CN112102278A - 一种基于计算机视觉的金属工件加工面缺陷检测方法 - Google Patents
一种基于计算机视觉的金属工件加工面缺陷检测方法 Download PDFInfo
- Publication number
- CN112102278A CN112102278A CN202010950104.4A CN202010950104A CN112102278A CN 112102278 A CN112102278 A CN 112102278A CN 202010950104 A CN202010950104 A CN 202010950104A CN 112102278 A CN112102278 A CN 112102278A
- Authority
- CN
- China
- Prior art keywords
- image
- workpiece
- defects
- computer vision
- detected
- 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 46
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 239000002184 metal Substances 0.000 title claims description 13
- 238000003754 machining Methods 0.000 title abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000004576 sand Substances 0.000 claims abstract description 13
- 208000032544 Cicatrix Diseases 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 231100000241 scar Toxicity 0.000 claims abstract description 7
- 230000037387 scars Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract 4
- 238000005516 engineering process Methods 0.000 claims description 17
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000003708 edge detection Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 238000012797 qualification Methods 0.000 claims 1
- 238000005530 etching Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种基于计算机视觉的工件加工面缺陷检测方法。检测的缺陷包括:砂眼,划痕,磕碰伤痕。该方法以计算机视觉为基础,无需人工可以自动判断检测工件的加工面是否符合标准。通过CCD摄像机拍摄工件加工面的图像,送入计算机,对其进行图像预处理,并对检测的缺陷进行分类,不同的缺陷之后使用的检测算法不同。将预处理后的图像经过缺陷检测算法得到工件加工面磕碰伤痕、砂眼、划痕的有效信息的特征提取图像。以此特征提取图像得到砂眼,划痕,磕碰伤痕的大小信息,通过与设定的阈值比较,检测工件加工面是否存在缺陷以及缺陷是否导致工件不合格。该检测方法成本低,效率高,可应用于工厂生产的各种环形工件的加工面缺陷检测。
Description
技术领域
本发明涉及计算机视觉领域,是一种基于计算机视觉的金属工件加工面缺陷检测方法。
背景技术
计算机技术在工业方面应用广泛,例如:自动装配线中检测零件的质量、并对零件进行分类,印刷电路板疵病检查,弹性力学照片的应力分析,流体力学图片的阻力和升力分析,邮政信件的自动分拣。并且计算机视觉技术对工业和工程方面的自动化生产有重要作用。在现代的工业自动化生产中,检测零件是否合格是极为重要的一点。若零件有缺陷未被检测出,被用于实际生活中,可能会造成严重的后果。这种工作的特点是高度重复性和智能性,并且在一些特殊情况下,如对微小尺寸的精确快速测量、形状匹配以及颜色辨识等,无法依靠肉眼稳定的完成。这样的背景下,基于计算机视觉的缺陷检测技术的意义就显得尤为重要了。计算机视觉检测技术是建立在计算机视觉和图像处理的基础上的一门测试技术。如果工厂都采用自动化检测,不仅仅可以节约人力资源,而且判断的精准度也会提高,可以全天候的检测判断,而不用人为操控,可以极大程度地提高生产效率。
发明内容
本发明提出基于计算机视觉技术的金属工件加工面的缺陷检测,利用计算机视觉技术和图像处理技术,检测工件是否存在不合格情况。
本发明主要的技术步骤实现过程为:
1.砂眼以及划痕的缺陷检测。
1):将采集装置固定在5-10cm的水平高度,置于工件正上方,然后使用碗形光源照明,自上而下拍摄出工件正上方的清晰彩色图片。
2):经过绘制,以及填充操作后得到包含工件需检测部位的小图片,去除部分干扰,屏蔽掉大量无关信息。
3):将图片进行灰度化处理,根据各部分灰度值的不同把灰度图像转换成二值图像。
4):通过腐蚀膨胀等图像形态学处理,然后使用图像加法和减法从原图中得到仅仅包含工件加工面的图片,即去除图像上跟缺陷检测无关的信息。
5):进行图像取反,图像灰度化,以及图像二值化,得到包含划痕和砂眼及加工面轮廓的二值化图像。
6):经过多个图像取反及叠加操作,去除加工面的轮廓,只保留加工面内部信息。
7):将第六步得到的二值图像作为输入图像,使用OpenCV中的函数计算得到划痕长度以及砂眼的面积。
8):根据精度需求,给定划痕长度和砂眼面积的阈值,大于此阈值的即为不合格原件,小于此阈值的即为合格原件。
2.磕碰伤痕的缺陷检测。
1):将采集装置固定在5-10cm的水平高度,置于工件正上方,然后使用环形光源照明,自上而下拍摄出工件正上方的清晰彩色图片。
2):经过绘制,以及填充操作后得到包含工件需检测部位的小图片,去除部分干扰,屏蔽掉大量无关信息。
3):将图片进行灰度化处理,根据各部分灰度值不同把灰度图像转换成二值图像。
4):然后进行边缘提取,得到加工平面的轮廓图。
5):再经过凸包检测和形态学运算得到只包含磕碰伤痕信息的图片。
5):使用Open-CV中的函数计算得到磕碰伤痕的面积大小,与设定好的面积阈值做比较,以此判断工件是否为合格工件。
本发明与现有技术相比具有以下优点:
一、可以得到只包含需检测的加工表面的信息图,然后进行特征提取,可以滤除大部分的干扰,且对所有形状的加工表面均有用;
二、检测准确率高,很少有误检,错检,检测精度可以自由更改,适用性强;
三、本项发明程序实现简单,响应速度快,鲁棒性较好。
附图说明
为更好的解释说明本发明的技术流程,下面使用一些附图对技术进行简单的介绍。
图1为采集装置得到的原始图像;
图2为包含工件需检测部位的图片,由图4取反之后与图3做像素减法得到;
图3为去除工件中间部位噪声。
图4为去除工件外部噪声。
图5为图2二值化后图像;
图6为图5进行膨胀腐蚀操作后图像;
图7为仅包含原图加工面的灰度图像;
图8为对图7进行取反操作得到图像;
图9为图8二值化后图像;
图10为图6进行腐蚀操作后图像;
图11为图9与图10叠加后得到图像;
图12为有磕碰伤痕的工件原始图像;
图13为图12经过提取ROI区域以及二值化之后的图像;
图14为图13经过形态学闭运算处理和Canny边缘提取的图像;
图15为图14经过凸包检测的图像;
图16为图15经过形态学闭运算之后得到的图像。
图17为图16经过形态学开运算之后得到的图像。
图18为基于计算机视觉的工件加工面缺陷检测方法的流程图。
具体实施方式
下面结合附图对本发明描述。
流程图如图18所示的基于计算机视觉的金属工件加工面缺陷检测方法,主要包括以下步骤。
1.砂眼以及划痕的缺陷检测。
步骤1:将工业摄像头固定于工件上方,得到包含工件需检测部位的清晰图像。
步骤2:由于需要检测部位为环形,即需要在原图中截取一个环形部位。先给定一张和原图大小,类型完全一致的像素值全为255的图。然后在此白色图中画出一个像素值为0的黑色圆,此黑圆的半径需比待截取环形区域的外圆半径大,如图4所示。在原始图像图1中画一个像素点为0的黑色圆,此黑圆的半径需比待截取环形区域的内圆半径小,如图3所示。然后将图4取反之后与图3做像素减法,得到图2.
两张图像做减法得到的图像中的每一个点的像素值C为:C=A-B。A为第一张图此点的像素值,B为第二张图此点的像素值。且当C<0时,C会被置为0。
步骤3:对原图进行灰度化和二值化处理,得到图5。
灰度化方法为平均值法:Gray=(R+G+B)/3
二值化使用的方法为迭代最佳阈值法,该算法先假定一个阈值,然后计算在该阈值下的前景和背景的中心值,当前景和背景中心值得平均值和假定的阈值相同时,则迭代中止,并以此值为阈值进行二值化。具体实现过程如下:
(1).选择灰度图的平局值作为初始阈值T0;
(2).计算小于等于T0的平均值T1,和大于T0的平均值T2;
(3).新的阈值为T=(T1+T2)/2;
(4).比较T和T0,若相等,则返回T,即为迭代阈值;否则T0=T,重复(1)-(3)
步骤4:对图5先进行5*5的膨胀,去除白色区域中的黑色区域,使得白色框中间没有黑色。再进行3*3的腐蚀。此时的图6是比图5的白色区域要大一些,而且中间没有黑点。如图6。
腐蚀的作用是消除物体的边界点,使目标缩小,物体的边界处像素值是有0和1,腐蚀操作后这些紧邻着为1的像素点都会变成0,所以腐蚀操作会消除没有意义的点或孔洞,边界向内部收缩。与腐蚀的作用相反,膨胀的作用是使目标增大,填充图像内的微小孔洞,并且平滑物体的边界,会向外扩张边界。闭运算就是对图像先膨胀后腐蚀。它的作用是填补图像内的孔洞、使靠近的边界后者物体连接上、不改变面积大小的同时可以平滑边界。
步骤5:将图6和原始图像图1做减操作,得到只包含工件加工面信息的图5;为了方便之后的二值化操作,对图7取反得到图8。
步骤6:对图8进行阈值分割初步提取缺陷特征得到图9。
步骤7:对图6进行5*5的腐蚀操作,然后和图9进行减操作,去掉边缘的干扰信息,只剩下包含加工面的划痕或者砂眼的二值化图像,如图11所示。
此时的腐蚀操作是为了与图9做减法时,可以去掉图9中的边缘干扰。
步骤8:提取图11中的轮廓面积及长度信息,根据精度需求,给定划痕长度和沙眼面积的阈值,大于此阈值的即为不合格原件,小于此阈值的即为合格原件。
2.磕碰伤痕的缺陷检测。
步骤1-3:同砂眼以及划痕检测的步骤1-3,图12经过处理得到结果图13。
步骤4:先对图13进行形态学闭运算操作,再使用Canny边缘提取算法提取图13的边缘,得到图14。
Canny算子求边缘点具体算法步骤如下:
(1).用高斯滤波器平滑图像.
(2).用一阶偏导有限差分计算梯度幅值和方向.
(3).对梯度幅值进行非极大值抑制.
(4).用双阈值算法检测和连接边缘.
步骤5:对图14进行凸包检测,再使用步骤2中的绘制和图像像素减法的方法去除内侧边缘无效信息得到图15。这样可以使得边缘的磕碰伤,形成连通域。
步骤6:对图15进行形态学闭运算操作,可以填充边缘磕碰伤的连通域,如图16所示。再对图16进行形态学开运算操作,可以去除无磕碰伤痕的边缘信息。如图17。
步骤7:通过计算连通域的面积大小,和设置好的阈值做比较,判断是否为不合格工件。
Claims (8)
1.一种基于计算机视觉技术的金属工件加工面缺陷检测方法,其特征在于,包括以下步骤:
步骤一,采集工件加工面的图像:将工件加工面朝上,使用测量台的夹钳固定工件,令其保持静止,将蓝色碗型光源置于工件上方并且固定,将CCD工业相机置于蓝色碗型光源上方,沿垂直方向对工件加工面进行拍照,将采集到的图像数字化传输到计算机中,进行之后的预处理操作;
步骤二,对步骤一中的数字化图像进行预处理;
步骤三,对预处理之后的图像进行缺陷分类,分为砂眼、存在划痕、存在磕碰伤痕。
步骤四,对缺陷类别不同的工件图像进行不同的缺陷检测处理,获得其缺陷的大小、形状等属性。
步骤五,缺陷合格判定。
2.如权利要求1所述的一种基于计算机视觉技术的金属工件加工面缺陷检测方法,其特征在于,步骤一中图片采集的环境为暗室,步骤一中的图像采集装置中,光源与工件和相机处于同一垂直直线上,光源采用蓝色碗型光源。
3.如权利要求1所述的一种基于计算机视觉技术的金属工件加工面缺陷检测方法,其特征在于,所述预处理主要包括图像二值化,图像滤波以及提取图像ROI区域。
4.如权利要求3所述的一种基于计算机视觉技术的金属工件加工面缺陷检测方法,其特征在于,所述的提取图像ROI区域过程,利用霍夫曼圆检测检测出圆心坐标,按照工件尺寸,在原图中绘制内圆,在与原图相同尺寸纯白图像上绘制外圆,与原图进行一次像素域减法,得到仅包含待检测环形工件加工面图像。
5.如权利要求1所述的一种基于计算机视觉技术的金属工件加工面缺陷检测方法,其特征在于,所述的缺陷分类过程,对预处理之后的图像进行边缘提取并进行凸包检测,若检测到凸包,则缺陷类别为磕碰伤痕,并进行之后的磕碰伤痕的缺陷检测处理,若没有检测到凸包,则类别为划痕和砂眼,并进行之后的划痕和砂眼的缺陷检测处理。
6.如权利要求1所述的一种基于计算机视觉技术的金属工件加工面缺陷检测方法,其特征在于,所述的划痕,砂眼缺陷检测处理,经过图像阈值分割初步提取特征,再经过形态学处理,对图像进行先腐蚀再膨胀的闭运算操作,去除噪声点,最后通过连通域面积计算,得到缺陷的大小。
7.如权利要求1所述的一种基于计算机视觉技术的金属工件加工面缺陷检测方法,其特征在于,所述的磕碰伤痕缺陷检测处理,经过图像阈值分割初步提取特征,再经过Canny边缘检测算法,提取图像边缘信息,对图像进行形态学运算和凸包检测操作,得到仅包含磕碰伤痕信息的图像。最后通过连通域面积计算,得到缺陷的大小。
8.如权利要求1所述的一种基于计算机视觉技术的金属工件加工面缺陷检测方法,其特征在于,所述缺陷合格判定方法,通过工件内心圆实际面积和实际应用时判断工件为不合格工件的缺陷面积的比值,与图像中工件内心圆所占的像素值面积与检测得到的缺陷所占的比值的比较,判断正在检测工件的工件是否合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950104.4A CN112102278A (zh) | 2020-09-11 | 2020-09-11 | 一种基于计算机视觉的金属工件加工面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950104.4A CN112102278A (zh) | 2020-09-11 | 2020-09-11 | 一种基于计算机视觉的金属工件加工面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102278A true CN112102278A (zh) | 2020-12-18 |
Family
ID=73751287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010950104.4A Pending CN112102278A (zh) | 2020-09-11 | 2020-09-11 | 一种基于计算机视觉的金属工件加工面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102278A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643233A (zh) * | 2021-07-01 | 2021-11-12 | 深圳市格灵精睿视觉有限公司 | 油性涂层检测方法、系统及设备、计算机可读存储介质 |
CN114034706A (zh) * | 2021-10-29 | 2022-02-11 | 武汉理工大学 | 一种碳纤维零件表面缺陷检测装置及方法 |
CN114841971A (zh) * | 2022-05-10 | 2022-08-02 | 广州大学 | 金属块凹坑缺陷检测方法、系统及装置 |
CN116148268A (zh) * | 2023-04-21 | 2023-05-23 | 创新奇智(青岛)科技有限公司 | 瑕疵检测的方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-09-11 CN CN202010950104.4A patent/CN112102278A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643233A (zh) * | 2021-07-01 | 2021-11-12 | 深圳市格灵精睿视觉有限公司 | 油性涂层检测方法、系统及设备、计算机可读存储介质 |
CN113643233B (zh) * | 2021-07-01 | 2024-05-24 | 深圳市格灵精睿视觉有限公司 | 油性涂层检测方法、系统及设备、计算机可读存储介质 |
CN114034706A (zh) * | 2021-10-29 | 2022-02-11 | 武汉理工大学 | 一种碳纤维零件表面缺陷检测装置及方法 |
CN114841971A (zh) * | 2022-05-10 | 2022-08-02 | 广州大学 | 金属块凹坑缺陷检测方法、系统及装置 |
CN116148268A (zh) * | 2023-04-21 | 2023-05-23 | 创新奇智(青岛)科技有限公司 | 瑕疵检测的方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN112102278A (zh) | 一种基于计算机视觉的金属工件加工面缺陷检测方法 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN105139386B (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
Hocenski et al. | Improved canny edge detector in ceramic tiles defect detection | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN101995223A (zh) | 一种芯片外观检测方法及系统 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN115880248B (zh) | 一种表面划痕缺陷识别方法及视觉检测设备 | |
CN108665458A (zh) | 透明体表面缺陷提取及识别方法 | |
CN109378279B (zh) | 晶圆检测方法及晶圆检测系统 | |
CN112164050B (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN113237889A (zh) | 一种多尺度的陶瓷检测方法及系统 | |
CN108986160A (zh) | 一种含有镜面反射光干扰的图像激光中心线提取方法 | |
Dominguez-Nicolas et al. | Indentation image analysis for Vickers hardness testing | |
CN114897881A (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
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 | |
CN116071306A (zh) | 用于滚动轴承保持架铆合缺陷的机器视觉检测方法 | |
Aswini et al. | Mathematical morphology and bottom-hat filtering approach for crack detection on relay surfaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201218 |
|
WD01 | Invention patent application deemed withdrawn after publication |