CN109816652B - 一种基于灰度显著性的复杂铸件缺陷识别方法 - Google Patents
一种基于灰度显著性的复杂铸件缺陷识别方法 Download PDFInfo
- Publication number
- CN109816652B CN109816652B CN201910071676.2A CN201910071676A CN109816652B CN 109816652 B CN109816652 B CN 109816652B CN 201910071676 A CN201910071676 A CN 201910071676A CN 109816652 B CN109816652 B CN 109816652B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- defect
- binary
- area
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于灰度显著性的复杂铸件缺陷识别方法。获取复杂铸件的射线图像,对图像进行尺寸归一化,图像变换后进行灰度形态学闭运算,对运算结果再进行中值滤波,得到预处理后的图像。对预处理后图像进行边缘检测,获得边缘部分的二值图像,然后二值图像中去除区域过小部分,最后对二值图像进行二值形态学膨胀运算,得到边缘二值图。利用预处理后的图像和边缘二值图,进行灰度显著性检测,得到初步缺陷区域。最后计算初步缺陷区域的大小,再结合先验知识,判定显著性区域为复杂铸件的缺陷。本发明有效提高了无模板缺陷检测中准确率,能在复杂结构中检测出缺陷区域,最终提高生产自动化效率。
Description
技术领域
本发明涉及数字图像铸件缺陷检测领域,具体涉及一种基于灰度显著性的复杂铸件缺陷识别方法。
背景技术
射线检测是工业铸件检测的一种无损检测方式,通过从不同角度射线照射,得到铸件的内部结构图像,然后专业人员根据得到的射线图像,人工分析铸件内部是否存在缺陷。人工分析的方式可以检测出复杂铸件内部的缺陷,但是随着工作人员的疲劳,检测效率和检测准确度大大降低。铸件缺陷检测自动化的实现,对于提高生产质量和生产效率、加快生产制造智能化有着重要意义。
数字图像处理的方法在很多工业生产场合有着成熟的应用,在缺陷检测方面也有现成的技术方案。目前,利用数字图像处理用来缺陷检测的场合分为两大类,一类为物体表面检测,例如铸件表面、轮胎表面、电路板表面等;另一类为物体内部检测,采用射线图片,得到铸件物体内部结构,来进行分析检测。数字图像处理用来检测物体内部检测,现有的方法可以分为两类:一类为采用无损良好的模板与需要被检测的图像进行差异检测,例如差值法、匹配法;另一类为直接对被检测图像进行处理,利用分割得到缺陷区域,再对区域进行形状、大小等特征,结合先验知识进行缺陷识别。采用模板方法虽然检测成功率高,但是对于模板要求和匹配要求十分严格。采用直接处理方法虽然避免了模板的采集和制作,但是对于复杂结构的铸件效果比较差。
发明内容
本发明的目的是改进现有技术的不足,提出一种基于灰度显著性的复杂铸件缺陷识别方法,通过高斯滤波图像和中值滤波图像的差值,再配合Canny边缘检测得到的边缘二值图,进行灰度显著性检测,得到初步缺陷区域,再根据先验知识,判断缺陷。该方法对光照的要求较低,对于小缺陷也能有很好的检测效果。
为实现上述的技术方案,以下为该方案的步骤:
1、获取复杂铸件的射线图像,对图像进行尺寸归一化,图像变换后进行灰度形态学闭运算,对运算结果再进行中值滤波,得到预处理后的图像。
2、对预处理后图像进行边缘检测,获得边缘部分的二值图像,然后二值图像中去除区域过小部分,最后对二值图像进行二值形态学膨胀运算,得到边缘二值图。
3、利用预处理后的图像和边缘二值图,进行灰度显著性检测,得到初步缺陷区域。
4、计算初步缺陷区域的大小,再结合先验知识,判定显著性区域为复杂铸件的缺陷。
所述的步骤1具体如下:
1.1、对图像调整至指定的尺寸,采用双线性插值对空缺偏移的像素进行填充。
1.2、对调整后的图像先进行灰度形态学膨胀运算,消除不均匀部分,再进行灰度形态学腐蚀运算,两个运算形成了灰度形态学闭运算。
1.3、对结果图像进行中值滤波,消除噪声,得到预处理后的图像。
所述的步骤2具体如下:
2.1、采用Canny边缘检测的方法,先采用高斯算子与图像卷积,平滑图像;然后提取图像水平垂直方向的梯度和梯度方向;接着计算梯度方向上梯度最大的点作为边缘点,形成脊轨迹,沿着轨迹利用阈值对像素值进行处理,获得初步边缘图像;最后边缘连接,得到初步边缘二值图。
2.2、对初步边缘二值图像进行二值形态学膨胀运算,为了加宽和补全边缘,得到边缘二值图。
所述的步骤3具体如下:
3.1、对预处理后的图像采用高斯算子进行卷积,平滑图像,得到高斯滤波后图像;再对高斯滤波后图像进行指定次数的中值滤波,为了过滤缺陷部分的高频特性,得到中值滤波后图像。
3.2、计算高斯滤波后图像和中值滤波后图像的差值,采用阈值对差值进行判断,差值符合阈值的区域为可能是缺陷的区域,再对此区域进行区域填充和二值形态学闭运算,得到差值二值图。
3.3、定义差值集合,集合中的每个元素为差值二值图中各自不相交的区域,定义边缘集合,集合中的每个元素为边缘二值图中各自不相交的区域。
3.4、做数学集合运算,得差值集和边缘集的交集,从差值二值图中去除交集中的区域,再根据阈值判断去除交集后的区域过小、过大、图像边界的区域,完成了整个灰度显著性检测,得到初步缺陷区域。
所述的步骤4具体如下:
4.1、计算先前缺陷图像中的缺陷区域大小,设定阈值。
4.2、计算初步缺陷区域中每个区域的大小,根据先验知识计算出的阈值,判断满足的区域为缺陷。
所述的灰度显著性检测就是步骤3.1,3.2,3.3,3.4。
本发明的有益效果主要表现在:
1、灰度显著性检测中,在高斯滤波后图像的基础上,进行中值滤波,再做两幅图像的差值,加大了差值结果的准确率。
2、灰度显著性检测中,结合了边缘二值图,消去了明显的误检测区域,提高了最终缺陷区域的检测率。
附图说明
图1为本发明的检测方法流程图;
图2是实例获取的铸件射线原图;
图3是铸件的预处理后图;
图4是铸件的边缘二值图;
图5是铸件的初步缺陷区域图;
图6是铸件的最终缺陷区域图。
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。
本发明流程如图1所示,实例如下:
步骤1:对获取到的射线图像,如图2所示,进行尺寸调整,进行灰度形态学闭运算,对结果再进行中值滤波,得到预处理后的图像。实现具体如下:
1.1、设定图像的目标尺寸为长宽均为512,进行缩放运算,对于空缺像素采用双线性插值。
1.2、对调整过后的图像进行灰度形态学闭运算,膨胀和腐蚀算子均为矩形,尺寸为长宽均为3。
1.3、对图像再进行中值滤波,中值滤波算子尺寸为长宽均为5,得到预处理后图像I_O,结果如图3所示。
步骤2:对图像进行边缘检测,获得边缘部分的二值图,然后再筛选区域过小部分,再进行二值形态学膨胀运算,得到边缘二值图。实现具体如下:
2.1、采用Canny边缘检测的方法,先采用高斯算子与图像卷积,高斯算子方差为平滑图像;然后提取图像水平垂直方向的梯度和梯度方向;接着计算梯度方向上梯度最大的点作为边缘点,形成脊轨迹,沿着轨迹利用阈值对像素值进行处理,获得初步边缘图像;最后边缘连接,得到初步边缘二值图。
2.2、对初步边缘二值图进行二值形态学膨胀运算,膨胀算子为矩形,尺寸为长宽均为7,加宽和补全边缘,得到边缘二值图I_E,结果如图4所示。
步骤3:利用预处理后的图像I_O和边缘二值图I_E,进行灰度显著性检测,得到初步缺陷区域。实现具体如下:
3.1、对图像I_O进行高斯算子卷积,高斯算子尺寸为长宽均为5,方差为2,得到高斯滤波后图像I_G;再对高斯滤波后图像I_G进行制定次数的中值滤波,中值滤波算子尺寸为长宽均为11,滤波次数为5,为了过滤缺陷部分的高频特性,得到中值滤波后图像I_M。
3.2、计算高斯滤波后图像I_G和中值滤波后图像I_M的差值,即I_G-I_M;采用阈值对差值进行判断,根据先验知识上阈值为15,下阈值为5,即满足这个阈值内的差值为可能缺陷的区域;再对此区域进行区域填充和二值形态学闭运算,膨胀和腐蚀算子均为矩形,尺寸为长宽均为3,得到差值二值图I_Δ。
3.3、定义差值集合S_Δ,集合S_Δ中的每个元素为差值二值图中各自不相交的区域,即S_Δ={x│x∈I_Δ},定义边缘集合S_E,集合中的每个元素为边缘二值图中各自不相交的区域,即S_E={x│x∈I_E}。
3.4、做数学集合运算,得差值集和边缘集的交集,即S_C={x│x∈(S_Δ∩S_E)},从差值二值图中去除交集中的区域,即S_Δ-S_C,再根据阈值判断去除交集后的区域过小、过大、图像边界的区域,其中过小阈值为5,过大阈值为400,图像边界为10,完成了整个灰度显著性检测,得到初步缺陷区域I_Def,结果如图5所示。
步骤4:计算初步缺陷区域的大小,再结合先验知识,判断满足的区域为复杂铸件的缺陷。实现具体步骤如下:
4.1、计算先前缺陷图像中的缺陷区域大小,设定阈值。
4.2、计算初步缺陷区域中每个区域的大小,根据先验知识计算出的阈值,判断满足的区域为缺陷,根据经验阈值选择10,结果如图6所示。
通过上述实例,本发明提出了一种基于灰度显著性的复杂铸件缺陷识别方法,通过灰度检测显著性检测,其中结合了铸件的边缘二值图,能够准确有效的检测出复杂铸件的缺陷位置。对于从事本领域的技术和开发人员,在不违背本发明原理和精神的情况下,对这些实施方式进行各种变化、修改、替换和变型,仍落入在本发明的保护范围内。
Claims (2)
1.一种基于灰度显著性的复杂铸件缺陷识别方法,其特征在于,包括如下步骤:
(1)获取复杂铸件的射线图像,对图像进行尺寸归一化,图像变换后进行灰度形态学闭运算,对运算结果再进行中值滤波,得到预处理后的图像;
(2)对预处理后图像进行边缘检测,获得边缘部分的二值图像,然后二值图像中去除区域过小部分,最后对二值图像进行二值形态学膨胀运算,得到边缘二值图;
(3)利用预处理后的图像和边缘二值图,进行灰度显著性检测,得到初步缺陷区域;
(4)计算初步缺陷区域的大小,再结合先验知识,判断满足的区域为复杂铸件的缺陷;
步骤(1)具体为:
1.1、对图像调整至指定的尺寸,采用双线性插值对空缺偏移的像素进行填充;
1.2、对调整后的图像先进行灰度形态学膨胀运算,消除不均匀部分,再进行灰度形态学腐蚀运算,两个运算形成了灰度形态学闭运算;
1.3、对结果图像进行中值滤波,消除噪声,得到预处理后的图像;
步骤(2)具体为:
2.1、采用Canny边缘检测的方法,先采用高斯算子与图像卷积,平滑图像;然后提取图像水平垂直方向的梯度和梯度方向;接着计算梯度方向上梯度最大的点作为边缘点,形成脊轨迹,沿着轨迹利用阈值对像素值进行处理,获得初步边缘图像;最后边缘连接,得到初步边缘二值图;
2.2、对初步边缘二值图像进行二值形态学膨胀运算,为了加宽和补全边缘,得到边缘二值图;
步骤(3)具体为:
3.1、对预处理后的图像采用高斯算子进行卷积,平滑图像,得到高斯滤波后图像;再对高斯滤波后图像进行指定次数的中值滤波,为了过滤缺陷部分的高频特性,得到中值滤波后图像;
3.2、计算高斯滤波后图像和中值滤波后图像的差值,采用阈值对差值进行判断,差值符合阈值的区域为可能是缺陷的区域,再对此区域进行区域填充和二值形态学闭运算,得到差值二值图;
3.3、定义差值集合,集合中的每个元素为差值二值图中各自不相交的区域,定义边缘集合,集合中的每个元素为边缘二值图中各自不相交的区域;
3.4、做数学集合运算,得差值集和边缘集的交集,从差值二值图中去除交集中的区域,再根据阈值判断去除交集后的区域过小、过大、图像边界的区域,完成了整个灰度显著性检测,得到初步缺陷区域。
2.根据权利要求1所述的方法,其特征在于,步骤(4)具体为:
4.1、计算先前缺陷图像中的缺陷区域大小,设定阈值;
4.2、计算初步缺陷区域中每个区域的大小,根据先验知识计算出的阈值,判断满足的区域为缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071676.2A CN109816652B (zh) | 2019-01-25 | 2019-01-25 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071676.2A CN109816652B (zh) | 2019-01-25 | 2019-01-25 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816652A CN109816652A (zh) | 2019-05-28 |
CN109816652B true CN109816652B (zh) | 2022-08-12 |
Family
ID=66605024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071676.2A Active CN109816652B (zh) | 2019-01-25 | 2019-01-25 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816652B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610474A (zh) * | 2019-07-04 | 2019-12-24 | 上海大学 | 一种基于红外图像的太阳能板缺陷实时检测方法 |
CN110687130A (zh) * | 2019-09-27 | 2020-01-14 | 天津大学 | 微细孔内壁缺陷自动检测方法 |
CN110766675B (zh) * | 2019-10-22 | 2020-07-10 | 科士恩科技(上海)有限公司 | 太阳能电池板缺陷检测方法 |
CN112288679B (zh) * | 2019-11-06 | 2024-03-29 | 中北大学 | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 |
CN111257326B (zh) * | 2020-01-22 | 2021-02-26 | 重庆大学 | 一种金属加工区域提取方法 |
CN111582034A (zh) * | 2020-04-07 | 2020-08-25 | 北京旋极信息技术股份有限公司 | 一种景物特征提取方法和设备 |
CN111598851B (zh) * | 2020-04-29 | 2023-09-19 | 苏州晟成光伏设备有限公司 | 一种基于形态学图像处理的太阳能电池破片检测方法 |
CN111915633A (zh) * | 2020-07-24 | 2020-11-10 | 安徽工程大学 | 一种铸件边缘检测方法及装置 |
CN111860676A (zh) * | 2020-07-28 | 2020-10-30 | 上海喆塔信息科技有限公司 | 一种基于空间聚类的wafer bin合并方法 |
CN112150423A (zh) * | 2020-09-16 | 2020-12-29 | 江南大学 | 一种经纬稀疏网孔缺陷识别方法 |
CN112785547A (zh) * | 2020-11-11 | 2021-05-11 | 平高集团有限公司 | 一种电极触头表面损伤识别方法和系统 |
CN112651961A (zh) * | 2021-01-06 | 2021-04-13 | 华虹半导体(无锡)有限公司 | 晶圆缺陷的识别方法及装置 |
CN115254674B (zh) * | 2022-09-28 | 2023-01-17 | 南通思诺船舶科技有限公司 | 一种轴承缺陷分选方法 |
CN115598138B (zh) * | 2022-11-23 | 2023-04-07 | 惠州威尔高电子有限公司 | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 |
CN116385445B (zh) * | 2023-06-06 | 2023-08-11 | 东莞市希锐自动化科技股份有限公司 | 一种基于视觉技术的电镀五金件瑕疵检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11224892A (ja) * | 1998-02-05 | 1999-08-17 | Nippon Inter Connection Systems Kk | テープキャリアの欠陥検出装置および欠陥検出方法 |
US6058204A (en) * | 1996-08-29 | 2000-05-02 | Societe Nationale D'etude Et De Moteurs D'aviation "Snecma" | Process for the automatic detection of defects in mechanical parts having complex geometry |
CN102129694A (zh) * | 2010-01-18 | 2011-07-20 | 中国科学院研究生院 | 一种图像显著区域检测方法 |
CN103473739A (zh) * | 2013-08-15 | 2013-12-25 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与系统 |
CN103872983A (zh) * | 2014-04-04 | 2014-06-18 | 天津市鑫鼎源科技发展有限公司 | 太阳能电池表面缺陷检测设备及方法 |
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN106780493A (zh) * | 2017-01-24 | 2017-05-31 | 广东省特种设备检测研究院珠海检测院 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
CN108280838A (zh) * | 2018-01-31 | 2018-07-13 | 桂林电子科技大学 | 一种基于边缘检测的夹片牙型缺陷检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
US8131107B2 (en) * | 2008-05-12 | 2012-03-06 | General Electric Company | Method and system for identifying defects in NDT image data |
CA2780202C (en) * | 2012-06-19 | 2014-11-18 | Centre De Recherche Industrielle Du Quebec | Method and system for detecting the quality of debarking at the surface of a wooden log |
-
2019
- 2019-01-25 CN CN201910071676.2A patent/CN109816652B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6058204A (en) * | 1996-08-29 | 2000-05-02 | Societe Nationale D'etude Et De Moteurs D'aviation "Snecma" | Process for the automatic detection of defects in mechanical parts having complex geometry |
JPH11224892A (ja) * | 1998-02-05 | 1999-08-17 | Nippon Inter Connection Systems Kk | テープキャリアの欠陥検出装置および欠陥検出方法 |
CN102129694A (zh) * | 2010-01-18 | 2011-07-20 | 中国科学院研究生院 | 一种图像显著区域检测方法 |
CN103473739A (zh) * | 2013-08-15 | 2013-12-25 | 华中科技大学 | 一种基于支持向量机的白细胞图像精确分割方法与系统 |
CN103872983A (zh) * | 2014-04-04 | 2014-06-18 | 天津市鑫鼎源科技发展有限公司 | 太阳能电池表面缺陷检测设备及方法 |
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN105931227A (zh) * | 2016-04-14 | 2016-09-07 | 北京工业大学 | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN106780493A (zh) * | 2017-01-24 | 2017-05-31 | 广东省特种设备检测研究院珠海检测院 | 一种基于焊缝x射线数字图像的圆形缺陷识别方法 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
CN108280838A (zh) * | 2018-01-31 | 2018-07-13 | 桂林电子科技大学 | 一种基于边缘检测的夹片牙型缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
Noise removal using Morphology and Median filter Methods in Mammogram Images;M.P.Sukassini等;《ResearchGate》;20160121;第413-419页 * |
基于形态学的焊缝X射线图像缺陷检测;王勇等;《东华大学学报(自然科学版)》;20130831;第39卷(第4期);第460-463页 * |
基于机器视觉的钢板焊缝缺陷检测方法研究;陈强;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20130615(第06期);第I138-1077页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109816652A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN107798326B (zh) | 一种轮廓视觉检测方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN111667462B (zh) | 一种焊接缺陷中弱小目标的自动检测方法与系统 | |
CN111474184A (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN112862770B (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
CN110933926B (zh) | 一种基于角点检测的贴片机吸嘴元件角度的自动校正方法 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN115170669A (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
US6289123B1 (en) | Character extracting method and its apparatus | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |