一种基于计算机视觉的木板缺陷检测方法转让专利
申请号 : CN202111243941.4
文献号 : CN113689429B
文献日 : 2021-12-24
发明人 : 翟其恒
申请人 : 南通恒祥木业有限公司
摘要 :
权利要求 :
1.一种基于计算机视觉的木板缺陷检测方法,其特征在于,该方法包括以下步骤:步骤一:获取木板的初始图像,对获取到的初始图像进行语义分割处理,得到木板图像;
步骤二:对语义分割后得到的木板图像进行灰度化得到灰度图,对所述灰度图进行边缘检测,得到木纹纹理的边缘检测图像,获取所述边缘检测图像中木纹纹理的间距与方向确定瓦片的尺寸与瓦片的布置,根据所述尺寸将所述灰度图分割为多块瓦片,对瓦片内的木纹进行变化的描述,得到描述数据,所述描述数据包括密集程度、纹理间距比和纹理倾斜程度;所述密集程度、纹理间距比和纹理倾斜程度的乘积为对应的瓦片内节子区域的概率,进而得到概率图像;所述密集程度为所述瓦片中木纹纹理的像素比,所述纹理间距比为在所述瓦片中任意两条纹理之间的平均长度差异比,所述纹理倾斜程度为所述瓦片中木纹纹理的相对倾斜角度;
其中,根据所述尺寸将所述灰度图分割为多块瓦片包括:采用直线检测得到图像中直线,然后统计直线的倾角得到木板木纹纹理的大方向;根据纹理的大方向对图片进行转正,让纹理与水平面垂直;确定瓦片尺寸,根据行序列,背景像素为0,纹理像素为1,对两个1之间的距离进行间距判断,为了确保每个瓦片中至少包含两条纹理,根据两条纹理的间距比确定纹理走向,取最大间距的2倍作为瓦片分割的尺寸;
步骤三:对所述灰度图的进行阈值分割得到节子的阈值分割图,根据概率图像所确定的节子与阈值分割图像所确定的节子的交集,得到节子的位置。
2.根据权利要求1所述的一种基于计算机视觉的木板缺陷检测方法,其特征在于,所述步骤一中采用语义分割网络进行语义分割处理,所述语义分割网络使用的数据集为俯视采集的木板图像数据集,将数据集中的木板图像中属于背景类的像素标注为0,属于木板的像素标注为1;语义分割网络的loss函数为交叉熵损失函数。
3.根据权利要求1或2所述的一种基于计算机视觉的木板缺陷检测方法,其特征在于,所述密集程度为所述瓦片中木纹纹理的像素比的获取步骤为:根据瓦片中0、1像素个数的比值得到密集程度;
所述纹理间距比为在所述瓦片中任意两条纹理之间的长度差异比的获取步骤为:获取木纹纹理与瓦片边缘的交点,获取同一条纹理中两交点之间的像素点数量为纹理间距,任意两纹理之间的差异与纹理间距之比为所述纹理间距比。
4.根据权利要求1或2所述的一种基于计算机视觉的木板缺陷检测方法,其特征在于,所述纹理倾斜程度为所述瓦片中木纹纹理的相对倾斜角度的步骤包括:将瓦片中直线的斜率记为K,由 求得夹角 ,则对夹角概率进行归一化处理,以90度为临界点对夹角进行分段处理;当α∈(0°,90°)时,纹理倾斜程度为当α∈(90°,180°)时,纹理倾斜程度为。
5.根据权利要求1或2所述的一种基于计算机视觉的木板缺陷检测方法,其特征在于,得到概率图像具体为:根据瓦片的概率值与瓦片八邻域间的概率变化情况得到节子的概率图像;所述瓦片的概率值为所述节子区域的概率;由每块瓦片的概率结合矢量图可得到整张图像的节子概率分布图。
6.根据权利要求1或2所述的一种基于计算机视觉的木板缺陷检测方法,其特征在于,结合概率图像所确定的节子与阈值分割图像所确定的节子判断是否存在关联瓦片的步骤包括:结合阈值分割图与节子概率图最终确定节子位置,设定阈值,当概率 时, 为阈值:
;
I是和当前阈值分割连通域相关联的瓦片数量,为I个关联瓦片内第i个瓦片的节子概率;判断是否关联的过程为:得到阈值分割的连通域;求各瓦片和当前连通域的交集占比zb,
;
式中,J为当前瓦片和连通域的交集面积,W为当前瓦片的面积;判断是否为关联瓦片若是 , 为经验值,则该瓦片为该连通域的关联瓦片。
说明书 :
一种基于计算机视觉的木板缺陷检测方法
技术领域
背景技术
测定木板材料的化学或物理性质来测试或分析木板,但是目前对木板缺陷检测往往是利用
人工进行检测的。对获取到的木板图像进行阈值分割,通过木板颜色与节子颜色的差异特
征对节子进行检测。通过颜色特征检测节子缺陷对颜色差异要求较高,木板中存在颜色与
节子颜色相近的其他因素时,无法完成相应的检测任务。节子颜色较深,趋近于黑色,虫洞
与部分脏污颜色与节子颜色相近,通过颜色特征很难区分虫洞与脏污的影响,从而导致误
检。
发明内容
割后得到的木板图像进行进行灰度化得到灰度图图,对所述灰度图边缘检测,得到木纹纹
理的边缘检测图像,获取所述边缘检测图像中木纹纹理的间距与方向确定瓦片的尺寸与瓦
片的布置,根据所述尺寸将所述灰度图分割为多块瓦片,对瓦片内的木纹进行变化的描述,
得到描述数据;结合描述数据得到对应的瓦片内节子区域的概率,进而得到概率图像;其
中,所述描述数据包括密集程度、纹理间距比和纹理倾斜程度,所述密集程度为所述瓦片中
木纹纹理的像素比,所述纹理间距比为在所述瓦片中任意两条纹理之间的平均长度差异
比,所述纹理倾斜程度为所述瓦片中木纹纹理的相对倾斜角度; 步骤三:对所述灰度图的
进行阈值分割得到节子的阈值分割图,根据概率图像所确定的节子与阈值分割图像所确定
的节子的交集,得到节子的位置。
标注为0,属于木板的像素标注为1;所使用的loss函数为交叉熵损失函数。
分割后得到木板的连通域,该连通域作为遮罩抠取初始图像,灰度化处理后得到木板的灰
度图像,根据纹理的大走向对图片进行转正,让纹理与水平面垂直;确定瓦片尺寸,根据行
序列,背景像素为0,纹理像素为1,对两个1之间的距离进行间距判断,为了确保每个瓦片中
至少包含两条纹理,根据两条纹理的间距比确定纹理走向,取最大间距的2倍作为瓦片分割
的尺寸;获取瓦片尺寸的具体过程为:建立平面直角坐标系,统计第一行两纹理像素1间的
距离 ,统计5行两像素点间的距离,其中n为间距个数,求五行所有的平均值 ;公式为:
块方瓦片,以坐标原点为起始点,边长为2 进行分割,记录每块瓦片的位置坐标。
距,任意两纹理之间的差异与纹理间距之比为所述纹理间距比。
度为临界点对夹角进行分段处理;当α∈(0°,90°)时,纹理倾斜程度为
合矢量图可得到整张图像的节子概率分布图。
时,
比zb,
确性较高。
附图说明
具体实施方式
理描述得到节子可能存在的概率图像,结合概率图像与阈值分割图像判定节子的位置。
据最大间距确定瓦片的尺寸大小,根据木纹纹理的方向确定瓦片的布置方式,通过瓦片的
纹理描述得到节子的概率图像。结合节子的概率图像与阈值分割图像得到节子的位置。
间距与方向确定瓦片的尺寸与瓦片的布置,根据所述尺寸将所述灰度图分割为多块瓦片,
所述对瓦片内的木纹进行变化的描述,得到描述数据;结合描述数据得到对应的瓦片内节
子区域的概率,进而得到概率图像;其中,所述描述数据包括密集程度、纹理间距比和纹理
倾斜程度,所述密集程度为所述瓦片中木纹纹理的像素比,所述纹理间距比为在所述瓦片
中任意两条纹理之间的平均长度差异比,所述纹理倾斜程度为所述瓦片中木纹纹理的相对
倾斜角度;
值分割图像实现对节子的精准检测。为了实现本发明所述内容,本发明设计了一种基于机
器视觉的木板缺陷检测的方法。步骤一:获取木板的初始图像,对获取到的初始图像进行语
义分割处理。本发明需要根据木板表面木纹纹理情况判断节子的概率,所以需要先采集木
板的图像。本发明采用DNN语义分割的方式来识别分割图像中的目标。该DNN网络的相关内
容如下:使用的数据集为俯视采集的木板图像数据集,木板的样式为多种多样的。需要分割
的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于
背景类的像素标注为0,属于木板的像素标注为1.网络的任务是分类,所有使用的loss函数
为交叉熵损失函数。至此,步骤一完成,通过DNN实现了对目标图像的处理,获得图像中目标
的连通域信息。
进行描述得到节子存在的概率图像。逻辑:木纹纹理变化是节子所在区域的特征,木纹纹理
的疏密与木纹纹理的走向变化,能够反映该处越是节子,而不是虫洞或者脏污。木纹纹理越
密集且纹理走向变化越大,该区域为节子的概率越大。
域的概率;得到概率图像。
直于水平面。语义分割后得到木板的连通域,该连通域作为遮罩抠取木板的原始图像,灰度
化处理后得到木板的灰度图像。如图2所示,提取图像中的边缘信息,具体方法采用canny算
子提取图片中的边缘信息,结果如图3所示。倾斜的纹理会影响对纹理走向的判断,根据纹
理的大走向对图片进行转正,让纹理与水平面垂直。图片转正的具体过程为:采用霍夫变换
对图像中的木纹纹理进行直线检测,得到多条直线,如图4所示。计算每条直线与水平面的
夹角 ,取所有夹角 的平均值,记为 。取 为转正角度,对图片进行转正处理。
取最大间距的2倍作为瓦片分割的尺寸。获取瓦片尺寸的具体过程为:以图片左下角为原点
建立平面直角坐标系,统计第一行两纹理像素1间的距离 。为了防止某一木纹纹理第一行
像素点缺失导致某一距离过大,统计5行两像素点间的距离,其中n为间距个数,求五行所有
的平均值 。公式为:
个单位瓦片长度的区域进行裁剪,不予以考虑。
过程为:统计瓦片中纹理(白)像素与背景(黑)像素的个数,记纹理像素个数为x,背景像素
个数为y。求纹理像素个数x与背景像素个数y比值作为木纹纹理的像素比,记为M,
标。得到整张图像木纹纹理的密集程度,M越大(越趋近于1),节子概率越高。
可得瓦片中纹理的矢量,从而确定纹理变化的方向。所述纹理间距比为在所述瓦片中任意
两条纹理之间的长度差异比的获取步骤为:获取木纹纹理与瓦片边缘的交点,获取同一条
纹理中两交点之间的像素点数量为纹理间距,任意两纹理之间的差异与纹理间距之比为所
述纹理间距比。具体的,间距比与纹理矢量图获取的具体方法:以瓦片左下角为原点建立平
面直角坐标系,如图6所示,记录木纹纹理与瓦片边缘交点的坐标位置,记a,b,c,d。
大,越趋近于节子,计算公式为: ,瓦片中纹理数量大于2时,取两两纹理间距离的
平均值,再由平均值计算纹理间距比值T。 由ab坐标得到其中点坐标e(p,q),ab坐标得到其
中点坐标f(s,t),由e、f两点坐标得到向量,表示为 。由每个瓦片的向量得到纹理矢量图,
如图7所示。
数为 ,即
到间距比与矢量图,根据每个瓦片中纹理直线的平均斜率确定纹理的走向。步骤三:根据概
率图像与阈值分割图像得到节子的位置。采用传统阈值分割对初始图像进行分割获取分割
后的阈值分割图像,通过概率图像与阈值分割后获取的阈值分割图像结合,最终确定节子
的位置。根据概率图像可以得到节子的位置,结合阈值分割图像最终确定节子的位置。如图
所示,图9为阈值分割示意图,黑点为目标点,可能为节子、虫洞或脏污。
发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。