CN114882009A - 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 - Google Patents
可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 Download PDFInfo
- Publication number
- CN114882009A CN114882009A CN202210643656.XA CN202210643656A CN114882009A CN 114882009 A CN114882009 A CN 114882009A CN 202210643656 A CN202210643656 A CN 202210643656A CN 114882009 A CN114882009 A CN 114882009A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- difference
- fatigue crack
- different moments
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及一种可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统,涉及裂纹检测领域,方法包括:获取待检测材料表面的初始图像记为第一图像;获取待检测材料表面的疲劳裂纹扩展图像记为第二图像;对第二图像的每一幅图像和所述第一图像进行像素点做差,得到差值集合;获取所述差值集合中每组差值的阈值;根据所述阈值得到不同时刻的裂纹增长点;获取裂纹扩展的主方向和副方向;对所述不同时刻的裂纹增长点进行主方向和副方向的筛选,得到裂尖坐标。本发明能够解决疲劳裂纹扩展实验过程中,不同表面状态下难以自动化检出裂尖的难题。
Description
技术领域
本发明涉及裂纹检测领域,特别是涉及一种可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统。
背景技术
金属疲劳指的是机械零部件在交变应力作用下,经过一段时间后,在局部高应力区形成微小裂纹,再由微小裂纹扩展以致断裂。展开疲劳裂纹扩展实验,实时观察记录裂纹的扩展状况,获知裂尖位置,对研究材料的力学性能以及优化零部件的结构设计具有重要意义。现有的技术方法中,直读法、柔度法、电位法、探伤法等传统的人工检测方法应用较为广泛,但是此类方法自动化程度不高,检测效率较低。
基于图像处理的静态裂纹检测方法,其基本原理是利用工业相机对裂纹图像进行采集,基于图像灰度信息,利用相关算法对裂纹进行分析识别。具体步骤:采集裂纹图像;进行灰度处理;进行图像增强、去噪、锐化等一系列图像预处理步骤;利用灰度信息,对裂纹进行识别。
现有的裂纹检测方法,无论是基于图像处理还是基于机器学习等方法,主要是针对单张裂纹图片进行分析处理,然后识别出裂纹轮廓。其中,传统的基于图像处理的方法对材料的表面状态要求较高,不同的表面状态下检出裂纹的效果不同,尤其是表面状态差的材料难以检测出裂纹轮廓中的裂尖部位。而基于机器学习的裂纹检测方法,需要大量的同种材料同类表面状态下的裂纹图像构成训练集,以此对神经网络进行训练,训练完成后对裂纹图像进行识别。然而对于航空航天等领域,某些材料不支持提供足够的数据来完成对神经网络的训练,因而此类方法受限。
发明内容
本发明的目的是提供一种可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统,解决疲劳裂纹扩展实验过程中,不同表面状态下难以自动化检出裂尖的难题。
为实现上述目的,本发明提供了如下方案:
一种可适应多种表面状态的疲劳裂纹尖端自动检测方法,包括:
获取待检测材料表面的初始图像,记为第一图像;
获取所述待检测材料表面的疲劳裂纹扩展图像,记为第二图像,所述第二图像包括多张不同时刻的裂纹扩展图像;
对所述第二图像的每一幅图像和所述第一图像进行像素点做差,得到差值集合,所述差值集合中包括多组差值,所述第二图像的一幅图像和所述第一图像进行像素点做差后对应得到的像素点差值为一组差值;
获取所述差值集合中每组差值的阈值;
根据所述阈值得到不同时刻的裂纹增长点;
获取裂纹扩展的主方向和副方向;
对所述不同时刻的裂纹增长点进行主方向和副方向的筛选,得到裂尖坐标。
可选的,利用工业相机获取所述待检测材料表面的疲劳裂纹扩展图像。
可选的,所述“获取所述待检测材料表面的疲劳裂纹扩展图像,记为第二图像,所述第二图像包括多张不同时刻的裂纹扩展图像”步骤之后,“对所述第二图像的每一幅图像和所述第一图像进行像素点做差,得到差值集合”步骤之前,还包括:
对所述第二图像进行预处理。
可选的,所述预处理包括灰度处理、高斯滤波和去噪处理。
可选的,采用大津法确定所述差值集合中每组差值的阈值。
可选的,所述根据阈值得到不同时刻的裂纹增长点,具体包括:
根据所述阈值对每组的像素点差值进行二值化,得到不同时刻的理论裂纹增长点;
对所述不同时刻的理论裂纹增长点取公共值,得到不同时刻的裂纹增长点。
可选的,根据试件预设应力集中缺口确定裂纹扩展的主方向和副方向。
一种可适应多种表面状态的疲劳裂纹尖端自动检测系统,包括:
第一图像获取模块,用于获取待检测材料表面的初始图像,记为第一图像;
第二图像获取模块,用于获取所述待检测材料表面的疲劳裂纹扩展图像,记为第二图像,所述第二图像包括多张不同时刻的裂纹扩展图像;
计算模块,用于对所述第二图像的每一幅图像和所述第一图像进行像素点做差,得到差值集合,所述差值集合中包括多组差值,所述第二图像的一幅图像和所述第一图像进行像素点做差后对应得到的像素点差值为一组差值;
阈值获取模块,用于获取所述差值集合中每组差值的阈值;
裂纹增长点确定模块,用于根据所述阈值得到不同时刻的裂纹增长点;
方向获取模块,用于获取裂纹扩展的主方向和副方向;
裂尖坐标确定模块,用于对所述不同时刻的裂纹增长点进行主方向和副方向的筛选,得到裂尖坐标。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出了一种可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统,既克服了传统的图像处理方法中对材料表面状态要求高的问题,又克服了基于机器学习方法中需要大量训练集的局限性,达到了对不同种表面状态下疲劳裂纹尖端自动检测的目的。
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为本发明可适应多种表面状态的疲劳裂纹尖端自动检测方法整体流程图;
图2为本发明实施例裂尖坐标筛选示意图。
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。
本发明的目的是提供一种可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统,解决疲劳裂纹扩展实验过程中,不同表面状态下难以自动化检出裂尖的难题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1本发明提供的整体流程图,如图1所示,具体包括以下步骤:
步骤一:针对不同材料表面状态中的任一种表面状态(比如材料表面为黑色背景白色裂纹绿色噪声点、白色背景黑色裂纹绿色噪声点、绿色背景黑色裂纹黑色噪声点等)展开疲劳裂纹扩展试验,利用工业相机采集该表面状态下材料表面的疲劳裂纹扩展图像,记录疲劳裂纹扩展过程。
步骤二:将采集到的图像按照采集时的先后顺序依次读入程序,对图像进行灰度处理、高斯滤波去噪处理等图像预处理步骤。
步骤三:取裂纹扩展前的图片P0为初始图像作为底片,针对裂纹扩展过程中的图片P1,P2,P3……PN分别与P0进行像素点的作差,得到P1-P0,P2-P0,P3-P0,……PN-P0;一共N次差值。
步骤四:对这N次差值分别设定不同的阈值,然后进行二值化处理,比如说对于第1次作差P1-P0,设定阈值为M1,当P1-P0中的像素点差值大于M1时,取值255,当P1-P0中的像素点差值小于M1时,取值0;遍历完所有像素点,即可初步得到P1-P0对应的裂纹增长点(此时可能存在伪裂纹增长点干扰)。同理,可得到P2-P0,P3-P0,……,PN-P0时刻的裂纹增长点。
其中,前一步进行了灰度值的作差,因而可以获得裂纹扩展区域(包括裂纹和其周边区域)的灰度差值。分析单次差值图像,根据不同部位差值的大小来确定阈值。此外,还可以采用大津法,对裂纹扩展区域(裂纹轮廓及周边区域,非全图)进行自适应阈值分析,得出一个参考阈值,结合该参考阈值可更方便快捷的确定阈值。
多阈值设定:在裂纹扩展图像中,裂尖部位与背景的区分度往往较小,反映为灰度信息即裂尖部位与背景部分的差值小于裂根部位与背景的差值。所以在设定阈值时,比如说P1-P0中设定阈值为M1,此时裂尖部位(a,b)灰度值恰好大于M1;在P2-P1中设定阈值为M2,此时M2>M1,上一时刻的裂尖(a,b)这一时刻变为裂根部分,其对应的阈值M2也相应变大,以此来保证裂尖检出的准确性。如果全程采用单一小阈值,此时受噪声点影响较大;如果全程采用单一大阈值,此时可能无法检出裂尖部位。
步骤五:对于上述不同时刻的裂纹增长点,选取公共值,留下公共点、排除非公共点得到real_1,作为P1时刻的实际裂纹增长点。同理,可得到P2、P3……PN时刻的实际裂纹增长点real_2,real_3……real_N。
其中,公共值即为N次作差图像的重合点,这里提及的N次作差,N值大小根据裂纹表面状态的好坏来定,比如说表面状态较好,那么N取2或3,进行两或三次作差后,搜索公共值,即可确定初次作差时裂纹增长的真实点。同理,如果材料表面状态较差,则N取更大的值,比如说4,5,6……。但是需要注意的是,N值取值越大,相当于需要对比处理的数据越多,则运行速度越慢。因而,N值大小的选取,根据材料表面状态来确定,这也对应了我们可以适用于不同表面状态的目的。
下面以3次作差为例说明,初始图像P0:
(1)裂纹第一次扩展得P1,初次作差P1-P0,此时识别出增长点A,B,C三个坐标点,其中A,B为实际扩展部分,C为噪声点,但此时未知;
(2)裂纹继续扩展得到P2,作差P2-P0,此时检测增长点A,B,D,E四个坐标点,此时A,B,D为实际扩展部分,E为噪声点但未知;
(3)裂纹继续扩展得到P3,作差P3-P0,增长点A,B,D,F,G五个坐标点,此时A,B,D,F为实际扩展部分,G为噪声点但未知;
(4)对三次作差后的增长点(A,B,C),(A,B,D,E),(A,B,D,F,G)进行重合点检测,得到重合点A,B,此时其对应于初次作差时P1-P0的实际增长裂纹。
步骤六:自动判定识别裂尖坐标:由于试件预设应力集中缺口,会决定裂纹的主体扩展方向,所以根据试件预设的应力集中缺口,设定裂纹扩展的主方向和副方向,然后对不同时刻的实际裂纹增长点分别进行主方向和副方向的筛选识别,最终得到裂尖坐标。比如说对于real_1中的像素点,在像素坐标中预设裂纹扩展主方向是左,副方向是上,先进行主方向(即横坐标)的筛选,越靠近左,横坐标值越小,筛选出real_1中的横坐标最小点,如果此时有多个,再进行副方向(即纵坐标)的筛选,越靠近上,纵坐标越小,得到最终的裂尖坐标信息。
我们这一步筛选的目的是检测出代表裂尖的坐标点。筛选原则根据预设的主方向和副方向来决定,而主方向和副方向的选取是根据实际试验时试件状态、应力集中缺口、加载方式等来确定,这些试验条件决定了裂纹扩展试验时裂纹扩展的主体方向,因而主方向和副方向的选取也是有依据的,此处选取左上方搜索也只是举例便于说明如何检测裂尖。
例如:假设前一步检测出有如图2所示的四个坐标点,我们设定主方向为左,副方向为上。那么对这四个坐标点,先进行主方向的搜索(横坐标),就可以筛选出(10,10),(10,15);然后只对这两个点进行副方向搜索(纵坐标),得出(10,10)为最终的裂尖坐标。
基于上述方法,本发明还公开了一种可适应多种表面状态的疲劳裂纹尖端自动检测系统,包括:
第一图像获取模块,用于获取待检测材料表面的初始图像,记为第一图像。
第二图像获取模块,用于获取所述待检测材料表面的疲劳裂纹扩展图像,记为第二图像,所述第二图像包括多张不同时刻的裂纹扩展图像。
计算模块,用于对所述第二图像的每一幅图像和所述第一图像进行像素点做差,得到差值集合,所述差值集合中包括多组差值,所述第二图像的一幅图像和所述第一图像进行像素点做差后对应得到的像素点差值为一组差值。
阈值获取模块,用于获取所述差值集合中每组差值的阈值。
裂纹增长点确定模块,用于根据所述阈值得到不同时刻的裂纹增长点。
方向获取模块,用于获取裂纹扩展的主方向和副方向。
裂尖坐标确定模块,用于对所述不同时刻的裂纹增长点进行主方向和副方向的筛选,得到裂尖坐标。
综上,本发明的关键点在于:
1.N次像素点作差,结合多阈值设定进行二值化处理,然后取N次差值的公共值作为初次作差时刻的裂尖增长部分,以此消除噪声点等构成的伪裂纹增长点的干扰。
2.上述提出的方案适应性强,可适应多种不同的材料表面状态,是一种动态裂纹检测方法。能在较差的材料表面状态下检测细小的裂纹,这是传统的静态裂纹识别方法较难实现的。
3.提出的主方向、副方向的设定,可自动检测判断裂尖的坐标信息。
本发明提出的可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统,主要有以下优点:
(1)相比于传统的裂纹检测方法(如直读法、柔度法、电位法、探伤法等),本发明提出的方法自动化程度高,通过预设主方向和副方向的方法,可实时检测记录裂纹扩展,检测裂尖坐标,效率高,人员工作量少。此外,对操作人员的操作水平要求较低,测量过程中能更好的保证人员安全。
(2)相比于基于神经网络的裂纹检测方法,本发明的方法不需要大量的数据集来满足训练需求,适应性好,对材料种类及其表面状态要求较低;
(3)相比于传统的基于图像处理的裂纹识别方法,本发明的方法是一种动态裂纹检测识别方法。传统的基于图像处理的裂纹识别方法,是一种静态裂纹识别法,是对单张图像的灰度信息进行处理,然后分析检出裂纹轮廓,这就导致了其对不同表面状态的材料的裂纹检出效果不同,当材料表面状态比较差时,很难准确检出裂尖部位。本发明提出的方法是基于对≥2张图像的灰度信息的处理,可适应多种材料表面状态,即使表面状态较差,也可以准确检出裂尖扩展部位,适应性强,裂尖检测效果准确。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种可适应多种表面状态的疲劳裂纹尖端自动检测方法,其特征在于,包括:
获取待检测材料表面的初始图像,记为第一图像;
获取所述待检测材料表面的疲劳裂纹扩展图像,记为第二图像,所述第二图像包括多张不同时刻的裂纹扩展图像;
对所述第二图像的每一幅图像和所述第一图像进行像素点做差,得到差值集合,所述差值集合中包括多组差值,所述第二图像的一幅图像和所述第一图像进行像素点做差后对应得到的像素点差值为一组差值;
获取所述差值集合中每组差值的阈值;
根据所述阈值得到不同时刻的裂纹增长点;
获取裂纹扩展的主方向和副方向;
对所述不同时刻的裂纹增长点进行主方向和副方向的筛选,得到裂尖坐标。
2.根据权利要求1所述的可适应多种表面状态的疲劳裂纹尖端自动检测方法,其特征在于,利用工业相机获取所述待检测材料表面的疲劳裂纹扩展图像。
3.根据权利要求1所述的可适应多种表面状态的疲劳裂纹尖端自动检测方法,其特征在于,所述“获取所述待检测材料表面的疲劳裂纹扩展图像,记为第二图像,所述第二图像包括多张不同时刻的裂纹扩展图像”步骤之后,“对所述第二图像的每一幅图像和所述第一图像进行像素点做差,得到差值集合”步骤之前,还包括:
对所述第二图像进行预处理。
4.根据权利要求3所述的可适应多种表面状态的疲劳裂纹尖端自动检测方法,其特征在于,所述预处理包括灰度处理、高斯滤波和去噪处理。
5.根据权利要求1所述的可适应多种表面状态的疲劳裂纹尖端自动检测方法,其特征在于,采用大津法确定所述差值集合中每组差值的阈值。
6.根据权利要求1所述的可适应多种表面状态的疲劳裂纹尖端自动检测方法,其特征在于,所述根据阈值得到不同时刻的裂纹增长点,具体包括:
根据所述阈值对每组的像素点差值进行二值化,得到不同时刻的理论裂纹增长点;
对所述不同时刻的理论裂纹增长点取公共值,得到不同时刻的裂纹增长点。
7.根据权利要求1所述的可适应多种表面状态的疲劳裂纹尖端自动检测方法,其特征在于,根据试件预设应力集中缺口确定裂纹扩展的主方向和副方向。
8.一种可适应多种表面状态的疲劳裂纹尖端自动检测系统,其特征在于,包括:
第一图像获取模块,用于获取待检测材料表面的初始图像,记为第一图像;
第二图像获取模块,用于获取所述待检测材料表面的疲劳裂纹扩展图像,记为第二图像,所述第二图像包括多张不同时刻的裂纹扩展图像;
计算模块,用于对所述第二图像的每一幅图像和所述第一图像进行像素点做差,得到差值集合,所述差值集合中包括多组差值,所述第二图像的一幅图像和所述第一图像进行像素点做差后对应得到的像素点差值为一组差值;
阈值获取模块,用于获取所述差值集合中每组差值的阈值;
裂纹增长点确定模块,用于根据所述阈值得到不同时刻的裂纹增长点;
方向获取模块,用于获取裂纹扩展的主方向和副方向;
裂尖坐标确定模块,用于对所述不同时刻的裂纹增长点进行主方向和副方向的筛选,得到裂尖坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643656.XA CN114882009A (zh) | 2022-06-08 | 2022-06-08 | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643656.XA CN114882009A (zh) | 2022-06-08 | 2022-06-08 | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882009A true CN114882009A (zh) | 2022-08-09 |
Family
ID=82680904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210643656.XA Pending CN114882009A (zh) | 2022-06-08 | 2022-06-08 | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882009A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721354A (zh) * | 2023-08-08 | 2023-09-08 | 中铁七局集团电务工程有限公司武汉分公司 | 一种建筑物裂纹缺陷识别方法、系统及可读存储介质 |
-
2022
- 2022-06-08 CN CN202210643656.XA patent/CN114882009A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721354A (zh) * | 2023-08-08 | 2023-09-08 | 中铁七局集团电务工程有限公司武汉分公司 | 一种建筑物裂纹缺陷识别方法、系统及可读存储介质 |
CN116721354B (zh) * | 2023-08-08 | 2023-11-21 | 中铁七局集团电务工程有限公司武汉分公司 | 一种建筑物裂纹缺陷识别方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN102914545A (zh) | 一种基于计算机视觉的齿轮缺陷检测方法及系统 | |
CN113237889A (zh) | 一种多尺度的陶瓷检测方法及系统 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN111598858B (zh) | 一种基于迁移学习的橡胶手套的检测方法及系统 | |
CN115526885A (zh) | 一种产品图像缺陷检测方法、系统、装置及介质 | |
CN116485764A (zh) | 一种结构表面缺陷识别方法、系统、终端及介质 | |
CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 | |
CN112102253A (zh) | 基于机器视觉的无纺布表面缺陷自动化检测方法及系统 | |
Chavan et al. | Quality control of PCB using image processing | |
CN106989672A (zh) | 一种基于机器视觉的工件测量方法 | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
CN109272480B (zh) | 一种不相溶溶液分界线的检测方法 | |
CN114266719B (zh) | 一种基于霍夫变换的产品检测方法 | |
CN113781513B (zh) | 一种电厂供水管道泄漏检测方法及系统 | |
CN115330743A (zh) | 基于双光检测缺陷的方法及相应的系统 | |
JP4346379B2 (ja) | 欠陥検査方法 | |
CN114841917A (zh) | 一种航空铝合金表面疲劳裂纹尖端动态检测方法及系统 | |
CN113870328A (zh) | 一种液体异物视觉检测方法及系统 | |
Yu et al. | A Machine vision method for non-contact Tool Wear Inspection |
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 |