CN115294118A - 一种船用钣金焊接缺陷识别方法 - Google Patents

一种船用钣金焊接缺陷识别方法 Download PDF

Info

Publication number
CN115294118A
CN115294118A CN202211219233.1A CN202211219233A CN115294118A CN 115294118 A CN115294118 A CN 115294118A CN 202211219233 A CN202211219233 A CN 202211219233A CN 115294118 A CN115294118 A CN 115294118A
Authority
CN
China
Prior art keywords
image
frequency domain
enhanced
brightness
amplification factor
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.)
Pending
Application number
CN202211219233.1A
Other languages
English (en)
Inventor
袁婉庆
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.)
Nantong Xianduan Precision Machinery Co ltd
Original Assignee
Nantong Xianduan Precision Machinery 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 Nantong Xianduan Precision Machinery Co ltd filed Critical Nantong Xianduan Precision Machinery Co ltd
Priority to CN202211219233.1A priority Critical patent/CN115294118A/zh
Publication of CN115294118A publication Critical patent/CN115294118A/zh
Pending legal-status Critical Current

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种船用钣金焊接缺陷识别方法，该方法采集钣金焊接后的表面图像，并得到去噪图像；将去噪图像转换到频域空间得到频域图像，使用同态率波对频域图像进行增强；对频域图像进行连通域分析得到多个连通域，根据每个连通域的亮度值与平均亮度的亮度差异和局部反光影响程度获取放大系数；基于放大系数构建频域增强函数；利用频域增强函数对频域图像进行增强，得到增强频域图像；将增强频域图形转换至空间域中，得到对应的增强图像，对增强图像进行二值化，基于得到的二值化图像进行缺陷检测。本发明能够增强图像中的暗部细节，抑制局部高亮的位置，使边缘信息更加清晰，提高缺陷检测的准确率。

Description

一种船用钣金焊接缺陷识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种船用钣金焊接缺陷识别方法。
背景技术
船用钣金焊接生产过程中，钣金表面或近表面可能存在焊接缺陷的隐患。这些缺陷的出项会导致产品的质量下降，使船只在运行过程中具有潜在的风险，尤其是焊接表面存在裂痕时，船舶在运行过程中存在裂痕的位置可能会发生断裂，发生事故，因此焊接后需要对钣金的焊接处进行检测。
焊接过程中由于焊接表面会产生反光不均匀或是表面清理不干净导致在进行缺陷检测的过程中图像表面不清晰，得到的缺陷表面图像不清晰，需要对得到的图像进行增强。
现有的方法主要是根据高斯同态滤波对图像中的光照不均匀进行处理，现有的同态滤波器存在多参数的缺陷，并且多个参数并不受控制，参数值由大量的实验得到的经验值，对不同的图像参数值不同，适应性差。
发明内容
为了解决上述技术问题，本发明提供一种船用钣金焊接缺陷识别方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种船用钣金焊接缺陷识别方法，该方法包括以下步骤：
采集钣金焊接后的表面图像，并去除所述表面图像的噪声，得到去噪图像；
将所述去噪图像转换到频域空间得到频域图像，使用同态率波对所述频域图像进行增强；对所述频域图像进行连通域分析得到多个连通域，根据每个连通域的亮度值与平均亮度的亮度差异和局部反光影响程度获取放大系数；基于所述放大系数构建频域增强函数；
利用所述频域增强函数对所述频域图像进行增强，得到增强频域图像；将所述增强频域图形转换至空间域中，得到对应的增强图像，对所述增强图像进行二值化，基于得到的二值化图像进行缺陷检测。
优选的，所述去除所述表面图像的噪声，包括：通过高斯滤波将所述表面图像中的噪声去除。
优选的，所述使用同态率波对所述频域图像进行增强，包括：
将频域图像中的亮度信息分离为照射分量和反射分量，并分别进行傅里叶变换，得到增强后的亮度信息。
优选的，所述放大系数的获取方法为：
以所述亮度差异与连通域的面积的比值作为所述反光影响程度，以1减去所述亮度差异得到的差值乘上所述反光影响程度的乘积作为所述放大系数。
优选的，所述基于所述放大系数构建频域增强函数，包括：
将放大系数与同态滤波器的传递函数相乘，再加上偏移量得到重新构建的频域增强函数；所述偏移量为预设常数。
优选的，所述利用所述频域增强函数对所述频域图像进行增强，包括：
以所述频域增强函数乘上增强后的亮度信息，得到增强后的频域图像。
本发明实施例至少具有如下有益效果：
通过放大系数构建频域增强函数，使得图像的整体亮度均匀，达到图像增强的效果；对得到的光照不均匀的频域图像，通过光照场特征分析得到同态滤波器的参数信息，对光照不均匀图像中的暗部细节进行增强，对局部高亮的位置进行抑制；然后获取增强图像使得图像中的边缘信息更加清晰，图像中的边缘更加平滑，基于增强图像进行缺陷检测，进行缺陷检测时更加明显，检测的准确率更高。
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提供的一种船用钣金焊接缺陷识别方法的步骤流程图；
图2为本发明一个实施例提供的钣金焊接后的表面图像；
图3为图2进行图像增强后的二值化图像；
图4为图3膨胀腐蚀操作后得到的缺陷的二值化图像。
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，对依据本发明提出的一种船用钣金焊接缺陷识别方法，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一种船用钣金焊接缺陷识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种船用钣金焊接缺陷识别方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集钣金焊接后的表面图像，并去除表面图像的噪声，得到去噪图像。
具体的步骤包括：
1、采集钣金焊接后的表面图像。
船舶钣金进行焊接时，由于钣金较大，焊接后的得到焊缝较长，因此需要通过视觉机器人采集焊缝图像，采集的表面图像如图2所示。
2、去除表面图像的噪声，得到去噪图像。
由于采集图像实在室外的环境中进行的，因此，得到的图像中存在噪声影响图像的质量，因此，需要对图像进行预处理，去除图像中的噪声。
得到的图像中的环境噪声主要是高斯噪声，因此通过高斯滤波将表面图像中的噪声去除，得到去噪图像，提高图像的质量。
步骤S002，将去噪图像转换到频域空间得到频域图像，使用同态率波对频域图像进行增强；对频域图像进行连通域分析得到多个连通域，根据每个连通域的亮度值与平均亮度的亮度差异和局部反光影响程度获取放大系数；基于放大系数构建频域增强函数。
具体的步骤包括：
1、将去噪图像转换到频域空间得到频域图像，使用同态率波对频域图像进行增强。
将频域图像中的亮度信息分离为照射分量和反射分量，并分别进行傅里叶变换，得到增强后的亮度信息。
同态滤波是在频域对图像进行增强的方法，利用滤波算法减弱低频部分、增强高频部分，来减少图像中的关照变化，也使得边缘锐化、细节突出。
将图像中的亮度信息表示为
Figure DEST_PATH_IMAGE001
，将图像中的亮度信息分为照射分量和反射分量，因此，图像中的照射分量还可以表示为：
Figure DEST_PATH_IMAGE003
其中，
Figure 673059DEST_PATH_IMAGE004
表示照射分量，代表描述景物照度的信息，变化缓慢，可以看作是图像的低频部分；
Figure DEST_PATH_IMAGE005
表示反射分量，代表描述景物细节信息，变化的较快，可以看作是图像中的高频部分。
将图像中的变换缓慢以及变换较快的信息进行分离：
Figure DEST_PATH_IMAGE007
对得到分离后的信息进行傅里叶变化可表示为：
Figure DEST_PATH_IMAGE009
其中，
Figure 612807DEST_PATH_IMAGE010
表示为图像中的照射分量（低频部分）的像素点位置的傅里叶变换，
Figure DEST_PATH_IMAGE011
表示为反射分量（高频部分）的像素点位置的傅里叶变换。
使用频域增强函数
Figure 850891DEST_PATH_IMAGE012
对得到的
Figure DEST_PATH_IMAGE013
频域函数进行增强，
Figure 697493DEST_PATH_IMAGE014
是同态滤波的传递函数，在频域分别作用于照度分量和反射分量。
2、对频域图像进行连通域分析得到多个连通域，根据每个连通域的亮度值与平均亮度的亮度差异和局部反光影响程度获取放大系数。
根据得到的图像进行计算，计算图像中的光照场，根据图像的光照场进行分析，判断图像中的光照分布信息，根据图像中的光照信息判断图像的信息分布情况，根据图像中的分布信息进行分析，以及图像中焊接位置的走向信息，得到同态滤波的传递函数的参数，根据同态滤波的参数对图像中的光照不均匀进行调整。
以亮度差异与连通域的面积的比值作为反光影响程度，以1减去亮度差异得到的差值乘上反光影响程度的乘积作为放大系数。
使用大津算法计算当前去噪后图像的阈值，对去噪后图像进行二值化，得到二值化图像的闭合连通域
Figure DEST_PATH_IMAGE015
，通过二值化掩膜得到去噪后图像的中对应区域的亮度。
根据得到的图像的连通域区域，计算图像第
Figure 515276DEST_PATH_IMAGE016
个连通域分割块内的亮度值
Figure DEST_PATH_IMAGE017
：
Figure DEST_PATH_IMAGE019
其中，
Figure 766653DEST_PATH_IMAGE017
为图像中第
Figure 316583DEST_PATH_IMAGE016
个连通域内所有像素点的亮度均值，
Figure 791427DEST_PATH_IMAGE020
表示第
Figure 147322DEST_PATH_IMAGE016
个二值化分割块内的像素点的坐标值，
Figure DEST_PATH_IMAGE021
和
Figure 187959DEST_PATH_IMAGE022
分别表示图像中二值化区域内的像素点横坐标和纵坐标的范围。
计算图像中不同区域的亮度均值：
Figure 705528DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为图像中所有连通域的均值，
Figure 467335DEST_PATH_IMAGE017
为第
Figure 361342DEST_PATH_IMAGE016
个连通域区域内的亮度值。
图像中的连通域的差异值与连通域之间的均值差异越大，连通域受光照不均匀的影响越严重，计算图像中第
Figure 725327DEST_PATH_IMAGE016
个连通域和均值之间的差异
Figure 351481DEST_PATH_IMAGE026
：
Figure 597654DEST_PATH_IMAGE028
式中，
Figure 29773DEST_PATH_IMAGE026
为第
Figure 185947DEST_PATH_IMAGE016
个连通域和图像中所有图像的均值之间的亮度差异，
Figure 48249DEST_PATH_IMAGE025
为图像中所有连通域的均值，
Figure 719401DEST_PATH_IMAGE017
为图像中第
Figure 220790DEST_PATH_IMAGE016
个连通域内所有像素点的亮度均值。
由于采集图像的过程中，金属的表面会发生反光现象，影响图像的检测，而传统的同态滤波在对图像进行增强时，没有考虑到图像局部反光的影响，使增强后的图像焊缝位置的像素点信息增强时过度增强，因此需要判断图像中的存在差异区域的面积的影响。
差异值越大，差异的面积越小，局部反光的影响越大。
计算局部反光的影响程度：
Figure 293788DEST_PATH_IMAGE030
其中，
Figure 58482DEST_PATH_IMAGE026
为第
Figure 216931DEST_PATH_IMAGE016
个连通域和图像中所有图像的均值之间的亮度差异，
Figure DEST_PATH_IMAGE031
为第
Figure 318748DEST_PATH_IMAGE016
个连通域的面积。
因此需要对同态滤波的进行放大，使得到的图像的亮度整体变得均匀，当连通域的亮度
Figure 237463DEST_PATH_IMAGE032
需要增强图像中的像素点的亮度信息，并且根据图像中的亮度差异值对图像的该区域进行增强；当连通域的亮度
Figure DEST_PATH_IMAGE033
需要抑制图像中的像素点的亮度信息，并且根据图像中的亮度差异值对图像的该区域进行抑制。
得到图像中需要增强的放大系数
Figure 235375DEST_PATH_IMAGE034
：
Figure 881120DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
为第
Figure 255470DEST_PATH_IMAGE016
个区域的放大系数，
Figure 303060DEST_PATH_IMAGE038
为第
Figure 675136DEST_PATH_IMAGE016
个区域的局部反光的影响程度，
Figure 811107DEST_PATH_IMAGE026
为第
Figure 926830DEST_PATH_IMAGE016
个连通域和图像中所有图像的均值之间的亮度差异，当第
Figure 828927DEST_PATH_IMAGE016
个区域的放大系数
Figure 637483DEST_PATH_IMAGE037
小于1时，对得到的图像进行增强，当第
Figure 992241DEST_PATH_IMAGE016
个区域的放大系数
Figure 114918DEST_PATH_IMAGE037
大于1时，对得到的图像进行抑制。
3、基于放大系数构建频域增强函数。
将放大系数与同态滤波器的传递函数相乘，再加上偏移量得到重新构建的频域增强函数；偏移量为预设常数。
同态滤波器的传统的传递函数为：
Figure 871521DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
决定了转换点，而功率系数
Figure 978542DEST_PATH_IMAGE042
决定了转换斜率的陡度，
Figure DEST_PATH_IMAGE043
为一个常数，控制滤波器的形状。
其中
Figure 148492DEST_PATH_IMAGE042
越大，斜率越大；
Figure 340439DEST_PATH_IMAGE043
越大，转换点越大滤波器的形状幅度越大。
需要说明的是，指数
Figure 951549DEST_PATH_IMAGE042
必须是2的正幂。
上述公式为现有的同态滤波器的传递函数，基于放大系数构建频域增强函数
Figure 898645DEST_PATH_IMAGE044
：
Figure 227995DEST_PATH_IMAGE046
其中，
Figure 226563DEST_PATH_IMAGE044
为重新构建后的同态滤波的传递函数，即频域增强函数；
Figure 488917DEST_PATH_IMAGE034
为传递函数的放大系数，
Figure DEST_PATH_IMAGE047
为图像中的偏移量。
在本发明实施例中偏移量为0.5。
步骤S003，利用频域增强函数对频域图像进行增强，得到增强频域图像；将增强频域图形转换至空间域中，得到对应的增强图像，对增强图像进行二值化，基于得到的二值化图像进行缺陷检测。
具体的步骤包括：
1、利用频域增强函数对频域图像进行增强，得到增强频域图像。
以频域增强函数乘上增强后的亮度信息，得到增强后的频域图像：
Figure DEST_PATH_IMAGE049
其中，
Figure 669232DEST_PATH_IMAGE050
表示增强后的频域图像。
因为光照的特征通常是空间中缓慢的变化，因此对应于频域中的低频部分。在二维傅里叶变换中，光照分量接近于中心位置。相对而言，反射分量表示了物体间的空间变化，因此通常对应于频域中的高频部分，具体取决于物体中细节的数量。因此，在二维傅里叶变换中反射分量处于较为外部的部分。通过上述方法可以对图像中光照不均匀的图像提供很好的图像增强结果。
2、将增强频域图形转换至空间域中，得到对应的增强图像，对增强图像进行二值化，基于得到的二值化图像进行缺陷检测。
在频域滤波后，对频域中的滤波结果进行傅里叶反变换到空间域中。再对
Figure DEST_PATH_IMAGE051
进行以常数e为底的指数运算，来消除之前进行的对数运算的影响，得到对应的增强图像。
增强图像为光照均匀的图像，将增强图像进行二值化，得到焊接表面的二值化图像，如图3所示；通过形态学的膨胀腐蚀操作，去除二值化图像中的细小颗粒，得到图像中缺陷的二值化图像，如图4所示。通过神经网络根据图像中的连通域的形状、大小即可判断出焊接图像中是否存在缺陷。
综上所述，本发明实施例采集钣金焊接后的表面图像，并去除表面图像的噪声，得到去噪图像；将去噪图像转换到频域空间得到频域图像，使用同态率波对频域图像进行增强；对频域图像进行连通域分析得到多个连通域，根据每个连通域的亮度值与平均亮度的亮度差异和局部反光影响程度获取放大系数；基于放大系数构建频域增强函数；利用频域增强函数对频域图像进行增强，得到增强频域图像；将增强频域图形转换至空间域中，得到对应的增强图像，对增强图像进行二值化，基于得到的二值化图像进行缺陷检测。本发明实施例能够对光照不均匀图像中的暗部细节进行增强，对局部高亮的位置进行抑制，使图像中的边缘信息更加清晰，图像中的边缘更加平滑，提高缺陷检测的准确率。
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。且上述对本说明书特定实施例进行了描述。另外，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或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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，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 (6)

1.一种船用钣金焊接缺陷识别方法，其特征在于，该方法包括以下步骤：
采集钣金焊接后的表面图像，并去除所述表面图像的噪声，得到去噪图像；
将所述去噪图像转换到频域空间得到频域图像，使用同态率波对所述频域图像进行增强；对所述频域图像进行连通域分析得到多个连通域，根据每个连通域的亮度值与平均亮度的亮度差异和局部反光影响程度获取放大系数；基于所述放大系数构建频域增强函数；
利用所述频域增强函数对所述频域图像进行增强，得到增强频域图像；将所述增强频域图形转换至空间域中，得到对应的增强图像，对所述增强图像进行二值化，基于得到的二值化图像进行缺陷检测。
2.根据权利要求1所述的一种船用钣金焊接缺陷识别方法，其特征在于，所述去除所述表面图像的噪声，包括：通过高斯滤波将所述表面图像中的噪声去除。
3.根据权利要求1所述的一种船用钣金焊接缺陷识别方法，其特征在于，所述使用同态率波对所述频域图像进行增强，包括：
将频域图像中的亮度信息分离为照射分量和反射分量，并分别进行傅里叶变换，得到增强后的亮度信息。
4.根据权利要求1所述的一种船用钣金焊接缺陷识别方法，其特征在于，所述放大系数的获取方法为：
以所述亮度差异与连通域的面积的比值作为所述反光影响程度，以1减去所述亮度差异得到的差值乘上所述反光影响程度的乘积作为所述放大系数。
5.根据权利要求3所述的一种船用钣金焊接缺陷识别方法，其特征在于，所述基于所述放大系数构建频域增强函数，包括：
将放大系数与同态滤波器的传递函数相乘，再加上偏移量得到重新构建的频域增强函数；所述偏移量为预设常数。
6.根据权利要求4所述的一种船用钣金焊接缺陷识别方法，其特征在于，所述利用所述频域增强函数对所述频域图像进行增强，包括：
以所述频域增强函数乘上增强后的亮度信息，得到增强后的频域图像。
CN202211219233.1A 2022-10-08 2022-10-08 一种船用钣金焊接缺陷识别方法 Pending CN115294118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211219233.1A CN115294118A (zh) 2022-10-08 2022-10-08 一种船用钣金焊接缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219233.1A CN115294118A (zh) 2022-10-08 2022-10-08 一种船用钣金焊接缺陷识别方法

Publications (1)

Publication Number Publication Date
CN115294118A true CN115294118A (zh) 2022-11-04

Family

ID=83834206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219233.1A Pending CN115294118A (zh) 2022-10-08 2022-10-08 一种船用钣金焊接缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115294118A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830403A (zh) * 2023-02-22 2023-03-21 厦门微亚智能科技有限公司 一种基于深度学习的自动缺陷分类系统及方法
CN116664567A (zh) * 2023-07-26 2023-08-29 山东艾迈科思电气有限公司 一种固体绝缘开关柜质量评估方法及系统
CN117876286A (zh) * 2024-03-13 2024-04-12 哈船通航(三亚)技术服务合伙企业(有限合伙) 一种水下机器人用智能船舶清洗系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533614A (zh) * 2019-08-28 2019-12-03 哈尔滨工程大学 一种结合频域和空域的水下图像增强方法
CN111583123A (zh) * 2019-02-17 2020-08-25 郑州大学 一种基于小波变换的融合高低频信息的图像增强算法
CN114092682A (zh) * 2021-11-09 2022-02-25 国网辽宁省电力有限公司铁岭供电公司 基于机器学习的小金具类缺陷检测算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583123A (zh) * 2019-02-17 2020-08-25 郑州大学 一种基于小波变换的融合高低频信息的图像增强算法
CN110533614A (zh) * 2019-08-28 2019-12-03 哈尔滨工程大学 一种结合频域和空域的水下图像增强方法
CN114092682A (zh) * 2021-11-09 2022-02-25 国网辽宁省电力有限公司铁岭供电公司 基于机器学习的小金具类缺陷检测算法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830403A (zh) * 2023-02-22 2023-03-21 厦门微亚智能科技有限公司 一种基于深度学习的自动缺陷分类系统及方法
CN116664567A (zh) * 2023-07-26 2023-08-29 山东艾迈科思电气有限公司 一种固体绝缘开关柜质量评估方法及系统
CN116664567B (zh) * 2023-07-26 2023-09-29 山东艾迈科思电气有限公司 一种固体绝缘开关柜质量评估方法及系统
CN117876286A (zh) * 2024-03-13 2024-04-12 哈船通航(三亚)技术服务合伙企业(有限合伙) 一种水下机器人用智能船舶清洗系统
CN117876286B (zh) * 2024-03-13 2024-05-17 哈船通航(三亚)技术服务合伙企业(有限合伙) 一种水下机器人用智能船舶清洗系统

Similar Documents

Publication Publication Date Title
CN115294118A (zh) 一种船用钣金焊接缺陷识别方法
CN115049835B (zh) 基于压铸模具缺陷识别的数据预处理方法
CN113436168B (zh) 一种用于工业焊缝x光图中的裂纹缺陷检测方法
CN110895806A (zh) 屏幕显示缺陷的检测方法及系统
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN115049664B (zh) 基于视觉的船舶发动机配件缺陷检测方法
CN110766689A (zh) 基于卷积神经网络进行物品图像缺陷检测的方法及装置
CN115359044B (zh) 一种基于图像增强的金属件表面划痕检测方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN115131359B (zh) 一种金属加工件表面麻点缺陷检测方法
CN115775250A (zh) 基于数字图像分析的金手指电路板缺陷快速检测系统
CN115330758A (zh) 基于去噪处理的焊接质量检测方法
CN115239738B (zh) 一种汽车零件配置智能检测方法
CN115272335A (zh) 基于显著性检测的冶金金属表面缺陷检测方法
CN116402810B (zh) 基于图像处理的润滑油抗磨粒质量检测方法
CN110348442B (zh) 一种基于支持向量机的船载雷达图像海上油膜识别方法
CN114998311A (zh) 一种基于同态滤波的零件精密度检测方法
CN112233037B (zh) 基于图像分割的图像增强系统及方法
CN110738675B (zh) 一种探地雷达图像边缘检测中去除伪影干扰的方法
Tao Enhanced Canny Algorithm for Image Edge Detection in Print Quality Assessment
CN111915633A (zh) 一种铸件边缘检测方法及装置
Yun et al. Detection of line defects in steel billets using undecimated wavelet transform
CN115170446B (zh) 基于形态学处理的自适应钣金图像增强方法

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