CN107085846B - 工件表面缺陷图像识别方法 - Google Patents

工件表面缺陷图像识别方法 Download PDF

Info

Publication number
CN107085846B
CN107085846B CN201710318190.5A CN201710318190A CN107085846B CN 107085846 B CN107085846 B CN 107085846B CN 201710318190 A CN201710318190 A CN 201710318190A CN 107085846 B CN107085846 B CN 107085846B
Authority
CN
China
Prior art keywords
image
defect
workpiece
local density
clustering
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
Application number
CN201710318190.5A
Other languages
English (en)
Other versions
CN107085846A (zh
Inventor
周友行
石弦韦
马逐曦
孔拓
刘伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN201710318190.5A priority Critical patent/CN107085846B/zh
Publication of CN107085846A publication Critical patent/CN107085846A/zh
Application granted granted Critical
Publication of CN107085846B publication Critical patent/CN107085846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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

Abstract

一种工件表面缺陷图像识别方法，其技术方案要点是：使用专业成像设备采集工件表面图像，采用边缘检测算子法分割图像表面存在缺陷区域，将图像上各缺陷区域的主成分方向、主成分方向向量与图像坐标原点的距离分别归一化后作为各图像缺陷区域的新坐标值。然后分别计算新坐标下各图像缺陷区域间距离，并以此计算各图像缺陷区域局部密度，基于各图像缺陷区域局部密度以及与其它局部密度较大图像缺陷区域的距离选择缺陷聚类中心，并基于局部密度峰值对图像表面缺陷区域进行聚类，实现各缺陷的分离并统计缺陷数目及各缺陷大小。它可广泛应用于对大批量工件平面加工进行质量监测。

Description

工件表面缺陷图像识别方法
技术领域
本发明涉及一种工件表面缺陷图像识别方法，属于机器学习以及智能化制造的交叉领域。
背景技术
随着制造技术的发展，机械加工可靠性的要求也越来越高，对工件表面缺陷的自动检测提出了更高的要求。研发新的用于工件表面缺陷提取的自动检测理论和方法，符合企业的迫切需要，对机械学科基础理论研究也具有重要意义。
目前对于工件表面缺陷检测技术，主要是基于工件表面图像的基本信号特征以及缺陷灰度特征对缺陷进行分离，即利用图像缺陷部分与背景区域的灰度梯度差异进行缺陷的分离。然而现有的此类方法通常只能检测出工件表面是否存在缺陷，对于各个缺陷的具体尺寸大小往往难以进行自动分析。同时由于基于边缘灰度变化的检测方法对于某些灰度变化不明显的缺陷检测结果呈破碎状，需经过人工识别才能确定缺陷的真实形状。环境的噪音干扰也会使得常规缺陷检测结果出现误检的情况，导致识别精度的下降。同时由于机械加工过程中存在划痕缺陷，其具有结构上的线性流形特征，而传统的流形聚类计算量较大，难以应用于加工过程中的实时检测，同时仍然需要人工选择聚类数目，难以应用于自动化检测。
发明内容
针对上述存在的问题，本发明采用坐标转换的思想将划痕缺陷的线性流形关联转化为欧氏距离关联，从而将存在划痕缺陷的流形聚类问题转化为欧氏经典聚类问题，从而降低运算时间，同时不影响其它缺陷的聚类分析；对于聚类时的聚类数目也就是工件表面缺陷数目识别的问题，则可通过坐标变换后各点局部密度特征进行选取，避免了传统聚类算法需人工选择聚类数目的问题。
本发明的目的是提出一种工件表面缺陷图像识别方法，在保证检测质量的同时，大幅降低人工劳动成本与计算成本。
本发明解决其技术问题所采用的技术方案是：一种工件表面缺陷图像识别方法，使用专业成像设备收集工件表面图像；对工件表面图像使用边缘检测算法得到图像表面存在缺陷的区域；计算图像上各缺陷区域的主成分方向、主成分方向向量与图像坐标原点的距离并分别归一化后作为各图像缺陷区域的新坐标值；分别计算新坐标下各图像缺陷区域间距离，并以此计算各图像缺陷区域局部密度；基于各图像缺陷区域局部密度以及与其它局部密度较大图像缺陷区域的距离选择缺陷聚类中心，并基于局部密度峰值对图像缺陷区域进行聚类，实现各缺陷的分离；统计聚类数目以及原始图像上各类中图像缺陷区域占原始图像总大小的百分比，以此确定缺陷数目以及各缺陷大小。
所述专业成像设备由工业数字相机、照明系统、计算机系统、控制系统组成。
所述边缘检测算法为使用Sobel算子以及Canny算子分别对工件表面图像进行卷积，并对两者卷积结果进行求和运算。
所述图像上存在位置关联的缺陷区域是指图像各缺陷区域间欧氏距离小于给定阀值，即认为其存在位置关联。
所述缺陷区域的主成分方向具体为：对缺陷区域的协方差矩阵进行奇异值分解，得到其协方差矩阵的特征向量
Figure 645301DEST_PATH_IMAGE004
，基于公式计算得到该缺陷区域的主成分方向。
所述各图像缺陷区域局部密度具体为：将参数定义为新坐标下图像缺陷区域与图像缺陷区域
Figure 434628DEST_PATH_IMAGE008
间的距离，
Figure 124366DEST_PATH_IMAGE010
参数定义为截断距离，参数定义为第个图像缺陷区域的局部密度，基于公式求得。
所述各图像缺陷区域与其它局部密度较大图像缺陷区域的距离为：定义
Figure 385977DEST_PATH_IMAGE012
为各图像缺陷区域与其它局部密度较大图像缺陷区域的距离，基于公式求得。
所述选择缺陷聚类中心具体为：定义
Figure 528376DEST_PATH_IMAGE014
以描述各图像缺陷区域作为聚类中心的权值，将各图像缺陷区域的值由高至低进行排列，选择所得值排列图像中拐点以前部分对应的图像缺陷区域作为缺陷聚类中心。
所述基于局部密度峰值对图像缺陷区域进行聚类具体为：将各个聚类中心分别标记为不同的类，将其它图像缺陷区域依次与该缺陷区域在新坐标下距离最近的已归类缺陷区域归为同一类。
本发明有益效果是：本发明通过机器学习方法对工件表面缺陷进行提取与检测，可以具体识别出工件在机械加工过程中产生的缺陷数目以及各缺陷大小；通过基于主成分方向的坐标变换方法将原始工件表面图像中划痕缺陷的线性流形关联转化为欧氏距离关联，简化了后续的聚类计算，同时不影响其他缺陷的聚类；利用新坐标下各图像缺陷区域的位置关联性计算各图像缺陷区域局部密度值，并以此自动确定聚类中心的数目并对各图像缺陷区域进行聚类，从而将各缺陷所对应的图像缺陷区域归为同一类，避免了常规聚类方法需以人工方式确定聚类中心数以及进行迭代精化运算的问题；最后通过对聚类结果的统计分析确定原始图像中包含的缺陷数目以及缺陷大小。本发明有效降低了质量检测过程中对缺陷识别过程的工作量，所用方法计算量较小，能较好的应用于加工过程中的实时监测。
附图说明
图1是本发明的原理方框图。
图2是本发明所使用专业成像设备的结构图。
图3是工件表面图像。
图4是工件表面缺陷边缘图像。
图5是工件表面缺陷边缘在新坐标下形成的图像。
图6是聚类中心权值降序图像。
图7是工件表面缺陷聚类中心图像。
图8是工件表面缺陷聚类结果图像。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
实施例1，本发明提供一种工件表面缺陷图像识别方法，其特征在于：使用专业成像设备收集工件表面图像；对工件表面图像使用边缘检测算法得到图像表面存在缺陷的区域；计算图像上各缺陷区域的主成分方向、主成分方向向量与图像坐标原点的距离并分别归一化后作为各图像缺陷区域的新坐标值；分别计算新坐标下各图像缺陷区域间距离，并以此计算各图像缺陷区域局部密度；基于各图像缺陷区域局部密度以及与其它局部密度较大图像缺陷区域的距离选择缺陷聚类中心，并基于局部密度峰值对图像缺陷区域进行聚类，实现各缺陷的分离；统计聚类数目以及原始图像上各类中图像缺陷区域占原始图像总大小的百分比，以此确定缺陷数目以及各缺陷大小。参阅图1至图8。
实施例2，所述专业成像设备由工业数字相机、照明系统、计算机系统、控制系统组成。参阅图1至图8，其余同实施例1。
实施例3，所述边缘检测算法为使用Sobel算子以及Canny算子分别对工件表面图像进行卷积，并对两者卷积结果进行求和运算。参阅图1至图8，其余同上述实施例。
实施例4，所述图像上存在位置关联的缺陷区域是指图像各缺陷区域间欧氏距离小于给定阀值
Figure 664959DEST_PATH_IMAGE002
，即认为其存在位置关联。参阅图1至图8，其余同上述实施例。
实施例5，所述缺陷区域的主成分方向具体为：对缺陷区域的协方差矩阵进行奇异值分解，得到其协方差矩阵的特征向量，基于公式计算得到该缺陷区域的主成分方向。参阅图1至图8，其余同上述实施例。
实施例6，所述各图像缺陷区域局部密度具体为：将参数定义为新坐标下图像缺陷区域与图像缺陷区域
Figure 770056DEST_PATH_IMAGE008
间的距离，参数定义为截断距离，参数定义为第个图像缺陷区域的局部密度，基于公式
Figure DEST_PATH_IMAGE016
求得。参阅图1至图8，其余同上述实施例。
实施例7，所述各图像缺陷区域与其它局部密度较大图像缺陷区域的距离为：定义为各图像缺陷区域与其它局部密度较大图像缺陷区域的距离，基于公式
Figure 15617DEST_PATH_IMAGE018
求得。参阅图1至图8，其余同上述实施例。
实施例8，所述选择缺陷聚类中心具体为：定义
Figure 707630DEST_PATH_IMAGE014
以描述各图像缺陷区域作为聚类中心的权值，将各图像缺陷区域的值由高至低进行排列，选择所得值排列图像中拐点以前部分对应的图像缺陷区域作为缺陷聚类中心。参阅图1至图8，其余同上述实施例。
实施例9，所述基于局部密度峰值对图像缺陷区域进行聚类具体为：将各个聚类中心分别标记为不同的类，将其它图像缺陷区域依次与该缺陷区域在新坐标下距离最近的已归类图像缺陷区域归为同一类。参阅图1至图8，其余同上述实施例。
实施例10，具体过程如下：
如附图1所示，此图为本发明工件表面缺陷识别方法的原理图：使用专业成像设备收集工件表面图像；对工件表面图像使用边缘检测算法得到图像表面存在缺陷的区域；计算图像上各缺陷区域的主成分方向、主成分方向向量与图像坐标原点的距离并分别归一化后作为各图像缺陷区域的新坐标值；分别计算新坐标下各图像缺陷区域间距离，并以此计算各图像缺陷区域局部密度；基于各图像缺陷区域局部密度以及与其它局部密度较大点的距离选择缺陷聚类中心，并基于局部密度峰值对图像缺陷区域进行聚类，实现各缺陷的分离；统计聚类数目以及原始图像上各类中图像缺陷区域占原始图像总大小的百分比，以此确定缺陷数目以及各缺陷大小。
如附图2所示，此图为本文所使用的专业成像设备，所采集的工件表面图像如附图3所示，其为后续缺陷图像识别做好准备。本实施例所用工件为铣削加工工件。由图3可知，此工件表面图像存在较明显的划痕缺陷。
对工件表面图像使用边缘检测算法得到图像表面存在缺陷的区域。如附图4所示，此图为对工件表面图像使用边缘检测算法所得到的缺陷边缘图像，缺陷边缘各像素位置用二维坐标点表示。
计算图像上存在位置关联的缺陷区域主成分方向以及主成分方向向量与图像坐标原点的距离并归一化后作为各图像缺陷区域的新坐标值，所得结果如附图5所示。由图可知，在新坐标下各图像缺陷区域具有较为明显的欧氏距离关联，而非附图4所示线性流形关联，由此可简化聚类分析。
基于公式求得第个图像缺陷区域的局部密度值，基于公式求得第个图像缺陷区域与其它局部密度较大缺陷区域的距离
Figure 217295DEST_PATH_IMAGE012
，由公式描述各点作为聚类中心的权值，将各缺陷区域值由高至低进行排列，所得结果如附图6所示。选择所得值排列图像中拐点以前部分对应的图像缺陷区域作为缺陷聚类中心，在本图中即为选取值最高的5个图像缺陷区域。所得工件表面缺陷聚类中心图像如附图7所示。
将各个聚类中心分别标记为不同的类，将其它图像缺陷区域依次与该缺陷区域在新坐标下距离最近的已归类缺陷区域归为同一类。所得工件表面缺陷聚类结果图像如附图8所示。工件表面缺陷聚类结果显示该工件表面共存在5条缺陷，分别占图像总面积的0.229%、1.205%、2.286%、2.820%、1.938%，与人工检测情况基本吻合。试验证明此方法能够准确、可靠的对机械加工平面缺陷图像进行识别与研究。

Claims (9)

1.一种工件表面缺陷图像识别方法，其特征在于：通过机器学习方法对工件表面缺陷进行提取与检测；通过基于主成分方向的坐标变换方法将原始工件表面图像中划痕缺陷的线性流形关联转化为欧氏距离关联，简化后续的聚类计算，从而降低运算时间，同时不影响其他缺陷的聚类分析；利用新坐标下各图像缺陷区域的位置关联性计算各图像缺陷区域局部密度值；通过坐标变换后各点局部密度特征进行选取，并以此自动确定聚类中心的数目并对各图像缺陷区域进行聚类，从而将各缺陷所对应的图像缺陷区域归为同一类，避免了常规聚类方法需以人工方式选择确定聚类中心数以及进行迭代精化运算的问题；最后通过对聚类结果的统计分析确定原始图像中包含的缺陷数目以及缺陷大小；具体包括以下工序，使用专业成像设备收集工件表面图像；对工件表面图像使用边缘检测算法得到图像表面存在缺陷的区域；计算图像上各缺陷区域的主成分方向、主成分方向向量与图像坐标原点的距离并分别归一化后作为各图像缺陷区域的新坐标值；分别计算新坐标下各图像缺陷区域间距离，并以此计算各图像缺陷区域局部密度；基于各图像缺陷区域局部密度以及与其它局部密度较大图像缺陷区域的距离选择缺陷聚类中心，并基于局部密度峰值对图像缺陷区域进行聚类，实现各缺陷的分离；统计聚类数目以及原始图像上各类中图像缺陷区域占原始图像总大小的百分比，以此确定缺陷数目以及各缺陷大小。
2.根据权利要求1所述工件表面缺陷图像识别方法，其特征是：所述专业成像设备由工业数字相机、照明系统、计算机系统、控制系统组成。
3.根据权利要求1所述工件表面缺陷图像识别方法，其特征是：所述边缘检测算法为使用Sobel算子以及Canny算子分别对工件表面图像进行卷积，并对两者卷积结果进行求和运算。
4.根据权利要求1所述工件表面缺陷图像识别方法，其特征是：所述图像上存在位置关联的缺陷区域是指图像各缺陷区域间欧氏距离小于给定阀值dl，即认为其存在位置关联。
5.根据权利要求1所述工件表面缺陷图像识别方法，其特征是：所述缺陷区域的主成分方向具体为：对缺陷区域的协方差矩阵进行奇异值分解，得到其协方差矩阵的特征向量U，基于公式α＝arctan(U(1,2)/U(1,1))/π计算得到该缺陷区域的主成分方向α。
6.根据权利要求1所述工件表面缺陷图像识别方法，其特征是：所述各图像缺陷区域局部密度具体为：将dij参数定义为新坐标下图像缺陷区域i与图像缺陷区域j间的距离，dc参数定义为截断距离，参数定义为第i个图像缺陷区域的局部密度，基于公式
Figure FDA0002189763830000021
求得。
7.根据权利要求1所述工件表面缺陷图像识别方法，其特征是：所述各图像缺陷区域与其它局部密度较大图像缺陷区域的距离为：定义δi为各图像缺陷区域与其它局部密度较大图像缺陷区域的距离，其基于公式求得。
8.根据权利要求1所述工件表面缺陷图像识别方法，其特征是：所述选择缺陷聚类中心具体为：定义γi＝exp(ρi)×δi以描述各图像缺陷区域作为聚类中心的权值，将各图像缺陷区域的γi值由高至低进行排列，选择所得γi值排列图像中拐点以前部分对应的图像缺陷区域作为缺陷聚类中心。
9.根据权利要求1所述工件表面缺陷图像识别方法，其特征是：所述基于局部密度峰值对图像缺陷区域进行聚类具体为：将各个聚类中心分别标记为不同的类，将其它图像缺陷区域依次与该缺陷区域在新坐标下距离最近的已归类图像缺陷区域归为同一类。
CN201710318190.5A 2017-05-08 2017-05-08 工件表面缺陷图像识别方法 Active CN107085846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710318190.5A CN107085846B (zh) 2017-05-08 2017-05-08 工件表面缺陷图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710318190.5A CN107085846B (zh) 2017-05-08 2017-05-08 工件表面缺陷图像识别方法

Publications (2)

Publication Number Publication Date
CN107085846A CN107085846A (zh) 2017-08-22
CN107085846B true CN107085846B (zh) 2020-01-03

Family

ID=59612958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710318190.5A Active CN107085846B (zh) 2017-05-08 2017-05-08 工件表面缺陷图像识别方法

Country Status (1)

Country Link
CN (1) CN107085846B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107843602B (zh) * 2017-10-31 2020-08-21 宁波蓝鼎电子科技有限公司 一种基于图像的焊缝质量检测方法
CN107895179A (zh) * 2017-11-29 2018-04-10 合肥赑歌数据科技有限公司 一种基于临近值分析的工件分类系统及方法
CN107941812B (zh) * 2017-12-20 2021-07-16 联想(北京)有限公司 信息处理方法及电子设备
CN110060237B (zh) * 2019-03-29 2021-11-26 腾讯科技（深圳）有限公司 一种故障检测方法、装置、设备及系统
CN110084246A (zh) * 2019-04-17 2019-08-02 江南大学 一种色织物疵点自动识别方法
CN111680750B (zh) * 2020-06-09 2022-12-06 创新奇智(合肥)科技有限公司 图像识别方法、装置和设备
CN112164050B (zh) * 2020-09-28 2022-10-25 华南理工大学 用于流水线上产品表面缺陷的检测方法、设备及存储介质
CN112183341B (zh) * 2020-09-28 2021-05-11 哈尔滨市科佳通用机电股份有限公司 基于检测算子的滚动轴承甩油故障图像识别方法
CN112330606B (zh) * 2020-10-20 2023-05-23 西安工程大学 一种基于机器学习的缺陷检测方法
CN113538433B (zh) * 2021-09-17 2021-11-26 海门市创睿机械有限公司 基于人工智能的机械铸件缺陷检测方法及系统
CN114937042B (zh) * 2022-07-26 2022-10-04 海门市腾飞橡塑厂 基于机器视觉的塑料制品质量评估方法
CN114998665B (zh) * 2022-08-04 2022-11-01 创新奇智(广州)科技有限公司 一种图像类别识别方法、装置、电子设备及存储介质
CN116559183B (zh) * 2023-07-11 2023-11-03 钛玛科（北京）工业科技有限公司 一种提高缺陷判定效率的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102788806A (zh) * 2012-07-19 2012-11-21 北京农业智能装备技术研究中心 基于类球形亮度变换的水果表面缺陷检测方法
CN103886610A (zh) * 2014-04-05 2014-06-25 东北电力大学 一种绝缘子图像缺陷检测方法
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
CN106373123A (zh) * 2016-09-21 2017-02-01 哈尔滨工业大学 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法
CN106501465A (zh) * 2016-12-23 2017-03-15 石家庄铁道大学 一种用于检测锚杆锚固质量的检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102788806A (zh) * 2012-07-19 2012-11-21 北京农业智能装备技术研究中心 基于类球形亮度变换的水果表面缺陷检测方法
CN103886610A (zh) * 2014-04-05 2014-06-25 东北电力大学 一种绝缘子图像缺陷检测方法
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
CN106373123A (zh) * 2016-09-21 2017-02-01 哈尔滨工业大学 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法
CN106501465A (zh) * 2016-12-23 2017-03-15 石家庄铁道大学 一种用于检测锚杆锚固质量的检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种基于密度峰值的半监督聚类算法;罗丹 等;《地理与地理信息科学》;20170331;第33卷(第2期);全文 *
表面缺陷视觉在线检测关键技术研究;韩芳芳;《中国博士学位论文全文数据库信息科技辑》;20120715(第7期) *
采用主成分量化和密度估计期望最大聚类的高光谱异常目标检测;赵春晖 等;《光子学报》;20131030;第42卷(第10期);第1224-1230页 *
高维数据下基于密度聚类方法的研究与应用;段文静;《中国优秀硕士学位论文全文数据库社会科学Ⅱ辑》;20170215(第2期);H123-366 *

Also Published As

Publication number Publication date
CN107085846A (zh) 2017-08-22

Similar Documents

Publication Publication Date Title
CN107085846B (zh) 工件表面缺陷图像识别方法
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN111652085B (zh) 基于2d与3d特征结合的物体识别方法
CN111951237A (zh) 外观视觉检测方法
CN111062915A (zh) 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN111369516B (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN109544522A (zh) 一种钢板表面缺陷检测方法及系统
CN110533654A (zh) 零部件的异常检测方法及装置
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN112614105B (zh) 一种基于深度网络的3d点云焊点缺陷检测方法
CN112862744B (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
Wah et al. Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques
CN112036384A (zh) 精子头部形态识别方法、装置及设备
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN113269234B (zh) 一种基于目标检测的连接件装配检测方法和系统
Lei et al. Multiscale convolution-based probabilistic classification for detecting bare PCB defects
CN113781419A (zh) 一种柔性pcb板缺陷检测方法、视觉系统、装置及介质
CN114331961A (zh) 用于对象的缺陷检测的方法
CN113705564A (zh) 一种指针式仪表识别读数方法
TW201601119A (zh) 物件辨識與定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant