CN111462081A - 一种用于工件表面质量检测的特征区域快速提取方法 - Google Patents

一种用于工件表面质量检测的特征区域快速提取方法 Download PDF

Info

Publication number
CN111462081A
CN111462081A CN202010244749.6A CN202010244749A CN111462081A CN 111462081 A CN111462081 A CN 111462081A CN 202010244749 A CN202010244749 A CN 202010244749A CN 111462081 A CN111462081 A CN 111462081A
Authority
CN
China
Prior art keywords
characteristic region
workpiece
image
detected
edge
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
CN202010244749.6A
Other languages
English (en)
Other versions
CN111462081B (zh
Inventor
周阿维
艾勃勃
李梦
郭倩
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.)
Xian Polytechnic University
Original Assignee
Xian 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 Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN202010244749.6A priority Critical patent/CN111462081B/zh
Publication of CN111462081A publication Critical patent/CN111462081A/zh
Application granted granted Critical
Publication of CN111462081B publication Critical patent/CN111462081B/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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于工件表面质量检测的特征区域快速提取方法，具体包括：分别对被测条纹图像和参考条纹图像进行图像预处理，得到被测工件表面的曲率分布和标准工件表面的曲率分布，通过图像差影法检测被测工件特征区域的边缘，并将特征区域的边缘作为特征区域初始轮廓，利用改进的主动轮廓模型Active Contour Model即ACM算法在初始轮廓附近求取局部范围的最优解，从而完成特征区域边界的提取。本发明提取过程清晰快速，相比于现有利用相位解包裹算法提取特征区域边界计算量大大减少，同时有效避免了对含有特征区域的表面的三维成像引入误差；可实现不同形状特征区域同时快速准确提取。

Description

一种用于工件表面质量检测的特征区域快速提取方法
技术领域
本发明属于光电检测技术领域，涉及一种用于工件表面质量检测的特征区域快速提取方法。
背景技术
关键工件的表面缺陷严重影响产品的使用性能、寿命和安全，工件的缺陷区域作为其表面的特征区域，对具有特征区域的这类工件表面质量进行精密检测至关重要。目前现有的基于条纹照明和视觉传感器的检测方法是通过测量被测工件表面形貌引起的相位偏折信息来恢复被测物体的三维形貌，进而可实现工件表面质量的检测，该方法具有测量范围大、速度快、对特征区域敏感、与被测表面非接触等优点，可实现对工件表面的大视场三维表面测量。然而，该方法需要用相位解包裹算法进行相位展开，虽然相位解包裹算法已经比较成熟，但运算比较复杂，而且对包裹相位图的质量要求较高，如果包裹相位图带有缺陷，用相位解包裹算法就可能引入误差，并且误差会传播到在当前像素点之后展开的所有点，从而会增加特征区域误检率和测量误差。
发明内容
本发明的目的是提供一种用于工件表面质量检测的特征区域快速提取方法，该方法避免了相位解包裹算法造成的误差，可实现不同形状特征区域同时快速准确地提取。
本发明所采用的技术方案是，一种用于工件表面质量检测的特征区域快速提取方法，分别对被测条纹图像和参考条纹图像进行图像预处理，得到被测工件表面的曲率分布和标准工件表面的曲率分布，其中，被测条纹图像为被测工件表面变形后的条纹图像，参考条纹图像为标准工件表面的条纹图像，通过图像差影法检测被测工件特征区域的边缘，并将特征区域的边缘作为特征区域初始轮廓，利用改进的主动轮廓模型Active ContourModel即ACM算法在初始轮廓附近求取局部范围的最优解，从而完成特征区域边界的提取。
本发明的特点还在于，
图像预处理包括依次进行的对比度增强、滤波处理、曲率分布计算。
图像预处理具体为，对被测条纹图像和参考条纹图像分别利用其灰度直方图调节对比度，得到像素均衡、对比度增强的清晰被测条纹图像和清晰参考条纹图像；采用中值滤波分别去除清晰被测条纹图像和清晰参考条纹图像的噪声，得到降噪被测条纹图像I和降噪参考条纹图像I0；分别计算降噪被测条纹图像和降噪参考条纹图像两个垂直方向曲率的平均值，该平均值即为条纹曲率；根据条纹曲率并通过插值技术分别得到被测工件表面的曲率分布和标准工件表面的曲率分布。
降噪被测条纹图像和降噪参考条纹图像的条纹曲率k和ko计算如下：
Figure BDA0002433706110000021
Figure BDA0002433706110000022
式(1)中，kx、ky分别是降噪被测条纹图像互相垂直的x方向和y方向的曲率；
式(2)中，kox、koy分别是降噪参考条纹图像互相垂直的x方向和y方向的曲率。
插值技术具体为计算连续两点(kx1,ky1)和(kx2,ky2)之间的插值曲率数据(kx′，ky′)，其中，(kx1，ky1)表示该点互相垂直的x方向和y方向的曲率分别为kx1和ky1，(kx2，ky2)表示该点互相垂直的x方向和y方向的曲率分别为kx2和ky2，(kx′，ky′)表示插值点互相垂直的x方向和y方向的曲率分别为kx′和ky′，且
Figure BDA0002433706110000031
根据条纹曲率和插值曲率数据得到被测工件表面的曲率分布Ik(x,y)和标准工件表面的曲率分布I0k(xo,yo)。
图像差影法具体为通过图像差影法比较预处理后的图像即降噪被测条纹图像I和降噪参考条纹图像I0的差别，获得差影后的图像I′，即
I′＝I-I0 (4)
I′k(x’,y’)＝Ik(x,y)-I0k(xo,yo) (5)
式(5)中，I′k(x’,y’)是差影后的图像I′的曲率分布；
通过根据差影后的图像I′的曲率分布检测I′的特征区域，即可得到被测工件特征区域的所有可能边缘。
将特征区域边缘作为特征区域初始轮廓，利用改进的主动轮廓模型ActiveContour Model即ACM算法模型在初始轮廓附近求取局部范围的最优解，从而完成特征区域边界的提取，具体按照以下步骤实施：
1)计算被测工件特征区域的所有可能边缘点之间相关系数C，当相关系数C<τ，τ为阈值，则该点为伪边缘点，并将该伪边缘点去掉，则其余可能边缘点为特征区域边缘点，若无特征区域边缘点则该被测工件无特征区域；若有特征区域边缘点则该被测工件具有特征区域，保留特征区域边缘点，根据特征区域边缘点得到特征区域初始边缘；
2)将特征区域的边缘作为特征区域初始轮廓，并利用改进的非边界ACM的CV主动轮廓模型得到闭合的初始轮廓边缘曲线C，求初始轮廓边缘曲线C局部的CV主动轮廓模型导出的演化方程最优解，该最优解即为特征区域轮廓，从而完成特征区域边界的提取。
闭合的初始轮廓边缘曲线C根据CV主动轮廓模型的水平集计算得出，CV主动轮廓模型的水平集如下：
Figure BDA0002433706110000041
式(6)中，Ix，y为降噪被测条纹图像I中的点(x，y)的灰度；c1和c2分别为初始轮廓边缘曲线C的内部和外部区域的灰度均值；μ、v、λ1和λ2为四个正常数，分别表示各项的权值，H(φ)和δ(φ)分别为Heaviside函数和Dirac函数；
CV主动轮廓模型导出的演化方程为：
Figure BDA0002433706110000042
式(7)中，
Figure BDA0002433706110000043
μ.K表示的是曲率规则化项。
本发明的有益效果是：
本发明一种用于工件表面质量检测的特征区域快速提取方法，由被测工件变形后条纹图像的全局信息入手，对其局部边缘信息进行处理求解，完成特征区域边界的提取；提取过程清晰快速，相比于现有利用相位解包裹算法提取特征区域边界计算量大大减少，同时有效避免了对含有特征区域的表面的三维成像引入误差；可实现不同形状特征区域同时快速准确提取，具有较强的通用性，经济和社会效益显著。
附图说明
图1是本发明一种用于工件表面质量检测的特征区域快速提取方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种用于工件表面质量检测的特征区域快速提取方法选用表面光洁的同类标准工件作为参考工件，利用条纹照明系统将条纹状图案分别投射至被测工件表面和参考工件表面，然后利用视觉传感器采集被测条纹图像和参考条纹图像，被测条纹图像为被测工件表面变形后的条纹图像，参考条纹图像为标准工件表面的条纹图像。
本发明一种用于工件表面质量检测的特征区域快速提取方法，如图1所示，具体按照以下步骤实施：
步骤1、分别对被测条纹图像和参考条纹图像进行图像预处理
对被测条纹图像和参考条纹图像分别利用其灰度直方图调节对比度，得到像素均衡、对比度增强的清晰被测条纹图像和清晰参考条纹图像；采用中值滤波分别去除清晰被测条纹图像和清晰参考条纹图像的噪声，得到降噪被测条纹图像I和降噪参考条纹图像I0；分别计算降噪被测条纹图像和降噪参考条纹图像两个垂直方向曲率的平均值，该平均值即为条纹曲率，所述降噪被测条纹图像和降噪参考条纹图像的条纹曲率k和ko计算如下：
Figure BDA0002433706110000051
Figure BDA0002433706110000061
式(1)中，kx、ky分别是降噪被测条纹图像互相垂直的x方向和y方向的的曲率；
式(2)中，kox、koy分别是降噪参考条纹图像互相垂直的x方向和y方向的曲率；
根据条纹曲率并通过插值技术分别得到被测工件表面的曲率分布和标准工件表面的曲率分布，插值技术具体为计算连续两点(kx1,ky1)和(kx2,ky2)之间的插值曲率数据(kx′,ky′)，其中，(kx1，ky1)表示该点互相垂直的x方向和y方向的曲率分别为kx1和ky1，(kx2，ky2)表示该点互相垂直的x方向和y方向的曲率分别为kx2和ky2，(kx′，ky′)表示插值点互相垂直的x方向和y方向的曲率分别为kx′和ky′，且
Figure BDA0002433706110000062
根据条纹曲率和插值曲率数据得到被测工件表面的曲率分布Ik(x，y)和标准工件表面的曲率分布I0k(xo,yo)。
步骤2、通过图像差影法检测被测工件特征区域的边缘
通过图像差影法比较预处理后的图像即降噪被测条纹图像I和降噪参考条纹图像I0的差别，获得差影后的图像I′，即
I′＝I-I0 (4)
I′k(x’，y’)＝Ik(x，y)-I0k(xo，yo) (5)
式(5)中，I′k(x’，y’)是差影后的图像I′的曲率分布；
通过根据差影后的图像I′的曲率分布检测I′的特征区域，即可得到被测工件特征区域的所有可能边缘。
步骤3、将特征区域边缘作为特征区域初始轮廓，利用改进的主动轮廓模型ActiveContour Model即ACM算法在初始轮廓附近求取局部范围的最优解，从而完成特征区域边界的提取，具体包括以下步骤：
步骤3.1、计算被测工件特征区域的所有可能边缘点之间相关系数C，当相关系数C<τ，τ为阈值，则该点为伪边缘点，并将该伪边缘点去掉，则其余可能边缘点为特征区域边缘点，若无特征区域边缘点则该被测工件无特征区域；若有特征区域边缘点则该被测工件具有特征区域，保留特征区域边缘点，根据特征区域边缘点得到特征区域初始边缘；
步骤3.2、将特征区域的边缘作为特征区域初始轮廓，并利用改进的非边界ACM的CV主动轮廓模型的水平集计算得出得到闭合的初始轮廓边缘曲线C，闭合的初始轮廓边缘曲线C内部和外部区域所属的像素的灰度与其对应灰度均值之间的整体差异最小，可实现边缘提取与图像分割的目的，CV主动轮廓模型的水平集如下：
Figure BDA0002433706110000071
式(6)中，Ix,y为降噪被测条纹图像I中的点(x,y)的灰度；c1和c2分别为初始轮廓边缘曲线C的内部和外部区域的灰度均值；μ、v、λ1和λ2为四个正常数，分别各项的权值，H(φ)和δ(φ)分别为Heaviside函数和Dirac函数；
求初始轮廓边缘曲线C局部的CV主动轮廓模型导出的演化方程最优解，CV主动轮廓模型导出的演化方程为：
Figure BDA0002433706110000072
式(7)中，
Figure BDA0002433706110000073
μ.K表示的是曲率规则化项；
该最优解即为特征区域轮廓，从而完成特征区域边界的提取。

Claims (9)

1.一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，分别对被测条纹图像和参考条纹图像进行图像预处理，得到被测工件表面的曲率分布和标准工件表面的曲率分布，其中，被测条纹图像为被测工件表面变形后的条纹图像，参考条纹图像为标准工件表面的条纹图像，通过图像差影法检测被测工件特征区域的边缘，并将特征区域的边缘作为特征区域初始轮廓，利用改进的主动轮廓模型Active Contour Model即ACM算法在初始轮廓附近求取局部范围的最优解，从而完成特征区域边界的提取。
2.根据权利要求1所述的一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，所述图像预处理包括依次进行的对比度增强、滤波处理、曲率分布计算。
3.根据权利要求1所述的一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，所述图像预处理具体为，对被测条纹图像和参考条纹图像分别利用其灰度直方图调节对比度，得到像素均衡、对比度增强的清晰被测条纹图像和清晰参考条纹图像；采用中值滤波分别去除清晰被测条纹图像和清晰参考条纹图像的噪声，得到降噪被测条纹图像I和降噪参考条纹图像I0；分别计算降噪被测条纹图像和降噪参考条纹图像两个垂直方向曲率的平均值，该平均值即为条纹曲率；根据条纹曲率并通过插值技术分别得到被测工件表面的曲率分布和标准工件表面的曲率分布。
4.根据权利要求3所述的一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，所述降噪被测条纹图像和降噪参考条纹图像的条纹曲率k和ko计算如下：
Figure FDA0002433706100000021
Figure FDA0002433706100000022
式(1)中，kx、ky分别是降噪被测条纹图像互相垂直的x方向和y方向的的曲率；
式(2)中，kox、koy分别是降噪参考条纹图像互相垂直的x方向和y方向的曲率。
5.根据权利要求3所述的一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，所述插值技术具体为计算连续两点(kx1，ky1)和(kx2,ky2)之间的插值曲率数据(kx′,ky′)，其中，(kx1,ky1)表示该点互相垂直的x方向和y方向的曲率分别为kx1和ky1，(kx2,ky2)表示该点互相垂直的x方向和y方向的曲率分别为kx2和ky2，(kx′,ky′)表示插值点互相垂直的x方向和y方向的曲率分别为kx′和ky′，且
Figure FDA0002433706100000023
根据条纹曲率和插值曲率数据得到被测工件表面的曲率分布Ik(x,y)和标准工件表面的曲率分布I0k(xo,yo)。
6.根据权利要求5所述的一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，所述图像差影法具体为通过图像差影法比较预处理后的图像即降噪被测条纹图像I和降噪参考条纹图像I0的差别，获得差影后的图像I′，即
I′＝I-I0 (4)
I′k(x’,y’)＝Ik(x,y)-I0k(xo,yo) (5)
式(5)中，I′k(x’,y’)是差影后的图像I′的曲率分布；
通过根据差影后的图像I′的曲率分布检测I′的特征区域，即可得到被测工件特征区域的所有可能边缘。
7.根据权利要求3所述的一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，所述将特征区域的边缘作为特征区域初始轮廓，利用改进的主动轮廓模型ActiveContour Model即ACM算法模型在初始轮廓附近求取局部范围的最优解，从而完成特征区域边界的提取，具体按照以下步骤实施：
1)计算被测工件特征区域的所有可能边缘点之间相关系数C，当相关系数C<τ，τ为阈值，则该点为伪边缘点，并将该伪边缘点去掉，则其余可能边缘点为特征区域边缘点，若无特征区域边缘点则该被测工件无特征区域；若有特征区域边缘点则该被测工件具有特征区域，保留特征区域边缘点，根据特征区域边缘点得到特征区域初始边缘；
2)将特征区域边缘作为特征区域初始轮廓，并利用改进的非边界ACM的CV主动轮廓模型得到闭合的初始轮廓边缘曲线C，求初始轮廓边缘曲线C局部的CV主动轮廓模型导出的演化方程最优解，该最优解即为特征区域轮廓，从而完成特征区域边界的提取。
8.根据权利要求7所述的一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，所述闭合的初始轮廓边缘曲线C根据CV主动轮廓模型的水平集计算得出，所述CV主动轮廓模型的水平集如下：
Figure FDA0002433706100000031
式(6)中，Ix,y为降噪被测条纹图像I中的点(x,y)的灰度；c1和c2分别为初始轮廓边缘曲线C的内部和外部区域的灰度均值；μ、v、λ1和λ2为四个正常数，分别表示各项的权值，H(φ)和δ(φ)分别为Heaviside函数和Dirac函数。
9.根据权利要求7所述的一种用于工件表面质量检测的特征区域快速提取方法，其特征在于，所述CV主动轮廓模型导出的演化方程为：
Figure FDA0002433706100000041
式(7)中，
Figure FDA0002433706100000042
μ.K表示的是曲率规则化项。
CN202010244749.6A 2020-03-31 2020-03-31 一种用于工件表面质量检测的特征区域快速提取方法 Active CN111462081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010244749.6A CN111462081B (zh) 2020-03-31 2020-03-31 一种用于工件表面质量检测的特征区域快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010244749.6A CN111462081B (zh) 2020-03-31 2020-03-31 一种用于工件表面质量检测的特征区域快速提取方法

Publications (2)

Publication Number Publication Date
CN111462081A true CN111462081A (zh) 2020-07-28
CN111462081B CN111462081B (zh) 2023-04-14

Family

ID=71685104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010244749.6A Active CN111462081B (zh) 2020-03-31 2020-03-31 一种用于工件表面质量检测的特征区域快速提取方法

Country Status (1)

Country Link
CN (1) CN111462081B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488998A (zh) * 2020-11-19 2021-03-12 安徽农业大学 一种基于条纹投影的苹果果梗和花萼检测方法
CN113182701A (zh) * 2021-03-29 2021-07-30 大族激光科技产业集团股份有限公司 激光加工方法、装置、设备及存储介质
CN116433916A (zh) * 2023-03-14 2023-07-14 宁波银瑞有机硅科技发展有限公司 一种硅胶制品寿命测试系统
CN116958515A (zh) * 2023-09-20 2023-10-27 苏州凌云光工业智能技术有限公司 工件轮廓的拟合定位方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090252382A1 (en) * 2007-12-06 2009-10-08 University Of Notre Dame Du Lac Segmentation of iris images using active contour processing
CN105761274A (zh) * 2016-03-21 2016-07-13 辽宁师范大学 结合边缘和区域信息的医学图像分割方法
CN107993237A (zh) * 2017-11-28 2018-05-04 山东大学 一种基于窄带约束的几何活动轮廓模型图像局部分割方法
WO2018171385A1 (zh) * 2017-03-24 2018-09-27 南京理工大学 一种基于改进的傅立叶变换轮廓技术的超快三维形貌测量方法及其系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090252382A1 (en) * 2007-12-06 2009-10-08 University Of Notre Dame Du Lac Segmentation of iris images using active contour processing
CN105761274A (zh) * 2016-03-21 2016-07-13 辽宁师范大学 结合边缘和区域信息的医学图像分割方法
WO2018171385A1 (zh) * 2017-03-24 2018-09-27 南京理工大学 一种基于改进的傅立叶变换轮廓技术的超快三维形貌测量方法及其系统
CN107993237A (zh) * 2017-11-28 2018-05-04 山东大学 一种基于窄带约束的几何活动轮廓模型图像局部分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董恩增等: "基于主动轮廓模型的红外图像轮廓提取算法", 《激光与红外》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488998A (zh) * 2020-11-19 2021-03-12 安徽农业大学 一种基于条纹投影的苹果果梗和花萼检测方法
CN112488998B (zh) * 2020-11-19 2022-10-14 安徽农业大学 一种基于条纹投影的苹果果梗和花萼检测方法
CN113182701A (zh) * 2021-03-29 2021-07-30 大族激光科技产业集团股份有限公司 激光加工方法、装置、设备及存储介质
CN116433916A (zh) * 2023-03-14 2023-07-14 宁波银瑞有机硅科技发展有限公司 一种硅胶制品寿命测试系统
CN116433916B (zh) * 2023-03-14 2023-11-17 宁波银瑞有机硅科技发展有限公司 一种硅胶制品寿命测试系统
CN116958515A (zh) * 2023-09-20 2023-10-27 苏州凌云光工业智能技术有限公司 工件轮廓的拟合定位方法、装置及存储介质
CN116958515B (zh) * 2023-09-20 2023-12-22 苏州凌云光工业智能技术有限公司 工件轮廓的拟合定位方法、装置及存储介质

Also Published As

Publication number Publication date
CN111462081B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN111462081B (zh) 一种用于工件表面质量检测的特征区域快速提取方法
CN102156996B (zh) 一种图像边缘检测的方法
CN112651968B (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN109448045B (zh) 基于slam的平面多边形物体测量方法及机器可读存储介质
CN109214380B (zh) 车牌倾斜校正方法
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN116758077B (zh) 一种冲浪板表面平整度在线检测方法及系统
CN117237368A (zh) 一种桥梁裂缝检测方法及系统
CN112629409A (zh) 一种线结构光条纹中心提取方法
CN114494179A (zh) 一种基于图像识别的手机背部破损点检测方法及系统
CN116642904A (zh) 一种基于三维点云的飞机蒙皮缺陷检测及测量方法
CN111652953A (zh) 一种利用区域搜索和像素值抑制的安检图像伪影去除方法
CN116563262A (zh) 基于多模态的建筑裂缝检测算法
CN116503462A (zh) 一种圆形斑点圆心快速提取方法及系统
CN107808165B (zh) 一种基于susan角点检测的红外图像匹配方法
CN113223074A (zh) 一种水下激光条纹中心提取方法
CN106250687B (zh) 去扁化ipp的沉积砾石圆度计算方法
CN113052794A (zh) 一种基于边缘特征的图像清晰度识别方法
WO2023134251A1 (zh) 一种基于聚类的光条提取方法及装置
CN116612112A (zh) 一种水桶表面缺陷视觉检测方法
Yang et al. Center Extraction Algorithm of Linear Structured Light Stripe Based on Improved Gray Barycenter Method
CN111798413B (zh) 一种轮胎切平面定位方法及系统
Sun et al. Tire impurity defect detection based on grayscale correction and threading method
CN113610794A (zh) 一种基于生成式对抗网络的金属表面瑕疵检测方法
CN109084721B (zh) 用于确定半导体器件中的目标结构的形貌参数的方法和设备

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