CN110827235A - 钢板表面缺陷检测方法 - Google Patents

钢板表面缺陷检测方法 Download PDF

Info

Publication number
CN110827235A
CN110827235A CN201910907054.9A CN201910907054A CN110827235A CN 110827235 A CN110827235 A CN 110827235A CN 201910907054 A CN201910907054 A CN 201910907054A CN 110827235 A CN110827235 A CN 110827235A
Authority
CN
China
Prior art keywords
steel plate
image
defect
defects
dimensional
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
CN201910907054.9A
Other languages
English (en)
Other versions
CN110827235B (zh
Inventor
孙立宁
刘旭华
涂文骁
钱森
林嵩
何志勇
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.)
Suzhou Su Robot Intelligent Equipment Co Ltd
Original Assignee
Suzhou Su Robot Intelligent Equipment Co Ltd
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 Suzhou Su Robot Intelligent Equipment Co Ltd filed Critical Suzhou Su Robot Intelligent Equipment Co Ltd
Priority to CN201910907054.9A priority Critical patent/CN110827235B/zh
Publication of CN110827235A publication Critical patent/CN110827235A/zh
Application granted granted Critical
Publication of CN110827235B publication Critical patent/CN110827235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种钢板表面缺陷检测方法。本发明一种钢板表面缺陷检测方法，包括：(1)对待测钢板设计图像采集装置，采用特定角度的不同条形光源打光采集钢板表面纹理图像，其中image1表示二维缺陷待测样本，image2表示三维缺陷待测样本；(2)分别对两类采集图像进行图像增强；对image1采用中值滤波进行去噪，对image2先进行图像先膨胀再腐蚀处理，接着采用otsu二值化，这样便于更好特征提取。本发明的有益效果：本发明基于钢板表面在不同光照条件下表现出不同的纹理图像，通过纹理分析缺陷，采用数字图像处理方法检测钢板表面二维缺陷，采用特征提取结合SVM的方法检测钢板表面三维缺陷。

Description

钢板表面缺陷检测方法
技术领域
本发明涉及数字图像处理技术与机器视觉技术领域，具体涉及对钢板表面采集特定的纹理图像，针对不同类型纹理采用图像处理或者进行特征提取结合机器学习来进行缺陷检测。
背景技术
钢板作为钢铁工业的主要产品之一，己被广泛用于化工、机械制造、航空航天、汽车、家电等行业。现代钢板生产制造中对钢板质量要求越来越高，由于设备、生产工艺、环境等方面因素的影响，会导致钢板表面出现各种缺陷。表面缺陷不仅会对产品外观造成影响，还会限制产品的应用，阻碍生产率的进一步提高，直接降低了钢板质量等级。随着下游行业对高质量水平原材料的持续追求，如汽车、家电、电力企业对带钢表面质量趋于零缺陷的要求，钢铁企业必须提供更高质量的产品，因此钢板表面质量的检测问题己被广泛关注。
钢板表面检测技术主要经历了人工经验检测法、基于电磁感应及超声的无损检测技术和基于机器视觉的检测技术三个阶段。前两类检测技术在生产实践中已暴露出大量无法克服的缺点，如人工劳动强度大、造成大量漏检、无法适应高速机组、检测精度低等。随着机器视觉技术、计算机模式识别理论及人工智能理论等相关领域的不断发展，基于机器视觉的钢板表面自动检测技术由于具有非接触、精度高、速度快等特点，已成为钢板表面在线质量检测的主流和发展趋势。
传统技术存在以下技术问题：
目前，已有不少基于机器视觉钢板表面缺陷自动检测技术。利用图像处理的阈值分割、边缘检测、形态学处理检测表面缺陷，这一类算法针对正常区域与缺陷区域灰度值变化较为明显的情况。神经网络也是当下重点研究的方法，但是由于所需要的样本数量大，泛化能力较差，一般识别准确率和速度相较传统方法在应用上有许多不足。在钢板表面缺陷中，对于某些缺陷不属于简单二维缺陷而具有三维结构的我们称为三维缺陷(比如凹凸类缺陷)，钢板表面的三维缺陷，一直以来都是检测的重难点，由于其检出十分困难，很多方法都没能达到较好效果。由于钢板表面受光照影响大，采用结构光照射检测三维缺陷效果不理想，其次钢板表面三维缺陷变化不明显，深度信息难以测量，很多立体视觉技术难以发挥。
发明内容
本发明要解决的技术问题是提供一种钢板表面缺陷检测方法，现有的钢板表面缺陷检测依赖人工观察、效率低下、误检率高等；现有的正确率较高的算法计算量大难以满足工业检测实时性；钢板表面缺陷分为二维缺陷和三维缺陷，三维缺陷检测难度大、检出率低；总结而言，现有的方法很难做到快速、准确检测出钢板表缺陷，特别是钢板表面三维缺陷。本发明利用不同光照条件下二维缺陷和三维缺陷表现出的纹理不同设计出特定检测算法。针对二维缺陷检测采用数字图像处理的方法，针对三维缺陷检测采用特征提取结合SVM的机器学习方法。与现有算法相比，本发明能快速准确检测出钢板表面二维和三维缺陷。
为了解决上述技术问题，本发明提供了一种钢板表面缺陷检测方法，包括：
(1)对待测钢板设计图像采集装置，采用特定角度的不同条形光源打光采集钢板表面纹理图像，其中image1表示二维缺陷待测样本，image2表示三维缺陷待测样本；
(2)分别对两类采集图像进行图像增强；对image1采用中值滤波进行去噪，对image2先进行图像先膨胀再腐蚀处理，接着采用otsu二值化，这样便于更好特征提取；
(3)对于image1，采用迭代阈值的方法对图像进行二值化；
(4)在检测三维缺陷之前，需要预先采集一定的样本，首先对样本图像进行分块，根据采集图像大小进行适当分块，对分块后样本标记建立数据集，有缺陷的样本标记为0，没有缺陷的样本标记为1，提取图像的三个特征：水平梯度平均值f1、垂直梯度平均值f2、区域纵向最大值f3.把数据集分为训练集和测试集，用SVM训练三维缺陷分类模型；
(5)选取采集的image2以训练模型样本相同尺寸进行分块，对每一小块图像进行特征提取，输入训练好的分类模型，判断每一小块是否为缺陷，最终根据判断结果确定image2是否为缺陷以及缺陷大致位置；
(6)由第3、5步结果确定钢板是否存在二维缺陷和三维缺陷。
在其中一个实施例中，光源1高度30cm，与水平夹角30°，光源2高度45cm，与水平夹角45°，光源1照射下采集图为image1，光源2照射下采集图为image2。
在其中一个实施例中，“对image1采用中值滤波进行去噪”具体地，采用3×3模板窗口处理检测图，用窗口中各点灰度的中值代替指定点的灰度值；中值滤波的输出结果为：
Figure BDA0002213580880000031
其中：y为图像中值滤波结果；n为模板窗口内像素点的个数；x1,x2,...,xn分别为模板窗口内的像素点。
在其中一个实施例中，“对于image1，采用迭代阈值的方法对图像进行二值化；”具体如下：
(1)选取初始迭代阈值。遍历灰度图，查找最小灰度值cmin和最大灰度值cmax，令初始迭代阈值Tk为Tk＝(cmax+cmin)/2
(2)根据Tk将灰度对比图分为目标O和背景B，并计算目标区域与背景区域各自的灰度平均值mo、mB。
(3)由mo和mB更新阈值：Tk+1＝m0+mB
(4)重复步骤(2)和步骤(3)，直到Tk+1＝Tk，迭代结束。Tk即为所求的分割阈值。
(5)依据分割区域面积判断是否为缺陷，判断面积大于一定像素点的区域为缺陷区域。
在其中一个实施例中，每张图像大小I为m*n，三个特征f1、f2、f3分别为：
Figure BDA0002213580880000041
把图像分成n个列向量l1,l2,...,ln，每个向量中连续相同元素个数最大值为max(li)，i＝1,2,...,n；
f3＝max{max(l1),max(l2),...,max(ln)}。
在其中一个实施例中，训练集和测试集的比例是7：3。
在其中一个实施例中，“选取采集的image2以训练模型样本相同尺寸进行分块”中的尺寸是8x8。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
本发明基于钢板表面在不同光照条件下表现出不同的纹理图像，通过纹理分析缺陷，采用数字图像处理方法检测钢板表面二维缺陷，采用特征提取结合SVM的方法检测钢板表面三维缺陷，能够准确快速检测出钢板表面缺陷，为钢板检测中三维缺陷的检出提供了可行性方案，本发明提出的算法计算量小，效率高，准确度较高。
附图说明
图1是本发明钢板表面缺陷检测方法中的图像采集设备装置。
图2是本发明钢板表面缺陷检测方法中的采集图像示例。
图3是本发明钢板表面缺陷检测方法的流程图。
图4(a)、(b)是本发明钢板表面缺陷检测方法的缺陷检测结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本发明利用不同光照条件下二维缺陷和三维缺陷表现出的纹理不同设计出特定检测算法(图像采集设备如图1)。首先采集不同角度打光拍摄的图像image1和image2(采集图像示例如图2)，对image1采用中值滤波进行去噪，对image2先进行图像膨胀腐蚀操作，然后利用OTSU方法对图像二值化。检测二维缺陷，本发明对image1采用迭代阈值进行二值化，根据区域面积大小判断是否为缺陷。检测三维缺陷，本发明采用特征提取结合SVM训练分类器，判断是否为缺陷。下面结合实例对本发明进行具体介绍。
实施例1(流程图如图3，结果参阅图4(a)、(b))
一、对待测钢板采用特定角度的不同条形光源打光采集钢板表面纹理图像。
图像采集设备搭建：如图1所示，光源1高度30cm，与水平夹角30°
光源2高度45cm，与水平夹角45°
光源1照射下采集图为image1，光源2照射下采集图为image2，其中image1表示二维缺陷待测样本，image2表示三维缺陷待测样本。
二、为了进一步提高检测结果准确率和效率，分别对两类采集图像进行图像增强。对image1采用中值滤波进行去噪，采用3×3模板窗口处理检测图，用窗口中各点灰度的中值代替指定点的灰度值。中值滤波的输出结果为：
Figure BDA0002213580880000061
其中：y为图像中值滤波结果；n为模板窗口内像素点的个数；x1,x2,...,xn分别为模板窗口内的像素点。
对image2先进行图像膨胀腐蚀处理，先膨胀再腐蚀称为闭运算，用于连接邻近的物体，填补小空洞，填平窄缝隙使得物体边缘更平滑，接着采用otsu二值化。
三、对于image1，我们采用迭代阈值的方法对图像进行二值化，具体操作如下：(1)选取初始迭代阈值。遍历灰度图，查找最小灰度值cmin和最大灰度值cmax，令初始迭代阈值Tk为Tk＝(cmax+cmin)/2(2)根据Tk将灰度对比图分为目标O和背景B，并计算目标区域与背景区域各自的灰度平均值mo、mB。(3)由mo和mB更新阈值：Tk+1＝m0+mB(4)重复步骤(2)和步骤(3)，直到Tk+1＝Tk，迭代结束。最终实验所求的分割阈值为Tk。(5)依据分割区域面积判断是否为缺陷，根据实际需要本例选取面积大于50个像素点的区域为缺陷区域。
四、预先采集一定的样本(本例中选取正常样本100、缺陷样本30)，首先对样本图像进行分块，根据采集图像大小进行适当分块(实验中选取的分块为8*8)，对分块后样本标记建立数据集，有缺陷的样本标记为0，没有缺陷的样本标记为1，提取图像的三个特征：水平梯度平均值f1、垂直梯度平均值f2、区域纵向最大值f3.
每张图像大小I为m*n，三个特征f1、f2、f3分别为：
Figure BDA0002213580880000071
Figure BDA0002213580880000072
把图像分成n个列向量l1,l2,...,ln，每个向量中连续相同元素个数最大值为max(li)，i＝1,2,...,n；
f3＝max{max(l1),max(l2),...,max(ln)}
把数据集以7:3分为训练集和测试集，用SVM训练三维缺陷分类模型。
五、输入image2进行检测，先把image2以训练模型样本相同尺寸(8*8)进行分块，输入每一小块到训练好的分类器进行判断是否为缺陷样本，对每一小块进行重组并标记出缺陷区域，判断输入图片是否有三维缺陷。
六、由第三步和第五步结果判断钢板是否有缺陷，并说明为何种缺陷。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种钢板表面缺陷检测方法，其特征在于，包括：
(1)对待测钢板设计图像采集装置，采用特定角度的不同条形光源打光采集钢板表面纹理图像，其中image1表示二维缺陷待测样本，image2表示三维缺陷待测样本。
(2)分别对两类采集图像进行图像增强；对image1采用中值滤波进行去噪，对image2先进行图像先膨胀再腐蚀处理，接着采用otsu二值化，这样便于更好特征提取；
(3)对于image1，采用迭代阈值的方法对图像进行二值化；
(4)在检测三维缺陷之前，需要预先采集一定的样本，首先对样本图像进行分块，根据采集图像大小进行适当分块，对分块后样本标记建立数据集，有缺陷的样本标记为0，没有缺陷的样本标记为1，提取图像的三个特征：水平梯度平均值f1、垂直梯度平均值f2、区域纵向最大值f3.把数据集分为训练集和测试集，用SVM训练三维缺陷分类模型；
(5)选取采集的image2以训练模型样本相同尺寸进行分块，对每一小块图像进行特征提取，输入训练好的分类模型，判断每一小块是否为缺陷，最终根据判断结果确定image2是否为缺陷以及缺陷大致位置；
(6)由第3、5步结果确定钢板是否存在二维缺陷和三维缺陷。
2.如权利要求1所述的钢板表面缺陷检测方法，其特征在于，光源1高度30cm，与水平夹角30°，光源2高度45cm，与水平夹角45°，光源1照射下采集图为image1，光源2照射下采集图为image2。
3.如权利要求1所述的钢板表面缺陷检测方法，其特征在于，“对image1采用中值滤波进行去噪”具体地，采用3×3模板窗口处理检测图，用窗口中各点灰度的中值代替指定点的灰度值；中值滤波的输出结果为：
Figure FDA0002213580870000021
其中：y为图像中值滤波结果；n为模板窗口内像素点的个数；x1,x2,...,xn分别为模板窗口内的像素点。
4.如权利要求1所述的钢板表面缺陷检测方法，其特征在于，“对于image1，采用迭代阈值的方法对图像进行二值化；”具体如下：
(1)选取初始迭代阈值。遍历灰度图，查找最小灰度值cmin和最大灰度值cmax，令初始迭代阈值Tk为Tk＝(cmax+cmin)/2
(2)根据Tk将灰度对比图分为目标O和背景B，并计算目标区域与背景区域各自的灰度平均值mo、mB。
(3)由mo和mB更新阈值：Tk+1＝m0+mB
(4)重复步骤(2)和步骤(3)，直到Tk+1＝Tk，迭代结束。Tk即为所求的分割阈值。
(5)依据分割区域面积判断是否为缺陷，判断面积大于一定像素点的区域为缺陷区域。
5.如权利要求1所述的钢板表面缺陷检测方法，其特征在于，每张图像大小I为m*n，三个特征f1、f2、f3分别为：
Figure FDA0002213580870000022
Figure FDA0002213580870000023
把图像分成n个列向量l1,l2,...,ln，每个向量中连续相同元素个数最大值为max(li)，i＝1,2,...,n；
f3＝max{max(l1),max(l2),...,max(ln)}。
6.如权利要求1所述的钢板表面缺陷检测方法，其特征在于，训练集和测试集的比例是7：3。
7.如权利要求1所述的钢板表面缺陷检测方法，其特征在于，“选取采集的image2以训练模型样本相同尺寸进行分块”中的尺寸是8x8。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
CN201910907054.9A 2019-09-24 2019-09-24 钢板表面缺陷检测方法 Active CN110827235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910907054.9A CN110827235B (zh) 2019-09-24 2019-09-24 钢板表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910907054.9A CN110827235B (zh) 2019-09-24 2019-09-24 钢板表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN110827235A true CN110827235A (zh) 2020-02-21
CN110827235B CN110827235B (zh) 2022-05-10

Family

ID=69548189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910907054.9A Active CN110827235B (zh) 2019-09-24 2019-09-24 钢板表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110827235B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369502A (zh) * 2020-02-24 2020-07-03 厦门攸信信息技术有限公司 一种基于阈值分割的电子烟零件表面缺陷检测方法
CN111707672A (zh) * 2020-06-28 2020-09-25 江苏科技大学 风电回转支撑件表面缺陷检测方法
CN111929309A (zh) * 2020-09-14 2020-11-13 成都卓识维景科技有限公司 一种基于机器视觉的铸造件外观缺陷检测方法及系统
CN112700423A (zh) * 2021-01-06 2021-04-23 中国民航科学技术研究院 基于深度学习的机身表面损伤缺陷自动检测方法及系统
CN113155839A (zh) * 2021-01-06 2021-07-23 天津大学 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN114494129A (zh) * 2021-12-14 2022-05-13 苏州大学 一种表面轻微形变缺陷对比度增强方法
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160335753A1 (en) * 2013-05-14 2016-11-17 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
CN107478657A (zh) * 2017-06-20 2017-12-15 广东工业大学 基于机器视觉的不锈钢表面缺陷检测方法
CN110006907A (zh) * 2019-04-10 2019-07-12 清华大学深圳研究生院 一种基于机器视觉的压铸件表面缺陷检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160335753A1 (en) * 2013-05-14 2016-11-17 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
CN107478657A (zh) * 2017-06-20 2017-12-15 广东工业大学 基于机器视觉的不锈钢表面缺陷检测方法
CN110006907A (zh) * 2019-04-10 2019-07-12 清华大学深圳研究生院 一种基于机器视觉的压铸件表面缺陷检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴娱等: "《数字图像处理》", 31 October 2017, 北京邮电大学出版社 *
杨帆等: "《精通图像处理经典算法MATLAB版第2版》", 31 March 2018, 北京航空航天大学出版社 *
金永: "《基于光栅投影的玻璃块缺陷在线检测技术》", 30 June 2016, 北京理工大学出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369502A (zh) * 2020-02-24 2020-07-03 厦门攸信信息技术有限公司 一种基于阈值分割的电子烟零件表面缺陷检测方法
CN111707672A (zh) * 2020-06-28 2020-09-25 江苏科技大学 风电回转支撑件表面缺陷检测方法
CN111929309A (zh) * 2020-09-14 2020-11-13 成都卓识维景科技有限公司 一种基于机器视觉的铸造件外观缺陷检测方法及系统
CN112700423A (zh) * 2021-01-06 2021-04-23 中国民航科学技术研究院 基于深度学习的机身表面损伤缺陷自动检测方法及系统
CN113155839A (zh) * 2021-01-06 2021-07-23 天津大学 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN112700423B (zh) * 2021-01-06 2023-05-05 中国民航科学技术研究院 基于深度学习的机身表面损伤缺陷自动检测方法及系统
CN114494129A (zh) * 2021-12-14 2022-05-13 苏州大学 一种表面轻微形变缺陷对比度增强方法
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法
CN114723751B (zh) * 2022-06-07 2022-09-23 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法

Also Published As

Publication number Publication date
CN110827235B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN110827235B (zh) 钢板表面缺陷检测方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
Landstrom et al. Morphology-based crack detection for steel slabs
CN108090494B (zh) 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN107437243B (zh) 基于x光图像的轮胎杂质检测方法及装置
CN110230978A (zh) 一种耐火砖几何尺寸测量方法
CN107016394B (zh) 一种交叉纤维特征点匹配方法
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN112233116A (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN107516315B (zh) 一种基于机器视觉的掘进机出渣监测方法
Gurusamy et al. Review on image segmentation techniques
CN116524269A (zh) 一种视觉识别检测系统
Dong et al. A rapid detection method for the surface defects of mosaic ceramic tiles
Sa et al. Improved Otsu segmentation based on sobel operator
CN108615039A (zh) 基于计算机视觉的弹壳表面缺陷自动检测方法
Hu et al. Heavy rail surface defects detection based on the morphology of multi-scale and dual-structure elements
Wu et al. Fast processing of foreign fiber images by image blocking
Jothi et al. Intra-ocular lens defect detection using generalized hough transform
Landström Adaptive tensor-based morphological filtering and analysis of 3D profile data
CN114354631A (zh) 一种基于视觉的阀门毛坯表面缺陷检测方法
CN113763491A (zh) 一种烟丝桶残余物的视觉检测方法

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