CN115100203A - 一种钢筋打磨除锈质量检测方法 - Google Patents
一种钢筋打磨除锈质量检测方法 Download PDFInfo
- Publication number
- CN115100203A CN115100203A CN202211022773.0A CN202211022773A CN115100203A CN 115100203 A CN115100203 A CN 115100203A CN 202211022773 A CN202211022773 A CN 202211022773A CN 115100203 A CN115100203 A CN 115100203A
- Authority
- CN
- China
- Prior art keywords
- sliding window
- gray
- steel bar
- target
- window area
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 269
- 239000010959 steel Substances 0.000 title claims abstract description 269
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 238000005498 polishing Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000005260 corrosion Methods 0.000 claims abstract description 65
- 230000007797 corrosion Effects 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 27
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000003014 reinforcing effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004323 axial length Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation 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
- G06T5/90—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
- G06T7/13—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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种钢筋打磨除锈质量检测方法。方法包括:构建钢筋规格以及对应最小滑窗的尺寸的数据库;基于数据库获得待检测钢筋的灰度图像对应的最小滑窗的尺寸;基于所有目标中轴点对应的滑窗区域的灰度均值的方差和各目标中轴点对应的滑窗区域中各行像素点的灰度均值,计算存在锈蚀的可能性指标;基于图像中最大聚类簇中心点的灰度值和各目标中轴点对应的滑窗区域中边缘像素点的曲率,得到各目标中轴点对应的滑窗区域的目标异常程度;基于所有目标中轴点对应的滑窗区域的灰度均值的方差、可能性指标和目标异常程度,判断打磨除锈质量。本发明提高了对钢筋打磨除锈质量进行检测时的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种钢筋打磨除锈质量检测方法。
背景技术
钢筋作为重要建筑用材其质量的好坏直接影响建筑的质量,钢筋常发的质量问题为钢筋锈蚀,因而在使用钢筋之前需对其进行打磨除锈。现有钢筋打磨除锈一般是人工打磨,效率较低,为了提高生产效率,现有的CN108608295A中的一种工业用钢筋除锈装置,公开了根据钢筋的长短从两端夹持固定,通过电机的正反转,控制除锈装置做往返直线运动,不断摩擦除锈,从而提高除锈效率。但是由于钢筋不同位置的锈蚀程度不同,而电机控制的除锈装置的运动一般是匀速运动,这就会导致较为严重的锈蚀区域并不能完全除锈。因此需要在钢筋打磨除锈完成后,对钢筋的除锈质量进行检测,以确保钢筋的性能。
钢筋表面纹理以及规格之间存在差异,且钢筋在旋转过程中,钢筋表面纹理会随着钢筋的旋转发生移动,因此很难找到一个合适的标准图像对钢筋表面进行检测;此外,虽然锈蚀区域与钢筋本身灰度值存在差异,但是由于打磨完成后的钢筋表面存在金属光泽,不可避免的会出现反光区域,而反光区域与钢筋本身灰度差异也较大。这也就导致无论是传统的模板匹配还是阈值分割都无法准确地将锈蚀区域检测出来,也就无法对钢筋的打磨除锈质量进行准确地评估。
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钢筋打磨除锈质量检测方法,所采用的技术方案具体如下:
本发明提供了一种钢筋打磨除锈质量检测方法,该方法包括以下步骤:
获取除锈合格的各种规格的钢筋的灰度图像,根据所述各种规格的钢筋的灰度图像中像素点的灰度值以及各种规格的钢筋的直径获得各种规格的钢筋的灰度图像对应的最小滑窗的尺寸;基于所述最小滑窗的尺寸,构建钢筋规格以及对应最小滑窗的尺寸的数据库;所述尺寸包括长和宽;
获取待检测钢筋的灰度图像,基于所述数据库获得待检测钢筋的灰度图像对应的最小滑窗的尺寸;基于待检测钢筋的灰度图像对应的最小滑窗的宽获得目标中轴点;分别将所述目标中轴点作为滑窗的中心点,利用待检测钢筋的灰度图像对应的最小滑窗对待检测钢筋的灰度图像进行遍历,计算所有目标中轴点对应的滑窗区域的灰度均值的方差;基于所述方差和各目标中轴点对应的滑窗区域中各行像素点的灰度均值,计算待检测钢筋的灰度图像存在锈蚀的可能性指标;
基于各目标中轴点对应的滑窗区域的灰度均值对所述待检测钢筋的灰度图像中的像素点进行聚类,基于最大聚类簇的中心点的灰度值、各目标中轴点对应的滑窗区域的灰度均值和各目标中轴点对应的滑窗区域中边缘像素点的曲率,得到各目标中轴点对应的滑窗区域的目标异常程度;
基于所述所有目标中轴点对应的滑窗区域的灰度均值的方差、所述可能性指标和所述各目标中轴点对应的滑窗区域的目标异常程度,判断待检测钢筋的打磨除锈质量。
优选的,所述根据所述各种规格的钢筋的灰度图像中像素点的灰度值以及各种规格的钢筋的直径获得各种规格的钢筋的灰度图像对应的最小滑窗的尺寸,包括:
对于除锈合格的任一规格的钢筋的灰度图像:
保持滑窗区域的宽不变,将滑窗区域的长度沿着钢筋轴向扩展,记滑窗区域的长为,将滑窗区域的长度一分为二,得到两个大小均为的子滑窗,分别记为第一子滑窗和第二子滑窗;根据所述第一子滑窗和第二子滑窗内所有像素点的灰度值,得到第一子滑窗对应的归一化后的灰度直方图和第二子滑窗对应的归一化后的灰度直方图,所述归一化后的灰度直方图的横轴表示各灰度值,纵轴表示各灰度值出现的概率;以灰度直方图中的灰度值以及灰度值出现的概率为样本数据,使用最小二乘法拟合曲线,分别得到第一子滑窗的灰度分布曲线和第二子滑窗的灰度分布曲线;
计算第一子滑窗的灰度分布曲线和第二子滑窗的灰度分布曲线的KL散度,判断所述KL散度是否小于KL散度阈值,若小于,则将此时的值作为该规格的钢筋的灰度图像对应的最小滑窗的长;若大于等于,则对此时的进行加一操作,使滑窗大小向钢筋轴向扩展,得到新的滑窗区域,获取新的滑窗区域对应的两个子滑窗对应的灰度分布曲线的KL散度,比较新的滑窗区域对应的两个子滑窗对应的灰度分布曲线的KL散度与KL散度阈值的大小关系,直到灰度分布曲线的KL散度小于KL散度阈值为止,得到该规格的钢筋的灰度图像对应的最小滑窗的长。
优选的,所述基于待检测钢筋的灰度图像对应的最小滑窗的宽获得目标中轴点,包括:
计算待检测钢筋的灰度图像中每列像素点纵坐标的平均值,基于每列像素点纵坐标的平均值,得到待检测钢筋的灰度图像中每列的中轴像素点;
优选的,所述计算所有目标中轴点对应的滑窗区域的灰度均值的方差,包括:
根据各目标中轴点对应的滑窗区域中各像素点的灰度值,计算各目标中轴点对应的滑窗区域的平均灰度值,记为各目标中轴点对应的滑窗区域的灰度均值;
根据各目标中轴点对应的滑窗区域的灰度均值,计算所有目标中轴点对应的滑窗区域的灰度均值的方差。
优选的,所述基于所述方差和各目标中轴点对应的滑窗区域中各行像素点的灰度均值,计算待检测钢筋的灰度图像存在锈蚀的可能性指标,包括:
对于任一目标中轴点对应的滑窗区域:根据该滑窗区域中各行像素点的灰度均值,计算该滑窗区域中每行像素点的灰度均值相对于整体平均灰度值之间的方差;
根据各目标中轴点对应的滑窗区域中每行像素点的灰度均值相对于整体平均灰度值之间的方差和所述所有目标中轴点对应的滑窗区域的灰度均值的方差,采用如下公式计算待检测钢筋的灰度图像存在锈蚀的可能性指标:
其中,为待检测钢筋的灰度图像存在锈蚀的可能性指标,为反正切函数,为所有目标中轴点对应的滑窗区域的灰度均值的方差,为目标中轴点的个数,为第个目标中轴点对应的滑窗区域中每行像素点的灰度均值相对于整体平均灰度值之间的方差。
优选的,所述基于最大聚类簇的中心点的灰度值、各目标中轴点对应的滑窗区域的灰度均值和各目标中轴点对应的滑窗区域中边缘像素点的曲率,得到各目标中轴点对应的滑窗区域的目标异常程度,包括:
将所述最大聚类簇的中心点的灰度值作为参考灰度值;
对于任一目标中轴点对应的滑窗区域:
计算该滑窗区域中像素点的平均灰度值与所述参考灰度值的差值的绝对值,将所述绝对值作为该滑窗区域的初始异常程度;
使用Sobel算子对该滑窗区域进行边缘检测,获取该滑窗区域中的所有边缘像素点,获取各边缘像素点的曲率,根据各个曲率及其出现的概率对所述初始异常程度进行修正获得该目标中轴点对应的滑窗区域的目标异常程度;所述该目标中轴点对应的滑窗区域的目标异常程度的计算公式为:
其中,为该目标中轴点对应的滑窗区域的目标异常程度,为该目标中轴点对应的滑窗区域中边缘像素点的第种曲率出现的概率,为该目标中轴点对应的滑窗区域中边缘像素点的曲率的种类数,为该目标中轴点对应的滑窗区域的初始异常程度。
优选的,所述基于所述所有目标中轴点对应的滑窗区域的灰度均值的方差、所述可能性指标和所述各目标中轴点对应的滑窗区域的目标异常程度,判断待检测钢筋的打磨除锈质量,包括:
根据所述目标中轴点对应的滑窗区域的灰度均值的方差、所述可能性指标和所述各目标中轴点对应的滑窗区域的目标异常程度,计算待检测钢筋的除锈质量指标;
基于所述除锈质量指标,判断待检测钢筋的打磨除锈质量。
优选的,采用如下公式计算待检测钢筋的除锈质量指标:
其中,为待检测钢筋的除锈质量指标,为可能性阈值,为以自然常数为底数的指数函数,为第个目标中轴点对应的滑窗区域的目标异常程度,为目标中轴点的个数,为待检测钢筋的灰度图像存在锈蚀的可能性指标,为所有目标中轴点对应的滑窗区域的灰度均值的方差。
本发明具有如下有益效果:
1、本发明首先计算了所有目标中轴点对应的滑窗区域的灰度均值的方差,考虑到只基于灰度均值的方差并不能判断待检测钢筋的锈蚀类型,因为当所有目标中轴点对应的滑窗区域的灰度均值的方差较大时,说明待检测钢筋表面存在局部锈蚀,但是当所有目标中轴点对应的滑窗区域的灰度均值的方差较小时,会出现待检测钢筋表面无锈蚀和待检测钢筋表面存在整体锈蚀两种情况,因此本发明计算了待检测钢筋的灰度图像存在锈蚀的可能性指标,再根据可能性指标和各目标中轴点对应的滑窗区域的目标异常程度,对待检测钢筋的打磨除锈质量进行了判断,避免了当钢筋表面打磨完成后仍存在均匀锈蚀而导致锈蚀检测不准确现象的出现,提高了对待检测钢筋打磨除锈质量进行检测时的检测精度。
2、本发明在对待检测钢筋进行打磨质量检测时,基于提前构建好的数据库获取待检测钢筋的灰度图像对应的最小滑窗的尺寸,使用最小滑窗对待检测钢筋的灰度图像中目标中轴点进行遍历,并根据滑窗区域中灰度的差异情况得到钢筋表面存在锈蚀的可能性指标,避免了因钢筋摆放位置以及摆放方向不同使得钢筋灰度图像存在差异进而导致钢筋打磨除锈的质量检测难度较大的现象,提高了检测的灵活性。
3、本发明根据各目标中轴点对应的滑窗区域中边缘像素点的曲率对各滑窗区域的异常程度进行修正,得到各目标中轴点对应的滑窗区域的目标异常程度,避免了因钢筋表面存在刻字信息导致信息所在区域的异常程度较高而将该区域误判为存在锈蚀的区域的现象,提高了钢筋打磨除锈质量检测的可靠性。
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钢筋打磨除锈质量检测方法的流程图;
图2为构建的直角坐标系的示意图。
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效,以下结合附图及较佳实施例,对依据本发明提出的一种钢筋打磨除锈质量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钢筋打磨除锈质量检测方法的具体方案。
一种钢筋打磨除锈质量检测方法实施例:
本实施例提出了一种钢筋打磨除锈质量检测方法,如图1所示,本实施例的一种钢筋打磨除锈质量检测方法包括以下步骤:
步骤S1,获取除锈合格的各种规格的钢筋的灰度图像,根据所述各种规格的钢筋的灰度图像中像素点的灰度值以及各种规格的钢筋的直径获得各种规格的钢筋的灰度图像对应的最小滑窗的尺寸;基于所述最小滑窗的尺寸,构建钢筋规格以及对应最小滑窗的尺寸的数据库;所述尺寸包括长和宽。
本发明针对的具体场景为:钢筋打磨除锈完成后,在钢筋右上方施加平行于钢筋放置方向的线光源,相机从钢筋的正上方采集钢筋表面图像,对采集到的钢筋表面图像进行处理,根据图像中的特征信息对钢筋打磨除锈质量进行检测。
考虑到钢筋表面的纹理(如螺纹等)存在一定的周期性,因此本实施例根据采集的钢筋表面图像中纹理的最小周期得到滑窗区域,再根据各个滑窗区域之间的异常程度确定钢筋的锈蚀区域,进而判断钢筋的打磨除锈质量。但是由于钢筋粗细以及表面纹理类型多样,人工测量钢筋的纹理的最小周期较为繁琐且存在测量误差,本实施例提供的方法根据待检测钢筋的类型以及钢筋粗细自动确定滑窗区域大小,提高了钢筋打磨除锈质量检测的灵活性。
本实施例首先利用相机采集除锈合格的各种规格的钢筋的图像,然后对采集到的各种规格的钢筋的图像进行灰度化处理,得到各种规格的钢筋的灰度图像,灰度化处理为现有技术,此处不再赘述。由于本实施例在钢筋的右上方施加平行线光源,因此会存在光照衰减的情况,距离光源越近的位置反光程度越高,距离光源越远的位置反光程度越低,因此本实施例采集的钢筋图像中一个周期内螺纹的不同位置的反光程度不同。基于此,本实施例将滑窗区域一分为二,随着滑窗区域的扩大,滑窗区域中增加的灰度值是存在差异的,只有当滑窗区域中存在两个周期时,才会使得半个滑窗区域之间的灰度直方图的灰度分布一致,由此可以确定钢筋的最小周期,得到最小滑窗的尺寸。
本实施例首先获取除锈合格的各种规格的钢筋的灰度图像对应的最小滑窗的尺寸,基于除锈合格的各种规格的钢筋的灰度图像对应的最小滑窗的尺寸,构建钢筋规格以及对应最小滑窗的尺寸数据库。
构建钢筋规格以及对应最小滑窗的尺寸数据库的具体过程如下:
对于除锈合格的任一规格的钢筋的灰度图像:
由于钢筋直径相对于钢筋轴向长度较短,因此对该规格的钢筋的灰度图像做最小包围框,所得包围框较短边的边长即为钢筋直径,将该较短边的边长作为该规格的钢筋的灰度图像对应的滑窗区域的宽;保持滑窗区域的宽不变,将滑窗区域的长度沿着钢筋轴向扩展,记滑窗区域的长为,的初始值为1,将滑窗区域的长度一分为二,得到两个子滑窗,分别记为第一子滑窗和第二子滑窗,则这两个子滑窗的大小均为;获取这两个子滑窗区域内的所有像素点的灰度值,进而得到第一子滑窗对应的归一化后的灰度直方图和第二子滑窗对应的归一化后的灰度直方图,其中归一化后的灰度直方图的横轴表示各灰度值,纵轴表示各灰度值出现的概率;以灰度直方图中的灰度值以及灰度值出现的概率为样本数据,使用最小二乘法拟合曲线,分别得到第一子滑窗的灰度分布曲线和第二子滑窗的灰度分布曲线。
计算第一子滑窗的灰度分布曲线和第二子滑窗的灰度分布曲线的KL散度,KL散度用来衡量两个概率分布曲线之间的相似性,两个概率分布曲线越相近,KL散度越小,因此根据KL散度的值判断这第一子滑窗的灰度分布曲线和第二子滑窗的灰度分布曲线的相似性,KL散度的值越小,说明这两个灰度分布曲线越一致,本实施例设置KL散度阈值,判断这两个灰度分布曲线的KL散度是否小于,若小于,则判定此时的滑窗区域中包含两个周期,即第一子滑窗和第二子滑窗中分别包含一个周期,将此时的值作为该规格的钢筋的灰度图像对应的最小滑窗的长;否则对此时的进行加一操作,使滑窗大小向钢筋轴向扩展,得到新的滑窗区域,重复上述操作,比较滑窗区域对应的两个子滑窗的灰度分布曲线的KL散度与KL散度阈值的大小关系,直到得到最小滑窗的长为止;记最终得到的该规格的钢筋的灰度图像对应的最小滑窗的尺寸为;本实施例中的值为0.1,在具体应用中,实施者可自行设置的值。KL散度的计算方法为现有技术,此处不再赘述。
采用上述方法,得到除锈合格的各种规格的钢筋的灰度图像对应的最小滑窗的尺寸。本实施例根据各种规格钢筋(包含钢筋直径以及钢筋纹理类型)及其对应的最小滑窗的尺寸(最小滑窗的长和宽),构建钢筋规格以及对应最小滑窗的尺寸的数据库。
步骤S2,获取待检测钢筋的灰度图像,基于所述数据库获得待检测钢筋的灰度图像对应的最小滑窗的尺寸;基于待检测钢筋的灰度图像对应的最小滑窗的宽获得目标中轴点;分别将所述目标中轴点作为滑窗的中心点,利用待检测钢筋的灰度图像对应的最小滑窗对待检测钢筋的灰度图像进行遍历,计算所有目标中轴点对应的滑窗区域的灰度均值的方差;基于所述方差和各目标中轴点对应的滑窗区域中各行像素点的灰度均值,计算待检测钢筋的灰度图像存在锈蚀的可能性指标。
为了检测打磨除锈后的钢筋的除锈质量,本实施例需要获取打磨除锈后的钢筋对应的最小滑窗的尺寸,进而对其进行除锈质量检测。将打磨除锈后的钢筋记为待检测钢筋,获取待检测钢筋的型号,基于待检测钢筋的型号以及步骤S1中构建的数据库,获取待检测钢筋的灰度图像对应的最小滑窗的长和宽。利用相机采集待检测钢筋的图像,并对采集的图像进行灰度化处理,将灰度化处理后的图像记为待检测钢筋的灰度图像。
当最小滑窗区域中存在锈蚀时,锈蚀区域会改变最小滑窗区域中像素点的灰度值,造成存在锈蚀的滑窗区域与不存在锈蚀的滑窗区域之间存在灰度差异,因此当所有滑窗区域平均灰度值之间的方差较大时,认为待检测钢筋的灰度图像中存在锈蚀区域。
本实施例构建直角坐标系,直角坐标系X轴的方向为待检测钢筋的轴向方向,直角坐标系Y轴的方向与待检测钢筋的轴向垂直,直角坐标系如图2所示,获取待检测钢筋的灰度图像中所有像素点的坐标,记待检测钢筋的灰度图像中所有像素点的最大横坐标为,待检测钢筋的灰度图像中所有像素点的最小横坐标为。计算待检测钢筋的灰度图像中每列像素点纵坐标的平均值,基于每列像素点纵坐标的平均值,得到待检测钢筋的灰度图像中每列的中轴像素点,每列对应一个中轴像素点,为了保证以每个中轴像素点为中心的滑窗区域均为钢筋的一个完整纹理的周期,本实施例获取横坐标在范围内的所有中轴像素点作为目标中轴点,基于所述目标中轴点构建目标中轴点序列,该序列中包含的目标中轴点的个数为。
分别以目标中轴点序列中的各目标中轴点为滑窗的中心,利用长为和宽为的滑窗对待检测钢筋的灰度图像中的像素点进行遍历,得到各目标中轴点对应的滑窗区域,如图2所示,图中的1为一个滑窗区域;根据各目标中轴点对应的滑窗区域中各像素点的灰度值,计算各目标中轴点对应的滑窗区域的平均灰度值,记为各目标中轴点对应的滑窗区域的灰度均值,一个目标中轴点对应的滑窗区域对应一个灰度均值;根据各目标中轴点对应的滑窗区域的灰度均值,计算所有目标中轴点对应的滑窗区域的灰度均值的方差。
考虑到当待检测钢筋表面存在的锈蚀较为严重且待检测钢筋表面各个位置锈蚀较为均匀时,但是由于除锈装置对钢筋各个位置的打磨程度一致,使得除锈完成后的钢筋的灰度图像中各目标中轴点对应的滑窗区域可能仍存在锈蚀现象,根据灰度均值得到的方差也较小;而这种情况与正常情况的区别在于,存在锈蚀的钢筋表面由于金属光泽度较低,使得钢筋表面产生的金属反光现象较弱,在此种情况下的滑窗区域中每行像素点之间的灰度变化较小,因此当滑窗区域之间的灰度均值的方差较小时,需要进一步根据滑窗内部每一行像素点的灰度变化情况对判断结果进行修正。当所有目标中轴点对应的滑窗区域的灰度均值的方差较大时,表示待检测钢筋的灰度图像中各目标中轴点对应的滑窗区域之间的灰度差异较大,待检测钢筋上锈蚀分布不均匀,需要进一步判断锈蚀区域的锈蚀程度,且越大,不均匀程度越大;当所有目标中轴点对应的滑窗区域的灰度均值的方差较小时,表示待检测钢筋的灰度图像中各目标中轴点对应的滑窗区域之间的灰度差异较小,此时存在两种情况:待检测钢筋上无锈蚀的情况或者待检测钢筋上锈蚀较为均匀的情况,因此需要进一步根据各目标中轴点对应的滑窗区域中每一行像素点之间的灰度差异情况对判断结果进行进一步修正,即判断各目标中轴点对应的滑窗区域内部每一行像素之间的灰度差异。具体的,首先基于任一目标中轴点对应的滑窗区域中各像素点的灰度值,计算任一目标中轴点对应的滑窗区域中各行像素点的灰度均值,一个目标中轴点对应的滑窗区域中每行像素点对应一个灰度均值;然后基于所有目标中轴点对应的滑窗区域的灰度均值的方差和各目标中轴点对应的滑窗区域中各行像素点的灰度均值,计算待检测钢筋的灰度图像存在锈蚀的可能性指标,即:
其中,为待检测钢筋的灰度图像存在锈蚀的可能性指标,为反正切函数,为所有目标中轴点对应的滑窗区域的灰度均值的方差,为目标中轴点的个数,为第个目标中轴点对应的滑窗区域中每行像素点的灰度均值相对于整体平均灰度值之间的方差,为滑窗区域所包含的行数,为第个目标中轴点对应的滑窗区域中第行像素点的灰度均值,为第个目标中轴点对应的滑窗区域中所有像素点的平均灰度值。
的值越小,说明第个目标中轴点对应的滑窗区域中每行像素点的灰度变化越小,第个目标中轴点对应的滑窗区域中存在锈蚀的概率越小;当所有目标中轴点对应的滑窗区域的灰度均值的方差越大时,说明待检测钢筋表面越可能存在打磨不均匀的现象,此时更需要关注待检测钢筋表面各个区域的不均匀程度,即更关注的值;当所有目标中轴点对应的滑窗区域的灰度均值的方差越小时,需要考虑单个滑窗区域内部的灰度变化情况,若单个滑窗内部各行像素点的平均值相对于滑窗区域整体平均值之间的方差越小,表示滑窗区域中像素点的灰度变化越小,对应越小,则待检测钢筋存在整体均匀锈蚀的概率越大;若单个滑窗区域内部对应的方差越大,表示滑窗区域中像素点的灰度变化越大,对应越大,则待检测钢筋除锈较为均匀的概率越小。
步骤S3,基于各目标中轴点对应的滑窗区域的灰度均值对所述待检测钢筋的灰度图像中的像素点进行聚类,基于最大聚类簇的中心点的灰度值、各目标中轴点对应的滑窗区域的灰度均值和各目标中轴点对应的滑窗区域中边缘像素点的曲率,得到各目标中轴点对应的滑窗区域的目标异常程度。
由于钢筋表面往往会刻一些数字和字母等,用于标注钢筋级别、厂家注册名称以及钢筋有效直径等信息,而这些信息并不能满足钢筋表面纹理的周期性,导致这些信息所在的区域中存在灰度以及纹理的差异,因此当待检测钢筋上某一区域的异常程度较高可能是由于钢筋表面的信息内容造成的,因此还需要对各目标中轴点对应的滑窗区域的异常程度进一步修正。
考虑到锈蚀区域形状并不规则,而钢筋信息形状较为规则,因此可以进一步根据边缘的规则程度判断各个疑似异常区域是否存在锈蚀,从而筛选出存在锈蚀的异常区域。
本实施例基于各目标中轴点对应的滑窗区域的平均灰度值,使用均值漂移聚类算法对待检测钢筋的灰度图像中的像素点进行聚类,由此得到多个聚类簇,同一个聚类簇中的各滑窗区域的平均灰度值相近。获取包含数据最多的聚类簇的中心点对应的灰度值,将其作为参考灰度值,各目标中轴点对应的滑窗区域中像素点的平均灰度值与参考灰度值的差异越小,说明滑窗区域的异常程度越小,因此本实施例计算各目标中轴点对应的滑窗区域中像素点的平均灰度值与参考灰度值的差值的绝对值,并将该绝对值作为对应目标中轴点对应的滑窗区域的初始异常程度,其中第个目标中轴点对应的滑窗区域的初始异常程度为。
考虑到相对于无规则的锈蚀区域而言,钢筋表面的字母、数字等纹理的规则程度均较高,因此使得图像中像素点的曲率复杂度较低,而存在锈蚀的区域像素点的曲率复杂度较高。基于此,本实施例通过曲率的复杂度对滑窗区域的初始异常程度进行修正。使用Sobel算子对该滑窗区域进行边缘检测,获取该滑窗区域中的所有边缘像素点,获取各边缘像素点的曲率,根据各个曲率及其出现的概率计算该滑窗区域的曲率复杂度,根据曲率复杂度对第个目标中轴点对应的滑窗区域的初始异常程度进行修正,得到目标异常程度,则:
其中,为第个目标中轴点对应的滑窗区域的目标异常程度(即修正后的异常程度),为该目标中轴点对应的滑窗区域中边缘像素点的第种曲率出现的概率,为该目标中轴点对应的滑窗区域中边缘像素点的曲率的种类数,为该目标中轴点对应的滑窗区域的归一化后的曲率复杂度,由于相对于无规则的锈蚀区域而言,钢筋表面的字母、数字以及表面纹理的规则程度均较高,使得曲率复杂度较低,而存在锈蚀的区域曲率复杂度较高,利用曲率的复杂度对滑窗区域的初始异常程度进行修正,归一化后的曲率复杂度越大,说明滑窗区域中越可能存在锈蚀,为了凸显滑窗区域的异常,基于归一化后的曲率复杂度对初始异常程度进行修正。
至此,采用上述方法能够得到目标中轴点对应的滑窗区域的目标异常程度。
步骤S4,基于所述所有目标中轴点对应的滑窗区域的灰度均值的方差、所述可能性指标和所述各目标中轴点对应的滑窗区域的目标异常程度,判断待检测钢筋的打磨除锈质量。
在对整根钢筋打磨除锈完成后,整根钢筋的表面都存在锈蚀相对于钢筋表面局部区域存在锈蚀其整体除锈质量更差,因此在对待检测钢筋的除锈质量进行评估时,可根据钢筋表面存在的锈蚀类型(整体锈蚀、局部锈蚀和无锈蚀),对待检测钢筋的打磨除锈质量进行评估。
本实施例设置可能性阈值,当时,认为待检测钢筋表面无锈蚀,此时越小,打磨除锈质量越好;当且的值较大时,认为待检测钢筋表面存在局部锈蚀,根据各目标中轴点对应的滑窗区域的目标异常程度的平均值判断局部锈蚀程度,局部锈蚀程度越大,说明待检测钢筋打磨除锈质量越差;当且的值较小时,说明待检测钢筋表面存在整体锈蚀,此时越大,说明待检测钢筋的打磨除锈质量越差。基于此,待检测钢筋的除锈质量指标可表示为:
待检测钢筋表面存在三种锈蚀类型:第一种锈蚀类型为待检测钢筋表面无锈蚀,该种情况下,待检测钢筋的灰度图像存在锈蚀的可能性指标较小,即待检测钢筋的除锈质量指标较大,即待检测钢筋的打磨除锈质量越好;第二种锈蚀类型为待检测钢筋表面存在局部锈蚀,该种情况下,待检测钢筋的灰度图像存在锈蚀的可能性指标较大且所有目标中轴点对应的滑窗区域的灰度均值的方差也较大,此时待检测钢筋的灰度图像存在锈蚀的可能性指标越大、所有目标中轴点对应的滑窗区域的灰度均值的方差越大且各目标中轴点对应的滑窗区域中目标异常程度越大,待检测钢筋的除锈质量指标越小,即说明待检测钢筋的打磨除锈质量越差;第三种锈蚀类型为待检测钢筋表面存在整体锈蚀,该种情况下,待检测钢筋的灰度图像存在锈蚀的可能性指标较大但所有目标中轴点对应的滑窗区域的灰度均值的方差较小,此时待检测钢筋的灰度图像存在锈蚀的可能性指标越大、所有目标中轴点对应的滑窗区域的灰度均值的方差越小且各目标中轴点对应的滑窗区域中目标异常程度越大,待检测钢筋的除锈质量指标越小,即说明待检测钢筋的打磨除锈质量越差。至此,完成对待检测钢筋的打磨除锈质量的判断。
本实施例首先计算了所有目标中轴点对应的滑窗区域的灰度均值的方差,考虑到只基于灰度均值的方差并不能判断待检测钢筋的锈蚀类型,因为当所有目标中轴点对应的滑窗区域的灰度均值的方差较大时,说明待检测钢筋表面存在局部锈蚀,但是当所有目标中轴点对应的滑窗区域的灰度均值的方差较小时,会出现待检测钢筋表面无锈蚀和待检测钢筋表面存在整体锈蚀两种情况,因此本实施例计算了待检测钢筋的灰度图像存在锈蚀的可能性指标,再根据可能性指标和各目标中轴点对应的滑窗区域的目标异常程度,对待检测钢筋的打磨除锈质量进行了判断,避免了当钢筋表面打磨完成后仍存在均匀锈蚀而导致锈蚀检测不准确现象的出现,提高了对待检测钢筋打磨除锈质量进行检测时的检测精度。本实施例在对待检测钢筋进行打磨质量检测时,基于提前构建好的数据库获取待检测钢筋的灰度图像对应的最小滑窗的尺寸,使用最小滑窗对待检测钢筋的灰度图像中目标中轴点进行遍历,并根据滑窗区域中灰度的差异情况得到钢筋表面存在锈蚀的可能性指标,避免了因钢筋摆放位置以及摆放方向不同使得钢筋灰度图像存在差异进而导致钢筋打磨除锈的质量检测难度较大的现象,提高了检测的灵活性。本实施例根据各目标中轴点对应的滑窗区域中边缘像素点的曲率对各滑窗区域的异常程度进行修正,得到各目标中轴点对应的滑窗区域的目标异常程度,避免了因钢筋表面存在刻字信息导致信息所在区域的异常程度较高而将该区域误判为存在锈蚀的区域的现象,提高了钢筋打磨除锈质量检测的可靠性。
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 (8)
1.一种钢筋打磨除锈质量检测方法,其特征在于,该方法包括以下步骤:
获取除锈合格的各种规格的钢筋的灰度图像,根据所述各种规格的钢筋的灰度图像中像素点的灰度值以及各种规格的钢筋的直径获得各种规格的钢筋的灰度图像对应的最小滑窗的尺寸;基于所述最小滑窗的尺寸,构建钢筋规格以及对应最小滑窗的尺寸的数据库;所述尺寸包括长和宽;
获取待检测钢筋的灰度图像,基于所述数据库获得待检测钢筋的灰度图像对应的最小滑窗的尺寸;基于待检测钢筋的灰度图像对应的最小滑窗的宽获得目标中轴点;分别将所述目标中轴点作为滑窗的中心点,利用待检测钢筋的灰度图像对应的最小滑窗对待检测钢筋的灰度图像进行遍历,计算所有目标中轴点对应的滑窗区域的灰度均值的方差;基于所述方差和各目标中轴点对应的滑窗区域中各行像素点的灰度均值,计算待检测钢筋的灰度图像存在锈蚀的可能性指标;
基于各目标中轴点对应的滑窗区域的灰度均值对所述待检测钢筋的灰度图像中的像素点进行聚类,基于最大聚类簇的中心点的灰度值、各目标中轴点对应的滑窗区域的灰度均值和各目标中轴点对应的滑窗区域中边缘像素点的曲率,得到各目标中轴点对应的滑窗区域的目标异常程度;
基于所述所有目标中轴点对应的滑窗区域的灰度均值的方差、所述可能性指标和所述各目标中轴点对应的滑窗区域的目标异常程度,判断待检测钢筋的打磨除锈质量。
2.根据权利要求1所述的一种钢筋打磨除锈质量检测方法,其特征在于,所述根据所述各种规格的钢筋的灰度图像中像素点的灰度值以及各种规格的钢筋的直径获得各种规格的钢筋的灰度图像对应的最小滑窗的尺寸,包括:
对于除锈合格的任一规格的钢筋的灰度图像:
保持滑窗区域的宽不变,将滑窗区域的长度沿着钢筋轴向扩展,记滑窗区域的长为,将滑窗区域的长度一分为二,得到两个大小均为的子滑窗,分别记为第一子滑窗和第二子滑窗;根据所述第一子滑窗和第二子滑窗内所有像素点的灰度值,得到第一子滑窗对应的归一化后的灰度直方图和第二子滑窗对应的归一化后的灰度直方图,所述归一化后的灰度直方图的横轴表示各灰度值,纵轴表示各灰度值出现的概率;以灰度直方图中的灰度值以及灰度值出现的概率为样本数据,使用最小二乘法拟合曲线,分别得到第一子滑窗的灰度分布曲线和第二子滑窗的灰度分布曲线;
4.根据权利要求1所述的一种钢筋打磨除锈质量检测方法,其特征在于,所述计算所有目标中轴点对应的滑窗区域的灰度均值的方差,包括:
根据各目标中轴点对应的滑窗区域中各像素点的灰度值,计算各目标中轴点对应的滑窗区域的平均灰度值,记为各目标中轴点对应的滑窗区域的灰度均值;
根据各目标中轴点对应的滑窗区域的灰度均值,计算所有目标中轴点对应的滑窗区域的灰度均值的方差。
5.根据权利要求1所述的一种钢筋打磨除锈质量检测方法,其特征在于,所述基于所述方差和各目标中轴点对应的滑窗区域中各行像素点的灰度均值,计算待检测钢筋的灰度图像存在锈蚀的可能性指标,包括:
对于任一目标中轴点对应的滑窗区域:根据该滑窗区域中各行像素点的灰度均值,计算该滑窗区域中每行像素点的灰度均值相对于整体平均灰度值之间的方差;
根据各目标中轴点对应的滑窗区域中每行像素点的灰度均值相对于整体平均灰度值之间的方差和所述所有目标中轴点对应的滑窗区域的灰度均值的方差,采用如下公式计算待检测钢筋的灰度图像存在锈蚀的可能性指标:
6.根据权利要求1所述的一种钢筋打磨除锈质量检测方法,其特征在于,所述基于最大聚类簇的中心点的灰度值、各目标中轴点对应的滑窗区域的灰度均值和各目标中轴点对应的滑窗区域中边缘像素点的曲率,得到各目标中轴点对应的滑窗区域的目标异常程度,包括:
将所述最大聚类簇的中心点的灰度值作为参考灰度值;
对于任一目标中轴点对应的滑窗区域:
计算该滑窗区域中像素点的平均灰度值与所述参考灰度值的差值的绝对值,将所述绝对值作为该滑窗区域的初始异常程度;
使用Sobel算子对该滑窗区域进行边缘检测,获取该滑窗区域中的所有边缘像素点,获取各边缘像素点的曲率,根据各个曲率及其出现的概率对所述初始异常程度进行修正获得该目标中轴点对应的滑窗区域的目标异常程度;所述该目标中轴点对应的滑窗区域的目标异常程度的计算公式为:
7.根据权利要求1所述的一种钢筋打磨除锈质量检测方法,其特征在于,所述基于所述所有目标中轴点对应的滑窗区域的灰度均值的方差、所述可能性指标和所述各目标中轴点对应的滑窗区域的目标异常程度,判断待检测钢筋的打磨除锈质量,包括:
根据所述目标中轴点对应的滑窗区域的灰度均值的方差、所述可能性指标和所述各目标中轴点对应的滑窗区域的目标异常程度,计算待检测钢筋的除锈质量指标;
基于所述除锈质量指标,判断待检测钢筋的打磨除锈质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022773.0A CN115100203B (zh) | 2022-08-25 | 2022-08-25 | 一种钢筋打磨除锈质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022773.0A CN115100203B (zh) | 2022-08-25 | 2022-08-25 | 一种钢筋打磨除锈质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100203A true CN115100203A (zh) | 2022-09-23 |
CN115100203B CN115100203B (zh) | 2022-11-18 |
Family
ID=83301323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211022773.0A Active CN115100203B (zh) | 2022-08-25 | 2022-08-25 | 一种钢筋打磨除锈质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100203B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294102A (zh) * | 2022-09-26 | 2022-11-04 | 如东延峰钢结构有限公司 | 基于机器视觉的不锈钢制品异常识别方法 |
CN115311304A (zh) * | 2022-10-12 | 2022-11-08 | 江苏明锋食品有限公司 | 一种铁板锈蚀缺陷检测方法 |
CN115330776A (zh) * | 2022-10-13 | 2022-11-11 | 南通斯坦普利起重设备有限公司 | 一种钢丝绳磨损程度检测方法 |
CN115661120A (zh) * | 2022-11-14 | 2023-01-31 | 江西捷锐机电设备有限公司 | 一种用于数控金钢线剖锭机的切割质量检测方法 |
CN115937216A (zh) * | 2023-03-09 | 2023-04-07 | 青岛金立磁性材料有限公司 | 一种新能源汽车用磁转子外观质量检测方法 |
CN116342598A (zh) * | 2023-05-29 | 2023-06-27 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN116597188A (zh) * | 2023-07-17 | 2023-08-15 | 山东北国发展集团有限公司 | 一种基于视觉的固废资源化利用方法及系统 |
CN116758074A (zh) * | 2023-08-18 | 2023-09-15 | 长春市天之城科技有限公司 | 一种多光谱食品图像智能增强方法 |
CN117291922A (zh) * | 2023-11-27 | 2023-12-26 | 浙江日井泵业股份有限公司 | 一种不锈钢多级泵叶轮缺陷视觉检测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009120830A1 (en) * | 2008-03-27 | 2009-10-01 | Tufts University | Methods and apparatus for visual sub-band decomposition of signals |
CN108615229A (zh) * | 2018-03-09 | 2018-10-02 | 南京信息工程大学 | 基于曲率点聚类及决策树的碰撞检测优化方法 |
CN109870461A (zh) * | 2019-03-29 | 2019-06-11 | 深圳市阿赛姆电子有限公司 | 一种电子元器件质量检测系统 |
CN110033434A (zh) * | 2019-03-04 | 2019-07-19 | 南京航空航天大学 | 一种基于纹理显著性的表面缺陷检测方法 |
US20190228515A1 (en) * | 2018-01-22 | 2019-07-25 | Boe Technology Group Co., Ltd. | Method and apparatus for detecting defects, and computer readable storage medium |
CN113688807A (zh) * | 2021-10-26 | 2021-11-23 | 中科慧远视觉技术(北京)有限公司 | 一种自适应缺陷检测方法、装置、识别系统及存储介质 |
CN113793337A (zh) * | 2021-11-18 | 2021-12-14 | 汶上海纬机车配件有限公司 | 基于人工智能的机车配件表面异常程度评估方法 |
CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
CN114235825A (zh) * | 2022-02-24 | 2022-03-25 | 武汉祥文钢材制品有限公司 | 一种基于计算机视觉的钢丝绳质量检测方法 |
CN114330477A (zh) * | 2021-11-08 | 2022-04-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于混合现实设备的电力设备缺陷检测系统及方法 |
CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114529779A (zh) * | 2021-12-31 | 2022-05-24 | 扬州市恒泰人防设备有限公司 | 一种人防门锈蚀状态检测系统及方法 |
WO2022110043A1 (zh) * | 2020-11-27 | 2022-06-02 | 西门子股份公司 | 侵蚀检测方法、装置和计算机可读介质 |
CN114627080A (zh) * | 2022-03-16 | 2022-06-14 | 江苏巨杰机电有限公司 | 基于计算机视觉的车辆冲压配件缺陷检测方法 |
CN114882265A (zh) * | 2022-07-12 | 2022-08-09 | 济宁昆仑石油化工有限公司 | 一种成品油质量检测方法 |
CN114897898A (zh) * | 2022-07-13 | 2022-08-12 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的木板质量分类方法 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与系统 |
-
2022
- 2022-08-25 CN CN202211022773.0A patent/CN115100203B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009120830A1 (en) * | 2008-03-27 | 2009-10-01 | Tufts University | Methods and apparatus for visual sub-band decomposition of signals |
US20190228515A1 (en) * | 2018-01-22 | 2019-07-25 | Boe Technology Group Co., Ltd. | Method and apparatus for detecting defects, and computer readable storage medium |
CN108615229A (zh) * | 2018-03-09 | 2018-10-02 | 南京信息工程大学 | 基于曲率点聚类及决策树的碰撞检测优化方法 |
CN110033434A (zh) * | 2019-03-04 | 2019-07-19 | 南京航空航天大学 | 一种基于纹理显著性的表面缺陷检测方法 |
CN109870461A (zh) * | 2019-03-29 | 2019-06-11 | 深圳市阿赛姆电子有限公司 | 一种电子元器件质量检测系统 |
WO2022110043A1 (zh) * | 2020-11-27 | 2022-06-02 | 西门子股份公司 | 侵蚀检测方法、装置和计算机可读介质 |
CN113688807A (zh) * | 2021-10-26 | 2021-11-23 | 中科慧远视觉技术(北京)有限公司 | 一种自适应缺陷检测方法、装置、识别系统及存储介质 |
CN114330477A (zh) * | 2021-11-08 | 2022-04-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于混合现实设备的电力设备缺陷检测系统及方法 |
CN113793337A (zh) * | 2021-11-18 | 2021-12-14 | 汶上海纬机车配件有限公司 | 基于人工智能的机车配件表面异常程度评估方法 |
CN114529779A (zh) * | 2021-12-31 | 2022-05-24 | 扬州市恒泰人防设备有限公司 | 一种人防门锈蚀状态检测系统及方法 |
CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114235825A (zh) * | 2022-02-24 | 2022-03-25 | 武汉祥文钢材制品有限公司 | 一种基于计算机视觉的钢丝绳质量检测方法 |
CN114627080A (zh) * | 2022-03-16 | 2022-06-14 | 江苏巨杰机电有限公司 | 基于计算机视觉的车辆冲压配件缺陷检测方法 |
CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与系统 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及系统 |
CN114882265A (zh) * | 2022-07-12 | 2022-08-09 | 济宁昆仑石油化工有限公司 | 一种成品油质量检测方法 |
CN114897898A (zh) * | 2022-07-13 | 2022-08-12 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的木板质量分类方法 |
Non-Patent Citations (4)
Title |
---|
JIAWEI ZHANG等: "An accurate fuzzy measure-based detection method for various types of defects on strip steel surfaces", 《COMPUTERS IN INDUSTRY》 * |
YU DONGLING等: "An enhancement algorithm based on adaptive updating template with Gaussian model for Si3N4 ceramic bearing roller surface defects detection", 《CERAMICS INTERNATIONAL》 * |
潘贺贺: "钢板表面缺陷光学检测与分类的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郭慧: "基于机器视觉的刨花板表面缺陷在线检测系统研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294102A (zh) * | 2022-09-26 | 2022-11-04 | 如东延峰钢结构有限公司 | 基于机器视觉的不锈钢制品异常识别方法 |
CN115311304A (zh) * | 2022-10-12 | 2022-11-08 | 江苏明锋食品有限公司 | 一种铁板锈蚀缺陷检测方法 |
CN115330776A (zh) * | 2022-10-13 | 2022-11-11 | 南通斯坦普利起重设备有限公司 | 一种钢丝绳磨损程度检测方法 |
CN115661120A (zh) * | 2022-11-14 | 2023-01-31 | 江西捷锐机电设备有限公司 | 一种用于数控金钢线剖锭机的切割质量检测方法 |
CN115661120B (zh) * | 2022-11-14 | 2023-03-10 | 江西捷锐机电设备有限公司 | 一种用于数控金钢线剖锭机的切割质量检测方法 |
CN115937216A (zh) * | 2023-03-09 | 2023-04-07 | 青岛金立磁性材料有限公司 | 一种新能源汽车用磁转子外观质量检测方法 |
CN116342598A (zh) * | 2023-05-29 | 2023-06-27 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN116342598B (zh) * | 2023-05-29 | 2023-08-01 | 天维云筑预应力科技(天津)有限公司 | 基于机器视觉的钢绞线质量检测方法 |
CN116597188A (zh) * | 2023-07-17 | 2023-08-15 | 山东北国发展集团有限公司 | 一种基于视觉的固废资源化利用方法及系统 |
CN116597188B (zh) * | 2023-07-17 | 2023-09-05 | 山东北国发展集团有限公司 | 一种基于视觉的固废资源化利用方法及系统 |
CN116758074A (zh) * | 2023-08-18 | 2023-09-15 | 长春市天之城科技有限公司 | 一种多光谱食品图像智能增强方法 |
CN116758074B (zh) * | 2023-08-18 | 2024-04-05 | 长春市天之城科技有限公司 | 一种多光谱食品图像智能增强方法 |
CN117291922A (zh) * | 2023-11-27 | 2023-12-26 | 浙江日井泵业股份有限公司 | 一种不锈钢多级泵叶轮缺陷视觉检测方法 |
CN117291922B (zh) * | 2023-11-27 | 2024-01-30 | 浙江日井泵业股份有限公司 | 一种不锈钢多级泵叶轮缺陷视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115100203B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100203B (zh) | 一种钢筋打磨除锈质量检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN115082462B (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN116703898B (zh) | 一种精密机械轴承端面的质量检测方法 | |
CN115984271B (zh) | 基于角点检测的金属毛刺识别方法 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN117152137A (zh) | 基于图像处理的焊管腐蚀状态检测方法 | |
CN116503397B (zh) | 基于图像数据的车内传输带缺陷检测方法 | |
CN116664569B (zh) | 一种焊瘤缺陷检测方法 | |
EP2985566B1 (en) | Data generation method and data generation apparatus | |
CN115035107B (zh) | 基于图像处理的车桥齿轮做工误差检测方法 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
CN112598723A (zh) | 一种不锈钢覆层钢筋厚度识别方法、装置及存储介质 | |
CN108827197B (zh) | 一种减少边缘退化影响的线阵工业ct均质材料尺寸测量方法 | |
CN114882041A (zh) | 铸铁管道内部毛刺的投票表决与识别方法 | |
CN117173160A (zh) | 基于图像处理的房车部件质量检测方法 | |
CN116542910A (zh) | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 | |
CN114549403A (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A quality inspection method for steel bar polishing and rust removal Granted publication date: 20221118 Pledgee: Liaocheng Branch of Postal Savings Bank of China Co.,Ltd. Pledgor: Shandong Zhenpeng construction steel products Technology Co.,Ltd. Registration number: Y2024980001019 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |