CN117197534A - 一种基于特征识别的电缆表面缺陷自动检测方法 - Google Patents
一种基于特征识别的电缆表面缺陷自动检测方法 Download PDFInfo
- Publication number
- CN117197534A CN117197534A CN202310978804.8A CN202310978804A CN117197534A CN 117197534 A CN117197534 A CN 117197534A CN 202310978804 A CN202310978804 A CN 202310978804A CN 117197534 A CN117197534 A CN 117197534A
- Authority
- CN
- China
- Prior art keywords
- image
- cable
- defect
- value
- detection method
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征识别的电缆表面缺陷自动检测方法,包括:获取电缆的RGB图像,对取像设备进行标定并平滑处理电缆图像;图像竖直化处理,将RGB图像转换为HSV图像,对电缆表面图像进行提取及校正;采用灰度直方图提高电缆表面图像的亮度与对比度;电缆图像缺陷边缘检测并进行缺陷轮廓提取;边界长度计算,并进行霍夫线变换判定及区域面积计算;结合计算结果,对电缆表面缺陷情况进行判定,自动判定缺陷类型为划痕类缺陷或区域性缺陷,能快速准确地完成对电缆表面缺陷特征的识别、提取与判断。
Description
技术领域
本发明涉及一种基于特征识别的电缆表面缺陷自动检测方法。
背景技术
在电缆的制造工艺中,绝缘、护套均采取挤压方式制备,难以避免地会产生微孔、划伤、凹痕以及绝缘和护套皮的损伤,大大降低了电缆的使用价值与经济价值,更严重的会引发安全事故。表面缺陷检测一直以来都是限制电缆质量提升的一个重要因素。国内许多电缆企业迄今仍依靠人工观察、触摸等方法,其检测结果受主观行为影响严重,且采取人力方式效率低,不符合现代工业检测需求。部分企业采用表面缺陷检测仪的方式进行检测,但这种方法需要提前输入大量电缆表面图像作为基础,再利用神经网络来获取缺陷信息,缺点在于神经网络易被噪声干扰,影响对缺陷部位的准确判断。
发明内容
为了解决上述技术问题,本发明提供一种基于特征识别的电缆表面缺陷自动检测方法。
本发明的技术方案是:
一种基于特征识别的电缆表面缺陷自动检测方法,包括以下步骤:
S1、初始图像获取,使用取像设备获取电缆的RGB图像,对所述取像设备进行标定,并对所述电缆图像进行平滑处理;
S2、对所述平滑处理后的电缆图像进行竖直化处理,将所述RGB图像转换为HSV图像,对电缆表面图像进行提取及校正;
S3、采用灰度直方图的方法提高所述提取及校正后电缆表面图像的亮度与对比度;
S4、对所述提高亮度与对比度后的电缆图像进行缺陷边缘检测并进行缺陷轮廓提取;
S5、对所述缺陷边缘及缺陷轮廓进行边界长度计算并进行霍夫线变换判定及区域面积计算;结合计算结果,对电缆表面缺陷情况进行判定,自动判定缺陷类型为划痕类缺陷或区域性缺陷。
进一步的,所述取像设备的标定方法为:对于切向畸变,使用公式:X′
=X(1+t1R2+t2R4+t3R6)与Y′=Y(1+t1R2+t2R4+t3R6)分别矫正横坐标与纵坐标数值;对于颈向畸变,使用X′=X+[2m1XY+m2(R2+2X2)]与Y′=Y+[2m2XY+m1(R2+2Y2)]对横纵坐标矫正,完成取像设备的标定;其中,X′与Y′分别为初始横、纵坐标,X与Y分别为矫正后的横、纵坐标,且R2=X2+Y2,t1、t2、t3、m1、m2为畸变5维向量。
进一步的,所述电缆表面图像提取方法为:利用色彩空间转换将电缆图像由RGB转变成HSV,改变图像空间内各通道的最值得到色彩差异化的二值图片,使用逻辑非命令取反提取电缆表面图像。
进一步的,所述电缆表面图像校正方法为:通过膨胀腐蚀后二值化获得电缆矩形轮廓顶点坐标,选取横坐标最小值为图像左边缘、最大值为图像右边缘,保持高度不变,通过透视变换公式 校正电缆为竖直姿态;其中,/>为图像坐标点,/>为变换矩阵,/>为透视变换后像素点坐标。
进一步的,所述电缆图像缺陷边缘检测方法为:将电缆图像灰度值分为1~h级,值为j的灰度值的像素记为kj,电缆图像像素总数为:
概率为:/>通过阈值e将所有像素点分为U=[1,e]与V=[e+1,h]两组,其中,U的概率为:/>V的概率为:/>U的平均值为:/>V的平均值为:/>总区间的灰度累计值为:w=wuu+wvv;类间方差为:s=uv(wu-wv)2;当s为最大值时,e为最佳选值,灰度>e时保留像素,灰度<e时删除像素。
进一步的,所述缺陷轮廓提取方法为:将电缆图像二值化,得仅有0与1的黑白图像,按照由左至右、由上至下的顺序扫描值是1的像素点并进行标记,之后对每个像素点均做逆时针方向检索,得到其八连通区域内所有像素点值,并对其中为1的点进行标记,不断进行八连通区域搜索,直至搜寻到第1个标记的非0点,表明此区域是闭合区域,重复操作直到找到所有轮廓。
进一步的,所述边界长度计算方法为:将像素点视为正方形,取其边长作单位长度1,使用Freeman8连通链码计算缺陷周长。
进一步的,所述霍夫线变换判定及区域面积计算方法为:以表示直线,图像中的直线可视为参数空间内的点(ρ,θ),其中,ρ是电缆图像坐标系原点与直线的法线距离,θ是法线与x轴的正向夹角;把参数空间转变为阵列,每个格子均对应一个累加器,凡是曲线经过的格子,其所对应的累加器值加1;选择累加器阈值,当累加器格子中的值大于阈值时表明缺陷图像空间出现直线;将像素点所占面积定义为单位面积,缺陷区域的面积可以用像素点来表示,从而反应出缺陷区域的大小。
本发明通过将电缆RGB图像转换为HSV与灰度图像,对缺陷的边缘、轮廓信息进行提取,并采取边界长度法、霍夫线变换与区域面积法检测方式对电缆缺陷图像进行分类,完成电缆表面缺陷类型的判定。本发明能快速准确地完成对电缆表面缺陷特征的识别、提取与判断。
附图说明
图1是本发明的一种基于特征识别的电缆表面缺陷自动检测方法实施例的步骤流程图。
具体实施方式
以下结合附图,对本发明的具体实施方式作进一步详述,以使本发明技术方案更易于理解和掌握。
一种基于特征识别的电缆表面缺陷自动检测方法,包括以下步骤:
S1、初始图像获取,使用取像设备获取电缆的RGB图像,对所述取像设备进行标定,并对所述电缆图像进行平滑处理;
S2、对所述平滑处理后的电缆图像进行竖直化处理,将所述RGB图像转换为HSV图像,对电缆表面图像进行提取及校正;
S3、采用灰度直方图的方法提高所述提取及校正后电缆表面图像的亮度与对比度;
S4、对所述提高亮度与对比度后的电缆图像进行缺陷边缘检测并进行缺陷轮廓提取;
S5、对所述缺陷边缘及缺陷轮廓进行边界长度计算并进行霍夫线变换判定及区域面积计算;结合计算结果,对电缆表面缺陷情况进行判定,自动判定缺陷类型为划痕类缺陷或区域性缺陷。
所述取像设备的标定方法为:对于切向畸变,使用公式:X′
=X(1+t1R2+t2R4+t3R6)与Y′=Y(1+t1R2+t2R4+t3R6)分别矫正横坐标与纵坐标数值;对于颈向畸变,使用X′=X+[2m1XY+m2(R2+2X2)]与Y′=Y+[2m2XY+m1(R2+2Y2)]对横纵坐标矫正,完成取像设备的标定;其中,X′与Y′分别为初始横、纵坐标,X与Y分别为矫正后的横、纵坐标,且R2=X2+Y2,t1、t2、t3、m1、m2为畸变5维向量。
所述电缆表面图像提取方法为:利用色彩空间转换将电缆图像由RGB转变成HSV,改变图像空间内各通道的最值得到色彩差异化的二值图片,使用逻辑非命令取反提取电缆表面图像。
所述电缆表面图像校正方法为:通过膨胀腐蚀后二值化获得电缆矩形轮廓顶点坐标,选取横坐标最小值为图像左边缘、最大值为图像右边缘,保持高度不变,通过透视变换公式 校正电缆为竖直姿态;其中,/>为图像坐标点,为变换矩阵,/>为透视变换后像素点坐标。
所述电缆图像缺陷边缘检测方法为:将电缆图像灰度值分为1~h级,值为j的灰度值的像素记为kj,电缆图像像素总数为:概率为:/>通过阈值e将所有像素点分为U=[1,e]与V=[e+1,h]两组,其中,U的概率为:/>V的概率为:U的平均值为:/>V的平均值为:总区间的灰度累计值为:w=wuu+wvv;类间方差为:s=uv(wu-wv)2;当s为最大值时,e为最佳选值,灰度>e时保留像素,灰度<e时删除像素。
所述缺陷轮廓提取方法为:将电缆图像二值化,得仅有0与1的黑白图像,按照由左至右、由上至下的顺序扫描值是1的像素点并进行标记,之后对每个像素点均做逆时针方向检索,得到其八连通区域内所有像素点值,并对其中为1的点进行标记,不断进行八连通区域搜索,直至搜寻到第1个标记的非0点,表明此区域是闭合区域,重复操作直到找到所有轮廓。
所述边界长度计算方法为:将像素点视为正方形,取其边长作单位长度1,使用Freeman8连通链码计算缺陷周长。
所述霍夫线变换判定及区域面积计算方法为:以表示直线,图像中的直线可视为参数空间内的点(ρ,θ),其中,ρ是电缆图像坐标系原点与直线的法线距离,θ是法线与x轴的正向夹角;把参数空间转变为阵列,每个格子均对应一个累加器,凡是曲线经过的格子,其所对应的累加器值加1;选择累加器阈值,当累加器格子中的值大于阈值时表明缺陷图像空间出现直线;将像素点所占面积定义为单位面积,缺陷区域的面积可以用像素点来表示,从而反应出缺陷区域的大小。
实施例
本发明具体使用场景是:电缆表面缺陷检测。
图1示出本发明实施例所提供的一种基于特征识别的电缆表面缺陷自动检测方法的步骤流程图,包括以下内容:
步骤1,获取电缆的RGB图像,对取像设备进行标定并进行电缆图像的平滑处理:
具体地,使用相机获取电缆RGB图像,通过不同角度的八行八列棋盘图,拍摄至少12张照片,提取每张图片中两条直线相交点位置信息,生成相机内参矩阵,得到的畸变参数为[0.831,0.663,0.152,0.148,6.015],进一步以重映射方程形式应用到图像中,完成相机标定过程。之后将RGB图像转换为灰度图像,在(2N+1)×(2N+1)的邻域算子内,使用中位数替换当前像素点,计算邻域算子极值即为噪声成分。对比图像像素点信息,当像素值为极值时,判定为噪声点,进行中值滤波处理;当像素值非极值时,则判定为非噪声点,保留像素不做处理,以达到图像平滑效果。
步骤2,图像竖直化处理,将RGB图像转换为HSV图像,对电缆表面图像进行提取及校正:
具体地,通过色彩空间变换将采集到的电缆RGB图像转为HSV色彩空间,阈值取作H1=0,H2=180,S1=0,S2=255,V1=0,V2=46,提取图像中黑色区域,之后利用逻辑非语句取反,得到电缆表面图像。进一步通过透视变换公式完成电缆图像竖直化处理。
步骤3,采用灰度直方图提高电缆表面图像的亮度与对比度:
具体地,顺次扫描初始电缆表面灰度图像的全部像素,得到灰度直方图,保留分位区间并扩大至0~255,进一步将电缆图像灰度数值调至125~225之间,提高图像亮度和对比度。
步骤4,电缆图像缺陷边缘检测并进行缺陷轮廓提取:
具体地,使用公式:w=wuu+wvv计算电缆表面图像的区间灰度累计值,用公式:s=uv(wu-wv)2计算类间方差,当s为最大值时,取得最佳阈值选值,当图像像素灰度高于最佳阈值时保留像素,低于最佳阈值时删除像素,完成对缺陷边缘的检测。将电缆图像二值化,得到仅有0与1的黑白图像,按照由左至右、由上至下的顺序扫描值是1的像素点并进行标记。之后对每一像素点均做逆时针方向检索,得到其八连通区域内的所有像素点值,对其中为1的点进行标记。不断进行八连通区域搜索,直至搜寻到第1个标记的非0点,表明此区域是闭合区域,重复操作直到找到所有轮廓。
步骤5,边界长度计算,并进行霍夫线变换判定及区域面积计算:
具体地,将像素点视为正方形,取其边长作单位长度1,使用Freeman 8连通链码计算缺陷周长,当缺陷边界含有直线时,使用霍夫线变换方法进行直线拟合,图像中的直线可视为参数空间内的点,进一步提取边缘像素点,并把参数空间转变为阵列,此时每个正方形格子均可看作一个累加器,凡是曲线经过的格子,所对应的累加器值就加1。将累加器的阈值选为7,当累加器格子中的值大于阈值时对应缺陷图像空间出现直线,此时判定缺陷为划痕类缺陷。通过用像素点数量表示缺陷区域面积,将数值落在(30,80)区间内的缺陷图像判定为区域性缺陷。
当然,以上只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (8)
1.一种基于特征识别的电缆表面缺陷自动检测方法,其特征在于,包括以下步骤:
S1、初始图像获取,使用取像设备获取电缆的RGB图像,对所述取像设备进行标定,并对所述电缆图像进行平滑处理;
S2、对所述平滑处理后的电缆图像进行竖直化处理,将所述RGB图像转换为HSV图像,对电缆表面图像进行提取及校正;
S3、采用灰度直方图的方法提高所述提取及校正后电缆表面图像的亮度与对比度;
S4、对所述提高亮度与对比度后的电缆图像进行缺陷边缘检测并进行缺陷轮廓提取;
S5、对所述缺陷边缘及缺陷轮廓进行边界长度计算并进行霍夫线变换判定及区域面积计算;结合计算结果,对电缆表面缺陷情况进行判定,自动判定缺陷类型为划痕类缺陷或区域性缺陷。
2.如权利要求1所述的一种基于特征识别的电缆表面缺陷自动检测方法,其特征在于,所述取像设备的标定方法为:
对于切向畸变,使用公式:X′=X(1+t1R2+t2R4+t3R6)与
Y′=Y(1+t1R2+t2R4+t3R6)分别矫正横坐标与纵坐标数值;
对于颈向畸变,使用X′=X+[2m1XY+m2(R2+2X2)]与Y′=Y+[2m2XY+m1(R2+2Y2)]对横纵坐标矫正,完成取像设备的标定;
其中,X′与Y′分别为初始横、纵坐标,X与Y分别为矫正后的横、纵坐标,且R2=X2+Y2,t1、t2、t3、m1、m2为畸变5维向量。
3.如权利要求1所述的一种基于特征识别的电缆表面缺陷自动检测方法,其特征在于,所述电缆表面图像提取方法为:利用色彩空间转换将电缆图像由RGB转变成HSV,改变图像空间内各通道的最值得到色彩差异化的二值图片,使用逻辑非命令取反提取电缆表面图像。
4.如权利要求1所述的一种基于特征识别的电缆表面缺陷自动检测方法,其特征在于,所述电缆表面图像校正方法为:
通过膨胀腐蚀后二值化获得电缆矩形轮廓顶点坐标,选取横坐标最小值为图像左边缘、最大值为图像右边缘,保持高度不变,通过透视变换公式校正电缆为竖直姿态;
其中,为图像坐标点,/>为变换矩阵,/>为透视变换后像素点坐标。
5.如权利要求1所述的一种基于特征识别的电缆表面缺陷自动检测方法,其特征在于,所述电缆图像缺陷边缘检测方法为:
将电缆图像灰度值分为1~h级,值为j的灰度值的像素记为kj,电缆图像像素总数为:概率为:/>通过阈值e将所有像素点分为U=[1,e]与V=[e+1,h]两组,其中,U的概率为:/>V的概率为:/>U的平均值为:/>V的平均值为:/>总区间的灰度累计值为:w=wuu+wvv;类间方差为:s=uv(wu-wv)2;当s为最大值时,e为最佳选值,灰度>e时保留像素,灰度<e时删除像素。
6.如权利要求1所述的一种基于特征识别的电缆表面缺陷自动检测方法,其特征在于,所述缺陷轮廓提取方法为:将电缆图像二值化,得仅有0与1的黑白图像,按照由左至右、由上至下的顺序扫描值是1的像素点并进行标记,之后对每个像素点均做逆时针方向检索,得到其八连通区域内所有像素点值,并对其中为1的点进行标记,不断进行八连通区域搜索,直至搜寻到第1个标记的非0点,表明此区域是闭合区域,重复操作直到找到所有轮廓。
7.如权利要求1所述的一种基于特征识别的电缆表面缺陷自动检测方法,其特征在于,所述边界长度计算方法为:将像素点视为正方形,取其边长作单位长度1,使用Freeman8连通链码计算缺陷周长。
8.如权利要求1所述的一种基于特征识别的电缆表面缺陷自动检测方法,其特征在于,所述霍夫线变换判定及区域面积计算方法为:
以表示直线,图像中的直线可视为参数空间内的点(ρ,θ),其中,ρ是电缆图像坐标系原点与直线的法线距离,θ是法线与x轴的正向夹角;
把参数空间转变为阵列,每个格子均对应一个累加器,凡是曲线经过的格子,其所对应的累加器值加1;选择累加器阈值,当累加器格子中的值大于阈值时表明缺陷图像空间出现直线;
将像素点所占面积定义为单位面积,缺陷区域的面积可以用像素点来表示,从而反应出缺陷区域的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310978804.8A CN117197534B (zh) | 2023-08-04 | 2023-08-04 | 一种基于特征识别的电缆表面缺陷自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310978804.8A CN117197534B (zh) | 2023-08-04 | 2023-08-04 | 一种基于特征识别的电缆表面缺陷自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197534A true CN117197534A (zh) | 2023-12-08 |
CN117197534B CN117197534B (zh) | 2024-04-05 |
Family
ID=88987730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310978804.8A Active CN117197534B (zh) | 2023-08-04 | 2023-08-04 | 一种基于特征识别的电缆表面缺陷自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197534B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902945A (zh) * | 2012-09-28 | 2013-01-30 | 南京汇兴博业数字设备有限公司 | 基于快速响应矩阵码外轮廓的畸变校正方法 |
CN103914827A (zh) * | 2013-09-06 | 2014-07-09 | 贵州大学 | 汽车密封条轮廓缺陷的视觉检测方法 |
CN104820986A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种基于机器视觉的线缆在线检测方法 |
CN104851069A (zh) * | 2015-04-28 | 2015-08-19 | 电子科技大学 | 一种线缆表观图像缺陷检测装置 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN109596634A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 电缆缺陷的检测方法及装置、存储介质、处理器 |
CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
AU2020103078A4 (en) * | 2020-10-28 | 2020-12-24 | Sichuan University | High-sensitivity diagnostic method for local defects of power cable |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN113567451A (zh) * | 2021-07-23 | 2021-10-29 | 江苏电力信息技术有限公司 | 一种电缆线缺陷检测以及直径测量方法 |
CN114022439A (zh) * | 2021-11-01 | 2022-02-08 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
WO2022065621A1 (ko) * | 2020-09-28 | 2022-03-31 | (주)미래융합정보기술 | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 |
CN114677340A (zh) * | 2022-03-14 | 2022-06-28 | 上海第二工业大学 | 一种基于图像边缘的混凝土表面粗糙度的检测方法 |
CN115330768A (zh) * | 2022-10-12 | 2022-11-11 | 江苏跃格智能装备有限公司 | 一种太阳能电池板质量分级方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN115760792A (zh) * | 2022-11-22 | 2023-03-07 | 中国电力科学研究院有限公司 | 高压电缆附件安装关键环节的质量缺陷检验方法及装置 |
-
2023
- 2023-08-04 CN CN202310978804.8A patent/CN117197534B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902945A (zh) * | 2012-09-28 | 2013-01-30 | 南京汇兴博业数字设备有限公司 | 基于快速响应矩阵码外轮廓的畸变校正方法 |
CN103914827A (zh) * | 2013-09-06 | 2014-07-09 | 贵州大学 | 汽车密封条轮廓缺陷的视觉检测方法 |
CN104820986A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种基于机器视觉的线缆在线检测方法 |
CN104851069A (zh) * | 2015-04-28 | 2015-08-19 | 电子科技大学 | 一种线缆表观图像缺陷检测装置 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN109596634A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 电缆缺陷的检测方法及装置、存储介质、处理器 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
WO2022065621A1 (ko) * | 2020-09-28 | 2022-03-31 | (주)미래융합정보기술 | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 |
AU2020103078A4 (en) * | 2020-10-28 | 2020-12-24 | Sichuan University | High-sensitivity diagnostic method for local defects of power cable |
CN113567451A (zh) * | 2021-07-23 | 2021-10-29 | 江苏电力信息技术有限公司 | 一种电缆线缺陷检测以及直径测量方法 |
CN114022439A (zh) * | 2021-11-01 | 2022-02-08 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
CN114677340A (zh) * | 2022-03-14 | 2022-06-28 | 上海第二工业大学 | 一种基于图像边缘的混凝土表面粗糙度的检测方法 |
CN115330768A (zh) * | 2022-10-12 | 2022-11-11 | 江苏跃格智能装备有限公司 | 一种太阳能电池板质量分级方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN115760792A (zh) * | 2022-11-22 | 2023-03-07 | 中国电力科学研究院有限公司 | 高压电缆附件安装关键环节的质量缺陷检验方法及装置 |
Non-Patent Citations (2)
Title |
---|
罗玮;张荣福;郁浩;邬奇;: "基于图像处理的钢坯缺陷检测研究", 软件导刊, vol. 15, no. 08, 31 August 2016 (2016-08-31) * |
谭亚雄;刘伟;张海洋;: "基于图像的缸体零件表面缺陷检测方法", 传感器与微系统, no. 04, 20 April 2016 (2016-04-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117197534B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN111353993B (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN111652844B (zh) | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN112464949A (zh) | 一种消除液位线对仪表指针识别影响的方法 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN116703903B (zh) | 一种基于机器视觉的锚杆修复质量检测方法 | |
CN117197534B (zh) | 一种基于特征识别的电缆表面缺陷自动检测方法 | |
CN111815542A (zh) | 一种树木年轮图像髓心定位、年轮测量方法 |
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 |