CN112098416A - 一种基于机器视觉的风机叶片缺陷检测方法及系统 - Google Patents
一种基于机器视觉的风机叶片缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112098416A CN112098416A CN202010847852.XA CN202010847852A CN112098416A CN 112098416 A CN112098416 A CN 112098416A CN 202010847852 A CN202010847852 A CN 202010847852A CN 112098416 A CN112098416 A CN 112098416A
- Authority
- CN
- China
- Prior art keywords
- image
- fan blade
- defect
- enhanced
- target 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 178
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000001914 filtration Methods 0.000 claims abstract description 73
- 238000005286 illumination Methods 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000000354 decomposition reaction Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 230000001788 irregular Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011426 transformation method Methods 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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (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风机叶片缺陷检测方法及系统，方法包括：获取风机叶片的目标图像；对目标图像进行不均匀光照图像增强，得到第一增强图像；对第一增强图像按照若干不同的滤波方向进行Gabor变换，得到缺陷对比度增强图像；获取缺陷对比度增强图像的灰度梯度向量，根据灰度梯度向量确定风机叶片表面的缺陷位置。本发明通过对风机叶片的目标图像进行不均匀光照增强，降低了光照不均匀对表面缺陷检测结果的影响，通过对滤除不均匀光照后的目标图像进行滤波方向不同的若干方向Gabor变换，使目标图像中的缺陷得到增强，提高了基于机器视觉的风机叶片缺陷检测准确率，且检测到的缺陷更加完整。
Description
技术领域
本发明涉及缺陷检测技术领域，尤其涉及一种基于机器视觉的风机叶片缺陷检测方法及系统。
背景技术
风力发电机一般坐落于偏远的地区和恶劣的工作环境，从而导致叶片经常受到强烈的外力和遭受频繁的故障。据统计，2012年所有风电机事故中有19.4％归因于叶片故障，每次叶片故障都可能导致超过七天的停机时间。因此，在风机叶片出厂前进行高效而准确的表面缺陷检测至关重要，有助于减少实际应用的故障率。
传统的风机叶片表面缺陷检测技术主要有声发射传感器技术，应变测量技术，超声波技术，振动传感器技术，红外热成像技术。虽然上述方法已经得到广泛的开发和利用，但是这些检测技术都是针对较明显缺陷的检测，对于叶片表面早期缺陷检测方案较少。
近年来，机器视觉技术的发展为产品外观质量检测提供了新的解决方案，基于机器视觉的表面缺陷检测方法能通过图像直观的呈现缺陷尺寸和位置，有助于发现早期缺陷。视觉检测效果取决于输入图像的质量，由于风机叶片尺寸较大，且存在不规则曲面，采用基于机器视觉检测方法不可避免的会出现光照不均匀，缺陷与非缺陷相似度高，造成缺陷检测误差大。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种基于机器视觉的风机叶片缺陷检测方法及系统，以解决采用基于机器视觉检测方法对风机叶片表面缺陷进行检测时，不可避免会出现光照不均匀，缺陷与非缺陷相似度高，造成缺陷检测误差大的问题。
本发明解决技术问题所采用的技术方案如下：
一种基于机器视觉的风机叶片缺陷检测方法，其中，包括步骤：
获取风机叶片的目标图像；
对所述目标图像进行不均匀光照图像增强，得到第一增强图像；
对于所述第一增强图像，分别按照若干预设滤波方向进行Gabor变换，以得到若干第二增强图像；其中，所述若干预设滤波方向中各预设滤波方向互不相同；
根据所述若干第二增强图像得到所述目标图像对应的缺陷对比度增强图像；
获取所述缺陷对比度增强图像的灰度梯度向量，根据所述灰度梯度向量确定所述风机叶片的表面缺陷位置。
所述的基于机器视觉的风机叶片缺陷检测方法，其中，所述对所述目标图像进行不均匀光照图像增强，得到第一增强图像的步骤包括：
采用导向滤波将所述目标图像分解为卡通图和纹理图；
通过预先建立的光照模型对所述卡通图进行不均匀光照图像增强，得到结构图；
将所述结构图与所述纹理图相加融合，得到第一增强图像。
所述的基于机器视觉的风机叶片缺陷检测方法，其中，所述采用导向滤波将所述目标图像分解为卡通图和纹理图的步骤包括：
根据所述目标图像和所述导向滤波中的导向图，确定卡通图；
根据所述目标图像和所述卡通图，确定纹理图。
所述的基于机器视觉的风机叶片缺陷检测方法，其中，所述根据所述目标图像和所述导向滤波中的导向图，得到卡通图的步骤包括：
构建导向滤波中输出图像与所述导向图的对应关系；
根据所述输出图像与所述导向图的对应关系以及所述输出图像与所述目标图像之间的关系，确定导向滤波系数；
根据所述导向滤波系数和所述输出图像与所述导向图的对应关系，确定卡通图。
所述的基于机器视觉的风机叶片缺陷检测方法，其中，所述根据若干第二增强图像得到所述目标图像对应的缺陷对比度增强图的步骤包括：
对所述若干第二增强图像进行等比例融合，得到所述目标图像对应的缺陷对比度增强图像。
所述的基于机器视觉的风机叶片缺陷检测方法，其中，所述若干预设滤波方向包括0°、45°、90°以及135°。
所述的基于机器视觉的风机叶片缺陷检测方法，其中，所述获取所述缺陷对比度增强图像的灰度梯度向量，根据所述灰度梯度向量确定所述风机叶片的表面缺陷位置的步骤包括：
获取所述缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量；
根据所述缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量，采用阈值分割法将所述缺陷对比度增强图像转换为二值化图像；
根据所述二值化图像确定所述风机叶片的表面缺陷位置。
所述的基于机器视觉的风机叶片缺陷检测方法，其中，所述对于所述第一增强图像，分别按照若干预设滤波方向进行Gabor变换，以得到若干第二增强图像的步骤之前包括：
采用正弦函数对所述第一增强图像的灰度进行归一化处理，得到归一化图像；
对所述归一化图像的灰度进行拉伸得到拉伸图像，并将所述拉伸图像作为第一增强图像。
一种基于机器视觉的风机叶片缺陷检测的系统，其中，包括：图像获取装置及计算机终端；其中所述计算机终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述所述的风机叶片缺陷检测方法的步骤。
所述的基于机器视觉的风机叶片缺陷检测的系统，其中，所述图像获取装置包括：支架、摄像机、置物台以及旋转机构；
所述摄像机固定于所述支架上，所述置物台设置于所述摄像机下方并固定于所述旋转机构上；
所述旋转机构包括水平旋转轴、旋转台以及垂直旋转驱动机构；所述水平旋转轴两端分别与所述置物台和所述旋转台连接，所述旋转台的上表面和下表面分别与所述水平旋转轴和所述垂直旋转驱动机构连接。
有益效果：本发明通过对风机叶片的目标图像进行不均匀光照增强，降低了光照不均匀对表面缺陷检测结果的影响，通过对滤除不均匀光照后的目标图像进行滤波方向不同的若干方向Gabor变换，使目标图像中的缺陷得到增强，提高了基于机器视觉的风机叶片缺陷检测准确率，且检测到的缺陷更加完整。
附图说明
图1是本发明实施例一中提供的一种基于机器视觉的风机叶片缺陷检测方法的一个实施例的流程图；
图2是风机叶片的目标图像；
图3是图2中的目标图像经过不均匀光照图像增强和若干方向Gabor变换后，得到的缺陷对比度增强图像；
图4是图2中的目标图像基于机器视觉的风机叶片缺陷检测结果图；
图5是图3中的缺陷对比度增强图像基于机器视觉的风机叶片缺陷检测结果图；
图6是滤波方向为0°的Gabor核的示意图；
图7是滤波方向为45°的Gabor核的示意图；
图8是滤波方向为90°的Gabor核的示意图；
图9是滤波方向为135°的Gabor核的示意图；
图10是本发明实施例二中提供的一种图像获取装置的正视图；
图11是本发明实施例二中提供的一种图像获取装置的侧视图；
图12是本发明实施例三中提供的一种计算机终端的功能原理图。
附图中各标记：1、支架；2、摄像机；3、置物台；4、旋转机构；5、条形光源；11、第一水平支架；12、第一垂直伸缩支架；13、第二水平支架；14、第二垂直伸缩支架；41、水平旋转轴；42、旋转台；43、垂直旋转驱动机构；431、垂直旋转杆；432、垂直旋转轴；433、滑动皮带。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的一种基于机器视觉的风机叶片缺陷检测方法，可以应用于计算机终端中。其中，计算机终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的计算机终端采用多核处理器。其中，计算机终端的处理器可以为中央处理器(Central Processing Unit，CPU)，图形处理器(GraphicsProcessing Unit，GPU)、视频处理单元(Video Processing Unit，VPU)等中的至少一种。
传统的风机叶片表面缺陷检测技术中，声发射传感器技术声波信号传输过程中会衰减，缺陷区域由于声波频率更高，衰减更严重，而不同类型缺陷产生的声波差异较小，很难准确分析信号；应变测量技术中应变传感器的检测精度取决于与材料的接触情况，需要大量的传感器进行测量，系统较为复杂；超声波技术中需要被检测表面有一定的光洁度，且需要与检测表面接触和大量的运行时间，信号处理复杂；振动传感器技术不能预测早期缺陷，且无法直接观察损伤情况；红外热成像检测虽然有较好的光照适应能力，但是其锐度和对比度很低，容易忽略小缺陷，不适用于早期缺陷检测。基于机器视觉的表面缺陷检测方法虽然能够发现早期缺陷，但由于风机叶片尺寸较大且存在不规则曲面，采用基于机器视觉检测方法对风机叶片表面缺陷进行检测时，不可避免会出现光照不均匀，缺陷与非缺陷相似度高，造成缺陷检测误差大。
为了解决上述问题，本发明提供了一种基于机器视觉的风机叶片缺陷检测方法。请参照图1，图1是本发明提供的一种基于机器视觉的风机叶片缺陷检测方法的一个实施例的流程图。
在本发明的一个实施例中，所述基于机器视觉的风机叶片缺陷检测方法有四个步骤：
步骤S100、获取风机叶片的目标图像。
具体地，利用机器视觉对风机叶片表面缺陷进行检测时，首先需要获取待检测风机叶片的目标图像，该目标图像可以使用现有的带有拍照功能的设备进行获取，例如：照相机、手机、平板电脑等。如图2所示为通过摄像机获取的风机叶片的目标图像，风机叶片的目标图像中不仅包含风机叶片的整体架构信息，还包含风机叶片表面的缺陷和噪声信息，通过对目标图像进行分析即可定位风机叶片表面的缺陷。
步骤S200、对所述目标图像进行不均匀光照图像增强，得到第一增强图像。
所述第一增强图像为目标图像经过不均匀光照图像增强后获得的图像，所述第一增强图像与目标图像相同，唯一区别是滤除了图像中不均匀光照。由于风机叶片尺寸较大且存在不规则曲面，目标图像中不可避免会出现光照不均匀，通过滤除目标图像中不均匀光，提高了目标图像的图像质量。进一步地，不均匀光照图像增强方法包括灰度变换法、Retinex理论和同态滤波等，但这些方法都是针对色彩鲜明的图像进行局部增强处理，而对于表面色彩单一的大尺寸风机叶片的目标图像并不合适。为此，本实施例中采用卡通纹理分解算法对目标图像进行不均匀光照滤除。
在一具体实施方式中，所述步骤S200具体包括：
步骤S210、采用导向滤波将所述目标图像分解为卡通图和纹理图；
步骤S220、通过预先建立的光照模型对所述卡通图进行不均匀光照图像增强，得到结构图；
步骤S230、将所述结构图与所述纹理图相加融合，得到第一增强图像。
为了实现不降低缺陷与背景对比度情况下滤除目标图像中的不均匀光照，本实施例中首先采用卡通纹理分解算法，提取目标图像中风机叶片的表面和缺陷的灰度信息，将目标图像分解为卡通图和纹理图，其中，卡通图指目标图像中灰度变化较缓慢的部分，即风机叶片的整体架构；纹理图指目标图像中灰度变化较快的部分，即缺陷和风机叶片表面噪声等。传统的卡通纹理分解算法虽然能达到较好的分解效果，但存在算法复杂、运行时间常等缺点。因此，本实施例中采用了算法较简单、运行时间短且具有边缘保持功能的导向滤波将目标图像分解为卡通图像和纹理图像。
Retinex理论提到，人眼观察到的图像是光照图与物体反射图的乘积，本实施例中采用高斯尺度空间构建光照模型，在高斯平滑过程中，图像中的所有像素都是通过相同的窗口和标准差均匀的滤除高频分量，从而得到不均匀光照模型。其中光照模型的表达式为：
U(x，y，λi)＝G(x，y，λi)*I(x，y) (1)
其中，I(x，y)为输入图像，U(x，y，λi)为估计的光照模型，*为卷积符号，G(·)为二维高斯滤波函数；
其中，λi＝kλi-1，k＞1，i＝1，2，3…，λ为尺度因子。
由式(1)和式(2)可以看出，尺度因子越大，输出的光照模型越平滑，为了最优化光照模型，本实施例中引入了图像梯度和输入图像与光照模型的偏差值，求得最佳的高斯尺度因子λ*，其中λ*的表达式为：
λ*＝argmin{D(x，t)+C(x，y)} (3)
其中，D(x，y)是输入图像与光照模型的偏差绝对值，C(x，y)是光照模型的图像梯度。
为了对目标图像进行不均匀光照图像增强，本实施例中将导向滤波分解出来的卡通图像减去前述步骤中建立的光照模型，得到滤除不均匀光照的结构图。但去除光照后，图像的整体亮度降低，相当于光照分量都从图像移除，这将丢失一些细节信息，因此，本实施例中进一步在结构图中引入第一校正系数来确保图像保持在平均灰度级，其中，结构图的表达式为：
S′(x，y)＝S(x，y)-U(x，y)+γ1 (4)
其中，S′(x，y)为结构图，S(x，y)为导向滤波分解出来的卡通图，U(x，y)为光照模型，γ1为第一校正系数。
得到结构图后，将结构图与导向滤波分解出来的纹理图相加融合，并在相加融合后的图像中引入第二校正系数以确保图像保持在平均灰度级，得到第一增强图像。其中，第一增强图像的表达式为：
其中，
为第一增强图像，T(x，y)为导向滤波分解出来的纹理图像，S′(x，y)为结构图，γ2为第二校正系数。
在一具体实施方式中，所述步骤S210具体包括：
步骤S211、根据所述目标图像和所述导向滤波中的导向图，确定卡通图；
步骤S212、根据所述目标图像和所述卡通图，确定纹理图。
具体实施时，导向滤波输出的图像S与导向滤波中的导向图g之间存在局部线性关系，其关系表达式为：
其中，Si(x，y)为导向滤波输出的图像，gi(x，y)为导向图，ak，bk为导向滤波系数，wi是以像素k为中心的窗口。
由上述导向滤波输出的图像S与导向滤波中的导向图g之间的关系式可以看出，由于
所以只有当导向图g有边缘时，导向滤波输出的图像S才具有边缘，因此导向滤波模型具有边缘保留功能。将目标图像输入导向滤波后，根据上述导向滤波输出的图像S与导向滤波中的导向图g之间的关系式，得到目标图像经过导向滤波后输出的图像即为目标图像经过导向滤波分解得到的卡通图。目标图像由纹理图和卡通图组成，将目标图像与导向滤波分解得到的卡通图相减，即得到导向滤波分解得到的纹理图。
由于风机叶片表面存在对比度很低的细微缺陷，为了确保导向滤波分解出来的纹理图的灰度处于中间亮度，本实施例中在导向滤波分解出来的纹理图中引入第三校正因子γ3。例如，若图像的完整灰度级为256，则中间灰度级为128，即γ3取值为128。其中，导向滤波输出的纹理图的表达式为：
T(x，y)＝I(x，y)-S(x，y)+γ3 (7)
其中，T(x，y)为导向滤波输出的纹理图，I(x，y)为目标图像，S(x，y)为导向滤波输出的卡通图，γ3为第三校正系数。
在一具体实施例中，所述步骤S211具体包括：
步骤S2111、构建导向滤波中输出图像与所述导向图的对应关系；
步骤S2112、根据所述目标图像、所述目标图像中所有像素点的像素平均值以及所述导向滤波中的导向图，得到导向滤波系数；
步骤S2113、根据所述导向滤波系数和所述导向图，得到卡通图。
为了对目标图像进行卡通纹理分解，本实施例中预先构建用于将目标图像分解为卡通图和纹理图的导向滤波，构建导向滤波的关键是建立导向滤波中输入图像与导向图的对应关系，即上述式(6)，由上述式(6)可知，本实施例中建立的导向滤波为线性导向滤波。
由上述式(6)可以看出，要确定导向滤波分解出的卡通图，需要先确定导向滤波输出图像与导向图对应的关系式(6)中的导向系数ak和bk。而根据导向滤波输出图像要尽量接近输入图像即目标图像的思想，为了求解导向滤波系数，本实施例中引入了线性岭回归模型：
为了寻求导向滤波输出图像S(x，y)与目标图像I(x，y)的差异最小化，本实施例中在线性岭回归模型中加入正则化参数，使线性岭回归模型最小在线性岭回归模型中加入正则化参数后的表达式为：
最终求得导向滤波系数ak和bk分别为：
其中，wk是导向滤波窗口大小，取值为大于3的奇数，可通过风机叶片表面的纹理情况来选择滤波窗口的大小，ω是输入图片大小，μk、σk是导向图g(x，y)在滤波窗口wk中的均值和方差，Ii(x，y)是输入图像，
是输入图像中所有像素点的平均像素值。
由上述式(11)和式(12)可以看出，导向滤波系数ak和bk由目标图像、目标图像中所有像素点的像素平均值以及导向图确定。为了获得导向滤波系数，本实施例中可以获取目标图像中所有像素点的像素平均值，根据目标图像、目标图像中所有像素点的像素平均值以及导向图确定导向滤波系数，根据导向滤波系数以及式(6)，即可得到导向滤波输出图像，即导向滤波分解出的卡通图。
步骤S300、对于所述第一增强图像，分别按照若干预设滤波方向进行Gabor变换，以得到若干第二增强图像；其中，所述若干预设滤波方向中各预设滤波方向互不相同。
由于目标图像表面缺陷与非缺陷相似度较高，直接使用目标图像进行基于机器视觉的缺陷检测时，缺陷检测误差较大。本实施例中对目标图像进行不均匀光照增强后，进一步使用Gabor核对第一增强图像进行Gabor变换，对目标图像进行缺陷对比度增强，得到若干第二增强图像。在二维空间中，使用一个三角函数和一个高斯函数相乘可以得到Gabor核函数，能够提取局部的频域特征信息，二维Gabor核函数的表达式为：
Gσ，λ，θ，ψ，γ(x，y)＝gσ，γ(x，y)sλ，θ，ψ(x，y) (13)
其中，
x′＝x sinθ+y cosθ，y′＝-x sinθ+y cosθ。因此，图像
的Gabor变换输出表达式为：
由式(14)可以看出，Gabor变换存在五个参数，分别为标准差σ，波长λ，滤波方向θ，相位偏移量
和长度γ。一般地，长宽比通常选取0.5，相位偏移量通常取0，高斯标准差与波长成正比关系，两者的比值为定值，即
因此，目前大多数研究的Gabor变换参数为波长和滤波方向两个参数，由于风机叶片表面灰度单一，不需要提取多尺度波长的细节信息，避免产生额外的噪声，本实施例中经过多组实验对比，选择固定波长参数为2，而Gabor变换的方向会严重影响不同方向划痕缺陷特征的提取。因此，本实施例中选择对第一增强图像分别按照若干预设滤波方向进行Gabor变换，对第一增强图像不同方向的缺陷进行提取，得到各个方向的Gabor特征图，即若干第二增强图像。
考虑到计算时间和方向选择尽可能全面，本实施例中对第一增强图像进行四个方向的Gabor变换，其中各方向的Gabor变换的滤波方向分别为0°、45°、90°以及135°，如图6～9所示，分别为滤波方向为0°、45°、90°以及135°的Gabor核的示意图。
步骤S400、根据所述若干第二增强图像得到所述目标图像对应的缺陷对比度增强图像。
上述若干第二增强图像为第一增强图像分别按照不同滤波方向进行Gabor变换后，得到的各个方向的Gabor特征图，其反应的是目标图像上某一个方向缺陷对比度增强。因此，本实施例中还需要进一步根据若干第二增强图像得到综合目标图像各个方向缺陷增强的图像即缺陷对比度增强图像。
在一具体实施方式中，所述步骤S400具体包括：
步骤S410、对所述若干第二增强图像进行等比例融合，得到所述目标图像对应的缺陷对比度增强图像。
具体地，得到目标图像各个方向缺陷增强的若干第二增强图像后，对若干第二图像进行等比例融合，得到目标图像各个方向缺陷增强的缺陷对比度增强图像。例如，当滤波方向分别为0°、45°、90°以及135°时，第一增强图像进行Gabor变换后，得到四个方向对应的四个第二增强图像，将四个第二增强图像进行等比例融合，得到四个方向缺陷增强的缺陷对比度增强图像。如图3所示为图2中的目标图像经过不均匀光照图像增强和Gabor变换后，得到的缺陷对比度增强图像，由图3可以看出，经过不均匀光照图像增强和Gabor变换后，目标图像表面缺陷更加明显。
步骤S500、获取所述缺陷对比度增强图像的灰度梯度向量，根据所述灰度梯度向量确定所述风机叶片的表面缺陷位置。
由于缺陷对比度增强图像中，风机叶片的灰度变化较缓慢，而缺陷的灰度变换较快，根据缺陷对比度图像的灰度变化情况即可确定风机叶片的表面缺陷位置。因此，本实施例中获取到缺陷对比度增强图像后，进一步获取缺陷对比度增强图像的灰度梯度向量，灰度梯度向量为缺陷对比度增强图像中各像素的灰度相对于其相邻像素的灰度变换，根据灰度梯度向量的大小即可确定风机叶片的表面缺陷位置。例如，当缺陷对比度增强图像中某个像素的灰度梯度向量大于某个像素值，则判断为缺陷；当缺陷对比度增强图像中某个像素的灰度梯度向量小于某个像素值，则判断为非缺陷。
在一具体实施方式中，所述步骤S500具体包括：
步骤S510、获取所述缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量；
步骤S520、根据所述缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量，采用阈值分割法将所述缺陷对比度增强图像转换为二值化图像；
步骤S530、根据所述二值化图像确定所述风机叶片的表面缺陷位置。
具体地，阈值分割法是通过统计学的方法来选取一个阈值或多个阈值，进而将灰度图像转换为二值化图像，其表达式为：
其中，f(x，y)为图像灰度，b(x，y)为二值化图像，T1和T2为设定阈值。但对于风机叶片等表面存在不规则曲面的图像，采用传统的阈值分割方法进行图像分割时会出现分割错误，无法有效提取缺陷区域。本实施例中借鉴边缘检测方法的思想，当表面存在缺陷时，局部颜色或者纹理特征会发生明显变化，此时可采用局部灰度的变化梯度作为缺陷检测的指标。
获取缺陷对比度增强图像的灰度梯度向量时，采用差分算子来快速而有效地检测边缘信息，差分算子是一种将方向差分运算与局部加权平均相结合的边缘检测算子，先将图像中每个像素四个方向上的邻域的灰度值进行加权平均，然后再对灰度值进行微分计算，达到噪声抑制的作用。本实施例中采用两个卷积算子来计算缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量，两个卷积算子的表达式分别为：
fx(x，y)＝f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)-f(x-1，y-1)-2f(x，y-1)-f(x+1，y-1)
(16)
fy(x，y)＝f(x+1，y-1)+2f(x+1，y)+f(x+1，y+1)-f(x-1，y-1)-2f(x-1，y)-f(x-1，y+1)
(17)
其中，fx(x，y)和fy(x，y)分别表示图像f(x，y)在水平方向和垂直方向的灰度梯度向量。
通过式(16)和式(17)计算出缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量后，就可以根据式(15)将缺陷对比度图像转换为二值化图像。例如，当T1和T2分别为20和30，当计算出的缺陷对比度增强图像中某个像素点的灰度梯度向量为25时，则转换为二值化图像后，该处值为1；当计算出的缺陷对比度增强图像中某个像素点的灰度梯度向量为35时，则转换为二值化图像后，该处值为0。由于二值化图像中的值“1”反应了图像灰度梯度向量在预设范围内，而值“0”反应了图像灰度梯度向量变换较快，超出了预设范围，将缺陷对比度增强图像转换为二值化图像后即可根据二值化图像直观的确定所述风机叶片表面的缺陷位置。
在本实施例中，所述步骤S300之前还包括：
步骤M310、采用正弦函数对所述第一增强图像的灰度进行归一化处理，得到归一化图像；
步骤M320、对所述归一化图像的灰度进行拉伸得到拉伸图像，并将所述拉伸图像作为第一增强图像。
具体实施时，对第一增强图像按照若干预设滤波方向进行Gabor变换之前，采用正弦函数对第一增强图像中各像素的灰度进行归一化处理，将第一增强图像的灰度归一化为[0，1]，由于正弦函数的定义域为
则对第一增强图像的灰度进行归一化处理后，得到的归一化图像表达式为：
其中，
为归一化图像，
为第一增强图像。
为了使增强效果能广泛分布在整个灰度级，实现全局图像的增强，本实施例中进一步将归一化图像进行动态范围拉伸，得到拉伸图像。其中，拉伸图像的表达式为：
其中，
为拉伸图像，
为归一化图像的灰度最大值，
为归一化图像的灰度最小值，
为第一增强图像。
图4是图2中的目标图像基于上述基于机器视觉的风机叶片缺陷检测方法的缺陷检测结果图，图5是图3中的缺陷对比度增强图像基于上述基于机器视觉的风机叶片缺陷检测方法的缺陷检测结果图。由图4和图5可以看出，基于不均匀光照图像增强和若干方向Gabor变换后的缺陷对比度增强图像进行缺陷检测，相对于目标图像直接进行缺陷检测，缺陷检测准确率更高且检测到的缺陷更加完整。
实施例二
基于上述实施例，本发明还提供了一种基于机器视觉的风机叶片缺陷检测的系统，包括：图像获取装置及计算机终端，所述图像获取装置用于采集风机叶片的目标图像，并通过图像采集卡和数据线将所述目标图像传输至计算机终端，以使得计算机终端执行上述所述的基于机器视觉的风机叶片缺陷检测方法。其中，如图10和图11所示，所述图像获取装置包括：支架1、摄像机2、置物台3以及旋转机构4。所述摄像机2固定于所述支架1上，用于采集风机叶片的目标图像；所述置物台3设置于所述摄像机2下方并固定于所述旋转机构4上，用于放置待检测风机叶片。所述旋转机构4包括第一旋转轴41、旋转台42以及垂直旋转驱动机构43，所述第一旋转轴41两端分别与所述置物台3和所述旋转台42连接，所述第一旋转轴41用于带动所述置物台3水平旋转；所述旋转台42的上表面和下表面分别与所述第一旋转轴41和所述垂直旋转驱动机构43连接，所述垂直旋转驱动机构43用于驱动所述旋转台42垂直旋转，进而带动置物台3垂直旋转。图像采集过程中，将风机叶片放置于置物台3上，通过第一旋转轴41和旋转台42可以分别实现置物台3水平旋转和垂直旋转，进而实现风机叶片多角度，多方向的图像采集。
具体地，如图11所示，所述垂直旋转驱动机构43包括旋转杆431、两个第二旋转轴432、滑动皮带433以及第一驱动电机(图中未示出)。所述旋转台42的下表面与所述滑动皮带433连接，所述旋转杆431与所述两个第二旋转轴432通过所述滑动皮带433连接，所述旋转杆431与所述两个第二旋转轴432通过所述滑动皮带433连接，所述两个第二旋转轴432与所述第一驱动电机连接，所述第一驱动电机用于驱动所述两个第二旋转轴432垂直旋转。图像采集过程中，通过第一驱动电机带动两个第二旋转轴432垂直旋转，由于两个第二旋转轴432与旋转杆431通过滑动皮带433连接，两个第二旋转轴432垂直旋转会带动旋转杆431与滑动皮带433垂直旋转，进而带动与滑动皮带433连接的旋转台42垂直旋转。
进一步地，所述旋转台42包括外壳、第二步进电机以及卡销，所述第二驱动电机设置于所述外壳内，所述卡销设置于所述第二驱动电机上，所述第一旋转轴与所述旋转台42通过所述第二驱动电机和所述卡销配合固定，所述第二驱动电机用于驱动所述第一旋转轴水平旋转。
具体地，继续参照图11所示，所述支架1包括第一水平支架11和两个第一垂直伸缩支架12，所述两个第一垂直伸缩支架12分别垂直设置于所述第一水平支架11两端，所述摄像机2固定于所述第一水平支架11上，通过两个第一垂直伸缩支架12可以调节摄像机2与风机叶片之间的距离，进而得到质量更佳的风机叶片的目标图像。所述第一垂直伸缩支架12实现伸缩的方式为现有技术，本实施例中在此不作赘述。
进一步地，所述两个第一垂直伸缩支架12相对的侧面上分别设置有安装孔，所述旋转杆431通过所述安装孔固定于所述两个第一垂直伸缩支架12上，且所述旋转杆431的长边方向平行于所述第一水平支架11的长边方向。所述旋转杆431的横截面为圆形，所述旋转杆431横截面直径略小于所述安装孔直径，这样使得所述旋转杆431可以围绕所述安装孔进行旋转。
进一步地，所述两个第二旋转轴432对称设置于所述两个第一垂直伸缩支架12两侧，所述两个第二旋转轴432到所述两个第一垂直伸缩支架12的距离等于所述旋转杆431到所述两个第一垂直伸缩支架12远离所述第一水平支架11一端的距离。所述两个第二旋转轴432的长边方向平行于所述第一水平支架11的长边方向，这样使得所述两个第二旋转轴432与所述旋转杆431平行，进而使得连接两个第二旋转轴432与旋转杆431的滑动皮带433的横截面为半圆形。
进一步地，考虑支架1固定摄像机2的稳定性，本实施例中所述支架1还包括第二水平支架13和两个第二垂直伸缩支架14，所述两个第二垂直伸缩支架14分别垂直设置于所述第二水平支架13两端。所述第一水平支架11与所述第二水平支架13相互垂直交叉设置，所述两个第一垂直伸缩支架12与所述两个第二垂直伸缩支架14相互平行设置，所述摄像机2固定于所述第一水平支架11与所述第二水平支架13的交叉处，所述置物台3和所述旋转机构4位于所述第一水平支架11、第二水平支架13、第一垂直伸缩支架12以及第二垂直伸缩支架14形成的容纳空间内，且所述置物台3和所述旋转机构4位于所述容纳空间的中心位置，即所述置物台3和所述旋转机构4位于所述摄像机2的正下方。
考虑到风机叶片具有大尺寸且具有不规则曲面的特点，本实施例还在两个第二垂直伸缩支架14上分别设置若干条形光源5，所述条形光源5用于在图像采集时对风机叶片进行打光，所述两个第二垂直伸缩支架14上的条形光源5对称设置，且所述条形光源5的长边方向平行于所述第一水平支架11的长边方向。
实施例三
基于上述实施例，本发明还提供了一种基于机器视觉的风机叶片缺陷检测的系统，包括图像获取装置及计算机终端。其中，计算机终端的原理框图可以如图12所示。该计算机终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中，该计算机终端的处理器用于提供计算和控制能力。该计算机终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机器视觉的风机叶片缺陷检测方法。该计算机终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机终端的温度传感器是预先在装置内部设置，用于检测内部设备的当前运行温度。
本领域技术人员可以理解，图12中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机终端的限定，具体的计算机终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：
获取风机叶片的目标图像；
对所述目标图像进行不均匀光照图像增强，得到第一增强图像；
对于所述第一增强图像，分别按照若干预设滤波反向进行Gabor变换，以得到若干第一增强图像；其中，所述若干预设滤波方向中各预设滤波方向互不相同；
根据所述若干第二增强图像得到所述目标图像对应的缺陷对比度增强图像；
获取所述缺陷对比度增强图像的灰度梯度向量，根据所述灰度梯度向量确定所述风机叶片的表面缺陷位置。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：采用导向滤波将所述目标图像分解为卡通图和纹理图；通过预先建立的光照模型对所述卡通图进行不均匀光照图像增强，得到结构图；将所述结构图与所述纹理图相加融合，得到第一增强图像。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：根据所述目标图像和所述导向滤波中的导向图，确定卡通图；根据所述目标图像和所述卡通图，确定纹理图。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：构建导向滤波中输入图像与所述导向图的对应关系；根据所述输出图像与所述导向图的对应关系以及所述输出图像与所述目标图像之间的关系，确定导向滤波系数；根据所述导向滤波系数和所述输出图像与所述导向图的对应关系，确定卡通图。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：对所述若干第二增强图像进行等比例融合，得到所述目标图像对应的缺陷对比度增强图像。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：获取所述缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量；根据所述缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量，采用阈值分割法将所述缺陷对比度增强图像转换为二值化图像；根据所述二值化图像确定所述风机叶片表面缺陷位置。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：采用正弦函数对所述第一增强图像的灰度进行归一化处理，得到归一化图像；对所述归一化图像的灰度进行拉伸得到拉伸图像，并将所述拉伸图像作为第一增强图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种基于机器视觉的风机叶片缺陷检测方法及系统，方法包括：获取风机叶片的目标图像；对所述目标图像进行不均匀光照图像增强，得到第一增强图像；对于所述第一增强图像，分别按照若干预设滤波方向进行Gabor变换，得到第二增强图像；根据所述若干第二增强图像得到所述目标图像对应的缺陷对比度增强图像；获取所述缺陷对比度增强图像的灰度梯度向量，根据所述灰度梯度向量确定所述风机叶片表面的缺陷位置。本发明通过对风机叶片的目标图像进行不均匀光照增强，降低了光照不均匀对表面缺陷检测结果的影响，通过对不均匀光照增强后的目标图像进行滤波方向不同的若干方向Gabor变换，使目标图像中的缺陷得到增强，使得缺陷检测准确率更高，且检测到的缺陷更加完整。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于机器视觉的风机叶片缺陷检测方法，其特征在于，包括步骤：
获取风机叶片的目标图像；
对所述目标图像进行不均匀光照图像增强，得到第一增强图像；
对于所述第一增强图像，分别按照若干预设滤波方向进行Gabor变换，以得到若干第二增强图像，其中，所述若干预设滤波方向中各预设滤波方向互不相同；
根据所述若干第二增强图像得到所述目标图像对应的缺陷对比度增强图像；
获取所述缺陷对比度增强图像的灰度梯度向量，根据所述灰度梯度向量确定所述风机叶片的表面缺陷位置。
2.根据权利要求1所述的基于机器视觉的风机叶片缺陷检测方法，其特征在于，所述对所述目标图像进行不均匀光照图像增强，得到第一增强图像的步骤包括：
采用导向滤波将所述目标图像分解为卡通图和纹理图；
通过预先建立的光照模型对所述卡通图进行不均匀光照图像增强，得到结构图；
将所述结构图与所述纹理图相加融合，得到第一增强图像。
3.根据权利要求2所述的基于机器视觉的风机叶片缺陷检测方法，其特征在于，所述采用导向滤波将所述目标图像分解为卡通图和纹理图的步骤包括：
根据所述目标图像和所述导向滤波中的导向图，确定卡通图；
根据所述目标图像和所述卡通图，确定纹理图。
4.根据权利要求1所述的基于机器视觉的风机叶片缺陷检测方法，其特征在于，所述根据所述目标图像和所述导向滤波中的导向图，确定卡通图的步骤包括：
构建导向滤波中输出图像与所述导向图的对应关系；
根据所述输出图像与所述导向图的对应关系以及所述输出图像与所述目标图像之间的关系，确定导向滤波系数；
根据所述导向滤波系数和所述输出图像与所述导向图的对应关系，确定卡通图。
5.根据权利要求1所述的基于机器视觉的风机叶片缺陷检测方法，其特征在于，所述根据若干第二增强图像得到所述目标图像对应的缺陷对比度增强图的步骤包括：
对所述若干第二增强图像进行等比例融合，得到所述目标图像对应的缺陷对比度增强图像。
6.根据权利要求1所述的基于机器视觉的风机叶片缺陷检测方法，其特征在于，所述若干预设滤波方向包括0°、45°、90°以及135°。
7.根据权利要求1所述的基于机器视觉的风机叶片缺陷检测方法，其特征在于，所述获取所述缺陷对比度增强图像的灰度梯度向量，根据所述灰度梯度向量确定所述风机叶片的表面缺陷位置的步骤包括：
获取所述缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量；
根据所述缺陷对比度增强图像在水平方向和垂直方向的灰度梯度向量，采用阈值分割法将所述缺陷对比度增强图像转换为二值化图像；
根据所述二值化图像确定所述风机叶片的表面缺陷位置。
8.根据权利要求1所述的基于机器视觉的风机叶片缺陷检测方法，其特征在于，所述对于所述第一增强图像，分别按照若干预设滤波方向进行Gabor变换，以得到若干第二增强图像的步骤之前包括：
采用正弦函数对所述第一增强图像的灰度进行归一化处理，得到归一化图像；
对所述归一化图像的灰度进行拉伸得到拉伸图像，并将所述拉伸图像作为第一增强图像。
9.一种基于机器视觉的风机叶片缺陷检测的系统，其特征在于，包括：图像获取装置及计算机终端；其中所述计算机终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-8任一项所述的风机叶片缺陷检测方法的步骤。
10.根据权利要求9所述的基于机器视觉的风机叶片缺陷检测的系统，其特征在于，所述图像获取装置包括：支架、摄像机、置物台以及旋转机构；
所述摄像机固定于所述支架上，所述置物台设置于所述摄像机下方并固定于所述旋转机构上；
所述旋转机构包括水平旋转轴、旋转台以及垂直旋转驱动机构；所述水平旋转轴两端分别与所述置物台和所述旋转台连接，所述旋转台的上表面和下表面分别与所述水平旋转轴和所述垂直旋转驱动机构连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010847852.XA CN112098416A (zh) | 2020-08-21 | 2020-08-21 | 一种基于机器视觉的风机叶片缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010847852.XA CN112098416A (zh) | 2020-08-21 | 2020-08-21 | 一种基于机器视觉的风机叶片缺陷检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112098416A true CN112098416A (zh) | 2020-12-18 |
Family
ID=73753245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010847852.XA Pending CN112098416A (zh) | 2020-08-21 | 2020-08-21 | 一种基于机器视觉的风机叶片缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112098416A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686896A (zh) * | 2021-03-12 | 2021-04-20 | 苏州鼎纳自动化技术有限公司 | 基于分割网络的频域空间结合的玻璃缺陷检测方法 |
| CN113393431A (zh) * | 2021-06-09 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
| CN113406091A (zh) * | 2021-06-09 | 2021-09-17 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片检测的无人机系统及控制方法 |
| CN113984791A (zh) * | 2021-12-28 | 2022-01-28 | 蓝思科技股份有限公司 | 缺陷检测方法、装置、光学成像系统、设备及存储介质 |
| CN114494210A (zh) * | 2022-01-28 | 2022-05-13 | 江苏豪尚新材料科技有限公司 | 基于图像处理的塑料膜生产缺陷检测方法及系统 |
| CN114937006A (zh) * | 2022-04-29 | 2022-08-23 | 南通同欧智能装备科技有限公司 | 一种基于图像增强的锤头精细化缺陷检测方法 |
| CN115082451A (zh) * | 2022-07-26 | 2022-09-20 | 南通剑烽机械有限公司 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
| CN115791804A (zh) * | 2022-12-20 | 2023-03-14 | 中国航发贵州黎阳航空动力有限公司 | 压气机叶片条纹缺陷检测方法 |
| CN113393430B (zh) * | 2021-06-09 | 2023-05-12 | 东方电气集团科学技术研究院有限公司 | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
| CN116776647A (zh) * | 2023-08-21 | 2023-09-19 | 深圳市鑫冠亚科技有限公司 | 一种复合镍铜铝散热底板的性能预测方法及系统 |
| CN117058125A (zh) * | 2023-09-01 | 2023-11-14 | 无锡维凯科技有限公司 | 基于手机后盖玻璃的检测方法和系统 |
| CN118674726A (zh) * | 2024-08-26 | 2024-09-20 | 苏州城市学院 | 一种道路表面缺陷检测方法及装置 |
-
2020
- 2020-08-21 CN CN202010847852.XA patent/CN112098416A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686896A (zh) * | 2021-03-12 | 2021-04-20 | 苏州鼎纳自动化技术有限公司 | 基于分割网络的频域空间结合的玻璃缺陷检测方法 |
| CN113393431A (zh) * | 2021-06-09 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
| CN113406091A (zh) * | 2021-06-09 | 2021-09-17 | 东方电气集团科学技术研究院有限公司 | 一种用于风机叶片检测的无人机系统及控制方法 |
| CN113393430B (zh) * | 2021-06-09 | 2023-05-12 | 东方电气集团科学技术研究院有限公司 | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 |
| CN113984791A (zh) * | 2021-12-28 | 2022-01-28 | 蓝思科技股份有限公司 | 缺陷检测方法、装置、光学成像系统、设备及存储介质 |
| CN113984791B (zh) * | 2021-12-28 | 2022-04-08 | 蓝思科技股份有限公司 | 缺陷检测方法、装置、光学成像系统、设备及存储介质 |
| CN114494210A (zh) * | 2022-01-28 | 2022-05-13 | 江苏豪尚新材料科技有限公司 | 基于图像处理的塑料膜生产缺陷检测方法及系统 |
| CN114937006A (zh) * | 2022-04-29 | 2022-08-23 | 南通同欧智能装备科技有限公司 | 一种基于图像增强的锤头精细化缺陷检测方法 |
| CN115082451B (zh) * | 2022-07-26 | 2022-12-13 | 南通剑烽机械有限公司 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
| CN115082451A (zh) * | 2022-07-26 | 2022-09-20 | 南通剑烽机械有限公司 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
| CN115791804A (zh) * | 2022-12-20 | 2023-03-14 | 中国航发贵州黎阳航空动力有限公司 | 压气机叶片条纹缺陷检测方法 |
| CN116776647A (zh) * | 2023-08-21 | 2023-09-19 | 深圳市鑫冠亚科技有限公司 | 一种复合镍铜铝散热底板的性能预测方法及系统 |
| CN116776647B (zh) * | 2023-08-21 | 2024-01-16 | 深圳市鑫冠亚科技有限公司 | 一种复合镍铜铝散热底板的性能预测方法及系统 |
| CN117058125A (zh) * | 2023-09-01 | 2023-11-14 | 无锡维凯科技有限公司 | 基于手机后盖玻璃的检测方法和系统 |
| CN117058125B (zh) * | 2023-09-01 | 2024-03-15 | 无锡维凯科技有限公司 | 基于手机后盖玻璃的检测方法和系统 |
| CN118674726A (zh) * | 2024-08-26 | 2024-09-20 | 苏州城市学院 | 一种道路表面缺陷检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112098416A (zh) | 一种基于机器视觉的风机叶片缺陷检测方法及系统 | |
| WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
| WO2018173660A1 (ja) | 表面欠陥検査方法及び表面欠陥検査装置 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| US9846932B2 (en) | Defect detection method for display panel based on histogram of oriented gradient | |
| US20190197678A1 (en) | Gpu-based tft-lcd mura defect detection method | |
| JP7274885B2 (ja) | 表示装置の欠陥識別システム及び方法 | |
| Yu et al. | A new edge detection approach based on image context analysis | |
| CN111640104B (zh) | 一种螺钉装配的视觉检测方法 | |
| CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| US7508994B2 (en) | Method for detecting streaks in digital images | |
| Qiu | Jump surface estimation, edge detection, and image restoration | |
| Peng et al. | Non-uniform illumination image enhancement for surface damage detection of wind turbine blades | |
| CN112017130B (zh) | 基于自适应各向异性全变分正则化的图像复原方法 | |
| CN111062978B (zh) | 基于频域滤波技术的时空图像测流的纹理识别方法 | |
| Kumar et al. | A conventional study of edge detection technique in digital image processing | |
| CN112862744A (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| Fu et al. | Automatic detection of multi-crossing crack defects in multi-crystalline solar cells based on machine vision | |
| Dou et al. | Anti-forensics of diffusion-based image inpainting | |
| Li et al. | Electronic product surface defect detection based on a MSSD network | |
| CN117058106A (zh) | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 | |
| Qiu | A nonparametric procedure for blind image deblurring | |
| Sun et al. | Jump detection in regression surfaces using both first-order and second-order derivatives | |
| Zhu et al. | TFT-LCD uneven brightness correction and recognition of MURA area based on EMD method | |
| Wang et al. | An adaptive cartoon-like stylization for color video in real time |
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 |