CN108896547A - 基于机器视觉的耐火砖测量系统 - Google Patents

基于机器视觉的耐火砖测量系统 Download PDF

Info

Publication number
CN108896547A
CN108896547A CN201810213836.8A CN201810213836A CN108896547A CN 108896547 A CN108896547 A CN 108896547A CN 201810213836 A CN201810213836 A CN 201810213836A CN 108896547 A CN108896547 A CN 108896547A
Authority
CN
China
Prior art keywords
refractory brick
image
plane
point cloud
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.)
Withdrawn
Application number
CN201810213836.8A
Other languages
English (en)
Inventor
曹衍龙
张远松
杨将新
王敬
孙安顺
董献瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Industrial Technology Research Institute of ZJU
Original Assignee
Shandong Industrial Technology Research Institute of ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Industrial Technology Research Institute of ZJU filed Critical Shandong Industrial Technology Research Institute of ZJU
Publication of CN108896547A publication Critical patent/CN108896547A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General 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)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于机器视觉的耐火砖测量系统，包括基于机器视觉的耐火砖测量装置和基于机器视觉的耐火砖测量方法。本发明提供了一种无需在受测端面涂色就能够检测耐火砖的外形几何尺寸，并且能获得耐火砖的表面划痕信息、深度缺陷信息以及表面倾斜角的基于机器视觉的耐火砖测量系统。

Description

基于机器视觉的耐火砖测量系统
技术领域
本发明涉及一种基于机器视觉的耐火测量系统。
技术背景
耐火砖是一种用耐火黏土或其他耐火原料烧制呈的定型耐火材 料，主要用于砌冶炼炉或钢水包，能耐1580℃-1770℃的高温。在 耐火砖的生产线上，产品下线装箱之前，长期以来都是依靠人工使 用卷尺手动测量，肉眼评判深度缺陷，如耐火砖的缺角、缺棱以及 麻面等。
而耐火砖生产过程中，粉尘烟雾较大，压机的振动噪音等对工人 的身心健康危害较大，而且很多缺陷都是工人依靠经验判断，受主 观影响较大，无法建立一个统一的评判标准。此外，大批量生产过 程中该工序不仅要消耗大量劳动成本，而且重复、单调的测量观察 工作极易引起人员疲劳，容易出现误判，若个别不良品混入整批成 品中，会给工厂带来严重经济损失，甚至严重影响钢铁的生产。因 此，整个耐火砖的生产过程极其需要一套自动化的在线检测装置。
发明内容
本发明的目的在于提供一种无需在受测端面涂色就能够检测耐 火砖的外形几何尺寸，并且能获得耐火砖的表面划痕信息、深度缺 陷信息以及表面倾斜角的基于机器视觉的耐火砖测量系统。
基于机器视觉的耐火砖测量装置，包括图像采集模块，控制模 块，图像处理模块和反馈模块，图像采集模块具有底座，底座上设 有承载三结构光激光传感器的导轨，步进电机通过联轴器带动三结 构光激光传感器移动，承载耐火砖的转台固定于底座，三结构光激 光传感器对准耐火砖的待测表面并扫描待测耐火砖的4个端面；控 制模块的输入端与图像采集模块连接，控制模块的输出端分别与图 像处理模块和反馈模块连接，反馈模块包括行程开关，和执行剔除 筛选操作的机械手；
图像采集模块采集耐火砖图像信息，图像处理模块获取耐火砖 图像信息，并对耐火砖图像信息进行分析，控制模块获得分析结果， 控制模块将分析结果反馈至反馈模块。
基于机器视觉的耐火砖测量方法，包含以下步骤：
步骤1、控制器是转台转动到耐火砖的待测量表面正对三结构 光激光传感器的位置，使导轨平动，三结构光激光传感器扫描耐火 砖的待测量表面，以获取灰度信息和高度信息融合的原始耐火砖彩 色图像；
步骤2、对原始耐火砖彩色图像滤波降噪，获得降噪后图像；
步骤3、在降噪后图像中，分割出耐火砖区域，获得耐火砖图 像；
步骤4、对耐火砖图像进行形态学处理，使耐火砖图像边缘平 滑过渡，并去除耐火砖图像边缘处的孤立点噪声，获得修正后耐火 砖图像；
步骤5、用Canny算子对修正后耐火砖图像进行边缘检测；
步骤6、对耐火砖的边缘检测得到的离散点进行Hough变换方法 和K均值方法拟合分析，计算出耐火砖的实际尺寸；
步骤7、由步骤3得到的耐火砖图像，使用最小二乘法对耐火砖 图像点云进行平面拟合获得零平面，使耐火砖图像的点云与零平面 的点云进行查分获得倾斜校正后点云数据图；
步骤8、对倾斜校正后点云的高度直方图进行滤波分割，得到设 定深度的点云信息，根据两遍扫描法对设定深度的点云信息进行连 通区域标记，计算每个深度下的连通区域面积，获得缺陷数据，缺 陷数据上传数据库并在显示屏上显示；
步骤9、根据步骤7得到的倾斜校正后云数据图拟合耐火砖的表 面，获得耐火砖表面的法向量，计算耐火砖表面的倾斜角，以判定 耐火砖的平面度是否符合要求，若倾斜角小于给定阈值，则平面度 合格，合格将倾斜角上传数据库并在显示屏上显示；
步骤10、使转台转动到耐火砖的下一检测面，重复执行步骤1-9。
进一步，步骤2中采用双边滤波降噪，双边滤波的计算公式为：
其中，k用来对结果进行单位化，c即为基于空间距离的高斯权 重，s为基于像素间相似程度的高斯权重，f(ε)为当前像素。
进一步，步骤3中使用灰度化和Ostu二值化分割出耐火砖区域， 包括以下步骤：
步骤3-1：将耐火砖彩色图像中的RGB三分量亮度求平均得到 灰度值f(x,y)，根据灰度值得到耐 火砖灰度直方图，其中，R(x，y)为红通道分量，G(x，y)为绿通道分 量，B(x，y)为蓝通道分量；
步骤3-2：根据耐火砖灰度直方图，将耐火砖灰度直方图的灰 度间隔分为三类，根据公式寻找最佳阈 值，其中，为类间方差，k1,k2为预设的阈值，为最佳阈值；
步骤3-3：根据最佳阈值将耐火砖灰度图进行分割，获得耐火 砖区域灰度图像。
进一步，步骤4中对耐火砖图像进行开运算，去除孤立点噪声； 进行闭运算平滑边界。
进一步，步骤5中边缘检测的方法包含以下步骤：
步骤5-1：用高斯平滑函数对修正后耐火砖图像滤波，令修正后 耐火砖图像为f(x,y)，高斯函数为G(x,y)，平滑后的图像为fs(x,y)， 则fs(x,y)＝G(x,y)*f(x,y)；
步骤5-2：计算梯度幅值图像M和角度幅值图像θ， 其中，Gx表示水平方向的梯度幅值分量，Gy表示垂直 方向的梯度幅值分量；
步骤5-3：对梯度幅值图像M进行非极大值抑制：在梯度方向， 在每一点上，领域的中心像素f(x,y)与沿着梯度线的两个相邻像素相 比，若f(x,y)的梯度值小于或等于沿梯度线的两个相邻像素的梯度 值，则令f(x,y)＝0；
步骤5-4：用双阈值检测并连接边缘，以高阈值图像为基础，以 低阈值图像为补充来连接图像的边缘。
进一步，步骤7中，零平面的获取方法包括：
步骤7-1：求解耐火砖上表面点云图像的几何中心位置，根据所 求解的平面中心位置获取平面校正区域中心，然后对该区域使用最 小二乘法进行平面拟合，拟合方法为：
对于一幅2D连续图像f(x,y)(≥0)，p+q阶矩mpq定义为：
其中，p，q是非负的整数，对于离散化数字图像，上式为：
其中，(r0,c0)为质心坐标，且
一阶平面近似方法通过以下公式来描述：
Image(r,c)＝α(r-r0)+β(c-c0)+γ (4-13)
其中，r0和c0即为待拟合区域的横纵坐标，γ为待拟合区域的平 均灰度，F为整个平面的面积，MRow是沿着行方向的灰度矩， MCol是沿着列方向的灰度矩，则有：
MRow＝sum((r-r0)*(Image(r,c)-γ))/F2 (4-14)
MCol＝sum((c-r0)*(Image(r,c)-γ))/F2 (4-15)
其中，α,β,γ分别为零平面的拟合参数；
步骤7-2：获取原始耐火砖图像的尺寸参数，根据原始耐火砖图 像尺寸参数和零平面，生成对应的基准平面图像(虚拟平面图像)；
步骤7-3：对原始耐火砖图像与基准图像平面进行作差，获得倾 斜校正后的点云数据图。
进一步，步骤9中倾斜角的求解过程为：
步骤9-1、在拟合平面上确定不共线的三个点，分别为 (x1,y1,z1),(x2,y2,z2),(x3,y3,z3)，生成两个向量
步骤9-2、两个向量求叉集得到法向量
步骤9-3、根据法向量求解耐火砖上表面二面角，获得表面倾 斜角θ，
其中
进一步，步骤7-2中，基准平面图像的生成方法是：根据拟合 参数α,β,γ，结合原始耐火砖点云图Image(r,c)的尺寸信息，生成基 准平面图像Image(r,c)0。
进一步，步骤7-3中，对原始耐火砖点云图Image(r,c)和基准平 面图像Image(r,c)0进行作差，获取倾斜校正后的点云数据图 Image'(r,c)，
Image'(r,c)＝Image(r,c)-Image(r,c)0。
本发明的优点在于：
1、本文可以辅助工人进行耐火砖的质量检测，提高检测效率并 且保证产品的出厂质量，进而提高企业的整体的生产效率，降低企 业的制造成本，同时了保护了工人的身体健康。
2、使用线结构光的3D传感器，对耐火砖的待测面进行扫描， 获取其表面的灰度数据和高度数据，经过分析不但可以计算出其外 形几何尺寸，而且还能获得深度缺陷信息。
3、该测量系统是上位机系统，与Sql Server数据库进行连接， 可以将测量信息上传至企业管理数据库，对企业的生产具有进一步 的指导意义。
4、本系统在对耐火砖的外形几何尺寸和深度信息进行测量时， 是使用线结构光照射在耐火砖表面，不需要对耐火砖进行涂色处理， 提高了企业的生产效率，缩短了生产周期。
5、由于本测量系统使用的是三维测量，不会产生二维视觉测量 的失焦模糊问题，因此也不需要使用夹持机构，简化了机械结构。 另外一方面，该系统与PLC进行通信，机械手剔除不合格的耐火砖， 实现生产流程的高程度自动化。
6、由于人工在判别耐火砖缺陷的时候，经常出现误判，漏判等 情况，本测量系统能够对缺陷通过提取连通域的方法进行量化，大 大减少了误判和漏判的概率。
附图说明
图1是图像采集模块的示意图。
图2是耐火砖测量装置的示意图。
图3是耐火砖测量系统的简单流程图。
图4是将耐火砖从背景中分割出来形成耐火砖灰度图像。
图5为耐火砖外形尺寸。
图6是耐火砖连通区域标记图。
图7是耐火砖划痕提取结果图。
图8是倾斜校正后的示意图。
图9是深度缺陷测量得到的示意图。
图10是本发明的详细流程图。
图中标识：图像采集模块1，控制模块2，图像处理模块3，反 馈模块4，底座11，三结构光激光传感器12，导轨13，转台14， 步进电机15，联轴器16，机械手41。
具体实施方式
实施例1
如图1-3所示，基于机器视觉的耐火砖测量装置，包括图像采 集模块1，控制模块2，图像处理模块3和反馈模块4，图像采集模 块1具有底座11，底座11上设有承载三结构光激光传感器12的导 轨13，步进电机15通过联轴器16带动三结构光激光传感器12移 动，承载耐火砖的转台14固定于底座11，三结构光激光传感器12 对准耐火砖的待测表面并扫描待测耐火砖的4个端面；控制模块2 的输入端与图像采集模块1连接，控制模块2的输出端分别与图像 处理模块3和反馈模块4连接，反馈模块4包括行程开关，和执行 剔除筛选操作的机械手41；图像采集模块1采集耐火砖图像信息， 图像处理模块3获取耐火砖图像信息，并对耐火砖图像信息进行分 析，控制模块2获得分析结果，控制模块2将分析结果反馈至反馈模块4。
如图1-10所示基于机器视觉的耐火砖测量方法，包含以下步 骤：
步骤1、控制器是转台14转动到耐火砖的待测量表面对准对三 结构光激光传感器12的位置，使导轨13平动，三结构光激光传感 器12扫描耐火砖的待测量表面，以获取灰度信息和高度信息融合的 原始耐火砖彩色图像；
步骤2、对原始耐火砖彩色图像滤波降噪，获得降噪后图像；
步骤3、在降噪后图像中，分割出耐火砖区域，获得耐火砖图 像，如图4所示；
步骤4、对耐火砖图像进行形态学处理，使耐火砖图像边缘平 滑过渡，并去除耐火砖图像边缘处的孤立点噪声，获得修正后耐火 砖图像；
步骤5、用Canny算子对修正后耐火砖图像进行边缘检测；
步骤6、对耐火砖的边缘检测得到的离散点进行Hough变换方法 和K均值方法拟合分析，计算出耐火砖的实际尺寸，如图5所示；
步骤7、由步骤3得到的耐火砖图像，使用最小二乘法对耐火砖 图像点云进行平面拟合获得零平面，使耐火砖图像的点云与零平面 的点云进行查分获得倾斜校正后点云数据图，如图8所示，；
步骤8、对倾斜校正后点云的高度直方图进行滤波分割，得到设 定深度的点云信息，根据两遍扫描法对设定深度的点云信息进行连 通区域标记，计算每个深度下的连通区域面积，获得缺陷数据，如 图9所示，缺陷数据上传数据库并在显示屏上显示；
步骤9、根据步骤7得到的倾斜校正后云数据图拟合耐火砖的表 面，获得耐火砖表面的法向量，计算耐火砖表面的倾斜角，以判定 耐火砖的平面度是否符合要求，若倾斜角小于给定阈值，则平面度 合格，合格将倾斜角上传数据库并在显示屏上显示；
步骤10、使转台转动到耐火砖的下一检测面，重复执行步骤1-9。
步骤2中采用双边滤波降噪，双边滤波的计算公式为：
其中，k用来对结果进行单位化，c为基于空间距离的高斯权重， s为基于像素间相似程度的高斯权重，f(ε)为当前像素。
步骤3中使用灰度化和Ostu二值化分割出耐火砖区域，包括以 下步骤：
步骤3-1：将耐火砖彩色图像中的RGB三分量亮度求平均得到 灰度值f(x,y)，根据灰度值得到耐 火砖灰度直方图，其中，R(x，y)为红通道分量，G(x，y)为绿通道分 量，B(x，y)为蓝通道分量；
步骤3-2：根据耐火砖灰度直方图，获取最佳阈值的方法包括：
令{0,1,2,…,L-1}表示一幅大小为MN像素的数字图像中的L个 不同的灰度级，ni表示灰度级为i的像素数。图像中的像素总数MN 为MN＝n0+n1+n2+…+nL-1，pi＝ni/MN,i＝0,1,2,...,L-1，根据耐火材料的 灰度直方图，其灰度间隔可以分为三类(这三个类由两个阈值分隔)， 类间方差由下式给出：
令P1，P2，P3为三个
式中，
且有以下关系成立：
P1m1+P2m2+P3m3＝mG
P1+P2+P3＝1
此时，使用下式寻找最佳阈值：
其中，pi为某一灰度概率，m1表示一类的平均灰度，mG表示整 个图像的平均灰度，为类间方差，k1,k2为预设的阈值，为 最佳阈值；
步骤3-3：根据最佳阈值将耐火砖灰度图进行分割，获得耐火 砖区域灰度图像。
步骤4中对耐火砖图像进行开运算，去除孤立点噪声；进行闭运 算平滑边界。
步骤5中边缘检测的方法包含以下步骤：
步骤5-1：用高斯平滑函数对修正后耐火砖图像滤波，令修正后 耐火砖图像为f(x,y)，高斯函数为G(x,y)，平滑后的图像为fs(x,y)， 则fs(x,y)＝G(x,y)*f(x,y)；
步骤5-2：计算梯度幅值图像M和角度幅值图像θ， 其中，Gx表示水平方向的梯度幅值分量，Gy表示垂直 方向的梯度幅值分量；
步骤5-3：对梯度幅值图像M进行非极大值抑制：在梯度方向， 在每一点上，领域的中心像素f(x,y)与沿着梯度线的两个相邻像素相 比，若f(x,y)的梯度值小于或等于沿梯度线的两个相邻像素的梯度 值，则令f(x,y)＝0；
步骤5-4：用双阈值检测并连接边缘，以高阈值图像为基础，以 低阈值图像为补充来连接图像的边缘。
步骤7中，零平面的获取方法包括：
步骤7-1：求解耐火砖上表面点云图像的几何中心位置，根据所 求解的平面中心位置获取平面校正区域中心，然后对该区域使用最 小二乘法进行平面拟合，拟合方法为：
对于一幅2D连续图像f(x,y)(≥0)，p+q阶矩mpq定义为：
其中，p，q是非负的整数，对于离散化数字图像，上式为：
其中，(r0,c0)为质心坐标，且
一阶平面近似方法通过以下公式来描述：
Image(r,c)＝α(r-r0)+β(c-c0)+γ (4-13)
其中，r0和c0即为待拟合区域的横纵坐标，γ为待拟合区域的平 均灰度，F为整个平面的面积，MRow是沿着行方向的灰度矩， MCol是沿着列方向的灰度矩，则有：
MRow＝sum((r-r0)*(Image(r,c)-γ))/F2 (4-14)
MCol＝sum((c-r0)*(Image(r,c)-γ))/F2 (4-15)
其中，α,β,γ分别为零平面的拟合参数。
步骤7-2：获取原始耐火砖图像的尺寸参数，根据原始耐火砖图 像尺寸参数和零平面，生成对应的基准平面图像(虚拟平面图像)；
步骤7-3：对原始耐火砖图像与基准图像平面进行作差，获得倾 斜校正后的点云数据图。
步骤9中倾斜角的求解过程为：
步骤9-1、在拟合平面上确定不共线的三个点，分别为 (x1,y1,z1),(x2,y2,z2),(x3,y3,z3)，生成两个向量
步骤9-2、两个向量求叉集得到法向量
步骤9-3、根据法向量获得表面倾斜角θ，
其中
步骤7-2中，基准平面图像的生成方法是：根据拟合参数α,β,γ， 结合原始耐火砖点云图Image(r,c)的尺寸信息，生成基准平面图像 Image(r,c)0。
步骤7-3中，对原始耐火砖点云图Image(r,c)和基准平面图像 Image(r,c)0进行作差，获取倾斜校正后的点云数据图Image'(r,c)，
Image'(r,c)＝Image(r,c)-Image(r,c)0。
步骤10：等待PLC信号，进行下一面的扫描测量，然后按照步 骤2-9处理数据。
步骤11：当4面测试分析完毕时，判定合格品与否，由测量系 统图像处理模块发送信号至控制模块，指导机械手执行下一步剔除 筛选动作。
实施例2
一种耐火砖几何尺寸测量方法，包括以下步骤：
步骤1：对原始耐火砖彩色图像滤波降噪，获得降噪后图像；
步骤2：在降噪后图像中，分割出耐火砖区域，获得耐火砖图 像；
步骤3：对耐火砖图像进行形态学处理，使耐火砖图像边缘平 滑过渡，并去除耐火砖图像边缘处的孤立点噪声，获得修正后耐火 砖图像；
步骤4：用Canny算子对修正后耐火砖图像进行边缘检测；
步骤5：使用Hough变换方法和K均值方法提取耐火砖外形直 线，形成耐火砖的外轮廓，包括以下步骤：
步骤5-1：考虑xy平面上的一个点(x,y)和斜截式表达式为 y＝ax+b的一条直线。使用极坐标系来表示直线，则有：
x cosθ+y sinθ＝ρ (3-23)
霍夫变换可将ρθ参数空间划分为所谓的累加单元，其中 (ρmin,ρmax)和(θmin,θmax)是所期望的参数范围，-90°≤θ≤90°和 -D≤ρ≤D，其中D是图像对角的最大距离。位于坐标(i,j)处的单元 具有累加值A(i,j)，它对应于与参数空间坐标(ρi,θj)相关联的正方 形。最初，将这些单元初始化为0。然后，对于xy平面中的每个非 背景点(xk,yk)，令θ等于θ轴上每个允许的细分值，同时使用方程 ρ＝xkcosθ+yksinθ解除对应的ρ。对ρ进行四舍五入，得到沿轴的最 接近的允许单元值。若选择一个θp值得到的解ρq，则令 A(p,q)＝A(p,q)+1。此过程结束后，A(i,j)中的值P将意味着xy平面 中有P个点位于直线x cosθj+y sinθj＝ρj上。ρθ平面中的细分数量决 定了这些点的共线性的精度。
步骤5-2：给定样本集D＝{x1,x2,…,xm}，k均值方法针对聚类所 得簇C＝{C1,C2,…,CK}划分最小化平方误差
其中，k为聚类簇数；Ci为簇；是簇Ci的均值向 量，1≤i≤k；E为间隔距离。在一定程度上簇内样本围绕簇均值向 量的紧密程度，E值越小，则簇内样本相似度越高。
步骤5-3：结合Hough变换方法和K均值方法，从多组交点随 机选取交点定义为聚类中心，将同一条边作为一个种类提取一条直 线出来,直至提取耐火砖的四条边，四条边即为耐火砖的外形尺寸， 如图9所示。
步骤6：求取耐火砖外形直线交点，两点之间距离为耐火砖的 外形几何尺寸。
步骤1中采用双边滤波降噪，双边滤波的计算公式为：
其中，k用来对结果进行单位化，c为基于空间距离的高斯权重， s为基于像素间相似程度的高斯权重，f(ε)为当前像素。
步骤2中使用灰度化和Ostu二值化分割出耐火砖区域，包括以下 步骤：
步骤2-1：将耐火砖彩色图像中的RGB三分量亮度求平均得到 灰度值f(x,y)，根据灰度值得到耐 火砖灰度直方图，其中，R(x，y)为红通道分量，G(x，y)为绿通道分 量，B(x，y)为蓝通道分量；
步骤2-2：根据耐火砖灰度直方图，将耐火砖灰度直方图的灰 度间隔分为三类，由2个阈值分隔，根据类间方差获取最佳阈值：
式中，
且有以下关系成立：
P1m1+P2m2+P3m3＝mG (3-10)
P1+P2+P3＝1 (3-11)
其中，为类间方差，k1,k2为预设的阈值，为最佳阈值。
步骤2-3：根据最佳阈值对耐火砖灰度图进行分割，获得耐火 砖图像。
步骤3中，形态学处理包括对耐火砖图像进行开运算和闭运算， 进行开运算去除孤立点噪声；进行闭运算使耐火砖图像边界平滑， 步骤4中边缘检测的方法包含以下步骤：
步骤4-1：用高斯平滑函数对修正后耐火砖图像滤波，令修正后 耐火砖图像为f(x,y)，高斯函数为G(x,y)，平滑后的图像为fs(x,y)， 则fs(x,y)＝G(x,y)*f(x,y)；
步骤4-2：计算梯度幅值图像M和角度幅值图像θ， 其中，Gx表示水平方向的梯度幅值分量，Gy表示垂直 方向的梯度幅值分量；
步骤4-3：对梯度幅值图像M进行非极大值抑制：在梯度方向， 在每一点上，领域的中心像素f(x,y)与沿着梯度线的两个像素相比， 若f(x,y)的梯度值小于或等于沿梯度线的两个相邻像素的梯度值，则 令f(x,y)＝0；
步骤4-4：用双阈值处理和连接分析来检测并连接边缘：以高阈 值图像为基础，以低阈值图像为补充来连接图像的边缘。
实施例3
本实施例是在对耐火砖图像进行阈值分割的基础上进行耐火 砖表面倾斜角测量，耐火砖图像的获取、滤波降噪处理以及分割出 耐火砖区域与实施例2相同。
基于频率域滤波增强的耐火砖表面划痕识别方法，包括以下步 骤：
步骤1：对通过传感器采集得到的原始耐火砖彩色图像进行滤 波降噪，获得降噪后图像；在降噪后图像中，分割出耐火砖区域， 获得耐火砖灰度图像，如图4所示；
步骤2：，将耐火砖灰度图像转化为耐火砖彩色图像，对耐火砖 彩色图像进行通道分解，分离出R、G、B三个通道的图像，获得 缺陷通道图像；
步骤3：对缺陷通道图像进行二维离散傅里叶变换，获得缺陷 通道图像的频率域图像；使用正弦形状的带通滤波器对频率域图像 进行卷积操作，获得频率域图像滤波后的图像；对滤波后的耐火砖 图像进行傅里叶逆变换，获得逆变换后的耐火砖图像；对逆变换后 的耐火砖图像进行阈值处理和形态学处理，获得耐火砖阈值图像；
步骤4：对耐火砖阈值图像采用两遍扫描法，标记出耐火砖阈 值图像中存在的所有连通区域，如图6所示，；根据不同连通区域的 特征进行判断和筛选，从而识别划痕区域，如图7所示。连通区域 是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。
步骤1中采用双边滤波降噪，双边滤波的计算公式为：
其中，k用来对结果进行单位化，c为基于空间距离的高斯权重， s为基于像素间相似程度的高斯权重，f(ε)为当前像素。
步骤1中使用灰度化和Ostu(大津算法)二值化分割出耐火砖 区域，包括以下步骤：
步骤1-1：将耐火砖彩色图像中的RGB三分量亮度求平均得到 灰度值f(x,y)，根据灰度值得到耐 火砖灰度直方图，其中，R(x，y)为红通道分量，G(x，y)为绿通道分 量，B(x，y)为蓝通道分量；
步骤1-2：根据耐火砖灰度直方图，将耐火砖灰度直方图的灰 度间隔分为三类，根据类间方差获取最佳阈值：
式中，
且有以下关系成立：
P1m1+P2m2+P3m3＝mG (3-10)
P1+P2+P3＝1 (3-11)
获取最佳阈值：
其中，为类间方差，k1,k2为预设的阈值，为最佳阈值；
步骤1-3：根据最佳阈值对耐火砖灰度图进行分割，获得耐火 砖区域图像。
步骤2中，根据下式对耐火砖彩色图像进行通道分解 f(x,y)＝0.3f(x,y,R)+0.59f(x,y,G)+0.11f(x,y,B)；
步骤3中，二维离散傅里叶变换表达式如下：
其中，f(x,y)是大小为M×N的数字图像，F(u,v)为频率域结果， x,y均为空间域变量，u,v均为频率域变量， x＝0,1,2,…,M-1,y＝0,1,2,…,N-1，u＝0,1,2,…,M-1,v＝0,1,2,…,N-1。
步骤3中，使用函数h(x,y)对频域率图像f(x,y)进行卷积操作， 表达式为：
其中，x＝0,1,2,…,M-1,y＝0,1,2,…,N-1；
步骤3中，二维离散傅里叶逆变换表达式如下：
其中，f(x,y)是大小为M×N的数字图像，F(u,v)为频率域结果， x,y均为空间域变量，u,v均为频率域变量， x＝0,1,2,…,M-1,y＝0,1,2,…,N-1，u＝0,1,2,…,M-1,v＝0,1,2,…,N-1。
步骤4中，根据两遍扫描法获取连通区域，包括以下步骤：
步骤4-1：对耐火砖阈值图像进行第一遍扫描，赋予每个像素 位置一个标签，扫描过程中同一个连通区域内的像素集合被赋予一 个或多个不同标签，合并属于同一个连通区域但具有不同值的标签；
步骤4-2：对耐火砖阈值图像进行第二遍扫描，将具有相等关 系的相同标签所标记的像素归为一个连通区域并赋予一个相同的标 签。
实施例4
本实施例是在对耐火砖图像进行阈值分割的基础上进行耐火 砖表面倾斜角测量，耐火砖图像的获取、滤波降噪处理以及分割出 耐火砖区域与实施例2相同。
基于高度直方图分割的耐火砖深度缺陷的识别方法，包括以下 步骤：
步骤1、对通过传感器采集得到的原始耐火砖彩色图像进行滤 波降噪，获得降噪后图像；在降噪后图像中，分割出耐火砖区域， 获得耐火砖灰度图像，如图4所示；
步骤2、使用最小二乘法对耐火砖图像点云进行平面拟合获得零 平面，并获取原始耐火砖图像的尺寸参数(高度和宽度)，根据原始 耐火砖图像的尺寸参数和零平面，生成对应的基准平面图像；
步骤3、对原始耐火砖图像与基准平面图像进行作差，获得倾斜 校正后的点云数据图，如图8所示；
步骤4、对倾斜校正后的点云的高度直方图进行滤波分割，得到 设定深度的点云信息，根据两遍扫描法对设定深度的点云信息进行 连通区域标记，计算每个深度下的连通区域面积，获得缺陷数据， 如图9所示。连通区域是指图像中具有相同像素值且位置相邻的前 景像素点组成的图像区域。
步骤1中采用双边滤波降噪，双边滤波的计算公式为：
其中，k用来对结果进行单位化，c为基于空间距离的高斯权重， s为基于像素间相似程度的高斯权重，f(ε)为当前像素。
步骤1中使用灰度化和Ostu二值化分割出耐火砖区域，包括以 下步骤：
步骤1-1：将耐火砖彩色图像中的RGB三分量亮度求平均得到 灰度值f(x,y)，根据灰度值得到耐 火砖灰度直方图，如图5所示，其中，R(x，y)为红通道分量，G(x，y) 为绿通道分量，B(x，y)为蓝通道分量；
步骤1-2：根据耐火砖灰度直方图，将耐火砖灰度直方图的灰度 间隔分为三类，根据公式寻找最佳阈值， 其中，为类间方差，k1,k2为预设的阈值，为最佳阈值；
步骤1-3：根据最佳阈值将耐火砖灰度图进行分割，获得耐火砖 区域灰度图像。
步骤2中，获取零平面的拟合参数α,β,γ：
对于一幅2D连续图像f(x,y)(≥0)，p+q阶矩mpq定义为：
其中，p，q是非负的整数，对于离散化数字图像，上式为：
其中，(r0,c0)为质心坐标，且
一阶平面近似方法通过以下公式来描述：
Image(r,c)＝α(r-r0)+β(c-c0)+γ (4-13)
其中，r0为待拟合区域的横坐标，c0为待拟合区域的纵坐标，γ 为待拟合区域的平均灰度，F为整个平面的面积，MRow是沿着行 方向的灰度矩，MCol是沿着列方向的灰度矩，则有：
MRow＝sum((r-r0)*(Image(r,c)-γ))/F2 (4-14)
MCol＝sum((c-r0)*(Image(r,c)-γ))/F2 (4-15)
步骤2中，基准平面图像的生成方法是：根据拟合参数α,β,γ， 结合原始耐火砖点云图Image(r,c)的尺寸信息，生成基准平面图像 Image(r,c)0。
步骤2中，对原始耐火砖点云图Image(r,c)和基准平面图像 Image(r,c)0进行作差，获取倾斜校正后的点云数据图Image'(r,c)，
Image'(r,c)＝Image(r,c)-Image(r,c)0。
步骤4中，采用高度带通滤波器对倾斜校正后的点云高度直方 图进行滤波分割。
步骤4中，根据两遍扫描法获取连通区域，包括以下步骤：
步骤4-1：对设定深度的点云信息进行第一遍扫描，赋予每个 像素位置一个标签，扫描过程中同一个连通区域内的像素集合被赋 予一个或多个不同标签，合并属于同一个连通区域但具有不同值的 标签；
步骤4-2：对固定深度的点云信息进行第二遍扫描，将具有相 等关系的相同标签所标记的像素归为一个连通区域并赋予一个相同 的标签。
实施例5
本实施例是在对耐火砖图像进行阈值分割的基础上进行耐火 砖表面倾斜角测量，耐火砖图像的获取、滤波降噪处理以及分割出 耐火砖区域与实施例2相同。
基于拟合平面法向量的耐火砖表面倾斜角的测量方法，包括以 下步骤：
步骤1、对通过传感器采集得到的原始耐火砖彩色图像进行滤 波降噪，获得降噪后图像；在降噪后图像中，分割出耐火砖区域， 获得耐火砖灰度图像，如图4所示；
步骤2、将耐火砖灰度图像转化为耐火砖彩色图像，使用一阶 平面方法对耐火砖彩色图像上表面区域进行近似拟合，获得拟合平 面；
步骤3、在拟合平面上确定不共线的三个点，分别为 (x1,y1,z1),(x2,y2,z2),(x3,y3,z3)，生成两个向量
步骤4：两个向量求叉集得到法向量
步骤5：根据法向量获得表面倾斜角θ，
步骤1中采用双边滤波降噪，双边滤波的计算公式为：
其中，k用来对结果进行单位化，c即为基于空间距离的高斯权 重，s为基于像素间相似程度的高斯权重，f(ε)为当前像素。
步骤1中使用灰度化和Ostu二值化分割出耐火砖区域，包括以 下步骤：
步骤1-1：将耐火砖彩色图像中的RGB三分量亮度求平均得到 灰度值f(x,y)，根据灰度值得到耐 火砖灰度直方图，其中，R(x，y)为红通道分量，G(x，y)为绿通道分 量，B(x，y)为蓝通道分量；
步骤1-2：根据耐火砖灰度直方图，将耐火砖灰度直方图的灰度 间隔分为三类，由两个阈值分隔，根据公式获取最佳阈值，其中，为类间方差，k1,k2为预设的阈值，为 最佳阈值；
步骤1-3：根据最佳阈值将耐火砖灰度图进行分割，获得耐火 砖区域图像。
步骤2中，获取拟合平面的方法为：
对于一幅2D连续图像f(x,y)(≥0)，p+q阶矩mpq定义为：
其中，p，q是非负的整数，对于离散化数字图像，上式为：
其中，(r0,c0)为质心坐标，且
一阶平面近似方法通过以下公式来描述：
Image(r,c)＝α(r-r0)+β(c-c0)+γ (4-13)
其中，r0为待拟合区域的横坐标，c0为待拟合区域的横坐标，γ 为待拟合区域的平均灰度，F为整个平面的面积，MRow是沿着行 方向的灰度矩，MCol是沿着列方向的灰度矩，则有：
MRow＝sum((r-r0)*(Image(r,c)-γ))/F2 (4-14)
MCol＝sum((c-r0)*(Image(r,c)-γ))/F2 (4-15)
其中，α,β,γ为拟合平面的拟合参数。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列 举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形 式，本发明的保护范围也及于本领域技术人员根据本发明构思所能 够想到的等同技术手段。

Claims (10)

1.基于机器视觉的耐火砖测量装置，其特征在于，包括图像采集模块，控制模块，图像处理模块和反馈模块，图像采集模块具有底座，底座上设有承载三结构光激光传感器的导轨，步进电机通过联轴器带动三结构光激光传感器移动，承载耐火砖的转台固定于底座，三结构光激光传感器对准耐火砖的待测表面并扫描待测耐火砖的4个端面；控制模块的输入端与图像采集模块连接，控制模块的输出端分别与图像处理模块和反馈模块连接，反馈模块包括行程开关，和执行剔除筛选操作的机械手；
图像采集模块采集耐火砖图像信息，图像处理模块获取耐火砖图像信息，并对耐火砖图像信息进行分析，控制模块获得分析结果，控制模块将分析结果反馈至反馈模块。
2.基于机器视觉的耐火砖测量方法，其特征在于，包含以下步骤：
步骤1、控制器是转台转动到耐火砖的待测量表面正对三结构光激光传感器的位置，使导轨平动，三结构光激光传感器扫描耐火砖的待测量表面，以获取灰度信息和高度信息融合的原始耐火砖彩色图像；
步骤2、对原始耐火砖彩色图像滤波降噪，获得降噪后图像；
步骤3、在降噪后图像中，分割出耐火砖区域，获得耐火砖图像；
步骤4、对耐火砖图像进行形态学处理，使耐火砖图像边缘平滑过渡，并去除耐火砖图像边缘处的孤立点噪声，获得修正后耐火砖图像；
步骤5、用Canny算子对修正后耐火砖图像进行边缘检测；
步骤6、对耐火砖的边缘检测得到的离散点进行Hough变换方法和K均值方法拟合分析，计算出耐火砖的实际尺寸；
步骤7、由步骤3得到的耐火砖图像，使用最小二乘法对耐火砖图像点云进行平面拟合获得零平面，使耐火砖图像的点云与零平面的点云进行查分获得倾斜校正后点云数据图；
步骤8、对倾斜校正后点云的高度直方图进行滤波分割，得到设定深度的点云信息，根据两遍扫描法对设定深度的点云信息进行连通区域标记，计算每个深度下的连通区域面积，获得缺陷数据，缺陷数据上传数据库并在显示屏上显示；
步骤9、根据步骤7得到的倾斜校正后云数据图拟合耐火砖的表面，获得耐火砖表面的法向量，计算耐火砖表面的倾斜角，以判定耐火砖的平面度是否符合要求，若倾斜角小于给定阈值，则平面度合格，合格将倾斜角上传数据库并在显示屏上显示；
步骤10、使转台转动到耐火砖的下一检测面，重复执行步骤1-9。
3.根据权利要求2所述的基于机器视觉的耐火砖测量方法，其特征在于，步骤2中采用双边滤波降噪，双边滤波的计算公式为：
其中，k用来对结果进行单位化，c即为基于空间距离的高斯权重，s为基于像素间相似程度的高斯权重，f(ε)为当前像素。
4.根据权利要求3所述的基于机器视觉的耐火砖测量方法，其特征在于，步骤3中使用灰度化和Ostu二值化分割出耐火砖区域，包括以下步骤：
步骤3-1：将耐火砖彩色图像中的RGB三分量亮度求平均得到灰度值f(x,y)，根据灰度值得到耐火砖灰度直方图，其中，R(x，y)为红通道分量，G(x，y)为绿通道分量，B(x，y)为蓝通道分量；
步骤3-2：根据耐火砖灰度直方图，将耐火砖灰度直方图的灰度间隔分为三类，根据公式寻找最佳阈值，其中，为类间方差，k1,k2为预设的阈值，为最佳阈值；
步骤3-3：根据最佳阈值将耐火砖灰度图进行分割，获得耐火砖区域灰度图像。
5.根据权利要求4所述的基于机器视觉的耐火砖测量方法，其特征在于，步骤4中对耐火砖图像进行开运算，去除孤立点噪声；进行闭运算平滑边界。
6.根据权利要求5所述的基于机器视觉的耐火砖测量方法，其特征在于，步骤5中边缘检测的方法包含以下步骤：
步骤5-1：用高斯平滑函数对修正后耐火砖图像滤波，令修正后耐火砖图像为f(x,y)，高斯函数为G(x,y)，平滑后的图像为fs(x,y)，则fs(x,y)＝G(x,y)*f(x,y)；
步骤5-2：计算梯度幅值图像M和角度幅值图像θ， 其中，Gx表示水平方向的梯度幅值分量，Gy表示垂直方向的梯度幅值分量；
步骤5-3：对梯度幅值图像M进行非极大值抑制，在梯度方向，在每一点上，领域的中心像素f(x,y)与沿着梯度线的两个相邻像素相比，若f(x,y)的梯度值小于或等于沿梯度线的两个相邻像素的梯度值，则令f(x,y)＝0；
步骤5-4：用双阈值检测并连接边缘，以高阈值图像为基础，以低阈值图像为补充来连接图像的边缘。
7.根据权利要求6所述的基于机器视觉的耐火砖测量方法，其特征在于，步骤7中，零平面的获取方法包括：
步骤7-1：求解耐火砖上表面点云图像的几何中心位置，根据所求解的平面中心位置获取平面校正区域中心，然后对该区域使用最小二乘法进行平面拟合，拟合方法为：
对于一幅2D连续图像f(x,y)(≥0)，p+q阶矩mpq定义为：
其中，p，q是非负的整数，对于离散化数字图像，上式为：
其中，(r0,c0)为质心坐标，且
一阶平面近似方法通过以下公式来描述：
Image(r,c)＝α(r-r0)+β(c-c0)+γ
其中，r0和c0即为待拟合区域的横纵坐标，γ为待拟合区域的平均灰度，F为整个平面的面积，MRow是沿着行方向的灰度矩，MCol是沿着列方向的灰度矩，则有：
MRow＝sum((r-r0)*(Image(r,c)-γ))/F2
MCol＝sum((c-r0)*(Image(r,c)-γ))/F2
其中，α,β,γ分别为零平面的拟合参数；
步骤7-2：获取原始耐火砖图像的尺寸参数，根据原始耐火砖图像尺寸参数和零平面，生成对应的基准平面图像；
步骤7-3：对原始耐火砖图像与基准图像平面进行作差，获得倾斜校正后的点云数据图。
8.根据权利要求7所述的基于机器视觉的耐火砖测量方法，其特征在于，步骤9中倾斜角的求解过程为：
步骤9-1、在拟合平面上确定不共线的三个点，分别为(x1,y1,z1),(x2,y2,z2),(x3,y3,z3)，生成两个向量
步骤9-2、两个向量求叉集得到法向量
步骤9-3、根据法向量求解耐火砖上表面二面角，获得表面倾斜角θ，
其中
9.根据权利要求7所述的基于机器视觉的耐火砖测量方法，其特征在于，步骤7-2中，基准平面图像的生成方法是：根据拟合参数α,β,γ，结合原始耐火砖点云图Image(r,c)的尺寸信息，生成基准平面图像Image(r,c)0。
10.根据权利要求9所述的基于机器视觉的耐火砖测量方法，其特征在于，步骤7-3中，对原始耐火砖点云图Image(r,c)和基准平面图像Image(r,c)0进行作差，获取倾斜校正后的点云数据图Image'(r,c)，Image'(r,c)＝Image(r,c)-Image(r,c)0。
CN201810213836.8A 2018-03-14 2018-03-15 基于机器视觉的耐火砖测量系统 Withdrawn CN108896547A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810208465 2018-03-14
CN2018102084654 2018-03-14

Publications (1)

Publication Number Publication Date
CN108896547A true CN108896547A (zh) 2018-11-27

Family

ID=64342275

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201810213836.8A Withdrawn CN108896547A (zh) 2018-03-14 2018-03-15 基于机器视觉的耐火砖测量系统
CN201910195093.0A Active CN110286124B (zh) 2018-03-14 2019-03-14 基于机器视觉的耐火砖测量系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201910195093.0A Active CN110286124B (zh) 2018-03-14 2019-03-14 基于机器视觉的耐火砖测量系统

Country Status (1)

Country Link
CN (2) CN108896547A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632869A (zh) * 2019-01-31 2019-04-16 武汉科技大学 基于机器视觉的耐火材料图像采集装置
CN110296997A (zh) * 2019-07-03 2019-10-01 三峡大学 基于机器视觉的陶瓷瓦的缺陷检测方法及装置
CN115615992A (zh) * 2022-08-25 2023-01-17 武汉纺织大学 一种耐火砖尺寸测量及缺陷检测方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111024004B (zh) * 2019-12-30 2021-03-30 芜湖哈特机器人产业技术研究院有限公司 一种电动剃须刀刀头网罩内侧平面度测量装置和方法
CN111288909B (zh) * 2020-03-25 2022-06-03 日立电梯电机（广州）有限公司 圆度检测装置及方法
CN111921185B (zh) * 2020-09-21 2021-04-13 鲁姆文化传媒（上海）有限公司 一种智能化乘骑游乐方法与系统
CN112326671A (zh) * 2020-11-05 2021-02-05 菲特（天津）检测技术有限公司 一种基于机器视觉的金属板材表面缺陷检测方法
CN112381867B (zh) * 2020-11-09 2023-09-05 华南理工大学 用于工业分拣流水线的大面积深度图像空洞自动填充方法
CN112505051A (zh) * 2020-11-27 2021-03-16 广州高新兴机器人有限公司 一种基于激光射线的高精准化纤飘丝质量检测方法
CN113063705B (zh) * 2021-03-22 2022-09-27 陕西科技大学 一种基于机器视觉的金刚线表面金刚砂颗粒质量检测方法
CN113610205B (zh) * 2021-07-15 2022-12-27 深圳宇晰科技有限公司 一种基于机器视觉的二维码生成方法、装置及存储介质
CN113781315B (zh) * 2021-07-21 2024-06-18 武汉市异方体科技有限公司 一种基于多视角的同源传感器数据融合滤波方法
CN114549483A (zh) * 2022-02-25 2022-05-27 山东科汇电力自动化股份有限公司 一种基于halcon单目视觉的耐火砖尺寸测量方法
CN115808126B (zh) * 2023-02-03 2023-05-30 杭州百子尖科技股份有限公司 一种基于机器视觉扫描数据的锂电极片涂布边界定位方法
CN117299583B (zh) * 2023-11-25 2024-05-03 东莞市欧宇精密科技有限公司 一种光学筛选机的控制方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007066628A1 (ja) * 2005-12-06 2007-06-14 Shibaura Mechatronics Corporation 外観検査装置
CN102590218B (zh) * 2012-01-16 2014-04-02 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
CN102854192B (zh) * 2012-08-22 2014-11-19 北京农业智能装备技术研究中心 一种基于苹果表面缺陷检测系统的苹果表面缺陷检测方法
CN204514271U (zh) * 2015-01-08 2015-07-29 华中科技大学 一种涡轮叶片视觉检测的系统
CN104851086B (zh) * 2015-04-17 2017-08-04 武汉恒兴通检测有限公司 一种针对缆索表面缺陷的图像检测方法
CN204535667U (zh) * 2015-04-27 2015-08-05 大连信维科技有限公司 基于机器视觉的耐火砖测量仪器
CN105091778B (zh) * 2015-04-28 2017-10-24 长春机械科学研究院有限公司 基于激光线结构光的异形导轨单面特征检测方法及装置
CN106872476A (zh) * 2017-03-31 2017-06-20 武汉理工大学 一种基于线结构光的铸造类工件表面质量检测方法与系统
CN107632022A (zh) * 2017-08-30 2018-01-26 武汉理工大学 一种基于数据处理的钢轨表面缺陷检测方法及装置
CN107742289A (zh) * 2017-10-15 2018-02-27 哈尔滨理工大学 一种基于机器视觉回转体工件检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632869A (zh) * 2019-01-31 2019-04-16 武汉科技大学 基于机器视觉的耐火材料图像采集装置
CN109632869B (zh) * 2019-01-31 2021-07-20 武汉科技大学 基于机器视觉的耐火材料图像采集装置
CN110296997A (zh) * 2019-07-03 2019-10-01 三峡大学 基于机器视觉的陶瓷瓦的缺陷检测方法及装置
CN115615992A (zh) * 2022-08-25 2023-01-17 武汉纺织大学 一种耐火砖尺寸测量及缺陷检测方法
CN115615992B (zh) * 2022-08-25 2024-05-03 武汉纺织大学 一种耐火砖尺寸测量及缺陷检测方法

Also Published As

Publication number Publication date
CN110286124B (zh) 2022-02-18
CN110286124A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN108896547A (zh) 基于机器视觉的耐火砖测量系统
CN108662977A (zh) 一种耐火砖几何尺寸测量方法
CN108596873A (zh) 基于高度直方图分割的耐火砖深度缺陷的识别方法
CN108550138A (zh) 基于频率域滤波增强的耐火砖表面划痕识别方法
CN108355987B (zh) 一种基于分块模板匹配的电池丝印质量检测方法
CN107358627B (zh) 基于Kinect相机的果实尺寸检测方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN109489591B (zh) 基于机器视觉的平面划痕长度非接触测量方法
CN107248159A (zh) 一种基于双目视觉的金属工件缺陷检测方法
CN109993099A (zh) 一种基于机器视觉的车道线提取识别方法
CN107392929B (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN109409290B (zh) 一种温度表检定读数自动识别系统及方法
CN107664644B (zh) 一种基于机器视觉的物件表观自动检测装置及方法
CN115311294B (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法
CN102441581A (zh) 基于机器视觉的型钢断面尺寸在线检测的装置及方法
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
CN110070526A (zh) 基于深度神经网络热度图预测的缺陷检测方法
CN104634791A (zh) 条形工件表面缺陷全方位视觉在线检测系统
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN113724231A (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
CN110096980A (zh) 字符检测识别系统
CN116990323A (zh) 一种高精密印刷版视觉检测系统
CN115620061A (zh) 一种基于图像识别技术的五金零件缺陷检测方法及系统
CN109622404B (zh) 一种基于机器视觉的微工件自动分拣系统及方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20181127

WW01 Invention patent application withdrawn after publication