CN117197130B - 基于机器视觉的驱动齿角缺陷识别方法 - Google Patents
基于机器视觉的驱动齿角缺陷识别方法 Download PDFInfo
- Publication number
- CN117197130B CN117197130B CN202311452545.1A CN202311452545A CN117197130B CN 117197130 B CN117197130 B CN 117197130B CN 202311452545 A CN202311452545 A CN 202311452545A CN 117197130 B CN117197130 B CN 117197130B
- Authority
- CN
- China
- Prior art keywords
- edge
- weak
- intersection point
- slope
- crack
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
本发明涉及图像处理技术领域,具体涉及基于机器视觉的驱动齿角缺陷识别方法,包括:采集齿轮齿面图像进行边缘检测,获取边缘图像中的主裂缝边缘、弱边缘以及边缘图像中每个交点,获取每个交点的局部区域;根据边缘图像中每个交点所属的弱边缘的斜率变化以及每个交点的每个连线的斜率变化,获取边缘图像中每个交点与其局部区域中每个交点的间断程度,进而将边缘图像中的弱边缘进行连接,得到边缘图像中的所有完整弱边缘,进而得到获取每个弱边缘对;再获取每个弱边缘对属于衍生裂缝的概率,进而得到衍生裂缝边缘;根据边缘图像中的主裂缝边缘及衍生裂缝边缘,识别出完整的裂缝缺陷。本发明能够识别出完整的裂缝缺陷。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的驱动齿角缺陷识别方法。
背景技术
在齿轮传动系统中,驱动齿角是指传动中负责传递动力的齿轮上的齿角,驱动齿角缺陷是指齿轮齿面的缺陷,在齿轮生产过程中由于淬火工艺冷热应力交替、硬物磕碰等原因使得齿轮齿面产生裂缝,这种缺陷可能会对齿轮系统的性能、可靠性和寿命产生不良影响,严重的驱动齿角缺陷可能导致齿轮失效或者驱动系统失控,从而对人员和设备的安全造成威胁,因此需要对齿轮齿面图像中存在的此类缺陷进行检测。
当驱动齿角出现裂缝时,主裂缝会开始扩展并在主裂缝周围出现衍生裂缝,因此齿轮齿面图像中存在着梯度值存在差异的主裂缝以及衍生裂缝,并且由于齿轮的齿面可能还会存在划痕,而划痕的梯度与衍生裂缝的梯度较为一致,因此使用边缘检测算法对齿轮齿面图像中的裂缝进行检测,受齿轮齿面图像中划痕边缘的干扰,无法确定完整的裂缝边缘,进而无法识别出完整的裂缝缺陷。
发明内容
本发明提供基于机器视觉的驱动齿角缺陷识别方法,该方法包括以下步骤:
采集齿轮齿面图像;
对齿轮齿面图像进行边缘检测,获取边缘图像中的主裂缝边缘和弱边缘以及边缘图像中每个交点;
获取边缘图像中每个交点的局部区域;获取边缘图像中每个交点所属的弱边缘的斜率变化,获取边缘图像中每个交点的每个连线的斜率变化;根据边缘图像中每个交点所属的弱边缘的斜率变化以及每个交点的每个连线的斜率变化,获取边缘图像中每个交点与其局部区域中每个交点的间断程度;根据边缘图像中每个交点与其局部区域中每个交点的间断程度对边缘图像中的弱边缘进行连接,得到边缘图像中的所有完整弱边缘;
根据边缘图像中的所有完整弱边缘获取每个弱边缘对;将每个弱边缘对中每个边缘上所有相邻像素点之间的梯度差值,作为每个弱边缘对中每个边缘的多个梯度差值;获取每个弱边缘对中每个边缘的多个斜率差值,获取每个弱边缘对的匹配点对;根据每个弱边缘对中每个边缘的多个梯度差值、多个斜率差值以及每个弱边缘对的匹配点对,获取每个弱边缘对属于衍生裂缝的概率;根据每个弱边缘对属于衍生裂缝的概率获取衍生裂缝边缘;
根据边缘图像中的主裂缝边缘及衍生裂缝边缘,识别出完整的裂缝缺陷区域。
优选的,所述对齿轮齿面图像进行边缘检测,获取边缘图像中的主裂缝边缘和弱边缘以及边缘图像中每个交点,包括的具体步骤如下:
预设高阈值以及低阈值,对齿轮齿面图像进行边缘检测得到边缘图像,将
边缘图像中梯度值大于高阈值的强边缘,记作主裂缝边缘,获取边缘图像中梯度值位于高
阈值与低阈值之间的弱边缘,获取边缘图像中强边缘与弱边缘的交点,作为边缘图像中
的交点。
优选的,所述获取边缘图像中每个交点所属的弱边缘的斜率变化,获取边缘图像中每个交点的每个连线的斜率变化,包括的具体步骤如下:
获取边缘图像中的任一交点,记为当前交点,从当前交点处开始,依次获取当前交点所属的弱边缘的相邻两个像素点之间的斜率值;
式中,代表当前交点所属的弱边缘的斜率变化;代表当前交点所属的弱边缘上
共有个斜率值;代表当前交点所属的弱边缘的第个斜率值;代表当前交点所属的弱
边缘的第个斜率值;代表当前交点所属的弱边缘上相邻的两个斜率值差异
的绝对值;代表当前交点所属的弱边缘的所有相邻的两个斜率值的差值绝对值中的
最大值;
将当前交点所属的弱边缘与当前交点的局部区域中第个交点相连,记为当前交
点的第个连线,依次获取当前交点的第个连线上相邻两个像素点之间的斜率值;
式中,代表当前交点的第个连线的斜率变化;代表当前交点的第个连线上共
有个斜率值;代表当前交点的第个连线上的第个斜率值;代表当前交点的第
个连线上的第个斜率值;代表当前交点的第个连线上相邻的两个斜率
值差异的绝对值;代表当前交点的第个连线上所有相邻的两个斜率值差异的最大绝
对值。
优选的,所述根据边缘图像中每个交点所属的弱边缘的斜率变化以及每个交点的每个连线的斜率变化,获取边缘图像中每个交点与其局部区域中每个交点的间断程度,包括的具体步骤如下:
式中,代表当前交点与其局部区域中第个交点之间的间断程度;代表当前交
点所属的弱边缘的斜率变化;代表当前交点所属的弱边缘的斜率变化与当前交点的第
个连线的斜率变化的差值绝对值;代表当前交点所属的弱边缘的斜率变化与当前交
点的第个连线的斜率变化的最大差值绝对值;代表当前交点与其局部区域中第个交点
之间的距离;代表当前交点与其局部区域中所有交点之间的最大距离;代表当前
交点与其局部区域中第个交点之间的梯度值的差值绝对值;代表当前交点与其局部
区域中所有交点之间的梯度值的最大差值绝对值。
优选的,所述根据边缘图像中每个交点与其局部区域中每个交点的间断程度对边缘图像中的弱边缘进行连接,得到边缘图像中的所有完整弱边缘,包括的具体步骤如下:
预设连接阈值,对于当前交点与其局部区域中所有交点之间的间断程度,若不存
在间断程度小于连接阈值则对当前交点与其局部区域中的所有交点均不进行连接,若存
在间断程度小于连接阈值,在所有小于连接阈值的间断程度中,获取最小的间断程度对应
的交点,作为目标交点,将目标交点与当前交点进行连接,并将连线上的像素点的灰度值置
为1,将目标交点与当前交点所属弱边缘连接成了一条完整弱边缘;获取边缘图像中的所有
完整弱边缘。
优选的,所述根据边缘图像中的所有完整弱边缘获取每个弱边缘对,包括的具体步骤如下:
依次遍历边缘图像中的所有完整弱边缘,使用最小距离算法获取与每个完整弱边缘距离最近的一条完整弱边缘,构成一个弱边缘对。
优选的,所述获取每个弱边缘对中每个边缘的多个斜率差值,获取每个弱边缘对的匹配点对,包括的具体步骤如下:
从每个弱边缘对中每个边缘的第一个像素点开始,依次获取每个边缘上相邻两个像素点之间的斜率值构成每个边缘的斜率序列,依次获取每个边缘的斜率序列中相邻两个斜率值之间的差异,作为每个弱边缘对中每个边缘的多个斜率差值;
使用DTW算法对每个弱边缘对中两条边缘上的所有像素点进行匹配,将匹配成功像素点对记为匹配点对。
优选的,所述根据每个弱边缘对中每个边缘的多个梯度差值、多个斜率差值以及每个弱边缘对的匹配点对,获取每个弱边缘对属于衍生裂缝的概率,包括的具体步骤如下:
式中,代表弱边缘对中第个边缘的梯度差值数量;代表弱边缘对中第个边
缘上所有梯度差值的平均值;代表弱边缘对中第个边缘上的第个梯度差值;代表弱
边缘对中第个边缘上所有斜率差值的平均值;代表弱边缘对中第个边缘上斜率差值数
量;代表弱边缘对中第个边缘上的第个斜率差值;代表弱边缘对共有个匹配点对;代表弱边缘对中第个匹配点对之间的距离;代表弱边缘对中所有匹配点对之间的平
均距离;代表第个弱边缘对中第个匹配点对之间的距离;代表第弱边缘对中所
有匹配点对之间的平均距离;代表边缘图像中共有个弱边缘对;代表弱边缘对属于衍
生裂缝的概率;为绝对值符号。
优选的,所述根据每个弱边缘对属于衍生裂缝的概率获取衍生裂缝边缘,包括的具体步骤如下:
预设概率阈值,将属于衍生裂缝的概率大于概率阈值的弱边缘对,作为衍生裂
缝边缘。
优选的,所述根据边缘图像中的主裂缝边缘及衍生裂缝边缘,识别出完整的裂缝缺陷区域,包括的具体步骤如下:
对边缘图像中的主裂缝边缘以及衍生裂缝边缘进行连通域分析,将得到的连通区域作为完整的裂缝缺陷区域。
本发明的技术方案的有益效果是:本发明通过采集齿轮齿面图像;对齿轮齿面图像进行边缘检测,获取边缘图像中的主裂缝边缘和弱边缘以及边缘图像中每个交点;获取边缘图像中每个交点的局部区域;再根据边缘图像中每个交点所属的弱边缘的斜率变化以及每个交点与其局部区域中每个交点之间连线的斜率变化,获取边缘图像中每个交点与其局部区域中每个交点的间断程度;根据边缘图像中每个交点与其局部区域中每个交点的间断程度将边缘图像中的弱边缘进行连接,得到边缘图像中的所有完整弱边缘,本发明根据主裂缝与衍生裂缝以及划痕的梯度差异,使用边缘检测得到了主裂缝边缘,再根据被截断的划痕的梯度、斜率以及距离的特征,将被裂缝截断的划痕连接起来,得到了完整的划痕边缘,根据每个弱边缘对中任一边缘的梯度差值、每个弱边缘对中任一边缘的斜率差值以及每个弱边缘对的匹配点,获取每个弱边缘对属于衍生裂缝的概率,根据每个弱边缘对属于衍生裂缝的概率获取衍生裂缝边缘,将裂缝与划痕进行区分开,再根据边缘图像中的主裂缝边缘及衍生裂缝边缘,识别出完整的裂缝缺陷,本发明能够得到完整的裂缝边缘,根据完整的裂缝边缘识别出完整的裂缝区域。
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,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地介绍,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他的附图。
图1为本发明的基于机器视觉的驱动齿角缺陷识别方法的步骤流程图。
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基于机器视觉的驱动齿角缺陷识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于机器视觉的驱动齿角缺陷识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的驱动齿角缺陷识别方法的步骤流程图,该方法包括以下步骤:
S001.采集齿轮齿面图像。
需要说明的是,使用工业探伤相机拍摄齿轮齿面图像,为了便于后续分析,将拍摄的齿轮齿面图像进行灰度化处理,记为齿轮齿面图像。
S002.对齿轮齿面图像进行边缘检测,得到边缘图像中的主裂缝边缘和弱边缘以及边缘图像中的各个交点。
需要说明的是,当驱动齿角出现裂缝时,主裂缝会开始扩展并在主裂缝周围出现衍生裂缝,因此齿轮齿面图像中主裂缝的梯度值相较于衍生裂缝的梯度值较大,并且由于齿轮的齿面可能还会存在划痕,而划痕的梯度与衍生裂缝的梯度较为一致,因此使用边缘检测算法对齿轮齿面图像中的裂缝进行检测,受齿轮齿面图像中划痕边缘的干扰,无法确定完整的裂缝边缘,进而识别出驱动齿角完整的裂缝缺陷,因此在本发明实施例中,首先根据主裂缝与衍生裂缝及划痕的梯度,使用边缘检测获取主裂缝边缘,又由于裂缝和划痕具有一定宽度,因此衍生裂缝边缘与划痕的边缘是成对出现的,通过边缘图像中的各个弱边缘进行分析,得到多个弱边缘对,再根据裂缝与划痕的区别特征,来获取每个弱边缘对属于衍生裂缝边缘的概率,进而得到完整裂缝边缘,识别出完整裂缝缺陷。
需要进一步说明的是,裂缝在衍生的过程中会将划痕截断,因此齿轮齿面图像的
边缘图像中的划痕的边缘会被裂缝边缘截断,故划痕边缘与裂缝边缘会相交,为了便于后
续得到边缘图像中的边缘对来获取每个边缘对属于裂缝边缘的概率,需要将被截断的划痕
连接起来,并且能够将相交的划痕边缘和裂痕边缘分离开,因此需要先获取划痕边缘与裂
缝边缘的交点,将相交的划痕边缘和裂缝边缘分离开,再将交点之间进行连接,可以得到完
整的划痕边缘,已知主裂缝边缘的梯度值相较于划痕边缘的梯度值较大,主裂缝边缘的梯
度值相较于衍生裂缝边缘的梯度值较大,而边缘检测算法是通过设置双阈值来检测
图像中的真实边缘,其中高阈值用于判断边缘是否明显,如果梯度值高于高阈值,则将其标
记为强边缘,低阈值用于判断边缘的连接性,如果梯度值介于低阈值和高阈值之间,并且与
强边缘相连,则将其标记为弱边缘,因此在本发明实施例中,可以使用边缘检测来获
取齿轮齿面图像中强边缘与弱边缘的交点,其中强边缘更可能为主裂缝边缘,弱边缘更可
能为为衍生裂缝边缘以及划痕边缘。
在本发明实施例中,预设高阈值以及低阈值,对齿轮齿面图像进行边缘检
测,得到边缘图像,获取边缘图像中梯度值大于高阈值的强边缘,将强边缘记作主裂缝边
缘,获取边缘图像中梯度值位于高阈值与低阈值之间的弱边缘,获取边缘图像中强边缘
与弱边缘的交点,作为边缘图像中的交点,在本发明实施例中,设置低阈值,高阈值,在其他实施例中,实施人员可根据具体实施情况设置或者的值。
至此,对齿轮齿面图像进行边缘检测,得到边缘图像中的主裂缝边缘和初始
弱边缘以及边缘图像中的交点,并通过交点将相交的不同类型的边缘分隔开。
S003.获取边缘图像中每个交点与其局部区域中各个交点的间断程度,根据间断程度对边缘图像中的弱边缘进行连接,得到边缘图像中的所有完整弱边缘。
需要说明的是,通过连接边缘图像中的各个交点,即将弱边缘对应的交点连接起来,就可以将被截断的划痕连接起来,而被截断的划痕的两个交点的距离较近,对于边缘图像中的任一交点仅需要获取任一交点与其局部区域中各个交点的间断程度,来确定该交点与其局部区域中的哪个交点相互连接,并且对于已经连接的两个交点后续不再参与连接,因此首先获取边缘图像中任一交点的局部区域。
在本发明实施例中,预设局部区域边长,获取边缘图像中每个交点的局部区域:
以边缘图像中每个交点为中心,构建大小的区域,作为边缘图像中每个交点的局部区
域,在本发明实施例中,,在其他实施例中,实施人员可根据具体实施情况设置的
值。
需要说明的是,已知划痕与衍生裂缝在边缘图像中均属于弱边缘,边缘图像中的各个交点所对应的弱边缘可能为划痕边缘与衍生裂缝边缘,因此在连接各个交点时,可能会将交点对应的划痕边缘与交点对应的衍生边缘进行连接,并且划痕在边缘检测图像是两条边缘线,划痕被截断会导致划痕的两条边缘线均被截断,因此在连接各个交点时,可能会将交点对应的划痕边缘错位连接,故而对于划痕边缘对应的交点来说,该交点的局部区域中可能含有衍生边缘对应的交点以及错位的划痕边缘对应的交点,需要对其进行区分。
已知划痕边缘像素点的梯度值分布均匀,与衍生裂缝边缘像素点的梯度值存在差异,故划痕边缘对应的交点之间的梯度值差异小于划痕边缘与衍生裂缝边缘对应的交点之间的梯度值差异,又由于被截断的划痕之间的距离较小,因此划痕边缘对应的交点之间的距离小于划痕边缘与衍生裂缝边缘对应的交点之间的距离,因此结合交点之间距离以及交点之间的梯度值差异,避免了将划痕边缘对应的交点与衍生裂缝边缘对应的交点相连接,但是划痕边缘对应的交点与其错位的划痕边缘对应的交点之间的梯度值差异与距离均较小,因此可能也会将划痕边缘对应的交点与其错位的划痕边缘对应的交点连接起来,已知完整的一条划痕边缘的斜率较为一致,因此如果划痕边缘的斜率变化与该划痕边缘对应的交点与其局部区域中任意一个交点之间的连线的斜率变化差异一致时,此时说明该两个交点连接后是一条完整的划痕边缘,因此在本发明实施例中,结合交点与其局部区域交点之间的距离和梯度差异以及交点所属的弱边缘的斜率变化与其局部区域交点之间连线的斜率变化差异,获取交点与其局部区域交点之间的间断程度,当交点之间的距离和梯度值差异越小,并且斜率变化差异越小时,说明该两个交点进行连接后越有可能形成一条完整的划痕边缘;当交点之间的距离和梯度值差异越大,并且斜率变化差异越大时,说明此时该两个交点为划痕边缘对应的交点与衍生裂缝边缘对应的交点,不应该连接。
需要进一步说明的是,已知划痕边缘的交点之间的距离与梯度值差异均较小,为了避免划痕边缘的错位连接,因此需要重点考虑交点所属的弱边缘的斜率变化与交点之间连线的斜率变化差异,因此获取划痕边缘的交点与其局部区域交点之间的间断程度时,需要斜率变化差异设置较大的权重,而衍生裂缝边缘的交点与划痕边缘的交点之间的距离与梯度值差异较大,因此需要重点考虑交点之间的距离与梯度值差异,因此获取衍生裂缝边缘的交点与其局部区域交点之间的间断程度时,需要对于交点之间的距离与梯度差异设置较大的权重,又由于划痕边缘与衍生裂缝边缘之间存在着本质的区别,就是划痕边缘相较与衍生裂缝边缘较于平整,即划痕边缘的斜率变化较小,衍生裂缝边缘的斜率变化较大,因此根据交点所属的弱边缘的斜率变化对交点设置权重,当交点所属的弱边缘的斜率变化较小时,需要重点考虑斜率变化差异,当交点所属的弱边缘的斜率变化较大时,需要重点考虑交点之间的距离及梯度差异。
在本发明实施例中,遍历将边缘图像中任一交点,记为当前交点,从当前交点处开
始,依次获取当前交点所属的弱边缘的相邻两个像素点之间的斜率值,并记作:,代表第当前交点所属的弱边缘的第个斜率值;
根据当前交点所属的弱边缘的斜率值,获取当前交点所属的弱边缘的斜率变化:
式中,代表当前交点所属的弱边缘的斜率变化;代表当前交点所属的弱边缘上
共有个斜率值;代表当前交点所属的弱边缘的第个斜率值;代表当前交点所属的弱
边缘的第个斜率值;代表当前交点所属的弱边缘上相邻的两个斜率值差异
的绝对值;代表当前交点所属的弱边缘的所有相邻的两个斜率值差异的最大绝对
值。
将当前交点所属的弱边缘与当前交点的局部区域中第个交点相连,记为当前交
点的第个连线,依次获取当前交点的第个连线上相邻两个像素点之间的斜率值;
式中,代表当前交点的第个连线的斜率变化;代表当前交点的第个连线上共
有个斜率值;代表当前交点的第个连线上的第个斜率值;代表当前交点的第
个连线上的第个斜率值;代表当前交点的第个连线上相邻的两个斜率
值差异的绝对值;代表当前交点的第个连线上所有相邻的两个斜率值差异的最大绝
对值。
获取当前交点与其局部区域中任一交点的间断程度:
式中,代表当前交点与其局部区域中第个交点之间的间断程度;代表当前交
点所属的弱边缘的斜率变化;代表当前交点所属的弱边缘的斜率变化与当前交点的第
个连线的斜率变化的差值绝对值;代表当前交点所属的弱边缘的斜率变化与当前交
点的第个连线的斜率变化的最大差值绝对值;代表当前交点与其局部区域中第个交点
之间的距离;代表当前交点与其局部区域中所有交点之间的最大距离;代表当前
交点与其局部区域中第个交点之间的梯度值的差值绝对值;代表当前交点与其局部
区域中所有交点之间的梯度值的最大差值绝对值;如果当前交点所属的弱边缘的斜率变化
与当前交点所属的弱边缘与当前交点的局部区域中第交点之间的连线的斜率变化的差值
绝对值越小、当前交点与其局部区域中第个交点之间的距离以及梯度值差异越小时,并且
当前交点所属的弱边缘的斜率变化越小,间断程度的值越小,则当前交点所属的弱边缘更
可能为划痕边缘,并且与其局部区域中的第个交点连接后形成的边缘越可能为一条完整
的划痕边缘,因此当间断程度越小时,当前交点与其局部区域中第个交点之间更应该连
接。
需要说明的是,获取当前交点与其局部区域中所有交点之间的间断程度,已知当间断程度越小时,则该间断程度对应的两个交点越应该连接,但如果直接获取当前交点与其局部区域中所有交点之间的间断程度最小的两个交点进行连接,也可能会将衍生裂缝边缘对应的交点与划痕边缘的对应的交点进行连接,因为如果此时的当前交点是衍生裂缝边缘所对应的交点,那么当前交点与其局部区域中交点均不进行连接,由于衍生裂缝边缘所对应的交点与其它交点之间的间断程度较大,划痕边缘对应的交点之间的间断程度较小,因此根据这一特征,对当前交点与其局部区域中所有交点之间的间断程度进行筛选,如果当前交点与其局部区域中任一交点之间的间断程度大于连接阈值时,认为该两点交点中存在衍生裂缝边缘所对应的交点,如果当前交点与其局部区域中任一交点之间的间断程度小于连接阈值时,认为该两点交点中不存在衍生裂缝边缘所对应的交点,因此获取所有小于连接阈值的多个间断程度,再在间断程度中选择最小的间断程度对应的两个交点进行连接。
在本发明实施例中,预设连接阈值,获取当前交点与其局部区域中所有交点之间
的间断程度小于连接阈值的间断程度,若不存在小于连接阈值的间断程度,则对当前交
点与其局部区域中的所有交点均不进行连接,若存在小于连接阈值的间断程度,在所有小
于连接阈值的间断程度中,获取最小的间断程度对应的交点,作为目标交点,将目标交点与
当前交点进行连接,并将连线上的像素点的灰度值置为1,将目标交点与当前交点所属弱边
缘连接成了一条完整弱边缘;获取边缘图像中的所有完整弱边缘,在本发明实施例中,预设
连接阈值,在其他实施例中,实施人员可根据具体实施情况设置连接阈值的值。
需要说明的是,在对边缘图像中的所有交点进行遍历连接时,对于已经连接的交点以及无需连接的交点需要对其进行标记,无需参与后续计算,直至边缘图像中的所有交点均被标记即可停止。
至此,通过获取边缘图像中每个交点与其局部区域中各个交点的间断程度,根据间断程度将每个交点与其局部区域中任一交点相连,并将连线上的像素点的灰度值置为1,将被截断的划痕连接起来,得到了多个完整弱边缘。
S004.对边缘图像中的各个完整弱边缘进行分析,得到多个弱边缘对,获取每个弱边缘对属于裂痕边缘的概率,进而得到衍生裂缝边缘。
需要说明的是,步骤S003中对可能被主裂缝截断的弱边缘进行连接,因此得到了多个完整的弱边缘,因此边缘图像中的强边缘为主裂缝边缘,而弱边缘可能为划痕边缘及衍生裂缝边缘,又由于每个衍生裂缝与划痕在边缘图像均有两条边缘,并且两条边缘的距离接近,因此首先需要对边缘图像中的各个弱边缘进行分析,得到多个弱边缘对,便于后续获取每个弱边缘对属于裂痕边缘的概率。
在本发明实施例中,获取多个弱边缘对:依次遍历边缘图像中的所有完整弱边缘,使用最小距离算法获取与每个完整弱边缘距离最近的一条完整弱边缘,构成一个弱边缘对,得到了多个弱边缘对。
需要进一步说明的是,由于齿角裂缝是由于受到应力作用而产生的,最初的时候应力作用的强度较大,产生裂缝的速度较快,故初始时裂缝边缘之间的距离较宽,裂缝长度达到一定长度的时候,裂缝受到的应力作用强度较小,其裂缝生长的速度较慢,此时裂缝边缘之间的距离较窄,属于裂缝的边缘对之间的距离呈现一种由宽变窄的趋势,而属于划痕的边缘对之间的距离分布比较均匀,因此如果弱边缘对之间的距离方差较大时,说明该弱边缘对可能为衍生裂缝边缘;又由于应力作用的强度较大,产生裂缝的速度较快,故初始时裂纹的边缘处较为平整,裂缝长度达到一定长度的时候,裂缝受到的应力作用强度较小,其裂缝生长的速度较慢,因此裂缝边缘会呈现一种“毛刺”状的边缘,其平整度较低。因此,裂缝边缘的斜率呈现由小变大的趋势,而裂缝最开始的形成的时候深度是最深的,伴随着裂痕的延伸,裂痕的深度会减小,因此裂缝边缘的梯度值是由大变小的,所以裂缝边缘的梯度值变化与斜率变化呈现负相关关系,在本发明实施例中,结合弱边缘对之间的距离方差以及弱边缘对中边缘的梯度变化与斜率变化的负相关关系,获取每个弱边缘对属于衍生裂缝的概率。
在本发明实施例中,获取每个弱边缘对中每个边缘的所有梯度差值:从每个弱边缘对中每个边缘的第一个像素点开始,依次获取每个边缘上相邻两个像素点之间的梯度差值,得到每个弱边缘中每个边缘的所有梯度差值。
获取每个弱边缘对中每个边缘的所有斜率差值:从每个弱边缘对中每个边缘的第一个像素点开始,依次获取每个边缘上相邻两个像素点之间的斜率值构成每个边缘的斜率序列,依次获取每个边缘的斜率序列中相邻两个斜率值之间的差异,得到每个弱边缘中每个边缘的所有斜率差值。
获取每个弱边缘对的所有匹配点:使用DTW算法对每个弱边缘对中两条边缘上的所有像素点进行匹配,将匹配成功像素点对记为匹配点对。
获取每个弱边缘对属于衍生裂缝的概率:
式中,代表弱边缘对中第个边缘的梯度差值数量;代表弱边缘对中第个边
缘上所有梯度差值的平均值;代表弱边缘对中第个边缘上的第个梯度差值;代表弱
边缘对中第个边缘上所有斜率差值的平均值;代表弱边缘对中第个边缘上斜率差值数
量;代表弱边缘对中第个边缘上的第个斜率差值;代表弱边缘对共有个匹配点对;代表弱边缘对中第个匹配点对之间的距离;代表弱边缘对中所有匹配点对之间的平
均距离;代表弱边缘对之间的距离方差;代表第个弱边缘对中第个匹
配点对之间的距离;代表第弱边缘对中所有匹配点对之间的平均距离;代表边缘图
像中共有个弱边缘对;代表弱边缘中两个边缘的
梯度变化和斜率变化的相关系数的均值;已知相关系数的取值范围为[-1,1],当相关系数
的值越接近于-1时,说明弱边缘对中任意一个边缘的斜率变化与梯度变化呈现一种负相关
的关系,代表弱边缘对属于衍生裂缝的概率,当弱边缘对之间的距离方差越大时,且弱边
缘对中任意一个边缘的梯度变化和斜率变化的相关系数的绝对值越接近于1,说明该弱边
缘对属于衍生裂缝的概率越大,得到了所有边缘对属于衍生裂缝的概率。
在本发明实施例中,预设概率阈值,当弱边缘对属于衍生裂缝的概率大于概率阈
值时,认为该弱边缘对属于衍生裂缝,预设概率阈值,将属于衍生裂缝的概率大于概率
阈值的弱边缘对,作为衍生裂缝边缘,在本发明实施例中,设置概率阈值,在其他
实施例中,实施人员可根据具体实施情况设置的值。
至此,对边缘图像中的各个弱边缘进行分析,得到多个弱边缘对,获取每个弱边缘对属于裂痕边缘的概率,进而得到了衍生裂缝。
S005.根据主裂缝边缘以及衍生裂缝边缘,识别出裂缝缺陷区域。
对边缘图像中的主裂缝边缘以及衍生裂缝边缘进行连通域分析,将得到的连通区域作为完整的裂缝缺陷区域。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于机器视觉的驱动齿角缺陷识别方法,其特征在于,该方法包括以下步骤:
采集齿轮齿面图像;
对齿轮齿面图像进行边缘检测,获取边缘图像中的主裂缝边缘和弱边缘以及边缘图像中每个交点;
获取边缘图像中每个交点的局部区域;获取边缘图像中每个交点所属的弱边缘的斜率变化,获取边缘图像中每个交点的每个连线的斜率变化;根据边缘图像中每个交点所属的弱边缘的斜率变化以及每个交点的每个连线的斜率变化,获取边缘图像中每个交点与其局部区域中每个交点的间断程度;根据边缘图像中每个交点与其局部区域中每个交点的间断程度对边缘图像中的弱边缘进行连接,得到边缘图像中的所有完整弱边缘;
根据边缘图像中的所有完整弱边缘获取每个弱边缘对;将每个弱边缘对中每个边缘上所有相邻像素点之间的梯度差值,作为每个弱边缘对中每个边缘的多个梯度差值;获取每个弱边缘对中每个边缘的多个斜率差值,获取每个弱边缘对的匹配点对;根据每个弱边缘对中每个边缘的多个梯度差值、多个斜率差值以及每个弱边缘对的匹配点对,获取每个弱边缘对属于衍生裂缝的概率;根据每个弱边缘对属于衍生裂缝的概率获取衍生裂缝边缘;
根据边缘图像中的主裂缝边缘及衍生裂缝边缘,识别出完整的裂缝缺陷区域;
所述获取每个弱边缘对中每个边缘的多个斜率差值,获取每个弱边缘对的匹配点对,包括的具体步骤如下:
从每个弱边缘对中每个边缘的第一个像素点开始,依次获取每个边缘上相邻两个像素点之间的斜率值构成每个边缘的斜率序列,依次获取每个边缘的斜率序列中相邻两个斜率值之间的差异,作为每个弱边缘对中每个边缘的多个斜率差值;
使用DTW算法对每个弱边缘对中两条边缘上的所有像素点进行匹配,将匹配成功像素点对记为匹配点对;
所述根据每个弱边缘对中每个边缘的多个梯度差值、多个斜率差值以及每个弱边缘对的匹配点对,获取每个弱边缘对属于衍生裂缝的概率,包括的具体步骤如下:
式中,代表弱边缘对中第/>个边缘的梯度差值数量;/>代表弱边缘对中第/>个边缘上所有梯度差值的平均值;/>代表弱边缘对中第/>个边缘上的第/>个梯度差值;/>代表弱边缘对中第/>个边缘上所有斜率差值的平均值;/>代表弱边缘对中第/>个边缘上斜率差值数量;/>代表弱边缘对中第/>个边缘上的第/>个斜率差值;/>代表弱边缘对共有/>个匹配点对;/>代表弱边缘对中第/>个匹配点对之间的距离;/>代表弱边缘对中所有匹配点对之间的平均距离;/>代表第/>个弱边缘对中第/>个匹配点对之间的距离;/>代表第/>弱边缘对中所有匹配点对之间的平均距离;/>代表边缘图像中共有/>个弱边缘对;/>代表弱边缘对属于衍生裂缝的概率;/>为绝对值符号。
2.根据权利要求1所述的基于机器视觉的驱动齿角缺陷识别方法,其特征在于,所述对齿轮齿面图像进行边缘检测,获取边缘图像中的主裂缝边缘和弱边缘以及边缘图像中每个交点,包括的具体步骤如下:
预设高阈值以及低阈值/>,对齿轮齿面图像进行/>边缘检测得到边缘图像,将边缘图像中梯度值大于高阈值/>的强边缘,记作主裂缝边缘,获取边缘图像中梯度值位于高阈值/>与低阈值/>之间的弱边缘,获取边缘图像中强边缘与弱边缘的交点,作为边缘图像中的交点。
3.根据权利要求2所述的基于机器视觉的驱动齿角缺陷识别方法,其特征在于,所述获取边缘图像中每个交点所属的弱边缘的斜率变化,获取边缘图像中每个交点的每个连线的斜率变化,包括的具体步骤如下:
获取边缘图像中的任一交点,记为当前交点,从当前交点处开始,依次获取当前交点所属的弱边缘的相邻两个像素点之间的斜率值;
式中,代表当前交点所属的弱边缘的斜率变化;/>代表当前交点所属的弱边缘上共有个斜率值;/>代表当前交点所属的弱边缘的第/>个斜率值;/>代表当前交点所属的弱边缘的第/>个斜率值;/>代表当前交点所属的弱边缘上相邻的两个斜率值差异的绝对值;/>代表当前交点所属的弱边缘的所有相邻的两个斜率值的差值绝对值中的最大值;
将当前交点所属的弱边缘与当前交点的局部区域中第个交点相连,记为当前交点的第/>个连线,依次获取当前交点的第/>个连线上相邻两个像素点之间的斜率值;
式中,代表当前交点的第/>个连线的斜率变化;/>代表当前交点的第/>个连线上共有/>个斜率值;/>代表当前交点的第/>个连线上的第/>个斜率值;/>代表当前交点的第/>个连线上的第/>个斜率值;/>代表当前交点的第/>个连线上相邻的两个斜率值差异的绝对值;/>代表当前交点的第/>个连线上所有相邻的两个斜率值差异的最大绝对值。
4.根据权利要求3所述的基于机器视觉的驱动齿角缺陷识别方法,其特征在于,所述根据边缘图像中每个交点所属的弱边缘的斜率变化以及每个交点的每个连线的斜率变化,获取边缘图像中每个交点与其局部区域中每个交点的间断程度,包括的具体步骤如下:
式中,代表当前交点与其局部区域中第/>个交点之间的间断程度;/>代表当前交点所属的弱边缘的斜率变化;/>代表当前交点所属的弱边缘的斜率变化与当前交点的第/>个连线的斜率变化的差值绝对值;/>代表当前交点所属的弱边缘的斜率变化与当前交点的第/>个连线的斜率变化的最大差值绝对值;/>代表当前交点与其局部区域中第/>个交点之间的距离;/>代表当前交点与其局部区域中所有交点之间的最大距离;/>代表当前交点与其局部区域中第/>个交点之间的梯度值的差值绝对值;/>代表当前交点与其局部区域中所有交点之间的梯度值的最大差值绝对值。
5.根据权利要求3所述的基于机器视觉的驱动齿角缺陷识别方法,其特征在于,所述根据边缘图像中每个交点与其局部区域中每个交点的间断程度对边缘图像中的弱边缘进行连接,得到边缘图像中的所有完整弱边缘,包括的具体步骤如下:
预设连接阈值,对于当前交点与其局部区域中所有交点之间的间断程度,若不存在间断程度小于连接阈值/>则对当前交点与其局部区域中的所有交点均不进行连接,若存在间断程度小于连接阈值/>,在所有小于连接阈值的间断程度中,获取最小的间断程度对应的交点,作为目标交点,将目标交点与当前交点进行连接,并将连线上的像素点的灰度值置为1,将目标交点与当前交点所属弱边缘连接成了一条完整弱边缘;获取边缘图像中的所有完整弱边缘。
6.根据权利要求1所述的基于机器视觉的驱动齿角缺陷识别方法,其特征在于,所述根据边缘图像中的所有完整弱边缘获取每个弱边缘对,包括的具体步骤如下:
依次遍历边缘图像中的所有完整弱边缘,使用最小距离算法获取与每个完整弱边缘距离最近的一条完整弱边缘,构成一个弱边缘对。
7.根据权利要求1所述的基于机器视觉的驱动齿角缺陷识别方法,其特征在于,所述根据每个弱边缘对属于衍生裂缝的概率获取衍生裂缝边缘,包括的具体步骤如下:
预设概率阈值,将属于衍生裂缝的概率大于概率阈值/>的弱边缘对,作为衍生裂缝边缘。
8.根据权利要求1所述的基于机器视觉的驱动齿角缺陷识别方法,其特征在于,所述根据边缘图像中的主裂缝边缘及衍生裂缝边缘,识别出完整的裂缝缺陷区域,包括的具体步骤如下:
对边缘图像中的主裂缝边缘以及衍生裂缝边缘进行连通域分析,将得到的连通区域作为完整的裂缝缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452545.1A CN117197130B (zh) | 2023-11-03 | 2023-11-03 | 基于机器视觉的驱动齿角缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452545.1A CN117197130B (zh) | 2023-11-03 | 2023-11-03 | 基于机器视觉的驱动齿角缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197130A CN117197130A (zh) | 2023-12-08 |
CN117197130B true CN117197130B (zh) | 2024-01-26 |
Family
ID=88994534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311452545.1A Active CN117197130B (zh) | 2023-11-03 | 2023-11-03 | 基于机器视觉的驱动齿角缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197130B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000283748A (ja) * | 1999-03-31 | 2000-10-13 | Suzuki Motor Corp | 欠陥検出方法及び欠陥検出装置 |
JP2007172397A (ja) * | 2005-12-22 | 2007-07-05 | Seiko Epson Corp | エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置 |
WO2007147158A2 (en) * | 2006-06-16 | 2007-12-21 | Worcester Polytechnic Institute | Infrared defect detection system and method for the evaluation of powdermetallic compacts |
WO2017067390A1 (zh) * | 2015-10-20 | 2017-04-27 | 努比亚技术有限公司 | 图像中弱纹理区域的深度信息获取方法及终端 |
JP2020038066A (ja) * | 2018-09-03 | 2020-03-12 | 日立化成株式会社 | 歯車の歯面の外観検査システム |
CN111429403A (zh) * | 2020-02-26 | 2020-07-17 | 北京航空航天大学杭州创新研究院 | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114972187A (zh) * | 2022-04-20 | 2022-08-30 | 北京与子成科技有限公司 | 基于人工智能的裂纹缺陷评估方法 |
CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
CN115239723A (zh) * | 2022-09-22 | 2022-10-25 | 江苏东晨机械科技有限公司 | 基于图形识别的卷板机零件检测方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115330783A (zh) * | 2022-10-13 | 2022-11-11 | 启东谷诚不锈钢制品有限公司 | 一种钢丝绳缺陷检测方法 |
CN115631174A (zh) * | 2022-11-01 | 2023-01-20 | 南通皋亚钢结构有限公司 | 基于视觉图像数据的机械零件表面缺陷识别方法 |
CN116012384A (zh) * | 2023-03-28 | 2023-04-25 | 梁山水泊胶带股份有限公司 | 一种整芯阻燃输送带表面缺陷检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116703907A (zh) * | 2023-08-04 | 2023-09-05 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
CN116740072A (zh) * | 2023-08-15 | 2023-09-12 | 安徽省云鹏工程项目管理有限公司 | 基于机器视觉的道路表面缺陷检测方法及系统 |
CN116823814A (zh) * | 2023-08-28 | 2023-09-29 | 山东巨鑫伟业电气设备有限公司 | 一种配电设备焊接生产缺陷检测系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6829381B2 (en) * | 2001-11-28 | 2004-12-07 | Applied Materials, Inc. | Method for detecting defects |
US20080008375A1 (en) * | 2006-07-06 | 2008-01-10 | Petersen Russell H | Method for inspecting surface texture direction of workpieces |
-
2023
- 2023-11-03 CN CN202311452545.1A patent/CN117197130B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000283748A (ja) * | 1999-03-31 | 2000-10-13 | Suzuki Motor Corp | 欠陥検出方法及び欠陥検出装置 |
JP2007172397A (ja) * | 2005-12-22 | 2007-07-05 | Seiko Epson Corp | エッジ勾配検出方法、シミ欠陥検出方法、エッジ勾配検出装置、シミ欠陥検出装置 |
WO2007147158A2 (en) * | 2006-06-16 | 2007-12-21 | Worcester Polytechnic Institute | Infrared defect detection system and method for the evaluation of powdermetallic compacts |
WO2017067390A1 (zh) * | 2015-10-20 | 2017-04-27 | 努比亚技术有限公司 | 图像中弱纹理区域的深度信息获取方法及终端 |
JP2020038066A (ja) * | 2018-09-03 | 2020-03-12 | 日立化成株式会社 | 歯車の歯面の外観検査システム |
CN111429403A (zh) * | 2020-02-26 | 2020-07-17 | 北京航空航天大学杭州创新研究院 | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114972187A (zh) * | 2022-04-20 | 2022-08-30 | 北京与子成科技有限公司 | 基于人工智能的裂纹缺陷评估方法 |
CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
CN115239723A (zh) * | 2022-09-22 | 2022-10-25 | 江苏东晨机械科技有限公司 | 基于图形识别的卷板机零件检测方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115330783A (zh) * | 2022-10-13 | 2022-11-11 | 启东谷诚不锈钢制品有限公司 | 一种钢丝绳缺陷检测方法 |
CN115631174A (zh) * | 2022-11-01 | 2023-01-20 | 南通皋亚钢结构有限公司 | 基于视觉图像数据的机械零件表面缺陷识别方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116012384A (zh) * | 2023-03-28 | 2023-04-25 | 梁山水泊胶带股份有限公司 | 一种整芯阻燃输送带表面缺陷检测方法 |
CN116703907A (zh) * | 2023-08-04 | 2023-09-05 | 合肥亚明汽车部件有限公司 | 一种基于机器视觉的汽车铸件表面缺陷检测方法 |
CN116740072A (zh) * | 2023-08-15 | 2023-09-12 | 安徽省云鹏工程项目管理有限公司 | 基于机器视觉的道路表面缺陷检测方法及系统 |
CN116823814A (zh) * | 2023-08-28 | 2023-09-29 | 山东巨鑫伟业电气设备有限公司 | 一种配电设备焊接生产缺陷检测系统 |
Non-Patent Citations (7)
Title |
---|
图像处理技术在齿轮缺陷检测中的应用;肖俊建;王慧英;;机械传动(02);正文全文 * |
基于互信息与差影法的塑料齿轮缺陷检测研究;谢佩军;;制造业自动化(23);正文全文 * |
基于改进Canny算子的图像弱边缘检测算法;李庆忠;刘洋;;计算机应用研究(S1);正文全文 * |
基于机器视觉的飞轮齿圈缺陷和尺寸检测方法;汪凤林;周扬;叶绿;周武杰;;中国测试(05);正文全文 * |
小模数齿轮的快速检测;周鑫;;自动化技术与应用(10);正文全文 * |
改进的Canny算法在直焊缝图像缺陷边缘检测中的应用;郝利华;王明泉;;火力与指挥控制(07);正文全文 * |
肖俊建 ; 王慧英 ; .图像处理技术在齿轮缺陷检测中的应用.机械传动.2009,(02),正文全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117197130A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN114627118B (zh) | 一种光纤电缆绝缘缺陷识别方法和系统 | |
CN116168039B (zh) | 一种环保节能硅酸铝板质量检测方法 | |
US6983065B1 (en) | Method for extracting features from an image using oriented filters | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN116758061A (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
EP3252710B1 (en) | Banknote crack detection method and apparatus | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN113962997A (zh) | 基于图像处理的带钢边裂缺陷检测方法及系统 | |
CN116993682B (zh) | 基于图像数据分析的角膜塑形镜瑕疵区域提取方法 | |
JP2000028541A (ja) | コンクリート表面のクラック検出方法 | |
CN117197130B (zh) | 基于机器视觉的驱动齿角缺陷识别方法 | |
KR20160087600A (ko) | 불량 검사 장치 및 방법 | |
US11913912B2 (en) | Hole expansion ratio testing device, hole expansion ratio testing method, and operating program | |
JPH09119900A (ja) | コンクリート欠陥の自動評価方法 | |
CN108872252A (zh) | 一种钢梁裂纹检测系统 | |
JP2020085774A (ja) | 管ガラス検査方法、学習方法及び管ガラス検査装置 | |
CN117114402A (zh) | 一种基于大数据的电力设备风险评估方法 | |
CN115159027B (zh) | 一种皮带撕裂监测方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
KR102133330B1 (ko) | 구조물의 균열 인식 장치 및 방법 | |
CN111310899A (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 |
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 |