CN116152260B - 一种基于图像处理的弹簧缺陷检测方法及系统 - Google Patents
一种基于图像处理的弹簧缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116152260B CN116152260B CN202310437615.XA CN202310437615A CN116152260B CN 116152260 B CN116152260 B CN 116152260B CN 202310437615 A CN202310437615 A CN 202310437615A CN 116152260 B CN116152260 B CN 116152260B
- Authority
- CN
- China
- Prior art keywords
- defect
- spring
- image information
- shape
- coordinate system
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
本发明涉及图像检测技术领域,本发明公开了一种基于图像处理的弹簧缺陷检测方法及系统,通过获取待测弹簧的整体图像信息,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域,并且建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果,能够有效的消除掉待测弹簧处于轻微振动状态而带来的冗余问题,提高绘制得到的第二缺陷形状图的精度,从而提高检测精度与可靠性。
Description
技术领域
本发明涉及图像检测技术领域,特别是一种基于图像处理的弹簧缺陷检测方法及系统。
背景技术
弹簧是一种利用弹性来工作的机械零件。用弹性材料制成的零件在外力作用下发生形变,除去外力后又恢复原状。一般用弹簧钢制成,弹簧的种类复杂多样,按形状分,主要有螺旋弹簧、涡卷弹簧、板弹簧、异型弹簧等。在弹簧出厂前需要对弹簧的各项性能进行检测,如抗压性能、抗拉性能、抗高温性能等。若弹簧的表面存在裂纹、划痕、和凹陷等缺陷,当对弹簧施加拉力使得弹簧处于被拉伸状态后,这些表面缺陷有可能进一步开裂,从而使得弹簧发生断裂情况。因此表面缺陷会对弹簧的抗拉能力造成较大的影响,使得弹簧不能够承受足够大的拉力。因此弹簧表面存在的裂纹、划痕、和凹陷等缺陷与弹簧的抗拉性能息息相关,目前检测这些缺陷的方法主要是超声检测法与图像检测法,但由于弹簧的结构形状复杂,通过超声检测法往往会存在错检、漏检的现象,检测结果的可靠性较低。相反,图像检测法相对与超声检测法,其发生错检与漏检的概率较低,因此图像检测法逐步被应用在弹簧的抗拉出厂检测中,然而由于在通过图像检测法对弹簧进行检测的过程中,通过拉力测试机将待测弹簧拉伸后,弹簧在较长的时间会处于轻微振动状态,此时通过摄像机拍摄被拉伸后的弹簧的图像会存在较大的冗余,从而导致拍摄得到缺陷形状的冗余过大,进而对检测结果造成较大的影响。
发明内容
本发明克服了现有技术的不足,提供了一种基于图像处理的弹簧缺陷检测方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明公开了一种基于图像处理的弹簧缺陷检测方法,包括以下步骤:
获取待测弹簧的整体图像信息,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域;
提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图;
对所述待测弹簧施加预设大小的拉力,以使得待测弹簧处于被拉伸状态,从而形成被拉伸的弹簧,获取被拉伸的弹簧中存在缺陷区域的图像信息,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图;
建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果。
进一步的,本发明的一个较佳实施例中,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域,具体为:
对所述待测弹簧的整体图像信息进行灰值化处理,并将所述整体图像信息转化为单通道的灰色图像;将所述灰色图像中像素较高的区域进行展宽处理,将所述灰色图像中像素较低的区域进行整合处理,以增强所述灰色图像的对比度,得到处理后的图像信息;
基于卷积神经网络建立识别模型,并将预先训练好的预设缺陷图像信息导入所述识别模型中进行训练,得到训练好的识别模型;
将所述处理后的图像信息导入所述训练好的识别模型中进行识别,得到识别结果;
若所述识别结果为预设结果,则将待测弹簧中存在预设结果的区域标记为存在缺陷的区域。
进一步的,本发明的一个较佳实施例中,提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图,具体为:
提取待测弹簧中存在缺陷区域的图像信息,对所述待测弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到二次处理后的图像信息,并保留所述二次处理后的图像中缺陷的轮廓形状;
对所述二次处理后的图像中缺陷的轮廓形状进行特征匹配处理,得到若干特征匹配点;
获取所述特征匹配点的坐标信息,根据所述特征匹配点的坐标信息建立多条缺陷轮廓线,基于所述缺陷轮廓线建立第一缺陷形状图。
进一步的,本发明的一个较佳实施例中,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图,具体为:
对所述被拉伸的弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到处理后的第二图像信息,并保留所述处理后的第二图像信息中缺陷的轮廓形状;
对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状;
对所述修正后的轮廓形状进行特征匹配处理,得到若干第二特征匹配点;
获取所述第二特征匹配点的坐标信息,根据所述第二特征匹配点的坐标信息建立多条第二缺陷轮廓线,基于所述第二缺陷轮廓线建立第二缺陷形状图。
进一步的,本发明的一个较佳实施例中,对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状,具体为:
构建矩阵分解模型,并将所述处理后的第二图像信息中缺陷的轮廓形状导入所述矩阵分解模型中进行分解计算,生成所述处理后的第二图像信息中缺陷的轮廓形状的对称矩阵与三角矩阵;
选取所述对称矩阵与三角矩阵中的任一极限向量作为坐标原点,基于所述坐标原点建立平面坐标系;
将所述对称矩阵与三角矩阵导入所述平面坐标系中,生成对称矩阵与三角矩阵的矩阵特征值,并将所述对称矩阵与三角矩阵的矩阵特征值作为新的坐标数集;
获取所述新的坐标数集中的极限坐标点数集,并将所述极限坐标点数集导入绝对坐标系中重新组合,生成修正后缺陷的轮廓形状。
进一步的,本发明的一个较佳实施例中,建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果,具体为:
选取所述第一缺陷形状图中的至少三个特征点作为第一匹配点,选取所述第二缺陷形状图中的至少三个特征点作为第二匹配点;
建立虚拟空间坐标系,将所述第一缺陷形状图导入所述虚拟空间坐标系中,并获取所述第一匹配点处于虚拟空间坐标系中的坐标值信息;
以所述坐标值信息为导入基准将所述第二缺陷形状图导入所述虚拟空间坐标系中,以使得所述第一匹配点与第二匹配点在所述虚拟空间坐标系中相重合;
在所述虚拟空间坐标系中将所述第一缺陷形状图与第二缺陷形状图进行比较分析,得到偏差阈值;
若所述偏差阈值大于预设阈值,则弹簧的检测结果为不合格;若所述偏差阈值不大于预设阈值,则弹簧的检测结果为合格。
本发明另一方面公开了一种基于图像处理的弹簧缺陷检测系统,所述弹簧性能检测系统包括存储器以及处理器,所述存储器中包括弹簧性能检测方法,所述弹簧性能检测方法被所述处理器执行时,实现如下步骤:
获取待测弹簧的整体图像信息,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域;
提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图;
对所述待测弹簧施加预设大小的拉力,以使得待测弹簧处于被拉伸状态,从而形成被拉伸的弹簧,获取被拉伸的弹簧中存在缺陷区域的图像信息,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图;
建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果。
进一步的,本发明的一个较佳实施例中,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域,具体为:
对所述待测弹簧的整体图像信息进行灰值化处理,并将所述整体图像信息转化为单通道的灰色图像;将所述灰色图像中像素较高的区域进行展宽处理,将所述灰色图像中像素较低的区域进行整合处理,以增强所述灰色图像的对比度,得到处理后的图像信息;
基于卷积神经网络建立识别模型,并将预先训练好的预设缺陷图像信息导入所述识别模型中进行训练,得到训练好的识别模型;
将所述处理后的图像信息导入所述训练好的识别模型中进行识别,得到识别结果;
若所述识别结果为预设结果,则将待测弹簧中存在预设结果的区域标记为存在缺陷的区域。
进一步的,本发明的一个较佳实施例中,提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图,具体为:
提取待测弹簧中存在缺陷区域的图像信息,对所述待测弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到二次处理后的图像信息,并保留所述二次处理后的图像中缺陷的轮廓形状;
对所述二次处理后的图像中缺陷的轮廓形状进行特征匹配处理,得到若干特征匹配点;
获取所述特征匹配点的坐标信息,根据所述特征匹配点的坐标信息建立多条缺陷轮廓线,基于所述缺陷轮廓线建立第一缺陷形状图。
进一步的,本发明的一个较佳实施例中,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图,具体为:
对所述被拉伸的弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到处理后的第二图像信息,并保留所述处理后的第二图像信息中缺陷的轮廓形状;
对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状;
对所述修正后的轮廓形状进行特征匹配处理,得到若干第二特征匹配点;
获取所述第二特征匹配点的坐标信息,根据所述第二特征匹配点的坐标信息建立多条第二缺陷轮廓线,基于所述第二缺陷轮廓线建立第二缺陷形状图。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:通过本方法能够有效的消除掉待测弹簧处于轻微振动状态而带来的冗余问题,提高绘制得到的第二缺陷形状图的精度,从而提高检测精度与可靠性。并且通过将第一缺陷形状图与第二缺陷形状图进行比较分析,能够判断出原本存在于弹簧中的缺陷在拉伸状态下是否会发生进一步开裂现象,从而高效的判断待测弹簧的抗拉性能是否合格。
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,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实施例的附图。
图1示出了一种基于图像处理的弹簧缺陷检测方法整体方法流程图;
图2示出了对处理后的第二图像信息中缺陷的轮廓形状进行修正的方法流程图;
图3示出了基于偏差阈值生成检测结果的方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了一种基于图像处理的弹簧缺陷检测方法整体方法流程图;
本发明公开了一种基于图像处理的弹簧缺陷检测方法,包括以下步骤:
S102:获取待测弹簧的整体图像信息,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域;
S104:提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图;
S106:对所述待测弹簧施加预设大小的拉力,以使得待测弹簧处于被拉伸状态,从而形成被拉伸的弹簧,获取被拉伸的弹簧中存在缺陷区域的图像信息,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图;
S108:建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果。
需要说明的是,通过本方法能够有效的消除掉待测弹簧处于轻微振动状态而带来的冗余问题,提高绘制得到的第二缺陷形状图的精度,从而提高检测精度与可靠性。并且通过将第一缺陷形状图与第二缺陷形状图进行比较分析,能够判断出原本存在于弹簧中的缺陷在拉伸状态下是否会发生进一步开裂现象,从而高效的判断待测弹簧的抗拉性能是否合格。
进一步的,本发明的一个较佳实施例中,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域,具体为:
对所述待测弹簧的整体图像信息进行灰值化处理,并将所述整体图像信息转化为单通道的灰色图像;将所述灰色图像中像素较高的区域进行展宽处理,将所述灰色图像中像素较低的区域进行整合处理,以增强所述灰色图像的对比度,得到处理后的图像信息;
基于卷积神经网络建立识别模型,并将预先训练好的预设缺陷图像信息导入所述识别模型中进行训练,得到训练好的识别模型;
将所述处理后的图像信息导入所述训练好的识别模型中进行识别,得到识别结果;
若所述识别结果为预设结果,则将待测弹簧中存在预设结果的区域标记为存在缺陷的区域。
需要说明的是,首先可以通过工业摄像机拍摄待测弹簧在自由状态下的整体图像信息(即待测弹簧的全局表面图像),然后对该整体图像信息进行一系列的预处理,以增强图像的对比度,从而得到处理后的图像信息。其中,所述预设缺陷图像信息包括各种形状与大小的裂纹、划痕、和凹陷等缺陷的图像,该预设缺陷图像信息可以提前在大数据网络中获得。然后再基于卷积神经网络建立识别模型,并将预先训练好的预设缺陷图像信息导入所述识别模型中进行训练,得到训练好的识别模型;接着将所述处理后的图像信息导入所述训练好的识别模型中进行识别判断,若所述识别结果为预设结果,此时可以说明的是,该待测弹簧的某一个或多个区域中存在裂纹、划痕、和凹陷等缺陷,此时则将待测弹簧中存在预设结果的区域标记为存在缺陷的区域。利用本方法能够快速有效的识别出待测弹簧的各个区域中是否存在缺陷,并且通过提前建立识别模型的方式进行识别,识别算法简便,能够进一步提高检测效率。
进一步的,本发明的一个较佳实施例中,提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图,具体为:
提取待测弹簧中存在缺陷区域的图像信息,对所述待测弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到二次处理后的图像信息,并保留所述二次处理后的图像中缺陷的轮廓形状;
对所述二次处理后的图像中缺陷的轮廓形状进行特征匹配处理,得到若干特征匹配点;
获取所述特征匹配点的坐标信息,根据所述特征匹配点的坐标信息建立多条缺陷轮廓线,基于所述缺陷轮廓线建立第一缺陷形状图。
需要说明的是,若识别出待测弹簧的某一个或多个区域存在裂纹、划痕、和凹陷等缺陷,则分别提取待测弹簧中存在缺陷区域的图像信息,然后对待测弹簧中存在缺陷区域的图像信息进行一系列处理,从而提取出这一区域中缺陷的轮廓形状;接着再对该缺陷的轮廓形状进行特征匹配处理,从而得到多个特征匹配点,并且提取出各个特征匹配点的坐标信息;当得到这些特征匹配点的坐标信息后,再通过CAD、SolidWorks、Proe等工业绘图软件便能够绘制出该区域内缺陷的第一缺陷形状图,然后再将绘制完毕的第一缺陷形状图保存在相应的数据存储器上。其中,第一缺陷形状图表征的是待测弹簧处于自由状态下存在于待测弹簧中缺陷的形状形态图。通过本方法能够有效的获得自由状态下待测弹簧中缺陷的形状形态图。
进一步的,本发明的一个较佳实施例中,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图,具体为:
对所述被拉伸的弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到处理后的第二图像信息,并保留所述处理后的第二图像信息中缺陷的轮廓形状;
对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状;
对所述修正后的轮廓形状进行特征匹配处理,得到若干第二特征匹配点;
获取所述第二特征匹配点的坐标信息,根据所述第二特征匹配点的坐标信息建立多条第二缺陷轮廓线,基于所述第二缺陷轮廓线建立第二缺陷形状图。
需要说明的是,当获得处于自由状态下的待测弹簧中缺陷的第一缺陷形状图后,通过拉力机对所述待测弹簧施加预设大小的拉力,以使得待测弹簧处于被拉伸状态,从而形成被拉伸的弹簧。此时再通过工业摄像机获取被拉伸的弹簧中存在缺陷区域的图像信息,然后对所述被拉伸的弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到处理后的第二图像信息,并保留所述处理后的第二图像信息中缺陷的轮廓形状;再通过CAD、SolidWorks、Proe等工业绘图软件绘制出第二缺陷形状图,并且将绘制完毕的第二缺陷形状图保存在相应的数据存储器上。其中,第二缺陷形状图表征的是待测弹簧处于被拉伸状态下存在于待测弹簧中缺陷的形状形态图。通过本方法能够有效的获得处于拉伸状态下待测弹簧中缺陷的形状形态图。
图2示出了对处理后的第二图像信息中缺陷的轮廓形状进行修正的方法流程图;
进一步的,本发明的一个较佳实施例中,对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状,具体为:
S202:构建矩阵分解模型,并将所述处理后的第二图像信息中缺陷的轮廓形状导入所述矩阵分解模型中进行分解计算,生成所述处理后的第二图像信息中缺陷的轮廓形状的对称矩阵与三角矩阵;
S204:选取所述对称矩阵与三角矩阵中的任一极限向量作为坐标原点,基于所述坐标原点建立平面坐标系;
S206:将所述对称矩阵与三角矩阵导入所述平面坐标系中,生成对称矩阵与三角矩阵的矩阵特征值,并将所述对称矩阵与三角矩阵的矩阵特征值作为新的坐标数集;
S208:获取所述新的坐标数集中的极限坐标点数集,并将所述极限坐标点数集导入绝对坐标系中重新组合,生成修正后缺陷的轮廓形状。
需要说明的是,在通过拉力机对待测弹簧进行拉伸后,待测弹簧在较长的时间会处于轻微振动状态,此时通过摄像机拍摄被拉伸的弹簧中存在缺陷区域的图像会存在较大的冗余,从而导致绘制得到的第二缺陷形状图的冗余过大,从而对第一缺陷形状图与第二缺陷形状图的对比结果造成较大的影响,进而降低检测结果的可靠性。因此,需要对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,具体来说,通过谱分解方式、奇异值特征分解方式等分解方式对所述处理后的第二图像信息中缺陷的轮廓形状进行分解,得到对称矩阵与三角矩阵,选取所述对称矩阵与三角矩阵中的任一极限向量作为坐标原点,基于所述坐标原点建立平面坐标系;将所述对称矩阵与三角矩阵导入所述平面坐标系中,生成对称矩阵与三角矩阵的矩阵特征值,并将所述对称矩阵与三角矩阵的矩阵特征值作为新的坐标数集;获取所述新的坐标数集中的极限坐标点数集,并将所述极限坐标点数集导入绝对坐标系中重新组合,生成修正后缺陷的轮廓形状。通过本方法能够有效的消除掉待测弹簧处于轻微振动状态而带来的冗余问题,提高绘制得到的第二缺陷形状图的精度,从而提高检测精度与可靠性。
图3示出了基于偏差阈值生成检测结果的方法流程图;
进一步的,本发明的一个较佳实施例中,建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果,具体为:
S302:选取所述第一缺陷形状图中的至少三个特征点作为第一匹配点,选取所述第二缺陷形状图中的至少三个特征点作为第二匹配点;
S304:建立虚拟空间坐标系,将所述第一缺陷形状图导入所述虚拟空间坐标系中,并获取所述第一匹配点处于虚拟空间坐标系中的坐标值信息;
S306:以所述坐标值信息为导入基准将所述第二缺陷形状图导入所述虚拟空间坐标系中,以使得所述第一匹配点与第二匹配点在所述虚拟空间坐标系中相重合;
S308:在所述虚拟空间坐标系中将所述第一缺陷形状图与第二缺陷形状图进行比较分析,得到偏差阈值;
S310:若所述偏差阈值大于预设阈值,则弹簧的检测结果为不合格;若所述偏差阈值不大于预设阈值,则弹簧的检测结果为合格。
需要说明的是,所述特征点由设计人员提前制定,其可以是以第一缺陷形状图与第二缺陷形状图的中心点为原点向四周发散一定距离的点,其至少设置三个。当获取得到第一匹配点与第二匹配点的信息后,再通过工业绘图软件建立虚拟空间坐标系,然后将所述第一缺陷形状图导入所述虚拟空间坐标系中,并获取所述第一匹配点处于虚拟空间坐标系中的坐标值信息,接着再以所述坐标值信息为导入基准将所述第二缺陷形状图导入所述虚拟空间坐标系中,以使得所述第一匹配点与第二匹配点在所述虚拟空间坐标系中相重合;然后在所述虚拟空间坐标系中将所述第一缺陷形状图与第二缺陷形状图进行比较分析,得到偏差阈值;若所述偏差阈值大于预设阈值,此时可以说明的是,当通过拉力机将待测弹簧拉伸后,原本存在与待测弹簧上的缺陷会发生进一步开裂现象,并且其开裂程度过大,此时说明待测弹簧的抗拉性能不合格,为不合格品。反之,若所述偏差阈值不大于预设阈值,此时可以说明的是,当通过拉力机将待测弹簧拉伸后,原本存在与待测弹簧上的缺陷不会发生进一步开裂现象,此时说明待测弹簧的抗拉性能合格,为合格品。通过将第一缺陷形状图与第二缺陷形状图进行比较分析,能够判断出原本存在于弹簧中的缺陷在拉伸状态下是否会发生进一步开裂现象,从而高效的判断待测弹簧的抗拉性能是否合格。
此外,本方法还包括以下步骤:
获取待测弹簧的整体图像信息,并对所述整体图像信息进行降噪处理,通过特征点匹配得到稀疏特征点;获取所述稀疏特征点的坐标值,并根据所述稀疏特征点的坐标值生成稀疏三维云数据;
对所述稀疏三维云数据进行稠密处理,得到密集三维点云数据信息,根据所述密集三维点云数据信息建立多个曲面,并基于所述曲面生成待测弹簧的实际三维模型图;
由所述实际三维模型图中提出取出待测弹簧中的缺陷参数信息;其中,所述缺陷参数信息包括缺陷的位置、缺陷的深度、缺席的高度、缺陷的宽度;
基于所述缺陷参数信息计算出总缺陷体积值,并将所述总缺陷体积值与待测弹簧的总体积值进行比值处理,得到缺陷浓度值;并将所述缺陷浓度值与预设浓度值进行比较;
若所述缺陷浓度值大于预设浓度值,则弹簧的检测结果为不合格。
需要说明的是,通过利用非线性滤波器、中值滤波器、形态学滤波器等方法对整体图像进行去噪、滤波等方式处理,可通过卷积神经网络对所述密集三维点云数据在进行分层卷积以及池化,从而完成对所述图像信息的特征提取,从而通过UG、PROE等工业建立软件建立待测弹簧的实际三维模型图。由该实际三维模型图提取出总缺陷体积值与待测弹簧的总体积值,从而计算出缺陷浓度值;若缺陷浓度值大于预设浓度值,此时可以说明的是,该待测弹簧中存在过多的缺陷,说明该待测弹簧的抗拉稳定性极差,将其标记为不合格品。
本发明另一方面公开了一种基于图像处理的弹簧缺陷检测系统,所述弹簧性能检测系统包括存储器以及处理器,所述存储器中包括弹簧性能检测方法,所述弹簧性能检测方法被所述处理器执行时,实现如下步骤:
获取待测弹簧的整体图像信息,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域;
提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图;
对所述待测弹簧施加预设大小的拉力,以使得待测弹簧处于被拉伸状态,从而形成被拉伸的弹簧,获取被拉伸的弹簧中存在缺陷区域的图像信息,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图;
建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果。
进一步的,本发明的一个较佳实施例中,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域,具体为:
对所述待测弹簧的整体图像信息进行灰值化处理,并将所述整体图像信息转化为单通道的灰色图像;将所述灰色图像中像素较高的区域进行展宽处理,将所述灰色图像中像素较低的区域进行整合处理,以增强所述灰色图像的对比度,得到处理后的图像信息;
基于卷积神经网络建立识别模型,并将预先训练好的预设缺陷图像信息导入所述识别模型中进行训练,得到训练好的识别模型;
将所述处理后的图像信息导入所述训练好的识别模型中进行识别,得到识别结果;
若所述识别结果为预设结果,则将待测弹簧中存在预设结果的区域标记为存在缺陷的区域。
需要说明的是,首先可以通过工业摄像机拍摄待测弹簧在自由状态下的整体图像信息(即待测弹簧的全局表面图像),然后对该整体图像信息进行一系列的预处理,以增强图像的对比度,从而得到处理后的图像信息。其中,所述预设缺陷图像信息包括各种形状与大小的裂纹、划痕、和凹陷等缺陷的图像,该预设缺陷图像信息可以提前在大数据网络中获得。然后再基于卷积神经网络建立识别模型,并将预先训练好的预设缺陷图像信息导入所述识别模型中进行训练,得到训练好的识别模型;接着将所述处理后的图像信息导入所述训练好的识别模型中进行识别判断,若所述识别结果为预设结果,此时可以说明的是,该待测弹簧的某一个或多个区域中存在裂纹、划痕、和凹陷等缺陷,此时则将待测弹簧中存在预设结果的区域标记为存在缺陷的区域。利用本方法能够快速有效的识别出待测弹簧的各个区域中是否存在缺陷,并且通过提前建立识别模型的方式进行识别,识别算法简便,能够进一步提高检测效率。
进一步的,本发明的一个较佳实施例中,提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图,具体为:
提取待测弹簧中存在缺陷区域的图像信息,对所述待测弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到二次处理后的图像信息,并保留所述二次处理后的图像中缺陷的轮廓形状;
对所述二次处理后的图像中缺陷的轮廓形状进行特征匹配处理,得到若干特征匹配点;
获取所述特征匹配点的坐标信息,根据所述特征匹配点的坐标信息建立多条缺陷轮廓线,基于所述缺陷轮廓线建立第一缺陷形状图。
需要说明的是,若识别出待测弹簧的某一个或多个区域存在裂纹、划痕、和凹陷等缺陷,则分别提取待测弹簧中存在缺陷区域的图像信息,然后对待测弹簧中存在缺陷区域的图像信息进行一系列处理,从而提取出这一区域中缺陷的轮廓形状;接着再对该缺陷的轮廓形状进行特征匹配处理,从而得到多个特征匹配点,并且提取出各个特征匹配点的坐标信息;当得到这些特征匹配点的坐标信息后,再通过CAD、SolidWorks、Proe等工业绘图软件便能够绘制出该区域内缺陷的第一缺陷形状图,然后再将绘制完毕的第一缺陷形状图保存在相应的数据存储器上。其中,第一缺陷形状图表征的是待测弹簧处于自由状态下存在于待测弹簧中缺陷的形状形态图。通过本方法能够有效的获得自由状态下待测弹簧中缺陷的形状形态图。
进一步的,本发明的一个较佳实施例中,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图,具体为:
对所述被拉伸的弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到处理后的第二图像信息,并保留所述处理后的第二图像信息中缺陷的轮廓形状;
对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状;
对所述修正后的轮廓形状进行特征匹配处理,得到若干第二特征匹配点;
获取所述第二特征匹配点的坐标信息,根据所述第二特征匹配点的坐标信息建立多条第二缺陷轮廓线,基于所述第二缺陷轮廓线建立第二缺陷形状图。
需要说明的是,当获得处于自由状态下的待测弹簧中缺陷的第一缺陷形状图后,通过拉力机对所述待测弹簧施加预设大小的拉力,以使得待测弹簧处于被拉伸状态,从而形成被拉伸的弹簧。此时再通过工业摄像机获取被拉伸的弹簧中存在缺陷区域的图像信息,然后对所述被拉伸的弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到处理后的第二图像信息,并保留所述处理后的第二图像信息中缺陷的轮廓形状;再通过CAD、SolidWorks、Proe等工业绘图软件绘制出第二缺陷形状图,并且将绘制完毕的第二缺陷形状图保存在相应的数据存储器上。其中,第二缺陷形状图表征的是待测弹簧处于被拉伸状态下存在于待测弹簧中缺陷的形状形态图。通过本方法能够有效的获得处于拉伸状态下待测弹簧中缺陷的形状形态图。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于图像处理的弹簧缺陷检测方法,其特征在于,包括以下步骤:
获取待测弹簧的整体图像信息,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域;
提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图;
对所述待测弹簧施加预设大小的拉力,以使得待测弹簧处于被拉伸状态,从而形成被拉伸的弹簧,获取被拉伸的弹簧中存在缺陷区域的图像信息,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图;
建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果;
其中,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图,具体为:
对所述被拉伸的弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到处理后的第二图像信息,并保留所述处理后的第二图像信息中缺陷的轮廓形状;
对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状;
对所述修正后的轮廓形状进行特征匹配处理,得到若干第二特征匹配点;
获取所述第二特征匹配点的坐标信息,根据所述第二特征匹配点的坐标信息建立多条第二缺陷轮廓线,基于所述第二缺陷轮廓线建立第二缺陷形状图;
其中,对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状,具体为:
构建矩阵分解模型,并将所述处理后的第二图像信息中缺陷的轮廓形状导入所述矩阵分解模型中进行分解计算,生成所述处理后的第二图像信息中缺陷的轮廓形状的对称矩阵与三角矩阵;
选取所述对称矩阵与三角矩阵中的任一极限向量作为坐标原点,基于所述坐标原点建立平面坐标系;
将所述对称矩阵与三角矩阵导入所述平面坐标系中,生成对称矩阵与三角矩阵的矩阵特征值,并将所述对称矩阵与三角矩阵的矩阵特征值作为新的坐标数集;
获取所述新的坐标数集中的极限坐标点数集,并将所述极限坐标点数集导入绝对坐标系中重新组合,生成修正后缺陷的轮廓形状;
其中,建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果,具体为:
选取所述第一缺陷形状图中的至少三个特征点作为第一匹配点,选取所述第二缺陷形状图中的至少三个特征点作为第二匹配点;
建立虚拟空间坐标系,将所述第一缺陷形状图导入所述虚拟空间坐标系中,并获取所述第一匹配点处于虚拟空间坐标系中的坐标值信息;
以所述坐标值信息为导入基准将所述第二缺陷形状图导入所述虚拟空间坐标系中,以使得所述第一匹配点与第二匹配点在所述虚拟空间坐标系中相重合;
在所述虚拟空间坐标系中将所述第一缺陷形状图与第二缺陷形状图进行比较分析,得到偏差阈值;
若所述偏差阈值大于预设阈值,则弹簧的检测结果为不合格;若所述偏差阈值不大于预设阈值,则弹簧的检测结果为合格。
2.根据权利要求1所述的一种基于图像处理的弹簧缺陷检测方法,其特征在于,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域,具体为:
对所述待测弹簧的整体图像信息进行灰值化处理,并将所述整体图像信息转化为单通道的灰色图像;将所述灰色图像中像素较高的区域进行展宽处理,将所述灰色图像中像素较低的区域进行整合处理,以增强所述灰色图像的对比度,得到处理后的图像信息;
基于卷积神经网络建立识别模型,并将预先训练好的预设缺陷图像信息导入所述识别模型中进行训练,得到训练好的识别模型;
将所述处理后的图像信息导入所述训练好的识别模型中进行识别,得到识别结果;
若所述识别结果为预设结果,则将待测弹簧中存在预设结果的区域标记为存在缺陷的区域。
3.根据权利要求1所述的一种基于图像处理的弹簧缺陷检测方法,其特征在于,提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图,具体为:
提取待测弹簧中存在缺陷区域的图像信息,对所述待测弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到二次处理后的图像信息,并保留所述二次处理后的图像中缺陷的轮廓形状;
对所述二次处理后的图像中缺陷的轮廓形状进行特征匹配处理,得到若干特征匹配点;
获取所述特征匹配点的坐标信息,根据所述特征匹配点的坐标信息建立多条缺陷轮廓线,基于所述缺陷轮廓线建立第一缺陷形状图。
4.一种基于图像处理的弹簧缺陷检测系统,其特征在于,所述弹簧缺陷检测系统包括存储器以及处理器,所述存储器中包括弹簧缺陷检测方法程序,所述弹簧缺陷检测方法程序被所述处理器执行时,实现如下步骤:
获取待测弹簧的整体图像信息,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域;
提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图;
对所述待测弹簧施加预设大小的拉力,以使得待测弹簧处于被拉伸状态,从而形成被拉伸的弹簧,获取被拉伸的弹簧中存在缺陷区域的图像信息,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图;
建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果;
其中,基于所述被拉伸的弹簧中存在缺陷区域的图像信息建立第二缺陷形状图,具体为:
对所述被拉伸的弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到处理后的第二图像信息,并保留所述处理后的第二图像信息中缺陷的轮廓形状;
对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状;
对所述修正后的轮廓形状进行特征匹配处理,得到若干第二特征匹配点;
获取所述第二特征匹配点的坐标信息,根据所述第二特征匹配点的坐标信息建立多条第二缺陷轮廓线,基于所述第二缺陷轮廓线建立第二缺陷形状图;
其中,对所述处理后的第二图像信息中缺陷的轮廓形状进行修正,得到修正后的轮廓形状,具体为:
构建矩阵分解模型,并将所述处理后的第二图像信息中缺陷的轮廓形状导入所述矩阵分解模型中进行分解计算,生成所述处理后的第二图像信息中缺陷的轮廓形状的对称矩阵与三角矩阵;
选取所述对称矩阵与三角矩阵中的任一极限向量作为坐标原点,基于所述坐标原点建立平面坐标系;
将所述对称矩阵与三角矩阵导入所述平面坐标系中,生成对称矩阵与三角矩阵的矩阵特征值,并将所述对称矩阵与三角矩阵的矩阵特征值作为新的坐标数集;
获取所述新的坐标数集中的极限坐标点数集,并将所述极限坐标点数集导入绝对坐标系中重新组合,生成修正后缺陷的轮廓形状;
其中,建立虚拟空间坐标系,将所述第一缺陷形状图与第二缺陷形状图导入所述虚拟空间坐标系中进行比较分析,得到偏差阈值,基于所述偏差阈值生成检测结果,具体为:
选取所述第一缺陷形状图中的至少三个特征点作为第一匹配点,选取所述第二缺陷形状图中的至少三个特征点作为第二匹配点;
建立虚拟空间坐标系,将所述第一缺陷形状图导入所述虚拟空间坐标系中,并获取所述第一匹配点处于虚拟空间坐标系中的坐标值信息;
以所述坐标值信息为导入基准将所述第二缺陷形状图导入所述虚拟空间坐标系中,以使得所述第一匹配点与第二匹配点在所述虚拟空间坐标系中相重合;
在所述虚拟空间坐标系中将所述第一缺陷形状图与第二缺陷形状图进行比较分析,得到偏差阈值;
若所述偏差阈值大于预设阈值,则弹簧的检测结果为不合格;若所述偏差阈值不大于预设阈值,则弹簧的检测结果为合格。
5.根据权利要求4所述的一种基于图像处理的弹簧缺陷检测系统,其特征在于,对所述待测弹簧的整体图像信息进行预处理得到处理后的图像信息,根据所述处理后的图像信息识别出待测弹簧中存在缺陷的区域,具体为:
对所述待测弹簧的整体图像信息进行灰值化处理,并将所述整体图像信息转化为单通道的灰色图像;将所述灰色图像中像素较高的区域进行展宽处理,将所述灰色图像中像素较低的区域进行整合处理,以增强所述灰色图像的对比度,得到处理后的图像信息;
基于卷积神经网络建立识别模型,并将预先训练好的预设缺陷图像信息导入所述识别模型中进行训练,得到训练好的识别模型;
将所述处理后的图像信息导入所述训练好的识别模型中进行识别,得到识别结果;
若所述识别结果为预设结果,则将待测弹簧中存在预设结果的区域标记为存在缺陷的区域。
6.根据权利要求4所述的一种基于图像处理的弹簧缺陷检测系统,其特征在于,提取待测弹簧中存在缺陷区域的图像信息,基于所述待测弹簧中存在缺陷区域的图像信息建立第一缺陷形状图,具体为:
提取待测弹簧中存在缺陷区域的图像信息,对所述待测弹簧中存在缺陷区域的图像信息进行中值滤波与图像增强处理,得到二次处理后的图像信息,并保留所述二次处理后的图像中缺陷的轮廓形状;
对所述二次处理后的图像中缺陷的轮廓形状进行特征匹配处理,得到若干特征匹配点;
获取所述特征匹配点的坐标信息,根据所述特征匹配点的坐标信息建立多条缺陷轮廓线,基于所述缺陷轮廓线建立第一缺陷形状图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310437615.XA CN116152260B (zh) | 2023-04-23 | 2023-04-23 | 一种基于图像处理的弹簧缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310437615.XA CN116152260B (zh) | 2023-04-23 | 2023-04-23 | 一种基于图像处理的弹簧缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152260A CN116152260A (zh) | 2023-05-23 |
CN116152260B true CN116152260B (zh) | 2023-08-18 |
Family
ID=86352874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310437615.XA Active CN116152260B (zh) | 2023-04-23 | 2023-04-23 | 一种基于图像处理的弹簧缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152260B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261407A (zh) * | 2019-05-23 | 2019-09-20 | 北京工业大学 | 一种旋转式全扫描热水器内胆表面缺陷检测装置及方法 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN115082410A (zh) * | 2022-06-29 | 2022-09-20 | 西安工程大学 | 基于图像处理的卡簧缺陷检测方法 |
-
2023
- 2023-04-23 CN CN202310437615.XA patent/CN116152260B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261407A (zh) * | 2019-05-23 | 2019-09-20 | 北京工业大学 | 一种旋转式全扫描热水器内胆表面缺陷检测装置及方法 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN115082410A (zh) * | 2022-06-29 | 2022-09-20 | 西安工程大学 | 基于图像处理的卡簧缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉钢板表面缺陷检测技术研究;王震宇;计算机与现代化(第7期);第130-134页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152260A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021008032A1 (zh) | 监控视频处理方法、装置、计算机设备和存储介质 | |
CN109859227B (zh) | 翻拍图像检测方法、装置、计算机设备及存储介质 | |
CN105184225B (zh) | 一种多国纸币图像识别方法和装置 | |
CN107490582A (zh) | 一种流水线工件检测系统 | |
CN106815830B (zh) | 图像的缺陷检测方法 | |
CN112785578A (zh) | 一种基于u型编码解码器神经网络的道路裂缝检测方法及系统 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
CN115239644A (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN112085721A (zh) | 基于人工智能的水淹车定损方法、装置、设备及存储介质 | |
CN113537414B (zh) | 锂电池缺陷检测方法、装置、设备及存储介质 | |
CN106529437B (zh) | 一种人脸检测的方法和装置 | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN116152260B (zh) | 一种基于图像处理的弹簧缺陷检测方法及系统 | |
CN115797970B (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
CN113421223A (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
WO2004081872A1 (ja) | データ分析装置およびデータ認識装置 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
Yasmin et al. | Performance Study of Soft Local Binary Pattern over Local Binary Pattern under Noisy Images | |
CN114004787A (zh) | 钢丝绳损伤检测方法、装置、终端及存储介质 | |
CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
CN115273202A (zh) | 一种人脸比对方法、系统、设备及存储介质 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 |
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 |