CN104318556A - 一种油污干扰下的硅钢板表面缺陷图像检测方法 - Google Patents
一种油污干扰下的硅钢板表面缺陷图像检测方法 Download PDFInfo
- Publication number
- CN104318556A CN104318556A CN201410548807.9A CN201410548807A CN104318556A CN 104318556 A CN104318556 A CN 104318556A CN 201410548807 A CN201410548807 A CN 201410548807A CN 104318556 A CN104318556 A CN 104318556A
- Authority
- CN
- China
- Prior art keywords
- image
- steel plate
- silicon steel
- plate surface
- surface defect
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
一种油污干扰下的硅钢板表面缺陷图像检测方法,包括:采用面阵工业相机采集硅钢板表面缺陷图像;采用视觉显著方法对采集的硅钢板表面缺陷图像进行缺陷检测;采用基于显著线扫描形态学的检测方法对油污缺陷图像进行定位检测;本发明将硅钢板被油污干扰物所覆盖的情况从缺陷检测中排除,这些伪缺陷干扰增加了目标检测与识别的难度。解决了缺陷检测时的杂乱背景问题、覆盖的油污干扰问题以及反光的伪缺陷干扰问题;本发明对信息欠缺的二值图像进行了线扫描填充操作,该操作能够有效的获得油污干扰区域;本发明运用了形态学理论的边缘处理方法去除油污边缘和反光伪缺陷边缘,避免了相减操作不能够有效消除伪边缘的问题。
Description
技术领域
本发明属于机器视觉和无损检测技术领域,具体涉及一种油污干扰下的硅钢板表面缺陷图像检测方法。
背景技术
在金属板材中,硅钢板作为高端钢铁产品,其制造技术和产品质量已成为衡量一个国家特殊钢生产和科技发展水平的重要标志之一。硅钢板又称矽钢板,是一种含碳极低的硅铁软磁合金,一般含硅量0.5~4.5%。主要用来制作各种发电机、电动机和变压器的铁芯,同时硅钢板也是电子、电力和军事工业中不可或缺的重要软磁性合金材料。由于硅钢板与一国的电能消耗量密切相关,并且生产工艺复杂,制造技术严格,大部分国外企业都将硅钢板的生产技术以专利形式加以保护,视为企业的生命。
高品质硅钢板材的生产离不开有效的检测手段,严格的产品质量检测是控制生产流程、改善工艺设备和提高产品质量的可靠保障。研制和应用硅钢板表面缺陷检测系统,实现硅钢板表面缺陷自动化的在线检测,对企业质量控制和生产决策具有重要的作用。
冷轧硅钢板生产线与热轧板生产线环境相比,尽管没有了高温和水汽等干扰因素,然而粉尘、噪声和油污等干扰因素的存在使得表面缺陷成像的质量大打折扣。而且,干扰因素的存在时常导致缺陷的目标信息被干扰物覆盖,甚至被完全淹没。随着降噪设备、高性能传感器等设备的不断发展更新,图像的采集问题已初步被解决。然而,目前在获得的缺陷图像中仍然可能会出现目标信息被干扰物所覆盖,例如在硅钢板表面图像中会出现缺陷目标被油污所覆盖的情况,这些伪缺陷干扰增加了目标检测与识别的难度。而从图像处理和目标识别的角度解决该问题,需要解决杂乱背景的问题、覆盖的油污干扰问题以及反光的伪缺陷干扰问题。因此,有必要开发一个适合的检测方法能够实现油污干扰下硅钢板表面缺陷的准确检测。
发明内容
针对现有技术存在的问题,本发明提供一种油污干扰下的硅钢板表面缺陷图像检测方法。
本发明的技术方案是:
一种油污干扰下的硅钢板表面缺陷图像检测方法,包括如下步骤:
步骤1、采用面阵工业相机采集硅钢板表面缺陷图像;
步骤2、采用视觉显著方法对采集的硅钢板表面缺陷图像进行缺陷检测;
步骤2-1、使用5×5高斯滤波窗口对采集的硅钢板表面缺陷图像进行滤波处理;
步骤2-2、将步骤2-1滤波后的硅钢板表面缺陷图像和未滤波的硅钢板表面缺陷图像进行颜色空间转换,即从RGB颜色空间转换到Lab颜色空间;
步骤2-3、在Lab颜色空间下,分别计算未滤波的硅钢板表面缺陷图像的平均向量即每个像素点对应的Lab值的平均值构成的矩阵Iμ(x,y),滤波后的硅钢板表面缺陷图像的平均向量If(x,y);
步骤2-4、根据Iμ(x,y)和If(x,y)计算得到硅钢板表面缺陷图像的显著值S(x,y),并根据显著值绘制显著图;
S(x,y)=||Iμ(x,y)-If(x,y)|| (1)
步骤2-5、计算显著图中的平均灰度,判断该平均灰度是否大于初始设置的阈值,是,则当前硅钢板表面缺陷图像为油污缺陷图像,执行步骤3,否则返回步骤1;
步骤3、采用基于显著线扫描形态学的检测方法对油污缺陷图像进行定位检测;
步骤3-1、使用基于形态学的开闭滤波方法对步骤2-4中得到的显著图进行滤波处理;
所述基于形态学的开闭滤波方法采用交替顺序的开-闭滤波,即用一系列不断增大的结构元素来执行开-闭滤波,直到结构元素尺寸与设定的结构元素尺寸上限相同为止。
步骤3-2、对步骤3-1中滤波后的图像进行归一化处理,并使用全局二值化方法获得二值图像;
步骤3-3、对步骤3-2中得到的二值图像进行线扫描填充操作获得线扫描结果二值图像,并提取该图像边缘得到油污干扰区域;
所述线扫描填充操作包括水平方向线扫描填充和竖直方向线扫描填充,具体如下:首先对于二值图像矩阵的每一行,先寻找该行中的所有0值,然后将第一个0值和最后一个0值中间的所有值设置为0值,进而得到一个新的二值图像,即水平方向线扫描二值图像;再对于水平方向线扫描图像的每一列,先寻找该列中的所有0值,然后将第一个0值和最后一个0值中间的所有值设置为0值,进而得到竖直方向线扫描二值图像,即最终的线扫描结果二值图像,提取该图像边缘得到油污干扰区域图像;
所述步骤3-3利用Canny算子提取线扫描结果二值图像边缘得到油污干扰区域。
步骤3-4、对步骤3-3中得到的油污干扰区域图像使用形态学理论的边缘处理方法去除油污干扰区域边缘和反光伪缺陷边缘,获得去除油污干扰的硅钢板表面缺陷图像。
步骤3-4-1:对得到的油污干扰区域图像执行膨胀操作,得到膨胀边缘图像;
步骤3-4-2:将膨胀操作后的图像与油污干扰区域图像进行逻辑“或”运算,得到新的膨胀边缘图像;
步骤3-4-3:将逻辑“或”运算前后的两幅膨胀边缘图像执行图像相减消除边缘操作,得到最终的油污干扰区域图像;
步骤3-4-4:对最终的油污干扰区域图像执行膨胀操作,并将其显示在硅钢板表面缺陷图像上。
有益效果:
1)将硅钢板被油污干扰物所覆盖的情况从缺陷检测中排除,这些伪缺陷干扰增加了目标检测与识别的难度。解决了缺陷检测时的杂乱背景问题、覆盖的油污干扰问题以及反光的伪缺陷干扰问题;
2)本发明对信息欠缺的二值图像进行了线扫描填充操作,该操作能够有效的获得油污干扰区域;
3)本发明运用了形态学理论的边缘处理方法去除油污边缘和反光伪缺陷边缘,避免了相减操作不能够有效消除伪边缘的问题。
附图说明
图1为本发明具体实施方式的油污干扰下的硅钢板表面缺陷检测方法流程图;
图2为本发明具体实施方式的硅钢板表面缺陷图像变化过程示意图;
图3为本发明具体实施方式的擦裂缺陷图像及其实验结果;其中,(a)擦裂缺陷图像;(b)形态学梯度方法的实验结果;(c)Canny算子的实验结果;(d)本方法的实验结果;
图4为本发明具体实施方式的划伤缺陷图像及其实验结果;其中,(a)划伤缺陷图像;(b)形态学梯度方法的实验结果;(c)Canny算子的实验结果;(d)本方法的实验结果;
图5为本发明具体实施方式的小缺陷图像及其实验结果;其中,(a)小缺陷图像;(b)形态学梯度方法的实验结果;(c)Canny算子的实验结果;(d)本方法的实验结果。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
一种油污干扰下的硅钢板表面缺陷图像检测方法,如图1所示,包括如下步骤:
步骤1、采用面阵工业相机采集硅钢板表面缺陷图像;
步骤2、采用视觉显著方法对采集的硅钢板表面缺陷图像进行缺陷检测;
步骤2-1、使用5×5高斯滤波窗口对采集的硅钢板表面缺陷图像进行滤波处理;
步骤2-2、将步骤2-1滤波后的硅钢板表面缺陷图像和未滤波的硅钢板表面缺陷图像进行颜色空间转换,即从RGB颜色空间转换到Lab颜色空间;
步骤2-3、在Lab颜色空间下,分别计算未滤波的硅钢板表面缺陷图像的平均向量即每个像素点对应的Lab值的平均值构成的矩阵Iμ(x,y),滤波后的硅钢板表面缺陷图像的平均向量If(x,y);
步骤2-4、根据Iμ(x,y)和If(x,y)计算得到硅钢板表面缺陷图像的显著值S(x,y),并根据显著值绘制显著图;
S(x,y)=||Iμ(x,y)-If(x,y)|| (1)
步骤2-5、计算显著图中的平均灰度,判断该平均灰度是否大于初始设置的阈值200,是,则当前硅钢板表面缺陷图像为油污缺陷图像,执行步骤3,否则返回步骤1;
步骤3、采用基于显著线扫描形态学的检测方法对油污缺陷图像进行定位检测;
步骤3-1、使用基于形态学的开闭滤波方法对步骤2-4中得到的显著图进行滤波处理;
基于形态学的开闭滤波方法采用交替顺序的开-闭滤波,即用一系列不断增大的结构元素来执行开-闭滤波,直到结构元素尺寸与设定的结构元素尺寸上限相同为止。交替顺序的开-闭滤波的一种形式是用一系列不断增大的结构元素来执行开-闭滤波,即开始时使用的是一个较小的结构元素,然后增加其大小,直到其大小与获得结果所设定的结构元素的大小相同为止。与单个开-闭滤波器相比,交替顺序的开-闭滤波的结果要稍微平滑一些。显示了对显著图像的滤波处理,其中,结构元素使用了圆盘(即“disk”)类型,半径范围为2至3。
步骤3-2、对步骤3-1中滤波后的图像进行归一化处理,并使用全局二值化方法获得二值图像;
步骤3-3、对步骤3-2中得到的二值图像进行线扫描填充操作获得线扫描结果二值图像,并提取该图像边缘得到油污干扰区域;
所述线扫描填充操作包括水平方向线扫描填充和竖直方向线扫描填充,具体如下:首先对于二值图像矩阵的每一行,先寻找该行中的所有0值,然后将第一个0值和最后一个0值中间的所有值设置为0值,进而得到一个新的二值图像,即水平方向线扫描二值图像;再对于水平方向线扫描图像的每一列,先寻找该列中的所有0值,然后将第一个0值和最后一个0值中间的所有值设置为0值,进而得到竖直方向线扫描二值图像,即最终的线扫描结果二值图像,提取该图像边缘得到油污干扰区域图像;
利用Canny算子提取线扫描结果二值图像边缘得到油污干扰区域。
步骤3-4、对步骤3-3中得到的油污干扰区域图像使用形态学理论的边缘处理方法去除油污干扰区域边缘和反光伪缺陷边缘,获得去除油污干扰的硅钢板表面缺陷图像。
步骤3-4-1:对得到的油污干扰区域图像执行膨胀操作,得到膨胀边缘图像;
步骤3-4-2:将膨胀操作后的图像与油污干扰区域图像进行逻辑“或”运算,得到新的膨胀边缘图像;
步骤3-4-3:将逻辑“或”运算前后的两幅膨胀边缘图像执行图像相减消除边缘操作,得到最终的油污干扰区域图像;
步骤3-4-4:对最终的油污干扰区域图像执行膨胀操作,并将其显示在硅钢板表面缺陷图像上。
硅钢板表面缺陷图像变化过程如图2所示。
本实施方式的实施环境如下:
硬件平台:Intel Pentium(R)Duo-Core 2.8GHz中央处理器,4G内存。
软件平台:Windows操作系统,Matlab7.10软件平台。
本实施方式中,在油污干扰下的硅钢表面缺陷图像样本库中进行检测定位实验。
实验一:应用本方法对待检测的擦裂缺陷图像即图3(a)进行检测实验,其实验结果如图3(d)所示。同时,分别使用形态学梯度方法和Canny算子对擦裂缺陷图像进行检测的实验结果如图3(b)和图3(c)所示。
从图3(b)和图3(c)中可以看到,尽管形态学梯度和Canny算子可以在杂乱背景中检测出部分擦裂缺陷目标区域,但同时这些方法也检测出了太多的干扰边缘。而与前两种方法相反,从图3(d)中可以看到本方法不仅完全检测出了表面缺陷目标,同时很好的去除了油污边缘和反光伪缺陷边缘,表现出更好的检测性能。
实验二:应用本方法对待检测的划伤缺陷图像即图4(a)进行检测实验,其实验结果如图4(d)所示。同时,分别使用形态学梯度方法和Canny算子对划伤缺陷图像进行检测的实验结果如图4(b)和图4(c)所示。
从图4(b)和图4(c)中可以看到,由于油污边缘和反光伪缺陷边缘的干扰,导致形态学梯度和Canny算子在检测出部分划伤缺陷目标区域的同时也检测出了这些干扰边缘。而从图4(d)中可以看到本发明方法不仅完全检测出了表面缺陷目标,同时很好的去除了油污边缘和反光伪缺陷边缘,进一步验证了本方法对油污干扰下划伤表面缺陷目标检测的有效性。
实验三:应用本方法对待检测的小缺陷图像即图5(a)进行检测实验,其实验结果如图5(d)所示。同时,分别使用形态学梯度方法和Canny算子对擦裂缺陷图像进行检测的实验结果如图5(b)和图5(c)所示。
图5(b)和图5(c)中的结果和前两个实验中的情况一样,即这两种方法检测出了太多的干扰边缘。而图5(d)中的结果也和预期的一样,即本方法可以准确检测出小缺陷目标,表现出更好的检测性能,验证了本方法的有效性。
Claims (4)
1.一种油污干扰下的硅钢板表面缺陷图像检测方法,其特征在于:包括如下步骤:
步骤1、采用面阵工业相机采集硅钢板表面缺陷图像;
步骤2、采用视觉显著方法对采集的硅钢板表面缺陷图像进行缺陷检测;
步骤2-1、使用5×5高斯滤波窗口对采集的硅钢板表面缺陷图像进行滤波处理;
步骤2-2、将步骤2-1滤波后的硅钢板表面缺陷图像和未滤波的硅钢板表面缺陷图像进行颜色空间转换,即从RGB颜色空间转换到Lab颜色空间;
步骤2-3、在Lab颜色空间下,分别计算未滤波的硅钢板表面缺陷图像的平均向量即每个像素点对应的Lab值的平均值构成的矩阵Iμ(x,y),滤波后的硅钢板表面缺陷图像的平均向量If(x,y);
步骤2-4、根据Iμ(x,y)和If(x,y)计算得到硅钢板表面缺陷图像的显著值S(x,y),并根据显著值绘制显著图;
S(x,y)=||Iμ(x,y)-If(x,y)|| (1)
步骤2-5、计算显著图中的平均灰度,判断该平均灰度是否大于初始设置的阈值,是,则当前硅钢板表面缺陷图像为油污缺陷图像,执行步骤3,否则返回步骤1;
步骤3、采用基于显著线扫描形态学的检测方法对油污缺陷图像进行定位检测;
步骤3-1、使用基于形态学的开闭滤波方法对步骤2-4中得到的显著图进行滤波处理;
步骤3-2、对步骤3-1中滤波后的图像进行归一化处理,并使用全局二值化方法获得二值图像;
步骤3-3、对步骤3-2中得到的二值图像进行线扫描填充操作获得线扫描结果二值图像,并提取该图像边缘得到油污干扰区域;
所述线扫描填充操作包括水平方向线扫描填充和竖直方向线扫描填充,具体如下:首先对于二值图像矩阵的每一行,先寻找该行中的所有0值,然后将第一个0值和最后一个0值中间的所有值设置为0值,进而得到一个新的二值图像,即水平方向线扫描二值图像;再对于水平方向线扫描图像的每一列,先寻找该列中的所有0值,然后将第一个0值和最后一个0值中间的所有值设置为0值,进而得到竖直方向线扫描二值图像,即最终的线扫描结果二值图像,提取该图像边缘得到油污干扰区域图像;
步骤3-4、对步骤3-3中得到的油污干扰区域图像使用形态学理论的边缘处理方法去除油污干扰区域边缘和反光伪缺陷边缘,获得去除油污干扰的硅钢板表面缺陷图像。
2.根据权利要求1所述的油污干扰下的硅钢板表面缺陷图像检测方法,其特征在于:所述基于形态学的开闭滤波方法采用交替顺序的开-闭滤波,即用一系列不断增大的结构元素来执行开-闭滤波,直到结构元素尺寸与设定的结构元素尺寸上限相同为止。
3.根据权利要求1所述的油污干扰下的硅钢板表面缺陷图像检测方法,其特征在于:所述步骤3-3利用Canny算子提取线扫描结果二值图像边缘得到油污干扰区域。
4.根据权利要求1所述的油污干扰下的硅钢板表面缺陷图像检测方法,其特征在于:所述步骤3-4按以下步骤执行:
步骤3-4-1:对得到的油污干扰区域图像执行膨胀操作,得到膨胀边缘图像;
步骤3-4-2:将膨胀操作后的图像与油污干扰区域图像进行逻辑“或”运算,得到新的膨胀边缘图像;
步骤3-4-3:将逻辑“或”运算前后的两幅膨胀边缘图像执行图像相减消除边缘操作,得到最终的油污干扰区域图像;
步骤3-4-4:对最终的油污干扰区域图像执行膨胀操作,并将其显示在硅钢板表面缺陷图像上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410548807.9A CN104318556B (zh) | 2014-10-16 | 2014-10-16 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410548807.9A CN104318556B (zh) | 2014-10-16 | 2014-10-16 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318556A true CN104318556A (zh) | 2015-01-28 |
CN104318556B CN104318556B (zh) | 2017-03-22 |
Family
ID=52373782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410548807.9A Active CN104318556B (zh) | 2014-10-16 | 2014-10-16 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318556B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
CN105069778A (zh) * | 2015-07-16 | 2015-11-18 | 西安工程大学 | 基于目标特征显著图构建的工业产品表面缺陷检测方法 |
CN105092591A (zh) * | 2015-08-27 | 2015-11-25 | 任红霞 | 一种基于图像处理的工件缺陷定位方法 |
CN107633491A (zh) * | 2017-09-26 | 2018-01-26 | 中国科学院长春光学精密机械与物理研究所 | 一种基于目标检测的区域图像增强方法及存储介质 |
CN108171691A (zh) * | 2017-12-26 | 2018-06-15 | 成都睿视智能设备有限责任公司 | 一种塑料容器的检测方法 |
CN109785290A (zh) * | 2018-12-19 | 2019-05-21 | 刘咏晨 | 基于局部光照归一化的钢板缺陷检测方法 |
CN109816652A (zh) * | 2019-01-25 | 2019-05-28 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
CN111524107A (zh) * | 2020-04-15 | 2020-08-11 | Oppo(重庆)智能科技有限公司 | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 |
CN112215827A (zh) * | 2020-10-20 | 2021-01-12 | 中广核核电运营有限公司 | 电迁移区域检测方法、装置、计算机设备和存储介质 |
CN114113112A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于三光源显微系统的表面微缺陷定位与识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040032979A1 (en) * | 2002-08-12 | 2004-02-19 | Hitachi High-Technologies Corporation | Defect inspection method |
CN102663726A (zh) * | 2012-03-06 | 2012-09-12 | 中国矿业大学(北京) | 对物料堆积图像进行物料分割的方法和装置 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN103544709A (zh) * | 2013-11-07 | 2014-01-29 | 东北大学 | 基于显著活动轮廓模型的硅钢板表面微小缺陷检测方法 |
-
2014
- 2014-10-16 CN CN201410548807.9A patent/CN104318556B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040032979A1 (en) * | 2002-08-12 | 2004-02-19 | Hitachi High-Technologies Corporation | Defect inspection method |
CN102663726A (zh) * | 2012-03-06 | 2012-09-12 | 中国矿业大学(北京) | 对物料堆积图像进行物料分割的方法和装置 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN103544709A (zh) * | 2013-11-07 | 2014-01-29 | 东北大学 | 基于显著活动轮廓模型的硅钢板表面微小缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
丛家慧等: ""序列滤波器在缺陷边缘检测中的应用"", 《计算机工程与应用》 * |
李申等: ""视频序列中运动前景的自动提取方法"", 《计算机工程与应用》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914111B (zh) * | 2015-05-18 | 2018-08-03 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
CN105069778A (zh) * | 2015-07-16 | 2015-11-18 | 西安工程大学 | 基于目标特征显著图构建的工业产品表面缺陷检测方法 |
CN105069778B (zh) * | 2015-07-16 | 2017-06-23 | 西安工程大学 | 基于目标特征显著图构建的工业产品表面缺陷检测方法 |
CN105092591A (zh) * | 2015-08-27 | 2015-11-25 | 任红霞 | 一种基于图像处理的工件缺陷定位方法 |
CN107633491A (zh) * | 2017-09-26 | 2018-01-26 | 中国科学院长春光学精密机械与物理研究所 | 一种基于目标检测的区域图像增强方法及存储介质 |
CN108171691B (zh) * | 2017-12-26 | 2021-05-04 | 成都睿视智能设备有限责任公司 | 一种塑料容器的检测方法 |
CN108171691A (zh) * | 2017-12-26 | 2018-06-15 | 成都睿视智能设备有限责任公司 | 一种塑料容器的检测方法 |
CN109785290A (zh) * | 2018-12-19 | 2019-05-21 | 刘咏晨 | 基于局部光照归一化的钢板缺陷检测方法 |
CN109785290B (zh) * | 2018-12-19 | 2020-01-24 | 湖南长达检测股份有限公司 | 基于局部光照归一化的钢板缺陷检测方法 |
CN109816652A (zh) * | 2019-01-25 | 2019-05-28 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
CN109816652B (zh) * | 2019-01-25 | 2022-08-12 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
CN111524107A (zh) * | 2020-04-15 | 2020-08-11 | Oppo(重庆)智能科技有限公司 | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 |
CN111524107B (zh) * | 2020-04-15 | 2023-02-28 | Oppo(重庆)智能科技有限公司 | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 |
CN112215827A (zh) * | 2020-10-20 | 2021-01-12 | 中广核核电运营有限公司 | 电迁移区域检测方法、装置、计算机设备和存储介质 |
CN114113112A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于三光源显微系统的表面微缺陷定位与识别方法 |
CN114113112B (zh) * | 2021-11-29 | 2023-08-18 | 哈尔滨工业大学 | 一种基于三光源显微系统的表面微缺陷定位与识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104318556B (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318556A (zh) | 一种油污干扰下的硅钢板表面缺陷图像检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN108665458B (zh) | 透明体表面缺陷提取及识别方法 | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
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 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
Song et al. | Surface defect detection method using saliency linear scanning morphology for silicon steel strip under oil pollution interference | |
Samarawickrama et al. | Matlab based automated surface defect detection system for ceremic tiles using image processing | |
CN105139391A (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN114022503A (zh) | 检测方法及检测系统、设备和存储介质 | |
CN109345586A (zh) | 基于紫外成像技术的电气设备放电特征提取方法 | |
CN106353324A (zh) | 磁环表面缺陷提取方法 | |
CN106530292B (zh) | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 | |
Luo et al. | Research on edge detection algorithm of work piece defect in machine vision detection system | |
CN114332041A (zh) | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 | |
CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
CN102313740A (zh) | 太阳能电池板裂痕检测方法 | |
CN111489338A (zh) | 一种盾构机液压管路内部缺陷无损检测方法 | |
Aswini et al. | Mathematical morphology and bottom-hat filtering approach for crack detection on relay surfaces | |
CN110033469A (zh) | 一种亚像素边缘检测方法及系统 | |
CN112581433B (zh) | 热障涂层裂纹的几何信息提取方法 | |
Hsu et al. | Vision-based detection of steel billet surface defects via fusion of multiple image features | |
CN112785594B (zh) | 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 | |
CN104935837B (zh) | 用于光学图像定点设备及光学视频设备的图像处理方法 | |
CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |