CN115359237A - 一种基于图形识别的齿轮断齿识别方法 - Google Patents
一种基于图形识别的齿轮断齿识别方法 Download PDFInfo
- Publication number
- CN115359237A CN115359237A CN202211276464.6A CN202211276464A CN115359237A CN 115359237 A CN115359237 A CN 115359237A CN 202211276464 A CN202211276464 A CN 202211276464A CN 115359237 A CN115359237 A CN 115359237A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- shadow
- region
- rough
- 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
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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- 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
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种基于图形识别的齿轮断齿识别方法,获取齿轮图像的灰度图像,通过语义分割获得目标齿轮图像;根据目标齿轮图像,得到纹理复杂度图像,并通过阈值分割得到阴影区域,计算阴影区域的等间距区域,得到标准区域;根据标准区域,得到粗糙区域;根据每个粗糙区域的粗糙情况,对粗糙像素点进行标记,得到断齿区域。即本发明能够准确识别齿轮断齿的情况。
Description
技术领域
本发明涉及数据处理领域,具体为一种基于图形识别的齿轮断齿识别方法。
背景技术
现有方法对齿轮断齿进行检测,往往是通过霍夫圆的方法进行检测,但该方法只对过载折断,即如图1中所示的情况可以进行精准检测,当齿轮是由于疲劳折断,产生如图2中所示的情况时,现有方法采用阈值分割的方法进行检测,但由于金属的反光特性较强,结合齿轮形状,阈值分割方法的检测精度不高,只能对特定光照情况下的齿轮进行检测,受限较大。
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基于图形识别的齿轮断齿识别方法,所采用的技术方案具体如下:
本发明提供了一种基于图形识别的齿轮断齿识别方法,包括以下步骤:
获取齿轮图像的灰度图像,通过语义分割获得目标齿轮图像;
根据目标齿轮图像,得到纹理复杂度图像,并通过阈值分割得到阴影区域,计算阴影区域的等间距区域,得到标准区域;根据标准区域,得到粗糙区域;根据每个粗糙区域的粗糙情况,对粗糙像素点进行标记,得到断齿区域。
优选地,所述标准区域的获取过程为:
获取不同视角下的目标齿轮图像的正常的阴影区域;
计算每个视角下的阴影区域的连通域中心点与长边中心线的垂距,当当前图像中每个阴影区域的连通域中心点与长边中心点的垂距小于设定值,且每两个相邻阴影区域的连通域中心点的距离相近,则当前角度上的阴影区域为正常连续阴影区域;通过对不同旋转角度下的正常齿片的阴影区域进行计算,可以得到所有图像中的正常阴影区域的最大区域数量,将最大区域数量对应的图像中的连续阴影区域作为标准区域。
优选地,每两个相邻阴影区域的连通域中心点的距离相近的具体过程为:
计算得到沿着连通域中心线的纵坐标从大到小的方向,得到阴影区域的连通域中心点与长边中心线的垂距,得到垂距序列,通过otsu多阈值分割将垂距序列中的元素划分为不同类别,通过多阈值分割得到两个类别;划分得到不同类别后,计算每个类别与连通域中心点的距离,所述距离是指每个类别中所有元素的均值,将均值小于预设阈值的类别,记为该类别的距离与连通域中心点的距离相近。
优选地,所述粗糙区域的获取过程为:
计算图像上每个像素点的八邻域范围内的像素灰度值的方差,记为粗糙度,基于粗糙度得到粗糙度图像;将所述粗糙度图像与所述标准区域进行对比,得到粗糙区域。
本发明的有益效果:
本发明的基于图形识别的齿轮断齿识别方法,通过对每个齿面的粗糙区域进行分析,结合每个粗糙区域通过角度旋转后的阴影区域与标准区域的比较,对每个齿面的断齿区域进行了精准的识别,避免了受光照影响较大的问题。
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是齿轮图像的侧面示意图;
图2是齿轮图像的的齿轮图像;
图3是本发明的一种基于图形识别的齿轮断齿识别方法的方法流程图;
图4是阴影区域示意图;
图5是粗糙区域示意图;
图6是齿面区域示意图。
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。
本发明的主要目的是:针对传统方法中采用阈值分割方法识别断齿区域受光照影响较大,精度不高的问题,提出了一种基于图形识别的齿轮断齿识别方法;即通过对每个齿面的粗糙区域进行分析,结合每个粗糙区域通过角度旋转后的阴影区域与标准区域的比较,对每个齿面的断齿区域进行了精准的识别,避免了受光照影响较大的问题。
具体地,本发明提出的一种基于图形识别的齿轮断齿识别方法的方法实施例,请参阅图3所示,包括以下步骤:
步骤1,获取齿轮图像的灰度图像,通过语义分割获得目标齿轮图像。
本实施例采用摄像机以及光源结合的图像采集装置,对齿轮图像进行采集,其中,在齿轮上方打点光源,在正面通过摄像头采集数据,得到如图2所示的齿轮图像。
本实施例中,采用DNN语义分割的方式来识别分割出图像中的目标区域,之后对目标区域进行灰度处理,得到目标灰度图像,具体地:
该DNN网络的相关内容如下:
使用的数据集为俯视采集的齿轮图像数据集。
需要分割的像素,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于齿轮的标注为1。
网络的任务是分类,所以使用的loss函数为交叉熵损失函数。
至此,通过DNN实现了相机下齿轮图像的处理,获得图像中目标齿轮图像。
步骤2,根据目标齿轮图像,得到纹理复杂度图像,并通过阈值分割得到深色区域,计算深色区域的等间距区域,得到标准区域,根据标准区域对纹理复杂度图像沿着长边方向进行分区,对于纹理复杂度较大区域通过旋转到标准区域的位置,计算面积匹配,通过方向复杂度比例、亮点异常率结合相关性得到断齿区域。
由图2可知,当前打光情况下的齿面由于结构原因,每个齿面会形成阴影区域,通过该阴影区域可以对正常齿面和断齿区域进行区分;且断齿区域的纹理复杂度较正常区域大。
本实施例中的断齿区域的具体过程如下:
(1)首先计算得到纹理复杂度图像,然后通过阈值分割得到深色区域,计算深色区域的等间距区域,得到标准区域。
(2)根据标准区域对纹理复杂度图像沿着长边方向进行分区,对于纹理复杂度较大区域通过旋转到标准区域的位置,计算面积匹配,通过方向复杂度比例、亮点异常率结合相关性得到断齿区域。
上述步骤(1)中,需要说明的是,由于齿轮断齿区域较为粗糙,因此粗糙区域,即纹理复杂度较大;即区域有可能存在断齿缺陷。
如图2所示,在当前打光情况下,某些齿面会形成相应的阴影区域,对于正常齿面来说,阴影区域的一致性较大,称之为标准阴影区域,对于断裂齿面来说,阴影区域与标准阴影区域存在差异,因此可以根据阴影区域对每个齿面是否可能存在断齿进行初步确定。
由于当前角度(所述角度是指齿轮角度)下不确定是否存在断齿情况,对于每个当前图像上的阴影区域是正常还是异常无法区分,但可以根据阴影区域的一致性对标准阴影区域和异常阴影区域进行区分,断齿缺陷导致的缺陷的形态和断裂位置往往均不相同,因此断齿缺陷形成的阴影区域往往不具备周期性,而正常齿面形成的阴影区域,由于齿免形状的周期性,导致每个正常齿面形成的阴影区域相近,也呈现周期性,因此可以通过计算每个角度下多个阴影区域的周期性,首先得到正常的阴影区域。
上述中的正常阴影区域的获取过程如下:
首先将当前视角下获得的RGB图像转化为灰度图像,然后通过otsu阈值分割的方法获得阈值k1,将小于阈值k1的像素点作为前景像素点,对应阴影区域,对于阴影区域计算周期性,所述正常阴影区域的周期性是沿着整幅图像的长边方向的,因此需要通过骨架提取的方法获得长边方向的中心线,所述长边方向是指步骤一中通过语义分割得到的矩形区域的长边,对于所述长边通过长边中心线沿着垂直方向(长边方向的垂直方向)平移,平移到边界处时得到的重叠区域即为长边。
得到阴影区域后,计算阴影区域的连通域中心点与长边中心线的垂距,如果当前图像中每个阴影区域的连通域中心点与长边中心点的垂距均很小,且每两个相邻阴影区域的连通域中心点的距离相近,则当前角度上的阴影区域均为标准区域,如图4所示,灰色区域a、b、c表示相邻阴影区域,且相邻阴影区域之间的连通域中心点的距离相同,沿着长边中心线o的方向,对每个阴影区域进行平移,平移过程中当两个阴影区域重合时,重叠率非常大。
否则旋转角度,直到某个视角下存在多个连续的阴影区域,称之为标准区域。将标准区域中每个区域的面积和阴影区域作为标准区域的表征值。即需要一个连续的正常区域作为模板,当把可能存在缺陷的纹理粗糙区域旋转到标准区域位置时,通过对比就可以得到存在缺陷的纹理区域的阴影区域是否和标准区域相同,不同的话该区域对应齿面存在断齿的概率较大。
计算过程为:计算得到沿着连通域中心线的纵坐标从大到小的方向,得到阴影区域的连通域中心点与长边中心线的垂距,得到垂距序列,通过otsu多阈值分割将垂距序列中的元素划分为不同类别,例如:序列A=[4 5 4 4 5 20],通过多阈值分割得到两个类别:[4 5 4 4 5]、[20]。划分得到不同类别后,计算每个类别与连通域中心点的距离,所述距离是指每个类别中所有元素的均值,将均值小于预设阈值k2(k2默认为10个像素点)的认为该类别的距离与连通域中心点的距离较近,有较大概率属于正常齿片的阴影区域,称之为正常连续阴影区域。如图4所示,通过对齿轮进行旋转,每次旋转角度为:当前图像中正常情况下的阴影区域数量*单位角度,所述单位角度是指每个齿面对应的角度值,所述角度值通过齿轮的侧面图像可以计算得到,通过对边界的曲线进行周期性的拟合可以得到,该拟合为现有技术,因此不做赘述,所述侧面图像是指图1中所示的图像。
通过对不同旋转角度下的正常齿片的阴影区域进行计算,可以得到所有图像中的正常阴影区域的最大区域数量,将最大区域数量对应的图像中的连续阴影区域作为标准区域。所述的不同旋转角度对应的齿轮旋转次数是由每次的旋转角度决定的,每次的旋转角度可以计算得到,假设第一次的旋转角度为a1,第二次的旋转角度为a2,…,第n次的旋转角度为an,计算a1+a2+…,+an>360°的最小n,将对应次数n作为最后一次旋转。
选择一个最大区域数量对应的图像中的连续阴影区域作为标准区域是为了将每张图像上的粗糙度较大区域通过齿轮上的齿面的旋转移动到标准区域所在位置,进而与标准区域进行比较,如果相差较大,则有较大概率存在断齿缺陷,最大区域数量是为了减少计算量,使得尽可能少的旋转次数就可以对可能存在断齿的区域(所述可能存在断齿的区域是指通过粗糙度计算得到的粗糙度较大区域)进行进一步判断。
所述粗糙度的计算过程如下:
首先计算图像上每个像素点的八邻域范围内的像素灰度值的方差,方差越大,该像素点八邻域范围内的粗糙度越大,通过计算可以得到图像上每个像素点的粗糙度,称之为粗糙度图像。
由于金属齿面存在反光情况,因此通过阴影区域确定的断齿区域不一定是真正的断齿区域,还需要通过粗糙度较大区域与标准区域的一对一比较进行进一步判断。
上述步骤(2)中,由于断齿导致的纹理复杂度区域的出现,因此每个纹理复杂度区域对应一个齿面区域;通过计算每个纹理复杂度较大区域旋转到标准区域后,是否会形成标准区域,即标准的阴影区域,如果形成了标准阴影区域,所述纹理复杂度较大区域不是由于断齿形成的,否则是由于断齿形成的。
由于齿面是周期纹理,因此每个齿面对应的阴影区域也具有周期性,因此可以通过将计算得到的粗糙度较大区域依次转移到阴影区域,此时通过粗糙度较大区域对应阴影与标准区域的对比,即可对粗糙度较大区域是否是断齿区域进行进一步确定。
首先需要计算得到粗糙度较大区域,计算过程如下:
通过统计得到粗糙度图像的直方图,通过otsu阈值分割的方法得到分割阈值k,然后将大于阈值k的像素点认为是粗糙度较大的像素点,将图像上灰度值大于阈值k的像素点标记为1,其它像素点标记为0,通过Two-Pass算法进行连通域分析得到每个连通域,将大于k的像素点与整个区域的占比大于0.8的区域认为是粗糙度较大区域,称之为粗糙连通域,所述粗糙连通域的粗糙度较大。
粗糙连通域有较大概率是由于断齿形成的,但也有可能是由于表面的磕碰或其它缺陷造成的,因此需要进一步分析,通过将每个粗糙度区域旋转到标准区域,通过粗糙度区域的阴影区域与标准区域的比较来进一步判断。
进一步判断的具体过程如下:
首先通过标准图像中的标准区域的周期性对图像中的区域进行分区,分区的目的是将粗糙区域划分为标准形式,方便后面的每个齿面是否断齿的确定。
计算得到了标准区域后,将标准区域沿着长边方向进行平移,所述平移距离为:标准区域中相邻两个区域的距离均值,所述距离均值是指:标准区域中每两个相邻区域可以计算得到一个距离值,计算所有距离值的均值作为距离均值。通过平移后,平移区域与粗糙区域会存在交集,即通过平移区域完成了对粗糙区域的分区。分区有助于后续的每个粗糙区域对应的齿面区域的区分,避免相近的两个齿面同时存在部分区域断齿,但只检测到一个齿面存在断齿缺陷的问题。
检测得到粗糙区域后,计算粗糙区域与标准区域的距离,使得检测到的粗糙区域尽可能地通过旋转移动到标准区域内部,进而一次性对多个粗糙区域进行进一步确定,提高检测效率。如图5所示,图像1为检测到标准区域时的图像,其中的阴影区域为标准区域,即连续的阴影区域a、b、c、d四个区域,区域e和区域f表示的是粗糙度较大的区域,通过旋转将区域e和区域f旋转到了原先的标准区域,如图像2所示。
具体的旋转过程为:
检测到粗糙区域后,将所述的粗糙区域通过转动移动到标准区域最下方,如图5所示,在图像1中检测到标准区域的同时,检测到区域e和区域f是两个粗糙度较大区域,因此通过转动将区域e和区域f移动到原先的区域b和区域c所在区域,旋转角度的确定方法为:计算标准区域最下方连通域和粗糙区域最上方连通域之间的连通域数量m,旋转角度为m*单位角度。
通过旋转,使得粗糙区域移动到标准区域原先位置时,粗糙区域如果是断齿缺陷形成的,粗糙区域的阴影和标准区域的阴影相差较大,否则相差较小就可能是其它因素导致的粗糙度较大。
具体的计算粗糙区域的形成原因的过程如下:
计算每个粗糙区域的阴影面积对应的标准区域中相应连通域的阴影面积的交集与并集的比值,如图5所示,图像2中的区域e对应图像1中的区域b,计算两个区域对的阴影面积的交集与并集的比值,所示比值越小,该区域是由于断齿造成的概率越大,将所述比值小于0.6的,认为是由于断齿形成的粗糙区域。
对由于断齿形成的粗糙区域进行保留,接下来需要对断齿区域的形状进行确定,在检测到粗糙区域是粗糙区域的图像上进行识别,如图5中的区域e和区域f是在图像1中检测到属于粗糙区域的,因此在图像1中对区域e和区域f进行断齿区域边缘的精确识别。通过方向复杂度比例、亮点异常率结合相关性进行识别,首先通过粗糙区域在阴影区域的边界长度与标准区域中每个连通域的长边长度的比值,得到粗糙区域的阴影区域的最大比值和最小比值(所述比值是指如图2中所示的从下往上数第四个阴影区域的两个长边与标准阴影区域的长边的比值),即对应粗糙度区域在整个齿面上的最大断裂和最小断裂范围,根据所述范围对断齿区域进行识别。识别的具体过程如下:
首先对通过粗糙区域旋转得到的阴影区域计算与对应阴影区域的长边的比值,所述阴影区域的长边之前通过骨架提取的方法已经得到,因此只需将阴影区域的长边方向线沿着短边方向进行平移获得每个阴影区域的沿着长边方向的长度,即每个粗糙阴影区域(粗糙阴影区域是指如图5中右图所述的区域f的阴影区域)的沿着长边方向的阴影长度序列,粗糙区域和粗糙阴影程度均可以对断齿进行描述,但描述都具有片面性,粗糙区域的粗糙不仅是由于断齿形成还可能是由于其它缺陷,而阴影区域只能表示存在断齿区域,表示的是断齿区域的高度信息,如图1所示,粗糙区域中可能断齿区域的邻近未断齿区域的粗糙度也较大,造成难以区分的情况,另一方面,阴影区域表示水平方向断裂面上沿着长边方向的最大断裂长度和最小断裂长度,表示不了水平面上的断齿信息,基于此,通过阴影区域对断齿区域的水平面的最大断裂和最小断裂长度进行限制,结合粗糙度得到较为精确的断齿区域的形态,具体的形态识别过程如下:
首先通过阴影长度序列得到该序列中的最大元素值和最小元素值,作为粗糙区域(粗糙区域如图5左图中的e、f区域,右图中的e、f称之为粗糙区域对应阴影区域)每行的断裂最大长度和最小长度。首先对每行的粗糙度序列构造一个直方图,所述直方图的横坐标表示序号,纵坐标表示每个粗糙区域的沿着长边方向的每个像素点的粗糙度,通过otsu阈值分割,得到阈值k,如果阈值k在最小长度和最大长度之间,选择k作为分割阈值,即将大于k的区域作为该行的粗糙像素点;如果阈值k不在最小长度和最大长度之间,则选择距离k最近的长度值作为该行的粗糙像素点。例如:如图6所示为一个齿面,左侧空白区域为正常区域,右侧为断齿区域,计算得到该区域中所有行中最小断裂长度为3,最大断裂长度为7,长边为10,例如:计算图5中的最下面一行的断裂长度时,该行的粗糙度分别为:[0.1 0.110.6 0.59 0.62 0.61 0.63 0.64 0.60 0.59],其中的较大粗糙度的长度为8,但阴影区域的最大长度为7,因此将该行的第4到10个元素作为该行的粗糙区域。通过计算每一行的粗糙区域,进而可以得到每个粗糙区域的粗糙情况。
本实施例中得到每个粗糙区域的粗糙情况后,对粗糙像素点进行标记,作为该区域的断齿区域。
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 (3)
1.一种基于图形识别的齿轮断齿识别方法,其特征在于,包括以下步骤:
获取齿轮图像的灰度图像,通过语义分割获得目标齿轮图像;
根据目标齿轮图像,得到纹理复杂度图像,并通过阈值分割得到阴影区域,计算阴影区域的等间距区域,得到标准区域;根据标准区域,得到粗糙区域;根据每个粗糙区域的粗糙情况,对粗糙像素点进行标记,得到断齿区域;
所述标准区域的获取过程为:
获取不同视角下的目标齿轮图像的正常的阴影区域;
计算每个视角下的阴影区域的连通域中心点与长边中心线的垂距,当当前图像中每个阴影区域的连通域中心点与长边中心点的垂距小于设定值,且每两个相邻阴影区域的连通域中心点的距离相近,则当前角度上的阴影区域为正常连续阴影区域;通过对不同旋转角度下的正常齿片的阴影区域进行计算,可以得到所有图像中的正常阴影区域的最大区域数量,将最大区域数量对应的图像中的连续阴影区域作为标准区域。
2.根据权利要求1所述的一种基于图形识别的齿轮断齿识别方法,其特征在于,每两个相邻阴影区域的连通域中心点的距离相近的具体过程为:
计算得到沿着连通域中心线的纵坐标从大到小的方向,得到阴影区域的连通域中心点与长边中心线的垂距,得到垂距序列,通过otsu多阈值分割将垂距序列中的元素划分为不同类别,通过多阈值分割得到两个类别;划分得到不同类别后,计算每个类别与连通域中心点的距离,所述距离是指每个类别中所有元素的均值,将均值小于预设阈值的类别,记为该类别的距离与连通域中心点的距离相近。
3.根据权利要求1所述的一种基于图形识别的齿轮断齿识别方法,其特征在于,所述粗糙区域的获取过程为:
计算图像上每个像素点的八邻域范围内的像素灰度值的方差,记为粗糙度,基于粗糙度得到粗糙度图像;将所述粗糙度图像与所述标准区域进行对比,得到粗糙区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276464.6A CN115359237B (zh) | 2022-10-19 | 2022-10-19 | 一种基于图形识别的齿轮断齿识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276464.6A CN115359237B (zh) | 2022-10-19 | 2022-10-19 | 一种基于图形识别的齿轮断齿识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359237A true CN115359237A (zh) | 2022-11-18 |
CN115359237B CN115359237B (zh) | 2023-03-24 |
Family
ID=84008373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276464.6A Active CN115359237B (zh) | 2022-10-19 | 2022-10-19 | 一种基于图形识别的齿轮断齿识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359237B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152749A (zh) * | 2023-04-20 | 2023-05-23 | 青岛义龙包装机械有限公司 | 基于数字孪生的齿轮磨损智能监测方法 |
CN116704177A (zh) * | 2023-08-01 | 2023-09-05 | 东莞市零越传动科技有限公司 | 基于图像数据的齿轮变速箱故障检测方法 |
CN117422705A (zh) * | 2023-11-24 | 2024-01-19 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
CN117474927A (zh) * | 2023-12-28 | 2024-01-30 | 山东太阳耐磨件有限公司 | 基于人工智能的驱动齿生产质量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913441A (zh) * | 2016-04-27 | 2016-08-31 | 四川大学 | 一种用于改善视频中目标检测性能的阴影去除方法 |
CN110415296A (zh) * | 2019-07-15 | 2019-11-05 | 上海合时智能科技有限公司 | 一种有阴影光照下矩形状电器件的定位方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
-
2022
- 2022-10-19 CN CN202211276464.6A patent/CN115359237B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913441A (zh) * | 2016-04-27 | 2016-08-31 | 四川大学 | 一种用于改善视频中目标检测性能的阴影去除方法 |
CN110415296A (zh) * | 2019-07-15 | 2019-11-05 | 上海合时智能科技有限公司 | 一种有阴影光照下矩形状电器件的定位方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152749A (zh) * | 2023-04-20 | 2023-05-23 | 青岛义龙包装机械有限公司 | 基于数字孪生的齿轮磨损智能监测方法 |
CN116152749B (zh) * | 2023-04-20 | 2023-06-23 | 青岛义龙包装机械有限公司 | 基于数字孪生的齿轮磨损智能监测方法 |
CN116704177A (zh) * | 2023-08-01 | 2023-09-05 | 东莞市零越传动科技有限公司 | 基于图像数据的齿轮变速箱故障检测方法 |
CN116704177B (zh) * | 2023-08-01 | 2023-11-17 | 东莞市零越传动科技有限公司 | 基于图像数据的齿轮变速箱故障检测方法 |
CN117422705A (zh) * | 2023-11-24 | 2024-01-19 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
CN117422705B (zh) * | 2023-11-24 | 2024-04-05 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
CN117474927A (zh) * | 2023-12-28 | 2024-01-30 | 山东太阳耐磨件有限公司 | 基于人工智能的驱动齿生产质量检测方法 |
CN117474927B (zh) * | 2023-12-28 | 2024-03-26 | 山东太阳耐磨件有限公司 | 基于人工智能的驱动齿生产质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115359237B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115359237B (zh) | 一种基于图形识别的齿轮断齿识别方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN115601367A (zh) | 一种led灯芯缺陷检测方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN110599512A (zh) | 基于图像识别的药品名称识别方法及系统 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
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 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
JP2024050880A (ja) | 文字分割方法、装置、および、コンピュータ可読記憶媒体 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN115311283A (zh) | 一种玻璃拉管缺陷检测方法及系统 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
US20020048402A1 (en) | Segmentation of digital images | |
CN117078678A (zh) | 基于图像识别的废硅片形状检测方法 | |
CN115330768A (zh) | 一种太阳能电池板质量分级方法 |
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 |