CN117147561A - 用于金属拉链的表面质量检测方法及系统 - Google Patents
用于金属拉链的表面质量检测方法及系统 Download PDFInfo
- Publication number
- CN117147561A CN117147561A CN202311117274.4A CN202311117274A CN117147561A CN 117147561 A CN117147561 A CN 117147561A CN 202311117274 A CN202311117274 A CN 202311117274A CN 117147561 A CN117147561 A CN 117147561A
- Authority
- CN
- China
- Prior art keywords
- defect
- infrared
- image
- zipper
- information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 61
- 239000002184 metal Substances 0.000 title claims abstract description 61
- 230000007547 defect Effects 0.000 claims abstract description 221
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000003331 infrared imaging Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000001303 quality assessment method Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229910000570 Cupronickel Inorganic materials 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 229920001778 nylon Polymers 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection 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
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了用于金属拉链的表面质量检测方法及系统，涉及智能检测技术领域，所述方法包括：利用红外成像设备采集获取全局表面红外图像信息，再基于红外缺陷检测网络对预处理后的标准全局表面红外图像信息进行缺陷识别，对识别获取的拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；通过CMOS图像传感器对表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息；基于拉链表面红外缺陷特征信息和拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果。达到通过红外成像和图像检测交叉验证实现拉链表面智能化质量检测，提高表面质量检测精确性和检测效率，进而保证拉链生产质量的技术效果。
Description
技术领域
本发明涉及智能检测技术领域，尤其涉及用于金属拉链的表面质量检测方法及系统。
背景技术
金属拉链属于拉链一种，是指拉链的咪齿由铜，白铜或铝材质制作的拉链，相比尼龙拉链和树脂拉链而言，较为坚固，多用于牛仔裤、外套和背包上。因此为保证金属拉链应用性能，减少残次品生产，需对其表面生产质量进行准确检测。然而，现有技术金属拉链表面检测智能化程度较低，导致影响表面质量检测精确性。
发明内容
本申请通过提供用于金属拉链的表面质量检测方法及系统，解决了现有技术金属拉链表面检测智能化程度较低，导致影响表面质量检测精确性的技术问题，达到通过红外成像和图像检测交叉验证实现拉链表面智能化质量检测，提高表面质量检测精确性和检测效率，进而保证拉链生产质量的技术效果。
鉴于上述问题，本发明提供了用于金属拉链的表面质量检测方法及系统。
第一方面，本申请提供了用于金属拉链的表面质量检测方法，所述方法包括：获取视觉检测模块，所述视觉检测模块与红外成像设备和CMOS图像传感器通讯连接；利用所述红外成像设备对金属拉链进行表面检测成像，采集获取全局表面红外图像信息；对所述全局表面红外图像信息进行图像预处理，获得标准全局表面红外图像信息；训练获取红外缺陷检测网络，基于所述红外缺陷检测网络对所述标准全局表面红外图像信息进行缺陷识别，获得拉链表面红外缺陷特征信息；对所述拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息；基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果。
另一方面，本申请还提供了用于金属拉链的表面质量检测系统，所述系统包括：视觉检测模块获取模块，用于获取视觉检测模块，所述视觉检测模块与红外成像设备和CMOS图像传感器通讯连接；表面检测成像模块，用于利用所述红外成像设备对金属拉链进行表面检测成像，采集获取全局表面红外图像信息；图像预处理模块，用于对所述全局表面红外图像信息进行图像预处理，获得标准全局表面红外图像信息；红外缺陷识别模块，用于训练获取红外缺陷检测网络，基于所述红外缺陷检测网络对所述标准全局表面红外图像信息进行缺陷识别，获得拉链表面红外缺陷特征信息；感兴趣区域标记模块，用于对所述拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；采集验证模块，用于通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息；拉链质量评估模块，用于基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了利用红外成像设备对金属拉链进行表面检测成像，再对所获取的全局表面红外图像信息进行图像预处理，基于红外缺陷检测网络对预处理后的标准全局表面红外图像信息进行缺陷识别，对识别获取的拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；通过CMOS图像传感器对表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息，基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果的技术方案。进而达到通过红外成像和图像检测交叉验证实现拉链表面智能化质量检测，提高表面质量检测精确性和检测效率，进而保证拉链生产质量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请用于金属拉链的表面质量检测方法的流程示意图；
图2为本申请用于金属拉链的表面质量检测系统的结构示意图；
图3为本申请示例性电子设备的结构示意图。
附图标记说明：视觉检测模块获取模块11，表面检测成像模块12，图像预处理模块13，红外缺陷识别模块14，感兴趣区域标记模块15，采集验证模块16，拉链质量评估模块17，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作系统1151，应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示，本申请提供了用于金属拉链的表面质量检测方法，所述方法包括：
步骤S1：获取视觉检测模块，所述视觉检测模块与红外成像设备和CMOS图像传感器通讯连接；
步骤S2：利用所述红外成像设备对金属拉链进行表面检测成像，采集获取全局表面红外图像信息；
具体的，金属拉链属于拉链一种，是指拉链的咪齿由铜，白铜或铝材质制作的拉链，相比尼龙拉链和树脂拉链而言，较为坚固，多用于牛仔裤、外套和背包上。因此为保证金属拉链应用性能，减少残次品生产，需对其表面生产质量进行准确检测。
为实现智能化金属拉链表面质量检测，设置获取视觉检测模块，所述视觉检测模块用于对金属拉链表面进行图像获取，其与红外成像设备和CMOS图像传感器通讯连接。首先利用所述红外成像设备对金属拉链进行表面检测成像，通过红外热成像仪使金属拉链表面产生感应电流，成像出能反映出物体表面的温度场的拉链表面整体红外图像，即全局表面红外图像信息。
步骤S3：对所述全局表面红外图像信息进行图像预处理，获得标准全局表面红外图像信息；
如图2所示，进一步而言，所述获得标准全局表面红外图像信息，本申请步骤还包括：
对所述全局表面红外图像信息进行滤波预处理，获取去噪红外图像信息；
基于所述去噪红外图像信息进行灰度图像转换，生成表面红外灰度图像信息；
对所述表面红外灰度图像信息进行灰度值统计，得到表面红外图像灰度值信息；
构建图像灰度分布坐标系，将所述表面红外图像灰度值信息映射至所述图像灰度分布坐标系中，获得表面红外图像灰度直方图；
对所述表面红外图像灰度直方图进行均衡化处理，得到所述标准全局表面红外图像信息。
进一步而言，所述对所述表面红外图像灰度直方图进行均衡化处理，本申请步骤还包括：
对所述表面红外图像灰度直方图进行分布比例计算，获得灰度值分布区间比例；
基于所述灰度值分布区间比例进行灰度变换分析，确定灰度分布变换需求；
构建图像灰度变换函数：g(x,y)＝cf(x,y)γ；
依据所述灰度分布变换需求确定伽马值，基于所述图像灰度变换函数和所述伽马值对所述表面红外图像灰度直方图进行均衡化处理。
进一步而言，所述对所述全局表面红外图像信息进行滤波预处理，本申请步骤还包括：
依据红外图像滤波预处理要求进行滤波参数分析，获得滤波器特性参数；
根据所述滤波器特性参数，确定红外图像数字滤波器；
基于所述红外图像数字滤波器对所述全局表面红外图像信息进行滤波预处理。
具体的，对所述全局表面红外图像信息进行图像预处理，受红外成像器件灵敏度、分辨率和噪声等的限制，以及图像在生成和传输过程中受到各种噪声干扰的影响，首先对所述全局表面红外图像信息进行滤波预处理。获取红外图像滤波预处理要求，包括噪音波段、滤波程度等，依据红外图像滤波预处理要求进行滤波参数分析，获得滤波器特性参数，所述滤波器特性参数为滤波器应用特性参数，包括中心频率、通带增益、带宽、相位响应、通带衰减等。根据所述滤波器特性参数，确定相应的红外图像数字滤波器，基于所述红外图像数字滤波器对所述全局表面红外图像信息进行滤波预处理，获取滤波后的去噪红外图像信息。保留图像细节特征，对噪声进行抑制，其处理效果直接影响到后续图像处理和分析的有效性和可靠性。
基于所述去噪红外图像信息进行灰度图像转换，将红外温度场图像映射转换生成为单通道的表面红外灰度图像信息。再对所述表面红外灰度图像信息进行灰度值统计，得到表面红外图像灰度值信息。构建图像灰度分布坐标系，所述图像灰度分布坐标系以灰度值大小为横坐标，灰度值个数为纵坐标。将所述表面红外图像灰度值信息映射至所述图像灰度分布坐标系中，获得统计该图像灰度值频率分布的表面红外图像灰度直方图。
对所述表面红外图像灰度直方图进行均衡化处理，首先对所述表面红外图像灰度直方图进行分布比例计算，即对灰度值各分布区间进行个数比例统计，可自行划分并分别统计低灰度区、中值区、高灰度区的灰度值分布区间比例。基于所述灰度值分布区间比例进行灰度变换分析，确定灰度分布变换需求，例如需图像整体变亮或变暗。构建图像灰度变换函数：g(x,y)＝cf(x,y)γ，其中g(x,y)为变换后的图像坐标灰度值，f(x,y)为当前图像坐标灰度值，c为比例因子，γ为灰度转换系数。灰度转换效果随着γ变化而变化，依据所述灰度分布变换需求确定伽马值，当γ﹥1时图像的高灰度区对比度被拉伸，低灰度区被压缩，图像整体变暗，当γ＜1时则相反。基于所述图像灰度变换函数和所述伽马值对所述表面红外图像灰度直方图进行均衡化处理，得到预处理后的标准全局表面红外图像信息，以提高图像的对比度，改善图像质量，提高后续图像表面缺陷检测准确性。
步骤S4：训练获取红外缺陷检测网络，基于所述红外缺陷检测网络对所述标准全局表面红外图像信息进行缺陷识别，获得拉链表面红外缺陷特征信息；
进一步而言，所述训练获取红外缺陷检测网络，本申请步骤还包括：
通过大数据技术获取拉链表面红外图像数据库；
构建拉链表面缺陷标签库，基于所述拉链表面缺陷标签库对所述拉链表面红外图像数据库进行标注，获得拉链表面缺陷标签信息；
按照所述拉链表面缺陷标签信息对所述拉链表面红外图像数据库进行样本聚类划分，生成表面红外正样本和表面缺陷负样本；
使用神经网络结构对所述表面红外正样本和所述表面缺陷负样本进行训练，生成所述红外缺陷检测网络。
具体的，通过大数据技术获取拉链表面红外图像数据库，所述拉链表面红外图像数据库包括历史表面缺陷金属拉链以及表面质量合格的红外图像数据信息。构建拉链表面缺陷标签库，所述拉链表面缺陷标签库包括表面裂纹、疵点、变色、孔洞等标签。基于所述拉链表面缺陷标签库对所述拉链表面红外图像数据库中的表面缺陷红外图像进行标注，获取拉链表面缺陷标签信息。按照所述拉链表面缺陷标签信息对所述拉链表面红外图像数据库进行样本聚类划分，将无缺陷以及缺陷类型相同的红外图像划分为一类，分别生成表面红外正样本和表面缺陷负样本。
使用神经网络结构对所述表面红外正样本和所述表面缺陷负样本进行训练，生成准确率达标的红外缺陷检测网络。基于所述红外缺陷检测网络对所述标准全局表面红外图像信息进行缺陷识别，获得拉链表面红外缺陷特征信息，所述拉链表面红外缺陷特征信息包括拉链表面缺陷类型信息。通过红外缺陷检测网络快速高效的对金属拉链表面缺陷进行识别，提高缺陷识别准确性和识别效率。
步骤S5：对所述拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；
具体的，对所述拉链表面红外缺陷特征信息进行感兴趣区域标记，即对识别缺陷所在区域进行标记，确定表面缺陷感兴趣区域，以用于后续图像传感器再次识别验证，提高表面缺陷检测效率。
步骤S6：通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息；
进一步而言，所述获取拉链表面缺陷图像特征信息，本申请步骤还包括：
通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集，获取表面区域检测图像信息；
基于自适应阈值法对所述表面区域检测图像信息进行二值化处理，得到区域检测二值化图像；
对所述区域检测二值化图像进行边缘增强处理，确定缺陷区域图像边缘信息；
基于所述缺陷区域图像边缘信息进行缺陷特征提取、交叉验证，获得拉链表面缺陷图像特征信息。
进一步而言，所述获得拉链表面缺陷图像特征信息，本申请步骤还包括：
基于所述缺陷区域图像边缘信息进行区域分割，获得缺陷分割区域信息和缺陷定位特征信息；
依据所述缺陷分割区域信息的面积值进行灰度值融合，获得缺陷区域融合灰度值；
将所述缺陷区域融合灰度值和标准金属拉链图像灰度值的灰度标准差作为缺陷特征提取值；
基于所述缺陷特征提取值和所述缺陷定位特征信息与所述拉链表面红外缺陷特征信息进行交叉验证，确定所述拉链表面缺陷图像特征信息。
具体的，通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集，其中，CMOS图像传感器具有灵敏度高、节能高清的优点，以此拍摄获取表面区域检测图像信息。基于自适应阈值法对所述表面区域检测图像信息进行二值化处理，自适应阈值法是根据图像不同区域灰度，不断计算更新局部阈值，对于图像不同区域，自适应不同的阈值的二值化算法，处理得到区域检测二值化图像，以表现图像表面缺陷区域。再对所述区域检测二值化图像进行边缘增强处理，即对图像缺陷边缘进行灰度增强，确定缺陷区域图像边缘信息。
基于所述缺陷区域图像边缘信息进行缺陷特征提取、交叉验证，首先基于所述缺陷区域图像边缘信息进行缺陷区域分割，获得缺陷分割区域信息和缺陷区域所在的缺陷定位特征信息。依据所述缺陷分割区域信息的面积值进行灰度值融合，即将缺陷区域的面积大小值和缺陷区域的灰度值进行乘积融合，获得缺陷区域融合灰度值。计算所述缺陷区域融合灰度值和标准金属拉链图像灰度值的灰度标准差作为缺陷特征提取值，特征提取值越大，表明该缺陷的严重程度越大。
基于所述缺陷特征提取值和所述缺陷定位特征信息与所述拉链表面红外缺陷特征信息进行交叉验证，即将红外测试所得缺陷和图像采集所得缺陷进行互相验证补充，结合确定拉链表面缺陷图像特征信息，所述链表面缺陷图像特征信息包括金属拉链表面检测的缺陷类型、严重程度以及缺陷位置信息。通过红外成像和图像检测交叉验证实现拉链表面智能化质量检测，提高表面质量检测精确性和检测全面性。
步骤S7：基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果。
具体的，基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，可通过金属拉链应用标准自行设定表面质量划分等级，确定拉链表面质量合格标准，基于划分等级与表面缺陷特征构建质量等级评估模型。通过质量等级评估模型对所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行评估，确定拉链表面质量等级，即金属拉链表面质量检测结果。实现拉链表面智能化质量检测，提高表面质量检测精确性和检测效率，进而保证拉链生产质量。
综上所述，本申请所提供的用于金属拉链的表面质量检测方法及系统具有如下技术效果：
由于采用了利用红外成像设备对金属拉链进行表面检测成像，再对所获取的全局表面红外图像信息进行图像预处理，基于红外缺陷检测网络对预处理后的标准全局表面红外图像信息进行缺陷识别，对识别获取的拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；通过CMOS图像传感器对表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息，基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果的技术方案。进而达到通过红外成像和图像检测交叉验证实现拉链表面智能化质量检测，提高表面质量检测精确性和检测效率，进而保证拉链生产质量的技术效果。
实施例二
基于与前述实施例中用于金属拉链的表面质量检测方法同样发明构思，本发明还提供了用于金属拉链的表面质量检测系统，如图2所示，所述系统包括：
视觉检测模块获取模块11，用于获取视觉检测模块，所述视觉检测模块与红外成像设备和CMOS图像传感器通讯连接；
表面检测成像模块12，用于利用所述红外成像设备对金属拉链进行表面检测成像，采集获取全局表面红外图像信息；
图像预处理模块13，用于对所述全局表面红外图像信息进行图像预处理，获得标准全局表面红外图像信息；
红外缺陷识别模块14，用于训练获取红外缺陷检测网络，基于所述红外缺陷检测网络对所述标准全局表面红外图像信息进行缺陷识别，获得拉链表面红外缺陷特征信息；
感兴趣区域标记模块15，用于对所述拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；
采集验证模块16，用于通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息；
拉链质量评估模块17，用于基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果。
进一步的，所述系统还包括：
去噪红外图像获取单元，用于对所述全局表面红外图像信息进行滤波预处理，获取去噪红外图像信息；
灰度图像转换单元，用于基于所述去噪红外图像信息进行灰度图像转换，生成表面红外灰度图像信息；
灰度值统计单元，用于对所述表面红外灰度图像信息进行灰度值统计，得到表面红外图像灰度值信息；
直方图获得单元，用于构建图像灰度分布坐标系，将所述表面红外图像灰度值信息映射至所述图像灰度分布坐标系中，获得表面红外图像灰度直方图；
标准图像获得单元，用于对所述表面红外图像灰度直方图进行均衡化处理，得到所述标准全局表面红外图像信息。
进一步的，所述系统还包括：
分布比例计算单元，用于对所述表面红外图像灰度直方图进行分布比例计算，获得灰度值分布区间比例；
灰度变换分析单元，用于基于所述灰度值分布区间比例进行灰度变换分析，确定灰度分布变换需求；
灰度变换函数构建单元，用于构建图像灰度变换函数：g(x,y)＝cf(x,y)γ；
均衡化处理单元，用于依据所述灰度分布变换需求确定伽马值，基于所述图像灰度变换函数和所述伽马值对所述表面红外图像灰度直方图进行均衡化处理。
进一步的，所述系统还包括：
滤波参数分析单元，用于依据红外图像滤波预处理要求进行滤波参数分析，获得滤波器特性参数；
滤波器确定单元，用于根据所述滤波器特性参数，确定红外图像数字滤波器；
滤波预处理单元，用于基于所述红外图像数字滤波器对所述全局表面红外图像信息进行滤波预处理。
进一步的，所述系统还包括：
数据库获取单元，用于通过大数据技术获取拉链表面红外图像数据库；
数据样本标注单元，用于构建拉链表面缺陷标签库，基于所述拉链表面缺陷标签库对所述拉链表面红外图像数据库进行标注，获得拉链表面缺陷标签信息；
样本聚类划分单元，用于按照所述拉链表面缺陷标签信息对所述拉链表面红外图像数据库进行样本聚类划分，生成表面红外正样本和表面缺陷负样本；
模型训练单元，用于使用神经网络结构对所述表面红外正样本和所述表面缺陷负样本进行训练，生成所述红外缺陷检测网络。
进一步的，所述系统还包括：
感兴趣区域采集单元，用于通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集，获取表面区域检测图像信息；
二值化处理单元，用于基于自适应阈值法对所述表面区域检测图像信息进行二值化处理，得到区域检测二值化图像；
边缘增强处理单元，用于对所述区域检测二值化图像进行边缘增强处理，确定缺陷区域图像边缘信息；
缺陷特征提取单元，用于基于所述缺陷区域图像边缘信息进行缺陷特征提取、交叉验证，获得拉链表面缺陷图像特征信息。
进一步的，所述系统还包括：
区域分割单元，用于基于所述缺陷区域图像边缘信息进行区域分割，获得缺陷分割区域信息和缺陷定位特征信息；
灰度值融合单元，用于依据所述缺陷分割区域信息的面积值进行灰度值融合，获得缺陷区域融合灰度值；
特征提取值获得单元，用于将所述缺陷区域融合灰度值和标准金属拉链图像灰度值的灰度标准差作为缺陷特征提取值；
表面缺陷图像特征确定单元，用于基于所述缺陷特征提取值和所述缺陷定位特征信息与所述拉链表面红外缺陷特征信息进行交叉验证，确定所述拉链表面缺陷图像特征信息。
前述图1实施例一中的用于金属拉链的表面质量检测方法的各种变化方式和具体实例同样适用于本实施例的用于金属拉链的表面质量检测系统，通过前述对用于金属拉链的表面质量检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中用于金属拉链的表面质量检测系统的实施方法，所以为了说明书的简洁，在此不再详述。
此外，本申请还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
示例性电子设备
具体的，参见图3所示，本申请还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本申请中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本申请不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本申请中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解，本申请中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。
易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请披露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.用于金属拉链的表面质量检测方法，其特征在于，所述方法包括：
获取视觉检测模块，所述视觉检测模块与红外成像设备和CMOS图像传感器通讯连接；
利用所述红外成像设备对金属拉链进行表面检测成像，采集获取全局表面红外图像信息；
对所述全局表面红外图像信息进行图像预处理，获得标准全局表面红外图像信息；
训练获取红外缺陷检测网络，基于所述红外缺陷检测网络对所述标准全局表面红外图像信息进行缺陷识别，获得拉链表面红外缺陷特征信息；
对所述拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；
通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息；
基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果。
2.如权利要求1所述的方法，其特征在于，所述获得标准全局表面红外图像信息，包括：
对所述全局表面红外图像信息进行滤波预处理，获取去噪红外图像信息；
基于所述去噪红外图像信息进行灰度图像转换，生成表面红外灰度图像信息；
对所述表面红外灰度图像信息进行灰度值统计，得到表面红外图像灰度值信息；
构建图像灰度分布坐标系，将所述表面红外图像灰度值信息映射至所述图像灰度分布坐标系中，获得表面红外图像灰度直方图；
对所述表面红外图像灰度直方图进行均衡化处理，得到所述标准全局表面红外图像信息。
3.如权利要求2所述的方法，其特征在于，所述对所述表面红外图像灰度直方图进行均衡化处理，包括：
对所述表面红外图像灰度直方图进行分布比例计算，获得灰度值分布区间比例；
基于所述灰度值分布区间比例进行灰度变换分析，确定灰度分布变换需求；
构建图像灰度变换函数：g(x,y)＝cf(x,y)γ；
依据所述灰度分布变换需求确定伽马值，基于所述图像灰度变换函数和所述伽马值对所述表面红外图像灰度直方图进行均衡化处理。
4.如权利要求2所述的方法，其特征在于，所述对所述全局表面红外图像信息进行滤波预处理，包括：
依据红外图像滤波预处理要求进行滤波参数分析，获得滤波器特性参数；
根据所述滤波器特性参数，确定红外图像数字滤波器；
基于所述红外图像数字滤波器对所述全局表面红外图像信息进行滤波预处理。
5.如权利要求1所述的方法，其特征在于，所述训练获取红外缺陷检测网络，包括：
通过大数据技术获取拉链表面红外图像数据库；
构建拉链表面缺陷标签库，基于所述拉链表面缺陷标签库对所述拉链表面红外图像数据库进行标注，获得拉链表面缺陷标签信息；
按照所述拉链表面缺陷标签信息对所述拉链表面红外图像数据库进行样本聚类划分，生成表面红外正样本和表面缺陷负样本；
使用神经网络结构对所述表面红外正样本和所述表面缺陷负样本进行训练，生成所述红外缺陷检测网络。
6.如权利要求1所述的方法，其特征在于，所述获取拉链表面缺陷图像特征信息，包括：
通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集，获取表面区域检测图像信息；
基于自适应阈值法对所述表面区域检测图像信息进行二值化处理，得到区域检测二值化图像；
对所述区域检测二值化图像进行边缘增强处理，确定缺陷区域图像边缘信息；
基于所述缺陷区域图像边缘信息进行缺陷特征提取、交叉验证，获得拉链表面缺陷图像特征信息。
7.如权利要求6所述的方法，其特征在于，所述获得拉链表面缺陷图像特征信息，包括：
基于所述缺陷区域图像边缘信息进行区域分割，获得缺陷分割区域信息和缺陷定位特征信息；
依据所述缺陷分割区域信息的面积值进行灰度值融合，获得缺陷区域融合灰度值；
将所述缺陷区域融合灰度值和标准金属拉链图像灰度值的灰度标准差作为缺陷特征提取值；
基于所述缺陷特征提取值和所述缺陷定位特征信息与所述拉链表面红外缺陷特征信息进行交叉验证，确定所述拉链表面缺陷图像特征信息。
8.用于金属拉链的表面质量检测系统，其特征在于，所述系统包括：
视觉检测模块获取模块，用于获取视觉检测模块，所述视觉检测模块与红外成像设备和CMOS图像传感器通讯连接；
表面检测成像模块，用于利用所述红外成像设备对金属拉链进行表面检测成像，采集获取全局表面红外图像信息；
图像预处理模块，用于对所述全局表面红外图像信息进行图像预处理，获得标准全局表面红外图像信息；
红外缺陷识别模块，用于训练获取红外缺陷检测网络，基于所述红外缺陷检测网络对所述标准全局表面红外图像信息进行缺陷识别，获得拉链表面红外缺陷特征信息；
感兴趣区域标记模块，用于对所述拉链表面红外缺陷特征信息进行感兴趣区域标记，确定表面缺陷感兴趣区域；
采集验证模块，用于通过所述CMOS图像传感器对所述表面缺陷感兴趣区域进行采集验证，获取拉链表面缺陷图像特征信息；
拉链质量评估模块，用于基于所述拉链表面红外缺陷特征信息和所述拉链表面缺陷图像特征信息进行质量评估，确定金属拉链表面质量检测结果。
9.用于金属拉链的表面质量检测电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311117274.4A CN117147561B (zh) | 2023-09-01 | 2023-09-01 | 用于金属拉链的表面质量检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311117274.4A CN117147561B (zh) | 2023-09-01 | 2023-09-01 | 用于金属拉链的表面质量检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117147561A true CN117147561A (zh) | 2023-12-01 |
| CN117147561B CN117147561B (zh) | 2024-03-19 |
Family
ID=88900233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311117274.4A Active CN117147561B (zh) | 2023-09-01 | 2023-09-01 | 用于金属拉链的表面质量检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117147561B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710369A (zh) * | 2024-02-05 | 2024-03-15 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
| CN117911735A (zh) * | 2024-03-20 | 2024-04-19 | 苏州先准电子科技有限公司 | 一种印刷电路板质量检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
| CN112881467A (zh) * | 2021-03-15 | 2021-06-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种大尺寸复合材料损伤成像与定量识别方法 |
| CN113763359A (zh) * | 2021-09-08 | 2021-12-07 | 苏州华测信息科技有限公司 | 一种金属近表面缺陷检测用智能检测与感知系统 |
| CN115639248A (zh) * | 2022-12-22 | 2023-01-24 | 天津思睿信息技术有限公司 | 一种用于建筑外墙质量检测的系统及方法 |
-
2023
- 2023-09-01 CN CN202311117274.4A patent/CN117147561B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734692A (zh) * | 2020-12-17 | 2021-04-30 | 安徽继远软件有限公司 | 一种变电设备缺陷识别方法及装置 |
| CN112881467A (zh) * | 2021-03-15 | 2021-06-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种大尺寸复合材料损伤成像与定量识别方法 |
| CN113763359A (zh) * | 2021-09-08 | 2021-12-07 | 苏州华测信息科技有限公司 | 一种金属近表面缺陷检测用智能检测与感知系统 |
| CN115639248A (zh) * | 2022-12-22 | 2023-01-24 | 天津思睿信息技术有限公司 | 一种用于建筑外墙质量检测的系统及方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710369A (zh) * | 2024-02-05 | 2024-03-15 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
| CN117710369B (zh) * | 2024-02-05 | 2024-04-30 | 山东省科院易达信息科技有限公司 | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 |
| CN117911735A (zh) * | 2024-03-20 | 2024-04-19 | 苏州先准电子科技有限公司 | 一种印刷电路板质量检测方法及系统 |
| CN117911735B (zh) * | 2024-03-20 | 2024-05-17 | 苏州先准电子科技有限公司 | 一种印刷电路板质量检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117147561B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117147561B (zh) | 用于金属拉链的表面质量检测方法及系统 | |
| CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
| CN111369545B (zh) | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 | |
| Horé et al. | Is there a relationship between peak‐signal‐to‐noise ratio and structural similarity index measure? | |
| Liu et al. | MSC-DNet: An efficient detector with multi-scale context for defect detection on strip steel surface | |
| CN108229673B (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
| CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| Li et al. | No-reference image quality assessment using statistical characterization in the shearlet domain | |
| CN110020658B (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
| CN110766007A (zh) | 证件遮挡检测方法、装置、设备及可读存储介质 | |
| US20190147613A1 (en) | Estimation of human orientation in images using depth information | |
| Wang | A survey on IQA | |
| Zhou et al. | Image quality assessment using kernel sparse coding | |
| Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
| CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
| Song et al. | Intelligent Identification Method of Hydrophobic Grade of Composite Insulator Based on Efficient GA‐YOLO Former Network | |
| CN111753729B (zh) | 一种假脸检测方法、装置、电子设备及存储介质 | |
| CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
| CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
| CN116612355A (zh) | 人脸伪造识别模型训练方法和装置、人脸识别方法和装置 | |
| Qureshi et al. | An information based framework for performance evaluation of image enhancement methods | |
| Li et al. | Gradient-weighted structural similarity for image quality assessments | |
| CN115456972A (zh) | 混凝土裂缝检测与识别方法、装置、设备及存储介质 | |
| CN115100068A (zh) | 一种红外图像校正方法 | |
| CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 |
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 |