基于图像处理的家具表面死节缺陷检测方法研究

针对成品家具中的表面死节缺陷,提出一种基于非负矩阵分解(NMF)与Chan-Vese(CV)的死节缺陷图像检测算法。将RGB彩色图像转换成灰度图像,对灰度图像进行分块,同时将块变换成列向量,所有列向量组成矩阵进行NMF分解,对基向量进行K-均值聚类,得到初始分割子图。最后对灰度图采用CV模型进行精细分割,得到死节缺陷目标。Matlab试验结果表明,提出的算法能降低光照影响,分割效果好,能很好地提取家具表面死节缺陷。

成品家具中的表面死节缺陷图像检测方法

针对成品家具中的表面死节缺陷,提出一种基于局域直方图匹配与水平集的死节缺陷图像检测算法。将RGB彩色图像转换成HSV图像,提取训练样本集,并将样本与分块图像进行直方图匹配,得到匹配相似度灰度图,并用Otsu分割得到初始分割子图。最后对子图采用水平集进行精细分割,得到死节缺陷目标。Matlab试验结果表明,提出的算法能降低光照影响,分割效果好,能很好地提取家具表面死节缺陷。

基于Visual C++的单板表面缺陷图像检测软件开发与应用

针对单板中的死节与裂缝缺陷,利用VisualC++2017(VC++)与OpenCV编写缺陷图像检测程序。先将RGB图像进行分数阶主成份(principal component analysis,PCA)转换,再对得到的三通道灰度图像进行Chan-Vese (CV)分割;最后对二值图像面积滤波,根据长宽比检测出死节与裂缝。结果显示:此程序可去除大部分噪声,很好地实现单板表面死节和裂缝缺陷的提取和检测。

基于RCDA的家具表面死节缺陷图像分割

针对木制家具的表面死节缺陷,提出一种基于正则化共面判别分析(RCDA,Regularized Coplanar Discriminant Analysis)与支持向量机(SVM,Support Vector Machine)的死节缺陷图像分割算法。将RGB彩色图像转换成灰度图像,对灰度图像进行分块,同时将块变换成列向量,所有列向量组成矩阵进行RCDA维数约减,对约减后的特征进行SVM训练与测试,得到图像块分类结果。最后将块分类矩阵变形成二值分割图,得到死节缺陷目标。试验结果表明,提出的算法效果好,SD、Dice、ER、NR值分别为80.96%、89.48%、23.33%、0.16%。

基于L1L0层分解模型的家具死节缺陷图像分割

针对成品家具中的表面死节缺陷,提出一种基于L1L0层分解模型与主动轮廓模型的死节缺陷图像分割算法。将RGB彩色图像转换成Lab图像,对Lab各通道灰度图进行L1L0两层分解,得到分解后的低频灰度图与高频系数图;并用主动轮廓模型对各低频灰度图进行分割得到Lab多通道的二值图。最后对多通道的二值图进行比较,选择b通道二值图作为图像最终分割结果,得到死节缺陷目标。试验结果表明,提出的算法能降低复杂背景噪声,分割效果好,能很好地提取家具表面死节缺陷,性能优于传统的Otsu方法。

木地板表面死节缺陷图像检测方法

针对室内装饰实木地板表面死节缺陷,提出一种基于多通道大津法(Otsu)与加权Chan-Vese(CV)模型的实木地板死节缺陷图像检测算法。首先,输入RGB彩色图像并提取R、G、B三颜色通道,分别对三通道进行Otsu阈值分割,将三通道二值图进行或运算,得到初始水平集;然后,将三通道的数据项进行加权,与正则化项一起构成能量泛函,进行曲线演化;最后,采用加权CV模型进行水平集迭代计算,得到木地板死节缺陷。试验结果表明,提出的算法能充分利用各通道的优点,提高分割效果。

基于深度学习的木材死节缺陷图像分割方法

深度学习是当前机器学习的研究热点之一,针对木材表面死节缺陷图像,提出一种基于自动编码器(Autoencoder,AE)与长短期记忆网络(Long Short-Term Memory,LSTM)的深度学习图像分割方法。将RGB彩色图像转换成灰度图像,对灰度图像进行分块,同时将块变换成行向量,所有行向量组成矩阵并采用AE进行深度学习,通过设置多层深度学习结构,实现行向量维数约减。最后采用LSTM对约减后的死节和背景特征进行训练与测试并得到分类结果。试验结果表明,提出的算法的分割效果好,能很好地提取木材表面死节缺陷。

基于和声搜索优化的木材死节缺陷图像分割

针对木材表面死节缺陷,提出一种基于和声搜索优化(HSO,Harmony Search Optimization)的KAPUR死节缺陷图像分割算法。将RGB彩色图像转换成灰度图像,分别对R通道、G通道、B通道灰度图进行处理。将KAPUR中的前景和背景熵之和作为目标函数,将图像直方图内可行搜索空间中的随机样本编码为候选解,候选解通过进化迭代得到最优解,最后通过阈值分割得到目标。试验结果表明,算法能分割出木材表面死节缺陷,SD、Dice指数、ER、NR平均值分别为94.30%、97.07%、6.05%、0.00%。