CN116503384B - 一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统 - Google Patents
一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统 Download PDFInfo
- Publication number
- CN116503384B CN116503384B CN202310736247.9A CN202310736247A CN116503384B CN 116503384 B CN116503384 B CN 116503384B CN 202310736247 A CN202310736247 A CN 202310736247A CN 116503384 B CN116503384 B CN 116503384B
- Authority
- CN
- China
- Prior art keywords
- error coefficient
- processed
- image
- region
- trough
- 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 43
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 230000002950 deficient Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000009466 transformation Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理领域，提供一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统，包括：采集丝杆的图像，对采集的图像区域分割，得到多个待处理区域；对待处理区域进行频谱处理得到频谱图像，根据频谱图像中的横波信号变化情况获取误差系数；基于误差系数识别待处理区域中的异常区域位置；基于异常区域位置提取丝杆的缺陷。具体的，该方法能够提高检测效率，且误检率低。
Description
技术领域
本申请涉及图像处理领域，特别是涉及一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统。
背景技术
滑动丝杆是一种高精度的机械零件，结构形状复杂，有很高的螺纹表面要求，所以在加工过程中螺纹易出现变形也会出现丝杆螺纹表面瑕疵缺陷等，对丝杆的精度有很大的质量影响，进而会影响整个机械设备的性能和使用寿命。因此，滑动丝杆的缺陷检测非常重要。
传统的滑动丝杆表面缺陷检测方法主要是人工目视检查，长时间目视检测容易产生疲劳，误检率也随之增加，同时降低了工作效率，采用人工目视检测方法存在工作量大、检测效率低、误检率高等问题。
因此，现有的丝杆表面缺陷检测方法亟待改进。
发明内容
本发明提供一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统，该方法能够提高检测效率，且误检率低。
第一方面，本申请提供一种基于计算机视觉的丝杆缺陷区域快速提取方法，包括：采集丝杆的图像，对采集的图像区域分割，得到多个待处理区域；对所述待处理区域进行频谱处理得到频谱图像，根据所述频谱图像中的横波信号变化情况获取误差系数；基于所述误差系数识别所述待处理区域中的异常区域位置；基于所述异常区域位置提取所述丝杆的缺陷。
在一可选实施例中，对采集的图像区域分割，得到多个待处理区域之前，包括：对采集的图像进行灰度化处理，得到灰度图像；对灰度图像进行伽马变换；对伽马变换后的图像进行高斯去噪处理。
在一可选实施例中，对所述待处理区域进行频谱处理得到频谱图像，根据所述频谱图像中的横波信号变化情况获取误差系数，包括：利用相同尺寸的窗口分别对所述待处理区域进行分割，并对每一窗口进行频谱处理，得到所述频谱图像；根据所述频谱图像中的横波变化情况确定所述误差系数。
在一可选实施例中，根据所述频谱图像中的横波变化情况确定所述误差系数，包括：基于每一待处理区域中所有窗口的波峰数值集合计算波峰平均预测值；基于每一待处理区域中所有窗口的波谷数值集合计算波谷平均预测值；基于所述波峰平均预测值计算波峰对应的误差系数，基于波谷平均预测值获取波谷对应的误差系数。
在一可选实施例中，基于所述误差系数识别异常区域位置，包括：利用线性回归函数基于波峰对应的误差系数以及波谷对应的误差系数确定所述误差系数；利用所述误差系数确定所述待处理区域中的异常窗口；基于所述异常窗口确定所述异常区域位置。
在一可选实施例中，基于所述异常区域位置提取所述丝杆的缺陷，包括：对所述异常区域位置进行伪彩色处理，进而提取所述丝杆的缺陷。
在一可选实施例中，对采集的图像区域分割，得到多个待处理区域，包括：依据螺纹分布情况对采集的图像进行分割，得到多个待处理区域，每一所述待处理区域对应一个完整的螺纹。
在一可选实施例中，基于每一待处理区域中所有窗口的波峰数值集合计算波峰平均预测值，包括：利用如下公式（1）计算所述波峰平均预测值：
；
其中，表示波峰平均预测值，n表示同一待处理区域的所有窗口的数量；表示第i个窗口的波峰值；
基于每一待处理区域中所有窗口的波谷数值集合计算波谷平均预测值，包括：
利用如下公式（2）计算所述波谷平均预测值：
；
其中，表示波谷平均预测值；n表示同一待处理区域的所有窗口的数量；表示第j个窗口的波谷值。
在一可选实施例中，基于所述波谷平均预测值以及所述波峰平均预测值计算波峰对应的误差系数以及波谷对应的误差系数，包括：利用如下公式（3）计算所述波峰对应的误差系数：
；
利用如下公式（4）计算所述波谷对应的误差系数：
；
其中，表示波峰对应的误差系数，/>表示波谷对应的误差系数，n表示同一待处理区域的所有窗口的数量。
第二方面，本申请提供一种基于计算机视觉的丝杆缺陷区域快速提取系统，包括：
图像采集模块，用于采集丝杆的图像，对采集的图像区域分割，得到多个待处理区域；
处理模块，用于对所述待处理区域进行频谱处理，根据频谱图像中的横波信号变化情况获取误差系数；
识别模块，用于基于所述误差系数识别所述待处理区域中的异常区域位置；
提取模块，用于基于所述异常区域位置提取所述丝杆的缺陷。
本申请的有益效果，区别于现有技术，本申请的基于计算机视觉的丝杆缺陷区域快速提取方法及系统，包括：采集丝杆的图像，对采集的图像区域分割，得到多个待处理区域；对待处理区域进行频谱处理得到频谱图像，根据频谱图像中的横波信号变化情况获取误差系数；基于误差系数识别待处理区域中的异常区域位置；基于异常区域位置提取丝杆的缺陷。具体的，该方法能够提高检测效率，且误检率低。
附图说明
图1为本发明基于计算机视觉的丝杆缺陷区域快速提取方法的一实施例的流程示意图；
图2为本发明丝杆的一实施例的结构示意图；
图3为图1中步骤S12的一实施例的具体流程示意图；
图4为本发明频谱图像的横波信号的一实施例的示意图；
图5为图3中步骤S122的一实施例的具体流程示意图；
图6为图1中步骤S13的一实施例的具体流程示意图；
图7是本发明基于计算机视觉的丝杆缺陷区域快速提取系统的一实施例的结构示意图。
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做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。
下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明基于计算机视觉的丝杆缺陷区域快速提取方法的一实施例的流程示意图，包括：
步骤S11：采集丝杆的图像，对采集的图像区域分割，得到多个待处理区域。
具体的，可利用工业相机等图像采集装置采集丝杆图像。
其中，在丝杆图像中不同区域的螺纹状态往往会出现不同特征情况，例如图2所示，图2为本发明丝杆的一实施例的结构示意图，丝杆包括底座和从底座一端延伸的多节螺纹段，因此，本申请依据螺纹分布情况对采集的图像进行分割，得到多个待处理区域，每一待处理区域对应一个完整的螺纹。
具体的，对丝杆图像中的不同螺纹段和底座区域等进行不同区域的分割处理。本实施例将丝杆图像分为五个不同的待处理区域，五个不同的待处理区域内其中四个区域所呈现的螺纹的纹理特征有所不同，还有一个区域为圆柱体（底座）区域。当然，在其他实施例中，可根据实际需要分为3、4个、6个甚至8个等待处理区域，在此不做限定。
在一可选实施例中，对采集的图像区域分割，得到多个待处理区域之前，还包括：对采集的图像进行灰度化处理，得到灰度图像；再对灰度图像进行伽马变换；然后对伽马变换后的图像进行高斯去噪处理。
具体的，对灰度化图像进行伽马变换操作减少了图像中的光线对丝杆的影响，使图像中表现出的信息更加真实。具体的，伽马变换是一种非线性变换，它的原理是通过对图像的灰度值进行幂次变换，使得图像的明暗程度发生变化，从而达到调整亮度的目的。
进一步，以上述丝杆图像分为五个待处理图像为例，根据高斯去噪后的丝杆图像中螺纹变化的位置信息分为五个不同的区域，对每个区域进行编号分配处理：
；
其中，为高斯去噪图像内全部分割区域数量，/>为第一分割区域，/>为第二分割区域，/>为第三分割区域，/>为第四分割区域。
步骤S12：对待处理区域进行频谱处理得到频谱图像，根据频谱图像中的横波信号变化情况获取误差系数。
具体的，对丝杆去噪图像进行窗口分割处理，得到多个待处理区域，根据丝杆的周期性的螺纹变化情况，对待处理区域进行频谱处理例如利用傅里叶变换的方式对待处理区域进行频谱处理，得到频谱图像，然后统计待处理区域的频谱图像内横波信号变化情况，获得误差系数。
具体的，根据待处理图像中的目标螺纹缺陷和正常螺纹在频谱图像中所表现出横波信号的不同变化情况，利用待处理图像在丝杆螺纹的周期性信号变化关系寻找出待处理图像中异常信号的误差程度获得误差系数。当误差系数越高时说明待处理图像内目标螺纹是缺陷的程度越大，当误差系数越低时说明待处理图像内目标螺纹是缺陷的程度越小。
参见图3，图3为图1中步骤S12的一实施例的具体流程示意图。在一可选实施例中，步骤S12具体包括：
步骤S121：利用相同尺寸的窗口分别对待处理区域进行分割，并对每一窗口进行频谱处理，得到频谱图像。
以第一区域为例，对第一区域内窗口/>进行编号处理。
；
其中，为第一区域内全部窗口数量，/>为第i个分割窗口。
类比推理：
；
；
其中，为某区域内全部窗口数量，上标x表示不同的待处理区域，/>为某待处理区域内第i个分割窗口。
然后对每一窗口进行频谱处理（傅里叶变换）得到频谱图像。
步骤S122：根据频谱图像中的横波变化情况确定误差系数。
具体的，由于丝杆图像内螺纹的纹理结构呈周期性的变化，正常的螺纹在频谱图像窗口信号也会出现周期性的变化，若螺纹出现异常时所呈现的频谱内的横波信号会发生较大的变化，会和正常螺纹的信号波形出现较大差异情况。
参见图4，图4为本发明频谱图像的横波信号的一实施例的示意图。根据窗口内的螺纹在频谱图中信号特征变化情况，获取时频域的横波信号，根据横波信号上下极值点，分别画出上包络线和下包络线，采用上下包络线的均值，画出均值包络线。通过均值包络线来识别窗口中横波信号的差异情况。
在均值包络图例中当目标异常区域出现时，目标缺陷螺纹信号的波形会出现较大的波动，如图中A1区域所示，而正常螺纹所呈现信号的波形会出现周期性的变化，如图中A2区域所示。
由于丝杆螺纹出现瑕疵缺陷在频谱信号上会与正常的螺纹出现不同的横波波形差异变化，根据丝杆上的螺纹段区域以及圆柱体区域等周期性特征变化，因为正常的螺纹的信号变化趋于一个稳定的状态，而异常缺陷螺纹的信号会和正常的螺纹信号会有误差波动状态。利用同一区域内整体的窗口信号波动情况来获取误差系数，进而通过误差系数对异常的横波波形的进行识别获取目标缺陷窗口。
参见图5，图5为图3中步骤S122的一实施例的具体流程示意图在一实施例中，步骤S122具体包括：
步骤S1221：基于每一待处理区域中所有窗口的波峰数值集合计算波峰平均预测值；基于每一待处理区域中所有窗口的波谷数值集合计算波谷平均预测值。
步骤S1222：基于所述波峰平均预测值计算波峰对应的误差系数，基于波谷平均预测值获取波谷对应的误差系数。
步骤S1223：利用线性回归函数基于波峰对应的误差系数以及波谷对应的误差系数确定误差系数。
具体的，本实施例根据均值包络检波的图例，来获取图像内同一区域的所有分割窗口的频谱图像中的横波波形变化，统计所有窗口横波信号的均值包络检波的波峰和波谷波形变化，根据波形变化情况获取误差系数。
具体的，；其中，/>表示均值包络检波的波峰数值的集合。
；其中，/>表示均值包络检波的波谷数值的集合。
基于每一待处理区域中所有窗口的波峰数值集合计算波峰平均预测值包括：利用如下公式（1）计算波峰平均预测值：
；（1）
其中，表示波峰平均预测值，n表示同一待处理区域的所有窗口的数量；/>表示第i个窗口的波峰值；
基于每一待处理区域中所有窗口的波谷数值集合计算波谷平均预测值，包括：利用如下公式（2）计算波谷平均预测值：
；（2）
其中，表示波谷平均预测值；n表示同一待处理区域的所有窗口的数量；/>表示第j个窗口的波谷值。
基于波谷平均预测值以及波峰平均预测值计算波峰对应的误差系数（残差平方和）以及波谷对应的误差系数（残差平方和），包括：
利用如下公式（3）计算所述波峰对应的误差系数：
；（3）
利用如下公式（4）计算所述波谷对应的误差系数：
；（4）
c其中，表示波峰对应的误差系数，/>表示波谷对应的误差系数，n表示同一待处理区域的所有窗口的数量。
最后利用线性回归函数基于波峰对应的误差系数以及波谷对应的误差系数确定误差系数。具体的，线性回归函数是衡量图像中信号误差的程度，也就是我们要的“直线”的评价标准。
步骤S13：基于误差系数识别待处理区域中的异常区域位置。
具体的，误差系数的值越小，说明窗口图像中的信号目标缺陷的程度越小，误差系数的值越大，说明窗口图像中的信号是目标缺陷的程度越大。
参见图6，图6为图1中步骤S13的一实施例的具体流程示意图。在一实施例中，步骤S13包括：
步骤S131：利用误差系数确定待处理区域中的异常窗口。
通过同一待处理区域内误差系数来识别相同区域内异常窗口的数量，并确定异常窗口的位置。以为例，获取波峰和波谷变化情况得到误差系数来识别同一区域内的异常波形窗口，并对异常窗口进行统计处理。
根据内的波形变化情况获得误差系数，对内的异常窗口识别统计：
；
其中，表示/>内的异常窗口的数量。
类比推理获得其他区域异常窗口：
；
；
其中，为某区域内异常窗口的数量，上标z表示不同的分割区域，/>为某区域内异常窗口。
统计所有区域的异常窗口的集合：
；
其中，表示所有区域内的异常目标缺陷窗口总量。
步骤S132：基于异常窗口确定异常区域位置。
具体的，根据所有目标螺纹缺陷窗口总量获取窗口的位置信息，在对所有异常频谱图像的窗口进行定位分析，得到在原始图像中的异常区域位置。
步骤S14：基于异常区域位置提取丝杆的缺陷。
在一实施例中，对异常区域位置进行伪彩色处理，进而提取丝杆的缺陷。
具体的，通过对图像中不同待处理区域内窗口的横波变化情况进行异常波形分析，获得目标缺陷窗口区域情况，进而获得异常缺陷的区域范围，对异常缺陷的区域标记，并对异常缺陷区域范围进行伪彩色处理获得到丝杆的缺陷快速提取。
区别于现有技术，本申请的有益效果是，利用图像频谱技术，对丝杆图像进行灰度化再进行伽马变换以及高斯去噪处理。根据丝杆的特征信息对高斯去噪图像不同的螺纹状态的区域进行窗口分块处理，对分块窗口进行傅里叶变换得到窗口频谱图像。然后统计窗口频谱图像内横波信号变化情况，分析频谱中横波信号波形的变化情况获得误差系数，利用误差系数来识别丝杆的缺陷区域，从而实现对丝杆的缺陷实现快速智能化识别提取，能够提高检测效率，且误检率低。
参见图7，图7是本发明基于计算机视觉的丝杆缺陷区域快速提取系统的一实施例的结构示意图。具体的，该基于计算机视觉的丝杆缺陷区域快速提取系统用于实现上述任一实施例提供的基于计算机视觉的丝杆缺陷区域快速提取方法，在此不做赘述。其中，该系统包括图像采集模块10、处理模块20、识别模块30和提取模块40。
具体的，图像采集模块10用于采集丝杆的图像，对采集的图像区域分割，得到多个待处理区域。处理模块20用于对所述待处理区域进行频谱处理，根据频谱图像中的横波信号变化情况获取误差系数；识别模块30用于基于所述误差系数识别所述待处理区域中的异常区域位置；提取模块40用于基于所述异常区域位置提取所述丝杆的缺陷。
以上仅为本申请的实施方式，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 (8)
1.一种基于计算机视觉的丝杆缺陷区域快速提取方法，其特征在于，包括：
采集丝杆的图像，对采集的图像区域分割，得到多个待处理区域；
对所述待处理区域进行频谱处理得到频谱图像，根据所述频谱图像中的横波信号变化情况获取误差系数；
基于所述误差系数识别所述待处理区域中的异常区域位置；
基于所述异常区域位置提取所述丝杆的缺陷；
对所述待处理区域进行频谱处理得到频谱图像，根据所述频谱图像中的横波信号变化情况获取误差系数，包括：
利用相同尺寸的窗口分别对所述待处理区域进行分割，并对每一窗口进行频谱处理，得到所述频谱图像；
根据所述频谱图像中的横波变化情况确定所述误差系数；
根据所述频谱图像中的横波变化情况确定所述误差系数，包括：
基于每一待处理区域中所有窗口的波峰数值集合计算波峰平均预测值；基于每一待处理区域中所有窗口的波谷数值集合计算波谷平均预测值；
基于所述波峰平均预测值计算波峰对应的误差系数，基于波谷平均预测值获取波谷对应的误差系数；
利用线性回归函数基于波峰对应的误差系数以及波谷对应的误差系数确定所述误差系数。
2.根据权利要求1所述的基于计算机视觉的丝杆缺陷区域快速提取方法，其特征在于，对采集的图像区域分割，得到多个待处理区域之前，包括：
对采集的图像进行灰度化处理，得到灰度图像；
对灰度图像进行伽马变换；
对伽马变换后的图像进行高斯去噪处理。
3.根据权利要求1所述的基于计算机视觉的丝杆缺陷区域快速提取方法，其特征在于，基于所述误差系数识别异常区域位置，包括：
利用所述误差系数确定所述待处理区域中的异常窗口；
基于所述异常窗口确定所述异常区域位置。
4.根据权利要求1所述的基于计算机视觉的丝杆缺陷区域快速提取方法，其特征在于，基于所述异常区域位置提取所述丝杆的缺陷，包括：
对所述异常区域位置进行伪彩色处理，进而提取所述丝杆的缺陷。
5.根据权利要求1所述的基于计算机视觉的丝杆缺陷区域快速提取方法，其特征在于，对采集的图像区域分割，得到多个待处理区域，包括：
依据螺纹分布情况对采集的图像进行分割，得到多个待处理区域，每一所述待处理区域对应一个完整的螺纹。
6.根据权利要求1所述的基于计算机视觉的丝杆缺陷区域快速提取方法，其特征在于，基于每一待处理区域中所有窗口的波峰数值集合计算波峰平均预测值，包括：
利用如下公式（1）计算所述波峰平均预测值：
；
其中，表示波峰平均预测值，n表示同一待处理区域的所有窗口的数量；/>表示第i个窗口的波峰值；
基于每一待处理区域中所有窗口的波谷数值集合计算波谷平均预测值，包括：
利用如下公式（2）计算所述波谷平均预测值：
；
其中，表示波谷平均预测值；n表示同一待处理区域的所有窗口的数量；/>表示第j个窗口的波谷值。
7.根据权利要求1所述的基于计算机视觉的丝杆缺陷区域快速提取方法，其特征在于，基于所述波谷平均预测值以及所述波峰平均预测值计算波峰对应的误差系数以及波谷对应的误差系数，包括：
利用如下公式（3）计算所述波峰对应的误差系数：
；
利用如下公式（4）计算所述波谷对应的误差系数：
；
其中，表示波峰对应的误差系数，/>表示波谷对应的误差系数，n表示同一待处理区域的所有窗口的数量。
8.一种基于计算机视觉的丝杆缺陷区域快速提取系统，其特征在于，包括：
图像采集模块，用于采集丝杆的图像，对采集的图像区域分割，得到多个待处理区域；
处理模块，用于对所述待处理区域进行频谱处理，根据频谱图像中的横波信号变化情况获取误差系数；
对所述待处理区域进行频谱处理得到频谱图像，根据所述频谱图像中的横波信号变化情况获取误差系数，包括：
利用相同尺寸的窗口分别对所述待处理区域进行分割，并对每一窗口进行频谱处理，得到所述频谱图像；
根据所述频谱图像中的横波变化情况确定所述误差系数；
根据所述频谱图像中的横波变化情况确定所述误差系数，包括：
基于每一待处理区域中所有窗口的波峰数值集合计算波峰平均预测值；基于每一待处理区域中所有窗口的波谷数值集合计算波谷平均预测值；
基于所述波峰平均预测值计算波峰对应的误差系数，基于波谷平均预测值获取波谷对应的误差系数；
利用线性回归函数基于波峰对应的误差系数以及波谷对应的误差系数确定所述误差系数；
识别模块，用于基于所述误差系数识别所述待处理区域中的异常区域位置；
提取模块，用于基于所述异常区域位置提取所述丝杆的缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736247.9A CN116503384B (zh) | 2023-06-21 | 2023-06-21 | 一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736247.9A CN116503384B (zh) | 2023-06-21 | 2023-06-21 | 一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503384A CN116503384A (zh) | 2023-07-28 |
| CN116503384B true CN116503384B (zh) | 2023-12-29 |
Family
ID=87323344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310736247.9A Active CN116503384B (zh) | 2023-06-21 | 2023-06-21 | 一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503384B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010025597A (ja) * | 2008-07-15 | 2010-02-04 | Nikon Corp | 欠陥検出装置、欠陥検出方法およびプログラム |
| CN113688791A (zh) * | 2021-09-22 | 2021-11-23 | 西安热工研究院有限公司 | 一种风电机组cms异常数据包识别方法 |
| CN115311295A (zh) * | 2022-10-12 | 2022-11-08 | 罗博特科智能科技南通有限公司 | 基于傅里叶变换的光伏电池板缺陷检测方法 |
| CN116228755A (zh) * | 2023-05-08 | 2023-06-06 | 超音速人工智能科技股份有限公司 | 一种极片毛刺检测方法和系统 |
-
2023
- 2023-06-21 CN CN202310736247.9A patent/CN116503384B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010025597A (ja) * | 2008-07-15 | 2010-02-04 | Nikon Corp | 欠陥検出装置、欠陥検出方法およびプログラム |
| CN113688791A (zh) * | 2021-09-22 | 2021-11-23 | 西安热工研究院有限公司 | 一种风电机组cms异常数据包识别方法 |
| CN115311295A (zh) * | 2022-10-12 | 2022-11-08 | 罗博特科智能科技南通有限公司 | 基于傅里叶变换的光伏电池板缺陷检测方法 |
| CN116228755A (zh) * | 2023-05-08 | 2023-06-06 | 超音速人工智能科技股份有限公司 | 一种极片毛刺检测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 半固态压叶轮的缺陷判断与图像识别;冶平;《中国优秀硕士学位论文全文数据库》;B022-218 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503384A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
| CN116611748B (zh) | 一种钛合金家具生产质量监控系统 | |
| CN108318491B (zh) | 一种基于频谱曲率分析的织物缺陷检测方法 | |
| CN115601368B (zh) | 一种建材装备钣金件缺陷检测方法 | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
| CN114511516B (zh) | 一种基于无监督学习的MicroLED缺陷检测方法 | |
| CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
| CN113325277A (zh) | 一种局部放电处理方法 | |
| CN115661143B (zh) | 用于MiniLED晶圆缺陷的快速检测系统 | |
| CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
| CN117576104B (zh) | 一种提纯过程中超滤膜健康状态视觉检测方法 | |
| CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
| CN117094916A (zh) | 一种市政桥梁支座视觉检测方法 | |
| CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| CN117274293B (zh) | 基于图像特征的细菌菌落精确划分方法 | |
| CN109829902B (zh) | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 | |
| CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
| CN116503384B (zh) | 一种基于计算机视觉的丝杆缺陷区域快速提取方法及系统 | |
| Lee et al. | Robust defect detection method for a non-periodic TFT-LCD pad area | |
| CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
| CN111932573A (zh) | 一种光学系统空间分辨率的自动测试方法 | |
| CN116229438A (zh) | 一种纺纱质量视觉识别系统 | |
| CN114549403B (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 |
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 |