CN109063738B - 一种压缩感知的陶瓷水阀片自动在线检测方法 - Google Patents

一种压缩感知的陶瓷水阀片自动在线检测方法 Download PDF

Info

Publication number
CN109063738B
CN109063738B CN201810719823.8A CN201810719823A CN109063738B CN 109063738 B CN109063738 B CN 109063738B CN 201810719823 A CN201810719823 A CN 201810719823A CN 109063738 B CN109063738 B CN 109063738B
Authority
CN
China
Prior art keywords
valve plate
water valve
ceramic water
image
defects
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
Application number
CN201810719823.8A
Other languages
English (en)
Other versions
CN109063738A (zh
Inventor
田秋红
包嘉欣
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.)
Hefei Wisdom Dragon Machinery Design Co ltd
Original Assignee
Zhejiang Sci Tech University ZSTU
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 Zhejiang Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN201810719823.8A priority Critical patent/CN109063738B/zh
Publication of CN109063738A publication Critical patent/CN109063738A/zh
Application granted granted Critical
Publication of CN109063738B publication Critical patent/CN109063738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种压缩感知的陶瓷水阀片自动在线检测方法。陶瓷水阀片在环形LED光源照射下通过面阵CCD相机采集获得陶瓷水阀片图像，对陶瓷水阀片图像进行预处理，然后提取获得特定特征值，然后将特定特征值输入到支持向量机SVM进行训练，然后用训练后的支持向量机SVM对被测陶瓷水阀片的图像进行两次检测。本发明具有较强的抗干扰能力，陶瓷水阀片缺陷检测的准确率为97％，成本低，易于实用化。

Description

一种压缩感知的陶瓷水阀片自动在线检测方法
技术领域
本发明涉及一种阀片产品实时在线图像检测方法，尤其是涉及一种压缩感知的陶瓷水阀片自动在线检测方法。
背景技术
陶瓷水阀片是水龙头冷热水切换的关键控制元件，其性能的优劣直接影响到水龙头的可靠性和使用寿命，对水量控制和节能用水起到关键作用。在不停机的情况下自动检测陶瓷水阀片缺陷和对其准确分类，以保证陶瓷水阀片零部件加工质量的提高。
目前，工业上物体形貌检测方法从检测方式上分为接触式和非接触式两种接触式测量方法通过品质检测人员使用塞规、游标卡尺或接触式传感器等普通量具来完成通过探头在物体表面滑动感知物体形貌的变化。这类表面质量测量系统，可以检测平缓曲面和平面的质量，如表面有无蚀坑等小缺陷。但以上这些设备检测精度高，价格昂贵，而要求测量表面的起伏范围极小，一般都是平缓变化的曲面或平面。同时这种探头接触式检测方法容易给被测对象带来二次伤害，造成新的缺陷。对于像螺纹牙这样凸兀的轮廓，虽然也可以用三坐标仪测量，但成本高、效率低，难以进行测量；非接触式检测利用CCD采集被测目标的图像，然后采用各种图像处理技术和模式识别技术进行被测目标的在线检测。而多数算法的精确性是以提高计算量为代价的，其处理时间成为实时在线检测的瓶颈；采用高分辨率的CCD虽然可提高图像测量的空间分辨率和测量精度，但却使得数据量和计算量成倍增加，难以满足陶瓷水阀片在线检测的实时性要求。
发明内容
针对工业陶瓷水阀片形貌自动在线检测等技术领域需要高精度的陶瓷水阀片缺陷检测和缺陷自动分类，本发明的目的在于提供了一种压缩感知的陶瓷水阀片自动在线检测方法，采用压缩感知技术快速缺陷判断方法和支持向量机SVM的缺陷自动分类方法相结合，实现陶瓷水阀片高速、高精度的自动在线检测。
本发明解决其技术问题所采用的技术方案是：
陶瓷水阀片在环形LED光源照射下通过面阵CCD相机采集获得陶瓷水阀片图像，数字图像处理系统对陶瓷水阀片图像进行预处理，然后提取获得特定特征值，然后将特定特征值输入到支持向量机SVM进行训练，然后用训练后的支持向量机SVM对被测陶瓷水阀片的图像进行两次检测。
具体来说是：计算提取陶瓷水阀片图像的稀疏系数向量h，将已知是否存在缺陷的样本陶瓷水阀片图像及其稀疏系数向量h输入到两分类支持向量机SVM进行训练，其中输入的还包括样本陶瓷水阀片图像是否存在缺陷的标签，训练后获得第一支持向量机SVM，用第一支持向量机SVM对未知是否存在缺陷的被测陶瓷水阀片图像进行是否有缺陷检测；
若不存在缺陷，则不进行后续步骤；
若存在缺陷，则计算提取陶瓷水阀片图像的稀疏系数向量h、Hu不变矩、主成分分析的Gabor纹理特征，将存在已知缺陷分类的样本陶瓷水阀片图像及其稀疏系数向量h、Hu不变矩、主成分分析的Gabor纹理特征共同输入到多分类支持向量机SVM进行训练，其中输入的还包括样本陶瓷水阀片图像已知缺陷分类的标签，训练后获得第二支持向量机SVM，用第二支持向量机SVM对已知存在缺陷但未知缺陷类型的被测陶瓷水阀片图像进行缺陷分类检测。
由此通过特殊的特征值和两个支持向量机SVM实现缺陷的自动分类识别，至此完成陶瓷水阀片缺陷的自动在线检测。
本发明针对陶瓷水阀片自动在线图像缺陷检测，特殊地采用两次支持向量机SVM分类检测方式，并在第一次检测中通过采用稀疏系数向量h进行是否有缺陷的分类，再在第二次检测中通过采用稀疏系数向量h加上Hu不变矩、主成分分析的Gabor纹理特征的共三种特殊特征值进行缺陷类型的分类，完成自动在线图像缺陷检测。这样相比现有技术能实现自动检测算法的实时性要求，提高了抗干扰能力，使得检测精度提高，具有操作简便和成本低的优势。
所述对陶瓷水阀片图像进行预处理，具体是对图像进行平滑和几何位置校正处理。
所述求解稀疏系数向量h是利用陶瓷水阀片标准件图像构建陶瓷水阀片图像的数据字典A求解获得，具体为：
采集陶瓷水阀片标准件图像，陶瓷水阀片标准件图像具体为已知是否存在缺陷的陶瓷水阀片图像(是在静止状态下拍摄获得)；
然后将一幅陶瓷水阀片图像构成的向量表示为一组基向量的线性组合，采用以下公式计算稀疏系数向量h：
y＝Ah
A＝[a1,a2,...,am...,aM]
式中：y表示陶瓷水阀片图像的基向量，A为由陶瓷水阀片标准件图像基向量组成的数据字典，am为第m幅陶瓷水阀片标准件图像的基向量，陶瓷水阀片标准件图像的基向量具体是由陶瓷水阀片标准件图像的各行像素值取均值构成的列向量。
在被测陶瓷水阀片图像检测有缺陷后，对含有缺陷的被测陶瓷水阀片图像进一步利用OSTU算法进行图像分割获取二值化图像，对含有缺陷的被测陶瓷水阀片图像的特征值进行提取和优化，具体是提取Hu不变矩并进行归一化处理，通过Gabor滤波器检测出尺度和方向均可变化的Gabor纹理特征来表征条纹、边缘，对Gabor纹理特征再进行特征归一化和主成分分析处理，从而在保证分类精度的同时使输入分类器中的特征值数据从高维空间降到低维空间，处理后的数据保存了缺陷的特征的主要信息，将大大降低分类计算的复杂度。
被测陶瓷水阀片在环形LED光源照射下，面阵CCD采集并保存被测陶瓷水阀片图像，数字图像处理系统对陶瓷水阀片图像进行预处理、稀疏系数向量h计算，将稀疏系数向量h输入到两分类支持向量机SVM进行图像缺陷检测。若存在缺陷，则提取陶瓷水阀片图像特征值，最后将被测陶瓷水阀片缺陷特征值和稀疏系数向量h输入到支持向量机SVM实现缺陷的自动分类识别，至此完成陶瓷水阀片缺陷的自动在线检测。
优选地所述的第二支持向量机SVM选用mlp核函数。
本发明具有的有益效果是：
(1)基于压缩感知的陶瓷水阀片自动在线检测方法，基于图像亮度差设计和构造数据字典A，使陶瓷水阀片图像数据从n维降维到d维时重要特征信息不遭破坏(n>>d)，实现自动检测算法的实时性要求。
(2)采用支持向量机SVM实现对不合格的被测对象进行几何形状及纹理等缺陷自动分类检测，具有较强的抗干扰能力。因此，测量精度高，陶瓷水阀片缺陷检测的准确率为97％。
(3)结构简单，低成本，且易于实用化。
附图说明
图1是基于压缩感知的陶瓷水阀片自动在线检测系统原理框图。
图2是基于压缩感知的陶瓷水阀片自动在线检测方法流程图。
图3是部分陶瓷水阀片样本图像(a)缺边陶瓷水阀片样本图像(b)划痕陶瓷水阀片样本图像(c)合格陶瓷水阀片样本图像。
图中：1：被测陶瓷水阀片，2：传送带，3直线电机，4：水平运动电机控制器，5：LED光源，6：CCD，7：图像采集卡，8：PC机，9：数字图像处理系统。
表1是图3样本规格化的Hu不变矩；
表2是图3(b)和(c)组第三个样本规格化的Gabor纹理特征值；
表3是针对不同核函数的检测结果。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明具体实施例及其实施过程如图2所示，具体实现步骤如下：
(1)按照如图1搭建陶瓷水阀片检测系统，检测系统包括被测陶瓷水阀片1、传送带2、直线电机3、水平运动电机控制器4、LED光源5、CCD相机6、图像采集卡7、PC机9和数字图像处理系统8；被测陶瓷水阀片1置于传送带2上运输，传送带2上的主动轮连接直线电机3的输出轴，由直线电机3带动传送带2运输被测陶瓷水阀片1，直线电机3控制端经水平运动电机控制器4连接到PC机9，传送带2上方设有LED光源5和CCD相机6，LED光源5为环形光源，CCD相机6位于LED光源5环形光源中心点的上方，CCD相机6经图像采集卡7和PC机9连接，PC机9和数字图像处理系统8连接。
被测陶瓷水阀片1在传送带2上匀速直线运动，在环形LED(型号：MZL-560)的均匀光源，被测陶瓷水阀片的特征突出。利用图像采集卡(型号：OK_RGB20B)将现场的模拟图像信号编程数字信号输入PC机(型号：Lenovos520)，并进而录入图像保存系统。
将已知是否存在缺陷和已知缺陷分类的陶瓷水阀片放置在传送带2上，控制直线电机3使得传送带2停止，通过CCD相机6进行拍摄采集获得陶瓷水阀片图像，部分样本图像如图3所示。图3中，图3(a)的三幅图像是缺边样本，图3(b)的三幅图像是划痕样本，图3(c)的三幅图像是合格样本。
(2)数字图像预处理：分析本实施的图像采集环境，为了提高图像识别精度，故在图像预处理前先对CCD(型号：Apogee AS-16000/S)拍摄的陶瓷水阀片图像进行感兴趣区域提取，去除图像中与被测对象无关的部分。
对光学成像系统可能存在畸变引起的图像噪声，由于光学成像系统在不同视场有着不同的放大倍率，随着视场的变化放大倍率也在变化，这必将影响陶瓷水阀片的检测准确率。具体实施通过现场多次标定动态确定光学系统的β值来修整测量结果，或者采用畸变尽可能小的光学成像系统，本实施例中采用畸变小的光学成像系统。
而对由CCD采集的图像由于光照强度的变化引起的噪声，本实施中采用图像的预处理方法去除噪声，预处理主要包括：
图像平滑：图像平滑处理主要目的是减少陶瓷水阀片图像噪声，去除光照过强和过弱引起的噪声信息；
图像的几何位置校正：被夹手夹持固定被测陶瓷水阀片可能存在微小的几何位置失真情况，故需要通过线性图像几何位置校正算法实现被测对象和标准件图像位置准确匹配。
(3)从所有预处理后的陶瓷水阀片图像中取一部分作为样品陶瓷水阀片图像，另一部分作为被测陶瓷水阀片图像。
对样品陶瓷水阀片图像进行划分分类，根据现有陶瓷水阀片的分类标准对样品陶瓷水阀片图像进行有无缺陷和有缺陷(黑点、划痕和缺边等)的两种类型分类，具体实施中可对缺陷图像的质量按5分制(1分质量最差，5分质量最好)标出。
将分好类别的样品陶瓷水阀片图像存入数据库，构建样品陶瓷水阀片图像数据库。
(4)利用陶瓷水阀片标准件图像构建陶瓷水阀片图像的数据字典A，求解稀疏系数向量h；
采集陶瓷水阀片标准件图像，陶瓷水阀片标准件图像具体为已知是否存在缺陷的陶瓷水阀片图像(是在静止状态下拍摄获得)；
将一幅陶瓷水阀片图像构成的向量表示为一组基向量的线性组合，采用以下公式计算稀疏系数向量h：
y＝Ah
A＝[a1,a2,...,am...,aM]
式中：y表示陶瓷水阀片图像的基向量，A为由陶瓷水阀片标准件图像基向量组成的数据字典，am为第m幅陶瓷水阀片标准件图像的基向量，陶瓷水阀片标准件图像的基向量具体是由陶瓷水阀片标准件图像的各行像素值取均值构成的列向量。
(5)将已知是否存在缺陷的样本陶瓷水阀片图像及其稀疏系数向量h输入到两分类支持向量机SVM进行训练，其中输入的还包括样本陶瓷水阀片图像是否存在缺陷的标签，训练后获得第一支持向量机SVM，将稀疏系数向量h利用输入训练好的第一支持向量机SVM实现陶瓷水阀片图像有无缺陷的分类，即将未知是否存在缺陷的被测陶瓷水阀片图像输入到第一支持向量机SVM中输出是否有缺陷的检测结果。
(6)若不存在缺陷，则不进行后续步骤；
被测陶瓷水阀片图像检测有缺陷时，对含有缺陷的被测陶瓷水阀片图像进一步利用OSTU算法进行图像分割获取二值化图像，对含有缺陷的被测陶瓷水阀片图像的特征值进行提取和优化：
具体是提取Hu不变矩并进行归一化处理，如表1所示。
表1
Figure BDA0001718388950000061
通过Gabor滤波器检测出尺度和方向均可变化的Gabor纹理特征，对Gabor纹理特征再进行特征归一化和主成分分析处理，通过这样方式能保证分类精度的同时使输入分类器中的特征值数据从高维空间降到低维空间，处理后的数据保存了缺陷的特征的主要信息，将大大降低分类计算的复杂度，如表2所示。
表2
Figure BDA0001718388950000062
Figure BDA0001718388950000071
(7)将存在已知缺陷分类的样本陶瓷水阀片图像及其稀疏系数向量h、Hu不变矩、主成分分析的Gabor纹理特征共同输入到多分类支持向量机SVM进行训练，其中输入的还包括样本陶瓷水阀片图像已知缺陷分类的标签，训练后获得第二支持向量机SVM，用第二支持向量机SVM对已知存在缺陷但未知缺陷类型的被测陶瓷水阀片图像进行缺陷分类检测，即将上述Hu不变矩特征值、主成分分析的Gabor纹理特征和稀疏系数向量h分别输入训练好的第二支持向量机，进行陶瓷水阀片图像多类缺陷分类识别。
本实施例针对的第二支持向量机SVM中选用mlp核函数的实验情况如下，如下表3所示。
表3
Figure BDA0001718388950000072
将待检图像和所求得的各个特征值和分类结果存入数据库。
至此完成本发明。

Claims (5)

1.一种压缩感知的陶瓷水阀片自动在线检测方法，其特征在于：陶瓷水阀片在环形LED光源照射下通过面阵CCD相机采集获得陶瓷水阀片图像，对陶瓷水阀片图像进行预处理，然后提取获得特定特征值，然后将特定特征值输入到支持向量机SVM进行训练，然后用训练后的支持向量机SVM对被测陶瓷水阀片的图像进行两次检测；
计算提取陶瓷水阀片图像的稀疏系数向量h，将已知是否存在缺陷的样本陶瓷水阀片图像及其稀疏系数向量h输入到两分类支持向量机SVM进行训练，训练后获得第一支持向量机SVM，用第一支持向量机SVM对未知是否存在缺陷的被测陶瓷水阀片图像进行是否有缺陷检测；
若不存在缺陷，则不进行后续步骤；
若存在缺陷，则计算提取陶瓷水阀片图像的稀疏系数向量h、Hu不变矩、主成分分析的Gabor纹理特征，将存在已知缺陷分类的样本陶瓷水阀片图像及其稀疏系数向量h、Hu不变矩、主成分分析的Gabor纹理特征共同输入到多分类支持向量机SVM进行训练，训练后获得第二支持向量机SVM，用第二支持向量机SVM对已知存在缺陷但未知缺陷类型的被测陶瓷水阀片图像进行缺陷分类检测。
2.根据权利要求1所述的一种压缩感知的陶瓷水阀片自动在线检测方法，其特征在于：所述对陶瓷水阀片图像进行预处理，具体是对图像进行平滑和几何位置校正处理。
3.根据权利要求1所述的一种压缩感知的陶瓷水阀片自动在线检测方法，其特征在于：求解稀疏系数向量h是利用陶瓷水阀片标准件图像构建陶瓷水阀片图像的数据字典A求解获得，具体为：
采集陶瓷水阀片标准件图像，陶瓷水阀片标准件图像具体为已知是否存在缺陷的陶瓷水阀片图像；
然后将一幅陶瓷水阀片图像构成的向量表示为一组基向量的线性组合，采用以下公式计算稀疏系数向量h：
y＝Ah
A＝[a1,a2,...,am...,aM]
式中：y表示陶瓷水阀片图像的基向量，A为数据字典，am为第m幅陶瓷水阀片标准件图像的基向量。
4.根据权利要求1所述的一种压缩感知的陶瓷水阀片自动在线检测方法，其特征在于：在被测陶瓷水阀片图像检测有缺陷后，对含有缺陷的被测陶瓷水阀片图像进一步利用OSTU算法进行图像分割获取二值化图像，对含有缺陷的被测陶瓷水阀片图像的特征值进行提取和优化，具体是提取Hu不变矩并进行归一化处理，通过Gabor滤波器检测出尺度和方向均可变化的Gabor纹理特征，对Gabor纹理特征再进行特征归一化和主成分分析处理。
5.根据权利要求1所述的一种压缩感知的陶瓷水阀片自动在线检测方法，其特征在于：所述的第二支持向量机SVM选用mlp核函数。
CN201810719823.8A 2018-07-03 2018-07-03 一种压缩感知的陶瓷水阀片自动在线检测方法 Active CN109063738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810719823.8A CN109063738B (zh) 2018-07-03 2018-07-03 一种压缩感知的陶瓷水阀片自动在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810719823.8A CN109063738B (zh) 2018-07-03 2018-07-03 一种压缩感知的陶瓷水阀片自动在线检测方法

Publications (2)

Publication Number Publication Date
CN109063738A CN109063738A (zh) 2018-12-21
CN109063738B true CN109063738B (zh) 2021-12-21

Family

ID=64818437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810719823.8A Active CN109063738B (zh) 2018-07-03 2018-07-03 一种压缩感知的陶瓷水阀片自动在线检测方法

Country Status (1)

Country Link
CN (1) CN109063738B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111141753A (zh) * 2019-12-20 2020-05-12 三峡大学 基于机器视觉的陶瓷瓦表面裂纹检测方法
CN115753804A (zh) * 2022-12-06 2023-03-07 广东壹信智能科技有限公司 一种工业陶瓷外壁裂纹检测装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514456A (zh) * 2013-06-30 2014-01-15 安科智慧城市技术（中国）有限公司 基于压缩感知多核学习的图像分类方法及其装置
CN103795477A (zh) * 2014-01-09 2014-05-14 南京邮电大学 基于支持向量机的宽带频谱压缩感知方法
CN104063873A (zh) * 2014-07-08 2014-09-24 华东交通大学 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
CN105718934A (zh) * 2016-01-25 2016-06-29 无锡中科富农物联科技有限公司 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法
CN106054189A (zh) * 2016-07-17 2016-10-26 西安电子科技大学 基于dpKMMDP模型的雷达目标识别方法
CN106338674A (zh) * 2016-08-24 2017-01-18 上海交通大学 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457414B2 (en) * 2009-08-03 2013-06-04 National Instruments Corporation Detection of textural defects using a one class support vector machine

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514456A (zh) * 2013-06-30 2014-01-15 安科智慧城市技术（中国）有限公司 基于压缩感知多核学习的图像分类方法及其装置
CN103795477A (zh) * 2014-01-09 2014-05-14 南京邮电大学 基于支持向量机的宽带频谱压缩感知方法
CN104063873A (zh) * 2014-07-08 2014-09-24 华东交通大学 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
CN105718934A (zh) * 2016-01-25 2016-06-29 无锡中科富农物联科技有限公司 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法
CN106054189A (zh) * 2016-07-17 2016-10-26 西安电子科技大学 基于dpKMMDP模型的雷达目标识别方法
CN106338674A (zh) * 2016-08-24 2017-01-18 上海交通大学 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陶瓷水阀片表面缺陷图像检测方法研究;田秋红等;《浙江理工大学学报（自然科学版）》;20170328;第37卷(第3期);第417-422页 *

Also Published As

Publication number Publication date
CN109063738A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN110570393B (zh) 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法
CN107941808B (zh) 基于机器视觉的3d打印成型质量检测系统及方法
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN102529019B (zh) 一种模具检测、保护及零件检测、摘取的方法
Liu et al. Automatic detection technology of surface defects on plastic products based on machine vision
CN106290392A (zh) 一种小微轴承表面凹痕缺陷在线检测方法及其系统
CN111487192A (zh) 一种基于人工智能的机器视觉表面缺陷检测装置及方法
Medina et al. Automated visual classification of frequent defects in flat steel coils
CN210071686U (zh) 基于正交双目机器视觉的水果分级装置
CN109063738B (zh) 一种压缩感知的陶瓷水阀片自动在线检测方法
CN214747807U (zh) 一种芯片检测设备
CN106248680A (zh) 一种基于机器视觉的电机换向器质量检测系统及检测方法
CN111445471A (zh) 基于深度学习和机器视觉的产品表面缺陷检测方法及装置
CN112014407A (zh) 一种集成电路晶圆表面缺陷检测的方法
CN111784688A (zh) 基于深度学习的鲜花自动化分级方法
Fu et al. Medicine glass bottle defect detection based on machine vision
CN116678826A (zh) 一种基于快速立体重建的外观缺陷检测系统及方法
CN117085969B (zh) 人工智能工业视觉检测方法、装置、设备及存储介质
CN109785290A (zh) 基于局部光照归一化的钢板缺陷检测方法
CN110991469B (zh) 一种水果可溶性固形物在线检测方法及系统
CN2852116Y (zh) 一种粘结稀土磁体外观缺陷图像自动检测仪
Lin et al. Defect detection system for optical element surface based on machine vision
CN115908275A (zh) 基于深度学习的热态环件轧制变形几何状态在线测量方法
CN114937174A (zh) 一种基于数字全息机器视觉的精密件的检测方法及装置
Shao et al. High-Speed and Accurate Method for the Gear Surface Integrity Detection Based on Visual Imaging

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230303

Address after: 230000 b-1018, Woye Garden commercial office building, 81 Ganquan Road, Shushan District, Hefei City, Anhui Province

Patentee after: HEFEI WISDOM DRAGON MACHINERY DESIGN Co.,Ltd.

Address before: No.928, No.2 street, Jianggan Economic Development Zone, Hangzhou City, Zhejiang Province, 310018

Patentee before: ZHEJIANG SCI-TECH University