CN114782329A - 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 - Google Patents
一种基于图像处理的轴承缺陷损伤程度评估方法及系统 Download PDFInfo
- Publication number
- CN114782329A CN114782329A CN202210346785.2A CN202210346785A CN114782329A CN 114782329 A CN114782329 A CN 114782329A CN 202210346785 A CN202210346785 A CN 202210346785A CN 114782329 A CN114782329 A CN 114782329A
- Authority
- CN
- China
- Prior art keywords
- defect
- suspected
- gray
- pixel point
- probability
- 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 247
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 title claims abstract description 13
- 230000002950 deficient Effects 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (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)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及缺陷识别技术领域,具体涉及一种基于图像处理的轴承缺陷损伤程度评估方法及系统。该方法通过缺陷检测网络获得第一疑似缺陷像素点和缺陷像素点。获得第一疑似缺陷像素点的灰度三元组,根据相邻灰度三元组之间的灰度信息的变化筛选出第二疑似缺陷像素点。通过不断改变第二疑似像素点的邻域范围,判断第二疑似缺陷像素点的类别,将表示正常像素点的第二疑似像素点去除,获得完整的缺陷像素点。根据缺陷像素点的灰度三元组的分布信息和类别数量获得损伤程度。本发明实现了缺陷位置的准确定位及分析。
Description
技术领域
本发明涉及缺陷识别技术领域,具体涉及一种基于图像处理的轴承缺陷损伤程度评估方法及系统。
背景技术
轴承在生产过程中会在表面存在麻点、划痕、裂纹等缺陷。这些缺陷特征明显,容易识别可通过人工或者光线器件检测出缺陷轴承,并经过磨削加工等方式去除缺陷。但是当磨削加工余量较小时,不能完全将轴承表面的缺陷消除,会存在部分缺陷损伤,这部分缺陷损伤特征不明显,不容易被检测,会影响轴承的使用寿命。
在现有技术中,可利用机器学习的方法对轴承图像进行分析,获得缺陷位置及其对应的缺陷概率。但是对于缺陷特征不明显的图像,无法通过缺陷概率获得准确的缺陷像素点,一个缺陷概率区间内可能包含缺陷像素点和正常像素点,无法通过缺陷概率将缺陷像素点单独的区分。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的轴承缺陷损伤程度评估方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的轴承缺陷损伤程度评估方法,所述方法包括:
获得轴承灰度图像;将所述轴承灰度图像送入预先训练好的缺陷检测网络中,输出缺陷概率分布图;以大于预设概率范围阈值的像素点作为缺陷像素点;在所述概率范围阈值内的像素点为第一疑似缺陷像素点;
根据所述第一疑似缺陷像素点位置获得疑似缺陷区域;根据预设邻域范围、预设遍历方向遍历整个所述疑似缺陷区域,获得第一疑似缺陷像素点在所述邻域范围内的灰度均值与概率均值;以所述第一疑似缺陷像素点的灰度值、对应的所述灰度均值和对应的所述概率均值构成灰度三元组;
以所述第一疑似缺陷像素点的灰度值和所述灰度均值的差异作为灰度差异;当相邻所述灰度三元组之间所述灰度差异发生变化但所述概率均值不变时,将对应的所述第一疑似缺陷像素点作为第二疑似缺陷像素点;不断减小所述第二疑似缺陷像素点的所述邻域范围,直至所述灰度差异和所述概率均值不发生变化,若仍然发生变化,则将所述第二疑似缺陷像素点去除;遍历整个所述疑似缺陷区域后,将剩余的像素点作为所述缺陷像素点;
所述缺陷像素点构成缺陷定位区域;以所述缺陷定位区域内所述灰度三元组的种类数量作为缺陷种类数量;获得所述缺陷定位区域内每类所述灰度三元组出现的频数,根据所述频数获得缺陷分布概率,根据所述缺陷分布概率和所述缺陷种类数量获得缺陷信息熵;根据所述缺陷信息熵和所述缺陷种类数量获得损伤程度。
进一步地,所述根据预设邻域范围、预设遍历方向遍历整个所述疑似缺陷区域包括:
获得所述疑似缺陷区域内的峰值点,以所述峰值点为初始点,根据所述遍历方向和所述邻域范围获得所述灰度三元组。
进一步地,所述不断减小所述第二疑似缺陷像素点的所述邻域范围包括:
沿着所述遍历方向将所述第二疑似缺陷像素点的所述邻域范围最边界的像素点按照预设缩小步长进行忽略。
进一步地,所述根据所述频数获得缺陷分布概率包括:
以所述频数与所述缺陷定位区域内所述缺陷像素点数量的比值作为所述缺陷分布概率。
进一步地,所述根据所述缺陷分布概率和所述缺陷种类数量获得缺陷信息熵包括:根据缺陷信息熵公式获得所述缺陷信息熵;所述缺陷信息熵公式为:
其中,H为所述缺陷信息熵,Q为所述缺陷种类数量。pq为第q种所述缺陷种类对应的所述缺陷分布概率。
进一步地,所述根据所述缺陷信息熵和所述缺陷种类数量获得损伤程度包括:
将所述缺陷信息熵和所述缺陷种类数量加权求和后获得所述损伤程度。
本发明还提出了一种基于图像处理的轴承缺陷损伤程度评估系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于图像处理的轴承缺陷损伤程度评估方法的步骤。
本发明具有如下有益效果:
1.本发明实施例通过获得灰度三元组,根据灰度三元组中的数据变化判断出邻域范围内包含正常像素点的第二疑似缺陷像素点。通过改变第二疑似缺陷像素点的邻域范围进行分析,判断第二疑似缺陷像素点是否为正常像素点,因为正常像素点的灰度三元组与缺陷像素点的灰度三元组存在较大的变化特征,因此可以准确的筛选出正常像素点,从而将对应的第二缺陷像素点。通过遍历过程获得准确的缺陷像素点。根据缺陷像素点的分布和缺陷种类评价轴承的损失程度。
2.本发明实施例通过缺陷像素点的灰度三元组的种类数量表示缺陷种类数量,通过灰度三元组的频次获得缺陷分布概率。相同缺陷类别的灰度三元组的信息应是相同的,因此根据缺陷种类数量和缺陷分布概率可以获得参考性强的损失程度。
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为本发明一个实施例所提供的一种基于图像处理的轴承缺陷损伤程度评估方法流程图。
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一种基于图像处理的轴承缺陷损伤程度评估方法及系统,其具体实施方式、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”指的不一定是同一实施例。此外,一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。
下面结合附图具体的说明本发明所提供的一种基于图像处理的轴承缺陷损伤程度评估方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的轴承缺陷损伤程度评估方法流程图,该方法包括:
步骤S1:获得轴承图像;将轴承图像送入预先训练好的缺陷检测网络中,输出缺陷概率分布图;以大于预设概率范围阈值的像素点作为缺陷像素点;在概率范围阈值内的像素点为第一疑似缺陷像素点。
在本发明实施例中,将相机采集到的轴承图像利用均值灰度化处理,将轴承图像转换为轴承灰度图像,将轴承灰度图像送入缺陷检测网络中进行缺陷识别,缺陷检测网络具体包括:
(1)以包含多种缺陷信息的轴承灰度图像作为训练数据。将缺陷信息标注为1,其他区域像素点标注为0,获得标注信息。
(2)缺陷检测网络采用编码-解码结构,编码器用于提取输入数据的特征,获得特征图。解码器用于对特征图进行采样变换,输出缺陷概率分布图。
(3)采用交叉熵损失函数对网络进行训练。
缺陷概率分布图中每个像素点位置都对应一个缺陷概率,缺陷概率越大说明在轴承灰度图像中对应位置的像素点为缺陷像素点的概率越大。因此以大于预设概率范围阈值的像素点作为缺陷像素点。在概率范围阈值内的像素点为第一疑似缺陷像素点,第一疑似缺陷像素点中包含真实的缺陷像素点和正常像素点。即小于概率范围阈值的像素点为正常像素点。在本发明实施例中,概率阈值范围设置为[0.4,0.7]。
步骤S2:根据第一疑似缺陷像素点位置获得疑似缺陷区域;根据预设邻域范围、预设遍历方向遍历整个疑似缺陷区域;获得第一疑似缺陷像素点在邻域范围内的灰度均值与概率均值;以第一疑似缺陷像素点的灰度值、对应的灰度均值和对应的概率均值构成灰度三元组。
因为第一疑似缺陷像素点内包括正常像素点和缺陷像素点,因此需要对第一疑似缺陷像素点进行单独分析。在本发明实施例中,根据第一疑似缺陷像素点获得二值图像,即二值图像中第一疑似缺陷像素点位置的像素值为1,其他为0。通过二值图像对轴承灰度图像相乘,获得疑似缺陷区域。
需要说明的是,在第一疑似缺陷像素点中,正常像素点相对缺陷像素点较少。对于缺陷像素点而言,该点的灰度值和附近像素点的灰度值差异在相邻缺陷像素点的灰度值差异之间应是不会变化的,且对应的缺陷概率也相同。对于与缺陷像素点具有相同缺陷概率的正常像素点而言,因为在该点附近存在缺陷像素点,因此该点的灰度值和附近像素点的灰度值差异在相邻像素点之间会发生变化。因此为了监测该变化需要遍历整个疑似缺陷区域获得每个像素点的信息,具体包括:
获得疑似缺陷区域内的峰值点,以峰值点为初始点,根据预设遍历方向和预设邻域范围遍历整个疑似缺陷区域,获得第一疑似缺陷像素点在邻域范围内的灰度均值与概率均值。以第一疑似缺陷像素点的灰度值、对应的灰度均值和对应的概率均值构成灰度三元组。即对于第j个第一疑似缺陷像素点来说,对应的灰度三元组为:其中,gj为第j个第一疑似缺陷像素点的灰度值,为第j个第一疑似缺陷像素点的邻域范围内的灰度均值,为第j个第一疑似缺陷像素点的邻域范围内的概率均值。
在本发明实施例中,邻域范围设置为8邻域范围,遍历方向为在图像中从右向左,且设置遍历步长为1。
步骤S3:以第一疑似缺陷像素点的灰度值和灰度均值的差异作为灰度差异;当相邻灰度三元组之间灰度差异发生变化但概率均值不变时,将对应的第一疑似缺陷像素点作为第二疑似缺陷像素点;不断减小第二疑似缺陷像素点的邻域范围,直至灰度差异和概率均值不发生变化,若仍然发生变化,则将第二疑似缺陷像素点去除;遍历整个疑似缺陷区域后,将剩余的像素点作为缺陷像素点。
因为缺陷检测网络的识别精度的影响,会导致正常像素点识别为缺陷像素点。即正常像素点被分配了不匹配的缺陷概率。在正常像素点的灰度三元组内,概率均值与其他两个数据并不匹配,即对于缺陷概率相同的两个相邻像素点的灰度三元组中,灰度信息如果存在变化,说明该点为正常像素点或者该点邻域范围内存在正常像素点。具体包括:
以第一疑似缺陷像素点的灰度值和灰度均值的差异作为灰度差异;当灰度三元组之间灰度差异发生变化但概率均值不变时,将对应的第一疑似缺陷像素点作为第二疑似缺陷像素点。即第二疑似缺陷像素点可能为正常像素点或者在第二疑似缺陷像素点的邻域中包含正常像素点。进一步对第二疑似缺陷像素点进行分析:
沿着遍历方向将第二疑似缺陷像素点的邻域范围最边界的像素点按照预设缩小步长进行忽略。即优先将未分析方向上的像素点进行忽略,在本发明实施例中,缩小步长设置为1,因为遍历方向为从右向左,因此将第二疑似缺陷像素点的邻域范围最左侧边界的水平方向上的一个像素点进行忽略,减小邻域范围,即由8邻域范围变为7邻域范围进行分析。如果相邻灰度三元组的灰度差异仍然存在差异则继续将邻域范围的最左侧像素点选择像素点进行忽略,即由7邻域变为6邻域进行分析,直至所述灰度差异和所述概率均值不发生变化,此时判定该第二疑似缺陷像素点为缺陷像素点,将其保留。若仍发生变化,即邻域范围缩小至最小灰度差异仍发生变化,说明该第二疑似像素点为正常像素点,将其去除。遍历整个疑似缺陷区域后,正常像素点均被去除,则剩余的像素点均为缺陷像素点。
步骤S4:缺陷像素点构成缺陷定位区域;以缺陷定位区域内灰度三元组的种类数量作为缺陷种类数量;获得缺陷定位区域内灰度三元组出现的频数,根据频数获得缺陷分布概率;根据缺陷分布概率和缺陷种类数量获得缺陷信息熵;根据缺陷信息熵和缺陷种类数量获得损伤程度。
根据缺陷像素点位置进行连通域分析,获得的连通域构成缺陷定位区域。因为灰度三元组中包含灰度信息和概率信息,因此仍可以根据缺陷像素点的灰度三元组对缺陷的种类进行分析。
不同的灰度三元组类别位置说明在图像中此处存在不同的缺陷信息的灰度分布,即存在灰度梯度,对于不同种类的缺陷来说,会对应多个灰度梯度的层数,因此可通过灰度三元组的种类数量作为缺陷种类数量。灰度三元组中包含灰度信息和概率信息,对于概率信息相同灰度信息不同的两类灰度三元组,说明不同种类的缺陷导致了灰度信息存在差异;对于概率信息不同,灰度信息相同的两类灰度三元组,说明为相似灰度特征的两类缺陷构成的概率信息差异;对于概率信息不同且灰度信息不同的两类灰度三元组,说明为特征差异较大的两类缺陷。
进一步统计缺陷定位区域内每类所述灰度三元组出现的频数,以频数与缺陷定位区域内缺陷像素点数量的比值作为缺陷分布概率。根据缺陷分布概率和缺陷种类数量获得缺陷信息熵,具体通过陷信息熵公式获得缺陷信息熵。缺陷信息熵公式为:
其中,H为缺陷信息熵,Q为缺陷种类数量。pq为第q种缺陷种类对应的缺陷分布概率。缺陷信息熵反映了缺陷定位区域内因为灰度差异导致的纹理分布复杂度,缺陷种类数量反映了缺陷定位区域的纹理类别数,因此可根据缺陷信息熵和缺陷种类数量获得损伤程度,将缺陷信息熵和缺陷种类数量加权求和后获得损伤程度,即损伤程度为:其中,H为缺陷信息熵,Q为缺陷种类数量,ω1为缺陷信息熵对应的权重,ω2为缺陷种类数量对应的权重。在本发明实施例中,ω1=0.6,ω2=0.4,且获得损失程度后,将损伤程度归一化处理。
损伤程度能够体现出轴承在经过磨削加工后仍存在的缺陷信息,可根据损伤程度调整磨削加工余量的效果,提高轴承的加工质量。
综上所述,本发明实施例通过缺陷检测网络获得第一疑似缺陷像素点和缺陷像素点。获得第一疑似缺陷像素点的灰度三元组,根据相邻灰度三元组之间的灰度信息的变化筛选出第二疑似缺陷像素点。通过不断改变第二疑似像素点的邻域范围,判断第二疑似缺陷像素点的类别,将表示正常像素点的第二疑似像素点去除,获得完整的缺陷像素点。根据缺陷像素点的灰度三元组的分布信息和类别数量获得损伤程度。本发明实施例实现了缺陷位置的准确定位及分析。
本发明还提出了一种基于图像处理的轴承缺陷损伤程度评估系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于图像处理的轴承缺陷损伤程度评估方法的步骤。
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 (7)
1.一种基于图像处理的轴承缺陷损伤程度评估方法,其特征在于,所述方法包括:
获得轴承灰度图像;将所述轴承灰度图像送入预先训练好的缺陷检测网络中,输出缺陷概率分布图;以大于预设概率范围阈值的像素点作为缺陷像素点;在所述概率范围阈值内的像素点为第一疑似缺陷像素点;
根据所述第一疑似缺陷像素点位置获得疑似缺陷区域;根据预设邻域范围、预设遍历方向遍历整个所述疑似缺陷区域,获得第一疑似缺陷像素点在所述邻域范围内的灰度均值与概率均值;以所述第一疑似缺陷像素点的灰度值、对应的所述灰度均值和对应的所述概率均值构成灰度三元组;
以所述第一疑似缺陷像素点的灰度值和所述灰度均值的差异作为灰度差异;当相邻所述灰度三元组之间所述灰度差异发生变化但所述概率均值不变时,将对应的所述第一疑似缺陷像素点作为第二疑似缺陷像素点;不断减小所述第二疑似缺陷像素点的所述邻域范围,直至所述灰度差异和所述概率均值不发生变化,若仍然发生变化,则将所述第二疑似缺陷像素点去除;遍历整个所述疑似缺陷区域后,将剩余的像素点作为所述缺陷像素点;
所述缺陷像素点构成缺陷定位区域;以所述缺陷定位区域内所述灰度三元组的种类数量作为缺陷种类数量;获得所述缺陷定位区域内每类所述灰度三元组出现的频数,根据所述频数获得缺陷分布概率,根据所述缺陷分布概率和所述缺陷种类数量获得缺陷信息熵;根据所述缺陷信息熵和所述缺陷种类数量获得损伤程度。
2.根据权利要求1所述的一种基于图像处理的轴承缺陷损伤程度评估方法,其特征在于,所述根据预设邻域范围、预设遍历方向遍历整个所述疑似缺陷区域包括:
获得所述疑似缺陷区域内的峰值点,以所述峰值点为初始点,根据所述遍历方向和所述邻域范围获得所述灰度三元组。
3.根据权利要求1所述的一种基于图像处理的轴承缺陷损伤程度评估方法,其特征在于,所述不断减小所述第二疑似缺陷像素点的所述邻域范围包括:
沿着所述遍历方向将所述第二疑似缺陷像素点的所述邻域范围最边界的像素点按照预设缩小步长进行忽略。
4.根据权利要求1所述的一种基于图像处理的轴承缺陷损伤程度评估方法,其特征在于,所述根据所述频数获得缺陷分布概率包括:
以所述频数与所述缺陷定位区域内所述缺陷像素点数量的比值作为所述缺陷分布概率。
6.根据权利要求1所述的一种基于图像处理的轴承缺陷损伤程度评估方法,其特征在于,所述根据所述缺陷信息熵和所述缺陷种类数量获得损伤程度包括:
将所述缺陷信息熵和所述缺陷种类数量加权求和后获得所述损伤程度。
7.一种基于图像处理的轴承缺陷损伤程度评估系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346785.2A CN114782329A (zh) | 2022-03-31 | 2022-03-31 | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346785.2A CN114782329A (zh) | 2022-03-31 | 2022-03-31 | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782329A true CN114782329A (zh) | 2022-07-22 |
Family
ID=82428198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210346785.2A Pending CN114782329A (zh) | 2022-03-31 | 2022-03-31 | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782329A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
CN115115642A (zh) * | 2022-08-30 | 2022-09-27 | 启东万惠机械制造有限公司 | 基于图像处理的带钢结疤缺陷检测方法 |
CN115272304A (zh) * | 2022-09-26 | 2022-11-01 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和系统 |
CN115272347A (zh) * | 2022-09-30 | 2022-11-01 | 中威泵业(江苏)有限公司 | 一种轴承缺陷识别方法 |
CN115601365A (zh) * | 2022-12-15 | 2023-01-13 | 无锡康贝电子设备有限公司(Cn) | 用于数控机床的轴承检测方法 |
CN116758061A (zh) * | 2023-08-11 | 2023-09-15 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
-
2022
- 2022-03-31 CN CN202210346785.2A patent/CN114782329A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
CN115115642A (zh) * | 2022-08-30 | 2022-09-27 | 启东万惠机械制造有限公司 | 基于图像处理的带钢结疤缺陷检测方法 |
CN115272304A (zh) * | 2022-09-26 | 2022-11-01 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和系统 |
CN115272304B (zh) * | 2022-09-26 | 2022-12-09 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和系统 |
CN115272347A (zh) * | 2022-09-30 | 2022-11-01 | 中威泵业(江苏)有限公司 | 一种轴承缺陷识别方法 |
CN115601365A (zh) * | 2022-12-15 | 2023-01-13 | 无锡康贝电子设备有限公司(Cn) | 用于数控机床的轴承检测方法 |
CN115601365B (zh) * | 2022-12-15 | 2023-03-14 | 无锡康贝电子设备有限公司 | 用于数控机床的轴承检测方法 |
CN116758061A (zh) * | 2023-08-11 | 2023-09-15 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
CN116758061B (zh) * | 2023-08-11 | 2023-10-31 | 山东优奭趸泵业科技有限公司 | 基于计算机视觉的铸件表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114529549B (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN110288566B (zh) | 一种目标缺陷提取方法 | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
CN116805416A (zh) | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN113256608B (zh) | 工件缺陷检测方法和装置 | |
CN114821158A (zh) | 一种基于图像处理的干枣质量分类方法及系统 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
US7646892B2 (en) | Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium | |
CN115797327A (zh) | 一种缺陷检测方法、装置、终端设备及存储介质 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220722 |