缘像素点的梯度均值;代表归一化
函数;
获取亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,将亮区域分割阈值范围中可能性最大的灰度值作为亮区域分割阈值。
优选的,所述根据亮区域分割阈值以及暗区域分割阈值,获取若干疑似区域,包括的步骤为:
将墙板表面图像中小于暗区域分割阈值的像素点进行连通域分析,得到各个连通区域,将墙板表面图像中大于亮区域分割阈值的像素点进行连通域分析,得到各个连通区域,将具有重叠像素的连通区域进行合并,得到若干疑似区域。
优选的,所述根据疑似区域近似圆形的程度、疑似区域的重合度以及疑似区域的梯度方向一致性,获取每个疑似区域为气泡缺陷区域的可能性;根据每个疑似区域为气泡缺陷区域的可能性获取气泡缺陷区域,包括的步骤为:
获取墙板表面图像中所有像素点的梯度方向的众数,记为第一梯度方向,将第一梯度方向的相反向量作为墙板表面的光照方向角;
将任一疑似区域记为当前疑似区域;
式中,代表当前疑似区域为气泡缺陷区域的可能性;代表当前疑似区域中所有
连通区域的重叠像素点个数;代表当前疑似区域中所有连通区域的边缘像素点个数;代
表当前疑似区域的重合度;代表当前疑似区域中各个连通区域的重叠像素点个数;代
表当前疑似区域中各个连通区域的第个重叠像素点到当前疑似区域的质心之间的距离;代表当前疑似区域中各个连通区域的所有重叠像素点到当前疑似区域的质心之间的距离
均值;代表当前疑似区域近似圆形的程度;代表
当前疑似区域的梯度方向一致性;代表当前疑似区域中各个连通区域的第个重叠像素
点的梯度方向角;代表墙板表面图像的光照方向角;代表绝对值符号;获取每个疑似区
域为气泡缺陷区域的可能性;
预设可能性阈值,当任一疑似区域为气泡缺陷区域的可能性大于等于可能性阈
值时,该疑似区域为气泡缺陷区域,得到所有气泡缺陷区域。
本发明具有如下有益效果:本发明通过墙板表面图像的气泡缺陷区域中暗区域的灰度分布特征,获取每个像素点为种子点的可能性,进而根据每个像素点为种子点的可能性获取种子点;使得种子点位于气泡缺陷区域中暗区域的位置,增加后续分割的准确性;接着根据种子点获取暗区域分割阈值范围以及亮区域分割阈值范围;获取暗区域分割阈值范围中每个灰度值对应的浸没区域;根据暗区域分割阈值范围中每个灰度值对应的浸没区域的灰度分布离散程度、浸没区域的面积变化、浸没区域边缘像素点的梯度均值以及浸没区域之间的形状相似度,获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,得到暗区域分割阈值;获取亮区域分割阈值范围中每个灰度值对应的浸没区域以及未浸没区域;根据亮区域分割阈值范围中每个灰度值对应的未浸没区域的灰度分布离散程度、浸没区域的面积变化、未浸没区域边缘像素点的梯度均值以及未浸没区域之间的形状相似度,获取亮区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,得到亮区域分割阈值,解决了单一阈值无法分割出完整的气泡缺陷区域的问题;最后根据亮区域分割阈值以及暗区域分割阈值获取若干疑似区域;根据疑似区域近似圆形的程度、疑似区域的重合度以及疑似区域的梯度方向一致性,获取每个疑似区域为气泡缺陷区域的可能性;根据每个疑似区域为气泡缺陷区域的可能性获取气泡缺陷区域,使得得到的气泡缺陷区域更加完整准确。
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提供的基于图像特征分析的自动抹灰效果视觉检测***的***框图。
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基于图像特征分析的自动抹灰效果视觉检测***,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基于图像特征分析的自动抹灰效果视觉检测***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基于图像特征分析的自动抹灰效果视觉检测***,该***包括以下模块:
墙板表面图像获取模块101,获取墙板表面图像。
需要说明的是,本发明的目的是检测墙板表面图像中的气泡缺陷区域,因此首先需要获取墙面表面图像,因此在本发明实施例中,通过在抹灰设备上架设相机,采集抹灰后的墙板图像,为了便于后续分析,将抹灰后的墙板图像进行灰度化处理,得到灰度图像,又由于分水岭分割算法对噪声比较敏感,为了减少分割误差使分割结果更加准确,在本发明实施例中,使用高斯滤波器对灰度图像进行去噪处理,将去噪后的灰度图像记为墙板表面图像。需要说明的是,高斯滤波器对图像去噪为公知技术,在本发明实施例中,不再对其进行过多赘述。
至此,获取了墙板表面图像。
种子点获取模块102,获取墙板表面图像中的种子点。
需要说明的是,分水岭分割算法是将墙板表面图像看作是测地学上的拓扑地貌,墙板表面图像中每个像素点的灰度值代表每个像素点的海拔高度,通过模拟浸水或降水来形成分水岭,来完成对墙板表面图像中不同区域的分割,但是由于分水岭算法对种子点的选择比较敏感,而墙板表面图像中的气泡缺陷区域难以通过直接手段区分出来,所以很容易因种子点选取不合理导致分割结果不准确,因此首先需要确定种子点的位置,为了获取完整的分割结果,我们需要在每个气泡缺陷区域中都设置至少一个种子点,并且由于气泡缺陷区域中的暗区域的灰度值较低,应该将种子点设置在气泡缺陷区域中的暗区域中。
由于自动抹灰设备对墙板的喷涂是较为均匀的,所以其表面光照强度也较为均匀,因此墙板表面图像中正常区域的像素灰度值分布比较集中,而气泡缺陷区域因其内部高度不均匀,不同位置的光照强度差异大,所以气泡缺陷区域的像素灰度分布比较离散,又由于根据分水岭算法的特性,我们应当把种子点设置在气泡缺陷区域中的暗区域,而气泡缺陷区域中的暗区域因其背光所以暗区域像素点的灰度值相较于周围区域很低,因此在本发明实施例中,我们可以按照以下规则获取种子点的位置。
在本发明实施例中,以墙板表面图像中每个像素点为中心构建大小的区
域,作为每个像素点的邻域区域;在本发明实施例中,预设,在其他实施例中,实施
人员可根据具体实施情况设置的值。
获取第个像素点为种子点的可能性:
式中,代表第个像素点为种子点的可能性;代表第个像素点的邻域区域中
所有像素点的灰度值方差;代表第个像素点的邻域区域中所有像素点的灰度均值与
第个像素点的灰度值的差值;当第个像素点的邻域区域中所有像素点的灰度值方差越大
时,说明第个像素点的邻域区域中像素点的灰度分布比较离散,此时第个像素点更可能
位于气泡缺陷区域,更可能为种子点;当第个像素点的邻域区域中所有像素点的灰度均值
与第个像素点的灰度值差值越大时,说明第个像素点更可能位于气泡缺陷中的暗区域,
因此第个像素点更可能为种子点;的值越大时,说明第个像素点为种子点的可能性越
大。同理,获取每个像素点为种子点的可能性。
将所有像素点为种子点的可能性从大到小进行排序,并依次获取个像素点作
为备选种子点,在本发明实施例中,预设,在其他实施例中,实施人员可根据具体
实施情况设置的值。当任一备选种子点的八邻域中存在其他备选种子点时,将该备选种
子点的八邻域中灰度值最小的备选种子点作为一个种子点,当任一备选种子点的八邻域中
不存在其他备选种子点时,将该备选种子点作为一个种子点,获取所有种子点,获取所有种
子点。
至此,得到了墙板表面图像中的所有种子点。
分割阈值获取模块103,根据墙板表面图像中的种子点,获取暗区域分割阈值以及亮区域分割阈值。
需要说明的是,由于气泡缺陷区域的形状呈凸起状,导致气泡缺陷区域的灰度值不一,即气泡缺陷区域中有大于正常区域的灰度值的亮区域,也有小于正常区域灰度值的暗区域,仅通过分水岭分割算法的单一阈值无法分割出完整的气泡缺陷区域,因此本发明的目的为获取暗区域分割阈值以及亮区域分割阈值,由于气泡缺陷区域中的暗区域的像素灰度值较低,且种子点设置在暗区域内,所以在模拟注水的过程中水流会先将暗区域浸没,即随着灰度值的增大会先将暗区域分割出来,接着分割正常区域最后为亮区域,因此暗区域分割阈值应该处于暗区域的灰度值与正常区域的灰度值之间,亮区域分割阈值位于正常区域的灰度值与亮区域的灰度值之间,已知墙板表面图像中正常区域的面积较大且灰度分布集中,因此墙板表面图像中像素点数量最多的灰度值为正常区域的灰度值,根据墙板表面图像中像素点数量最多的灰度值获取暗区域分割阈值范围以及亮区域分割阈值范围。
在本发明实施例中,获取暗区域分割阈值范围:将所有种子点中的最小灰度值与墙板表面图像中像素点数量最多的灰度值之间的所有灰度值按照从小到大的顺序进行排序后作为暗区域分割阈值范围;将墙板表面图像中像素点数量最多的灰度值与墙板表面图像中的最大灰度值之间的所有灰度值按照从小到大的顺序进行排序后作为亮区域分割阈值范围。
需要说明的是,假设暗区域分割阈值为,由于暗区域在墙板表面图像中的占比
较小,当灰度值逐渐增加到时,墙板表面图像中的浸没区域的面积变化较小,由于正常区
域的面积较大且灰度分布集中,当灰度值超过时,墙板表面图像中的浸没区域的面积会
突然增大,因为此时浸没区域中包含了正常区域,因此对于任一灰度值来说,当其后一个灰
度值对应的浸没区域和其对应的浸没区域的面积差值与其前一个灰度值对应的浸没区域
和其对应的浸没区域的面积差值的比值达到最大值时,当前灰度值更可能为暗区域分割阈
值;已知暗区域中的灰度分布较为离散,因此当任一灰度值对应的浸没区域的灰度值分布
离散程度较大时,当前灰度值更可能为暗区域分割阈值;暗区域与正常区域以及亮区域有
较大的灰度差异,故暗区域的边缘上的相似点具有较大的梯度值,因此当任一灰度值对应
的浸没区域的边缘上的像素点的梯度值较大时,说明当前灰度值对应的浸没区域更可能为
完整的暗区域,当前灰度值更可能为暗区域分割阈值;当任一灰度值对应的浸没区域之间
的形状越相似时,说明当前灰度值对应的浸没区域更可能为完整的暗区域;因此根据上述
特征获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性。
在本发明实施例中,将暗区域分割阈值范围中的任一灰度值记为当前灰度值,将墙板表面图像中小于当前灰度值的像素点进行连通域分析,将得到连通区域记为当前灰度值对应的浸没区域;使用形状上下文算法获取当前灰度值对应的浸没区域之间的形状相似度,需要说明的是,形状上下文算法为公知技术,在本发明实施例中,不再对其进行过多赘述。
获取当前灰度值为暗区域分割阈值的可能性:
式中,代表当前灰度值为暗区域分割阈值的可能性;代表当前灰度值在暗区
域分割阈值范围中的前一个灰度值对应的浸没区域面积与当前灰度值对应的浸没区域的
面积差值;代表当前灰度值在暗区域分割阈值范围中的后一个灰度值对应的浸没区域与
当前灰度值对应的浸没区域的面积差值;代表了当前灰度值对应的浸没区域的面积变
化,由于暗区域在墙板表面图像中的面积占比较小,因此当的值达到最大值时,说明当前
灰度值在暗区域分割阈值范围中的后一个灰度值超过了暗区域分割阈值,说明当前灰度值
对应的浸没区域中只包含暗区域,此时当前灰度值为暗区域分割阈值的可能性越大;代
表当前灰度值对应的浸没区域中的像素点数量;代表当前灰度值对应的浸没区域中的
第个像素点的灰度值;代表当前灰度值对应的浸没区域中的所有像素点的均值;代表当前灰度值对应的浸没区域的灰度分布离散程度,其值越大时,说明当前
灰度值对应的浸没区域中包含的是暗区域的像素点,则当前灰度值为暗区域分割阈值的可
能性越大;代表当前灰度值对应的浸没区域之间的形状相似度,其值越大时,说明当前灰
度值对应的各个浸没区域之间的形状越相似,则当前灰度值为暗区域分割阈值的可能性越
大;代表归一化函数;代表当前灰度值对应的浸没区域的边缘像素点数量;代
表当前灰度值对应的浸没区域的第个边缘像素点的梯度值;代表当前灰度值对应
的浸没区域边缘像素点的梯度均值,其值越大时,说明当前灰度值对应的浸没区域的边缘
为墙板表面图像中的正常区域与暗区域的交界线或者亮区域与暗区域的交界线,此时当前
灰度值为暗区域分割阈值的可能性越大,即使用当前灰度值能分割出墙板表面图像中完整
的暗区域,的值越大时,说明当前灰度值为暗区域分割阈值的可能性越大。
获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,将暗区域分割阈值范围中可能性最大的灰度值为暗区域分割阈值。
需要说明的是,假设亮区域分割阈值为,由于正常区域的面积较大且灰度分布
集中,当灰度值逐渐增加到时,墙板表面图像中的浸没区域的面积变化较大;由于亮区域
在墙板表面图像中的占比较小,当灰度值超过时,墙板表面图像中的浸没区域的面积变
化较小,因此对于任一灰度值来说,当其前一个灰度值对应的浸没区域和其对应的浸没区
域的面积差值与其后一个灰度值对应的浸没区域和其对应的浸没区域的面积差值的比值
达到最大值时,该灰度值更可能为亮区域分割阈值;已知亮区域中的灰度分布较为离散,因
此当任一灰度值对应的未浸没区域的灰度值分布离散程度较大时,该灰度值更可能为亮区
域分割阈值;亮区域与正常区域以及暗区域有较大的灰度差异,故亮区域的边缘上的像素
点具有较大的梯度值,因此当任一灰度值对应的未浸没区域的边缘上的像素点的梯度值较
大时,说明该灰度值对应的未浸没区域更可能为完整的亮区域,该灰度值更可能为亮区域
分割阈值;当任一灰度值对应的未浸没区域之间的形状越相似时,说明该灰度值对应的浸
没区域更可能为完整的亮区域;因此根据上述特征获取亮区域分割阈值范围中每个灰度值
为亮区域分割阈值的可能性。
在本发明实施例中,将亮区域分割阈值范围中的任一灰度值记为本次灰度值,将墙板表面图像中大于本次灰度值的像素点进行连通域分析,将得到连通区域记为本次灰度值对应的未浸没区域;将墙板表面图像中小于本次灰度值的像素点进行连通域分析,将得到连通区域记为本次灰度值对应的浸没区域;
使用形状上下文算法获取本次灰度值对应的未浸没区域之间的形状相似度;
获取本次灰度值为亮区域分割阈值的可能性:
式中,代表本次灰度值为亮区域分割阈值的可能性;代表本次灰度值在亮区
域分割阈值范围中的前一个灰度值对应的浸没区域面积与本次灰度值对应的浸没区域的
面积差值;代表本次灰度值在亮区域分割阈值范围中的后一个灰度值对应的浸没区域
与本次灰度值对应的浸没区域的面积差值;代表本次灰度值对应的浸没区域的面积变
化,已知亮区域在墙板表面图像中的面积占比小,因此当的比值最大时,说明本次灰度值
在亮区域分割阈值范围中的前一个灰度值对应的浸没区域中为暗区域和正常区域,的
值较大,而本次灰度值在亮区域分割阈值范围中的后一个灰度值对应的浸没区域中增加了
部分亮区域,的值较小,因此当的值较大时,说明本次灰度值为亮区域分割阈值的可
能性越大;代表本次灰度值对应的未浸没区域中的像素点数量;代表本次灰度值对应
的未浸没区域中的第个像素点的灰度值;代表本次灰度值对应的未浸没区域中的所有
像素点的均值;代表本次灰度值对应的未浸没区域的灰度分布离散程度,其
值越大时,说明本次灰度值对应的未浸没区域中包含的是亮区域的像素点,则本次灰度值
为亮区域分割阈值的可能性越大;代表本次灰度值对应的未浸没区域之间的形状相似
度,其值越大时,说明本次灰度值对应的各个未浸没区域之间的形状越相似,则本次灰度值
为亮区域分割阈值的可能性越大;
代表本次灰度值对应的未浸没区域的边缘像素点数量;代表本次灰度值对
应的未浸没区域的第个边缘像素点的梯度值;代表本次灰度值对应的未浸没区域
边缘像素点的梯度均值,其值越大时,说明本次灰度值为亮区域分割阈值的可能性越大,
的值越大时,说明本次灰度值为亮区域分割阈值的可能性越大。
获取亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,将可能性最大的灰度值作为亮区域分割阈值。
至此,根据墙板表面图像中的种子点,获取暗区域分割阈值以及亮区域分割阈值。
气泡缺陷区域获取模块104,根据暗区域分割阈值以及亮区域分割阈值,获取若干疑似区域,获取每个疑似区域为气泡缺陷区域的可能性,根据每个疑似区域为气泡缺陷区域的可能性,获取气泡缺陷区域。
需要说明的是,根据获取的暗区域分割阈值与亮区域分割阈值分割出可能为气泡
缺陷区域中的暗区域与亮区域,已知属于同一个气泡缺陷区域的暗区域以及亮区域的边缘
上有重叠像素点,因此根据该特征将分割出的暗区域与亮区域进行合并,得到各个疑似区
域,此时需要从疑似区域中筛选出气泡缺陷区域,由于同一个气泡缺陷区域的暗区域与亮
区域的一条边缘上像素点是完全重叠的,因此当疑似区域中所有连通区域的重叠像素点个
数与疑似区域中所有连通区域的边缘像素点个数的比值越大时,即疑似区域的重合度越大
时,当前疑似区域越有可能为气泡缺陷区域;由于气泡缺陷区域近似于圆形,因此当疑似区
域中所有连通区域的每个重叠像素点到疑似区域的质心的距离相似时,说明当前疑似区域
越有可能为气泡缺陷区域;最后当疑似区域中连通区域的每个重叠像素点的梯度方向与墙
板表面图像的光照方向角的差异越接近时,说明疑似区域中连通区域的重叠像素点的梯
度方向越可能一致,该疑似区域更可能为气泡缺陷区域。
在本发明实施例中,获取疑似区域:将墙板表面图像中小于暗区域分割阈值的像素点进行连通域分析,得到各个连通区域,将墙板表面图像中大于亮区域分割阈值的像素点进行连通域分析,得到各个连通区域,将具有重叠像素的连通区域进行合并,得到若干疑似区域。
获取墙板表面图像的光照方向角:获取墙板表面图像中所有像素点的梯度方向的众数,记为第一梯度方向,将第一梯度方向的相反向量作为墙板表面的光照方向角。
在本发明实施例中,将任意疑似区域记为当前疑似区域,获取当前疑似区域为气泡缺陷区域的可能性:
式中,代表当前疑似区域为气泡缺陷区域的可能性;代表当前疑似区域中所有
连通区域的重叠像素点个数;代表当前疑似区域中所有连通区域的边缘像素点个数;代
表当前疑似区域的重合度,其值越大时说明当前疑似区域越有可能为气泡缺陷区域;代
表当前疑似区域中各个连通区域的重叠像素点个数;代表当前疑似区域中各个连通区域
的第个重叠像素点到当前疑似区域的质心之间的距离;代表当前疑似区域中各个连通
区域的所有重叠像素点到当前疑似区域的质心之间的距离均值;代表
当前疑似区域近似圆形的程度,其值越小,说明当前疑似区域的形状越趋近于圆形,则当前
疑似区域为气泡缺陷区域的可能性越大;
代表当前疑似区域中各个连通区域的第个重叠像素点的梯度方向角;代表
墙板表面图像的光照方向角;当前疑似区域中各个连通区域的每个重叠像素点的梯度方向
角与墙板表面图像的光照方向角的差异越接近时,说明当前疑似区域中连通区域的重叠
像素点的梯度方向越可能一致,即当前疑似区域中连通区域重叠的像素点作为气泡缺陷区
域的亮区域与暗区域重合边缘上的像素点;代表当前疑似区域的梯
度方向一致性,值越大时,说明当前疑似区域为气泡缺陷区域的可能性越大。
预设可能性阈值,当任一疑似区域为气泡缺陷区域的可能性大于等于可能性阈
值时,认为该疑似区域为气泡缺陷区域,在本发明实施例中,预设可能性阈值,在
其他实施例中,实施人员可根据具体实施情况设置可能性阈值的值。
至此,根据暗区域分割阈值以及亮区域分割阈值,获取若干疑似区域,获取每个疑似区域为气泡缺陷区域的可能性,根据每个疑似区域为气泡缺陷区域的可能性,获取气泡缺陷区域。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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 (3)
1.基于图像特征分析的自动抹灰效果视觉检测***,其特征在于,所述***包括:
墙板表面图像获取模块,用于获取墙板表面图像;
种子点获取模块;用于获取墙板表面图像中每个像素点的邻域区域,根据每个像素点的邻域区域中所有像素点的灰度值方差以及每个像素点的灰度值与每个像素点的邻域区域中所有像素点的灰度均值的差异,获取每个像素点为种子点的可能性;根据每个像素点为种子点的可能性获取种子点;
分割阈值获取模块,用于根据种子点获取暗区域分割阈值范围以及亮区域分割阈值范围;获取暗区域分割阈值范围中每个灰度值对应的浸没区域;根据暗区域分割阈值范围中每个灰度值对应的浸没区域的灰度分布离散程度、浸没区域的面积变化、浸没区域边缘像素点的梯度均值以及浸没区域之间的形状相似度,获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,根据暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,获取暗区域分割阈值;获取亮区域分割阈值范围中每个灰度值对应的浸没区域以及未浸没区域;根据亮区域分割阈值范围中每个灰度值对应的未浸没区域的灰度分布离散程度、浸没区域的面积变化、未浸没区域边缘像素点的梯度均值以及未浸没区域之间的形状相似度,获取亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,根据亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,获取亮区域分割阈值;
气泡缺陷区域获取模块,用于根据亮区域分割阈值以及暗区域分割阈值,获取若干疑似区域;根据疑似区域近似圆形的程度、疑似区域的重合度以及疑似区域的梯度方向一致性,获取每个疑似区域为气泡缺陷区域的可能性;根据每个疑似区域为气泡缺陷区域的可能性获取气泡缺陷区域;
所述用于获取墙板表面图像中每个像素点的邻域区域,根据每个像素点的邻域区域中所有像素点的灰度值方差以及每个像素点的灰度值与每个像素点的邻域区域中所有像素点的灰度均值的差异,获取每个像素点为种子点的可能性,包括的步骤为:
预设,以墙板表面图像中每个像素点为中心构建/>大小的区域,作为每个像素点的邻域区域;
式中,代表第/>个像素点为种子点的可能性;/>代表第/>个像素点的邻域区域中所有像素点的灰度值方差;/>代表第/>个像素点的邻域区域中所有像素点的灰度均值与第/>个像素点的灰度值的差值;获取每个像素点为种子点的可能性;
所述根据每个像素点为种子点的可能性获取种子点,包括的步骤为:
预设,将所有像素点为种子点的可能性从大到小进行排序,并依次获取/>个像素点作为备选种子点,当任一备选种子点的八邻域中存在其他备选种子点时,将该备选种子点的八邻域中灰度值最小的备选种子点作为一个种子点,获取所有种子点,当任一备选种子点的八邻域中不存在其他备选种子点时,将该备选种子点作为一个种子点,获取所有种子点;
所述获取暗区域分割阈值范围中每个灰度值对应的浸没区域,包括的步骤为:
将暗区域分割阈值范围中的任一灰度值记为当前灰度值,将墙板表面图像中小于当前灰度值的像素点进行连通域分析,将得到的连通区域记为当前灰度值对应的浸没区域;
所述根据暗区域分割阈值范围中每个灰度值对应的浸没区域的灰度分布离散程度、浸没区域的面积变化、浸没区域边缘像素点的梯度均值以及浸没区域之间的形状相似度,获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,根据暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,获取暗区域分割阈值,包括的步骤为:
使用形状上下文算法获取当前灰度值对应的浸没区域之间的形状相似度;
式中,代表当前灰度值为暗区域分割阈值的可能性;/>代表当前灰度值在暗区域分割阈值范围中的前一个灰度值对应的浸没区域面积与当前灰度值对应的浸没区域的面积差值;/>代表当前灰度值在暗区域分割阈值范围中的后一个灰度值对应的浸没区域与当前灰度值对应的浸没区域的面积差值;/>代表了当前灰度值对应的浸没区域的面积变化;/>代表当前灰度值对应的浸没区域中的像素点数量;/>代表当前灰度值对应的浸没区域中的第/>个像素点的灰度值;/>代表当前灰度值对应的浸没区域中的所有像素点的均值;代表当前灰度值对应的浸没区域的灰度分布离散程度;/>代表当前灰度值对应的浸没区域之间的形状相似度;/>代表当前灰度值对应的浸没区域的边缘像素点数量;代表当前灰度值对应的浸没区域的第/>个边缘像素点的梯度值;/>代表当前灰度值对应的浸没区域边缘像素点的梯度均值;/>代表归一化函数;
获取暗区域分割阈值范围中每个灰度值为暗区域分割阈值的可能性,将暗区域分割阈值范围中可能性最大的灰度值作为暗区域分割阈值;
所述获取亮区域分割阈值范围中每个灰度值对应的浸没区域以及未浸没区域,包括的步骤为:
将亮区域分割阈值范围中的任一灰度值记为本次灰度值,将墙板表面图像中大于本次灰度值的像素点进行连通域分析,将得到连通区域记为本次灰度值对应的未浸没区域;将墙板表面图像中小于本次灰度值的像素点进行连通域分析,将得到连通区域记为本次灰度值对应的浸没区域;
所述根据亮区域分割阈值范围中每个灰度值对应的未浸没区域的灰度分布离散程度、浸没区域的面积变化、未浸没区域边缘像素点的梯度均值以及未浸没区域之间的形状相似度,获取亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,根据亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,获取亮区域分割阈值,包括的步骤为:
使用形状上下文算法获取本次灰度值对应的未浸没区域之间的形状相似度;
式中,代表本次灰度值为亮区域分割阈值的可能性;/>代表本次灰度值在亮区域分割阈值范围中的前一个灰度值对应的浸没区域面积与本次灰度值对应的浸没区域的面积差值;/>代表本次灰度值在亮区域分割阈值范围中的后一个灰度值对应的浸没区域与本次灰度值对应的浸没区域的面积差值;/>代表了本次灰度值对应的浸没区域的面积变化;代表本次灰度值对应的未浸没区域中的像素点数量;/>代表本次灰度值对应的未浸没区域中的第/>个像素点的灰度值;/>代表本次灰度值对应的未浸没区域中的所有像素点的均值;/>代表本次灰度值对应的未浸没区域的灰度分布离散程度;/>代表本次灰度值对应的未浸没区域之间的形状相似度;/>代表本次灰度值对应的未浸没区域的边缘像素点数量;/>代表本次灰度值对应的未浸没区域的第/>个边缘像素点的梯度值;/>代表本次灰度值对应的未浸没区域边缘像素点的梯度均值;/>代表归一化函数;
获取亮区域分割阈值范围中每个灰度值为亮区域分割阈值的可能性,将亮区域分割阈值范围中可能性最大的灰度值作为亮区域分割阈值;
所述根据疑似区域近似圆形的程度、疑似区域的重合度以及疑似区域的梯度方向一致性,获取每个疑似区域为气泡缺陷区域的可能性;根据每个疑似区域为气泡缺陷区域的可能性获取气泡缺陷区域,包括的步骤为:
获取墙板表面图像中所有像素点的梯度方向的众数,记为第一梯度方向,将第一梯度方向的相反向量作为墙板表面的光照方向角;
将任一疑似区域记为当前疑似区域;
式中,代表当前疑似区域为气泡缺陷区域的可能性;/>代表当前疑似区域中所有连通区域的重叠像素点个数;/>代表当前疑似区域中所有连通区域的边缘像素点个数;/>代表当前疑似区域的重合度;/>代表当前疑似区域中各个连通区域的重叠像素点个数;/>代表当前疑似区域中各个连通区域的第/>个重叠像素点到当前疑似区域的质心之间的距离;/>代表当前疑似区域中各个连通区域的所有重叠像素点到当前疑似区域的质心之间的距离均值;/>代表当前疑似区域近似圆形的程度;/>代表当前疑似区域的梯度方向一致性;/>代表当前疑似区域中各个连通区域的第/>个重叠像素点的梯度方向角;/>代表墙板表面图像的光照方向角;/>代表绝对值符号;获取每个疑似区域为气泡缺陷区域的可能性;
预设可能性阈值,当任一疑似区域为气泡缺陷区域的可能性大于等于可能性阈值/>时,该疑似区域为气泡缺陷区域,得到所有气泡缺陷区域。
2.根据权利要求1所述的基于图像特征分析的自动抹灰效果视觉检测***,其特征在于,所述根据种子点获取暗区域分割阈值范围以及亮区域分割阈值范围,包括的步骤为:
将所有种子点中的最小灰度值与墙板表面图像中像素点数量最多的灰度值之间的所有灰度值按照从小到大的顺序进行排序后作为暗区域分割阈值范围;将墙板表面图像中像素点数量最多的灰度值与墙板表面图像中的最大灰度值之间的所有灰度值按照从小到大的顺序进行排序后作为亮区域分割阈值范围。
3.根据权利要求1所述的基于图像特征分析的自动抹灰效果视觉检测***,其特征在于,所述根据亮区域分割阈值以及暗区域分割阈值,获取若干疑似区域,包括的步骤为:
将墙板表面图像中小于暗区域分割阈值的像素点进行连通域分析,得到各个连通区域,将墙板表面图像中大于亮区域分割阈值的像素点进行连通域分析,得到各个连通区域,将具有重叠像素的连通区域进行合并,得到若干疑似区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311587747.7A CN117291937B (zh) | 2023-11-27 | 2023-11-27 | 基于图像特征分析的自动抹灰效果视觉检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311587747.7A CN117291937B (zh) | 2023-11-27 | 2023-11-27 | 基于图像特征分析的自动抹灰效果视觉检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291937A CN117291937A (zh) | 2023-12-26 |
CN117291937B true CN117291937B (zh) | 2024-03-05 |
Family
ID=89244837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311587747.7A Active CN117291937B (zh) | 2023-11-27 | 2023-11-27 | 基于图像特征分析的自动抹灰效果视觉检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291937B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557568B (zh) * | 2024-01-12 | 2024-05-03 | 吉林省迈达医疗器械股份有限公司 | 基于红外图像的热化疗过程中病灶区域分割方法 |
CN117911408B (zh) * | 2024-03-19 | 2024-05-28 | 盈客通天下科技(大连)有限公司 | 一种道路路面施工质量检测方法及*** |
CN118071776B (zh) * | 2024-04-22 | 2024-06-21 | 大连云智信科技发展有限公司 | 一种用于家禽肠道健康状况检测的图像处理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
CN115861320A (zh) * | 2023-02-28 | 2023-03-28 | 天津中德应用技术大学 | 一种汽车零件加工信息智能检测方法 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和*** |
CN116402810A (zh) * | 2023-06-05 | 2023-07-07 | 山东天力润滑油有限公司 | 基于图像处理的润滑油抗磨粒质量检测方法 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9269155B2 (en) * | 2012-04-05 | 2016-02-23 | Mediatek Singapore Pte. Ltd. | Region growing method for depth map/color image |
-
2023
- 2023-11-27 CN CN202311587747.7A patent/CN117291937B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
CN106683076A (zh) * | 2016-11-24 | 2017-05-17 | 南京航空航天大学 | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和*** |
CN115861320A (zh) * | 2023-02-28 | 2023-03-28 | 天津中德应用技术大学 | 一种汽车零件加工信息智能检测方法 |
CN116402810A (zh) * | 2023-06-05 | 2023-07-07 | 山东天力润滑油有限公司 | 基于图像处理的润滑油抗磨粒质量检测方法 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
Non-Patent Citations (3)
Title |
---|
An Automatic Approach for Retinal Vessel Segmentation by Multi-Scale Morphology and Seed Point Tracking;Wang, WH等;JOURNAL OF MEDICAL IMAGING AND HEALTH INFORMATICS;全文 * |
形态学分水岭和Fisher线性判别的图像分割算法研究;黄娜;中国优秀硕士学位论文全文数据库信息科技辑(第07期);全文 * |
李建奇 ; 阳春华 ; 曹斌芳 ; 朱红求 ; 刘金平 ; .面向参数测量的改进分水岭浮选泡沫图像分割方法.仪器仪表学报.2013,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117291937A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117291937B (zh) | 基于图像特征分析的自动抹灰效果视觉检测*** | |
CN107679535B (zh) | 一种基于模板匹配的指针式水表自动读数识别***及方法 | |
CN104992434B (zh) | 根据历史卫星图像在当前卫星图像上进行台风定位的方法 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
CN106228161B (zh) | 一种指针式表盘自动读数方法 | |
CN110287898A (zh) | 一种光学卫星遥感影像云检测方法 | |
CN106651880B (zh) | 基于多特征融合的热红外遥感影像的海上动目标检测方法 | |
CN115641327B (zh) | 一种基于大数据的建筑工程质量监理和预警*** | |
CN110211128B (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
CN117274240B (zh) | 一种承台基础混凝土表面裂缝识别方法 | |
CN117408995B (zh) | 基于多特征融合的电源适配器外观质量检测方法 | |
CN115049736A (zh) | 用于电缆表面缺陷精准定位的方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及*** | |
CN114005108A (zh) | 一种基于坐标变换的指针式仪表度数识别方法 | |
CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
CN115984360B (zh) | 一种基于图像处理的计算干滩长度的方法及*** | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN115578695B (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
CN116862907A (zh) | 基于图像特征的电机配件质量检测方法 | |
CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 | |
CN115546115A (zh) | 一种基于地理形态学的覆冰冰形图片分割及识别方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN114758237A (zh) | 一种输水隧洞缺陷自动识别模型的构建方法、检测方法、构建装置、计算机及存储介质 | |
CN113436120A (zh) | 一种图像模糊值识别方法及装置 | |
CN113643245A (zh) | 一种屏幕缺陷的测量方法、装置及计算机可读存储介质 |
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 |