CN113008897B - 一种陶瓷催化剂载体缺陷检测方法、装置及设备 - Google Patents

一种陶瓷催化剂载体缺陷检测方法、装置及设备 Download PDF

Info

Publication number
CN113008897B
CN113008897B CN202110209619.3A CN202110209619A CN113008897B CN 113008897 B CN113008897 B CN 113008897B CN 202110209619 A CN202110209619 A CN 202110209619A CN 113008897 B CN113008897 B CN 113008897B
Authority
CN
China
Prior art keywords
mesh
connected domain
image
target carrier
judging
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
Application number
CN202110209619.3A
Other languages
English (en)
Other versions
CN113008897A (zh
Inventor
李红兵
丁豪
秦可勇
高晖
张�浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Ares Intelligent Equipment Co ltd
Original Assignee
Jiangsu Ares Intelligent Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Ares Intelligent Equipment Co ltd filed Critical Jiangsu Ares Intelligent Equipment Co ltd
Priority to CN202110209619.3A priority Critical patent/CN113008897B/zh
Publication of CN113008897A publication Critical patent/CN113008897A/zh
Application granted granted Critical
Publication of CN113008897B publication Critical patent/CN113008897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Catalysts (AREA)

Abstract

本发明实施例公开了一种陶瓷催化剂载体缺陷检测方法、装置及设备。该检测方法包括：通过利用机器视觉获取载体端面图像，基于载体端面图像确定目标载体图像，并确定目标载体图像的轮廓，并基于所述目标载体图像的轮廓计算所述目标载体的网孔边长；然后根据目标载体的网孔边长，建立目标载体的单个网孔的连通域类型的判断模型，并根据单个网孔的连通域类型的判断模型判断目标载体中每个网孔的连通域类型，并将判断结果生成映射表；最后根据映射表，分别判断封闭型连通域的网孔和非封闭型连通域的网孔的缺陷类型，实现了陶瓷催化剂载体缺陷的自动化检测，提高检测效率和稳定性，降低人工成本，有利于提高陶瓷催化剂载体的生产效率以及产品质量。

Description

一种陶瓷催化剂载体缺陷检测方法、装置及设备
技术领域
本发明实施例涉及蜂窝载体检测技术领域，尤其涉及一种陶瓷催化剂载体缺陷检测方法、装置及设备。
背景技术
随着汽车尾气污染的日益严重，我国近年来也开始重视汽车尾气的排放问题。陶瓷催化剂载体是汽车尾气净化装置中的核心部件，用于吸附尾气净化催化剂以净化汽车尾气。催化剂载体能使制成的净化催化剂具有合适的形状、尺寸和机械强度，以符合工业反应器的操作要求。陶瓷催化剂载体可使活性组分分散在其表面上，获得较高的比表面积，提高单位质量活性组分的催化效率。
但是，目前的陶瓷催化剂载体生产商主要通过人工目视检测的方式来识别载体的缺陷。该缺陷检测方法成本高、效率低、稳定性差，容易受到检测人员主观性的影响。
发明内容
本发明提供一种陶瓷催化剂载体缺陷检测方法、装置及设备，以实现陶瓷催化剂载体缺陷的自动化检测，提高检测效率和稳定性，降低人工成本，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
第一方面，本发明实施例提供了一种陶瓷催化剂载体缺陷检测方法，该陶瓷催化剂载体缺陷检测方法包括：
获取载体端面图像，基于所述载体端面图像确定目标载体图像，并确定所述目标载体图像的轮廓，并基于所述目标载体图像的轮廓计算所述目标载体的网孔边长；
根据所述目标载体的网孔边长，建立所述目标载体的单个网孔的连通域类型的判断模型；其中，所述单个网孔的连通域类型包括封闭型连通域和非封闭型连通域；
根据所述单个网孔的连通域类型的判断模型判断所述目标载体中每个网孔的连通域类型，并将判断结果生成映射表；
根据所述映射表，分别判断所述封闭型连通域的网孔和所述非封闭型连通域的网孔的缺陷类型。
可选地，所述确定所述目标载体图像的轮廓，包括：
对所述目标载体图像进行高斯滤波和二值化处理；
根据处理后的目标载体图像中的所有轮廓选择最大的轮廓点集；
根据所述最大的轮廓点集得到所述目标载体图像的轮廓。
可选地，所述根据所述目标载体的网孔边长，建立所述目标载体的单个网孔的连通域类型的判断模型，包括：
以预估的网孔中心点为基准，从所述目标载体图像中截取边长为所述目标载体网孔边长的整数倍的正方形子图像；
计算所述正方形子图像的边长，并与预设网孔边长进行比较；
当所述正方形子图像的边长满足所述预设网孔边长时，则判断所述正方形子图像为封闭型连通域；
当所述正方形子图像的边长超过所述预设网孔边长整数倍时，则判断所述正方形子图像为非封闭型连通域。
可选地，还包括：基于所述目标载体图像的轮廓计算所述目标载体的内部孔径；
当所述正方形子图像的边长满足所述预设网孔边长时，所述正方形子图像的边长为所述目标载体的内部孔径。
可选地，所述根据所述单个网孔的连通域类型的判断模型判断所述目标载体中每个网孔的连通域类型，包括：
以第一个封闭型连通域的中心点为起始中心点，从所述目标载体图像中截取边长为所述目标载体网孔边长的整数倍的正方形子图像；
根据所述单个网孔的连通域类型的判断模型，判断所述正方形子图像的连通域类型，并将判断结果进行记录；
若判断结果为封闭型连通域网孔，则根据封闭型连通域网孔的宽和高对预估的中心点位置进行修正，并以修正后的中心点位置为基准，按照截取正方形子图像的步骤和正方形子图像连通域类型判断步骤，继续判断所述封闭型连通域网孔周围相邻8个网孔的连通域类型，形成遍历；
若判断结果为非封闭型连通域网孔，当非封闭型连通域网孔的中心点的值为零时，则所述非封闭型连通域网孔的缺陷类型为堵孔。
可选地，所述根据所述映射表，判断所述封闭型连通域的网孔的缺陷类型，包括：
扫描所述映射表中标记为封闭型连通域的网孔，分别计算当前网孔与其上、下、左、右相邻的网孔的相邻边的壁厚，并分别计算各个壁厚与目标载体的平均壁厚差值；
判断各个差值是否超过预设差值，若存在任意一个差值超过所述预设差值，则所述当前网孔的缺陷类型为扭曲孔；
分别计算所述当前网孔与其上、下、左、右相邻的网孔的相邻孔壁的最大偏移量；
判断各个最大偏移量是否超过预设偏移量，若存在任意一个最大偏移量超过所述预设偏移量，则所述当前网孔的缺陷类型为倾斜弯曲孔；否则，所述当前网孔为正常孔。
可选地，所述目标载体的平均壁厚为所述目标载体的内部孔径与所述目标载体的网孔边长的差值。
可选地，所述根据所述映射表，判断所述非封闭型连通域的网孔的缺陷类型，包括：
扫描所述映射表中标记为非封闭型连通域的网孔，以当前非封闭型连通域的网孔为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第一数量；
若存在非堵孔，则以所述非堵孔为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第二数量；
以所述第一数量和所述第二数量中的最大者作为最大相邻非堵孔数量，若所述最大相邻非堵孔数量大于预设非堵孔数量，则所述当前非封闭型连通域的网孔的缺陷类型为断裂孔；否则，为裂纹孔。
第二方面，本发明实施例还提供了一种陶瓷催化剂载体缺陷检测装置，该陶瓷催化剂载体缺陷检测装置包括：
获取模块，用于获取载体端面图像；
确定模块，用于基于所述载体端面图像确定目标载体图像，以及确定所述目标载体图像的轮廓；
计算模块，用于基于所述目标载体图像的轮廓计算所述目标载体的网孔边长和内部孔径；
模型建立模块，用于根据所述目标载体的网孔边长，建立所述目标载体的单个网孔的连通域类型的判断模型；其中，所述单个网孔的连通域类型包括封闭型连通域和非封闭型连通域；
判断模块，用于根据所述单个网孔的连通域类型的判断模型判断所述目标载体中每个网孔的连通域类型，并将判断结果生成映射表；根据所述映射表，分别判断所述封闭型连通域的网孔和所述非封闭型连通域的网孔的缺陷类型。
第三方面，本发明实施例还提供了一种缺陷检测设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的陶瓷催化剂载体缺陷检测方法。
本发明实施例提供的一种陶瓷催化剂载体缺陷检测方法，通过利用机器视觉获取载体端面图像，基于载体端面图像确定目标载体图像，并确定目标载体图像的轮廓，并基于所述目标载体图像的轮廓计算所述目标载体的网孔边长；然后根据目标载体的网孔边长，建立目标载体的单个网孔的连通域类型的判断模型，并根据单个网孔的连通域类型的判断模型判断目标载体中每个网孔的连通域类型，并将判断结果生成映射表；最后根据映射表，分别判断封闭型连通域的网孔和非封闭型连通域的网孔的缺陷类型，实现了陶瓷催化剂载体缺陷的自动化检测，提高检测效率和稳定性，降低人工成本，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
附图说明
图1是本发明实施例中的一种陶瓷催化剂载体缺陷检测方法的流程图；
图2是本发明实施例中的基于载体端面图像确定目标载体图像的流程图；
图3是本发明实施例中的一种载体端面图像的结构示意图；
图4是本发明实施例中的一种载体端面图像旋转矫正前的结构示意图；
图5是本发明实施例中的一种载体端面图像旋转矫正后的结构示意图；
图6是本发明实施例中的一种目标载体图像的结构示意图；
图7是本发明实施例中的网孔的连通域类型结构示意图；
图8是本发明实施例中的目标载体图像的轮廓的确定方法的流程图；
图9是本发明实施例中的目标载体的单个网孔的连通域类型的判断模型的建立方法的流程图；
图10是本发明实施例中的目标载体中每个网孔的连通域类型的判断方法的流程图；
图11是本发明实施例中的封闭型连通域的网孔的缺陷类型的判断方法的流程图；
图12是本发明实施例中的非封闭型连通域的网孔的缺陷类型的判断方法的流程图；
图13是本发明实施例中的一种陶瓷催化剂载体缺陷检测装置的结构框图；
图14是本发明实施例中的一种缺陷检测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例中提供的一种陶瓷催化剂载体缺陷检测方法的流程图，图2是本发明实施例中提供的基于载体端面图像确定目标载体图像的流程图。本实施例可适用于陶瓷催化剂载体缺陷检测方法的实现过程，该方法可以由本发明实施例提供的陶瓷催化剂载体缺陷检测装置来执行，参考图1，具体包括如下步骤：
步骤110、获取载体端面图像，基于载体端面图像确定目标载体图像，并确定目标载体图像的轮廓，并基于目标载体图像的轮廓计算目标载体的网孔边长。
具体的，可通过工业照相机，例如CCD(Charge Coupled Device，电荷耦合器件)相机对陶瓷催化剂载体进行拍照获取载体端面图像，然后根据载体端面图像可确定目标载体图像。
其中，参考图2，基于载体端面图像确定目标载体图像的具体方法可以包括如下步骤：
步骤111、载体所在目标区域的确定；
可选地，图3是本发明实施例中提供的一种载体端面图像的结构示意图。通常，载体在载体端面图像(即原始采集图像)的其中某一部分区域，可根据载体的轮廓与背景色的差异，例如图3中的带阴影的区域A0，其背景色通常为黑色，载体轮廓通常为白色，由此可通过区分载体与背景的颜色将目标载体从整张图像中截取下来，并将目标载体区域信息记为载体区域rect1，载体中心点记为cpt1。
步骤112、载体网格倾斜角的确定；
可选地，图4是本发明实施例中提供的一种载体端面图像旋转矫正前的结构示意图。通常，载体端面图像中载体网格都是倾斜的，例如，图4中载体网格线不是处于水平和垂直的，因此，需要先计算出载体网格的倾斜角，并按照计算出的倾斜角将其旋转至网格线为水平和垂直的状态。其中，载体网格的倾斜角即旋转角度。具体的，从载体区域rect1的中间部分(通过限制取值范围，保证不会截取到载体的边缘)取一块边长为最大网格边长2倍的正方形子图像B，对其做霍夫直线检测，并通过筛选排除干扰角度，即可获取所需的旋转角度。其中，旋转角度包括顺时针和逆时针，取其一即可。其中，最大网格边长可以根据实际情况进行设定，在此不做具体的限定。
此外，为了提高算法的可靠性以及计算精度，可以从载体端面图像的多个不同位置处分别截取子图像，并按照上述方法求出旋转角度，最后通过投票的方式确定最终的旋转角度，即哪个数值的旋转角度出现的次数最多，则确定该旋转角度为对应的出现次数最多的数值。例如，对旋转角度一共进行了五次计算，第一次计算的旋转角度为10度，第二次为11度，第三次为15度，第四次为9度，第五次为15度，则可确定最终的旋转角度为10度。
步骤113、目标载体图像的旋转和截取。
可选地，图5是本发明实施例中提供的一种载体端面图像旋转矫正后的结构示意图，图6是本发明实施例中提供的一种目标载体图像的结构示意图。具体的，根据上述的载体区域cpt1和载体网格倾斜角，可以对原始图像(即载体端面图像)进行旋转，使得目标载体的网格边框处于水平和垂直位置。对旋转后的图像重新计算载体目标区域，可得载体区域rect2，载体中心cpt2。在旋转后的图像上，将载体区域rect2所在区域的部分截取下来得到目标载体图像，如图6所示。并将目标载体图像记作objMat。需要说明的是，后续的网孔边长的计算及各网孔缺陷类型的判断都是在该目标载体图像objMat的基础上进行的。
具体的，截取目标载体图像后，可以根据确定目标载体图像的轮廓。然后基于目标载体图像的轮廓可以计算出目标载体的网孔边长。其中，目标载体的网孔边长的计算方法可以为：
从目标载体图像所在区域的中间部分取一块边长为最大网格边长2倍的正方形子图像B0，得到正方形子图像矩阵S。计算矩阵S中每一行元素的均值，每一行元素的均值构成离散的均值函数mean(i)。例如，矩阵S中的元素可以用S(i，j)表示，表示第i行第j列的元素，则矩阵S的第i行元素的均值mean(i)为(假设每行包括n个元素，即矩阵S共有n列元素)：
Figure BDA0002950938770000091
对离散的均值函数进行傅里叶变换，得到复数域的复函数F(ω)：
Figure BDA0002950938770000092
求出使得|F(ω)|取得最大值时的自变量ω，则网孔的边长为T＝2*π/ω。此外，为了提高算法的可靠性以及计算精度，可以从载体端面图像的多个不同位置处分别截取子图像，并按照上述方法求出网孔边长，最后通过投票的方式确定最终的边长值，即哪个数值出现的次数最多，则确定网孔边长为对应的出现次数最多的数值，并记作avgCellW1。
步骤120、根据目标载体的网孔边长，建立目标载体的单个网孔的连通域类型的判断模型；其中，单个网孔的连通域类型包括封闭型连通域和非封闭型连通域。
为了检测每个网孔的缺陷类型，需要对每个网孔的连通域类型进行判断。因此，通过建立单个网孔的连通域类型的判断模型可以实现对各个网孔的连通域所属的类型进行判断，进而有利于对每个网孔的缺陷类型进行判断。
可选的，图7是本发明实施例提供的网孔的连通域类型结构示意图。将实际载体端面的孔按连通域的规则大致分为两类：封闭型连通域孔和非封闭型连通域孔，如图7所述。按照网孔检测缺陷的类型，可将网孔分为如下六种：正常孔、裂纹孔、缺陷孔、扭曲孔、倾斜弯曲孔、以及堵塞孔。其中，封闭型连通域孔包含正常孔、扭曲孔、倾斜孔，如图7中的正常孔11、倾斜孔12和扭曲孔13；非封闭型连通域孔包含裂纹孔、缺陷孔、堵孔，如图7中的裂纹孔14、缺陷孔15、堵孔16。
步骤130、根据单个网孔的连通域类型的判断模型判断目标载体中每个网孔的连通域类型，并将判断结果生成映射表。
其中，可以将整个载体抽象为一个由许多网孔元素构成的连通图，其中每个元素都记录了该网孔的连通域类型，缺陷类型，中心点位置，自身所在映射表位置。遍历搜索整幅图像，以上文已求出的目标载体图像的轮廓为限制，依次搜索网格，记录下每个网格的相关信息，以完成整幅映射表的绘制。
步骤140、根据映射表，分别判断封闭型连通域的网孔和非封闭型连通域的网孔的缺陷类型。
其中，根据映射表可以查出每个网孔所属的连通域类型，即封闭型连通域或非封闭型连通域。其中，封闭型连通域孔和非封闭型连通域孔的缺陷类型的判断方法不同，因此，根据映射表找确定待判断的网孔所属的连通域类型后，再根据对应的连通域类型的网孔缺陷判断方法进行分析判断即可。由此，根据网孔所述的连通域类型对应进行缺陷检测，可以提高检测效率。
在本实施例的技术方案中，该陶瓷催化剂载体缺陷检测方法的工作原理为：首先，利用机器视觉获取载体端面图像，基于载体端面图像确定目标载体图像，并确定目标载体图像的轮廓，并基于目标载体图像的轮廓计算目标载体的网孔边长；然后，根据目标载体的网孔边长，建立目标载体的单个网孔的连通域类型的判断模型，并根据单个网孔的连通域类型的判断模型对目标载体中每个网孔的连通域类型进行判断，并将判断结果生成映射表；最后，根据映射表，分别对封闭型连通域的网孔和非封闭型连通域的网孔的缺陷类型进行判断，从而实现对目标载体的各个网孔的缺陷类型进行检测。
本实施例的技术方案，通过利用机器视觉获取载体端面图像，基于载体端面图像确定目标载体图像，并确定目标载体图像的轮廓，并基于所述目标载体图像的轮廓计算所述目标载体的网孔边长；然后根据目标载体的网孔边长，建立目标载体的单个网孔的连通域类型的判断模型，并根据单个网孔的连通域类型的判断模型判断目标载体中每个网孔的连通域类型，并将判断结果生成映射表；最后根据映射表，分别判断封闭型连通域的网孔和非封闭型连通域的网孔的缺陷类型，实现了陶瓷催化剂载体缺陷的自动化检测，提高检测效率和稳定性，降低人工成本，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
可选地，图8是本发明实施例中提供的目标载体图像的轮廓的确定方法的流程图。具体的，参考图8，具体方法包括如下步骤：
步骤101、对目标载体图像进行高斯滤波和二值化处理。
其中，对目标载体图像高斯滤波以滤除图像中的噪声；对滤除噪声后的目标载体图像进行二值化处理，有利于对图像做进一步的处理，例如，寻找图像轮廓。
步骤102、根据处理后的目标载体图像中的所有轮廓选择最大的轮廓点集。
其中，可以利用findContours函数找出经处理后的目标载体图像中所有的轮廓，并选择最大的轮廓点集。
步骤103、根据最大的轮廓点集得到目标载体图像的轮廓。
其中，可以通过对最大的轮廓点集执行convexHull函数，得到凸包拟合后的轮廓点集，即得到目标载体的准确轮廓。
此外，根据确定的目标载体图像的轮廓，可以同时计算出目标载体的中心点、所在区域、长径以及短径。
可选地，图9是本发明实施例提供的目标载体的单个网孔的连通域类型的判断模型的建立方法的流程图。具体的，参考图9，具体方法包括如下步骤：
步骤121、以预估的网孔中心点为基准，从目标载体图像中截取边长为目标载体网孔边长的整数倍的正方形子图像。
其中，目标载体网孔边长为上述计算的网孔边长avgCellW1。其中，整数倍可以是2倍等数值，具体的可根据实际情况进行设置，在此不做具体的限定。例如，记正方形子图像的边长为a＝avgCELLW1*2。
步骤122、计算正方形子图像的边长，并与预设网孔边长进行比较。
其中，预设网孔边长为正常孔的边长。其具体数值可根据实际情况进行设置，在此不做具体的限定。
步骤123、当正方形子图像的边长满足预设网孔边长时，则判断正方形子图像为封闭型连通域。
通常，封闭型连通域的网孔是由四条边首尾相接组成的，因而能够测得其边长，且当其边长满足正常孔的边长时，即可判定其为封闭型连通域的网孔。
此外，为了进一步提高计算的精度和可靠性，可以分别计算正方形子图像的长、宽和面积，并分别与预设网孔长、预设网孔宽以及预设网孔面积进行比较，当其中至少一个满足条件时，则可判断正方形子图像为封闭型连通域。其中，预设网孔长、预设网孔宽以及预设网孔面积的具体数值可以根据实际情况进行设置，在此不做具体的限定。
步骤124、当正方形子图像的边长超过预设网孔边长整数倍时，则判断正方形子图像为非封闭型连通域。
通常，非封闭型连通域的网孔其四条边不能形成首尾相接组成四边形，因而当测得其边长存在超过预设网孔边长一定整数倍时，例如超过正常孔的边长的2倍时，则可判定其为非封闭型连通域的网孔。其中，整数倍可以是2倍、3倍等数值，具体可以根据实际情况进行设置，在此不做具体的限定。
可选地，图10是本发明实施例中提供的目标载体中每个网孔的连通域类型的判断方法的流程图。具体的，参考图10，具体包括如下步骤：
步骤131、以第一个封闭型连通域的中心点为起始中心点，从目标载体图像中截取边长为目标载体网孔边长的整数倍的正方形子图像。
其中，第一个封闭型连通域是指按照上述单个网孔的连通域类型的判断模型确定的第一个封闭型连通域的网孔。
步骤132、根据单个网孔的连通域类型的判断模型，判断正方形子图像的连通域类型，并将判断结果进行记录。
其中，按照单个网孔的连通域类型的判断方法，对正方形子图像的连通域类型进行判断，并将判断结果进行记录。
步骤133、若判断结果为封闭型连通域网孔，则根据封闭型连通域网孔的宽和高对预估的中心点位置进行修正，并以修正后的中心点位置为基准，按照截取正方形子图像的步骤和正方形子图像连通域类型判断步骤，继续判断封闭型连通域网孔周围相邻8个网孔的连通域类型，形成遍历。
其中，由于载体的网孔具有其规律性，因此，可以根据找出的第一个封闭型连通域网孔的中心点，分析出其周围相邻8个网孔的中心点的大致位置。首先，分别判断这8个网孔中心点的连通域类型是否为未知，以防止重复搜索，提高检测的效率和准确度。然后，分别计算这8个网孔中心点距离目标载体图像的轮廓的距离，以保证预估的中心点位置不在轮廓范围外，从而保证检测的可靠性。最后，根据单个网孔的连通域类型的判断模型，分别判断这8个网孔所属的连通域的类型。若判断为封闭型连通域，则根据封闭型连通域网孔的宽和高对预估的中心点位置进行修正，并以修正后的中心点位置为新的基准，判断修正后的中心点周围相邻的8个网孔的连通域的类型，形成遍历。其中，对每个网孔的连通域类型的判断结果都进行记录，形成映射表，以方便后续对缺陷类型进行进一步的判断。
步骤134、若判断结果为非封闭型连通域网孔，当非封闭型连通域网孔的中心点的值为零时，则非封闭型连通域网孔的缺陷类型为堵孔。
其中，若判断为非封闭连通域网孔，则预估的中心点保持不变，但不再以该网孔为基准继续遍历，则进一步判断非封闭型连通域网孔的中心点的值是否为0，若是，则直接判定该网孔为堵孔。
需要说明的是，为了提高目标载体整个网孔判断的可靠性，在整个遍历过程中，增加了多重条件限制：第一，确保网孔在目标载体图像的轮廓范围内；第二，对已搜索判断分析过的网孔进行标记，防止无限重复搜索，增加重复计算量，影响检测效率；第三，只有当当前网孔为封闭型连通域网孔时，才允许继续遍历。由此，可以保证遍历的循环次数为有限次，并且各个网孔的中心点位置也较为准确，从而可以提高检测的准确性、可靠性和效率。
此外，存在一种特殊情况，可能会导致整个遍历过程中的遍历结果不完整。例如，若存在一块闭合区域，其区域内均为堵孔(例如，从图像上看为一块白色区域)或缺陷(例如，从图像上看为一块黑色区域)，则遍历过程中，无法遍历至该区域内部。若出现此种情况，则需要在遍历完成后，根据区域周围已知连通域类型的网孔，对未遍历到的网孔进行位置推算，并写入映射表。由此，可以确保每个网孔都被遍历，因而可以提高检测的可靠性。
可选地，在基于目标载体图像的轮廓计算所述目标载体的网孔边长之时，还包括：基于目标载体图像的轮廓计算目标载体的内部孔径；
当正方形子图像的边长满足预设网孔边长时，正方形子图像的边长为目标载体的内部孔径。
具体的，对目标载体图像进行高斯滤波和二值化等操作处理后，从目标载体图像所在区域的中间部分取一块边长为最大网格边长2倍的正方形子图像，当正方形子图像的边长满足预设网孔边长时，此时正方形子图像的边长为目标载体的内部孔径。其中，正方形子图像的边长可以为正方形子图像的长或宽。
此外，为了提高算法的可靠性以及计算精度，可以从载体端面图像的多个不同位置处分别截取子图像，并按照上述方法求出网孔的内部孔径，最后通过投票的方式确定最终的内部孔径值，即哪个数值出现的次数最多，则确定网孔的内部孔径为对应的出现次数最多的数值，并记作avgCellW2。
可选地，目标载体的平均壁厚为目标载体的内部孔径与目标载体的网孔边长的差值。
假设目标载体的平均壁厚为avgHoleW，则avgHoleW为：
avgHoleW＝avgCellW2-avgCellW1
可选地，图11是本发明实施例提供的封闭型连通域的网孔的缺陷类型的判断方法的流程图。具体的，参考图11，具体方法包括如下步骤：
步骤1411、扫描映射表中标记为封闭型连通域的网孔，分别计算当前网孔与其上、下、左、右相邻的网孔的相邻边的壁厚，并分别计算各个壁厚与目标载体的平均壁厚差值。
其中，按照前述的网孔连通域类型分析方法遍历后，映射表中已记录了目标载体的各个网孔的连通域类型。为了进一步确定每个网孔的缺陷类型，则需要分别对封闭型连通域的网孔和非封闭型连通域的网孔的缺陷类型分别进行分析。
首先，对映射表中被标记为封闭型连通域的网孔依次进行扫描，对判定为封闭型连通域的网孔的缺陷类型进行深入分析。
假设当前待判断的封闭型连通域网孔记为当前网孔C，且在映射表中的位置为行row，列col，则当前网孔C的上方网孔为N上(row-1，col)，下方网孔为N下(row1，col)，左方网孔为N左(row，col-1)，右方网孔为N右(row，col1)。先计算当前网孔C与其上方相邻的网孔N上的相邻边的壁厚，并计算该壁厚与目标载体的平均壁厚avgHoleW的差值，记为第一壁厚差值；然后，计算当前网孔C与其下方相邻的网孔N下的相邻边的壁厚，并计算该壁厚与目标载体的平均壁厚avgHoleW的差值，记为第二壁厚差值；计算当前网孔C与其左方相邻的网孔N左的相邻边的壁厚，并计算该壁厚与目标载体的平均壁厚avgHoleW的差值，记为第三壁厚差值；计算当前网孔C与其右方相邻的网孔N右的相邻边的壁厚，并计算该壁厚与目标载体的平均壁厚avgHoleW的差值，记为第四壁厚差值。
步骤1412、判断各个差值是否超过预设差值，若存在任意一个差值超过预设差值，则当前网孔的缺陷类型为扭曲孔。
分别判断第一壁厚差值、第二壁厚差值、第三壁厚差值以及第四壁厚差值是否超过预设差值，若其中存在任意一个壁厚差值超过预设差值，则可判断出当前网孔的缺陷类型为扭曲孔。其中，预设差值可根据实际情况进行设置，在此不做具体的限定。
步骤1413、分别计算当前网孔与其上、下、左、右相邻的网孔的相邻孔壁的最大偏移量。
具体的，先计算当前网孔C与其上方相邻的网孔N上的相邻孔壁的最大偏移量，记为第一偏移量；然后，计算当前网孔C与其下方相邻的网孔N下的相邻孔壁的最大偏移量，记为第二偏移量；计算当前网孔C与其左方相邻的网孔N左的相邻孔壁的最大偏移量，记为第三偏移量；计算当前网孔C与其右方相邻的网孔N右的相邻孔壁的最大偏移量，记为第四偏移量。
步骤1414、判断各个最大偏移量是否超过预设偏移量，若存在任意一个最大偏移量超过预设偏移量，则当前网孔的缺陷类型为倾斜弯曲孔；否则，当前网孔为正常孔。
分别判断第一偏移量、第二偏移量、第三偏移量和第四偏移量是否超过预设偏移量，若其中存在任意一个最大偏移量超过预设偏移量，则可判断出当前网孔的缺陷类型为倾斜弯曲孔。
若上述步骤1412和步骤1414都不存在，则当前网孔为正常孔。
可选地，图12是本发明实施例中提供的非封闭型连通域的网孔的缺陷类型的判断方法的流程图。具体的，参考图12，具体方法包括如下步骤：
步骤1421、扫描映射表中标记为非封闭型连通域的网孔，以当前非封闭型连通域的网孔为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第一数量。
具体的，对映射表中被标记为非封闭型连通域的网孔依次进行扫描，对判定为非封闭型连通域的网孔的缺陷类型进行深入分析。其中，需要说明的是，对于缺陷类型为堵孔的情况在前述判断目标载体中国每个网孔的连通域类型时已经分析过，在此不再赘述。
假设当前待判断的非封闭型连通域网孔记为当前网孔D，以当前网孔D为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第一数量。
步骤1422、若存在非堵孔，则以非堵孔为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第二数量。
以当前网孔D为基准，判断其周围相邻8个网孔中是否存在非堵孔，若存在非堵孔，且非堵孔数量可能有多个，则分别以各个非堵孔为新的基准，分别判断各个非堵孔周围相邻8个网孔中是否也存在非堵孔，并分别记录与其相邻的非堵孔的数量。例如，假设当前网孔D为基准时，其周围相邻8个网孔中存在3个非堵孔，即第一非堵孔、第二非堵孔和第三非堵孔，则分别以第一非堵孔、第二非堵孔和第三非堵孔为新的基准，分别判断第一非堵孔周围相邻8个网孔中非堵孔的数量，并记为第二甲数量，判断第二非堵孔周围相邻8个网孔中非堵孔的数量，并记为第二乙数量，判断第三非堵孔周围相邻8个网孔中非堵孔的数量，并记为第二丙数量。
步骤1423、以第一数量和第二数量中的最大者作为最大相邻非堵孔数量，若最大相邻非堵孔数量大于预设非堵孔数量，则当前非封闭型连通域的网孔的缺陷类型为断裂孔；否则，为裂纹孔。
具体的，以上述步骤1422中的示例为例继续分析，则以第一数量、第二甲数量、第二乙数量和第二丙数量中的最大非堵孔数作为最大相邻非堵孔数量，并将该最大相邻非堵孔数量与预设非堵孔数量进行比较。若最大相邻非堵孔数量大于预设非堵孔数量，则当前非封闭型连通域的网孔的缺陷类型为断裂孔；否则，为裂纹孔。
本发明实施例提供了一种陶瓷催化剂载体缺陷检测装置。图13是本发明实施例中提供的一种陶瓷催化剂载体缺陷检测装置的结构框图。参考图13，该陶瓷催化剂载体缺陷检测装置100包括：获取模块10，用于获取载体端面图像；确定模块20，用于基于载体端面图像确定目标载体图像，以及确定目标载体图像的轮廓；计算模块30，用于基于目标载体图像的轮廓计算目标载体的网孔边长和内部孔径；模型建立模块40，用于根据目标载体的网孔边长，建立目标载体的单个网孔的连通域类型的判断模型；其中，单个网孔的连通域类型包括封闭型连通域和非封闭型连通域；判断模块50，用于根据单个网孔的连通域类型的判断模型判断目标载体中每个网孔的连通域类型，并将判断结果生成映射表；根据映射表，分别判断封闭型连通域的网孔和非封闭型连通域的网孔的缺陷类型。
本实施的技术方案，提供一种陶瓷催化剂载体缺陷检测装置，装置包括：获取模块，用于获取载体端面图像；确定模块，用于基于载体端面图像确定目标载体图像，以及确定目标载体图像的轮廓；计算模块，用于基于目标载体图像的轮廓计算目标载体的网孔边长和内部孔径；模型建立模块，用于根据目标载体的网孔边长，建立目标载体的单个网孔的连通域类型的判断模型；其中，单个网孔的连通域类型包括封闭型连通域和非封闭型连通域；判断模块，用于根据单个网孔的连通域类型的判断模型判断目标载体中每个网孔的连通域类型，并将判断结果生成映射表；根据映射表，分别判断封闭型连通域的网孔和非封闭型连通域的网孔的缺陷类型。实现了陶瓷催化剂载体缺陷的自动化检测，提高检测效率和稳定性，降低人工成本，有利于提高陶瓷催化剂载体的生产效率以及产品质量。
本发明实施例还提供了一种缺陷检测设备。图14为本发明实施例中提供的一种缺陷检测设备的结构示意图，如图14所示，该缺陷检测设备包括处理器70、存储器71、输入装置72和输出装置73；设备/终端/服务器中处理器70的数量可以是一个或多个，图13中以一个处理器70为例；设备/终端/服务器中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图13中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的陶瓷催化剂载体缺陷检测方法对应的程序指令/模块(例如，陶瓷催化剂载体缺陷检测装置中的获取模块10、确定模块20、计算模块30、模型建立模块40和判断模块50)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行设备/终端/服务器的各种功能应用以及数据处理，即实现上述的陶瓷催化剂载体缺陷检测方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与设备/终端/服务器的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (6)

1.一种陶瓷催化剂载体缺陷检测方法，其特征在于，包括：
获取载体端面图像，基于所述载体端面图像确定目标载体图像，并确定所述目标载体图像的轮廓，并基于所述目标载体图像的轮廓计算所述目标载体的网孔边长；
根据所述目标载体的网孔边长，建立所述目标载体的单个网孔的连通域类型的判断模型；其中，所述单个网孔的连通域类型包括封闭型连通域和非封闭型连通域；其中，所述根据所述目标载体的网孔边长，建立所述目标载体的单个网孔的连通域类型的判断模型，包括：以预估的网孔中心点为基准，从所述目标载体图像中截取边长为所述目标载体网孔边长的整数倍的正方形子图像；计算所述正方形子图像的边长，并与预设网孔边长进行比较；当所述正方形子图像的边长满足所述预设网孔边长时，则判断所述正方形子图像为封闭型连通域；当所述正方形子图像的边长超过所述预设网孔边长整数倍时，则判断所述正方形子图像为非封闭型连通域；
根据所述单个网孔的连通域类型的判断模型判断所述目标载体中每个网孔的连通域类型，并将判断结果生成映射表；其中，所述根据所述单个网孔的连通域类型的判断模型判断所述目标载体中每个网孔的连通域类型，包括：以第一个封闭型连通域的中心点为起始中心点，从所述目标载体图像中截取边长为所述目标载体网孔边长的整数倍的正方形子图像；根据所述单个网孔的连通域类型的判断模型，判断所述正方形子图像的连通域类型，并将判断结果进行记录；若判断结果为封闭型连通域网孔，则根据封闭型连通域网孔的宽和高对预估的中心点位置进行修正，并以修正后的中心点位置为基准，按照截取正方形子图像的步骤和正方形子图像连通域类型判断步骤，继续判断所述封闭型连通域网孔周围相邻8个网孔的连通域类型，形成遍历；若判断结果为非封闭型连通域网孔，当非封闭型连通域网孔的中心点的值为零时，则所述非封闭型连通域网孔的缺陷类型为堵孔；
根据所述映射表，分别判断所述封闭型连通域的网孔和所述非封闭型连通域的网孔的缺陷类型；其中，所述根据所述映射表，判断所述封闭型连通域的网孔的缺陷类型，包括：扫描所述映射表中标记为封闭型连通域的网孔，分别计算当前网孔与其上、下、左、右相邻的网孔的相邻边的壁厚，并分别计算各个壁厚与目标载体的平均壁厚差值；判断各个差值是否超过预设差值，若存在任意一个差值超过所述预设差值，则所述当前网孔的缺陷类型为扭曲孔；分别计算所述当前网孔与其上、下、左、右相邻的网孔的相邻孔壁的最大偏移量；判断各个最大偏移量是否超过预设偏移量，若存在任意一个最大偏移量超过所述预设偏移量，则所述当前网孔的缺陷类型为倾斜弯曲孔；否则，所述当前网孔为正常孔；
其中，所述根据所述映射表，判断所述非封闭型连通域的网孔的缺陷类型，包括：扫描所述映射表中标记为非封闭型连通域的网孔，以当前非封闭型连通域的网孔为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第一数量；若存在非堵孔，则以所述非堵孔为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第二数量；以所述第一数量和所述第二数量中的最大者作为最大相邻非堵孔数量，若所述最大相邻非堵孔数量大于预设非堵孔数量，则所述当前非封闭型连通域的网孔的缺陷类型为断裂孔；否则，为裂纹孔。
2.根据权利要求1所述的陶瓷催化剂载体缺陷检测方法，其特征在于，所述确定所述目标载体图像的轮廓，包括：
对所述目标载体图像进行高斯滤波和二值化处理；
根据处理后的目标载体图像中的所有轮廓选择最大的轮廓点集；
根据所述最大的轮廓点集得到所述目标载体图像的轮廓。
3.根据权利要求1所述的陶瓷催化剂载体缺陷检测方法，其特征在于，还包括：基于所述目标载体图像的轮廓计算所述目标载体的内部孔径；
当所述正方形子图像的边长满足所述预设网孔边长时，所述正方形子图像的边长为所述目标载体的内部孔径。
4.根据权利要求1所述的陶瓷催化剂载体缺陷检测方法，其特征在于，所述目标载体的平均壁厚为所述目标载体的内部孔径与所述目标载体的网孔边长的差值。
5.一种陶瓷催化剂载体缺陷检测装置，其特征在于，包括：
获取模块，用于获取载体端面图像；
确定模块，用于基于所述载体端面图像确定目标载体图像，以及确定所述目标载体图像的轮廓；
计算模块，用于基于所述目标载体图像的轮廓计算所述目标载体的网孔边长和内部孔径；
模型建立模块，用于根据所述目标载体的网孔边长，建立所述目标载体的单个网孔的连通域类型的判断模型；其中，所述单个网孔的连通域类型包括封闭型连通域和非封闭型连通域；其中，所述根据所述目标载体的网孔边长，建立所述目标载体的单个网孔的连通域类型的判断模型，包括：以预估的网孔中心点为基准，从所述目标载体图像中截取边长为所述目标载体网孔边长的整数倍的正方形子图像；计算所述正方形子图像的边长，并与预设网孔边长进行比较；当所述正方形子图像的边长满足所述预设网孔边长时，则判断所述正方形子图像为封闭型连通域；当所述正方形子图像的边长超过所述预设网孔边长整数倍时，则判断所述正方形子图像为非封闭型连通域；
判断模块，用于根据所述单个网孔的连通域类型的判断模型判断所述目标载体中每个网孔的连通域类型，并将判断结果生成映射表；根据所述映射表，分别判断所述封闭型连通域的网孔和所述非封闭型连通域的网孔的缺陷类型；其中，所述根据所述单个网孔的连通域类型的判断模型判断所述目标载体中每个网孔的连通域类型，包括：以第一个封闭型连通域的中心点为起始中心点，从所述目标载体图像中截取边长为所述目标载体网孔边长的整数倍的正方形子图像；根据所述单个网孔的连通域类型的判断模型，判断所述正方形子图像的连通域类型，并将判断结果进行记录；若判断结果为封闭型连通域网孔，则根据封闭型连通域网孔的宽和高对预估的中心点位置进行修正，并以修正后的中心点位置为基准，按照截取正方形子图像的步骤和正方形子图像连通域类型判断步骤，继续判断所述封闭型连通域网孔周围相邻8个网孔的连通域类型，形成遍历；若判断结果为非封闭型连通域网孔，当非封闭型连通域网孔的中心点的值为零时，则所述非封闭型连通域网孔的缺陷类型为堵孔；其中，所述根据所述映射表，判断所述封闭型连通域的网孔的缺陷类型，包括：扫描所述映射表中标记为封闭型连通域的网孔，分别计算当前网孔与其上、下、左、右相邻的网孔的相邻边的壁厚，并分别计算各个壁厚与目标载体的平均壁厚差值；判断各个差值是否超过预设差值，若存在任意一个差值超过所述预设差值，则所述当前网孔的缺陷类型为扭曲孔；分别计算所述当前网孔与其上、下、左、右相邻的网孔的相邻孔壁的最大偏移量；判断各个最大偏移量是否超过预设偏移量，若存在任意一个最大偏移量超过所述预设偏移量，则所述当前网孔的缺陷类型为倾斜弯曲孔；否则，所述当前网孔为正常孔；
其中，所述根据所述映射表，判断所述非封闭型连通域的网孔的缺陷类型，包括：扫描所述映射表中标记为非封闭型连通域的网孔，以当前非封闭型连通域的网孔为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第一数量；若存在非堵孔，则以所述非堵孔为基准，判断其周围相邻8个网孔中是否存在非堵孔，并记录与其相邻的非堵孔的数量，记为第二数量；以所述第一数量和所述第二数量中的最大者作为最大相邻非堵孔数量，若所述最大相邻非堵孔数量大于预设非堵孔数量，则所述当前非封闭型连通域的网孔的缺陷类型为断裂孔；否则，为裂纹孔。
6.一种缺陷检测设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的陶瓷催化剂载体缺陷检测方法。
CN202110209619.3A 2021-02-24 2021-02-24 一种陶瓷催化剂载体缺陷检测方法、装置及设备 Active CN113008897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110209619.3A CN113008897B (zh) 2021-02-24 2021-02-24 一种陶瓷催化剂载体缺陷检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110209619.3A CN113008897B (zh) 2021-02-24 2021-02-24 一种陶瓷催化剂载体缺陷检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113008897A CN113008897A (zh) 2021-06-22
CN113008897B true CN113008897B (zh) 2023-05-30

Family

ID=76385943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110209619.3A Active CN113008897B (zh) 2021-02-24 2021-02-24 一种陶瓷催化剂载体缺陷检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113008897B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379744B (zh) * 2021-08-12 2021-11-19 山东大拇指喷雾设备有限公司 基于图像处理的喷嘴装置表面缺陷检测方法与系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MX2017012962A (es) * 2015-10-06 2018-05-22 Ngk Insulators Ltd Metodo de inspeccion de superficie de cuerpo ceramico.
CN106600593B (zh) * 2016-12-19 2019-08-09 福州大学 一种中铝瓷球表面缺陷检测方法
CN206920353U (zh) * 2017-07-12 2018-01-23 江苏阿瑞斯智能设备有限公司 蜂窝载体缺陷自动化检测设备
CN107290347B (zh) * 2017-07-12 2020-01-03 江苏阿瑞斯智能设备有限公司 蜂窝载体缺陷自动化检测方法
CN108802042B (zh) * 2018-04-11 2020-09-01 江苏阿瑞斯智能设备有限公司 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备
JP6737964B2 (ja) * 2018-05-07 2020-08-12 日本碍子株式会社 セラミックス体の欠陥検査装置および欠陥検査方法

Also Published As

Publication number Publication date
CN113008897A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN108802042B (zh) 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备
CN109087274B (zh) 基于多维融合及语义分割的电子器件缺陷检测方法及装置
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
CN109583365B (zh) 基于成像模型约束非均匀b样条曲线拟合车道线检测方法
CN113008897B (zh) 一种陶瓷催化剂载体缺陷检测方法、装置及设备
CN111582000B (zh) 一种条形码定位方法、装置及相关设备
CN110084241A (zh) 一种基于图像识别的电表自动读数方法
CN109740533A (zh) 遮挡比例确定方法、装置和电子系统
CN117274240B (zh) 一种承台基础混凝土表面裂缝识别方法
CN115965623A (zh) 一种变压器生产中表面瑕疵检测方法及系统
CN115222736B (zh) 一种基于霍夫空间的钢管生产质量检测方法
CN114972575A (zh) 一种基于轮廓边缘的直线拟合算法
CN111353981B (zh) 基于机器视觉的齿轮检测方法、系统及存储介质
CN109410183A (zh) 基于点云数据的平面提取方法、系统、装置及存储介质
CN110264452B (zh) 一种工件检测方法、装置、设备及存储介质
CN113808110A (zh) 一种晶圆缺陷检测方法
CN114723650A (zh) 晶圆缺陷检测方法和装置、设备及存储介质
CN115908404B (zh) 图像条纹干扰的检测方法、装置、电子设备及介质
CN115375689B (zh) 基于机器视觉的烟丝桶检测方法、装置、设备及介质
Chen et al. Low complexity photo sensor dead pixel detection algorithm
CN116152158A (zh) 焊缝检测方法、装置、电子设备及存储介质
CN111899297B (zh) 线结构光条纹中心提取方法
CN114820376A (zh) 条带噪声的融合校正方法、装置、电子设备及存储介质
US11080860B2 (en) Image inspection method
CN111382615A (zh) 影像检测方法

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
GR01 Patent grant
GR01 Patent grant