CN105115987B - 基于数字滤波的圆锥滚子倒装缺陷检测方法 - Google Patents
基于数字滤波的圆锥滚子倒装缺陷检测方法 Download PDFInfo
- Publication number
- CN105115987B CN105115987B CN201510635100.6A CN201510635100A CN105115987B CN 105115987 B CN105115987 B CN 105115987B CN 201510635100 A CN201510635100 A CN 201510635100A CN 105115987 B CN105115987 B CN 105115987B
- Authority
- CN
- China
- Prior art keywords
- signal
- rolling element
- pixels
- pass filter
- bearing
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开一种基于数字滤波的圆锥滚子倒装缺陷检测方法,1、采集圆锥滚子轴承图像,并对其进行预处理,2、定位圆锥滚子轴承的滚动体环带区域,3、在极坐标系中,提取滚动体环带区域图像信息的像素统计信号,4、对所述像素统计信号用FIR低通滤波器进行高频滤波,其抽样响应是对理想低通滤波器的抽样响应加上海明窗以截断成有限长,5、对高频滤波后的像素统计信号用高通滤波器滤除低频干扰信息,6、设定阈值,分割缺陷部分与其他部分,提取缺陷滚动体的准确位置,本发明采用FIR的高频滤波和基于FFT变换的低频滤波分别去除滚子自身结构和其他干扰,定位圆锥滚子倒装缺陷的位置,检测率高,检测速度快,成本低。
Description
技术领域
本发明涉及一种轴承缺陷的检测方法,尤其是基于数字滤波的圆锥滚子倒装缺陷检测方法。
背景技术
轴承作为机械传动的主体部件,其质量问题直接决定工业生产效率,甚至直接造成生产现场安全事故。其中,滚动体缺失、圆锥滚子倒装等轴承装配缺陷是影响轴承质量的重要因素,对其进行检测是提高轴承企业产品质量的重要环节。
随着计算机科学和数字图像处理技术的发展,机器视觉检测技术逐渐成为轴承装配检测的方向。现有视觉检测方法大多采用图像处理算法将采集的轴承图像处理后,通过缺陷位置的模板匹配或以缺陷面积大小和可能出现位置作为检测标准实现轴承缺陷定位。上述方法仅以图像处理结果为缺陷识别依据,易受环境中光强、检测角度及轴承状态等因素影响,无法满足复杂的工业现场检测要求。
发明内容
本发明的主要目的是提供一种基于数字滤波的圆锥滚子倒装缺陷检测方法,采用数字滤波方法定位圆锥滚子倒装缺陷的位置,提高检测正确率。
本发明是采用以下技术方案及技术措施来实现的。
本发明提出基于数字滤波的圆锥滚子倒装缺陷检测方法,包括如下步骤:
步骤1、采集圆锥滚子轴承图像,并对其进行预处理;
步骤2、定位圆锥滚子轴承的滚动体环带区域:首先,定位圆锥滚子轴承的圆心,然后,以圆锥滚子轴承的圆心为基点确定滚动体环带区域的外半径及内半径,由外半径和内半径定位滚动体环带区域;
步骤3、在极坐标系中,提取滚动体环带区域图像信息的像素统计信号;
步骤4、对所述像素统计信号用FIR低通滤波器进行高频滤波,FIR低通滤波器的单位抽样响应是对理想低通滤波器的抽样响应加上海明窗以截断成有限长;
步骤5、对高频滤波后的像素统计信号用高通滤波器滤除其中的低频干扰信息,先进行FFT变换将像素统计信号变换到频域,在频域内剔除低频数据点,再经IFFT变换将低频点剔除的频域像素统计信号变换到时域,重构时域的像素统计信号;
步骤6、设定阈值,对重构的像素统计信号分割缺陷部分与其他部分,提取出轴承中缺陷滚动体的准确位置与个数。
较佳的,步骤1中所述预处理是对圆锥滚子轴承图像进行二值化处理,再增强二值化后图像的边缘轮廓信息。
较佳的,所述二值化处理的阈值是采用自适应二值化阈值的方法确定的。
较佳的,步骤2定位圆锥滚子轴承的滚动体环带区域的方法是:
步骤2.1、定位圆锥滚子轴承的圆心:对步骤1预处理后的圆锥滚子轴承图像按米字形定位8个黑白突变点,根据这8个点的坐标,确定圆锥滚子轴承的圆心坐标;
步骤2.2、确定滚动体环带的外半径:以圆锥滚子轴承的圆心到图像边界的最小距离作为初始半径,统计对应半径所在圆周的黑色像素数,若圆周上的黑色像素数大于0,则当前半径为轴承滚动体环带的外半径,否则以1个像素为步长减小半径并继续统计圆周上黑色像素的个数,直到黑色像素数大于0,得到外半径;
步骤2.3、确定滚动体环带的内半径,并定位滚动体环带区域:继续以1个像素为步长减小半径并统计圆周上白色像素的个数,当圆周上全部为白色像素时,当前半径为滚动体环带的内半径,外半径与内半径之间的区域即是滚动体环带区域。
较佳的,所述像素统计信号是以1°为步长,均匀采集圆周角度上滚动体环带区域内的黑色像素个数得到的。
较佳的,所述FIR低通滤波器的单位抽样响应是:
其中,α为抽样响应的中心点,且ωc是截至角频率,n表示FIR低通滤波器单位抽样响应的当前序列,N表示序列总数。
较佳的,步骤5中所述像素统计信号变换到频域的FFT变换的表达式为:其中,x(n)为高频滤波后的像素统计信号中角度与像素个数序列,N=360,WN为旋转因子,为旋转因子的nk次方,k=0、1、……、N-1。
较佳的,步骤5中将低频点剔除的频域像素统计信号变换到时域的IFFT变换的表达式为:其中,X(k)1为剔除低频点后的频域像素统计信号,x(n)1为经过高通滤波器重构的时域像素统计信号,为旋转因子WN的-nk次方。
与现有技术相比,本发明至少具有下述优点及有益效果:本发明采用FIR的高频滤波和基于FFT变换的低频滤波分别去除滚子自身结构和其他干扰,实现滚动体倒装缺陷的准确定位,解决了传统方法中存在的缺陷和不足,检测率高,检测速度快,成本低,具有较强的灵活性和实用性。
附图说明
图1是本发明基于数字滤波的圆锥滚子倒装缺陷检测方法的检测流程图。
图2A是工业相机采集的圆锥滚子原始图像。
图2B是对图2A进行二值化处理后的图像。
图2C是对图2B进行闭运算处理后的图像。
图3是将图2C转换到极坐标系下的圆锥滚子展开图。
图4是极坐标系下滚动体环带的像素统计图。
图5是图4的像素统计信号经FIR高频滤波后的效果图。
图6是滤除图5中低频干扰信息后的滚动体缺陷定位结果示意图。
具体实施方式
为使本发明的内容更明显易懂,以下结合具体实施例,对本发明进行详细描述。
由本发明圆锥滚子倒装缺陷检测方法设计的圆锥滚子轴承倒装缺陷检测系统包括对轴承图像进行采集的图像采集单元和对采集的图像进行处理并输出图像识别结果的图像处理单元。图像采集单元主要包括摄像机和光源,针对轴承表面金属材质反光特性,选用红色环形低角度光源作为轴承缺陷检测的前端光源。摄像机位于环形光源中心,以获取最佳的图像采集角度。图像处理单元可以采用四核主频为900MHz的ARM Cortex-A7作为处理器平台,用带硬件浮点加速ARM架构的Raspbian作为运行操作系统,具有极强的处理性能和高度的灵活性。与采用PC机的检测系统相比,不仅成本得到极大降低,而且系统安装方便,可移植性强。
基于上述检测系统的圆锥滚子倒装缺陷检测方法主要包括图像预处理、提取滚动体环带像素统计信号和基于数字滤波器的缺陷检测方法。图像预处理是通过图像采集单元获取二维轴承图像,对图像进行二值化和闭运算后得到清晰的轴承部分图像信息,为后续的滚动体倒装缺陷识别提供清晰准确的图像信息。提取滚动体环带像素统计信号是对提取的环带区域展开,采用环带像素信号。基于数字滤波的圆锥滚子倒装缺陷检测方法主要是采用基于FIR的高频滤波和基于FFT变换的低频滤波分别去除滚子自身结构和其他干扰,再设定阈值提取缺陷的个数和位置,定位滚动体的缺陷位置,实现圆锥滚子轴承倒装缺陷的识别。
具体的,图1是本发明基于数字滤波器的圆锥滚子倒装缺陷的检测流程图。参考图1,本发明包括如下步骤:
步骤一、采集圆锥滚子轴承图像,并对采集到的圆锥滚子轴承图像进行预处理。
图像处理主要是将获得的轴承图像经过二值化和闭运算后得到清晰的轴承部分图像信息,根据轴承圆心提取轴承滚动体环带的信息。
本发明以JL69349型轴承作为实施例。由于轴承表面油污分布不均、自然光线干扰等因素的影响,采集到的轴承图像亮暗分布不均,工业相机采集的图像如图2A所示。为得到高质量的二值化图像,二值化阈值的选取需要根据当前图像的亮度来选取,采用局部自适应阈值的方法能够最大程度的保留轴承滚动体中的图像信息,效果如图2B所示。
为了有效的提取轴承图像中滚动体边缘轮廓,需对二值化后的图像进行滤波并增强滚动体图像信息。通过分析及试验验证,本发明采用闭运算来处理图像以凸显滚动体轮廓信息。采用闭运算得到的增强图像如图2C所示。JL69349型轴承滚动体个数为22个,标准轴承在图像滚动体区域上会有44个黑白相间的区域。每个滚动体在增强图像上会形成左右黑白相间隔的区域,倒装位置的滚子在相应位置形成内外黑白相间隔区域。
步骤二、定位圆锥滚子的滚动体环带区域。
为得到轴承滚动体信息,需要定位轴承中心在图像中的位置。以闭运算后图像的中心为中心,按米字形在图上找到8个黑白突变点,根据这8个点的坐标,确定轴承圆心(xc,yc)及圆心到轴承内圈的半径r。
假设这8个点在像面上的坐标为(xi,yi),(i=1…8),那么(xi,yi)与(xc,yc)和r之间的关系为:(xi-xc)2+(yi-yc)2=r2,利用最小二乘法可以解得轴承圆心坐标(xc,yc)。
为了有效地定位滚动体所在环带的图像区域,以轴承圆心为滚动体所在环带的圆心,以轴承圆心到图像边界的最小距离yc作为初始半径,统计对应半径所在圆周上黑色像素的个数,若圆周上黑色像素的个数大于0,则当前半径为轴承滚动体环带的外半径rb,否则以1个像素为步长减小半径并继续统计圆周上黑色像素的个数,找到轴承滚动体环带的外半径rb后,继续以1个像素为步长减小半径并统计圆周上白色像素的个数,当圆周上全部为白色像素,确定当前半径为轴承滚动体环带的内半径ra。ra与rb所在环带之间的区域,即为滚动体所在环带的图像区域。
步骤三、在极坐标系中,提取滚动体环带区域图像信息的像素统计信号。
定位出滚动体环带区域后,现有技术通常是直接统计环带区域的像素,根据连续白色像素的个数判断缺陷位置,由于图像处理算法对不同图像的处理会存在偏差,这种统计像素个数的方法在很大程度上会受到干扰,导致识别率低下。
鉴于现有技术的上述缺陷,本发明提出采用数字滤波器识别滚动体缺陷。为了统计滚动体环带像素个数,将轴承图像变换到极坐标下,以轴承圆心为极坐标系原点O,极径长为r,所使用参数坐标方程如下:
式中,(x0,y0)为轴承圆心坐标,r为极径,θ为极角,(x,y)为轴承图像中任意一点的坐标,转换后有序数对(θ,r)组成轴承的展开图如图3所示。每个滚动体在增强图像上会形成左右黑白相间隔的区域,倒装位置的滚子在相应位置形成内外黑白相间隔区域。统计圆周θ角度上环带区域内的黑色像素个数,记为Cθ,判断滚动体所在区域内Cθ大小的变化率即可识别滚动体是否为倒装缺陷。本发明以1°为步长均匀采集环带区域内黑色像素个数,则滚动体环带像素统计数据为{C1,C2,C3,…,C360},如图4是极坐标系下滚动体环带的像素统计图。JL69349型轴承在图像滚动体区域上会有44个黑白相间的区域,随着角度的增大,Cθ大小变化的频率为44Hz,若轴承中滚动体缺失,则缺失部分在滚动体环带像素统计信号中的频率为22Hz。由于光源、摄像头和轴承不能完全同轴,再加上环境中光照影响,系统采集轴承的最终效果为亮暗不均的图像,这种影响在数据统计图4中表现为2Hz~8Hz的低频干扰。
步骤四、对所述像素统计信号用FIR低通滤波器进行高频滤波。
有限长单位冲激响应(FIR)滤波器很容易获得严格的线性相位特性,避免被处理信号产生相位失真,同时其单位抽样响应是限长的,因而滤波器是稳定的系统。线性相位体现在时域中仅仅是在时间上的延迟,线性相位理想低通滤波器的的抽样响应hd(n)是中心点为α的偶对称无限长非因果序列,
式中,ωc是截至角频率,n表示FIR低通滤波器单位抽样响应的当前序列,N表示序列总数。
利用有限长度的海明窗函数w(n)将其截短成有限项,使hd(n)变成有限长。海明窗的窗函数为:
其中,RN(n)为矩形脉冲函数,
故FIR低通滤波器的单位抽样响应为:
根据JL69349型轴承的固有特点,故可设其采样率fs=360Hz,其截止频率fc必须满足22<fc<44,故可设为fc=24Hz。
取滤波器阶数为20,环带像素统计信号经过此滤波器滤波后的效果图如图5所示。
步骤五、对高频滤波后的像素统计信号用高通滤波器滤除其中的低频干扰信息。
1、采用快速傅里叶变换(FFT)将图5的信号变换到频域内,FFT变换的表达式为:
式中,x(n)为图5所示的角度与像素个数序列;N=360;WN为旋转因子,为旋转因子的nk次方,k=0、1、……、N-1。
在频域内剔除低频数据点,将2≤X(k)≤8设为X(k)=0剔除低频点,得到X(k)1。
2、采用快速傅里叶反变换(IFFT)变换将上述低频点剔除的频域信号再次变换到时域,IFFT变换的表达式为:
x(n)1即为经过高通滤波器重构后的数据,如图6所示,为旋转因子WN的-nk次方。
步骤六、设定阈值,提取出轴承中缺陷滚动体的准确位置与个数,定位圆锥滚子倒装缺陷的位置。
将滤波后数据x(n)1与设定阈值比较即可定位缺陷位置并得到缺陷个数统计信息,本发明将阈值设定为当前数据平均值的相关值,对重构的像素统计信号分割缺陷部分与其他部分。如图6,是滤除图5中低频干扰信息后的滚动体缺陷定位结果示意图。
采用本发明的方法,对同一型号不同轴承进行检测,检测次数为100次,正确率为100%,说明本发明的检测方法检测率高、检测速度快、成本低,具有较强的灵活性和实用性。
除了以上描述外,本发明还可以广泛地用在其他实施例中,并且本发明的保护范围并不受实施例的限定,其以权利要求的保护范围为准。任何熟悉本专业的技术人员,依据本发明的技术实质对以上实施例的简单修改,仍属于本发明技术方案的保护范围。
Claims (8)
1.基于数字滤波的圆锥滚子倒装缺陷检测方法,其特征在于,包括如下步骤:
步骤1、采集圆锥滚子轴承图像,并对其进行预处理;
步骤2、定位圆锥滚子轴承的滚动体环带区域;
步骤3、在极坐标系中,提取滚动体环带区域图像信息的像素统计信号;
步骤4、对所述像素统计信号用FIR低通滤波器进行高频滤波,FIR低通滤波器的单位抽样响应是对理想低通滤波器的抽样响应加上海明窗以截断成有限长;
步骤5、对高频滤波后的像素统计信号用高通滤波器滤除其中的低频干扰信息,先进行FFT变换将像素统计信号变换到频域,在频域内剔除低频数据点,再经IFFT变换将低频点剔除的频域像素统计信号变换到时域,重构时域的像素统计信号;
步骤6、设定阈值,对重构的像素统计信号分割缺陷部分与其他部分,提取出轴承中缺陷滚动体的准确位置与个数。
2.根据权利要求1所述基于数字滤波的圆锥滚子倒装缺陷检测方法,其特征在于,步骤1中所述预处理是对圆锥滚子轴承图像进行二值化处理,再增强二值化后图像的边缘轮廓信息。
3.根据权利要求2所述基于数字滤波的圆锥滚子倒装缺陷检测方法,其特征在于,所述二值化处理的阈值是采用自适应二值化阈值的方法确定的。
4.根据权利要求1所述基于数字滤波的圆锥滚子倒装缺陷检测方法,其特征在于,步骤2定位圆锥滚子轴承的滚动体环带区域的方法是:
步骤2.1、定位圆锥滚子轴承的圆心:对步骤1预处理后的圆锥滚子轴承图像按米字形定位8个黑白突变点,根据这8个点的坐标,确定圆锥滚子轴承的圆心坐标;
步骤2.2、确定滚动体环带的外半径:以圆锥滚子轴承的圆心到图像边界的最小距离作为初始半径,统计对应半径所在圆周的黑色像素数,若圆周上的黑色像素数大于0,则当前半径为轴承滚动体环带的外半径,否则以1个像素为步长减小半径并继续统计圆周上黑色像素的个数,直到黑色像素数大于0,得到外半径;
步骤2.3、确定滚动体环带的内半径,并定位滚动体环带区域:继续以1个像素为步长减小半径并统计圆周上白色像素的个数,当圆周上全部为白色像素时,当前半径为滚动体环带的内半径,外半径与内半径之间的区域即是滚动体环带区域。
5.根据权利要求1所述基于数字滤波的圆锥滚子倒装缺陷检测方法,其特征在于,所述像素统计信号是以1°为步长,均匀采集圆周角度上滚动体环带区域内的黑色像素个数得到的。
6.根据权利要求1所述基于数字滤波的圆锥滚子倒装缺陷检测方法,其特征在于,所述FIR低通滤波器的单位抽样响应是:
其中,α为抽样响应的中心点,且ωc是截至角频率,n表示FIR低通滤波器单位抽样响应的当前序列,N表示序列总数。
7.根据权利要求1所述基于数字滤波的圆锥滚子倒装缺陷检测方法,其特征在于,步骤5中所述像素统计信号变换到频域的FFT变换的表达式为:其中,x(n)为高频滤波后的像素统计信号中角度与像素个数序列,N=360,WN为旋转因子,为旋转因子的nk次方,n表示FIR低通滤波器单位抽样响应的当前序列,k=0、1、……、N-1,N表示序列总数。
8.根据权利要求1所述基于数字滤波的圆锥滚子倒装缺陷检测方法,其特征在于,步骤5中将低频点剔除的频域像素统计信号变换到时域的IFFT变换的表达式为:其中,X(k)1为剔除低频点后的频域像素统计信号,x(n)1为经过高通滤波器重构的时域像素统计信号,为旋转因子WN的-nk次方,n表示FIR低通滤波器单位抽样响应的当前序列,k=0、1、……、N-1,N表示序列总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510635100.6A CN105115987B (zh) | 2015-09-30 | 2015-09-30 | 基于数字滤波的圆锥滚子倒装缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510635100.6A CN105115987B (zh) | 2015-09-30 | 2015-09-30 | 基于数字滤波的圆锥滚子倒装缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105115987A CN105115987A (zh) | 2015-12-02 |
CN105115987B true CN105115987B (zh) | 2017-11-14 |
Family
ID=54664027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510635100.6A Expired - Fee Related CN105115987B (zh) | 2015-09-30 | 2015-09-30 | 基于数字滤波的圆锥滚子倒装缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105115987B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927218B (zh) * | 2021-03-23 | 2023-07-25 | 上海晨兴希姆通电子科技有限公司 | 用于cpu散热板缺陷的检测方法及检测系统 |
CN113706462A (zh) * | 2021-07-21 | 2021-11-26 | 南京旭锐软件科技有限公司 | 产品表面缺陷检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01257250A (ja) * | 1988-04-06 | 1989-10-13 | Hitachi Electron Eng Co Ltd | ディスク表面検査装置における欠陥種別の判別方法 |
US6882611B2 (en) * | 2002-06-04 | 2005-04-19 | Media Tek Inc. | Method and apparatus for defect detection in optical disc drives |
WO2010084884A1 (ja) * | 2009-01-26 | 2010-07-29 | 株式会社日立ハイテクノロジーズ | 暗視野欠陥検査方法、暗視野欠陥検査装置、収差解析方法及び収差解析装置 |
CN102226739A (zh) * | 2011-01-07 | 2011-10-26 | 河南科技大学 | 圆锥滚子轴承滚动体倒装漏装检测装置及检测方法 |
CN102661956A (zh) * | 2012-04-24 | 2012-09-12 | 浙江大学 | 超光滑表面缺陷检测系统及其畸变校正方法 |
-
2015
- 2015-09-30 CN CN201510635100.6A patent/CN105115987B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01257250A (ja) * | 1988-04-06 | 1989-10-13 | Hitachi Electron Eng Co Ltd | ディスク表面検査装置における欠陥種別の判別方法 |
US6882611B2 (en) * | 2002-06-04 | 2005-04-19 | Media Tek Inc. | Method and apparatus for defect detection in optical disc drives |
WO2010084884A1 (ja) * | 2009-01-26 | 2010-07-29 | 株式会社日立ハイテクノロジーズ | 暗視野欠陥検査方法、暗視野欠陥検査装置、収差解析方法及び収差解析装置 |
CN102226739A (zh) * | 2011-01-07 | 2011-10-26 | 河南科技大学 | 圆锥滚子轴承滚动体倒装漏装检测装置及检测方法 |
CN102661956A (zh) * | 2012-04-24 | 2012-09-12 | 浙江大学 | 超光滑表面缺陷检测系统及其畸变校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105115987A (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
WO2022042579A1 (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
Yiyang | The design of glass crack detection system based on image preprocessing technology | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN102879401B (zh) | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN105160654A (zh) | 基于特征点提取的毛巾标签缺陷检测方法 | |
CN108387516A (zh) | 基于ccd像机图像处理技术的螺纹缺陷检测装置及检测方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
Yang et al. | Crack detection in magnetic tile images using nonsubsampled shearlet transform and envelope gray level gradient | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN111650205A (zh) | 基于结构光图像匹配的零件表面缺陷检测方法及系统 | |
CN106914428A (zh) | 一种基于机器视觉的钢球表面缺陷差分检测的新型算法 | |
CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
CN105740872A (zh) | 图像特征提取方法及其装置 | |
CN113155839A (zh) | 一种基于机器视觉的钢板外表面缺陷在线检测方法 | |
CN105115987B (zh) | 基于数字滤波的圆锥滚子倒装缺陷检测方法 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
CN102760295A (zh) | 基于边缘检测算子用火灾图像探测系统 | |
CN104966283A (zh) | 图像分层配准方法 | |
Tang et al. | Surface inspection system of steel strip 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171114 Termination date: 20180930 |