CN116309561B - 一种基于防漏电绝缘材料的表面缺陷识别方法 - Google Patents
一种基于防漏电绝缘材料的表面缺陷识别方法 Download PDFInfo
- Publication number
- CN116309561B CN116309561B CN202310552958.0A CN202310552958A CN116309561B CN 116309561 B CN116309561 B CN 116309561B CN 202310552958 A CN202310552958 A CN 202310552958A CN 116309561 B CN116309561 B CN 116309561B
- Authority
- CN
- China
- Prior art keywords
- defect
- edge
- window
- detection
- preset
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 323
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000011810 insulating material Substances 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 129
- 230000000739 chaotic effect Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 14
- 230000002950 deficient Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012163 sequencing technique 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于防漏电绝缘材料的表面缺陷识别方法。本方法通过将绝缘毯灰度图像均分为检测窗口,并根据灰度分布获得纹理方向和标准窗口;根据检测窗口与标准窗口的灰度差异情况获得缺陷窗口和缺陷区域;根据缺陷区域的边缘连接情况获得边缘连接度,根据预设方向与纹理方向的夹角获得调整角度权重,根据缺陷区域中缺陷窗口的混乱程度获得局部混乱分布指标,并结合边缘连接度和调整角度权重获得预设方向下的边缘权重;最终根据边缘权重获得优化缺陷边缘图像并对缺陷进行分类识别。本发明通过图像处理,综合多指标对缺陷区域边缘特征分析,获得更清晰准确的缺陷边缘图像,使缺陷识别更精确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于防漏电绝缘材料的表面缺陷识别方法。
背景技术
绝缘毯又称为绝缘胶垫是一种防漏电绝缘材料,是具有较大体积电阻率和耐电击穿作用的胶垫,常用于配电工作场合台面或铺地等的绝缘材料,绝缘毯可以保证电力工作人员的生命安全,使在电力设备的维护过程更安全可靠,因此绝缘毯的质量问题也备受重视,在绝缘毯存在质量问题或产生损坏缺陷时,需要及时处理或更换,以保证使用安全。
在现有的相关检测技术中,在通过多方向优化边缘图像时,仅考虑了区域缺陷的边缘走向和边缘连接程度,但并未综合考虑区域缺陷中缺陷的复杂性和纹理特征的影响,使最终缺陷边缘图像并不准确清晰,进而影响后续缺陷识别,使缺陷识别误差较大。
发明内容
为了解决现有技术中获取缺陷边缘图像不准确清晰,使缺陷识别误差大的技术问题,本发明的目的在于提供一种基于防漏电绝缘材料的表面缺陷识别方法,所采用的技术方案具体如下:
本发明提供了一种基于防漏电绝缘材料的表面缺陷识别方法,所述方法包括:
获取绝缘毯灰度图像,将所述绝缘毯灰度图像均分为预设尺寸大小的检测窗口;根据所述检测窗口中不同预设方向的灰度值分布情况获得纹理方向和标准窗口;
根据每个检测窗口与标准窗口在不同预设方向下的灰度值混乱程度差异从检测窗口中筛选出缺陷窗口,根据每个所述缺陷窗口的局部分布情况获得缺陷区域;
任选一个预设方向作为参考方向,根据所述缺陷区域的边缘轮廓在参考方向下的连续连接情况,获得缺陷区域在参考方向下的边缘连接度;根据参考方向与所述纹理方向的夹角获得调整角度权重;根据缺陷区域中每个缺陷窗口的局部混乱程度,获得缺陷区域在参考方向下的局部混乱方向指标;根据调整角度权重、边缘连接度和局部混乱方向指标获得缺陷区域在参考方向下的边缘权重;
根据缺陷区域中每个预设方向下的边缘权重结合边缘检测获得优化缺陷边缘图像,根据所有优化缺陷边缘图像中缺陷边缘的形状特征进行缺陷分类识别。
进一步地,所述纹理方向的获取方法包括:
获得检测窗口在不同预设方向下灰度共生矩阵的熵值作为方向熵值,将每个检测窗口中方向熵值为最小时对应的预设方向作为初步纹理方向,将所有检测窗口中初步纹理方向数量最多的方向作为纹理方向。
进一步地,所述根据每个检测窗口与标准窗口在不同预设方向下的灰度值混乱程度差异从检测窗口中筛选出缺陷窗口,包括:
将每个检测窗口中不同预设方向下的方向熵值按照从大到小的顺序排列,并将对应预设方向进行标号;将检测窗口与标准窗口在同一预设方向下的序号差值绝对值与预设偏差系数相加,获得每个检测窗口在对应预设方向下的程度偏差值;根据检测窗口与标准窗口在同一预设方向下对应方向熵值比值作为每个检测窗口在对应预设方向下的灰度分布指标;
在每个检测窗口中,将每个预设方向下所述程度偏差值与对应所述灰度分布指标相乘,获得每个预设方向的单方向灰度分布差异度;将每个检测窗口中所有预设方向对应的所述单方向灰度分布差异度相加,获得检测窗口的灰度分布差异度;
将所述灰度分布差异度大于预设缺陷阈值的检测窗口作为缺陷窗口。
进一步地,所述根据每个所述缺陷窗口的局部分布情况获得缺陷区域,包括:
任选一个缺陷窗口作为参考缺陷窗口,将在参考缺陷窗口预设邻域范围内的所有缺陷窗口作为局部缺陷窗口;遍历获得所有所述局部缺陷窗口的局部缺陷窗口,直至无法获得新局部缺陷窗口时停止遍历,将参考缺陷窗口和所有局部缺陷窗口作为一个缺陷区域。
进一步地,所述边缘连接度的获取方法包括:
在参考方向下,统计缺陷区域的边缘轮廓中不同的边缘连续长度及不同边缘连续长度对应的边缘数量;
任选一种边缘连续长度作为检测长度,将归一化的检测长度与对应边缘数量的一半相乘,获得检测长度的连接度,将所有边缘连接长度的连接度相加获得参考方向下的边缘连接度。
进一步地,所述根据参考方向与所述纹理方向的夹角获得调整角度权重,包括:
将参考方向与所述纹理方向的夹角进行负相关映射并归一化处理,获得参考方向对应的调整角度权重。
进一步地,所述局部混乱方向指标的获取方法包括:
在缺陷区域中,当缺陷窗口中最大方向熵值对应的方向为参考方向时,将缺陷窗口作为目标窗口,将目标窗口的数量作为参考方向对应的缺陷方向数量;将归一化处理后的缺陷方向数量作为参考方向的局部混乱方向指标。
进一步地,所述边缘权重的获取方法包括:
将归一化的边缘连接度与调整角度权重相乘,获得参考方向下的初步整体边缘权重;
对参考方向下的局部混乱方向指标采用计数保留法,获得整体边缘调整系数;对负相关映射的局部混乱方向指标采用计数保留法,获得局部边缘调整系数;
将整体边缘调整系数与初步整体边缘权重相乘,获得整体边缘权重;将局部边缘调整系数与局部混乱方向指标相乘,获得局部边缘权重;将局部边缘权重与整体边缘权重相加获得参考方向下的边缘权重。
进一步地,所述标准窗口的获取方法包括:
计算所有检测窗口中灰度值的极差,若极差最小的检测窗口仅有一个时,将对应检测窗口作为标准窗口;若极差最小的检测窗口有两个及以上时,计算极差最小的检测窗口中灰度值的方差,将方差最小的检测窗口作为标准窗口。
进一步地,所述根据缺陷区域中每个预设方向下的边缘权重结合边缘检测获得优化缺陷边缘图像,根据所有优化缺陷边缘图像中缺陷边缘的形状特征进行缺陷分类识别,包括:
将缺陷区域每个预设方向下归一化后的边缘权重作为加权系数结合形态学边缘检测算子,获得缺陷边缘图像;采用最大类间方差法获得缺陷边缘二值图像,对缺陷边缘二值图像采用闭运算获得优化缺陷边缘图像;
获取所有所述优化缺陷边缘图像中缺陷边缘的几何特征作为缺陷特征;将缺陷特征输入训练好的采用高斯核函数的支持向量机中,输出缺陷分类识别的结果。
本发明具有如下有益效果:
本发明将绝缘毯灰度图像均分为预设尺寸大小的检测窗口,并根据灰度值的分布情况获得纹理方向及标准窗口,进一步根据标准窗口和检测窗口中灰度值的混乱差异筛选出缺陷窗口获得缺陷区域,通过与标准窗口的差异性初步确定缺陷区域,相比直接提取缺陷准确性更高,缺陷区域包含缺陷部分的可靠性更强。通过对缺陷区域的边缘轮廓分布边缘的连续连接性分析,获得边缘连接度,从缺陷整体边缘连接变化判断不同预设方向的所需边缘权重,通过不同预设方向与纹理方向的夹角,考虑纹理特征对优化边缘的影响获得调整角度权重,使得到的边缘图像更清晰,减少本身图像特征的影响,进一步根据缺陷区域中所有缺陷窗口的局部混乱程度,对局部方向进行分析获得局部混乱方向指标,进一步调整整体边缘的连接程度,使最终对缺陷边缘图像的优化效果更佳,得到的边缘更准确,最终通过调整角度权重结合边缘连接性和局部混乱方向指标获得不同预设方向的边缘权重,根据边缘权重获得优化缺陷边缘图像,并通过优化缺陷边缘图像中缺陷边缘的形状特征进行缺陷识别分类,通过更清晰准确的边缘图像得到更准确的缺陷识别结果。
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防漏电绝缘材料的表面缺陷识别方法流程图;
图2为本发明一个实施例所提供的一种缺陷区域示意图。
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防漏电绝缘材料的表面缺陷识别方法,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防漏电绝缘材料的表面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防漏电绝缘材料的表面缺陷识别方法流程图,该方法包括以下步骤:
S1:获取绝缘毯灰度图像,将绝缘毯灰度图像均分为预设尺寸大小的检测窗口;根据检测窗口中不同预设方向的灰度值分布情况获得纹理方向和标准窗口。
绝缘毯作为一种防漏电绝缘材料,其表面可能会产生污物、刺伤和划痕等较多缺陷,其中部分缺陷较为集中时,会在一定程度上影响绝缘毯的质量,使绝缘毯的抗电效果受到影响,进而使电气工作人员的生命安全得不到保证,因此为了能够对缺陷部分进行更精准的识别划分,保证绝缘材料的质量安全问题,本发明对绝缘毯表现缺陷部分进行分析,优化获得的缺陷边缘图像,更好地实现缺陷类别的识别。
首先获取绝缘毯表面图像,本发明实施例中,采用工业CCD相机拍摄绝缘毯表面图像,此时绝缘毯表面图像为RGB图像,为了方便后续对缺陷区域的分析,将绝缘毯表面图像通过灰度转换,并进行去噪处理获得绝缘毯灰度图像。需要说明的是,CCD相机拍摄、图像的灰度转换和图像去噪处理均为本领域技术人员熟知的技术手段,在此不做赘述。
在本发明中为了锁定缺陷部分对应的区域,将绝缘毯灰度图像进行均分获得多个窗口,方便对缺陷部分进行提取,具体为:将绝缘毯灰度图像均分为预设尺寸大小的检测窗口,在本发明实施例中,预设尺寸大小为20×20的窗口大小,实施者可根据实际情况进行调整,在此不做限制。需要说明的是,对图像进行均匀划分为本领域技术人员熟知的技术手段,在此不做赘述。
进一步先根据检测窗口中灰度值的分布情况,找到绝缘毯的纹理方向,方便后续对纹理方向的边缘特征进行优化,根据经验可知,纹理方向上像素点灰度值的排列顺序较为规律,可以通过熵值来反映不同预设方向上的灰度分布情况,进而确定纹理方向。
在本发明实施例中,预设方向为0度、90度、45度和135度,具体预设方向实施者可以根据实施情况进行调整,保证预设方向为两个以上方向可以实现对不同方向边缘特征分析,具体设置在此不做限制。获得检测窗口在不同预设方向下灰度共生矩阵的熵值作为方向熵值,每个预设方向均对应一个方向熵值,通过方向熵值反映不同方向上灰度值的分布规律性,将每个检测窗口中方向熵值为最小时对应的预设方向作为初步纹理方向,方向熵值最小时可以理解为在检测窗口中对应方向灰度值变化最规律的方向,因此初步纹理方向是根据每个检测窗口判断的,将所有检测窗口中初步纹理方向数量最多的方向作为纹理方向,由于正常部分是多于缺陷部分的,因此综合所有检测窗口的初步纹理方向得到的纹理方向是符合绝缘毯纹理特征的,准确性较强。需要说明的是,若缺陷部分较多时,可直接通过人工筛选出来进行替换,无需再进行缺陷识别分析增加检测效率,因此在此不考虑缺陷部分较多的情景,对于构建灰度共生矩阵和求熵值均为本领域技术人员熟知的技术手段,在此不做赘述。
为了方便后续区分出缺陷区域,可根据检测窗口中灰度值的分布情况得到一个属于正常部分的标准窗口,方便后续进行差异判断,优选地,计算所有检测窗口中灰度值的极差进行初步判断,极差可以反映窗口中灰度值的变化幅度,对于越可能为缺陷部分的检测窗口,灰度变化幅度更大,因此极差越小,说明对应检测窗口为正常部分的可能性更大,因此当极差最小的检测窗口仅有一个时,说明该检测窗口为最佳窗口,将对应的检测窗口作为标准窗口。而当极差最小的检测窗口有两个及以上时,说明存在多个最佳窗口,此时为了寻找最优标准窗口,进一步计算极差最小的检测窗口中灰度值的方差,通过增加方差这一指标反映窗口中灰度值变化的离散程度,当窗口中灰度值的离散程度越小,说明窗口中包含缺陷的可能性越小,因此进一步选择方差最小的检测窗口作为标准窗口,使得到的标准窗口最优,对后续缺陷区域的筛选更准确。需要说明的是,由于极差和方差在本实施例中已经可以判断出最优标准窗口,因此若出现极小情况,即对应方差最小的检测窗口也为多个时,则任选一个作为标准窗口。
在本发明其他实施例中,也可根据每个检测窗口中对应局部纹理方向的方向熵值判断,将所有检测窗口中对应初步纹理方向的方向熵值最小的检测窗口作为标准窗口,在本发明另一些实施例中,也可选择均值或标准差等指标反映窗口中灰度值的分布情况,进而筛选出标准窗口,在此不做赘述。需要说明的是,灰度值的极差、方差和标准差等均为本领域技术人员熟知的技术手段,在此不做赘述。
至此,完成对纹理方向的和标准窗口的获取,进一步可根据标准窗口分析所有检测窗口筛选出缺陷窗口。
S2:根据每个检测窗口与标准窗口在不同预设方向下的灰度值混乱程度差异从检测窗口中筛选出缺陷窗口,根据每个缺陷窗口的局部分布情况获得缺陷区域。
根据S1中获取的标准窗口对其他检测窗口进行分析,筛选出包含缺陷部分的缺陷窗口,进一步可以根据缺陷窗口获得整体缺陷区域进行分析,由于缺陷窗口中存在缺陷部分,缺陷部分相对于正常部分纹理特征被破坏,灰度值分布更加杂乱,因此分析缺陷窗口中灰度值的混乱程度筛选缺陷窗口。
优选地,将每个检测窗口中不同预设方向下方向熵值按照从大到小的顺序排序,并将对应预设方向进行标号。通过排序标号,对每个检测窗口不同方向的混乱程度进行排列,将检测窗口与标准窗口在同一预设方向下的序号差值绝对值与预设偏差系数相加,获得每个检测窗口在对应预设方向下的程度偏差值。通过程度偏差值反映每个检测窗口的混乱方向偏差程度,即每个检测窗口相对于标准窗口周围纹理的破坏程度,举例而言,检测窗口中的方向熵值按照从大到小排序,对应方向标号为1-4共四个方向,当标准窗口的在一个预设方向下的标号为1,而检测窗口的标号为4,则说明标准窗口方向熵值最大的方向与检测窗口方向熵值最小的方向一致,进一步说明检测窗口混乱方向的偏差更大,检测窗口中纹理被破坏的可能性更大,因此越可能为缺陷窗口,需要说明的是,当检测窗口与标准窗口在预设方向下标号一致时,对应检测窗口也有一定可能存在缺陷,即当序号差值绝对值为0时,混乱程度方向一致但也可能存在缺陷的情况,因此设置预设偏差系数,减小误差,在本发明实施例中,预设偏差系数的数值为0.25。在本发明实施例中,为了以后计算的准确性,程度偏差值的具体表达式为:
式中,表示为检测窗口中对应预设方向下的程度偏差值,表示为标准窗
口中对应预设方向下的序号,表示为检测窗口中对应预设方向下的序号,表示为
预设偏差系数。
其中,为标准窗口与检测窗口在对应预设方向下的序号差值绝
对值,当序号差值绝对值越大,说明检测窗口相对于标准窗口的混乱方向偏差越大,因此程
度偏差值是越大的。
根据检测窗口与标准窗口在同一预设方向下对应方向熵值的比值作为每个检测窗口在对应预设方向下的灰度分布指标,根据灰度分布指标反映在同一预设方向下检测窗口与标准窗口的混乱分布程度,当检测窗口的相对灰度值混乱分布程度越大,说明对应检测窗口越可能为缺陷窗口。进一步在每个检测窗口中,将每个预设方向灰度分布指标与程度偏差值相乘获得每个预设方向的单方向灰度分布差异度,将每个检测窗口的所有方向的单方向灰度分布差异度相加,获得检测窗口的灰度分布差异度,通过灰度分布差异度可以反映每个检测窗口相对于标准窗口的灰度分布混乱程度的差异程度,当检测窗口的灰度分布差异度越大,说明检测窗口与标准窗口差异程度越大,则越可能为缺陷窗口,在本发明实施例中,具体灰度分布差异度的表达式为:
式中,表示为检测窗口的灰度分布差异度,表示为检测窗口中对应预设方
向下的程度偏差值,表示为标准窗口中对应预设方向下的方向熵值,表示为检测窗
口中对应预设方向下的方向熵值,表示为预设方向的总数量。
其中,表示为标准窗口与检测窗口在对应预设方向下的灰度分布指标,通过
乘法的形式结合灰度分布指标和程度偏差值,灰度分布指标与程度偏差值均与灰度分布差
异度呈正相关关系。
当灰度分布差异度越大,说明对应的检测窗口中灰度分布与标准窗口差异越大,则检测窗口越可能为缺陷窗口,因此根据灰度分布差异度筛选缺陷窗口,具体为:将灰度分布差异度大于预设缺陷阈值的检测窗口作为缺陷窗口,在本发明实施例中,预设缺陷阈值为1.1,具体数值实施者可根据具体情况进行调整。
由于缺陷部分的缺陷是不定性的,获得的缺陷窗口可能仅包含缺陷部分的一部分,此时仅对缺陷窗口分析无法反映缺陷部分的边缘特征,因此进一步可根据缺陷窗口的局部分布情况获得缺陷区域,方便对缺陷部分整体进行分析,具体为:任选一个缺陷窗口作为参考缺陷窗口,从参考窗口开始分析,将在参考缺陷窗口预设邻域范围内的所有缺陷窗口作为局部缺陷窗口,遍历获得所有局部缺陷窗口的局部缺陷窗口,即对每个参考缺陷窗口获得的局部缺陷窗口根据参考缺陷窗口获取局部缺陷窗口的过程,获得新的局部缺陷窗口,直至无法获得新局部缺陷窗口时停止遍历,将参考缺陷窗口和所有局部缺陷窗口作为一个缺陷区域。则缺陷区域可以反映出至少一个完整的缺陷部分,请参阅图2,其出示了本发明一个实施例所提供的一种缺陷区域示意图,其中标号①-所处的单个黑色区域为缺陷窗口,如①对应的黑色区域为一个缺陷窗口,由所有标号组成的整体黑色区域为一个缺陷区域。
至此,可根据标准窗口,结合所有检测窗口中的灰度分布情况差异进一步将所有的缺陷窗口筛选出来,通过缺陷窗口的分布情况可获得一个较为完整的缺陷区域。
S3:任选一个预设方向作为参考方向,根据缺陷区域的边缘轮廓在参考方向下的连续连接情况,获得缺陷区域在参考方向下的边缘连接度;根据缺陷区域中每个缺陷窗口的局部混乱程度,获得缺陷区域在参考方向下的局部混乱方向指标;根据参考方向与纹理方向的夹角获得调整角度权重;根据调整角度权重和边缘连接度,结合局部混乱方向指标获得缺陷区域在参考方向下的边缘权重。
本发明主要对不同预设方向下的边缘进行分析,对于边缘延伸方向长和连接程度大的方向给予更多的权重,使得到的缺陷边缘图像更清晰,有利于后续根据缺陷边缘形状进行分析。先对一个预设方向下的边缘特征进行分析,任选一个预设方向作为参考方向,首先根据缺陷区域整体分析,获得缺陷区域在参考方向下的边缘连续连接性。
在本发明实施例中,由于缺陷区域是根据规则大小的缺陷窗口组成的,因此在对缺陷区域中参考方向的边缘进行分析过程中,也是根据缺陷窗口边缘的方向变化进行统计。在参考方向下,统计缺陷区域的边缘轮廓中不同的边缘连续长度及不同边缘连续长度对应的边缘数量,举例而言,在如图2的缺陷区域中,在统计缺陷区域边缘轮廓在90度方向的边缘连续长度及连续长度的数量时,可以看出序号为④、⑦和对应缺陷窗口的边缘存在一条连续长度为3的连续边缘,还存在一条序号为③和⑥对应缺陷窗口边缘组成的连续长度为2的连续边缘,则可以记为90度方向上连续长度为2的边缘长度数量为1,连续长度为3的边缘长度数量为1。
任选一种边缘连续长度作为检测长度,将归一化的检测长度与对应边缘数量的一半相乘,获得检测长度的连接度,将所有边缘连接长度的连接度相加获得参考方向下的边缘连接度。对于检测到的每种边缘连续长度来说,即检测长度来说,通过检测长度可以反映边缘轮廓的连续连接程度,对应的边缘数量则反映对应的检测长度出现的频次,当检测长度越长,对应的边缘数量越多,说明边缘的此种长度处的连接程度越大,进而在参考方向下,边缘连接度是越大的,在本发明实施例中,为了后续计算的准确性,参考方向下的边缘连接度具体表达式为:
式中,表示为对应预设方向下的边缘连接度,表示为缺陷区域在预设
方向下的投影长度,表示为边缘连续长度,表示为边缘连续长度对应的边缘数量。
其中投影长度为缺陷区域在参考方向下,最长可能性的边缘连续长度,举例而言,
在图2中,缺陷区域在90度方向上的投影长度为5,即缺陷区域在90度方向上最长的边缘连
续长度只可能是5。通过对每个边缘连续长度进行归一化,表示边缘连续长
度的连接度,计算所有连接度相加可获得参考方向下的边缘连接度,每种边缘连续长度对
应的连接度越大,则整体边缘连接度越大。
根据边缘连接度可以整体反映边缘在参考方向下的连续连接情况,当边缘连接度越大,说明缺陷部分的边缘整体向参考方向的连续连接性可能越好,在参考方向上应该给予更多的边缘权重。进一步地,考虑到纹理方向对参考方向边缘权重的影响,当参考方向与纹理方向越接近时,增强参考方向边缘检测的结果时,可能会由于增强效果过强,将该方向上部分纹理特征也作为缺陷边缘检测结果出现,使得部分纹理特征也作为缺陷部分进行分析,产生误差。因此通过参考方向与纹理方向的夹角获得调整角度权重,通过调整角度权重进一步减小纹理特征的影响,获得更准确的缺陷边缘图像,调整角度权重的具体获取方法为:将参考方向与纹理方向的夹角进行负相关映射并归一化处理,获得参考方向对应的调整角度权重,在本发明实施例中,调整角度权重的具体表达式为:
式中,表示为预设方向下的调整角度权重,表示为预设方向与纹理方向的夹
角,表示为常数系数,在本发明实施例中设置为45,目的是防止调整角度权重为0,影响边
缘权重调整。
其中,由于夹角的实际角度范围为0度到90度之间,因此通过90对夹角进行负相关映射并归一化处理,当夹角越大,说明参考方向与纹理方向的差距越大,纹理特征的影响本身就较小,则对应调整角度权重也较小。
进一步地,在考虑过纹理特征的影响后,完成对缺陷区域的整体分析,但在获取缺陷区域时,可能存在一部分缺陷由于分布距离较近或缺陷部分较小而被划分为一个缺陷区域的情况,此时缺陷区域对应的缺陷部分可能由于分布的混乱性,使得缺陷区域整体边缘方向的判断产生一定误差,因为对缺陷区域中所有缺陷窗口进一步分析,根据缺陷区域中每个缺陷窗口的局部混乱程度,获得缺陷区域在参考方向下的局部混乱方向指标,通过局部混乱方向指标反映缺陷窗口中混乱缺陷方向与参考方向的一致性,进而对整体分析结果进行调控,具体局部混乱方向指标的获取方法为:在缺陷区域中,统计缺陷窗口中方向熵值最大时对应方向为参考方向的缺陷窗口数量,作为参考方向对应的缺陷方向数量,参考方向对应的缺陷方向数量越大,说明参考方向与缺陷部分的整体方向较为一致,则整体分析的边缘特征可靠性也更强,将归一化处理的缺陷方向数量作为参考方向的局部混乱方向指标。
在综合分析过纹理特征和局部方向特征后,可根据调整角度权重和边缘链接度,结合局部混乱方向指标获得缺陷区域在参考方向下的边缘权重,边缘权重表示为在获取边缘图像时,对应方向上的边缘检测程度,边缘权重越大,则对应方向的边缘检测程度越强,具体边缘权重的获取过程包括:
对参考方向下的局部混乱方向指标采用计数保留法,获得整体边缘调整系数,也即为通过计数保留法对局部混乱方向指标进行调整,得到对整体边缘情况调节的整体边缘调整系数。对负相关映射的局部混乱方向指标采用计数保留法,获得局部边缘调整系数,也即为通过对负相关的局部混乱方向指标调整,作为局部边缘调整系数,调节局部缺陷方向,以保证调节的可靠性更强。
在本发明一个实施例中,选用四舍五入函数作为计数保留法,由于局部混乱方向指标为归一化的值,因此当局部混乱方向指标较大时,即大于等于0.5时,则可以完全考虑边缘整体情况,此时整体边缘调整系数为1,局部边缘调整系数为0,当局部混乱方向指标较小时,即小于0.5时,则说明缺陷局部特征较为明显且不与参考方向一致,此时考虑整体分析结果较差,因此整体边缘调整系数为0,局部边缘调整系数为1。在本发明其他实施例中,也可采用其他计数保留法,例如四舍六入五成双,保留1位小数的四舍五入法或进一法等等,实现通过局部混乱方向的大小对整体边缘权重的调整,在此不做限制。需要说明的是,四舍五入等计数保留法为本领域技术人员熟知的公知技术,在此不做赘述。
将归一化的边缘连接度与调整角度权重相乘,获得参考方向下的初步整体边缘权重,初步整体权重为消减纹理特征影响的反映整体边缘特征的权重。将整体边缘调整系数与初步整体边缘权重相乘,获得整体边缘权重,完成对整体边缘特征的调整。将局部边缘调整系数与局部混乱方向指标相乘,获得局部边缘权重,进一步加强局部混乱方向的影响,提高边缘权重的可信度。将局部边缘权重与整体边缘权重相加获得参考方向下的边缘权重,在本发明实施例中,为了后续计算的准确性,边缘权重的具体表达式为:
式中,表示为预设方向下的边缘权重,表示为对应预设方向下的边缘连
接度,表示为预设方向下的调整角度权重,表示为预设方向下的缺陷方向数量,表示
为缺陷窗口的总数量。表示为四舍五入函数,表示为归一化函数,需要说明
的是,归一化为本领域技术人员熟知的技术手段,归一化函数的选择可以为线性归一化或
标准归一化等,具体的归一化方法在此不做限定。
其中,表示为预设方向下的初步整体边缘权重,表示为预设方
向下的局部混乱方向指标,表示为整体边缘调整系数,表示为局部边
缘调整系数,表示为整体边缘权重,表示为局
部边缘权重,当初步整体边缘权重越大,整体边缘调整系数越大,说明边缘权重越大,边缘
连接度、调整角度权重和局部混乱方向指标均与边缘权重呈正相关关系。
至此,通过对缺陷区域的整体缺陷边缘连接趋势分析,结合纹理特征和缺陷区域中局部混乱程度综合分析可以获得每个预设方向的边缘权重。
S4:根据缺陷区域中每个预设方向下的边缘权重结合边缘检测获得优化缺陷边缘图像,根据所有优化缺陷边缘图像中缺陷边缘的形状特征进行缺陷分类识别。
在本发明实施例中采用形态学边缘算子作为边缘检测的方法,在形态学边缘算子检测边缘图像的方法中可以对多尺度方向下的边缘进行检测,具体在不同方向下检测边缘的表达式为:
式中,表示为预设方向下的边缘检测后的边缘检测图像,表示为绝缘
毯灰度图像,表示为图像中横坐标为纵坐标为对应的像素点,表示为绝缘
毯灰度图像与滤波卷积核的开运算,表示为绝缘毯灰度图像与滤波卷积核的
闭运算,表示为预设方向下的卷积核。需要说明的是,形态学边缘算子的检测方法为公
知的技术手段,因此具体公式的意义在此不做赘述。
本发明实施例中,滤波卷积核与预设方向下的卷积核的构建如下:
其中,由于本发明实施例中预设方向为0度方向,90度方向,45度方向和135度方
向,因此卷积核对应关系为0度方向对应卷积核,45度方向对应卷积核,90度方向对
应卷积核,135度方向对应卷积核。
根据参考方向获得边缘权重的过程,可得到每个预设方向的边缘权重,进一步根据每个预设方向的边缘权重获得缺陷边缘图像,在形态学边缘检测算子进行边缘检测过程中,已经获得每个预设方向的边缘检测图像,进一步在对每个预设方向的边缘检测图像加权融合时,存在加权系数,将边缘权重作为加权系数进行图像融合获得更清晰准确的缺陷边缘图像,具体为:将缺陷区域中每个预设方向下归一化后的边缘权重作为加权系数结合形态学边缘检测算子,获得缺陷边缘图像,在本发明实施例中,对缺陷边缘图像中每个像素点的加权融合公式为:
式中,表示为缺陷边缘图像中横坐标为纵坐标为对应的像素点,表示为
所有预设方向边缘权重的和值,表示为预设方向下的边缘权重,表示为预设方向
下边缘检测图像中横坐标为纵坐标为对应的像素点,表示为预设方向的总数量。需要说
明的是,形态学边缘检测算子进行图像融合为本领域技术人员熟知的公知技术手段,在次
不做赘述。
通过边缘权重的调整可以得到整准确清晰的缺陷边缘图像,为了进一步方便对缺陷边缘形状特征获取,通过最大类间方差法对缺陷边缘图像二值化,获得缺陷边缘二值图像,此时的缺陷边缘二值图像将更清晰准确,由于边缘检测中的边缘通常为连接性不强的边缘段,为了后续可以准确对缺陷进行识别分类,对缺陷边缘二值图像采用闭运算获得优化缺陷边缘图像,对边缘进行连接,将缺陷部分的边缘更平滑,使优化缺陷边缘图像中的形状特征与真实缺陷部分形状更贴近,提高识别准确度。需要说明的是,采用最大类间方差法二值化图像和闭运算连接边缘线均为本领域技术人员熟知的公知技术手段,在此不做赘述。
最终获取所有优化缺陷边缘图像中缺陷边缘的几何特征作为缺陷特征,将缺陷特征输入训练好的采用高斯核函数的支持向量机中,输出缺陷分类识别的结果。在本发明实施例中,获取缺陷部分的几何特征可以包括缺陷部分的面积和周长,也可计算长宽比或圆形度等作为缺陷特征,在此不做限制。需要说明的是,采用高斯核函数的支持向量机对特征数据进行分类的方法,为本领域技术人员熟知的公知技术手段,在此不做赘述。
至此,通过对绝缘毯表面的缺陷部分进行获取分析,通过缺陷部分边缘连接趋势特征,对缺陷边缘图像的获取进行优化,使得缺陷边缘更清晰明确,进而最终的缺陷识别分类更加准确。
综上所述,本发明通过将绝缘毯灰度图像均分为预设尺寸大小的检测窗口,根据检测窗口中灰度值的在不同预设方向下分布情况获得纹理方向和标准窗口;根据每个检测窗口与标准窗口在不同预设方向下的灰度值混乱情况获得缺陷窗口,并根据缺陷窗口的局部分布获得缺陷区域;进一步根据缺陷区域的边缘轮廓的连续连接情况,获得缺陷区域在不同预设方向下的边缘连接度,根据不同预设方向与纹理方向的夹角获得调整角度权重,在根据缺陷区域中缺陷窗口的混乱程度获得不同预设方向下的局部混乱分布指标,通过边缘连接度、调整角度权重和局部混乱分布指标获得不同预设方向下的边缘权重;最终根据边缘权重结合边缘检测获得优化缺陷边缘图像,并进行缺陷分类识别。本发明通过图像处理,综合多指标对缺陷区域不同方向的边缘特征分析,获得更清晰准确的缺陷边缘图像,使缺陷识别更精确。
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。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。
Claims (3)
1.一种基于防漏电绝缘材料的表面缺陷识别方法,其特征在于,所述方法包括:
获取绝缘毯灰度图像,将所述绝缘毯灰度图像均分为预设尺寸大小的检测窗口;根据所述检测窗口中不同预设方向的灰度值分布情况获得纹理方向和标准窗口;
根据每个检测窗口与标准窗口在不同预设方向下的灰度值混乱程度差异从检测窗口中筛选出缺陷窗口,根据每个所述缺陷窗口的局部分布情况获得缺陷区域;
任选一个预设方向作为参考方向,根据所述缺陷区域的边缘轮廓在参考方向下的连续连接情况,获得缺陷区域在参考方向下的边缘连接度;根据参考方向与所述纹理方向的夹角获得调整角度权重;根据缺陷区域中每个缺陷窗口的局部混乱程度,获得缺陷区域在参考方向下的局部混乱方向指标;根据调整角度权重、边缘连接度和局部混乱方向指标获得缺陷区域在参考方向下的边缘权重;
根据缺陷区域中每个预设方向下的边缘权重结合边缘检测获得优化缺陷边缘图像,根据所有优化缺陷边缘图像中缺陷边缘的形状特征进行缺陷分类识别;
所述纹理方向的获取方法包括:
获得检测窗口在不同预设方向下灰度共生矩阵的熵值作为方向熵值,将每个检测窗口中方向熵值为最小时对应的预设方向作为初步纹理方向,将所有检测窗口中初步纹理方向数量最多的方向作为纹理方向;
所述标准窗口的获取方法包括:
计算所有检测窗口中灰度值的极差,若极差最小的检测窗口仅有一个时,将对应检测窗口作为标准窗口;若极差最小的检测窗口有两个及以上时,计算极差最小的检测窗口中灰度值的方差,将方差最小的检测窗口作为标准窗口;
所述根据每个检测窗口与标准窗口在不同预设方向下的灰度值混乱程度差异从检测窗口中筛选出缺陷窗口,包括:
将每个检测窗口中不同预设方向下的方向熵值按照从大到小的顺序排列,并将对应预设方向进行标号;将检测窗口与标准窗口在同一预设方向下的序号差值绝对值与预设偏差系数相加,获得每个检测窗口在对应预设方向下的程度偏差值;根据检测窗口与标准窗口在同一预设方向下对应方向熵值的比值作为每个检测窗口在对应预设方向下的灰度分布指标;
在每个检测窗口中,将每个预设方向下所述程度偏差值与对应所述灰度分布指标相乘,获得每个预设方向的单方向灰度分布差异度;将每个检测窗口中所有预设方向对应的所述单方向灰度分布差异度相加,获得检测窗口的灰度分布差异度;
将所述灰度分布差异度大于预设缺陷阈值的检测窗口作为缺陷窗口;
所述边缘连接度的获取方法包括:
在参考方向下,统计缺陷区域的边缘轮廓中不同的边缘连续长度及不同边缘连续长度对应的边缘数量;
任选一种边缘连续长度作为检测长度,将归一化的检测长度与对应边缘数量的一半相乘,获得检测长度的连接度,将所有边缘连接长度的连接度相加获得参考方向下的边缘连接度;
所述根据参考方向与所述纹理方向的夹角获得调整角度权重,包括:
将参考方向与所述纹理方向的夹角进行负相关映射并归一化处理,获得参考方向对应的调整角度权重;
所述局部混乱方向指标的获取方法包括:
在缺陷区域中,当缺陷窗口中最大方向熵值对应的方向为参考方向时,将缺陷窗口作为目标窗口,将目标窗口的数量作为参考方向对应的缺陷方向数量;将归一化处理后的缺陷方向数量作为参考方向的局部混乱方向指标;
所述边缘权重的获取方法包括:
将归一化的边缘连接度与调整角度权重相乘,获得参考方向下的初步整体边缘权重;
对参考方向下的局部混乱方向指标采用计数保留法,获得整体边缘调整系数;对负相关映射的局部混乱方向指标采用计数保留法,获得局部边缘调整系数;
将整体边缘调整系数与初步整体边缘权重相乘,获得整体边缘权重;将局部边缘调整系数与局部混乱方向指标相乘,获得局部边缘权重;将局部边缘权重与整体边缘权重相加获得参考方向下的边缘权重。
2.根据权利要求1所述的一种基于防漏电绝缘材料的表面缺陷识别方法,其特征在于,所述根据每个所述缺陷窗口的局部分布情况获得缺陷区域,包括:
任选一个缺陷窗口作为参考缺陷窗口,将在参考缺陷窗口预设邻域范围内的所有缺陷窗口作为局部缺陷窗口;遍历获得所有所述局部缺陷窗口的局部缺陷窗口,直至无法获得新局部缺陷窗口时停止遍历,将参考缺陷窗口和所有局部缺陷窗口作为一个缺陷区域。
3.根据权利要求1所述的一种基于防漏电绝缘材料的表面缺陷识别方法,其特征在于,所述根据缺陷区域中每个预设方向下的边缘权重结合边缘检测获得优化缺陷边缘图像,根据所有优化缺陷边缘图像中缺陷边缘的形状特征进行缺陷分类识别,包括:
将缺陷区域中每个预设方向下归一化后的边缘权重作为加权系数结合形态学边缘检测算子,获得缺陷边缘图像;采用最大类间方差法获得缺陷边缘二值图像,对缺陷边缘二值图像采用闭运算获得优化缺陷边缘图像;
获取所有所述优化缺陷边缘图像中缺陷边缘的几何特征作为缺陷特征;将缺陷特征输入训练好的采用高斯核函数的支持向量机中,输出缺陷分类识别的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552958.0A CN116309561B (zh) | 2023-05-17 | 2023-05-17 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552958.0A CN116309561B (zh) | 2023-05-17 | 2023-05-17 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309561A CN116309561A (zh) | 2023-06-23 |
CN116309561B true CN116309561B (zh) | 2023-08-04 |
Family
ID=86803526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552958.0A Active CN116309561B (zh) | 2023-05-17 | 2023-05-17 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309561B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788459B (zh) * | 2024-02-23 | 2024-04-30 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049656A (zh) * | 2022-08-15 | 2022-09-13 | 海门市刘氏铸造有限公司 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050226489A1 (en) * | 2004-03-04 | 2005-10-13 | Glenn Beach | Machine vision system for identifying and sorting projectiles and other objects |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
CN110473201A (zh) * | 2019-09-10 | 2019-11-19 | 江南大学 | 一种刹车片表面缺陷的自动检测方法及装置 |
CN114782432B (zh) * | 2022-06-20 | 2022-09-02 | 南通电博士自动化设备有限公司 | 一种基于纹理特征的改进canny算子的边缘检测方法 |
CN114842017B (zh) * | 2022-07-06 | 2022-09-27 | 济宁市海富电子科技有限公司 | 一种hdmi线缆表面质量检测方法及系统 |
CN115082418B (zh) * | 2022-07-14 | 2022-11-04 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115239735B (zh) * | 2022-09-23 | 2022-12-27 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
CN115272341B (zh) * | 2022-09-29 | 2022-12-27 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
CN115294140B (zh) * | 2022-10-09 | 2023-04-14 | 南通永卓金属制品有限公司 | 一种五金零件缺陷检测方法及系统 |
CN115760820A (zh) * | 2022-11-28 | 2023-03-07 | 湖北三江航天万峰科技发展有限公司 | 一种塑料件缺陷图像识别方法及应用 |
CN115937182A (zh) * | 2022-12-28 | 2023-04-07 | 无锡埃姆维工业控制设备有限公司 | 一种多视角机械缺陷视觉检测方法 |
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 |
-
2023
- 2023-05-17 CN CN202310552958.0A patent/CN116309561B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049656A (zh) * | 2022-08-15 | 2022-09-13 | 海门市刘氏铸造有限公司 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116309561A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN104268879B (zh) | 基于遥感多光谱图像的建筑物实物量损毁评估方法 | |
CN110286124A (zh) | 基于机器视觉的耐火砖测量系统 | |
CN116758083A (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN113850749B (zh) | 训练缺陷侦测器的方法 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN113608378B (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
US20090167850A1 (en) | Method for identifying guignardia citricarpa | |
CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
Said et al. | Robust automatic void detection in solder balls | |
CN109961432A (zh) | 一种滤布破损的检测方法和系统 | |
CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
CN118037091A (zh) | 一种基于计算机视觉技术的智能化报工质检方法及系统 | |
CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 |
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 |