CN113222880A - 分析检测方法 - Google Patents

分析检测方法 Download PDF

Info

Publication number
CN113222880A
CN113222880A CN202010066080.6A CN202010066080A CN113222880A CN 113222880 A CN113222880 A CN 113222880A CN 202010066080 A CN202010066080 A CN 202010066080A CN 113222880 A CN113222880 A CN 113222880A
Authority
CN
China
Prior art keywords
detection method
image
processing
feature point
images
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
Application number
CN202010066080.6A
Other languages
English (en)
Inventor
冯培
杨崇倡
张荣根
张俊平
王佳林
魏大顺
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.)
Donghua University
Original Assignee
Donghua University
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 Donghua University filed Critical Donghua University
Priority to CN202010066080.6A priority Critical patent/CN113222880A/zh
Publication of CN113222880A publication Critical patent/CN113222880A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种分析检测方法。该方法包括以下步骤：获取集群变径深孔板的待检测区域中的导孔和过渡孔区域的多张采集图像；截取多张采集图像中与待检测位置对应的目标图像；对所有被截取的目标图像进行预处理；对进行了预处理的目标图像进行提取特征点的特征点提取处理；对所提取的特征点的特征向量之间的距离进行计算，当最邻近的距离与次邻近的距离之比小于阈值时，判断为目标图像匹配；对匹配的目标图像进行融合，得到完整的待检测图像。本发明实施例的卷装长丝的分析检测方法，能够降低人工目测的错误率，提高检测效率，且能够节约生产成本。

Description

分析检测方法
技术领域
本发明涉及一种分析检测方法，尤其涉及一种集群变径深孔的批量检测中的分析检测方法。
背景技术
目前，集群变径深孔板是工业中的重要零部件，尤其在化工行业。作为工业上的不可缺少的精密零件,其功用是将精确计量过的聚合物熔体或溶液通过集群变径深孔板上的微孔喷挤出具有一定粗细和质地细密的高分子材料束。因而集群变径深孔板的发展有助于促进新型高分子材料的发展。集群变径深孔板的制造精度决定了高分子材料成型质量的好坏，集群变径深孔板微孔的形状决定了高分子材料的截面形态，进而影响到了舒适性。因此集群变径深孔板的质量是保证成品质量和良好工艺的重要条件。对于集群变径深孔板质量的检测，目前的相关研究对质量有极大影响的导孔、过渡孔，尚未有所研究。
现有集群变径深孔板上的集群变径深孔数量最少约为50只，最高可达1.2-9.8万只，且微孔孔径在10-50μm之间，这对集群变径深孔板的品质检测提出了极高的要求。对于集群变径深孔板的检测大部分使用强光源底部照射检测和显微镜下放大检测。其中强光源底部照射方式只能观察到整个板面的孔是否透光，是否有孔堵塞，很容易发生漏检，且无法发现孔内细小污垢，更无法对集群变径深孔数据量化。而显微镜下检测虽然能够把孔放大，观察到孔内的细小污垢，但是对数量多达数万的微孔，且孔与孔之间距离仅不到100μm，漏检情况也极易发生，即使检测出某孔有污垢，在集群变径深孔板上找出该孔也极困难，且显微镜是人工检测，无法用机器代替，人工检测劳动强度大，检测准确率低。
在本领域的现有技术中，通常对集群变径深孔板中集群变径深孔，无论是导孔、微孔还是过渡孔，无论是人工检测还是机器检测，均只能一个一个集群变径深孔的逐一检测，但是集群变径深孔板上的集群变径深孔数量最少约为50只，最高可达1.2-9.8万只，且微孔孔径在10-50μm之间，逐一检测会耗费巨大的时间，人力，物力成本，且很难保证检测精度；同时逐一检测还非常容易发生漏检和重复检测的情况，严重的情况下会将明明报废的集群变径深孔板错误投入使用，造成严重的生产事故。目前整个行业中，尚未形成完整的批量检测标准和成熟的算法。总而言之，提供一种集群变径深孔的批量检测设备及方法迫在眉睫，且对集群变径深孔的批量检测设备提出了极高的要求。
针对现有技术中所存在的问题，提供一种集群变径深孔的批量检测中的分析检测方法具有重要意义。
发明内容
为解决上述问题，本发明实施例提供一种分析检测方法，能够在集群变径深孔的批量检测中准确地生成检测结果，提高检测效率，且能够节约生产成本。
为实现上述目的，本发明实施例提供了一种分析检测方法，包括以下步骤：
获取集群变径深孔板的待检测区域中的导孔和过渡孔区域的多张采集图像；
截取多张采集图像中与待检测位置对应的目标图像；
对所有被截取的目标图像进行预处理；
对进行了预处理的目标图像进行提取特征点的特征点提取处理；
对所提取的特征点的特征向量之间的距离进行计算，当最邻近的距离与次邻近的距离之比小于阈值时，判断为目标图像匹配；
对匹配的目标图像进行融合，得到完整的待检测图像。
进一步地，预处理包括平面处理，在平面处理中对目标图像进行基准坐标的转换。
进一步地，预处理包括灰度值偏差校正处理，在灰度值偏差校正处理中对目标图像进行曲线拟合和灰度插值。
进一步地，预处理包括图像增强处理。
进一步地，特征点提取处理包括尺度空间检测处理。
进一步地，在尺度空间检测处理中，通过高斯函数卷积得到尺度空间。
进一步地，特征点提取处理包括不稳定点去除处理。
进一步地，在不稳定点去除处理中，通过黑塞矩阵计算主曲率。
进一步地，特征点提取处理包括特征点方向计算处理。
进一步地，特征点提取处理包括特征点描述符生成处理。
本发明实施例的分析检测方法，能够应用于生产流水线上的检测装置，对每个经过检测工位的集群变径深孔板上的集群变径深孔进行图像采集，获取对应的采集图像，然后通过对图像进行处理，提取用于判断缺陷的缺陷特征，根据不同缺陷的缺陷特征的性质，确定是否存在缺陷。
本发明实施例的分析检测方法，适用于化工行业内的集群变径深孔的批量检测，能够快速分析集群变径深孔的外观缺陷，通过对图像的高精度的分析处理，减少人工目测的误差，降低误检率，提高检测效率，并且降低生产成本。
附图说明
图1为本发明一个实施例的分析检测方法的流程图。
图2为图1中的分析检测方法采用的检测装置的示意图。
图3为本发明实施例的集群变径深孔的结构示意图。
图4为图1中步骤S140中的尺度空间检测处理的示意图。
图5为图1中步骤S140中的特征点描述符生成处理的示意图。
具体实施方式
下面，结合附图，对本发明实施例的结构以及工作原理等作进一步的说明。
如图1所示，本发明实施例的一种分析检测方法，包括：
S110、获取集群变径深孔板的待检测区域中的导孔和过渡孔区域的多张采集图像；
S120、截取多张采集图像中与待检测位置对应的目标图像；
S130、对所有被截取的目标图像进行预处理；
S140、对进行了预处理的目标图像进行提取特征点的特征点提取处理；
S150、对所提取的特征点的特征向量之间的距离进行计算，当最邻近的距离与次邻近的距离之比小于阈值时，判断为目标图像匹配；
S160、对匹配的目标图像进行融合，得到完整的待检测图像。
在本发明实施例中，如图2所示，在集群变径深孔板上设置有多个检测装置1，检测装置1用于检测其下方所覆盖的检测区域的集群变径深孔，检测装置1包括同轴光源模块11、第一拍摄模块12和第一数据传输模块，同轴光源模块11用于对所述检测区域提供同轴光源，第一拍摄模块12用于拍摄检测区域内的全部集群变径深孔的图像，并通过第一数据传输模块将拍摄到的图像传输至计算终端，计算终端用于对所述图像信息进行分析及检测，并生成检测结果。集群变径深孔板上的集群变径深孔呈多层同心圆排布，检测装置1能够覆盖检测区域中所有层数的集群变径深孔。
如图2和图3所示，集群变径深孔板包括集群变径深孔板本体2和集群变径深孔，集群变径深孔板本体2上设置有多个集群变径深孔，集群变径深孔由导孔221、微孔222和过渡孔223构成，过渡孔223设置在导孔221的底部，过渡孔223为一种锥形的过渡孔，位于集群变径深孔板本体上表面的导孔221通过过渡孔223与位于集群变径深孔板本体下表面的微孔222相连接，锥形的过渡孔223的锥面的角度区间为60度到120度，过渡孔223的孔面的粗糙度区间为Rz1.6到Rz3.2。优选地，同轴光源模块11与导孔221的距离区间为0mm到60mm，在0mm时，同轴光源模块11的光亮强度为20cd，当距离逐渐增大时，光亮强度也逐渐等差增大。
在步骤S110中，通过多个角度的相机拍摄放置在转台上的集群变径深孔板，获得多张包括有孔部分待检测区域壁面的图像，所拍摄图像中包括有导孔壁面、过渡孔面以及板上端面。其中导孔壁面以及过渡孔面为待拼接及检测区域。
在步骤S120中，截取所述目标图像中待检测区域内受检位置的目标图像，确定目标图像中的疑似区域，通过固定的灰度值区域以及确定的几何形状特征截取包含有导孔和过渡孔区域的图像。
在步骤S130中，对所有被截取的目标图像进行预处理，从而对于图像采集过程中可能出现一定的损伤、视角变化或者失真，通过预处理的方法得到更加准确地图像内容。
可以采用多种方式进行图像的预处理。以下列举其中的一些方式。
一种预处理的方式例如为将图像进行平面处理。由于所拍摄孔壁面为圆柱形，为使得图像在平面坐标中实现重叠区域对齐，通过对一系列图像进行一定的基准坐标的转换对图像进行平面处理。
另一种预处理的方式例如为针对灰度值偏差修正。孔内光照强度可能不一致，导致图像部分区域灰度值变化波动过大。可通过对连续区域的灰度值变化进行拟合得出变化曲线，再经过一定的灰度插值的计算，得到可以实现运算的图像。
另一种预处理的方式例如为针对图像失真问题进行图像增强处理。由于采集图片过程中的各种干扰，需要对图片在清晰度进行增强处理。在本实施例中，主要针对图像对比度进行增强，通过小波的算法根据图像空间频率特性自适应地对图像部分区域进行增强，达到视觉图像的优化。
上述预处理的方式，既可以单独使用，也可以一起使用，也不限于上述这些方式。
在步骤S140中，对进行了预处理的目标图像进行提取特征点的特征点提取处理。
可以采用多种方式进行图像的特征点提取处理。以下列举其中的一种方式。
特征点提取处理的第一步例如可以进行尺度空间检测处理，但也可以进行其他类似的处理。
进行了预处理之后的2D图像在各个尺度下的尺度空间由该图像I(x，y)与高斯函数G(x，y，σ)卷积得到，尺度空间函数：
L(x，y，σ)＝G(x，y，σ)*I(x，y)； (1)
Figure BDA0002375999660000071
其中，L是图像的尺度空间，σ是正态分布方差，即尺度空间因子，大小表示图像被平滑的程度以及所在尺度的大小。图像的像素坐标为(x，y)。式(1)中三者之间的关系是正比的。小尺度展现图像的细节信息，大尺度空间包含图像的轮廓信息。
(2)式为高斯核函数。为了在尺度空间中有效地检测稳定的关键点位置，使用高斯差分函数与输入图像进行卷积运算得到D(x，y，σ)，并在其中找到尺度空间极值点。即：
D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ) (3)
D(x，y，σ)可以通过两个相邻尺度的差分得到，初始图像的增量式与高斯函数进行卷积，就产生了由一个常量乘积因子k分开而这两个相邻尺度空间的一些图像，使用高斯函数D(x，y，σ)来进行尺度近似归一化处理来实现在尺度空间中更有效地检测出稳定的特征点。
为了检测D(x，y，σ)的局部最大值和最小值，在高斯尺度空间里，通过高斯平滑和降采样等相关处理，如图4所示，对每个像素点与同一层的8个相邻点及上下相邻层的每9个相邻点，共26个像素点进行比较，只有当采样点大于所有的领域点或者小于所有的领域点，该点才会被选中，获得尺度空间和图像空间的局部极值点后，随后标记为局部特征点。
特征点提取处理的第二步例如可以进行不稳定点去除处理，但也可以进行其他类似的处理。确定候选关键点后，下一步就是进行与其邻近数据的精细匹配，分别涉及位置、尺度和主曲率。这样就允许剔除低对比度或者靠近边缘的像素点。在高斯差分函数的弱定义峰值，在图像边缘处存在大的主曲率，而在垂直方向上的主曲率相对较小。主曲率一般可通过黑塞(Hessian)矩阵来计算，即特征检测通过特征点的黑塞矩阵去除边缘点，提高对噪声的鲁棒性。黑塞矩阵定义如下：
Figure BDA0002375999660000081
H的特征值α代表x方向上的梯度，β代表y方向上的梯度，其中Tr(H)为黑塞矩阵的迹，Det(H)表示黑塞矩阵的行列式，具体如下：
Tr(H)＝dxx+Dyy＝α+β (5)
Det(H)＝DxxDyy-(Dxx)2＝αβ (6)
假设r为x方向上的梯度与方向上的梯度的比率，就有α＝rβ
Figure BDA0002375999660000082
若上述不等式不满足，则检测到的特征点被判断为边缘点，直接删除。其中r的参考值为r＝10。这意味着剔除主曲率比率大于10的关键点。一个极值点经过精确定位与边缘点的判断后才能被确定为特征点。
特征点提取处理的第三步例如可以进行特征点方向计算处理，但也可以进行其他类似的处理。
为保证图像在尺度空间和二维空间都能获得极值，需要比较每个像素点与相邻上一层和下一层的尺度空间，以及同层内的8个像素点，从而维持它的稳定性和独特性。为提高鲁棒性可通过此极值点相邻上一个及下一个尺度空间域上的像素点的梯度，由此计算出相应的方向θ(x,y)和模值m(x,y)来实现。为确定特征点的方向，可通过特征点邻域像素的梯度方向分布，由特征点的梯度幅值和方向计算公式如下：
Figure BDA0002375999660000091
Figure BDA0002375999660000092
其中，L表示检测特征点的尺度，通过此方法可使获取的特征点具有旋转不变形特性。算法中需要在除去第一层尺度和最后一层尺度空间外的尺度空间内，构建128维的描述向量，从而保证特征点的稳定性能，整个过程提高了特征点的稳定性。
特征点提取处理的第四步例如可以进行特征点描述符生成处理，但也可以进行其他类似的处理。每个特征点都具有方向、位置、尺度3个信息，这些信息均以特征点为中心，如图5所示，均匀分成4×4个邻域子块，每个子块的像素点都含有8个方向的信息向量，即每个特征点的特征描述有128个方向。因此这128个特征向量可以准确地描述所有的特征点。
在步骤S150中，进行图像匹配，基于图像特征的匹配方法，首先需要进行显著的特征查找，在查找的时候，按照控制点的方式进行处理，可以得到不同的配准图像和内容。通过对图像特征的内容进行相似性度量来估计图像的对准，图像的匹配过程将产生一个变换函数运用与原始图像，在这些图像的重叠区域产生最高相似性度量。为达到最好的匹配结果，需要反复进行相似性度量，并通过调节变换函数来改进度量结果。同时，为了降低基于图像特征内容的匹配方法的计复杂度，优化图像匹配精准度的计算目标，采用一种基于进化策略的图像匹配方法。
匹配步骤例如按照如下方式进行：随机取4个不共线特征点，通过4个特征点计算对应的变换模型，根据模型计算其余特征点的结果，再计算结果与特征点的坐标距离，距离小于阈值T，则认为该特征点为内点，否则为外点，并记录内点数；重复以上操作N次，选择内点数最多的那组特征点所计算的模型参数作为最终的匹配模型；对于阈值的大小，一般去1～2个像素点，一般内点数占比大于95％。
在步骤S160中，进行图像融合，图像融合是为了修复图像匹配拼接是产生的一些明显的边界问题，在进图像拼接中，可以通过融合不断改善拼接中出现的问题。
使用加权平均法，对两幅目标图像实现加权处理，进行一定的权重设置和处理。不同权重的像素在融合时产生的效果不同，需要保证图像融合后，重叠区域像素一定是平滑的过渡，已达到消除图像拼接的效果。
Figure BDA0002375999660000101
其中，W1,W2为对应图像的权值，f(x，y)为融合后的图像，f1，f2分别为融合前的图像。
在本发明一个实施例中，以采集图像的数量为30张，检测集群变径深孔的缺陷为例，采用上述分析检测方法，对块状凸起物、退刀划痕、微孔与过渡孔不同心、微孔出现塌边或缺口或毛边、毛刺等缺陷进行检测，在检测到这些缺陷时，判定为集群变径深孔不合格。根据本发明实施例的分析检测方法，正确检出缺陷的概率远远优于人工目测的方法，实现了集群变径深孔的在线自动化检测，降低了大量人工工作量。
综上所述，本发明的集群变径深孔的分析检测方法，能够快速分析集群变径深孔的外观缺陷，通过对图像的高精度的分析处理，减少人工目测的误差，降低误检率，提高检测效率，并且降低生产成本。同时，在图像处理过程中，还可以排除干扰，快速判别缺陷，降低误检率。
以上，仅为本发明的示意性描述，本领域技术人员应该知道，在不偏离本发明的工作原理的基础上，可以对本发明作出多种改进，这均属于本发明的保护范围。

Claims (10)

1.一种分析检测方法，其特征在于，包括以下步骤：
获取集群变径深孔板的待检测区域中的导孔和过渡孔区域的多张采集图像；
截取多张采集图像中与待检测位置对应的目标图像；
对所有被截取的目标图像进行预处理；
对进行了预处理的目标图像进行提取特征点的特征点提取处理；
对所提取的特征点的特征向量之间的距离进行计算，当最邻近的距离与次邻近的距离之比小于阈值时，判断为目标图像匹配；
对匹配的目标图像进行融合，得到完整的待检测图像。
2.如权利要求1所述的分析检测方法，其特征在于，
预处理包括平面处理，在平面处理中对目标图像进行基准坐标的转换。
3.如权利要求1所述的分析检测方法，其特征在于，
预处理包括灰度值偏差校正处理，在灰度值偏差校正处理中对目标图像进行曲线拟合和灰度插值。
4.如权利要求1所述的分析检测方法，其特征在于，
预处理包括图像增强处理。
5.如权利要求1所述的分析检测方法，其特征在于，
特征点提取处理包括尺度空间检测处理。
6.如权利要求5所述的分析检测方法，其特征在于，
在尺度空间检测处理中，通过高斯函数卷积得到尺度空间。
7.如权利要求1所述的分析检测方法，其特征在于，
特征点提取处理包括不稳定点去除处理。
8.如权利要求7所述的分析检测方法，其特征在于，
在不稳定点去除处理中，通过黑塞矩阵计算主曲率。
9.如权利要求1所述的分析检测方法，其特征在于，
特征点提取处理包括特征点方向计算处理。
10.如权利要求1所述的分析检测方法，其特征在于，
特征点提取处理包括特征点描述符生成处理。
CN202010066080.6A 2020-01-20 2020-01-20 分析检测方法 Pending CN113222880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010066080.6A CN113222880A (zh) 2020-01-20 2020-01-20 分析检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010066080.6A CN113222880A (zh) 2020-01-20 2020-01-20 分析检测方法

Publications (1)

Publication Number Publication Date
CN113222880A true CN113222880A (zh) 2021-08-06

Family

ID=77084999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010066080.6A Pending CN113222880A (zh) 2020-01-20 2020-01-20 分析检测方法

Country Status (1)

Country Link
CN (1) CN113222880A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934756A (zh) * 2023-09-18 2023-10-24 中国建筑第五工程局有限公司 一种基于图像处理的物料检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009258069A (ja) * 2008-03-19 2009-11-05 Teijin Techno Products Ltd 紡糸口金の孔内異物の検査装置および検査方法
CN105547182A (zh) * 2015-12-09 2016-05-04 中国科学院声学研究所东海研究站 喷丝板检测设备及方法
CN108537732A (zh) * 2018-04-10 2018-09-14 福州大学 基于pca-sift的快速图像拼接方法
CN109741240A (zh) * 2018-12-25 2019-05-10 常熟理工学院 一种基于层次聚类的多平面图像拼接方法
CN110449376A (zh) * 2019-09-06 2019-11-15 珠海醋酸纤维有限公司 喷丝帽检测系统及其控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009258069A (ja) * 2008-03-19 2009-11-05 Teijin Techno Products Ltd 紡糸口金の孔内異物の検査装置および検査方法
CN105547182A (zh) * 2015-12-09 2016-05-04 中国科学院声学研究所东海研究站 喷丝板检测设备及方法
CN108537732A (zh) * 2018-04-10 2018-09-14 福州大学 基于pca-sift的快速图像拼接方法
CN109741240A (zh) * 2018-12-25 2019-05-10 常熟理工学院 一种基于层次聚类的多平面图像拼接方法
CN110449376A (zh) * 2019-09-06 2019-11-15 珠海醋酸纤维有限公司 喷丝帽检测系统及其控制方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
刘金侠: ""基于特征的图像配准和图像融合算法研究"", 《中国优秀硕士学 位论文全文数据库信息科技辑》, pages 24 - 26 *
孙艳艳;董峰;龚惠兴;: "相机移动场景下的多曝光图像融合系统设计", 电子设计工程, no. 12 *
易成涛;王孝通;徐晓刚;: "基于图像建模系统中图像拼接算法研究", 微电子学与计算机, no. 06 *
牛群遥;叶明;陆永华;: "基于多聚焦图像融合的小孔内表面缺陷检测", 计算机应用, no. 10, 10 October 2016 (2016-10-10) *
王小攀;郝向阳;程传奇;范立岩;: "一种基于特征拓扑约束的图像配准算法", 测绘与空间地理信息, no. 09, 25 September 2016 (2016-09-25) *
贾万波;王宏力;: "一种基于进化策略的边缘特征匹配方法", 激光与红外, no. 02 *
贾迪;朱宁丹;杨宁华;吴思;李玉秀;赵明远;: "图像匹配方法研究综述", 中国图象图形学报, no. 05 *
赵向阳, 杜利民: "一种全自动稳健的图像拼接融合算法", 中国图象图形学报, no. 04 *
邓仕雄;王晓红;刘继庚;李婷婷;何志伟;: "基于SURF算法和极线约束的无人机影像匹配研究", 贵州大学学报(自然科学版), no. 01, 15 February 2018 (2018-02-15) *
鹿煜炜;胡峻;: "基于SIFT和SURF的医学图像特征匹配研究", 中国医疗设备, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934756A (zh) * 2023-09-18 2023-10-24 中国建筑第五工程局有限公司 一种基于图像处理的物料检测方法
CN116934756B (zh) * 2023-09-18 2023-12-05 中国建筑第五工程局有限公司 一种基于图像处理的物料检测方法

Similar Documents

Publication Publication Date Title
CN110047073B (zh) 一种x射线焊缝图像缺陷定级方法及系统
CN113362326A (zh) 一种电池焊点缺陷的检测方法及装置
CN102496161B (zh) 一种印刷电路板图像的轮廓提取方法
Tao et al. Weak scratch detection and defect classification methods for a large-aperture optical element
Zhou et al. Chisel edge wear measurement of high-speed steel twist drills based on machine vision
JP2011017705A (ja) パターン検査装置、パターン検査方法および記録媒体
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN110544233A (zh) 基于人脸识别应用的深度图像质量评价方法
CN114419007B (zh) 多策略融合深度学习网络模型的缺陷类型识别方法及系统
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN117974601B (zh) 基于模板匹配的硅片表面缺陷检测方法及系统
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
CN116612112B (zh) 一种水桶表面缺陷视觉检测方法
Fu et al. Medicine glass bottle defect detection based on machine vision
CN110426395B (zh) 一种太阳能el电池硅片表面检测方法及装置
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
CN116539619A (zh) 产品缺陷检测方法、系统、装置及存储介质
CN115656182A (zh) 基于张量投票主成分分析的板材点云缺陷检测方法
KR101782364B1 (ko) 케이평균군집화를 통한 학습기반의 비전검사 방법
CN112683166B (zh) 一种模切产品尺寸检测方法
CN113222880A (zh) 分析检测方法
CN113705564A (zh) 一种指针式仪表识别读数方法
CN116258838B (zh) 一种用于管片模具合模系统的智能视觉引导方法
KR101782366B1 (ko) 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법
Yu et al. A Machine vision method for non-contact Tool Wear Inspection

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