CN109978874A - 一种钢轨表面缺陷视觉检测装置及识别方法 - Google Patents
一种钢轨表面缺陷视觉检测装置及识别方法 Download PDFInfo
- Publication number
- CN109978874A CN109978874A CN201910259330.5A CN201910259330A CN109978874A CN 109978874 A CN109978874 A CN 109978874A CN 201910259330 A CN201910259330 A CN 201910259330A CN 109978874 A CN109978874 A CN 109978874A
- Authority
- CN
- China
- Prior art keywords
- rail surface
- sequence
- image array
- image
- new
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种钢轨表面缺陷视觉检测装置及识别方法,所述检测装置包括上位机、相机、光源、光源控制器、滚珠丝杠、电机、电机驱动控制器、编码器和支架。所述识别方法包括以下步骤:S1、通过相机获取钢轨表面图像;S2、通过中值滤波法和垂直投影法获取钢轨表面感兴趣区域图像;S3、对钢轨表面感兴趣区域图像进行小波分解;S4、对所述步骤S3中小波分解高频部分进行反向P‑M扩散;S5、对反向P‑M扩散后的钢轨表面图像进行小波重构;S6、通过自适应阈值的Sobel算子对小波重构后的图像进行边缘检测,并对边缘检测后的图像矩阵进行滤波,从而完成检测。本发明能够将图像中真实缺陷的边缘部分突显出来,同时抑制了噪声和线性干扰,具有识别准确率高的特点。
Description
技术领域
本发明涉及到机器视觉检测技术领域,涉及一种钢轨表面缺陷视觉检测装置及识别方法。
背景技术
铁路具有运行速度快、运输能力大、占用土地少、能源消耗低、产业结构优、社会效益好等优势。建设高速铁路客运专线,实现客货分运,是提高运输能力和质量,满足客运快速、准时、舒适等方面需求的根本途径。然而,随着铁路行车速度、密度和载重量的不断提高,由钢轨表面缺陷引起的断轨,脱轨事故也在逐年增加。因此,如何提高钢轨表面缺陷识别率是铁路安全、舒适、高速运营必须解决的一个关键问题。
钢轨表面承受各种光照、雨侵蚀、列车机械震动、摩擦等不良工况条件的影响,使得钢轨表面图像产生噪声,对钢轨表面缺陷识别造成很大的干扰,缺陷识别准确率比较低,漏检的缺陷会对铁路运输的安全造成很大的隐患。
中国专利CN106290379A,该专利首先通过高斯滤波、图像增强和钢轨区域定位处理对图像预处理,然后钢轨区域进行图像灰度化,图像分割,形态学处理,然后提取钢轨表面特征,该方法识别速度比较快,然而在缺陷和背景的特征相差不大的情况下,缺陷识别准确率不高。
中国专利CN107618533A,该专利设计了一种用于钢轨表面缺陷检测的背景差分法,可以在凸显图像缺陷部分的同时,有效减弱光照变化、钢轨表面反射不均和锈迹的影响。然而这种方法比较依赖对原图像平滑得到的背景图像,当缺陷面积较小时,该方法无法对其准确识别。
刘伟嵬等的带钢表面缺陷在线检测系统的图像滤波算法,通过过小波分解,各向异性扩散,最后小波逆变换出图像。该方法能够去除纹理背景,同时较好地保留了图像的边缘信息。然而这种方法后,在边缘检测后,会出现一些虚假的线形干扰,无法准确识别缺陷。
贺振东等的基于反向P-M扩散的钢轨表面缺陷视觉检测算法,首先将图像进行反向P-M扩散,然后将扩散后的图像与原图像进行差分,然后二值化,最后进行滤波,分割出缺陷图像,该方法能很好地识别缺陷,并且检测速度、精度、识别率都能很好的满足要求,然而其未将钢轨表面区域与背景分离开来,缺陷识别后,两侧有线性干扰。
鉴于此,设计一种识别准确率高、漏检率低的钢轨表面缺陷视觉检测装置及识别方法是本技术领域技术人员亟待解决的技术问题。
发明内容
本发明的目的是提供一种钢轨表面缺陷视觉检测装置及识别方法,通过所述检测装置获取钢轨表面图像,然后采用小波分解与反向P-M扩散结合的方法对所获取的图像进行处理,该方法能够将真实缺陷的边缘部分突显出来,同时很好的抑制噪声,能够抑制边缘检测后的线形干扰,方便后续特征提取,大大提高了识别准确率,减少漏检率。
为解决上述技术问题,本发明提供一种钢轨表面缺陷视觉检测装置,包括:
支架,所述支架上设有滚珠丝杠和位于滚珠丝杠端部的编码器,所述编码器可随滚珠丝杠的转动而转动;
成像系统,包括连接件以及置于所述连接件上的相机和光源,所述光源位于相机的两侧,所述成像系统通过连接件与滚珠丝杠连接,并可随滚珠丝杠的转动而水平滑动以用于采集钢轨表面的图片;
上位机,接收编码器产生的脉冲用于触发相机进行图片采集,以及接收和处理相机所采集的钢轨图片;
电机和电机驱动控制器,用于驱动滚珠丝杠转动;
光源控制器,用于控制光源的开启和关闭以及调节光源的亮度。
优选地,所述光源为条形光源,所述成像系统还包括光源调节架,所述光源调节架上设有用于调节条形光源入射角度的调节槽。
优选地,所述相机为线阵相机,所述线阵相机型号为DALSA的SG-14-01K80-00-R,所述编码器为600P/R的旋转编码器。
一种钢轨表面缺陷视觉检测识别方法,包括上述钢轨表面缺陷视觉检测装置,所述识别方法包括以下步骤:
S1、通过电机驱动滚珠丝杠转动,从而带动相机在钢轨上方水平运动,并采集钢轨表面的图片,以获取钢轨表面图像f(x,y);
S2、对所述步骤S1获取的钢轨表面图像f(x,y)进行中值滤波,然后利用垂直投影法获取钢轨表面感兴趣区域图像矩阵G(X,Y);
S3、对所述步骤S2获取的钢轨表面感兴趣区域图像矩阵G(X,Y)进行小波分解,得到小波分解低频部分及小波分解高频部分;
S4、对所述步骤S3中的小波分解高频部分进行反向P-M扩散,并将所述步骤S3中的小波分解低频部分和经过反向P-M扩散的小波分解高频部分进行结合,获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y);
S5、对所述步骤S4中反向P-M扩散后的图像矩阵F(X,Y)进行小波重构,得到小波重构后的图像矩阵h(X,Y);
S6、通过自适应阈值的Sobel算子对所述步骤S5中小波重构的图像矩阵h(X,Y)进行边缘检测,得到边缘检测后的图像矩阵h′(X,Y),然后对得到的边缘检测后的图像矩阵h′(X,Y)进行滤波,完成钢轨表面缺陷视觉检测识别。
优选地,所述步骤S2的具体实现方法为:
S21、对所述步骤S1中的钢轨表面图像f(x,y)进行中值滤波,得到滤波后的钢轨表面图像f1(x,y);
S22、将滤波后的钢轨表面图像f1(x,y)进行灰度化和二值化,得到钢轨二值图像f2(x,y);
S23、统计钢轨二值图像f2(x,y)中每列的白色像素总个数P(y),并由左到右从统计的白色像素总个数P(y)中找到连续为N的起始点,记为点A,然后以点A为起点由左到右从统计的白色像素总个数P(y)中找到连续为0的起始点,记为点B,则钢轨二值图像f2(x,y)中每列的白色像素总个数计算公式为:
式(1)中,rows和cols分别表示钢轨二值图像f2(x,y)的行数和列数,255表示白色像素的像素值;
S24、通过点A和点B的纵坐标对钢轨表面图像f(x,y)进行裁剪,从而获取钢轨表面感兴趣区域图像G(X,Y)。
优选地,所述步骤S3的具体实现方法为:
S31、设置小波分解的低通滤波器和高通滤波器;
S32、选取钢轨表面感兴趣区域图像矩阵G(X,Y)中的其中一个行序列G1(i,Y),i=1,2,...,row(row表示钢轨表面感兴趣区域图像矩阵G(X,Y)的行数)与所述步骤S31中的低通滤波器做卷积,得到新行序列G2(i,Y),并对新行序列G2(i,Y)进行下抽样,得到对应行序列的平均部分小波分解系数,同时将行序列G1(i,Y)与所述步骤S31中的高通滤波器做卷积,得到新行序列G3(i,Y),并对新行序列G3(i,Y)进行下抽样,得到对应行序列的细节部分小波分解系数;
S33、选取钢轨表面感兴趣区域图像矩阵G(X,Y)中的其他所有行序列,并重复所述步骤S32,得到对应其他每一个行序列的平均部分小波分解系数和细节部分小波分解系数;
S34、将所述步骤S32和所述步骤S33得到的对应每一个行序列的平均部分小波分解系数和细节部分小波分解系数分别赋值给图像矩阵G(X,Y)对应的行序列中并进行合并,从而可得一个新的图像矩阵G′(X,Y)=(L′,H′),其中L′=G(i1,Y),i1=1,2,...,row/2,H′=G(i2,Y),i2=(row/2)+1,...,row;
S35、选取新的图像矩阵G′(X,Y)中的其中一个列序列G4(X,j),j=1,2,...,col(col表示钢轨表面感兴趣区域图像矩阵G(X,Y)中的列数)与所述步骤S31中的低通滤波器做卷积,得到新列序列G5(X,j),并对新列序列G5(X,j)进行下抽样,得到对应列序列的平均部分小波分解系数,同时将列序列G4(X,j)与所述步骤S31中的高通滤波器做卷积,得到新列序列G6(X,j),并对新列序列G6(X,j)进行下抽样,得到对应列序列的细节部分小波分解系数;
S36、选取新的图像矩阵G′(X,Y)中的其他所有列序列,并重复所述步骤S35,得到对应其他每一个列序列的平均部分小波分解系数和细节部分小波分解系数;
S37、将所述步骤S35和所述步骤S36中得到的对应每一个列序列的平均部分小波分解系数和细节部分小波分解系数分别赋值给新的图像矩阵G′(X,Y)对应的列序列中并进行合并,从而获得另一个新的图像矩阵即可得到小波分解低频部分LL及小波分解高频部分HL、LH和HH,(其中,LL=g1(i1,j1),HL=g2(i2,j1),LH=g3(i1,j2),HH=g4(i2,j2),j1=1,2,...,col/2,j2=(col/2)+1,...,col)。
优选地,所述步骤S4的具体实现方法为:
S41、设反向P-M扩散输入序列为fin(m,n)(m=1,2,...,row/2,n=1,2,...,col/2),其中迭代次数T的初始值设为2,分别对所述步骤S37中的小波分解高频部分HL、LH和HH进行反向P-M扩散;
S42、计算输入序列fin(m,n)的反向P-M扩散输出序列fout(α,β)值,其计算公式为:
fout(α,β)=fin(m,n)+0.25·(fluxN+fluxS+fluxE+fluxW) (2)
式(2)中,fluxN、fluxS、fluxE和fluxW分别表示四个方向上的扩散系数;
S43、令T=T-1,并将所述步骤S42计算得到的反向P-M扩散输出序列fout(α,β)赋值给输入序列fin(m,n),即令fin(m,n)=fout(α,β),重复步骤S42,直至迭代次数T=0,得到小波分解高频部分的反向P-M扩散输出序列fout(α,β)值;
S44、将所述步骤S43中得到的反向P-M扩散输出序列fout(α,β)值分别代入对应的小波分解高频部分HL、LH和HH中,完成小波分解高频部分的反向P-M扩散;
S45、将所述步骤S3中的小波分解低频部分与所述步骤S44中经过反向P-M扩散的小波分解高频部分进行合并,获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y)。
优选地,所述步骤S5的具体实现方法为:
S51、设置小波重构的低通滤波器和高通滤波器;
S52、选取反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的其中一行并将其分成左右两个部分,分别记作CA和CD,其中CA=g(X,j1),CD=g(X,j2);
S53、将所述步骤S52中的CA中的每两个相邻元素之间插入零,然后与低通滤波器LPD2做卷积,得到新序列LCA,同时将所述步骤S52中的CD中的每两个相邻元素之间插入零,然后与高通滤波器HPD2做卷积,得到新序列LCD;
S54、将所述步骤S53得到的新序列LCA和新序列LCD赋值给CA,即令CA=LCA+LCD,然后将所得到的CA存入所述步骤S52中所选取的反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的对应行序列,得到新序列H(X,j);
S55、分别选取反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的其他所有行并将其分成上下两个部分,然后重复步骤S53和步骤S54,即可获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y)所有行的新序列,再将获得的所有行新序列进行合并,得到新的图像矩阵F1(X,Y);
S56、选取新的图像矩阵F1(X,Y)中的其中一列并将其分成上下两个部分,分别记作CA1和CD1,其中CA1=w(i1,Y),CD1=w(i2,Y);
S57、将所述步骤S56中的CA1中的每两个相邻元素之间插入零,然后与低通滤波器LPD2做卷积,得到新序列LCA′,同时将所述步骤S56中的CD1中的每两个相邻元素之间插入零,然后与高通滤波器HPD2做卷积,得到新序列LCD′;
S58、将所述步骤S57得到的新序列LCA′和新序列LCD′赋值给CA1,即令CA1=LCA′+LCD′,然后将所得到的CA1存入所述步骤S56中所选取的新的图像矩阵F1(X,Y)中的对应列序列,得到新序列W(i,Y);
S59、分别选取新的图像矩阵F1(X,Y)中的其他所有列将其分成上下两个部分,然后重复步骤S57和步骤S58,即可获得新的图像矩阵F1(X,Y)其他所有列的新序列,再将获得的所有列的新序列进行合并,得到小波重构图像矩阵h(X,Y)。
优选地,所述步骤S6的具体实现方法为:
S61、通过自适应阈值的Sobel算子对所述步骤S5中小波重构的图像矩阵h(X,Y)进行边缘检测,得到边缘检测后的图像矩阵h′(X,Y);
S62、对所述步骤S61中经过边缘检测后的图像矩阵h′(X,Y)进行滤波处理,可用公式表示:
式(3)中,(X,Y)为图像h(X,Y)中的点坐标,且(X,Y)为3*3窗口的中心,(X+c,Y+d),c=-1,0,1,d=-1,0,1表示点坐标(X,Y)的八邻域;
S63、设置阈值A,对所述步骤S62滤波后的区域进行标记并计算各个标记区域的像素面积,删除像素面积小于阈值A的标记区域,即完成钢轨表面图像f(x,y)中虚假缺陷的去除。
与现有技术比较,本发明具有以下有益技术效果:
本发明针对钢轨表面特征少、噪声干扰多和识别准确率低的技术问题,提出一种将小波分解与反向P-M扩散结合的方法对钢轨表面缺陷进行检测识别。首先,通过中值滤波法去除钢轨表面图像的噪声,并采用垂直投影法获取钢轨表面感兴趣区域图像;其次,通过对钢轨表面感兴趣区域图像进行小波分解,获取小波分解低频部分和小波分解高频部分;再次,对小波分解高频部分进行反向P-M扩散,获取反向P-M扩散后的钢轨表面图像;然后,对反向P-M扩散后的钢轨表面图像进行小波重构,获得小波重构后的钢轨表面图像;最后,通过自适应阈值的Sobel算子对小波重构后的钢轨表面图像进行边缘检测,并对边缘检测后的钢轨表面图像进行滤波,从而去除了钢轨表面图像的虚假缺陷。本发明能够将真实缺陷的边缘部分突显出来,同时很好的抑制了噪声和边缘检测后的线形干扰,极大方便了后续特征的提取,大大提高了识别准确率,减少漏检率。
附图说明
图1是本发明中一种钢轨表面缺陷视觉检测装置的结构示意图,
图2是本发明中一种钢轨表面缺陷视觉检测识别方法的流程图,
图3是本发明中获取钢轨表面感兴趣区域图像的方法流程图,
图4是本发明中对钢轨表面感兴趣区域图像进行小波分解的方法流程图,
图5是本发明中对小波分解高频部分进行反向P-M扩散的方法流程图,
图6是本发明中对反向P-M扩散后的钢轨表面图像进行小波重构的方法流程图,
图7是本发明中对小波重构图像矩阵进行边缘检测及去除虚假缺陷的方法流程图。
图中:1.支架,2.滚珠丝杠,3.编码器,4.连接件,5.相机,6.光源,7.上位机,8.电机,9.电机驱动控制器,10.光源控制器,11.光源调节架,12.调节槽,13.钢轨。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,下面结合附图对本发明作进一步的详细说明。
如图1所示,一种钢轨表面缺陷视觉检测装置,包括:
支架1,所述支架1上设有滚珠丝杠2和位于滚珠丝杠2端部的编码器3,所述编码器3可随滚珠丝杠2的转动而转动;
成像系统,包括连接件4以及置于所述连接件4上的相机5和光源6,所述光源6位于相机5的两侧,所述成像系统通过连接件4与滚珠丝杠2连接,并可随滚珠丝杠2的转动而水平滑动以用于采集钢轨13表面的图片;
上位机7,接收编码器3产生的脉冲用于触发相机5进行图片采集,以及接收和处理相机5所采集的钢轨图片;
电机8和电机驱动控制器9,用于驱动滚珠丝杠2转动;
光源控制器10,用于控制光源6的开启和关闭以及调节光源6的亮度。
本实施例中,通过所述电机8驱动滚珠丝杠2转动,进而带动相机5和光源6在钢轨13上方水平运动,并通过电机8驱动所述编码器3转动,从而转动的编码器3产生脉冲触发相机5采集钢轨表面图片,其结构简单,且能够获取清晰完整的钢轨表面图像。
如图1所示,所述光源6为条形光源,所述成像系统还包括光源调节架11,所述光源调节架11上设有用于调节条形光源入射角度的调节槽12。
本实施例中,通过所述调节槽12来调节条形光源的入射角度,进一步保证了相机采集的钢轨表面图像清晰完整。
如图1所示,所述相机5为线阵相机,所述线阵相机型号为DALSA(达尔萨)的SG-14-01K80-00-R,所述编码器3为600P/R的旋转编码器。
本实施例中,采用线阵相机获取钢轨表面图像,线阵相机所采集钢轨表面的单帧图片为一条线,然后将N=512帧连续图片拼接构成一个面,即钢轨表面图像。相对于面阵相机而言,通过线阵相机采集快速移动物体的图像更加清晰,而且线阵相机具有灵敏度高、信噪比高和无冗余数据的优点,同时也无需闪光灯和控制快门速度。
如图2所示,一种钢轨表面缺陷视觉检测识别方法,包括上述钢轨表面缺陷视觉检测装置,所述识别方法包括以下步骤:
S1、通过电机驱动滚珠丝杠转动,从而带动相机在钢轨上方水平运动,并采集钢轨表面的图片,以获取钢轨表面图像f(x,y);
S2、对所述步骤S1获取的钢轨表面图像f(x,y)进行中值滤波,然后利用垂直投影法获取钢轨表面感兴趣区域图像矩阵G(X,Y);
S3、对所述步骤S2获取的钢轨表面感兴趣区域图像矩阵G(X,Y)进行小波分解,得到小波分解低频部分及小波分解高频部分;
S4、对所述步骤S3中的小波分解高频部分进行反向P-M扩散,并将所述步骤S3中的小波分解低频部分和经过反向P-M扩散的小波分解高频部分进行结合,获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y);
S5、对所述步骤S4中反向P-M扩散后的图像矩阵F(X,Y)进行小波重构,得到小波重构后的图像矩阵h(X,Y);
S6、通过自适应阈值的Sobel算子(索贝尔算子)对所述步骤S5中小波重构的图像矩阵h(X,Y)进行边缘检测,得到边缘检测后的图像矩阵h′(X,Y),然后对得到的边缘检测后的图像矩阵h′(X,Y)进行滤波,完成钢轨表面缺陷视觉检测识别。
本实施例中,首先,通过中值滤波法去除所获取钢轨表面图像的噪声,并采用垂直投影法得到钢轨表面感兴趣区域图像;其次,通过对钢轨表面感兴趣区域图像进行小波分解,得到小波分解低频部分和小波分解高频部分;再次,对小波分解高频部分进行反向P-M扩散,获取反向P-M扩散后的钢轨表面图像;然后,通过对反向P-M扩散后的钢轨表面图像进行小波重构,获得小波重构后的钢轨表面图像;最后,通过自适应阈值的Sobel算子对小波重构后的钢轨表面图像进行边缘检测,并对边缘检测后的钢轨表面图像进行滤波,从而去除了钢轨表面图像的虚假缺陷。本发明能够将真实缺陷的边缘部分突显出来,同时很好的抑制了噪声和边缘检测后的线形干扰,极大方便了后续特征的提取,大大提高了识别准确率,减少漏检率。
如图3所示,所述步骤S2的具体实现方法为:
S21、对所述步骤S1中的钢轨表面图像f(x,y)进行中值滤波,得到滤波后的钢轨表面图像f1(x,y);
S22、将滤波后的钢轨表面图像f1(x,y)进行灰度化和二值化,得到钢轨二值图像f2(x,y);
S23、统计钢轨二值图像f2(x,y)中每列的白色像素总个数P(y),并由左到右从统计的白色像素总个数P(y)中找到连续为N的起始点,记为点A,然后以点A为起点由左到右从统计的白色像素总个数P(y)中找到连续为0的起始点,记为点B,则钢轨二值图像f2(x,y)中每列的白色像素总个数计算公式为:
式(1)中,rows和cols分别表示钢轨二值图像f2(x,y)的行数和列数,255表示白色像素的像素值;
S24、通过点A和点B的纵坐标对钢轨表面图像f(x,y)进行裁剪,从而获取钢轨表面感兴趣区域图像G(X,Y)。
本实施例中,每列中连续为N的起始点表示这一列的白色像素个数为N,即为钢轨区域起始位置所对应的列数,每列中连续为0的起始点表示这一列的白色像素个数为0,即为非钢轨区域起始位置所对应的列数。对于本实施例中的钢轨二值图像f2(x,y)来说,钢轨区域为白色,非钢轨区域为黑色,通过找到白色像素个数连续为N的起始点点A和白色像素个数连续为0的起始点点B来对钢轨表面图像f(x,y)进行裁剪,从而获取钢轨表面感兴趣区域图像G(X,Y),相对于线阵相机而言,N的取值为钢轨表面图像所使用的图片帧数,相对于面阵相机而言,N取决于面阵相机的分辨率,若面阵相机分辨率为1024*2048,则N=2048。
本实施例中,采用线阵相机对钢轨表面图片进行采集,并将N=512帧图片拼接成所述钢轨表面图像进行中值滤波以及灰度化和二值化,故采集的钢轨表面图片分辨率为512*512,因此钢轨区域起始位置每列的白色像素个数为512个,钢轨区域结束位置每列的白色像素个数为0个,通过对所述钢轨表面图像f(x,y)进行中值滤波,有效去除了图像中的噪声干扰,极大方便了后续的灰度化和二值化操作。
如图4所示,所述步骤S3的具体实现方法为:
S31、设置小波分解的低通滤波器和高通滤波器;
S32、选取钢轨表面感兴趣区域图像矩阵G(X,Y)中的其中一个行序列G1(i,Y),i=1,2,...,row(row表示钢轨表面感兴趣区域图像矩阵G(X,Y)的行数)与所述步骤S31中的低通滤波器做卷积,得到新行序列G2(i,Y),并对新行序列G2(i,Y)进行下抽样,得到对应行序列的平均部分小波分解系数,同时将行序列G1(i,Y)与所述步骤S31中的高通滤波器做卷积,得到新行序列G3(i,Y),并对新行序列G3(i,Y)进行下抽样,得到对应行序列的细节部分小波分解系数;
S33、选取钢轨表面感兴趣区域图像矩阵G(X,Y)中的其他所有行序列,并重复所述步骤S32,得到对应其他每一个行序列的平均部分小波分解系数和细节部分小波分解系数;
S34、将所述步骤S32和所述步骤S33得到的对应每一个行序列的平均部分小波分解系数和细节部分小波分解系数分别赋值给图像矩阵G(X,Y)对应的行序列中并进行合并,从而可得一个新的图像矩阵G′(X,Y)=(L′,H′),其中L′=G(i1,Y),i1=1,2,...,row/2,H′=G(i2,Y),i2=(row/2)+1,...,row;
S35、选取新的图像矩阵G′(X,Y)中的其中一个列序列G4(X,j),j=1,2,...,col(col表示钢轨表面感兴趣区域图像矩阵G(X,Y)中的列数)与所述步骤S31中的低通滤波器做卷积,得到新列序列G5(X,j),并对新列序列G5(X,j)进行下抽样,得到对应列序列的平均部分小波分解系数,同时将列序列G4(X,j)与所述步骤S31中的高通滤波器做卷积,得到新列序列G6(X,j),并对新列序列G6(X,j)进行下抽样,得到对应列序列的细节部分小波分解系数;
S36、选取新的图像矩阵G′(X,Y)中的其他所有列序列,并重复所述步骤S35,得到对应其他每一个列序列的平均部分小波分解系数和细节部分小波分解系数;
S37、将所述步骤S35和所述步骤S36中得到的对应每一个列序列的平均部分小波分解系数和细节部分小波分解系数分别赋值给新的图像矩阵G′(X,Y)对应的列序列中并进行合并,从而获得另一个新的图像矩阵即可得到小波分解低频部分LL及小波分解高频部分HL、LH和HH,(其中,LL=g1(i1,j1),HL=g2(i2,j1),LH=g3(i1,j2),HH=g4(i2,j2),j1=1,2,...,col/2,j2=(col/2)+1,...,col)。
本实施例中,所述小波变换为Haar变换(哈尔变换),其小波分解的低通滤波器设为小波分解的高通滤波器设为在其他实施例中,也可以采用Db小波变换等其他类型的小波变换。
如图5所示,所述步骤S4的具体实现方法为:
S41、设反向P-M扩散输入序列为fin(m,n)(m=1,2,...,row/2,n=1,2,...,col/2),其中迭代次数T的初始值设为2,分别对所述步骤S37中的小波分解高频部分HL、LH和HH进行反向P-M扩散;
S42、计算输入序列fin(m,n)的反向P-M扩散输出序列fout(α,β)值,其计算公式为:
fout(α,β)=fin(m,n)+0.25·(fluxN+fluxS+fluxE+fluxW)(2)
式(2)中,fluxN、fluxS、fluxE和fluxW分别表示四个方向上的扩散系数, 其中t=fin(m,n)/255表示对图像的灰度特征进行归一化处理,N=fin(m,n-1)-fin(m,n),S=fin(m,n+1)-fin(m,n),E=fin(m-1,n)-fin(m,n),W=fin(m+1,n)-fin(m,n),p=0.000001,K=4;
S43、令T=T-1,并将所述步骤S42计算得到的反向P-M扩散输出序列fout(α,β)赋值给输入序列fin(m,n),即令fin(m,n)=fout(α,β),重复步骤S42,直至迭代次数T=0,得到小波分解高频部分的反向P-M扩散输出序列fout(α,β)值;
S44、将所述步骤S43中得到的反向P-M扩散输出序列fout(α,β)值分别代入对应的小波分解高频部分HL、LH和HH中,完成小波分解高频部分的反向P-M扩散;
S45、将所述步骤S3中的小波分解低频部分与所述步骤S44中经过反向P-M扩散的小波分解高频部分进行合并,获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y)。
如图6所示,所述步骤S5的具体实现方法为:
S51、设置小波重构的低通滤波器和高通滤波器;
S52、选取反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的其中一行并将其分成左右两个部分,分别记作为CA和CD,其中CA=g(X,j1),CD=g(X,j2);
S53、将所述步骤S52中的CA中的每两个相邻元素之间插入零,然后与低通滤波器LPD2做卷积,得到新序列LCA,同时将所述步骤S52中的CD中的每两个相邻元素之间插入零,然后与高通滤波器HPD2做卷积,得到新序列LCD;
S54、将所述步骤S53得到的新序列LCA和新序列LCD赋值给CA,即令CA=LCA+LCD,然后将所得到的CA存入所述步骤S52中所选取的反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的对应行序列,得到新序列H(X,j);
S55、分别选取反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的其他所有行并将其分成上下两个部分,然后重复步骤S53和步骤S54,即可获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y)所有行的新序列,再将获得的所有行新序列进行合并,得到新的图像矩阵F1(X,Y);
S56、选取新的图像矩阵F1(X,Y)中的其中一列并将其分成上下两个部分,分别记作为CA1和CD1,其中CA1=w(i1,Y),CD1=w(i2,Y);
S57、将所述步骤S56中的CA1中的每两个相邻元素之间插入零,然后与低通滤波器LPD2做卷积,得到新序列LCA′,同时将所述步骤S56中的CD1中的每两个相邻元素之间插入零,然后与高通滤波器HPD2做卷积,得到新序列LCD′;
S58、将所述步骤S57得到的新序列LCA′和新序列LCD′赋值给CA1,即令CA1=LCA′+LCD′,然后将所得到的CA1存入所述步骤S56中所选取的新的图像矩阵F1(X,Y)中的对应列序列,得到新序列W(i,Y);
S59、分别选取新的图像矩阵F1(X,Y)中的其他所有列将其分成上下两个部分,然后重复步骤S57和步骤S58,即可获得新的图像矩阵F1(X,Y)其他所有列的新序列,再将获得的所有列的新序列进行合并,得到小波重构图像矩阵h(X,Y)。
本实施例中,Haar小波变换中小波重构的低通滤波器设为小波分解的高通滤波器设为相对于非缺陷区域来说,缺陷区域的灰度值较小,故缺陷区域的边缘部分梯度值变换较大,通过小波分解使得图像中的缺陷信息保留在小波分解高频部分,而采用反向P-M扩散将缺陷区域的灰度特征和梯度特征突显出来,然后再利用小波重构将钢轨表面图像进行复原,本实施例通过小波变换与反向P-M扩散相结合的方法,既凸显了缺陷的特征,同时也很好的抑制钢轨表面的噪声,极大方便了后续的特征提取。本实施例中,由于图像的灰度值始终处于[0,255]范围内,故通过t=fin(m,n)/255对图像的灰度特征进行归一化处理,不会导致极大的突显图像灰度特征。
如图7所示,所述步骤S6的具体实现方法为:
S61、通过自适应阈值的Sobel算子对所述步骤S5中小波重构的图像矩阵h(X,Y)进行边缘检测,得到边缘检测后的图像矩阵h′(X,Y);
S62、对所述步骤S61中经过边缘检测后的图像矩阵h′(X,Y)进行滤波处理,可用公式表示:
式(3)中,(X,Y)为图像h(X,Y)中的点坐标,且(X,Y)为3*3窗口的中心,(X+c,Y+d),c=-1,0,1,d=-1,0,1表示点坐标(X,Y)的八邻域;
S63、设置阈值A,对所述步骤S62滤波后的区域进行标记并计算各个标记区域的像素面积,删除像素面积小于阈值A的标记区域,即完成钢轨表面图像f(x,y)中虚假缺陷的去除。
本实施例中,首先对小波重构的图像矩阵h(X,Y)进行边缘检测,然后通过对边缘检测后的图像矩阵h′(X,Y)进行滤波处理,从而去除了图像中的线形干扰,有效分割出缺陷图像,极大提高了对钢轨表面缺陷进行检测识别的精度和效率。当滤波后发现识别效果不好时,可以通过调节阈值A的大小来提高识别准确率(其中1≤A≤10)。
以上对本发明所提供的一种钢轨表面缺陷视觉检测装置及识别方法进行了详细介绍。本文中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核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种钢轨表面缺陷视觉检测装置,其特征在于,包括:
支架,所述支架上设有滚珠丝杠和位于滚珠丝杠端部的编码器,所述编码器可随滚珠丝杠的转动而转动;
成像系统,包括连接件以及置于所述连接件上的相机和光源,所述光源位于相机的两侧,所述成像系统通过连接件与滚珠丝杠连接,并可随滚珠丝杠的转动而水平滑动以用于采集钢轨表面的图片;
上位机,接收编码器产生的脉冲用于触发相机进行图片采集,以及接收和处理相机所采集的钢轨图片;
电机和电机驱动控制器,用于驱动滚珠丝杠转动;
光源控制器,用于控制光源的开启和关闭以及调节光源的亮度。
2.如权利要求1所述的钢轨表面缺陷视觉检测装置,其特征在于,所述光源为条形光源,所述成像系统还包括光源调节架,所述光源调节架上设有用于调节条形光源入射角度的调节槽。
3.如权利要求2所述的钢轨表面缺陷视觉检测装置,其特征在于,所述相机为线阵相机,所述线阵相机型号为DALSA的SG-14-01K80-00-R,所述编码器为600P/R的旋转编码器。
4.一种钢轨表面缺陷视觉检测识别方法,其特征在于,包括权利要求1~3至少一项所述的钢轨表面缺陷视觉检测装置,所述识别方法包括以下步骤:
S1、通过电机驱动滚珠丝杠转动,从而带动相机在钢轨上方水平运动,并采集钢轨表面的图片,以获取钢轨表面图像f(x,y);
S2、对所述步骤S1获取的钢轨表面图像f(x,y)进行中值滤波,然后利用垂直投影法获取钢轨表面感兴趣区域图像矩阵G(X,Y);
S3、对所述步骤S2获取的钢轨表面感兴趣区域图像矩阵G(X,Y)进行小波分解,得到小波分解低频部分及小波分解高频部分;
S4、对所述步骤S3中的小波分解高频部分进行反向P-M扩散,并将所述步骤S3中的小波分解低频部分和经过反向P-M扩散的小波分解高频部分进行结合,获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y);
S5、对所述步骤S4中反向P-M扩散后的图像矩阵F(X,Y)进行小波重构,得到小波重构后的图像矩阵h(X,Y);
S6、通过自适应阈值的Sobel算子对所述步骤S5中小波重构的图像矩阵h(X,Y)进行边缘检测,得到边缘检测后的图像矩阵h′(X,Y),然后对得到的边缘检测后的图像矩阵h′(X,Y)进行滤波,完成钢轨表面缺陷视觉检测识别。
5.如权利要求4所述的钢轨表面缺陷视觉检测识别方法,其特征在于,所述步骤S2的具体实现方法为:
S21、对所述步骤S1中的钢轨表面图像f(x,y)进行中值滤波,得到滤波后的钢轨表面图像f1(x,y);
S22、将滤波后的钢轨表面图像f1(x,y)进行灰度化和二值化,得到钢轨二值图像f2(x,y);
S23、统计钢轨二值图像f2(x,y)中每列的白色像素总个数P(y),并由左到右从统计的白色像素总个数P(y)中找到连续为N的起始点,记为点A,然后以点A为起点由左到右从统计的白色像素总个数P(y)中找到连续为0的起始点,记为点B,则钢轨二值图像f2(x,y)中每列的白色像素总个数计算公式为:
式(1)中,rows和cols分别表示钢轨二值图像f2(x,y)的行数和列数,255表示白色像素的像素值;
S24、通过点A和点B的纵坐标对钢轨表面图像f(x,y)进行裁剪,从而获取钢轨表面感兴趣区域图像G(X,Y)。
6.如权利要求5所述的钢轨表面缺陷视觉检测识别方法,其特征在于,所述步骤S3的具体实现方法为:
S31、设置小波分解的低通滤波器和高通滤波器;
S32、选取钢轨表面感兴趣区域图像矩阵G(X,Y)中的其中一个行序列G1(i,Y),i=1,2,...,row(row表示钢轨表面感兴趣区域图像矩阵G(X,Y)的行数)与所述步骤S31中的低通滤波器做卷积,得到新行序列G2(i,Y),并对新行序列G2(i,Y)进行下抽样,得到对应行序列的平均部分小波分解系数,同时将行序列G1(i,Y)与所述步骤S31中的高通滤波器做卷积,得到新行序列G3(i,Y),并对新行序列G3(i,Y)进行下抽样,得到对应行序列的细节部分小波分解系数;
S33、选取钢轨表面感兴趣区域图像矩阵G(X,Y)中的其他所有行序列,并重复所述步骤S32,得到对应其他每一个行序列的平均部分小波分解系数和细节部分小波分解系数;
S34、将所述步骤S32和所述步骤S33得到的对应每一个行序列的平均部分小波分解系数和细节部分小波分解系数分别赋值给图像矩阵G(X,Y)对应的行序列中并进行合并,从而可得一个新的图像矩阵G′(X,Y)=(L′,H′),其中L′=G(i1,Y),i1=1,2,...,row/2,H′=G(i2,Y),i2=(row/2)+1,...,row;
S35、选取新的图像矩阵G′(X,Y)中的其中一个列序列G4(X,j),j=1,2,...,col(col表示钢轨表面感兴趣区域图像矩阵G(X,Y)中的列数)与所述步骤S31中的低通滤波器做卷积,得到新列序列G5(X,j),并对新列序列G5(X,j)进行下抽样,得到对应列序列的平均部分小波分解系数,同时将列序列G4(X,j)与所述步骤S31中的高通滤波器做卷积,得到新列序列G6(X,j),并对新列序列G6(X,j)进行下抽样,得到对应列序列的细节部分小波分解系数;
S36、选取新的图像矩阵G′(X,Y)中的其他所有列序列,并重复所述步骤S35,得到对应其他每一个列序列的平均部分小波分解系数和细节部分小波分解系数;
S37、将所述步骤S35和所述步骤S36中得到的对应每一个列序列的平均部分小波分解系数和细节部分小波分解系数分别赋值给新的图像矩阵G′(X,Y)对应的列序列中并进行合并,从而获得另一个新的图像矩阵即可得到小波分解低频部分LL及小波分解高频部分HL、LH和HH,(其中,LL=g1(i1,j1),HL=g2(i2,j1),LH=g3(i1,j2),HH=g4(i2,j2),j1=1,2,...,col/2,j2=(col/2)+1,...,col)。
7.如权利要求6所述的钢轨表面缺陷视觉检测识别方法,其特征在于,所述步骤S4的具体实现方法为:
S41、设反向P-M扩散输入序列为fin(m,n)(m=1,2,...,row/2,n=1,2,...,col/2),其中迭代次数T的初始值设为2,分别对所述步骤S37中的小波分解高频部分HL、LH和HH进行反向P-M扩散;
S42、计算输入序列fin(m,n)的反向P-M扩散输出序列fout(α,β)值,其计算公式为:
fout(α,β)=fin(m,n)+0.25·(fluxN+fluxS+fluxE+fluxW) (2)
式(2)中,fluxN、fluxS、fluxE和fluxW分别表示四个方向上的扩散系数;
S43、令T=T-1,并将所述步骤S42计算得到的反向P-M扩散输出序列fout(α,β)赋值给输入序列fin(m,n),即令fin(m,n)=fout(α,β),重复步骤S42,直至迭代次数T=0,得到小波分解高频部分的反向P-M扩散输出序列fout(α,β)值;
S44、将所述步骤S43中得到的反向P-M扩散输出序列fout(α,β)值分别代入对应的小波分解高频部分HL、LH和HH中,完成小波分解高频部分的反向P-M扩散;
S45、将所述步骤S3中的小波分解低频部分与所述步骤S44中经过反向P-M扩散的小波分解高频部分进行合并,获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y)。
8.如权利要求7所述的钢轨表面缺陷视觉检测识别方法,其特征在于,所述步骤S5的具体实现方法为:
S51、设置小波重构的低通滤波器和高通滤波器;
S52、选取反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的其中一行并将其分成左右两个部分,分别记作CA和CD,其中CA=g(X,j1),CD=g(X,j2);
S53、将所述步骤S52中的CA中的每两个相邻元素之间插入零,然后与低通滤波器LPD2做卷积,得到新序列LCA,同时将所述步骤S52中的CD中的每两个相邻元素之间插入零,然后与高通滤波器HPD2做卷积,得到新序列LCD;
S54、将所述步骤S53得到的新序列LCA和新序列LCD赋值给CA,即令CA=LCA+LCD,然后将所得到的CA存入所述步骤S52中所选取的反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的对应行序列,得到新序列H(X,j);
S55、分别选取反向P-M扩散后的钢轨表面图像矩阵F(X,Y)中的其他所有行并将其分成上下两个部分,然后重复步骤S53和步骤S54,即可获得反向P-M扩散后的钢轨表面图像矩阵F(X,Y)所有行的新序列,再将获得的所有行新序列进行合并,得到新的图像矩阵F1(X,Y);
S56、选取新的图像矩阵F1(X,Y)中的其中一列并将其分成上下两个部分,分别记作CA1和CD1,其中CA1=w(i1,Y),CD1=w(i2,Y);
S57、将所述步骤S56中的CA1中的每两个相邻元素之间插入零,然后与低通滤波器LPD2做卷积,得到新序列LCA′,同时将所述步骤S56中的CD1中的每两个相邻元素之间插入零,然后与高通滤波器HPD2做卷积,得到新序列LCD′;
S58、将所述步骤S57得到的新序列LCA′和新序列LCD′赋值给CA1,即令CA1=LCA′+LCD′,然后将所得到的CA1存入所述步骤S56中所选取的新的图像矩阵F1(X,Y)中的对应列序列,得到新序列W(i,Y);
S59、分别选取新的图像矩阵F1(X,Y)中的其他所有列并将其分成上下两个部分,然后重复步骤S57和步骤S58,即可获得新的图像矩阵F1(X,Y)其他所有列的新序列,再将获得的所有列的新序列进行合并,得到小波重构图像矩阵h(X,Y)。
9.如权利要求8所述的钢轨表面缺陷视觉检测识别方法,其特征在于,所述步骤S6的具体实现方法为:
S61、通过自适应阈值的Sobel算子对所述步骤S5中小波重构的图像矩阵h(X,Y)进行边缘检测,得到边缘检测后的图像矩阵h′(X,Y);
S62、对所述步骤S61中经过边缘检测后的图像矩阵h′(X,Y)进行滤波处理,可用公式表示:
式(3)中,(X,Y)为图像h(X,Y)中的点坐标,且(X,Y)为3*3窗口的中心,(X+c,Y+d),c=-1,0,1,d=-1,0,1表示点坐标(X,Y)的八邻域;
S63、设置阈值A,对所述步骤S62滤波后的区域进行标记并计算各个标记区域的像素面积,删除像素面积小于阈值A的标记区域,即完成钢轨表面图像f(x,y)中虚假缺陷的去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910259330.5A CN109978874B (zh) | 2019-04-02 | 2019-04-02 | 一种钢轨表面缺陷视觉检测装置及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910259330.5A CN109978874B (zh) | 2019-04-02 | 2019-04-02 | 一种钢轨表面缺陷视觉检测装置及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978874A true CN109978874A (zh) | 2019-07-05 |
CN109978874B CN109978874B (zh) | 2023-03-14 |
Family
ID=67082365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910259330.5A Active CN109978874B (zh) | 2019-04-02 | 2019-04-02 | 一种钢轨表面缺陷视觉检测装置及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978874B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815601A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大学 | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 |
CN112712502A (zh) * | 2020-12-29 | 2021-04-27 | 凌云光技术股份有限公司 | 一种将正反面同步检测结果进行关联的方法 |
CN113284116A (zh) * | 2021-05-28 | 2021-08-20 | 荆门汇易佳信息科技有限公司 | 实时图像解析的红酒半成品运动检测系统 |
CN113828892A (zh) * | 2021-10-29 | 2021-12-24 | 广东福维德焊接股份有限公司 | 基于hdr图像的熔池中心识别系统及焊缝跟踪方法 |
CN115049668A (zh) * | 2022-08-16 | 2022-09-13 | 江苏众联管业有限公司 | 基于特征抽取的钢带辊印识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110211747A1 (en) * | 2004-04-19 | 2011-09-01 | 3M Innovative Properties Company | Apparatus and method for the automated marking of defects on webs of material |
CN102636492A (zh) * | 2012-04-18 | 2012-08-15 | 湖南大学 | 钢轨表面缺陷高速视觉在线检测设备 |
CN102928517A (zh) * | 2012-11-15 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 |
CN106780486A (zh) * | 2017-01-16 | 2017-05-31 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
CN108009538A (zh) * | 2017-12-22 | 2018-05-08 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号智能识别方法 |
CN108765378A (zh) * | 2018-05-07 | 2018-11-06 | 上海理工大学 | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 |
-
2019
- 2019-04-02 CN CN201910259330.5A patent/CN109978874B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110211747A1 (en) * | 2004-04-19 | 2011-09-01 | 3M Innovative Properties Company | Apparatus and method for the automated marking of defects on webs of material |
CN102636492A (zh) * | 2012-04-18 | 2012-08-15 | 湖南大学 | 钢轨表面缺陷高速视觉在线检测设备 |
CN102928517A (zh) * | 2012-11-15 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 |
CN106780486A (zh) * | 2017-01-16 | 2017-05-31 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
CN108009538A (zh) * | 2017-12-22 | 2018-05-08 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号智能识别方法 |
CN108765378A (zh) * | 2018-05-07 | 2018-11-06 | 上海理工大学 | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
刘伟嵬 等: "带钢表面缺陷在线检测系统的图像滤波算法", 《东北大学学报(自然科学版)》 * |
贺振东 等: "基于反向P-M扩散的钢轨表面缺陷视觉检测", 《自动化学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815601A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大学 | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 |
CN111815601B (zh) * | 2020-07-03 | 2021-02-19 | 浙江大学 | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 |
CN112712502A (zh) * | 2020-12-29 | 2021-04-27 | 凌云光技术股份有限公司 | 一种将正反面同步检测结果进行关联的方法 |
CN112712502B (zh) * | 2020-12-29 | 2024-04-19 | 凌云光技术股份有限公司 | 一种将正反面同步检测结果进行关联的方法 |
CN113284116A (zh) * | 2021-05-28 | 2021-08-20 | 荆门汇易佳信息科技有限公司 | 实时图像解析的红酒半成品运动检测系统 |
CN113828892A (zh) * | 2021-10-29 | 2021-12-24 | 广东福维德焊接股份有限公司 | 基于hdr图像的熔池中心识别系统及焊缝跟踪方法 |
CN113828892B (zh) * | 2021-10-29 | 2022-05-10 | 广东福维德焊接股份有限公司 | 基于hdr图像的熔池中心识别系统及焊缝跟踪方法 |
CN115049668A (zh) * | 2022-08-16 | 2022-09-13 | 江苏众联管业有限公司 | 基于特征抽取的钢带辊印识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109978874B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978874A (zh) | 一种钢轨表面缺陷视觉检测装置及识别方法 | |
CN110378950B (zh) | 一种基于灰度和梯度融合的隧道结构裂缝识别方法 | |
CN107253485B (zh) | 异物侵入检测方法及异物侵入检测装置 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN111784576B (zh) | 一种基于改进orb特征算法的图像拼接方法 | |
Jie et al. | Real-time rail head surface defect detection: A geometrical approach | |
CN102682455B (zh) | 一种基于单目视觉的前方车辆检测方法 | |
CN105158257B (zh) | 滑板测量方法及装置 | |
CN111738342B (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
CN108596169B (zh) | 基于视频流图像的分块信号转换与目标检测方法及装置 | |
CN109489724A (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN102680478A (zh) | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 | |
DE102014117102B4 (de) | Spurwechselwarnsystem und Verfahren zum Steuern des Spurwechselwarnsystems | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN113344953B (zh) | 一种基于无人机的机器视觉涌潮流速测量方法 | |
DE19948608A1 (de) | Verfahren und Vorrichtung zum Erfassen eines Fahrzeugs | |
Ye et al. | Single image glare removal using deep convolutional networks | |
CN115761563A (zh) | 一种基于光流测算的河流表面流速的计算方法及系统 | |
CN107506777A (zh) | 一种基于小波变化和支持向量机的实时多车牌识别方法和装置 | |
CN109522851B (zh) | 基于非可见光成像的车辆行驶速度及车牌识别方法 | |
CN107563371A (zh) | 基于线激光光条的动态搜索感兴趣区域的方法 | |
CN112150455A (zh) | 基于人工智能的光伏相机视角偏差判断方法及系统 | |
CN115205278B (zh) | 一种电动汽车底盘划痕检测方法和系统 |
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 |