CN116503397A - 基于图像数据的车内传输带缺陷检测方法 - Google Patents
基于图像数据的车内传输带缺陷检测方法 Download PDFInfo
- Publication number
- CN116503397A CN116503397A CN202310753486.5A CN202310753486A CN116503397A CN 116503397 A CN116503397 A CN 116503397A CN 202310753486 A CN202310753486 A CN 202310753486A CN 116503397 A CN116503397 A CN 116503397A
- Authority
- CN
- China
- Prior art keywords
- area
- tearing
- detected
- index
- suspected
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 139
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 230000005540 biological transmission Effects 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 31
- 238000003708 edge detection Methods 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 50
- 238000004364 calculation method Methods 0.000 description 16
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 230000001788 irregular Effects 0.000 description 7
- 230000002146 bilateral effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于图像数据的车内传输带缺陷检测方法,包括,获取待检测车内传输带的表面灰度图像,对表面灰度图像进行区域划分,获得检测区域;对检测区域对应的各个边缘、各个疑似光斑区域以及各个疑似撕裂区域进行撕裂程度分析,获得检测区域的第一撕裂指标、第二撕裂指标、第三撕裂指标、第四撕裂指标以及第五撕裂指标;通过多个撕裂指标确定检测区域存在撕裂缺陷的可能性,根据检测区域存在撕裂缺陷的可能性,判断是否存在撕裂缺陷。本发明基于撕裂缺陷的多种图像特征,进行撕裂程度分析,有助于提高传输带缺陷检测的检测精准度和检测效率,主要应用于传输带表面缺陷检测领域。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像数据的车内传输带缺陷检测方法。
背景技术
散装粮食半挂车是粮食运输的重要工具,在散装粮食半挂车工作过程中,粮食和传输带之间的磨损以及传送带的老化,导致车内传输带表面可能出现撕裂、划痕、磨损或变形等一系列缺陷。一旦车内传输带表面出现撕裂缺陷,将在第一时间发出报警(检测出撕裂缺陷时的第1秒)并停止输送带运行,以免事故进一步扩大造成更大的经济损失。因此,需要对车内传输带进行缺陷检测。
目前的车内传输带撕裂缺陷检测方法,一般采用撕裂检测装置进行撕裂缺陷检测。关于撕裂检测装置,当需要检测的传输带的数量较多时,撕裂检测装置所检测的传输带区域有限,导致车内传输带缺陷检测的效率较低,导致发现缺陷的及时性较差,容易造成较大的经济损失;另外,撕裂检测装置通常难以适应不同的工作场景,受到不同工作场景的影响,再使用撕裂检测装置进行缺陷检测,就会严重影响传输带缺陷检测的精准度,出现传输带缺陷误判的现象。
发明内容
为了解决上述传输带缺陷检测的精准度较低的技术问题,本发明的目的在于提供一种基于图像数据的车内传输带缺陷检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于图像数据的车内传输带缺陷检测方法,该方法包括以下步骤:
获取待检测车内传输带的表面灰度图像,将所述表面灰度图像划分为不少于2个的检测区域,对每个检测区域进行边缘检测,获得每个检测区域对应的各个边缘;
对每个检测区域对应的各个边缘进行撕裂边缘分析,获得每个检测区域的第一撕裂指标和第二撕裂指标;
将任意一个检测区域作为待检测区域,对待检测区域内的各个像素点进行区域划分,判断待检测区域内是否存在疑似光斑区域;若存在疑似光斑区域,则将待检测区域内的每个疑似光斑区域进行光斑区域分析,获得待检测区域的第三撕裂指标和第四撕裂指标;
判断待检测区域内是否存在疑似撕裂区域,若存在疑似撕裂区域,则将待检测区域内的每个疑似撕裂区域进行撕裂区域分析,获得待检测区域的第五撕裂指标;
根据待检测区域的第一撕裂指标、第二撕裂指标、第三撕裂指标、第四撕裂指标以及第五撕裂指标,确定待检测区域存在撕裂缺陷的可能性;
通过每个检测区域存在撕裂缺陷的可能性,判断待检测车内传输带是否存在撕裂缺陷。
进一步地,对每个检测区域对应的各个边缘进行撕裂边缘分析,获得每个检测区域的第一撕裂指标和第二撕裂指标,包括:
任意一个检测区域为待检测区域,对待检测区域对应的各个边缘进行角点检测,将角点数量大于第一预设数目的边缘确定为第一目标边缘;判断待检测区域内是否存在数目大于第一预设数目的第一目标边缘,若存在数目大于第一预设数目的第一目标边缘,则根据每个目标边缘上的各个角点的位置进行直线拟合,获得每个第一目标边缘对应的拟合直线;计算待检测区域内相邻拟合直线的斜率差值的绝对值,将待检测区域内所有斜率差值的绝对值的平均值确定为待检测区域的第一撕裂指标;
将角点数量不大于第一预设数目的边缘确定为第二目标边缘,确定待检测区域内每个第二目标边缘的曲率,计算待检测区域的所有目标边缘的曲率均值和曲率标准差;对于任意一个第二目标边缘,将第二目标边缘的曲率与曲率均值的差值绝对值作为第一比值的分子,将曲率标准差作为第一比值的分母,从而获得每个第二目标边缘的第一比值;将待检测区域内所有第二目标边缘的第一比值的平均值确定为待检测区域的第二撕裂指标。
进一步地,将待检测区域内的每个疑似光斑区域进行光斑区域分析,获得待检测区域的第三撕裂指标和第四撕裂指标,包括:
确定待检测区域的中心坐标和每个疑似光斑区域的质心坐标,计算每个质心坐标到中心坐标的距离;将待检测区域内所有质心坐标到中心坐标的距离均值作为第二比值的分母,将待检测区域内所有质心坐标到中心坐标的距离标准差作为第二比值的分子,将所述第二比值确定为待检测区域的第三撕裂指标;
确定每个疑似光斑区域及其对应的最小凸多边行的面积;将每个疑似光斑区域对应的最小凸多边行的面积作为对应的疑似光斑区域的第三比值的分母,将每个疑似光斑区域的面积作为对应的疑似光斑区域的第三比值的分子,将每个疑似光斑区域的第三比值的平均值确定为待检测区域的第四撕裂指标。
进一步地,将待检测区域内的每个疑似撕裂区域进行撕裂区域分析,获得待检测区域的第五撕裂指标,包括:
对于任意一个疑似撕裂区域,确定疑似撕裂区域的长轴方向和质心坐标;在疑似撕裂区域内过质心坐标且沿着长轴方向确定一条直线,将直线与疑似撕裂区域相交构成的线段确定为长轴长度,从而获得每个疑似撕裂区域的长轴长度;
计算待检测区域内所有疑似撕裂区域的长轴长度的平均值,计算待检测区域内所有疑似撕裂区域的面积平均值;将所述长轴长度的平均值和所述面积平均值的乘积确定为待检测区域的第五撕裂指标。
进一步地,所述疑似光斑区域的获取步骤包括:
按照预设生长准则,利用区域生长算法对待检测区域内的各个像素点进行区域划分,获得待检测区域对应的各个待选区域;
计算各个待选区域的灰度均值,将灰度均值大于第一灰度阈值的待选区域确定为疑似光斑区域,从而获得待检测区域内的各个疑似光斑区域。
进一步地,所述预设生长准则为在待检测区域内选取第二预设数目个像素点为起始点,下一个生长点与当前生长点之间的灰度差值的绝对值小于第二灰度阈值。
进一步地,所述疑似撕裂区域的获取步骤包括:将灰度均值小于第三灰度阈值的待选区域确定为疑似撕裂区域,从而获得待检测区域内的各个疑似撕裂区域。
进一步地,根据待检测区域的第一撕裂指标、第二撕裂指标、第三撕裂指标、第四撕裂指标以及第五撕裂指标,确定待检测区域存在撕裂缺陷的可能性,包括:
对待检测区域的第四撕裂指标进行反比例处理,将反比例处理后的第四撕裂指标、第一撕裂指标、第二撕裂指标和第三撕裂指标的乘积确定为第六撕裂指标;
将待检测区域的第五撕裂指标与第六撕裂指标相加后的数值,确定为待检测区域存在撕裂缺陷的可能性。
进一步地,通过每个检测区域存在撕裂缺陷的可能性,判断待检测车内传输带是否存在撕裂缺陷,包括:
若任意一个检测区域存在撕裂缺陷的可能性大于撕裂缺陷阈值,则判定待检测车内传输带存在撕裂缺陷,否则,判定待检测车内传输带不存在撕裂缺陷。
本发明具有如下有益效果:
本发明提供了一种基于图像数据的车内传输带缺陷检测方法,该方法通过分析传送带上撕裂缺陷的特征,确定待检测车内传输带存在撕裂缺陷的可能性,有效提高了传输带缺陷检测的精准度,避免出现传输带缺陷误判的情况,主要应用于传输带缺陷检测领域。通过图像数据处理,将待检测车内传输带的表面灰度图像划分为多个检测区域,便于后续分析检测区域对应的局部图像特征,提高传输带缺陷检测的效率,提升发现撕裂缺陷的及时性,有效避免出现更严重的经济损失;基于撕裂缺陷区域的多种不同的图像特征,从多个角度对各个检测区域进行撕裂程度分析,获得多个可以衡量检测区域撕裂程度的指标;与现有撕裂检测装置相比,依据多种不同的撕裂图像特征确定的撕裂指标,可以获得更精准的缺陷检测结果,同时,可以节省出不断搬运安装撕裂检测装置的时间,减少人力资源的浪费,提高传输带缺陷检测效率。
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为本发明一种基于图像数据的车内传输带缺陷检测方法的流程图;
图2为本发明实施例中的待检测区域对应的各个边缘对应的示意图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本实施例的应用场景:对传输带进行表面撕裂缺陷检测,传输带可以为散装粮食半挂车的车内传输带。为了克服现有传输带缺陷检测精准度较低的缺陷,利用图像处理技术,基于撕裂缺陷的划痕走向、光斑分布以及裂口大小,构建所采集的传输带表面图像对应的特征系数,根据特征系数进行传输带缺陷检测,可以有效提高撕裂缺陷的检测准确度,改善撕裂缺陷的检测效果和检测及时性。具体,本实施例提供了一种基于图像数据的车内传输带缺陷检测方法,如图1所示,包括以下步骤:
S1,获取待检测车内传输带的表面灰度图像,将表面灰度图像划分为不少于2个的检测区域,对每个检测区域进行边缘检测,获得每个检测区域对应的各个边缘。
在本实施例中,使用电荷耦合器件相机(Charge Coupled Device,CCD)采集待检测车内传输带的表面图像,表面图像为包含整体传输带的图像,表面图像为三原色图像(Red Green Blue,RGB)。为了减少噪声和粉尘颗粒等因素的干扰,对表面图像进行图像预处理,具体选用双边滤波算法对表面图像进行去噪处理,双边滤波算法既可以保留表面图像中撕裂部分细节信息,又可以去除噪声影响。当然,实施者也可以选用其他去噪方式进行图像预处理。获得去噪处理后的表面图像,为了便于对表面图像的灰度分布特征进行分析,通过加权平均法对表面图像进行灰度化处理,灰度化处理后的表面图像为表面灰度图像。灰度化处理的实现方法还有很多,此处不再一一阐述。双边滤波算法和加权平均法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
为了便于后续对表面灰度图像进行详细分析,提高缺陷检测的效率,将表面灰度图像划分为不少于2个的检测区域,具体可以将表面灰度图像平分为10个检测区域,检测区域的个数和尺寸可以实施者根据具体实际情况进行调整。为了便于后续进行撕裂程度分析,利用多级边缘检测算法(Canny Edge Detection,Canny),对每个检测区域进行边缘检测,可以获得每个检测区域对应的各个边缘。Canny边缘检测算法的实现过程为现有技术,此处不再进行详细阐述。
至此,本实施例获得了每个检测区域对应的各个边缘。
S2,对每个检测区域对应的各个边缘进行撕裂边缘分析,获得每个检测区域的第一撕裂指标和第二撕裂指标。
需要说明的是,传送带的撕裂缺陷是划痕缺陷随着时间累积演变而来的。传输带所运输的货物与传输带表面进行长时间的摩擦,而且传输带在受力方向产生拉伸力,划痕深度越来越大,最后演变成撕裂缺陷。撕裂区域的图像特征可以包括:相较于划痕区域,撕裂区域边缘形成的夹角更大,通常在撕裂区域周围伴随着较为杂乱的划痕。基于撕裂区域的边缘特征,对每个检测区域对应的各个边缘进行撕裂程度分析,具体实现步骤可以包括:
第一步,确定每个检测区域的第一撕裂指标。
需要说明的是,待检测区域也就是所有检测区域中的任意一个检测区域,以待检测区域为例,基于待检测区域对应的各个边缘,分析待检测区域内相邻的边缘的夹角大小,以便于从撕裂缺陷边缘的夹角特征的角度,分析待检测区域存在撕裂缺陷的可能性,即确定第一撕裂指标。若待检测区域存在撕裂缺陷,待检测区域对应的各个边缘对应的示意图如图2所示。第一撕裂指标的具体实现步骤可以包括:
对待检测区域对应的各个边缘进行角点检测,将角点数量大于第一预设数目的边缘确定为第一目标边缘;判断待检测区域内是否存在数目大于第一预设数目的第一目标边缘,若存在数目大于第一预设数目的第一目标边缘,则根据每个第一目标边缘上的各个角点的位置进行直线拟合,获得每个第一目标边缘对应的拟合直线;计算待检测区域内相邻拟合直线的斜率差值的绝对值,将待检测区域内所有斜率差值的绝对值的平均值确定为待检测区域的第一撕裂指标。
在本实施例中,首先,通过角点检测器(Harris Corner Detection,Harris)对待检测区域对应的各个边缘进行角点检测,识别出边缘上的各个角点,角点检测实现过程为现有技术,此处不再进行赘述。然后,由于撕裂区域的边缘形状不规则,导致边缘上的角点数量较多,所以需要统计各个边缘上的角点数量,设置第一预设数目为2,将角点数量大于2的边缘作为第一目标边缘。最后,撕裂区域的不规则边缘通常为多个,至少存在2个及2个以上的不规则边缘,判断待检测区域内是否存在数目大于2的第一目标边缘,也就是待检测区域内是否存在2个或2个以上的第一目标边缘。
当待检测区域内第一目标边缘的数目少于2个时,说明待检测区域不满足不规则边缘较多的特征,可以直接判定待检测区域内不存在撕裂缺陷,继续遍历下一个检测区域,对下一个检测区域进行撕裂缺陷检测分析;当待检测区域内存在2个或2个以上的第一目标边缘时,说明待检测区域内可能存在撕裂区域,需要判断撕裂区域内相邻边缘之间的夹角,以便于衡量待检测区域的撕裂程度。
在本实施例中,利用最小二乘法,通过每个目标边缘上的各个角点的位置实现直线拟合,获得每个第一目标边缘对应的拟合直线,直线拟合的实现过程为现有技术,此处不再进行赘述;确定每个第一目标边缘对应的拟合直线的斜率,是为了衡量拟合直线的倾斜程度,计算待检测区域内相邻拟合直线的斜率差值的绝对值,可以表征相邻的两个不规则边缘对应的夹角大小;为了衡量待检测区域的整体撕裂程度,将待检测区域内所有斜率差值的绝对值的平均值确定为待检测区域的第一撕裂指标。
作为示例,第一撕裂指标的计算公式可以为:
其中,K为待检测区域的第一撕裂指标,m为待检测区域内第一目标边缘的个数,i
为待检测区域内第一目标边缘的序号,为待检测区域内第i+1个第一目标边缘对应的
拟合直线的斜率,为待检测区域内第i个第一目标边缘对应的拟合直线的斜率,为绝对
值函数。
需要说明的是,越大,说明两个相邻的拟合直线之间的斜率差异越大;可以表征待检测区域的整体斜率差异程度,第一撕裂指标可以表征待检测区
域内相邻边缘之间的夹角程度,即待检测区域内的撕裂缺陷区域的宽度大小。
第二步,确定每个检测区域的第二撕裂指标。
需要说明的是,基于待检测区域内每个第二目标边缘,分析待检测区域内的各个第二目标边缘分布杂乱程度,以便于从撕裂区域周围伴随着较为杂乱划痕的角度,分析待检测区域存在撕裂缺陷的可能性,即确定第二撕裂指标,第二撕裂指标的具体实现步骤可以包括:
将角点数量不大于第一预设数目的边缘确定为第二目标边缘,确定待检测区域内每个第二目标边缘的曲率,计算待检测区域的所有第二目标边缘的曲率均值和曲率标准差;对于任意一个第二目标边缘,将第二目标边缘的曲率与曲率均值的差值绝对值作为第一比值的分子,将曲率标准差作为第一比值的分母,从而获得每个第二目标边缘的第一比值;将待检测区域内所有第二目标边缘的第一比值的平均值确定为待检测区域的第二撕裂指标。
在本实施例中,裂口附近存在较多划痕,通常在划痕较为杂乱的区域更容易产生撕裂缺陷,而划痕边缘的角点个数较少,所以将待检测区域内角点数量不大于2个的边缘确定为划痕边缘,为了便于区分,将划痕边缘确定为第二目标边缘。曲率可以表征弯曲程度,若某个第二目标边缘的曲率与待检测区域内的大多数第二目标边缘的曲率存在较大差异,则说明该第二目标边缘的分布较为杂乱,也就是分布不均匀。因此,确定待检测区域内每个第二目标边缘的曲率,便于分析每个第二目标边缘的曲率相对于整体的曲率均值和曲率标准差的偏移程度,即确定第一比值可以表征第二目标边缘的偏移程度,为了衡量待检测区域的整体第二目标边缘偏移程度,将所有第二目标边缘的第一比值的平均值确定为待检测区域的第二撕裂指标。
作为示例,待检测区域的第二撕裂指标的计算过程可以包括:
首先,通过标准分数Z-Score公式求出边缘线曲率与曲率均值相差的标准差个数,标准分数Z-Score公式为现有技术,此处不再进行赘述,即计算待检测区域的第i个第二目标边缘的第一比值,第一比值的计算公式可以为:
其中,为待检测区域的第i个第二目标边缘的第一比值,为待检测区域的第i
个第二目标边缘的曲率,为待检测区域的所有第二目标边缘的曲率均值,为待检测区
域的所有第二目标边缘的曲率标准差,为绝对值函数。
然后,计算待检测区域的第二撕裂指标,第二撕裂指标的计算公式可以为:
其中,Z为待检测区域的第二撕裂指标,a为待检测区域内第二目标边缘的个数,i
为待检测区域内第二目标边缘的序号,为待检测区域的第i个第二目标边缘的第一比值。
在第二撕裂指标的计算公式中,第一比值可以表征为第i个第二目标边缘的曲
率的标准分数,第一比值越大,说明第i个第二目标边缘的曲率相对于曲率均值的偏移程
度越大;第二撕裂指标Z可以表征待检测区域内所有第二目标边缘的曲率相对于曲率均值
的偏移程度,第二撕裂指标Z越大,说明待检测区域内划痕边缘的分布越杂乱,待检测区域
内存在裂纹缺陷的可能性越大;第二撕裂指标Z越小,说明待检测区域内划痕边缘的分布越
规则。
需要说明的是,为了增强运输货物与传输带之间的摩擦,传输带通常会存在分布规则的纹理,也就是在对每个检测区域进行边缘检测时,可能将非划痕或非撕裂的边缘识别为目标边缘,即识别出传输带的纹理边缘。但是,纹理边缘的图像分布规则,即各个纹理边缘的图像分布为平行且均匀,与撕裂缺陷的图像特征存在较大差异,所以此时计算的第一撕裂指标和第二撕裂指标不会对后续的撕裂缺陷判断造成影响。
至此,本实施例获得了每个检测区域的第一撕裂指标和第二撕裂指标。
S3,将任意一个检测区域作为待检测区域,对待检测区域内的各个像素点进行区域划分,判断待检测区域内是否存在疑似光斑区域;若存在疑似光斑区域,则将待检测区域内的每个疑似光斑区域进行光斑区域分析,获得待检测区域的第三撕裂指标和第四撕裂指标。
需要说明的是,撕裂区域的图像特征还可以包括:撕裂区域内通常会存在多个光斑区域,多个光斑区域的分布较为离散,且光斑区域的轮廓不规则,基于撕裂区域的光斑区域特征,对每个检测区域对的各个疑似光斑区域进行撕裂程度分析,具体实现步骤可以包括:
第一步,判断待检测区域内是否存在疑似光斑区域,具体实现步骤包括:
第一子步骤,按照预设生长准则,利用区域生长算法对待检测区域内的各个像素点进行区域划分,获得待检测区域对应的各个待选区域。其中,预设生长准则为在待检测区域内选取第二预设数目个像素点为起始点,下一个生长点与当前生长点之间的灰度差值的绝对值小于第二灰度阈值。
在本实施例中,通过区域生长算法,对待检测区域内的各个像素点进行区域划分,具体为,在待检测区域内随机选择10个像素点为起始点,第二预设数目可以设置为10,在区域生长划分过程中,下一个生长点的灰度值与当前生长点的灰度值之间的差值绝对值小于3,第二灰度阈值可以设置为3。第二预设数目和第二灰度阈值可以由实施者根据具体实际情况进行设置,这里不做具体限定。确定预设生长准则,是为了将待检测区域内灰度值相近的像素点划分到同一个区域内,有利于后续分析裂纹缺陷的光斑区域。
第二子步骤,计算各个待选区域的灰度均值,将灰度均值大于第一灰度阈值的待选区域确定为疑似光斑区域,从而获得待检测区域内的各个疑似光斑区域。
在本实施例中,裂纹缺陷的光斑区域内像素点的灰度值较高,可以从像素灰度的角度对各个待选区域进行筛选处理。具体为,将待检测区域内灰度均值大于192的待选区域确定为疑似光斑区域,可以将第一灰度阈值设置为经验值192,疑似光斑区域同样可以表征为疑似光斑区域。判断待检测区域内是否存在疑似光斑区域,若不存在疑似光斑区域,则进行后续的疑似撕裂区域的确定;若存在疑似光斑区域,则获得待检测区域内的各个疑似光斑区域,对各个疑似光斑区域进行撕裂程度分析,确定待检测区域的第三撕裂指标和第四撕裂指标。
第二步,若存在疑似光斑区域,则确定待检测区域的第三撕裂指标。
需要说明的是,为了衡量待检测区域内各个疑似光斑区域的离散程度,对待检测区域和各个疑似光斑区域之间的距离进行分析,确定待检测区域的第三撕裂指标。确定第三撕裂指标的具体实现步骤可以包括:
确定待检测区域的中心坐标和每个疑似光斑区域的质心坐标,计算每个质心坐标到中心坐标的距离;将待检测区域内所有质心坐标到中心坐标的距离均值作为第二比值的分母,将待检测区域内所有质心坐标到中心坐标的距离标准差作为第二比值的分子,将第二比值确定为待检测区域的第三撕裂指标。
在本实施例中,两点之间的距离可以为欧氏距离,第三撕裂指标的计算公式可以为:
其中,为待检测区域的第三撕裂指标,为待检测区域内所有质心坐标到中心
坐标的距离标准差,为待检测区域内所有质心坐标到中心坐标的距离均值,为待检测区
域的第二比值。
在第三撕裂指标的计算公式中,第三撕裂指标可以反映待检测区域内光斑分布的离散程度,第三撕裂指标越大,说明各个距离值的离散程度越大,即待检测区域内各个疑似光斑区域的离散程度越大;第三撕裂指标越小,说明各个距离值的离散程度越小,即待检测区域内各个疑似光斑区域的离散程度越小。距离标准差越大、距离均值越小,各个距离值的离散程度越大,待检测区域内存在撕裂缺陷的可能性越大。
第三步,若存在疑似光斑区域,则确定待检测区域的第四撕裂指标。
需要说明的是,为了衡量各个疑似光斑区域的边缘规则程度,对在规则的多边形内的疑似光斑区域面积进行分析,以确定待检测区域的第四撕裂指标,确定第四撕裂指标的具体实现步骤可以包括:
确定每个疑似光斑区域及其对应的最小凸多边行的面积;将每个疑似光斑区域对应的最小凸多边行的面积作为对应的疑似光斑区域的第三比值的分母,将每个疑似光斑区域的面积作为对应的疑似光斑区域的第三比值的分子,将每个疑似光斑区域的第三比值的平均值确定为待检测区域的第四撕裂指标。
在本实施例中,对于任意一个疑似光斑区域,选取一个能够完全包含疑似光斑区域轮廓的最小凸多边行,最小凸多边行的确定方法为现有技术,此处不再进行详细阐述。最小凸多边行也就是疑似光斑区域的最小包络凸壳,统计每个疑似光斑区域及其对应的最小凸多边行内的像素点个数,将像素点个数表征为面积。基于每个疑似光斑区域及其最小凸多边形的面积,计算待检测区域的第四撕裂指标,第四撕裂指标的计算公式可以为:
其中,为待检测区域的第四撕裂指标,为待检测区域的第j个疑似光斑区域的
面积,为待检测区域的第j个疑似光斑区域对应的最小凸多边行的面积,为待检测
区域的第j个疑似光斑区域的第三比值,j为疑似光斑区域的序号,J为待检测区域内疑似光
斑区域的个数。
在第四撕裂指标的计算公式中,最小凸多边行对应的区域为轮廓规则的区域,当
第j个疑似光斑区域在其对应的最小凸多边行中的占比越大,即第三比值越大,说明疑
似光斑区域和其对应的最小凸多边行的重合度越高,疑似光斑区域轮廓越规则;为了衡量
整个待检测区域内每个疑似光斑区域与其对应的最小凸多边形的重合度,需要计算待检测
区域内所有疑似光斑区域的第三比值的平均值。
至此,本实施例获得了待检测区域的第三撕裂指标和第四撕裂指标。
S4,判断待检测区域内是否存在疑似撕裂区域,若存在疑似撕裂区域,则将待检测区域内的每个疑似撕裂区域进行撕裂区域分析,获得待检测区域的第五撕裂指标。
需要说明的是,撕裂区域的图像特征还可以包括:传输带撕裂缺陷越严重,传输带上造成的撕裂长度和宽度越大,撕裂区域内的部分区域的颜色越小,灰度值越小,基于撕裂区域的灰度分布特征和形状特征,对每个检测区域对的各个疑似撕裂区域进行撕裂程度分析,具体实现步骤可以包括:
第一步,判断待检测区域内是否存在疑似撕裂区域。
在本实施例中,假设待检测区域内出现撕裂,撕裂区域会沿着传输带受力方向进行发展延伸,形成细长区域,由于撕裂缺陷呈现区域分布不均匀特征,当撕裂的严重程度较小时,待检测区域内存在多个较小的撕裂缺陷区域,当撕裂的严重程度较大时,撕裂缺陷区域的中心区域的颜色较深,灰度值较小,形成完整的细长区域。确定疑似撕裂区域的具体实现步骤可以为:
第三灰度阈值可以设置为经验值63,基于待检测区域内每个待选区域的灰度均值,将灰度均值小于63的待选区域确定为疑似撕裂区域,从而获得待检测区域内的各个疑似撕裂区域。判断待检测区域内是否存在疑似撕裂区域,若不存在疑似撕裂区域,则可以说明待检测区域内不存在严重程度较大的撕裂缺陷;若存在疑似撕裂区域,则确定待检测区域的第五撕裂指标。第三灰度阈值可以由实施者根据具体撕裂缺陷的灰度特征进行设置,不做具体限定。
第二步,若存在疑似撕裂区域,则将待检测区域内的每个疑似撕裂区域进行撕裂程度分析,获得待检测区域的第五撕裂指标。
在本实施例中,若待检测区域存在疑似撕裂区域,则通过疑似撕裂区域的面积和长轴长度,确定待检测区域的第五撕裂指标,确定第五撕裂指标的具体实现步骤可以包括:
第一子步骤,对于任意一个疑似撕裂区域,确定疑似撕裂区域的长轴方向和质心坐标;在疑似撕裂区域内过质心坐标且沿着长轴方向确定一条直线,将直线与疑似撕裂区域相交构成的线段确定为长轴长度,从而获得每个疑似撕裂区域的长轴长度。
在本实施例中,通过主成分分析(Principal Component Analysis,PCA)确定疑似撕裂区域的长轴方向,具体为:根据疑似撕裂区域内每个像素点的坐标位置,构建协方差矩阵,将得到的协方差矩阵中最大特征值对应的特征向量的方向,作为疑似撕裂区域的长轴方向,从而获得每个疑似撕裂区域的长轴方向。主成分分析的实现过程为现有技术,此处不再进行赘述。确定每个疑似撕裂区域的质心坐标,每个疑似撕裂区域均有其对应的长轴方向和质心坐标,过质心坐标且沿着长轴方向在对应的疑似撕裂区域内确定一个直线,将直线与对应的疑似撕裂区域边缘相交的两个点记为A和B,将线段AB的长度作为对应的疑似撕裂区域的长轴长度。每个疑似撕裂区域的长轴长度的确定过程相同,基于上述疑似撕裂区域的长轴长度的实现过程,可以获得待检测区域内每个疑似撕裂区域的长轴长度。
第二子步骤,计算待检测区域内所有疑似撕裂区域的长轴长度的平均值,计算待检测区域内所有疑似撕裂区域的面积平均值;将长轴长度的平均值和面积平均值的乘积确定为待检测区域的第五撕裂指标。
在本实施例中,待检测区域的第五撕裂指标的计算公式可以为:
其中,为待检测区域的第五撕裂指标,n为疑似撕裂区域的序号,N为待检测区域
内疑似撕裂区域的个数,为待检测区域的第n个疑似撕裂区域的长轴长度,为待检测区
域内第n个疑似撕裂区域的面积。
在第五撕裂指标的计算公式中,第五撕裂指标可以表征传输带上撕裂缺陷的撕
裂严重程度,第n个疑似撕裂区域的长轴长度越大,即第n个疑似撕裂区域内撕裂缺陷区
域的撕裂长度越大,第五撕裂指标越大,第n个疑似撕裂区域内存在严重撕裂缺陷的可
能性就会越大;第n个疑似撕裂区域的面积越大,第五撕裂指标越大,第n个疑似撕裂区
域内存在严重撕裂缺陷的可能性就会越大。
至此,本实施例获得了待检测区域的第五撕裂指标。
S5,根据待检测区域的第一撕裂指标、第二撕裂指标、第三撕裂指标、第四撕裂指标以及第五撕裂指标,确定待检测区域存在撕裂缺陷的可能性。
本实施例从撕裂缺陷的多个不同的图像特征,分析待检测区域存在撕裂缺陷的可能性,即基于待检测区域的第一撕裂指标、第二撕裂指标、第三撕裂指标、第四撕裂指标以及第五撕裂指标,计算待检测区域存在撕裂缺陷的可能性,存在撕裂缺陷的可能性的计算公式可以为:
第一步,对待检测区域的第四撕裂指标进行反比例处理,将反比例处理后的第四撕裂指标、第一撕裂指标、第二撕裂指标和第三撕裂指标的乘积确定为第六撕裂指标。
在本实施例中,待检测区域的第六撕裂指标的计算公式为:
其中,为待检测区域的第六撕裂指标,为待检测区域的第四撕裂指标,K为
待检测区域的第一撕裂指标,Z为待检测区域的第二撕裂指标,为待检测区域的第三撕
裂指标。
在第六撕裂指标的计算公式中,第四撕裂指标可以表征光斑轮廓的规则程度,
其与第六撕裂指标为负相关,第四撕裂指标越大,说明待检测区域内的光斑轮廓越
规则,第六撕裂指标越小,故对第四撕裂指标进行反比例处理;第一撕裂指标K可以
表征撕裂缺陷边缘之间的斜率差异,斜率差异越大撕裂缺陷的裂口宽度越大,其与第六撕
裂指标为正相关;第二撕裂指标Z可以表征划痕杂乱程度,划痕越杂乱的区域产生撕裂
的可能性越大,其与第六撕裂指标为正相关,第二撕裂指标Z越大,说明待检测区域的划痕
越杂乱,第六撕裂指标就会越大;第三撕裂指标可以表征光斑分布均匀程度,其与
第六撕裂指标为正相关,第三撕裂指标越大,说明待检测区域的光斑分布越均匀,
第六撕裂指标就会越大;第六撕裂指标反映了待检测区域内边缘的不规则程度,
第六撕裂指标越大,待检测区域内边缘越杂乱,待检测区域内存在撕裂缺陷的可能性
就会越大。
第二步,将待检测区域的第五撕裂指标与第六撕裂指标相加后的数值,确定为待检测区域存在撕裂缺陷的可能性。
在本实施例中,待检测区域的边缘越杂乱、亮斑边缘越不规则,分布越不均匀,划痕造成的撕裂裂口越大,待检测区域存在撕裂缺陷的可能性越大。待检测区域存在撕裂缺陷的可能性的计算公式可以为:
其中,为待检测区域存在撕裂缺陷的可能性,为待检测区域的第六撕裂
指标,为待检测区域的第五撕裂指标。
存在撕裂缺陷的可能性的计算公式中,第六撕裂指标和第五撕裂指标均与
待检测区域存在撕裂缺陷的可能性为正相关,和越大,待检测区域存在撕裂缺
陷的可能性就会越大;同时,待检测区域存在撕裂缺陷的可能性也可以表征待检测区域的
撕裂显著程度。
至此,本实施例获得了待检测区域存在撕裂缺陷的可能性。
S6,通过每个检测区域存在撕裂缺陷的可能性,判断待检测车内传输带是否存在撕裂缺陷。
在本实施例中,基于待检测区域存在撕裂缺陷的可能性的确定过程,可以获得每个检测区域存在撕裂缺陷的可能性。若任意一个检测区域存在撕裂缺陷的可能性大于撕裂缺陷阈值,则判定待检测车内传输带存在撕裂缺陷,否则,判定待检测车内传输带不存在撕裂缺陷。撕裂缺陷阈值可以取经验值为10,实施者可以根据实际情况自行调整,不做具体限定。
至此,本实施例实现了车内传输带撕裂缺陷的精准检测。
本发明提供了一种基于图像数据的车内传输带缺陷检测方法,该检测方法通过图像处理技术,将表面灰度图像划分为多个检测区域图像,基于检测区域对应的局部区域图像进行缺陷检测,有利于提高缺陷检测效率;基于撕裂缺陷的图像特征,对检测区域对应的各个边缘、各个疑似光斑区域和各个疑似撕裂区域进行撕裂程度分析,获得可以更准确判定待检测区域存在撕裂缺陷的可能性的判定指标,有助于进一步提高传输带缺陷检测的精准度。具体,在对每个检测区域对应的各个边缘进行撕裂边缘分析时,从撕裂缺陷区域内裂纹边缘和撕裂口边缘的特征,获得可以表征撕裂显著性的两个撕裂指标,即第一撕裂指标和第二撕裂指标;在对每个检测区域对应的各个疑似光斑区域进行光斑区域分析时,从撕裂缺陷区域内光斑的分布和轮廓特征,获得可以表征撕裂显著性的两个撕裂指标,即第三撕裂指标和第四撕裂指标;在对每个检测区域对应的各个疑似撕裂区域进行分析时,从撕裂区域的长度和所占面积,获得可以表征撕裂显著性的一个撕裂指标,即第五撕裂指标。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像数据的车内传输带缺陷检测方法,其特征在于,包括以下步骤:
获取待检测车内传输带的表面灰度图像,将所述表面灰度图像划分为不少于2个的检测区域,对每个检测区域进行边缘检测,获得每个检测区域对应的各个边缘;
对每个检测区域对应的各个边缘进行撕裂边缘分析,获得每个检测区域的第一撕裂指标和第二撕裂指标;
将任意一个检测区域作为待检测区域,对待检测区域内的各个像素点进行区域划分,判断待检测区域内是否存在疑似光斑区域;若存在疑似光斑区域,则将待检测区域内的每个疑似光斑区域进行光斑区域分析,获得待检测区域的第三撕裂指标和第四撕裂指标;
判断待检测区域内是否存在疑似撕裂区域,若存在疑似撕裂区域,则将待检测区域内的每个疑似撕裂区域进行撕裂区域分析,获得待检测区域的第五撕裂指标;
根据待检测区域的第一撕裂指标、第二撕裂指标、第三撕裂指标、第四撕裂指标以及第五撕裂指标,确定待检测区域存在撕裂缺陷的可能性;
通过每个检测区域存在撕裂缺陷的可能性,判断待检测车内传输带是否存在撕裂缺陷。
2.根据权利要求1所述的一种基于图像数据的车内传输带缺陷检测方法,其特征在于,对每个检测区域对应的各个边缘进行撕裂边缘分析,获得每个检测区域的第一撕裂指标和第二撕裂指标,包括:
任意一个检测区域为待检测区域,对待检测区域对应的各个边缘进行角点检测,将角点数量大于第一预设数目的边缘确定为第一目标边缘;判断待检测区域内是否存在数目大于第一预设数目的第一目标边缘,若存在数目大于第一预设数目的第一目标边缘,则根据每个目标边缘上的各个角点的位置进行直线拟合,获得每个第一目标边缘对应的拟合直线;计算待检测区域内相邻拟合直线的斜率差值的绝对值,将待检测区域内所有斜率差值的绝对值的平均值确定为待检测区域的第一撕裂指标;
将角点数量不大于第一预设数目的边缘确定为第二目标边缘,确定待检测区域内每个第二目标边缘的曲率,计算待检测区域的所有目标边缘的曲率均值和曲率标准差;对于任意一个第二目标边缘,将第二目标边缘的曲率与曲率均值的差值绝对值作为第一比值的分子,将曲率标准差作为第一比值的分母,从而获得每个第二目标边缘的第一比值;将待检测区域内所有第二目标边缘的第一比值的平均值确定为待检测区域的第二撕裂指标。
3.根据权利要求1所述的一种基于图像数据的车内传输带缺陷检测方法,其特征在于,将待检测区域内的每个疑似光斑区域进行光斑区域分析,获得待检测区域的第三撕裂指标和第四撕裂指标,包括:
确定待检测区域的中心坐标和每个疑似光斑区域的质心坐标,计算每个质心坐标到中心坐标的距离;将待检测区域内所有质心坐标到中心坐标的距离均值作为第二比值的分母,将待检测区域内所有质心坐标到中心坐标的距离标准差作为第二比值的分子,将所述第二比值确定为待检测区域的第三撕裂指标;
确定每个疑似光斑区域及其对应的最小凸多边行的面积;将每个疑似光斑区域对应的最小凸多边行的面积作为对应的疑似光斑区域的第三比值的分母,将每个疑似光斑区域的面积作为对应的疑似光斑区域的第三比值的分子,将每个疑似光斑区域的第三比值的平均值确定为待检测区域的第四撕裂指标。
4.根据权利要求1所述的一种基于图像数据的车内传输带缺陷检测方法,其特征在于,将待检测区域内的每个疑似撕裂区域进行撕裂区域分析,获得待检测区域的第五撕裂指标,包括:
对于任意一个疑似撕裂区域,确定疑似撕裂区域的长轴方向和质心坐标;在疑似撕裂区域内过质心坐标且沿着长轴方向确定一条直线,将直线与疑似撕裂区域相交构成的线段确定为长轴长度,从而获得每个疑似撕裂区域的长轴长度;
计算待检测区域内所有疑似撕裂区域的长轴长度的平均值,计算待检测区域内所有疑似撕裂区域的面积平均值;将所述长轴长度的平均值和所述面积平均值的乘积确定为待检测区域的第五撕裂指标。
5.根据权利要求1所述的一种基于图像数据的车内传输带缺陷检测方法,其特征在于,所述疑似光斑区域的获取步骤包括:
按照预设生长准则,利用区域生长算法对待检测区域内的各个像素点进行区域划分,获得待检测区域对应的各个待选区域;
计算各个待选区域的灰度均值,将灰度均值大于第一灰度阈值的待选区域确定为疑似光斑区域,从而获得待检测区域内的各个疑似光斑区域。
6.根据权利要求5所述的一种基于图像数据的车内传输带缺陷检测方法,其特征在于,所述预设生长准则为在待检测区域内选取第二预设数目个像素点为起始点,下一个生长点与当前生长点之间的灰度差值的绝对值小于第二灰度阈值。
7.根据权利要求5所述的一种基于图像数据的车内传输带缺陷检测方法,其特征在于,所述疑似撕裂区域的获取步骤包括:将灰度均值小于第三灰度阈值的待选区域确定为疑似撕裂区域,从而获得待检测区域内的各个疑似撕裂区域。
8.根据权利要求1所述的一种基于图像数据的车内传输带缺陷检测方法,其特征在于,根据待检测区域的第一撕裂指标、第二撕裂指标、第三撕裂指标、第四撕裂指标以及第五撕裂指标,确定待检测区域存在撕裂缺陷的可能性,包括:
对待检测区域的第四撕裂指标进行反比例处理,将反比例处理后的第四撕裂指标、第一撕裂指标、第二撕裂指标和第三撕裂指标的乘积确定为第六撕裂指标;
将待检测区域的第五撕裂指标与第六撕裂指标相加后的数值,确定为待检测区域存在撕裂缺陷的可能性。
9.根据权利要求1所述的一种基于图像数据的车内传输带缺陷检测方法,其特征在于,通过每个检测区域存在撕裂缺陷的可能性,判断待检测车内传输带是否存在撕裂缺陷,包括:
若任意一个检测区域存在撕裂缺陷的可能性大于撕裂缺陷阈值,则判定待检测车内传输带存在撕裂缺陷,否则,判定待检测车内传输带不存在撕裂缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753486.5A CN116503397B (zh) | 2023-06-26 | 2023-06-26 | 基于图像数据的车内传输带缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753486.5A CN116503397B (zh) | 2023-06-26 | 2023-06-26 | 基于图像数据的车内传输带缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503397A true CN116503397A (zh) | 2023-07-28 |
CN116503397B CN116503397B (zh) | 2023-09-01 |
Family
ID=87316880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753486.5A Active CN116503397B (zh) | 2023-06-26 | 2023-06-26 | 基于图像数据的车内传输带缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503397B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116709244A (zh) * | 2023-08-09 | 2023-09-05 | 江苏格瑞泰矿业科技有限公司 | 利用自组网的矿山救援人员体征数据高效稳定传输方法 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117197442A (zh) * | 2023-11-03 | 2023-12-08 | 超技工业(广东)股份有限公司 | 一种走天输送机的故障排查系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5717781A (en) * | 1992-12-21 | 1998-02-10 | Johnson & Johnson Vision Products, Inc. | Ophthalmic lens inspection method and apparatus |
US20030149947A1 (en) * | 2002-02-07 | 2003-08-07 | Applied Materials, Inc. | Method and system for detecting defects |
US20040032979A1 (en) * | 2002-08-12 | 2004-02-19 | Hitachi High-Technologies Corporation | Defect inspection method |
JP2007263696A (ja) * | 2006-03-28 | 2007-10-11 | Nippon Sheet Glass Co Ltd | 外形欠点の検出方法及びプログラム |
JP2009250700A (ja) * | 2008-04-03 | 2009-10-29 | Fujitsu Ltd | 表面検査システム、表面検査方法、及び、表面検査プログラム |
US20130141566A1 (en) * | 2011-12-05 | 2013-06-06 | Illinois Tool Works Inc. | Method and apparatus for machine vision counting and annotation |
US20140198970A1 (en) * | 2013-01-11 | 2014-07-17 | Fujitsu Limited | Edge detection device and edge detection method |
CN105139027A (zh) * | 2015-08-05 | 2015-12-09 | 北京天诚盛业科技有限公司 | 胶囊头缺陷检测方法和装置 |
CN105738475A (zh) * | 2014-12-10 | 2016-07-06 | 上海梅山钢铁股份有限公司 | 一种薄规格汽车用冷轧钢板内部缺陷的检测方法 |
WO2017040351A1 (en) * | 2015-08-28 | 2017-03-09 | Kla-Tencor Corporation | Self directed metrology and pattern classification |
US20170177997A1 (en) * | 2015-12-22 | 2017-06-22 | Applied Materials Israel Ltd. | Method of deep learining-based examination of a semiconductor specimen and system thereof |
WO2018050123A1 (zh) * | 2016-09-19 | 2018-03-22 | 北京眼神科技有限公司 | 虹膜图像的检测方法和装置 |
WO2019014810A1 (zh) * | 2017-07-17 | 2019-01-24 | 深圳市大疆创新科技有限公司 | 一种对图像的处理方法及装置、智能终端 |
CN109353777A (zh) * | 2018-08-15 | 2019-02-19 | 太原理工大学 | 基于双视觉图像特征融合的输送带纵向撕裂检测装置 |
CN113724258A (zh) * | 2021-11-02 | 2021-11-30 | 山东中都机器有限公司 | 一种基于图像处理的传送带撕裂检测方法及系统 |
WO2022148192A1 (zh) * | 2021-01-07 | 2022-07-14 | 新东方教育科技集团有限公司 | 图像处理方法、图像处理装置以及非瞬时性存储介质 |
CN114998322A (zh) * | 2022-07-19 | 2022-09-02 | 南通恒强轧辊有限公司 | 基于计算机视觉的轧机智能控制方法及系统 |
CN115375688A (zh) * | 2022-10-25 | 2022-11-22 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115464263A (zh) * | 2022-09-21 | 2022-12-13 | 中国航空制造技术研究院 | 一种激光焊接焊缝自动寻迹方法、检测方法及装置 |
CN115690089A (zh) * | 2022-11-21 | 2023-02-03 | 凌云光技术股份有限公司 | 一种微弱缺陷检测用的图像增强前处理方法及系统 |
-
2023
- 2023-06-26 CN CN202310753486.5A patent/CN116503397B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5717781A (en) * | 1992-12-21 | 1998-02-10 | Johnson & Johnson Vision Products, Inc. | Ophthalmic lens inspection method and apparatus |
US20030149947A1 (en) * | 2002-02-07 | 2003-08-07 | Applied Materials, Inc. | Method and system for detecting defects |
US20040032979A1 (en) * | 2002-08-12 | 2004-02-19 | Hitachi High-Technologies Corporation | Defect inspection method |
JP2007263696A (ja) * | 2006-03-28 | 2007-10-11 | Nippon Sheet Glass Co Ltd | 外形欠点の検出方法及びプログラム |
JP2009250700A (ja) * | 2008-04-03 | 2009-10-29 | Fujitsu Ltd | 表面検査システム、表面検査方法、及び、表面検査プログラム |
US20130141566A1 (en) * | 2011-12-05 | 2013-06-06 | Illinois Tool Works Inc. | Method and apparatus for machine vision counting and annotation |
US20140198970A1 (en) * | 2013-01-11 | 2014-07-17 | Fujitsu Limited | Edge detection device and edge detection method |
CN105738475A (zh) * | 2014-12-10 | 2016-07-06 | 上海梅山钢铁股份有限公司 | 一种薄规格汽车用冷轧钢板内部缺陷的检测方法 |
CN105139027A (zh) * | 2015-08-05 | 2015-12-09 | 北京天诚盛业科技有限公司 | 胶囊头缺陷检测方法和装置 |
WO2017040351A1 (en) * | 2015-08-28 | 2017-03-09 | Kla-Tencor Corporation | Self directed metrology and pattern classification |
US20170177997A1 (en) * | 2015-12-22 | 2017-06-22 | Applied Materials Israel Ltd. | Method of deep learining-based examination of a semiconductor specimen and system thereof |
WO2018050123A1 (zh) * | 2016-09-19 | 2018-03-22 | 北京眼神科技有限公司 | 虹膜图像的检测方法和装置 |
WO2019014810A1 (zh) * | 2017-07-17 | 2019-01-24 | 深圳市大疆创新科技有限公司 | 一种对图像的处理方法及装置、智能终端 |
CN109353777A (zh) * | 2018-08-15 | 2019-02-19 | 太原理工大学 | 基于双视觉图像特征融合的输送带纵向撕裂检测装置 |
WO2022148192A1 (zh) * | 2021-01-07 | 2022-07-14 | 新东方教育科技集团有限公司 | 图像处理方法、图像处理装置以及非瞬时性存储介质 |
CN113724258A (zh) * | 2021-11-02 | 2021-11-30 | 山东中都机器有限公司 | 一种基于图像处理的传送带撕裂检测方法及系统 |
CN114998322A (zh) * | 2022-07-19 | 2022-09-02 | 南通恒强轧辊有限公司 | 基于计算机视觉的轧机智能控制方法及系统 |
CN115464263A (zh) * | 2022-09-21 | 2022-12-13 | 中国航空制造技术研究院 | 一种激光焊接焊缝自动寻迹方法、检测方法及装置 |
CN115375688A (zh) * | 2022-10-25 | 2022-11-22 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115690089A (zh) * | 2022-11-21 | 2023-02-03 | 凌云光技术股份有限公司 | 一种微弱缺陷检测用的图像增强前处理方法及系统 |
Non-Patent Citations (6)
Title |
---|
SHEN LUYANG: "A low contrast defect detection method for PCB surface based on manual labeling", 《2020 35TH YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION (YAC)》 * |
厉荣宣;沈希忠;张树行;陈圣杰;: "基于图像处理的轴类零件表面裂纹检测", 图学学报, no. 01 * |
叶柳波;陈晨;陈鑫;赵正平;: "基于图像识别技术的零部件表面裂纹检测系统研究", 科技信息, no. 20 * |
律方成;: "基于活动轮廓模型的外绝缘紫外放电特征提取", 仪器仪表学报, no. 05 * |
朱华;应保胜;: "钢坯表面裂纹的图像识别算法研究", 机械设计与制造, no. 01 * |
罗玮;张荣福;郁浩;邬奇;: "基于图像处理的钢坯缺陷检测研究", 软件导刊, no. 08 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116709244A (zh) * | 2023-08-09 | 2023-09-05 | 江苏格瑞泰矿业科技有限公司 | 利用自组网的矿山救援人员体征数据高效稳定传输方法 |
CN116709244B (zh) * | 2023-08-09 | 2023-10-24 | 江苏格瑞泰矿业科技有限公司 | 利用自组网的矿山救援人员体征数据高效稳定传输方法 |
CN117095004A (zh) * | 2023-10-20 | 2023-11-21 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117095004B (zh) * | 2023-10-20 | 2024-01-12 | 金成技术股份有限公司 | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 |
CN117197442A (zh) * | 2023-11-03 | 2023-12-08 | 超技工业(广东)股份有限公司 | 一种走天输送机的故障排查系统 |
CN117197442B (zh) * | 2023-11-03 | 2024-03-05 | 超技工业(广东)股份有限公司 | 一种走天输送机的故障排查系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116503397B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116503397B (zh) | 基于图像数据的车内传输带缺陷检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN115100203B (zh) | 一种钢筋打磨除锈质量检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN114529549A (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115294113A (zh) | 一种木饰面板质量检测方法 | |
CN115063407B (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN116309565B (zh) | 基于计算机视觉的高强传送带跑偏检测方法 | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN116402808B (zh) | 一种电缆夹板模具制造智能化检测方法 | |
CN104867130A (zh) | 一种基于裂纹图像子区灰度均值的自适应分割方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN116912248A (zh) | 基于计算机视觉的不规则五金件表面缺陷检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN117237350B (zh) | 一种铸钢件质量实时检测方法 | |
CN110807354A (zh) | 一种工业流水线产品计数方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A defect detection method for in car transmission belts based on image data Granted publication date: 20230901 Pledgee: Shandong Liangshan Rural Commercial Bank Co.,Ltd. Chengnan sub branch Pledgor: Shandong Tiantong Automobile Technology Co.,Ltd. Registration number: Y2024980011017 |