CN116485764A - 一种结构表面缺陷识别方法、系统、终端及介质 - Google Patents
一种结构表面缺陷识别方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN116485764A CN116485764A CN202310465579.8A CN202310465579A CN116485764A CN 116485764 A CN116485764 A CN 116485764A CN 202310465579 A CN202310465579 A CN 202310465579A CN 116485764 A CN116485764 A CN 116485764A
- Authority
- CN
- China
- Prior art keywords
- gray level
- gray
- image
- defect
- pixel point
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000877 morphologic effect Effects 0.000 claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种结构表面缺陷识别方法、系统、终端及介质，涉及缺陷识别技术领域，其技术方案要点是：对工程结构表面图像进行灰度处理，得到灰度图像；从灰度图像中提取背景灰度图和灰度特征，并依据背景灰度图和灰度特征确定各个像素点的灰度差异区间；从灰度图像中提取形态特征，并采用分类器对形态特征进行分类识别，得到初始的缺陷识别结果；确定形态特征所对应像素区域中的灰度差异区间与相应缺陷类别中灰度差异区间的重合度；从缺陷识别结果中筛选出重合度不小于标准阈值的缺陷类别，得到最终的缺陷识别结果。本发明即可以增强结构表面缺陷识别的适应性，又可以减少误缺陷识别的样本数据，还可以有效提高结构表面缺陷误识别的准确性。
Description
技术领域
本发明涉及缺陷识别技术领域，更具体地说，它涉及一种结构表面缺陷识别方法、系统、终端及介质。
背景技术
表面缺陷识别是指对被检测物体的表面进行瑕疵缺陷检测，一般检测比较多的有色差、凹痕、缺损、斑点、划痕等缺陷，广泛应用于工程结构、墙面、道路、结构层和工件等结构的表面质检。
现有技术中的表面缺陷识别一般是基于图像处理技术，通过提取目标图像中的形态特征和灰度特征进行分类识别。而对于结构类的检测物体表面缺陷检测而言，其灰度特征受结构材质和采集环境等因素影响。采用相同或相似材质的样本图像进行训练时，只能适用于同类型材质的检测物体的表面缺陷检测；而采用多种材质的样本图像进行训练时，则会导致分类训练的难度大，检测效率低；此外，相同缺陷特征在不同环境光和采集视角等采集环境下所展现出的灰度特征存在较大差异，所以直接应用从目标图像中提取的灰度特征进行分类识别，在一定程度上会降低缺陷分类识别的准确度。
因此，如何研究设计一种能够克服上述缺陷的结构表面缺陷识别方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供一种结构表面缺陷识别方法、系统、终端及介质，即可以增强结构表面缺陷识别的适应性，又可以减少误缺陷识别的样本数据，还可以有效提高结构表面缺陷误识别的准确性。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了一种结构表面缺陷识别方法，包括以下步骤：
获取工程结构表面图像，并对工程结构表面图像进行灰度处理，得到灰度图像；
从灰度图像中提取背景灰度图和灰度特征，并依据背景灰度图和灰度特征确定各个像素点的灰度差异区间；
从灰度图像中提取形态特征，并采用分类器对形态特征进行分类识别，得到初始的缺陷识别结果；
确定形态特征所对应像素区域中的灰度差异区间与相应缺陷类别中灰度差异区间的重合度；
从缺陷识别结果中筛选出重合度不小于标准阈值的缺陷类别，得到最终的缺陷识别结果。
进一步的，所述灰度差异区间的确定过程具体为：
确定背景灰度图和灰度特征中同一像素点所对应的灰度差值；
以灰度差值与灰度特征中对应像素点的灰度值之比作为第一端点值；
以灰度差值与背景灰度图中对应像素点的灰度值之比作为第二端点值；
以第一端点值、第二端点值作为两个端点确定灰度差异区间。
进一步的，所述灰度差异区间的表达式为：
其中，Ki表示像素点i的灰度差异区间；表示灰度特征中像素点i的灰度值；表示背景灰度图中像素点i的灰度值。
进一步的，所述灰度差异区间的表达式为：
其中，Ki表示像素点i的灰度差异区间；表示灰度特征中像素点i的灰度值；表示背景灰度图中像素点i的灰度值。
进一步的，所述重合度的确定过程具体为：
选取形态特征所属于缺陷类别的样本图像；
以形态特征与样本图像相互匹配的像素点对之间灰度差异区间的重叠程度确定重叠系数；
以所有像素点对的重叠系数之和作为形态特征与样本图像的重合度。
进一步的，所述重合度的确定过程具体为：
选取形态特征所属于缺陷类别的样本图像；
以形态特征与样本图像相互匹配的像素点对之间灰度差异区间的重叠程度确定重叠系数；
以重叠系数超过系数阈值的像素点对数量与所有像素点对数量之比作为形态特征与样本图像的重合度。
进一步的，所述重叠系数的计算公式具体为：
或，
其中，Dj表示形态特征与样本图像中像素点对j的重叠系数；表示形态特征中像素点对j所对应灰度差异区间的前端值；/>表示形态特征中像素点对j所对应灰度差异区间的后端值；/>表示样本图像中像素点对j所对应灰度差异区间的前端值；/>表示样本图像中像素点对j所对应灰度差异区间的后端值。
第二方面，提供了一种结构表面缺陷识别系统，包括：
灰度处理模块，用于获取工程结构表面图像，并对工程结构表面图像进行灰度处理，得到灰度图像；
差异分析模块，用于从灰度图像中提取背景灰度图和灰度特征，并依据背景灰度图和灰度特征确定各个像素点的灰度差异区间；
缺陷分类模块，用于从灰度图像中提取形态特征，并采用分类器对形态特征进行分类识别，得到初始的缺陷识别结果；
重合分析模块，用于确定形态特征所对应像素区域中的灰度差异区间与相应缺陷类别中灰度差异区间的重合度；
缺陷筛选模块，用于从缺陷识别结果中筛选出重合度不小于标准阈值的缺陷类别，得到最终的缺陷识别结果。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的一种结构表面缺陷识别方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种结构表面缺陷识别方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提出的一种结构表面缺陷识别方法，通过对背景灰度图与灰度特征进行灰度差异分析，在削弱因采集环境、材质不同所导致的灰度变化后，确定主要由形态特征深度所体现的灰度差异区间，再将初始的缺陷识别结果中重合度小于标准阈值的缺陷类别过滤，以此减少结构表面缺陷误识别的情况，即可以增强结构表面缺陷识别的适应性，又可以减少误缺陷识别的样本数据，还可以有效提高结构表面缺陷误识别的准确性；
2、本发明所确定的灰度差异区间能够明显体现凸起缺陷和凹陷缺陷差异情况，从而提高灰度差异区间表征形态特征深度的精确度；
3、本发明以形态特征所对应的像素区域的整体重叠情况作为缺陷类别的校验标准，可以避免因个别异常像素而导致缺陷类别吴判断的情况发生。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例1中的流程图；
图2是本发明实施例2中的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：一种结构表面缺陷识别方法，如图1所示，包括以下步骤：
步骤S1：获取工程结构表面图像，并对工程结构表面图像进行灰度处理，得到灰度图像；
步骤S2：从灰度图像中提取背景灰度图和灰度特征，并依据背景灰度图和灰度特征确定各个像素点的灰度差异区间；
步骤S3：从灰度图像中提取形态特征，并采用分类器对形态特征进行分类识别，得到初始的缺陷识别结果；
步骤S4：确定形态特征所对应像素区域中的灰度差异区间与相应缺陷类别中灰度差异区间的重合度；
步骤S5：从缺陷识别结果中筛选出重合度不小于标准阈值的缺陷类别，得到最终的缺陷识别结果。
需要说明的是，背景灰度图可以采用基于区域的图像分割方法、基于边缘的图像分割方法，并结合灰度直方图进行提取，在此不受限制。
在本发明中，灰度特征主要是指像素点的实际灰度值与背景灰度图中对应像素点的背景灰度值之间存现明显差异时所提取的有关于灰度分布情况的特征，无需对明显不存在缺陷的区域进行灰度差异区间分析，减少灰度特征的提取总量。
在本实施例中，形态特征包含缺陷部位的几何特性、填充色、形态分布和形态大小中的一种或多种，也还可以包括灰度值。
灰度差异区间的确定过程具体为：确定背景灰度图和灰度特征中同一像素点所对应的灰度差值；以灰度差值与灰度特征中对应像素点的灰度值之比作为第一端点值；以灰度差值与背景灰度图中对应像素点的灰度值之比作为第二端点值；以第一端点值、第二端点值作为两个端点确定灰度差异区间。
作为一种可选的实施方式，灰度差异区间的表达式为：
其中，Ki表示像素点i的灰度差异区间；表示灰度特征中像素点i的灰度值；表示背景灰度图中像素点i的灰度值。
以灰度特征、背景灰度图中某个像素点所对应的灰度值分别为12dn、6dn为例，则计算出的灰度差异区间为[0.5,1]。
作为另一种可选的实施方式，灰度差异区间的表达式为：
其中，Ki表示像素点i的灰度差异区间；表示灰度特征中像素点i的灰度值；表示背景灰度图中像素点i的灰度值。
以灰度特征、背景灰度图中某个像素点所对应的灰度值分别为12dn、6dn为例，则计算出的灰度差异区间为[-1,-0.5]。
依据以上两种灰度差异区间的计算方式，灰度差异区间中具体值的绝对值大小表示灰度差异大小，而具体值的正负则可以表示凹陷、凸起之类的灰度差异方向。
作为一种可选的实施方式，重合度的确定过程具体为：选取形态特征所属于缺陷类别的样本图像；以形态特征与样本图像相互匹配的像素点对之间灰度差异区间的重叠程度确定重叠系数；以所有像素点对的重叠系数之和作为形态特征与样本图像的重合度。
例如，形态特征与样本图像相互匹配的有5个像素点对，5个像素点对所对应的重叠系数分别为0.2、0.3、0.6、0.7、0，则形态特征与样本图像的重合度为1.8。
作为另一种可选的实施方式，重合度的确定过程具体为：选取形态特征所属于缺陷类别的样本图像；以形态特征与样本图像相互匹配的像素点对之间灰度差异区间的重叠程度确定重叠系数；以重叠系数超过系数阈值的像素点对数量与所有像素点对数量之比作为形态特征与样本图像的重合度。
又例如，形态特征与样本图像相互匹配的有5个像素点对，5个像素点对所对应的重叠系数分别为0.2、0.3、0.6、0.7、0，若系数阈值的取值为0.4，则满足超过系数阈值的像素点对的重叠系数仅有0.6、0.7，则形态特征与样本图像的重合度为40％。
重叠系数的计算公式具体为：
或，
其中，Dj表示形态特征与样本图像中像素点对j的重叠系数；表示形态特征中像素点对j所对应灰度差异区间的前端值；/>表示形态特征中像素点对j所对应灰度差异区间的后端值；/>表示样本图像中像素点对j所对应灰度差异区间的前端值；表示样本图像中像素点对j所对应灰度差异区间的后端值。
例如，形态特征与样本图像中中某个像素点对的灰度差异区间分别为[0.3-0.6]、[0.4-0.7]，则重叠系数为0.5。
本发明以形态特征所对应的像素区域的整体重叠情况作为缺陷类别的校验标准，可以避免因个别异常像素而导致缺陷类别吴判断的情况发生。
实施例2：一种结构表面缺陷识别系统，该系统用于实现实施例1中所记载的一种结构表面缺陷识别方法，如图2所示，包括灰度处理模块、差异分析模块、缺陷分类模块、重合分析模块和缺陷筛选模块。
其中，灰度处理模块，用于获取工程结构表面图像，并对工程结构表面图像进行灰度处理，得到灰度图像；差异分析模块，用于从灰度图像中提取背景灰度图和灰度特征，并依据背景灰度图和灰度特征确定各个像素点的灰度差异区间；缺陷分类模块，用于从灰度图像中提取形态特征，并采用分类器对形态特征进行分类识别，得到初始的缺陷识别结果；重合分析模块，用于确定形态特征所对应像素区域中的灰度差异区间与相应缺陷类别中灰度差异区间的重合度；缺陷筛选模块，用于从缺陷识别结果中筛选出重合度不小于标准阈值的缺陷类别，得到最终的缺陷识别结果。
工作原理：本发明通过对背景灰度图与灰度特征进行灰度差异分析，在削弱因采集环境、材质不同所导致的灰度变化后，确定主要由形态特征深度所体现的灰度差异区间，再将初始的缺陷识别结果中重合度小于标准阈值的缺陷类别过滤，以此减少结构表面缺陷误识别的情况，即可以增强结构表面缺陷识别的适应性，又可以减少误缺陷识别的样本数据，还可以有效提高结构表面缺陷误识别的准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种结构表面缺陷识别方法，其特征是，包括以下步骤：
获取工程结构表面图像，并对工程结构表面图像进行灰度处理，得到灰度图像；
从灰度图像中提取背景灰度图和灰度特征，并依据背景灰度图和灰度特征确定各个像素点的灰度差异区间；
从灰度图像中提取形态特征，并采用分类器对形态特征进行分类识别，得到初始的缺陷识别结果；
确定形态特征所对应像素区域中的灰度差异区间与相应缺陷类别中灰度差异区间的重合度；
从缺陷识别结果中筛选出重合度不小于标准阈值的缺陷类别，得到最终的缺陷识别结果。
2.根据权利要求1所述的一种结构表面缺陷识别方法，其特征是，所述灰度差异区间的确定过程具体为：
确定背景灰度图和灰度特征中同一像素点所对应的灰度差值；
以灰度差值与灰度特征中对应像素点的灰度值之比作为第一端点值；
以灰度差值与背景灰度图中对应像素点的灰度值之比作为第二端点值；
以第一端点值、第二端点值作为两个端点确定灰度差异区间。
3.根据权利要求2所述的一种结构表面缺陷识别方法，其特征是，所述灰度差异区间的表达式为：
其中，Ki表示像素点i的灰度差异区间；表示灰度特征中像素点i的灰度值；/>表示背景灰度图中像素点i的灰度值。
4.根据权利要求2所述的一种结构表面缺陷识别方法，其特征是，所述灰度差异区间的表达式为：
其中，Ki表示像素点i的灰度差异区间；表示灰度特征中像素点i的灰度值；/>表示背景灰度图中像素点i的灰度值。
5.根据权利要求1所述的一种结构表面缺陷识别方法，其特征是，所述重合度的确定过程具体为：
选取形态特征所属于缺陷类别的样本图像；
以形态特征与样本图像相互匹配的像素点对之间灰度差异区间的重叠程度确定重叠系数；
以所有像素点对的重叠系数之和作为形态特征与样本图像的重合度。
6.根据权利要求1所述的一种结构表面缺陷识别方法，其特征是，所述重合度的确定过程具体为：
选取形态特征所属于缺陷类别的样本图像；
以形态特征与样本图像相互匹配的像素点对之间灰度差异区间的重叠程度确定重叠系数；
以重叠系数超过系数阈值的像素点对数量与所有像素点对数量之比作为形态特征与样本图像的重合度。
7.根据权利要求5或6所述的一种结构表面缺陷识别方法，其特征是，所述重叠系数的计算公式具体为：
或，
其中，Dj表示形态特征与样本图像中像素点对j的重叠系数；表示形态特征中像素点对j所对应灰度差异区间的前端值；/>表示形态特征中像素点对j所对应灰度差异区间的后端值；/>表示样本图像中像素点对j所对应灰度差异区间的前端值；/>表示样本图像中像素点对j所对应灰度差异区间的后端值。
8.一种结构表面缺陷识别系统，其特征是，包括：
灰度处理模块，用于获取工程结构表面图像，并对工程结构表面图像进行灰度处理，得到灰度图像；
差异分析模块，用于从灰度图像中提取背景灰度图和灰度特征，并依据背景灰度图和灰度特征确定各个像素点的灰度差异区间；
缺陷分类模块，用于从灰度图像中提取形态特征，并采用分类器对形态特征进行分类识别，得到初始的缺陷识别结果；
重合分析模块，用于确定形态特征所对应像素区域中的灰度差异区间与相应缺陷类别中灰度差异区间的重合度；
缺陷筛选模块，用于从缺陷识别结果中筛选出重合度不小于标准阈值的缺陷类别，得到最终的缺陷识别结果。
9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种结构表面缺陷识别方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种结构表面缺陷识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310465579.8A CN116485764A (zh) | 2023-04-26 | 2023-04-26 | 一种结构表面缺陷识别方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310465579.8A CN116485764A (zh) | 2023-04-26 | 2023-04-26 | 一种结构表面缺陷识别方法、系统、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116485764A true CN116485764A (zh) | 2023-07-25 |
Family
ID=87221156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310465579.8A Pending CN116485764A (zh) | 2023-04-26 | 2023-04-26 | 一种结构表面缺陷识别方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485764A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973378A (zh) * | 2023-09-22 | 2023-10-31 | 山东梁山华宇集团汽车制造有限公司 | 一种车辆生产质量检测系统 |
| CN117310495A (zh) * | 2023-11-28 | 2023-12-29 | 深圳市卓讯达科技发展有限公司 | 一种新能源电机的耐久性能综合检测系统 |
| CN118196080A (zh) * | 2024-05-13 | 2024-06-14 | 宝鸡拓普达钛业有限公司 | 一种用于钛合金产品的缺陷智能识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109801267A (zh) * | 2018-12-27 | 2019-05-24 | 北京航天福道高技术股份有限公司 | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 |
| CN111292321A (zh) * | 2020-03-13 | 2020-06-16 | 广东工业大学 | 一种输电线路绝缘子缺陷图像识别方法 |
| CN112241699A (zh) * | 2020-10-13 | 2021-01-19 | 无锡先导智能装备股份有限公司 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
| US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
-
2023
- 2023-04-26 CN CN202310465579.8A patent/CN116485764A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109801267A (zh) * | 2018-12-27 | 2019-05-24 | 北京航天福道高技术股份有限公司 | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 |
| US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
| CN111292321A (zh) * | 2020-03-13 | 2020-06-16 | 广东工业大学 | 一种输电线路绝缘子缺陷图像识别方法 |
| CN112241699A (zh) * | 2020-10-13 | 2021-01-19 | 无锡先导智能装备股份有限公司 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 翟伟良 等: ""基于机器视觉的金属表面缺陷检测方法研究"", 《科技传播》, no. 09, 8 May 2017 (2017-05-08), pages 65 - 66 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973378A (zh) * | 2023-09-22 | 2023-10-31 | 山东梁山华宇集团汽车制造有限公司 | 一种车辆生产质量检测系统 |
| CN116973378B (zh) * | 2023-09-22 | 2024-01-09 | 山东梁山华宇集团汽车制造有限公司 | 一种车辆生产质量检测系统 |
| CN117310495A (zh) * | 2023-11-28 | 2023-12-29 | 深圳市卓讯达科技发展有限公司 | 一种新能源电机的耐久性能综合检测系统 |
| CN117310495B (zh) * | 2023-11-28 | 2024-02-20 | 深圳市卓讯达科技发展有限公司 | 一种新能源电机的耐久性能综合检测系统 |
| CN118196080A (zh) * | 2024-05-13 | 2024-06-14 | 宝鸡拓普达钛业有限公司 | 一种用于钛合金产品的缺陷智能识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN116485764A (zh) | 一种结构表面缺陷识别方法、系统、终端及介质 | |
| CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
| CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
| CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
| CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
| CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
| JP2008139285A (ja) | 映像処理技法を利用した構造物及び製品のクラック幅測定方法 | |
| CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
| CN111882568B (zh) | 火灾图像边缘提取处理方法、终端及系统 | |
| CN111080582A (zh) | 工件内外表面缺陷检测方法 | |
| CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
| CN114519714B (zh) | 一种显示屏脏污缺陷判定的方法和系统 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
| CN104568956A (zh) | 基于机器视觉的带钢表面缺陷的检测方法 | |
| CN114049316A (zh) | 一种基于金属光泽区域的钢丝绳缺陷检测方法 | |
| CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
| CN118501177A (zh) | 一种化成箔的外观缺陷检测方法及系统 | |
| CN117115171A (zh) | 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法 | |
| CN116612116A (zh) | 一种基于深度学习图像分割的晶体外观缺陷检测方法 | |
| CN114266719B (zh) | 一种基于霍夫变换的产品检测方法 | |
| CN115965796A (zh) | 一种基于图像识别的金属锈蚀检测方法及系统 | |
| CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 | |
| CN117392043A (zh) | 一种基于深度学习的钢板表面缺陷视频检测方法及系统 |
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 |