CN115345885A - 一种金属健身器材外观质量检测方法 - Google Patents
一种金属健身器材外观质量检测方法 Download PDFInfo
- Publication number
- CN115345885A CN115345885A CN202211277505.3A CN202211277505A CN115345885A CN 115345885 A CN115345885 A CN 115345885A CN 202211277505 A CN202211277505 A CN 202211277505A CN 115345885 A CN115345885 A CN 115345885A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- value
- gradient
- suspected
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000002184 metal Substances 0.000 title claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 86
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 32
- 239000010959 steel Substances 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 17
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241000022852 Letis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G06T5/90—
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30136—Metal
-
- 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
Abstract
本发明涉及数据处理领域,具体涉及一种金属健身器材外观质量检测方法,其包括获取钢管表面图像,并对其进行预处理,得到灰度图像;提取灰度图像数据,基于灰度图像数据,对灰度图像进行连通域分析,获得表面异常区域,对表面异常区域进行二次连通域分析,分割出疑似缺陷;根据疑似缺陷的纹理特征,确定裂纹缺陷;即本发明的方案能够准确地检测钢管的缺陷。
Description
技术领域
本发明涉及数据处理领域,具体为一种金属健身器材外观质量检测方法。
背景技术
健身器材的生产对其质量的要求较高,其质量必须要符合相应的要求,否则会对健身人员造成不可预估的伤害;生产健身器材中,钢管是重要的生产原料,影响钢管质量的重要缺陷为裂纹缺陷,会造成钢管的断裂。
现有技术中,检测金属表面的裂纹缺陷主要是通过阈值分割的方法,阈值分割的主要步骤就是选择合适的阈值,但是不管是固定阈值还是自适应阈值,都无法解决缺陷与金属表面的灰度较为相似时,分割不准的问题。
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金属健身器材外观质量检测方法,所采用的技术方案具体如下:
本发明提供的一种金属健身器材外观质量检测方法,包括以下步骤:
获取钢管表面图像,并对其进行预处理,得到灰度图像;
对灰度图像进行连通域分析,获得表面异常区域,对表面异常区域进行二次连通域分析,分割出疑似缺陷;
根据疑似缺陷的纹理特征,确定裂纹缺陷;
其中,获得表面异常区域的过程为:
随机选取灰度图像上任意一像素点,确定该像素点的邻域,计算该像素点的灰度均值以及梯度均值,基于各像素点的灰度均值以及梯度均值,得到灰度图像的编码特征图像;
计算编码特征图像的中心点的编码数值与其邻域的编码数值的差值,得到编码特征;
计算梯度异常指标,当编码特征大于梯度异常指标时,则编码元素所在的区域异常,则确定原始图像的表面异常区域。
优选地,所述梯度异常指标为获得的八邻域模板的梯度均值与其周围八邻域的梯度均值的比值。
优选地,对表面异常区域进行二次连通域分析,分割出疑似缺陷的具体过程为:
对表面异常区域进行形态学处理以及二值化处理,得到二值化图像;
对所述二值化图像进行二次连通域分析,并利用四个方向连接方法对图像中的空洞进行一次连接;将表面异常区域中的空洞区域进行连接填充,获得完整的前景区域,然后使用区域生长法获得完整的疑似缺陷区域。
优选地,根据疑似缺陷的纹理特征,确定裂纹缺陷的具体过程为:
对每个缺陷建立直角坐标系,通过将缺陷的每个像素点投影到坐标系的横轴与纵轴,然后求长宽的比值,得到缺陷比值;当缺陷比值大于设定值,则为疑似裂纹缺陷;
对疑似裂纹缺陷的边缘进行滑窗处理,得到任意两相邻边缘像素点之间的斜率;
基于斜率,得到边缘的平滑程度;当平滑程度大于设定阈值,则边缘像素点的凹凸程度变化比较剧烈,为裂纹缺陷。
本发明的有益效果:
本发明的金属健身器材外观质量检测方法,根据钢管表面的连通域分析,获得图像中的疑似缺陷区域,然后对获得疑似缺陷区域进行形态学运算,获得准确的边缘,再根据缺陷的特征计算,检测出钢管表面的裂纹缺陷,实现了钢管表面的缺陷检测。
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为本发明的一种金属健身器材外观质量检测方法的流程图;
图2为获取编码特征图的过程示意图;
图3为逻辑过程示意图;
图4为接断开区域的处理的过程示意图。
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,对依据本发明的方案,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。
本发明所针对的具体场景为:健身器材的重要生产原料钢管的裂纹缺陷检测。
本发明的主要目的是对健身器材的重要生产原料钢管的裂纹缺陷进行检测;即根据处理的图像进行连通域分析,获得表面异常区域,对图像进行二次连通域分析,分割出疑似缺陷,然后根据缺陷的纹理特征,得到裂纹缺陷。
具体地,本发明提出的一种金属健身器材外观质量检测方法的实施例,请参阅图1所示,包括以下步骤:
步骤1,获取钢管表面图像,并对其进行预处理,得到灰度图像。
本实施例中,对健身器材的重要生产原料钢管的裂纹缺陷检测,因此需要采集钢管表面的图像;根据钢管表面的灰度变化来计算,所以在进行图像采集时通过一束固定光源从上而下的打光,处于光源的正上方;将待检测钢管放置在一个转动的滚轴上,通过相机采集图像,然后将图像通过计算机自动合成一张平铺图像。
上述对于钢管表面的图像进行灰度化处理,所使用的灰度化方法为加权灰度化,加权灰度化为公知技术,此处不再赘述。
步骤2,对灰度图像进行连通域分析,获得表面异常区域,对表面异常区域进行二次连通域分析,分割出疑似缺陷。
本发明对灰度图像进行连通域分析,对原始图像进行采样编码,获得具有图像特征的编码图像,根据编码图像中的灰度均值与梯度均值的异常情况,获得表面异常区域;然后对表面异常区域进行二次连通域分析,根据模板的四个方向连接方法来对图像中的空洞进行一次连接,以保证目标前景提取的完整性,进行异常区域空洞像素点的填补,然后使用区域生长法,获得疑似缺陷区域;具体过程如下:
(1)对灰度图像进行连通域分析,获得表面异常区域;
本实施例中,对于钢管表面的焊缝、较大的裂纹等这些明显的缺陷,能够通过常规方法较为容易的检测出来。对于检测钢管表面存在的较为明显的裂缝等缺陷,通过传统的阈值分割的方法,能够将其分割出来,根据图像像素的灰度值的不同,根据缺陷的种类不同,选取多个阈值,检测出明显的缺陷。但是阈值分割对于钢管的细微裂纹缺陷,在分割时,不能很好的分割出光管表面的细纹,因此在后续的加工制造过程中,会存在潜在风险。因此本发明根据采集的图像基于连通域分析,获得钢管表面的异常区域。
一幅被分割的图像会存在许多连通成份,而一个连通成份通常被理解为一个目标像素区域,所以为了辨识清楚,把每一个连通成份标记不同的序号,就是标记连通区域的过程。
对于一幅图,通过标记四点邻域连通成份或八点邻域连通成份,在一个连通区域的像素标记为一个目标,同时记录每一个像素点所在的目标区域的序号,及相应的目标区域的属性值,即目标的像素点的灰度均值、梯度均值等。
将选取的八邻域像素点,总共九个像素点进行灰度均值、梯度均值的计算,计算公式如下:
根据计算的八邻域的像素点的灰度均值与梯度均值组合为一个二维向量,作为一个新的像素点的特征值。向量的组合规则为:9个像素点的均值作为第一位,直接输入灰度均值的大小,灰度梯度作为第二位,此处不需要加梯度方向。因为图像的灰度值是[0,255],,梯度值的区间也为[0,255],为了能够区分第一位与第二位,所以对梯度均值的数值类比十进制数进行如下规定,用字母[A、B、C、D、E、F、G、H、I、J]分别表示十进制数字中的[0、1、2、3、4、5、6、7、8、9],则个位数字会出现十种情况,十位数字会出现十种情况,百位数字会出现两种情况。例如:梯度值为219的像素点通过此该规则对应的值为CBJ。
因此八邻域的灰度均值与梯度均值的得到的二维向量,如:灰度均值为168,梯度均值为219,则编码为[168CBJ],此向量作为此八邻域的对应向量值。然后对图像进行依次计算,获得整张原始图像的向量特征图。如图2所示,为灰度图像与对应的编码特征图像。
通过上述方法获得的原始图像的向量特征图像,由图像可以看出将图像尺寸缩小为原来图像的三分之一,像素点的数量缩小为原来图像的九分之一,所以通过此方法将原始图像进行缩放运算,减少不必要的计算。因为是检测钢管表面的细微裂纹缺陷,所以局部灰度值变化的像素点的数量较少,而灰度值的变化较大,灰度梯度变化较大,因此通过此图像就可以判断出图像的那一区域的像素点出现了异常。通过计算编码后的特征图像的元素与其四连通域元素之间的数值关系,判断此处编码的元素是否出现异常。计算公式如下:
式中,表示中心点的数字与四邻域边缘的数值的差值,表示中心点的编码数值,表示四邻域的编码数值。因为此编码图像是根据原始图像像素点的灰度均值与梯度均值得到的,反映的是原始图像的灰度变化,因此在计算中心点的编码数值与中心点的数值差值进行判断其编码元素的异常时,需要根据编码元素的初始八邻域模板与该模板的八邻域像素点的灰度值计算的阈值。如图3所示,为此逻辑的示意图。
式中,表示此八邻域模板与其周围八邻域的梯度均值的比值,表示周围八邻域的第个邻域的梯度均值。因为原始图像的梯度改变时,编码图像的编码数值会发生相应的改变,因此根据原始图像的灰度梯度确定编码元素的异常时的阈值。如果,则编码元素的区域是异常情况,因此可以得到原始图像的异常区域,但是此区域不是准确的像素点组成的区域,只是表明此处为灰度以及梯度异常区域。所以还需要进一步分析异常区域的范围大小。
(2)对图像进行二次连通域分析,分割出疑似缺陷。
根据上述方法获得钢管表面的异常区域,因为只是检测到原始图像的异常区域,并没有得到疑似缺陷的准确的边缘像素点,因此根据得到的异常区域进行二次连通域分析,根据已经获得的异常区域得到准确的疑似缺陷的边缘。
首先,对上述得到的异常区域的图像进行数学形态学处理,形态学处理的目的是为了获得准确的边缘,缺陷不完整的主要原因是因为在获得二维向量进行图像缩小运算的过程中,只是为了找到像素点异常的区域,并没有获得完整的边缘。将图像进行二值化,二值图像在经过膨胀后,目标前景的边缘轮廓更加清晰,而且目标前景的空洞会被部分填补,但是由于在形态学处理时,模板的选择问题,前景空洞的问题仍然存在,对此根据二次连通域处理,即四个方向连接方法来对图像中的空洞进行一次连接,以保证目标前景提取的完整性。
如图4所示,是连接断开区域所使用的模板,模板采用了四个方向(左、左上、上和右上),连接步长设为5个像素。之所以采用四个方向的连接模板,是因为模板的四分方向分别与其他的四个方向(右、右下、下和左下)是对称的,这样选择可以减少一般的运算量,从而提高处理速度。中间图是处理前的图像,其中黑色极为目标前景区域,右图是应用连接模板进行连接后的目标区域。
根据上述方法,将异常区域中的空洞区域进行连接填充,获得完整的前景区域,然后使用区域生长法获得完整的疑似缺陷区域。区域生长法为已知技术,在此不再赘述。
通过上述方法获得完整的疑似缺陷区域。
步骤3,根据疑似缺陷的纹理特征,确定裂纹缺陷。
根据得到的疑似缺陷区域,对其纹理特征进行分析,得到裂纹缺陷。因为裂纹缺陷相较于钢管上的其他缺陷,有较为明显的特征,因为钢管裂纹的主干区域的灰度值相较于背景区域的灰度值大,且是延伸的过程,呈现细条状。并且钢管的裂纹是冷口裂纹,呈现直接开裂状态,不同其他具有较强延展性材料的裂纹。因此通过此特点将疑似裂纹缺陷与其他缺陷分开。
对每个缺陷建立直角坐标系,因为缺陷的形状是不规则的,所以无法直接得到缺陷的长度和宽度,本发明通过将缺陷的每个像素点投影到坐标系的横轴与纵轴,然后求长宽的比值,得到缺陷的概率。设投影到横轴的长度为,投影到纵轴的长素为,则比值为:,当时,确定为疑似裂纹缺陷。
裂纹是一条连续的且边缘存在毛刺的缺陷,而在检测的过程中对裂纹缺陷检测影响最大的就是表面的划痕,划痕的边缘是光滑的,因此根据此特征,检测出裂纹缺陷。
本发明根据疑似缺陷的边缘像素点的变化,来描述其边缘的平滑程度。设置一个5*5的滑窗,沿着分割出来的疑似缺陷的边缘进行滑动,根据滑窗内部像素点的平整度来描述其边缘的平滑程度,若滑窗内的像素点的凹凸程度越大,则表明是疑似缺陷的概率越大,若其凹凸程度越小,则是划痕的概率越大。
对滑窗建立直角坐标系,计算两个相邻边缘像素点之间的斜率。计算公式如下:
通过上述方法获得钢管表面的裂纹缺陷,然后对钢管表面的裂纹缺陷进行标记。
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精神和范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种金属健身器材外观质量检测方法,其特征在于,包括以下步骤:
获取钢管表面图像,并对其进行预处理,得到灰度图像;
对灰度图像进行连通域分析,获得表面异常区域,对表面异常区域进行二次连通域分析,分割出疑似缺陷;
根据疑似缺陷的纹理特征,确定裂纹缺陷;
其中,获得表面异常区域的过程为:
随机选取灰度图像上任意一像素点,确定该像素点的邻域,计算该像素点的灰度均值以及梯度均值,基于各像素点的灰度均值以及梯度均值,得到灰度图像的编码特征图像;
计算编码特征图像的中心点的编码数值与其邻域的编码数值的差值,得到编码特征;
计算梯度异常指标,当编码特征大于梯度异常指标时,则编码元素所在的区域异常,则确定原始图像的表面异常区域。
2.根据权利要求1所述的一种金属健身器材外观质量检测方法,其特征在于,所述梯度异常指标为获得的八邻域模板的梯度均值与其周围八邻域的梯度均值的比值。
3.根据权利要求1所述的一种金属健身器材外观质量检测方法,其特征在于,对表面异常区域进行二次连通域分析,分割出疑似缺陷的具体过程为:
对表面异常区域进行形态学处理以及二值化处理,得到二值化图像;
对所述二值化图像进行二次连通域分析,并利用四个方向连接方法对图像中的空洞进行一次连接;将表面异常区域中的空洞区域进行连接填充,获得完整的前景区域,然后使用区域生长法获得完整的疑似缺陷区域。
4.根据权利要求1所述的一种金属健身器材外观质量检测方法,其特征在于,根据疑似缺陷的纹理特征,确定裂纹缺陷的具体过程为:
对每个缺陷建立直角坐标系,通过将缺陷的每个像素点投影到坐标系的横轴与纵轴,然后求长宽的比值,得到缺陷比值;当缺陷比值大于设定值,则为疑似裂纹缺陷;
对疑似裂纹缺陷的边缘进行滑窗处理,得到任意两相邻边缘像素点之间的斜率;
基于斜率,得到边缘的平滑程度;当平滑程度大于设定阈值,则边缘像素点的凹凸程度变化比较剧烈,为裂纹缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277505.3A CN115345885B (zh) | 2022-10-19 | 2022-10-19 | 一种金属健身器材外观质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277505.3A CN115345885B (zh) | 2022-10-19 | 2022-10-19 | 一种金属健身器材外观质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345885A true CN115345885A (zh) | 2022-11-15 |
CN115345885B CN115345885B (zh) | 2023-12-19 |
Family
ID=83957063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211277505.3A Active CN115345885B (zh) | 2022-10-19 | 2022-10-19 | 一种金属健身器材外观质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345885B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564771A (zh) * | 2022-11-17 | 2023-01-03 | 山东上辰建设集团有限公司 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
CN115830021A (zh) * | 2023-02-15 | 2023-03-21 | 东莞市新通电子设备有限公司 | 一种用于五金件加工的金属表面缺陷检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116309557A (zh) * | 2023-05-16 | 2023-06-23 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN116385429A (zh) * | 2023-05-26 | 2023-07-04 | 山东中泳电子股份有限公司 | 一种仰泳出发器生产线智能管理方法及系统 |
CN116645364A (zh) * | 2023-07-18 | 2023-08-25 | 金乡县金沪合金钢有限公司 | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116740054A (zh) * | 2023-08-08 | 2023-09-12 | 天筛(聊城)生物科技有限公司 | 一种基于图像处理的舌象齿痕检测方法 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
CN116883407A (zh) * | 2023-09-08 | 2023-10-13 | 山东省永星食品饮料有限公司 | 基于人工智能的瓶装水杂质检测方法 |
CN117237747A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市明鸿五金制品有限公司 | 基于人工智能的五金件缺陷分类识别方法 |
CN117333825A (zh) * | 2023-12-01 | 2024-01-02 | 尚古智造(山东)智能装备有限公司 | 一种基于计算机视觉的电缆桥架监测方法 |
CN117649412A (zh) * | 2024-01-30 | 2024-03-05 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119505A (zh) * | 2021-11-08 | 2022-03-01 | 中国空间技术研究院 | 一种检测芯片粘连区域缺陷的方法及装置 |
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 |
-
2022
- 2022-10-19 CN CN202211277505.3A patent/CN115345885B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119505A (zh) * | 2021-11-08 | 2022-03-01 | 中国空间技术研究院 | 一种检测芯片粘连区域缺陷的方法及装置 |
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 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564771A (zh) * | 2022-11-17 | 2023-01-03 | 山东上辰建设集团有限公司 | 一种基于建筑物基柱的混凝土裂纹识别方法 |
CN115830021A (zh) * | 2023-02-15 | 2023-03-21 | 东莞市新通电子设备有限公司 | 一种用于五金件加工的金属表面缺陷检测方法 |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN116309557A (zh) * | 2023-05-16 | 2023-06-23 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN116385429A (zh) * | 2023-05-26 | 2023-07-04 | 山东中泳电子股份有限公司 | 一种仰泳出发器生产线智能管理方法及系统 |
CN116385429B (zh) * | 2023-05-26 | 2023-08-11 | 山东中泳电子股份有限公司 | 一种仰泳出发器生产线智能管理方法及系统 |
CN116645364B (zh) * | 2023-07-18 | 2023-10-27 | 金乡县金沪合金钢有限公司 | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
CN116645364A (zh) * | 2023-07-18 | 2023-08-25 | 金乡县金沪合金钢有限公司 | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
CN116664584B (zh) * | 2023-08-02 | 2023-11-28 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116740054A (zh) * | 2023-08-08 | 2023-09-12 | 天筛(聊城)生物科技有限公司 | 一种基于图像处理的舌象齿痕检测方法 |
CN116740054B (zh) * | 2023-08-08 | 2023-10-20 | 天筛(聊城)生物科技有限公司 | 一种基于图像处理的舌象齿痕检测方法 |
CN116843678A (zh) * | 2023-08-28 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
CN116843678B (zh) * | 2023-08-28 | 2023-11-21 | 青岛冠宝林活性炭有限公司 | 一种硬碳电极生产质量检测方法 |
CN116883407B (zh) * | 2023-09-08 | 2023-11-24 | 山东省永星食品饮料有限公司 | 基于人工智能的瓶装水杂质检测方法 |
CN116883407A (zh) * | 2023-09-08 | 2023-10-13 | 山东省永星食品饮料有限公司 | 基于人工智能的瓶装水杂质检测方法 |
CN117237747A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市明鸿五金制品有限公司 | 基于人工智能的五金件缺陷分类识别方法 |
CN117237747B (zh) * | 2023-11-14 | 2024-01-26 | 深圳市明鸿五金制品有限公司 | 基于人工智能的五金件缺陷分类识别方法 |
CN117333825A (zh) * | 2023-12-01 | 2024-01-02 | 尚古智造(山东)智能装备有限公司 | 一种基于计算机视觉的电缆桥架监测方法 |
CN117333825B (zh) * | 2023-12-01 | 2024-02-23 | 尚古智造(山东)智能装备有限公司 | 一种基于计算机视觉的电缆桥架监测方法 |
CN117649412A (zh) * | 2024-01-30 | 2024-03-05 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
CN117649412B (zh) * | 2024-01-30 | 2024-04-09 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115345885B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |