CN116503403B - 基于图像处理的金属切削刀头的缺陷检测方法 - Google Patents
基于图像处理的金属切削刀头的缺陷检测方法 Download PDFInfo
- Publication number
- CN116503403B CN116503403B CN202310762084.1A CN202310762084A CN116503403B CN 116503403 B CN116503403 B CN 116503403B CN 202310762084 A CN202310762084 A CN 202310762084A CN 116503403 B CN116503403 B CN 116503403B
- Authority
- CN
- China
- Prior art keywords
- connected domain
- degree
- defect
- image
- metal cutting
- 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 87
- 238000005520 cutting process Methods 0.000 title claims abstract description 42
- 239000002184 metal Substances 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process 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
- 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
- G06T7/12—Edge-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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的金属切削刀头的缺陷检测方法,包括:根据金属切削刀头图像中前景区域的连通域的边缘像素点,与连通域的中心点之间的欧式距离获得连通域的整体延展程度以及局部延展程度,并根据同灰度连通域之间的欧式距离获得连通域的粘连程度,根据连通域的局部延展程度之间的差异,获得各局部延展程度的权重系数,进一步获得各连通域的缺陷程度,根据连通域的缺陷程度的大小实现金属切削刀头的缺陷检测。本发明根据连通域的轮廓形态以及连通域在图像中的空间关系,避免了利用连通域检测缺陷时,未考虑属于缺陷区域的连通域之间潜在的关系,提高了缺陷检测的准确性,保证了刀头的生产质量。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像处理的金属切削刀头的缺陷检测方法。
背景技术
在工业生产金属切削刀头时,刀头可能会因工作人员操作不当或机器因素使刀头表面出现缺陷隐患,为保证生产质量与人员安全,需要采集切削刀头图像中进行缺陷分割检测。
基于连通域的阈值分割是常用的图像分割手段之一,但在利用连通域中心点差异分割金属切削刀头缺陷的过程中往往不止会分割出缺陷部分,还会分割出一些不属于缺陷的刀头完整区域,使分割效果无法有效地体现出其表面的缺陷部分。
发明内容
本发明提供基于图像处理的金属切削刀头的缺陷检测方法,以解决现有的问题。
本发明的基于图像处理的金属切削刀头的缺陷检测方法采用如下技术方案:
本发明提供了基于图像处理的金属切削刀头的缺陷检测方法,该方法包括以下步骤:
获取金属切削刀头图像,对金属切削刀头图像进行预处理获得前景区域图像;
将连通域的质心记为连通域的中心点,根据前景区域图像中连通域的边缘像素点与中心点之间的平均欧式距离获得连通域的整体延展程度;将灰度值相同的两个连通域的中心点所对应的连接线上,两个边缘像素点之间的欧式距离,记为第一距离;将灰度值相同的两个连通域之间边缘像素点的最小欧式距离,记为第二距离;根据第一距离和第二距离获得连通域的粘连程度;
根据在预设的多个方向角度下,连通域的边缘像素点与中心点之间欧氏距离获得连通域在对应方向角度下的局部延展程度,根据局部延展程度之间的差异获得局部延展程度的权重系数,获得若干个局部延展程度的权重系数;
将若干个局部延展程度的最大的权重系数记为最大权重系数,将最大权重系数对应的局部延展程度记为特殊延展程度,根据整体延展程度、最大权重系数、特殊延展程度以及粘连程度获得连通域的缺陷程度,根据缺陷程度的大小,判断对应连通域是否为缺陷区域,实现金属切削刀头的缺陷检测;
所述整体延展程度,获取方法如下:
其中,表示连通域的整体延展程度,/>表示获取括号内两个像素点的欧式距离,/>表示连通域的第/>个边缘像素点,/>表示连通域的第/>个边缘像素点的位置,/>表示连通域的中心点的位置,/>表示连通域边缘像素点的总数;
所述粘连程度,获取方法如下:
将任意连通域记为目标连通域,获取与目标连通域灰度值相同的若干个连通域,记为目标连通域的同灰度连通域,将目标连通域与任意同灰度连通域之间,对应的第一距离和第二距离的比值记为粘连程度因子,将1减目标连通域与所有同灰度连通域的粘连程度因子的平均值,所得结果值记为目标连通域的粘连程度;
所述局部延展程度,获取方法如下:
获取在若干个预设方向角度下,连通域的边缘像素点与中心点之间的欧式距离,记为方向距离;获取连通域内中心点,与所有方向角度下对应边缘像素点之间的最大欧式距离,记为局部延展程度因子;
将方向距离与局部延展程度因子之间的比值记为对应方向角度下的局部延展程度;
所述权重系数,获取方法如下:
其中,表示连通域在方向角度/>下局部延展程度对应的权重系数,/>表示连通域在方向角度/>下的局部延展程度;/>表示除方向角度/>以外的第/>个方向角度;/>表示连通域在除方向角度/>以外,第/>个方向角度下的局部延展程度;/>表示共有N个方向角度,/>表示连通域的最大局部延展程度。
进一步的,所述前景区域图像,获取方法如下:
将金属切削刀头图像进行灰度化处理,获得对应的灰度图像,记为金属切削刀头灰度图像;
利用自适应分割算法获取金属切削刀头灰度图像中的刀刃部分的图像,记为前景区域图像。
进一步的,所述根据缺陷程度的大小,判断对应连通域是否为缺陷区域,包括的具体步骤如下:
首先,将连通域的整体延展程度,与最大权重系数对特殊延展程度乘积调节后,加和结果记为缺陷程度因子,将连通域的粘连程度对缺陷程度因子的乘积结果,记为连通域的缺陷程度;
然后,利用线性归一化函数对所有连通域的缺陷程度进行归一化处理,获得连通域的归一化缺陷程度;
最后,将缺陷程度大于预设缺陷程度阈值的连通域进行标注,即标注为缺陷区域。
本发明的技术方案的有益效果是:本发明利用前景区域图像中,反映连通域形态的连通域的延展程度,以及反映相同灰度的连通域之间的空间位置关系的粘连程度,获得连通域隶属于缺陷区域的缺陷程度,相较与现有的利用连通域进行缺陷检测的方法,可以准确地将图像中可能存在缺陷的缺陷区域进行分割标注,同时较大程度地减少除缺陷区域外的正常区域被分割出的概率,降低其对图像缺陷判断的影响。
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,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地介绍,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他的附图。
图1为本发明基于图像处理的金属切削刀头的缺陷检测方法的步骤流程图;
图2为多方向下的局部延展程度示意图。
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基于图像处理的金属切削刀头的缺陷检测方法,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基于图像处理的金属切削刀头的缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像处理的金属切削刀头的缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集金属切削刀头图像,灰度化处理得到对应的灰度图像,自适应分割获得前景区域图像。
利用工业相机采集金属切削刀头的表面图像,记为金属切削刀头图像;将金属切削刀头图像进行灰度化处理,获得对应的灰度图像,记为金属切削刀头灰度图像;利用自适应分割算法获取金属切削刀头灰度图像中的刀刃部分图像,记为前景区域图像。
步骤S002,根据前景区域图像中的连通域,获得连通域的整体延展程度以及粘连程度。
连通域是图像中具有相同像素值且位置相邻的像素点组成的区域图像,前景区域图像的连通域中,刀头的正常区域与缺陷区域所对应的连通域之间存在一定的区别,通过对缺陷区域与正常区域所对应连通域之间的差异进行分析,获取前景区域图像中的缺陷区域以及对应阈值;
由于金属切削刀头在不同光照强度与角度的作用下反射的光照强度不同,所以导致缺陷区域的灰度值也随着光照的变化而变化,对应的需要分割的阈值也随着变化而变化,加之光照与刀头摆放位置的随机性,导致所需分割阈值具有极高的不确定性,而同时又因刀头缺陷部分的大小、形状具有不规则的特点,导致缺陷区域的形态大小与相邻缺陷区域的粘连程度与正常区域存在着较为明显的差异,其中因连通域可合理表示区域的形态大小以及对应灰度值;
因此对前景区域图像进行连通域检测,得到若干个连通域。
本实施例需要根据连通域自身的特点以及相互之间的联系来实现对金属切削刀头的表面缺陷检测,而连通域自身的特点以及相互之间的联系,即为连通域的整体延展程度以及灰度相同的连通域之间的粘连程度;
需要说明的是,前景区域图像中缺陷区域的连通域主要具有两方面特点:连通域形态大小与正常区域的连通域存在较为明显的差异;两灰度值相同的连通域之间的粘连程度与正常区域的连通域存在较为明显的差异。
步骤(1),获取前景区域图像中的连通域以及各连通域对应的边缘像素点,将连通域的质心记为连通域的中心点,获取各连通域的中心点的位置坐标,则任意连通域的整体延展程度的获取方法为:
其中,表示连通域的整体延展程度,/>表示获取括号内两个像素点的欧式距离,/>表示连通域的第/>个边缘像素点,/>表示连通域的第/>个边缘像素点的位置坐标,/>表示连通域的中心点的位置坐标,/>表示连通域边缘像素点的总数。
连通域的中心点到连通域所有边缘像素点的平均距离越大,说明该连通域的面积越大,则连通域的整体延展程度越大。
步骤(2),根据连通域的灰度和连通域的边缘像素点之间的距离获得连通域之间的粘连程度。
首先,获取任意两个灰度值相同的连通域的中心点连接线上,所对应的两个边缘像素点之间的欧式距离,记为第一距离;将两个灰度值相同的连通域之间边缘像素点的最小欧式距离,记为第二距离/>;获取与任意连通域的灰度值相同时,对应的连通域的数量,记为同灰度连通域数量B;
根据同灰度连通域数量、第一距离和第二距离获得任意连通域的粘连程度:
其中,表示连通域与第b个同灰度连通域之间的粘连程度,B表示同灰度连通域数量,/>表示连通域与第b个同灰度连通域之间的第一距离,/>表示连通域与第b个同灰度连通域之间的第二距离;
两个连通域之间的第二距离越大,说明连通域之间的欧式距离越远,则连通域的粘连程度越小,即反映了连通域与灰度值相同的连通域之间在空间分布上的关系越小,属于缺陷的可能性较小。
至此,获得连通域的整体延展程度和连通域之间的粘连程度。
步骤S003,根据边缘像素点与中心点之间的距离获取在多个方向角度下连通域的局部延展程度,并根据局部延展程度获得各局部延展程度对应的权重系数。
金属切削刀头缺陷所对应的连通域主要有两种特征:1.连通域的延展程度;2.连通区域灰度相同的连通域之间的粘连程度。
由于连通域的延展程度是根据连通域的中心点与连通域的所有边缘像素点之间的欧式距离获得的,因此可以较为合理地反映连通域的边缘像素点与中心点之间的距离关系,即延展程度。
然而,由于金属切削刀头的缺陷区域的轮廓可能存在不规则性,在个别方向上连通域的边缘像素点与连通域的中心点之间的距离较远,但连通域的延展程度无较为明显变化的情况,因此连通域的延展程度无法合理地描述连通域的边缘轮廓特征。
进一步的,需要考虑连通域在不同方向上边缘像素点与中心点的距离关系,以连通域的中心点为中心,以逆时针为方向,获取方向角度分别为/>,/>,/>,/>,/>,/>,/>,/>的8个方向角度下,连通域对应的局部延展程度,如图2所示;
获取在8个方向角度下,连通域的边缘像素点的位置坐标,记为,表示方向角度为/>时,边缘像素点的位置坐标,根据8个方向角度下边缘像素点的位置坐标,获得任意连通域内中心点与边缘像素点之间的最大欧式距离,记为/>;
则任意连通域在不同方向角度下的局部延展程度获取方法为:
其中,表示方向角度为/>时,连通域的局部延展程度;/>表示方向角度为/>时,边缘像素点的位置坐标;/>表示获取括号内两个像素点的欧式距离;/>表示连通域的中心点的位置;/>表示连通域内中心点,与所有方向角度下对应边缘像素点之间的最大欧式距离。
边缘像素点越远离连通域的中心点,说明对应方向上的连通域的边缘向外延伸的越远,则对应方向上连通域的局部延展程度越大。
通过遍历连通域的8个方向角度,获得连通域在8方向角度下的局部延展程度;
另外,由于金属切削刀头的缺陷本身的不规则性,因此会存在连通域在部分方向角度上的局部延展程度差异较大,而其余方向较规则且整体延展程度较小的情况,因此需要考虑连通域在不同方向角度下的局部延展程度,与其余方向上的局部延展程度之间存在差异较大的情况,同时,由于连通域的局部延展程度与连通域的整体延展程度存在一定的转换关系,故需考虑连通域在不同方向角度下局部延展程度的权重系数;
则任意连通域在不同方向角度下局部延展程度的权重系数获取方法为:
其中,表示连通域在方向角度/>下局部延展程度对应的权重系数,/>表示连通域在方向角度/>下的局部延展程度;/>表示除方向角度/>以外的第/>个方向角度;/>表示连通域在除方向角度/>以外,第/>个方向角度下的局部延展程度;/>表示共有N个方向角度,/>表示连通域的最大局部延展程度。
需要说明的是,本事实例中N个方向角度,即为8个方向角度;
连通域在方向角度下的局部延展程度,与其余方向角度下的局部延展程度差异越大,说明连通域在方向角度/>下,向外延展的区域越大,即该方向角度下的边缘像素点距离连通域的中心点越远,则连通域在方向角度/>下的局部延展程度的权重系数越大。
至此,根据不同方向角度下连通域的边缘像素点,与对应连通域的中心点之间的距离获得连通域的局部延展程度,并根据局部延展程度获得不同方向角度下对应局部延展程度的权重系数。
步骤S004,根据整体延展程度、最大权重系数以及粘连程度获得连通域的缺陷程度,并根据缺陷程度获取前景区域图像中对应的缺陷区域。
遍历8个方向角度,获得任意连通域在8个方向角度下局部延展程度的权重系数,进而获取其中最大的权重系数,记为最大权重系数,并将最大权重系数所对应方向角度下的局部延展程度,记为连通域的特殊延展程度/>;
根据连通域的整体延展程度、最大权重系数、特殊延展程度以及粘连程度,获得任意连通域的缺陷程度:
其中,表示连通域的缺陷程度,/>表示连通域的整体延展程度,/>表示连通域的最大权重系数,/>表示连通域的特殊延展程度,/>表示连通域的粘连程度。
连通域的整体延展程度越高,且存在任意方向角度下的局部延展程度越高,连通域之间粘连程度越高,说明连通域隶属于缺陷区域的概率越大,缺陷程度就会越高。
获取所有连通域的缺陷程度,利用线型归一化进行处理,获得每个连通域的归一化缺陷程度,并预设缺陷程度阈值为0.7,将缺陷程度大于预设缺陷程度阈值的连通域进行标注,标注为缺陷区域。
需要说明的是,缺陷程度阈值是根据经验预设获得,可根据实际生产检测进行调整。
至此,获得所有连通域的缺陷程度,并通过对前景区域图像中所有连通域的缺陷程度的大小进行判断获得缺陷区域。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于图像处理的金属切削刀头的缺陷检测方法,其特征在于,该方法包括以下步骤:
获取金属切削刀头图像,对金属切削刀头图像进行预处理获得前景区域图像,对前景区域图像进行连通域检测,得到若干个连通域;
将连通域的质心记为连通域的中心点,根据前景区域图像中连通域的边缘像素点与中心点之间的平均欧式距离获得连通域的整体延展程度;将灰度值相同的两个连通域的中心点所对应的连接线上,两个边缘像素点之间的欧式距离,记为第一距离;将灰度值相同的两个连通域之间边缘像素点的最小欧式距离,记为第二距离;根据第一距离和第二距离获得连通域的粘连程度;
根据在预设的多个方向角度下,连通域的边缘像素点与中心点之间欧氏距离获得连通域在对应方向角度下的局部延展程度,根据局部延展程度之间的差异获得局部延展程度的权重系数,获得若干个局部延展程度的权重系数;
将若干个局部延展程度的最大的权重系数记为最大权重系数,将最大权重系数对应的局部延展程度记为特殊延展程度,根据整体延展程度、最大权重系数、特殊延展程度以及粘连程度获得连通域的缺陷程度,根据缺陷程度的大小,判断对应连通域是否为缺陷区域,实现金属切削刀头的缺陷检测;
所述整体延展程度,获取方法如下:
其中,表示连通域的整体延展程度,/>表示获取括号内两个像素点的欧式距离,/>表示连通域的第/>个边缘像素点,/>表示连通域的第/>个边缘像素点的位置,/>表示连通域的中心点的位置,/>表示连通域边缘像素点的总数;
所述粘连程度,获取方法如下:
将任意连通域记为目标连通域,获取与目标连通域灰度值相同的若干个连通域,记为目标连通域的同灰度连通域,将目标连通域与任意同灰度连通域之间,对应的第一距离和第二距离的比值记为粘连程度因子,将1减目标连通域与所有同灰度连通域的粘连程度因子的平均值,所得结果值记为目标连通域的粘连程度;
所述局部延展程度,获取方法如下:
获取在若干个预设方向角度下,连通域的边缘像素点与中心点之间的欧式距离,记为方向距离;获取连通域内中心点,与所有方向角度下对应边缘像素点之间的最大欧式距离,记为局部延展程度因子;
将方向距离与局部延展程度因子之间的比值记为对应方向角度下的局部延展程度;
所述权重系数,获取方法如下:
其中,表示连通域在方向角度/>下局部延展程度对应的权重系数,/>表示连通域在方向角度/>下的局部延展程度;/>表示除方向角度/>以外的第/>个方向角度;/>表示连通域在除方向角度/>以外,第/>个方向角度下的局部延展程度;/>表示共有N个方向角度,/>表示连通域的最大局部延展程度。
2.根据权利要求1所述基于图像处理的金属切削刀头的缺陷检测方法,其特征在于,所述前景区域图像,获取方法如下:
将金属切削刀头图像进行灰度化处理,获得对应的灰度图像,记为金属切削刀头灰度图像;
利用自适应分割算法获取金属切削刀头灰度图像中的刀刃部分的图像,记为前景区域图像。
3.根据权利要求1所述基于图像处理的金属切削刀头的缺陷检测方法,其特征在于,所述根据缺陷程度的大小,判断对应连通域是否为缺陷区域,包括的具体步骤如下:
首先,将连通域的整体延展程度,与最大权重系数对特殊延展程度乘积调节后,加和结果记为缺陷程度因子,将连通域的粘连程度对缺陷程度因子的乘积结果,记为连通域的缺陷程度;
然后,利用线性归一化函数对所有连通域的缺陷程度进行归一化处理,获得连通域的归一化缺陷程度;
最后,将缺陷程度大于预设缺陷程度阈值的连通域进行标注,即标注为缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310762084.1A CN116503403B (zh) | 2023-06-27 | 2023-06-27 | 基于图像处理的金属切削刀头的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310762084.1A CN116503403B (zh) | 2023-06-27 | 2023-06-27 | 基于图像处理的金属切削刀头的缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503403A CN116503403A (zh) | 2023-07-28 |
CN116503403B true CN116503403B (zh) | 2023-09-01 |
Family
ID=87316935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310762084.1A Active CN116503403B (zh) | 2023-06-27 | 2023-06-27 | 基于图像处理的金属切削刀头的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503403B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094993B (zh) * | 2023-10-18 | 2024-03-26 | 山东聚亨源环保科技有限公司 | 一种污水处理过程中沉淀检测方法 |
CN117808796B (zh) * | 2024-02-23 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
CN117974657B (zh) * | 2024-03-29 | 2024-06-14 | 浙江高盛输变电设备股份有限公司 | 一种基于计算机视觉的电缆表面缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115330783A (zh) * | 2022-10-13 | 2022-11-11 | 启东谷诚不锈钢制品有限公司 | 一种钢丝绳缺陷检测方法 |
CN115345875A (zh) * | 2022-10-17 | 2022-11-15 | 江苏煵笙重工有限公司 | 一种船舶外板锈蚀区域识别及分析方法 |
-
2023
- 2023-06-27 CN CN202310762084.1A patent/CN116503403B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115330783A (zh) * | 2022-10-13 | 2022-11-11 | 启东谷诚不锈钢制品有限公司 | 一种钢丝绳缺陷检测方法 |
CN115345875A (zh) * | 2022-10-17 | 2022-11-15 | 江苏煵笙重工有限公司 | 一种船舶外板锈蚀区域识别及分析方法 |
Non-Patent Citations (1)
Title |
---|
基于级联与组合属性形态学滤波的模糊边界目标识别;蒋先刚;张盼盼;盛梅波;胡玉林;;计算机工程(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503403A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116503403B (zh) | 基于图像处理的金属切削刀头的缺陷检测方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN115984271B (zh) | 基于角点检测的金属毛刺识别方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN111738271B (zh) | 自然环境中被遮挡果实的识别方法 | |
CN111462066B (zh) | 一种基于机器视觉的螺纹参数检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN114820612B (zh) | 基于机器视觉的轧辊表面缺陷检测方法及系统 | |
CN115294099A (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
CN116645373B (zh) | 一种木材表面缺陷识别方法 | |
CN111524156A (zh) | 一种基于距离变换和角点检测的重叠柑橘分割方法 | |
CN115272319B (zh) | 一种矿石粒度检测方法 | |
CN115311262A (zh) | 一种印刷电路板缺陷识别方法 | |
CN116152247B (zh) | 一种聚氨酯涂膜的质量评估方法 | |
CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN117808810B (zh) | 一种滚刀磨损图像识别测量方法及系统 | |
CN115861313A (zh) | 一种用于磨头的磨损检测方法 | |
CN114022441A (zh) | 一种不规则五金件的缺陷检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 |
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 |