CN117611583A - 基于人工智能的铝复合板缺陷检测方法及系统 - Google Patents
基于人工智能的铝复合板缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117611583A CN117611583A CN202410085722.5A CN202410085722A CN117611583A CN 117611583 A CN117611583 A CN 117611583A CN 202410085722 A CN202410085722 A CN 202410085722A CN 117611583 A CN117611583 A CN 117611583A
- Authority
- CN
- China
- Prior art keywords
- gray
- pixel
- value
- sub
- area
- 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 134
- 239000002131 composite material Substances 0.000 title claims abstract description 108
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 107
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 107
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 81
- 230000002950 deficient Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于人工智能的铝复合板缺陷检测方法及系统。方法包括:获取铝复合板的表面图像,根据每个子区域内像素点的灰度值得到每个子区域的灰度变化特征值;基于灰度变化特征值对子区域进行聚类获得各聚类簇;根据每个聚类簇内每个子区域的灰度变化特征值,确定正常区域和疑似缺陷区域;基于疑似缺陷区域与正常区域中像素点的灰度值的大小关系确定待分析像素点;根据每个待分析像素点与其邻域内像素点的灰度差异以及正常区域中像素点的灰度值,得到每个待分析像素点为图案像素点的可能性指标;基于可能性指标筛选缺陷像素点,进而判断铝复合板是否存在缺陷。本发明提高了铝复合板缺陷检测结果的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于人工智能的铝复合板缺陷检测方法及系统。
背景技术
铝复合板是一种由两层铝板夹一层聚乙烯或聚酯基复合材料构成的复合材料,这种结构赋予了铝复合板轻量、刚性、耐腐蚀、隔热、隔音等优良性能,因此在建筑、广告牌、交通工具外壳等领域得到了广泛的应用。但是铝复合板搬运、切割或安装过程中,铝复合板表面可能出现刮痕或划痕,影响铝复合板的外观及质量。而通过基于机器视觉对铝复合板表面进行划痕检测,在节约人力成本的同时还具有更高效率和更加准确的检测结果。
在现有技术中,通常会使用迭代阈值分割等技术对铝复合板表面图像中的缺陷进行检测,但是在对带有图案的铝复合板表面进行划痕缺陷检测的场景中,在对铝复合板进行图像采集时,可能会存在局部反光情况以及划痕的深浅不一致等诸多因素的影响,若仍使用传统的迭代阈值分割对该场景下的铝复合板表面划痕缺陷进行检测,会导致划痕区域的提取结果不理想。
发明内容
为了解决现有方法在对铝复合板进行缺陷检测时存在的检测结果不理想的问题,本发明的目的在于提供一种基于人工智能的铝复合板缺陷检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明提供了一种基于人工智能的铝复合板缺陷检测方法,该方法包括以下步骤:
获取待检测铝复合板的表面图像,对所述表面图像进行划分获得若干个子区域;待检测铝复合板上印刷有图案;
根据每个子区域内像素点的灰度值,得到每个子区域的灰度变化特征值;基于所述灰度变化特征值对所有子区域进行聚类获得各聚类簇;根据每个聚类簇内每个子区域的灰度变化特征值,确定正常区域和疑似缺陷区域;
基于疑似缺陷区域与正常区域中像素点的灰度值的大小关系,确定疑似缺陷区域中的待分析像素点;根据每个待分析像素点与其预设邻域内像素点的灰度差异以及正常区域中像素点的灰度值,得到每个待分析像素点为图案像素点的可能性指标;基于所述可能性指标从所有疑似缺陷像素点中筛选疑似缺陷像素点;
基于疑似缺陷区域中除疑似缺陷像素点外其他像素点的灰度值从疑似缺陷像素点中筛选缺陷像素点,进而判断待检测铝复合板是否存在缺陷。
优选的,所述根据每个子区域内像素点的灰度值,得到每个子区域的灰度变化特征值,包括:
对于第r个子区域:
统计第r个子区域中每种灰度值出现的次数,计算第r个子区域中所有灰度值出现的次数的标准差;
按照预设顺序对第r个子区域中所有灰度值进行排序获得第r个子区域对应的灰度值序列;计算第r个子区域对应的灰度值序列中每相邻两个灰度值出现的次数的差异;
根据所述标准差和所述每相邻两个灰度值出现的次数的差异,得到第r个子区域的灰度变化特征值,所述标准差和所述每相邻两个灰度值出现的次数的差异均与所述灰度变化特征值呈正相关关系。
优选的,所述根据每个聚类簇内每个子区域的灰度变化特征值,确定正常区域和疑似缺陷区域,包括:
对于第s个聚类簇:
根据第s个聚类簇内所有子区域的灰度变化特征值的极差、第s个聚类簇内每个子区域的灰度变化特征值与所有子区域的平均灰度变化特征值之间的差异,得到第s个聚类簇对应的差异占比;
将所有聚类簇中差异占比最小的聚类簇确定为正常区域;将所有聚类簇中除正常区域外的聚类簇确定为疑似缺陷区域。
优选的,采用如下公式计算第s个聚类簇对应的差异占比:
;
其中,Ps为第s个聚类簇对应的差异占比,为第s个聚类簇内所有子区域的最大灰度变化特征值,/>为第s个聚类簇内所有子区域的最小灰度变化特征值,Is为第s个聚类簇内子区域的数量,Qs,i为第s个聚类簇内第i个子区域的灰度变化特征值,/>为第s个聚类簇内所有子区域的平均灰度变化特征值,S为聚类簇的总数量,||为取绝对值符号。
优选的,所述基于疑似缺陷区域与正常区域中像素点的灰度值的大小关系,确定疑似缺陷区域中的待分析像素点,包括:
基于正常区域中像素点的最小灰度值和最大灰度值确定正常灰度区间;
在疑似缺陷区域中,将灰度值处于所述正常灰度区间内的像素点确定为疑似缺陷区域中的待分析像素点。
优选的,所述根据每个待分析像素点与其预设邻域内像素点的灰度差异以及正常区域中像素点的灰度值,得到每个待分析像素点为图案像素点的可能性指标,包括:
对于第j个疑似缺陷区域中的第r个待分析像素点:
将正常区域中与第j个疑似缺陷区域中的第r个待分析像素点的灰度值相同的像素点的数量,记为第r个待分析像素点的参考数量;
根据所述参考数量、第r个待分析像素点与其预设邻域内像素点的灰度差异、第r个待分析像素点的灰度值,获得第r个待分析像素点为图案像素点的可能性指标,所述参考数量与所述可能性指标呈正相关关系,所述第r个待分析像素点与其预设邻域内像素点的灰度差异和所述第r个待分析像素点的灰度值均与所述可能性指标呈负相关关系。
优选的,所述基于所述可能性指标从所有疑似缺陷像素点中筛选疑似缺陷像素点,包括:
将可能性指标小于预设可能性指标阈值的待分析像素点,确定为疑似缺陷像素点。
优选的,所述基于所述灰度变化特征值对所有子区域进行聚类获得各聚类簇,包括:
将所有灰度变化特征值按照预设顺序进行排序获得灰度变化特征值序列,采用肘部算法对所述灰度变化特征值序列进行处理获得最优K值;采用K-means聚类算法对所述灰度变化特征值序列中的数据进行聚类,获得各子数据段,基于所述各子数据段在所述表面图像中获得对应的聚类簇;其中采用K-means聚类算法聚类时的K值为所述最优K值。
优选的,所述基于疑似缺陷区域中除疑似缺陷像素点外其他像素点的灰度值从疑似缺陷像素点中筛选缺陷像素点,进而判断待检测铝复合板是否存在缺陷,包括:
对于第k个疑似缺陷区域:将第k个疑似缺陷区域中除缺陷像素点外的像素点记为参考像素点;将第k个疑似缺陷区域中所有参考像素点的最大灰度值和最小灰度值两者的均值作为划分阈值;在第k个疑似缺陷区域中,将灰度值小于所述划分阈值的像素点确定为缺陷像素点;
若所述表面图像中缺陷像素点的总数量大于预设数量阈值,则判定待检测铝复合板存在缺陷;若所述表面图像中缺陷像素点的总数量小于或等于预设数量阈值,则判定待检测铝复合板不存在缺陷。
第二方面,本发明提供了一种基于人工智能的铝复合板缺陷检测系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的基于人工智能的铝复合板缺陷检测方法。
本发明至少具有如下有益效果:
本发明考虑到在对带有图案的待检测铝复合板表面进行划痕区域的提取时,由于划痕的深浅和铝复合板部分区域受到光照等其他因素的影响,使用单一阈值难以对划痕区域进行准确提取,又由于待检测铝复合板的表面图像中并不是所有子区域内都存在划痕,因此本发明首先对待检测铝复合板的表面图像中的每个子区域的灰度变化程度进行分析,获得了每个子区域的灰度变化特征值,然后通过聚类的方式将不存在反光和不存在划痕的子区域筛选出来不参与后续分析,进一步减少了计算量,将所有聚类簇划分为了两类,分别为正常区域和疑似缺陷区域,疑似缺陷区域为受到反光影响或者存在划痕的区域的可能性较大,然后通过对疑似缺陷区域与正常区域中像素点的灰度值的大小关系进行分析,筛选了疑似缺陷区域中的待分析像素点,为了避免图案像素点的干扰,根据图案像素点的分布及灰度特征,获得了每个待分析像素点为图案像素点的可能性指标,进而对图案像素点进一步进行去除,确定了疑似缺陷像素点,进而从疑似缺陷像素点中筛选出缺陷像素点,判断待检测铝复合板是否存在缺陷,提高了铝复合板缺陷检测结果的准确度。
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为本发明实施例所提供的基于人工智能的铝复合板缺陷检测方法的流程图。
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人工智能的铝复合板缺陷检测方法及系统进行详细说明如下。
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人工智能的铝复合板缺陷检测方法及系统的具体方案。
基于人工智能的铝复合板缺陷检测方法实施例:
本实施例所针对的具体场景为:在对带有图案的铝复合板表面进行划痕缺陷检测的过程中,使用迭代阈值对划痕进行提取时,铝复合板表面可能存在反光现象或是受到图案等因素的影响,导致对划痕区域的提取效果较差。本实施例通过对待检测铝复合板的表面图像中的特征进行分析,筛选缺陷像素点,进而对待检测铝复合板是否存在划痕缺陷进行判断,从而提高对划痕检测结果的准确性。
本实施例提出了基于人工智能的铝复合板缺陷检测方法,如图1所示,本实施例的基于人工智能的铝复合板缺陷检测方法包括以下步骤:
步骤S1,获取待检测铝复合板的表面图像,对所述表面图像进行划分获得若干个子区域;待检测铝复合板上印刷有图案。
本实施例首先在待检测铝复合板的正上方设置相机,相机以俯视角度采集待检测铝复合板表面的图像,在采集图像时加以灯光照明辅助,保证采集图像的成像质量。需要说明的是,本实施例中的待检测铝复合板上印刷有图案,本实施例中采集到的待检测铝复合板表面的图像为RGB图像,对采集到的待检测铝复合板表面的图像进行灰度化处理,将灰度化处理后的图像记为待检测铝复合板的表面图像。图像的灰度化处理为现有技术,此处不再过多赘述。
本实施例将待检测铝复合板的表面图像进行划分,获得多个大小相等的子区域,本实施例将待检测铝复合板的表面图像划分为了100个大小相等的子区域,在具体应用中,实施者可根据具体情况设置子区域的数量。
至此,本实施例获取了待检测铝复合板的表面图像,并将待检测铝复合板的表面图像划分为了多个子区域。
步骤S2,根据每个子区域内像素点的灰度值,得到每个子区域的灰度变化特征值;基于所述灰度变化特征值对所有子区域进行聚类获得各聚类簇;根据每个聚类簇内每个子区域的灰度变化特征值,确定正常区域和疑似缺陷区域。
考虑到当待检测铝复合板表面存在划痕缺陷时,划痕一般呈现杂乱的曲线状,一般存在铝复合板表面的局部位置,且深浅程度可能不一,而并不是所有的铝复合板表面处都存在划痕,为了不对未形成划痕的铝复合板表面进行不必要的分析,提高后续划痕区域提取结果的准确性,本实施例将首先对每个子区域进行分析,根据每个子区域内像素点的灰度值,对每个子区域的灰度变化情况进行分析,确定每个子区域的灰度变化特征值。
对于第r个子区域:
统计第r个子区域中每种灰度值出现的次数,计算第r个子区域中所有灰度值出现的次数的标准差;按照预设顺序对第r个子区域中所有灰度值进行排序获得第r个子区域对应的灰度值序列;本实施例中的预设顺序为从小到大的顺序,也即将第r个子区域中所有灰度值按照从小到大的顺序进行了排序获得了第r个子区域对应的灰度值序列,作为其他实施方式,也可将灰度值按照从大到小的顺序进行排序获得对应的灰度值序列。计算第r个子区域对应的灰度值序列中每相邻两个灰度值出现的次数的差异;根据所述标准差和所述每相邻两个灰度值出现的次数的差异,得到第r个子区域的灰度变化特征值,所述标准差和所述每相邻两个灰度值出现的次数的差异均与所述灰度变化特征值呈正相关关系。其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定;需要说明的是:本实施例将相同的灰度值作为同一种灰度值。作为一个具体实施方式,给出灰度变化特征值的计算公式,第r个子区域的灰度变化特征值的具体计算公式为:
;
其中,Qr表示第r个子区域的灰度变化特征值;nr表示第r个子区域的灰度值的种类数,也即第r个子区域对应的灰度值序列中元素的数量;σr表示第r个子区域中所有灰度值出现的次数的标准差;Fr,j表示第r个子区域对应的灰度值序列中第j个灰度值在第r个子区域中出现的次数,Fr,j+1表示第r个子区域对应的灰度值序列中第j+1个灰度值在第r个子区域中出现的次数,norm( )表示线性归一化函数,||为取绝对值符号。
表示第r个子区域对应的灰度值序列中相邻灰度值出现的次数的差异情况,用于反映第r个子区域像素点的灰度变化程度。待检测铝复合板表面不存在反光和划痕缺陷的区域,主要存在图案和背景像素点,而图案处和背景处的像素点的灰度值是较均匀的,若铝复合板表面存在反光和划痕时,则对应区域内灰度变化较大。因此,第r个子区域中所有灰度值出现的次数的标准差越大、第r个子区域对应的灰度值序列中相邻灰度值出现的次数的差异越大时,说明第r个子区域内像素点的灰度变化程度越大,即灰度变化特征值越大。
采用上述方法,能够获得每个子区域的灰度变化特征值,将所有灰度变化特征值按照预设顺序进行排序获得灰度变化特征值序列,本实施例中的预设顺序为从小到大的顺序,因此将所有灰度变化特征值按照从小到大的顺序进行了排序获得了灰度变化特征值序列。采用肘部算法对所述灰度变化特征值序列进行处理获得最优K值;采用K-means聚类算法对所述灰度变化特征值序列中的数据进行聚类,将同一个聚类簇内的所有灰度变化特征值作为了同一子数据段内的数据,获得了多个子数据段,基于每个子数据段在所述表面图像中获得对应的聚类簇,同一聚类簇内所有子区域的灰度变化特征值位于同一子数据段中,不同聚类簇内的子区域的灰度变化特征值位于不同子数据段中;其中采用K-means聚类算法聚类时的K值为所述最优K值。K-means聚类算法和肘部算法均为现有技术,此处不再过多赘述。
考虑到未受到反光影响的区域或者不存在划痕的子区域内像素点的灰度较均匀,子区域的灰度变化程度较小,接下来本实施例将根据每个聚类簇内每个子区域的灰度变化特征值,确定每个聚类簇所属类别。
具体地,对于第s个聚类簇:根据第s个聚类簇内所有子区域的灰度变化特征值的极差、第s个聚类簇内每个子区域的灰度变化特征值与所有子区域的平均灰度变化特征值之间的差异,得到第s个聚类簇对应的差异占比;第s个聚类簇对应的差异占比的具体计算公式为:
;
其中,Ps为第s个聚类簇对应的差异占比,为第s个聚类簇内所有子区域的最大灰度变化特征值,/>为第s个聚类簇内所有子区域的最小灰度变化特征值,Is为第s个聚类簇内子区域的数量,Qs,i为第s个聚类簇内第i个子区域的灰度变化特征值,/>为第s个聚类簇内所有子区域的平均灰度变化特征值,S为聚类簇的总数量,||为取绝对值符号。
表示第s个聚类簇内所有子区域的灰度变化特征值的极差,极差表示了第s个聚类簇内的子区域的灰度变化特征值的范围,间接反映了该聚类簇内子区域的密集程度。由于铝复合板表面未受到反光和不存在划痕的区域的灰度变化程度较小,因此在进行聚类处理时,未受到反光影响的区域和不存在划痕的区域的灰度变化特征较接近,而反光区域和划痕区域的灰度变化程度较大且较不一致。因此,/>的值越小,说明第s个聚类簇内的子区域为未受到反光影响和非划痕区域的可能性越大;用于反映第s个聚类簇内所有子区域的灰度变化特征值与平均灰度变化特征值之间的差异情况,该值越小,说明第s个聚类簇内的子区域为未受到反光影响和非划痕区域的可能性越大;第s个聚类簇内所有子区域的平均灰度变化特征值用于反映该聚类簇的总体灰度变化程度,该值越小,说明该聚类簇为未受到反光影响和非划痕的区域的可能性越大。
采用上述方法,能够获得每个聚类簇对应的差异占比,将所有聚类簇中差异占比最小的聚类簇确定为正常区域,将所有聚类簇中除正常区域外的聚类簇确定为疑似缺陷区域,正常区域为未受到反光影响且不存在划痕的区域,疑似缺陷区域为划痕缺陷区域的可能性较大。
至此,本实施例对所有聚类簇分成了两类,分别为正常区域和疑似缺陷区域,也即获得了一个正常区域和多个疑似缺陷区域。
步骤S3,基于疑似缺陷区域与正常区域中像素点的灰度值的大小关系,确定疑似缺陷区域中的待分析像素点;根据每个待分析像素点与其预设邻域内像素点的灰度差异以及正常区域中像素点的灰度值,得到每个待分析像素点为图案像素点的可能性指标;基于所述可能性指标从所有疑似缺陷像素点中筛选疑似缺陷像素点。
疑似缺陷区域可能受到反光影响或者出现划痕导致区域内像素点的灰度发生变化,这些区域可能为存在划痕的疑似区域。当这些区域存在反光时,这些区域内的像素点可能为图案像素点、背景像素点、反光像素点或者划痕像素点,但是由于图案的颜色较深且均匀分布,当铝复合板表面图案出现划痕时,可能将图案的涂层刮掉,露出铝复合板表面的金属色,但是铝复合板表面正常区域较平整且颜色较均匀,当铝复合板表面出现划痕时,由于划痕处深浅和形状不规则性,导致划痕区域反光性较差,因此划痕的颜色介于铝复合板背景颜色和图案颜色之间。若疑似缺陷区域内不存在反光区域只存在划痕,因为划痕颜色是介于图案像素点和背景像素点之间的,也即非反光区域存在划痕时,并未改变像素点的灰度分布范围。本实施例首先获取正常区域中所有像素点的最小灰度值和最大灰度值,基于正常区域中像素点的最小灰度值和最大灰度值确定正常灰度区间,正常灰度区间的下限值为正常区域中所有像素点的最小灰度值,正常灰度区间的上限值为正常区域中所有像素点的最大灰度值。在疑似缺陷区域中,将灰度值处于所述正常灰度区间内的像素点确定为疑似缺陷区域中的待分析像素点,也即获得了每个疑似缺陷区域中的所有待分析像素点。为了排除反光像素点的影响,对疑似缺陷区域进行分析时只分析待分析像素点,这样后续在对疑似缺陷区域进行阈值分割时,选取的最大灰度值更加准确。分割阈值一般是根据疑似缺陷区域内像素点的最小灰度值和最大灰度值进行选取的,在分析疑似缺陷区域中像素点的最小灰度值对应的是图案像素点,对疑似缺陷区域划痕提取时,根据传统的选择方法确定阈值是不准确的,为了排除图案像素点的干扰,需要对图案像素点进行排除。本实施例将根据每个待分析像素点与其预设邻域内像素点的灰度差异以及正常区域中像素点的灰度值,对每个待分析像素点属于图案像素点的可能性进行评价,得到每个待分析像素点为图案像素点的可能性指标。
具体地,对于第j个疑似缺陷区域中的第r个待分析像素点:
将正常区域中与第j个疑似缺陷区域中的第r个待分析像素点的灰度值相同的像素点的数量,记为第r个待分析像素点的参考数量;根据所述参考数量、第r个待分析像素点与其预设邻域内像素点的灰度差异、第r个待分析像素点的灰度值,获得第r个待分析像素点为图案像素点的可能性指标,本实施例中预设邻域为八邻域,在具体应用中,实施者可根据具体情况进行设置;所述参考数量与所述可能性指标呈正相关关系,所述第r个待分析像素点与其预设邻域内像素点的灰度差异和所述第r个待分析像素点的灰度值均与所述可能性指标呈负相关关系。其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定;负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。作为具体实施方式,给出可能性指标的具体计算公式,第r个待分析像素点为图案像素点的可能性指标的计算公式为:
;
其中,Tjr表示第j个疑似缺陷区域中的第r个待分析像素点为图案像素点的可能性,Njr表示正常区域中与第j个疑似缺陷区域中的第r个待分析像素点的灰度值相同的像素点的数量,Hj,r表示第j个疑似缺陷区域中的第r个待分析像素点的灰度值,Hj,r,z表示第j个疑似缺陷区域中的第r个待分析像素点的预设邻域内第z个像素点的灰度值,Zjr表示第j个疑似缺陷区域中的第r个待分析像素点的预设邻域内像素点的数量,exp( )表示以自然常数为底数的指数函数。
由于图案在待检测铝复合板表面是均匀分布的,当正常区域中与待分析像素点的灰度值相同的像素点的数量越多时,说明待分析像素点属于图案像素点的可能性越大。疑似缺陷区域中像素点的灰度值越小,也即像素点的颜色越深时,其为图案像素点的可能越大;表示第r个待分析像素点与其周围像素点的灰度差异情况,由于图案像素点的灰度较均匀,当第r个待分析像素点与其预设邻域内像素点的灰度差异越小时,说明第r个待分析像素点与其预设邻域内像素点的灰度分布越均匀,第r个待分析像素点为图案像素点的可能性越大。
采用上述方法,能够获得每个待分析像素点为图案像素点的可能性,本实施例将可能性指标小于预设可能性指标阈值的待分析像素点,确定为疑似缺陷像素点。本实施例中的预设可能性指标阈值为0.8,在具体应用中,实施者可根据具体情况进行设置。
至此,本实施例对所有待分析像素点进行分析,从所有待分析像素点中筛选出了疑似缺陷像素点。
步骤S4,基于疑似缺陷区域中除疑似缺陷像素点外其他像素点的灰度值从疑似缺陷像素点中筛选缺陷像素点,进而判断待检测铝复合板是否存在缺陷。
本实施例已经筛选出了疑似缺陷像素点,接下来将从疑似缺陷像素点中筛选缺陷像素点,进而判断待检测铝复合板是否存在缺陷。
具体地,对于第k个疑似缺陷区域:将第k个疑似缺陷区域中除缺陷像素点外的像素点记为参考像素点;将第k个疑似缺陷区域中所有参考像素点的最大灰度值和最小灰度值两者的均值作为划分阈值;由于缺陷区域在图像中呈现灰度较低,也即灰度值较小的特征,因此在第k个疑似缺陷区域中,将灰度值小于所述划分阈值的像素点确定为缺陷像素点。采用该方法,能够获得每个疑似缺陷区域中的缺陷像素点。
待检测铝复合板的表面图像中的缺陷像素点越多,说明待检测铝复合板越可能存在缺陷,因此本实施例统计待检测铝复合板的表面图像中缺陷像素点的总数量,若待检测铝复合板的表面图像中缺陷像素点的总数量大于预设数量阈值,则判定待检测铝复合板存在缺陷,需要对划痕处进行抛光处理或者进行其他修复等操作;若待检测铝复合板的表面图像中缺陷像素点的总数量小于或等于预设数量阈值,则判定待检测铝复合板不存在缺陷。本实施例中的预设数量阈值为待检测铝复合板的表面图像中像素点的总数量的5%,在具体应用中,实施者可根据具体情况进行设置。
至此,采用本实施例提供的方法,完成了对待检测铝复合板的缺陷检测。
本实施例考虑到在对带有图案的待检测铝复合板表面进行划痕区域的提取时,由于划痕的深浅和铝复合板部分区域受到光照等其他因素的影响,使用单一阈值难以对划痕区域进行准确提取,又由于待检测铝复合板的表面图像中并不是所有子区域内都存在划痕,因此本实施例首先对待检测铝复合板的表面图像中的每个子区域的灰度变化程度进行分析,获得了每个子区域的灰度变化特征值,然后通过聚类的方式将不存在反光和不存在划痕的子区域筛选出来不参与后续分析,进一步减少了计算量,将所有聚类簇划分为了两类,分别为正常区域和疑似缺陷区域,疑似缺陷区域为受到反光影响或者存在划痕的区域的可能性较大,然后通过对疑似缺陷区域与正常区域中像素点的灰度值的大小关系进行分析,筛选了疑似缺陷区域中的待分析像素点,为了避免图案像素点的干扰,根据图案像素点的分布及灰度特征,获得了每个待分析像素点为图案像素点的可能性指标,进而对图案像素点进一步进行去除,确定了疑似缺陷像素点,进而从疑似缺陷像素点中筛选出缺陷像素点,判断待检测铝复合板是否存在缺陷,提高了铝复合板缺陷检测结果的准确度。
基于人工智能的铝复合板缺陷检测系统实施例:
本实施例基于人工智能的铝复合板缺陷检测系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的基于人工智能的铝复合板缺陷检测方法。
由于基于人工智能的铝复合板缺陷检测方法已经在基于人工智能的铝复合板缺陷检测方法实施例中进行了说明,所以本实施例不再对基于人工智能的铝复合板缺陷检测方法进行赘述。
需要说明的是:以上所述仅为本发明的较佳实施例,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 (10)
1.一种基于人工智能的铝复合板缺陷检测方法,其特征在于,该方法包括以下步骤:
获取待检测铝复合板的表面图像,对所述表面图像进行划分获得若干个子区域;待检测铝复合板上印刷有图案;
根据每个子区域内像素点的灰度值,得到每个子区域的灰度变化特征值;基于所述灰度变化特征值对所有子区域进行聚类获得各聚类簇;根据每个聚类簇内每个子区域的灰度变化特征值,确定正常区域和疑似缺陷区域;
基于疑似缺陷区域与正常区域中像素点的灰度值的大小关系,确定疑似缺陷区域中的待分析像素点;根据每个待分析像素点与其预设邻域内像素点的灰度差异以及正常区域中像素点的灰度值,得到每个待分析像素点为图案像素点的可能性指标;基于所述可能性指标从所有疑似缺陷像素点中筛选疑似缺陷像素点;
基于疑似缺陷区域中除疑似缺陷像素点外其他像素点的灰度值从疑似缺陷像素点中筛选缺陷像素点,进而判断待检测铝复合板是否存在缺陷。
2.根据权利要求1所述的基于人工智能的铝复合板缺陷检测方法,其特征在于,所述根据每个子区域内像素点的灰度值,得到每个子区域的灰度变化特征值,包括:
对于第r个子区域:
统计第r个子区域中每种灰度值出现的次数,计算第r个子区域中所有灰度值出现的次数的标准差;
按照预设顺序对第r个子区域中所有灰度值进行排序获得第r个子区域对应的灰度值序列;计算第r个子区域对应的灰度值序列中每相邻两个灰度值出现的次数的差异;
根据所述标准差和所述每相邻两个灰度值出现的次数的差异,得到第r个子区域的灰度变化特征值,所述标准差和所述每相邻两个灰度值出现的次数的差异均与所述灰度变化特征值呈正相关关系。
3.根据权利要求1所述的基于人工智能的铝复合板缺陷检测方法,其特征在于,所述根据每个聚类簇内每个子区域的灰度变化特征值,确定正常区域和疑似缺陷区域,包括:
对于第s个聚类簇:
根据第s个聚类簇内所有子区域的灰度变化特征值的极差、第s个聚类簇内每个子区域的灰度变化特征值与所有子区域的平均灰度变化特征值之间的差异,得到第s个聚类簇对应的差异占比;
将所有聚类簇中差异占比最小的聚类簇确定为正常区域;将所有聚类簇中除正常区域外的聚类簇确定为疑似缺陷区域。
4.根据权利要求3所述的基于人工智能的铝复合板缺陷检测方法,其特征在于,采用如下公式计算第s个聚类簇对应的差异占比:
;
其中,Ps为第s个聚类簇对应的差异占比,为第s个聚类簇内所有子区域的最大灰度变化特征值,/>为第s个聚类簇内所有子区域的最小灰度变化特征值,Is为第s个聚类簇内子区域的数量,Qs,i为第s个聚类簇内第i个子区域的灰度变化特征值,/>为第s个聚类簇内所有子区域的平均灰度变化特征值,S为聚类簇的总数量,||为取绝对值符号。
5.根据权利要求1所述的基于人工智能的铝复合板缺陷检测方法,其特征在于,所述基于疑似缺陷区域与正常区域中像素点的灰度值的大小关系,确定疑似缺陷区域中的待分析像素点,包括:
基于正常区域中像素点的最小灰度值和最大灰度值确定正常灰度区间;
在疑似缺陷区域中,将灰度值处于所述正常灰度区间内的像素点确定为疑似缺陷区域中的待分析像素点。
6.根据权利要求1所述的基于人工智能的铝复合板缺陷检测方法,其特征在于,所述根据每个待分析像素点与其预设邻域内像素点的灰度差异以及正常区域中像素点的灰度值,得到每个待分析像素点为图案像素点的可能性指标,包括:
对于第j个疑似缺陷区域中的第r个待分析像素点:
将正常区域中与第j个疑似缺陷区域中的第r个待分析像素点的灰度值相同的像素点的数量,记为第r个待分析像素点的参考数量;
根据所述参考数量、第r个待分析像素点与其预设邻域内像素点的灰度差异、第r个待分析像素点的灰度值,获得第r个待分析像素点为图案像素点的可能性指标,所述参考数量与所述可能性指标呈正相关关系,所述第r个待分析像素点与其预设邻域内像素点的灰度差异和所述第r个待分析像素点的灰度值均与所述可能性指标呈负相关关系。
7.根据权利要求1所述的基于人工智能的铝复合板缺陷检测方法,其特征在于,所述基于所述可能性指标从所有疑似缺陷像素点中筛选疑似缺陷像素点,包括:
将可能性指标小于预设可能性指标阈值的待分析像素点,确定为疑似缺陷像素点。
8.根据权利要求1所述的基于人工智能的铝复合板缺陷检测方法,其特征在于,所述基于所述灰度变化特征值对所有子区域进行聚类获得各聚类簇,包括:
将所有灰度变化特征值按照预设顺序进行排序获得灰度变化特征值序列,采用肘部算法对所述灰度变化特征值序列进行处理获得最优K值;采用K-means聚类算法对所述灰度变化特征值序列中的数据进行聚类,获得各子数据段,基于所述各子数据段在所述表面图像中获得对应的聚类簇;其中采用K-means聚类算法聚类时的K值为所述最优K值。
9.根据权利要求1所述的基于人工智能的铝复合板缺陷检测方法,其特征在于,所述基于疑似缺陷区域中除疑似缺陷像素点外其他像素点的灰度值从疑似缺陷像素点中筛选缺陷像素点,进而判断待检测铝复合板是否存在缺陷,包括:
对于第k个疑似缺陷区域:将第k个疑似缺陷区域中除缺陷像素点外的像素点记为参考像素点;将第k个疑似缺陷区域中所有参考像素点的最大灰度值和最小灰度值两者的均值作为划分阈值;在第k个疑似缺陷区域中,将灰度值小于所述划分阈值的像素点确定为缺陷像素点;
若所述表面图像中缺陷像素点的总数量大于预设数量阈值,则判定待检测铝复合板存在缺陷;若所述表面图像中缺陷像素点的总数量小于或等于预设数量阈值,则判定待检测铝复合板不存在缺陷。
10.一种基于人工智能的铝复合板缺陷检测系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-9任一项所述的基于人工智能的铝复合板缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410085722.5A CN117611583B (zh) | 2024-01-22 | 2024-01-22 | 基于人工智能的铝复合板缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410085722.5A CN117611583B (zh) | 2024-01-22 | 2024-01-22 | 基于人工智能的铝复合板缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611583A true CN117611583A (zh) | 2024-02-27 |
CN117611583B CN117611583B (zh) | 2024-04-19 |
Family
ID=89950237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410085722.5A Active CN117611583B (zh) | 2024-01-22 | 2024-01-22 | 基于人工智能的铝复合板缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611583B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952955A (zh) * | 2024-03-06 | 2024-04-30 | 济宁鲁英机械制造有限公司 | 一种丝杠表面缺陷智能检测方法及装置 |
CN118014989A (zh) * | 2024-04-02 | 2024-05-10 | 东莞市时实电子有限公司 | 一种电源适配器表面缺陷智能检测方法 |
CN118196100A (zh) * | 2024-05-17 | 2024-06-14 | 武汉市巽皇食品有限公司 | 一种基于和面机的面团检测装置及检测方法 |
CN118397003A (zh) * | 2024-06-27 | 2024-07-26 | 宝鸡市鹏盛鑫有色金属有限责任公司 | 一种有色金属部件的缺陷定位方法及系统 |
CN118470011A (zh) * | 2024-07-11 | 2024-08-09 | 长沙韶光芯材科技有限公司 | 一种玻璃基板涂胶效果智能检测方法 |
CN118570214A (zh) * | 2024-08-05 | 2024-08-30 | 陕西首铝模架科技有限公司 | 一种用于建筑模板系统的合金板材辊压缺陷识别方法 |
CN118397003B (zh) * | 2024-06-27 | 2024-10-15 | 宝鸡市鹏盛鑫有色金属有限责任公司 | 一种有色金属部件的缺陷定位方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116596936A (zh) * | 2023-07-18 | 2023-08-15 | 深圳市魔方卫星科技有限公司 | 基于图像数据的太阳翼帆板质量检测方法 |
CN116912261A (zh) * | 2023-09-15 | 2023-10-20 | 张家港市神舟机械有限公司 | 一种塑料模具注塑表面缺陷检测方法 |
CN116993744A (zh) * | 2023-09-28 | 2023-11-03 | 张家港思复安全科技有限公司 | 一种基于阈值分割的焊缝缺陷检测方法 |
CN117011292A (zh) * | 2023-09-28 | 2023-11-07 | 张家港飞腾复合新材料股份有限公司 | 一种复合板表面质量快速检测方法 |
CN117011297A (zh) * | 2023-10-07 | 2023-11-07 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测系统 |
CN117252917A (zh) * | 2023-11-14 | 2023-12-19 | 宝鸡市钛程金属复合材料有限公司 | 基于图像处理的船用复合板生产控制方法 |
CN117288099A (zh) * | 2023-11-27 | 2023-12-26 | 江苏海德曼新材料股份有限公司 | 基于机器视觉的铝塑复合板生产质量检测分析方法 |
CN117314916A (zh) * | 2023-11-29 | 2023-12-29 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
-
2024
- 2024-01-22 CN CN202410085722.5A patent/CN117611583B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116596936A (zh) * | 2023-07-18 | 2023-08-15 | 深圳市魔方卫星科技有限公司 | 基于图像数据的太阳翼帆板质量检测方法 |
CN116912261A (zh) * | 2023-09-15 | 2023-10-20 | 张家港市神舟机械有限公司 | 一种塑料模具注塑表面缺陷检测方法 |
CN116993744A (zh) * | 2023-09-28 | 2023-11-03 | 张家港思复安全科技有限公司 | 一种基于阈值分割的焊缝缺陷检测方法 |
CN117011292A (zh) * | 2023-09-28 | 2023-11-07 | 张家港飞腾复合新材料股份有限公司 | 一种复合板表面质量快速检测方法 |
CN117011297A (zh) * | 2023-10-07 | 2023-11-07 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测系统 |
CN117252917A (zh) * | 2023-11-14 | 2023-12-19 | 宝鸡市钛程金属复合材料有限公司 | 基于图像处理的船用复合板生产控制方法 |
CN117288099A (zh) * | 2023-11-27 | 2023-12-26 | 江苏海德曼新材料股份有限公司 | 基于机器视觉的铝塑复合板生产质量检测分析方法 |
CN117314916A (zh) * | 2023-11-29 | 2023-12-29 | 宝鸡市钛程金属复合材料有限公司 | 一种基于人工智能的金属复合板爆炸焊接检测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
郑晓玲;刘斌;: "采用机器视觉的铝压铸件表面缺陷检测", 华侨大学学报(自然科学版), no. 02, 20 March 2016 (2016-03-20) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952955A (zh) * | 2024-03-06 | 2024-04-30 | 济宁鲁英机械制造有限公司 | 一种丝杠表面缺陷智能检测方法及装置 |
CN118014989A (zh) * | 2024-04-02 | 2024-05-10 | 东莞市时实电子有限公司 | 一种电源适配器表面缺陷智能检测方法 |
CN118196100A (zh) * | 2024-05-17 | 2024-06-14 | 武汉市巽皇食品有限公司 | 一种基于和面机的面团检测装置及检测方法 |
CN118196100B (zh) * | 2024-05-17 | 2024-07-23 | 武汉市巽皇食品有限公司 | 一种基于和面机的面团检测装置及检测方法 |
CN118397003A (zh) * | 2024-06-27 | 2024-07-26 | 宝鸡市鹏盛鑫有色金属有限责任公司 | 一种有色金属部件的缺陷定位方法及系统 |
CN118397003B (zh) * | 2024-06-27 | 2024-10-15 | 宝鸡市鹏盛鑫有色金属有限责任公司 | 一种有色金属部件的缺陷定位方法及系统 |
CN118470011A (zh) * | 2024-07-11 | 2024-08-09 | 长沙韶光芯材科技有限公司 | 一种玻璃基板涂胶效果智能检测方法 |
CN118570214A (zh) * | 2024-08-05 | 2024-08-30 | 陕西首铝模架科技有限公司 | 一种用于建筑模板系统的合金板材辊压缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117611583B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117611583B (zh) | 基于人工智能的铝复合板缺陷检测方法及系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
CN117237646A (zh) | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统 | |
CN117058147A (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
CN113673396B (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
CN117611551B (zh) | 基于物联网的显示屏异常检测方法及系统 | |
CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
CN117808812A (zh) | 一种柔性电路板瑕疵检测方法及系统 | |
CN117173176A (zh) | 基于图像处理的多晶层光刻工艺热点检测方法 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN115690011A (zh) | 基于光学信息的合成胶无纺布污点检测方法 | |
CN114881952A (zh) | 一种铸件缺陷区域检测及边缘准确分割方法 |
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 |