CN115082481A - 一种用于齿轮的图像增强方法 - Google Patents
一种用于齿轮的图像增强方法 Download PDFInfo
- Publication number
- CN115082481A CN115082481A CN202211009335.0A CN202211009335A CN115082481A CN 115082481 A CN115082481 A CN 115082481A CN 202211009335 A CN202211009335 A CN 202211009335A CN 115082481 A CN115082481 A CN 115082481A
- Authority
- CN
- China
- Prior art keywords
- area
- gray level
- gear tooth
- image
- gear
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007547 defect Effects 0.000 claims abstract description 76
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000002950 deficient Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000034526 bruise Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000009827 uniform distribution 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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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 using histogram techniques
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种用于齿轮的图像增强方法,该方法采集齿轮的RGB图像以得到对应的灰度图像,根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率;利用图像实例分割获取灰度图像中的每个轮齿区域,计算每个所述轮齿区域的崩角疵点系数;基于崩角疵点系数和每个像素点的位置对灰度图像中的每个像素点赋予权值;基于权值计算每个灰度级对应的崩角断面瑕疵概率,以结合初始直方图分布概率得到每个灰度级的直方图分布概率,由直方图分布概率得到均衡化直方图完成灰度图像的图像增强。通过对齿轮的灰度图像中的每个像素点赋予不同的权值,使得图像增强效果更好,且加强了疑似为崩角瑕疵的位置的细节信息。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于齿轮的图像增强方法。
背景技术
齿轮作为一种常用且十分重要的传动零件,在各类机械设备中都得到广泛的使用。齿轮的质量对于整个设备来说至关重要,如果存在缺陷,极有可能在使用过程中出现损坏,甚至引发整个机械设备的故障和报废。目前主要有三种齿轮的外观缺陷,分别是崩角,碰伤和划伤,一般通过机器视觉的方式对齿轮进行缺陷检验,但是机器视觉方式中传统的图像增强方法对于齿轮图像的增强效果不佳且没有针对性,尤其是崩角这一缺陷处的细节在图像增强过程中会被模糊,进而不利于后续使用图像分析方式对图像中的瑕疵进行识别和分析。
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用于齿轮的图像增强方法,所采用的技术方案具体如下:
采集齿轮的RGB图像以得到对应的灰度图像;根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率;
利用图像实例分割获取灰度图像中的每个轮齿区域;获取每个所述轮齿区域的边缘图像以检测所述边缘图像中的角点,根据所述轮齿区域中各个角点之间的距离,分别计算每个所述轮齿区域的粗糙区域凌乱度;根据所述轮齿区域中的角点总数和角点周围像素点的灰度值,分别计算每个所述轮齿区域的粗糙区域中心丰富度;将所述粗糙区域凌乱度和所述粗糙区域中心丰富度之间的比值作为每个所述轮齿区域的崩角疵点系数;
利用阈值分割分别将每个所述轮齿区域划分为瑕疵区域和非瑕疵区域;对灰度图像中非轮齿区域内的像素点赋予权值1,基于每个所述轮齿区域的所述崩角疵点系数和像素点周围区域内其他像素点的灰度值,分别对每个所述轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值;
基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率,将每个灰度级的崩角断面瑕疵概率和初始直方图分布概率之间的乘积作为对应灰度级的直方图分布概率;基于所述直方图分布概率得到均衡化直方图,利用所述均衡化直方图完成灰度图像的图像增强。
进一步的,所述每个所述轮齿区域的粗糙区域凌乱度的获取方法,包括:
计算当前轮齿区域内每个角点对应的粗糙区域凌乱度,选取最小的粗糙区域凌乱度作为当前轮齿区域的粗糙区域凌乱度;其中,粗糙区域凌乱度的计算公式为:
进一步的,所述每个所述轮齿区域的粗糙区域中心丰富度的获取方法,包括:
选取当前轮齿区域的粗糙区域凌乱度所对应的角点,获取灰度图像中以该角点为中心的窗口区域,根据窗口内像素点的灰度值和当前轮齿区域内的角点总数计算当前轮齿区域的粗糙区域中心丰富度,其中,粗糙区域中心丰富度的计算公式为:
进一步的,所述分别对每个所述轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值的方法,包括:
其中,为权值;表示像素点在瑕疵区域内;表示像素点在非瑕疵区域内;为灰度图像内所有轮齿区域的崩角疵点系数的总和;为像素点所属的第个轮齿区域的崩角疵点系数;为以像素点为中心的窗口区域内所有像素点的灰度值方差;为像素点所在轮齿区域内所有像素点的灰度值方差的总和。
进一步的,所述基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率的方法,包括:
将相同灰度级下每个像素点的权值进行相加,令相加结果为对应灰度级的崩角断面瑕疵权重;
将所有灰度级的崩角断面瑕疵权重进行相加得到崩角断面瑕疵权重总和,令每个灰度级的崩角断面瑕疵权重与所述崩角断面瑕疵权重总和之间的比值为对应灰度级的崩角断面瑕疵概率。
本发明实施例至少具有如下有益效果:针对齿轮材料在同一光源下,不同齿轮位置呈现不同的反光程度,以及齿轮崩角这一瑕疵的多个断面对应多个朝向的特征,对齿轮的灰度图像中的每个像素点赋予不同权值,使得图像增强效果更好,同时在满足图像增强要求的前提下,针对性地加强疑似为崩角瑕疵的位置的细节信息,为后续对于齿轮存在崩角瑕疵的识别和检测提供了极大便利。
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用于齿轮的图像增强方法的步骤流程图。
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用于齿轮的图像增强方法,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,一个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用于齿轮的图像增强方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于齿轮的图像增强方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集齿轮的RGB图像以得到对应的灰度图像;根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率。
具体的,使用CCD相机采集齿轮的RGB图像,利用中值滤波对获取的RGB图像进行预处理,以消除噪声和部分外界干扰造成的影响,增强后续分析的准确性;将预处理后的RGB图像转换为灰度图像。
步骤S002,利用图像实例分割获取灰度图像中的每个轮齿区域;获取每个轮齿区域的边缘图像以检测边缘图像中的角点,根据轮齿区域中各个角点之间的距离,分别计算每个轮齿区域的粗糙区域凌乱度;根据轮齿区域中的角点总数和角点周围像素点的灰度值,分别计算每个轮齿区域的粗糙区域中心丰富度;将粗糙区域凌乱度和粗糙区域中心丰富度之间的比值作为每个轮齿区域的崩角疵点系数。
具体的,由于光线的照射和齿轮的构造以及材料性质,齿轮的轮齿部分会有不同程度反光,受到光源照射后出现强烈反光的区域内的灰度值极大,没有被光源照射到的区域内的灰度值极小,而被光源照射到但不存在反光的区域内的灰度值处于中间值,因此灰度图像中像素点的灰度范围比较多,而常用的直方图均衡化方法对于灰度图像增强的效果较差,故对直方图均衡化方法进行改进,利用改进的直方图均衡化方法实现图像增强,也即是对常用的直方图均衡化过程中的直方图分布概率进行优化,利用优化后的直方图分布概率实现图像增强。
利用图像实例分割中根据齿轮图像数据库训练完成的CenterMask对灰度图像中的每个轮齿进行分割,一个轮齿对应一个区域,得到多个轮齿区域。
由于齿轮崩角位置的断面比较凌乱和粗糙,坑洼不平,分为多个不规则的小的断面,且每个小断面朝向不同的方向,对应同一光源具有不同的反光程度,因此根据齿轮崩角的这些具体特征对可能属于齿轮崩角的区域赋予更高的权值。
对每个轮齿区域使用canny算子获取对应的边缘图像,使用Harris角点检测获取边缘图像中的角点,也即是轮齿区域中的角点。为防止灰度图像中细节较多的地方在较小区域内出现过多角点而影响后续分析,则采用非极大值抑制的算法利用角点处灰度值对角点进行筛选,只保留对于特征描述贡献度较大的角点。
根据任意一个轮齿区域内的角点位置,分别计算每个角点与其他角点之间的距离,如角点与其他个角点之间的距离,分别记为,,…,,获取这个距离的均值,根据这些距离计算角点对应的粗糙区域凌乱度,则粗糙区域凌乱度的计算公式为:
需要说明的是,当角点与其他角点之间的距离相差越小时,粗糙区域凌乱度越小,粗糙区域凌乱度用于衡量轮齿区域内较杂乱部分中这些角点分布的均匀情况,当角点分布越均匀,对应的轮齿区域内的粗糙区域凌乱度越小;由于轮齿崩角这一瑕疵通常出现在轮齿的一小部分,角点对应瑕疵中坑洼不平的各个位置或小断面的边缘方向改变处,所以角点较为集中和均匀,故这一特征越明显,则轮齿区域越可能包含瑕疵。
需要说明的是,由于窗口的中心位置是粗糙区域凌乱度对应角点所的在位置,则该位置为可能含有瑕疵的区域内最可能为瑕疵部分较为中心的位置;瑕疵区域越粗糙,对同一光源的反光情况差异越大,对应轮齿区域内像素点的灰度值相差较大,所以采用该位置附近的像素点灰度值的差异情况以及角点的数量衡量粗糙区域。
利用上述方法能够得到每个轮齿区域的粗糙区域凌乱度和粗糙区域中心丰富度。由于轮齿区域内的粗糙区域凌乱度和粗糙区域中心丰富度均可反映齿轮崩角这一瑕疵的独有特征,则以此为依据获取每个轮齿区域的崩角疵点系数,则崩角疵点系数的计算公式为:
步骤S003,利用阈值分割分别将每个轮齿区域划分为瑕疵区域和非瑕疵区域;对灰度图像中非轮齿区域内的像素点赋予权值1,基于每个轮齿区域的崩角疵点系数和像素点周围区域内其他像素点的灰度值,分别对每个轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值。
由于瑕疵是零件上少了一部分,且这部分区域凹向零件内部,其接受和反射的光较少,导致对应区域比较暗,因此瑕疵对应的像素点的灰度值应该比较大。利用大津阈值分割将每个轮齿区域内的瑕疵区域划分出来,进而得到每个轮齿区域中的瑕疵区域和非瑕疵区域,其中,大津阈值分割的方法为:通过类间方差法得到齿轮区域的灰度阈值,将灰度值大于或等于灰度阈值的像素点作为瑕疵像素点,将灰度值小于灰度阈值的像素点作为非瑕疵像素点,进而根据瑕疵像素点和非瑕疵像素点将齿轮区域划分为瑕疵区域和非瑕疵区域。由于崩角这一瑕疵主要发生在齿轮的轮齿位置,所以对灰度图像中不属于轮齿区域内的像素点赋予权值1,对灰度图像中属于轮齿区域内的像素点赋予权值大于1。考虑到在轮齿区域内存在瑕疵区域和非瑕疵区域,进而基于每个轮齿区域的崩角疵点系数和像素点周围区域内其他像素点的灰度值,分别对每个轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值,则瑕疵区域和非瑕疵区域中像素点的权值的计算公式为:
其中,为权值;表示像素点在瑕疵区域内;表示像素点在非瑕疵区域内;为灰度图像内所有轮齿区域的崩角疵点系数的总和;为像素点所属的第个轮齿区域的崩角疵点系数;表示对第个轮齿区域的崩角疵点系数进行归一化处理;为以像素点为中心的窗口区域内所有像素点的灰度值方差;为像素点所在轮齿区域内所有像素点的灰度值方差的总和。
步骤S004,基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率,将每个灰度级的崩角断面瑕疵概率和初始直方图分布概率之间的乘积作为对应灰度级的直方图分布概率;基于直方图分布概率得到均衡化直方图,利用均衡化直方图完成灰度图像的图像增强。
具体的,利用步骤S003中权值的获取方法,能够得到灰度图像中每个像素点的权值,将同一个灰度级下每个像素点的权值进行相加,令相加结果为对应灰度级的崩角断面瑕疵权重,进而得到灰度图像中每个灰度级的崩角断面瑕疵权重,则灰度级的崩角断面瑕疵权重为。
根据每个灰度级的崩角断面瑕疵权重计算每个灰度级对应的崩角断面瑕疵概率,则崩角断面瑕疵概率的计算公式为:
根据灰度级的初始直方图分布概率和崩角断面瑕疵概率计算灰度级的直方图分布概率,即,进而得到灰度图像中每个灰度级的直方图分布概率,为保证各灰度级对应的直方图分布概率之和为定值1,所以对直方图分布概率进行归一化,记直方图分布概率对应的归一化直方图分布概率为。
通过累积分布概率将灰度图像映射为具有近似均匀灰度级分布的增强图像,相应的映射关系为:
基于每个灰度级的映射关系对灰度直方图进行均衡化以得到均衡化直方图,均衡化直方图中灰度级的分布较为均匀,进而根据均衡化直方图得到图像增强后的灰度图像。
需要说明的是,由于在获取累积分布概率的过程中,根据崩角这一瑕疵的特征,对于不同像素点赋予了不同的权值,即越可能为崩角区域内的像素点对应的权值越大,而权值越大的像素点对应的灰度值在均衡化后得到的灰度值越大,权值越小的像素点对应的灰度值在均衡化后得到的灰度值越小,因此这一特性将发生崩角的瑕疵部分与没有瑕疵点部分在图像上出现较大的对比度,有利于后续对于崩角这一瑕疵的识别和分析。
综上所述,本发明实施例提供了一种用于齿轮的图像增强方法,该方法采集齿轮的RGB图像以得到对应的灰度图像,根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率;利用图像实例分割获取灰度图像中的每个轮齿区域,计算每个所述轮齿区域的崩角疵点系数;基于崩角疵点系数和每个像素点的位置对灰度图像中的每个像素点赋予权值;基于权值计算每个灰度级对应的崩角断面瑕疵概率,以结合初始直方图分布概率得到每个灰度级的直方图分布概率,由直方图分布概率得到均衡化直方图完成灰度图像的图像增强。通过对齿轮的灰度图像中的每个像素点赋予不同的权值,使得图像增强效果更好,且加强了疑似为崩角瑕疵的位置的细节信息。
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 (5)
1.一种用于齿轮的图像增强方法,其特征在于,该方法包括以下步骤:
采集齿轮的RGB图像以得到对应的灰度图像;根据灰度图像的灰度直方图得到每个灰度级的初始直方图分布概率;
利用图像实例分割获取灰度图像中的每个轮齿区域;获取每个所述轮齿区域的边缘图像以检测所述边缘图像中的角点,根据所述轮齿区域中各个角点之间的距离,分别计算每个所述轮齿区域的粗糙区域凌乱度;根据所述轮齿区域中的角点总数和角点周围像素点的灰度值,分别计算每个所述轮齿区域的粗糙区域中心丰富度;将所述粗糙区域凌乱度和所述粗糙区域中心丰富度之间的比值作为每个所述轮齿区域的崩角疵点系数;
利用阈值分割分别将每个所述轮齿区域划分为瑕疵区域和非瑕疵区域;对灰度图像中非轮齿区域内的像素点赋予权值1,基于每个所述轮齿区域的所述崩角疵点系数和像素点周围区域内其他像素点的灰度值,分别对每个所述轮齿区域的瑕疵区域和非瑕疵区域中的像素点赋予权值;
基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率,将每个灰度级的崩角断面瑕疵概率和初始直方图分布概率之间的乘积作为对应灰度级的直方图分布概率;基于所述直方图分布概率得到均衡化直方图,利用所述均衡化直方图完成灰度图像的图像增强。
5.如权利要求1所述的一种用于齿轮的图像增强方法,其特征在于,所述基于灰度图像中每个像素点的权值计算每个灰度级对应的崩角断面瑕疵概率的方法,包括:
将相同灰度级下每个像素点的权值进行相加,令相加结果为对应灰度级的崩角断面瑕疵权重;
将所有灰度级的崩角断面瑕疵权重进行相加得到崩角断面瑕疵权重总和,令每个灰度级的崩角断面瑕疵权重与所述崩角断面瑕疵权重总和之间的比值为对应灰度级的崩角断面瑕疵概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009335.0A CN115082481B (zh) | 2022-08-23 | 2022-08-23 | 一种用于齿轮的图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009335.0A CN115082481B (zh) | 2022-08-23 | 2022-08-23 | 一种用于齿轮的图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082481A true CN115082481A (zh) | 2022-09-20 |
CN115082481B CN115082481B (zh) | 2022-11-15 |
Family
ID=83245318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009335.0A Active CN115082481B (zh) | 2022-08-23 | 2022-08-23 | 一种用于齿轮的图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082481B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294123A (zh) * | 2022-10-08 | 2022-11-04 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115375686A (zh) * | 2022-10-25 | 2022-11-22 | 山东鲁玻玻璃科技有限公司 | 一种基于图像处理的玻璃边缘瑕疵检测方法 |
CN116228804A (zh) * | 2023-05-10 | 2023-06-06 | 山东省地质测绘院 | 一种基于图像分割的矿产资源识别方法 |
CN116433657A (zh) * | 2023-06-08 | 2023-07-14 | 金乡县明耀玻璃有限公司 | 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 |
CN116843584A (zh) * | 2023-09-01 | 2023-10-03 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN117115174A (zh) * | 2023-10-25 | 2023-11-24 | 张家港市金阳工具有限公司 | 一种钳子外形自动检测方法及系统 |
CN117173158A (zh) * | 2023-10-25 | 2023-12-05 | 深圳市德海威实业有限公司 | 一种精密连接器质量智能检测方法及系统 |
CN117474927A (zh) * | 2023-12-28 | 2024-01-30 | 山东太阳耐磨件有限公司 | 基于人工智能的驱动齿生产质量检测方法 |
CN117635507A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609918A (zh) * | 2012-02-15 | 2012-07-25 | 国家海洋局第二海洋研究所 | 基于图像特征配准的航空多光谱遥感影像几何精校正方法 |
US20130194419A1 (en) * | 2010-06-30 | 2013-08-01 | Tata Consultancy Services Limited | Automatic Detection of Moving Object by Using Stereo Vision Technique |
CN104574326A (zh) * | 2013-10-15 | 2015-04-29 | 无锡华润矽科微电子有限公司 | 对图像进行直方图均衡处理的方法和装置 |
CN104680500A (zh) * | 2015-02-07 | 2015-06-03 | 江西科技学院 | 一种基于直方图均衡化的图像增强算法 |
CN106570499A (zh) * | 2016-10-28 | 2017-04-19 | 南京航空航天大学 | 一种基于概率图模型的目标跟踪方法 |
-
2022
- 2022-08-23 CN CN202211009335.0A patent/CN115082481B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130194419A1 (en) * | 2010-06-30 | 2013-08-01 | Tata Consultancy Services Limited | Automatic Detection of Moving Object by Using Stereo Vision Technique |
CN102609918A (zh) * | 2012-02-15 | 2012-07-25 | 国家海洋局第二海洋研究所 | 基于图像特征配准的航空多光谱遥感影像几何精校正方法 |
CN104574326A (zh) * | 2013-10-15 | 2015-04-29 | 无锡华润矽科微电子有限公司 | 对图像进行直方图均衡处理的方法和装置 |
CN104680500A (zh) * | 2015-02-07 | 2015-06-03 | 江西科技学院 | 一种基于直方图均衡化的图像增强算法 |
CN106570499A (zh) * | 2016-10-28 | 2017-04-19 | 南京航空航天大学 | 一种基于概率图模型的目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
FAWAD: "Image Local Features Description Through Polynomial Approximation", 《IEEE ACCESS 》 * |
殷昆燕: "基于多视觉特征的图像复杂度评价及应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294123A (zh) * | 2022-10-08 | 2022-11-04 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115311176B (zh) * | 2022-10-12 | 2023-03-07 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115375686A (zh) * | 2022-10-25 | 2022-11-22 | 山东鲁玻玻璃科技有限公司 | 一种基于图像处理的玻璃边缘瑕疵检测方法 |
CN115375686B (zh) * | 2022-10-25 | 2023-01-24 | 山东鲁玻玻璃科技有限公司 | 一种基于图像处理的玻璃边缘瑕疵检测方法 |
CN116228804B (zh) * | 2023-05-10 | 2023-07-18 | 山东省地质测绘院 | 一种基于图像分割的矿产资源识别方法 |
CN116228804A (zh) * | 2023-05-10 | 2023-06-06 | 山东省地质测绘院 | 一种基于图像分割的矿产资源识别方法 |
CN116433657B (zh) * | 2023-06-08 | 2023-08-25 | 金乡县明耀玻璃有限公司 | 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 |
CN116433657A (zh) * | 2023-06-08 | 2023-07-14 | 金乡县明耀玻璃有限公司 | 一种基于计算机视觉的钢化玻璃划伤区域图像增强方法 |
CN116843584A (zh) * | 2023-09-01 | 2023-10-03 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN116843584B (zh) * | 2023-09-01 | 2023-11-07 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN117115174A (zh) * | 2023-10-25 | 2023-11-24 | 张家港市金阳工具有限公司 | 一种钳子外形自动检测方法及系统 |
CN117173158A (zh) * | 2023-10-25 | 2023-12-05 | 深圳市德海威实业有限公司 | 一种精密连接器质量智能检测方法及系统 |
CN117173158B (zh) * | 2023-10-25 | 2024-01-30 | 深圳市德海威实业有限公司 | 一种精密连接器质量智能检测方法及系统 |
CN117115174B (zh) * | 2023-10-25 | 2024-02-06 | 张家港市金阳工具有限公司 | 一种钳子外形自动检测方法及系统 |
CN117474927A (zh) * | 2023-12-28 | 2024-01-30 | 山东太阳耐磨件有限公司 | 基于人工智能的驱动齿生产质量检测方法 |
CN117474927B (zh) * | 2023-12-28 | 2024-03-26 | 山东太阳耐磨件有限公司 | 基于人工智能的驱动齿生产质量检测方法 |
CN117635507A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
CN117635507B (zh) * | 2024-01-26 | 2024-04-09 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115082481B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082481B (zh) | 一种用于齿轮的图像增强方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN116740058B (zh) | 一种固态硬盘配套晶圆的质量检测方法 | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN116740061B (zh) | 一种爆珠生产质量视觉检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN115035113A (zh) | 基于x射线的手机数据线生产缺陷无损检测方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN115984272A (zh) | 基于计算机视觉的半挂车车桥缺陷识别方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN114998356A (zh) | 一种基于图像处理的车桥缺陷检测方法 | |
CN111429361A (zh) | 一种基于机器视觉的菌落计数方法 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN110186929A (zh) | 一种实时的产品瑕疵定位方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 |
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 |