CN115601347A - 基于灰度纹理分析的钢板表面缺陷检测方法 - Google Patents
基于灰度纹理分析的钢板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115601347A CN115601347A CN202211352813.8A CN202211352813A CN115601347A CN 115601347 A CN115601347 A CN 115601347A CN 202211352813 A CN202211352813 A CN 202211352813A CN 115601347 A CN115601347 A CN 115601347A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- gray
- infrared image
- 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.)
- Withdrawn
Links
- 230000007547 defect Effects 0.000 title claims abstract description 130
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 41
- 239000010959 steel Substances 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 230000002950 deficient Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 11
- 238000003466 welding Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 229910001208 Crucible steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000007920 subcutaneous administration 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及缺陷检测技术领域，具体涉及一种基于灰度纹理分析的钢板表面缺陷检测方法，该方法包括：采集钢板表面红外图像和灰度图像，通过对所述红外图像中像素点进行阈值分割，获取存在温度异常的缺陷区域，利用缺陷区域像素点的温度梯度变化方向和缺陷区域的长宽比构建最优灰度共生矩阵；通过最优灰度共生矩阵对所述灰度图像进行纹理特征分析，得到缺陷区域的纹理对比度，根据纹理对比度对红外图像进行图像增强，通过对增强后的红外图像进行阈值分割，获取缺失缺陷区域，钢板表面缺陷包括缺陷区域和缺失缺陷区域。该方法用于识别图形或计算机视觉软件，通过计算机视觉识别待检测钢板表面图像，实现了对钢板表面缺陷的识别检测。
Description
技术领域
本发明涉及缺陷检测技术领域，具体涉及基于灰度纹理分析的钢板表面缺陷检测方法。
背景技术
目前，连铸钢板是钢铁产业的主要产品之一，我国当代钢铁整体质量有大幅提高，但与世界发达国家相比仍有一定差距，钢板表面缺陷检测技术仍有待提高。钢板表面缺陷主要分为内部缺陷和表面缺陷。表面缺陷是指裂纹、夹渣即皮下气泡等可观测缺陷，内部缺陷是指低倍组织缺陷如中心偏析、中心疏松、裂纹等。现有技术中，主要通过人工经验进行钢板表面缺陷检测。
本领域的技术人员发现现有技术中存在的如下问题：钢板表面缺陷检测过程中，不同质检员的评级标准不同，对于特征不明显的缺陷，容易存在漏检错检，同时，人工检测成本高，整体的检测效率较低。
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灰度纹理分析的钢板表面缺陷检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于灰度纹理分析的钢板表面缺陷检测方法，该方法包括以下步骤：
采集钢板表面红外图像和灰度图像，通过对所述红外图像中像素点进行阈值分割，获取存在温度异常的缺陷区域；
利用缺陷区域像素点的温度梯度变化方向和缺陷区域的长宽比构建最优灰度共生矩阵；通过最优灰度共生矩阵对所述灰度图像进行纹理特征分析，得到缺陷区域的纹理对比度，根据纹理对比度对红外图像进行图像增强；
通过对增强后的红外图像进行阈值分割，获取缺失缺陷区域，钢板表面缺陷包括缺陷区域和缺失缺陷区域。
进一步地，所述获取存在温度异常的缺陷区域的方法，包括：
利用阈值对所述红外图像进行标注，得到掩膜图像，利用掩膜图像与所述红外图像相乘，获取所述温度异常的缺陷区域。
进一步地，所述获取掩膜图像的方法为：
将所述红外图像中像素值大于阈值的像素点标注为1，像素值小于等于阈值的像素点标注为0，得到所述掩膜图像。
进一步地，所述最优灰度共生矩阵的构建过程，包括：
根据缺陷区域长宽比获取横向偏移步长和纵向偏移步长，利用横向偏移步长和纵向偏移步长获取每个像素点的匹配像素点，每个像素点与其对应的匹配像素点组成灰度对；
根据温度梯度变化方向与
四个偏移方向计算偏移角度差值，利用偏移角度差值作为四个偏移方向对应的灰度共生矩阵权重系数，通过权重系数对四个偏移方向的灰度共生矩阵进行加权求和，获取所述最优灰度共生矩阵。
进一步地，所述纹理对比度的获取方法为：
根据最优灰度共生矩阵内的像素点的灰度值计算纹理对比度，纹理对比度公式为：
其中，
表示第
个和第
个像素点的灰度值，
表示灰度对
的概率值，
表示灰度对
出现的频数，
表示方形图像灰度对的总数。
进一步地，所述缺陷区域长宽比的获取方法，包括：
获取温度异常的缺陷区域的最小外接矩形，根据最小外接矩形的长和宽，计算所述缺陷区域的长宽比。
进一步地，所述温度梯度变化方向的获取方法，包括：
以温度梯度最大的像素点作为缺陷像素点，获取不同缺陷像素点的温度梯度方向与水平方向夹角的余弦值，利用余弦值判断缺陷主要温度梯度变化方向；
当温度梯度方向与水平方向的夹角的余弦值大于余弦阈值时，则将对应缺陷像素点视为相同延展方向；当温度梯度方向与水平方向的夹角的余弦值小于等于余弦阈值时，则将对应缺陷像素点视为不同延展方向，将相同延展方向的缺陷像素点的温度梯度方向与水平方向的夹角作为所述温度梯度变化方向。
进一步地，所述获取缺失缺陷区域的方法，包括： 以纹理对比度作为权重因子，与红外图像内所有像素点的温度值相乘，得到增强后的红外图像，对增强后的红外图像重新进行阈值分割，获取缺失缺陷区域。
本发明实施例至少具有如下有益效果：
（1）根据缺陷区域长宽比获取横向偏移步长和纵向偏移步长，利用横向偏移步长和纵向偏移步长获取每个像素点的匹配像素点构成灰度对，能够更好的获取缺陷区域像素点的细节纹理特征信息。
（2）利用温度梯度变化方向与所选取的四个偏移方向之间的偏移方向差值作为权重系数，获取最优灰度共生矩阵，并利用纹理对比度特征对红外图像进行增强，能够解决不明显缺陷点对热量传播方向影响较小的问题，提高缺陷点的识别精度。
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提供的一种基于灰度纹理分析的钢板表面缺陷检测方法的步骤流程图。
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结构件生产信息视觉测量方法，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基于灰度纹理分析的钢板表面缺陷检测方法的具体方案。
本发明所针对的具体场景为：钢板表面缺陷检测场景，通过工业相机采集钢板表面图像，相机位置固定，光源角度固定。本申请仅针对钢板表面的焊接裂纹缺陷进行具体分析，其他缺陷类型不再详细赘述。
请参阅图1，其示出了本发明一个实施例提供的一种基于灰度纹理分析的钢板表面缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集钢板表面红外图像和灰度图像，通过对红外图像中像素点进行阈值分割，获取存在温度异常的缺陷区域。
具体的，利用电磁加热技术对钢板表面进行加热处理，通过相机采集钢板表面红外图像和RGB图像。
钢板在加热的过程中钢板表面正常区域温度分布均匀，热量向四周的扩散率相同，当钢板焊接处存在裂缝时，热量的扩散方向会受到缺陷延伸方向的影响，从而导致裂缝处存在温度差异；当钢板焊接处存在焊瘤或焊接较为粗糙时，热量扩散会沿着轮廓处进行纵向扩散，轮廓底部还是向四周均匀扩散，形成温度差异。对红外图像进行温度阈值分割，能够准确的获取当前存在温度异常的缺陷点位置，具体的过程为：
（1）利用温度阈值分割对红外图像进行区域分割，获取存在温度差异变化的缺陷区域，温度阈值设为
，此为经验值，可根据实际情况进行调整，利用温度阈值对红外图像进行像素点分割，像素点对应的温度值大于温度阈值时，像素点标注为1，像素点对应的温度值小于等于阈值时，像素点标注为0，得到掩膜图像，利用掩膜图像与红外图像相乘，得到存在温度差异变化的缺陷区域图像。
（2）对缺陷区域图像中像素点的温度梯度进行分析，获取缺陷区域内的像素点的温度梯度，选取温度梯度最大的像素点作为缺陷点。将缺陷点的梯度方向
作为缺陷点的延展方向，利用梯度方向
的与水平方向的夹角
作为温度梯度变化方向的分析指标。将温度梯度方向夹角满足
条件的缺陷点视为相同延展方向，缺陷点所对应的温度梯度方向与水平方向的夹角即为温度梯度变化方向。
（3）根据缺陷区域图像构建矩形包围框，获取包围框的长宽比
。
步骤S002，利用缺陷区域像素点的温度梯度变化方向和缺陷区域的长宽比构建最优灰度共生矩阵。
具体的，在缺陷区域的基础上，构建方形图像区域，利用缺陷区域对应的温度梯度变化方向和长宽比构建最优灰度共生矩阵，具体构建过程为：
（1）首先，对相机采集的RGB图像进行灰度化处理，得到钢板表面灰度图像，灰度图像与红外图像中所有的像素点位置一一对应。
（2）然后，利用红外图像中缺陷区域作为掩膜图像，对灰度图像进行分割，得到相同大小的缺陷区域。为了方便构建灰度共生矩阵，所以，将获取的缺陷区域进行扩大，以缺陷区域在图像坐标系中的
轴和
轴正负方向的最远边缘点坐标为扩增点，构建
的方形图像区域，其中，
，
表示
轴正负方向上的最远边缘点横坐标，
表示
轴正负方向上的最远边缘点纵坐标。
（3）根据步骤S1中获取的缺陷区域的长宽比对构建灰度共生矩阵中灰度对的偏移步长
进行调节，对应的偏移步长比为
，其中，⌊*⌋表示向下取整，
表示图像坐标系x轴方向的偏移步长，
表示图像坐标系y轴方向的偏移步长。
（4）进一步的，将方形图像中像素点的灰度级数压缩为16级，然后，对图像中任意像素点
及偏移距离为
的像素点构成灰度对，统计灰度对在方形图像中出现的频数，构建当前方形图像中的灰度共生矩阵D，具体的过程与传统的灰度共生矩阵构建过程相同，具体的流程这里不再赘述。
（5）传统的灰度共生矩阵构建过程中，会在不同的偏移方向
上得到多个灰度共生矩阵，并通过多个偏移方向下的灰度共生矩阵均值，作为最终的灰度共生矩阵。通过多个方向同时计算多个灰度共生矩阵，并且简单的求取均值，可能会受到部分无关方向的纹理信息的影响，造成主要缺陷纹理信息特征值减小，降低纹理分析的精度。所以，通过缺陷区域的温度梯度变化方向与灰度共生矩阵中的四个方向角
进行作差，得到四个方向角下的偏移方向差值
，其中，
分别为
，对偏移方向差值进行归一化处理，并将归一化后的偏移方向差值
作为各个偏移方向的灰度共生矩阵的权重系数
。通过各个偏移方向上的灰度共生矩阵的权重系数，对各个偏移方向下的灰度共生矩阵进行加权求和，得到最优灰度共生矩阵
，其中，
表示第k个偏移方向下的灰度共生矩阵，
表示第k个偏移方向下的灰度共生矩阵权重系数，
。
步骤S003，通过最优灰度共生矩阵对灰度图像进行纹理特征分析，得到缺陷区域的纹理对比度，根据纹理对比度对红外图像进行图像增强。
具体的，根据构建最优灰度共生矩阵内的像素点的灰度值获取纹理对比度特征：
，其中，
表示第
个和第
个像素点的灰度值，
表示灰度对
的概率值，
表示灰度对
出现的频数，
表示方形图像灰度对的总数。
需要说明的是，获取纹理对比度是为了避免最优灰度共生矩阵的维度较大，不利于区分纹理特征，纹理对比度特征是为了反映图像的纹理深浅程度，使缺陷程度较小的缺陷区域，也能获取对应的纹理对比度特征，有利于提高对缺陷程度较小的缺陷区域的缺陷识别精度。
通过获取的纹理对比度特征作为权重因子，利用权重因子与红外图像中所有像素点的温度值进行相乘，得到增强后的红外图像。
步骤S004，通过对增强后的红外图像进行阈值分割，获取缺失缺陷区域，钢板表面缺陷包括缺陷区域和缺失缺陷区域。
具体的，利用增强后的温度值重新进行温度阈值分割，温度阈值大小不变，当像素点对应的温度值大于温度阈值时，将像素点标注为1，像素值对应的温度值小于等于阈值时，像素点标注为0，得到新的掩膜图像，利用新的掩膜图像与增强后的红外图像相乘，得到新的满足温度阈值的缺陷点，也即为缺失缺陷区域像素点。
通过获取的缺陷区域和缺失缺陷区域图像进行图像区域融合，获取钢板表面真实缺陷区域。图像区域融合算法即为将缺失缺陷区域像素点与缺陷区域像素点进行欧氏距离计算，将距离相邻的两个区域像素点进行融合，得到同一钢板表面缺陷区域。
综上所述，本发明实施例提供了一种基于灰度纹理分析的钢板表面缺陷检测方法，该方法采集钢板表面红外图像和灰度图像，通过对所述红外图像中像素点进行阈值分割，获取存在温度异常的缺陷区域。利用缺陷区域像素点的温度梯度变化方向和缺陷区域的长宽比构建最优灰度共生矩阵，通过最优灰度共生矩阵对所述灰度图像进行纹理特征分析，得到缺陷区域的纹理对比度，根据纹理对比度对红外图像进行图像增强。通过对增强后的红外图像进行阈值分割，获取缺失缺陷区域，钢板表面缺陷包括缺陷区域和缺失缺陷区域。本发明实施例利用温度梯度变化方向和长宽比，能够提高最优灰度共生矩阵对图像细节纹理特征的提取精度，利用纹理对比度对红外图像进行增强，这样能够提高红外图像阈值分割后的缺陷区域检测精度。
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。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。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 (8)
1.一种基于灰度纹理分析的钢板表面缺陷检测方法，其特征在于，该方法包括以下步骤：
采集钢板表面红外图像和灰度图像，通过对所述红外图像中像素点进行阈值分割，获取存在温度异常的缺陷区域；
利用缺陷区域像素点的温度梯度变化方向和缺陷区域的长宽比构建最优灰度共生矩阵；
通过最优灰度共生矩阵对所述灰度图像进行纹理特征分析，得到缺陷区域的纹理对比度，根据纹理对比度对红外图像进行图像增强；
通过对增强后的红外图像进行阈值分割，获取缺失缺陷区域，钢板表面缺陷包括缺陷区域和缺失缺陷区域。
2.如权利要求1所述的方法，其特征在于，所述获取存在温度异常的缺陷区域的方法，包括：
利用阈值对所述红外图像进行标注，得到掩膜图像，利用掩膜图像与所述红外图像相乘，获取所述温度异常的缺陷区域。
3.如权利要求2所述的方法，其特征在于，所述获取掩膜图像的方法为：
将所述红外图像中像素值大于阈值的像素点标注为1，像素值小于等于阈值的像素点标注为0，得到所述掩膜图像。
4.如权利要求1所述的方法，其特征在于，所述最优灰度共生矩阵的构建过程，包括：
根据缺陷区域长宽比获取横向偏移步长和纵向偏移步长，利用横向偏移步长和纵向偏移步长获取每个像素点的匹配像素点，每个像素点与其对应的匹配像素点组成灰度对；
根据温度梯度变化方向与
四个偏移方向计算偏移方向差值，利用偏移方向差值作为四个偏移方向对应的灰度共生矩阵权重系数，通过权重系数对四个偏移方向的灰度共生矩阵进行加权求和，获取所述最优灰度共生矩阵。
5.如权利要求1所述的方法，其特征在于，所述纹理对比度的获取方法为：
根据最优灰度共生矩阵内的像素点的灰度值计算纹理对比度，纹理对比度公式为：
其中，
表示第
个和第
个像素点的灰度值，
表示灰度对
的概率值，
表示灰度对
出现的频数，
表示方形图像灰度对的总数。
6.如权利要求4所述的方法，其特征在于，所述缺陷区域长宽比的获取方法，包括：
获取温度异常的缺陷区域的最小外接矩形，根据最小外接矩形的长和宽，计算所述缺陷区域的长宽比。
7.如权利要求4所述的方法，其特征在于，所述温度梯度变化方向的获取方法，包括：
以温度梯度最大的像素点作为缺陷像素点，获取不同缺陷像素点的温度梯度方向与水平方向夹角的余弦值，利用余弦值判断缺陷主要温度梯度变化方向；
当温度梯度方向与水平方向的夹角的余弦值大于余弦阈值时，则将对应缺陷像素点视为相同延展方向；当温度梯度方向与水平方向的夹角的余弦值小于等于余弦阈值时，则将对应缺陷像素点视为不同延展方向，将相同延展方向的缺陷像素点的温度梯度方向与水平方向的夹角作为所述温度梯度变化方向。
8.如权利要求1所述的方法，其特征在于，所述获取缺失缺陷区域的方法，包括： 以纹理对比度作为权重因子，与红外图像内所有像素点的温度值相乘，得到增强后的红外图像，对增强后的红外图像重新进行阈值分割，获取缺失缺陷区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211352813.8A CN115601347A (zh) | 2022-11-01 | 2022-11-01 | 基于灰度纹理分析的钢板表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211352813.8A CN115601347A (zh) | 2022-11-01 | 2022-11-01 | 基于灰度纹理分析的钢板表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115601347A true CN115601347A (zh) | 2023-01-13 |
Family
ID=84851334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211352813.8A Withdrawn CN115601347A (zh) | 2022-11-01 | 2022-11-01 | 基于灰度纹理分析的钢板表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115601347A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861318A (zh) * | 2023-02-27 | 2023-03-28 | 金乡县利顺祥棉业有限公司 | 一种棉花加工生产质量检测方法 |
| CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
| CN116758065A (zh) * | 2023-08-14 | 2023-09-15 | 山东嘉利诺新材料科技有限公司 | 一种防火板表面缺陷快速检测方法 |
| CN117173179A (zh) * | 2023-11-02 | 2023-12-05 | 南通市通州兴辰机械有限公司 | 一种防音布生产质量快速检测方法及系统 |
| CN117765051A (zh) * | 2024-01-10 | 2024-03-26 | 济宁市市政园林养护中心 | 一种园林绿化养护监测预警系统及方法 |
| CN117788469A (zh) * | 2024-02-27 | 2024-03-29 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
| CN118154560A (zh) * | 2024-03-20 | 2024-06-07 | 深圳个元科技有限公司 | 一种基于深度学习的极耳焊接缺陷检测方法 |
-
2022
- 2022-11-01 CN CN202211352813.8A patent/CN115601347A/zh not_active Withdrawn
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861318A (zh) * | 2023-02-27 | 2023-03-28 | 金乡县利顺祥棉业有限公司 | 一种棉花加工生产质量检测方法 |
| CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
| CN116758065A (zh) * | 2023-08-14 | 2023-09-15 | 山东嘉利诺新材料科技有限公司 | 一种防火板表面缺陷快速检测方法 |
| CN116758065B (zh) * | 2023-08-14 | 2023-10-20 | 山东嘉利诺新材料科技有限公司 | 一种防火板表面缺陷快速检测方法 |
| CN117173179A (zh) * | 2023-11-02 | 2023-12-05 | 南通市通州兴辰机械有限公司 | 一种防音布生产质量快速检测方法及系统 |
| CN117173179B (zh) * | 2023-11-02 | 2024-03-05 | 南通市通州兴辰机械有限公司 | 一种防音布生产质量快速检测方法及系统 |
| CN117765051A (zh) * | 2024-01-10 | 2024-03-26 | 济宁市市政园林养护中心 | 一种园林绿化养护监测预警系统及方法 |
| CN117765051B (zh) * | 2024-01-10 | 2024-06-07 | 济宁市市政园林养护中心 | 一种园林绿化养护监测预警系统及方法 |
| CN117788469A (zh) * | 2024-02-27 | 2024-03-29 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
| CN117788469B (zh) * | 2024-02-27 | 2024-05-03 | 广东世腾智慧科技有限公司 | 基于模拟图像的瓦楞纸板表面缺陷智能识别方法 |
| CN118154560A (zh) * | 2024-03-20 | 2024-06-07 | 深圳个元科技有限公司 | 一种基于深度学习的极耳焊接缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115601347A (zh) | 基于灰度纹理分析的钢板表面缺陷检测方法 | |
| CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
| CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
| CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
| CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
| CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
| CN114419007B (zh) | 多策略融合深度学习网络模型的缺陷类型识别方法及系统 | |
| CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
| CN113689426B (zh) | 基于图像处理的消防器械缺陷检测方法 | |
| CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
| CN115965623A (zh) | 一种变压器生产中表面瑕疵检测方法及系统 | |
| CN118052823B (zh) | 基于图像处理的钛板焊点缺陷检测方法 | |
| CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
| CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN117372422B (zh) | 用于零件生产的材料折弯程度检测方法 | |
| CN117372812A (zh) | 基于网络学习的电池ct图像极片对齐度智能识别方法 | |
| CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
| CN113920065B (zh) | 用于工业现场的视觉检测系统成像质量评价方法 | |
| CN111429411B (zh) | 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 | |
| CN114881952A (zh) | 一种铸件缺陷区域检测及边缘准确分割方法 | |
| CN108335296B (zh) | 一种极板识别装置及方法 | |
| CN116309848B (zh) | 基于计算机视觉的电池及保护板的焊接定位方法 | |
| CN113222880A (zh) | 分析检测方法 | |
| CN118657774B (zh) | 一种负极材料石墨箱板的工艺缺陷智能识别方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230113 |