CN118154613A - 基于机器视觉的低温蝶阀表面缺陷检测方法及系统 - Google Patents

基于机器视觉的低温蝶阀表面缺陷检测方法及系统 Download PDF

Info

Publication number
CN118154613A
CN118154613A CN202410584934.8A CN202410584934A CN118154613A CN 118154613 A CN118154613 A CN 118154613A CN 202410584934 A CN202410584934 A CN 202410584934A CN 118154613 A CN118154613 A CN 118154613A
Authority
CN
China
Prior art keywords
image
butterfly valve
point
analyzed
gradient
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
CN202410584934.8A
Other languages
English (en)
Other versions
CN118154613B (zh
Inventor
薛红权
杨青锋
项良海
肖东海
项炜
张�杰
李智华
孙兴华
项光武
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.)
Zhejiang Petrochemical Valve Co ltd
Original Assignee
Zhejiang Petrochemical Valve 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 Zhejiang Petrochemical Valve Co ltd filed Critical Zhejiang Petrochemical Valve Co ltd
Priority to CN202410584934.8A priority Critical patent/CN118154613B/zh
Publication of CN118154613A publication Critical patent/CN118154613A/zh
Application granted granted Critical
Publication of CN118154613B publication Critical patent/CN118154613B/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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10132—Ultrasound 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
    • G06T2207/20—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]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供基于机器视觉的低温蝶阀表面缺陷检测方法及系统，属于缺陷检测领域；解决了蝶阀检测效率低的问题；具体如下：步骤S1：获取原始图像，得到待分析图像；步骤S2：备份待分析图片；对待分析进行处理，得到一次分析报告；步骤S3：获取异常区域集合；遍历待分析图像的像素点，提取表面异常集合；根据异常区域集合和表面异常集合判断蝶阀是否可用；步骤S4：汇总一次分析报告和二次分析报告，并反馈给用户；本发明通过对蝶阀的图像进行获取和处理，结合蝶阀内部磨损状态，分析蝶阀是否可用，防止蝶阀出现严重磨损。

Description

基于机器视觉的低温蝶阀表面缺陷检测方法及系统
技术领域
本发明基于机器视觉的低温蝶阀表面缺陷检测方法及系统，涉及缺陷检测领域。
背景技术
现有的关于蝶阀表面缺陷的检测方法及系统存在以下不足：
对表面材质和颜色的敏感性：不同材质和颜色的蝶阀表面可能对机器视觉系统的检测效果产生影响，需要进行针对性的优化和调整。
数据处理量大：机器视觉系统产生的大量图像数据需要有效的存储和处理，对数据处理能力要求较高。
更新迭代快：随着技术的不断进步，机器视觉系统需要不断更新和升级以适应新的检测需求和技术发展。
对缺陷类型的局限性：某些特殊的表面缺陷可能难以被机器视觉系统准确识别和分类，需要结合其他检测手段进行辅助判断。
发明内容
针对现有技术存在的不足，本发明目的是提供基于机器视觉的低温蝶阀表面缺陷检测方法及系统，旨在解决蝶阀检测效率低的问题。
为了实现上述目的，本发明是通过如下的技术方案来实现：基于机器视觉的低温蝶阀表面缺陷检测方法包括：
步骤S1：获取蝶阀的表面图像的原始图像；对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
步骤S2：备份待分析图片；对待分析进行边缘分割，得到待提取图像；构建智能分析模型，提取待提取图像中的磨损部分，得到一次分析报告；
步骤S3：利用超声波检测设备，扫描并分析蝶阀内部的磨损状况，得到异常区域集合；遍历待分析图像的像素点，提取表面异常集合；根据异常区域集合和表面异常集合判断蝶阀是否可用；
步骤S4：汇总一次分析报告和二次分析报告，并反馈给用户。
进一步地，所述步骤S1的具体步骤如下：
步骤S11：通过高灵敏度的CMOS工业相机传感器，获取蝶阀的表面图像，得到原始图像；
步骤S12：对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
步骤S121：获取原始图像的分辨率，记作res；
步骤S122：定义函数fre（X），fre（X）＝logpa（X）；其中，X表示函数输入；pa表示设定参数；fre（X）为正整数，向下取整；
步骤S123：将res代入fre（X）得到核阶数，记作J；定义J×J的最小图像扫描单元，使用高斯滤波器处理原始图像，去除原始图像的噪声，得到原始图像A1；
步骤S124：以像素亮度值为横坐标，以像素亮度值在图像中出现的频率为纵坐标，构建原始图像A1的直方图；
使用OpenCV库中的cv2.equalizeHist直方图均衡化函数和直方图，对原始图像A1进行处理，得到原始图像A2；
步骤S125：获取蝶阀图像，作为参考图片；根据参考图片，使用OpenCV库中的cv2.adaptiveThreshold()函数，处理原始图像A2，得到自适应阈值；
使用OpenCV库中的cv2.threshold()函数，根据自适应阈值，对原始图像A2进行二值化操作，得到待分析图像。
进一步地，所述步骤S2的具体步骤如下：
步骤S21：对待分析图像进行边缘检测，得到待分割图像；
步骤S22：根据蝶阀图像，标记待分割图像中的异常区域；
步骤S221：将蝶阀图像作为结构元素；调用膨胀算法对结构元素与待分割图像进行大像素替换小像素的卷积操作，得到处理图像B1；
步骤S222：使用腐蚀算法；根据结构元素，对待分割图像进行小像素替换大像素的卷积操作，得到处理图像B2；
步骤S223：将处理图像B1与处理图像B2，进行叠加，得到待提取图像；
步骤S23：获取蝶阀表面缺陷的相关图片，构建智能分析模型，提取待分析图像中的磨损部分，得到一次分析报告；
步骤S231：利用图像处理技术，从相关图片中提取出与蝶阀磨损状态相关的特征；
步骤S232：通过统计分析或机器学习算法，计算特征的相关性；选择相关性最大的10个特征，作为有用特征；
步骤S233：选择卷积神经网络作为深度学习模型；将DBN的层数，设置为2层RBM层；以ReLU函数为激活函数；初始化输入层、隐藏层和输出层的权重和偏置参数；
以交叉验证或网格搜索法，作为误差计算方法；
步骤S234：将相关图片，作为测试对象，训练模型：通过前向传播计算损失函数，然后通过反向传播更新模型的参数；
超参数调优：通过调整学习率、批大小和迭代次数，优化模型的训练过程；
正则化与防止过拟合：采用正则化技术（如L1、L2正则化）或数据增强技术来防止模型过拟合；使用早停法（early stopping）或dropout技术来提高模型的泛化能力；
步骤S235：计算模型拟合的准确率、召回率和F1值，作为检测标准；采用交叉验证的方法，将相关图片划分为多个部分，每次使用其中一部分作为测试集，其余部分作为训练集进行训练和评估；
步骤S236：重复步骤S231～步骤S235的步骤，直至检测标准最小，得到智能分析模型；
步骤S24：将待分析图像作为智能分析模型的输入，读取智能分析模型的输出，作为一次分析报告。
进一步地，所述步骤S21的具体步骤如下：
步骤S211：根据蝶阀图像，识别待分析图像中的蝶阀的圆心；以蝶阀圆心为参考系；使用Sobel算子，计算待分析图像中每个像素点的水平梯度和垂直梯度；
步骤S212：根据像素的梯度强度和梯度方向，选择梯度强度最大，且梯度方向连续的像素点，作为边缘像素点；
边缘像素点相对于原点的框定待处理图像区域，即为初标区域；
步骤S213：对初标区域进行非极大值抑制，细化边缘，得到次标区域；
步骤S2131：遍历初标区域中每个像素点，获取初标区域像素点的最大梯度强度；
步骤S2132：随机选择一个初标区域中的像素点，作为当前像素点，并标记；
步骤S2133：根据最大梯度强度，比较当前像素点的梯度强度；
若当前像素点的梯度强度不是最大梯度强度，则该像素点不是边缘点；将梯度强度设置为0；
若当前像素点的梯度强度是最大梯度强度，则该像素点是边缘点；梯度强度不处理；
步骤S2134：重复步骤S2132～步骤S2133，处理初标区域中像素点的梯度强度，得到次标区域；
步骤S214：对次标区域进行双阈值处理，依次确定边缘，得到终标区域；
步骤S2141：调用步骤S211～步骤S213的处理步骤，提取蝶阀图像的最大梯度强度，记作高阈值；最小梯度强度，记作低阈值；
步骤S2142：遍历次标区域内的像素点梯度强度；
若像素点的梯度强度大于或等于高阈值，则该点的梯度强度不变，为边缘点；
若像素点的梯度强度小于低阈值，则将该点的梯度强度设置为0，该点为0点；
若像素点的梯度强度位于高阈值和低阈值之间，则判断该点的梯度方向；
若梯度方向指向一个或多个确定的边缘点或0点，则该点为边缘点，梯度强度不变；
若梯度方向未指向任意一个确定的边缘点或0点，则该点为0点，梯度强度设置为0；
步骤S215：利用边缘追踪算法处理终标区域，使边缘点的梯度强度恒定，梯度方向连续，得到待分割图像。
进一步地，所述步骤S3的具体步骤如下：
步骤S31：在入口处蝶阀的两侧，关联超声波检测设备；通过超声波检测设备，获取蝶阀的超声波图像；
超声波检测设备：用于扫描蝶阀的金属部分，获取蝶阀内部的超声波图像；
步骤S32：判断超声波图像中是否存在连续不规则的曲线；
若存在，则说明蝶阀内的对应位置出现金属锈蚀，标记曲线对应的距离，记作标记区域；若不存在，则继续检索；
步骤S33：判断超声波图像中是否存在不连续的折线；
若存在，则说明蝶阀内的对应位置出现金属开裂，标记折线对应的距离，记作标记区域；若不存在，则继续检索；
步骤S34：以蝶阀入口处的几何中心为几何原点（0，0，0），横向为X轴，纵向为y轴，入口的直线方向为z轴，构建坐标系；
步骤S35：统计标记区域的个数，记作nn；
将标记区域，带入坐标系中，得到异常区域集合BN；
集合BN{（x1，y1，z1）、（x2，y2，z2）、（x3，y3，z3）～（xnn，ynn，znn）}；其中，（x1，y1，z1）～（xnn，ynn，znn）分别表示第1～nn个标记区域到（0，0，0）的相对位置；
步骤S36：通过OpenCV库中的imread()和image()方法，获取待处理图像中的灰度值；
步骤S37：获取并遍历待处理图像中的每个像素的灰度值，判断蝶阀是否可用；
步骤S38：汇总步骤S31～步骤S37的分析结果，得到二次分析报告。
进一步地，所述步骤S37的具体步骤如下：
步骤S371：计算待处理图像的平均灰度值，记作dah；提取待处理图像的最大灰度值，记作dmh；最小灰度值，记作dlh；出现频率最高的灰度值，记作dch；
步骤S372：提取蝶阀图像的最大灰度值，记作mh；最小灰度值，记作lh；出现频率最高的灰度值，记作ch；
步骤S373：计算磨损判定值ap，ap＝[（mh－lh）－（dmh－dlh）]*（dch/ch）；判断ap大于或等于1是否满足；
若满足，则说明蝶阀磨损状态良好，蝶阀可用；
若不满足，则判断ap大于0且小于1是否满足，进入步骤S374；
步骤S374：若满足，则说明蝶阀表面磨损良好，结合集合BN判断蝶阀是否可用，进入步骤S375；
若满足，说明蝶阀磨损严重，蝶阀不可用；
步骤S375：结合集合BN判断蝶阀是否可用。
进一步地，所述步骤S375的具体步骤如下：
步骤S3751：创建关系式1和关系式2，用于判别蝶阀是否磨损；
2XX－（dah＋dmh）＜0，关系式1；
（dlh＋dmh）－2XX≥0，关系式2；
其中，XX表示分析图像中像素点的灰度值；
步骤S3752：随机提取一个待分析图像上的像素点，作为检测点；获取检测点的灰度值，分别代入关系式1和关系式2中；判断检测点是否都满足关系式1和关系式2，进入步骤S3753；
步骤S3753：若都满足，则说明检测点正常，剔除检测点；
若都不满足或仅一项满足，则说明检测点对应区域出现磨损，标记检测点，作为异常点；
步骤S3754：重复执行步骤S3752～步骤S3753；统计全部异常点个数，记作wn；将异常点同步到坐标系中，得到表面异常集合BB；
集合BB{（m1，n1，0）、（m2，n2，0）、（m3，n3，0）～（mwn，nwn，0）}；其中，（m1，n1，0）～（mwn，nwn，0）分别表示第1～wn个标记区域到（0，0，0）的相对位置；步骤S3755：定义关系式3，用于判断蝶阀的磨损程度；
mm＋nn＝xx＋yy，关系式3；
其中，mm和nn，分别表示集合BB中的m1～mwn和n1～nwn；
xx和yy，分别表示集合BN中的x1～xnn和y1～ynn；
步骤S3756：统计满足关系式3的个数，记作TT；
判断2TT/（nn*wn）1/2小于或等于第一阈值是否满足；
若满足，则说明蝶阀磨损正常，判断蝶阀的磨损角度，进入步骤S3757；
若满足，则说明蝶阀磨碎严重，蝶阀不可用；
步骤S3757：定义关系式4，用于判断蝶阀的磨损角度；
，关系式4；
其中，zz表示集合BN中的z1～znn；lim表示趋近于；
步骤S3758：统计满足关系式4的个数，记作FF；
判断2FF/（nn*wn）1/2小于或等于第二阈值是否满足；
若满足，则说明蝶阀磨碎正常，蝶阀可用；
若满足，则说明蝶阀磨碎严重，蝶阀不可用。
基于机器视觉的低温蝶阀表面缺陷检测系统包括：
数据获取模块：用于获取蝶阀的表面图像的原始图像；对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
图像分析模块：用于备份待分析图片；对待分析进行边缘分割，得到待提取图像；构建智能分析模型，提取待提取图像中的磨损部分，得到一次分析报告；
联合分析模块：用于利用超声波检测设备，扫描并分析蝶阀内部的磨损状况，得到异常区域集合；遍历待分析图像的像素点，提取表面异常集合；根据异常区域集合和表面异常集合判断蝶阀是否可用；
用户交互模块：用于汇总一次分析报告和二次分析报告，并反馈给用户。
与现有技术相比，本发明的有益效果是：
检测精度高：本发明能够捕捉到微小的表面缺陷，如划痕、裂纹和凹坑等，确保检测结果的准确性；同时传统的人工检测会对蝶阀表面造成的二次损伤，本发明还确保了蝶阀的完整性。
适应性强：针对不同规格和型号的低温蝶阀，本发明仅需要用户提供相关的蝶阀图像和蝶阀缺陷图像，就能通过机器视觉进行自适应，具有广泛的适用性。
减少误差：本发明使用机器代替人工，避免了人为因素导致的漏检和误检，提高了检测的可靠性；并且本发明还能与其他自动化设备和系统进行集成，实现蝶阀的全面自动化检测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为本发明方法步骤示意图；
图2为本发明蝶阀示意图；
图3为本发明蝶阀锈蚀示意图；
图4为本发明蝶阀开裂示意图；
图5为本发明蝶阀锈蚀超声波图像示意图；
图6为本发明蝶阀开裂超声波图像示意图；
图7为本发明坐标系构建示意图
图8为本发明系统功能示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细地说明。
实施例一
请参阅图1，基于机器视觉的低温蝶阀表面缺陷检测方法包括：
需要说明的是，本发明中的“蝶阀”表示“低温蝶阀”。
步骤S1：请参阅图2，获取蝶阀的表面图像的原始图像；对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
步骤S1的具体步骤如下：
步骤S11：通过高灵敏度的CMOS工业相机传感器，获取蝶阀的表面图像，得到原始图像；
步骤S12：对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
步骤S121：获取原始图像的分辨率，记作res；
步骤S122：定义函数fre（X），fre（X）＝logpa（X）；其中，X表示函数输入；pa表示设定参数；fre（X）为正整数，向下取整；
需要说明的是，函数fre（X）的作用是：确定高斯滤波器的核尺寸；pa一般取4；pa的具体数值，由用户或系统开发人员，根据相关需求，自行决定。
步骤S123：将res代入fre（X）得到核阶数，记作J；定义J×J的最小图像扫描单元，使用高斯滤波器处理原始图像，去除原始图像的噪声，得到原始图像A1；
步骤S124：以像素亮度值（通常在0到255之间，对应8位灰度图像的像素值范围）为横坐标，以像素亮度值在图像中出现的频率（即像素数量）为纵坐标，构建原始图像A1的直方图；
使用OpenCV库中的cv2.equalizeHist直方图均衡化函数和直方图，对原始图像A1进行处理，得到原始图像A2；
步骤S125：获取蝶阀图像，作为参考图片；根据参考图片，使用OpenCV库中的cv2.adaptiveThreshold()函数，处理原始图像A2，得到自适应阈值；
使用OpenCV库中的cv2.threshold()函数，根据自适应阈值，对原始图像A2进行二值化操作，得到待分析图像。
需要说明的是，本发明中的“蝶阀图像”表示“没有背景的蝶阀本体图片”；蝶阀图像，由用户提供，用于图像识别和提取。
步骤S2：备份待分析图片；对待分析进行边缘分割，得到待提取图像；构建智能分析模型，提取待提取图像中的磨损部分，得到一次分析报告；
步骤S2的具体步骤如下：
步骤S21：对待分析图像进行边缘检测，得到待分割图像；
步骤S211：根据蝶阀图像，识别待分析图像中的蝶阀的圆心；以蝶阀圆心为参考系；使用Sobel算子，计算待分析图像中每个像素点的水平梯度和垂直梯度；
水平梯度和垂直梯度都包括：梯度强度和梯度方向；梯度强度表示像素点相对原点的绝对偏移距离，梯度方向表示像素点相对原点的绝对偏移方向；
步骤S212：根据像素的梯度强度和梯度方向，选择梯度强度最大，且梯度方向连续的像素点，作为边缘像素点；
边缘像素点相对于原点的框定待处理图像区域，即为初标区域；
步骤S213：对初标区域进行非极大值抑制，细化边缘，得到次标区域；
步骤S2131：遍历初标区域中每个像素点，获取初标区域像素点的最大梯度强度；
步骤S2132：随机选择一个初标区域中的像素点，作为当前像素点，并标记；
步骤S2133：根据最大梯度强度，比较当前像素点的梯度强度；
若当前像素点的梯度强度不是最大梯度强度，则该像素点为抑制点，不是边缘点；将当前像素点的梯度强度设置为0（或其他更小的值，用于区分）；
若当前像素点的梯度强度是最大梯度强度，则该像素点为非抑制点，是边缘点；当前像素点的梯度强度不处理；
步骤S2134：以初标区域内未被标记的像素为当前像素点，重复步骤S2132～步骤S2133，处理初标区域中像素点的梯度强度，得到次标区域；
步骤S214：对次标区域进行双阈值处理，依次确定边缘，得到终标区域；
步骤S2141：调用步骤S211～步骤S213的处理步骤，提取蝶阀图像的最大梯度强度，记作高阈值；最小梯度强度，记作低阈值；
步骤S2142：遍历次标区域内的像素点梯度强度；
若像素点的梯度强度大于或等于高阈值，则该点的梯度强度不变，为边缘点；
若像素点的梯度强度小于低阈值，则将该点的梯度强度设置为0（或其他更小的值），该点为0点；
若像素点的梯度强度位于高阈值和低阈值之间，则判断该点的梯度方向；
若梯度方向指向一个或多个确定的边缘点或0点，则该点为边缘点，梯度强度不变；
若梯度方向未指向任意一个确定的边缘点或0点，则该点为0点，梯度强度设置为0（或其他更小的值）；
步骤S215：利用边缘追踪算法处理终标区域，使边缘点的梯度强度恒定，梯度方向连续，得到待分割图像；
步骤S22：根据蝶阀图像，标记待分割图像中的异常区域；
步骤S221：将蝶阀图像作为结构元素；调用膨胀算法对结构元素与待分割图像进行大像素替换小像素的卷积操作，得到处理图像B1；
步骤S222：使用腐蚀算法；根据结构元素，对待分割图像进行小像素替换大像素的卷积操作，得到处理图像B2；
需要说明的是，本发明中的“大像素替换小像素”指的是：比较蝶阀图像与待分割图像对应像素点的灰度值，如果“蝶阀图像中像素点的灰度值”大于或等于“待分割图像中像素点的灰度值”，则用“蝶阀图像中像素点的灰度值”替换“待分割图像中像素点的灰度值”；反之，则不替换；“小像素替换大像素”与“大像素替换小像素”同理。
步骤S223：将处理图像B1与处理图像B2，进行叠加，得到待提取图像；
步骤S23：请参阅图3和图4，获取蝶阀表面缺陷的相关图片，构建智能分析模型，提取待分析图像中的磨损部分，得到一次分析报告；
需要说明的是，本发明中的“蝶阀表面缺陷”表示：形如蝶阀锈蚀、蝶阀开裂、蝶阀凹陷等影响蝶阀强度的破坏。
步骤S231：利用图像处理技术，从相关图片中提取出与蝶阀磨损状态相关的特征；（这些特征可能包括颜色、纹理、形状等）
步骤S232：通过统计分析或机器学习算法，计算特征的相关性；选择相关性最大的10个特征，作为有用特征；
步骤S233：选择卷积神经网络（CNN）作为深度学习模型；将DBN的层数，设置为2层RBM层；以ReLU函数为激活函数；初始化输入层、隐藏层和输出层的权重和偏置参数；
以交叉验证或网格搜索法，作为误差计算方法；
步骤S234：将相关图片，作为测试对象，训练模型：通过前向传播计算损失函数，然后通过反向传播更新模型的参数；
超参数调优：通过调整学习率、批大小和迭代次数，优化模型的训练过程；
正则化与防止过拟合：采用正则化技术（如L1、L2正则化）或数据增强技术来防止模型过拟合；使用早停法（early stopping）或dropout技术来提高模型的泛化能力；
步骤S235：计算模型拟合的准确率、召回率和F1值，作为检测标准；采用交叉验证的方法。将相关图片划分为多个部分，每次使用其中一部分作为测试集，其余部分作为训练集进行训练和评估；
步骤S236：重复步骤S231～步骤S235的步骤，直至检测标准最小，得到智能分析模型；
步骤S24：将待分析图像作为智能分析模型的输入，读取智能分析模型的输出，作为一次分析报告。
步骤S3：利用超声波检测设备，扫描并分析蝶阀内部的磨损状况，得到异常区域集合；遍历待分析图像的像素点，提取表面异常集合；根据异常区域集合和表面异常集合判断蝶阀是否可用，得到二次分析报告；
步骤S3的具体步骤如下：
步骤S31：在入口处蝶阀的两侧，关联超声波检测设备；通过超声波检测设备，获取蝶阀的超声波图像；
超声波检测设备：用于扫描蝶阀的金属部分，获取蝶阀内部的超声波图像；
步骤S32：请参阅图5；判断超声波图像中是否存在连续不规则的曲线；
若存在，则说明蝶阀内的对应位置出现金属锈蚀，标记曲线对应的距离，记作标记区域；若不存在，则继续检索；
步骤S33：请参阅图6；判断超声波图像中是否存在不连续的折线；
若存在，则说明蝶阀内的对应位置出现金属开裂，标记折线对应的距离，记作标记区域；若不存在，则继续检索；
步骤S34：请参阅图7，以蝶阀入口处的几何中心为几何原点（0，0，0），横向为X轴，纵向为y轴，入口的直线方向为z轴，构建坐标系；
步骤S35：统计标记区域的个数，记作nn；
将标记区域，带入坐标系中，得到异常区域集合BN；
集合BN{（x1，y1，z1）、（x2，y2，z2）、（x3，y3，z3）～（xnn，ynn，znn）}；其中，（x1，y1，z1）～（xnn，ynn，znn）分别表示第1～nn个标记区域到（0，0，0）的相对位置；
步骤S36：通过OpenCV库中的imread()和image()方法，获取待处理图像中的灰度值；
步骤S37：获取并遍历待处理图像中的每个像素的灰度值，判断蝶阀是否可用；
步骤S38：汇总步骤S31～步骤S37的分析结果，得到二次分析报告；
步骤S371：计算待处理图像的平均灰度值，记作dah；提取待处理图像的最大灰度值，记作dmh；最小灰度值，记作dlh；出现频率最高的灰度值，记作dch；
步骤S372：提取蝶阀图像的最大灰度值，记作mh；最小灰度值，记作lh；出现频率最高的灰度值，记作ch；
步骤S373：计算磨损判定值ap，ap＝[（mh－lh）－（dmh－dlh）]*（dch/ch）；判断ap大于或等于1是否满足；
若满足，则说明蝶阀磨损状态良好，蝶阀可用；
若不满足，则判断ap大于0且小于1是否满足，进入步骤S374；
步骤S374：若满足，则说明蝶阀表面磨损良好，结合集合BN判断蝶阀是否可用，进入步骤S375；
若满足，说明蝶阀磨损严重，蝶阀不可用；
步骤S375：结合集合BN判断蝶阀是否可用；
步骤S3751：创建关系式1和关系式2，用于判别蝶阀是否磨损；
2XX－（dah＋dmh）＜0，关系式1；
（dlh＋dmh）－2XX≥0，关系式2；
其中，XX表示分析图像中像素点的灰度值；
步骤S3752：随机提取一个待分析图像上的像素点，作为检测点；获取检测点的灰度值，分别代入关系式1和关系式2中；判断检测点是否都满足关系式1和关系式2，进入步骤S3753；
步骤S3753：若都满足，则说明检测点正常，剔除检测点；
若都不满足或仅一项满足，则说明检测点对应区域出现磨损，标记检测点，作为异常点；
步骤S3754：重复执行步骤S3752～步骤S3753；统计全部异常点个数，记作wn；将异常点同步到坐标系中，得到表面异常集合BB；
集合BB{（m1，n1，0）、（m2，n2，0）、（m3，n3，0）～（mwn，nwn，0）}；其中，（m1，n1，0）～（mwn，nwn，0）分别表示第1～wn个标记区域到（0，0，0）的相对位置；（因为异常的本质是，分析图像上的点，分析图像仅表示坐标系中的x—y平面，故集合BB中元素的z轴参数为0）
步骤S3755：定义关系式3，用于判断蝶阀的磨损程度；
mm＋nn＝xx＋yy，关系式3；
其中，mm和nn，分别表示集合BB中的m1～mwn和n1～nwn；
xx和yy，分别表示集合BN中的x1～xnn和y1～ynn；
步骤S3756：统计满足关系式3的个数，记作TT；
判断2TT/（nn*wn）1/2小于或等于第一阈值是否满足；
若满足，则说明蝶阀磨损正常，判断蝶阀的磨损角度，进入步骤S3757；
若满足，则说明蝶阀磨碎严重，蝶阀不可用；
需要说明的是，本发明中的第一阈值，表示可接受蝶阀磨损程度；第一阈值一般取值为0.5；第一阈值的具体值，由用户或系统开发人员，根据实际需要自行决定。
步骤S3757：定义关系式4，用于判断蝶阀的磨损角度；
，关系式4；
其中，zz表示集合BN中的z1～znn；lim表示趋近于；
步骤S3758：统计满足关系式4的个数，记作FF；
判断2FF/（nn*wn）1/2小于或等于第二阈值是否满足；
若满足，则说明蝶阀磨碎正常，蝶阀可用；
若满足，则说明蝶阀磨碎严重，蝶阀不可用；
需要说明的是，本发明中的第二阈值，表示可接受蝶开裂角度；第二阈值一般取值为0.5；第二阈值的具体值，由用户或系统开发人员，根据实际需要自行决定。
实施例二
请参阅图8，基于机器视觉的低温蝶阀表面缺陷检测系统包括：数据获取模块、图像分析模块、联合分析模块、用户交互模块、数据库以及服务器；其中数据获取模块、图像分析模块、联合分析模块以及用户交互模块，分别与数据库以及服务器相连。
数据获取模块：用于获取蝶阀的表面图像的原始图像；对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
图像分析模块：用于备份待分析图片；对待分析进行边缘分割，得到待提取图像；构建智能分析模型，提取待提取图像中的磨损部分，得到一次分析报告；
联合分析模块：用于利用超声波检测设备，扫描并分析蝶阀内部的磨损状况，得到异常区域集合；遍历待分析图像的像素点，提取表面异常集合；根据异常区域集合和表面异常集合判断蝶阀是否可用；
用户交互模块：用于汇总一次分析报告和二次分析报告，并反馈给用户。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置，如存在权重系数和比例系数，其设置的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于权重系数和比例系数的大小，只要不影响参数与量化后数值的比例关系即可。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述权利要求的保护范围为准。

Claims (8)

1.基于机器视觉的低温蝶阀表面缺陷检测方法，其特征在于，所述检测方法包括以下步骤：
步骤S1：获取蝶阀的表面图像的原始图像；对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
步骤S2：备份待分析图片；对待分析进行边缘分割，得到待提取图像；构建智能分析模型，提取待提取图像中的磨损部分，得到一次分析报告；
步骤S3：利用超声波检测设备，扫描并分析蝶阀内部的磨损状况，得到异常区域集合；遍历待分析图像的像素点，提取表面异常集合；根据异常区域集合和表面异常集合判断蝶阀是否可用；
步骤S4：汇总一次分析报告和二次分析报告，并反馈给用户。
2.根据权利要求1所述的基于机器视觉的低温蝶阀表面缺陷检测方法，其特征在于，所述步骤S1的具体步骤如下：
步骤S11：通过高灵敏度的CMOS工业相机传感器，获取蝶阀的表面图像，得到原始图像；
步骤S12：对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
步骤S121：获取原始图像的分辨率，记作res；
步骤S122：定义函数fre（X），fre（X）＝logpa（X）；其中，X表示函数输入；pa表示设定参数；fre（X）为正整数，向下取整；
步骤S123：将res代入fre（X）得到核阶数，记作J；定义J×J的最小图像扫描单元，使用高斯滤波器处理原始图像，去除原始图像的噪声，得到原始图像A1；
步骤S124：以像素亮度值为横坐标，以像素亮度值在图像中出现的频率为纵坐标，构建原始图像A1的直方图；
使用OpenCV库中的cv2.equalizeHist直方图均衡化函数和直方图，对原始图像A1进行处理，得到原始图像A2；
步骤S125：获取蝶阀图像，作为参考图片；根据参考图片，使用OpenCV库中的cv2.adaptiveThreshold()函数，处理原始图像A2，得到自适应阈值；
使用OpenCV库中的cv2.threshold()函数，根据自适应阈值，对原始图像A2进行二值化操作，得到待分析图像。
3.根据权利要求2所述的基于机器视觉的低温蝶阀表面缺陷检测方法，其特征在于，所述步骤S2的具体步骤如下：
步骤S21：对待分析图像进行边缘检测，得到待分割图像；
步骤S22：根据蝶阀图像，标记待分割图像中的异常区域；
步骤S221：将蝶阀图像作为结构元素；调用膨胀算法对结构元素与待分割图像进行大像素替换小像素的卷积操作，得到处理图像B1；
步骤S222：使用腐蚀算法；根据结构元素，对待分割图像进行小像素替换大像素的卷积操作，得到处理图像B2；
步骤S223：将处理图像B1与处理图像B2，进行叠加，得到待提取图像；
步骤S23：获取蝶阀表面缺陷的相关图片，构建智能分析模型，提取待分析图像中的磨损部分，得到一次分析报告；
步骤S231：利用图像处理技术，从相关图片中提取出与蝶阀磨损状态相关的特征；
步骤S232：通过统计分析或机器学习算法，计算特征的相关性；选择相关性最大的10个特征，作为有用特征；
步骤S233：选择卷积神经网络作为深度学习模型；将DBN的层数，设置为2层RBM层；以ReLU函数为激活函数；初始化输入层、隐藏层和输出层的权重和偏置参数；
以交叉验证或网格搜索法，作为误差计算方法；
步骤S234：将相关图片，作为测试对象，训练模型：通过前向传播计算损失函数，然后通过反向传播更新模型的参数；
超参数调优：通过调整学习率、批大小和迭代次数，优化模型的训练过程；
正则化与防止过拟合：采用正则化技术或数据增强技术来防止模型过拟合；使用早停法（early stopping）或dropout技术来提高模型的泛化能力；
步骤S235：计算模型拟合的准确率、召回率和F1值，作为检测标准；采用交叉验证的方法，将相关图片划分为多个部分，每次使用其中一部分作为测试集，其余部分作为训练集进行训练和评估；
步骤S236：重复步骤S231～步骤S235，直至检测标准最小，得到智能分析模型；
步骤S24：将待分析图像作为智能分析模型的输入，读取智能分析模型的输出，作为一次分析报告。
4.根据权利要求3所述的基于机器视觉的低温蝶阀表面缺陷检测方法，其特征在于，所述步骤S21的具体步骤如下：
步骤S211：根据蝶阀图像，识别待分析图像中的蝶阀的圆心；以蝶阀圆心为参考系；使用Sobel算子，计算待分析图像中每个像素点的水平梯度和垂直梯度；
步骤S212：根据像素的梯度强度和梯度方向，选择梯度强度最大，且梯度方向连续的像素点，作为边缘像素点；
边缘像素点相对于原点的框定待处理图像区域，即为初标区域；
步骤S213：对初标区域进行非极大值抑制，细化边缘，得到次标区域；
步骤S2131：遍历初标区域中每个像素点，获取初标区域像素点的最大梯度强度；
步骤S2132：随机选择一个初标区域中的像素点，作为当前像素点，并标记；
步骤S2133：根据最大梯度强度，比较当前像素点的梯度强度；
若当前像素点的梯度强度不是最大梯度强度，则该像素点不是边缘点；将梯度强度设置为0；
若当前像素点的梯度强度是最大梯度强度，则该像素点是边缘点；梯度强度不处理；
步骤S2134：重复步骤S2132～步骤S2133，处理初标区域中像素点的梯度强度，得到次标区域；
步骤S214：对次标区域进行双阈值处理，依次确定边缘，得到终标区域；
步骤S2141：调用步骤S211～步骤S213，提取蝶阀图像的最大梯度强度，记作高阈值；最小梯度强度，记作低阈值；
步骤S2142：遍历次标区域内的像素点梯度强度；
若像素点的梯度强度大于或等于高阈值，则该点的梯度强度不变，为边缘点；
若像素点的梯度强度小于低阈值，则将该点的梯度强度设置为0，该点为0点；
若像素点的梯度强度位于高阈值和低阈值之间，则判断该点的梯度方向；
若梯度方向指向一个或多个确定的边缘点或0点，则该点为边缘点，梯度强度不变；
若梯度方向未指向任意一个确定的边缘点或0点，则该点为0点，梯度强度设置为0；
步骤S215：利用边缘追踪算法处理终标区域，使边缘点的梯度强度恒定，梯度方向连续，得到待分割图像。
5.根据权利要求1所述的基于机器视觉的低温蝶阀表面缺陷检测方法，其特征在于，所述步骤S3的具体步骤如下：
步骤S31：通过超声波检测设备，获取蝶阀的超声波图像；
步骤S32：判断超声波图像中是否存在连续不规则的曲线；
若存在，则说明蝶阀内的对应位置出现金属锈蚀，标记曲线对应的距离，记作标记区域；若不存在，则继续检索；
步骤S33：判断超声波图像中是否存在不连续的折线；
若存在，则说明蝶阀内的对应位置出现金属开裂，标记折线对应的距离，记作标记区域；若不存在，则继续检索；
步骤S34：以蝶阀入口处的几何中心为几何原点（0，0，0），横向为X轴，纵向为y轴，入口的直线方向为z轴，构建坐标系；
步骤S35：统计标记区域的个数，记作nn；
将标记区域，代入坐标系中，得到异常区域集合BN；
集合BN{（x1，y1，z1）、（x2，y2，z2）、（x3，y3，z3）～（xnn，ynn，znn）}；其中，（x1，y1，z1）～（xnn，ynn，znn）分别表示第1～nn个标记区域到（0，0，0）的相对位置；
步骤S36：通过OpenCV库中的imread()和image()方法，获取待处理图像中的灰度值；
步骤S37：获取并遍历待处理图像中的每个像素的灰度值，判断蝶阀是否可用；
步骤S38：汇总步骤S31～步骤S37的分析结果，得到二次分析报告。
6.根据权利要求5所述的基于机器视觉的低温蝶阀表面缺陷检测方法，其特征在于，所述步骤S37的具体步骤如下：
步骤S371：计算待处理图像的平均灰度值，记作dah；提取待处理图像的最大灰度值，记作dmh；最小灰度值，记作dlh；出现频率最高的灰度值，记作dch；
步骤S372：提取蝶阀图像的最大灰度值，记作mh；最小灰度值，记作lh；出现频率最高的灰度值，记作ch；
步骤S373：计算磨损判定值ap，ap＝[（mh－lh）－（dmh－dlh）]*（dch/ch）；判断ap大于或等于1是否满足；
若满足，则说明蝶阀磨损状态良好，蝶阀可用；
若不满足，则判断ap大于0且小于1是否满足，进入步骤S374；
步骤S374：若满足，则说明蝶阀表面磨损良好，结合集合BN判断蝶阀是否可用，进入步骤S375；
若满足，说明蝶阀磨损严重，蝶阀不可用；
步骤S375：结合集合BN判断蝶阀是否可用。
7.根据权利要求6所述的基于机器视觉的低温蝶阀表面缺陷检测方法，其特征在于，所述步骤S375的具体步骤如下：
步骤S3751：创建关系式1和关系式2，用于判别蝶阀是否磨损；
2XX－（dah＋dmh）＜0，关系式1；
（dlh＋dmh）－2XX≥0，关系式2；
其中，XX表示分析图像中像素点的灰度值；
步骤S3752：随机提取一个待分析图像上的像素点，作为检测点；获取检测点的灰度值，分别代入关系式1和关系式2中；判断检测点是否都满足关系式1和关系式2，进入步骤S3753；
步骤S3753：若都满足，则说明检测点正常，剔除检测点；
若都不满足或仅一项满足，则说明检测点对应区域出现磨损，标记检测点，作为异常点；
步骤S3754：重复执行步骤S3752～步骤S3753；统计全部异常点个数，记作wn；将异常点同步到坐标系中，得到表面异常集合BB；
集合BB{（m1，n1，0）、（m2，n2，0）、（m3，n3，0）～（mwn，nwn，0）}；其中，（m1，n1，0）～（mwn，nwn，0）分别表示第1～wn个标记区域到（0，0，0）的相对位置；
步骤S3755：定义关系式3，用于判断蝶阀的磨损程度；
mm＋nn＝xx＋yy，关系式3；
其中，mm和nn，分别表示集合BB中的m1～mwn和n1～nwn；
xx和yy，分别表示集合BN中的x1～xnn和y1～ynn；
步骤S3756：统计满足关系式3的个数，记作TT；
判断2TT/（nn*wn）1/2小于或等于第一阈值是否满足；
若满足，则说明蝶阀磨损正常，判断蝶阀的磨损角度，进入步骤S3757；
若满足，则说明蝶阀磨碎严重，蝶阀不可用；
步骤S3757：定义关系式4，用于判断蝶阀的磨损角度；
，关系式4；
其中，zz表示集合BN中的z1～znn；lim表示趋近于；
步骤S3758：统计满足关系式4的个数，记作FF；
判断2FF/（nn*wn）1/2小于或等于第二阈值是否满足；
若满足，则说明蝶阀磨碎正常，蝶阀可用；
若满足，则说明蝶阀磨碎严重，蝶阀不可用。
8.基于机器视觉的低温蝶阀表面缺陷检测系统，适用于权利要求1-7任意一项基于机器视觉的低温蝶阀表面缺陷检测方法，其特征在于，检测系统包括：
数据获取模块：用于获取蝶阀的表面图像的原始图像；对原始图像进行去噪、增强和二值化的预处理，得到待分析图像；
图像分析模块：用于备份待分析图片；对待分析进行边缘分割，得到待提取图像；构建智能分析模型，提取待提取图像中的磨损部分，得到一次分析报告；
联合分析模块：用于利用超声波检测设备，扫描并分析蝶阀内部的磨损状况，得到异常区域集合；遍历待分析图像的像素点，提取表面异常集合；根据异常区域集合和表面异常集合判断蝶阀是否可用；
用户交互模块：用于汇总一次分析报告和二次分析报告，并反馈给用户。
CN202410584934.8A 2024-05-13 2024-05-13 基于机器视觉的低温蝶阀表面缺陷检测方法及系统 Active CN118154613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410584934.8A CN118154613B (zh) 2024-05-13 2024-05-13 基于机器视觉的低温蝶阀表面缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410584934.8A CN118154613B (zh) 2024-05-13 2024-05-13 基于机器视觉的低温蝶阀表面缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN118154613A true CN118154613A (zh) 2024-06-07
CN118154613B CN118154613B (zh) 2024-07-23

Family

ID=91290580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410584934.8A Active CN118154613B (zh) 2024-05-13 2024-05-13 基于机器视觉的低温蝶阀表面缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN118154613B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110108724A (zh) * 2019-04-20 2019-08-09 东莞中科蓝海智能视觉科技有限公司 条状工件视觉检测系统
US20200317458A1 (en) * 2019-04-04 2020-10-08 Seiko Epson Corporation Image processing apparatus, machine learning device, and image processing method
CN115631146A (zh) * 2022-09-30 2023-01-20 成都国铁电气设备有限公司 一种基于图像的受电弓碳滑条缺损缺陷检测方法
GB2610449A (en) * 2021-09-06 2023-03-08 Harbin Inst Technology Efficient high-resolution non-destructive detecting method based on convolutional neural network
CN117115148A (zh) * 2023-10-19 2023-11-24 苏州弘皓光电科技有限公司 基于5g技术的芯片表面缺陷智能识别方法
CN117237367A (zh) * 2023-11-16 2023-12-15 江苏星火汽车部件制造有限公司 一种基于机器视觉的螺旋叶片厚度磨损检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200317458A1 (en) * 2019-04-04 2020-10-08 Seiko Epson Corporation Image processing apparatus, machine learning device, and image processing method
CN110108724A (zh) * 2019-04-20 2019-08-09 东莞中科蓝海智能视觉科技有限公司 条状工件视觉检测系统
GB2610449A (en) * 2021-09-06 2023-03-08 Harbin Inst Technology Efficient high-resolution non-destructive detecting method based on convolutional neural network
CN115631146A (zh) * 2022-09-30 2023-01-20 成都国铁电气设备有限公司 一种基于图像的受电弓碳滑条缺损缺陷检测方法
CN117115148A (zh) * 2023-10-19 2023-11-24 苏州弘皓光电科技有限公司 基于5g技术的芯片表面缺陷智能识别方法
CN117237367A (zh) * 2023-11-16 2023-12-15 江苏星火汽车部件制造有限公司 一种基于机器视觉的螺旋叶片厚度磨损检测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LINGYU YANG等: "Detection System of Fuel Spray Nozzle Based on Machine Vision", 《2020 IEEE 9TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE (ITAIC)》, 3 February 2021 (2021-02-03) *
徐伟锋;刘山;: "基于机器视觉的接头组件表面缺陷检测系统研究", 机床与液压, no. 16, 28 August 2020 (2020-08-28) *
翟伟良;李有煊;黄浩湄;黄茂发;陈俊杰;莫锦超;: "基于机器视觉的金属表面缺陷检测方法研究", 科技传播, no. 09, 8 May 2017 (2017-05-08) *
计时鸣, 张宪, 张利, 万跃华, 袁巨龙, 张立彬: "计算机视觉在刀具状态监测中的应用", 浙江工业大学学报, no. 02, 25 April 2002 (2002-04-25) *

Also Published As

Publication number Publication date
CN118154613B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN111862064B (zh) 一种基于深度学习的银质丝材表面瑕疵识别方法
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
Said et al. Robust automatic void detection in solder balls
CN114549446A (zh) 一种基于深度学习的气缸套缺陷标检测方法
CN117974601B (zh) 基于模板匹配的硅片表面缺陷检测方法及系统
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN115797314B (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN117974671B (zh) 基于人工智能的手表表盘缺陷智能检测方法
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN117975175A (zh) 一种基于机器视觉的塑料管道外观缺陷检测方法
CN117635615B (zh) 基于深度学习实现冲孔模具的缺陷检测方法及系统
CN114881998A (zh) 一种基于深度学习的工件表面缺陷检测方法及系统
CN117876353A (zh) 一种基于视觉识别的电子设备表面划痕检测系统
CN118154613B (zh) 基于机器视觉的低温蝶阀表面缺陷检测方法及系统
CN116993679B (zh) 一种基于目标检测的伸缩机皮带磨损检测方法
CN117522778A (zh) 一种空心砖瑕疵检测系统
Dong A pixel-wise framework based on convolutional neural network for surface defect detection
CN115660988A (zh) 基于retinex的图像预处理方法
CN115239663A (zh) 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质
Lin et al. A Tiny Defect Detection System for Tire Mold Surfaces Based on Consecutive Frames
CN112419244A (zh) 基于YOLOv4目标检测模型和管状流场算法的混凝土裂缝分割方法及装置
Li et al. High-speed and Accurate Method for the Gear Defect Detection based on OpenCV
CN117132592B (zh) 一种基于熵融合的工业缺陷检测方法

Legal Events

Date Code Title Description
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