CN113436102A - 一种加工零件表面缺陷检测方法 - Google Patents
一种加工零件表面缺陷检测方法 Download PDFInfo
- Publication number
- CN113436102A CN113436102A CN202110719908.8A CN202110719908A CN113436102A CN 113436102 A CN113436102 A CN 113436102A CN 202110719908 A CN202110719908 A CN 202110719908A CN 113436102 A CN113436102 A CN 113436102A
- Authority
- CN
- China
- Prior art keywords
- image
- machined part
- area
- defects
- contour
- 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- Withdrawn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
- 230000007547 defect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 239000004576 sand Substances 0.000 claims description 9
- 238000003754 machining Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching 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
- 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 using 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种加工零件表面缺陷检测方法,属于零件检测技术领域,包括:包括如下步骤:对加工零件表面进行图像采集;对采集的图像进行预处理,对预处理后的图像进行多尺度处理,得到原始图像在不同尺度下的采样图像,构造灰度图像中每个像素位置的多尺度相似函数,计算每个像素对应的相似函数在多尺度因子中的最大输出响应,得到增强图像;对增强图像进一步处理,判断加工零件表面是否存在缺陷;对加工零件表面的缺陷进行分类。本发明不仅能够保证检测精度,而且效率高,成本低。
Description
技术领域
本发明属于零件检测技术领域,更具体的说是涉及一种加工零件表面缺陷检测方法。
背景技术
随着科学技术的不断地发展,各种高科技产品的集成度越来越高,零件的质量和加工工艺过程的完成质量直接影响零件产品的质量及性能,为了保证加工零件质量,需要对加工零件的表面进行缺陷检测。
传统的零件缺陷检测基本都是依靠检测员在现场实时的检测,对工人的专业性有要求,人工成本高,且检测员在检测的过程中存在个人主观想法,导致检测的零件中不合格的零件被分配至合格零件中,合格的零件被分别至不合格零件中,出现检测量大、效率低的问题。
因此,如何提供一种加工零件表面缺陷检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种加工零件表面缺陷检测方法,不仅能够保证检测精度,而且效率高,成本低。
为了实现上述目的,本发明采用如下技术方案:
一种加工零件表面缺陷检测方法,包括如下步骤:
S1:对加工零件表面进行原始图像采集;
S2:对采集的原始图像进行预处理,对预处理后的图像进行多尺度处理,得到原始图像在不同尺度下的采样图像,构造灰度图像中每个像素位置的多尺度相似函数,计算每个像素对应的相似函数在多尺度因子中的最大输出响应,得到增强图像;
S3:对增强图像进一步处理,判断加工零件表面是否存在缺陷;
S4:对加工零件表面的缺陷进行分类。
优选的,对加工零件表面进行图像采集包括:通过图像采集模块对加工零件进行图像数据的采集,通过亮度采集模块对加工零件图像采集的现场进行亮度采集,通过图像存储模块存储采集的加工零件图像信息。
优选的,对加工零件表面进行图像采集还包括:通过亮度调节模块调节加工零件采集时的亮度信息;通过比例调节模块根据加工零件的尺寸信息调节加工零件拍照的放大比例;通过角度调节模块对拍摄的角度进行调节。
优选的,对采集的原始图像进行预处理的方法包括图像直方图均衡、去噪两个步骤。
优选的,图像直方图均衡的方法为:首先对图像x/2位置的像素进行沿Y轴方向的直方图分析,如果存在低于设定灰度阈值的区域,则表明找到了加工零件的一部分,进入计算外轮廓步骤,如果没有找到低于设定阈值的区域,则以半个弦高L/2作为迭代量,进行双向搜索,若双向搜索仍然没有找到低于设定阈值的区域,则提示未找到加工零件;
按照在x轴方向上的搜索策略,对y轴方向上进行搜索,迭代量为半个加工零件宽度H/2或者长度;
经过上述两次搜索,分别得到x方向的加工零件中心xc和Y方向上的加工零件中心yc,然后生成ROI区域,区域的x坐标为(xc-L),与(xc+L),区域的y坐标为(yc-H),与(yc+H)。
优选的,图像的去噪方法为:对图像首先要进行高斯滤波,得到一个降噪的图像,然后对图像与高斯滤波后的图形做比较,求出模,以此模作为Canny算子轮廓提取的图像;得到轮廓之后,要对轮廓进行面积计算,然后对磁瓦的面积做理论计算,此理论面积仅计算一次,然后存储在数据库中,供下一次调用;如果数据库中已经存在此参数,则直接调用;
得到轮廓面积参数AC后,与带有一定松弛量β,α的理论面积At做比较,如果满足β*At>AC>α*At,并将掩膜数据同时返回,如果不能满足上式,则提示掩膜失败。
优选的,按照缺陷的类型将缺陷分为砂眼、划痕和磕碰伤痕。
优选的,对图像进行边缘提取并进行凸包检测,若检测到凸包,则缺陷类别为磕碰伤痕,并进行之后的磕碰伤痕的缺陷检测处理,若没有检测到凸包,则类别为划痕和砂眼,并进行之后的划痕和砂眼的缺陷检测处理。
优选的,所述的划痕,砂眼缺陷检测处理,经过图像阈值分割初步提取特征,再经过形态学处理,对图像进行先腐蚀再膨胀的闭运算操作,去除噪声点,最后通过连通域面积计算,得到缺陷的大小。
优选的,所述的磕碰伤痕缺陷检测处理,经过图像阈值分割初步提取特征,再经过Canny边缘检测算法,提取图像边缘信息,对图像进行形态学运算和凸包检测操作,得到仅包含磕碰伤痕信息的图像,最后通过连通域面积计算,得到缺陷的大小。
本发明的有益效果在于:
本发明通过对采集的原始图像进行处理,获得增强图像,对增强图像进一步处理,判断加工零件表面是否存在缺陷,不仅能够保证检测精度,而且效率高,成本低;并且能够对缺陷的类别进行判断,以满足不同的检测需求。
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,下面将对实施例或现有技术描述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的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的方法流程图。
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。
请参阅附图1,本发明提供了一种加工零件表面缺陷检测方法,包括如下步骤:
S1:对加工零件表面进行原始图像采集;
S2:对采集的原始图像进行预处理,对预处理后的图像进行多尺度处理,得到原始图像在不同尺度下的采样图像,构造灰度图像中每个像素位置的多尺度相似函数,计算每个像素对应的相似函数在多尺度因子中的最大输出响应,得到增强图像;
S3:对增强图像进一步处理,判断加工零件表面是否存在缺陷;
S4:对加工零件表面的缺陷进行分类。
本实施例中,对加工零件表面进行图像采集包括:通过图像采集模块对加工零件进行图像数据的采集,通过亮度采集模块对加工零件图像采集的现场进行亮度采集,通过图像存储模块存储采集的加工零件图像信息。
本实施例中,对加工零件表面进行图像采集还包括:通过亮度调节模块调节加工零件采集时的亮度信息;通过比例调节模块根据加工零件的尺寸信息调节加工零件拍照的放大比例;通过角度调节模块对拍摄的角度进行调节。
本发明通过对加工零件进行图像采集,且通过调整拍摄的角度、亮度及比例,实现对加工零件图像的清晰采集,具有结构简单、操作方便且自动识别图像的特点;通过采集加工零件图像信息,并根据采集的加工零件图像信息,能够有效地判断出加工零件的缺陷问题,能够完成加工零件生产线的自动筛选,进而降低缺陷的产生,提高加工零件的合格率,降低生产成本,同时,大大降低人工检测的任务量、效率低且准确性低的问题。
本实施例中,对采集的原始图像进行预处理的方法包括图像直方图均衡、去噪两个步骤。图像直方图均衡的方法为:首先对图像x/2位置的像素进行沿Y轴方向的直方图分析,如果存在低于设定灰度阈值的区域,则表明找到了加工零件的一部分,进入计算外轮廓步骤,如果没有找到低于设定阈值的区域,则以半个弦高L/2作为迭代量,进行双向搜索,若双向搜索仍然没有找到低于设定阈值的区域,则提示未找到加工零件;按照在x轴方向上的搜索策略,对y轴方向上进行搜索,迭代量为半个加工零件宽度H/2或者长度;经过上述两次搜索,分别得到x方向的加工零件中心xc和Y方向上的加工零件中心yc,然后生成ROI区域,区域的x坐标为(xc-L),与(xc+L),区域的y坐标为(yc-H),与(yc+H)。
图像的去噪方法为:对图像首先要进行高斯滤波,得到一个降噪的图像,然后对图像与高斯滤波后的图形做比较,求出模,以此模作为Canny算子轮廓提取的图像;得到轮廓之后,要对轮廓进行面积计算,然后对磁瓦的面积做理论计算,此理论面积仅计算一次,然后存储在数据库中,供下一次调用;如果数据库中已经存在此参数,则直接调用;
得到轮廓面积参数AC后,与带有一定松弛量β,α的理论面积At做比较,如果满足β*At>AC>α*At,并将掩膜数据同时返回,如果不能满足上式,则提示掩膜失败。
本发明通过对采集的原始图像进行图像直方图均衡、去噪两个步骤的预处理,解决了加工零件检测方法中检测结果易受图像噪点和图像灰度分布不均的影响而造成检测结果稳定性差的问题,从而大大提高了检测结果的稳定性与准确性。
本实施例中,按照缺陷的类型将缺陷分为砂眼、划痕和磕碰伤痕。对图像进行边缘提取并进行凸包检测,若检测到凸包,则缺陷类别为磕碰伤痕,并进行之后的磕碰伤痕的缺陷检测处理,若没有检测到凸包,则类别为划痕和砂眼,并进行之后的划痕和砂眼的缺陷检测处理。
所述的划痕,砂眼缺陷检测处理,经过图像阈值分割初步提取特征,再经过形态学处理,对图像进行先腐蚀再膨胀的闭运算操作,去除噪声点,最后通过连通域面积计算,得到缺陷的大小。
所述的磕碰伤痕缺陷检测处理,经过图像阈值分割初步提取特征,再经过Canny边缘检测算法,提取图像边缘信息,对图像进行形态学运算和凸包检测操作,得到仅包含磕碰伤痕信息的图像,最后通过连通域面积计算,得到缺陷的大小。
本发明通过对采集的原始图像进行处理,获得增强图像,对增强图像进一步处理,判断加工零件表面是否存在缺陷,不仅能够保证检测精度,而且提高了加工零件的检测速度与智能化程度,效率高,成本低;并且能够对缺陷的类别进行判断,以满足不同的检测需求。
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。对于实施例公开的装置而言,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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种加工零件表面缺陷检测方法,其特征在于,包括如下步骤:
S1:对加工零件表面进行原始图像采集;
S2:对采集的原始图像进行预处理,对预处理后的图像进行多尺度处理,得到原始图像在不同尺度下的采样图像,构造灰度图像中每个像素位置的多尺度相似函数,计算每个像素对应的相似函数在多尺度因子中的最大输出响应,得到增强图像;
S3:对增强图像进一步处理,判断加工零件表面是否存在缺陷;
S4:对加工零件表面的缺陷进行分类。
2.根据权利要求1所述的一种加工零件表面缺陷检测方法,其特征在于,对加工零件表面进行图像采集包括:通过图像采集模块对加工零件进行图像数据的采集,通过亮度采集模块对加工零件图像采集的现场进行亮度采集,通过图像存储模块存储采集的加工零件图像信息。
3.根据权利要求2所述的一种加工零件表面缺陷检测方法,其特征在于,对加工零件表面进行图像采集还包括:通过亮度调节模块调节加工零件采集时的亮度信息;通过比例调节模块根据加工零件的尺寸信息调节加工零件拍照的放大比例;通过角度调节模块对拍摄的角度进行调节。
4.根据权利要求1所述的一种加工零件表面缺陷检测方法,其特征在于,对采集的原始图像进行预处理的方法包括图像直方图均衡、去噪两个步骤。
5.根据权利要求4所述的一种加工零件表面缺陷检测方法,其特征在于,图像直方图均衡的方法为:首先对图像x/2位置的像素进行沿Y轴方向的直方图分析,如果存在低于设定灰度阈值的区域,则表明找到了加工零件的一部分,进入计算外轮廓步骤,如果没有找到低于设定阈值的区域,则以半个弦高L/2作为迭代量,进行双向搜索,若双向搜索仍然没有找到低于设定阈值的区域,则提示未找到加工零件;
按照在x轴方向上的搜索策略,对y轴方向上进行搜索,迭代量为半个加工零件宽度H/2或者长度;
经过上述两次搜索,分别得到x方向的加工零件中心xc和Y方向上的加工零件中心yc,然后生成ROI区域,区域的x坐标为(xc-L),与(xc+L),区域的y坐标为(yc-H),与(yc+H)。
6.根据权利要求5所述的一种加工零件表面缺陷检测方法,其特征在于,图像的去噪方法为:对图像首先要进行高斯滤波,得到一个降噪的图像,然后对图像与高斯滤波后的图形做比较,求出模,以此模作为Canny算子轮廓提取的图像;得到轮廓之后,要对轮廓进行面积计算,然后对磁瓦的面积做理论计算,此理论面积仅计算一次,然后存储在数据库中,供下一次调用;如果数据库中已经存在此参数,则直接调用;
得到轮廓面积参数AC后,与带有一定松弛量β,α的理论面积At做比较,如果满足β*At>AC>α*At,并将掩膜数据同时返回,如果不能满足上式,则提示掩膜失败。
7.根据权利要求1所述的一种加工零件表面缺陷检测方法,其特征在于,按照缺陷的类型将缺陷分为砂眼、划痕和磕碰伤痕。
8.根据权利要求7所述的一种加工零件表面缺陷检测方法,其特征在于,对图像进行边缘提取并进行凸包检测,若检测到凸包,则缺陷类别为磕碰伤痕,并进行之后的磕碰伤痕的缺陷检测处理,若没有检测到凸包,则类别为划痕和砂眼,并进行之后的划痕和砂眼的缺陷检测处理。
9.根据权利要求8所述的一种加工零件表面缺陷检测方法,其特征在于,所述的划痕,砂眼缺陷检测处理,经过图像阈值分割初步提取特征,再经过形态学处理,对图像进行先腐蚀再膨胀的闭运算操作,去除噪声点,最后通过连通域面积计算,得到缺陷的大小。
10.根据权利要求8所述的一种加工零件表面缺陷检测方法,其特征在于,所述的磕碰伤痕缺陷检测处理,经过图像阈值分割初步提取特征,再经过Canny边缘检测算法,提取图像边缘信息,对图像进行形态学运算和凸包检测操作,得到仅包含磕碰伤痕信息的图像,最后通过连通域面积计算,得到缺陷的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719908.8A CN113436102A (zh) | 2021-06-28 | 2021-06-28 | 一种加工零件表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719908.8A CN113436102A (zh) | 2021-06-28 | 2021-06-28 | 一种加工零件表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113436102A true CN113436102A (zh) | 2021-09-24 |
Family
ID=77755237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719908.8A Withdrawn CN113436102A (zh) | 2021-06-28 | 2021-06-28 | 一种加工零件表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436102A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037701A (zh) * | 2022-01-08 | 2022-02-11 | 江苏南通元辰钢结构制造有限公司 | 一种基于图像处理的机械零件氢损伤检测方法 |
CN115575402A (zh) * | 2022-10-17 | 2023-01-06 | 中国兵器装备集团西南技术工程研究所 | 一种收口筒形零件内壁缺陷智能识别、计算、判断方法 |
-
2021
- 2021-06-28 CN CN202110719908.8A patent/CN113436102A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037701A (zh) * | 2022-01-08 | 2022-02-11 | 江苏南通元辰钢结构制造有限公司 | 一种基于图像处理的机械零件氢损伤检测方法 |
CN115575402A (zh) * | 2022-10-17 | 2023-01-06 | 中国兵器装备集团西南技术工程研究所 | 一种收口筒形零件内壁缺陷智能识别、计算、判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN107369136B (zh) | 聚晶金刚石复合片表面裂纹视觉检测方法 | |
CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
CN104880389A (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN113588656A (zh) | 一种新型螺栓外观尺寸检测方法 | |
CN115684176A (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
CN115526885A (zh) | 一种产品图像缺陷检测方法、系统、装置及介质 | |
CN115457277A (zh) | 一种智能化路面病害识别检测方法及系统 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 | |
CN113393430B (zh) | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 | |
CN112288760B (zh) | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 | |
CN112381140B (zh) | 一种基于新特征参数的磨粒图像机器学习识别方法 | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN116664501A (zh) | 一种基于图像处理判断储粮变化的方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210924 |