CN115170576A - 基于机器视觉的铝管表面缺陷检测方法 - Google Patents

基于机器视觉的铝管表面缺陷检测方法 Download PDF

Info

Publication number
CN115170576A
CN115170576A CN202211098523.5A CN202211098523A CN115170576A CN 115170576 A CN115170576 A CN 115170576A CN 202211098523 A CN202211098523 A CN 202211098523A CN 115170576 A CN115170576 A CN 115170576A
Authority
CN
China
Prior art keywords
sliding window
central pixel
pixel point
gray
point
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
Application number
CN202211098523.5A
Other languages
English (en)
Other versions
CN115170576B (zh
Inventor
李光祜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Zhongfa New Material Technology Co ltd
Original Assignee
Shandong Zhongfa New Material Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Zhongfa New Material Technology Co ltd filed Critical Shandong Zhongfa New Material Technology Co ltd
Priority to CN202211098523.5A priority Critical patent/CN115170576B/zh
Publication of CN115170576A publication Critical patent/CN115170576A/zh
Application granted granted Critical
Publication of CN115170576B publication Critical patent/CN115170576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理领域，具体涉及一种基于机器视觉的铝管表面缺陷检测方法，包括：获取铝管去噪前的灰度图；对去噪前的灰度图进行滑窗，将滑窗中心点分为非边缘点或边缘点；获取各滑窗尺寸下去噪后的灰度图：当中心点为非边缘点时，利用滑窗非中心点与中心点的灰度值得到非边缘点去噪后的灰度值；当中心点为边缘点时，利用滑窗过中心点的各方向上的像素点灰度值、中心点的灰度值，得到边缘点去噪后的灰度值；得到各滑窗尺寸下去噪后的灰度图的信噪比，进而得到最优滑窗尺寸；对最优滑窗尺寸下去噪后的灰度图进行阈值分割，利用得到的目标区域和背景区域判断铝管表面是否存在缺陷。上述方法用于铝管的缺陷检测，可提高检测准确度。

Description

基于机器视觉的铝管表面缺陷检测方法
技术领域
本发明涉及图像数据处理领域，具体涉及一种基于机器视觉的铝管表面缺陷检测方法。
背景技术
铝管是一种常用的管材，被广泛用于建筑工业和汽车产业等领域。因铝管的重量轻、尺寸小而且耐腐蚀性好、使用寿命长，所以铝管作为一种常见的冷却管用于汽车散热器上，冷却管是汽车散热器中的重要组成部分。铝管在生产运输过程中可能会有所损坏，所以在铝管与散热片装配成散热器芯之前，铝管需要检测缺陷并分拣。
相较于传统的人工检测方式，现在主要采用机器视觉方法对铝管表面进行缺陷检测：先对采集的铝管表面图像进行去噪，然后对去噪后的铝管表面图像进行阈值分割得到缺陷区域。机器视觉方法具有无接触、无损伤、且效率高的优点。
但是，由于存在缺陷的铝管表面图像内含有大量边缘细节，现有的图像滤波算法在去除噪声的同时会使图像的边缘模糊，会造成缺陷区域的误分，从而降低了利用机器视觉对铝管缺陷检测的准确度。
发明内容
本发明提供一种基于机器视觉的铝管表面缺陷检测方法，以解决现有的铝管表面缺陷检测方法准确度低的问题。
为达到上述目的，本发明采用如下技术方案，一种基于机器视觉的铝管表面缺陷检测方法，包括：
S1：获取待检测铝管去噪前的全景区域灰度图；
S2：将每一种滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点：
S201：设置滑窗尺寸，对去噪前的全景区域灰度图进行滑窗遍历，利用每一种滑窗尺寸下各个滑窗窗口内中心像素点和非中心像素点的灰度值，计算得到该滑窗窗口内各个非中心像素点与中心像素点的相似概率；
S202：利用每一种滑窗尺寸下各个滑窗窗口内各个非中心像素点与中心像素点的相似概率将该滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点；
S3：分别采用不同的去噪方法对非边缘点或边缘点进行去噪，获取每一种滑窗尺寸下去噪后的全景区域灰度图：
S301：当每一种滑窗尺寸下滑窗窗口内的中心像素点为非边缘点时，则利用该滑窗窗口内每一个非中心像素点与中心像素点的相似概率、每一个非中心像素点的灰度值，计算得到每一种滑窗尺寸下非边缘点去噪后的灰度值；
S302：当每一种滑窗尺寸下滑窗窗口内的中心像素点为边缘点时，则利用该滑窗窗口内过中心像素点的各个方向上的像素点灰度值距离加权均值、中心像素点的灰度值，计算得到每一种滑窗尺寸下边缘点去噪后的灰度值；
S4：利用每一种滑窗尺寸下去噪后的全景区域灰度图中各像素点的灰度值、去噪前的全景区域灰度图中像素点的数量和各像素点的灰度值，计算得到每一种滑窗尺寸下去噪后的全景区域灰度图的信噪比；
S5：将去噪后的全景区域灰度图的信噪比最大时对应的滑窗尺寸作为最优的滑窗尺寸，利用最优的滑窗尺寸下非边缘点去噪后的灰度值、边缘点去噪后的灰度值得到最优滑窗尺寸下去噪后的全景区域灰度图；
S6：对最优滑窗尺寸下去噪后的全景区域灰度图进行阈值分割，获取最优滑窗尺寸下去噪后的全景区域灰度图中的目标区域和背景区域；
S7：利用目标区域和背景区域中所有像素点的灰度值均值判断待检测铝管表面是否存在缺陷。
所述一种基于机器视觉的铝管表面缺陷检测方法，所述非边缘点包括噪声点和类内区域点，其中类内区域点指的是灰度值相似的同一种类的像素点。
所述一种基于机器视觉的铝管表面缺陷检测方法，所述将该滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点的过程具体如下：
设置不同的滑窗尺寸，对去噪前的全景区域灰度图进行滑窗遍历，对每一种滑窗尺寸下的所有滑窗窗口进行如下操作：
利用各个滑窗窗口内中心像素点的灰度值和非中心像素点的灰度值，计算得到该滑窗窗口内各个非中心像素点与中心像素点的相似概率；
设置相似概率阈值，统计各个滑窗窗口内与中心像素点的相似概率大于相似概率阈值的非中心像素点的数量；
统计各个滑窗窗口内非中心像素点的数量；
将各个滑窗窗口内与中心像素点的相似概率大于相似概率阈值的非中心像素点的数量和该滑窗窗口内非中心像素点的数量进行作比，得到各个滑窗窗口内非中心像素点与中心像素点的相似比例；
设置第一相似比例阈值和第二相似比例阈值，对各个滑窗窗口内非中心像素点与中心像素点的相似比例进行判断：
当滑窗窗口内非中心像素点与中心像素点的相似比例小于等于第一相似比例阈值时，则该滑窗窗口内的中心像素点为噪声点，即该滑窗窗口内的中心像素点为非边缘点；
当滑窗窗口内非中心像素点与中心像素点的相似比例大于等于第二相似比例阈值时，则该滑窗窗口内的中心像素点为类内区域点，即该滑窗窗口内的中心像素点为非边缘点；
当滑窗窗口内非中心像素点与中心像素点的相似比例大于第一相似比例阈值且小于第二相似比例阈值时，则该滑窗窗口内的中心像素点为边缘点。
所述一种基于机器视觉的铝管表面缺陷检测方法，所述每一种滑窗尺寸下非边缘点去噪后的灰度值是按照如下方式得到：
当每一种滑窗尺寸下滑窗窗口内的中心像素点为非边缘点时，则将该滑窗窗口内每一个非中心像素点与中心像素点的相似概率进行归一化处理，得到该滑窗窗口内每一个非中心像素点与中心像素点的归一化后的相似概率；
利用滑窗窗口内每一个非中心像素点与中心像素点的归一化后的相似概率、每一个非中心像素点的灰度值，计算得到该滑窗窗口内中心像素点的替换值；
将滑窗窗口内中心像素点的替换值作为每一种滑窗尺寸下非边缘点去噪后的灰度值。
所述一种基于机器视觉的铝管表面缺陷检测方法，所述每一种滑窗尺寸下边缘点去噪后的灰度值是按照如下方式得到：
当每一种滑窗尺寸下滑窗窗口内的中心像素点为边缘点时，则进行如下操作：
以滑窗窗口内的中心像素点为端点，作水平向右的射线，将射线与滑窗窗口的交点到端点之间的线段作为第一线段；
统计第一线段上非中心像素点的数量，利用第一线段上非中心像素点的数量、位置、灰度值以及中心像素点的灰度值，计算得到第一线段上的像素点灰度值距离加权均值；
以滑窗窗口内的中心像素点为端点，作与第一线段的夹角为45°的射线，将射线与滑窗窗口的交点到端点之间的线段作为第二线段，按照得到第一线段上的像素点灰度值距离加权均值的方法得到第二线段上的像素点灰度值距离加权均值；
按照得到第二线段上的像素点灰度值距离加权均值的方法得到第三线段上的像素点灰度值距离加权均值，依此类推，得到第四线段至第八线段上的像素点灰度值距离加权均值；
分别计算滑窗窗口内的中心像素点的灰度值与每一条线段上的像素点灰度值距离加权均值之间的差值，将差值最小时对应的线段上的像素点灰度值距离加权均值作为该中心像素点的替换值；
将滑窗窗口内中心像素点的替换值作为每一种滑窗尺寸下边缘点去噪后的灰度值。
所述一种基于机器视觉的铝管表面缺陷检测方法，所述判断待检测铝管表面是否存在缺陷的过程具体如下：
利用大津算法对最优滑窗尺寸下去噪后的全景区域灰度图进行阈值分割，获取最优滑窗尺寸下去噪后的全景区域灰度图中的目标区域和背景区域；
分别计算目标区域和背景区域中所有像素点的灰度值均值，并将两个灰度值均值进行做差，得到目标区域和背景区域的灰度值差值；
按照得到最优滑窗尺寸下去噪后的全景区域灰度图的方法得到无缺陷铝管去噪后的全景区域灰度图；
计算无缺陷铝管去噪后的全景区域灰度图中所有像素点的灰度值均值；
根据无缺陷铝管去噪后的全景区域灰度图中所有像素点的灰度值均值设置灰度值差值阈值，对目标区域和背景区域的灰度值差值进行判断：当目标区域和背景区域的灰度值差值大于灰度值差值阈值时，则判断该目标区域为缺陷区域，即待检测铝管表面存在缺陷。
所述一种基于机器视觉的铝管表面缺陷检测方法，所述待检测铝管去噪前的全景区域灰度图是按照如下方式获取：
采集待检测铝管去噪前的
Figure DEST_PATH_IMAGE001
表面图像；
对待检测铝管去噪前的
Figure 921121DEST_PATH_IMAGE001
表面图像进行语义分割，得到待检测铝管去噪前的
Figure 827897DEST_PATH_IMAGE001
铝管区域图像；
利用双线性插值法将待检测铝管去噪前的
Figure 717355DEST_PATH_IMAGE001
铝管区域图像进行拼接，得到待检测铝管去噪前的全景区域图像；
对待检测铝管去噪前的全景区域图像进行灰度化处理，获取待检测铝管去噪前的全景区域灰度图。
本发明的有益效果是：本发明根据铝管图像中各像素点的特征，将铝管图像中所有像素点进行分类，通过得到边缘点，实现对边缘细节的保护。本发明对不同种类的像素点采取不同的方式进行去噪，可以在保护图像边缘细节的同时提升图像类内区域的平滑效果。本发明通过提高图像的去噪效果来获得高质量图像，进而对高质量图像进行阈值分割，获取准确的缺陷区域，可有效提高对铝管缺陷检测的准确度。
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，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地介绍，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他的附图。
图1为本发明实施例提供的一种基于机器视觉的铝管表面缺陷检测方法流程示意图；
图2为本发明实施例提供的一种基于机器视觉的铝管表面缺陷检测方法中S2的流程示意图；
图3为本发明实施例提供的一种基于机器视觉的铝管表面缺陷检测方法中S3的流程示意图；
图4为本发明实施例提供的一种铝管表面图像采集装置示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的主要目的是：利用计算机视觉技术处理采集的铝管表面全景图像，然后对图像内的像素点进行分类，进而根据各像素点的邻域灰度值统计特性进行图像去噪处理，其在保护图像边缘的同时，提升图像类内区域的平滑效果，获得高质量图像，最后利用阈值分割，获取缺陷区域。
在相机拍摄过程或图像传输过程中，铝管表面全景图像会含有大量噪声，现有的去噪算法会模糊图像边缘，影响后续的缺陷分割。因此，本发明提供一种基于机器视觉的铝管表面缺陷检测方法，以解决现有的铝管表面缺陷检测方法准确度低的问题。
本发明的一种基于机器视觉的铝管表面缺陷检测方法的实施例，如图1所示，包括：
S1：获取待检测铝管去噪前的全景区域灰度图。
本实施例需要识别铝管表面的缺陷区域，所以需要采集铝管的全景图像，并且由于金属表面的全光谱强反射作用，需要保证物体布光均匀。图像采集装置如图4所示：使用机械卡爪旋转铝管，每隔90°拍摄一张图像，每个铝管拍摄4张图像。选择两个漫反射LED光源进行两侧给光，从而能够获得光照均匀分布的铝管全景表面图像。至此，得到铝管的
Figure 658767DEST_PATH_IMAGE001
表面图像。
本实施例采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下：
使用的数据集为俯视采集的检测装置上铝管图像数据集。
需要分割的像素点，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素点属于背景类的标注为0，属于铝管表面的标注为1。
网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
至此，通过DNN实现了检测装置上铝管图像的处理，获得了图像中的铝管区域图像。然后对同一铝管采集的4张铝管区域图像，利用双线性插值法进行拼接，获取铝管全景区域图像。
对铝管全景区域图像进行灰度化处理，获取铝管去噪前的全景区域灰度图。
S2：将每一种滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点。
图像内的像素点可分为边缘点、噪声点和类内区域点，其类内区域点表示灰度值相似的同一种类的像素点。对不同种类的像素点进行不同的平滑去噪处理。为保护图像边缘像素点，对该类像素点的邻域像素点灰度值进行分析，根据其统计特征进行去噪处理。将每一种滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点的过程如图2所示。
若窗口内中心像素点为噪声点，则该像素点与其大部分邻域像素点灰度差异较大；若窗口内中心像素点为边缘点，则该像素点与其邻域像素点的一部分灰度差异较大，另一部分灰度差异较小，且两部分像素点数量相似；若窗口内中心像素点为类内区域点，则该像素点与其大部分邻域像素点灰度差异较小。
S201：设置滑窗尺寸，对去噪前的全景区域灰度图进行滑窗遍历，利用每一种滑窗尺寸下各个滑窗窗口内中心像素点和非中心像素点的灰度值，计算得到该滑窗窗口内各个非中心像素点与中心像素点的相似概率。
首先设置一个方形窗口，其尺寸为奇数，尺寸为
Figure 37795DEST_PATH_IMAGE002
。对全景区域灰度图进行逐像素点遍历，若遍历像素点处于图像边缘处，则只分析窗口内含有的部分图像像素点。令遍历像素点坐标为(x,y)，其为窗口内的中心像素点，计算某一窗口内各非中心像素点与中心像素点的相似概率
Figure DEST_PATH_IMAGE003
为：
Figure DEST_PATH_IMAGE005
式中，
Figure 630537DEST_PATH_IMAGE003
表示窗口内第i个非中心像素点与中心像素点的相似概率，
Figure 323687DEST_PATH_IMAGE006
表示该窗口内中心像素点的灰度值，
Figure DEST_PATH_IMAGE007
表示该窗口内第i个非中心像素点的灰度值，H表示该窗口内像素点的数量。式中分母加1是为了防止分母为0，当
Figure 572134DEST_PATH_IMAGE008
越大时，相似概率越小。由此获得该窗口内H-1个非中心像素点与中心像素点的相似概率。此处利用非中心像素点和中心像素点的灰度值差值计算得到两者的相似概率，是因为非中心像素点和中心像素点的灰度值差值越小，说明两者越相似。
S202：利用每一种滑窗尺寸下各个滑窗窗口内各个非中心像素点与中心像素点的相似概率将该滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点。
统计该窗口内与中心像素点相似概率大于80%的非中心像素点数量为K，计算其在窗口内非中心像素点数量的占比，若
Figure DEST_PATH_IMAGE009
，则判断该窗口内的中心像素点为类内区域点；若
Figure 794168DEST_PATH_IMAGE010
，则判断该窗口内的中心像素点为噪声点；若
Figure DEST_PATH_IMAGE011
，则判断该窗口内的中心像素点为边缘点。
S3：分别采用不同的去噪方法对非边缘点或边缘点进行去噪，获取每一种滑窗尺寸下去噪后的全景区域灰度图。
根据图像和噪声之间的相互关系将噪声划分为加性噪声、乘性噪声和量化噪声三种形式，根据不同种类像素点的窗口内的像素点灰度值统计特征，使用不同的加权均值，进行平滑去噪。获取每一种滑窗尺寸下去噪后的全景区域灰度图的过程如图3所示。
S301：当每一种滑窗尺寸下滑窗窗口内的中心像素点为非边缘点时，则利用该滑窗窗口内每一个非中心像素点与中心像素点的相似概率、每一个非中心像素点的灰度值，计算得到每一种滑窗尺寸下非边缘点去噪后的灰度值。
若窗口内中心像素点为类内区域点，则用窗口内非中心像素点的灰度值相似概率加权均值对中心像素点的灰度值进行替换，先对该窗口内所有非中心像素点与中心像素点的相似概率集合
Figure 393646DEST_PATH_IMAGE012
进行归一化操作，获得集合
Figure DEST_PATH_IMAGE013
。则窗口内中心像素点的替换值W的计算公式为：
Figure DEST_PATH_IMAGE015
其中H表示该窗口内像素点的数量，
Figure 811857DEST_PATH_IMAGE007
表示该窗口内第i个非中心像素点的灰度值，
Figure 462282DEST_PATH_IMAGE016
表示该窗口内第i个非中心像素点的权值，且权值和为1。
Figure 120796DEST_PATH_IMAGE016
指的是窗口内第i个非中心像素点与中心像素点的相似概率归一化后的值。因为窗口内中心像素点为类内区域点，故其与非中心像素点的相似概率
Figure 489461DEST_PATH_IMAGE003
越大，权值
Figure 773680DEST_PATH_IMAGE016
越大。用以实现图像中类内区域的平滑去噪。此处利用窗口内非中心像素点的灰度值相似概率加权均值对中心像素点的灰度值进行替换，是因为若窗口内中心像素点为类内区域点，则该像素点与其大部分邻域像素点灰度差异较小。
若该窗口内中心像素点为噪声点，也用窗口内非中心像素点的灰度值相似概率加权均值对中心像素点的灰度值进行替换，窗口内中心像素点的替换值Q的计算公式为：
Figure 544190DEST_PATH_IMAGE018
其中H表示该窗口内像素点的数量，
Figure 373606DEST_PATH_IMAGE007
表示该窗口内第i个非中心像素点的灰度值，
Figure DEST_PATH_IMAGE019
表示该窗口内第i个非中心像素点的权值，且权值和为1。
Figure 947676DEST_PATH_IMAGE016
指的是窗口内第i个非中心像素点与中心像素点的相似概率归一化后的值。因为窗口中心像素点为噪声点，故其与非中心像素点的相似概率
Figure 786319DEST_PATH_IMAGE003
越大，权值
Figure 942493DEST_PATH_IMAGE019
应越小。用以实现图像中噪声点的平滑去噪。此处利用窗口内非中心像素点的灰度值相似概率加权均值对中心像素点的灰度值进行替换，是因为若窗口内中心像素点为噪声点，则该像素点与其大部分邻域像素点灰度差异较大。
S302：当每一种滑窗尺寸下滑窗窗口内的中心像素点为边缘点时，则利用该滑窗窗口内过中心像素点的各个方向上的像素点灰度值距离加权均值、中心像素点的灰度值，计算得到每一种滑窗尺寸下边缘点去噪后的灰度值。
若窗口内中心像素点为边缘点，则窗口内中心像素点必与某一方向上的像素点的灰度值相似。且同方向上距离中心像素点越近，灰度值相似的概率越大。
以该窗口内中心像素点为起点，分别沿0°、45°、90°、135°、180°、225°、270°、315°，共8个方向上进行遍历。分别计算8个方向上的像素点灰度值距离加权均值为：
Figure DEST_PATH_IMAGE021
其中
Figure 677231DEST_PATH_IMAGE022
为窗口内中心像素点的灰度值，j表示该窗口内中心像素点的遍历方向，
Figure DEST_PATH_IMAGE023
表示j方向上的像素点灰度值距离加权均值，
Figure 473018DEST_PATH_IMAGE024
表示j方向上第q个像素点的灰度值，
Figure DEST_PATH_IMAGE025
表示尺寸为
Figure 584193DEST_PATH_IMAGE002
的窗口内中心像素点沿j方向上的像素点数量，其不包括中心像素点。令相邻像素点的距离为1，则中心像素点至j方向上所有像素点的距离之和为
Figure 312984DEST_PATH_IMAGE026
，q表示j方向上第q个像素点，即中心像素点至第q个像素点的距离。此处利用各方向上像素点的位置和灰度值来计算得到各方向上的像素点灰度值距离加权均值，是因为边缘点必与窗口内某一方向上的像素点的灰度值相似，且同方向上距离中心像素点越近，灰度值相似的概率越大。
已知该窗口内的中心像素点为边缘点，则该点必沿一方向构成一类区域的边缘线，该边缘线上的像素点的相似概率最大。故取中心像素点与8个方向上的像素点灰度值距离加权均值差异最小时的方向为：
Figure 749781DEST_PATH_IMAGE028
其中
Figure 314755DEST_PATH_IMAGE006
为该窗口内中心像素点的灰度值，
Figure 495200DEST_PATH_IMAGE023
表示j方向上的像素点灰度值距离加权均值。
Figure DEST_PATH_IMAGE029
函数表示取最小下标值函数，用于获取两者差异最小时的方向下标
Figure 547339DEST_PATH_IMAGE030
。
Figure 155038DEST_PATH_IMAGE030
表示与中心像素点的灰度值差异最小时，像素点灰度值距离加权均值对应的方向。此处通过计算8个方向上的像素点灰度值距离加权均值与中心像素点的灰度值差异来得到边缘线的方向，是因为边缘点必沿一方向构成一类区域的边缘线，该边缘线上的像素点的相似概率最大。
此时该窗口内中心像素点在方向
Figure 207307DEST_PATH_IMAGE030
上的像素点为其边缘线，令中心像素点的灰度值为
Figure DEST_PATH_IMAGE031
，用以保护图像边缘像素点。
对全景区域灰度图内所有像素点进行平滑去噪处理，获得去噪后的全景区域灰度图。
S4：利用每一种滑窗尺寸下去噪后的全景区域灰度图中各像素点的灰度值、去噪前的全景区域灰度图中像素点的数量和各像素点的灰度值，计算得到每一种滑窗尺寸下去噪后的全景区域灰度图的信噪比。
本实施例中的窗口为方形，尺寸为
Figure 643974DEST_PATH_IMAGE002
，令d={1,2,3,4,5}，实施者可根据需求自行设定d的取值范围。
由此获取不同尺寸的方形窗口进行去噪后的图像，图像的信噪比的计算公式如下：
Figure DEST_PATH_IMAGE033
其中M和N分别表示去噪前的全景区域灰度图的横向和纵向上的像素点数量，
Figure 566930DEST_PATH_IMAGE034
表示去噪前的全景区域灰度图中坐标为
Figure DEST_PATH_IMAGE035
的像素点灰度值，
Figure 63640DEST_PATH_IMAGE036
表示尺寸为
Figure DEST_PATH_IMAGE037
方形窗口时，去噪后的全景区域灰度图中坐标为
Figure 72047DEST_PATH_IMAGE035
的像素点灰度值。
Figure 843563DEST_PATH_IMAGE038
表示尺寸为
Figure DEST_PATH_IMAGE039
下去噪后的全景区域灰度图的信噪比。
Figure 621026DEST_PATH_IMAGE040
( )表示以10为底的对数函数。
Figure DEST_PATH_IMAGE041
的取值不同时，代表方形窗口尺寸不同。此处利用去噪前后的全景区域灰度图中像素点的灰度值计算得到不同尺寸下的图像信噪比，是因为信噪比指的是信号和噪声的比例，将去噪前后的全景区域灰度图中像素点的灰度值进行作差得到噪声信息，将去噪前的全景区域灰度图作为信号信息，利用噪声信息和信号信息即可得到信噪比。信噪比越大，去噪效果越高。利用信噪比来获取最优的窗口尺寸。
S5：将去噪后的全景区域灰度图的信噪比最大时对应的滑窗尺寸作为最优的滑窗尺寸，利用最优的滑窗尺寸下非边缘点去噪后的灰度值、边缘点去噪后的灰度值得到最优滑窗尺寸下去噪后的全景区域灰度图。
已知图像的信噪比越大，去噪后的图像质量越好，故去噪效果最好时方形窗口的尺寸中d的值为：
Figure DEST_PATH_IMAGE043
其中
Figure 757478DEST_PATH_IMAGE038
表示尺寸为
Figure 253182DEST_PATH_IMAGE039
下去噪后的全景区域灰度图的信噪比，
Figure 579121DEST_PATH_IMAGE044
函数表示取最大下标值函数，用于获取信噪比最大时的下标
Figure DEST_PATH_IMAGE045
。
Figure 725937DEST_PATH_IMAGE045
表示去噪效果最好时方形窗口的尺寸为
Figure 846340DEST_PATH_IMAGE046
。此处是根据信噪比越大，去噪效果越好，所以将信噪比最大值对应的窗口尺寸作为最优窗口尺寸。
由此可知最佳的方形窗口尺寸为
Figure DEST_PATH_IMAGE047
，对铝管全景区域灰度图进行平滑去噪。
S6：对最优滑窗尺寸下去噪后的全景区域灰度图进行阈值分割，获取最优滑窗尺寸下去噪后的全景区域灰度图中的目标区域和背景区域。
获得平滑去噪后的铝管全景区域灰度图，统计图像的灰度直方图，利用大津阈值求取灰度直方图上的最佳分割阈值，令图像中像素点灰度值大于最佳分割阈值的为目标区域，标记像素点为1，否则为背景区域，标记像素点为0。不同图像的最佳分割阈值不同，具体阈值可根据具体实施方式得到。
S7：利用目标区域和背景区域中所有像素点的灰度值均值判断待检测铝管表面是否存在缺陷。
由于无论铝管去噪后的全景区域灰度图中是否有缺陷，大津算法必会对图像进行分割，因此需要进一步分析分割的目标区域是否为缺陷区域。计算目标区域内的像素点灰度值均值
Figure 78607DEST_PATH_IMAGE048
和背景区域内的像素点灰度值均值
Figure DEST_PATH_IMAGE049
，取两平均灰度值的差值
Figure 411499DEST_PATH_IMAGE050
为：
Figure 429134DEST_PATH_IMAGE052
其中
Figure 235285DEST_PATH_IMAGE050
的值越小，说明分割的两区域灰度值均值越接近，目标区域为缺陷区域的可能性越小。
按照得到最优滑窗尺寸下去噪后的全景区域灰度图的方法得到无缺陷铝管去噪后的全景区域灰度图。取20组无缺陷铝管去噪后的全景区域灰度图，计算每个无缺陷铝管去噪后的全景区域灰度图的
Figure 971160DEST_PATH_IMAGE050
’，计算这组数据的均值
Figure DEST_PATH_IMAGE053
，以
Figure 107743DEST_PATH_IMAGE054
作为灰度值差值阈值，不同数据的均值不同，具体阈值可根据具体实施方式具体设置。当此铝管去噪后的全景区域灰度图的
Figure DEST_PATH_IMAGE055
时，判断分割的目标区域为缺陷区域，否则判断此铝管表面无缺陷。
最后控制分拣设备对表面含有缺陷的铝管进行分拣。
以上所述仅为本发明的较佳实施例而已，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 (7)

1.一种基于机器视觉的铝管表面缺陷检测方法，其特征在于，包括：
S1：获取待检测铝管去噪前的全景区域灰度图；
S2：将每一种滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点：
S201：设置滑窗尺寸，对去噪前的全景区域灰度图进行滑窗遍历，利用每一种滑窗尺寸下各个滑窗窗口内中心像素点和非中心像素点的灰度值，计算得到该滑窗窗口内各个非中心像素点与中心像素点的相似概率；
S202：利用每一种滑窗尺寸下各个滑窗窗口内各个非中心像素点与中心像素点的相似概率将该滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点；
S3：分别采用不同的去噪方法对非边缘点或边缘点进行去噪，获取每一种滑窗尺寸下去噪后的全景区域灰度图：
S301：当每一种滑窗尺寸下滑窗窗口内的中心像素点为非边缘点时，则利用该滑窗窗口内每一个非中心像素点与中心像素点的相似概率、每一个非中心像素点的灰度值，计算得到每一种滑窗尺寸下非边缘点去噪后的灰度值；
S302：当每一种滑窗尺寸下滑窗窗口内的中心像素点为边缘点时，则利用该滑窗窗口内过中心像素点的各个方向上的像素点灰度值距离加权均值、中心像素点的灰度值，计算得到每一种滑窗尺寸下边缘点去噪后的灰度值；
S4：利用每一种滑窗尺寸下去噪后的全景区域灰度图中各像素点的灰度值、去噪前的全景区域灰度图中像素点的数量和各像素点的灰度值，计算得到每一种滑窗尺寸下去噪后的全景区域灰度图的信噪比；
S5：将去噪后的全景区域灰度图的信噪比最大时对应的滑窗尺寸作为最优的滑窗尺寸，利用最优的滑窗尺寸下非边缘点去噪后的灰度值、边缘点去噪后的灰度值得到最优滑窗尺寸下去噪后的全景区域灰度图；
S6：对最优滑窗尺寸下去噪后的全景区域灰度图进行阈值分割，获取最优滑窗尺寸下去噪后的全景区域灰度图中的目标区域和背景区域；
S7：利用目标区域和背景区域中所有像素点的灰度值均值判断待检测铝管表面是否存在缺陷。
2.根据权利要求1所述的一种基于机器视觉的铝管表面缺陷检测方法，其特征在于，所述非边缘点包括噪声点和类内区域点，其中类内区域点指的是灰度值相似的同一种类的像素点。
3.根据权利要求1所述的一种基于机器视觉的铝管表面缺陷检测方法，其特征在于，所述将该滑窗尺寸下各个滑窗窗口内的中心像素点分为非边缘点或边缘点的过程具体如下：
设置不同的滑窗尺寸，对去噪前的全景区域灰度图进行滑窗遍历，对每一种滑窗尺寸下的所有滑窗窗口进行如下操作：
利用各个滑窗窗口内中心像素点的灰度值和非中心像素点的灰度值，计算得到该滑窗窗口内各个非中心像素点与中心像素点的相似概率；
设置相似概率阈值，统计各个滑窗窗口内与中心像素点的相似概率大于相似概率阈值的非中心像素点的数量；
统计各个滑窗窗口内非中心像素点的数量；
将各个滑窗窗口内与中心像素点的相似概率大于相似概率阈值的非中心像素点的数量和该滑窗窗口内非中心像素点的数量进行作比，得到各个滑窗窗口内非中心像素点与中心像素点的相似比例；
设置第一相似比例阈值和第二相似比例阈值，对各个滑窗窗口内非中心像素点与中心像素点的相似比例进行判断：
当滑窗窗口内非中心像素点与中心像素点的相似比例小于等于第一相似比例阈值时，则该滑窗窗口内的中心像素点为噪声点，即该滑窗窗口内的中心像素点为非边缘点；
当滑窗窗口内非中心像素点与中心像素点的相似比例大于等于第二相似比例阈值时，则该滑窗窗口内的中心像素点为类内区域点，即该滑窗窗口内的中心像素点为非边缘点；
当滑窗窗口内非中心像素点与中心像素点的相似比例大于第一相似比例阈值且小于第二相似比例阈值时，则该滑窗窗口内的中心像素点为边缘点。
4.根据权利要求1所述的一种基于机器视觉的铝管表面缺陷检测方法，其特征在于，所述每一种滑窗尺寸下非边缘点去噪后的灰度值是按照如下方式得到：
当每一种滑窗尺寸下滑窗窗口内的中心像素点为非边缘点时，则将该滑窗窗口内每一个非中心像素点与中心像素点的相似概率进行归一化处理，得到该滑窗窗口内每一个非中心像素点与中心像素点的归一化后的相似概率；
利用滑窗窗口内每一个非中心像素点与中心像素点的归一化后的相似概率、每一个非中心像素点的灰度值，计算得到该滑窗窗口内中心像素点的替换值；
将滑窗窗口内中心像素点的替换值作为每一种滑窗尺寸下非边缘点去噪后的灰度值。
5.根据权利要求1所述的一种基于机器视觉的铝管表面缺陷检测方法，其特征在于，所述每一种滑窗尺寸下边缘点去噪后的灰度值是按照如下方式得到：
当每一种滑窗尺寸下滑窗窗口内的中心像素点为边缘点时，则进行如下操作：
以滑窗窗口内的中心像素点为端点，作水平向右的射线，将射线与滑窗窗口的交点到端点之间的线段作为第一线段；
统计第一线段上非中心像素点的数量，利用第一线段上非中心像素点的数量、位置、灰度值以及中心像素点的灰度值，计算得到第一线段上的像素点灰度值距离加权均值；
以滑窗窗口内的中心像素点为端点，作与第一线段的夹角为45°的射线，将射线与滑窗窗口的交点到端点之间的线段作为第二线段，按照得到第一线段上的像素点灰度值距离加权均值的方法得到第二线段上的像素点灰度值距离加权均值；
按照得到第二线段上的像素点灰度值距离加权均值的方法得到第三线段上的像素点灰度值距离加权均值，依此类推，得到第四线段至第八线段上的像素点灰度值距离加权均值；
分别计算滑窗窗口内的中心像素点的灰度值与每一条线段上的像素点灰度值距离加权均值之间的差值，将差值最小时对应的线段上的像素点灰度值距离加权均值作为该中心像素点的替换值；
将滑窗窗口内中心像素点的替换值作为每一种滑窗尺寸下边缘点去噪后的灰度值。
6.根据权利要求1所述的一种基于机器视觉的铝管表面缺陷检测方法，其特征在于，所述判断待检测铝管表面是否存在缺陷的过程具体如下：
利用大津算法对最优滑窗尺寸下去噪后的全景区域灰度图进行阈值分割，获取最优滑窗尺寸下去噪后的全景区域灰度图中的目标区域和背景区域；
分别计算目标区域和背景区域中所有像素点的灰度值均值，并将两个灰度值均值进行做差，得到目标区域和背景区域的灰度值差值；
按照得到最优滑窗尺寸下去噪后的全景区域灰度图的方法得到无缺陷铝管去噪后的全景区域灰度图；
计算无缺陷铝管去噪后的全景区域灰度图中所有像素点的灰度值均值；
根据无缺陷铝管去噪后的全景区域灰度图中所有像素点的灰度值均值设置灰度值差值阈值，对目标区域和背景区域的灰度值差值进行判断：当目标区域和背景区域的灰度值差值大于灰度值差值阈值时，则判断该目标区域为缺陷区域，即待检测铝管表面存在缺陷。
7.根据权利要求1所述的一种基于机器视觉的铝管表面缺陷检测方法，其特征在于，所述待检测铝管去噪前的全景区域灰度图是按照如下方式获取：
采集待检测铝管去噪前的
Figure 305598DEST_PATH_IMAGE001
表面图像；
对待检测铝管去噪前的
Figure 361279DEST_PATH_IMAGE001
表面图像进行语义分割，得到待检测铝管去噪前的
Figure 381187DEST_PATH_IMAGE001
铝管区域图像；
利用双线性插值法将待检测铝管去噪前的
Figure 649358DEST_PATH_IMAGE001
铝管区域图像进行拼接，得到待检测铝管去噪前的全景区域图像；
对待检测铝管去噪前的全景区域图像进行灰度化处理，获取待检测铝管去噪前的全景区域灰度图。
CN202211098523.5A 2022-09-09 2022-09-09 基于机器视觉的铝管表面缺陷检测方法 Active CN115170576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211098523.5A CN115170576B (zh) 2022-09-09 2022-09-09 基于机器视觉的铝管表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211098523.5A CN115170576B (zh) 2022-09-09 2022-09-09 基于机器视觉的铝管表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115170576A true CN115170576A (zh) 2022-10-11
CN115170576B CN115170576B (zh) 2022-12-06

Family

ID=83482473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211098523.5A Active CN115170576B (zh) 2022-09-09 2022-09-09 基于机器视觉的铝管表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115170576B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330769A (zh) * 2022-10-12 2022-11-11 南通宝丽金属科技有限公司 一种用于铝管表面擦伤压坑的缺陷检测方法
CN115330763A (zh) * 2022-10-12 2022-11-11 江苏鑫缘医疗科技有限公司 一种医用纱布缺陷检测方法
CN115375685A (zh) * 2022-10-25 2022-11-22 临沂天元混凝土工程有限公司 用于混凝土原料中的砂石粒径异常检测方法
CN115393354A (zh) * 2022-10-27 2022-11-25 江苏集宿智能装备有限公司 一种激光切割缺陷识别方法
CN115409833A (zh) * 2022-10-28 2022-11-29 一道新能源科技(衢州)有限公司 基于反锐化掩模算法的光伏板的热斑缺陷检测方法
CN115439474A (zh) * 2022-11-07 2022-12-06 山东天意机械股份有限公司 一种电力设备故障快速定位方法
CN115471503A (zh) * 2022-11-03 2022-12-13 江西捷锐机电设备有限公司 用于数控剖锭机的设备异常检测方法
CN115631173A (zh) * 2022-10-28 2023-01-20 兰州理工大学 一种复合薄膜缺陷识别方法
CN115802056A (zh) * 2023-01-31 2023-03-14 南通凯沃智能装备有限公司 用于移动终端的用户数据压缩存储方法
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
CN116309570A (zh) * 2023-05-18 2023-06-23 山东亮马新材料科技有限公司 一种钛合金棒材质量检测方法及系统
CN116452585A (zh) * 2023-06-15 2023-07-18 康美包（苏州）有限公司 检测装置、检测方法和计算机可读存储介质
CN116542982A (zh) * 2023-07-07 2023-08-04 山东中泳电子股份有限公司 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN116758061A (zh) * 2023-08-11 2023-09-15 山东优奭趸泵业科技有限公司 基于计算机视觉的铸件表面缺陷检测方法
CN116843757A (zh) * 2023-08-29 2023-10-03 山东千颐科技有限公司 基于计算机视觉的贴标机智能定位方法
CN116862910A (zh) * 2023-09-04 2023-10-10 山东经典印务有限责任公司 基于自动化裁切生产的视觉检测方法
CN117094912A (zh) * 2023-10-16 2023-11-21 南洋电气集团有限公司 一种低压配电柜焊接图像增强方法及系统
CN117124559A (zh) * 2023-10-27 2023-11-28 湖南嘉迪汽车零部件有限公司 一种用于汽车内外饰的塑料成型冷却方法及装置
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567973A (zh) * 2012-01-06 2012-07-11 西安电子科技大学 基于改进的形状自适应窗口的图像去噪方法
US20140111532A1 (en) * 2012-10-22 2014-04-24 Stmicroelectronics International N.V. Content adaptive image restoration, scaling and enhancement for high definition display
CN111899224A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于深度学习注意力机制的核电管道缺陷检测系统
CN114612384A (zh) * 2022-01-30 2022-06-10 扬州长青树体育用品有限公司 一种运动护具外观材料缺陷检测方法及系统
CN114913177A (zh) * 2022-07-19 2022-08-16 山东聊城富锋汽车部件有限公司 一种基于霍夫圆的汽车零部件缺陷检测方法
CN114972123A (zh) * 2022-07-28 2022-08-30 点昀技术(南通)有限公司 图像去噪处理方法及装置、计算机设备和可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567973A (zh) * 2012-01-06 2012-07-11 西安电子科技大学 基于改进的形状自适应窗口的图像去噪方法
US20140111532A1 (en) * 2012-10-22 2014-04-24 Stmicroelectronics International N.V. Content adaptive image restoration, scaling and enhancement for high definition display
CN111899224A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于深度学习注意力机制的核电管道缺陷检测系统
CN114612384A (zh) * 2022-01-30 2022-06-10 扬州长青树体育用品有限公司 一种运动护具外观材料缺陷检测方法及系统
CN114913177A (zh) * 2022-07-19 2022-08-16 山东聊城富锋汽车部件有限公司 一种基于霍夫圆的汽车零部件缺陷检测方法
CN114972123A (zh) * 2022-07-28 2022-08-30 点昀技术(南通)有限公司 图像去噪处理方法及装置、计算机设备和可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIAN J ET AL: "《RX infrared small target detection algorithm based on multi-scale local strength and gradient fusion》", 《IEEE》 *
谭梨: "《一种分区域图像高斯噪声的去噪算法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330763A (zh) * 2022-10-12 2022-11-11 江苏鑫缘医疗科技有限公司 一种医用纱布缺陷检测方法
CN115330769A (zh) * 2022-10-12 2022-11-11 南通宝丽金属科技有限公司 一种用于铝管表面擦伤压坑的缺陷检测方法
CN115330763B (zh) * 2022-10-12 2023-03-24 江苏鑫缘医疗科技有限公司 一种医用纱布缺陷检测方法
CN115330769B (zh) * 2022-10-12 2023-03-24 南通宝丽金属科技有限公司 一种用于铝管表面擦伤压坑的缺陷检测方法
CN115375685A (zh) * 2022-10-25 2022-11-22 临沂天元混凝土工程有限公司 用于混凝土原料中的砂石粒径异常检测方法
CN115375685B (zh) * 2022-10-25 2023-03-24 临沂天元混凝土工程有限公司 用于混凝土原料中的砂石粒径异常检测方法
CN115393354A (zh) * 2022-10-27 2022-11-25 江苏集宿智能装备有限公司 一种激光切割缺陷识别方法
CN115631173B (zh) * 2022-10-28 2023-04-18 兰州理工大学 一种复合薄膜缺陷识别方法
CN115409833A (zh) * 2022-10-28 2022-11-29 一道新能源科技(衢州)有限公司 基于反锐化掩模算法的光伏板的热斑缺陷检测方法
CN115631173A (zh) * 2022-10-28 2023-01-20 兰州理工大学 一种复合薄膜缺陷识别方法
CN115471503A (zh) * 2022-11-03 2022-12-13 江西捷锐机电设备有限公司 用于数控剖锭机的设备异常检测方法
CN115439474A (zh) * 2022-11-07 2022-12-06 山东天意机械股份有限公司 一种电力设备故障快速定位方法
CN115802056A (zh) * 2023-01-31 2023-03-14 南通凯沃智能装备有限公司 用于移动终端的用户数据压缩存储方法
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
CN115937216B (zh) * 2023-03-09 2023-05-19 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
CN116309570A (zh) * 2023-05-18 2023-06-23 山东亮马新材料科技有限公司 一种钛合金棒材质量检测方法及系统
CN116309570B (zh) * 2023-05-18 2023-08-04 山东亮马新材料科技有限公司 一种钛合金棒材质量检测方法及系统
CN116452585A (zh) * 2023-06-15 2023-07-18 康美包（苏州）有限公司 检测装置、检测方法和计算机可读存储介质
CN116452585B (zh) * 2023-06-15 2023-09-08 康美包（苏州）有限公司 检测装置、检测方法和计算机可读存储介质
CN116542982B (zh) * 2023-07-07 2023-09-29 山东中泳电子股份有限公司 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN116542982A (zh) * 2023-07-07 2023-08-04 山东中泳电子股份有限公司 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN116758061B (zh) * 2023-08-11 2023-10-31 山东优奭趸泵业科技有限公司 基于计算机视觉的铸件表面缺陷检测方法
CN116758061A (zh) * 2023-08-11 2023-09-15 山东优奭趸泵业科技有限公司 基于计算机视觉的铸件表面缺陷检测方法
CN116843757A (zh) * 2023-08-29 2023-10-03 山东千颐科技有限公司 基于计算机视觉的贴标机智能定位方法
CN116843757B (zh) * 2023-08-29 2023-12-01 山东千颐科技有限公司 基于计算机视觉的贴标机智能定位方法
CN116862910A (zh) * 2023-09-04 2023-10-10 山东经典印务有限责任公司 基于自动化裁切生产的视觉检测方法
CN116862910B (zh) * 2023-09-04 2023-11-21 山东经典印务有限责任公司 基于自动化裁切生产的视觉检测方法
CN117094912A (zh) * 2023-10-16 2023-11-21 南洋电气集团有限公司 一种低压配电柜焊接图像增强方法及系统
CN117094912B (zh) * 2023-10-16 2024-01-16 南洋电气集团有限公司 一种低压配电柜焊接图像增强方法及系统
CN117124559A (zh) * 2023-10-27 2023-11-28 湖南嘉迪汽车零部件有限公司 一种用于汽车内外饰的塑料成型冷却方法及装置
CN117124559B (zh) * 2023-10-27 2023-12-22 湖南嘉迪汽车零部件有限公司 一种用于汽车内外饰的塑料成型冷却方法及装置
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
CN115170576B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
CN114937055B (zh) 基于人工智能的图像自适应分割方法与系统
CN114842017B (zh) 一种hdmi线缆表面质量检测方法及系统
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
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
CN115082418B (zh) 一种汽车零部件精密识别方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN115239704B (zh) 一种木材表面缺陷的精准检测修复方法
CN111814686A (zh) 一种基于视觉的输电线路识别及异物入侵在线检测方法
CN111738256B (zh) 基于改进分水岭算法的复合材料ct图像分割方法
CN115294140A (zh) 一种五金零件缺陷检测方法及系统
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN114549981A (zh) 一种基于深度学习的智能巡检指针式仪表识别及读数方法
CN116385450B (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN115294099B (zh) 一种钢板轧制过程发纹缺陷的检测方法及系统
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN116188468B (zh) 一种hdmi线缆传输分拣智能控制系统
CN115311484B (zh) 一种焊缝数据的优化聚类分割方法
CN117094916B (zh) 一种市政桥梁支座视觉检测方法
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN114298948A (zh) 基于PSPNet-RCNN的球机监控异常检测方法
CN113870202A (zh) 一种基于深度学习技术的远端芯片缺陷检测系统

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