CN117522870B - 基于机器视觉的航空发动机零部件的缺陷智能检测方法 - Google Patents

基于机器视觉的航空发动机零部件的缺陷智能检测方法 Download PDF

Info

Publication number
CN117522870B
CN117522870B CN202410012366.4A CN202410012366A CN117522870B CN 117522870 B CN117522870 B CN 117522870B CN 202410012366 A CN202410012366 A CN 202410012366A CN 117522870 B CN117522870 B CN 117522870B
Authority
CN
China
Prior art keywords
block
sub
gray level
optimal
value
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
Application number
CN202410012366.4A
Other languages
English (en)
Other versions
CN117522870A (zh
Inventor
张崇健
赵春梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Kaimai Aerospace Electromechanical Equipment Co ltd
Original Assignee
Shaanxi Kaimai Aerospace Electromechanical Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Kaimai Aerospace Electromechanical Equipment Co ltd filed Critical Shaanxi Kaimai Aerospace Electromechanical Equipment Co ltd
Priority to CN202410012366.4A priority Critical patent/CN117522870B/zh
Publication of CN117522870A publication Critical patent/CN117522870A/zh
Application granted granted Critical
Publication of CN117522870B publication Critical patent/CN117522870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及基于机器视觉的航空发动机零部件的缺陷智能检测方法。该方法获取灰度图像；根据超像素块的大小获取参考尺寸，根据参考尺寸的每个子块内超像素块和边缘像素点的分布，筛选出最佳子块；根据最佳子块的灰度直方图的特征，获取直方图特征值；根据最佳子块内的灰度级分布和像素点的梯度值，以及直方图特征值，获取调整权重，对最佳子块内灰度级对应的像素点数量进行调整，获取最佳子块的灰度直方图的截断阈值，通过CLAHE算法，获得增强灰度图像，进行缺陷智能检测。本发明通过自适应获取CLAHE算法中的最佳子块和截断阈值，使得灰度图像的增强效果更好，提高缺陷检测的准确性和效率。

Description

基于机器视觉的航空发动机零部件的缺陷智能检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于机器视觉的航空发动机零部件的缺陷智能检测方法。
背景技术
航空发动机零部件在飞机的正常工作中非常重要，它涉及到飞机的安全性和可靠性，因此，需要工作人员对航空发动机零部件进行准确的缺陷检测，确保飞机保持正常工作。通过智能视觉检测方法对发动机零部件进行缺陷检测时，由于发动机零部件受到环境光线和金属表面反光的影响，会导致获取的发动机零部件图像中存在反光区域和阴影区域，容易造成部分缺陷误检或者漏检的情况，因此，需要对获取的发动机零部件图像进行增强，避免反光区域和阴影区域的干扰。
现有方法通过限制对比度自适应直方图均衡(Contrast Limited AdaptiveHistogram Equalization,CLAHE)算法对发动机零部件图像进行增强，但在实际情况中，限制对比度自适应直方图均衡算法中的子块大小和灰度直方图的截断阈值均为人为设定，存在误差，导致增强效果不佳，进而不能对发动机零部件中的缺陷进行准确检测，不能准确确保飞机的安全性能，容易造成人员伤亡。
发明内容
为了解决限制对比度自适应直方图均衡算法中的子块大小和灰度直方图的截断阈值存在误差，导致增强效果不佳，不能对发动机零部件中的缺陷进行准确检测的技术问题，本发明的目的在于提供一种基于机器视觉的航空发动机零部件的缺陷智能检测方法，所采用的技术方案具体如下：
本发明提出了一种基于机器视觉的航空发动机零部件的缺陷智能检测方法，该方法包括以下步骤：
获取发动机零部件的灰度图像；
根据灰度图像中超像素块的大小获取至少两个参考尺寸，对灰度图像进行划分，获取每个参考尺寸的子块；根据每个参考尺寸的每个子块内超像素块和边缘像素点的分布，以及每个参考尺寸的大小，获取每个参考尺寸的目标值；根据目标值筛选出最佳尺寸，确定最佳子块；
根据每个最佳子块内每个灰度级出现的概率，以及每个最佳子块内的灰度级与灰度图像中出现次数最多的灰度级的差异，获取每个最佳子块的第一特征值；将每个最佳子块内出现次数最多的灰度级，作为目标灰度级；将每个最佳子块的灰度直方图进行曲线拟合，根据曲线上每个灰度级对应像素点数量的变化，以及每个最佳子块内每个灰度级与目标灰度级的差异，获取每个最佳子块的第二特征值；将每个最佳子块的第一特征值和第二特征值的乘积，作为对应最佳子块的直方图特征值；
根据每个最佳子块内每个灰度级对应像素点数量的波动和对应像素点的梯度值，以及直方图特征值，获取每个最佳子块的调整权重；
根据所述调整权重和每个最佳子块的目标灰度值对应的像素点数量，获取每个最佳子块的灰度直方图的截断阈值，通过CLAHE算法，获得增强灰度图像；
对增强灰度图像进行缺陷智能检测。
进一步地，所述根据灰度图像中超像素块的大小获取至少两个参考尺寸，对灰度图像进行划分，获取每个参考尺寸的子块的方法为：
获取灰度图像中每个超像素块的面积，将最大面积的算术平方根作为分界值；
将所有小于分界值的正整数，作为参考尺寸；
对于任一个参考尺寸，将该参考尺寸作为边长，构建一个正方形窗口，对灰度图像进行划分，将灰度图像中的每个正方形窗口区域，作为该参考尺寸的子块；其中，该参考尺寸的子块可以存在重叠部分，确保该参考尺寸的子块完整覆盖灰度图像。
进一步地，所述目标值的获取方法为：
对于第a个参考尺寸的第i个子块内第j个像素点，获取第a个参考尺寸的第i个子块内与第j个像素点属于同一超像素块的像素点数量，作为第一数量；
获取第a个参考尺寸的第i个子块内像素点的总数量，作为第二数量；
将第一数量与第二数量的比值，作为第j个像素点所在超像素块在第a个参考尺寸的第i个子块内出现的概率；
通过边缘检测算法，获取灰度图像中的每个边缘像素点；
将第a个参考尺寸的每个子块内边缘像素点的数量，作为对应子块的第三数量；
获取第三数量的均值，作为第一值；
根据第a个参考尺寸的每个子块内每个像素点所在超像素块在对应子块内出现的概率、每个子块的第三数量与第一值的差异，以及第a个参考尺寸的大小，获取第a个参考尺寸的目标值。
进一步地，所述目标值的计算公式为：
式中，为第a个参考尺寸的目标值；/>为第a个参考尺寸；n为第a个参考尺寸的子块总数量；/>为第a个参考尺寸的第i个子块内第j个像素点所在超像素块在第i个子块内出现的概率；/>为以2为底数的对数函数；/>为第a个参考尺寸的第i个子块的第三数量；/>为第一值；e为自然常数；/>为绝对值函数。
进一步地，所述根据目标值筛选出最佳尺寸，确定最佳子块的方法为：
将最小的目标值对应的参考尺寸，作为最佳尺寸；
将最佳尺寸的子块，作为最佳子块。
进一步地，所述第一特征值的计算公式为：
式中，为第r个最佳子块的第一特征值；/>为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内第p个灰度级对应的像素点总数量；/>为第r个最佳子块内像素点的总数量；/>为第r个最佳子块内第p个灰度级出现的概率；/>为第r个最佳子块内的第p个灰度级；/>为灰度图像中出现次数最多的灰度级；/>为绝对值函数。
进一步地，所述第二特征值的计算公式为：
式中，为第r个最佳子块的第二特征值；/>为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内的第p个灰度级；/>为第r个最佳子块的目标灰度值；/>为第r个最佳子块的灰度直方图拟合曲线上第p个灰度级的导数；/>为第r个最佳子块的灰度直方图拟合曲线上每个灰度级的导数的均值；/>为绝对值函数。
进一步地，所述调整权重的计算公式为：
式中，为第r个最佳子块的调整权重；/>为第r个最佳子块的直方图特征值；为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内第p个灰度级对应像素点的梯度值均值；/>为第r个最佳子块内第p个灰度级对应像素点数量；/>为第r个最佳子块内每个灰度级对应像素点数量的均值；norm为归一化函数。
进一步地，所述截断阈值的获取方法为：
将每个最佳子块的调整权重与目标灰度值对应的像素点数量的乘积，作为对应最佳子块的灰度直方图的截断阈值。
进一步地，所述超像素块的获取方法为：通过超像素分割算法获取灰度图像中的超像素块。
本发明具有如下有益效果：
根据每个参考尺寸的每个子块内超像素块和边缘像素点的分布，以及每个参考尺寸的大小，获取每个参考尺寸的目标值，对每个参考尺寸的每个子块将灰度图像中的结构和纹理划分的是否合理进行分析，进而根据目标值筛选出最佳尺寸，自适应获取CLAHE算法中的最佳尺寸，提高后续计算CLAHE算法中的截断阈值的准确性；为了对灰度图像进行准确的增强，进而对每个最佳尺寸的灰度直方图进行分析，避免不同最佳尺寸之间的干扰，自适应获取每个最佳尺寸的灰度直方图的截断阈值，提高灰度图像的增强效果，进而通过CLAHE算法，准确获得增强灰度图像，对增强灰度图像进行缺陷智能检测，降低缺陷误检或者漏检概率，提高缺陷检测的效率和准确性，确保飞机的安全性能。
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基于机器视觉的航空发动机零部件的缺陷智能检测方法的流程示意图；
图2为本发明一个实施例所提供的发动机叶片的灰度图像；
图3为本发明一个实施例所提供的一个参考尺寸的子块在灰度图像分布位置的示意图；
图4为本发明一个实施例所提供的单个发动机叶片的灰度图像；
图5为本发明一个实施例所提供的增强灰度图像。
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基于机器视觉的航空发动机零部件的缺陷智能检测方法，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一种基于机器视觉的航空发动机零部件的缺陷智能检测方法的具体方案。
本发明实施例的场景为：以航空发动机叶片为例进行分析。
本发明实施例的目的为：因为发动机叶片自身安装存在一定的角度和受到光照的影响，发动机叶片上会出现阴影区域和反光区域，在发动机叶片的灰度图像中，当发动机叶片上的缺陷在反光区域和阴影区域时，因为灰度值受到光照的影响，容易导致缺陷出现误检或者漏检的情况，因此，本发明实施例通过限制对比度自适应直方图均衡算法，对灰度图像进行增强，突出灰度图像中的细节部分，进而对灰度图像中的缺陷进行准确检测。为了使得对灰度图像的增强效果更好，本发明实施例对灰度图像中像素点的灰度值和梯度值进行分析，准确确定限制对比度自适应直方图均衡算法中的最佳子块和截断阈值，准确获得增强灰度图像，提高对发动机叶片进行缺陷检测的效率和准确性。其中，限制对比度自适应直方图均衡算法为现有技术，不再进行赘述。
请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的航空发动机零部件的缺陷智能检测方法的流程示意图，该方法包括以下步骤：
步骤S1：获取发动机零部件的灰度图像。
具体的，本发明实施例以航空发动机叶片为例进行说明，由于发动机叶片安装存在一定角度，在采集发动机叶片图像过程中存在被遮挡的区域和金属反光的区域，因此，通过工业CCD相机获取发动机叶片图像时，不可避免的会出现反光区域和阴影区域，需要调整工业CCD相机角度尽可能减少反光区域和阴影区域，减少后续对发动机叶片进行缺陷检测的干扰。为了便于对发动机叶片图像进行增强，本发明实施例对发动机叶片图像进行灰度化处理，获取发动机叶片的灰度图像。其中，灰度化处理为现有技术，不再进行赘述。获取的灰度图像中存在明显的反光区域和阴影区域，如图2所示为获取的发动机叶片的灰度图像。若直接对灰度图像进行缺陷检测，阴影区域和反光区域中的缺陷很容易检测不到。因此，需要对灰度图像进行增强，凸显灰度图像中的细节信息，使得缺陷更准确的检测出来。
步骤S2：根据灰度图像中超像素块的大小获取至少两个参考尺寸，对灰度图像进行划分，获取每个参考尺寸的子块；根据每个参考尺寸的每个子块内超像素块和边缘像素点的分布，以及每个参考尺寸的大小，获取每个参考尺寸的目标值；根据目标值筛选出最佳尺寸，确定最佳子块。
具体的，在限制对比度自适应直方图均衡算法中，首先要确定灰度图像进行分块的尺寸，由于灰度图像中存在反光区域和阴影区域，为了保证增强效果，灰度图像进行分块的边界应该尽可能落在反光区域和阴影区域的交界边缘处，使得每个分块内的灰度值尽可能保持一致。为了将灰度图像中不同的区域分割出来，准确确定限制对比度自适应直方图均衡算法中的最佳尺寸，进而确定最佳子块，本发明实施例通过超像素分割算法获取灰度图像中的超像素块，每个超像素块中的像素点具备相似的纹理和灰度等特征，能够较好地保留灰度图像中的边界信息。其中，超像素分割算法为现有技术，不再进行赘述。因为超像素块可能是不规则形状，为了获取最佳尺寸，本发明实施例获取灰度图像中每个超像素块的面积，将最大面积的算术平方根作为分界值，将所有小于分界值的正整数，作为参考尺寸，确保参考尺寸构成的区域一定不会超过灰度图像中最大的超像素块，为最优子块能够准确表示灰度图像中的局部特征做准备。对每个参考尺寸进行分析，获取每个参考尺寸的目标值，根据目标值准确筛选出限制对比度自适应直方图均衡算法中的最佳尺寸，确定最佳子块。其中，获取最佳子块的具体方法如下：
（1）获取目标值。
对于任一个参考尺寸，将该参考尺寸作为边长，构建一个正方形窗口，对灰度图像进行划分，将灰度图像中的每个正方形窗口区域，作为该参考尺寸的子块；其中，该参考尺寸的子块可以存在重叠部分，确保该参考尺寸的子块完整覆盖灰度图像。如图3所示，灰度图像的大小为，参考尺寸设定为k，则正方形窗口的大小为/>，图3中的/>区域即为一个子块，为了使得子块完整覆盖灰度图像，灰度图像中相邻的子块可以存在部分重叠如图3所示。在限制对比度自适应直方图均衡算法中，子块中的灰度值和纹理应该尽可能的保证一致，因此，子块中的超像素块越少，说明子块对应的参考尺寸越可能为最佳尺寸。因此，对每个参考尺寸的每个子块内超像素块的分布进行分析，获取每个参考尺寸的每个子块内每个像素点所在超像素块在对应子块内出现的概率，确定每个参考尺寸的每个子块内超像素块的熵，熵越小，说明对应子块内包含的超像素块越少，对应参考尺寸越可能为最佳尺寸。
同时，为了对缺陷区域进行准确的检测，一个完整的缺陷区域应该分布在一个子块中。因为，在灰度图像中缺陷区域的边缘比较明显，因此本发明实施例通过边缘检测算法，获取灰度图像内的边缘像素点。当子块将灰度图像中集中分布的边缘像素点划分为同一子块时，说明子块对应的参考尺寸越可能为最佳尺寸。因此，本发明实施例获取每个参考尺寸的每个子块内边缘像素点的数量，缺陷不可能在每个子块中都出现，当参考尺寸对应的不同子块之间梯度像素点的数量差异越大时，说明该参考尺寸越可能为最佳尺寸。
考虑到工业场景中对实时性有较高的要求，而且发动机叶片表面不包含复杂纹理信息，因此，最佳尺寸应该尽可能大，提高对灰度图像进行增强的效率。
因此，本发明实施例根据每个参考尺寸的每个子块内超像素块和边缘像素点的分布，以及每个参考尺寸的大小，获取每个参考尺寸的目标值。
优选地，获取目标值的方法为：对于第a个参考尺寸的第i个子块内第j个像素点，获取第a个参考尺寸的第i个子块内与第j个像素点属于同一超像素块的像素点数量，作为第一数量；获取第a个参考尺寸的第i个子块内像素点的总数量，作为第二数量；将第一数量与第二数量的比值，作为第j个像素点所在超像素块在第a个参考尺寸的第i个子块内出现的概率，根据获取第j个像素点所在超像素块在第a个参考尺寸的第i个子块内出现的概率的方法，获取第a个参考尺寸的每个子块内每个像素点所在超像素块在对应子块内出现的概率，进而获取第a个参考尺寸的每个子块内超像素块出现概率的熵。对缺陷区域的分布进行分析，进一步确定最佳子块。将第a个参考尺寸的每个子块内边缘像素点的数量，作为对应子块的第三数量，确定每个子块内存在的缺陷情况。获取第三数量的均值，作为第一值；获取第a个参考尺寸的每个子块的第三数量与第一值的差值绝对值，作为第一差异，第一差异越大，说明第a个参考尺寸越可能为最佳尺寸。为了与熵的关系保持一致，本发明实施例对第一差异进行负相关，同时，获取第a个参考尺寸的倒数。进而根据第a个参考尺寸的每个子块内每个像素点所在超像素块在对应子块内出现的概率、每个子块的第一差异，以及第a个参考尺寸的倒数，获取第a个参考尺寸的目标值。
作为一个示例，以第a个参考尺寸为例，获取第a个参考尺寸的目标值的计算公式为：
式中，为第a个参考尺寸的目标值；/>为第a个参考尺寸；n为第a个参考尺寸的子块总数量；/>为第a个参考尺寸的第i个子块内第j个像素点所在超像素块在第i个子块内出现的概率；/>为以2为底数的对数函数；/>为第a个参考尺寸的第i个子块的第三数量；/>为第一值；/>为第一差异；e为自然常数；/>为绝对值函数。
需要说明的是，熵越小，第a个参考尺寸的第i个子块内超像素块的数量越少，间接说明第i个子块内灰度值和纹理特征越稳定，第a个参考尺寸越可能为最佳尺寸，/>越小；第一差异/>越大，第a个参考尺寸越可能为最佳尺寸，/>越小，/>越小；为了避免最佳尺寸过小，通过/>对进行调整，使得/>更合理，同时符合/>越小，/>越可能为最佳尺寸的逻辑关系。因此，/>越小，第a个参考尺寸越可能为最佳尺寸。
根据获取第a个参考尺寸的目标值的方法，获取每个参考尺寸的目标值。
（2）获取最佳子块。
已知，目标值越小，对应的参考尺寸越可能为最佳尺寸，因此，将最小的目标值对应的参考尺寸，作为最佳尺寸。将最佳尺寸的子块，作为最佳子块。至此，确定限制对比度自适应直方图均衡算法中的最佳子块。
步骤S3：根据每个最佳子块内每个灰度级出现的概率，以及每个最佳子块内的灰度级与灰度图像中出现次数最多的灰度级的差异，获取每个最佳子块的第一特征值；将每个最佳子块内出现次数最多的灰度级，作为目标灰度级；将每个最佳子块的灰度直方图进行曲线拟合，根据曲线上每个灰度级对应像素点数量的变化，以及每个最佳子块内每个灰度级与目标灰度级的差异，获取每个最佳子块的第二特征值；将每个最佳子块的第一特征值和第二特征值的乘积，作为对应最佳子块的直方图特征值。
具体的，根据每个最佳子块中的灰度值分布，获取每个最佳子块的灰度直方图，在获取灰度直方图时，将灰度直方图横轴上的灰度级从小到大进行排列。其中，灰度直方图的获取方法为现在技术，不再进行赘述。在限制对比度自适应直方图均衡算法中需要对每个最佳子块的灰度直方图设定一个截断阈值，将灰度直方图中超过截断阈值的部分重新分配，使得每个最佳子块内灰度值分配更均匀，更能凸显出每个最佳子块中的细节。不同最佳子块中的灰度值分布情况不同，因此不同最佳子块的灰度直方图表现是不同的，当某一最佳子块中存在阴影区域或者反光区域时，对应的灰度直方图中像素点分布相对集中，为了对该最佳子块进行准确的增强，该最佳子块的灰度直方图对应的截断阈值应该越大。因此，对每个最佳子块的灰度直方图的分布特征进行分析，获取每个最佳子块的直方图特征值，确定每个最佳子块中的阴影区域或者反光区域的分布情况，为准确获取每个最佳子块的灰度直方图对应的截断阈值做准备。其中，获取每个最佳子块的直方图特征值的具体方法如下：
（1）获取第一特征值。
在实际情况中，正常发动机叶片在灰度图像中仍占绝大部分，因此，本发明实施例获取灰度图像中出现次数最多的灰度级，作为第一灰度级，将第一灰度级默认为正常发动机叶片的灰度值。为了确定每个最佳子块中是否存在反光区域或者阴影区域，本发明实施例获取每个最佳子块内的每个灰度级与第一灰度级的差值绝对值，作为第二差异，第二差异越大，说明对应灰度级对应的像素点所在区域越不可能为正常区域。为了更进一步确定每个最佳子块中是否存在反光区域或者阴影区域，本发明实施例获取每个最佳子块内每个灰度级出现的概率，当某个灰度级在最佳子块内出现的概率越大，同时，该灰度级对应的第二差异也越大时，说明所在的最佳子块中越可能存在反光区域或者阴影区域。因此，根据每个最佳子块内每个灰度级出现的概率，以及每个最佳子块内的灰度级与第一灰度级的差异即第二差异，获取每个最佳子块的第一特征值，初步确定每个最佳子块中存在反光区域或者阴影区域的可能性。
作为一个示例，以第r个最佳子块为例，获取第r个最佳子块内第p个灰度级对应的像素点总数量与第r个最佳子块内像素点的总数量的比值，作为第r个最佳子块内第p个灰度级出现的概率，获取第r个最佳子块内第p个灰度级出现的概率与第p个灰度级的第二差异的乘积，作为第r个最佳子块内第p个灰度级的单级特征值，其中，第r个最佳子块内第p个灰度级的单级特征值越大，说明第r个最佳子块中存在反光区域或者阴影区域的可能性越大。为了准确分析第r个最佳子块中存在反光区域或者阴影区域的可能性，本发明实施例根据获取第r个最佳子块内第p个灰度级的单级特征值的方法，获取第r个最佳子块内每个灰度级的单级特征值，进而获取第r个最佳子块内单级特征值的均值，作为第r个最佳子块的第一特征值，第一特征值越大，说明第r个最佳子块中存在反光区域或者阴影区域的可能性越大。其中，获取第r个最佳子块的第一特征值的计算公式为：
式中，为第r个最佳子块的第一特征值；/>为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内第p个灰度级对应的像素点总数量；/>为第r个最佳子块内像素点的总数量；/>为第r个最佳子块内第p个灰度级出现的概率；/>为第r个最佳子块内的第p个灰度级；/>为灰度图像中出现次数最多的灰度级；/>为绝对值函数；为第二差异；/>为单级特征值。
需要说明的是，越大，说明第r个最佳子块的灰度直方图中第p个灰度级占比越大，通过/>对/>进行调整，/>越大，说明第r个最佳子块内第p个灰度级对应区域越可能为反光区域或者阴影区域，单级特征值越大，说明第r个最佳子块内不正常的区域越大，/>越大。因此，越大，说明第r个最佳子块的灰度直方图中表现的特征越接近反光区域或者阴影区域。
根据获取第r个最佳子块的第一特征值的方法，获取每个最佳子块的第一特征值。
（2）获取第二特征值。
已知发动机叶片图像的反光区域通常出现在叶尾，阴影区域通常出现在整流罩周围，如图4所示为单个发动机叶片的灰度图像，当存在阴影区域和反光区域时，从叶头到叶尾亮度是增大的过程。当不存在阴影区域和反光区域时，发动机叶片在灰度图像中的灰度值是相似的。因此，本发明实施例将每个最佳子块的灰度直方图进行曲线拟合，根据每条曲线上每个灰度级对应像素点数量的变化，进一步判断每个最佳子块中存在反光区域或者阴影区域的可能性。其中，对灰度直方图进行曲线拟合的方法为现有技术，不再进行赘述。为了更准确的确定每个最佳子块中灰度级的整体变化情况，本发明实施例获取每条曲线上每个灰度级对应像素点数量的导数，确定每个最佳子块中每个灰度级对应像素点数量的变化程度，进而获取每条曲线上每个灰度级对应导数的方差，作为第一方差，第一方差越大，说明对应最佳子块中灰度值的分布越对比明显，对应最佳子块中越可能存在反光区域或者阴影区域。当最佳子块中存在缺陷区域时，该最佳子块中灰度值的分布也越对比明显，考虑到缺陷区域中同一灰度级的像素点数量较少的因素，导致该最佳子块的灰度直方图对应曲线上的像素点数量的变化可能不明显，进而导致该最佳子块的灰度直方图对应的截断阈值不准确的情况出现，为了避免该最佳子块的灰度直方图对应的截断阈值不准确的情况，本发明实施例获取每个最佳子块内出现次数最多的灰度级，作为目标灰度级，计算每个最佳子块内每个灰度级与目标灰度级的差值绝对值，作为第二差异，第二差异越大，说明对应最佳子块中越可能存在缺陷区域，用第二差异放大对应部分在计算第一方差时的占比，使得对每个最佳子块的特征分析的更准确。因此，根据曲线上每个灰度级对应像素点数量的变化和第二差异，获取每个最佳子块的第二特征值，当第二特征值越大，说明对应最佳子块中越可能存在反光区域、阴影区域或者缺陷区域。
作为一个示例，以第r个最佳子块为例，获取第r个最佳子块的第二特征值的计算公式为：
式中，为第r个最佳子块的第二特征值；/>为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内的第p个灰度级；/>为第r个最佳子块的目标灰度值；/>为第r个最佳子块的灰度直方图拟合曲线上第p个灰度级的导数；/>为第r个最佳子块的灰度直方图拟合曲线上每个灰度级的导数的均值；/>为绝对值函数。
需要说明的是，第一方差越大，说明第r个最佳子块内越可能存在阴影区域或者反光区域，/>越大；因为缺陷区域与阴影区域或者反光区域产生的影响是类似的，因此，还要考虑到缺陷区域，因为缺陷区域比较小，在灰度直方图中可能表现的不明显，因此，通过/>对/>进行调整，当/>越大时，说明第r个最佳子块内的第p个灰度级所在区域越可能为缺陷区域，提高/>的占比，使得后续更准确的获取第r个最佳子块的灰度直方图的截断阈值，/>越大。因此，/>越大，第r个最佳子块越可能存在不正常区域。
根据获取第r个最佳子块的第二特征值的方法，获取每个最佳子块的第二特征值。
（3）获取直方图特征值。
已知，第一特征值越大，对应最佳子块的灰度直方图中表现的特征越接近反光区域或者阴影区域，第二特征值越大，对应最佳子块的灰度直方图中越可能存在不正常区域，即反光区域、阴影区域或者缺陷区域。因此，将每个最佳子块的第一特征值和第二特征值的乘积，作为对应最佳子块的直方图特征值。其中，直方图特征值越大，说明对应最佳子块中越可能存在反光区域、阴影区域或者缺陷区域，为了凸显对应最佳子块中的细节，对应最佳子块的灰度直方图的截断阈值应该越大。
步骤S4：根据每个最佳子块内每个灰度级对应像素点数量的波动和对应像素点的梯度值，以及直方图特征值，获取每个最佳子块的调整权重。
具体的，当某一最佳子块中存在反光区域、阴影区域、缺陷区域或者纹理区域时，该最佳子块中像素点的梯度值变化比较大，因此，本方法实施例获取每个最佳子块内每个灰度级对应像素点数量的方差，作为第二方差。当第二方差越大时，说明对应最佳子块中各灰度级对应像素点数量的离散程度越高，灰度对比度越明显，则对应最佳子块的灰度直方图的截断阈值越大。另外，对于内部存在缺陷区域或者纹理区域的最佳子块来说，为了突出显示缺陷区域或者纹理区域，存在缺陷区域或者纹理区域的最佳子块的灰度直方图的截断阈值应该越大。缺陷或者纹理像素点由于表面变化原因，缺陷或者纹理像素点的梯度值大于正常像素点由于光线变化出现的梯度值，因此，获取每个最佳子块内每个灰度级对应像素点的梯度值均值，作为对应灰度级的梯度分析值。当某个灰度级的梯度分析值越大时，说明某个灰度级对应像素点为纹理像素点或者缺陷像素点的可能性越大，因此，通过梯度分析值对第二方差进行调整，获取每个最佳子块的实际第二方差。当实际第二方差越大时，对应最佳子块的灰度直方图的截断阈值越大。由步骤S3可知直方图特征值越大，对应最佳子块的灰度直方图的截断阈值越大。因此，根据每个最佳子块的实际第二方差和直方图特征值，获取每个最佳子块的调整权重。调整权重越大，对应最佳子块的灰度直方图的截断阈值越大。
作为一个示例，以步骤S3中的第r个最佳子块为例，获取第r个最佳子块的调整权重的计算公式为：
式中，为第r个最佳子块的调整权重；/>为第r个最佳子块的直方图特征值；为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内第p个灰度级对应像素点的梯度值均值；/>为第r个最佳子块内第p个灰度级对应像素点数量；/>为第r个最佳子块内每个灰度级对应像素点数量的均值；norm为归一化函数。/>
需要说明的是，第二方差越大，第r个最佳子块中的灰度对比度越明显，第r个最佳子块的灰度直方图的截断阈值越大，考虑到灰度图像中的缺陷区域或者纹理区域，因此，通过/>对/>进行调整，使得获取的第r个最佳子块的灰度直方图的截断阈值更符合实际情况；实际第二方差越大，第r个最佳子块的灰度直方图的截断阈值在实际情况中越大，/>越大；/>越大，第r个最佳子块的灰度直方图的截断阈值越大，/>越大。因此，/>越大，说明第r个最佳子块的灰度直方图的截断阈值越大。
根据获取第r个最佳子块的调整权重的方法，获取每个最佳子块的调整权重。
步骤S5：根据所述调整权重和每个最佳子块的目标灰度值对应的像素点数量，获取每个最佳子块的灰度直方图的截断阈值，通过CLAHE算法，获得增强灰度图像。
为了确定每个最佳子块的灰度直方图的截断阈值，本发明实施例将每个最佳子块的调整权重与目标灰度值对应的像素点数量的乘积，作为对应最佳子块的灰度直方图的截断阈值。至此，确定每个最佳子块的灰度直方图的截断阈值。通过限制对比度自适应直方图均衡算法对灰度图像进行自适应增强，获得增强灰度图像，如图5所示为增强灰度图像，凸显出了灰度图像中的细节特征。
步骤S6：对增强灰度图像进行缺陷智能检测。
通过已经训练好的神经网络模型对增强灰度图像中的缺陷区域进行识别并标记，实现对航空发动机叶片的缺陷智能检测。其中，神经网络模型的训练过程是通过文献：李鑫,李香蓉,汪诚等.基于改进YOLOv5的航空发动机表面缺陷检测模型[J].激光与光电子学进展,2023,60(16):304-313.所述方法，利用YOLOv5算法对航空发动机零部件图像进行智能检测，不再进行赘述。
至此，本发明完成。
综上所述，本发明实施例获取灰度图像；根据超像素块的大小获取参考尺寸，根据参考尺寸的每个子块内超像素块和边缘像素点的分布，筛选出最佳子块；根据最佳子块的灰度直方图的特征，获取直方图特征值；根据最佳子块内的灰度级分布和像素点的梯度值，以及直方图特征值，获取调整权重，对最佳子块内灰度级对应的像素点数量进行调整，获取最佳子块的灰度直方图的截断阈值，通过CLAHE算法，获得增强灰度图像，进行缺陷智能检测。本发明通过自适应获取CLAHE算法中的最佳子块和截断阈值，使得灰度图像的增强效果更好，提高缺陷检测的准确性和效率。
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 (6)

1.一种基于机器视觉的航空发动机零部件的缺陷智能检测方法，其特征在于，该方法包括以下步骤：
获取发动机零部件的灰度图像；
根据灰度图像中超像素块的大小获取至少两个参考尺寸，对灰度图像进行划分，获取每个参考尺寸的子块；根据每个参考尺寸的每个子块内超像素块和边缘像素点的分布，以及每个参考尺寸的大小，获取每个参考尺寸的目标值；根据目标值筛选出最佳尺寸，确定最佳子块；
根据每个最佳子块内每个灰度级出现的概率，以及每个最佳子块内的灰度级与灰度图像中出现次数最多的灰度级的差异，获取每个最佳子块的第一特征值；将每个最佳子块内出现次数最多的灰度级，作为目标灰度级；将每个最佳子块的灰度直方图进行曲线拟合，根据曲线上每个灰度级对应像素点数量的变化，以及每个最佳子块内每个灰度级与目标灰度级的差异，获取每个最佳子块的第二特征值；将每个最佳子块的第一特征值和第二特征值的乘积，作为对应最佳子块的直方图特征值；
根据每个最佳子块内每个灰度级对应像素点数量的波动和对应像素点的梯度值，以及直方图特征值，获取每个最佳子块的调整权重；
根据所述调整权重和每个最佳子块的目标灰度值对应的像素点数量，获取每个最佳子块的灰度直方图的截断阈值，通过CLAHE算法，获得增强灰度图像；
对增强灰度图像进行缺陷智能检测；
所述根据灰度图像中超像素块的大小获取至少两个参考尺寸，对灰度图像进行划分，获取每个参考尺寸的子块的方法为：
获取灰度图像中每个超像素块的面积，将最大面积的算术平方根作为分界值；
将所有小于分界值的正整数，作为参考尺寸；
对于任一个参考尺寸，将该参考尺寸作为边长，构建一个正方形窗口，对灰度图像进行划分，将灰度图像中的每个正方形窗口区域，作为该参考尺寸的子块；其中，该参考尺寸的子块可以存在重叠部分，确保该参考尺寸的子块完整覆盖灰度图像；
所述目标值的获取方法为：
对于第a个参考尺寸的第i个子块内第j个像素点，获取第a个参考尺寸的第i个子块内与第j个像素点属于同一超像素块的像素点数量，作为第一数量；
获取第a个参考尺寸的第i个子块内像素点的总数量，作为第二数量；
将第一数量与第二数量的比值，作为第j个像素点所在超像素块在第a个参考尺寸的第i个子块内出现的概率；
通过边缘检测算法，获取灰度图像中的每个边缘像素点；
将第a个参考尺寸的每个子块内边缘像素点的数量，作为对应子块的第三数量；
获取第三数量的均值，作为第一值；
根据第a个参考尺寸的每个子块内每个像素点所在超像素块在对应子块内出现的概率、每个子块的第三数量与第一值的差异，以及第a个参考尺寸的大小，获取第a个参考尺寸的目标值；
所述第一特征值的计算公式为：
式中，/> 为第r个最佳子块的第一特征值；/>为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内第p个灰度级对应的像素点总数量；/>为第r个最佳子块内像素点的总数量；/>为第r个最佳子块内第p个灰度级出现的概率；/>为第r个最佳子块内的第p个灰度级；/>为灰度图像中出现次数最多的灰度级；/>为绝对值函数；所述第二特征值的计算公式为：式中，/>为第r个最佳子块的第二特征值；/>为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内的第p个灰度级；/>为第r个最佳子块的目标灰度值；/>为第r个最佳子块的灰度直方图拟合曲线上第p个灰度级的导数；/>为第r个最佳子块的灰度直方图拟合曲线上每个灰度级的导数的均值；/>为绝对值函数。
2.如权利要求1所述一种基于机器视觉的航空发动机零部件的缺陷智能检测方法，其特征在于，所述目标值的计算公式为：式中，/>为第a个参考尺寸的目标值；/>为第a个参考尺寸；n为第a个参考尺寸的子块总数量；为第a个参考尺寸的第i个子块内第j个像素点所在超像素块在第i个子块内出现的概率；/>为以2为底数的对数函数；/>为第a个参考尺寸的第i个子块的第三数量；为第一值；e为自然常数；/>为绝对值函数。
3.如权利要求1所述一种基于机器视觉的航空发动机零部件的缺陷智能检测方法，其特征在于，所述根据目标值筛选出最佳尺寸，确定最佳子块的方法为：
将最小的目标值对应的参考尺寸，作为最佳尺寸；
将最佳尺寸的子块，作为最佳子块。
4.如权利要求1所述一种基于机器视觉的航空发动机零部件的缺陷智能检测方法，其特征在于，所述调整权重的计算公式为：式中，为第r个最佳子块的调整权重；/>为第r个最佳子块的直方图特征值；/>为第r个最佳子块内灰度级的总数量；/>为第r个最佳子块内第p个灰度级对应像素点的梯度值均值；/>为第r个最佳子块内第p个灰度级对应像素点数量；/>为第r个最佳子块内每个灰度级对应像素点数量的均值；norm为归一化函数。
5.如权利要求1所述一种基于机器视觉的航空发动机零部件的缺陷智能检测方法，其特征在于，所述截断阈值的获取方法为：
将每个最佳子块的调整权重与目标灰度值对应的像素点数量的乘积，作为对应最佳子块的灰度直方图的截断阈值。
6.如权利要求1所述一种基于机器视觉的航空发动机零部件的缺陷智能检测方法，其特征在于，所述超像素块的获取方法为：通过超像素分割算法获取灰度图像中的超像素块。
CN202410012366.4A 2024-01-04 2024-01-04 基于机器视觉的航空发动机零部件的缺陷智能检测方法 Active CN117522870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410012366.4A CN117522870B (zh) 2024-01-04 2024-01-04 基于机器视觉的航空发动机零部件的缺陷智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410012366.4A CN117522870B (zh) 2024-01-04 2024-01-04 基于机器视觉的航空发动机零部件的缺陷智能检测方法

Publications (2)

Publication Number Publication Date
CN117522870A CN117522870A (zh) 2024-02-06
CN117522870B true CN117522870B (zh) 2024-03-19

Family

ID=89751692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410012366.4A Active CN117522870B (zh) 2024-01-04 2024-01-04 基于机器视觉的航空发动机零部件的缺陷智能检测方法

Country Status (1)

Country Link
CN (1) CN117522870B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298770A (zh) * 2011-08-11 2011-12-28 奇瑞汽车股份有限公司 一种图像对比度增强方法和装置
CN105654438A (zh) * 2015-12-27 2016-06-08 西南技术物理研究所 基于局部直方图均衡的灰度图像拟合增强方法
JP2018200328A (ja) * 2018-09-18 2018-12-20 株式会社キーエンス 検査装置、検査方法およびプログラム
CN112241745A (zh) * 2020-10-29 2021-01-19 东北大学 一种基于光照不变颜色空间的特征点提取方法
CN112365424A (zh) * 2020-11-17 2021-02-12 昆明物理研究所 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质
CN115293987A (zh) * 2022-08-18 2022-11-04 北京中恒维科电子技术有限公司 一种改进受限自适应图像均衡化增强算法
CN115631117A (zh) * 2022-12-21 2023-01-20 中科慧远视觉技术(北京)有限公司 缺陷检测用的图像增强方法、装置、检测系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298770A (zh) * 2011-08-11 2011-12-28 奇瑞汽车股份有限公司 一种图像对比度增强方法和装置
CN105654438A (zh) * 2015-12-27 2016-06-08 西南技术物理研究所 基于局部直方图均衡的灰度图像拟合增强方法
JP2018200328A (ja) * 2018-09-18 2018-12-20 株式会社キーエンス 検査装置、検査方法およびプログラム
CN112241745A (zh) * 2020-10-29 2021-01-19 东北大学 一种基于光照不变颜色空间的特征点提取方法
CN112365424A (zh) * 2020-11-17 2021-02-12 昆明物理研究所 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质
CN115293987A (zh) * 2022-08-18 2022-11-04 北京中恒维科电子技术有限公司 一种改进受限自适应图像均衡化增强算法
CN115631117A (zh) * 2022-12-21 2023-01-20 中科慧远视觉技术(北京)有限公司 缺陷检测用的图像增强方法、装置、检测系统及存储介质

Also Published As

Publication number Publication date
CN117522870A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN106856002B (zh) 一种无人机拍摄图像质量评价方法
CN104851086B (zh) 一种针对缆索表面缺陷的图像检测方法
CN110458157B (zh) 一种电力电缆生产过程智能监控系统
CN109712158A (zh) 一种基于目标背景像元统计约束的红外小目标捕获方法
CN115546203B (zh) 基于图像数据算法的生产监测分析方法
CN108898132A (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
CN105812618B (zh) 一种运动检测方法及运动检测装置
CN116012346B (zh) 一种输电线路监测方法及系统
CN117252868B (zh) 基于机器视觉的直流屏缺陷检测方法
CN112365475A (zh) 一种基于图像处理方式的输电线路覆冰监测方法及系统
CN116523913B (zh) 一种丝杆质量智能检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN115631116B (zh) 基于双目视觉的飞行器电力巡检系统
CN116309559A (zh) 一种中硼硅玻璃生产瑕疵智能识别方法
CN115018785A (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN111915558A (zh) 一种高压输电线销钉状态检测方法
CN111369458A (zh) 基于多尺度滚动引导滤波平滑的红外弱小目标背景抑制方法
CN114140416A (zh) 一种基于机器视觉的玻璃边缘检测方法和系统
CN117522870B (zh) 基于机器视觉的航空发动机零部件的缺陷智能检测方法
CN117315289A (zh) 基于图像处理的航空发动机叶片轮廓边缘检测方法
CN112784922A (zh) 智能云端医疗影像的提取和分类方法
CN117237747A (zh) 基于人工智能的五金件缺陷分类识别方法
CN115797314A (zh) 零件表面缺陷检测方法、系统、设备及存储介质
Li et al. Surface Defect Detection of Seals Based on K‐Means Clustering Algorithm and Particle Swarm Optimization

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