CN116309547B - 一种零件表面质量检测方法、装置、设备及介质 - Google Patents
一种零件表面质量检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116309547B CN116309547B CN202310522925.1A CN202310522925A CN116309547B CN 116309547 B CN116309547 B CN 116309547B CN 202310522925 A CN202310522925 A CN 202310522925A CN 116309547 B CN116309547 B CN 116309547B
- Authority
- CN
- China
- Prior art keywords
- gradient
- image
- vibration pattern
- vibration
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 229910001069 Ti alloy Inorganic materials 0.000 claims abstract description 66
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 230000008859 change Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 239000010408 film Substances 0.000 claims description 4
- 239000010409 thin film Substances 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种零件表面质量检测方法、装置、设备及介质,包括以下步骤:获取钛合金件具有振纹特征的表面图像;对表面图像进行降维处理,以获得灰度图像;根据降维后的灰度图像,获取振纹特征梯度图;根据振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线;根据振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值;根据振纹特征描述特征值,对钛合金件表面振纹进行检测分析,本申请具有可对钛合金表面振纹特征进行准确描述、提高了表面检测准确性的优点。
Description
技术领域
本申请涉及钛合金件缺陷分析技术领域,尤其涉及一种零件表面质量检测方法、装置、设备及介质。
背景技术
钛合金具有高强度、刚度、抗腐蚀性优异等特点,已大量应用于航空航天领域,尤其是在战机中钛合金骨架是支撑战机在高速飞行下保持结构强度的重要保证。由于钛合金具有以上优点又导致了钛合金存在难以加工问题,与普通材料相比,同样的刀具在相同的工序下加工钛合金材料更容易使刀具损坏或是失效。钛合金工件加工时与刀具之间的作用力较大,往往会导致刀具的震颤,而震颤对于高精度的加工是不利的,同时在加工好的钛合金表面容易产生振纹。
振纹属于一种加工缺陷,因此加工好的钛合金件皆需要进行振纹的检测,而在航空航天领域振纹的检测准确性较低,不满足当前在航空航天领域对钛合金件振纹高效、高准确率的检测需求。
发明内容
本申请的主要目的在于提供一种零件表面质量检测方法、装置、设备及介质,旨在解决现有钛合金件振纹检测方法检测准确性较低的技术问题。
为实现上述目的,本申请提供一种零件表面质量检测方法,包括以下步骤:
获取钛合金件具有振纹特征的表面图像;
对所述表面图像进行降维处理,以获得灰度图像;
根据降维后的所述灰度图像,获取振纹特征梯度图;
根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线;
根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值;
根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析。
可选地,所述对所述表面图像进行降维处理,以获得灰度图像,包括:
获取所述表面图像中各个通道灰度的均值,所述均值视为对应位置的像素点的灰度数值;
基于逐行、逐列迭代的方式将所有位置的像素点进行均值降维处理,迭代处理的方式为先列再行的方式,以获得每一像素点的灰度范围在0-255之间的单通道灰度图像。
可选地,所述根据降维后的所述灰度图像,获取振纹特征梯度图,包括:
根据降维后的灰度图像,获取图像中每一像素点对应的有向邻域位置梯度数值;
根据所述有向邻域位置梯度数值,获取振纹特征梯度图。
可选地,所述根据降维后的灰度图像,获取图像中每一像素点对应的有向邻域位置梯度数值,包括:
获取降维后的灰度图像中任意一个像素点与之相邻且具有1个像素棋盘距离的像素点;
计算相邻的像素点对应的有向邻域位置梯度数值。
可选地,所述根据所述有向邻域位置梯度数值,获取振纹特征梯度图,包括:
统计每一像素点对应的所有相邻的像素点的相对梯度大小,并将梯度数值基于从大到小的关系进行排序;
取排序数值中最大的数值作为任意像素点所在的梯度值,基于所述灰度图像所有像素点梯度的关系,获得振纹特征梯度图。
可选地,所述根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线,包括:
对全局梯度值按照从小到大的方式进行排序;
建立二维笛卡尔坐标系,坐标系中X轴与Y轴的交点均从0开始,以梯度值的最大值为X轴的最大值,以排序中梯度值最多像素点数为Y轴的最大值,坐标的最小分度为1梯度;
将所有梯度值与对应的像素点数绘制到建立的所述二维笛卡尔坐标系中,以得到所有点阵数据;
将所有的所述点阵数据以最近邻梯度数值为准则进行首尾连接,以得到振纹图像全局主梯度分布变化曲线。
可选地,所述根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值,包括:
获取所述振纹图像全局主梯度分布变化曲线中的两个波峰位置,两所述波峰位置对应的主梯度数值分别用Tgrad left和Tmid right表示,两波峰位置之间存在一个波谷位置,所述波谷位置用Tgrad left-right表示;其中,Tgrad left表示灰度图像中非振纹区域特征随机分布的像素点对应的主梯度方向,Tgrad right表示灰度图像中振纹区域特征由规律分布的像素点对应的主梯度方向;Tgrad left-right可表示灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向;
以灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向为梯度阈值对全局梯度值进行滤波,以得到仅包含振纹特征区域的主梯度;
对滤波处理后所有的保留梯度构建含有角度容许偏差threshold angle的有向梯度族angle Ci;
根据所述有向梯度族angle Ci的角度关系,构建角度偏差分析策略,以获得振纹分布及变化剧烈程度图像;
根据所述振纹分布及变化剧烈程度图像,获得振纹特征描述特征值。
可选地,所述根据所述有向梯度族angle Ci的角度关系,构建角度偏差分析策略,以获得振纹分布及变化剧烈程度图像,包括:
判断对应像素点是否满足角度关系,若满足,则计算满足角度关系的像素点对应的欧式距离数值L pixel与设定阈值threshold L的关系,若L pixel≤threshold L,则判断的像素点满足有向梯度族关系,可构成同一有向梯度族;其中,角度关系为:若任意像素点的梯度指向二维笛卡尔坐标系中同一轴向的正负夹角小于等于角度容许偏差threshold angle,则该像素点可与该轴向构成潜在的有向梯度族;
设定有向梯度族包含像素点阈值threshold point,对有向梯度族中小于等于阈值threshold point的有向梯度族区域,仅保留大于等于阈值threshold point的像素点数对应的有向梯度族;
计算每个有向梯度族中所有像素点在原灰度图像中对应的X、Y值,并新建一副同原灰度图像等尺度的单通道灰度图像gray1;
在所述单通道灰度图像gray1中将所有族中对应的像素点进行灰度赋值,族中对应的像素点灰度值为255,而单通道图像的背景灰度值为0;
在灰度图像gray1中用有向箭头,长度为1进行绘制,以获得表面振纹分布及变化剧烈程度图像。
可选地,所述振纹特征描述特征值包括箭头分布的密度density、箭头朝向angle、箭头数量number、振纹长度length和振纹宽度width。
可选地,所述根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析,包括:
根据所述振纹特征描述特征值,构建钛合金表面质量评价函数;
根据所述钛合金表面质量评价函数,对钛合金件表面振纹进行检测分析。
可选地,所述钛合金表面质量评价函数的表达式为:
式中,max width表示振纹宽度width方向对应的振纹最大长度参数;img width表示灰度图像的宽度,用于对max width的归一化;img length表示灰度图像的长度;ratio表示振纹的长宽比;length density表示振纹长度length方向对应的振纹族密度;weight width表示振纹宽度所占的权重;weight length表示振纹长度所占的权重;weight ratio表示振纹宽度与振纹长度比值所占的权重。
可选地,所述以灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向为梯度阈值对全局梯度值进行滤波,以得到仅包含振纹特征区域的主梯度的步骤中,所述滤波的方法为:
去除小于等于Tgrad left-right梯度的数值,仅保留大于Tgrad left-right梯度的数值。
可选地,所述获取钛合金件具有振纹特征的表面图像,包括:
采用相机获取钛合金件具有振纹特征的表面图像;其中,所述相机的光源采用环形薄膜白色亚光膜以制造漫反射补光,所述相机的扫描方式为面阵扫描。
为实现上述目的,本申请还提供一种零件表面质量检测装置,包括:
图像采集模块,用于获取钛合金件具有振纹特征的表面图像;
图像降维模块,用于对所述表面图像进行降维处理,以获得灰度图像;
梯度图构建模块,用于根据降维后的灰度图像,获取振纹特征梯度图;
曲线构建模块,用于根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线;
特征值获取模块,用于根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值;
检测分析模块,用于根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析。
为实现上述目的,本申请还提供一种计算机设备,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现上述的方法。
为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现上述的方法。
本申请所能实现的有益效果如下:
本申请通过获取的具有振纹特征的表面图像进行降维处理后,可得到识别精度高的灰度图像,从而基于灰度图像中的振纹特征构建振纹特征梯度图以及振纹图像全局主梯度分布变化曲线,可对钛合金表面振纹特征进行有效的度量与分析,同时制定了角度偏差分析策略,因此对具有倾斜角度差异的振纹同样具有较好的描述能力,摒弃了传统的钛合金纹理特征描述方法需基于大量的样本进行分析的限制,因此本申请提出的方法无需样本,可直接对钛合金表面振纹特征进行准确描述,更适合于在航空领域多类别小批量难以获取样本的场景,通过构建的钛合金表面质量评价函数可对振纹的分析、描述及评价具有很好的指导意义。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本申请的实施例中一种零件表面质量检测方法的流程示意图;
图2为本申请的实施例中获得的具有振纹特征的表面图像;
图3为本申请的实施例中获得的振纹特征梯度图;
图4为本申请的实施例中获得的振纹图像全局主梯度分布变化曲线的示意图;
图5为本申请的实施例中梯度滤波处理后得到的仅包含振纹特征区域的主梯度的示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
在本申请中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,全文中出现的“和/或”的含义,包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
实施例1
参照图1-图5,本实施例提供一种零件表面质量检测方法,包括以下步骤:
获取钛合金件具有振纹特征的表面图像;
对所述表面图像进行降维处理,以获得灰度图像;
根据降维后的灰度图像,获取振纹特征梯度图;
根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线;
根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值;
根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析。
现有技术中,在航空航天领域振纹的检测主要还是依靠人工,人工检测具有检测效率低、一致性差、检测结果受主观情绪影响大的特点,因此急需实现高效、高准确率的自动化检测。然而在行业内尚缺乏有效的自动化振纹分析、描述方法,在其他领域比如布匹纹理分析方法为基于计算机视觉的方式对钛合金表面质量的评价提供了可能,然而现有的纹理描述方法需基于大量的样本难以适用于航空航天领域多类别少批量样本难以获取的场景。
因此,在本实施例中,获取的具有振纹特征的表面图像进行降维处理后,可得到识别精度高的灰度图像,从而基于灰度图像中的振纹特征构建振纹特征梯度图以及振纹图像全局主梯度分布变化曲线,可对钛合金表面振纹特征进行有效的度量与分析,同时制定了角度偏差分析策略,因此对具有倾斜角度差异的振纹同样具有较好的描述能力,摒弃了传统的钛合金纹理特征描述方法需基于大量的样本进行分析的限制,因此本申请提出的方法无需样本,可直接对钛合金表面振纹特征进行准确描述,更适合于在航空领域多类别小批量难以获取样本的场景,提升了钛合金振纹分析的准确率,通过构建的钛合金表面质量评价函数可对振纹的分析、描述及评价具有很好的指导意义,同时为其他材料振纹分析提供了一种指导性参考方法。基于生产中对振纹评价指标的差异,设计对应的阈值参数,即可完成基于图像的钛合金表面质量评价。
作为一种可选的实施方式,所述对所述表面图像进行降维处理,以获得灰度图像,包括:
获取所述表面图像中各个通道灰度的均值,所述均值视为对应位置的像素点的灰度数值;
基于逐行、逐列迭代的方式将所有位置的像素点进行均值降维处理,迭代处理的方式为先列再行的方式,以获得每一像素点的灰度范围在0-255之间的单通道灰度图像。
在本实施方式中,获取的表面图像在红、绿、蓝颜色空间中对应的灰度值不同,不利于后续特征的描述,因此需要对获取的表面图像进行降维处理,降维处理的方式为获取各个通道灰度的均值视为对应位置像素点的灰度数值,即h(x,y)=0.33H R(x,y)+ 0.33H G(x,y)+ 0.33H B(x,y),然后基于逐行、逐列迭代的方式将所有位置的像素点进行处理,迭代处理的方式为先列再行的方式,获取每一像素点位置对应的灰度可采用OpenCV图像处理库实现,降维处理后即可得到每一像素点的灰度范围在0-255之间的单通道灰度图像,以便于后续特征的描述。
需要说明的是,OpenCV是一个基于(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows和Mac OS操作系统上。 它轻量级而且高效——由一系列 C 函数和一些C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
作为一种可选的实施方式,所述根据降维后的所述灰度图像,获取振纹特征梯度图,包括:
根据降维后的灰度图像,获取图像中每一像素点对应的有向邻域位置梯度数值;
根据所述有向邻域位置梯度数值,获取振纹特征梯度图。
在本实施方式中,在灰度图像中若存在振纹,其具有明显的特征差异,因此可用邻域梯度来表示这种变化的特征,从而绘制直观的振纹特征梯度图来表示这种变化特征。
作为一种可选的实施方式,所述根据降维后的灰度图像,获取图像中每一像素点对应的有向邻域位置梯度数值,包括:
获取降维后的灰度图像中任意一个像素点与之相邻且具有1个像素棋盘距离的像素点;
计算相邻的像素点对应的有向邻域位置梯度数值;
以均分成8个方向为例,则任意一个像素点与之相邻且具有1个像素棋盘距离的像素点具有8个,计算8个像素点对应的有向邻域位置梯度数值,有向邻域位置梯度数值的表达式为:
式中,grad img-8表示在灰度图像中任意一个中心像素点对应的8个相邻像素点的相对梯度大小;img表示研究分析的图像;angle表示相邻像素点同中心像素点的相对角度关系数值;rows表示图像的行数;cols表示图像的列数;h(i,j)表示在像素点(i,j)位置对应的灰度数值。
在本实施方式中,设定灰度图像中任意一点与之相邻且具有1个像素棋盘距离的像素点数量为8个,对于每一像素点可计算其对应的有向邻域位置梯度数值,通过转化成数值大小,有利于后续绘制直观的振纹特征梯度图。
作为一种可选的实施方式,所述根据所述有向邻域位置梯度数值,获取振纹特征梯度图,包括:
统计每一像素点对应的所有相邻的像素点的相对梯度大小,并将梯度数值基于从大到小的关系进行排序;
取排序数值中最大的数值作为任意像素点所在的梯度值,基于所述灰度图像所有像素点梯度的关系,获得振纹特征梯度图。
在本实施方式中,例如通过对中心像素点对应的8个位置像素点的梯度大小进行排序,将排序数值中最大的数值作为任意一像素点(i,j)所在的梯度值,并基于灰度图像所有像素点梯度的关系,即可获得振纹特征梯度图,通过振纹特征梯度图,从而可更加直观地描述振纹特征。
作为一种可选的实施方式,所述根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线,包括:
对全局梯度值按照从小到大的方式进行排序;
建立二维笛卡尔坐标系,坐标系中X轴与Y轴的交点均从0开始,以梯度值的最大值为X轴的最大值,以排序中梯度值最多像素点数为Y轴的最大值,坐标的最小分度为1梯度;
将所有梯度值与对应的像素点数绘制到建立的所述二维笛卡尔坐标系中,以得到所有点阵数据;
将所有的所述点阵数据以最近邻梯度数值为准则进行首尾连接,以得到振纹图像全局主梯度分布变化曲线。
在本实施方式中,通过建立二维笛卡尔坐标系,结合梯度值排序关系以及对应的像素点数,即可得到点阵数据,将所有的点阵数据以最近邻梯度数值为准则进行首尾连接,即可实现振纹图像全局主梯度分布变化曲线的绘制,通过振纹图像全局主梯度分布变化曲线,可方便后续找出3个关键点。
作为一种可选的实施方式,所述根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值,包括:
获取所述振纹图像全局主梯度分布变化曲线中的两个波峰位置,两所述波峰位置对应的主梯度数值分别用Tgrad left和Tmid right表示,两波峰位置之间存在一个波谷位置,所述波谷位置用Tgrad left-right表示;其中,Tgrad left表示灰度图像中非振纹区域特征随机分布的像素点对应的主梯度方向,Tgrad right表示灰度图像中振纹区域特征由规律分布的像素点对应的主梯度方向;Tgrad left-right可表示灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向;
以灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向为梯度阈值对全局梯度值进行滤波,以得到仅包含振纹特征区域的主梯度;
对滤波处理后所有的保留梯度构建含有角度容许偏差threshold angle的有向梯度族angle Ci;
根据所述有向梯度族angle Ci的角度关系,构建角度偏差分析策略,以获得振纹分布及变化剧烈程度图像;
根据所述振纹分布及变化剧烈程度图像,获得振纹特征描述特征值。
在本实施方式中,分析主梯度分布变化曲线可以找到两个波峰位置,在两波峰之间存在一个波谷位置点,对于Tgrad left可理解为在钛合金图像中背景区域(非振纹区域)特征随机分布的像素点对应的主梯度方向;对于Tgrad right可理解为在钛合金图像中振纹区域特征由规律分布的像素点对应的主梯度方向;Tgrad left-right可理解为在钛合金图像中背景区域与振纹区域的过渡区域分布的像素点对应的主梯度方向,然后进行滤波处理,即可得到仅包含振纹特征区域的主梯度,最后根据有向梯度族angle Ci的角度关系,进行角度偏差分析,从而可获得振纹分布及变化剧烈程度图像,根据该程度图像,可有效获取振纹特征描述特征值,即实现了对振纹特征的有效描述。
作为一种可选的实施方式,所述根据所述有向梯度族angle Ci的角度关系,构建角度偏差分析策略,以获得振纹分布及变化剧烈程度图像,包括:
判断对应像素点是否满足角度关系,若满足,则计算满足角度关系的像素点对应的欧式距离数值L pixel与设定阈值threshold L的关系,若L pixel≤threshold L,则判断的像素点满足有向梯度族关系,可构成同一有向梯度族;其中,角度关系为:若任意像素点的梯度指向二维笛卡尔坐标系中同一轴向(X轴或Y轴)的正负夹角小于等于角度容许偏差threshold angle,则该像素点可与该轴向构成潜在的有向梯度族;以指向X轴正向的梯度为例,若任意一点的梯度指向同X的正负夹角小于等于threshold angle则该点可与X轴构成潜在的有向梯度族;该步骤即为角度偏差分析策略,实现了对具有倾斜角度差异的振纹同样具有较好的描述能力;
设定有向梯度族包含像素点阈值threshold point,对有向梯度族中小于等于阈值threshold point的有向梯度族区域,仅保留大于等于阈值threshold point的像素点数对应的有向梯度族;
计算每个有向梯度族中所有像素点在原灰度图像中对应的X、Y值,并新建一副同原灰度图像等尺度的单通道灰度图像gray1;
在所述单通道灰度图像gray1中将所有族中对应的像素点进行灰度赋值,族中对应的像素点灰度值为255,而单通道图像的背景灰度值为0;
在灰度图像gray1中用有向箭头,长度为1进行绘制,以获得表面振纹分布及变化剧烈程度图像。
在本实施方式中,限定了角度关系的具体定义,基于该角度关系,可筛选出满足角度关系的像素点,再判断这些像素点是否满足欧式距离数值L pixel与设定阈值threshold L的关系,若满足有向梯度族关系,从而可构成同一有向梯度族,按照上述步骤依次处理完所有的像素点,若存在同一像素点梯度属于多个族的情况,每一个族具有不同的像素点数,则该像素以其所属族中点数最多的点所在的族为所属族,若存在两个或多个满足的所属族,以距离最近为原则将该点划分为所属有向梯度族,从而实现像素点梯度的同族划分;然后设定有向梯度族包含像素点阈值threshold point,筛选出大于等于阈值threshold point的像素点数对应的有向梯度族,将筛选出的有向梯度族计算其像素点在原灰度图像中对应的X、Y值,重新建立单通道灰度图像gray1,在该灰度图像gray1有向箭头,长度为1进行绘制,即可获得表面振纹分布及变化剧烈程度图像,根据该表面振纹分布及变化剧烈程度图像,可直观获取振纹特征描述特征值。
作为一种可选的实施方式,所述振纹特征描述特征值包括箭头分布的密度density、箭头朝向angle、箭头数量number、振纹长度length和振纹宽度width。
作为一种可选的实施方式,所述根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析,包括:
根据所述振纹特征描述特征值,构建钛合金表面质量评价函数;
根据所述钛合金表面质量评价函数,对钛合金件表面振纹进行检测分析;
其中,所述钛合金表面质量评价函数的表达式为:
式中,max width表示振纹宽度width方向对应的振纹最大长度参数;img width表示灰度图像的宽度,用于对max width的归一化;img length表示灰度图像的长度;ratio表示振纹的长宽比;length density表示振纹长度length方向对应的振纹族密度;weight width表示振纹宽度所占的权重;weight length表示振纹长度所占的权重;weight ratio表示振纹宽度与振纹长度比值所占的权重。
在本实施方式中,构建了钛合金表面质量评价函数的表达式,有可有效且准确地指导对钛合金件或其他材料的表面振纹分析与检测,只需要根据实际生产需要设计对应的阈值参数,即可完成基于图像的钛合金表面质量评价,具有同行业深刻的指导意义。
作为一种可选的实施方式,所述以灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向为梯度阈值对全局梯度值进行滤波,以得到仅包含振纹特征区域的主梯度的步骤中,所述滤波的方法为:
去除小于等于Tgrad left-right梯度的数值,仅保留大于Tgrad left-right梯度的数值。
作为一种可选的实施方式,所述获取钛合金件具有振纹特征的表面图像,包括:
采用相机获取钛合金件具有振纹特征的表面图像;其中,所述相机的光源采用环形薄膜白色亚光膜以制造漫反射补光,所述相机的扫描方式为面阵扫描。
在本实施方式中,可采用定焦距分辨率为200万像素的相机获取图像大小为1920*1080pixel 的钛合金表面图像,采用环形薄膜白色亚光膜制造漫反射补光,以避免出现镜面反射导致钛合金表面特征无法准确描述的问题,相机的扫描方式为面阵扫描,相机的各个参数(增益、曝光量、白平衡)为固定值。
实施例2
基于与前述实施例相同的发明思路,本实施例提供一种零件表面质量检测装置,包括:
图像采集模块,用于获取钛合金件具有振纹特征的表面图像;
图像降维模块,用于对所述表面图像进行降维处理,以获得灰度图像;
梯度图构建模块,用于根据降维后的灰度图像,获取振纹特征梯度图;
曲线构建模块,用于根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线;
特征值获取模块,用于根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值;
检测分析模块,用于根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析。
本实施例的装置中各模块的相关解释和举例可参照前述实施例的方法,这里不再赘述。
实施例3
基于与前述实施例相同的发明思路,本实施例提供一种计算机设备,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现实施例1中所述的方法。
实施例4
基于与前述实施例相同的发明思路,本实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现实施例1中所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (14)
1.一种零件表面质量检测方法,其特征在于,包括以下步骤:
获取钛合金件具有振纹特征的表面图像;
对所述表面图像进行降维处理,以获得灰度图像;
根据降维后的所述灰度图像,获取振纹特征梯度图;
根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线;
根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值;
根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析;
所述根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值,包括:
获取所述振纹图像全局主梯度分布变化曲线中的两个波峰位置,两所述波峰位置对应的主梯度数值分别用Tgrad left和Tmid right表示,两波峰位置之间存在一个波谷位置,所述波谷位置用Tgrad left-right表示;其中,Tgrad left表示灰度图像中非振纹区域特征随机分布的像素点对应的主梯度方向,Tgrad right表示灰度图像中振纹区域特征由规律分布的像素点对应的主梯度方向;Tgrad left-right表示灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向;
以灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向为梯度阈值对全局梯度值进行滤波,以得到仅包含振纹特征区域的主梯度;
对滤波处理后所有的保留梯度构建含有角度容许偏差threshold angle的有向梯度族angle Ci;
根据所述有向梯度族angle Ci的角度关系,构建角度偏差分析策略,以获得振纹分布及变化剧烈程度图像;
根据所述振纹分布及变化剧烈程度图像,获得振纹特征描述特征值;
所述根据所述有向梯度族angle Ci的角度关系,构建角度偏差分析策略,以获得振纹分布及变化剧烈程度图像,包括:
判断对应像素点是否满足角度关系,若满足,则计算满足角度关系的像素点对应的欧式距离数值L pixel与设定阈值threshold L的关系,若L pixel≤threshold L,则判断的像素点满足有向梯度族关系,构成同一有向梯度族;其中,角度关系为:若任意像素点的梯度指向二维笛卡尔坐标系中同一轴向的正负夹角小于等于角度容许偏差threshold angle,则该像素点与该轴向构成潜在的有向梯度族;
设定有向梯度族包含像素点阈值threshold point,对有向梯度族中小于等于阈值threshold point的有向梯度族区域,仅保留大于等于阈值threshold point的像素点数对应的有向梯度族;
计算每个有向梯度族中所有像素点在原灰度图像中对应的X、Y值,并新建一副同原灰度图像等尺度的单通道灰度图像gray1;
在所述单通道灰度图像gray1中将所有族中对应的像素点进行灰度赋值,族中对应的像素点灰度值为255,而单通道图像的背景灰度值为0;
在灰度图像gray1中用有向箭头,长度为1进行绘制,以获得表面振纹分布及变化剧烈程度图像。
2.如权利要求1所述的一种零件表面质量检测方法,其特征在于,所述对所述表面图像进行降维处理,以获得灰度图像,包括:
获取所述表面图像中各个通道灰度的均值,所述均值视为对应位置的像素点的灰度数值;
基于逐行、逐列迭代的方式将所有位置的像素点进行均值降维处理,迭代处理的方式为先列再行的方式,以获得每一像素点的灰度范围在0-255之间的单通道灰度图像。
3.如权利要求1或2所述的一种零件表面质量检测方法,其特征在于,所述根据降维后的所述灰度图像,获取振纹特征梯度图,包括:
根据降维后的灰度图像,获取图像中每一像素点对应的有向邻域位置梯度数值;
根据所述有向邻域位置梯度数值,获取振纹特征梯度图。
4.如权利要求3所述的一种零件表面质量检测方法,其特征在于,所述根据降维后的灰度图像,获取图像中每一像素点对应的有向邻域位置梯度数值,包括:
获取降维后的灰度图像中任意一个像素点与之相邻且具有1个像素棋盘距离的像素点;
计算相邻的像素点对应的有向邻域位置梯度数值。
5.如权利要求4所述的一种零件表面质量检测方法,其特征在于,所述根据所述有向邻域位置梯度数值,获取振纹特征梯度图,包括:
统计每一像素点对应的所有相邻的像素点的相对梯度大小,并将梯度数值基于从大到小的关系进行排序;
取排序数值中最大的数值作为任意像素点所在的梯度值,基于所述灰度图像所有像素点梯度的关系,获得振纹特征梯度图。
6.如权利要求5所述的一种零件表面质量检测方法,其特征在于,所述根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线,包括:
对全局梯度值按照从小到大的方式进行排序;
建立二维笛卡尔坐标系,坐标系中X轴与Y轴的交点均从0开始,以梯度值的最大值为X轴的最大值,以排序中梯度值最多像素点数为Y轴的最大值,坐标的最小分度为1梯度;
将所有梯度值与对应的像素点数绘制到建立的所述二维笛卡尔坐标系中,以得到所有点阵数据;
将所有的所述点阵数据以最近邻梯度数值为准则进行首尾连接,以得到振纹图像全局主梯度分布变化曲线。
7.如权利要求6所述的一种零件表面质量检测方法,其特征在于,所述振纹特征描述特征值包括箭头分布的密度density、箭头朝向angle、箭头数量number、振纹长度length和振纹宽度width。
8.如权利要求7所述的一种零件表面质量检测方法,其特征在于,所述根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析,包括:
根据所述振纹特征描述特征值,构建钛合金表面质量评价函数;
根据所述钛合金表面质量评价函数,对钛合金件表面振纹进行检测分析。
9.如权利要求8所述的一种零件表面质量检测方法,其特征在于,所述钛合金表面质量评价函数的表达式为:
式中,max width表示振纹宽度width方向对应的振纹最大长度参数;img width表示灰度图像的宽度,用于对max width的归一化;img length表示灰度图像的长度;ratio表示振纹的长宽比;length density表示振纹长度length方向对应的振纹族密度;weight width表示振纹宽度所占的权重;weight length表示振纹长度所占的权重;weight ratio表示振纹宽度与振纹长度比值所占的权重。
10.如权利要求6所述的一种零件表面质量检测方法,其特征在于,所述以灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向为梯度阈值对全局梯度值进行滤波,以得到仅包含振纹特征区域的主梯度的步骤中,所述滤波的方法为:
去除小于等于Tgrad left-right梯度的数值,仅保留大于Tgrad left-right梯度的数值。
11.如权利要求1所述的一种零件表面质量检测方法,其特征在于,所述获取钛合金件具有振纹特征的表面图像,包括:
采用相机获取钛合金件具有振纹特征的表面图像;其中,所述相机的光源采用环形薄膜白色亚光膜以制造漫反射补光,所述相机的扫描方式为面阵扫描。
12.一种零件表面质量检测装置,其特征在于,包括:
图像采集模块,用于获取钛合金件具有振纹特征的表面图像;
图像降维模块,用于对所述表面图像进行降维处理,以获得灰度图像;
梯度图构建模块,用于根据降维后的灰度图像,获取振纹特征梯度图;
曲线构建模块,用于根据所述振纹特征梯度图,获取振纹图像全局主梯度分布变化曲线;
特征值获取模块,用于根据所述振纹图像全局主梯度分布变化曲线,构建角度偏差分析策略,以获取振纹特征描述特征值,包括:获取所述振纹图像全局主梯度分布变化曲线中的两个波峰位置,两所述波峰位置对应的主梯度数值分别用Tgrad left和Tmid right表示,两波峰位置之间存在一个波谷位置,所述波谷位置用Tgrad left-right表示;其中,Tgrad left表示灰度图像中非振纹区域特征随机分布的像素点对应的主梯度方向,Tgrad right表示灰度图像中振纹区域特征由规律分布的像素点对应的主梯度方向;Tgrad left-right表示灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向;以灰度图像中非振纹区域与振纹区域的过渡区域分布的像素点对应的主梯度方向为梯度阈值对全局梯度值进行滤波,以得到仅包含振纹特征区域的主梯度;对滤波处理后所有的保留梯度构建含有角度容许偏差threshold angle的有向梯度族angle Ci;根据所述有向梯度族angle Ci的角度关系,构建角度偏差分析策略,以获得振纹分布及变化剧烈程度图像;根据所述振纹分布及变化剧烈程度图像,获得振纹特征描述特征值;
所述根据所述有向梯度族angle Ci的角度关系,构建角度偏差分析策略,以获得振纹分布及变化剧烈程度图像,包括:判断对应像素点是否满足角度关系,若满足,则计算满足角度关系的像素点对应的欧式距离数值L pixel与设定阈值threshold L的关系,若L pixel≤threshold L,则判断的像素点满足有向梯度族关系,构成同一有向梯度族;其中,角度关系为:若任意像素点的梯度指向二维笛卡尔坐标系中同一轴向的正负夹角小于等于角度容许偏差threshold angle,则该像素点与该轴向构成潜在的有向梯度族;设定有向梯度族包含像素点阈值threshold point,对有向梯度族中小于等于阈值threshold point的有向梯度族区域,仅保留大于等于阈值threshold point的像素点数对应的有向梯度族;计算每个有向梯度族中所有像素点在原灰度图像中对应的X、Y值,并新建一副同原灰度图像等尺度的单通道灰度图像gray1;在所述单通道灰度图像gray1中将所有族中对应的像素点进行灰度赋值,族中对应的像素点灰度值为255,而单通道图像的背景灰度值为0;在灰度图像gray1中用有向箭头,长度为1进行绘制,以获得表面振纹分布及变化剧烈程度图像;
检测分析模块,用于根据所述振纹特征描述特征值,对钛合金件表面振纹进行检测分析。
13.一种计算机设备,其特征在于,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如权利要求1-11中任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现如权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522925.1A CN116309547B (zh) | 2023-05-10 | 2023-05-10 | 一种零件表面质量检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522925.1A CN116309547B (zh) | 2023-05-10 | 2023-05-10 | 一种零件表面质量检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309547A CN116309547A (zh) | 2023-06-23 |
CN116309547B true CN116309547B (zh) | 2023-09-19 |
Family
ID=86826073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310522925.1A Active CN116309547B (zh) | 2023-05-10 | 2023-05-10 | 一种零件表面质量检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309547B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1947035A (zh) * | 2004-09-30 | 2007-04-11 | 索尼株式会社 | 光学片材、背光装置和液晶显示设备 |
DE102012020688A1 (de) * | 2012-10-22 | 2014-04-24 | INPRO Innovationsgesellschaft für fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH | Verfahren zum berührungslosen Erfassen und Analysieren von Rattermarken in einer sich in Umfangsrichtung erstreckenden feingeschliffenen Oberfläche eines Werkstücks |
CN108746782A (zh) * | 2018-05-29 | 2018-11-06 | 成都飞机工业(集团)有限责任公司 | 一种高精度悬空腹板的铣削方法 |
CN109557875A (zh) * | 2018-12-03 | 2019-04-02 | 东北大学 | 含分数阶项的双圆磨削再生颤振数值分析方法 |
CN110091217A (zh) * | 2019-04-29 | 2019-08-06 | 长沙理工大学 | 一种基于机器视觉的车削颤振加速度采集系统及方法 |
CN110554052A (zh) * | 2019-10-12 | 2019-12-10 | 南宁市威锐康商贸有限公司 | 一种人造板表面缺陷检测方法及其系统 |
CN111695582A (zh) * | 2019-04-10 | 2020-09-22 | 燕山大学 | 一种颤振纹理的检测方法及其装置 |
CN112529099A (zh) * | 2020-12-24 | 2021-03-19 | 华中科技大学 | 一种机器人铣削加工颤振辨识方法 |
CN114240942A (zh) * | 2022-02-25 | 2022-03-25 | 武汉市雷成龙液压机械有限公司 | 一种基于图像处理的金属零件表面质量控制方法及系统 |
CN114705686A (zh) * | 2022-03-21 | 2022-07-05 | 佛山科学技术学院 | 圆柱锅表面缺陷检测方法、系统、控制器及工控机 |
CN115308223A (zh) * | 2022-07-21 | 2022-11-08 | 上海大众动力总成有限公司 | 一种适合各种类型金属表面缺陷的检测方法、系统 |
-
2023
- 2023-05-10 CN CN202310522925.1A patent/CN116309547B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1947035A (zh) * | 2004-09-30 | 2007-04-11 | 索尼株式会社 | 光学片材、背光装置和液晶显示设备 |
DE102012020688A1 (de) * | 2012-10-22 | 2014-04-24 | INPRO Innovationsgesellschaft für fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH | Verfahren zum berührungslosen Erfassen und Analysieren von Rattermarken in einer sich in Umfangsrichtung erstreckenden feingeschliffenen Oberfläche eines Werkstücks |
CN108746782A (zh) * | 2018-05-29 | 2018-11-06 | 成都飞机工业(集团)有限责任公司 | 一种高精度悬空腹板的铣削方法 |
CN109557875A (zh) * | 2018-12-03 | 2019-04-02 | 东北大学 | 含分数阶项的双圆磨削再生颤振数值分析方法 |
CN111695582A (zh) * | 2019-04-10 | 2020-09-22 | 燕山大学 | 一种颤振纹理的检测方法及其装置 |
CN110091217A (zh) * | 2019-04-29 | 2019-08-06 | 长沙理工大学 | 一种基于机器视觉的车削颤振加速度采集系统及方法 |
CN110554052A (zh) * | 2019-10-12 | 2019-12-10 | 南宁市威锐康商贸有限公司 | 一种人造板表面缺陷检测方法及其系统 |
CN112529099A (zh) * | 2020-12-24 | 2021-03-19 | 华中科技大学 | 一种机器人铣削加工颤振辨识方法 |
CN114240942A (zh) * | 2022-02-25 | 2022-03-25 | 武汉市雷成龙液压机械有限公司 | 一种基于图像处理的金属零件表面质量控制方法及系统 |
CN114705686A (zh) * | 2022-03-21 | 2022-07-05 | 佛山科学技术学院 | 圆柱锅表面缺陷检测方法、系统、控制器及工控机 |
CN115308223A (zh) * | 2022-07-21 | 2022-11-08 | 上海大众动力总成有限公司 | 一种适合各种类型金属表面缺陷的检测方法、系统 |
Non-Patent Citations (4)
Title |
---|
Jiangang Lin 等.Surface defect detection of machined parts based on machining texture direction.《Measurement Science and Technology》.2020,第32卷1-13. * |
Michał Szydłowski 等.Chatter detection algorithm based on machine vision.《The International Journal of Advanced Manufacturing Technology》.2011,517-528. * |
冯东海.基于计算机视觉的薄壁件铣削颤振在线监测.《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》.2019,(第5期),B022-524. * |
李茂月 等.薄壁件铣削加工颤振的图像特征提取与识别.《吉林大学学报》.2022,第52卷(第2期),425-432. * |
Also Published As
Publication number | Publication date |
---|---|
CN116309547A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087274B (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
US10115035B2 (en) | Vision system and analytical method for planar surface segmentation | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN107369159B (zh) | 基于多因素二维灰度直方图的阈值分割方法 | |
US20210150700A1 (en) | Defect detection device and method | |
CN110009667B (zh) | 基于罗德里格斯变换的多视点云全局配准方法 | |
KR102073468B1 (ko) | 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법 | |
CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN112465809A (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
WO2020037572A1 (zh) | 检测图像上的亮斑的方法和装置、图像配准方法和装置 | |
CN108876850A (zh) | 一种pcb板打孔定位方法 | |
CN112767497A (zh) | 基于圆形标定板的高鲁棒性标定装置及定位方法 | |
CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及系统 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN115861351A (zh) | 边缘检测方法、缺陷检测方法及检测装置 | |
CN111256607B (zh) | 一种基于三通道标志点的变形测量方法 | |
CN114187267B (zh) | 基于机器视觉的冲压件缺陷检测方法 | |
CN112819842B (zh) | 适用于工件质检的工件轮廓曲线拟合方法、装置及介质 | |
CN116309547B (zh) | 一种零件表面质量检测方法、装置、设备及介质 | |
CN110310239B (zh) | 一种基于特性值拟合消除光照影响的图像处理方法 | |
CN116385356A (zh) | 一种基于激光视觉的正六边形孔特征的提取方法和系统 | |
CN115861220A (zh) | 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统 | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
CN113808129A (zh) | 易混淆缺陷的有效检测方法 | |
CN111667429A (zh) | 一种巡检机器人目标定位校正方法 |
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 |