CN114842017A - 一种hdmi线缆表面质量检测方法及系统 - Google Patents

一种hdmi线缆表面质量检测方法及系统 Download PDF

Info

Publication number
CN114842017A
CN114842017A CN202210784687.7A CN202210784687A CN114842017A CN 114842017 A CN114842017 A CN 114842017A CN 202210784687 A CN202210784687 A CN 202210784687A CN 114842017 A CN114842017 A CN 114842017A
Authority
CN
China
Prior art keywords
defect
gray
point
area
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
Application number
CN202210784687.7A
Other languages
English (en)
Other versions
CN114842017B (zh
Inventor
李光鲁
李光喜
蒋福旭
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.)
Jining Haifu Electronic Technology Co Ltd
Original Assignee
Jining Haifu Electronic Technology 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 Jining Haifu Electronic Technology Co Ltd filed Critical Jining Haifu Electronic Technology Co Ltd
Priority to CN202210784687.7A priority Critical patent/CN114842017B/zh
Publication of CN114842017A publication Critical patent/CN114842017A/zh
Application granted granted Critical
Publication of CN114842017B publication Critical patent/CN114842017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种HDMI线缆表面质量检测方法及系统，该方法采集HDMI线缆表面的图像；识别灰度图像中的线缆区域，基于灰度图像中每个像素点的自适应窗口对灰度图像进行滤波处理，然后利用差分法获取缺陷区域；获取每个缺陷区域的致密性、角度变化次数、角度相似性以及偏移程度组成特征向量；基于缺陷区域的深度信息和面积计算每个缺陷区域的危害程度；基于特征向量将每个缺陷区域分类，得到对应的缺陷；基于每种缺陷内所有缺陷区域的危害程度评估HDMI线缆表面的质量。本发明能够通过对HDMI线缆表面图像进行图像处理，快速地自动检测出线缆表面的缺陷，完成质量检测。

Description

一种HDMI线缆表面质量检测方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种HDMI线缆表面质量检测方法及系统。
背景技术
HDMI线是指高清晰多媒体接口线，能够高品质地传输未经压缩的高清视频和多声道音频数据，并且传输速度高。同时无需在信号传送前进行信号转换，可以保证最高质量的影音信号传送。
随着音视频行业技术的不断发展，人们对于视频图像品质的要求越来越高，其中HDMI视频传输因其强大的普及性和布线的简易性在音视频传输领域不可或缺。而HDMI线的表面质量影响着HDMI线的质量、使用寿命与安全程度，因此表面质量检测尤为重要，传统的HDMI表面质量检测往往通过人工目测和手触判断进行检测，受检测人的主观因素影响，漏检率和误检率极高，成本较高。
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HDMI线缆表面质量检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种HDMI线缆表面质量检测方法，该方法包括以下步骤：
采集HDMI线缆表面的表面图像和深度图像，对表面图像进行灰度化得到灰度图像，基于深度图像获取每个像素点的深度信息；
识别所述灰度图像中的线缆区域，基于灰度图像中每个像素点的自适应窗口对灰度图像进行滤波处理，然后利用差分法获取缺陷区域；
提取每个缺陷区域的缺陷边缘，根据缺陷边缘的长度和对应的缺陷区域的面积获取每个缺陷区域的致密性；记录每条缺陷边缘的角度变化次数；根据相邻角度的差异获取每条缺陷边缘的角度相似性；获取每个缺陷区域的灰度中心点和对称中心点，以灰度中心点和对称中心点之间的距离的归一化结果作为缺陷区域的偏移程度；
基于缺陷区域的深度信息和面积计算每个缺陷区域的危害程度；由每个缺陷区域的致密性、角度变化次数、角度相似性以及偏移程度组成缺陷区域的特征向量，基于特征向量将每个缺陷区域分类，得到对应的缺陷；基于每种缺陷内所有缺陷区域的危害程度评估HDMI线缆表面的质量。
优选的，所述线缆区域的识别方法为：
对所述灰度图像进行边缘检测，得到边缘像素点，在边缘像素点中筛选出准直线像素点，进行霍夫直线检测，得到灰度图像中的直线，两条直线之间的区域为所述线缆区域。
优选的，所述基于灰度图像中每个像素点的自适应窗口对灰度图像进行滤波，包括：
以每个像素点为中心点划分一个预设尺寸的方形区域，根据该方形区域内的像素值获取像素点的缺陷程度，基于缺陷程度获取像素点的自适应窗口的大小；
对于每个像素点，在对应的自适应窗口中进行滤波处理，得到每个像素点的新像素值。
优选的，所述角度变化次数的获取方法为：
在每条缺陷边缘上均匀选取多个采样点，获取相邻采样点形成的直线与水平方向之间的夹角，选取一个方向对缺陷边缘进行遍历，当夹角发生变化时，次数增加一次，直至遍历整条缺陷边缘，得到所述角度变化次数。
优选的，所述角度相似性的获取方法为：
计算每两个相邻夹角之间的角度差的绝对值，作为预设值的负指数，得到相邻相似性，所有相邻相似性的加和结果为所述角度相似性。
优选的，所述灰度中心点的获取步骤包括：
将处于同一水平线上的采样点连接形成一条穿过缺陷区域的水平线段，根据水平线段上的灰度值获取每条水平线段的第一灰度平分点，对所有第一灰度平分点进行拟合形成第一曲线；
将处于同一竖直线上的采样点连接形成一条穿过缺陷区域的竖直线段，根据竖直线段上的灰度值获取每条竖直线段的第二灰度平分点，对所有第二灰度平分点进行拟合形成第二曲线；
以第一曲线和第二曲线的交点作为缺陷区域的灰度中心点。
优选的，所述危害程度的获取方法为：
计算每个缺陷区域中所有像素点的深度信息的平均值作为缺陷区域的平均深度，以缺陷区域的面积和对应的所述平均深度的乘积作为所述危害程度。
优选的，所述线缆表面的质量的评估方法为：
获取每一种缺陷包含的所有缺陷区域的所述危害程度的和作为对应缺陷的缺陷危害，对每种缺陷赋予一个权重，计算所有缺陷危害的加权求和结果，对线缆表面的质量进行评估。
优选的，所述第一灰度平分点的获取方法为：
获取水平线段的中点，分别计算在水平线段上位于中点两侧的像素点的灰度值之和，将两侧的灰度值之和相减得到灰度差异，当灰度差异不为零时，将中点向灰度值之和更大的一侧移动，再次计算两侧的灰度差异，直至灰度差异为零或者最小时，停止移动，得到所述第一灰度平分点。
第二方面，本发明另一个实施例提供了一种HDMI线缆表面质量检测系统，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上述一种HDMI线缆表面质量检测方法的步骤。
本发明实施例至少具有如下有益效果：
1、提取HDMI线表面图像中的缺陷区域，依据缺陷区域的特征对缺陷区域进行分类，再根据分类结果以及危害程度评估HDMI线表面质量。本发明能够通过对HDMI线缆表面图像进行图像处理，快速地自动检测出线缆表面的缺陷，完成质量检测。
2、通过自适应滤波抑制了光照不均、颜色不均等引起的干扰，再结合差分法检测缺陷区域能够更有效地凸显出缺陷特征，便于缺陷的分类与识别。
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提供的一种HDMI线缆表面质量检测方法的步骤流程图；
图2为本发明一个实施例提供的一种采样点示意图；
图3为本发明一个实施例提供的另一种采样点示意图。
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HDMI线缆表面质量检测方法及系统，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HDMI线缆表面质量检测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HDMI线缆表面质量检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集HDMI线缆表面的表面图像和深度图像，对表面图像进行灰度化得到灰度图像，基于深度图像获取每个像素点的深度信息。
具体的步骤包括：
1、图像采集。
通过高分辨率深度相机，采集HDMI线缆表面的图像，采集的图像为RGB-D图像。RGB三通道彩色图像为表面图像，Depth图像为深度图像，Depth图像的每个像素值是深度相机距离物体的实际距离，RGB图像和Depth图像是配准的，因而像素点之间一一对应。
采集图像时，线缆伸直，根据实际采集设备的视野大小分段采集HDMI线缆表面的图像。
2、图像处理。
通过加权灰度化的方法对表面图像进行灰度化处理，得到灰度图像；每个像素点距相机的距离h即为每个像素点的深度信息。
需要说明的是，灰度化的方法有多种，在其他实施例中还可以采用最大值法、平均值法等其他能够达到相同效果的灰度化方法。
步骤S002，识别灰度图像中的线缆区域，基于灰度图像中每个像素点的自适应窗口对灰度图像进行滤波处理，然后利用差分法获取缺陷区域。
具体的步骤包括：
1、识别灰度图像中的线缆区域。
对灰度图像进行边缘检测，得到边缘像素点，在边缘像素点中筛选出准直线像素点，进行霍夫直线检测，得到灰度图像中的直线，两条直线之间的区域为线缆区域。
首先灰度图像进行canny算子检测，获取边缘像素点。
如果直接对图像中的边缘像素点进行计算，计算量大，且检测效果不够准确，因此本发明实施例首先对边缘像素点进行筛选，通过计算边缘像素点进行霍夫直线检测的必要性b筛选出准直线像素点，再进行直线检测。
边缘像素点是组成连续边缘的点，不是孤立点，因此每个边缘像素点中至少存在两个其他边缘像素点。对于每个边缘像素点，以边缘像素点A为例，获取边缘像素点A的3×3邻域中的其他边缘像素点，假设边缘像素点A的3×3邻域中的其他边缘像素点有两个，记为B点和C点，计算A点与B点之间的角度
Figure 139416DEST_PATH_IMAGE001
：
Figure 989647DEST_PATH_IMAGE002
其中，
Figure 300542DEST_PATH_IMAGE003
表示边缘像素点A点的坐标，
Figure 102276DEST_PATH_IMAGE004
表示边缘像素点B点的坐标。
以同样的方法得到A点与C点之间的角度
Figure 447807DEST_PATH_IMAGE005
：
Figure 926062DEST_PATH_IMAGE006
其中，
Figure 724253DEST_PATH_IMAGE007
表示边缘像素点C点的坐标。
基于
Figure 329678DEST_PATH_IMAGE008
和
Figure 529715DEST_PATH_IMAGE009
之间的角度差异可计算边缘像素点A进行霍夫直线检测的必要性b：
Figure 178871DEST_PATH_IMAGE010
当边缘像素点A的3×3邻域中的其他边缘像素点数量大于2时，计算边缘像素点A邻域中的每个其他边缘像素点与边缘像素点A之间的角度，并将每两个角度作差求绝对值，再将所有绝对值加和，作为自然常数e的负指数，得到边缘像素点A进行霍夫直线检测的必要性b。
例如，边缘像素点A的3×3邻域中的其他边缘像素点有3个，记为B点、C点和D点，则边缘像素点A进行霍夫直线检测的必要性b为：
Figure 605305DEST_PATH_IMAGE011
。
角度差异越小，说明该像素点越可能为直线上的像素点，则越有必要进行霍夫直线检测。设置阈值T，若必要性b大于阈值T则说明该像素点为准直线像素点，需进行霍夫直线检测，否则不需要检测。
作为一个示例，本发明实施例中阈值T=0.9。
对所有准直线像素点进行霍夫直线检测后，得到图像上的直线，两条直线之间的区域则为线缆区域。
2、基于灰度图像中每个像素点的自适应窗口对灰度图像进行滤波处理。
每个像素点为中心点划分一个预设尺寸的方形区域，根据该方形区域内的像素值获取像素点的缺陷程度，基于缺陷程度获取像素点的自适应窗口的大小；对于每个像素点，在对应的自适应窗口中进行滤波处理，得到每个像素点的新像素值。
以第i个像素点为例，以i为中心点划分一个预设尺寸的方形区域
Figure 873475DEST_PATH_IMAGE012
，获取方形区域内的像素灰度的标准差
Figure 52652DEST_PATH_IMAGE013
，作为第i个像素点的缺陷程度。
需要说明的是，本发明实施例中的预设尺寸为5×5。
缺陷区域往往包含了较多的纹理等局部特征，像素灰度变化较为剧烈，标准差
Figure 13655DEST_PATH_IMAGE013
越大，越可能是缺陷区域。
基于缺陷程度获取第i个像素点的自适应滤波窗口N的大小：
Figure 661805DEST_PATH_IMAGE014
当缺陷程度大于缺陷阈值
Figure 468087DEST_PATH_IMAGE015
时，第i个像素点更可能是缺陷像素点，需要更大的窗口进行滤波处理。
作为一个示例，本发明实施例中缺陷阈值
Figure 32930DEST_PATH_IMAGE016
。
以每个像素点为中心，划分对应大小的窗口，对每个像素点进行滤波处理，同样以第i个像素点为例：
Figure 899254DEST_PATH_IMAGE017
其中，
Figure 300280DEST_PATH_IMAGE018
表示第i个像素点滤波处理后的像素值，
Figure 34887DEST_PATH_IMAGE019
表示第i个像素点的窗口内，第j个像素点的灰度值，
Figure 64022DEST_PATH_IMAGE020
表示
Figure 507773DEST_PATH_IMAGE021
的权重系数。
权重系数
Figure 989570DEST_PATH_IMAGE020
的计算公式为：
Figure 527868DEST_PATH_IMAGE022
其中，
Figure 411510DEST_PATH_IMAGE023
表示灰度相似函数，值域为[0,1]，计算公式如下：
Figure 760583DEST_PATH_IMAGE024
其中，
Figure 729676DEST_PATH_IMAGE025
表示第i个像素点的灰度值，
Figure 71665DEST_PATH_IMAGE026
为高斯核函数的标准差，n为预设常数，
Figure 950759DEST_PATH_IMAGE027
表示以自然常数e为底数的指数函数。
高斯核函数为第i个像素点的窗口内每个像素点到中心点，即第i个像素点的欧氏距离的单调函数。
需要说明的是，n值可以增大邻域内所有像素的权重因子，适当的n值可以减少噪声，在本发明实施例中，n的值为2。
所有像素值经过上述处理后，组成一张新的图像，滤波后的图像能够有效凸显缺陷特征，对缺陷边缘进行平滑处理，抑制外界干扰，同时也使无缺陷缆面趋近于原图像。
缺陷边缘都与周围非缺陷缆面存在较大的灰度差异，而上述过程改进了双边滤波加权平均时的权重系数，使邻域内与中心点灰度相差较大的像素获取了更大的权重，从而使缺陷边缘被较大程度地平滑，同时保证了无缺陷线区域的正常。
3、利用差分法获取缺陷区域。
通常线缆表面缺陷在图像中呈稀疏分布，占整幅图的比例很小，且不同缺陷边缘的灰度具有一定的随机性，很难在灰度信息上确定一个合适的阈值对图像进行阈值分割。故本发明中使用图像差分法提取缺陷区域，将处理后的图像与背景图像相减，得到差分图像M。
在差分图像中，高灰度部分几乎都为缺陷区域，低灰度部分为正常区域，因此设置阈值
Figure 595367DEST_PATH_IMAGE028
对图像进行缺陷判断：
Figure 176390DEST_PATH_IMAGE029
其中，
Figure 931856DEST_PATH_IMAGE030
表示控制因子，
Figure 665457DEST_PATH_IMAGE031
为差分图像的所有像素值的标准差。
需要说明的是，控制因子
Figure 480966DEST_PATH_IMAGE030
根据实际情况设置，在本发明实施例中，
Figure 549285DEST_PATH_IMAGE032
。
灰度值大于阈值
Figure 249388DEST_PATH_IMAGE028
的像素为缺陷像素，组成缺陷区域。
步骤S003，提取每个缺陷区域的缺陷边缘，根据缺陷边缘的长度和对应的缺陷区域的面积获取每个缺陷区域的致密性；记录每条缺陷边缘的角度变化次数；根据相邻角度的差异获取每条缺陷边缘的角度相似性；获取每个缺陷区域的灰度中心点和对称中心点，以灰度中心点和对称中心点之间的距离的归一化结果作为缺陷区域的偏移程度。
具体的步骤包括：
1、获取每个缺陷区域的致密性。
提取每个缺陷区域的缺陷边缘，从缺陷边缘中的任意一个像素点开始，使用链码法获取缺陷区域的边缘长度L。
通过统计缺陷区域内部的像素点的数量获取缺陷区域的面积S，进而计算缺陷区域的致密性
Figure 962129DEST_PATH_IMAGE033
。
致密性一定程度上反映了缺陷区域的形状的紧凑度，致密性越小，形状越紧凑，越接近于圆形，说明该区域越可能为孔形缺陷。
2、获取缺陷边缘的角度变化次数。
在每条缺陷边缘上均匀选取多个采样点，获取相邻采样点形成的直线与水平方向之间的夹角，选取一个方向对缺陷边缘进行遍历，当夹角发生变化时，次数增加一次，直至遍历整条缺陷边缘，得到角度变化次数。
在每条缺陷区域边缘上，设置
Figure 807594DEST_PATH_IMAGE034
个采样点，采样点均匀分布在边缘上，计算采样点与其顺时针方向上相邻采样点所成的直线，与水平线之间的顺时针夹角
Figure 504155DEST_PATH_IMAGE035
，由于缺陷区域边缘为封闭线条，则
Figure 476790DEST_PATH_IMAGE034
个采样点可获得
Figure 309617DEST_PATH_IMAGE036
个
Figure 325983DEST_PATH_IMAGE035
值，当相邻的夹角之间有差异时，说明发生了变化，初始变化次数B=0，每当夹角发生变化时，B的值+1，直至遍历整条缺陷边缘，得到角度变化次数B。
变化次数越多，说明缺陷区域的边缘越不规则，故越有可能为破损缺陷。
3、获取缺陷区域的角度相似性。
计算每两个相邻夹角之间的角度差的绝对值，作为预设值的负指数，得到相邻相似性，所有相邻相似性的加和结果为角度相似性。
角度相似性X具体的计算公式如下：
Figure 385206DEST_PATH_IMAGE037
其中，
Figure 286166DEST_PATH_IMAGE038
表示第k个夹角，
Figure 832554DEST_PATH_IMAGE039
表示第k+1个夹角，e为自然常数，
Figure 160767DEST_PATH_IMAGE040
表示第一个夹角。
由于缺陷区域边缘为封闭线条，遍历完成后最后一个夹角需要再与第一个夹角相减，获取首尾夹角之间的相邻相似性
Figure 176127DEST_PATH_IMAGE041
，然后与前面
Figure 146358DEST_PATH_IMAGE042
个相邻相似性相加，得到所有相邻相似性的加和结果X，即为缺陷区域的角度相似性。
需要说明的是，在本发明实施例中，预设值为自然常数e，在其他实施例中还可以采用其他大于1的常数作为预设值。
角度相似性越大，说明该缺陷越接近为直线，更可能为划痕缺陷。
4、获取每个缺陷区域的偏移程度。
4.1获取缺陷区域的灰度中心点。
将处于同一水平线上的采样点连接形成一条穿过缺陷区域的水平线段，根据水平线段上的灰度值获取每条水平线段的第一灰度平分点，对所有第一灰度平分点进行拟合形成第一曲线；将处于同一竖直线上的采样点连接形成一条穿过缺陷区域的竖直线段，根据竖直线段上的灰度值获取每条竖直线段的第二灰度平分点，对所有第二灰度平分点进行拟合形成第二曲线；以第一曲线和第二曲线的交点作为缺陷区域的灰度中心点。
对于均匀分布的采样点，当只有两个采样点处于同一水平线或竖直线时，要么这两个采样点相连与缺陷边缘部分重合，即缺陷边缘中存在较短的水平线或者竖直线，如图2中的采样点
Figure 812831DEST_PATH_IMAGE043
和采样点
Figure 311946DEST_PATH_IMAGE044
相连形成的虚线与表示缺陷区域的矩形短边重合；要么处于缺陷区域两侧，这两个采样点相连能够形成一条穿过缺陷区域的线段，如图2中的采样点
Figure 814602DEST_PATH_IMAGE045
和采样点
Figure 447578DEST_PATH_IMAGE046
相连形成的虚线，穿过矩形区域。对于不存在水平线或者竖直线的圆形以及类圆形等形状的缺陷区域，同一水平线或竖直线上的采样点所形成的线段必定穿过缺陷区域。
当大于两个的采样点存在于同一条直线上时，得到的线段可能没有穿过缺陷区域，而是相连后与缺陷边缘部分重合，如图3中的采样点
Figure 843924DEST_PATH_IMAGE043
、采样点
Figure 389306DEST_PATH_IMAGE047
、采样点
Figure 503892DEST_PATH_IMAGE048
、采样点
Figure 674980DEST_PATH_IMAGE049
、采样点
Figure 191412DEST_PATH_IMAGE050
、采样点
Figure 907695DEST_PATH_IMAGE051
、采样点
Figure 911509DEST_PATH_IMAGE052
相连形成的虚线，与缺陷区域的部分边缘重合；也可能是穿过了缺陷边缘，但是部分采样点与缺陷边缘部分重合，如图3中的采样点
Figure 496074DEST_PATH_IMAGE045
、采样点
Figure 742379DEST_PATH_IMAGE046
、采样点
Figure 754197DEST_PATH_IMAGE053
、采样点
Figure 702431DEST_PATH_IMAGE054
和采样点
Figure 356266DEST_PATH_IMAGE055
相连形成的虚线穿过了缺陷区域，采样点
Figure 457077DEST_PATH_IMAGE046
、采样点
Figure 639797DEST_PATH_IMAGE053
、采样点
Figure 340905DEST_PATH_IMAGE054
和采样点
Figure 267273DEST_PATH_IMAGE055
形成的线段与缺陷区域的部分边缘重合。
由于灰度中心点位于缺陷区域内部，与缺陷边缘部分重合的线段对于计算灰度中心点是有影响的，此时需要筛选出穿过缺陷区域的线段进行计算灰度中心点。
具体的，获取每两个采样点之间的线段长度为
Figure 222591DEST_PATH_IMAGE056
，在差分图像上若为水平线段则获取水平线段上下两侧大小为
Figure 841791DEST_PATH_IMAGE057
的区域内的像素灰度之和的差异，差异最小的线段即为穿过缺陷区域的线段，
Figure 764617DEST_PATH_IMAGE058
为区域的宽，2为区域的高；若为竖直线段则获取竖直线段左右两侧大小为
Figure 635621DEST_PATH_IMAGE059
的区域内的像素灰度之和的差异，差异最小的线段即为穿过缺陷区域的线段，
Figure 570079DEST_PATH_IMAGE058
为区域的高，2为区域的宽。
若两个采样点相连后与缺陷边缘部分重合，边缘两侧的灰度差异较大，而穿过缺陷区域的线段两侧为缺陷区域，灰度差异较小。
然后获取第一灰度平分点：
获取水平线段的中点，分别计算在水平线段上位于中点两侧的像素点的灰度值之和，将两侧的灰度值之和相减得到灰度差异，当灰度差异不为零时，将中点向灰度值之和更大的一侧移动，再次计算两侧的灰度差异，直至灰度差异为零或者最小时，停止移动，得到第一灰度平分点。
获取某一水平线段的中心点z点，计算z点两侧位于水平线段上的像素点灰度之和的差异，例如，获取z点左侧位于该水平线段上的像素点灰度之和
Figure 484814DEST_PATH_IMAGE060
，z点右侧位于该水平线段上的像素点灰度之和
Figure 35881DEST_PATH_IMAGE061
，灰度差异
Figure 179417DEST_PATH_IMAGE062
，当
Figure 233961DEST_PATH_IMAGE063
时，将z点向左侧移动，每次移动步长为1，移动一次再计算一次灰度差异
Figure 319598DEST_PATH_IMAGE064
，直至
Figure 826802DEST_PATH_IMAGE065
或者
Figure 39609DEST_PATH_IMAGE066
最小，此时的点z为该水平线段的第一灰度平分点。
每条水平线段都得到一个第一灰度平分点，将所有第一灰度平分点进行拟合形成第一曲线。在本发明实施例中曲线拟合的方法为最小二乘法。
以同样的方法获取所有竖直线段的第二灰度平分点：
获取某一竖直线段的中心点
Figure 338872DEST_PATH_IMAGE067
点，计算
Figure 205197DEST_PATH_IMAGE067
点两侧位于竖直线段上的像素点灰度之和的差异，例如，获取
Figure 340643DEST_PATH_IMAGE067
点上侧位于该竖直线段上的像素点灰度之和
Figure 950616DEST_PATH_IMAGE068
，
Figure 104386DEST_PATH_IMAGE067
点下侧位于该竖直线段上的像素点灰度之和
Figure 141612DEST_PATH_IMAGE069
，灰度差异
Figure 29934DEST_PATH_IMAGE070
，当
Figure 443597DEST_PATH_IMAGE071
时，将
Figure 451873DEST_PATH_IMAGE067
点向上侧移动，每次移动步长为1，移动一次再计算一次灰度差异
Figure 925580DEST_PATH_IMAGE072
，直至
Figure 35619DEST_PATH_IMAGE073
或者
Figure 112028DEST_PATH_IMAGE072
最小，此时的点
Figure 115756DEST_PATH_IMAGE067
为该竖直线段的第二灰度平分点。
每条竖直线段都得到一个第二灰度平分点，并将所有第二灰度平分点进行拟合形成第二曲线。在本发明实施例中曲线拟合的方法为最小二乘法。
以第一曲线和第二曲线的交点作为缺陷区域的灰度中心点。
4.2获取缺陷区域的偏移程度。
以灰度中心点和对称中心点之间的距离的归一化结果作为缺陷区域的偏移程度。
获取每个缺陷区域的对称中心点，根据两点之间的距离公式计算灰度中心点和对称中心点之间的距离，对该距离进行归一化得到偏移程度P。
需要说明的是，当缺陷区域不存在对称中心点时，偏移程度P为1。
步骤S004，基于缺陷区域的深度信息和面积计算每个缺陷区域的危害程度；由每个缺陷区域的致密性、角度变化次数、角度相似性以及偏移程度组成缺陷区域的特征向量，基于特征向量将每个缺陷区域分类，得到对应的缺陷；基于每种缺陷内所有缺陷区域的危害程度评估HDMI线缆表面的质量。
具体的步骤包括：
1、获取缺陷区域的危害程度。
计算每个缺陷区域中所有像素点的深度信息的平均值作为缺陷区域的平均深度
Figure 370151DEST_PATH_IMAGE074
，以缺陷区域的面积和对应的平均深度的乘积作为危害程度，即
Figure 826540DEST_PATH_IMAGE075
。
2、将缺陷区域进行缺陷分类。
由每个缺陷区域的致密性、角度变化次数、角度相似性以及偏移程度组成缺陷区域的特征向量，基于特征向量将每个缺陷区域分类，得到对应的缺陷。
获取每个缺陷区域的特征向量
Figure 972219DEST_PATH_IMAGE076
，使用树状分段线性分类器对缺陷区域进行分类识别，分为小孔缺陷、划痕缺陷以及破损缺陷。
3、评估线缆表面的质量。
获取每一种缺陷包含的所有缺陷区域的危害程度的和作为对应缺陷的缺陷危害，对每种缺陷赋予一个权重，计算所有缺陷危害的加权求和结果，对线缆表面的质量进行评估。
获取每一种缺陷包含的所有缺陷区域的危害程度的和作为对应缺陷的缺陷危害U：
Figure 830454DEST_PATH_IMAGE077
其中，K表示同一缺陷中的缺陷区域的数量，
Figure 521330DEST_PATH_IMAGE078
表示同一缺陷中第t个缺陷区域的危害程度。
质量评估的具体公式为：
Figure 88184DEST_PATH_IMAGE079
其中，V表示损害程度，
Figure 783694DEST_PATH_IMAGE080
表示小孔缺陷的缺陷危害，
Figure 371801DEST_PATH_IMAGE081
表示划痕缺陷的缺陷危害，
Figure 358211DEST_PATH_IMAGE082
表示破损缺陷的缺陷危害，
Figure 179406DEST_PATH_IMAGE083
表示所有缺陷区域的数量，
Figure 276675DEST_PATH_IMAGE084
表示
Figure 984868DEST_PATH_IMAGE080
的权重，
Figure 266813DEST_PATH_IMAGE085
表示
Figure 185091DEST_PATH_IMAGE081
的权重，
Figure 695838DEST_PATH_IMAGE086
表示
Figure 648750DEST_PATH_IMAGE082
的权重。
作为一个示例，本发明实施例中，
Figure 101597DEST_PATH_IMAGE087
。
损害程度越大，线缆表面质量越差。
综上所述，本发明实施例采集HDMI线缆表面的表面图像和深度图像，对表面图像进行灰度化得到灰度图像，基于深度图像获取每个像素点的深度信息；识别灰度图像中的线缆区域，基于灰度图像中每个像素点的自适应窗口对灰度图像进行滤波处理，然后利用差分法获取缺陷区域；提取每个缺陷区域的缺陷边缘，根据缺陷边缘的长度和对应的缺陷区域的面积获取每个缺陷区域的致密性；记录每条缺陷边缘的角度变化次数；根据相邻角度的差异获取每条缺陷边缘的角度相似性；获取每个缺陷区域的灰度中心点和对称中心点，以灰度中心点和对称中心点之间的距离的归一化结果作为缺陷区域的偏移程度；基于缺陷区域的深度信息和面积计算每个缺陷区域的危害程度；由每个缺陷区域的致密性、角度变化次数、角度相似性以及偏移程度组成缺陷区域的特征向量，基于特征向量将每个缺陷区域分类，得到对应的缺陷；基于每种缺陷内所有缺陷区域的危害程度评估HDMI线缆表面的质量。本发明实施例能够通过对HDMI线缆表面图像进行图像处理，快速地自动检测出线缆表面的缺陷，完成质量检测。
本发明实施例还提出了一种HDMI线缆表面质量检测系统，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上述的步骤。由于一种HDMI线缆表面质量检测方法在上述给出了详细描述，不再赘述。
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。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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种HDMI线缆表面质量检测方法，其特征在于，该方法包括以下步骤：
采集HDMI线缆表面的表面图像和深度图像，对表面图像进行灰度化得到灰度图像，基于深度图像获取每个像素点的深度信息；
识别所述灰度图像中的线缆区域，基于灰度图像中每个像素点的自适应窗口对灰度图像进行滤波处理，然后利用差分法获取缺陷区域；
提取每个缺陷区域的缺陷边缘，根据缺陷边缘的长度和对应的缺陷区域的面积获取每个缺陷区域的致密性；记录每条缺陷边缘的角度变化次数；根据相邻角度的差异获取每条缺陷边缘的角度相似性；获取每个缺陷区域的灰度中心点和对称中心点，以灰度中心点和对称中心点之间的距离的归一化结果作为缺陷区域的偏移程度；
基于缺陷区域的深度信息和面积计算每个缺陷区域的危害程度；由每个缺陷区域的致密性、角度变化次数、角度相似性以及偏移程度组成缺陷区域的特征向量，基于特征向量将每个缺陷区域分类，得到对应的缺陷；基于每种缺陷内所有缺陷区域的危害程度评估HDMI线缆表面的质量。
2.根据权利要求1所述的一种HDMI线缆表面质量检测方法，其特征在于，所述线缆区域的识别方法为：
对所述灰度图像进行边缘检测，得到边缘像素点，在边缘像素点中筛选出准直线像素点，进行霍夫直线检测，得到灰度图像中的直线，两条直线之间的区域为所述线缆区域。
3.根据权利要求1所述的一种HDMI线缆表面质量检测方法，其特征在于，所述基于灰度图像中每个像素点的自适应窗口对灰度图像进行滤波，包括：
以每个像素点为中心点划分一个预设尺寸的方形区域，根据该方形区域内的像素值获取像素点的缺陷程度，基于缺陷程度获取像素点的自适应窗口的大小；
对于每个像素点，在对应的自适应窗口中进行滤波处理，得到每个像素点的新像素值。
4.根据权利要求1所述的一种HDMI线缆表面质量检测方法，其特征在于，所述角度变化次数的获取方法为：
在每条缺陷边缘上均匀选取多个采样点，获取相邻采样点形成的直线与水平方向之间的夹角，选取一个方向对缺陷边缘进行遍历，当夹角发生变化时，次数增加一次，直至遍历整条缺陷边缘，得到所述角度变化次数。
5.根据权利要求1所述的一种HDMI线缆表面质量检测方法，其特征在于，所述角度相似性的获取方法为：
计算每两个相邻夹角之间的角度差的绝对值，作为预设值的负指数，得到相邻相似性，所有相邻相似性的加和结果为所述角度相似性。
6.根据权利要求4所述的一种HDMI线缆表面质量检测方法，其特征在于，所述灰度中心点的获取步骤包括：
将处于同一水平线上的采样点连接形成一条穿过缺陷区域的水平线段，根据水平线段上的灰度值获取每条水平线段的第一灰度平分点，对所有第一灰度平分点进行拟合形成第一曲线；
将处于同一竖直线上的采样点连接形成一条穿过缺陷区域的竖直线段，根据竖直线段上的灰度值获取每条竖直线段的第二灰度平分点，对所有第二灰度平分点进行拟合形成第二曲线；
以第一曲线和第二曲线的交点作为缺陷区域的灰度中心点。
7.根据权利要求1所述的一种HDMI线缆表面质量检测方法，其特征在于，所述危害程度的获取方法为：
计算每个缺陷区域中所有像素点的深度信息的平均值作为缺陷区域的平均深度，以缺陷区域的面积和对应的所述平均深度的乘积作为所述危害程度。
8.根据权利要求1所述的一种HDMI线缆表面质量检测方法，其特征在于，所述线缆表面的质量的评估方法为：
获取每一种缺陷包含的所有缺陷区域的所述危害程度的和作为对应缺陷的缺陷危害，对每种缺陷赋予一个权重，计算所有缺陷危害的加权求和结果，对线缆表面的质量进行评估。
9.根据权利要求6所述的一种HDMI线缆表面质量检测方法，其特征在于，所述第一灰度平分点的获取方法为：
获取水平线段的中点，分别计算在水平线段上位于中点两侧的像素点的灰度值之和，将两侧的灰度值之和相减得到灰度差异，当灰度差异不为零时，将中点向灰度值之和更大的一侧移动，再次计算两侧的灰度差异，直至灰度差异为零或者最小时，停止移动，得到所述第一灰度平分点。
10.一种HDMI线缆表面质量检测系统，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1~9任意一项所述一种HDMI线缆表面质量检测方法的步骤。
CN202210784687.7A 2022-07-06 2022-07-06 一种hdmi线缆表面质量检测方法及系统 Active CN114842017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210784687.7A CN114842017B (zh) 2022-07-06 2022-07-06 一种hdmi线缆表面质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210784687.7A CN114842017B (zh) 2022-07-06 2022-07-06 一种hdmi线缆表面质量检测方法及系统

Publications (2)

Publication Number Publication Date
CN114842017A true CN114842017A (zh) 2022-08-02
CN114842017B CN114842017B (zh) 2022-09-27

Family

ID=82574265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210784687.7A Active CN114842017B (zh) 2022-07-06 2022-07-06 一种hdmi线缆表面质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN114842017B (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862855A (zh) * 2022-07-07 2022-08-05 南通盈赛纺织品有限公司 基于模板匹配的纺织品缺陷检测方法及系统
CN115018833A (zh) * 2022-08-05 2022-09-06 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115018834A (zh) * 2022-08-08 2022-09-06 山东光岳九州半导体科技有限公司 一种半导体晶片图像对准方法
CN115035115A (zh) * 2022-08-11 2022-09-09 聊城市宏伟电器有限公司 一种纸包铜扁线质量监测方法
CN115063422A (zh) * 2022-08-18 2022-09-16 建首(山东)钢材加工有限公司 一种用于集装箱焊接质量智能检测方法
CN115082467A (zh) * 2022-08-22 2022-09-20 山东亿昌装配式建筑科技有限公司 基于计算机视觉的建材焊接表面缺陷检测方法
CN115100210A (zh) * 2022-08-29 2022-09-23 山东艾克赛尔机械制造有限公司 一种基于汽车零部件防伪识别方法
CN115100202A (zh) * 2022-08-25 2022-09-23 聊城市宏伟电器有限公司 一种基于图像处理的电缆质量检测方法
CN115122154A (zh) * 2022-08-30 2022-09-30 南通市海门区海纳机械有限公司 一种金属构件加工数控铣床运行检测及控制方法
CN115187601A (zh) * 2022-09-13 2022-10-14 山东滨州八匹马塑料化纤制品有限公司 基于图像理解的深海渔网生产过程缺陷检测方法
CN115330827A (zh) * 2022-10-13 2022-11-11 南通舒芯居纺织品有限公司 一种生丝颣节的机器视觉检测方法
CN115345882A (zh) * 2022-10-18 2022-11-15 南通莱晋纺织科技有限公司 一种基于图像增强的纺织品紧密程度评估方法
CN115564767A (zh) * 2022-11-10 2023-01-03 深圳市岑科实业有限公司 基于机器视觉的电感绕线质量监测方法
CN116188468A (zh) * 2023-04-27 2023-05-30 济宁市长荣电器科技有限公司 一种hdmi线缆传输分拣智能控制系统
CN116309561A (zh) * 2023-05-17 2023-06-23 威海赛宝工业信息技术研究院有限公司 一种基于防漏电绝缘材料的表面缺陷识别方法
CN116721096A (zh) * 2023-08-08 2023-09-08 东莞市南谷第电子有限公司 基于人工智能的新能源线束质量在线检测方法
CN117094912A (zh) * 2023-10-16 2023-11-21 南洋电气集团有限公司 一种低压配电柜焊接图像增强方法及系统
CN117218114A (zh) * 2023-11-06 2023-12-12 山东滨州安惠绳网集团有限责任公司 一种基于图像数据处理的网状织物缺陷快速检测方法
CN117952958A (zh) * 2024-03-21 2024-04-30 陕西中环机械有限责任公司 基于机器学习的鼓形滤网智慧健康检测方法
CN117974657A (zh) * 2024-03-29 2024-05-03 浙江高盛输变电设备股份有限公司 一种基于计算机视觉的电缆表面缺陷检测方法
CN118552529A (zh) * 2024-07-26 2024-08-27 东莞市南谷第电子有限公司 一种新能源高压大电流储能线束的绝缘层品质检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820986A (zh) * 2015-04-28 2015-08-05 电子科技大学 一种基于机器视觉的线缆在线检测方法
CN107764839A (zh) * 2017-10-12 2018-03-06 中南大学 一种基于机器视觉的钢丝绳表面缺陷在线检测方法及装置
US20210041375A1 (en) * 2018-04-13 2021-02-11 Maillefer S.A. A surface scanner, an arrangement and a method for surface defect detection of a cable
CN113450307A (zh) * 2021-05-12 2021-09-28 西安电子科技大学 一种产品边缘缺陷检测方法
CN113808138A (zh) * 2021-11-22 2021-12-17 山东鹰联光电科技股份有限公司 一种基于人工智能的电线电缆表面缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820986A (zh) * 2015-04-28 2015-08-05 电子科技大学 一种基于机器视觉的线缆在线检测方法
CN107764839A (zh) * 2017-10-12 2018-03-06 中南大学 一种基于机器视觉的钢丝绳表面缺陷在线检测方法及装置
US20210041375A1 (en) * 2018-04-13 2021-02-11 Maillefer S.A. A surface scanner, an arrangement and a method for surface defect detection of a cable
CN113450307A (zh) * 2021-05-12 2021-09-28 西安电子科技大学 一种产品边缘缺陷检测方法
CN113808138A (zh) * 2021-11-22 2021-12-17 山东鹰联光电科技股份有限公司 一种基于人工智能的电线电缆表面缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乔湘洋等: "基于机器视觉的线缆表面缺陷检测系统设计与算法研究", 《机床与液压》 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862855B (zh) * 2022-07-07 2022-09-23 南通盈赛纺织品有限公司 基于模板匹配的纺织品缺陷检测方法及系统
CN114862855A (zh) * 2022-07-07 2022-08-05 南通盈赛纺织品有限公司 基于模板匹配的纺织品缺陷检测方法及系统
CN115018833A (zh) * 2022-08-05 2022-09-06 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115018833B (zh) * 2022-08-05 2022-11-04 山东鲁芯之光半导体制造有限公司 一种半导体器件的加工缺陷检测方法
CN115018834A (zh) * 2022-08-08 2022-09-06 山东光岳九州半导体科技有限公司 一种半导体晶片图像对准方法
CN115035115A (zh) * 2022-08-11 2022-09-09 聊城市宏伟电器有限公司 一种纸包铜扁线质量监测方法
CN115035115B (zh) * 2022-08-11 2022-10-25 聊城市宏伟电器有限公司 一种纸包铜扁线质量监测方法
CN115063422A (zh) * 2022-08-18 2022-09-16 建首(山东)钢材加工有限公司 一种用于集装箱焊接质量智能检测方法
CN115082467A (zh) * 2022-08-22 2022-09-20 山东亿昌装配式建筑科技有限公司 基于计算机视觉的建材焊接表面缺陷检测方法
CN115100202A (zh) * 2022-08-25 2022-09-23 聊城市宏伟电器有限公司 一种基于图像处理的电缆质量检测方法
CN115100210A (zh) * 2022-08-29 2022-09-23 山东艾克赛尔机械制造有限公司 一种基于汽车零部件防伪识别方法
CN115122154A (zh) * 2022-08-30 2022-09-30 南通市海门区海纳机械有限公司 一种金属构件加工数控铣床运行检测及控制方法
CN115122154B (zh) * 2022-08-30 2023-08-18 广东昭明电子集团股份有限公司 一种金属构件加工数控铣床运行检测及控制方法
CN115187601A (zh) * 2022-09-13 2022-10-14 山东滨州八匹马塑料化纤制品有限公司 基于图像理解的深海渔网生产过程缺陷检测方法
CN115330827A (zh) * 2022-10-13 2022-11-11 南通舒芯居纺织品有限公司 一种生丝颣节的机器视觉检测方法
CN115345882A (zh) * 2022-10-18 2022-11-15 南通莱晋纺织科技有限公司 一种基于图像增强的纺织品紧密程度评估方法
CN115345882B (zh) * 2022-10-18 2023-03-24 南通莱晋纺织科技有限公司 一种基于图像增强的纺织品紧密程度评估方法
CN115564767B (zh) * 2022-11-10 2023-04-07 深圳市岑科实业有限公司 基于机器视觉的电感绕线质量监测方法
CN115564767A (zh) * 2022-11-10 2023-01-03 深圳市岑科实业有限公司 基于机器视觉的电感绕线质量监测方法
CN116188468A (zh) * 2023-04-27 2023-05-30 济宁市长荣电器科技有限公司 一种hdmi线缆传输分拣智能控制系统
CN116309561A (zh) * 2023-05-17 2023-06-23 威海赛宝工业信息技术研究院有限公司 一种基于防漏电绝缘材料的表面缺陷识别方法
CN116721096B (zh) * 2023-08-08 2023-11-14 东莞市南谷第电子有限公司 基于人工智能的新能源线束质量在线检测方法
CN116721096A (zh) * 2023-08-08 2023-09-08 东莞市南谷第电子有限公司 基于人工智能的新能源线束质量在线检测方法
CN117094912A (zh) * 2023-10-16 2023-11-21 南洋电气集团有限公司 一种低压配电柜焊接图像增强方法及系统
CN117094912B (zh) * 2023-10-16 2024-01-16 南洋电气集团有限公司 一种低压配电柜焊接图像增强方法及系统
CN117218114A (zh) * 2023-11-06 2023-12-12 山东滨州安惠绳网集团有限责任公司 一种基于图像数据处理的网状织物缺陷快速检测方法
CN117218114B (zh) * 2023-11-06 2024-01-30 山东滨州安惠绳网集团有限责任公司 一种基于图像数据处理的网状织物缺陷快速检测方法
CN117952958A (zh) * 2024-03-21 2024-04-30 陕西中环机械有限责任公司 基于机器学习的鼓形滤网智慧健康检测方法
CN117952958B (zh) * 2024-03-21 2024-06-07 陕西中环机械有限责任公司 基于机器学习的鼓形滤网智慧健康检测方法
CN117974657A (zh) * 2024-03-29 2024-05-03 浙江高盛输变电设备股份有限公司 一种基于计算机视觉的电缆表面缺陷检测方法
CN118552529A (zh) * 2024-07-26 2024-08-27 东莞市南谷第电子有限公司 一种新能源高压大电流储能线束的绝缘层品质检测方法

Also Published As

Publication number Publication date
CN114842017B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN114842017B (zh) 一种hdmi线缆表面质量检测方法及系统
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN109490316B (zh) 一种基于机器视觉的表面缺陷检测算法
CN115239735B (zh) 基于计算机视觉的通信柜表面缺陷检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN108765412B (zh) 一种带钢表面缺陷分类方法
CN109872303B (zh) 表面缺陷视觉检测方法、装置和电子设备
CN115239704B (zh) 一种木材表面缺陷的精准检测修复方法
CN114943739B (zh) 一种铝管质量检测方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
WO2004012148A1 (en) Image processing method for appearance inspection
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN116630329B (zh) 用于多轴多通道数控系统的在线视觉检测方法
CN117689655B (zh) 基于计算机视觉的金属钮扣表面缺陷检测方法
CN114332026A (zh) 一种铭牌表面划痕缺陷的视觉检测方法及装置
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
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
CN115035113A (zh) 基于x射线的手机数据线生产缺陷无损检测方法
CN114998356A (zh) 一种基于图像处理的车桥缺陷检测方法
CN110751687B (zh) 一种基于计算机视觉最小最大圆的苹果大小分级方法
CN117237747A (zh) 基于人工智能的五金件缺陷分类识别方法
KR102585146B1 (ko) 딥러닝 기반의 도로손상 탐지 장치 및 방법
CN115564705A (zh) 用于精密标准件的毛刺检测精度增强方法及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An HDMI cable surface quality detection method and system

Effective date of registration: 20230317

Granted publication date: 20220927

Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch

Pledgor: Jining Haifu Electronic Technology Co.,Ltd.

Registration number: Y2023370000054