CN117788959A - 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法 - Google Patents

基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法 Download PDF

Info

Publication number
CN117788959A
CN117788959A CN202410210615.0A CN202410210615A CN117788959A CN 117788959 A CN117788959 A CN 117788959A CN 202410210615 A CN202410210615 A CN 202410210615A CN 117788959 A CN117788959 A CN 117788959A
Authority
CN
China
Prior art keywords
pixel
pair
crack
spatial distribution
indicate
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
Application number
CN202410210615.0A
Other languages
English (en)
Other versions
CN117788959B (zh
Inventor
许军刚
方成
程峰
雷小坤
韦宣勇
唐明
覃刘爱
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.)
Wuhan Dtn New Energy Technology Co ltd
Original Assignee
Wuhan Dtn New Energy Technology 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 Wuhan Dtn New Energy Technology Co ltd filed Critical Wuhan Dtn New Energy Technology Co ltd
Priority to CN202410210615.0A priority Critical patent/CN117788959B/zh
Publication of CN117788959A publication Critical patent/CN117788959A/zh
Application granted granted Critical
Publication of CN117788959B publication Critical patent/CN117788959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及图像处理领域,更具体地,本发明涉及基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,方法包括:采集异种金属电磁脉冲的焊接图像,并进行预处理,得到灰度图像;遍历灰度图像,获取所有的像素对和出现频率,构建灰度共生矩阵;根据灰度共生矩阵中灰度值差异和出现频率,计算像素对的纹理特征强度;计算像素对的空间分布特征;根据纹理特征强度和空间分布特征计算属于缺陷区域的概率并判断焊接图像中是否存在裂缝缺陷。本发明通过灰度共生矩阵中每一个像素对的空间分布特征和共生频率综合分析,确定每一个像素对为裂缝区域的可能性,有效的区分金属板材的纹理和裂缝区域,提高焊件强度。

Description

基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法
技术领域
本发明一般地涉及图像处理领域。更具体地,本发明涉及基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法。
背景技术
电磁脉冲焊接是一种利用脉冲磁场对工件施加力的高能率成型技术。可以有效避免异种金属熔化焊所引起的焊接问题,所得接头无热影响区,形成的金属间化合物相的量将减少,强度和耐蚀性高。
以铜、铝异种金属为例,在对其利用电磁脉冲技术进行焊接的过程中,过大的工件间隙会导致铝管获得的撞击速度过高,产生很大的残余应力,致使某些位置形成裂纹,若焊件出现裂缝,则会导致焊件的强度降低、易被腐蚀、导电性能变差等一系列问题,因此,需要对焊件的裂缝进行检测,根据检测结果对工件的间隙进行调整,以减少工件焊接过程中所出现的质量问题。
由于焊接裂缝通常处于一种较为规则的形状,目前通过计算图像中像素对的共生频率来提取纹理信息,但是现有技术灰度共生矩阵仅通过统计图像中的像素对的共生频率来提取纹理信息,无法考虑到像素对的空间位置分布信息,而在利用电磁脉冲技术所焊接的异种金属中,由于异种金属之间存在材质差异,因此,在这两种金属各自的部分会存在不同的纹理特征,在利用灰度共生矩阵焊接后的异种金属进行裂缝检测时,无法有效的区分金属板材的纹理和裂缝区域。
发明内容
为解决上述一个或多个技术问题,本发明提出分析灰度共生矩阵中每一个像素对的空间分布特征和共生频率,综合分析每一个像素对为裂缝区域的可能性,并根据裂缝区域的可能性从而对裂缝区域进行检测,为此,本发明在如下的多个方面中提供方案。
基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,包括:采集异种金属电磁脉冲的焊接图像,并对所述焊接图像进行预处理,得到焊接图像的灰度图像;遍历所述灰度图像,获取所有的像素对以及每一个像素对的出现频率,构建灰度共生矩阵;根据所述灰度共生矩阵中的每一个像素对的灰度值差异以及像素对的出现频率,计算像素对的纹理特征强度;根据每一个像素对的空间分布位置获取像素对的连通区域,根据所述连通区域计算像素对的空间分布特征;根据任意一个像素对的所述纹理特征强度和空间分布特征计算像素对属于缺陷区域的概率;计算所有所述像素对属于缺陷区域的概率,基于所述缺陷区域的概率判断焊接图像中是否存在裂缝缺陷。
在一个实施例中,据所述灰度共生矩阵中的每一个像素对的灰度值差异以及像素对的出现频率,计算像素对的纹理特征强度,包括:
纹理特征强度的满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对的纹理特征强度;/>表示第/>个灰度共生矩阵中的第/>个像素对的灰度值差值的绝对值;/>表示第/>个灰度共生矩阵中的第/>个像素对的出现频率;/>表示以2为底数的对数函数;/>表示标准归一化函数。
在一个实施例中,根据每一个像素对的空间分布位置获取像素对的连通区域,包括:
对任意一对像素点标记为一个像素基元,获取所有像素基元的坐标位置,其中所述坐标位置即为像素基元的两个像素点的横纵坐标的索引位置均值;
获取像素基元的八邻域范围,提取所述像素基元的连通区域,计算所述连通区域的中心坐标;
式中,表示连通区域中的第/>个像素基元与连通区域的中心位置的夹角大小;表示连通区域中的第/>个像素基元的横坐标位置;/>表示连通区域中的第/>个像素基元的纵坐标位置;/>表示连通区域的中心坐标位置的横坐标;/>表示连通区域的中心坐标位置的纵坐标;/>表示反正切函数。
在一个实施例中,根据所述连通区域计算像素对的空间分布特征,包括:
连通区域的中心位置计算像素对的空间分布特征,满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对的空间分布特征;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域的所有像素基元与其所在的连通区域的中心位置的距离的最大值;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域的所有像素基元与其所在的连通区域的中心位置的距离的最小值;/>表示第/>个灰度共生矩阵中的第/>个像素对的所有连通区域的所有像素基元与其所在的连通区域的中心位置的距离的方差;/>表示第/>个灰度共生矩阵中的第/>个像素对的所有连通区域的所有像素基元与其所在的连通区域的中心位置的夹角的方差;/>表示以自然常数/>为底数的指数函数。
在一个实施例中,根据任意一个像素对的所述纹理特征强度和空间分布特征计算像素对属于缺陷区域的概率,包括:
计算像素对属于缺陷区域的概率满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对属于缺陷区域的概率;/>表示第/>个灰度共生矩阵中的第/>个像素对的纹理特征强度;/>表示第/>个灰度共生矩阵中的第/>个像素对的空间分布特征;/>表示以自然常数/>为底数的指数函数。
在一个实施例中,根据任意一个像素对的所述纹理特征强度和空间分布特征计算像素对属于缺陷区域的概率,包括:
响应于属于裂缝部分的概率大于等于预设阈值,则根据裂缝部分的概率大于等于预设阈值的像素对的数量除以所有灰度共生矩阵中的像素对总数,得到属于裂缝区域的概率。
在一个实施例中,基于所述缺陷区域的概率判断焊接图像中是否存在裂缝缺陷,包括:
设置裂缝缺陷判断阈值,响应于裂缝区域的占比大于裂缝缺陷判断阈值,则异种金属的电磁脉冲焊接图像存在裂缝。
本发明具有以下效果:
1.本发明通过灰度共生矩阵中每一个像素对的空间分布特征和共生频率综合分析,对每个像素对为裂缝区域的可能性,并根据每一个像素对为裂缝区域的可能性从而实现对裂缝区域进行检测,有效的区分金属板材的纹理和裂缝区域,提高焊件强度。
2.本发明通过对灰度共生矩阵中纹理特征强度和空间分布特征计算像素对属于缺陷区域的概率,更好识别金属板材的纹理和裂缝区域,实现精准检测。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法中步骤S1-S6的方法流程图。
图2是本发明实施例基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法中步骤S40-S42的方法流程图。
图3是本发明实施例基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法中步骤S60-S61的方法流程图。
具体实施方式
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。基于本发明中的实施例,本领域技术人员在没有做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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法包括步骤S1-S6,具体如下:
S1:采集异种金属电磁脉冲的焊接图像,并对焊接图像进行预处理,得到焊接图像的灰度图像。
进一步说明,根据摄像头拍摄并采集一种金属电磁脉冲的焊接图像,并将焊接图像上传至云端,在云端对焊接图像进行预处理。对于所采集的异种金属的电磁脉冲图像,对焊接图像进行灰度化处理,从而得到了异种金属的电磁脉冲焊接图像的灰度图。
S2:遍历灰度图像,获取所有的像素对以及每一个像素对的出现频率,构建灰度共生矩阵。
进一步说明,首先从方向(即左右方向)上统计两两相邻的像素对的灰度值,并记录所有像素对的出现频率;然后,重复上述步骤分别统计/>(即上下方向)、/>(即主对角线方向)、/>(即从对角线方向)依次统计两两相邻的像素对的灰度值,并记录每一个像素对的出现频率,利用现有技术灰度共生矩阵的构建方法来构建灰度共生矩阵,每一个方向上的像素对都分别构建一个灰度共生矩阵,即一共需要构建四个灰度共生矩阵。
S3:根据灰度共生矩阵中的每一个像素对的灰度值差异以及像素对的出现频率,计算像素对的纹理特征强度。
纹理特征强度的满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对的纹理特征强度;/>表示第/>个灰度共生矩阵中的第/>个像素对的灰度值差值的绝对值;/>表示第/>个灰度共生矩阵中的第/>个像素对的出现频率;/>表示以2为底数的对数函数;/>表示标准归一化函数。
进一步说明,对于任意一个像素对,若像素对的灰度值差异较大,且出现频率较低,则说明像素对在灰度图像中所出现的次数较少且对比度越明显,即像素对的纹理特征越强,属于裂缝缺陷的概率越大;反之,若像素对的灰度值差异较小,且出现频率较高,则说明像素对在灰度图像中所出现的次数越多且对比度越不明显,即像素对的纹理特征越弱,属于裂缝缺陷的概率越小。
S4:根据每一个像素对的空间分布位置获取像素对的连通区域,根据连通区域计算像素对的空间分布特征,参考图2,包括步骤S40-S42:
S40:对任意一对像素点标记为一个像素基元,获取所有像素基元的坐标位置,其中坐标位置即为像素基元的两个像素点的横纵坐标的索引位置均值;
S41:获取像素基元的八邻域范围,提取像素基元的连通区域,计算连通区域的中心坐标;
式中,表示连通区域中的第/>个像素基元与连通区域的中心位置的夹角大小;表示连通区域中的第/>个像素基元的横坐标位置;/>表示连通区域中的第/>个像素基元的纵坐标位置;/>表示连通区域的中心坐标位置的横坐标;/>表示连通区域的中心坐标位置的纵坐标;/>表示反正切函数;
进一步说明,获取像素对的任意一个连通区域中的所有像素基元与对应的连通区域的中心位置的欧式距离以及夹角大小。
S42:连通区域的中心位置计算像素对的空间分布特征,满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对的空间分布特征;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域的所有像素基元与其所在的连通区域的中心位置的距离的最大值;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域的所有像素基元与其所在的连通区域的中心位置的距离的最小值;/>表示第/>个灰度共生矩阵中的第/>个像素对的所有连通区域的所有像素基元与其所在的连通区域的中心位置的距离的方差;/>表示第/>个灰度共生矩阵中的第/>个像素对的所有连通区域的所有像素基元与其所在的连通区域的中心位置的夹角的方差;/>表示以自然常数/>为底数的指数函数。
进一步说明,表示像素对的第/>个连通区域中的像素基元距离其所在连通区域中心位置的欧式距离的极差值,其取值越大,则说明像素对的第/>个连通区域在某个方向上的形状更趋于扁平状态;/>的取值越大,则说明像素对的所有像素基元与对应的连通区域的中心位置的距离取值范围越广,分布范围越广,则说明的取值的置信程度越高,即/>可能为噪声取值的可能越小;/>的取值越小,则说明像素对的所有像素基元与对应的连通区域的中心位置的夹角角度越趋近于某个取值,则说明像素对的所有连通区域的形状越趋近于扁平状态,即空间分布特征越小。综上,/>的取值越大,/>的取值越小,则像素对的空间分布特征就越大;反之,像素对的空间分布特征就越小。
S5:根据任意一个像素对的纹理特征强度和空间分布特征计算像素对属于缺陷区域的概率。
需要说明的是,对于任意一个像素对,若像素对的纹理特征强度越强,空间分布特征大,则说明像素对的所有连通域的灰度值差异越大,出现频率越低,且在空间中的分布越不规律,而对于裂缝区域与纹理区域的对比,裂缝区域的纹理分布规律性较差,则灰度值的差异较大,而对于金属区域本身就存在的纹理部分,则灰度值差异较小,且纹理分布较为规律,因此可以根据任意一个像素对的纹理特征强度以及任意一个像素对的空间分布特征计算像素对属于缺陷区域的概率。
计算像素对属于缺陷区域的概率满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对属于缺陷区域的概率;/>表示第/>个灰度共生矩阵中的第/>个像素对的纹理特征强度;/>表示第/>个灰度共生矩阵中的第/>个像素对的空间分布特征;/>表示以自然常数/>为底数的指数函数。
S6:基于缺陷区域的概率判断焊接图像中是否存在裂缝缺陷,参考图3,包括步骤S60-S61:
S60:响应于属于裂缝部分的概率大于等于预设阈值,则根据裂缝部分的概率大于等于预设阈值的像素对的数量除以所有灰度共生矩阵中的像素对总数,得到属于裂缝区域的概率;
需要说明的是,本实施例的预设阈值为
S61:设置裂缝缺陷判断阈值,响应于裂缝区域的占比大于裂缝缺陷判断阈值,则异种金属的电磁脉冲焊接图像存在裂缝。
进一步说明,本实施例的裂缝缺陷判断阈值为,当裂缝区域的概率小于/>,认为异种金属的电磁脉冲焊接图像不存在裂缝。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (7)

1.基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,其特征在于,包括:
采集异种金属电磁脉冲的焊接图像,并对所述焊接图像进行预处理,得到焊接图像的灰度图像;
遍历所述灰度图像,获取所有的像素对以及每一个像素对的出现频率,构建灰度共生矩阵;
根据所述灰度共生矩阵中的每一个像素对的灰度值差异以及像素对的出现频率,计算像素对的纹理特征强度;
根据每一个像素对的空间分布位置获取像素对的连通区域,根据所述连通区域计算像素对的空间分布特征;
根据任意一个像素对的所述纹理特征强度和空间分布特征计算像素对属于缺陷区域的概率;
基于所述缺陷区域的概率判断焊接图像中是否存在裂缝缺陷。
2.根据权利要求1所述的基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,其特征在于,据所述灰度共生矩阵中的每一个像素对的灰度值差异以及像素对的出现频率,计算像素对的纹理特征强度,包括:
纹理特征强度的满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对的纹理特征强度;/>表示第/>个灰度共生矩阵中的第/>个像素对的灰度值差值的绝对值;/>表示第/>个灰度共生矩阵中的第/>个像素对的出现频率;/>表示以2为底数的对数函数;/>表示标准归一化函数。
3.根据权利要求1所述的基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,其特征在于,根据每一个像素对的空间分布位置获取像素对的连通区域,包括:
对任意一对像素点标记为一个像素基元,获取所有像素基元的坐标位置,其中所述坐标位置即为像素基元的两个像素点的横纵坐标的索引位置均值;
获取像素基元的八邻域范围,提取所述像素基元的连通区域,计算所述连通区域的中心坐标;
式中,表示连通区域中的第/>个像素基元与连通区域的中心位置的夹角大小;/>表示连通区域中的第/>个像素基元的横坐标位置;/>表示连通区域中的第/>个像素基元的纵坐标位置;/>表示连通区域的中心坐标位置的横坐标;/>表示连通区域的中心坐标位置的纵坐标;/>表示反正切函数。
4.根据权利要求1所述的基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,其特征在于,根据所述连通区域计算像素对的空间分布特征,包括:
连通区域的中心位置计算像素对的空间分布特征,满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对的空间分布特征;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域的所有像素基元与其所在的连通区域的中心位置的距离的最大值;/>表示第/>个灰度共生矩阵中的第/>个像素对的第/>个连通区域的所有像素基元与其所在的连通区域的中心位置的距离的最小值;/>表示第/>个灰度共生矩阵中的第/>个像素对的所有连通区域的所有像素基元与其所在的连通区域的中心位置的距离的方差;表示第/>个灰度共生矩阵中的第/>个像素对的所有连通区域的所有像素基元与其所在的连通区域的中心位置的夹角的方差;/>表示以自然常数/>为底数的指数函数。
5.根据权利要求1所述的基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,其特征在于,根据任意一个像素对的所述纹理特征强度和空间分布特征计算像素对属于缺陷区域的概率,包括:
计算像素对属于缺陷区域的概率满足下述关系式:
式中,表示第/>个灰度共生矩阵中的第/>个像素对属于缺陷区域的概率;/>表示第/>个灰度共生矩阵中的第/>个像素对的纹理特征强度;/>表示第/>个灰度共生矩阵中的第/>个像素对的空间分布特征;/>表示以自然常数/>为底数的指数函数。
6.根据权利要求1所述的基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,其特征在于,根据任意一个像素对的所述纹理特征强度和空间分布特征计算像素对属于缺陷区域的概率,包括:
响应于属于裂缝部分的概率大于等于预设阈值,则根据裂缝部分的概率大于等于预设阈值的像素对的数量除以所有灰度共生矩阵中的像素对总数,得到属于裂缝区域的概率。
7.根据权利要求1所述的基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法,其特征在于,基于所述缺陷区域的概率判断焊接图像中是否存在裂缝缺陷,包括:
设置裂缝缺陷判断阈值,响应于裂缝区域的占比大于裂缝缺陷判断阈值,则异种金属的电磁脉冲焊接图像存在裂缝。
CN202410210615.0A 2024-02-27 2024-02-27 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法 Active CN117788959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410210615.0A CN117788959B (zh) 2024-02-27 2024-02-27 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410210615.0A CN117788959B (zh) 2024-02-27 2024-02-27 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法

Publications (2)

Publication Number Publication Date
CN117788959A true CN117788959A (zh) 2024-03-29
CN117788959B CN117788959B (zh) 2024-06-18

Family

ID=90393056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410210615.0A Active CN117788959B (zh) 2024-02-27 2024-02-27 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法

Country Status (1)

Country Link
CN (1) CN117788959B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011163866A (ja) * 2010-02-08 2011-08-25 Nippon Telegr & Teleph Corp <Ntt> コンクリート画像抽出方法
CN102288613A (zh) * 2011-05-11 2011-12-21 北京科技大学 一种灰度和深度信息融合的表面缺陷检测方法
CN102508110A (zh) * 2011-10-10 2012-06-20 上海大学 基于纹理的绝缘子缺陷诊断方法
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN114419007A (zh) * 2022-01-21 2022-04-29 西安交通大学 多策略融合深度学习网络模型的缺陷类型识别方法及系统
US20220208384A1 (en) * 2020-12-24 2022-06-30 Industry-Academic Cooperation Foundation, Yonsei University Method and apparatus of predicting fracture risk
CN114842027A (zh) * 2022-04-24 2022-08-02 南通真馨家纺有限公司 基于灰度共生矩阵的织物疵点分割方法和系统
CN115049671A (zh) * 2022-08-17 2022-09-13 南通东德纺织科技有限公司 基于计算机视觉的布匹表面缺陷检测方法及系统
CN115272353A (zh) * 2022-10-07 2022-11-01 山东盛世恒机械制造有限公司 适用于裂纹检测的图像处理方法
CN116664557A (zh) * 2023-07-28 2023-08-29 无锡市明通动力工业有限公司 一种风机叶片表面缺陷视觉检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011163866A (ja) * 2010-02-08 2011-08-25 Nippon Telegr & Teleph Corp <Ntt> コンクリート画像抽出方法
CN102288613A (zh) * 2011-05-11 2011-12-21 北京科技大学 一种灰度和深度信息融合的表面缺陷检测方法
CN102508110A (zh) * 2011-10-10 2012-06-20 上海大学 基于纹理的绝缘子缺陷诊断方法
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
US20220208384A1 (en) * 2020-12-24 2022-06-30 Industry-Academic Cooperation Foundation, Yonsei University Method and apparatus of predicting fracture risk
CN114419007A (zh) * 2022-01-21 2022-04-29 西安交通大学 多策略融合深度学习网络模型的缺陷类型识别方法及系统
CN114842027A (zh) * 2022-04-24 2022-08-02 南通真馨家纺有限公司 基于灰度共生矩阵的织物疵点分割方法和系统
CN115049671A (zh) * 2022-08-17 2022-09-13 南通东德纺织科技有限公司 基于计算机视觉的布匹表面缺陷检测方法及系统
CN115272353A (zh) * 2022-10-07 2022-11-01 山东盛世恒机械制造有限公司 适用于裂纹检测的图像处理方法
CN116664557A (zh) * 2023-07-28 2023-08-29 无锡市明通动力工业有限公司 一种风机叶片表面缺陷视觉检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WIJAYA I G P S等: "Building crack due to lombok earthquake classification based on glcm features and svm classifier", 《2019 INTERNATIONAL CONFERENCE ON ADVANCED MECHATRONICS, INTELLIGENT MANUFACTURE AND INDUSTRIAL AUTOMATION (ICAMIMIA)》, 14 October 2020 (2020-10-14), pages 91 - 96 *
蓝重洲;高向东;马女杰;张南峰;: "焊接缺陷磁光成像纹理特征GLCM-Gabor识别方法", 焊接学报, no. 06, 25 June 2018 (2018-06-25), pages 100 - 103 *

Also Published As

Publication number Publication date
CN117788959B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN109682839B (zh) 一种金属弧形工件表面缺陷在线检测方法
CN105913415B (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN115330783A (zh) 一种钢丝绳缺陷检测方法
CN114240942B (zh) 一种基于图像处理的金属零件表面质量控制方法及系统
CN116228747B (zh) 一种金属柜加工质量监测方法
CN117351019B (zh) 一种焊接缺陷检测方法
CN115345885A (zh) 一种金属健身器材外观质量检测方法
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
CN115511889A (zh) 一种太阳能电池板支架表面焊接缺陷检测方法
CN115690108A (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN117095004B (zh) 基于计算机视觉的挖掘机行走架主体焊接变形检测方法
CN115100191A (zh) 基于工业检测的金属铸件缺陷识别方法
CN116258713B (zh) 一种金属柜焊接加工检测方法
CN114820612B (zh) 基于机器视觉的轧辊表面缺陷检测方法及系统
CN116402810B (zh) 基于图像处理的润滑油抗磨粒质量检测方法
CN117152161B (zh) 一种基于图像识别的刨花板质量检测方法及系统
CN112284260A (zh) 一种视觉位移监测方法、设备和系统
CN110619146A (zh) 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN117788959B (zh) 基于机器视觉的异种金属电磁脉冲焊接裂缝检测识别方法
Tang et al. Surface inspection system of steel strip based on machine vision
CN117314901B (zh) 一种尺度自适应的芯片检测神经网络系统
CN117474873B (zh) 一种高铬耐磨铸件钎焊前表面处理系统
CN117218124A (zh) 一种铜铝转接表面加工质量检测方法

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