CN110827272A - 一种基于图像处理的轮胎x光图像缺陷检测方法 - Google Patents
一种基于图像处理的轮胎x光图像缺陷检测方法 Download PDFInfo
- Publication number
- CN110827272A CN110827272A CN201911109046.6A CN201911109046A CN110827272A CN 110827272 A CN110827272 A CN 110827272A CN 201911109046 A CN201911109046 A CN 201911109046A CN 110827272 A CN110827272 A CN 110827272A
- Authority
- CN
- China
- Prior art keywords
- tire
- image
- cord
- images
- ray image
- 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
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20004—Adaptive image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于图像处理的轮胎X光图像缺陷检测方法,是利用边缘分析的图像分割算法,并结合基于列的自适应阈值二值化算法对轮胎稀线缺陷进行自适应特征提取,然后采用非极大值抑制的方法对特征向量进行阈值判定以完成缺陷检测。本发明能适应绝大多数稀线缺陷的形态与出现位置,并能避免由背景灰度变化引起的漏查现象,从而提高检测效率和准确性。
Description
技术领域
本发明属于计算机视觉和图像处理技术领域,具体地说是一种基于自适应阈值和边缘分析的轮胎X光图像缺陷检测方法。
背景技术
子午线轮胎在制造过程中,受生产设备及工艺流程等因素的影响,时常会出现各类质量问题,缩短轮胎使用寿命,直接或间接影响行车安全。所以必须对每一条成品子午线轮胎进行检验,以便及时发现问题,调整工艺,提高产品质量。
目前,基于计算机视觉技术的X射线无损检测技术已在多个学科的应用领域取得了关键突破。大多数计算机视觉中的分类任务都是两步走策略:1)特征提取;2)特征向量分类。从技术角度看,特征提取方法可以分为两大类,第一类是通过直观理解或数学推导设计算法进行提取,这需要对图片的特征有先验认识;第二类,基于DNN、CNN或RNN的学习式特征提取,这种方式将特征提取视作一种统计任务。理论上CNN可以拟合任何多项式映射,而拟合所需的样本数和待拟合维度成正比,于是样本量和样本代表性就自然成了学习式特征提取方法的关键点。而在实际生产中,负样本的数量远远小于正样本数量,负样本的严重匮乏使得目前大多数使用深度学习的检测算法难以训练得到一个健壮且泛用的模型。
现有的轮胎X图像缺陷检测技术方法普遍存在非自适应、不鲁棒的问题。由于轮胎缺陷的双重多样性,一是缺陷种类的多样性,二是同类缺陷形状和出现位置的多样性,很多特征提取算法在负样本上的响应很差,包括基于深度学习的算法。并且,不同轮胎生产公司轮胎的结构比例,帘线间距等标准可能不同,而大多数现有检测算法在轮胎的型号发生变化时都难以顺利提取新型轮胎的特征,泛用性严重受限。
发明内容
本发明是为克服上述现有技术所存在的不足之处,提出一种基于图像处理的轮胎X光图像缺陷检测方法,以前能适应绝大多数稀线缺陷的形态与出现位置,并能避免由背景灰度变化引起的漏查现象,从而提高检测效率和准确性。
本发明为解决技术问题所采用如下技术方案:
本发明一种基于图像处理的轮胎X光图像缺陷检测方法的特点包括如下步骤:
步骤1、获取同一规格轮胎的轮胎X光图像集并分别进行图像处理,得到所有轮胎图像的钢丝圈、胎体和胎冠;
步骤1.1、根据所述轮胎X光图像集中轮胎图像的帘线方向和帘线间距,设置纹理滤波核,从而利用所述纹理滤波核对所述轮胎图像进行纹理滤波,得到消除帘线后的轮胎图像;
步骤1.2、根据所述轮胎X光图像集中轮胎图像的帘线宽度和帘线间距,设置模糊滤波核,从而利用所述模糊滤波核对所述消除帘线后的轮胎图像进行模糊滤波,得到高斯模糊后的轮胎图像;
步骤1.3、对所述高斯模糊后的轮胎图像进行进行灰度分析,得到灰度投影函数;
步骤1.4、对所述灰度投影函数的导函数进行非极大值抑制处理,得到四条分割线,从而利用四条分割线对所述轮胎X光图像集中轮胎图像进行图像分割,划分为钢丝圈、胎体和胎冠;
步骤2、对所有轮胎图像的胎体进行二值化处理,得到相应的二值化胎体图;
步骤2.1、对所述轮胎X光图像集中的轮胎图像,筛选出所有无稀线缺陷的轮胎图像,对任一无稀线缺陷的轮胎图像分别按列统计帘线在各列所占的像素值比例,并取平均值后得到比例均值,再对所有无稀线缺陷的轮胎图像的比例均值取平均值后,得到帘线比例均值T0;
步骤2.2、令胎体宽度为w;定义变量i,并初始化i=1;
步骤2.3、对所述轮胎X光图像集中轮胎图像的第i列像素,设置起始阈值为Ti;
步骤2.4、统计第i列像素中灰度值小于Ti的像素点在整列中的占比Ri;
步骤2.5、判断Ri>T0是否成立,若成立,则执行步骤2.6;否则,将Ti+Δ赋值给Ti后,执行步骤2.4;Δ表示步长;
步骤2.6、根据起始阈值为Ti对第i列像素进行二值化处理,得到二值化后的第i列像素;
步骤2.7、将i+1赋值给i后,判断i>w是否成立,若成立,则表示得到二值化胎体图,并执行步骤3;否则,返回步骤2.3;
步骤3、对所述二值化胎体图中进行自适应特征提取,得到轮胎的特征向量;
步骤3.1、统计任一无稀线缺陷的轮胎图像的二值化胎体图中第i列像素的所有帘线间距的个数为n,其中任意第j个帘线间距记为dij;
步骤3.2、利用式(1)得到无稀线缺陷的轮胎图像的二值化胎体图的特征值T:
式(1)中,f(·)表示统计信息相关的函数;
步骤3.4、利用式(2)对所述轮胎X光图像集中的任一轮胎图像的二值化胎体图中第i列像素的特征值Pi,从而得到特征向量P=[P1,P2,…,Pi,…,Pw]:
Pi=f(di1,di2,...,dij,...,din) (2)
步骤4、对所述特征向量进行阈值判定,得到判断结果,以完成缺陷检测:
步骤4.1、初始化i=1;
与现有技术相比,本发明的有益效果体现在:
1、本发明提出一种基于纹理的图像分割算法,将轮胎X光图像的胎冠、胎体、钢丝圈分割开,避免了传统基于阈值方法带来的抗噪性弱、划分不精确等缺点。
2、本发明提出一种基于列的自适应阈值二值化方法,比起传统使用OTSU算法或高斯加权窗口的自适应阈值二值化算法,本方法能更好地区分灰度相近的背景与前景,同时不会因前景或背景的内部灰度变化而产生噪音。
3、本发明针对轮胎缺陷中的稀线检测,设计了一种适应于不同额定帘线间距轮胎的检测算法,并使用形态学开操作对稀线缺陷和断线缺陷加以区分。该稀线检测算法对不同型号轮胎有较强适应性,并且在一定程度上能避免断线缺陷的误识。在某工厂提供测试数据集上综合了以上三种算法的检测模型达到了96%的召回率以及92%的精确率,对比其他现有模型有明显提升。
附图说明
图1为本发明轮胎分割结构图;
图2为本发明纹理滤波结果图;
图3为本发明模糊滤波结果图;
图4为本发明稀线特征提取图。
具体实施方式
本实施例中,一种基于图像处理的轮胎X光图像缺陷检测方法包括如下步骤:
步骤1、获取同一规格轮胎的轮胎X光图像集并分别进行图像处理,得到所有轮胎图像的钢丝圈、胎体和胎冠;如图1所示,这样划分的目的是;定位轮胎的胎体区域,为之后的滤波核设计做参考。
步骤1.1、根据轮胎X光图像集中轮胎图像的帘线方向和帘线间距,设置纹理滤波核,从而利用纹理滤波核对轮胎图像进行纹理滤波,得到消除帘线后的轮胎图像;其中,滤波核方向与帘线方向一致较好,滤波核大小为能且仅能覆盖一条帘线较合适,这样选取的好处在于,滤波核能准确过滤掉图像中每条帘线从而更易进行区域划分。实验中,对图像进行方向水平、核大小11*11、波长π/2、空间纵横比0.5的Gabor滤波。如图2所示,胎体部分纹理被全部过滤掉。
步骤1.2、根据轮胎X光图像集中轮胎图像的帘线宽度和帘线间距,设置模糊滤波核,从而利用模糊滤波核对消除帘线后的轮胎图像进行模糊滤波,得到高斯模糊后的轮胎图像;其中,滤波核选取一个接近于帘线宽度的正奇数,标准差为0较合适,这样选取的好处在于,高斯模糊后的图像能够屏蔽掉由拍照时光线等因素引起的明暗不均现象,且较小的滤波核与0标准差又不至于使区域边缘的过度模糊化。实验中采用核大小为3*3、标准差为0、插值类型为双线性插值的高斯滤波。如图3所示,得到高斯模糊后的轮胎图像。
步骤1.3、对高斯模糊后的轮胎图像进行进行灰度分析,得到灰度投影函数;具体操作为:记图像高度为h,图像宽度为w,对于i=0,1,2,…,w定义灰度投影函数f(x)为:像素点(i,k)的灰度,这样做的好处在于充分利用滤波效用,以列的灰度投影表征其在原图中的纹理,从而使图像分割更加简明。
步骤1.4、对灰度投影函数求导并进行非极大值抑制处理,对f(x)求导得f′(x)。对f′(x)在区间[0,W/2]、(W/2,W]上分别选择极大值点和次大值点的横坐标,得到四条垂线作为图像分割线。利用这四条分割线对轮胎X光图像集中轮胎图像进行图像分割,划分为钢丝圈、胎体和胎冠;
步骤2、对所有轮胎图像的胎体进行二值化处理,得到相应的二值化胎体图;
步骤2.1、对轮胎X光图像集中的轮胎图像,筛选出所有无稀线缺陷的轮胎图像,对任一无稀线缺陷的轮胎图像分别按列统计帘线在各列所在的比例像素值,并取平均值后得到比例均值,再对所有无稀线缺陷的轮胎图像的比例均值取平均值后,得到帘线比例均值T0;
步骤2.2、令胎体宽度为w;定义变量i,并初始化i=1;
步骤2.3、对轮胎X光图像集中轮胎图像的第i列像素,设置起始阈值为Ti;
步骤2.4、统计第i列像素中灰度值小于Ti的像素点在整列中的占比Ri;
步骤2.5、判断Ri>T0是否成立,若成立,则执行步骤2.6;否则,将Ti+Δ赋值给Ti后,执行步骤2.4;Δ表示步长;
步骤2.6、根据起始阈值为Ti对第i列像素进行二值化处理,得到二值化后的第i列像素;
步骤2.7、将i+1赋值给i后,判断i>w是否成立,若成立,则表示得到二值化胎体图,并执行步骤3;否则,返回步骤2.3;
步骤3、对二值化胎体图中进行自适应特征提取,得到轮胎的特征向量;
步骤3.1、统计任一无稀线缺陷的轮胎图像的二值化胎体图中第i列像素的所有帘线间距的个数为n,其中任意第j个帘线间距记为dij;
步骤3.2、利用式(1)得到无稀线缺陷的轮胎图像的二值化胎体图的特征值T,如图4所示:
式(1)中,f(·)表示统计信息相关的函数,f(·)应选择与输入最大值正相关的函数,实验中选择其中max为最大值函数,medi为中位数函数,选取最大值与中位数的比例作为函数值的好处在于,对于轮胎型号规格的变化具有一定的鲁棒性;
步骤3.3、对所有无稀线缺陷的轮胎图像的二值化胎体图按照步骤3.1和步骤3.2进行处理,从而得到的特征值集合并取平均值,得到特征阈值
步骤3.4、利用式(2)对轮胎X光图像集中的任一轮胎图像的二值化胎体图中第i列像素的特征值Pi,从而得到特征向量P=[P1,P2,…,Pi,…,Pw]:
Pi=f(di1,di2,...,dij,...,din) (2)
步骤4、对特征向量进行阈值判定,得到判断结果,以完成缺陷检测:
步骤4.1、初始化i=1;
Claims (1)
1.一种基于图像处理的轮胎X光图像缺陷检测方法,其特征在于包括如下步骤:
步骤1、获取同一规格轮胎的轮胎X光图像集并分别进行图像处理,得到所有轮胎图像的钢丝圈、胎体和胎冠;
步骤1.1、根据所述轮胎X光图像集中轮胎图像的帘线方向和帘线间距,设置纹理滤波核,从而利用所述纹理滤波核对所述轮胎图像进行纹理滤波,得到消除帘线后的轮胎图像;
步骤1.2、根据所述轮胎X光图像集中轮胎图像的帘线宽度和帘线间距,设置模糊滤波核,从而利用所述模糊滤波核对所述消除帘线后的轮胎图像进行模糊滤波,得到高斯模糊后的轮胎图像;
步骤1.3、对所述高斯模糊后的轮胎图像进行进行灰度分析,得到灰度投影函数;
步骤1.4、对所述灰度投影函数的导函数进行非极大值抑制处理,得到四条分割线,从而利用四条分割线对所述轮胎X光图像集中轮胎图像进行图像分割,划分为钢丝圈、胎体和胎冠;
步骤2、对所有轮胎图像的胎体进行二值化处理,得到相应的二值化胎体图;
步骤2.1、对所述轮胎X光图像集中的轮胎图像,筛选出所有无稀线缺陷的轮胎图像,对任一无稀线缺陷的轮胎图像分别按列统计帘线在各列所占的像素值比例,并取平均值后得到比例均值,再对所有无稀线缺陷的轮胎图像的比例均值取平均值后,得到帘线比例均值T0;
步骤2.2、令胎体宽度为w;定义变量i,并初始化i=1;
步骤2.3、对所述轮胎X光图像集中轮胎图像的第i列像素,设置起始阈值为Ti;
步骤2.4、统计第i列像素中灰度值小于Ti的像素点在整列中的占比Ri;
步骤2.5、判断Ri>T0是否成立,若成立,则执行步骤2.6;否则,将Ti+Δ赋值给Ti后,执行步骤2.4;Δ表示步长;
步骤2.6、根据起始阈值为Ti对第i列像素进行二值化处理,得到二值化后的第i列像素;
步骤2.7、将i+1赋值给i后,判断i>w是否成立,若成立,则表示得到二值化胎体图,并执行步骤3;否则,返回步骤2.3;
步骤3、对所述二值化胎体图中进行自适应特征提取,得到轮胎的特征向量;
步骤3.1、统计任一无稀线缺陷的轮胎图像的二值化胎体图中第i列像素的所有帘线间距的个数为n,其中任意第j个帘线间距记为dij;
步骤3.2、利用式(1)得到无稀线缺陷的轮胎图像的二值化胎体图的特征值T:
式(1)中,f(·)表示统计信息相关的函数;
步骤3.4、利用式(2)对所述轮胎X光图像集中的任一轮胎图像的二值化胎体图中第i列像素的特征值Pi,从而得到特征向量P=[P1,P2,…,Pi,…,Pw]:
Pi=f(di1,di2,...,dij,...,din) (2)
步骤4、对所述特征向量进行阈值判定,得到判断结果,以完成缺陷检测:
步骤4.1、初始化i=1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911109046.6A CN110827272B (zh) | 2019-11-13 | 2019-11-13 | 一种基于图像处理的轮胎x光图像缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911109046.6A CN110827272B (zh) | 2019-11-13 | 2019-11-13 | 一种基于图像处理的轮胎x光图像缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827272A true CN110827272A (zh) | 2020-02-21 |
CN110827272B CN110827272B (zh) | 2022-09-02 |
Family
ID=69554796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911109046.6A Active CN110827272B (zh) | 2019-11-13 | 2019-11-13 | 一种基于图像处理的轮胎x光图像缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827272B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222938A (zh) * | 2021-05-14 | 2021-08-06 | 珠海埃克斯智能科技有限公司 | 芯片缺陷检测方法及系统与计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN105869135A (zh) * | 2015-01-19 | 2016-08-17 | 青岛软控机电工程有限公司 | 轮胎缺陷的检测方法和装置 |
CN107004266A (zh) * | 2014-12-15 | 2017-08-01 | 米其林集团总公司 | 检测轮胎表面上缺陷的方法 |
CN107230207A (zh) * | 2017-06-23 | 2017-10-03 | 合肥美亚光电技术股份有限公司 | 轮胎的检测方法及系统 |
EP3317635A1 (en) * | 2015-06-30 | 2018-05-09 | Pirelli Tyre S.p.A. | Method and apparatus for detecting defects on the surface of tyres |
CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
CN110335243A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于纹理对比的轮胎x光病疵检测方法 |
-
2019
- 2019-11-13 CN CN201911109046.6A patent/CN110827272B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107004266A (zh) * | 2014-12-15 | 2017-08-01 | 米其林集团总公司 | 检测轮胎表面上缺陷的方法 |
US20170278234A1 (en) * | 2014-12-15 | 2017-09-28 | Compagnie Generale Des Etablissements Michelin | Method for detecting a defect on a surface of a tire |
CN105869135A (zh) * | 2015-01-19 | 2016-08-17 | 青岛软控机电工程有限公司 | 轮胎缺陷的检测方法和装置 |
EP3317635A1 (en) * | 2015-06-30 | 2018-05-09 | Pirelli Tyre S.p.A. | Method and apparatus for detecting defects on the surface of tyres |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN107230207A (zh) * | 2017-06-23 | 2017-10-03 | 合肥美亚光电技术股份有限公司 | 轮胎的检测方法及系统 |
CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
CN110335243A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于纹理对比的轮胎x光病疵检测方法 |
Non-Patent Citations (3)
Title |
---|
XIUNAN ZHENG等: "《Detection of Impurity and Bubble Defects in Tire X-Ray Image Based on Improved Extremum Filter and Locally Adaptive-threshold Binaryzation》", 《2018 INTERNATIONAL CONFERENCE ON SECURITY, PATTERN ANALYSIS, AND CYBERNETICS (SPAC)》 * |
张潘杰等: "《基于穿线法的轮胎帘线断裂缺陷检测》", 《济南大学学报(自然科学版)》 * |
逄增治等: "《全钢子午线轮胎X光图像的缺陷检测研究现状》", 《智能系统学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222938A (zh) * | 2021-05-14 | 2021-08-06 | 珠海埃克斯智能科技有限公司 | 芯片缺陷检测方法及系统与计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110827272B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN109035195B (zh) | 一种织物疵点检测方法 | |
CN113628189B (zh) | 一种基于图像识别的快速带钢划痕缺陷检测方法 | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN115063421B (zh) | 极片区域检测方法及系统及装置及介质及缺陷检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN110749598A (zh) | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 |
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 |