CN115239723B - 基于图形识别的卷板机零件检测方法 - Google Patents

基于图形识别的卷板机零件检测方法 Download PDF

Info

Publication number
CN115239723B
CN115239723B CN202211156237.XA CN202211156237A CN115239723B CN 115239723 B CN115239723 B CN 115239723B CN 202211156237 A CN202211156237 A CN 202211156237A CN 115239723 B CN115239723 B CN 115239723B
Authority
CN
China
Prior art keywords
gear
image
sequence
edge
value
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
Application number
CN202211156237.XA
Other languages
English (en)
Other versions
CN115239723A (zh
Inventor
缪屹东
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.)
Jiangsu Dongchen Machinery Technology Co ltd
Original Assignee
Jiangsu Dongchen Machinery 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 Jiangsu Dongchen Machinery Technology Co ltd filed Critical Jiangsu Dongchen Machinery Technology Co ltd
Priority to CN202211156237.XA priority Critical patent/CN115239723B/zh
Publication of CN115239723A publication Critical patent/CN115239723A/zh
Application granted granted Critical
Publication of CN115239723B publication Critical patent/CN115239723B/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
    • G06T5/70—
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明涉及图形识别技术领域，具体涉及基于图形识别的卷板机零件检测方法，包括：采集卷板机上的齿轮图像；根据每帧齿轮图像中齿轮区域图像得到齿轮区域图像的边缘图像；进一步得到第一序列；根据第一序列中投影值以及相邻投影值计算齿轮区域图像每个投影值的边缘率进而确定出边缘线；根据第一序列中相邻边缘线之间的距离得到距离序列，从而得到第二序列；根据第二序列中所有相邻元素之间的差异获取突变值；将齿轮区域图像以及突变值输入到第二神经网络中，判断齿轮区域图像是否存在异常；根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷。排除了齿轮上划痕对齿轮缺齿断齿缺陷识别的干扰，使得检测结果更加准确。

Description

基于图形识别的卷板机零件检测方法
技术领域
本发明涉及图形识别领域，具体涉及基于图形识别的卷板机零件检测方法。
背景技术
卷板机是一种利用工作辊使板材弯曲的设备，其可以将板材变成筒形件/锥形件等不同形状的零件，是一种非常重要的加工设备。卷板机最常用的是三辊卷板机，其分为机械式和液压式，机械式三辊卷板机分布为上辊有一个，下辊有两个，其两个下辊和齿轮相连接，在两个齿轮下方还存在一个齿轮。在卷板机中齿轮式帮助下辊转动的关键道具，因此齿轮出现损害会导致板材无法规则成型，因此齿轮在运行中的检测是十分重要的。
而现有的齿轮检测算法是针对齿轮横截面采集图像判断其齿轮是否出现损害，但在卷板机场景下，无法拍摄到齿轮的全部侧面图像，检测结果不准确。
发明内容
本发明提供基于图形识别的卷板机零件检测方法，以解决现有的问题。
本发明的基于图形识别的卷板机零件检测方法采用如下技术方案：
本发明一个实施例提供了基于图形识别的卷板机零件检测方法，该方法包括以下步骤：
S1:采集卷板机上的多帧齿轮图像；对每帧齿轮图像进行噪声滤除；提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像；
S2:对每个齿轮区域图像进行异常判断操作；
所述异常判断操作包括：
S201:对齿轮区域图像进行边缘检测得到齿轮区域图像的边缘图像；对齿轮区域图像的边缘图像进行投影，得到齿轮区域图像的第一序列；
S202:根据齿轮区域图像的第一序列中每个投影值以及相邻投影值计算齿轮区域图像每个投影值的边缘率；将齿轮区域图像第一序列中所有边缘率大于第一阈值的投影值标记为边缘线；
S203:计算第一序列中相邻边缘线之间的距离，得到距离序列；计算距离序列中相邻距离之间的差异，得到第二序列；根据第二序列中所有相邻元素之间的差异获取突变值；
S204:将齿轮区域图像以及突变值输入到第二神经网络中，判断齿轮区域图像是否存在异常；
S3:根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷。
优选的，所述提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像包括：
将齿轮图像输入到第一神经网络中，得到齿轮图像中的齿轮区域，将齿轮区域作为齿轮区域图像。
优选的，所述对齿轮区域图像的边缘图像进行投影，得到齿轮区域图像的第一序列包括：
将齿轮区域图像的边缘图像转换为二值图像；计算所述二值图像每一列所有像素点的像素值均值，得到二值图像每一列的投影值；二值图像所有列的投影值组成齿轮区域图像的第一序列。
优选的，所述边缘率的表达式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第一序列中第
Figure DEST_PATH_IMAGE006
个投影值的边缘率；
Figure DEST_PATH_IMAGE008
为第一序列中第
Figure 249266DEST_PATH_IMAGE006
个投影值；
Figure DEST_PATH_IMAGE010
为第一序列中第
Figure DEST_PATH_IMAGE012
个投影值。
优选的，所述突变值的表达式为：
Figure DEST_PATH_IMAGE014
其中
Figure DEST_PATH_IMAGE016
为突变值；
Figure DEST_PATH_IMAGE018
为第二序列中第
Figure DEST_PATH_IMAGE020
个元素；
Figure DEST_PATH_IMAGE022
为第二序列中第
Figure DEST_PATH_IMAGE024
个元素；
Figure DEST_PATH_IMAGE026
为第二序列中元素的个数。
优选的，所述根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷包括：
若存在一个齿轮区域图像中存在异常，则齿轮存在断齿或缺齿缺陷；若所有齿轮区域图像均不存在异常，则齿轮不存在断齿或缺齿缺陷。
本发明的有益效果是：本发明检测卷板机的齿轮零件直接通过图形识别识别出正在运作的卷板机中齿轮的缺陷，相较于传统的人为观测或者等卷板机停下来再采集数据具有更高的效率，本发明基于采集图像的过程中会出现近大远小的情况来提取齿轮底部特征，使得检测结果更加准确。区别于传统方案，本发明通过分析序列，排除了齿轮上划痕对齿轮缺齿断齿缺陷识别的干扰，使得检测结果更加准确。
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为本发明的基于图形识别的卷板机零件检测方法的步骤流程图；
图2为本发明的基于图形识别的卷板机零件检测方法的边缘图像示例图。
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基于图形识别的卷板机零件检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图形识别的卷板机零件检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于图形识别的卷板机零件检测方法的步骤流程图，该方法包括以下步骤：
101．采集卷板机上的多帧齿轮图像；对每帧齿轮图像进行平滑去噪；提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像。
在电机和下辊之间存在三个齿轮，两个齿轮是作为与下辊连接控制下辊转动所用的，这两个中间还有一个齿轮是与电机相连来控制两个齿轮的转动的，将图像采集设备放在中间齿轮的正下方，齿轮在机器运作时每时每刻都在运动，因此通过图像采集装置采集多帧齿轮的图像。本发明实施例中采集图像间的间隔为齿轮转动一周时间的1/8。例如，齿轮转动一周需要4s，本发明实施例就每间隔0.5s采集一帧图像。
至此，通过安放相机，通过相机采集图像得到齿轮的图像。
通过上述步骤就通过图像采集设备采集到了多帧齿轮图像，对多帧齿轮图像使用加权灰度化将图像转换为灰度图，方便后续的计算。对于转化出的灰度图，由于在工业环境下会使得采集的图像生成噪声，因此要对图像进行平滑操作去除噪声。
去除噪声之后，由于图像采集设备放在齿轮的正下方，该图像除了采集齿轮外，会将卷板机别的部分也采集到图像中，而其余部分也会形成边缘点，这对后续识别缺陷造成了影响，因此本发明实施例使用神经网络方法进行包围框目标检测，将齿轮区域提取出来。
神经网络所选为YOLOv5目标检测网络，其作用是提取本发明实施例想要的齿轮区域。
神经网络的输入为经过灰度化后的使用图像采集装置采集的图像，神经网络的输出为将所有齿轮区域包括的矩形包围框内的图像。对整张图像进行卷积，设定阈值，将所有齿轮区域使用矩形包围框包裹，包围框的宽度要比齿轮的边缘更长。神经网络使用的功能是包围框目标检测，其所使用的loss函数为Smooth L1 损失函数。
经过神经网络提取目标后，就得到了齿轮区域图像,该齿轮区域的图像大小为
Figure DEST_PATH_IMAGE028
，即是一张N行M列的图像。
102．获取齿轮区域图像的边缘图像；进一步得到齿轮区域图像的第一序列；根据齿轮区域图像的第一序列中投影值以及相邻投影值计算齿轮区域图像每个投影值的边缘率进而确定出边缘线。
首先使用Canny算子提取齿轮区域图像的边缘信息，得到边缘图像，本发明实施例中采集的图像上，边缘点分布在齿轮的轮齿之间，轮齿上有一个较为平整的矩形与轮齿之间也会形成边缘，并且齿轮在使用较长时间后，轮齿两侧会有刮痕也会被边缘检测出来。边缘图像示例图参见图2。
图2中两条相邻的灰色线条是两个轮齿之间缝隙部分，灰色线条是轮齿与缝隙之间的边缘，两条灰色线条之间的两条边缘线条就是轮齿最上方平整区域。
将边缘图像转换为二值图像。之后对于齿轮区域的二值图像进行投影变换，将二值图像中每一列的像素值累加，每一列像素点的像素值累加之后求均值就得到了每列的投影值。所有投影值组成第一序列
Figure DEST_PATH_IMAGE030
，序列
Figure 802476DEST_PATH_IMAGE030
表示如下：
Figure DEST_PATH_IMAGE032
其中
Figure 546441DEST_PATH_IMAGE008
为第一序列中第
Figure 393174DEST_PATH_IMAGE006
个投影值。
由于采集到的图像中的齿轮可以看作是齿轮的一半被采集，在一个齿轮的两侧会由于弧度的原因导致边缘线离得距离比较近，只提取齿轮中间的部分两条边缘线之间必然会存在空隙。而本发明实施例是根据齿轮转动一周的时间所定的图像采集时间，齿轮旋转一周本发明实施例采集8张图像，可以较好的分析齿轮边缘。
由于本发明实施例中所采集到的图像里有三个齿轮，一个齿轮在中心下方另外两个齿轮在中间齿轮的两侧的上方，由于近大远小的规律，序列整体会呈现出一种先增大后减小的状态。如果齿轮出现划痕，划痕不影响齿轮的使用，但是出现划痕会导致边缘检测检测到划痕，对于本发明实施例检测齿轮边缘线造成了影响，因此需要从序列中挑选出属于轮齿边缘线的部分。
首先轮齿的边缘线相较于划痕来说值更大，可以通过阈值设定来消除划痕，但是由于近大远小的规律，图像最两侧的边缘线所对应的值也比较小，如果只通过观察每个序列值设定阈值会将两侧的边缘线也剔除，因此本发明实施例使用除了看值的大小外还关注值和其周围的比较，也就是其相对大小，由此得到如下公式：
Figure 100002_DEST_PATH_IMAGE002A
其中
Figure 197182DEST_PATH_IMAGE004
为第一序列中第
Figure 191683DEST_PATH_IMAGE006
个投影值的边缘率；
Figure 270498DEST_PATH_IMAGE008
为第一序列中第
Figure 470272DEST_PATH_IMAGE006
个投影值；
Figure 507499DEST_PATH_IMAGE010
为第一序列中第
Figure 661399DEST_PATH_IMAGE012
个投影值；公式中前半部分表示通过单个值来划分，后半部分表示与值周围进行比较，使用log函数的意思时为了降低单个值的权重。设定阈值为
Figure DEST_PATH_IMAGE034
，当
Figure DEST_PATH_IMAGE036
时，就表示该值对应的是边缘线的值。
通过上述公式就得到了图像中所有的边缘线对应值，将这些值在第一序列中进行标记。
103．根据第一序列中相邻边缘线之间的距离得到距离序列；根据距离序列得到第二序列；根据第二序列中所有相邻元素之间的差异获取突变值。
接下来分析齿轮是否出现断齿的情况，如果在一个齿轮上，其两侧的轮齿如果断裂或者缺失，会导致是边缘的线没有被检测出来，导致相邻两个边缘有较大的距离，计算第一序列中相邻边缘线之间的距离，得到距离序列。计算距离序列中相邻距离之间的差异，得到第二序列
Figure DEST_PATH_IMAGE038
：
Figure DEST_PATH_IMAGE040
其中
Figure DEST_PATH_IMAGE042
表示第o个边缘和第o+1个边缘之间的距离；k为第二序列长度。
正常完好的齿轮中两条边缘线之间的距离在同一个齿轮上是先增大后减小的，且增大或减少是一个逐步的过程，如果出现缺口或者断齿，就会出现序列的突变，因此计算序列的突变值就可以判断吃否齿轮出现缺口或者断齿，计算公式如下：
Figure 100002_DEST_PATH_IMAGE014A
其中
Figure 950429DEST_PATH_IMAGE016
为突变值；
Figure 568493DEST_PATH_IMAGE018
为第二序列中第
Figure 511041DEST_PATH_IMAGE020
个元素；
Figure 152238DEST_PATH_IMAGE022
为第二序列中第
Figure 838434DEST_PATH_IMAGE024
个元素；
Figure 311004DEST_PATH_IMAGE026
为第二序列中元素的个数。突变值越大，就表示出现缺口和断齿的概率越大，该公式的思路是因为距离突变会出现较大变化，其相邻点距离会和突变距离相差较大，再进行平方增大表现力，而没有突变的序列距离变化不大，平方也不会造成太大影响。
104．将齿轮区域图像以及突变值输入到第二神经网络中，判断齿轮区域图像是否存在异常；根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷。
根据每张齿轮图像的突变值，由此来训练神经网络，网络的输入为齿轮区域图像和其对应的突变值，标签为这张齿轮区域图像是否对应的是缺陷齿轮的图像，对应网络的输出就是齿轮区域图像对应的齿轮是否异常。
该网络的训练过程为，输入齿轮区域图像和突变值，根据标签来保证输出向标签靠拢，该网络的loss就是标签和输出的对比，反向传播调整输出。
通过上述就训练得到了可以识别齿轮的神经网络，在本发明实施例中，图像采集为1小时一次，一次采集一组图像，一组图像为8张，即采集齿轮转动一周时的8张图像，将8张图像分别输入到训练的神经网络当中，8张图像只要有一张被识别为异常就表示该齿轮存在影响工作的断齿，缺齿缺陷。
至此，完成了齿轮断齿、缺齿缺陷的识别。
本发明实施例通过采集卷板机上的齿轮图像；根据每帧齿轮图像中齿轮区域图像得到齿轮区域图像的边缘图像；进一步得到第一序列；根据第一序列中投影值以及相邻投影值计算齿轮区域图像每个投影值的边缘率进而确定出边缘线；根据第一序列中相邻边缘线之间的距离得到距离序列；根据距离序列得到第二序列；根据第二序列中所有相邻元素之间的差异获取突变值；将齿轮区域图像以及突变值输入到第二神经网络中，判断齿轮区域图像是否存在异常；根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷。排除了齿轮上划痕对齿轮缺齿断齿缺陷识别的干扰，使得检测结果更加准确。
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 (1)

1.基于图形识别的卷板机零件检测方法，其特征在于，该方法包括以下步骤：
S1:采集卷板机上的多帧齿轮图像；对每帧齿轮图像进行噪声滤除；提取每帧齿轮图像中齿轮区域，得到多个齿轮区域图像，包括：将齿轮图像输入到第一神经网络中，得到齿轮图像中的齿轮区域，将齿轮区域作为齿轮区域图像；
S2:对每个齿轮区域图像进行异常判断操作；
所述异常判断操作包括：
S201:对齿轮区域图像进行边缘检测得到齿轮区域图像的边缘图像；对齿轮区域图像的边缘图像进行投影，得到齿轮区域图像的第一序列，包括：将齿轮区域图像的边缘图像转换为二值图像；计算所述二值图像每一列所有像素点的像素值均值，得到二值图像每一列的投影值；二值图像所有列的投影值组成齿轮区域图像的第一序列；
S202:根据齿轮区域图像的第一序列中每个投影值以及相邻投影值计算齿轮区域图像每个投影值的边缘率；将齿轮区域图像第一序列中所有边缘率大于第一阈值的投影值标记为边缘线；所述边缘率的表达式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 905616DEST_PATH_IMAGE004
为第一序列中第
Figure 950933DEST_PATH_IMAGE006
个投影值的边缘率；
Figure 346142DEST_PATH_IMAGE008
为第一序列中第
Figure 363777DEST_PATH_IMAGE006
个投影值；
Figure 451818DEST_PATH_IMAGE010
为第一序列中第
Figure 922114DEST_PATH_IMAGE012
个投影值；
S203:计算第一序列中相邻边缘线之间的距离，得到距离序列；计算距离序列中相邻距离之间的差异，得到第二序列；根据第二序列中所有相邻元素之间的差异获取突变值；所述突变值的表达式为：
Figure DEST_PATH_IMAGE014A
其中
Figure 589856DEST_PATH_IMAGE016
为突变值；
Figure 258734DEST_PATH_IMAGE018
为第二序列中第
Figure 517677DEST_PATH_IMAGE020
个元素；
Figure 973804DEST_PATH_IMAGE022
为第二序列中第
Figure 710816DEST_PATH_IMAGE024
个元素；
Figure 499781DEST_PATH_IMAGE026
为第二序列中元素的个数；
S204:将齿轮区域图像以及突变值输入到第二神经网络中，判断齿轮区域图像是否存在异常；
S3:根据所有齿轮区域图像异常判断操作结果，判断齿轮是否存在断齿或缺齿缺陷，包括：若存在一个齿轮区域图像中存在异常，则齿轮存在断齿或缺齿缺陷；若所有齿轮区域图像均不存在异常，则齿轮不存在断齿或缺齿缺陷。
CN202211156237.XA 2022-09-22 2022-09-22 基于图形识别的卷板机零件检测方法 Active CN115239723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211156237.XA CN115239723B (zh) 2022-09-22 2022-09-22 基于图形识别的卷板机零件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211156237.XA CN115239723B (zh) 2022-09-22 2022-09-22 基于图形识别的卷板机零件检测方法

Publications (2)

Publication Number Publication Date
CN115239723A CN115239723A (zh) 2022-10-25
CN115239723B true CN115239723B (zh) 2022-12-23

Family

ID=83667045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211156237.XA Active CN115239723B (zh) 2022-09-22 2022-09-22 基于图形识别的卷板机零件检测方法

Country Status (1)

Country Link
CN (1) CN115239723B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197130B (zh) * 2023-11-03 2024-01-26 山东太阳耐磨件有限公司 基于机器视觉的驱动齿角缺陷识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107796826A (zh) * 2017-09-27 2018-03-13 浙江大学 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法
CN115018765A (zh) * 2022-04-24 2022-09-06 海门市博洋铸造有限公司 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法
CN115049670A (zh) * 2022-08-16 2022-09-13 南通兴拓精密机械有限公司 基于齿轮的齿形缺陷检测方法
CN115049667A (zh) * 2022-08-16 2022-09-13 启东市群鹤机械设备有限公司 一种齿轮缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107796826A (zh) * 2017-09-27 2018-03-13 浙江大学 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法
CN115018765A (zh) * 2022-04-24 2022-09-06 海门市博洋铸造有限公司 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法
CN115049670A (zh) * 2022-08-16 2022-09-13 南通兴拓精密机械有限公司 基于齿轮的齿形缺陷检测方法
CN115049667A (zh) * 2022-08-16 2022-09-13 启东市群鹤机械设备有限公司 一种齿轮缺陷检测方法

Also Published As

Publication number Publication date
CN115239723A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115239704B (zh) 一种木材表面缺陷的精准检测修复方法
CN115294113B (zh) 一种木饰面板质量检测方法
CN110490842B (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN115239723B (zh) 基于图形识别的卷板机零件检测方法
CN116645367B (zh) 一种高端制造用的钢板切割质量检测方法
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN103051872A (zh) 基于图像边缘提取的输送带跑偏检测方法
EP1867979B1 (en) Method and apparatus for recognizing repeating patterns
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN115049645B (zh) 一种太阳能电池板表面缺陷检测方法
Liu et al. A computer vision system for automatic steel surface inspection
WO2021135675A1 (zh) 一种棒材自动计数方法及装置
CN111591715A (zh) 一种皮带纵向撕裂检测方法及装置
CN115375686A (zh) 一种基于图像处理的玻璃边缘瑕疵检测方法
CN111753794A (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
WO2023231262A1 (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN115619708A (zh) 基于图像识别主轴轴承润滑油油质变化判断故障的方法
CN117437223B (zh) 一种高速板对板连接器缺陷智能检测方法
CN113469974B (zh) 球团链篦机篦板状态监测方法及其监测系统
CN116754567B (zh) 铜箔材料的周期性缺陷检测方法、装置及设备
CN115457276B (zh) 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法
CN115049668B (zh) 基于特征抽取的钢带辊印识别方法
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及系统
CN115311266A (zh) 一种纺织品印染工艺中印染识别方法

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