CN116721106B - 一种基于图像处理的型材瑕疵视觉检测方法 - Google Patents
一种基于图像处理的型材瑕疵视觉检测方法 Download PDFInfo
- Publication number
- CN116721106B CN116721106B CN202311006481.2A CN202311006481A CN116721106B CN 116721106 B CN116721106 B CN 116721106B CN 202311006481 A CN202311006481 A CN 202311006481A CN 116721106 B CN116721106 B CN 116721106B
- Authority
- CN
- China
- Prior art keywords
- defect
- pixel point
- difference
- defective pixel
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 230000000007 visual effect Effects 0.000 title claims abstract description 10
- 230000007547 defect Effects 0.000 claims abstract description 286
- 230000002950 deficient Effects 0.000 claims abstract description 189
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000004075 alteration Effects 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011179 visual inspection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 229910000838 Al alloy Inorganic materials 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000009828 non-uniform distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (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处理的型材瑕疵视觉检测方法。本方法获得包含缺陷区域与非缺陷区域的型材图像,根据每个缺陷像素点与缺陷区域整体灰度值间的差异和缺陷区域边界的相对距离获得色差显著程度;在非缺陷区域,分析每个非缺陷像素点的整体灰度差异和预设邻域范围内的灰度分布特征,获得类缺陷指数;计算非缺陷像素点与缺陷像素点的距离筛选预设数量个最近的参考像素点,通过参考像素点的平均色差显著程度、非缺陷像素点与参考缺陷像素点间的距离和类缺陷指数获得缺陷置信;根据缺陷置信与像素灰度值获得缺陷显著值,得到优化缺陷区域。本发明基于缺陷显著值进行显著性检测,提高了微小色差瑕疵检测的准确度。
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处理的型材瑕疵视觉检测方法。
背景技术
型材是具有一定强度和韧性的材料,可以按照使用需求制造出合适的形状,方便安装使用的同时提高了强度和利用率,还可以直接拼装,降低后续的加工成本,符合标准的同时也提高了型材的美观程度。但在型材遇到磕碰摩擦等事故后,表面可能会出现瑕疵,不仅影响材料的外观和表面结构,也会直接影响到产品的质量。
在现有技术中,考虑到型材瑕疵有区别于表面标准颜色的色差,通过传统图像处理方法获取到明显划痕区域。但是在氧化后的型材图像中,存在划痕颜色与型材表面颜色差别不大的情况,导致缺陷检测的效果并不明显,无法准确的检测出低色差划痕瑕疵。
发明内容
为了解决氧化后的型材划痕颜色与型材表面颜色差别不大导致微小色差瑕疵检测不准确的技术问题,本发明的目的在于提供一种基于图像处理的型材瑕疵视觉检测方法,所采用的技术方案具体如下:
本发明提出了一种基于图像处理的型材瑕疵视觉检测方法,所述方法包括:
获取氧化后铝合金的型材图像,所述型材图像包括缺陷区域和非缺陷区域;
在所述缺陷区域中,根据每个缺陷像素点与缺陷区域整体灰度值之间的差异和缺陷像素点与缺陷区域边界的相对距离,获得色差显著程度;
在所述非缺陷区域中,以每个非缺陷像素点为中心构建第二窗口;分别获取所述第二窗口内每个非缺陷像素点与对应所述第二窗口和最近的缺陷区域的整体灰度差异;根据所述整体灰度差异和所述第二窗口内的非缺陷像素点预设邻域范围内的灰度分布特征获得每个非缺陷像素点的类缺陷指数;
根据所述非缺陷像素点与缺陷像素点之间的距离筛选出每个非缺陷像素点的参考缺陷像素点;根据所述参考缺陷像素点的平均色差显著程度、所述非缺陷像素点与对应所述参考缺陷像素点的距离和所述类缺陷指数获得非缺陷像素点的缺陷置信;根据所述缺陷置信和像素值获得每个非缺陷像素点的缺陷显著值;
根据所述缺陷显著值获得优化缺陷区域。
进一步地,所述缺陷区域的获取方法包括:
通过预处理的方式对所述型材图像进行处理之后,采用Canny算子检测到的边缘信息作为Hough变换的输入,将输出的直线边缘舍弃,其余所述边缘信息使用线性插值的方法,获得完整闭合缺陷边缘线,所述完整闭合缺陷边缘线构成所述缺陷区域。
进一步地,所述色差显著程度的获取方式包括:
以每个缺陷像素点为中心构建第一窗口,根据所述第一窗口与所述缺陷区域之间的灰度分布差异,获得色差差异程度;以缺陷像素点与所述缺陷区域边界之间的最小欧式距离作为所述相对距离;根据所述相对距离和所述色差差异程度获得所述色差显著程度;所述色差差异程度与所述色差显著程度为正相关关系,所述相对距离与所述色差显著程度为负相关关系。
进一步地,所述色差差异程度的获取方法包括:
获取所述缺陷区域内部的灰度最小值,计算所述第一窗口内灰度均值与所述灰度最小值的差值,并进行归一化处理,获得所述第一窗口的中心像素点的色差差异程度。
进一步地,所述整体灰度差异的获取方法包括:
所述整体灰度差异包括第一灰度差异和第二灰度差异;计算所述第二窗口内像素灰度均值与每个非缺陷像素点之间的灰度差异,获得所述第一灰度差异;计算所述第二窗口内每个非缺陷像素点与距离最近缺陷区域内最小灰度值之间的灰度差异,获得所述第二灰度差异。
进一步地,所述灰度分布特征的获取方法包括:
所述灰度分布特征包括局部最大灰度差异、异常像素密度和熵值;在所述第二窗口内非缺陷像素点的预设邻域范围内的邻域像素点中选择最大的所述第一灰度差异作为所述局部最大灰度差异;在邻域范围内,定义灰度值大于所述第二窗口灰度均值的像素点为异常像素,计算异常像素在邻域范围中的占比,获得所述异常像素密度。
进一步地,所述类缺陷指数的获取方法包括:
计算所述第一灰度差异和所述第二灰度差异之间的比值,作为差异比值;将所述差异比值与所述局部最大灰度差异的乘积作为差异权重;根据所述差异权重、所述熵值和所述异常像素密度获得第二窗口每个非缺陷像素点的初始类缺陷指数;
所述差异权重、所述熵值以及所述异常像素密度均与所述初始类缺陷指数为正相关关系;
根据所述第二窗口遍历整个所述非缺陷区域,获得每个非缺陷像素点的所有所述初始类缺陷指数,将每个非缺陷像素点的所有所述初始类缺陷指数求平均,获得每个非缺陷像素点的所述类缺陷指数。
进一步地,所述非缺陷像素点的缺陷置信的获取方法包括:
将每个非缺陷像素到缺陷区域的最短距离连接线延长至缺陷内部,取前预设数量个缺陷像素点作为所述参考缺陷像素点,获得所述参考缺陷像素点的平均色差显著程度;以非缺陷像素点到缺陷区域内部所述参考缺陷像素点的最短欧式距离作为所述距离;计算所述距离与所述平均色差显著程度的比值,并进行归一化,作为显著度权重;
根据所述显著度权重和归一化处理的所述类缺陷指数获得非缺陷区域内每个像素的缺陷置信;所述类缺陷指数与所述缺陷置信为正相关关系,所述显著度权重与所述缺陷置信为负相关关系。
进一步地,所述每个非缺陷像素点缺陷显著值的获取方法包括:
将所述非缺陷像素的缺陷置信作为权重与像素的原始灰度值相乘,获得所述每个非缺陷像素点的缺陷显著值。
进一步地,所述根据所述缺陷显著值获得优化缺陷区域包括:
以所述缺陷显著值来替代像素的灰度值,获得优化非缺陷区域图像;基于直方图对比度的显著性检测方法处理所述优化非缺陷区域图像,得到每个非缺陷像素点的优化缺陷显著值,根据优化缺陷显著值筛选出优化缺陷像素点,所述优化缺陷像素点构成所述优化缺陷区域。
本发明具有如下有益效果:
本发明将型材图像分为明显缺陷区域和非缺陷区域进行分析,在缺陷区域内分析灰度值大小的变化特征以及每个缺陷像素点到最近缺陷边缘的相对距离,获得每个缺陷像素点的色差显著程度,有效避免了缺陷像素距离非缺陷区域太远以及目标像素为噪声或异常像素的问题。其次对非缺陷区域进行分析,构建以每个非缺陷像素点为中心的第二窗口,对局部区域进行分析,避免其他信息干扰,通过分析每个非缺陷像素点与第二窗口以及距其最近的缺陷区域的整体灰度差异,进一步结合非缺陷像素的灰度分布特征获得非缺陷区域内每个像素的类缺陷指数,解决了因为色差变化过小而无法用传统图像处理方法判断缺陷位置的问题。根据非缺陷区域像素点与缺陷区域像素点距离最小的参考像素点的平均色差显著程度、与参考像素点的距离,以及类缺陷指数获得非缺陷区域的缺陷置信,提高了检测低色差缺陷的精度。将非缺陷像素的缺陷置信和像素值相乘得到非缺陷像素的缺陷显著值,基于缺陷显著值对HC显著性检测算法进行改进,解决了存在难以分辨的微小色差缺陷时传统图像处理方法检测效果的准确性不高的问题,能够有效提高算法的准确性。
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图像处理的型材瑕疵视觉检测方法;
图2为本发明一个实施例所提供的一种型材图像。
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图像处理的型材瑕疵视觉检测方法,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一种基于图像处理的型材瑕疵视觉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一种基于图像处理的型材瑕疵视觉检测方法流程图,
步骤S1:获取氧化后铝合金的型材图像,型材图像包括缺陷区域和非缺陷区域。
在本发明实施例中,将完成人为氧化后完整的铝合金型材送入传送带,传送带周围部署有多个CCD工业摄像头,使得能够拍摄到型材各个视角下的表面图像,需要说明的是,每个视角下的表面图像处理方法均是相同的,在此不做赘述,后续描述中仅以一个表面图像进行举例说明。
在本发明一个实施例中,为了方便后续图像处理过程,在获取表面图像之后,对表面图像进行图像预处理操作,提高表面图像的质量。需要说明的是,图像预处理操作为本领域技术人员熟知的技术手段,可根据具体实施场景具体设置,在本发明一个实施例中选择高斯滤波去除图像内部大部分的噪声,使用Gamma变换提高表面图像的质量,具体高斯滤波与Gamma变换算法为本领域技术人员熟知的技术手段,在此不做赘述。
若型材图像存在微小色差划痕缺陷,存在不易检测的情况,需要在后续进一步确定优化缺陷区域;预处理后的图像进一步提取边缘的位置及特征,舍弃型材本身直线边缘信息,因此需要在后续步骤中对缺陷区域以及非缺陷区域进行分析,进而确定准确的瑕疵区域。需要说明的是在本发明一些实施例中可根据型材具体的特征,例如颜色特征、结构特征、边缘特征等对型材图像进行分析,进而初步确定出缺陷区域和非缺陷区域。
优选地,在本发明一个实施例中,缺陷区域的获取方法包括:
通过预处理的方式对型材图像进行了去噪增强之后,使用Canny算子对预处理图像内部进行边缘检测,将得到的二值图像作为Hough变换的输入,提取型材图像中边缘的位置及特征,舍弃输出的直线边缘信息,参阅图2提供的一种型材图像,型材本身的直线边缘信息与缺陷处有很明显的区别,避免对后续缺陷边缘的检测产生影响。其余边缘信息标记为缺陷边缘,使用线性插值的方法填充缺陷边缘的边缘像素坐标,为了避免灰度差异较小而导致缺陷边缘缺失不闭合对后续分析的影响,获得完整闭合缺陷边缘线构成的缺陷区域,区分型材图像中的缺陷区域与非缺陷区域。需要说明的是,在本实施例中,Canny算子、Hough变换以及线性插值的算法均为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:在缺陷区域中,根据每个缺陷像素点与缺陷区域整体灰度值之间的差异和缺陷像素点与缺陷区域边界的相对距离,获得色差显著程度。
在包含完整闭合缺陷边缘线的缺陷区域中,分析每个缺陷像素点避免是噪声或者异常像素点而影响分析的准确性。因为缺陷区域与型材表面有不一样的灰度分布,当灰度差异越大时与型材表面颜色差别越大;划痕缺陷受到外力的影响,当缺陷距离正常区域越远,色差就越不明显,影响对于附近色差较小的缺陷判断,选取最近的距离可以消除缺陷像素距离型材表面正常像素过远的影响。所以可以通过分析窗口每个缺陷像素点以及缺陷区域整体灰度值之间的差异变化来获得像素点的色差差异程度;结合缺陷像素点距离缺陷区域边界的相对距离计算缺陷区域内所有像素的色差显著程度。
优选地,在本发明的一个实施例中,色差显著程度的获取方法包括:
构建以每个缺陷像素点为中心的第一窗口,获取缺陷区域内部的灰度最小值,计算第一窗口内灰度均值与灰度最小值的差值,并进行归一化处理,获得第一窗口内每个缺陷像素点的色差差异程度;计算缺陷像素点与缺陷区域边界之间的最小欧式距离作为相对距离;根据相对距离和色差差异程度获得色差显著程度。因为色差差异程度越大,与型材表面的色差变化越明显,因此色差差异程度与色差显著程度为正相关关系;缺陷像素点与正常区域的相对距离越远,对色差显著度的影响越小,即相对距离与色差显著程度为负相关关系。在本发明的一个实施例中色差显著程度的公式表示为:
其中,为色差显著程度,/>和/>分别为缺陷区域内部的灰度最大值和最小值,/>为窗口内部的灰度均值,/>为窗口中心像素距离边缘最近的欧氏距离,/>为自然常数。
在色差显著程度的公式中,代表缺陷区域与型材表面的色差变化,越大时,有明显的色差变化;/>可以代表窗口与缺陷区域的色差变化,/>越大,表明窗口中心像素与型材表面的色差变化越明显;通过以自然常数为底的指数函数将相对距离进行负相关映射,距离越远,色差显著程度越不明显。
在本发明一个实施例中,第一窗口的大小设置为,/>取经验值为5。在其他实施例中窗口的设置可根据具体情况具体设置,在此不做限定及赘述。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系以及归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
除了对缺陷区域检测外,要特别对非缺陷区域进行分析,因为明显缺陷区域附近更容易产生微小色差划痕,所以计算缺陷区域的色差显著程度,后续分析非缺陷像素点与缺陷区域像素点灰度值的相似性。
步骤S3:在非缺陷区域中,以每个非缺陷像素点为中心构建第二窗口;分别获取第二窗口内每个非缺陷像素点与对应第二窗口和最近的缺陷区域的整体灰度差异;根据整体灰度差异和第二窗口内的非缺陷像素点预设邻域范围内的灰度分布特征获得每个非缺陷像素点的类缺陷指数。
对图像所定义的非缺陷区域内,可能存在微小色差的划痕难以检测到,所以需要对非缺陷区域灰度分布情况进一步分析。构建以每个非缺陷像素点为中心的第二窗口,在非缺陷区域内进行局部范围内的分析,以区域中的每个非缺陷像素点为中心来排除噪声和异常像素点。
整体灰度差异分析了每个非缺陷像素点与局部信息的整体差异,表明了一定的色差信息,灰度差异越大,与型材表面的色差越大;在邻域范围内,标准非缺陷像素点的灰度分布特征都是均匀的,是缺陷的可能性很小,灰度分布特征越混乱,是缺陷像素点的可能性变大;所以可以根据整体灰度差异以及灰度分布特征获得每个非缺陷像素点的类缺陷指数。
在本发明一个实施例中,第二窗口的大小设置为,取经验值为22;第二窗口内非缺陷像素点预设邻域范围区域的大小设置为/>,取经验值为5。在其他实施例中窗口的设置可根据具体情况具体设置,在此不做限定及赘述。
优选地,在本发明的一个实施例中,整体灰度差异的获取方法包括:
整体灰度差异包括第一灰度差异和第二灰度差异。计算第二窗口内像素灰度均值与每个非缺陷像素点之间的灰度差异,获得第一灰度差异;计算第二窗口内每个非缺陷像素点与距离最近缺陷区域内最小灰度值之间的灰度差异,获得第二灰度差异;因为非缺陷区域不包含缺陷像素点,整体的灰度值都是较均匀的,没有较大的差异,所以当每个非缺陷像素点灰度值与非缺陷整体灰度值差异越大,与最近缺陷区域的灰度均值差异较小时,是缺陷像素点的情况越大。
优选地,在本发明的一个实施例中,灰度分布特征的获取方法包括:
灰度分布特征包括局部最大灰度差异、异常像素密度和熵值;在第二窗口内非缺陷像素
点的预设邻域范围内的邻域像素点中选择最大的第一灰度差异作为局部最大灰度差异,局部最大灰度差异越大,色差就会越明显;在邻域范围内,定义灰度值大于第二窗口灰度均值的像素点为异常像素,计算异常像素在邻域范围中的占比,获得异常像素密度;熵值用来表示在灰度值分布均匀的型材表面上出现非均匀像素点的概率,当像素点的灰度值分布不一样时,不均匀分布的非缺陷像素点越多,与非缺陷区域其他像素点的差别较大,邻域范围内出现大于第二窗口灰度均值的像素点次数越多,分布的越不均匀,都越接近缺陷区域像素点分布特征。其中,局部最大灰度差异、异常像素密度以及熵值越大,灰度分布特征越混乱。
优选地,在本发明的一个实施例中,类缺陷指数的获取方法包括:
计算第一灰度差异和第二灰度差异之间的比值,作为差异比值,将差异比值与局部最大
灰度差异的乘积作为差异权重,灰度差异比值越大时说明与型材表面的色差越明显,即与缺陷区域像素点越相似;根据差异权重、熵值和异常像素密度获得初始类缺陷指数;熵值与异常像素密度越大说明此区域像素点灰度值分布不均匀,与其他像素点的灰度差异较大,即与缺陷区域像素点接近;因此差异权重、熵值以及异常像素密度均与初始类缺陷指数为正相关关系。在本发明的一个实施例中非缺陷像素的初始类缺陷指数公式为:
其中,为每个非缺陷像素点的初始类缺陷指数,/>为第二窗口内每个像素点灰度值与第二窗口灰度均值差值的绝对值,/>为第二窗口内每个像素点灰度值与距离此像素最近的缺陷区域灰度均值差值的绝对值。/>为领域范围内灰度值大于第二窗口灰度均值的个数,/>为邻域范围内部所有像素的灰度熵,其值越大代表在灰度值分布均匀的型材表面上出现的非均匀像素越多,/>为每个非缺陷像素点灰度值与第二窗口灰度均值相差最大的灰度差绝对值,/>为邻域范围的面积。
在类缺陷指数中,越大时,代表每个非缺陷像素点的灰度值与型材表面的灰度差异越大,与缺陷区域的灰度差异越小,缺陷指数/>随之增大;/>表达的是邻域范围内灰度值大于第二窗口灰度均值像素的密度,其值越大代表邻域范围内大于第二窗口平均灰度值的像素个数更多。
在第二窗口滑动时,其非缺陷像素点可能会参与到许多第二窗口的计算,为了计算的准确性,需要对多个结果求取平均值。根据第二窗口遍历整个非缺陷区域,获得每个非缺陷像素点的所有初始类缺陷指数,将每个非缺陷像素点的所有初始类缺陷指数求平均,获得每个非缺陷像素点的类缺陷指数。在本发明的一个实施例中非缺陷像素的类缺陷指数公式为:
其中,为非缺陷像素点所参与到第二窗口所有计算的均值,即非缺陷像素点的类缺陷指数,/>为非缺陷像素点参与了第二窗口计算的个数,/>的取值为。
步骤S4:根据非缺陷像素点与缺陷像素点之间的距离筛选出每个非缺陷像素点的参考缺陷像素点;根据参考缺陷像素点的平均色差显著程度、非缺陷像素点与对应参考缺陷像素点的距离和类缺陷指数获得非缺陷像素点的缺陷置信;根据缺陷置信和像素值获得每个非缺陷像素点的缺陷显著值。
在非缺陷区域,距离缺陷区域越近,越可能存在微小色差缺陷;与缺陷区域色差越接近,色差显著度越高的,越可能是缺陷像素点,把非缺陷像素点与缺陷像素点之间的距离作为筛选条件,选出最近距离非缺陷像素点的参考像素点,获得平均色差显著值;类缺陷指数越大,是缺陷的可能性也越大,根据色差显著程度、非缺陷像素点与对应参考缺陷像素点的距离和类缺陷指数获得非缺陷像素点的缺陷置信,判断每个非缺陷像素是缺陷的可能性,避免缺陷与非缺陷色差很小而导致检测准确性差的缺点。
优选地,在本发明的一个实施例中,非缺陷像素点的缺陷置信的获取方法包括:
将每个非缺陷像素到缺陷区域的最短距离连接线延长至缺陷内部,取前预设数量个缺陷像素点作为参考缺陷像素点,获得参考缺陷像素点的平均色差显著程度;以非缺陷像素点到缺陷区域内部参考缺陷像素点的最短欧式距离作为距离;计算距离与平均色差显著程度的比值,并进行归一化,作为显著度权重;根据显著度权重和类缺陷指数获得非缺陷区域内每个像素的缺陷置信。色差显著程度越大说明距离非缺陷像素点最近的缺陷像素点越明显,结合非缺陷像素点的类缺陷指数获得每个像素点的缺陷置信,用来判断非缺陷区域内每个像素点是缺陷像素点的可靠程度;类缺陷指数与缺陷置信为正相关关系,显著度权重与缺陷置信为负相关关系。在本发明的一个实施例中缺陷置信的公式为:
其中,为非缺陷像素点的缺陷置信,/>为延长线在缺陷区域内部前三个像素的平均色差显著程度,/>为像素距离缺陷区域最近的欧氏距离,/>为自然常数,/>为归一化函数,/>为像素的类缺陷指数。在缺陷置信公式中,通过以自然常数为底的指数函数将距离与平均色差显著程度的比值进行负相关映射,/>可以根据最近边缘像素点附近缺陷像素的色差显著程度给予距离缺陷区域更近的像素以更高的权重,/>越大,代表距离像素点最近的缺陷像素的色差显著越高,/>越大则代表此像素距离缺陷区域越远。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系和归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。在本发明一个实施例中预设数量设置为3。
确定非缺陷区域内每个像素点的缺陷置信后,与图像原始的灰度图结合得到每个像素点的缺陷显著值,缺陷显著值越大,非缺陷像素点含有缺陷像素点的颜色特征越多,与缺陷像素点的颜色越相近。
优选地,在本发明的一个实施例中,非缺陷像素的缺陷显著值的获取方法包括:
将非缺陷像素的缺陷置信作为权重与像素的原始灰度值相乘,获得每个非缺陷像素点的缺陷显著值。在本发明点的一个实施例中缺陷显著值的公式为:
其中,代表了像素的坐标,/>为像素/>的缺陷显著值,/>为像素/>的缺陷置信,/>为像素/>的原始灰度值。像素的原始灰度值越大,缺陷置信的数值越大,有更明显的缺陷特征,是缺陷像素点的可能性就越大,获得更大的缺陷显著值。
步骤S5:根据缺陷显著值获得优化缺陷区域。
因为缺陷显著值能够准确表征非缺陷区域中每个非缺陷像素点的异常特征,因此通过获得的非缺陷像素点的缺陷显著值得到每个像素的优化缺陷区域,优化缺陷区域即为在初始缺陷检测过程中无法检测到的缺陷区域,可根据优化缺陷区域结合缺陷区域实现对型材瑕疵的准确检测。
优选地,在本发明的一个实施例中,根据缺陷显著值获得优化缺陷区域包括:
以非缺陷像素点的缺陷显著值来替代像素的灰度值,获得优化非缺陷区域图像;基于直方图对比度的显著性检测方法处理优化非缺陷区域图像,得到每个非缺陷像素点的优化缺陷显著值,根据优化缺陷显著值筛选出优化缺陷像素点,优化缺陷像素点构成优化缺陷区域。缺陷显著值越大,说明是缺陷区域的可能性越大。根据优化缺陷区域对型材瑕疵检测。需要说明的是,在本发明一些实施例中可根据阈值分割算法对优化缺陷显著值进行筛选,归一化缺陷显著值后,取值在(0,1)之间,设置阈值为0.8,将所有显著值大于阈值的非缺陷像素重新标记为缺陷像素点,确定优化缺陷像素点;在本发明其他实施例中也可通过孤立森林等异常检测算法识别出优化缺陷像素点,在此不做赘述。
综上所述,本发明实施例为了进一步确定基于传统图像处理方法未检测到的微小色差划痕区域,对非缺陷区域进行着重分析。在缺陷区域中,根据每个缺陷像素点与缺陷区域整体灰度值之间的差异和缺陷像素点与缺陷区域边界的相对距离,获得色差显著程度;在非缺陷区域中,以每个非缺陷像素点为中心构建第二窗口;针对第二窗口内每个非缺陷像素点与对应第二窗口和最近的缺陷区域的整体灰度差异,结合第二窗口内的非缺陷像素点预设邻域范围内的灰度分布特征获得每个非缺陷像素点的类缺陷指数;通过非缺陷像素点与缺陷像素点之间的距离筛选出每个非缺陷像素点的参考缺陷像素点;根据参考缺陷像素点的平均色差显著程度、非缺陷像素点与对应参考缺陷像素点的距离和类缺陷指数获得非缺陷像素点的缺陷置信;计算缺陷置信和像素值的乘积获得每个非缺陷像素点的缺陷显著值,对非缺陷区域进行优化获得优化缺陷区域;本发明通过对缺陷区域和非缺陷区域进行分析,优化了非缺陷区域内的缺陷区域范围,提高了对微小色差划痕检测效果的准确性。
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 (6)
1.一种基于图像处理的型材瑕疵视觉检测方法,其特征在于,所述方法包括:
获取氧化后铝合金的型材图像,所述型材图像包括缺陷区域和非缺陷区域;
在所述缺陷区域中,根据每个缺陷像素点与缺陷区域整体灰度值之间的差异和缺陷像素点与缺陷区域边界的相对距离,获得色差显著程度;
在所述非缺陷区域中,以每个非缺陷像素点为中心构建第二窗口;分别获取所述第二窗口内每个非缺陷像素点与对应所述第二窗口和最近的缺陷区域的整体灰度差异;根据所述整体灰度差异和所述第二窗口内的非缺陷像素点预设邻域范围内的灰度分布特征获得每个非缺陷像素点的类缺陷指数;
根据所述非缺陷像素点与缺陷像素点之间的距离筛选出每个非缺陷像素点的参考缺陷像素点;根据所述参考缺陷像素点的平均色差显著程度、所述非缺陷像素点与对应所述参考缺陷像素点的距离和所述类缺陷指数获得非缺陷像素点的缺陷置信;根据所述缺陷置信和像素值获得每个非缺陷像素点的缺陷显著值;根据所述缺陷显著值获得优化缺陷区域;
所述色差显著程度的获取方法包括:
以每个缺陷像素点为中心构建第一窗口,根据所述第一窗口与所述缺陷区域之间的灰度分布差异,获得色差差异程度;
以缺陷像素点与所述缺陷区域边界之间的最小欧式距离作为所述相对距离;
根据所述相对距离和所述色差差异程度获得所述色差显著程度;
所述色差差异程度与所述色差显著程度为正相关关系,所述相对距离与所述色差显著程度为负相关关系;
所述非缺陷像素点的缺陷置信的获取方法包括:
将每个非缺陷像素到缺陷区域的最短距离连接线延长至缺陷内部,取前预设数量个缺陷像素点作为所述参考缺陷像素点,获得所述参考缺陷像素点的平均色差显著程度;
以非缺陷像素点到缺陷区域内部所述参考缺陷像素点的最短欧式距离作为所述距离;
计算所述距离与所述平均色差显著程度的比值,并进行归一化,作为显著度权重;
根据所述显著度权重和归一化处理的所述类缺陷指数获得非缺陷区域内每个像素的缺陷置信;
所述类缺陷指数与所述缺陷置信为正相关关系,所述显著度权重与所述缺陷置信为负相关关系;
所述非缺陷像素点缺陷显著值的获取方法包括:
将所述非缺陷像素的缺陷置信作为权重与像素的原始灰度值相乘,获得所述每个非缺陷像素点的缺陷显著值;
根据所述缺陷显著值获得优化缺陷区域包括:
以所述缺陷显著值来替代像素的灰度值,获得优化非缺陷区域图像;基于直方图对比度的显著性检测方法处理所述优化非缺陷区域图像,得到每个非缺陷像素点的优化缺陷显著值,根据优化缺陷显著值筛选出优化缺陷像素点,所述优化缺陷像素点构成所述优化缺陷区域。
2.根据权利要求1所述的一种基于图像处理的型材瑕疵视觉检测方法,其特征在于,所述缺陷区域的获取方法包括:
通过预处理的方式对所述型材图像进行处理之后,采用Canny算子检测到的边缘信息作为Hough变换的输入,将输出的直线边缘舍弃,其余所述边缘信息使用线性插值的方法,获得完整闭合缺陷边缘线,所述完整闭合缺陷边缘线构成所述缺陷区域。
3.根据权利要求1所述的一种基于图像处理的型材瑕疵视觉检测方法,其特征在于,所述色差差异程度的获取方法包括:
获取所述缺陷区域内部的灰度最小值,计算所述第一窗口内灰度均值与所述灰度最小值的差值,并进行归一化处理,获得所述第一窗口的中心像素点的色差差异程度。
4.根据权利要求1所述的一种基于图像处理的型材瑕疵视觉检测方法,其特征在于,所述整体灰度差异的获取方法包括:
所述整体灰度差异包括第一灰度差异和第二灰度差异;
计算所述第二窗口内像素灰度均值与每个非缺陷像素点之间的灰度差异,获得所述第一灰度差异;
计算所述第二窗口内每个非缺陷像素点与距离最近缺陷区域内最小灰度值之间的灰度差异,获得所述第二灰度差异。
5.根据权利要求4所述的一种基于图像处理的型材瑕疵视觉检测方法,其特征在于,所述灰度分布特征的获取方法包括:
所述灰度分布特征包括局部最大灰度差异、异常像素密度和熵值;
在所述第二窗口内非缺陷像素点的预设邻域范围内的邻域像素点中选择最大的所述第一灰度差异作为所述局部最大灰度差异;
在邻域范围内,定义灰度值大于所述第二窗口灰度均值的像素点为异常像素,计算异常像素在邻域范围中的占比,获得所述异常像素密度。
6.根据权利要求5所述的一种基于图像处理的型材瑕疵视觉检测方法,其特征在于,所述类缺陷指数的获取方法包括:
计算所述第一灰度差异和所述第二灰度差异之间的比值,作为差异比值;将所述差异比值与所述局部最大灰度差异的乘积作为差异权重;
根据所述差异权重、所述熵值和所述异常像素密度获得第二窗口每个非缺陷像素点的初始类缺陷指数;
所述差异权重、所述熵值以及所述异常像素密度均与所述初始类缺陷指数为正相关关系;
根据所述第二窗口遍历整个所述非缺陷区域,获得每个非缺陷像素点的所有所述初始类缺陷指数,将每个非缺陷像素点的所有所述初始类缺陷指数求平均,获得每个非缺陷像素点的所述类缺陷指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006481.2A CN116721106B (zh) | 2023-08-11 | 2023-08-11 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006481.2A CN116721106B (zh) | 2023-08-11 | 2023-08-11 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116721106A CN116721106A (zh) | 2023-09-08 |
CN116721106B true CN116721106B (zh) | 2023-10-20 |
Family
ID=87866574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311006481.2A Active CN116721106B (zh) | 2023-08-11 | 2023-08-11 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721106B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912254B (zh) * | 2023-09-14 | 2023-12-08 | 山东博诚电气有限公司 | 基于数据增强预处理的电缆缺陷识别方法 |
CN116993724B (zh) * | 2023-09-26 | 2023-12-08 | 卡松科技股份有限公司 | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 |
CN116993722B (zh) * | 2023-09-26 | 2023-12-08 | 山东奥斯登房车有限公司 | 一种拖挂式房车车身缺陷视觉检测方法 |
CN116993744B (zh) * | 2023-09-28 | 2024-02-09 | 张家港思复安全科技有限公司 | 一种基于阈值分割的焊缝缺陷检测方法 |
CN117078667B (zh) * | 2023-10-13 | 2024-01-09 | 山东克莱蒙特新材料科技有限公司 | 基于机器视觉的矿物铸件检测方法 |
CN117078679B (zh) * | 2023-10-16 | 2023-12-15 | 东莞百舜机器人技术有限公司 | 一种基于机器视觉的散热风扇自动组装线生产检测方法 |
CN117095008B (zh) * | 2023-10-20 | 2024-02-06 | 深圳市高进实业有限公司 | 一种钟表钢巴管缺陷智能检测方法 |
CN117115153B (zh) * | 2023-10-23 | 2024-02-02 | 威海坤科流量仪表股份有限公司 | 基于视觉辅助的印制线路板质量智能检测方法 |
CN117152151B (zh) * | 2023-10-31 | 2024-02-02 | 新东鑫(江苏)机械科技有限公司 | 基于机器视觉的电机外壳质量检测方法 |
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 |
CN117218115B (zh) * | 2023-11-07 | 2024-02-20 | 江苏玫源新材料有限公司 | 一种汽车配件漆面异常检测方法 |
CN117237646B (zh) * | 2023-11-15 | 2024-01-30 | 深圳市润海电子有限公司 | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统 |
CN117237355B (zh) * | 2023-11-15 | 2024-02-02 | 宁波快马加鞭科技有限公司 | 基于图像特征的保温杯表面缺陷检测方法 |
CN117274247B (zh) * | 2023-11-20 | 2024-03-29 | 深圳市海里表面技术处理有限公司 | 一种ltcc导体表面镀层质量视觉检测方法 |
CN117392132B (zh) * | 2023-12-12 | 2024-03-22 | 深圳市伟奇服装有限公司 | 一种服装面料缝纫缺陷视觉检测方法 |
CN117437233B (zh) * | 2023-12-21 | 2024-03-26 | 山东润通齿轮集团有限公司 | 一种基于图像处理的齿轮缺陷检测方法及系统 |
CN117474909B (zh) * | 2023-12-27 | 2024-04-05 | 深圳市信来誉包装有限公司 | 基于机器视觉的包装纸盒瑕疵检测方法 |
CN117576086B (zh) * | 2024-01-11 | 2024-06-21 | 普森美微电子技术(苏州)有限公司 | 一种金属电子束焊缺陷检测方法及系统 |
CN117853365B (zh) * | 2024-03-04 | 2024-05-17 | 济宁职业技术学院 | 基于计算机图像处理的艺术成果展示方法 |
CN118037701B (zh) * | 2024-03-14 | 2024-08-09 | 东莞市力图塑胶制品有限公司 | 基于机器视觉的儿童汽车座椅零配件缺陷检测方法 |
CN118014988B (zh) * | 2024-03-28 | 2024-06-07 | 浙江康鹏半导体有限公司 | 一种砷化镓衬底晶片缺陷智能检测方法 |
CN118052824B (zh) * | 2024-04-16 | 2024-06-28 | 济宁丰玺生物材料有限公司 | 一种稻壳可降解餐盒缺陷检测方法 |
CN118125430B (zh) * | 2024-05-06 | 2024-07-23 | 浙江胜奔环境科技有限公司 | 基于还原氧化的节能石墨烯工艺制备方法 |
CN118134938B (zh) * | 2024-05-10 | 2024-07-12 | 山东银山耐火材料有限公司 | 一种耐火砖表面缺陷视觉检测方法及系统 |
CN118411367B (zh) * | 2024-07-03 | 2024-09-10 | 浙江一鸣包装印刷有限公司 | 用于塑料包装的印刷图案缺陷检测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001034762A (ja) * | 1999-07-26 | 2001-02-09 | Nok Corp | 画像処理検査方法および画像処理検査装置 |
CN1961234A (zh) * | 2004-02-12 | 2007-05-09 | 帕诺拉马实验室有限公司 | 用于结构波导传送器的装置、方法、以及计算机程序产品 |
CN103743754A (zh) * | 2014-01-26 | 2014-04-23 | 宜昌宏箭铝业有限责任公司 | 一种铝型材表处后焊合线缺陷的基材即时鉴定方法和设备 |
CN104458748A (zh) * | 2013-09-25 | 2015-03-25 | 中国科学院沈阳自动化研究所 | 基于机器视觉的铝型材表面缺陷检测方法 |
CN107993219A (zh) * | 2017-10-31 | 2018-05-04 | 无锡港湾网络科技有限公司 | 一种基于机器视觉的船板表面缺陷检测方法 |
CN109671078A (zh) * | 2018-12-24 | 2019-04-23 | 广东理致技术有限公司 | 一种产品表面图像异常检测方法及装置 |
CN110163858A (zh) * | 2019-05-27 | 2019-08-23 | 成都数之联科技有限公司 | 一种铝型材表面缺陷检测与分类方法及系统 |
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
CN115049670A (zh) * | 2022-08-16 | 2022-09-13 | 南通兴拓精密机械有限公司 | 基于齿轮的齿形缺陷检测方法 |
CN115496762A (zh) * | 2022-11-21 | 2022-12-20 | 深圳市富安娜家居用品股份有限公司 | 一种基于纺织工艺的染色不良缺陷识别方法 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT406528B (de) * | 1998-05-05 | 2000-06-26 | Oesterr Forsch Seibersdorf | Verfahren und einrichtung zur feststellung, insbesondere zur visualisierung, von fehlern auf der oberfläche von gegenständen |
-
2023
- 2023-08-11 CN CN202311006481.2A patent/CN116721106B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001034762A (ja) * | 1999-07-26 | 2001-02-09 | Nok Corp | 画像処理検査方法および画像処理検査装置 |
CN1961234A (zh) * | 2004-02-12 | 2007-05-09 | 帕诺拉马实验室有限公司 | 用于结构波导传送器的装置、方法、以及计算机程序产品 |
CN104458748A (zh) * | 2013-09-25 | 2015-03-25 | 中国科学院沈阳自动化研究所 | 基于机器视觉的铝型材表面缺陷检测方法 |
CN103743754A (zh) * | 2014-01-26 | 2014-04-23 | 宜昌宏箭铝业有限责任公司 | 一种铝型材表处后焊合线缺陷的基材即时鉴定方法和设备 |
CN107993219A (zh) * | 2017-10-31 | 2018-05-04 | 无锡港湾网络科技有限公司 | 一种基于机器视觉的船板表面缺陷检测方法 |
CN109671078A (zh) * | 2018-12-24 | 2019-04-23 | 广东理致技术有限公司 | 一种产品表面图像异常检测方法及装置 |
CN110163858A (zh) * | 2019-05-27 | 2019-08-23 | 成都数之联科技有限公司 | 一种铝型材表面缺陷检测与分类方法及系统 |
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
CN115049670A (zh) * | 2022-08-16 | 2022-09-13 | 南通兴拓精密机械有限公司 | 基于齿轮的齿形缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 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 |
CN115496762A (zh) * | 2022-11-21 | 2022-12-20 | 深圳市富安娜家居用品股份有限公司 | 一种基于纺织工艺的染色不良缺陷识别方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
基于卷积神经网络带标记的钢板表面缺陷检测;汤勃;戴超凡;黄文豪;;制造业自动化(第09期);全文 * |
基于机器视觉的型材表面缺陷图像处理;郑彬;王鑫;;机械设计(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116721106A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
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 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN115222743B (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN115063407B (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN116883674B (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测系统 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN117011292A (zh) | 一种复合板表面质量快速检测方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 |
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 |