CN113538432A - 一种基于图像处理的零件缺陷检测方法及系统 - Google Patents

一种基于图像处理的零件缺陷检测方法及系统 Download PDF

Info

Publication number
CN113538432A
CN113538432A CN202111089843.XA CN202111089843A CN113538432A CN 113538432 A CN113538432 A CN 113538432A CN 202111089843 A CN202111089843 A CN 202111089843A CN 113538432 A CN113538432 A CN 113538432A
Authority
CN
China
Prior art keywords
pixel point
light source
gray
pixel
image
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
Application number
CN202111089843.XA
Other languages
English (en)
Other versions
CN113538432B (zh
Inventor
钟婷婷
钟冬群
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.)
NANTONGYOUYUAN ART DESIGN Co.,Ltd.
Original Assignee
Nantong Lancheng Machinery Technology 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 Nantong Lancheng Machinery Technology Co ltd filed Critical Nantong Lancheng Machinery Technology Co ltd
Priority to CN202111089843.XA priority Critical patent/CN113538432B/zh
Publication of CN113538432A publication Critical patent/CN113538432A/zh
Application granted granted Critical
Publication of CN113538432B publication Critical patent/CN113538432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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

Abstract

本发明涉及一种基于图像处理的零件缺陷检测方法及系统，属于零件缺陷检测技术领域。方法包括以下步骤：获取多个光源入射角度下的零件表面灰度图像；根据各光源入射角度下凹陷区域对应的灰度图像得到凹陷区域中各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度；根据各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度，得到凹陷区域中各像素点对应的各光源入射角度下的光照特征向量；利用光照特征向量训练目标网络，得到各光照特征向量对应的反射特征；根据反射特征得到凹陷区域的轮廓周长、轮廓面积以及各像素点对应的深度信息。本实施例能够相对准确的检测零件表面缺陷区域的轮廓信息和深度信息。

Description

一种基于图像处理的零件缺陷检测方法及系统
技术领域
本发明涉及零件缺陷检测技术领域，具体涉及一种基于图像处理的零件缺陷检测方法及系统。
背景技术
在机械设备工作时，部分机械零件往往受到磨损和磕碰，例如起重机绞盘、吊件上的滑轮、齿轮等，使得零件表面内部和表面出现损伤，损伤严重时可能影响机械设备的运行，例如使机械设备异常震动，严重时会产生机械故障，影响生产或人员安全；因此需要定时对机械设备进行定时保养维修，尤其是要对重要零件进行缺陷检测，而零件表面的缺陷检测是其中重要的一部分。
零件表面的缺陷可能是由于零件因磨损而使得零件内部应力变化，导致零件表面凹陷，或者由于零件与其他零件异常接触发生碰撞和摩擦而产生缺陷，因此有必要获取零件凹陷的位置，以及面积大小或周长，甚至深度信息，以此来分析或仿真零件的内部应力和外力变化来获得零件损伤情况，或计算零件的磨损情况。
现有中一般使用激光雷达或者双目相机检测零件表面的凹陷，但是由于零件表面的凹陷区域小、深度浅、零件表面纹理不多、零件表面的镜面反射问题等，因此直接用激光雷达或者双目相机对零件表面凹陷进行检测会存在误差大和不准确等问题。
发明内容
本发明提供一种基于图像处理的零件缺陷检测方法及系统，用于解决现有不能准确检测零件表面缺陷的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于图像处理的零件缺陷检测方法及系统包括以下步骤：
获取多个光源入射角度下的零件表面灰度图像；
根据所述零件表面灰度图像判断零件表面是否存在凹陷区域，若存在，则根据各光源入射角度下凹陷区域对应的灰度图像得到凹陷区域中各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度；
根据所述各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度，得到凹陷区域中各像素点对应的各光源入射角度下的光照特征向量；
利用所述光照特征向量训练目标网络，得到各光照特征向量对应的反射特征；
根据所述反射特征得到凹陷区域的轮廓周长、轮廓面积以及各像素点对应的深度信息。
本发明还提供了一种基于图像处理的零件缺陷检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现上述的一种基于图像处理的零件缺陷检测方法。
本发明根据零件表面灰度图像判断零件表面是否存在凹陷区域，并根据各光源入射角度下凹陷区域对应的灰度图像得到凹陷区域中各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度，进而得到凹陷区域中各像素点对应的各光源入射角度下的光照特征向量；利用光照特征向量训练目标网络，得到各光照特征向量对应的反射特征，根据反射特征得到凹陷区域的轮廓周长、轮廓面积以及各像素点对应的深度信息。本发明将光照特征向量作为得到反射特征的依据，且每个像素点的反射特征对应一个法向量，通过法向量可以建立凹陷区域的三维曲面，因此本发明将反射特征作为得到凹陷区域的轮廓周长和轮廓面积的依据，将凹陷区域的三维曲面作为得到各像素点对应的深度信息的依据，能够减少检测的误差，能够相对准确的检测零件表面缺陷区域的轮廓信息和深度信息。
优选的，光源的入射角度的个数为
Figure 100002_DEST_PATH_IMAGE002
，36≤
Figure 366696DEST_PATH_IMAGE002
≤72。
优选的，目标网络为全连接神经网络，所述目标网络的损失函数包括均值损失函数、邻域损失函数以及重构损失函数。
优选的，均值损失函数为：
Figure 100002_DEST_PATH_IMAGE004
其中，
Figure 100002_DEST_PATH_IMAGE006
为目标网络的均值函数，
Figure 100002_DEST_PATH_IMAGE008
为零件表面凹陷区域第个灰度图对应的光源的入射角度，
Figure 100002_DEST_PATH_IMAGE010
为灰度图上任意一个像素点，
Figure 100002_DEST_PATH_IMAGE012
为第
Figure 100002_DEST_PATH_IMAGE014
个灰度图上像素点
Figure 795753DEST_PATH_IMAGE010
处对应的反射特征，
Figure 100002_DEST_PATH_IMAGE016
为该凹陷区域所有灰度图上像素点
Figure 168966DEST_PATH_IMAGE010
处对应的反射特征的均值，
Figure 100002_DEST_PATH_IMAGE018
为光源的入射角度为
Figure 659115DEST_PATH_IMAGE008
时像素点
Figure 660438DEST_PATH_IMAGE010
处的干扰强度，
Figure 100002_DEST_PATH_IMAGE020
为与
Figure 577841DEST_PATH_IMAGE008
角度的差值的绝对值在预设范围内的光源的入射角度对应的灰度图上像素点
Figure 48136DEST_PATH_IMAGE010
处干扰强度的均值。
优选的，邻域损失函数为：
Figure 100002_DEST_PATH_IMAGE022
其中，
Figure 100002_DEST_PATH_IMAGE024
为目标网络的邻域损失函数，
Figure 172055DEST_PATH_IMAGE010
为灰度图上任意一个像素点，
Figure 100002_DEST_PATH_IMAGE026
为零件表面凹陷区域第
Figure 434409DEST_PATH_IMAGE014
个灰度图上与像素点处相邻的像素点集合，
Figure 100002_DEST_PATH_IMAGE028
为集合
Figure 522713DEST_PATH_IMAGE026
中像素点的数量，
Figure 100002_DEST_PATH_IMAGE030
为集合
Figure 824512DEST_PATH_IMAGE026
中第
Figure 764786DEST_PATH_IMAGE030
个像素点，
Figure 100002_DEST_PATH_IMAGE032
为第
Figure 829782DEST_PATH_IMAGE014
个灰度图上像素点
Figure 197310DEST_PATH_IMAGE010
处对应的反射特征，
Figure 100002_DEST_PATH_IMAGE034
为第
Figure 297990DEST_PATH_IMAGE014
个灰度图上集合中第
Figure 464791DEST_PATH_IMAGE030
个像素点对应的反射特征，
Figure 100002_DEST_PATH_IMAGE036
为在光源的入射角度
Figure 967317DEST_PATH_IMAGE008
下像素点
Figure 459740DEST_PATH_IMAGE010
和
Figure 578875DEST_PATH_IMAGE030
的之间灰度值的差异。
重构损失函数为：
Figure 100002_DEST_PATH_IMAGE038
其中，
Figure 100002_DEST_PATH_IMAGE040
为目标网络的重构损失函数，
Figure 966344DEST_PATH_IMAGE010
为灰度图上任意一个像素点，
Figure 100002_DEST_PATH_IMAGE042
为光源的入射光强，
Figure 808529DEST_PATH_IMAGE018
为光源的入射角度为
Figure 986701DEST_PATH_IMAGE008
时像素点
Figure 389869DEST_PATH_IMAGE010
处的干扰强度，
Figure 100002_DEST_PATH_IMAGE044
为凹陷区域对应的灰度图集合，
Figure 100002_DEST_PATH_IMAGE046
为灰度图集合上除了像素点
Figure 23107DEST_PATH_IMAGE010
处的任意一个像素点位置，
Figure 100002_DEST_PATH_IMAGE048
为光源的入射角度为
Figure 470531DEST_PATH_IMAGE008
时像素点
Figure 803292DEST_PATH_IMAGE046
处的干扰强度，
Figure 100002_DEST_PATH_IMAGE050
为第
Figure 799149DEST_PATH_IMAGE014
个灰度图上像素点处的灰度值。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明的一种基于图像处理的零件缺陷检测方法的流程图；
图2为本发明的光源设置位置示意图。
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、完整的描述，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，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种基于图像处理的零件缺陷检测方法，详细说明如下：
如图1所示，该基于图像处理的零件缺陷检测方法，包括以下步骤：
步骤S001，获取多个光源入射角度下的零件表面灰度图像。
本实施例中，将零件平放在检测台面上，零件上方安装工业相机，相机俯视向下，零件处于相机视野中心，与相机光轴相距d的位置处有一个平行光光源，该光源以相机中心为圆心，沿着半径为d的圆形轨道上运动，光源在轨道上的运动始终是以固定的角度r照射零件表面，如图2所示，1为光源位置，2为相机位置，3为零件位置，光源运动的轨迹如双点划线所示。
本实施例中，光源在沿着圆形轨道做圆周运动时，该光源每转过一定的角度，相机就采集一张图像数据，所述光源每转过一定的角度相机就采集一张图像数据是指采集不同光照入射角度下对应的零件的图像数据，当光源运动一周后，相机可以采集到多张图像数据，所采集的图像为零件表面灰度图像；本实施例设置光源每次转动5度，相机就采集一张图像数据，当光源运动一周后，相机可以采集到72张图像数据，且d的大小需要根据实际情况进行设置。
作为其它的实施方式，也可以根据需求的不同设置不同的转动角度，但是光源转动一周所采集的次数优选在36到72之间，例如可以是当光源每次转动10度，相机就采集一张图像数据，光源转动一周总共采集36张图像。
本实施例中，当零件表面存在凹陷时，零件表面的反射以镜面反射为主，漫反射分量较低，因此会导致零件表面存在缺陷的地方对不同光照入射角度下的反射情况不同；并且本实施例不从一个光照角度入射采集零件表面的凹陷是由于从一个光照入射角度采集的灰度图像不能包含整个凹陷区域的信息，甚至无法确定凹陷的大致轮廓，因此需要采集不同光照入射角度下对应的零件表面灰度图像，进而获得零件凹陷的轮廓和面积，以及估计出凹陷的深度信息。
步骤S002，根据所述零件表面灰度图像判断零件表面是否存在凹陷区域，若存在，则根据各光源入射角度下凹陷区域对应的灰度图像得到凹陷区域中各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度。
本实施例中，将采集的各零件表面灰度图像利用3×3的高斯核进行高斯滤波，去除噪声；然后对各零件表面灰度图像进行阈值分割，大于第一阈值的像素的灰度值置为1，其他灰度值置为0，得到各零件表面灰度图像对应的二值图，且灰度值为1的区域表明对应的零件表面灰度图像是凹陷区域，灰度值为0的区域表明对应的零件表面灰度图像区域是平整区域；本实施例中将第一阈值设置为0.4，作为其它的实施方式，第一阈值需要根据实际情况进行设置。
本实施例中，各零件表面灰度图像对应的二值图用于表明灰度值大于第一阈值的像素区域，且表示零件表面的高亮区域，这些高亮区域就包含着零件表面的凹陷区域的部分信息；之后对各二值图进行处理，首先将该二值图进行闭运算，填充不粘连或有空洞的连通域，然后使用开运算去除孤立的、细长或噪点状的连通域，得到处理之后的二值图；将处理之后的二值图与处理之前二值图对应的零件表面灰度图像所对应的像素灰度值相乘，得到各光源入射角度下的零件表面灰度图像对应的第一图像，且第一图像包含着零件凹陷区域在一个光照角度下的光照信息，当然也包含着一些非凹陷的和平整区域的光照信息，本实施例将第一图像记为零件表面光照分布图。
本实施例中，通过上述的方法可以得到在不同光照角度下对应的零件表面光照分布图，本实施例中可以得到零件表面对应的72张光照分布图；且由于镜面反射的原因使得凹陷区域在特定角度的光源下只能呈现部分特征，所以零件表面对应的各光照分布图无法描述零件出现的所有凹陷区域的信息，因此需要融合零件的对应的各光照分布图才能获得缺陷区域，则本实施例中需要融合该零件的对应的72张光照分布图，得到融合之后的图像，记为该零件对应的零件表面光照分布图进而可以得到该零件上出现的所有凹陷区域。
在零件表面光照分布图上，所有灰度值大于0的像素点构成的多个连通域就是零件表面上存在的多个凹陷区域；本实施例将各凹陷在各零件表面光照分布图上的所有像素点组成各凹陷区域的光照分布图，且本实施例中一个缺陷区域会对应72张光照分布图和72个光照角度，72张光照分布图中相同像素点中的最大灰度值对应的是零件表面光照分布图上相同像素点的灰度值。
因此通过上述过程可以在零件对应的零件表面光照分布图上得到每个缺陷区域，且也有可能只有一个凹陷区域，但是零件表面光照分布图上的灰度值只能描述缺陷的大致位置和轮廓，不能得到每个凹陷区域的准确轮廓和深度信息；所以在后续过程中需要对每个凹陷区域进行分析获得每个凹陷区域的准确轮廓和深度信息。
当光源以一定角度照射到零件表面的一个位置上，本实施例中零件表面的一个位置指的是一个像素点的位置，该位置会对光源进行反射，然后相机采集到该位置反射的光照，根据反射光照的光强计算该位置像素点的灰度值；因此可以知道零件表面各位置的灰度值与光源的入射角度、各位置的反射特征、光源入射光强、相机的位置和各位置的相对关系有关。
本实施例中，光源是以固定角度俯视照射零件的，本实施例只是改变了光源在轨道的位置来改变光源的照射方向，因此光源的入射角度由光源的俯视角度以及在圆形轨道上转动的角度决定，但是光源的俯视照射角度是定值，因此本实施例将光源在轨道上转动的角度作为光源的入射角度；而各像素点的光源入射光强、相机的位置和各像素点的相对关系都与各像素点的像素坐标有关。
本实施例中，各像素点的反射特征与各像素点所在曲面的法向量有关，法向量决定了如何对光进行镜面反射；但是各像素点并非完全是镜面反射，还有漫反射和对光的吸收，由于金属表面对光的吸收取决于金属自身性质，且吸收可以忽略不记，因此本实施例不考虑光的吸收，而漫反射导致相机采集到的各像素点的光强并非各像素点对应的光源的入射光强，且零件表面的漫反射会产生扰动光强对各像素点的灰度值产生影响。
本实施例中，对于各缺陷区域，都对应72张光照分布图，且根据各光照分布图可以得到各光照分布图中的各像素点坐标、各像素点对应的灰度值以及各光照分布图对应的光源的入射角度；例如对于某个缺陷区域，可以得到72张光照分布图，构成该凹陷区域对应的光照分布图集合；其中对于光照分布图集合中的第
Figure 875559DEST_PATH_IMAGE014
个光照分布图，可以得到第
Figure 302123DEST_PATH_IMAGE014
个光照分布图中像素点
Figure 556518DEST_PATH_IMAGE010
处的坐标位置、第
Figure 934279DEST_PATH_IMAGE014
个光照分布图对应的光源的入射角度
Figure 315844DEST_PATH_IMAGE008
以及像素点
Figure 518286DEST_PATH_IMAGE010
对应的灰度值
Figure DEST_PATH_IMAGE052
。
步骤S003，根据所述各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度，得到凹陷区域中各像素点对应的各光源入射角度下的光照特征向量。
本实施例中，根据上述得到的第
Figure 412424DEST_PATH_IMAGE014
个光照分布图中像素点
Figure 965896DEST_PATH_IMAGE010
处的坐标位置、第
Figure 446425DEST_PATH_IMAGE014
个光照分布图对应的光源的入射角度以及像素点
Figure 802843DEST_PATH_IMAGE010
对应的灰度值
Figure 133461DEST_PATH_IMAGE052
，构建第
Figure 485814DEST_PATH_IMAGE014
个光照分布图上像素点处对应的光照特征向量，即：
Figure DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE056
为零件表面任意一个凹陷区域对应的第
Figure 100859DEST_PATH_IMAGE014
个光照分布图中像素点
Figure 58320DEST_PATH_IMAGE010
处对应的光照特征向量，
Figure 372889DEST_PATH_IMAGE008
为第
Figure 900953DEST_PATH_IMAGE014
个光照分布图对应的光源的入射角度，
Figure DEST_PATH_IMAGE058
为第
Figure 874682DEST_PATH_IMAGE014
个光照分布图对应的光源的入射角度的
Figure DEST_PATH_IMAGE060
次方，
Figure 562015DEST_PATH_IMAGE050
为第
Figure 313065DEST_PATH_IMAGE014
个光照分布图中像素点
Figure 328425DEST_PATH_IMAGE010
处对应的灰度值，
Figure DEST_PATH_IMAGE062
第
Figure 49388DEST_PATH_IMAGE014
个光照分布图中像素点
Figure 263332DEST_PATH_IMAGE010
处对应的灰度值的
Figure 887080DEST_PATH_IMAGE060
次方，
Figure 874890DEST_PATH_IMAGE010
为第
Figure 242286DEST_PATH_IMAGE014
个光照分布图中像素点
Figure 310736DEST_PATH_IMAGE010
处的坐标位置；本实施例中，
Figure 335412DEST_PATH_IMAGE060
的取值为3，作为其它的实施方式也可以根据需求的不同为
Figure 122102DEST_PATH_IMAGE060
设置不同数值，例如可以是
Figure 27610DEST_PATH_IMAGE060
的取值为5；本实施例构建光照特征向量只是为了表明光照特征向量与光源的入射角度、像素点坐标位置以及像素点坐标位置对应的灰度值相关。
因此通过上述过程，可以得到该凹陷区域中各光照分布图中像素点
Figure 904562DEST_PATH_IMAGE010
处对应的光照特征向量，则该凹陷区域中的各像素点对应的各光源入射角度下都对应一个光照特征向量；因此通过上述方式可以得到零件表面各凹陷区域中各像素点对应的各光源入射角度下的光照特征向量。
步骤S004，利用所述光照特征向量训练目标网络，得到各光照特征向量对应的反射特征。
本实施例中，当在给定检测装置下，通过上述过程可以得到各凹陷区域中各像素点位置的灰度值与光源的入射角度、各像素点的反射特征、各像素点的像素坐标以及各的像素点的干扰强度有关；而本实施例需要通过各像素点的反射特征，为后续确定各凹陷区域的三维曲面、各凹陷区域的面积、各凹陷区域准确的轮廓和各凹陷区域的深度信息提供基础。
本实施例中，对于零件表面的每一个凹陷区域都需要训练一个对应的目标网络，所述目标网络是全连接神经网络，由5层全连接层构成，网络的输入为各凹陷区域中各像素点对应的各光源入射角度下的光照特征向量，输出为各凹陷区域中各像素点对应的各光源入射角度下的反射特征和干扰强度；例如本实施例输入可以是零件表面第
Figure DEST_PATH_IMAGE064
个凹陷区域中第
Figure 542216DEST_PATH_IMAGE014
个光照分布图中像素点
Figure 504618DEST_PATH_IMAGE010
处对应的反射特征
Figure 10555DEST_PATH_IMAGE012
和第
Figure 256860DEST_PATH_IMAGE014
个光照分布图中像素点
Figure 629197DEST_PATH_IMAGE010
处对应的光源的入射角度
Figure 577431DEST_PATH_IMAGE008
的干扰强度
Figure DEST_PATH_IMAGE066
；其中
Figure 992451DEST_PATH_IMAGE012
用于表示像素点
Figure 113770DEST_PATH_IMAGE010
处的反射特征，表征该像素点对应的三维曲面的法向量，用于决定该位置如何反射光照；且干扰强度
Figure DEST_PATH_IMAGE068
与
Figure 250484DEST_PATH_IMAGE008
和
Figure 374429DEST_PATH_IMAGE010
相关，本实施例干扰强度的值要大于0小于1。
本实施例在目标网络训练的过程中，需要通过均值损失函数、邻域损失函数以及重构损失函数共同对目标网络进行监督训练，例如对于是零件表面第
Figure 441742DEST_PATH_IMAGE064
个凹陷区域对应的目标网络的均值损失函数为：
Figure DEST_PATH_IMAGE004A
其中，
Figure 814037DEST_PATH_IMAGE006
为零件表面第
Figure 308603DEST_PATH_IMAGE064
个凹陷区域对应的目标网络的均值损失函数，
Figure 998473DEST_PATH_IMAGE008
为零件表面第
Figure 56427DEST_PATH_IMAGE064
个凹陷区域中第个光照分布图对应的光源的入射角度，
Figure 616984DEST_PATH_IMAGE010
为光照分布图上任意一个像素点，
Figure 561DEST_PATH_IMAGE012
为第
Figure 171867DEST_PATH_IMAGE014
个光照分布图上像素点
Figure 315404DEST_PATH_IMAGE010
处对应的反射特征，为该凹陷区域所有光照分布图上像素点
Figure 963423DEST_PATH_IMAGE010
处对应的反射特征的均值，
Figure 753786DEST_PATH_IMAGE018
为光源的入射角度为
Figure 385625DEST_PATH_IMAGE008
时像素点
Figure 349164DEST_PATH_IMAGE010
处的干扰强度，
Figure 851690DEST_PATH_IMAGE020
为与
Figure 609692DEST_PATH_IMAGE008
相近的光源的入射角度对应的光照分布图上像素点
Figure 197668DEST_PATH_IMAGE010
处的干扰强度的均值。
本实施例中，不管光源的入射角度如何变化，同一像素点
Figure 948587DEST_PATH_IMAGE010
处的反射特征都应该是一致的，即对于同一个凹陷区域中的各光照分布图上相同像素点处的反射特征应该相同，所以无论网络中输入的光照特征向量
Figure 801224DEST_PATH_IMAGE056
中
Figure 228663DEST_PATH_IMAGE014
取任何值，输出的反射特征
Figure 805400DEST_PATH_IMAGE012
都应该是都是固定的；因此本实施例要求各光照分布图中各像素点对应的反射特征都趋近于各光照分布图中相同像素点位置对应的反射特征的均值，例如第
Figure 812540DEST_PATH_IMAGE014
个光照分布图中在像素点
Figure 791122DEST_PATH_IMAGE010
处对应的反射特征
Figure 655042DEST_PATH_IMAGE012
要趋近于所光照分布图中像素点
Figure 453496DEST_PATH_IMAGE010
处对应的反射特征的均值
Figure 998747DEST_PATH_IMAGE016
。
本实施例中，根据如下公式计算均值
Figure 911731DEST_PATH_IMAGE016
：
Figure DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE072
为零件表面第
Figure 667590DEST_PATH_IMAGE064
个凹陷区域中所光照分布图中像素点
Figure 451876DEST_PATH_IMAGE010
处对应的反射特征的均值，
Figure 302282DEST_PATH_IMAGE012
为零件表面第
Figure 285151DEST_PATH_IMAGE064
个凹陷区域中第
Figure 189741DEST_PATH_IMAGE014
个光照分布图上像素点
Figure 258060DEST_PATH_IMAGE010
处对应的反射特征，
Figure 646578DEST_PATH_IMAGE002
为光源的入射角度的个数，也是零件表面第
Figure 749532DEST_PATH_IMAGE064
个凹陷区域中光照分布图的数量，本实施例中
Figure 565304DEST_PATH_IMAGE002
的值为72。
本实施例中，根据各凹陷区域对应的光照分布图可以得到各像素点在72个光照分布图上的灰度值的均值和方差；当某一个像素点对应的均值大于0但方差趋近于0，表明该像素点在不同光照角度下对光的反射情况相同，说明该像素点对应的位置的零件的表面是平整的，而该像素点对应的反射特征的均值等于
Figure DEST_PATH_IMAGE074
，且
Figure 793023DEST_PATH_IMAGE074
为平整的零件表面的法向量，本实施例中
Figure DEST_PATH_IMAGE076
。
本实施例中，
Figure DEST_PATH_IMAGE078
为光源的入射角度为
Figure 464526DEST_PATH_IMAGE008
时像素点
Figure 421986DEST_PATH_IMAGE010
处的干扰强度，因为当以与
Figure 408659DEST_PATH_IMAGE008
差别不大的入射角入射时，获得的干扰强度是相似的；将获得的与
Figure 717150DEST_PATH_IMAGE008
最接近的
Figure DEST_PATH_IMAGE080
个光源的入射角度的集合记为
Figure DEST_PATH_IMAGE082
，所述集合包括
Figure 978629DEST_PATH_IMAGE008
，根据如下公式计算集合
Figure 760902DEST_PATH_IMAGE082
对应的像素点
Figure 213749DEST_PATH_IMAGE010
处干扰强度的均值：
Figure DEST_PATH_IMAGE084
其中，为与
Figure 662398DEST_PATH_IMAGE008
较近的光源的入射角度对应的灰度图上像素点处干扰强度的均值，即与
Figure 694945DEST_PATH_IMAGE008
差值的绝对值在预设范围内光源的入射角度对应的灰度图上像素点处干扰强度的均值，考虑到本实施例光源的转动角度，本实施例设置为
Figure 128463DEST_PATH_IMAGE020
为与
Figure 955474DEST_PATH_IMAGE008
差值的绝对值在0度到15度之间的对应的光源的入射角度，即本实施例的预设范围为0度到15度；
Figure 677704DEST_PATH_IMAGE082
为与
Figure 45100DEST_PATH_IMAGE008
较近的光源的入射角度的集合，
Figure 553965DEST_PATH_IMAGE080
为集合中的数量，
Figure DEST_PATH_IMAGE086
为集合
Figure 240292DEST_PATH_IMAGE082
中任意一个光源的
Figure DEST_PATH_IMAGE088
入射角度，
Figure 574453DEST_PATH_IMAGE010
为与
Figure 230693DEST_PATH_IMAGE086
对应的光照分布图上像素点
Figure 340601DEST_PATH_IMAGE010
处的坐标位置，
Figure DEST_PATH_IMAGE090
为光源的入射角度为
Figure 932250DEST_PATH_IMAGE086
时像素点
Figure 357634DEST_PATH_IMAGE010
处的干扰强度。
本实施例零件表面第
Figure 332412DEST_PATH_IMAGE064
个凹陷区域对应的目标网络的邻域损失函数为：
Figure DEST_PATH_IMAGE022A
其中，
Figure 142499DEST_PATH_IMAGE024
为零件表面第
Figure 842733DEST_PATH_IMAGE064
个凹陷区域对应的目标网络的邻域损失函数，
Figure 489834DEST_PATH_IMAGE010
为光照分布图上任意一个像素点，
Figure 268303DEST_PATH_IMAGE026
为零件表面第
Figure 119847DEST_PATH_IMAGE064
个凹陷区域中第
Figure 630462DEST_PATH_IMAGE014
个光照分布图上与像素点
Figure 833036DEST_PATH_IMAGE010
处相邻的像素点的集合，
Figure 634770DEST_PATH_IMAGE028
为集合
Figure 104934DEST_PATH_IMAGE026
中像素点的数量，
Figure 350233DEST_PATH_IMAGE030
为集合
Figure 273058DEST_PATH_IMAGE026
中第
Figure 612904DEST_PATH_IMAGE030
个像素点，
Figure 636443DEST_PATH_IMAGE032
为第
Figure 816757DEST_PATH_IMAGE014
个光照分布图上像素点
Figure 666027DEST_PATH_IMAGE010
处对应的反射特征，
Figure 589989DEST_PATH_IMAGE034
为第
Figure 270632DEST_PATH_IMAGE014
个光照分布图上集合
Figure 841421DEST_PATH_IMAGE026
中第
Figure 207681DEST_PATH_IMAGE030
个像素点对应的反射特征，
Figure 108903DEST_PATH_IMAGE036
为在光源的入射角度
Figure 142587DEST_PATH_IMAGE008
下像素点
Figure 918168DEST_PATH_IMAGE010
和
Figure 37302DEST_PATH_IMAGE030
的之间灰度值的差异；且本实施例中
Figure 53800DEST_PATH_IMAGE028
为8邻域，作为其它的实施方式，也可以根据需求的不同为
Figure 709034DEST_PATH_IMAGE028
设置不同的数值，例如可以是4邻域。
本实施例中，表示像素点
Figure 74157DEST_PATH_IMAGE010
处的反射特征和其邻域像素点的反射特征的差异或相似性，当两个相邻像素点在相同光照环境下的灰度值一样，则这两个像素点的反射特征是相似的，但是当两个相邻像素点在相同光照环境下灰度值差别较大，则这两个位置的反射特征就不相似。
本实施例中，
Figure DEST_PATH_IMAGE092
为在
Figure 572265DEST_PATH_IMAGE008
角度入射光的光照环境下像素点
Figure 877607DEST_PATH_IMAGE010
和
Figure 636615DEST_PATH_IMAGE030
的之间灰度值的差异；且
Figure DEST_PATH_IMAGE094
，其中，
Figure 120774DEST_PATH_IMAGE050
为第
Figure 214501DEST_PATH_IMAGE014
个光照分布图上像素点
Figure 261217DEST_PATH_IMAGE010
处的灰度值，
Figure DEST_PATH_IMAGE096
为第
Figure 999366DEST_PATH_IMAGE014
个光照分布图上像素点
Figure 535652DEST_PATH_IMAGE030
处的灰度值，且像素点
Figure 116674DEST_PATH_IMAGE010
和
Figure 498240DEST_PATH_IMAGE030
的之间灰度值的差异越小表明对
Figure 231840DEST_PATH_IMAGE032
与
Figure 171983DEST_PATH_IMAGE034
之间的差异越关注；当
Figure 673591DEST_PATH_IMAGE024
最小化时，相邻像素点的灰度值差异小的像素点处的反射特征越相似，相邻像素点的灰度值差异大的像素点处的反射特征越不相似。
本实施例零件表面第
Figure 357382DEST_PATH_IMAGE064
个凹陷区域对应的目标网络的重构损失函数为：
Figure DEST_PATH_IMAGE038A
其中，
Figure 837167DEST_PATH_IMAGE040
为零件表面第
Figure 652939DEST_PATH_IMAGE064
个凹陷区域对应的目标网络训练的重构损失函数，
Figure 224865DEST_PATH_IMAGE010
为光照分布图上任意一个像素点，
Figure 446768DEST_PATH_IMAGE042
为光源的入射光强，
Figure 634255DEST_PATH_IMAGE018
为光源的入射角度为
Figure 119463DEST_PATH_IMAGE008
时像素点
Figure 663839DEST_PATH_IMAGE010
处的干扰强度，
Figure 892695DEST_PATH_IMAGE044
为零件表面第
Figure 674969DEST_PATH_IMAGE064
个凹陷区域对应的光照分布图集合，
Figure 144127DEST_PATH_IMAGE046
为
Figure 612018DEST_PATH_IMAGE044
上除了像素点
Figure 677188DEST_PATH_IMAGE010
处的任意一个像素点的坐标位置，
Figure 812503DEST_PATH_IMAGE048
为光源的入射角度为
Figure 220873DEST_PATH_IMAGE008
时像素点
Figure 972798DEST_PATH_IMAGE046
处的干扰强度，
Figure 44921DEST_PATH_IMAGE050
为第
Figure 582213DEST_PATH_IMAGE014
个光照分布图上像素点
Figure 376862DEST_PATH_IMAGE010
处的灰度值。
本实施例中，将光源的入射光强记为
Figure 117548DEST_PATH_IMAGE042
,当光照分布图中的任何一个像素点处进行镜面反射时，理想状态下任何一个像素点处反射的光强应该为
Figure 491897DEST_PATH_IMAGE042
，但是由于漫反射的干扰，镜面反射的光强不是
Figure 900007DEST_PATH_IMAGE042
；例如对于入射角度为
Figure 68820DEST_PATH_IMAGE008
时像素点
Figure 546069DEST_PATH_IMAGE010
处的镜面反射光强变为
Figure DEST_PATH_IMAGE098
,其中
Figure DEST_PATH_IMAGE100
为在漫反射干扰下入射角度为
Figure 32764DEST_PATH_IMAGE008
时像素点处的镜面反射光强，
Figure DEST_PATH_IMAGE102
表示入射角度为
Figure 154435DEST_PATH_IMAGE008
时像素点
Figure 494150DEST_PATH_IMAGE010
处的干扰强度。
对于入射角度为
Figure 458695DEST_PATH_IMAGE008
时像素点
Figure 473049DEST_PATH_IMAGE010
处的灰度值
Figure 291969DEST_PATH_IMAGE050
与
Figure 360508DEST_PATH_IMAGE100
相关；除此之外，
Figure 999299DEST_PATH_IMAGE050
还与其它像素点位置的漫反射相关，即其它像素点位置发生漫反射时对像素点
Figure 817345DEST_PATH_IMAGE010
的灰度值也有影响；所以其它像素点的漫反射也会间接为像素点
Figure 756351DEST_PATH_IMAGE010
提供光照，则其它像素点的对像素点
Figure 939333DEST_PATH_IMAGE010
光照影响大小为
Figure DEST_PATH_IMAGE104
，其中
Figure DEST_PATH_IMAGE106
为所有的漫反射的干扰强度，
Figure DEST_PATH_IMAGE108
表示除去像素点
Figure 19415DEST_PATH_IMAGE010
处外其它像素点的漫反射的干扰强度，因此
Figure 369713DEST_PATH_IMAGE050
与
Figure DEST_PATH_IMAGE110
呈正相关；本实施例考虑到r的角度相对较大，且零件表面凹陷区域深度相对较浅，因此其它像素点的镜面反射基本不会为像素点
Figure 320483DEST_PATH_IMAGE010
提供光照，因此本实施例不考虑其它位置像素点的镜面反射对位置
Figure 985951DEST_PATH_IMAGE010
处灰度值的影响。
本实施例构建数学模型来约束
Figure 396072DEST_PATH_IMAGE050
与呈正相关，令,其中
Figure 759183DEST_PATH_IMAGE042
为已知的常数，需要根据实际情况设置。
本实施例中，
Figure 938360DEST_PATH_IMAGE050
与
Figure 259882DEST_PATH_IMAGE042
的真实关系并非由
Figure 173612DEST_PATH_IMAGE040
准确描述的，只是利用
Figure 544942DEST_PATH_IMAGE040
确保
Figure 516309DEST_PATH_IMAGE050
与
Figure 664525DEST_PATH_IMAGE110
呈正相关，而不是呈负相关或不相关的，目的是加强目标网络的特征提取能力，使得目标网络能够将输入的光照特征向量准确的拆分为反射特征和干扰光强。
因此，将零件表面第
Figure 691649DEST_PATH_IMAGE064
个凹陷区域中各像素点对应的各光源入射角度下的光照特征向量输入到训练好的第
Figure 629518DEST_PATH_IMAGE064
个凹陷区域对应的目标网络中，将输出各光照特征向量对应的反射特征和干扰强度；因此本实施例通过上述过程可以将各凹陷区域中各像素点对应的各光源入射角度下的光照特征向量输入到训练好的对应的各目标网络中，得到网络输出的各凹陷区域中各光照特征对应的反射特征和干扰强度；因此本实施例中，根据损失函数利用随机梯度下降算法训练目标网络，可以使得网络收敛。
步骤S005，根据所述反射特征得到凹陷区域的轮廓周长、轮廓面积以及各像素点对应的深度信息。
本实施例中，根据上述过程可以得到各凹陷区域中各像素点都对应的
Figure 471703DEST_PATH_IMAGE002
个反射特征，将各像素点对应的
Figure 535693DEST_PATH_IMAGE002
个反射特征求和之后求均值，得到各凹陷区域中各像素点对应的最终反射特征。
本实施例中，最终反射特征表示的是凹陷区域在各像素点的法向量，根据各凹陷区域中各像素点对应的最终反射特征与上述
Figure 345386DEST_PATH_IMAGE076
之间的夹角，得到所有夹角小于第二阈值对应的所有像素点，这些像素点认为是平整的位置；之后获得各凹陷区域内所有的像素点，从这些像素中剔除这些夹角小于第二阈值的像素点，各凹陷区域剩下的像素点构成连通域，如果连通域有空洞就填充空洞，最终可以获得的各连通域的轮廓长度就是各凹陷区域的轮廓长度，各连通域的面积就是各凹陷区域的面积，且根据凹陷区域的三维曲面也可以得到凹陷区域不同像素点的深度信息；本实施例中第二阈值需要根据实际情况设置。
本实施例中，由于最终反射特征表示的是凹陷区域在各像素点的法向量，因此根据各凹陷区域中各像素点的法向量建立凹陷区域的三维曲面，大致方法是将每个像素点视为以该像素点为中心的一个四边形网格，该网格的朝向由每个像素点的法向量确定，相邻像素点的网格的公用同一个边，进而所有像素点的网格构成一个三维曲面；具体的根据各像素点的法向量建立三维曲面的方法是公知和常规技术，本实施例不作详细描述。
本实施例根据零件表面灰度图像判断零件表面是否存在凹陷区域，并根据各光源入射角度下凹陷区域对应的灰度图像得到凹陷区域中各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度，进而得到凹陷区域中各像素点对应的各光源入射角度下的光照特征向量；利用光照特征向量训练目标网络，得到各光照特征向量对应的反射特征，根据所述反射特征得到凹陷区域的轮廓周长、轮廓面积以及各像素点对应的深度信息。本实施例将光照特征向量作为得到反射特征的依据，且每个像素点的反射特征对应一个法向量，通过法向量可以建立凹陷区域的三维曲面，因此本实施例将反射特征作为得到凹陷区域的轮廓周长、轮廓面积的依据将凹陷区域的三维曲面作为得到各像素点对应的深度信息的依据，能够减少检测的误差，能够相对准确的检测零件表面缺陷区域的轮廓信息和深度信息。
本实施例的基于图像处理的零件缺陷检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述基于图像处理的零件缺陷检测方法。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣，在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。

Claims (7)

1.一种基于图像处理的零件缺陷检测方法，其特征在于，该方法包括如下步骤：
获取多个光源入射角度下的零件表面灰度图像；
根据所述零件表面灰度图像判断零件表面是否存在凹陷区域，若存在，则根据各光源入射角度下凹陷区域对应的灰度图像得到凹陷区域中各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度；
根据所述各像素点的灰度值、各像素点的像素坐标以及各像素点对应的光源入射角度，得到凹陷区域中各像素点对应的各光源入射角度下的光照特征向量；
利用所述光照特征向量训练目标网络，得到各光照特征向量对应的反射特征；
根据所述反射特征得到凹陷区域的轮廓周长、轮廓面积以及各像素点对应的深度信息。
2.如权利要求1所述的一种基于图像处理的零件缺陷检测方法，其特征在于，所述光源的入射角度的个数为
Figure DEST_PATH_IMAGE002
，36≤
Figure 517402DEST_PATH_IMAGE002
≤72。
3.如权利要求1所述的一种基于图像处理的零件缺陷检测方法，其特征在于，所述目标网络为全连接神经网络，所述目标网络的损失函数包括均值损失函数、邻域损失函数以及重构损失函数。
4.如权利要求3所述的一种基于图像处理的零件缺陷检测方法，其特征在于，所述均值损失函数为：
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
为目标网络的均值函数，
Figure DEST_PATH_IMAGE008
为零件表面凹陷区域第
Figure DEST_PATH_IMAGE010
个灰度图对应的光源的入射角度，
Figure DEST_PATH_IMAGE012
为灰度图上任意一个像素点，
Figure DEST_PATH_IMAGE014
为第
Figure 163016DEST_PATH_IMAGE010
个灰度图上像素点
Figure 914590DEST_PATH_IMAGE012
处对应的反射特征，
Figure DEST_PATH_IMAGE016
为该凹陷区域所有灰度图上像素点
Figure 904543DEST_PATH_IMAGE012
处对应的反射特征的均值，
Figure DEST_PATH_IMAGE018
为光源的入射角度为时像素点
Figure 967308DEST_PATH_IMAGE012
处的干扰强度，
Figure DEST_PATH_IMAGE020
为与
Figure 762701DEST_PATH_IMAGE008
的角度差值的绝对值在预设范围内的光源的入射角度对应的灰度图上像素点
Figure 151088DEST_PATH_IMAGE012
处干扰强度的均值。
5.如权利要求3所述的一种基于图像处理的零件缺陷检测方法，其特征在于，所述邻域损失函数为：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为目标网络的邻域损失函数，
Figure 128138DEST_PATH_IMAGE012
为灰度图上任意一个像素点，
Figure DEST_PATH_IMAGE026
为零件表面凹陷区域第
Figure 729015DEST_PATH_IMAGE010
个灰度图上与像素点
Figure 772057DEST_PATH_IMAGE012
处相邻的像素点集合，
Figure DEST_PATH_IMAGE028
为集合
Figure 800187DEST_PATH_IMAGE026
中像素点的数量，
Figure DEST_PATH_IMAGE030
为集合
Figure 168327DEST_PATH_IMAGE026
中第
Figure 228687DEST_PATH_IMAGE030
个像素点，
Figure DEST_PATH_IMAGE032
为第
Figure 736023DEST_PATH_IMAGE010
个灰度图上像素点
Figure 590847DEST_PATH_IMAGE012
处对应的反射特征，
Figure DEST_PATH_IMAGE034
为第
Figure 593087DEST_PATH_IMAGE010
个灰度图上集合
Figure 457138DEST_PATH_IMAGE026
中第
Figure 350139DEST_PATH_IMAGE030
个像素点对应的反射特征，
Figure DEST_PATH_IMAGE036
为在光源的入射角度
Figure 248300DEST_PATH_IMAGE008
下像素点
Figure 984175DEST_PATH_IMAGE012
和
Figure 527283DEST_PATH_IMAGE030
的之间灰度值的差异。
6.如权利要求3所述的一种基于图像处理的零件缺陷检测方法，其特征在于，所述重构损失函数为：
Figure DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE040
为目标网络的重构损失函数，
Figure 298625DEST_PATH_IMAGE012
为灰度图上任意一个像素点，
Figure DEST_PATH_IMAGE042
为光源的入射光强，
Figure 961163DEST_PATH_IMAGE018
为光源的入射角度为
Figure 918754DEST_PATH_IMAGE008
时像素点
Figure 734395DEST_PATH_IMAGE012
处的干扰强度，
Figure DEST_PATH_IMAGE044
为凹陷区域对应的灰度图集合，
Figure DEST_PATH_IMAGE046
为灰度图集合上除了像素点
Figure 867567DEST_PATH_IMAGE012
处的任意一个像素点位置，
Figure DEST_PATH_IMAGE048
为光源的入射角度为
Figure 582232DEST_PATH_IMAGE008
时像素点处的干扰强度，
Figure DEST_PATH_IMAGE050
为第
Figure 105748DEST_PATH_IMAGE010
个灰度图上像素点
Figure 849713DEST_PATH_IMAGE012
处的灰度值。
7.一种基于图像处理的零件缺陷检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-6任一项所述的一种基于图像处理的零件缺陷检测方法。
CN202111089843.XA 2021-09-17 2021-09-17 一种基于图像处理的零件缺陷检测方法及系统 Active CN113538432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111089843.XA CN113538432B (zh) 2021-09-17 2021-09-17 一种基于图像处理的零件缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111089843.XA CN113538432B (zh) 2021-09-17 2021-09-17 一种基于图像处理的零件缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN113538432A true CN113538432A (zh) 2021-10-22
CN113538432B CN113538432B (zh) 2021-12-21

Family

ID=78093306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111089843.XA Active CN113538432B (zh) 2021-09-17 2021-09-17 一种基于图像处理的零件缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN113538432B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742786A (zh) * 2022-03-31 2022-07-12 南通申东冶金机械有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114998311A (zh) * 2022-07-11 2022-09-02 江苏名欧精密机械有限公司 一种基于同态滤波的零件精密度检测方法
CN115049641A (zh) * 2022-08-10 2022-09-13 启东普力马机械有限公司 一种用于机械零件异常检测的电数据处理方法及系统
CN115575399A (zh) * 2022-09-29 2023-01-06 梅卡曼德(上海)机器人科技有限公司 表面缺陷检测方法及表面缺陷检测系统
TWI792827B (zh) * 2021-12-31 2023-02-11 鴻海精密工業股份有限公司 產品外觀缺陷檢測方法、電腦設備及儲存介質
CN115953409A (zh) * 2023-03-15 2023-04-11 深圳市深奇浩实业有限公司 基于图像处理的注塑件表面缺陷检测方法
CN115980059A (zh) * 2022-12-21 2023-04-18 中科慧远视觉技术(北京)有限公司 表面缺陷检测系统及其检测方法、装置、设备、存储介质
CN116205919A (zh) * 2023-05-05 2023-06-02 深圳市智宇精密五金塑胶有限公司 基于人工智能的五金零件生产质量检测方法及系统
CN116485788A (zh) * 2023-06-16 2023-07-25 东莞市华驰高分子材料有限公司 图像处理方法及手机pet保护膜底涂工艺质量检测方法
CN116977333A (zh) * 2023-09-22 2023-10-31 山东恒海钢结构有限公司 基于图像数据的装配式钢结构构件质量检测方法
WO2024044915A1 (zh) * 2022-08-29 2024-03-07 西门子股份公司 用于错误检测的图像比较的方法、装置、计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106442556A (zh) * 2016-11-16 2017-02-22 哈尔滨理工大学 一种板状带孔工件表面缺陷检测装置和方法
CN109816644A (zh) * 2019-01-16 2019-05-28 大连理工大学 一种基于多角度光源影像的轴承缺陷自动检测系统
CN112669318A (zh) * 2021-03-17 2021-04-16 上海飞机制造有限公司 表面缺陷检测方法、装置、设备及存储介质
CN113146404A (zh) * 2020-05-29 2021-07-23 浙江大学 一种复杂曲面构件的自动化检测装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106442556A (zh) * 2016-11-16 2017-02-22 哈尔滨理工大学 一种板状带孔工件表面缺陷检测装置和方法
CN109816644A (zh) * 2019-01-16 2019-05-28 大连理工大学 一种基于多角度光源影像的轴承缺陷自动检测系统
CN113146404A (zh) * 2020-05-29 2021-07-23 浙江大学 一种复杂曲面构件的自动化检测装置
CN112669318A (zh) * 2021-03-17 2021-04-16 上海飞机制造有限公司 表面缺陷检测方法、装置、设备及存储介质

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI792827B (zh) * 2021-12-31 2023-02-11 鴻海精密工業股份有限公司 產品外觀缺陷檢測方法、電腦設備及儲存介質
CN114742786B (zh) * 2022-03-31 2023-08-29 山东西岳智能科技有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114742786A (zh) * 2022-03-31 2022-07-12 南通申东冶金机械有限公司 基于人工智能的齿面磨粒磨损程度评估方法
CN114998311A (zh) * 2022-07-11 2022-09-02 江苏名欧精密机械有限公司 一种基于同态滤波的零件精密度检测方法
CN115049641A (zh) * 2022-08-10 2022-09-13 启东普力马机械有限公司 一种用于机械零件异常检测的电数据处理方法及系统
WO2024044915A1 (zh) * 2022-08-29 2024-03-07 西门子股份公司 用于错误检测的图像比较的方法、装置、计算机设备
CN115575399A (zh) * 2022-09-29 2023-01-06 梅卡曼德(上海)机器人科技有限公司 表面缺陷检测方法及表面缺陷检测系统
CN115980059A (zh) * 2022-12-21 2023-04-18 中科慧远视觉技术(北京)有限公司 表面缺陷检测系统及其检测方法、装置、设备、存储介质
CN115980059B (zh) * 2022-12-21 2023-12-15 中科慧远视觉技术（洛阳）有限公司 表面缺陷检测系统及其检测方法、装置、设备、存储介质
CN115953409A (zh) * 2023-03-15 2023-04-11 深圳市深奇浩实业有限公司 基于图像处理的注塑件表面缺陷检测方法
CN116205919B (zh) * 2023-05-05 2023-06-30 深圳市智宇精密五金塑胶有限公司 基于人工智能的五金零件生产质量检测方法及系统
CN116205919A (zh) * 2023-05-05 2023-06-02 深圳市智宇精密五金塑胶有限公司 基于人工智能的五金零件生产质量检测方法及系统
CN116485788B (zh) * 2023-06-16 2023-08-29 东莞市华驰高分子材料有限公司 图像处理方法及手机pet保护膜底涂工艺质量检测方法
CN116485788A (zh) * 2023-06-16 2023-07-25 东莞市华驰高分子材料有限公司 图像处理方法及手机pet保护膜底涂工艺质量检测方法
CN116977333A (zh) * 2023-09-22 2023-10-31 山东恒海钢结构有限公司 基于图像数据的装配式钢结构构件质量检测方法
CN116977333B (zh) * 2023-09-22 2023-12-22 山东恒海钢结构有限公司 基于图像数据的装配式钢结构构件质量检测方法

Also Published As

Publication number Publication date
CN113538432B (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN113538432B (zh) 一种基于图像处理的零件缺陷检测方法及系统
CN110619618B (zh) 一种表面缺陷检测方法、装置及电子设备
JP6358351B1 (ja) 表面欠陥検査方法及び表面欠陥検査装置
CN116168026B (zh) 基于计算机视觉的水质检测方法及系统
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN106920219A (zh) 物品缺陷检测方法、图像处理系统与计算机可读记录介质
CN111833306A (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
JP2010139317A (ja) 軸物工具表面の欠陥検査方法および装置
US11747284B2 (en) Apparatus for optimizing inspection of exterior of target object and method thereof
CN116563282B (zh) 一种基于机器视觉的钻削刀具检测方法及系统
CN115018846B (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
CN116758491B (zh) 应用于3d打印的打印监控图像分析方法及系统
EP3008445B1 (fr) Methode de traitement de l'image numerique de la surface d'un pneumatique en vue de la detection d'une anomalie
CN113658155A (zh) 一种基于光度立体的物体表面瑕疵检测分析方法及装置
Zhang et al. Robust pattern recognition for measurement of three dimensional weld pool surface in GTAW
CN114719749B (zh) 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统
CN116673597B (zh) 用于双v复合型坡口的激光线图像特征提取系统及方法
CN109934817A (zh) 一种果体外部轮廓畸形检测方法
Sills et al. Defect identification on specular machined surfaces
Tao Enhanced Canny Algorithm for Image Edge Detection in Print Quality Assessment
CN116703930B (zh) 一种汽车后视镜模具成型检测方法
CN116805314B (zh) 一种建筑工程质量评估方法
Gaspar et al. Visual Place Recognition for Harbour Infrastructures Inspection
CN117876331A (zh) 一种基于光度立体视觉的表面缺陷检测及量化方法
CN118010746A (zh) 一种建筑墙体缺陷检测方法及检测系统

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
TR01 Transfer of patent right

Effective date of registration: 20220303

Address after: No.38, Zhonghua East Road, Sanchang street, Haimen City, Nantong City, Jiangsu Province, 226000

Patentee after: Nantong an art design Co.,Ltd.

Address before: 226000 group 26, Zhongwen village, Yuelai Town, Haimen City, Nantong City, Jiangsu Province

Patentee before: Nantong Lancheng Machinery Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220316

Address after: 226100 Fuxing Road, Yuet Lai Town, Haimen, Nantong, Jiangsu, 20

Patentee after: NANTONGYOUYUAN ART DESIGN Co.,Ltd.

Address before: No.38, Zhonghua East Road, Sanchang street, Haimen City, Nantong City, Jiangsu Province, 226000

Patentee before: Nantong an art design Co.,Ltd.

TR01 Transfer of patent right