CN116758083A - 基于计算机视觉的金属洗脸盆缺陷快速检测方法 - Google Patents
基于计算机视觉的金属洗脸盆缺陷快速检测方法 Download PDFInfo
- Publication number
- CN116758083A CN116758083A CN202311047697.3A CN202311047697A CN116758083A CN 116758083 A CN116758083 A CN 116758083A CN 202311047697 A CN202311047697 A CN 202311047697A CN 116758083 A CN116758083 A CN 116758083A
- Authority
- CN
- China
- Prior art keywords
- edge
- brightness
- pixel points
- pixel point
- obtaining
- 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 85
- 239000002184 metal Substances 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims description 8
- 210000000746 body region Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 230000002950 deficient Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 2
- HNYOPLTXPVRDBG-UHFFFAOYSA-N barbituric acid Chemical compound O=C1CC(=O)NC(=O)N1 HNYOPLTXPVRDBG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009928 pasteurization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation 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
- G06T7/13—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
- 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 Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的金属洗脸盆缺陷快速检测方法。本方法在盆体区域内的边缘线上设置窗口,获得窗口内像素点的像素点类别;根据所有边缘像素点在窗口内不同像素点类别间的亮度差异分布特征和不同像素点类别下类别亮度分布间的差异获得边缘亮度特征值;根据所有边缘像素点在邻域范围内梯度方向角度差异变化的分布特征和边缘方向的角度整体变化程度获得边缘方向特征值;结合得到每条边缘线的权值函数并对每个像素点的初始显著值进行调整,获得像素点的显著值,得到划痕缺陷区域。本发明通过对边缘线的亮度特征和方向特征进行分析,减小了光反射造成的干扰,区分出准确的划痕缺陷区域,提高了缺陷检测方法的效果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的金属洗脸盆缺陷快速检测方法。
背景技术
在金属洗脸盆生产过程中,由于不可避免的碰撞、摩擦和挤压,导致金属洗脸盆的表面出现划痕缺陷,破坏表面保护层的结构性与连续性,使得洗脸盆容易被氧化和腐蚀,影响产品品质和使用的寿命。
在现有技术中,考虑到金属洗脸盆缺陷区域与正常区域有较大的颜色差异,可以使用例如LC显著性检测算法等显著性检测算法较快获得图像中的包含划痕缺陷区域的显著性区域,并根据划痕缺陷区域的线状特征与其余缺陷区域进行区分。但对于表面进行抛光和镜面处理后的金属洗脸盆,其表面反射形成的纹理反射区域与正常区域间也有较大颜色差异,并且与划痕缺陷区域相似度很高,导致无法对划痕缺陷区域进行准确区分,对轻微划痕缺陷区域检测的准确率不高。
发明内容
为了解决抛光和镜面处理后的金属洗脸盆表面反射形成与缺陷区域相似度较高的纹理反射区域难以准确检测划痕缺陷区域的技术问题,本发明的目的在于提供一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,所采用的技术方案具体如下:
本发明提出了一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,所述方法包括:
获取金属洗脸盆的内表面图像,所述内表面图像中包含分布着边缘线的盆体区域;
在所述盆体区域中,以边缘线上的边缘像素点为中心设置窗口,根据所述窗口中像素点与边缘线的相对位置和像素点的亮度值,获得窗口内每个像素点的像素点类别,所述像素点类别包括边缘内像素点和边缘外像素点;根据所述窗口内像素点在不同所述像素点类别间的亮度差异和亮度分布特征获得局部亮度特征值;根据所有边缘像素点的所述局部亮度特征值的分布特征和不同所述像素点类别下类别亮度分布间的差异获得每个边缘线的边缘亮度特征值;
计算边缘像素点与预设邻域范围内边缘像素点的梯度方向角度差异,根据邻域范围内所述梯度方向角度差异的均值和边缘方向的角度变化程度获得局部方向变化指数;根据边缘线上所有边缘像素点的所述局部方向变化指数的分布特征和边缘方向的角度整体变化程度获得边缘线的边缘方向特征值;根据所述边缘方向特征值和所述边缘亮度特征值获得每条边缘线的权值函数;获取所述表面图像中每个像素点的初始显著值,根据每个像素点所属边缘线的所述权值函数对所述初始显著值进行调整,获得像素点的显著值;
根据所述显著值获得划痕缺陷区域。
进一步地,所述盆体区域的获取方法包括:
对所述内表面图像进行预处理得到去噪后的灰度图像,使用霍夫圆检测标记半径最大的圆形线条所包围的区域为盆体区域;将所述盆体区域采用Canny边缘检测得到盆体边缘图像,并进行连通域分析,获得分布着边缘线的盆体区域。
进一步地,所述像素点类别的获取方法包括:
在所述窗口内,所述边缘线将所述窗口分为两个子区域;计算两个子区域内像素点对应的亮度均值,以所述亮度均值最大的所述子区域中的像素点作为所述边缘内像素点,另一个所述子区域中的像素点作为所述边缘外像素点;以所述窗口的边长作为步长,遍历整个所述边缘线,获得所述边缘线对应的所有所述边缘内像素点和所述边缘外像素点。
进一步地,所述局部亮度特征值的获取方法包括:
计算所述窗口的像素点属于边缘内像素点和属于边缘外像素点的亮度值均值的差异,作为所述亮度差异;计算所述窗口的像素点属于边缘外像素点的亮度值的第一标准差和属于边缘外像素点的亮度值的第二标准差,获得所述亮度分布特征;所述亮度差异与所述局部亮度特征值为正相关关系;所述第一标准差和所述第二标准差与所述局部亮度特征值为负相关关系。
进一步地,所述边缘亮度特征值的获取方法包括:
统计一条边缘线上的所述边缘内像素点的第一亮度分布直方图,作为所述边缘内像素点类别亮度分布;统计一条边缘线上的所述边缘外像素点的第一亮度分布直方图,作为所述边缘外像素点类别亮度分布;
计算第一亮度分布直方图与第二亮度分布直方图的巴氏距离作为所述类别亮度分布间的差异;计算所有边缘像素点的所述局部亮度特征值的均值和方差,获得所述局部亮度特征值的分布特征;根据所述类别亮度分布间的差异和所述局部亮度特征值的分布特征获得边缘亮度特征值;所述类别亮度分布间的差异、所述局部亮度特征值的均值与所述边缘亮度特征值均为正相关关系;所述局部亮度特征值的方差与所述边缘亮度特征值为负相关关系。
进一步地,所述局部方向变化指数的获取方法包括:
根据所述邻域范围内所述梯度方向角度差异之间的差异,获得角度变化程度;根据所述角度差异的均值和所述角度变化程度获得局部方向变化指数;所述角度差异的均值和所述角度变化程度与所述局部方向变化指数均为正相关关系。
进一步地,所述边缘方向特征值的获取方法包括:
计算所有边缘像素点所述局部方向变化指数的均值和标准差,获得邻域范围内所述局部方向变化指数的分布特征;计算所有边缘像素点的梯度方向角度的标准差,获得所述角度整体变化程度;根据所述局部方向变化指数的差异和以及边缘方向的角度整体变化程度获得边缘的边缘方向特征值;所述局部方向变化指数的分布特征和所述角度整体变化程度与所述边缘方向特征值均为正相关关系。
进一步地,所述权值函数获取方法包括:
对于所述盆体区域内所有边缘像素点,计算所述边缘亮度特征值与所述边缘方向特征值的比值并进行归一化处理,获得所述权值函数。
进一步地,所述像素点的显著值获取方法包括:
根据所述权值函数将对应像素点的初始显著值调大,获得每个像素点的所述显著值。
进一步地,所述根据所述显著值获得划痕缺陷区域的方法包括:
将所述显著值赋予到图像对应的像素点上,获得盆体区域的显著图像;将所述显著图像中的显著值归一化并筛选出大于预设阈值的划痕缺陷区域像素点,对二值图像进行连通域分析,获取划痕缺陷区域。
本发明具有如下有益效果:
本发明对分布着边缘线的盆体区域进行分析,以边缘线上的边缘像素点为中心构建窗口,避免其他区域噪声的影响,通过窗口与边缘线的相对位置和像素点的亮度值获得窗口中每个像素点类别,根据窗口中像素点在不同像素点类别间的亮度差异和亮度分布特征获得局部亮度特征值,通过局部分析得到整条边缘线上的边缘亮度特征值,初步判断边缘为划痕缺陷区域边缘的可能性,避免轻微划痕缺陷区域的漏检。根据边缘像素点与预设邻域范围内边缘像素点的梯度方向角度差异的均值和边缘方向的角度变化程度获得局部方向变化指数,根据所有像素点的局部方向变化指数的分布特征和边缘方向的角度整体变化程度获得边缘线的边缘方向特征值,区分划痕缺陷区域边缘和其他干扰区域边缘。根据边缘亮度特征值和边缘方向特征值获得权值函数,进而对表面图像中每个像素点的初始显著值进行调整,获得像素点的显著值,对划痕缺陷区域边缘的显著值进一步加强,提高了对金属洗脸盆图像中的划痕缺陷区域的显著性检测效果。
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计算机视觉的金属洗脸盆缺陷快速检测方法流程图;
图2为本发明一个实施例所提供的一种采集图像方式的示意图。
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一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,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计算机视觉的金属洗脸盆缺陷快速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计算机视觉的金属洗脸盆缺陷快速检测方法的方法流程图,
步骤S1:获取金属洗脸盆的内表面图像,内表面图像中包含分布着边缘线的盆体区域。
在本发明实施例中,如图2所示,将金属洗脸盆送入传送带中,部署CCD相机对其进行俯视拍摄,获得金属洗脸盆的内表面图像。需要说明的是,每个内表面的图像处理方法都是相同的,在此不做赘述,后续描述中仅以一个内表面图像进行举例说明。
在本发明的一个实施例中,为了方便后续图像处理过程,在获取金属洗脸盆内表面图像后,对内图像表面进行预处理操作,增强图像的质量。需要说明的是图像预处理操作为本领域技术人员熟知的一个技术手段,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中值滤波降低图像采集和传输过程中产生的噪声,提高图像的质量,具体中值滤波为本领域技术人员熟知的技术手段,在此不做赘述。
金属洗脸盆内表面图像若产生划痕缺陷区域,除了划痕缺陷区域的边缘线信息外,还存在光反射形成区域的边缘线信息。因为金属洗脸盆内表面亮度都是较高的,划痕缺陷会使区域亮度减小,划痕越严重,与表面亮度差异越明显,且该区域边缘线的亮度分布是均匀的;光反射形成的区域与金属表面亮度是接近的,且光反射区域边缘线亮度分布是不均匀的,需要在后续过程中对盆体区域内的每个边缘线的亮度特征和形状特征进行分析,进一步确定划痕缺陷区域边缘。需要说明的是在本发明一些实施例中可根据金属表面具体的特征,例如颜色特征、形状特征、边缘特征等对金属洗脸盆内表面进行分析,进而初步确定出包含边缘线的盆体区域。
优选地,在本发明一个实施例中,盆体区域的获取方法包括:
对金属洗脸盆内表面图像进行预处理得到去噪后的灰度图像,降低图像采集和传输过程中产生的噪声影响;为了确定金属洗脸盆的盆缘边界区域,使用霍夫圆检测获得若干圆形线条及其半径大小,标记半径最大的圆形线条所包围的区域为盆体区域,避免其他区域对金属洗脸盆整体缺陷检测的影响;将盆体区域的图像采用Canny边缘检测得到盆体边缘图像,并进行连通域分析,获得分布着边缘线的盆体区域,加强对轻微划痕缺陷区域的检测。需要说明的是,霍夫圆检测、Canny边缘检测和连通域分析均为本领域技术人员所熟知的技术手段,在此不做赘述。
步骤S2:在盆体区域中,以边缘线上的边缘像素点为中心设置窗口,根据窗口中像素点与边缘线的相对位置和像素点的亮度值,获得窗口内每个像素点的像素点类别,像素点类别包括边缘内像素点和边缘外像素点;根据窗口内像素点在不同像素点类别间的亮度差异和亮度分布特征获得局部亮度特征值;根据所有边缘像素点的局部亮度特征值的分布特征和不同像素点类别下类别亮度分布间的差异获得每个边缘线的边缘亮度特征值。
经过边缘检测,盆体区域内分布着多个边缘线,对每条边缘线进行分析进而排除光反射区域边缘。首先以边缘线上的边缘像素点为中心设置窗口,对边缘线上进行局部区域内的分析窗口中像素点被分为了两类,即边缘内像素点和边缘外像素点。因为金属洗脸盆内表面亮度都是较高的,产生划痕后,会使划痕缺陷区域亮度减小,划痕越严重,与表面亮度差异越明显,且该区域边缘线的亮度分布是均匀的,所以两类像素点的亮度差异越明显,分布越均匀,就越可能为缺陷区域的边缘像素点,表明该区域的亮度特征值越大,因此可以根据窗口内像素点在不同像素点类别间的亮度差异和亮度分布特征获得局部亮度特征值。进一步考虑到划痕缺陷区域处的亮度分布是均匀的,类别亮度分布间的差异越大,说明与表面图像的亮度有更大的差异,缺陷表现越明显;所有像素点的局部亮度特征值整体较大的话,且该条边缘线上的边缘亮度特征值也是较大的,如果每个局部区域间的亮度特征值都均匀变化,该条边缘线上边缘像素点的亮度分布都是均匀的,可以疑似为缺陷区域边缘,所以可以通过分析边缘线上所有边缘像素点的局部亮度特征值的分布特征和不同像素类别下类别亮度分布间的差异获得边缘线的边缘亮度特征值。
需要说明的是,在本发明一个实施例中,窗口的大小设置为m×m,以m个像素点为步长,对各个边缘上的像素点进行遍历,其中m取经验值为5。在其他实施例中窗口的参数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,像素点类别的获取方法包括:
在窗口内,边缘线将窗口分为两个子区域;计算两个子区域内像素点对应的亮度均值,以亮度均值最大的子区域中的像素点作为边缘内像素点,另一个子区域中的像素点作为边缘外像素点;以窗口的边长作为步长,遍历整个边缘线,获得边缘线对应的所有边缘内像素点和边缘外像素点。
优选地,在本发明的一个实施例中,局部亮度特征值的获取方法包括:
计算窗口的像素点属于边缘内像素点和属于边缘外像素点的亮度值均值的差异,作为亮度差异;计算窗口的像素点属于边缘外像素点的亮度值的第一标准差和属于边缘外像素点的亮度值的第二标准差,获得亮度分布特征;因为边缘内、外像素点亮度均值间差异越大,两侧的亮度对比越明显,亮度差异与局部亮度特征值为正相关关系;边缘内、外像素点局部亮度标准差越小,两侧亮度分布越均匀,亮度特征越明显,第一标准差和第二标准差与局部亮度特征值均为负相关关系。在本发明的一个实施例中局部亮度特征值的公式表示为:
其中,表示边缘上第/>个像素点的局部亮度特征值;/>表示窗口中像素点属于边缘内像素点的亮度值的均值,/>表示窗口中像素点属于边缘外像素点的亮度值的均值;/>表示窗口中像素点属于边缘内像素点的亮度值的标准差,/>表示窗口中像素点属于边缘外像素点的亮度值的标准差。
需要说明的是,在本发明的其他实施例中也可通过基础数学运算构建正负相关关系,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。
优选地,在本发明一个实施例中,边缘亮度特征值的获取方法包括:
统计一条边缘线上的边缘内像素点的第一亮度分布直方图,作为边缘内像素点类别亮度分布;统计一条边缘线上的边缘外像素点的第一亮度分布直方图,作为边缘外像素点类别亮度分布;直方图横坐标代表像素点的亮度,从左到右,由暗到亮,直方图纵坐标代表相应亮度像素点的数量多少,可以直观的得到两个类别各个亮度像素点的分布比例。计算第一亮度分布直方图与第二亮度分布直方图的巴氏距离作为类别亮度分布间的差异;计算所有边缘像素点的局部亮度特征值的均值和方差,获得局部亮度特征值的分布特征;根据类别亮度分布间的差异和局部亮度特征值的分布特征获得边缘亮度特征值;边缘上所有像素点的局部亮度特征值间均值越大,方差越小,边缘两侧的亮度差异越大,两侧的亮度分布越均匀,并且边缘上各个像素点的亮度分布也越近似,即亮度对比度较大,也就说明该像素点所在的边缘越疑似为划痕缺陷区域的边缘,边缘像素点对应的边缘亮度特征值越大;边缘内、外像素点亮度分布之间的差异越大,边缘亮度特征越明显,所以类别亮度分布间的差异、局部亮度特征值的均值与边缘亮度特征值均为正相关关系;局部亮度特征值的方差与边缘亮度特征值为负相关关系。在本发明的一个实施例中边缘亮度特征值的公式表示为:
其中,表示各个边缘的边缘亮度特征值;/>表示边缘上第/>个像素点的局部亮度特征值;/>表示该边缘上像素点的个数;/>表示该边缘上所有像素点的局部亮度特征值/>的方差;/>表示该边缘对应的内、外亮度分布直方图之间的巴氏距离。
需要说明的是,在本实施例中以边缘内亮度分布直方图为例,其获取方法为:以像素点的各个亮度值作为直方图中的每个横坐标,以每个亮度值对应的边缘内像素点的个数作为横坐标对应的值,即纵坐标,得到直方图,并对得到的直方图进行归一化,将归一化后的直方图记为边缘内亮度分布直方图。边缘外亮度分布直方图获取方法同上,在此不做赘述。
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和巴氏距离,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。
步骤S3: 计算边缘像素点与预设邻域范围内边缘像素点的梯度方向角度差异,根据邻域范围内梯度方向角度差异的均值和边缘方向的角度变化程度获得局部方向变化指数;根据边缘线上所有边缘像素点的局部方向变化指数的分布特征和边缘方向的角度整体变化程度获得边缘线的边缘方向特征值;根据边缘方向特征值和边缘亮度特征值获得每条边缘线的权值函数;获取表面图像中每个像素点的初始显著值,根据每个像素点所属边缘线的权值函数对初始显著值进行调整,获得像素点的显著值。
在一般情况下,划痕缺陷区域边缘是具有方向性的线形,边缘像素点的梯度方向角度差异和角度整体变化较小;光反射形成的边缘线为圆弧形状,梯度方向角度差异跟角度整体变化都较大,所以要对边缘线的梯度方向角度差异和角度整体变化情况进行分析;首先为了避免其他信息干扰,对边缘线的边缘像素点进行邻域范围内分析,根据梯度方向角度差异和角度变化程度获得局部方向变化指数;再对该条边缘线分析,如果每一邻域范围内边缘像素点的局部方向变化指数都越大,变化较明显,且该条边缘线方向的角度整体变化程度越大,那该条边缘线的方向特征与划痕缺陷区域差异越大,根据边缘线上所有边缘像素点的局部方向变化指数的分布特征和边缘方向的角度整体变化程度获得边缘线的边缘方向特征值。
需要说明的是,在本发明一个实施例中,取边缘像素点与相邻两个边缘像素点对局部方向变化特征进行分析,因此预设邻域范围的大小设置为3×3,以3个像素点为步长,对边缘线进行遍历,若在邻域范围内存在多个相邻边缘像素点,则选择与中心边缘像素点梯度方向最相似的两个相邻边缘像素点,即与中心边缘像素点的梯度方向角度相差最小的两个边缘像素点进行运算;若存在多个梯度方向最相似的两个相邻边缘像素点,则在其中随机选择两个相邻边缘像素点进行运算。
需要说明的是,在本发明一个实施例中,预设邻域范围区域在边缘线上处理的过程中可通过Canny算子来计算每个像素点的梯度方向角度。因为Canny算子为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明的一个实施例中,局部方向变化指数的获取方法包括:
根据邻域范围内梯度方向角度差异之间的差异,获得角度变化程度;根据梯度方向角度差异的均值和角度变化程度获得局部方向变化指数;邻域范围内,梯度方向角度差异越小,大小越接近,角度的变化程度越小,边缘像素点梯度方向变化越小,越表现为划痕缺陷区域边缘。梯度方向角度差异的均值和角度变化程度与局部方向变化指数均为正相关关系。在本发明的一个实施例中,因为邻域范围设置的大小是3×3并且选择相邻的两个边缘像素点进行运算,将邻域范围对应的中心边缘像素点坐标记为,一侧相邻的边缘像素点记为/>,另一侧相邻的边缘像素点记为/>,则局部方向变化指数的公式表示为:
其中,表示边缘像素点的局部方向变化指数;/>表示边缘像素点/>和之间的梯度方向角度差异,/>表示边缘像素点/>和/>之间的梯度方向角度差异;表示调节参数,用来调节/>的值,防止/>的值为0。
在局部方向变化指数的公式中,的值越小,比值越趋近于1,表示边缘像素点/>与相邻两个像素点/>所构成的局部边缘的角度变化程度越接近,即像素点之间的梯度方向是变化较小的,越有可能是划痕缺陷区域边缘线;当像素点局部的梯度方向角度变化的程度越大,/>越大,局部方向变化指数也越大,则越有可能是光反射区域形成的边缘线信息。
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,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。在本发明的一个实施例中取经验值为1。
优选地,在本发明的一个实施例中,边缘方向特征值的获取方法包括:
计算边缘线上所有边缘像素点局部方向变化指数的均值和标准差,获得邻域范围内局部方向变化指数的分布特征,计算所有边缘像素点的梯度方向角度的标准差,获得角度整体变化程度;根据局部方向变化指数的差异和以及边缘方向的角度整体变化程度获得边缘的边缘方向特征值;分析各个边缘像素点的局部方向变化指数越小且越接近,边缘线上所有像素点的梯度方向角度整体变化也越小;所有像素点的梯度方向角度差异越小,那边缘方向的角度整体变化程度是越小的,越接近划痕缺陷区域的边缘。局部方向变化指数的分布特征和角度整体变化程度与边缘方向特征值均为正相关关系。在本发明的一个实施例中边缘方向特征值的公式表示为:
其中,表示所有边缘像素点的局部方向变化指数/>的均值;/>表示所有边缘像素点的局部方向变化指数/>的标准差;/>表示所有边缘像素点的梯度方向角度的标准差;/>表示调节参数,用来调节/>、/>的值,防止/>、/>的值为0。
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,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。在本发明的一个实施例中取经验值为1。
为了确定划痕缺陷区域,边缘线像素点上不同的亮度特征和不同梯度方向特征都赋予对应初始像素点不同程度的权重,使得划痕缺陷区域的边缘线更加明显。确定图像每个像素点的权值函数后,结合各个像素点的初始显著值获得每个像素点的显著值,显著值越大,像素点的亮度分布特征和梯度方向变化程度接近划痕缺陷区域像素点的可能性越大。
需要说明的是,在本发明一些实施例中,可以利用LC显著性检测算法对盆体区域图像进行处理,计算像素点在图像上的全局对比度,即该像素点到图像中其他像素点在颜色上的距离之和,得到盆体区域图像中各个像素点的初始显著值,LC显著性检测算法为公知技术,不再赘述。在本实验其他实施例中显著值也可采用其他显著性检测进行获取,在此不做赘述。
优选地,在本发明的一个实施例中,权值函数的获取方法包括:
对于盆体区域内所有边缘像素点,计算边缘亮度特征值与边缘方向特征值的比值并进行归一化处理,获得权值函数。边缘两侧亮度差异越大,分布越均匀,边缘亮度特征值越大,是划痕缺陷区域边缘的可能性越大,因为划痕缺陷区域边缘有不同与其他区域边缘的形状特征,是具有方向性的线形,所以边缘方向特征值越小,越有可能表现为划痕缺陷区域边缘,像素点对应的权值函数越大,来判断该边缘上每个像素点属于划痕缺陷区域边缘的程度。在本发明的一个实施例中,权值函数的公式表示为:
其中,表示盆体区域图像中像素点/>的权值;/>为盆体区域图像中所有边缘像素点的集合;/>表示像素点/>的边缘亮度特征值;表示像素点/>的边缘方向特征值;/>表示调节参数,用来调节像素点的权值范围;/>为归一化函数,表示对边缘亮度特征值和边缘方向特征值的比值进行归一化处理。
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。在本发明的一个实施例中取经验值为1。
优选地,在本发明的一个实施例中,像素点显著值的获取方法包括:
根据像素点所属边缘线的权值函数将对应像素点的初始显著值调大,获得每个像素点的显著值。需要说明的是,因为获取到的是边缘线上像素点的权值函数,所以非边缘线上的像素点的初始显著值不需要进行调整。像素点的初始显著值越大,权值函数越大,有更明显的缺陷边缘特征,是划痕缺陷区域边缘的可能性就越大,获得更大的显著值。在本发明的一个实施例中,因为权值函数的结果是大于1的,所以像素点显著值的公式表示为:
其中,表示像素点/>的显著值,/>表示像素点/>的初始显著值,/>表示像素点的权值函数。通过相乘操作完成初始显著值的调大。
步骤S4:根据显著值获得划痕缺陷区域。
因为像素点的显著值能够准确表征每个边缘线上的边缘像素点的亮度特征和梯度信息,因此通过获得的每个像素点的显著值得到划痕缺陷区域的像素点,由划痕缺陷区域的像素点确定划痕缺陷区域,完成对金属洗脸盆缺陷的检测。
优选地,在本发明的一个实施例中,根据显著值获得划痕缺陷区域包括:
将显著值赋予到图像对应的像素点上,获得盆体区域的显著图像;显著值越大,表现为划痕缺陷区域边缘的可能性越大,将显著图像中的显著值归一化并筛选出大于预设阈值的划痕缺陷区域像素点,对二值图像进行连通域分析,获取划痕缺陷区域。需要说明的是,在本发明一些实施例中通过阈值分割算法对划痕缺陷区域像素点进行筛选,归一化显著图像的显著值后,取值范围在(0,255)之间,设置显著值阈值为,将所有归一化后显著图像的显著值大于阈值的像素点标记为划痕缺陷区域的像素点,在二值图像中进行连通域分析,获取图像中每个连通域的最小连接区域即为划痕缺陷区域; 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划痕缺陷区域像素点,在此不做赘述。
综上所述,本发明实施例以边缘线上设置窗口,根据窗口中像素点与边缘线的相对位置和像素点的亮度值,获得窗口内每个像素点的像素点类别;根据所有边缘像素点在窗口内不同像素点类别间的亮度差异分布特征和不同像素点类别下类别亮度分布间的差异获得边缘亮度特征值。通过分析每个边缘像素点与预设邻域范围内边缘像素点的梯度方向角度差异和边缘方向的角度整体变化程度,获得边缘方向特征值。根据边缘方向特征值和边缘亮度特征值获得每条边缘线的权值函数,进而根据每个像素点所属边缘线的权值函数对获取到表面图像中每个像素点的初始显著值进行调整,获得像素点的显著值,并筛选出划痕缺陷区域像素点获得划痕缺陷区域。本发明通过对边缘线的亮度特征和方向特征进行分析,减小了光反射造成的干扰,区分出准确的划痕缺陷区域,提高了金属洗脸盆缺陷快速检测方法的效果。
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 (10)
1.一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述方法包括:
获取金属洗脸盆的内表面图像,所述内表面图像中包含分布着边缘线的盆体区域;
在所述盆体区域中,以边缘线上的边缘像素点为中心设置窗口,根据所述窗口中像素点与边缘线的相对位置和像素点的亮度值,获得窗口内每个像素点的像素点类别,所述像素点类别包括边缘内像素点和边缘外像素点;根据所述窗口内像素点在不同所述像素点类别间的亮度差异和亮度分布特征获得局部亮度特征值;根据所有边缘像素点的所述局部亮度特征值的分布特征和不同所述像素点类别下类别亮度分布间的差异获得每个边缘线的边缘亮度特征值;
计算边缘像素点与预设邻域范围内边缘像素点的梯度方向角度差异,根据邻域范围内所述梯度方向角度差异的均值和边缘方向的角度变化程度获得局部方向变化指数;根据边缘线上所有边缘像素点的所述局部方向变化指数的分布特征和边缘方向的角度整体变化程度获得边缘线的边缘方向特征值;根据所述边缘方向特征值和所述边缘亮度特征值获得每条边缘线的权值函数;获取所述表面图像中每个像素点的初始显著值,根据每个像素点所属边缘线的所述权值函数对所述初始显著值进行调整,获得像素点的显著值;
根据所述显著值获得划痕缺陷区域。
2.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述盆体区域的获取方法包括:
对所述内表面图像进行预处理得到去噪后的灰度图像,使用霍夫圆检测标记半径最大的圆形线条所包围的区域为盆体区域;将所述盆体区域采用Canny边缘检测得到盆体边缘图像,并进行连通域分析,获得分布着边缘线的盆体区域。
3.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述像素点类别的获取方法包括:
在所述窗口内,所述边缘线将所述窗口分为两个子区域;计算两个子区域内像素点对应的亮度均值,以所述亮度均值最大的所述子区域中的像素点作为所述边缘内像素点,另一个所述子区域中的像素点作为所述边缘外像素点;以所述窗口的边长作为步长,遍历整个所述边缘线,获得所述边缘线对应的所有所述边缘内像素点和所述边缘外像素点。
4.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述局部亮度特征值的获取方法包括:
计算所述窗口的像素点属于边缘内像素点和属于边缘外像素点的亮度值均值的差异,作为所述亮度差异;
计算所述窗口的像素点属于边缘外像素点的亮度值的第一标准差和属于边缘外像素点的亮度值的第二标准差,获得所述亮度分布特征;
所述亮度差异与所述局部亮度特征值为正相关关系;所述第一标准差和所述第二标准差与所述局部亮度特征值为负相关关系。
5.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述边缘亮度特征值的获取方法包括:
统计一条边缘线上的所述边缘内像素点的第一亮度分布直方图,作为所述边缘内像素点类别亮度分布;统计一条边缘线上的所述边缘外像素点的第一亮度分布直方图,作为所述边缘外像素点类别亮度分布;
计算第一亮度分布直方图与第二亮度分布直方图的巴氏距离作为所述类别亮度分布间的差异;
计算所有边缘像素点的所述局部亮度特征值的均值和方差,获得所述局部亮度特征值的分布特征;
根据所述类别亮度分布间的差异和所述局部亮度特征值的分布特征获得边缘亮度特征值;
所述类别亮度分布间的差异、所述局部亮度特征值的均值与所述边缘亮度特征值均为正相关关系;所述局部亮度特征值的方差与所述边缘亮度特征值为负相关关系。
6.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述局部方向变化指数的获取方法包括:
根据所述邻域范围内所述梯度方向角度差异之间的差异,获得角度变化程度;
根据所述角度差异的均值和所述角度变化程度获得局部方向变化指数;
所述角度差异的均值和所述角度变化程度与所述局部方向变化指数均为正相关关系。
7.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述边缘方向特征值的获取方法包括:
计算所有边缘像素点所述局部方向变化指数的均值和标准差,获得邻域范围内所述局部方向变化指数的分布特征;
计算所有边缘像素点的梯度方向角度的标准差,获得所述角度整体变化程度;
根据所述局部方向变化指数的差异和以及边缘方向的角度整体变化程度获得边缘的边缘方向特征值;
所述局部方向变化指数的分布特征和所述角度整体变化程度与所述边缘方向特征值均为正相关关系。
8.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述权值函数获取方法包括:
对于所述盆体区域内所有边缘像素点,计算所述边缘亮度特征值与所述边缘方向特征值的比值并进行归一化处理,获得所述权值函数。
9.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述像素点的显著值获取方法包括:
根据所述权值函数将对应像素点的初始显著值调大,获得每个像素点的所述显著值。
10.根据权利要求1所述的一种基于计算机视觉的金属洗脸盆缺陷快速检测方法,其特征在于,所述根据所述显著值获得划痕缺陷区域的方法包括:
将所述显著值赋予到图像对应的像素点上,获得盆体区域的显著图像;将所述显著图像中的显著值归一化并筛选出大于预设阈值的划痕缺陷区域像素点,对二值图像进行连通域分析,获取划痕缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311047697.3A CN116758083B (zh) | 2023-08-21 | 2023-08-21 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311047697.3A CN116758083B (zh) | 2023-08-21 | 2023-08-21 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758083A true CN116758083A (zh) | 2023-09-15 |
CN116758083B CN116758083B (zh) | 2023-10-31 |
Family
ID=87953728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311047697.3A Active CN116758083B (zh) | 2023-08-21 | 2023-08-21 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758083B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152151A (zh) * | 2023-10-31 | 2023-12-01 | 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 |
CN117218029A (zh) * | 2023-09-25 | 2023-12-12 | 南京邮电大学 | 基于神经网络的夜间暗光图像智能处理方法 |
CN117274113A (zh) * | 2023-11-20 | 2023-12-22 | 山东九思新材料科技有限责任公司 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
CN117274405A (zh) * | 2023-11-22 | 2023-12-22 | 深圳市蓝方光电有限公司 | 基于机器视觉的led灯工作颜色检测方法 |
CN117495863A (zh) * | 2024-01-03 | 2024-02-02 | 深圳宝铭微电子有限公司 | 一种视觉辅助的三极管封装质量检测方法 |
CN117689655A (zh) * | 2024-01-31 | 2024-03-12 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
CN117893540A (zh) * | 2024-03-18 | 2024-04-16 | 乳山市创新新能源科技有限公司 | 用于压力容器的圆度智能检测方法及系统 |
CN118014988A (zh) * | 2024-03-28 | 2024-05-10 | 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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007172397A (ja) * | 2005-12-22 | 2007-07-05 | Seiko Epson Corp | エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN115222709A (zh) * | 2022-07-26 | 2022-10-21 | 南通市通州区锦都拉链有限公司 | 一种基于人工智能的拉链布带缺陷检测方法 |
CN115457004A (zh) * | 2022-09-22 | 2022-12-09 | 山东华太新能源电池有限公司 | 基于计算机视觉的锌膏的智能检测方法 |
CN115496760A (zh) * | 2022-11-17 | 2022-12-20 | 澳润(山东)药业有限公司 | 一种阿胶品质鉴定方法 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
CN116611748A (zh) * | 2023-07-20 | 2023-08-18 | 吴江市高瑞庭园金属制品有限公司 | 一种钛合金家具生产质量监控系统 |
-
2023
- 2023-08-21 CN CN202311047697.3A patent/CN116758083B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007172397A (ja) * | 2005-12-22 | 2007-07-05 | Seiko Epson Corp | エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN115222709A (zh) * | 2022-07-26 | 2022-10-21 | 南通市通州区锦都拉链有限公司 | 一种基于人工智能的拉链布带缺陷检测方法 |
CN114972357A (zh) * | 2022-08-03 | 2022-08-30 | 南通恒立机械设备有限公司 | 一种基于图像处理的轧辊表面缺陷检测方法及系统 |
CN115457004A (zh) * | 2022-09-22 | 2022-12-09 | 山东华太新能源电池有限公司 | 基于计算机视觉的锌膏的智能检测方法 |
CN115496760A (zh) * | 2022-11-17 | 2022-12-20 | 澳润(山东)药业有限公司 | 一种阿胶品质鉴定方法 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
CN116611748A (zh) * | 2023-07-20 | 2023-08-18 | 吴江市高瑞庭园金属制品有限公司 | 一种钛合金家具生产质量监控系统 |
Non-Patent Citations (2)
Title |
---|
R. CUCCHIARA等: "Detection of luminosity profiles of elongated shapes", PROCEEDINGS OF 3RD IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING * |
胡成雪 等: "邻域与梯度显著特征融合的沥青路面裂缝检测方法", 计算机辅助设计与图形学学报 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218029B (zh) * | 2023-09-25 | 2024-03-01 | 南京邮电大学 | 基于神经网络的夜间暗光图像智能处理方法 |
CN117218029A (zh) * | 2023-09-25 | 2023-12-12 | 南京邮电大学 | 基于神经网络的夜间暗光图像智能处理方法 |
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 |
CN117152151A (zh) * | 2023-10-31 | 2023-12-01 | 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 |
CN117274113B (zh) * | 2023-11-20 | 2024-02-02 | 山东九思新材料科技有限责任公司 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
CN117274113A (zh) * | 2023-11-20 | 2023-12-22 | 山东九思新材料科技有限责任公司 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
CN117274405B (zh) * | 2023-11-22 | 2024-02-02 | 深圳市蓝方光电有限公司 | 基于机器视觉的led灯工作颜色检测方法 |
CN117274405A (zh) * | 2023-11-22 | 2023-12-22 | 深圳市蓝方光电有限公司 | 基于机器视觉的led灯工作颜色检测方法 |
CN117495863B (zh) * | 2024-01-03 | 2024-04-02 | 深圳宝铭微电子有限公司 | 一种视觉辅助的三极管封装质量检测方法 |
CN117495863A (zh) * | 2024-01-03 | 2024-02-02 | 深圳宝铭微电子有限公司 | 一种视觉辅助的三极管封装质量检测方法 |
CN117689655A (zh) * | 2024-01-31 | 2024-03-12 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
CN117689655B (zh) * | 2024-01-31 | 2024-04-19 | 东莞市恒兴隆实业有限公司 | 基于计算机视觉的金属钮扣表面缺陷检测方法 |
CN117893540A (zh) * | 2024-03-18 | 2024-04-16 | 乳山市创新新能源科技有限公司 | 用于压力容器的圆度智能检测方法及系统 |
CN117893540B (zh) * | 2024-03-18 | 2024-05-31 | 乳山市创新新能源科技有限公司 | 用于压力容器的圆度智能检测方法及系统 |
CN118014988A (zh) * | 2024-03-28 | 2024-05-10 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116758083B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758083B (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
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 | |
Kuo et al. | Automated optical inspection system for surface mount device light emitting diodes | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN115294140A (zh) | 一种五金零件缺陷检测方法及系统 | |
CN116823822B (zh) | 基于视觉特征的船艇钣金件焊接缺陷检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
CN115063407B (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN117745715A (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
CN117764983A (zh) | 一种用于智能制造产线的双目识别的视觉检测的方法 | |
CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN117237350A (zh) | 一种铸钢件质量实时检测方法 | |
CN115984283A (zh) | 一种钢筋笼焊接质量智能检测方法 | |
CN115620121A (zh) | 一种基于数字孪生的光电目标高精度检测方法 |
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 |