CN107369136B - 聚晶金刚石复合片表面裂纹视觉检测方法 - Google Patents
聚晶金刚石复合片表面裂纹视觉检测方法 Download PDFInfo
- Publication number
- CN107369136B CN107369136B CN201710482633.4A CN201710482633A CN107369136B CN 107369136 B CN107369136 B CN 107369136B CN 201710482633 A CN201710482633 A CN 201710482633A CN 107369136 B CN107369136 B CN 107369136B
- Authority
- CN
- China
- Prior art keywords
- image
- polycrystalline diamond
- diamond compact
- crack
- defects
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 229910003460 diamond Inorganic materials 0.000 title claims abstract description 20
- 239000010432 diamond Substances 0.000 title claims abstract description 20
- 230000000007 visual effect Effects 0.000 title claims abstract description 9
- 230000007547 defect Effects 0.000 claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims abstract description 4
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000011179 visual inspection Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Abstract
聚晶金刚石复合片表面裂纹视觉检测方法,包括:(1)采用圆顶及同轴光的组合垂直正面照明系统,并使用R轴精密位移平台辅助工件旋转拍摄获取聚晶金刚石复合片原始图像;(2)对采集的原始图像进行数字图像处理,具体包括:a、基于灰度投影直方图投影梯度极值的边界提取方法去除非感兴趣区域;b、图像滤波,抑制图像中的低频分量,增强图像细节;c、采用图像分割技术将缺陷从图像中分离出来;(3)经过步骤(2)处理后的图像只含有裂纹连通域,选取长度、宽度、圆形度、长宽比四个特征量对裂纹缺陷进行分析。本发明可实现对PDC表面裂纹缺陷自动化、高效率、高精度的检测。
Description
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表面裂纹视觉检测方法。
背景技术
聚晶金刚石复合片(polycrystalline diamond compact, PDC)是由聚晶金刚石层(PCD-polycristalline diamond)和硬质合金(tungsten carbide-cobalt)基体在高温高压下烧结而成。PDC在实际生产制造过程中因合成工艺或后期加工等因素不可避免的会出现裂纹等表面缺陷,对产品性能产生影响,而产品的质量检验则为十分重要的环节。
随着视觉检测技术的发展,使自动检测产品表面缺陷成为可能。Yong-Ju Jeon使用离散小波变换,成功区分真伪缺陷,并提取出钢坯中角裂纹的形态特征。厉荣宣等提出一种分块自适应模糊集增强方法,提高了裂纹区和背景区的对比度,实现轴类零件的裂纹检测。付邦瑞在满足准确率和实时性的基础上,完成了高温在线钢坯表面裂纹缺陷检测。
国内外学者运用视觉检测技术,在各类产品的裂纹缺陷检测上取得了成功。而目前,对于PDC的表面缺陷检测主要依靠人工,存在检测效率低且客观一致性差等问题。
发明内容
本发明提供一种聚晶金刚石复合片表面裂纹视觉检测方法,解决现有对于PDC的表面缺陷检测主要依靠人工,存在检测效率低且客观一致性差等问题等问题。
本发明采用如下技术方案:
聚晶金刚石复合片表面裂纹视觉检测方法,包括以下步骤:
(1)采用圆顶及同轴光的组合垂直正面照明系统,并使用R轴精密位移平台辅助工件旋转一周进行拍摄获取聚晶金刚石复合片原始图像;
(2)对采集的原始图像进行数字图像处理,具体流程包括:a、感兴趣区域提取,基于灰度投影直方图投影梯度极值的边界提取方法去除非感兴趣区域;b、图像滤波,抑制图像中的低频分量,增强图像细节;c、缺陷分割,采用图像分割技术将缺陷从图像中分离出来;
(3)经过步骤(2)处理后的图像只含有裂纹连通域,选取长度、宽度、圆形度、长宽比四个特征量对裂纹缺陷进行分析。
进一步地,所述灰度投影直方图是将图像水平和垂直方向上的灰度值进行逐行、逐列累加求均值,并投影到垂直和水平的一维坐标上,其数学表达式为:,;其中,为图像区域内第i行投影到垂直一维坐标的值,为第i行包含的列数,为第i行j列的灰度值; 为图像区域内第j列投影到水平一维坐标的值, m(cj)为第j列包含的行数。
进一步地,所述图像滤波采用维纳滤波,所述维纳滤波的峰值信噪比PSNR和归一化均方误差的定义分别如下:,,其中,F表示原始图像,Z表示滤波后的图像,(i, j)为像素坐标,M、N分别为图像的高度和宽度。
进一步地,所述缺陷分割采用图像阈值分割,所述图像阈值分割采用大律法进行阈值的选取。
进一步地,该聚晶金刚石复合片表面裂纹视觉检测方法还包括步骤(4),具体是使用最小外接矩形对裂纹缺陷进行标识。
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:
本发明针对PDC表面裂纹缺陷图像的特点,采用视觉检测技术,实现了PDC表面裂纹的非接触检测,圆顶+同轴光源的组合照明方式适合拍摄PDC侧面,可有效增强目标区域,消隐背景信息;基于直方图投影梯度极值的局部边界提取方法,可将感兴趣区域进行准确提取;采用维纳滤波,效果较好;使用圆形度及长宽比作为特征量,可有效实现裂纹的识别。故本发明可实现对PDC表面裂纹缺陷自动化、高效率、高精度的检测。
附图说明
图1为圆顶光源拍摄效果图。
图2为同轴光源拍摄效果图。
图3为本发明组合光拍摄效果图。
图4为本发明灰度直方图垂直投影图。
图5为本发明直方图垂直投影梯度图。
图6为本发明ROI图像(旋转90°)。
图7为本发明三维灰度直方图。
图8为本发明频谱图。
图9为拉普拉斯锐化滤波效果图及对应三维直方图。
图10为同态滤波效果图及对应三维直方图。
图11为维纳滤波效果图及对应三维直方图。
图12为本发明图像分割效果图。
图13为本发明单裂纹图像标识图。
图14为本发明双裂纹图像标识图。
具体实施方式
下面参照附图说明本发明的具体实施方式。
PDC表面裂纹缺陷主要位于侧面的聚晶层区域,形状为细长型。根据成品外观检测标准,长度大于1.0mm,宽度大于0.1mm判定存在裂纹。检测精度要求为0.05mm。
因PDC侧面为弧面且硬质合金层具有较强的反光特性,这就使得在常规条件下对PDC侧面的拍摄变得异常困难。为此,需要根据PDC表面反射的特殊性选择与之相适应的光源和拍摄条件,以提高图片质量。
光源的选择
PDC表面缺陷检测系统中所选用的光源必须对裂纹缺陷具有较好的照射效果。具体来说:将感兴趣部分和其他部分的灰度值差异加大;尽量消隐不感兴趣部分;提高信噪比,利于图像处理;减少因材质、照射角度对成像的影响。
在众多光源中,圆顶光源主要用于曲面物体的缺陷检测。同轴光源主要应用在金属、玻璃等具有光泽的物体表面缺陷检测中。经过实验研究,PDC侧面使用单一光源时效果不佳,图1和图2分别为使用圆顶和同轴两种单一光源拍摄效果。最后设计圆顶+同轴光的组合垂直正面照明方案,并使用R轴精密位移平台辅助工件旋转一周进行拍摄,其采集系统光源结构图及组合光拍摄结果,如图3所示。
可以看出,因圆顶光源结构原因,图1中心区域会存在暗区;同轴光源不适合拍摄弧形物体;组合光源照明方式中,同轴光源起补光作用,在保证光照均匀、消除背景信息的同时突出了裂纹缺陷,满足实验要求。
最终确定圆顶+同轴光源的组合照明系统。经计算,所采用的硬件系统检测精度为0.012mm,满足实际检测需求。
2.PDC表面裂纹缺陷图像处理
2.1感兴趣区域提取
感兴趣区域(ROI)检测的目的就是通过前端初步分析的手段来降低数据的后端流量,减轻对处理系统的压力,为后续缺陷检测算法节省更多的检测时间。在经图像采集获取的图像3中,ROI为去除倒角后的聚晶层,即B、C之间的区域。
为了去除非感兴趣区域,本发明提出了一种基于直方图投影梯度极值的边界提取方法。其中,灰度投影直方图是将图像水平和垂直方向上的灰度值进行逐行、逐列累加求均值,并投影到垂直和水平的一维坐标上,其数学表达式为:
为了反映水平方向的灰度值变化,以图像3为例,做出灰度直方图垂直投影图,如图4所示,图4中Ⅰ、Ⅱ、Ⅲ分别对应图3中A、B、C。
根据分析,图像真实边界点应为垂直于边界方向上灰度梯度的极值。因此,图3中B、C之间的区域,对应于投影梯度图中两个极大值1和2之间区域,如图5所示。
通过返回的两个梯度极大值的位置坐标,得到提取后的ROI图像J(旋转90度),如图6所示,图片大小由原来的1500像素×700像素降低为700像素×215像素,大大减小了后续数据处理量。
2.2图像滤波
对图6,空域范围内,作其三维灰度直方图(如图7所示);在频域范围内,作傅里叶变换,得到频谱图,如图8所示。
由三维直方图可以看出,图像背景区域占比较多,且具有毛刺。频谱图的中心亮而周围暗,表明图像中主要为低频分量,而图像的模糊主要就是由于高频成分比较弱产生的。因此,需要抑制图像中的低频分量,增强图像细节。
分别使用空域滤波增强中的拉普拉斯锐化滤波器,频域滤波增强中的同态滤波器以及维纳滤波器。得到滤波后效果图及其对应的三维直方图,如图9-11所示。
可以看出,拉普拉斯锐化滤波对噪声较敏感,增强了图像边缘,却弱化了裂纹区域。同态滤波和维纳滤波在平滑低频噪声的同时,都突出了裂纹缺陷。
下面对这三种滤波效果采用峰值信噪比PSNR(Peak Signal-to-Noise Ratio)和归一化均方误差NMSE (Normalized Mean Square Error)作为客观评价的尺度,选取最佳的滤波方式。PSNR和NMSE分别定义如下:
其中,F表示原始图像,Z表示滤波后的图像,(i, j)为像素坐标,M、N分别为图像的高度和宽度。表1为四种滤波方式下PSNR和NMSE值。
表1 四种滤波方式下PSNR和NMSE值
根据评价准则,PSNR值越大,NMSE值越小,表明滤波后的图像越接近于原始图像,则滤波效果越好。由表1可以看出,维纳滤波的效果更好。
2.3缺陷分割
由于PDC表面的裂纹缺陷融合在背景当中,需要采用图像分割技术将缺陷从图像中分离出来。其中,图像阈值分割是一种广泛使用的图像分割技术,而阈值的选择对图像分割起着重要的作用。
大津法(Otsu)也叫最大类间方差法,其最大的优点就是计算简单,效果稳定。本文使用大津法对经维纳滤波后的图像进行分割,效果如图12所示:
可以看出,裂纹缺陷被完整提取,取得了极好的效果。在实际检测过程中,经阈值分割后的图像中,仍有可能会存在干扰区域,而裂纹所在连通域的面积应为所有连通域中的较大值。考虑到一帧图片上可能存在多个裂纹,通过计算多个样本中裂纹及干扰区域的面积,确定阈值分割后去除面积小于200像素的连通域,便于下一步真实缺陷的识别。
3.缺陷识别
经过处理后的图像只含有裂纹连通域,选取长度、宽度、圆形度、长宽比四个特征量对裂纹缺陷进行分析。
圆形度的计算公式为:
其中,S为连通域的面积,C为连通域的周长。
计算裂纹连通域的最小外接矩形(MBR-Minimum Bounding Rectangle),并返回MBR的长度L和宽度W。
长宽比D计算公式为:
选取两个单裂纹、两个双裂纹、一个无裂纹(表面有干扰信息)共五个样本计算特征量,其值如表2所示。
表2 五个样本的特征值
检测系统单个像素的实际长度约为0.012mm,根据MBR返回值,裂纹样本的长度L均大于90像素,宽度W均大于10像素,即MBR实际长度均大于1.08mm,宽度均大于0.12mm,在检测标准中属于裂纹缺陷。为便于特征识别,对特征值进行分析,规定当圆形度R小于0.35,且长宽比D大于2时,判定存在裂纹,完成缺陷识别。最后,使用最小外接矩形对裂纹缺陷进行标识,如图13和图14所示,由此可见,本文所采用的方法,可对裂纹缺陷进行有效识别。
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.聚晶金刚石复合片表面裂纹视觉检测方法,其特征在于,包括以下步骤:
(1)采用圆顶及同轴光的组合垂直正面照明系统,并使用R轴精密位移平台辅助工件旋转一周进行拍摄获取聚晶金刚石复合片原始图像;
(2)对采集的原始图像进行数字图像处理,具体流程包括:a、感兴趣区域提取,基于灰度投影直方图投影梯度极值的边界提取方法去除非感兴趣区域;b、图像滤波,抑制图像中的低频分量,增强图像细节;c、缺陷分割,采用图像分割技术将缺陷从图像中分离出来;
(3)经过步骤(2)处理后的图像只含有裂纹连通域,选取长度、宽度、圆形度、长宽比四个特征量对裂纹缺陷进行分析。
4.如权利要求1所述的聚晶金刚石复合片表面裂纹视觉检测方法,其特征在于:所述缺陷分割采用图像阈值分割,所述图像阈值分割采用大律法进行阈值的选取。
6.如权利要求1所述的聚晶金刚石复合片表面裂纹视觉检测方法,其特征在于:还包括步骤(4),使用最小外接矩形对裂纹缺陷进行标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710482633.4A CN107369136B (zh) | 2017-06-22 | 2017-06-22 | 聚晶金刚石复合片表面裂纹视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710482633.4A CN107369136B (zh) | 2017-06-22 | 2017-06-22 | 聚晶金刚石复合片表面裂纹视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107369136A CN107369136A (zh) | 2017-11-21 |
CN107369136B true CN107369136B (zh) | 2020-06-09 |
Family
ID=60305514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710482633.4A Active CN107369136B (zh) | 2017-06-22 | 2017-06-22 | 聚晶金刚石复合片表面裂纹视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107369136B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108051445B (zh) * | 2017-12-05 | 2020-04-28 | 广东钜鑫新材料科技股份有限公司 | 一种检测金刚石复合片内部裂纹位置的方法 |
CN108253895A (zh) * | 2018-02-23 | 2018-07-06 | 广州飞机维修工程有限公司 | 一种基于图像处理的材料表面裂纹直线长度测量方法 |
CN108961233A (zh) * | 2018-06-28 | 2018-12-07 | 华侨大学 | 一种聚晶金刚石复合片表面缺陷分类识别方法 |
CN109047035A (zh) * | 2018-08-03 | 2018-12-21 | 华侨大学 | 一种聚晶金刚石复合片表面缺陷自动检测装置 |
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 |
CN109299681A (zh) * | 2018-09-12 | 2019-02-01 | 中国矿业大学(北京) | 一种基于支持向量机的煤岩体表面裂纹自动识别方法 |
CN109886921A (zh) * | 2019-01-16 | 2019-06-14 | 新而锐电子科技(上海)有限公司 | 基于数字图像的裂纹尺寸度量方法、装置和电子设备 |
CN111179243A (zh) * | 2019-12-25 | 2020-05-19 | 武汉昕竺科技服务有限公司 | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 |
CN111062939B (zh) * | 2019-12-31 | 2023-08-15 | 上海大学 | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 |
CN112014407A (zh) * | 2020-09-03 | 2020-12-01 | 浙江长芯光电科技有限公司 | 一种集成电路晶圆表面缺陷检测的方法 |
DE102020213828B4 (de) * | 2020-11-03 | 2022-12-01 | Volkswagen Aktiengesellschaft | Inspektionseinrichtung und Verfahren zum Überprüfen eines mittels eines Sinterverfahrens gefertigten Gegenstands auf mögliche Fehler |
CN114638805A (zh) * | 2022-03-21 | 2022-06-17 | 武汉纵横天地空间信息技术有限公司 | 一种轨道板裂缝检测方法、系统及存储介质 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4504417B2 (ja) * | 2005-01-31 | 2010-07-14 | オリンパス株式会社 | 画像処理装置、顕微鏡システム、及び領域特定プログラム |
CN101178367B (zh) * | 2007-09-21 | 2010-08-25 | 天津大学 | 一种陶瓷加工表面损伤检测系统 |
CN102411007B (zh) * | 2011-08-08 | 2014-05-14 | 长春理工大学 | 微小的圆或圆环形零件表面缺陷检测系统 |
CN102354363B (zh) * | 2011-09-15 | 2014-04-16 | 西北工业大学 | 高反光柱面金属上的二维条码图像识别方法 |
DE202013004160U1 (de) * | 2013-04-30 | 2013-08-27 | Fusionsystems Gmbh | Prüfmodul für die automatische kamerabasierte Erfassung von Oberflächenfehlern auf zylinderförmigen Bauteilen mit strukturierten Oberflächen |
CN103390280B (zh) * | 2013-07-26 | 2016-02-24 | 无锡信捷电气股份有限公司 | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 |
CN104866862B (zh) * | 2015-04-27 | 2017-12-22 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
CN106327471A (zh) * | 2015-07-01 | 2017-01-11 | 南京普爱医疗设备股份有限公司 | 一种基于锥形束投影数据的感兴趣区域分割方法 |
-
2017
- 2017-06-22 CN CN201710482633.4A patent/CN107369136B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107369136A (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107369136B (zh) | 聚晶金刚石复合片表面裂纹视觉检测方法 | |
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN115375676A (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN102494976B (zh) | 一种超细晶粒钢晶粒的自动测量及其形态分类方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN109187581A (zh) | 基于视觉的成品轴承端面缺陷检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN115100191B (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
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 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN113298776B (zh) | 一种金属闭式水泵叶轮外观缺陷检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN115096206A (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN115439523A (zh) | 一种半导体器件引脚尺寸检测方法、设备及存储介质 | |
CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
CN115294119B (zh) | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 | |
CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 |
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 |