CN115082429B - 一种基于图像处理的铝棒缺陷检测方法 - Google Patents
一种基于图像处理的铝棒缺陷检测方法 Download PDFInfo
- Publication number
- CN115082429B CN115082429B CN202210850954.6A CN202210850954A CN115082429B CN 115082429 B CN115082429 B CN 115082429B CN 202210850954 A CN202210850954 A CN 202210850954A CN 115082429 B CN115082429 B CN 115082429B
- Authority
- CN
- China
- Prior art keywords
- edge
- closed
- image
- closed edge
- aluminum bar
- 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
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 128
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 128
- 230000007547 defect Effects 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 14
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 208000006440 Open Bite Diseases 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 230000010339 dilation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005266 casting Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/10—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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的铝棒缺陷检测方法。方法包括:根据待检测铝棒表面图像中像素点的梯度值,设置canny算子的高阈值和低阈值,得到初始边缘图像,进而得到初始边缘图像中各非闭合边缘的连线;根据各非闭合边缘的连线的斜率和长度,得到各非闭合边缘的非闭合程度;根据非闭合程度,得到各非闭合边缘对应的膨胀区域的灰度梯度差异性,进而得到对应的边缘评价指标;若各非闭合边缘的边缘评价指标中的最大值小于缺陷阈值,则将初始边缘图像作为目标边缘图像;根据目标边缘图像中闭合边缘的数量和面积,得到待检测铝棒表面图像的缺陷指标。本发明提高了对铝棒表面气泡缺陷检测的可靠性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的铝棒缺陷检测方法。
背景技术
在工程实际应用中,铝制品材料加工的质量与前期铸造的铝棒表面的状态息息相关,为了获得质量更好的铝制品,在前期铸造过程中对铝棒表面质量的把控显得尤为重要。
铝棒的形成大概是三个步骤,配料、熔炼、铸造;根据生产需要,需搭配不同的合金成分和各种原材料;然后将搭配好的材料放入炼炉中融化;最后将炼化好的铝液,锻造成不同形态的铝棒。
铝棒在铸造过程中表面可能会出现许多气泡,这种缺陷会影响铝棒在后续加工过程中成品的质量;但是由于铝棒表面的气泡缺陷的颜色与铝棒表面的颜色相似,因此容易造成漏检误检的情况,导致最终的检测结果的可靠性较低。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于图像处理的铝棒缺陷检测方法,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铝棒缺陷检测方法包括以下步骤:
获取待检测铝棒表面图像;
根据待检测铝棒表面图像中像素点对应的梯度值,设置canny算子的高阈值和低阈值;根据canny算子的高阈值和低阈值,对待检测铝棒表面图像进行处理,得到对应的初始边缘图像;
获取初始边缘图像中的非闭合边缘;将各非闭合边缘的两个端点相连,得到各非闭合边缘对应的连线;根据各非闭合边缘对应的连线的斜率和对应的连线的长度,得到各非闭合边缘对应的非闭合程度;
根据所述非闭合程度,得到各非闭合边缘对应的膨胀区域;根据待检测铝棒表面图像中各非闭合边缘对应的膨胀区域内像素点的灰度值和梯度值,得到各非闭合边缘对应的膨胀区域的灰度梯度差异性;
根据所述灰度梯度差异性,得到各非闭合边缘对应的边缘评价指标;若各非闭合边缘对应的边缘评价指标中的最大值小于预设的缺陷阈值,则将初始边缘图像作为目标边缘图像;
根据所述目标边缘图像中闭合边缘的数量和各闭合边缘对应的面积,得到待检测铝棒表面图像对应的缺陷指标。
优选的,根据待检测铝棒表面图像中像素点对应的梯度值,设置canny算子的高阈值和低阈值,包括:
根据待检测铝棒表面图像中各像素点对应的梯度值,得到待检测铝棒表面图像对应的梯度直方图;
根据所述梯度直方图和大津阈值法,得到第一阈值;将第一阈值作为canny算子的高阈值,将第一阈值减1作为canny算子的低阈值。
优选的,所述根据各非闭合边缘对应的连线的斜率和对应的连线的长度,得到各非闭合边缘对应的非闭合程度,包括:
对于任一非闭合边缘:
将该非闭合边缘的两个端点分别记为第一端点和第二端点;
获取第一端点在该非闭合边缘上的切线的斜率和第二端点在该非闭合边缘上的切线的斜率;
判断第一端点在该非闭合边缘上的切线的斜率与该非闭合边缘对应的连线的斜率之差的绝对值是否小于等于预设的第二阈值,若是,则将第一端点对应的不一致性指标设置为0,若不是,则将第一端点对应的不一致性指标设置为1;
判断第二端点在该非闭合边缘上的切线的斜率与该非闭合边缘对应的连线的斜率之差的绝对值是否小于等于设定的第二阈值,若是,则将第二端点对应的不一致性指标设置为0,若不是,则将第二端点对应的不一致性指标设置为1;
根据第一端点对应的不一致性指标和第二端点对应的不一致性指标,计算该非闭合边缘对应的突兀性;
根据该非闭合边缘对应的突兀性和该非闭合边缘对应的连线的长度,计算该非闭合边缘对应的非闭合程度。
优选的,根据第一端点对应的不一致性指标和第二端点对应的不一致性指标,计算该非闭合边缘对应的突兀性,包括:
以所述第一端点为起点,获取设定长度的该非闭合边缘,记为第一边缘段;以所述第二端点为起点,获取设定长度的该非闭合边缘,记为第二边缘段;
将该非闭合边缘对应的连线、第一边缘段和第二边缘段构成的连续的线记为该非闭合边缘对应的拼接线;根据所述拼接线上各像素点的坐标,计算该非闭合边缘对应的拼接线对应的曲折度;
根据第一端点对应的不一致性指标、第二端点对应的不一致性指标和该非闭合边缘对应的拼接线对应的曲折度,计算该非闭合边缘对应的突兀性;
所述计算该非闭合边缘对应的拼接线对应的曲折度的公式为:
其中,K为该非闭合边缘对应的拼接线对应的曲折度,A为该非闭合边缘对应的拼接线上各像素点的坐标构成的像素点集合,为像素点(x,y)处的斜率变化率,为像素点(x,y)处的斜率变化率和拼接线上与其相邻的像素点的斜率变化率的平均差值;
所述计算该非闭合边缘对应的突兀性的公式为:
优选的,根据该非闭合边缘对应的突兀性和该非闭合边缘对应的连线的长度,计算该非闭合边缘对应的非闭合程度的公式为:
优选的,所述根据所述非闭合程度,得到各非闭合边缘对应的膨胀区域,包括:
对于任一非闭合边缘:
根据该非闭合边缘对应的非闭合程度,计算对该非闭合边缘对应的连线的膨胀次数;
根据所述膨胀次数,对该非闭合边缘对应的连线进行膨胀操作,得到膨胀后的连线;
将膨胀后的连线对应的区域作为该非闭合边缘对应的膨胀区域;
所述计算对该非闭合边缘对应的连线的膨胀次数的公式为:
其中,n为最大膨胀次数,exp( )为以e为底的指数函数,N为该非闭合边缘对应的连线的膨胀次数,W为该非闭合边缘对应的非闭合程度。
优选的,得到任一非闭合边缘对应的膨胀区域的灰度梯度差异性的公式为:
其中,F为该非闭合边缘对应的膨胀区域的灰度梯度差异性,为该非闭合边缘对应的膨胀区域对应的加权平均灰度值,为该非闭合边缘对应的膨胀区域对应的加权平均梯度值,为待检测铝棒表面图像中该非闭合边缘对应的膨胀区域内第i个像素点对应的灰度值,为待检测铝棒表面图像中该非闭合边缘对应的膨胀区域内第i个像素点对应的梯度值,为该非闭合边缘对应的膨胀区域内像素点的总数量,为该非闭合边缘对应的两个端点在待检测铝棒表面图像中的灰度值的平均值,为该非闭合边缘对应的两个端点在待检测铝棒表面图像中的梯度值的平均值。
优选的,所述根据所述灰度梯度差异性,得到各非闭合边缘对应的边缘评价指标,包括:
对于任一非闭合边缘:
获取该非闭合边缘对应的目标边缘内的像素点的数量,作为该非闭合边缘对应的目标边缘对应的区域的面积;所述该非闭合边缘对应的目标边缘是由该非闭合边缘和该非闭合边缘对应的连线组成的闭合的边缘;
获取该非闭合边缘对应的目标边缘的最小外接圆内的像素点的数量,作为该非闭合边缘对应的目标边缘的最小外接圆的面积;
计算该非闭合边缘对应的目标边缘对应的区域的面积与该非闭合边缘对应的目标边缘的最小外接圆的面积的比值,将所述比值作为该非闭合边缘对应的目标边缘的圆形度;
计算该非闭合边缘对应的膨胀区域的灰度梯度差异性与该非闭合边缘对应的目标边缘的圆形度的比值,作为该非闭合边缘对应的边缘评价指标。
优选的,若各非闭合边缘对应的边缘评价指标中的最大值大于等于预设的缺陷阈值,则将低阈值减1,作为第一低阈值;将高阈值和第一低阈值作为canny算子的双阈值对待检测铝棒表面图像进行处理,得到对应的第一边缘图像,并得到第一边缘图像中各非闭合边缘对应的边缘评价指标;选取第一边缘图像中各非闭合边缘对应的边缘评价指标中的最大值,判断第一边缘图像中各非闭合边缘对应的边缘评价指标中的最大值是否小于预设的缺陷阈值,若是,则将第一边缘图像作为目标边缘图像;若否,则以此类推,依次递减低阈值的取值,直到得到边缘图像中的各非闭合边缘对应的边缘评价指标中的最大值第一次小于预设的缺陷阈值为止,将最终得到的边缘图像记为目标边缘图像。
优选的,得到待检测铝棒表面图像对应的缺陷指标的公式为:
其中,C为待检测铝棒表面图像对应的缺陷指标,SL为目标边缘图像中各闭合边缘的数量,DX为目标边缘图像中各闭合边缘对应的面积的和,exp( )为以e为底的指数函数。
本发明具有如下有益效果:
本发明根据获取到的待检测铝棒表面图像中像素点对应的梯度值,设置canny算子的高阈值和低阈值,然后根据canny算子的高阈值和低阈值,得到对应的初始边缘图像;本发明获取初始边缘图像中的非闭合边缘,然后将各非闭合边缘的两个端点相连,得到各非闭合边缘对应的连线;接着本发明根据各非闭合边缘对应的连线的斜率和对应的连线的长度,得到各非闭合边缘对应的非闭合程度,进而根据所述非闭合程度,得到各非闭合边缘对应的膨胀区域的灰度梯度差异性;最后根据所述灰度梯度差异性,得到各非闭合边缘对应的边缘评价指标;若各非闭合边缘对应的边缘评价指标中的最大值小于预设的缺陷阈值,则将初始边缘图像作为目标边缘图像;本发明根据所述目标边缘图像中闭合边缘的数量和各闭合边缘对应的面积,得到待检测铝棒表面图像对应的缺陷指标,进而判断待检测铝棒表面图像对应的待检测铝棒表面是否存在气泡缺陷。本发明通过对气泡边缘特征进行分析,通过自适应的调节canny算子的高阈值和低阈值,进而使边缘检测得到的边缘图像内包含气泡的全部边缘,提高了对铝棒表面气泡缺陷检测的可靠性。
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为本发明提供的一种基于图像处理的铝棒缺陷检测方法的流程图。
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铝棒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铝棒缺陷检测方法的具体方案。
一种基于图像处理的铝棒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铝棒缺陷检测方法包括以下步骤:
步骤S1,获取待检测铝棒表面图像。
考虑到铝棒在铸造过程中表面可能会出现气泡,这种缺陷会影响铝棒在后续加工过程中成品的质量;为了对铝棒表面的质量进行检测,本实施例通过使用摄像机对铝棒进行拍摄;考虑到仅拍摄铝棒一个面的图像无法反映出铝棒表面整体的缺陷情况,因此本实施例对铝棒的多个面分别进行拍摄(即拍摄不同视角下的铝棒表面的图像),然后对多个面的图像进行分析,结合多个面的分析结果来评价铝棒的缺陷。具体拍摄方式根据实际需要进行设计。
本实施例以拍摄到的待检测铝棒的任意一个面的图像为例,对该面的图像进行分析,来评价待检测铝棒该面的缺陷情况;本实施例将所述待检测铝棒的任意一个面的图像记为初始图像。
本实施例首先对初始图像进行预处理,即将初始图像进行灰度化除噪等处理,得到预处理后的初始图像;本实施例中灰度化的方法采用的是加权平均灰度化方法,除噪的方法采用的是高斯滤波除噪,这些方法为现有技术,在此就不再赘述。
然后本实施例将预处理后的初始图像输入到训练好的语义分割网络中,得到仅包含待检测铝棒表面的图像,记为待检测铝棒表面图像。本实施例中所述语义分割网络采用的是U-Net神经网络;该语义分割网络的训练集为大量的预处理后的样本铝棒表面图像,将样本铝棒表面图像中铝棒区域标记为1,背景区域标记为0,作为对应的标签;利用所述训练集和对应的标签对语义分割网络进行训练,得到训练好的语义分割网络,其训练过程中的损失函数为交叉熵损失函数。本实施例中语义分割网络为现有技术,在此就不再赘述。
作为其他实施方式,若最初拍摄到的图像中不包括背景区域,则不需要进行语义分割处理,直接将预处理后的初始图像记为待检测铝棒表面图像。
步骤S2,根据待检测铝棒表面图像中像素点对应的梯度值,设置canny算子的高阈值和低阈值;根据canny算子的高阈值和低阈值,对待检测铝棒表面图像进行处理,得到对应的初始边缘图像。
本实施例考虑到铝棒表面的气泡缺陷的边缘处的像素点的梯度很低且气泡内部的颜色与铝棒表面的颜色相近,因此难以将气泡区域与其他区域区分开来;现有的canny算法需要设置两个阈值(即高阈值和低阈值),并基于这两个阈值对图像中的强边缘与弱边缘进行划分,而这两个阈值是人为给定的,在不同的场景中对应的检测效果不同;其中弱边缘会由于低阈值设置的不合理而导致检测不出来。
上述的弱边缘在本实施例中可能是很重要的边缘,即气泡边缘,因此本实施例通过调整双阈值中的低阈值以更加准确的检测出气泡边缘。本实施例对待检测铝棒表面图像进行分析,以自适应的调节所需的阈值,进而使得检测到的气泡边缘更加准确。
本实施例首先设置初始的低阈值,具体的:
根据待检测铝棒表面图像中各像素点的梯度值,得到待检测铝棒表面图像对应的梯度直方图;然后基于所述梯度直方图,使用大津阈值法得到第一阈值,本实施例将第一阈值作为canny算子的高阈值,将第一阈值减1作为canny算子的低阈值。大津阈值法为现有技术,在此就不再赘述。
本实施例将此时高阈值和低阈值作为canny算子的双阈值对待检测铝棒表面图像进行处理,得到对应的初始边缘图像。
步骤S3,获取初始边缘图像中的非闭合边缘;将各非闭合边缘的两个端点相连,得到各非闭合边缘对应的连线;根据各非闭合边缘对应的连线的斜率和对应的连线的长度,得到各非闭合边缘对应的非闭合程度。
本实施例根据步骤S2对canny算子的低阈值进行了初步的设定;为了使canny算子边缘检测的效果足够好(即能够将铝棒表面的气泡缺陷的边缘尽可能的完全检测出来),本实施例通过对初始边缘图像进行分析,来判断当前所设定的低阈值是否能够使canny算子将图形中的气泡边缘完全检测出来,若当前所设定的低阈值无法使canny算子达到最好的检测效果,则对低阈值进行调整,直至达到最好的检测效果为止。
本实施例根据初始边缘图像,判断初始边缘图像中的各边缘是否为闭合边缘;若边缘为闭合边缘,则可能为气泡边缘;若不是闭合边缘(即非闭合边缘),则可能是由于噪声导致的边缘,也有可能是因为非闭合边缘附近存在的弱边缘没有被检测出来导致的;因此本实施例获取初始边缘图像中的各非闭合边缘,然后分别对各非闭合边缘进行分析,得到各闭合边缘对应的非闭合程度。
对于初始边缘图像中的任一非闭合边缘:
获取初始边缘图像中该非闭合边缘的两个端点,分别记为第一端点和第二端点;将第一端点和第二端点相连,将得到的连线作为该非闭合边缘对应的连线。本实施例将该非闭合边缘和该非闭合边缘对应的连线组成的闭合的边缘记为该非闭合边缘对应的目标边缘。
考虑到当非闭合边缘的闭合程度越大时,非闭合边缘与对应的连线之间的连接处变化会越规律;当非闭合边缘的闭合程度越小时,非闭合边缘与对应的连线之间的连接处变化越不规律,因此本实施例对该非闭合边缘与对应的连线的连接处的变化情况进行分析,来得到该非闭合边缘的突兀性,具体的:
本实施例首先获取第一端点和第二端点在该非闭合边缘上的切线的斜率以及该非闭合边缘对应的连线的斜率;然后根据第一端点和第二端点在在该非闭合边缘上的切线的斜率以及该非闭合边缘对应的连线的斜率,得到第一端点的不一致性指标和第二端点对应的不一致性指标,具体的:判断第一端点在该非闭合边缘上的切线的斜率与该非闭合边缘对应的连线的斜率之差的绝对值是否小于等于设定的第二阈值,若是,则将第一端点对应的不一致性指标设置为0,若不是,则将第一端点对应的不一致性指标设置为1;同理,判断第二端点在该非闭合边缘上的切线的斜率与该非闭合边缘对应的连线的斜率之差的绝对值是否小于等于设定的第二阈值,若是,则将第二端点对应的不一致性指标设置为0,若不是,则将第二端点对应的一致性指标设置为1;至此,本实施例得到了第一端点对应的不一致性指标和第二端点对应的不一致性指标。本实施例中所述预设的第二阈值的取值根据实际需要进行设置。
接着,本实施例以第一端点为起点,获取设定长度的该非闭合边缘,记为第一边缘段;同样的,以第二端点为起点,获取设定长度的该非闭合边缘,记为第二边缘段;所述设定长度为该非闭合边缘对应的连线的长度的一半。
本实施例将该非闭合边缘对应的连线、第一边缘段和第二边缘段构成的连续的线记为该非闭合边缘对应的拼接线;根据所述拼接线上各像素点的坐标,计算拼接线对应的曲折度,具体计算公式如下:
其中,K为该非闭合边缘对应的拼接线对应的曲折度,A为该非闭合边缘对应的拼接线上各像素点的坐标构成的像素点集合,为像素点(x,y)处的斜率变化率,即横坐标为x纵坐标为y的像素点处的斜率变化率;为像素点(x,y)处的斜率变化率和拼接线上与其相邻的像素点的斜率变化率的平均差值;上述公式中越小,则K越小,说明拼接线越平滑。
本实施例根据第一端点对应的不一致性指标、第二端点对应的不一致性指标和该非闭合边缘对应的拼接线对应的曲折度,计算该非闭合边缘对应的突兀性;当不一致性指标为1时说明该非闭合边缘的突兀性越小;当不一致性指标为0时说明该非闭合边缘的突兀性越大;当拼接线对应的曲折度越大时,说明拼接线越不平滑,即突兀性越大;当拼接线对应的曲折度越小时,说明拼接线越平滑,即突兀性越小;本实施例计算该非闭合边缘对应的突兀性的公式为:
突兀性越大说明非闭合边缘与对应的连线之间的连接处变化越不规律,说明非闭合边缘的越没有闭合,即非闭合程度越大;同时考虑到,当非闭合边缘对应的连线的长度越大时,也说明非闭合边缘越没有闭合;因此本实施例根据该非闭合边缘对应的突兀性和该非闭合边缘对应的连线的长度,计算该非闭合边缘对应的非闭合程度,即:
至此,本实施例根据上述过程能够得到初始边缘图像中各非闭合边缘对应的非闭合程度。
步骤S4,根据所述非闭合程度,得到各非闭合边缘对应的膨胀区域;根据待检测铝棒表面图像中各非闭合边缘对应的膨胀区域内像素点的灰度值和梯度值,得到各非闭合边缘对应的膨胀区域的灰度梯度差异性。
本实施例根据步骤S3得到了初始边缘图像中各非闭合边缘对应的非闭合程度;考虑到非闭合边缘可能是由于低阈值设置过大,导致有些边缘没有检测到,因此本实施例首先找到各非闭合边缘附近可能存在没有被检测到的边缘的区域,进而对这些区域进行分析,来判断各非闭合边缘是由于部分边缘没有被检测到而导致的没有闭合,还是因为受噪声的影响而产生的非闭合边缘。
对于任一非闭合边缘:
首先获取非闭合边缘附近可能存在没有被检测到的边缘的区域,具体的:
考虑到非闭合边缘如果是由于部分边缘没有被检测到而导致的没有闭合,那么没有被检测到的边缘应该存在与该非闭合边缘的第一端点和第二端点之间,即该非闭合边缘对应的连线的附近,因此本实施例对该非闭合边缘对应的连线进行多次膨胀操作,以找到一个可能存在没有被检测到的边缘的区域;本实施例中对连线的膨胀次数与非闭合程度有关,若非闭合程度越大,说明非闭合边缘越没有闭合,则对应的连线与可能存在的边缘的偏离度会越大,因此需要进行更多次的膨胀操作,以获取更大的区域;本实施例首先根据该非闭合边缘对应的非闭合程度,计算对该非闭合边缘对应的连线的膨胀次数,具体计算公式为:
其中,n为最大膨胀次数,exp( )为以e为底的指数函数,N为该非闭合边缘对应的连线的膨胀次数。
该非闭合边缘的非闭合程度越大,则非闭合边缘对应的连线的膨胀次数越大。本实施例为了使得到的区域能够包含没有被检测到的边缘,因此需要对最大膨胀次数进行合理的设置,具体根据实际需要进行设置。
在初始边缘图像中本实施例根据得到的该非闭合边缘对应的连线的膨胀次数对该非闭合边缘对应的连线进行膨胀操作,膨胀后的连线对应一个区域,将膨胀后的连线对应区域记为膨胀区域,进而得到了该非闭合边缘对应的膨胀区域;所述该非闭合边缘对应的膨胀区域就是该非闭合边缘对应的可能没有被检测到的边缘存在的区域。
膨胀操作是在二值图像中进行的,因此本实施例将该非闭合边缘对应的膨胀区域映射到待检测铝棒表面图像中,得到待检测铝棒表面图像中该非闭合边缘对应的膨胀区域,以便于后续的分析。本实施例中膨胀操作为现有技术,在此就不再赘述。
接下来,本实施例对待检测铝棒表面图像中该非闭合边缘对应的膨胀区域进行分析,得到该非闭合边缘对应的膨胀区域的灰度梯度差异性,所述灰度梯度差异性为该非闭合边缘对应的膨胀区域内各像素点的灰度值和梯度值与该非闭合边缘对应的两个端点的灰度值和梯度值的差异情况;灰度梯度差异性越小,说明膨胀区域存在没有被检测到的边缘的可能性越大。
本实施例根据待检测铝棒表面图像中该非闭合边缘对应的膨胀区域内各像素点的灰度值和梯度值以及该非闭合边缘对应的两个端点在待检测铝棒表面图像中的灰度值和梯度值,计算该非闭合边缘对应的膨胀区域的灰度梯度差异性的公式为:
其中,F为该非闭合边缘对应的膨胀区域的灰度梯度差异性,为该非闭合边缘对应的膨胀区域对应的加权平均灰度值,为该非闭合边缘对应的膨胀区域对应的加权平均梯度值,为待检测铝棒表面图像中该非闭合边缘对应的膨胀区域内第i个像素点对应的灰度值,为待检测铝棒表面图像中该非闭合边缘对应的膨胀区域内第i个像素点对应的梯度值,为该非闭合边缘对应的膨胀区域内像素点的总数量,为该非闭合边缘对应的两个端点在待检测铝棒表面图像中的灰度值的平均值,为该非闭合边缘对应的两个端点在待检测铝棒表面图像中的梯度值的平均值。
本实施例中给灰度值大的像素点赋予更大权重,灰度值小的像素点赋予更小的权重,同理给梯度值大的像素点赋予更大权重,梯度值小的像素点赋予更小的权重。当和越小时,越小,说明该非闭合边缘对应的膨胀区域内各像素点的灰度值和梯度值与该非闭合边缘对应的两个端点的灰度值和梯度值差异越小,说明该非闭合边缘对应的膨胀区域存在没有被检测到的边缘的可能性越大,即该非闭合边缘越可能是气泡边缘的可能性就越大。
至此,本实施例根据上述过程能够得到各非闭合边缘对应的灰度梯度差异性。
步骤S5,根据所述灰度梯度差异性,得到各非闭合边缘对应的边缘评价指标;若各非闭合边缘对应的边缘评价指标中的最大值小于预设的缺陷阈值,则将初始边缘图像作为目标边缘图像。
本实施例根据步骤S4得到了各非闭合边缘对应的灰度梯度差异性,除此之外,考虑到气泡往往是形似圆形的,因此本实施例对各非闭合边缘对应的目标边缘的形状进行分析,以评价膨胀区域存在没有被检测到的边缘的可能性,具体的:
对于任一非闭合边缘:
本实施例根据该非闭合边缘对应的目标边缘,获取该非闭合边缘对应的目标边缘的最小外接圆;所述该非闭合边缘对应的目标边缘由该非闭合边缘和该非闭合边缘对应的连线组成的闭合的边缘。获取该非闭合边缘对应的目标边缘内的像素点的数量,作为该非闭合边缘对应的目标边缘对应的区域的面积s;获取该非闭合边缘对应的目标边缘的最小外接圆内的像素点的数量,作为该非闭合边缘对应的目标边缘的最小外接圆的面积S;然后计算该非闭合边缘对应的目标边缘对应的区域的面积与该非闭合边缘对应的目标边缘的最小外接圆的面积的比值,将所述比值作为该非闭合边缘对应的目标边缘的圆形度T,即;圆形度越大,说明该非闭合边缘对应的膨胀区域内存在没有被检测到的边缘的可能性越大,即该非闭合边缘越可能是气泡边缘的可能性就越大。
至此,本实施例能够得到各非闭合边缘对应的目标边缘对应的圆形度。
最后本实施例根据各非闭合边缘对应的目标边缘对应的圆形度和各非闭合边缘对应的目标边缘对应的灰度梯度差异性,计算得到各非闭合边缘对应的边缘评价指标;对于任一非闭合边缘对应的边缘评价指标的计算公式为:
其中,P为该非闭合边缘对应的边缘评价指标。当T越大时,说明该非闭合边缘越可能是气泡边缘的可能性越大,则P越大;当F越小时,说明该非闭合边缘越可能是气泡边缘的可能性也越大,则P也越大。
至此,本实施例能够得到各非闭合边缘对应的边缘评价指标。
接下来,本实施例选取初始边缘图像中各非闭合边缘对应的边缘评价指标中的最大值,判断所述最大值是否小于预设的缺陷阈值,若是,则将初始边缘图像作为目标边缘图像,并将此时高阈值和低阈值记为最优高阈值和最优低阈值;若否,则将低阈值减1,作为第一低阈值,然后将高阈值和第一低阈值作为canny算子的双阈值对待检测铝棒表面图像进行处理,得到对应的第一边缘图像,然后根据上述过程,得到第一边缘图像中各非闭合边缘对应的边缘评价指标,并选取第一边缘图像中各非闭合边缘对应的边缘评价指标中的最大值,判断第一边缘图像中各非闭合边缘对应的边缘评价指标中的最大值是否小于预设的缺陷阈值,若是,则将第一边缘图像作为目标边缘图像,并将此时高阈值和第一低阈值记为最优高阈值和最优低阈值;若否,则以此类推,依次递减低阈值的取值,直到得到边缘图像中的各非闭合边缘对应的边缘评价指标中的最大值第一次小于预设的缺陷阈值为止,将最终得到的边缘图像记为目标边缘图像,并将最终的高阈值作为最优高阈值,将最终的低阈值作为最优低阈值。本实施例中预设的缺陷阈值需根据实际需要进行设置。
步骤S6,根据所述目标边缘图像中闭合边缘的数量和各闭合边缘对应的面积,得到待检测铝棒表面图像对应的缺陷指标。
本实施例根据上述过程得到了待检测铝棒表面图像对应的目标边缘图像;为了对待检测铝棒表面图像中的缺陷进行评价,本实施例首先获取待检测铝棒表面图像对应的目标边缘图像中的各闭合边缘;然后统计各闭合边缘的数量以及各闭合边缘内像素点的数量(即获取各闭合边缘对应的面积);本实施例根据目标边缘图像中各闭合边缘的数量以及各闭合边缘对应的面积,计算得到待检测铝棒表面图像对应的缺陷指标,具体公式为:
其中,C为待检测铝棒表面图像对应的缺陷指标,SL为目标边缘图像中各闭合边缘的数量,DX为目标边缘图像中各闭合边缘对应的面积的和。
本实施例中闭合边缘为铝棒表面的气泡缺陷的边缘,因此当目标边缘图像中闭合边缘的数量越多,说明待检测铝棒表面图像对应的待检测铝棒的表面的气泡缺陷越多,同理当目标边缘图像中闭合边缘对应的面积越大时,说明待检测铝棒表面图像对应的待检测铝棒表面的气泡缺陷越大;所以当SL和DX越大时,说明待检测铝棒表面图像对应的待检测铝棒表面的气泡缺陷越严重,则对应的缺陷指标越小。
当待检测铝棒表面图像对应的缺陷指标大于第三阈值时,则说明待检测铝棒表面图像对应的待检测铝棒表面没有出现气泡缺陷;当待检测铝棒表面图像对应的缺陷指标小于等于第三阈值时,则说明待检测铝棒表面图像对应的待检测铝棒表面出现了气泡缺陷;本实施例通过对待检测铝棒的每个面都进行分析,以判断待检测铝棒的表面是否存在气泡缺陷。本实施例中第三阈值的取值根据实际需要进行设置。
本实施例根据获取到的待检测铝棒表面图像中像素点对应的梯度值,设置canny算子的高阈值和低阈值,然后根据canny算子的高阈值和低阈值,得到对应的初始边缘图像;本实施例获取初始边缘图像中的非闭合边缘,然后将各非闭合边缘的两个端点相连,得到各非闭合边缘对应的连线;接着本实施例根据各非闭合边缘对应的连线的斜率和对应的连线的长度,得到各非闭合边缘对应的非闭合程度,进而根据所述非闭合程度,得到各非闭合边缘对应的膨胀区域的灰度梯度差异性;最后根据所述灰度梯度差异性,得到各非闭合边缘对应的边缘评价指标;若各非闭合边缘对应的边缘评价指标中的最大值小于预设的缺陷阈值,则将初始边缘图像作为目标边缘图像;本实施例根据所述目标边缘图像中闭合边缘的数量和各闭合边缘对应的面积,得到待检测铝棒表面图像对应的缺陷指标,进而判断待检测铝棒表面图像对应的待检测铝棒表面是否存在气泡缺陷。本实施例通过对气泡边缘特征进行分析,通过自适应的调节canny算子的高阈值和低阈值,进而使边缘检测得到的边缘图像内包含气泡的全部边缘,提高了对铝棒表面气泡缺陷检测的可靠性。
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铝棒缺陷检测方法,其特征在于,该方法包括以下步骤:
获取待检测铝棒表面图像;
根据待检测铝棒表面图像中像素点对应的梯度值,设置canny算子的高阈值和低阈值;根据canny算子的高阈值和低阈值,对待检测铝棒表面图像进行处理,得到对应的初始边缘图像;
获取初始边缘图像中的非闭合边缘;将各非闭合边缘的两个端点相连,得到各非闭合边缘对应的连线;根据各非闭合边缘对应的连线的斜率和对应的连线的长度,得到各非闭合边缘对应的非闭合程度,包括:
对于任一非闭合边缘:将该非闭合边缘的两个端点分别记为第一端点和第二端点;获取第一端点在该非闭合边缘上的切线的斜率和第二端点在该非闭合边缘上的切线的斜率;判断第一端点在该非闭合边缘上的切线的斜率与该非闭合边缘对应的连线的斜率之差的绝对值是否小于等于预设的第二阈值,若是,则将第一端点对应的不一致性指标设置为0,若不是,则将第一端点对应的不一致性指标设置为1;判断第二端点在该非闭合边缘上的切线的斜率与该非闭合边缘对应的连线的斜率之差的绝对值是否小于等于设定的第二阈值,若是,则将第二端点对应的不一致性指标设置为0,若不是,则将第二端点对应的不一致性指标设置为1;根据第一端点对应的不一致性指标和第二端点对应的不一致性指标,计算该非闭合边缘对应的突兀性;根据该非闭合边缘对应的突兀性和该非闭合边缘对应的连线的长度,计算该非闭合边缘对应的非闭合程度;
根据所述非闭合程度,得到各非闭合边缘对应的膨胀区域,包括:
对于任一非闭合边缘:根据该非闭合边缘对应的非闭合程度,计算对该非闭合边缘对应的连线的膨胀次数;根据所述膨胀次数,对该非闭合边缘对应的连线进行膨胀操作,得到膨胀后的连线;将膨胀后的连线对应的区域作为该非闭合边缘对应的膨胀区域;所述计算对该非闭合边缘对应的连线的膨胀次数的公式为:
其中,n为最大膨胀次数,exp( )为以e为底的指数函数,N为该非闭合边缘对应的连线的膨胀次数,W为该非闭合边缘对应的非闭合程度;
根据待检测铝棒表面图像中各非闭合边缘对应的膨胀区域内像素点的灰度值和梯度值,得到各非闭合边缘对应的膨胀区域的灰度梯度差异性,包括:
其中,F为该非闭合边缘对应的膨胀区域的灰度梯度差异性,为该非闭合边缘对应的膨胀区域对应的加权平均灰度值,为该非闭合边缘对应的膨胀区域对应的加权平均梯度值,为待检测铝棒表面图像中该非闭合边缘对应的膨胀区域内第i个像素点对应的灰度值,为待检测铝棒表面图像中该非闭合边缘对应的膨胀区域内第i个像素点对应的梯度值,为该非闭合边缘对应的膨胀区域内像素点的总数量,为该非闭合边缘对应的两个端点在待检测铝棒表面图像中的灰度值的平均值,为该非闭合边缘对应的两个端点在待检测铝棒表面图像中的梯度值的平均值;
根据所述灰度梯度差异性,得到各非闭合边缘对应的边缘评价指标,包括:
对于任一非闭合边缘:获取该非闭合边缘对应的目标边缘内的像素点的数量,作为该非闭合边缘对应的目标边缘对应的区域的面积;所述该非闭合边缘对应的目标边缘是由该非闭合边缘和该非闭合边缘对应的连线组成的闭合的边缘;
获取该非闭合边缘对应的目标边缘的最小外接圆内的像素点的数量,作为该非闭合边缘对应的目标边缘的最小外接圆的面积;
计算该非闭合边缘对应的目标边缘对应的区域的面积与该非闭合边缘对应的目标边缘的最小外接圆的面积的比值,将所述比值作为该非闭合边缘对应的目标边缘的圆形度;
计算该非闭合边缘对应的膨胀区域的灰度梯度差异性与该非闭合边缘对应的目标边缘的圆形度的比值,作为该非闭合边缘对应的边缘评价指标;
若各非闭合边缘对应的边缘评价指标中的最大值小于预设的缺陷阈值,则将初始边缘图像作为目标边缘图像;
根据所述目标边缘图像中闭合边缘的数量和各闭合边缘对应的面积,得到待检测铝棒表面图像对应的缺陷指标。
2.根据权利要求1所述的一种基于图像处理的铝棒缺陷检测方法,其特征在于,根据待检测铝棒表面图像中像素点对应的梯度值,设置canny算子的高阈值和低阈值,包括:
根据待检测铝棒表面图像中各像素点对应的梯度值,得到待检测铝棒表面图像对应的梯度直方图;
根据所述梯度直方图和大津阈值法,得到第一阈值;将第一阈值作为canny算子的高阈值,将第一阈值减1作为canny算子的低阈值。
3.根据权利要求1所述的一种基于图像处理的铝棒缺陷检测方法,其特征在于,根据第一端点对应的不一致性指标和第二端点对应的不一致性指标,计算该非闭合边缘对应的突兀性,包括:
以所述第一端点为起点,获取设定长度的该非闭合边缘,记为第一边缘段;以所述第二端点为起点,获取设定长度的该非闭合边缘,记为第二边缘段;
将该非闭合边缘对应的连线、第一边缘段和第二边缘段构成的连续的线记为该非闭合边缘对应的拼接线;根据所述拼接线上各像素点的坐标,计算该非闭合边缘对应的拼接线对应的曲折度;
根据第一端点对应的不一致性指标、第二端点对应的不一致性指标和该非闭合边缘对应的拼接线对应的曲折度,计算该非闭合边缘对应的突兀性;
所述计算该非闭合边缘对应的拼接线对应的曲折度的公式为:
其中,K为该非闭合边缘对应的拼接线对应的曲折度,A为该非闭合边缘对应的拼接线上各像素点的坐标构成的像素点集合,为像素点(x,y)处的斜率变化率,为像素点(x,y)处的斜率变化率和拼接线上与其相邻的像素点的斜率变化率的平均差值;
所述计算该非闭合边缘对应的突兀性的公式为:
5.根据权利要求1所述的一种基于图像处理的铝棒缺陷检测方法,其特征在于,若各非闭合边缘对应的边缘评价指标中的最大值大于等于预设的缺陷阈值,则将低阈值减1,作为第一低阈值;将高阈值和第一低阈值作为canny算子的双阈值对待检测铝棒表面图像进行处理,得到对应的第一边缘图像,并得到第一边缘图像中各非闭合边缘对应的边缘评价指标;选取第一边缘图像中各非闭合边缘对应的边缘评价指标中的最大值,判断第一边缘图像中各非闭合边缘对应的边缘评价指标中的最大值是否小于预设的缺陷阈值,若是,则将第一边缘图像作为目标边缘图像;若否,则以此类推,依次递减低阈值的取值,直到得到边缘图像中的各非闭合边缘对应的边缘评价指标中的最大值第一次小于预设的缺陷阈值为止,将最终得到的边缘图像记为目标边缘图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210850954.6A CN115082429B (zh) | 2022-07-20 | 2022-07-20 | 一种基于图像处理的铝棒缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210850954.6A CN115082429B (zh) | 2022-07-20 | 2022-07-20 | 一种基于图像处理的铝棒缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082429A CN115082429A (zh) | 2022-09-20 |
CN115082429B true CN115082429B (zh) | 2022-11-04 |
Family
ID=83260451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210850954.6A Active CN115082429B (zh) | 2022-07-20 | 2022-07-20 | 一种基于图像处理的铝棒缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082429B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578390B (zh) * | 2022-12-09 | 2023-03-28 | 无锡联营电力设备有限公司 | 一种用于除氧器的焊接控制方法 |
CN116128877B (zh) * | 2023-04-12 | 2023-06-30 | 山东鸿安食品科技有限公司 | 一种基于温度检测的排汽回收智能监测系统 |
CN116228771B (zh) * | 2023-05-09 | 2023-07-21 | 山东克莱蒙特新材料科技有限公司 | 基于视觉分析矿物材料机床铸件检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
CN107767369A (zh) * | 2017-09-27 | 2018-03-06 | 杭州迈锐钶科技有限公司 | 一种滴定管的缺陷检测方法及装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007172397A (ja) * | 2005-12-22 | 2007-07-05 | Seiko Epson Corp | エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置 |
US7826675B2 (en) * | 2006-07-04 | 2010-11-02 | Hewlett-Packard Development Company, L.P. | Feature-aware image defect removal |
CN101256157B (zh) * | 2008-03-26 | 2010-06-02 | 广州中国科学院工业技术研究院 | 表面缺陷检测方法和装置 |
CN105004737B (zh) * | 2015-07-14 | 2017-06-23 | 浙江大学 | 基于自适应改进型梯度信息的水果表面缺陷检测方法 |
CN105675625B (zh) * | 2016-03-03 | 2019-03-01 | 浙江大学 | 一种梯度迭代阈值分割的水果表面缺陷检测方法 |
DE112017005711T5 (de) * | 2016-11-14 | 2019-08-14 | Ngk Insulators, Ltd. | Keramikkörper-Defektuntersuchungsvorrichtung und Defektuntersuchungsverfahren |
DE102017129356B3 (de) * | 2017-12-08 | 2019-03-07 | Infineon Technologies Ag | Inspektionsverfahren für halbleitersubstrate unter verwendung von neigungsdaten und inspektionsgerät |
CN111127402A (zh) * | 2019-12-06 | 2020-05-08 | 东莞理工学院 | 一种机器人焊接质量的视觉检测方法 |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 |
CN112819844B (zh) * | 2021-01-29 | 2023-03-14 | 山东建筑大学 | 一种图像边缘检测方法及装置 |
CN113658133B (zh) * | 2021-08-16 | 2022-06-21 | 江苏鑫丰源机电有限公司 | 一种基于图像处理的齿轮表面缺陷检测方法及系统 |
CN114047123B (zh) * | 2021-10-09 | 2024-04-09 | 无锡芯羿达微电子有限公司 | 一种用于集成板生产缺陷检测方法及检测系统 |
CN113989266B (zh) * | 2021-11-11 | 2024-05-21 | 汶上海纬机车配件有限公司 | 基于图像处理的机械配件表面缺陷检测方法 |
CN114359270B (zh) * | 2022-03-09 | 2022-06-07 | 山东华硕汽车配件科技有限公司 | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 |
CN114757949B (zh) * | 2022-06-15 | 2022-09-27 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
-
2022
- 2022-07-20 CN CN202210850954.6A patent/CN115082429B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
CN107767369A (zh) * | 2017-09-27 | 2018-03-06 | 杭州迈锐钶科技有限公司 | 一种滴定管的缺陷检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115082429A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082429B (zh) | 一种基于图像处理的铝棒缺陷检测方法 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN113409313B (zh) | 基于计算机视觉的车轮焊缝表面缺陷检测方法 | |
CN115760884B (zh) | 基于图像处理的半挂车表面焊渣优化分割方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN116109644B (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN115018850B (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN116311079B (zh) | 基于计算机视觉的民用安防工程监测方法 | |
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 | |
CN115330758B (zh) | 基于去噪处理的焊接质量检测方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN114266743A (zh) | 基于hsv和cnn的fpc缺陷检测方法、系统及存储介质 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115689948A (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN115170567A (zh) | 一种船舶用的防水钢板缺陷检测方法 | |
CN115294114A (zh) | 一种基于ecu电路焊接的质量检测方法 | |
CN117635604A (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 | |
CN116229438B (zh) | 一种纺纱质量视觉识别系统 | |
CN114937041B (zh) | 一种汽车发动机油路铜套缺陷检测方法及系统 | |
CN115880181A (zh) | 一种增强图像对比度的方法、装置及终端 |
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 |