CN105405137B - 基于机器视觉的轴质量检测方法 - Google Patents
基于机器视觉的轴质量检测方法 Download PDFInfo
- Publication number
- CN105405137B CN105405137B CN201510754310.7A CN201510754310A CN105405137B CN 105405137 B CN105405137 B CN 105405137B CN 201510754310 A CN201510754310 A CN 201510754310A CN 105405137 B CN105405137 B CN 105405137B
- Authority
- CN
- China
- Prior art keywords
- quality problems
- image
- value
- shaft section
- axis
- 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.)
- Active
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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的轴质量检测方法,其步骤为:S1:图像预处理;包括寻找轴截面矩形区域和进行图像增强处理;S2:将经过步骤S1处理后的图像进行分割处理,即将轴截面图像分割为若干个小区域,对每个区域内的每小块求解灰度值均值,用柱状图分析单个区域内的灰度值均值变化情况;S3:进行分类判断依据步骤S2得到的柱状图,从而判定轴的质量问题。本发明具有原理简单、效率高、检测精确度高等优点。
Description
技术领域
本发明主要涉及到产品质量的检测领域,特指一种适用于轴的机器视觉质量检测方法。
背景技术
目前,对于“轴”的质量检测主要是依靠人眼观察的方法进行,而人眼检测的方法具有效率低、误检率高、没有统一的质量检测评判标准、人工费用高等缺点;其中,仅仅凭借人的经验进行选择,往往导致误检率高,且产品质量得不到保障,直接影响在市场上的销售。
电机轴的主要材料有碳钢、不锈钢、铜、铝等。以微型电机轴(又称精密轴)为例,其直径相对较小,加工工艺精度高微型轴相对较小,精度高,一般是由客户提供图纸,根据客户要求定制加工,主要通过检测轴截面的各种情况进行质量判定,如轴存在的问题有:平花、粗糙、倒角、平头、尖头擦伤、螺纹等,电机轴检测最小直径范围可为0.2mm。由此可见,如果仅凭人眼来进行检测效率将会十分低下,且无法保证检测精度。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、效率高、检测精确度高的基于机器视觉的轴质量检测方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于机器视觉的轴质量检测方法,其特征在于,步骤为:
S1:图像预处理;包括寻找轴截面矩形区域和进行图像增强处理;
S2:将经过步骤S1处理后的图像进行分割处理,即将轴截面图像分割为若干个小区域,对每个区域内的每小块求解灰度值均值,用柱状图分析单个区域内的灰度值均值变化情况;
S3:进行分类判断依据步骤S2得到的柱状图,从而判定轴的质量问题。
作为本发明的进一步改进:所述寻找轴截面矩形区域的具体流程为:
S101:获取图像;利用图像采集设备获取到轴的横截面图像;
S102:灰度转化;将步骤S1得到的彩色图像进行灰度转化;
S103:Canny边缘检测;对步骤S2得到的整幅图像进行Canny边缘检测算法;
S104:找到每段连续边缘矩形区域坐标;从图像信息中的每一段具有相对的坐标数据,将各段的坐标数据转换成矩形区域;
S105:使用聚类算法对矩形区域进行分类、合并;根据矩形区域中心距离的远近利用聚类算法进行分类、合并;
S106:得到轴截面矩形区域,将轴截面矩形区域图像像素的大小进行归一化处理。
作为本发明的进一步改进:所述图像增强处理的具体流程为:
S1001:对轴检测的截面图像的像素灰度值进行直方图统计分析,根据统计分析结果获取图像中的亮斑阈值A;
S1002:将超过该阈值A的所有像素点舍弃后,对轴截面图像中每一像素点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,即中值滤波;在中值滤波时,只对小于、等于或小于等于阈值A的所有像素点进行滤波处理;
S1003:获得轴截面图像。
作为本发明的进一步改进:,在所述步骤S2中,所述区域的形状为扇形、圆环形或矩形。
作为本发明的进一步改进:所述轴截面图像以45度角分割成八块,再以每个扇形进行细分为十块,全图共分为八十块小区域。
作为本发明的进一步改进:在所述步骤S3中,对轴的质量问题情况对应分为五类进行判断:
A. 若柱状图中出现多个波峰,且波峰数量越多,则为质量问题轴的可能性越大;
B. 若柱状图中出现多个波谷,且波谷数量越多,则为质量问题轴可能性越大;
C. 若柱状图中连续出现等高的柱状块,等高柱状图越多则为质量问题轴的可能性越大;
D. 若柱状图中连续两相邻柱状块的高度值,变化率越大则为质量问题轴的可能性越大;
E. 若柱状图中连续相隔柱状块的高度值,其变化率越大则为质量问题轴的可能性越大。
作为本发明的进一步改进:在所述判别过程中,对于质量问题的轴检测情况,根据五类问题划分等级Cn为0至5,其中n为1至5,所对应的加权权值分别是波峰质量问题错误权值K 1为0.32,波谷质量问题错误权值K 2为0.42,连续等高柱状块的质量问题错误权值K 3为0.45,相邻柱状块变化率的质量问题错误权值K 4为0.46,间隔柱状块变化率的质量问题错误权值K 5为0.35;将上述电机轴截面检测中的质量问题错误等级与质量问题的错误权值相乘,并对所有的质量问题错误的值进行求和,以此来判断待测电机轴的质量情况。
与现有技术相比,本发明的优点在于:本发明的基于机器视觉的轴质量检测方法,可以适用于各种尺寸直径,方法原理简单、快速且稳定,其效率远远高于人眼。针对不同错误从图中会有对应图形分析结果,效率高,可以通过设定不同的参数标准来判断不同的错误类型。
附图说明
图1是本发明方法的流程示意图。
图2是本发明中寻找轴截面矩形区域的流程示意图。
图3是本发明在具体应用中进行边缘提取图像的示意图。
图4是本发明在具体应用中聚类后的图像示意图。
图5是本发明在具体应用中轴截面原图示意图。
图6是本发明在具体应用中进行图像增强处理的流程示意图。
图7是本发明在具体应用中轴截面中值后滤波图。
图8是本发明在具体应用中轴截面分割均值滤波图。
图9是本发明在具体应用中良品电机轴一个扇形区域柱状图。
图10是本发明在具体应用中质量问题的轴一个扇形区域柱状图。
图11是本发明在具体应用中质量问题的轴轴一个扇形区域柱状图。
图12是本发明在具体应用中进行轴质量问题判定的流程示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的基于机器视觉的轴质量检测方法,步骤为:
S1:图像预处理;包括寻找轴截面矩形区域和进行图像增强处理;
S2:将经过步骤S1处理后的图像进行分割处理,即将轴截面图像分割为若干个小区域,对每个区域内的每小块求解灰度值均值,用柱状图分析单个区域内的灰度值均值变化情况;
S3:进行分类判断依据步骤S2得到的柱状图,从而判定轴的质量问题。
由于边缘检测结果复杂且不连续,传统方式中使用hough变换进行检测边缘的方法,导致在寻找轴截面区域的过程中,其准确度低、可靠性差,需要进行优化。具体应用实例中,于步骤S1,本发明进一步对寻找轴截面矩形区域的过程进行优化,如图2所示,其具体流程为:
S101:获取图像;利用图像采集设备(如:相机)获取到轴(如:电机轴)的横截面图像;
S102:灰度转化;将步骤S1得到的彩色图像进行灰度转化;
S103:Canny边缘检测;对步骤S2得到的整幅图像进行Canny边缘检测算法(参见图3);
S104:找到每段连续边缘矩形区域坐标;从图像信息中的每一段具有相对的坐标数据,将各段的坐标数据转换成矩形区域;
S105:使用聚类算法对矩形区域进行分类、合并;根据矩形区域中心距离的远近利用聚类算法进行分类、合并(参见图4);
S106:得到轴截面矩形区域,将轴截面矩形区域图像像素的大小进行归一化处理。
由于轴截面加工情况不同,导致轴的表面光滑程度不同,轴截面通过光照后,在光反射区域可能出现阴影,光照不均等情况,也就是光强大小不同,如图5所示,那么在轴截面的检测图像中所呈现的灰度值大小也会不不同,此时的像素点会在反光较强的区域产生亮斑,在针对轴截面图像预处理的过程中,传统方式中直接使用高斯滤波、均值滤波、Gabor滤波、中值滤波等方法进行图像增强处理,其效果不佳。具体应用实例中,于步骤S1,本发明进一步进行图像增强处理进行优化,如图6所示,其具体流程为:
S1001:对轴检测的截面图像的像素灰度值进行直方图统计分析,根据统计分析结果获取图像中的亮斑阈值A;
S1002:其次将超过该阈值A的所有像素点舍弃后,对轴截面图像中每一像素点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,即中值滤波;在中值滤波时,只对小于、等于或小于等于阈值A的所有像素点进行滤波处理,此方法除中值滤波以外,同样也可使用均值滤波的方法进行替换处理,消除孤立的噪声点,从而增强轴截面图像局部信息;
S1003:获得改进滤波算法后的轴截面图像,如图7所示。
如图8所示,具体应用实例中,本发明步骤S2的具体为:将滤波后的轴截面图像分割为若干个小区域;依据不同需求可按照扇形、圆环形、矩形或其结合等不同形状,不同比例大小的图像进行分割,分割区域越小,所获取到的图像局部信息就越详细。比如图8所示,以45度角分割成八块,再以每个扇形进行细分为十块,全图共分为八十块小区域,其中对每个扇形区域内的每小块求解灰度值均值,用柱状图来分析单个扇形区域内的灰度值均值变化情况,如图9、图10、图11所示。
本发明将图像分为八块扇形区域,每个扇形区域,每个扇形可画出对应十份的直方图,如图8所示。每个扇形区域半径方向上灰度柱状方图如图9、图10及图11所示。此次实验中轴截面是凸起的球面,良好的轴截面灰度值是渐变的,如果截面出现擦伤、削平、螺纹等损坏。柱状方图对应相邻或相隔灰度值变化很大、连续相邻灰度值变化很小、出现多个波峰和波谷等错误情况。在图11中如标示区域所示,多个连续区域灰度值变化很小,说明该区域出现错误。在图12中如标示区域所示,相邻或相隔灰度值出现较大突变,说明该区域出现错误。
根据大量轴截面柱状图数据分析结果表明,在特定光照下,扇形区域的柱状图的变化是有规律的,均匀的。在有质量问题的轴情况下,可通过扇形区域内的柱状图进行分析、判断,具体应用实例中,参见图12,本发明步骤S3中,对轴的质量问题情况对应可分为五类进行判断:
A. 若柱状图中出现多个波峰,且波峰数量越多,则为质量问题轴的可能性越大。
B. 若柱状图中出现多个波谷,且波谷数量越多,则为质量问题轴可能性越大。
C. 若柱状图中连续出现等高的柱状块,等高柱状图越多则为质量问题轴的可能性越大。
D. 若柱状图中连续两相邻柱状块的高度值,变化率越大则为质量问题轴的可能性越大。
E. 若柱状图中连续相隔柱状块的高度值,其变化率越大则为质量问题轴的可能性越大。
在上述判别过程中,对于质量问题的轴检测情况,根据五类问题划分等级Cn为0至5,其中n为1至5,所对应的加权权值分别是波峰质量问题错误权值K 1为0.32,波谷质量问题错误权值K 2为0.42,连续等高柱状块的质量问题错误权值K 3为0.45,相邻柱状块变化率的质量问题错误权值K 4为0.46,间隔柱状块变化率的质量问题错误权值K 5为0.35。
将上述电机轴截面检测中的质量问题错误等级与质量问题的错误权值相乘,并对所有的质量问题错误的值进行求和,以此来判断待测电机轴的质量情况。
以上五类的轴判断情况,在八个扇形区域中出现的次数越多,则为质量问题轴的可能性更大。与之对应,具体的判断条件为:
a、波峰的判断条件,若连续三块中出现两边柱状块的值小,中间的值大,则可判断为波峰,其中质量问题的等级范围为0至5,比如首先在每个扇形区域内波峰的数量进行统计,若出现两个及两个以上,则质量问题计数加1,然后对所有扇形区域的质量问题计数,进行累加为P1;若P1为0时,则等级C1为0;若P1为1至2时,则等级C1为1;若P1为3时,则等级C1为2;若P1为4时,则等级C1为3;若P1为5时,则等级C1为4;若P1大于或等于5时,则等级C1为5。
b、波谷的判断条件,若连续三块中出现两边柱状块的值大,中间的值小,则可判断为波谷,其中质量问题的等级范围为0至5,比如所有扇形区域内波谷的数量进行统计,若出现一个波谷,则质量问题计数加1,累加的结果为P2;若P2为0时,则等级C2为0;若P2为1至2时,则等级C2为1;若P2为3时,则等级C2为2;若P2为4时,则等级C2为3;若P2为5时,则等级C2为4;若P2大于或等于5时,则等级C2为5。
c、连续等高柱状块值判断条件,若连续三块中出现等高的柱状块值,则可判断为轴有质量问题,其中质量问题的等级范围为0至5,比如每个扇形区域内连续三个等高柱状块值数量进行统计,则质量问题计数P3加1;每个扇形区域内连续四个等高柱状块值数量进行统计,则质量问题计数P3再加1;依次类推,若每个扇形区域内连续出现三块等高柱状块值,若每多超过1个,则质量问题计数P3再加1;若P3为0时,则等级C3为0;若P3为1时,则等级C3为1;若P3为2时,则等级C3为2;若P3为3时,则等级C3为3;若P3为4时,则等级C3为4;若P3大于或等于5时,则等级C3为5。
d、相邻柱状块值的变化率判断条件,利用相邻柱状块的值的变化率a,,可判断为轴有质量问题,其中质量问题的等级范围为0至5,若变化率a大于50%到60%之间,则质量问题计数P4加1;若变化率a大于61%到70%之间,则质量问题计数P4加2;若变化率a大于71%到80%之间,则质量问题计数P4加3;若变化率a大于81%到90%之间,则质量问题计数P4加4;若变化率a大于91%,则质量问题计数P4加5;若P4小于或等于1时,则等级C4为0;若P4为2至3时,则等级C4为1;若P4为4至5时,则等级C4为2;若P4为6至7时,则等级C4为3;若P4为8至9时,则等级C4为4;若P4大于9时,则等级C4为5。
e、相隔柱状块值的变化率判断条件,利用相隔柱状块的值的变化率b,,可判断为轴有质量问题,其中质量问题的等级范围为0至5,若变化率b大于75%到85%之间,则质量问题计数P5加1;若变化率b大于85%到95%之间,则质量问题计数P5加2;若变化率b大于95%到105%之间,则质量问题计数P5加3;若变化率b大于105%之间,则质量问题计数P5加4;若P5为0时,则等级C5为0;若P5为1时,则等级C5为1;若P5为2时,则等级C5为2;若P5为3时,则等级C5为3;若P5为4时,则等级C5为4;若P5大于4时,则等级C5为5。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于机器视觉的轴质量检测方法,其特征在于,步骤为:
S1:图像预处理;包括寻找轴截面矩形区域,并进行图像增强处理;
S2:将经过步骤S1处理后的图像进行分割处理,即将轴截面图像分割为若干个小区域,对每个区域内的每小块求解灰度值均值,用柱状图分析单个区域内的灰度值均值变化情况;
S3:进行分类判断依据步骤S2得到的柱状图,从而判定轴的质量问题;
在所述步骤S3中,对轴的质量问题情况对应分为五类进行判断:
A. 若柱状图中出现多个波峰,且波峰数量越多,则为质量问题轴的可能性越大;
B. 若柱状图中出现多个波谷,且波谷数量越多,则为质量问题轴可能性越大;
C. 若柱状图中连续出现等高的柱状块,等高柱状图越多则为质量问题轴的可能性越大;
D. 若柱状图中连续两相邻柱状块的高度值,变化率越大则为质量问题轴的可能性越大;
E. 若柱状图中连续相隔柱状块的高度值,其变化率越大则为质量问题轴的可能性越大。
2.根据权利要求1所述的基于机器视觉的轴质量检测方法,其特征在于,在所述步骤S1中,所述寻找轴截面矩形区域的具体流程为:
S101:获取图像;利用图像采集设备获取到轴的横截面图像;
S102:灰度转化;将步骤S1得到的彩色图像进行灰度转化;
S103:Canny边缘检测;对步骤S2得到的整幅图像进行Canny边缘检测算法;
S104:找到每段连续边缘矩形区域坐标;从图像信息中的每一段具有相对的坐标数据,将各段的坐标数据转换成矩形区域;
S105:使用聚类算法对矩形区域进行分类、合并;根据矩形区域中心距离的远近利用聚类算法进行分类、合并;
S106:得到轴截面矩形区域,将轴截面矩形区域图像像素的大小进行归一化处理。
3.根据权利要求1所述的基于机器视觉的轴质量检测方法,其特征在于,在所述步骤S1中,所述图像增强处理的具体流程为:
S1001:对轴检测的截面图像的像素灰度值进行直方图统计分析,根据统计分析结果获取图像中的亮斑阈值A;
S1002:将超过该阈值A的所有像素点舍弃后,对轴截面图像中每一像素点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,即中值滤波;在中值滤波时,只对小于、等于或小于等于阈值A的所有像素点进行滤波处理;
S1003:获得轴截面图像。
4.根据权利要求1或2或3所述的基于机器视觉的轴质量检测方法,其特征在于,在所述步骤S2中,所述区域的形状为扇形、圆环形或矩形。
5.根据权利要求4所述的基于机器视觉的轴质量检测方法,其特征在于,所述轴截面图像以45度角分割成八块,再以每个扇形进行细分为十块,全图共分为八十块小区域。
6.根据权利要求1所述的基于机器视觉的轴质量检测方法,其特征在于,在所述判断过程中,对于质量问题的轴检测情况,根据五类问题划分等级Cn为0至5,其中n为1至5,所对应的加权权值分别是波峰质量问题错误权值K 1为0.32,波谷质量问题错误权值K 2为0.42,连续等高柱状块的质量问题错误权值K 3为0.45,相邻柱状块变化率的质量问题错误权值K 4为0.46,间隔柱状块变化率的质量问题错误权值K 5为0.35;将电机轴截面检测中的质量问题错误等级与质量问题的错误权值相乘,并对所有的质量问题错误的值进行求和,以此来判断待测电机轴的质量情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510754310.7A CN105405137B (zh) | 2015-11-09 | 2015-11-09 | 基于机器视觉的轴质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510754310.7A CN105405137B (zh) | 2015-11-09 | 2015-11-09 | 基于机器视觉的轴质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105405137A CN105405137A (zh) | 2016-03-16 |
CN105405137B true CN105405137B (zh) | 2018-10-26 |
Family
ID=55470604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510754310.7A Active CN105405137B (zh) | 2015-11-09 | 2015-11-09 | 基于机器视觉的轴质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105405137B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865344A (zh) * | 2016-06-13 | 2016-08-17 | 长春工业大学 | 一种基于机器视觉的工件尺寸测量方法和装置 |
CN111546035B (zh) * | 2020-04-07 | 2021-07-02 | 大连理工大学 | 一种基于学习与预测的齿轮在线快速装配方法 |
CN114693596A (zh) * | 2022-02-16 | 2022-07-01 | 杭州筑峰科技有限公司 | 一种铝型材截面的质量检测方法及系统 |
CN115115644B (zh) * | 2022-08-31 | 2022-11-15 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331695A (zh) * | 2014-09-01 | 2015-02-04 | 西北工业大学 | 一种鲁棒的圆形标志符形状质量检测方法 |
CN104346437A (zh) * | 2013-08-09 | 2015-02-11 | 卡尔蔡司显微镜有限责任公司 | 使用带电粒子束的半自动粒子分析的方法和数据分析系统 |
CN104484878A (zh) * | 2014-12-16 | 2015-04-01 | 深圳市华星光电技术有限公司 | 显示面板缺陷的自动检测方法 |
CN104504686A (zh) * | 2014-12-04 | 2015-04-08 | 哈尔滨工程大学 | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1639342A4 (en) * | 2003-05-19 | 2010-04-14 | Kla Tencor Tech Corp | DEVICE AND METHOD FOR ENABLING A ROBUST SEPARATION BETWEEN INTERESTING SIGNALS AND NOISE |
-
2015
- 2015-11-09 CN CN201510754310.7A patent/CN105405137B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346437A (zh) * | 2013-08-09 | 2015-02-11 | 卡尔蔡司显微镜有限责任公司 | 使用带电粒子束的半自动粒子分析的方法和数据分析系统 |
CN104331695A (zh) * | 2014-09-01 | 2015-02-04 | 西北工业大学 | 一种鲁棒的圆形标志符形状质量检测方法 |
CN104504686A (zh) * | 2014-12-04 | 2015-04-08 | 哈尔滨工程大学 | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 |
CN104484878A (zh) * | 2014-12-16 | 2015-04-01 | 深圳市华星光电技术有限公司 | 显示面板缺陷的自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105405137A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN105405137B (zh) | 基于机器视觉的轴质量检测方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
EP3785223B1 (en) | Systems and methods for segmentation and analysis of 3d images | |
CN102654464A (zh) | 基于多特征模糊识别的铜带表面缺陷检测系统 | |
CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
CN102508110A (zh) | 基于纹理的绝缘子缺陷诊断方法 | |
CN114926463A (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN110111301A (zh) | 基于频域变换的金属氧化表面缺陷视觉检测方法 | |
CN104778684A (zh) | 钢材表面异质型缺陷的自动测量、表征分类方法及其系统 | |
CN102254191A (zh) | 一种基于图像处理的降水粒子相态识别方法 | |
CN115471466A (zh) | 一种基于人工智能的钢材表面缺陷检测方法及系统 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
Wu et al. | Online size distribution measurement of dense iron green pellets using an efficient and multiscale nested U-net method | |
CN108961262A (zh) | 一种复杂场景下的条码定位方法 | |
Li et al. | DDR-Unet: A High Accuracy and Efficient Ore Image Segmentation Method | |
CN113793322A (zh) | 一种对磁性材料自动检测的方法、电子设备和存储介质 | |
Hu et al. | HTF: a novel feature for general crack detection | |
CN113628155A (zh) | 一种圆盘造球机的生球粒径检测方法及系统 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
Chow et al. | Automated visual inspection system for mass production of hard disk drive media | |
Yang et al. | The improvement of Bernsen binarization algorithm for QR Code image | |
Yu et al. | A novel algorithm in buildings/shadow detection based on Harris detector |
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 |