一种竹块缺陷检测方法和系统与流程

本发明主要涉及竹席缺陷检测领域，具体涉及一种竹块缺陷检测方法和系统。

背景技术：

随着全球低碳经济浪潮的兴起及“绿色、环保、可持续发展”理念的倡导，竹制品越来越受到全世界消费者的青睐。

而现阶段全国各麻将凉席生产厂家竹块的筛选主要依靠的是工人肉眼的判断，效率低下，判断标准也不统一。因此设计一套竹块快速的缺陷检测算法十分必要，将有助于提高麻将凉席的生产效率，增加企业收益。

技术实现要素：

本发明所要解决的技术问题是提供一种竹块缺陷检测方法和系统，通过对竹块图像进行区域大小检测、初步纹理检测、轮廓缺陷检测、正反面检测和深度纹理检测，从而判断出竹块是否存在缺陷，判断出的结果较精确。

本发明解决上述技术问题的技术方案如下：一种竹块缺陷检测方法，包括如下步骤：

步骤S1：利用摄像设备获取竹块图像；

步骤S2：判断竹块图像的区域范围是否属于预设感兴趣区域ROI(region of interest)的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；

步骤S3：根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常则执行步骤S4，否则得到竹块不合格的结果；

步骤S4：利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则执行步骤S5，否则得到竹块不合格的结果；

步骤S5：利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并重复执行步骤S1；否则，执行步骤S6；

步骤S6：训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。

本发明的有益效果是：通过对竹块图像进行区域大小检测、初步纹理检测、轮廓缺陷检测、正反面检测和深度纹理检测，从而判断出竹块是否存在缺陷，判断出的结果较精确，有助于提高麻将凉席的生产效率，增加企业收益。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，获取竹块图像后，还包括对竹块图像的画质进行优化处理的步骤，其包括对竹块图像进行白平衡处理、中值滤波处理和高斯滤波的优化处理。

采用上述进一步方案的有益效果是：对竹块图像进行预处理，主要是减小工厂环境中易产生的椒盐噪声的干扰，便于下面的步骤对竹块图像进缺陷检测。

进一步，对竹块图像的画质进行优化处理后，还包括利用重心原理将竹块图像旋转到水平位置的步骤：求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。

采用上述进一步方案的有益效果是：将竹块图像旋转到水平位置有利于特征的提取。

进一步，具体实现所述步骤S3的方法为：将标准化尺寸的竹块图像处理成灰度模式下的竹块图像，再判断竹块图像的灰度值是否属于预设图像灰度值范围，如果属于，则纹理正常，否则得到竹块不合格的结果。

进一步，所述预设图像灰度值范围为60至220；如果灰度竹块图像的灰度值小于等于60或大于等于220，则属于不合格竹块。

采用上述进一步方案的有益效果是：对竹块图像的纹理进行粗略的纹理检测，来检测出竹块表面差异较大的亮斑与黑点。

进一步，具体实现所述步骤S4的方法为：利用竹块伪对称性计算竹块图像最大内接矩形区域；再分别计算竹块图像的上轮廓到所述最大内接矩形区域的上边缘的平均距离L1以及竹块图像的下轮廓到所述最大内接矩形区域的下边缘的平均距离L2，并计算距离L1与距离L2的差值S，再将所述差值S与预设距离阈值进行比对，从而筛选出存在轮廓缺陷的竹块图像。

采用上述进一步方案的有益效果是：通过最大内接矩形区域对竹块轮廓进行计算，得出竹块的边缘距离是否符合预设距离阈值，能够判断出竹块是否存在缺陷。

进一步，具体实现所述步骤S5的方法为：将竹块图像转换为HSV颜色模型下的竹块图像，再求出所述HSV颜色模型中色调H空间下竹块图像色调的最大值和最小值以及饱和度S空间下竹块图像饱和度的最大值和最小值，再将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对，从而检测出竹块图像的正面和反面。

采用上述进一步方案的有益效果是：利用HSV颜色模型对竹块图像的色调及饱和度进行检测，从而检测出竹块图像的正面和反面。

进一步，将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对的具体方法为：所述竹块图像色调的最大值和最小值属于预设色调H空间范围值内，且所述竹块图像饱和度的最大值和最小值属于预设饱和度S空间范围值内，则检测出竹块图像为正面，否则为反面。

进一步，具体实现所述步骤S6的方法为：

步骤S601：求取HSV颜色模型中饱和度S空间下的竹块图像的水平投影值，并求出水平投影值的平均值，其中，水平投影值为一数组；

步骤S602：遍历水平投影值，找出水平投影值连续低于平均值为预设值a以下的数值个数，标记为第一类特征向量；

步骤S603：遍历水平投影值，找出水平投影值大于水平投影值两端数值为预设值a以上的数值个数，标记为第二类特征向量；

步骤S604：分别求出HSV颜色模型中色调H空间、饱和度S空间和透明度V空间下的竹块图像的三个直方图；

步骤S605：根据三个直方图求出色调H空间、饱和度S空间和透明度V空间下竹块图像的灰度均值、方差、偏态系数、能量、熵、粗糙度、对比度和方向度的第三类特征向量；

步骤S606：将第一类特征向量、第二类特征向量和第三类特征向量放入支持向量机分类器中训练，得到训练后的支持向量机分类器；

步骤S607：通过经训练后的将支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。

采用上述进一步方案的有益效果是：通过提取多类特征向量对支持向量机分类器进行训练，并利用训练后的支持向量机分类器对竹块图像的深度纹理进行识别，从而能够快速、准确的得到竹块合格或不合格的结果。

本发明解决上述技术问题的另一技术方案如下：一种竹块缺陷检测装置，包括：

图像获取模块，用于利用摄像设备获取竹块图像；

裁剪模块，用于判断竹块图像的区域范围是否属于预设感兴趣区域ROI的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；

初步纹理检测模块，用于根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常将初步纹理检测正常的竹块图像发送轮廓检测模块，否则属于不合格竹块；

轮廓检测模块，用于利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则将轮廓正常的竹块图像发送正反面检测模块，否则属于不合格竹块；

正反面检测模块，用于利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并调用优化模块重新检测竹块图像，否则将正面的竹块图像发送深度纹理检测模块；

深度纹理检测模块，用于训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，本装置还包括优化模块，所述优化模块与所述图像获取模块连接，所述优化模块用于对竹块图像的画质进行优化处理。

进一步，本装置还包括旋转模块，所述旋转模块与所述优化模块连接，旋转模块用于将竹块图像旋转到水平位置：求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。

附图说明

图1为本发明检测方法实施例的方法流程图；

图2为本发明检测方法实施例中实现步骤S7的方法流程图；

图3为本发明检测系统实施例的模块框图；

图4为本发明采用检测方法采集的竹块图像示意图；

图5为本发明采用检测方法采集的合格竹块正面示意图；

图6为本发明采用检测方法采集的合格竹块反面示意图；

图7为本发明采用检测方法采集的具有轮廓缺陷的竹块的示意图；

图8为本发明采用检测方法采集的具有第一种纹理缺陷的竹块的示意图；

图9为本发明采用检测方法采集的具有第二种纹理缺陷的竹块的示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1以及图4-9所示，一种竹块缺陷检测方法，包括如下步骤：

步骤1：利用摄像设备获取竹块图像；

步骤2：对竹块图像的画质进行优化处理；

步骤3：利用重心原理将竹块图像旋转到水平位置；

步骤4：判断经旋转后的竹块图像的范围是否属于预设感兴趣区域ROI的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；

步骤5：根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常则执行步骤6，否则得到竹块不合格的结果；

步骤6：利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则执行步骤7，否则得到竹块不合格的结果；

步骤7：利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并重复执行步骤1；否则，执行步骤8；

步骤8：训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。

具体的，所述步骤2中对竹块图像进行优化处理包括对竹块图像进行白平衡处理、中值滤波处理和高斯滤波的优化处理。本步骤是对竹块图像进行预处理，便于下面的步骤对竹块图像进缺陷检测。

具体的，所述步骤3中，求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。本步骤将竹块图像旋转到水平位置有利于对特征的提取。

具体的，所述步骤4中，摄像设备拍摄到的竹块图像的大小为768*1024像素，定位竹块，感兴趣区域ROI的大小范围为350-450*350-350像素，不在这个范围内的竹块判断为缺陷竹块，将竹块图像统一裁剪为400*300像素的标准化尺寸。

具体实现所述步骤5的方法为：将标准化尺寸的竹块图像处理成灰度模式下的竹块图像，再判断竹块图像的灰度值是否属于预设图像灰度值范围，如果属于，则纹理正常，否则得到竹块不合格的结果。

具体的，所述预设图像灰度值范围为60至220；所述灰度竹块图像的灰度值小于等于60或大于等于220，则属于不合格竹块。本步骤可快速的对竹块图像的纹理进行粗略的纹理检测，来检测出竹块表面差异较大的亮斑与黑点。

具体实现所述步骤6的方法为：利用竹块伪对称性计算竹块图像最大内接矩形区域；再分别计算竹块图像的上轮廓到所述最大内接矩形区域的上边缘的平均距离L1以及竹块图像的下轮廓到所述最大内接矩形区域的下边缘的平均距离L2，并计算距离L1与距离L2的差值S，再将所述差值S与预设距离阈值进行比对，从而筛选出存在轮廓缺陷的竹块图像。本步骤通过最大内接矩形区域对竹块轮廓进行计算，得出竹块的边缘距离是否符合预设距离阈值，能够判断出竹块是否存在缺陷。

具体实现所述步骤7的方法为：将竹块图像转换为HSV颜色模型下的竹块图像，再求出所述HSV颜色模型中色调H空间下竹块图像色调的最大值和最小值以及饱和度S空间下竹块图像饱和度的最大值和最小值，再将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对，从而检测出竹块图像的正面和反面。

例如，求出所述HSV颜色模型中色调H空间下竹块图像色调的最大1％值和最小1％值以及饱和度S空间下竹块图像饱和度的最大1％值和最小1％值，所述最小1％值为：按从小到大的顺序排列，最小1％值就是从色调或饱和度最小值的开始算比列，一直到预设点，小于或等于预设点的数目占总数目的1％；所述最大1％值：按从大到小的顺序排列，最大1％值就是从色调或饱和度最大值的开始算比列，一直到预设点，大于或等于预设点的数目占总数目的1％，再通过预设范围值就可以区分竹块图像的正面和反面了。

本步骤利用HSV颜色模型对竹块图像的色调及饱和度进行检测，从而检测出竹块图像的正面和反面。

优选的，将所述竹块图像色调的最大值和最小值以及竹块图像饱和度的最大值和最小值分别与预设范围值进行比对的具体方法为：所述竹块图像色调的最大值和最小值属于预设色调H空间范围值内，且所述竹块图像饱和度的最大值和最小值属于预设饱和度S空间范围值内，则检测出竹块图像为正面，否则为反面。

如图2所示，具体实现所述步骤8的方法为：

步骤801：求取HSV颜色模型中饱和度S空间下的竹块图像的水平投影值，并求出水平投影值的平均值；其中，水平投影值为一数组；

步骤802：遍历水平投影值，找出水平投影值连续低于平均值为预设值10以下的数值个数，标记为第一类特征向量；

步骤803：遍历水平投影值，找出水平投影值大于水平投影值两端数值为预设值10以上的数值个数，标记为第二类特征向量；例如，预设值为10；

步骤804：分别求出HSV颜色模型中色调H空间、饱和度S空间和透明度V空间下的竹块图像的三个直方图；

步骤805：根据三个直方图求出色调H空间、饱和度S空间和透明度V空间下竹块图像的灰度均值、方差、偏态系数、能量、熵、粗糙度、对比度和方向度的第三类特征向量；

步骤806：将第一类特征向量、第二类特征向量和第三类特征向量放入支持向量机分类器中训练，得到训练后的支持向量机分类器；

步骤807：通过经训练后的将支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。

通过提取多类特征向量对支持向量机分类器进行训练，并利用训练后的支持向量机分类器对竹块图像的深度纹理进行识别，从而能够快速、准确的得到竹块合格或不合格的结果。

如图3所示，一种竹块缺陷检测装置，包括：

图像获取模块，用于利用摄像设备获取竹块图像；

裁剪模块，用于判断竹块图像的区域范围是否属于预设感兴趣区域ROI的范围内，如果属于，则根据预设图像区域标准值将竹块图像裁剪为标准化尺寸，否则得到竹块不合格的结果；

初步纹理检测模块，用于根据预设灰度值对标准化尺寸的竹块图像进行初步纹理检测，如果纹理正常将初步纹理检测正常的竹块图像发送轮廓检测模块，否则属于不合格竹块；

轮廓检测模块，用于利用竹块伪对称性对初步纹理检测正常的竹块图像进行轮廓缺陷检测，如果轮廓正常则将轮廓正常的竹块图像发送正反面检测模块，否则属于不合格竹块；

正反面检测模块，用于利用颜色模型HSV对轮廓正常的竹块图像进行正面和反面检测，如果检测出是反面则将竹块翻面，并调用优化模块重新检测竹块图像，否则将正面的竹块图像发送深度纹理检测模块；

深度纹理检测模块，用于训练支持向量机分类器，并根据训练后的支持向量机分类器对正面的竹块图像进行深度纹理识别，从而得到竹块合格或不合格的结果。

优选的，本装置还包括优化模块，所述优化模块与所述图像获取模块连接，所述优化模块用于对竹块图像的画质进行优化处理。

优选的，本装置还包括旋转模块，所述旋转模块与所述优化模块连接，旋转模块用于将竹块图像旋转到水平位置：求取竹块图像的最小外接矩形，并利用重心原理计算出所述最小外接矩形的角度，并根据该角度且以竹块图像的重心为旋转中心进行旋转，从而将竹块图像旋转到水平位置。

本发明通过对竹块图像进行区域大小检测、初步纹理检测、轮廓缺陷检测、正反面检测和深度纹理检测，从而判断出竹块是否存在缺陷，判断出的结果较精确，有助于提高麻将凉席的生产效率，增加企业收益。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。