CN115294140B - 一种五金零件缺陷检测方法及系统 - Google Patents

一种五金零件缺陷检测方法及系统 Download PDF

Info

Publication number
CN115294140B
CN115294140B CN202211229527.2A CN202211229527A CN115294140B CN 115294140 B CN115294140 B CN 115294140B CN 202211229527 A CN202211229527 A CN 202211229527A CN 115294140 B CN115294140 B CN 115294140B
Authority
CN
China
Prior art keywords
low
pixel points
suspicious
brightness pixel
brightness
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
CN202211229527.2A
Other languages
English (en)
Other versions
CN115294140A (zh
Inventor
丁炜
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 Yongzhuo Metal Products Co ltd
Original Assignee
Nantong Yongzhuo Metal Products 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 Yongzhuo Metal Products Co ltd filed Critical Nantong Yongzhuo Metal Products Co ltd
Priority to CN202211229527.2A priority Critical patent/CN115294140B/zh
Publication of CN115294140A publication Critical patent/CN115294140A/zh
Application granted granted Critical
Publication of CN115294140B publication Critical patent/CN115294140B/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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及数据识别处理技术领域，具体涉及一种五金零件缺陷检测方法及系统。该方法对经由图像识别电子设备所识别得到的螺栓表面灰度图像进行数据获取，进而对获取的数据进行处理分析，侧重点是对数据处理方法进行改进，以低亮度像素点属于缺陷区域像素点的隶属度区分缺陷区域低亮度像素点和非缺陷区域低亮度像素点，并对缺陷区域低亮度像素点聚类，以聚类簇中低亮度像素点的隶属度相似性及低亮度像素点的密度确定聚类簇属于缺陷区域的可信度，筛选出属于缺陷区域的聚类簇区域并在其中进行缺陷检测。该方法排除了非缺陷区域上低亮度像素点对检测的干扰，缩小了检测的范围，实现了精确高效检测，解决了螺栓表面缺陷检测精确度不足的问题。

Description

一种五金零件缺陷检测方法及系统
技术领域
本发明涉及数据识别处理技术领域，具体涉及一种五金零件缺陷检测方法及系统。
背景技术
螺栓在日常生活和工业生产制造过程中是十分常用且必不可少的五金零件，当前对螺栓检测的方法都是基于阈值分割进行异常识别，对螺栓上明显的缺陷检测的效果较好，但对于螺栓表面裂纹之类的微小不明显的缺陷则经常会漏检与错检，这是因为螺栓本就不属于精密加工五金零件，其表面常见因锻造或车削而形成的不平整、不光滑区域与车削痕迹，对裂纹这种螺栓表面微小缺陷的识别造成严重干扰，导致当前对螺栓该种五金零件的缺陷检测精确度不足。
发明内容
本发明提供了一种五金零件缺陷检测方法及系统，用以解决现有技术对螺栓缺陷检测精确度不足的问题，所采用的技术方案具体如下：
本发明的一种五金零件缺陷检测方法，包括以下步骤：
识别螺栓表面，得到螺栓表面灰度图像；
根据灰度图像上所有像素点的灰度值中的最大值以及所有像素点的灰度值中的最小值，确定用于区分高亮度像素点以及低亮度像素点的灰度分界值，以所述灰度分界值确定灰度图像上所有的低亮度像素点；
根据低亮度像素点邻域内所存在的低亮度像素点的数量以及该低亮度像素点邻域内灰度值结构的熵值，确定该低亮度像素点属于可疑像素点的隶属度，并在该低亮度像素点属于可疑像素点的隶属度不小于隶属度阈值时，将该低亮度像素点作为可疑像素点；
对所有可疑像素点进行聚类，得到若干聚类簇，根据每个聚类簇中所有可疑像素点的隶属度以及所有可疑像素点的密度，确定该聚类簇属于可疑缺陷区域的可信度，并在该聚类簇属于可疑缺陷区域的可信度不小于可信度阈值时，将该聚类簇作为可疑缺陷区域；
确定每个可疑缺陷区域的最小外接矩形，对每个最小外接矩形进行平滑滤波，然后在平滑滤波后的各个最小外接矩形区域内进行边缘检测，确定螺栓表面缺陷。
本发明的有益效果为：
本发明该方法首先根据缺陷的灰度特征在螺栓表面灰度图像中找出了符合缺陷灰度特征的低亮度像素点，然后根据并不属于缺陷区域的干扰低亮度像素点与缺陷区域中低亮度像素点各自周围像素点的灰度结构熵值以及低亮度像素点的存在数量确定每个低亮度像素点属于可疑像素点的隶属度，确定出可能为缺陷像素点的可疑像素点，然后对可疑像素点聚类后通过每个聚类簇中可疑像素点的密度和对应隶属度的方差确定聚类簇属于可疑缺陷区域的可信度，以最终所确定的可疑缺陷区域作为缺陷检测的目标区域完成螺栓表面缺陷检测，不但排除了非缺陷区域上因螺栓表面不平滑特点而存在的干扰低亮度像素点的干扰影响，而且缩小了需检测的螺栓表面的区域范围，实现了对螺栓表面缺陷的高效准确检测。
进一步的，所述灰度分界值为，其中与分别为灰度图像上所有像素点的灰度值中的最小值以及最大值。
进一步的，所述低亮度像素点属于可疑像素点的隶属度为：
其中，表示第i个低亮度像素点属于可疑像素点的隶属度，n表示以第i个低亮度像素点为中心点的窗口的边长，表示以第i个低亮度像素点为中心点的窗口内像素点的总数，表示以第i个低亮度像素点为中心点的窗口内第v个像素点的灰度值，表示以第i个低亮度像素点为中心点的窗口内第v个像素点的灰度值在该窗口内出现的概率，表示以自然常数e为底数的对数函数，表示以第i个低亮度像素点为中心点的窗口内低亮度像素点的总数，表示以第i个低亮度像素点为中心点的窗口内低亮度像素点的占比，表示以自然常数e为底数的指数函数，表示以第i个低亮度像素点为中心点的窗口内灰度值结构的熵值。
进一步的，所述聚类簇属于可疑缺陷区域的可信度为：
其中，表示第个聚类簇属于可疑缺陷区域的可信度，表示第个聚类簇内可疑像素点的隶属度的方差，表示第个聚类簇内可疑像素点的密度，表示以自然常数e为底数的指数函数，表示双曲正切函数。
本发明还提供了一种五金零件缺陷检测系统，包括存储器和处理器，所述处理器用于执行存储于所述存储器中的指令以实现上述介绍的五金零件缺陷检测方法，并达到与该方法相同的效果。
附图说明
图1是本发明该种五金零件缺陷检测方法的流程图。
具体实施方式
下面结合附图及实施例，对本发明的一种五金零件缺陷检测方法及一种五金零件缺陷检测系统进行详细说明。
方法实施例：
本发明的一种五金零件缺陷检测方法实施例，其整体流程如图1所示，具体过程如下：
步骤一，使用图像采集设备获取螺栓表面灰度图像。
采用相关图像采集的电子设备，如高清工业相机以获取螺栓的表面图像，并经灰度化处理的方式将螺栓的表面图像进行灰度转化得到螺栓表面灰度图像。
由于要对螺栓整体表面进行全方位全角度的检测才能判断出螺栓表面整体是否存在缺陷，所以本实施例选择在以初始角度获取到螺栓的表面图像后，通过旋转螺栓角度的方式继续获取其它角度下的螺栓表面图像，并最终完成对螺栓全角度的表面图像的获取并对应得到表面灰度图像。
在由图像采集设备获取到螺栓的表面灰度图像后，获取螺栓表面灰度图像的数据以便于后续对螺栓缺陷的检测分析。
步骤二，确定灰度图像中低亮度的像素点，然后根据低亮度像素点所处的像素环境判断其是否为可能属于缺陷区域的可疑像素点，从而确定出所有可疑像素点。
由于螺栓在生产过程中对表面光滑度并没有太高的要求，且螺栓表面存在适当的粗糙度还可以增加螺栓与螺母之间的咬合力而使紧固效果更好，所以螺栓表面在高像素镜头下会存在大量的螺栓原材料的晶体颗粒而表现出明显的凹凸不平现象，反应到灰度图像上便会存在大量离散的灰度值较低的像素点，这就导致在利用现有的阈值分割方法识别缺陷区域的过程中会将非缺陷区域中这些离散的灰度值较低的像素点误判断为缺陷像素点，对螺栓表面裂纹缺陷进识别造成大量的冗余干扰，从而导致对裂纹缺陷区域进行边缘检测时准确度严重降低，也即导致检测结果失真。
为了避免非缺陷区域中螺栓原材料的晶体纹理对裂纹缺陷识别所带来的干扰，会对图像进行滤波平滑处理，但螺栓表面的晶体颗粒图像，存在局部较亮或局部较暗的区域，若直接进行滤波，会导致像素块之间的割裂更加明显，即图像可能呈现出明显黑一块白一块的割裂效果。
为了避免整张图像平滑带来的一系列问题，本实施例选择并不对整张图像进行平滑滤波，而是仅对可能存在缺陷的区域进行局部滤波，使得可疑缺陷周围的晶体纹理对缺陷检测结果的影响大大削弱，因此需要进行可疑缺陷区域的引导过程，即我们在真正检测之前，对可能为裂纹缺陷的区域进行局部滤波，然后再进行阈值分割、边缘检测，从而大幅减少冗余检测结果的干扰，并减轻后续缺陷识别处理的运算压力。
根据灰度图像中所有像素低的灰度值的大小，可以将灰度图像中所有像素点分为低亮度像素点以及高亮度像素点两种。
确定灰度图像上所有像素点的灰度值中的最小值以及最大值，确定灰度图像上所有像素点的灰度值区间[]，以作为灰度值的分界点，将灰度值低于的像素点标记为低亮度的像素点。
本实施例优选以灰度图像中所有像素点的灰度值中最大值和最小值的平均值作为了区分高亮度和低亮度像素点的灰度分界值，在其它实施例中，还可以根据已知的缺陷灰度等级以及对缺陷检测的精确度要求而将灰度分界值设置为其它值，如，等等。
然后，对于所有的低亮度的像素点，任取一个低亮度像素点以该低亮度像素点为中心点确定设定大小的窗口，本实施例优选设定大小的窗口为3*3的窗口，在其它实施例中还可根据检测精确度要求而采用其它大小的窗口，基于所构建的窗口，计算该像素点属于可疑像素点的隶属度：
其中，表示第i个低亮度像素点属于可疑像素点的隶属度，n表示以第i个低亮度像素点为中心点的窗口的边长，表示以第i个低亮度像素点为中心点的窗口内像素点的总数，表示以第i个低亮度像素点为中心点的窗口内第v个像素点的灰度值，表示以第i个低亮度像素点为中心点的窗口内第v个像素点的灰度值在该窗口内出现的概率，表示以自然常数e为底数的对数函数，表示以第i个低亮度像素点为中心点的窗口内低亮度像素点的总数，表示以第i个低亮度像素点为中心点的窗口内低亮度像素点的占比，表示以自然常数e为底数的指数函数，表示以第i个低亮度像素点为中心点的窗口内灰度值结构的熵值。
低亮度像素点的隶属度不仅受其本身的灰度值大小影响，还受该低亮度像素点所在邻域的像素环境影响，简单来说其所在像素环境越均匀，低亮像素点越多，则该低亮像素点为缺陷像素点也即可疑像素点的隶属度便越高。
在可疑像素点的隶属度公式中，经将熵值进行反比例归一化而将其取值限定在[0,1]后，当以第i个低亮度像素点为中心点的窗口内灰度值结构的熵值越小，则对应的值便越大也即越接近1，同时，以第i个低亮度像素点为中心点的窗口内低亮度像素点的数量越多，则取值越大，最终第i个低亮度像素点属于缺陷像素点也即属于可疑像素点的隶属度便越高。
设置可疑像素点的隶属度阈值，本实施例优选可疑像素点的隶属度阈值为0.7，在其它实施例中可根据检测精确度要求而对可疑像素点的隶属度阈值取其它值。当时，认为低亮度像素点i可能为缺陷像素点，也即认为其为可疑像素点，按照该方法可确定所有低亮度像素点中的可疑像素点。
步骤三，对所有可疑像素点进行聚类得到若干聚类簇，确定每个聚类簇是否为可疑缺陷区域。
对所有的可疑像素点进行聚类，聚类算法即将具有相似属性的可疑像素点根据空间距离进行归类，采用聚类算法的目的在于：我们对标记的可疑像素点进行空间聚集性的分析，即螺栓晶体背景上所标记的可疑像素点具有局部分散的特性，而缺陷区域的可疑像素点具有集中分布的特性。
基于彼此之间空间距离进行聚类后的可疑像素点，呈现多个聚簇分布，即每个簇都是由多个可疑像素点组成的集合，我们以每个簇内可疑像素点的隶属度作为其特征，计算每个聚类簇为可疑缺陷区域的可信度：
其中，表示第个聚类簇属于可疑缺陷区域的可信度，表示第个聚类簇内可疑像素点的隶属度的方差，表示第个聚类簇内可疑像素点的密度，表示以自然常数e为底数的指数函数，表示双曲正切函数。
可疑像素点组成的聚类簇中，其内可疑像素点的隶属度越相似，且可疑像素点之间越紧凑，或者说密度越大，则该聚簇区域为可疑缺陷区域的可能性越大。
在可疑缺陷区域的可信度公式中，经将可疑像素点的隶属度的方差进行反比例归一化而将其取值限定在[0,1]后，当可疑像素点的隶属度的方差越小，则对应的值便越大也即越接近 1，同时，经将可疑像素点的密度进行正比例归一化而将其取值限定在[0,1]后，当可疑像素点的密度越大，则对应的值便越大也即越接近1，最终第个聚类簇属于可疑缺陷区域的可信度便越大。其中则为利用欧几里得变换对两方面的特征进行整合。
设置可疑缺陷区域的可信度阈值，本实施例优选可疑缺陷区域的可信度阈值为0.9，在其它实施例中可根据检测精确度要求而对可疑缺陷区域的可信度阈值取其它值。当0.9时，第个聚类簇为可疑缺陷区域，按照该方法可确定所有聚类簇中的可疑缺陷区域。
步骤四，对所确定的可疑缺陷区域进行缺陷检测，确定螺栓表面缺陷。
根据上述计算得到所有可信度符合阈值要求的可疑缺陷区域，对每个可疑缺陷区域进行最小外接矩形拟合。然后对拟合区域内进行平滑滤波，得到一张局部平滑图像，然后对外接矩形范围内的图像进行直方图均衡化，增强对比度，完成对于螺栓表面灰度图像的预处理步骤。
通过以上处理，本实施例根据像素点灰度值以及像素点附近区域区域的灰度情况完成了可疑缺陷像素点的隶属度以及可疑缺陷区域的可信度的计算，获得了具有引导作用的缺陷区域框选，然后对框选区域进行预处理操作，不仅解决了螺栓背景纹理复杂，直接检测会造成检测结果冗余的问题，还对可疑缺陷区域进行了局部增强。
然后，本实施例仅在上述预处理后的外接矩形范围内进行Canny算子边缘检测，便可得到螺栓表面是否存在缺陷的检测，进一步的，为了确定缺陷的具体种类，仅需要再将可疑缺陷区域所检测出的缺陷的形态特征与缺陷特征库进行匹配，便可确定具体的缺陷种类，如淬火裂纹和锻造裂纹。
本实施例中所采用的Canny算子边缘检测方法仅是边缘检测的一种优选方法，在其它实施例中还可选取现有其它任意可行的边缘检测方法。
系统实施例：
本发明还提供了一种五金零件缺陷检测系统实施例，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现一种五金零件缺陷检测方法的步骤。
处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。
存储器可为利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的各式存储器，例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘等；利用光学方式存储信息的各式存储器，例如CD、DVD等。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等。
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；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 (3)

1.一种五金零件缺陷检测方法，其特征在于，包括以下步骤：
识别螺栓表面，得到螺栓表面灰度图像；
根据灰度图像上所有像素点的灰度值中的最大值以及所有像素点的灰度值中的最小值，确定用于区分高亮度像素点以及低亮度像素点的灰度分界值，以所述灰度分界值确定灰度图像上所有的低亮度像素点；
根据低亮度像素点邻域内所存在的低亮度像素点的数量以及该低亮度像素点邻域内灰度值结构的熵值，确定该低亮度像素点属于可疑像素点的隶属度，并在该低亮度像素点属于可疑像素点的隶属度不小于隶属度阈值时，将该低亮度像素点作为可疑像素点；
对所有可疑像素点进行聚类，得到若干聚类簇，根据每个聚类簇中所有可疑像素点的隶属度以及所有可疑像素点的密度，确定该聚类簇属于可疑缺陷区域的可信度，并在该聚类簇属于可疑缺陷区域的可信度不小于可信度阈值时，将该聚类簇作为可疑缺陷区域；
确定每个可疑缺陷区域的最小外接矩形，对每个最小外接矩形进行平滑滤波，然后在平滑滤波后的各个最小外接矩形区域内进行边缘检测，确定螺栓表面缺陷；
所述低亮度像素点属于可疑像素点的隶属度为：
其中，表示第i个低亮度像素点属于可疑像素点的隶属度，n表示以第i个低亮度像素点为中心点的窗口的边长，表示以第i个低亮度像素点为中心点的窗口内像素点的总数，表示以第i个低亮度像素点为中心点的窗口内第v个像素点的灰度值，表示以第i个低亮度像素点为中心点的窗口内第v个像素点的灰度值在该窗口内出现的概率，表示以自然常数e为底数的对数函数，表示以第i个低亮度像素点为中心点的窗口内低亮度像素点的总数，表示以第i个低亮度像素点为中心点的窗口内低亮度像素点的占比，表示以自然常数e为底数的指数函数，表示以第i个低亮度像素点为中心点的窗口内灰度值结构的熵值；
所述聚类簇属于可疑缺陷区域的可信度为：
其中，表示第个聚类簇属于可疑缺陷区域的可信度，表示第个聚类簇内可疑像素点的隶属度的方差，表示第个聚类簇内可疑像素点的密度，表示以自然常数e为底数的指数函数，表示双曲正切函数。
2.根据权利要求1所述的五金零件缺陷检测方法，其特征在于，所述灰度分界值为，其中与分别为灰度图像上所有像素点的灰度值中的最小值以及最大值。
3.一种五金零件缺陷检测系统，其特征在于，包括存储器和处理器，所述处理器用于执行存储于所述存储器中的指令以实现如权利要求1~2任一项所述的五金零件缺陷检测方法。
CN202211229527.2A 2022-10-09 2022-10-09 一种五金零件缺陷检测方法及系统 Active CN115294140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211229527.2A CN115294140B (zh) 2022-10-09 2022-10-09 一种五金零件缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211229527.2A CN115294140B (zh) 2022-10-09 2022-10-09 一种五金零件缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN115294140A CN115294140A (zh) 2022-11-04
CN115294140B true CN115294140B (zh) 2023-04-14

Family

ID=83819402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211229527.2A Active CN115294140B (zh) 2022-10-09 2022-10-09 一种五金零件缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN115294140B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115511889B (zh) * 2022-11-23 2023-03-03 江苏惠汕新能源集团有限公司 一种太阳能电池板支架表面焊接缺陷检测方法
CN116309561B (zh) * 2023-05-17 2023-08-04 威海赛宝工业信息技术研究院有限公司 一种基于防漏电绝缘材料的表面缺陷识别方法
CN116645374B (zh) * 2023-07-27 2024-03-22 深圳思谋信息科技有限公司 点状缺陷检测方法、装置、计算机设备及存储介质
CN116758056B (zh) * 2023-08-09 2023-12-26 广东乾威精密连接器有限公司 一种电器端子生产缺陷检测方法
CN116883412B (zh) * 2023-09-08 2023-11-17 浙江中骏石墨烯科技有限公司 一种石墨烯远红外电热设备故障检测方法
CN116958136B (zh) * 2023-09-19 2024-01-30 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法
CN117078667B (zh) * 2023-10-13 2024-01-09 山东克莱蒙特新材料科技有限公司 基于机器视觉的矿物铸件检测方法
CN117522868B (zh) * 2024-01-04 2024-03-29 江苏高特高金属科技有限公司 一种焊管生产质量视觉检测方法
CN117876364A (zh) * 2024-03-11 2024-04-12 陕西煜成和汇金属材料有限公司 基于图像识别的金属棒材缺陷检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145921B (zh) * 2018-08-29 2021-04-09 江南大学 一种基于改进的直觉模糊c均值聚类的图像分割方法
CN111079955A (zh) * 2019-12-05 2020-04-28 贵州电网有限责任公司 一种基于x射线成像的gis设备缺陷检测方法
CN114757900B (zh) * 2022-03-31 2023-04-07 绍兴柯桥奇诺家纺用品有限公司 基于人工智能的纺织品缺陷类型识别方法
CN115082482B (zh) * 2022-08-23 2022-11-22 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法

Also Published As

Publication number Publication date
CN115294140A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN115294140B (zh) 一种五金零件缺陷检测方法及系统
CN115170576B (zh) 基于机器视觉的铝管表面缺陷检测方法
US10319096B2 (en) Automated tattoo recognition techniques
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN115351598A (zh) 一种数控机床轴承检测方法
CN109523529B (zh) 一种基于surf算法的输电线路缺陷识别方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115147414A (zh) 一种双极型功率晶体管表面击穿缺陷检测方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN117011292B (zh) 一种复合板表面质量快速检测方法
CN115841488B (zh) 一种基于计算机视觉的pcb板的检孔方法
CN115170567B (zh) 一种船舶用的防水钢板缺陷检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
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
CN114972892B (zh) 基于计算机视觉的汽车刹车片缺陷分类方法
CN115953398B (zh) 一种用于带钢表面的缺陷识别方法
CN115330796A (zh) 一种铜线镀锡缺陷识别方法
CN116503393A (zh) 基于图像处理的线路板等离子纳米镀膜质量检测方法
CN113743421A (zh) 一种水稻叶片花青素显色区域分割及定量分析的方法
CN117351017A (zh) 一种光伏钢结构组件缺陷视觉检测方法
CN117036314A (zh) 一种高密度柔性ic基板氧化区域检测方法
CN115527024A (zh) 一种基于图像信息的检测定位方法及系统
CN114677428A (zh) 基于无人机图像处理的输电线覆冰厚度检测方法
CN113538418A (zh) 基于形态学分析的轮胎x射线图像缺陷提取模型构建方法
Kalaiselvi et al. A Study on Validation Metrics of Digital Image Processing

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