CN115311283A - 一种玻璃拉管缺陷检测方法及系统 - Google Patents
一种玻璃拉管缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN115311283A CN115311283A CN202211243869.XA CN202211243869A CN115311283A CN 115311283 A CN115311283 A CN 115311283A CN 202211243869 A CN202211243869 A CN 202211243869A CN 115311283 A CN115311283 A CN 115311283A
- Authority
- CN
- China
- Prior art keywords
- brightness
- suspected defect
- defect area
- area
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 252
- 239000011521 glass Substances 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims description 13
- 238000005286 illumination Methods 0.000 claims abstract description 57
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims description 45
- 230000011218 segmentation Effects 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000013078 crystal Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000007664 blowing Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种玻璃拉管缺陷检测方法及系统，属于图像数据处理技术领域，该方法步骤包括：获取待检测玻璃拉管制品图像中多个疑似缺陷区域，计算出每个疑似缺陷区域为反光区域的概率；当每个疑似缺陷区域为反光区域的概率小于预设概率阈值时，将该疑似缺陷区域筛选出作为剩余疑似缺陷区域；获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径，将每个位置的直径穿过全部像素点的亮度值和值作为该位置的光照强度值；从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域；本发明根据反光区域与裂纹缺陷区域光强分布的差异性对裂纹缺陷区域进行准确识别，能准确的判断出玻璃拉管制品是否存在缺陷。
Description
技术领域
本发明属于图像数据处理技术领域，具体涉及一种玻璃拉管缺陷检测方法及系统。
背景技术
玻璃拉管制品就是根据玻璃在高温灼烧后的情况下有一定的可塑性，借助可塑性对玻璃进行吹、拉等操作使得最终形成特定形状的玻璃瓶，玻璃拉管制品制作过程中完全处于很高的高温环境中，目前玻璃拉管制品在生产过程中已经完全实现了自动化。
玻璃拉管制品在制作过程中容易产生裂纹缺陷，裂纹缺陷产生的原因可能是成型模具部温度太高（模具冷却调节不好）或成型模太脏，致使开模时玻璃拉管制品黏在模具上，也可能是吹气时空气压力太大，也可能是模具夹头的机械原因。
为了提高玻璃拉管产品的质量，需要在生产完成后，准备装箱前对玻璃拉管进行检测，将有问题的玻璃拉管产品及时取出，避免存在缺陷的玻璃拉管产品流入市场。但是现有技术中在对玻璃拉管制品进行缺陷检测时，一般使用阈值分割和边缘识别技术提取裂纹区域，但是由于玻璃存在反光现象，使得反光区域和裂纹区域的亮度值较为接近，造成在使用阈值分割是无法区分裂纹区域和反光区域，除此之外由于反光的影响，利用边缘识别技术也无法保证获得的区域是裂纹区域而不是反光区域，而一旦将反光区域识别为裂纹区域，就会造成将正常的玻璃拉管制品误判为存在异常的玻璃拉管制品。
发明内容
本发明提供一种玻璃拉管缺陷检测方法及系统，根据反光区域与裂纹缺陷区域光强分布的差异性将正面反光区域初步排除，根据侧面反光区域与裂纹缺陷区域中光强分布是否存在规律性，准确的识别出玻璃拉管制品的裂纹缺陷。
本发明的一种玻璃拉管缺陷检测方法采用如下技术方案：
采集待检测玻璃拉管制品图像；
构建待检测玻璃拉管制品图像的整体亮度直方图，将整体亮度直方图中最低波谷点对应的亮度值作为第一分割阈值；对亮度值大于第一分割阈值的像素点进行连通域分析，得到多个疑似缺陷区域；
构建每个疑似缺陷区域的局部亮度直方图，利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间；将每个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，作为每个疑似缺陷区域为反光区域的概率；
当每个疑似缺陷区域为反光区域的概率小于预设概率阈值时，将该疑似缺陷区域筛选出作为剩余疑似缺陷区域；
获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径，将每个位置的直径穿过全部像素点的亮度值和值作为该位置的光照强度值；
从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域；
当待检测玻璃拉管制品图像中存在裂纹缺陷区域时，判定待检测玻璃拉管制品为异常产品，否则待检测玻璃拉管制品为正常产品。
进一步地，所述利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间的步骤包括：
从亮度直方图中最高点左侧选取任一亮度级作为目标亮度级；
从目标亮度级开始向左侧依次选取与其相邻的多个相邻亮度级；
将目标亮度级的多个相邻亮度级，按照相邻顺序两两一组划分为多组相邻亮度级；
在每组相邻亮度级中用接近目标亮度级的相邻亮度级，减去远离目标亮度级的相邻亮度级，得到每组相邻亮度级的差值；
将得到的全部差值的和值，作为目标亮度级对应的频数差值；
按照目标亮度级对应的频数差值，计算出局部亮度直方图中最高点左侧每个亮度级对应的频数差值；
将局部亮度直方图中最高点左侧第一个位于预设频数差值区间的亮度级，作为该局部亮度直方图对应的第二分割阈值；
利用每个局部亮度直方图对应的第二分割阈值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间。
进一步地，所述利用每个局部亮度直方图对应的第二分割阈值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间的步骤包括：
获取每个局部亮度直方图的亮度分布区间，同时获取每个局部亮度直方图的最小亮度级和最大亮度级；
将每个局部亮度直方图中最小亮度级与第二分割阈值之间的区间，作为该局部亮度直方图的过渡区间；
将每个局部亮度直方图中第二分割阈值与最大亮度级之间的区间，作为该局部亮度直方图的曝光区间。
进一步地，所述获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径的步骤包括：
选取任一剩余疑似缺陷区域中一条侧边上的任一像素点作为初始像素点，过初始像素点做水平方向的直线，直线与该剩余疑似缺陷区域中另一条侧边上相交的像素点作为终止像素点；
将初始像素点与终止像素点之间的距离作为初始像素点所在位置的直径，同理得到每个剩余疑似缺陷区域中多个位置沿水平方向的直径。
进一步地，所述从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域的步骤包括：
由每个剩余疑似缺陷区域中每个位置的直径和光照强度值组成一个二元组；
将每个剩余疑似缺陷区域的全部二元组按照直径从小到大排序，若该剩余疑似缺陷区域随着直径递增光照强度值也呈单调递增，则将该剩余疑似缺陷区域标记为裂纹缺陷区域。
进一步地，所述若该剩余疑似缺陷区域随着直径递增光照强度值也呈单调递增，则将该剩余疑似缺陷区域标记为裂纹缺陷区域的步骤包括：
将每个剩余疑似缺陷区域的全部二元组按照直径从小到大排序并绘制折线图，折线图横轴从左至右依次为直径从小到大的顺序，折线图纵轴从下至上依次为光强从小到大的顺序；
从折线图中的第二个数据点开始，利用折线图中的第二个数据点的直径减去第一个数据点的直径得到第二数据点对应的直径差值；
用折线图中的第二个数据点的光照强度值减去第一个数据点的光照强度值得到第二数据点对应的光照强度值差值；
计算出第二数据点对应的直径差值和光照强度值差值的乘积，作为第二数据点的特征值，同理得到折线图中每个数据点的特征值；
当每个剩余疑似缺陷区域对应的折线图中每个数据点的特征值均大于零时，将该剩余疑似缺陷区域标记为裂纹缺陷区域。
一种玻璃拉管缺陷检测系统，包括：
图像采集模块，用于采集待检测玻璃拉管制品图像；
疑似缺陷区域获取模块，用于构建待检测玻璃拉管制品图像的整体亮度直方图，将整体亮度直方图中最低波谷点对应的亮度值作为第一分割阈值；对亮度值大于第一分割阈值的像素点进行连通域分析，得到多个疑似缺陷区域；
概率计算模块，用于构建每个疑似缺陷区域的局部亮度直方图，利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间；将每个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，作为每个疑似缺陷区域为反光区域的概率；
筛选模块，用于当每个疑似缺陷区域为反光区域的概率小于预设概率阈值时，将该疑似缺陷区域筛选出作为剩余疑似缺陷区域；
裂纹缺陷区域获取模块，用于获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径，将每个位置的直径穿过全部像素点的亮度值和值作为该位置的光照强度值；用于从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域；
待检测玻璃拉管制品判定模块，用于当待检测玻璃拉管制品图像中存在裂纹缺陷区域时，判定待检测玻璃拉管制品为异常产品，否则待检测玻璃拉管制品为正常产品。
本发明的有益效果是：
本发明提供一种玻璃拉管缺陷检测方法及系统，先根据裂纹缺陷区域与背景区域亮度值的不同，将全部疑似缺陷区域选出，全部疑似缺陷区域中既可能包括裂纹缺陷区域也可能包括反光区域，由于裂纹缺陷区域和反光区域的亮度值较为接近，所以使用现有技术中的阈值分割方法无法区分出裂纹缺陷区域和反光区域。
本发明为了区分出裂纹缺陷区域和反光区域，先根据每个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，计算出每个疑似缺陷区域为反光区域的概率，由于侧面反光区域与裂纹缺陷区域中曝光区间的差别较大，正面反光区域与裂纹缺陷区域中曝光区间的差别较小，所以根据每个疑似缺陷区域为反光区域的概率筛选出的剩余疑似缺陷区域中已经初步排除了正面反光区域；由于筛选出的剩余疑似缺陷区域内即包含侧面反光区域又包含裂纹缺陷区域，为了确定裂纹缺陷区域，根据裂纹缺陷区域的直径与光照强度值是呈规律性变化的特点，即裂纹缺陷区域的直径越大光照强度值也越强，而侧面反光区域的直径与光照强度值是随机变化的，从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域。
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，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为本发明的一种玻璃拉管缺陷检测方法的实施例总体步骤的示意图；
图2为本发明构建出的待检测玻璃拉管制品图像的整体亮度直方图；
图3为本发明中已知正面反光区域的局部亮度直方图；
图4为本发明中已知裂纹缺陷区域的局部亮度直方图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种玻璃拉管缺陷检测方法的实施例，如图1所示，该方法包括：
S1、采集待检测玻璃拉管制品图像。
本发明中在采集待检测玻璃拉管制品图像时，先将玻璃拉管制品水平放置在输送带上，并布置水平相机采集玻璃拉管制品图像，由于玻璃拉管制品是透明的，为了避免玻璃的背景杂乱无章而影响后续缺陷识别，需要为所有采集的玻璃拉管制品设定相同的纯色背景板（纯色背景板最好选黑色）；每个玻璃拉管制品只需采集一张图像即可，首先对采集到的图像进行中值滤波去噪，因为中值滤波能够较好的保留图像中的边缘部分，对中值滤波去噪完成的图像进行语义分割，得到语义分割后的玻璃拉管的图像，之后将语义分割后的玻璃拉管的图像从RGB空间转换到HSI空间，作为待检测玻璃拉管制品图像。
将图像从RGB空间转换到HSI颜色空间，因为玻璃是透明的，没有RGB三原色的值，但是将其转换到HSI空间时，I值代表亮度，所以在HSI空间分析玻璃拉管的缺陷更为合适，并且只关注HSV空间的I值即可。
S2、构建待检测玻璃拉管制品图像的整体亮度直方图，将整体亮度直方图中最低波谷点对应的亮度值作为第一分割阈值；对亮度值大于第一分割阈值的像素点进行连通域分析，得到多个疑似缺陷区域。
玻璃拉管制品的颜色多种多样，但是基本都是纯色的，因此玻璃拉管制品都存在反光情况，而玻璃拉管制品的反光区域与裂纹缺陷区域存在非常相似的颜色特征，使得裂纹缺陷区域区分起来较为困难，故为了识别出裂纹缺陷区域，需要将所有的疑似缺陷区域都分割出来，疑似缺陷区域既包括反光区域也包括裂纹区域。
如图2所示，为构建出的待检测玻璃拉管制品图像的整体亮度直方图，在整体亮度直方图中横轴为亮度值，纵轴为频数值。由于待检测玻璃拉管制品图像中除了背景色就是反光区域以及裂纹区域的白色。故待检测玻璃拉管制品图像的整体亮度直方图为近似双峰的形状，第一最高峰代表背景像素点，第二最高峰代表疑似缺陷区域像素点，两峰之间的区域为边缘过渡区间。
选取整体亮度直方图中最低波谷点对应的亮度值作为第一分割阈值，利用第一分割阈值将疑似缺陷区域与背景区域分割开；在将疑似缺陷区域与背景区域分割开后，由于疑似缺陷区域不是一整块区域而是多个零散的区域，故需要对亮度值大于第一分割阈值的像素点进行连通域分析，得到多个疑似缺陷区域；在对亮度值大于第一分割阈值的像素点进行连通域分析时，先设置3*3大小的滑窗，从待检测玻璃拉管制品图像的左上角开始自左至右，自上至下的滑动，当滑窗中心落到亮度值大于第一分割阈值的像素点时停止滑动，以当前点作为初始种子点开始区域生长，从初始种子点的八邻域内开始搜索可能缺陷点，即第一分割阈值，将亮度值大于第一分割阈值的像素点进行连通，连通后的区域中边缘像素点均作为新的初始种子点继续在其外围一层八邻域内搜索大于第一分割阈值的像素点继续连通，后续依次生长，当边缘像素点的八邻域内搜索不到亮度值大于第一分割阈值的像素点时当前连通域提取完毕，作为一个疑似缺陷区域。
滑窗继续开始滑动，对于当前已经生长完成的区域像素点不再重新生长，遇到这类像素点时正常滑过，继续滑动直到遇到一个新的亮度值大于第一分割阈值的像素点时，停止滑动继续开始生长，依次进行，直到对亮度值大于第一分割阈值的像素点进行连通域分析完成，得到多个疑似缺陷区域。
S3、构建每个疑似缺陷区域的局部亮度直方图，利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间；将每个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，作为每个疑似缺陷区域为反光区域的概率。
利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间的步骤包括：从亮度直方图中最高点左侧选取任一亮度级作为目标亮度级；从目标亮度级开始向左侧依次选取与其相邻的多个相邻亮度级；将目标亮度级的多个相邻亮度级，按照相邻顺序两两一组划分为多组相邻亮度级；在每组相邻亮度级中用接近目标亮度级的相邻亮度级，减去远离目标亮度级的相邻亮度级，得到每组相邻亮度级的差值；将得到的全部差值的和值，作为目标亮度级对应的频数差值；按照目标亮度级对应的频数差值，计算出局部亮度直方图中最高点左侧每个亮度级对应的频数差值；将局部亮度直方图中最高点左侧第一个位于预设频数差值区间的亮度级，作为该局部亮度直方图对应的第二分割阈值；利用每个局部亮度直方图对应的第二分割阈值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间。
利用每个局部亮度直方图对应的第二分割阈值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间的步骤包括：获取每个局部亮度直方图的亮度分布区间，同时获取每个局部亮度直方图的最小亮度级和最大亮度级；将每个局部亮度直方图中最小亮度级与第二分割阈值之间的区间，作为该局部亮度直方图的过渡区间；将每个局部亮度直方图中第二分割阈值与最大亮度级之间的区间，作为该局部亮度直方图的曝光区间。
由于反光区域与裂纹区域看似都是白色，但是反光区域的面积通常较大且呈现从中间向周围过渡区间，光强在逐渐较小的特征。并且裂纹是有一个坡面的，即断裂面，根据断裂的倾斜角度不同就会出现不同粗细程度的白色区域，故根据这两个方面，层层递进的区分出反光区域与裂纹区域。
反光区域又包括正面反光区域和侧面反光区域，侧面反光区域与裂纹缺陷区域中曝光区间的差别较大，正面反光区域与裂纹缺陷区域中曝光区间的差别较小，因此先根据每个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，计算出每个疑似缺陷区域为反光区域的概率，初步筛选出剩余疑似缺陷区域；对于当前疑似缺陷区域，将当前疑似缺陷区域中每个像素点对应的亮度值作为该像素点对应的光照强度值，即该像素点的亮度值越大，代表该像素点的光照强度越强，由玻璃拉管制品的反光特点可知，玻璃拉管制品的正面反光区域过渡区间面积大，而侧面反光区域和裂纹缺陷区域过渡区间面积均较小，根据这一特点先剔除正面反光区域。
先构建每个疑似缺陷区域的局部亮度直方图，如图3所示，为本发明中已知正面反光区域的局部亮度直方图；如图4所示，为已知裂纹缺陷区域的局部亮度直方图；每个疑似缺陷区域的局部亮度直方图中从左至右依次为边缘过渡区间和曝光区间，提取出每个疑似缺陷区域亮度直方图中过渡区间与曝光区间的比例来反映当前疑似缺陷区域为反光区域的可能性，故需要确定将过渡区间与曝光区间分割开的第二分割阈值。
由于曝光区间的亮度值高于过渡区间的亮度值，因此将过渡区间与曝光区间分割开的第二分割阈值一定位于局部亮度直方图中最高点的左侧，根据局部亮度直方图中两两亮度级间亮度值差异变化的剧烈程度来获得第二分割阈值，从局部亮度直方图中最高点对应的灰度级开始，只判断最高点左边的低亮度区域，先从亮度直方图中最高点左侧选取任一亮度级作为目标亮度级，从目标亮度级开始向左侧依次选取与其相邻的六个相邻亮度级，将目标亮度级的六个相邻亮度级，按照相邻顺序两两一组划分为三组相邻亮度级，在每组相邻亮度级中用接近目标亮度级的相邻亮度级，减去远离目标亮度级的相邻亮度级，得到每组相邻亮度级的差值，将得到的全部差值的和值，作为目标亮度级对应的频数差值，按照目标亮度级对应的频数差值，计算出局部亮度直方图中最高点左侧每个亮度级对应的频数差值。
每个亮度级对应的频数差值的计算公式为：
其中，
表示第
个亮度级对应的频数差值；
表示从第
个亮度级开始向左的第
个亮度级对应的频数；
表示与第
个亮度级左侧相邻的第
个灰度级对应的频数；
表示与第
个亮度级左侧相邻的第
个灰度级对应的频数；
表示与第
个亮度级左侧相邻的第
个灰度级对应的频数；
表示与第
个亮度级左侧相邻的第
个灰度级对应的频数；
表示与第
个亮度级左侧相邻的第
个灰度级对应的频数；
表示线性整流函数；
函数将相邻六个亮度级对应的频数做差得到的频数差值为负数的结果统一为0；局部亮度直方图中最高点左边的直方图绝大多数情况下都是呈现下降趋势，并且当其下降程度突然减少时，说明我们遇到了分割点。
故设定预设频数差值区间为[0,3]，当
时认为局部亮度直方图连续递减且递减程度出现了骤变，说明出现了分割点，选择第
个亮度级为第二分割阈值，即亮度级大于第二分割阈值的为曝光区间，亮度级小于第二分割阈值的为边缘过渡区间。
若第
个疑似缺陷区域中过渡区间与曝光区间的第二分割阈值为
，第
个疑似缺陷区域的局部亮度直方图对应的亮度分布区间为
，故第
个疑似缺陷区域的局部亮度直方图的最小亮度级为
，第
个疑似缺陷区域的局部亮度直方图的最大亮度级为
，将第
个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，作为第
个疑似缺陷区域为反光区域的概率。
第
个疑似缺陷区域为反光区域的概率的计算公式为：
其中，
表示第
个疑似缺陷区域为反光区域的概率；
表示第
个疑似缺陷区域中过渡区间与曝光区间的第二分割阈值；
表示第
个疑似缺陷区域的局部亮度直方图的最小亮度级；
表示第
个疑似缺陷区域的局部亮度直方图的最大亮度级；本发明将每个局部亮度直方图中最小亮度级与第二分割阈值之间的区间，作为该局部亮度直方图的过渡区间，将每个局部亮度直方图中第二分割阈值与最大亮度级之间的区间，作为该局部亮度直方图的曝光区间。
S4、当每个疑似缺陷区域为反光区域的概率小于预设概率阈值时，将该疑似缺陷区域筛选出作为剩余疑似缺陷区域。
当每个疑似缺陷区域为反光区域的概率大于等于预设概率阈值时，判定该疑似缺陷区域为反光区域直接排除；当每个疑似缺陷区域为反光区域的概率小于预设概率阈值时，将该疑似缺陷区域筛选出作为剩余疑似缺陷区域。
将过渡区间在整个直方图中所占的比例作为当前疑似缺陷区域为反光区域的概率，设置预设概率阈值
，当第
个疑似缺陷区域为反光区域的概率
时，认为第
个疑似缺陷区域为反光区域，直接排除，后续不再分析，将直接排除的反光区域去除，变为背景色；当第
个疑似缺陷区域为反光区域的概率
时，认为第
个疑似缺陷区域即可能为裂纹也可能为侧边反光区域，因为侧边反光区域由于观察角度有限所以其边缘过渡区间也很少，因此侧边反光区域和裂纹缺陷区域的相似度是最大的，后续还需要根据侧边反光区域和裂纹缺陷区域的形状来进一步对裂纹缺陷区域进行判断。
S5、获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径，将每个位置的直径穿过全部像素点的亮度值和值作为该位置的光照强度值。
获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径的步骤包括：选取任一剩余疑似缺陷区域中一条侧边上的任一像素点作为初始像素点，过初始像素点做水平方向的直线，直线与该剩余疑似缺陷区域中另一条侧边上相交的像素点作为终止像素点；将初始像素点与终止像素点之间的距离作为初始像素点所在位置的直径，同理得到每个剩余疑似缺陷区域中多个位置沿水平方向的直径。
由于侧面反光区域由于边缘过渡区间很小，而裂纹缺陷区域的边缘过渡区间也很小，因此无法根据过渡区间所占的比值，将侧面反光区域与裂纹缺陷区域区分开来。但是玻璃一旦存在裂纹，裂纹随着断裂的角度变化高亮区域的粗细和光强都会发生改变，即坡面越细光强越弱，玻璃裂纹沿着晶粒裂开时会与玻璃水平面之间有一定的倾斜角度，但是断裂面的倾斜角度不是一成不变的，会随机变化，如果断裂面裂纹倾斜角度越大，即几乎与玻璃瓶身垂直时，图像上表现为一条黑色的细线，即光强越弱；但是如果裂纹倾斜角度越小，即几乎与玻璃瓶身相水平时，图像上表现为一条有宽度的白色宽线，即光强越强。
由于断裂面的倾斜角度不好识别，并且倾斜角度主要影响裂纹的粗细，即一旦出现裂纹直径与光照强度值是呈规律性变化的，裂纹缺陷区域的直径越大光照强度值也越强，所以本发明通过分析裂纹的粗细变化与光照强度值之间的关系，从而区分出侧面反光区域与裂纹缺陷区域。侧面反光区域与裂纹缺陷区域都是条状区域，选取任一剩余疑似缺陷区域中一条侧边上的任一像素点作为初始像素点，过初始像素点做水平方向的直线，直线与该剩余疑似缺陷区域中另一条侧边上相交的像素点作为终止像素点；将初始像素点与终止像素点之间的距离作为初始像素点所在位置的直径，同理得到每个剩余疑似缺陷区域中多个位置沿水平方向的直径；在得到任一剩余疑似缺陷区域中每个像素点所在位置的直径后，将每个像素点所在位置直径穿过全部像素点的亮度值和值作为该位置的光照强度值。
S6、从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域。
从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域的步骤包括：由每个剩余疑似缺陷区域中每个位置的直径和光照强度值组成一个二元组；将每个剩余疑似缺陷区域的全部二元组按照直径从小到大排序，若该剩余疑似缺陷区域随着直径递增光照强度值也呈单调递增，则将该剩余疑似缺陷区域标记为裂纹缺陷区域。
若该剩余疑似缺陷区域随着直径递增光照强度值也呈单调递增，则将该剩余疑似缺陷区域标记为裂纹缺陷区域的步骤包括：将每个剩余疑似缺陷区域的全部二元组按照直径从小到大排序并绘制折线图，折线图横轴从左至右依次为直径从小到大的顺序，折线图纵轴从下至上依次为光强从小到大的顺序；从折线图中的第二个数据点开始，利用折线图中的第二个数据点的直径减去第一个数据点的直径得到第二数据点对应的直径差值；用折线图中的第二个数据点的光照强度值减去第一个数据点的光照强度值得到第二数据点对应的光照强度值差值；计算出第二数据点对应的直径差值和光照强度值差值的乘积，作为第二数据点的特征值，同理得到折线图中每个数据点的特征值；当每个剩余疑似缺陷区域对应的折线图中每个数据点的特征值均大于零时，将该剩余疑似缺陷区域标记为裂纹缺陷区域。
本发明中依次将每个剩余疑似缺陷区域的每个位置的直径与光照强度值组成一个二元组
)，因此每个剩余疑似缺陷区域都会有若干个二元组，将全部二元组按照直径从小到大顺序排列并绘制折线图，折线图的横轴从左至右依次按照直径从小到大的顺序排列，折线图的纵轴从下至上依次为光照强度值从小到大排列。对于侧面反光区域，这种反光是由于玻璃表面光滑造成的，因为随着直径的变化反光强度并发生较大差异，但是裂纹区域的高亮是由于玻璃晶裂造成的，故随着晶裂的角度变化，断裂坡面越平缓直径越大时，总光照强度值越大，坡面越陡峭直径越小时，裂纹越细，光照强度值越弱。
分析随着每个剩余疑似缺陷区域的直径越大，是否光照强度值也越强，故计算每个剩余疑似缺陷区域为裂纹缺陷区域的可能性：
其中，
表示折线图中第
个数据点的特征值；
表示第
个数据点的直径；
表示第
个数据点的直径；
表示第
个数据点的光照强度值；
表示第
个数据点的光照强度值；
表示后一直径减前一直径，由于设定直径从小到大排序，所以该值永远大于0；
表示后一直径对应的光照强度值减去前一直径对应的光照强度值总和，如果是裂纹缺陷区域，那么
的值也将始终大于0，反之如果是侧面反光区域，那么该值将随机变化无规律，将侧面反光区域去除，变为背景色，保留裂纹缺陷区域。
S7、当待检测玻璃拉管制品图像中存在裂纹缺陷区域时，判定待检测玻璃拉管制品为异常产品，否则待检测玻璃拉管制品为正常产品。
通过步骤S6识别出了图像中的裂纹缺陷区域，若待检测玻璃拉管制品图像中存在裂纹缺陷区域时，判定该待检测玻璃拉管制品为异常产品，否则该待检测玻璃拉管制品为正常产品。
一种玻璃拉管缺陷检测系统，包括：
图像采集模块，用于采集待检测玻璃拉管制品图像；
疑似缺陷区域获取模块，用于构建待检测玻璃拉管制品图像的整体亮度直方图，将整体亮度直方图中最低波谷点对应的亮度值作为第一分割阈值；对亮度值大于第一分割阈值的像素点进行连通域分析，得到多个疑似缺陷区域；
概率计算模块，用于构建每个疑似缺陷区域的局部亮度直方图，利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间；将每个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，作为每个疑似缺陷区域为反光区域的概率；
筛选模块，用于当每个疑似缺陷区域为反光区域的概率小于预设概率阈值时，将该疑似缺陷区域筛选出作为剩余疑似缺陷区域；
裂纹缺陷区域确定模块，用于获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径，将每个位置的直径穿过全部像素点的亮度值和值作为该位置的光照强度值；用于从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域；
待检测玻璃拉管制品判定模块，用于当待检测玻璃拉管制品图像中存在裂纹缺陷区域时，判定待检测玻璃拉管制品为异常产品，否则待检测玻璃拉管制品为正常产品。
本发明提供一种玻璃拉管缺陷检测方法及系统，根据反光区域与裂纹缺陷区域光强分布的差异性将正面反光区域初步排除，根据侧面反光区域与裂纹缺陷区域中光强分布是否存在规律性，准确的识别出玻璃拉管制品的裂纹缺陷。
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 (7)
1.一种玻璃拉管缺陷检测方法，其特征在于，该方法包括：
采集待检测玻璃拉管制品图像；
构建待检测玻璃拉管制品图像的整体亮度直方图，将整体亮度直方图中最低波谷点对应的亮度值作为第一分割阈值；对亮度值大于第一分割阈值的像素点进行连通域分析，得到多个疑似缺陷区域；
构建每个疑似缺陷区域的局部亮度直方图，利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间；将每个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，作为每个疑似缺陷区域为反光区域的概率；
当每个疑似缺陷区域为反光区域的概率小于预设概率阈值时，将该疑似缺陷区域筛选出作为剩余疑似缺陷区域；
获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径，将每个位置的直径穿过全部像素点的亮度值和值作为该位置的光照强度值；
从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域；
当待检测玻璃拉管制品图像中存在裂纹缺陷区域时，判定待检测玻璃拉管制品为异常产品，否则待检测玻璃拉管制品为正常产品。
2.根据权利要求1所述的一种玻璃拉管缺陷检测方法，其特征在于，所述利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间的步骤包括：
从亮度直方图中最高点左侧选取任一亮度级作为目标亮度级；
从目标亮度级开始向左侧依次选取与其相邻的多个相邻亮度级；
将目标亮度级的多个相邻亮度级，按照相邻顺序两两一组划分为多组相邻亮度级；
在每组相邻亮度级中用接近目标亮度级的相邻亮度级，减去远离目标亮度级的相邻亮度级，得到每组相邻亮度级的差值；
将得到的全部差值的和值，作为目标亮度级对应的频数差值；
按照目标亮度级对应的频数差值，计算出局部亮度直方图中最高点左侧每个亮度级对应的频数差值；
将局部亮度直方图中最高点左侧第一个位于预设频数差值区间的亮度级，作为该局部亮度直方图对应的第二分割阈值；
利用每个局部亮度直方图对应的第二分割阈值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间。
3.根据权利要求2所述的一种玻璃拉管缺陷检测方法，其特征在于，所述利用每个局部亮度直方图对应的第二分割阈值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间的步骤包括：
获取每个局部亮度直方图的亮度分布区间，同时获取每个局部亮度直方图的最小亮度级和最大亮度级；
将每个局部亮度直方图中最小亮度级与第二分割阈值之间的区间，作为该局部亮度直方图的过渡区间；
将每个局部亮度直方图中第二分割阈值与最大亮度级之间的区间，作为该局部亮度直方图的曝光区间。
4.根据权利要求1所述的一种玻璃拉管缺陷检测方法，其特征在于，所述获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径的步骤包括：
选取任一剩余疑似缺陷区域中一条侧边上的任一像素点作为初始像素点，过初始像素点做水平方向的直线，直线与该剩余疑似缺陷区域中另一条侧边上相交的像素点作为终止像素点；
将初始像素点与终止像素点之间的距离作为初始像素点所在位置的直径，同理得到每个剩余疑似缺陷区域中多个位置沿水平方向的直径。
5.根据权利要求1所述的一种玻璃拉管缺陷检测方法，其特征在于，所述从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域的步骤包括：
由每个剩余疑似缺陷区域中每个位置的直径和光照强度值组成一个二元组；
将每个剩余疑似缺陷区域的全部二元组按照直径从小到大排序，若该剩余疑似缺陷区域随着直径递增光照强度值也呈单调递增，则将该剩余疑似缺陷区域标记为裂纹缺陷区域。
6.根据权利要求5所述的一种玻璃拉管缺陷检测方法，其特征在于，所述若该剩余疑似缺陷区域随着直径递增光照强度值也呈单调递增，则将该剩余疑似缺陷区域标记为裂纹缺陷区域的步骤包括：
将每个剩余疑似缺陷区域的全部二元组按照直径从小到大排序并绘制折线图，折线图横轴从左至右依次为直径从小到大的顺序，折线图纵轴从下至上依次为光强从小到大的顺序；
从折线图中的第二个数据点开始，利用折线图中的第二个数据点的直径减去第一个数据点的直径得到第二数据点对应的直径差值；
用折线图中的第二个数据点的光照强度值减去第一个数据点的光照强度值得到第二数据点对应的光照强度值差值；
计算出第二数据点对应的直径差值和光照强度值差值的乘积，作为第二数据点的特征值，同理得到折线图中每个数据点的特征值；
当每个剩余疑似缺陷区域对应的折线图中每个数据点的特征值均大于零时，将该剩余疑似缺陷区域标记为裂纹缺陷区域。
7.一种玻璃拉管缺陷检测系统，其特征在于，包括：
图像采集模块，用于采集待检测玻璃拉管制品图像；
疑似缺陷区域获取模块，用于构建待检测玻璃拉管制品图像的整体亮度直方图，将整体亮度直方图中最低波谷点对应的亮度值作为第一分割阈值；对亮度值大于第一分割阈值的像素点进行连通域分析，得到多个疑似缺陷区域；
概率计算模块，用于构建每个疑似缺陷区域的局部亮度直方图，利用每个局部亮度直方图中最高点左侧递减程度出现骤变的亮度值，将每个局部亮度直方图的亮度分布区间分割为过渡区间和曝光区间；将每个疑似缺陷区域中过渡区间与曝光区间所占区间的比值，作为每个疑似缺陷区域为反光区域的概率；
筛选模块，用于当每个疑似缺陷区域为反光区域的概率小于预设概率阈值时，将该疑似缺陷区域筛选出作为剩余疑似缺陷区域；
裂纹缺陷区域获取模块，用于获取每个剩余疑似缺陷区域中多个位置沿水平方向的直径，将每个位置的直径穿过全部像素点的亮度值和值作为该位置的光照强度值；用于从剩余疑似缺陷区域中选取直径与光照强度值呈单调递增的区域作为裂纹缺陷区域；
待检测玻璃拉管制品判定模块，用于当待检测玻璃拉管制品图像中存在裂纹缺陷区域时，判定待检测玻璃拉管制品为异常产品，否则待检测玻璃拉管制品为正常产品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211243869.XA CN115311283B (zh) | 2022-10-12 | 2022-10-12 | 一种玻璃拉管缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211243869.XA CN115311283B (zh) | 2022-10-12 | 2022-10-12 | 一种玻璃拉管缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115311283A true CN115311283A (zh) | 2022-11-08 |
| CN115311283B CN115311283B (zh) | 2023-01-24 |
Family
ID=83868504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211243869.XA Active CN115311283B (zh) | 2022-10-12 | 2022-10-12 | 一种玻璃拉管缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115311283B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116051543A (zh) * | 2023-03-06 | 2023-05-02 | 山东锦霖钢材加工有限公司 | 一种用于钢材剥皮的缺陷识别方法 |
| CN116645373A (zh) * | 2023-07-27 | 2023-08-25 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
| CN117952980A (zh) * | 2024-03-27 | 2024-04-30 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃管精切工艺视觉检测方法 |
| CN118671079A (zh) * | 2024-08-20 | 2024-09-20 | 圣奥科技股份有限公司 | 一种办公桌板平整度缺陷测量方法、介质及设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007192688A (ja) * | 2006-01-20 | 2007-08-02 | Hitachi High-Technologies Corp | 欠陥検査方法 |
| CN111209782A (zh) * | 2018-11-22 | 2020-05-29 | 中国银联股份有限公司 | 一种机房设备异常灯的识别方法以及识别系统 |
| CN111291778A (zh) * | 2018-12-07 | 2020-06-16 | 马上消费金融股份有限公司 | 深度分类模型的训练方法、曝光异常检测方法以及装置 |
| CN113808069A (zh) * | 2020-05-29 | 2021-12-17 | 奥多比公司 | 图像中的分层多类曝光缺陷分类 |
| CN114092389A (zh) * | 2021-09-13 | 2022-02-25 | 浙江大学 | 一种基于小样本学习的玻璃面板表面缺陷检测方法 |
| WO2022062812A1 (zh) * | 2020-09-28 | 2022-03-31 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
| CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
| CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
| CN114972197A (zh) * | 2022-04-28 | 2022-08-30 | 江苏启灏医疗科技有限公司 | 一种x光片的成像质量评估方法及系统 |
| CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
| CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
| CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 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 |
-
2022
- 2022-10-12 CN CN202211243869.XA patent/CN115311283B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007192688A (ja) * | 2006-01-20 | 2007-08-02 | Hitachi High-Technologies Corp | 欠陥検査方法 |
| CN111209782A (zh) * | 2018-11-22 | 2020-05-29 | 中国银联股份有限公司 | 一种机房设备异常灯的识别方法以及识别系统 |
| CN111291778A (zh) * | 2018-12-07 | 2020-06-16 | 马上消费金融股份有限公司 | 深度分类模型的训练方法、曝光异常检测方法以及装置 |
| CN113808069A (zh) * | 2020-05-29 | 2021-12-17 | 奥多比公司 | 图像中的分层多类曝光缺陷分类 |
| WO2022062812A1 (zh) * | 2020-09-28 | 2022-03-31 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
| CN114092389A (zh) * | 2021-09-13 | 2022-02-25 | 浙江大学 | 一种基于小样本学习的玻璃面板表面缺陷检测方法 |
| CN114972197A (zh) * | 2022-04-28 | 2022-08-30 | 江苏启灏医疗科技有限公司 | 一种x光片的成像质量评估方法及系统 |
| CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
| CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
| CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
| CN115082683A (zh) * | 2022-08-22 | 2022-09-20 | 南通三信塑胶装备科技股份有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
| CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| JUN LU等: "Detecting defects on citrus fruit surface by circularity gradient threshold segmentation", 《2017 13TH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION, FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (ICNC-FSKD)》 * |
| LU RENWEI等: "Component surface defect detection based on image segmentation method", 《2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
| 沈壮壮: "基于深度学习的高光曲面表面缺陷检测", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 王银敏: "基于图像处理的苹果表面缺陷检测的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 邓鑫等: "一种改进阈值分割的荧光磁粉裂纹提取算法", 《测控技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116051543A (zh) * | 2023-03-06 | 2023-05-02 | 山东锦霖钢材加工有限公司 | 一种用于钢材剥皮的缺陷识别方法 |
| CN116645373A (zh) * | 2023-07-27 | 2023-08-25 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
| CN116645373B (zh) * | 2023-07-27 | 2023-10-20 | 济宁名居木业有限公司 | 一种木材表面缺陷识别方法 |
| CN117952980A (zh) * | 2024-03-27 | 2024-04-30 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃管精切工艺视觉检测方法 |
| CN117952980B (zh) * | 2024-03-27 | 2024-06-11 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃管精切工艺视觉检测方法 |
| CN118671079A (zh) * | 2024-08-20 | 2024-09-20 | 圣奥科技股份有限公司 | 一种办公桌板平整度缺陷测量方法、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115311283B (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115311283B (zh) | 一种玻璃拉管缺陷检测方法及系统 | |
| CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
| CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
| CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
| CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
| CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN114820627B (zh) | 一种基于光学手段的纺织品质量检测方法 | |
| CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
| CN115082418A (zh) | 一种汽车零部件精密识别方法 | |
| CN115861320B (zh) | 一种汽车零件加工信息智能检测方法 | |
| CN101984346A (zh) | 基于低通滤波的水果表面缺陷检测方法 | |
| CN115330772B (zh) | 一种在线焊点质量检测方法 | |
| CN115222709B (zh) | 一种基于人工智能的拉链布带缺陷检测方法 | |
| CN117237646B (zh) | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统 | |
| CN115294379B (zh) | 基于光学信息的浮选法泡沫识别方法 | |
| CN114581376B (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及系统 | |
| CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
| CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
| CN116542968A (zh) | 一种基于模板匹配的钢筋智能计数方法 | |
| CN113592811B (zh) | 一种基于图像处理的熔喷布厚度一致性检测方法 | |
| CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
| CN115311288B (zh) | 一种汽车贴膜破损检测方法 | |
| CN115082489B (zh) | 一种有色丝评估方法 | |
| CN111192261A (zh) | 一种镜片疵病类型识别的方法 |
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 |