CN115170567A - 一种船舶用的防水钢板缺陷检测方法 - Google Patents
一种船舶用的防水钢板缺陷检测方法 Download PDFInfo
- Publication number
- CN115170567A CN115170567A CN202211086547.9A CN202211086547A CN115170567A CN 115170567 A CN115170567 A CN 115170567A CN 202211086547 A CN202211086547 A CN 202211086547A CN 115170567 A CN115170567 A CN 115170567A
- Authority
- CN
- China
- Prior art keywords
- target
- target area
- category
- initial
- steel plate
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种船舶用的防水钢板缺陷检测方法,该方法包括:获取待检测船用防水钢板的防水钢板图像,对防水钢板图像进行预处理;对目标钢板图像中的像素点进行聚类处理;从像素点类别集合中筛选出亮像素点类别和暗像素点类别;确定目标区域集合;对目标区域集合中的目标区域进行聚类处理;对目标区域类别中的目标区域进行拟合检测处理,确定目标区域类别对应的缺陷可能性;确定目标钢板图像对应的缺陷信息。本发明通过对防水钢板图像进行图像处理,解决了对钢板进行辊印缺陷检测的准确度低下的技术问题,提高了对钢板进行辊印缺陷检测的准确度,主要应用于对钢板进行辊印缺陷检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种船舶用的防水钢板缺陷检测方法。
背景技术
钢板在生产制造过程中,往往会出现辊印缺陷。其中,存在多个间断的条状辊印是比较常见的辊印缺陷。辊印缺陷在生产制造过程中如果不能及时被检测到,容易产生批量性质量事故,造成严重的经济损失。因此,对钢板进行辊印缺陷检测至关重要。目前,对钢板进行辊印缺陷检测时,通常采用的方式为:对待检测钢板的图像与标准钢板的图像进行灰度值对比,检测待检测钢板上是否存在相应的缺陷,其中,标准钢板是未发生缺陷的与待检测钢板的规格型号相同的钢板。
然而,当采用上述方式时,经常会存在如下技术问题:
当通过对待检测钢板的图像与标准钢板的图像进行灰度值对比,检测待检测钢板上是否存在条状辊印时,由于不仅条状辊印的灰度值往往与标准钢板的灰度值不同,除了条状辊印之外的缺陷的灰度值往往也与标准钢板的灰度值不同,因此,仅仅考虑待检测钢板的图像与标准钢板的图像之间的灰度值的差别,判断待检测钢板上是否存在条状辊印,当待检测钢板上存在除了条状辊印之外的缺陷时,可能会将除了条状辊印之外的缺陷,误判为条状辊印,往往会导致对钢板进行辊印缺陷检测的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对钢板进行辊印缺陷检测的准确度低下的技术问题,本发明提出了一种船舶用的防水钢板缺陷检测方法。
本发明提供了一种船舶用的防水钢板缺陷检测方法,该方法包括:
获取待检测船用防水钢板的防水钢板图像,对所述防水钢板图像进行预处理,得到目标钢板图像;
根据所述目标钢板图像中的像素点对应的灰度值,对所述目标钢板图像中的像素点进行聚类处理,得到像素点类别集合;
从所述像素点类别集合中筛选出亮像素点类别和暗像素点类别;
根据所述亮像素点类别和所述暗像素点类别,确定目标区域集合;
根据所述目标区域集合中目标区域的位置,对所述目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合;
对于所述目标区域类别集合中的每个目标区域类别,对所述目标区域类别中的目标区域进行拟合检测处理,确定所述目标区域类别对应的缺陷可能性;
根据所述目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定所述目标钢板图像对应的缺陷信息。
进一步的,所述根据所述亮像素点类别和所述暗像素点类别,确定目标区域集合,包括:
分别对所述亮像素点类别和所述暗像素点类别中的像素点进行区域生长,得到高亮区域集合和阴影区域集合;
对所述高亮区域集合和所述阴影区域集合进行匹配,得到所述目标区域集合。
进一步的,所述对所述高亮区域集合和所述阴影区域集合进行匹配,得到所述目标区域集合,包括:
对于所述高亮区域集合中的每个高亮区域,确定所述高亮区域与所述阴影区域集合中的各个阴影区域之间的最短距离;
对于所述高亮区域集合中的每个高亮区域,从所述高亮区域与所述阴影区域集合中的各个阴影区域之间的最短距离中筛选出最小的最短距离,作为所述高亮区域对应的目标距离;
对于所述高亮区域集合中的每个高亮区域,当所述高亮区域对应的目标距离小于预先设置的组合阈值时,将所述高亮区域与所述高亮区域对应的目标距离对应的阴影区域,组合为目标区域。
进一步的,所述根据所述目标区域集合中目标区域的位置,对所述目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合,包括:
根据所述目标区域集合中目标区域的位置,将所述目标区域集合中的目标区域,聚类为预设数量个初始类别,得到初始类别集合;
根据类内差异最小原则,确定初始类别集合对应的第一聚类效果因子;
根据类间差异最大原则,确定初始类别集合对应的第二聚类效果因子;
根据初始类别集合中的初始类别中的目标区域的位置,确定初始类别集合对应的第三聚类效果因子;
根据初始类别集合对应的第一聚类效果因子、第二聚类效果因子和第三聚类效果因子,确定初始类别集合对应的整体聚类效果因子;
当初始类别集合对应的整体聚类效果因子大于预先设置的聚类效果阈值时,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别;
当初始类别集合对应的整体聚类效果因子小于或等于聚类效果阈值时,对预设数量进行更新,执行以上步骤,直至初始类别集合对应的整体聚类效果因子大于聚类效果阈值,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别。
进一步的,所述根据初始类别集合中的初始类别中的目标区域的位置,确定初始类别集合对应的第三聚类效果因子,包括:
对于初始类别集合中的每个初始类别,确定所述初始类别中的任意两个目标区域的中心点的连线与预先设置的参考直线的夹角,作为这两个目标区域对应的目标夹角;
根据所述初始类别中的任意两个目标区域对应的目标夹角、初始类别集合中的初始类别的数量和初始类别中的目标区域的数量,确定初始类别集合对应的第三聚类效果因子。
进一步的,所述根据初始类别集合对应的第一聚类效果因子、第二聚类效果因子和第三聚类效果因子,确定初始类别集合对应的整体聚类效果因子,包括:
将初始类别集合对应的第一聚类效果因子和第三聚类效果因子的乘积,确定为目标乘积;
将目标乘积与初始类别集合对应的第二聚类效果因子的商,确定为目标商;
对目标商的相反数进行归一化,得到初始类别集合对应的整体聚类效果因子。
进一步的,所述对预设数量进行更新,执行以上步骤,包括:
根据所述目标区域集合中目标区域的位置,将所述目标区域集合中的目标区域,聚类为更新后的预设数量个初始类别,得到初始类别集合;
根据类内差异最小原则,确定初始类别集合对应的第一聚类效果因子;
根据类间差异最大原则,确定初始类别集合对应的第二聚类效果因子;
根据初始类别集合中的初始类别中的目标区域的位置,确定初始类别集合对应的第三聚类效果因子;
根据初始类别集合对应的第一聚类效果因子、第二聚类效果因子和第三聚类效果因子,确定初始类别集合对应的整体聚类效果因子;
当初始类别集合对应的整体聚类效果因子大于预先设置的聚类效果阈值时,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别;
当初始类别集合对应的整体聚类效果因子小于或等于聚类效果阈值时,对预设数量进行更新,再次执行以上步骤。
进一步的,所述对所述目标区域类别中的目标区域进行拟合检测处理,确定所述目标区域类别对应的缺陷可能性,包括:
对所述目标区域类别中的目标区域进行拟合,得到所述目标区域类别对应的拟合区域;
确定所述目标区域类别对应的拟合区域的最小外接矩形,作为所述目标区域类别对应的目标矩形区域;
将所述目标区域类别对应的目标矩形区域对应的长与宽的比值,确定为所述目标区域类别对应的缺陷可能性。
进一步的,所述根据所述目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定所述目标钢板图像对应的缺陷信息,包括:
当所述目标区域类别集合中的目标区域类别对应的缺陷可能性小于预先设置的缺陷阈值时,生成表征目标区域类别中的目标区域为正常区域的区域信息;
当所述目标区域类别集合中的目标区域类别对应的缺陷可能性大于或等于缺陷阈值时,生成表征目标区域类别中的目标区域为缺陷区域的区域信息;
根据所述目标区域类别集合中的目标区域类别对应的区域信息,生成所述目标钢板图像对应的缺陷信息。
进一步的,所述根据所述目标钢板图像中的像素点对应的灰度值,对所述目标钢板图像中的像素点进行聚类处理,得到像素点类别集合,包括:
确定所述目标钢板图像对应的灰度直方图;
根据所述灰度直方图中灰度值的概率,将所述目标钢板图像中的像素点聚类为三个像素点类别,得到像素点类别集合。
本发明具有如下有益效果:
本发明的一种船舶用的防水钢板缺陷检测方法,通过对防水钢板图像进行图像处理,解决了对钢板进行辊印缺陷检测的准确度低下的技术问题,提高了对钢板进行辊印缺陷检测的准确度。首先,获取待检测船用防水钢板的防水钢板图像,对上述防水钢板图像进行预处理,得到目标钢板图像。由于防水钢板图像上包含有待检测船用防水钢板的信息,可以便于后续通过对防水钢板图像进行图像处理,确定待检测船用防水钢板是否包含条状辊印,并且可以实现对条状辊印的定位。接着,根据上述目标钢板图像中的像素点对应的灰度值,对上述目标钢板图像中的像素点进行聚类处理,得到像素点类别集合。实际情况中,辊印缺陷的灰度值往往与未发生缺陷的区域的灰度值不同,因此,通过像素点对应的灰度值的不同,对目标钢板图像中的像素点进行聚类,可以便于后续确定辊印缺陷所在的区域。然后,从上述像素点类别集合中筛选出亮像素点类别和暗像素点类别。实际情况中,由于辊印的凹凸不平,所以拍摄的辊印往往由亮暗两个区域组成。所以筛选出较亮区域的像素点和较暗区域的像素点,可以便于后续确定辊印所在的区域。继续,根据上述亮像素点类别和上述暗像素点类别,确定目标区域集合。由于辊印的凹凸不平,所以拍摄的辊印往往由亮暗两个区域组成。所以当亮暗两个区域可以拼接为一个目标区域时,该目标区域往往可能是组成辊印的区域,可以提高辊印所在的区域的位置确定的准确度。之后,根据上述目标区域集合中目标区域的位置,对上述目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合。实际情况中,待检测船用防水钢板上可能不止一个条状辊印,对目标区域集合中的目标区域进行聚类处理,每个目标区域类别可能对应一个条状辊印,可以提高后续对每个条状辊印所在的区域的位置确定的准确度。而后,对于上述目标区域类别集合中的每个目标区域类别,对上述目标区域类别中的目标区域进行拟合检测处理,确定上述目标区域类别对应的缺陷可能性。由于条状辊印所特有的特点,对目标区域类别对应条状辊印进行可能性分析,确定目标区域类别对应的缺陷可能性,可以提高对每个条状辊印所在的区域的位置确定的准确度。最后,根据上述目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定上述目标钢板图像对应的缺陷信息。因此,本发明通过对防水钢板图像进行图像处理,解决了对钢板进行辊印缺陷检测的准确度低下的技术问题,提高了对钢板进行辊印缺陷检测的准确度。
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为根据本发明的一种船舶用的防水钢板缺陷检测方法的一些实施例的流程图;
图2为根据本发明的高亮区域与阴影区域示意图;
图3为根据本发明的目标区域类别和拟合区域示意图。
其中,图2中的附图标记包括:高亮区域201与阴影区域202。
图3中的附图标记包括:目标区域类别301和拟合区域302。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。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。
本发明提供了一种船舶用的防水钢板缺陷检测方法,该方法包括以下步骤:
获取待检测船用防水钢板的防水钢板图像,对防水钢板图像进行预处理,得到目标钢板图像;
根据目标钢板图像中的像素点对应的灰度值,对目标钢板图像中的像素点进行聚类处理,得到像素点类别集合;
从像素点类别集合中筛选出亮像素点类别和暗像素点类别;
根据亮像素点类别和暗像素点类别,确定目标区域集合;
根据目标区域集合中目标区域的位置,对目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合;
对于目标区域类别集合中的每个目标区域类别,对目标区域类别中的目标区域进行拟合检测处理,确定目标区域类别对应的缺陷可能性;
根据目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定目标钢板图像对应的缺陷信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种船舶用的防水钢板缺陷检测方法的一些实施例的流程。该船舶用的防水钢板缺陷检测方法,包括以下步骤:
步骤S1,获取待检测船用防水钢板的防水钢板图像,对防水钢板图像进行预处理,得到目标钢板图像。
在一些实施例中,可以获取待检测船用防水钢板的防水钢板图像,对上述防水钢板图像进行预处理,得到目标钢板图像。
其中,上述待检测船用防水钢板可以是待检测缺陷的船用防水钢板。防水钢板图像可以是拍摄有待检测船用防水钢板的图像。目标钢板图像可以是进行预处理后的防水钢板图像。预处理可以包括但不限于:灰度化处理和去噪处理。
作为示例,首先,可以通过工业相机,获取待检测船用防水钢板的防水钢板图像。接着,可以对上述防水钢板图像进行灰度化和去噪,得到上述目标钢板图像。
步骤S2,根据目标钢板图像中的像素点对应的灰度值,对目标钢板图像中的像素点进行聚类处理,得到像素点类别集合。
在一些实施例中,可以根据上述目标钢板图像中的像素点对应的灰度值,对上述目标钢板图像中的像素点进行聚类处理,得到像素点类别集合。
作为示例,本步骤可以包括以下步骤:
第一步,确定上述目标钢板图像对应的灰度直方图。
第二步,根据上述灰度直方图中灰度值的概率,将上述目标钢板图像中的像素点聚类为三个像素点类别,得到像素点类别集合。
例如,可以根据上述灰度直方图中灰度值的概率,通过K-means均值聚类算法(k=3),对上述目标钢板图像中的像素点进行聚类处理,得到像素点类别集合。
步骤S3,从像素点类别集合中筛选出亮像素点类别和暗像素点类别。
在一些实施例中,可以从上述像素点类别集合中筛选出亮像素点类别和暗像素点类别。
作为示例,首先,可以根据像素点类别集合中的像素点类别中的像素点对应的灰度值,对像素点类别集合中的像素点类别进行排序,得到像素点类别序列。接着,可以将像素点类别序列中对应的灰度值最大的像素点类别,确定为亮像素点类别。可以将像素点类别序列中对应的灰度值最小的像素点类别,确定为暗像素点类别。其中,亮像素点类别中的像素点可能是由于拍摄待检测船用防水钢板上可能存在的辊印形成的凹坑或凸起导致的比较亮的区域内的像素点。暗像素点类别中的像素点可能是由于拍摄待检测船用防水钢板上可能存在的辊印形成的凹坑导致的比较暗的区域内的像素点。辊印是船用防水钢板上比较常见的缺陷。由于辊印的凹凸不平,所以拍摄的辊印往往由亮暗两个区域组成。
步骤S4,根据亮像素点类别和暗像素点类别,确定目标区域集合。
在一些实施例中,可以根据上述亮像素点类别和上述暗像素点类别,确定目标区域集合。
其中,目标区域集合中的目标区域可以是组成拍摄的待检测船用防水钢板上可能存在的辊印的凹凸区域。凹凸区域可以是凹凸不平的区域。
作为示例,本步骤可以包括以下步骤:
第一步,分别对上述亮像素点类别和上述暗像素点类别中的像素点进行区域生长,得到高亮区域集合和阴影区域集合。
其中,上述高亮区域集合中的高亮区域可以是目标钢板图像中可能存在的组成辊印的相对高亮的区域。上述阴影区域集合中的阴影区域可以是目标钢板图像中可能存在的组成辊印的相对较暗的区域。
第二步,对上述高亮区域集合和上述阴影区域集合进行匹配,得到上述目标区域集合。
例如,本步骤可以包括以下子步骤:
第一子步骤,对于上述高亮区域集合中的每个高亮区域,确定上述高亮区域与上述阴影区域集合中的各个阴影区域之间的最短距离。
比如,如图2所示,白色的矩形可以表征高亮区域。黑色的矩形可以表征阴影区域。如,高亮区域201与阴影区域202之间的最短距离可以是0。
第二子步骤,对于上述高亮区域集合中的每个高亮区域,从上述高亮区域与上述阴影区域集合中的各个阴影区域之间的最短距离中筛选出最小的最短距离,作为上述高亮区域对应的目标距离。
第三子步骤,对于上述高亮区域集合中的每个高亮区域,当上述高亮区域对应的目标距离小于预先设置的组合阈值时,将上述高亮区域与上述高亮区域对应的目标距离对应的阴影区域,组合为目标区域。
其中,当高亮区域与阴影区域之间的距离等于该高亮区域对应的目标距离时,将该阴影区域,确定为该高亮区域对应的目标距离对应的阴影区域。上述组合阈值可以是预先设置的高亮区域与阴影区域不可组合为一个区域的最小的目标距离。如,上述组合阈值可以是0.1。
又如,如图2所示,白色的矩形可以表征高亮区域。黑色的矩形可以表征阴影区域。由白色矩形与黑色矩形拼接而成的矩形可以表征目标区域。如,由高亮区域201与阴影区域202拼接而成的矩形可以表征目标区域。图2中的各个目标区域可以组成一个线状辊印。线状辊印又可以称为条状辊印。
步骤S5,根据目标区域集合中目标区域的位置,对目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合。
在一些实施例中,可以根据上述目标区域集合中目标区域的位置,对上述目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合。
其中,目标区域类别集合中的每个目标区域类别中的各个目标区域可以组成一个待检测船用防水钢板上可能存在的线状辊印。目标区域类别集合中的目标区域类别可以与待检测船用防水钢板上可能存在的线状辊印一一对应。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述目标区域集合中目标区域的位置,将上述目标区域集合中的目标区域,聚类为预设数量个初始类别,得到初始类别集合。
其中,预设数量可以是预先设置的数量。如,预设数量可以是1。
例如,可以根据上述目标区域集合中目标区域的位置,通过K-means均值聚类算法(k=1),将上述目标区域集合中的目标区域,聚类为1个初始类别,得到初始类别集合。其中,初始类别集合中的初始类别的数量为1。K-means均值聚类算法中k的值可以等于预设数量。
本步骤聚类时的聚类距离对应的公式可以为:
实际情况中,聚类距离一般设置为,这里考虑了和,将聚类距离设置为,可以使聚类结果更符合实际情况,并且可以在一定程度上提高聚类效率。当待检测船用防水钢板上可能存在的线状辊印更可能趋于水平时,预先设置的权重可以满足。当待检测船用防水钢板上可能存在的线状辊印更可能趋于竖直时,预先设置的权重可以满足。
第二步,根据类内差异最小原则,确定初始类别集合对应的第一聚类效果因子。
例如,确定初始类别集合对应的第一聚类效果因子对应的公式可以为:
其中,w是初始类别集合对应的第一聚类效果因子。K是初始类别集合中初始类别的数量。h是初始类别集合中第n个初始类别中的目标区域的数量。是初始类别集合中第n个初始类别中的第i个目标区域的中心点和第j个目标区域的中心点之间的距离。
实际情况中,当初始类别集合中的各个初始类别中的各个目标区域的中心点之间的距离的累加的和w越小时,往往说明类内差异越小,对目标区域集合中的目标区域进行聚类的效果往往越好。
第三步,根据类间差异最大原则,确定初始类别集合对应的第二聚类效果因子。
例如,确定初始类别集合对应的第二聚类效果因子对应的公式可以为:
实际情况中,当初始类别集合中的各个初始类别对应的聚类中心点之间的距离的累加的和e越大时,往往说明类间差异越大,对目标区域集合中的目标区域进行聚类的效果往往越好。
第四步,根据初始类别集合中的初始类别中的目标区域的位置,确定初始类别集合对应的第三聚类效果因子。
例如,本步骤可以包括以下子步骤:
第一子步骤,对于初始类别集合中的每个初始类别,确定上述初始类别中的任意两个目标区域的中心点的连线与预先设置的参考直线的夹角,作为这两个目标区域对应的目标夹角。
其中,参考直线可以是预先设置的方向的直线。如,当需要检测待检测船用防水钢板上是否含有水平方向的线状辊印时,参考直线可以是水平方向的直线。
第二子步骤,根据上述初始类别中的任意两个目标区域对应的目标夹角、初始类别集合中的初始类别的数量和初始类别中的目标区域的数量,确定初始类别集合对应的第三聚类效果因子。
比如,初始类别集合对应的第三聚类效果因子对应的公式可以为:
其中,r是初始类别集合对应的第三聚类效果因子。K是初始类别集合中初始类别的数量。h是初始类别集合中第n个初始类别中的目标区域的数量。是初始类别集合中第n个初始类别中的第i个目标区域和第j个目标区域对应的目标夹角。
实际情况中,当初始类别集合中第n个初始类别中的第i个目标区域和第j个目标区域对应的目标夹角越小时,往往说明第n个初始类别中的第i个目标区域和第j个目标区域的中心点的连线与参考直线越相似。所以,可以表征初始类别集合中的各个初始类别中的目标区域的中心点之间的连线与参考直线的相似情况。因此,当初始类别集合对应的第三聚类效果因子r越小时,检测待检测船用防水钢板上越含有参考直线所在的方向的线状辊印,对目标区域集合中的目标区域进行聚类的效果往往越好。
又如,初始类别集合对应的第三聚类效果因子对应的公式可以为:
其中,r是初始类别集合对应的第三聚类效果因子。K是初始类别集合中初始类别的数量。h是初始类别集合中第n个初始类别中的目标区域的数量。是初始类别集合中第n个初始类别中的第i个目标区域和第j个目标区域对应的目标夹角。
实际情况中,当初始类别集合中第n个初始类别中的第i个目标区域和第j个目标区域对应的目标夹角越小时,往往说明第n个初始类别中的第i个目标区域和第j个目标区域的中心点的连线与参考直线越相似。可以表征第n个初始类别中的第i个目标区域和第j个目标区域对应的目标夹角与第n个初始类别中各个目标区域对应的平均目标夹角之间的差异。可以表征初始类别集合中的初始类别中的各个目标区域相连是否近似为直线。因此,当初始类别集合对应的第三聚类效果因子r越小时,检测待检测船用防水钢板上越含有线状辊印,对目标区域集合中的目标区域进行聚类的效果往往越好。
又如,初始类别集合对应的第三聚类效果因子对应的公式可以为:
其中,r是初始类别集合对应的第三聚类效果因子。K是初始类别集合中初始类别的数量。h是初始类别集合中第n个初始类别中的目标区域的数量。是将初始类别集合中第n个初始类别中的第i个目标区域的中心点和第j个目标区域的中心点相连得到的直线的斜率。是将初始类别集合中第n个初始类别中的第i个目标区域的中心点和第个目标区域的中心点相连得到的直线的斜率。
实际情况中,越小,往往可以表征斜率与斜率越相似,将第i个目标区域的中心点、第j个目标区域和第个目标区域的中心点相连,越可能得到直线。可以表征初始类别集合中的初始类别中的各个目标区域相连是否近似为直线。当越小时,初始类别集合中的初始类别中的各个目标区域相连越近似为直线。因此,当初始类别集合对应的第三聚类效果因子r越小时,检测待检测船用防水钢板上越含有线状辊印,对目标区域集合中的目标区域进行聚类的效果往往越好。
第五步,根据初始类别集合对应的第一聚类效果因子、第二聚类效果因子和第三聚类效果因子,确定初始类别集合对应的整体聚类效果因子。
其中,初始类别集合对应的整体聚类效果因子可以表征对目标区域集合中的目标区域进行聚类的效果。
例如,本步骤可以包括以下子步骤:
第一子步骤,将初始类别集合对应的第一聚类效果因子和第三聚类效果因子的乘积,确定为目标乘积。
第二子步骤,将目标乘积与初始类别集合对应的第二聚类效果因子的商,确定为目标商。
第三子步骤,对目标商的相反数进行归一化,得到初始类别集合对应的整体聚类效果因子。
比如,确定初始类别集合对应的整体聚类效果因子对应的公式可以为:
实际情况中,当初始类别集合对应的第一聚类效果因子w越小、初始类别集合对应的第二聚类效果因子e越大或初始类别集合对应的第三聚类效果因子r越小时,初始类别集合对应的整体聚类效果因子F越大,对目标区域集合中的目标区域进行聚类的效果往往越好。
第六步,当初始类别集合对应的整体聚类效果因子大于预先设置的聚类效果阈值时,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别。
其中,聚类效果阈值可以是预先设置的对目标区域集合中的目标区域进行聚类的效果没有达到预期效果的最大的整体聚类效果因子。如,聚类效果阈值可以是0.8。预期效果可以是预先设置的效果。
第七步,当初始类别集合对应的整体聚类效果因子小于或等于聚类效果阈值时,对预设数量进行更新,执行以上步骤,直至初始类别集合对应的整体聚类效果因子大于聚类效果阈值,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别。
例如,上述对预设数量进行更新,执行以上步骤,可以包括以下子步骤:
第一子步骤,根据上述目标区域集合中目标区域的位置,将上述目标区域集合中的目标区域,聚类为更新后的预设数量个初始类别,得到初始类别集合。
其中,更新后的预设数量可以等于更新前的预设数量加1。
本子步骤的具体实现方式可以参考步骤S5包括的第一步,可以将更新后的预设数量,作为预设数量,得到初始类别集合。
第二子步骤,根据类内差异最小原则,确定初始类别集合对应的第一聚类效果因子。
第三子步骤,根据类间差异最大原则,确定初始类别集合对应的第二聚类效果因子。
第四子步骤,根据初始类别集合中的初始类别中的目标区域的位置,确定初始类别集合对应的第三聚类效果因子。
第五子步骤,根据初始类别集合对应的第一聚类效果因子、第二聚类效果因子和第三聚类效果因子,确定初始类别集合对应的整体聚类效果因子。
第六子步骤,当初始类别集合对应的整体聚类效果因子大于预先设置的聚类效果阈值时,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别。
步骤S5包括的第七步包括的第二子步骤至第六子步骤的具体实现方式可以参考步骤S5包括的第二步至第六步,在此不再赘述。
第七子步骤,当初始类别集合对应的整体聚类效果因子小于或等于聚类效果阈值时,对预设数量进行更新,再次执行以上步骤。
步骤S6,对于目标区域类别集合中的每个目标区域类别,对目标区域类别中的目标区域进行拟合检测处理,确定目标区域类别对应的缺陷可能性。
在一些实施例中,对于上述目标区域类别集合中的每个目标区域类别,可以对上述目标区域类别中的目标区域进行拟合检测处理,确定上述目标区域类别对应的缺陷可能性。
作为示例,本步骤可以包括以下步骤:
第一步,对上述目标区域类别中的目标区域进行拟合,得到上述目标区域类别对应的拟合区域。
例如,如图3所示,白色的矩形可以表征高亮区域。黑色的矩形可以表征阴影区域。由白色矩形与黑色矩形拼接而成的矩形可以表征目标区域。可以对目标区域类别301中的各个目标区域进行拟合,得到目标区域类别301对应的拟合区域302。
第二步,确定上述目标区域类别对应的拟合区域的最小外接矩形,作为上述目标区域类别对应的目标矩形区域。
实际情况中,目标区域可能不是规则的矩形区域,为了便于比较目标区域类别对应的拟合区域是否可以近似作为直线,可以作拟合区域的最小外接矩形。当拟合区域的最小外接矩形可以近似作为直线时,拟合区域往往可以近似作为直线。其中,当矩形的长远远大于宽(宽可以忽略不计)时,该矩形可以近似作为直线。
第三步,将上述目标区域类别对应的目标矩形区域对应的长与宽的比值,确定为上述目标区域类别对应的缺陷可能性。
其中,目标区域类别对应的缺陷可能性可以是该目标区域类别对应的拟合区域为近似直线的可能性。
例如,确定目标区域类别对应的缺陷可能性对应的公式可以为:
其中,S是目标区域类别对应的缺陷可能性。L是目标区域类别对应的目标矩形区域对应的长。l是目标区域类别对应的目标矩形区域对应的宽。
实际情况中,当目标区域类别对应的目标矩形区域对应的长L越大或目标区域类别对应的目标矩形区域对应的宽l越小时,目标区域类别对应的目标矩形区域往往越近似为直线,目标区域类别对应的缺陷可能性S越大,即目标区域类别对应的拟合区域往往越可能是线状辊印。
步骤S7,根据目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定目标钢板图像对应的缺陷信息。
在一些实施例中,可以根据上述目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定上述目标钢板图像对应的缺陷信息。
其中,缺陷信息可以表征待检测船用防水钢板包含的线状辊印的缺陷情况。
作为示例,本步骤可以包括以下步骤:
第一步,当上述目标区域类别集合中的目标区域类别对应的缺陷可能性小于预先设置的缺陷阈值时,生成表征目标区域类别中的目标区域为正常区域的区域信息。
其中,缺陷阈值可以是预先设置的目标区域类别中的目标区域为缺陷区域时,目标区域类别对应的最小的缺陷可能性。例如,缺陷阈值可以是10。正常区域可以表征未发生辊印缺陷的船用防水钢板区域。缺陷区域可以表征发生了辊印缺陷的船用防水钢板区域。
第二步,当上述目标区域类别集合中的目标区域类别对应的缺陷可能性大于或等于缺陷阈值时,生成表征目标区域类别中的目标区域为缺陷区域的区域信息。
第三步,根据上述目标区域类别集合中的目标区域类别对应的区域信息,生成上述目标钢板图像对应的缺陷信息。
其中,缺陷信息可以包括目标区域类别集合中的各个目标区域类别对应的区域信息。
本发明的一种船舶用的防水钢板缺陷检测方法,通过对防水钢板图像进行图像处理,解决了对钢板进行辊印缺陷检测的准确度低下的技术问题,提高了对钢板进行辊印缺陷检测的准确度。首先,获取待检测船用防水钢板的防水钢板图像,对上述防水钢板图像进行预处理,得到目标钢板图像。由于防水钢板图像上包含有待检测船用防水钢板的信息,可以便于后续通过对防水钢板图像进行图像处理,确定待检测船用防水钢板是否包含条状辊印,并且可以实现对条状辊印的定位。接着,根据上述目标钢板图像中的像素点对应的灰度值,对上述目标钢板图像中的像素点进行聚类处理,得到像素点类别集合。实际情况中,辊印缺陷的灰度值往往与未发生缺陷的区域的灰度值不同,因此,通过像素点对应的灰度值的不同,对目标钢板图像中的像素点进行聚类,可以便于后续确定辊印缺陷所在的区域。然后,从上述像素点类别集合中筛选出亮像素点类别和暗像素点类别。实际情况中,由于辊印的凹凸不平,所以拍摄的辊印往往由亮暗两个区域组成。所以筛选出较亮区域的像素点和较暗区域的像素点,可以便于后续确定辊印所在的区域。继续,根据上述亮像素点类别和上述暗像素点类别,确定目标区域集合。由于辊印的凹凸不平,所以拍摄的辊印往往由亮暗两个区域组成。所以当亮暗两个区域可以拼接为一个目标区域时,该目标区域往往可能是组成辊印的区域,可以提高辊印所在的区域的位置确定的准确度。之后,根据上述目标区域集合中目标区域的位置,对上述目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合。实际情况中,待检测船用防水钢板上可能不止一个条状辊印,对目标区域集合中的目标区域进行聚类处理,每个目标区域类别可能对应一个条状辊印,可以提高后续对每个条状辊印所在的区域的位置确定的准确度。而后,对于上述目标区域类别集合中的每个目标区域类别,对上述目标区域类别中的目标区域进行拟合检测处理,确定上述目标区域类别对应的缺陷可能性。由于条状辊印所特有的特点,对目标区域类别对应条状辊印进行可能性分析,确定目标区域类别对应的缺陷可能性,可以提高对每个条状辊印所在的区域的位置确定的准确度。最后,根据上述目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定上述目标钢板图像对应的缺陷信息。因此,本发明通过对防水钢板图像进行图像处理,解决了对钢板进行辊印缺陷检测的准确度低下的技术问题,提高了对钢板进行辊印缺陷检测的准确度。
以上上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范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种船舶用的防水钢板缺陷检测方法,其特征在于,包括以下步骤:
获取待检测船用防水钢板的防水钢板图像,对所述防水钢板图像进行预处理,得到目标钢板图像;
根据所述目标钢板图像中的像素点对应的灰度值,对所述目标钢板图像中的像素点进行聚类处理,得到像素点类别集合;
从所述像素点类别集合中筛选出亮像素点类别和暗像素点类别;
根据所述亮像素点类别和所述暗像素点类别,确定目标区域集合;
根据所述目标区域集合中目标区域的位置,对所述目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合;
对于所述目标区域类别集合中的每个目标区域类别,对所述目标区域类别中的目标区域进行拟合检测处理,确定所述目标区域类别对应的缺陷可能性;
根据所述目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定所述目标钢板图像对应的缺陷信息。
2.根据权利要求1所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述根据所述亮像素点类别和所述暗像素点类别,确定目标区域集合,包括:
分别对所述亮像素点类别和所述暗像素点类别中的像素点进行区域生长,得到高亮区域集合和阴影区域集合;
对所述高亮区域集合和所述阴影区域集合进行匹配,得到所述目标区域集合。
3.根据权利要求2所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述对所述高亮区域集合和所述阴影区域集合进行匹配,得到所述目标区域集合,包括:
对于所述高亮区域集合中的每个高亮区域,确定所述高亮区域与所述阴影区域集合中的各个阴影区域之间的最短距离;
对于所述高亮区域集合中的每个高亮区域,从所述高亮区域与所述阴影区域集合中的各个阴影区域之间的最短距离中筛选出最小的最短距离,作为所述高亮区域对应的目标距离;
对于所述高亮区域集合中的每个高亮区域,当所述高亮区域对应的目标距离小于预先设置的组合阈值时,将所述高亮区域与所述高亮区域对应的目标距离对应的阴影区域,组合为目标区域。
4.根据权利要求1所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述根据所述目标区域集合中目标区域的位置,对所述目标区域集合中的目标区域进行聚类处理,得到目标区域类别集合,包括:
根据所述目标区域集合中目标区域的位置,将所述目标区域集合中的目标区域,聚类为预设数量个初始类别,得到初始类别集合;
根据类内差异最小原则,确定初始类别集合对应的第一聚类效果因子;
根据类间差异最大原则,确定初始类别集合对应的第二聚类效果因子;
根据初始类别集合中的初始类别中的目标区域的位置,确定初始类别集合对应的第三聚类效果因子;
根据初始类别集合对应的第一聚类效果因子、第二聚类效果因子和第三聚类效果因子,确定初始类别集合对应的整体聚类效果因子;
当初始类别集合对应的整体聚类效果因子大于预先设置的聚类效果阈值时,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别;
当初始类别集合对应的整体聚类效果因子小于或等于聚类效果阈值时,对预设数量进行更新,执行以上步骤,直至初始类别集合对应的整体聚类效果因子大于聚类效果阈值,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别。
5.根据权利要求4所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述根据初始类别集合中的初始类别中的目标区域的位置,确定初始类别集合对应的第三聚类效果因子,包括:
对于初始类别集合中的每个初始类别,确定所述初始类别中的任意两个目标区域的中心点的连线与预先设置的参考直线的夹角,作为这两个目标区域对应的目标夹角;
根据所述初始类别中的任意两个目标区域对应的目标夹角、初始类别集合中的初始类别的数量和初始类别中的目标区域的数量,确定初始类别集合对应的第三聚类效果因子。
6.根据权利要求4所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述根据初始类别集合对应的第一聚类效果因子、第二聚类效果因子和第三聚类效果因子,确定初始类别集合对应的整体聚类效果因子,包括:
将初始类别集合对应的第一聚类效果因子和第三聚类效果因子的乘积,确定为目标乘积;
将目标乘积与初始类别集合对应的第二聚类效果因子的商,确定为目标商;
对目标商的相反数进行归一化,得到初始类别集合对应的整体聚类效果因子。
7.根据权利要求4所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述对预设数量进行更新,执行以上步骤,包括:
根据所述目标区域集合中目标区域的位置,将所述目标区域集合中的目标区域,聚类为更新后的预设数量个初始类别,得到初始类别集合;
根据类内差异最小原则,确定初始类别集合对应的第一聚类效果因子;
根据类间差异最大原则,确定初始类别集合对应的第二聚类效果因子;
根据初始类别集合中的初始类别中的目标区域的位置,确定初始类别集合对应的第三聚类效果因子;
根据初始类别集合对应的第一聚类效果因子、第二聚类效果因子和第三聚类效果因子,确定初始类别集合对应的整体聚类效果因子;
当初始类别集合对应的整体聚类效果因子大于预先设置的聚类效果阈值时,将初始类别集合中的初始类别,确定为目标区域类别集合中的目标区域类别;
当初始类别集合对应的整体聚类效果因子小于或等于聚类效果阈值时,对预设数量进行更新,再次执行以上步骤。
8.根据权利要求1所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述对所述目标区域类别中的目标区域进行拟合检测处理,确定所述目标区域类别对应的缺陷可能性,包括:
对所述目标区域类别中的目标区域进行拟合,得到所述目标区域类别对应的拟合区域;
确定所述目标区域类别对应的拟合区域的最小外接矩形,作为所述目标区域类别对应的目标矩形区域;
将所述目标区域类别对应的目标矩形区域对应的长与宽的比值,确定为所述目标区域类别对应的缺陷可能性。
9.根据权利要求1所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述根据所述目标区域类别集合中的各个目标区域类别对应的缺陷可能性,确定所述目标钢板图像对应的缺陷信息,包括:
当所述目标区域类别集合中的目标区域类别对应的缺陷可能性小于预先设置的缺陷阈值时,生成表征目标区域类别中的目标区域为正常区域的区域信息;
当所述目标区域类别集合中的目标区域类别对应的缺陷可能性大于或等于缺陷阈值时,生成表征目标区域类别中的目标区域为缺陷区域的区域信息;
根据所述目标区域类别集合中的目标区域类别对应的区域信息,生成所述目标钢板图像对应的缺陷信息。
10.根据权利要求1所述的一种船舶用的防水钢板缺陷检测方法,其特征在于,所述根据所述目标钢板图像中的像素点对应的灰度值,对所述目标钢板图像中的像素点进行聚类处理,得到像素点类别集合,包括:
确定所述目标钢板图像对应的灰度直方图;
根据所述灰度直方图中灰度值的概率,将所述目标钢板图像中的像素点聚类为三个像素点类别,得到像素点类别集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211086547.9A CN115170567B (zh) | 2022-09-07 | 2022-09-07 | 一种船舶用的防水钢板缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211086547.9A CN115170567B (zh) | 2022-09-07 | 2022-09-07 | 一种船舶用的防水钢板缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170567A true CN115170567A (zh) | 2022-10-11 |
CN115170567B CN115170567B (zh) | 2022-11-25 |
Family
ID=83481235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211086547.9A Active CN115170567B (zh) | 2022-09-07 | 2022-09-07 | 一种船舶用的防水钢板缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170567B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330761A (zh) * | 2022-10-12 | 2022-11-11 | 深圳市深创高科电子有限公司 | 一种用于电子产品的表面印刷移位缺陷识别方法 |
CN115375675A (zh) * | 2022-10-24 | 2022-11-22 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像数据的煤炭质量检测方法 |
CN116363136A (zh) * | 2023-06-01 | 2023-06-30 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090153997A1 (en) * | 2007-06-21 | 2009-06-18 | Samsung Electronics Co., Ltd. | Method operating hard disk drive on the basis of predicted defect using hierarchical clustering and curve fit |
JP2009216475A (ja) * | 2008-03-08 | 2009-09-24 | Kanto Auto Works Ltd | 表面検査システム及びこれを用いた表面検査方法 |
CN111815630A (zh) * | 2020-08-28 | 2020-10-23 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN113012121A (zh) * | 2021-03-09 | 2021-06-22 | 普迪飞半导体技术(上海)有限公司 | 裸片扫描结果的处理方法、装置、电子设备与存储介质 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN114998354A (zh) * | 2022-08-08 | 2022-09-02 | 江苏多孚多智能装备科技有限公司 | 基于图形滤波的钢带辊印检测方法 |
-
2022
- 2022-09-07 CN CN202211086547.9A patent/CN115170567B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090153997A1 (en) * | 2007-06-21 | 2009-06-18 | Samsung Electronics Co., Ltd. | Method operating hard disk drive on the basis of predicted defect using hierarchical clustering and curve fit |
JP2009216475A (ja) * | 2008-03-08 | 2009-09-24 | Kanto Auto Works Ltd | 表面検査システム及びこれを用いた表面検査方法 |
CN111815630A (zh) * | 2020-08-28 | 2020-10-23 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN113012121A (zh) * | 2021-03-09 | 2021-06-22 | 普迪飞半导体技术(上海)有限公司 | 裸片扫描结果的处理方法、装置、电子设备与存储介质 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN114998354A (zh) * | 2022-08-08 | 2022-09-02 | 江苏多孚多智能装备科技有限公司 | 基于图形滤波的钢带辊印检测方法 |
Non-Patent Citations (2)
Title |
---|
FRANCISCO G. BULNES等: "A Technique for Clustering Individual Defects from Images of Steel Strips with Periodical Defects", 《MVA2011 IAPR CONFERENCE ON MACHINE VISION APPLICATIONS》 * |
匡平等: "基于尺度乘积的X射线焊缝区域提取算法研究", 《电子科技大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330761A (zh) * | 2022-10-12 | 2022-11-11 | 深圳市深创高科电子有限公司 | 一种用于电子产品的表面印刷移位缺陷识别方法 |
CN115375675A (zh) * | 2022-10-24 | 2022-11-22 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像数据的煤炭质量检测方法 |
CN116363136A (zh) * | 2023-06-01 | 2023-06-30 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及系统 |
CN116363136B (zh) * | 2023-06-01 | 2023-08-11 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115170567B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170567B (zh) | 一种船舶用的防水钢板缺陷检测方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN103093203A (zh) | 一种人体再识别方法以及人体再识别系统 | |
CN115496760B (zh) | 一种阿胶品质鉴定方法 | |
CN103810722A (zh) | 结合改进的lbp纹理和色度信息的运动目标检测方法 | |
CN111626249B (zh) | 题目图像中几何图形的识别方法、装置和计算机存储介质 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN105488475B (zh) | 手机中人脸检测方法 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
CN106600613B (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN113706523A (zh) | 基于人工智能技术的皮带跑偏及异常运行状态的监测方法 | |
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 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116977342B (zh) | 基于图像分割的pcb板线路检测方法 | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
Saidane et al. | Robust binarization for video text recognition | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
CN113435219B (zh) | 防伪检测方法、装置、电子设备及存储介质 | |
CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 |
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 |