CN115641336B - 一种基于计算机视觉的空调用钣金件缺陷识别方法 - Google Patents

一种基于计算机视觉的空调用钣金件缺陷识别方法 Download PDF

Info

Publication number
CN115641336B
CN115641336B CN202211659812.8A CN202211659812A CN115641336B CN 115641336 B CN115641336 B CN 115641336B CN 202211659812 A CN202211659812 A CN 202211659812A CN 115641336 B CN115641336 B CN 115641336B
Authority
CN
China
Prior art keywords
point
points
pixel
pixel point
sheet metal
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
CN202211659812.8A
Other languages
English (en)
Other versions
CN115641336A (zh
Inventor
苏丽
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.)
Wuxi Huixing Intelligent Equipment Co ltd
WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd
Original Assignee
Wuxi Huixing Intelligent Equipment Co ltd
WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd
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 Wuxi Huixing Intelligent Equipment Co ltd, WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd filed Critical Wuxi Huixing Intelligent Equipment Co ltd
Priority to CN202211659812.8A priority Critical patent/CN115641336B/zh
Publication of CN115641336A publication Critical patent/CN115641336A/zh
Application granted granted Critical
Publication of CN115641336B publication Critical patent/CN115641336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于计算机视觉的空调用钣金件缺陷识别方法，该方法包括：获取钣金件表面焊接处的灰度图像；将灰度图像划分为至少两个窗口区域，通过窗口区域中每个像素点与其邻域像素点的灰度信息筛选像素点得到保留点；根据每个像素点与其邻近像素点之间的色调值差异得到色相变化幅值，基于每个像素点的色相变化幅值以及像素点与保留点之间的位置差异得到不同阶的不变矩；获取每个保留点对应的纹理特征值，根据每个保留点的纹理特征值以及不同阶的不变距构建特征矩阵；基于每个窗口区域的特征矩阵得到灰度图像的缺陷概率，由缺陷概率判断钣金件是否存在缺陷。本发明能够提高钣金件缺陷识别的准确性。

Description

一种基于计算机视觉的空调用钣金件缺陷识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于计算机视觉的空调用钣金件缺陷识别方法。
背景技术
随着社会发展和国民经济水平的迅速提高，居民的生活水平和质量也在不断提高；空调作为一种常见的温度调节家用电器，能够极大的改善居民的生活水平和质量，因此空调的需求量越来越大，同时，空调产品的质量也备受广大消费者和生产厂商的关注。
由于空调的结构复杂，通常会使用钣金件焊接耦合构成空调外机的机箱，在钣金件焊接耦合过程中，由于焊接设备和相关操作技术人员操作不当会导致空调钣金件焊接耦合时出现焊点发黑击穿的现象，其对空调外机整体的美观存在较大的影响，同时也会极大的影响空调外机内部结构的稳定性，严重时甚至会产生人员事故伤亡，给生产厂商和相关消费者带来不必要的经济财产损失。
现有对钣金件表面发黑击穿缺陷最常用的检测方法是机器视觉检测，通过钣金件对应的灰度图像中的灰度信息进行缺陷的识别，但仅通过单一的灰度信息识别的准确性不高，且图像容易受到拍摄环境等因素的干扰，得到的缺陷判断结果误差较大，准确度较低。
发明内容
为了解决现有对钣金件缺陷识别准确度较低的问题，本发明的目的在于提供一种基于计算机视觉的空调用钣金件缺陷识别方法，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计算机视觉的空调用钣金件缺陷识别方法，该方法包括以下步骤：
获取钣金件表面焊接处的灰度图像；
将所述灰度图像划分为至少两个窗口区域，通过所述窗口区域中每个像素点与其邻域像素点的灰度信息筛选像素点得到保留点；
根据每个像素点与其邻近像素点之间的色调值差异得到色相变化幅值，基于每个像素点的色相变化幅值以及像素点与所述保留点之间的位置差异得到所述保留点的不同阶的不变矩；
获取每个所述保留点对应的纹理特征值，根据所述窗口区域内每个所述保留点的纹理特征值以及不同阶的不变距构建特征矩阵；
基于每个所述窗口区域的特征矩阵得到所述灰度图像的缺陷概率，由所述缺陷概率判断钣金件是否存在缺陷。
优选的，所述根据每个像素点与其邻近像素点之间的色调值差异得到色相变化幅值的步骤，包括：
获取每个像素点在水平方向上的邻近像素点以及像素点在垂直方向上的邻近像素点；
获取水平方向上所有邻近像素点的色调值与像素点的色调值之间的差值绝对值的平均值，记为水平方向色相变化幅度；获取垂直方向上所有邻近像素点的色调值与像素点的色调值之间的差值绝对值的平均值，记为垂直方向色相变化幅度；
所述水平方向色相变化幅度与所述垂直方向色相变化幅度的平方和再开平方为像素点的色相变化幅值。
优选的，所述基于每个像素点的色相变化幅值以及像素点与所述保留点之间的位置差异得到不同阶的不变矩的步骤，包括：
基于所述窗口区域中每个像素点的色相变化幅值以及像素点与所述保留点之间的位置差异得到所述保留点的中心距，所述中心距的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 159105DEST_PATH_IMAGE002
表示保留点对应的
Figure DEST_PATH_IMAGE003
阶的中心距；
Figure 387961DEST_PATH_IMAGE004
表示窗口区域中像素 点的坐标位置；
Figure DEST_PATH_IMAGE005
表示保留点的坐标位置；
Figure 668770DEST_PATH_IMAGE006
为该窗口区域的尺寸；
Figure DEST_PATH_IMAGE007
表示坐标位置为
Figure 324879DEST_PATH_IMAGE004
的像素点的色相变化幅值；
Figure 996032DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
分别表示不 同阶，
Figure 765929DEST_PATH_IMAGE008
和
Figure 838927DEST_PATH_IMAGE009
为大于等于零且小于预设值的整数；
对所述保留点对应的不同阶的中心距进行归一化，基于不同阶的
Figure 869200DEST_PATH_IMAGE008
和
Figure 886704DEST_PATH_IMAGE009
对应的归 一化后的中心距得到所述保留点不同阶的不变距。
优选的，所述根据所述窗口区域内每个所述保留点的纹理特征值以及不同阶的不变距构建特征矩阵的步骤，包括：
由每个所述保留点对应的不同阶的不变距和纹理特征值构建所述保留点对应的特征向量；由所述窗口区域中所有保留点对应的特征向量得到所述窗口区域的特征矩阵，所述特征矩阵中每行为一个保留点对应的特征向量。
优选的，所述基于每个所述窗口区域的特征矩阵得到所述灰度图像的缺陷概率的步骤，包括：
根据每两个所述窗口区域的特征矩阵得到对应所述窗口区域之间的相似度，根据所有相邻两个所述窗口区域之间的相似度计算方差作为所述灰度图像的不稳定度，根据所述不稳定度得到所述灰度图像的缺陷概率，所述缺陷概率与所述不稳定度呈正相关关系。
优选的，所述根据每两个所述窗口区域的特征矩阵得到对应所述窗口区域之间的相似度的步骤，包括：
计算每两个所述窗口区域的特征矩阵中相同行的特征向量的余弦相似度，两个所述窗口区域的特征矩阵中所有相同行的特征向量的余弦相似度之和为所述窗口区域之间的相似度。
优选的，所述通过所述窗口区域中每个像素点与其邻域像素点的灰度信息筛选像素点得到保留点的步骤，包括：
对于任意一个窗口区域，以所述窗口区域中灰度值最大的像素点作为像素点筛选树的根节点，基于设定的筛选规则对所述窗口区域中的像素点进行筛选并构建像素点筛选树，所述筛选规则为：
Figure 395046DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
其中，
Figure 116358DEST_PATH_IMAGE012
表示坐标位置为
Figure DEST_PATH_IMAGE013
的像素点的灰度值；
Figure 973325DEST_PATH_IMAGE014
表示坐标 位置为
Figure DEST_PATH_IMAGE015
的像素点与坐标位置为
Figure 150228DEST_PATH_IMAGE013
的像素点之间的灰度值差值绝对值；
Figure 727840DEST_PATH_IMAGE016
表示坐标位置为
Figure DEST_PATH_IMAGE017
的像素点与坐标位置为
Figure 575098DEST_PATH_IMAGE013
的像素点之间的 灰度值差值绝对值；
Figure 681594DEST_PATH_IMAGE018
表示坐标位置为
Figure DEST_PATH_IMAGE019
的像素点与坐标位置为
Figure 736007DEST_PATH_IMAGE013
的像素点之间的灰度值差值绝对值；
Figure 586151DEST_PATH_IMAGE020
表示坐标位置为
Figure DEST_PATH_IMAGE021
的像 素点与坐标位置为
Figure 550565DEST_PATH_IMAGE013
的像素点之间的灰度值差值绝对值；
Figure 848470DEST_PATH_IMAGE022
表示灰度差值绝对值的均 值；
Figure DEST_PATH_IMAGE023
表示左子树节点；
Figure 265545DEST_PATH_IMAGE024
表示右子树节点；
将满足左子树节点的像素点添加至像素点筛选树的左子树上，满足右子树节点的像素点添加至像素点筛选树的右子树上；所述窗口区域对应的像素点筛选树中所有左子树的节点为保留点。
优选的，所述基于不同阶的
Figure 184959DEST_PATH_IMAGE008
和
Figure 941563DEST_PATH_IMAGE009
对应的归一化后的中心距得到所述保留点不同 阶的不变距的步骤，包括：
Figure 655441DEST_PATH_IMAGE008
和
Figure 763074DEST_PATH_IMAGE009
的取值为0、1、2、3，不同阶的
Figure 220600DEST_PATH_IMAGE008
和
Figure 834640DEST_PATH_IMAGE009
分别对应所述保留点的一阶不变距、二阶 不变距以及三阶不变距，一阶不变距、二阶不变距以及三阶不变距的计算方法为：
Figure DEST_PATH_IMAGE025
Figure 781736DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
其中，
Figure 766879DEST_PATH_IMAGE028
表示保留点对应的一阶不变矩；
Figure DEST_PATH_IMAGE029
表示保留点对应的二阶不变矩；
Figure 293675DEST_PATH_IMAGE030
表示 保留点对应的三阶不变矩；
Figure DEST_PATH_IMAGE031
表示保留点在
Figure 677733DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
下对应的归一化后的中心距；
Figure 389206DEST_PATH_IMAGE034
表示保留点在
Figure DEST_PATH_IMAGE035
，
Figure 205852DEST_PATH_IMAGE036
下对应的归一化后的中心距；
Figure DEST_PATH_IMAGE037
表示保留点在
Figure 929482DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
下对应的归一化后的中心距；
Figure 46343DEST_PATH_IMAGE040
表示保留点在
Figure DEST_PATH_IMAGE041
，
Figure 663138DEST_PATH_IMAGE033
下对应的归一化后 的中心距；
Figure 964150DEST_PATH_IMAGE042
表示保留点在
Figure 301591DEST_PATH_IMAGE038
，
Figure 741800DEST_PATH_IMAGE036
下对应的归一化后的中心距；
Figure DEST_PATH_IMAGE043
表示保留点 在
Figure 60654DEST_PATH_IMAGE032
，
Figure 320734DEST_PATH_IMAGE039
下对应的归一化后的中心距；
Figure 727445DEST_PATH_IMAGE044
表示保留点在
Figure 884144DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE045
下对应的 归一化后的中心距。
优选的，所述获取每个所述保留点对应的纹理特征值的方法为LBP算法。
优选的，所述由所述缺陷概率判断钣金件是否存在缺陷的步骤，包括：
所述缺陷概率大于预设的缺陷阈值时，所述钣金件存在缺陷。
本发明具有如下有益效果：本发明实施例中通过对钣金件表面焊接处的灰度图像划分窗口区域分析，以每个窗口区域为一个分析单位得到的细节信息更加可靠；在对每个窗口区域进行分析时通过灰度信息进行初步的像素点筛选得到保留点进行分析，避免了逐个像素点分析的大量数据计算，减少了计算成本，提高分析效率；然后结合每个窗口区域中像素点及其邻近像素点之间的色调值得到色相变化幅值，结合色调颜色信息进行分析更加全面，以每个像素点对应的色相变化幅值以及像素点与保留点之间的位置差异得到每个保留点在不同阶的不变距，通过不变距更好的反映出每个窗口区域中的细节信息，并且相较于传统的不变距的计算，本实施例中结合保留点的色相变化幅值得到的结果更加准确，对细节信息的描述也更加全面；进一步的，考虑到发黑击穿缺陷部分的纹理特征会出现不同，结合每个保留点的纹理特征值和不同阶的不变距构建特征矩阵，以特征矩阵反映对应窗口区域中的特征信息；通过不同窗口区域对应的全面准确的特征矩阵计算灰度图像对应的缺陷概率，确保了缺陷概率的结果的可靠程度，进而判断钣金件是否存在缺陷的结果也更加可靠准确。
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所提供的一种基于计算机视觉的空调用钣金件缺陷识别方法流程图。
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基于计算机视觉的空调用钣金件缺陷识别方法，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计算机视觉的空调用钣金件缺陷识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的空调用钣金件缺陷识别方法流程图，该方法包括以下步骤：
步骤S100，获取钣金件表面焊接处的灰度图像。
通过工业生产加工得到空调用钣金件，然后通过焊接等相关技术工业将不同部位的空调钣金件进行焊接得到结构较为完整的空调外机，但在焊接过程中容易出现发黑击穿等缺陷，不仅影响空调外机的美观还可能造成结构不稳定，因此需要对钣金件焊接处是否存在发黑击穿的缺陷进行识别。
具体的，本发明实施例中通过布置CCD相机对焊接处理完成后的空调钣金件进行拍摄，但一般情况下焊接完成后得到的空调外壳在形态体积上较大，在利用CCD相机直接进行拍摄时，可能由于拍摄的分辨率等问题导致拍摄得到的焊接位置处的图像不够清晰，对后续缺陷的识别会造成较大的影响；考虑到空调外机是通过不同的钣金件进行焊接后组装形成空调外机，若通过对不同焊接位置进行多张图像的拍摄分析，会占用较大的存储空间，同时也会导致钣金件焊接位置处缺陷识别的时间较长，不利于对钣金件焊接位置处缺陷的实时检测；因此本发明实施例为了获取分辨率较高、视野宽广并且尽可能包括整个焊接完成后的空调外壳不同焊接位置处的焊接图像，通过SURF算法对不同焊接位置处的钣金件的焊接图像进行特征点提取，焊接图像是利用CCD相机拍摄得到的，提取出的特征点包含了不同焊接位置处的空间位置以及角度等特征信息，根据特征点所包含的信息利用RANSAC特征点精匹配算法来完成不同焊接位置图像中特征点的对应匹配，从而完成不同焊接位置处的焊接图像的匹配融合，进而得到视野较广且较为清晰的空调用钣金件焊接处的整体图像，其中，SURF算法和RANSAC特征点精匹配算法均为现有公知手段，不再赘述。
由于整体图像是RGB颜色空间的图像，人眼对不同颜色的感知不同，在贴合人眼对色彩感知的同时获取较高质量的对应的灰度图像，本实施例中对整体图像进行灰度化的方法是加权灰度化方法，取R、G、B三个颜色通道的经验系数分别为0.299、0.587和0.144，从而得到空调用钣金件焊接位置处的灰度图像；为了提高灰度图像的质量，减少噪声的影响，在对灰度图像进行分析前对灰度图像进行滤波降噪处理，滤波降噪处理的方法实施者可自行选取，本发明实施例中选取双边滤波的方法进行去噪，得到去除噪声后的灰度图像，后续在进行缺陷识别分析时，是基于最终去噪处理后的灰度图像进行分析。
进一步的，为了更好的对焊接位置处的发黑击穿缺陷进行特征分析，将焊接位置处的整体图像转换至HSV颜色空间中得到对应的HSV图像，基于HSV图像与灰度图像结合分析。
步骤S200，将灰度图像划分为至少两个窗口区域，通过窗口区域中每个像素点与其邻域像素点的灰度信息筛选像素点得到保留点。
考虑到发黑击穿缺陷是由于焊接操作不当导致的，缺陷在整个灰度图像中的面积占比较小，因此为了便于更加细致的对灰度图像进行分析，将灰度图像划分成多个窗口区域进行分析，本发明实施例中设定窗口区域大小为27*27，以27*27大小的窗口在灰度图像中滑动，设定滑动步长为3，则将灰度图像划分为多个27*27大小的窗口区域，对每个窗口区域进行详细分析，以识别钣金件的焊接处是否存在发黑击穿缺陷。
具体的，由于空调用钣金件的灰度图像中包含的钣金件目标整体较大，若对窗口区域中单个像素点进行分析会导致计算成本较高，实时性判断的效果较差，从而影响整个生产过程中的效率；因此为了减少分析计算量，本发明实施例中通过构建每个窗口区域的像素点筛选树，基于每个窗口区域的像素点筛选树对窗口区域中的像素点进行筛选，通过对筛选后的保留点进行分析，以减少所有像素点遍历分析的计算量，提高效率并保证对钣金件缺陷检测的实施效果。
对所有的窗口区域进行像素点筛选树的构建，对于任意一个窗口区域，首先选取出窗口区域中最大灰度值的像素点作为像素点筛选树的根节点，然后根据设定筛选规则对窗口区域中其他所有的像素点进行筛选并进行像素点筛选树的更新，筛选规则具体为：
Figure 249267DEST_PATH_IMAGE010
Figure 527801DEST_PATH_IMAGE011
其中，
Figure 207044DEST_PATH_IMAGE012
表示坐标位置为
Figure 621845DEST_PATH_IMAGE013
的像素点的灰度值；
Figure 361131DEST_PATH_IMAGE014
表示坐标 位置为
Figure 592873DEST_PATH_IMAGE015
的像素点与坐标位置为
Figure 200441DEST_PATH_IMAGE013
的像素点之间的灰度值差值绝对值；
Figure 204169DEST_PATH_IMAGE016
表示坐标位置为
Figure 114356DEST_PATH_IMAGE017
的像素点与坐标位置为
Figure 836325DEST_PATH_IMAGE013
的像素点之间的 灰度值差值绝对值；
Figure 122950DEST_PATH_IMAGE018
表示坐标位置为
Figure 512343DEST_PATH_IMAGE019
的像素点与坐标位置为
Figure 720995DEST_PATH_IMAGE013
的像素点之间的灰度值差值绝对值；
Figure 664680DEST_PATH_IMAGE020
表示坐标位置为
Figure 754996DEST_PATH_IMAGE021
的像 素点与坐标位置为
Figure 998895DEST_PATH_IMAGE013
的像素点之间的灰度值差值绝对值；
Figure 250885DEST_PATH_IMAGE022
表示灰度差值绝对值的均 值，是坐标位置为
Figure 947445DEST_PATH_IMAGE013
的像素点的四邻域像素点与其对应灰度值之间的平均灰度差值绝 对值；
Figure 267935DEST_PATH_IMAGE023
表示左子树节点；
Figure 100762DEST_PATH_IMAGE024
表示右子树节点。
由于正常的钣金件颜色为银灰色，而发黑击穿区域的灰度值较暗，与正常区域存在差异；当像素点的灰度值不大于经验阈值155并且该像素点与其四邻域像素点的灰度差值绝对值的均值小于经验值15时，表明该像素点颜色较暗，且该像素点与其四邻域像素点之间的灰度值较为接近，则认为该像素点有较大可能为缺陷位置处的像素点，将其添加至像素点筛选树的根节点的左子树中；反之，若像素点的灰度值大于经验阈值155，表明该像素点颜色较亮，则认为该像素点为正常位置处的像素点，将其添加到像素点筛选树的右子树上；由此对窗口区域中所有的像素点进行遍历，根据筛选规则得到窗口区域对应的像素点筛选树中所有左子树上的节点，将所有左子树上的节点记为保留点进行后续分析。
根据每个窗口区域对应的像素点筛选树得到窗口区域中所有的保留点，后续在分析处理时，仅对窗口区域中的保留点进行分析，从而降低计算成本，提高对钣金件缺陷识别过程中的整体实时效果。
步骤S300，根据每个像素点与其邻近像素点之间的色调值差异得到色相变化幅值，基于每个像素点的色相变化幅值以及像素点与保留点之间的位置差异得到保留点的不同阶的不变矩。
由步骤S100中得到的焊接位置处整体图像对应的HSV图像，因此基于HSV图像可得到每个像素点在H通道对应的色调值，为了更加直观准确的描述每个像素点的颜色信息，根据每个像素点及其邻近像素点之间的色调值差异获取每个像素点对应的色相变化幅值；获取每个像素点在水平方向上的邻近像素点以及像素点在垂直方向上的邻近像素点；获取水平方向上所有邻近像素点的色调值与像素点的色调值之间的差值绝对值的平均值，记为水平方向色相变化幅度；获取垂直方向上所有邻近像素点的色调值与像素点的色调值之间的差值绝对值的平均值，记为垂直方向色相变化幅度；水平方向色相变化幅度与垂直方向色相变化幅度的平方和再开平方为像素点的色相变化幅值。
本发明实施例中的邻近像素点是指以像素点为起点水平向右的3个像素点和以像素点为起点垂直向下的3个像素点，也即是一个像素点对应6个邻近像素点，在其他实施例中实施者可根据实际情况选取邻近像素点的数量以及邻近像素点的位置，例如选取以像素点为中心点的预设邻域范围内的像素点为邻近像素点，基于设定的邻近像素点获取当前像素点的色相变化幅值。
以坐标位置为
Figure 789232DEST_PATH_IMAGE046
的像素点为例，该像素点对应的色相变化幅值的计算为：
Figure DEST_PATH_IMAGE047
Figure 769827DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE049
其中，
Figure 857737DEST_PATH_IMAGE050
表示坐标位置为
Figure 813579DEST_PATH_IMAGE046
的像素点的色相变化幅值；
Figure DEST_PATH_IMAGE051
表 示水平方向色相变化幅度；
Figure 735268DEST_PATH_IMAGE052
表示垂直方向色相变化幅度；
Figure DEST_PATH_IMAGE053
表示坐标位置为
Figure 203158DEST_PATH_IMAGE046
的像素点的色调值；
Figure 173388DEST_PATH_IMAGE054
表示以坐标位置为
Figure 246387DEST_PATH_IMAGE046
的像素点为中心，水平 向右的第
Figure 276660DEST_PATH_IMAGE056
个坐标位置为
Figure DEST_PATH_IMAGE057
的邻近像素点的色调值；
Figure 228916DEST_PATH_IMAGE058
表示以坐标位置为
Figure 2837DEST_PATH_IMAGE046
的像素点为中心，垂直向下的第
Figure DEST_PATH_IMAGE059
个坐标位置为
Figure 117293DEST_PATH_IMAGE060
的邻近像素点的色调值；
Figure DEST_PATH_IMAGE061
表示取绝对值。
Figure 849625DEST_PATH_IMAGE062
的取值越大，说明像素点与其水平方向上邻近像素点 之间的色调值差异越大，对应的颜色信息差异越明显；同理，
Figure DEST_PATH_IMAGE063
的 取值越大，说明像素点与其垂直方向上邻近像素点之间的色调值差异越大，对应的颜色信 息差异越明显；
Figure 29459DEST_PATH_IMAGE064
表示像素点与其水平方向上邻近像素点 的平均色调差异；
Figure DEST_PATH_IMAGE065
表示像素点与其垂直方向上邻近像 素点的平均色调差异，色调差异越大，说明像素点对应的色相变化幅值越大，也即是
Figure 528442DEST_PATH_IMAGE051
和
Figure 576032DEST_PATH_IMAGE052
的取值越大，坐标位置为
Figure 682529DEST_PATH_IMAGE046
的像素点的色相变化幅值越大。
进一步的，为了更加细致的提取窗口区域中保留点的局部信息，本发明实施例中 通过计算不同阶的不变距来反映焊接处的细节信息，以坐标位置为
Figure 549990DEST_PATH_IMAGE005
的保留点为 例，结合该窗口区域中每个像素点的色相变化幅值计算该保留点在对应窗口区域中的中心 距，中心距的具体计算公式为：
Figure 662784DEST_PATH_IMAGE066
其中，
Figure 299302DEST_PATH_IMAGE002
表示保留点对应的
Figure 842279DEST_PATH_IMAGE003
阶的中心距；
Figure 197037DEST_PATH_IMAGE004
表示窗口区域中像素 点的坐标位置；
Figure 850872DEST_PATH_IMAGE005
表示该保留点的坐标位置；
Figure 873055DEST_PATH_IMAGE006
为该窗口区域的尺寸，本发明 实施例中窗口区域大小为27*27；
Figure 586933DEST_PATH_IMAGE007
表示坐标位置为
Figure 428987DEST_PATH_IMAGE004
的像素点的 色相变化幅值；
Figure 748497DEST_PATH_IMAGE008
和
Figure 625186DEST_PATH_IMAGE009
分别表示不同阶，本实施例中
Figure 244387DEST_PATH_IMAGE008
和
Figure 573737DEST_PATH_IMAGE009
为大于等于零且小于预设值的整 数。
本发明实施例中是在现有的Hu不变距原理的基础上，结合每个像素点对应的色相变化幅值进行中心距的获取，相较于原有只根据位置差异进行中心距的评估而言，得到每个保留点对应的中心距更加准确且更加符合实际场景。
进一步的，对每个保留点对应的不同阶的中心距进行归一化处理，归一化处理的 方法为现有手段，实施者可自行选择归一化方法对中心距进行归一化处理，例如极差归一 化；将归一化处理后的中心距记为
Figure DEST_PATH_IMAGE067
；则根据每个保留点对应的归一化后的中心距得到 保留点对应的不同阶的不变距为：
Figure 631691DEST_PATH_IMAGE025
Figure 362887DEST_PATH_IMAGE026
Figure 150059DEST_PATH_IMAGE027
其中，
Figure 966705DEST_PATH_IMAGE028
表示保留点对应的一阶不变矩；
Figure 31613DEST_PATH_IMAGE029
表示保留点对应的二阶不变矩；
Figure 476370DEST_PATH_IMAGE030
表示 保留点对应的三阶不变矩；
Figure 702952DEST_PATH_IMAGE031
表示保留点在
Figure 741315DEST_PATH_IMAGE032
，
Figure 344335DEST_PATH_IMAGE033
下对应的归一化后的中心距；
Figure 521894DEST_PATH_IMAGE034
表示保留点在
Figure 184956DEST_PATH_IMAGE035
，
Figure 445036DEST_PATH_IMAGE036
下对应的归一化后的中心距；
Figure 851747DEST_PATH_IMAGE037
表示保留点在
Figure 739937DEST_PATH_IMAGE038
，
Figure 308322DEST_PATH_IMAGE039
下对应的归一化后的中心距；
Figure 55698DEST_PATH_IMAGE040
表示保留点在
Figure 880083DEST_PATH_IMAGE041
，
Figure 29304DEST_PATH_IMAGE033
下对应的归一化后 的中心距；
Figure 768590DEST_PATH_IMAGE042
表示保留点在
Figure 3262DEST_PATH_IMAGE038
，
Figure 751776DEST_PATH_IMAGE036
下对应的归一化后的中心距；
Figure 880137DEST_PATH_IMAGE043
表示保留点 在
Figure 793254DEST_PATH_IMAGE032
，
Figure 515223DEST_PATH_IMAGE039
下对应的归一化后的中心距；
Figure 536268DEST_PATH_IMAGE044
表示保留点在
Figure 519137DEST_PATH_IMAGE035
，
Figure 334646DEST_PATH_IMAGE045
下对应的 归一化后的中心距。
一阶不变距、二阶不变距以及三阶不变距的计算与Hu不变距原理中一致，本实施 例中不再详细赘述；本发明实施例中
Figure 809490DEST_PATH_IMAGE008
和
Figure 634226DEST_PATH_IMAGE009
的取值范围为大于等于零且小于预设值4的整 数，也即是
Figure 734250DEST_PATH_IMAGE008
和
Figure 251819DEST_PATH_IMAGE009
的取值分别为0,1,2,3；通过改变
Figure 682801DEST_PATH_IMAGE068
的数值大小，分别得到一个保留点对 应的一阶不变距、二阶不变距以及三阶不变距，从而较为准确的反映出空调用钣金件焊接 位置的保留点处的细节信息和颜色特征信息，对比传统的基于色差反映颜色特征的方法， 通过不变距与色相变化幅度的结合进一步提高了缺陷识别的精确程度。
步骤S400，获取每个保留点对应的纹理特征值，根据窗口区域内每个保留点的纹理特征值以及不同阶的不变距构建特征矩阵。
考虑到空调用钣金件焊接位置发生缺陷时，缺陷部位的像素点可能会发生击穿，当出现击穿缺陷时，缺陷位置处像素点的纹理特征相较于周围像素点的纹理会出现较大的差异，因此本发明实施例中通过对窗口区域中每个保留点的纹理信息进行提取，采用LBP算法得到每个保留点所在局部区域内的二进制特征值，通过位权展开法将二进制特征值转换为十进制得到每个保留点所对应的纹理特征值，每个保留点所在的局部区域的大小由实施者自行设定，一般为以保留点为中心的3*3大小区域，LBP算法为现有公知技术，不再赘述。
进一步的，结合步骤S300中得到的窗口区域中每个保留点对应的不同阶的不变距进行特征矩阵的构建，由每个保留点对应的不同阶的不变距和纹理特征值构建保留点对应的特征向量；由窗口区域中所有保留点对应的特征向量得到窗口区域的特征矩阵，特征矩阵中每行为一个保留点对应的特征向量；也即是窗口区域中每个保留点均对应一阶不变距、二阶不变距、三阶不变距以及纹理特征值4个特征指标，以窗口区域中所有保留点对应的特征指标构成保留点对应的特征向量，根据窗口区域中所有保留点对应的特征向量进行依次排列得到窗口区域对应的特征矩阵，特征矩阵的大小为T行4列，T为窗口区域中所有保留点的数量。例如窗口区域a对应的特征矩阵为：
Figure DEST_PATH_IMAGE069
其中，
Figure 842387DEST_PATH_IMAGE070
表示窗口区域a对应特征矩阵；
Figure DEST_PATH_IMAGE071
表示窗口区域a中第一个保留点 对应的一阶不变矩；
Figure 865094DEST_PATH_IMAGE072
表示窗口区域a中第一个保留点对应的二阶不变矩；
Figure DEST_PATH_IMAGE073
表示窗口区域a中第一个保留点对应的三阶不变矩；
Figure 943777DEST_PATH_IMAGE074
表示窗口区域a中第一个保留 点对应的纹理特征值；
Figure DEST_PATH_IMAGE075
表示窗口区域a中第T个保留点对应的一阶不变矩；
Figure 658792DEST_PATH_IMAGE076
表示窗口区域a中第T个保留点对应的二阶不变矩；
Figure DEST_PATH_IMAGE077
表示窗口区域a中第T个保留点 对应的三阶不变矩；
Figure 887648DEST_PATH_IMAGE078
表示窗口区域a中第T个保留点对应的纹理特征值；由
Figure 696686DEST_PATH_IMAGE071
、
Figure 290478DEST_PATH_IMAGE072
、
Figure 696052DEST_PATH_IMAGE073
以及
Figure 525336DEST_PATH_IMAGE074
构成第一个保留点对应的特征向量；由
Figure 332755DEST_PATH_IMAGE075
、
Figure 363028DEST_PATH_IMAGE076
、
Figure 993248DEST_PATH_IMAGE077
以及
Figure 626224DEST_PATH_IMAGE078
构成第T个保留点对应的特征向量。
基于相同的方法，获取每个窗口区域中每个保留点对应的特征向量，并基于窗口区域中所有保留点对应的特征向量得到窗口区域对应的特征矩阵。
步骤S500，基于每个窗口区域的特征矩阵得到灰度图像的缺陷概率，由缺陷概率判断钣金件是否存在缺陷。
由步骤S400中得到每个窗口区域的特征矩阵，根据每两个窗口区域的特征矩阵得到对应窗口区域之间的相似度，根据所有窗口区域之间的相似度计算方差作为灰度图像的稳定度，根据稳定度得到灰度图像的缺陷概率，缺陷概率与稳定度呈正相关关系；相似度的获取为：计算每两个窗口区域的特征矩阵中相同行的特征向量的余弦相似度，两个窗口区域的特征矩阵中所有相同行的特征向量的余弦相似度之和为窗口区域之间的相似度。
具体的，根据不同窗口区域对应的特征矩阵可得到窗口区域之间的相似度，以窗 口区域a和窗口区域b为例，其分别对应的特征矩阵
Figure 553729DEST_PATH_IMAGE070
和特征矩阵
Figure DEST_PATH_IMAGE079
之间的相似度的计算 为：
Figure 286061DEST_PATH_IMAGE080
其中，
Figure DEST_PATH_IMAGE081
表示窗口区域a和窗口区域b之间的相似度；
Figure 319089DEST_PATH_IMAGE082
表示窗口区域a对应的 特征矩阵
Figure 631122DEST_PATH_IMAGE070
中第
Figure DEST_PATH_IMAGE083
个特征向量；
Figure 68926DEST_PATH_IMAGE084
表示窗口区域b对应的特征矩阵
Figure 175422DEST_PATH_IMAGE079
中第
Figure 308463DEST_PATH_IMAGE083
个特征向量；
Figure DEST_PATH_IMAGE085
和
Figure 958275DEST_PATH_IMAGE086
分别表示特征向量
Figure 719426DEST_PATH_IMAGE082
和特征向量
Figure 996824DEST_PATH_IMAGE084
的模长。
窗口区域a与窗口区域b之间相似度的计算实质为窗口区域中相同行的特征向量之间的余弦相似度的求和，余弦相似度为公知技术，具体不作详细说明；对于特征矩阵中包含特征向量的数量不一致的窗口区域而言，其进行相似度计算时，仅计算存在对应位置的特征向量之间的余弦相似度并进行求和；利用同样的计算窗口区域之间对应特征向量的余弦相似度之和的方法得到窗口区域之间的相似度，基于每相邻两个窗口区域之间的相似度获取灰度图像对应的不稳定度，不稳定度的计算为：
Figure DEST_PATH_IMAGE087
其中，
Figure 7374DEST_PATH_IMAGE088
表示不稳定度；
Figure DEST_PATH_IMAGE089
表示第
Figure DEST_PATH_IMAGE091
个窗口区域与第
Figure 9613DEST_PATH_IMAGE092
个窗口区域之间的 相似度；
Figure DEST_PATH_IMAGE093
表示灰度图像中所有窗口区域的数量；
Figure 156429DEST_PATH_IMAGE094
表示灰度图像中所有相邻两个窗口区 域之间相似度的均值。
Figure DEST_PATH_IMAGE095
表示两个窗口区域之间的相似度与平均值的差异，差异越大，说明与 整体相似度的平均值越不接近，对应的不稳定度越大；不稳定度实质为方差计算，不稳定度 的取值越小说明灰度图像中各窗口区域之间较为近似，则钣金件表面可能光洁无损；反之， 不稳定度的取值越大说明各窗口区域之间相似度的波动较大，则钣金件表面出现发黑击穿 的可能性越大；因此基于灰度图像对应的不稳定度获取该灰度图像的缺陷概率，缺陷概率 为：
Figure 932624DEST_PATH_IMAGE096
其中，
Figure DEST_PATH_IMAGE097
表示缺陷概率；
Figure 433400DEST_PATH_IMAGE088
表示不稳定度，不稳定度的取值越大，灰度图像中出现缺 陷的概率越大，则空调用钣金件存在发黑击穿缺陷的可能性越大。
在基于缺陷概率进行缺陷判别时，实施者可通过设定缺陷阈值进行识别，缺陷阈值的大小根据实际需求设定，本实施例中设置经验值为0.7，当灰度图像对应的缺陷概率大于该缺陷阈值时，判定此时的钣金件存在发黑击穿的缺陷，对存在缺陷的钣金件进行相应的处理，以提高钣金件出厂时的质量。
综上所述，本发明实施例通过获取钣金件表面焊接处的灰度图像；将灰度图像划分为至少两个窗口区域，并通过窗口区域中每个像素点与其邻域像素点的灰度信息筛选像素点得到保留点；根据每个像素点与其邻近像素点之间的色调值差异得到色相变化幅值，基于每个像素点的色相变化幅值以及像素点与保留点之间的位置差异得到不同阶的不变矩；获取每个保留点对应的纹理特征值，根据窗口区域内每个保留点的纹理特征值以及不同阶的不变距构建特征矩阵；基于每个窗口区域的特征矩阵得到灰度图像的缺陷概率，由缺陷概率判断钣金件是否存在缺陷；确保了对钣金件表面缺陷识别的实时性并且提高了缺陷识别的准确性。
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。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 (6)

1.一种基于计算机视觉的空调用钣金件缺陷识别方法，其特征在于，该方法包括以下步骤：
获取钣金件表面焊接处的灰度图像；
将所述灰度图像划分为至少两个窗口区域，通过所述窗口区域中每个像素点与其邻域像素点的灰度信息筛选像素点得到保留点；
根据每个像素点与其邻近像素点之间的色调值差异得到色相变化幅值，基于每个像素点的色相变化幅值以及像素点与所述保留点之间的位置差异得到所述保留点的不同阶的不变矩；
获取每个所述保留点对应的纹理特征值，根据所述窗口区域内每个所述保留点的纹理特征值以及不同阶的不变距构建特征矩阵；
基于每个所述窗口区域的特征矩阵得到所述灰度图像的缺陷概率，由所述缺陷概率判断钣金件是否存在缺陷；
所述基于每个像素点的色相变化幅值以及像素点与所述保留点之间的位置差异得到不同阶的不变矩的步骤，包括：
基于所述窗口区域中每个像素点的色相变化幅值以及像素点与所述保留点之间的位置差异得到所述保留点的中心距，所述中心距的计算公式为：
Figure QLYQS_1
其中，
Figure QLYQS_3
表示保留点对应的
Figure QLYQS_6
阶的中心距；
Figure QLYQS_9
表示窗口区域中像素点的坐标位置；
Figure QLYQS_4
表示保留点的坐标位置；
Figure QLYQS_7
为该窗口区域的尺寸；
Figure QLYQS_10
表示坐标位置为
Figure QLYQS_12
的像素点的色相变化幅值；
Figure QLYQS_2
和
Figure QLYQS_5
分别表示不同阶，
Figure QLYQS_8
和
Figure QLYQS_11
为大于等于零且小于预设值的整数；
对所述保留点对应的不同阶的中心距进行归一化，基于不同阶的
Figure QLYQS_13
和
Figure QLYQS_14
对应的归一化后的中心距得到所述保留点不同阶的不变距；
所述根据所述窗口区域内每个所述保留点的纹理特征值以及不同阶的不变距构建特征矩阵的步骤，包括：
由每个所述保留点对应的不同阶的不变距和纹理特征值构建所述保留点对应的特征向量；由所述窗口区域中所有保留点对应的特征向量得到所述窗口区域的特征矩阵，所述特征矩阵中每行为一个保留点对应的特征向量；
所述基于每个所述窗口区域的特征矩阵得到所述灰度图像的缺陷概率的步骤，包括：
根据每两个所述窗口区域的特征矩阵得到对应所述窗口区域之间的相似度，根据所有相邻两个所述窗口区域之间的相似度计算方差作为所述灰度图像的不稳定度，根据所述不稳定度得到所述灰度图像的缺陷概率，所述缺陷概率与所述不稳定度呈正相关关系；
不稳定度的计算为：
Figure QLYQS_15
其中，
Figure QLYQS_16
表示不稳定度；
Figure QLYQS_17
表示第
Figure QLYQS_18
个窗口区域与第
Figure QLYQS_19
个窗口区域之间的相似度；
Figure QLYQS_20
表示灰度图像中所有窗口区域的数量；
Figure QLYQS_21
表示灰度图像中所有相邻两个窗口区域之间相似度的均值。
2.根据权利要求1所述的一种基于计算机视觉的空调用钣金件缺陷识别方法，其特征在于，所述根据每个像素点与其邻近像素点之间的色调值差异得到色相变化幅值的步骤，包括：
获取每个像素点在水平方向上的邻近像素点以及像素点在垂直方向上的邻近像素点；
获取水平方向上所有邻近像素点的色调值与像素点的色调值之间的差值绝对值的平均值，记为水平方向色相变化幅度；获取垂直方向上所有邻近像素点的色调值与像素点的色调值之间的差值绝对值的平均值，记为垂直方向色相变化幅度；
所述水平方向色相变化幅度与所述垂直方向色相变化幅度的平方和再开平方为像素点的色相变化幅值。
3.根据权利要求1所述的一种基于计算机视觉的空调用钣金件缺陷识别方法，其特征在于，所述通过所述窗口区域中每个像素点与其邻域像素点的灰度信息筛选像素点得到保留点的步骤，包括：
对于任意一个窗口区域，以所述窗口区域中灰度值最大的像素点作为像素点筛选树的根节点，基于设定的筛选规则对所述窗口区域中的像素点进行筛选并构建像素点筛选树，所述筛选规则为：
Figure QLYQS_22
Figure QLYQS_23
其中，
Figure QLYQS_32
表示坐标位置为
Figure QLYQS_26
的像素点的灰度值；
Figure QLYQS_28
表示坐标位置为
Figure QLYQS_35
的像素点与坐标位置为
Figure QLYQS_39
的像素点之间的灰度值差值绝对值；
Figure QLYQS_37
表示坐标位置为
Figure QLYQS_40
的像素点与坐标位置为
Figure QLYQS_33
的像素点之间的灰度值差值绝对值；
Figure QLYQS_36
表示坐标位置为
Figure QLYQS_24
的像素点与坐标位置为
Figure QLYQS_29
的像素点之间的灰度值差值绝对值；
Figure QLYQS_27
表示坐标位置为
Figure QLYQS_31
的像素点与坐标位置为
Figure QLYQS_34
的像素点之间的灰度值差值绝对值；
Figure QLYQS_38
表示灰度差值绝对值的均值；
Figure QLYQS_25
表示左子树节点；
Figure QLYQS_30
表示右子树节点；
将满足左子树节点的像素点添加至像素点筛选树的左子树上，满足右子树节点的像素点添加至像素点筛选树的右子树上；所述窗口区域对应的像素点筛选树中所有左子树的节点为保留点。
4.根据权利要求1所述的一种基于计算机视觉的空调用钣金件缺陷识别方法，其特征在于，所述基于不同阶的
Figure QLYQS_41
和
Figure QLYQS_42
对应的归一化后的中心距得到所述保留点不同阶的不变距的步骤，包括：
Figure QLYQS_43
和
Figure QLYQS_44
的取值为0、1、2、3，不同阶的
Figure QLYQS_45
和
Figure QLYQS_46
分别对应所述保留点的一阶不变距、二阶不变距以及三阶不变距，一阶不变距、二阶不变距以及三阶不变距的计算方法为：
Figure QLYQS_47
Figure QLYQS_48
Figure QLYQS_49
其中，
Figure QLYQS_67
表示保留点对应的一阶不变矩；
Figure QLYQS_69
表示保留点对应的二阶不变矩；
Figure QLYQS_71
表示保留点对应的三阶不变矩；
Figure QLYQS_52
表示保留点在
Figure QLYQS_57
，
Figure QLYQS_61
下对应的归一化后的中心距；
Figure QLYQS_68
表示保留点在
Figure QLYQS_53
，
Figure QLYQS_56
下对应的归一化后的中心距；
Figure QLYQS_60
表示保留点在
Figure QLYQS_63
，
Figure QLYQS_54
下对应的归一化后的中心距；
Figure QLYQS_58
表示保留点在
Figure QLYQS_62
，
Figure QLYQS_65
下对应的归一化后的中心距；
Figure QLYQS_66
表示保留点在
Figure QLYQS_70
，
Figure QLYQS_72
下对应的归一化后的中心距；
Figure QLYQS_73
表示保留点在
Figure QLYQS_50
，
Figure QLYQS_55
下对应的归一化后的中心距；
Figure QLYQS_59
表示保留点在
Figure QLYQS_64
，
Figure QLYQS_51
下对应的归一化后的中心距。
5.根据权利要求1所述的一种基于计算机视觉的空调用钣金件缺陷识别方法，其特征在于，所述获取每个所述保留点对应的纹理特征值的方法为LBP算法。
6.根据权利要求1所述的一种基于计算机视觉的空调用钣金件缺陷识别方法，其特征在于，所述由所述缺陷概率判断钣金件是否存在缺陷的步骤，包括：
所述缺陷概率大于预设的缺陷阈值时，所述钣金件存在缺陷。
CN202211659812.8A 2022-12-23 2022-12-23 一种基于计算机视觉的空调用钣金件缺陷识别方法 Active CN115641336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211659812.8A CN115641336B (zh) 2022-12-23 2022-12-23 一种基于计算机视觉的空调用钣金件缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211659812.8A CN115641336B (zh) 2022-12-23 2022-12-23 一种基于计算机视觉的空调用钣金件缺陷识别方法

Publications (2)

Publication Number Publication Date
CN115641336A CN115641336A (zh) 2023-01-24
CN115641336B true CN115641336B (zh) 2023-03-21

Family

ID=84948515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211659812.8A Active CN115641336B (zh) 2022-12-23 2022-12-23 一种基于计算机视觉的空调用钣金件缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115641336B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797344B (zh) * 2023-02-06 2023-04-21 智联信通科技股份有限公司 基于图像增强的机房设备识别管理方法
CN115841493B (zh) * 2023-02-27 2023-05-12 曲阜市虹飞电缆有限公司 一种基于图像处理的电缆检测方法
CN115984283B (zh) * 2023-03-21 2023-06-23 山东中济鲁源机械有限公司 一种钢筋笼焊接质量智能检测方法
CN116309589B (zh) * 2023-05-22 2023-08-01 季华实验室 钣金件表面缺陷检测方法、装置、电子设备及存储介质
CN116309599B (zh) * 2023-05-24 2023-08-15 青岛国源中创电气自动化工程有限公司 基于污水前置处理的水质视觉监测方法
CN116630332B (zh) * 2023-07-26 2023-09-26 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN116664577B (zh) * 2023-08-01 2023-11-14 山东天亚达新材料科技有限公司 基于碳纤维连接头图像处理的异常识别提取方法
CN116912254B (zh) * 2023-09-14 2023-12-08 山东博诚电气有限公司 基于数据增强预处理的电缆缺陷识别方法
CN117058153B (zh) * 2023-10-13 2023-12-19 南通星光检测科技有限公司 基于电子元器件的二极管质量识别方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294338A (zh) * 2022-09-29 2022-11-04 中威泵业(江苏)有限公司 一种叶轮表面缺陷识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1148333A1 (de) * 2000-02-05 2001-10-24 YXLON International X-Ray GmbH Verfahren zur automatischen Gussfehlererkennung in einem Prüfling
CN107248159A (zh) * 2017-08-04 2017-10-13 河海大学常州校区 一种基于双目视觉的金属工件缺陷检测方法
CN111220882A (zh) * 2019-12-31 2020-06-02 国网辽宁省电力有限公司电力科学研究院 一种gis光学局放图谱的特征量提取方法
US11587250B2 (en) * 2021-06-21 2023-02-21 University Of Electronic Science And Technology Of China Method for quantitatively identifying the defects of large-size composite material based on infrared image sequence

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294338A (zh) * 2022-09-29 2022-11-04 中威泵业(江苏)有限公司 一种叶轮表面缺陷识别方法

Also Published As

Publication number Publication date
CN115641336A (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN115641336B (zh) 一种基于计算机视觉的空调用钣金件缺陷识别方法
CN107578418B (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
CN113658132B (zh) 基于计算机视觉的结构件焊缝检测方法
CN112308832B (zh) 一种基于机器视觉的轴承质量检测方法
CN108764358B (zh) 一种太赫兹图像识别方法、装置、设备及可读存储介质
CN114170228B (zh) 一种计算机图像边缘检测方法
CN111383209A (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN107977960B (zh) 一种基于改进的susan算子的轿车表面划痕检测算法
CN115115644A (zh) 一种基于人工智能的车辆焊接缺陷检测方法
CN110490924B (zh) 一种基于多尺度Harris的光场图像特征点检测方法
CN111369605A (zh) 一种基于边缘特征的红外与可见光图像的配准方法和系统
CN116228747A (zh) 一种金属柜加工质量监测方法
CN112258470B (zh) 基于缺陷检测的工业图像临界压缩率智能分析系统及方法
CN110910339A (zh) Logo缺陷检测方法及装置
CN112926648B (zh) 一种烟叶烘烤过程中烟叶尖部异常的检测方法及装置
CN113592849A (zh) 基于卷积神经网络和紫外图像的外绝缘设备故障诊断方法
CN111667509B (zh) 目标与背景颜色相似下的运动目标自动跟踪方法及系统
CN112767331A (zh) 基于零样本学习的图像异常检测方法
CN109919164B (zh) 用户界面对象的识别方法及装置
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统
CN115760695A (zh) 基于深度视觉模型的图像异常识别方法
CN113901916A (zh) 一种基于可视化光流特征的面部欺诈动作识别方法
CN117115172B (zh) 一种基于机器视觉的阿胶品质检测方法及系统
CN109949245A (zh) 十字激光检测定位方法、装置、存储介质及计算机设备
CN111080560B (zh) 一种图像的处理与识别方法

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
GR01 Patent grant
GR01 Patent grant