CN111638218A - 一种涂层表面缺陷的检测方法 - Google Patents
一种涂层表面缺陷的检测方法 Download PDFInfo
- Publication number
- CN111638218A CN111638218A CN202010408882.0A CN202010408882A CN111638218A CN 111638218 A CN111638218 A CN 111638218A CN 202010408882 A CN202010408882 A CN 202010408882A CN 111638218 A CN111638218 A CN 111638218A
- Authority
- CN
- China
- Prior art keywords
- coating
- image
- surface defect
- gray
- defect
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 118
- 239000011248 coating agent Substances 0.000 title claims abstract description 117
- 238000000576 coating method Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000012634 optical imaging Methods 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000009659 non-destructive testing Methods 0.000 abstract description 6
- 238000005336 cracking Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007665 sagging Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G06T5/70—
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G01N2021/8861—Determining coordinates of flaws
- G01N2021/8864—Mapping zones of defects
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明属于无损检测技术领域,具体涉及一种涂层表面缺陷的检测方法。本发明首先利用光学成像无损检测设备采集含有涂层表面缺陷的图像;将采集到的涂层表面缺陷图像进行平滑滤波处理;将平滑滤波后的涂层表面缺陷图像进行色彩空间转换;对涂层表面缺陷特征进行提取;最后利用图像相似性检测算法将色彩空间转换后的涂层表面缺陷图像与涂层表面缺陷参考图之间进行相似性计算,通过比较相似性大小,确认涂层缺陷类型。本发明解决了现有技术中涂层表面缺陷的检测方法中检测的缺陷类型单一以及无法对涂层缺陷类型进行识别的技术问题。本发明可实现涂层表面缺陷检测,本发明具有检测自动化和涂层表面缺陷类型识别的功能,并且检测效率快,识别精度高。
Description
技术领域
本发明属于无损检测技术领域,具体涉及一种涂层表面缺陷的检测方法。
背景技术
无损检测是指在不损害或不影响被检测对象使用性能,不伤害被检测对象内部组织或外部表面形貌状态的前提下,利用材料内部结构异常或缺陷存在引起的热、声、光、电、磁等反应的变化,以物理或化学方法为手段,借助现代化的技术和设备器材,对试件内部及表面的结构、性质、状态及缺陷的类型、性质、数量、形状、位置、尺寸、分布及其变化进行检查和测试的方法。光学成像技术是通过捕获目标反射的光纤信息,从而在传感器中形成目标图像信息,可快速获取目标图像信息,并传输至图像处理设备,可用于常规的物体表面缺陷检测。
目前涂层缺陷检测技术大多利用超声波、热像/红外、涡流等常见无损检测技术,只实现了涂层缺陷的检测,并未对涂层缺陷种类进行识别,如公开号为CN109427049A,名称为“一种涂层缺陷的检测方法”的发明专利,该方法仅能检测涂层缺陷大小,并且实用性不强,如涂层龟裂,流挂等不规则形状,利用该方法进行涂层缺陷大小的检测则显得勉强,并且只实现了涂层缺陷的检测,并未对涂层缺陷进行识别。
发明内容
本发明的目的在于提供解决现有技术中涂层表面缺陷的检测方法中检测的缺陷类型单一以及无法对涂层缺陷类型进行识别的技术问题的一种涂层表面缺陷的检测方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:利用光学成像设备采集原始涂层表面缺陷图像;
步骤2:对采集到的原始涂层表面缺陷图像进行平滑滤波处理;
步骤3:对平滑滤波处理后的原始涂层表面缺陷图像进行图像色彩空间转换,得到灰度图A;
步骤4:对色彩空间转换后的灰度图A进行涂层表面缺陷特征提取;
步骤4.1:选择灰度图A中一个点,计算该点的横向偏导近似值GX和纵向灰度偏导近似值GY;
GX=[f(x+1,y―1)+2*f(x+1,y)+f(x+1,y+1)]―[f(x―1,y―1)+2*f(x―1,y)+f(x―1,y+1)]
GY=[f(x―1,y―1)+2*f(x,y―1)+f(x+1,y―1)]―[f(x―1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
其中,f(x,y)为灰度图A中点(x,y)处的灰度值,*为卷积符号;
步骤4.2:计算该点的梯度估计值G;
步骤4.3:判断该点的梯度估计值G是否大于阈值Gmax;若该点的梯度估计值G大于阈值Gmax,则判定该点为边界点;
步骤4.4:判断是否完成对灰度图A中所有点的计算;若未完成,则返回步骤4.1;若已完成,则提取所有边界点构成灰度图P作为涂层表面缺陷特征;
步骤5:将灰度图P与涂层表面缺陷参考图之间进行相似性检测;
其中,灰度图P的大小为M*N;p(i,j)为灰度图P中的位于(i,j)位置的像素值;
步骤5.2:计算灰度图P的方差C;
步骤5.3:将灰度图P的方差C与涂层表面缺陷参考图的方差逐一计算差值,取差值的绝对值最小的涂层表面缺陷参考图,将该涂层表面缺陷参考图中涂层表面缺陷类型作为原始涂层表面缺陷图像的识别结果。
本发明还可以包括:
所述的步骤2中采用高斯滤波器对采集到的原始涂层表面缺陷图像进行平滑滤波处理,高斯滤波器的模板大小为(2k+1)*(2k+1),模板中各元素的取值计算公式为:
其中,(i,j)为高斯滤波器的模板中元素的位置;σ为标准差。
所述的步骤3中采用加权平均法对平滑滤波处理后的原始涂层表面缺陷图像进行图像色彩空间转换,计算公式为:
其中,WR、WG、WB分别为R,G,B颜色对应的权重系数。
本发明的有益效果在于:
本发明解决了现有技术中涂层表面缺陷的检测方法中检测的缺陷类型单一以及无法对涂层缺陷类型进行识别的技术问题。本发明可实现涂层表面缺陷检测,相对于现有技术中的涂层缺陷检测方法,本发明具有检测自动化和涂层表面缺陷类型识别的功能,并且检测效率快,识别精度高。
附图说明
图1为本发明的流程图。
图2为本发明中待检测识别涂层表面缺陷示例图(涂层龟裂缺陷为例)。
图3为本发明中待检测涂层表面龟裂的特征提取图。
图4为本发明中涂层表面龟裂缺陷参考图(灰度图)。
图5为本发明中涂层表面露底缺陷参考图(灰度图)。
图6为本发明中涂层表面流挂缺陷参考图(灰度图)。
图7为本发明中涂层表面橘皮缺陷参考图(灰度图)。
图8为本发明中待检测涂层表面(龟裂样板)与涂层表面龟裂缺陷参考图之间的差异图。
图9为本发明中待检测涂层表面(龟裂样板)与涂层表面露底缺陷参考图之间的差异图。
图10为本发明中待检测涂层表面(龟裂样板)与涂层表面流挂缺陷参考图之间的差异图。
图11为本发明中待检测涂层表面(龟裂样板)与涂层表面橘皮缺陷参考图之间的差异图。
图12为本发明中待检测涂层表面(龟裂样板)与各涂层表面缺陷特征参考图的方差差值统计表。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明设计了一种涂层表面缺陷的检测方法,属于无损检测技术领域,包括以下步骤:
A.利用光学成像无损检测设备采集含有涂层表面缺陷的图像;
B.将采集到的涂层表面缺陷图像进行平滑滤波处理;
C.将平滑滤波后的涂层表面缺陷图像进行色彩空间转换,以增强缺陷特征或提升运算速度;
D.将涂层表面缺陷特征进行提取,检测涂层表面缺陷;
E.利用图像相似性检测算法将色彩空间转换后的涂层表面缺陷图像与涂层表面缺陷参考图之间进行相似性计算,通过比较相似性大小,确认涂层缺陷类型。
本发明旨在解决现有技术中涂层表面缺陷的检测方法中检测的缺陷类型单一以及无法对涂层缺陷类型进行识别的技术问题。本发明可实现涂层表面缺陷检测,相对于现有技术中的涂层缺陷检测方法,本发明具有检测自动化和涂层表面缺陷类型识别的功能,并且检测效率快,识别精度高。
步骤A中,光学成像设备包括光学成像仪以及照明工具,具体为数码相机和LED灯。
步骤B中,对涂层表面缺陷图像进行平滑处理,其目的是减小由于外界噪声因素对涂层表面缺陷图像的干扰,从而增强涂层表面缺陷特征,平滑处理采用的具体方法为高斯滤波,高斯滤波器的模板大小为(2k+1)*(2k+1);模板中各元素的取值计算公式如下:
其中,(i,j)表示的为模板中元素的位置;σ是标准差。
步骤C中,对平滑处理后的图像进行图像色彩空间转换,其目的是为了将RGB三通道数据转换为一维数据,即转化为灰度图,从而在保证涂层表面缺陷特征不损失的情况下,降低数据量,提升运算速度,具体实现方法为加权平均法,计算式如下:
式中WR,WG,WB分别为R,G,B颜色对应的权重系数。
步骤D中,涂层表面缺陷特征提取具体方法为sobel边缘检测方法;计算式如下:
式中,GX和GY分别是在横向及纵向的灰度偏导近似值,A为原始图像的灰度图,*为卷积符号;
GX
=[f(x+1,y―1)+2*f(x+1,y)+f(x+1,y+1)]―[f(x―1,y―1)+2*f(x―1,y)
+f(x―1,y+1)]
GY
=[f(x―1,y―1)+2*f(x,y―1)+f(x+1,y―1)]―[f(x―1,y+1)+2*f(x,y+1)
+f(x+1,y+1)]
式中,f(x,y)为图像A中(x,y)处的灰度值,由此便可以计算出每个点的GX和GY;
步骤E中,涂层表面缺陷相似性检测方法为求取灰度图像素的方差,本方法中不关注每幅灰度图的方差大小,而是关注两幅灰度图的方差差值,差值越小,则两幅图像越相似,计算式如下:
灰度图P的大小为M*N,灰度图的均值为:
上式中,p(i,j)为灰度图中的位于(i,j)位置的像素值;
灰度图的方差为:
计算待识别涂层表面缺陷图像的方差,将此方差与涂层表面缺陷参考图的方差逐一计算差值,差值越小,表明待检测涂层表面缺陷与该涂层表面参考图越相似,从而达到涂层表面缺陷类型识别。
与已有的技术相比(如公开号:CN109427049A的专利),本方法检测效率高,误差小;而且本发明不仅解决涂层表面缺陷的检测,同时实现了涂层表面缺陷类型的识别。
实施例1;
本实施例的步骤A中采用的光学成像设备包括工业相机,型号为MV-CA060-11GM,LED灯为200W,采集到的涂层表面龟裂缺陷图像如图2所示。
本实施例的步骤B、C中对涂层表面龟裂缺陷进行平滑滤波处理和色彩空间变换,具体为高斯滤波和灰度变换,对采集到的涂层表面龟裂图像进行以下计算:
高斯滤波处理:
高斯滤波器的模板大小为(2k+1)*(2k+1);模板中各元素的取值计算公式如下:
其中,(i,j)表示的为模板中元素的位置;σ是标准差。
对平滑处理后的图像进行图像色彩空间转换,得到灰度图A:
本实施例的步骤D中对涂层表面龟裂特征提取所采用的算法为sobel算法,计算式如下:
式中,GX和GY分别是在横向及纵向的灰度偏导近似值,A为原始图像的灰度图,*为卷积符号;
GX
=[f(x+1,y―1)+2*f(x+1,y)+f(x+1,y+1)]―[f(x―1,y―1)+2*f(x―1,y)
+f(x―1,y+1)]
GY
=[f(x―1,y―1)+2*f(x,y―1)+f(x+1,y―1)]―[f(x―1,y+1)+2*f(x,y+1)
+f(x+1,y+1)]
式中,f(x,y)为图像A中(x,y)处的灰度值,由此便可以计算出每个点的GX和GY;
对采集到的涂层表面龟裂缺陷边缘特征提取结果如图3所示。由图3可知,此方法可检测出涂层表面缺陷,但是不能机器无法自动判断此种缺陷为何类型,因此需要对涂层表面缺陷进行识别。
本实施例的步骤E中针对涂层表面龟裂缺陷与涂层表面缺陷参考图之间进行相似性检测,涂层表面缺陷参考图如图4、图5、图6和图7所示。
灰度图P的大小为M*N,灰度图的均值为:
上式中,p(i,j)为灰度图中的位于(i,j)位置的像素值;
灰度图的方差为:
本实施例中步骤E的相似性检测结果如图8、图9、图10、图11及图12所示。由图12可知,待检测涂层表面缺陷与涂层表面龟裂缺陷之间的方法最小,即相似性最大,故可认定此种涂层表面缺陷为龟裂,从而达到涂层表面缺陷识别的目的。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种涂层表面缺陷的检测方法,其特征在于,包括以下步骤:
步骤1:利用光学成像设备采集原始涂层表面缺陷图像;
步骤2:对采集到的原始涂层表面缺陷图像进行平滑滤波处理;
步骤3:对平滑滤波处理后的原始涂层表面缺陷图像进行图像色彩空间转换,得到灰度图A;
步骤4:对色彩空间转换后的灰度图A进行涂层表面缺陷特征提取;
步骤4.1:选择灰度图A中一个点,计算该点的横向偏导近似值GX和纵向灰度偏导近似值GY;
GX=[f(x+1,y―1)+2*f(x+1,y)+f(x+1,y+1)]―[f(x―1,y―1)+2*f(x―1,y)+f(x―1,y+1)]
GY=[f(x―1,y―1)+2*f(x,y―1)+f(x+1,y―1)]―[f(x―1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
其中,f(x,y)为灰度图A中点(x,y)处的灰度值,*为卷积符号;
步骤4.2:计算该点的梯度估计值G;
步骤4.3:判断该点的梯度估计值G是否大于阈值Gmax;若该点的梯度估计值G大于阈值Gmax,则判定该点为边界点;
步骤4.4:判断是否完成对灰度图A中所有点的计算;若未完成,则返回步骤4.1;若已完成,则提取所有边界点构成灰度图P作为涂层表面缺陷特征;
步骤5:将灰度图P与涂层表面缺陷参考图之间进行相似性检测;
其中,灰度图P的大小为M*N;p(i,j)为灰度图P中的位于(i,j)位置的像素值;
步骤5.2:计算灰度图P的方差C;
步骤5.3:将灰度图P的方差C与涂层表面缺陷参考图的方差逐一计算差值,取差值的绝对值最小的涂层表面缺陷参考图,将该涂层表面缺陷参考图中涂层表面缺陷类型作为原始涂层表面缺陷图像的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408882.0A CN111638218A (zh) | 2020-05-14 | 2020-05-14 | 一种涂层表面缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408882.0A CN111638218A (zh) | 2020-05-14 | 2020-05-14 | 一种涂层表面缺陷的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111638218A true CN111638218A (zh) | 2020-09-08 |
Family
ID=72330165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408882.0A Pending CN111638218A (zh) | 2020-05-14 | 2020-05-14 | 一种涂层表面缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111638218A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112326669A (zh) * | 2020-10-28 | 2021-02-05 | 哈尔滨工程大学 | 一种涂层缺陷检测与标记系统及方法 |
CN112950584A (zh) * | 2021-03-01 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的涂层表面缺陷识别方法 |
CN113030108A (zh) * | 2021-03-08 | 2021-06-25 | 哈尔滨工程大学 | 一种基于机器视觉的涂层缺陷检测系统与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095731A (zh) * | 2010-12-02 | 2011-06-15 | 山东轻工业学院 | 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法 |
CN106841213A (zh) * | 2016-12-30 | 2017-06-13 | 深圳中兴创新材料技术有限公司 | 检测电池隔膜涂层表面缺陷的方法和外观图像检测系统 |
CN107153067A (zh) * | 2017-05-30 | 2017-09-12 | 镇江苏仪德科技有限公司 | 一种基于matlab的零件表面缺陷检测方法 |
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
CN110766095A (zh) * | 2019-11-01 | 2020-02-07 | 易思维(杭州)科技有限公司 | 基于图像灰度特征的缺陷检测方法 |
CN111008967A (zh) * | 2019-12-04 | 2020-04-14 | 华北电力大学 | 一种绝缘子rtv涂层缺陷识别方法 |
-
2020
- 2020-05-14 CN CN202010408882.0A patent/CN111638218A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095731A (zh) * | 2010-12-02 | 2011-06-15 | 山东轻工业学院 | 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法 |
CN106841213A (zh) * | 2016-12-30 | 2017-06-13 | 深圳中兴创新材料技术有限公司 | 检测电池隔膜涂层表面缺陷的方法和外观图像检测系统 |
CN107153067A (zh) * | 2017-05-30 | 2017-09-12 | 镇江苏仪德科技有限公司 | 一种基于matlab的零件表面缺陷检测方法 |
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
CN110766095A (zh) * | 2019-11-01 | 2020-02-07 | 易思维(杭州)科技有限公司 | 基于图像灰度特征的缺陷检测方法 |
CN111008967A (zh) * | 2019-12-04 | 2020-04-14 | 华北电力大学 | 一种绝缘子rtv涂层缺陷识别方法 |
Non-Patent Citations (4)
Title |
---|
SONGPINGWANG: "OpenCV-phython图像相似度算法(dHash,方差)", 《HTTPS://BLOG.CSDN.NET/WSP_1138886114/ARTICLE/DETAILS/84766965》 * |
孙华魁: "《数字图像处理与识别技术研究》", 31 May 2019, 天津科学技术出版社 * |
张荣国: "《MATLAB图像处理 程序实现与模块化仿真 第2版》", 北京航空航天大学出版社 * |
罗磊 等: "基于图像分析的纸张表面缺陷检测系统的研究与实现", 《西安理工大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112326669A (zh) * | 2020-10-28 | 2021-02-05 | 哈尔滨工程大学 | 一种涂层缺陷检测与标记系统及方法 |
CN112950584A (zh) * | 2021-03-01 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的涂层表面缺陷识别方法 |
CN113030108A (zh) * | 2021-03-08 | 2021-06-25 | 哈尔滨工程大学 | 一种基于机器视觉的涂层缺陷检测系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109239102B (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
TWI238366B (en) | Image processing method for appearance inspection | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
WO2017181724A1 (zh) | 电子元件漏件检测方法和系统 | |
CN109118471A (zh) | 一种适用于复杂环境下的打磨工件缺陷检测方法 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN116109637A (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN114881961A (zh) | 一种玻璃纤维板裂纹检测方法及设备 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN115546182A (zh) | 一种基于数字图像处理的印刷电路板焊点缺陷检测方法 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN111310402B (zh) | 一种基于面面平行的印刷电路板裸板缺陷检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200908 |