CN115526867B - 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置 - Google Patents

碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置 Download PDF

Info

Publication number
CN115526867B
CN115526867B CN202211215347.9A CN202211215347A CN115526867B CN 115526867 B CN115526867 B CN 115526867B CN 202211215347 A CN202211215347 A CN 202211215347A CN 115526867 B CN115526867 B CN 115526867B
Authority
CN
China
Prior art keywords
image
carbon fiber
gas cylinder
fiber composite
gray level
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
CN202211215347.9A
Other languages
English (en)
Other versions
CN115526867A (zh
Inventor
蔡珣
张开
党菀
狄成瑞
乔琨
高艳博
朱波
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.)
Weihai Institute Of Industrial Technology Shandong University
Shandong University
Original Assignee
Weihai Institute Of Industrial Technology Shandong University
Shandong University
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 Weihai Institute Of Industrial Technology Shandong University, Shandong University filed Critical Weihai Institute Of Industrial Technology Shandong University
Priority to CN202211215347.9A priority Critical patent/CN115526867B/zh
Publication of CN115526867A publication Critical patent/CN115526867A/zh
Application granted granted Critical
Publication of CN115526867B publication Critical patent/CN115526867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/30—Noise 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
    • G06V10/40—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
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/32—Hydrogen storage

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开一种碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法和装置，包括：对获取的原始碳纤维复合材料气瓶X射线无损检测图像进行灰度变换处理；对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理；对空域滤波处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行局部阈值二值化处理，得到二值化图像；对所述二值化图像进行形态学处理；对形态学处理后的二值化图像进行边缘提取，得到缺陷边缘图像；将所述缺陷边缘图像记录在所述原始碳纤维复合材料气瓶X射线无损检测图像上，得到裂缝缺陷检测结果。本发明的技术方案，能够达到较高的定位精确率，可以将缺陷部位完整地标注在图像上，达到像素级别的检测效果。

Description

碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法和装置
技术领域
本发明属于图像处理技术领域，尤其涉及一种碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法和装置。
背景技术
近年来，新能源汽车的发展迅速，使用天然气、氢气等清洁能源作为汽车动力的情况也越发多见，在存储和运输这些高危、高压气体的时候，碳纤维复合材料由于具有高比强度、高比模量、高耐疲劳性、高抗断裂能力和良好的减振性能，往往是制作储气瓶首选。同时由于复合材料的组成比较复杂，且难以通过常规手段进行检测，而抽样检测的成本和安全隐患又难以控制，无损检测技术应运而生，成为复合材料及其制品检测的重要方式。X射线无损检测作为一种检测速度快、设备要求低、检测效果良好的检测技术手段，已大规模应用于复合材料的无损检测中。
目前现有的缺陷筛查方法主要有人工目测法和基于深度学习的方法。人工目测法是通过具有一定经验和判别能力的专业工人，通过肉眼观察来确定是否存在缺陷。深度学习的方法则通过大规模的数据集进行模型调整，寻求更精确的目标检测效果。
人工目测法的缺点是：
1.精确度差，人工进行肉眼识别可能会忽视一些细小的裂纹，存在一定的隐患。
2.效率低，每张图像大小为1024*1024，在进行像素级的检测时，人工的速度远不如本算法。
3.流程复杂，人工方法定位缺陷需要手动在图像上进行标注，耗时费力，不适用于流水线操作。
深度学习方法的缺点是：
1.成本高，在数据采样和模型训练的过程中，需要花费大量的时间和金钱，且需要专业人员进行模型的测试和调整。
2.软件运行环境苛刻，可移植性差，在使用深度学习模型进行检测时，需要配置完整的软件运行环境，对电脑的配置有一定要求。
发明内容
本发明要解决的技术问题是，提供一种碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法和装置，能够达到较高的定位精确率，可以将缺陷部位完整地标注在图像上，达到像素级别的检测效果。
为实现上述目的，本发明采用如下的技术方案：
一种碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法，包括以下步骤：
步骤S1、对获取的原始碳纤维复合材料气瓶X射线无损检测图像进行灰度变换处理；
步骤S2、对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理；
步骤S3、对空域滤波处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行局部阈值二值化处理，得到二值化图像；
步骤S4、对所述二值化图像进行形态学处理；
步骤S5、对形态学处理后的二值化图像进行边缘提取，得到缺陷边缘图像；
步骤S6、将所述缺陷边缘图像记录在所述原始碳纤维复合材料气瓶X射线无损检测图像上，得到裂缝缺陷检测结果。
作为优选，步骤S1中，采用限制对比度的自适应直方图均衡化算法进行灰度变换处理。
作为优选，步骤S2中，采用双边滤波对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理。
作为优选，步骤S3中，采用均值模板对分块区域中的灰度进行阈值计算，得到二值化图像。
本发明还提供一种碳纤维复合材料气瓶X射线图像裂纹缺陷提取装置，包括：
灰度变换模块，用于对获取的原始碳纤维复合材料气瓶X射线无损检测图像进行灰度变换处理；
滤波模块，用于对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理；
二值化模块，用于对空域滤波处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行局部阈值二值化处理，得到二值化图像；
形态处理模块，用于对所述二值化图像进行形态学处理；
提取模块，用于对形态学处理后的二值化图像进行边缘提取，得到缺陷边缘图像；
记录模块，用于将所述缺陷边缘图像记录在所述原始碳纤维复合材料气瓶X射线无损检测图像上，得到裂缝缺陷检测结果。
作为优选，所述灰度变换模块采用限制对比度的自适应直方图均衡化算法进行灰度变换处理。
作为优选，所述滤波模块采用双边滤波对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理。
作为优选，所述二值化模块采用均值模板对分块区域中的灰度进行阈值计算，得到二值化图像。
本发明通过分块的直方图均衡化图像增强处理，大大加强了裂纹缺陷的边界识别度，同时结合了形态学处理和计算机视觉边缘检测的技术，同时具有参数调节功能，可以针对不同情况，实现裂纹缺陷的实时定位。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例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为本发明的碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法的流程图；
图2为本发明的碳纤维复合材料气瓶X射线图像裂纹缺陷提取装置的结构示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1所示，本发明提供一种碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法，包括以下步骤：
步骤S1、对获取的原始碳纤维复合材料气瓶X射线无损检测图像进行灰度变换处理；
步骤S2、对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理；
步骤S3、对空域滤波处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行局部阈值二值化处理，得到二值化图像；
步骤S4、对所述二值化图像进行形态学处理；
步骤S5、对形态学处理后的二值化图像进行边缘提取，得到缺陷边缘图像；
步骤S6、将所述缺陷边缘图像记录在所述原始碳纤维复合材料气瓶X射线无损检测图像上，得到裂缝缺陷检测结果。
作为本实施例的一种实施方式，步骤S1中，灰度变换指的是根据目的和条件用一种将原图像的灰度级映射到新灰度级的灰度级变换关系对原图像的像素逐点处理的过程。本发明实施例采用限制对比度的自适应直方图均衡化算法，解决了全局直方图均衡化局部对比度不足的问题。具体流程为：
(1)对原始碳纤维复合材料气瓶X射线无损检测图像进行分块处理；
(2)对每个分块进行对比度限制，并求得灰度映射函数；
(3)使用插值计算每个像素的映射灰度，对原始碳纤维复合材料气瓶X射线无损检测图像进行增强处理；
(4)输出处理后的原始碳纤维复合材料气瓶X射线无损检测图像。
其中，限制对比度即限制灰度直方图的变化幅度，使用以下公式计算：
limit＝cliplimit*MN/L
其中，limit是灰度直方图幅度的上限，MN是划分的图像区块的像素总数，L是灰度级的数目，MN/L就是每个灰度级平均该有多少像素数，cliplimit是一个用来控制上限和灰度级平均像素数关系的参数。
作为本实施例的一种实施方式，步骤S2中，对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理，去除图像中的噪点。本发明实施例采用双边滤波，对图像进行去噪处理，使得图像的缺陷部位更加明显。
双边滤波器是同时考虑空间域和颜色域的非线性平滑滤波，用二维高斯公式确定空间域核，用一维高斯公式确定颜色域核。
空间域核的计算公式为：
其中，(k，l)为核中心的坐标，(i，j)为核内其余像素的坐标，σd为代表空间域的高斯函数的标准差；
颜色域核的计算公式为：
其中，(k，l)为核中心的坐标，(i，j)为核内其余像素的坐标，σr为代表颜色域的高斯函数的标准差。f(i，j)和f(k，l)分别是图像在(i，j)和(k，l)处的灰度值。
作为本实施例的一种实施方式，步骤S3中，使用均值模板对分块区域中的灰度进行阈值计算，具体方法为，计算各区块的灰度平均值，在此基础上增加或减少一定灰度值作为阈值，根据阈值对图像进行二值化处理。
作为本实施例的一种实施方式，步骤S4中，步骤S3得到的二值化图像中存在着一些噪声点，本发明实施例使用形态学的方法将这些噪声点消去。具体操作为：先将图像反色，然后对反色图像进行腐蚀操作，消去图像中的噪声点，接着对图像进行膨胀操作，对腐蚀操作中消除掉的目标区域进行还原操作。
作为本实施例的一种实施方式，步骤S5中，步骤S4二值化后的图像边缘已经很明显，因此采用canny边缘检测方法对图像进行边缘提取，接着对提取后的图像进行区域筛选，去除气瓶本身的轮廓，得到需要的裂纹缺陷的图像。
本发明具有以下技术效果：
1.定位准确，基于边缘检测、图像二值化和形态学的技术，针对碳纤维复合材料的裂纹缺陷，能够达到较高的定位精确率，可以将缺陷部位完整地标注在图像上，达到像素级别的检测效果。
2.运行环境要求低，主要算法均自主设计完成，不需要安装复杂的库。
3.检测效率高，处理每张图片的时间相比深度学习技术大大降低，同时适用性更强。
实施例2：
如图2所示，本发明实施例还提供一种碳纤维复合材料气瓶X射线图像裂纹缺陷提取装置，包括：
灰度变换模块，用于对获取的原始碳纤维复合材料气瓶X射线无损检测图像进行灰度变换处理；
滤波模块，用于对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理；
二值化模块，用于对空域滤波处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行局部阈值二值化处理，得到二值化图像；
形态处理模块，用于对所述二值化图像进行形态学处理；
提取模块，用于对形态学处理后的二值化图像进行边缘提取，得到缺陷边缘图像；
记录模块，用于将所述缺陷边缘图像记录在所述原始碳纤维复合材料气瓶X射线无损检测图像上，得到裂缝缺陷检测结果。
作为本实施例的一种实施方式，所述灰度变换模块采用限制对比度的自适应直方图均衡化算法进行灰度变换处理。
作为本实施例的一种实施方式，所述滤波模块采用双边滤波对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理。
作为本实施例的一种实施方式，所述二值化模块采用均值模板对分块区域中的灰度进行阈值计算，得到二值化图像。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法，其特征在于，包括以下步骤：
步骤S1、对获取的原始碳纤维复合材料气瓶X射线无损检测图像进行灰度变换处理；
步骤S2、对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理；
步骤S3、对空域滤波处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行局部阈值二值化处理，得到二值化图像；
步骤S4、对所述二值化图像进行形态学处理；
步骤S5、对形态学处理后的二值化图像进行边缘提取，得到缺陷边缘图像；
步骤S6、将所述缺陷边缘图像记录在所述原始碳纤维复合材料气瓶X射线无损检测图像上，得到裂缝缺陷检测结果；
步骤S1中，采用限制对比度的自适应直方图均衡化算法进行灰度变换处理，具体为：对原始碳纤维复合材料气瓶X射线无损检测图像进行分块处理；对每个分块进行对比度限制，并求得灰度映射函数；使用插值计算每个像素的映射灰度，对原始碳纤维复合材料气瓶X射线无损检测图像进行增强处理；输出处理后的原始碳纤维复合材料气瓶X射线无损检测图像；其中，限制对比度为限制灰度直方图的变化幅度，使用以下公式计算：
limit＝cliplimit*MN/L
其中，limit为灰度直方图幅度的上限，MN为划分的图像区块的像素总数，L为灰度级的数目，MN/L为每个灰度级平均该有多少像素数，cliplimit为用来控制上限和灰度级平均像素数关系的参数；
步骤S2中，采用双边滤波对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理，具体为：采用双边滤波，对图像进行去噪处理，双边滤波器为同时考虑空间域和颜色域的非线性平滑滤波，采用二维高斯公式确定空间域核，用一维高斯公式确定颜色域核；
空间域核的计算公式为：
其中，(k,l)为核中心的坐标，(i,j)为核内其余像素的坐标，σd为代表空间域的高斯函数的标准差；
颜色域核的计算公式为：
其中，(k,l)为核中心的坐标，(i,j)为核内其余像素的坐标，σr为代表颜色域的高斯函数的标准差，f(i,j)和f(k,l)分别是图像在(i,j)和(k,l)处的灰度值；
步骤S3中，采用均值模板对分块区域中的灰度进行阈值计算，得到二值化图像，具体为：计算各区块的灰度平均值，同时增加或减少预定的灰度值作为阈值，根据阈值对图像进行二值化处理。
2.一种实现权利要求1所述的碳纤维复合材料气瓶X射线图像裂纹缺陷提取方法的碳纤维复合材料气瓶X射线图像裂纹缺陷提取装置，其特征在于，包括：
灰度变换模块，用于对获取的原始碳纤维复合材料气瓶X射线无损检测图像进行灰度变换处理；
滤波模块，用于对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理；
二值化模块，用于对空域滤波处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行局部阈值二值化处理，得到二值化图像；
形态处理模块，用于对所述二值化图像进行形态学处理；
提取模块，用于对形态学处理后的二值化图像进行边缘提取，得到缺陷边缘图像；
记录模块，用于将所述缺陷边缘图像记录在所述原始碳纤维复合材料气瓶X射线无损检测图像上，得到裂缝缺陷检测结果。
3.如权利要求2所述的碳纤维复合材料气瓶X射线图像裂纹缺陷提取装置，其特征在于，所述灰度变换模块采用限制对比度的自适应直方图均衡化算法进行灰度变换处理。
4.如权利要求3所述的碳纤维复合材料气瓶X射线图像裂纹缺陷提取装置，其特征在于，所述滤波模块采用双边滤波对灰度变换处理后的原始碳纤维复合材料气瓶X射线无损检测图像进行空域滤波处理。
5.如权利要求4所述的碳纤维复合材料气瓶X射线图像裂纹缺陷提取装置，其特征在于，所述二值化模块采用均值模板对分块区域中的灰度进行阈值计算，得到二值化图像。
CN202211215347.9A 2022-09-30 2022-09-30 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置 Active CN115526867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211215347.9A CN115526867B (zh) 2022-09-30 2022-09-30 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211215347.9A CN115526867B (zh) 2022-09-30 2022-09-30 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置

Publications (2)

Publication Number Publication Date
CN115526867A CN115526867A (zh) 2022-12-27
CN115526867B true CN115526867B (zh) 2023-09-05

Family

ID=84701307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211215347.9A Active CN115526867B (zh) 2022-09-30 2022-09-30 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置

Country Status (1)

Country Link
CN (1) CN115526867B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020064323A1 (fr) * 2018-09-26 2020-04-02 Safran Procédé et système de contrôle non destructif d'une pièce aéronautique par recalage de contour
CN111145168A (zh) * 2019-12-31 2020-05-12 华东理工大学 碳纤维复合材料缺陷的检测方法及系统、存储介质
CN111429411A (zh) * 2020-03-16 2020-07-17 东南大学 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法
CN113436168A (zh) * 2021-06-25 2021-09-24 重庆邮电大学 一种用于工业焊缝x光图中的裂纹缺陷检测方法
CN113592782A (zh) * 2021-07-07 2021-11-02 山东大学 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统
CN113724204A (zh) * 2021-08-03 2021-11-30 上海卫星装备研究所 一种航天复合材料缺陷定位与识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020064323A1 (fr) * 2018-09-26 2020-04-02 Safran Procédé et système de contrôle non destructif d'une pièce aéronautique par recalage de contour
CN111145168A (zh) * 2019-12-31 2020-05-12 华东理工大学 碳纤维复合材料缺陷的检测方法及系统、存储介质
CN111429411A (zh) * 2020-03-16 2020-07-17 东南大学 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法
CN113436168A (zh) * 2021-06-25 2021-09-24 重庆邮电大学 一种用于工业焊缝x光图中的裂纹缺陷检测方法
CN113592782A (zh) * 2021-07-07 2021-11-02 山东大学 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统
CN113724204A (zh) * 2021-08-03 2021-11-30 上海卫星装备研究所 一种航天复合材料缺陷定位与识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于直方图均衡化的自适应阈值图像增强算法;文海琼等;中国集成电路(总第274期);38-42，71 *

Also Published As

Publication number Publication date
CN115526867A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN109870461B (zh) 一种电子元器件质量检测系统
CN107808378B (zh) 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN105447851B (zh) 一种玻璃面板的音孔缺陷检测方法及系统
CN113436168B (zh) 一种用于工业焊缝x光图中的裂纹缺陷检测方法
CN110264459A (zh) 一种土壤裂缝特征信息提取方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN107490582B (zh) 一种流水线工件检测系统
CN111696107A (zh) 一种实现闭合连通域的熔池轮廓图像提取方法
CN112053376B (zh) 一种基于深度信息的工件焊缝识别方法
CN111611907B (zh) 一种图像增强的红外目标检测方法
CN115330645B (zh) 一种焊接图像增强方法
CN112862744B (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN112258444A (zh) 一种电梯钢丝绳检测方法
CN103455985B (zh) 基于Hessian结构分析的道路裂缝增强方法
CN114332081B (zh) 基于图像处理的纺织品表面异常判定方法
CN112308872A (zh) 基于多尺度Gabor一阶导数的图像边缘检测方法
CN112884746A (zh) 一种基于边缘形状匹配的字符缺陷智能检测算法
CN102118547A (zh) 图像加权滤波的方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN116152115A (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
Berwo et al. Automotive engine cylinder head crack detection: Canny edge detection with morphological dilation
CN115526867B (zh) 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置
CN115619799B (zh) 一种基于迁移学习的晶粒图像分割方法及系统

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