CN114820493A - 一种制孔导致的复合材料孔口劈裂检测方法 - Google Patents
一种制孔导致的复合材料孔口劈裂检测方法 Download PDFInfo
- Publication number
- CN114820493A CN114820493A CN202210406992.2A CN202210406992A CN114820493A CN 114820493 A CN114820493 A CN 114820493A CN 202210406992 A CN202210406992 A CN 202210406992A CN 114820493 A CN114820493 A CN 114820493A
- Authority
- CN
- China
- Prior art keywords
- image
- hole
- edge
- composite material
- splitting
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 30
- 238000003776 cleavage reaction Methods 0.000 claims description 17
- 230000007017 scission Effects 0.000 claims description 17
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000009776 industrial production Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000004918 carbon fiber reinforced polymer Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012795 verification 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
- G06T7/11—Region-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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
Abstract
本发明公开了一种制孔导致的复合材料孔口劈裂检测方法,包括以下步骤:步骤一,获取图像;步骤二,二值化处理;步骤三,提取内孔边缘轮廓坐标;步骤四,获取内孔边缘的圆心与半径;步骤五,噪点清理;步骤六,图像形态学处理;步骤七,提取孔劈裂区域的边缘轮廓坐标;步骤八,孔口最大径向劈裂获取;其中在上述步骤一中,每一个孔,采集两张图像;其中在上述步骤二中,对采集到的无底光图像与有底光图像进行布尔运算,获得主要信息仅为内孔的图像IC,IC=IB‑IA;对图像IC以150/256为阈值进行二值化,获得二值图I'C;该复合材料孔口劈裂检测方法,提高了对复合材料孔口劈裂的检测数据处理效率以及劈裂识别准确率,同时降低了生产成本,且满足了复杂的工业生产现场。
Description
技术领域
本发明涉及机械加工过程监测技术领域,具体为一种制孔导致的复合材料孔口劈裂检测方法。
背景技术
复合材料叠层构件由于其优异的力学性能与轻量化的特点,在商用飞机上被广泛的使用。这些构件具有承担载荷和保证结构强度与稳定性的重要作用。据统计,飞机机体疲劳失效事故的70%是源于结构连接部位,其中80%的的疲劳裂纹出现在连接孔处。因此高质量的装配孔是保障飞机的安全性的重要因素之一。然而,由于复合材料其铺层之间的各向异性和较低的连接强度,使得磨损后的刀具很难在切削过程中保证孔的质量,甚至可能导致复材出现毛刺、撕裂、烧伤和铺层分层等缺陷,进而影响构件的可靠性。此外,由于复合材料造价昂贵,加工缺陷导致整个构件的报废也会带来巨大的经济损失。因此对复合材料叠层构件的制孔过程中导致的劈裂缺陷进行定量检测具有重要意义。
视觉技术为复合材料的孔口劈裂提供了一种同时兼具快速性与经济性的检测方法。基于视觉的劈裂检测技术主要包括光学显微镜与数码摄影两大类。光学显微镜分辨率高,然而,它们的可视范围很小,并且不能用于快速检测。因此,数码摄影成为快速劈裂检测的不二之选。文献(Automated vision-based inspection of drilled CFRP compositesusingmulti-light imaging and deep learning.)中,提出了一种孔口劈裂检测方法,该方法从多个角度轮流提供光照以实现不同光照下的孔口图像获取,然后进行图像融合检测。该方法需要多光源作为执行元件硬件成本与同时需要对光源与相机进行时序控制因此控制成本高。文献(Image Analysis Quality Assessment of CFRP Drilled Holequality assessment.)中,提出了一种基于数字图像的空孔口质量检测方法,然而该方法需要以RGB图像作为原始图像,因此原始图像质量要求高不适用于光照等条件复杂的工业生产现场。
发明内容
本发明的目的在于提供一种制孔导致的复合材料孔口劈裂检测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种制孔导致的复合材料孔口劈裂检测方法,包括以下步骤:步骤一,获取图像;步骤二,二值化处理;步骤三,提取内孔边缘轮廓坐标;步骤四,获取内孔边缘的圆心与半径;步骤五,噪点清理;步骤六,图像形态学处理;步骤七,提取孔劈裂区域的边缘轮廓坐标;步骤八,孔口最大径向劈裂获取;
其中在上述步骤一中,每一个孔,采集两张图像;
其中在上述步骤二中,对采集到的无底光图像与有底光图像进行布尔运算,获得主要信息仅为内孔的图像IC,IC=IB-IA;对图像IC以150/256为阈值进行二值化,获得二值图I'C;
其中在上述步骤三中,基于二值图,利用Canny边缘检测算法提取内孔的边缘轮廓坐标(Xh,Yh);
其中在上述步骤四中,基于边缘轮廓坐标(Xh,Yh),利用普拉特方法进行最小二乘平面圆拟合,获取内孔边缘的圆心Oh与半径Rh;
其中在上述步骤五中,对有底光图像IB进行二值化获得二值图像I'B,分割阈值为150/256,然后从二值图像中移除相互连接像素个数小于n的噪点像素团,实现图像的小面积噪点清理,获得图像I”B;
其中在上述步骤七中,基于图像IB 4,利用Canny边缘检测算法提取孔劈裂区域的边缘轮廓坐标(Xp,Yp);
其中在上述步骤八中,基于劈裂区域的边缘轮廓坐标(Xp,Yp)与取内孔圆心Oh,获取劈裂最远点该点使得劈裂区域的边缘轮廓坐标与取内孔圆心之间的距离取得最大值Lhp,然后计算出最大值Lhp与内孔半径Rh之间的差值|Lhp-Rh|,即为劈裂的在图像中的最大径向长度(用像素表示),最后已经标定出的像素与实际长度的换算系数,即可获得劈裂在世界坐标系中的实际长度。
优选的,所述步骤一中,一张采集无底光图像IA时,孔下表面无照明,上表面有照明;另一张采集有底光图像IB时,孔下表面有照明,上表面有照明。
优选的,所述步骤二中,IC中灰度值小于150的像素变为0,灰度值大于150的像素变为255。
优选的,所述步骤三中,Canny边缘检测算法主要包含以下四个步骤:1)对图像进行高斯滤波,使图像平滑以增加边缘宽度;2)计算图像中像素的梯度值与梯度方向;3)过滤在梯度方向上梯度值非最大的像素点;4)基于上下阈值进行边缘确定,本发明中Canny算法上下阈值分别为0.0156,0.0063。
优选的,所述步骤六中,第一次闭操作时,首先构建长度为L,角度为D的直线型结构元A,然后利用结构元A对图像I'B进行闭操作,即先膨胀,再腐蚀,第二次闭操作时,首先构建半径为R的圆形结构元B,然后再利用结构元B对图像I'B进行闭操作。
优选的,所述步骤七中,所使用的Canny边缘检测算法参数与步骤三一致。
与现有技术相比,本发明的有益效果是:该发明,首先,对采集到的灰度图像的内孔进行处理以获取内孔以像素所表示的圆心于半径;然后,利用采集到的灰度图像对孔口周边的劈裂区域进行处理,以获得孔口的周边外延的边缘信息;接着基于孔口边缘信息于内孔信息获得径向最大劈裂量;最后将劈裂量的像素值通过相机的标定信息换算为世界坐标系中的长度值;通过该方法进行处理,提高了对复合材料孔口劈裂的检测数据处理效率以及劈裂识别准确率,同时降低了生产成本,且满足了复杂的工业生产现场。
附图说明
图1为本发明所提出的复材孔口劈裂检测方法流程图;
图2为本发明中所提到的图像采集方案与所采集到的图像示例图;
图3为实施案例1各步骤实施效果图;
图4为本发明中的6个案例的实施结果图;
图5为本发明中的方法步骤流程图。
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。
请参阅图1-5,本发明提供的一种实施例:一种制孔导致的复合材料孔口劈裂检测方法,包括以下步骤:步骤一,获取图像;步骤二,二值化处理;步骤三,提取内孔边缘轮廓坐标;步骤四,获取内孔边缘的圆心与半径;步骤五,噪点清理;步骤六,图像形态学处理;步骤七,提取孔劈裂区域的边缘轮廓坐标;步骤八,孔口最大径向劈裂获取;
其中在上述步骤一中,每一个孔,采集两张图像;采集硬件条件如图2(a)所示,一张采集无底光图像IA时,孔下表面无照明,上表面有照明,采集到的图像如图2(b);另一种采集有底光图像IB时,孔下表面有照明,上表面有照明,采集到的图像如图2(c);
其中在上述步骤二中,对采集到的无底光图像与有底光图像进行布尔运算,获得主要信息仅为内孔的图像IC,IC=IB-IA;对图像IC以150/256为阈值进行二值化,获得二值图I'C,即IC中灰度值小于150的像素变为0,灰度值大于150的像素变为255;
其中在上述步骤三中,基于二值图,利用Canny边缘检测算法提取内孔的边缘轮廓坐标(Xh,Yh);Canny边缘检测算法主要包含以下四个步骤:1)对图像进行高斯滤波,使图像平滑以增加边缘宽度;2)计算图像中像素的梯度值与梯度方向;3)过滤在梯度方向上梯度值非最大的像素点;4)基于上下阈值进行边缘确定,本发明中Canny算法上下阈值分别为0.0156,0.0063;
其中在上述步骤四中,基于边缘轮廓坐标(Xh,Yh),利用普拉特方法进行最小二乘平面圆拟合,获取内孔边缘的圆心Oh与半径Rh;
其中在上述步骤五中,对有底光图像IB进行二值化获得二值图像I'B,分割阈值为150/256,然后从二值图像中移除相互连接像素个数小于n的噪点像素团,实现图像的小面积噪点清理,获得图像I”B;
其中在上述步骤六中,对图像I”B进行两次闭操作,获取边缘平滑后的图像第一次闭操作时,首先构建长度为L,角度为D的直线型结构元A,然后利用结构元A对图像I'B进行闭操作,即先膨胀,再腐蚀,第二次闭操作时,首先构建半径为R的圆形结构元B,然后再利用结构元B对图像I'B进行闭操作;
其中在上述步骤七中,基于图像IB 4,利用Canny边缘检测算法提取孔劈裂区域的边缘轮廓坐标(Xp,Yp),该步骤所使用的Canny边缘检测算法参数与步骤三一致;
其中在上述步骤八中,基于劈裂区域的边缘轮廓坐标(Xp,Yp)与取内孔圆心Oh,获取劈裂最远点该点使得劈裂区域的边缘轮廓坐标与取内孔圆心之间的距离取得最大值Lhp,然后计算出最大值Lhp与内孔半径Rh之间的差值|Lhp-Rh|,即为劈裂的在图像中的最大径向长度(用像素表示),最后已经标定出的像素与实际长度的换算系数,即可获得劈裂在世界坐标系中的实际长度。
为了更实际的说明本发明的实施效果,我们通过实验对提出的方法进行了验证;我们通过一个实施案例详细阐述了本发明各步骤的实施效果;通过多个案例的实施结果进一步证明了本发明所提出方法的准确性与鲁棒性:
如图3所示为案例1,以说明各步骤实施效果;图中IA为无底光图像,IB为有底光图像,IC为IA,IB布尔运算后图像,I′C为对IC二值化后图像,I″C为基于二值图像I′C所提取的内孔边缘图像,为依据内孔边缘IC所拟合的内孔圆边与圆心;I′B为对IB二值化后图像,I″B为对二值图IB中的小面积噪声进行清理后的图像,为对I″B利用线结构元进行开操作后图像,为对利用圆结构元进行开操作后的图像,为基于图像所提取的孔外沿边缘图像;ICB为基于内孔处理与外沿处理的联合获取结果,图中,内圈红色细线为孔内径边缘,绿色内圈为平均孔内径,蓝色外圈线为孔劈裂外轮廓,红色点为外沿最大值点(即劈裂最大值点),绿色点为孔内径圆心;图中可以看出本发明能有效提取出劈裂最大值点。
图4为6个案例的实施结果,从图中可以得知提出方法具有很高的鲁棒性与有效性;检测出的劈裂长度分别为1(1.318mm),2(2.259mm),3(1.843mm),4(2.498mm),5(2.249mm),6(2.460mm)。
基于上述,本发明的优点在于,该发明使用时,对复合材料孔口劈裂的检测具有很高的数据处理效率与劈裂识别准确率;同时基于对实际生产中的信号的验证,本发明所提出的方法具有很高的鲁棒性,因此十分适合研究复合材料制孔的高等院校,科研院所与航空航天飞行器制造企业;对大飞机制造过程的质量监测具有十分重要的学术研究的意义与工程实践价值。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (6)
1.一种制孔导致的复合材料孔口劈裂检测方法,包括以下步骤:步骤一,获取图像;步骤二,二值化处理;步骤三,提取内孔边缘轮廓坐标;步骤四,获取内孔边缘的圆心与半径;步骤五,噪点清理;步骤六,图像形态学处理;步骤七,提取孔劈裂区域的边缘轮廓坐标;步骤八,孔口最大径向劈裂获取;其特征在于:
其中在上述步骤一中,每一个孔,采集两张图像;
其中在上述步骤二中,对采集到的无底光图像与有底光图像进行布尔运算,获得主要信息仅为内孔的图像IC,IC=IB-IA;对图像IC以150/256为阈值进行二值化,获得二值图I'C;
其中在上述步骤三中,基于二值图,利用Canny边缘检测算法提取内孔的边缘轮廓坐标(Xh,Yh);
其中在上述步骤四中,基于边缘轮廓坐标(Xh,Yh),利用普拉特方法进行最小二乘平面圆拟合,获取内孔边缘的圆心Oh与半径Rh;
其中在上述步骤五中,对有底光图像IB进行二值化获得二值图像I'B,分割阈值为150/256,然后从二值图像中移除相互连接像素个数小于n的噪点像素团,实现图像的小面积噪点清理,获得图像I″B;
其中在上述步骤七中,基于图像IB 4,利用Canny边缘检测算法提取孔劈裂区域的边缘轮廓坐标(Xp,Yp);
2.根据权利要求1所述的一种制孔导致的复合材料孔口劈裂检测方法,其特征在于:所述步骤一中,一张采集无底光图像IA时,孔下表面无照明,上表面有照明;另一张采集有底光图像IB时,孔下表面有照明,上表面有照明。
3.根据权利要求1所述的一种制孔导致的复合材料孔口劈裂检测方法,其特征在于:所述步骤二中,IC中灰度值小于150的像素变为0,灰度值大于150的像素变为255。
4.根据权利要求1所述的一种制孔导致的复合材料孔口劈裂检测方法,其特征在于:所述步骤三中,Canny边缘检测算法主要包含以下四个步骤:1)对图像进行高斯滤波,使图像平滑以增加边缘宽度;2)计算图像中像素的梯度值与梯度方向;3)过滤在梯度方向上梯度值非最大的像素点;4)基于上下阈值进行边缘确定,本发明中Canny算法上下阈值分别为0.0156,0.0063。
6.根据权利要求1所述的一种制孔导致的复合材料孔口劈裂检测方法,其特征在于:所述步骤七中,所使用的Canny边缘检测算法参数与步骤三一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406992.2A CN114820493B (zh) | 2022-04-15 | 2022-04-15 | 一种制孔导致的复合材料孔口劈裂检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406992.2A CN114820493B (zh) | 2022-04-15 | 2022-04-15 | 一种制孔导致的复合材料孔口劈裂检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820493A true CN114820493A (zh) | 2022-07-29 |
CN114820493B CN114820493B (zh) | 2023-08-22 |
Family
ID=82536894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210406992.2A Active CN114820493B (zh) | 2022-04-15 | 2022-04-15 | 一种制孔导致的复合材料孔口劈裂检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820493B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228775A (zh) * | 2023-05-10 | 2023-06-06 | 实德电气集团有限公司 | 基于机器视觉的接触器完整性检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001324431A (ja) * | 2000-05-16 | 2001-11-22 | Fukuoka Prefecture | 板状部材のき裂検知方法 |
JP2013002839A (ja) * | 2011-06-13 | 2013-01-07 | Taisei Corp | ひび割れ検出方法 |
CN103993548A (zh) * | 2014-05-07 | 2014-08-20 | 长安大学 | 基于多台相机立体拍摄的路面损坏裂缝检测系统及方法 |
CN105334219A (zh) * | 2015-09-16 | 2016-02-17 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
CN106501038A (zh) * | 2016-10-20 | 2017-03-15 | 中国船舶科学研究中心(中国船舶重工集团公司第七0二研究所) | 表面预制裂纹深度的无损测量方法 |
CN109671052A (zh) * | 2018-11-16 | 2019-04-23 | 华南理工大学 | 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法 |
CN111256594A (zh) * | 2020-01-18 | 2020-06-09 | 中国人民解放军国防科技大学 | 一种飞机蒙皮表面状态物理特征的测量方法 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
CN114066808A (zh) * | 2021-10-11 | 2022-02-18 | 内蒙古科技大学 | 一种基于深度学习的路面缺陷检测方法及系统 |
-
2022
- 2022-04-15 CN CN202210406992.2A patent/CN114820493B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001324431A (ja) * | 2000-05-16 | 2001-11-22 | Fukuoka Prefecture | 板状部材のき裂検知方法 |
JP2013002839A (ja) * | 2011-06-13 | 2013-01-07 | Taisei Corp | ひび割れ検出方法 |
CN103993548A (zh) * | 2014-05-07 | 2014-08-20 | 长安大学 | 基于多台相机立体拍摄的路面损坏裂缝检测系统及方法 |
CN105334219A (zh) * | 2015-09-16 | 2016-02-17 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
CN106501038A (zh) * | 2016-10-20 | 2017-03-15 | 中国船舶科学研究中心(中国船舶重工集团公司第七0二研究所) | 表面预制裂纹深度的无损测量方法 |
CN109671052A (zh) * | 2018-11-16 | 2019-04-23 | 华南理工大学 | 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法 |
CN111256594A (zh) * | 2020-01-18 | 2020-06-09 | 中国人民解放军国防科技大学 | 一种飞机蒙皮表面状态物理特征的测量方法 |
CN114066808A (zh) * | 2021-10-11 | 2022-02-18 | 内蒙古科技大学 | 一种基于深度学习的路面缺陷检测方法及系统 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
Non-Patent Citations (4)
Title |
---|
WENZHANG ZHOU 等: "Sparse Haar-Like Feature and Image Similarity-Based Detection Algorithm for Circular Hole of Engine Cylinder Head", vol. 8, no. 10, pages 1 - 13 * |
孙慧贤 等: "航空发动机篦齿盘表面裂纹的视觉检测", vol. 17, no. 05, pages 1187 - 1195 * |
李华 等: "基于规则的航空发动机孔探图像诊断方法研究", vol. 41, no. 03, pages 97 - 102 * |
汪奔 等: "基于XFEM的混凝土保护层锈胀裂纹分析", vol. 45, no. 02, pages 161 - 166 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228775A (zh) * | 2023-05-10 | 2023-06-06 | 实德电气集团有限公司 | 基于机器视觉的接触器完整性检测方法 |
CN116228775B (zh) * | 2023-05-10 | 2023-07-04 | 实德电气集团有限公司 | 基于机器视觉的接触器完整性检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114820493B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dorafshan et al. | Automatic surface crack detection in concrete structures using OTSU thresholding and morphological operations | |
CN112037219B (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN114627118A (zh) | 一种光纤电缆绝缘缺陷识别方法和系统 | |
CN112308826B (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
CN113538503B (zh) | 一种基于红外图像的太阳能板缺陷检测方法 | |
CN113298757A (zh) | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 | |
Ali et al. | Pavement crack detection and localization using convolutional neural networks (CNNs) | |
CN108647593A (zh) | 基于图像处理和svm的无人机路面破损分类检测方法 | |
CN110008833B (zh) | 基于光学遥感图像的目标船只检测方法 | |
Shire et al. | Plain ceramic tiles surface defect detection using image processing | |
CN110555831A (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN114820493A (zh) | 一种制孔导致的复合材料孔口劈裂检测方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
Mirbod et al. | Intelligent concrete surface cracks detection using computer vision, pattern recognition, and artificial neural networks | |
Tang et al. | Surface inspection system of steel strip based on machine vision | |
CN111161228A (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
CN116718599A (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
CN116342496A (zh) | 一种用于智能巡检的异常物体检测方法和系统 | |
Tsai et al. | Saw-Mark Defect Detection in Heterogeneous Solar Wafer Images using GAN-based Training Samples Generation and CNN Classification. | |
Aswini et al. | Mathematical morphology and bottom-hat filtering approach for crack detection on relay surfaces | |
CN111899221B (zh) | 一种面向外观缺陷检测的自迁移学习方法 | |
CN104504702A (zh) | 基于方格搜索法的水泥刻槽路面裂缝识别方法 | |
CN113298857A (zh) | 一种基于神经网络融合策略的轴承缺陷检测方法 |
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 |