CN107315012B - 聚晶金刚石复合片端面崩角的智能检测方法 - Google Patents

聚晶金刚石复合片端面崩角的智能检测方法 Download PDF

Info

Publication number
CN107315012B
CN107315012B CN201710481029.XA CN201710481029A CN107315012B CN 107315012 B CN107315012 B CN 107315012B CN 201710481029 A CN201710481029 A CN 201710481029A CN 107315012 B CN107315012 B CN 107315012B
Authority
CN
China
Prior art keywords
image
angle
composite polycrystal
diamond
circle
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
CN201710481029.XA
Other languages
English (en)
Other versions
CN107315012A (zh
Inventor
黄莹祥
何泽伟
柳时栋
杨志宏
何克华
陈琛
李慧慧
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.)
New Wanlong Mstar Technology Ltd In Fujian Province
Original Assignee
New Wanlong Mstar Technology Ltd In Fujian Province
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 New Wanlong Mstar Technology Ltd In Fujian Province filed Critical New Wanlong Mstar Technology Ltd In Fujian Province
Priority to CN201710481029.XA priority Critical patent/CN107315012B/zh
Publication of CN107315012A publication Critical patent/CN107315012A/zh
Application granted granted Critical
Publication of CN107315012B publication Critical patent/CN107315012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

聚晶金刚石复合片端面崩角的智能检测方法，包括以下步骤：（1）采用PDC图像采集装置获取聚晶金刚石复合片图像；（2）将步骤（1）中获取的图像进行预处理，该预处理包括阈值分割和中值滤波，其中，所述阈值分割是将图像进行二值化处理，提高图像中的目标像素与周围背景像素的对比度，所述中值滤波是将图像中的噪声和白点去除，使崩角的边缘变得较平滑；（3）对崩角缺陷特征的提取，包括圆形定位、算术运算以及缺陷识别与标记。本发明解决了人工检测效率低、主观性强、检测结果的精确性和可靠性无法保障等问题，实现了对PDC外观缺陷的自动化、高效率、高精度、判断标准统一的无损检测。

Description

聚晶金刚石复合片端面崩角的智能检测方法
技术领域
本发明涉及金刚石复合片技术领域，具体来说是指一种聚晶金刚石复合片端面崩角的智能检测方法。
背景技术
聚晶金刚石复合片（polycrystalline diamond compact，PDC）是一种超硬复合材料，被广泛应用于机械加工工具、石油与地质钻头、砂轮修整工具等。它的表层为金刚石粉末烧结而成的多晶金刚石，底层一般为钨钴类硬质合金。目前，聚晶金刚石复合片的质量检验方法研究主要集中在耐磨性、热稳定性、抗冲击韧性、残余应力等性能检测，在提高检测结果的准确性和检测效率上取得了明显进步。
然而，对于聚晶金刚石复合片表面缺陷的检测，国内大部分企业至今仍然严重依赖于人工检测，这种作业方式对检测人员视力损害较大，而且存在检测效率低、主观性强、检测结果的精确性和可靠性无法保障等问题。目前，机器视觉检测技术已被广泛应用于生物医学、纺织加工、电子制造、机械加工等行业，并且取得了显著成果。在国外，Lu等提出一种基于独立成分分析方法的薄膜晶体管液晶显示器表面缺陷检测方法，实现了对显示器表面缺陷快速准确的判断；Chang等设计了一种基于神经网络技术的半导体晶片的缺陷自动检测，实现了对半导体晶片的各种缺陷进行识别和分类；Piironen等设计了一种运用数学形态学分割铜合金板表面缺陷图像的方法，从而能更加准确地提取出缺陷信息。在国内，周金山等于2010年介绍了一种利用机器视觉技术实现螺纹缺陷自动检测的方法，不仅实现了螺纹缺陷的自动化检测，还提高了检测结果的可靠性；黄志鸿等于2016年提出了一种基于机器视觉的啤酒瓶口缺陷检测分类方法研究，实现了对啤酒瓶口缺陷的提取和准确的分类。
为此，本发明人通过对聚晶金刚石复合片实际生产过程中常见的崩角缺陷的图像特征进行研究，提出使用机器视觉技术替代人工检测的方法。
发明内容
本发明提供一种聚晶金刚石复合片端面崩角的智能检测方法，解决现有聚晶金刚石复合片端面崩角的检测效率低、主观性强、检测结果的精确性和可靠性无法保障等问题等问题。
本发明采用如下技术方案：
聚晶金刚石复合片端面崩角的智能检测方法，包括以下步骤：
（1）采用PDC图像采集装置获取聚晶金刚石复合片图像；
（2）将步骤（1）中获取的图像进行预处理，该预处理包括阈值分割和中值滤波，其中，所述阈值分割是将图像进行二值化处理，提高图像中的目标像素与周围背景像素的对比度，所述中值滤波是将图像中的噪声和白点去除，使崩角的边缘变得较平滑；
（3）对崩角缺陷特征的提取，包括圆心定位、算术运算以及缺陷识别与标记。
进一步地，所述PDC图像采集装置的光源采用零角度环形LED光源。
进一步地，所述阈值分割包括阈值选取，所述阈值选取采用直方图阈值法。
进一步地，所述中值滤波的输出公式为：。
进一步地，所述圆心定位是使用最小二乘法拟合得到倒角圆环小圆圆心坐标和半径大小，具体包括：首先，寻找图像中所有连通域的轮廓并存储在一个向量中，每条轮廓都是由有序点组成；然后将向量中存储的除倒角圆环小圆轮廓以外的其它轮廓删除，包括倒角圆环大圆轮廓；再设定最大轮廓的长度为L max ，最小轮廓的长度为L min ，针对向量中存储的所有轮廓，验证轮廓的大小，长度大于L min 小于L max 的轮廓保留，其它轮廓删除；最后，根据倒角圆环小圆轮廓在图像中的点集坐标，拟合得到倒角圆环小圆圆心位置和半径长度。
进一步地，利用所述最小二乘法拟合得到的倒角圆环小圆圆心位置和小圆半径绘制一个全白色的圆创建一个掩码，所述算术运算采用AND运算，该AND运算处理步骤如下：（1）创建一个与原始图像尺寸一样的黑色背景图像；（2）以点（1363,909）为圆心，690为半径，其中，数字代表像素，在上一步创建的黑色背景图像中画一个全白色的圆，完成掩码的创建；（3）将中值滤波后的图像与掩码执行AND运算。
进一步地，所述缺陷识别与标记是将经过算术运算后图像中白色的崩角信息用最小外接矩形进行标记。
由上述对本发明结构的描述可知，和现有技术相比，本发明具有如下优点：
本发明的智能检测方法，采集的图像通过阈值处理，去除了因拍摄时背景部分出现杂物造成的干扰信息，同时增强了倒角和崩角信息；通过中值滤波去除了阈值分割后的黑色背景区域存在的少量白点；最后利用最小二乘拟合获取倒角圆环的圆心位置和小圆半径并建立掩码，再通过 AND 运算提取出崩角信息后能对图像中的崩角区域进行准确的识别和标记。由于相机采集到PDC的图像后软件系统自动对图像进行分析并对崩角区域进行识别标记，解决了人工检测效率低、主观性强、 检测结果的精确性和可靠性无法保障等问题。实现了对 PDC 外观缺陷的自动化、高效率、 高精度、判断标准统一的无损检测，为聚晶金刚石复合片崩角缺陷的检测提供了一种新的选择。
附图说明
图1为本发明PDC图像采集装置的结构示意图。
图2为本发明崩角缺陷图像的灰度直方图。
图3为本发明原始图像。
图4为本发明直方图阈值法处理后效果图。
图5为Otsu法处理后效果图。
图6为本发明中值滤波处理后效果图。
图7为本发明最小二乘法拟合圆心定位的处理效果图。
图8为本发明的掩码图像。
图9为本发明AND运算处理后图像。
图10为本发明缺陷识别与标记图。
具体实施方式
下面参照附图说明本发明的具体实施方式。
如图1所示，PDC图像采集装置包括了相机1、镜头2、光源3、机械运动平台（图中未示出）等。相机1固定在机械运动平台上，且位于PDC正上方，底部连接一个镜头2，镜头2与PDC之间设有一个光源3。聚晶金刚石复合片大多是圆柱形，崩角缺陷一般出现在聚晶金刚石层倒角处边缘。为了获得崩角缺陷特征较明显的图像，光源3采用零角度环形LED光源，该光源3所发出的光线照射在聚晶金刚石复合片上，倒角和崩角缺陷区域反射的光线进入高清手动调焦镜头然后到达相机的感光芯片，相机拍照获得图像。因此，所采集的图像中，倒角和崩角显示为亮色，并且崩角在环形倒角小圆围成的区域内，其它区域显示为暗色，这样获得的崩角缺陷特征能较好地被识别出来。相机选用德国Basler公司acA2500-14gm型千兆网工业相机，镜头选用日本CBC公司的computar tc5m-50高清手动调焦镜头。图像由千兆网传输至PC机，相机每秒可以采集14帧图像，满足实验用速度要求。
由于上述图像的采集不同于传统照片拍摄，在采集与传输等环节极易受到干扰，这些干扰将在所得的数字图像中形成噪声，进而对图像数据的处理与识别造成影响。所以首先需要对原始图像进行预处理，以消除噪声、增强对比度等，为下一步更好地处理图像做准备。本文中的预处理包括阈值分割、中值滤波处理。由于崩角位于倒角圆环小圆区域，且崩角和倒角圆环灰度值较高，背景信息灰度值较低，所以根据崩角图像的特征，可以首先提取出崩角所在区域的信息，然后再对崩角进行识别和标记。
1.1 阈值分割
阈值分割也可称为二值化，将图像进行二值化处理，可以提高图像中的目标像素与周围背景像素的对比度，便于后续图像处理操作，其中最重要的就是阈值（T gray）的选取。直方图阈值法是选取阈值的一种方法，该阈值法的依据是图像的直方图，通过对直方图进行分析来实现对图像的分割。实现的方式如下：
当图像中像素值小于灰度阈值T gray时，被置为0，否则置为255，如式（1）所示：，式中：x，y分别表示像素的x，y坐标，T gray表示设定的分割阈值。
图2是崩角缺陷图像的灰度直方图，图中有两个相隔较远的山峰。因此直方图左侧山峰为亮度较低的部分，这部分恰好对应于图像中较暗的背景部分；直方图右侧山峰为亮度较高的部分，对应于图像中需要分割的目标（倒角区域和崩角区域）。选择的阈值为两峰之间波谷宽度的中间点（T gray大概为140）时，即可较好地将目标分割出来，处理结果如图4所示。
上述是通过分析灰度直方图人为设定阈值，在阈值的选择上也可以实现自动设定。大津法（Otsu），又称作最大类间方差法，可以自动计算合适的二值化分割阈值。用Otsu法进行阈值分割，处理结果如图5所示。
观察图3至图5，对直方图阈值法和Otsu法在处理效果上进行比较，可以看出：原图像中的目标信息均被很好地分割出来，大部分背景信息均被很好地剔除，仅剩下了少量白点。达到了通过阈值分割去除大部分背景信息的目的，为进一步的处理打下了基础。
两种算法的处理时间如表1所示，保留4位有效数字。可以看出直方图阈值法的执行速度要较高于Otsu法，所以综合考虑，本文选用直方图阈值法对崩角图像进行阈值分割。
表1 阈值分割所需时间对比
试验次数 直方图阈值法（ms） Otsu法（ms）
1 14.7631 21.3913
2 18.5622 27.3665
3 12.8942 29.2378
4 12.3654 27.6541
5 15.3562 25.2254
均值 14.7882 26.1750
1.2 中值滤波
阈值分割后的黑色背景区域存在少量白点，由于这些白点各自孤立且包含像素个数少，与邻近区域的灰度值差值很大，比较容易通过滤波去除。中值滤波具有在去除噪声和白点的同时可以有效地保护图像边缘这一特征，因此本文采用该方法对崩角图像进行降噪和去除孤立白点，选用5×5滤波模板。二维中值滤波的输出公式如式（2）所示：
其中：为原始图像，为处理后的图像，w为二维模板。
处理结果如图6所示。经过中值滤波后，图像中的噪声和白点几乎全被去除，同时崩角的边缘变得较平滑。
1.3 圆心定位
为了确保能有效提取崩角图像中的缺陷信息，需要准确获取图像中倒角圆环小圆圆心位置和半径大小。最小二乘拟合法作为一种数学优化技术，常用于曲线拟合，是一种运用比较广泛的视觉检测方法。本文使用最小二乘法拟合得到倒角圆环小圆圆心坐标和半径大小，处理结果如图7所示。
首先，寻找图6中所有连通域的轮廓并存储在一个向量中，每条轮廓都是由有序点组成。由于仅需拟合倒角圆环的小圆，故需将向量中存储的除倒角圆环小圆轮廓以外的其它轮廓删除，包括倒角圆环大圆轮廓。设定最大轮廓的长度为L max ，最小轮廓的长度为L min ，针对向量中存储的所有轮廓，验证轮廓的大小，长度大于L min 小于L max 的轮廓保留，其它轮廓删除。根据实验结果， L max 取2400（像素个数），L min 取1500（像素个数），向量中仅剩下了倒角圆环小圆轮廓在图像中的点集坐标。针对不同直径的聚晶金刚石复合片，L min 和L max 的参数需要调整才能达到预期目的。
最后，根据倒角圆环小圆轮廓在图像中的点集坐标，拟合得到倒角圆环小圆圆心位置和半径长度。
1.4 算术运算
利用上一步最小二乘法拟合得到的倒角圆环小圆圆心位置和小圆半径绘制一个全白色的圆创建一个掩码。掩码是二值图像，表示在其上仅执行一种运算的一些像素（而不是整幅图像）。在AND运算中会用到这个掩码。AND运算属于算术运算中的一种，该逻辑运算只对掩码值非零的那些像素进行，其余像素不会受到影响。将中值滤波处理后的图像与创建的掩码进行AND运算。
算法处理步骤如下：
Step1: 创建一个与原始图像尺寸一样的黑色背景图像。
Step2:以点（1363,909）为圆心，690为半径（数字代表像素），在上一步创建的黑色背景图像中画一个全白色的圆，完成掩码的创建，结果如图8所示。
Step3:将中值滤波后的图像（图6与掩码执行AND运算。处理结果如图9所示。
得到的新图像与中值滤波处理后的图像相比，倒角圆环小圆内的像素没有任何变化，其它部分像素全部为黑色。经过这一步处理后，图像中只剩下了黑色的背景和白色的崩角。
1.5 缺陷识别与标记
若聚晶金刚石复合片有崩角缺陷，则经过算术运算后的图像中会有白色的崩角信息。对于崩角图像中的崩角区域，用最小外接矩形进行标记。根据实验结果，本文中的崩角原图有一个崩角，标记结果如图10所示。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (6)

1.聚晶金刚石复合片端面崩角的智能检测方法，其特征在于，包括以下步骤：
（1）采用聚晶金刚石复合片图像采集装置获取聚晶金刚石复合片图像；
（2）将步骤（1）中获取的图像进行预处理，该预处理包括阈值分割和中值滤波，其中，所述阈值分割是将图像进行二值化处理，提高图像中的目标像素与周围背景像素的对比度，所述中值滤波是将图像中的噪声和白点去除，使崩角的边缘变得较平滑；
（3）对崩角缺陷特征的提取，包括圆心定位、算术运算以及缺陷识别与标记，所述圆心定位是使用最小二乘法拟合得到倒角圆环小圆圆心坐标和半径大小，具体包括：首先，寻找图像中所有连通域的轮廓并存储在一个向量中，每条轮廓都是由有序点组成；然后将向量中存储的除倒角圆环小圆轮廓以外的其它轮廓删除，包括倒角圆环大圆轮廓；再设定最大轮廓的长度为L max ，最小轮廓的长度为L min ，针对向量中存储的所有轮廓，验证轮廓的大小，长度大于L min 小于L max 的轮廓保留，其它轮廓删除；最后，根据倒角圆环小圆轮廓在图像中的点集坐标，拟合得到倒角圆环小圆圆心位置和半径长度。
2.如权利要求1所述的聚晶金刚石复合片端面崩角的智能检测方法，其特征在于：所述聚晶金刚石复合片图像采集装置的光源采用零角度环形LED光源。
3.如权利要求1所述的聚晶金刚石复合片端面崩角的智能检测方法，其特征在于：所述阈值分割包括阈值选取，所述阈值选取采用直方图阈值法。
4.如权利要求1所述的聚晶金刚石复合片端面崩角的智能检测方法，其特征在于：所述中值滤波的输出公式为：g(x,y)=med{f(x-k,y-l),(k,l∈w)}，其中：f(x,y)为原始图像，g(x,y)为处理后的图像，w为二维模板。
5.如权利要求1所述的聚晶金刚石复合片端面崩角的智能检测方法，其特征在于：利用所述最小二乘法拟合得到的倒角圆环小圆圆心位置和小圆半径绘制一个全白色的圆创建一个掩码，所述算术运算采用AND运算，该AND运算处理步骤如下：（1）创建一个与原始图像尺寸一样的黑色背景图像；（2）以点（1363,909）为圆心，690为半径，其中，数字代表像素，在上一步创建的黑色背景图像中画一个全白色的圆，完成掩码的创建；（3）将中值滤波后的图像与掩码执行AND运算。
6.如权利要求1所述的聚晶金刚石复合片端面崩角的智能检测方法，其特征在于：所述缺陷识别与标记是将经过算术运算后图像中白色的崩角信息用最小外接矩形进行标记。
CN201710481029.XA 2017-06-22 2017-06-22 聚晶金刚石复合片端面崩角的智能检测方法 Active CN107315012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710481029.XA CN107315012B (zh) 2017-06-22 2017-06-22 聚晶金刚石复合片端面崩角的智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710481029.XA CN107315012B (zh) 2017-06-22 2017-06-22 聚晶金刚石复合片端面崩角的智能检测方法

Publications (2)

Publication Number Publication Date
CN107315012A CN107315012A (zh) 2017-11-03
CN107315012B true CN107315012B (zh) 2019-10-18

Family

ID=60183411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710481029.XA Active CN107315012B (zh) 2017-06-22 2017-06-22 聚晶金刚石复合片端面崩角的智能检测方法

Country Status (1)

Country Link
CN (1) CN107315012B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109991232B (zh) * 2017-12-29 2022-02-15 上海微电子装备（集团）股份有限公司 芯片崩边缺陷检测方法
CN109187567A (zh) * 2018-08-07 2019-01-11 华侨大学 一种聚晶金刚石复合片表面白点缺陷检测系统
CN109544506B (zh) * 2018-10-17 2021-03-09 潍坊路加精工有限公司 工件外观缺陷的检测方法及装置
CN109544513A (zh) * 2018-10-24 2019-03-29 广州霞光技研有限公司 一种钢管端面缺陷提取识别的方法
CN109378279B (zh) * 2018-11-12 2020-12-18 武汉新芯集成电路制造有限公司 晶圆检测方法及晶圆检测系统
CN113218960B (zh) * 2018-12-27 2024-05-24 浙江大学台州研究院 一种复杂表面红宝石轴承缺陷检测的方法
CN109870460A (zh) * 2019-03-24 2019-06-11 哈尔滨理工大学 一种基于机器视觉的复合材料电池盒表面质量检测方法
CN112085715A (zh) * 2020-09-01 2020-12-15 工业互联网创新中心（上海）有限公司 一种新型锡珠检测系统及检测方法
CN113077449B (zh) * 2021-04-08 2022-04-08 仲恺农业工程学院 一种矩形晶片角缺陷的图像检测方法
CN116883394B (zh) * 2023-09-06 2023-11-17 山东融泽新材料有限公司 一种基于图像数据处理的金刚石质量检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885312A (zh) * 2006-07-11 2006-12-27 电子科技大学 基于数学形态学和概率统计的虹膜定位方法
CN101339652A (zh) * 2007-12-28 2009-01-07 中国人民解放军海军航空工程学院 一种固体发动机ct图像的分割方法
CN102147857A (zh) * 2011-03-22 2011-08-10 黄晓华 利用改进霍夫变换进行类圆形检测的图像处理方法
CN102162797A (zh) * 2010-11-24 2011-08-24 哈尔滨工业大学（威海） 玻璃瓶瓶口破损和瓶底污物检测算法
CN103499590A (zh) * 2013-10-17 2014-01-08 福州大学 环形零件端面缺损检测及筛选方法及系统
CN105445277A (zh) * 2015-11-12 2016-03-30 湖北工业大学 一种fpc表面质量视觉智能检测方法
CN106226398A (zh) * 2016-07-28 2016-12-14 洛阳轴研科技股份有限公司 一种pdc复合片结合面质量的无损检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885312A (zh) * 2006-07-11 2006-12-27 电子科技大学 基于数学形态学和概率统计的虹膜定位方法
CN101339652A (zh) * 2007-12-28 2009-01-07 中国人民解放军海军航空工程学院 一种固体发动机ct图像的分割方法
CN102162797A (zh) * 2010-11-24 2011-08-24 哈尔滨工业大学（威海） 玻璃瓶瓶口破损和瓶底污物检测算法
CN102147857A (zh) * 2011-03-22 2011-08-10 黄晓华 利用改进霍夫变换进行类圆形检测的图像处理方法
CN103499590A (zh) * 2013-10-17 2014-01-08 福州大学 环形零件端面缺损检测及筛选方法及系统
CN105445277A (zh) * 2015-11-12 2016-03-30 湖北工业大学 一种fpc表面质量视觉智能检测方法
CN106226398A (zh) * 2016-07-28 2016-12-14 洛阳轴研科技股份有限公司 一种pdc复合片结合面质量的无损检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"改进的中值滤波算法及其FPGA快速实现";李飞飞 等;《计算机工程》;20090731;第35卷(第14期);第175-177页 *
"聚晶金刚石复合片缺陷分析、分类及表征方法的研究";刘芳 等;《功能材料》;20071231;第38卷;第3806-3808页 *

Also Published As

Publication number Publication date
CN107315012A (zh) 2017-11-03

Similar Documents

Publication Publication Date Title
CN107315012B (zh) 聚晶金刚石复合片端面崩角的智能检测方法
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
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
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
Rahaman et al. Automatic defect detection and classification technique from image: a special case using ceramic tiles
CN104990925B (zh) 一种基于梯度多阈值优化缺陷检测方法
CN105784713B (zh) 基于机器视觉的密封圈表面缺陷检测方法
Wang et al. Research on crack detection algorithm of the concrete bridge based on image processing
JP5351673B2 (ja) 外観検査装置、外観検査方法
CN110009618B (zh) 一种轴类零件表面质量检测方法及装置
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN107203990A (zh) 一种基于模板匹配与图像质量评估的标贴破损检测方法
CN110827235B (zh) 钢板表面缺陷检测方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN113706490B (zh) 一种晶片缺陷检测方法
CN106651882A (zh) 一种基于机器视觉的燕窝杂质识别与检测方法及装置
CN105389793B (zh) 一种自动识别物体表面裂缝走向及宽度的方法
CN109850518B (zh) 一种基于红外图像的实时矿用胶带预警撕裂检测方法
Fu et al. Medicine glass bottle defect detection based on machine vision
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN109766892A (zh) 一种基于边缘检测的射线检测图像标记信息字符分割方法
KR101294953B1 (ko) 핑거패턴 제거에 의한 비등방성 확산 모델 기반의 마이크로 크랙의 검사 방법

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