CN112330628A - 一种金属工件表面缺陷图像检测方法 - Google Patents
一种金属工件表面缺陷图像检测方法 Download PDFInfo
- Publication number
- CN112330628A CN112330628A CN202011213608.4A CN202011213608A CN112330628A CN 112330628 A CN112330628 A CN 112330628A CN 202011213608 A CN202011213608 A CN 202011213608A CN 112330628 A CN112330628 A CN 112330628A
- Authority
- CN
- China
- Prior art keywords
- image
- metal workpiece
- formula
- pixel
- workpiece
- 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.)
- Withdrawn
Links
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 53
- 239000002184 metal Substances 0.000 title claims abstract description 52
- 230000007547 defect Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005286 illumination Methods 0.000 claims abstract description 25
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 239000002245 particle Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011179 visual inspection Methods 0.000 abstract description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G06T5/70—
-
- G06T5/90—
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10024—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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
-
- 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
本发明公开了一种金属工件表面缺陷图像检测方法。首先,通过专业成像设备采集金属工件表面图像,然后对采集到的图像进行图像前期预处理,包括,光照不均图像灰度校正、图像滤波、图像阈值分割等步骤;进一步地对预处理后的图像进行特征提取与分析,引入亚像素边缘检测算法对金属工件进行边缘检测;最后采用灰度共生矩阵算法,将模板图像与测量图像进行模板匹配,从而对金属工件表面进行缺陷检测。本发明提供的金属工件表面缺陷图像检测方法,将基于机器视觉的自动化检测技术替代传统的人工目测,提升了生产效率,减低人工成本,且采用亚像素边缘检测算法提高了金属工件缺陷检测精度,优化生产品质。
Description
技术领域
本发明涉及一种金属工件表面缺陷图像检测方法,属于金属表面缺陷检测领域。
背景技术
工件表面缺陷检测是制造业在生产进程中稳定加工产品质量,提高加工生产效率的一个关键环节。在现代科学技术进步和经济增长的大环境下,整个制造行业的生产水平得到进一步提高,市场对产品质量提出了更高的要求。目前,对于加工过程中生产的各类工件,机床振动、刀具磨损、切屑与工件表面碰撞以及工件自身材质不均匀等问题,都可能导致工件表面出现划痕、烧伤、麻坑等各类缺陷,影响工件在后续工作中的稳定性与安全性。
传统的工件表面缺陷识别采用人工检测方法,即由工人对加工生产的产品进行抽样检测,以此确定所生产加工产品的总体质量。然而人工检测方法容易受到检测工人的主观性影响,难以对大批量生产加工产品的质量进行准确判断,同时检测效率底下,无法满足现代工业生产加工的相应需求。
发明内容
发明目的:针对上述状况,提出一种金属工件表面缺陷图像检测方法,将机器视觉检测技术应用于金属工件表面缺陷检测,提高生产质量和工业生产效率,降低人工劳动成本。
技术方案:一种金属工件表面缺陷图像检测方法,包括如下步骤:
步骤1:通过专业成像设备采集需要检测的金属工件表面图像;
步骤2:对采集到的金属工件图像进行前期预处理操作;
步骤3:对预处理后的工件图像进行特征提取与分析,采用亚像素边缘检测算法对金属工件进行边缘检测;
步骤4:采用灰度共生矩阵算法,将模板图像与测量图像进行模板匹配,检测金属工件表面缺陷。
进一步的,所述的步骤2中的对采集到的金属工件图像进行前期预处理操作包含以下步骤:
步骤2.1:光照不均图像灰度校正:首先将图像从RGB通道变换到HSV色彩空间,利用式(1),通过基于多尺度高斯函数方法估计图像中的光照分量L(x,y,k):
利用不同尺度的高斯函数分别提取出光照分量再进行加权估计,最终得到光照分量如式(2)所示:
式中ωi代表第i个尺度高斯函数提取出的光照分量的权重参数;
提取出图像的光照分量后,根据其分布特性对二维伽马函数的参数进行自适应调整,如式(3)所示:
式中M(x,y)为校正后图像的亮度值;γ为用于亮度增强的参数;m为一个图像中光照分量的均值;
图像亮度值进行修正后,重新和色调、饱和度合成彩色图像,并进行RGB变换,得到金属工件光照不均校正后的图像;为更好的反映图像的像素分布特征,同时减少图像识别计算量,采取加权平均法进行图像灰度化处理,如式(4)所示:
I(x,y)=0.3·IR(x,y)+0.59·IG(x,y)+0.11·IB(x,y) (4)
式中IR(x,y),IG(x,y),IB(x,y)代表彩色图像中像素三通道的值,选择的加权参数是被广泛使用的标准化参数;
步骤2.2:图像滤波:采用双边滤波算法对图像进行综合去噪处理,将原图中的每个像素通过周围像素值的加权平均计算来替换原值,如式(5)所示:
式中权重系数w(i,j,h,l)是定义域核和值域核的乘积;
步骤2.3:阈值分割:采用粒子群算法对图像进行阈值分割,基本算法如式(6)所示:
Vid(t+1)=g·Vid(t)+c1·rand()·[pid(t)-xid(t)]+c2·rand()·[pgd(t)-xid(t)] (6)
式中:Vid为第id个粒子的速度,c1、c2为学习参数;rand()为[0,1]之间的随机数;g为惯性因子;pid(t)为第t个粒子搜索到的最有值;xid(t)为第t个粒子的当前位置;pgd(t)代表整个集群搜索到的最优值。
进一步的,所述的步骤3中亚像素边缘检测算法具体为:采用高斯-拉普拉斯算子,首先使用高斯滤波函数h与输入图像进行卷积运算,得到去噪后的图像G,然后对图像G进行拉普拉斯变换,最后选取经过拉普拉斯变换后得到的图像中的过零点作为最终的边缘点;其中高斯滤波函数的表达式为:
式中σ为平滑刻度。
进一步的,所述的步骤4中金属工件表面缺陷检测方法具体为:
先将金属工件的边缘检测后的图像分成尺寸相等的小像素块;然后选取一个合格的分块作为模板块,将其它诸多像素子块与选取的模板块进行作差,并对作差运算结果图像进行灰度矩特征计算;接下来对选取的四种特征灰度矩阵特征值求取极差,其中四种特征灰度矩阵特征值具体为熵ENT、相关度COR、对比度CON、二阶矩ASM;并设置合理的阈值,若差值大于其设定的阈值,则判断该图像为疑似表面缺陷图像;综合四种灰度共生矩阵特征的判断结果,若其中任一特征被判断为疑似缺陷图像,则认定该图像为缺陷图像,并作出标记,以防漏检;当输入的金属工件图像差值小于所设定的阈值,则可判断此时的金属工件为合格品,可结束该工件的检测流程,判断下一张工件图像。
有益效果:本发明为一种金属工件表面缺陷图像检测方法,运用现代机器视觉检测技术替代传统的人工目测和传统的机器检测,提升了生产效率,减低人工成本,且采用亚像素边缘检测算法提高金属工件缺陷检测精度,优化生产品质,促进了工业中金属元件的视觉自动化检测技术的发展。
附图说明
图1为本发明的金属工件表面缺陷图像检测方法流程图;
图2为本发明提供的金属工件表面缺陷图像检测方法缺陷检测部分流程图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
一种金属工件表面缺陷图像检测方法流程图如图1所示,包括如下步骤:
步骤1:通过专业成像设备采集需要检测的金属工件表面图像;
步骤2:对采集到的金属工件图像进行前期预处理操作;具体的对采集到的金属工件图像进行前期预处理操作包含以下步骤:
步骤2.1:光照不均图像灰度校正:首先将图像从RGB通道变换到HSV色彩空间,利用式(1),通过基于多尺度高斯函数方法估计图像中的光照分量L(x,y,k):
利用不同尺度的高斯函数分别提取出光照分量再进行加权估计,最终得到光照分量如式(2)所示:
式中ωi代表第i个尺度高斯函数提取出的光照分量的权重参数。
提取出图像的光照分量后,根据其分布特性对二维伽马函数的参数进行自适应调整,如式(3)所示:
式中M(x,y)为校正后图像的亮度值;γ为用于亮度增强的参数;m为一个图像中光照分量的均值。
图像亮度值进行修正后,重新和色调、饱和度合成彩色图像,并进行RGB变换,得到金属工件光照不均校正后的图像。为更好的反映图像的像素分布特征,同时减少图像识别计算量,采取加权平均法进行图像灰度化处理,如式(4)所示:
I(x,y)=0.3·IR(x,y)+0.59·IG(x,y)+0.11·IB(x,y) (4)
式中IR(x,y),IG(x,y),IB(x,y)代表彩色图像中像素三通道的值,选择的加权参数是被广泛使用的标准化参数。
步骤2.2:对图像进行滤波:具体的:采用双边滤波算法对图像进行综合去噪处理,将原图中的每个像素通过周围像素值的加权平均计算来替换原值,如式(5)所示:
式中权重系数w(i,j,h,l)是定义域核和值域核的乘积。
步骤2.2:对图像进行阈值分割:具体的:采用粒子群算法对图像进行阈值分割,基本算法如式(6)所示:
Vid(t+1)=g·Vid(t)+c1·rand()·[pid(t)-xid(t)]+c2·rand()·[pgd(t)-xid(t)] (6)
式中:Vid为第id个粒子的速度,c1、c2为学习参数;rand()为[0,1]之间的随机数;g为惯性因子;pid(t)为第t个粒子搜索到的最有值;xid(t)为第t个粒子的当前位置;pgd(t)代表整个集群搜索到的最优值。
步骤3:对预处理后的工件图像进行特征提取与分析,采用亚像素边缘检测算法对金属工件进行边缘检测;所述亚像素边缘检测算法具体的:采用高斯-拉普拉斯算子,首先使用高斯滤波函数与输入图像进行卷积运算,得到去噪后的图像G,然后对图像G进行拉普拉斯变换,最后选取经过拉普拉斯变换后得到的图像中的过零点作为最终的边缘点。其中高斯滤波函数的表达式为:
式中σ为平滑刻度。
步骤4:采用灰度共生矩阵算法,将模板图像与测量图像进行模板匹配,检测金属工件表面缺陷;具体的:先将金属工件的边缘检测后的图像分成尺寸相等的小像素块。然后选取一个合格的分块作为模板块,将其它诸多像素子块与选取的模板块进行作差,并对作差运算结果图像进行灰度矩特征计算。接下来对选取的四种特征灰度矩阵特征值(熵ENT、相关度COR、对比度CON、二阶矩ASM)求取极差,并设置合理的阈值,若差值大于其设定的阈值,则判断该图像为疑似表面缺陷图像。综合四种灰度共生矩阵特征的判断结果,若其中任一特征被判断为疑似缺陷图像,则认定该图像为缺陷图像,并作出标记,以防漏检。当输入的金属工件图像差值小于所设定的阈值,则可判断此时的金属工件为合格品,可结束该工件的检测流程,判断下一张工件图像。
图2为本发明提供的金属工件表面缺陷图像检测方法缺陷检测部分流程图。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种金属工件表面缺陷图像检测方法,其特征在于,包括如下步骤:
步骤1:通过专业成像设备采集需要检测的金属工件表面图像;
步骤2:对采集到的金属工件图像进行前期预处理操作;
步骤3:对预处理后的工件图像进行特征提取与分析,采用亚像素边缘检测算法对金属工件进行边缘检测;
步骤4:采用灰度共生矩阵算法,将模板图像与测量图像进行模板匹配,检测金属工件表面缺陷。
2.根据权利要1所述的金属工件表面缺陷图像检测方法,其特征在于,所述的步骤2中的对采集到的金属工件图像进行前期预处理操作包含以下步骤:
步骤2.1:光照不均图像灰度校正:首先将图像从RGB通道变换到HSV色彩空间,利用式(1),通过基于多尺度高斯函数方法估计图像中的光照分量L(x,y,k):
利用不同尺度的高斯函数分别提取出光照分量再进行加权估计,最终得到光照分量如式(2)所示:
式中ωi代表第i个尺度高斯函数提取出的光照分量的权重参数;
提取出图像的光照分量后,根据其分布特性对二维伽马函数的参数进行自适应调整,如式(3)所示:
式中M(x,y)为校正后图像的亮度值;γ为用于亮度增强的参数;m为一个图像中光照分量的均值;
图像亮度值进行修正后,重新和色调、饱和度合成彩色图像,并进行RGB变换,得到金属工件光照不均校正后的图像;为更好的反映图像的像素分布特征,同时减少图像识别计算量,采取加权平均法进行图像灰度化处理,如式(4)所示:
I(x,y)=0.3·IR(x,y)+0.59·IG(x,y)+0.11·IB(x,y) (4)
式中IR(x,y),IG(x,y),IB(x,y)代表彩色图像中像素三通道的值,选择的加权参数是被广泛使用的标准化参数;
步骤2.2:图像滤波:采用双边滤波算法对图像进行综合去噪处理,将原图中的每个像素通过周围像素值的加权平均计算来替换原值,如式(5)所示:
式中权重系数w(i,j,h,l)是定义域核和值域核的乘积;
步骤2.3:阈值分割:采用粒子群算法对图像进行阈值分割,基本算法如式(6)所示:
Vid(t+1)=g·Vid(t)+c1·rand()·[pid(t)-xid(t)]+c2·rand()·[pgd(t)-xid(t)] (6)
式中:Vid为第id个粒子的速度,c1、c2为学习参数;rand()为[0,1]之间的随机数;g为惯性因子;pid(t)为第t个粒子搜索到的最有值;xid(t)为第t个粒子的当前位置;pgd(t)代表整个集群搜索到的最优值。
4.根据权利要1所述的金属工件表面缺陷图像检测方法,其特征在于,所述的步骤4中金属工件表面缺陷检测方法具体为:
先将金属工件的边缘检测后的图像分成尺寸相等的小像素块;然后选取一个合格的分块作为模板块,将其它诸多像素子块与选取的模板块进行作差,并对作差运算结果图像进行灰度矩特征计算;接下来对选取的四种特征灰度矩阵特征值求取极差,其中四种特征灰度矩阵特征值具体为熵ENT、相关度COR、对比度CON、二阶矩ASM;并设置合理的阈值,若差值大于其设定的阈值,则判断该图像为疑似表面缺陷图像;综合四种灰度共生矩阵特征的判断结果,若其中任一特征被判断为疑似缺陷图像,则认定该图像为缺陷图像,并作出标记,以防漏检;当输入的金属工件图像差值小于所设定的阈值,则可判断此时的金属工件为合格品,可结束该工件的检测流程,判断下一张工件图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011213608.4A CN112330628A (zh) | 2020-11-03 | 2020-11-03 | 一种金属工件表面缺陷图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011213608.4A CN112330628A (zh) | 2020-11-03 | 2020-11-03 | 一种金属工件表面缺陷图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330628A true CN112330628A (zh) | 2021-02-05 |
Family
ID=74323531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011213608.4A Withdrawn CN112330628A (zh) | 2020-11-03 | 2020-11-03 | 一种金属工件表面缺陷图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330628A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113020428A (zh) * | 2021-03-24 | 2021-06-25 | 北京理工大学 | 级进模的加工监控方法、装置、设备及存储介质 |
CN113249949A (zh) * | 2021-05-27 | 2021-08-13 | 孔华 | 用于自动化弹棉结构的出棉质量判断系统及方法 |
CN113358659A (zh) * | 2021-04-25 | 2021-09-07 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113470056A (zh) * | 2021-09-06 | 2021-10-01 | 成都新西旺自动化科技有限公司 | 一种基于高斯模型卷积的亚像素边缘点检测方法 |
CN113610870A (zh) * | 2021-08-11 | 2021-11-05 | 华东理工大学 | 监测液体液面高度变化、气泡或固体运动的方法及装置 |
CN113744263A (zh) * | 2021-09-17 | 2021-12-03 | 景德镇陶瓷大学 | 一种小尺寸马赛克陶瓷表面缺陷快速检测的方法 |
CN114324168A (zh) * | 2022-01-04 | 2022-04-12 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法及系统 |
CN115830021A (zh) * | 2023-02-15 | 2023-03-21 | 东莞市新通电子设备有限公司 | 一种用于五金件加工的金属表面缺陷检测方法 |
CN116342606A (zh) * | 2023-05-30 | 2023-06-27 | 中色创新研究院(天津)有限公司 | 一种基于铜合金加工成品的缺陷追溯分析方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
-
2020
- 2020-11-03 CN CN202011213608.4A patent/CN112330628A/zh not_active Withdrawn
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113020428A (zh) * | 2021-03-24 | 2021-06-25 | 北京理工大学 | 级进模的加工监控方法、装置、设备及存储介质 |
CN113358659B (zh) * | 2021-04-25 | 2022-07-19 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113358659A (zh) * | 2021-04-25 | 2021-09-07 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113249949A (zh) * | 2021-05-27 | 2021-08-13 | 孔华 | 用于自动化弹棉结构的出棉质量判断系统及方法 |
CN113249949B (zh) * | 2021-05-27 | 2023-05-05 | 孔华 | 用于自动化弹棉结构的出棉质量判断系统及方法 |
CN113610870A (zh) * | 2021-08-11 | 2021-11-05 | 华东理工大学 | 监测液体液面高度变化、气泡或固体运动的方法及装置 |
CN113470056A (zh) * | 2021-09-06 | 2021-10-01 | 成都新西旺自动化科技有限公司 | 一种基于高斯模型卷积的亚像素边缘点检测方法 |
CN113744263A (zh) * | 2021-09-17 | 2021-12-03 | 景德镇陶瓷大学 | 一种小尺寸马赛克陶瓷表面缺陷快速检测的方法 |
CN113744263B (zh) * | 2021-09-17 | 2023-10-27 | 景德镇陶瓷大学 | 一种小尺寸马赛克陶瓷表面缺陷快速检测的方法 |
CN114324168A (zh) * | 2022-01-04 | 2022-04-12 | 广东奥普特科技股份有限公司 | 一种表面缺陷检测方法及系统 |
CN115830021A (zh) * | 2023-02-15 | 2023-03-21 | 东莞市新通电子设备有限公司 | 一种用于五金件加工的金属表面缺陷检测方法 |
CN116342606A (zh) * | 2023-05-30 | 2023-06-27 | 中色创新研究院(天津)有限公司 | 一种基于铜合金加工成品的缺陷追溯分析方法 |
CN116342606B (zh) * | 2023-05-30 | 2023-10-17 | 中色创新研究院(天津)有限公司 | 一种基于铜合金加工成品的缺陷追溯分析方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116385448B (zh) * | 2023-06-07 | 2023-08-25 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN106650770B (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
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 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN113793337B (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
CN115078365A (zh) | 一种软包装印刷质量缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN110728286B (zh) | 一种基于火花图像的砂带磨削材料去除率识别方法 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN114092682A (zh) | 基于机器学习的小金具类缺陷检测算法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN110899147B (zh) | 一种基于激光扫描的传输带石头在线分拣方法 | |
CN115511884B (zh) | 基于计算机视觉的冲孔复合模表面质量检测方法 | |
CN107886530A (zh) | 一种改进的基于sift特征的图像配准算法 | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
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 | |
CN109949292B (zh) | 一种带钢表面缺陷的检测方法及装置 | |
CN111539951A (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210205 |