CN113870197A - 一种基于小波多层分解的齿轮裂纹检测方法 - Google Patents
一种基于小波多层分解的齿轮裂纹检测方法 Download PDFInfo
- Publication number
- CN113870197A CN113870197A CN202111065587.0A CN202111065587A CN113870197A CN 113870197 A CN113870197 A CN 113870197A CN 202111065587 A CN202111065587 A CN 202111065587A CN 113870197 A CN113870197 A CN 113870197A
- Authority
- CN
- China
- Prior art keywords
- image
- gear
- wavelet
- decomposition
- histogram
- 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.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000001525 retina Anatomy 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Acoustics & Sound (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于小波多层分解的齿轮裂纹检测方法，该方法采用离线检测的方法，即定期对工作齿轮进行图像采集，然后对采集到的图像应用小波算法加之图像处理技术分析齿轮裂纹的特性，重点针对齿轮局部裂纹检测，在对图像进行小波分解的时候，为了能更清晰的看到缺陷，对其进行了子图的融合，最后用直方图阈值的方法进行了分割，最终清晰的得到了齿轮的缺陷，本发明确保及时准确地检测并控制齿轮的损坏状态，从而减少或避免加工过程中的故障发生，更好地保证加工质量，减少工件报废，提高生产效率。
Description
技术领域
本发明涉及检测技术领域，具体为一种基于小波多层分解的齿轮裂纹检测方法。
背景技术
早在70年代中期，人们就围绕齿轮故障诊断展开了一系列研究,针对齿轮的故障诊断方法大体可分为两大类：
(1)通过齿轮运转过程中所产生的振动、噪声等动态信号，运用信号处理方法来完成故障分析、诊断。本论文以这类诊断方法为主要研究内容。
(2)根据摩擦磨损理论,通过对润滑油液分析来达到齿轮故障诊断的目的。早期的齿轮故障诊断主要限于直接测量一些简单的振动参数，如振动峰值K，均方值等，为了排除机器载荷等因素的影响，还引入了一些无量纲参数，如峰值系数等。这些参数的测量相对简单易行，只需要使用比较简单的测振仪器，最后显示的数据结果还可以相互比较，所以常用于简易诊断。
发明内容
本发明所要解决的技术问题是针对现有技术中存在的上述不足，提供一种基于小波多层分解的齿轮裂纹检测方法。
为实现上述目的，本发明提供如下技术方案：
一种基于小波多层分解的齿轮裂纹检测方法，该方法采用离线检测的方法，即定期对工作齿轮进行图像采集，然后对采集到的图像应用小波算法加之图像处理技术分析齿轮裂纹的特性，重点针对齿轮局部裂纹检测，在对图像进行小波分解的时候，为了能更清晰的看到缺陷，对其进行了子图的融合，最后用直方图阈值的方法进行了分割，最终清晰的得到了齿轮的缺陷。
作为本发明的进一步方案：所述对工作齿轮进行图像采集后需进行齿轮图像预处理；图像的预处理指在图像分析中，对输入图像进行db小波分解、基于小波变换方法的融合、阈值分割前包含灰度化以及除噪的处理，图像预处理的目的是消除图像中无关的信息影响，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化使用数据，从而便于特征提取、图像分割、匹配和识别。
作为本发明的进一步方案：所述灰度化处理指对齿轮彩色图灰度化；
在对转换后灰度值的选用上加权平均法在平均值法的基础上做进一步计算；即根据具体的处理要求，对彩色图像三个分量的灰度选定不同的权值来进行加权平均，根据人眼的视觉特点，通常按下式的权值进行计算即可得到符合要求的灰度图，如式(1-1)所示：
中值滤波齿轮图像除噪：
在二维形式下中值滤波，取某种形式的二维窗口，将窗口内的像素排序，生成单调的二位数据序列；设表示数字图像各点的灰度值，滤波窗口的二维中值滤波输出g(x,y)为：
g(i,j)＝Med{fij}＝Med{f(i+k),(j+l)(k,l)∈A(i,j)∈I2
(1-2)。
作为本发明的进一步方案：为了对齿轮的裂纹检测的效果更加理想，所以用于齿轮裂纹图像分解的小波必须具有高消失矩、良好的紧支性、快速衰减性；采用构造具有了高消失矩，正交紧支的DB2小波，且支撑长度N和消失矩M之间满足N＝2M-1关系，且具有一定近似对称性；选择DB小波
作为本发明的进一步方案：：齿轮图像分解的目的就是让齿轮表面特性在不同层次的中被分解出来，不同的细节子图包含着不同的齿轮表面信息。当所需的齿轮裂纹信息已经被分解在不同层次的细节子图时，就没有必要对近似子图再进行分解了；因此采用db2小波的三层分解，分别为图像的近似水平细节子图、近似垂直细节子图、近似对角线细节子图。
作为本发明的进一步方案：所述基于小波变换方法的融合是先对各个源图像分别进行小波分解，形成图像的多尺度分解然后在相应的小波分解层上进行融合处理，得到融合后的小波多尺度图像最后再进行逆小波变换得到融合后的图像，可以得到多层融合子图。
作为本发明的进一步方案：所述阈值分割指将融合子图进行直方图阈值分割，得到直方图阈值阈值分割图；选择直方图阈值法显示出图像的像素灰度大部分集中于两处，即它包含了两个“山峰”，这类直方图被称为双峰直方图，它说明在其对应的图像中物体与背景对比明显；反过来，如果图像中物体与背景的对比明显，并且各个物体之间的灰度一致性较好，那么其对应的直方图一定是双峰直方图；针对双峰直方图设计的由于噪声的影响，直方图上的峰和谷都不会是完美的，“山峰”常常是由若干个窄的峰组成，但是其中的最高点所在的灰度能代表物体内部或背景点的典型灰度值；把阈值设在相对于两峰之间的某个固定位置即可。
与现有技术相比，本发明的有益效果是：本发明所提出的齿轮裂纹检测方案，将先进的计算机图像与信息技术用于对传统齿轮检测的改造升级。从装备制造业数控技术的发展方向来说，课题研究顺应了国家所倡导的发展战略。从实际生产加工的角度来看，研究方案不仅有助于提高齿轮检测的科技含量，确保及时准确地检测并控制齿轮的损坏状态，从而减少或避免加工过程中的故障发生，更好地保证加工质量，减少工件报废，提高生产效率，同时能提高装备制造业产品竞争力，对相关产业也会产生一定的示范指导作用，具有重大的意义。
附图说明
图1为本发明中基于图像处理的检测系统的示意图；
图2为本发明中纵向齿轮裂纹局部图；
图3为本发明中中值滤波除噪后裂纹局部图；
图4为本发明中纵向齿轮裂纹小波分解图；
图5为本发明中纵向齿轮裂纹子图融合图；
图6为本发明中分割最终图。
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。
本实施例提供了一种基于小波多层分解的齿轮裂纹检测方法，包括：
齿轮图像预处理，由成像装置获取图像的过程中，会受到多种因素的影响，必须要经过预处理。图像的预处理指在图像分析中，对输入图像进行db2小波分解、基于小波变换方法的融合、阈值分割前包含灰度化以及除噪的处理。图像预处理的主要目的是消除图像中无关的信息影响，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化使用数据，从而便于特征提取、图像分割、匹配和识别。
1、彩色图灰度化：
在对转换后灰度值的选用上加权平均法在平均值法的基础上做了进一步计算。即根据具体的处理要求，对彩色图像三个分量的灰度选定不同的权值来进行加权平均，根据人眼的视觉特点，通常按下式的权值进行计算即可得到符合要求的灰度图，如式(1-1)所示：
中值滤波齿轮图像除噪：
在二维形式下中值滤波，取某种形式的二维窗口，将窗口内的像素排序，生成单调的二位数据序列。设表示数字图像各点的灰度值，滤波窗口的二维中值滤波输出g(x,y)为：
g(i,j)＝Med{fij}＝Med{f(i+k),(j+l)(k,l)∈A(i,j)∈I2
(1-2)
2、齿轮裂纹图像的小波分解：
为了对齿轮的裂纹检测的效果更加理想，所以用于齿轮裂纹图像分解的小波必须具有高消失矩、良好的紧支性、快速衰减性。Daubechies从滤波器的角度出发，构造具有了高消失矩，正交紧支的DB2小波，且支撑长度N和消失矩M之间满足N＝2M-1关系，且具有一定近似对称性。选择DB小波
齿轮图像分解的目的就是让齿轮表面特性在不同层次的中被分解出来，不同的细节子图包含着不同的齿轮表面信息。当所需的齿轮裂纹信息已经被分解在不同层次的细节子图时，就没有必要对近似子图再进行分解了。易知，小波分解的层数越多，齿轮裂纹的缺陷就表现的越明显，为了更清楚的观察的磨损的状况，db2小波的(3—5)层分解都可以更好的处理图像，最终我们选择db2小波的三层分解，分别为图像的近似水平细节子图、近似垂直细节子图、近似对角线细节子图。
3、齿轮裂纹图像融合：
通常的融合算法是进行简单的加权合并和选取最大小波系数等进行融合。由于人的视网膜是在不同的频道中进行图像处理的，因而基于小波变换的融合方法也可以获得与人的视觉特性更类似的融合效果。根据小波变换本身的特性可以看出基于小波变换的图像融合方法具有更大的优越性。基于小波变换的图像融合方法则是先对各个源图像分别进行小波分解，形成图像的多尺度分解然后在相应的小波分解层上进行融合处理，得到融合后的小波多尺度图像最后再进行逆小波变换得到融合后的图像。可以得到三层融合子图。
4、齿轮裂纹图像分割：
选择直方图阈值法显示出图像的像素灰度大部分集中于两处，即它包含了两个“山峰”，这类直方图被称为双峰直方图，它说明在其对应的图像中物体与背景对比明显；反过来，如果图像中物体与背景的对比明显，并且各个物体之间的灰度一致性较好，那么其对应的直方图一定是双峰直方图。本文的自动阈值算法便是针对双峰直方图设计的由于噪声的影响，直方图上的峰和谷都不会是完美的，“山峰”常常是由若干个窄的峰组成但是，其中的最高点所在的灰度一般可以代表物体内部或背景点的典型灰度值。把阈值设在相对于两峰之间的某个固定位置，如中间位置上，一般来说，这个结果会比直接寻找最少出现的灰度值即估计直方图的谷的位置更为可靠。将最后的融合子图进行直方图阈值分割，得到直方图阈值阈值分割图。
本实施例确定了采用离线检测的方法，主要思想是定期对工作齿轮进行图像采集，然后对采集到的图像应用小波算法加之图像处理技术分析齿轮裂纹的特性，本文主要针对齿轮局部裂纹检测，研究了小波分析在齿轮裂纹检测中的应用，在对图像进行小波分解的时候，使用了比较适用的db2小波，分别生成了近似子图，水平细节子图，垂直细节子图，对角线细节子图，为了能更清晰的看到缺陷，进行了子图的融合，最后用直方图阈值的方法进行了分割，最终清晰的看到了齿轮的缺陷。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于小波多层分解的齿轮裂纹检测方法，其特征在于：该方法采用离线检测的方法，即定期对工作齿轮进行图像采集，然后对采集到的图像应用小波算法加之图像处理技术分析齿轮裂纹的特性，重点针对齿轮局部裂纹检测，在对图像进行小波分解的时候，为了能更清晰的看到缺陷，对其进行了子图的融合，最后用直方图阈值的方法进行了分割，最终清晰的得到了齿轮的缺陷。
2.根据权利要求1所述的基于小波多层分解的齿轮裂纹检测方法，其特征在于：所述对工作齿轮进行图像采集后需进行齿轮图像预处理；图像的预处理指在图像分析中，对输入图像进行db小波分解、基于小波变换方法的融合、阈值分割前包含灰度化以及除噪的处理，图像预处理的目的是消除图像中无关的信息影响，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化使用数据，从而便于特征提取、图像分割、匹配和识别。
3.根据权利要求2所述的基于小波多层分解的齿轮裂纹检测方法，其特征在于：所述灰度化处理指对齿轮彩色图灰度化；
在对转换后灰度值的选用上加权平均法在平均值法的基础上做进一步计算；即根据具体的处理要求，对彩色图像三个分量的灰度选定不同的权值来进行加权平均，根据人眼的视觉特点，通常按下式的权值进行计算即可得到符合要求的灰度图，如式(1-1)所示：
中值滤波齿轮图像除噪：
在二维形式下中值滤波，取某种形式的二维窗口，将窗口内的像素排序，生成单调的二位数据序列；设表示数字图像各点的灰度值，滤波窗口的二维中值滤波输出g(x,y)为：
g(i,j)＝Med{fij}＝Med{f(i+k),(j+l)(k,l)∈A(i,j)∈I2 (1-2)。
4.根据权利要求2所述的基于小波多层分解的齿轮裂纹检测方法，其特征在于：为了对齿轮的裂纹检测的效果更加理想，所以用于齿轮裂纹图像分解的小波必须具有高消失矩、良好的紧支性、快速衰减性；采用构造具有了高消失矩，正交紧支的DB2小波，且支撑长度N和消失矩M之间满足N＝2M-1关系，且具有一定近似对称性；选择DB小波
5.根据权利要求4所述的基于小波多层分解的齿轮裂纹检测方法，其特征在于：齿轮图像分解的目的就是让齿轮表面特性在不同层次的中被分解出来，不同的细节子图包含着不同的齿轮表面信息。当所需的齿轮裂纹信息已经被分解在不同层次的细节子图时，就没有必要对近似子图再进行分解了；因此采用db2小波的三层分解，分别为图像的近似水平细节子图、近似垂直细节子图、近似对角线细节子图。
6.根据权利要求2所述的基于小波多层分解的齿轮裂纹检测方法，其特征在于：所述基于小波变换方法的融合是先对各个源图像分别进行小波分解，形成图像的多尺度分解然后在相应的小波分解层上进行融合处理，得到融合后的小波多尺度图像最后再进行逆小波变换得到融合后的图像，可以得到多层融合子图。
7.根据权利要求2所述的基于小波多层分解的齿轮裂纹检测方法，其特征在于：所述阈值分割指将融合子图进行直方图阈值分割，得到直方图阈值阈值分割图；选择直方图阈值法显示出图像的像素灰度大部分集中于两处，即它包含了两个“山峰”，这类直方图被称为双峰直方图，它说明在其对应的图像中物体与背景对比明显；反过来，如果图像中物体与背景的对比明显，并且各个物体之间的灰度一致性较好，那么其对应的直方图一定是双峰直方图；针对双峰直方图设计的由于噪声的影响，直方图上的峰和谷都不会是完美的，“山峰”常常是由若干个窄的峰组成，但是其中的最高点所在的灰度能代表物体内部或背景点的典型灰度值；把阈值设在相对于两峰之间的某个固定位置即可。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111065587.0A CN113870197A (zh) | 2021-09-10 | 2021-09-10 | 一种基于小波多层分解的齿轮裂纹检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111065587.0A CN113870197A (zh) | 2021-09-10 | 2021-09-10 | 一种基于小波多层分解的齿轮裂纹检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113870197A true CN113870197A (zh) | 2021-12-31 |
Family
ID=78995516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111065587.0A Pending CN113870197A (zh) | 2021-09-10 | 2021-09-10 | 一种基于小波多层分解的齿轮裂纹检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113870197A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130155061A1 (en) * | 2011-12-16 | 2013-06-20 | University Of Southern California | Autonomous pavement condition assessment |
| CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
| CN109919929A (zh) * | 2019-03-06 | 2019-06-21 | 电子科技大学 | 一种基于小波变换的舌裂纹特征提取方法 |
| CN112945546A (zh) * | 2021-01-20 | 2021-06-11 | 南京航空航天大学 | 一种齿轮箱复杂故障精确诊断方法 |
-
2021
- 2021-09-10 CN CN202111065587.0A patent/CN113870197A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130155061A1 (en) * | 2011-12-16 | 2013-06-20 | University Of Southern California | Autonomous pavement condition assessment |
| CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
| CN109919929A (zh) * | 2019-03-06 | 2019-06-21 | 电子科技大学 | 一种基于小波变换的舌裂纹特征提取方法 |
| CN112945546A (zh) * | 2021-01-20 | 2021-06-11 | 南京航空航天大学 | 一种齿轮箱复杂故障精确诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李沛轩;叶俊勇;: "基于小波变换和模糊理论的裂纹图像增强算法", 计算机系统应用, no. 09, 15 September 2013 (2013-09-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
| CN117036348B (zh) * | 2023-10-08 | 2024-01-09 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190118627A (ko) | 표면 결함 검사 방법 및 표면 결함 검사 장치 | |
| CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
| Shi et al. | A faster-rcnn based chemical fiber paper tube defect detection method | |
| CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
| CN111256596B (zh) | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 | |
| CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
| CN113313647A (zh) | 一种针对皮革纤维mct断层扫描图像的智能去噪方法及应用 | |
| CN113870197A (zh) | 一种基于小波多层分解的齿轮裂纹检测方法 | |
| CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
| CN106780718A (zh) | 一种古生物化石的三维重建方法 | |
| CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
| CN108399614A (zh) | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 | |
| CN107478656A (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
| CN114926415A (zh) | 一种基于pcnn与深度学习的钢轨表面检测方法 | |
| CN105608674B (zh) | 一种基于图像配准、插值和去噪的图像增强方法 | |
| CN110186929A (zh) | 一种实时的产品瑕疵定位方法 | |
| CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 | |
| CN112070748A (zh) | 金属油管缺陷检测方法和装置 | |
| Xu et al. | Fabric surface defect detection based on GMRF Model | |
| CN116735610A (zh) | 一种基于机器视觉的钢管表面缺陷检测方法 | |
| Hsu et al. | Vision-based detection of steel billet surface defects via fusion of multiple image features | |
| CN113920087A (zh) | 基于深度学习的微小元器件缺陷检测系统及方法 | |
| CN114187241A (zh) | 一种基于肺部超声的胸膜线识别方法及系统 | |
| Wood et al. | Optical Image Processing using Eulerian Amplification | |
| CN117474897B (zh) | 一种充电器表面缺陷视觉检测方法 |
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 |