CN105427335A - 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 - Google Patents
一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 Download PDFInfo
- Publication number
- CN105427335A CN105427335A CN201511027849.9A CN201511027849A CN105427335A CN 105427335 A CN105427335 A CN 105427335A CN 201511027849 A CN201511027849 A CN 201511027849A CN 105427335 A CN105427335 A CN 105427335A
- Authority
- CN
- China
- Prior art keywords
- image
- plating leakage
- gray
- region unit
- leakage 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法,首先判定漏镀缺陷——判定后再定位漏镀缺陷的区域,每个过程均包括训练分类器-测试-输出结果,判定漏镀缺陷时,采用产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩作为特征向量,而定位漏镀缺陷时,则采用灰度均值、灰度方差、RGB联合向量以及在0°、45°、90°和135°四个方向上的相关性,构成特征向量。本发明针对多孔金属材料能在线自动检测并定位漏镀缺陷区域,不仅准确率高,可实现产品的无损检测,而且还可提高多孔金属材料产品的质量和合格率,降低生产成本,提高生产效率。
Description
技术领域
本发明涉及一种多孔金属材料在生产过程中产生的一种缺陷区域的检测并定位的方法,特别涉及一种连续带状多孔金属材料生产过程中产生的漏镀缺陷区域的检测并定位的方法。
背景技术
多孔金属材料是一种由金属基体和大量孔隙组成的结构功能一体化的新型金属基复合材料。它因密度低、表面积大而具有独特的优势,在高新技术领域得到了广泛的应用。但在连续化的工业生产过程中,产品的漏镀缺陷(即未镀覆金属)严重影响产品质量。目前判定及定位材料中有这种缺陷的方法一般是在光线充足条件下,用人工目测法。这种方法效率低、准确度差、成本高,严重依赖操作员工的经验,与连续化生产不相适应。
发明内容
本发明旨在提供一种多孔金属材料漏镀缺陷区域的检测并定位缺陷区域的方法,可实现在线自动无损检测并定位,无需人工参与,准确率和效率都大大提高。本发明通过以下方案实现:
一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法,首先判定漏镀缺陷;判定后再定位漏镀缺陷的区域;按以下步骤判定漏镀缺陷:
(1-I)使用相同的可采集图像数据装置,在相同的光照条件和相同拍摄距离条件下,拍摄同一规格的带状多孔金属产品图像,从拍摄的图像中选取N张正常产品图像和P张包含漏镀缺陷的产品图像,其中N≥500,P≥100,选取的图像大小相同,并输入至具有数据处理功能的设备中;
(1-II)采用所述具有数据处理功能的设备,计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值;同质值通过公式(1)计算得到:
其中,d表示距离,θ表示角度,P(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的元素值;
(1-III)将正常产品图像按步骤(1-II)计算得到的5个特征值作为正样本特征向量FPA:
FPA=[μA,σA,HA(d,θ),IA(45°),IA(135°)](2)
其中,μA为正常产品图像的灰度均值,σA为灰度方差,HA(d,θ)为同质值,IA(45°)为在45°方向上的惯性矩,IA(135°)为在135°方向上的惯性矩;
将包含漏镀缺陷的产品图像按步骤(1-II)计算得到的5个特征值作为负样本特征向量FNB:
FNB=[μB,σB,HB(d,θ),IB(45°),IB(135°)](3)
其中,μB为包含漏镀缺陷的产品图像的灰度均值,σB为灰度方差,HB(d,θ)为同质值,IB(45°)为在45°方向上的惯性矩,IB(135°)为在135°方向上的惯性矩;
(1-IV)分别对正样本特征向量和负样本特征向量给出不同的标识,输入具有数据处理功能的分类器,完成训练;
完成判定漏镀缺陷的分类器训练后,采用与训练分类器完全相同的图像数据采集条件实时采集待测产品的图像,图像大小也与训练分类器时选取的图像大小相同;按所述训练分类器的步骤(1-II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量,并输入到已经训练好的分类器中进行测试,若测试结果为正样本类别时,该图像被判定为无漏镀缺陷产品图像,若测试结果为负样本类别时,该图像被判定为含漏镀缺陷产品图像。
按以下步骤定位漏镀缺陷的区域:
(2-Ⅰ)在具有数据处理功能的设备中将包含有漏镀缺陷的彩色图像分成大小为n×n的区域块,大小不足n×n的区域块被剔除,再将所分好的区域块分为C、D两组,其中C组的区域块是完全不包含漏镀缺陷的区域块,D组是全部包含漏镀缺陷的区域块;n为64~256的自然数;
(2-Ⅱ)采用所述具有数据处理功能的设备计算C、D两组每个区域块图像的RGB联合向量,再将C、D两组每个区域块图像转化为灰度图像,计算每个区域块图像的灰度均值、灰度方差以及在0°、45°、90°和135°四个方向上的相关性,将C、D两组区域块图像的上述特征分别构成正、负样本特征向量,并对正样本特征向量和负样本特征向量给出不同的标识,输入具有数据处理功能的分类器,完成训练;其中所述的RGB联合向量按公式(4)和公式(5)计算:
FC=[rgb,rbg,gbr,grb,bgr,brg](5)
其中,α、β和χ为比例系数,R是指所述彩色图像中红色通道的像素值,G是指所述彩色图像中绿色通道的像素值,B是指所述彩色图像中蓝色通道的像素值,FC为RGB联合向量;
在完成定位的分类器训练后,将已经判定被确认有漏镀缺陷存在的图像作为待定位漏镀区域的图像,将图像分成大小为n×n的区域块,大小不足n×n的区域块被剔除;按所述训练分类器的步骤(2-Ⅱ)分别计算每张图像的每个区域块的RGB联合向量、以及区域块图像转化为灰度图像后的灰度均值、灰度方差和在0°、45°、90°和135°四个方向上的相关性,将计算得到的区域块图像特征构成待定位漏镀区域图像的特征向量,将之输入已完成训练的定位分类器中,输出待定位漏镀区域图像中漏镀区域的识别结果。
实验发现,选取的图像大小不小于1024×1024像素,选取N≥1000,P≥300时,判定的准确率更高。
在定位漏镀缺陷区域的步骤中,按公式(6)构成所述正样本特征向量:
FPc=[FCC,μC,σC,R(C,0°),R(C,45°),R(C,90°),R(C,135°)](6)
其中,FCC是C组图像RGB联合向量,μC是C组图像转化为灰度图像后的灰度均值,σC是C组图像转化为灰度图像后的灰度方差,R(C,0°)、R(C,45°)、R(C,90°)和R(C,135°)是C组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
在定位漏镀缺陷区域的步骤中,按公式(7)构成所述负样本特征向量:
FND=[FCD,μD,σD,R(D,0°),R(D,45°),R(D,90°),R(D,135°)](7)
其中,FCD是D组图像RGB联合向量,μD是D组图像转化为灰度图像后的灰度均值,σD是D组图像转化为灰度图像后的灰度方差,R(D,0°)、R(D,45°)、R(D,90°)和R(D,135°)是D组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
在定位漏镀缺陷区域的步骤中,按公式(8)构成所述测试特征向量:
FNx=[FCx,μx,σx,R(x,0°),R(x,45°),R(x,90°),R(x,135°)](8)
其中,FCx是待定位漏镀区域图像的RGB联合向量,μx是待定位漏镀区域图像转化为灰度图像后的灰度均值,σx是待定位漏镀区域图像转化为灰度图像后的灰度方差,R(x,0°)、R(x,45°)、R(x,90°)和R(x,135°)是待定位漏镀区域图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
与现有技术相比,本发明针对多孔金属材料能在线自动检测其中的漏镀缺陷,并且还能定位缺陷区域,不仅准确率高,可实现产品的无损检测,而且还可提高多孔金属材料产品的质量和合格率,降低生产成本,提高生产效率。
具体实施方式
实施例1
一种连续带状多孔金属镍材料漏镀缺陷的检测并定位缺陷区域的方法,首先判定漏镀缺陷;判定后再定位漏镀缺陷的区域。
按以下步骤判定漏镀缺陷:
(1-I)采用分辨率为2448×2056的VieworksVH-4M高清相机,在同一光照下垂直拍摄95PPI、面密度350克/平米、厚度1.0mm规格的带状多孔镍产品图像,从拍摄的图像中选取900张正常产品图像和350张包含漏镀缺陷的产品图像,选取图像的大小为1024×1024像素,全部输入电脑设备;
(1-II)在电脑设备中,计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值;同质值通过公式(1)计算得到:
其中,d表示距离,θ表示角度,P(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的每个元素值;
(1-III)将正常产品图像按步骤(II)计算得到的5个特征值作为正样本特征向量FPA:
FPA=[μA,σA,HA(d,θ),IA(45°),IA(135°)](2)
其中,μA为正常产品图像的灰度均值,σA为灰度方差,HA(d,θ)为同质值,IA(45°)为在45°方向上的惯性矩,IA(135°)为在135°方向上的惯性矩;
将包含漏镀缺陷的产品图像按步骤(II)计算得到的5个特征值作为负样本特征向量FNB:
FNB=[μB,σB,HB(d,θ),IB(45°),IB(135°)](3)
其中,μB为包含漏镀缺陷的产品图像的灰度均值,σB为灰度方差,HB(d,θ)为同质值,IB(45°)为在45°方向上的惯性矩,IB(135°)为在135°方向上的惯性矩;
(1-IV)分别对正样本特征向量和负样本特征向量给出不同的标识,使得所述具有数据处理功能的设备具有分类功能,完成训练,成为分类器;
(1-Ⅴ)完成分类器训练后,采用与训练分类器完全相同的数据图像采集条件实时采集待测产品的图像,图像大小也与训练分类器时选取图像的大小相同,即:1024×1024像素;按上述训练分类器的步骤(II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量,并输入到训练好的SVM分类器中进行测试,若测试结果为正样本类别,该图像被判定为无漏镀缺陷产品图像,若测试结果为负样本类别,该图像被判定为含漏镀缺陷产品图像。
按以下步骤定位漏镀缺陷的区域:
(2-Ⅰ)在电脑设备中将350张包含漏镀缺陷的产品彩色图像分成大小为200×200的区域块,大小不足n×n的区域块被剔除,再将所分好的区域块分为C、D两组,其中C组的区域块是完全不包含漏镀缺陷的区域块,D组是全部包含漏镀缺陷的区域块;
(2-Ⅱ)采用电脑设备计算C、D两组每个区域块图像的RGB联合向量,再将C、D两组区域块图像转化为灰度图像,计算每个区域块图像的灰度均值、灰度方差、以及在0°、45°、90°和135°四个方向上的相关性,RGB联合向量按公式(4)和公式(5)计算:
FC=[rgb,rbg,gbr,grb,bgr,brg](5)
其中,α、β和χ为比例系数,R是指所述彩色图像中红色通道的像素值,G是指所述彩色图像中绿色通道的像素值,B是指所述彩色图像中蓝色通道的像素值,FC为RGB联合向量;
按公式(6)构成所述正样本特征向量:
FPc=[FCC,μC,σC,R(C,0°),R(C,45°),R(C,90°),R(C,135°)](6)
其中,FCC是C组图像RGB联合向量,μC是C组图像转化为灰度图像后的灰度均值,σC是C组图像转化为灰度图像后的灰度方差,R(C,0°)、R(C,45°)、R(C,90°)和R(C,135°)是C组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
按公式(7)构成所述负样本特征向量:
FND=[FCD,μD,σD,R(D,0°),R(D,45°),R(D,90°),R(D,135°)](7)
其中,FCD是D组图像RGB联合向量,μD是D组图像转化为灰度图像后的灰度均值,σD是D组图像转化为灰度图像后的灰度方差,R(D,0°)、R(D,45°)、R(D,90°)和R(D,135°)是D组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
在完成上述定位的分类器训练后,将已经判定被确认有漏镀缺陷存在的图像作为待定位漏镀区域的图像,在已完成所述训练的分类器中,将每张待定位漏镀区域的图像分成大小为200×200的区域块,大小不足n×n的区域块被剔除;按所述训练分类器的步骤(2-Ⅱ)分别计算每张图像的每个区域块的RGB联合向量、以及区域块图像转化为灰度图像后的灰度均值、灰度方差和在0°、45°、90°和135°四个方向上的相关性,按公式(8)构成所述测试特征向量:
FNx=[FCx,μx,σx,R(x,0°),R(x,45°),R(x,90°),R(x,135°)](8)
其中,FCx是待定位漏镀区域图像的RGB联合向量,μx是待定位漏镀区域图像转化为灰度图像后的灰度均值,σx是待定位漏镀区域图像转化为灰度图像后的灰度方差,R(x,0°)、R(x,45°)、R(x,90°)和R(x,135°)是待定位漏镀区域图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
将测试特征向量输入已完成训练识别定位的分类器中,输出待定位漏镀区域图像中漏镀区域的定位结果。
Claims (6)
1.一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法,首先判定漏镀缺陷;判定后再定位漏镀缺陷的区域;其特征在于:按以下步骤判定漏镀缺陷,
(1-I)使用相同的可采集图像数据装置,在相同的光照条件和相同拍摄距离条件下,拍摄同一规格的带状多孔金属产品图像,从拍摄的图像中选取N张正常产品图像和P张包含漏镀缺陷的产品图像,其中N≥500,P≥100,选取的图像大小相同,并输入至具有数据处理功能的设备中;
(1-II)采用所述具有数据处理功能的设备,计算每张图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩共5个特征值;同质值通过公式(1)计算得到:
其中,d表示距离,θ表示角度,P(d,θ)(m,n)表示距离为d、角度为θ的灰度共生矩阵的元素值;
(1-III)将正常产品图像按步骤(1-II)计算得到的5个特征值作为正样本特征向量FPA:
FPA=[μA,σA,HA(d,θ),IA(45°),IA(135°)](2)
其中,μA为正常产品图像的灰度均值,σA为灰度方差,HA(d,θ)为同质值,IA(45°)为在45°方向上的惯性矩,IA(135°)为在135°方向上的惯性矩;
将包含漏镀缺陷的产品图像按步骤(1-II)计算得到的5个特征值作为负样本特征向量FNB:
FNB=[μB,σB,HB(d,θ),IB(45°),IB(135°)](3)
其中,μB为包含漏镀缺陷的产品图像的灰度均值,σB为灰度方差,HB(d,θ)为同质值,IB(45°)为在45°方向上的惯性矩,IB(135°)为在135°方向上的惯性矩;
(1-IV)分别对正样本特征向量和负样本特征向量给出不同的标识,输入具有数据处理功能的分类器,完成训练;
完成判定漏镀缺陷的分类器训练后,采用与训练分类器完全相同的图像数据采集条件实时采集待测产品的图像,图像大小也与训练分类器时选取的图像大小相同;按所述训练分类器的步骤(1-II)分别计算每张待测产品图像的灰度均值、方差、同质值及45°和135°两个方向上的惯性矩构成测试特征向量,并输入到已经训练好的分类器中进行测试,若测试结果为正样本类别时,该图像被判定为无漏镀缺陷产品图像,若测试结果为负样本类别时,该图像被判定为含漏镀缺陷产品图像;
按以下步骤定位漏镀缺陷的区域:
(2-Ⅰ)在具有数据处理功能的设备中将包含有漏镀缺陷的彩色图像分成大小为n×n的区域块,大小不足n×n的区域块被剔除,再将所分好的区域块分为C、D两组,其中C组的区域块是完全不包含漏镀缺陷的区域块,D组是全部包含漏镀缺陷的区域块;n为64~256的自然数;
(2-Ⅱ)采用所述具有数据处理功能的设备计算C、D两组每个区域块图像的RGB联合向量,再将C、D两组每个区域块图像转化为灰度图像,计算每个区域块图像的灰度均值、灰度方差以及在0°、45°、90°和135°四个方向上的相关性,将C、D两组区域块图像的上述特征分别构成正、负样本特征向量,并对正样本特征向量和负样本特征向量给出不同的标识,输入具有数据处理功能的分类器,完成训练;其中所述的RGB联合向量按公式(4)和公式(5)计算:
FC=[rgb,rbg,gbr,grb,bgr,brg](5)
其中,α、β和χ为比例系数,R是指所述彩色图像中红色通道的像素值,G是指所述彩色图像中绿色通道的像素值,B是指所述彩色图像中蓝色通道的像素值,FC为RGB联合向量;
在完成定位的分类器训练后,将已经判定被确认有漏镀缺陷存在的图像作为待定位漏镀区域的图像,将图像分成大小为n×n的区域块,大小不足n×n的区域块被剔除;按所述训练分类器的步骤(2-Ⅱ)分别计算每张图像每个区域块的RGB联合向量,以及区域块图像转化为灰度图像后的灰度均值、灰度方差和在0°、45°、90°和135°四个方向上的相关性,将计算得到的区域块图像特征构成待定位漏镀区域图像的特征向量,将之输入已完成训练的定位分类器中,输出待定位漏镀区域图像中漏镀区域的识别结果。
2.如权利要求1所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法,选取的图像大小不小于1024×1024像素。
3.如权利要求1所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法,其特征在于:所述选取N≥500,P≥100。
4.如权利要求1~3之一所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法,其特征在于:在所述的步骤(2-Ⅱ)中,按公式(6)构成所述正样本特征向量,
FPc=[FCC,μC,σC,R(C,0°),R(C,45°),R(C,90°),R(C,135°)](6)
其中,FCC是C组图像RGB联合向量,μC是C组图像转化为灰度图像后的灰度均值,σC是C组图像转化为灰度图像后的灰度方差,R(C,0°)、R(C,45°)、R(C,90°)和R(C,135°)是C组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
5.如权利要求4所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法,其特征在于:在所述的步骤(2-Ⅱ)中,按公式(7)构成所述负样本特征向量,
FND=[FCD,μD,σD,R(D,0°),R(D,45°),R(D,90°),R(D,135°)](7)
其中,FCD是D组图像RGB联合向量,μD是D组图像转化为灰度图像后的灰度均值,σD是D组图像转化为灰度图像后的灰度方差,R(D,0°)、R(D,45°)、R(D,90°)和R(D,135°)是D组图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
6.如权利要求5所述的连续带状多孔金属材料漏镀缺陷的检测并定位的方法,其特征在于:在所述的完成定位的分类器训练后,按公式(8)构成所述测试特征向量,
FNx=[FCx,μx,σx,R(x,0°),R(x,45°),R(x,90°),R(x,135°)](8)
其中,FCx是待定位漏镀区域图像的RGB联合向量,μx是待定位漏镀区域图像转化为灰度图像后的灰度均值,σx是待定位漏镀区域图像转化为灰度图像后的灰度方差,R(x,0°)、R(x,45°)、R(x,90°)和R(x,135°)是待定位漏镀区域图像转化为灰度图像后在0°、45°、90°和135°四个方向上的相关性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511027849.9A CN105427335B (zh) | 2015-12-31 | 2015-12-31 | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511027849.9A CN105427335B (zh) | 2015-12-31 | 2015-12-31 | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105427335A true CN105427335A (zh) | 2016-03-23 |
CN105427335B CN105427335B (zh) | 2019-01-01 |
Family
ID=55505515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511027849.9A Active CN105427335B (zh) | 2015-12-31 | 2015-12-31 | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427335B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330474A (zh) * | 2017-07-12 | 2017-11-07 | 北京科技大学 | 一种锂电池梯次利用筛选方法 |
CN116343359A (zh) * | 2023-02-16 | 2023-06-27 | 唐山三友化工股份有限公司 | 一种工业生产异常行为态势检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100118137A1 (en) * | 2008-11-07 | 2010-05-13 | Toyota Motor Engineering & Manufacturing North America, Inc. | Gradient image processing |
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
CN103745461A (zh) * | 2013-03-17 | 2014-04-23 | 北京理工大学 | 一种基于区域组合特征的印刷图像缺陷检测方法 |
CN104751447A (zh) * | 2015-01-10 | 2015-07-01 | 哈尔滨工业大学(威海) | 一种锂电池单元缺陷检测方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN104834939A (zh) * | 2015-05-12 | 2015-08-12 | 先进储能材料国家工程研究中心有限责任公司 | 一种在线自动检测多孔金属材料空洞缺陷的方法 |
-
2015
- 2015-12-31 CN CN201511027849.9A patent/CN105427335B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100118137A1 (en) * | 2008-11-07 | 2010-05-13 | Toyota Motor Engineering & Manufacturing North America, Inc. | Gradient image processing |
CN101996405A (zh) * | 2010-08-30 | 2011-03-30 | 中国科学院计算技术研究所 | 一种快速的玻璃图像缺陷检测及分类方法及其装置 |
CN103745461A (zh) * | 2013-03-17 | 2014-04-23 | 北京理工大学 | 一种基于区域组合特征的印刷图像缺陷检测方法 |
CN104751447A (zh) * | 2015-01-10 | 2015-07-01 | 哈尔滨工业大学(威海) | 一种锂电池单元缺陷检测方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN104834939A (zh) * | 2015-05-12 | 2015-08-12 | 先进储能材料国家工程研究中心有限责任公司 | 一种在线自动检测多孔金属材料空洞缺陷的方法 |
Non-Patent Citations (1)
Title |
---|
张辉等: "《基于逆向P-M扩散的医用输液容器组合盖缺陷检测系统》", 《电子测量与仪器学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330474A (zh) * | 2017-07-12 | 2017-11-07 | 北京科技大学 | 一种锂电池梯次利用筛选方法 |
CN116343359A (zh) * | 2023-02-16 | 2023-06-27 | 唐山三友化工股份有限公司 | 一种工业生产异常行为态势检测方法及系统 |
CN116343359B (zh) * | 2023-02-16 | 2023-10-31 | 唐山三友化工股份有限公司 | 一种工业生产异常行为态势检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105427335B (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376792B (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN107657603B (zh) | 一种基于智能视觉的工业外观检测方法 | |
CN106238350B (zh) | 一种基于机器视觉的太阳能电池片分选方法与系统 | |
CN109544533B (zh) | 一种基于深度学习的金属板缺陷检测和度量方法 | |
CN103776841B (zh) | 合成革缺陷自动检测装置及检测方法 | |
CN104834939A (zh) | 一种在线自动检测多孔金属材料空洞缺陷的方法 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN113822889B (zh) | 一种热轧钢板表面缺陷检测方法 | |
CN112557406B (zh) | 纸品生产质量智能检验方法及其系统 | |
CN105354598B (zh) | 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法 | |
Dong et al. | Spatio-temporal 3-D residual networks for simultaneous detection and depth estimation of CFRP subsurface defects in lock-in thermography | |
CN105427335A (zh) | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 | |
CN103903009A (zh) | 一种基于机器视觉的工业品检测方法 | |
CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
Kuo et al. | Screw defect detection system based on AI image recognition technology | |
CN103559486A (zh) | 一种视频检测地板正反面的方法 | |
CN105701797B (zh) | 连续带状多孔金属材料漏镀缺陷的判定方法 | |
CN110243475B (zh) | 一种基于机器视觉识别技术的织物色差检测方法 | |
CN113128555A (zh) | 一种用于列车闸片部件异常检测的方法 | |
CN105551051A (zh) | 一种连续带状多孔金属材料漏镀缺陷区域的定位方法 | |
CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 | |
CN104165696A (zh) | 一种材料表面颜色特征在线自动检测方法 | |
CN106340037A (zh) | 基于色度中心比色度离心距的图像偏色检测方法 | |
CN109859185A (zh) | 一种基于opencv的产品质量检测系统及检测方法 | |
CN109584228A (zh) | 基于二值图像和模型迁移学习的转子绕线图像检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |