CN114140462A - 一种基于图像处理的轴承磨损程度评估方法 - Google Patents
一种基于图像处理的轴承磨损程度评估方法 Download PDFInfo
- Publication number
- CN114140462A CN114140462A CN202111507382.3A CN202111507382A CN114140462A CN 114140462 A CN114140462 A CN 114140462A CN 202111507382 A CN202111507382 A CN 202111507382A CN 114140462 A CN114140462 A CN 114140462A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- sliding window
- super
- surface 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000005299 abrasion Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 150000003839 salts Chemical class 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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 using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及缺陷检测技术领域,具体涉及一种基于图像处理轴承磨损程度评估方法,包括:获取待检测轴承的表面图像,并对获取的表面图像进行预处理;对预处理后的表面图像进行超像素块分割,获取表面图像的各个超像素块,根据表面图像的各个超像素块内的各个像素点的灰度梯度,确定各个超像素块所对应的关键特征点;根据各个超像素块内的每个像素点的灰度值以及各个超像素块所对应的关键特征点,对各个超像素块进行合并,从而获取表面图像的各个合并区域图像,分别计算各个合并区域图像的磨损程度评估值,确定待检测轴承的整体磨损程度评估值,进而确定待检测轴承的磨损等级,本发明降低了人力资源的浪费,提高了轴承磨损评估的准确性。
Description
技术领域
本发明涉及缺陷检测技术领域,具体涉及一种基于图像处理的轴承磨损程度评估方法。
背景技术
随着社会的进步,机械化程度的提高,轴承的应用越来越广泛,目前的轴承零件的检测技术和精度已经逐渐不能满足高效、高精度的要求,并且轴承的质量关系着设备能否正常运转,而轴承磨损缺陷是轴承的质量好坏的重要影响因素之一,轴承的严重磨损会影响整个机器的性能,甚至会导致设备非计划停机,更为严重的是会引发安全事故。
现有的轴承磨损缺陷检测技术主要可以分为3种:人为评估轴承的磨损程度,人为评估轴承的磨损时人工成本过大,并且检测准确性较差;神经网络对轴承的磨损程度进行检测,其检测过程中容易受到正常图像区域或噪声点的干扰,影响图像检测精度,导致轴承磨损程度评估的效率较低;轴承检测仪器对轴承的磨损程度进行评估,这些机械式轴承专用仪器在进行轴承测量时对检查员操作水平要求很高,而且目前国内的轴承检测仪器相对落后,整套检测仪器的费用也很昂贵,该方法可能会导致轴承的磨损程度评估耗费过高。
发明内容
为了解决上述现有技术中的轴承磨损程度评估准确性较差的问题,本发明的目的在于提供一种基于图像处理的轴承磨损程度评估方法。
为了解决上述问题,本发明提供了一种基于图像处理的轴承磨损程度评估方法,该方法包括以下步骤:
获取待检测轴承的表面图像,并对获取的表面图像进行预处理;
对预处理后的表面图像进行超像素块分割,获取表面图像的各个超像素块,根据表面图像的各个超像素块内的各个像素点的灰度梯度,确定各个超像素块所对应的关键特征点;
根据各个超像素块内的每个像素点的灰度值以及各个超像素块所对应的关键特征点,对各个超像素块进行合并,从而获取表面图像的各个合并区域图像;
根据各个合并区域图像内每个像素点的灰度值,分别计算各个合并区域图像的磨损程度评估值,根据各个合并区域图像的磨损程度评估值,确定待检测轴承的整体磨损程度评估值,进而确定待检测轴承的磨损等级。
进一步的,获取表面图像的各个超像素块的步骤包括依次进行的多个超像素块分割遍历步骤,每个超像素块分割遍历步骤包括:
判断当前的表面图像中是否存在未被遍历分割成超像素块的剩余区域;
若存在未被遍历分割成超像素块的剩余区域,则在所述剩余区域内确定初始尺寸的滑动窗口的位置;
根据当前的滑动窗口内部各个像素点灰度、滑动窗口的四邻域像素点灰度以及当前滑动窗口的尺寸,判断当前的滑动窗口是否满足窗口扩大条件,若满足窗口扩大条件,则扩大当前的滑动窗口,并进一步判断扩大后的滑动窗口是否满足窗口扩大条件,直至不满足窗口扩大条件;若不满足窗口扩大条件,则根据当前的滑动窗口确定一个超像素块,按照窗口滑动位置确定规则,确定下一初始尺寸的滑动窗口的位置,并进一步判断下一初始尺寸的滑动窗口是否满足窗口扩大条件,重复上述步骤,直至满足超像素分割终止条件。
进一步的,判断当前的滑动窗口是否满足窗口扩大条件的步骤如下:
根据当前的滑动窗口内部各个像素点灰度以及滑动窗口的四邻域像素点灰度,计算当前的滑动窗口所对应的像素差异指标值;
若当前的滑动窗口所对应的像素差异指标值小于设定像素差异指标阈值且当前滑动窗口的尺寸小于滑动窗口尺寸阈值,则判定当前的滑动窗口满足窗口扩大条件,否则判定当前的滑动窗口不满足窗口扩大条件。
进一步的,窗口滑动位置确定规则为:将位于当前滑动窗口的目标邻域一侧、且到当前滑动窗口的该侧边的中心位置的距离为滑动窗口初始尺寸一半的位置作为下一滑动窗口的位置;当前滑动窗口的目标邻域的确定步骤为:将当前滑动窗口分别按照设定滑动步长向其四邻域中存在像素点未被遍历分割成超像素块的邻域方向滑动,分别计算滑动前滑动窗口与滑动后滑动窗口之间的灰度均差,将最小的灰度均差所对应的邻域作为当前滑动窗口的目标邻域。
进一步的,超像素块分割终止条件为:最后一次确定的初始尺寸的滑动窗口的四邻域中不存在像素点未被遍历分割成超像素块。
进一步的,确定各个超像素块所对应的关键特征点的步骤如下:
根据表面图像的各个超像素块的中心点,确定各个超像素块所对应的初始关键特征点;
根据表面图像的各个超像素块内的各个像素点的灰度梯度,获取表面图像的各个超像素块内的各个像素点的复杂度;
根据表面图像的各个超像素块内的各个像素点的复杂度以及各个超像素块内的各个像素点与各个超像素块所对应的初始关键特征点的距离,来确定最终的各个超像素块所对应的关键特征点。
进一步的,表面图像的各个合并区域图像的步骤包括:
根据各个超像素块内的每个像素点的灰度值以及各个超像素块所对应的关键特征点,确定表面图像的多边形以及多边形的各个连接边的边权值;
根据初始的边权分割值以及表面图像的多边形的各个连接边的边权值,按照初始的边权分割值,对表面图像的多边形进行图分割,并根据分割结果对各个超像素块进行合并,从而获取各个合并超像素块;
根据各个合并超像素块内的中心像素点的灰度梯度,确定各个合并超像素块的整体复杂度;
根据各个合并超像素块的整体复杂度,判断是否满足分割终止条件,若不满足分割终止条件,则更新初始的边权分割值,并按照更新后的边权分割值,重新对表面图像的多边形进行图分割,重复上述步骤,直至满足分割终止条件,将最后一次分割对应得到的各个合并超像素块作为表面图像的各个合并区域图像。
进一步的,分割终止条件为:任意两个相邻合并超像素块的整体复杂度之间的差异值大于设定差异阈值。
进一步的,确定表面图像的多边形以及多边形的各个连接边的边权值的步骤包括:
以各个超像素块的关键特征点作为节点,将两两相邻的超像素块的节点连接,从而获取表面图像的多边形;
根据多边形的各个连接边所对应的两个超像素块的灰度均值,计算两个超像素块的灰度均值的差异值,并将灰度均值的差异值作为对应连接边的边权值。
进一步的,确定待检测轴承的整体磨损程度评估值的步骤如下:
根据表面图像的各个合并区域图像的像素点的灰度值,计算各个合并区域图像的灰度熵和对比度;
对各个合并区域图像的灰度熵和对比度进行归一化处理,并将归一化后的灰度熵和对比度相加,确定各个合并区域图像的磨损程度评估值,根据各个合并区域图像的磨损程度评估值来确定待检测轴承的整体磨损程度评估值。
本发明具有如下有益效果:
在本发明中,通过对轴承的表面图像进行超像素块分割,获取表面图像的各个超像素块,再根据各个超像素块的图像特征对各个超像素块进行合并,最终获取表面图像的各个区域分割图像,提取各个区域分割图像的图像特征,根据提取的图像特征来确定轴承的磨损等级。本发明是通过对待检测图像进行分割、再合并重组的方法,获取表面图像的各个合并区域,确定表面图像的各个合并区域整体的磨损程度评估值,根据各个合并区域整体的磨损程度评估值直接获取轴承的磨损程度评估值,进而确定该轴承的磨损等级,使所获取的轴承磨损等级更加准确、整个轴承磨损程度评估的过程更加地智能化,同时也减少了人力资源的浪费,避免了安全事故的发生。
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为本发明基于图像处理的轴承磨损程度评估方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域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轴承磨损程度评估方法,结合图1所示,该方法的步骤包括:
(1)获取待检测轴承的表面图像,并对获取的表面图像进行预处理。
通过相机采集待检测轴承的表面图像,从而获取待检测轴承的表面图像。为了减少图像噪声对图像质量的影响,对待检测轴承的表面图像进行预处理,预处理包括图像灰度化和中值滤波去噪。在对待检测轴承的表面图像进行图像灰度化处理时,采用加权灰度化,其中R、G、B三通道的权重分别为:wR=0.299,wG=0.587,wB=0.114,则得到的灰度图像即为:Gray=wRR+wGG+wBB,其中,Gray是指待检测的轴承的表面图像的灰度值,然后对加权灰度化后的待检测轴承的表面图像进行中值滤波去噪,去除表面图像在进行信号传输过程中产生的椒盐噪声。图像灰度化和中值滤波去噪的实现过程均为现有技术,不在本发明的保护范围内,此处不再进行赘述。
(2)对预处理后的表面图像进行超像素块分割,获取表面图像的各个超像素块,根据表面图像的各个超像素块内的各个像素点的灰度梯度,确定各个超像素块所对应的关键特征点。
步骤(2)的目的是对轴承局部图像进行图像分析,获取最能表征像素块图像特征的关键特征点。另外,在对预处理后的表面图像进行超像素块分割时,所采用的具体方法是线性迭代聚类算法,即利用像素点的特征相似性将像素点进行分组,以实现用少量的超像素代替大量的像素点来表达图像的区域特征的目的,具体步骤如下:
(2-1)对预处理后的表面图像进行超像素块分割,获取表面图像的各个超像素块,该各个超像素块的获取过程包括依次进行的多个超像素块分割遍历步骤,每个超像素块分割遍历步骤如下:
(2-1-1)判断当前的表面图像中是否存在未被遍历分割成超像素块的剩余区域。
在进行超像素块分割遍历时,首先需要判断当前的表面图像中是否还存在未被遍历分割成超像素块的剩余区域,若不存在未被遍历分割成超像素块的剩余区域,则表明表面图像中的所有像素点都参与到超像素块分割中,并已经确定了表面图像的各个超像素块。
(2-1-2)若存在未被遍历分割成超像素块的剩余区域,则在剩余区域内确定初始尺寸的滑动窗口的位置。
若表面图像中存在未被遍历分割成超像素块的剩余区域,则在剩余区域的中心区域构建3×3的滑动窗口,当然,也可以在剩余区域的其他位置构建初始尺寸的滑动窗口。在本实施例中,初始尺寸的滑动窗口为3×3大小的滑动窗口。
(2-1-3)根据当前的滑动窗口内部各个像素点灰度、滑动窗口的四邻域像素点灰度以及当前滑动窗口的尺寸,判断当前的滑动窗口是否满足窗口扩大条件,若满足窗口扩大条件,则扩大当前的滑动窗口,并进一步判断扩大后的滑动窗口是否满足窗口扩大条件,直至不满足窗口扩大条件。若不满足窗口扩大条件,则根据当前的滑动窗口确定一个超像素块,按照窗口滑动位置确定规则,确定下一初始尺寸的滑动窗口的位置,并进一步判断下一初始尺寸的滑动窗口是否满足窗口扩大条件,重复上述步骤,直至满足超像素分割终止条件,具体步骤包括:
在本实施例中,在剩余区域的中心区域构建3×3的滑动窗口之后,使3×3的滑动窗口向四邻域方向滑动,设定滑动步长为1,得到滑动窗口的四邻域窗口。然后,根据3×3的滑动窗口内部各个像素点灰度以及3×3的滑动窗口的四邻域像素点的灰度,确定3×3的滑动窗口和向四邻域方向滑动的3×3的滑动窗口的像素差异指标值。这里的像素差异指标值是指3×3的滑动窗口所对应的灰度均差平方和,计算该灰度均差平方和的目的是为了判断3×3的滑动窗口内的像素点与3×3的滑动窗口周围的像素点的灰度是否相似。
该像素差异指标值的计算公式如下所示:
其中,δ为滑动窗口所对应的像素差异指标值,Aj为滑动窗口中的第j个像素点的灰度值,Aij为滑动窗口的第i个邻域窗口中的第j个像素点的灰度值。
根据上述的像素差异指标值的计算公式,获取3×3的滑动窗口的像素差异指标值。根据3×3的滑动窗口的像素差异指标值以及设定像素差异指标阈值M1,来判断该3×3的滑动窗口是否满足窗口扩大条件,若3×3的滑动窗口的像素差异指标值小于设定像素差异指标阈值M1时且3×3的滑动窗口的尺寸小于设定的滑动窗口尺寸阈值,在本实施例中,设定的滑动窗口尺寸阈值为7×7,则该3×3的滑动窗口满足窗口扩大条件,将3×3的滑动窗口扩大为5×5大小的滑动窗口。将5×5的滑动窗口继续向四邻域方向滑动,滑动步长依然为1,再次根据像素差异指标值的计算公式,计算5×5的滑动窗口和向四邻域方向滑动的5×5的滑动窗口的像素差异指标值,根据5×5的滑动窗口的像素差异指标值的大小以及滑动窗口尺寸的大小,来判断5×5的滑动窗口是否可以继续扩大,直至不满足窗口扩大条件。
若3×3的滑动窗口不满足窗口扩大条件,则根据3×3的滑动窗口确定一个超像素块,也就是检测3×3的滑动窗口内像素点,将3×3的滑动窗口内没有参与超像素块分割的各个像素点合并为一个超像素块。然后,按照窗口滑动位置确定规则,也就是将位于3×3的滑动窗口的目标邻域一侧、且到3×3的滑动窗口的该侧边的中心位置的距离为滑动窗口初始尺寸一半(在本实施例中,滑动窗口初始尺寸一半为1.5)的位置作为下一滑动窗口的位置,进一步判断下一初始尺寸的滑动窗口是否满足窗口扩大条件,不断重复上述步骤,直到满足超像素块分割终止条件,超像素块分割终止条件是指最后一次确定的初始尺寸的滑动窗口的四邻域中不存在像素点未被遍历分割成超像素块。
需要说明的是,滑动窗口的目标邻域的具体内容为:将滑动窗口分别按照设定滑动步长向其四邻域中存在像素点未被遍历分割成超像素块的邻域方向滑动,分别计算滑动前滑动窗口与滑动后滑动窗口之间的灰度均差,将最小的灰度均差所对应的邻域作为的滑动窗口的目标邻域。其中,灰度均差是指滑动前滑动窗口内像素点的灰度均值与滑动后滑动窗口内像素点的灰度均值之间的差值,灰度均差越小说明两者之间的灰度相似性越高,而选择最小的灰度均差所对应的邻域作为目标领域是为了方便后续进行超像素块合并。
(2-2)根据表面图像的各个超像素块内的各个像素点的灰度梯度,确定各个超像素块所对应的关键特征点,该确定各个超像素块所对应的关键特征点的步骤如下:
(2-2-1)根据表面图像的各个超像素块的中心点,确定各个超像素块所对应的初始关键特征点。
首先,将表面图像的各个超像素块的中心像素点作为各个超像素块所对应的初始关键特征点。
(2-2-2)根据表面图像的各个超像素块内的各个像素点的灰度梯度,获取表面图像的各个超像素块内的各个像素点的复杂度。
然后,将初始关键特征点作为初始点,根据表面图像的各个超像素块内的各个像素点的灰度梯度,来计算每个超像素块内的各个像素点之间的复杂度,计算公式如下所示:
另外,需要说明的是,复杂度是指像素点的八邻域中存在灰度梯度的数量,若某像素点存在灰度梯度,则说明该像素点相对比其他的像素点是有差异的,其对比度也相应更强些,该像素点就会更为复杂。
(2-2-3)根据表面图像的各个超像素块内的各个像素点的复杂度以及各个超像素块内的各个像素点与各个超像素块所对应的初始关键特征点的距离,来确定最终的各个超像素块所对应的关键特征点。
根据超像素块内的各个像素点之间的复杂度,选取超像素块内复杂度最大的像素点作为该超像素块最终的关键特征点,若超像素块出现多个复杂度相同的像素点,则选取距离初始关键特征点最近的像素点作为该超像素块最终的关键特征点,若超像素块内部的像素点之间不存在灰度梯度,即该超像素块内的像素点复杂度为0,则选取该超像素块的初始关键特征点作为最终的关键特征点。
另外,需要说明的是,步骤(2-1)采用阈值判断的方式对构建的滑动窗口周围像素点的像素差异指标值进行相似性判断,获取的各个超像素块内的像素点都为灰度相似的像素点,但是在灰度级上只有部分像素点相同,还有一部分像素点是存在差异的,所以步骤(2-2)利用像素点的灰度梯度选取超像素块的关键特征点,该步骤能够说明关键特征点的梯度方向是存在灰度梯度的,使关键特征点成为最能表征超像素块内部的图像灰度和复杂度的像素点,有利于后续对超像素块之间的关联进行分析,同时也简化了整个表面图像的信息
(3)根据各个超像素块内的每个像素点的灰度值以及各个超像素块所对应的关键特征点,对各个超像素块进行合并,从而获取表面图像的各个合并区域图像。
本步骤将超像素块内的关键特征点作为节点构建多边形,根据多边形的图像特征和多边形之间的关联信息,有利于更好地分析轴承的表面图像的图像特征。
(3-1)根据各个超像素块内的每个像素点的灰度值以及各个超像素块所对应的关键特征点,确定表面图像的多边形以及多边形的各个连接边的边权值,确定表面图像的多边形以及多边形的各个连接边的边权值的步骤包括:
(3-1-1)以各个超像素块的关键特征点作为节点,将两两相邻的超像素块的节点连接,从而获取表面图像的多边形。
将表面图像的各个超像素块的关键特征点视为节点,将表面图像中两两相邻的超像素块的节点连接在一起,构成了表面图像的各个多边形。
需要说明是,由于表面图像中的超像素块较多,若将所有节点相连接可能会存在多个节点之间存在连线,导致计算复杂度较高,所以将两两相邻的超像素块的节点连接,表面图像的边缘节点中相邻节点同样进行连接,从而获取多边形。
(3-1-2)根据多边形的各个连接边所对应的两个超像素块的灰度均值,计算两个超像素块的灰度均值的差异值,并将灰度均值的差异值作为对应连接边的边权值,边权值的计算公式为:
(3-2)根据初始的边权分割值以及表面图像的多边形的各个连接边的边权值,按照初始的边权分割值,对表面图像的多边形进行图分割,并根据分割结果对各个超像素块进行合并,从而获取各个合并超像素块。
本实施例将初始的边权分割值设置为10,即wmin=10,根据多边形的各个连接边的边权值以及设定的初始的边权分割值wmin,将表面图像的多边形进行图分割,即将多边形的连接边中边权值小于初始边权值wmin的连接边分割开,也就是将两个相邻且灰度均值相似的多边形之间的连接边断开,获取最终的分割结果。根据分割结果,将分割开的各个连接边所连接的两个超像素块进行合并,从而获取各个合并超像素块,便于后续提取轴承表面图像中具有代表性质的图像特征。
(3-3)根据各个合并超像素块内的各个像素点的灰度梯度,确定各个合并超像素块的整体复杂度,步骤包括:
根据各个合并超像素块内各个像素点在八邻域的灰度梯度,获取各个合并超像素块内各个像素点的复杂度,各个合并超像素块内各个像素点的复杂度的获取步骤可以参考步骤(2-2)中像素点的复杂度获取步骤,通过对各个合并超像素块内各个像素点的复杂度进行统计获取与其对应的直方图,根据直方图的数据信息来确定各个复杂度级的像素点的个数,进而确定各个合并超像素块的整体复杂度。这里的复杂度级是指每个超像素块中的各个像素点所对应的复杂度的大小,则各个合并超像素块的整体复杂度的计算公式如下所示:
(3-4)根据各个合并超像素块的整体复杂度,判断是否满足分割终止条件,若不满足分割终止条件,则更新初始的边权分割值,并按照更新后的边权分割值,重新对表面图像的多边形进行图分割,重复上述步骤,直至满足分割终止条件,将最后一次分割对应得到的各个合并超像素块作为表面图像的各个合并区域图像。
在本实施例中,根据各个合并超像素块的整体复杂度Z,判断是否满足分割终止条件,分割终止条件是指任意两个相邻合并超像素块的整体复杂度之间的差异值大于设定差异阈值,任意两个相邻合并超像素块的整体复杂度之间的差异值的计算公式如下:
D=|Z1-Z2|
其中,D为任意两个合并超像素块的整体复杂度之间的差异值,即为任意一个合并超像素块的整体复杂度与其任意一个相邻超像素块的整体复杂度之间的差异,Z1为两个合并超像素块中的其中一个合并超像素块的整体复杂度,Z2为两个合并超像素块中的另外一个合并超像素块的整体复杂度。
本实施例将差值变化量阈值设定为N,N=15,若存在任意两个相邻合并超像素块的整体复杂度之间的差异值小于设定差异阈值N,则不满足分割终止条件,更新初始的边权分割值,即w′min=10+1,也就是每次更新时,边权分割值增加1,并按照更新后的边权分割值w′min,重新对表面图像的多边形进行图分割,重复上述步骤,直至满足分割终止条件,即任意两个相邻合并超像素块的整体复杂度之间的差异值均不小于设定差异阈值N,此时将最后一次分割对应得到的各个合并超像素块作为表面图像的各个合并区域图像。
需要说明的是,设置分割终止条件是为了增强表面图像中的磨损区域与正常区域的分割,能够更准确的获取各个磨损区域的位置,将不同磨损程度的磨损区域图像独立出来。
(4)根据各个合并区域图像内每个像素点的灰度值,分别计算各个合并区域图像的磨损程度评估值,根据各个合并区域图像的磨损程度评估值,确定待检测轴承的整体磨损程度评估值,进而确定待检测轴承的磨损等级。
其中,计算各个合并区域图像的磨损程度评估值的步骤包括:
(4-1)根据表面图像的合并区域图像的像素点的灰度值,计算合并区域图像的灰度熵和对比度。灰度熵和对比度的计算过程为现有技术,不在本发明保护范围内,此处不再赘述。
需要说明的是,合并区域图像的灰度熵反映了表面图像纹理的复杂程度,纹理信息越多,灰度熵就越大,合并区域图像的对比度反映了表面图像纹理的沟纹的深浅,沟纹深浅反差越大,对比度就越大。
(4-2)对合并区域图像的灰度熵和对比度进行归一化处理,并将归一化后的灰度熵和对比度相加,来确定各个合并区域图像的磨损程度评估值,各个合并区域图像的磨损程度评估值的计算公式如下:
X=P+H
其中,X为合并区域图像的磨损程度评估值,P为归一化后的合并区域图像的灰度熵,H为归一化后的合并区域图像的对比度。
通过上述步骤(4-1)和(4-2),可以得到各个合并区域图像的磨损程度评估值,进而根据各个合并区域图像的磨损程度评估值判定各个合并区域图像的磨损程度,当合并区域图像的磨损程度评估值的大小越接近1,则说明该合并区域的磨损程就越严重。然后,对各个合并区域图像的磨损程度评估值求和,根据各个合并区域图像的磨损程度评估值的求和值来确定待检测轴承的整体磨损程度评估值w,并进行归一化处理,将归一化后的评估值作为最终的评估值,设置第一评估阈值为w1,第二评估阈值为w2,进而判定待检测轴承的磨损等级,此时有:
当最终的评估值小于第一评估阈值w1时,则判定待检测轴承为第一磨损等级;
当最终的评估值大于等于第一评估阈值w1时,则判定待检测轴承为第二磨损等级;
当最终的评估值大于第二评估阈值w2时,则判定待检测轴承为第三磨损等级;
第一磨损等级、第二磨损等级以及第三磨损等级是根据具体的轴承程度信息而设置的阈值,并且每一个等级所对应的轴承磨损程度依次降低。当评估轴承的磨损等级较高时,系统将及时地对评估检测人员做出相应的警告,尽快替换或修复轴承,防止因轴承的磨损发生安全事故。
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。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。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。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种基于图像处理的轴承磨损程度评估方法,其特征在于,包括以下步骤:
获取待检测轴承的表面图像,并对获取的表面图像进行预处理;
对预处理后的表面图像进行超像素块分割,获取表面图像的各个超像素块,根据表面图像的各个超像素块内的各个像素点的灰度梯度,确定各个超像素块所对应的关键特征点;
根据各个超像素块内的每个像素点的灰度值以及各个超像素块所对应的关键特征点,对各个超像素块进行合并,从而获取表面图像的各个合并区域图像;
根据各个合并区域图像内每个像素点的灰度值,分别计算各个合并区域图像的磨损程度评估值,根据各个合并区域图像的磨损程度评估值,确定待检测轴承的整体磨损程度评估值,进而确定待检测轴承的磨损等级。
2.根据权利要求1所述的基于图像处理的轴承磨损程度评估方法,其特征在于,获取表面图像的各个超像素块的步骤包括依次进行的多个超像素块分割遍历步骤,每个超像素块分割遍历步骤包括:
判断当前的表面图像中是否存在未被遍历分割成超像素块的剩余区域;
若存在未被遍历分割成超像素块的剩余区域,则在所述剩余区域内确定初始尺寸的滑动窗口的位置;
根据当前的滑动窗口内部各个像素点灰度、滑动窗口的四邻域像素点灰度以及当前滑动窗口的尺寸,判断当前的滑动窗口是否满足窗口扩大条件,若满足窗口扩大条件,则扩大当前的滑动窗口,并进一步判断扩大后的滑动窗口是否满足窗口扩大条件,直至不满足窗口扩大条件;若不满足窗口扩大条件,则根据当前的滑动窗口确定一个超像素块,按照窗口滑动位置确定规则,确定下一初始尺寸的滑动窗口的位置,并进一步判断下一初始尺寸的滑动窗口是否满足窗口扩大条件,重复上述步骤,直至满足超像素分割终止条件。
3.根据权利要求2所述的基于图像处理的轴承磨损程度评估方法,其特征在于,判断当前的滑动窗口是否满足窗口扩大条件的步骤包括:
根据当前的滑动窗口内部各个像素点灰度以及滑动窗口的四邻域像素点灰度,计算当前的滑动窗口所对应的像素差异指标值;
若当前的滑动窗口所对应的像素差异指标值小于设定像素差异指标阈值且当前滑动窗口的尺寸小于滑动窗口尺寸阈值,则判定当前的滑动窗口满足窗口扩大条件,否则判定当前的滑动窗口不满足窗口扩大条件。
4.根据权利要求2所述的基于图像处理的轴承磨损程度评估方法,其特征在于,窗口滑动位置确定规则为:将位于当前滑动窗口的目标邻域一侧、且到当前滑动窗口的该侧边的中心位置的距离为滑动窗口初始尺寸一半的位置作为下一滑动窗口的位置;当前滑动窗口的目标邻域的确定步骤为:将当前滑动窗口分别按照设定滑动步长向其四邻域中存在像素点未被遍历分割成超像素块的邻域方向滑动,分别计算滑动前滑动窗口与滑动后滑动窗口之间的灰度均差,将最小的灰度均差所对应的邻域作为当前滑动窗口的目标邻域。
5.根据权利要求2所述的基于图像处理的轴承磨损程度评估方法,其特征在于,超像素块分割终止条件为:最后一次确定的初始尺寸的滑动窗口的四邻域中不存在像素点未被遍历分割成超像素块。
6.根据权利要求1所述的基于图像处理的轴承磨损程度评估方法,其特征在于,确定各个超像素块所对应的关键特征点的步骤包括:
根据表面图像的各个超像素块的中心点,确定各个超像素块所对应的初始关键特征点;
根据表面图像的各个超像素块内的各个像素点的灰度梯度,获取表面图像的各个超像素块内的各个像素点的复杂度;
根据表面图像的各个超像素块内的各个像素点的复杂度以及各个超像素块内的各个像素点与各个超像素块所对应的初始关键特征点的距离,来确定最终的各个超像素块所对应的关键特征点。
7.根据权利要求6所述的基于图像处理的轴承磨损程度评估方法,其特征在于,表面图像的各个合并区域图像的步骤包括:
根据各个超像素块内的每个像素点的灰度值以及各个超像素块所对应的关键特征点,确定表面图像的多边形以及多边形的各个连接边的边权值;
根据初始的边权分割值以及表面图像的多边形的各个连接边的边权值,按照初始的边权分割值,对表面图像的多边形进行图分割,并根据分割结果对各个超像素块进行合并,从而获取各个合并超像素块;
根据各个合并超像素块内的中心像素点的灰度梯度,确定各个合并超像素块的整体复杂度;
根据各个合并超像素块的整体复杂度,判断是否满足分割终止条件,若不满足分割终止条件,则更新初始的边权分割值,并按照更新后的边权分割值,重新对表面图像的多边形进行图分割,重复上述步骤,直至满足分割终止条件,将最后一次分割对应得到的各个合并超像素块作为表面图像的各个合并区域图像。
8.根据权利要求7所述的基于图像处理的轴承磨损程度评估方法,其特征在于,分割终止条件为:任意两个相邻合并超像素块的整体复杂度之间的差异值大于设定差异阈值。
9.根据权利要求8所述的基于图像处理的轴承磨损程度评估方法,其特征在于,确定表面图像的多边形以及多边形的各个连接边的边权值的步骤包括:
以各个超像素块的关键特征点作为节点,将两两相邻的超像素块的节点连接,从而获取表面图像的多边形;
根据多边形的各个连接边所对应的两个超像素块的灰度均值,计算两个超像素块的灰度均值的差异值,并将灰度均值的差异值作为对应连接边的边权值。
10.根据权利要求9所述的基于图像处理的轴承磨损程度评估方法,其特征在于,确定待检测轴承的整体磨损程度评估值的步骤如下:
根据表面图像的各个合并区域图像的像素点的灰度值,计算各个合并区域图像的灰度熵和对比度;
对各个合并区域图像的灰度熵和对比度进行归一化处理,并将归一化后的灰度熵和对比度相加,确定各个合并区域图像的磨损程度评估值,根据各个合并区域图像的磨损程度评估值来确定待检测轴承的整体磨损程度评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111507382.3A CN114140462B (zh) | 2021-12-10 | 2021-12-10 | 一种基于图像处理的轴承磨损程度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111507382.3A CN114140462B (zh) | 2021-12-10 | 2021-12-10 | 一种基于图像处理的轴承磨损程度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114140462A true CN114140462A (zh) | 2022-03-04 |
CN114140462B CN114140462B (zh) | 2023-09-08 |
Family
ID=80385828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111507382.3A Active CN114140462B (zh) | 2021-12-10 | 2021-12-10 | 一种基于图像处理的轴承磨损程度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140462B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419074A (zh) * | 2022-03-25 | 2022-04-29 | 青岛大学附属医院 | 4k医疗影像处理方法 |
CN114646563A (zh) * | 2022-05-23 | 2022-06-21 | 河南银金达新材料股份有限公司 | 一种具有金属涂层的聚酯膜表面耐磨度检测方法 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
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 |
CN114862852A (zh) * | 2022-07-07 | 2022-08-05 | 山东意吉希精密制造有限公司 | 一种用于汽车零部件加工的智能控制方法 |
CN114943736A (zh) * | 2022-07-21 | 2022-08-26 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及系统 |
CN115035120A (zh) * | 2022-08-12 | 2022-09-09 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115239738A (zh) * | 2022-09-26 | 2022-10-25 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115272353A (zh) * | 2022-10-07 | 2022-11-01 | 山东盛世恒机械制造有限公司 | 适用于裂纹检测的图像处理方法 |
CN115423816A (zh) * | 2022-11-07 | 2022-12-02 | 浙江安吉圆磨机械科技股份有限公司 | 一种金属表面磨削质量检测方法 |
CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
CN115598025A (zh) * | 2022-12-13 | 2023-01-13 | 四川亿欣新材料有限公司(Cn) | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
CN116309572A (zh) * | 2023-05-19 | 2023-06-23 | 无锡康贝电子设备有限公司 | 基于图像的数控机床组件智能识别方法 |
CN117115196A (zh) * | 2023-10-25 | 2023-11-24 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
CN117975175A (zh) * | 2024-04-02 | 2024-05-03 | 西安亚大塑料制品有限公司 | 一种基于机器视觉的塑料管道外观缺陷检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537819A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 超像素运动目标检测方法 |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN109658381A (zh) * | 2018-11-16 | 2019-04-19 | 华南理工大学 | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 |
CN109886937A (zh) * | 2019-01-29 | 2019-06-14 | 国家电网有限公司 | 基于超像素分割图像识别的绝缘子缺陷检测方法 |
US20200034972A1 (en) * | 2018-07-25 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image segmentation method and device, computer device and non-volatile storage medium |
CN111191742A (zh) * | 2020-02-11 | 2020-05-22 | 天津师范大学 | 一种用于多源异构数据流的滑动窗口长度自适应调整方法 |
CN112529910A (zh) * | 2020-12-08 | 2021-03-19 | 电科云(北京)科技有限公司 | 一种sar图像快速超像素合并及图像分割方法 |
CN113570602A (zh) * | 2021-09-24 | 2021-10-29 | 江苏昌存铜业有限公司 | 一种基于人工智能的热轧钢卷卷曲评估方法 |
-
2021
- 2021-12-10 CN CN202111507382.3A patent/CN114140462B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537819A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 超像素运动目标检测方法 |
US20200034972A1 (en) * | 2018-07-25 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image segmentation method and device, computer device and non-volatile storage medium |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN109658381A (zh) * | 2018-11-16 | 2019-04-19 | 华南理工大学 | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 |
CN109886937A (zh) * | 2019-01-29 | 2019-06-14 | 国家电网有限公司 | 基于超像素分割图像识别的绝缘子缺陷检测方法 |
CN111191742A (zh) * | 2020-02-11 | 2020-05-22 | 天津师范大学 | 一种用于多源异构数据流的滑动窗口长度自适应调整方法 |
CN112529910A (zh) * | 2020-12-08 | 2021-03-19 | 电科云(北京)科技有限公司 | 一种sar图像快速超像素合并及图像分割方法 |
CN113570602A (zh) * | 2021-09-24 | 2021-10-29 | 江苏昌存铜业有限公司 | 一种基于人工智能的热轧钢卷卷曲评估方法 |
Non-Patent Citations (2)
Title |
---|
CHANGHANG XU: "An infrared thermal image processing framework based on superpixel algorithm to detect cracks on metal surface", 《INFRARED PHYSICS & TECHNOLOGY》, pages 266 - 272 * |
管声启等: "基于视觉显著性的零件缺陷检测", 《软件》, pages 49 - 51 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419074B (zh) * | 2022-03-25 | 2022-07-12 | 青岛大学附属医院 | 4k医疗影像处理方法 |
CN114419074A (zh) * | 2022-03-25 | 2022-04-29 | 青岛大学附属医院 | 4k医疗影像处理方法 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
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 |
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 |
CN114646563A (zh) * | 2022-05-23 | 2022-06-21 | 河南银金达新材料股份有限公司 | 一种具有金属涂层的聚酯膜表面耐磨度检测方法 |
CN114862852A (zh) * | 2022-07-07 | 2022-08-05 | 山东意吉希精密制造有限公司 | 一种用于汽车零部件加工的智能控制方法 |
CN114943736A (zh) * | 2022-07-21 | 2022-08-26 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及系统 |
CN115035120B (zh) * | 2022-08-12 | 2022-11-04 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
CN115035120A (zh) * | 2022-08-12 | 2022-09-09 | 山东迪格重工机械有限公司 | 基于物联网的机床控制方法及系统 |
CN115049835B (zh) * | 2022-08-16 | 2022-11-29 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115239738A (zh) * | 2022-09-26 | 2022-10-25 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115239738B (zh) * | 2022-09-26 | 2022-12-09 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115272353A (zh) * | 2022-10-07 | 2022-11-01 | 山东盛世恒机械制造有限公司 | 适用于裂纹检测的图像处理方法 |
CN115423816B (zh) * | 2022-11-07 | 2023-03-24 | 浙江安吉圆磨机械科技股份有限公司 | 一种金属表面磨削质量检测方法 |
CN115423816A (zh) * | 2022-11-07 | 2022-12-02 | 浙江安吉圆磨机械科技股份有限公司 | 一种金属表面磨削质量检测方法 |
CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
CN115598025B (zh) * | 2022-12-13 | 2023-03-10 | 四川亿欣新材料有限公司 | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
CN115598025A (zh) * | 2022-12-13 | 2023-01-13 | 四川亿欣新材料有限公司(Cn) | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
CN116309572A (zh) * | 2023-05-19 | 2023-06-23 | 无锡康贝电子设备有限公司 | 基于图像的数控机床组件智能识别方法 |
CN116309572B (zh) * | 2023-05-19 | 2023-07-21 | 无锡康贝电子设备有限公司 | 基于图像的数控机床组件智能识别方法 |
CN117115196A (zh) * | 2023-10-25 | 2023-11-24 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
CN117115196B (zh) * | 2023-10-25 | 2024-02-06 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
CN117975175A (zh) * | 2024-04-02 | 2024-05-03 | 西安亚大塑料制品有限公司 | 一种基于机器视觉的塑料管道外观缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114140462B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140462A (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN107016677B (zh) | 一种基于fcn和cnn的云图分割方法 | |
Mokhtarian et al. | Robust image corner detection through curvature scale space | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN101403676B (zh) | 基于d-s证据理论的绝缘子憎水性等级融合判决方法 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN115457041A (zh) | 一种道路质量识别检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN109598729B (zh) | 一种基于srm分割和分层线段特征的船舶目标检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN111047603A (zh) | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN111369623A (zh) | 一种基于深度学习3d目标检测的肺部ct图像识别方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN115797374B (zh) | 基于图像处理的机场跑道提取方法 | |
CN114119577B (zh) | 高铁隧道漏缆卡扣检测方法 | |
CN115564705A (zh) | 用于精密标准件的毛刺检测精度增强方法及系统 | |
CN110705441B (zh) | 人行横道线图像后处理方法及系统 | |
CN114202536A (zh) | 一种基于AT-EnFCM-SCNN的灾害环境特征提取方法 | |
CN113850252A (zh) | 防振锤螺栓检测方法、装置和电子设备 | |
CN113379695A (zh) | 局部特征差异性耦合的sar图像近岸舰船检测方法 | |
CN117952965B (zh) | 一种隧道衬砌台车钢结构稳定性质量检测方法 | |
CN116958182B (zh) | 基于图像数据的混凝土裂缝快速检测方法 |
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 |