CN111539935A - 一种基于机器视觉的电缆表面缺陷在线检测方法 - Google Patents

一种基于机器视觉的电缆表面缺陷在线检测方法 Download PDF

Info

Publication number
CN111539935A
CN111539935A CN202010330907.XA CN202010330907A CN111539935A CN 111539935 A CN111539935 A CN 111539935A CN 202010330907 A CN202010330907 A CN 202010330907A CN 111539935 A CN111539935 A CN 111539935A
Authority
CN
China
Prior art keywords
image
cable
gray
defect
machine vision
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
CN202010330907.XA
Other languages
English (en)
Other versions
CN111539935B (zh
Inventor
付永忠
周杭
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.)
KUNSHAN RETECH CO.,LTD.
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN202010330907.XA priority Critical patent/CN111539935B/zh
Publication of CN111539935A publication Critical patent/CN111539935A/zh
Application granted granted Critical
Publication of CN111539935B publication Critical patent/CN111539935B/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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于机器视觉的电缆表面缺陷在线检测方法，采集电缆外表面的原始图像，并对该图像进行预处理；对预处理后的图像进行灰度拉伸改变图像对比度；对灰度拉伸后的图像进行光照补偿；采用改进的自适应中值滤波算法对光照补偿后的图像进行滤波处理；对滤波处理后的图像进行固定阈值二值化处理，快速检测出电缆缺陷；对二值化处理后的图像进行膨胀处理，寻找电缆缺陷的轮廓并计算缺陷面积，完成电缆表面缺陷的在线检测。

Description

一种基于机器视觉的电缆表面缺陷在线检测方法
技术领域
本发明属于机器视觉和工业检测技术领域，更具体地说是一种在线电缆生产过程中实时检测其表面缺陷的方法。
背景技术
电缆作为输送电力、传输信号等不可缺少的工业产品，其表面质量的好坏是电缆各项性能是否达标的重要影响因素。在当前工业自动化飞速发展的社会环境下，电缆的生产效率也不断提高，然而很多企业在电缆的生产过程中仍采用人工检测其质量，浪费了大量的人力资源，质检效果却不尽人意。本发明采用机器视觉的方法对高速生产的电缆进行实时的表面质量检测，以节约人工成本、提高检测精度、降低漏检率和误检率。
发明内容
针对现有技术中所存在的问题，本发明提出了一种基于机器视觉的电缆表面缺陷在线检测方法，通过先进的机器视觉与图像处理技术，在电缆生产过程中及时发现因生产设备异常造成的缺陷，通知技术人员调整设备，以防大量的不良品被生产出来而造成资源的浪费。
本发明所采用的技术方案如下：
一种基于机器视觉的电缆表面缺陷在线检测方法，包括如下步骤：
S1、采集电缆外表面的原始图像，并对该图像进行预处理；
S2、对预处理后的图像进行灰度拉伸改变图像对比度；
S3、对灰度拉伸后的图像进行光照补偿；
S4、采用改进的自适应中值滤波算法对光照补偿后的图像进行滤波处理；
S5、对滤波处理后的图像进行固定阈值二值化处理，快速检测出电缆缺陷；
S6、对二值化处理后的图像进行膨胀处理，寻找电缆缺陷的轮廓并计算缺陷面积，完成电缆表面缺陷的在线检测。
进一步，所述预处理包括对电缆原始图像进行切割、旋转和二次切割处理；
进一步，对电缆图像旋转角度的矫正方法为，计算图像中电缆的旋转角度
Figure BDA0002464917790000011
Figure BDA0002464917790000012
按角度θ反向旋转完成对图像中电缆角度的矫正，其中，xpt1、xpt2、xpt3、xpt4分别为图像电缆四个顶角的横坐标，H为图像高度；
进一步，灰度拉伸的方法为：提取预处理后图像的灰度统计直方图，根据灰度统计直方图选择灰度变换函数，根据灰度变换函数对预处理后的图像进行灰度拉伸。
进一步，所述灰度变换函数采用分段线性变换函数；
进一步，所述光照补偿的方法为：
Figure BDA0002464917790000021
Figure BDA0002464917790000022
g(x，y)＝I(x，y)-s(x)*k1*k2+m
根据上式对灰度拉伸后图像中每一列像素进行不同幅度的光照补偿，其中，(x，y)为像素点的坐标，W为电缆截面方向的图像宽度，f(x)为亮度模型中横坐标x所对应的纵坐标值，I(x，y)为(x，y)位置的初始灰度值，g(x，y)为(x，y)位置的输出灰度值，s(x)为对应横坐标为x的每个像素点所对应电缆的表面积，k1为该材料表面的反光系数，k2为光照强度，m为偏移项。
进一步，改进的自适应中值滤波算法表示为：设置光照补偿后图像的搜索窗口Sxy的尺寸，在每个矩形窗口区域内统计像素灰度，若Zmin＞Zmed或Zmed＞Zmax，则增大搜索窗口的尺寸，且搜索窗口的尺寸小于Smax，重新统计光照补偿后图像的搜索窗口区域内统计像素灰度；若搜索窗口的尺寸大于Smax，输出Zmed：若Zmin＜Zmed＜Zmax，则比较Zmin、Zmax与Zxy之间的关系，若Zmin＜Zxy＜Zmax则输出Zxy，否者输出Zmed；其中，Zmin为窗口内最小灰度值，Zmax为窗口内最大灰度值，Zmed为窗口内灰度值的中值，Zxy为像素点(x，y)处的灰度值，Smax为Sxy允许的最大尺寸。根据上述方法选取滤波处理后的输出值，进而完成对光照补偿后图像滤波处理。
进一步，图像的固定阈值二值化处理后将具有灰度级的图像变换成只有两个灰度级的黑白图像，利用黑、白值分别表征缺陷与非缺陷区域，根据灰度值快速检测出电缆缺陷。
本发明的有益效果：
1、本发明采用机器视觉检测代替人工检测，实现电缆表面缺陷的在线检测，进而能够提高电缆表面缺陷准检测的确率和检测效率，同时降低了人工检测的成本。
2、为了消除曲面在成像时亮度不均匀对算法的影响，本发明基于光照模型对图像进行不同幅度的光照补偿。
3、本发明对采集的电缆原始图像进行切割、旋转和二次切割处理的预处理，一方面能够快速去除图像背景和对电缆的图片进行角度矫正，另一方面切割能够使得检测速度大大加快，提高检测的效率。
4、本发明对电缆图像进行改进的自适应中值滤波、固定阈值二值化两种图像处理方式相结合，可以提高电缆在线检测的准确率和降低误检率。
附图说明
图1是本发明方法的流程图；
图2为相机采集到的原始图像；
图3中，3a为初步切割的图像，3b为角度矫正后的图像，3c为二次切割后的图像；
图4为二次切割后图像的灰度统计直方图；
图5为二次切割后图像的灰度累计直方图；
图6为分段线性变换函数图；
图7为二次切割后图像灰度拉伸后的图像；
图8为灰度拉伸后图像的灰度统计直方图；
图9为灰度拉伸后图像的灰度累计直方图；
图10为光照示意图；
图11为亮度模型图；
图12灰度拉伸后图像经灰度补偿后的图像；
图13为改进的自适应中值滤波后的图像；
图14为改进的自适应中值滤波的逻辑流程图；
图15为中值滤波后图像经过固定阈值二值化的图像；
图16为二值化后图像经膨胀后的图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
本发明提出的一种基于机器视觉的电缆表面缺陷在线检测方法的流程如图1所示，具体包括如下步骤：
S1、采集电缆外表面的原始图像，并对该图像进行预处理，预处理包括对电缆外表面图像进行切割、旋转和二次切割处理；
S1.1、先对电缆的原始图像进行二值化处理，找到电缆的四个顶角的坐标，如图2中的pt1(左上)、pt2(左下)、pt3(右上)及pt4(右下)四个角的坐标，确定最小的外接矩形；
S1.2、根据对S1.1中提取的最小外接矩形，对二值化后的原始图像进行切割，去除了图像中的背景得到如图3a所示的图像，像素数由50万减少到20万左右，节约计算时间。
S1.3、由于电缆是一种非刚性材料，在生产过程中有可能出现轻微的倾斜，因此需要对电缆的图片进行矫正。现给出旋转角度(逆时针)的计算公式：
Figure BDA0002464917790000041
其中，θ是电缆已经发生的绕逆时针方向偏转的角度，xpt1、xpt2、xpt3、xpt4分别为pt1、pt2、pt3、pt4的横坐标，H为图像高度。将图片沿顺时针方向旋转θ后，电缆即矫正到水平方向上(图3b)。重复利用第一步切割的方法对图像进行二次切割，并上下各多切除高度为C的像素行，抛弃上下两侧过于模糊的部分，同时防止边缘弯曲造成背景依然出现在切割后的图像上(图3c)，C一般取电缆所占宽度的5％。
S2、对经过旋转、切割处理后的图像进行灰度拉伸，通过改变图像像素的灰度值来改变图像对比度，从而改变图像质量。具体过程为：提取S1预处理后图像的灰度统计直方图，根据灰度统计直方图选择合适的灰度变换函数，根据灰度变换函数对图3c的图像进行灰度拉伸。在本实施例中，二次切割后的图像的灰度统计直方图如图4所示，直方图分布比较窄，灰度值过于集中，因此本发明采用分段线性变换函数。通过选取合适的变换节点，解决灰度级范围偏小而导致对比度不强的问题。在图4所示的灰度累计直方图中，截取纵坐标分别为2％和98％的两个点作为变换节点，找到对应的横坐标a，b。并根据a，b给出分段线性变换函数(图6)。根据求得的分段线性变换函数，对图3c中每个像素的灰度值进行映射，图7为图3c灰度拉伸后的效果图。绘制图7的灰度统计直方图(图8)和灰度累计直方图(图9)，可以看出图像的对比度得到很好的增强。
S3、考虑到相机在采集电缆表面图像的过程中，水平方向每个像素所对应的实际电缆的弧长并不相等(图10)，造成图像总是两侧偏亮，中间偏暗(图7)。为了消除图像采集带来的光照影响，对灰度拉伸后图像中每一列像素进行不同幅度的光照补偿。水平方向上每个像素所对应的弧长可近似看作三角形的斜边，根据以下公式对每列像素的灰度值进行相应的光照补偿(图11所示的亮度模型图)。公式如下：
Figure BDA0002464917790000042
Figure BDA0002464917790000051
g(x，y)＝I(x，y)-s(x)*k1*k2+m
其中，x为像素点的横坐标，y为像素点的纵坐标，W为电缆截面方向的图像宽度，f(x)为图11中横坐标x所对应的纵坐标值，I(x，y)为(x，y)位置的初始灰度值，g(x，y)为(x，y)位置的输出灰度值，s(x)为对应横坐标为x的每个像素点所对应电缆的表面积，k1为该材料表面的反光系数，k2为光照强度，m为偏移项，便于更直观的显示补偿后的效果。由图12可以看出，灰度补偿很好的解决了电缆成像的亮度不均问题。
S4、针对图像中出现大量的脉冲噪声，本发明采用一种改进的自适应中值滤波算法如图14所示，设置光照补偿后图像的搜索窗口Sxy的尺寸为3，在每个矩形窗口区域内统计像素灰度，若Zmin＞Zmed或Zmed＞Zmax，则增大搜索窗口的尺寸，且搜索窗口的尺寸小于Smax，重新统计光照补偿后图像的搜索窗口区域内统计像素灰度；若搜索窗口的尺寸大于Smax，输出Zmed；若Zmin＜Zmed＜Zmax，则比较Zmin、Zmax与Zxy之间的关系，若Zmin＜Zxy＜Zmax则输出Zxy，否者输出Zmed。其中，Zmin为窗口内最小灰度值，Zmax为窗口内最大灰度值，Zmed为窗口内灰度值的中值，Zxy为像素点(x，y)处的灰度值，Smax为Sxy允许的最大尺寸。根据上述方法选取滤波处理后的输出值，进而完成对光照补偿后图像滤波处理；本发明的自适应中值滤波算法能够在脉冲噪声的空间密度较大时依然具有良好的滤波效果，并且在平滑非脉冲噪声时尽量将细节保留。对图12进行自适应中值滤波后的结果图为图13。
S5、图像的固定阈值二值化是通过设定某个阈值，把具有灰度级的图像变换成只有两个灰度级的黑白图像。设输入图像的初始灰度值I(x，y)，二值化后输出的灰度值为g(x，y)，阈值为T，那么图像二值化的方法为：
Figure BDA0002464917790000052
其中，阈值T的大小与电缆材料表面反光度和桶形光源的光照强度相关，因为在本系统中这两个因素均固定，所以采取简单的固定阈值二值化可以快速有效地将电缆缺陷检测出来(图15)。
S6、对二值化处理后的图像进行膨胀得到图16，然后寻找电缆轮廓缺陷并分别计算出缺陷面积，具体的，根据像素点的灰度值统计膨胀处理后图像内的代表缺陷的像素点个数(白点)；根据单位面积上允许的缺陷点个数设定缺陷判断阈值，当膨胀后的图像内的缺陷点大于缺陷判断阈值则认为产品出现缺陷，至此缺陷检测功能完成。
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 (8)

1.一种基于机器视觉的电缆表面缺陷在线检测方法，其特征在于，包括如下步骤：
S1、采集电缆外表面的原始图像，并对该图像进行预处理；
S2、对预处理后的图像进行灰度拉伸改变图像对比度；
S3、对灰度拉伸后的图像进行光照补偿；
S4、采用改进的自适应中值滤波算法对光照补偿后的图像进行滤波处理；
S5、对滤波处理后的图像进行固定阈值二值化处理，快速检测出电缆缺陷；
S6、对二值化处理后的图像进行膨胀处理，寻找电缆缺陷的轮廓并计算缺陷面积，完成电缆表面缺陷的在线检测。
2.根据权利要求1所述的一种基于机器视觉的电缆表面缺陷在线检测方法，其特征在于，所述预处理包括对电缆原始图像进行切割、旋转和二次切割处理。
3.根据权利要求2所述的一种基于机器视觉的电缆表面缺陷在线检测方法，其特征在于，对电缆图像旋转角度的矫正方法为，计算图像中电缆的旋转角度
Figure FDA0002464917780000011
Figure FDA0002464917780000012
按角度θ反向旋转完成对图像中电缆角度的矫正，其中，xpt1、xpt2、xpt3、xpt4分别为图像电缆四个顶角的横坐标，H为图像高度。
4.根据权利要求1所述的一种基于机器视觉的电缆表面缺陷在线检测方法，其特征在于，灰度拉伸的方法为：提取预处理后图像的灰度统计直方图，根据灰度统计直方图选择灰度变换函数，根据灰度变换函数对预处理后的图像进行灰度拉伸。
5.根据权利要求4所述的一种基于机器视觉的电缆表面缺陷在线检测方法，其特征在于，所述灰度变换函数采用分段线性变换函数。
6.根据权利要求1所述的一种基于机器视觉的电缆表面缺陷在线检测方法，其特征在于，所述光照补偿的方法为：
Figure FDA0002464917780000013
Figure FDA0002464917780000014
g(x，y)＝I(x，y)-s(x)*k1*k2+m
根据上式对灰度拉伸后图像中每一列像素进行不同幅度的光照补偿，其中，(x，y)为像素点的坐标，W为电缆截面方向的图像宽度，f(x)为亮度模型中横坐标x所对应的纵坐标值，I(x，y)为(x，y)位置的初始灰度值，g(x，y)为(x，y)位置的输出灰度值，s(x)为对应横坐标为x的每个像素点所对应电缆的表面积，k1为该材料表面的反光系数，k2为光照强度，m为偏移项。
7.根据权利要求1所述的一种基于机器视觉的电缆表面缺陷在线检测方法，其特征在于，改进的自适应中值滤波算法表示为：设置光照补偿后图像的搜索窗口Sxy的尺寸，在每个矩形窗口区域内统计像素灰度，若Zmin＞Zmed或Zmed＞Zmax，则增大搜索窗口的尺寸，且搜索窗口的尺寸小于Smax，重新统计光照补偿后图像的搜索窗口区域内统计像素灰度；若搜索窗口的尺寸大于Smax，输出Zmed；若Zmin＜Zmed＜Zmax，则比较Zmin、Zmax与Zxy之间的关系，若Zmin＜Zxy＜Zmax则输出Zxy，否者输出Zmed；其中，Zmin为窗口内最小灰度值，Zmax为窗口内最大灰度值，Zmed为窗口内灰度值的中值，Zxy为像素点(x，y)处的灰度值，Smax为Sxy允许的最大尺寸。根据上述方法选取滤波处理后的输出值，进而完成对光照补偿后图像滤波处理。
8.根据权利要求1所述的一种基于机器视觉的电缆表面缺陷在线检测方法，其特征在于，图像的固定阈值二值化处理后将具有灰度级的图像变换成只有两个灰度级的黑白图像，利用黑、白值分别表征缺陷与非缺陷区域，根据灰度值快速检测出电缆缺陷。
CN202010330907.XA 2020-04-24 2020-04-24 一种基于机器视觉的电缆表面缺陷在线检测方法 Active CN111539935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010330907.XA CN111539935B (zh) 2020-04-24 2020-04-24 一种基于机器视觉的电缆表面缺陷在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010330907.XA CN111539935B (zh) 2020-04-24 2020-04-24 一种基于机器视觉的电缆表面缺陷在线检测方法

Publications (2)

Publication Number Publication Date
CN111539935A true CN111539935A (zh) 2020-08-14
CN111539935B CN111539935B (zh) 2021-05-25

Family

ID=71977286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010330907.XA Active CN111539935B (zh) 2020-04-24 2020-04-24 一种基于机器视觉的电缆表面缺陷在线检测方法

Country Status (1)

Country Link
CN (1) CN111539935B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114113110A (zh) * 2021-11-26 2022-03-01 博迈科海洋工程股份有限公司 一种基于机器视觉的天然气管线保温层缺陷检测方法
CN115100202A (zh) * 2022-08-25 2022-09-23 聊城市宏伟电器有限公司 一种基于图像处理的电缆质量检测方法
CN115841493A (zh) * 2023-02-27 2023-03-24 曲阜市虹飞电缆有限公司 一种基于图像处理的电缆检测方法
CN115931572A (zh) * 2023-03-02 2023-04-07 阳谷领航电缆有限公司 特种电缆性能在线安装检测方法
CN116337879A (zh) * 2023-05-23 2023-06-27 青岛豪迈电缆集团有限公司 一种电缆绝缘表皮磨损缺陷快速检测方法
CN116660270A (zh) * 2023-05-30 2023-08-29 孝感市光源电力集团有限责任公司 电力电缆的检测方法、装置及存储介质
CN116721042A (zh) * 2023-08-10 2023-09-08 广东石油化工学院 基于多阈值二值化的摄像图像倾斜校正方法
CN116935103A (zh) * 2023-07-03 2023-10-24 鹰普罗斯叶轮（宜兴）有限公司 一种铝合金叶轮的异常识别方法
CN116993722A (zh) * 2023-09-26 2023-11-03 山东奥斯登房车有限公司 一种拖挂式房车车身缺陷视觉检测方法
CN117197534A (zh) * 2023-08-04 2023-12-08 广州电缆厂有限公司 一种基于特征识别的电缆表面缺陷自动检测方法
CN117372390A (zh) * 2023-10-26 2024-01-09 句容市家天下网络科技有限公司 基于随机选择的电缆达标管理系统
CN117474999A (zh) * 2023-12-25 2024-01-30 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统
CN117710901A (zh) * 2024-02-02 2024-03-15 鲁能泰山曲阜电缆有限公司 一种基于机器视觉的电缆制造异常检测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101154270A (zh) * 2006-09-30 2008-04-02 电子科技大学中山学院 基于补偿原理和中心区域扫描的车牌二值化方法
CN103995259A (zh) * 2014-06-06 2014-08-20 中国人民解放军海军航空工程学院 密集干扰环境下雷达目标自适应滤波融合检测方法
CN105352975A (zh) * 2015-12-02 2016-02-24 湖南拓达结构监测技术有限公司 一种桥梁缆索外观检测方法
US9948864B2 (en) * 2014-09-30 2018-04-17 Beijing Zhigu Rui Tuo Tech Co., Ltd Photography illumination compensation method, compensation apparatus, and user equipment
CN109685761A (zh) * 2018-11-08 2019-04-26 宁波送变电建设有限公司甬城配电网建设分公司 一种基于云平台的电力电缆缺陷检测方法及其检测系统
CN110222648A (zh) * 2019-06-10 2019-09-10 国网上海市电力公司 一种架空电缆故障识别方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101154270A (zh) * 2006-09-30 2008-04-02 电子科技大学中山学院 基于补偿原理和中心区域扫描的车牌二值化方法
CN103995259A (zh) * 2014-06-06 2014-08-20 中国人民解放军海军航空工程学院 密集干扰环境下雷达目标自适应滤波融合检测方法
US9948864B2 (en) * 2014-09-30 2018-04-17 Beijing Zhigu Rui Tuo Tech Co., Ltd Photography illumination compensation method, compensation apparatus, and user equipment
CN105352975A (zh) * 2015-12-02 2016-02-24 湖南拓达结构监测技术有限公司 一种桥梁缆索外观检测方法
CN109685761A (zh) * 2018-11-08 2019-04-26 宁波送变电建设有限公司甬城配电网建设分公司 一种基于云平台的电力电缆缺陷检测方法及其检测系统
CN110222648A (zh) * 2019-06-10 2019-09-10 国网上海市电力公司 一种架空电缆故障识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIAOHONG CHEN ET AL.: ""A novel method for surface defect inspection of optic cable with short-wave infrared illuminance", 《INFRARED PHYSICS & TECHNOLOGY》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114113110B (zh) * 2021-11-26 2023-10-13 博迈科海洋工程股份有限公司 一种基于机器视觉的天然气管线保温层缺陷检测方法
CN114113110A (zh) * 2021-11-26 2022-03-01 博迈科海洋工程股份有限公司 一种基于机器视觉的天然气管线保温层缺陷检测方法
CN115100202A (zh) * 2022-08-25 2022-09-23 聊城市宏伟电器有限公司 一种基于图像处理的电缆质量检测方法
CN115841493A (zh) * 2023-02-27 2023-03-24 曲阜市虹飞电缆有限公司 一种基于图像处理的电缆检测方法
CN115931572A (zh) * 2023-03-02 2023-04-07 阳谷领航电缆有限公司 特种电缆性能在线安装检测方法
CN116337879A (zh) * 2023-05-23 2023-06-27 青岛豪迈电缆集团有限公司 一种电缆绝缘表皮磨损缺陷快速检测方法
CN116337879B (zh) * 2023-05-23 2023-08-04 青岛豪迈电缆集团有限公司 一种电缆绝缘表皮磨损缺陷快速检测方法
CN116660270A (zh) * 2023-05-30 2023-08-29 孝感市光源电力集团有限责任公司 电力电缆的检测方法、装置及存储介质
CN116660270B (zh) * 2023-05-30 2024-01-12 孝感市光源电力集团有限责任公司 电力电缆的检测方法、装置及存储介质
CN116935103A (zh) * 2023-07-03 2023-10-24 鹰普罗斯叶轮（宜兴）有限公司 一种铝合金叶轮的异常识别方法
CN117197534A (zh) * 2023-08-04 2023-12-08 广州电缆厂有限公司 一种基于特征识别的电缆表面缺陷自动检测方法
CN117197534B (zh) * 2023-08-04 2024-04-05 广州电缆厂有限公司 一种基于特征识别的电缆表面缺陷自动检测方法
CN116721042A (zh) * 2023-08-10 2023-09-08 广东石油化工学院 基于多阈值二值化的摄像图像倾斜校正方法
CN116993722A (zh) * 2023-09-26 2023-11-03 山东奥斯登房车有限公司 一种拖挂式房车车身缺陷视觉检测方法
CN116993722B (zh) * 2023-09-26 2023-12-08 山东奥斯登房车有限公司 一种拖挂式房车车身缺陷视觉检测方法
CN117372390A (zh) * 2023-10-26 2024-01-09 句容市家天下网络科技有限公司 基于随机选择的电缆达标管理系统
CN117474999A (zh) * 2023-12-25 2024-01-30 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统
CN117474999B (zh) * 2023-12-25 2024-04-19 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统
CN117710901A (zh) * 2024-02-02 2024-03-15 鲁能泰山曲阜电缆有限公司 一种基于机器视觉的电缆制造异常检测系统
CN117710901B (zh) * 2024-02-02 2024-04-26 鲁能泰山曲阜电缆有限公司 一种基于机器视觉的电缆制造异常检测系统

Also Published As

Publication number Publication date
CN111539935B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN111539935B (zh) 一种基于机器视觉的电缆表面缺陷在线检测方法
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
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
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
CN107478657A (zh) 基于机器视觉的不锈钢表面缺陷检测方法
CN107490582B (zh) 一种流水线工件检测系统
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
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN110942457A (zh) 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN111476758A (zh) Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质
Yangping et al. Real-time Defect Detection Method for Printed Images Based on Grayscale and Gradient Differences.
CN116188468B (zh) 一种hdmi线缆传输分拣智能控制系统
CN111739012A (zh) 基于转盘的摄像头模组白斑检测系统
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN112614139B (zh) 基于深度图的运输带矿石团块筛选方法
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN116563276B (zh) 一种化纤长丝在线缺陷检测方法及检测系统
CN117635565A (zh) 一种基于图像识别的半导体表面缺陷检测系统
CN111882549A (zh) 一种灰绿色细小异纤自动检测识别方法及检测识别系统
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN111833350A (zh) 机器视觉检测方法与系统
CN114266748B (zh) 一种轨交检修领域工艺板表面完整性判定的方法及装置
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
CN115184362A (zh) 一种基于结构光投影的快速缺陷检测方法

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
TR01 Transfer of patent right

Effective date of registration: 20211230

Address after: 215300 No. 11, zhangjiadai Road, Zhangpu Town, Kunshan City, Suzhou City, Jiangsu Province

Patentee after: KUNSHAN RETECH CO.,LTD.

Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301

Patentee before: JIANGSU University

TR01 Transfer of patent right