CN115049657A - 一种玻璃缺陷检测方法 - Google Patents
一种玻璃缺陷检测方法 Download PDFInfo
- Publication number
- CN115049657A CN115049657A CN202210971191.0A CN202210971191A CN115049657A CN 115049657 A CN115049657 A CN 115049657A CN 202210971191 A CN202210971191 A CN 202210971191A CN 115049657 A CN115049657 A CN 115049657A
- Authority
- CN
- China
- Prior art keywords
- superpixel
- block
- super
- defect
- sub
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 136
- 239000011521 glass Substances 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002950 deficient Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/90—
-
- 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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Abstract
本发明涉及缺陷检测技术领域,具体涉及一种玻璃缺陷检测方法,该方法采集玻璃图像得到对应的灰度图像,对灰度图像进行边缘检测得到轮廓线,将轮廓线划分为多个子轮廓线,对子轮廓线进行线状缺陷的标记;对玻璃图像进行超像素分割得到多个超像素块,将纹理特征和灰度特征组成每个超像素块的特征描述向量;获取每个超像素块的邻域搜索范围,基于特征描述向量分别计算每个超像素块与其邻域搜索范围内多个超像素块之间的距离,根据距离对超像素块进行块状缺陷的标记,结合线状缺陷和块状缺陷对玻璃图像进行缺陷识别。采取先线状缺陷检测再块状缺陷检测的分形缺陷检测方法,实现了对玻璃图像的缺陷的快速检测判断,提高了缺陷检测结果的准确性。
Description
技术领域
本发明涉及缺陷检测技术领域,具体涉及一种玻璃缺陷检测方法。
背景技术
玻璃是一种用来隔风且透光的建筑材料,广泛应用于城市中各个建筑物。由于玻璃的易碎性,玻璃的强度和安全性需要在生产过程中着重把关,而在玻璃生产过程中,由于工艺和环境的影响,会生产出有缺陷的玻璃,这严重影响了玻璃的结构性能,因此玻璃缺陷检测在玻璃生产中是非常有必要的一步。
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玻璃缺陷检测方法,所采用的技术方案具体如下:
采集玻璃图像得到对应的灰度图像;
利用canny算子对灰度图像进行边缘检测得到轮廓线,采用DBSCAN算法将所述轮廓线划分为多个子轮廓线,根据子轮廓线的长度、子轮廓线上每个采样点的梯度线与子轮廓线之间相交的像素点数量,得到子轮廓线的线状缺陷相似度,将线状缺陷相似度大于设定阈值的子轮廓线标记为线状缺陷;
对玻璃图像进行超像素分割得到多个超像素块,采用灰度共生矩阵提取每个超像素块的纹理特征,基于灰度图像得到每个超像素块的灰度直方图,提取灰度直方图中的灰度特征,将纹理特征和灰度特征组成每个超像素块的特征描述向量;
以每个超像素块为中心超像素块获取每个超像素块的邻域搜索范围,基于所述特征描述向量分别计算中心超像素块与其邻域搜索范围内N个超像素块之间的距离,得到中心超像素块对应的N个所述距离,N为正整数;将N个所述距离按照从小到大排序后计算前K个所述距离的平均值,K为正整数,且N大于K,当平均值大于平均值阈值时,确认中心超像素块为块状缺陷,所述平均值阈值和K值是对应中心超像素块的自适应参数;
当玻璃图像中存在线状缺陷或块状缺陷时,确认对应玻璃存在缺陷;反之,当玻璃图像中不存在线状缺陷和块状缺陷时,确认对应玻璃正常。
进一步的,所述根据子轮廓线的长度、子轮廓线上每个采样点的梯度线与子轮廓线之间相交的像素点数量,得到子轮廓线的线状缺陷相似度的方法,包括:
获取子轮廓线上每个采样点的宽度,得到平均宽度,将平均宽度与子轮廓线的长度之间的比值作为子轮廓线的线状缺陷相似度。
进一步的,所述纹理特征是指灰度共生矩阵的能量、熵值、对比度和逆差矩。
进一步的,所述灰度特征是指灰度直方图的统计特征方差、均值、峭度、歪度、熵和能量。
进一步的,所述以每个超像素块为中心超像素块获取每个超像素块的邻域搜索范围的方法,包括:
以当前超像素块作为中心超像素块构建第一势圈,第一势圈是指与中心超像素块有相交的像素点或轮廓线的超像素块所组成的区域,然后构建第二势圈,第二势圈是指与第一势圈有相交的像素点或轮廓线的超像素块所组成的区域,依次类推,直到得到第五势圈,则当前超像素块的邻域搜索范围。
进一步的,所述基于所述特征描述向量分别计算中心超像素块与其邻域搜索范围内N个超像素块之间的距离的方法,包括:
进一步的,所述平均值阈值和K值的获取方法为:
计算中心超像素块与第一势圈中所包含的超像素块之间的最小距离和最大距离以构成第一势圈的距离区间,进而得到每个势圈的距离区间;根据距离区间计算势圈中任意两个势圈的落差度,其中,和代表任意两个势圈的距离区间;
如果存在两个势圈的落差度小于落差度阈值时,得到这两个势圈对应的缺陷距离区间,且将势圈序号较小的势圈作为缺陷干扰势圈,统计缺陷干扰势圈中与中心超像素块的距离落入缺陷距离区间的个数作为缺陷干扰超像素块的个数;
对任意两个势圈进行相同的操作共得到个缺陷干扰超像素块和多个缺陷距离区间,根据缺陷干扰超像素块的数量得到;对缺陷距离区间求取并集,当平均值阈值大于所述并集中的最大值时,则不对平均值阈值进行修改;当平均值阈值小于或等于所述并集中的最大值时,则将所述并集中的上限作为平均值阈值。
本发明实施例至少具有如下有益效果:采取先线状缺陷检测再块状缺陷检测的分形缺陷检测方法,对玻璃图像进行缺陷检测,同时在块状缺陷检测过程中通过扩大邻域搜索范围和自适应获取每个超像素块的参数,解决了缺陷横跨多个相邻超像素块而被误分类或检测不出来的问题,实现了对玻璃图像的缺陷的快速检测判断,提高了缺陷检测结果的准确性。
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玻璃缺陷检测方法的步骤流程图。
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玻璃缺陷检测方法,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玻璃缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种玻璃缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集玻璃图像得到对应的灰度图像。
步骤S002,利用canny算子对灰度图像进行边缘检测得到轮廓线,采用DBSCAN算法将轮廓线划分为多个子轮廓线,根据子轮廓线的长度、子轮廓线上每个采样点的梯度线与子轮廓线之间相交的像素点数量,得到子轮廓线的线状缺陷相似度,将线状缺陷相似度大于设定阈值的子轮廓线标记为线状缺陷。
具体的,玻璃缺陷的形态主要包括块状缺陷(气泡、结石和夹杂)和线状缺陷(划痕),如果仅仅采用块状缺陷检测方法,则线状缺陷不贴合超像素块的形态结构,即采用超像素分割对图像进行块状区域划分时,线状缺陷会出现在相邻的超像素块的边缘,而对超像素块内部特征以及对不同超像素块之间进行聚类等操作时,无法对线状缺陷进行分析和检测;如果仅仅采用线状缺陷检测方法,会由于部分缺陷边缘不明显而难以被检测出来,由此本发明实施例提出一种分形缺陷检测方法,采取先线状缺陷检测再块状缺陷检测的分形缺陷检测方法。
对玻璃图像进行线状缺陷检测的方法为:采用canny算子提取玻璃图像中的边缘信息得到轮廓线,然后采用形态学的闭运算对断裂的轮廓线进行填补,考虑到玻璃图像可能出现多个缺陷区域,其包含多条缺陷轮廓线,然后对轮廓线采用DBSCAN算法,设置邻域半径和数目阈值,将轮廓线分为独立的条子轮廓线,为正整数;分别对条子轮廓线进行线状缺陷检测,首先每条子轮廓线进行细化,得到单像素的轮廓骨架,将轮廓骨架包含的像素数目作为子轮廓线的长度,然后在轮廓线上每隔均匀地对轮廓骨架进行采样,采用sobel算法计算采样点处的水平方向梯度和竖直方向梯度,以采样点为中心,梯度为斜率做梯度线,将梯度线与子轮廓线相交的像素点数目作为该采样点的宽度,对这五个宽度求取均值得到平均宽度,进而得到线状缺陷相似度;分别获取条子轮廓线的线状缺陷相似度,设置线状缺陷相似度阈值,将线状缺陷相似度大于的子轮廓线标记为线状缺陷。
步骤S003,对玻璃图像进行超像素分割得到多个超像素块,采用灰度共生矩阵提取每个超像素块的纹理特征,基于灰度图像得到每个超像素块的灰度直方图,提取灰度直方图中的灰度特征,将纹理特征和灰度特征组成每个超像素块的特征描述向量。
具体的,采用超像素分割方法,将玻璃图像分割成多个超像素块,其中设置超像素个数,得到个超像素块。由于正常玻璃表面呈现相似的纹理及灰度特征,采用灰度共生矩阵和基于灰度直方图的灰度统计特征提取每个超像素块的特征,则对当前超像素块进行特征描述:对当前超像素块采用灰度共生矩阵提取纹理信息,保存灰度共生矩阵的能量、熵值、对比度和逆差矩特征作为当前超像素块的纹理特征;然后基于灰度图像得到当前超像素块的灰度直方图,将灰度直方图的统计特征方差、均值、峭度、歪度、熵和能量作为当前超像素块的灰度特征,由此得到当前超像素块的特征描述向量。
步骤S004,以每个超像素块为中心超像素块获取每个超像素块的邻域搜索范围,基于特征描述向量分别计算中心超像素块与其邻域搜索范围内N个超像素块之间的距离,得到中心超像素块对应的N个距离;将N个距离按照从小到大排序后计算前K个距离的平均值,当平均值大于平均值阈值时,确认中心超像素块为块状缺陷。
具体的,对超像素块进行块状缺陷检测的方法,包括以下步骤:
考虑到结石缺陷内部的灰度和纹理特征不是均匀的,即同一缺陷包含不少于一个的具有不同的特征描述向量的超像素块,而同一缺陷的具有不同的特征描述向量的超像素块之间的距离可能要小于这些超像素块与正常玻璃表面超像素块的距离,如果仅仅分析超像素块与其近邻超像素块的距离,可能会出现比较的两个超像素块属于同一缺陷由于其距离小于距离阈值而缺陷无法被识别的情况,由此需要扩大超像素块的邻域搜索范围来进行块状缺陷检测,则每个超像素块的邻域搜索范围的方法为:以每个超像素块作为中心超像素块构建第一势圈,第一势圈是指与中心超像素块有相交的像素点或轮廓线的超像素块所组成的区域,接着构建第二势圈,第二势圈是指与第一势圈有相交的像素点或轮廓线的超像素块所组成的区域,重复上述步骤,直到得到第五势圈,由此得到中心超像素块的邻域搜索范围,进而得到每个超像素块的邻域搜索范围。
将邻域搜索区域范围中的个超像素块与中心超像素块都计算距离,N为正整数,将这个距离从小到大排序,选择排序后的前个距离的平均值,K为正整数,且N大于K,当平均值大于平均值阈值0.8时,确认中心超像素块为块状缺陷。
对于中心超像素块,分别计算中心超像素块与第一势圈、第二势圈、第三势圈、第四势圈和第五势圈中包含的超像素块的最小距离和最大距离作为每个势圈的距离区间的两个端点,进一步根据距离区间判断势圈之间是否有距离落差,对于五个势圈的每两个距离区间计算落差度:
如果存在两个势圈的落差度小于落差度阈值,则将势圈序号较小的势圈作为缺陷干扰势圈,并统计缺陷干扰势圈中与中心超像素块的距离落入缺陷距离区间的个数作为缺陷干扰超像素块的个数;对任意两个势圈进行上述操作一共得到个缺陷干扰超像素块和多个缺陷距离区间,任意两个势圈得到一个缺陷距离区间,将对这些缺陷距离区间求取并集得到。由此得到自适应参数,进一步判断设置的平均值阈值是否大于区间的最大值,如果平均值阈值大于区间的最大值,则不对平均值阈值进行修改,如果平均值阈值小于或等于区间的最大值,则将区间的上限作为平均值阈值。
步骤S005,当玻璃图像中存在线状缺陷或块状缺陷时,确认对应玻璃存在缺陷;反之,当玻璃图像中不存在线状缺陷和块状缺陷时,确认对应玻璃正常。
具体的,对个超像素块进行分形缺陷检测,如果所有的超像素块既没有线状缺陷也没有块状缺陷,则认为玻璃图像正常,确定对应玻璃没有缺陷;否则,只要存在一个超像素块属于线状缺陷或者块状缺陷,则认为玻璃图像存在缺陷,确认对应玻璃存在缺陷。
综上所述,本发明实施例提供了一种玻璃缺陷检测方法,该方法采集玻璃图像得到对应的灰度图像,对灰度图像进行边缘检测得到轮廓线,将轮廓线划分为多个子轮廓线,对子轮廓线进行线状缺陷的标记;对玻璃图像进行超像素分割得到多个超像素块,将纹理特征和灰度特征组成每个超像素块的特征描述向量;获取每个超像素块的邻域搜索范围,基于特征描述向量分别计算每个超像素块与其邻域搜索范围内多个超像素块之间的距离,根据距离对超像素块进行块状缺陷的标记,结合线状缺陷和块状缺陷对玻璃图像进行缺陷识别。采取先线状缺陷检测再块状缺陷检测的分形缺陷检测方法,实现了对玻璃图像的缺陷的快速检测判断,提高了缺陷检测结果的准确性。
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 (7)
1.一种玻璃缺陷检测方法,其特征在于,该方法包括以下步骤:
采集玻璃图像得到对应的灰度图像;
利用canny算子对灰度图像进行边缘检测得到轮廓线,采用DBSCAN算法将所述轮廓线划分为多个子轮廓线,根据子轮廓线的长度、子轮廓线上每个采样点的梯度线与子轮廓线之间相交的像素点数量,得到子轮廓线的线状缺陷相似度,将线状缺陷相似度大于设定阈值的子轮廓线标记为线状缺陷;
对玻璃图像进行超像素分割得到多个超像素块,采用灰度共生矩阵提取每个超像素块的纹理特征,基于灰度图像得到每个超像素块的灰度直方图,提取灰度直方图中的灰度特征,将纹理特征和灰度特征组成每个超像素块的特征描述向量;
以每个超像素块为中心超像素块获取每个超像素块的邻域搜索范围,基于所述特征描述向量分别计算中心超像素块与其邻域搜索范围内N个超像素块之间的距离,得到中心超像素块对应的N个所述距离,N为正整数;将N个所述距离按照从小到大排序后计算前K个所述距离的平均值,K为正整数,且N大于K,当平均值大于平均值阈值时,确认中心超像素块为块状缺陷,所述平均值阈值和K值是对应中心超像素块的自适应参数;
当玻璃图像中存在线状缺陷或块状缺陷时,确认对应玻璃存在缺陷;反之,当玻璃图像中不存在线状缺陷和块状缺陷时,确认对应玻璃正常。
3.如权利要求1所述的一种玻璃缺陷检测方法,其特征在于,所述纹理特征是指灰度共生矩阵的能量、熵值、对比度和逆差矩。
4.如权利要求1所述的一种玻璃缺陷检测方法,其特征在于,所述灰度特征是指灰度直方图的统计特征方差、均值、峭度、歪度、熵和能量。
7.如权利要求5所述的一种玻璃缺陷检测方法,其特征在于,所述平均值阈值和K值的获取方法为:
计算中心超像素块与第一势圈中所包含的超像素块之间的最小距离和最大距离以构成第一势圈的距离区间,进而得到每个势圈的距离区间;根据距离区间计算势圈中任意两个势圈的落差度,其中,和代表任意两个势圈的距离区间;
如果存在两个势圈的落差度小于落差度阈值时,得到这两个势圈对应的缺陷距离区间,且将势圈序号较小的势圈作为缺陷干扰势圈,统计缺陷干扰势圈中与中心超像素块的距离落入缺陷距离区间的个数作为缺陷干扰超像素块的个数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971191.0A CN115049657A (zh) | 2022-08-15 | 2022-08-15 | 一种玻璃缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210971191.0A CN115049657A (zh) | 2022-08-15 | 2022-08-15 | 一种玻璃缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049657A true CN115049657A (zh) | 2022-09-13 |
Family
ID=83167737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210971191.0A Pending CN115049657A (zh) | 2022-08-15 | 2022-08-15 | 一种玻璃缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049657A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN115272319A (zh) * | 2022-09-27 | 2022-11-01 | 江苏亚振钻石有限公司 | 一种矿石粒度检测方法 |
CN115293463A (zh) * | 2022-10-09 | 2022-11-04 | 日照福瑞德科技有限公司 | 一种基于切割质量预测的玻璃镜片加工监督方法及系统 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116823924A (zh) * | 2023-08-24 | 2023-09-29 | 杭州百子尖科技股份有限公司 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
CN117197130A (zh) * | 2023-11-03 | 2023-12-08 | 山东太阳耐磨件有限公司 | 基于机器视觉的驱动齿角缺陷识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440654A (zh) * | 2013-08-27 | 2013-12-11 | 南京大学 | 一种lcd异物缺陷检测方法 |
CN103529362A (zh) * | 2013-10-28 | 2014-01-22 | 国家电网公司 | 基于感知的绝缘子识别与缺陷诊断方法 |
CN104697467A (zh) * | 2015-02-12 | 2015-06-10 | 中北大学 | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN105894036A (zh) * | 2016-04-19 | 2016-08-24 | 武汉大学 | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 |
CN107657606A (zh) * | 2017-09-18 | 2018-02-02 | 深圳市华星光电半导体显示技术有限公司 | 一种显示装置的亮度缺陷检测方法与装置 |
CN109668909A (zh) * | 2017-10-13 | 2019-04-23 | 南京敏光视觉智能科技有限公司 | 一种玻璃缺陷检测方法 |
CN113554582A (zh) * | 2020-04-22 | 2021-10-26 | 中国科学院长春光学精密机械与物理研究所 | 电子设备盖板上功能孔的缺陷检测方法、装置以及系统 |
CN114549497A (zh) * | 2022-02-28 | 2022-05-27 | 扬州市恒邦机械制造有限公司 | 基于图像识别的走台板表面缺陷检测方法及人工智能系统 |
CN114882044A (zh) * | 2022-07-12 | 2022-08-09 | 山东汇通工业制造有限公司 | 金属管件表面质量检测方法 |
-
2022
- 2022-08-15 CN CN202210971191.0A patent/CN115049657A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440654A (zh) * | 2013-08-27 | 2013-12-11 | 南京大学 | 一种lcd异物缺陷检测方法 |
CN103529362A (zh) * | 2013-10-28 | 2014-01-22 | 国家电网公司 | 基于感知的绝缘子识别与缺陷诊断方法 |
CN104697467A (zh) * | 2015-02-12 | 2015-06-10 | 中北大学 | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN105894036A (zh) * | 2016-04-19 | 2016-08-24 | 武汉大学 | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 |
CN107657606A (zh) * | 2017-09-18 | 2018-02-02 | 深圳市华星光电半导体显示技术有限公司 | 一种显示装置的亮度缺陷检测方法与装置 |
CN109668909A (zh) * | 2017-10-13 | 2019-04-23 | 南京敏光视觉智能科技有限公司 | 一种玻璃缺陷检测方法 |
CN113554582A (zh) * | 2020-04-22 | 2021-10-26 | 中国科学院长春光学精密机械与物理研究所 | 电子设备盖板上功能孔的缺陷检测方法、装置以及系统 |
CN114549497A (zh) * | 2022-02-28 | 2022-05-27 | 扬州市恒邦机械制造有限公司 | 基于图像识别的走台板表面缺陷检测方法及人工智能系统 |
CN114882044A (zh) * | 2022-07-12 | 2022-08-09 | 山东汇通工业制造有限公司 | 金属管件表面质量检测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN115249246B (zh) * | 2022-09-23 | 2022-12-02 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN115272319A (zh) * | 2022-09-27 | 2022-11-01 | 江苏亚振钻石有限公司 | 一种矿石粒度检测方法 |
CN115272319B (zh) * | 2022-09-27 | 2022-12-20 | 江苏亚振钻石有限公司 | 一种矿石粒度检测方法 |
CN115293463A (zh) * | 2022-10-09 | 2022-11-04 | 日照福瑞德科技有限公司 | 一种基于切割质量预测的玻璃镜片加工监督方法及系统 |
CN115293463B (zh) * | 2022-10-09 | 2023-01-10 | 日照福瑞德科技有限公司 | 一种基于切割质量预测的玻璃镜片加工监督方法及系统 |
CN116452613A (zh) * | 2023-06-14 | 2023-07-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116452613B (zh) * | 2023-06-14 | 2023-08-29 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 一种地质调查中裂缝轮廓提取方法 |
CN116823924A (zh) * | 2023-08-24 | 2023-09-29 | 杭州百子尖科技股份有限公司 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
CN116823924B (zh) * | 2023-08-24 | 2023-12-12 | 杭州百子尖科技股份有限公司 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
CN117197130A (zh) * | 2023-11-03 | 2023-12-08 | 山东太阳耐磨件有限公司 | 基于机器视觉的驱动齿角缺陷识别方法 |
CN117197130B (zh) * | 2023-11-03 | 2024-01-26 | 山东太阳耐磨件有限公司 | 基于机器视觉的驱动齿角缺陷识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN114170228B (zh) | 一种计算机图像边缘检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN116740070A (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN107389693A (zh) | 一种基于机器视觉的印刷品缺陷自动检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN116542968A (zh) | 一种基于模板匹配的钢筋智能计数方法 | |
CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN113012124A (zh) | 一种鞋印孔洞和嵌入物特征检测及描述方法 | |
Zhang et al. | Cell-edge detection method based on canny algorithm and mathematical morphology |
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 |