CN107967681B - 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 - Google Patents
一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 Download PDFInfo
- Publication number
- CN107967681B CN107967681B CN201711189354.5A CN201711189354A CN107967681B CN 107967681 B CN107967681 B CN 107967681B CN 201711189354 A CN201711189354 A CN 201711189354A CN 107967681 B CN107967681 B CN 107967681B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- region
- defect
- center line
- 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
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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Abstract
本发明公开了一种基于机器视觉的电梯补偿链冲伤缺陷检测方法,其特征在于,依次包括以下步骤:S1、针对采集到的原始灰度图像,采用图像分区技术提取链身中部的感兴趣区域;S2、对感兴趣区域进行纹理分析得到纹理分析图像,对纹理分析图像进行均值滤波后采用分水岭算法分割获取分割区域;S3、对分割区域提取形态学特征,进行缺陷初步判定;对初步判定为具有缺陷的分割区域所对应的纹理分析图像进行第一阈值分割和骨架提取,进行缺陷二次判定。本发明方法能够快速准确的检测到电梯补偿链冲伤缺陷,适用性强、成本低,适合产业化。
Description
技术领域
本发明涉及一种电梯补偿链缺陷检测方法,尤其是涉及一种基于机器视觉的电梯补偿链冲伤缺陷检测方法。
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。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加工工艺等因素而导致在链身上产生冲伤表面缺陷,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。
对于平面上的冲伤类缺陷通常可采用结构光方案进行检测,但检测系统价格昂贵,尤其是对于弧面且缺陷位置不固定需要多组结构光的场景。
电梯补偿链表面冲伤机器视觉检测存在以下2个难点:
1、各链环连续,相邻链环交错,链环表面为弧面,冲伤缺陷通常发生在链身中段,但位置不固定,若采用多组结构光方案,则造价过高不经济。
2、链身表面反光且为毛坯面,冲伤缺陷与周边链身表面灰度值接近、对比度低、边缘模糊难以闭合,常规的图像处理方法难以提取。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于机器视觉的电梯补偿链冲伤缺陷检测方法,实现对电梯补偿链的链环表面的冲伤缺陷检测
本发明技术方案如下:一种基于机器视觉的电梯补偿链冲伤缺陷检测方法,依次包括以下步骤:
S1、针对采集到的原始灰度图像,采用图像分区技术提取链身中部的感兴趣区域即ROI(region of interest);
S2、对感兴趣区域进行纹理分析得到纹理分析图像,对纹理分析图像进行均值滤波后采用分水岭算法分割获取分割区域;
S3、根据分割区域的形态特征,进行缺陷初步判定;
S4、对初步判定为具有缺陷的分割区域所对应的纹理分析图像进行第一阈值分割和骨架提取,进行缺陷二次判定。
进一步的,所述步骤S1采用图像分区技术提取链身中部的感兴趣区域包括步骤S101、对原始灰度图像进行第二阈值分割通过轮廓边缘提取获得第一中心线;S102、对原始灰度图像进行第三阈值分割通过形态学特征提取链身中间黑区和白区确定第二中心线;S103、根据第一中心线和第二中心线合并得到修正中心线;S104、根据修正中心线获得链身中部的感兴趣区域。
更进一步的,所述第一中心线是根据轮廓边缘中心点的垂线,所述第二中心线的确定步骤是对原始灰度图像中灰度值在0~50以及240~255的区域由面积和位置分布特征选出中间黑区和白区,合并中间黑区和白区拟合合并区域的最小外接矩形,所述第二中心线是所述最小外接矩形的中心的垂线。
更进一步的,所述修正中心线由第一中心线和第二中心线取均值得到,所述链身中部的感兴趣区域是以修正中心线为中心分别向两侧截取的设定长度的区域。
进一步的,纹理分析图像由感兴趣区域的原始灰度图像与预先设定的向量模板卷积得到,测量以像元为中心的模板区域灰度的不规则性。
进一步的,所述均值滤波是采用如下公式进行:
其中gr,c是均值滤波后图像像素点灰度值,gr-i,c-j是纹理分析图像像素点灰度值,A是掩码,2n+1=A,2m+1=A。
进一步的,所述步骤S2中采用分水岭算法分割获取分割区域包括步骤:S201、对纹理图像中所有的像素点根据像素值的大小进行排序,得到像素矩阵;S202、从最小的像素值开始,形成并标记各个盆地;S203、利用FIFO循环队列及设定的灰度值公差来归集具有不同标识的盆地得到分水岭脊线;为了避免过度分割,对分水岭脊线的分割进行限制,包括步骤S204、对分水岭脊线分割的区域满足max{W-B1,W-B2}<B时合并区域,得到最终分割区域,所述B1和B2为相邻两区域的最小灰度值,W为分水岭脊线最小灰度值W,B为设定的临界灰度值。
进一步的,所述步骤S4中第一阈值分割采用如下公式:
R={(r,c)∈G|gmin≤g(r,c)≤gmax}
其中,R表示满足分割条件的区域,(r,c)表示满足分割条件的像素点,G表示待处理的图像,gmin表示分割条件的最小灰度值,g(r,c)表示像素点的灰度值,gmax表示分割条件的最大灰度值。
进一步的,所述步骤S4中根据骨架提取进行缺陷二次判定是对第一阈值分割后做区域内所有的内切圆,再连接所有圆心得到骨架,并根据骨架的像素值长度判断是否存在缺陷。
本发明所提供的技术方案的优点在于:
1、本发明通过对图像的分区处理,缩小缺陷检测范围,综合采用了纹理分析和分水岭算法解决了冲伤缺陷低对比度难以检测的问题,避免采用多组结构光方案,降低了成本。
2、对纹理图做阈值分割和骨架提取,对缺陷进行二次判定,提高了检测的准确率。
本发明能够快速准确的检测到电梯补偿链冲伤缺陷,适用性强、成本低,适合产业化。
附图说明
图1是实施例采集到的带冲伤缺陷的电梯补偿链原始灰度图像。
图2是本发明检测方法流程示意图。
图3是图像分区提取ROI的流程图。
图4是实施例中提取ROI的结果图。
图5是实施例中纹理分析结果图。
图6是实施例中均值滤波结果图。
图7是实施例中分水岭分割结果图。
图8是进行两次缺陷判定的流程图。
图9是实施例中缺陷初步判定结果图。
图10是实施例中第二次缺陷判定候选区域骨架结果图。
图11是实施例中缺陷检测最终结果图。
具体实施方式
下面结合实施例对本发明作进一步说明,以便于更好的理解本发明,但不作为对本发明的限定。
图1为采集到的带冲伤缺陷的电梯补偿链原始灰度图像,对此采用本发明提出的一种基于机器视觉的电梯补偿链冲伤缺陷检测方法,其检测流程如图2所示,具体的步骤流程如下:
S1、针对采集到的原始灰度图像,采用图像分区技术提取链身中部的感兴趣区域即ROI(region of interest);通过图像分区可以减少计算量、提高检测效率,首先对原始灰度图像做第二阈值分割提取补偿链轮廓边缘得到第一中心线,其次对原始灰度图像第三阈值分割及形态学特征提取筛选出链环中间黑、白块区域,提取该区域的第二中心线,再对,再根据这两个中心线计算出链环的中心,然后再根据链环中心截取包含待检测缺陷的链身中部ROI,具体如图3所示,包括以下步骤:
S101、对原始灰度图像进行第二阈值分割通过轮廓边缘提取得到补偿链链环轮廓边缘,求取其中心点并以此做垂线得到链环轮廓中心线,该轮廓中心线即为第一中心线;S102、对原始灰度图像进行第三阈值分割,具体是筛选灰度值在0~50的区域,根据得到区域的面积特征筛选得到中间黑区;筛选灰度值在240~255的区域,根据面积与位置分布特征筛选出中间白区。将中间黑区和白区合并,并拟合其最小外接矩形,根据其最小外接矩形中心做垂线得到中间黑区和白区中心线,该中心线即为第二中心线;S103、由第一中心线和第二中心线取均值合并得到修正中心线;S104、以修正中心线为中心分别向两侧截取的设定长度的区域即得到ROI。本实施例得到的ROI区域如图4所示。
S2、由于冲伤缺陷存在细微的纹理结构且具有方向性,所以通过合适的纹理模板与ROI区域进行卷积,依次来检查和度量纹理结构信息,得到纹理分析图像。具体是选用7×7的向量模板,以下向量可供选择:
对得到的如图5所示的纹理分析图像进行均值滤波,均值滤波的掩码根据具体应用予以确定,本实施例采用像素是43×43的掩码对纹理分析图像做如下计算
其中gr,c是均值滤波后图像灰度值,gr-i,c-j是纹理分析图像灰度值,2n+1=43,2m+1=43,均值滤波结果图如图6所示。
对均值滤波结果图采用分水岭算法分割获取分割区域包括步骤:S201、对纹理图像中所有的像素点根据像素值的大小进行排序,得到像素矩阵;S202、从最小的像素值开始,形成并标记各个盆地;S203、利用FIFO循环队列及设定的灰度值公差来归集具有不同标识的盆地得到分水岭脊线;为了避免过度分割,对分水岭脊线的分割进行限制,包括步骤S204、对分水岭脊线分割的区域满足max{W-B1,W-B2}<B时合并区域,得到最终分割区域,B1和B2为相邻两区域的最小灰度值,W为分水岭脊线最小灰度值W,B为设定的临界灰度值,本实施例中取20。最终得到的分水岭分割结果图如图7所示。
由于分水岭分割得到的区域存在较多的干扰,因此进行两次缺陷判定以提高准确性,如图8所示,包括:
S3、提取其面积、矩形度等形态学特征并对步骤S2得到的分水岭分割算法的分割区域进行缺陷初步判定,得到如图9所示结果;
S4、对初步判定为具有缺陷的分割区域所对应的纹理分析图像进行第一阈值分割
第一阈值分割采用如下公式:
R={(r,c)∈G|gmin≤g(r,c)≤gmax},
其中,R表示满足分割条件的区域,(r,c)表示满足分割条件的像素点,G表示待处理的图像,gmin表示分割条件的最小灰度值,g(r,c)表示像素点的灰度值,gmax表示分割条件的最大灰度值。
对第一阈值分割后的区域进行骨架提取,首先得到区域内所有的内切圆,再连接所有圆心得到骨架,如图10所示。判断得到骨架的长度是否大于预定长度,本实施例中预定长度为30像素值,若大于30个像素值,则认为该区域存在缺陷,通过二次判定得到最终结果,如图11所示。
Claims (7)
1.一种基于机器视觉的电梯补偿链冲伤缺陷检测方法,其特征在于,依次包括以下步骤:S1、针对采集到的原始灰度图像,采用图像分区技术提取链身中部的感兴趣区域;S2、对感兴趣区域进行纹理分析得到纹理分析图像,对纹理分析图像进行均值滤波后采用分水岭算法分割获取分割区域;S3、对分割区域提取形态学特征,进行缺陷初步判定;S4、对初步判定为具有缺陷的分割区域所对应的纹理分析图像进行第一阈值分割和骨架提取,进行缺陷二次判定;所述步骤S1采用图像分区技术提取链身中部的感兴趣区域包括步骤S101、对原始灰度图像进行第二阈值分割通过轮廓边缘提取获得第一中心线,所述第一中心线是根据轮廓边缘中心点的垂线;S102、对原始灰度图像进行第三阈值分割通过形态学特征提取链身中间黑区和白区确定第二中心线,所述第二中心线的确定步骤是对原始灰度图像中灰度值在0~50以及240~255的区域由面积和位置分布特征选出中间黑区和白区,合并中间黑区和白区拟合合并区域的最小外接矩形,所述第二中心线是所述最小外接矩形中心的垂线;S103、根据第一中心线和第二中心线合并得到修正中心线;S104、根据修正中心线获得链身中部的感兴趣区域。
2.根据权利要求1所述的基于机器视觉的电梯补偿链冲伤缺陷检测方法,其特征在于,所述修正中心线由第一中心线和第二中心线取均值得到,所述链身中部的感兴趣区域是以修正中心线为中心分别向两侧截取的设定长度的区域。
3.根据权利要求1所述的基于机器视觉的电梯补偿链冲伤缺陷检测方法,其特征在于,纹理分析图像由感兴趣区域的原始灰度图像与预先设定的向量模板卷积得到。
5.根据权利要求1所述的基于机器视觉的电梯补偿链冲伤缺陷检测方法,其特征在于,所述步骤S2中采用分水岭算法分割获取分割区域包括步骤:S201、对纹理图像中所有的像素点根据像素值的大小进行排序,得到像素矩阵;S202、从最小的像素值开始,形成并标记各个盆地;S203、利用FIFO循环队列及设定的灰度值公差来归集具有不同标识的盆地得到分水岭脊线;S204、对分水岭脊线分割的区域满足max{W-B1,W-B2}<B时合并区域,得到最终分割区域,所述B1和B2为相邻两区域的最小灰度值,W为分水岭脊线最小灰度值W,B为临界灰度值。
6.根据权利要求1所述的基于机器视觉的电梯补偿链冲伤缺陷检测方法,其特征在于,所述步骤S4中第一阈值分割采用如下公式:
R={(r,c)∈G|gmin≤g(r,c)≤gmax},
其中,R表示满足分割条件的区域,(r,c)表示满足分割条件的像素点,G表示待处理的图像,gmin表示分割条件的最小灰度值,g(r,c)表示像素点的灰度值,gmax表示分割条件的最大灰度值。
7.根据权利要求1所述的基于机器视觉的电梯补偿链冲伤缺陷检测方法,其特征在于,所述步骤S4中根据骨架提取进行缺陷二次判定是对第一阈值分割后做区域内所有的内切圆,再连接所有圆心得到骨架,并根据骨架的像素值长度判断是否存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711189354.5A CN107967681B (zh) | 2017-11-24 | 2017-11-24 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711189354.5A CN107967681B (zh) | 2017-11-24 | 2017-11-24 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107967681A CN107967681A (zh) | 2018-04-27 |
CN107967681B true CN107967681B (zh) | 2020-04-21 |
Family
ID=62000550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711189354.5A Active CN107967681B (zh) | 2017-11-24 | 2017-11-24 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967681B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986086A (zh) * | 2018-07-05 | 2018-12-11 | 福州大学 | 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 |
CN109215026B (zh) * | 2018-09-29 | 2022-02-11 | 广东工业大学 | 一种基于机器视觉的高速准确led缺陷检测方法 |
CN110530888B (zh) * | 2019-08-22 | 2023-02-03 | 常熟理工学院 | 一种电池组光学检测方法 |
CN110796174A (zh) * | 2019-09-29 | 2020-02-14 | 郑州金惠计算机系统工程有限公司 | 多类型虚拟样本的生成方法、装置、电子设备及存储介质 |
CN111462074B (zh) * | 2020-03-31 | 2024-03-19 | 珠海格力智能装备有限公司 | 轴承外观检测方法、装置、系统、计算机设备及存储介质 |
CN113781486B (zh) * | 2021-11-15 | 2022-03-15 | 新恒汇电子股份有限公司 | Ic卡图像缺陷检测方法 |
CN116934746B (zh) * | 2023-09-14 | 2023-12-01 | 常州微亿智造科技有限公司 | 划伤缺陷检测方法、系统、设备及其介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2705005A1 (fr) * | 1993-05-05 | 1994-11-10 | Philips Laboratoire Electroniq | Dispositif de segmentation d'images composées de textures à partir de signaux numériques représentatifs desdites images. |
CN1975762A (zh) * | 2006-12-11 | 2007-06-06 | 浙江大学 | 一种皮肤检测方法 |
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 |
CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
CN106934801A (zh) * | 2017-03-01 | 2017-07-07 | 西南科技大学 | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 |
-
2017
- 2017-11-24 CN CN201711189354.5A patent/CN107967681B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2705005A1 (fr) * | 1993-05-05 | 1994-11-10 | Philips Laboratoire Electroniq | Dispositif de segmentation d'images composées de textures à partir de signaux numériques représentatifs desdites images. |
CN1975762A (zh) * | 2006-12-11 | 2007-06-06 | 浙江大学 | 一种皮肤检测方法 |
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 |
CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
CN106934801A (zh) * | 2017-03-01 | 2017-07-07 | 西南科技大学 | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 |
Non-Patent Citations (3)
Title |
---|
一种新的基于纹理分水岭的纺织品缺陷检测方法;沈晶 等;《中国图象图形学报》;20091031;第14卷(第10期);第1998页第1节 * |
基于数字图像处理的带钢缺陷检测和度量;彭铁根 等;《宝钢技术》;20130215;摘要,第1.5节 * |
基于机器视觉的电梯平衡补偿链检测系统设计;朱建江 等;《组合机床与自动化加工技术》;20170531;摘要、第2.2节,第4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107967681A (zh) | 2018-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967681B (zh) | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN110334750B (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
CN110288562B (zh) | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN110610516B (zh) | 铁路扣件螺母中心定位方法 | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN113646801A (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN107730521B (zh) | 一种图像中屋脊型边缘的快速检测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN112697803A (zh) | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 | |
CN109035218B (zh) | 路面修补区域检测方法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
Abbas et al. | Automated pavement distress detection using image processing techniques | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
CN110363749B (zh) | 基于图像处理的防震锤锈蚀程度评价方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 |
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 |