CN115018853B - 基于图像处理的机械组件缺陷检测方法 - Google Patents
基于图像处理的机械组件缺陷检测方法 Download PDFInfo
- Publication number
- CN115018853B CN115018853B CN202210953359.5A CN202210953359A CN115018853B CN 115018853 B CN115018853 B CN 115018853B CN 202210953359 A CN202210953359 A CN 202210953359A CN 115018853 B CN115018853 B CN 115018853B
- Authority
- CN
- China
- Prior art keywords
- value
- gray
- initial
- pixel
- point
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 28
- 239000000126 substance Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机械组件缺陷检测技术领域,具体涉及基于图像处理的机械组件缺陷检测方法。该方法通过光学手段,具体是利用可见光手段获取初始机械组件表面图像;获取图像中存在的各噪声点;构建各噪声点对应的滤波模板,并进行滤波,得到目标机械组件表面图像;对第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值,进而对垫片区域进行划分,得到第一集合、第二集合和第三集合;根据各集合中的像素点的数量,得到垫片表面的缺陷程度评估指标;若所述缺陷程度评估指标大于评估阈值,则判定垫片表面存在严重缺陷。本发明利用可见光手段进行材料分析和测试,实现了以较低的成本更加可靠地对机械组件的缺陷进行检测。
Description
技术领域
本发明涉及机械组件缺陷检测技术领域,具体涉及基于图像处理的机械组件缺陷检测方法。
背景技术
目前对于机械组件的缺陷检测控制方法较为单一,大多采用硬件检测设备、人工视觉检测等方法;考虑到长时间的人工目测会对人体眼睛视力造成影响,不仅效率较低,同时还会导致检测结果出现大量的误检错检的情况,因此可靠性也较低;此外,传感器等硬件检测设备在对产品进行检测是需要接触到产品的表面,因此会对产品自身带来影响,例如划痕;又由于硬件系统价格较高,同时传感器等硬件检测设备常会出现各种故障,导致检测结果出现异常,进而使得成本较高且可靠性难以保证。
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机械组件缺陷检测方法,所采用的技术方案具体如下:
本发明提供了一种基于图像处理的机械组件缺陷检测方法包括以下步骤:
获取相机在初始位置时拍摄的机械组件表面图像,所述机械组件为环形垫片;
根据所述机械组件表面图像中各像素点的灰度值,对相机的位置进行调整;根据调整后的相机,获取初始机械组件表面图像;
根据初始机械组件表面图像中各像素点的像素值,得到初始机械组件表面图像中存在的各噪声点;根据各噪声点对应的像素值,构建各噪声点对应的滤波模板;根据各噪声点对应的滤波模板对初始机械组件表面图像进行滤波,得到目标机械组件表面图像;
对预设的第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值;根据第一灰度阈值和第二灰度阈值,对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合;
根据第一集合、第二集合和第三集合中的像素点的数量和各像素点的灰度值,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标;若所述缺陷程度评估指标大于预设的评估阈值,则判定垫片表面存在严重缺陷。
优选的,根据所述机械组件表面图像中各像素点的灰度值,对相机的位置进行调整,包括:
对机械组件表面图像进行灰度化处理,得到对应的灰度图像;
以灰度图像中垫片区域的中心点为坐标原点,以设定半径做圆,记为第一圆周;所述垫片区域为圆环状;
根据第一圆周上相邻像素点的灰度值,计算各像素点对应的灰度梯度值;判断第一圆周上是否存在灰度梯度值大于设定梯度阈值的像素点,若存在,则依次判断第一圆周上的各像素点的灰度值是否小于预设目标灰度阈值,若小于,则将对应像素点保留;根据像素点保留的顺序构建暗区域序列,将暗区域序列中间位置对应的像素点记为暗区域的中心点;过暗区域的中心点和所述坐标原点作一条直线,记为对称轴;
控制相机沿对称轴旋转至与垫片表面平行;
调整相机与垫片的距离,得到不同距离下对应的垫片表面图像;根据所述不同距离下对应的垫片表面图像,得到相机距离垫片表面的最佳距离;
基于所述最佳距离对相机进行调整。
优选的,根据初始机械组件表面图像中各像素点的像素值,得到初始机械组件表面图像中存在的各噪声点,包括:
对于初始机械组件表面图像中第b个像素点:
根据该像素点对应的像素值与对应的八邻域内其他的像素点对应的像素值,计算该像素点对应的噪点判定因子;
若所述噪声判定因子大于噪声阈值,则判定该像素点为噪声点;
所述计算该像素点对应的噪点判定因子的公式如下:
其中,为第b个像素点的噪声判定因子,为第b个像素点对应的R通道的值,为第b个像素点对应的G通道的值,为第b个像素点对应的B通道的值,为第b个像素点对应的八邻域内的第j像素点对应的R通道的值,为第b个像素点对应的八邻域内的第j像素点对应的G通道的值,为第b个像素点对应的八邻域内的第j像素点对应的B通道的值,为最小值。
优选的,根据各噪声点对应的像素值,构建各噪声点对应的滤波模板,包括:
第c个噪声点对应的滤波模板为:
其中,为第c个噪声点对应的滤波模板,为第c个噪声点对应的滤波模板中的第j个模板值,为第c个噪声点对应的滤波模板中的第1个模板值,为第c个噪声点对应的滤波模板中的第2个模板值,为第c个噪声点对应的滤波模板中的第3个模板值,为第c个噪声点对应的滤波模板中的第4个模板值,为第c个噪声点对应的滤波模板中的第5个模板值,为第c个噪声点对应的滤波模板中的第6个模板值,为第c个噪声点对应的滤波模板中的第7个模板值,为第c个噪声点对应的滤波模板中的第8个模板值,为第c个噪声点与对应的八邻域内的第j个像素点之间的欧氏距离,为第c个噪声点对应的R通道的值,为第c个噪声点对应的G通道的值,为第c个噪声点对应的B通道的值,为第c个像素点对应的八邻域内的第j像素点对应的R通道的值,为第c个像素点对应的八邻域内的第j像素点对应的G通道的值,为第c个像素点对应的八邻域内的第j像素点对应的B通道的值,e为自然常数。
优选的,对预设的第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值,包括:
基于第一初始灰度阈值和第二初始灰度阈值,将目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一初始集合、第二初始集合和第三初始集合;所述第一初始集合包括目标机械组件表面图像中垫片区域内灰度值小于等于的像素点,所述第二初始集合包括目标机械组件表面图像中垫片区域内灰度值处于的像素点,所述第三初始集合包括目标机械组件表面图像中垫片区域内灰度值大于等于的像素点;
统计第一初始集合、第二初始集合和第三初始集合内像素点的数量;根据所述像素点的数量对所述第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值。
优选的,根据所述像素点的数量对所述第一初始灰度阈值和第二初始灰度阈值进行调整得到第一灰度阈值和第二灰度阈值,包括:
其中,为第一灰度阈值,为第二灰度阈值,为第二初始集合内像素点对应的灰度值的方差值,为第一初始集合内像素点对应的灰度值的方差值,为第三初始集合内像素点对应的灰度值的方差值,为归一化后的,为归一化后的,为可取的最大灰度值;
优选的,根据第一灰度阈值和第二灰度阈值,对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合,包括:
所述第一集合包括目标机械组件表面图像中垫片区域内灰度值小于等于第一灰度阈值的像素点;所述第二集合包括目标机械组件表面图像中垫片区域内灰度值大于第一灰度阈值且小于第二灰度阈值的像素点;所述第三集合包括目标机械组件表面图像中垫片区域内灰度值大于等于第二灰度阈值的像素点。
优选的,根据第一集合、第二集合和第三集合中的像素点的数量和各像素点的灰度值,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标,包括:
对于第一集合:基于第一集合内每个像素点对应的灰度值构建对应的高斯模型;获取第一集合对应的高斯模型对应的模型参数,所述模型参数包括平均值和标准差;根据模型参数构建第一集合对应的特征向量;
根据第一集合、第二集合和第三集合对应的特征向量,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标;
所述缺陷程度评估指标的计算公式如下:
其中,为目标机械组件表面图像对应的垫片表面的缺陷程度评估指标,为第一集合对应的特征向量,为第二集合对应的特征向量,为第三集合对应的特征向量,为第一集合对应的特征向量和第二集合对应的特征向量的余弦相似度,为第二集合对应的特征向量和第三集合对应的特征向量的余弦相似度,为第一集合中像素点的数量,为第二集合中像素点的数量,为第三集合中像素点的数量。
本发明具有如下有益效果:
本发明首先根据相机在初始位置时拍摄的机械组件表面图像,对相机的位置进行调整,获取初始机械组件表面图像,所述调整后的相机能够拍摄到质量最好的图像,能够更好的对图像中垫片表面的缺陷进行检测,以提高检测精度;然后本发明根据初始机械组件表面图像中各像素点的像素值,得到初始机械组件表面图像中存在的各噪声点,并根据各噪声点对应的滤波模板对初始机械组件表面图像进行滤波,得到目标机械组件表面图像;为了更加准确地对图像中的缺陷区域进行划分,本发明对预设的第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值,进而对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合;最后根据第一集合、第二集合和第三集合中的像素点的数量和各像素点的灰度值,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标;若所述缺陷程度评估指标大于预设的评估阈值,则判定垫片表面存在严重缺陷。本发明除了通过对相机的位置进行调整以提高图像的质量来提高检测精度外,还自适应的调节对图像进行划分的阈值,使得图像中的缺陷像素点能够更好的划分出来,本发明能够对垫片表面的缺陷进行准确、快速的识别,并对垫片缺陷程度进行判定,对于缺陷严重的垫片能够进行及时预警。本发明实现了以较低的成本更加可靠地对机械组件的缺陷进行检测。
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为本发明提供的一种基于图像处理的机械组件缺陷检测方法的流程图;
图2为环形ROI区域对应的暗区域和亮区域示意图。
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能效果,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机械组件缺陷检测方法进行详细说明如下。
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机械组件缺陷检测方法的具体方案。
基于图像处理的机械组件缺陷检测方法实施例:
如图1所示,本实施例的一种基于图像处理的机械组件缺陷检测方法包括以下步骤:
步骤S1,获取相机在初始位置时拍摄的机械组件表面图像,所述机械组件为环形垫片。
为了实现对机械组件缺陷的检测,本实施例通过相机获取机械组件表面图像;但是传统图像采集,往往是通过人为放置待检测产品或者流水线式检测,该方法无法保证待检测机械组件的位置最佳,会影响图像的质量,导致图像中的特征信息不明显、模糊等,进而影响后续缺陷识别的精度。
为了得到清晰度最好的机械组件表面图像,以提高后续缺陷检测的可靠性;本实施例设置机械手搭载相机,通过机械手移动带动相机移动进行图像采集,图像采集过程中的光源与相机位置一致,光源位于检测区域上方,从上往下打光。
首先通过机械手将相机置于机械组件的上方,以实现对机械组件的拍摄,将相机在该位置下拍摄得到的机械组件表面图像记为相机在初始位置时拍摄的机械组件表面图像;本实施例的机械组件具体以环形垫片为例,因此本实施例中得到的机械组件表面图像即为垫片表面的图像。
至此,本实施例得到了相机在初始位置时拍摄到的机械组件表面图像。
步骤S2,根据所述机械组件表面图像中各像素点的灰度值,对相机的位置进行调整;根据调整后的相机,获取初始机械组件表面图像。
考虑到相机在不同位姿下采集的图像特征有所差异,机械组件表面图像的成像效果与相机拍摄垫片时与垫片表面的位置关系有关;当相机与垫片之间平行时,相机所采集的图像灰度分布均匀,图像所包含的特征信息明显;当相机与垫片存在较大夹角时,相机所采集的图像灰度分布是不均匀的,当垫片距离相机较近时,反射到相机的光越多,即垫片中距离相机近的一侧成像之后,对应区域较亮,灰度值较小;反之,垫片中距离相机远的一侧成像之后,对应区域较暗,灰度值较大,且较亮区域与较暗区域在图像中都是轴对称分布的。因此本实施例对相机在初始位置拍摄的机械组件表面图像进行分析,对相机的位姿进行调整。
本实施例中相机拍摄的机械组件表面图像除了包括垫片部分之外,还包括背景部分;为降低系统检测量,本实施例先对机械组件表面图像进行分割处理,便于得到图像中的垫片区域以进行后续分析,调整相机的位姿,具体的:
首先对机械组件表面图像进行灰度化处理,得到对应的灰度图像;然后根据所述灰度图像中各像素点的灰度值,构建对应的灰度直方图,其中的灰度等级的范围为(Gmin,Gmax);进一步迭代分析获取最佳分割阈值,构建阈值计算模型:
对于上述灰度直方图,当两部分的面积积分均值相等时所对应的灰度等级为最佳分割阈值,即GT;本实施例基于最佳分割阈值GT对图像进行分割处理,得到对应的二值图像,所述二值图像中灰度值为1的像素点构成了垫片区域,灰度值为0的像素点构成了背景区域。
得到二值图像之后,考虑到垫片为圆环状,为了分析原图像的图像特征,同时减小后续步骤计算量,本实施例将基于所述二值图像对机械组件表面图像中的ROI区域进行提取,具体的:本实施例首先通过霍夫变换对二值图像进行处理,检测二值图像中圆形的外边缘(即垫片的外边缘),然后获取其对应的圆心(即垫片区域的中心点)以及半径r;以相同的圆心,0.8r为半径,拟合出一个同心圆形,然后将两个圆之间的环形区域作为所述ROI区域;将该所述ROI区域作为掩膜,与相机拍摄的机械组件表面图像进行相乘操作,得到机械组件表面图像中的环状ROI区域,所述环状ROI区域为机械组件表面图像中的部分垫片区域。本实施例中霍夫变换为现有技术,在此就不再赘述。
由于较亮的区域与较暗的区域在图像中是轴对称分布的,因此本实施例根据环状ROI区域中各像素点的灰度值,来获取对称轴,具体的:所述在得到了相机拍摄的机械组件表面图像中的环状ROI区域之后,对所述环状ROI区域进行灰度化处理,得到所述环状ROI区域对应的灰度图像,接着以环状ROI区域的中心点作为坐标原点,以0.9r为半径作圆,记为第一圆周;根据第一圆周上相邻像素点的灰度值计算各像素点对应的灰度梯度值,判断第一圆周上是否存在灰度梯度值大于设定梯度阈值的像素点,若不存在,则判定灰度图像中不存在亮区域和暗区域,初始位置时的相机与垫片表面平行,不需要调整。
若存在,则判定存在亮区域和暗区域,说明初始位置时的相机与垫片表面不平行,需要对相机位姿进行调整;本实施例依次统计环状ROI区域中第一圆周上的各像素点的灰度值是否小于预设目标灰度阈值,若小于,则将对应像素点保留;根据像素点保留的顺序构建暗区域序列,将暗区域序列中间位置对应的像素点记为暗区域的中心点,过暗区域的中心点和环状ROI区域的中心点(即所述坐标原点)作一条直线,将所述直线作为所述环状ROI区域的对称轴;本实施例将所述环状ROI区域中灰度值小于目标灰度阈值的像素点组成的区域记为暗区域,其他像素点组成的区域记为亮区域,如图2所示,图中圆环为所述ROI区域,1为对称轴,2为暗区域,3为亮区域,4和5为暗区域和亮区域的分界线。本实施例中梯度阈值和目标灰度阈值的大小由实施者根据实际需要进行设定。
相机相对于垫片表面发生倾斜的程度越大,暗区域占比越大,也就是说需要将相机旋转的角度与暗区域的占比成正相关关系。本实施例中对称轴的方向是从亮区域指向暗区域,将机械手沿对称轴方向向下旋转一定的旋转角度,使得相机平行于垫片表面。
本实施例中机械手的旋转角度为:
至此本实施例将相机调整至与垫片表面平行时的位姿。
按照上述旋转方向和旋转角度对相机位置进行调整之后,只能保证相机与垫片表面相对平行,但是无法保证相机距离垫片的距离为最佳距离,所述最佳距离即在该距离下相机拍摄得到的垫片表面图像质量很高,具有足够高的清晰度;质量较高的清晰图像具有较为清晰地边缘信息,即图像的整体梯度值较大。
为了得到相机距离垫片的最佳距离,本实施例多次调整相机距离垫片的距离,分别采集了各距离对应的垫片表面图像,并获取各距离对应的垫片表面图像中各像素点对应的灰度值;基于得到的这些垫片表面图像中各像素点的灰度值,计算各垫片表面图像对应的图像评价指标,图像评价指标越大,说明在对应距离下得到的垫片表面图像的清晰度越高。本实施例中任一距离对应的垫片表面图像的图像评价指标的计算公式为:
至此,得到了各距离对应的垫片表面图像对应的图像评价指标。本实施例基于各距离对应的垫片表面图像对应的图像评价指标,构建图像评价指标与距离之间的函数关系:,其中D为距离(相机与垫片表面的距离);然后根据所述函数关系即可得到图像评价指标最高时对应的距离,将图像评价指标最高时对应的距离作为相机距离垫片的最佳距离。得到最佳距离后将相机再调整至对应的最佳距离,将调整后的相机拍摄的图像为最终用来缺陷检测的图像,此时的图像清晰,且灰度分布均匀。
步骤S3,根据初始机械组件表面图像中各像素点的像素值,得到初始机械组件表面图像中存在的各噪声点;根据各噪声点对应的像素值,构建各噪声点对应的滤波模板;根据各噪声点对应的滤波模板对初始机械组件表面图像进行滤波,得到目标机械组件表面图像。
本实施例根据步骤S2对相机的位姿和距离进行了调节,将利用调节后的相机拍摄到的垫片表面的图像记为初始机械组件表面图像。
接下来本实施例对初始机械组件表面图像中垫片区域的像素进行分析,以检测垫片表面存在的缺陷区域;考虑到若初始机械组件表面图像中出现噪点,将会影响表面缺陷检测效果,因此,本实施例对初始机械组件表面图像进行滤波处理,所述滤波过程具体为:
为提高滤波速度,降低系统检测量,本实施例首先对初始机械组件表面图像中的噪点数据进行识别;考虑到噪点数据具有孤立特征,因此基于初始机械组件表面图像中各像素点对应的像素值与对应的八邻域内其他的像素点对应的像素值,计算初始机械组件表面图像中各像素点对应的噪点判定因子,来提取出图像中存在的噪声点;对于初始机械组件表面图像中第b个像素点的噪声判定因子的计算公式如下:
其中,为第b个像素点的噪声判定因子,为第b个像素点对应的R通道的值, 为第b个像素点对应的G通道的值,为第b个像素点对应的B通道的值,为第b个像素点对应的八邻域内的第j像素点对应的R通道的值,为第b个像素点对应的八邻域内的第j像素点对应的G通道的值,为第b个像素点对应的八邻域内的第j像素点对应的B通道的值,为最小值。
本实施例将第b个像素点对应的RGB三个通道的值分别与对应的八邻域内每个像素点对应的RGB三个通道的值进行对比,然后以最小的差异值作为第b个像素点对应的噪声判定因子;若噪声判定因子大于噪声阈值,说明第b个像素点为孤立点,即第b个像素点为图像中的一个噪声点,因此将图像中的第b个像素点标记为噪声点;若噪声判定因子小于等于噪声阈值,则判定第b个像素点为正常像素点。同理本实施例对初始机械组件表面图像中的每个像素点都进行判断,进而对图像中存在的所有噪声点进行标注,得到初始机械组件表面图像中的各噪声点。
然后,本实施例根据图像中各噪声点八邻域内的各像素点对应的RGB三个通道的值,构建各噪声点对应的滤波模板,进而对图像中存在的各噪声点进行去噪,得到去噪后的初始机械组件表面图像;对于第c个噪声点对应的滤波模板为:
其中,为第c个噪声点对应的滤波模板,为第c个噪声点对应的滤波模板中的第j个模板值(即第c个噪声点对应的八邻域内第j个像素点对应的模板值),为第c个噪声点对应的滤波模板中的第1个模板值,为第c个噪声点对应的滤波模板中的第2个模板值,为第c个噪声点对应的滤波模板中的第3个模板值,为第c个噪声点对应的滤波模板中的第4个模板值,为第c个噪声点对应的滤波模板中的第5个模板值,为第c个噪声点对应的滤波模板中的第6个模板值,为第c个噪声点对应的滤波模板中的第7个模板值,为第c个噪声点对应的滤波模板中的第8个模板值,为第c个噪声点与对应的八邻域内的第j个像素点之间的欧氏距离,为第c个噪声点对应的R通道的值,为第c个噪声点对应的G通道的值,为第c个噪声点对应的B通道的值,为第c个像素点对应的八邻域内的第j像素点对应的R通道的值,为第c个像素点对应的八邻域内的第j像素点对应的G通道的值,为第c个像素点对应的八邻域内的第j像素点对应的B通道的值,e为自然常数。
至此,本实施例根据上述公式能够得到各噪声点对应的滤波模板;然后根据各噪声点对应的滤波模板对初始机械组件表面图像中的噪声点进行自适应滤波处理,将滤波后的初始机械组件表面图像记为目标机械组件表面图像。
步骤S4,对预设的第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值;根据第一灰度阈值和第二灰度阈值,对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合。
对图像进行滤波处理之后,本实施例将对目标机械组件表面图像中缺陷区域进行识别;正常情况下,目标机械组件表面图像中垫片区域内的像素点灰度分布较为均匀,灰度差异较小,当垫片表面中出现凸凹不平等缺陷状况时,在图像中将会出现高亮以及过暗的区域;接下来,本实施例将对目标机械组件表面图像中垫片区域内的像素点进行分析,以判断对应的垫片表面是否存在缺陷,以及对应的缺陷区域。
本实施例首先根据步骤S2中对图像进行二值分割得到二值图像的方法对目标机械组件表面图像进行二值分割,得到目标机械组件表面图像对应的二值图像,记为目标二值图像,所述目标二值图像中灰度值为1的像素点构成了垫片区域,灰度值为0的像素点构成了背景区域。本实施例将目标机械组件表面图像进行灰度化处理,得到目标机械组件表面图像中各像素点对应的灰度值;目标机械组件表面图像与目标二值图像中的像素点是一一对应的,因此目标机械组件表面图像中垫片区域内的像素点即为目标二值图像中灰度值为1的像素点在目标机械组件表面图像中对应的像素点。接下来本实施例对目标机械组件表面图像中垫片区域内的像素点进行分析。
首先,本实施例将基于人为对大量数据的分析,预设两个灰度阈值,记为第一初始灰度阈值和第二初始灰度阈值,其中;本实施例基于第一初始灰度阈值和第二初始灰度阈值,将目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一初始集合、第二初始集合和第三初始集合,所述第一初始集合包括目标机械组件表面图像中垫片区域内灰度值小于等于的像素点,所述第二初始集合包括目标机械组件表面图像中垫片区域内灰度值处于的像素点,所述第三初始集合包括目标机械组件表面图像中垫片区域内灰度值大于等于的像素点。
然后,分别对第一初始集合、第二初始集合和第三初始集合内的像素点数量进行统计;考虑到通常情况下,垫片表面大部分区域为正常区域,会存在少数的缺陷像素点,因此当出现三个集合内的像素点数量相近以及两个数量较高的集合数量相差较小时,本实施例则认为预设的第一初始灰度阈值和第二初始灰度阈值精度不高,存在误划分问题,因此,将设置修正模型,对第一初始灰度阈值和第二初始灰度阈值进行自适应调节,以提高垫片区域内像素点类别划分的精度,具体的:
当时,其中为第二初始集合像素点的数量,为第一初始集合内像素点的数量,为第三初始集合内像素点的数量,k为判定倍数,实施者可自行设定,本实施例认为由于预设的第一初始灰度阈值和第二初始灰度阈值准确性较低,导致大量的正常像素点被误分类为缺陷像素点,因此对第一初始灰度阈值和第二初始灰度阈值进行调整,设置对应的第一修正模型,即:
其中,为第一灰度阈值(即将第一初始灰度阈值调整后的值),为第二灰度阈值(即将第二初始灰度阈值调整后的值),为第二初始集合内像素点对应的灰度值的方差值(即第二初始集合内各像素点对应的灰度值与所有像素点对应的灰度值的平均数之差的平方值的平均数),为第一初始集合内像素点对应的灰度值的方差值,为第三初始集合内像素点对应的灰度值的方差值,为归一化后的,为归一化后的,为可取的最大灰度值。
当时,认为对应的初始集合所对应的初始阈值精度较低、不够准确,无法将垫片区域内的像素点进行准确地划分,将对应的初始灰度阈值作为偏移阈值(若,则对应第一初始集合,对应第一初始灰度阈值,将第一初始灰度阈值记为偏移阈值;若,则对应第三初始集合,对应第二初始灰度阈值,将第二初始灰度阈值记为偏移阈值);因此本实施例对偏移阈值进行修正:若偏移阈值为,则,;若偏移阈值为,则,。
至此,本实施例对第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值。
接下来本实施例根据第一灰度阈值和第二灰度阈值,对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合,所述第一集合包括目标机械组件表面图像中垫片区域内灰度值小于等于第一灰度阈值的像素点,所述第二集合包括目标机械组件表面图像中垫片区域内灰度值大于第一灰度阈值小于第二灰度阈值的像素点,所述第三集合包括目标机械组件表面图像中垫片区域内灰度值大于等于第二灰度阈值的像素点。
步骤S5,根据第一集合、第二集合和第三集合中的像素点的数量和各像素点的灰度值,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标;若所述缺陷程度评估指标大于预设的评估阈值,则判定垫片表面存在严重缺陷。
本实施例根据步骤S4对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合,保证了像素点的划分精度,进而保证后续缺陷检测的效果。
接下来,对于第一集合:基于第一集合内每个像素点对应的灰度值构建对应的高斯模型;然后获取第一集合对应的高斯模型对应的模型参数,即,其中为平均值,为标准差,基于此构建第一集合对应的特征向量:;同理本实施例可以得到每个集合对应的特征向量。
本实施例根据第一集合、第二集合和第三集合对应的特征向量,对目标机械组件表面图像中垫片区域的缺陷程度进行分析,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标,具体公式如下:
其中,为目标机械组件表面图像对应的垫片表面的缺陷程度评估指标,为第一集合对应的特征向量,为第二集合对应的特征向量,为第三集合对应的特征向量,为第一集合对应的特征向量和第二集合对应的特征向量的余弦相似度,为第二集合对应的特征向量和第三集合对应的特征向量的余弦相似度,为第一集合中像素点的数量,为第二集合中像素点的数量,为第三集合中像素点的数量。
至此,本实施例将设置评估阈值Qt,若所述缺陷程度评估指标大于Qt,则判定该垫片的缺陷程度较为严重,无法用于后续的机械组件中,应将该垫片舍弃,返回生产车间进行垫片的重新铸造,以保证机械组件的产品质量;目标机械组件表面图像中第一集合和第三集合包含的像素点对应的区域为缺陷存在的区域。本实施例中评估阈值的大小需根据实际需要进行设置。
本实施例首先根据相机在初始位置时拍摄的机械组件表面图像,对相机的位置进行调整,获取初始机械组件表面图像,所述调整后的相机能够拍摄到质量最好的图像,能够更好的对图像中垫片表面的缺陷进行检测,以提高检测精度;然后本实施例根据初始机械组件表面图像中各像素点的像素值,得到初始机械组件表面图像中存在的各噪声点,并根据各噪声点对应的滤波模板对初始机械组件表面图像进行滤波,得到目标机械组件表面图像;为了更加准确地对图像中的缺陷区域进行划分,本实施例对预设的第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值,进而对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合;最后根据第一集合、第二集合和第三集合中的像素点的数量和各像素点的灰度值,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标;若所述缺陷程度评估指标大于预设的评估阈值,则判定垫片表面存在严重缺陷。本实施例除了通过对相机的位置进行调整以提高图像的质量来提高检测精度外,还自适应的调节对图像进行划分的阈值,使得图像中的缺陷像素点能够更好的划分出来,本发明能够对垫片表面的缺陷进行准确、快速的识别,并对垫片缺陷程度进行判定,对于缺陷严重的垫片能够进行及时预警。本实施例实现了以较低的成本更加可靠地对机械组件的缺陷进行检测。
需要说明的是: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 (6)
1.一种基于图像处理的机械组件缺陷检测方法,其特征在于,该方法包括以下步骤:
获取相机在初始位置时拍摄的机械组件表面图像,所述机械组件为环形垫片;
根据所述机械组件表面图像中各像素点的灰度值,对相机的位置进行调整;根据调整后的相机,获取初始机械组件表面图像;
根据初始机械组件表面图像中各像素点的像素值,得到初始机械组件表面图像中存在的各噪声点;根据各噪声点对应的像素值,构建各噪声点对应的滤波模板;根据各噪声点对应的滤波模板对初始机械组件表面图像进行滤波,得到目标机械组件表面图像;
对预设的第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值;根据第一灰度阈值和第二灰度阈值,对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合;
根据第一集合、第二集合和第三集合中的像素点的数量和各像素点的灰度值,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标;若所述缺陷程度评估指标大于预设的评估阈值,则判定垫片表面存在严重缺陷;
所述对预设的第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值,包括:
基于第一初始灰度阈值和第二初始灰度阈值,将目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一初始集合、第二初始集合和第三初始集合;所述第一初始集合包括目标机械组件表面图像中垫片区域内灰度值小于等于的像素点,所述第二初始集合包括目标机械组件表面图像中垫片区域内灰度值处于的像素点,所述第三初始集合包括目标机械组件表面图像中垫片区域内灰度值大于等于的像素点;
统计第一初始集合、第二初始集合和第三初始集合内像素点的数量;根据所述像素点的数量对所述第一初始灰度阈值和第二初始灰度阈值进行调整,得到第一灰度阈值和第二灰度阈值;
所述根据所述像素点的数量对所述第一初始灰度阈值和第二初始灰度阈值进行调整得到第一灰度阈值和第二灰度阈值,包括:
其中,为第一灰度阈值,为第二灰度阈值,为第二初始集合内像素点对应的灰度值的方差值,为第一初始集合内像素点对应的灰度值的方差值,为第三初始集合内像素点对应的灰度值的方差值,为归一化后的,为归一化后的,为可取的最大灰度值;
2.根据权利要求1所述的一种基于图像处理的机械组件缺陷检测方法,其特征在于,根据所述机械组件表面图像中各像素点的灰度值,对相机的位置进行调整,包括:
对机械组件表面图像进行灰度化处理,得到对应的灰度图像;
以灰度图像中垫片区域的中心点为坐标原点,以设定半径做圆,记为第一圆周;所述垫片区域为圆环状;
根据第一圆周上相邻像素点的灰度值,计算各像素点对应的灰度梯度值;判断第一圆周上是否存在灰度梯度值大于设定梯度阈值的像素点,若存在,则依次判断第一圆周上的各像素点的灰度值是否小于预设目标灰度阈值,若小于,则将对应像素点保留;根据像素点保留的顺序构建暗区域序列,将暗区域序列中间位置对应的像素点记为暗区域的中心点;过暗区域的中心点和所述坐标原点作一条直线,记为对称轴;
控制相机沿对称轴旋转至与垫片表面平行;
调整相机与垫片的距离,得到不同距离下对应的垫片表面图像;根据所述不同距离下对应的垫片表面图像,得到相机距离垫片表面的最佳距离;
基于所述最佳距离对相机进行调整。
3.根据权利要求1所述的一种基于图像处理的机械组件缺陷检测方法,其特征在于,根据初始机械组件表面图像中各像素点的像素值,得到初始机械组件表面图像中存在的各噪声点,包括:
对于初始机械组件表面图像中第b个像素点:
根据该像素点对应的像素值与对应的八邻域内其他的像素点对应的像素值,计算该像素点对应的噪点判定因子;
若所述噪声判定因子大于噪声阈值,则判定该像素点为噪声点;
所述计算该像素点对应的噪点判定因子的公式如下:
4.根据权利要求1所述的一种基于图像处理的机械组件缺陷检测方法,其特征在于,根据各噪声点对应的像素值,构建各噪声点对应的滤波模板,包括:
第c个噪声点对应的滤波模板为:
其中,为第c个噪声点对应的滤波模板,为第c个噪声点对应的滤波模板中的第j个模板值,为第c个噪声点对应的滤波模板中的第1个模板值,为第c个噪声点对应的滤波模板中的第2个模板值,为第c个噪声点对应的滤波模板中的第3个模板值,为第c个噪声点对应的滤波模板中的第4个模板值,为第c个噪声点对应的滤波模板中的第5个模板值,为第c个噪声点对应的滤波模板中的第6个模板值,为第c个噪声点对应的滤波模板中的第7个模板值,为第c个噪声点对应的滤波模板中的第8个模板值,为第c个噪声点与对应的八邻域内的第j个像素点之间的欧氏距离,为第c个噪声点对应的R通道的值,为第c个噪声点对应的G通道的值,为第c个噪声点对应的B通道的值,为第c个像素点对应的八邻域内的第j像素点对应的R通道的值,为第c个像素点对应的八邻域内的第j像素点对应的G通道的值,为第c个像素点对应的八邻域内的第j像素点对应的B通道的值,e为自然常数。
5.根据权利要求1所述的一种基于图像处理的机械组件缺陷检测方法,其特征在于,根据第一灰度阈值和第二灰度阈值,对目标机械组件表面图像中垫片区域内的像素点进行划分,得到第一集合、第二集合和第三集合,包括:
所述第一集合包括目标机械组件表面图像中垫片区域内灰度值小于等于第一灰度阈值的像素点;所述第二集合包括目标机械组件表面图像中垫片区域内灰度值大于第一灰度阈值且小于第二灰度阈值的像素点;所述第三集合包括目标机械组件表面图像中垫片区域内灰度值大于等于第二灰度阈值的像素点。
6.根据权利要求1所述的一种基于图像处理的机械组件缺陷检测方法,其特征在于,根据第一集合、第二集合和第三集合中的像素点的数量和各像素点的灰度值,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标,包括:
对于第一集合:基于第一集合内每个像素点对应的灰度值构建对应的高斯模型;获取第一集合对应的高斯模型对应的模型参数,所述模型参数包括平均值和标准差;根据模型参数构建第一集合对应的特征向量;
根据第一集合、第二集合和第三集合对应的特征向量,得到目标机械组件表面图像对应的垫片表面的缺陷程度评估指标;
所述缺陷程度评估指标的计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953359.5A CN115018853B (zh) | 2022-08-10 | 2022-08-10 | 基于图像处理的机械组件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953359.5A CN115018853B (zh) | 2022-08-10 | 2022-08-10 | 基于图像处理的机械组件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018853A CN115018853A (zh) | 2022-09-06 |
CN115018853B true CN115018853B (zh) | 2022-10-25 |
Family
ID=83066121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210953359.5A Active CN115018853B (zh) | 2022-08-10 | 2022-08-10 | 基于图像处理的机械组件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018853B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205165B (zh) * | 2022-09-16 | 2022-12-09 | 山东联博新材料科技有限公司 | 用于工业机械外壳的防腐材料喷涂方法 |
CN115294134B (zh) * | 2022-10-09 | 2023-01-20 | 誉隆半导体设备(江苏)有限公司 | 一种阀门密封面缺陷识别方法 |
CN115880248B (zh) * | 2022-12-13 | 2024-02-09 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
CN115601367B (zh) * | 2022-12-15 | 2023-04-07 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN115861133B (zh) * | 2023-02-22 | 2023-05-09 | 山东晋工科技有限公司 | 一种钻凿劈裂一体机的远程遥控无人驾驶系统 |
CN116071363B (zh) * | 2023-03-27 | 2023-06-16 | 山东中济鲁源机械有限公司 | 一种自动化型钢智能生产监测系统 |
CN116342610B (zh) * | 2023-05-31 | 2023-08-15 | 山东恒海钢结构有限公司 | 一种钢结构装配式建筑焊接异常检测方法 |
CN116630332B (zh) * | 2023-07-26 | 2023-09-26 | 山东华航高分子材料有限公司 | 一种基于图像处理的pvc塑料管口缺陷检测方法 |
CN116953196B (zh) * | 2023-09-20 | 2023-12-05 | 上海飞挺管业制造有限公司 | 一种钢制三通的缺陷检测与安全状态评估方法 |
CN117649391B (zh) * | 2023-12-11 | 2024-05-10 | 东莞市中钢模具有限公司 | 基于图像处理的压铸模具缺陷检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122271A (zh) * | 2014-07-09 | 2014-10-29 | 宁波摩视光电科技有限公司 | 一种基于aoi的子弹表观缺陷检测方法 |
CN112304958A (zh) * | 2020-11-25 | 2021-02-02 | 四川晶剑电子材料有限公司 | 基于机器视觉的铜带表面缺陷检测方法及系统 |
CN113610773B (zh) * | 2021-07-16 | 2023-08-08 | 广州大学 | 一种垫片孔洞质量检测方法、系统、装置及存储介质 |
CN113963042B (zh) * | 2021-12-21 | 2022-03-15 | 派立锐汽车零部件(武汉)有限公司 | 基于图像处理的金属零件缺陷程度评估方法 |
-
2022
- 2022-08-10 CN CN202210953359.5A patent/CN115018853B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115018853A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018853B (zh) | 基于图像处理的机械组件缺陷检测方法 | |
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN116721106A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
CN116051543B (zh) | 一种用于钢材剥皮的缺陷识别方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN115063430A (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
CN117541588A (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN114937004A (zh) | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN117333467B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 |
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 |