CN110006911A - 一种应用于含螺钉的金属表面多条划痕检测方法 - Google Patents

一种应用于含螺钉的金属表面多条划痕检测方法 Download PDF

Info

Publication number
CN110006911A
CN110006911A CN201910331503.XA CN201910331503A CN110006911A CN 110006911 A CN110006911 A CN 110006911A CN 201910331503 A CN201910331503 A CN 201910331503A CN 110006911 A CN110006911 A CN 110006911A
Authority
CN
China
Prior art keywords
image
formula
value
pixel
circle
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
Application number
CN201910331503.XA
Other languages
English (en)
Other versions
CN110006911B (zh
Inventor
王红一
王红玉
宋丽梅
郭庆华
张坤
李昂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201910331503.XA priority Critical patent/CN110006911B/zh
Publication of CN110006911A publication Critical patent/CN110006911A/zh
Application granted granted Critical
Publication of CN110006911B publication Critical patent/CN110006911B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于金属表面缺陷检测领域，设计一种应用于含螺钉的金属表面多条划痕检测方法。该方法基于自定义滤波算法对金属表面进行去噪，然后运用自定义的螺钉去除算法去除金属表面螺钉，进而搜索划痕以增加检测的鲁棒性和精准度，在具有复杂表面纹理干扰的情况下仍然能够对金属表面微小刮痕、甚至是覆盖螺钉的划痕进行检测。本发明所设计的包含螺钉的金属表面划痕检测方法，克服了金属表面所具有的复杂反光纹理带来的干扰，同时消除了螺钉等附加噪声的影响，达到较高的划痕检测率。

Description

一种应用于含螺钉的金属表面多条划痕检测方法
技术领域
本发明涉及一种含螺钉的金属表面多条划痕检测方法，更具体的说，本发明涉及一种能够克服螺钉干扰并可实现多条划痕同时检测的方法。
背景技术
在机械产品的各种表面缺陷中，划痕缺陷最为常见。由于受加工工艺甚至是运输操作影响，划痕本身存在尺度小，形态差异大的特点。然而划痕检测过程又极易受光照影响和背景的干扰，特征提取往往存在很大难度，因此划痕缺陷检测一直是产品表面质量检测中的难点。为了精确的检测划痕，弥补人工检测效率低、检测标准不一等缺陷，机器视觉检测逐渐发展为检测金属表面划痕的重要方法和判断依据，因其在弥补人工检测缺陷的同时，大大提高了检测速度和精度。然而在机器视觉对金属表面划痕的检测中，金属表面纹理是很大的干扰因素，经工业相机拍照、二值化处理后，纹理会作为划痕显示出来，因此划痕的提取检测存在很大难度。为了解决金属表面划痕检测甚至是多条划痕同时检测的难题，本发明基于图像形态学、自定义滤波算法和自定义螺钉去除算法，设计了一种应用于含螺钉的金属表面划痕检测方法。
发明内容
本发明设计了一种应用于含螺钉的金属表面划痕检测的方法，该方法能够应用于包含螺钉的金属表面划痕检测中，弥补传统划痕检测无法有效去除螺钉以及金属纹理干扰的缺陷。
所述的含螺钉的金属表面划痕检测法的硬件系统包括：
用于投射光源的穹顶光源，穹顶光源个数为1个；
用于采集图像的工业相机，工业相机个数为1个；
用于数据处理以及分析的计算机；
用于放置所述的光源和所述的工业像机的扫描平台；
本发明所设计的应用于包含螺钉的金属表面划痕检测方法，其实现过程是：
本发明涉及一种含螺钉的金属表面多条划痕检测方法，其特征是，包含步骤如下：
步骤1：启动用于对待检测金属投射光源的穹顶光源、用于图像采集的工业相机以及用于数据处理的软件平台，得到待检测金属原始图像I1；
步骤2：对步骤1中所述的待检测金属原始图像I1进行拷贝，得到待检测金属副本图像I2，对副本图像I2进行灰度处理、均值滤波处理和二值化处理，得到图像I3；
步骤3：定义[i][j]为图像矩阵中的第i行第j列，取I3[i][j]的8邻域大小为运算区域，将运算区域内的像素值按照升序排列并取中间像素值为a，将a写入新图像I4的I4[i][j]中；
步骤4：将步骤3中所述的运算区域从步骤2中所述的图像I3的第1行第1列开始，依次遍历，并按照步骤3中所述的方法依次对图像I3进行运算并得到图像I4，然后对图像I4进行轮廓提取；
步骤5：对步骤4中得到的图像I4中子图形的所有轮廓进行检索，并计算所有轮廓的轮廓面积，设定面积阈值S0，将所有轮廓面积低于面积阈值S0的轮廓去除，得到图像I5，图像I5按照公式(1)进行圆检测，得到包含若干圆形的图像I6；
rc＝xc·cosθ+yc·sinθ 公式(1)
步骤6：定义v为线段数量阈值，筛选步骤5所述图像I6中满足以点(xc，yc)为圆心、rc为半径的圆形，其条件为有超过v条长度为rc的线段通过点(xc，yc)，对图像I6中的所有圆形进行随机排序并编号得到序列N，对序列N中第1个圆形进行边缘提取并计算轮廓S，同时通过图像I6灰度分布的梯度得到梯度方向的最大梯度值点即边缘所在位置，梯度方向计算公式如公式(2)：
式中，Lx和Ly表示灰度值L在x和y方向的偏导，Lxx和Lyy表示灰度值L在x和y方向的二阶偏导，Lxy表示灰度值L分别在x，y方向的偏导；
步骤7：I6[i+1][j]为步骤5所述图像I6中像素I6[i][j]的右方像素、I6[i][j-1]为像素I6[i][j]的下方像素和I6[i+1][j-1]为像素I6[i][j]的右下方像素，按照公式(3)用差值cH、cD和cV分别表达[i+1][j]、[i][j-1]和[i+1][j-1]到圆心为(xc，yc)、半径为的圆C的距离；根据公式(4)判断cH和cV分别对本步骤所述圆C的逼近程度，当函数值δ≤0，取cH(i+1，j)为最佳逼近点，当δ＞0，取cV(i，j-1)为最佳逼近点；根据公式(5)判断cD和cV分别对本步骤所述圆C的逼近程度，当δ′≤0，取cD(i+1，j-1)为最佳逼近点，当δ′＞0，取cV(i，j-1)为最佳逼近点；设定面积阈值S1，判断步骤6中所述的圆形轮廓面积S是否大于面积阈值S1，当轮廓面积S大于S1并满足最佳逼近点条件时，则将该圆内最佳逼近点像素值置为数值255，当轮廓面积S不大于S1，则执行步骤8；
δ＝cH-cV 公式(4)
δ′＝cV-cD 公式(5)
步骤8：对步骤7中所述轮廓面积为S的圆形的下一个圆形进行边缘提取并获取轮廓面积，并判断本步骤所述圆形的轮廓面积是否大于值S1，当本步骤所述圆形的轮廓面积大于S1，则该圆内最佳逼近点像素置成数值255；当所述的轮廓面积不大于S1，则保留本步骤所述圆形；重复执行本步骤直到将步骤6中所述的序列N中所有的圆形操作完毕，得到图像I7；
步骤9：对步骤8中所述的图像I7进行形态学处理，得到图像I8，设定矩阈值m，由i统计平均值由j统计平均利用公式(6)对图像I8进行中心距muji的统计，将所有中心矩大于矩阈值m的区域在步骤1中所述的原始图像上进行位置标注，所标注位置即为划痕所在位置，完成带有螺钉的金属表面多条划痕检测。
附图说明
图1：算法流程图；
图2：含螺钉和划痕的金属表面原始图片；
图3：预处理以及自定义滤波后的图片；
图4：进行形态学处理后的图片；
图5：在原始图标记划痕位置的图片。
具体实施方式
经过二值化处理后的图像中含有金属高反射噪点以及螺钉噪声干扰等无用信息，通过自定义滤波以及螺钉去除方式将多条划痕所在位置在原始图像中同时标识出即为本发明所解决的问题。
本发明提供一种应用于含螺钉的金属表面多条划痕检测方法，该方法能够应用于包含螺钉的金属划痕检测中，步骤如下：
本发明涉及一种含螺钉的金属表面多条划痕检测方法，其特征是，包含步骤如下：
步骤1：启动用于对待检测金属投射光源的穹顶光源、用于图像采集的工业相机以及用于数据处理的软件平台，得到待检测金属原始图像I1；
步骤2：对步骤1中所述的待检测金属原始图像I1进行拷贝，得到待检测金属副本图像I2，对副本图像I2进行灰度处理、均值滤波处理和二值化处理，得到图像I3；
步骤3：定义[i][j]为图像矩阵中的第i行第j列，取I3[i][j]的8邻域大小为运算区域，将运算区域内的像素值按照升序排列并取中间像素值为a，将a写入新图像I4的I4[i][j]中；
步骤4：将步骤3中所述的运算区域从步骤2中所述的图像I3的第1行第1列开始，依次遍历，并按照步骤3中所述的方法依次对图像I3进行运算并得到图像I4，然后对图像I4进行轮廓提取；
步骤5：对步骤4中得到的图像I4中子图形的所有轮廓进行检索，并计算所有轮廓的轮廓面积，设定面积阈值S0，将所有轮廓面积低于面积阈值S0的轮廓去除，得到图像I5，图像I5按照公式(1)进行圆检测，得到包含若干圆形的图像I6；
rc＝xc·cosθ+yc·sinθ 公式(1)
步骤6：定义v为线段数量阈值，筛选步骤5所述图像I6中满足以点(xc，yc)为圆心、rc为半径的圆形，其条件为有超过v条长度为rc的线段通过点(xc，yc)，对图像I6中的所有圆形进行随机排序并编号得到序列N，对序列N中第1个圆形进行边缘提取并计算轮廓S，同时通过图像I6灰度分布的梯度得到梯度方向的最大梯度值点即边缘所在位置，梯度方向计算公式如公式(2)：
式中，Lx和Ly表示灰度值L在x和y方向的偏导，Lxx和Lyy表示灰度值L在x和y方向的二阶偏导，Lxy表示灰度值L分别在x，y方向的偏导；
步骤7：I6[i+1][j]为步骤5所述图像I6中像素I6[i][j]的右方像素、I6[i][j-1]为像素I6[i][j]的下方像素和I6[i+1][j-1]为像素I6[i][j]的右下方像素，按照公式(3)用差值cH、cD和cV分别表达[i+1][j]、[i][j-1]和[i+1][j-1]到圆心为(xc，yc)、半径为的圆C的距离；根据公式(4)判断cH和cV分别对本步骤所述圆C的逼近程度，当函数值δ≤0，取cH(i+1，j)为最佳逼近点，当δ＞0，取cV(i，j-1)为最佳逼近点；根据公式(5)判断cD和cV分别对本步骤所述圆C的逼近程度，当δ′≤0，取cD(i+1，j-1)为最佳逼近点，当δ′＞0，取cV(i，j-1)为最佳逼近点；设定面积阈值S1，判断步骤6中所述的圆形轮廓面积S是否大于面积阈值S1，当轮廓面积S大于S1并满足最佳逼近点条件时，则将该圆内最佳逼近点像素值置为数值255，当轮廓面积S不大于S1，则执行步骤8；
δ＝cH-cV 公式(4)
δ′＝cV-cD 公式(5)
步骤8：对步骤7中所述轮廓面积为S的圆形的下一个圆形进行边缘提取并获取轮廓面积，并判断本步骤所述圆形的轮廓面积是否大于值S1，当本步骤所述圆形的轮廓面积大于S1，则该圆内最佳逼近点像素置成数值255；当所述的轮廓面积不大于S1，则保留本步骤所述圆形；重复执行本步骤直到将步骤6中所述的序列N中所有的圆形操作完毕，得到图像I7；
步骤9：对步骤8中所述的图像I7进行形态学处理，得到图像I8，设定矩阈值m，由i统计平均值由j统计平均利用公式(6)对图像I8进行中心距muji的统计，将所有中心矩大于矩阈值m的区域在步骤1中所述的原始图像上进行位置标注，所标注位置即为划痕所在位置，完成带有螺钉的金属表面多条划痕检测。
本发明与现有的划痕检测最大的区别是：传统的划痕检测无法很好将噪声和划痕区别开，本发明提出改进滤波方法的同时加入螺钉去除算法，从根本上解决螺钉噪声的干扰，同时亦可检测出附于螺钉上的划痕。
综上所述，本发明所述划痕检测方法的优点是：
(1)较传统滤波方式更精准滤波；
(2)能够将螺钉和划痕分别识别，并独立去除螺钉；
(3)解决了传统图像去噪方法不能解决的复杂背景图像的去噪问题，准确提取划痕所在位置；
(4)多条划痕同时识别。
以上示意性的对本发明及其实施方式进行了描述，该描述没有局限性，附图中所示的也只是本发明的实施方式之一。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，采用其它形式的同类部件或其它形式的各部件布局方式，不经创造性的设计出与该技术方案相似的技术方案与实施例，均应属于本发明的保护范围。

Claims (1)

1.本发明涉及一种含螺钉的金属表面多条划痕检测方法，其特征是，包含步骤如下：
步骤1：启动用于对待检测金属投射光源的穹顶光源、用于图像采集的工业相机以及用于数据处理的软件平台，得到待检测金属原始图像I1；
步骤2：对步骤1中所述的待检测金属原始图像I1进行拷贝，得到待检测金属副本图像I2，对副本图像I2进行灰度处理、均值滤波处理和二值化处理，得到图像I3；
步骤3：定义[i][j]为图像矩阵中的第i行第j列，取I3[i][j]的8邻域大小为运算区域，将运算区域内的像素值按照升序排列并取中间像素值为a，将a写入新图像I4的I4[i][j]中；
步骤4：将步骤3中所述的运算区域从步骤2中所述的图像I3的第1行第1列开始，依次遍历，并按照步骤3中所述的方法依次对图像I3进行运算并得到图像I4，然后对图像I4进行轮廓提取；
步骤5：对步骤4中得到的图像I4中子图形的所有轮廓进行检索，并计算所有轮廓的轮廓面积，设定面积阈值S0，将所有轮廓面积低于面积阈值S0的轮廓去除，得到图像I5，图像I5按照公式(1)进行圆检测，得到包含若干圆形的图像I6；
rc＝xc·cosθ+yc·sinθ 公式(1)
步骤6：定义v为线段数量阈值，筛选步骤5所述图像I6中满足以点(xc，yc)为圆心、rc为半径的圆形，其条件为有超过v条长度为rc的线段通过点(xc，yc)，对图像I6中的所有圆形进行随机排序并编号得到序列N，对序列N中第1个圆形进行边缘提取并计算轮廓S，同时通过图像I6灰度分布的梯度得到梯度方向的最大梯度值点即边缘所在位置，梯度方向计算公式如公式(2)：
式中，Lx和Ly表示灰度值L在x和y方向的偏导，Lxx和Lyy表示灰度值L在x和y方向的二阶偏导，Lxy表示灰度值L分别在x，y方向的偏导；
步骤7：I6[i+1][j]为步骤5所述图像I6中像素I6[i][j]的右方像素、I6[i][j-1]为像素I6[i][j]的下方像素和I6[i+1][j-1]为像素I6[i][j]的右下方像素，按照公式(3)用差值cH、cD和cV分别表达[i+1][j]、[i][j-1]和[i+1][j-1]到圆心为(xc，yc)、半径为的圆C的距离；根据公式(4)判断cH和cV分别对本步骤所述圆C的逼近程度，当函数值δ≤0，取cH(i+1，j)为最佳逼近点，当δ＞0，取cV(i，j-1)为最佳逼近点；根据公式(5)判断cD和cV分别对本步骤所述圆C的逼近程度，当δ′≤0，取cD(i+1，j-1)为最佳逼近点，当δ′＞0，取cV(i，j-1)为最佳逼近点；设定面积阈值S1，判断步骤6中所述的圆形轮廓面积S是否大于面积阈值S1，当轮廓面积S大于S1并满足最佳逼近点条件时，则将该圆内最佳逼近点像素值置为数值255，当轮廓面积S不大于S1，则执行步骤8；
δ＝cH-cV 公式(4)
δ′＝cV-cD 公式(5)
步骤8：对步骤7中所述轮廓面积为S的圆形的下一个圆形进行边缘提取并获取轮廓面积，并判断本步骤所述圆形的轮廓面积是否大于值S1，当本步骤所述圆形的轮廓面积大于S1，则该圆内最佳逼近点像素置成数值255；当所述的轮廓面积不大于S1，则保留本步骤所述圆形；重复执行本步骤直到将步骤6中所述的序列N中所有的圆形操作完毕，得到图像I7；
步骤9：对步骤8中所述的图像I7进行形态学处理，得到图像I8，设定矩阈值m，利用公式(6)对图像I8进行中心距muji的统计，将所有中心矩大于矩阈值m的区域在步骤1中所述的原始图像上进行位置标注，所标注位置即为划痕所在位置，完成带有螺钉的金属表面多条划痕检测。
CN201910331503.XA 2019-04-19 2019-04-19 一种应用于含螺钉的金属表面多条划痕检测方法 Expired - Fee Related CN110006911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910331503.XA CN110006911B (zh) 2019-04-19 2019-04-19 一种应用于含螺钉的金属表面多条划痕检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910331503.XA CN110006911B (zh) 2019-04-19 2019-04-19 一种应用于含螺钉的金属表面多条划痕检测方法

Publications (2)

Publication Number Publication Date
CN110006911A true CN110006911A (zh) 2019-07-12
CN110006911B CN110006911B (zh) 2021-07-27

Family

ID=67174014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910331503.XA Expired - Fee Related CN110006911B (zh) 2019-04-19 2019-04-19 一种应用于含螺钉的金属表面多条划痕检测方法

Country Status (1)

Country Link
CN (1) CN110006911B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0540018A2 (en) * 1991-11-01 1993-05-05 Fuji Electric Co., Ltd. A cylindrical container inner surface tester based on an image processing technology
JP3732980B2 (ja) * 1999-08-31 2006-01-11 日立ハイテク電子エンジニアリング株式会社 ディスク表面欠陥検査装置における判定方法
CN103808730A (zh) * 2013-01-25 2014-05-21 常州先进制造技术研究所 发动机凸轮轴零部件表面缺陷检测方法
CN104282027A (zh) * 2014-10-29 2015-01-14 福州大学 一种基于Hough变换的圆检测方法
CN105139386A (zh) * 2015-08-12 2015-12-09 南京航空航天大学 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN108596925A (zh) * 2018-03-14 2018-09-28 浙江大学山东工业技术研究院 基于视觉的太阳花模组表面螺钉孔位置图像处理方法
CN108960413A (zh) * 2018-07-11 2018-12-07 天津工业大学 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法
CN108961248A (zh) * 2018-07-11 2018-12-07 天津工业大学 一种应用于包含复杂信息的机箱表面划痕检测方法
CN108986090A (zh) * 2018-07-11 2018-12-11 天津工业大学 一种应用于机箱表面划痕检测的深度卷积神经网络方法
CN109141232A (zh) * 2018-08-07 2019-01-04 常州好迪机械有限公司 一种基于机器视觉的盘类铸件在线检测方法
CN109187584A (zh) * 2018-08-08 2019-01-11 华南理工大学 一种混合场景下的柔性印制电路缺陷检测系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0540018A2 (en) * 1991-11-01 1993-05-05 Fuji Electric Co., Ltd. A cylindrical container inner surface tester based on an image processing technology
JP3732980B2 (ja) * 1999-08-31 2006-01-11 日立ハイテク電子エンジニアリング株式会社 ディスク表面欠陥検査装置における判定方法
CN103808730A (zh) * 2013-01-25 2014-05-21 常州先进制造技术研究所 发动机凸轮轴零部件表面缺陷检测方法
CN104282027A (zh) * 2014-10-29 2015-01-14 福州大学 一种基于Hough变换的圆检测方法
CN105139386A (zh) * 2015-08-12 2015-12-09 南京航空航天大学 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN108596925A (zh) * 2018-03-14 2018-09-28 浙江大学山东工业技术研究院 基于视觉的太阳花模组表面螺钉孔位置图像处理方法
CN108960413A (zh) * 2018-07-11 2018-12-07 天津工业大学 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法
CN108961248A (zh) * 2018-07-11 2018-12-07 天津工业大学 一种应用于包含复杂信息的机箱表面划痕检测方法
CN108986090A (zh) * 2018-07-11 2018-12-11 天津工业大学 一种应用于机箱表面划痕检测的深度卷积神经网络方法
CN109141232A (zh) * 2018-08-07 2019-01-04 常州好迪机械有限公司 一种基于机器视觉的盘类铸件在线检测方法
CN109187584A (zh) * 2018-08-08 2019-01-11 华南理工大学 一种混合场景下的柔性印制电路缺陷检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
K. PRESTON WHITE: "Classification of Defect Clusters on Semiconductor Wafers Via the Hough Transformation", 《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》 *
LINGFENG KONG: "Scratch detection of round buttons based on machine vision", 《2017 10TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)》 *
万月亮: "基于视觉组织的封闭轮廓编组模型研究", 《小型微型计算机系统》 *

Also Published As

Publication number Publication date
CN110006911B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN108520274B (zh) 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN105334219B (zh) 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN108346141B (zh) 单边侧入光式导光板缺陷提取方法
CN110570393A (zh) 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN114549446B (zh) 一种基于深度学习的气缸套缺陷标检测方法
CN107228860A (zh) 一种基于图像旋转周期特性的齿轮缺陷检测方法
CN109001212A (zh) 一种基于机器视觉的不锈钢汤勺缺陷检测方法
CN111666824B (zh) 移动机器人的基于颜色属性和机器学习的指示灯识别方法
CN112489042B (zh) 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法
CN115439476B (zh) 基于图像分析的丝印缺陷检测方法及装置
CN111523540A (zh) 基于深度学习的金属表面缺陷检测方法
CN111127417B (zh) 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法
CN109584215A (zh) 一种电路板在线视觉检测系统
CN106529551B (zh) 面向包装行业的类圆对象智能识别计数检测方法
Selamet et al. Automatic detection and classification of defective areas on metal parts by using adaptive fusion of faster R-CNN and shape from shading
Dong et al. A rapid detection method for the surface defects of mosaic ceramic tiles
Xu et al. A defect inspection for explosive cartridge using an improved visual attention and image-weighted eigenvalue
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
Dominguez-Nicolas et al. Indentation image analysis for Vickers hardness testing
CN112991271A (zh) 基于改进yolov3的铝型材表面缺陷视觉检测方法
CN114092415A (zh) 一种大尺寸导光板缺陷视觉检测方法
CN109636785A (zh) 一种识别金刚砂颗粒的视觉处理方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210727