CN115249301B - 一种用于提取工件表面研磨褶皱的方法 - Google Patents
一种用于提取工件表面研磨褶皱的方法 Download PDFInfo
- Publication number
- CN115249301B CN115249301B CN202211156152.1A CN202211156152A CN115249301B CN 115249301 B CN115249301 B CN 115249301B CN 202211156152 A CN202211156152 A CN 202211156152A CN 115249301 B CN115249301 B CN 115249301B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- point
- points
- strong
- workpiece
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于提取工件表面研磨褶皱的方法。该方法是一种应用电子设备进行识别的方法,利用生产领域人工智能系统完成对工件研磨后研磨褶皱的分割提取。该方法首先采集研磨后的工件图像,对工件图像进行数据处理得到多个异常点,进一步对异常点进行数据处理筛选出多个褶线点和褶皱过渡点,由筛选出的褶线点和褶皱过渡点构成工件图像上的研磨褶皱区域。本发明工件在研磨机上研磨过后,及时对工件的工件图像进行数据处理与分析,从而及时得到能够判断工件的研磨质量的研磨褶皱区域。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于提取工件表面研磨褶皱的方法。
背景技术
研磨机是利用涂敷或压嵌在研具上的磨料颗粒,通过研具与工件在一定压力下的相对运动,对加工表面进行精整加工。研磨机可用于加工各种金属和非金属材料,加工的表面形状有平面,内、外圆柱面、圆锥面,凹凸球面,螺纹,齿面及其他型面。在进行金属研磨时由于金属内部杂质、金属自身硬度、研磨料的颗粒大小以及研磨速度等等的影响,会使得研磨后的工件表面出现各种各样的纹路。常见的由于不恰当地使用研磨料、润滑剂时,或者它们的搭配不合适,都将使研磨料像钝刀一样作用在工件表面,推挤表面,致使出现皱褶。
随着人工智能的发展,很多工序需要实现机械化、自动化,从而提高效率和检测精度。常规的图像处理技术会采用阈值分割的技术来分割褶皱区域。但是阈值分割是根据灰度值分割的,会将划痕区域和褶皱区域都分割出来,并且阈值分割也无法完整地将褶皱过渡区域分割出来。
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用于提取工件表面研磨褶皱的方法,所采用的技术方案具体如下:
采集研磨后的工件图像,对工件图像进行预处理得到目标图像;
基于像素点的梯度幅值计算各像素点对应的异常程度,检测出目标图像中的异常点;基于所述异常点,建立异常程度直方图,以所述异常程度直方图的最后一个波谷点对应的异常程度作为分割阈值;基于所述分割阈值,将异常点划分为强异常点和弱异常点;基于所述强异常点与对应的邻域内强异常点的位置差异,得到强异常点的异常排列程度;筛选出异常排列程度大于等于预设异常阈值的强异常点作为褶线点,连接褶线点得到多个褶线;
对褶线点做梯度反方向到相邻褶线的连线,计算连线上各弱异常点的连续递减规律值,将连续递减规律值在预设范围内的弱异常点标记为褶皱过渡点;
所述褶线点和褶皱过渡点构成工件图像上的研磨褶皱区域。
优选的,所述对工件图像进行预处理得到目标图像,包括:
对工件图像先进行高斯滤波降噪处理得到真实图像;对真实图像进行语义分割,分割出工件区域的工件区域图像,将工件区域图像进行灰度化,得到目标图像。
优选的,所述基于像素点的梯度幅值计算各像素点对应的异常程度,包括:
所述异常程度的计算公式:
优选的,所述检测出目标图像中的异常点,包括:
将异常程度大于等于预设第一阈值的像素点作为异常点。
优选的,所述基于所述分割阈值,将异常点划分为强异常点和弱异常点,包括:
异常程度大于等于所述分割阈值的异常点作为强异常点;异常程度小于所述分割阈值的异常点作为弱异常点。
优选的,所述基于所述强异常点与对应的邻域内强异常点的位置差异,得到强异常点的异常排列程度,包括:
所述异常排列程度的计算公式为:
其中,为第个强像素点的所述异常排列程度;为第个强像素点邻域内的
强异常点数量;为第个强像素点的横坐标;为第个强像素点的纵坐标;为第个强
像素点邻域内的第一个强异常点的横坐标;为第个强像素点邻域内的第一个强异常点
的纵坐标;为第个强像素点邻域内的第n个强异常点的横坐标;为第个强像素点邻
域内的第n个强异常点的纵坐标。
优选的,所述计算连线上各弱异常点的连续递减规律值,包括:
所述连续递减规律值的计算公式为:
其中,为第个褶线点对应的连线上第个弱异常点的连续递减规律值;为第个褶线点对应的连线上第个弱异常点的横坐标;为第个褶线点对应的
连线上第个弱异常点的纵坐标;为第个褶线点对应的连线上第个弱异常点
的横坐标;为第个褶线点对应的连线上第个弱异常点的纵坐标;为第
个褶线点对应的连线上第个弱异常点的异常程度值;为第个褶线点对应的连线上
第个弱异常点的异常程度值;为线性整流函数。
本发明实施例至少具有如下有益效果:
该方法采集研磨后的工件图像,对工件图像进行预处理得到目标图像;检测出目标图像中的异常点;将异常点划分为强异常点和弱异常点;基于强异常点与对应的邻域内强异常点的位置差异,从强异常点中筛选出褶线点。连接褶线点得到多个褶线;对褶线点做梯度反方向到相邻褶线的连线,根据连线上各弱异常点的连续递减规律值从多个弱异常点筛选出褶皱过渡点;常规的阈值分割不能将划痕和褶皱区分出来,本发明通过划痕和褶皱的纹理和形态特征对两种缺陷进行区分,分别根据不同的特征分析得到研磨褶皱区域的褶线点和褶皱过渡点,实现褶皱的精准分割。
褶线点和褶皱过渡点构成工件图像上的研磨褶皱区域。工件在研磨机上研磨过后,及时对工件的表面进行图像采集与分析,从而及时得到能够判断工件的研磨质量的研磨褶皱区域。
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为本发明一个实施例所提供的一种用于提取工件表面研磨褶皱的方法的方法流程图。
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用于提取工件表面研磨褶皱的方法,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。
本发明实施例提供了一种用于提取工件表面研磨褶皱的方法的具体实施方法,该方法适用于工件表面研磨褶皱检测场景。为了解决阈值分割根据灰度值分割时,会将划痕区域和褶皱区域都分割出来,且无法完整地将褶皱过渡区域分割出来的问题。本发明基于图像处理邻域的技术,采用图像分析的方法对工件的外观特征进行异常分析,先提取褶线再提取褶皱过渡区域,从而实现对工件研磨后研磨褶皱的分割提取。
下面结合附图具体的说明本发明所提供的一种用于提取工件表面研磨褶皱的方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于提取工件表面研磨褶皱的方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集研磨后的工件图像,对工件图像进行预处理得到目标图像。
将工件的研磨面朝上放置,从上方向下采集工件图像,采集过程中保持桌面稳定并使用CCD相机进行采集得到工件图像。由于采集过程中会受到或多或少的噪声干扰以及光线干扰,故对采集到的工件图像进行预处理得到目标图像,具体的:对工件图像先进行高斯滤波降噪处理得到较为真实的真实图像;对真实图像进行语义分割,分割出工件区域的工件区域图像,将工件区域图像进行灰度化,得到目标图像。
步骤S200,基于像素点的梯度幅值计算各像素点对应的异常程度,检测出目标图像中的异常点;基于所述异常点,建立异常程度直方图,以所述异常程度直方图的最后一个波谷点对应的异常程度作为分割阈值;基于所述分割阈值,将异常点划分为强异常点和弱异常点;基于所述强异常点与对应的邻域内强异常点的位置差异,得到强异常点的异常排列程度;筛选出异常排列程度大于预设异常阈值的强异常点作为褶线点,连接褶线点得到多个褶线。
由于研磨后的工件表面不一定只含有褶皱异常,可能存在擦痕等其他异常,但是不同的异常原因不同,所以需要先要检测出所有的异常点;然后再识别工件是否存在褶皱异常,进一步的分割出褶皱异常,抑制其余异常。褶皱的特点是褶线弯弯曲曲,并且从褶线向异常的一侧褶皱异常在过渡减小。故可根据这些特征一步步提取研磨褶皱。
首先,先检测出目标图像中的异常点,对异常点进行初次筛选得到褶线点。
检测目标图像中的所有异常点的方法,具体的:基于像素点的梯度幅值计算各像素点对应的异常程度,检测出目标图像中的异常点。需要说明的是,这里的异常点是指异常区域内的点,例如划痕或褶皱区域内的点,不是指孤立的噪声点。
由于金属研磨的主要目的是为了对金属表面进行更精密的打磨,使得金属表面形成螺纹等等,但是当打磨的不平滑时,金属件表面就会出现擦痕等等,所以由于研磨的不够平滑而出现的各种痕迹都是异常点,至于这些异常点构成了什么样的形状或结构,主要与金属研磨的速度,研磨料等有关,需要具体分析。
计算目标图像中各像素点的梯度幅值和梯度方向角,平滑区域的点是正
常点,平滑区域的点梯度幅值很小或几乎不存在梯度幅值,异常点的梯度幅值较大。由于某
一梯度较大的像素点,如果其邻域内像素点的梯度也较大,说明像素点的很大可能是属于
不平滑区域的点。反之如果只是某像素点的梯度幅值大,但是其对应的邻域内各像素点的
梯度幅值很小时,说明当前像素点很有可能是噪声点而非不平滑区域的点。基于像素点的
梯度幅值计算各像素点对应的异常程度。在本发明实施例中像素点对应的邻域取八邻域。
异常程度的计算公式:
由于一个点的梯度值不能决定这个点到底是否属于不平滑区域的点还是正常平滑区域的点,所以还需要结合中心点邻域像素点的梯度均值来总和判断中心点的异常程度。
第个像素点也即其对应的八邻域内的中心点。当中心点的梯度值较大时说明
该像素点与八邻域内各像素点的灰度差异较大,但是当中心点的八邻域内各像素点的梯
度均值越大时,反映中心点的异常程度的权重越大;当中心点的梯度幅值大并且异常程
度的权重越大时,说明中心点是异常区域内的像素点的可能性越大。
当像素点的异常程度大于等于预设第一阈值时,认为该像素点为异常区域内的异常点,而非噪声点或正常区域的点;当像素点的异常程度小于预设第一阈值时,认为这一像素点不是异常区域内的像素点,那么这一像素点可能是噪声点或正常区域内的点,但不是需要寻找的褶皱或划痕区域上的像素点。在本发明实施例中预设第一阈值的取值为0.6,在其他实施例中实施者可根据实际情况调整该取值。
进一步的,对筛选出的异常点进行再次筛选,得到褶线点。褶皱区域相对于划痕等其他区域的特点是,每个褶皱区域一定是有一条明显的褶线的,褶线就是褶皱最突出的位置。除此之外褶皱就像是波纹一样,从褶线向褶线的另一侧逐渐过渡的过程中,褶皱逐渐过渡的越来越平滑,直到最后变成平滑的正常区域。而划痕、凹坑等其他缺陷往往是集中在一个区域集中异常的,不存在异常过渡的情况,也不存在有一条明显的褶线。
选取异常程度较大点,并筛选出褶线点。褶皱区域的明显褶线处的点的异常程度很大,但是划痕区域内各点的异常程度也很大,本发明需要提取出褶线处的异常点,去除划痕区域的异常点。褶线与划痕的根本不同在于褶线弯弯曲曲,褶线上的异常点排列不整齐,形成的边缘弯弯曲曲;但是划痕上的异常点排列整齐,形成的边缘为一条笔直的直线。
首先基于所有筛选出来的异常点,建立异常程度直方图,该异常程度直方图的横
轴为异常程度值,纵轴为像素频数,由于划痕和褶线区域的像素数量较少,且异常程度较
大,故从异常程度直方图中选择最后一个波谷点对应的异常程度值作为分割阈值。基于分
割阈值,将异常点划分为强异常点和弱异常点。异常程度大于等于所述分割阈值的异常点
作为强异常点,代表的区域为褶线和划痕处;异常程度小于所述分割阈值的异常点作为弱
异常点,代表的区域为褶皱过渡区域。
基于所述强异常点与对应的7*7邻域内强异常点的位置差异,得到强异常点的异常排列程度。
该异常排列程度的计算公式为:
其中,为第个强像素点的所述异常排列程度;为第个强像素点邻域内的
强异常点数量;为第个强像素点的横坐标;为第个强像素点的纵坐标;为第个强
像素点邻域内的第一个强异常点的横坐标;为第个强像素点邻域内的第一个强异常点
的纵坐标;为第个强像素点邻域内的第n个强异常点的横坐标;为第个强像素点邻
域内的第n个强异常点的纵坐标。
将邻域内其余强异常点与第个强像素点形成的斜率与基准
斜率进行做差求和,求和结果作为中心强异常点邻域内强异常点的异常排列程度,因为如
果排列不整齐,则异常排列程度会增大且,反之如果排列整齐,则异常排列程度会
趋近于0,甚至。
由此,可根据强异常点与邻域内强异常点的异常排列程度,判断哪些点是褶线上的点,哪些点是划痕上的点,从而进一步筛选出褶线上的褶线点。筛选出异常排列程度大于等于预设异常阈值的强异常点作为褶线点,反之,认为异常排列程度小于预设异常阈值的强异常点为划痕上的点。在本发明实施例中,预设异常阈值的取值为0.25,在其他实施例中实施者可根据实际情况调整该取值。褶线点即为褶皱区域内的点,并将褶线点与其邻域内的褶线点依次相连获得多条褶线。去除异常排列程度小于预设异常阈值的强异常点,后续不再考虑。
步骤S300,对每个褶线上的点做该点梯度反方向到下一条褶线的连线,计算连线上各弱异常点的连续递减规律值,将连续递减规律值在预设范围内的弱异常点标记为褶皱过渡点。
进一步的,再分析褶线点梯度反方向上各异常点异常程度的变化情况,筛选出褶皱过渡区域上的点。
褶线就是褶皱最突出的位置,除此之外褶皱就像是波纹一样,从褶线向褶线的另一侧逐渐过渡的过程中,褶皱逐渐过渡的越来越平滑,直到最后变成平滑的正常区域。对于褶皱来说,褶线相当于一个断崖,褶线的一侧是褶皱的过渡区域,另一侧是正常的平滑的区域。故分析褶线的梯度较小的一侧,判断这一侧异常点的梯度方向与异常程度的关联性。由于褶皱过渡区域异常点的异常程度值是渐变的,而划痕区域上的点几乎均匀不变。
选取褶线上的点,做褶线上各褶线点梯度反方向到相邻褶线的连线,计算连线上各弱异常点异常程度的连续变化情况。连续是指是否这些弱异常点是相邻的,而不是断裂的,因为褶皱过渡区域应当是连续过渡的,而不是过渡一段后断裂了,过了一段平滑区域后又开始出现过渡。异常程度的变化情况是从褶线开始向梯度的反方向连线上异常点的异常程度应当是递减的。故褶皱过渡区域的异常点在褶线点的梯度反方向连线上应当是连续递减的。
故对褶线点做梯度反方向到相邻褶线的连线,计算连线上各弱异常点的连续递减规律值。
该连续递减规律值的计算公式为:
其中,为第个褶线点对应的连线上第个弱异常点的连续递减规律值;为第个褶线点对应的连线上第个弱异常点的横坐标;为第个褶线点对应的
连线上第个弱异常点的纵坐标;为第个褶线点对应的连线上第个弱异常点
的横坐标;为第个褶线点对应的连线上第个弱异常点的纵坐标;为第
个褶线点对应的连线上第个弱异常点的异常程度值;为第个褶线点对应的连线上
第个弱异常点的异常程度值;为线性整流函数。
,能够将较连续且
异常程度递减的弱异常点的值,使得其最终的计算结果;反之对于的点
说明其异常程度肯定不是递减的,所以可以直接排除。但是对于异常程度递减的点也不能
确定其是符合连续递减规律的。故设定预设范围,将连续递减规律值在预设范围内的弱异
常点标记为褶皱过渡点故。在本发明实施例中设定预设范围为(0,1],在其他实施例中实施
者可根据实际情况调整该范围。也即当时认为当前这点是符合异常程度连续
递减规律的,标记该点为褶皱过渡区域内的褶皱过渡点。反之当时认为该点不符
合异常程度连续递减规律,将该点去除,不标记为褶皱过渡区域内的点。
步骤S400,所述褶线点和褶皱过渡点构成工件图像上的研磨褶皱区域。
根据步骤S200和步骤S300将工件图像中属于研磨褶皱区域的褶线点和褶皱过渡点分别进行了标记,由褶线点和褶皱过渡点构成工件图像上的研磨褶皱区域。对工件图像进行二值遮罩分割,获取工件图像对应的二值图像,其中在二值图像中将上述检测出的属于研磨褶皱区域对应的位置的值设为1,将非研磨褶皱区域的点的值设为0。将工件图像对应的二值图像与工件原始的工件图像相乘,最终得到的图像是只含有二值图像的图像,实现从原始的工件图像中分割出工件上由于研磨不当而造成的研磨褶皱区域。
综上所述,本发明涉及数据处理技术。该方法采集研磨后的工件图像,对工件图像进行预处理得到目标图像;基于像素点的梯度幅值计算各像素点对应的异常程度,检测出目标图像中的异常点;基于异常点,建立异常程度直方图,以异常程度直方图的最后一个波谷点对应的异常程度作为分割阈值;基于分割阈值,将异常点划分为强异常点和弱异常点;基于强异常点与对应的邻域内强异常点的位置差异,得到强异常点的异常排列程度;筛选出异常排列程度大于等于预设异常阈值的强异常点作为褶线点,连接褶线点得到多个褶线;对褶线点做梯度反方向到相邻褶线的连线,计算连线上各弱异常点的连续递减规律值,将连续递减规律值在预设范围内的弱异常点标记为褶皱过渡点;所述褶线点和褶皱过渡点构成工件图像上的研磨褶皱区域。工件在研磨机上研磨过后,及时对工件的表面进行图像采集与分析,从而及时得到能够判断工件的研磨质量的研磨褶皱区域。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
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 (4)
1.一种用于提取工件表面研磨褶皱的方法,其特征在于,该方法包括以下步骤:
采集研磨后的工件图像,对工件图像进行预处理得到目标图像;
基于像素点的梯度幅值计算各像素点对应的异常程度,检测出目标图像中的异常点;基于所述异常点,建立异常程度直方图,以所述异常程度直方图的最后一个波谷点对应的异常程度作为分割阈值;基于所述分割阈值,将异常点划分为强异常点和弱异常点;基于所述强异常点与对应的邻域内强异常点的位置差异,得到强异常点的异常排列程度;筛选出异常排列程度大于等于预设异常阈值的强异常点作为褶线点,连接褶线点得到多个褶线;
对褶线点做梯度反方向到相邻褶线的连线,计算连线上各弱异常点的连续递减规律值,将连续递减规律值在预设范围内的弱异常点标记为褶皱过渡点;
所述褶线点和褶皱过渡点构成工件图像上的研磨褶皱区域;
所述基于所述分割阈值,将异常点划分为强异常点和弱异常点,包括:
异常程度大于等于所述分割阈值的异常点作为强异常点;异常程度小于所述分割阈值的异常点作为弱异常点;
所述基于所述强异常点与对应的邻域内强异常点的位置差异,得到强异常点的异常排列程度,包括:
所述异常排列程度的计算公式为:
其中,为第个强像素点的所述异常排列程度;为第个强像素点邻域内的强异常点数量;为第个强像素点的横坐标;为第个强像素点的纵坐标;为第个强像素点邻域内的第一个强异常点的横坐标;为第个强像素点邻域内的第一个强异常点的纵坐标;为第个强像素点邻域内的第n个强异常点的横坐标;为第个强像素点邻域内的第n个强异常点的纵坐标;
所述计算连线上各弱异常点的连续递减规律值,包括:
所述连续递减规律值的计算公式为:
2.根据权利要求1所述的一种用于提取工件表面研磨褶皱的方法,其特征在于,所述对工件图像进行预处理得到目标图像,包括:
对工件图像先进行高斯滤波降噪处理得到真实图像;对真实图像进行语义分割,分割出工件区域的工件区域图像,将工件区域图像进行灰度化,得到目标图像。
4.根据权利要求1所述的一种用于提取工件表面研磨褶皱的方法,其特征在于,所述检测出目标图像中的异常点,包括:
将异常程度大于等于预设第一阈值的像素点作为异常点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211156152.1A CN115249301B (zh) | 2022-09-22 | 2022-09-22 | 一种用于提取工件表面研磨褶皱的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211156152.1A CN115249301B (zh) | 2022-09-22 | 2022-09-22 | 一种用于提取工件表面研磨褶皱的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115249301A CN115249301A (zh) | 2022-10-28 |
CN115249301B true CN115249301B (zh) | 2022-12-20 |
Family
ID=83699688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211156152.1A Active CN115249301B (zh) | 2022-09-22 | 2022-09-22 | 一种用于提取工件表面研磨褶皱的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115249301B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972203A (zh) * | 2022-04-29 | 2022-08-30 | 南通市立新机械制造有限公司 | 基于分水岭分割的机械零件轧制异常检测方法 |
CN115049651B (zh) * | 2022-08-15 | 2022-10-28 | 邹城市天晖软件科技有限公司 | 一种钣金冲压异常检测方法 |
CN115082462B (zh) * | 2022-08-22 | 2022-11-08 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
CN115082464B (zh) * | 2022-08-22 | 2023-12-12 | 广州市昱通环保科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
-
2022
- 2022-09-22 CN CN202211156152.1A patent/CN115249301B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115249301A (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223296B (zh) | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 | |
Moolman et al. | Digital image processing as a tool for on-line monitoring of froth in flotation plants | |
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN115294158A (zh) | 一种基于机器视觉的热连轧带钢图像分割方法 | |
CN107705314B (zh) | 一种基于灰度分布的多物体图像分割方法 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN114092403A (zh) | 基于机器视觉的砂轮磨损检测方法及系统 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
CN113610850B (zh) | 一种基于图像处理的装饰纸纹理异常检测方法 | |
CN107403435B (zh) | 一种基于rgb颜色空间的彩色图像边缘提取方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
Jahedsaravani et al. | Development of a new algorithm for segmentation of flotation froth images | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN111445482A (zh) | 重叠双孢蘑菇的分割识别方法 | |
CN111524156A (zh) | 一种基于距离变换和角点检测的重叠柑橘分割方法 | |
CN113588656A (zh) | 一种新型螺栓外观尺寸检测方法 | |
CN115861313A (zh) | 一种用于磨头的磨损检测方法 | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN115249301B (zh) | 一种用于提取工件表面研磨褶皱的方法 | |
CN112381140B (zh) | 一种基于新特征参数的磨粒图像机器学习识别方法 | |
CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
CN109636785A (zh) | 一种识别金刚砂颗粒的视觉处理方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN115100510B (zh) | 一种轮胎磨损度识别方法 |
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 |