CN109544513A - 一种钢管端面缺陷提取识别的方法 - Google Patents
一种钢管端面缺陷提取识别的方法 Download PDFInfo
- Publication number
- CN109544513A CN109544513A CN201811294422.9A CN201811294422A CN109544513A CN 109544513 A CN109544513 A CN 109544513A CN 201811294422 A CN201811294422 A CN 201811294422A CN 109544513 A CN109544513 A CN 109544513A
- Authority
- CN
- China
- Prior art keywords
- steel pipe
- end surface
- image
- pipe end
- defect
- 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
- 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
-
- 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
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种钢管端面缺陷提取识别的方法,包括以下步骤:(1)采用合理的相机光源搭建方式,利用固定阈值先分割出钢管倒角部分的二值图;(2)运用最小二乘法拟合钢管端面的倒角内外径,以判断钢管端面的倒角是否倒偏;(3)根据步骤2中拟合的倒角内外径参数创建掩膜图像;(4)根据步骤3中获得的掩膜图像与原始图像进行与操作,获得仅含端平面不含倒角的图像;(5)根据步骤4中所得到的图像利用OTSU算法分割端平面图像,得到缺陷区域的二值图像。(6)通过计算缺陷区域的特征参数并利用支持向量机的方法达到训练识别缺陷类型的目的。本发明运行效率高,稳定性强,且试用性广,对于大多数钢管类型或环形产品的端面缺陷可采用本方法。
Description
技术领域
本发明涉及钢管生产技术领域,特别是涉及一种钢管端面缺陷提取识别方法。
背景技术
随着钢铁企业加工技术的不断提高,对钢管端面质量要求也不断提高。钢管端面质量的好坏将直接影响到产品的性能与质量,进而可能影响到后续工序的装配等问题。但是在生产钢管的过程中,由于现场环境、设备等原因,钢管端面会出现擦伤、崩边、划痕、凹坑等缺陷。因此,在钢管出厂前必须对其进行高效、准确的端面缺陷检测。
目前绝大多数钢管生产企业对端面都采用人工检测缺陷,检测结果的好坏在很大程度上受到人为因素的影响,并且检测的效率低、速度慢,还会出现错检、漏检的情况。因此很有必要设计出一种基于机器视觉的钢管端面缺陷提取、检测方法。
发明内容
本发明的目的是提供一种基于机器视觉的钢管端面缺陷提取识别方法,克服现有技术中的人工检测容易出错且效率低的不足,本发明很好的实现了对钢管端面各种缺陷的提取检测,包括钢管倒角内外径是否倒偏,以及端面擦伤、崩坏、划痕、凹坑等缺陷区域的提取识别。
为实现上述目的,本发明提供了如下方案:
本发明提供一种钢管端面缺陷提取识别方法,包括以下步骤:
采用合理的相机光源搭建方式,利用固定阈值先分割出钢管倒角部分的二值图。
运用最小二乘法拟合钢管端面的倒角内外径,以判断钢管端面的倒角是否倒偏。
根据步骤(2)中拟合的倒角内外径参数创建掩膜图像。
根据步骤(3)中获得的掩膜图像与原始图像进行与操作,获得仅含端平面不含倒角的图像。
根据步骤(4)中所得到的图像利用OTSU算法分割端平面图像,得到缺陷区域的二值图像。
根据步骤(5)中得到的缺陷区域的二值图像,计算其相应的特征参数值。
优选地,利用低角度环形蓝色光源对钢管端面进行采集,且钢管端面距离光源底部大约10mm,这样采集的图像可以是钢管端面明显呈现出3个区域。采用7×7邻域窗口的中值滤波对图像进行图像滤波处理后利用固定阈值的方法先提取出端面的倒角的区域。
优选地,采用最小二乘法对倒角的区域的内外径圆进行拟合,得到4个倒角轮廓圆的相关参数。得到的参数分别为四个拟合圆的圆心O1、O2、O3、O4的坐标,和四个拟合圆的半径R1、R2、R3、R4。其中圆3的圆心坐标O3(A0,B0)。
优选地,利用拟合到的圆的参数,构建掩膜图M(x,y)。掩膜图像为钢管端面中包含的圆环的区域。
其中δ是为了避免在创建掩膜图像时受到内外倒角边缘计算误差带来的影响而设的一个矫正值,本案例中,δ取为10。
优选地,将掩膜图像与原始图像进行逻辑与操作,操作后的图像在掩膜区域和原始图像区域重合的部分保持不变,而掩膜以外的部分,则像素全部置为背景,即像素灰度值变为0。
优选地,由于端面的缺陷区域的灰度值并没有倒角区域的灰度值那么稳定,即缺陷区域的灰度值会因为不同位置或不同类型的缺陷二不同,因此不能用简单的固定阈值的阈值分割法,需要采用OTSU法的自适应阈值分割法。为了排除缺陷边缘的小噪声或者钢管端面本身存在的没有被消除的噪声,对分割后的缺陷进行基于面积大小阈值的剔除法,将小于像素面积130的离散缺陷剔除掉,最后得到的缺陷即为后续需要分类识别的缺陷。
优选的,选择的特征参数由缺陷区域的面积、周长、占空比、长宽比、圆形度和7个Hu不变矩所组成。
优选地,对钢管的端面缺陷提取,主要分为倒角是否倒偏和端面缺陷区域的提取,因此采用了二次阈值分割分级处理。
本发明相对于现有技术取得了以下有益技术效果:
本发明首先解决了人工检测钢管端面缺陷产生的效率低、速度慢、误检、漏检等问题,其次本发明运行效率高,稳定性强,且试用性广,对于大多数钢管类型或者环形产品的端面缺陷可采用本发明方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为图像采集平台搭建示意图。
图2为钢管端面原始图。
图3为钢管端面倒角部分分割出的二值图。
图4为钢管端面内外倒角圆拟合图。
图5为构建的掩膜图像。
图6为逻辑与操作图。
图7为缺陷提取的最终图。
图8擦伤缺陷产品识别效果图
图9为该算法流程图。
图中,1-相机、2-镜头、3-光源、4-厚壁钢管、5-计算机。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于机器视觉的钢管端面缺陷提取识别方法,克服现有技术中的人工检测容易出错且效率低的不足,本发明很好的实现了对钢管端面各种缺陷的提取检测,包括钢管倒角内外径是否倒偏,以及端面擦伤、崩坏、划痕、凹坑等缺陷区域的提取识别。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供一种钢管端面缺陷提取识别方法,主要通过以下步骤来实现对端面缺陷提取的目标:
采用合理的相机光源搭建方式,利用固定阈值先分割出钢管倒角部分的二值图。
运用最小二乘法拟合钢管端面的倒角内外径,以判断钢管端面的倒角是否倒偏。
根据步骤(2)中拟合的倒角内外径参数创建掩膜图像。
根据步骤(3)中获得的掩膜图像与原始图像进行与操作,获得仅含端平面不含倒角的图像。
根据步骤(4)中所得到的图像利用OTSU算法分割端平面图像,得到缺陷区域的二值图像。
将提取的缺陷图像进行特征描述,即计算相关的描述算子。
对提取的特征进行训练,并对新的产品进行分类识别。
进一步,所述步骤(1)中,在对钢管端面图像采集时,采用低角度环形蓝色光源,钢管端部平面距离环形光源底平面大约10mm,相机光源搭建可如图1所示。
经工业相机采集到的钢管端面的图像f(x,y)主要由三部分组成:倒角内外径部分,在8位单通道灰度图像中灰度值趋于255,即白色;钢管端平面背景区域,趋于黑色;钢管端面上的缺陷区域,趋于白色,且与内外径倒角区域的灰度值有所区别。采集到的原始图如图2所示,并对其采用7×7邻域窗口的中值滤波对图像进行图像滤波处理,得到滤波后的钢管端面图像。
由图示2可看出,钢管端面的内外径倒角部分的灰度值明显大于背景区域和缺陷区域,因此,采用固定阈值的阈值分割法先分割出内外径部分。本案例采用的阈值为190,即灰度小于190的像素全部置为0,而大于190的像素全部置为1,进而将倒角内外径部分单独从整个端面部分分割出来,结果如图3所示。
进一步,所述步骤(2)中,分割出的内外径部分主要由四个圆组成,其圆心分别为O1、O2、O3、O4。对分割出的内外径二值图像运用最小二乘法,拟合出内外径包含的四个圆的参数,包括四个圆的圆心坐标及四个圆的半径R1、R2、R3、R4。
分别计算O1与O2之间的距离|O1O2|和O3与O4之间的距离|O3O4|,设定一判决评定值σ,根据以下公式来判断倒角是否倒偏:
|O3O4|>σ,内倒角倒偏
对应的,内外径拟合图如图4所示。
进一步,所述步骤(3)中,根据步骤(2)中拟合求得的四个圆的参数,构建掩膜图像M(x,y)。具体如下,由前述步骤计算得到圆3的圆心坐标O3(A0,B0)、半径R3、半径R2。进行如下公式的操作:
其中δ是为了避免在创建掩膜图像时受到内外倒角边缘计算误差带来的影响而设的一个矫正值,本案例中,δ取为10。所创建的掩膜图像其实就是钢管端平面的圆环区域,掩膜图如图5所示。
进一步,所述步骤(4)中,将原始图像f(x,y)与掩膜图像M(x,y)进行逻辑与操作,即可得到只包含钢管端面圆环区域部分的图像g(x,y),图像g(x,y)其余部分的灰度值都将变为与背景的灰度值相同,即灰度值为0。效果图如图6所示。
进一步,所述步骤(5)中,因钢管端面上的缺陷区域的灰度值并没有像内外径倒角区域的灰度值稳定,即不同类型的缺陷区域的灰度值会有少许不同,因此不能很好地采用固定阈值的阈值分割法对其进行二值化处理。故此时对与操作后的图像g(x,y)采用OTSU阈值法进行二值化处理,分割出端面上的缺陷区域,缺陷区域为白色,背景为黑色。
至此,钢管端面的缺陷区域已经分割出来,但此时的缺陷信息有可能包含了许多细小的缺陷边缘噪声,为了便于后续缺陷的识别分类工作,需对缺陷分割图像再次处理。利用OpecCV中的findContours函数将缺陷的全部轮廓找出,并将轮廓面积小于阈值γ(本文中γ取130)的轮廓剔除掉,最终得到的用于识别分类的缺陷图像如图7所示。
进一步,所述步骤(6)中,要想对某种缺陷进行识别判断,那必须先对该种缺陷进行特征提取。针对钢管端面分割出的二值缺陷,选取的特征描述算子主要从形状特征、几何特征中计算出缺陷区域的面积、周长、圆形度、长宽比、缺陷区域的占空比以及缺陷区域的7个不变矩特征。
一般缺陷区域的面积Area可由下公式1计算得到:
其中,f(x,y)表示的是缺陷区域(x,y)处的灰度值,因为本算法中应用到的是缺陷的二值图像,故计算的f(x,y)值全部为1。Rd代表组成缺陷部分所有像素点的集合。
一般缺陷区域的周长Perimeter可由下公式2计算得到:
其中,Rb代表组成缺陷边界的像素点集合。
一般缺陷区域的占空比Vacancy可由下公式3计算得到:
其中,AreaM代表缺陷区域的最小外接举行的面积。
一般缺陷区域的圆形度Roundness可由下公式4计算得到:
一般缺陷区域的长宽比LWRatio可由下公式5计算得到:
其中,LM代表缺陷区域最小外接举行的长度,而WM代表缺陷区域最小外接举行的宽度。
经过对相关特征描述的计算,可将计算的5个几何特征和形状特征外加7个不变矩特征值组成一个12维的特征向量。
进一步,所述步骤(7)中,对多幅不同缺陷类型图像计算12维特征向量后,运用支持向量机(SVM)的方法进行训练。
其中,在支持向量机中采用C_SVC的类型,因为我们人为选取的12维特征向量对缺陷的类型具有一定的区别性,且维数适中,因此为了提高训练的效率,选用SVM中的线性核函数。
当执行完SVM的训练后,即可进行对新样本的识别判断,在本案例中,以擦伤缺陷样品为试验测试,其结果如图8所示。
整个流程可参照流程图图9所示。
本发明应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种钢管端面缺陷提取识别的方法,其特征在于,包括以下步骤:
(1)采用合理的相机光源搭建方式,利用固定阈值先分割出钢管倒角部分的二值图;
(2)运用最小二乘法拟合钢管端面的倒角内外径,以判断钢管端面的倒角是否倒偏;
(3)根据步骤(2)中拟合的倒角内外径参数创建掩膜图像;
(4)根据步骤(3)中获得的掩膜图像与原始图像进行与操作,获得仅含端平面不含倒角的图像;
(5)根据步骤(4)中所得到的图像利用OTSU算法分割端平面图像,得到缺陷区域的二值图像;
(6)计算缺陷区域二值图像的特征参数,其中特征参数包括面积、周长、占空比、长宽比、圆形度和7个Hu不变矩,并运用支持向量机对其进行训练识别。
2.根据权利要求1所述钢管端面缺陷提取识别的方法,所述的步骤中,其特征在于:利用低角度环形蓝色光源对钢管端面进行采集,且钢管端面距离光源底部大约10mm,这样采集的图像可以是钢管端面明显呈现出3个区域,采用7×7邻域窗口的中值滤波对图像进行图像滤波处理后利用固定阈值的方法先提取出端面的倒角的区域。
3.根据权利要求1所述的钢管端面缺陷提取识别的方法,所述的步骤中,其特征在于:采用最小二乘法对倒角的区域的内外径圆进行拟合,得到4个倒角轮廓圆的相关参数,得到的参数分别为四个拟合圆的圆心O1、O2、O3、O4的坐标,和四个拟合圆的半径R1、R2、R3、R4,其中圆3的圆心坐标O3(A0,B0)。
4.根据权利要求1所述的钢管端面缺陷提取识别的方法,所述的步骤中,其特征在于:利用拟合到的圆的参数,构建掩膜图M(x,y),掩膜图像为钢管端面中包含的圆环的区域,
其中δ是为了避免在创建掩膜图像时受到内外倒角边缘计算误差带来的影响而设的一个矫正值,本案例中,δ取为10。
5.根据权利要求1所述的钢管端面缺陷提取识别的方法,所述步骤中,其特征在于:将掩膜图像与原始图像进行逻辑与操作,操作后的图像在掩膜区域和原始图像区域重合的部分保持不变,而掩膜以外的部分,则像素全部置为背景,即像素灰度值变为0。
6.根据权利要求1所述的钢管端面缺陷提取识别的方法,所述步骤中,其特征在于:由于端面的缺陷区域的灰度值并没有倒角区域的灰度值那么稳定,即缺陷区域的灰度值会因为不同位置或不同类型的缺陷二不同,因此不能用简单的固定阈值的阈值分割法,需要采用OTSU法的自适应阈值分割法;为了排除缺陷边缘的小噪声或者钢管端面本身存在的没有被消除的噪声,对分割后的缺陷进行基于面积大小阈值的剔除法,将小于像素面积130的离散缺陷剔除掉,最后得到的缺陷即为后续需要分类识别的缺陷。
7.根据权利要求1所述的钢管端面缺陷提取识别的方法,所述步骤中,其特征在于:选取的特征参数是由缺陷区域的面积、周长、占空比、长宽比、圆形度和7个Hu不变矩所组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294422.9A CN109544513A (zh) | 2018-10-24 | 2018-10-24 | 一种钢管端面缺陷提取识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294422.9A CN109544513A (zh) | 2018-10-24 | 2018-10-24 | 一种钢管端面缺陷提取识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109544513A true CN109544513A (zh) | 2019-03-29 |
Family
ID=65845754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811294422.9A Pending CN109544513A (zh) | 2018-10-24 | 2018-10-24 | 一种钢管端面缺陷提取识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544513A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062915A (zh) * | 2019-12-03 | 2020-04-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
CN111242894A (zh) * | 2019-12-30 | 2020-06-05 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001126064A (ja) * | 1999-10-26 | 2001-05-11 | Nachi Fujikoshi Corp | 金属表面の欠陥検出方法 |
JP2007155405A (ja) * | 2005-12-01 | 2007-06-21 | Tdk Corp | 外観検査方法及び外観検査装置 |
CN201901544U (zh) * | 2010-12-09 | 2011-07-20 | 徐州重型机械有限公司 | 一种起重机及其箱形起重臂 |
CN103291732A (zh) * | 2013-04-16 | 2013-09-11 | 中国兵器工业集团第七0研究 | 一种发动机曲轴油孔倒角结构 |
US20150278639A1 (en) * | 2013-06-19 | 2015-10-01 | Afl Telecommunications Llc | Auto mode selection in fiber optic end-face images |
CN107315012A (zh) * | 2017-06-22 | 2017-11-03 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片端面崩角的智能检测方法 |
-
2018
- 2018-10-24 CN CN201811294422.9A patent/CN109544513A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001126064A (ja) * | 1999-10-26 | 2001-05-11 | Nachi Fujikoshi Corp | 金属表面の欠陥検出方法 |
JP2007155405A (ja) * | 2005-12-01 | 2007-06-21 | Tdk Corp | 外観検査方法及び外観検査装置 |
CN201901544U (zh) * | 2010-12-09 | 2011-07-20 | 徐州重型机械有限公司 | 一种起重机及其箱形起重臂 |
CN103291732A (zh) * | 2013-04-16 | 2013-09-11 | 中国兵器工业集团第七0研究 | 一种发动机曲轴油孔倒角结构 |
US20150278639A1 (en) * | 2013-06-19 | 2015-10-01 | Afl Telecommunications Llc | Auto mode selection in fiber optic end-face images |
CN107315012A (zh) * | 2017-06-22 | 2017-11-03 | 福建省万龙新材料科技有限公司 | 聚晶金刚石复合片端面崩角的智能检测方法 |
Non-Patent Citations (5)
Title |
---|
ACHMAD WIDODO ET AL.: "Fault diagnosis of low speed bearing based on relevance vector machine and support vector machine", 《EXPERT SYSTEM WITH APPLICATIONS》 * |
刘云明: "基于机器视觉的圆锥滚子外观缺陷检测系统研究与设计", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
刘国华: "《HALCON数字图像处理》", 31 May 2018, 西安电子科技大学出版社 * |
吴彰良: "油封表面缺陷自动在线图像检测关键技术研究", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
王玉槐等: "基于机器视觉的磁环端", 《工程图学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062915A (zh) * | 2019-12-03 | 2020-04-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
CN111062915B (zh) * | 2019-12-03 | 2023-10-24 | 浙江工业大学 | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 |
CN111242894A (zh) * | 2019-12-30 | 2020-06-05 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
CN111242894B (zh) * | 2019-12-30 | 2022-12-16 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN111523540A (zh) | 基于深度学习的金属表面缺陷检测方法 | |
JP2014228357A (ja) | ひび割れ検出方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN111192194A (zh) | 一种针对幕墙建筑立面的全景图像拼接方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 |
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 |