CN109345530A - 一种铝合金活塞积碳清洗效果的定量评价方法 - Google Patents
一种铝合金活塞积碳清洗效果的定量评价方法 Download PDFInfo
- Publication number
- CN109345530A CN109345530A CN201811169397.1A CN201811169397A CN109345530A CN 109345530 A CN109345530 A CN 109345530A CN 201811169397 A CN201811169397 A CN 201811169397A CN 109345530 A CN109345530 A CN 109345530A
- Authority
- CN
- China
- Prior art keywords
- image
- piston
- carbon distribution
- carbon
- aluminium
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 110
- 238000009826 distribution Methods 0.000 title claims abstract description 82
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 69
- 239000004411 aluminium Substances 0.000 title claims abstract description 66
- 238000004140 cleaning Methods 0.000 title claims abstract description 51
- 230000000694 effects Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 14
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 17
- 238000005530 etching Methods 0.000 abstract description 5
- 230000002950 deficient Effects 0.000 abstract description 2
- 238000011089 mechanical engineering Methods 0.000 abstract description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 abstract 3
- 230000002708 enhancing effect Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 229910000838 Al alloy Inorganic materials 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000002699 waste material Substances 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003738 black carbon Substances 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000004094 surface-active agent 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明属于机械工程领域,涉及一种铝合金活塞积碳清洗效果的定量评价方法,先获取铝活塞表面的图像再对进行边框化处理,再进行聚类,再进行图像分割,再进行图像增强,再依次进行膨胀和腐蚀操作,再将所得图像转化成二值化图像,在matlab中能够得知铝合金活塞表面块状积碳区域的面积,再对铝活塞表面进行清洗,对清洗过后的铝活塞,再重复上诉步骤得到清洗后铝合金活塞表面存留块状积碳区域的面积;最后再根据清洗前后铝合金活塞表面的块状积碳的面积来对铝合金活塞积碳清洗效果进行定量评价。本发明由于对清洗效果实现了定量评价,因此能够提高铝合金活塞积碳清洗效果评价的准确性,具有客观性,操作简洁、可重复利用以及以不损坏工件的优点。
Description
技术领域
本发明属于机械工程领域,具体涉及一种铝合金活塞积碳清洗效果的定量评价方法。
背景技术
随着经济的快速发展,我国汽车保有量呈现快速增长趋势,废旧的发动机对很多企业来说,扔了造成浪费不扔又没地方安置,而实现发动机的再制造是建设资源节约型、环境友好型社会的有效途径。活塞作为发动机将热能转化为机械能的核心零件,是发动机再造的重要组成部分,清洗活塞表面积碳则是发动机再造必不可少的环节。
活塞被清洗之后需要对其清洗效果进行评价,也即对洁净度进行评价。目前活塞清洗后测定,主要就是应用简易定性评价法。简易定性评价法则是实验人员通过某些简单的方法利用自身的视觉和触觉对清洁度进行评价。例如水滴法、水膜法、喷雾法、呼气法和肉眼观察法等。但是简易定性评价法在判断活塞积碳清洗方面存在着一定的缺陷,对于肉眼观察法和布擦拭法,缺陷在于表面有微量污染,结果就不易判断;对于水滴法,染料涂布法和喷雾法,缺陷在于表面如有氧化膜和表面活性剂存在时,或造成判断错误;对于反复清水浸渍法缺陷在于不适用于铬系不锈钢。
随着国家对资源节约型、环境友好型社会越来越重视,积碳活塞的再利用得到越来越多的重视,相应的对积碳活塞清洗效果的评价提出了更高的要求。活塞积碳清洗也越来越重要,活塞清洗后的清洁度也随之越来越重要。现有的简易定性评价法越来越满足不了现在工业上技术需要,因此有必要开发一种准确,快捷,简便的活塞积碳清洗效果的定量评价方法。
发明内容
本发明的目的在于提供一种铝合金活塞积碳清洗效果的定量评价方法,以克服上述现有定性评价方法存在的因表面金属种类以及表面存在附着物等缺陷,本发明能够提高对于活塞积碳清洗效果评价的可信度,具有客观性,操作简洁、可重复利用以及以不损坏工件的优点。
为达到上述目的,本发明采用如下技术方案:
一种铝合金活塞积碳清洗效果的定量评价方法,包括如下步骤:
步骤1,获取铝合金活塞表面的图像;
步骤2,对获取的图像进行边框处理,使得图像中除了铝合金活塞,其他部分变成白色,固定图像的像素得到图像A;
步骤3,对图像A进行聚类,直到聚类函数收敛,得到图像B;
步骤4,对图像B进行图像分割,将铝合金活塞表面块状积碳区域从图像B中分割出来,将分割出来的图像作为图像C;
步骤5,对图像C中分割出的块状积碳区域进行增强,得到图像D;
步骤6,对图像D再依次进行膨胀和腐蚀操作,得到图像E;
步骤7,将图像E转化成二值化图像,得到图像E的二值化图像F;
步骤8,对二值化图像F中块状积碳区域面积求解,得到活塞表面块状积碳的面积;
步骤9,对铝合金活塞表面进行清洗,对清洗过后的铝合金活塞再重复步骤1~步骤8,得到清洗后活塞表面存留块状积碳区域的面积;
步骤10,根据步骤8得到的铝合金活塞表面块状积碳的面积和步骤9得到的铝合金活塞表面存留的块状积碳区域的面积来对铝合金活塞积碳清洗进行评价。
所述步骤3中,采用K-means聚类算法对图像A进行次聚类,直到聚类函数收敛。
所述步骤5中,采用基于全局特征的Retinex算法对图像C中分割出的块状积碳区域进行增强。
所述步骤8中,对二值化图像F中像素为0的像素点进行统计,得到积碳区域面积。
所述步骤10中,通过步骤9得到的清洗后铝合金活塞表面存留的块状积碳区域的面积A与步骤8得到的铝合金活塞表面块状积碳的面积B的百分比P来确定铝合金活塞积碳清洗等级。
铝合金活塞积碳清洗等级分为十个等级:
当P<10%时,则确定活塞积碳清洗等级为十级;
当10%≤P<20%时,则确定活塞积碳清洗等级为九级;
当20%≤P<30%时,则确定活塞积碳清洗等级为八级;
当23%≤P<40%时,则确定活塞积碳清洗等级为七级;
当40%≤P<50%时,则确定活塞积碳清洗等级为六级;
当25%≤P<60%时,则确定活塞积碳清洗等级为五级;
当60%≤P<70%时,则确定活塞积碳清洗等级为四级;
当70%≤P<80%时,则确定活塞积碳清洗等级为三级;
当80%≤P<90%时,则确定活塞积碳清洗等级为二级;
当90%≤P时,则确定活塞积碳清洗等级为一级。
与现有评价方法相比,本发明具有以下有益的技术效果:
本发明铝合金活塞积碳清洗效果的定量评价方法首先对活塞表面采样获取活塞表面的图像,对该图像进行边框化处理得到图像A,然后对图像A进行聚类得到图像B,接下来对图像B进行图像分割,将活塞表面块状积碳尽可能的从采集的图像中剥离出来,以方便对块状积碳的图像进行处理;接下来再对从图像B中分割出来的块状积碳区域进行增强,从而获得块状积碳更为清晰的图像D,可以更为突出的显示图像中存留的积碳,进而便于对块状积碳的面积进行计算;下一步为避免活塞顶面杂质表面造成的假象和增强存在的极小量积碳,对图像D进行膨胀和腐蚀操作,得到图像E;接下来把图像E转换成二值化图像,得到二值化图像F;根据二值化图像F对铝合金活塞表面积碳斑块面积求解。对清洗前和清洗后的活塞表面的图像都进行上述处理,最后通过清洗前铝合金活塞表面块状积碳的面积与清洗后铝合金活塞表面存留积碳区域的面积来对活塞积碳清洗进行评价。本发明的定量评价方法具有更高的准确性与灵敏性,而且操作简单,成本低、可重复利用以及不损坏工件的优点。
附图说明
图1为清洗前铝合金活塞顶面积碳图像;
图2为本发明评价方法对图1所示图像边框化处理化后的图像;
图3为本发明评价方法对图2所示图像聚类后的图像;
图4为本发明评价方法对图3所示图像进行分割后的图像;
图5为本发明评价方法对图4所示图像进行增强后的图像;
图6为本发明评价方法对图5所示图像进行膨胀腐蚀后的图像;
图7为本发明评价方法对图6进行二值化转换得到的二值化图像;
图8为铝合金活塞清洗后的图像;
图9为通过本发明评价方法对图8进行图像处理后的图像。
具体实施方式
下面结合附图对本评价方法作进一步详细描述:
参照图1至图9,本发明的铝合金活塞积碳清洗效果的定量评价方法,包括如下步骤:
步骤1,获取铝合金活塞表面的图像(参照图1);
步骤2,对获取的图像进行边框处理,使得图像中除了铝合金活塞,其他部分变成白色,固定图像的像素得到图像A(参照图2);
步骤3,采用K-means聚类算法对图像A进行聚类,直到聚类函数收敛,得到图像B(参照图3);
步骤4,对图像B进行图像分割,将铝合金活塞表面块状积碳区域从图像B中分割出来,将分割出来的图像作为图像C(参照图4);
步骤5,采用基于全局特征的Retinex算法对图像C中分割出的块状积碳区域进行增强,得到图像D(参照图5);
步骤6,对图像D再依次进行膨胀和腐蚀,得到图像E(参照图6);
步骤7,将图像E转化成二值化图像,得到图像E的二值化图像F(参照图7);
步骤8,对二值化图像F中块状积碳区域面积求解,得到活塞表面块状积碳的面积;
步骤9,对图1所示铝合金活塞表面进行清洗,采集清洗后的活塞表面图像,如图8所示,对清洗过后的铝合金活塞再重复步骤1~步骤8,得到清洗后铝合金活塞表面存留的块状积碳区域的面积;
步骤10,根据步骤8得到的铝合金活塞表面块状积碳的面积和步骤9得到的铝合金活塞表面存留的块状积碳区域的面积来对铝合金活塞积碳清洗进行评价。
实施例
本实施例的铝合金活塞积碳清洗效果的定量评价方法的步骤如下:
步骤1,首先对待清洗的表面有积碳的铝合金活塞表面进行图像采样得到图1;
步骤2,将图1导入到matlab中并对其进行边框化处理得到图2;
步骤3,接下来采用K-means聚类算法对图2进行聚类,首先初始化,输入基因表达矩阵作为对象集,输入指定聚类类数N,在对象集中随机选机选取N个对象作为初始聚类中心,设定迭代终止条件为聚类函数收敛;第二步进行迭代,根据相似度准则将数据对象分配到最接近的聚类中心,从而形成一类,初始化隶属度矩阵;第三步更新聚类中心,以每一类的平均向量最为新的聚类中心,重新分配数据对象;第四步重复第二步与第三步直至完成三次聚类,得到图3;
步骤4,对图像3进行图像分割,将图像3中活塞表面块状积碳区域从图像3中分割出来得到图4;
步骤5,采用基于全局特征的Retinex算法对图像4中分割出来的块状积碳区域进行增强,从而获得块状积碳更为清晰的图像,进而便于对高温钙化的块状积碳的面积进行计算。具体的,第一步将图像4各像素点的灰度值由整数型转换为浮点型,并转换到对数域;第二步对图像4的R分量进行二维傅里叶变换,输入高斯环绕尺度C,利用公式形成高斯滤波函数,并将高斯滤波函数进行二维傅里叶变换,将变换后的R分量和高斯滤波进行卷积运算,形成低通滤波后的图像;第三步在对数域中,用原图像减去低通滤波后的图像,得到高频增强图像;第四步对高频增强图像的R分量取反对数,得到增强后的图像分量,作对比度增强;第五步对图像4的G分量和B分量依次重读进行第二步到第四步;第六步最后对增强后的图像R分量、G分量和B分量进行融合得到图像5;
步骤6,为避免铝合金活塞顶面杂质造成的假象和增强存在的极小量积碳,对图像5进行膨胀和腐蚀操作,首先膨胀操作选择一个圆形的结构元素4,腐蚀操作选择一个矩形的结构元素[3 2],对图像5进行闭运算即先膨胀再腐蚀,最终得到图像6;
步骤7,对采集图像中积碳斑块面积的求解可以转化为对此图像的二值化图像中像素为0的像素点的统计。将图像6转化成二值化图像,得到图像6的二值化图像图7;
步骤8,依次计算图像7中黑色像素的个数并计算比例,在matlab中能够得知存留积碳的面积,运算结果:b_area等于黑色像素个数与比例的乘积。
步骤9,对图1所示的铝合金活塞进行清洗,清洗后铝合金活塞表面如图8所示,再重复步骤1~步骤8,得到清洗后铝合金活塞表面存留积碳区域的面积;
步骤10,根据步骤9得到的清洗后铝合金活塞表面存留的块状积碳区域的面积A与步骤8得到的铝合金活塞表面的块状积碳的面积B的百分比P来确定活塞积碳清洗效果等级。
本发明中,对于铝合金活塞由于其活塞基体是铝合金的颜色即金属本色银白色,而其表面的积碳为黑色,形成鲜明的对比,利用图像处理技术可以将活塞顶面金属本色和积碳颜色进行分离,通过计算图像中黑色积碳的面积,实现了积碳的量化处理,对照清洗效果评价体系,即可得出清洗效果等级。
Claims (6)
1.一种铝合金活塞积碳清洗效果的定量评价方法,其特征在于,包括如下步骤:
步骤1,获取铝合金活塞表面的图像;
步骤2,对获取的图像进行边框化处理,使得图像中除了铝合金活塞,其他部分变成白色,固定图像的像素得到图像A;
步骤3,对图像A进行聚类,直到聚类函数收敛,得到图像B;
步骤4,对图像B进行图像分割,将铝合金活塞表面的块状积碳区域从图像B中分割出来,将分割出来的图像作为图像C;
步骤5,对图像C中分割出的块状积碳区域进行增强,得到图像D;
步骤6,对图像D再依次进行膨胀和腐蚀,得到图像E;
步骤7,对图像E进行二值化转换,得到图像E的二值化图像F;
步骤8,对二值化图像F中块状积碳区域面积求解,得到铝合金活塞表面块状积碳的面积;
步骤9,对铝合金活塞表面进行清洗,对清洗过后的铝合金活塞再重复步骤1~步骤8,得到清洗后铝合金活塞表面存留块状积碳区域的面积;
步骤10,根据步骤8得到的铝合金活塞表面块状积碳的面积和步骤9得到的铝合金活塞表面存留的块状积碳区域的面积来对铝合金活塞积碳清洗效果进行评价。
2.根据权利要求1所述的一种铝合金活塞积碳清洗效果的定量评价方法,其特征在于,所述步骤3中,采用K-means聚类算法对图像A进行聚类。
3.根据权利要求1所述的一种铝合金活塞积碳清洗效果的定量评价方法,其特征在于,所述步骤5中,采用基于全局特征的Retinex算法对图像C中分割出的块状积碳区域进行增强。
4.根据权利要求1所述的一种铝合金活塞积碳清洗效果的定量评价方法,其特征在于,所述步骤8中,对二值化图像F中像素为0的像素点进行统计,得到铝合金活塞表面的块积碳区域面积。
5.根据权利要求1所述的一种铝合金活塞积碳清洗效果的定量评价方法,其特征在于,所述步骤10中,通过步骤9得到的清洗后铝合金活塞表面存留的块状积碳区域的面积A与步骤8得到的铝合金活塞表面块状积碳的面积B的百分比P来确定活塞积碳清洗等级。
6.根据权利要求5所述的一种铝合金活塞积碳清洗效果的定量评价方法,其特征在于,铝合金活塞积碳清洗效果等级分为十个等级:
当P<10%时,则确定活塞积碳清洗等级为十级;
当10%≤P<20%时,则确定活塞积碳清洗等级为九级;
当20%≤P<30%时,则确定活塞积碳清洗等级为八级;
当23%≤P<40%时,则确定活塞积碳清洗等级为七级;
当40%≤P<50%时,则确定活塞积碳清洗等级为六级;
当25%≤P<60%时,则确定活塞积碳清洗等级为五级;
当60%≤P<70%时,则确定活塞积碳清洗等级为四级;
当70%≤P<80%时,则确定活塞积碳清洗等级为三级;
当80%≤P<90%时,则确定活塞积碳清洗等级为二级;
当90%≤P时,则确定活塞积碳清洗等级为一级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811169397.1A CN109345530A (zh) | 2018-10-08 | 2018-10-08 | 一种铝合金活塞积碳清洗效果的定量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811169397.1A CN109345530A (zh) | 2018-10-08 | 2018-10-08 | 一种铝合金活塞积碳清洗效果的定量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109345530A true CN109345530A (zh) | 2019-02-15 |
Family
ID=65307844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811169397.1A Pending CN109345530A (zh) | 2018-10-08 | 2018-10-08 | 一种铝合金活塞积碳清洗效果的定量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345530A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819783A (zh) * | 2021-01-30 | 2021-05-18 | 同济大学 | 基于图像背景差分的发动机缸内积碳识别方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101688873A (zh) * | 2007-06-28 | 2010-03-31 | 贝克曼考尔特公司 | 清洗装置、吸入喷嘴的堵塞检测方法以及自动分析装置 |
CN102925844A (zh) * | 2012-11-05 | 2013-02-13 | 天津大学 | 一种提高内燃机热效率的方法 |
CN103246894A (zh) * | 2013-04-23 | 2013-08-14 | 南京信息工程大学 | 一种解决光照不敏感问题的地基云图识别方法 |
CN103402706A (zh) * | 2011-02-28 | 2013-11-20 | 东丽高帝斯株式会社 | 研磨垫 |
CN103674968A (zh) * | 2013-12-20 | 2014-03-26 | 纪钢 | 材料外观腐蚀形貌特征机器视觉原值检测评价方法及装置 |
CN103955743A (zh) * | 2014-04-22 | 2014-07-30 | 江苏大学 | 一种超高压水射流清除道路标线效果预测方法及装置 |
CN105695007A (zh) * | 2016-02-26 | 2016-06-22 | 北京雅士科莱恩石油化工有限公司 | 一种含摩擦改进剂节省燃油的汽油清净剂及其制备方法 |
CN105741244A (zh) * | 2016-01-28 | 2016-07-06 | 山东鲁能智能技术有限公司 | 一种室内巡检机器人弱光下去除阴影和光晕的方法 |
CN106873359A (zh) * | 2015-12-11 | 2017-06-20 | 中国电力科学研究院 | 一种基于聚类分析和神经网络的风电噪声评价方法 |
CA2973074A1 (en) * | 2016-07-13 | 2018-01-13 | Sightline Innovation Inc. | System and method for surface inspection |
CN108038433A (zh) * | 2017-12-01 | 2018-05-15 | 厦门大学 | 基于多回波机载激光扫描数据的城市树木碳含量估计方法 |
US10077839B2 (en) * | 2014-02-13 | 2018-09-18 | Honda Motor Co., Ltd. | Piston ring and process for producing same |
-
2018
- 2018-10-08 CN CN201811169397.1A patent/CN109345530A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101688873A (zh) * | 2007-06-28 | 2010-03-31 | 贝克曼考尔特公司 | 清洗装置、吸入喷嘴的堵塞检测方法以及自动分析装置 |
CN103402706A (zh) * | 2011-02-28 | 2013-11-20 | 东丽高帝斯株式会社 | 研磨垫 |
CN102925844A (zh) * | 2012-11-05 | 2013-02-13 | 天津大学 | 一种提高内燃机热效率的方法 |
CN103246894A (zh) * | 2013-04-23 | 2013-08-14 | 南京信息工程大学 | 一种解决光照不敏感问题的地基云图识别方法 |
CN103674968A (zh) * | 2013-12-20 | 2014-03-26 | 纪钢 | 材料外观腐蚀形貌特征机器视觉原值检测评价方法及装置 |
US10077839B2 (en) * | 2014-02-13 | 2018-09-18 | Honda Motor Co., Ltd. | Piston ring and process for producing same |
CN103955743A (zh) * | 2014-04-22 | 2014-07-30 | 江苏大学 | 一种超高压水射流清除道路标线效果预测方法及装置 |
CN106873359A (zh) * | 2015-12-11 | 2017-06-20 | 中国电力科学研究院 | 一种基于聚类分析和神经网络的风电噪声评价方法 |
CN105741244A (zh) * | 2016-01-28 | 2016-07-06 | 山东鲁能智能技术有限公司 | 一种室内巡检机器人弱光下去除阴影和光晕的方法 |
CN105695007A (zh) * | 2016-02-26 | 2016-06-22 | 北京雅士科莱恩石油化工有限公司 | 一种含摩擦改进剂节省燃油的汽油清净剂及其制备方法 |
CA2973074A1 (en) * | 2016-07-13 | 2018-01-13 | Sightline Innovation Inc. | System and method for surface inspection |
CN108038433A (zh) * | 2017-12-01 | 2018-05-15 | 厦门大学 | 基于多回波机载激光扫描数据的城市树木碳含量估计方法 |
Non-Patent Citations (1)
Title |
---|
王续跃 等: "利用图像处理技术评价硅片表面清洗率", 《光学精密工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819783A (zh) * | 2021-01-30 | 2021-05-18 | 同济大学 | 基于图像背景差分的发动机缸内积碳识别方法及装置 |
CN112819783B (zh) * | 2021-01-30 | 2022-05-17 | 同济大学 | 基于图像背景差分的发动机缸内积碳识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507990B (zh) | 一种基于深度学习的隧道表面缺陷分割方法 | |
CN103390280B (zh) | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 | |
CN109934224B (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN112215819B (zh) | 基于深度特征融合的机场道面裂缝检测方法 | |
CN110956183B (zh) | 一种沥青路面裂缝形态提取方法 | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN109239073B (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN105654442B (zh) | 一种冲击噪声图像去噪方法 | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
CN112258529A (zh) | 一种基于实例分割算法的路面裂缝像素级别检测方法 | |
CN104537622B (zh) | 单幅图像中去除雨滴影响的方法和系统 | |
CN105184777A (zh) | 一种基于图像分解的印花图案织物瑕疵检测方法 | |
CN105976382A (zh) | 一种基于缺陷区域预判和水平集的TFT-LCD Mura缺陷检测算法 | |
CN111080636A (zh) | 彩钢瓦表面缺陷的cnn语义分割自学习检测方法 | |
CN113409267A (zh) | 一种基于深度学习的路面裂缝检测与分割方法 | |
CN107742291A (zh) | 一种光伏玻璃的缺陷检测方法及装置 | |
CN110110780A (zh) | 一种基于对抗神经网络和海量噪声数据的图片分类方法 | |
CN115170529A (zh) | 基于注意力机制的多尺度微小瑕疵检测方法 | |
CN116523899A (zh) | 一种基于机器视觉的纺织品瑕疵检测方法及系统 | |
CN112669274A (zh) | 一种用于表面异常区域像素级分割的多任务检测方法 | |
CN109345530A (zh) | 一种铝合金活塞积碳清洗效果的定量评价方法 | |
CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN117745697A (zh) | 一种基于改进YOLOv8模型的钢材表面缺陷检测算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |