CN112288680B - 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 - Google Patents
汽车轮毂x射线图像的缺陷区域自动提取方法及系统 Download PDFInfo
- Publication number
- CN112288680B CN112288680B CN201911075637.6A CN201911075637A CN112288680B CN 112288680 B CN112288680 B CN 112288680B CN 201911075637 A CN201911075637 A CN 201911075637A CN 112288680 B CN112288680 B CN 112288680B
- Authority
- CN
- China
- Prior art keywords
- image
- ray image
- top hat
- reconstruction
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 132
- 238000000605 extraction Methods 0.000 title claims abstract description 47
- 230000009466 transformation Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000007797 corrosion Effects 0.000 claims description 23
- 238000005260 corrosion Methods 0.000 claims description 23
- 239000003550 marker Substances 0.000 claims description 18
- 230000000877 morphologic effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000010339 dilation Effects 0.000 claims description 14
- 230000002950 deficient Effects 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000005530 etching Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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 by the use of 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种汽车轮毂X射线图像的缺陷区域自动提取方法及系统。所述方法首先获取汽车轮毂的X射线图像并构建结构元素；然后对X射线图像进行顶帽变换和顶帽重建变换，并以顶帽重建变换结果为标记，顶帽变换结果为模板进行膨胀重建运算；对膨胀重建结果进行二值化处理得到轮毂的初步缺陷区域；对初步缺陷区域进行特征剔除得到轮毂的真正缺陷区域；获取真正缺陷区域的最小外接矩形即为该轮毂X射线图像的缺陷区域。采用本发明方法进行轮毂的缺陷区域提取，无需操作人员提前指定感兴趣区域，而是可以直接在被检测轮毂的X射线图像上自动确定出缺陷区域，不受轮型识别和区域跟踪匹配算法等环节影响，能大大提高缺陷区域的提取效率和准确性。
Description
技术领域
本发明涉及轮毂缺陷检测技术领域，特别是涉及一种汽车轮毂X射线图像的缺陷区域自动提取方法及系统。
背景技术
轮毂作为汽车的重要受力部件，生产时一般是融化的合金液经过低压铸造、T6热处理和机械加工等工序，最终变为成品。汽车轮毂在生产过程中，受各种因素的影响，可能会会产生气孔、缩孔或缩松等常见内部缺陷，必须使用X射线无损检测设备来探伤。
汽车轮毂在进行X射线检测时，射线源发出射线穿透检测部位后被平板探测器接收，转化为数字图像传输到电脑，通过分析携带了轮毂内部结构信息的射线图像来判断产品是否合格。
传统的轮毂X射线检测通过人眼来分析轮毂的X射线图像，具有劳动强度大、判断结果很难准确量化、易受检测人员主观意志影响的弊端，逐渐被以数字图像处理技术为基础的自动评片软件所取代。轮毂X射线图像在自动评片的过程中，容易受轮毂本身几何结构的影响产生误判或漏判，为了提高准确率需要提前指定待检测的缺陷区域，这个区域也被称为ROI(Region of Interest，感兴趣)区域。现有解决方案是操作人员提前手工指定某一种型号轮毂的ROI区域，后续通过轮毂型号识别、区域图像匹配来确定每一个被检测轮毂实际的ROI区域，具有操作繁琐、运算量大、准确率低等弊端。
发明内容
本发明的目的是提供一种汽车轮毂X射线图像的缺陷区域自动提取方法及系统，以解决现有的缺陷区域提取方法操作繁琐、运算量大、准确率低的问题。
为实现上述目的，本发明提供了如下方案：
一种汽车轮毂X射线图像的缺陷区域自动提取方法，所述缺陷区域自动提取方法包括：
获取汽车轮毂的X射线图像；
根据所述X射线图像的高度和宽度构建结构元素；
采用所述结构元素对所述X射线图像进行顶帽变换，生成顶帽变换后图像；
对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像；
以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
对所述膨胀重建后图像进行二值化处理，生成所述汽车轮毂的初步缺陷区域；
对所述初步缺陷区域以面积和平均灰度为特征进行剔除，得到所述汽车轮毂的真正缺陷区域；
获取所述真正缺陷区域的最小外接矩形作为缺陷提取区域；
根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
可选的，所述根据所述X射线图像的高度和宽度构建结构元素，具体包括：
采用公式BL＝[min(W,H)×10％]确定所述结构元素的边长BL；其中W为所述X射线图像的宽度，H为所述X射线图像的高度；[]表示向上取整；
构建边长为BL的矩形结构元素B。
可选的，所述采用所述结构元素对所述X射线图像进行顶帽变换，生成顶帽变换后图像，具体包括：
采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像。
可选的，所述对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像，具体包括：
采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；/>表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
可选的，所述以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像，具体包括：
采用公式进行数学形态学的膨胀重建运算，生成膨胀重建后图像G(x,y)；其中/>表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
可选的，所述对所述膨胀重建后图像进行二值化处理，生成所述汽车轮毂的初步缺陷区域，具体包括：
采用公式对所述膨胀重建后图像进行二值化处理，生成二值图像B1(x,y)；其中G(x,y)为所述膨胀重建后图像在(x,y)点处的灰度值；G0为二值化阈值；
确定所述二值图像B1(x,y)中灰度值为1的白色区域为所述汽车轮毂的初步缺陷区域。
一种汽车轮毂X射线图像的缺陷区域自动提取系统，所述缺陷区域自动提取系统包括：
原始图像获取模块，用于获取汽车轮毂的X射线图像；
结构元素构建模块，用于根据所述X射线图像的高度和宽度构建结构元素；
顶帽变换模块，用于采用所述结构元素对所述X射线图像进行顶帽变换，生成顶帽变换后图像；
顶帽重建变换模块，用于对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像；
膨胀重建运算模块，用于以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
二值化处理模块，用于对所述膨胀重建后图像进行二值化处理，生成所述汽车轮毂的初步缺陷区域；
特征剔除模块，用于对所述初步缺陷区域以面积和平均灰度为特征进行剔除，得到所述汽车轮毂的真正缺陷区域；
缺陷提取区域确定模块，用于获取所述真正缺陷区域的最小外接矩形作为缺陷提取区域；
缺陷区域提取模块，用于根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
可选的，所述结构元素构建模块具体包括：
边长确定单元，用于采用公式BL＝[min(W,H)×10％]确定所述结构元素的边长BL；其中W为所述X射线图像的宽度，H为所述X射线图像的高度；[]表示向上取整；
结构元素构建单元，用于构建边长为BL的矩形结构元素B。
可选的，所述顶帽变换模块具体包括：
顶帽变换单元，用于采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像。
可选的，所述顶帽重建变换模块具体包括：
顶帽重建变换单元，用于采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；/>表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种汽车轮毂X射线图像的缺陷区域自动提取方法及系统，所述方法首先获取汽车轮毂的X射线图像，根据所述X射线图像的高度和宽度构建结构元素；然后对所述X射线图像进行顶帽变换和顶帽重建变换；并以轮毂X射线图像的顶帽重建变换结果为标记，顶帽变换结果为模板，进行数学形态学的膨胀重建运算；对膨胀重建结果设定固定阈值，进行二值化处理，得到轮毂的初步缺陷区域；对初步缺陷区域进行分析，以面积和平均灰度为特征进行剔除，得到轮毂的真正缺陷区域；分别获取每个真正缺陷区域的最小外接矩形，即为该轮毂X射线图像的全部缺陷区域。采用本发明方法进行轮毂的缺陷区域提取，无需操作人员提前指定感兴趣区域，而是可以直接在被检测轮毂的X射线图像上自动确定出缺陷区域，不受轮型识别和区域跟踪匹配算法等环节影响，能大大提高缺陷区域的提取效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的汽车轮毂X射线图像的缺陷区域自动提取方法的流程图；
图2为本发明提供的汽车轮毂X射线图像的缺陷区域自动提取系统的结构图。
具体实施方式
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。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。
本发明的目的是提供一种汽车轮毂X射线图像的缺陷区域自动提取方法及系统，以解决现有的缺陷区域提取方法操作繁琐、运算量大、准确率低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的汽车轮毂X射线图像的缺陷区域自动提取方法的流程图。参见图1，本发明提供的汽车轮毂X射线图像的缺陷区域自动提取方法具体包括：
步骤101：获取汽车轮毂的X射线图像。
通过轮毂X射线检测设备获取轮毂的X射线图像，存入计算机中。当对所述X射线图像进行缺陷检测时，读入轮毂的X射线图像进行后续处理。
步骤102：根据所述X射线图像的高度和宽度构建结构元素。
获取轮毂X射线图像的高度和宽度，以其较小值的10％为标准，构建合适大小的矩形结构元素。假设轮毂的X射线图像用f(x,y)来表示。轮毂图像f(x,y)的宽度W和高度H取决于轮毂检测时采用的X射线探测器，对于确定的检测系统，二者为固定的常量，如常用的珀金埃尔默(PerkingElmer)0822平板探测器，宽度W和高度H均为1024。步骤102中考虑到目前汽车轮毂的生产制造工艺，出现的内部缺陷一般比较小，因此以W和H较小值的10％为标准设定矩形结构元素进行数学形态学运算，可以满足大多数的缺陷区域提取需求。以1024为例，设定103*103大小的矩形结构元素作为本发明的结构元素，记为B。
所述结构元素B边长的计算公式如下：
BL＝[min(W,H)×10％] (1)
其中W为所述X射线图像的宽度，H为所述X射线图像的高度；[]表示向上取整；BL为所述结构元素B的边长。从而可以构建边长为BL的矩形结构元素B。
步骤103：采用所述结构元素对所述X射线图像进行顶帽变换，生成顶帽变换后图像。
假设轮毂的X射线数字图像用f(x,y)来表示，(x,y)代表像素点的坐标位置，f代表该位置上的灰度值。对于数字图像f(x,y)，当结构元素B的原点位于像素点(x,y)处时，结构元素B和图像f(x,y)之间形成一个重合区域，该区域内涉及到的像素点参与运算后形成新的灰度值，赋予(x,y)后完成一次分析，所有像素点都完成分析后实现一次数学形态学运算。
膨胀和腐蚀是数学形态学最基本的运算，对于原始图像f(x,y)和结构元素B，膨胀运算的数学定义为：
腐蚀运算的数学定义为：
其中B指结构元素，f(x,y)指原始图像，(x,y)是原始图像的坐标点。[δB(f)](x,y)是膨胀定义的数学符号，指使用结构元素B对图像f进行膨胀运算，同样，[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算。max指运算的过程取最大值，min指运算的过程取最小值。(s,t)指结构元素B的坐标，(x+s,y+t)指结构元素在原图像移动，穷尽原始图像的上每一个像素点后完成最后的运算。图像f为图像f(x,y)的缩写。
膨胀和腐蚀运算中对应像素点的灰度值分别为结构元素定义窗口内图像的极大值和极小值，对整幅图像f(x,y)而言，膨胀运算会扩展图像的亮区域，使得图像整体变亮，相当于一个局部极大值算子；腐蚀运算会收缩图像的亮区域，使得图像整体变暗，相当于一个局部极小值算子。
开运算由腐蚀和膨胀运算相互组合构成。结构元素B以原点为中心、旋转180°后形成新的结构元素记为-B，开运算定义为B先对图像f(x,y)腐蚀，然后再使用-B进行膨胀：
[γB(f)](x,y)＝δ-B[εB(f)](x,y) (4)
数学形态学中的顶帽变换定义为原始图像与其开运算图像之差：
[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y) (5)
顶帽变换运算中被开运算去除的比结构元素B小的亮区域保留了下来，不受开运算影响的其它区域相减过程中抵消，灰度接近于0。使用顶帽变换可以提取图像f(x,y)中比结构元素小的亮区域，这些区域一般对应于图像分析中的目标区域。
因此本发明步骤103中使用结构元素B对轮毂的X射线图像f(x,y)进行顶帽变换，得到图像fo(x,y)，其效果是图像f(x,y)中比结构元素B小的亮区域被保留了下来，这些亮区域包含轮毂本身的真正缺陷和部分几何结构，其余区域灰度接近于0。
具体采用下式(6)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像：
fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y) (6)
其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像。
步骤104：对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像。
重建运算是数学形态学中的另一大类，涉及到两幅输入图像：标记图像和模板图像。假设标记图像用f(x,y)表示，模板图像用g(x,y)表示，二者大小相同(定义域(x,y)相同，不是灰度值)，当灰度值f≤g时，尺度为1的测地膨胀定义为：
式(7)中符号∧表示逐点极小值运算，测地膨胀为模板图像和标记图像基本膨胀运算之间的逐点极小值，模板图像起着限制标记图像膨胀蔓延的作用。f为f(x,y)的缩写，g为g(x,y)的缩写。表示标记图像的基本膨胀运算。
尺度为n的测地膨胀通过连续对f做相对于g的n次测地膨胀来实现，如公式(8)所示：
表示对标记图像f做相对于模板图像g的(n-1)次测地膨胀，/>为尺度为1的测地膨胀，/>表示对标记图像f做相对于模板图像g的n次测地膨胀。
对于同样大小的标记图像f和模板图像g(f≤g)，从f中对g进行膨胀重建定义为f相对于g的测地膨胀，反复迭代直至达到稳定：
式(9)中的i为时的迭代次数，/>表示对标记图像f做相对于模板图像g的i次测地膨胀，即第i次测地膨胀结果与第i+1次测地膨胀结果相同，/>为稳定后的膨胀运算结果。
当公式(8)迭代膨胀n次时，总会到某一次(第i次)继续膨胀运算结果不再变换，达到稳定，从而得到公式(9)，稳定后的运算结果称为形态学重建结果。
形态学重建运算不需要选择特定的结构元素，主要问题在于选择一对合适的标记图像和模板图像。模板图像一般为待处理的图像f，标记图像可以通过对f的各种变换来得到。如果标记图像为f的腐蚀运算，模板图像为f本身，此时的形态学膨胀重建称为图像f的开重建运算：
开重建运算能够保持图像中没有被腐蚀去除掉的成分形状，只有完全无法容纳结构元素的图像目标才会被去除。使用原始图像减去开重建图像的操作称为顶帽重建变换：
RWHT(f)＝f-γR(f) (11)
其中ε(f)为f的腐蚀运算；表示以ε(f)为标记，f为模板进行形态学膨胀重建得到的结果，即开重建图像γR(f)。RWHT(f)为顶帽重建变换后图像。
顶帽重建变换能够重建出被开重建去掉的结构目标，得到的结果图像灰度值总是小于对应的顶帽变换结果图像的灰度值。从顶帽重建变换中对顶帽变换进行膨胀重建，可以在去除干扰区域的同时恢复出目标区域，能用于轮毂缺陷的准确提取。
因此本发明使用结构元素B对轮毂的X射线图像f(x,y)进行顶帽重建变换，得到图像fR(x,y)，其效果是图像f(x,y)中完全能容纳结构元素B的亮区域被保留了下来，这些亮区域可能仅包含轮毂本身的真正缺陷的一部分，基本不包含轮毂的几何结构，其余区域的灰度同样接近于0。结果图像fo(x,y)和fR(x,y)在灰度值上存在着fo(x,y)≥fR(x,y)的关系。
具体可采用下式(12)对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像：
fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y) (12)
其中[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；/>表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
步骤105：以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像。
步骤105中以轮毂X射线图像的顶帽重建变换结果fR(x,y)为标记，顶帽变换结果fo(x,y)为模板，进行数学形态学的膨胀重建运算，得到的结果图像记为G(x,y)。通过膨胀重建运算，在fR(x,y)出现的部分真正缺陷得到了恢复，没有在fR(x,y)出现的轮毂几何结构消失，最终结果是综合了fo(x,y)和fR(x,y)的优点，既全部保留了轮毂本身的真正缺陷区域，又去除了轮毂的几何结构。结果图像G(x,y)与原始图像f(x,y)相比，轮毂本身的真正缺陷区域灰度值较大，其余区域的灰度值接近于0。
以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像的公式如下：
其中表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
步骤106：对所述膨胀重建后图像进行二值化处理，生成所述汽车轮毂的初步缺陷区域。
步骤106中对步骤105的膨胀重建结果设定固定阈值，进行二值化处理，得到轮毂的初步缺陷区域，图像记为B1(x,y)。步骤103至步骤105对轮毂图像f(x,y)中的灰度信息进行了过滤处理，其中小于结构元素B的亮区域灰度值较大，大于B的亮区域和其它区域灰度值接近于0，也即经过前面步骤处理后得到的图像G(x,y)在灰度直方图上会出现两个峰值，一个是灰度接近于0的背景，一个是灰度较大的真正缺陷区域，设定固定的阈值可以很容易把背景和真正缺陷区域区分开。固定阈值(二值化阈值)大小的设置与轮毂X射线图像的图像质量有关，亮度偏暗的图像阈值设置应该较小，亮度偏亮的图像阈值设置应该较大，对于大多数亮度正常的轮毂图像，二值化阈值G0可设置为5-20。具体实施案例中设定为10，灰度值小于10的全部变为0，灰度值大于等于10的全部变为1，得到二值图像B1(x,y)。二值图像B1(x,y)中灰度取1的白色区域代表提取的缺陷区域。
对所述膨胀重建后图像G(x,y)进行二值化处理的公式如下：
其中G(x,y)为所述膨胀重建后图像在(x,y)点处的灰度值；G0为二值化阈值；B1(x,y)为对所述膨胀重建后图像进行二值化处理后生成的二值图像。确定所述二值图像B1(x,y)中灰度值为1的白色区域为所述汽车轮毂的初步缺陷区域。
步骤107：对所述初步缺陷区域以面积和平均灰度为特征进行剔除，得到所述汽车轮毂的真正缺陷区域。
步骤107中对初步缺陷区域进行分析，可以得到步骤106中得到的二值图像B1(x,y)中每个白色区域的面积大小，以及白色区域对应像素点在f(x,y)中的平均灰度信息。由于轮毂的几何结构复杂，一些面积较大的辐窗区域(大于结构元素B的辐窗区域，即大于103*103的辐窗区域)能被直接去除，面积较小的螺栓孔等区域(小于结构元素B的区域)会被保留下来，造成缺陷区域的误判。
轮毂几何结构区域下X射线图像上的灰度特点是取值较大，一般接近图像灰度的最大值，以常见的8位图像为例，灰度接近255。因此本发明设定面积小于10609(103*103)且平均灰度大于250的条件，可以准确去掉结构元素漏掉的几何结构区域。经步骤107处理后，提取的缺陷区域被重新过滤，得到的结果图像记为B(x,y)。
对所述二值图像B1(x,y)中的每个初步缺陷区域进行判断，将其中面积小于10609，且平均灰度大于250的区域进行剔除，得到真正缺陷区域组成的图像B(x,y)。B(x,y)可能仍然包含多个白色区域(即真正缺陷区域)，可也能是1个，或者没有，这取决于检测图像自身有没有缺陷，如果有，则确保能够检测出来。
步骤108：获取所述真正缺陷区域的最小外接矩形作为缺陷提取区域。
步骤108对步骤107的得到的结果图像B(x,y)分别获取每个真正缺陷区域的最小外接矩形，做为该轮毂X射线图像的全部缺陷区域，完成缺陷区域的自动提取，实现本发明的最终目的。由于数字图像处理的对象都是矩形区域，步骤107得到的结果图像B(x,y)中白色区域可能具有任意形状，不利于下一步轮毂缺陷的精确分割算法执行。步骤108中获取每个真正缺陷区域的最小外接矩形作为缺陷提取区域(ROI区域)，可以让本发明的成果直接嵌入到轮毂内部缺陷的检测程序中。
步骤109：根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
现有的缺陷区域(ROI区域)指定方法为针对某一种型号的轮毂，由操作人员提前在对应的检测部位上进行人工选择，按型号作为模板存储在系统中，后续轮毂检测时要先进行轮毂型号的识别，然后调用对应的模板，再根据模板上指定的区域来进行最终的缺陷检测。上述过程涉及到多个环节，首先是必须由人工来指定ROI区域；然后是ROI区域的调用依赖于轮毂型号的识别，若型号识别不准确则直接导致整个调用过程失败；最后是即使调用成功，由于机电控制系统的误差，手工提前指定的ROI区域可能偏离实际需要检测的区域，要进行图像配准来修正指定的ROI区域。
上述过程操作繁杂，中间任何一个环节出了问题都会导致缺陷区域定位失败，最终影响轮毂检测的准确率。本发明提出的缺陷区域自动提取方法，直接在现有的检测图像上通过算法来自行确定ROI区域，无需人工干预，同时也不受轮型识别准确率的影响，更不需要考虑机电控制系统误差对缺陷检测的影响，可直接取代现有的解决方案，大大提高轮毂X射线检测的速度和效率。
基于本发明提供的汽车轮毂X射线图像的缺陷区域自动提取方法，本发明还提供一种汽车轮毂X射线图像的缺陷区域自动提取系统，参见图2，所述缺陷区域自动提取系统包括：
原始图像获取模块201，用于获取汽车轮毂的X射线图像；
结构元素构建模块202，用于根据所述X射线图像的高度和宽度构建结构元素；
顶帽变换模块203，用于采用所述结构元素对所述X射线图像进行顶帽变换，生成顶帽变换后图像；
顶帽重建变换模块204，用于对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像；
膨胀重建运算模块205，用于以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
二值化处理模块206，用于对所述膨胀重建后图像进行二值化处理，生成所述汽车轮毂的初步缺陷区域；
特征剔除模块207，用于对所述初步缺陷区域以面积和平均灰度为特征进行剔除，得到所述汽车轮毂的真正缺陷区域；
缺陷提取区域确定模块208，用于获取所述真正缺陷区域的最小外接矩形作为缺陷提取区域；
缺陷区域提取模块209，用于根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
其中，所述结构元素构建模块202具体包括：
边长确定单元，用于采用公式BL＝[min(W,H)×10％]确定所述结构元素的边长BL；其中W为所述X射线图像的宽度，H为所述X射线图像的高度；[]表示向上取整；
结构元素构建单元，用于构建边长为BL的矩形结构元素B。
所述顶帽变换模块203具体包括：
顶帽变换单元，用于采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像。
所述顶帽重建变换模块204具体包括：
顶帽重建变换单元，用于采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；/>表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
所述膨胀重建运算模块205具体包括：
膨胀重建运算单元，用于采用公式进行数学形态学的膨胀重建运算，生成膨胀重建后图像G(x,y)；其中/>表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
所述二值化处理模块206具体包括：
二值化处理单元，用于采用公式对所述膨胀重建后图像进行二值化处理，生成二值图像B1(x,y)；其中G(x,y)为所述膨胀重建后图像在(x,y)点处的灰度值；G0为二值化阈值；
初步缺陷区域确定单元，用于确定所述二值图像B1(x,y)中灰度值为1的白色区域为所述汽车轮毂的初步缺陷区域。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种汽车轮毂X射线图像的缺陷区域自动提取方法，其特征在于，所述缺陷区域自动提取方法包括：
获取汽车轮毂的X射线图像；
根据所述X射线图像的高度和宽度构建结构元素；所述根据所述X射线图像的高度和宽度构建结构元素，具体包括：
采用公式BL＝[min(W,H)×10％]确定所述结构元素的边长BL；其中W为所述X射线图像的宽度，H为所述X射线图像的高度；[]表示向上取整；
构建边长为BL的矩形结构元素B；
采用所述结构元素对所述X射线图像进行顶帽变换，生成顶帽变换后图像；
所述采用所述结构元素对所述X射线图像进行顶帽变换，生成顶帽变换后图像，具体包括：
采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像；
对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像；
以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
对所述膨胀重建后图像进行二值化处理，生成所述汽车轮毂的初步缺陷区域；
对所述初步缺陷区域以面积和平均灰度为特征进行剔除，得到所述汽车轮毂的真正缺陷区域；对二值图像B1(x,y)中的每个初步缺陷区域进行判断，将其中面积小于10609，且平均灰度大于250的区域进行剔除，得到真正缺陷区域组成的图像B(x,y)；
获取所述真正缺陷区域的最小外接矩形作为缺陷提取区域；对图像B(x,y)分别获取每个真正缺陷区域的最小外接矩形，做为轮毂X射线图像的全部缺陷区域，完成缺陷区域的自动提取；
根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
2.根据权利要求1所述的缺陷区域自动提取方法，其特征在于，所述对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像，具体包括：
采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；/>表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
3.根据权利要求2所述的缺陷区域自动提取方法，其特征在于，所述以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像，具体包括：
采用公式进行数学形态学的膨胀重建运算，生成膨胀重建后图像G(x,y)；其中/>表示以所述顶帽重建变换后图像fR(x,y)为标记图像，以所述顶帽变换后图像fo(x,y)为模板图像，进行数学形态学的膨胀重建运算后生成的结果；G(x,y)为膨胀重建后图像。
4.根据权利要求3所述的缺陷区域自动提取方法，其特征在于，所述对所述膨胀重建后图像进行二值化处理，生成所述汽车轮毂的初步缺陷区域，具体包括：
采用公式对所述膨胀重建后图像进行二值化处理，生成二值图像B1(x,y)；其中G(x,y)为所述膨胀重建后图像在(x,y)点处的灰度值；G0为二值化阈值；
确定所述二值图像B1(x,y)中灰度值为1的白色区域为所述汽车轮毂的初步缺陷区域。
5.一种汽车轮毂X射线图像的缺陷区域自动提取系统，其特征在于，所述缺陷区域自动提取系统包括：
原始图像获取模块，用于获取汽车轮毂的X射线图像；
结构元素构建模块，用于根据所述X射线图像的高度和宽度构建结构元素；
所述结构元素构建模块具体包括：
边长确定单元，用于采用公式BL＝[min(W,H)×10％]确定所述结构元素的边长BL；其中W为所述X射线图像的宽度，H为所述X射线图像的高度；[]表示向上取整；
结构元素构建单元，用于构建边长为BL的矩形结构元素B；
顶帽变换模块，用于采用所述结构元素对所述X射线图像进行顶帽变换，生成顶帽变换后图像；
所述顶帽变换模块具体包括：
顶帽变换单元，用于采用公式fo(x,y)＝[WHT(f)](x,y)＝f(x,y)-[γB(f)](x,y)对所述X射线图像f(x,y)进行顶帽变换，生成顶帽变换后图像fo(x,y)；其中[γB(f)](x,y)＝δ-B[εB(f)](x,y)；B为所述结构元素；-B为所述结构元素B以原点为中心、旋转180°后形成新的结构元素；[εB(f)](x,y)表示采用结构元素B对所述X射线图像f(x,y)进行腐蚀运算后的结果；δ-B[εB(f)](x,y)表示采用新的结构元素-B对所述腐蚀运算后的结果[εB(f)](x,y)进行膨胀运算后的结果；[γB(f)](x,y)为所述X射线图像f(x,y)的开运算图像；[WHT(f)](x,y)为采用所述结构元素B对所述X射线图像f(x,y)进行顶帽变换后的结果；fo(x,y)为顶帽变换后图像；
顶帽重建变换模块，用于对所述X射线图像进行顶帽重建变换，生成顶帽重建变换后图像；
膨胀重建运算模块，用于以所述顶帽重建变换后图像为标记图像，以所述顶帽变换后图像为模板图像进行数学形态学的膨胀重建运算，生成膨胀重建后图像；
二值化处理模块，用于对所述膨胀重建后图像进行二值化处理，生成所述汽车轮毂的初步缺陷区域；
特征剔除模块，用于对所述初步缺陷区域以面积和平均灰度为特征进行剔除，得到所述汽车轮毂的真正缺陷区域；对二值图像B1(x,y)中的每个初步缺陷区域进行判断，将其中面积小于10609，且平均灰度大于250的区域进行剔除，得到真正缺陷区域组成的图像B(x,y)；
缺陷提取区域确定模块，用于获取所述真正缺陷区域的最小外接矩形作为缺陷提取区域；对图像B(x,y)分别获取每个真正缺陷区域的最小外接矩形，做为轮毂X射线图像的全部缺陷区域，完成缺陷区域的自动提取；
缺陷区域提取模块，用于根据所述缺陷提取区域从所述X射线图像中提取出所述汽车轮毂的缺陷区域。
6.根据权利要求5所述的缺陷区域自动提取系统，其特征在于，所述顶帽重建变换模块具体包括：
顶帽重建变换单元，用于采用公式fR(x,y)＝[RWHT(f)](x,y)＝f(x,y)-[γR(f)](x,y)对所述X射线图像f(x,y)进行顶帽重建变换，生成顶帽重建变换后图像fR(x,y)；其中[ε(f)](x,y)表示对所述X射线图像f(x,y)进行腐蚀运算后的结果；/>表示将所述腐蚀运算后的结果[ε(f)](x,y)作为标记图像，将所述X射线图像f(x,y)作为模板图像进行形态学膨胀重建后的结果；[γR(f)](x,y)为所述X射线图像f(x,y)的开重建运算图像；[RWHT(f)](x,y)为对所述X射线图像f(x,y)进行顶帽重建变换后的结果；fR(x,y)为顶帽重建变换后图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911075637.6A CN112288680B (zh) | 2019-11-06 | 2019-11-06 | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911075637.6A CN112288680B (zh) | 2019-11-06 | 2019-11-06 | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112288680A CN112288680A (zh) | 2021-01-29 |
| CN112288680B true CN112288680B (zh) | 2024-03-29 |
Family
ID=74419377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911075637.6A Active CN112288680B (zh) | 2019-11-06 | 2019-11-06 | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288680B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004837B (zh) * | 2022-01-04 | 2022-03-04 | 深圳精智达技术股份有限公司 | 一种盖板玻璃模块异物的检测方法及相关装置 |
| CN116205923B (zh) * | 2023-05-06 | 2023-07-14 | 威海锐鑫丰金属科技有限公司 | 基于x-ray的汽车轮毂内部缺陷无损检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654495A (zh) * | 2016-01-07 | 2016-06-08 | 太原工业学院 | 汽车刹车盘内部缺陷的检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2975523B1 (fr) * | 2011-05-19 | 2015-09-25 | Michelin Soc Tech | Methode de determination des elements en relief presents sur la surface d'un pneumatique |
-
2019
- 2019-11-06 CN CN201911075637.6A patent/CN112288680B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654495A (zh) * | 2016-01-07 | 2016-06-08 | 太原工业学院 | 汽车刹车盘内部缺陷的检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 低压铸造铝合金轮毂内部缺陷的X射线检测;楼国红;张俊生;郭晋秦;;热加工工艺;20180727(第14期);全文 * |
| 汽车轮毂内部缺陷的自动分割;张俊生;《科学技术与工程》;第268-270页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112288680A (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
| CN114723681B (zh) | 一种基于机器视觉的混凝土裂缝缺陷检测方法 | |
| CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
| CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
| CN107490582B (zh) | 一种流水线工件检测系统 | |
| CN112288680B (zh) | 汽车轮毂x射线图像的缺陷区域自动提取方法及系统 | |
| 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 | |
| CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
| CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
| CN115880248B (zh) | 一种表面划痕缺陷识别方法及视觉检测设备 | |
| CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
| CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
| CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
| CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
| CN112288679B (zh) | 汽车轮毂x射线图像的缺陷区域交互式提取方法及系统 | |
| CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及系统 | |
| CN109919942B (zh) | 基于高精度降噪理论的桥梁裂缝智能化检测方法 | |
| CN112287933B (zh) | 一种汽车轮毂x射线图像文字干扰的去除方法及系统 | |
| 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 | |
| CN116309307A (zh) | 焊缝缺陷检测方法、装置、可读存储介质及电子设备 | |
| CN113313690B (zh) | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 | |
| CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
| CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及系统 |
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 |