CN113327241A - 一种轴承端面的表面缺陷视觉检测方法及系统 - Google Patents
一种轴承端面的表面缺陷视觉检测方法及系统 Download PDFInfo
- Publication number
- CN113327241A CN113327241A CN202110667276.5A CN202110667276A CN113327241A CN 113327241 A CN113327241 A CN 113327241A CN 202110667276 A CN202110667276 A CN 202110667276A CN 113327241 A CN113327241 A CN 113327241A
- Authority
- CN
- China
- Prior art keywords
- bearing end
- region
- interest
- face
- local sub
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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 by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/10004—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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种轴承端面的表面缺陷视觉检测方法,包括:采集轴承端面图片;对轴承端面图片进行预处理,得到预处理后的轴承端面图片;获取预处理后的轴承端面图片的感兴趣区域;通过对感兴趣区域进行等量分割得到多个相同的感兴趣区域局部子图像;将多个感兴趣区域局部子图像分别输入轴承端面表面缺陷视觉检测深度学习模型,得到多个局部子图像检测结果;轴承端面表面缺陷视觉检测深度学习模型是以不同角度的历史感兴趣区域局部子图像为输入,以历史局部子图像检测结果为输出进行构建的;将多个局部子图像检测结果进行拼接,得到轴承端面的表面缺陷图片。本发明大大提高了轴承端面的表面缺陷的检测精度。
Description
技术领域
本发明涉及轴承缺陷检测领域,特别是涉及一种轴承端面的表面缺陷视觉检测方法及系统。
背景技术
轴承主要用于承担机械设备重量和为汽车轮毂的转动提供精确引导,它既承受轴向载荷又承受径向载荷,是机械设备中一个非常重要的组成部分。由于轴承在机械设备使用中具有重要作用,因此,轴承采购商对轴承的质量有着严格要求。为了满足轴承采购商要求,轴承生产厂家会对生产的轴承进行严格质量检查。然而,目前的轴承质量检测方法仍然大量采用人工肉眼观察方法对轴承端面的表面缺陷进行检测,这种检测方法不仅检测效率较低而且漏检、误检率较高。
机器视觉缺陷检测方法作为一种自动化检测技术,已应用于轴承缺陷检测,不仅检测效率高,而且可以大幅降低人工成本,但是现有的机器视觉缺陷检测方法通常是采用传统机器视觉技术对轴承端面的表面缺陷进行检测,然而,当相机拍摄角度不同时,同一种缺陷检测出的形态也会不相同,这就导致检测结果有误差,因此当前轴承端面的表面缺陷检测精度低。
发明内容
本发明的目的是提供一种轴承端面的表面缺陷视觉检测方法及系统,以解决现有技术中轴承端面的表面缺陷的检测精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种轴承端面的表面缺陷视觉检测方法,包括:
采集轴承端面图片;
对所述轴承端面图片进行预处理,得到预处理后的轴承端面图片;
获取所述预处理后的轴承端面图片的感兴趣区域;
通过对所述感兴趣区域的长和宽进行等量分割,得到多个相同的感兴趣区域局部子图像;
将多个所述感兴趣区域局部子图像分别输入轴承端面表面缺陷视觉检测深度学习模型,得到多个局部子图像检测结果;所述局部子图像检测结果包括缺陷形态和缺陷位置;所述轴承端面表面缺陷视觉检测深度学习模型是以不同角度的历史感兴趣区域局部子图像为输入,以历史局部子图像检测结果为输出进行构建的;
将多个所述局部子图像检测结果进行拼接,得到轴承端面的表面缺陷图片。
可选地,所述轴承端面表面缺陷视觉检测深度学习模型具体包括:
依次连接的输入层、主干网络、颈部网络、自注意力网络以及输出层;所述主干网络用于提取所述感兴趣区域局部子图像的特征,得到提取的图像特征;所述颈部网络用于对所述提取的图像特征进一步特征提取,得到二次提取的图像特征;所述自注意力网络采用自注意力机制,所述自注意力机制用于修正所述二次提取的图像特征映射的像素。
可选地,所述获取所述预处理后的轴承端面图片的感兴趣区域,具体包括:
利用大津法对所述预处理后的轴承端面图片进行二值化处理并消除孔洞区域,得到消除孔洞区域的轴承端面图片;
通过连通域检测以及面积筛选的方式对所述消除孔洞区域的轴承端面图片进行定位,并裁剪出感兴趣区域。
可选地,所述感兴趣区域局部子图像的数量为2的整数倍。
可选地,所述感兴趣区域局部子图像的尺寸为320×320dpi;所述感兴趣区域局部子图像为3通道图像。
一种轴承端面的表面缺陷视觉检测系统,包括:
采集模块,用于采集轴承端面图片;
预处理模块,用于对所述轴承端面图片进行预处理,得到预处理后的轴承端面图片;
感兴趣区域获取模块,用于获取所述预处理后的轴承端面图片的感兴趣区域;
局部子图像获取模块,用于通过对所述感兴趣区域的长和宽进行等量分割,得到多个相同的感兴趣区域局部子图像;
检测模块,用于将多个所述感兴趣区域局部子图像分别输入轴承端面表面缺陷视觉检测深度学习模型,得到多个局部子图像检测结果;所述局部子图像检测结果包括缺陷形态和缺陷位置;所述轴承端面表面缺陷视觉检测深度学习模型是以不同角度的历史感兴趣区域局部子图像为输入,以历史局部子图像检测结果为输出进行构建的;
拼接模块,用于将多个所述局部子图像检测结果进行拼接,得到轴承端面的表面缺陷图片。
可选地,所述轴承端面表面缺陷视觉检测深度学习模型具体包括:
依次连接的输入层、主干网络、颈部网络、自注意力网络以及输出层;所述主干网络用于提取所述感兴趣区域局部子图像的特征,得到提取的图像特征;所述颈部网络用于对所述提取的图像特征进一步特征提取,得到二次提取的图像特征;所述自注意力网络采用自注意力机制,所述自注意力机制用于修正所述二次提取的图像特征映射的像素。
可选地,所述感兴趣区域获取模块,具体包括:
消除孔洞单元,用于利用大津法对所述预处理后的轴承端面图片进行二值化处理并消除孔洞区域,得到消除孔洞区域的轴承端面图片;
裁剪单元,用于通过连通域检测以及面积筛选的方式对所述消除孔洞区域的轴承端面图片进行定位,并裁剪出感兴趣区域。
可选地,所述感兴趣区域局部子图像的数量为2的整数倍。
可选地,所述感兴趣区域局部子图像的尺寸为320×320dpi;所述感兴趣区域局部子图像为3通道图像。
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:
本发明提供了一种轴承端面的表面缺陷视觉检测方法及系统,将多个感兴趣区域局部子图像分别输入轴承端面表面缺陷视觉检测深度学习模型,得到多个局部子图像检测结果,再将多个局部子图像检测结果进行拼接,得到轴承端面的表面缺陷图片,轴承端面表面缺陷视觉检测深度学习模型是以不同角度的历史感兴趣区域局部子图像为输入,以历史局部子图像检测结果为输出进行构建的,能检测出不同角度下拍摄的轴承端面的缺陷形态和位置,大大提高了轴承端面的表面缺陷的检测精度。
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为本发明提供的轴承端面的表面缺陷视觉检测方法流程图;
图2为本发明提供的轴承端面的表面缺陷视觉检测系统结构图;
图3为本发明提供的CCD相机采集的轴承端面图片的表面缺陷视觉检测方法流程图;
图4为本发明提供的CCD相机拍摄的轴承端面的上表面图,图4(a)为无缺陷的端面上表面图,图4(b)为包含缺陷的端面上表面图;
图5为本发明提供的图4(b)对应的轴承感兴趣区域图;
图6为本发明提供的轴承感兴趣区域等量分割结果图;
图7为本发明提供的轴承端面表面缺陷视觉检测深度学习模型架构图;
图8为本发明提供的自注意力网络结构图;
图9为本发明提供的本发明得到轴承端面的表面缺陷检测结果图。
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。
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。
如图1所示,本发明提供了一种轴承端面的表面缺陷视觉检测方法,包括:
步骤101:采集轴承端面图片。可通过CCD工业相机采集轴承端面图片。
步骤102:对所述轴承端面图片进行预处理,得到预处理后的轴承端面图片。预处理可采用灰度变换、高斯滤波等图像预处理方法。
步骤103:获取所述预处理后的轴承端面图片的感兴趣区域。
步骤104:通过对所述感兴趣区域的长和宽进行等量分割,得到多个相同的感兴趣区域局部子图像。等量分割时,一般为4等分。
步骤105:将多个所述感兴趣区域局部子图像分别输入轴承端面表面缺陷视觉检测深度学习模型,得到多个局部子图像检测结果;所述局部子图像检测结果包括缺陷形态和缺陷位置;所述轴承端面表面缺陷视觉检测深度学习模型是以不同角度的历史感兴趣区域局部子图像为输入,以历史局部子图像检测结果为输出进行构建的。
步骤106:将多个所述局部子图像检测结果进行拼接,得到轴承端面的表面缺陷图片。
在实际应用中,所述轴承端面表面缺陷视觉检测深度学习模型具体包括:
依次连接的输入层、主干网络、颈部网络、自注意力网络以及输出层;所述主干网络用于提取所述感兴趣区域局部子图像的特征,得到提取的图像特征;所述颈部网络用于对所述提取的图像特征进一步特征提取,得到二次提取的图像特征;所述自注意力网络采用自注意力机制,所述自注意力机制用于修正所述二次提取的图像特征映射的像素。
在实际应用中,所述获取所述预处理后的轴承端面图片的感兴趣区域,具体包括:
利用大津法对所述预处理后的轴承端面图片进行二值化处理并消除孔洞区域,得到消除孔洞区域的轴承端面图片;
通过连通域检测以及面积筛选的方式对所述消除孔洞区域的轴承端面图片进行定位,并裁剪出感兴趣区域。
在实际应用中,所述感兴趣区域局部子图像的数量为2的整数倍。
在实际应用中,所述感兴趣区域局部子图像的尺寸为320×320dpi;所述感兴趣区域局部子图像为3通道图像。
如图2所示,本发明还提供了一种轴承端面的表面缺陷视觉检测系统,包括:
采集模块201,用于采集轴承端面图片。
预处理模块202,用于对所述轴承端面图片进行预处理,得到预处理后的轴承端面图片。
感兴趣区域获取模块203,用于获取所述预处理后的轴承端面图片的感兴趣区域。
局部子图像获取模块204,用于通过对所述感兴趣区域的长和宽进行等量分割,得到多个相同的感兴趣区域局部子图像。
检测模块205,用于将多个所述感兴趣区域局部子图像分别输入轴承端面表面缺陷视觉检测深度学习模型,得到多个局部子图像检测结果;所述局部子图像检测结果包括缺陷形态和缺陷位置;所述轴承端面表面缺陷视觉检测深度学习模型是以不同角度的历史感兴趣区域局部子图像为输入,以历史局部子图像检测结果为输出进行构建的。
拼接模块206,用于将多个所述局部子图像检测结果进行拼接,得到轴承端面的表面缺陷图片。
在实际应用中,所述轴承端面表面缺陷视觉检测深度学习模型具体包括:
依次连接的输入层、主干网络、颈部网络、自注意力网络以及输出层;所述主干网络用于提取所述感兴趣区域局部子图像的特征,得到提取的图像特征;所述颈部网络用于对所述提取的图像特征进一步特征提取,得到二次提取的图像特征;所述自注意力网络采用自注意力机制,所述自注意力机制用于修正所述二次提取的图像特征映射的像素。
在实际应用中,所述感兴趣区域获取模块,具体包括:
消除孔洞单元,用于利用大津法对所述预处理后的轴承端面图片进行二值化处理并消除孔洞区域,得到消除孔洞区域的轴承端面图片。
裁剪单元,用于通过连通域检测以及面积筛选的方式对所述消除孔洞区域的轴承端面图片进行定位,并裁剪出感兴趣区域。
在实际应用中,所述感兴趣区域局部子图像的数量为2的整数倍。
在实际应用中,所述感兴趣区域局部子图像的尺寸为320×320dpi;所述感兴趣区域局部子图像为3通道图像。
结合上述技术方案,本发明给出一种轴承端面的表面缺陷视觉检测方法的具体实施例,该具体实施例可应用于上述技术方案,如图1所示,为CCD相机采集的轴承端面图片的表面缺陷视觉检测方法流程图,本发明使用轴承端面的上表面缺陷检测进行实验说明:
1)通过CCD相机采集轴承各端面图片,图4为CCD相机拍摄的轴承端面的上表面图,图4(a)为无缺陷的端面上表面图,图4(b)为包含缺陷的端面上表面图。
2)对采集到的轴承端面图片首先进行灰度变换、高斯滤波等图像预处理方法去除噪声影响,然后,使用大津法对预处理后的图片进行二值化并消除孔洞区域,最后使用连通域检测以及面积筛选等手段定位到轴承端面所在区域并裁剪出轴承端面区域(感兴趣区域),结果图5所示。
3)对裁剪出的感兴趣区域长和宽进行等量分割,以获取相同大小的局部子图像,图6展示了4等量分割结果局部子图像。
4)将获取的感兴趣区域局部子图像分别输入到轴承端面表面缺陷视觉检测深度学习模型进行缺陷检测。这里轴承端面表面缺陷视觉检测深度学习模型是在基于YoLov5主干网络和颈部网络的结构基础上在其后端引入自注意力网络构建而成。轴承端面表面缺陷视觉检测深度学习模型结构如图7所示,图7中Backbnoes表示主干网络用于提取图像特征,Neck表示颈部网络,作用是更好地利用主干网络提取的特征,这两部分构成了YoLov5模型的主要架构,这里沿用YoLov5主要架构。由于卷积操作只能利用局部信息计算图像中的目标像素,而这种操作丢失全局信息,会带来一定的信息偏差,因此,引入自注意力机制,并将该网络置于YoLov5网络尾部,作用是将图像特征映射的每个像素作为随机变量,计算所有像素间的配对协方差,根据每个预测像素与其他像素间的相似程度增强或减弱预测像素值,自注意力机制结构图如图8所示,其中X表示输入的特征映射图,T表示批,即每次输入的特征映射图个数,H表示特征映射图的高,W表示特征映射图的宽,512和1024表示输出的特征映射图通道数,Z表示输出结果,θ、Φ、g表示不同卷积,softmax表示激活函数。
5)对轴承端面表面缺陷视觉检测深度学习模型输出结果使用直接拼接法即将输出的局部子图像检测结果依据其在原始图像中的位置进行拼接,形成最终的检测结果图片,如图9所示,其中矩形框标记区域为缺陷所在区域。
由图9缺陷检测结果图像可知,本发明能够实现轴承端面的表面缺陷检测,并可以准确地将缺陷位置定位,在轴承缺陷检测以及相关领域具有广泛的应用前景。
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 (10)
1.一种轴承端面的表面缺陷视觉检测方法,其特征在于,包括:
采集轴承端面图片;
对所述轴承端面图片进行预处理,得到预处理后的轴承端面图片;
获取所述预处理后的轴承端面图片的感兴趣区域;
通过对所述感兴趣区域的长和宽进行等量分割,得到多个相同的感兴趣区域局部子图像;
将多个所述感兴趣区域局部子图像分别输入轴承端面表面缺陷视觉检测深度学习模型,得到多个局部子图像检测结果;所述局部子图像检测结果包括缺陷形态和缺陷位置;所述轴承端面表面缺陷视觉检测深度学习模型是以不同角度的历史感兴趣区域局部子图像为输入,以历史局部子图像检测结果为输出进行构建的;
将多个所述局部子图像检测结果进行拼接,得到轴承端面的表面缺陷图片。
2.根据权利要求1所述的轴承端面的表面缺陷视觉检测方法,其特征在于,所述轴承端面表面缺陷视觉检测深度学习模型具体包括:
依次连接的输入层、主干网络、颈部网络、自注意力网络以及输出层;所述主干网络用于提取所述感兴趣区域局部子图像的特征,得到提取的图像特征;所述颈部网络用于对所述提取的图像特征进一步特征提取,得到二次提取的图像特征;所述自注意力网络采用自注意力机制,所述自注意力机制用于修正所述二次提取的图像特征映射的像素。
3.根据权利要求1所述的轴承端面的表面缺陷视觉检测方法,其特征在于,所述获取所述预处理后的轴承端面图片的感兴趣区域,具体包括:
利用大津法对所述预处理后的轴承端面图片进行二值化处理并消除孔洞区域,得到消除孔洞区域的轴承端面图片;
通过连通域检测以及面积筛选的方式对所述消除孔洞区域的轴承端面图片进行定位,并裁剪出感兴趣区域。
4.根据权利要求1所述的轴承端面的表面缺陷视觉检测方法,其特征在于,所述感兴趣区域局部子图像的数量为2的整数倍。
5.根据权利要求1所述的轴承端面的表面缺陷视觉检测方法,其特征在于,所述感兴趣区域局部子图像的尺寸为320×320dpi;所述感兴趣区域局部子图像为3通道图像。
6.一种轴承端面的表面缺陷视觉检测系统,其特征在于,包括:
采集模块,用于采集轴承端面图片;
预处理模块,用于对所述轴承端面图片进行预处理,得到预处理后的轴承端面图片;
感兴趣区域获取模块,用于获取所述预处理后的轴承端面图片的感兴趣区域;
局部子图像获取模块,用于通过对所述感兴趣区域的长和宽进行等量分割,得到多个相同的感兴趣区域局部子图像;
检测模块,用于将多个所述感兴趣区域局部子图像分别输入轴承端面表面缺陷视觉检测深度学习模型,得到多个局部子图像检测结果;所述局部子图像检测结果包括缺陷形态和缺陷位置;所述轴承端面表面缺陷视觉检测深度学习模型是以不同角度的历史感兴趣区域局部子图像为输入,以历史局部子图像检测结果为输出进行构建的;
拼接模块,用于将多个所述局部子图像检测结果进行拼接,得到轴承端面的表面缺陷图片。
7.根据权利要求6所述的轴承端面的表面缺陷视觉检测系统,其特征在于,所述轴承端面表面缺陷视觉检测深度学习模型具体包括:
依次连接的输入层、主干网络、颈部网络、自注意力网络以及输出层;所述主干网络用于提取所述感兴趣区域局部子图像的特征,得到提取的图像特征;所述颈部网络用于对所述提取的图像特征进一步特征提取,得到二次提取的图像特征;所述自注意力网络采用自注意力机制,所述自注意力机制用于修正所述二次提取的图像特征映射的像素。
8.根据权利要求6所述的轴承端面的表面缺陷视觉检测系统,其特征在于,所述感兴趣区域获取模块,具体包括:
消除孔洞单元,用于利用大津法对所述预处理后的轴承端面图片进行二值化处理并消除孔洞区域,得到消除孔洞区域的轴承端面图片;
裁剪单元,用于通过连通域检测以及面积筛选的方式对所述消除孔洞区域的轴承端面图片进行定位,并裁剪出感兴趣区域。
9.根据权利要求1所述的轴承端面的表面缺陷视觉检测系统,其特征在于,所述感兴趣区域局部子图像的数量为2的整数倍。
10.根据权利要求1所述的轴承端面的表面缺陷视觉检测系统,其特征在于,所述感兴趣区域局部子图像的尺寸为320×320dpi;所述感兴趣区域局部子图像为3通道图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667276.5A CN113327241B (zh) | 2021-06-16 | 2021-06-16 | 一种轴承端面的表面缺陷视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667276.5A CN113327241B (zh) | 2021-06-16 | 2021-06-16 | 一种轴承端面的表面缺陷视觉检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327241A true CN113327241A (zh) | 2021-08-31 |
CN113327241B CN113327241B (zh) | 2023-02-24 |
Family
ID=77421319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667276.5A Active CN113327241B (zh) | 2021-06-16 | 2021-06-16 | 一种轴承端面的表面缺陷视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327241B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113824951A (zh) * | 2021-09-20 | 2021-12-21 | 苏州凯仕弘科技有限公司 | 一种摄像头模组视觉检测系统 |
CN114708484A (zh) * | 2022-03-14 | 2022-07-05 | 中铁电气化局集团有限公司 | 适用于识别缺陷的图形分析方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN109444169A (zh) * | 2019-01-17 | 2019-03-08 | 南昌航空大学 | 一种轴承缺陷检测方法及系统 |
CN109670510A (zh) * | 2018-12-21 | 2019-04-23 | 万达信息股份有限公司 | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 |
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
WO2020133046A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN111427775A (zh) * | 2020-03-12 | 2020-07-17 | 扬州大学 | 一种基于Bert模型的方法层次缺陷定位方法 |
CN111508260A (zh) * | 2019-01-30 | 2020-08-07 | 上海欧菲智能车联科技有限公司 | 车辆停车位检测方法、装置和系统 |
CN111768381A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 零部件缺陷检测方法、装置及电子设备 |
CN111814863A (zh) * | 2020-07-03 | 2020-10-23 | 南京信息工程大学 | 一种轻量级车辆与行人的检测方法 |
CN112101125A (zh) * | 2020-08-21 | 2020-12-18 | 浙江百世技术有限公司 | 一种快递货物堆积程度的检测方法及装置 |
CN112101434A (zh) * | 2020-09-04 | 2020-12-18 | 河南大学 | 基于改进YOLO v3的红外图像弱小目标检测方法 |
CN112115770A (zh) * | 2020-08-05 | 2020-12-22 | 中国电力科学研究院有限公司 | 一种用于架空线路无人机自主巡检缺陷识别的方法及系统 |
CN112396001A (zh) * | 2020-11-20 | 2021-02-23 | 安徽一视科技有限公司 | 基于人体姿态估计和tpa注意力机制的跳绳个数统计方法 |
CN112419299A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓缺失检测方法、装置、设备及存储介质 |
WO2021056705A1 (zh) * | 2019-09-23 | 2021-04-01 | 平安科技(深圳)有限公司 | 基于语义分割网络的人体外表损伤检测方法及相关设备 |
CN112734690A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种表面缺陷检测方法、装置及计算机可读存储介质 |
-
2021
- 2021-06-16 CN CN202110667276.5A patent/CN113327241B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN109670510A (zh) * | 2018-12-21 | 2019-04-23 | 万达信息股份有限公司 | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 |
WO2020133046A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN111758024A (zh) * | 2018-12-27 | 2020-10-09 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109444169A (zh) * | 2019-01-17 | 2019-03-08 | 南昌航空大学 | 一种轴承缺陷检测方法及系统 |
CN111508260A (zh) * | 2019-01-30 | 2020-08-07 | 上海欧菲智能车联科技有限公司 | 车辆停车位检测方法、装置和系统 |
WO2021056705A1 (zh) * | 2019-09-23 | 2021-04-01 | 平安科技(深圳)有限公司 | 基于语义分割网络的人体外表损伤检测方法及相关设备 |
CN111427775A (zh) * | 2020-03-12 | 2020-07-17 | 扬州大学 | 一种基于Bert模型的方法层次缺陷定位方法 |
CN111768381A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 零部件缺陷检测方法、装置及电子设备 |
CN111814863A (zh) * | 2020-07-03 | 2020-10-23 | 南京信息工程大学 | 一种轻量级车辆与行人的检测方法 |
CN112115770A (zh) * | 2020-08-05 | 2020-12-22 | 中国电力科学研究院有限公司 | 一种用于架空线路无人机自主巡检缺陷识别的方法及系统 |
CN112101125A (zh) * | 2020-08-21 | 2020-12-18 | 浙江百世技术有限公司 | 一种快递货物堆积程度的检测方法及装置 |
CN112101434A (zh) * | 2020-09-04 | 2020-12-18 | 河南大学 | 基于改进YOLO v3的红外图像弱小目标检测方法 |
CN112396001A (zh) * | 2020-11-20 | 2021-02-23 | 安徽一视科技有限公司 | 基于人体姿态估计和tpa注意力机制的跳绳个数统计方法 |
CN112419299A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓缺失检测方法、装置、设备及存储介质 |
CN112734690A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 一种表面缺陷检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (6)
Title |
---|
CHENG FENG 等: "SS-SF: Piecewise 3D Scene Flow Estimation With Semantic Segmentation", 《IEEE ACCESS》 * |
姚明海 等: "基于深度主动学习的磁片表面缺陷检测", 《计算机测量与控制》 * |
张贤根 等: "拥抱"5G+工业互联网"助力线缆制造数字化转型", 《智能制造》 * |
许文达: "基于机器视觉的钢轨表面缺陷识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈志浩: "基于深度学习的磁片表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈昊 等: "基于图像光流的轴承滚子表面缺陷检测", 《仪器仪表学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113824951A (zh) * | 2021-09-20 | 2021-12-21 | 苏州凯仕弘科技有限公司 | 一种摄像头模组视觉检测系统 |
CN114708484A (zh) * | 2022-03-14 | 2022-07-05 | 中铁电气化局集团有限公司 | 适用于识别缺陷的图形分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113327241B (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
CN113327241B (zh) | 一种轴承端面的表面缺陷视觉检测方法及系统 | |
CN111429403B (zh) | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 | |
CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
CN110599445A (zh) | 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置 | |
CN110751630B (zh) | 基于深度学习的输电线路异物检测方法、装置及介质 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
CN109752392B (zh) | 一种pcb板缺陷类型检测系统和方法 | |
CN103593663B (zh) | 一种钞券印版的图像定位方法 | |
CN111462076A (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
US20220366682A1 (en) | Computer-implemented arrangements for processing image having article of interest | |
CN111080609A (zh) | 一种基于深度学习的闸瓦插销丢失检测方法 | |
CN110599469A (zh) | 一种动车组关键部位的缺陷检测方法、系统及电子设备 | |
CN113284154B (zh) | 钢卷端面图像分割方法、装置及电子设备 | |
CN113256602A (zh) | 一种基于自编码器的无监督风机叶片缺陷检测方法及系统 | |
CN110648316A (zh) | 一种基于深度学习的钢卷端面边缘检测算法 | |
CN112215907A (zh) | 一种焊缝缺陷自动提取方法 | |
CN112365478A (zh) | 一种基于语义分割的电机换向器表面缺陷检测模型 | |
CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN112150455A (zh) | 基于人工智能的光伏相机视角偏差判断方法及系统 | |
CN111104532B (zh) | 一种基于双流网络的rgbd图像联合恢复方法 | |
CN113034359A (zh) | 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质 | |
WO2022019747A1 (en) | System and method for identification of text region in video | |
CN113970560A (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN113034432A (zh) | 一种产品缺陷检测方法、系统、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 |