CN115294338A - 一种叶轮表面缺陷识别方法 - Google Patents

一种叶轮表面缺陷识别方法 Download PDF

Info

Publication number
CN115294338A
CN115294338A CN202211196447.1A CN202211196447A CN115294338A CN 115294338 A CN115294338 A CN 115294338A CN 202211196447 A CN202211196447 A CN 202211196447A CN 115294338 A CN115294338 A CN 115294338A
Authority
CN
China
Prior art keywords
point
characteristic
points
actual
feature
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
CN202211196447.1A
Other languages
English (en)
Inventor
胡晓平
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.)
Zhongwei Pump Industry Jiangsu Co ltd
Original Assignee
Zhongwei Pump Industry Jiangsu 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 Zhongwei Pump Industry Jiangsu Co ltd filed Critical Zhongwei Pump Industry Jiangsu Co ltd
Priority to CN202211196447.1A priority Critical patent/CN115294338A/zh
Publication of CN115294338A publication Critical patent/CN115294338A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • 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]
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据识别处理技术领域，具体涉及一种叶轮表面缺陷识别方法。该方法包括：获取叶轮的灰度图像并进行分割得到分割图像，对分割图像进行霍夫圆检测得到多个圆形，获取圆形上每个边缘像素点为特征点的概率得到所有的特征点，计算每个特征点的实际概率得到实际特征点；获取每个实际特征点的特征角度进而获取任意两个实际特征点之间的匹配度，基于匹配度特征组合；获取每组特征组合中每个实际特征点的特征线得到特征区域，基于分割图像中所有的特征区域和表面区域进行超像素分割得到多个超像素块，获取每个超像素块的异常程度，当异常程度大于预设阈值时，超像素块区域存在缺陷；提高了对缺陷检测识别的效率和准确度。

Description

一种叶轮表面缺陷识别方法
技术领域
本发明涉及数据识别处理技术领域，具体涉及一种叶轮表面缺陷识别方法。
背景技术
叶轮既指装有动叶的轮盘，是冲动式汽轮机转子的组成部分，又可以指轮盘与安装其上的转动叶片的总称。风机叶轮在使用过程中由于风机输送介质中含有腐蚀性气体，其表面会出现不同的缺陷，若不及时对缺陷进行修补，缺陷会影响机器的使用，降低机器的工作效率与寿命。
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叶轮表面缺陷识别方法，该方法包括以下步骤：
获取叶轮的表面图像，对所述表面图像进行灰度化处理得到灰度图像；
对所述灰度图像进行分割得到叶轮区域的分割图像，对所述分割图像进行霍夫圆检测得到多个圆形；以圆形上每个像素点作为边缘像素点，获取每个边缘像素点为特征点的概率；当所述概率大于预设阈值时，边缘像素点为特征点；
获取每个特征点的实际概率，当所述实际概率大于概率阈值时，所述特征点为实际特征点；当所述实际概率不大于概率阈值时，所述特征点为虚假特征点；
获取每个实际特征点的特征角度，基于任意两个实际特征点之间的特征角度差异以及灰度差异得到匹配度；基于所述匹配度得到多组特征组合；
获取每组特征组合中每个实际特征点的特征线，所述特征线构成特征区域，获取所述分割图像中所有的特征区域，所述分割图像中特征区域之外的区域为表面区域；对所述特征区域以及所述表面区域进行超像素分割得到多个超像素块，获取每个超像素块的异常程度，当所述异常程度大于预设阈值时，所述超像素块区域存在缺陷。
优选的，所述获取每个边缘像素点为特征点的概率的步骤，包括：
获取每个边缘像素点的八邻域内属于叶轮区域的像素点的数量，计算边缘像素点与其八邻域内属于叶轮区域的每个像素点的灰度差异以及所有灰度差异的均值；
获取灰度差异的均值与每个像素点对应灰度差异之间的差值，选取灰度差异的均值以及该像素点对应的灰度差异中的最大值作为分母，所述差值为分子得到一个分式，获取边缘像素点对应的八邻域内所有像素点对应分式的求和结果，计算所述求和结果与八邻域内属于叶轮区域的像素点的数量的比值作为边缘像素点为特征点的概率。
优选的，所述获取每个特征点的实际概率的步骤，包括：
获取任意特征点与其他特征点之间的欧式距离，选取所述特征点与其他所有特征点之间欧式距离的最大值；获取任意两个特征点之间欧式距离与所述最大值的距离比值；
计算两个特征点之间的灰度差值，基于所述灰度差值、所述距离比值以及所述特征点的概率得到实际概率；
所述实际概率与所述灰度差值呈负相关关系，与所述距离比值呈负相关关系，与所述特征点的概率呈正相关关系。
优选的，所述获取每个实际特征点的特征角度的步骤，包括：
获取每个实际特征点的对应点，以及实际特征点的坐标和其对应点的坐标；计算实际特征点与其对应点之间纵坐标差值和横坐标差值，根据反正切函数对所述纵坐标差值和横坐标差值的比值进行计算得到特征角度。
优选的，所述基于任意两个实际特征点之间的特征角度差异以及灰度差异得到匹配度的步骤，包括：
以所述特征角度差异和灰度差异分别作为幂指数，根据所述幂指数的负数构建两个指数函数，获取两个指数函数的平均值为所述匹配度。
优选的，所述获取每组特征组合中每个实际特征点的特征线的步骤，包括：
以每个实际特征点为种子点进行区域生长，区域生长结束时得到的直线为所述实际特征点的特征线；
其中，区域生长时种子点的第一生长点为其对应点，其他生长点基于优选值确定，以特征组合对应的对应点
Figure DEST_PATH_IMAGE001
和对应点
Figure 376544DEST_PATH_IMAGE002
为例，优选值的计算为：
Figure 426409DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
表示优选值；
Figure 342062DEST_PATH_IMAGE006
表示对应点
Figure 764078DEST_PATH_IMAGE001
的灰度值；
Figure DEST_PATH_IMAGE007
表示夹角为
Figure 235380DEST_PATH_IMAGE008
时对应点
Figure 943179DEST_PATH_IMAGE001
的邻域像素点的灰度值；
Figure DEST_PATH_IMAGE009
表示对应点
Figure 626971DEST_PATH_IMAGE002
的灰度值；
Figure 870870DEST_PATH_IMAGE010
表示夹角为
Figure 624325DEST_PATH_IMAGE008
时对应点
Figure 383202DEST_PATH_IMAGE002
的邻域像素点的灰度值；
Figure DEST_PATH_IMAGE011
表示自然常数。
优选的，所述获取每个超像素块的异常程度的步骤，包括：
获取超像素块中每个像素点的显著程度；计算每个超像素块与其邻近超像素块之间的显著性，基于超像素块中所有像素点的显著程度的求和与所述显著性的乘积得到所述超像素块的异常指标；
对所述异常指标进行优化得到超像素块的异常程度。
优选的，所述对所述异常指标进行优化得到超像素块的异常程度的步骤，包括：
所述异常程度的计算为：
Figure DEST_PATH_IMAGE013
其中，
Figure 714694DEST_PATH_IMAGE014
表示异常程度；
Figure DEST_PATH_IMAGE015
表示超像素块K对应的超像素块D之间的轮廓相似度，采用形状上下文匹配算法获取；
Figure 235936DEST_PATH_IMAGE016
表示超像素点K中所有像素点的平均灰度值；
Figure DEST_PATH_IMAGE017
表示超像素块D中所有像素点的平均灰度值；
Figure 813154DEST_PATH_IMAGE018
表示除了超像素块D与其对应超像素块D外的第i个超像素块种子点之间的欧式距离；
Figure DEST_PATH_IMAGE019
表示第i个超像素块的异常程度；
Figure 856066DEST_PATH_IMAGE020
表示所有的
Figure 524070DEST_PATH_IMAGE018
中的最大值。
本发明具有如下有益效果：通过对叶轮表面的灰度图像进行分析，对灰度图像进行分割得到分割图像，并进一步获取分割图像中的多个圆形，以每个圆形上的边缘像素点进行分析判断其是否为特征点；进而获取每个特征点对应的实际概率，基于实际概率得到其中的实际特征点，以实际特征点进行后续的分析，分析的结果更加可靠准确；在对实际特征点分析时，考虑到了角度以及灰度之间的关系得到特征组合，以每个特征组合进行后续的分析，提高了分析的效率，进一步基于特征组合得到特征效率并进行超像素分割得到每个超像素块，获取每个超像素块的异常程度判断超像素块中是否存在缺陷，检测出缺陷的准确性较高。
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所提供的一种叶轮表面缺陷识别方法流程图。
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叶轮表面缺陷识别方法，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叶轮表面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叶轮表面缺陷识别方法流程图，该方法包括以下步骤：
步骤S100，获取叶轮的表面图像，对表面图像进行灰度化处理得到灰度图像。
设置固定光源照射在叶轮表面，设置工业相机俯视采集得到叶轮的表面图像，采集到的表面图像为RGB图像，对RGB图像进一步进行灰度化处理得到对应的灰度图像。
灰度化处理的方法为现有公知技术，本发明实施例中采用加权灰度化进行灰度化处理，在其他实施例中实施者可根据实际情况自行选择。
步骤S200，对灰度图像进行分割得到叶轮区域的分割图像，对分割图像进行霍夫圆检测得到多个圆形；以圆形上每个像素点作为边缘像素点，获取每个边缘像素点为特征点的概率；当概率大于预设阈值时，边缘像素点为特征点。
由于叶轮表面图像存在纹理以及光照不均等情况的干扰，因此对于叶轮表面缺陷区域的提取精度较低；首先对叶轮表面灰度图进行分析，使用大津阈值分割法将叶轮的表面区域作为前景，其余区域作为背景进行分割，获取叶轮的表面区域的分割图像；对该分割图像进行霍夫圆检测可得多个个圆形，以圆形上每个像素点作为边缘像素点进行后续分析；霍夫圆检测为公知技术，此处不再进行赘述。
本发明实施例中通过获取每个边缘像素点对应的八邻域的邻域像素点进行分析，以边缘像素点q为例，该边缘像素点q的八邻域内包括M个叶轮区域的像素点，M为正整数且M不大于8；分别计算这M个像素点与边缘像素点q之间的灰度差异
Figure DEST_PATH_IMAGE021
；其中，
Figure 539299DEST_PATH_IMAGE022
表示边缘像素点q的灰度值；
Figure DEST_PATH_IMAGE023
表示边缘像素点q的八邻域内第m个叶轮区域的像素点的灰度值；
Figure 496540DEST_PATH_IMAGE024
表示边缘像素点q与其八邻域内第m个叶轮区域的像素点之间的灰度差异。
以此类推，则可计算得到边缘像素点q对应的M个灰度差异，则根据每个灰度差异计算边缘像素点q为特征点的概率，概率的计算为：
Figure 167693DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
表示概率；
Figure 498443DEST_PATH_IMAGE024
表示边缘像素点q与其八邻域内第m个叶轮区域的像素点之间的灰度差异；
Figure 368179DEST_PATH_IMAGE028
表示灰度差异均值；
Figure DEST_PATH_IMAGE029
表示边缘像素点q的八邻域内所有叶轮区域的像素点的数量；
Figure 693724DEST_PATH_IMAGE030
表示最大值函数。
灰度差异均值为边缘像素点q与其八邻域内M个叶轮区域的像素点之间灰度差异的平均值。
以此类推，获取分割图像中所有圆形上所有边缘像素点对应的为特征点的概率，当该概率大于预设阈值时，将该边缘像素点标记为特征点。
作为优选，本发明实施例中设置预设阈值为0.9。
步骤S300，获取每个特征点的实际概率，当实际概率大于概率阈值时，特征点为实际特征点；当实际概率不大于概率阈值时，特征点为虚假特征点。
由步骤S200得到所有边缘像素点中的特征点，特征点是组成叶轮表面叶片的特征点，且特征点之间应存在着较大的相似性，因此为防止光照不均等干扰因素的影响，对特征点进行再次分析，将特征点的数量记为T，判断每个特征点为实际特征点还是虚假特征点。
以特征点t为例，获取特征点t的实际概率，实际概率的计算为：
Figure 648911DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
表示实际概率；
Figure 986614DEST_PATH_IMAGE027
表示概率；
Figure 710856DEST_PATH_IMAGE034
表示特征点t与特征点i之间的欧式距离；
Figure 708768DEST_PATH_IMAGE020
表示特征点t与剩下T-1个特征点中欧式距离的最大值；
Figure DEST_PATH_IMAGE035
为特征点t对应的灰度值；
Figure 440664DEST_PATH_IMAGE036
表示特征点i对应的特征值；
Figure DEST_PATH_IMAGE037
表示所有特征点的数量；
Figure 847637DEST_PATH_IMAGE011
表示自然常数。
其中，特征点t与特征点i之间的欧式距离的计算为：
Figure DEST_PATH_IMAGE039
其中，
Figure 488702DEST_PATH_IMAGE040
为特征点t的坐标信息；
Figure DEST_PATH_IMAGE041
为特征点i的坐标信息。
当获取到特征点的实际概率大于概率阈值时，将该特征点标记为实际特征点，当该特征点的实际概率不大于概率阈值时，该特征点被标记为虚假特征点。
作为优选，本发明实施例中设置概率阈值为0.95。
步骤S400，获取每个实际特征点的特征角度，基于任意两个实际特征点之间的特征角度差异以及灰度差异得到匹配度；基于匹配度得到多组特征组合。
由步骤S300中得到所有特征点之间的实际特征点和虚假特征点，对所有的实际特征点进行后续分析。
由计算可知实际特征点与其八邻域内每个叶轮区域的像素点之间的灰度差异，获取实际特征点对应的多个灰度差异中的最大的叶轮区域的像素点记为对应点；作为一个示例，假设实际特征点
Figure 952788DEST_PATH_IMAGE042
与其八邻域内每个叶轮区域的像素点之间的灰度差异为10,11,15，则灰度差异为15时对应的叶轮区域的像素点即为实际特征点
Figure 820250DEST_PATH_IMAGE042
的对应点
Figure 935974DEST_PATH_IMAGE001
。
基于实际特征点
Figure 136273DEST_PATH_IMAGE042
及其对应点
Figure 7146DEST_PATH_IMAGE001
获取该实际特征点
Figure 663036DEST_PATH_IMAGE042
对应的特征角度，特征角度的计算为：
Figure 582451DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
表示实际特征点
Figure 761891DEST_PATH_IMAGE042
的特征角度；
Figure 475769DEST_PATH_IMAGE046
为实际特征点q的坐标信息；
Figure DEST_PATH_IMAGE047
为对应点
Figure 472150DEST_PATH_IMAGE001
的坐标信息；
Figure 929676DEST_PATH_IMAGE048
表示反正切函数。
基于获取实际特征点
Figure 275207DEST_PATH_IMAGE042
与其对应点之间的特征角度相同的方法，获取实际特征点
Figure 723768DEST_PATH_IMAGE042
与其他每个实际特征点之间的特征角度，根据每两个特征点之间的特征角度的差异获取两个特征点之间的匹配度，匹配度的计算为：
Figure DEST_PATH_IMAGE049
其中，
Figure 646594DEST_PATH_IMAGE050
表示匹配度；
Figure 892766DEST_PATH_IMAGE045
表示实际特征点
Figure 420699DEST_PATH_IMAGE042
的特征角度；
Figure DEST_PATH_IMAGE051
表示实际特征点
Figure 40161DEST_PATH_IMAGE052
的特征角度；
Figure 122387DEST_PATH_IMAGE022
表示实际特征点
Figure 984032DEST_PATH_IMAGE042
的灰度值；
Figure DEST_PATH_IMAGE053
表示实际特征点
Figure 661745DEST_PATH_IMAGE052
的灰度值；
Figure 888327DEST_PATH_IMAGE011
表示自然常数。
以此类推，获取每个实际特征点与其他所有实际特征点之间的匹配度，选取匹配度最大的实际特征点构成特征组合，即对于实际特征点
Figure 192269DEST_PATH_IMAGE042
，选取其他所有实际特征点与实际特征点
Figure 31175DEST_PATH_IMAGE042
之间匹配度最大时的实际特征点，与实际特征点
Figure 268121DEST_PATH_IMAGE042
构成一组特征组合，从而得到多组特征组合。
需要说明的是，若有实际特征点没有特征组合，则将该实际特征点认为虚假特征点，不进行后续分析。
步骤S500，获取每组特征组合中每个实际特征点的特征线，特征线构成特征区域，获取分割图像中所有的特征区域，分割图像中特征区域之外的区域为表面区域；对特征区域以及表面区域进行超像素分割得到多个超像素块，获取每个超像素块的异常程度，当异常程度大于预设阈值时，超像素块区域存在缺陷。
由步骤S400中得到多组特征组合，此处以特征组合
Figure 931183DEST_PATH_IMAGE054
为例，其由实际特征点
Figure 492396DEST_PATH_IMAGE042
与实际特征点
Figure 633527DEST_PATH_IMAGE052
组合得到，获取该特征组合中每个实际特征点的特征线，特征线的具体获取方法如下：
获取实际特征点
Figure 724980DEST_PATH_IMAGE042
与实际特征点
Figure 794829DEST_PATH_IMAGE052
分别对应的对应点
Figure 870102DEST_PATH_IMAGE001
、对应点
Figure 814924DEST_PATH_IMAGE002
以及实际特征点
Figure 964145DEST_PATH_IMAGE042
与实际特征点
Figure 201966DEST_PATH_IMAGE052
的特征角度，以实际特征点
Figure 498956DEST_PATH_IMAGE042
和实际特征点
Figure 981889DEST_PATH_IMAGE052
为起点向叶轮区域中心方向进行区域生长，采用区域生长算法，对应点
Figure 752662DEST_PATH_IMAGE001
以及对应点
Figure 725166DEST_PATH_IMAGE002
分别为实际特征点
Figure 447134DEST_PATH_IMAGE042
和实际特征点
Figure 733759DEST_PATH_IMAGE052
的第一生长点，在生长点选取时，需进行综合考虑对应点
Figure 412565DEST_PATH_IMAGE001
以及对应点
Figure 493654DEST_PATH_IMAGE002
；以第二生长点的选取为例，在计算实际特征点
Figure 499656DEST_PATH_IMAGE042
的第二生长点时，传统的算法在生长时选取最小灰度梯度所对应的像素点进行生长，而本发明实施例中除了计算对应点
Figure 91437DEST_PATH_IMAGE001
与其邻域像素点的灰度差异之外，还计算对应点
Figure 69757DEST_PATH_IMAGE001
与其邻域像素点所成直线与水平方向顺时针夹角
Figure 384064DEST_PATH_IMAGE008
；相应的，对于对应点
Figure 579159DEST_PATH_IMAGE002
也是相应的计算，由此可得到对应点的邻域像素点进行生长的优选值，优选值的计算如下：
Figure 738745DEST_PATH_IMAGE004
其中，
Figure 633889DEST_PATH_IMAGE005
表示优选值；
Figure 823824DEST_PATH_IMAGE006
表示对应点
Figure 742101DEST_PATH_IMAGE001
的灰度值；
Figure 970958DEST_PATH_IMAGE007
表示夹角为
Figure 923870DEST_PATH_IMAGE008
时对应点
Figure 84374DEST_PATH_IMAGE001
的邻域像素点的灰度值；
Figure 21106DEST_PATH_IMAGE009
表示对应点
Figure 23959DEST_PATH_IMAGE002
的灰度值；
Figure 893695DEST_PATH_IMAGE010
表示夹角为
Figure 658389DEST_PATH_IMAGE008
时对应点
Figure 816838DEST_PATH_IMAGE002
的邻域像素点的灰度值；
Figure 886031DEST_PATH_IMAGE011
表示自然常数。
以此类推，获取对应点的邻域内每个邻域像素点的优选值，选取优选值最大的邻域像素点为实际特征点
Figure 813536DEST_PATH_IMAGE042
的第二生长点；与第二生长点获取相同的方法，获取后续每个生长点，直至生长到分割图像中叶轮区域中心的圆形边缘像素点为止。
由此得到每个实际特征点对应的特征线，特征点所包围的区域记为特征区域；基于获取特征区域相同的方法，获取每组特征组合对应的特征区域，将所有特征区域的数量记为N个，则N个特征区域将叶轮区域分为了N个表面区域，即分割图像中包括N个特征区域以及N个表面区域。
对每个区域分别使用SLIC超像素分割算法，得到超像素块，超像素分割算法为公知技术，此处不再赘述；对每个超像素块进行后续分析。
首先获取每个超像素块的异常程度
Figure DEST_PATH_IMAGE055
，对超像素块内像素点进行判断，以超像素块K中的像素点k为例，获取像素点k的3*3邻域像素点，基于3*3邻域像素点计算像素点k的显著程度XZ：
Figure DEST_PATH_IMAGE057
其中，
Figure 703126DEST_PATH_IMAGE058
表示像素点k的3*3邻域像素点中的灰度值的最大值，
Figure DEST_PATH_IMAGE059
表示像素点k的3*3邻域像素点中的灰度值的最小值；
Figure 989618DEST_PATH_IMAGE060
为像素点k的灰度值；max表示最大值函数；u表示像素点k的3*3邻域像素点中与像素点k存在灰度差异的像素点数量，起始u=0，当像素点k的3*3邻域像素点中存在像素点的灰度值与像素点k存在差异时，u=u+1，否则u=u。
显著程度XZ越大，则说明该像素点处越可能发生缺陷。
进一步的，根据超像素块K与邻近超像素块之间差异获取显著性F：
Figure 98388DEST_PATH_IMAGE062
其中，
Figure 880399DEST_PATH_IMAGE016
表示超像素块K中像素点的平均灰度值；
Figure DEST_PATH_IMAGE063
为超像素块K的第n个邻近超像素块内像素点的平均灰度值；
Figure 347415DEST_PATH_IMAGE064
则为超像素块K的邻近超像素块数量。
显著性F的取值越大，则说明显著性越大。
则可基于显著程度和显著性获取超像素块K的异常指标YC：
Figure 11615DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE067
为超像素块K内像素点个数。
异常指标越大，则说明该超像素块处越可能发生了缺陷。
由于每个超像素块存在N-1个对应超像素块，即对于任意特征区域的超像素块，在其他N-1个特征区域也存在对应的超像素块；超像素块的对应方法是根据超像素块种子点与叶轮区域圆心点之间的欧式距离进行对应。
则进一步对超像素块对应的异常指标进行优化得到超像素块对应的异常程度，异常程度的计算为：
Figure 953769DEST_PATH_IMAGE068
其中，
Figure 387025DEST_PATH_IMAGE014
表示异常程度；
Figure 228204DEST_PATH_IMAGE015
表示超像素块K对应的超像素块D之间的轮廓相似度，本发明实施例中采用形状上下文匹配算法获取；
Figure 582962DEST_PATH_IMAGE016
表示超像素点K中所有像素点的平均灰度值；
Figure 33535DEST_PATH_IMAGE017
表示超像素块D中所有像素点的平均灰度值；
Figure 294533DEST_PATH_IMAGE018
表示除了超像素块D与其对应超像素块D外的第i个超像素块种子点之间的欧式距离；
Figure 539569DEST_PATH_IMAGE019
表示第i个超像素块的异常程度；
Figure 178361DEST_PATH_IMAGE020
表示所有的
Figure 668511DEST_PATH_IMAGE018
中的最大值。
异常程度
Figure 279621DEST_PATH_IMAGE014
越大，则说明该超像素块处越可能发生了缺陷。
基于上述计算异常程度相同的方法，获取每个超像素块对应的异常程度，当异常程度大于异常阈值0.85时，说明该超像素块中存在缺陷；再次对该超像素块进行分析，超像素块内像素点显著程度XZ大于0.9时，则认为其为缺陷像素点，否则为正常像素点，将相邻的缺陷像素点进行相连，得到缺陷区域。
需要说明的是，异常阈值的设置实施者可根据实际情况进行修改。
进一步的，本发明实施例中还能够对缺陷区域提取以下参数，边缘长度L，缺陷区域面积S，最小外接矩形面积
Figure DEST_PATH_IMAGE069
，熵值ENT，灰度均值
Figure 53148DEST_PATH_IMAGE070
，能量Energy，对比度Contrast，自相关性Correlation，将所有的参数组成一维缺陷特征向量。
获取到所有缺陷区域的一维缺陷特征向量后，将该一维缺陷特征向量输入分类神经网络中对缺陷类型进行识别得到对应的缺陷类别；分类神经网络的损失函数为交叉熵损失函数，网络的训练过程为现有公知技术，不再赘述。
综上所述，本发明实施例中通过获取叶轮的灰度图像，然后根据灰度图像进行分割得到叶轮区域的分割图像，对分割图像进行霍夫圆检测得到多个圆形；以圆形上每个像素点作为边缘像素点，获取每个边缘像素点为特征点的概率以得到所有的特征点；获取每个特征点的实际概率得到实际特征点和虚假特征点，对所有的实际特征点进行分析，获取每个实际特征点的特征角度，基于任意两个实际特征点之间的特征角度差异以及灰度差异得到匹配度；基于匹配度得到多组特征组合，根据每组特征组合中每个实际特征点的特征线构成特征区域，从而得到分割图像中所有的特征区域以及表面区域；对分割图像中每个区域进行超像素分割得到多个超像素块，对每个超像素块的灰度值及其邻域超像素块之间的关系进行分析，获取每个超像素块的异常程度，从而根据异常程度识别出缺陷区域，通过多方面特征分析，提高了缺陷识别的准确性。
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。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 (8)

1.一种叶轮表面缺陷识别方法，其特征在于，该方法包括以下步骤：
获取叶轮的表面图像，对所述表面图像进行灰度化处理得到灰度图像；
对所述灰度图像进行分割得到叶轮区域的分割图像，对所述分割图像进行霍夫圆检测得到多个圆形；以圆形上每个像素点作为边缘像素点，获取每个边缘像素点为特征点的概率；当所述概率大于预设阈值时，边缘像素点为特征点；
获取每个特征点的实际概率，当所述实际概率大于概率阈值时，所述特征点为实际特征点；当所述实际概率不大于概率阈值时，所述特征点为虚假特征点；
获取每个实际特征点的特征角度，基于任意两个实际特征点之间的特征角度差异以及灰度差异得到匹配度；基于所述匹配度得到多组特征组合；
获取每组特征组合中每个实际特征点的特征线，所述特征线构成特征区域，获取所述分割图像中所有的特征区域，所述分割图像中特征区域之外的区域为表面区域；对所述特征区域以及所述表面区域进行超像素分割得到多个超像素块，获取每个超像素块的异常程度，当所述异常程度大于预设阈值时，所述超像素块区域存在缺陷。
2.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每个边缘像素点为特征点的概率的步骤，包括：
获取每个边缘像素点的八邻域内属于叶轮区域的像素点的数量，计算边缘像素点与其八邻域内属于叶轮区域的每个像素点的灰度差异以及所有灰度差异的均值；
获取灰度差异的均值与每个像素点对应灰度差异之间的差值，选取灰度差异的均值以及该像素点对应的灰度差异中的最大值作为分母，所述差值为分子得到一个分式，获取边缘像素点对应的八邻域内所有像素点对应分式的求和结果，计算所述求和结果与八邻域内属于叶轮区域的像素点的数量的比值作为边缘像素点为特征点的概率。
3.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每个特征点的实际概率的步骤，包括：
获取任意特征点与其他特征点之间的欧式距离，选取所述特征点与其他所有特征点之间欧式距离的最大值；获取任意两个特征点之间欧式距离与所述最大值的距离比值；
计算两个特征点之间的灰度差值，基于所述灰度差值、所述距离比值以及所述特征点的概率得到实际概率；
所述实际概率与所述灰度差值呈负相关关系，与所述距离比值呈负相关关系，与所述特征点的概率呈正相关关系。
4.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每个实际特征点的特征角度的步骤，包括：
获取每个实际特征点的对应点，以及实际特征点的坐标和其对应点的坐标；计算实际特征点与其对应点之间纵坐标差值和横坐标差值，根据反正切函数对所述纵坐标差值和横坐标差值的比值进行计算得到特征角度。
5.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述基于任意两个实际特征点之间的特征角度差异以及灰度差异得到匹配度的步骤，包括：
以所述特征角度差异和灰度差异分别作为幂指数，根据所述幂指数的负数构建两个指数函数，获取两个指数函数的平均值为所述匹配度。
6.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每组特征组合中每个实际特征点的特征线的步骤，包括：
以每个实际特征点为种子点进行区域生长，区域生长结束时得到的直线为所述实际特征点的特征线；
其中，区域生长时种子点的第一生长点为其对应点，其他生长点基于优选值确定，以特征组合对应的对应点
Figure 431418DEST_PATH_IMAGE001
和对应点
Figure 895897DEST_PATH_IMAGE002
为例，优选值的计算为：
Figure DEST_PATH_IMAGE003
其中，
Figure 190875DEST_PATH_IMAGE004
表示优选值；
Figure 246555DEST_PATH_IMAGE005
表示对应点
Figure 63202DEST_PATH_IMAGE001
的灰度值；
Figure 128110DEST_PATH_IMAGE006
表示夹角为
Figure 495504DEST_PATH_IMAGE007
时对应点
Figure 722086DEST_PATH_IMAGE001
的邻域像素点的灰度值；
Figure 229291DEST_PATH_IMAGE008
表示对应点
Figure 832311DEST_PATH_IMAGE002
的灰度值；
Figure 272519DEST_PATH_IMAGE009
表示夹角为
Figure 437047DEST_PATH_IMAGE007
时对应点
Figure 418166DEST_PATH_IMAGE002
的邻域像素点的灰度值；
Figure 824876DEST_PATH_IMAGE010
表示自然常数。
7.根据权利要求1所述的一种叶轮表面缺陷识别方法，其特征在于，所述获取每个超像素块的异常程度的步骤，包括：
获取超像素块中每个像素点的显著程度；计算每个超像素块与其邻近超像素块之间的显著性，基于超像素块中所有像素点的显著程度的求和与所述显著性的乘积得到所述超像素块的异常指标；
对所述异常指标进行优化得到超像素块的异常程度。
8.根据权利要求7所述的一种叶轮表面缺陷识别方法，其特征在于，所述对所述异常指标进行优化得到超像素块的异常程度的步骤，包括：
所述异常程度的计算为：
Figure 119591DEST_PATH_IMAGE011
其中，
Figure 986178DEST_PATH_IMAGE012
表示异常程度；
Figure 999134DEST_PATH_IMAGE013
表示超像素块K对应的超像素块D之间的轮廓相似度，采用形状上下文匹配算法获取；
Figure 943956DEST_PATH_IMAGE014
表示超像素点K中所有像素点的平均灰度值；
Figure 93177DEST_PATH_IMAGE015
表示超像素块D中所有像素点的平均灰度值；
Figure 596578DEST_PATH_IMAGE016
表示除了超像素块D与其对应超像素块D外的第i个超像素块种子点之间的欧式距离；
Figure 96829DEST_PATH_IMAGE017
表示第i个超像素块的异常程度；
Figure 845342DEST_PATH_IMAGE018
表示所有的
Figure 911387DEST_PATH_IMAGE016
中的最大值。
CN202211196447.1A 2022-09-29 2022-09-29 一种叶轮表面缺陷识别方法 Pending CN115294338A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211196447.1A CN115294338A (zh) 2022-09-29 2022-09-29 一种叶轮表面缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211196447.1A CN115294338A (zh) 2022-09-29 2022-09-29 一种叶轮表面缺陷识别方法

Publications (1)

Publication Number Publication Date
CN115294338A true CN115294338A (zh) 2022-11-04

Family

ID=83833909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211196447.1A Pending CN115294338A (zh) 2022-09-29 2022-09-29 一种叶轮表面缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115294338A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115511884A (zh) * 2022-11-15 2022-12-23 江苏惠汕新能源集团有限公司 基于计算机视觉的冲孔复合模表面质量检测方法
CN115526890A (zh) * 2022-11-25 2022-12-27 深圳市腾泰博科技有限公司 一种电唱机唱头故障因素识别方法
CN115601630A (zh) * 2022-12-15 2023-01-13 山东天意装配式建筑装备研究院有限公司（Cn） 用于墙板模具自动清理机的污渍识别方法
CN115641336A (zh) * 2022-12-23 2023-01-24 无锡康贝电子设备有限公司 一种基于计算机视觉的空调用钣金件缺陷识别方法
CN115641327A (zh) * 2022-11-09 2023-01-24 浙江天律工程管理有限公司 一种基于大数据的建筑工程质量监理和预警系统
CN115802005A (zh) * 2022-11-08 2023-03-14 苏州迈创信息技术有限公司 用于居民住宅的安防监控视频存储方法
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法
CN116188468A (zh) * 2023-04-27 2023-05-30 济宁市长荣电器科技有限公司 一种hdmi线缆传输分拣智能控制系统
CN116342597A (zh) * 2023-05-29 2023-06-27 深圳市民达科技有限公司 一种汽车配件表面电镀加工缺陷检测方法和系统
CN116363127A (zh) * 2023-05-31 2023-06-30 临沂中科芯华新材料科技有限公司 基于图像处理的全降解塑料制品质量检测方法
CN116385436A (zh) * 2023-06-02 2023-07-04 胜利油田中心医院 一种基于ct图像的胆结石辅助检测系统
CN116503403A (zh) * 2023-06-27 2023-07-28 无锡斯达新能源科技股份有限公司 基于图像处理的金属切削刀头的缺陷检测方法
CN116611748A (zh) * 2023-07-20 2023-08-18 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
CN116664557A (zh) * 2023-07-28 2023-08-29 无锡市明通动力工业有限公司 一种风机叶片表面缺陷视觉检测方法
CN116664577A (zh) * 2023-08-01 2023-08-29 山东天亚达新材料科技有限公司 基于碳纤维连接头图像处理的异常识别提取方法
CN116824516A (zh) * 2023-08-30 2023-09-29 中冶路桥建设有限公司 一种涉路施工安全监测及管理系统
CN116900412A (zh) * 2023-09-14 2023-10-20 山东昌啸商贸有限公司 基于视觉处理的钢板等距自动切割调控方法
CN116993745A (zh) * 2023-09-28 2023-11-03 山东辉瑞管业有限公司 基于图像处理给水管表面漏损检测方法
CN117237364A (zh) * 2023-11-16 2023-12-15 江苏高特高金属科技有限公司 基于图像特征的焊管质量检测方法
CN117830298A (zh) * 2024-03-01 2024-04-05 苏州翰微材料科技有限公司 一种航空发动机涡轮导向叶片缺陷视觉检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423739A (zh) * 2016-05-23 2017-12-01 北京陌上花科技有限公司 图像特征提取方法及装置
CN111896556A (zh) * 2020-08-04 2020-11-06 湖南大学 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统
CN114187246A (zh) * 2021-11-29 2022-03-15 哈尔滨工程大学 一种激光打标机焦距测量方法
CN114943736A (zh) * 2022-07-21 2022-08-26 山东嘉翔汽车散热器有限公司 一种汽车散热翅片生产质量检测方法及系统
CN115049835A (zh) * 2022-08-16 2022-09-13 众烁精密模架(南通)有限公司 基于压铸模具缺陷识别的数据预处理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423739A (zh) * 2016-05-23 2017-12-01 北京陌上花科技有限公司 图像特征提取方法及装置
CN111896556A (zh) * 2020-08-04 2020-11-06 湖南大学 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统
CN114187246A (zh) * 2021-11-29 2022-03-15 哈尔滨工程大学 一种激光打标机焦距测量方法
CN114943736A (zh) * 2022-07-21 2022-08-26 山东嘉翔汽车散热器有限公司 一种汽车散热翅片生产质量检测方法及系统
CN115049835A (zh) * 2022-08-16 2022-09-13 众烁精密模架(南通)有限公司 基于压铸模具缺陷识别的数据预处理方法

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439474B (zh) * 2022-11-07 2023-01-24 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
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
CN115802005B (zh) * 2022-11-08 2023-09-19 苏州迈创信息技术有限公司 用于居民住宅的安防监控视频存储方法
CN115802005A (zh) * 2022-11-08 2023-03-14 苏州迈创信息技术有限公司 用于居民住宅的安防监控视频存储方法
CN115641327B (zh) * 2022-11-09 2023-05-09 浙江天律工程管理有限公司 一种基于大数据的建筑工程质量监理和预警系统
CN115641327A (zh) * 2022-11-09 2023-01-24 浙江天律工程管理有限公司 一种基于大数据的建筑工程质量监理和预警系统
CN115511884A (zh) * 2022-11-15 2022-12-23 江苏惠汕新能源集团有限公司 基于计算机视觉的冲孔复合模表面质量检测方法
CN115511884B (zh) * 2022-11-15 2023-03-07 江苏惠汕新能源集团有限公司 基于计算机视觉的冲孔复合模表面质量检测方法
CN115526890A (zh) * 2022-11-25 2022-12-27 深圳市腾泰博科技有限公司 一种电唱机唱头故障因素识别方法
CN115601630A (zh) * 2022-12-15 2023-01-13 山东天意装配式建筑装备研究院有限公司（Cn） 用于墙板模具自动清理机的污渍识别方法
CN115601630B (zh) * 2022-12-15 2023-03-28 山东天意装配式建筑装备研究院有限公司 用于墙板模具自动清理机的污渍识别方法
CN115641336A (zh) * 2022-12-23 2023-01-24 无锡康贝电子设备有限公司 一种基于计算机视觉的空调用钣金件缺陷识别方法
CN115641336B (zh) * 2022-12-23 2023-03-21 无锡康贝电子设备有限公司 一种基于计算机视觉的空调用钣金件缺陷识别方法
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法
CN115861135B (zh) * 2023-03-01 2023-05-23 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法
CN116188468A (zh) * 2023-04-27 2023-05-30 济宁市长荣电器科技有限公司 一种hdmi线缆传输分拣智能控制系统
CN116342597A (zh) * 2023-05-29 2023-06-27 深圳市民达科技有限公司 一种汽车配件表面电镀加工缺陷检测方法和系统
CN116363127A (zh) * 2023-05-31 2023-06-30 临沂中科芯华新材料科技有限公司 基于图像处理的全降解塑料制品质量检测方法
CN116363127B (zh) * 2023-05-31 2023-07-28 临沂中科芯华新材料科技有限公司 基于图像处理的全降解塑料制品质量检测方法
CN116385436A (zh) * 2023-06-02 2023-07-04 胜利油田中心医院 一种基于ct图像的胆结石辅助检测系统
CN116385436B (zh) * 2023-06-02 2023-08-15 胜利油田中心医院 一种基于ct图像的胆结石辅助检测系统
CN116503403A (zh) * 2023-06-27 2023-07-28 无锡斯达新能源科技股份有限公司 基于图像处理的金属切削刀头的缺陷检测方法
CN116503403B (zh) * 2023-06-27 2023-09-01 无锡斯达新能源科技股份有限公司 基于图像处理的金属切削刀头的缺陷检测方法
CN116611748A (zh) * 2023-07-20 2023-08-18 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
CN116611748B (zh) * 2023-07-20 2023-10-20 吴江市高瑞庭园金属制品有限公司 一种钛合金家具生产质量监控系统
CN116664557B (zh) * 2023-07-28 2023-09-22 无锡市明通动力工业有限公司 一种风机叶片表面缺陷视觉检测方法
CN116664557A (zh) * 2023-07-28 2023-08-29 无锡市明通动力工业有限公司 一种风机叶片表面缺陷视觉检测方法
CN116664577A (zh) * 2023-08-01 2023-08-29 山东天亚达新材料科技有限公司 基于碳纤维连接头图像处理的异常识别提取方法
CN116664577B (zh) * 2023-08-01 2023-11-14 山东天亚达新材料科技有限公司 基于碳纤维连接头图像处理的异常识别提取方法
CN116824516A (zh) * 2023-08-30 2023-09-29 中冶路桥建设有限公司 一种涉路施工安全监测及管理系统
CN116824516B (zh) * 2023-08-30 2023-11-21 中冶路桥建设有限公司 一种涉路施工安全监测及管理系统
CN116900412B (zh) * 2023-09-14 2024-01-09 山东昌啸商贸有限公司 基于视觉处理的钢板等距自动切割调控方法
CN116900412A (zh) * 2023-09-14 2023-10-20 山东昌啸商贸有限公司 基于视觉处理的钢板等距自动切割调控方法
CN116993745A (zh) * 2023-09-28 2023-11-03 山东辉瑞管业有限公司 基于图像处理给水管表面漏损检测方法
CN116993745B (zh) * 2023-09-28 2023-12-19 山东辉瑞管业有限公司 基于图像处理给水管表面漏损检测方法
CN117237364A (zh) * 2023-11-16 2023-12-15 江苏高特高金属科技有限公司 基于图像特征的焊管质量检测方法
CN117237364B (zh) * 2023-11-16 2024-01-30 江苏高特高金属科技有限公司 基于图像特征的焊管质量检测方法
CN117830298A (zh) * 2024-03-01 2024-04-05 苏州翰微材料科技有限公司 一种航空发动机涡轮导向叶片缺陷视觉检测系统
CN117830298B (zh) * 2024-03-01 2024-05-07 苏州翰微材料科技有限公司 一种航空发动机涡轮导向叶片缺陷视觉检测系统

Similar Documents

Publication Publication Date Title
CN115294338A (zh) 一种叶轮表面缺陷识别方法
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
CN113538433B (zh) 基于人工智能的机械铸件缺陷检测方法及系统
CN115345885B (zh) 一种金属健身器材外观质量检测方法
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN115330783A (zh) 一种钢丝绳缺陷检测方法
CN116309537B (zh) 一种极耳模具表面油污的缺陷检测方法
CN115457041A (zh) 一种道路质量识别检测方法
CN116092013B (zh) 一种用于智慧监控的危险路况识别方法
CN110210477B (zh) 一种数字式仪表读数识别方法
CN114972326A (zh) 热收缩管扩管工艺的次品识别方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN115294120A (zh) 基于图像识别的阀门表面质量检测方法
CN116703251B (zh) 基于人工智能的胶圈生产质量检测方法
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN115147409A (zh) 基于机器视觉的手机壳生产品质检测方法
CN116630304B (zh) 一种基于人工智能的锂电池模具加工检测方法及系统
CN116188468B (zh) 一种hdmi线缆传输分拣智能控制系统
CN113298776B (zh) 一种金属闭式水泵叶轮外观缺陷检测方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115131356A (zh) 一种基于丰富度的钢板缺陷分类方法
CN114037691A (zh) 一种基于图像处理的碳纤维板裂纹检测方法

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