CN107610104A - 一种基于机器视觉的电梯补偿链r处裂纹检测方法 - Google Patents
一种基于机器视觉的电梯补偿链r处裂纹检测方法 Download PDFInfo
- Publication number
- CN107610104A CN107610104A CN201710768976.7A CN201710768976A CN107610104A CN 107610104 A CN107610104 A CN 107610104A CN 201710768976 A CN201710768976 A CN 201710768976A CN 107610104 A CN107610104 A CN 107610104A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- defect
- chain
- machine vision
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于机器视觉的电梯补偿链R处裂纹检测方法,包括以下步骤:(1)采集图像,图像为链条R处裂纹图像,对图像进行分区,图像分区包括阈值分割提取电梯补偿链的中心线和包含待检测缺陷的R处区域,得到R处区域待检测目标区域图像;(2)对步骤(1)中采集到的R处待检测目标区域图像进行相应的局部增强,滤波除噪,边缘提取,再对R处做区域增强处理,得到ROI区域图像;(3)对步骤(2)中得到的ROI区域图像做阈值分割,开操作并提取形态学特征,对其缺陷做出初步判定,提取出候选缺陷图像;(4)对步骤(3)中得到的侯选缺陷图像根据位置特征进行二次判定,得出最终的缺陷图像判定结果;本发明自动化程度较高,检测准确且检测效率高。
Description
技术领域
本发明涉及机器视觉检测方法技术领域,尤其涉及一种牲畜基于机器视觉的电梯补偿链R处裂纹检测方法。
背景技术
我国是全球最大的电梯生产国和消费国,庞大的电梯市场,促进了电梯零部件产业的蓬勃发展。电梯平衡补偿链是对电梯的运行起平衡作用的关键部件之一,用于在电梯轿箱运动过程中平衡曳引钢丝绳及随行电缆的重量,保证电梯运行的平稳性和安全性。同时随着我国电梯市场进入新装和养护并重的时期,每年有大量陈旧电梯需要更换补偿链。因此,电梯平衡补偿链市场需求巨大。
电梯补偿链在生产过程中因采用冷弯工艺而导致在链环R处产生表面裂纹缺陷,目前市场上尚无专用的自动化检测设备进行该种缺陷的自动检测,只能全部依靠人工检测,工人劳动强度很大、效率低且因视觉疲劳、个体差异等因素极易造成漏检。因此,企业对高效、准确、可靠的电梯平衡补偿链自动化检测系统有着迫切的需求。近年来,以机器视觉代替人眼进行工件表面缺陷检测已成为现代工业检测的重要手段。
例如申请号为:200710035766.3的中国专利公开了一种医药大输液机器视觉在线检测方法,其特征在于步骤为:(1)、获取连续图像:标定相机后相机连续抓取大输液旋转急停后序列图像,并将这些图像传送至工控机;(2)、图像去噪:对步骤(1)中得到的图像进行预处理,通过中值滤波器去除图像拍摄和传输过程中可能引起的噪声;(3)、运动目标提取:通过二次差分与灰度能量累积相结合的方法,利用微小异物成像时的时间相关性,完成序列图像中的运动微粒目标的提取;(4)、运动目标分割:选用多步阈值法,逐步确定微小异物灰度图像的最佳分割阈值,实现运动目标的分割,操作时,先依据图像的直方图分布,自动计算出检测目标的阈值,得出被检测体的大致范围,之后,再从此被分离区域的中心出发,沿“X”字方向进行搜索,得出最大梯度变化点,选取此梯度中的一个合适灰度值,对图像进行最终分割;(5)、图像识别:通过八连通域的标识,标识出图像中有可能为异物的连通区域,并计算同一连通区域的内部最长直径;(6)、图像判断:通过对连通域中,目标最大直径,和离心率的计算,判断出输液的质量情况,并对异物的类型进行分类;如果连通区里,目标的最长直径超过某一设定值,则认为该被检测输液不符合生产要求,依据离心率的计算判断出连通区的形状,记录下不合格输液的相关参数,并与PLC进行通信,发出控制信号;该申请通过采用机器视觉的检测方法,通过对医药大输液中杂质的位置和大小的确定,以及每个杂质最佳分割阈值的确定,提高了医药大输液生产自动化程度和产品质量,但是本发明在进行对杂质的位置和大小确定时,需要检测的区域较大,增加了算法的复杂度与检测的误检率。
再例如申请号为:201510152249.9的中国专利公开了一种基于机器视觉的电梯平衡补偿链质量自动检测装置和方法,其中检测方法,包括以下步骤:A、使锁链水平运动,并进行一次垂直弯折形成第一弯折以及一次水平弯折形成第二弯折,B、多个工业相机分别拍摄锁链的垂直轮廓、水平轮廓、链环表面以及在第一弯折处拍摄垂直环端表面、第二弯折处拍摄水平环端表面图像并发送给计算机;C、计算机根据图像分析锁链是否存在缺陷;D、根据计算机分析结果对相应缺陷环节进行缺陷标记;本发明公开的检测方法在对平衡补偿链进行检测时,虽然讲轮廓缺陷和裂纹缺陷进行分开检测,但是对补偿链的轮廓缺陷确定和裂纹缺陷的确定时,仍然需要对补偿链进行大范围取像工作和计算量,存在一定的局限性。
发明内容
为克服现有技术中存在的电梯补偿链再生产检测过程中存在的劳动强度大、检测效率低、漏检等问题,本发明提供了一种自动化程度较高、检测效率高,且准确的基于机器视觉的电梯补偿链R处裂纹检测方法。
本发明提供的一种基于机器视觉的电梯补偿链R处裂纹检测方法,包括以下步骤:
(1)、采集图像,所述图像为链条R处裂纹图像,对所述图像进行图像分区,所述图像分区包括提取电梯补偿链的中心线和包含待检测缺陷的R处区域,得到R处待检测目标区域图像;
(2)、对步骤(1)中采集到的所述R处待检测目标区域图像进行相应的局部增强,滤波除噪,边缘提取,再对R处做区域增强处理,得到ROI区域图像;
(3)、对步骤(2)中得到的所述ROI区域图像做阈值分割,开操作,并提取形态学特征,对其缺陷做出初步判定,提取出候选缺陷图像;
(4)、对步骤(3)中得到的所述侯选缺陷图像根据位置特征进行二次判定,得出最终的缺陷图像判定结果。
进一步的,所述的步骤(1)中中心线确定的具体步骤为:定义补偿链链环左右交叉区域为黑块区域,提取所述黑块区域,得出左右R处的两中心点(x1,y1),(x2,y2),进一步得出其中心线。
进一步的,所述的步骤(1)中图像分区的具体步骤为:所述中心线确定后,采用阈值分割对补偿链进行轮廓边缘的提取,再对其做结构元为圆的开操作提取R处区域,并以此为依据将R处区域分成左上、左下、右上、右下四个区域。
进一步的,所述的步骤(2)中滤波除噪的具体步骤为:所述滤波除燥为中值滤波除噪,利用圆形窗口扫描所述R处待检测目标区域图像,将窗口内的像素进行选择输出,得到滤波除噪图像,其算子如下所示:
f1(x,y)=med{f(x-k,y-i),(k,i)∈W};
其中,f(x,y)为原始图像,f1(x,y)为滤波后图像,W为图像模板即圆形窗口。
进一步的,所述的步骤(2)中边缘提取的具体步骤为:采用八个分别代表不同方向的模板对所述滤波除噪图像上的每一个像素点进行卷积求导数,得出|Mi|,对所述滤波除噪图像上的八个不同方向做出最大响应,八个方向中的最大值作为所述滤波除噪图像的边缘输出,得到边缘提取图像;
F1(x,y)=max(|M0|,|M1|,|M2|,|M3|,|M4|,|M5|,|M6|,|M7|)。
进一步的,所述的步骤(2)中R处区域增强的具体步骤为:将所述滤波除噪图像和所述边缘提取图像相减,并提取出ROI区域,使其边缘更突出,对比度更强,得出ROI区域图像。
进一步的,所述的步骤(3)中阈值分割的具体步骤为:将所述ROI区域图像内灰度值处于一定范围内的点全部输送到区域R中,所述ROI区域图像灰度值为g(x,y),所述区域R内的灰度值为gmin≤g(x,y)≤gmax;
R={(r,c)∈G|gmin≤g(r,c)≤gmax};
其中,R为满足分割条件的像素点组成的区域,r和c为符合灰度范围的像素点的行列。
进一步的,所述的步骤(3)中候选缺陷图像初步判定的具体步骤为:
a、所述阈值分割完成后,再进行开操作,结构元选取为矩形;
b、提取待选缺陷的形态学特征,所述形态学特征包括面积、外接椭圆的长半轴和角度,以所述形态学特征作为筛选依据初步做出是否为候选缺陷图像的判定。
进一步的,所述的步骤(4)中候选缺陷图像二次判定的具体步骤为:
a、统计候选缺陷图像的数量:分别对所述候选缺陷图像左上,左下,右上,右下四个区域提取到的候选缺陷数量进行统计;
b、候选缺陷图像的判定:若候选缺陷的数量大于等于裂纹缺陷数量的设定值,则认为这个区域可能存在缺陷,
c、提取每个所述候选缺陷图像的中心,并联合为区域,对所述候选缺陷图像联合的区域进行椭圆拟合,最后根据裂纹在左右R处不同分区有着不同倾角的特点,最终判断是否为缺陷。
具体的,所述补偿链链环左上或右下R处的裂纹在中心连线倾角范围为45°±10°时为缺陷,所述补偿链链环左下或右上R处的裂纹在中心连线倾角范围为135°±10°时为缺陷。
与现有技术相比,本发明提供的一种基于机器视觉的电梯补偿链R处裂纹检测方法,其优点在于:
一、本发明提供的一种基于机器视觉的电梯补偿链R处裂纹检测方法,通过对图像的分区处理,缩小缺陷检测范围,降低了算法的复杂度与检测的误检率。
二、本发明提供的一种基于机器视觉的电梯补偿链R处裂纹检测方法,通过对缺陷的两次判定,提高了检测的准确率。
三、本发明提供的一种基于机器视觉的电梯补偿链R处裂纹检测方法,通过以上几个步骤能够快速准确的检测到电梯补偿链R处裂纹,适用性强,适合产业化。
附图说明
图1本发明基于机器视觉的电梯补偿链R处裂纹检测方法实例中采集原图;
图2本发明基于机器视觉的电梯补偿链R处裂纹检测方法的流程图;
图3本发明图像分区算法流程图;
图4本发明实例中局部增强结果图;
图5本发明实例中候选缺陷提取结果图;
图6本发明缺陷二次判定算法流程图;
图7本发明实例中最终缺陷提取结果图。
具体实施方式
以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明中披露了一种基于机器视觉的电梯补偿链R处裂纹检测方法,包括以下步骤:
(1)、采集图像,所述图像为链条R处裂纹图像,对所述图像进行图像分区,所述图像分区包括提取电梯补偿链的中心线和包含待检测缺陷的R处区域,得到R处待检测目标区域图像;具体的,定义补偿链链环左右交叉区域为黑块区域,提取所述黑块区域,得出左右R处的两中心点(x1,y1),(x2,y2),进一步得出其中心线,再采用阈值分割对补偿链进行轮廓边缘的提取,再对其做结构元为圆的开操作提取R处区域,并以此为依据将R处区域分成左上、左下、右上、右下四个区域;
(2)、对步骤(1)中采集到的所述R处待检测目标区域图像进行相应的局部增强,滤波除噪,边缘提取,再对R处做区域增强处理,得到ROI区域图像;具体的,所述滤波除燥为中值滤波除噪,利用半径为3、4、5或6的圆形窗口扫描所述R处待检测目标区域图像,将窗口内的像素进行选择输出,得到滤波除噪图像,其算子如下所示:
f1(x,y)=med{f(x-k,y-i),(k,i)∈W};
其中,f(x,y)为原始图像,f1(x,y)为滤波后图像,W为图像模板即半径为3、4、5或6的圆形窗口;
再采用八个分别代表不同方向的模板对所述滤波除噪图像上的每一个像素点进行卷积求导数,得出|Mi|,进一步,可以选择对所述滤波除噪图像上的八个特定边缘方向做出最大响应,八个特定边缘方向中的最大值作为所述滤波除噪图像的边缘输出,得到边缘提取图像;
F1(x,y)=max(|M0|,|M1|,|M2|,|M3|,|M4|,|M5|,|M6|,|M7|);
最后将所述滤波除噪图像和所述边缘提取图像相减,并提取出ROI区域,使其边缘更突出,对比度更强,得出ROI区域图像。
(3)、对步骤(2)中得到的所述ROI区域图像做阈值分割,开操作,并提取形态学特征,对其缺陷做出初步判定,提取出候选缺陷图像;具体的,将所述ROI区域图像内灰度值处于一定范围内的点全部输送到区域R中,所述ROI区域图像灰度值为g(x,y),所述区域R内的灰度值为gmin≤g(x,y)≤gmax;
R={(r,c)∈G|gmin≤g(r,c)≤gmax};
其中,R为满足分割条件的像素点组成的区域,r和c为符合灰度范围的像素点的行列;
所述阈值分割完成后,再进行开操作,结构元选取宽和高都为3或4或5的矩形;
提取待选缺陷的形态学特征,所述形态学特征包括面积、外接椭圆的长半轴和角度,以所述形态学特征作为筛选依据初步做出是否为候选缺陷图像的判定。
(4)、对步骤(3)中得到的所述侯选缺陷图像根据位置特征进行二次判定,得出最终的缺陷图像判定结果;具体的步骤如下:
统计候选缺陷图像的数量:分别对所述候选缺陷图像左上,左下,右上,右下四个区域提取到的候选缺陷数量进行统计;
候选缺陷图像的判定:若候选缺陷的数量大于等于裂纹缺陷数量的设定值,则认为这个区域可能存在缺陷;
提取每个所述候选缺陷图像的中心,并联合为区域,对所述候选缺陷图像联合的区域进行椭圆拟合,最后根据裂纹在左右R处不同分区有着不同倾角的特点,最终判断是否为缺陷。
具体的,所述补偿链链环左上或右下R处的裂纹在中心连线倾角范围为45°±10°时为缺陷,所述补偿链链环左下或右上R处的裂纹在中心连线倾角范围为135°±10°时为缺陷。
在本发明的此实施方式中,如图1所示,为采集到的电梯补偿链R处缺陷图,对此采用本发明提出的一种基于机器视觉的电梯补偿链R处裂纹检测方法,其具体的检测流程图如图2所示,具体的步骤流程如下:特定边缘
A、采集得到图像:最初得到的图像对比度较低,噪声分布不均匀,使得缺陷的检测存在较大干扰;
B、对图像进行图像分区处理:可有效简化算法、提高检测效率;
图像分区算法采用如图3所示的算法流程:
首先,提取补偿链环左右交叉黑块区域,得出左右R处的中心,得出其中心线,并以此为依据将目标图像分成左上、左下、右上、右下四个区域;其次,根据左右R处中心做出矩形,对矩形区域做阈值分割得出补偿链的轮廓边缘,对其做结构元为圆的开操作,最后得出R处待检测目标区域图像。
C、局部增强:采集到的图像对比度较低,噪声分布不均匀,传统的增强算法往往是对图像全局增强,但相应的噪声同样被增强,不利于目标缺陷的识别,采用局部增强的方法更易于对缺陷的提取;
滤波除噪:利用半径为3(3为优选值)的圆形窗口扫描R处待检测目标区域图像;图像在获取过程中不可避免的引入噪声,会影响对目标缺陷的提取,而中值滤波是基于排序统计理论的一种噪声抑制非线性信号处理技术,对原图像做中值滤波处理可有效抑制噪声;
边缘提取:对滤波得到的图像用Kirsch算子提取边缘,得到边缘提取图像;
ROI增强:得到如图4所示的结果;采用八个分别代表不同方向模板对图像上的每一个像素点进行卷积求导数,进一步优选的,对图像上的八个特定边缘方向做出最大响应,八个特定边缘方向中的最大值作为图像的边缘输出;之后将中值滤波后的图像与边缘提取后的图像相减来增强图像,并提取ROI区域,使其边缘更突出,对比度更强。
D、候选缺陷提取:得到如图5所示的结果;对局部增强后的ROI区域做阈值分割,再做结构元为矩形的开操作,结构元选取的宽和高都为3矩形(3为优选值),但得到的结果仍存在较多噪声,分别提取其面积、等效椭圆的长半轴和角度等形态学特征并进行筛选,初步判定得出候选缺陷。
E、候选缺陷判定:采用如图6所示的算法流程进行判定;候选缺陷经过形态学判定后,还要结合位置特征综合判断,以处理误检的情况;电梯补偿链R处裂纹通常沿某个方向多条排列,分别统计图像左上、左下、右上、右下四个区域的候选缺陷数量,若大于等于设定值(如设定值为3)则认为这个区域可能存在缺陷,然后提取每个缺陷的中心并联合为区域,对其进行椭圆拟合,最后根据裂纹在不同分区有着不同倾角的特点最终判断是否为缺陷,得到如图7所示的检测结果,其中补偿链链环左上或右下R处的裂纹在中心连线倾角范围为45°±10°时为缺陷,补偿链链环左下或右上R处的裂纹在中心连线倾角范围为135°±10°时为缺陷。
在本发明的此实施方式中,采用基于机器视觉的电梯补偿链R处裂纹检测方法,通过以上几个步骤不仅能够快速准确的检测到电梯补偿链R处裂纹,而且检测准确,效率高,适用性强,适合产业化。
上述说明示出并描述了本发明的优选实施例,如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动,而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于机器视觉的电梯补偿链R处裂纹检测方法,其特征在于:包括以下步骤:
(1)、采集图像,所述图像为链条R处裂纹图像,对所述图像进行图像分区,所述图像分区包括阈值分割提取电梯补偿链的中心线和包含待检测缺陷的R处区域,得到R处区域的待检测目标区域图像;
(2)、对步骤(1)中采集到的所述R处待检测目标区域图像进行相应的局部增强,滤波除噪,边缘提取,再对R处做区域增强处理,得到ROI区域图像;
(3)、对步骤(2)中得到的所述ROI区域图像做阈值分割,开操作,并提取形态学特征,对其缺陷做出初步判定,提取出候选缺陷图像;
(4)、对步骤(3)中得到的所述侯选缺陷图像根据位置特征进行二次判定,得出最终的缺陷图像判定结果。
2.根据权利要求1所述的基于机器视觉的电梯补偿链R处裂纹检方法,其特征在于:所述的步骤(1)中中心线确定的具体步骤为:定义补偿链链环左右交叉区域为黑块区域,提取所述黑块区域,得出左右R处的两中心点(x1,y1),(x2,y2),进一步得出其中心线。
3.根据权利要求2所述的基于机器视觉的电梯补偿链R处裂纹检方法,其特征在于:所述的步骤(1)中图像分区的具体步骤为:所述中心线确定后,采用阈值分割对补偿链进行轮廓边缘的提取,再对其做结构元为圆的开操作提取R处区域,并以此为依据将R处区域分成左上、左下、右上、右下四个区域。
4.根据权利要求1所述的基于机器视觉的电梯补偿链R处裂纹检方法,其特征在于:所述的步骤(2)中滤波除噪的具体步骤为:所述滤波除燥为中值滤波除噪,利用圆形窗口扫描所述R处待检测目标区域图像,将窗口内的像素进行选择输出,得到滤波除噪图像,其算子如下所示:
f1(x,y)=med{f(x-k,y-i),(k,i)∈W};
其中,f(x,y)为原始图像,f1(x,y)为滤波后图像,W为图像模板即圆形窗口。
5.根据权利要求1所述的一种基于机器视觉的电梯补偿链R处裂纹检方法,其特征在于:所述的步骤(2)中边缘提取的具体步骤为:采用八个分别代表不同方向的模板对所述滤波除噪图像上的每一个像素点进行卷积求导数,得出|Mi|,对所述滤波除噪图像上的八个不同方向做出最大响应,八个方向中的最大值作为所述滤波除噪图像的边缘输出,得到边缘提取图像;
F1(x,y)=max(|M0|,|M1|,|M2|,|M3|,|M4|,|M5|,|M6|,|M7|)。
6.根据权利要求1所述的基于机器视觉的电梯补偿链R处裂纹检测方法,其特征在于:所述的步骤(2)中R处区域增强的具体步骤为:将所述滤波除噪图像和所述边缘提取图像相减,并提取出ROI区域,使其边缘更突出,对比度更强,得出ROI区域图像。
7.根据权利要求1所述的基于机器视觉的电梯补偿链R处裂纹检测方法,其特征在于:所述的步骤(3)中阈值分割的具体步骤为:将所述ROI区域图像内灰度值处于一定范围内的点全部输送到区域R中,所述ROI区域图像灰度值为g(x,y),所述区域R内的灰度值为gmin≤g(x,y)≤gmax;
R={(r,c)∈G|gmin≤g(r,c)≤gmax};
其中,R为满足分割条件的像素点组成的区域,r和c为符合灰度范围的像素点的行列。
8.根据权利要求1所述的基于机器视觉的电梯补偿链R处裂纹检测方法,其特征在于:所述的步骤(3)中候选缺陷图像初步判定的具体步骤为:
a、所述阈值分割完成后,再进行开操作,结构元选取为矩形;
b、提取待选缺陷的形态学特征,所述形态学特征包括面积、外接椭圆的长半轴和角度,以所述形态学特征作为筛选依据初步做出是否为候选缺陷图像的判定。
9.根据权利要求1所述的基于机器视觉的电梯补偿链R处裂纹检测方法,其特征在于:所述的步骤(4)中候选缺陷图像二次判定的具体步骤为:
a、统计候选缺陷图像的数量:分别对所述候选缺陷图像左上,左下,右上,右下四个区域提取到的候选缺陷数量进行统计;
b、候选缺陷图像的判定:若候选缺陷的数量大于等于裂纹缺陷数量的设定值,则认为这个区域可能存在缺陷,
c、提取每个所述候选缺陷图像的中心,并联合为区域,对所述候选缺陷图像联合的区域进行椭圆拟合,最后根据裂纹在左右R处不同分区有着不同倾角的特点,最终判断是否为缺陷。
10.根据权利要求9所述的基于机器视觉的电梯补偿链R处裂纹检测方法,其特征在于:所述补偿链链环左上或右下R处的裂纹在中心连线倾角范围为45°±10°时为缺陷,所述补偿链链环左下或右上R处的裂纹在中心连线倾角范围为135°±10°时为缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710768976.7A CN107610104A (zh) | 2017-08-31 | 2017-08-31 | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710768976.7A CN107610104A (zh) | 2017-08-31 | 2017-08-31 | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107610104A true CN107610104A (zh) | 2018-01-19 |
Family
ID=61056824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710768976.7A Pending CN107610104A (zh) | 2017-08-31 | 2017-08-31 | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610104A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846834A (zh) * | 2018-05-31 | 2018-11-20 | 清华大学 | 医用图像处理装置及医用图像处理方法 |
CN109523564A (zh) * | 2018-10-19 | 2019-03-26 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN109655526A (zh) * | 2018-12-29 | 2019-04-19 | 江苏兴华胶带股份有限公司 | 一种电梯平衡补偿链快速测量包装方法 |
CN109859160A (zh) * | 2018-12-10 | 2019-06-07 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
CN110097533A (zh) * | 2019-02-12 | 2019-08-06 | 哈尔滨新光光电科技股份有限公司 | 一种光斑外形尺寸和位置的精确测试方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
CN111008960A (zh) * | 2019-11-22 | 2020-04-14 | 广州大学 | 基于机器视觉的铝电解电容底部外观检测方法及装置 |
CN111539906A (zh) * | 2019-01-22 | 2020-08-14 | 顺丰科技有限公司 | 装载率测定方法及装置 |
CN112782179A (zh) * | 2020-12-22 | 2021-05-11 | 北京市新技术应用研究所 | 一种产品反光表面缺陷检测方法及系统 |
CN112834457A (zh) * | 2021-01-23 | 2021-05-25 | 中北大学 | 基于反射式激光热成像的金属微裂纹三维表征系统及方法 |
CN113506292A (zh) * | 2021-07-30 | 2021-10-15 | 同济大学 | 一种基于位移场的结构物表面裂纹检测和提取方法 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
CN116051554A (zh) * | 2023-03-31 | 2023-05-02 | 潍坊百特磁电科技有限公司 | 一种基于除铁器输送带的检测预警方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914545A (zh) * | 2012-11-15 | 2013-02-06 | 潍坊学院 | 一种基于计算机视觉的齿轮缺陷检测方法及系统 |
CN104764750A (zh) * | 2015-04-01 | 2015-07-08 | 常熟理工学院 | 基于机器视觉的电梯平衡补偿链质量自动检测装置和方法 |
CN105548208A (zh) * | 2016-02-05 | 2016-05-04 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
-
2017
- 2017-08-31 CN CN201710768976.7A patent/CN107610104A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914545A (zh) * | 2012-11-15 | 2013-02-06 | 潍坊学院 | 一种基于计算机视觉的齿轮缺陷检测方法及系统 |
CN104764750A (zh) * | 2015-04-01 | 2015-07-08 | 常熟理工学院 | 基于机器视觉的电梯平衡补偿链质量自动检测装置和方法 |
CN105548208A (zh) * | 2016-02-05 | 2016-05-04 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
朱建江 等: "基于机器视觉的电梯平衡补偿链检测系统设计", 《组合机床与自动化加工技术》 * |
杨阿庆: "基于Canny理论的彩色图像边缘检测及评价", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846834A (zh) * | 2018-05-31 | 2018-11-20 | 清华大学 | 医用图像处理装置及医用图像处理方法 |
CN108846834B (zh) * | 2018-05-31 | 2020-11-20 | 清华大学 | 医用图像处理装置及医用图像处理方法 |
CN109523564B (zh) * | 2018-10-19 | 2020-04-28 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN109523564A (zh) * | 2018-10-19 | 2019-03-26 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN109859160A (zh) * | 2018-12-10 | 2019-06-07 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
CN109859160B (zh) * | 2018-12-10 | 2022-08-16 | 湖南航天天麓新材料检测有限责任公司 | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 |
CN109655526A (zh) * | 2018-12-29 | 2019-04-19 | 江苏兴华胶带股份有限公司 | 一种电梯平衡补偿链快速测量包装方法 |
CN111539906A (zh) * | 2019-01-22 | 2020-08-14 | 顺丰科技有限公司 | 装载率测定方法及装置 |
CN111539906B (zh) * | 2019-01-22 | 2024-04-12 | 顺丰科技有限公司 | 装载率测定方法及装置 |
CN110097533A (zh) * | 2019-02-12 | 2019-08-06 | 哈尔滨新光光电科技股份有限公司 | 一种光斑外形尺寸和位置的精确测试方法 |
CN110097533B (zh) * | 2019-02-12 | 2023-04-07 | 哈尔滨新光光电科技股份有限公司 | 一种光斑外形尺寸和位置的精确测试方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
CN111008960A (zh) * | 2019-11-22 | 2020-04-14 | 广州大学 | 基于机器视觉的铝电解电容底部外观检测方法及装置 |
CN111008960B (zh) * | 2019-11-22 | 2023-03-28 | 广州大学 | 基于机器视觉的铝电解电容底部外观检测方法及装置 |
CN112782179A (zh) * | 2020-12-22 | 2021-05-11 | 北京市新技术应用研究所 | 一种产品反光表面缺陷检测方法及系统 |
CN112834457A (zh) * | 2021-01-23 | 2021-05-25 | 中北大学 | 基于反射式激光热成像的金属微裂纹三维表征系统及方法 |
CN113506292B (zh) * | 2021-07-30 | 2022-09-20 | 同济大学 | 一种基于位移场的结构物表面裂纹检测和提取方法 |
CN113506292A (zh) * | 2021-07-30 | 2021-10-15 | 同济大学 | 一种基于位移场的结构物表面裂纹检测和提取方法 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
CN116051554A (zh) * | 2023-03-31 | 2023-05-02 | 潍坊百特磁电科技有限公司 | 一种基于除铁器输送带的检测预警方法、设备及介质 |
CN116051554B (zh) * | 2023-03-31 | 2023-06-09 | 潍坊百特磁电科技有限公司 | 一种基于除铁器输送带的检测预警方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
WO2016172827A1 (zh) | 一种逐步求精的路面裂缝检测方法 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN101852768A (zh) | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 | |
CN106780486A (zh) | 一种钢板表面缺陷图像提取方法 | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
CN109993099A (zh) | 一种基于机器视觉的车道线提取识别方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN108038838A (zh) | 一种棉麻纤维种类自动检测方法和系统 | |
JP2011521682A (ja) | 皮質白内障診断のための自動混濁検出システム | |
CN107563364A (zh) | 基于汗腺的指纹真伪辨别方法以及指纹识别方法 | |
CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
Chen et al. | Evaluating fabric pilling with light-projected image analysis | |
CN109345524A (zh) | 一种基于视觉的轴承外观缺陷检测系统 | |
CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN113222938A (zh) | 芯片缺陷检测方法及系统与计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |