CN107782733A - 金属表面缺陷的图像识别无损检测装置及方法 - Google Patents
金属表面缺陷的图像识别无损检测装置及方法 Download PDFInfo
- Publication number
- CN107782733A CN107782733A CN201710914271.1A CN201710914271A CN107782733A CN 107782733 A CN107782733 A CN 107782733A CN 201710914271 A CN201710914271 A CN 201710914271A CN 107782733 A CN107782733 A CN 107782733A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- result
- detection method
- unit
- 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
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
- G01N2021/8864—Mapping zones of defects
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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种金属表面缺陷的图像识别无损检测装置及方法,涉及金属表面缺陷自动检测领域。该装置包括移动单元、光感单元、光源单元、光学放大单元、图像采集单元、图像分析单元、数据存储单元、报警单元,光感单元、光源单元保证检测区域采集图像的亮度适宜,光学放大单元对采集到的图像进行光学放大,图像采集单元完成图像的采集工作,图像分析单元对检测区域的采集图像进行分析,判断是否存在缺陷,数据存储单元存储本装置运行需要的数据、采集的图像和分析结果,报警单元对于检测到的问题区域进行报警。本发明能进行金属表面的全自动化检测,检测区域大,检测方法简单、快速,降低了检测时间和人工成本。
Description
技术领域
本发明涉及金属表面缺陷自动检测领域,具体是涉及一种金属表面缺陷的图像识别无损检测装置及方法。
背景技术
在船舶系统中,对于船体的裂缝、锈蚀的检查,对保证船体安全具有重要意义。在核电系统中,对于反应堆安全壳的裂缝、锈蚀检查,对核安全的保证是必不可少的。在地铁系统中,对于轨道损伤、裂缝的检查,对保证列车的安全运行也是必不可少的。
金属表面缺陷,例如裂缝、锈蚀等缺陷,对于金属材料、金属设备等是巨大的安全隐患,定期对金属表面缺陷进行检测,对于设备、结构的安全具有重要意义。
传统检查方式一般是通过工作人员现场目测或者通过摄像头拍摄图像,由工作人员远程观看检查,上述检测方法不仅检测时间长,人工成本高,检测效果受工作人员熟练程度、工作疲劳程度影响大,且对于微小的裂缝,轻微锈蚀等金属表面缺陷,极易漏检。一些电化学、红外检测方法,设备较为复杂,条件要求高,且不适合大面积或者大型设备的检测。
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种金属表面缺陷的图像识别无损检测装置及方法,能够进行金属表面的全自动化检测,检测区域大,检测方法简单、快速,降低了检测时间和人工成本。
本发明提供一种金属表面缺陷的图像识别无损检测装置,该装置包括移动单元,移动单元上搭载光感单元、光源单元、光学放大单元、图像采集单元、图像分析单元、数据存储单元、报警单元,光感单元与光源单元相连,光学放大单元与图像采集单元相连,图像采集单元分别连接图像分析单元、数据存储单元,图像分析单元与数据存储单元相连,图像分析单元、数据存储单元均与报警单元相连;
移动单元按照预设路径行走,或通过遥控器控制行走,或自动规划路线行走;移动单元自动运动时,移动单元上搭载的设备对一定区域进行检测;
光感单元包括光学传感器、光线强度分析器,光学传感器采集检测区域光线强度,并将数据输入光线强度分析器;光线强度分析器分析光线强度,并根据分析结果控制光源单元改变光照强度,为图像采集单元提供适合的光线强度,保证检测区域光线强度适宜;
光学放大单元对采集到的图像进行光学放大;
图像采集单元完成图像的采集工作;
图像分析单元分析图像采集单元采集到的图像,通过图像处理算法,对图像进行滤波、去燥、灰度化、图像增强预处理,建立超完备字典,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析,再综合判断,分析所采集到的图像是否包含锈蚀、裂缝缺陷,数据存储单元存储分析结果;对于存在缺陷的分析结果,图像分析单元提交给报警单元;
数据存储单元存储本装置运行需要的数据以及采集的图像和分析结果;
报警单元对检测到的问题区域进行报警。
在上述技术方案的基础上,所述边缘检测方法的流程如下:
301、输入图像:图像采集单元采集图像,输入图像分析单元,图像分析单元对图像进行分析;
302、灰度化:将输入的彩色图像转换为灰度图像;
303、Ostu自适应阈值:通过Ostu算法自适应设定阈值,为后续Canny算子边缘检测中的双阈值设定做准备;
304、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
305、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
306、Canny算子边缘检测:表面裂缝、腐蚀缺陷经过灰度化处理后,与图像中其它非缺陷区域呈现出灰度值快速变化区域,通过Canny算子对图像进行边缘检测,得到输出图像,无缺陷的背景区域和缺陷区域在得到的二值图像中得到明显区分;
307、去除孤立点干扰:图像中的金属表面裂缝、腐蚀缺陷呈现出一定的区域性,非单个的孤立点;通过计算图像连通域,去除小面积连通域,去除个别孤立噪声点的干扰;
308、计算裂缝像素数量:计算图像中代表裂缝、腐蚀区域的像素的总个数,除以整幅图像的像素总数,进行归一化处理,得到的结果与阈值进行比较,准备后续处理;
309、与阈值比较:将计算裂缝像素数量得到的结果与设定的阈值进行比较,如果图像裂缝像素数量归一化结果大于阈值,则判定为存在裂缝、腐蚀缺陷;若小于阈值,则判定为不存在裂缝、腐蚀缺陷;阈值根据经验值人为设定,或由机器默认;
310、输出结果:将与阈值比较的结果输出。
在上述技术方案的基础上,所述纹理分析检测方法的流程如下:
401、输入图像:图像采集单元采集图像,输入图像分析单元,图像分析单元对图像进行分析;
402、灰度化:将输入的彩色图像转换为灰度图像;
403、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
404、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
405、灰度共生矩阵特征提取:计算出灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到输入图像的特征向量;
406、调用超完备字典:采用稀疏表示分类方法,进行图像分类,调用超完备字典;
407、稀疏表示求解:在超完备字典上,根据提取的灰度共生矩阵特征,采用正交匹配追踪算法OMP,进行稀疏表示系数求解,得到稀疏表示系数;
408、分类识别:稀疏表示系数与超完备字典重构出有缺陷的图像特征向量和无缺陷的图像特征向量,这两类图像特征向量分别与灰度共生矩阵特征提取得到的输入图像特征向量相减,并求模,取模较小的值为分类结果;
409、输出分类结果。
在上述技术方案的基础上,所述超完备字典的建立流程如下:
501、输入训练图像:输入收集的大量金属表面有缺陷和无缺陷的两类图片,作为训练样本;
502、灰度化:将输入的彩色图像转换为灰度图像;
503、自适应中值滤波,通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
504、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
505、灰度共生矩阵特征提取:对输入的训练图像进行计算,得到灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到训练图像的特征向量,形成有缺陷和无缺陷两类图片的字典矩阵;
506、字典学习:采用K-SVD算法,对灰度共生矩阵特征提取形成的有缺陷和无缺陷两类图片的字典矩阵进行学习,得到两个经过学习后的字典;
507、形成超完备字典:联合两个经过学习后的字典的内容,形成最终使用的超完备字典,存储超完备字典;超完备字典在本装置第一次使用前建立并存储,以后每次使用纹理分析检测方法时,均直接调用已存储的超完备字典;
508、输出超完备字典。
在上述技术方案的基础上,所述图像分析单元通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析后,综合判断的过程如下:对边缘检测方法结果、纹理分析检测方法结果,综合分析判断:若两者均为存在缺陷,则结果为存在缺陷;若两个结果中一个显示存在缺陷,一个不存在缺陷,则结果为存在缺陷;若两者均为不存在缺陷,则结果为不存在缺陷。
本发明还提供基于上述装置的一种金属表面缺陷的图像识别无损检测方法,包括以下步骤:
进行参数设置,设置一次检测中检测区域的面积,然后开始检查;
在每一次检测中,首先判断光照强度是否符合要求,如果不符合,调整光源的光照强度,直到符合要求;然后进行图像的采集,并对采集到的图像进行存储,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析,再综合判断;
如果检测区域存在缺陷,报警,并以起始位置为坐标原点,对存在缺陷区域的坐标进行存储,然后移动到下一区域;如果检测区域不存在缺陷,则直接移动到下一区域;
移动到下一区域后,重复上述操作。
在上述技术方案的基础上,所述边缘检测方法的流程如下:
301、输入图像:图像采集单元采集图像,输入图像分析单元,图像分析单元对图像进行分析;
302、灰度化:将输入的彩色图像转换为灰度图像;
303、Ostu自适应阈值:通过Ostu算法自适应设定阈值,为后续Canny算子边缘检测中的双阈值设定做准备;
304、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
305、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
306、Canny算子边缘检测:表面裂缝、腐蚀缺陷经过灰度化处理后,与图像中其它非缺陷区域呈现出灰度值快速变化区域,通过Canny算子对图像进行边缘检测,得到输出图像,无缺陷的背景区域和缺陷区域在得到的二值图像中得到明显区分;
307、去除孤立点干扰:图像中的金属表面裂缝、腐蚀缺陷呈现出一定的区域性,非单个的孤立点;通过计算图像连通域,去除小面积连通域,去除个别孤立噪声点的干扰;
308、计算裂缝像素数量:计算图像中代表裂缝、腐蚀区域的像素的总个数,除以整幅图像的像素总数,进行归一化处理,得到的结果与阈值进行比较,准备后续处理;
309、与阈值比较:将计算裂缝像素数量得到的结果与设定的阈值进行比较,如果图像裂缝像素数量归一化结果大于阈值,则判定为存在裂缝、腐蚀缺陷;若小于阈值,则判定为不存在裂缝、腐蚀缺陷;阈值根据经验值人为设定,或由机器默认;
310、输出结果:将与阈值比较的结果输出。
在上述技术方案的基础上,所述纹理分析检测方法的流程如下:
401、输入图像:图像采集单元采集图像,输入图像分析单元,图像分析单元对图像进行分析;
402、灰度化:将输入的彩色图像转换为灰度图像;
403、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
404、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
405、灰度共生矩阵特征提取:计算出灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到输入图像的特征向量;
406、调用超完备字典:采用稀疏表示分类方法,进行图像分类,调用超完备字典;
407、稀疏表示求解:在超完备字典上,根据提取的灰度共生矩阵特征,采用正交匹配追踪算法OMP,进行稀疏表示系数求解,得到稀疏表示系数;
408、分类识别:稀疏表示系数与超完备字典重构出有缺陷的图像特征向量和无缺陷的图像特征向量,这两类图像特征向量分别与灰度共生矩阵特征提取得到的输入图像特征向量相减,并求模,取模较小的值为分类结果;
409、输出分类结果。
在上述技术方案的基础上,所述超完备字典的建立流程如下:
501、输入训练图像:输入收集的大量金属表面有缺陷和无缺陷的两类图片,作为训练样本;
502、灰度化:将输入的彩色图像转换为灰度图像;
503、自适应中值滤波,通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
504、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
505、灰度共生矩阵特征提取:对输入的训练图像进行计算,得到灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到训练图像的特征向量,形成有缺陷和无缺陷两类图片的字典矩阵;
506、字典学习:采用K-SVD算法,对灰度共生矩阵特征提取形成的有缺陷和无缺陷两类图片的字典矩阵进行学习,得到两个经过学习后的字典;
507、形成超完备字典:联合两个经过学习后的字典的内容,形成最终使用的超完备字典,存储超完备字典;超完备字典在本装置第一次使用前建立并存储,以后每次使用纹理分析检测方法时,均直接调用已存储的超完备字典;
508、输出超完备字典。
在上述技术方案的基础上,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析后,综合判断的过程如下:对边缘检测方法结果、纹理分析检测方法结果,综合分析判断:若两者均为存在缺陷,则结果为存在缺陷;若两个结果中一个显示存在缺陷,一个不存在缺陷,则结果为存在缺陷;若两者均为不存在缺陷,则结果为不存在缺陷。
与现有技术相比,本发明的优点如下:
本发明中的金属表面缺陷的图像识别无损检测装置,包括移动单元、光感单元、光源单元、光学放大单元、图像采集单元、图像分析单元、数据存储单元、报警单元。移动单元上搭载光感单元、光源单元、光学防大单元、图像采集单元、图像分析单元、数据存储单元、报警单元。通过移动单元的自动运动,由其上搭载设备对一定区域进行检测,检测范围大。光感单元、光源单元保证检测区域采集图像的亮度适宜;光学放大单元对采集到的图像进行光学放大,使采集到的图像更加清晰,提高对于微小的裂缝,轻微锈蚀等金属表面缺陷的识别能力;图像采集单元完成图像的采集工作;图像分析单元分析图像采集单元采集到的图像,通过图像处理算法,对图像进行滤波、去燥、灰度化、图像增强预处理,建立超完备字典,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析,再综合判断,分析所采集到的图像是否包含锈蚀、裂缝缺陷,数据存储单元存储分析结果;对于存在缺陷的分析结果,图像分析单元提交给报警单元;数据存储单元存储本装置运行需要的数据以及采集的图像和分析结果;报警单元对于检测到的问题区域进行报警。本发明能够进行金属表面的全自动化检测,检测区域大,检测方法简单、快速,降低了检测时间和人工成本,排除了因不同工作人员熟练程度不同,疲劳程度等问题引起的检测结果差异性,提高了微小裂缝、轻微锈蚀等金属表面轻微缺陷的检测能力。
附图说明
图1是本发明实施例中金属表面缺陷的图像识别无损检测装置的结构框图。
图2是本发明实施例中金属表面缺陷的图像识别无损检测方法的流程图。
图3是本发明实施例中边缘检测方法的流程图。
图4是本发明实施例中纹理分析检测方法的流程图。
图5是本发明实施例中建立超完备字典的流程图。
图6是本发明实施例中通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析后,综合判断的流程图。
附图标记:11-移动单元,12-光感单元,13-光源单元,14-光学放大单元,15-图像采集单元,16-图像分析单元,17-数据存储单元,18-报警单元。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示,本发明实施例提供一种金属表面缺陷的图像识别无损检测装置,包括移动单元11、光感单元12、光源单元13、光学放大单元14、图像采集单元15、图像分析单元16、数据存储单元17、报警单元18。
移动单元11上搭载光感单元12、光源单元13、光学放大单元14、图像采集单元15、图像分析单元16、数据存储单元17、报警单元18,光感单元12与光源单元13相连,光学放大单元14与图像采集单元15相连,图像采集单元15分别连接图像分析单元16、数据存储单元17,图像分析单元16与数据存储单元17相连,图像分析单元16、数据存储单元17均与报警单元18相连。
移动单元11功能上类似家用扫地机器人,或者工业爬墙机器人,可以按照预设路径行走,或者通过遥控器具体控制行走,或者可以自动规划路线行走。移动单元11自动运动时,移动单元11上搭载的设备对一定区域进行检测。
光感单元12包括光学传感器、光线强度分析器,光学传感器采集检测区域光线强度,并将数据输入光线强度分析器;光线强度分析器分析光线强度,并根据分析结果控制光源单元13改变光照强度,为图像采集单元15提供适合的光线强度,保证检测区域光线强度适宜。
光学放大单元14对采集到的图像进行光学放大,使图像采集单元15采集到的图像更清晰,经过放大,增强对于细微裂缝等微小金属表面缺陷鉴别能力。
图像采集单元15完成图像的采集工作,类似传统摄像头,图像采集单元15采集检测区域的图像,供图像分析单元16分析图像信息判断金属表面是否存在缺陷,数据存储单元17存储采集到的图像。
图像分析单元16分析图像采集单元15采集到的图像,通过图像处理算法,对图像进行滤波、去燥、灰度化、图像增强等预处理,建立超完备字典,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析,再综合判断,分析所采集到的图像是否包含锈蚀、裂缝缺陷,数据存储单元17存储分析结果;对于存在缺陷的分析结果,图像分析单元16提交给报警单元18;
数据存储单元17类似硬盘或者磁盘矩阵,存储本装置运行需要的数据以及采集的图像和分析结果,包括图像分析单元16所使用的算法、参数、历史数据、图像采集单元15采集的图像数据、图像分析单元16分析得到的检测区域结果以及报警信息。
报警单元18对检测到的问题区域进行报警。报警单元18包括声报警单元(类似扬声器)和光报警单元(警示灯),当图像分析单元16分析的结果表明检测区域存在缺陷时,报警单元18进行声光报警,以引起工作人员的注意。
参见图2所示,本发明实施例还提供基于上述装置的一种金属表面缺陷的图像识别无损检测方法,包括以下步骤:
进行参数设置,设置一次检测中检测区域的面积,然后开始检查;
在每一次检测中,首先判断光照强度是否符合要求,如果不符合,调整光源的光照强度,直到符合要求;然后进行图像的采集,并对采集到的图像进行存储,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析,再综合判断;
如果检测区域存在缺陷,报警,并以起始位置为坐标原点,对存在缺陷区域的坐标进行存储,然后移动到下一区域;如果检测区域不存在缺陷,则直接移动到下一区域;
移动到下一区域后,重复上述操作。
参见图3所示,边缘检测方法的流程如下:
301、输入图像:光学放大单元14采用较低放大倍数,图像采集单元15采集图像,输入图像分析单元16,图像分析单元16对图像进行分析;
302、灰度化:将输入的彩色图像转换为灰度图像,图像处理的一般预处理步骤,不仅可以提高处理效率,而且可以引用许多已有的成熟的图像处理算法;
303、Ostu自适应阈值:通过Ostu算法自适应设定阈值,为后续Canny算子边缘检测中的双阈值设定做准备;
Ostu算法是一种在类间方差最大的情况下,自适应确定阈值的方法。在Canny算子边缘检测306中,双阈值设定对于边缘检测的效果十分重要,阈值设置过高,会造成边缘断裂、不连续;阈值过低会,导致边缘出现较多的伪边缘。通过Ostu自适应设定阈值,为后续Canny算子边缘检测306中的双阈值设定做准备,可得到更好的边缘检测效果。
304、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
自适应中值滤波较普通滤波方法可以较好的保留图像细节。
305、膨胀腐蚀:膨胀腐蚀是图像处理形态学的基本操作,通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
306、Canny算子边缘检测:表面裂缝、腐蚀缺陷经过灰度化处理后,与图像中其它非缺陷区域呈现出较大的灰度值区别,即灰度值快速变化区域,类似物体的边缘。通过Canny算子对图像进行边缘检测,得到输出图像,无缺陷的背景区域和缺陷区域在得到的二值图像中得到明显区分;
307、去除孤立点干扰:图像中的金属表面裂缝、腐蚀缺陷呈现出一定的区域性,非单个的孤立点;通过计算图像连通域,去除小面积连通域,去除个别孤立噪声点的干扰;
308、计算裂缝像素数量:计算图像中代表裂缝、腐蚀区域的像素的总个数,除以整幅图像的像素总数,进行归一化处理,得到的结果与阈值进行比较,准备后续处理;
309、与阈值比较:将计算裂缝像素数量得到的结果与设定的阈值进行比较,如果图像裂缝像素数量归一化结果大于阈值,则判定为存在裂缝、腐蚀缺陷;若小于阈值,则判定为不存在裂缝、腐蚀缺陷;阈值根据经验值人为设定,或由机器默认;
310、输出结果:将与阈值比较的结果输出。
参见图4所示,纹理分析检测方法的流程如下:
401、输入图像:光学放大单元14采用较高放大倍数,图像采集单元15采集图像,输入图像分析单元16,图像分析单元16对图像进行分析;
402、灰度化:将输入的彩色图像转换为灰度图像;
403、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
404、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
405、灰度共生矩阵特征提取:计算出灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到输入图像的特征向量;
灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法,灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度的综合信息,计算得到共生矩阵之后,往往不是直接应用计算的灰度共生矩阵,而是在此基础上计算纹理特征量,一般使用灰度共生矩阵的14个纹理特征,本发明考虑到特征参数的物理意义和算法的时间复杂度,选取14个纹理特征中的6个纹理特征值能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,使用上述六个特征值,形成输入图像的特征向量,用于后续识别判断是否存在裂缝、腐蚀等缺陷。
406、调用超完备字典:采用稀疏表示分类方法,进行图像分类,调用超完备字典;
407、稀疏表示求解:在超完备字典上,根据提取的灰度共生矩阵特征,采用OMP(Orthogonal Matching Pursuit,正交匹配追踪算法)算法,进行稀疏表示系数求解,得到稀疏表示系数;
408、分类识别:稀疏表示系数与超完备字典重构出有缺陷的图像特征向量和无缺陷的图像特征向量,这两类图像特征向量分别与灰度共生矩阵特征提取得到的输入图像特征向量相减,并求模,取模较小的值为分类结果;
409、输出分类结果。
参见图5所示,超完备字典的建立流程如下:
501、输入训练图像:输入收集的大量金属表面有缺陷和无缺陷的两类图片,作为训练样本;
502、灰度化:将输入的彩色图像转换为灰度图像;
503、自适应中值滤波,通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
504、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
505、灰度共生矩阵特征提取:对输入的训练图像进行计算,得到灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到训练图像的特征向量,形成有缺陷和无缺陷两类图片的字典矩阵;
506、字典学习:采用K-SVD算法,对灰度共生矩阵特征提取形成的有缺陷和无缺陷两类图片的字典矩阵进行学习,得到两个经过学习后的字典;
输入训练图像501输入的图像数量一般比较多,经过灰度共生矩阵特征提取505提取特征,形成的字典矩阵非常大,会对信息的存储以及求解带来巨大的压力,造成计算量较大,运算时间较长。设计一个既能对训练样本图像进行有效的表示,同时大小适中的字典,对于提高计算效率,节省存储空间具有重要意义。
507、形成超完备字典:联合两个经过学习后的字典的内容,形成最终使用的超完备字典,存储超完备字典;超完备字典在本装置第一次使用前建立并存储,以后每次使用纹理分析检测方法时,均直接调用已存储的超完备字典;
508、输出超完备字典,供稀疏表示求解407求解稀疏表示系数,以及分类识别408使用。
参见图6所示,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析后,综合判断的过程如下:对边缘检测方法结果、纹理分析检测方法结果,综合分析判断:若两者均为存在缺陷,则结果为存在缺陷;若两个结果中一个显示存在缺陷,一个不存在缺陷,则结果为存在缺陷;若两者均为不存在缺陷,则结果为不存在缺陷。
本领域的技术人员可以对本发明实施例进行各种修改和变型,倘若这些修改和变型在本发明权利要求及其等同技术的范围之内,则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (10)
1.一种金属表面缺陷的图像识别无损检测装置,其特征在于:该装置包括移动单元(11),移动单元(11)上搭载光感单元(12)、光源单元(13)、光学放大单元(14)、图像采集单元(15)、图像分析单元(16)、数据存储单元(17)、报警单元(18),光感单元(12)与光源单元(13)相连,光学放大单元(14)与图像采集单元(15)相连,图像采集单元(15)分别连接图像分析单元(16)、数据存储单元(17),图像分析单元(16)与数据存储单元(17)相连,图像分析单元(16)、数据存储单元(17)均与报警单元(18)相连;
移动单元(11)按照预设路径行走,或通过遥控器控制行走,或自动规划路线行走;移动单元(11)自动运动时,移动单元(11)上搭载的设备对一定区域进行检测;
光感单元(12)包括光学传感器、光线强度分析器,光学传感器采集检测区域光线强度,并将数据输入光线强度分析器;光线强度分析器分析光线强度,并根据分析结果控制光源单元(13)改变光照强度,为图像采集单元(15)提供适合的光线强度,保证检测区域光线强度适宜;
光学放大单元(14)对采集到的图像进行光学放大;
图像采集单元(15)完成图像的采集工作;
图像分析单元(16)分析图像采集单元(15)采集到的图像,通过图像处理算法,对图像进行滤波、去燥、灰度化、图像增强预处理,建立超完备字典,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析,再综合判断,分析所采集到的图像是否包含锈蚀、裂缝缺陷,数据存储单元(17)存储分析结果;对于存在缺陷的分析结果,图像分析单元(16)提交给报警单元(18);
数据存储单元(17)存储本装置运行需要的数据以及采集的图像和分析结果;
报警单元(18)对检测到的问题区域进行报警。
2.如权利要求1所述的金属表面缺陷的图像识别无损检测装置,其特征在于:所述边缘检测方法的流程如下:
301、输入图像:图像采集单元(15)采集图像,输入图像分析单元(16),图像分析单元(16)对图像进行分析;
302、灰度化:将输入的彩色图像转换为灰度图像;
303、Ostu自适应阈值:通过Ostu算法自适应设定阈值,为后续Canny算子边缘检测中的双阈值设定做准备;
304、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
305、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
306、Canny算子边缘检测:表面裂缝、腐蚀缺陷经过灰度化处理后,与图像中其它非缺陷区域呈现出灰度值快速变化区域,通过Canny算子对图像进行边缘检测,得到输出图像,无缺陷的背景区域和缺陷区域在得到的二值图像中得到明显区分;
307、去除孤立点干扰:图像中的金属表面裂缝、腐蚀缺陷呈现出一定的区域性,非单个的孤立点;通过计算图像连通域,去除小面积连通域,去除个别孤立噪声点的干扰;
308、计算裂缝像素数量:计算图像中代表裂缝、腐蚀区域的像素的总个数,除以整幅图像的像素总数,进行归一化处理,得到的结果与阈值进行比较,准备后续处理;
309、与阈值比较:将计算裂缝像素数量得到的结果与设定的阈值进行比较,如果图像裂缝像素数量归一化结果大于阈值,则判定为存在裂缝、腐蚀缺陷;若小于阈值,则判定为不存在裂缝、腐蚀缺陷;阈值根据经验值人为设定,或由机器默认;
310、输出结果:将与阈值比较的结果输出。
3.如权利要求1所述的金属表面缺陷的图像识别无损检测装置,其特征在于:所述纹理分析检测方法的流程如下:
401、输入图像:图像采集单元(15)采集图像,输入图像分析单元(16),图像分析单元(16)对图像进行分析;
402、灰度化:将输入的彩色图像转换为灰度图像;
403、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
404、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
405、灰度共生矩阵特征提取:计算出灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到输入图像的特征向量;
406、调用超完备字典:采用稀疏表示分类方法,进行图像分类,调用超完备字典;
407、稀疏表示求解:在超完备字典上,根据提取的灰度共生矩阵特征,采用正交匹配追踪算法OMP,进行稀疏表示系数求解,得到稀疏表示系数;
408、分类识别:稀疏表示系数与超完备字典重构出有缺陷的图像特征向量和无缺陷的图像特征向量,这两类图像特征向量分别与灰度共生矩阵特征提取得到的输入图像特征向量相减,并求模,取模较小的值为分类结果;
409、输出分类结果。
4.如权利要求1所述的金属表面缺陷的图像识别无损检测装置,其特征在于:所述超完备字典的建立流程如下:
501、输入训练图像:输入收集的大量金属表面有缺陷和无缺陷的两类图片,作为训练样本;
502、灰度化:将输入的彩色图像转换为灰度图像;
503、自适应中值滤波,通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
504、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
505、灰度共生矩阵特征提取:对输入的训练图像进行计算,得到灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到训练图像的特征向量,形成有缺陷和无缺陷两类图片的字典矩阵;
506、字典学习:采用K-SVD算法,对灰度共生矩阵特征提取形成的有缺陷和无缺陷两类图片的字典矩阵进行学习,得到两个经过学习后的字典;
507、形成超完备字典:联合两个经过学习后的字典的内容,形成最终使用的超完备字典,存储超完备字典;超完备字典在本装置第一次使用前建立并存储,以后每次使用纹理分析检测方法时,均直接调用已存储的超完备字典;
508、输出超完备字典。
5.如权利要求1所述的金属表面缺陷的图像识别无损检测装置,其特征在于:所述图像分析单元(16)通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析后,综合判断的过程如下:对边缘检测方法结果、纹理分析检测方法结果,综合分析判断:若两者均为存在缺陷,则结果为存在缺陷;若两个结果中一个显示存在缺陷,一个不存在缺陷,则结果为存在缺陷;若两者均为不存在缺陷,则结果为不存在缺陷。
6.基于权利要求1所述装置的一种金属表面缺陷的图像识别无损检测方法,其特征在于,包括以下步骤:
进行参数设置,设置一次检测中检测区域的面积,然后开始检查;
在每一次检测中,首先判断光照强度是否符合要求,如果不符合,调整光源的光照强度,直到符合要求;然后进行图像的采集,并对采集到的图像进行存储,通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析,再综合判断;
如果检测区域存在缺陷,报警,并以起始位置为坐标原点,对存在缺陷区域的坐标进行存储,然后移动到下一区域;如果检测区域不存在缺陷,则直接移动到下一区域;
移动到下一区域后,重复上述操作。
7.如权利要求6所述的金属表面缺陷的图像识别无损检测方法,其特征在于:所述边缘检测方法的流程如下:
301、输入图像:图像采集单元(15)采集图像,输入图像分析单元(16),图像分析单元(16)对图像进行分析;
302、灰度化:将输入的彩色图像转换为灰度图像;
303、Ostu自适应阈值:通过Ostu算法自适应设定阈值,为后续Canny算子边缘检测中的双阈值设定做准备;
304、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
305、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
306、Canny算子边缘检测:表面裂缝、腐蚀缺陷经过灰度化处理后,与图像中其它非缺陷区域呈现出灰度值快速变化区域,通过Canny算子对图像进行边缘检测,得到输出图像,无缺陷的背景区域和缺陷区域在得到的二值图像中得到明显区分;
307、去除孤立点干扰:图像中的金属表面裂缝、腐蚀缺陷呈现出一定的区域性,非单个的孤立点;通过计算图像连通域,去除小面积连通域,去除个别孤立噪声点的干扰;
308、计算裂缝像素数量:计算图像中代表裂缝、腐蚀区域的像素的总个数,除以整幅图像的像素总数,进行归一化处理,得到的结果与阈值进行比较,准备后续处理;
309、与阈值比较:将计算裂缝像素数量得到的结果与设定的阈值进行比较,如果图像裂缝像素数量归一化结果大于阈值,则判定为存在裂缝、腐蚀缺陷;若小于阈值,则判定为不存在裂缝、腐蚀缺陷;阈值根据经验值人为设定,或由机器默认;
310、输出结果:将与阈值比较的结果输出。
8.如权利要求6所述的金属表面缺陷的图像识别无损检测方法,其特征在于:所述纹理分析检测方法的流程如下:
401、输入图像:图像采集单元(15)采集图像,输入图像分析单元(16),图像分析单元(16)对图像进行分析;
402、灰度化:将输入的彩色图像转换为灰度图像;
403、自适应中值滤波:通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
404、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
405、灰度共生矩阵特征提取:计算出灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到输入图像的特征向量;
406、调用超完备字典:采用稀疏表示分类方法,进行图像分类,调用超完备字典;
407、稀疏表示求解:在超完备字典上,根据提取的灰度共生矩阵特征,采用正交匹配追踪算法OMP,进行稀疏表示系数求解,得到稀疏表示系数;
408、分类识别:稀疏表示系数与超完备字典重构出有缺陷的图像特征向量和无缺陷的图像特征向量,这两类图像特征向量分别与灰度共生矩阵特征提取得到的输入图像特征向量相减,并求模,取模较小的值为分类结果;
409、输出分类结果。
9.如权利要求6所述的金属表面缺陷的图像识别无损检测方法,其特征在于:所述超完备字典的建立流程如下:
501、输入训练图像:输入收集的大量金属表面有缺陷和无缺陷的两类图片,作为训练样本;
502、灰度化:将输入的彩色图像转换为灰度图像;
503、自适应中值滤波,通过自适应中值滤波处理脉冲噪声,平滑非脉冲噪声,保留图像细节;
504、膨胀腐蚀:通过一定次数的腐蚀和膨胀,消除图像中小噪声区域,填充物体内细小空洞,连接邻近物体,平滑物体边界;
505、灰度共生矩阵特征提取:对输入的训练图像进行计算,得到灰度共生矩阵,提取灰度共生矩阵的14个纹理特征中的6个纹理特征值:能量、熵、相关性、一致性、对比度和非相似性,进行分析比较,得到训练图像的特征向量,形成有缺陷和无缺陷两类图片的字典矩阵;
506、字典学习:采用K-SVD算法,对灰度共生矩阵特征提取形成的有缺陷和无缺陷两类图片的字典矩阵进行学习,得到两个经过学习后的字典;
507、形成超完备字典:联合两个经过学习后的字典的内容,形成最终使用的超完备字典,存储超完备字典;超完备字典在本装置第一次使用前建立并存储,以后每次使用纹理分析检测方法时,均直接调用已存储的超完备字典;
508、输出超完备字典。
10.如权利要求6所述的金属表面缺陷的图像识别无损检测方法,其特征在于:通过边缘检测方法、纹理分析检测方法,分别对采集的图像进行分析后,综合判断的过程如下:对边缘检测方法结果、纹理分析检测方法结果,综合分析判断:若两者均为存在缺陷,则结果为存在缺陷;若两个结果中一个显示存在缺陷,一个不存在缺陷,则结果为存在缺陷;若两者均为不存在缺陷,则结果为不存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710914271.1A CN107782733B (zh) | 2017-09-30 | 2017-09-30 | 金属表面缺陷的图像识别无损检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710914271.1A CN107782733B (zh) | 2017-09-30 | 2017-09-30 | 金属表面缺陷的图像识别无损检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107782733A true CN107782733A (zh) | 2018-03-09 |
CN107782733B CN107782733B (zh) | 2021-03-16 |
Family
ID=61433670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710914271.1A Active CN107782733B (zh) | 2017-09-30 | 2017-09-30 | 金属表面缺陷的图像识别无损检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107782733B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573489A (zh) * | 2018-04-22 | 2018-09-25 | 杨娟 | 跨栏完整度检测平台 |
CN108627520A (zh) * | 2018-05-25 | 2018-10-09 | 北京英斯派克科技有限公司 | 一种非均质固体材料外观质量的在线检测系统和方法 |
CN108960256A (zh) * | 2018-06-28 | 2018-12-07 | 东软集团股份有限公司 | 一种部件损伤程度的确定方法、装置及设备 |
CN109035219A (zh) * | 2018-07-10 | 2018-12-18 | 华南理工大学 | 基于bp神经网络的fics金手指缺陷检测系统及检测方法 |
CN109187557A (zh) * | 2018-09-29 | 2019-01-11 | 武汉亿德光兴科技有限公司 | 一种光学次发射模块自动检测系统和方法 |
CN109596620A (zh) * | 2018-11-10 | 2019-04-09 | 江苏网进科技股份有限公司 | 基于机器视觉的产品表面形状缺陷检测方法和系统 |
CN109655458A (zh) * | 2018-12-21 | 2019-04-19 | 宁波迪比亿贸易有限公司 | 音板铁锈分析平台 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN111103624A (zh) * | 2019-12-18 | 2020-05-05 | 广东第二师范学院 | 一种基于互联网技术的在线金属检测系统 |
CN111612771A (zh) * | 2020-05-22 | 2020-09-01 | 江苏联峰实业有限公司 | 一种高强合金结构钢板表面细微裂纹的识别监测装置 |
CN111896549A (zh) * | 2020-08-05 | 2020-11-06 | 深圳瑞莱保核能技术发展有限公司 | 一种基于机器学习的建筑物裂缝监测系统和方法 |
CN112465887A (zh) * | 2020-10-21 | 2021-03-09 | 中国船舶重工集团公司第七0九研究所 | 一种纹理细节级别的获取方法及获取装置 |
CN112560844A (zh) * | 2020-12-09 | 2021-03-26 | 南京理工大学智能计算成像研究院有限公司 | 一种散斑图案自动识别的方法 |
CN113945507A (zh) * | 2021-11-09 | 2022-01-18 | 广东电网有限责任公司电力科学研究院 | 用于测量高压开关触头腐蚀的光学检测装置及检测方法 |
CN116008289A (zh) * | 2023-02-07 | 2023-04-25 | 浙江聚优非织造材料科技有限公司 | 一种非织造产品表面缺陷检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1576690A (zh) * | 2003-07-02 | 2005-02-09 | 岩崎电气株式会社 | 光源装置和其使用的光量监视器 |
CN1720742A (zh) * | 2002-12-03 | 2006-01-11 | Og技术公司 | 用于检测诸如轧制/拉制金属条的工件上的表面缺陷的装置和方法 |
CN101169826A (zh) * | 2007-11-29 | 2008-04-30 | 上海交通大学 | 基于机器视觉的排辊成形焊管质量在线监控系统 |
CN102590218A (zh) * | 2012-01-16 | 2012-07-18 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
CN103091330A (zh) * | 2013-01-11 | 2013-05-08 | 河海大学常州校区 | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 |
CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
-
2017
- 2017-09-30 CN CN201710914271.1A patent/CN107782733B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1720742A (zh) * | 2002-12-03 | 2006-01-11 | Og技术公司 | 用于检测诸如轧制/拉制金属条的工件上的表面缺陷的装置和方法 |
CN1576690A (zh) * | 2003-07-02 | 2005-02-09 | 岩崎电气株式会社 | 光源装置和其使用的光量监视器 |
CN101169826A (zh) * | 2007-11-29 | 2008-04-30 | 上海交通大学 | 基于机器视觉的排辊成形焊管质量在线监控系统 |
CN102590218A (zh) * | 2012-01-16 | 2012-07-18 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
CN103091330A (zh) * | 2013-01-11 | 2013-05-08 | 河海大学常州校区 | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 |
CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
Non-Patent Citations (2)
Title |
---|
付邦瑞: "钢坯表面裂纹图像检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张晓龙: "基于判别式K-SVD的车标识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573489B (zh) * | 2018-04-22 | 2019-05-07 | 杭州知桔科技有限公司 | 跨栏完整度检测平台 |
CN108573489A (zh) * | 2018-04-22 | 2018-09-25 | 杨娟 | 跨栏完整度检测平台 |
CN108627520A (zh) * | 2018-05-25 | 2018-10-09 | 北京英斯派克科技有限公司 | 一种非均质固体材料外观质量的在线检测系统和方法 |
CN108960256A (zh) * | 2018-06-28 | 2018-12-07 | 东软集团股份有限公司 | 一种部件损伤程度的确定方法、装置及设备 |
CN109035219A (zh) * | 2018-07-10 | 2018-12-18 | 华南理工大学 | 基于bp神经网络的fics金手指缺陷检测系统及检测方法 |
CN109035219B (zh) * | 2018-07-10 | 2022-03-29 | 华南理工大学 | 基于bp神经网络的fics金手指缺陷检测系统及检测方法 |
CN109187557A (zh) * | 2018-09-29 | 2019-01-11 | 武汉亿德光兴科技有限公司 | 一种光学次发射模块自动检测系统和方法 |
CN109596620A (zh) * | 2018-11-10 | 2019-04-09 | 江苏网进科技股份有限公司 | 基于机器视觉的产品表面形状缺陷检测方法和系统 |
CN109655458B (zh) * | 2018-12-21 | 2021-04-23 | 安徽新大陆特种涂料有限责任公司 | 音板铁锈分析平台 |
CN109655458A (zh) * | 2018-12-21 | 2019-04-19 | 宁波迪比亿贸易有限公司 | 音板铁锈分析平台 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN111103624A (zh) * | 2019-12-18 | 2020-05-05 | 广东第二师范学院 | 一种基于互联网技术的在线金属检测系统 |
CN111612771A (zh) * | 2020-05-22 | 2020-09-01 | 江苏联峰实业有限公司 | 一种高强合金结构钢板表面细微裂纹的识别监测装置 |
CN111896549A (zh) * | 2020-08-05 | 2020-11-06 | 深圳瑞莱保核能技术发展有限公司 | 一种基于机器学习的建筑物裂缝监测系统和方法 |
CN111896549B (zh) * | 2020-08-05 | 2024-05-07 | 深圳瑞莱保核能技术发展有限公司 | 一种基于机器学习的建筑物裂缝监测系统和方法 |
CN112465887A (zh) * | 2020-10-21 | 2021-03-09 | 中国船舶重工集团公司第七0九研究所 | 一种纹理细节级别的获取方法及获取装置 |
CN112465887B (zh) * | 2020-10-21 | 2022-09-06 | 武汉凌久微电子有限公司 | 一种纹理细节级别的获取方法及获取装置 |
CN112560844A (zh) * | 2020-12-09 | 2021-03-26 | 南京理工大学智能计算成像研究院有限公司 | 一种散斑图案自动识别的方法 |
CN113945507A (zh) * | 2021-11-09 | 2022-01-18 | 广东电网有限责任公司电力科学研究院 | 用于测量高压开关触头腐蚀的光学检测装置及检测方法 |
CN113945507B (zh) * | 2021-11-09 | 2023-05-30 | 广东电网有限责任公司电力科学研究院 | 用于测量高压开关触头腐蚀的光学检测装置及检测方法 |
CN116008289A (zh) * | 2023-02-07 | 2023-04-25 | 浙江聚优非织造材料科技有限公司 | 一种非织造产品表面缺陷检测方法及系统 |
CN116008289B (zh) * | 2023-02-07 | 2024-06-07 | 浙江聚优非织造材料科技有限公司 | 一种非织造产品表面缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107782733B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
CN101852768B (zh) | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 | |
CN109977790A (zh) | 一种基于迁移学习的视频烟雾检测与识别方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN103984951B (zh) | 一种磁粉检测缺陷自动识别方法及系统 | |
CN102221559A (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
CN105891233A (zh) | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN108288055A (zh) | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 | |
CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测系统 | |
CN111275705A (zh) | 智能验布方法、装置、电子设备及存储介质 | |
Kumar et al. | A deep learning based automated structural defect detection system for sewer pipelines | |
CN106770330A (zh) | 一种物体表面划痕检测装置及其检测方法 | |
CN105809219B (zh) | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 | |
CN111860143A (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
TWI747686B (zh) | 缺陷檢測方法及檢測裝置 | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
CN113781513B (zh) | 一种电厂供水管道泄漏检测方法及系统 | |
CN112861681B (zh) | 一种基于云端处理的管廊视频智能分析方法及系统 | |
Yu et al. | Surface defect detection of hight-speed railway hub based on improved YOLOv3 algorithm |
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 |