CN103759676A - 一种工件表面粗糙度非接触式的检测方法 - Google Patents
一种工件表面粗糙度非接触式的检测方法 Download PDFInfo
- Publication number
- CN103759676A CN103759676A CN201410003665.8A CN201410003665A CN103759676A CN 103759676 A CN103759676 A CN 103759676A CN 201410003665 A CN201410003665 A CN 201410003665A CN 103759676 A CN103759676 A CN 103759676A
- Authority
- CN
- China
- Prior art keywords
- image
- surface roughness
- speckle
- workpiece surface
- speckle image
- 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
本发明公开了一种工件表面粗糙度非接触式的检测方法,包括如下步骤:获取散斑图像步骤:采集激光器装置照射在工件表面形成的散斑图像;图像截取步骤:运用数字图像分割技术确定图像的有效散斑区域并截取部分散斑图像;图像预处理步骤:利用滤波方法、图像增强技术对截取的散斑图像除噪和改善散斑图像的纹理特性;图像处理步骤:采用自相关函数和分形维算法相结合处理散斑图像,提取工件表面粗糙度相关的参数;计算表面粗糙度步骤:根据图像处理步骤中所获得参数代入表面粗糙度数学模型函数即获得工件表面的粗糙度;该检测方法非接触即可以检测工件表面粗糙度,提高了工件表面粗糙度检测的效率和精度。
Description
技术领域
本发明涉及一种粗糙度的检测方法,特别是一种工件表面粗糙度非接触式的检测方法。
背景技术
随着科学技术的进步和社会的发展,人们对于机械产品表面质量的要求越来越高。在工业生产中,准确完整的测量表面粗糙度是保证产品质量的重要条件,表面粗糙度对机械工件的使用性能和寿命有很大的影响。表面粗糙度是描述物体表面形貌的重要形状参数,该参数的提出与工业生产技术的发展密切相关,表面粗糙度对机械工件的使用性能和寿命有很大的影响。
目前,对于粗糙度检测的传统方法有比较法、针描法、干涉法、光切法。比较法具有方便、快捷、可与零件表面具有相同加工纹理的工作特征,但人为判断误差大,对于高精度的磨、研等加工方法不适合;运用光学原理的光切显微镜和干涉显微镜由于采用非接触式检测,对工件表面不产生划伤,多用于检测高精度等级的表面轮廓,但一般局限于微观不平度十点高度Rz和轮廓最大高度Ry参数,并且对工件的尺寸外形有一定要求;针描法是最符合现行标准的检测手段,当触针直接在工件表面轻轻划过时,由于被测表面轮廓峰谷起伏,触诊将在垂直于被测轮廓表面方向上产生上下移动,把这种移动通过电子装置把信号加以放大,然后通过指零表或其它输出装置将有关粗糙度的数据或图形输出来;但接触式测量存在很大的缺陷,具体表现在:①对高精度表面及软质金属表面有划伤破坏作用;②受触针尖端圆弧半径的限制,其测量精度有限;③因触针磨损及测量速度的限制,无法实现在线实时测量。
发明内容
本发明所要解决的技术问题是为了克服现有技术的不足而提供一种工件表面粗糙度非接触式的检测方法,它检测速度快,可以更精确的检测出工件表面粗糙度。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种工件表面粗糙度非接触式的检测方法,包括如下步骤:
获取散斑图像步骤:采集激光器装置照射在工件表面形成的散斑图像;
图像截取步骤:运用数字图像分割技术确定图像的有效散斑区域并截取部分散斑图像;
图像预处理步骤:利用滤波方法、图像增强技术对截取的散斑图像除噪和改善散斑图像的纹理特性;
图像处理步骤:采用自相关函数和分形维算法相结合处理散斑图像,提取工件表面粗糙度相关的参数D,D为分形维数;
计算表面粗糙度步骤:根据图像处理步骤中所获得的参数D代入建立的工件表面粗糙度数学模型函数即获得工件表面的粗糙度。
作为本发明的一种工件表面粗糙度非接触式的检测方法的进一步优化的方案,所述图像截取步骤包括如下步骤:
步骤一、用sobel算子检测散斑图像的边缘;
步骤二、按照取定的阈值W对边缘检测图像二值化处理;
步骤三、膨胀、填充处理图像去掉散斑区域内的散斑;
步骤四、运用质心算法定位二值图像的散斑区域质心;
步骤五、根据定位的散斑区域质心截取部分散斑图像。
作为本发明的一种工件表面粗糙度非接触式的检测方法的进一步优化的方案,所述图像预处理步骤中滤波方法采用自适应维纳滤波器滤除截取的散斑图像的噪声,图像增强技术采用直方图变换方法和对比度增强技术改善图像的不均匀度和散斑图像的纹理特性。
作为本发明的一种工件表面粗糙度非接触式的检测方法的进一步优化的方案,所述计算表面粗糙度步骤中的工件表面粗糙度数学模型函数是通过采集大量样本的参数组成样本集合,运用最小二乘法对参数样本集合进行多项式曲线拟合得到的。
作为本发明的一种工件表面粗糙度非接触式的检测方法的进一步优化的方案,所述图像处理步骤具体如下:
光强分布的自相关函数为:R(i1,j1;i2,j2)=<I(i1,j1),I(i2,j2)>,其中I(i1,j1)和I(i2,j2)为散斑图像上任意两坐标点的强度,〈〉表示求统计平均值;
根据光学和散斑统计学得到自相关函数为:
定义结构函数为:S(τi)=2[R(0)-R(τi)],其中L表示测量范围,i=1,2,….,N;
对S(τi)=Kτi (4-2D)两边取对数为:ln(S(τi))=lnK+(4-2D)ln(τi),该式在双对数坐标下为直线,取直线的斜率α=4-2D,截距β=lnK;
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明提供了一种检测工件表面粗糙度的检测方法,通过对工件表面散斑图像的处理,提取工件表面粗糙度相关的参数代入表面粗糙度数学模型函数即获得工件表面的粗糙度,从而检测出工件表面的粗糙度;本发明方法不需要接触工件表面,即可以无损伤的快速检测出工件表面粗糙度;提高了工件表面检测的效率和精度。
附图说明
图1是本发明检测方法流程图。
图2是本发明图像截取流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示,检测工件表面粗糙度的方法,包括如下步骤:
获取散斑图像步骤:采集激光器装置照射在工件表面形成的散斑图像;
图像截取步骤:运用数字图像分割技术确定图像的有效散斑区域并截取部分散斑图像;
图像预处理步骤:利用滤波方法、图像增强技术对截取的散斑图像除噪和改善散斑图像的纹理特性;
图像处理步骤:采用自相关函数和分形维算法相结合处理散斑图像,提取工件表面粗糙度相关的参数D,D为分形维数;
计算表面粗糙度步骤:根据图像处理步骤中所获得参数D代入建立的表面粗糙度数学函数模型即获得工件表面的粗糙度。
其中,获取散斑图像步骤是用激光器装置发射平行激光以一定角度照射待检测工件的表面,形成散斑图像,图像采集及传输装置采集散斑图像并将图像数据传输到图像处理装置。图像处理装置完成表面粗糙度检测的图像截取、图像预处理、图像处理和计算表面粗糙度。
图像截取采用图像的形态学操作图像分割技术,首先确定散斑区域的轮廓,然后定位图像的散斑区域轮廓,最后根据定位的散斑区域截取部分散斑图像。如图2为图像截取流程图,具体实施方式为:
步骤1,用sobel算子检测散斑图像的边缘,sobel算子不仅能检测边缘点且能抑制噪声的影响,该算子利用3*3分别从横向和纵向与图像作平面卷积,得到横向及纵向的亮度差分近似值:
步骤2,按照取定的阈值W对边缘检测图像二值化处理:
步骤3,膨胀、填充处理图像去掉散斑区域内的散斑,运用膨胀处理D(X)=X⊕B去除散斑区域的散斑,X为处理对象,B为结构元素,膨胀处理存在部分未消失的线条,再运用填充处理去除线条,使散斑区域轮廓与其他区域分离。
步骤4,运用质心算法定位二值图像的散斑区域质心,质心公式为:
其中B(i,j)表示二值图像膨胀、填充处理后(i,j)点的值,m,n表示图像横坐标和纵坐标的最大像素数,(i,j)表示图像上的坐标点范围。
步骤5,根据定位的散斑区域质心截取200*200像素散斑区域。
图像预处理采用自适应维纳滤波器根据图像的局部变化对截取的散斑图像进行自适应维纳滤波除噪;维纳滤波是基于最小均方误差求解维纳-霍夫方程进行线性最优滤波,采集的图像包含一定噪声,维纳滤波假定滤波器的输入为有用信号和噪声之和,设:
h(i,j)=f(i,j)+n(i,j)
其中f(i,j)为原图像,n(i,j)为噪声,h(i,j)为叠加后包含噪声的图像。
定义误差信号为:
e(i,j)=f(i,j)-n(i,j)
那么均方误差就是平均误差的度量为:
其中ε[]表示求均方误差。e(i,j)为误差信号。
维纳滤波器当信号和噪声同时输入时,在输出端尽可能地降低噪声信号n(i,j),同时恢复原始图像信号f(i,j),本发明通过设计一个自适应维纳滤波器,自动调节参数对散斑图像滤波。
图像增强采用直方图变换方法和对比度增强技术处理图像,改善图像的不均匀度和散斑图像的纹理特性,受外界和自身条件的影响,采集散斑图像存在灰度不均匀、对比度不强等问题。直方图变换法通过统计相同像素值的个数,然后通过处理使图像的像素均匀分布在图像的区间上,从而改善图像的不均匀性;对比度增强技术通过调整对比度增强图像的可视效果。用histep函数直方均匀化散斑,histep函数通过把输入图像的像素值扩散到整个灰度范围,改善图像的不均匀性;用imadjust函数增强图像的对比度,imadjust函数通过映射输入图像的像素到新的像素值来增强图像的对比度,从而增强图像的散斑纹理特性。
图像处理是本发明的核心,本发明提出采用自相关函数和分形维算法结合的方法处理激光散斑图像,提取与工件表面粗糙度相关的参数。自相关函数激光散斑法可用于分析工件表面粗糙度,但自相关函数处理图像得到的自相关函数数据矩阵只能通过数据的变化趋势对比分析工件的表面粗糙度,不能用于表面粗糙度的实际检测;分形维提供了对表面特征分析的度量,可有效反应表面的复杂度、不规则性和粗糙度。因此,本发明采用了一种自相关函数和分形维算法相结合处理散斑图像检测工件表面粗糙度的方法。该方法首先通过自相关函数处理散斑图像得到自相关函数矩阵,然后运用分形算法计算自相关函数矩阵的分形维数。具体实现如下:
步骤1:自相关函数法是一种分析纹理图像的统计方法,光强分布的自相关函数为:
R(i1,j1;i2,j2)=<I(i1,j1),I(i2,j2)>
式中:I(i1,j1)和I(i2,j2)为散斑图像上任意两坐标点的强度,〈〉表示求统计平均值。
根据光学和散斑统计学得到自相关函数为:
式中:N表示取样总数,Nx和My分别表示图像横坐标和纵坐标像素点数,(i,j)表示图像坐标点,(l,m)表示距(i,j)像素点的距离,i,l=0,1,2…Nx,j,m=0,1,2…My。
定义结构函数为:
S(τi)=2[R(0)-R(τi)]
由分形理论得:
S(τi)=Kτi (4-2D)
其中常数 Γ表示Γ分布;
两边取对数为:
ln(S(τi))=lnK+(4-2D)ln(τi);
上式在双对数坐标下为直线,取直线的斜率α=4-2D,截距β=lnK;
分形维数为:
分形比例系数为:
计算工件表面粗糙度是把图像处理提取的参数即分形维数代入建立的工件表面粗糙度数学模型函数。
建立工件表面粗糙度数学模型函数,是通过采用上述方法采集大量样本的参数组成样本集合,再运用最小二乘法对参数样本集合进行多项式曲线拟合。变量之间的相互关系通常用函数描述,但许多实际问题中,变量之间的关系很复杂,很难用经典理论推导其函数表达式。设有一列试验数据(xi,yi)其中i=0,1,2···,他们大体分布在一条曲线上,但不是确定的关系,通过最小偏差平方和求该曲线的方法即为最小二乘法。最小二乘法是算术平均值原理的推广,对于一个实际的曲线拟合问题,首先观察样本值在直角坐标平面上的分布和哪类函数的曲线相似,然后选用相接近的函数方程即经验公式拟合曲线方程。本发明的最小二乘法曲线拟合数学模型函数的具体步骤为:
步骤1:采集样板图像并计算参数信息,用该参数和样板的粗糙度值组成样本集合(Ri,Di)其中i=0,1,2···,样本点尽可能多采集,其中Ri为粗糙度值,Di为图像处理的分形参数值。
步骤2:根据样本集合在坐标平面上的分布情况与哪类函数的曲线相似,经验公式选取函数为:
其中a表示常数项,b表示系数,e表示自然底数。
步骤3:根据经验公式采用最小二乘法拟合样本集合,求出最小距离平方和的曲线函数,建立工件表面粗糙度的数学模型函数关系式:
把图像处理提取的参数即分形维数代入上述建立的工件表面粗糙度数学模型函数得到工件表面粗糙度。
本发明的工件表面粗糙度非接触式的检测方法,从图像处理中提取的参数即分形维数带入建立的表面粗糙度数学模型函数。本发明方法非接触即可以检测工件表面粗糙度,提高了工件表面粗糙度检测的效率和精度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替代,都应当视为属于本发明的保护范围。
Claims (6)
1.一种工件表面粗糙度非接触式的检测方法,其特征在于,包括如下步骤:
获取散斑图像步骤:采集激光器装置照射在工件表面形成的散斑图像;
图像截取步骤:运用数字图像分割技术确定图像的有效散斑区域并截取部分散斑图像;
图像预处理步骤:利用滤波方法、图像增强技术对截取的散斑图像除噪和改善散斑图像的纹理特性;
图像处理步骤:采用自相关函数和分形维算法相结合处理散斑图像,提取工件表面粗糙度相关的参数D,D为分形维数;
计算表面粗糙度步骤:根据图像处理步骤中所获得的参数D代入建立的工件表面粗糙度数学模型函数即获得工件表面的粗糙度。
2.根据权利要求1所述的一种工件表面粗糙度非接触式的检测方法,其特征在于,所述图像截取步骤包括如下步骤:
步骤一、用sobel算子检测散斑图像的边缘;
步骤二、按照取定的阈值W对边缘检测图像二值化处理;
步骤三、膨胀、填充处理图像去掉散斑区域内的散斑;
步骤四、运用质心算法定位二值图像的散斑区域质心;
步骤五、根据定位的散斑区域质心截取部分散斑图像。
4.根据权利要求1所述的一种工件表面粗糙度非接触式的检测方法,其特征在于,所述图像预处理步骤中滤波方法采用自适应维纳滤波器滤除截取的散斑图像的噪声,图像增强技术采用直方图变换方法和对比度增强技术改善图像的不均匀度和散斑图像的纹理特性。
5.根据权利要求1所述的一种工件表面粗糙度非接触式的检测方法,其特征在于,所述计算表面粗糙度步骤中的工件表面粗糙度数学模型函数是通过采集大量样本的参数组成样本集合,运用最小二乘法对参数样本集合进行多项式曲线拟合得到的。
6.根据权利要求1所述的一种工件表面粗糙度非接触式的检测方法,其特征在于,所述图像处理步骤具体如下:
光强分布的自相关函数为:R(i1,j1;i2,j2)=<I(i1,j1),I(i2,j2)>,其中I(i1,j1)和I(i2,j2)为散斑图像上任意两坐标点的强度,〈〉表示求统计平均值;
根据光学和散斑统计学得到自相关函数为:
对S(τi)=Kτi (4-2D)两边取对数为:ln(S(τi))=lnK+(4-2D)ln(τi),取对数后的式子在双对数坐标下为直线,取直线的斜率α=4-2D,截距β=lnK;
则分形维数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003665.8A CN103759676A (zh) | 2014-01-06 | 2014-01-06 | 一种工件表面粗糙度非接触式的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003665.8A CN103759676A (zh) | 2014-01-06 | 2014-01-06 | 一种工件表面粗糙度非接触式的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103759676A true CN103759676A (zh) | 2014-04-30 |
Family
ID=50526952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410003665.8A Pending CN103759676A (zh) | 2014-01-06 | 2014-01-06 | 一种工件表面粗糙度非接触式的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103759676A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104019773A (zh) * | 2014-06-06 | 2014-09-03 | 东莞市瀛通电线有限公司 | 一种线材表面粗糙度测量方法及实施该方法的设备 |
CN105203044A (zh) * | 2015-05-27 | 2015-12-30 | 珠海真幻科技有限公司 | 以计算激光散斑为纹理的立体视觉三维测量方法及系统 |
CN105300325A (zh) * | 2015-11-11 | 2016-02-03 | 海信集团有限公司 | 一种激光光源中荧光轮的平整度检测方法和装置 |
CN105526887A (zh) * | 2016-02-23 | 2016-04-27 | 东华大学 | 一种非接触式织物表面粗糙度测试方法及测试装置 |
CN105651778A (zh) * | 2016-01-20 | 2016-06-08 | 成都理工大学 | 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 |
CN105716545A (zh) * | 2016-02-01 | 2016-06-29 | 绍兴文理学院 | 基于Dice相似度量的结构面粗糙度系数评价方法 |
CN105737768A (zh) * | 2016-02-01 | 2016-07-06 | 绍兴文理学院 | 基于Cosine相似度量的结构面粗糙度系数评价方法 |
CN106312490A (zh) * | 2016-09-28 | 2017-01-11 | 中国工程物理研究院材料研究所 | 一种表征超精密切削表面晶界浮凸的新方法 |
CN106354390A (zh) * | 2016-08-30 | 2017-01-25 | 广东小天才科技有限公司 | 目标图像的截取的方法和装置 |
CN106909707A (zh) * | 2017-01-05 | 2017-06-30 | 上海交通大学 | 利用分形维数测量风场地表粗糙度的方法 |
CN108061529A (zh) * | 2018-02-23 | 2018-05-22 | 西南科技大学 | 基于干涉图像自相关值曲率特征的表面粗糙度测量方法 |
CN108428231A (zh) * | 2018-03-19 | 2018-08-21 | 南京信息工程大学 | 一种基于随机森林的多参数零件表面粗糙度学习方法 |
CN109542224A (zh) * | 2018-11-19 | 2019-03-29 | 东南大学 | 一种基于人力触觉感知特性的纹理粗糙度客观评价方法 |
CN110006374A (zh) * | 2019-04-28 | 2019-07-12 | 大连理工大学 | 一种通过多维插值获取图像基准的cfrp粗糙度测量方法 |
CN110111271A (zh) * | 2019-04-24 | 2019-08-09 | 北京理工大学 | 一种基于侧抑制网络的单像素成像方法 |
CN110543698A (zh) * | 2019-08-15 | 2019-12-06 | 合肥工业大学 | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 |
CN111368480A (zh) * | 2020-03-11 | 2020-07-03 | 深圳大学 | Spr传感器灵敏度检测分析的方法及系统 |
CN111750781A (zh) * | 2020-08-04 | 2020-10-09 | 润江智能科技(苏州)有限公司 | 一种基于ccd的自动测试系统及其方法 |
CN111964865A (zh) * | 2020-08-12 | 2020-11-20 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN112629828A (zh) * | 2020-11-27 | 2021-04-09 | 奥比中光科技集团股份有限公司 | 一种光学信息检测方法、装置及设备 |
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
CN113177926A (zh) * | 2021-05-11 | 2021-07-27 | 泰康保险集团股份有限公司 | 一种图像检测方法和装置 |
CN113704910A (zh) * | 2021-08-20 | 2021-11-26 | 武汉大学 | 一种微米级粗糙度螺栓结合面真实接触率的计算方法 |
CN114210741A (zh) * | 2021-11-23 | 2022-03-22 | 北京科技大学 | 一种带钢表面粗糙度在线检测装置及方法 |
WO2022148223A1 (zh) * | 2021-01-08 | 2022-07-14 | 上海科技大学 | 一种利用rheed原位实时定量探测薄膜粗糙度的方法 |
CN115042401A (zh) * | 2022-08-16 | 2022-09-13 | 南通广信塑料机械有限公司 | 一种微孔发泡注塑制品的质量检测方法 |
CN116740462A (zh) * | 2023-07-05 | 2023-09-12 | 北京科技大学 | 一种基于特征增强的单分支粗糙度检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2427793Y (zh) * | 2000-04-26 | 2001-04-25 | 中国工程物理研究院机械制造工艺研究所 | 激光非接触式表面粗糙度与位移测量装置 |
JP2004280339A (ja) * | 2003-03-14 | 2004-10-07 | Natl Inst For Land & Infrastructure Management Mlit | 可視画像式路面状況把握装置における路面状況判定方法 |
US20050275850A1 (en) * | 2004-05-28 | 2005-12-15 | Timbre Technologies, Inc. | Shape roughness measurement in optical metrology |
CN101710081A (zh) * | 2009-12-07 | 2010-05-19 | 杭州电子科技大学 | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 |
CN203337113U (zh) * | 2013-06-04 | 2013-12-11 | 合肥米克光电技术有限公司 | 三维显微光切法表面粗糙度测量仪 |
-
2014
- 2014-01-06 CN CN201410003665.8A patent/CN103759676A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2427793Y (zh) * | 2000-04-26 | 2001-04-25 | 中国工程物理研究院机械制造工艺研究所 | 激光非接触式表面粗糙度与位移测量装置 |
JP2004280339A (ja) * | 2003-03-14 | 2004-10-07 | Natl Inst For Land & Infrastructure Management Mlit | 可視画像式路面状況把握装置における路面状況判定方法 |
US20050275850A1 (en) * | 2004-05-28 | 2005-12-15 | Timbre Technologies, Inc. | Shape roughness measurement in optical metrology |
CN101710081A (zh) * | 2009-12-07 | 2010-05-19 | 杭州电子科技大学 | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 |
CN203337113U (zh) * | 2013-06-04 | 2013-12-11 | 合肥米克光电技术有限公司 | 三维显微光切法表面粗糙度测量仪 |
Non-Patent Citations (3)
Title |
---|
周莉莉等: "基于散斑强度相关函数的表面粗糙度测量方法", 《光电工程》 * |
李超等: "PEEK不同表面粗糙度与分形维数关系研究", 《润滑与密封》 * |
王薇: "分形理论在表面粗糙度非接触测量中的应用", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技I辑》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104019773B (zh) * | 2014-06-06 | 2017-10-13 | 东莞市瀛通电线有限公司 | 一种线材表面粗糙度测量方法及实施该方法的设备 |
CN104019773A (zh) * | 2014-06-06 | 2014-09-03 | 东莞市瀛通电线有限公司 | 一种线材表面粗糙度测量方法及实施该方法的设备 |
CN105203044A (zh) * | 2015-05-27 | 2015-12-30 | 珠海真幻科技有限公司 | 以计算激光散斑为纹理的立体视觉三维测量方法及系统 |
WO2016188068A1 (zh) * | 2015-05-27 | 2016-12-01 | 珠海真幻科技有限公司 | 以计算激光散斑为纹理的立体视觉三维面形测量方法及系统 |
CN105300325A (zh) * | 2015-11-11 | 2016-02-03 | 海信集团有限公司 | 一种激光光源中荧光轮的平整度检测方法和装置 |
US10132751B2 (en) | 2015-11-11 | 2018-11-20 | Hisense Co., Ltd. | Method and device for detecting flatness of a fluorescent wheel in a laser light source |
CN105300325B (zh) * | 2015-11-11 | 2018-05-29 | 海信集团有限公司 | 一种激光光源中荧光轮的平整度检测方法和装置 |
CN105651778B (zh) * | 2016-01-20 | 2018-11-20 | 成都理工大学 | 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 |
CN105651778A (zh) * | 2016-01-20 | 2016-06-08 | 成都理工大学 | 基于共焦显微镜观测数据的矿物表面粗糙度数值计算方法 |
CN105737768A (zh) * | 2016-02-01 | 2016-07-06 | 绍兴文理学院 | 基于Cosine相似度量的结构面粗糙度系数评价方法 |
CN105716545A (zh) * | 2016-02-01 | 2016-06-29 | 绍兴文理学院 | 基于Dice相似度量的结构面粗糙度系数评价方法 |
CN105716545B (zh) * | 2016-02-01 | 2018-01-19 | 绍兴文理学院 | 基于Dice相似度量的结构面粗糙度系数评价方法 |
CN105526887A (zh) * | 2016-02-23 | 2016-04-27 | 东华大学 | 一种非接触式织物表面粗糙度测试方法及测试装置 |
CN106354390B (zh) * | 2016-08-30 | 2019-09-17 | 广东小天才科技有限公司 | 目标图像的截取的方法和装置 |
CN106354390A (zh) * | 2016-08-30 | 2017-01-25 | 广东小天才科技有限公司 | 目标图像的截取的方法和装置 |
CN106312490A (zh) * | 2016-09-28 | 2017-01-11 | 中国工程物理研究院材料研究所 | 一种表征超精密切削表面晶界浮凸的新方法 |
CN106312490B (zh) * | 2016-09-28 | 2019-03-19 | 中国工程物理研究院材料研究所 | 一种表征超精密切削表面晶界浮凸的新方法 |
CN106909707A (zh) * | 2017-01-05 | 2017-06-30 | 上海交通大学 | 利用分形维数测量风场地表粗糙度的方法 |
CN106909707B (zh) * | 2017-01-05 | 2020-11-24 | 上海交通大学 | 利用分形维数测量风场地表粗糙度的方法 |
CN108061529B (zh) * | 2018-02-23 | 2020-03-31 | 西南科技大学 | 基于干涉图像自相关值曲率特征的表面粗糙度测量方法 |
CN108061529A (zh) * | 2018-02-23 | 2018-05-22 | 西南科技大学 | 基于干涉图像自相关值曲率特征的表面粗糙度测量方法 |
CN108428231A (zh) * | 2018-03-19 | 2018-08-21 | 南京信息工程大学 | 一种基于随机森林的多参数零件表面粗糙度学习方法 |
CN108428231B (zh) * | 2018-03-19 | 2022-04-26 | 南京信息工程大学 | 一种基于随机森林的多参数零件表面粗糙度学习方法 |
CN109542224B (zh) * | 2018-11-19 | 2021-09-28 | 东南大学 | 一种基于人力触觉感知特性的纹理粗糙度客观评价方法 |
CN109542224A (zh) * | 2018-11-19 | 2019-03-29 | 东南大学 | 一种基于人力触觉感知特性的纹理粗糙度客观评价方法 |
CN110111271A (zh) * | 2019-04-24 | 2019-08-09 | 北京理工大学 | 一种基于侧抑制网络的单像素成像方法 |
CN110111271B (zh) * | 2019-04-24 | 2021-06-22 | 北京理工大学 | 一种基于侧抑制网络的单像素成像方法 |
CN110006374A (zh) * | 2019-04-28 | 2019-07-12 | 大连理工大学 | 一种通过多维插值获取图像基准的cfrp粗糙度测量方法 |
CN110543698B (zh) * | 2019-08-15 | 2022-10-18 | 合肥工业大学 | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 |
CN110543698A (zh) * | 2019-08-15 | 2019-12-06 | 合肥工业大学 | 基于小波布朗运动纹理融合模型测量表面粗糙度的方法 |
CN111368480B (zh) * | 2020-03-11 | 2023-12-22 | 深圳大学 | Spr传感器灵敏度检测分析的方法及系统 |
CN111368480A (zh) * | 2020-03-11 | 2020-07-03 | 深圳大学 | Spr传感器灵敏度检测分析的方法及系统 |
CN111750781A (zh) * | 2020-08-04 | 2020-10-09 | 润江智能科技(苏州)有限公司 | 一种基于ccd的自动测试系统及其方法 |
CN111964865B (zh) * | 2020-08-12 | 2021-04-27 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN111964865A (zh) * | 2020-08-12 | 2020-11-20 | 中国商用飞机有限责任公司 | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 |
CN112629828A (zh) * | 2020-11-27 | 2021-04-09 | 奥比中光科技集团股份有限公司 | 一种光学信息检测方法、装置及设备 |
WO2022148223A1 (zh) * | 2021-01-08 | 2022-07-14 | 上海科技大学 | 一种利用rheed原位实时定量探测薄膜粗糙度的方法 |
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
CN113177926A (zh) * | 2021-05-11 | 2021-07-27 | 泰康保险集团股份有限公司 | 一种图像检测方法和装置 |
CN113177926B (zh) * | 2021-05-11 | 2023-11-14 | 泰康保险集团股份有限公司 | 一种图像检测方法和装置 |
CN113704910A (zh) * | 2021-08-20 | 2021-11-26 | 武汉大学 | 一种微米级粗糙度螺栓结合面真实接触率的计算方法 |
CN114210741A (zh) * | 2021-11-23 | 2022-03-22 | 北京科技大学 | 一种带钢表面粗糙度在线检测装置及方法 |
CN115042401A (zh) * | 2022-08-16 | 2022-09-13 | 南通广信塑料机械有限公司 | 一种微孔发泡注塑制品的质量检测方法 |
CN115042401B (zh) * | 2022-08-16 | 2022-11-04 | 南通广信塑料机械有限公司 | 一种微孔发泡注塑制品的质量检测方法 |
CN116740462A (zh) * | 2023-07-05 | 2023-09-12 | 北京科技大学 | 一种基于特征增强的单分支粗糙度检测方法 |
CN116740462B (zh) * | 2023-07-05 | 2024-03-15 | 北京科技大学 | 一种基于特征增强的单分支粗糙度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103759676A (zh) | 一种工件表面粗糙度非接触式的检测方法 | |
Yu et al. | A machine vision method for measurement of machining tool wear | |
Ouyang et al. | Pavement cracking measurements using 3D laser-scan images | |
CN104867130B (zh) | 一种基于裂纹图像子区灰度均值的自适应分割方法 | |
CN105931232A (zh) | 结构光光条中心高精度亚像素提取方法 | |
CN103292701A (zh) | 基于机器视觉的精密器件在线尺寸测量方法 | |
CN103400399B (zh) | 一种基于空间矩的线结构光中心提取方法 | |
CN108416766A (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN108509908A (zh) | 一种基于双目立体视觉的瞳孔直径实时测量方法 | |
Zhang et al. | Research on the size of mechanical parts based on image recognition | |
CN105678763A (zh) | 一种稳定的直线/圆特征检测方法 | |
Wankhede et al. | A low cost surface strain measurement system using image processing for sheet metal forming applications | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
CN109636785A (zh) | 一种识别金刚砂颗粒的视觉处理方法 | |
CN112233104A (zh) | 实时位移场和应变场检测方法、系统、装置和存储介质 | |
Ma et al. | Surface roughness detection based on image analysis | |
Qi et al. | Quantitative detection of minor defects in metal materials based on variation coefficient of CT image | |
Ayala-Landeros et al. | Correlation between roughness (Ra) and fractal dimension (D) using artificial vision systems for on-site inspection | |
Jing et al. | The research on the application to digital image technology in hypoid gear contact zone detection | |
Li-Yong et al. | Defect detection of the irregular turbine blades based on edge pixel direction information | |
Guan et al. | Recognition of surface roughness based on fractal theory and the microscopic images | |
Landström | Adaptive tensor-based morphological filtering and analysis of 3D profile data | |
Li et al. | (Retracted) Automatic reading recognition of pointer barometer based on machine vision | |
Belan et al. | A machine vision system for automatic sieve calibration | |
Zha et al. | Research on non-contact measurement based on machine vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140430 |