CN117173189B - 一种铝合金表面抛光效果视觉检测系统 - Google Patents
一种铝合金表面抛光效果视觉检测系统 Download PDFInfo
- Publication number
- CN117173189B CN117173189B CN202311453573.5A CN202311453573A CN117173189B CN 117173189 B CN117173189 B CN 117173189B CN 202311453573 A CN202311453573 A CN 202311453573A CN 117173189 B CN117173189 B CN 117173189B
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- pixel points
- edge line
- aluminum alloy
- 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
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 128
- 238000005498 polishing Methods 0.000 title claims abstract description 56
- 230000000694 effects Effects 0.000 title claims abstract description 52
- 238000011179 visual inspection Methods 0.000 title claims description 19
- 230000007547 defect Effects 0.000 claims abstract description 61
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 31
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像分析领域,具体涉及一种铝合金表面抛光效果视觉检测系统。该系统首先采集铝合金表面的灰度图像,对灰度图像进行边缘检测获得边缘线以及边缘线上像素点的梯度幅值和梯度方向;根据边缘线的像素点灰度值获得灰度阈值;根据梯度幅值和梯度方向以及灰度阈值获得特征值;根据任意两个边缘线的特征值差异和像素点的距离获得边缘线之间的相似度,结合灰度阈值和相似度对边缘线的像素点进行区域生长获得目标区域,从目标区域中提取出划痕区域,对划痕区域中的像素点进行分析获得缺陷程度,基于缺陷程度评价铝合金表面抛光效果。本发明能够准确区分出铝合金表面的划痕区域和纹理区域,提高了对铝合金表面的抛光效果评价的准确性。
Description
技术领域
本发明涉及图像分析领域,具体涉及一种铝合金表面抛光效果视觉检测系统。
背景技术
铝合金是一种广泛应用于工业和制造领域的材料,具有轻量化、高强度和耐腐蚀等特性。在许多应用中,铝合金的表面质量和外观非常重要,特别是在汽车、航空航天和电子设备等高端行业中。铝合金抛光是一种常用的表面处理方法,可改善铝合金表面的光洁度和光反射性能,从而提高其外观和质量。然而,由于抛光过程中的抛光方式和材料本身因素,铝合金表面通常会存在一些纹理和划痕,视觉检测系统被广泛用于表面质量的评估和检验。
相关技术中通常使用边缘检测或阈值分割等技术提取出图像中的缺陷区域,并基于获取的缺陷区域对金属表面的质量进行评价,但是由于铝合金表面的纹理与划痕之间的区别较小,通过现有技术无法对铝合金表面的纹理和划痕进行有效区分,铝合金表面的纹理会影响到对划痕的识别和提取,导致无法全面评估铝合金表面抛光质量,进而降低对铝合金表面抛光效果评价的准确性。
发明内容
为了解决铝合金表面的纹理会影响到对划痕的识别和提取,导致无法全面评估铝合金表面抛光质量,进而降低对铝合金表面抛光效果评价的准确性的技术问题,本发明的目的在于提供一种铝合金表面抛光效果视觉检测系统,所采用的技术方案具体如下:
本发明提出了一种铝合金表面抛光效果视觉检测系统,所述系统包括:
图像采集模块,用于获取铝合金表面的灰度图像;
目标区域提取模块,用于对灰度图像进行边缘检测,获得灰度图像的边缘线以及边缘线上像素点的梯度幅值和梯度方向;根据边缘线上像素点灰度值的分布获得边缘线的灰度阈值;根据边缘线上像素点的梯度幅值和梯度方向以及灰度阈值,获得边缘线的特征值;根据任意两条边缘线上像素点的距离以及特征值的差异获得边缘线之间的相似度;根据灰度阈值和相似度对边缘线的像素点进行区域生长获得目标区域;
划痕区域分析模块,用于根据所述目标区域中像素点的分布、像素点灰度值以及像素点的数量,获得目标区域的置信度;根据所述置信度在目标区域中提取出划痕区域;
抛光效果评价模块,用于根据划痕区域的所述置信度、像素点灰度值和像素点的数量,获得铝合金表面的缺陷程度;根据所述缺陷程度对铝合金表面抛光效果进行评价。
进一步地,所述根据边缘线上像素点灰度值的分布获得边缘线的灰度阈值包括:
将每个所述边缘线上所有像素点的灰度值的平均值作为边缘线灰度均值;
将每个所述边缘线上所有像素点的灰度值的标准差作为调节参数;
将所述边缘线灰度均值和所述调节参数的和值,作为每个边缘线的灰度阈值。
进一步地,所述根据边缘线上像素点的梯度幅值和梯度方向以及灰度阈值,获得边缘线的特征值包括:
将每个边缘线上所有像素点的所述梯度方向的平均值,作为边缘线的整体梯度方向;
将每个边缘线上每个像素点的所述梯度方向与所述整体梯度方向的差值的绝对值,作为梯度方向偏离度;对每个边缘线上所有像素点的所述梯度方向偏离度的平均值进行归一化处理,获得第一特征参数;
将每个边缘线上所有像素点的所述梯度幅值的极差,作为第二特征参数;
将每个边缘线的灰度阈值作为第三特征参数;
将所述第一特征参数、所述第二特征参数和所述第三特征参数的乘积值,作为每个边缘线的特征值。
进一步地,所述根据任意两条边缘线上像素点的距离以及特征值的差异获得边缘线之间的相似度包括:
将任意两个边缘线的所述特征值的差值的绝对值,作为边缘线之间的特征差异;
在任意两个边缘线中的其中一个边缘上选取一个像素点作为第一像素点,在另一个边缘线上选取一个像素点作为第二像素点,将所述第一像素点和所述第二像素点之间的距离的最小值,作为边缘线之间的参考距离;
将所述特征差异和所述参考距离的乘积值进行负相关的归一化处理,获得任意两个边缘线之间的相似度。
进一步地,所述根据灰度阈值和相似度对边缘线的像素点进行区域生长获得目标区域包括:
将所述相似度大于预设相似度阈值的两个边缘线上相距最近的端点进行连接,获得完整边缘线,将相互连接的边缘线的灰度阈值的平均值作为完整边缘线的优化灰度阈值;
以完整边缘线上的像素点为中心构建预设邻域范围,基于区域生长算法,对预设邻域范围内小于优化灰度阈值的像素点进行区域生长,获得目标区域。
进一步地,所述根据所述目标区域中像素点的分布、像素点灰度值以及像素点的数量,获得目标区域的置信度包括:
对每个所述目标区域进行连通域分析,获得目标区域的质心;
将每个所述目标区域中所有像素点与所述质心的连线的斜率的平均值,作为每个目标区域的斜率均值,将所有所述目标区域的所述斜率均值的平均值作为整体斜率均值,将每个目标区域的所述斜率均值与所述整体斜率均值的差值的绝对值,作为第一置信参数;
将每个目标区域的所有像素点灰度值的平均值,作为每个目标区域的目标灰度均值,将所有目标区域的所述目标灰度均值的平均值作为整体目标灰度均值,将每个目标区域的所述目标灰度均值与所述整体目标灰度均值的差值的绝对值,作为第二置信参数;
将所有目标区域中像素点的数量的平均值作为整体像素点数量,将每个目标区域中像素点的数量与所述整体像素点数量的差值的绝对值,作为第三置信参数;
将所述第一置信参数、所述第二置信参数和所述第三置信参数的乘积值进行归一化处理,获得每个目标区域的置信度。
进一步地,所述根据所述置信度在目标区域中提取出划痕区域包括:
将所述置信度大于预设置信度阈值的目标区域作为划痕区域。
进一步地,所述根据划痕区域的所述置信度、像素点灰度值和像素点的数量,获得铝合金表面的缺陷程度包括:
将所有划痕区域的所述置信度的平均值作为置信度均值;
将每个划痕区域中所有像素点灰度值的平均值作为每个划痕区域的划痕灰度均值,将所有划痕区域的所述划痕灰度均值的平均值,作为整体划痕灰度均值;将灰度图像中所有像素点灰度值的平均值作为整体灰度值;将所述整体划痕灰度均值与所述整体灰度值的差值的绝对值作为整体灰度差异;
将所有划痕区域中像素点的数量与灰度图像中像素点的总数量的比值,作为划痕像素点比重;
将所述置信度均值、所述整体灰度差异和所述划痕像素点比重的乘积值进行归一化处理,获得铝合金表面的缺陷程度。
进一步地,所述根据所述缺陷程度对铝合金表面抛光效果进行评价包括:
若所述缺陷程度小于预设缺陷程度阈值,则认为铝合金表面抛光合格,否则,则认为铝合金表面抛光不合格。
进一步地,所述对灰度图像进行边缘检测,获得灰度图像的边缘线以及边缘线上像素点的梯度幅值和梯度方向包括:
基于canny边缘检测算法,对所述灰度图像进行边缘检测获得灰度图像的边缘线;
使用sobel算子对每个所述边缘线上的像素点进行梯度计算,获得边缘线上像素点的梯度幅值和梯度方向。
本发明具有如下有益效果:
本发明考虑到灰度图像中的纹理和划痕区别较小,无法对纹理区域和划痕区域进行有效区分,因此提取出纹理和划痕的边缘线以及边缘线上的像素点的梯度幅值和梯度方向,便于后续根据梯度幅值和梯度方向对边缘线的梯度特征进行分析,考虑到在对有条状纹理的铝合金表面的划痕检测时,利用边缘检测对这些纹理和划痕进行分割提取时效果并不理想,因此可通过区域生长算法得到比较完整的纹理或者划痕,并将灰度阈值作为区域生长的规则,考虑到由于反光原因导致边缘线发生断裂现象,因此可通过获取的特征值表征每个边缘线的特征,并进一步结合边缘线之间的相似度,获取到更加完整的目标区域,并基于置信度对划痕区域和纹理区域进行有效区分,精确提取出划痕区域,进一步分析划痕区域对铝合金表面抛光的影响,并通过缺陷程度对铝合金表面抛光效果进行客观准确的评价,进而能够更加全面评估铝合金表面的抛光质量和效果。
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铝合金表面抛光效果视觉检测系统框图。
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铝合金表面抛光效果视觉检测系统,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。
一种铝合金表面抛光效果视觉检测系统实施例:
下面结合附图具体的说明本发明所提供的一种铝合金表面抛光效果视觉检测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种铝合金表面抛光效果视觉检测系统框图,该系统包括:图像采集模块101,目标区域提取模块102,划痕区域分析模块103,抛光效果评价模块104。
图像采集模块101用于获取铝合金表面的灰度图像。
铝合金是一种广泛应用于工业和制造领域的材料,具有轻量化、高强度和耐腐蚀等特性,铝合金抛光是一种常用的表面处理方法,可改善铝合金表面的光洁度和光反射性能,从而提高其外观和质量。然而,由于抛光过程中的抛光方式和材料本身因素,铝合金表面通常会存在一些纹理和划痕,视觉检测系统被广泛用于表面质量的评估和检验。
铝合金表面的纹理指的是可见或可感知的细节和纹路,可以是由材料本身性质、制造工艺、加工处理等因素形成的。纹理可以为产品增添独特的外观、质感和装饰效果。如建筑外立面、室内装饰、汽车外观等,特定的铝合金表面纹理是被需要保留的。但是当对这些有纹理的铝合金表面进行划痕分析和检测,从而对铝合金表面的抛光效果进行评价时是比较困难的。铝合金表面的划痕是指表面上由于摩擦、切削、磨削等引起的物理划痕或刻痕。划痕通常是在表面上形成的线状或弧状的可见痕迹,与纹理略有不同。划痕常常是意外或不良加工操作导致的,对铝合金表面的外观和质量可能产生不利影响。
本发明实施例主要是对铝合金表面抛光效果进行机器视觉检测,因此需要通过生产线上的高清相机对铝合金表面进行拍摄,在拍摄过程中与铝合金表面平行的上方位置布置适当大小的均光板以提升相机在拍摄时的进光量,有利于拍摄出铝合金表面更多的细节和纹理,方便后续对铝合金表面的划痕提取和分析。
使用高清相机采集到铝合金表面的原始图像以后,为了降低后续图像处理的计算量,提高处理速度,在本发明的一个实施例中将采集到的原始图像进行灰度化处理,转化为单通道的灰度图像。需要说明的是,灰度化处理是本领域技术人员熟知的技术手段,在此不再赘述。进一步对灰度图像使用高斯滤波对灰度图进行平滑处理,防止后续对灰度图中纹理和划痕进行分析时噪声的干扰。
目标区域提取模块102用于对灰度图像进行边缘检测,获得灰度图像的边缘线以及边缘线上像素点的梯度幅值和梯度方向;根据边缘线上像素点灰度值的分布获得边缘线的灰度阈值;根据边缘线上像素点的梯度幅值和梯度方向以及灰度阈值,获得边缘线的特征值;根据任意两条边缘线上像素点的距离以及特征值的差异获得边缘线之间的相似度;根据灰度阈值和相似度对边缘线的像素点进行区域生长获得目标区域。
本发明考虑到在对有条状纹理的铝合金表面的划痕检测时,由于铝合金表面存在反光原因导致铝合金表面的纹理和划痕颜色可能比较浅,在进行边缘检测对这些纹理和划痕进行分割提取时效果并不理想,因此在后续中可通过区域生长算法得到比较完整的纹理或者划痕,首先对获取的灰度图像进行边缘检测获取灰度图像中的边缘线,初步获取到纹理区域和划痕区域边缘的位置,便于后续从边缘线上的像素点开始进行区域生长获取目标区域,在本发明的一个实施例中使用canny边缘检测算法对灰度图像进行边缘检测,在本发明的其他实施例中也可使用例如Laplacian算法或Roberts算法等进行边缘检测,在此不作限定,进一步利用sobel算子计算出每个边缘线上的像素点的梯度幅值和梯度方向,便于后续根据梯度幅值和梯度方向对边缘线的梯度特征进行分析,在后续的步骤中将表示为第/>个边缘线上第/>个像素点的梯度幅值,将/>表示为第/>个边缘线上第/>个像素点的梯度方向,其中梯度方向的取值范围为/>,需要说明的是,canny边缘检测算法和sobel算子均是本领域技术人员熟知的技术手段,在此不做赘述。
获取到灰度图像中的边缘线后,便可初步确定纹理区域或划痕区域的所在的位置,本发明实施例考虑到仅仅使用边缘检测对灰度图中的纹理和划痕进行提取时的效果并不理想,因此在后续中可基于区域生长算法,以边缘线上的像素点开始进行区域生长,从而得到更加完整的纹理区域或划痕区域,在使用区域生长算法之间首先需要确定像素点的生长规则,而边缘线是后续提取的目标区域的边缘,并且铝合金表面的纹理和划痕的颜色较暗,则纹理区域和划痕区域中的像素点灰度值较小,因此根据边缘线上像素点灰度值的分布获得边缘线的灰度阈值,在后续中基于灰度阈值对像素点进行区域生长,从而可准确提取出灰度图像中的目标区域。
优选地,在本发明的一个实施例中边缘线的灰度阈值的获取方法具体包括:
将每个边缘线上所有像素点的灰度值的平均值作为边缘线灰度均值;将每个边缘线上所有像素点的灰度值的标准差作为调节参数;将边缘线灰度均值和调节参数的和值,作为每个边缘线的灰度阈值。灰度阈值的表达式可以具体例如为:
其中,表示第/>个边缘线的灰度阈值;/>表示第/>个边缘线上第/>个像素点的灰度值;/>表示第/>个边缘线上所有像素点的灰度值的标准差,即调节参数;/>表示第/>个边缘线上像素点的数量。
在每个边缘线的生长阈值的获取过程中,其中生长阈值作为后续使用区域生长提取目标区域的生长规则,在本发明的一个实施例中首先将每个边缘线上所有像素点的灰度值的平均值/>作为边缘线灰度均值,以边缘线灰度均值为基础,考虑到铝合金表面的纹理或划痕在光的反射下颜色存在不均匀的特点,因此将每个边缘线上所有像素点灰度值的标准差/>作为调节参数,对边缘线灰度均值进行调节,并将两者的和值作为边缘线的灰度阈值/>,而划痕区域或纹理区域中的像素点灰度值普遍较低,可利用灰度阈值在后续中进行区域生长。
通过上述过程得到每个边缘线的灰度阈值后,由于同一个纹理或划痕的中间某处由于铝合金表面反光会导致像素点灰度值偏高,在边缘检测时并没有完整检测出该处的边缘线,从而将原本的一个边缘线分割成两部分,为了在后续中得到完整的目标区域,因此不能直接对边缘线上的像素点进行区域生长。考虑到原本属于同一个边缘线的两部分边缘线之间的灰度阈值以及像素点的梯度幅值和梯度方向的特征是近似的,因此可根据边缘线上像素点的梯度幅值和梯度方向以及灰度阈值,获得边缘线的特征值,基于特征值表征每条边缘线上像素点的特征,便于后续根据特征值分析边缘线之间的相似度。
优选地,在本发明的一个实施例中边缘线的特征值的获取方法具体包括:
将每个边缘线上所有像素点的梯度方向的平均值,作为边缘线的整体梯度方向;将每个边缘线上每个像素点的梯度方向与整体梯度方向的差值的绝对值,作为梯度方向偏离度;对每个边缘线上所有像素点的梯度方向偏离度的平均值进行归一化处理,获得第一特征参数;将每个边缘线上所有像素点的梯度幅值的极差,作为第二特征参数;将每个边缘线的灰度阈值作为第三特征参数;将第一特征参数、第二特征参数和第三特征参数的乘积值,作为每个边缘线的特征值。特征值的表达式可以具体例如为:
其中,表示第/>个边缘线的特征值;/>表示为第/>个边缘线上第/>个像素点的梯度方向;/>表示第/>个边缘线上所有像素点的梯度方向的均值,即整体梯度方向;/>表示第/>个边缘线上像素点的数量;/>表示第/>个边缘线的灰度阈值;/>表示第/>个边缘线上所有像素点的梯度幅值的最大值;/>表示第/>个边缘线上所有像素点的梯度幅值的最小值。
在每个边缘线的特征值的获取过程中,本发明的一个实施例从边缘线上像素点的梯度幅值和梯度方向以及边缘线的灰度阈值这三个角度出发,对边缘线的特征进行分析,其中表示边缘线上像素点的梯度方向偏离度,对所有像素点的梯度方向偏离度的平均值进行归一化处理获得第一特征参数/>,通过第一特征参数反映边缘线上像素点的梯度方向的偏离整体梯度方向的特征,其中的分母/>用于对分子进行归一化;同理通过边缘线的灰度阈值/>,即第二特征参数,反映边缘线上像素点灰度值分布的特征;通过边缘线上所有像素点的梯度幅值的极差/>,即第三特征参数,反映边缘线上像素点的梯度幅值分布的特征,并将三者的乘积值作为每个边缘线的特征值/>,对于原本的一个边缘线由于反光原因被分割后,分割形成的两个边缘线的特征值是近似的,在后续中可基于特征值对边缘线之间的相似度进行分析。
在获取到每个边缘线的特征值后,便可基于特征值对边缘线之间的相似度进行分析,便于后续根据相似度对边缘线上的像素点进行区域生长,从而提取出更加完整的目标区域,考虑到由于反光分割边缘线产生的两个边缘线之间的距离较近,因此可结合任意两个边缘线之间的相似度以及两个边缘线上像素点的距离,获得边缘线之间的相似度,通过相似度反映边缘线之间的相似程度,便于后续基于相似度获得灰度图像中更加完整的纹理区域或划痕区域。
优选地,在本发明的一个实施例中边缘线之间的相似度的获取方法具体包括:
将任意两个边缘线的特征值的差值的绝对值,作为边缘线之间的特征差异;在任意两个边缘线中的其中一个边缘上选取一个像素点作为第一像素点,在另一个边缘线上选取一个像素点作为第二像素点,将第一像素点和第二像素点之间的距离的最小值,作为边缘线之间的参考距离;将特征差异和参考距离的乘积值进行负相关的归一化处理,获得任意两个边缘线之间的相似度。相似度的表达式可以具体例如为:
其中,表示第/>个边缘线和第/>个边缘线之间的相似度;/>表示第/>个边缘线的特征值;/>表示第/>个边缘线的特征值;/>表示第/>个边缘线上的第一像素点与第/>个边缘线上的第二像素点之间的距离的最小值,即参考距离;/>表示以自然常数/>为底的指数函数。
在任意两个边缘线之间的相似度的获取过程中,表示任意两个边缘线的特征值的插值的绝对值,即边缘线之间的特征差异,特征差异越小,说明这两个边缘线的特征越相似,进而说明这两个边缘线越可能为同一个边缘线被分割的两部分,则这两个边缘线的相似度/>越大,并且当两个边缘线上第一像素点和第二像素点之间的最小距离越小,说明这两个边缘线的位置越接近,进而说明这两个边缘线越可能为同一个边缘线被分割的两部分,则这两个边缘线的相似度/>就越大,因此本发明的一个实施例将特征差异/>和参考距离/>的乘积值进行以自然常数/>为底的指数函数负相关映射并归一化,作为边缘线之间的相似度/>,通过相似度反映边缘线之间的相似程度,便于后续对相似度较小的边缘线进行合并,从而获取更加完整的目标区域。
通过上述过程获取到用于区域生长的灰度阈值和边缘线之间的相似度后,便可基于灰度阈值和相似度提取出更加完整的目标区域,其中,目标区域包括纹理区域和划痕区域。
优选地,在本发明的一个实施例中目标区域的获取方法具体包括:
由于同一个边缘线由于反光的原因,导致经过边缘检测获取的边缘线是不连续的,即同一个边缘线可能被分割为两部分,而相似度能够反映这两个边缘线为同一个边缘线的可能性,相似度越大,说明这两个边缘线越有可能是同一边缘线的两部分,因此可设置一个预设相似度阈值,将相似度大于预设相似度阈值的两个边缘线上相距最近的端点进行连接,获得完整边缘线;并将相互连接的边缘线的灰度阈值的平均值作为完整边缘线的优化灰度阈值;由于铝合金表面的纹理和划痕的颜色较暗,则纹理区域和划痕区域中的像素点灰度值较小,因此可从完整边缘线上的像素点开始,以完整边缘线上的像素点为中心构建预设邻域范围,基于区域生长算法,对预设邻域范围内小于优化灰度阈值的像素点进行区域生长,获得目标区域,使得提取出的目标区域更加完整,需要说明的是,区域生长算法是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将预设相似度阈值设置为0.75,将预设邻域范围的尺寸设置为,预设相似度阈值的具体数值以及预设邻域范围的具体尺寸可根据具体实施场景由实施者自行设置,在此不作限定。
划痕区域分析模块103用于根据目标区域中像素点的分布、像素点灰度值以及像素点的数量,获得目标区域的置信度;根据置信度在目标区域中提取出划痕区域。
由于灰度图像中的目标区域包括纹理区域和划痕区域,与划痕缺陷不同,铝合金表面的纹理有意为之,通过制造工艺、加工处理或特定的表面处理方法创建的,目的是为了增加装饰效果和设计吸引力,这些纹理可能呈现出特定的形状、凹凸、纹路或光线反射的变化,但它们并不被视为铝合金表面的缺陷,因此需要从目标区域中提取出划痕区域,便于后续针对划痕区域分析铝合金表面的缺陷程度,由于纹理区域中的像素点灰度值和像素点的数量相对统一,其形状分布也是具有一定的规律性,而划痕的颜色由加工过程中不可控的因素造成,其颜色较暗或者更暗,颜色越暗,则代表划痕的深度越深,同时,划痕的形状也不统一,其形状多为曲线或者较长的直线,其形状与纹理差异较大,因此可根据目标区域中像素点的分布、像素点灰度值以及像素点的数量,获得目标区域的置信度,通过置信度反映目标区域为划痕区域的可能性,置信度越大,说明该目标区域为划痕区域的可能性就越大。
优选地,在本发明的一个实施例中目标区域的置信度的获取方法具体包括:
对每个目标区域进行连通域分析,获得目标区域的质心,需要说明的是,连通域分析是本领域技术人员熟知的技术手段,在此不做赘述;将每个目标区域中所有像素点与质心的连线的斜率的平均值,作为每个目标区域的斜率均值,将所有目标区域的斜率均值的平均值作为整体斜率均值,将每个目标区域的斜率均值与整体斜率均值的差值的绝对值,作为第一置信参数;将每个目标区域的所有像素点灰度值的平均值,作为每个目标区域的目标灰度均值,将所有目标区域的目标灰度均值的平均值作为整体目标灰度均值,将每个目标区域的目标灰度均值与整体目标灰度均值的差值的绝对值,作为第二置信参数;将所有目标区域中像素点的数量的平均值作为整体像素点数量,将每个目标区域中像素点的数量与整体像素点数量的差值的绝对值,作为第三置信参数;将第一置信参数、第二置信参数和第三置信参数的乘积值进行归一化处理,获得每个目标区域的置信度。置信度的表达式可以具体例如为:
其中,表示第/>个目标区域的置信度;/>表示第/>个目标区域所有像素点与质心的连线的斜率的平均值,即斜率均值;/>表示第/>个目标区域的斜率均值;/>表示第/>个目标区域中第/>个像素点与该目标区域的质心之间连线的斜率;/>表示第/>个目标区域中所有像素点灰度值的平均值,即目标灰度均值;/>表示第/>个目标区域的目标灰度均值;/>表示第/>个目标区域中像素点的数量;/>表示第/>个目标区域中像素点的数量;/>表示目标区域的数量;/>表示归一化函数,用于归一化处理。
在每个目标区域的置信度的获取过程中,相对于铝合金表面的纹理,划痕大多数是由不规则的曲线构成,而大多数纹理为方向一致的直线并且形状较为统一,因此划痕区域和纹理区域的斜率均值之间的差异较大,而/>为所有目标区域的斜率均值的平均值,即整体斜率均值,由于铝合金表面存在大量的纹理,而划痕的数量较少,因此整体斜率均值与纹理区域的斜率均值更加接近,因此第一置信参数/>越大,说明该目标区域越可能为划痕区域,则置信度/>就越大;同理,大多数纹理中的像素点灰度值以及像素点的数量都较为统一,因此第二置信参数/>越大,说明该目标区域越可能为划痕区域,则置信度/>就越大,第三置信参数/>越大,说明该目标区域越可能为划痕区域,则置信度/>就越大,因此在本发明的一个实施例中将第一置信参数、第二置信参数和第三置信参数的乘积值进行归一化处理,获得每个目标区域的置信度/>,进行归一化处理的目的是将置信度限定在/>范围内,便于后续基于置信度提取出划痕区域。
获取到目标区域的置信度后,由于置信度能够反映每个目标区域为划痕区域的可能性,置信度越大说明该目标区域为划痕区域的可能性就越大,因此可设置一个预设置信度阈值,并将置信度大于预设置信度阈值的目标区域作为划痕区域,从而可有效的区分出划痕区域和纹理区域,在本发明的一个实施例中将预设置信度阈值设置为0.7,预设置信度阈值的具体数值可根据具体实施场景由实施者自行设置,在此不作限定。
获取到划痕区域后,便可在后续中对划痕区域进行缺陷分析,进而可对铝合金表面的抛光效果做出准确客观的评价。
抛光效果评价模块104用于根据划痕区域的置信度、像素点灰度值和像素点的数量,获得铝合金表面的缺陷程度;根据缺陷程度对铝合金表面抛光效果进行评价。
提取出划痕区域后,划痕区域即为铝合金表面的缺陷区域,划痕区域的置信度越高,说明铝合金表面的划痕或缺陷越严重;划痕区域的像素点灰度值比铝合金表面的像素点灰度值更小,并且划痕的越深,划痕区域中像素点灰度值就越小,则铝合金表面的划痕越严重;并且划痕区域的范围越大,说明划痕区域中像素点的数量越多,则铝合金表面的划痕越严重,因此可根据划痕区域的置信度、像素点灰度值和像素点的数量,获得铝合金表面的缺陷程度,通过缺陷程度反映划痕对铝合金表面质量的影响程度,便于后续基于缺陷程度对铝合金表面的抛光效果进行评价。
优选地,在本发明的一个实施例中铝合金表面的缺陷程度的获取方法具体包括:
将所有划痕区域的置信度的平均值作为置信度均值;将每个划痕区域中所有像素点灰度值的平均值作为每个划痕区域的划痕灰度均值,将所有划痕区域的划痕灰度均值的平均值,作为整体划痕灰度均值;将灰度图像中所有像素点灰度值的平均值作为整体灰度值;将整体划痕灰度均值与整体灰度值的差值的绝对值作为整体灰度差异;将所有划痕区域中像素点的数量与灰度图像中像素点的总数量的比值,作为划痕像素点比重;将置信度均值、整体灰度差异和划痕像素点比重的乘积值进行归一化处理,获得铝合金表面的缺陷程度。缺陷程度的表达式具体可以例如为:
其中,表示铝合金表面的缺陷程度;/>表示第/>个划痕区域的置信度;/>表示第/>个划痕区域中所有像素点灰度值的平均值,即划痕灰度均值;/>表示灰度图像中所有像素点灰度值的平均值,即整体灰度值;/>表示第/>个划痕区域中像素点的数量;/>表示灰度图像中像素点的总数量;/>表示划痕区域的数量;/>表示归一化函数,用于归一化处理。
在铝合金表面的缺陷程度的获取过程中,表示所有划痕区域的置信度的平均值,即置信度均值,置信度均值越大,说明铝合金表面的划痕区域越容易被区分,进而说明铝合金表面的划痕缺陷越严重,则缺陷程度/>越大;/>表示有划痕区域的划痕灰度均值/>的平均值,即整体划痕灰度均值,而划痕区域中像素点灰度值与铝合金表面整体的像素点灰度值之间的差异较大,并且铝合金表面划痕越深,划痕区域中像素点灰度值就越小,因此整体灰度差异/>越大,说明铝合金表面的划痕缺陷越严重,则缺陷程度/>越大;并且划痕区域的数量越多或划痕区域的面积越大,则属于划痕区域的像素点越多,因此划痕区域中像素点的数量与灰度图像中像素点的总数量的比值,即划痕像素点比重/>越大,说明铝合金表面的划痕缺陷越严重,则缺陷程度/>越大,因此将置信度均值、整体灰度差异和划痕像素点比重的乘积值进行归一化处理,获得铝合金表面的缺陷程度/>,进行归一化处理的目的是将缺陷程度限定在/>范围内,便于后续基于缺陷程度对铝合金表面的抛光效果进行评估。/>
获取到铝合金表面的缺陷程度后,便可根据缺陷程度对铝合金表面的抛光效果进行准确客观的评估,由于缺陷程度越大,说明铝合金表面的划痕越严重,进而说明铝合金表面的抛光效果较差,因此可设置一个预设缺陷程度阈值,若缺陷程度小于预设缺陷程度阈值,则认为铝合金表面抛光合格,否则,则认为铝合金表面抛光不合格,在本发明的一个实施例中将预设缺陷程度阈值设置为0.4,预设缺陷程度阈值的具体数值可根据具体实施场景由实施者自行设置,在此不作限定。
综上所述,本发明实施例首先获取铝合金表面的灰度图像,对灰度图像进行边缘检测获得边缘线以及边缘线上像素点的梯度幅值和梯度方向,并根据边缘线上像素点的灰度值的分布获得边缘线的灰度阈值;根据边缘线上像素点的梯度幅值和梯度方向以及边缘线的灰度阈值,获得边缘线的特征值,进一步基于任意两条边缘线的特征值的差异以及像素点的距离获得边缘线之间的相似度,结合灰度阈值和相似度对边缘线的像素点进行区域生长获得目标区域;根据目标区域中像素点的分布、像素点灰度值以及像素点的数量,获得目标区域的置信度,基于置信度提取出目标区域中的划痕区域,进而根据划痕区域的置信度、像素点灰度值和像素点的数量,获得铝合金表面的缺陷程度,并基于缺陷程度对铝合金表面的抛光效果做出准确客观的评价。
一种铝合金表面缺陷检测系统实施例:
现有技术中通常使用边缘检测或阈值分割等图像处理技术对金属表面存在的缺陷进行检测,但由于铝合金表面的纹理与划痕之间的区别较小,通过现有技术无法对铝合金表面的纹理和划痕进行有效区分,铝合金表面的纹理会影响到对划痕的识别和提取,进而无法精确检测出铝合金表面的划痕缺陷。
为了解决该问题,本实施例提供了一种铝合金表面缺陷检测系统,包括:
图像采集模块,用于获取铝合金表面的灰度图像;
目标区域提取模块,用于对灰度图像进行边缘检测,获得灰度图像的边缘线以及边缘线上像素点的梯度幅值和梯度方向;根据边缘线上像素点灰度值的分布获得边缘线的灰度阈值;根据边缘线上像素点的梯度幅值和梯度方向以及灰度阈值,获得边缘线的特征值;根据任意两条边缘线上像素点的距离以及特征值的差异获得边缘线之间的相似度;根据灰度阈值和相似度对边缘线的像素点进行区域生长获得目标区域;
划痕区域分析模块,用于根据目标区域中像素点的分布、像素点灰度值以及像素点的数量,获得目标区域的置信度;根据置信度在目标区域中提取出划痕区域。
其中,图像采集模块、目标区域提取模块、划痕区域分析模块在上述一种铝合金表面抛光效果视觉检测系统实施例中已给出了详细说明,在此不再赘述。
本实施例带来的有益效果为:本发明实施例考虑到灰度图像中的纹理和划痕区别较小,无法对纹理区域和划痕区域进行有效区分,因此提取出纹理和划痕的边缘线以及边缘线上的像素点的梯度幅值和梯度方向,便于后续根据梯度幅值和梯度方向对边缘线的梯度特征进行分析,考虑到在对有条状纹理的铝合金表面的划痕检测时,利用边缘检测对这些纹理和划痕进行分割提取时效果并不理想,因此可通过区域生长算法得到比较完整的纹理或者划痕,并将灰度阈值作为区域生长的规则,考虑到由于反光原因导致边缘线发生断裂现象,因此可通过获取的特征值表征每个边缘线的特征,并进一步结合边缘线之间的相似度,获取到更加完整的目标区域,并基于置信度对划痕区域和纹理区域进行有效区分,并准确提取出划痕区域,从而可精确检测出铝合金表面存在的划痕缺陷。
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 (9)
1.一种铝合金表面抛光效果视觉检测系统,其特征在于,所述系统包括:
图像采集模块,用于获取铝合金表面的灰度图像;
目标区域提取模块,用于对灰度图像进行边缘检测,获得灰度图像的边缘线以及边缘线上像素点的梯度幅值和梯度方向;根据边缘线上像素点灰度值的分布获得边缘线的灰度阈值;根据边缘线上像素点的梯度幅值和梯度方向以及灰度阈值,获得边缘线的特征值;根据任意两条边缘线上像素点的距离以及特征值的差异获得边缘线之间的相似度;根据灰度阈值和相似度对边缘线的像素点进行区域生长获得目标区域;
划痕区域分析模块,用于根据所述目标区域中像素点的分布、像素点灰度值以及像素点的数量,获得目标区域的置信度;根据所述置信度在目标区域中提取出划痕区域;
抛光效果评价模块,用于根据划痕区域的所述置信度、像素点灰度值和像素点的数量,获得铝合金表面的缺陷程度;根据所述缺陷程度对铝合金表面抛光效果进行评价;
所述根据边缘线上像素点的梯度幅值和梯度方向以及灰度阈值,获得边缘线的特征值包括:
将每个边缘线上所有像素点的所述梯度方向的平均值,作为边缘线的整体梯度方向;
将每个边缘线上每个像素点的所述梯度方向与所述整体梯度方向的差值的绝对值,作为梯度方向偏离度;对每个边缘线上所有像素点的所述梯度方向偏离度的平均值进行归一化处理,获得第一特征参数;
将每个边缘线上所有像素点的所述梯度幅值的极差,作为第二特征参数;
将每个边缘线的灰度阈值作为第三特征参数;
将所述第一特征参数、所述第二特征参数和所述第三特征参数的乘积值,作为每个边缘线的特征值。
2.根据权利要求1所述的一种铝合金表面抛光效果视觉检测系统,其特征在于,所述根据边缘线上像素点灰度值的分布获得边缘线的灰度阈值包括:
将每个所述边缘线上所有像素点的灰度值的平均值作为边缘线灰度均值;
将每个所述边缘线上所有像素点的灰度值的标准差作为调节参数;
将所述边缘线灰度均值和所述调节参数的和值,作为每个边缘线的灰度阈值。
3.根据权利要求1所述的一种铝合金表面抛光效果视觉检测系统,其特征在于,所述根据任意两条边缘线上像素点的距离以及特征值的差异获得边缘线之间的相似度包括:
将任意两个边缘线的所述特征值的差值的绝对值,作为边缘线之间的特征差异;
在任意两个边缘线中的其中一个边缘上选取一个像素点作为第一像素点,在另一个边缘线上选取一个像素点作为第二像素点,将所述第一像素点和所述第二像素点之间的距离的最小值,作为边缘线之间的参考距离;
将所述特征差异和所述参考距离的乘积值进行负相关的归一化处理,获得任意两个边缘线之间的相似度。
4.根据权利要求1所述的一种铝合金表面抛光效果视觉检测系统,其特征在于,所述根据灰度阈值和相似度对边缘线的像素点进行区域生长获得目标区域包括:
将所述相似度大于预设相似度阈值的两个边缘线上相距最近的端点进行连接,获得完整边缘线,将相互连接的边缘线的灰度阈值的平均值作为完整边缘线的优化灰度阈值;
以完整边缘线上的像素点为中心构建预设邻域范围,基于区域生长算法,对预设邻域范围内小于优化灰度阈值的像素点进行区域生长,获得目标区域。
5.根据权利要求1所述的一种铝合金表面抛光效果视觉检测系统,其特征在于,所述根据所述目标区域中像素点的分布、像素点灰度值以及像素点的数量,获得目标区域的置信度包括:
对每个所述目标区域进行连通域分析,获得目标区域的质心;
将每个所述目标区域中所有像素点与所述质心的连线的斜率的平均值,作为每个目标区域的斜率均值,将所有所述目标区域的所述斜率均值的平均值作为整体斜率均值,将每个目标区域的所述斜率均值与所述整体斜率均值的差值的绝对值,作为第一置信参数;
将每个目标区域的所有像素点灰度值的平均值,作为每个目标区域的目标灰度均值,将所有目标区域的所述目标灰度均值的平均值作为整体目标灰度均值,将每个目标区域的所述目标灰度均值与所述整体目标灰度均值的差值的绝对值,作为第二置信参数;
将所有目标区域中像素点的数量的平均值作为整体像素点数量,将每个目标区域中像素点的数量与所述整体像素点数量的差值的绝对值,作为第三置信参数;
将所述第一置信参数、所述第二置信参数和所述第三置信参数的乘积值进行归一化处理,获得每个目标区域的置信度。
6.根据权利要求1所述的一种铝合金表面抛光效果视觉检测系统,其特征在于,所述根据所述置信度在目标区域中提取出划痕区域包括:
将所述置信度大于预设置信度阈值的目标区域作为划痕区域。
7.根据权利要求1所述的一种铝合金表面抛光效果视觉检测系统,其特征在于,所述根据划痕区域的所述置信度、像素点灰度值和像素点的数量,获得铝合金表面的缺陷程度包括:
将所有划痕区域的所述置信度的平均值作为置信度均值;
将每个划痕区域中所有像素点灰度值的平均值作为每个划痕区域的划痕灰度均值,将所有划痕区域的所述划痕灰度均值的平均值,作为整体划痕灰度均值;将灰度图像中所有像素点灰度值的平均值作为整体灰度值;将所述整体划痕灰度均值与所述整体灰度值的差值的绝对值作为整体灰度差异;
将所有划痕区域中像素点的数量与灰度图像中像素点的总数量的比值,作为划痕像素点比重;
将所述置信度均值、所述整体灰度差异和所述划痕像素点比重的乘积值进行归一化处理,获得铝合金表面的缺陷程度。
8.根据权利要求1所述的一种铝合金表面抛光效果视觉检测系统,其特征在于,所述根据所述缺陷程度对铝合金表面抛光效果进行评价包括:
若所述缺陷程度小于预设缺陷程度阈值,则认为铝合金表面抛光合格,否则,则认为铝合金表面抛光不合格。
9.根据权利要求1所述的一种铝合金表面抛光效果视觉检测系统,其特征在于,所述对灰度图像进行边缘检测,获得灰度图像的边缘线以及边缘线上像素点的梯度幅值和梯度方向包括:
基于canny边缘检测算法,对所述灰度图像进行边缘检测获得灰度图像的边缘线;
使用sobel算子对每个所述边缘线上的像素点进行梯度计算,获得边缘线上像素点的梯度幅值和梯度方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311453573.5A CN117173189B (zh) | 2023-11-03 | 2023-11-03 | 一种铝合金表面抛光效果视觉检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311453573.5A CN117173189B (zh) | 2023-11-03 | 2023-11-03 | 一种铝合金表面抛光效果视觉检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173189A CN117173189A (zh) | 2023-12-05 |
CN117173189B true CN117173189B (zh) | 2024-03-05 |
Family
ID=88939924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311453573.5A Active CN117173189B (zh) | 2023-11-03 | 2023-11-03 | 一种铝合金表面抛光效果视觉检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173189B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437248B (zh) * | 2023-12-19 | 2024-03-08 | 中国海洋大学 | 一种面向蓝莓品质检测的病害区域分割方法 |
CN117437229B (zh) * | 2023-12-20 | 2024-03-15 | 山东晨光胶带有限公司 | 基于图像分析高强阻燃转弯输送带缺陷检测方法 |
CN117635595B (zh) * | 2023-12-21 | 2024-04-09 | 松佳精密科技(东莞)有限公司 | 一种精密注塑模胚表面质量视觉检测方法 |
CN117455908B (zh) * | 2023-12-22 | 2024-04-09 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
CN117474909B (zh) * | 2023-12-27 | 2024-04-05 | 深圳市信来誉包装有限公司 | 基于机器视觉的包装纸盒瑕疵检测方法 |
CN117474977B (zh) * | 2023-12-27 | 2024-03-22 | 山东旭美尚诺装饰材料有限公司 | 基于机器视觉的欧松板凹坑快速检测方法及系统 |
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 |
CN117541482B (zh) * | 2024-01-10 | 2024-03-26 | 中国人民解放军空军军医大学 | 一种宫颈图像增强系统 |
CN117611583B (zh) * | 2024-01-22 | 2024-04-19 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117689662B (zh) * | 2024-02-04 | 2024-04-26 | 张家港长寿工业设备制造有限公司 | 一种换热器管头焊接质量视觉检测方法及系统 |
CN117745724B (zh) * | 2024-02-20 | 2024-04-26 | 高唐县瑞景精密机械有限公司 | 基于视觉分析的石材打磨加工缺陷区域分割方法 |
CN117764990B (zh) * | 2024-02-22 | 2024-05-17 | 苏州悦昇精密机械制造有限公司 | 一种机箱冲压质量检测方法 |
CN117805145B (zh) * | 2024-02-28 | 2024-05-14 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及系统 |
CN117876360A (zh) * | 2024-03-08 | 2024-04-12 | 卡松科技股份有限公司 | 基于图像处理的润滑油油质智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN115601361A (zh) * | 2022-12-13 | 2023-01-13 | 苏州迈创信息技术有限公司(Cn) | 基于机器视觉机床零件在线检测方法 |
CN115641329A (zh) * | 2022-11-15 | 2023-01-24 | 武汉惠强新能源材料科技有限公司 | 一种锂电池隔膜缺陷检测方法及系统 |
-
2023
- 2023-11-03 CN CN202311453573.5A patent/CN117173189B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100171A (zh) * | 2022-07-11 | 2022-09-23 | 常宝云 | 一种基于机器视觉的钢模焊接缺陷检测方法及系统 |
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
CN115641329A (zh) * | 2022-11-15 | 2023-01-24 | 武汉惠强新能源材料科技有限公司 | 一种锂电池隔膜缺陷检测方法及系统 |
CN115601361A (zh) * | 2022-12-13 | 2023-01-13 | 苏州迈创信息技术有限公司(Cn) | 基于机器视觉机床零件在线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117173189A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN115984271B (zh) | 基于角点检测的金属毛刺识别方法 | |
CN116452598B (zh) | 基于计算机视觉的车桥生产质量快速检测方法及系统 | |
CN115100203A (zh) | 一种钢筋打磨除锈质量检测方法 | |
CN112326671A (zh) | 一种基于机器视觉的金属板材表面缺陷检测方法 | |
CN113963042A (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN116912248B (zh) | 基于计算机视觉的不规则五金件表面缺陷检测方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN115861313A (zh) | 一种用于磨头的磨损检测方法 | |
CN116703898A (zh) | 一种精密机械轴承端面的质量检测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN116993726B (zh) | 一种矿物铸件检测方法及系统 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN116863249B (zh) | 基于人工智能的煤矿传送带跑偏识别方法 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 | |
CN106447683A (zh) | 一种圆的特征提取算法 | |
CN115100510B (zh) | 一种轮胎磨损度识别方法 | |
CN114994072A (zh) | 一种基于机器视觉的磁棒端面缺陷检测方法 | |
CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
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 |