CN113554604A - 一种基于机器视觉的熔喷布缺陷区域检测方法 - Google Patents

一种基于机器视觉的熔喷布缺陷区域检测方法 Download PDF

Info

Publication number
CN113554604A
CN113554604A CN202110747626.9A CN202110747626A CN113554604A CN 113554604 A CN113554604 A CN 113554604A CN 202110747626 A CN202110747626 A CN 202110747626A CN 113554604 A CN113554604 A CN 113554604A
Authority
CN
China
Prior art keywords
image
melt
defect
area
value
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
CN202110747626.9A
Other languages
English (en)
Other versions
CN113554604B (zh
Inventor
陈从平
周正旺
丁坤
颜逸洲
李少玉
马超
闫焕章
张屹
戴国洪
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.)
Changzhou University
Original Assignee
Changzhou 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 Changzhou University filed Critical Changzhou University
Priority to CN202110747626.9A priority Critical patent/CN113554604B/zh
Publication of CN113554604A publication Critical patent/CN113554604A/zh
Application granted granted Critical
Publication of CN113554604B publication Critical patent/CN113554604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/155Segmentation; Edge detection involving morphological operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20021Dividing image into blocks, subimages or windows
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30124Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像检测技术领域,尤其涉及一种基于机器视觉的熔喷布缺陷区域检测方法,包括以下步骤:S1:通过Kmeans聚类得到二值化阈值大小;S2:粗定位图像中对应熔喷布缺陷的可能区域,熔喷布缺陷包括过厚、过薄、破损、褶皱、污渍区域;S3:对粗定位后的图像进行逐级网格划分;S4:基于网格划分结果对缺陷区域进行关联性处理;S5:通过计算关联性值对熔喷布缺陷区域完成精准定位。本发明能够实现对熔喷布缺陷位置的精准定位,同时能保证检测的精度和速度。

Description

一种基于机器视觉的熔喷布缺陷区域检测方法
技术领域
本发明涉及图像检测技术领域,尤其涉及一种基于机器视觉的熔喷布缺陷区域检测方法。
背景技术
由于非织造产业是21世纪一个新型的发展行业,所以其各方面的研究和技术都没有达到成熟的阶段,尤其是对非织造产品的检验和检测,是目前一大空缺;在纺织品生产过程中,质量控制与检测的关键点在于能否准确地获取织物中缺陷的具体位置。
在以往的熔喷布缺陷的检测方法中,通常是采用手感目测法、称重法等;手感目测法就是通过人的视觉和触觉来感受非织造材料的厚薄不匀;在自然光下,可以从材料表面明显的看出不匀,或者在光下观测该材料的透光性能来判断其厚薄不匀;但是,在最好的情况下,人的肉眼只能检测到60%的缺陷,并且织物的宽度不能超过2m,织物移动的速度不能超过30m/s;称重法是取一定面积的织物,分别称得各自的重量,然后按规定计算其平均值,并与标准值进行比较,求得标准值与平均值之间的误差,并以此误差来描述织物的厚度不匀;但是这两种方法在人工操作过程中比较容易形成较大的误差,效率低下,难以得到准确的检测结果。另外,模板搜索的方法,由于模板的大小直接决定缺陷轮廓的清晰程度,若模板尺寸较小,虽然会得到相对准确的缺陷区域轮廓外形,但会增加了大量的计算时间,使得检测效率低下;若模板尺寸较大,虽然提高了检测速度,但会产生漏检和错检,同时对噪声非常敏感。因此,需要提出一种方法用以精确找到缺陷的位置。
发明内容
本发明所要解决的技术问题是:通过Kmeans聚类算法和图像二值化处理找出图像中熔喷布缺陷位置,并对缺陷区域图像进行网格划分和关联性处理,最终实现对熔喷布缺陷位置的精准定位,同时能保证检测的精度和速度。
本发明所采用的技术方案:一种基于机器视觉的熔喷布缺陷区域检测方法,包括以下步骤:
S1、对采集图像的通过Kmeans聚类分析;
S11:随机选取熔喷布图像上2个像素点μ1和μ2作为聚类质心点,表示存在2个簇C1和C2,对于熔喷布图像中的每个像素点,需要计算与质心μk的距离dk,公式如下:
Figure BDA0003143493550000021
式中,k∈1,2,
Figure BDA0003143493550000022
分别表示图像中第i个像素点x(i)的RGB三个通道值,
Figure BDA0003143493550000023
分别表示质心点μk的RGB三个通道值,根据距离dk的大小判断x(i)属于与其距离最近质心点μk的簇Ck,公式如下:
Ck:=arg minkdk
S12:对于每个簇Ck,重新计算该簇质心点的值,公式如下:
Figure BDA0003143493550000024
式中,分母表示所属簇Ck的像素点个数,分子表示所属簇Ck的所有像素点x(i)与质心点μk的距离总和;
S13:重复步骤S11和S12直到质心点的值收敛,得到最终的质心点μ1和μ2,通过计算质心点μk的RGB三通道均值得到阈值H1和H2
S2、粗定位图像中对应熔喷布缺陷的区域,熔喷布缺陷包括过厚、过薄、破损、褶皱、污渍区域;
步骤S2包括:
S21:图像二值化处理:对图像进行灰度化处理,判定灰度值在H1和H2之间的像素点为正常值,将其灰度值置为255,其余为缺陷区域,灰度值置为0,公式如下:
Figure BDA0003143493550000031
S22:图像形态学处理:对图像进行开运算和黑帽处理;
S3、对粗定位后的图像进行逐级网格划分;
步骤S3包括:
S31:对图像进行初步分割:经过形态学处理后的图像按固定区域大小进行分割,设定阈值P1,计算每个区域中灰度值为0的像素点个数占该区域总像素点个数的比例P,若P<P1则判定该区域为正常,反之为缺陷;
S32:对S31中判定为缺陷的区域进行逐级n×n网格划分,设定阈值P2、P3,依据S31中的判定标准,完成两级网格划分;
对初步处理后的熔喷布图像进行逐级的网格划分,有效解决了模板搜索方法存在的效率低下、漏检和缺陷轮廓模糊的缺点。
S4:基于网格划分结果对缺陷区域进行关联性处理;
步骤S4包括:
S41:确定关联性处理对象:对图像经过S3处理后判定为缺陷的区域,作为关联性处理对象;
S42:计算交并比值、关联性值:任取两个关联性处理对象A和B,计算A和B区域的关联性值GA,B,公式如下:
Figure BDA0003143493550000041
Figure BDA0003143493550000042
式中IA,B表示A和B的交并比值,AA,B表示A、B区域的最小外接矩形;
S5:通过计算关联性值对熔喷布缺陷区域完成精准定位;
步骤S5包括:
S51:对缺陷区域进行关联性判别:设定阈值R,对于任何2个缺陷区域,通过计算其关联性值G,若G小于R,则判定为两处缺陷区域,反之则判定为同一处缺陷区域;
S52:对缺陷的多块区域进行整合判别:对散点状缺陷形状分析,通过计算整个散点状区域的最小外接矩形占整个熔喷布图像的比例大小,设置阈值C,若小于C,则判定为一整块缺陷区域,反之则判定为多处缺陷区域。
本发明的有益效果是:
1、采用Kmeans聚类的方法获得设定簇中心点的像素值阈值大小,再对图像进行二值化处理,解决了复杂背景下熔喷布缺陷区域的初步提取。
2、通过计算网格划分后任意两个矩形框的关联性值大小,判断缺陷区域是否属于同一处缺陷,进一步对缺陷轮廓进行了优化,提高了识别的准确率。
附图说明
图1是本发明基于机器视觉的熔喷布缺陷区域检测方法流程图;
图2是本发明经过粗定位后的图像示意图;
图3是图像经过初步分割的示意图;
图4是图像经过第二级网格划分后的示意图;
图5是图像经过第三级网格划分后的示意图;
图6是图像经过步骤S4处理后的示意图
图7是图像经过第二级网格划分后的示意图;
图8是图像经过第三级网格划分后的示意图;
图9是图像是缺陷轮廓的优化的示意图;
图10是采用模板搜索法对熔喷布缺陷区域检测效果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,一种基于机器视觉的熔喷布缺陷区域检测方法,包括以下步骤:
熔喷布图像采集:在待检熔喷布上、下两侧对称布置一对长方体型半封闭箱体,两箱体正对熔喷布的一侧未封闭,形成封闭区域,用于隔绝外界光,工业相机安装在封闭区域内壁上方,在拍摄区域背面安装有线性照明光源对熔喷布进行照明,采集的图像如图2所示。
S1、对采集图像的通过Kmeans聚类分析,得到二值化阈值大小;
S2、粗定位图像中对应熔喷布缺陷的可能区域;
基于图像的灰度值,对于熔喷布图像中过薄区域和破损区域由于亮度高,则灰度值高;对于熔喷布过厚区域、褶皱或污渍等由于亮度低,则灰度值低;根据灰度值两极分化这一特点采用聚类算法获取两个阈值H1和H2,设Kmeans聚类质心点个数为2,表示存在2个簇C1和C2,随机选取熔喷布图像上2个像素点,计算剩余像素点与2个质心点的像素距离,从而重新计算该簇质心点的值,通过不断迭代直到质心点的值收敛,从而对图像进行二值化处理,效果如图3所示;因熔喷布生产时的不确定性和现场打光效果的影响,对处理后的二值化图像进行开运算和黑帽处理,可以将较小面积区域以及孤立点过滤掉,减小噪声的影响,处理后如图4效果;
S3、对粗定位后的图像进行逐级网格划分;
对二值化处理后的图像进行初步网格划分,使用海康威视600万像素工业相机拍摄的熔喷布图像尺寸为3072×2048像素,将图像进行12×8的网格划分,效果如图5;
S31:对图像进行初步分割:经过形态学处理后的图像按固定区域大小进行分割,设定阈值P1,计算每个区域中灰度值为0的像素点个数占该区域总像素点个数的比例P,若P<P1则判定该区域为正常,反之为缺陷;
对划分后的12×8个网格,设定阈值P1=0.1,对网格划分后的每个区域进行判断,若像素为0的像素点个数占该区域总像素点个数的比例小于P1,则判定为正常区域,反之为缺陷区域,(为方便图像展示,将缺陷区域灰度值置为0,正常区域灰度值置为255)效果如图6所示;
S32:对S31中判定为缺陷的区域进行逐级n×n网格划分,设定阈值P2、P3,依据S31中的判定标准,完成两级网格划分;
对于判定为缺陷部分的矩形区域进行进一步4×4的网格划分,设定阈值P2=0.2,若像素为0的像素点个数占该区域总像素点个数的比例小于P2,则判定为正常区域,反之为缺陷区域,效果如图7所示;再进一步进行4×4的网格划分,设定阈值P3=0.4,依据S31中的判定标准,效果如图8所示,对于缺陷区域大小小于16pixel的作为噪声处理忽略不计;
基于模板搜索的熔喷布缺陷检测方法,以熔喷布图像尺寸为3072×2048pixel为例可见能较好地检测出熔喷布缺陷区域;进一步,采用模板搜索法对该熔喷布进行缺陷区域检测,过程中为了忽略检测意义不大、尺寸过小的缺陷区,且能尽量提高检测效率,采用了较大的模板尺寸,实际模板尺寸为16×16像素,设置模板总灰度值阈值为600,检测结果如图10所示。
将本发明的方法与基于模板搜索的熔喷布缺陷检测方法进行比较,对比图9、图10可以发现,利用模板搜索进行检测时,会将图像中的部分噪声识别为缺陷区域,出现假的缺陷区域,同时漏掉了本身较为连通的缺陷区中的部分区块,使得同一个较大的缺陷区域被分散成为若干小区块,并最终使得真、假缺陷区极为分散,难以聚类和整体评价。
此外,实际表明,在同一电脑下,用模板搜索法检测该熔喷布图像耗时2660ms,而采用本发明提供的方法检测耗时仅为6ms,因而本发明的方法在检测效率上也具有更大优势。
S4:基于网格划分结果对缺陷区域进行关联性处理;
S5:通过计算关联性值对熔喷布缺陷区域完成精准定位;
S51:对缺陷区域进行关联性判别:设定阈值R,对于任何2个缺陷区域,通过计算其关联性值G,若G小于R,则判定为两处缺陷区域,反之则判定为同一处缺陷区域;
阈值R为熔喷布图像中灰度值为0的像素点个数占该图像像素点总个数的比例。
S52:对缺陷的多块区域进行整合判别:对于特殊情况如缺陷形状形如散点状,通过计算整个散点状区域的最小外接矩形占整个熔喷布图像的比例大小,设置阈值C,若小于C,则判定为一整块缺陷区域,反之则判定为多处缺陷区域;
阈值C值为经验值,依据(第三级网格划分后的网格大小×散点区域所占的网格个数)/熔喷布图像总尺寸。
对于可能是散点区域的缺陷部分,通过计算其整个散点状区域的最小外接矩形占整个熔喷布图像的比例大小,对缺陷的多块区域进行整合判别,以此完成缺陷轮廓的优化,效果如图9所示。
本发明有益效果是:采用Kmeans聚类的方法获得设定簇中心点的像素值阈值大小,再对图像进行二值化处理,解决了复杂背景下熔喷布缺陷区域的初步提取。对初步处理后的熔喷布图像进行逐级的网格划分,相比于模板搜索存在的效率低下、漏检、错检的缺点,提高了识别定位的效率。通过计算网格划分后任意两个矩形框的关联性值大小,判断缺陷区域是否属于同一处缺陷,进一步对缺陷轮廓进行了优化,提高了识别的准确率。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种基于机器视觉的熔喷布缺陷区域检测方法,其特征在于,包括以下步骤:
S1:对采集的图像通过Kmeans聚类分析;
步骤S1包括:
S11:随机选取熔喷布图像上2个像素点μ1和μ2作为聚类质心点,表示存在2个簇C1和C2,对于熔喷布图像中的每个像素点,需要计算与质心μk的距离dk,公式如下:
Figure FDA0003143493540000011
式中,k∈1,2,
Figure FDA0003143493540000012
分别表示图像中第i个像素点x(i)的RGB三个通道值,
Figure FDA0003143493540000013
分别表示质心点μk的RGB三个通道值,根据距离dk的大小判断x(i)属于与其距离最近质心点μk的簇Ck,公式如下:
Ck:=argminkdk
S12:对于每个簇Ck,重新计算该簇质心点的值,公式如下:
Figure FDA0003143493540000014
式中,分母表示所属簇Ck的像素点个数,分子表示所属簇Ck的所有像素点x(i)与质心点μk的距离总和;
S13:重复步骤S11和S12直到质心点的值收敛,得到最终的质心点μ1和μ2,通过计算质心点μk的RGB三通道均值得到阈值H1和H2
S2:粗定位图像中对应熔喷布缺陷的区域,包括如下步骤;
S21:图像二值化处理:对图像进行灰度化处理,判定灰度值在H1和H2之间的像素点为正常值,将其灰度值置为255,其余为缺陷区域,灰度值置为0,公式如下:
Figure FDA0003143493540000021
S22:图像形态学处理:对图像进行开运算和黑帽处理;
S3:对粗定位后的图像进行逐级网格划分;
S4:基于网格划分结果对缺陷区域进行关联性处理;
S5:通过计算关联性值对熔喷布缺陷区域完成精准定位。
2.根据权利要求1所述的基于机器视觉的熔喷布缺陷区域检测方法,其特征在于,所述步骤S3包括:
S31:对图像进行初步分割:经过形态学处理后的图像按固定区域大小进行分割,设定阈值P1,计算每个区域中灰度值为0的像素点个数占该区域总像素点个数的比例P,若P<P1则判定该区域为正常,反之为缺陷;
S32:对S31中判定为缺陷的区域进行逐级n×n网格划分,设定阈值P2、P3,依据S31中的判定标准,完成两级网格划分。
3.根据权利要求1所述的基于机器视觉的熔喷布缺陷区域检测方法,其特征在于,所述步骤S4包括:
S41:确定关联性处理对象:对图像经过S3处理后判定为缺陷的区域,作为关联性处理对象;
S42:计算交并比值、关联性值:任取两个关联性处理对象A和B,计算A和B区域的关联性值GA,B,公式如下:
Figure FDA0003143493540000022
Figure FDA0003143493540000023
式中IA,B表示A和B的交并比值,AA,B表示A、B区域的最小外接矩形。
4.根据权利要求1所述的基于机器视觉的熔喷布缺陷区域检测方法,其特征在于,所述步骤S5包括:
S51:对缺陷区域进行关联性判别:设定阈值R,对于任何2个缺陷区域,通过计算其关联性值G,若G小于R,则判定为两处缺陷区域,反之则判定为同一处缺陷区域;
S52:对缺陷的多块区域进行整合判别:对散点状缺陷形状分析,通过计算整个散点状区域的最小外接矩形占整个熔喷布图像的比例大小,设置阈值C,若小于C,则判定为一整块缺陷区域,反之则判定为多处缺陷区域。
CN202110747626.9A 2021-07-01 2021-07-01 一种基于机器视觉的熔喷布缺陷区域检测方法 Active CN113554604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110747626.9A CN113554604B (zh) 2021-07-01 2021-07-01 一种基于机器视觉的熔喷布缺陷区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110747626.9A CN113554604B (zh) 2021-07-01 2021-07-01 一种基于机器视觉的熔喷布缺陷区域检测方法

Publications (2)

Publication Number Publication Date
CN113554604A true CN113554604A (zh) 2021-10-26
CN113554604B CN113554604B (zh) 2024-02-02

Family

ID=78131231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110747626.9A Active CN113554604B (zh) 2021-07-01 2021-07-01 一种基于机器视觉的熔喷布缺陷区域检测方法

Country Status (1)

Country Link
CN (1) CN113554604B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152474A (zh) * 2023-07-25 2023-12-01 华能核能技术研究院有限公司 一种基于K-means聚类算法的高温气冷堆火焰识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002319021A (ja) * 2001-04-19 2002-10-31 Murata Mfg Co Ltd 二値化処理方法、外観検査方法および外観検査装置
CN106251361A (zh) * 2016-08-30 2016-12-21 兰州交通大学 一种钢轨表面缺陷图像自适应分割方法
WO2017063355A1 (zh) * 2015-10-15 2017-04-20 浙江大学 超声相控阵检测聚乙烯电熔接头缺陷类型自动识别方法
JP2017096853A (ja) * 2015-11-26 2017-06-01 株式会社リコー 情報処理装置、欠陥検出方法およびプログラム
CN106952260A (zh) * 2017-03-31 2017-07-14 深圳华中科技大学研究院 一种基于cis图像采集的太阳能电池片缺陷检测系统和方法
CN109001212A (zh) * 2018-07-17 2018-12-14 五邑大学 一种基于机器视觉的不锈钢汤勺缺陷检测方法
CN109540925A (zh) * 2019-01-23 2019-03-29 南昌航空大学 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN110458807A (zh) * 2019-07-09 2019-11-15 常州大学 一种铁路轨道缺陷机器视觉检测系统
CN110969612A (zh) * 2019-12-04 2020-04-07 常州大学 二维码印刷缺陷检测方法
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002319021A (ja) * 2001-04-19 2002-10-31 Murata Mfg Co Ltd 二値化処理方法、外観検査方法および外観検査装置
WO2017063355A1 (zh) * 2015-10-15 2017-04-20 浙江大学 超声相控阵检测聚乙烯电熔接头缺陷类型自动识别方法
JP2017096853A (ja) * 2015-11-26 2017-06-01 株式会社リコー 情報処理装置、欠陥検出方法およびプログラム
CN106251361A (zh) * 2016-08-30 2016-12-21 兰州交通大学 一种钢轨表面缺陷图像自适应分割方法
CN106952260A (zh) * 2017-03-31 2017-07-14 深圳华中科技大学研究院 一种基于cis图像采集的太阳能电池片缺陷检测系统和方法
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN109001212A (zh) * 2018-07-17 2018-12-14 五邑大学 一种基于机器视觉的不锈钢汤勺缺陷检测方法
CN109540925A (zh) * 2019-01-23 2019-03-29 南昌航空大学 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN110458807A (zh) * 2019-07-09 2019-11-15 常州大学 一种铁路轨道缺陷机器视觉检测系统
CN110969612A (zh) * 2019-12-04 2020-04-07 常州大学 二维码印刷缺陷检测方法
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
李长春;胡炜;顾寄南;戴国洪;: "上下料机器人视觉测量系统关键技术的研究", 机床与液压, no. 15 *
董家顺;王兴东;李殿杰;汤勃;李震;: "基于改进K-means算法的钢管表面缺陷视觉检测方法", 武汉科技大学学报, no. 06 *
赵春东;朱奎锋;苏艳杰;陈俭永;张东洋;陈晓艳;: "一种提高晶粒表面缺陷检测准确性的方法研究", 传感技术学报, no. 07 *
路云浩;杨萌伟;张铫;傅致远;周贺: "基于机器视觉的PET瓶口快速缺陷检测", 组合机床与自动化加工技术, no. 001 *
郭慧;王霄;刘传泽;周玉成: "基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法", 林业科学, no. 011 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152474A (zh) * 2023-07-25 2023-12-01 华能核能技术研究院有限公司 一种基于K-means聚类算法的高温气冷堆火焰识别方法

Also Published As

Publication number Publication date
CN113554604B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN104794491B (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
CN107437243B (zh) 基于x光图像的轮胎杂质检测方法及装置
CN115861291B (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN116205919A (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN110567969B (zh) 用于织物缺陷检测的图像识别方法及其系统
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN115311267B (zh) 一种格纹织物异常检测方法
CN114862855B (zh) 基于模板匹配的纺织品缺陷检测方法及系统
CN115272305B (zh) 一种纽扣孔洞缺陷检测方法
CN115049671A (zh) 基于计算机视觉的布匹表面缺陷检测方法及系统
CN116008289B (zh) 一种非织造产品表面缺陷检测方法及系统
CN113168687A (zh) 图像评价装置和方法
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN111189854B (zh) 玻璃盖板自动检测系统缺陷分层检测方法
CN113554604A (zh) 一种基于机器视觉的熔喷布缺陷区域检测方法
CN115861310A (zh) 一种床单表面纺织缺陷检测方法
Jing et al. Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF
CN116894840B (zh) 纺纱打样机产品质量检测方法及系统
CN113592811A (zh) 一种基于图像处理的熔喷布厚度一致性检测方法
CN116542910A (zh) 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法
CN115294100A (zh) 一种基于数据处理的织布机停车控制方法及系统
Li et al. Automatic recognition method for the three-elementary woven structures and defects of carbon fabric prepregs
CN112365442B (zh) 一种基于图像分析的矩形喷丝孔残留杂质检测方法

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
GR01 Patent grant
GR01 Patent grant