CN108280823A - 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 - Google Patents
一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 Download PDFInfo
- Publication number
- CN108280823A CN108280823A CN201711477748.0A CN201711477748A CN108280823A CN 108280823 A CN108280823 A CN 108280823A CN 201711477748 A CN201711477748 A CN 201711477748A CN 108280823 A CN108280823 A CN 108280823A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- weak edge
- gradient
- point
- 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
- 238000009776 industrial production Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005728 strengthening Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000003287 optical effect Effects 0.000 claims description 38
- 230000000877 morphologic effect Effects 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 14
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 4
- 230000008961 swelling Effects 0.000 claims description 4
- 241000760358 Enodes Species 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 239000013307 optical fiber Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种工业生产中光缆表面弱边缘瑕疵的检测方法。针对一般图像处理过程中弱边缘难以被检测出来的问题，本发明公开了一种新的图像处理方法，包括：读取图像数据、图像数据预处理、Scharr算子突出弱边缘、图像融合、形态学开闭滤波、分割图像、轮廓搜索与拟合七个步骤，通过这七个步骤，最终实现对光缆表面弱边缘瑕疵的有效检测。本发明提出了弱边缘强化算法，利用图像处理Scharr算子能突出弱边缘的优势，结合形态学开闭滤波，从而达到强化弱边缘的效果。本发明还提出一种光缆表面瑕疵检测系统。
Description
技术领域
本发明涉及一种光缆表面瑕疵的检测方法，属于图像处理技术领域。
背景技术
工业环境中，产品表面质量是产品质量的重要组成部分，也是商品商业价值的重要保障。
从目前研究与应用热点来看，表面检测技术涉及到各行各业，包括金属加工、纺织、木材、玻璃、皮革、包装、农产品等领域。随着光通信技术在通信领域中应用的不断广泛，光缆作为光通信线路的主要组成部分，在通信行业占据着越来越重要地位，光缆的质量也越来越受到重视。光缆表面瑕疵由于受到光源、光照方式、图像采集方式等因素的影响，使得图像缺陷边缘的灰度有较宽的过渡区，不是理想的阶跃型边缘，形成了相对缓慢的过渡边缘即弱边缘，造成如气孔、疏松、裂纹等缺陷。
而工业生产中，现有的瑕疵检测技术一般能较完整检测出强边缘瑕疵，但是弱边缘瑕疵由于其灰度缓慢变化，所以较难被检测出。
发明内容
本发明所要解决的技术问题是：
针对现有的表面检测技术存在的检测不全面的问题，提供一种光缆表面弱边缘瑕疵检测方案，通过图像预处理对图像中难以检测出的弱边缘进行增强，最后成功检测出光缆表面的弱边缘瑕疵，以提高工业生产中光缆的生产质量。
本发明为解决上述技术问题，采用如下技术方案：
一种工业生产中对光缆表面瑕疵的检测方法，包括以下步骤：
A、读取图像数据，对图像数据进行预处理；
B、使用Scharr算子突出弱边缘并使其与原图像融合，对融合后的图像进行形态学开闭滤波；
C、使用最大熵阈值法分割图像，并对瑕疵轮廓进行搜索与拟合得出检测结果。
进一步的，本发明所提出的一种工业生产中对光缆表面瑕疵的检测方法，步骤A具体为：
(A1)读取图像数据，构造五维向量：
图像样本集表示一幅RGB彩色光缆图像，其中ai表示一个像素点，ai＝(pi,qi)是五维向量，s是样本空间维数，i＝1,2,…,n，n是样本个数，pi＝(xi,yi)表示图像的坐标，qi＝(bi,gi,ri)表示图像的像素，其中ri、gi、bi分别对应图像的RBG分量；
(A2)对图像数据进行预处理：
将RGB彩色光缆图像中所有点转换成其对应的灰度值，即将点ai＝(pi,qi)经过公式(1)得到a′i＝(pi,grayi),其中grayi为与pi对应的灰度值，
grayi＝ri*0.299+gi*0.587+bi*0.114 ⑴。
进一步的，本发明所提出的一种工业生产中对光缆表面瑕疵的检测方法，步骤B具体为：
(B1)弱边缘强化处理：对于步骤(A2)得到的灰度图像A，对图像中每个点，分别在水平方向和垂直方向运用Scharr算子模板进行求导，并将水平方向梯度和垂直方向梯度进行合并；
(B2)将步骤(B1)得到的图像与步骤(A2)得到的灰度图进行融合，融合比例为1：1；
(B3)将融合后的图像进行形态学开闭滤波：
①将步骤(B2)得到的图像进行形态学闭运算：将作用图像中每一点先膨胀再腐蚀；
闭操作：close(src,element)＝erode(dilate(src,element))
②将上一步得到的图像中每一像素点在闭运算的基础上再进行形态学开运算：将作用图像中的像素点先腐蚀再膨胀；
开操作：open(src,element)＝dilate(erode(src,element))。
进一步的，本发明所提出的一种工业生产中对光缆表面瑕疵的检测方法，步骤(B1)弱边缘强化处理方法具体为：
①采用水平方向模板对图像求取梯度：分别将图像A与卷积核Gx进行卷积，得到水平方向梯度图，公式表述如下：
即
Gx＝[3*gray(xi+1,yi-1)+10*hray(xi+1,yi)+3*gray(xi+1,yi+1)]-[3*gray(xi-1,yi-1)+10*gray(xi-1,yi)+3*gray(xi-1,yi+1)]，i＝1,2,…,n ⑵
其中，gray(xi,yi)表示图像中点(xi,yi)的灰度值；
②采用垂直方向模板对图像求取梯度：分别将图像A与卷积核Gy进行卷积，得到垂直方向梯度图，公式表述如下：
即：
Gy＝[3*gray(xi-1,yi+1)+10*gray(xi,yi+1)+3*gray(xi+1,yi+1)]-[3*gray(xi-1,yi-1)+10*gray(xi,yi-1)+3*gray(xi+1,yi-1)]，i＝1,2,…,n ⑶
③对于图像中每一像素点在①、②两步的基础上，将水平方向梯度Gx和垂直方向梯度Gy进行合并得到梯度图G：
进一步的，本发明所提出的一种工业生产中对光缆表面瑕疵的检测方法，也可以使用近似值公式对水平方向梯度Gx和垂直方向梯度Gy进行合并来获得合并梯度图G，公式如下：
|G|＝|Gx|+|Gy| ⑸。
进一步的，本发明所提出的一种工业生产中对光缆表面瑕疵的检测方法，在步骤(B3)中，膨胀和腐蚀分别是指形态学膨胀、形态学腐蚀，其中，
膨胀是求局部最大值的操作；当核B与图像卷积时，核B扫描图像的每一个像素，按照式(6)计算核B覆盖区域的像素点的最大值，并把这个最大值赋给参考点指定的像素，使图像变明亮；
腐蚀是求局部最小值的操作，当核B与图像卷积时，核B扫描图像的每一个像素，按照式(7)计算核B覆盖的图像区域的像素点的最小值，并把这个最小值赋值给参考点指定的像素，使图像变灰暗；
其中，(x′,y′)是核B中的结构元素，当(x′,y′)位于中心点时(x′,y′)＝(0，0)，当(x′,y′)位于非中心点时，(x′,y′)为中心点的相对位置。
进一步的，本发明所提出的一种工业生产中对光缆表面瑕疵的检测方法，在步骤(C)使用最大熵阈值法对图像进行分割，方法如下：
设阈值t将图像划分为目标O和背景B两类，他们的概率分布分别为：
O区：其中，
B区：
其中，pi为概率密度函数，即灰度图像中每一个灰度i所发生的概率,也就是说，对于k个不同灰度值g＝0,1,…,k-1的概率向量可以表示为：(p0,p1,…,pk-1)，并且有p0+p1+…+pk-1＝1；而Pt为目标前景的累积概率，1-Pt则为背景的累积概率。
则目标O和背景B的熵函数分别为：
其中，
其中，
图像的总熵为：
①从灰度级0开始，选取初始阈值T0＝0，计算原始图像的信息熵H0并初始化Hmax＝H0,Tmax＝T0；
②考察灰度级1，阈值T1＝1将图像分割为G1和G2两个区域，计算G1和G2的信息熵Hd和Hb，比较Hd+Hb与Hmax的大小，如果Hd+Hb＞Hmax,则Tmax＝T1，Hmax＝Hd+Hb，否则Tmax，Hmax保持不变；
③按照上一步的方法继续考察灰度级2-255，直到找到最大熵阈值Tmax；
④利用最大熵阈值对图像进行分割，将图像中每一点像素的灰度值与Tmax进行比较：如果该点灰度值大于Tmax，则将该点灰度值置为255；反之，将该点灰度值置为0。
进一步的，本发明所提出的一种工业生产中对光缆表面瑕疵的检测方法，在步骤C对瑕疵轮廓进行搜索与拟合，具体包括：
①取得缺陷轮廓序列：采用OpenCV内置函数findContours函数对阈值分割后得到的缆面二值图像进行外轮廓搜索；
②拟合缺陷轮廓外边界：在提取得到图像轮廓序列后，采用OpenCV内置函数approxPolyDP函数对轮廓进行拟合。
本发明还提出一种光缆表面瑕疵检测系统，包括：
图像预处理模块，用于读取图像数据，并对图像数据进行灰度处理；
图像融合及滤波模块，用于使用Scharr算子突出弱边缘并使其与原图像融合，对融合后的图像进行形态学开闭滤波；
图像分割及检测模块，使用最大熵阈值法分割图像，并对瑕疵轮廓进行搜索与拟合得出检测结果；
其中，图像融合及滤波模块进一步包括：
弱边缘强化处理单元：对于图像预处理模块得到的灰度图像中每个点，分别在水平方向和垂直方向运用Scharr算子模板进行求导，并将水平方向梯度和垂直方向梯度进行合并；
融合单元：将弱边缘强化处理单元得到的图像与图像预处理模块得到的灰度图进行1：1融合；
滤波单元：将融合后的图像进行形态学开闭滤波。
本发明采用以上技术手段，与现有技术相比，具有以下技术效果：
本发明提出一种工业生产中对光缆表面弱边缘瑕疵的检测方法，通过图像预处理、对图像中难以检测出的弱边缘进行增强，最后成功检测出光缆表面的弱边缘瑕疵，该方案能够有效解决工业生产中光缆表面的质量问题。
附图说明
图1是本方案的流程图。
图2是实验原始图像。
图3是最终生成的瑕疵分割图像。
具体实施方式
下面结合附图对本发明的技术方案的实施作进一步的详细描述，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
参考图1所示，本发明提出一种工业生产中光缆表面弱边缘瑕疵的检测方法，包括读取图像数据、图像数据预处理、Scharr算子突出弱边缘、图像融合、形态学开闭滤波、分割图像、轮廓搜索与拟合七个步骤，通过这七个步骤，将瑕疵分割出来，最终实现对光缆表面弱边缘瑕疵的有效检测。
该方法包括以下步骤：
步骤一：读取图像数据，构造五维向量
图像样本集表示一幅RGB彩色光缆图像(R表示红色、G表示绿色、B表示蓝色)，其中ai＝(pi,qi),i＝1,2,…,n是五维向量，表示一个像素点，s是样本空间维数，n是样本个数，pi＝(xi,yi)表示图像的坐标，qi＝(bi,gi,ri)表示图像的像素。
步骤二：图像数据预处理
本次图像处理是基于对图像灰度差异运算实现的，所以对于输入的RGB彩色图像，需要先进行灰度图的转换。
将RGB彩色光缆图像中所有点转换成其对应的灰度值，即将点ai＝(pi,qi),i＝1,2,…,n经过公式得到a′i＝(pi,grayi),i＝1,2,…,n,其中grayi,i＝1,2,…,n为pi对应的灰度值。
计算公式是：
grayi＝ri*0.299+gi*0.587+bi*0.114
⑴
步骤三：弱边缘强化处理
对于步骤二得到的灰度图像A，对图像中每个点，分别在水平方向和垂直方向运用Scharr算子模板进行求导，并将水平方向梯度和垂直方向梯度进行合并。方法是：
①水平方向模板对图像求取梯度：分别将图像A与卷积核Gx进行卷积，得到水平方向梯度图，公式表述如下：
即
Gx＝[3*gray(xi+1,yi-1)+10*gray(xi+1,yi)+3*gray(xi+1,yi+1)]-[3*gray(xi-1,yi-1)+10*gray(xi-1,yi)+3*gray(xi-1,yi+1)]，i＝1,2,…,n ⑵
其中，gray(xi,yi)表示图像中点(xi,yi)的灰度值；
②垂直方向模板对图像求取梯度：分别将图像A与卷积核Gy进行卷积，得到垂直方向梯度图，公式表述如下：
即：
Gy＝[3*gray(xi-1,yi+1)+10*gray(xi,yi+1)+3*gray(xi+1,yi+1)]-[3*gray(xi-1,yi-1)+10*gray(xi,yi-1)+3*gray(xi+1,yi-1)]，i＝1,2,…,n ⑶
其中，gray(xi,yi)表示图像中点(xi,yi)的灰度值；
③图像中每一像素点在①、②两步的基础上，将水平方向梯度Gx和垂直方向梯度Gy进行合并得到梯度图G：
通常，为了提高效率，使用近似值公式对水平方向梯度Gx和垂直方向梯度Gy进行合并来获得合并梯度图G，公式如下：
|G|＝|Gx|+|Gy|
⑸
步骤四：图像融合
将步骤三得到的图像与步骤二得到的灰度图进行融合，融合比例为：1：1；
步骤五：形态学开闭滤波
灰度形态学膨胀：膨胀是求局部最大值的操作。核B与图像卷积，核B可以是任意的形状或大小，它拥有一个单独定义出来的参考点，核B扫描图像的每一个像素，计算核B覆盖区域的像素点的最大值，并把这个最大值赋给参考点(核B的中心点)指定的像素，使图像变明亮。
灰度形态学腐蚀：腐蚀是求局部最小值的操作，当核B与图像卷积时，核B扫描图像的每一个像素，即计算核B覆盖的图像区域的像素点的最小值，并把这个最小值赋值给参考点(核B的中心点)指定的像素，使图像变灰暗。
其中，核B是任意的形状或大小，(x′,y′)是核B中的结构元素，一般我们取3×3的实心正方形核，取核中心点为参考点,即当(x′,y′)位于中心点时(x′,y′)＝(0，0)，当(x′,y′)位于非中心点时，(x′,y′)为中心点的相对位置，具体核结构及(x′,y′)取值如下表所示：
①将步骤四得到的图像进行形态学闭运算：将作用图像中每一点先膨胀再腐蚀；
闭操作：close(src,element)＝erode(dilate(src,element))
②将上一步得到的图像中每一像素点在闭运算的基础上再进行形态学开运算：将作用图像中的像素点先腐蚀再膨胀；
开操作：open(src,element)＝dilate(erode(src,element))
步骤六：图像分割
使用最大熵阈值法对图像进行分割，方法如下：
设阈值t将图像划分为目标O和背景B两类，他们的概率分布分别为：
O区：其中，
B区：
其中，pi为概率密度函数，即灰度图像中每一个灰度i所发生的概率,也就是说，对于k个不同灰度值g＝0,1,…,k-1的概率向量可以表示为：(p0,p1,…,pk-1),并且有p0+p1+…+pk-1＝1；而Pt为目标前景的累积概率，1-Pt则为背景的累积概率；
则目标O和背景B的熵函数分别为：
其中，
其中，
图像的总熵为：
①将步骤五得到的图像作为作用图像，从灰度级0开始，选取初始阈值T0＝0，计算图像的信息熵H0，并初始化Hmax＝H0,Tmax＝T0；
②考察灰度级1，阈值T1＝1将图像分割为G1和G2两个区域，计算G1和G2的信息熵Hd和Hb，比较Hd+Hb与Hmax的大小，如果Hd+Hb＞Hmax,则Tmax＝T1，Hmax＝Hd+Hb，否则Tmax，Hmax保持不变；
③重复第2步，继续考察灰度级2-255，直到找到最大熵阈值Tmax；
④利用最大熵阈值对图像进行分割，将图像中每一点像素的灰度值与Tmax进行比较：如果该点灰度值大于Tmax，则将该点灰度值置为255；反之，将该点灰度值置为0。
步骤七：缺陷轮廓搜索与拟合
①取得缺陷轮廓序列
采用OpenCV内置函数findContours函数对阈值分割后得到的缆面二值图像进行外轮廓搜索。函数定义如下：
findContours(InputOutputArray image,//输入图像
OutputArrayOfArrays contours,//轮廓序列，数据结构vector<vector<Point>>
int mode,//轮廓检索模式，本文使用CV_RETR_EXTERNAL，只检测最外围轮廓
int method,//轮廓逼近方式，本文使用CV_CHAIN_APPROX_SIMPLE仅保存轮廓的拐点信息
Pointoffset＝Point())；//偏移量，所有的轮廓信息相对于原始图像对应点的偏移量。
②拟合缺陷轮廓外边界
在提取得到图像轮廓序列后，存在一些图像轮廓边缘呈现锯齿状，此时需要对缺陷轮廓进行平滑拟合从而获取圆滑的边缘轮廓图像。本文采用的是OpenCV内置函数approxPolyDP函数对轮廓进行拟合。
函数定义如下：
approxPolyDP(InputArray curve,//图像轮廓点组成的点集，数据结构vector<vector<Point>>
OutputArrayapproxCurve,//输出结果点集
doubleepsilon,//输出精度
boolclosed)；//标志位，表示输出曲线是否闭合。
以下结合具体实施例来进一步详细介绍本发明的实施方式：
步骤一：读取图像数据，构造五维向量
光缆图像如图2所示，像素点个数为134664，图像样本集A＝{a1,a2,…,a134664}，每一个像素点ai＝(pi,qi)，i＝1,2,…,134664，pi＝(xi,yi)是像素点ai的坐标，qi＝(bi,gi,ri)是像素点ai的像素。取其中的20个像素点,如下所示：
a49392＝(66,287,23,84,189) a70300＝(94,363,59,166,230)
a57705＝(77,416,40,132,202) a47331＝(63,458,25,79,185)
a57060＝(76,515,25,94,203) a59253＝(79,476,27,91,210)
a59282＝(79,505,30,96,211) a59952＝(80,431,42,110,178)
a60080＝(80,559,30,82,176) a71869＝(96,444,198,238,218)
a74132＝(99,475,41,123,161) a75384＝(101,239,19,89,197)
a79263＝(106,398,49,92,57) a89608＝(120,327,24,75,167)
a94996＝(127,507,27,81,136) a97272＝(130,551,16,67,153)
a99247＝(133,294,11,67,155) a104604＝(140,443,26,83,171)
a111271＝(149,414,21,67,153) a116576＝(156,511,9,30,69)
步骤二：图像数据预处理
将RGB彩色光缆图像中所有点转换成其对应的灰度值，利用公式⑴计算每个像素点的灰度值，得到a′i＝(pi,grayi),i＝1,2,…,n,其中grayi,i＝1,2,…,n为pi对应的灰度值。则步骤一20个像素点经过转换，结果如下所示：
a49392＝(66,287,108) a70300＝(94,363,173)
a57705＝(77,416,142) a47331＝(63,458,105)
a57060＝(76,515,119) a59253＝(79,476,119)
a59282＝(79,505,123) a59952＝(80,431,123)
a60080＝(80,559,104) a71869＝(96,444,227)
a74132＝(99,475,125) a75384＝(101,239,113)
a79263＝(106,398,77) a89608＝(120,327,97)
a94996＝(127,507,91) a97272＝(130,551,87)
a99247＝(133,294,87) a104604＝(140,443,103)
a111271＝(149,414,87) a116576＝(156,511,39)
步骤三：弱边缘强化处理
①运用公式⑵对图像水平方向求取梯度：将图像A与卷积核Gx进行卷积，得到水平方向梯度图，则步骤二中20个像素点在梯度图中的表示如下：
a49392＝(66,287,16) a70300＝(94,363,0)
a57705＝(77,416,6) a47331＝(63,458,13)
a57060＝(76,515,0) a59253＝(79,476,13)
a59282＝(79,505,0) a59952＝(80,431,0)
a60080＝(80,559,0) a71869＝(96,444,0)
a74132＝(99,475,77) a75384＝(101,239,0)
a79263＝(106,398,64) a89608＝(120,327,0)
a94996＝(127,507,16) a97272＝(130,551,3)
a99247＝(133,294,35) a104604＝(140,443,0)
a111271＝(149,414,0) a116576＝(156,511,0)
②运用公式⑶对图像垂直方向求取梯度：将图像A与卷积核Gy进行卷积，得到垂直方向梯度图，则步骤二中20个像素点在梯度图中的表示如下：
a49392＝(66,287,32) a70300＝(94,363,45)
a57705＝(77,416,176) a47331＝(63,458,61)
a57060＝(76,515,16) a59253＝(79,476,13)
a59282＝(79,505,22) a59952＝(80,431,141)
a60080＝(80,559,0) a71869＝(96,444,29)
a74132＝(99,475,0) a75384＝(101,239,16)
a79263＝(106,398,0) a89608＝(120,327,6)
a94996＝(127,507,0) a97272＝(130,551,0)
a99247＝(133,294,0) a104604＝(140,443,0)
a111271＝(149,414,0) a116576＝(156,511,0)
③图像中每一像素点在①、②两步的基础上，运用公式⑸将水平方向和垂直方向梯度进行合并得到梯度图，则这20个像素点在梯度图中的表示如下：
a49392＝(66,287,24) a70300＝(94,363,64)
a57705＝(77,416,91) a47331＝(63,458,37)
a57060＝(76,515,13) a59253＝(79,476,13)
a59282＝(79,505,19) a59952＝(80,431,99)
a60080＝(80,559,13) a71869＝(96,444,61)
a74132＝(99,475,40) a75384＝(101,239,8)
a79263＝(106,398,101) a89608＝(120,327,16)
a94996＝(127,507,48) a97272＝(130,551,43)
a99247＝(133,294,59) a104604＝(140,443,32)
a111271＝(149,414,88) a116576＝(156,511,45)
步骤四：图像融合
将步骤三得到的梯度图像与步骤二得到的灰度图进行1：1的比例融合，这20个像素点经过融合，结果如下所示：
a49392＝(66,287,66) a70300＝(94,363,118)
a57705＝(77,416,116) a47331＝(63,458,71)
a57060＝(76,515,66) a59253＝(79,476,66)
a59282＝(79,505,71) a59952＝(80,431,111)
a60080＝(80,559,58) a71869＝(96,444,144)
a74132＝(99,475,82) a75384＝(101,239,60)
a79263＝(106,398,89) a89608＝(120,327,56)
a94996＝(127,507,70) a97272＝(130,551,65)
a99247＝(133,294,73) a104604＝(140,443,68)
a111271＝(149,414,88) a116576＝(156,511,42)
步骤五：形态学开闭滤波
①将步骤四得到的图像中像素点先进行膨胀然后进行腐蚀操作；
a49392＝(66,287,69) a70300＝(94,363,132)
a57705＝(77,416,117) a47331＝(63,458,72)
a57060＝(76,515,72) a59253＝(79,476,71)
a59282＝(79,505,75) a59952＝(80,431,111)
a60080＝(80,559,60) a71869＝(96,444,194)
a74132＝(99,475,90) a75384＝(101,239,66)
a79263＝(106,398,119) a89608＝(120,327,61)
a94996＝(127,507,72) a97272＝(130,551,68)
a99247＝(133,294,76) a104604＝(140,443,72)
a111271＝(149,414,88) a116576＝(156,511,48)
②将上一步得到的图像中的像素点先进行腐蚀然后进行膨胀操作：
a49392＝(66,287,69) a70300＝(94,363,132)
a57705＝(77,416,117) a47331＝(63,458,71)
a57060＝(76,515,72) a59253＝(79,476,71)
a59282＝(79,505,74) a59952＝(80,431,111)
a60080＝(80,559,60) a71869＝(96,444,194)
a74132＝(99,475,90) a75384＝(101,239,66)
a79263＝(106,398,113) a89608＝(120,327,61)
a94996＝(127,507,70) a97272＝(130,551,66)
a99247＝(133,294,76) a104604＝(140,443,72)
a111271＝(149,414,88) a116576＝(156,511,48)
步骤六：图像分割
将步骤五得到图像作为作用图像，选取初始阈值T0＝0，计算的信息熵H0＝4.06211；遍历灰度值0-255，选出使最大熵取最大值时的阈值为最大熵阈值，最大熵阈值Tmax＝85，对应的最大熵Hmax＝8.12648。通过最大熵阈值对作用图像的灰度图进行分割，这20个像素点经过分割，结果对应如下：
a49392＝(66,287,0) a70300＝(94,363,255)
a57705＝(77,416,255) a47331＝(63,458,0)
a57060＝(76,515,0) a59253＝(79,476,0)
a59282＝(79,505,0) a59952＝(80,431,255)
a60080＝(80,559,0) a71869＝(96,444,255)
a74132＝(99,475,255) a75384＝(101,239,0)
a79263＝(106,398,255) a89608＝(120,327,0)
a94996＝(127,507,0) a97272＝(130,551,0)
a99247＝(133,294,0) a104604＝(140,443,0)
a111271＝(149,414,255) a116576＝(156,511,0)
步骤七：缺陷轮廓搜索与拟合
取得缺陷轮廓序列并拟合缺陷轮廓外边界，最终得到分割结果如下图3所示。
本发明还提出一种光缆表面瑕疵检测系统，包括：
图像预处理模块，用于读取图像数据，并对图像数据进行灰度处理；
图像融合及滤波模块，用于使用Scharr算子突出弱边缘并使其与原图像融合，对融合后的图像进行形态学开闭滤波；
图像分割及检测模块，使用最大熵阈值法分割图像，并对瑕疵轮廓进行搜索与拟合得出检测结果；
其中，图像融合及滤波模块进一步包括：
弱边缘强化处理单元：对于图像预处理模块得到的灰度图像中每个点，分别在水平方向和垂直方向运用Scharr算子模板进行求导，并将水平方向梯度和垂直方向梯度进行合并；
融合单元：将弱边缘强化处理单元得到的图像与图像预处理模块得到的灰度图进行1：1融合；
滤波单元：将融合后的图像进行形态学开闭滤波。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，包括以下步骤：
A、读取图像数据，对图像数据进行预处理；
B、使用Scharr算子突出弱边缘并使其与原图像融合，对融合后的图像进行形态学开闭滤波；
C、使用最大熵阈值法分割图像，并对瑕疵轮廓进行搜索与拟合得出检测结果。
2.根据权利要求1所述的一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，步骤A具体为：
(A1)读取图像数据，构造五维向量：
图像样本集表示一幅RGB彩色光缆图像，其中ai表示一个像素点，ai＝(pi，qi)是五维向量，s是样本空间维数，i＝1，2，…，n，n是样本个数，pi＝(xi，yi)表示图像的坐标，qi＝(bi，gi，ri)表示图像的像素，其中ri、gi、bi分别对应图像的RBG分量；
(A2)对图像数据进行预处理：
将RGB彩色光缆图像中所有点转换成其对应的灰度值，即将点ai＝(pi，qi)经过公式(1)得到a′i＝(pi，grayi)，其中grayi为与pi对应的灰度值，
grayi＝ri*0.299+gi*0.587+bi*0.114 (1)。
3.根据权利要求2所述的一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，步骤B具体为：
(B1)弱边缘强化处理：对于步骤(A2)得到的灰度图像A，对图像中每个点，分别在水平方向和垂直方向运用Scharr算子模板进行求导，并将水平方向梯度和垂直方向梯度进行合并；
(B2)将步骤(B1)得到的图像与步骤(A2)得到的灰度图进行融合，融合比例为1∶1；
(B3)将融合后的图像进行形态学开闭滤波：
①将步骤(B2)得到的图像进行形态学闭运算：将作用图像中每一点先膨胀再腐蚀；
闭操作：close(src，element)＝erode(dilate(src，element))
②将上一步得到的图像中每一像素点在闭运算的基础上再进行形态学开运算：将作用图像中的像素点先腐蚀再膨胀；
开操作：open(src，element)＝dilate(erode(src，element))。
4.根据权利要求3所述的一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，步骤(B1)弱边缘强化处理方法具体为：
①采用水平方向模板对图像求取梯度：分别将图像A与卷积核Gx进行卷积，得到水平方向梯度图，公式表述如下：
即
Gx＝[3*gray(xi+1，yi-1)+10*gray(xi+1，yi)+3*gray(xi+1，yi+1)]-[3*gray(xi-1，yi-1)+10*gray(xi-1，yi)+3*gray(xi-1，yi+1)]，i＝1，2，…，n (2)
其中，gray(xi，yi)表示图像中点(xi，yi)的灰度值；
②采用垂直方向模板对图像求取梯度：分别将图像A与卷积核Gy进行卷积，得到垂直方向梯度图，公式表述如下：
即：
Gy＝[3*gray(xi-1，yi+1)+10*gray(xi，yi+1)+3*gray(xi+1，yi+1)]-[3*gray(xi-1，yi-1)+10*gray(xi，yi-1)+3*gray(xi+1，yi-1)]，i＝1，2，…，n (3)
③对于图像中每一像素点在①、②两步的基础上，将水平方向梯度Gx和垂直方向梯度Gy进行合并得到梯度图G。
5.根据权利要求4所述的一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，
6.根据权利要求4所述的一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，使用近似值公式对水平方向梯度Gx和垂直方向梯度Gy进行合并来获得合并梯度图G，公式如下：
|G|＝|Gx|+|Gy| (5)。
7.根据权利要求3所述的一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，在步骤(B3)中，膨胀和腐蚀分别是指形态学膨胀、形态学腐蚀，其中，
膨胀是求局部最大值的操作；当核B与图像卷积时，核B扫描图像的每一个像素，按照式(6)计算核B覆盖区域的像素点的最大值，并把这个最大值赋给参考点指定的像素，使图像变明亮；
腐蚀是求局部最小值的操作，当核B与图像卷积时，核B扫描图像的每一个像素，按照式(7)计算核B覆盖的图像区域的像素点的最小值，并把这个最小值赋值给参考点指定的像素，使图像变灰暗；
其中，(x′，y′)是核B中的结构元素，当(x′，y′)位于中心点时(x′，y′)＝(0，0)，当(x′，y′)位于非中心点时，(x′，y′)为中心点的相对位置。
8.根据权利要求1所述的一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，在步骤(C)使用最大熵阈值法对图像进行分割，方法如下：
设阈值t将图像划分为目标O和背景B两类，他们的概率分布分别为：
O区：i＝0，1，…，t，其中，
B区：i＝t+1，...，L-1
其中，pi为概率密度函数，即灰度图像中每一个灰度i所发生的概率，也就是说，对于k个不同灰度值g＝0，1，...，k-1的概率向量可以表示为：(p0，p1，...，pk-1)，并且有p0+p1+...+pk-1＝1；而Pt为目标前景的累积概率，1-Pt则为背景的累积概率；
则目标O和背景B的熵函数分别为：
其中，
其中，
图像的总熵为：
①从灰度级0开始，选取初始阈值T0＝0，计算原始图像的信息熵H0并初始化Hmax＝H0，Tmax＝T0；
②考察灰度级1，阈值T1＝1将图像分割为G1和G2两个区域，计算G1和G2的信息熵Hd和Hb，比较Hd+Hb与Hmax的大小，如果Hd+Hb＞Hmax，则Tmax＝T1，Hmax＝Hd+Hb，否则Tmax，Hmax保持不变；
③按照上一步的方法继续考察灰度级2-255，直到找到最大熵阈值Tmax；
④利用最大熵阈值对图像进行分割，将图像中每一点像素的灰度值与Tmax进行比较：如果该点灰度值大于Tmax，则将该点灰度值置为255；反之，将该点灰度值置为0。
9.根据权利要求1所述的一种工业生产中对光缆表面瑕疵的检测方法，其特征在于，在步骤C对瑕疵轮廓进行搜索与拟合，具体包括：
①取得缺陷轮廓序列：采用OpenCV内置函数findContours函数对阈值分割后得到的缆面二值图像进行外轮廓搜索；
②拟合缺陷轮廓外边界：在提取得到图像轮廓序列后，采用OpenCV内置函数approxPolyDP函数对轮廓进行拟合。
10.一种光缆表面瑕疵检测系统，其特征在于，包括：
图像预处理模块，用于读取图像数据，并对图像数据进行灰度处理；
图像融合及滤波模块，用于使用Scharr算子突出弱边缘并使其与原图像融合，对融合后的图像进行形态学开闭滤波；
图像分割及检测模块，使用最大熵阈值法分割图像，并对瑕疵轮廓进行搜索与拟合得出检测结果；
其中，
图像融合及滤波模块进一步包括：
弱边缘强化处理单元：对于图像预处理模块得到的灰度图像中每个点，分别在水平方向和垂直方向运用Scharr算子模板进行求导，并将水平方向梯度和垂直方向梯度进行合并；
融合单元：将弱边缘强化处理单元得到的图像与图像预处理模块得到的灰度图进行1：1融合；
滤波单元：将融合后的图像进行形态学开闭滤波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711477748.0A CN108280823B (zh) | 2017-12-29 | 2017-12-29 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711477748.0A CN108280823B (zh) | 2017-12-29 | 2017-12-29 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108280823A true CN108280823A (zh) | 2018-07-13 |
| CN108280823B CN108280823B (zh) | 2022-04-01 |
Family
ID=62802735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711477748.0A Active CN108280823B (zh) | 2017-12-29 | 2017-12-29 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108280823B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272503A (zh) * | 2018-09-29 | 2019-01-25 | 西安工程大学 | 一种基于最大熵与dbscan相融合的毛羽检测算法 |
| CN109492569A (zh) * | 2018-10-31 | 2019-03-19 | 国家电网有限公司 | 一种电缆线绝缘层缺损检测方法和装置 |
| CN110009603A (zh) * | 2019-03-14 | 2019-07-12 | 广州供电局有限公司 | 高压电缆绝缘检测方法及高压电缆维护方法 |
| CN111028197A (zh) * | 2019-11-01 | 2020-04-17 | 深圳先进技术研究院 | 一种检测金属锈蚀的方法及终端 |
| CN111145135A (zh) * | 2019-12-30 | 2020-05-12 | 腾讯科技（深圳）有限公司 | 一种图像去扰处理方法、装置、设备及存储介质 |
| CN111539312A (zh) * | 2020-04-21 | 2020-08-14 | 罗嘉杰 | 一种从图像中抽取表格的方法 |
| CN112308854A (zh) * | 2020-11-26 | 2021-02-02 | 武汉工程大学 | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 |
| CN112634288A (zh) * | 2020-12-28 | 2021-04-09 | 广州绿怡信息科技有限公司 | 设备区域图像分割方法及装置 |
| CN112967305A (zh) * | 2021-03-24 | 2021-06-15 | 南京莱斯电子设备有限公司 | 一种复杂天空场景下的图像云背景检测方法 |
| CN113034481A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 设备图像模糊检测方法及装置 |
| CN113109368A (zh) * | 2021-03-12 | 2021-07-13 | 浙江华睿科技有限公司 | 玻璃裂纹检测方法、装置、设备及介质 |
| CN113588663A (zh) * | 2021-08-03 | 2021-11-02 | 上海圭目机器人有限公司 | 一种管线缺陷识别与信息提取方法 |
| CN116843687A (zh) * | 2023-09-01 | 2023-10-03 | 山东东方智光网络通信有限公司 | 一种通信光缆表面瑕疵检测方法及装置 |
| CN117173166A (zh) * | 2023-11-02 | 2023-12-05 | 江苏裕荣光电科技有限公司 | 一种光缆表面缺陷检测方法 |
| CN117232791A (zh) * | 2023-11-07 | 2023-12-15 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
| US12023722B2 (en) | 2020-10-23 | 2024-07-02 | Ford Global Technologies, Llc | Stamping line defect quality monitoring systems and methods of monitoring stamping line defects |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1885317A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于形态学和信息熵的自适应边缘检测方法 |
| CN103489188A (zh) * | 2013-09-23 | 2014-01-01 | 华南理工大学 | 一种宫颈lct图像的异常细胞核定位方法 |
| CN107016360A (zh) * | 2017-03-27 | 2017-08-04 | 国网江苏省电力公司电力科学研究院 | 电力变电站基于动态特征及区域融合的目标检测方法 |
| CN107038701A (zh) * | 2017-03-22 | 2017-08-11 | 南京邮电大学 | 一种工业生产中线缆表面瑕疵的检测方法及系统 |
-
2017
- 2017-12-29 CN CN201711477748.0A patent/CN108280823B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1885317A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于形态学和信息熵的自适应边缘检测方法 |
| CN103489188A (zh) * | 2013-09-23 | 2014-01-01 | 华南理工大学 | 一种宫颈lct图像的异常细胞核定位方法 |
| CN107038701A (zh) * | 2017-03-22 | 2017-08-11 | 南京邮电大学 | 一种工业生产中线缆表面瑕疵的检测方法及系统 |
| CN107016360A (zh) * | 2017-03-27 | 2017-08-04 | 国网江苏省电力公司电力科学研究院 | 电力变电站基于动态特征及区域融合的目标检测方法 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272503A (zh) * | 2018-09-29 | 2019-01-25 | 西安工程大学 | 一种基于最大熵与dbscan相融合的毛羽检测算法 |
| CN109492569A (zh) * | 2018-10-31 | 2019-03-19 | 国家电网有限公司 | 一种电缆线绝缘层缺损检测方法和装置 |
| CN110009603A (zh) * | 2019-03-14 | 2019-07-12 | 广州供电局有限公司 | 高压电缆绝缘检测方法及高压电缆维护方法 |
| CN111028197A (zh) * | 2019-11-01 | 2020-04-17 | 深圳先进技术研究院 | 一种检测金属锈蚀的方法及终端 |
| CN111145135A (zh) * | 2019-12-30 | 2020-05-12 | 腾讯科技（深圳）有限公司 | 一种图像去扰处理方法、装置、设备及存储介质 |
| CN111539312A (zh) * | 2020-04-21 | 2020-08-14 | 罗嘉杰 | 一种从图像中抽取表格的方法 |
| US12023722B2 (en) | 2020-10-23 | 2024-07-02 | Ford Global Technologies, Llc | Stamping line defect quality monitoring systems and methods of monitoring stamping line defects |
| CN112308854A (zh) * | 2020-11-26 | 2021-02-02 | 武汉工程大学 | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 |
| CN112308854B (zh) * | 2020-11-26 | 2023-12-26 | 武汉工程大学 | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 |
| CN112634288A (zh) * | 2020-12-28 | 2021-04-09 | 广州绿怡信息科技有限公司 | 设备区域图像分割方法及装置 |
| CN113109368A (zh) * | 2021-03-12 | 2021-07-13 | 浙江华睿科技有限公司 | 玻璃裂纹检测方法、装置、设备及介质 |
| CN113109368B (zh) * | 2021-03-12 | 2023-09-01 | 浙江华睿科技股份有限公司 | 玻璃裂纹检测方法、装置、设备及介质 |
| CN112967305B (zh) * | 2021-03-24 | 2023-10-13 | 南京莱斯电子设备有限公司 | 一种复杂天空场景下的图像云背景检测方法 |
| CN112967305A (zh) * | 2021-03-24 | 2021-06-15 | 南京莱斯电子设备有限公司 | 一种复杂天空场景下的图像云背景检测方法 |
| CN113034481A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 设备图像模糊检测方法及装置 |
| CN113588663A (zh) * | 2021-08-03 | 2021-11-02 | 上海圭目机器人有限公司 | 一种管线缺陷识别与信息提取方法 |
| CN113588663B (zh) * | 2021-08-03 | 2024-01-23 | 上海圭目机器人有限公司 | 一种管线缺陷识别与信息提取方法 |
| CN116843687A (zh) * | 2023-09-01 | 2023-10-03 | 山东东方智光网络通信有限公司 | 一种通信光缆表面瑕疵检测方法及装置 |
| CN117173166A (zh) * | 2023-11-02 | 2023-12-05 | 江苏裕荣光电科技有限公司 | 一种光缆表面缺陷检测方法 |
| CN117173166B (zh) * | 2023-11-02 | 2023-12-26 | 江苏裕荣光电科技有限公司 | 一种光缆表面缺陷检测方法 |
| CN117232791A (zh) * | 2023-11-07 | 2023-12-15 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
| CN117232791B (zh) * | 2023-11-07 | 2024-02-09 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108280823B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280823B (zh) | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 | |
| CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
| CN112927189B (zh) | 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法 | |
| CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
| CN105445277B (zh) | 一种fpc表面质量视觉智能检测方法 | |
| CN106780455B (zh) | 一种基于滑动的局部邻域窗口的产品表面检测方法 | |
| CN109242853A (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
| CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
| CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
| CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| Tian et al. | Corrosion identification of fittings based on computer vision | |
| CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
| CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
| CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
| CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN117078608B (zh) | 一种基于双掩码引导的高反光皮革表面缺陷检测方法 | |
| CN113129265B (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
| CN114037682A (zh) | 一种光学元件表面疵病二维自动检测方法 | |
| CN109001213A (zh) | 一种卷到卷超薄柔性ic基板外观检测方法 | |
| CN114494225A (zh) | 一种基于形状特征的纸管破损缺陷检测方法 | |
| CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
| CN115035071A (zh) | 一种pad导光板黑点缺陷的视觉检测方法 |
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 |