CN116862907B - 基于图像特征的电机配件质量检测方法 - Google Patents
基于图像特征的电机配件质量检测方法 Download PDFInfo
- Publication number
- CN116862907B CN116862907B CN202311098898.6A CN202311098898A CN116862907B CN 116862907 B CN116862907 B CN 116862907B CN 202311098898 A CN202311098898 A CN 202311098898A CN 116862907 B CN116862907 B CN 116862907B
- Authority
- CN
- China
- Prior art keywords
- influence
- area
- value
- point
- motor accessory
- 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 39
- 239000013598 vector Substances 0.000 claims abstract description 111
- 238000005192 partition Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000000694 effects Effects 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 230000007547 defect Effects 0.000 claims description 69
- 230000000875 corresponding effect Effects 0.000 claims description 61
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 16
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 238000012804 iterative process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000758 substrate 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
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分割技术领域,具体涉及一种基于图像特征的电机配件质量检测方法。该方法首先将电机配件图像中每个像素点作为中心点,获取每个中心点的均值漂移向量。通过每个中心点的垂直方向影响值和水平方向影响值,获取各个像素点的种子点密度影响值。根据各个种子点密度影响值将电机配件图像划分区域,确定获取各个电机配件图分区的种子点密度,在各个电机配件图分区设置不同最终种子点,进行均值漂移,获取电机配件图像的分割效果图,确定电机配件质量检测结果。本发明通过对最终种子点进行合理分布,提高了分割效果图的准确性,改善了电机配件质量检测效果。
Description
技术领域
本发明涉及图像分割技术领域,具体涉及一种基于图像特征的电机配件质量检测方法。
背景技术
电机是机械设备中的核心组成部分,广泛应用于工业自动化领域,对电机配件质量有较高要求。电机配件缺陷可能导致设备损坏、生产停滞等问题,情况严重将影响企业的生产效率和经济效益,因此在电机配件的生产加工过程中,通常需要对电机配件进行质量检测。
通常基于图像特征进行电机配件质量检测,在质量检测过程中,需要对电机配件图像进行处理和分析,从而实现对电机配件图像的表面缺陷区域的自动检测和识别。均值漂移算法是一种常用的分割算法,可以获取较为准确的检测结果,但是由于均值漂移算法的第一次迭代中心点设置直接影响了分割结果,若种子点设置过少,则可能导致图像中部分像素点为参加聚类,进而导致分割结果不准确;若种子点设置过多,可能导致过度分割。常见的种子点设置是在图像中均匀分布,但是由于图像中不同区域的区域密度不同,导致了图像有些区域种子点设置过多,有些区域种子点设置过少,导致电机配件图像分割结果不准确,进而影响电机配件质量检测结果。
发明内容
为了解决均值漂移算法种子点的分布不合理,导致电机配件质量检测结果不佳的技术问题,本发明的目的在于提供一种基于图像特征的电机配件质量检测方法,所采用的技术方案具体如下:
一种基于图像特征的电机配件质量检测方法,所述方法包括以下步骤:
获取电机配件图像,获取所述电机配件图像中所有像素点的均值漂移向量;
以每个像素点为中心点,根据每个所述中心点的所述均值漂移向量的方向,将每个所述中心点的预设周围区域划分为对应的垂直影响区域和对应的水平影响区域;
根据每个所述中心点与对应的垂直影响区域像素点之间的所述均值漂移向量的相似度,获取每个所述中心点的垂直方向影响值;
根据每个所述中心点在对应水平影响区域中的均值漂移向量模长的相对大小,获取每个所述中心点的变化趋势特征值;根据每个所述中心点与对应的水平影响区域像素点的所述均值漂移向量的相似度、所述水平影响区域像素点的所述垂直方向影响值和每个所述中心点的所述变化趋势特征值,获取每个所述中心点的水平方向影响值;
根据每个像素点的所述垂直方向影响值和所述水平方向影响值,获取各个像素点的种子点密度影响值;
根据各个所述种子点密度影响值将所述电机配件图像划分区域,获取各个电机配件图分区;根据各个所述电机配件图分区的所述种子点密度影响值和预设常规种子点密度,获取各个所述电机配件图分区的种子点密度;
根据各个所述电机配件图分区的所述种子点密度在各个所述电机配件图分区设置不同最终种子点,进行均值漂移,获取所述电机配件图像的分割效果图;
根据所述分割效果图,确定电机配件质量检测结果。
进一步地,所述垂直影响区域和所述水平影响区域的获取方法,具体包括:
将所述中心点的所述均值漂移向量顺时针和逆时针分别旋转预设角度,获取两条分割直线;
根据两条所述分割直线将所述预设周围区域划分为四个区域,垂直于所述均值漂移向量直线所属的两个区域为所述垂直影响区域,均值漂移向量所在的直线所属的两个区域为所述水平影响区域。
进一步地,所述垂直方向影响值的获取方法,具体包括:
计算所述中心点与对应的所述垂直影响区域像素点之间的所述均值漂移向量模长的差异获取第一模长差;
通过对所述第一模长差和所述均值漂移向量模长的比值进行调整,获取垂直模长相似值,所述第一模长差与所述垂直模长相似值呈负相关性;
通过计算所述中心点与对应的所述垂直影响区域像素点之间的所述均值漂移向量的余弦相似度,获取垂直方向相似值;
将所述垂直模长相似值和所述垂直方向相似值加权求和,获取所述垂直影响区域像素点的垂直周围相似值;
通过计算所有所述垂直影响区域像素点的所述垂直周围相似值的均值,获取所述垂直方向影响值。
进一步地,所述变化趋势特征值的获取方法,具体包括:
根据所述中心点与对应的水平影响区域中各个水平影响区域像素点之间的距离,获取对应的像素点距离;
根据各个所述像素点距离划分各个所述水平影响区域像素点的所属距离类别;
计算各个所述距离类别中所有所述水平影响区域像素点的所述均值漂移向量的平均模长,获得所有所述距离类别的向量模长集合;
以所述向量模长集合中的数据作为基础,对所有所述距离类别的所述向量模长集合进行归一化,获取所述中心点的所述变化趋势特征值。
进一步地,所述水平方向影响值的获取方法,具体包括:
通过计算所述中心点与对应的所述水平影响区域像素点之间的所述均值漂移向量的余弦相似度,获取对应的水平影响区域中所述中心点的水平方向相似度;
计算对应的水平影响区域像素点的所述垂直方向影响值和所述水平方向相似度的乘积,获取水平方向周围相似度第一数值;
计算水平影响区域中各所述中心点的所述水平方向周围相似度第一数值的均值,获取水平方向周围相似度;
计算水平方向周围相似度和所述变化趋势特征值的乘积,获取所述中心点的水平方向影响值。
进一步地,所述种子点密度影响值的获取方法,具体包括:
计算预设调整值、调整后的所述垂直方向影响值和调整后的所述水平方向影响值的乘积,获取所述种子点密度影响值。
进一步地,所述电机配件图分区的获取方法,具体包括:
在所述电机配件图像的二维坐标系的基础上,以种子点密度影响值为Z轴建立三维坐标系在所述三维坐标系中,根据预设分界值将Z轴分为分界段,根据所述分界段将所述电机配件图像中所述像素点划分区域,获取所述电机配件图分区。
进一步地,所述种子点密度的获取方法,具体包括:
根据所述电机配件图分区的所述种子点密度影响值的均值,获取区域密度影响值;
计算区域密度影响值和和预设常规种子点密度的乘积,获取各个所述电机配件图分区的种子点密度。
进一步地,所述最终种子点的获取方法,具体包括:
根据所述种子点密度在所述电机配件图分区中设置初始种子点,将所述三维坐标系下的所述初始种子点映射值所述电机配件图的二维坐标系中,获得所述最终种子点。
进一步地,所述电机配件质量检测结果的获取方法,具体包括:
通过所述分割效果图中各个缺陷区域的面积,确定各个所述缺陷区域的缺陷权重,所述缺陷区域与所述缺陷权重呈正相关;
计算所述分割效果图中各个所述缺陷区域的所述缺陷权重的累加和,确定缺陷参数;根据所述缺陷参数,确定所述电机配件质量检测结果。
本发明具有如下有益效果:
在本发明实施例中,获取电机配件图像中所有像素点的均值漂移向量,以每个像素点为中心点,由于中心点与周围区域像素点的均值漂移向量关系可以反映电机配件图像的区域密度特征,在中心点的不同均值漂移向量的方向上所具有的规律性不同,根据每个中心点的均值漂移向量的方向,将每个中心点的预设周围区域划分为对应的垂直影响区域和对应的水平影响区域;根据每个像素点的垂直方向影响值和水平方向影响值,获取各个像素点的种子点密度影响值,进而更好体现像素点处于电机配件图像中密度集中区域和特征明显区域可能性。根据各个种子点密度影响值将电机配件图像划分区域,获取各个电机配件图分区,进而根据各个电机配件图分区的种子点密度,进行对最终种子点的合理分布。在各个电机配件图分区进行最终种子点的合理分布,在均值漂移后,电机配件图像的分割效果图达到更好的效果,获取更准确的电机配件质量检测结果。
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图像特征的电机配件质量检测方法的流程图;
图2为本发明一个实施例所提供的中心点周围分区示意图。
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图像特征的电机配件质量检测方法,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。
一种基于图像特征的电机配件质量检测方法实施例:
下面结合附图具体的说明本发明所提供的一种基于图像特征的电机配件质量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特征的电机配件质量检测方法流程图,该方法包括以下步骤:
步骤S1,获取电机配件图像,获取电机配件图像中所有像素点的均值漂移向量。
在电机配件生产过程中,采用工业相机采集电机配件的表面图像,为了后续检测电机配件的质量,所以需要对电机配件的表面图像进行处理。对采集的电机配件表面图像进行降噪处理,并将降噪后的电机配件表面图像进行图像增强,再将图像增强后电机配件表面图像进行灰度化,获取电机配件图像。以电机配件图像中所有像素点作为均值漂移的第一次迭代的中心点,获取像素点的均值漂移向量,根据像素点与周围的像素点的均值漂移向量关系可以反映电机配件图像的区域密度特征,进而根据区域密度对最终种子点进行合理分布,优化通过均值漂移算法对电机配件图像进行图像分割的效果。
在本发明一个实施例中,通过均值漂移算法,获取电机配件图像中所有像素点的均值漂移向量。需要说明的是,均值漂移算法为本领域技术人员熟知的技术手段,在此不做赘述,仅简述本发明一个实施例中利用均值漂移算法获取电机配件图像中所有像素点的均值漂移向量的简要过程:
均值漂移算法包含四个步骤包括:种子点确定、均值漂移向量求解、中心点位置更新和迭代条件判断。将电机配件图像中所有像素点作为种子点,均值漂移向量求公式如下:
;
其中,为第/>次迭代过程的均值漂移向量,/>为第/>次迭代过程的漂移窗口的数据点总数,/>为第/>次迭代过程的漂移窗口的第/>个数据点,/>为第/>次迭代过程的漂移窗口的数据点集合,/>为第/>次迭代过程中心点。
在均值漂移向量求公式中,表征了第/>次迭代过程的均值漂移向量,通过计算在第/>次迭代过程中,中心点分别指向漂移窗口中所有数据点的向量均值,获取中心点的均值漂移向量。在第/>次迭代过程中,漂移窗口的数据点集合/>影响均值漂移向量/>的大小和方向,使得均值漂移向量/>指向密度更集中区域。
将次迭代过程的均值漂移向量和第/>次迭代过程中心点相加,获取第/>+1次迭代的中心点,不断迭代,直至当相邻两次迭代中心点之间的欧式距离小于设定阈值,停止迭代。
需要说明的是,获取电机配件图像中所有像素点的均值漂移向量,是将电机配件图像中每个像素点作为均值漂移向量的种子点,只进行均值漂移算法的种子点确定步骤和均值漂移向量求解步骤,获取对应的第一次迭代的均值漂移向量。根据像素点漂移向量的规律,分析区域密度,进行后续最终种子点的合理分布,改善均值漂移算法的图像分割效果。本发明实施例令漂移窗口半径取值为10,实施者可根据实际情况自行设置。
步骤S2,以每个像素点为中心点,根据每个中心点的均值漂移向量的方向,将每个中心点的预设周围区域划分为对应的垂直影响区域和对应的水平影响区域。
由于电机配件图像中电机配件具有明显的结构特征,即电机配件区域密度集中区域和特征明显区域具有特点规律,区域整体密度是由内向外逐步降低的,以每个像素点为中心点,由于中心点与周围区域像素点的均值漂移向量的方向和模长具有规律性,在中心点的不同均值漂移向量的方向上所具有的规律性不同,所以根据电机配件图像中每个中心点的均值漂移向量的方向,将每个中心点的预设周围区域划分为对应的垂直影响区域和对应的水平影响区域,从而获取在每个中心点的对应的垂直影响区域和对应的水平影响区域规律性,进而反映中心点位于密度集中区域的可能性,进而根据中心点位于密度集中区域的可能性确定最终种子点的分布,通过优化均值漂移算法,改善对电机配件图像进行图像分割的效果。
优选地,在本发明一个实施例中垂直影响区域和水平影响区域的获取方法包括:
将中心点的均值漂移向量顺时针和逆时针分别旋转预设角度,获取两条分割直线;
根据两条分割直线将预设周围区域划分为四个区域,垂直于均值漂移向量直线所属的两个区域为垂直影响区域,均值漂移向量所在的直线所属的两个区域为水平影响区域。
在本发明一个实施例中,将中心点的均值漂移向量/>顺时针和逆时针分别旋转30°,得到的两条直线为分割直线,分割直线将预设周围区域划分为四个不同区域,分别为区域/>、区域/>、区域/>、区域/>。请参阅图2,其示出了本发明一个实施例所提供的中心点周围分区示意图。对于图中的区域/>和区域/>为垂直影响区域,表征垂直于均值漂移向量方向所在区域;对于图中的区域/>和区域/>为水平垂直影响区域,表征了均值漂移向量方向所在区域,因为两条直线是由均值漂移向量/>顺时针和逆时针分别旋转30°形成的,因此两条直线的锐角夹角为60°,即均值漂移向量/>所在的直线为两条直线锐角夹角的角平分线。在本发明实施例中,预设周围区域以电机配件图像的各个像素点为各个中心点,10为半径建立的圆形区域,预设角度为30°,实施者可根据实施场景自行设定。
步骤S3,根据每个中心点与对应的垂直影响区域像素点之间的均值漂移向量的相似度,获取每个中心点的垂直方向影响值。
由于电机配件图像中不同区域的区域密度不同,在密度集中区域和特征明显区域中,中心点与周围区域像素点的均值漂移向量的方向和模长具有规律性,在中心点的不同均值漂移向量的方向上所具有的规律性不同。在中心点的垂直影响区域中,当中心点与对应的垂直影响区域像素点之间的均值漂移向量越相似,代表中心点垂直影响区域特征越明显,即处于电机配件图像中密度集中区域或者特征明显区域的可能性越大,所以在后续对电机配件图像进行均值漂移分割时此处最终种子点分布应该越密集。因此可通过每个中心点与对应的垂直影响区域像素点之间的均值漂移向量的相似度,获取每个中心点的垂直方向影响值,以供后续进行最终种子点的合理分布进行参考。
优选地,在本发明一个实施例中垂直方向影响值的获取方法包括:
计算中心点与对应的垂直影响区域像素点之间的均值漂移向量模长的差异获取第一模长差;
通过对第一模长差和均值漂移向量模长的比值进行调整,获取垂直模长相似值,第一模长差与垂直模长相似值呈负相关性;
通过计算中心点与对应的垂直影响区域像素点之间的均值漂移向量的余弦相似度,获取垂直方向相似值;
将垂直模长相似值和垂直方向相似值加权求和,获取垂直影响区域像素点的垂直周围相似值;
通过计算所有垂直影响区域像素点的垂直周围相似值的均值,获取垂直方向影响值。
本发明一个实施例中垂直方向影响值公式包括:
;
其中,为垂直方向影响值,/>为垂直影响区域像素点/>的总数,/>为中心点/>对应的第/>个垂直影响区域像素点/>的均值漂移向量,/>为中心点/>的均值漂移向量。
在垂直方向影响值公式中,是垂直模长相似值,反映了中心点/>与垂直影响区域像素点/>的均值漂移向量模长差异,当模长差异越大时,垂直模长相似值越小,垂直方向影响值越小;/>是经验值,表示垂直模长相似值对垂直方向影响值的影响权重较高;/>是垂直方向相似值,反映了中心点/>与垂直影响区域像素点/>的均值漂移向量的方向是否接近,方向越接近时,垂直方向相似值越大,垂直方向影响值越大;/>是经验值,表示垂直方向相似值对垂直方向影响值的影响权重较低;/>垂直方向影响值,表示中心点/>与垂直影响区域像素点/>的相似度,当相似度越大,中心点/>处于电机配件图像中密度集中区域或者特征明显区域的可能性越大,后续对电机配件图像进行均值漂移分割时在此处分布最终种子点的可能性越大。
需要说明的是,在本发明其他实施例中,垂直模长相似值对垂直方向影响值的影响权重0.7和垂直方向相似值对垂直方向影响值的影响权重0.3,实施者可根据实际情况自行设置,在此不做限定。
步骤S4,根据每个中心点在对应水平影响区域中的均值漂移向量模长的相对大小,获取每个中心点的变化趋势特征值;根据每个中心点与对应的水平影响区域像素点的均值漂移向量的相似度、水平影响区域像素点的垂直方向影响值和每个中心点的变化趋势特征值,获取每个中心点的水平方向影响值。
中心点与周围区域像素点的均值漂移向量的方向和模长具有规律性,可以反映中心点位于电机配件图像中密度集中区域或特征明显区域的可能性。中心点在水平影响区域和垂直影响区域的均值漂移向量所具有的规律性不同,在水平影响区域中,根据距离密度极大值点漂移向量的模长变化规律是由小变大再变小,所以通过每个中心点在对应水平影响区域中的均值漂移向量模长的相对大小,获取每个中心点的变化趋势特征值;变化趋势特征值反映位于密度集中区域的可能性;在水平影响区域中,水平影响区域像素点的均值漂移向量均指向密度极大值方向,存在较小的偏差,根据每个中心点与对应的水平影响区域像素点的均值漂移向量方向的相似度,可以反映位于密度集中区域的可能性,通过水平影响区域像素点的垂直方向影响值,进一步反映位于密度集中区域的可能性,所以通过变化趋势特征值、均值漂移向量的相似度和垂直方向影响值获得可以代表中心点垂直影响区域特征的水平方向影响值,水平方向影响值越大,代表中心点水平影响区域特征越明显,即中心点处于电机配件图像中密度集中区域或者特征明显区域的可能性越大。
优选地,在本发明一个实施例中变化趋势特征值获取方法包括:
根据中心点与对应的水平影响区域中各个水平影响区域像素点之间的距离,获取对应的像素点距离;
根据各个像素点距离划分各个水平影响区域像素点的所属距离类别;
计算各个距离类别中所有水平影响区域像素点的均值漂移向量的平均模长,获得所有距离类别的向量模长集合;
以向量模长集合中的数据作为基础,对所有距离类别的向量模长集合进行归一化,获取中心点的变化趋势特征值。
在水平影响区域中,以中心点为原点,/>的均值漂移向量/>为正方向,正方向上各水平影响区域像素点距离/>的距离为正值,反方向上各水平影响区域像素点距离中心点/>的距离为负值,请参阅图2,其示出了本发明一个实施例所提供的中心点周围分区示意图。区域/>各水平影响区域像素点距离/>的像素点距离为正值,区域/>各水平影响区域像素点距离/>的像素点距离为负值。获取各水平影响区域像素点距离中心点/>的像素点距离,将水平影响区域像素点按照像素点距离进行分类;将像素点距离四舍五入进行之后,将像素点距离相同的水平影响区域像素的分为相同的距离类别,计算各个距离类别对应在水平影响区域像素点均值漂移向量的平均模长,得到所有距离类别的向量模长集合,向量模长集合中的数据越大,说明对应数据所属区域越可能是特征明显区域,该处的区域密度也应该越大。对向量模长集合进行归一化后,获取对应/>代表中心点的变化趋势特征值,/>越大说明中心点的区域密度可能越大。
需要说明的是,在本发明实施例中,可通过其他标准划分距离类别,在此不做限定。
优选地,在本发明一个实施例中水平方向影响值获取方法包括:
通过计算中心点与对应的水平影响区域像素点之间的均值漂移向量的余弦相似度,获取对应的水平影响区域中中心点的水平方向相似度;
计算对应的水平影响区域像素点的垂直方向影响值和水平方向相似度的乘积,获取水平方向周围相似度第一数值;
计算水平影响区域中各中心点的水平方向周围相似度第一数值的均值,获取水平方向周围相似度;
计算水平方向周围相似度和变化趋势特征值的乘积,获取中心点的水平方向影响值。
本发明一个实施例中水平方向影响值公式包括:
;
其中,为水平方向影响值,/>为变化趋势特征值,/>为水平影响区域像素点的总数,/>为水平影响区域像素点/>的垂直方向影响值,/>为第r个水平影响区域像素点/>的均值漂移向量,/>为中心点/>的均值漂移向量。
在水平方向影响值公式中,水平方向相似度体现了中心点/>与水平影响区域像素点/>的均值漂移向量方向相似程度,水平方向相似度越大,水平方向影响值越大。/>体现了水平影响区域像素点/>与其垂直影响区域的像素点的均值漂移向量相似情况,/>越大,说明水平影响区域像素点/>位于密度集中区域可能性越大,则中心点/>位于密度集中区域可能性也越大,水平方向影响值/>越大。/>是中心点的变化趋势特征值,变化趋势特征值/>越大,水平方向影响值/>越大。/>水平方向影响值通过中心点的水平影响区域规律性,反映处于电机配件图像中密度集中区域或者特征明显区域的可能性。
需要说明的是,为水平影响区域像素点/>的垂直方向影响值,不是中心点的垂直方向影响值,用来反映水平影响区域像素点/>与其垂直影响区域的像素点的均值漂移向量相似情况。
步骤S5,根据每个像素点的垂直方向影响值和水平方向影响值,获取各个像素点的种子点密度影响值。
由于在密度集中区域或特征明显区域中,中心点与在水平影响区域和垂直影响区域的均值漂移向量所具有的规律性不同,所以分别研究每个像素点的垂直方向影响值和水平方向影响值,获取各个像素点的种子点密度影响值,可以更好体现像素点处于电机配件图像中密度集中区域和特征明显区域可能性,以供后续对密度集中区域和特征明显区域进行最终种子点的合理分布作为参考。
优选地,在本发明一个实施例中获取种子点密度影响值方法,具体包括:
计算预设调整值、调整后的垂直方向影响值和调整后的水平方向影响值的乘积,获取种子点密度影响值。
本发明一个实施例中获取种子点密度影响值方法公式包括:
;
其中,为种子点密度影响值,/>为垂直方向影响值,/>为水平方向影响值,为归一化公式,使得值域归一化至[0,1]区间内。本发明实施例令预设调整值为2,使得/>的值域归一化至[0,2]区间内,实施者可根据实际情况自行设置。
在种子点密度影响值公式中,垂直方向影响值通过中心点与垂直影响区域像素点的相似度,反映对应像素点处于电机配件图像中密度集中区域或者特征明显区域的可能性,/>垂直方向影响值越大,/>种子点密度影响值越大;/>水平方向影响值通过中心点的水平影响区域规律性,反映对应像素点处于电机配件图像中密度集中区域或者特征明显区域的可能性,/>水平方向影响值越大,/>种子点密度影响值越大;/>通过分析中心点周围区域的均值漂移向量规律性,反映对应像素点位于电机配件图像中密度集中区域或特征明显区域的可能性。
步骤S6,根据各个种子点密度影响值将电机配件图像划分区域,获取各个电机配件图分区;根据各个电机配件图分区的种子点密度影响值和预设常规种子点密度,获取各个电机配件图分区的种子点密度。
利用均值漂移算法对电机配件图像进行图像分割时,最终种子点设置关乎图像分割效果,若最终种子点设置过多,则可能导致图像过度分割;最终种子点设置过少,可能导致分割效果不准确。由于图像密度影响最终种子点设置,电机配件图像中不同区域的区域密度不同,所以根据各个种子点密度影响值将电机配件图像划分区域,获取各个电机配件图分区,电机配件图分区的区域密度不同。根据各个电机配件图分区的种子点密度影响值和预设常规种子点密度,获取各个电机配件图分区的种子点密度,进而根据各个电机配件图分区的种子点密度进行最终种子点的合理分布,改善电机配件图像的分割效果。
优选地,在本发明一个实施例中电机配件图分区获取方法包括:
本发明实施例中使用图像坐标系作为参考,在电机配件图像建立二维坐标系的基础上,以种子点密度影响值为轴,由于电机配件图像中各区域密度不同,所以通过预设分界值进行划分区域。在三维坐标系中,根据预设分界值将/>轴分为分界段,根据分界段将电机配件图像的像素点划分区域,获取电机配件图分区,从而根据每个电机配件图分区的区域密度情况,进行种子点的合理设置。
在本发明实施例中,通过设置预设分界值,将Z轴分为分界段,实施者可根据实际情况自行设置。
优选地,在本发明一个实施例中种子点密度获取方法包括:
根据电机配件图分区的种子点密度影响值的均值,获取区域密度影响值;
计算区域密度影响值和和预设常规种子点密度的乘积,获取各个电机配件图分区的种子点密度。
本发明一个实施例获取种子点密度公式包括:
;
其中,为第/>个电机配件图分区的种子点密度,/>为预设常规种子点密度,为第/>个电机配件图分区的区域密度影响值。在本发明实施例中,令预设常规种子点密度为1/50,即50个像素点设置一个种子点,实施者可根据实施场景自行设定预设常规种子点密度。
在种子点密度公式中,区域密度影响值,通过计算第/>个电机配件图分区的种子点密度影响值的均值,体现了区域密度情况,区域密度影响值越大,电机配件图分区的种子点密度应该越大;/>为第/>个电机配件图分区的种子点密度,体现了第/>个电机配件图分区的最终种子点的数量,进而在不同密度的电机配件图分区进行最终种子点的合理分布。
步骤S7,根据各个电机配件图分区的种子点密度在各个电机配件图分区设置不同最终种子点,进行均值漂移,获取电机配件图像的分割效果图。
由于电机配件图像的特征明显区域的像素值差异较大,均值漂移窗口向特征边缘漂移的概率小,所以特征边缘分割容易出现误差,为了减少特征边缘的分割误差,所以需要在当前区域设置较多的最终种子点,最终种子点应该位于电机配件图像中具有明显局部特征的区域,例如边缘、角点、纹理等。具有明显局部特征的区域密度较大,根据每个电机配件图分区的不同区域密度,用均值漂移算法对电机配件图像进行图像分割时,最终种子点设置关乎图像分割效果,所以利用均值漂移算法对电机配件图像进行图像分割时,根据各个电机配件图分区的种子点密度在各个电机配件图分区设置不同最终种子点,改善电机配件图像的分割效果图。
优选地,在本发明一个实施例中最终种子点的获取方法包括:
根据种子点密度在电机配件图分区中设置初始种子点,将三维坐标系下的初始种子点映射值电机配件图的二维坐标系中,获得最终种子点。通过对最终种子点进行合理设置,改善了利用均值漂移算法获取分割效果图的效果。
步骤S8,根据分割效果图,确定电机配件质量检测结果。
通过各个电机配件图分区的种子点密度在各个电机配件图分区设置不同最终种子点,改善电机配件图像的分割效果图,根据改善的分割效果图,来分析缺陷区域,进而确定电机配件质量检测结果。
优选地,在本发明一个实施例中电机配件质量检测结果获取方法包括:
通过分割效果图中各个缺陷区域的面积,确定各个缺陷区域的缺陷权重,缺陷区域与缺陷权重呈正相关;
计算分割效果图中各个缺陷区域的缺陷权重的累加和,确定缺陷参数;根据缺陷参数,确定电机配件质量检测结果。
通过统计分割效果图中各个缺陷区域的面积来确定各个缺陷区域的缺陷权重,当缺陷区域的面积大于第一缺陷面积阈值时,则将对应的缺陷区域的缺陷等级设置为一级缺陷,并将一级缺陷设置为第一缺陷权重;当缺陷区域的面积大于第二缺陷面积阈值且不大于第一缺陷面积阈值时,则将对应的缺陷区域的缺陷等级设置为二级缺陷,并将二级缺陷设置为第二缺陷权重;当缺陷区域的面积不大于第三缺陷面积阈值时,则将对应的缺陷区域的缺陷等级设置为三级缺陷,并将三级缺陷设置为第三缺陷权重;本实施例设置第一缺陷面积阈值的取值为50,第二缺陷面积阈值的取值为20,第一缺陷权重的取值为10,第二缺陷权重的取值为4,第三缺陷权重的取值为1,实施者可根据实施场景自行设定。
在确定计分割效果图中中各个缺陷区域的面积的缺陷权重之后,计算缺陷权重的累加和获取缺陷参数,根据缺陷参数确定电机配件质量检测等级。当缺陷参数小于第一设定参数时,则判定电机配件质量检测等级为优秀;当缺陷参数不小于第一设定参数且小于第二设定参数时,则判定电机配件质量检测等级为良好;当缺陷参数不小于第二设定参数且小于第三设定参数时,则判定电机配件质量检测等级为合格;当缺陷参数不小于第三设定参数时,则判定电机配件质量检测等级为不合格,需要进行返工。本实施例设置第一设定参数的取值为1,第二设定参数的取值为5,第三设定参数的取值为10,实施者可根据实施场景自行设定。至此,确定电机配件质量检测结果。
综上所述,本发明实施例提供了一种基于图像特征的电机配件质量检测方法,首先将电机配件图像中每个像素点作为中心点,获取每个中心点的均值漂移向量。通过每个中心点的垂直方向影响值和水平方向影响值,获取各个像素点的种子点密度影响值。根据各个种子点密度影响值将电机配件图像划分区域,确定获取各个电机配件图分区的种子点密度,在各个电机配件图分区设置不同最终种子点,进行均值漂移,获取电机配件图像的分割效果图,确定电机配件质量检测结果。本发明通过对最终种子点进行合理分布,提高了分割效果图的准确性,改善了电机配件质量检测效果。
一种基于图像特征的电机配件图像分割方法实施例:
由于对电机配件图像进行图像分割时,种子点设置直接影响了分割结果。现有技术通过均值漂移算法进行图像分割,获取较准确的分割图像。但是由于均值漂移算法的种子点设置直接影响了图像分割效果,若种子点设置过少,则可能导致图像中部分像素点未参加聚类,进而导致图像分割结果不准确;若种子点设置过多,可能导致图像过度分割。常见的种子点设置是在图像中均匀分布,但是由于图像中不同区域的区域密度不同,导致了图像有些区域种子点密度过多,有些区域种子点密度过少,导致图像分割结果不准确。
现有技术对种子点设置不合理导致图像分割结果不准确,为了解决此技术问题,本实施例提供一种基于图像特征的电机配件图像分割方法,包括:
步骤S1,获取电机配件图像,获取电机配件图像中所有像素点的均值漂移向量。
步骤S2,以每个像素点为中心点,根据每个中心点的均值漂移向量的方向,将每个中心点的预设周围区域划分为对应的垂直影响区域和对应的水平影响区域。
步骤S3,根据每个中心点与对应的垂直影响区域像素点之间的均值漂移向量的相似度,获取每个中心点的垂直方向影响值。
步骤S4,根据每个中心点在对应水平影响区域中的均值漂移向量模长的相对大小,获取每个中心点的变化趋势特征值;根据每个中心点与对应的水平影响区域像素点的均值漂移向量的相似度、水平影响区域像素点的垂直方向影响值和每个中心点的变化趋势特征值,获取每个中心点的水平方向影响值。
步骤S5,根据每个像素点的垂直方向影响值和水平方向影响值,获取各个像素点的种子点密度影响值。
步骤S6,根据各个种子点密度影响值将电机配件图像划分区域,获取各个电机配件图分区;根据各个电机配件图分区的种子点密度影响值和预设常规种子点密度,获取各个电机配件图分区的种子点密度。
步骤S7,根据各个电机配件图分区的种子点密度在各个电机配件图分区设置不同最终种子点,进行均值漂移,获取电机配件图像的分割效果图。
由于步骤S1到S7的具体实现过程在上述一种基于图像特征的电机配件质量检测方法中已给出详细说明,不再赘述。
本发明实施例的有益效果包括:本发明实施例将电机配件图像中每个像素点作为中心点,获取每个中心点的均值漂移向量。通过每个中心点的垂直方向影响值和水平方向影响值,获取各个像素点的种子点密度影响值。根据各个种子点密度影响值将电机配件图像划分区域,确定获取各个电机配件图分区的种子点密度,在各个电机配件图分区设置不同最终种子点,进行均值漂移,获取电机配件图像的分割效果图。本发明通过对最终种子点进行合理分布,提高了分割效果图的准确性。
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 (10)
1.一种基于图像特征的电机配件质量检测方法,其特征在于,所述方法包括以下步骤:
获取电机配件图像,获取所述电机配件图像中所有像素点的均值漂移向量;
以每个像素点为中心点,根据每个所述中心点的所述均值漂移向量的方向,将每个所述中心点的预设周围区域划分为对应的垂直影响区域和对应的水平影响区域;
根据每个所述中心点与对应的垂直影响区域像素点之间的所述均值漂移向量的相似度,获取每个所述中心点的垂直方向影响值;
根据每个所述中心点在对应水平影响区域中的均值漂移向量模长的相对大小,获取每个所述中心点的变化趋势特征值;根据每个所述中心点与对应的水平影响区域像素点的所述均值漂移向量的相似度、所述水平影响区域像素点的所述垂直方向影响值和每个所述中心点的所述变化趋势特征值,获取每个所述中心点的水平方向影响值;
根据每个像素点的所述垂直方向影响值和所述水平方向影响值,获取各个像素点的种子点密度影响值;
根据各个所述种子点密度影响值将所述电机配件图像划分区域,获取各个电机配件图分区;根据各个所述电机配件图分区的所述种子点密度影响值和预设常规种子点密度,获取各个所述电机配件图分区的种子点密度;
根据各个所述电机配件图分区的所述种子点密度在各个所述电机配件图分区设置不同最终种子点,进行均值漂移,获取所述电机配件图像的分割效果图;
根据所述分割效果图,确定电机配件质量检测结果。
2.根据权利要求1所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述垂直影响区域和所述水平影响区域的获取方法包括:
将所述中心点的所述均值漂移向量顺时针和逆时针分别旋转预设角度,获取两条分割直线;
根据两条所述分割直线将所述预设周围区域划分为四个区域,垂直于所述均值漂移向量直线所属的两个区域为所述垂直影响区域,均值漂移向量所在的直线所属的两个区域为所述水平影响区域。
3.根据权利要求1所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述垂直方向影响值的获取方法包括:
计算所述中心点与对应的所述垂直影响区域像素点之间的所述均值漂移向量模长的差异获取第一模长差;
通过对所述第一模长差和所述均值漂移向量模长的比值进行调整,获取垂直模长相似值,所述第一模长差与所述垂直模长相似值呈负相关性;
通过计算所述中心点与对应的所述垂直影响区域像素点之间的所述均值漂移向量的余弦相似度,获取垂直方向相似值;
将所述垂直模长相似值和所述垂直方向相似值加权求和,获取所述垂直影响区域像素点的垂直周围相似值;
通过计算所有所述垂直影响区域像素点的所述垂直周围相似值的均值,获取所述垂直方向影响值。
4.根据权利要求1所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述变化趋势特征值的获取方法包括:
根据所述中心点与对应的水平影响区域中各个水平影响区域像素点之间的距离,获取对应的像素点距离;
根据各个所述像素点距离划分各个所述水平影响区域像素点的所属距离类别;
计算各个所述距离类别中所有所述水平影响区域像素点的所述均值漂移向量的平均模长,获得所有所述距离类别的向量模长集合;
以所述向量模长集合中的数据作为基础,对所有所述距离类别的所述向量模长集合进行归一化,获取所述中心点的所述变化趋势特征值。
5.根据权利要求1所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述水平方向影响值的获取方法包括:
通过计算所述中心点与对应的所述水平影响区域像素点之间的所述均值漂移向量的余弦相似度,获取对应的水平影响区域中所述中心点的水平方向相似度;
计算对应的水平影响区域像素点的所述垂直方向影响值和所述水平方向相似度的乘积,获取水平方向周围相似度第一数值;
计算水平影响区域中各所述中心点的所述水平方向周围相似度第一数值的均值,获取水平方向周围相似度;
计算水平方向周围相似度和所述变化趋势特征值的乘积,获取所述中心点的水平方向影响值。
6.根据权利要求1所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述种子点密度影响值的获取方法包括:
计算预设调整值、调整后的所述垂直方向影响值和调整后的所述水平方向影响值的乘积,获取所述种子点密度影响值。
7.根据权利要求1所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述电机配件图分区的获取方法包括:
在所述电机配件图像的二维坐标系的基础上,以种子点密度影响值为Z轴建立三维坐标系在所述三维坐标系中,根据预设分界值将Z轴分为分界段,根据所述分界段将所述电机配件图像中所述像素点划分区域,获取所述电机配件图分区。
8.根据权利要求7所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述种子点密度的获取方法,具体包括:
根据所述电机配件图分区的所述种子点密度影响值的均值,获取区域密度影响值;
计算区域密度影响值和和预设常规种子点密度的乘积,获取各个所述电机配件图分区的种子点密度。
9.根据权利要求8所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述最终种子点的获取方法包括:
根据所述种子点密度在所述电机配件图分区中设置初始种子点,将所述三维坐标系下的所述初始种子点映射到所述电机配件图的二维坐标系中,获得所述最终种子点。
10.根据权利要求1所述的一种基于图像特征的电机配件质量检测方法,其特征在于,所述电机配件质量检测结果的获取方法包括:
通过所述分割效果图中各个缺陷区域的面积,确定各个所述缺陷区域的缺陷权重,所述缺陷区域与所述缺陷权重呈正相关;
计算所述分割效果图中各个所述缺陷区域的所述缺陷权重的累加和,确定缺陷参数;根据所述缺陷参数,确定所述电机配件质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098898.6A CN116862907B (zh) | 2023-08-30 | 2023-08-30 | 基于图像特征的电机配件质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098898.6A CN116862907B (zh) | 2023-08-30 | 2023-08-30 | 基于图像特征的电机配件质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862907A CN116862907A (zh) | 2023-10-10 |
CN116862907B true CN116862907B (zh) | 2023-11-03 |
Family
ID=88228855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311098898.6A Active CN116862907B (zh) | 2023-08-30 | 2023-08-30 | 基于图像特征的电机配件质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862907B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152131B (zh) * | 2023-10-30 | 2023-12-29 | 深圳市希格莱特科技有限公司 | 基于机器视觉的电子烟质量智能检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030055A (zh) * | 2023-03-29 | 2023-04-28 | 凯尔菱电(山东)电梯有限公司 | 一种电梯相关配件质量检测方法 |
CN116486091A (zh) * | 2023-06-26 | 2023-07-25 | 尚宁智感(北京)科技有限公司 | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 |
CN116563279A (zh) * | 2023-07-07 | 2023-08-08 | 山东德源电力科技股份有限公司 | 基于计算机视觉的量测开关检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6697986B2 (ja) * | 2016-09-07 | 2020-05-27 | 株式会社ソニー・インタラクティブエンタテインメント | 情報処理装置および画像領域分割方法 |
-
2023
- 2023-08-30 CN CN202311098898.6A patent/CN116862907B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030055A (zh) * | 2023-03-29 | 2023-04-28 | 凯尔菱电(山东)电梯有限公司 | 一种电梯相关配件质量检测方法 |
CN116486091A (zh) * | 2023-06-26 | 2023-07-25 | 尚宁智感(北京)科技有限公司 | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 |
CN116563279A (zh) * | 2023-07-07 | 2023-08-08 | 山东德源电力科技股份有限公司 | 基于计算机视觉的量测开关检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116862907A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN117351008B (zh) | 一种智能手机面板表面缺陷检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN116862907B (zh) | 基于图像特征的电机配件质量检测方法 | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN116977329B (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN113077392B (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
CN111401449B (zh) | 一种基于机器视觉的图像匹配方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
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 | |
CN112085709A (zh) | 一种图像对比方法及设备 | |
CN115690105A (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN115290663A (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117557820A (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN115984360B (zh) | 一种基于图像处理的计算干滩长度的方法及系统 | |
CN110599510A (zh) | 一种图片特征提取方法 |
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 |