CN117218097A - 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 - Google Patents
一种轴套类丝网垫圈零件表面缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN117218097A CN117218097A CN202311234126.0A CN202311234126A CN117218097A CN 117218097 A CN117218097 A CN 117218097A CN 202311234126 A CN202311234126 A CN 202311234126A CN 117218097 A CN117218097 A CN 117218097A
- Authority
- CN
- China
- Prior art keywords
- image information
- shaft sleeve
- sleeve type
- image
- wire mesh
- 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 169
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 claims abstract description 95
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 52
- 238000001914 filtration Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012856 packing Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 229910001369 Brass Inorganic materials 0.000 description 1
- 229910000906 Bronze Inorganic materials 0.000 description 1
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010951 brass Substances 0.000 description 1
- 239000010974 bronze Substances 0.000 description 1
- -1 burrs Substances 0.000 description 1
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition 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
Abstract
本发明提供了一种轴套类丝网垫圈零件表面缺陷检测方法及装置，涉及轴套类丝网垫圈零件表面缺陷检测技术领域，包括获取待检测轴套类丝网垫圈的图像信息集合；对所述图像信息集合进行预处理，并对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征；利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型；根据所述轴套类丝网垫圈零件缺陷检测模型对待检测轴套类丝网垫圈的所述图像信息集合进行识别，识别得到待检测轴套类丝网垫圈零件的表面缺陷。本发明不仅降低了人力成本，还提高了对零件缺陷的检测效率，降低了对零件缺陷的误检率和漏检率，进而提高了对零件缺陷的检测准确度。
Description
技术领域
本发明涉及轴套类丝网垫圈零件表面缺陷检测技术领域，具体而言，涉及一种轴套类丝网垫圈零件表面缺陷检测方法及装置。
背景技术
随着新一代信息技术与制造业的深入融合，引发制造业产生巨大变革，逐步从数量扩增向质量提升转变。通过提升产品质量来生产高附加值、高利润的产品，可以实现产品竞争力的跃升。工业零件表面缺陷不仅破坏产品的美感和舒适度，还可能对产品的性能造成严重损害。
轴套类丝网垫圈零件主要起支撑、导向和定位等作用，在各类机器和仪器中应用极为广泛，一般选用钢、铸铁、青铜或黄铜等材料进行制造。在丝网垫圈零件的生产、搬运、装配等过程中，丝网垫圈零件的表面、端面等处可能会产生各种磨痕而造成的不平整、凹坑以及偏压等缺陷。这些缺陷将对零件的使用性能产生不良影响，并影响整个机器的回转精度、振动、噪声、密封及使用寿命。现有技术中一般采用传统的人工抽检来进行产品表面缺陷检测，但是通过人为检测容易由于主观因素，导致检测出现差错，并且容易漏检，会导致工业零件质量的判断错误，严重的会导致安全事故的发生，且现有的检测方法准确度低，模型训练和识别速度相对来讲也较低，因此无法满足现代企业提升产品质量的要求。
发明内容
本发明的目的在于提供一种轴套类丝网垫圈零件表面缺陷检测方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种轴套类丝网垫圈零件表面缺陷检测方法，包括：
获取待检测轴套类丝网垫圈的图像信息集合，所述图像信息集合包括采集待检测轴套类丝网垫圈的内表面的第一图像信息和外表面的第二图像信息，所述第一图像信息和第二图像信息均包括损伤信息；
对所述图像信息集合进行预处理，并对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征；
利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型；
根据所述轴套类丝网垫圈零件缺陷检测模型对待检测轴套类丝网垫圈的所述图像信息集合进行识别，识别得到待检测轴套类丝网垫圈零件的表面缺陷。
优选地，所述对所述图像信息集合进行预处理，其中包括：
利用高斯滤波算法对所述图像信息集合进行高斯噪声处理，得到第一处理图像信息，计算公式如下：
式中，Ni表示图像信息集合，I表示去噪因子，H表示高斯滤波器，σ表示滤波处理平均方差，Mi表示第一处理图像信息，T表示时间；
对所述第一处理图像信息进行归一化处理，得到第二处理图像信息；
利用多项式曲面拟合法对所述第二处理图像信息进行背景重构，得到第三处理图像信息，将所述第三处理图像信息记作预处理后的图像信息集合。
优选地，所述第三处理单元，其中利用多项式曲面拟合法对目标图像信息进行背景重构具体的过程为：
I(x,y)＝a00+a10x+a01y+a20x2+a02y2+a30x3+a03y3+b
上式中，I(x,y)是用于重构背景的像素数据，x,y是用于重构背景图像的像素的坐标值，b为误差项，a00、a10……a03分别为多项式对应的系数；并对所述第三处理图像信息进行特征提取，得到特征提取图像，记作预处理后的图像信息集合。
优选地，所述对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征，其中包括：
对预处理后的的图像信息集合进行数据增强处理，得到增强图像信息，其中数据增强处理过程包括人工生成缺陷图像、仿射变换和颜色抖动；
对所述增强图像信息进行中值滤波处理，得到清除所述增强图像信息中失真部位的三维灰度图像信息；
选取至少两个纹理特征对所述三维灰度图像信息进行计算，得到特征图像信息，其中纹理特征包括粗糙度、对比度和方向度；
利用PCA对所述特征图像信息进行降维，得到零件图像缺陷特征。
优选地，所述利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型，其中包括：
根据所述零件图像缺陷特征和图像特征的跟踪定位得到轴套类丝网垫圈零件图像的多尺度分解函数；
采用特征权重分析方法，得到所述轴套类丝网垫圈零件图像的融合滤波相关系数；
基于所述尺度分解函数和所述融合滤波相关系数，采用图像超分辨率特征重构算法对所述轴套类丝网垫圈零件图像进行动态检测，得到轴套类丝网垫圈零件的多边轮廓特征检测频率；
根据所述多边轮廓特征检测频率，得到纹理分量，进而通过所述纹理分量得到所述轴套类丝网垫圈零件缺陷检测模型。
第二方面，本申请还提供了一种轴套类丝网垫圈零件表面缺陷检测装置，包括获取模块、预处理模块、构建模块和识别模块，其中：
获取模块：用于获取待检测轴套类丝网垫圈的图像信息集合，所述图像信息集合包括采集待检测轴套类丝网垫圈的内表面的第一图像信息和外表面的第二图像信息，所述第一图像信息和第二图像信息均包括损伤信息；
预处理模块：用于对所述图像信息集合进行预处理，并对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征；
构建模块：用于利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型；
识别模块：用于根据所述轴套类丝网垫圈零件缺陷检测模型对待检测轴套类丝网垫圈的所述图像信息集合进行识别，识别得到待检测轴套类丝网垫圈零件的表面缺陷。
第三方面，本申请还提供了一种轴套类丝网垫圈零件表面缺陷检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述轴套类丝网垫圈零件表面缺陷检测方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质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基于轴套类丝网垫圈零件表面缺陷检测方法的步骤。
本发明的有益效果为：
本发明采用高斯滤波算法以及归一化处理，可以排除工业环境下图像遭受到的各种因素的干扰，为了避免了图像噪声和阴影对后续潜在缺陷区域提取和缺陷检测的影响，需要对采集到的零件的表面图像进行高斯滤波去噪以及图像的预处理；通过数据增强解决缺陷图像数据库缺乏的问题，人工生成缺陷图像是指模仿有缺陷的部分，将正常图像转换为有缺陷的图像；仿射变换指的是向量空间经过线性变换，再进行平移以将其转换为另一个向量空间。数据增强用于增加缺陷样本的数量并提高网络的鲁棒性；通过PCA进行特征降维，不同于传统的纹理检测方法中的单一提取直方图，而是根据缺陷类别合理选择特征参数，针对不同的研究对象的表面缺陷选择不同参数，能够有效的提高检测结果的准确性；本发明保障了所采集图像的真实性和可靠性，根据采集图像进行相应的分析结果，实现了产品检测的自主性和智能性，提高了检测精度和检测效率，促进了产品质量监测技术的进一步发展，通过构建轴套类丝网垫圈零件缺陷检测模型获取具体的参数，对多种类、个性化的产品进行数据识别匹配，进而提高生产效率。本发明整个检测过程无需人工参与，不仅降低了人力成本，还提高了对轴套类丝网垫圈零件缺陷的检测效率。并且，采用图像超分辨率特征重构算法和缺陷检测模型共同检测零件存在的缺陷，降低了对轴套类丝网垫圈零件缺陷的误检率和漏检率，进而提高了对轴套类丝网垫圈零件缺陷的检测准确度。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的轴套类丝网垫圈零件表面缺陷检测方法流程示意图；
图2为本发明实施例中所述的轴套类丝网垫圈零件表面缺陷检测装置结构示意图；
图3为本发明实施例中所述的轴套类丝网垫圈零件表面缺陷检测设备结构示意图。
图中：701、获取模块；702、预处理模块；7021、第一处理单元；7022、第二处理单元；7023、第三处理单元；7024、第四处理单元；7025、第五处理单元；7026、计算单元；7027、降维单元；703、构建模块；7031、第一获得单元；7032、第二获得单元；7033、检测单元；7034、第三获得单元；704、识别模块；7041、拆分单元；7042、第四获得单元；7043、识别单元；800、轴套类丝网垫圈零件表面缺陷检测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种轴套类丝网垫圈零件表面缺陷检测方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、获取待检测轴套类丝网垫圈的图像信息集合，所述图像信息集合包括采集待检测轴套类丝网垫圈的内表面的第一图像信息和外表面的第二图像信息，所述第一图像信息和第二图像信息均包括损伤信息。
可以理解的是，在本步骤中，相机接收到触发信号之后开始采集图像。工业相机成像原理：工业镜头把被测物反射的光线折射到感光传感器产生模拟电流信号，由于计算机不能直接识别模拟信号，所以该信号会经A/D模块转换成数字信号并传递给图像处理器，最后通过通信接口传入计算机。基于无损检测的原则运用内窥镜头，将内壁展开类似平面图像，进行杂质、毛刺、砂眼等缺陷识别。可采用轴套类丝网垫圈零件设置在中间，在侧面分别架设4个相机进行侧面拍摄，具体地，视觉模组中，4个相机环抱式安装，拍摄时每个相机拍摄轴承侧面1/4的面积，每个相机在轴承运动过程中同时从A(某一个固定)点开始拍摄，到B点结束，期间相机在接到触发信号后“持续”拍照，根据需要拍摄的图片量设置相机帧率。由于相机是采用帧触发的方式进行图像采集，帧率含义就是每秒采集的图片张数。计算公式如下，其中X是图片量，d为轴承直径，fov为视野大小，则帧率为X/s：
S200、对所述图像信息集合进行预处理，并对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征。
可以理解的是，在本S200步骤中包括S201、S202和S203，其中：
S201、利用高斯滤波算法对所述图像信息集合进行高斯噪声处理，得到第一处理图像信息，计算公式如下：
式中，Ni表示图像信息集合，I表示去噪因子，H表示高斯滤波器，σ表示滤波处理平均方差，Mi表示第一处理图像信息，T表示时间；
S202、对所述第一处理图像信息进行归一化处理，得到第二处理图像信息；
需要说明的是，采用高斯滤波算法以及归一化处理，可以排除工业环境下图像遭受到的各种因素的干扰，为了避免了图像噪声和阴影对后续潜在缺陷区域提取和缺陷检测的影响，需要对采集到的零件的表面图像进行高斯滤波去噪以及图像的预处理。
S203、利用多项式曲面拟合法对所述第二处理图像信息进行背景重构，得到第三处理图像信息，将所述第三处理图像信息记作预处理后的图像信息集合。
需要说明的是，利用多项式曲面拟合法对目标图像信息进行背景重构具体的过程为：
I(x,y)＝a00+a10x+a01y+a20x2+a02y2+a30x3+a03y3+b
上式中，I(x,y)是用于重构背景的像素数据，x,y是用于重构背景图像的像素的坐标值，b为误差项，a00、a10……a03分别为多项式对应的系数。并对所述第三处理图像信息进行特征提取，得到特征提取图像，记作预处理后的图像信息集合。
需要说明的是，在本步骤中通过对第三处理图像信息进行图像分割，可以有效地提取到零件表面缺陷的轮廓特征，以实现零件表面缺陷的自动检测，本发明对图像的分割算法不做限定。
可以理解的是，在本S200步骤中还包括S204、S205、S206和S207，其中：
S204、对预处理后的的图像信息集合进行数据增强处理，得到增强图像信息，其中数据增强处理过程包括人工生成缺陷图像、仿射变换和颜色抖动；
需要说明的是，通过数据增强解决缺陷图像数据库缺乏的问题，人工生成缺陷图像是指模仿有缺陷的部分，将正常图像转换为有缺陷的图像；仿射变换指的是向量空间经过线性变换，再进行平移以将其转换为另一个向量空间。数据增强用于增加缺陷样本的数量并提高网络的鲁棒性。
S205、对所述增强图像信息进行中值滤波处理，得到清除所述增强图像信息中失真部位的三维灰度图像信息；
可以理解的是，采用中值滤波处理可以降低噪声的减少。
S206、选取至少两个纹理特征对所述三维灰度图像信息进行计算，得到特征图像信息，其中纹理特征包括粗糙度、对比度和方向度；
S207、利用PCA对所述特征图像信息进行降维，得到零件图像缺陷特征。
可以理解的是，通过PCA进行特征降维，不同于传统的纹理检测方法中的单一提取直方图，而是根据缺陷类别合理选择特征参数，针对不同的研究对象的表面缺陷选择不同参数，能够有效的提高检测结果的准确性。
S300、利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型。
可以理解的是，在本S300步骤中包括S301、S302、S303和S304，其中：
S301、根据所述零件图像缺陷特征和图像特征的跟踪定位得到轴套类丝网垫圈零件图像的多尺度分解函数；
S302、采用特征权重分析方法，得到所述轴套类丝网垫圈零件图像的融合滤波相关系数；
S303、基于所述尺度分解函数和所述融合滤波相关系数，采用图像超分辨率特征重构算法对所述轴套类丝网垫圈零件图像进行动态检测，得到轴套类丝网垫圈零件的多边轮廓特征检测频率；
可以理解的是，计算公式如下：
式中，σ1为像素特征重构频率。
S304、根据所述多边轮廓特征检测频率，得到纹理分量，进而通过所述纹理分量得到所述轴套类丝网垫圈零件缺陷检测模型。
可以理解的是，此方法保障了所采集图像的真实性和可靠性，根据采集图像进行相应的分析结果，实现了产品检测的自主性和智能性，提高了检测精度和检测效率，促进了产品质量监测技术的进一步发展，通过构建轴套类丝网垫圈零件缺陷检测模型获取具体的参数，对多种类、个性化的产品进行数据识别匹配，进而提高生产效率。
S400、根据所述轴套类丝网垫圈零件缺陷检测模型对待检测轴套类丝网垫圈的所述图像信息集合进行识别，识别得到待检测轴套类丝网垫圈零件的表面缺陷。
可以理解的是，在本S400步骤中包括S401、S402和S403，其中：
S401、拆分单元：用于基于所述轴套类丝网垫圈零件缺陷检测模型，将所述待检测轴套类丝网垫圈的所述图像信息集合分为训练集和测试集，其中所述训练集为轴套类丝网垫圈零件缺陷区域特征向量，所述测试集为轴套类丝网垫圈零件损伤区域特征向量；
S402、第四获得单元：用于将所述训练集和所述测试集输入至所述轴套类丝网垫圈零件缺陷检测模型中，得到第一识别结果；
S403、识别单元：用于利用C4.5决策树和所述第一识别结果，训练分类模型，识别得到待检测轴套类丝网垫圈零件的表面缺陷。
需要理解的是，基于决策树的真实缺陷检测，提高了轴套类丝网垫圈零件缺陷检测的真实性和可靠性。虽然曲线本身没有类内有规则的纹理信息，但是通常凹陷、不平整以及偏压等缺陷会存在不规则的区域内灰度变化，所以可以通过决策树来描述灰度分类，描述类间之间的差异，暴露损伤和缺陷的不同，提高缺陷检测的准确性。
具体地，在本实施例中，选取丝网垫圈为例，其中丝网垫圈是用于车辆油箱接口的一个零配件，起到固定、防止渗漏以及减震的作用，与轴套适配进行使用，但是由于丝网垫圈的材质主要是金属，表面比较光洁。但是在光源的照射下，无缺陷的被测物表面图像会呈现的灰度、颜色、纹理比较均匀且无突变，而具有缺陷的表面则存在突变，这便可以作为缺陷判别的依据。一般地，由于凹陷、不平整以及偏压等缺陷在不同的光源、照明方式、图像采集方式下会呈现不同的图像特征，故首先需要获取待检测轴套类丝网垫圈的图像信息集合，轴套类零件，可由此建立缺陷样本库，即图像信息集合；接着为了排除工业环境下图像遭受到的各种因素的干扰以及避免了图像噪声和阴影对后续潜在缺陷区域提取和缺陷检测的影响，需要对采集到的零件的表面图像进行高斯滤波去噪以及图像的预处理，会得到相对清晰的纹理特征图像特征；然后可根据相对清晰的纹理特征图像特征构建缺陷检测模型，进而可以利用构建好的缺陷检测模型对每一个待识别的丝网垫圈的图像数据进行缺陷识别，识别后方可检测出丝网垫圈的缺陷所在，其中可以丝网垫圈的表面、端面等处是否存在各种凹陷、不平整以及偏压等缺陷，包括针对不同的研究对象的表面缺陷选择不同参数，能够有效的提高检测丝网垫圈表面缺陷的准确性、检测精度以及检测效率，大大缩短了处理时间，实现了在线检测，更好的与轴套相适配，防止车辆油箱渗透。
实施例2：
如图2所示，本实施例提供了一种轴套类丝网垫圈零件表面缺陷检测装置，参见图2所述装置包括获取模块701、预处理模块702、构建模块703和识别模块704，其中：
获取模块701：用于获取待检测轴套类丝网垫圈的图像信息集合，所述图像信息集合包括采集待检测轴套类丝网垫圈的内表面的第一图像信息和外表面的第二图像信息，所述第一图像信息和第二图像信息均包括损伤信息；
预处理模块702：用于对所述图像信息集合进行预处理，并对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征；
构建模块703：用于利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型；
识别模块704：用于根据所述轴套类丝网垫圈零件缺陷检测模型对待检测轴套类丝网垫圈的所述图像信息集合进行识别，识别得到待检测轴套类丝网垫圈零件的表面缺陷。
具体地，所述预处理模块702，包括第一处理单元7021、第二处理单元7022和第三处理单元7023，其中：
第一处理单元7021：用于利用高斯滤波算法对所述图像信息集合进行高斯噪声处理，得到第一处理图像信息，计算公式如下：
式中，Ni表示图像信息集合，I表示去噪因子，H表示高斯滤波器，σ表示滤波处理平均方差，Mi表示第一处理图像信息，T表示时间；
第二处理单元7022：用于对所述第一处理图像信息进行归一化处理，得到第二处理图像信息；
第三处理单元7023：用于利用多项式曲面拟合法对所述第二处理图像信息进行背景重构，得到第三处理图像信息，将所述第三处理图像信息记作预处理后的图像信息集合。
具体地，所述预处理模块702，包括第四处理单元7024、第五处理单元7025、计算单元7026和降维单元7027，其中：
第四处理单元7024：用于对预处理后的的图像信息集合进行数据增强处理，得到增强图像信息，其中数据增强处理过程包括人工生成缺陷图像、仿射变换和颜色抖动；
第五处理单元7025：用于对所述增强图像信息进行中值滤波处理，得到清除所述增强图像信息中失真部位的三维灰度图像信息；
计算单元7026：用于选取至少两个纹理特征对所述三维灰度图像信息进行计算，得到特征图像信息，其中纹理特征包括粗糙度、对比度和方向度；
降维单元7027：用于利用PCA对所述特征图像信息进行降维，得到零件图像缺陷特征。
具体地，所述构建模块703，包括第一获得单元7031、第二获得单元7032、检测单元7033和第三获得单元7034，其中：
第一获得单元7031：用于根据所述零件图像缺陷特征和图像特征的跟踪定位得到轴套类丝网垫圈零件图像的多尺度分解函数；
第二获得单元7032：用于采用特征权重分析方法，得到所述轴套类丝网垫圈零件图像的融合滤波相关系数；
检测单元7033：用于基于所述尺度分解函数和所述融合滤波相关系数，采用图像超分辨率特征重构算法对所述轴套类丝网垫圈零件图像进行动态检测，得到轴套类丝网垫圈零件的多边轮廓特征检测频率；
第三获得单元7034：用于根据所述多边轮廓特征检测频率，得到纹理分量，进而通过所述纹理分量得到所述轴套类丝网垫圈零件缺陷检测模型。
具体地，所述识别模块704，包括拆分单元7041、第四获得单元7042和识别单元7043，其中：
拆分单元7041：用于基于所述轴套类丝网垫圈零件缺陷检测模型，将所述待检测轴套类丝网垫圈的所述图像信息集合分为训练集和测试集，其中所述训练集为轴套类丝网垫圈零件缺陷区域特征向量，所述测试集为轴套类丝网垫圈零件损伤区域特征向量；
第四获得单元7042：用于将所述训练集和所述测试集输入至所述轴套类丝网垫圈零件缺陷检测模型中，得到第一识别结果；
识别单元7043：用于利用C4.5决策树和所述第一识别结果，训练分类模型，识别得到待检测轴套类丝网垫圈零件的表面缺陷。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
对应于上面的方法实施例，本实施例中还提供了一种轴套类丝网垫圈零件表面缺陷检测设备，下文描述的一种轴套类丝网垫圈零件表面缺陷检测设备与上文描述的一种轴套类丝网垫圈零件表面缺陷检测方法可相互对应参照。
图3是根据示例性实施例示出的一种轴套类丝网垫圈零件表面缺陷检测设备800的框图。如图3所示，该轴套类丝网垫圈零件表面缺陷检测设备800包括：处理器801和存储器802。该轴套类丝网垫圈零件表面缺陷检测设备800还包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该轴套类丝网垫圈零件表面缺陷检测设备800的整体操作，以完成上述的轴套类丝网垫圈零件表面缺陷检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该轴套类丝网垫圈零件表面缺陷检测设备800的操作，这些数据例如可以包括用于在该轴套类丝网垫圈零件表面缺陷检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘、鼠标或按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该轴套类丝网垫圈零件表面缺陷检测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi、蓝牙、近场通信(Near FieldCommunication，简称NFC)、2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块、蓝牙模块或NFC模块。
在一示例性实施例中，轴套类丝网垫圈零件表面缺陷检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的轴套类丝网垫圈零件表面缺陷检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的轴套类丝网垫圈零件表面缺陷检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由轴套类丝网垫圈零件表面缺陷检测设备800的处理器801执行以完成上述的轴套类丝网垫圈零件表面缺陷检测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种轴套类丝网垫圈零件表面缺陷检测方法可相互对应参照。
可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的轴套类丝网垫圈零件表面缺陷检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
综上所述，本发明排除工业环境下图像遭受到的各种因素的干扰，为了避免了图像噪声和阴影对后续潜在缺陷区域提取和缺陷检测的影响，需要对采集到的零件的表面图像进行高斯滤波去噪以及图像的预处理；通过数据增强解决缺陷图像数据库缺乏的问题，将正常图像转换为有缺陷的图像；增加缺陷样本的数量并提高网络的鲁棒性；根据缺陷类别合理选择特征参数，针对不同的研究对象的表面缺陷选择不同参数，能够有效的提高检测结果的准确性；本发明保障了所采集图像的真实性和可靠性，根据采集图像进行相应的分析结果，实现了产品检测的自主性和智能性，提高了检测精度和检测效率，促进了产品质量监测技术的进一步发展，对多种类、个性化的产品进行数据识别匹配，进而提高生产效率。本发明不仅降低了人力成本，还提高了对轴套类丝网垫圈零件缺陷的检测效率。降低了对轴套类丝网垫圈零件缺陷的误检率和漏检率，进而提高了对轴套类丝网垫圈零件缺陷的检测准确度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种轴套类丝网垫圈零件表面缺陷检测方法，其特征在于，包括：
获取待检测轴套类丝网垫圈的图像信息集合，所述图像信息集合包括采集待检测轴套类丝网垫圈的内表面的第一图像信息和外表面的第二图像信息，所述第一图像信息和第二图像信息均包括损伤信息；
对所述图像信息集合进行预处理，并对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征；
利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型；
根据所述轴套类丝网垫圈零件缺陷检测模型对待检测轴套类丝网垫圈的所述图像信息集合进行识别，识别得到待检测轴套类丝网垫圈零件的表面缺陷。
2.根据权利要求1所述的轴套类丝网垫圈零件表面缺陷检测方法，其特征在于，所述对所述图像信息集合进行预处理，其中包括：
利用高斯滤波算法对所述图像信息集合进行高斯噪声处理，得到第一处理图像信息，计算公式如下：
式中，Ni表示图像信息集合，I表示去噪因子，H表示高斯滤波器，σ表示滤波处理平均方差，Mi表示第一处理图像信息，T表示时间；
对所述第一处理图像信息进行归一化处理，得到第二处理图像信息；
利用多项式曲面拟合法对所述第二处理图像信息进行背景重构，得到第三处理图像信息，将所述第三处理图像信息记作预处理后的图像信息集合。
3.根据权利要求2所述的轴套类丝网垫圈零件表面缺陷检测方法，其特征在于，所述利用多项式曲面拟合法对所述第二处理图像信息进行背景重构，得到第三处理图像信息，将所述第三处理图像信息记作预处理后的图像信息集合，其中的利用多项式曲面拟合法对目标图像信息进行背景重构具体的过程为：
I(x,y)＝a00+a10x+a01y+a20x2+a02y2+a30x3+a03y3+b
上式中，I(x,y)是用于重构背景的像素数据，x,y是用于重构背景图像的像素的坐标值，b为误差项，a00、a10……a03分别为多项式对应的系数；
对所述第三处理图像信息进行特征提取，得到特征提取图像，记作预处理后的图像信息集合。
4.根据权利要求1所述的轴套类丝网垫圈零件表面缺陷检测方法，其特征在于，所述对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征，其中包括：
对预处理后的的图像信息集合进行数据增强处理，得到增强图像信息，其中数据增强处理过程包括人工生成缺陷图像、仿射变换和颜色抖动；
对所述增强图像信息进行中值滤波处理，得到清除所述增强图像信息中失真部位的三维灰度图像信息；
选取至少两个纹理特征对所述三维灰度图像信息进行计算，得到特征图像信息，其中纹理特征包括粗糙度、对比度和方向度；
利用PCA对所述特征图像信息进行降维，得到零件图像缺陷特征。
5.根据权利要求1所述的轴套类丝网垫圈零件表面缺陷检测方法，其特征在于，所述利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型，其中包括：
根据所述零件图像缺陷特征和图像特征的跟踪定位得到轴套类丝网垫圈零件图像的多尺度分解函数；
采用特征权重分析方法，得到所述轴套类丝网垫圈零件图像的融合滤波相关系数；
基于所述尺度分解函数和所述融合滤波相关系数，采用图像超分辨率特征重构算法对所述轴套类丝网垫圈零件图像进行动态检测，得到轴套类丝网垫圈零件的多边轮廓特征检测频率；
根据所述多边轮廓特征检测频率，得到纹理分量，进而通过所述纹理分量得到所述轴套类丝网垫圈零件缺陷检测模型。
6.一种轴套类丝网垫圈零件表面缺陷检测装置，其特征在于，包括：
获取模块：用于获取待检测轴套类丝网垫圈的图像信息集合，所述图像信息集合包括采集待检测轴套类丝网垫圈的内表面的第一图像信息和外表面的第二图像信息，所述第一图像信息和第二图像信息均包括损伤信息；
预处理模块：用于对所述图像信息集合进行预处理，并对预处理后的图像信息集合进行纹理特征提取，得到零件图像缺陷特征；
构建模块：用于利用所述零件图像缺陷特征，构建轴套类丝网垫圈零件缺陷检测模型；
识别模块：用于根据所述轴套类丝网垫圈零件缺陷检测模型对待检测轴套类丝网垫圈的所述图像信息集合进行识别，识别得到待检测轴套类丝网垫圈零件的表面缺陷。
7.根据权利要求6所述的轴套类丝网垫圈零件表面缺陷检测装置，其特征在于，所述预处理模块，其中包括：
第一处理单元：用于利用高斯滤波算法对所述图像信息集合进行高斯噪声处理，得到第一处理图像信息，计算公式如下：
式中，Ni表示图像信息集合，I表示去噪因子，H表示高斯滤波器，σ表示滤波处理平均方差，Mi表示第一处理图像信息，T表示时间；
第二处理单元：用于对所述第一处理图像信息进行归一化处理，得到第二处理图像信息；
第三处理单元：用于利用多项式曲面拟合法对所述第二处理图像信息进行背景重构，得到第三处理图像信息，将所述第三处理图像信息记作预处理后的图像信息集合。
8.根据权利要求7所述的轴套类丝网垫圈零件表面缺陷检测装置，其特征在于，所述第三处理单元，其中利用多项式曲面拟合法对目标图像信息进行背景重构具体的过程为：
I(x,y)＝a00+a10x+a01y+a20x2+a02y2+a30x3+a03y3+b
上式中，I(x,y)是用于重构背景的像素数据，x,y是用于重构背景图像的像素的坐标值，b为误差项，a00、a10……a03分别为多项式对应的系数；并对所述第三处理图像信息进行特征提取，得到特征提取图像，记作预处理后的图像信息集合。
9.根据权利要求6所述的轴套类丝网垫圈零件表面缺陷检测装置，其特征在于，所述预处理模块，其中包括：
第四处理单元：用于对预处理后的的图像信息集合进行数据增强处理，得到增强图像信息，其中数据增强处理过程包括人工生成缺陷图像、仿射变换和颜色抖动；
第五处理单元：用于对所述增强图像信息进行中值滤波处理，得到清除所述增强图像信息中失真部位的三维灰度图像信息；
计算单元：用于选取至少两个纹理特征对所述三维灰度图像信息进行计算，得到特征图像信息，其中纹理特征包括粗糙度、对比度和方向度；
降维单元：用于利用PCA对所述特征图像信息进行降维，得到零件图像缺陷特征。
10.根据权利要求6所述的轴套类丝网垫圈零件表面缺陷检测装置，其特征在于，所述构建模块，其中包括：
第一获得单元：用于根据所述零件图像缺陷特征和图像特征的跟踪定位得到轴套类丝网垫圈零件图像的多尺度分解函数；
第二获得单元：用于采用特征权重分析方法，得到所述轴套类丝网垫圈零件图像的融合滤波相关系数；
检测单元：用于基于所述尺度分解函数和所述融合滤波相关系数，采用图像超分辨率特征重构算法对所述轴套类丝网垫圈零件图像进行动态检测，得到轴套类丝网垫圈零件的多边轮廓特征检测频率；
第三获得单元：用于根据所述多边轮廓特征检测频率，得到纹理分量，进而通过所述纹理分量得到所述轴套类丝网垫圈零件缺陷检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234126.0A CN117218097B (zh) | 2023-09-23 | 2023-09-23 | 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234126.0A CN117218097B (zh) | 2023-09-23 | 2023-09-23 | 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117218097A true CN117218097A (zh) | 2023-12-12 |
| CN117218097B CN117218097B (zh) | 2024-04-12 |
Family
ID=89050796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311234126.0A Active CN117218097B (zh) | 2023-09-23 | 2023-09-23 | 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218097B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2426069C1 (ru) * | 2010-04-01 | 2011-08-10 | Государственное образовательное учреждение высшего профессионального образования "Сибирский государственный индустриальный университет" | Способ неразрушающего контроля качества поверхности рельсов |
| CN109166111A (zh) * | 2018-08-15 | 2019-01-08 | 苏州富鑫林光电科技有限公司 | 一种电子墨水屏缺陷检测方法及系统 |
| CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
| CN110969620A (zh) * | 2019-12-19 | 2020-04-07 | 中国农业大学 | 一种磁瓦波纹类缺陷的检测方法及装置 |
| CN111105399A (zh) * | 2019-12-19 | 2020-05-05 | 苏州经贸职业技术学院 | 开关表面缺陷检测方法及系统 |
| CN111754454A (zh) * | 2020-05-13 | 2020-10-09 | 扬州哈工科创机器人研究院有限公司 | 一种应用于工业ct图像缺陷检测的方法及装置 |
| CN111968098A (zh) * | 2020-08-24 | 2020-11-20 | 广东工业大学 | 一种带钢表面缺陷检测方法、装置和设备 |
| WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
| US20220198228A1 (en) * | 2020-12-22 | 2022-06-23 | Hon Hai Precision Industry Co., Ltd. | Method for detecting defects in multi-scale images and computing device utilizing method |
| CN114972117A (zh) * | 2022-06-30 | 2022-08-30 | 成都理工大学 | 一种轨道表面磨损识别分类方法及系统 |
| CN114972216A (zh) * | 2022-05-10 | 2022-08-30 | 华中科技大学 | 一种纹理表面缺陷检测模型的构建方法及其应用 |
| WO2022227103A1 (zh) * | 2021-04-29 | 2022-11-03 | 中奥智能工业研究院(南京)有限公司 | 一种零部件智能检测与标签系统及方法 |
| CN115619743A (zh) * | 2022-10-20 | 2023-01-17 | 华中科技大学 | Oled新型显示器件表面缺陷检测模型的构建方法及其应用 |
| CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及系统 |
| CN116721058A (zh) * | 2023-05-06 | 2023-09-08 | 新化凯尔影印科技有限公司 | Opc鼓表面缺陷检测方法、系统、电子设备及存储介质 |
| WO2023168972A1 (zh) * | 2022-03-09 | 2023-09-14 | 三门三友科技股份有限公司 | 一种基于线阵相机的铜表面缺陷检测方法及装置 |
| CN116797590A (zh) * | 2023-07-03 | 2023-09-22 | 深圳市拓有软件技术有限公司 | 一种基于机器视觉的Mura缺陷检测方法及系统 |
-
2023
- 2023-09-23 CN CN202311234126.0A patent/CN117218097B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2426069C1 (ru) * | 2010-04-01 | 2011-08-10 | Государственное образовательное учреждение высшего профессионального образования "Сибирский государственный индустриальный университет" | Способ неразрушающего контроля качества поверхности рельсов |
| CN109166111A (zh) * | 2018-08-15 | 2019-01-08 | 苏州富鑫林光电科技有限公司 | 一种电子墨水屏缺陷检测方法及系统 |
| CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
| CN110969620A (zh) * | 2019-12-19 | 2020-04-07 | 中国农业大学 | 一种磁瓦波纹类缺陷的检测方法及装置 |
| CN111105399A (zh) * | 2019-12-19 | 2020-05-05 | 苏州经贸职业技术学院 | 开关表面缺陷检测方法及系统 |
| WO2021146935A1 (zh) * | 2020-01-21 | 2021-07-29 | 京东方科技集团股份有限公司 | 图像缺陷确定方法与装置、电子设备及存储介质 |
| CN111754454A (zh) * | 2020-05-13 | 2020-10-09 | 扬州哈工科创机器人研究院有限公司 | 一种应用于工业ct图像缺陷检测的方法及装置 |
| CN111968098A (zh) * | 2020-08-24 | 2020-11-20 | 广东工业大学 | 一种带钢表面缺陷检测方法、装置和设备 |
| US20220198228A1 (en) * | 2020-12-22 | 2022-06-23 | Hon Hai Precision Industry Co., Ltd. | Method for detecting defects in multi-scale images and computing device utilizing method |
| WO2022227103A1 (zh) * | 2021-04-29 | 2022-11-03 | 中奥智能工业研究院(南京)有限公司 | 一种零部件智能检测与标签系统及方法 |
| WO2023168972A1 (zh) * | 2022-03-09 | 2023-09-14 | 三门三友科技股份有限公司 | 一种基于线阵相机的铜表面缺陷检测方法及装置 |
| CN114972216A (zh) * | 2022-05-10 | 2022-08-30 | 华中科技大学 | 一种纹理表面缺陷检测模型的构建方法及其应用 |
| CN114972117A (zh) * | 2022-06-30 | 2022-08-30 | 成都理工大学 | 一种轨道表面磨损识别分类方法及系统 |
| CN115619743A (zh) * | 2022-10-20 | 2023-01-17 | 华中科技大学 | Oled新型显示器件表面缺陷检测模型的构建方法及其应用 |
| CN116721058A (zh) * | 2023-05-06 | 2023-09-08 | 新化凯尔影印科技有限公司 | Opc鼓表面缺陷检测方法、系统、电子设备及存储介质 |
| CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及系统 |
| CN116797590A (zh) * | 2023-07-03 | 2023-09-22 | 深圳市拓有软件技术有限公司 | 一种基于机器视觉的Mura缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117218097B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| JP2024509411A (ja) | 欠陥検出方法、装置及びシステム | |
| CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
| CN109986172B (zh) | 一种焊缝定位方法、设备及系统 | |
| US20200402221A1 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
| CN113628179B (zh) | 一种pcb表面缺陷实时检测方法、装置及可读介质 | |
| CN112381765A (zh) | 基于人工智能的设备检测方法、装置、设备及存储介质 | |
| WO2022160040A1 (en) | System and method for manufacturing quality control using automated visual inspection | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
| JP7170605B2 (ja) | 欠陥検査装置、欠陥検査方法、およびプログラム | |
| CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
| CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
| CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN117218097B (zh) | 一种轴套类丝网垫圈零件表面缺陷检测方法及装置 | |
| CN116051542B (zh) | 缺陷检测方法及缺陷检测装置 | |
| CN116363136A (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
| CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
| CN115249358A (zh) | 一种巨噬细胞内碳颗粒定量检测方法及系统、计算机设备 | |
| CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
| CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 | |
| CN110147818B (zh) | 一种基于稀疏表示的激光焊接成型缺陷预测分类的方法 | |
| CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 | |
| CN117392131B (zh) | 一种压铸件内壁缺陷检测方法及系统 |
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 |