CN115147407B - 基于计算机视觉的轴承质量检测方法 - Google Patents
基于计算机视觉的轴承质量检测方法 Download PDFInfo
- Publication number
- CN115147407B CN115147407B CN202211036500.1A CN202211036500A CN115147407B CN 115147407 B CN115147407 B CN 115147407B CN 202211036500 A CN202211036500 A CN 202211036500A CN 115147407 B CN115147407 B CN 115147407B
- Authority
- CN
- China
- Prior art keywords
- edge
- ferrule
- line
- bearing
- gravity
- 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
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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20032—Median filtering
-
- 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
Abstract
本发明涉及轴承检测领域,具体涉及基于计算机视觉的轴承质量检测方法,获取轴承套圈图像并对其进行预处理,得到灰度图像;对灰度图像进行边缘检测,对边缘像素点进行聚类,得到边缘线;采用图像细化操作得到单像素轮廓线,均分每个单像素轮廓线,得到最小外接矩形作为套圈线段检测区域;计算套圈线段检测区域线性度,通过线性度与设定阈值对比,进一步地,将获取轮廓线的方向角均值与相邻的两段轮廓线的方向角均值进行对比,判定轴承套圈的破损情况。本发明的方案可以准确检测出轴承是否有破损,并且可以对轴承的中心进行定位,提高尺寸测量的精度。
Description
技术领域
本发明涉及轴承检测领域,具体涉及基于计算机视觉的轴承质量检测方法。
背景技术
轴承在旋转机械中应用极其广泛,其运行状态会直接影响到整台仪器的精度、可靠性及寿命。在工厂车间,由于轴承损坏而引起的机械故障约占总故障的70%,所以对轴承的质量检测极其重要。
现有轴承套圈缺陷检测方法采用传统图像处理方法(区域分割法)进行,这种方法对于一些特殊缺陷,例如磕碰伤,印伤,夹伤等的识别效果较差,经常漏检,无法兼容产品的多样性(产品自身表面光泽度存在差异以及不同设备加工产品之间的差异),因此对轴承套圈的质量检测的稳定性不理想。
发明内容
为了解决上述问题,本发明的目的是提供基于计算机视觉的轴承质量检测方法,用于解决对轴承套圈的质量检测稳定性差的问题。
本发明提供的基于计算机视觉的轴承质量检测方法,包括以下步骤:
步骤1,获取轴承套圈图像,并对所述轴承套圈图像进行灰度化处理,得到对应的灰度图像;
步骤2,对灰度图像进行边缘检测得到边缘轮廓,利用聚类算法对所述边缘轮廓内所有像素点进行聚类,得到若干个空间位置独立且不相交的边缘线;从各边缘线中挑选出轴承的套圈内侧线以及套圈外侧线;
步骤3,采用图像细化操作分别得到套圈内侧线以及套圈外侧线的单像素轮廓线;对每个单像素轮廓线进行均分,并得到均分后的每段轮廓线的最小外接矩形,将所述最小外接矩形作为套圈线段检测区域;
步骤4,计算套圈线段检测区域中包含的所有套圈线边缘点的皮尔逊相关系数作为套圈线段检测区域的线性度;当所述线性度大于设定阈值,则该段轮廓线为疑似无破损套圈部分,反之,该段轮廓线为破损套圈部分;
步骤5,获取所述疑似无破损套圈部分对应的轮廓线上的所有边缘点像素的方向角,进而得到该段轮廓线的方向角均值,当所述方向角均值与该段轮廓线相邻的两段轮廓线的方向角均值的差值的绝对值均小于阈值,则疑似无破损套圈部分为无破损,反之,则为破损套圈部分。
优选地,所述轴承套圈图像包括正面图像和/或背面图像。
优选地,套圈内侧线以及套圈外侧线的获取过程为:
基于各边缘线的所有边缘像素点,计算对应边缘线的重心;
随机选取任意两边缘线,计算任意两边缘线的重心的欧式距离,当所述欧式距离小于同心阈值时,该任意两边缘线为同心边缘线;
将同心边缘线对应的两边缘线的重心之间的连线的中心,作为新的重心,计算新的重心与其余任一边缘线的重心的新的欧式距离,当新的欧式距离小于同心阈值,则将该任一边缘线加入同心边缘线,并将所有同心边缘线的重心的行坐标取平均值以及列坐标取平均值作为重心更新同心边缘线的重心,直至没有新的边缘线满足条件,将此时的重心作为轴承中心参考点;
计算同心边缘线内的各边缘线的所有像素点与轴承中心参考点的欧式距离均值,选取其中的欧式距离均值最大值和最小值,分别作为套圈外侧线以及套圈内侧线。
优选地,对每个单像素轮廓线进行均分是将单像素轮廓线进行36等分。
优选地,所述线性度是根据套圈线段检测区域中包含的所有套圈线边缘点的行坐标和列坐标计算得到的皮尔逊相关系数。
优选地,所述方向角均值的获取方法为:
获取疑似无破损套圈部分对应的轮廓线上的所有边缘像素点的海森矩阵;
采用PCA算法对各边缘像素点的海森矩阵进行分析,将计算的主成分方向作为当前边缘像素点的方向角;
基于所述方向角,计算得到轮廓线上的所有边缘像素点的方向角均值。
本发明的有益效果:
本发明的方案通过获取轴承套圈图像;提取轴承套圈图像中的边缘线,从而确定所有边缘线中的套圈内侧线以及套圈外侧线,能够精确地定位轴承套圈的边缘,并对轴承套圈的边缘进行破损检测,即对每个单像素轮廓线进行均分,并得到均分后的每段轮廓线的最小外接矩形,将最小外接矩形作为套圈线段检测区域;对均分后的每段轮廓线的套圈线段检测区域进行局部破损分析,且从线性度以及方向角两个方面进行破损检测,能够更准确地检测出轴承是否有破损,其相比于采用传统的霍夫检测算法可能将轴承图像中所有的圆形都检测出来(例如轴承表面的油污或阴影造成的圆形可能会被直接检测出来,此外如果套圈边缘存在较为明显的磕碰伤,即存在一小部分边缘点偏离标准的圆形轨迹,这些磕碰伤处边缘点的存在会导致最终得到的拟合的套圈线的圆心位置和半径存在一定的偏差),不存在误检的可能性。
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是本发明实施例提供的基于计算机视觉的轴承质量检测方法的方法流程图;
图2是本实施例中的轴承套圈的正面图像。
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,对依据本发明的方案,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。
本发明针对的是轴承套圈,其是轴承中的重要结构组件,形态为一个或几个滚道的向心滚动轴承的环形零件。在圈淬、回火后,该环形零件可能在生产线掉落油槽过程中其接口处与回火炉落料口之间碰撞导致出现明显的磕碰伤,会导致套圈破损的问题;通过对轴承的正面俯拍图P1和/或背面俯拍图P2进行套圈线的定位,对套圈线上是否有磕碰伤进行判断。
具体地,本发明提供的基于计算机视觉的轴承质量检测方法,请参阅图1所示,包括以下步骤:
步骤1,获取轴承套圈图像,并对所述轴承套圈图像进行灰度化处理,得到对应的灰度图像。
本实施例中获取的轴承套圈图像是采用CMOS工业相机对轴承进行俯视拍照,分别得到轴承的正面俯拍图像P1和/或背面俯拍图像P2,图2为正面俯拍图像P1。
本实施中对正面俯拍图像P1和/或背面俯拍图像P2分别进行预处理,采用中值滤波器过滤图像中的噪声,并采用直方图均衡化对其增强图像的灰度对比度,得到处理后的灰度图像。
步骤2,对灰度图像进行边缘检测得到边缘轮廓,利用聚类算法对所述边缘轮廓内所有像素点进行聚类,得到若干个空间位置独立且不相交的边缘线;从各边缘线中挑选出轴承的套圈内侧线以及套圈外侧线。
本实施例中采用canny算子对灰度图像进行边缘检测得到边缘轮廓L,之后对边缘轮廓L边缘线的提取,具体地,采用DBSCAN聚类算法,设置邻域半径Eps=3,数目阈值MinPts=4,将边缘轮廓L分成空间位置独立不相交的不同的k条边缘线。
(1)随机选取任意两边缘线,计算任意两边缘线的重心的欧式距离,当所述欧式距离小于同心阈值时,该任意两边缘线为同心边缘线。
本实施例中,计算任意两边缘线的两重心w之间的欧氏距离,并将得到的欧氏距离与同心阈值进行比较,当欧式距离小于同心阈值T,则该任意两边缘线作为同心边缘线。
其中,需要说明的是,本实施例中设置的同心阈值T=0.1l,是考虑到套圈线一般为同心的,l代表k条边缘线中包含的所有像素点中最大与最小的行坐标和列坐标差,将最大与最小的行坐标差的绝对值和最大与最小的列坐标差的绝对值较大的一个作为l。
其中,Num表示边缘线上像素点的个数,x i 和y i 分别代表边缘线上第i个像素点的行坐标和列坐标。
(2)将同心边缘线对应的两边缘线的重心之间的连线的中心,作为新的重心,计算新的重心与其余任一边缘线的重心的新的欧式距离,当新的欧式距离小于同心阈值,则将该任一边缘线加入同心边缘线,并将所有同心边缘线的重心的行坐标取平均值以及列坐标取平均值作为重心更新同心边缘线的重心,直至没有新的边缘线满足条件,将此时的重心作为轴承中心参考点。
本实施例中,将两条同心边缘线的重心的中点(中点的行坐标为两条同心边缘线的两重心行坐标的平均值以及两重心坐标的平均值)作为新的重心,将其他边缘线的重心与新的重心进行比较,如果此时的欧氏距离小于同心阈值T,则将新的边缘线加入同心线,并更新同心边缘线的重心(将此时得到的所有同心边缘线的重心行坐标取平均值以及列坐标取平均值作为同心线重心的行坐标和列坐标),直到没有新的边缘线满足条件,此时将同心边缘线的重心作为轴承中心的参考点c。
(3)计算同心边缘线内的各边缘线的所有像素点与轴承中心参考点的欧式距离均值,选取其中的欧式距离均值最大值和最小值,分别作为套圈外侧线以及套圈内侧线。
本实施例中,对求出的所有同心边缘线,分别计算每个同心边缘线上的每一个像素点与轴承中心的参考点的欧氏距离,进而得到欧氏距离均值,将得到的欧氏距离均值最大值对应的边缘线和最小值时对应的边缘线分别作为待检测的套圈外侧线lc1和套圈内侧线lc2。
上述实施例中从同心边缘线中选择最外侧和最内侧边缘线作为要检测的套圈线,是因为磕碰伤主要发生在外层套圈的最外侧和内层套圈的最内侧。
步骤3,采用图像细化操作分别得到套圈内侧线以及套圈外侧线的单像素轮廓线;对每个单像素轮廓线进行均分,并得到均分后的每段轮廓线的最小外接矩形,将所述最小外接矩形作为套圈线段检测区域。
本实施例中对套圈外侧线lc1和套圈内侧线lc2进行疑似残缺口识别,首先采用图像细化操作分别求出套圈外侧线lc1和套圈内侧线lc2的单像素轮廓线;其次对每个单像素轮廓线进行均分,得到若干段轮廓线;对若干段轮廓线进行计算,得到对应轮廓线的最小外接矩形,将其作为套圈线段检测区域。具体地,选择每段轮廓线中的像素点的最小行坐标和最大行坐标,最小列坐标和最大列坐标,将这四个坐标值进行两两组合,得到矩形框的四点坐标,即可得到最小外接矩形。
步骤4,计算套圈线段检测区域中包含的所有套圈线边缘点的皮尔逊相关系数作为套圈线段检测区域的线性度;当所述线性度大于设定阈值,则该段轮廓线为疑似无破损套圈部分,反之,该段轮廓线为破损套圈部分。
本实施中的线性度的获取过程为:
计算套圈线段检测区域中包含的所有套圈线边缘点的皮尔逊相关系数作为套圈线段检测区域的线性度δ;其中,皮尔逊相关系数的取值范围是(0,1],求皮尔逊相关系数时,是代入套圈线边缘点的行坐标和列坐标。
上述中计算的线性度δ越接近1,说明套圈线越接近直线,表明套圈线不发生残缺的概率越大,反之线性度δ越接近0,说明套圈线越偏离直线,套圈线发生残缺的概率越大;本实施例中选择线性度δ>0.9的套圈线作为疑似无破损套圈部分,其他的套圈线作为破损套圈部分。
步骤5,获取所述疑似无破损套圈部分对应的轮廓线上的所有边缘点像素的方向角,进而得到该段轮廓线的方向角均值,当所述方向角均值与该段轮廓线相邻的两段轮廓线的方向角均值的差值的绝对值均小于阈值,则疑似无破损套圈部分为无破损,反之,则为破损套圈部分。
为了更进一步地确定疑似无破损套圈部分是否为无破损部分,本实施例中还对于无破损套圈部分所在的套圈线段检测区域中的套圈线上的所有边缘点像素求取Hessian矩阵,然后采用PCA算法对Hessian矩阵计算主成分方向作为当前像素点的方向角α,对套圈线上的所有边缘点像素的方向角α计算均值作为套圈线的方向角;将待检测套圈线段检测区域的套圈线的方向角分别与上一个套圈线段检测区域套圈线的方向角和下一个套圈线段检测区域套圈线的方向角求取差值的绝对值,如果两个差值的绝对值均小于阈值T α=15°,则认为疑似无破损套圈部分确实无破损,否者将该疑似无破损套圈部分作为破损套圈部分。
需要说明的是,上述中的上一个套圈线段检测区域、下一个套圈线段检测区域实际上是当前套圈线段检测区域的两个相邻的套圈线段检测区域,这是因为套圈线段检测区域中的轮廓线是同心边缘线上的一段近似直线的弧线,因此,其相邻的弧线对应的套圈线段检测区域即为上一个套圈线段检测区域、下一个套圈线段检测区域。
此外考虑到如果分段点正好位于破损起始处,而破损的地方比较平滑,只采用线性度检测不能检测出破损(在套圈线段检测区域都呈现直线的特点),但是可以根据待检测套圈线段检测区域分别与上一个套圈线段检测区域和下一个套圈线段检测区域套圈线段方向角的变化来进行进一步的确认。
本实施例中的阈值T α=15°的获取方法为:
通过设置步长大小,其中N表示套圈线的单像素轮廓线的像素点个数,以套圈线的单像素轮廓线中任意一个像素为起点,以步长大小wsize将套圈线均匀分成36段,如果是没有任何缺口的套圈线段,在套圈线段检测区域呈现高度线性相关性,因此,每一段近似为圆心角为10°的圆弧线,近似为直线,且与前一段圆弧线后一段圆弧线的方向角差值为10°;也即当前套圈线段检测区域的方向角与上一个套圈线段检测区域和下一个套圈线段检测区域套圈线段方向角的变化应该在阈值范围T α=15°内。
进一步地,本发明还包括计算套圈线的破损度,具体为:
对于正面俯拍图像P1的套圈外侧线lc1和套圈内侧线lc2进行检测,如果套圈线不存在破损套圈部分,则证明套圈线完好,无磕碰伤,则破损度为,否则说明当前套圈线破损,有磕碰伤,其破损度为,其中N b 表示破损套圈部分的个数;那么对于背面俯拍图像P2,其破损度有两个值;同理,对于背面俯拍图像P2中套圈外侧线lc1和套圈内侧线lc2进行检测,其破损度也有两个值。
至此,本发明的方案能够得到轴承套圈的四个破损度ρ 1、ρ 2、ρ 3和ρ 4,完成了对轴承质量的检测。需要说明的是,本发明中也可以仅获取正面俯拍图像P1或者背面俯拍图像P2,其可以根据实际情况确定。
另外,本发明还可以选取无破损套圈部分中的像素点进行霍夫圆检测,将得到的圆心位置坐标作为轴承的中心,方便后续对轴承尺寸的测量。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.基于计算机视觉的轴承质量检测方法,其特征在于,包括以下步骤:
步骤1,获取轴承套圈图像,并对所述轴承套圈图像进行灰度化处理,得到对应的灰度图像;
步骤2,对灰度图像进行边缘检测得到边缘轮廓,利用聚类算法对所述边缘轮廓内所有像素点进行聚类,得到若干个空间位置独立且不相交的边缘线;从各边缘线中挑选出轴承的套圈内侧线以及套圈外侧线;
步骤3,采用图像细化操作分别得到套圈内侧线以及套圈外侧线的单像素轮廓线;对每个单像素轮廓线进行均分,并得到均分后的每段轮廓线的最小外接矩形,将所述最小外接矩形作为套圈线段检测区域;
步骤4,计算套圈线段检测区域中包含的所有套圈线边缘点的皮尔逊相关系数作为套圈线段检测区域的线性度;当所述线性度大于设定阈值,则该段轮廓线为疑似无破损套圈部分,反之,该段轮廓线为破损套圈部分;
步骤5,获取所述疑似无破损套圈部分对应的轮廓线上的所有边缘点像素的方向角,进而得到该段轮廓线的方向角均值,当所述方向角均值与该段轮廓线相邻的两段轮廓线的方向角均值的差值的绝对值均小于阈值,则疑似无破损套圈部分为无破损,反之,则为破损套圈部分;
套圈内侧线以及套圈外侧线的获取过程为:
基于各边缘线的所有边缘像素点,计算对应边缘线的重心;
随机选取任意两边缘线,计算任意两边缘线的重心的欧式距离,当所述欧式距离小于同心阈值时,该任意两边缘线为同心边缘线;
将同心边缘线对应的两边缘线的重心之间的连线的中心,作为新的重心,计算新的重心与其余任一边缘线的重心的新的欧式距离,当新的欧式距离小于同心阈值,则将该任一边缘线加入同心边缘线,并将所有同心边缘线的重心的行坐标取平均值以及列坐标取平均值作为重心更新同心边缘线的重心,直至没有新的边缘线满足条件,将此时的重心作为轴承中心参考点;
计算同心边缘线内的各边缘线的所有像素点与轴承中心参考点的欧式距离均值,选取其中的欧式距离均值最大值和最小值,分别作为套圈外侧线以及套圈内侧线。
2.根据权利要求1所述的基于计算机视觉的轴承质量检测方法,其特征在于,所述轴承套圈图像包括正面图像和/或背面图像。
3.根据权利要求1所述的基于计算机视觉的轴承质量检测方法,其特征在于,对每个单像素轮廓线进行均分是将单像素轮廓线进行36等分。
4.根据权利要求3所述的基于计算机视觉的轴承质量检测方法,其特征在于,所述线性度是根据套圈线段检测区域中包含的所有套圈线边缘点的行坐标和列坐标计算得到的皮尔逊相关系数。
5.根据权利要求4所述的基于计算机视觉的轴承质量检测方法,其特征在于,所述方向角均值的获取方法为:
获取疑似无破损套圈部分对应的轮廓线上的所有边缘像素点的海森矩阵;
采用PCA算法对各边缘像素点的海森矩阵进行分析,将计算的主成分方向作为当前边缘像素点的方向角;
基于所述方向角,计算得到轮廓线上的所有边缘像素点的方向角均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036500.1A CN115147407B (zh) | 2022-08-29 | 2022-08-29 | 基于计算机视觉的轴承质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211036500.1A CN115147407B (zh) | 2022-08-29 | 2022-08-29 | 基于计算机视觉的轴承质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147407A CN115147407A (zh) | 2022-10-04 |
CN115147407B true CN115147407B (zh) | 2022-11-18 |
Family
ID=83415863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211036500.1A Active CN115147407B (zh) | 2022-08-29 | 2022-08-29 | 基于计算机视觉的轴承质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147407B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116136393B (zh) * | 2023-03-02 | 2023-07-28 | 宁波川原精工机械有限公司 | 轴承套圈内圈检测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292861A (zh) * | 2016-03-31 | 2017-10-24 | 成都交大光芒科技股份有限公司 | 一种绝缘子破损检测方法 |
CN109166098A (zh) * | 2018-07-18 | 2019-01-08 | 上海理工大学 | 基于图像处理的工件毛刺检测方法 |
CN111311618A (zh) * | 2018-12-11 | 2020-06-19 | 长春工业大学 | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 |
CN113689415A (zh) * | 2021-08-30 | 2021-11-23 | 安徽工业大学 | 一种基于机器视觉的钢管壁厚在线检测方法 |
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418607B (zh) * | 2017-02-28 | 2023-02-24 | 株式会社岛津制作所 | 图像处理方法 |
CN107085850B (zh) * | 2017-03-24 | 2019-10-01 | 大连成者科技有限公司 | 遮蔽采集图像中异物的标记体、识别图像中异物标记体的方法以及书籍扫描方法 |
CN114723701B (zh) * | 2022-03-31 | 2023-04-18 | 厦门力和行自动化有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
-
2022
- 2022-08-29 CN CN202211036500.1A patent/CN115147407B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292861A (zh) * | 2016-03-31 | 2017-10-24 | 成都交大光芒科技股份有限公司 | 一种绝缘子破损检测方法 |
CN109166098A (zh) * | 2018-07-18 | 2019-01-08 | 上海理工大学 | 基于图像处理的工件毛刺检测方法 |
CN111311618A (zh) * | 2018-12-11 | 2020-06-19 | 长春工业大学 | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 |
CN113689415A (zh) * | 2021-08-30 | 2021-11-23 | 安徽工业大学 | 一种基于机器视觉的钢管壁厚在线检测方法 |
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
Non-Patent Citations (3)
Title |
---|
Yanlong Zhu 等.Edge Defect Detection of Network Image by the Application of Modal Symmetry.《Springer》.2021,第1-16页. * |
基于多特征判别的密封圈缺陷检测;黎少辉等;《煤矿机械》;20151215(第12期);第284-286页 * |
基于预测匹配差与全局-局部阈值化的轴承缺陷检测与定位算法;尚军等;《组合机床与自动化加工技术》;20171020(第10期);第27-31页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115147407A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
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 | |
CN115147407B (zh) | 基于计算机视觉的轴承质量检测方法 | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
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 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN115690108A (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN114820612B (zh) | 基于机器视觉的轧辊表面缺陷检测方法及系统 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN115375686A (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN116091504A (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN115049667B (zh) | 一种齿轮缺陷检测方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
WO2022222467A1 (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
CN108537778B (zh) | 一种用于柔性基板的改进随机圆孔检测方法 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及系统 | |
CN111815575A (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
US11644427B2 (en) | Automatic detection method and automatic detection system for detecting crack on wafer edges | |
CN113269758A (zh) | 一种基于机器视觉的卷烟外观检测方法及测试装置 | |
CN113192061A (zh) | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 |
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 |