CN109886932A - 基于svm的轮速传感器齿圈表面缺陷检测方法 - Google Patents
基于svm的轮速传感器齿圈表面缺陷检测方法 Download PDFInfo
- Publication number
- CN109886932A CN109886932A CN201910070978.8A CN201910070978A CN109886932A CN 109886932 A CN109886932 A CN 109886932A CN 201910070978 A CN201910070978 A CN 201910070978A CN 109886932 A CN109886932 A CN 109886932A
- Authority
- CN
- China
- Prior art keywords
- image
- gear ring
- svm
- defect
- wheel speed
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SVM的轮速传感器齿圈表面缺陷检测方法,具体实施内容为:本发明方法采用事先确定感兴趣区域图像的方法,在感兴趣图像中提取缺陷区域图像,从几何特征、灰度特征、纹理特征三个方面选取6个突出的特征参数:像素总数、灰度均值、灰度方差、熵值、惯性矩、逆差矩,构成特征向量;构造SVM的一对一多分类器,利用训练样本的特征向量通过粒子群算法对SVM模型中的惩罚因子C和核参数g进行优化,获取最佳预测模型,最后将待测齿圈展开图像样本的特征向量输入到SVM模型中,进行缺陷检测。该方法可用于机器替代人类对轮速传感器齿圈进行检测,解决了人工检测费时费力、误差大等问题。
Description
技术领域
本发明涉及机器视觉检测技术领域,尤其是涉及一种基于SVM的轮速传感器齿圈表面缺陷检测方法。
背景技术
制动防抱死系统(ABS)是车辆最基本的安全系统,轮速传感器齿圈是ABS系统中的核心零部件,其质量的好坏直接影响了ABS系统能否正常工作。因此,为了防止不合格的轮速传感器齿圈投入到汽车生产中,提高车辆安全性能,各齿圈生产厂家都设置了产品出厂检测环节。轮速传感器齿圈表面缺陷主要分为积液、缺齿和色差三种类型。在轮速传感器齿圈表面缺陷检测上,目前国内常用的检测方法主要包括:
(1)通过人眼识别轮速传感器齿圈的表面缺陷,借此来判断产品是否合格。当待检齿圈数量较多时,显然这种方式不仅误差大,还大量消耗人力物力,产品精度很难得到提高;
(2)采用反射型光纤传感器对轮速传感器齿圈进行缺陷的检测。虽然该方法的检测速度能够达到10s/pcs,但通过该方法只能检测出产品是否合格,不能对产品缺陷进行分类,导致缺陷齿圈还需要人工进行分拣,浪费时间和精力;
(3)采用图像处理的方式对轮速传感器齿圈进行缺陷的检测,根据经验得到缺陷位置,即:缺齿位于齿圈顶面,色差位于齿圈面中部,积液位于齿圈底面,但实际生产中所得齿圈的缺陷位置具有随机性,所以该方法影响测量的精度。
发明内容
本发明针对现有技术的不足,提供了一种基于SVM的轮速传感器齿圈表面缺陷检测方法,该方法采用事先确定感兴趣区域的方式,采用图像处理的方法对轮速传感器齿圈表面图像进行处理,然后分析齿圈表面缺陷的几何特征、纹理特征、灰度特征,选取较为突出的6组数据:像素总数、灰度均值、灰度方差、熵值、惯性矩、逆差矩,构成特征向量。构造SVM的一对一多分类器,将n维的矢量空间中的样本数据映射到高维的特征空间中,设置多项式核函数进行非线性变换,在高维的特征空间中实现线性分类,搭建SVM模型,搭建SVM模型,选取已知缺陷的训练样本,然后利用训练样本的特征向量通过粒子群算法(PSO)对SVM模型中关键参数(惩罚因子C和核参数g)进行最佳参数的选取,将获得的最佳参数组合(C,g)运用到SVM检测模型中,将待测样本的特征向量输入到SVM模型中,进行缺陷识别;提高了测量精度,同时可用于机器替代人类对轮速传感器齿圈进行检测,解决了人眼识别、人工调整费时费力,误差大的问题。
本发明所采用的技术方案是,一种基于SVM的轮速传感器齿圈表面缺陷检测方法,具体按照以下步骤实施:
步骤1:获取轮速传感器齿圈的表面展开图像Src;
步骤2:获取图像Src的感兴趣区域Roi;
步骤3:对感兴趣区域图像Roi采用迭代法进行二值化处理,得到二值图像Sub;
步骤4:对二值图像Sub进行滤波去噪得到结果图像Imp,然后进行取反得到图像Imn;
步骤5:在取反图像Imn中先消除竖条,再去除毛刺,接着消去横条,最后进行缺陷区域提取得到缺陷区域图像Inn;如果存在缺陷区域,按照以下步骤继续判断缺陷的种类;如果没有检测到缺陷区域,则表明该齿圈没有缺陷;
步骤6:提取缺陷区域图像的6个特征参数,即像素总数、灰度均值、灰度方差、熵值、惯性矩和逆差矩,构建特征向量;
步骤7:构造SVM的一对一多分类器,将n维的矢量空间中的样本数据映射到高维的特征空间中,在高维的特征空间中实现线性分类,搭建SVM模型;
步骤8:选取已知缺陷的轮速传感器齿圈表面图像训练样本,利用训练样本的特征向量通过粒子群算法(PSO)对SVM模型中关键参数(惩罚因子C和核参数g)进行优化,将获得的最佳参数组合(C,g)运用到SVM检测模型中;
步骤9:将待测轮速传感器齿圈表面图像样本的特征向量输入到SVM模型中,进行表面缺陷识别;
至此,实现了轮速传感器齿圈表面缺陷的检测,即成。
本发明的有益效果是通过图像处理技术结合SVM实现对轮速传感器齿圈表面的缺陷进行检测。本发明方法,提高了测量精度,同时可用于机器替代人类对轮速传感器齿圈进行检测,解决了人眼识别、人工分类费时费力,误差大的问题。
附图说明
图1是本发明方法的步骤流程图;
图2是本发明方法获取的原图像;
图3是本发明方法获取的感兴趣区域图像;
图4是本发明方法获取的二值化图像;
图5是本发明方法获取的滤波图像;
图6是本发明方法获取的取反图像;
图7是本发明方法获取的去除竖条干扰后的图像;
图8是本发明方法获取的仅含有缺陷信息的图像;
图9是本发明方法的获取的检测结果统计图;
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,本发明方法的步骤是:
步骤1:获取轮速传感器齿圈的表面图像Src
利用两个线阵光源斜向照射到待测的轮速传感器齿圈中心,采用旋转电缸带动齿圈匀速旋转的方法,由线阵CCD相机从侧面采集齿圈环形表面数据至上位机,得到齿圈表面展开原图像Src,如图2所示。
步骤2:获取图像的感兴趣区域Roi
获取轮速传感器齿圈的表面展开图像时相机与齿圈的位置都是固定的,含有齿圈部分信息的区域在图像中的位置也是近似固定的。设含有齿圈表面信息的区域位于齿圈图像Src的L1行到L2行,则直接提取齿圈图像的L1行到L2行的数据就能得到只含有齿圈表面信息的区域,得到感兴趣区域图像Roi,如图3所示。
步骤3:对感兴趣区域图像Roi采用迭代法进行二值化处理,得到图像Sub
假设感兴趣区域图像Roi的像素为f (x,y),设定一个初始阈值Th,像素灰度值大于此
阈值的像素归属像素集合A,像素灰度值小于等于此阈值的像素归属像素集合B,分别计算
A、B集合的像素均值和,如式(1)和式(2)所示:
(1)
(2)
其中,和分别表示集合A和集合B中的像素个数;
更新阈值,然后判断当前计算阈值与上次计算阈值的差值是否
满足约束条件,即两次阈值差值小于一个约束值T。若小于T,则当前阈值Th即为所求最佳阈
值;否则,重新计算A,B集合的像素均值,直到满足给定的约束条件为止;将计算得到的阈值
作为二值化处理分割的阈值,得到二值图像Sub,如图4所示。
步骤4:对二值化图像Sub进行滤波去噪得到结果图像Imp,然后进行取反得到图像Imn
二值图像中噪点呈离散状态,各噪点面积很小,针对这类噪点,选择非线性滤波器中的
中值滤波方法;中值滤波器采用5×5的核为核区域对二值图像Sub进行去噪处理;方法为:
若要计算以点为中心的函数窗像素中值,首先按像素值大小排列像素点,然后选择排
序像素集的中间值作为点的新值,中值滤波后图像Imp,如图5所示;采取对图像Imp直
接取反(原像素灰度值为255的变为0,原像素灰度值为0的变为255)的方式对图像进行处
理,得到图像Imn,如图6所示。
步骤5:在取反图像Imn中齿底和齿顶都会存在,需要先消除竖条,再去除毛刺,接着消去横条,最后进行缺陷区域提取得到缺陷区域图像Inn
将图像Imn进行像素统计,把列方向上的像素点投影到水平方向上的方向,对竖条的位置进行选取,U型条的两个竖条在x轴上的投影是在[0,210]范围内,将所有数据归一到[0,1]的范围内,则能得到不同像素累加值在小范围内的分布情况;在对数据进行归一化前需要对数据进行从大到小排序处理,采用的归一化公式为:
(3)
其中,=1,=0,为样本数据的最大值,为样本数据的最小值;
根据归一化方法设置阈值为a(0 < a < 1),将数据一分为二,一部分为剔除数据,一部分为缺陷区域数据,记录剔除数据的水平坐标并将此列的像素值置零,此时竖条已经消除,会留下较多的毛刺区域,统计图像中连通区域的像素点个数,然后采用归一化方法设置阈值为b(0 < b < 1),将数据一分为二,一部分为剔除数据,一部分为缺陷区域数据,记录剔除数据的水平坐标并将此列的像素值置零,毛刺便已经消除,得到图像Ima,如图7所示;
在对采集到的所有合格图像中横条存在的位置进行统计,横条在竖直方向上投影的位置近似固定,采用这个经验数值来对图像进行消除横条的操作,得到仅含有缺陷信息的图像Inn,如图8所示;
如果图像Inn中存在缺陷区域,按照以下步骤继续判断缺陷的种类;如果在图像Inn中没有检测到缺陷区域,则表明该被测齿圈没有缺陷。
步骤6:提取缺陷区域图像的6个特征参数,即像素总数、灰度均值、灰度方差、熵值、惯性矩和逆差矩,构建特征向量
由于三种类型缺陷连通域大小并不相同,因此,选取缺陷连通域内的像素点个数作为几何特征参数,即统计缺陷连通域中像素值不为0的个数,作为第1个特征,原理公式如式(4)所示:
(4)
其中,S表示缺陷连通域像素个数,初始值设为0;
在含有缺陷区域信息的二值化图像中记录下含有缺陷连通域内的坐标位置,然后在初始图像中找到对应的像素点,进行灰度均值与灰度方差的计算,作为第2个和第3个特征;
(5)
(6)
其中,为缺陷区域灰度均值,为缺陷区域灰度方差,为缺陷区域内第个像素
点的行坐标,为缺陷区域内第个像素点的列坐标,为第个像素点在初始图像
中的灰度值,为缺陷区域内像素点总数;
运用统计方法中的灰度共生矩阵,提取灰度图像中图像纹理三个主要特征,即熵值、惯
性矩和逆差矩作为第4和第5、第6个特征;其中,灰度共生矩阵是灰度级为的图像
对应的归一化二维概率(直方图)矩阵,即:
(7)
式中,矩阵的任意元素为某一方向上和某一距离的两个像素在整幅
图像中的出现概率,这两个像素中一个像素灰度值为,另一个像素灰度值为;三个纹理特
征原理公式如式(7)~(9)所示:
1)熵值: (8)
2)惯性矩: (9)
3)逆差矩: (10)。
步骤7:构造SVM的一对一多分类器,将n维的矢量空间中的样本数据映射到高维的特征空间中,在高维的特征空间中实现线性分类,搭建SVM模型
假设训练数据为,,,当两条平行于某一
分类面的平行分类线正确地将两类样本分开,且两类样本到该面的最小距离之和最大,即
分类间隔最大时,该面即为最优分类面。由于在计算分类间隔时,将
最大的问题可等同转化为使最小的问题,因此可以通过式(11)~式(13)求出:
(11)
(12)
(13)
当满足式(12)和式(13)且使式(11)取得最小的分类面就是最优分类面。其中,使式
(12)等号成立的训练样本称为支持向量,为松弛因子;
建立一个最优决策超平面,使得该平面两侧距离该平面最近的两类样本之间的距离最大化,从而对分类问题提供良好的泛化能力。构造SVM的一对一多分类器,从二维空间扩展到多维,可以使用非线性的方法,让空间从原本的线性空间转换到另一个维度更高的空间,在这个高维的线性空间中,再用一个超平面对样本进行划分,选择多项式核函数实现非线性变换,多项式核函数如式(14)所示;
, (14)
对于一个多维的样本集,系统随机产生一个超平面并不断移动,对样本进行分类,直到训练样本中属于不同类别的样本点正好位于该超平面的两侧,满足该条件的超平面可能有很多个,SVM在保证分类精度的同时,寻找到这样一个超平面,使得超平面两侧的空白区域最大化,从而实现对线性可分样本的最优分类,从而将缺齿、积液和色差缺陷进行分类。
步骤8:选取已知缺陷的轮速传感器齿圈表面图像训练样本,利用训练样本的特征向量通过粒子群算法(PSO)对SVM模型中关键参数(惩罚因子C和核参数g)进行优化,将获得的最佳参数组合(C,g)运用到SVM检测模型中
采用粒子群算法(PSO)选取最佳参数,即:先通过粒子群初始化生成一群随机粒子,再
通过更新迭代找到最优解。在每一次迭代过程中,随机粒子会依据跟踪个体极值(粒子本身
所找到的最优解)以及全局极值,并通过公式(15)与公式(16)来更新自己的速度与位
置:
(15)
(16)
其中,,m为粒子个数,,D为空间维数,k为迭代次数(),
学习因子c 1和c 2是非负常数,通常设置经验值都为2,与分别为间的随机数;
选取已知缺陷的轮速传感器齿圈,提取特征向量作为训练样本,初始化参数惩罚因子C和核参数g,同时设置粒子群的维数、种群最大数量、最大进化数量、速度更新弹性系数、种群更新弹性系数以及学习因子c 1与c 2;
在(C, g)组成的二维目标搜索空间中确定粒子群大小,即由m个粒子构成一个群,同
时,第i个粒子的位置信息可由一个二维向量表示;记第i个粒子更新为历
史最优位置时的数据为,整体种群迄今搜索到的最佳位置的数据为,第i
个粒子的“飞翔”速度数据为。粒子根据公式(15)与公式(16)不断调整自己
的位置与速度信息,其中,m=2,D=2,直到迭代完成,输出最佳参数,将获得的最佳参
数组合(C,g)运用到SVM检测模型中。
步骤9:将待测样本的特征向量输入到SVM模型中,进行缺陷识别
从待测齿圈表面图像样本中获得特征向量,将其作为SVM检测模型的输入,进行轮速传感器齿圈表面缺陷检测,记录下缺陷的位置坐标,在原图Src上面标记出缺陷的位置,如图9所示,从而实现轮速传感器齿圈表面缺陷的检测。
Claims (9)
1.基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,具体按照以下步骤实施:
步骤1:获取轮速传感器齿圈的表面展开图像Src;
步骤2:获取图像Src的感兴趣区域Roi;
步骤3:对感兴趣区域图像Roi采用迭代法进行二值化处理,得到二值图像Sub;
步骤4:对二值图像Sub进行滤波去噪得到结果图像Imp,然后进行取反得到图像Imn;
步骤5:在取反图像Imn中先消除竖条,再去除毛刺,接着消去横条,最后进行缺陷区域提取得到缺陷区域图像Inn;如果存在缺陷区域,按照以下步骤继续判断缺陷的种类;如果没有检测到缺陷区域,则表明该齿圈没有缺陷;
步骤6:提取缺陷区域图像的6个特征参数,即像素总数、灰度均值、灰度方差、熵值、惯性矩和逆差矩,构建特征向量;
步骤7:构造SVM的一对一多分类器,将n维的矢量空间中的样本数据映射到高维的特征空间中,在高维的特征空间中实现线性分类,搭建SVM模型;
步骤8:选取已知缺陷的轮速传感器齿圈表面图像训练样本,利用训练样本的特征向量通过粒子群算法(PSO)对SVM模型中关键参数(惩罚因子C和核参数g)进行优化,将获得的最佳参数组合(C,g)运用到SVM检测模型中;
步骤9:将待测轮速传感器齿圈表面图像样本的特征向量输入到SVM模型中,进行表面缺陷识别;
至此,实现了轮速传感器齿圈表面缺陷的检测,即成。
2.根据权利要求1所述的基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,所述的步骤1中,具体按照以下过程实施:
利用两个线阵光源斜向照射到待测的轮速传感器齿圈中心,采用旋转电缸带动齿圈匀速旋转的方法,由线阵CCD相机从侧面采集齿圈环形表面数据至上位机,得到齿圈表面展开原图像Src。
3.根据权利要求1所述的基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,所述的步骤3中,具体按照以下过程实施:
假设感兴趣区域图像Roi的像素为f (x,y),设定一个初始阈值Th,像素灰度值大于此
阈值的像素归属像素集合A,像素灰度值小于等于此阈值的像素归属像素集合B,分别计算
A、B集合的像素均值和,如式(1)和式(2)所示:
(1)
(2)
其中,和分别表示集合A和集合B中的像素个数;
更新阈值,然后判断当前计算阈值与上次计算阈值的差值是否
满足约束条件,即两次阈值差值小于一个约束值T;若小于T,则当前阈值Th即为所求最佳阈
值;否则,重新计算A,B集合的像素均值,直到满足给定的约束条件为止;将计算得到的阈值
作为二值化处理分割的阈值,得到二值图像Sub。
4.根据权利要求1所述的基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,所述的步骤4中,具体按照以下过程实施:
对二值图像Sub进行5×5窗口中值滤波去除噪声,得到滤波后的图像 Imp,然后对图像Imp直接取反得到图像Imn。
5.根据权利要求1所述的基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,所述的步骤5中,具体按照以下过程实施:
将图像Imn进行像素统计,把列方向上的像素点进行水平投影,对竖条的位置进行选取,选择利用归一化的方法设置阈值消除竖条,并设阈值为a;然后采用归一化方法对阈值进行选取消除毛刺,阈值设为b,得到图像Ima;
在对采集到的所有合格图像中横条存在的位置进行统计,横条在竖直方向上投影的位置近似固定,采用这个经验数值来对图像进行消除横条的操作,得到仅含有缺陷信息的图像Inn;
如果图像Inn中存在缺陷区域,按照以下步骤继续判断缺陷的种类;如果在图像Inn中没有检测到缺陷区域,则表明该被测齿圈没有缺陷。
6.根据权利要求1所述的基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,所述的步骤6中,具体按照以下过程实施:
由于三种类型缺陷连通域大小并不相同,因此,选取缺陷连通域内的像素点个数作为几何特征参数,即统计缺陷连通域中像素值不为0的个数,作为第1个特征,原理公式如式(3)所示:
(3)
其中,表示缺陷连通域像素个数,初始值设为0;
在含有缺陷区域信息的图像Inn中记录下含有缺陷连通域内的坐标位置,然后在原图像Src中找到对应的像素点,进行灰度均值与灰度方差的计算,作为第2个和第3个特征;
(4)
(5)
其中,为缺陷区域灰度均值,为缺陷区域灰度方差,为缺陷区域内第个像素点
的行坐标,为缺陷区域内第个像素点的列坐标,为第个像素点在初始图像
中的灰度值,为缺陷区域内像素点总数;
运用统计方法中的灰度共生矩阵提取灰度图像中图像纹理三个主要特征,即熵值、惯
性矩和逆差矩作为第4和第5、第6个特征;其中,灰度共生矩阵是灰度级为的图像
对应的归一化二维概率(直方图)矩阵,即:
(6)
式中,矩阵的任意元素为某一方向上和某一距离的两个像素在整幅
图像中的出现概率,这两个像素中一个像素灰度值为,另一个像素灰度值为;三个纹理特
征原理公式如式(7)~(9)所示;
1)熵值: (7)
2)惯性矩: (8)
3)逆差矩: (9)。
7.根据权利要求1所述的基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,所述的步骤7中,具体按照以下过程实施:
假设训练数据为,,,当两条平行于某一
分类面的平行分类线正确地将两类样本分开,且两类样本到该面的最小距离之和最大,即
分类间隔最大时,该面即为最优分类面。由于在计算分类间隔时,将
最大的问题可等同转化为使最小的问题,因此可以通过式(10)~式(12)求出:
(10)
(11)
(12)
当满足式(11)和式(12)且使式(10)取得最小的分类面就是最优分类面,其中,使式
(11)等号成立的训练样本称为支持向量,为松弛因子;
建立一个最优决策超平面,使得该平面两侧距离该平面最近的两类样本之间的距离最大化,从而对分类问题提供良好的泛化能力;构造SVM的一对一多分类器,从二维空间扩展到多维,可以使用非线性的方法,让空间从原本的线性空间转换到另一个维度更高的空间,在这个高维的线性空间中,再用一个超平面对样本进行划分,选择多项式核函数实现非线性变换,多项式核函数如式(13)所示;
, (13)
对于一个多维的样本集,系统随机产生一个超平面并不断移动,对样本进行分类,直到训练样本中属于不同类别的样本点正好位于该超平面的两侧,满足该条件的超平面可能有很多个,SVM在保证分类精度的同时,寻找到这样一个超平面,使得超平面两侧的空白区域最大化,从而实现对线性可分样本的最优分类,从而将缺齿、积液和色差缺陷进行分类。
8.根据权利要求1所述的基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,所述的步骤8中,具体按照以下过程实施:
采用粒子群算法(PSO)选取最佳参数,即:先通过粒子群初始化生成一群随机粒子,再
通过更新迭代找到最优解;在每一次迭代过程中,随机粒子会依据跟踪个体极值(粒子
本身所找到的最优解)以及全局极值,并通过式(14)与式(15)来更新自己的速度与位
置:
(14)
(15)
其中,,m为粒子个数,,D为空间维数,k为迭代次数(),
学习因子c 1和c 2是非负常数,通常设置经验值都为2,与分别为间的随机数;
选取已知缺陷的轮速传感器齿圈,提取特征向量作为训练样本,初始化参数惩罚因子C和核参数g,同时设置粒子群的维数、种群最大数量、最大进化数量、速度更新弹性系数、种群更新弹性系数以及学习因子c 1与c 2;
在(C, g)组成的二维目标搜索空间中确定粒子群大小,即由m个粒子构成一个群,同
时,第i个粒子的位置信息可由一个二维向量表示;记第i个粒子更新为历
史最优位置时的数据为,整体种群迄今搜索到的最佳位置的数据为,第i个粒子的“飞翔”速度数据为;粒子根据公式(14)与
公式(15)不断调整自己的位置与速度信息,其中,m=2,D=2,直到迭代完成,输出最佳参数,将获得的最佳参数组合(C,g)运用到SVM检测模型中。
9.根据权利要求1所述的基于SVM的轮速传感器齿圈表面缺陷检测方法,其特征在于,所述的步骤9中,具体按照以下过程实施:
从待测齿圈表面图像样本中获得特征向量,将其作为SVM检测模型的输入,进行轮速传感器齿圈表面缺陷检测;在检测完毕后,记录下缺陷的位置坐标,在原图Src上面标记出缺陷的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910070978.8A CN109886932A (zh) | 2019-01-25 | 2019-01-25 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910070978.8A CN109886932A (zh) | 2019-01-25 | 2019-01-25 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886932A true CN109886932A (zh) | 2019-06-14 |
Family
ID=66926901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910070978.8A Pending CN109886932A (zh) | 2019-01-25 | 2019-01-25 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886932A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667475A (zh) * | 2020-06-09 | 2020-09-15 | 陕西科技大学 | 一种基于机器视觉的大枣分级检测方法 |
CN111882537A (zh) * | 2020-07-28 | 2020-11-03 | 研祥智能科技股份有限公司 | 视觉检测方法及系统 |
CN112669322A (zh) * | 2021-03-22 | 2021-04-16 | 常州微亿智造科技有限公司 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
CN112697803A (zh) * | 2020-12-16 | 2021-04-23 | 沈阳建筑大学 | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 |
CN112801106A (zh) * | 2021-01-28 | 2021-05-14 | 安徽师范大学 | 一种基于机器视觉的牙齿修复制品的加工缺陷分类方法 |
CN117074419A (zh) * | 2023-08-25 | 2023-11-17 | 江苏广兴丰茂科技有限公司 | 一种发动机齿圈型钢的缺陷检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201525341U (zh) * | 2009-08-31 | 2010-07-14 | 东风汽车股份有限公司 | 一种abs传感器与主减速器的组合结构 |
CN106778694A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 |
CN107886539A (zh) * | 2017-10-19 | 2018-04-06 | 昆明理工大学 | 一种工业场景下高精度齿轮视觉检测方法 |
CN109063780A (zh) * | 2018-08-10 | 2018-12-21 | 国网上海市电力公司 | 基于粒子群优化核近邻传播算法的变压器局部放电识别方法 |
-
2019
- 2019-01-25 CN CN201910070978.8A patent/CN109886932A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201525341U (zh) * | 2009-08-31 | 2010-07-14 | 东风汽车股份有限公司 | 一种abs传感器与主减速器的组合结构 |
CN106778694A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 |
CN107886539A (zh) * | 2017-10-19 | 2018-04-06 | 昆明理工大学 | 一种工业场景下高精度齿轮视觉检测方法 |
CN109063780A (zh) * | 2018-08-10 | 2018-12-21 | 国网上海市电力公司 | 基于粒子群优化核近邻传播算法的变压器局部放电识别方法 |
Non-Patent Citations (3)
Title |
---|
何小凡: "陶瓷阀芯表面缺陷视觉检测方法的研究", pages 27 - 60 * |
王延江,林青: "《数字图像处理》", vol. 1, 东营:石油大学出版社, pages: 108 - 110 * |
胡佳成 等: "ABS齿圈环形表面缺陷检测方法", vol. 31, no. 3, pages 408 - 413 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667475A (zh) * | 2020-06-09 | 2020-09-15 | 陕西科技大学 | 一种基于机器视觉的大枣分级检测方法 |
CN111667475B (zh) * | 2020-06-09 | 2023-04-18 | 陕西科技大学 | 一种基于机器视觉的大枣分级检测方法 |
CN111882537A (zh) * | 2020-07-28 | 2020-11-03 | 研祥智能科技股份有限公司 | 视觉检测方法及系统 |
CN111882537B (zh) * | 2020-07-28 | 2023-12-15 | 研祥智能科技股份有限公司 | 视觉检测方法及系统 |
CN112697803A (zh) * | 2020-12-16 | 2021-04-23 | 沈阳建筑大学 | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 |
CN112801106A (zh) * | 2021-01-28 | 2021-05-14 | 安徽师范大学 | 一种基于机器视觉的牙齿修复制品的加工缺陷分类方法 |
CN112669322A (zh) * | 2021-03-22 | 2021-04-16 | 常州微亿智造科技有限公司 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
CN112669322B (zh) * | 2021-03-22 | 2021-06-01 | 常州微亿智造科技有限公司 | 一种基于svm分类的工业部件表面轻微缺陷检测方法 |
CN117074419A (zh) * | 2023-08-25 | 2023-11-17 | 江苏广兴丰茂科技有限公司 | 一种发动机齿圈型钢的缺陷检测方法及系统 |
CN117074419B (zh) * | 2023-08-25 | 2024-04-09 | 江苏广兴丰茂科技有限公司 | 一种发动机齿圈型钢的缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
Zhao et al. | Cloud shape classification system based on multi-channel cnn and improved fdm | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN108596166B (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN109886931A (zh) | 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
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 | |
CN111652883B (zh) | 基于深度学习的玻璃表面缺陷检测方法 | |
Ji et al. | Apple grading method based on features of color and defect | |
CN110335233A (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
WO2023231262A1 (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN114495098A (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN115170520A (zh) | 一种基于结构对比信息叠层的金属网栅缺陷检测方法 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 |
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 |