CN109444169A - 一种轴承缺陷检测方法及*** - Google Patents
一种轴承缺陷检测方法及*** Download PDFInfo
- Publication number
- CN109444169A CN109444169A CN201910042646.9A CN201910042646A CN109444169A CN 109444169 A CN109444169 A CN 109444169A CN 201910042646 A CN201910042646 A CN 201910042646A CN 109444169 A CN109444169 A CN 109444169A
- Authority
- CN
- China
- Prior art keywords
- image
- bearing
- feature
- obtains
- model
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种轴承缺陷检测方法及***。该检测方法包括:获取待检测的轴承图像;对所述待检测的轴承图像进行预处理,得到预处理后的图像;对所述预处理后的图像进行特征提取,得到图像特征;所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵;获取检测模型;根据所述图像特征,通过所述检测模型,对轴承进行检测。本发明利用几种特征作为判断标准,提高了检测稳定性,避免了人工检测造成的误检,同时,该检测方法用时短,满足工业工件检测要求。
Description
技术领域
本发明涉及轴承缺陷检测领域,特别是涉及一种轴承缺陷检测方法及***。
背景技术
轴承是机械工业行业中尤为重要的一种零部件,其耐久性、使用性能以及完整性决定了工件的工作效率和稳定性。传统的轴承端面检测主要依靠人工检测的方法,该方法的耗时长,工作量较大,且检测效果很大程度上收到员工的疲劳程度和主观意识等影响,造成轴承表面缺陷的错误判断和漏检,难以保证轴承的质量。目前,基于机器视觉的表面缺陷检测技术广泛用于各类视觉检测领域,然而在机器视觉检测轴承表面缺陷存在的难点主要体现在痕迹和缺陷具有一定的相似度,且处于同一平面内,还有待检测区域位于轴承的端面位置,整幅图像中存在许多复杂背景,这些因素对缺陷的检测和提取带来了困难。表面缺陷检测的目的在于将存在划痕、孔洞、斑点等缺陷的产品从正常产品中筛选出来,提高产品的合格率和质量
目前常见的表面缺陷检测方法主要用于检测纹理缺陷,方法可分为三类:统计法、频谱法和模型法。其中在统计法是指图像的灰度值在空间的分布情况,通常用直方图统计法、灰度共生矩阵法、数学形态学法等方法来描述图像的特征;频谱法是对图像做空间域到频域的转换,在频域中分析图像的特征,经典的方法有小波变换、傅里叶变换和Gabor变换等;模型法中一般用分形体法和反散射模型来描述表面缺陷特征。除了上述方法,常见的还有图像增强、滤波和图像分割等方法,主要用于图像的预处理。
目前大部分的表面缺陷检测方法仅局限于某些特定的物体表面或者针对某一种类型的缺陷进行检测,但在视觉检测的各个领域中,需要检测的物体具有多样性,缺陷的类型也具有不确定性,如果每次要检测一种物体或缺陷都要设计对应的方法,将会耗时费力,缺乏灵活性。
发明内容
本发明的目的是提供一种轴承缺陷检测方法及***,用以提高检测稳定性,避免人工检测造成的误检,同时,该检测方法用时短,满足工业工件检测要求。
为实现上述目的,本发明提供了如下方案:
一种轴承缺陷检测方法,所述检测方法包括:
获取待检测的轴承图像;
对所述待检测的轴承图像进行预处理,得到预处理后的图像;
对所述预处理后的图像进行特征提取,得到图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵;
获取检测模型;
根据所述图像特征,通过所述检测模型,对轴承进行检测。
可选的,所述对所述待检测的轴承图像进行预处理,得到预处理后的图像,具体包括:
对所述待检测的轴承图像进行边缘检测,去除背景,得到感兴趣的区域图像;
对所述感兴趣的区域图像进行分割;
对分割后的图像进行滤波,得到预处理后的图像。
可选的,在所述获取检测模型之前,还包括:
获取训练集,所述训练集包括多个轴承图像;多个所述轴承图像中的轴承包括存在缺陷的轴承、存在痕迹的轴承以及正品轴承;
对所述轴承图像进行预处理,得到预处理后的图像;
所述预处理后的图像进行特征提取,得到图像特征;
获取随机森林分类器模型;
通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型。
可选的,在所述通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型之前,还包括:
对所述预处理后的图像进行特征提取,得到多个初始图像特征;
将多个所述初始图像特征输入至随机森林分类器模型,判断所述随机森林分类器模型的预测准确率;
根据所述预测准确率,从所述初始图像特征中筛选出图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵。
本发明还提供了一种轴承缺陷检测***,所述检测***包括:
待检测图像获取模块,用于获取待检测的轴承图像;
第一预处理模块,用于对所述待检测的轴承图像进行预处理,得到预处理后的图像;
第一特征提取模块,用于对所述预处理后的图像进行特征提取,得到图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵;
第一模型获取模块,用于获取检测模型;
检测模块,用于根据所述图像特征,通过所述检测模型,对轴承进行检测。
可选的,所述预处理模块,具体包括:
边缘检测单元,用于对所述待检测的轴承图像进行边缘检测,去除背景,得到感兴趣的区域图像;
分割单元,用于对所述感兴趣的区域图像进行分割;
滤波单元,用于对分割后的图像进行滤波,得到预处理后的图像。
可选的,所述检测***还包括:
训练集获取模块,用于获取训练集,所述训练集包括多个轴承图像;多个所述轴承图像中的轴承包括存在缺陷的轴承、存在痕迹的轴承以及正品轴承;
第二预处理模块,用于对所述轴承图像进行预处理,得到预处理后的图像;
第二特征提取模块,用于所述预处理后的图像进行特征提取,得到图像特征;
第二模型获取模块,用于获取随机森林分类器模型;
训练模块,用于通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型。
可选的,所述检测***还包括:
第三特征提取模块,用于对所述预处理后的图像进行特征提取,得到多个初始图像特征;
输入模块,用于将多个所述初始图像特征输入至随机森林分类器模型,判断所述随机森林分类器模型的预测准确率;
筛选模块,用于根据所述预测准确率,从所述初始图像特征中筛选出图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵。
与现有技术相比,本发明具有以下技术效果:本发明对所述预处理后的图像进行特征提取,得到图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵;根据所述图像特征,通过所述检测模型,对轴承进行检测。本发明利用上述几种特征作为判断标准,提高了检测稳定性,避免了人工检测造成的误检,同时,该检测方法用时短,满足工业工件检测要求。
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,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例轴承缺陷检测方法的流程图;
图2为本发明实施例轴承缺陷检测***的结构框图。
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,所描述的实施例仅仅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,本领域普通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。
本发明的目的是提供一种轴承缺陷检测方法及***,用以提高检测稳定性,避免人工检测造成的误检,同时,该检测方法用时短,满足工业工件检测要求。
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的说明。
如图1所示,轴承缺陷检测方法包括以下步骤:
步骤101:获取待检测的轴承图像。将轴承平放,在轴承的正上方固定位置用黑白相机对轴承的端面进行图像采集;对获得的图像进行固定位置和拍摄角度,以获得大小一致的轴承图像。
步骤102:对所述待检测的轴承图像进行预处理,得到预处理后的图像。具体的,边缘检测单元,用于对所述待检测的轴承图像进行边缘检测,去除背景,得到感兴趣的区域图像;分割单元,用于对所述感兴趣的区域图像进行分割;滤波单元,用于对分割后的图像进行滤波,得到预处理后的图像。
对轴承的端面进行检测是否存在缺陷,需要将轴承外圈以外的轴承外壳和轴承内圈的黑色块状区域去除,以提取出感兴趣区域的端面位置。首先对轴承进行Sobel边缘检测,再利用腐蚀膨胀的数学形态学操作将未连接的边缘连接起来,然后对各连通域进行标记并求出每个连通域的大小来获取最大连通域的索引,从而得到最大连通域,以此去除不相关的背景,得到端面最外圆的二值图像,由于端面宽度是固定值,因此在计算出外圈半径的情况下即可计算出端面的内圆半径,最终获得端面图。
轴承端面中的痕迹和缺陷随机出现在各个位置,为了便于分析,需要整个圆环状的端面进行切割。将端面图像平均切割成12个矩形图像,切割的具体方法为:从圆心引出12条线与圆环相交,每条直线的夹角为30度,相邻两条线与内环两个交点处,用一条直线过这两个点进行切割,再作平行该直线并包含外圆的直线,以两个交点与两条平行线的垂直线,形成一个矩形,以该种方式将得到整个圆环的十二分之一的矩形图像。
对待检测图像分为两层进行处理,第一层为没有滤波的灰度图像,第二层选用模板大小为5的高斯拉普拉斯空间带通滤波进行LOG滤波,公式如下所示,▽2G简称LOG。G(x,y)表示二维高斯函数,σ表示标准差,x,y分别表示像素坐标。
步骤103:对所述预处理后的图像进行特征提取,得到图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵。
局统计特征:分别计算五层图像的所有像素的熵、平均灰度值和方差,计算公式分别如下:
Hij=f(i,j)/N2 (2)
式中为均值,M,N分别表示图像的行和列的像素个数,f为像素值,Hij表示熵值,σ为方差。
局部二值模式:根据图像中缺陷都是以纹理特征为主的特点,利用LBP算子的旋转不变性和灰度不变性的优点,分别对两层矩形图像进行局部纹理特征提取。提取LBP特征的方法为:假设I(xc,yc)是图像局部区域的像素点,I((xc,yc)是3*3窗口的中心,其余邻域点分别为g0,g1,g2,…,g7,将局部纹理区域定义为T=(gc,g0,…,g7),使用阈值将其他八个像素转为二进制,这里将窗口中心点灰度值作为阈值。使用LBP算子扫描矩形图像之后,获得原始图像的LBP编码图像。公式如下
T≈t(s(g0-gc),...,s(g7-gc)) (5)
灰度游程矩阵:为了描述图像中像素值的分布特征,分别计算灰度图的灰度游程矩阵特征。设G为灰度级数,R为最长运行次数,并且是图像中的像素。灰度运行长度矩阵是元素的二维矩阵,其中每个元素给出了在给定方向上具有灰度级长度的运行的总次数。分别计算两层灰度图的灰度游程矩阵特征,分别是短期运行重点(SRE)、长期运行重点(LRE)、灰度级非均匀性(GLN)、游程长度非均匀性(RLN)和运行百分比(RP)。
灰度规模域矩阵:计算每层矩形图的灰度规模域矩阵特征。计算每层矩形图的灰度规模域矩阵。灰度规模域矩阵是纹理特征的高级统计矩阵。该方法用于评估区域纹理特征,不考虑沿着各种方向具有相同灰度强度的体素数量,而是考虑各种尺寸的灰度级区域的数量。灰度区域是连续区域,其中体素具有相同的强度值,并且区域的大小是封闭的体素的数量。形成灰度级区域GLSZM,其中GLSZM(i,j)表示灰度级强度i和大小j的区域的数量。给定描绘的矩形图像的所得矩阵的行数等于矩形图像中的最大灰度级,并且列的数量与矩形图像内可能的最大区域的大小相同。
步骤104:获取检测模型。
步骤105:根据所述图像特征,通过所述检测模型,对轴承进行检测。
在步骤104之前,还包括:
获取训练集,所述训练集包括多个轴承图像;多个所述轴承图像中的轴承包括存在缺陷的轴承、存在痕迹的轴承以及正品轴承;
对所述轴承图像进行预处理,得到预处理后的图像;
所述预处理后的图像进行特征提取,得到图像特征;
获取随机森林分类器模型;
通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型。
首先将每个矩形图像分为三类:正品、痕迹和缺陷,分别标注为1、2和3。从切割出来的两层矩形图像中提取均值、LBP、灰度游程矩阵和灰度规模域矩阵,然后利用随机森林作为训练模型,对提取出的特征和标定后的数据进行训练,将得到的训练集以及对应的标注信息存放在Excel表格中,用于下一步的预测。
在上一步训练后的得到的几种特征的训练集后,首先将待检测图像进行标注:正品、痕迹和缺陷,分别标注为1、2和3,然后将待检测图像重复上述操作:感兴趣区域提取、图像切割、高斯拉普拉斯空间带通滤波、特征提取,最后用随机森林根据训练集中的特征识别待检测矩形图像的类型。
在12张矩形图像中,缺陷数量大于等于2张时,整张端面图像视为缺陷图;痕迹数量大于3且在缺陷数量小于2时,整副端面图像被判为痕迹;当没有缺陷和痕迹的视为正品。
在所述通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型之前,还包括:
对所述预处理后的图像进行特征提取,得到多个初始图像特征;
将多个所述初始图像特征输入至随机森林分类器模型,判断所述随机森林分类器模型的预测准确率;
根据所述预测准确率,从所述初始图像特征中筛选出图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵。使用指标衡量特征的重要性对提取的特征进行选择,平均精度降低(Mean Decrease Accuracy)通过把一个特征的取值变为随机数,随机森林预测准确率的降低程度来衡量特征的重要性,平均基尼系数降低(Mean Decrease Gini)通过基尼指数计算每个特征对分类树每个基点上观测值的异质性的影响,来比较特征的重要性。最终选择均值、LBP、灰度游程矩阵和灰度规模域矩阵特征用来作为特征。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明对所述预处理后的图像进行特征提取,得到图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵;根据所述图像特征,通过所述检测模型,对轴承进行检测。本发明利用上述几种特征作为判断标准,提高了检测稳定性,避免了人工检测造成的误检,同时,该检测方法用时短,满足工业工件检测要求。
如图2所示,本发明还提供了一种轴承缺陷检测***,所述检测***包括:
待检测图像获取模块201,用于获取待检测的轴承图像。
第一预处理模块202,用于对所述待检测的轴承图像进行预处理,得到预处理后的图像。
所述预处理模块202,具体包括:
边缘检测单元,用于对所述待检测的轴承图像进行边缘检测,去除背景,得到感兴趣的区域图像;
分割单元,用于对所述感兴趣的区域图像进行分割;
滤波单元,用于对分割后的图像进行滤波,得到预处理后的图像。
第一特征提取模块203,用于对所述预处理后的图像进行特征提取,得到图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵。
第一模型获取模块204,用于获取检测模型。
检测模块205,用于根据所述图像特征,通过所述检测模型,对轴承进行检测。
所述检测***还包括:
训练集获取模块,用于获取训练集,所述训练集包括多个轴承图像;多个所述轴承图像中的轴承包括存在缺陷的轴承、存在痕迹的轴承以及正品轴承;
第二预处理模块,用于对所述轴承图像进行预处理,得到预处理后的图像;
第二特征提取模块,用于所述预处理后的图像进行特征提取,得到图像特征;
第二模型获取模块,用于获取随机森林分类器模型;
训练模块,用于通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型。
所述检测***还包括:
第三特征提取模块,用于对所述预处理后的图像进行特征提取,得到多个初始图像特征;
输入模块,用于将多个所述初始图像特征输入至随机森林分类器模型,判断所述随机森林分类器模型的预测准确率;
筛选模块,用于根据所述预测准确率,从所述初始图像特征中筛选出图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种轴承缺陷检测方法,其特征在于,所述检测方法包括:
获取待检测的轴承图像;
对所述待检测的轴承图像进行预处理,得到预处理后的图像;
对所述预处理后的图像进行特征提取,得到图像特征;所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵;
获取检测模型;
根据所述图像特征,通过所述检测模型,对轴承进行检测。
2.根据权利要求1所述的轴承缺陷检测方法,其特征在于,所述对所述待检测的轴承图像进行预处理,得到预处理后的图像,具体包括:
对所述待检测的轴承图像进行边缘检测,去除背景,得到感兴趣的区域图像;
对所述感兴趣的区域图像进行分割;
对分割后的图像进行滤波,得到预处理后的图像。
3.根据权利要求1所述的轴承缺陷检测方法,其特征在于,在所述获取检测模型之前,还包括:
获取训练集,所述训练集包括多个轴承图像;多个所述轴承图像中的轴承包括存在缺陷的轴承、存在痕迹的轴承以及正品轴承;
对所述轴承图像进行预处理,得到预处理后的图像;
所述预处理后的图像进行特征提取,得到图像特征;
获取随机森林分类器模型;
通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型。
4.根据权利要求1所述的轴承缺陷检测方法,其特征在于,在所述通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型之前,还包括:
对所述预处理后的图像进行特征提取,得到多个初始图像特征;
将多个所述初始图像特征输入至随机森林分类器模型,判断所述随机森林分类器模型的预测准确率;
根据所述预测准确率,从所述初始图像特征中筛选出图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵。
5.一种轴承缺陷检测***,其特征在于,所述检测***包括:
待检测图像获取模块,用于获取待检测的轴承图像;
第一预处理模块,用于对所述待检测的轴承图像进行预处理,得到预处理后的图像;
第一特征提取模块,用于对所述预处理后的图像进行特征提取,得到图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵;
第一模型获取模块,用于获取检测模型;
检测模块,用于根据所述图像特征,通过所述检测模型,对轴承进行检测。
6.根据权利要求5所述的轴承缺陷检测***,其特征在于,所述预处理模块,具体包括:
边缘检测单元,用于对所述待检测的轴承图像进行边缘检测,去除背景,得到感兴趣的区域图像;
分割单元,用于对所述感兴趣的区域图像进行分割;
滤波单元,用于对分割后的图像进行滤波,得到预处理后的图像。
7.根据权利要求5所述的轴承缺陷检测***,其特征在于,所述检测***还包括:
训练集获取模块,用于获取训练集,所述训练集包括多个轴承图像;多个所述轴承图像中的轴承包括存在缺陷的轴承、存在痕迹的轴承以及正品轴承;
第二预处理模块,用于对所述轴承图像进行预处理,得到预处理后的图像;
第二特征提取模块,用于所述预处理后的图像进行特征提取,得到图像特征;
第二模型获取模块,用于获取随机森林分类器模型;
训练模块,用于通过所述图像特征对所述随机森林分类器模型进行训练,得到识别模型。
8.根据权利要求5所述的轴承缺陷检测方法,其特征在于,所述检测***还包括:
第三特征提取模块,用于对所述预处理后的图像进行特征提取,得到多个初始图像特征;
输入模块,用于将多个所述初始图像特征输入至随机森林分类器模型,判断所述随机森林分类器模型的预测准确率;
筛选模块,用于根据所述预测准确率,从所述初始图像特征中筛选出图像特征,所述图像特征包括平均灰度值、局部纹理特征、像素值分布特征以及灰度规模域矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910042646.9A CN109444169B (zh) | 2019-01-17 | 2019-01-17 | 一种轴承缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910042646.9A CN109444169B (zh) | 2019-01-17 | 2019-01-17 | 一种轴承缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109444169A true CN109444169A (zh) | 2019-03-08 |
CN109444169B CN109444169B (zh) | 2021-06-15 |
Family
ID=65544264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910042646.9A Active CN109444169B (zh) | 2019-01-17 | 2019-01-17 | 一种轴承缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444169B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047064A (zh) * | 2019-03-27 | 2019-07-23 | 中国农业机械化科学研究院 | 一种马铃薯疮痂检测方法 |
CN111145156A (zh) * | 2019-12-27 | 2020-05-12 | 创新奇智(南京)科技有限公司 | 一种快速螺丝表面缺陷检测方法 |
CN111539939A (zh) * | 2020-04-27 | 2020-08-14 | 扬州哈工科创机器人研究院有限公司 | 一种基于机器视觉的缺陷检测方法及装置 |
CN113327241A (zh) * | 2021-06-16 | 2021-08-31 | 南昌航空大学 | 一种轴承端面的表面缺陷视觉检测方法及*** |
CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及*** |
CN115100201A (zh) * | 2022-08-25 | 2022-09-23 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115588022A (zh) * | 2022-11-10 | 2023-01-10 | 合肥惠强新能源材料科技有限公司 | 基于工序指标数据的锂电池隔离膜质量检测*** |
WO2023279558A1 (zh) * | 2021-07-09 | 2023-01-12 | 长鑫存储技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN117152485A (zh) * | 2023-07-21 | 2023-12-01 | 华能(广东)能源开发有限公司汕头电厂 | 燃煤机组漏煤检测方法、装置及设备 |
CN117232791A (zh) * | 2023-11-07 | 2023-12-15 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008550A (zh) * | 2014-06-05 | 2014-08-27 | 深圳市大族激光科技股份有限公司 | 晶圆表面缺陷特征分析方法、***、分类方法和*** |
CN104483326A (zh) * | 2014-12-19 | 2015-04-01 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及*** |
CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
CN106097360A (zh) * | 2016-06-17 | 2016-11-09 | 中南大学 | 一种带钢表面缺陷识别方法及装置 |
CN106846313A (zh) * | 2017-01-23 | 2017-06-13 | 广东工业大学 | 工件表面缺陷检测方法和装置 |
CN107564002A (zh) * | 2017-09-14 | 2018-01-09 | 广东工业大学 | 塑料管表面缺陷检测方法、***及计算机可读存储介质 |
-
2019
- 2019-01-17 CN CN201910042646.9A patent/CN109444169B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008550A (zh) * | 2014-06-05 | 2014-08-27 | 深圳市大族激光科技股份有限公司 | 晶圆表面缺陷特征分析方法、***、分类方法和*** |
CN104483326A (zh) * | 2014-12-19 | 2015-04-01 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及*** |
CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
CN106097360A (zh) * | 2016-06-17 | 2016-11-09 | 中南大学 | 一种带钢表面缺陷识别方法及装置 |
CN106846313A (zh) * | 2017-01-23 | 2017-06-13 | 广东工业大学 | 工件表面缺陷检测方法和装置 |
CN107564002A (zh) * | 2017-09-14 | 2018-01-09 | 广东工业大学 | 塑料管表面缺陷检测方法、***及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
杨懿: "货车滚动轴承内圈滚道面缺陷自动检测***设计", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
杨晨: "城轨列车滚动轴承早期故障诊断与状态识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
董欢: "某型航空发动机中介轴承故障诊断技术研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047064A (zh) * | 2019-03-27 | 2019-07-23 | 中国农业机械化科学研究院 | 一种马铃薯疮痂检测方法 |
CN110047064B (zh) * | 2019-03-27 | 2021-03-19 | 中国农业机械化科学研究院 | 一种马铃薯疮痂检测方法 |
CN111145156A (zh) * | 2019-12-27 | 2020-05-12 | 创新奇智(南京)科技有限公司 | 一种快速螺丝表面缺陷检测方法 |
CN111539939A (zh) * | 2020-04-27 | 2020-08-14 | 扬州哈工科创机器人研究院有限公司 | 一种基于机器视觉的缺陷检测方法及装置 |
CN113327241A (zh) * | 2021-06-16 | 2021-08-31 | 南昌航空大学 | 一种轴承端面的表面缺陷视觉检测方法及*** |
WO2023279558A1 (zh) * | 2021-07-09 | 2023-01-12 | 长鑫存储技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN114529549A (zh) * | 2022-04-25 | 2022-05-24 | 南通东德纺织科技有限公司 | 一种基于机器视觉的布匹缺陷标注方法及*** |
CN115100201A (zh) * | 2022-08-25 | 2022-09-23 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115100201B (zh) * | 2022-08-25 | 2022-11-11 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115588022A (zh) * | 2022-11-10 | 2023-01-10 | 合肥惠强新能源材料科技有限公司 | 基于工序指标数据的锂电池隔离膜质量检测*** |
CN117152485A (zh) * | 2023-07-21 | 2023-12-01 | 华能(广东)能源开发有限公司汕头电厂 | 燃煤机组漏煤检测方法、装置及设备 |
CN117232791A (zh) * | 2023-11-07 | 2023-12-15 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
CN117232791B (zh) * | 2023-11-07 | 2024-02-09 | 智翼博智能科技(苏州)有限公司 | 一种光学膜表面瑕疵缺陷智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109444169B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444169A (zh) | 一种轴承缺陷检测方法及*** | |
US6983065B1 (en) | Method for extracting features from an image using oriented filters | |
Tsai et al. | Automated surface inspection for directional textures | |
Oliveira et al. | Automatic road crack detection and characterization | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN110796637A (zh) | 图像缺陷检测模型的训练、测试方法、装置及存储介质 | |
CN103593670A (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 | |
DE202009013865U1 (de) | Konzept zum Auswählen eines optimierten Bewertungsmerkmalsteilsatzes für eine Inspektion von Freiformoberflächen und Konzept zum Inspizieren einer Freiformoberfläche | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
CN111539938B (zh) | 一种轧带钢带头曲度检测方法、***、介质及电子终端 | |
Daniel et al. | Automatic road distress detection and analysis | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN114881998A (zh) | 一种基于深度学习的工件表面缺陷检测方法及*** | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN113822836B (zh) | 标记图像的方法 | |
CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测***及检测方法 | |
Louban | Image processing of edge and surface defects | |
CN111860500A (zh) | 一种鞋印磨损区域检测与描边方法 | |
CN112508908B (zh) | 基于图像处理动车组撒砂管接头断开故障检测方法 | |
Mara et al. | Ancient coins & ceramics–3D and 2D documentation for preservation and retrieval of lost heritage | |
Chiu et al. | Optical inspection of appearance faults for auto mirrors using Fourier filtering and convex hull arithmetic | |
Xie et al. | An adaptive defect detection technology for car-bodies surfaces | |
CN118154605B (zh) | 纺织品ai瑕疵检测方法、***及设备 |
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 |