CN103149222A - 射线实时成像中缺陷检测方法 - Google Patents
射线实时成像中缺陷检测方法 Download PDFInfo
- Publication number
- CN103149222A CN103149222A CN2013100634515A CN201310063451A CN103149222A CN 103149222 A CN103149222 A CN 103149222A CN 2013100634515 A CN2013100634515 A CN 2013100634515A CN 201310063451 A CN201310063451 A CN 201310063451A CN 103149222 A CN103149222 A CN 103149222A
- Authority
- CN
- China
- Prior art keywords
- image
- defective
- ray image
- workpiece
- standard
- 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
Images
Abstract
本发明公开了一种射线实时成像中缺陷检测方法,首先根据系统检测需求对要检工件的建立标准射线图像数据库;其次对被测工件的射线图像进行增强;然后从标准数据库中选择合适的图像与增强后的图像进行配准,从而获得从被测工件图像变换到标准图像的变换关系,并将增强后的图像映射到标准图像空间;接着对标准图像和变换后的增强图像进行差影操作;最后计算缺陷的大小、位置和等级。本发明避开了复杂的弱边缘提取问题,具有缺陷检测速度快、检测准确的特点,并可结合控制参数实时结算出缺陷所在工件的实际位置。该方法适合大批量产品的射线实时成像检测,可以快速检测出产品中是否包含缺陷以及缺陷的大小、位置等。
Description
技术领域
本发明涉及图像处理和无损检测领域,特别涉及一种射线实时成像中缺陷检测方法。
背景技术
近年来,X射线以其穿透力强、实时性好和系统数字化精度高,在检测领域得到了广泛的应用。DR(Digital Radiography 数字辐射成像) 是一种数字射线检测技术,即数字形式的X射线辐射成像技术。与胶片照相法相比,DR技术能实时或近实时地显示被检试件内部和表面缺陷性质、大小、分布等信息,因而能在线、快速、及时、动态地评价被检试件质量。DR扫描速度快,其效率比传统的X光胶片成像高很多,且便于计算机处理、存储和网络传输,适合用于工件的实时批量检测。
目前我国现行装配在车辆上的各类转向架近百万件,我国现行的铁路标准由于检测手段的限制,作了如下规定:“对车辆转向架侧架、摇枕实行寿命管理,凡使用年限超过25年的配件全部报废”。这造成很大的浪费,而且随着铁路重载、提速的发展,国家正逐步将铁路转向架的检测由1%射线抽检向射线全检发展。利用计算机对由射线成像形成的铸件图像进行缺陷的自动识别,可以有效地克服人工评片中由主观因素引起的误判或漏判,提高缺陷检测的效率和准确性。
针对类似铁路铸件这类少品种、大批量产品检测,人们开发了不同的X射线在线系统,此类系统可以快速的检测被测工件。但在DR成像系统中,由于产生的射线图像经常会受到量子和起伏噪声等因素的影响,造成图像对比度和信噪比低、缺陷边界模糊等情况,成像质量相对较低。目前针对射线图像,人们开发了许多缺陷提取算法,此类算法大多是直接对图像进行边缘检测,由于射线图像本身的低对比度特性使得此类算法都较为复杂,而且比较耗时。在某些情况下甚至出现了工件时间远小于工件缺陷识别时间的现象,大大降低了系统的检测效率。如何快速识别出被测对象中是否包含缺陷以及缺陷的大小、等级是个急待解决的问题。
发明内容
有鉴于此,本发明所要解决的技术问题是提供一种射线实时成像中缺陷检测方法,该方法针对DR大批量检测特点,避开复杂的弱边缘提取的缺陷检测方法,具有缺陷检测速度快、检测准确的特点,并可结合控制参数实时结算出缺陷所在工件的实际位置。
本发明的目的是这样实现的:
本发明提供的射线实时成像中缺陷检测方法,包括以下步骤:
S1:根据被检工件类型、品种建立被检测对象的标准射线图像数据库;
S2:获取被测对象的现场射线图像;
S3:增强现场射线图像,获得增强后的增强射线图像;
S4:从标准射线图像数据库中选择与现场射线图像同类型、同品种的标准射线图像;
S5:对增强射线图像和标准射线图像进行配准,以获得从对增强后的射线图像变换到标准射线图像的空间变换系数;
S6:将增强射线图像变换到标准射线图像空间,然后对二者进行差影操作,去除背景,对差影结果进行缺陷提取;
S7:根据检测射线成像先验知识,对缺陷检测结果进行精化,得到缺陷目标,计算各个缺陷目标的检测参数,所述检测参数包括大小、位置和占空比的。
进一步,所述S1中按如下方式执行:
对指定型号、类型的工件选取多件,分别进行DR检测,对检测图像进行增强并取其中缺陷最小的一副图像作为基准图,对该图中存在缺陷的部分使用其他工件相同部位无缺陷的图像区域进行替代;或者对有缺陷的部位根据工件的结构特征进行人工像素灰度赋值。
进一步,所述S5中按如下方式执行:
在对增强射线图像和标准射线图像进行配准时,对非对称被测对象只选取该工件DR图像中被测对象外轮廓特征点进行匹配。
进一步,所述步骤S6还包括以下步骤:
S61:对步骤S6中产生的差影图像先进行局部二值化处理,然后进行边缘检测和连接并提取缺陷位置;
S62:去除被测对象的伪缺陷和单点缺陷;
S63:去除差影图像产生的伪缺陷;
S64:根据检测标准去除小于检测阈值的缺陷;
S65:计算缺陷所在位置和大小,给出缺陷检测结果;
S66:结合射线检测系统的控制参数,可计算出缺陷所在被测对象的实际位置。
进一步,所述被测对象外轮廓采用直接定位方法;所述直接定位法用于基于控制参数来进行整个被检测对象的高度、长度、夹具的尺寸和位置,从而,计算出工件在图像中的位置。
进一步,所述被测对象外轮廓采用基于轮廓提取的方法,所述基于轮廓提取的方法是先对被测对象进行轮廓提取并获取轮廓数据,再根据提取的轮廓数据确定区域。
进一步,所述轮廓数据为确定根据外轮廓线内缩5~10个像素的区域。
本发明的优点在于:本发明采用一种射线实时成像中缺陷检测方法,对少品种、大批量的产品实时射线成像在线检测非常有效,避开了目前普遍使用的射线图像直接边缘提取方法,实现了快速、准确定位工件射线图像中缺陷。本发明缺陷检测的速度远远高于射线检测成像时间,有效的提高了射线实时成像系统的检测效率。本发明具有操作方便、处理效率高、识别准确等优点。该方法适合大批量产品的射线实时成像检测,可以快速检测出产品中是否包含缺陷以及缺陷的大小、位置等,具有缺陷检测速度快、检测准确的特点,并可结合控制参数实时结算出缺陷所在工件的实际位置。
本发明针对批量产品的射线实时成像检测需求,首先根据系统检测需求对要检工件的类型、品种建立标准射线图像数据库,标准数据库的建立只进行一次,建好后可重复使用;其次对被测工件的射线图像进行增强以突出显示缺陷目标,获得增强后的图像;然后从标准数据库中选择合适的图像与增强后的图像进行配准,从而获得从被测工件图像变换到标准图像的变换关系,并将增强后的图像映射到标准图像空间;接着对标准图像和变换后的增强图像进行差影操作去除背景,进行二值化、提取缺陷位置,根据检测先验知识精化检测结果。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1是DR图像缺陷检测流程图;
图2是摇枕DR图的特征点分布;
图3是侧架DR图的特征点分布;
图4是摇枕DR图的特征点匹配情况;
图5是侧架DR图的特征点匹配情况;
图6是摇枕的外轮廓直接定位图;
图7是摇枕的边缘外轮廓图;
图8是缺陷标记流程图。
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
图1是DR图像缺陷检测流程图,图2是摇枕DR图的特征点分布,图3是侧架DR图的特征点分布,图4是摇枕DR图的特征点匹配情况,图5是侧架DR图的特征点匹配情况,图6是摇枕的外轮廓直接定位图,图7是摇枕的边缘外轮廓图,图8是缺陷标记流程图,如图所示:本发明提供的射线实时成像中缺陷检测方法,包括以下步骤:
S1:建立被检测对象的标准射线图像数据库;按如下方式执行:
对指定型号、类型的工件选取多件,分别进行DR检测,对检测图像进行增强并取其中缺陷最小的一副图像作为基准图,对该图中存在缺陷的部分使用其他工件相同部位无缺陷的图像区域进行替代;或者对有缺陷的部位根据工件的结构特征进行人工像素灰度赋值。
S2:获取被测对象的现场射线图像;
S3:增强现场射线图像,获得增强后的增强射线图像;
S4:从标准射线图像数据库中选择与现场射线图像同类型、同品种的标准射线图像;
S5:对增强射线图像和标准射线图像进行配准,以获得从对增强后的射线图像变换到标准射线图像的空间变换系数;按如下方式执行:
在对增强射线图像和标准射线图像进行配准时,对非对称被测对象只选取该工件DR图像中被测对象外轮廓特征点进行匹配。
在已知控制参数的情况下,所述被测对象外轮廓采用直接定位方法;所述直接定位法用于基于控制参数来进行整个被检测对象的高度、长度、夹具的尺寸和位置,从而,计算出工件在图像中的大致位置。
在不知道控制参数的情况下,所述被测对象外轮廓采用基于轮廓提取的方法,所述基于轮廓提取的方法是先对被测对象进行轮廓提取并获取轮廓数据,再根据提取的轮廓数据确定区域。
所述轮廓数据为确定根据外轮廓线内缩5~10个像素的区域。
S6:将增强射线图像变换到标准射线图像空间,然后对二者进行差影操作,去除背景,对差影结果进行缺陷提取;所述步骤S6具体包括以下步骤:
S61:对差影图像先进行局部二值化处理,然后进行边缘检测和连接并提取缺陷位置;
S62:去除被测对象的伪缺陷和单点缺陷;
S63:去除差影图像产生的伪缺陷;
S64:根据检测标准去除小于检测阈值的缺陷;
S65:计算缺陷所在位置和大小,给出缺陷检测结果;
S66:结合射线检测系统的控制参数,可计算出缺陷所在被测对象的实际位置。
S7:根据检测射线成像先验知识,对缺陷检测结果进行精化,得到缺陷目标,计算各个缺陷目标的检测参数,所述检测参数包括大小、位置和占空比的。
图像配准,不但影响的检测的精度还决定检测的速度。图像配准本质是在变换空间中寻找一种特定的最优变换,达到使两幅或多幅图像在某种意义上的匹配为目的。在线射线检测系统中,不同的被检工件射线图像之间位置变换不是很大,此外由于大多不同类型的工件轮廓有很大的差异,因此被检工件射线图像匹配不需要对所有的特征点进行计算,特征点太多反而增加了计算成本。
以铁道铸件摇枕、侧架射线图像的特征点为例(如图2、3),其特征点70%均分布在工件的内部,因此如果剔除这部分特征点将大大加快配准的速度。从摇枕、侧架的特征点匹配情况来看,外部特征点的对应情况要比内部特征点的对应情况要好的多(如图4、5),由于工件图像内部灰度变化不明显,因此内部特征点之间存在许多错误的匹配,因此剔除这部分特征点不但不会影响匹配精度而且还会提高匹配速度。
如何确定工件的外轮廓,本发明提供了两种方法:一是直接定位方法;二是基于轮廓提取的方法。直接定位法主要基于控制参数,从这些参数我们可以知道整个检测工件的高度、长度、夹具的尺寸和位置,因而可以计算出工件在图像中的大致位置,因此可以在特征点检出后直接去除红色矩形区域内(图6)的特征点,使用剩下的特征点进行匹配。此种方法计算简单、速度快,但高度依赖于控制参数不适合进行推广使用。基于轮廓的方法是先对工件进行轮廓提取(如图7)再根据轮廓确定区域,确定的方法是外轮廓线内缩5~10个像素的区域,可基本上包括绝大部分的轮廓特征点。
使用外轮廓特征点匹配明显提高了特征点匹配的速度。对摇枕、侧架来说,使用外轮廓特征点匹配,匹配速度大约有60%的提高。
铸件的DR检测过程实际上就是射线透射成像的过程,相同工件、不同方位的DR图像之间存在着典型的透视变换。在得到图像匹配关系之后,就可以利用这种关系计算出目标图的变换图dst_Scene,然后对场景图dst_Scene进行缺陷检测。在本发明中先使用差影法剔除背景,再进行二值化,然后提取轮廓,去除多余单个点,最后对缺陷进行标记,其流程如图8所示。
从最终检测的结果来看,检测的缺陷明显要多于实际缺陷的数量,多出的缺陷主要来源于工件的骨架部分。这主要是因为两次检测时铸件位置不一致造成的,尤其是垂直方向上倾斜角度的差异,为了使目标图适合场景图,就需要对目标图进行透视变换,这就会造成在目标图中原本只是一个小区域或是一条白线(或黑线)变换后变成一片白色(黑色)区域,差影之后系统会判断成为“缺陷”,这类缺陷是由于变换本身造成的而不是工件固有的,因此要想提高检测的精度必须要去除此类伪缺陷。
使用匹配方法进行射线图像缺陷识别,主要检测的是断裂型缺陷,如气孔、裂缝和夹渣等,这类缺陷区域一般具有较大的灰度变化,即其灰度区域方差比较大,二是此类缺陷的灰度区域灰度值很高或是很低。因此我们可以根据这两个特征来去除伪缺陷。
此外,检测结果中还存在着部分很小的缺陷,甚至是单点缺陷,从结果来看此类缺陷不是工件本身所固有的,主要原因是检测过程中由于射线剂量不稳所造成的,因此此类缺陷也应该去除,我们可以通过缺陷面积来判断此类缺陷。对于剩下的缺陷区域可以采用形态学运算来进行检测。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1. 射线实时成像中缺陷检测方法,其特征在于:包括以下步骤:
S1:根据被检对象的类型、品种建立被检测对象的标准射线图像数据库;
S2:获取被测对象的现场射线图像;
S3:增强现场射线图像,获得增强后的增强射线图像;
S4:从标准射线图像数据库中选择与现场射线图像同类型、同品种的标准射线图像;
S5:对增强射线图像和标准射线图像进行配准,以获得从对增强后的射线图像变换到标准射线图像的空间变换系数;
S6:将增强射线图像变换到标准射线图像空间,然后对二者进行差影操作,去除背景,对差影结果进行缺陷提取;
S7:根据检测射线成像先验知识,对缺陷检测结果进行精化,得到缺陷目标,计算各个缺陷目标的检测参数,所述检测参数包括大小、位置和占空比。
2.根据权利要求1所述的射线实时成像中缺陷检测方法,其特征在于:所述S1中按如下方式执行:
对指定型号、类型的工件选取多件,分别进行DR检测,对检测图像进行增强并取其中缺陷最小的一副图像作为基准图,对该图中存在缺陷的部分使用其他工件相同部位无缺陷的图像区域进行替代;或者对有缺陷的部位根据工件的结构特征进行人工像素灰度赋值。
3.根据权利要求1所述的射线实时成像中缺陷检测方法,其特征在于:所述S5中按如下方式执行:
在对增强射线图像和标准射线图像进行配准时,对被测对象只选取该工件DR图像中被测对象外轮廓特征点进行匹配。
4. 根据权利要求1所述的一种射线实时成像中缺陷检测方法,其特征在于:所述步骤S6还包括以下步骤:
S61:对步骤S6中产生的差影图像先进行局部二值化处理,然后进行边缘检测和连接并提取缺陷位置;
S62:去除被测对象的伪缺陷和单点缺陷;
S63:去除差影图像产生的伪缺陷;
S64:根据检测标准去除小于检测阈值的缺陷;
S65:计算缺陷所在位置和大小,给出缺陷检测结果;
S66:结合射线检测系统的控制参数,可计算出缺陷所在被测对象的实际位置。
5. 根据权利要求1所述的射线实时成像中缺陷检测方法,其特征在于:所述被测对象外轮廓采用直接定位方法;所述直接定位法用于基于控制参数来进行整个被检测对象的高度、长度、夹具的尺寸和位置,从而,计算出工件在图像中的大致位置。
6. 根据权利要求1所述的射线实时成像中缺陷检测方法,其特征在于:所述被测对象外轮廓采用基于轮廓提取的方法,所述基于轮廓提取的方法是先对被测对象进行轮廓提取并获取轮廓数据,再根据提取的轮廓数据确定区域。
7. 根据权利要求6所述的射线实时成像中缺陷检测方法,其特征在于:所述轮廓数据为确定根据外轮廓线内缩5~10个像素的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100634515A CN103149222A (zh) | 2013-02-28 | 2013-02-28 | 射线实时成像中缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100634515A CN103149222A (zh) | 2013-02-28 | 2013-02-28 | 射线实时成像中缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103149222A true CN103149222A (zh) | 2013-06-12 |
Family
ID=48547426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100634515A Pending CN103149222A (zh) | 2013-02-28 | 2013-02-28 | 射线实时成像中缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103149222A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886602A (zh) * | 2014-03-28 | 2014-06-25 | 重庆大学 | 一种基于纹理的射线图像缺陷检测方法 |
CN105044128A (zh) * | 2015-07-14 | 2015-11-11 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN105842262A (zh) * | 2016-04-13 | 2016-08-10 | 云南电网有限责任公司电力科学研究院 | 一种基于x射线的高压限流熔断器质量检测方法 |
CN107423409A (zh) * | 2017-07-28 | 2017-12-01 | 维沃移动通信有限公司 | 一种图像处理方法、图像处理装置和电子设备 |
CN108020568A (zh) * | 2017-12-21 | 2018-05-11 | 中国航发贵州红林航空动力控制科技有限公司 | 一种用于多零件射线实时成像的检测工装 |
CN109118471A (zh) * | 2018-06-26 | 2019-01-01 | 广东工业大学 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
CN109459451A (zh) * | 2018-12-13 | 2019-03-12 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于射线造影的金属内部微小裂纹检测方法 |
CN110120037A (zh) * | 2019-04-29 | 2019-08-13 | 国网江苏省电力有限公司电力科学研究院 | 图像处理及缺陷检测方法、装置、设备及计算机存储介质 |
CN110268438A (zh) * | 2017-02-16 | 2019-09-20 | 三菱电机株式会社 | 图像数据库构建装置、位置和倾斜估计装置以及图像数据库构建方法 |
CN111080610A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车侧部摇枕倾斜故障图像识别方法 |
CN111986190A (zh) * | 2020-08-28 | 2020-11-24 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN112862770A (zh) * | 2021-01-29 | 2021-05-28 | 珠海迪沃航空工程有限公司 | 一种基于人工智能的缺陷分析诊断系统、方法、装置 |
CN114637261A (zh) * | 2022-03-07 | 2022-06-17 | 深圳市玄羽科技有限公司 | 一种基于云平台的工业制造系统及其控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4415980A (en) * | 1981-03-02 | 1983-11-15 | Lockheed Missiles & Space Co., Inc. | Automated radiographic inspection system |
WO1993006469A1 (fr) * | 1991-09-27 | 1993-04-01 | Ixea S.A.R.L. | Procede et dispositif de detection de corps etrangers dans des recipients transparents |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
-
2013
- 2013-02-28 CN CN2013100634515A patent/CN103149222A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4415980A (en) * | 1981-03-02 | 1983-11-15 | Lockheed Missiles & Space Co., Inc. | Automated radiographic inspection system |
US4415980B1 (zh) * | 1981-03-02 | 1987-12-29 | ||
WO1993006469A1 (fr) * | 1991-09-27 | 1993-04-01 | Ixea S.A.R.L. | Procede et dispositif de detection de corps etrangers dans des recipients transparents |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
吴昊: "基于数字图像处理的工业X光射线检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 6, 15 June 2009 (2009-06-15) * |
杜琨: "基于X射线图像印刷电路板缺陷检测和标记技术", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 11, 15 November 2009 (2009-11-15), pages 23 - 54 * |
赵鹏: "汽车铝轮毂X射线检测的图像处理技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 5, 15 November 2007 (2007-11-15), pages 55 - 57 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886602A (zh) * | 2014-03-28 | 2014-06-25 | 重庆大学 | 一种基于纹理的射线图像缺陷检测方法 |
CN105044128A (zh) * | 2015-07-14 | 2015-11-11 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN105044128B (zh) * | 2015-07-14 | 2017-09-01 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
CN105842262A (zh) * | 2016-04-13 | 2016-08-10 | 云南电网有限责任公司电力科学研究院 | 一种基于x射线的高压限流熔断器质量检测方法 |
CN105842262B (zh) * | 2016-04-13 | 2018-10-12 | 云南电网有限责任公司电力科学研究院 | 一种基于x射线的高压限流熔断器质量检测方法 |
CN110268438A (zh) * | 2017-02-16 | 2019-09-20 | 三菱电机株式会社 | 图像数据库构建装置、位置和倾斜估计装置以及图像数据库构建方法 |
CN110268438B (zh) * | 2017-02-16 | 2023-08-25 | 三菱电机株式会社 | 图像数据库构建装置、位置和倾斜估计装置以及图像数据库构建方法 |
CN107423409A (zh) * | 2017-07-28 | 2017-12-01 | 维沃移动通信有限公司 | 一种图像处理方法、图像处理装置和电子设备 |
CN108020568A (zh) * | 2017-12-21 | 2018-05-11 | 中国航发贵州红林航空动力控制科技有限公司 | 一种用于多零件射线实时成像的检测工装 |
CN109118471A (zh) * | 2018-06-26 | 2019-01-01 | 广东工业大学 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
CN109459451A (zh) * | 2018-12-13 | 2019-03-12 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于射线造影的金属内部微小裂纹检测方法 |
CN110120037A (zh) * | 2019-04-29 | 2019-08-13 | 国网江苏省电力有限公司电力科学研究院 | 图像处理及缺陷检测方法、装置、设备及计算机存储介质 |
CN110120037B (zh) * | 2019-04-29 | 2021-07-13 | 国网江苏省电力有限公司电力科学研究院 | 图像处理及缺陷检测方法、装置、设备及计算机存储介质 |
CN111080610A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车侧部摇枕倾斜故障图像识别方法 |
CN111986190A (zh) * | 2020-08-28 | 2020-11-24 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN111986190B (zh) * | 2020-08-28 | 2022-03-18 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN112862770A (zh) * | 2021-01-29 | 2021-05-28 | 珠海迪沃航空工程有限公司 | 一种基于人工智能的缺陷分析诊断系统、方法、装置 |
CN112862770B (zh) * | 2021-01-29 | 2023-02-14 | 珠海迪沃航空工程有限公司 | 一种基于人工智能的缺陷分析诊断系统、方法、装置 |
CN114637261A (zh) * | 2022-03-07 | 2022-06-17 | 深圳市玄羽科技有限公司 | 一种基于云平台的工业制造系统及其控制方法 |
CN114637261B (zh) * | 2022-03-07 | 2022-11-15 | 深圳市玄羽科技有限公司 | 一种基于云平台的工业制造系统及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103149222A (zh) | 射线实时成像中缺陷检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
EP3178719B1 (en) | Train type identification method and system, and security inspection method and system | |
WO2023045299A1 (zh) | 基于三维轮廓的路面技术状况检测方法及设备 | |
WO2017113805A1 (zh) | 列车车号和车型识别方法和系统及安全检查方法和系统 | |
CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
CN103196372B (zh) | 一种电气化铁路接触网支持装置的光学成像检测方法 | |
WO2014139273A1 (zh) | 焊缝缺陷检测方法 | |
CN104318582A (zh) | 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法 | |
CN114387268A (zh) | 一种螺栓松动检测方法及装置 | |
CN113513991B (zh) | 一种电池极片毛刺高度检测方法及装置 | |
CN104282018A (zh) | 基于机器视觉的工业产品外形直径在线检测的方法 | |
CN110634123A (zh) | 一种采用深度图像的轨道扣件紧固件松动检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN110322428B (zh) | 检测隧道病害的方法、装置及电子设备 | |
CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
CN110567680A (zh) | 一种基于角度比对的轨道扣件松动检测方法 | |
KR20160136905A (ko) | 볼트풀림 검출 방법 및 컴퓨터 프로그램 | |
CN108797241B (zh) | 一种基于高度比对的轨道扣件螺帽松动检测方法 | |
CN113184707A (zh) | 一种基于激光视觉融合和深度学习的集卡防吊起方法、系统 | |
Liu et al. | An automatic system for bearing surface tiny defect detection based on multi-angle illuminations | |
CN107150701A (zh) | 列车车轮几何尺寸测量方法及其检测装置 | |
CN109064417B (zh) | 地铁隧道图像处理方法及装置 | |
CN109978879A (zh) | 基于铁路货车装载视频监视的箱角入槽状态检测方法 | |
Bohari et al. | Accuracy assessment of detecting cracks on concrete wall at different distances using unmanned autonomous vehicle (UAV) images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130612 |