CN117934469B - 一种矿用高压变频器外壳生产质量视觉检测方法 - Google Patents
一种矿用高压变频器外壳生产质量视觉检测方法 Download PDFInfo
- Publication number
- CN117934469B CN117934469B CN202410330418.2A CN202410330418A CN117934469B CN 117934469 B CN117934469 B CN 117934469B CN 202410330418 A CN202410330418 A CN 202410330418A CN 117934469 B CN117934469 B CN 117934469B
- Authority
- CN
- China
- Prior art keywords
- node
- cluster
- pixel point
- pixel
- nodes
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000005065 mining Methods 0.000 title claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 17
- 230000000007 visual effect Effects 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 113
- 238000009826 distribution Methods 0.000 claims abstract description 62
- 238000013138 pruning Methods 0.000 claims abstract description 44
- 235000012571 Ficus glomerata Nutrition 0.000 claims abstract description 34
- 244000153665 Ficus glomerata Species 0.000 claims abstract description 34
- 230000000694 effects Effects 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 22
- 238000013441 quality evaluation Methods 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 abstract 1
- 230000002950 deficient Effects 0.000 description 8
- 238000009966 trimming Methods 0.000 description 6
- 238000002955 isolation Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种矿用高压变频器外壳生产质量视觉检测方法,包括:获取高压变频器外壳的表面灰度图像和图像中的连通域;分析表面灰度图像中像素点的灰度值分布和连通域面积分布,获得每个像素点的噪声表现程度和缺陷表现程度;基于缺陷表现程度对像素点进行层次聚类获得聚类树,分析聚类树中节点中像素点的噪声表现程度和聚类效果获得节点的修剪优先程度;利用修剪优先程度对聚类树中的节点进行筛选获得待处理节点,获取待处理节点与对应相同层次中其他节点之间的关联程度;根据关联程度对聚类树进行修剪获得聚类结果,最终获得质量检测结果。本发明能够排除噪声的干扰获得更加准确的质量检测结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种矿用高压变频器外壳生产质量视觉检测方法。
背景技术
矿用高压变频器的装置外壳通常由钢材、铝合金、不锈钢等金属材料进行制作,在对外壳钢材进行轧制的过程中,由于板胚内的裂缝或气泡在轧制时裂开,导致该位置处的应力超过材料的变形极限从而出现非连续的、不同程度的缺陷区域。为了保证高压变频器在矿下工作的过程中,能够一直正常稳定的工作,则对矿用高压变频器的装置外壳进行质量检测就显得尤为重要。现有常通过自顶而下的层次聚类方法对外壳的表面图像进行聚类处理获得视觉检测结果中的缺陷部分。但是,在采集外壳的表面图像时可能会受到光照或者其他客观因素的影响,使得表面图像中存在噪声点影响层次聚类的结果,使得外壳生产质量检测结果较不准确。
发明内容
为了解决表面图像中存在噪声点影响层次聚类的结果,使得外壳生产质量检测结果较不准确的技术问题,本发明的目的在于提供及一种矿用高压变频器外壳生产质量视觉检测方法,所采用的技术方案具体如下:
获取矿用高压变频器外壳的表面灰度图像,提取表面灰度图像中的连通域;
根据表面灰度图像中每个像素点的邻域内像素点的灰度分布差异情况、每个像素点所在连通域面积分布以及连通域的缺陷特征分布情况,得到每个像素点的噪声表现程度;根据表面灰度图像中每个像素点的灰度值、所在连通域面积分布和边缘信息分布以及所述噪声表现程度,得到每个像素点的缺陷表现程度;
基于所述缺陷表现程度对每个像素点进行层次聚类获得聚类树,根据聚类树中每个节点对应聚类簇中每个像素点的噪声表现程度和对应聚类簇的聚类效果评价情况、每个节点中包含的像素点的分布情况,得到每个节点的修剪优先程度;
利用所述修剪优先程度对聚类树中的节点进行筛选获得待处理节点,根据待处理节点与对应相同层次中其他节点的中包含的像素点分布差异和噪声表现程度,得到待处理节点与其他节点之间的关联程度;
根据所述关联程度对聚类树进行修剪获得聚类结果,根据聚类结果中每个聚类簇包含的缺陷表现情况获得质量检测结果。
优选地,所述根据表面灰度图像中每个像素点的邻域内像素点的灰度分布差异情况、每个像素点所在连通域面积分布以及连通域的缺陷特征分布情况,得到每个像素点的噪声表现程度,具体包括:
将连通域中像素点的灰度值均值小于表面灰度图像所有像素点的灰度值均值对应的连通域作为缺陷特征连通域;
根据表面灰度图像中每个像素点的灰度值与邻域内像素点的灰度值均值之间的差异、每个像素点所在连通域的面积、缺陷特征连通域的面积以及每个像素点与缺陷特征连通域之间的距离分布,得到每个像素点的噪声表现程度。
优选地,所述每个像素点的噪声表现程度的获取方法具体为:
其中,表示表面灰度图像中第i个像素点的噪声表现程度,/>表示第i个像素点的邻域内第a个像素点的灰度值,/>表示第i个像素点的邻域内所有像素点的灰度值的均值,/>表示第i个像素点所在的连通域的面积,/>表示第i个像素点的邻域内包含的像素点的数量,/>表示表面灰度图像中包含的缺陷特征连通域的总数量,/>表示表面灰度图像中第j个缺陷特征连通域的面积,/>表示第i个像素点与第j个缺陷特征连通域之间的最短距离。
优选地,所述根据聚类树中每个节点对应聚类簇中每个像素点的噪声表现程度和对应聚类簇的聚类效果评价情况、每个节点中包含的像素点的分布情况,得到每个节点的修剪优先程度,具体包括:
对于聚类树中任意一个节点,计算节点对应的聚类簇中所有像素点的噪声表现程度的均值得到节点的噪声评价程度;
根据该节点对应的聚类簇中像素点的灰度值波动和该节点所在聚类层次下所有节点对应的聚类簇中像素点的灰度值波动,得到该节点的聚类效果评价值;
根据节点的噪声评价程度、节点对应的聚类簇中包含的像素点的数量以及所述聚类效果评价值,得到节点的修剪优先程度。
优选地,所述节点的修剪优先程度的获取方法具体为:
其中,表示聚类树中第r个节点的修剪优先程度,/>表示第r个节点的噪声评价程度,/>表示第r个节点对的聚类簇中包含的像素点的数量,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的像素点数量的最大值,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的像素点数量的最小值,/>表示第r个节点的聚类效果评价值,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中第u个节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中除了第r个节点之外所有节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中第v个节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中包含的节点的总数量,Norm( )表示线性归一化函数。
优选地,所述根据待处理节点与对应相同层次中其他节点的中包含的像素点分布差异和噪声表现程度,得到待处理节点与其他节点之间的关联程度,具体包括:
将聚类树中任意一个待处理节点记为目标节点,将目标节点所在聚类层次中任意一个其他节点记为参考节点;
计算目标节点和参考节点对应的聚类簇中包含的所有像素点的噪声表现程度的均值记为第一均值,计算目标节点的噪声评价程度与参考节点的噪声评价程度之间的均值记为第二均值,将第一均值与第二均值的比值作为第一系数;
将目标节点对应的聚类簇中任意一个像素点记为目标像素点,将参考节点对应的聚类簇中任意一个像素点记为参考像素点;
计算目标像素点与参考像素点在表面灰度图像中之间的欧氏距离的倒数得到目标像素点与参考像素点之间的距离权重;将目标像素点的邻域内每个像素点的灰度值与邻域内所有像素点的灰度值的均值之间的差异,记为目标像素点的邻域内每个像素点的灰度差异;
计算目标像素点的邻域内每个像素点的灰度差异与参考像素点的邻域内每个像素点的灰度差异之间的皮尔逊相关系数与预设常数之间和值的累加和得到目标像素点与参考像素点的相似度;将所述距离权重与所述相似度的乘积作为目标像素点与参考像素点之间的数据关联度;
计算目标节点对应的聚类簇中每个像素点与参考节点对应的聚类簇中每个像素点之间的数据关联度的累加和得到第二系数;将第一系数和第二系数的乘积作为目标节点与参考节点之间的关联程度。
优选地,所述根据所述关联程度对聚类树进行修剪获得聚类结果,具体包括:
对于任意一个待处理节点,将该待处理节点所在聚类层次中其他节点均记为待处理节点的对照节点;若待处理节点与任意一个对照节点之间的关联程度的归一化值大于预设的关联阈值,则将待处理节点剔除;否则,不进行剔除,获得修剪后的聚类树,将聚类树的最后一个聚类层次的所有节点对应的聚类簇作为聚类结果。
优选地,所述根据表面灰度图像中每个像素点的灰度值、所在连通域面积分布和边缘信息分布以及所述噪声表现程度,得到每个像素点的缺陷表现程度,具体包括:
将表面灰度图像中任意一个像素点记为选定像素点,将选定像素点的邻域内像素点记为选定像素点的邻域像素点;对于选定像素点的任意一个邻域像素点,计算邻域像素点所在连通域的边缘像素点的梯度值的累加和与邻域像素点所在连通域的面积之间的乘积,将该乘积与邻域像素点的灰度值之间的比值作为邻域像素点的信息特征值;
计算选定像素点的所有邻域像素点的信息特征值的累加和与选定像素点的噪声表现程度的倒数之间的乘积得到选定像素点的缺陷表征程度。
优选地,所述根据聚类结果中每个聚类簇包含的缺陷表现情况获得质量检测结果,具体包括:
对于聚类结果中任意一个聚类簇,将聚类簇中所有像素点的信息特征值的累加和作为聚类簇的缺陷表现程度;将缺陷表现程度的归一化值大于预设的缺陷阈值对应的聚类簇作为缺陷聚类簇;
计算所有缺陷聚类簇中像素点的灰度值的均值和方差、以及像素点的数量之间的乘积的归一化值得到质量评价值,当质量评价值大于预设的评价阈值时,高压变频器外壳存在质量问题;当质量评价值小于或等于预设的评价阈值时,高压变频器外壳不存在质量问题。
优选地,所述利用所述修剪优先程度对聚类树中的节点进行筛选获得待处理节点,具体包括:
将修剪优先程度大于预设的修剪阈值对应的节点作为待处理节点。
本发明实施例至少具有如下有益效果:
本发明首先高压变频器外壳的表面灰度图像,并进行数据预处理提取图像值的连通域,为后续对表面灰度图像中像素点包含的噪声信息进行特征分析提供数据基础。然后,先对图像中像素点的邻域内像素点的灰度分布差异情况、每个像素点所在连通域面积分布以及连通域的缺陷特征分布情况进行分析,获得噪声表现程度,表征了每个像素点包含噪声的情况和属于噪声部分的可能性大小。同时结合噪声表现程度,对像素点的灰度值、所在连通域面积分布和边缘信息分布进行分析获得像素点的缺陷表现程度,表征了每个像素点包含缺陷的情况和属于缺陷部分的可能性大小。其次,基于缺陷表现程度进行层次聚类可以获取初步的聚类树,考虑到噪声的存在影响聚类结果,故分析聚类树中每个节点对应聚类簇中每个像素点的噪声表现程度和对应聚类簇的聚类效果评价情况、每个节点中包含的像素点的分布情况,对节点的修剪优先程度进行量化,从节点内包含的信息量和噪声情况以及聚类效果方面反映了节点应当被修剪的必要性程度。进一步的,通过修剪优先程度筛选出待处理节点,进而待处理节点被修剪的必要性程度较大,考虑到噪声部分具有孤立分布的特征,通过分析待处理节点与对应相同层次中其他节点的中包含的像素点分布差异和噪声表现程度获取关联程度,利用关联程度反映节点与其他节点之间的关联性关系,也即是噪声部分所在节点与其他节点的关联性关系均较小。最后,利用关联程度对聚类树进行修剪获得聚类结果,可以有效将噪声部分进行剔除,避免了噪声的存在影响聚类结果的准确性,进而使得根据聚类结果中每个聚类簇包含的缺陷表现情况获得的质量检测结果更加准确。
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是本发明实施例提供的一种矿用高压变频器外壳生产质量视觉检测方法的步骤流程图;
图2是本发明实施例提供的聚类树的示意图。
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一种矿用高压变频器外壳生产质量视觉检测方法,其具体实施方式、结构、特征及其功效,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矿用高压变频器外壳生产质量视觉检测方法的具体方案。
本发明所针对的具体场景为:在利用层次聚类算法对矿用变频器外壳的生产质量进行视觉检测的过程中,由于外壳表面上缺陷可能出现的不规则特征以及因为光照不均匀所出现的钢板表面灰度均匀,都有可能在层次聚类的过程中导致图像中原本属于缺陷区域的节点以及噪声点被划分为一个小聚类簇,从而导致图像中区域的过度细分或将图像中的非缺陷区域错误的识别为独立的缺陷,不利于最终对图像内缺陷区域的识别与检测。本发明通过在层次聚类过程中对节点聚类的条件进行设置,同时,对聚类后每个层次中节点能否进行修剪的情况进行分析,从而将聚类树中不必要的细节进行去除,以便于获得更加准确的层次聚类树,提高对缺陷区域的识别准确度。
请参阅图1,其示出了本发明一个实施例提供的一种矿用高压变频器外壳生产质量视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤一,获取矿用高压变频器外壳的表面灰度图像,提取表面灰度图像中的连通域。
采用工业相机在固定光源的环境下对矿用高压变频器外壳进行拍摄获得矿用高压变频器外壳的表面图像,进而对表面图像进行灰度化处理获得表面灰度图像,并提取表面灰度图像中的连通域。需要说明的是,提取图像连通域的方法为公知技术,在此不再过多介绍。
步骤二,根据表面灰度图像中每个像素点的邻域内像素点的灰度分布差异情况、每个像素点所在连通域面积分布以及连通域的缺陷特征分布情况,得到每个像素点的噪声表现程度;根据表面灰度图像中每个像素点的灰度值、所在连通域面积分布和边缘信息分布以及所述噪声表现程度,得到每个像素点的缺陷表现程度。
在表面灰度图像中属于噪声部分的面积较小且较为孤立,即噪声部分包含的像素点数量较少,同时噪声部分包含的像素点在邻域内灰度差异程度较大。而表面灰度图像中的缺陷部分的灰度特征主要表现为无规则分布,且灰度值较低。同时,在缺陷部分所在区域内可能会存在一定的凹凸变化,从而导致在固定光线角度的照射下图像中出现像素点的梯度值存在较大的变化和差异。
基于此特征,可以对每个像素点的邻域内像素点灰度分布特征进行分析,结合了表面灰度图像中每个像素点的邻域内像素点的灰度分布差异情况、每个像素点所在连通域面积分布以及连通域的缺陷特征分布情况,对每个像素点的噪声表现情况进行量化。
具体地,将连通域中像素点的灰度值均值小于表面灰度图像所有像素点的灰度值均值对应的连通域作为缺陷特征连通域。考虑到属于缺陷部分的像素点的灰度值较低,通过比较每个连通域内像素点的灰度值分布情况,初步判断可能存在缺陷的部分,也即是,缺陷特征连通域表示了可能存在缺陷部分的连通域。
根据表面灰度图像中每个像素点的灰度值与邻域内像素点的灰度值均值之间的差异、每个像素点所在连通域的面积、缺陷特征连通域的面积以及每个像素点与缺陷特征连通域之间的距离分布,得到每个像素点的噪声表现程度。
在本实施例中,以表面灰度图像中任意一个像素点为例进行说明,则像素点的噪声表现程度的计算公式可以表示为:
其中,表示表面灰度图像中第i个像素点的噪声表现程度,/>表示第i个像素点的邻域内第a个像素点的灰度值,/>表示第i个像素点的邻域内所有像素点的灰度值的均值,/>表示第i个像素点所在的连通域的面积,/>表示第i个像素点的邻域内包含的像素点的数量,/>表示表面灰度图像中包含的缺陷特征连通域的总数量,/>表示表面灰度图像中第j个缺陷特征连通域的面积,/>表示第i个像素点与第j个缺陷特征连通域之间的最短距离。
反映了第i个像素点的灰度值与邻域内像素点的灰度均值之间的差异情况,该差异越大,第i个像素点所在的连通域的面积越小,说明第i个像素点越符合噪声的灰度分布特征,对应的噪声表现程度越大,说明第i个像素点属于噪声的可能性越大。其中,在本实施例中,在每个像素点的8邻域内进行特征分析。
反映了缺陷特征连通域与第i个像素点所在连通域之间的面积之比,该面积比与距离的乘积越大,说明第i个像素点与缺陷部分的差异越大,进而说明第i个像素点越符合噪声的分布特征,对应的噪声表现程度越大,说明第i个先施工队属于噪声的可能性越大。像素点的噪声表现程度表征了像素点包含噪声的程度,也即是表征了像素点属于噪声的可能性程度。
进一步的,像素点的噪声表现程度越大,进而可以反映该像素点属于缺陷的可能性越小,结合噪声表现程度和像素点的灰度值以及所在连通域分布情况,对表面灰度图像中每个像素点的灰度值、所在连通域面积分布和边缘信息分布以及所述噪声表现程度进行分析,量化每个像素点的缺陷表现情况。
具体地,将表面灰度图像中任意一个像素点记为选定像素点,将选定像素点的邻域内像素点记为选定像素点的邻域像素点;对于选定像素点的任意一个邻域像素点,计算邻域像素点所在连通域的边缘像素点的梯度值的累加和与邻域像素点所在连通域的面积之间的乘积,将该乘积与邻域像素点的灰度值之间的比值作为邻域像素点的信息特征值;计算选定像素点的所有邻域像素点的信息特征值的累加和与选定像素点的噪声表现程度的倒数之间的乘积得到选定像素点的缺陷表征程度。
在本实施例中,以表面灰度图像中第i个像素点为例进行说明,将第i个像素点作为选定像素点,则选定像素点的缺陷表征程度的计算公式可以表示为:
其中,表示第i个像素点的缺陷表征程度,/>表示第i个像素点的邻域内包含的像素点的数量,也即是第i个像素点的邻域像素点的总数量;/>表示表面灰度图像中第i个像素点的噪声表现程度,/>表示第i个像素点的邻域内第b个邻域像素点的灰度值,/>表示第i个像素点的邻域内第b个邻域像素点所在连通域的面积,/>表示第i个像素点的邻域内第b个邻域像素点所在连通域的边缘像素点的梯度值的累加和。/>为第i个像素点的邻域内第b个邻域像素点的信息特征值。
属于噪声部分的像素点所在的区域一般较小,而属于缺陷部分的像素点所在区域相对较大,同时灰度值较低,即的取值越大,/>的取值越小,/>的取值越大。同时,像素点所在区域的梯度值越大,/>的取值越大,说明邻域像素点越符合缺陷部分的特征,对应的信息特征值的取值越大。信息特征值表征了邻域像素点属于缺陷部分的可能性大小,反映了选定像素点的邻域范围内的缺陷特征情况。同时选定像素点的噪声表现程度越低,对应的缺陷表现程度取值越大,说明选定像素点属于缺陷部分的可能性越大。也即是像素点的缺陷表现程度表征了像素点包含缺陷信息的程度,也表征了像素点属于缺陷部分的可能性大小。
步骤三,基于所述缺陷表现程度对每个像素点进行层次聚类获得聚类树,根据聚类树中每个节点对应聚类簇中每个像素点的噪声表现程度和对应聚类簇的聚类效果评价情况、每个节点中包含的像素点的分布情况,得到每个节点的修剪优先程度。
缺陷表现程度反映了像素点包含缺陷特征的程度,可以通过聚类算法对像素点进行聚类获得聚类结果,进而能够获得缺陷部分所在的聚类簇,而部分像素点可能属于噪声部分具有较高的噪声表现,由于这些像素点与其他像素点之间可能存在差异,极大可能会被划分为一个较小的聚类簇,或者聚类后导致缺陷或者正常部分的聚类簇中噪声表现变大,故需要对构建的聚类树进行修剪,避免噪声部分对聚类结果产生影响。
首先,基于所述缺陷表现程度对每个像素点进行层次聚类获得聚类树,在本实施中,采用自顶向下的层次聚类方法,基于每个像素点的缺陷表现程度进行聚类,迭代的停止条件为达到固定次数的迭代过程,在本实施例中固定次数的取值为20。其中,在每次迭代时,使用K-means算法把每个聚类簇划分成多个子簇,形成新的聚类层次。聚类获得的聚类树中每个节点都可以看作是一个聚类簇,也即是每个节点均对应了一个聚类簇。
然后,通过对节点修剪前后对聚类层次结构所造成的影响以及节点自身所包含的信息对节点进行修剪的优先级进行分析,当一个节点在修剪前后对层次聚类结构所造成的影响较小或有利并且节点自身所包含较高的噪声信息,则对该节点进行修剪的必要越高。基于此特征,通过分析聚类树中每个节点对应聚类簇中每个像素点的噪声表现程度和对应聚类簇的聚类效果评价情况、每个节点中包含的像素点的分布情况,对聚类树中每个节点被修剪的必要性情况进行量化。
具体地,对于聚类树中任意一个节点,计算节点对应的聚类簇中所有像素点的噪声表现程度的均值得到节点的噪声评价程度。像素点的噪声表现程度反映了像素点属于噪声部分的可能性大小,进而聚类树中的每个节点中可能包含了多个像素点,进而将节点包含的所有像素点的噪声表现的均衡情况作为节点的噪声表现,也即是节点噪声评价程度表征了节点对应的聚类簇中包含的噪声程度,也表征了节点对应的聚类簇属于噪声部分的可能性大小。
根据该节点对应的聚类簇中像素点的灰度值波动和该节点所在聚类层次下所有节点对应的聚类簇中像素点的灰度值波动,得到该节点的聚类效果评价值;根据节点的噪声评价程度、节点对应的聚类簇中包含的像素点的数量以及所述聚类效果评价值,得到节点的修剪优先程度。
在本实施例中,以任意一个节点为例进行说明,则节点的修剪优先程度的计算公式可以表示为:
其中,表示聚类树中第r个节点的修剪优先程度,/>表示第r个节点的噪声评价程度,/>表示第r个节点对的聚类簇中包含的像素点的数量,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的像素点数量的最大值,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的像素点数量的最小值,/>表示第r个节点的聚类效果评价值,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中第u个节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中除了第r个节点之外所有节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中第v个节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中包含的节点的总数量,Norm( )表示线性归一化函数。
表示了在第r个节点所在聚类层次下所有聚类簇的类间方差与类内方差的差异,该差异越大对应的当前聚类层次作为聚类结果的聚类效果越好,即反映了包含第r个节点对应的聚类簇的聚类效果评价结果。
表示了在第r个节点所在聚类层次下,除了第r个节点之外的其他所有聚类簇的类间方差与类内方差的差异,该差异越大,说明将第r 节点剔除后,当前聚类层次作为聚类结果的聚类效果越好,即反映了剔除第r个节点后当前聚类结果的效果评价。
聚类效果评价值的取值越大,说明剔除第r个节点之后的聚类效果越差,同时包含第r个节点的聚类效果越好,进而说明越不能将该节点修剪掉,也即是对应的节点的修剪优先程度越小。
节点对应的聚类簇中包含的像素点的数量反映了该节点在表面灰度图像中包含的信息量,即节点包含的像素点数量越多,将该节点剔除的代价越大。节点包含的像素点数量越少,将该节点剔除的代价越小,越容易被剔除。进而的取值越大,节点内包含的噪声程度越大,说明节点越应当被修剪,对应的修剪优先程度的取值越大。节点的修剪优先程度从节点内包含的信息量和噪声情况以及聚类效果方面反映了节点应当被修剪的必要性程度。
步骤四,利用所述修剪优先程度对聚类树中的节点进行筛选获得待处理节点,根据待处理节点与对应相同层次中其他节点的中包含的像素点分布差异和噪声表现程度,得到待处理节点与其他节点之间的关联程度。
节点的修剪优先程度的取值越大,说明该节点内包含噪声的可能性越大,进而说明越需要将该节点从聚类树中剔除。节点的修剪优先程度的取值越小,说明该节点内包含噪声的可能性越小,进而说明不需要将该节点从聚类树中剔除。基于此,利用所述修剪优先程度对聚类树中的节点进行筛选获得待处理节点。
具体地,将修剪优先程度大于预设的修剪阈值对应的节点作为待处理节点。在本实施例中,修剪阈值的取值为0.8,由于修剪优先程度的取值为归一化的数值,故修剪阈值的取值范围为(0,1)。
当节点的修剪优先程度大于修剪阈值时,说明节点内包含的噪声较多,同时节点内包含的图像信息量较少,可以对该节点进行修剪,也即是该节点被剔除的必要性较大。当节点的修剪优先程度小于或等于修剪阈值时,说明节点内包含的噪声较少,同时节点内包含的图像信息量较多,对该节点进行修剪的代价较大,也即是该节点被剔除的必要性较小。
进一步的,通过分析在同一个聚类层次下每个节点与其他节点之间的关联性关系,反映每个节点对应的聚类簇与其他节点对应的聚类簇之间的差异情况,差异较大的节点的孤立程度较大,剔除该节点对聚类树整体结构的影响较小,同时对表面灰度图像中图像信息丢失的影响较小。
同时,考虑到缺陷呈现凹凸分布的不同区域之间的距离较近,即较为密集,而噪声所在区域分布较为随机,并且是孤立存在的。故噪声表现较大的节点与其他节点之间的差异较大,而缺陷部分或者是正常的区域部分与其他节点均存在一定的关联性关系。基于此特征,可以通过对待处理节点与对应相同层次中其他节点的中包含的像素点分布差异和噪声表现程度进行分析,实现对节点与其他节点之间的关联性关系进行量化。
具体地,将聚类树中任意一个待处理节点记为目标节点,将目标节点所在聚类层次中任意一个其他节点记为参考节点;如图2,示出了本实施例提供的一个聚类树的示意图,假设包含七个像素点分别为,第一次进行迭代获得的聚类层次中包括两个节点,一个节点包含的像素点为/>,另一个节点包含的像素点为,也即是这两个节点位于同一个聚类层次。第二次进行迭代获得的聚类层次中包括四个节点,这四个节点中包含的像素点依次为/>,/>,/>,,也即是这四个节点位于同一个聚类层次。第三次进行迭代获得的聚类层次中包括四个节点,这四个节点包含的像素点依次为/>,/>,/>,/>,也即是这四个节点位于同一个聚类层次。第四次进行迭代获得的聚类层次中包括两个节点,分别为/>,/>,也即是这两个节点位于同一个聚类层次。
计算目标节点和参考节点对应的聚类簇中包含的所有像素点的噪声表现程度的均值记为第一均值,计算目标节点的噪声评价程度与参考节点的噪声评价程度之间的均值记为第二均值,将第一均值与第二均值的比值作为第一系数。
将目标节点对应的聚类簇中任意一个像素点记为目标像素点,将参考节点对应的聚类簇中任意一个像素点记为参考像素点;计算目标像素点与参考像素点在表面灰度图像中之间的欧氏距离的倒数得到目标像素点与参考像素点之间的距离权重;将目标像素点的邻域内每个像素点的灰度值与邻域内所有像素点的灰度值的均值之间的差异,记为目标像素点的邻域内每个像素点的灰度差异;计算目标像素点的邻域内每个像素点的灰度差异与参考像素点的邻域内每个像素点的灰度差异之间的皮尔逊相关系数与预设常数之间的和值的累加和得到目标像素点与参考像素点的相似度;将所述距离权重与所述相似度的乘积作为目标像素点与参考像素点之间的数据关联度。
计算目标节点对应的聚类簇中每个像素点与参考节点对应的聚类簇中每个像素点之间的数据关联度的累加和得到第二系数;将第一系数和第二系数的乘积作为目标节点与参考节点之间的关联程度。
在本实施例中,将第m个待处理节点作为目标节点,将第m个待处理节点所在聚类层次中第n个其他节点作为参考节点,则目标节点与参考节点之间的关联程度用公式可以表示为:
其中,表示目标节点与参考节点之间的关联程度,也即是第m个待处理节点与该节点所在聚类层次中第n个其他节点之间的关联程度;/>表示目标节点与参考节点中包含的第s个像素点的噪声表现程度,/>表示目标节点对应聚类簇中像素点的总数量,/>表示参考节点对应聚类簇中像素点的总数量,/>表示目标节点的噪声评 价程度,/>表示参考节点的噪声评价程度,/>表示目标节点中第k个像素点与参考节点中第t个像素点之间的距离权重,也即是目标像素点与参考像素点之间的距离权重;/>表示目标节点中第k个像素点的邻域内第c个像素点的灰度差异,/>表示参考节点中第t个像素点的邻域内第w个像素点的灰度差异,/>表示像素点的邻域内包含的像素点的数量,在本实施例中的取值为8。/>表示目标节点中第k个像素点的邻域内第c个像素点的灰度值,/>表示目标节点中第k个像素点的邻域内所有像素点的灰度值的均值,/>表示参考节点中第t个像素点的邻域内第w个像素点的灰度值,/>表示参考节点中第t个像素点的邻域内所有像素点的灰度值的均值。
为第一系数,反映了两个节点经过分裂前后噪声表现情况,即分裂后噪声表现情况/>越大,分裂前噪声表现情况/>越小,说明两个节点之间的关联关系越小,对应的关联程度的取值越小。
表示两个节点中包含的每两个像素点之间在图像中的距离远近,两个节点中包含的像素点的类型越接近,距离越近即距离权重取值越大,对应的关联性越大,进而两个节点之间的关联程度的取值越大。
像素点的灰度差异反映了像素点与邻域内像素点的灰度差异情况,为目标像素点与参考像素点的相似度,反映了目标像素点与参考像素点在灰度差异情况之间的相似性,该相似度的取值越大,说明两个节点中包含的像素点的邻域灰度差异信息越相似,对应的关联性越大。为第二系数,第二系数表示目标节点与参考节点中像素点之间的灰度信息的相似情况。目标节点与参考节点之间的关联程度从噪声表现、距离分布以及灰度信息方面反映了两个节点之间的关联性关系。
步骤五,根据所述关联程度对聚类树进行修剪获得聚类结果,根据聚类结果中每个聚类簇包含的缺陷表现情况获得质量检测结果。
待处理节点与其他节点之间的关联程度取值越大,说明待处理节点与相同聚类层次中其他节点之间的关联关系越大,进而说明该待处理节点存在孤立性的可能性较小,对该待处理节点进行剔除的必要性较小。关联程度的取值越小,说明待处理节点与相同聚类层次中其他节点之间的关联关系越小,进而说明该待处理节点存在孤立性的可能性较大,对该待处理节点进行剔除的必要性较大。
基于此,根据所述关联程度对聚类树进行修剪获得聚类结果。具体地,对于任意一个待处理节点,将该待处理节点所在聚类层次中其他节点均记为待处理节点的对照节点;若待处理节点与任意一个对照节点之间的关联程度的归一化值大于预设的关联阈值,则将待处理节点剔除;否则,不进行剔除,获得修剪后的聚类树,将聚类树的最后一个聚类层次的所有节点对应的聚类簇作为聚类结果。
在本实施例中,关联阈值的取值为0.5。由于是对所述关联程度的归一化值进行阈值判断,故关联阈值的取值范围为(0,1)。当待处理节点与任意一个对照节点之间的关联程度大于关联阈值时,说明与待处理节点相同聚类层次中存在与该待处理节点关联性关系较大的其他节点,进而不需要对该待处理节点进行剔除。当待处理节点与每个对照节点之间的关联程度均小于或等于关联阈值时,说明与待处理节点相同聚类层次中并不存在与该待处理节点关联性关系较大的其他节点,进而说明该待处理节点的孤立性较强,进而需要对该待处理节点进行剔除。进一步的,按照相同的方法对每个待处理节点分别进行剔除判断,获得修剪后的聚类树,则聚类树的最后一个聚类层次的所有节点对应的聚类簇即为最终的聚类结果。
由于已经对存在较多噪声表现的部分进行剔除,可以认为最终的聚类结果中并不存在噪声部分,进而需要对聚类结果中每个聚类簇的缺陷表现情况重新进行量化,具体地,对于聚类结果中任意一个聚类簇,将聚类簇中所有像素点的信息特征值的累加和作为聚类簇的缺陷表现程度。也即是将步骤二中计算像素点的缺陷表现程度时将噪声表现程度对应的系数部分剔除,进而对每个聚类簇中包含的缺陷信息进行表征。聚类结果中聚类簇的缺陷表现程度表征了聚类簇中包含缺陷信息的程度,也反映了聚类簇存在缺陷的可能性大小。
进一步的,可以通过缺陷表现程度对聚类簇进行筛选,即将缺陷表现程度的归一化值大于预设的缺陷阈值对应的聚类簇作为缺陷聚类簇;在本实施例中,缺陷阈值的取值为0.3,由于是对缺陷表现程度的归一化值进行阈值判断,故缺陷阈值的取值范围为(0,1)。当聚类簇的缺陷表现程度大于缺陷阈值时,说明聚类簇中存在缺陷的可能性越大,对应的聚类簇可能为缺陷部分。当聚类簇的缺陷表现程度小于或等于缺陷阈值时,说明聚类簇中存在缺陷的可能性越小,对应的聚类簇可能为正常部分。
最后,根据聚类结果中每个聚类簇包含的缺陷表现情况获得质量检测结果。具体地,计算所有缺陷聚类簇中像素点的灰度值的均值和方差、以及像素点的数量之间的乘积的归一化值得到质量评价值。
缺陷聚类簇中包含的像素点的灰度值越低,面积越大,同时缺陷部分的灰度波动性越大,说明缺陷程度越高,对应的高压变频器外壳的质量评价值的取值越大。当质量评价值大于预设的评价阈值时,高压变频器外壳存在质量问题,即可能存在一定的瑕疵缺陷;当质量评价值小于或等于预设的评价阈值时,高压变频器外壳不存在质量问题。
在本实施例中,评价阈值的取值为0.3。由于质量评价值的取值是归一化的数值,故评价阈值的取值范围为(0,1)。当评价阈值的取值越接近于1,说明对高压变频器外壳的质量评价结果的判断标准越严格。当评价阈值的取值越接近于0,说明对高压变频器外壳的质量评价结果的判断标准越宽松,实施者可根据具体实施场景进行设置。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种矿用高压变频器外壳生产质量视觉检测方法,其特征在于,该方法包括以下步骤:
获取矿用高压变频器外壳的表面灰度图像,提取表面灰度图像中的连通域;
根据表面灰度图像中每个像素点的邻域内像素点的灰度分布差异情况、每个像素点所在连通域面积分布以及连通域的缺陷特征分布情况,得到每个像素点的噪声表现程度;根据表面灰度图像中每个像素点的灰度值、所在连通域面积分布和边缘信息分布以及所述噪声表现程度,得到每个像素点的缺陷表现程度;
基于所述缺陷表现程度对每个像素点进行层次聚类获得聚类树,根据聚类树中每个节点对应聚类簇中每个像素点的噪声表现程度和对应聚类簇的聚类效果评价情况、每个节点中包含的像素点的分布情况,得到每个节点的修剪优先程度;
利用所述修剪优先程度对聚类树中的节点进行筛选获得待处理节点,根据待处理节点与对应相同层次中其他节点的中包含的像素点分布差异和噪声表现程度,得到待处理节点与其他节点之间的关联程度;
根据所述关联程度对聚类树进行修剪获得聚类结果,根据聚类结果中每个聚类簇包含的缺陷表现情况获得质量检测结果;
所述根据表面灰度图像中每个像素点的邻域内像素点的灰度分布差异情况、每个像素点所在连通域面积分布以及连通域的缺陷特征分布情况,得到每个像素点的噪声表现程度,具体包括:
将连通域中像素点的灰度值均值小于表面灰度图像所有像素点的灰度值均值对应的连通域作为缺陷特征连通域;
根据表面灰度图像中每个像素点的灰度值与邻域内像素点的灰度值均值之间的差异、每个像素点所在连通域的面积、缺陷特征连通域的面积以及每个像素点与缺陷特征连通域之间的距离分布,得到每个像素点的噪声表现程度;
所述每个像素点的噪声表现程度的获取方法具体为:
其中,表示表面灰度图像中第i个像素点的噪声表现程度,/>表示第i个像素点的邻域内第a个像素点的灰度值,/>表示第i个像素点的邻域内所有像素点的灰度值的均值,/>表示第i个像素点所在的连通域的面积,/>表示第i个像素点的邻域内包含的像素点的数量,表示表面灰度图像中包含的缺陷特征连通域的总数量,/>表示表面灰度图像中第j个缺陷特征连通域的面积,/>表示第i个像素点与第j个缺陷特征连通域之间的最短距离;
所述根据聚类树中每个节点对应聚类簇中每个像素点的噪声表现程度和对应聚类簇的聚类效果评价情况、每个节点中包含的像素点的分布情况,得到每个节点的修剪优先程度,具体包括:
对于聚类树中任意一个节点,计算节点对应的聚类簇中所有像素点的噪声表现程度的均值得到节点的噪声评价程度;
根据该节点对应的聚类簇中像素点的灰度值波动和该节点所在聚类层次下所有节点对应的聚类簇中像素点的灰度值波动,得到该节点的聚类效果评价值;
根据节点的噪声评价程度、节点对应的聚类簇中包含的像素点的数量以及所述聚类效果评价值,得到节点的修剪优先程度;
所述节点的修剪优先程度的获取方法具体为:
其中,表示聚类树中第r个节点的修剪优先程度,/>表示第r个节点的噪声评价程度,表示第r个节点对的聚类簇中包含的像素点的数量,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的像素点数量的最大值,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的像素点数量的最小值,/>表示第r个节点的聚类效果评价值,/>表示第r个节点所在聚类层次中所有节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中第u个节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中除了第r个节点之外所有节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中第v个节点对应的聚类簇中包含的所有像素点的灰度值的方差,/>表示第r个节点所在聚类层次中包含的节点的总数量,Norm( )表示线性归一化函数;
所述根据表面灰度图像中每个像素点的灰度值、所在连通域面积分布和边缘信息分布以及所述噪声表现程度,得到每个像素点的缺陷表现程度,具体包括:
将表面灰度图像中任意一个像素点记为选定像素点,将选定像素点的邻域内像素点记为选定像素点的邻域像素点;对于选定像素点的任意一个邻域像素点,计算邻域像素点所在连通域的边缘像素点的梯度值的累加和与邻域像素点所在连通域的面积之间的乘积,将该乘积与邻域像素点的灰度值之间的比值作为邻域像素点的信息特征值;
计算选定像素点的所有邻域像素点的信息特征值的累加和与选定像素点的噪声表现程度的倒数之间的乘积得到选定像素点的缺陷表征程度。
2.根据权利要求1所述的一种矿用高压变频器外壳生产质量视觉检测方法,其特征在于,所述根据待处理节点与对应相同层次中其他节点的中包含的像素点分布差异和噪声表现程度,得到待处理节点与其他节点之间的关联程度,具体包括:
将聚类树中任意一个待处理节点记为目标节点,将目标节点所在聚类层次中任意一个其他节点记为参考节点;
计算目标节点和参考节点对应的聚类簇中包含的所有像素点的噪声表现程度的均值记为第一均值,计算目标节点的噪声评价程度与参考节点的噪声评价程度之间的均值记为第二均值,将第一均值与第二均值的比值作为第一系数;
将目标节点对应的聚类簇中任意一个像素点记为目标像素点,将参考节点对应的聚类簇中任意一个像素点记为参考像素点;
计算目标像素点与参考像素点在表面灰度图像中之间的欧氏距离的倒数得到目标像素点与参考像素点之间的距离权重;将目标像素点的邻域内每个像素点的灰度值与邻域内所有像素点的灰度值的均值之间的差异,记为目标像素点的邻域内每个像素点的灰度差异;
计算目标像素点的邻域内每个像素点的灰度差异与参考像素点的邻域内每个像素点的灰度差异之间的皮尔逊相关系数与预设常数之间和值的累加和得到目标像素点与参考像素点的相似度;将所述距离权重与所述相似度的乘积作为目标像素点与参考像素点之间的数据关联度;
计算目标节点对应的聚类簇中每个像素点与参考节点对应的聚类簇中每个像素点之间的数据关联度的累加和得到第二系数;将第一系数和第二系数的乘积作为目标节点与参考节点之间的关联程度。
3.根据权利要求1所述的一种矿用高压变频器外壳生产质量视觉检测方法,其特征在于,所述根据所述关联程度对聚类树进行修剪获得聚类结果,具体包括:
对于任意一个待处理节点,将该待处理节点所在聚类层次中其他节点均记为待处理节点的对照节点;若待处理节点与任意一个对照节点之间的关联程度的归一化值大于预设的关联阈值,则将待处理节点剔除;否则,不进行剔除,获得修剪后的聚类树,将聚类树的最后一个聚类层次的所有节点对应的聚类簇作为聚类结果。
4.根据权利要求1所述的一种矿用高压变频器外壳生产质量视觉检测方法,其特征在于,所述根据聚类结果中每个聚类簇包含的缺陷表现情况获得质量检测结果,具体包括:
对于聚类结果中任意一个聚类簇,将聚类簇中所有像素点的信息特征值的累加和作为聚类簇的缺陷表现程度;将缺陷表现程度的归一化值大于预设的缺陷阈值对应的聚类簇作为缺陷聚类簇;
计算所有缺陷聚类簇中像素点的灰度值的均值和方差、以及像素点的数量之间的乘积的归一化值得到质量评价值,当质量评价值大于预设的评价阈值时,高压变频器外壳存在质量问题;当质量评价值小于或等于预设的评价阈值时,高压变频器外壳不存在质量问题。
5.根据权利要求1所述的一种矿用高压变频器外壳生产质量视觉检测方法,其特征在于,所述利用所述修剪优先程度对聚类树中的节点进行筛选获得待处理节点,具体包括:
将修剪优先程度大于预设的修剪阈值对应的节点作为待处理节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330418.2A CN117934469B (zh) | 2024-03-22 | 2024-03-22 | 一种矿用高压变频器外壳生产质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330418.2A CN117934469B (zh) | 2024-03-22 | 2024-03-22 | 一种矿用高压变频器外壳生产质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117934469A CN117934469A (zh) | 2024-04-26 |
CN117934469B true CN117934469B (zh) | 2024-06-07 |
Family
ID=90770662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410330418.2A Active CN117934469B (zh) | 2024-03-22 | 2024-03-22 | 一种矿用高压变频器外壳生产质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934469B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239736A (zh) * | 2022-09-23 | 2022-10-25 | 海安玻克超硬材料有限公司 | 用于金刚石磨轮生产的磨料层混料质量监测方法 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712084B (zh) * | 2018-12-10 | 2021-01-19 | 上海奕瑞光电子科技股份有限公司 | 一种图像修复方法、图像修复系统及平板探测器 |
-
2024
- 2024-03-22 CN CN202410330418.2A patent/CN117934469B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239736A (zh) * | 2022-09-23 | 2022-10-25 | 海安玻克超硬材料有限公司 | 用于金刚石磨轮生产的磨料层混料质量监测方法 |
CN116310360A (zh) * | 2023-05-18 | 2023-06-23 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117934469A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN117173184B (zh) | 基于人工智能的道路施工质量检测方法及系统 | |
CN115311270B (zh) | 一种塑料制品表面缺陷检测方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN100351853C (zh) | 高噪声图像特征点自动提取方法 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN113298798A (zh) | 基于特征融合的主轴颈缺陷检测方法 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN114897802A (zh) | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 | |
CN116246174A (zh) | 基于图像处理的甘薯种类识别方法 | |
CN117893527B (zh) | 一种新能源储能箱体表面缺陷检测方法 | |
CN117705815A (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN117934469B (zh) | 一种矿用高压变频器外壳生产质量视觉检测方法 | |
CN113705672B (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
CN115082449A (zh) | 一种电子元器件缺陷检测方法 | |
Sun et al. | A novel method for multi-feature grading of mango using machine vision | |
Elanangai et al. | Automated system for defect identification and character recognition using IR images of SS-plates | |
CN112435245A (zh) | 基于物联网的磁痕缺陷自动识别方法 |
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 |