CN116894841B - 一种变速箱合金壳体质量视觉检测方法 - Google Patents
一种变速箱合金壳体质量视觉检测方法 Download PDFInfo
- Publication number
- CN116894841B CN116894841B CN202311152638.2A CN202311152638A CN116894841B CN 116894841 B CN116894841 B CN 116894841B CN 202311152638 A CN202311152638 A CN 202311152638A CN 116894841 B CN116894841 B CN 116894841B
- Authority
- CN
- China
- Prior art keywords
- region
- pyramid image
- layer
- current position
- image
- 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
- 239000000956 alloy Substances 0.000 title claims abstract description 32
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 80
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 238000011179 visual inspection Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 44
- 230000011218 segmentation Effects 0.000 description 9
- 230000002950 deficient Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种变速箱合金壳体质量视觉检测方法,包括:获取壳体的表面图像的各层金字塔图像,确定最上层的金字塔图像中的各个感兴趣区域,对于将除了最上层的金字塔图像之外的每层金字塔图像,确定该层金字塔图像的上一层的金字塔图像的各个感兴趣区域在该层金字塔图像中的对应区域,对每个对应区域进行均值漂移操作,得到各个感兴趣区域。在对每个对应区域进行均值漂移操作时,确定每个中心点在当前位置对应的漂移方向变化程度和密度变化程度,进而对每个中心点在当前位置对应的漂移向量进行修正。本发明避免了对整个图像进行漂移计算,大幅度降低了计算量,有效提高了变速箱合金壳体的质量检测速度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种变速箱合金壳体质量视觉检测方法。
背景技术
作为汽车的核心部件之一,变速箱负责将发动机的动力传递到车轮上,而变速箱的壳体则是保护变速箱内部零件的重要部件,因此对于变速箱壳体的材料和质量均具有较高的要求。变速箱壳体的表面缺陷会导致其强度降低,密封性能下降等问题,因此在变速箱壳体的生产加工过程中,通常需要对变速箱壳体进行表面缺陷检测。
随着计算机技术和人工智能技术的不断发展,越来越多的企业开始采用机器视觉技术来解决加工部件表面的缺陷检测问题。在利用机器视觉技术对变速箱壳体进行缺陷检测时,通过摄像头捕捉变速箱壳体的表面图像,并对该表面图像进行处理和分析,从而实现对变速箱壳体表面缺陷的自动检测和识别。均值漂移算法作为一种常用的图像平滑和分割算法,可以取得较准确的检测效果,但是由于均值漂移算法需要对整个图像进行漂移计算,计算量非常大,图像分割的速度通常较低,从而导致检测速度较低,最终影响了变速箱壳体的生产效率。
发明内容
本发明的目的在于提供一种变速箱合金壳体质量视觉检测方法,用于解决现有变速箱壳体表面缺陷检测速度较低的问题。
为解决上述技术问题,本发明提供了一种变速箱合金壳体质量视觉检测方法,包括以下步骤:
获取壳体的表面图像的灰度图像,并获取所述灰度图像的各层金字塔图像;
对最上层的金字塔图像进行图像分割,确定所述最上层的金字塔图像中的各个感兴趣区域;
将除了最上层的金字塔图像之外的每层金字塔图像作为目标金字塔图像,确定所述目标金字塔图像的上一层的金字塔图像的各个感兴趣区域在所述目标金字塔图像中的对应区域,对每个所述对应区域进行均值漂移操作,得到所述目标金字塔图像中的每个感兴趣区域,所述对每个所述对应区域进行均值漂移操作的过程中,每个中心点在每个位置对应的漂移向量的确定步骤包括:
获取每个中心点在当前位置对应的漂移向量,并确定所述当前位置在上一层的金字塔图像中对应位置的漂移向量,并根据所述当前位置对应的两个漂移向量,确定每个中心点在当前位置对应的漂移方向变化程度;
确定每个中心点在当前位置对应的漂移空间区域,以及所述当前位置在上一层的金字塔图像中对应位置的漂移空间区域,并根据两个所述漂移空间区域中像素点的灰度值,确定每个中心点在当前位置对应的密度变化程度;
根据每个中心点在当前位置对应的漂移方向变化程度和密度变化程度,对每个中心点在当前位置对应的漂移向量进行修正,得到每个中心点在当前位置对应的最终的漂移向量;
根据最下层的金字塔图像中的各个感兴趣区域,确定壳体的质量。
进一步的,确定每个中心点在当前位置对应的密度变化程度,包括:
对每个中心点在当前位置对应的每个漂移空间区域中像素点的灰度值进行统计,确定各个灰度级及其对应的出现频率;
确定所述各个灰度级对应的出现频率中的目标出现频率,并将所述目标出现频率对应的灰度级确定为目标灰度级;
确定每个所述灰度级和所述目标灰度级之间的差值绝对值与每个所述灰度级对应的出现频率的乘积值,并将所述各个灰度级对应的乘积值的平均值,确定为每个漂移空间区域的分布密度指标;
根据每个中心点的当前位置在上一层的金字塔图像中对应位置的漂移空间区域的分布密度指标与该中心点在当前位置对应的漂移空间区域的分布密度指标的差异,确定每个中心点在当前位置对应的密度变化程度。
进一步的,确定所述各个灰度级对应的出现频率中的目标出现频率,包括:
确定所述各个灰度级对应的出现频率中的众数,并将所述众数确定为目标出现频率。
进一步的,确定每个中心点在当前位置对应的漂移方向变化程度,包括:
计算所述当前位置对应的两个漂移向量的夹角的余弦值,并将所述余弦值确定为每个中心点在当前位置对应的漂移方向变化程度。
进一步的,对每个中心点在当前位置对应的漂移向量进行修正,得到每个中心点在当前位置对应的最终的漂移向量,包括:
根据每个中心点在当前位置对应的漂移方向变化程度和密度变化程度,确定修正系数,所述漂移方向变化程度和密度变化程度均与所述修正系数成正相关关系;
将每个中心点在当前位置对应的漂移向量与所述修正系数的乘积确定为每个中心点在当前位置对应的最终的漂移向量。
进一步的,利用高斯金字塔对所述灰度图像进行下采样,从而所述灰度图像的各层金字塔图像。
进一步的,在利用高斯金字塔对所述灰度图像进行下采样时,将采样区域内最小的灰度值所对应的像素点作为采样点。
进一步的,确定所述最上层的金字塔图像中的各个感兴趣区域,包括:
对最上层的金字塔图像进行均值漂移操作,将所述最上层的金字塔图像分割成各个子区域;
确定所述各个子区域中的最大子区域,并将所述各个子区域中除了所述最大子区域外的各个子区域确定为感兴趣区域。
本发明具有如下有益效果:为了提高壳体表面质量的检测效率,利用图像金字塔对壳体的表面图像的灰度图像进行下采样,获取各层金字塔图像,并在最上层的金字塔图像进行图像分割,确定存在质量缺陷的各个感兴趣区域,将这些感兴趣区域在下层的金字塔图像进行逐层精确,最终得到最下层的金字塔图像中的各个感兴趣区域,从而实现壳体的表面质量检测。由于金字塔图像的特征集中特性特征以及均值漂移的过度分割,可能会导致上层的金字塔图像中的同一个缺陷在下层的金字塔图像不会被分类到同一个感兴趣区域。因此,在提高检测效率的同时,为了保证检测结果的准确性,在将这些感兴趣区域在下层的金字塔图像进行逐层精确时,在对上一层的金字塔图像的各个感兴趣区域在下一层的金字塔图像中的对应区域进行均值漂移操作时,通过对比对应区域中每个中心点在每个位置对应的漂移向量与该位置在上一层的金字塔图像中对应的漂移向量的方向差异,从而得到漂移方向变化程度;同时,通过对比对应区域中每个中心点在每个位置对应的漂移空间区域与该位置在上一层的金字塔图像中对应的漂移空间区域中的缺陷像素点分布密度的差异,从而确定密度变化程度。利用该漂移方向变化程度和密度变化程度,对对应区域中每个中心点在每个位置对应的漂移向量进行自适应修正,从而避免将同一个缺陷分类到不同的感兴趣区域,有效保证了下层的金字塔图像中所获取的感兴趣区域的准确性。本发明通过获取灰度图像的各层金字塔图像,在最上层的金字塔图像进行图像分割,确定存在质量缺陷的各个感兴趣区域,并在下层金字塔图像中仅对各个感兴趣区域的对应区域进行均值漂移操作,且通过对均值漂移操作过程中的漂移向量进行自适应修正,在实现壳体表面质量准确检测的同时,有效提高了质量检测速度。
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为本发明实施例的变速箱合金壳体质量视觉检测方法的流程图;
图2为本发明实施例的每个中心点在每个位置对应的漂移向量的确定流程图。
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。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
变速箱合金壳体质量视觉检测方法实施例:
本实施例提供了一种变速箱合金壳体质量视觉检测方法,其对应的流程图如图1所示,包括以下步骤:
步骤S1:获取壳体的表面图像的灰度图像,并获取所述灰度图像的各层金字塔图像。
在变速箱合金壳体的生产过程中,利用工业相机采集变速箱合金壳体的表面图像,并将采集到的表面图像传输给控制系统。控制系统在接收到表面图像之后,对该表面图像进行常规的去噪处理,并将去噪处理后的表面图像进行灰度化处理,从而得到灰度图像,后续通过对该灰度图像进行相应的图像处理,从而实现提高变速箱合金壳体的质量检测速度的目的。
金字塔图像是指一组不同分辨率的子图集合,它是图像多尺度表达的一种,以多分辨率来解释图像的结构,主要用于图像的分割或压缩。金字塔图像可以通过梯次向下采样获得,通常采用高斯金字塔向下采样,得到一系列的高斯金字塔图像。
在采用高斯金字塔向下采样以获取金字塔图像的过程中,向下采样时是在2*2的采样区域内进行固定位置采样,且为了保证图像的可视性,采样过程中会对图像进行高斯核的平滑处理,但是这样会导致在上层图像中丢失图像特征信息。而由于本方案需要提取的是灰度图像的缺陷特征,因此不需要保持上层图像的可视性,只需要提取图像的特征即可。所以,本方案在采用高斯金字塔进行向下采样时,不再进行高斯核的平滑处理,且采样过程不再是传统的固定位置采样,而是需要在2*2的采样区域内采样特征值最大的点。由于缺陷特征在灰度图像中的表现为灰度值较低,灰度值越低,对应像素点为缺陷的可能性就越大,因此本方案在利用高斯金字塔对灰度图像进行采样时,是将2*2的采样区域内最小的灰度值所对应的像素点作为采样点,即在采样空间内选择灰度值最低的点进行采样,并通过这个点表示该采样区域的缺陷特征。
按照上述不再进行高斯核的平滑处理,且将采样区域内最小的灰度值所对应的像素点作为采样点的采样方式,利用高斯金字塔对灰度图像进行采样,从而获取灰度图像的各层金字塔图像。
步骤S2:对最上层的金字塔图像进行图像分割,确定所述最上层的金字塔图像中的各个感兴趣区域。
在最上层的金字塔图像中,利用现有的均值漂移算法分割出该图像的各个感兴趣区域即ROI区域,过程包括:对最上层的金字塔图像进行均值漂移操作,将所述最上层的金字塔图像分割成各个子区域;确定所述各个子区域中的最大子区域,并将所述各个子区域中除了所述最大子区域外的各个子区域确定为感兴趣区域。具体的,根据最上层的金字塔图像大小设置随机种子点,设置均值漂移半径r=5,对最上层的金字塔图像进行均值漂移,得到最上层的金字塔图像的分割结果即各个分割区域。选择最上层的金字塔图像中最大的一个分割区域,并将其标记为背景,并将除背景外的其他分割区域标记为ROI区域。
步骤S3:将除了最上层的金字塔图像之外的每个层金字塔图像作为目标金字塔图像,确定所述目标金字塔图像的上一层的金字塔图像的各个感兴趣区域在所述目标金字塔图像中的对应区域,对每个所述对应区域进行均值漂移操作,得到所述目标金字塔图像中的每个感兴趣区域,所述对每个所述对应区域进行均值漂移操作的过程中,如图2所示,每个中心点在每个位置对应的漂移向量的确定步骤包括:
步骤S31:获取每个中心点在当前位置对应的漂移向量,并确定所述当前位置在上一层的金字塔图像中对应位置的漂移向量,并根据所述当前位置对应的两个漂移向量,确定每个中心点在当前位置对应的漂移方向变化程度。
步骤S32:确定每个中心点在当前位置对应的漂移空间区域,以及所述当前位置在上一层的金字塔图像中对应位置的漂移空间区域,并根据两个所述漂移空间区域中像素点的灰度值,确定每个中心点在当前位置对应的密度变化程度。
步骤S33:根据每个中心点在当前位置对应的漂移方向变化程度和密度变化程度,对每个中心点在当前位置对应的漂移向量进行修正,得到每个中心点在当前位置对应的最终的漂移向量。
具体的,对于除了最上层的金字塔图像之外的每一层的金字塔图像,其都有一个上层的金字塔图像,在对其上层的金字塔图像进行了均值漂移之后,就会得到其上层的金字塔图像的漂移结果,该漂移结果即为上层的金字塔图像中的若干感兴趣区域。已知对于上层的金字塔图像中的每一个像素点,都对应下层的金字塔图像中的一个2*2区域,因此对于上层的金字塔图像中的每个感兴趣区域,都能在下层金字塔图像中获得一个对应区域。而对于下层的金字塔图像中的每个对应区域,需要继续进行均值漂移,这样对均值漂移的结果进行逐层完善和精确,得到更精确的分割结果。
在对下层的金字塔图像中的每个对应区域进行均值漂移的过程中,首先利用现有的均值漂移算法,获取每个中心点在其漂移过程中的每个位置对应的漂移向量,即以每个中心点的每个位置为中心、并以一个设定长度为半径,确定一个圆形区域,该圆形区域即为漂移空间区域,基于该漂移空间区域内的各个像素点,计算出一个漂移向量。由于该漂移向量的具体计算过程属于现有技术,此处不再赘述。
考虑到有些缺陷的像素点灰度分布是不均匀的,例如擦伤缺陷,由于金字塔图像的特征集中特性,在上层的金字塔图像中这些缺陷被划分为一类,但是在下层的金字塔图像中由于像素点灰度的不均匀,这些缺陷有可能不会被分为同一类,而这并不是我们想要的结果,因此在对下层的金字塔图像中的每个对应区域进行均值漂移的过程中,需要对每个中心点在当前位置对应的漂移向量进行修正,从而将这些缺陷划分到同一类。
为了对下层的金字塔图像中每个中心点在每个位置对应的漂移向量进行修正,在获取到每个中心点在其漂移过程中的每个位置对应的漂移向量之后,这里将每个位置记作当前位置,同时获取每个中心点在其漂移过程中的当前位置在上层的金字塔图像中的对应位置,并确定该对应位置对应的漂移向量,即以该对应位置为中心,并以上述设定长度的一半为半径,确定一个圆形区域,该圆形区域即为该对应位置对应的漂移空间区域,基于该漂移空间区域内的各个像素点,计算出一个漂移向量。此时,对于下层的金字塔图像中的每个中心点在当前位置均会对应两个漂移向量,比较这两个漂移向量的方向差异,确定每个中心点在当前位置对应的漂移方向变化程度,即:计算所述当前位置对应的两个漂移向量的夹角的余弦值,并将所述余弦值确定为每个中心点在当前位置对应的漂移方向变化程度。漂移方向变化程度对应的计算公式为:
其中,表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移方向变化程度;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移向量,/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点的当前位置在第/>层金字塔图像中的对应位置的漂移向量;| |表示取向量的模长符号;/>表示向量相乘符号。
对于上述的漂移方向变化程度的计算公式,漂移方向变化程度为漂移向量和/>的夹角的余弦值,如果这两个漂移向量的方向差异越大,说明上层的金字塔图像中的感兴趣区域与下层的金字塔图像中的对应区域的漂移方向越不一致,此时漂移方向变化程度/>的取值就越小;如果这两个漂移向量的方向差异越小,说明上层的金字塔图像中的感兴趣区域与下层的金字塔图像中的对应区域的漂移方向越一致,此时漂移方向变化程度/>的取值越大,后续对漂移向量的增强程度应该越大。
为了对下层的金字塔图像中每个中心点在每个位置对应的漂移向量进行修正,除了对比下层的金字塔图像中的每个中心点在每个位置对应的两个漂移向量的方向差异之外,还需要考虑每个中心点在每个位置对应的两个漂移空间区域中的缺陷像素点的分布密度的变化程度,这里的缺陷像素点的分布密度可以用对应漂移空间区域的像素点灰度分布特征来表征。如果上下层的金字塔图像中的缺陷像素点的分布密度相近,上下层的金字塔图像中计算出的漂移向量的模长也接近,此时就不会存在过度分类的情况。如果下层的金字塔图像中的缺陷像素点的分布密度小于上层的金字塔图像中的缺陷像素点的分布密度,那么计算出的漂移向量的模长就较小,此时就有可能由于漂移向量的模长较小导致漂移不到其他区域,从而导致过度分类。例如,对连续的划痕类缺陷,该类缺陷可能由多条划痕组成,划痕中间的区域可能相比之下其灰度值较为正常,那么在下层的金字塔图像中会被分割为多个区域,因此需要对漂移向量的模长进行增大,以让这些划痕仍然能尽量分类为同一区域。因此,为了避免这种过度分类现象,根据下层的金字塔图像中每个中心点在当前位置对应的漂移空间区域以及该当前位置在上一层的金字塔图像中对应位置的漂移空间区域中各个像素点的灰度,确定每个中心点在当前位置对应的密度变化程度,实现步骤包括:
对每个中心点在当前位置对应的每个漂移空间区域中像素点的灰度值进行统计,确定各个灰度级及其对应的出现频率;
确定所述各个灰度级对应的出现频率中的目标出现频率,并将所述目标出现频率对应的灰度级确定为目标灰度级;
确定每个所述灰度级和所述目标灰度级之间的差值绝对值与每个所述灰度级对应的出现频率的乘积值,并将所述各个灰度级对应的乘积值的平均值,确定为每个漂移空间区域的分布密度指标;
根据每个中心点的当前位置在上一层的金字塔图像中对应位置的漂移空间区域的分布密度指标与该中心点在当前位置对应的漂移空间区域的分布密度指标的差异,确定每个中心点在当前位置对应的密度变化程度。
具体的,对于下层的金字塔图像中每个中心点在当前位置对应的两个漂移空间区域,分别对每个漂移空间区域中像素点的灰度值进行统计,从而得到灰度分布直方图,并根据该灰度分布直方图,确定对应漂移空间区域内的各个灰度级及其对应的出现频率。确定各个灰度级对应的出现频率中的目标出现频率,即确定各个灰度级对应的出现频率中的众数,并将众数确定为目标出现频率,然后将该目标出现频率对应的灰度级确定为目标灰度级。基于下层的金字塔图像中每个中心点在当前位置对应的两个漂移空间区域中的各个灰度级及其对应的出现频率以及目标灰度级,确定下层的金字塔图像中每个中心点在当前位置对应的密度变化程度,对应的计算公式为:
其中,表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的密度变化程度;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移空间区域中的第z个灰度级;/>为表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移空间区域中的目标灰度级;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移空间区域中的第z个灰度级对应的出现频率;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移空间区域中的灰度级的总数目;/>表示第/>层金字塔图像中第/>个对应区域中第个中心点的当前位置在第/>层金字塔图像中对应的漂移空间区域中的第t个灰度级;表示第/>层金字塔图像中第/>个对应区域中第/>个中心点的当前位置在第/>层金字塔图像中对应的漂移空间区域中的目标灰度级;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点的当前位置在第/>层金字塔图像中对应的漂移空间区域中的第t个灰度级对应的出现频率;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点的当前位置在第/>层金字塔图像中对应的漂移空间区域中的灰度级的总数目;|| ||表示取绝对值符号;/>表示修正常数,用于防止分母为零。
对于上述的密度变化程度的计算公式,通过计算漂移空间区域中各个灰度级和目标灰度级的差值绝对值与对应灰度级的出现频率的乘积的均值,从而得到该漂移空间区域的缺陷像素点的分布密度指标,当漂移空间区域中缺陷像素点的分布密度越大时,即夹杂的正常像素点越少时,对应的分布密度指标就越小。通过将上下层金字塔图像中两个对应漂移空间区域的缺陷像素点的分布密度指标的比值接近值与1的差值绝对值来表示密度变化程度,当该密度变化程度的取值越大时,说明上下层金字塔图像中的缺陷像素点的分布密度变化越大,此时下层的金字塔图像中的缺陷像素点分布越稀疏,漂移向量需要增强的程度应该越大。
按照上述方式,对于除了最上层的金字塔图像之外的每一层的金字塔图像,在已经对其上层的金字塔图像进行了均值漂移之后,在对该层的金字塔图像中的每个对应区域进行均值漂移的过程中,均可以确定每个对应区域中的每个中心点在其漂移过程中的每个位置对应的漂移方向变化程度和密度变化程度。当漂移方向变化程度越大时,说明该层的金字塔图像和上层的金字塔图像的像素点的漂移向量的方向越相似,即聚类方向不变;对应的密度变化程度越大,说明该层的金字塔图像和上层的金字塔图像的缺陷像素点的分布密度差异越大,即图像中像素点的灰度分布越不均匀,此时的缺陷越有可能是连续的划痕区域,越有可能出现过分类现象。当漂移方向变化程度和密度变化程度均较大时,此时认为该层的金字塔图像也应该和上层的金字塔图像的聚类保持一致,但是由于自身像素点密度的原因可能在该层的金字塔图像中被过度分类,因此需要对漂移向量的模长进行加权修正。
基于上述分析,根据下一层的金字塔图像中每个对应区域中的每个中心点在当前位置对应的漂移方向变化程度和密度变化程度,对每个中心点在当前位置对应的漂移向量进行修正,得到每个中心点在当前位置对应的最终的漂移向量,即:根据每个中心点在当前位置对应的漂移方向变化程度和密度变化程度,确定修正系数,所述漂移方向变化程度和密度变化程度均与所述修正系数成正相关关系;将每个中心点在当前位置对应的漂移向量与所述修正系数的乘积确定为每个中心点在当前位置对应的最终的漂移向量。对每个中心点在当前位置对应的漂移向量进行修正,得到每个中心点在当前位置对应的最终的漂移向量,对应的计算公式为:
其中,表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的最终的漂移向量;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移向量;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移方向变化程度;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的密度变化程度;/>表示归一化函数,用于将/>归一化到0-1范围内。
对于上述的最终的漂移向量的计算公式,当漂移方向变化程度的取值越大时,说明上层的金字塔图像中的感兴趣区域与下层的金字塔图像中的对应区域的漂移方向越一致,当密度变化程度/>越大时,说明上层的金字塔图像中的感兴趣区域与下层的金字塔图像中的对应区域的缺陷像素点的分布密度变化越大,下层的金字塔图像中的对应区域的缺陷像素点分布越稀疏,此时漂移向量增强的程度就越大。
通过上述方式,对于除了最上层的金字塔图像之外的每一层的金字塔图像,在已经对其上层的金字塔图像进行了均值漂移之后,在对该层的金字塔图像中的每个对应区域进行均值漂移的过程中,均可以确定每个对应区域中的每个中心点在其漂移过程中的每个位置对应的
最终的漂移向量,并基于该最终的漂移向量进行均值漂移,从而得到当前层的金字塔图像的各个感兴趣区域。
最终,基于最上层的金字塔图像中的各个感兴趣区域,按照从上到下的顺序,依次对各层的金字塔图像中的对应区域进行均值漂移,直至分割出最下层的金字塔图像中的各个感兴趣区域,该最下层的金字塔图像中的各个感兴趣区域即为变速箱合金壳体的表面缺陷区域。
步骤S4:根据最下层的金字塔图像中的各个感兴趣区域,确定壳体的质量。
由于最下层的金字塔图像中的各个感兴趣区域即为变速箱合金壳体的表面缺陷区域,因此基于该最下层的金字塔图像中的各个感兴趣区域,即可以确定变速箱合金壳体的质量,实现步骤包括:
根据最下层的金字塔图像中的各个感兴趣区域的面积,确定最下层的金字塔图像中的各个感兴趣区域的质量权重,所述面积越大,对应的所述质量权重越大;
计算最下层的金字塔图像中的各个感兴趣区域的质量权重的累加和,从而得到壳体的质量参数;
根据所述质量参数,确定壳体的质量等级。
具体地,统计最下层的金字塔图像中的各个感兴趣区域的面积,该面积可以用感兴趣区域中像素点的个数来表征,并根据该面积的大小,来评估各个感兴趣区域的缺陷等级,并为缺陷等级赋予不同的质量权重。当感兴趣区域的面积大于第一面积阈值时,则将对应感兴趣区域的缺陷等级设置为一级缺陷,并为该一级缺陷设置第一质量权重;当感兴趣区域的面积大于第二面积阈值且不大于第一面积阈值时,则将对应感兴趣区域的缺陷等级设置为二级缺陷,并为该一级缺陷设置第二质量权重;当感兴趣区域的面积不大于第二面积阈值时,则将对应感兴趣区域的缺陷等级设置为三级缺陷,并为该一级缺陷设置第三质量权重。第一面积阈值、第二面积阈值、第一质量权重、第二质量权重和第三质量权重均可以根据实际需要进行设置,本实施例设置第一面积阈值的取值为50,第二面积阈值的取值为20,第一质量权重的取值为10,第二质量权重的取值为4,第三质量权重的取值为1。
在确定最下层的金字塔图像中的各个感兴趣区域的质量权重之后,计算这些质量权重的累加和,并将该累加和确定为变速箱合金壳体的质量参数。根据该质量参数,确定变速箱合金壳体的质量等级,即当所述质量参数小于第一设定参数时,判定壳体的质量等级为优;当所述质量参数不小于第一设定参数且小于第二设定参数时,判定壳体的质量等级为良;当所述质量参数不小于第二设定参数且小于第三设定参数时,判定壳体的质量等级为中;当所述质量参数不小于第三设定参数时,判定壳体的质量等级为差,需要返工。第一设定参数、第二设定参数和第三设定参数均可以根据实际需要进行设置,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,第二设定参数的取值为10。至此,完成变速箱合金壳体的质量视觉检测。
本实施例通过利用金字塔图像对变速箱合金壳体表面的整体灰度图像进行分辨率压缩,并在最上层的金字塔图像中进行均值漂移,得到均值漂移结果,将均值漂移结果向下传递,逐层对均值漂移结果进行精确,直到返回最下层的金字塔图像,得到精确的分割结果,分割速度较快,从而有效提高了变速箱合金壳体的质量检测速度。
用于变速箱合金壳体质量视觉检测的图像分割方法实施例:
在利用机器视觉技术对变速箱壳体进行缺陷检测时,现有在采用均值漂移算法对变速箱壳体表面图像进行分割时,由于均值漂移算法需要对整个图像进行漂移计算,计算量非常大,导致图像分割的速度通常较低。
针对上述在利用机器视觉技术对变速箱壳体进行缺陷检测时,图像分割的速度较低的问题,本实施例提供了一种用于变速箱合金壳体质量视觉检测的图像分割方法,包括以下步骤:
获取壳体的表面图像的灰度图像,并获取所述灰度图像的各层金字塔图像;
对最上层的金字塔图像进行图像分割,确定所述最上层的金字塔图像中的各个感兴趣区域;
将除了最上层的金字塔图像之外的每层金字塔图像作为目标金字塔图像,确定所述目标金字塔图像的上一层的金字塔图像的各个感兴趣区域在所述目标金字塔图像中的对应区域,对每个所述对应区域进行均值漂移操作,得到所述目标金字塔图像中的每个感兴趣区域,所述对每个所述对应区域进行均值漂移操作的过程中,每个中心点在每个位置对应的漂移向量的确定步骤包括:
获取每个中心点在当前位置对应的漂移向量,并确定所述当前位置在上一层的金字塔图像中对应位置的漂移向量,并根据所述当前位置对应的两个漂移向量,确定每个中心点在当前位置对应的漂移方向变化程度;
确定每个中心点在当前位置对应的漂移空间区域,以及所述当前位置在上一层的金字塔图像中对应位置的漂移空间区域,并根据两个所述漂移空间区域中像素点的灰度值,确定每个中心点在当前位置对应的密度变化程度;
根据每个中心点在当前位置对应的漂移方向变化程度和密度变化程度,对每个中心点在当前位置对应的漂移向量进行修正,得到每个中心点在当前位置对应的最终的漂移向量。
由于上述步骤已经在变速箱合金壳体质量视觉检测方法实施例中进行了详细介绍,此处不再赘述。通过上述步骤,可以得到最下层的金字塔图像中的各个感兴趣区域,这些感兴趣区域即为最终的图像分割结果,其表示变速箱合金壳体的表面缺陷区域。
本实施例通过利用金字塔图像对变速箱合金壳体表面的整体灰度图像进行分辨率压缩,并在最上层的金字塔图像中进行均值漂移,得到均值漂移结果,将均值漂移结果向下传递,逐层对均值漂移结果进行精确,直到返回最下层的金字塔图像,得到精确的分割结果。由于本实施例在利用机器视觉技术对变速箱壳体进行缺陷检测时,只需要对最上层的金字塔图像以及下层金字塔图像中的部分区域进行均值漂移,避免了对整个图像进行均值漂移操作,且通过对均值漂移操作过程中的漂移向量进行自适应修正,在保证分割准确性的同时,有效提高了图像分割速度。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种变速箱合金壳体质量视觉检测方法,其特征在于,包括以下步骤:
获取壳体的表面图像的灰度图像,并获取所述灰度图像的各层金字塔图像;
对最上层的金字塔图像进行图像分割,确定所述最上层的金字塔图像中的各个感兴趣区域;
将除了最上层的金字塔图像之外的每层金字塔图像作为目标金字塔图像,确定所述目标金字塔图像的上一层的金字塔图像的各个感兴趣区域在所述目标金字塔图像中的对应区域,对每个所述对应区域进行均值漂移操作,得到所述目标金字塔图像中的每个感兴趣区域,所述对每个所述对应区域进行均值漂移操作的过程中,每个中心点在每个位置对应的漂移向量的确定步骤包括:
获取每个中心点在当前位置对应的漂移向量,并确定所述当前位置在上一层的金字塔图像中对应位置的漂移向量,并根据所述当前位置对应的两个漂移向量,确定每个中心点在当前位置对应的漂移方向变化程度;
确定每个中心点在当前位置对应的漂移空间区域,以及所述当前位置在上一层的金字塔图像中对应位置的漂移空间区域,并根据两个所述漂移空间区域中像素点的灰度值,确定每个中心点在当前位置对应的密度变化程度;
根据每个中心点在当前位置对应的漂移方向变化程度和密度变化程度,对每个中心点在当前位置对应的漂移向量进行修正,得到每个中心点在当前位置对应的最终的漂移向量;
根据最下层的金字塔图像中的各个感兴趣区域,确定壳体的质量;
确定每个中心点在当前位置对应的漂移方向变化程度,包括:
计算所述当前位置对应的两个漂移向量的夹角的余弦值,并将所述余弦值确定为每个中心点在当前位置对应的漂移方向变化程度;
确定每个中心点在当前位置对应的密度变化程度,包括:
对每个中心点在当前位置对应的每个漂移空间区域中像素点的灰度值进行统计,确定各个灰度级及其对应的出现频率;
确定所述各个灰度级对应的出现频率中的目标出现频率,并将所述目标出现频率对应的灰度级确定为目标灰度级;
确定每个所述灰度级和所述目标灰度级之间的差值绝对值与每个所述灰度级对应的出现频率的乘积值,并将所述各个灰度级对应的乘积值的平均值,确定为每个漂移空间区域的分布密度指标;
根据每个中心点的当前位置在上一层的金字塔图像中对应位置的漂移空间区域的分布密度指标与该中心点在当前位置对应的漂移空间区域的分布密度指标的差异,确定每个中心点在当前位置对应的密度变化程度,对应的计算公式为:
其中,表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的密度变化程度;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移空间区域中的第z个灰度级;/>为表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移空间区域中的目标灰度级;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移空间区域中的第z个灰度级对应的出现频率;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移空间区域中的灰度级的总数目;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点的当前位置在第/>层金字塔图像中对应的漂移空间区域中的第t个灰度级;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点的当前位置在第/>层金字塔图像中对应的漂移空间区域中的目标灰度级;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点的当前位置在第/>层金字塔图像中对应的漂移空间区域中的第t个灰度级对应的出现频率;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点的当前位置在第/>层金字塔图像中对应的漂移空间区域中的灰度级的总数目;|| ||表示取绝对值符号;/>表示修正常数;
得到每个中心点在当前位置对应的最终的漂移向量,对应的计算公式为:
其中,表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的最终的漂移向量;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移向量;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的漂移方向变化程度;/>表示第/>层金字塔图像中第/>个对应区域中第/>个中心点在当前位置对应的密度变化程度;/>表示归一化函数。
2.根据权利要求1所述的一种变速箱合金壳体质量视觉检测方法,其特征在于,确定所述各个灰度级对应的出现频率中的目标出现频率,包括:
确定所述各个灰度级对应的出现频率中的众数,并将所述众数确定为目标出现频率。
3.根据权利要求1所述的一种变速箱合金壳体质量视觉检测方法,其特征在于,利用高斯金字塔对所述灰度图像进行下采样,从而所述灰度图像的各层金字塔图像。
4.根据权利要求3所述的一种变速箱合金壳体质量视觉检测方法,其特征在于,在利用高斯金字塔对所述灰度图像进行下采样时,将采样区域内最小的灰度值所对应的像素点作为采样点。
5.根据权利要求1所述的一种变速箱合金壳体质量视觉检测方法,其特征在于,确定所述最上层的金字塔图像中的各个感兴趣区域,包括:
对最上层的金字塔图像进行均值漂移操作,将所述最上层的金字塔图像分割成各个子区域;
确定所述各个子区域中的最大子区域,并将所述各个子区域中除了所述最大子区域外的各个子区域确定为感兴趣区域。
6.根据权利要求1所述的一种变速箱合金壳体质量视觉检测方法,其特征在于,确定壳体的质量,包括:
根据最下层的金字塔图像中的各个感兴趣区域的面积,确定最下层的金字塔图像中的各个感兴趣区域的质量权重,所述面积越大,对应的所述质量权重越大;
计算最下层的金字塔图像中的各个感兴趣区域的质量权重的累加和,从而得到壳体的质量参数;
根据所述质量参数,确定壳体的质量等级。
7.根据权利要求6所述的一种变速箱合金壳体质量视觉检测方法,其特征在于,确定壳体的质量等级,包括:
当所述质量参数小于第一设定参数时,判定壳体的质量等级为优;
当所述质量参数不小于第一设定参数且小于第二设定参数时,判定壳体的质量等级为良;当所述质量参数不小于第二设定参数且小于第三设定参数时,判定壳体的质量等级为中;
当所述质量参数不小于第三设定参数时,判定壳体的质量等级为差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152638.2A CN116894841B (zh) | 2023-09-08 | 2023-09-08 | 一种变速箱合金壳体质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311152638.2A CN116894841B (zh) | 2023-09-08 | 2023-09-08 | 一种变速箱合金壳体质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894841A CN116894841A (zh) | 2023-10-17 |
CN116894841B true CN116894841B (zh) | 2023-11-28 |
Family
ID=88311020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311152638.2A Active CN116894841B (zh) | 2023-09-08 | 2023-09-08 | 一种变速箱合金壳体质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894841B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295224A (zh) * | 2013-03-14 | 2013-09-11 | 北京工业大学 | 一种基于均值漂移和分水岭的乳腺超声图像自动分割方法 |
CN103745203A (zh) * | 2014-01-15 | 2014-04-23 | 南京理工大学 | 基于视觉注意和均值漂移的目标检测与跟踪方法 |
CN107016664A (zh) * | 2017-01-18 | 2017-08-04 | 华侨大学 | 一种大圆机的坏针瑕疵检测方法 |
CN107123146A (zh) * | 2017-03-20 | 2017-09-01 | 深圳市华汉伟业科技有限公司 | 一种标定板图像的标志物定位方法和系统 |
CN107705290A (zh) * | 2017-09-05 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种AMOLED显示屏Mura缺陷检测方法 |
KR20180062683A (ko) * | 2016-12-01 | 2018-06-11 | 주식회사 만도 | 이미지 피라미드를 이용한 차량 인식 장치 및 방법 |
CN109215026A (zh) * | 2018-09-29 | 2019-01-15 | 广东工业大学 | 一种基于机器视觉的高速准确led缺陷检测方法 |
WO2019103909A1 (en) * | 2017-11-21 | 2019-05-31 | The Regents Of The University Of California | Portable microscopy device with enhanced image performance using deep learning and methods of using the same |
CN110363719A (zh) * | 2019-07-01 | 2019-10-22 | 湖南开启时代智能科技有限公司 | 一种细胞分层图像处理方法及系统 |
CN111783737A (zh) * | 2020-07-29 | 2020-10-16 | 郑州航空工业管理学院 | 一种数学公式的识别方法和识别装置 |
JP2021527859A (ja) * | 2018-06-21 | 2021-10-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 深層領域拡張を使用した画像内の不規則形状のセグメント化 |
CN114445483A (zh) * | 2022-01-28 | 2022-05-06 | 泗阳三江橡塑有限公司 | 基于图像金字塔的注塑件质量分析方法 |
CN114998313A (zh) * | 2022-07-18 | 2022-09-02 | 山东海鑫达石油机械有限公司 | 基于视觉定位的流体输送管管口毛刺识别定位方法 |
CN115019111A (zh) * | 2022-08-05 | 2022-09-06 | 天津艺点意创科技有限公司 | 用于互联网文创作品的数据处理方法 |
CN115049664A (zh) * | 2022-08-16 | 2022-09-13 | 金乡县强力机械有限公司 | 基于视觉的船舶发动机配件缺陷检测方法 |
CN115100158A (zh) * | 2022-07-01 | 2022-09-23 | 北京大恒图像视觉有限公司 | 一种实现图像精准匹配的印刷检测方法 |
CN115131274A (zh) * | 2021-07-16 | 2022-09-30 | 哈尔滨工业大学 | 基于多时相联合分解的高分辨率遥感图像变化检测方法 |
CN115527049A (zh) * | 2022-10-14 | 2022-12-27 | 东南大学 | 一种引线框架引脚间距的高精度测量方法 |
KR20230017601A (ko) * | 2021-07-28 | 2023-02-06 | 국방과학연구소 | 저전력 관심영역 탐지방법 및 이를 수행하는 탐지장치 |
CN116152247A (zh) * | 2023-04-20 | 2023-05-23 | 江苏三纳科技材料有限公司 | 一种聚氨酯涂膜的质量评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8005264B2 (en) * | 2008-06-09 | 2011-08-23 | Arcsoft, Inc. | Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device |
DE102017209700A1 (de) * | 2017-06-08 | 2018-12-13 | Conti Temic Microelectronic Gmbh | Verfahren und Vorrichtung zur Erkennung von Kanten in einem Kamerabild, und Fahrzeug |
-
2023
- 2023-09-08 CN CN202311152638.2A patent/CN116894841B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295224A (zh) * | 2013-03-14 | 2013-09-11 | 北京工业大学 | 一种基于均值漂移和分水岭的乳腺超声图像自动分割方法 |
CN103745203A (zh) * | 2014-01-15 | 2014-04-23 | 南京理工大学 | 基于视觉注意和均值漂移的目标检测与跟踪方法 |
KR20180062683A (ko) * | 2016-12-01 | 2018-06-11 | 주식회사 만도 | 이미지 피라미드를 이용한 차량 인식 장치 및 방법 |
CN107016664A (zh) * | 2017-01-18 | 2017-08-04 | 华侨大学 | 一种大圆机的坏针瑕疵检测方法 |
CN107123146A (zh) * | 2017-03-20 | 2017-09-01 | 深圳市华汉伟业科技有限公司 | 一种标定板图像的标志物定位方法和系统 |
CN107705290A (zh) * | 2017-09-05 | 2018-02-16 | 哈尔滨工业大学深圳研究生院 | 一种AMOLED显示屏Mura缺陷检测方法 |
WO2019103909A1 (en) * | 2017-11-21 | 2019-05-31 | The Regents Of The University Of California | Portable microscopy device with enhanced image performance using deep learning and methods of using the same |
JP2021527859A (ja) * | 2018-06-21 | 2021-10-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 深層領域拡張を使用した画像内の不規則形状のセグメント化 |
CN109215026A (zh) * | 2018-09-29 | 2019-01-15 | 广东工业大学 | 一种基于机器视觉的高速准确led缺陷检测方法 |
CN110363719A (zh) * | 2019-07-01 | 2019-10-22 | 湖南开启时代智能科技有限公司 | 一种细胞分层图像处理方法及系统 |
CN111783737A (zh) * | 2020-07-29 | 2020-10-16 | 郑州航空工业管理学院 | 一种数学公式的识别方法和识别装置 |
CN115131274A (zh) * | 2021-07-16 | 2022-09-30 | 哈尔滨工业大学 | 基于多时相联合分解的高分辨率遥感图像变化检测方法 |
KR20230017601A (ko) * | 2021-07-28 | 2023-02-06 | 국방과학연구소 | 저전력 관심영역 탐지방법 및 이를 수행하는 탐지장치 |
CN114445483A (zh) * | 2022-01-28 | 2022-05-06 | 泗阳三江橡塑有限公司 | 基于图像金字塔的注塑件质量分析方法 |
CN115100158A (zh) * | 2022-07-01 | 2022-09-23 | 北京大恒图像视觉有限公司 | 一种实现图像精准匹配的印刷检测方法 |
CN114998313A (zh) * | 2022-07-18 | 2022-09-02 | 山东海鑫达石油机械有限公司 | 基于视觉定位的流体输送管管口毛刺识别定位方法 |
CN115019111A (zh) * | 2022-08-05 | 2022-09-06 | 天津艺点意创科技有限公司 | 用于互联网文创作品的数据处理方法 |
CN115049664A (zh) * | 2022-08-16 | 2022-09-13 | 金乡县强力机械有限公司 | 基于视觉的船舶发动机配件缺陷检测方法 |
CN115527049A (zh) * | 2022-10-14 | 2022-12-27 | 东南大学 | 一种引线框架引脚间距的高精度测量方法 |
CN116152247A (zh) * | 2023-04-20 | 2023-05-23 | 江苏三纳科技材料有限公司 | 一种聚氨酯涂膜的质量评估方法 |
Non-Patent Citations (6)
Title |
---|
Lithium Battery Pole Piece Defect Detection Method Based on Mean Shift and Gray-level Co-occurrence Matrix;Yifan Tao;2022 2nd International Conference on Electrical Engineering and Control Science (IC2ECS);全文 * |
动态金字塔模型的红外图像SR重建;谢冰;段哲民;马鹏阁;陈宇;;红外与激光工程(第01期);全文 * |
基于OpenCV的近景图像增强和分割算法研究;张弯;靳奉祥;赵相伟;季民;李婷;;北京测绘(第08期);全文 * |
基于otsu阈值分割和均值漂移的手势跟踪算法;赵永辉;邓艳;刘立伟;徐小鹏;冯文凤;;信息技术与信息化(第11期);全文 * |
基于聚类与均匀分布的图像显著性检测算法研究;宋平;刘恒;;微型机与应用(第03期);全文 * |
基于高斯金字塔和视觉显著性的色织物疵点检测;郑娜;穆平安;;包装工程(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116894841A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN116385450A (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN110222661A (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN116051820A (zh) | 基于多模板的单目标检测方法 | |
CN116228780A (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
CN116894841B (zh) | 一种变速箱合金壳体质量视觉检测方法 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 |
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 |