CN110335233B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110335233B
CN110335233B CN201910331812.7A CN201910331812A CN110335233B CN 110335233 B CN110335233 B CN 110335233B CN 201910331812 A CN201910331812 A CN 201910331812A CN 110335233 B CN110335233 B CN 110335233B
Authority
CN
China
Prior art keywords
image
processing
module
processing module
highway guardrail
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
Application number
CN201910331812.7A
Other languages
English (en)
Other versions
CN110335233A (zh
Inventor
梅杰
王浩
梁霄
任正敏
高涵
罗来臻
夏泽天
陈宇杭
周易岗
陶孟仑
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910331812.7A priority Critical patent/CN110335233B/zh
Publication of CN110335233A publication Critical patent/CN110335233A/zh
Application granted granted Critical
Publication of CN110335233B publication Critical patent/CN110335233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T5/70—
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • 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

本发明提供了基于图像处理技术的高速公路护栏板缺陷检测系统，包括获取模块、处理模块和识别模块；基于图像处理技术的高速公路护栏板缺陷检测方法通过获取图像、运用图像处理技术提取图像缺陷的主要特征，并与正常图像的阈值分析比较得到目标缺陷，提高了检测的效率，检测稳定可靠，符合检测需求，为高速公路护栏板的检测与维护提供了一种快速、精确的方法。

Description

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
技术领域
本发明属于状态检测及维护技术领域，具体涉及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。
背景技术
CV(Computational Vision)，即计算机视觉，是指用摄影机和计算机代替人眼对目标进行的识别、跟踪和测量等机器视觉，并做进一步图形处理，通过计算机处理成为更适合人眼观察或仪器检测的图像。其主要任务是通过对采集的图片或视频进行处理以获得相应场景的三维信息，广泛应用于生产制造、智能安检、图像检索、医疗影像分析、人机交互等领域。但与此同时，计算机视觉技术仍然面临诸如语义信息描述模糊、图像特征检测不稳定且效率低下等诸多问题。
发明内容
本发明要解决的技术问题是：提供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，用于克服传统高速公路护栏板缺陷检测方法中存在的效率低下、检测不稳定等问题。
本发明为解决上述技术问题所采取的技术方案为：基于图像处理技术的高速公路护栏板缺陷检测系统，包括获取模块、处理模块和识别模块；获取模块用于获取高速公路护栏板缺陷的图像；处理模块的信号输入端与获取模块的信号输出端相连，用于强化高速公路护栏板缺陷的主要特征；识别模块的信号输入端与处理模块的信号输出端相连，用于识别高速公路护栏板的缺陷。
按上述方案，所述的获取模块包括摄像机；所述的处理模块包括图像灰度化处理模块、图像二值化处理模块、图像边缘检测模块和图像噪声处理模块。
基于图像处理技术的高速公路护栏板缺陷检测方法，包括以下步骤：
步骤S1：获取模块获取正常的高速公路护栏板图像并输出到处理模块，处理模块对收到的图像进行算法处理，并将处理后的图像作为对照标准；
步骤S2：获取模块获取待检测的高速公路护栏板图像并输出到处理模块，处理模块对收到的图像进行算法处理，并将处理后的图像输出到识别模块；
步骤S3：识别模块将步骤S2得到的图像与步骤S1得到的图像对比，并从步骤S2得到的图像中分离出缺陷；
步骤S4：识别模块从步骤S3得到的图像中提取连通区域，得到目标缺陷。
进一步的，所述的步骤S1中，具体步骤为：
步骤S11：获取模块获取正常的高速公路护栏板图像并输出到处理模块；
步骤S12：处理模块对步骤S11中收到的图像进行包括灰度化处理、二值化处理、边缘检测和噪声处理的算法处理；
步骤S13：处理模块将步骤S12得到的图像作为对照标准并输出到识别模块。
进一步的，所述的步骤S2中，具体步骤为：
步骤S21：获取模块获取待检测的高速公路护栏板图像并输出到处理模块；
步骤S22：处理模块对步骤S21中收到的图像进行包括灰度化处理、二值化处理、边缘检测和噪声处理的算法处理；
步骤S23：处理模块将步骤S22得到的图像输出到识别模块。
进一步的，所述的灰度化处理的具体步骤为：设f表示原图像，f1表示变换后的图像，imadjust为灰度级变换的处理函数，设采用空间域法对图片进行灰度级变换的公式为：
f1＝imadjust(f,[x1,x2],[y1,y2])，x1＜x2，y1＜y2；
设x为图片任意点的灰度值，xf为变换后图片任意点的灰度值，则灰度级变换公式为：
Figure BDA0002037925590000021
进一步的，所述的边缘检测的具体步骤为：处理模块利用图像边缘部分灰度值高于背景部分灰度值的特性，采用prewitt边缘检测法,利用prewitt()算子在水平方向和垂直方向对图像进行领域卷积，通过数字图像边缘点与邻近点灰度值变化的梯度对二值化处理得到的图像进行边缘检测。
进一步的，所述的噪声处理的具体步骤为：将获取的图像用像素点的幅值函数f(x，y)表示，f为坐标(x，y)像素点的强度大小，x、y和f为有限的离散数值，将采样量化后的数字图像用M×N的矩阵表示如下：
Figure BDA0002037925590000022
对数字图像采用中值滤波进行降噪处理，通过二维滑动模板按照像素值的大小排序，生成单调上升或下降的二维数据序列，设窗口w的大小为m×n，则二维中值滤波后输出的滤波模板中心像素的值g(x，y)为：
Figure BDA0002037925590000023
进一步的，所述的步骤S3中，识别模块采用动态阈值分割法从步骤S2得到的图像中分离出缺陷，具体步骤为：用与象素位置相关的一组阈值即阈值坐标的函数对步骤S2得到的图像各部分进行分割，利用缺陷部分的阈值比正常部分的阈值大的特性，通过与步骤S1得到的标准图像对比，从步骤S2得到的图像中分离出缺陷。
进一步的，所述的步骤S4中，识别模块采用八邻域集合算法从步骤S3得到的图像中提取连通区域，具体步骤为：在八邻域内对分割后的图像元组做行、列扫描，标记算法识别连通区域，同时对元组聚类分析进行包括并、交、差、取反、异或的操作，用于从步骤S3得到的图像中分离不同区域和连通相似区域，得到目标缺陷。
本发明的有益效果为：
1.本发明的检测效率高，适合大量护栏板缺陷的快速检测，节省了人力物力，对资源的利用更加高效。
2.本发明无需人工操作，相对传统人眼识别检测精度更高，检测结果稳定。
附图说明
图1是本发明实施例的功能框图。
图2是本发明实施例的处理模块的工作流程图。
图3是本发明实施例检测的高速公路护栏板损伤经过灰度化处理后的图。
图4是本发明实施例检测的高速公路护栏板损伤经过二值化处理后的图。
图5是本发明实施例检测的高速公路护栏板损伤经过边缘检测处理后的图。
图6是本发明实施例检测的高速公路护栏板损伤经过降噪处理后的图。
具体实施方式
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。
参见图1，基于图像处理技术的高速公路护栏板缺陷检测系统，包括获取模块、处理模块和识别模块；获取模块包括CCD相机，用于获取高速公路护栏板缺陷的图像；处理模块的信号输入端与获取模块的信号输出端相连，处理模块依次通过图像灰度化处理模块、图像二值化处理模块、图像边缘检测模块和图像噪声处理模块强化高速公路护栏板缺陷的主要特征；识别模块的信号输入端与处理模块的信号输出端相连，通过比较缺陷部分与正常部分的阈值大小，用于识别高速公路护栏板的缺陷。
参见图2，基于图像处理技术的高速公路护栏板缺陷检测方法，包括以下步骤：
步骤S1：获取模块获取正常的高速公路护栏板图像并输出到处理模块，处理模块对收到的图像进行算法处理，并将处理后的图像作为对照标准：
步骤S11：获取模块通过CCD相机高速拍摄获取正常的高速公路护栏板图像并输出到处理模块；
步骤S12：处理模块对步骤S11中收到的图像进行包括灰度化处理、二值化处理、边缘检测和噪声处理的算法处理；
步骤S13：处理模块将步骤S12得到的图像作为对照标准并输出到识别模块。
步骤S2：获取模块获取待检测的高速公路护栏板图像并输出到处理模块，处理模块对收到的图像进行算法处理，并将处理后的图像输出到识别模块：
步骤S21：获取模块通过CCD相机高速拍摄获取待检测的高速公路护栏板图像并输出到处理模块；
步骤S22：参见图3，处理模块对步骤S21中收到的图像做灰度化处理，将高速公路护栏板的彩色图像转化为灰度图像：设f表示原图像，f1表示变换后的图像，imadjust为灰度级变换的处理函数，设采用空间域法对图片进行灰度级变换的公式为：
f1＝imadjust(f,[x1,x2],[y1,y2])，x1＜x2，y1＜y2；
设x为图片任意点的灰度值，xf为变换后图片任意点的灰度值，则灰度级变换公式为：
Figure BDA0002037925590000031
参见图4，处理模块对得到的灰度图像做二值化处理，通过对256个亮度等级的灰度图像进行阀值选取获得反映图像整体和局部特征的二值化图像；
参见图5，处理模块对得到的二值化图像做边缘检测处理，标识数字图像中亮度变化明显的点：处理模块利用图像边缘部分灰度值高于背景部分灰度值的特性，采用prewitt边缘检测法,利用prewitt()算子在水平方向和垂直方向对图像进行领域卷积，通过数字图像边缘点与邻近点灰度值变化的梯度(微分)对二值化处理得到的图像进行边缘检测；
参见图6，处理模块对得到的边缘检测处理后图像做降噪处理，减少图像中的外部噪声影响，强化缺陷的主要特征：将获取的图像用像素点的幅值函数f(x，y)表示，f为坐标(x，y)像素点的强度大小，x、y和f为有限的离散数值，将采样量化后的数字图像用M×N的矩阵表示如下：
Figure BDA0002037925590000041
对数字图像采用中值滤波进行降噪处理，通过二维滑动模板按照像素值的大小排序，生成单调上升或下降的二维数据序列，设窗口w的大小为m×n，则二维中值滤波后输出的滤波模板中心像素的值g(x，y)为：
Figure BDA0002037925590000042
步骤S23：处理模块将步骤S22得到的图像输出到识别模块。
步骤S3：识别模块采用动态阈值分割法从步骤S2得到的图像中分离出缺陷：用与象素位置相关的一组阈值(即阈值坐标的函数)对步骤S2得到的图像各部分进行分割，利用缺陷部分的阈值比正常部分的阈值大的特性，通过与步骤S1得到的标准图像对比，从步骤S2得到的图像中分离出缺陷。
步骤S4：识别模块采用八邻域集合算法即在八邻域内对分割后的图像元组做行、列扫描，标记算法识别连通区域，同时对元组聚类分析进行一系列并、交、差、取反、异或等操作，用于从步骤S3得到的图像中分离不同区域和连通相似区域，得到目标缺陷。
综上所述，本发明提供了基于图像处理技术的高速公路护栏板缺陷检测系统，包括获取模块、处理模块和识别模块；基于图像处理技术的高速公路护栏板缺陷检测方法通过获取图像、运用图像处理技术提取图像缺陷的主要特征，并与正常图像的阈值分析比较得到目标缺陷，提高了检测的效率，检测稳定可靠，符合检测需求，为高速公路护栏板的检测与维护提供了一种快速、精确的方法。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (4)

1.基于图像处理技术的高速公路护栏板缺陷检测方法，其特征在于：包括以下步骤：
步骤S0：搭建基于图像处理技术的高速公路护栏板缺陷检测系统，包括获取模块、处理模块和识别模块；处理模块的信号输入端与获取模块的信号输出端相连；识别模块的信号输入端与处理模块的信号输出端相连；
步骤S1：获取模块获取正常的高速公路护栏板图像并输出到处理模块，处理模块对收到的图像进行算法处理，并将处理后的图像作为对照标准；具体步骤为：
步骤S11：获取模块获取正常的高速公路护栏板图像并输出到处理模块；
步骤S12：处理模块对步骤S11中收到的图像进行包括灰度化处理、二值化处理、边缘检测和噪声处理的算法处理；
步骤S13：处理模块将步骤S12得到的图像作为对照标准并输出到识别模块；步骤S2：获取模块获取待检测的高速公路护栏板图像并输出到处理模块，处理模块对收到的图像进行算法处理，并将处理后的图像输出到识别模块；具体步骤为：
步骤S21：获取模块获取待检测的高速公路护栏板图像并输出到处理模块；
步骤S22：处理模块对步骤S21中收到的图像进行包括灰度化处理、二值化处理、边缘检测和噪声处理的算法处理；
所述的灰度化处理的具体步骤为：设f表示原图像，f1表示变换后的图像，imadjust为灰度级变换的处理函数，设采用空间域法对图片进行灰度级变换的公式为：
f1＝imadjust(f,[x1,x2],[y1,y2])，x1＜x2，y1＜y2；
设x为图片任意点的灰度值，xf为变换后图片任意点的灰度值，则灰度级变换公式为：
Figure FDA0004168097950000011
所述的边缘检测的具体步骤为：处理模块利用图像边缘部分灰度值高于背景部分灰度值的特性，采用prewitt边缘检测法，利用prewitt()算子在水平方向和垂直方向对图像进行领域卷积，通过数字图像边缘点与邻近点灰度值变化的梯度对二值化处理得到的图像进行边缘检测；
所述的噪声处理的具体步骤为：将获取的图像用像素点的幅值函数f(x，y)表示，f为坐标(x，y)像素点的强度大小，x、y和f为有限的离散数值，将采样量化后的数字图像用M×N的矩阵表示如下：
Figure FDA0004168097950000012
对数字图像采用中值滤波进行降噪处理，通过二维滑动模板按照像素值的大小排序，生成单调上升或下降的二维数据序列，设窗口w的大小为m×n，则二维中值滤波后输出的滤波模板中心像素的值g(x，y)为：
Figure FDA0004168097950000021
步骤S23：处理模块将步骤S22得到的图像输出到识别模块；
步骤S3：识别模块将步骤S2得到的图像与步骤S1得到的图像对比，并从步骤S2得到的图像中分离出缺陷；
识别模块采用动态阈值分割法从步骤S2得到的图像中分离出缺陷，具体步骤为：用与象素位置相关的一组阈值即阈值坐标的函数对步骤S2得到的图像各部分进行分割，利用缺陷部分的阈值比正常部分的阈值大的特性，通过与步骤S1得到的标准图像对比，从步骤S2得到的图像中分离出缺陷；
步骤S4：识别模块从步骤S3得到的图像中提取连通区域，得到目标缺陷。
2.根据权利要求1所述的基于图像处理技术的高速公路护栏板缺陷检测方法，其特征在于：所述的步骤S4中，识别模块采用八邻域集合算法从步骤S3得到的图像中提取连通区域，具体步骤为：在八邻域内对分割后的图像元组做行、列扫描，标记算法识别连通区域，同时对元组聚类分析进行包括并、交、差、取反、异或的操作，用于从步骤S3得到的图像中分离不同区域和连通相似区域，得到目标缺陷。
3.基于图像处理技术的高速公路护栏板缺陷检测系统，其特征在于：包括获取模块、处理模块和识别模块；获取模块用于获取高速公路护栏板缺陷的图像；处理模块的信号输入端与获取模块的信号输出端相连，用于强化高速公路护栏板缺陷的主要特征；识别模块的信号输入端与处理模块的信号输出端相连，用于识别高速公路护栏板的缺陷。
4.根据权利要求3所述的基于图像处理技术的高速公路护栏板缺陷检测系统，其特征在于：所述的获取模块包括摄像机；所述的处理模块包括图像灰度化处理模块、图像二值化处理模块、图像边缘检测模块和图像噪声处理模块。
CN201910331812.7A 2019-04-24 2019-04-24 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 Active CN110335233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910331812.7A CN110335233B (zh) 2019-04-24 2019-04-24 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910331812.7A CN110335233B (zh) 2019-04-24 2019-04-24 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

Publications (2)

Publication Number Publication Date
CN110335233A CN110335233A (zh) 2019-10-15
CN110335233B true CN110335233B (zh) 2023-06-30

Family

ID=68139786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910331812.7A Active CN110335233B (zh) 2019-04-24 2019-04-24 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

Country Status (1)

Country Link
CN (1) CN110335233B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113109368B (zh) * 2021-03-12 2023-09-01 浙江华睿科技股份有限公司 玻璃裂纹检测方法、装置、设备及介质
CN115662033B (zh) * 2022-10-18 2023-07-07 众芯汉创（北京）科技有限公司 一种基建工程施工围栏的动态识别监控系统
CN116681955B (zh) * 2023-07-31 2023-11-28 深圳鲲云信息科技有限公司 用于交通护栏异常识别的方法及计算设备
CN117090133A (zh) * 2023-08-23 2023-11-21 青岛迪乐普精密机械有限公司 一种护栏及其检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001077165A (ja) * 1999-09-06 2001-03-23 Hitachi Ltd 欠陥検査方法及びその装置並びに欠陥解析方法及びその装置
KR20050052046A (ko) * 2003-11-29 2005-06-02 주식회사 쓰리비 시스템 플랫패널용 광관련판요소의 라인결함 검출방법
KR20080060851A (ko) * 2006-12-27 2008-07-02 이형우 목재표면의 결함검출방법
CN106897994A (zh) * 2017-01-20 2017-06-27 北京京仪仪器仪表研究总院有限公司 一种基于分层图像的pcb板缺陷检测系统和方法
CN108665458A (zh) * 2018-05-17 2018-10-16 杭州智谷精工有限公司 透明体表面缺陷提取及识别方法
CN108982512A (zh) * 2018-06-28 2018-12-11 芜湖新尚捷智能信息科技有限公司 一种基于机器视觉的电路板检测系统及其方法
CN109087286A (zh) * 2018-07-17 2018-12-25 江西财经大学 一种基于计算机图像处理和模式识别的检测方法及应用
CN109100370A (zh) * 2018-06-26 2018-12-28 武汉科技大学 一种基于投影法和连通域分析的pcb板缺陷检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4562126B2 (ja) * 2004-09-29 2010-10-13 大日本スクリーン製造株式会社 欠陥検出装置および欠陥検出方法
US9311698B2 (en) * 2013-01-09 2016-04-12 Kla-Tencor Corp. Detecting defects on a wafer using template image matching
CN109584231B (zh) * 2018-11-28 2022-11-29 中国兵器科学研究院宁波分院 一种复杂内结构的活塞毛坯缺陷检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001077165A (ja) * 1999-09-06 2001-03-23 Hitachi Ltd 欠陥検査方法及びその装置並びに欠陥解析方法及びその装置
KR20050052046A (ko) * 2003-11-29 2005-06-02 주식회사 쓰리비 시스템 플랫패널용 광관련판요소의 라인결함 검출방법
KR20080060851A (ko) * 2006-12-27 2008-07-02 이형우 목재표면의 결함검출방법
CN106897994A (zh) * 2017-01-20 2017-06-27 北京京仪仪器仪表研究总院有限公司 一种基于分层图像的pcb板缺陷检测系统和方法
CN108665458A (zh) * 2018-05-17 2018-10-16 杭州智谷精工有限公司 透明体表面缺陷提取及识别方法
CN109100370A (zh) * 2018-06-26 2018-12-28 武汉科技大学 一种基于投影法和连通域分析的pcb板缺陷检测方法
CN108982512A (zh) * 2018-06-28 2018-12-11 芜湖新尚捷智能信息科技有限公司 一种基于机器视觉的电路板检测系统及其方法
CN109087286A (zh) * 2018-07-17 2018-12-25 江西财经大学 一种基于计算机图像处理和模式识别的检测方法及应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种有效的红外小目标检测方法;崔璇;辛云宏;;光子学报(02);第154-158页 *
基于机器视觉钢板表面缺陷检测技术研究;王震宇;;计算机与现代化(07);第134-138页 *

Also Published As

Publication number Publication date
CN110335233A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110335233B (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
CN110334706B (zh) 一种图像目标识别方法及装置
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
US20140301608A1 (en) Chemical structure recognition tool
Krishnan et al. A survey on different edge detection techniques for image segmentation
CN112308854A (zh) 一种芯片表面瑕疵的自动检测方法、系统及电子设备
CN111539980B (zh) 一种基于可见光的多目标追踪方法
CN111665199A (zh) 一种基于机器视觉的电线电缆颜色检测识别方法
CN110648330A (zh) 摄像头玻璃的缺陷检测方法
CN112200019A (zh) 一种快速建筑夜景照明灯光故障检测方法
Rasooli et al. Farsi license plate detection based on element analysis and characters recognition
CN108846364B (zh) 一种基于fpga的视频特征检测方法和系统
Kumar et al. Comparative analysis for edge detection techniques
Gui et al. A fast caption detection method for low quality video images
Guo et al. Fault diagnosis of power equipment based on infrared image analysis
PL A study on various image processing techniques
Patel et al. A novel approach for detecting number plate based on overlapping window and region clustering for Indian conditions
CN115131355A (zh) 利用电子设备数据检测防水布异常的智能方法
CN111931689B (zh) 一种在线提取视频卫星数据鉴别特征的方法
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
Kaur et al. Text Extraction from Natural Scene using PCA.
Riasat Research on various image processing techniques
Fan et al. A survey on solar image segmentation techniques
CN116416251B (zh) 基于图像处理的整芯阻燃输送带质量检测方法及相关装置
CN110197122B (zh) 获取图像的局部特征描述子的方法及异常行为图像检索法

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