CN108764251A - 一种工件表面裂缝检测方法及系统 - Google Patents
一种工件表面裂缝检测方法及系统 Download PDFInfo
- Publication number
- CN108764251A CN108764251A CN201810413927.6A CN201810413927A CN108764251A CN 108764251 A CN108764251 A CN 108764251A CN 201810413927 A CN201810413927 A CN 201810413927A CN 108764251 A CN108764251 A CN 108764251A
- Authority
- CN
- China
- Prior art keywords
- image
- binary
- binary image
- edge
- region
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明提出一种工件表面裂缝检测方法及系统,包括:S101采用小波变换对待检测工件的彩色图像进行去噪处理,并对去噪后的图像进行灰度化处理得到灰度图像;S102通过多种不同方法分别对所述灰度图像进行二值化处理,得到分别与所述多种不同方法一一对应的多个二值化图像组成的图像集;S103分别对所述图像集中的每个二值化图像进行边缘检测,得到所述各二值化图像的边缘;S104标记所述各二值化图像叠加时所述各二值化图像边缘的重合区域,所述区域即为疑似裂缝区域;S105在所述彩色图像中提取所述疑似裂缝区域的HOG描述符,并将其输入到经过训练的SVM分类器,识别所述彩色图像是否有裂纹。本发明的技术方案能够有效的提高识别效率和识别精度,节约检测时间。
Description
技术领域
本发明涉及裂缝检测领域,特别是涉及一种工件表面裂缝检测的方法及系统。
背景技术
工件表面裂纹不仅仅影响工件的整体质量,给生产工件的厂商造成利益损害,甚至还会带来严重的意外伤害,因此对工件表面上的裂纹进行检测和辨识已成为衡量该产品质量的必备过程。在现代高速生产线上,由于人工检测方法存在视觉疲劳、环境恶劣、实时性差等问题,仅依靠传统的人眼检测难以保证检测可靠性和持续性。因此,研究基于数字图像处理和模式识别技术的裂纹检测方法具有重要的理论意义和实用价值。
目前采用自动图像识别代替人眼判断缺陷的裂纹检测技术尚处于实验研究阶段。还有许多需要解决的问题,比如生产线上的环境相比实验室更加复杂,因此许多系统在生产线上无法达到理想的工作状态,且系统的识别率较低。寻找到合适的特征对裂纹和非裂纹进行准确的描述是工作重点之一。为了更加准确的检测出真伪裂纹,需要对真伪裂纹特征展开深入研究,可以考虑从真伪裂纹形状、灰度和梯度信息差异性特征入手。
专利申请号为201710225020.2、名称为基于HOG特征的桥梁混凝土表面裂缝检测方法,公开了一种技术方案,输入彩色图像H,转化为灰度图并进行去噪滤波;对滤波图像进行二值化处理;统计梯度方向直方图,并根据统计结果对去噪灰度二值图像块进行初步处理与合并,得到图像H的完整二值图像;计算图像H的HOG特征;训练SVM分类器;计算彩色图像N的HOG特征,输入SVM分类器;对图像N的各像素点进行分类,并标记分类结果。该发明使用了图像H的完整二值图像对应的HOG特征,进行判断。
发明内容
本发明的目的是提出一种工件表面裂缝检测方法及系统,以解决现有检测方法中存在的效率较低,精度较低的技术问题。
为了达到上述目的,本发明提供一种工件表面裂缝检测方法,包括以下步骤:
S101.采用小波变换对待检测的工件的彩色图像进行去噪处理,并对去噪后的图像进行灰度化处理得到灰度图像;
S102.通过多种不同方法分别对所述灰度图像进行二值化处理,得到分别与所述多种不同方法一一对应的多个二值化图像组成的图像集;
S103.分别对所述图像集中的每个二值化图像进行边缘检测,得到所述各二值化图像的边缘;
S104.标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,所述区域即为疑似裂缝区域;
S105.在所述彩色图像中提取所述疑似裂缝区域的HOG描述符,并将所述HOG描述符输入到经过训练的SVM分类器,识别所述彩色图像是否有裂纹。
更进一步的,步骤S102中所述的多种不同方法,至少包括阈值分割法或灰度-均值共生矩阵最大熵分割法。
更进一步的,步骤S103中的所述的边缘检测,包括:采用Sobel算法进行边缘检测处理。
更进一步的,步骤S104中所述标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,包括:当所述二值化图像数量等于2,则认定两个图像边缘重合的区域是疑似裂缝区域;若所述二值化图像数量大于2,至少要有N张图像的边缘重合,才可认定该重合区域是疑似裂缝区域,所述N为预设的阈值,N小于等于所述二值化图像数量。
更进一步的,步骤S105之前还包括:对SVM分类器进行训练,得到经过训练的SVM分类器。
本发明提供一种工件表面裂缝检测系统,包括:
预处理模块,用于采用小波变换对待检测的工件的彩色图像进行去噪处理,得到去噪图像,并对所述去噪图像进行灰度化处理,得到灰度图像;
二值化处理模块,用于通过多种不同方法分别对所述灰度图像进行二值化处理,得到分别与所述多种不同方法对应的二值化图像组成的图像集;
边缘检测模块,用于对所述图像集中的每个二值化图像进行边缘检测,得到所述各二值化图像的边缘;
标记模块,用于标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,所述区域即为疑似裂缝区域;
识别模块,用于在所述彩色图像中提取所述疑似裂缝区域的HOG描述符,并将所述HOG描述符输入到经过训练的SVM分类器,以识别所述彩色图像是否有裂纹。
更进一步的,所述二值化处理模块对所述灰度图像进行二值化处理的多种不同方法,包括:阈值分割法或灰度-均值共生矩阵最大熵分割法。
更进一步的,所述边缘检测模块对所述图像集中的每个二值化图像进行边缘检测,包括:采用Sobel算法对所述图像集中的每个二值化图像进行边缘检测。
更进一步的,所述标记模块标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,包括:若所述二值化图像数量等于2,则认定两个图像边缘重合的区域是疑似裂缝区域;若所述二值化图像数量大于2,至少要有N张图像的边缘重合,才可认定该重合区域是疑似裂缝区域,所述N为预设的阈值,N小于等于所述二值化图像数量。
更进一步的,还包括训练模块,用于训练SVM分类器。
本发明与现有技术相比较,具有如下优点:
1.由于仅提取疑似裂缝区域的HOG描述符,可以有效的避免其他区域对于SVM分类器训练和判断的干扰,进而提高了整体的识别率。
2.使用多个二值化图像进行边缘检测,通过叠加,标记重合的区域作为疑似裂缝区域,可以极大的提高判断效率和精度,减小了误判的几率。
3.利用Sobel算法圈出图片中梯度幅值变化剧烈的区域,然后提取这个区域的HOG描述符来判断该区域是否有裂痕,仅提取区域的HOG的描述符而不是整个图像的描述符能够显著提高判断效率,减少检测的时间。
4.使用小波变换的去噪方法,能够在抑制噪声的同时,最大化的保留边缘信息。
综上所述,本发明所提供的技术方案,相对于现有技术,能够有效的提高识别效率,进而节约检测时间,同时能够显著的提高识别精度,有利于检测。
附图说明
图1为本发明的一种工件表面裂缝检测方法的流程图;
图2为本发明的步骤S105识别所述彩色图像是否有裂纹的流程图;
图3为本发明的训练初始SVM分类器的流程图;
图4为本发明的一种工件表面裂缝检测系统的结构示意图;
图5为本发明的识别模块提取所述彩色图像中对应疑似裂缝区域的HOG描述符的流程图。
具体实施方式
以下结合附图和具体实施例,对本发明做进一步详细说明。
实施例1:
本发明实施例提供一种工件表面裂缝检测方法,如图1,包括以下步骤:
S101.采用小波变换对待检测的工件的彩色图像进行去噪处理,并对去噪后的图像进行灰度化处理得到灰度图像;
为便于描述,在本实施例中,将待检测的工件的彩色图像标记为A0;灰度图像标记为A1;
S102.通过多种不同方法分别对所述灰度图像进行二值化处理,得到分别与所述多种不同方法一一对应的多个二值化图像组成的图像集;
其中,所述通过多种不同方法分别对所述灰度图像进行二值化处理,包括但不仅限于使用阈值分割法和灰度-均值共生矩阵最大熵分割法。
在本实施例中,使用阈值分割法将得到的灰度图像A1进行二值化处理,得到二值化图像A21;使用灰度-均值共生矩阵最大熵分割法将得到的灰度图像A1进行二值化处理,得到二值化图像A22。
所述二值化图像A21和A22组成了图像集。
S103.分别对所述图像集中的每个二值化图像进行边缘检测,得到所述各二值化图像的边缘;
其中,在本实施例中,使用Sobel算法进行所述边缘检测处理。该算法采用加权平均和微分计算,计算方法如下:
先找出数字图像中心像素的上下左右四个走向的像素点,然后根据对应模板进行加权平均,最后进行微分计算。在3×3的领域模板上,该方法计算x和y方向的偏导数可表示为:
其梯度幅值计算离散计算公式:
将图像中梯度幅值变化超过阈值的区域圈出,即作为检测出的该图像的边缘。
使用Sobel算法将图像集中的二值化图像A21、二值化图像A22进行边缘检测,得到二值化图像A21、二值化图像A22的边缘。
S104.标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,所述区域即为疑似裂缝区域;
若所述二值化图像数量等于2,则认定两个图像边缘重合的区域是疑似裂缝区域;若所述二值化图像数量大于2,至少要有N张图像的边缘重合,才可认定该重合区域是疑似裂缝区域,所述N为预设的阈值,N小于等于所述二值化图像数量。
在本实施例中,将二值化图像A21和A22叠加,可以得到重合的边缘,其重合边缘所处的区域,即为疑似裂缝区域。
在本实施例另一个可选的实施方式中,步骤S102所得到的二值化图像除A21和A22外,还有通过其它方法得到的二值化图像A23、A24及A25;
该5个二值化图像组成了图像集。
如上所述,分别对该5个二值化图像进行边缘检测,分别得到各自的边缘。
将该5个二值化图像叠加到一起时(由于该5个二值化图像均是由同一灰度图像A1处理得到,所以叠加时要根据原灰度图像进行叠加,不能放反,或者有角度偏差),会有不同二值化图像的边缘有重合。本实施方式优选的,预设的阈值N为3,则将至少有3张二值化图像重合的边缘标记出来,所有标记出来的边缘所在的区域即为疑似裂缝区域。比如:某处边缘仅有A21和A23重合,则该边缘所在的区域不属于疑似裂缝区域。
S105.在所述彩色图像中提取所述疑似裂缝区域的HOG描述符,并将所述HOG描述符输入到经过训练的SVM分类器,识别所述彩色图像是否有裂纹。
在一个可选的实施方式中,所述提取区域HOG描述符可以包括如下操作:
S1051、计算区域每个像素的梯度(包括大小和方向);
S1052、将区域划分成小单元(例如6*6像素/单元);
S1053、统计每个单元的梯度直方图(不同梯度的个数),即可形成每个单元的描述符;
S1054、将每几个单元组成一个块(例如3*3个单元/块),一个块内所有单元的特征描述符串联起来便得到该块的HOG特征描述符;
S1055、将图像内的所有块的HOG特征描述符串联起来就可以得到待检测工件的HOG特征描述符了。这个就是最终的可供分类使用的特征向量。
在步骤S105之前还包括:
步骤100:对SVM分类器进行训练,得到经过训练的SVM分类器。
为便于描述,称本实施例中未经训练的SVM分类器为初始SVM分类器,所述对SVM分类器进行训练的训练步骤至少包括:
S1001.将多张已知有裂纹的工件的彩色图像和已知无裂纹的工件的彩色图像混合成训练样本图像集;
S1002.利用固定大小的窗口,截取训练样本图像集中的每一个图像,提取每个图像的截取的区域的HOG描述符,将所述HOG描述符和该图像是否为有裂缝的图像的信息输入初始SVM分类器,对所述SVM分类器进行训练,得到经过训练的SVM分类器。
应当注意的是,步骤S105中所述疑似裂缝区域的图像大小,应与训练初始SVM分类器截取训练样本图像集中的每一个图像时,截取的区域大小相同。
在本实施例中,对多个二值化图像进行边缘检测,通过叠加,标记边缘重合的区域作为疑似裂缝区域,可以极大的提高判断效率和精度,减小了误判的几率。
另外,利用Sobel算法圈出图片中梯度幅值变化剧烈的区域,然后提取这个区域的HOG描述符来判断该区域是否有裂痕,仅提取区域的HOG的描述符而不是整个图像的描述符能够显著提高判断效率,减少检测的时间;同时,由于仅提取疑似裂缝区域的HOG描述符,可以有效的避免其他区域对于SVM分类器训练和判断的干扰,进而提高了整体的识别率。
实施例2:
图2为本实施例提供一种工件表面裂缝检测系统的结构框图,如图所示,包括:
预处理模块201,用于采用小波变换对待检测的工件的彩色图像进行去噪处理,得到去噪图像,并对所述去噪图像进行灰度化处理,得到灰度图像;
为便于描述,在本实施例中,将待检测的工件的彩色图像标记为B0。
预处理模块201接收待检测的工件的彩色图像B0,对其进行去噪,对去噪后的图像进行灰度化处理,得到灰度图像B1。
二值化处理模块202,用于通过多种不同方法分别对所述灰度图像进行二值化处理,得到分别与所述多种不同方法对应的二值化图像组成的图像集;
二值化处理模块202接收预处理模块1处理后得到的灰度图像B1,通过多种不同方法分别对所述灰度图像B1进行二值化处理,得到分别与所述多种不同方法一一对应的二值化图像所组成的图像集;
在本实施例中,二值化处理模块2使用阈值分割法对所述灰度图像B1进行二值化处理,得到二值化图像B21;使用灰度-均值共生矩阵最大熵分割法对所述灰度图像B1进行二值化处理,得到二值化图像B22。
边缘检测模块203,用于分别对所述图像集中的每个二值化图像进行边缘检测,得到所述各二值化图像的边缘;
边缘检测模块203接收二值化处理模块2处理后得到的图像集,在本实施例中,所述图像集包括使用阈值分割法处理得到的二值化图像B21,以及使用灰度-均值共生矩阵最大熵分割法处理得到的二值化图像B22;然后,对所述图像集中每一个图像都进行边缘检测,得到每个图像的边缘检测信息。其中,在本实施例中所述边缘检测处理,使用Sobel算法,该算法采用加权平均和微分计算,计算方法如下:
先找出数字图像中心像素的上下左右四个走向的像素点,然后根据对应模板进行加权平均,最后进行微分计算。在3×3的领域模板上,该方法计算x和y方向的偏导数可表示为:
其梯度幅值计算离散计算公式:
将图像中梯度幅值变化超过阈值的区域圈出,即作为检测出的该图像的边缘。
标记模块204,用于标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,所述区域即为疑似裂缝区域;
若所述二值化图像数量等于2,则认定两个图像边缘重合的区域是疑似裂缝区域;若所述二值化图像数量大于2,至少要有N张图像的边缘重合,才可认定该重合区域是疑似裂缝区域,所述N为预设的阈值,N小于等于所述二值化图像数量。
在本实施例中,标记模块204接收边缘检测模块203处理得到的所述图像集中二值化图像B21、二值化图像B22的边缘信息,并标记二值化图像B21、二值化图像B22的边缘的重合区域,所述区域即为疑似裂缝区域Q;
在本实施例另一个可选的实施方式中,二值化处理模块202所得到图像集中,除二值化图像B21和B22外,还有通过其它方法得到的二值化图像B23、B24及B25;该5个二值化图像组成了图像集。
如上所述,边缘检测模块203分别对该5个二值化图像进行边缘检测,分别得到各自的边缘。
标记模块204将该5个二值化图像叠加到一起时(由于该5个二值化图像均是由同一灰度图像B1处理得到,所以叠加时要根据原灰度图像进行叠加,不能放反,或者有角度偏差),会有不同二值化图像的边缘有重合。本实施方式优选的,预设的阈值N为3,则将至少有3张二值化图像重合的边缘标记出来,所有标记出来的边缘所在的区域即为疑似裂缝区域。
比如:某处边缘仅有B21和B23重合,则该边缘所在的区域不属于疑似裂缝区域。识别模块205,用于在所述彩色图像中提取所述疑似裂缝区域的HOG描述符。
识别模块205接收标记模块204处理得到的疑似裂缝区域Q,并将其与原待检测的工件的彩色图像B0进行对应,提取所述彩色图像B0中对应疑似裂缝区域Q的区域的HOG描述符,并将所述HOG描述符输入到经过训练的SVM分类器,以识别所述彩色图像是否有裂纹。
所述提取所述彩色图像B0中对应疑似裂缝区域Q的区域的HOG描述符的方法,包括但不仅限于本实施例中所表述的方法。在一种可选的实施方式中,所述提取区域HOG描述符可以包括如下操作:
2051、计算区域每个像素的梯度(包括大小和方向);
2052、将区域划分成小单元(例如6*6像素/单元);
2053、统计每个单元的梯度直方图(不同梯度的个数),即可形成每个单元的描述符;
2054、将每几个单元组成一个块(例如3*3个单元/块),一个块内所有单元的特征描述符串联起来便得到该块的HOG特征描述符;
2055、将图像内的所有块的HOG特征描述符串联起来就可以得到待检测工件的HOG特征描述符了。这个就是最终的可供分类使用的特征向量。
训练模块206,用于训练SVM分类器。
为便于描述,称本实施例中未经训练的SVM分类器为初始SVM分类器。
所述训练模块206,用于将多张已知有裂纹的工件的彩色图像和已知无裂纹的工件的彩色图像混合成训练样本图像集,并利用固定大小的窗口,截取训练样本图像集中的每一个图像,然后提取每个图像的截取的区域的HOG描述符,将所述HOG描述符和该图像是否为有裂缝的图像的信息输入初始SVM分类器,对所述SVM分类器进行训练,得到经过训练的SVM分类器。
应当注意的是,标记模块中所述疑似裂缝区域的图像大小,应与训练初始SVM分类器截取训练样本图像集中的每一个图像时,截取的区域大小相同。
在本实施例中,边缘检测模块203通过对多个使用多种不同方法处理的二值化图像进行边缘检测,并使用标记模块204对各图像叠加后重合的区域进行标记,将标记的区域作为疑似裂缝区域,可以极大的提高判断效率和精度,减小了误判的几率。
另外,利用Sobel算法圈出图片中梯度幅值变化剧烈的区域,然后提取这个区域的HOG描述符来判断该区域是否有裂痕,仅提取区域的HOG的描述符而不是整个图像的描述符能够显著提高判断效率,减少检测的时间;同时,由于仅提取疑似裂缝区域的HOG描述符,可以有效的避免其他区域对于SVM分类器训练和判断的干扰,进而提高了整体的识别率。
以上仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种工件表面裂缝检测方法,其特征在于,包括以下步骤:
S101.采用小波变换对待检测的工件的彩色图像进行去噪处理,并对去噪后的图像进行灰度化处理得到灰度图像;
S102.通过多种不同方法分别对所述灰度图像进行二值化处理,得到分别与所述多种不同方法一一对应的多个二值化图像组成的图像集;
S103.分别对所述图像集中的每个二值化图像进行边缘检测,得到所述各二值化图像的边缘;
S104.标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,所述区域即为疑似裂缝区域;
S105.在所述彩色图像中提取所述疑似裂缝区域的HOG描述符,并将所述HOG描述符输入到经过训练的SVM分类器,识别所述彩色图像是否有裂纹。
2.如权利要求1所述的一种工件表面裂缝检测方法,其特征在于,步骤S102中的所述多种不同方法,至少包括:阈值分割法和/或灰度-均值共生矩阵最大熵分割法。
3.如权利要求1所述的一种工件表面裂缝检测方法,其特征在于,步骤S103中所述边缘检测,包括:采用Sobel算法分别对所述图像集中的每个二值化图像进行边缘检测。
4.如权利要求1所述的一种工件表面裂缝检测方法,其特征在于,所述步骤S104包括:若所述二值化图像数量等于2,则将两个图像边缘重合的区域标记为疑似裂缝区域;若所述二值化图像数量大于2,则将至少N张图像重合的区域标记为疑似裂缝区域,所述N为预设的阈值,N小于等于所述二值化图像数量。
5.如权利要求1所述的一种工件表面裂缝检测方法,其特征在于在步骤S105之前还包括:对SVM分类器进行训练,得到经过训练的SVM分类器。
6.一种工件表面裂缝检测系统,其特征在于,包括:
预处理模块,用于采用小波变换对待检测的工件的彩色图像进行去噪处理,得到去噪图像,并对所述去噪图像进行灰度化处理,得到灰度图像;
二值化处理模块,用于通过多种不同方法分别对所述灰度图像进行二值化处理,得到分别与所述多种不同方法对应的二值化图像组成的图像集;
边缘检测模块,用于对所述图像集中的每个二值化图像进行边缘检测,得到所述各二值化图像的边缘;
标记模块,用于标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,所述区域即为疑似裂缝区域;
识别模块,用于在所述彩色图像中提取所述疑似裂缝区域的HOG描述符,并将所述HOG描述符输入到经过训练的SVM分类器,以识别所述彩色图像是否有裂纹。
7.如权利要求6所述的一种工件表面裂缝检测系统,其特征在于,所述二值化处理模块对所述灰度图像进行二值化处理的多种不同方法,包括:阈值分割法或灰度-均值共生矩阵最大熵分割法。
8.如权利要求6所述的一种工件表面裂缝检测系统,其特征在于,所述边缘检测模块对所述图像集中的每个二值化图像进行边缘检测,包括:采用Sobel算法对所述图像集中的每个二值化图像进行边缘检测。
9.如权利要求6所述的一种工件表面裂缝检测系统,其特征在于,所述标记模块标记所述各二值化图像叠加时所述各二值化图像的边缘的重合的区域,包括:
若所述二值化图像数量等于2,则认定两个图像边缘重合的区域是疑似裂缝区域;若所述二值化图像数量大于2,至少要有N张图像的边缘重合,才可认定该重合区域是疑似裂缝区域,所述N为预设的阈值,N小于等于所述二值化图像数量。
10.如权利要求6所述的一种工件表面裂缝检测系统,其特征在于,还包括训练模块,用于训练SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413927.6A CN108764251A (zh) | 2018-05-03 | 2018-05-03 | 一种工件表面裂缝检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413927.6A CN108764251A (zh) | 2018-05-03 | 2018-05-03 | 一种工件表面裂缝检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764251A true CN108764251A (zh) | 2018-11-06 |
Family
ID=64009678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810413927.6A Pending CN108764251A (zh) | 2018-05-03 | 2018-05-03 | 一种工件表面裂缝检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764251A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993742A (zh) * | 2019-04-04 | 2019-07-09 | 哈尔滨工业大学 | 基于对角倒数算子的桥梁裂缝快速识别方法 |
CN110057308A (zh) * | 2019-04-30 | 2019-07-26 | 北京理工大学 | 一种形变监测方法及系统 |
CN110827308A (zh) * | 2019-11-05 | 2020-02-21 | 中国医学科学院肿瘤医院 | 图像处理方法,装置,电子设备及存储介质 |
CN113240649A (zh) * | 2021-05-19 | 2021-08-10 | 姚坚超 | 一种基于图像分析的建筑构件检测方法及系统 |
CN117058129A (zh) * | 2023-10-09 | 2023-11-14 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
CN117314916A (zh) * | 2023-11-29 | 2023-12-29 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
-
2018
- 2018-05-03 CN CN201810413927.6A patent/CN108764251A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993742A (zh) * | 2019-04-04 | 2019-07-09 | 哈尔滨工业大学 | 基于对角倒数算子的桥梁裂缝快速识别方法 |
CN110057308A (zh) * | 2019-04-30 | 2019-07-26 | 北京理工大学 | 一种形变监测方法及系统 |
CN110827308A (zh) * | 2019-11-05 | 2020-02-21 | 中国医学科学院肿瘤医院 | 图像处理方法,装置,电子设备及存储介质 |
CN113240649A (zh) * | 2021-05-19 | 2021-08-10 | 姚坚超 | 一种基于图像分析的建筑构件检测方法及系统 |
CN113240649B (zh) * | 2021-05-19 | 2023-12-19 | 姚坚超 | 一种基于图像分析的建筑构件检测方法及系统 |
CN117058129A (zh) * | 2023-10-09 | 2023-11-14 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
CN117058129B (zh) * | 2023-10-09 | 2024-01-12 | 安徽建筑大学 | 基于图像处理的桥梁表观病害自动识别方法 |
CN117314916A (zh) * | 2023-11-29 | 2023-12-29 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
CN117314916B (zh) * | 2023-11-29 | 2024-01-30 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764251A (zh) | 一种工件表面裂缝检测方法及系统 | |
CN106845408B (zh) | 一种复杂环境下的街道垃圾识别方法 | |
CN112215819B (zh) | 基于深度特征融合的机场道面裂缝检测方法 | |
CN107203990A (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
CN110458821A (zh) | 一种基于深度神经网络模型的精子形态分析方法 | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN101807257A (zh) | 图像标签信息识别方法 | |
CN110378179A (zh) | 基于红外热成像的地铁逃票行为检测方法及系统 | |
CN101976338B (zh) | 一种基于梯度方向直方图的判决式视觉显著性检测方法 | |
CN107240112B (zh) | 一种复杂场景下个体x角点提取方法 | |
CN105825233B (zh) | 一种基于在线学习随机蕨分类器的行人检测方法 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN111508006A (zh) | 一种基于深度学习的运动目标同步检测、识别与跟踪方法 | |
CN108710822A (zh) | 一种基于红外阵列传感器的人员跌倒检测系统 | |
CN107180422A (zh) | 一种基于词袋特征的标贴破损检测方法 | |
CN103390151A (zh) | 人脸检测方法及装置 | |
CN109389033A (zh) | 一种新型的瞳孔快速定位方法 | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
Laroca et al. | A first look at dataset bias in license plate recognition | |
CN107463939A (zh) | 一种图像关键直线检测方法 | |
Zhang et al. | An improved Harris corner detection algorithm for noised images | |
Rodriguez-Damian et al. | Pollen classification using brightness-based and shape-based descriptors | |
CN113658223B (zh) | 一种基于深度学习的多行人检测与跟踪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181106 |
|
WD01 | Invention patent application deemed withdrawn after publication |