CN114882300B - 一种液压轴承超精加工中划伤的显著性识别方法及装置 - Google Patents

一种液压轴承超精加工中划伤的显著性识别方法及装置 Download PDF

Info

Publication number
CN114882300B
CN114882300B CN202210811501.2A CN202210811501A CN114882300B CN 114882300 B CN114882300 B CN 114882300B CN 202210811501 A CN202210811501 A CN 202210811501A CN 114882300 B CN114882300 B CN 114882300B
Authority
CN
China
Prior art keywords
pixel point
significance
frame
region
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.)
Active
Application number
CN202210811501.2A
Other languages
English (en)
Other versions
CN114882300A (zh
Inventor
莫章卓
李启超
黄跃
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.)
Nantong Feilida Hydraulic Technology Co ltd
Original Assignee
Nantong Feilida Hydraulic 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 Nantong Feilida Hydraulic Technology Co ltd filed Critical Nantong Feilida Hydraulic Technology Co ltd
Priority to CN202210811501.2A priority Critical patent/CN114882300B/zh
Publication of CN114882300A publication Critical patent/CN114882300A/zh
Application granted granted Critical
Publication of CN114882300B publication Critical patent/CN114882300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks

Landscapes

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

Abstract

本发明涉及图像识别领域，具体涉及一种液压轴承超精加工中划伤的显著性识别方法及装置，通过图像识别出轴承内外圈表面的连续帧图像,预处理得到多帧灰度图，通过均值漂移聚类和像素点区域投票进行区域划分，根据每个区域中每个像素点和其他像素点的灰度差异和宽度差异得到每个像素点的区域显著性，根据每个像素点与其他帧图像中相同区域对应位置像素点的灰度差异和宽度差异得到每个像素点的位置显著性，根据区域显著性和位置显著性综合得到每个像素点的显著性特征，根据显著性特征得到同一像素点的连续显著性及特征图，根据显著性特征图对轴承内外圈表面的划伤进行识别，方法智能、精准。

Description

一种液压轴承超精加工中划伤的显著性识别方法及装置
技术领域
本申请涉及图像识别领域，具体涉及一种液压轴承超精加工中划伤的显著性识别方法及装置。
背景技术
液压泵为液压传动提供加压液体的一种液压元件，轴承为液压泵的重要零件之一，轴承内外圈的生产工艺包括下料、锻造、球化退火、车加工、热处理、磨加工、超精加工、零件终检、防锈入库。
在轴承的内外圈表面超精过程中，是将轴承置于轴承座或转动轴上，然后进行转动，控制磨削设备对轴承内外圈进行磨削超精处理，在此过程中可能会由于磨削过程中的磨粒刻划导致轴承内外圈表面上出现细小划伤，若不进行识别检测，划伤会造成轴承安装不良，在轴承使用过程中引起偏载和应力集中，造成轴承旋转精度和使用寿命的下降，进一步影响液压泵寿命。
目前，对超精加工的轴承的内外圈进行进行划伤检测识别的方法是通过人工检测或图像处理的方式，人工检测或图像处理的方式无法排除光照和超精纹理的干扰，准确率无法保证。
发明内容
本发明提供一种液压轴承超精加工中划伤的显著性识别方法，解决划伤识别检测准确率不高的问题，采用如下技术方案：
采集轴承超精加工时的外圈内表面/内圈外表面的连续帧图像；
对连续帧图像进行图像预处理得到对应的灰度图；
分别对所有帧灰度图进行相同的区域划分得到每一帧灰度图划分后的多个区域灰度图；
根据每一帧灰度图中每个区域中的每个像素点和该区域内其他像素点的灰度差异及宽度差异得到每个像素点的区域显著性；
根据每一帧灰度图中每个像素点和其他帧图像中相对应位置的像素点的灰度差异和宽度差异得到每个像素点的位置显著性；
根据每个像素点的位置显著性和该像素点所在区域的区域显著性得到每一帧灰度图的每个区域中每个像素点的显著性特征；
提取所有帧灰度图中所有相对应的同一像素点；根据同一像素点在所有帧灰度图中的显著性特征计算同一像素点的连续显著性特征；
将所有同一像素点的连续显著性特征作为任意帧灰度图像中与该同一像素点对应像素点的灰度值，构建连续显著性特征图；
根据连续显著性特征图对轴承外圈内表面/内圈外表面中的划伤进行识别。
所述对所有帧灰度图进行相同的区域划分的方法为：
对每一帧灰度图像进行高斯滤波处理；
使用均值漂移聚类，将图像中像素点分为多个区域；
对所有帧图像同一个位置的像素点进行区域投票，获取投票数最大的区域作为该位置像素点的所属区域；
根据每个位置像素点的所属区域，完成每一帧灰度图的区域划分。
所述每一帧灰度图的每个区域中每个像素点的显著性特征的计算方法为：
Figure DEST_PATH_IMAGE001
式中，
Figure 936718DEST_PATH_IMAGE002
为第
Figure 588279DEST_PATH_IMAGE003
帧灰度图
Figure 40120DEST_PATH_IMAGE004
上第
Figure 419018DEST_PATH_IMAGE005
个区域中第
Figure 171073DEST_PATH_IMAGE006
个像素点
Figure 914907DEST_PATH_IMAGE007
的显著性特征，
Figure 916361DEST_PATH_IMAGE008
为第
Figure 52945DEST_PATH_IMAGE009
上第
Figure 643195DEST_PATH_IMAGE005
个区域中第
Figure 370979DEST_PATH_IMAGE006
个像素点
Figure 49610DEST_PATH_IMAGE007
在图像
Figure 521043DEST_PATH_IMAGE004
上第
Figure 716532DEST_PATH_IMAGE005
个区域的区域显著性，
Figure 333327DEST_PATH_IMAGE010
为第
Figure 512635DEST_PATH_IMAGE009
上第
Figure 771447DEST_PATH_IMAGE005
个区域中第
Figure 87022DEST_PATH_IMAGE006
个像素点
Figure 156609DEST_PATH_IMAGE007
的位置显著性，
Figure 806902DEST_PATH_IMAGE011
为
Figure 823400DEST_PATH_IMAGE008
的权重即
Figure 307995DEST_PATH_IMAGE007
所在区域显著性的权重。
所述每个像素点的区域显著性
Figure 751746DEST_PATH_IMAGE012
的计算方法如下：
Figure 436805DEST_PATH_IMAGE013
式中，
Figure 430562DEST_PATH_IMAGE014
为图像
Figure 769664DEST_PATH_IMAGE004
上第
Figure 384317DEST_PATH_IMAGE005
个区域第
Figure 274781DEST_PATH_IMAGE006
个像素点
Figure 633081DEST_PATH_IMAGE007
的灰度值，
Figure 27022DEST_PATH_IMAGE015
为图像
Figure 874893DEST_PATH_IMAGE004
中第
Figure 737806DEST_PATH_IMAGE005
个区域第
Figure 883486DEST_PATH_IMAGE016
个像素点
Figure 882666DEST_PATH_IMAGE017
的灰度值，
Figure 153635DEST_PATH_IMAGE018
为第
Figure 238265DEST_PATH_IMAGE005
个区域像素点的个数，
Figure 685DEST_PATH_IMAGE019
为
Figure 103639DEST_PATH_IMAGE014
和
Figure 230995DEST_PATH_IMAGE015
和差异函数，
Figure 317769DEST_PATH_IMAGE020
，
Figure 87142DEST_PATH_IMAGE021
为图像
Figure 310181DEST_PATH_IMAGE004
中第
Figure 608439DEST_PATH_IMAGE005
个区域每个像素点与其他像素点的灰度值差异之和的均值，
Figure 509657DEST_PATH_IMAGE022
为像素点
Figure 817141DEST_PATH_IMAGE007
的宽度，
Figure 691425DEST_PATH_IMAGE023
为像素点
Figure 426163DEST_PATH_IMAGE017
的宽度，
Figure 956370DEST_PATH_IMAGE024
为
Figure 864284DEST_PATH_IMAGE022
和
Figure 812648DEST_PATH_IMAGE023
的差异函数，
Figure 967555DEST_PATH_IMAGE025
为图像
Figure 735791DEST_PATH_IMAGE004
第
Figure 434013DEST_PATH_IMAGE005
个区域中每个像素点与其他像素点的宽度差异之和的均值。
所述每个像素点的区域显著性的权重
Figure 236884DEST_PATH_IMAGE011
的计算方法为：
Figure 297112DEST_PATH_IMAGE026
式中，
Figure 818224DEST_PATH_IMAGE027
为图像
Figure 254890DEST_PATH_IMAGE004
上第
Figure 974584DEST_PATH_IMAGE005
个区域第
Figure 956447DEST_PATH_IMAGE006
个像素点
Figure 10859DEST_PATH_IMAGE007
距离第
Figure 736370DEST_PATH_IMAGE005
个区域边缘像素点最近的距离。
所述每个像素点的位置显著性
Figure 766030DEST_PATH_IMAGE010
的计算方法为：
Figure 184373DEST_PATH_IMAGE028
式中，
Figure 663765DEST_PATH_IMAGE014
为像素点
Figure 842503DEST_PATH_IMAGE007
的灰度，
Figure 723740DEST_PATH_IMAGE029
为第
Figure 47405DEST_PATH_IMAGE030
帧灰度图
Figure DEST_PATH_IMAGE031
中第
Figure 208566DEST_PATH_IMAGE005
个区域中第
Figure 790726DEST_PATH_IMAGE006
个像素点的灰度，
Figure 73940DEST_PATH_IMAGE032
为帧图像个数，
Figure 83353DEST_PATH_IMAGE033
为每一帧灰度图中第
Figure 84807DEST_PATH_IMAGE005
个区域中与
Figure 955811DEST_PATH_IMAGE007
对应位置的像素点与其他帧图像的第
Figure 546061DEST_PATH_IMAGE005
个区域中对应位置像素点灰度值的差异之和的均值，
Figure 539425DEST_PATH_IMAGE022
为像素点
Figure 218056DEST_PATH_IMAGE007
的宽度，
Figure 892751DEST_PATH_IMAGE034
为图像
Figure 603086DEST_PATH_IMAGE031
的第
Figure 970614DEST_PATH_IMAGE005
个区域中第
Figure 133611DEST_PATH_IMAGE006
个像素点的宽度，
Figure 408734DEST_PATH_IMAGE035
为每一帧灰度图的第
Figure 724309DEST_PATH_IMAGE005
个区域中与
Figure 246426DEST_PATH_IMAGE007
对应位置像素点与所有帧图像第
Figure 709769DEST_PATH_IMAGE005
个区域中的像素点宽度差异之和的均值。
所述同一像素点的连续显著性特征的获取方法为：
将同一像素点在所有帧灰度图中的显著性特征进行累加得到同一像素点的连续显著性特征。
所述对轴承外圈内表面/内圈外表面中的划伤进行识别的方法为：
对连续显著性特征图进行边缘检测，若检测到边缘，则该边缘为轴承外圈内表面和内圈外表面中的划伤；若检测不到边缘，则无划伤。
本技术方案还提供一种液压轴承超精加工中划伤的显著性识别装置，其特征在于，包括图像采集单元，图像处理单元，划伤识别单元和控制分拣单元：
所述图像采集单元：采集轴承超精加工时的外圈内表面/内圈外表面的连续帧图像并将图像发送至图像处理单元；
所述图像处理单元：
对连续帧图像进行图像预处理得到对应的灰度图并将灰度图发送至划伤识别单元；
分别对所有帧灰度图进行相同的区域划分得到每一帧灰度图划分后的多个区域灰度图；
所述划伤识别单元：
根据每一帧灰度图中每个区域中的每个像素点和该区域内其他像素点的灰度差异及宽度差异得到每个像素点的区域显著性；
根据每一帧灰度图中每个像素点和其他帧图像中相对应位置的像素点的灰度差异和宽度差异得到每个像素点的位置显著性；
根据每个像素点的位置显著性和该像素点所在区域的区域显著性得到每一帧灰度图的每个区域中每个像素点的显著性特征；
提取所有帧灰度图中所有相对应的同一像素点；根据同一像素点在所有帧灰度图中的显著性特征计算同一像素点的连续显著性特征；
将所有同一像素点的连续显著性特征作为任意帧灰度图像中与该同一像素点对应像素点的灰度值，构建连续显著性特征图；
根据连续显著性特征图对轴承外圈内表面/内圈外表面中的划伤进行识别：
对连续显著性特征图进行边缘检测，若检测到边缘，则该边缘为轴承外圈内表面和内圈外表面中的划伤；若检测不到边缘，则无划伤，将划伤识别结果发送给控制分拣单元；
所述控制分拣单元：根据划伤识别结果控制分拣，若存在划伤，对划伤位置进行标记，控制机械臂将轴承内外圈分拣至磨削模块，根据标记位置对划伤进行磨削处理；若不存在划伤，控制机械臂将轴承内外圈分拣至防锈入库模块。
本发明的有益效果是：通过图像识别出采集轴承转动时内外圈表面的连续帧图像,预处理得到多帧灰度图，通过均值漂移聚类和像素点区域投票，将每一帧灰度图划分为多个区域，根据每个区域中每个像素点和其他像素点的灰度差异和宽度差异得到每个像素点的所在区域的区域的区域显著性，根据每个像素点与其他帧图像中对应位置的像素点的灰度差异和宽度差异得到每个像素点的位置显著性，根据每个像素点的区域显著性和位置显著性得到每个像素点的显著性特征，根据同一像素点在所有帧图像中的位置变化得到每个像素点的连续显著性特征及连续显著性特征图，利用连续显著性特征图对轴承表面划伤进行识别，方法智能、精准。
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是本发明的一种液压轴承超精加工中划伤的显著性识别方法流程示意图；
图2是本发明的一种液压轴承超精加工中划伤的显著性识别方法的轴承内圈外表面图像采集装置示意图；
图3是本发明的一种液压轴承超精加工中划伤的显著性识别方法的轴承外圈内表面图像采集装置示意图；
图4是本发明的一种液压轴承超精加工中划伤的显著性识别装置的结构框图。
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。
本发明的一种液压轴承超精加工中划伤的显著性识别方法的实施例，如图1所示，包括：
步骤一：采集轴承超精加工时的外圈内表面/内圈外表面的连续帧图像；对连续帧图像进行图像预处理得到对应的灰度图；
该步骤的目的是拍摄轴承内圈或外圈表面图像，并进行图像预处理得到连续多帧灰度图；
其中，轴承表面图像包括轴承外圈内表面图像和轴承内圈外表面图像，图像采集装置包括机械臂、检测台、相机。分为轴承内圈外表面图像采集装置及轴承外圈内表面图像采集装置，轴承内圈外表面图像采集装置如图2所示，轴承外圈内表面图像采集装置如图3所示，检测台上设置转动轴，控制机械臂将超精完成的轴承内圈或外圈放置在对应图像采集装置的转动轴上，通过转动轴转动使得轴承内圈或外圈转动，使用相机拍摄轴承内圈表面或外圈表面连续帧的图像，帧图像个数记为
Figure 712884DEST_PATH_IMAGE032
。
其中，图像预处理步骤如下：采用DNN语义分割的方式来识别分割图像中的目标：DNN网络使用的数据集为采集的轴承内圈表面或轴承外圈表面图像数据集；需要分割的像素，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于轴承表面的标注为1，属于背景类或轴承其他区域的标注为0；网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
本步骤通过DNN实现了轴承内圈表面或外圈表面图像的预处理，获得图像中轴承内圈或外圈的表面连通域信息，为便于分析，轴承内圈或外圈的表面连通域图像转换为灰度图像。
步骤二：分别对所有帧灰度图进行相同的区域划分得到每一帧灰度图划分后的多个区域灰度图；
该步骤的目的是结合多帧图像进行分析对每一帧灰度图进行区域划分，每一帧中分割的区域都一致，因为轴承内外圈表面为圆环形，其每个位置的光照不同，每个位置的亮度不同。为准确的识别划伤，首先对图像进行区域分割，将不同亮度的区域分割开来。
其中，对对所有帧灰度图进行相同的区域划分的方法为：
（1）将轴承内外圈表面图像的多帧图像记为
Figure 148545DEST_PATH_IMAGE036
，其中
Figure 389033DEST_PATH_IMAGE037
表示第
Figure 526622DEST_PATH_IMAGE038
帧轴承内外圈表面图像，
Figure 143548DEST_PATH_IMAGE039
表示第
Figure 417404DEST_PATH_IMAGE032
帧轴承内外圈表面图像。
（2）由于超精纹与划伤的存在，直接对图像进行区域分割不准确。因此先对图像进行高斯滤波，通过高斯滤波可以一定程度上将超精纹与划伤去除，第
Figure 563214DEST_PATH_IMAGE003
帧图像
Figure 188100DEST_PATH_IMAGE004
高斯滤波后记为
Figure 546400DEST_PATH_IMAGE040
。
（3）对图像
Figure 943271DEST_PATH_IMAGE040
进行均值漂移聚类，将
Figure 728824DEST_PATH_IMAGE040
图像分割成
Figure 106585DEST_PATH_IMAGE041
个区域，每个区域内部像素点的亮度基本一致。将此
Figure 268576DEST_PATH_IMAGE041
个区域对应到图像
Figure 782602DEST_PATH_IMAGE004
中，即完成了第
Figure 535795DEST_PATH_IMAGE003
帧图像
Figure 886005DEST_PATH_IMAGE004
的区域分割，同理对所有帧图像中的像素点进行分割。
（4）对于不同帧的轴承内外圈表面图像，由于轴承转动导致轴承内外圈表面上同一个超精纹或同一个划伤位置发生了变化，但整体光照情况不变，也就是说不同帧的轴承内外圈表面图像，其上相同位置的亮度不变。对不同帧图像上同一个位置的像素点，其亮度一致，在每个图像上所属区域也应该一致。但可能由于不同帧图像同一个位置的超精纹理不同，高斯滤波后的图像存在差别，导致不同帧图像相同位置的像素点划分至了不同的区域。
因此，结合所有帧图像对分割的区域进行调整，保证每一帧灰度图中的区域都一致，具体方法为：
对所有帧同一个位置的像素点进行区域投票，统计该像素点在所有帧图像中所处的区域，获取投票数最大的区域作为为该位置像素点的所属区域。同理，对所有位置像素点进行投票，获取其所属的区域，通过对每个位置像素点所属区域的确定，完成了图像的区域划分，不同帧图像分割的区域一致。
步骤三：根据每一帧灰度图中每个区域中的每个像素点和该区域内其他像素点的灰度差异及宽度差异得到每个像素点的区域显著性；
该步骤的目的是，根据每个区域中每个像素点与该区域内其他像素点的灰度特征，得到该像素点的区域显著性。
其中，每个像素点的区域显著性的计算方法为：
Figure 569796DEST_PATH_IMAGE042
公式中，
Figure 485799DEST_PATH_IMAGE007
为表示图像
Figure 877071DEST_PATH_IMAGE004
上第
Figure 980156DEST_PATH_IMAGE005
个区域第
Figure 467638DEST_PATH_IMAGE006
个像素点，
Figure 441411DEST_PATH_IMAGE012
为
Figure 801985DEST_PATH_IMAGE007
在第
Figure 110475DEST_PATH_IMAGE003
个图像上第
Figure 949118DEST_PATH_IMAGE005
个区域的区域显著性，
Figure 292244DEST_PATH_IMAGE014
为图像
Figure 761402DEST_PATH_IMAGE004
上第
Figure 104659DEST_PATH_IMAGE005
个区域第
Figure 202453DEST_PATH_IMAGE006
个像素点
Figure 150817DEST_PATH_IMAGE007
的灰度，
Figure 102461DEST_PATH_IMAGE015
为图像
Figure 136277DEST_PATH_IMAGE004
中第
Figure 503673DEST_PATH_IMAGE005
个区域第
Figure 572123DEST_PATH_IMAGE016
个像素点的灰度，
Figure 445401DEST_PATH_IMAGE018
为第
Figure 950201DEST_PATH_IMAGE005
个区域像素点的个数，
Figure 137599DEST_PATH_IMAGE043
为关于
Figure 312753DEST_PATH_IMAGE044
的差异函数：
Figure 356933DEST_PATH_IMAGE045
，
Figure 349028DEST_PATH_IMAGE046
为像素点
Figure 136856DEST_PATH_IMAGE007
与图像中第
Figure 648740DEST_PATH_IMAGE005
个区域所有像素点的灰度差异和；
Figure 316350DEST_PATH_IMAGE047
：
Figure 546475DEST_PATH_IMAGE048
为图像
Figure 387260DEST_PATH_IMAGE004
中第
Figure 753651DEST_PATH_IMAGE005
个区域每个像素点与所有像素点的灰度差异和的均值；
Figure 139633DEST_PATH_IMAGE022
为像素点
Figure 900129DEST_PATH_IMAGE007
在垂直磨削方向上的游程，即像素点
Figure 233021DEST_PATH_IMAGE007
的灰度值在垂直磨削方向上连续出现的次数，表示该像素点所代表特征的宽度（如超精纹宽度或划伤宽度），此处简称像素点宽度；
Figure 703185DEST_PATH_IMAGE023
为图像
Figure 994490DEST_PATH_IMAGE004
中第
Figure 182894DEST_PATH_IMAGE005
个区域第
Figure 850636DEST_PATH_IMAGE016
个像素点宽度；
Figure 191619DEST_PATH_IMAGE049
为像素点
Figure 434250DEST_PATH_IMAGE007
与图像
Figure 595104DEST_PATH_IMAGE004
中第
Figure 332116DEST_PATH_IMAGE005
个区域所有像素点的宽度差异和；
Figure 994783DEST_PATH_IMAGE050
：
Figure 80420DEST_PATH_IMAGE025
为图像
Figure 259728DEST_PATH_IMAGE004
中第
Figure 784120DEST_PATH_IMAGE005
个区域每个像素点与所有像素点的宽度差异和的均值。
需要说明的是，划伤为内外圈表面表面凹陷的细纹。在不同的光照条件下与超精纹亮度区别不同，在某些光照条件下，与超精纹亮度不同，在某些光照条件下，与超精纹亮度基本一致。同时划伤较超精纹稍宽。因此结合灰度以及宽度，获取像素点在当前图像中的区域显著性特征。区域显著性越大，该像素点越可能为划伤。
步骤四：根据每一帧灰度图中每个像素点和其他帧图像中相对应位置的像素点的灰度差异和宽度差异得到每个像素点的位置显著性；
该步骤的目的是分析每一帧图像中的每个像素点与其他帧图像中对应位置的像素点的灰度和宽度差异，得到每个像素点的位置显著性。
其中，每个像素点的位置显著性的计算方法为：
Figure 834115DEST_PATH_IMAGE051
公式中，
Figure 169282DEST_PATH_IMAGE010
为
Figure 553995DEST_PATH_IMAGE007
在连续帧图像上同一个位置的位置显著性，其中
Figure 632810DEST_PATH_IMAGE014
为像素点
Figure 55088DEST_PATH_IMAGE007
的灰度值，
Figure 295577DEST_PATH_IMAGE029
为图像
Figure 902008DEST_PATH_IMAGE031
中第
Figure 722196DEST_PATH_IMAGE005
个区域第
Figure 261631DEST_PATH_IMAGE006
个像素点的灰度；
Figure 673020DEST_PATH_IMAGE032
为图像个数；
Figure 48638DEST_PATH_IMAGE052
为像素点
Figure 656206DEST_PATH_IMAGE007
与所有图像第
Figure 597617DEST_PATH_IMAGE005
个区域对应像素点的灰度差异和；
Figure 635368DEST_PATH_IMAGE053
：
Figure 295019DEST_PATH_IMAGE033
为每个图像第
Figure 191431DEST_PATH_IMAGE005
个区域中与
Figure 502196DEST_PATH_IMAGE007
对应像素点与所有图像第
Figure 458650DEST_PATH_IMAGE005
个区域中所有像素点灰度差异和的均值；
Figure 340019DEST_PATH_IMAGE022
为像素点
Figure 554968DEST_PATH_IMAGE007
宽度；
Figure 674234DEST_PATH_IMAGE034
为图像
Figure 50857DEST_PATH_IMAGE031
中第
Figure 685101DEST_PATH_IMAGE005
个区域第
Figure 175513DEST_PATH_IMAGE006
个像素点宽度；
Figure 149285DEST_PATH_IMAGE054
为像素点
Figure 962389DEST_PATH_IMAGE007
与所有图像第
Figure 818350DEST_PATH_IMAGE005
个区域对应像素点的宽度差异和；
Figure 125834DEST_PATH_IMAGE055
：
Figure 468960DEST_PATH_IMAGE056
为每个图像第
Figure 203698DEST_PATH_IMAGE005
个区域
Figure 530643DEST_PATH_IMAGE007
对应像素点与所有图像第
Figure 110660DEST_PATH_IMAGE005
个区域对应像素点宽度差异和的均值。
需要说明的是，位置显著性越大，该图像该位置的像素点与其他图像该位置像素点的差异越大，越可能为划伤；但位置显著性越小，不一定并非划伤，可能为非常长的划伤，位于整个内外圈表面的一圈，此时连续帧各个图像该位置的像素点均为划伤，但其位置显著性较小。结合区域显著性
Figure 855762DEST_PATH_IMAGE008
以及位置显著性，可以降低像素的点误划分区域的影响，以及长划伤的影响，获取较为准确的显著性特征。
步骤五：根据每个像素点的位置显著性和该像素点所在区域的区域显著性得到每一帧灰度图的每个区域中每个像素点的显著性特征；
该步骤的目的是将每个像素点的区域显著性和位置显著性综合分析得到显著性特征。
其中，显著性指与周围具有较强对比度或与周围有明显不同的区域
其中，每个像素点的显著性特征的计算方法为：
Figure 736300DEST_PATH_IMAGE057
公式中，
Figure 770115DEST_PATH_IMAGE002
图像
Figure 465408DEST_PATH_IMAGE004
上第
Figure 268279DEST_PATH_IMAGE005
个区域第
Figure 141557DEST_PATH_IMAGE006
个像素点的显著性特征，
Figure 380777DEST_PATH_IMAGE008
为图像
Figure 99334DEST_PATH_IMAGE004
上第
Figure 5979DEST_PATH_IMAGE005
个区域第
Figure 50159DEST_PATH_IMAGE006
个像素点的区域显著性，
Figure 779605DEST_PATH_IMAGE010
为图像
Figure 567432DEST_PATH_IMAGE004
上第
Figure 79316DEST_PATH_IMAGE005
个区域第
Figure 543664DEST_PATH_IMAGE006
个像素点的位置显著性，
Figure 773789DEST_PATH_IMAGE011
为
Figure 99728DEST_PATH_IMAGE008
的权重即区域显著性的权重。
其中，区域显著性的权重
Figure 980965DEST_PATH_IMAGE008
的计算方法为：
Figure 366947DEST_PATH_IMAGE026
公式中，
Figure 68055DEST_PATH_IMAGE027
为像素点
Figure 400948DEST_PATH_IMAGE007
距离第
Figure 949741DEST_PATH_IMAGE005
个区域边缘像素点最近的距离；当
Figure 962084DEST_PATH_IMAGE007
距离边缘像素点越近，其区域显著性
Figure 901221DEST_PATH_IMAGE008
越不可信，区域显著性
Figure 83809DEST_PATH_IMAGE008
的权重越低。
需要说明的是，步骤二中结合均值漂移聚类进行区域划分，位于两个相邻区域中间的像素点可能由于所处位置可能被误划分。当像素点
Figure 424792DEST_PATH_IMAGE007
处于区域边缘时，若
Figure 152577DEST_PATH_IMAGE007
被误划分至第
Figure 828277DEST_PATH_IMAGE005
个区域，其与该区域正常像素点的差异较大，得到的区域显著性也较大。但实际可能
Figure 565289DEST_PATH_IMAGE007
在其真正所属的区域与其余像素点的差异较小，区域显著性较小。像素点越靠近区域边缘，其倍误划分的可能性就越大，因此结合像素点的位置，为该像素点的区域显著性设置权重
Figure 10046DEST_PATH_IMAGE011
。
步骤六：提取所有帧灰度图中所有相对应的同一像素点；根据同一像素点在所有帧灰度图中的显著性特征计算同一像素点的连续显著性特征；
该步骤的目的是，结合连续多帧图像得到每个像素点的连续显著性特征。
其中，同一像素点的连续显著性特征的获取方法为：
（1）根据内外圈表面转动速度和相机拍摄间隔，获取同一像素点在不同帧灰度图中的位置；
（2）将同一像素点在不同帧灰度图中的位置对应的显著性特征进行累加得到同一像素点的连续显著性特征。
计算公式为：
Figure 908732DEST_PATH_IMAGE058
公式中，
Figure 822461DEST_PATH_IMAGE059
表示像素点
Figure 349782DEST_PATH_IMAGE060
在图像
Figure 399778DEST_PATH_IMAGE004
中的位置，像素点
Figure 734944DEST_PATH_IMAGE060
在图像图像
Figure 119658DEST_PATH_IMAGE004
中用
Figure 401735DEST_PATH_IMAGE061
来表示；
Figure 617821DEST_PATH_IMAGE062
表示像素点
Figure 61572DEST_PATH_IMAGE060
在图像
Figure 199161DEST_PATH_IMAGE004
中的显著性特征；
Figure 550508DEST_PATH_IMAGE032
为图像个数。
需要说明的是，轴承内外圈表面多帧图像为轴承转动过程中拍摄图像
Figure 840675DEST_PATH_IMAGE037
中一个位置的像素点经过转动后在图像
Figure DEST_PATH_IMAGE063
中到达另一位置，可根据内外圈表面转动速度以及相机拍摄间隔，获取同一个像素点在不同图像中的位置，结合多帧图像中像素点位置的变化，获取该像素点的连续显著性特征。
举例说明同一像素点的连续显著性特征获取方法：
假设帧图像总数为2，如
Figure 453664DEST_PATH_IMAGE037
中的第一个像素点经过转动后在
Figure 626019DEST_PATH_IMAGE063
中为第二个像素点，并且根据步骤一到五获取到了所有帧图像中每个像素点的显著性特征，则将
Figure 233587DEST_PATH_IMAGE037
中第一个像素点的显著性特征和
Figure 174998DEST_PATH_IMAGE063
中的第二个像素点的显著性特征相加，得到同一像素点的连续显著性特征。
需要说明的是，划伤较超精纹稍宽，但在某些光照条件下，相邻的两个超精纹亮度一致，无法区分为单个超精纹，其上像素点的宽度也较宽，同时在某些光照条件下，划伤与超精纹的亮度不一致，在某些光照条件下，划伤与超精纹的亮度基本一致。因此只根据单张图像上像素的显著性特征无法将划伤识别出来，因此需要结合多帧图像，获取像素点的连续显著性特征。
步骤七：将所有同一像素点的连续显著性特征作为任意帧灰度图像中与该同一像素点对应像素点的灰度值，构建连续显著性特征图；根据连续显著性特征图对轴承外圈内表面/内圈外表面中的划伤进行识别。
该步骤的目的是，根据同一像素点的连续显著性特征构建显著性特征图，根据显著性特征图对轴承内外圈表面中的划伤进行识别。
其中，构建显著性特征图的方法为：
获取所有同一像素点的连续显著性特征，将同一像素点的连续显著性特征作为其灰度值，构成连续显著性图；图中每个像素点的灰度大小表示了该像素点在连续帧图像中与周围像素点的差异大小。若差异越小，则该像素点越可能为超精纹理，反之，若差异越大，则该像素点越可能为划伤。
其中，对轴承外圈内表面/内圈外表面中的划伤进行识别的方法为：
对连续显著性特征图进行边缘检测，若检测到边缘，则该边缘为轴承外圈内表面和内圈外表面中的划伤，对划伤位置进行标记，控制机械臂将轴承内外圈分拣至磨削模块，根据标记位置对划伤进行磨削处理；若检测不到边缘，则无划伤，控制机械臂将轴承内外圈分拣至防锈入库模块。
本技术方案还提供一种液压轴承超精加工中划伤的显著性识别装置的实施例，如图4所示，包括图像采集单元S100，图像处理单元S101，划伤识别单元S102和控制分拣单元S103：
具体实施步骤为：
S100：采集轴承超精加工时的外圈内表面/内圈外表面的连续帧图像并将图像发送至S101；
S101：
对连续帧图像进行图像预处理得到对应的灰度图；
分别对所有帧灰度图进行相同的区域划分得到每一帧灰度图划分后的多个区域灰度图并将灰度图发送至S102；
S102：
（1）根据每一帧灰度图中每个区域中的每个像素点和该区域内其他像素点的灰度差异及宽度差异得到每个像素点的区域显著性；
（2）根据每一帧灰度图中每个像素点和其他帧图像中相对应位置的像素点的灰度差异和宽度差异得到每个像素点的位置显著性；
（3）根据每个像素点的位置显著性和该像素点所在区域的区域显著性得到每一帧灰度图的每个区域中每个像素点的显著性特征；
（4）提取所有帧灰度图中所有相对应的同一像素点；根据同一像素点在所有帧灰度图中的显著性特征计算同一像素点的连续显著性特征；
（5）将所有同一像素点的连续显著性特征作为任意帧灰度图像中与该同一像素点对应像素点的灰度值，构建连续显著性特征图；
（6）根据连续显著性特征图对轴承外圈内表面/内圈外表面中的划伤进行识别。
（7）将划伤识别结果发送给S103；
S103：根据划伤识别结果控制分拣，若存在划伤，对划伤位置进行标记，控制机械臂将轴承内外圈分拣至磨削模块，根据标记位置对划伤进行磨削处理；若不存在划伤，控制机械臂将轴承内外圈分拣至防锈入库模块,提升了轴承内外圈检测的质量。
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 (9)

1.一种液压轴承超精加工中划伤的显著性识别方法，其特征在于，包括：
采集轴承超精加工时的外圈内表面/内圈外表面的连续帧图像；
对连续帧图像进行图像预处理得到对应的灰度图；
分别对所有帧灰度图进行相同的区域划分得到每一帧灰度图划分后的多个区域灰度图；
根据每一帧灰度图中每个区域中的每个像素点和该区域内其他像素点的灰度差异及宽度差异得到每个像素点的区域显著性；
根据每一帧灰度图中每个像素点和其他帧图像中相对应位置的像素点的灰度差异和宽度差异得到每个像素点的位置显著性；
根据每个像素点的位置显著性和该像素点所在区域的区域显著性得到每一帧灰度图的每个区域中每个像素点的显著性特征；
提取所有帧灰度图中所有相对应的同一像素点；根据同一像素点在所有帧灰度图中的显著性特征计算同一像素点的连续显著性特征；
将所有同一像素点的连续显著性特征作为任意帧灰度图像中与该同一像素点对应像素点的灰度值，构建连续显著性特征图；
根据连续显著性特征图对轴承外圈内表面/内圈外表面中的划伤进行识别。
2.根据权利要求1所述的一种液压轴承超精加工中划伤的显著性识别方法，其特征在于，所述对所有帧灰度图进行相同的区域划分的方法为：
对每一帧灰度图像进行高斯滤波处理；
使用均值漂移聚类，将图像中像素点分为多个区域；
对所有帧图像同一个位置的像素点进行区域投票，获取投票数最大的区域作为该位置像素点的所属区域；
根据每个位置像素点的所属区域，完成每一帧灰度图的区域划分。
3.根据权利要求1所述的一种液压轴承超精加工中划伤的显著性识别方法，其特征在于，所述每一帧灰度图的每个区域中每个像素点的显著性特征的计算方法为：
Figure 114086DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
为第
Figure 827964DEST_PATH_IMAGE004
帧灰度图
Figure DEST_PATH_IMAGE005
上第
Figure 732335DEST_PATH_IMAGE006
个区域中第
Figure DEST_PATH_IMAGE007
个像素点
Figure 786267DEST_PATH_IMAGE008
的显著性特征，
Figure DEST_PATH_IMAGE009
为第
Figure 928535DEST_PATH_IMAGE010
上第
Figure 937948DEST_PATH_IMAGE006
个区域中第
Figure 408244DEST_PATH_IMAGE007
个像素点
Figure 872723DEST_PATH_IMAGE008
在图像
Figure 994132DEST_PATH_IMAGE005
上第
Figure 128441DEST_PATH_IMAGE006
个区域的区域显著性，
Figure DEST_PATH_IMAGE011
为第
Figure 603809DEST_PATH_IMAGE010
上第
Figure 544083DEST_PATH_IMAGE006
个区域中第
Figure 457682DEST_PATH_IMAGE007
个像素点
Figure 825209DEST_PATH_IMAGE008
的位置显著性，
Figure 519364DEST_PATH_IMAGE012
为
Figure 60067DEST_PATH_IMAGE009
的权重即
Figure 906800DEST_PATH_IMAGE008
所在区域显著性的权重。
4.根据权利要求3所述的一种液压轴承超精加工中划伤的显著性识别方法，其特征在于，所述每个像素点的区域显著性
Figure DEST_PATH_IMAGE013
的计算方法如下：
Figure DEST_PATH_IMAGE015
式中，
Figure 37041DEST_PATH_IMAGE016
为图像
Figure 31542DEST_PATH_IMAGE005
上第
Figure 313619DEST_PATH_IMAGE006
个区域第
Figure 998547DEST_PATH_IMAGE007
个像素点
Figure 911139DEST_PATH_IMAGE008
的灰度值，
Figure DEST_PATH_IMAGE017
为图像
Figure 579887DEST_PATH_IMAGE005
中第
Figure 665655DEST_PATH_IMAGE006
个区域第
Figure 408352DEST_PATH_IMAGE018
个像素点的灰度值，
Figure DEST_PATH_IMAGE019
为第
Figure 85321DEST_PATH_IMAGE006
个区域像素点的个数，
Figure 916398DEST_PATH_IMAGE020
为
Figure 540277DEST_PATH_IMAGE016
和
Figure 544005DEST_PATH_IMAGE017
和差异函数，
Figure DEST_PATH_IMAGE021
，
Figure 250930DEST_PATH_IMAGE022
为图像
Figure 363112DEST_PATH_IMAGE005
中第个区域每个像素点与其他像素点的灰度值差异之和的均值，
Figure DEST_PATH_IMAGE023
为像素点
Figure 790682DEST_PATH_IMAGE008
的宽度，
Figure 39129DEST_PATH_IMAGE024
为像素点
Figure DEST_PATH_IMAGE025
的宽度，
Figure 716623DEST_PATH_IMAGE026
为
Figure 270095DEST_PATH_IMAGE023
和
Figure 750624DEST_PATH_IMAGE024
的差异函数，
Figure DEST_PATH_IMAGE027
为图像
Figure 604310DEST_PATH_IMAGE005
第
Figure 980934DEST_PATH_IMAGE006
个区域中每个像素点与其他像素点的宽度差异之和的均值。
5.根据权利要求3所述的一种液压轴承超精加工中划伤的显著性识别方法，其特征在于，所述每个像素点的区域显著性的权重
Figure 411915DEST_PATH_IMAGE012
的计算方法为：
Figure DEST_PATH_IMAGE029
式中，
Figure 368239DEST_PATH_IMAGE030
为图像
Figure 810853DEST_PATH_IMAGE005
上第
Figure 626886DEST_PATH_IMAGE006
个区域第个像素点
Figure 279585DEST_PATH_IMAGE008
距离第
Figure 852648DEST_PATH_IMAGE006
个区域边缘像素点最近的距离。
6.根据权利要求3所述的一种液压轴承超精加工中划伤的显著性识别方法，其特征在于，所述每个像素点的位置显著性
Figure 133457DEST_PATH_IMAGE011
的计算方法为：
Figure 868195DEST_PATH_IMAGE032
式中，
Figure 929561DEST_PATH_IMAGE016
为像素点
Figure 368632DEST_PATH_IMAGE008
的灰度，
Figure DEST_PATH_IMAGE033
为第
Figure 769527DEST_PATH_IMAGE034
帧灰度图
Figure DEST_PATH_IMAGE035
中第
Figure 322169DEST_PATH_IMAGE006
个区域中第
Figure 683880DEST_PATH_IMAGE007
个像素点的灰度，
Figure 598747DEST_PATH_IMAGE036
为帧图像个数，
Figure DEST_PATH_IMAGE037
为每一帧灰度图中第
Figure 57410DEST_PATH_IMAGE006
个区域中与
Figure 461846DEST_PATH_IMAGE008
对应位置的像素点与其他帧图像的第
Figure 497804DEST_PATH_IMAGE006
个区域中对应位置像素点灰度值的差异之和的均值，
Figure 685203DEST_PATH_IMAGE023
为像素点
Figure 60690DEST_PATH_IMAGE008
的宽度，
Figure 901607DEST_PATH_IMAGE038
为图像
Figure 175593DEST_PATH_IMAGE035
的第
Figure 622143DEST_PATH_IMAGE006
个区域中第
Figure 399606DEST_PATH_IMAGE007
个像素点的宽度，
Figure DEST_PATH_IMAGE039
为每一帧灰度图的第
Figure 598375DEST_PATH_IMAGE006
个区域中与
Figure 94078DEST_PATH_IMAGE008
对应位置像素点与所有帧图像第
Figure 341389DEST_PATH_IMAGE006
个区域中的像素点宽度差异之和的均值。
7.根据权利要求1所述的一种液压轴承超精加工中划伤的显著性识别方法，其特征在于，所述同一像素点的连续显著性特征的获取方法为：
将同一像素点在所有帧灰度图中的显著性特征进行累加得到同一像素点的连续显著性特征。
8.根据权利要求1所述的一种液压轴承超精加工中划伤的显著性识别方法，其特征在于，所述对轴承外圈内表面和内圈外表面中的划伤进行识别的方法为：
对连续显著性特征图进行边缘检测，若检测到边缘，则该边缘为轴承外圈内表面和内圈外表面中的划伤；若检测不到边缘，则无划伤。
9.一种液压轴承超精加工中划伤的显著性识别装置，其特征在于，包括图像采集单元，图像处理单元，划伤识别单元和控制分拣单元：
所述图像采集单元：采集轴承超精加工时的外圈内表面/内圈外表面的连续帧图像并将图像发送至图像处理单元；
所述图像处理单元：
对连续帧图像进行图像预处理得到对应的灰度图并将灰度图发送至划伤识别单元；
分别对所有帧灰度图进行相同的区域划分得到每一帧灰度图划分后的多个区域灰度图；
所述划伤识别单元：
根据每一帧灰度图中每个区域中的每个像素点和该区域内其他像素点的灰度差异及宽度差异得到每个像素点的区域显著性；
根据每一帧灰度图中每个像素点和其他帧图像中相对应位置的像素点的灰度差异和宽度差异得到每个像素点的位置显著性；
根据每个像素点的位置显著性和该像素点所在区域的区域显著性得到每一帧灰度图的每个区域中每个像素点的显著性特征；
提取所有帧灰度图中所有相对应的同一像素点；根据同一像素点在所有帧灰度图中的显著性特征计算同一像素点的连续显著性特征；
将所有同一像素点的连续显著性特征作为任意帧灰度图像中与该同一像素点对应像素点的灰度值，构建连续显著性特征图；
根据连续显著性特征图对轴承外圈内表面/内圈外表面中的划伤进行识别：
对连续显著性特征图进行边缘检测，若检测到边缘，则该边缘为轴承外圈内表面和内圈外表面中的划伤；若检测不到边缘，则无划伤，将划伤识别结果发送给控制分拣单元；
所述控制分拣单元：根据划伤识别结果控制分拣，若存在划伤，对划伤位置进行标记，控制机械臂将轴承内外圈分拣至磨削模块，根据标记位置对划伤进行磨削处理；若不存在划伤，控制机械臂将轴承内外圈分拣至防锈入库模块。
CN202210811501.2A 2022-07-12 2022-07-12 一种液压轴承超精加工中划伤的显著性识别方法及装置 Active CN114882300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210811501.2A CN114882300B (zh) 2022-07-12 2022-07-12 一种液压轴承超精加工中划伤的显著性识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210811501.2A CN114882300B (zh) 2022-07-12 2022-07-12 一种液压轴承超精加工中划伤的显著性识别方法及装置

Publications (2)

Publication Number Publication Date
CN114882300A CN114882300A (zh) 2022-08-09
CN114882300B true CN114882300B (zh) 2022-09-06

Family

ID=82683690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210811501.2A Active CN114882300B (zh) 2022-07-12 2022-07-12 一种液压轴承超精加工中划伤的显著性识别方法及装置

Country Status (1)

Country Link
CN (1) CN114882300B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336947A (zh) * 2013-06-21 2013-10-02 上海交通大学 基于显著性和结构性的红外运动小目标识别方法
CN114596551A (zh) * 2022-03-03 2022-06-07 湘潭大学 一种车载前视图像裂缝检测的方法
CN114612415A (zh) * 2022-03-06 2022-06-10 宁波九纵智能科技有限公司 基于深度残差网络与多通道图像融合的表面缺陷分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101647056B (zh) * 2007-03-16 2013-01-23 索尼株式会社 图像处理设备、图像显示器和图像处理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336947A (zh) * 2013-06-21 2013-10-02 上海交通大学 基于显著性和结构性的红外运动小目标识别方法
CN114596551A (zh) * 2022-03-03 2022-06-07 湘潭大学 一种车载前视图像裂缝检测的方法
CN114612415A (zh) * 2022-03-06 2022-06-10 宁波九纵智能科技有限公司 基于深度残差网络与多通道图像融合的表面缺陷分类方法

Also Published As

Publication number Publication date
CN114882300A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN115351598B (zh) 一种数控机床轴承检测方法
CN110009618B (zh) 一种轴类零件表面质量检测方法及装置
CN101710425B (zh) 基于图像灰度梯度和灰度统计直方图的自适应预分割方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
CN115147409B (zh) 基于机器视觉的手机壳生产品质检测方法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN117094916B (zh) 一种市政桥梁支座视觉检测方法
CN115115612A (zh) 一种用于机械配件的表面缺陷检测方法及系统
CN111476804A (zh) 托辊图像高效分割方法、装置、设备及存储介质
CN115063620B (zh) 一种基于比特分层罗茨风机轴承磨损检测方法
CN116051543B (zh) 一种用于钢材剥皮的缺陷识别方法
CN116703898A (zh) 一种精密机械轴承端面的质量检测方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN115861320A (zh) 一种汽车零件加工信息智能检测方法
CN113902713A (zh) 一种基于图像分割算法的多菌落体计数方法
CN113870202A (zh) 一种基于深度学习技术的远端芯片缺陷检测系统
CN115731198A (zh) 一种皮革表面缺陷智能检测系统
CN114882300B (zh) 一种液压轴承超精加工中划伤的显著性识别方法及装置
CN114833648B (zh) 液压泵轴承磨削工艺中的表面损伤识别及磨削控制方法
CN111707672A (zh) 风电回转支撑件表面缺陷检测方法
CN115254674B (zh) 一种轴承缺陷分选方法
CN117315670A (zh) 一种基于计算机视觉的水表读数区域检测方法

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