CN114235825B - 一种基于计算机视觉的钢丝绳质量检测方法 - Google Patents

一种基于计算机视觉的钢丝绳质量检测方法 Download PDF

Info

Publication number
CN114235825B
CN114235825B CN202210169737.0A CN202210169737A CN114235825B CN 114235825 B CN114235825 B CN 114235825B CN 202210169737 A CN202210169737 A CN 202210169737A CN 114235825 B CN114235825 B CN 114235825B
Authority
CN
China
Prior art keywords
steel wire
gray
continuity
pixel point
pixel points
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.)
Active
Application number
CN202210169737.0A
Other languages
English (en)
Other versions
CN114235825A (zh
Inventor
湛小霞
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.)
Wuhan Xiangwen Steel Products Co ltd
Original Assignee
Wuhan Xiangwen Steel Products 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 Wuhan Xiangwen Steel Products Co ltd filed Critical Wuhan Xiangwen Steel Products Co ltd
Priority to CN202210169737.0A priority Critical patent/CN114235825B/zh
Publication of CN114235825A publication Critical patent/CN114235825A/zh
Application granted granted Critical
Publication of CN114235825B publication Critical patent/CN114235825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30136—Metal
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (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计算机视觉的钢丝绳质量检测方法，涉及人工智能领域，主要用于钢丝绳质量检测。获取钢丝束灰度图像，计算每个像素点的梯度幅值；以像素点为中心点，通过中心点每个方向上像素点的梯度值；计算中心点在每个方向上的灰度连续性；获取中心点灰度连续性最小值方向，获取方向差异度序列进行均值聚类，获取像素点在钢丝束方向上的灰度连续性；判断像素点是否断开，获取存在断开像素点的钢丝束，并获取钢丝束断开像素点个数；根据所有钢丝束中断开像素点最大个数对钢丝绳进行质量检测。根据本发明提出的技术手段，通过钢丝束图像特征对钢丝绳进行质量检测，有效提高了检测效率，降低了漏检误检率。

Description

一种基于计算机视觉的钢丝绳质量检测方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于计算机视觉的钢丝绳质量检测方法。
背景技术
钢丝绳为捻制在一起的螺旋状钢丝束，供提升、牵引、拉紧和承载之用。若钢丝绳存在缺陷，可能会导致安全事故发生，因此在钢丝绳出厂前需对钢丝绳进行严格的质量检测。而影响钢丝绳质量的缺陷之一为表面断丝缺陷，对于该缺陷，目前通常采用人工检查或图像处理的方式。人工检查效率低下，且漏检误检率高。现有图像处理，如阈值分割、边缘检测等方式，无法排除光照对钢丝绳的影响，导致漏检误检率高。
发明内容
本发明提供一种基于计算机视觉的钢丝绳质量检测方法，以解决现有的问题，包括：获取钢丝束灰度图像，计算每个像素点的梯度幅值；以像素点为中心点，通过中心点每个方向上像素点的梯度值；计算中心点在每个方向上的灰度连续性；获取中心点灰度连续性最小值方向，获取方向差异度序列进行均值聚类，获取像素点在钢丝束方向上的灰度连续性；判断像素点是否断开，获取存在断开像素点的钢丝束，并获取钢丝束断开像素点个数；根据所有钢丝束中断开像素点最大个数对钢丝绳进行质量检测。
根据本发明提出的技术手段，通过对每股钢丝束图像进行特征分析，从而计算图像中每个像素点的灰度连续性，根据灰度连续性判断钢丝束是否存在断丝缺陷，从而对钢丝绳进行质量评估，能够避免光照对钢丝绳的影响，同时提高了对钢丝绳的检测效率和准确度，有效降低了漏检误检率。
本发明采用如下技术方案，一种基于计算机视觉的钢丝绳质量检测方法，包括：
获取钢丝绳中的所有钢丝束图像并进行灰度化处理，得到钢丝束灰度图像。
对所述灰度图像进行滑窗，计算每个窗口内中心像素点在每个方向上的梯度值，得到所述灰度图像中每个像素点在每个方向上的梯度值。
根据所述每个像素点在每个方向上的梯度值，以及每个方向上对应像素点的灰度值计算每个像素点在每个方向上的灰度连续性。
将每个像素点在每个方向上的灰度连续性最小值所对应的方向作为该像素点的灰度连续性最小方向，计算每个像素点灰度连续性最小方向与其他像素点灰度连续性最小方向的差异度。
对所有像素点的灰度连续性最小方向差异度进行均值聚类，根据聚类结果获取每个像素点的钢丝方向，获取同一钢丝方向上所有像素点的灰度连续性。
根据同一钢丝方向上所有像素点的灰度连续性判断钢丝是否存在断开像素点，获取钢丝束所有钢丝存在断开像素点的数量。
根据所有钢丝束中断开像素点最大数量检测钢丝绳质量。
进一步的，一种基于计算机视觉的钢丝绳质量检测方法，计算每个像素点在每个方向上的灰度连续性的方法如下：
计算第i个像素点在每个方向上的灰度连续性的表达式为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示第i个像素点在第l个方向上的灰度连续性，
Figure 100002_DEST_PATH_IMAGE006
为第
Figure 100002_DEST_PATH_IMAGE008
个像素点的灰度值，
Figure 100002_DEST_PATH_IMAGE010
为以第
Figure 470991DEST_PATH_IMAGE008
像素点为中心的窗口内第
Figure 100002_DEST_PATH_IMAGE012
个方向上第
Figure 100002_DEST_PATH_IMAGE014
个像素点的灰度值，
Figure 100002_DEST_PATH_IMAGE016
为该窗口内第
Figure 447038DEST_PATH_IMAGE012
个方向上像素点个数，
Figure 100002_DEST_PATH_IMAGE018
表示第
Figure 440270DEST_PATH_IMAGE012
个方向上第
Figure 83741DEST_PATH_IMAGE014
个像素点与第
Figure 622170DEST_PATH_IMAGE008
个像素点的距离，
Figure 100002_DEST_PATH_IMAGE020
为以第
Figure 616671DEST_PATH_IMAGE008
像素点为中心的窗口内第
Figure 898748DEST_PATH_IMAGE012
个方向上第
Figure 662304DEST_PATH_IMAGE014
个像素点权重系数。
进一步的，一种基于计算机视觉的钢丝绳质量检测方法，计算每个像素点灰度连续性最小方向与其他像素点灰度连续性最小方向的差异度的方法如下：
计算第
Figure 433951DEST_PATH_IMAGE008
个像素点与其他像素点灰度连续性最小的方向的差异
Figure 100002_DEST_PATH_IMAGE022
的表达式为：
Figure 100002_DEST_PATH_IMAGE024
Figure 100002_DEST_PATH_IMAGE026
其中，
Figure 100002_DEST_PATH_IMAGE028
为第
Figure 804496DEST_PATH_IMAGE008
个像素点灰度连续性最小的方向角度，
Figure 100002_DEST_PATH_IMAGE030
为第
Figure 100002_DEST_PATH_IMAGE032
个像素点灰度连续性最小的方向角度，
Figure 100002_DEST_PATH_IMAGE034
为
Figure 421422DEST_PATH_IMAGE028
与
Figure 977169DEST_PATH_IMAGE030
的夹角大小，
Figure 100002_DEST_PATH_IMAGE036
为像素点个数。
进一步的，一种基于计算机视觉的钢丝绳质量检测方法，根据聚类结果获取每个像素点的钢丝方向，获取同一钢丝方向上所有像素点的灰度连续性的方法为：
利用均值聚类法对所述方向差异度序列进行聚类，对于聚类后均值较小的一类，将对应像素点灰度连续性最小方向垂直的方向作为该像素点所在的钢丝方向；
对于聚类后均值较大的一类，计算聚类后均值较小的一类中像素点灰度连续性最小方向的均值方向，将与所述均值方向垂直的方向作为对应像素点所在的钢丝方向；
获取同一钢丝方向上所有像素点的灰度连续性。
进一步的，一种基于计算机视觉的钢丝绳质量检测方法，根据所述每个像素点在钢丝束方向上的灰度连续性判断每个像素点是否断开的方法为：
当
Figure 100002_DEST_PATH_IMAGE038
时，该像素点位置的钢丝未断开；
当
Figure 100002_DEST_PATH_IMAGE040
时，该像素点位置的钢丝断开；其中，
Figure 100002_DEST_PATH_IMAGE042
为预设阈值，q为每个像素点在钢丝束方向上的灰度连续性。
进一步的，一种基于计算机视觉的钢丝绳质量检测方法，根据所有钢丝束中断开像素点最大数量检测钢丝绳质量，包括：
当
Figure 100002_DEST_PATH_IMAGE044
时，该钢丝绳中钢丝束中断开像素点最大数量大于T时，该钢丝绳质量不合格；
当
Figure 100002_DEST_PATH_IMAGE046
时，该钢丝绳中钢丝束中断开像素点最大数量小于T时，钢丝绳质量合格；其中，T为第一阈值，N为每个钢丝束中断开像素点的个数。
进一步的，一种基于计算机视觉的钢丝绳质量检测方法，对钢丝绳进行质量检测的方法还包括：
计算存在断开像素点的钢丝束在整体钢丝束中的占比，根据所述存在断开像素点的钢丝束在整体钢丝束中的占比对钢丝绳进行质量检测，计算所述占比m的表达式为：
Figure 100002_DEST_PATH_IMAGE048
其中，
Figure 100002_DEST_PATH_IMAGE050
为钢丝绳中第
Figure 100002_DEST_PATH_IMAGE052
个钢丝束上的断开像素点个数，
Figure 100002_DEST_PATH_IMAGE054
为钢丝绳中钢丝束个数，
Figure 100002_DEST_PATH_IMAGE056
为关于单个钢丝束断开像素点个数的单位阶跃函数，若钢丝束上存在断丝缺陷，则
Figure 44351DEST_PATH_IMAGE056
为
Figure 100002_DEST_PATH_IMAGE058
，若不存在，则为
Figure 100002_DEST_PATH_IMAGE060
；
当
Figure 100002_DEST_PATH_IMAGE062
时，该钢丝绳中存在断开像素点的钢丝束占比超过F，该钢丝绳质量不合格；
当
Figure 100002_DEST_PATH_IMAGE064
时，该钢丝绳中存在断开像素点的钢丝束占比不超过F，该钢丝绳质量合格；其中，F为第二阈值。
本发明的有益效果是：根据本发明提出的技术手段，通过对每股钢丝束图像进行特征分析，从而计算图像中每个像素点的灰度连续性，根据灰度连续性判断钢丝束是否存在断丝缺陷，从而对钢丝绳进行质量评估，能够避免光照对钢丝绳的影响，同时提高了对钢丝绳的检测效率和准确度，有效降低了漏检误检率。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于计算机视觉的钢丝绳质量检测方法结构示意图；
图2为本发明实施例的另一种基于计算机视觉的钢丝绳质量检测方法结构示意图。
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。
实施例1
如图1所示，给出了本发明实施例的一种基于计算机视觉的钢丝绳质量检测方法结构示意图，包括：
101.获取钢丝绳中的所有钢丝束图像并进行灰度化处理，得到钢丝束灰度图像。
本实施例所针对的具体场景为：钢丝绳在出厂之前需进行质量检测，对于钢丝绳表面断丝缺陷，人工检查及现有图像处理技术漏检误检率高。
本发明需要根据钢丝束图像特征来计算每个像素点的灰度连续性。所以需先采集钢丝绳表面图像，并识别图中的钢丝束信息。
钢丝束灰度图像中单个钢丝宽度基本一致，单个钢丝与相邻钢丝之间的缝隙较钢丝暗，钢丝在光照作用下，不同区域呈现不同的亮度。在局部区域内，钢丝的亮度基本一致。
利用Sobel算子获得所有像素点的梯度幅值。
102. 对所述灰度图像进行滑窗，计算每个窗口内中心像素点在每个方向上的梯度值，得到所述灰度图像中每个像素点在每个方向上的梯度值。
以图像中第
Figure 216706DEST_PATH_IMAGE008
个像素点为中心，构建一个
Figure DEST_PATH_IMAGE066
的窗口，称为第
Figure 591318DEST_PATH_IMAGE008
个窗口。对窗口内像素点灰度变化进行分析，窗口内较暗的像素点为钢丝缝隙或断丝形成的阴影，较亮的像素点为钢丝。
103. 根据所述每个像素点在每个方向上的梯度值，以及每个方向上对应像素点的灰度值计算每个像素点在每个方向上的灰度连续性。
分析窗口内各个方向上的灰度连续性，可一定程度上得到窗口内的钢丝分布方向。
窗口内过中心点有
Figure DEST_PATH_IMAGE068
个方向。每个方向上像素点构成了该方向的像素点序列，计算每个方向上每个像素点的梯度，第
Figure 329467DEST_PATH_IMAGE012
个方向上第
Figure 646179DEST_PATH_IMAGE014
个像素点的梯度为
Figure DEST_PATH_IMAGE070
。结合该方向上所有像素点的梯度以及灰度值，计算每个像素点在该方向上的灰度连续性。
104. 将每个像素点在每个方向上的灰度连续性最小值所对应的方向作为该像素点的灰度连续性最小方向，计算每个像素点灰度连续性最小方向与其他像素点灰度连续性最小方向的差异度。
计算第
Figure 836989DEST_PATH_IMAGE008
个像素点在第
Figure 264559DEST_PATH_IMAGE008
个窗口内各个方向上的灰度连续性，
Figure DEST_PATH_IMAGE072
，获取其中灰度连续性最小的方向，获取该方向的角度
Figure 591635DEST_PATH_IMAGE028
。若该窗口内不存在断丝缺陷，则灰度连续性最小的方向为垂直于钢丝的方向；若该窗口内存在断丝缺陷，则灰度连续性最小的方向不一定为垂直于钢丝的方向。
同理计算图像A中所有像素点在各个方向上的灰度连续性，获取各像素点灰度连续性最小的方向的角度
Figure DEST_PATH_IMAGE074
。
组成钢丝束的各钢丝方向近乎平行，钢丝方向的角度相差无几。若无断丝缺陷，各像素点灰度连续性最小的方向的角度相差无几，计算图像中第
Figure 344827DEST_PATH_IMAGE008
个像素点与其他像素点灰度连续性最小的方向的差异。
同理得到所有像素点与其他像素点灰度连续性最小方向的差异序列。
105. 对所有像素点的灰度连续性最小方向差异度进行均值聚类，根据聚类结果获取每个像素点的钢丝方向，获取同一钢丝方向上所有像素点的灰度连续性。
利用K-means算法对序列中的数据进行聚类，将数据分为2类，其中均值较小的一类数据表示对应像素点的灰度连续性最小的方向基本一致，该方向为钢丝与方向垂直的方向；均值较大的一类数据表示对应像素点的灰度连续性最小的方向与其他像素点差异较大，像素点所在窗口内可能存在断丝缺陷，灰度连续性最小的方向与钢丝方向不垂直。
106. 根据同一钢丝方向上所有像素点的灰度连续性判断钢丝是否存在断开像素点，获取钢丝束所有钢丝存在断开像素点的数量。
根据每个像素点在钢丝方向上的灰度连续性
Figure DEST_PATH_IMAGE076
，获取钢丝断开的位置：
若
Figure DEST_PATH_IMAGE078
，该像素点位置的钢丝未断开。
若
Figure DEST_PATH_IMAGE080
，该像素点位置的钢丝断开。
至此得到了所有断开的像素点，若断开像素点八邻域内存在其他断开像素点，则将此些标注为同一断开位置，统计所有断开的位置的个数，得到该钢丝束断丝缺陷的个数
Figure DEST_PATH_IMAGE082
。
同理获得所有钢丝束断丝缺陷的个数
Figure DEST_PATH_IMAGE084
，其中
Figure 944305DEST_PATH_IMAGE054
为钢丝束个数。
107.根据所有钢丝束中断开像素点最大个数检测钢丝绳质量。
得到了钢丝绳各钢丝束缺陷的个数
Figure 175566DEST_PATH_IMAGE084
后，计算存在断丝缺陷的钢丝束在整体钢丝束中的占比，通过占比也可以检测钢丝绳的质量。
根据本发明提出的技术手段，通过对每股钢丝束图像进行特征分析，从而计算图像中每个像素点的灰度连续性，根据灰度连续性判断钢丝束是否存在断丝缺陷，从而对钢丝绳进行质量评估，能够避免光照对钢丝绳的影响，同时提高了对钢丝绳的检测效率和准确度，有效降低了漏检误检率。
实施例2
如图2所示，给出了本发明实施例另一种基于计算机视觉的钢丝绳质量检测方法，包括：
201.获取钢丝绳中的所有钢丝束图像并进行灰度化处理，得到钢丝束灰度图像。
本实施例需要根据钢丝束图像特征来计算每个像素点的灰度连续性。所以需先采集钢丝绳表面图像，并识别图中的钢丝束信息，图像中包含背景及钢丝绳。
采用DNN实例分割的方式来识别分割图像中的目标，该DNN网络的相关内容如下：
使用的数据集为俯视采集的钢丝绳图像数据集。
训练集对应标签标注过程为：单通道的语义标签，属于同一个钢丝束像素点的标注为同一个标签，对不同的钢丝束依次标注为1,2,3,…，直到所有钢丝束像素点都标注完成。
网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
至此，通过DNN实现了钢丝绳表面图像的处理，获得图像中各个钢丝束连通域信息。
分析钢丝束图像，钢丝束为多条钢丝捻成的一股钢丝，钢丝束表面存在弧度，组成钢丝束的单根钢丝也有高低起伏变化，在光的反射作用下，一条钢丝的不同位置呈现不同的亮度。两条钢丝相邻处存在缝隙，在光照作用下较暗。若钢丝断裂，则可以看到断开处钢丝下下面的钢丝，断开处钢丝与其下面的钢丝有高度差，在光线的照射下，断开处的钢丝在下面钢丝上形成阴影。由于钢丝的不同位置呈现不同的亮度以及缝隙的存在，通过简单的阈值分割难以将钢丝断开处的阴影提取出来。
本方案通过分析钢丝束各区域内像素点灰度值的变化，计算各像素点的灰度连续性，通过像素点灰度连续性，获取钢丝绳表面断丝缺陷，以便后续根据断丝缺陷进行钢丝绳质量评估。
利用Sobel算子获得所有像素点的梯度幅值，得到梯度幅值序列
Figure DEST_PATH_IMAGE086
，
Figure 622728DEST_PATH_IMAGE036
为像素点个数。
202. 对所述灰度图像进行滑窗，计算每个窗口内中心像素点在每个方向上的梯度值，得到所述灰度图像中每个像素点在每个方向上的梯度值。
为便于后续根据像素点灰度变化分析像素点灰度连续性，首先将单个钢丝束连通域图像转化成灰度图。
以图像中第
Figure 812401DEST_PATH_IMAGE008
个像素点为中心，构建一个
Figure 915486DEST_PATH_IMAGE066
的窗口，称为第
Figure 747176DEST_PATH_IMAGE008
个窗口。对窗口内像素点灰度变化进行分析，窗口内较暗的像素点为钢丝缝隙或断丝形成的阴影，较亮的像素点为钢丝。分析窗口内各个方向上的灰度连续性，可一定程度上得到窗口内的钢丝分布方向。
窗口内过中心点有
Figure 48844DEST_PATH_IMAGE068
个方向，每个方向上像素点构成了该方向的像素点序列，计算每个方向上每个像素点的梯度，第
Figure 372202DEST_PATH_IMAGE012
个方向上第
Figure 24900DEST_PATH_IMAGE014
个像素点的梯度为
Figure 394702DEST_PATH_IMAGE070
，结合该方向上所有像素点的梯度以及灰度值，计算每个像素点在该方向上的灰度连续性。
2031. 根据所述每个像素点在每个方向上的梯度值，以及每个方向上对应像素点的灰度值计算每个像素点在每个方向上的灰度连续性。
计算每个窗口中心点在每个方向上的灰度连续性的方法如下：
以第i个像素点为中心的窗口中，第l个方向上第j个像素点的梯度为
Figure 488560DEST_PATH_IMAGE070
，结合通过中心点的第l个方向上所有像素点对应的灰度值计算第i个中心点在该方向上的灰度连续性，表达式为：
Figure DEST_PATH_IMAGE088
其中，
Figure 551194DEST_PATH_IMAGE004
表示第i个像素点在第l个方向上的灰度连续性，
Figure 363292DEST_PATH_IMAGE006
为第
Figure 536784DEST_PATH_IMAGE008
个像素点的灰度值，
Figure 813045DEST_PATH_IMAGE010
为以第
Figure 984263DEST_PATH_IMAGE008
像素点为中心的窗口内第
Figure 345974DEST_PATH_IMAGE012
个方向上第
Figure 57578DEST_PATH_IMAGE014
个像素点的灰度值，
Figure 375296DEST_PATH_IMAGE016
为该窗口内第
Figure 779733DEST_PATH_IMAGE012
个方向上像素点个数，
Figure 363161DEST_PATH_IMAGE018
表示第
Figure 816139DEST_PATH_IMAGE012
个方向上第
Figure 66992DEST_PATH_IMAGE014
个像素点与第
Figure 376750DEST_PATH_IMAGE008
个像素点的距离，
Figure 650737DEST_PATH_IMAGE020
为以第
Figure 969723DEST_PATH_IMAGE008
像素点为中心的窗口内第
Figure 809503DEST_PATH_IMAGE012
个方向上第
Figure 493425DEST_PATH_IMAGE014
个像素点权重系数。
Figure 51445DEST_PATH_IMAGE020
为以第
Figure 908543DEST_PATH_IMAGE008
个像素点为中心的窗口内第
Figure 556824DEST_PATH_IMAGE012
个方向上第
Figure 473964DEST_PATH_IMAGE014
个像素点权重系数，具体为：
Figure DEST_PATH_IMAGE090
其中
Figure 988122DEST_PATH_IMAGE070
为以第
Figure 383332DEST_PATH_IMAGE008
个像素点为中心的窗口内第
Figure 135387DEST_PATH_IMAGE012
个方向上第
Figure 489008DEST_PATH_IMAGE014
个像素点在该方向上的梯度；
Figure DEST_PATH_IMAGE092
为图像
Figure DEST_PATH_IMAGE094
的梯度幅值序列；
Figure DEST_PATH_IMAGE096
为梯度幅值序列中的最大值；若该像素点在第
Figure 224883DEST_PATH_IMAGE012
个方向上的梯度越大，则权重越大，在中心像素点灰度连续性计算中越关注该像素点与中心像素点的差异，反之，若该像素在第
Figure 876313DEST_PATH_IMAGE012
个方向上的梯度越小，则权重越小，在中心像素点灰度连续性计算中越不关注该像素点与中心像素点的差异。
Figure DEST_PATH_IMAGE098
为第
Figure 748454DEST_PATH_IMAGE012
个方向上所有像素点与中心像素点（即图像中第
Figure 7397DEST_PATH_IMAGE008
个像素点）的灰度差异加权求和。若第
Figure 27305DEST_PATH_IMAGE012
个方向上所有像素点在该方向上的梯度均较小，则该值较小，中心像素点的灰度连续性较大。若第
Figure 967580DEST_PATH_IMAGE012
个方向上存在像素点在该方向上梯度较大，且该像素点与中心像素点灰度差异较大，则该值较大，中心像素点的灰度连续性较小。
2032. 将每个像素点在每个方向上的灰度连续性最小值所对应的方向作为该像素点的灰度连续性最小方向，计算每个像素点灰度连续性最小方向与其他像素点灰度连续性最小方向的差异度。
同理计算第
Figure 490965DEST_PATH_IMAGE008
个像素点在第
Figure 186388DEST_PATH_IMAGE008
个窗口内各个方向上的灰度连续性。
Figure 365697DEST_PATH_IMAGE072
，获取其中灰度连续性最小的方向，获取该方向的角度
Figure 906400DEST_PATH_IMAGE028
。若该窗口内不存在断丝缺陷，则灰度连续性最小的方向为垂直于钢丝的方向；若该窗口内存在断丝缺陷，则灰度连续性最小的方向不一定为垂直于钢丝的方向。
同理计算图像中所有像素点在各个方向上的灰度连续性，获取各像素点灰度连续性最小的方向的角度
Figure 815450DEST_PATH_IMAGE074
。
组成钢丝束的各钢丝方向近乎平行，钢丝方向的角度相差无几。若无断丝缺陷，各像素点灰度连续性最小的方向的角度相差无几。
计算第
Figure 101681DEST_PATH_IMAGE008
个像素点与其他像素点灰度连续性最小的方向的差异
Figure 830603DEST_PATH_IMAGE022
的表达式为：
Figure DEST_PATH_IMAGE100
Figure DEST_PATH_IMAGE102
其中，
Figure 378259DEST_PATH_IMAGE028
为第
Figure 141816DEST_PATH_IMAGE008
个像素点灰度连续性最小的方向角度，
Figure 851146DEST_PATH_IMAGE030
为第
Figure 67363DEST_PATH_IMAGE032
个像素点灰度连续性最小的方向角度，
Figure 215448DEST_PATH_IMAGE034
为
Figure 771194DEST_PATH_IMAGE028
与
Figure 713742DEST_PATH_IMAGE030
的夹角大小，
Figure 417256DEST_PATH_IMAGE036
为像素点个数。
2033. 对所有像素点的灰度连续性最小方向差异度进行均值聚类，根据聚类结果获取每个像素点的钢丝方向，获取同一钢丝方向上所有像素点的灰度连续性。
得到所有像素点与其他像素点灰度连续性最小方向的差异序列：
Figure DEST_PATH_IMAGE104
。利用K-means算法对序列
Figure DEST_PATH_IMAGE106
中数据进行
Figure DEST_PATH_IMAGE108
的聚类，将数据分为2类，其中均值较小的一类数据表示对应像素点的灰度连续性最小的方向基本一致，该方向为钢丝与方向垂直的方向；均值较大的一类数据表示对应像素点的灰度连续性最小的方向与其他像素点差异较大，像素点所在窗口内可能存在断丝缺陷，灰度连续性最小的方向与钢丝方向不垂直。
获取每个像素点在钢丝束方向上的灰度连续性的方法为：
利用均值聚类法对所述方向差异度序列进行聚类，对于聚类后均值较小的一类，将对应像素点灰度连续性最小方向垂直的方向作为该像素点所在的钢丝方向，将该方向上的灰度连续性值作为对应像素点在钢丝束方向上的灰度连续性；
对于聚类后均值较大的一类，计算聚类后均值较小的一类中像素点灰度连续性最小方向的均值方向，将与所述均值方向垂直的方向作为对应像素点所在的钢丝方向，将该方向上的灰度连续性值作为对应像素点在钢丝方向上的灰度连续性。
所述像素点在钢丝方向上的灰度连续性值通过步骤203计算得到。
204. 根据同一钢丝方向上所有像素点的灰度连续性判断钢丝是否存在断开像素点，获取钢丝束所有钢丝存在断开像素点的数量。
根据所述每个像素点在钢丝束方向上的灰度连续性判断每个像素点是否断开的方法为：
若
Figure 759245DEST_PATH_IMAGE078
，该像素点位置的钢丝未断开；
若
Figure 231814DEST_PATH_IMAGE080
，该像素点位置的钢丝断开；其中，
Figure 345264DEST_PATH_IMAGE042
为阈值，p为每个像素点在钢丝方向上的灰度连续性。本实施例中，
Figure 473757DEST_PATH_IMAGE042
的取值为0.2。
至此得到了所有断开的像素点，若断开像素点八邻域内存在其他断开像素点，则将此些标注为同一断开位置。统计所有断开的位置的个数，得到该钢丝束断丝缺陷的个数
Figure 698065DEST_PATH_IMAGE082
。
同理获得所有钢丝束断丝缺陷的个数
Figure 290720DEST_PATH_IMAGE084
，其中
Figure 778333DEST_PATH_IMAGE054
为钢丝束个数。
205.根据所有钢丝束中断开像素点最大个数检测钢丝绳质量。
根据所述每个钢丝束中断开像素点的个数对钢丝绳进行质量检测，包括：
当
Figure 190860DEST_PATH_IMAGE044
时，该钢丝绳中钢丝束中断开像素点最大个数大于T时，该钢丝绳质量不合格；
当
Figure 218859DEST_PATH_IMAGE046
时，该钢丝绳中钢丝束中断开像素点最大个数小于T时，钢丝绳质量合格。T为第一阈值，N为每个钢丝束中断开像素点的个数。本实施例中，T的取值为2。
对钢丝绳进行质量检测的方法还包括：
计算存在断开像素点的钢丝在整体钢丝束中的占比，根据所述存在断开像素点的钢丝在钢丝绳中所有钢丝束中的占比对钢丝绳进行质量检测，计算所述占比m的表达式为：
Figure DEST_PATH_IMAGE110
其中，
Figure 354436DEST_PATH_IMAGE050
为钢丝绳中第
Figure 75268DEST_PATH_IMAGE052
个钢丝束上的断开像素点个数，
Figure 178353DEST_PATH_IMAGE054
为钢丝绳中钢丝束个数，
Figure 744463DEST_PATH_IMAGE056
为关于单个钢丝束断开像素点个数的单位阶跃函数，若钢丝束上存在断丝缺陷，则
Figure 46132DEST_PATH_IMAGE056
为
Figure 875548DEST_PATH_IMAGE058
，若不存在，则为
Figure 262667DEST_PATH_IMAGE060
。
当
Figure 632468DEST_PATH_IMAGE062
时，该钢丝绳中存在断开像素点的钢丝束占比超过F，该钢丝绳质量不合格；
当
Figure 991905DEST_PATH_IMAGE064
时，该钢丝绳中存在断开像素点的钢丝束占比不超过F，该钢丝绳质量合格。其中，F为第二阈值，本实施例中，F的取值为10%。
根据本发明提出的技术手段，通过对每股钢丝束图像进行特征分析，从而计算图像中每个像素点的灰度连续性，根据灰度连续性判断钢丝束是否存在断丝缺陷，从而对钢丝绳进行质量评估，能够避免光照对钢丝绳的影响，同时提高了对钢丝绳的检测效率和准确度，有效降低了漏检误检率。
以上所述仅为本发明的较佳实施例而已，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 (7)

1.一种基于计算机视觉的钢丝绳质量检测方法，其特征在于，包括：
获取钢丝绳中的所有钢丝束图像并进行灰度化处理，得到钢丝束灰度图像；
对所述灰度图像进行滑窗，计算每个窗口内中心像素点在每个方向上的梯度值，得到所述灰度图像中每个像素点在每个方向上的梯度值；
根据所述每个像素点在每个方向上的梯度值，以及每个方向上对应像素点的灰度值计算每个像素点在每个方向上的灰度连续性；
将每个像素点在每个方向上的灰度连续性最小值所对应的方向作为该像素点的灰度连续性最小方向，计算每个像素点灰度连续性最小方向与其他像素点灰度连续性最小方向的差异度；
对所有像素点的灰度连续性最小方向差异度进行均值聚类，根据聚类结果获取每个像素点的钢丝方向，获取同一钢丝方向上所有像素点的灰度连续性；
根据同一钢丝方向上所有像素点的灰度连续性判断钢丝是否存在断开像素点，获取钢丝束所有钢丝存在断开像素点的数量；
根据所有钢丝束中断开像素点的数量对钢丝绳的质量进行评估。
2.根据权利要求1所述的一种基于计算机视觉的钢丝绳质量检测方法，其特征在于，计算每个像素点在每个方向上的灰度连续性的方法如下：
计算第i个像素点在每个方向上的灰度连续性的表达式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示第i个像素点在第l个方向上的灰度连续性，
Figure DEST_PATH_IMAGE006
为第
Figure DEST_PATH_IMAGE008
个像素点的灰度值，
Figure DEST_PATH_IMAGE010
为以第
Figure 435162DEST_PATH_IMAGE008
像素点为中心的窗口内第
Figure DEST_PATH_IMAGE012
个方向上第
Figure DEST_PATH_IMAGE014
个像素点的灰度值，
Figure DEST_PATH_IMAGE016
为该窗口内第
Figure 580665DEST_PATH_IMAGE012
个方向上像素点个数，
Figure DEST_PATH_IMAGE018
表示第
Figure 625982DEST_PATH_IMAGE012
个方向上第
Figure 224453DEST_PATH_IMAGE014
个像素点与第
Figure 304405DEST_PATH_IMAGE008
个像素点的距离，
Figure DEST_PATH_IMAGE020
为以第
Figure 330130DEST_PATH_IMAGE008
像素点为中心的窗口内第
Figure 862742DEST_PATH_IMAGE012
个方向上第
Figure 61642DEST_PATH_IMAGE014
个像素点权重系数。
3.根据权利要求1所述的一种基于计算机视觉的钢丝绳质量检测方法，其特征在于，计算每个像素点灰度连续性最小方向与其他像素点灰度连续性最小方向的差异度的方法如下：
计算第
Figure 933783DEST_PATH_IMAGE008
个像素点与其他像素点灰度连续性最小的方向的差异
Figure DEST_PATH_IMAGE022
的表达式为：
Figure DEST_PATH_IMAGE024
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为第
Figure 910835DEST_PATH_IMAGE008
个像素点灰度连续性最小的方向角度，
Figure DEST_PATH_IMAGE030
为第
Figure DEST_PATH_IMAGE032
个像素点灰度连续性最小的方向角度，
Figure DEST_PATH_IMAGE034
为
Figure 337269DEST_PATH_IMAGE028
与
Figure 74281DEST_PATH_IMAGE030
的夹角大小，
Figure DEST_PATH_IMAGE036
为像素点个数。
4.根据权利要求1所述的一种基于计算机视觉的钢丝绳质量检测方法，其特征在于，根据聚类结果获取每个像素点的钢丝方向，获取同一钢丝方向上所有像素点的灰度连续性的方法为：
利用均值聚类法对所述方向差异度序列进行聚类，对于聚类后均值较小的一类，将对应像素点灰度连续性最小方向垂直的方向作为该像素点所在的钢丝方向；
对于聚类后均值较大的一类，计算聚类后均值较小的一类中像素点灰度连续性最小方向的均值方向，将与所述均值方向垂直的方向作为对应像素点所在的钢丝方向；
获取同一钢丝方向上所有像素点的灰度连续性。
5.根据权利要求4所述的一种基于计算机视觉的钢丝绳质量检测方法，其特征在于，根据所述每个像素点在钢丝束方向上的灰度连续性判断每个像素点是否断开的方法为：
当
Figure DEST_PATH_IMAGE038
时，该像素点位置的钢丝未断开；
当
Figure DEST_PATH_IMAGE040
时，该像素点位置的钢丝断开；其中，
Figure DEST_PATH_IMAGE042
为预设阈值，q为每个像素点在钢丝束方向上的灰度连续性。
6.根据权利要求1所述的一种基于计算机视觉的钢丝绳质量检测方法，其特征在于，根据所有钢丝束中断开像素点最大数量检测钢丝绳质量，包括：
当
Figure DEST_PATH_IMAGE044
时，该钢丝绳中钢丝束中断开像素点最大数量大于T时，该钢丝绳质量不合格；
当
Figure DEST_PATH_IMAGE046
时，该钢丝绳中钢丝束中断开像素点最大数量小于T时，钢丝绳质量合格；其中，T为第一阈值，N为每个钢丝束中断开像素点的个数。
7.根据权利要求1所述的一种基于计算机视觉的钢丝绳质量检测方法，其特征在于，对钢丝绳进行质量检测的方法还包括：
计算存在断开像素点的钢丝束在整体钢丝束中的占比，根据所述存在断开像素点的钢丝束在整体钢丝束中的占比对钢丝绳进行质量检测，计算所述占比m的表达式为：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE050
为钢丝绳中第
Figure DEST_PATH_IMAGE052
个钢丝束上的断开像素点个数，
Figure DEST_PATH_IMAGE054
为钢丝绳中钢丝束个数，
Figure DEST_PATH_IMAGE056
为关于单个钢丝束断开像素点个数的单位阶跃函数，若钢丝束上存在断丝缺陷，则
Figure 223764DEST_PATH_IMAGE056
为
Figure DEST_PATH_IMAGE058
，若不存在，则为
Figure DEST_PATH_IMAGE060
；
当
Figure DEST_PATH_IMAGE062
时，该钢丝绳中存在断开像素点的钢丝束占比超过F，该钢丝绳质量不合格；
当
Figure DEST_PATH_IMAGE064
时，该钢丝绳中存在断开像素点的钢丝束占比不超过F，该钢丝绳质量合格；其中，F为第二阈值。
CN202210169737.0A 2022-02-24 2022-02-24 一种基于计算机视觉的钢丝绳质量检测方法 Active CN114235825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210169737.0A CN114235825B (zh) 2022-02-24 2022-02-24 一种基于计算机视觉的钢丝绳质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210169737.0A CN114235825B (zh) 2022-02-24 2022-02-24 一种基于计算机视觉的钢丝绳质量检测方法

Publications (2)

Publication Number Publication Date
CN114235825A CN114235825A (zh) 2022-03-25
CN114235825B true CN114235825B (zh) 2022-05-17

Family

ID=80747936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210169737.0A Active CN114235825B (zh) 2022-02-24 2022-02-24 一种基于计算机视觉的钢丝绳质量检测方法

Country Status (1)

Country Link
CN (1) CN114235825B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063404B (zh) * 2022-07-27 2022-11-08 建首(山东)钢材加工有限公司 基于x射线探伤的耐候钢焊缝质量检测方法
CN115100203B (zh) * 2022-08-25 2022-11-18 山东振鹏建筑钢品科技有限公司 一种钢筋打磨除锈质量检测方法
CN115147416B (zh) * 2022-09-02 2022-11-15 山东大山不锈钢制品有限公司 一种倒绳机乱绳检测方法、装置和计算机设备
CN115330776B (zh) * 2022-10-13 2023-04-14 南通斯坦普利起重设备有限公司 一种钢丝绳磨损程度检测方法
CN117058111B (zh) * 2023-08-21 2024-02-09 大连亚明汽车部件股份有限公司 一种汽车铝合金压铸模具质量检查方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2083969A1 (en) * 1991-12-31 1993-07-01 Leslie James Button Measurement of fiber diameters and detection of defects
CN101825584A (zh) * 2010-04-15 2010-09-08 天津工业大学 X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法
CN104730083A (zh) * 2015-04-09 2015-06-24 中煤科工集团重庆研究院有限公司 钢丝绳芯输送带接头抽动自动检测方法
CN107941899A (zh) * 2017-11-15 2018-04-20 河南科技大学 一种弱磁激励的钢丝绳探伤装置和探伤方法
JP2020040764A (ja) * 2018-09-07 2020-03-19 株式会社日立ビルシステム エレベーター用ワイヤーロープの劣化計測装置および劣化計測方法
CN111024704A (zh) * 2018-10-10 2020-04-17 古德里奇公司 使用图像处理技术来对钢丝绳进行自动缺陷检测
CN112270658A (zh) * 2020-07-13 2021-01-26 安徽机电职业技术学院 一种基于机器视觉的电梯钢丝绳检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2383566B1 (de) * 2010-04-28 2013-10-23 Winspect GmbH System und Verfahren zur Prüfung von Seilen

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2083969A1 (en) * 1991-12-31 1993-07-01 Leslie James Button Measurement of fiber diameters and detection of defects
CN101825584A (zh) * 2010-04-15 2010-09-08 天津工业大学 X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法
CN104730083A (zh) * 2015-04-09 2015-06-24 中煤科工集团重庆研究院有限公司 钢丝绳芯输送带接头抽动自动检测方法
CN107941899A (zh) * 2017-11-15 2018-04-20 河南科技大学 一种弱磁激励的钢丝绳探伤装置和探伤方法
JP2020040764A (ja) * 2018-09-07 2020-03-19 株式会社日立ビルシステム エレベーター用ワイヤーロープの劣化計測装置および劣化計測方法
CN111024704A (zh) * 2018-10-10 2020-04-17 古德里奇公司 使用图像处理技术来对钢丝绳进行自动缺陷检测
CN112270658A (zh) * 2020-07-13 2021-01-26 安徽机电职业技术学院 一种基于机器视觉的电梯钢丝绳检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Steel Wire Rope Surface Defect Detection Based on Segmentation Template and Spatiotemporal Gray Sample Set;Guoyong Zhang 等;《Sensors》;20210810;第21卷;第1-17页 *
基于X射线钢芯传送带图像的缺陷检测算法;刘振东 等;《测试技术学报》;20161231;第30卷(第1期);第45-50页 *
电梯钢丝绳缺陷视觉检测系统研究;戴勇磊 等;《计量与测试技术》;20181231;第45卷(第7期);第29-31页 *

Also Published As

Publication number Publication date
CN114235825A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN114235825B (zh) 一种基于计算机视觉的钢丝绳质量检测方法
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN114842017B (zh) 一种hdmi线缆表面质量检测方法及系统
CN111079747B (zh) 铁路货车转向架侧架断裂故障图像识别方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
CN111652857B (zh) 一种绝缘子缺陷红外检测方法
CN111862083A (zh) 一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法
CN111127448B (zh) 一种基于孤立森林检测空气弹簧故障的方法
CN109726730A (zh) 自动光学检测图像分类方法、系统及计算机可读介质
CN115266732B (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
CN114820610A (zh) 基于图像处理的新材料医疗器械缺陷检测方法
CN115018826B (zh) 一种基于图像识别的织物瑕疵检测方法及系统
CN114897855A (zh) 基于x射线图片灰度值分布判定缺陷类型的方法
CN108508023B (zh) 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统
CN115330790A (zh) 基于图像的电缆绞线质量检测方法及系统
Mir et al. Machine learning-based evaluation of the damage caused by cracks on concrete structures
KR101929669B1 (ko) 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치
Riyadi et al. Shape characteristics analysis for papaya size classification
CN1259663A (zh) 铸坯断面质量的自动评价方法
CN116721096B (zh) 基于人工智能的新能源线束质量在线检测方法
JPH11110560A (ja) 画像検査方法および画像検査装置
Platzer et al. On the suitability of different features for anomaly detection in wire ropes

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