CN113298776B - 一种金属闭式水泵叶轮外观缺陷检测方法 - Google Patents
一种金属闭式水泵叶轮外观缺陷检测方法 Download PDFInfo
- Publication number
- CN113298776B CN113298776B CN202110555129.9A CN202110555129A CN113298776B CN 113298776 B CN113298776 B CN 113298776B CN 202110555129 A CN202110555129 A CN 202110555129A CN 113298776 B CN113298776 B CN 113298776B
- Authority
- CN
- China
- Prior art keywords
- image
- water pump
- pump impeller
- defect
- closed water
- 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
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
- 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
- G06T7/13—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
- 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
Abstract
本发明公开了一种金属闭式水泵叶轮外观缺陷检测方法,采集金属闭式水泵叶轮原始彩色图像,并将金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像,并从金属闭式水泵叶轮灰度图像中提取分割出待检测部位的灰度图像,进而提取待检测部位缺陷斑点图像,使用Blob算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号,本方法在对不同尺寸、金属材质、闭式结构的水泵叶轮外观进行缺陷检测时,能够高效的、自动的检测出缺陷产品以及缺陷产品的缺陷位置。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种金属闭式水泵叶轮外观缺陷检测方法。
背景技术
离心泵、潜水泵、污水泵、多级泵等多种类型水泵是利用闭式金属叶轮旋转产生的离心力来输送流体,闭式金属叶轮的制造工艺多采用以下方法:将铜、铝或不锈钢铸造红冲的方法制成坯块,再经由铣床对表面进行铣削,从而形成由圆盘形的本体和若干叶片连为一体的单体式叶轮。在各制造工序环节中,由于工艺介质污染、温度不稳、型砂浇注不当、铣削工艺不当和其他设备故障因素,容易引起闭式水泵叶轮在生产时出现不光滑、沙眼、裂纹、气孔、边缘缺口和划痕等不同类型的表面缺陷,导致叶轮在运行时出现气蚀、断裂、机械磨损、振动噪声和输水功能下降等故障。传统的闭式金属水泵叶轮外观缺陷检测工序,主要是通过人工视觉识别产品表面缺陷的方式来完成。该方式因为人员经验、情绪、疲劳和专注等主观因素,在检测工序时容易出现错检、漏检等问题,还存在检测速度、检测精度和稳定性差等问题。另外,人工检测方式还存在检测速度慢、检测精度和稳定性差等问题,无法将检测数据及时、快速发送给其他生产工序,检测过程难以与现场生产信息化系统,导致产品整体生产效率和智能化程度较低。随着水泵行业的快速发展叶轮生产规模的不断扩大,对叶轮的生产要求和质量标准不断提升,制造业领域的人力成本越来越高,闭式金属水泵叶轮外观质量检测工序中采用的传统人工检测方法,已经很难达到现代产业发展的要求,如何提高闭式金属水泵叶轮的外观缺陷检测工序的自动化程度,是企业亟需解决的重要问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此,本发明提出一种金属闭式水泵叶轮外观缺陷检测方法,通过将检测工序上经处理的金属闭式水泵叶轮外观图像与标准金属闭式水泵叶轮外观图像进行比较,在对不同尺寸、金属材质、闭式结构的水泵叶轮外观进行缺陷检测时,能够高效的、自动的检测出缺陷产品以及缺陷产品的缺陷位置。
本发明实施例提供一种金属闭式水泵叶轮外观缺陷检测方法,包括以下步骤:
采集金属闭式水泵叶轮原始彩色图像;
将所述金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像;
将所述金属闭式水泵叶轮灰度图像进行二值化处理,获取金属闭式水泵叶轮二值图像,通过所述金属闭式水泵叶轮二值图像获取所述金属闭式水泵叶轮的中心坐标;
根据所述金属闭式水泵叶轮中心坐标和所述金属闭式水泵叶轮的标准尺寸,从所述金属闭式水泵叶轮灰度图像中分割提取出待检测部位的灰度图像;
对所述待检测部位的灰度图像进行二值化处理,获取待检测部位二值图像,通过所述待检测部位二值图像提取待检测部位缺陷斑点图像,使用Blob算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号。
根据本发明的实施例,至少具有如下技术效果:
通过CCD工业相机对位于检测工序的待检测金属闭式水泵叶轮进行拍照,然后采集经拍照后形成的金属闭式水泵叶轮原始彩色图像,并将金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像,又对金属闭式水泵叶轮灰度图像进行二值化处理,得到金属闭式水泵叶轮二值图像,通过金属闭式水泵叶轮二值图像,计算金属闭式水泵叶轮的中心坐标,从而从金属闭式水泵叶轮灰度图像中提取分割出待检测部位的灰度图像,对待检测部位的灰度图像同样进行二值化处理,得到待检测部位二值图像,通过待检测部位二值图像提取待检测部位缺陷斑点图像,使用Blob算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号,本发明实施例在对不同尺寸、金属材质、闭式结构的水泵叶轮外观进行缺陷检测时,能够高效的、自动的检测出缺陷产品以及缺陷产品的缺陷位置。
根据本发明的一些实施例,在所述采集金属闭式水泵叶轮原始彩色图像之前,还包括步骤:使用圆顶漫反射光源按照碗状光照明方式提供稳定的光照环境。
根据本发明的一些实施例,基于CCD工业相机通过外部触发方式触发拍照来采集所述待检测的金属闭式水泵叶轮原始彩色图像。
根据本发明的一些实施例,在所述将所述金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像之后,还包括步骤:使用高斯滤波算法对所述金属闭式水泵叶轮灰度图像进行滤波去噪,并利用线性灰度拉伸算法对所述金属闭式水泵叶轮灰度图像进行图像增强。
根据本发明的一些实施例,使用双峰直方图阈值分割法对所述金属闭式水泵叶轮灰度图像进行二值化处理。
根据本发明的一些实施例,通过所述金属闭式水泵叶轮二值图像获取所述金属闭式水泵叶轮的粗略中心坐标,并根据所述金属闭式水泵叶轮的粗略中心坐标,检测所述金属闭式水泵叶轮中的前盖板、导流口、泵轴连接口的圆形边缘,分别获得所述前盖板、导流口、泵轴连接口的圆形边缘的中心坐标,通过计算三个所述中心坐标的平均值,得到所述金属闭式水泵叶轮的精确中心坐标。
根据本发明的一些实施例,所述待检测部位包括前盖板表面,所述对所述待检测部位的灰度图像进行二值化处理,获取待检测部位二值图像,通过所述待检测部位二值图像提取待检测部位缺陷斑点图像,使用Blob算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号包括步骤:对前盖板表面灰度图像进行线性灰度拉伸算法处理,并利用OTSU算法对所述前盖板表面灰度图像进行图像二值化处理,获得前盖板表面二值化图像;使用膨胀算子对所述前盖板表面二值化图像进行形态学处理,并对经行形态学处理后的所述前盖板表面二值化图像进行取反运算,获得前盖板表面缺陷斑点图像;使用Blob算法对所述前盖板表面缺陷斑点图像进行像素连通域分析,获取缺陷斑点的面积、轮廓和几何中心等形态参数,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述前盖板表面缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则进行下一道工序的检测。
根据本发明的一些实施例,所述待检测部位还包括前盖板边缘,所述对所述待检测部位的灰度图像进行二值化处理,获取待检测部位二值图像,通过所述待检测部位二值图像提取待检测部位缺陷斑点图像,使用Blob算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号包括步骤:对前盖板边缘灰度图像进行线性灰度拉伸算法处理,并使用双峰直方图阈值分割法对所述前盖板边缘灰度图像进行二值化处理,获得前盖板边缘二值化图像;通过孔洞填充算法对所述前盖板边缘二值化图像进行孔洞填充处理;将所述前盖板边缘二值化图像与标准前盖板边缘二值化图像进行差分数学运算,获得前盖板边缘缺陷斑点图像;使用Blob算法对所述前盖板边缘缺陷斑点图像进行像素连通域分析,获取所有斑点的面积、轮廓和几何中心等形态参数,,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述前盖板边缘缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则进行下一道工序的检测。
根据本发明的一些实施例,所述待检测部位还包括导流口边缘,所述对所述待检测部位的灰度图像进行二值化处理,获取待检测部位二值图像,通过所述待检测部位二值图像提取待检测部位缺陷斑点图像,使用Blob算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号包括步骤:对导流口边缘灰度图像进行线性灰度拉伸算法处理,并使用双峰直方图阈值分割法对所述导流口边缘灰度图像进行二值化处理,获得导流口边缘二值化图像;将所述导流口边缘二值化图像与标准导流口边缘二值化图像进行差分数学运算,获得导流口边缘缺陷斑点图像;使用Blob算法对所述导流口边缘缺陷斑点图像进行像素连通域分析,获取所有斑点的面积、轮廓和几何中心等形态参数,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述导流口边缘缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则进行下一道工序的检测。
根据本发明的一些实施例,所述待检测部位还包括泵轴连接口内边缘,所述对所述待检测部位的灰度图像进行二值化处理,获取待检测部位二值图像,通过所述待检测部位二值图像提取待检测部位缺陷斑点图像,使用Blob算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号包括步骤:对泵轴连接口内边缘灰度图像进行线性灰度拉伸算法处理,并使用双峰直方图阈值分割法对所述泵轴连接口内边缘灰度图像进行二值化处理,获得泵轴连接口内边缘二值化图像;使用Canny边缘检测算法提取所述泵轴连接口内边缘二值化图像,获得所述泵轴连接口内边缘的坐标集,通过所述坐标集计算键槽中心与水平轴的夹角;根据所述夹角以泵轴连接口几何圆中心为中心,将标准泵轴连接口边缘二值化图像旋转至相同位置,并将所述泵轴连接口内边缘二值化图像与所述标准泵轴连接口内边缘二值化图像进行差分数学运算,获得泵轴连接口内边缘缺陷斑点图像;使用Blob算法对所述前盖板边缘缺陷斑点图像进行像素连通域分析,获取所有斑点的面积、轮廓和几何中心等形态参数,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述泵轴连接口内边缘缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出产品合格信号。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的流程图;
图2为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的框架图;
图3为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的采集闭式水泵叶轮的原始图;
图4为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的图像灰度化处理后结果图;
图5为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的灰度拉伸增强图;
图6为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的叶轮二值化图;
图7为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的孔洞填充处理图;
图8为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的叶轮几何中心粗略定位结果图;
图9为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的叶轮几何中心精确定位结果图;
图10为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的(a) 前盖板、(b)前盖板边缘板、(c)导流口边缘板和(d)泵轴连接口内边缘灰度图;
图11为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的前盖板表面处理二值化图;
图12为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的前盖板表面缺陷斑点二值化图;
图13为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的前盖板表面缺陷斑点图像;
图14为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的前盖板表面缺陷分析结果图;
图15为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的前盖板边缘二值化处理结果图;
图16为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的孔洞填充处理结果图;
图17为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的叶轮前盖板边缘缺陷斑点图;
图18为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的叶轮前盖板边缘缺陷斑点分析结果图;
图19为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的导流口边缘二值化图;
图20为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的导流口边缘缺陷斑点图;
图21为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的导流口边缘缺陷斑点分析结果图;
图22为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的泵轴连接口边缘二值化处理结果图;
图23为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的泵轴连接口内边缘坐标集图;
图24为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的(a) 标准叶轮泵轴连接口边缘二值化、(b)差分数学运算处理图;
图25为本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法的叶轮泵轴连接口缺陷斑点分析结果图。
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完整地描述,显然,所描述的实施例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域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本发明。
参照图1,本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法,包括以下步骤:
步骤S110:采集金属闭式水泵叶轮原始彩色图像。
在本实施例中,使用CCD工业相机采集金属闭式水泵叶轮原始彩色图像。工业相机又俗称摄像机,相比于传统的民用相机(摄像机)而言,它具有高的图像稳定性、高传输能力和高抗干扰能力等,市面上工业相机大多是基于CCD或CMOS 芯片的相机。CCD是目前机器视觉最为常用的图像传感器,它集光电转换及电荷存贮、电荷转移、信号读取于一体,是典型的固体成像器件。CCD的突出特点是以电荷作为信号,而不同于其它器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包,而后在驱动脉冲的作用下转移、放大输出图像信号。
在本实施例中,金属闭式水泵叶轮原始彩色图像是指在检测工序中被CCD工业相机拍照采集后未经处理的彩色图像。
步骤S120:将金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像。
一幅完整的图像,是由红色、绿色、蓝色三个通道组成的。红色、绿色、蓝色三个通道的缩览图都是以灰度显示的。用不同的灰度色阶来表示“红,绿,蓝”在图像中的比重。通道中的纯白,代表了该色光在此处为最高亮度,亮度级别是 255。
在本实施例中,使用平均值法:Gray=(R+G+B)/3,其中R、G、B代表三原色红色、绿色、蓝色,将金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像。
步骤S130:将金属闭式水泵叶轮灰度图像进行二值化处理,获取金属闭式水泵叶轮二值图像,通过金属闭式水泵叶轮二值图像获取金属闭式水泵叶轮的中心坐标。
二值化处理就是将图像上的像素点的灰度值设置为0或255,图像的二值化使图像中数据量大为减少,从而能凸显出目标的特征。
在本实施例中,利用双峰直方图阈值分割法将闭式水泵叶轮灰度图像进行二值化分割,提取叶轮二值化图像。
步骤S140:根据金属闭式水泵叶轮中心坐标和金属闭式水泵叶轮标准尺寸,从金属闭式水泵叶轮灰度图像中分割提取待检测部位的灰度图像。
由于通过传感器定位触发图像采集时闭式水泵叶轮在图像中的位置存在较大误差,在后续处理中需要计算闭式水泵叶轮在图像中精确位置和几何中心坐标,以便高精度地分割提取叶轮不同的检测区域,提升后续外观缺陷检测的准确性。
在本实施例中,通过图形几何距分析方法计算闭式水泵叶轮二值化图像的形心坐标,以此确定叶轮几何中心的粗略坐标,根据获取的叶轮几何中心粗略坐标,在叶轮前盖板、导流口、泵轴连接口三个位置分别设置ROI区域,在对应的ROI 区域内检测圆形边缘,得到叶轮前盖板外缘、导流口外缘、泵轴连接口内缘的三个对应边缘圆形及其圆心坐标,计算三个圆心坐标的平均值,以此得到叶轮的精确几何中心坐标,根据叶轮的精确几何中心坐标和标准叶轮尺寸大小,从叶轮灰度图像对应区域内分别分割提取前盖板、前盖板边缘、导流口边缘和泵轴连接口内边缘四个子灰度图像。
步骤S150:对所述待检测部位的灰度图像进行二值化处理,获取待检测部位二值图像,通过所述待检测部位二值图像提取待检测部位缺陷斑点图像,使用Blob 算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在所述待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号。
在本实施例中,Blob算法就是在一块区域内,将出现”灰度突变”的范围找出来。确定其大小、形状及面积等。算法从边缘寻找中的“卷积算法”,例如“卷积算法”的矩阵设定为2*4扫描从左向右从上至下进行的。矩阵每移动一步,算法计算矩阵中前半部(列1及列2)的灰度值总和,与矩阵中后半部(列3及列4) 的灰度值总和的差。假如矩阵中这块图像的颜色为相同,也就是说矩阵中的8个像素的灰度极接近的话,那么,这个矩阵前部与后部灰度值总和差应该是趋近0 的。程序一步步运行,矩阵前部与后部的灰度值总和差一直接近0。如果矩阵扫描到了一块前景的边缘,这时矩阵前部与后部灰度值总和差突变了,灰度值不再接近,则是到了一个Blob。当算法扫描完整的时候,系统就记录了全部发生这种突变情况的点的坐标。之后再对这些边缘点进行一系列的分析,便可以得到这个 Blob的大小、形状及面积等信息。
传统的闭式金属水泵叶轮外观缺陷检测工序,主要是通过人工视觉识别产品表面缺陷的方式来完成。该方式因为人员经验、情绪、疲劳和专注等主观因素,在检测工序时容易出现错检、漏检等问题,还存在检测速度、检测精度和稳定性差等问题。另外,人工检测方式还存在检测速度慢、检测精度和稳定性差等问题,无法将检测数据及时、快速发送给其他生产工序,检测过程难以与现场生产信息化系统,导致产品整体生产效率和智能化程度较低。本发明实施例通过CCD工业相机对位于检测工序的待检测金属闭式水泵叶轮进行拍照,然后采集经拍照后形成的金属闭式水泵叶轮原始彩色图像,并将金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像,又对金属闭式水泵叶轮灰度图像进行二值化处理,得到金属闭式水泵叶轮二值图像,通过金属闭式水泵叶轮二值图像,计算金属闭式水泵叶轮的中心坐标,从而从金属闭式水泵叶轮灰度图像中提取分割出待检测部位的灰度图像,对待检测部位的灰度图像同样进行二值化处理,得到待检测部位二值图像,通过待检测部位二值图像提取待检测部位缺陷斑点图像,使用Blob 算法对缺陷斑点连通域进行分析,若获取所有斑点像素面积超过预设阈值的缺陷斑点,则在待检测部位缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取所有斑点像素面积未超过预设阈值的缺陷斑点,则输出检测合格信号,本发明实施例提供一种金属闭式水泵叶轮外观缺陷检测方法,在对不同尺寸、金属材质、闭式结构的水泵叶轮外观进行缺陷检测时,能够高效的、自动的检测出缺陷产品以及缺陷产品的缺陷位置。
参照图2,本发明实施例提供的一种金属闭式水泵叶轮外观缺陷检测方法,包括以下步骤:
步骤S201:采集待检测的金属闭式水泵叶轮原始彩色图像。
本实施例中使用LED圆顶漫反射光源按照碗状光照明方式提供固定、封闭和稳定的检测环境,通过传送装置将待检测产品输送至检测区域,利用位置传感器向主控制器发送拍照触发信号,CCD工业相机采集得到待检测闭式水泵叶轮的原始图像,并发送给主控制器,由主控制运行外观缺陷检测程序。采集的闭式水泵叶轮的原始图像如附图3所示。
步骤S202:金属闭式水泵叶轮原始彩色图像预处理。
本实施例中,使用平均值法将采集的原始彩色图像转换为灰度图像,保留梯度信息,提高后续检测算法的运算速度;使用高斯滤波算法对转化的灰度图像进行滤波去噪,减少各类噪声对后续图像处理的影响;使用线性灰度拉伸算法完成灰度对比度拉伸,增强闭式水泵叶轮的图像特征,方便后续叶轮区域的分割、提取处理。
本实施例中步骤S202的具体实现包括以下子步骤:
步骤S2021:采用平均值法对采集的闭式水泵叶轮原始图像进行图像灰度化处理,获得闭式水泵叶轮灰度图像,附图4为图像灰度化处理后结果。
步骤S2022:使用高斯滤波算法对闭式水泵叶轮灰度图像进行滤波降噪预处理,减少各类噪声干扰对后续处理的影响。
步骤S2023:使用分段线性变换函数对闭式水泵叶轮图像进行灰度对比度拉伸增强,突出叶轮表面图像细节,附图5为灰度拉伸增强后图。
步骤S203:提取金属闭式水泵叶轮图像特征区域。
本实施例中,通过传感器定位触发图像采集时闭式水泵叶轮在图像中的位置存在较大误差,在后续处理中需要计算闭式水泵叶轮在图像中精确位置和几何中心坐标,以便高精度地分割提取叶轮不同的检测区域,提升后续外观缺陷检测的准确性。
如图6至图10所示,本实施例中步骤S203的具体实现包括以下子步骤:
步骤S2031:利用双峰直方图阈值分割法将闭式水泵叶轮灰度图像进行二值化分割,使用孔洞填充算法将叶轮前盖板区域的孔洞进行填充处理,提取叶轮二值化图像,附图6为叶轮二值化图,附图7为孔洞填充处理后图。本实施例中,由于铣削工序在叶轮表面会保留加工纹理,叶轮图像在进行二值化分割时在相应位置会出现孔洞现象,通过孔洞填充算法处理降低孔洞对后续处理的影响。
步骤S2032:通过图形几何距分析方法计算闭式水泵叶轮二值化图像的形心坐标,以此确定叶轮几何中心的粗略坐标,附图8为叶轮几何中心粗略定位结果图。
步骤S2033:根据获取的叶轮几何中心粗略坐标,在叶轮前盖板、导流口、泵轴连接口三个位置分别设置ROI区域,在对应的ROI区域内检测圆形边缘,得到叶轮前盖板外缘、导流口外缘、泵轴连接口内缘的三个对应边缘圆形及其圆心坐标,计算三个圆心坐标的平均值,以此得到叶轮的精确几何中心坐标,附图9 为叶轮几何中心精确定位结果图。
步骤S20:34:根据叶轮的精确几何中心坐标和标准叶轮尺寸大小,从叶轮灰度图像对应区域内分别分割提取前盖板、前盖板边缘、导流口边缘和泵轴连接口内边缘四个子灰度图像。附图10的 (a)、(b)、(c)、(d)分别为分割提取的前盖板、前盖板边缘、导流口边缘和泵轴连接口内边缘灰度图。
步骤S204:前盖板表面缺陷分析。
本实施例中,对分割提取的前盖板灰度图像进行灰度拉伸、二值化处理,提取前盖板表面纹理二值化图像,然后使用膨胀算子进行形态学处理,去除规则纹理部分,保留不规则纹理和缺陷斑点部分,进行取反运算后提取前盖板表面缺陷图像,使用Blob算法对缺陷斑点连通域进行分析,获取缺陷斑点的面积、轮廓和位置信息,以此判断叶轮前盖板表面是否存在缺陷。
参照图11至图14,本实施例中步骤S204的具体实现包括以下子步骤:
步骤S2041:对分割提取的前盖板灰度图像进行线性灰度拉伸算法处理,增强前盖板表面纹理特征,利用OTSU算法进行图像二值化处理,提取前盖板二值化图像,附图11为前盖板表面处理二值化图。
步骤S2042:使用膨胀算子对叶轮前盖板二值化图像进行形态学处理,去除前盖板表面规则纹理部分,得到表面缺陷二值化图像,对表面缺陷孔洞图像进行取反运算后,提取前盖板表面缺陷斑点图像,附图12为提取前盖板表面缺陷斑点二值化图,附图13为提取的前盖板表面缺陷斑点图。本实施例中结合叶轮表面纹理特征,膨胀运算中选择结构元素:R=[0 0 1 0 0;0 0 1 0 0;1 1 1 1 1;0 0 1 0 0;0 0 1 0 0],有效去除前端盖表面正常的规则纹理部分,保留不规则纹理和缺陷斑点部分。
步骤S2043:使用Blob分析算法对前盖板表面缺陷斑点连通域进行分析,测量缺陷斑点的面积、轮廓和几何中心等形态参数,判断所有像素面积超过预设阈值的斑点,若斑点像素面积超出预设阈值,则判定该处存在表面划痕、污染或孔洞等缺陷,在图像上标示相关缺陷轮廓、位置等信息,控制器向外设输出缺陷信号。附图14为前盖板表面缺陷分析结果图。
步骤S205:前盖板边缘缺陷分析。
在本实施例中对提取的叶轮前盖板边缘灰度图像进行线性灰度拉伸和二值化分割和孔洞填充处理,提取前盖板边缘特征二值化图像,然后与标准叶轮前盖板边缘二值化图像进行差分数学运算,提取边缘缺陷斑点图像,使用Blob算法对边缘缺陷斑点连通域进行分析,获取所有斑点像素面积、轮廓和位置信息,以此判断叶轮前盖板边缘是否存在缺陷。
参照附图15至图18,本实施例中步骤S205的具体实现包括以下子步骤:
步骤S2051:使用线性灰度拉伸算法对提取的叶轮前盖板边缘灰度图像进行对比度拉伸,增强叶轮前盖板边缘特征,使用双峰直方图阈值分割法从前盖板边缘灰度图像中分割得到前盖板边缘二值化图像,附图15为提取的前盖板边缘二值化处理结果图。
步骤S2052:利用孔洞填充算法对前盖板边缘二值化图像进行孔洞填充处理,将前盖板边缘中纹理孔洞进行填充,消除纹理孔洞对后续处理的影响,附图16为孔洞填充处理后结果图。
本实施例中前盖板边缘区域中是存在正常的铣削加工纹理,图像二值化处理后会保留部分纹理孔洞,通过孔洞填充算法处理降低对后续图像处理的影响。
本实施例中孔洞填充算法采用膨胀算法,首先在前盖板边缘二值图像中确定任意一个背景点,从该点出发,利用形态学膨胀算法对背景像素进行膨胀填充,膨胀运算结构元为[0,1,0;1,1,1;0,1,0],直到孔洞消失并对处理图像进行取反得到孔洞点集图像,最后将孔洞点集二值图像与前盖板边缘二值原始图像进行加法运算,得到孔洞填充处理后图像。
步骤S2053:将获取叶轮前盖板边缘二值化图像与标准叶轮前盖板边缘二值化图像进行差分数学运算,将两幅图像的对应像素值进行相减,消除待检测前盖板边缘图像中的没有缺陷的像素部分,保留、突出图像的相异部分即为边缘缺陷部分,附图17为提取得到叶轮前盖板边缘缺陷斑点图。
步骤S2054:使用Blob算法对叶轮前盖板边缘缺陷斑点图像进行像素连通域分析,获取所有斑点的面积、轮廓和几何中心等形态参数,判断斑点面积是否超过预设阈值,若结果成立则判定该叶轮前盖板边缘存在缺陷,并在图像上标示相关缺陷位置,输出缺陷信号。附图18为叶轮前盖板边缘缺陷斑点分析后结果图。
步骤S206:导流口边缘缺陷分析。
在本实施例对提取的叶轮导流口边缘灰度图像进行线性灰度拉伸,使用双峰直方图阈值分割法对导流口边缘图像进行二值化分割,提取导流口边缘二值化图像,并与标准叶轮导流口边缘二值化图像进行差分数学运算,提取导流口边缘缺陷斑点图像;使用Blob算法对导流口边缘缺陷斑点连通域进行分析,获取所有斑点像素面积超过预设阈值的缺陷斑点,以此判断叶轮导流口边缘是否存在缺陷,并在图像上标示相关缺陷位置,输出缺陷信号。
请见附图19至图21所示,本实施例中步骤S206的具体实现包括以下子步骤:
步骤S2061:使用线性灰度拉伸算法对提取的叶轮导流口边缘灰度图像进行灰度对比度拉伸,突出导流口边缘特征,然后使用双峰直方图阈值分割法对图像进行二值化处理,分割提取叶轮导流口边缘二值化图像,附图19为分割提取的导流口边缘二值化图。
步骤S2062:将提取的叶轮导流口边缘二值化图像与标准叶轮导流口边缘二值化图像进行差分数学运算,将两幅图像的对应像素值进行相减,消除待检测叶轮导流口边缘二值化图像中的没有缺陷的像素部分,保留、突出图像的相异部分即为边缘缺陷部分,提取导流口边缘缺陷斑点图像,附图20为获得的导流口边缘缺陷斑点图。
步骤S2063:使用Blob算法对导流口边缘缺陷斑点连通域进行分析,获得所有缺陷斑点的面积、轮廓和几何中心等形态参数,判断斑点像素面积是否超出预设阈值,以此判定叶轮导流口边缘是否存在缺陷,并在图像上标示相关缺陷位置,输出缺陷信号。附图21为获得的导流口边缘缺陷斑点分析结果图。
步骤S207:泵轴连接口内边缘缺陷分析。
在本实施例中首先分割泵轴连接口边缘二值化图像,进行边缘检测获得泵轴连接口的边缘坐标集,以此计算得到键槽中心与水平轴的夹角,以此将标准泵轴连接口边缘二值化图像旋转至相同位置,然后将提取的泵轴连接口边缘二值化图像与旋转后的标准泵轴连接口边缘二值化图像进行差分运算,提取泵轴连接口边缘缺陷斑点图像,最后使用Blob算法对泵轴连接口边缘缺陷斑点连通域进行分析,获取所有斑点像素面积超过预设阈值的缺陷斑点,以此判断泵轴连接口内边缘是否存在缺陷。
请见附图22至图25,本实施例中步骤S207的具体实现包括以下子步骤:
步骤S2071:使用线性灰度算法对提取的叶轮泵轴连接口内边缘灰度图像进行灰度对比度拉伸,突出泵轴连接口边缘特征,利用双峰直方图阈值分割法对图像进行二值化分割,提取泵轴连接口边缘二值化图像,附图22为泵轴连接口边缘二值化处理结果图。
步骤S2072:使用Canny边缘检测算法提取泵轴连接口的边缘轮廓图像,得到泵轴连接口内边缘坐标集,并计算刷选所有到泵轴连接口中心点距离大于标准值的边缘点,得到上述刷选边缘点到中心点的所有直线,并计算所有直线与水平轴之间夹角的平均值,以此获取键槽中心与水平轴的夹角;附图23为泵轴连接口内边缘坐标集图。
步骤S2073:根据此夹角以泵轴连接口几何圆中心为中心,将标准泵轴连接口边缘二值化图像旋转至相同位置,将待检测泵轴连接口边缘二值化图像与标准叶轮泵轴连接口边缘二值化图像进行差分数学运算,提取叶轮泵轴连接口边缘缺陷斑点图像;附图24的(a)、(b)分别为标准叶轮泵轴连接口边缘二值化图和差分数学运算处理图。
步骤S2074:对叶轮泵轴连接口缺陷斑点图像进行Blob分析,对每个斑点目标进行轮廓、面积和几何中心等特征量计算,判断斑点面积是否超过预设阈值,若超过预设阈值则判定该处存在刮痕、污渍或凹陷等表面缺陷,在图像上标识出相应缺陷轮廓和面积信息,输出缺陷信号,若没超出预设阈值,则判定该检测产品合格,附图25为叶轮泵轴连接口缺陷斑点分析结果图。
专业人员可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAMD、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包括”或者其任何其他变体意在涵盖非排他性的包括,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种金属闭式水泵叶轮外观缺陷检测方法,其特征在于,包括以下步骤:
采集金属闭式水泵叶轮原始彩色图像;
将所述金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像;
将所述金属闭式水泵叶轮灰度图像进行二值化处理,获取金属闭式水泵叶轮二值图像,通过所述金属闭式水泵叶轮二值图像获取所述金属闭式水泵叶轮的中心坐标;其中,通过所述金属闭式水泵叶轮二值图像获取所述金属闭式水泵叶轮的中心坐标包括:
通过所述金属闭式水泵叶轮二值图像获取所述金属闭式水泵叶轮的粗略中心坐标,并根据所述金属闭式水泵叶轮的粗略中心坐标,检测所述金属闭式水泵叶轮中的前盖板、导流口、泵轴连接口的圆形边缘,分别获得所述前盖板、导流口、泵轴连接口的圆形边缘的中心坐标,通过计算三个所述中心坐标的平均值,得到所述金属闭式水泵叶轮的中心坐标;
根据所述金属闭式水泵叶轮中心坐标和所述金属闭式水泵叶轮的标准尺寸,从所述金属闭式水泵叶轮灰度图像中分割提取出待检测部位的灰度图像;其中,所述待检测部位为所述前盖板、导流口和泵轴连接口;
当所述待检测部位为前盖板表面,包括:
对前盖板表面灰度图像进行线性灰度拉伸算法处理,并利用OTSU算法对所述前盖板表面灰度图像进行图像二值化处理,获得前盖板表面二值化图像;
使用膨胀算子对所述前盖板表面二值化图像进行形态学处理,并对经形态学处理后的所述前盖板表面二值化图像进行取反运算,获得前盖板表面缺陷斑点图像;
使用Blob算法对所述前盖板表面缺陷斑点图像进行像素连通域分析,获取缺陷斑点的面积、轮廓和几何中心形态参数,若获取缺陷斑点的像素面积超过预设阈值,则在所述前盖板表面缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取缺陷斑点的像素面积未超过预设阈值,则进行下一道工序的检测;
当所述待检测部位为前盖板边缘,包括:
对前盖板边缘灰度图像进行线性灰度拉伸算法处理,并使用双峰直方图阈值分割法对所述前盖板边缘灰度图像进行二值化处理,获得前盖板边缘二值化图像;
通过孔洞填充算法对所述前盖板边缘二值化图像进行孔洞填充处理;
将所述前盖板边缘二值化图像与标准前盖板边缘二值化图像进行差分数学运算,获得前盖板边缘缺陷斑点图像;
使用Blob算法对所述前盖板边缘缺陷斑点图像进行像素连通域分析,获取所有斑点的面积、轮廓和几何中心形态参数,若获取斑点的像素面积超过预设阈值,则在所述前盖板边缘缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取斑点的像素面积未超过预设阈值,则进行下一道工序的检测;
当所述待检测部位为导流口边缘,包括:
对导流口边缘灰度图像进行线性灰度拉伸算法处理,并使用双峰直方图阈值分割法对所述导流口边缘灰度图像进行二值化处理,获得导流口边缘二值化图像;
将所述导流口边缘二值化图像与标准导流口边缘二值化图像进行差分数学运算,获得导流口边缘缺陷斑点图像;
使用Blob算法对所述导流口边缘缺陷斑点图像进行像素连通域分析,获取所有斑点的面积、轮廓和几何中心形态参数,若获取斑点的像素面积超过预设阈值,则在所述导流口边缘缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取斑点的像素面积未超过预设阈值,则进行下一道工序的检测;
当所述待检测部位为泵轴连接口内边缘,包括:
对泵轴连接口内边缘灰度图像进行线性灰度拉伸算法处理,并使用双峰直方图阈值分割法对所述泵轴连接口内边缘灰度图像进行二值化处理,获得泵轴连接口内边缘二值化图像;
使用Canny边缘检测算法提取所述泵轴连接口内边缘二值化图像,获得所述泵轴连接口内边缘的坐标集,通过所述坐标集计算键槽中心与水平轴的夹角;
根据所述夹角以泵轴连接口几何圆中心为中心,将标准泵轴连接口内边缘二值化图像旋转至相同位置,并将所述泵轴连接口内边缘二值化图像与所述标准泵轴连接口内边缘二值化图像进行差分数学运算,获得泵轴连接口内边缘缺陷斑点图像;
使用Blob算法对所述泵轴连接口内边缘缺陷斑点图像进行像素连通域分析,获取所有斑点的面积、轮廓和几何中心形态参数,若获取斑点的像素面积超过预设阈值,则在所述泵轴连接口内边缘缺陷斑点图像上标识相关缺陷位置,输出缺陷信号,若获取斑点的像素面积未超过预设阈值,则输出产品合格信号。
2.根据权利要求1所述的一种金属闭式水泵叶轮外观缺陷检测方法,其特征在于,在所述采集金属闭式水泵叶轮原始彩色图像之前,还包括步骤:使用圆顶漫反射光源按照碗状光照明方式提供稳定的光照环境。
3.根据权利要求1所述的一种金属闭式水泵叶轮外观缺陷检测方法,其特征在于:CCD工业相机通过外部触发方式触发拍照来采集所述金属闭式水泵叶轮原始彩色图像。
4.根据权利要求1所述的一种金属闭式水泵叶轮外观缺陷检测方法,其特征在于,在所述将所述金属闭式水泵叶轮原始彩色图像转化为金属闭式水泵叶轮灰度图像之后,还包括步骤:使用高斯滤波算法对所述金属闭式水泵叶轮灰度图像进行滤波去噪,并利用线性灰度拉伸算法对所述金属闭式水泵叶轮灰度图像进行图像增强。
5.根据权利要求1所述的一种金属闭式水泵叶轮外观缺陷检测方法,其特征在于:使用双峰直方图阈值分割法对所述金属闭式水泵叶轮灰度图像进行二值化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555129.9A CN113298776B (zh) | 2021-05-21 | 2021-05-21 | 一种金属闭式水泵叶轮外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555129.9A CN113298776B (zh) | 2021-05-21 | 2021-05-21 | 一种金属闭式水泵叶轮外观缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298776A CN113298776A (zh) | 2021-08-24 |
CN113298776B true CN113298776B (zh) | 2023-01-24 |
Family
ID=77323384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110555129.9A Active CN113298776B (zh) | 2021-05-21 | 2021-05-21 | 一种金属闭式水泵叶轮外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298776B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109637B (zh) * | 2023-04-13 | 2023-12-26 | 杭州深度视觉科技有限公司 | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 |
CN116718598B (zh) * | 2023-06-01 | 2023-12-29 | 鹰普罗斯叶轮(宜兴)有限公司 | 一种基于视觉检测的铝合金叶轮缺陷监测系统 |
CN116993746B (zh) * | 2023-09-28 | 2023-12-19 | 武汉海微科技有限公司 | 车载屏幕排线缺陷检测方法、装置、设备及存储介质 |
CN117333483A (zh) * | 2023-11-30 | 2024-01-02 | 中科慧远视觉技术(洛阳)有限公司 | 一种用于金属凹陷结构底部的缺陷检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6539106B1 (en) * | 1999-01-08 | 2003-03-25 | Applied Materials, Inc. | Feature-based defect detection |
CN108765433A (zh) * | 2018-05-31 | 2018-11-06 | 西京学院 | 一种用于提高精度的多叶面积测量方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548208B (zh) * | 2016-02-05 | 2018-10-19 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN110211101A (zh) * | 2019-05-22 | 2019-09-06 | 武汉理工大学 | 一种铁轨表面缺陷快速检测系统及方法 |
CN110220917B (zh) * | 2019-06-11 | 2021-09-07 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
-
2021
- 2021-05-21 CN CN202110555129.9A patent/CN113298776B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6539106B1 (en) * | 1999-01-08 | 2003-03-25 | Applied Materials, Inc. | Feature-based defect detection |
CN108765433A (zh) * | 2018-05-31 | 2018-11-06 | 西京学院 | 一种用于提高精度的多叶面积测量方法 |
Non-Patent Citations (2)
Title |
---|
Domain Adaptation for Automatic OLED Panel Defect Detection Using Adaptive Support Vector Data Description;Vishwanath A et al;《International Journal of Computer Vision》;20161231;第1-19页 * |
航空铝合金针孔缺陷自动分级的图像处理方法;吴鑫等;《北京航空航天大学学报》;20110615(第06期);第46-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113298776A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298776B (zh) | 一种金属闭式水泵叶轮外观缺陷检测方法 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN107369136B (zh) | 聚晶金刚石复合片表面裂纹视觉检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN114913177B (zh) | 一种基于霍夫圆的汽车零部件缺陷检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN116597392B (zh) | 基于机器视觉的液压油杂质识别方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN116542968A (zh) | 一种基于模板匹配的钢筋智能计数方法 | |
CN112581452A (zh) | 工业配件表面缺陷检测方法、系统、智能设备和存储介质 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113298775B (zh) | 自吸泵双面金属叶轮外观缺陷检测方法、系统和介质 | |
CN111008960B (zh) | 基于机器视觉的铝电解电容底部外观检测方法及装置 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN109211919B (zh) | 磁瓦崩缺区域的识别方法及装置 | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |