CN111429428B - 一种基于外形特征的异常磨斑图像的检测方法 - Google Patents

一种基于外形特征的异常磨斑图像的检测方法 Download PDF

Info

Publication number
CN111429428B
CN111429428B CN202010203325.5A CN202010203325A CN111429428B CN 111429428 B CN111429428 B CN 111429428B CN 202010203325 A CN202010203325 A CN 202010203325A CN 111429428 B CN111429428 B CN 111429428B
Authority
CN
China
Prior art keywords
column
length
row
grinding
interval
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.)
Expired - Fee Related
Application number
CN202010203325.5A
Other languages
English (en)
Other versions
CN111429428A (zh
Inventor
肖梅
杜开瑞
张雷
徐婷
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202010203325.5A priority Critical patent/CN111429428B/zh
Publication of CN111429428A publication Critical patent/CN111429428A/zh
Priority to PCT/CN2021/077660 priority patent/WO2021185035A1/zh
Application granted granted Critical
Publication of CN111429428B publication Critical patent/CN111429428B/zh
Expired - Fee Related 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的一种基于外形特征的异常磨斑图像的检测方法，在磨痕区域分割和方向角检测的基础上，用行向和列向长度表征磨痕区域的行向和列向外形特征；在区间滤波的基础上，分别计算行长和列长的梯度变化值；采用自适应阈值对梯度变化值进行二值化，并基于梯度的单调性判定磨斑图像是否是异常；本发明基于外形特征对磨斑图像的异常状态，更具有普适性，避免主观判定的误差，精度也更高，为试验数据的可用性提供理论依据。

Description

一种基于外形特征的异常磨斑图像的检测方法
技术领域
本发明涉及一种四球摩擦试验机测定润滑油润滑性能的扩展应用，具体涉及一种基于外形特征的异常磨斑图像的检测方法。
背景技术
润滑性好的润滑油可以保护机械、延长工作寿命，常常通过四球磨损试验机来测量。根据我国石油化工行业标准(GB-T 12583-1998和H-T 0762-2005)，润滑剂抗摩损性能测定方法为：将三个直径为12.7mm的钢球夹紧在一油盒中，并用试油浸没，在三球顶部放置一个直径的钢球，在试油温度达到75℃±2℃后，施加147N或392N作用力，顶球在一定转速下旋转60min，随后取出底部的三个钢球，在测量精度为0.01mm的显微镜下测量三个钢球的磨斑直径，三个钢球共得到六组测量数据，润滑油或润滑脂的抗摩性能通过三个球的六次测量的摩斑直径的算术平均值来评价。理想状态下，四球摩擦试验的磨斑图像呈现椭圆形，但当操作过程中实验人员的经验不足或操作不规范时，磨斑图像呈现异常形状，不能用于测定润滑油的摩擦系数。目前主要由试验员依据经验判定试验数据的有效性，不可避免的产生主观判定的误差。基于此，我们提出了一种基于外形特征的异常磨斑图像的自动检测方法。
发明内容
本发明的目的在于提供一种基于外形特征的异常磨斑图像的检测方法，解决现有的磨斑图像的异常检测存在误差的缺陷。
为了达到上述目的，本发明采用的技术方案是：
本发明提供的一种基于外形特征的异常磨斑图像的检测方法，包括如下步骤：
步骤1，对采集到的磨斑图像进行预处理，得到磨痕区域图；
步骤2，在磨痕区域图中提取磨痕区域；
步骤3，计算磨痕区域的行长径和列长径；
步骤4，根据步骤3中得到的磨痕水平图的行长径和列长径判断磨斑图像是否异常，若磨斑图像为异常时，算法结束；否则转入步骤5；
步骤5，对磨斑区域的行长度和列长度进行区间滤波，得到区间行长和区间列长；
步骤6，根据步骤5中得到的区间行长和区间列长计算梯度变化值；
步骤7，确定自适应分割阈值；
步骤8，根据步骤7中得到的自适应分割阈值对步骤6中得到的梯度变化值进行二值化处理，得到梯度二值数据；
步骤10，根据步骤9得到的梯度二值数据和步骤3中的磨痕区域的行长径和列长径判断磨痕区域的形状是否正常。
优选地，步骤2中，在磨痕区域图中提取磨痕区域，具体方法是：
S1，确定步骤1中得到的磨痕区域图的磨痕方向角；
S2，将磨痕区域图绕图像中心顺时针旋转磨痕方向角度，得到磨痕水平图；
S3，在磨痕水平图中提取磨痕区域，其中，利用i0和i1表示磨痕水平图中磨痕区域的首行和尾行；利用j0和j1表示磨痕水平图中磨痕区域的首列和尾列：
i0<i且
Figure BDA0002420121530000021
i1>i且
Figure BDA0002420121530000022
j0<j且
Figure BDA0002420121530000023
j1>j且
Figure BDA0002420121530000024
优选地，步骤3中，根据下式计算磨痕区域的行长径：
Figure BDA0002420121530000025
其中，rh为行长径；Dh(i)为第i行的长度，
Figure BDA0002420121530000026
i0为磨痕区域的首行；i1为磨痕区域的尾行；j0为磨痕区域的首列；j1为磨痕区域的尾列；
通过下式计算列长径：
Figure BDA0002420121530000031
其中，rl为列长径；Dl(j)为第j列的长度，
Figure BDA0002420121530000032
优选地，步骤4中，根据步骤3中得到的磨痕水平图的行长径和列长径判断磨斑图像是否异常，具体方法是，若行长径和列长径满足下式，则认为磨斑图像异常：
Figure BDA0002420121530000033
其中，β为差距阈值。
优选地，步骤5中，通过下式结合设定的区间长度对磨斑区域的行长度和列长度进行区间滤波：
Figure BDA0002420121530000034
Figure BDA0002420121530000035
其中，s和t分别行区间和列区间的索引；Lh(s)表示第s个区间行长；Ll(t)为第t个区间列长；q为设定的区间长度；[]表示向下取整运算符。
优选地，步骤6中，通过下式结构步骤5中得到的区间行长和区间列长计算梯度变化值：
Figure BDA0002420121530000036
Figure BDA0002420121530000041
其中，Ih(s)为s区间的行梯度，Il(t)为t区间的列梯度。
优选地，步骤7中，确定自适应分割阈值，具体方法是：
将集合
Figure BDA0002420121530000042
中的元素按升序排列，将位序
Figure BDA0002420121530000043
位对应的元素作为行分割阈值Th；
将集合
Figure BDA0002420121530000044
中元素升序排列后，将位序
Figure BDA0002420121530000045
对应的元素值作为列分割阈值T1；
其中，
Figure BDA0002420121530000046
为四舍五入取整运算。
优选地，步骤8中，根据步骤7中得到的自适应分割阈值对步骤6中得到的梯度变化进行二值化，得到梯度二值数据，具体方法利用下式进行计算：
Figure BDA0002420121530000047
Figure BDA0002420121530000048
其中，Bh(s)为行梯度二值数据；Bl(t)为列梯度二值数据。
优选地，步骤10中，根据步骤9得到的梯度二值数据和步骤3中的磨痕区域的行长径和列长径判断磨痕区域的形状是否正常，具体方法是：
分别判断行向形状和列向形状是否均为异常，当行向形状和列向形状均正常时，则认定该磨斑图像为正常，否则，该磨斑图像为异常。
优选地，任意选取整数m，n，该整数同时满足下式时，则认为行向形状异常：
Figure BDA0002420121530000051
Figure BDA0002420121530000052
Figure BDA0002420121530000053
其中，α为长度阈值；
任意选取整数k，p，该整数同时满足下式时，则认为行向形状异常：
Figure BDA0002420121530000054
Figure BDA0002420121530000055
Figure BDA0002420121530000056
与现有技术相比，本发明的有益效果是：
本发明提供的一种基于外形特征的异常磨斑图像的检测方法，在磨痕区域分割和方向角检测的基础上，用行向和列向长度表征磨痕区域的行向和列向外形特征；在区间滤波的基础上，分别计算行长和列长的梯度变化值；采用自适应阈值对梯度变化值进行二值化，并基于梯度的单调性判定磨斑图像是否是异常。和目前的只利用两个方向的直径差值来判定的方法相比，本发明方法基于外形特征对磨斑图像的异常状态，更具有普适性，避免主观判定的误差，精度也更高，为试验数据的可用性提供理论依据。
附图说明
图1是磨斑图像F；
图2是磨痕区域图f；
图3是磨痕水平图g。
具体实施方式
下面结合附图，对本发明进一步详细说明。
本发明提供的一种基于外形特征的异常磨斑图像的自动检测方法，包括如下步骤：
步骤1：通过扫面电子显微镜采集试验钢球的磨斑图像。具体是：在四球摩擦试验结束后，分别将试验所使用的三个底部钢球取出并置于扫面电镜中，并调节扫面电镜的光照和放大倍数等参数，以便清晰地采集到磨斑图像，所采集的磨斑图像用F表示。同时，得到的所述磨斑图像F的像素大小为M×N，例如磨斑图像的大小为768×1024，即M＝768，N＝1024。同时，利用(i，j)表示磨斑图像F的任一像素点的坐标，则i和j分别表示该像素点的行和列，且i和j均为整数，满足：1≤i≤M和1≤j≤N成立。
本实施例中，磨斑图像F如图1所示。
步骤2：磨痕区域的自动分割。利用发明人在专利中提及“一种基于钢球磨痕梯度的磨斑直径测量方法”(ZL201310752721.3)对磨痕区域实现自动的分割，分割出来的磨痕区域，得到磨痕区域图，用f表示，f(i,j)＝1的像素点表示磨痕，f(i,j)＝0的像素点表示非磨痕。
本实施例中，磨痕区域图f如图2所示。
步骤3：检测磨痕方向角。利用发明人在专利中提及“一种四球摩擦试验磨斑图像磨痕方向角自动测定方法”(ZL201710018314.8)对磨痕方向角进行检测，检测得到的磨痕方向角用w表示。
本实施例中，磨痕方向角为w＝35°。
步骤4：根据磨痕方向角将磨痕旋转至行轴方向。将磨痕区域图f绕图像中心顺时针旋转w度，得到磨痕水平图，用符号g表示，此时磨痕方向和行轴方向(水平方向)一致。经过旋转变换后，图像的大小由M×N变成了Mw×Nw，用i0和i1表示磨痕水平图中磨痕区域的首行和尾行，满足计算式(1-2)；用j0和j1表示磨痕水平图中磨痕区域的首列和尾列，满足计算式(3-4)；后续的操作仅针对磨痕区域进行，可减少方法的计算量。
Figure BDA0002420121530000071
Figure BDA0002420121530000072
Figure BDA0002420121530000073
Figure BDA0002420121530000074
本实施例中，磨痕水平图g如图3所示，图像尺寸为：Mw＝1217，Nw＝1281，i0＝206，i1＝934，j0＝230，j1＝1013。
步骤5：计算行向长度。当磨痕处于水平方向时，通过每行磨痕的长度来表征行向长度。理想状态下，磨斑区域为椭圆形，行向长度随行号的增加呈现倒U形，即行向长度曲线先上升后下降，其中最大的行向长度为行长径。行向长度和行长径如式(5-6)所示。
Figure BDA0002420121530000075
Figure BDA0002420121530000076
其中，Dh(i)表示第i行的长度；rh为行长径。
本实施例中，其行长径为rh＝784。
步骤6：计算列向长度。类似地，列向长度的计算方法同列向长度，每列的长度表示列向长度，磨斑区域列向长度随列号的增加呈倒U形，第j列的长度Dl(j)和列长径rl如式(7-8)所示：
Figure BDA0002420121530000077
Figure BDA0002420121530000078
本实施例中，其列长径为rl＝728。
步骤7：基于长径的异常图像检测。若行长径和列长径差距较大，满足式(9)时，则认为磨斑图像异常，转入步骤13；否则转入步骤8：
Figure BDA0002420121530000081
其中，β为差距阈值，按经验取值为0.167。
本实施例中，
Figure BDA0002420121530000082
步骤8：对磨斑区域的行长度和列长度进行区间滤波。磨斑图像由磨痕组成，检出的磨痕区域的边缘常常不光滑，按设定的区间长度对行长度和列长度均进行均值滤波处理，可以使细小的锯齿边缘变得更光滑。区间滤波后，得到磨斑区域的区间行长和区间列长，其计算式(10-11)所示：
Figure BDA0002420121530000083
Figure BDA0002420121530000084
其中，s和t分别行区间和列区间的索引，为整数；Lh(s)表示第s个区间行长；Ll(t)为第t个区间列长；q为设定的区间长度，通常为3-20之间；[]表示向下取整运算符。
本实施例中，区间长度q取值为10，s＝0,1,…,72和t＝0,1,…,78。
步骤9：计算梯度变化值。数据的梯度变化可以反映出数据曲线的单调性，当梯度值为正时，曲线单调增，反之为单调减，进而可以判定磨痕区域的形状是否呈现先增后减的特性。对区间滤波后的区间行长和列长进行梯度如式(12-13)所示：
Figure BDA0002420121530000091
Figure BDA0002420121530000092
其中，Ih(s)为s区间的行梯度，Il(t)为t区间的列梯度。
步骤10：自适应分割阈值的确定。方法利用自适应的阈值对梯度变化值进行二值分割，具体操作为：将集合
Figure BDA0002420121530000093
中的元素按升序排列，位序排在第
Figure BDA0002420121530000094
位的元素选定为行分割阈值，记为Th；同理可以确定列分割阈值T1：集合
Figure BDA0002420121530000095
中元素升序排列后，位序
Figure BDA0002420121530000096
对应的元素值为列分割阈值T1。
其中，
Figure BDA0002420121530000097
为四舍五入取整运算。
本实施例中，Th＝14.4和T1＝5.7。
步骤11：梯度二值化。基于自适应阈值对梯度数据进行二值化，得到梯度二值数据，值为1的数据对应单调增曲线(即曲线的上升段)，其余为单调减曲线，若单调增曲线段未被单调减曲线分隔，则说明数据变化符合先增后减的变化特性。用Bh(s)和Bl(t)分别表示行、列梯度二值数据，计算式如(14-15)所示：
Figure BDA0002420121530000101
Figure BDA0002420121530000102
本实施例中，行、列梯度二值数据如表1所示。
表1行、列梯度二值数据Bh(s)和Bl(t)
s 1-31 32-37 38-47 48-52 53-54 55-56 57-58 59-65 66
B<sub>h</sub>(s) 1 0 1 0 1 0 1 0 1
t 1-50 51-52 53-54 55 56 57-78 79-80 81-102 103
B<sub>l</sub>(t) 1 0 1 0 1 0 1 0 1
步骤12：异常磨斑图像的检测。分别利用梯度二值数据和步骤3中的磨痕区域的行长径和列长径值判断磨痕区域的形状是否正常：当存在任意整数m，n同时满足式(16-18)时，曲线的上升段被下降段分隔，曲线呈现上升、下降、上升和下降，这和标准现状曲线不符，说明行向形状异常，反之行向形状正常；同理，若存在任意整k，p同时满足式(19-21)，说明列向形状异常；行向或列向为异常时则为异常磨斑图像，只有当行向和列向均为正常时，则认为是正常磨斑图像。正常的图像数据可用于后续的分析，而异常的图像数据不能用于后续的分析，需要重新试验。
Figure BDA0002420121530000103
Figure BDA0002420121530000104
Figure BDA0002420121530000105
Figure BDA0002420121530000111
Figure BDA0002420121530000112
Figure BDA0002420121530000113
其中，α为长度阈值，其取值为2-10。
本实施例中，α取值为4；存在m＝32，33；n＝38,39,40,41,42,43满足式(16-18)，说明行向形状异常；不存在k和l满足式(19-21)，说明列向形状正常，故为异常磨斑图像，需要重新试验。
步骤13：方法结束。

Claims (7)

1.一种基于外形特征的异常磨斑图像的自动检测方法，其特征在于，包括如下步骤：
步骤1，对采集到的磨斑图像进行预处理，得到磨痕区域图；
步骤2，在磨痕区域图中提取磨痕区域；
步骤3，计算磨痕区域的行长径和列长径；
步骤4，根据步骤3中得到的磨痕区域的行长径和列长径判断磨斑图像是否异常，若磨斑图像为异常时，算法结束；否则转入步骤5；
步骤5，对磨斑区域的行长度和列长度进行区间滤波，得到区间行长和区间列长；
步骤6，根据步骤5中得到的区间行长和区间列长计算梯度变化值；
步骤7，确定自适应分割阈值；
步骤8，根据步骤7中得到的自适应分割阈值对步骤6中得到的梯度变化值进行二值化处理，得到梯度二值数据；
步骤9，根据步骤8得到的梯度二值数据和步骤3中的磨痕区域的行长径和列长径判断磨痕区域的形状是否正常；
步骤5中，通过下式结合设定的区间长度对磨斑区域的行长度和列长度进行区间滤波：
Figure FDA0003502183890000011
Figure FDA0003502183890000012
其中，s和t分别行区间和列区间的索引；Lh(s)表示第s个区间行长；Ll(t)为第t个区间列长；q为设定的区间长度；[]表示向下取整运算符；i0和i1分别表示磨痕水平图中磨痕区域的首行和尾行；j0和j1分别表示磨痕水平图中磨痕区域的首列和尾列；Dh(i)表示第i行的长度；Dl(j)表示第j列的长度；
步骤6中，通过下式结合步骤5中得到的区间行长和区间列长计算梯度变化值：
Figure FDA0003502183890000021
Figure FDA0003502183890000022
其中，Ih(s)为s区间的行梯度，Il(t)为t区间的列梯度；q为设定的区间长度；
步骤7中，确定自适应分割阈值，具体方法是：
将集合
Figure FDA0003502183890000023
中的元素按升序排列，将排在
Figure FDA0003502183890000024
位的元素对应的值作为行分割阈值Th；
将集合
Figure FDA0003502183890000025
中元素升序排列后，将排在
Figure FDA0003502183890000026
位的元素对应的值作为列分割阈值T1；
其中，
Figure FDA00035021838900000210
为四舍五入取整运算。
2.根据权利要求1所述的一种基于外形特征的异常磨斑图像的自动检测方法，其特征在于，步骤2中，在磨痕区域图中提取磨痕区域，具体方法是：
S1，确定步骤1中得到的磨痕区域图的磨痕方向角；
S2，将磨痕区域图绕图像中心顺时针旋转磨痕方向角度，得到磨痕水平图；
S3，在磨痕水平图中提取磨痕区域，其中，利用i0和i1表示磨痕水平图中磨痕区域的首行和尾行；利用j0和j1表示磨痕水平图中磨痕区域的首列和尾列：
i0＜i且
Figure FDA0003502183890000027
且
Figure FDA0003502183890000028
且
Figure FDA0003502183890000029
Figure FDA0003502183890000031
3.根据权利要求1所述的一种基于外形特征的异常磨斑图像的自动检测方法，其特征在于，步骤3中，根据下式计算磨痕区域的行长径：
Figure FDA0003502183890000032
其中，rh为行长径；Dh(i)为第i行的长度，
Figure FDA0003502183890000033
i0为磨痕区域的首行；i1为磨痕区域的尾行；j0为磨痕区域的首列；j1为磨痕区域的尾列；
通过下式计算列长径：
Figure FDA0003502183890000034
其中，rl为列长径；Dl(j)为第j列的长度，
Figure FDA0003502183890000035
4.根据权利要求1所述的一种基于外形特征的异常磨斑图像的自动检测方法，其特征在于，步骤4中，根据步骤3中得到的磨痕水平图的行长径和列长径判断磨斑图像是否异常，具体方法是，若行长径和列长径满足下式，则认为磨斑图像异常：
Figure FDA0003502183890000036
其中，β为差距阈值；rh为行长径；rl为列长径。
5.根据权利要求1所述的一种基于外形特征的异常磨斑图像的自动检测方法，其特征在于，步骤8中，根据步骤7中得到的自适应分割阈值对步骤6中得到的梯度变化进行二值化，得到梯度二值数据，具体方法利用下式进行计算：
Figure FDA0003502183890000037
Figure FDA0003502183890000038
其中，Bh(s)为行梯度二值数据；Bl(t)为列梯度二值数据；Th为行分割阈值；Tl为列分割阈值；Ih(s)为s区间的行梯度，Il(t)为t区间的列梯度。
6.根据权利要求1所述的一种基于外形特征的异常磨斑图像的自动检测方法，其特征在于，步骤9中，根据步骤8得到的梯度二值数据和步骤3中的磨痕区域的行长径和列长径判断磨痕区域的形状是否正常，具体方法是：
分别判断行向形状和列向形状是否均为异常，当行向形状和列向形状均正常时，则认定该磨斑图像为正常，否则，该磨斑图像为异常。
7.根据权利要求6所述的一种基于外形特征的异常磨斑图像的自动检测方法，其特征在于，任意选取整数m，n，该整数同时满足下式时，则认为行向形状异常：
Figure FDA0003502183890000041
Figure FDA0003502183890000042
Figure FDA0003502183890000043
其中，α为长度阈值；
任意选取整数k，p，该整数同时满足下式时，则认为行向形状异常：
Figure FDA0003502183890000044
Figure FDA0003502183890000045
Figure FDA0003502183890000046
其中，i0和i1分别表示磨痕水平图中磨痕区域的首行和尾行；s和t分别行区间和列区间的索引；q为设定的区间长度；Bh(m)表示的第m个行区间的行梯度二值数据；Bh(n)表示的第n个行区间的行梯度二值数据；Bl(k)表示的第k个列区间的列梯度二值数据；Bl(p)表示的第p个列区间的列梯度二值数据。
CN202010203325.5A 2020-03-20 2020-03-20 一种基于外形特征的异常磨斑图像的检测方法 Expired - Fee Related CN111429428B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010203325.5A CN111429428B (zh) 2020-03-20 2020-03-20 一种基于外形特征的异常磨斑图像的检测方法
PCT/CN2021/077660 WO2021185035A1 (zh) 2020-03-20 2021-02-24 一种基于外形特征的异常磨斑图像的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010203325.5A CN111429428B (zh) 2020-03-20 2020-03-20 一种基于外形特征的异常磨斑图像的检测方法

Publications (2)

Publication Number Publication Date
CN111429428A CN111429428A (zh) 2020-07-17
CN111429428B true CN111429428B (zh) 2022-05-13

Family

ID=71548346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010203325.5A Expired - Fee Related CN111429428B (zh) 2020-03-20 2020-03-20 一种基于外形特征的异常磨斑图像的检测方法

Country Status (2)

Country Link
CN (1) CN111429428B (zh)
WO (1) WO2021185035A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429428B (zh) * 2020-03-20 2022-05-13 长安大学 一种基于外形特征的异常磨斑图像的检测方法
CN117371993B (zh) * 2023-12-05 2024-03-08 延安随缘科技发展有限公司 用于提升润滑脂的使用周期方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005017564A1 (en) * 2003-08-11 2005-02-24 Bg Intellectual Property, Ltd. Dip value in seismic images
WO2012011221A1 (ja) * 2010-07-20 2012-01-26 パナソニック株式会社 瞳孔検出装置及び瞳孔検出方法
CN107403445A (zh) * 2017-07-20 2017-11-28 长安大学 一种用于润滑剂抗磨性的形貌对比分析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406859B2 (en) * 2008-08-10 2013-03-26 Board Of Regents, The University Of Texas System Digital light processing hyperspectral imaging apparatus
CN103712565B (zh) * 2013-12-31 2016-05-25 长安大学 一种基于钢球磨痕梯度的磨斑直径测量方法
CN107358604B (zh) * 2017-07-20 2021-04-06 长安大学 一种四球摩擦试验磨斑图像异常检测方法
JP7022661B2 (ja) * 2018-06-28 2022-02-18 株式会社Ｓｃｒｅｅｎホールディングス 形状測定装置および形状測定方法
IN201921008342A (zh) * 2019-03-04 2019-03-15
CN111429428B (zh) * 2020-03-20 2022-05-13 长安大学 一种基于外形特征的异常磨斑图像的检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005017564A1 (en) * 2003-08-11 2005-02-24 Bg Intellectual Property, Ltd. Dip value in seismic images
WO2012011221A1 (ja) * 2010-07-20 2012-01-26 パナソニック株式会社 瞳孔検出装置及び瞳孔検出方法
CN107403445A (zh) * 2017-07-20 2017-11-28 长安大学 一种用于润滑剂抗磨性的形貌对比分析方法

Also Published As

Publication number Publication date
CN111429428A (zh) 2020-07-17
WO2021185035A1 (zh) 2021-09-23

Similar Documents

Publication Publication Date Title
CN111429428B (zh) 一种基于外形特征的异常磨斑图像的检测方法
CN115345885B (zh) 一种金属健身器材外观质量检测方法
CN109598287B (zh) 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法
CN115170576A (zh) 基于机器视觉的铝管表面缺陷检测方法
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
CN101153850A (zh) 一种沥青混合料的检测方法及系统
CN114674988B (zh) 一种基于无线网络的空气在线监测系统
CN113239930A (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN115100203A (zh) 一种钢筋打磨除锈质量检测方法
CN115063620B (zh) 一种基于比特分层罗茨风机轴承磨损检测方法
CN116703898B (zh) 一种精密机械轴承端面的质量检测方法
CN109239073B (zh) 一种用于汽车车身的表面缺陷检测方法
CN113030244B (zh) 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及系统
CN111445438B (zh) 一种双邻域的磨痕角自动检测方法
CN111412864B (zh) 一种基于磨痕灰度相似性的磨痕角自动检测方法
CN116309599A (zh) 基于污水前置处理的水质视觉监测方法
CN111062919B (zh) 一种轴承套圈外观缺陷检测方法
Chen et al. Fourier-transform-based method for automated steel bridge coating defect recognition
CN115018790A (zh) 一种基于异常检测的工件表面缺陷检测方法
CN116883402B (zh) 基于计算机视觉的瓦楞纸生产质量实时检测方法
CN113222904A (zh) 改进PoolNet网络结构的混凝土路面裂缝检测方法
CN112396580A (zh) 一种圆形零件缺陷检测方法
CN107358604B (zh) 一种四球摩擦试验磨斑图像异常检测方法
CN114119577B (zh) 高铁隧道漏缆卡扣检测方法
CN107403445B (zh) 一种用于润滑剂抗磨性的形貌对比分析方法

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: 20220513