CN114155226A - 一种微小缺陷边缘计算方法 - Google Patents
一种微小缺陷边缘计算方法 Download PDFInfo
- Publication number
- CN114155226A CN114155226A CN202111483022.4A CN202111483022A CN114155226A CN 114155226 A CN114155226 A CN 114155226A CN 202111483022 A CN202111483022 A CN 202111483022A CN 114155226 A CN114155226 A CN 114155226A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- defect
- value
- noise
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 82
- 238000004364 calculation method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 235000002566 Capsicum Nutrition 0.000 claims description 6
- 239000006002 Pepper Substances 0.000 claims description 6
- 241000722363 Piper Species 0.000 claims description 6
- 235000016761 Piper aduncum Nutrition 0.000 claims description 6
- 235000017804 Piper guineense Nutrition 0.000 claims description 6
- 235000008184 Piper nigrum Nutrition 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 150000003839 salts Chemical class 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000002872 Statistical quality control Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/90—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
- G06T2207/30168—Image quality inspection
Abstract
本发明提供一种微小缺陷边缘计算方法,包括图像增强方法、图像滤波方法、图像边缘分割方法、图像边缘缺陷计算方法;图像增强方法将原始的RGB图像使用灰度变换增强技术转换为黑白图像,图像滤波方法针对图像中容易混杂的噪声类型,提出一种混合滤波技术将黑白图像中的噪声滤除,图像边缘分割方法基于阈值分割的思想将黑白图像中的有用信息提取出来,图像边缘缺陷计算方法通过提取图像特征,对比完整图像和缺陷图像的像素误差,运用边缘追踪方法得到微小缺陷的边缘信息。本发明提出的微小缺陷边缘计算方法在对微小缺陷的识别方面具有效率高和识别准确度高的优点。
Description
技术领域
本发明涉及微小缺陷检测领域,尤其涉及一种微小缺陷边缘计算方法。
背景技术
随着工业水平的发展,对各类产品的设计精度和制造误差提出了越来越高的要求,产品的外观质量检测成为了质量检测的重要组成部分,大多缺陷如划痕、凹坑、残缺、裂痕,会使产品质量大幅下降影响实际使用,所以必须精准检测出各类缺陷以此来保证出产高质量、高性能的产品。
如今,在制造业中,供需关系严重失衡,但检测设备的发展却无法满足社会需求。而人工检测根本无法完成产品数量如此庞大且高速生产的检测任务,因此,必须加速发展高质量的检测系统。随着机器视觉技术的进步,其在人工智能、交通侦查、医学监测和工业自动化等领域中都得到了广泛运用,为我们的生产生活都带来了巨大便利,由此可见机器代替人工,利用自动化检测技术实现统计质量控制是势在必行的。接触式检测受限于生产线的速度,并不能实现在线高速检测,所以将机器视觉技术与图像处理共同应用在生产线产品的实时监测,是当今社会保证产品质量最行之有效的办法。
当产品中存在缺陷时,缺陷位置的灰度值与周围图像的灰度值存在较大的差别,基于这个特点,本发明提出了一种微小缺陷边缘的计算方法,可以实现高精度的微小缺陷边缘计算和检测。
发明内容
本发明的目的是为了解决在检测产品微小缺陷时人力成本较高,且检测效率和检测质量较低的问题,提出使用机器识别和图像处理技术完成产品微小缺陷的自动识别和检测,并针对缺陷边缘的计算和特征提取提出了一种行之有效的方法。
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供一种微小缺陷边缘计算方法,其特征在于,包括图像增强方法、图像滤波方法、图像边缘分割方法、图像边缘缺陷计算方法;
所述图像增强方法为微小缺陷边缘计算方法的第一个步骤,将原始的RGB图像使用灰度变换增强技术转换为黑白图像,用于第二个步骤处理;
所述图像滤波方法为微小缺陷边缘计算方法的第二个步骤,针对图像中容易混杂的噪声类型,提出一种混合滤波技术将黑白图像中的噪声滤除,用于第三个步骤处理;
所述图像边缘分割方法为微小缺陷边缘计算方法的第三个步骤,提出一种基于阈值分割的方法将黑白图像中的有用信息提取出来,其中包括缺陷信息,用于第四个步骤处理;
所述图像边缘缺陷计算方法为微小缺陷边缘计算方法的第四个步骤,通过提取图像特征,对比完整图像和缺陷图像的像素误差,运用边缘追踪方法得到微小缺陷的边缘信息。
优选地,所述图像增强方法包括以下步骤:
S1:获取原始的RGB图像,并统计图像的灰度值分布范围,得到图像中的有用信息和背景信息分别对应的灰度值区间,明确图像中需要增强的区域和需要抑制的区域;
S2:使用分段线性灰度变换增强方法对不同区域的灰度值进行变换,其方法如下:
其中,F(x,y)为增强后的图像灰度值,f(x,y)为原始的图像灰度值,0<f(x,y)<f1为灰度值较小的区域,变换时对其压缩;f1<f(x,y)<f2为图像中缺陷所在的区域,变换时对其进行增强;f2<f(x,y)<f3为灰度值较大的区域,变换时对其压缩;F1,F2,F3分别为图像增强值坐标轴上的变换点,f1,f2,f3分别为原始图像坐标轴上的变换点;
S3:再次对变换后的图像中的灰度值分布进行计算,若灰度值分布满足图像增强的要求,即目标区域和背景区域所在的灰度值明显区分,则将图像转入图像滤波操作;若灰度值分布不满足要求,则调整S2中的F1,F2,F3和f1,f2,f3值,直至满足要求后转入图像滤波操作。
优选地,所述图像滤波方法是指使用一种混合滤波技术对图像中存在的各类噪声进行滤除,其实现原理如下:
S1:对于图像中可能存在的噪声类型,包括椒盐噪声、高斯噪声、乘性噪声,针对其产生原理,分析得到噪声的特点分别为:椒盐噪声在图像中是随机分布的黑白光点、高斯噪声在图像中的分布规律满足乘性噪声与图像满足f(x,y)×g(x,y)的规律,其中f(x,y)为图像像素值,g(x,y)为乘性噪声值;
S2:根据上述噪声的特点,得出噪声像素值与其周围的几个图像像素值之间存在较大区别,且噪声像素值的数量远少于图像像素值数量,根据矩阵原理,将图像以单个像素点大小为基准,按照5×5的矩阵分为一组;
S3:对矩阵中的像素值进行从大到小的排序,以中间值为基准,设其权重为1,以此向两边的像素值的权重逐渐减小;将该权重赋予该点像素值,完成滤波操作。
优选地,所述图像边缘分割方法通过设定一个或多个阈值将图像分割为几个部分,对图像分割后的区域进行标示以示区分,阈值的选取方法如下:
S1:获取经过图像增强和滤波后图像的最小灰度值a和最大灰度值c,以及图像的所有像素点个数m;
S2:取中间灰度值b为阈值,将小于b的灰度值归为一组,将大于b的灰度值归为一组,分别计算两组的平均值和方差,方法如下:
其中,x1表示灰度值小于b的像素点值,x2表示灰度值大于b的像素点值,μ1为第一组的平均值,σ1为第一组的方差,μ2为第二组的平均值,σ2为第二组的方差,m1为第一组的个数,m2为第二组的个数;
S3:计算在该阈值条件下的加权方差值,计算方法如下:
S4:采用二分法逐次选取阈值,当由公式4得出的加权方差值最小时即为最佳阈值。
优选地,所述图像边缘缺陷计算方法基于卷积神经网络原理实现,包括边缘数据预处理、建立模型、验证模型、缺陷边缘预测;
所述边缘数据预处理是将获取的图像数据按照卷积神经网络的处理要求进行变换,将图像像素值压缩到[0:1]的范围;
所述建立模型的过程是采用卷积计算的方法对图像特征进行提取,对于一张二维图像,其像素值为f(x,y),定义一个卷积核为w(m,n),则卷积输出为:
设卷积核的维度为n,卷积核与像素矩阵完成一次运算后向右移动继续做下一次运算,卷积核一次移动的步幅为a,当卷积核超过图像边界时,对图像的外边缘补0值;设图像像素矩阵的维度为m,则补0的个数p为:
生成的特征值矩阵的维度为:
所述验证模型的过程是使用验证用图像数据,将其输入到模型中,评估其测试准确率,若准确率较高,则将其用于缺陷边缘的计算;若准确率较低,则对卷积核的大小进行调整后再次获取图像特征矩阵;
所述缺陷边缘预测是根据获得的卷积神经网络计算模型,对新输入的缺陷边缘数据进行运算后判断,并输出求解结果。
本发明提供的一种微小缺陷边缘计算方法,与现有技术相比优点在于:
本发明提出的一种微小缺陷边缘计算方法,包括图像增强方法、图像滤波方法、图像边缘分割方法、图像边缘缺陷计算方法;图像增强方法将原始的RGB图像使用灰度变换增强技术转换为黑白图像,图像滤波方法针对图像中容易混杂的噪声类型,提出一种混合滤波技术将黑白图像中的噪声滤除,图像边缘分割方法基于阈值分割的思想将黑白图像中的有用信息提取出来,图像边缘缺陷计算方法通过提取图像特征,对比完整图像和缺陷图像的像素误差,运用边缘追踪方法得到微小缺陷的边缘信息。该方法在对微小缺陷的识别方面具有效率高和识别准确度高的优点。
附图说明
图1.一种微小缺陷边缘计算方法流程示意图。
图2.一种微小缺陷边缘计算方法的卷积神经网络模型建立示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
下面结合附图和具体实施例对本发明作进一步解说。
实施例
本发明提供一种微小缺陷边缘计算方法,包括图像增强方法、图像滤波方法、图像边缘分割方法、图像边缘缺陷计算方法;
图像增强方法为微小缺陷边缘计算方法的第一个步骤,将原始的RGB图像使用灰度变换增强技术转换为黑白图像,图像增强方法包括以下步骤:
S1:获取原始的RGB图像,并统计图像的灰度值分布范围,得到图像中的有用信息和背景信息分别对应的灰度值区间,明确图像中需要增强的区域和需要抑制的区域;
S2:使用分段线性灰度变换增强方法对不同区域的灰度值进行变换,其方法如下:
其中,F(x,y)为增强后的图像灰度值,f(x,y)为原始的图像灰度值,0<f(x,y)<f1为灰度值较小的区域,变换时对其压缩;f1<f(x,y)<f2为图像中缺陷所在的区域,变换时对其进行增强;f2<f(x,y)<f3为灰度值较大的区域,变换时对其压缩;F1,F2,F3分别为图像增强值坐标轴上的变换点,f1,f2,f3分别为原始图像坐标轴上的变换点;
S3:再次对变换后的图像中的灰度值分布进行计算,若灰度值分布满足图像增强的要求,即目标区域和背景区域所在的灰度值明显区分,则将图像转入图像滤波操作;若灰度值分布不满足要求,则调整S2中的F1,F2,F3和f1,f2,f3值,直至满足要求后转入图像滤波操作。
图像滤波方法为微小缺陷边缘计算方法的第二个步骤,针对图像中容易混杂的噪声类型,提出一种混合滤波技术将黑白图像中的噪声滤除,其实现原理如下:
S1:对于图像中可能存在的噪声类型,包括椒盐噪声、高斯噪声、乘性噪声,针对其产生原理,分析得到噪声的特点分别为:椒盐噪声在图像中是随机分布的黑白光点、高斯噪声在图像中的分布规律满足乘性噪声与图像满足f(x,y)×g(x,y)的规律,其中f(x,y)为图像像素值,g(x,y)为乘性噪声值;
S2:根据上述噪声的特点,得出噪声像素值与其周围的几个图像像素值之间存在较大区别,且噪声像素值的数量远少于图像像素值数量,根据矩阵原理,将图像以单个像素点大小为基准,按照5×5的矩阵分为一组;
S3:对矩阵中的像素值进行从大到小的排序,以中间值为基准,设其权重为1,以此向两边的像素值的权重逐渐减小;将该权重赋予该点像素值,完成滤波操作。
图像边缘分割方法为微小缺陷边缘计算方法的第三个步骤,提出一种基于阈值分割的方法将黑白图像中的有用信息提取出来,其中包括缺陷信息;图像边缘分割方法通过设定一个或多个阈值将图像分割为几个部分,对图像分割后的区域进行标示以示区分,阈值的选取方法如下:
S1:获取经过图像增强和滤波后图像的最小灰度值a和最大灰度值c,以及图像的所有像素点个数m;
S2:取中间灰度值b为阈值,将小于b的灰度值归为一组,将大于b的灰度值归为一组,分别计算两组的平均值和方差,方法如下:
其中,x1表示灰度值小于b的像素点值,x2表示灰度值大于b的像素点值,μ1为第一组的平均值,σ1为第一组的方差,μ2为第二组的平均值,σ2为第二组的方差,m1为第一组的个数,m2为第二组的个数;
S3:计算在该阈值条件下的加权方差值,计算方法如下:
S4:采用二分法逐次选取阈值,当由公式4得出的加权方差值最小时即为最佳阈值。
图像边缘缺陷计算方法为微小缺陷边缘计算方法的第四个步骤,通过提取图像特征,对比完整图像和缺陷图像的像素误差,运用边缘追踪方法得到微小缺陷的边缘信息,图像边缘缺陷计算方法基于卷积神经网络原理实现,包括边缘数据预处理、建立模型、验证模型、缺陷边缘预测;
边缘数据预处理是将获取的图像数据按照卷积神经网络的处理要求进行变换,将图像像素值压缩到[0:1]的范围;
建立模型的过程是采用卷积计算的方法对图像特征进行提取,对于一张二维图像,其像素值为f(x,y),定义一个卷积核为w(m,n),则卷积输出为:
设卷积核的维度为n,卷积核与像素矩阵完成一次运算后向右移动继续做下一次运算,卷积核一次移动的步幅为a,当卷积核超过图像边界时,对图像的外边缘补0值;设图像像素矩阵的维度为m,则补0的个数p为:
生成的特征值矩阵的维度为:
验证模型的过程是使用验证用图像数据,将其输入到模型中,评估其测试准确率,若准确率较高,则将其用于缺陷边缘的计算;若准确率较低,则对卷积核的大小进行调整后再次获取图像特征矩阵;
缺陷边缘预测是根据获得的卷积神经网络计算模型,对新输入的缺陷边缘数据进行运算后判断,并输出求解结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.本发明提供一种微小缺陷边缘计算方法,其特征在于,包括图像增强方法、图像滤波方法、图像边缘分割方法、图像边缘缺陷计算方法;
所述图像增强方法为微小缺陷边缘计算方法的第一个步骤,将原始的RGB图像使用灰度变换增强技术转换为黑白图像,用于第二个步骤处理;
所述图像滤波方法为微小缺陷边缘计算方法的第二个步骤,针对图像中容易混杂的噪声类型,提出一种混合滤波技术将黑白图像中的噪声滤除,用于第三个步骤处理;
所述图像边缘分割方法为微小缺陷边缘计算方法的第三个步骤,提出一种基于阈值分割的方法将黑白图像中的有用信息提取出来,其中包括缺陷信息,用于第四个步骤处理;
所述图像边缘缺陷计算方法为微小缺陷边缘计算方法的第四个步骤,通过提取图像特征,对比完整图像和缺陷图像的像素误差,运用边缘追踪方法得到微小缺陷的边缘信息。
2.根据权利要求1所述的一种微小缺陷边缘计算方法,其特征在于,所述图像增强方法包括以下步骤:
S1:获取原始的RGB图像,并统计图像的灰度值分布范围,得到图像中的有用信息和背景信息分别对应的灰度值区间,明确图像中需要增强的区域和需要抑制的区域;
S2:使用分段线性灰度变换增强方法对不同区域的灰度值进行变换,其方法如下:
其中,F(x,y)为增强后的图像灰度值,f(x,y)为原始的图像灰度值,0<f(x,y)<f1为灰度值较小的区域,变换时对其压缩;f1<f(x,y)<f2为图像中缺陷所在的区域,变换时对其进行增强;f2<f(x,y)<f3为灰度值较大的区域,变换时对其压缩;F1,F2,F3分别为图像增强值坐标轴上的变换点,f1,f2,f3分别为原始图像坐标轴上的变换点;
S3:再次对变换后的图像中的灰度值分布进行计算,若灰度值分布满足图像增强的要求,即目标区域和背景区域所在的灰度值明显区分,则将图像转入图像滤波操作;若灰度值分布不满足要求,则调整S2中的F1,F2,F3和f1,f2,f3值,直至满足要求后转入图像滤波操作。
3.根据权利要求1所述的一种微小缺陷边缘计算方法,其特征在于,所述图像滤波方法是指使用一种混合滤波技术对图像中存在的各类噪声进行滤除,其实现原理如下:
S1:对于图像中可能存在的噪声类型,包括椒盐噪声、高斯噪声、乘性噪声,针对其产生原理,分析得到噪声的特点分别为:椒盐噪声在图像中是随机分布的黑白光点、高斯噪声在图像中的分布规律满足乘性噪声与图像满足f(x,y)×g(x,y)的规律,其中f(x,y)为图像像素值,g(x,y)为乘性噪声值;
S2:根据上述噪声的特点,得出噪声像素值与其周围的几个图像像素值之间存在较大区别,且噪声像素值的数量远少于图像像素值数量,根据矩阵原理,将图像以单个像素点大小为基准,按照5×5的矩阵分为一组;
S3:对矩阵中的像素值进行从大到小的排序,以中间值为基准,设其权重为1,以此向两边的像素值的权重逐渐减小;将该权重赋予该点像素值,完成滤波操作。
4.根据权利要求1所述的一种微小缺陷边缘计算方法,其特征在于,所述图像边缘分割方法通过设定一个或多个阈值将图像分割为几个部分,对图像分割后的区域进行标示以示区分,阈值的选取方法如下:
S1:获取经过图像增强和滤波后图像的最小灰度值a和最大灰度值c,以及图像的所有像素点个数m;
S2:取中间灰度值b为阈值,将小于b的灰度值归为一组,将大于b的灰度值归为一组,分别计算两组的平均值和方差,方法如下:
其中,x1表示灰度值小于b的像素点值,x2表示灰度值大于b的像素点值,μ1为第一组的平均值,σ1为第一组的方差,μ2为第二组的平均值,σ2为第二组的方差,m1为第一组的个数,m2为第二组的个数;
S3:计算在该阈值条件下的加权方差值,计算方法如下:
S4:采用二分法逐次选取阈值,当由公式4得出的加权方差值最小时即为最佳阈值。
5.根据权利要求1所述的一种微小缺陷边缘计算方法,其特征在于,所述图像边缘缺陷计算方法基于卷积神经网络原理实现,包括边缘数据预处理、建立模型、验证模型、缺陷边缘预测;
所述边缘数据预处理是将获取的图像数据按照卷积神经网络的处理要求进行变换,将图像像素值压缩到[0:1]的范围;
所述建立模型的过程是采用卷积计算的方法对图像特征进行提取,对于一张二维图像,其像素值为f(x,y),定义一个卷积核为w(m,n),则卷积输出为:
设卷积核的维度为n,卷积核与像素矩阵完成一次运算后向右移动继续做下一次运算,卷积核一次移动的步幅为a,当卷积核超过图像边界时,对图像的外边缘补0值;设图像像素矩阵的维度为m,则补0的个数p为:
生成的特征值矩阵的维度为:
所述验证模型的过程是使用验证用图像数据,将其输入到模型中,评估其测试准确率,若准确率较高,则将其用于缺陷边缘的计算,若准确率较低,则对卷积核的大小进行调整后再次获取图像特征矩阵;
所述缺陷边缘预测是根据获得的卷积神经网络计算模型,对新输入的缺陷边缘数据进行运算后判断,并输出求解结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111483022.4A CN114155226A (zh) | 2021-12-07 | 2021-12-07 | 一种微小缺陷边缘计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111483022.4A CN114155226A (zh) | 2021-12-07 | 2021-12-07 | 一种微小缺陷边缘计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155226A true CN114155226A (zh) | 2022-03-08 |
Family
ID=80453589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111483022.4A Pending CN114155226A (zh) | 2021-12-07 | 2021-12-07 | 一种微小缺陷边缘计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155226A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546070A (zh) * | 2022-11-25 | 2022-12-30 | 成都诺比侃科技有限公司 | 一种基于计算机视觉的接触网缺陷目标增强方法 |
CN117546887A (zh) * | 2024-01-12 | 2024-02-13 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
-
2021
- 2021-12-07 CN CN202111483022.4A patent/CN114155226A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546070A (zh) * | 2022-11-25 | 2022-12-30 | 成都诺比侃科技有限公司 | 一种基于计算机视觉的接触网缺陷目标增强方法 |
CN117546887A (zh) * | 2024-01-12 | 2024-02-13 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
CN117546887B (zh) * | 2024-01-12 | 2024-03-29 | 武汉市巽皇食品有限公司 | 一种基于物联网的自动和面控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN106404793B (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN109540925B (zh) | 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 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220308 |