CN109472783A - 一种泡沫镍表面缺陷提取及分类方法 - Google Patents
一种泡沫镍表面缺陷提取及分类方法 Download PDFInfo
- Publication number
- CN109472783A CN109472783A CN201811285952.7A CN201811285952A CN109472783A CN 109472783 A CN109472783 A CN 109472783A CN 201811285952 A CN201811285952 A CN 201811285952A CN 109472783 A CN109472783 A CN 109472783A
- Authority
- CN
- China
- Prior art keywords
- defect
- nickel foam
- image
- nickel
- extracted
- 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
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06T7/136—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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种泡沫镍表面缺陷提取及分类方法。本发明步骤:首先对泡沫镍图像进行预处理;然后,对预处理后的图像进行缺陷提取,最后利用几何特征训练BP神经网络进行缺陷分类。本发明提出的方法有效提取出泡沫镍边裂、刮伤、划线、空洞、漏镀、缺口、透孔七类典型缺陷,并能实现缺陷高效、精确分类。
Description
技术领域
本发明的所公开实施例涉及表面检测技术,且更具体而言,涉及一种用于泡沫镍表面缺陷的提取及分类方法。
背景技术
泡沫镍是通过对镍金属进行一系列物理化学加工后得到的一种新型功能材料,作为车用电池的基材,泡沫镍材料的质量对电池性能影响极大。泡沫镍表面呈银灰色的金属光泽,形态类似于金属海绵,泡沫镍表面缺陷是指在泡沫镍的制备过程中,由于加工工艺和原料等多方面因素,导致泡沫镍表面出现边裂、缺口、漏镀、压痕、镍皮、划线、刮伤、污染等多种不同类型的缺陷,这些缺陷严重影响最终成品的性能和质量。泡沫镍表面有着复杂的纹理特征,再加上泡沫镍表面缺陷相同类别具有差异性和不相同类别具有相似性的特征,以及泡沫镍质量要求表面平整、无划伤、无裂纹、无破损、无油污和无氧化,这些方面的特征及要求都为实现泡沫镍表面缺陷自动化检测带来极大难度。
由于泡沫镍复杂的纹理背景和表面缺陷形态的多样性,目前对泡沫镍表面缺陷的检测和识别较为常见的检测技术是人工检测,传统的人工检测效率低下,耗费大量的人力物力,并且较强的主观性使得检测标准不统一,导致生产出来的产品质量参差不齐。
泡沫镍缺陷图像整体特征为对比度低、无固定形状和纹理特征、光源在表面照明不均匀,特别是泡沫镍表面结构为三围网状交织等原因,灰度的变化范围覆盖了[0,255]整个灰度区间。因此,如何自动提取泡沫镍缺陷并分类成为泡沫镍产品质量自动检测的难题。
发明内容
本发明主要解决的技术问题是提供用于泡沫镍表面缺陷提取、缺陷分类的方法,该方法能够克服现有泡沫镍缺陷检测方法中的低效性、主观性。首先,根据本方法中的泡沫镍缺陷提取算法,定量地提取出泡沫镍缺陷,再将所获泡沫镍缺陷的相关特征输入神经网络进行训练,达成定性判别泡沫镍典型缺陷类型的目的。
本发明提出的泡沫镍表面缺陷提取及分类方法中,具体包括:对泡沫镍图像f(x,y)进行预处理。采用高斯平滑,将泡沫镍图像f(x,y)与高斯函数卷积,得到高斯平滑后的图像G(x,y),利用邻域卷积滤波器强化图像差异部分,采用OTSU法对预处理图像进行二值化,利用中值滤波去除杂点,再获取各连通域面积Xi(i=1,2,…,n),Xi即疑似缺陷区域,在疑似缺陷区域提取出缺陷区域,实际缺陷区域面积Smin为最小连通域,Smax为最大连通域,利用几何特征训练神经网络对泡沫镍缺陷进行分类,对泡沫镍表面缺陷进行分类的过程中,结合面积、周长、矩形度、圆形度、长宽比、孔洞数这六个几何形态特征形成特征向量,输入到神经网络***中进行缺陷分类。
本发明的有益效果是:在获取到泡沫镍的表面图像时,通过对其进行预处理,利用邻域卷积滤波器,放大缺陷与图像中镍纹的灰度差异,有效、准确地从背景中提取出缺陷;结合面积、周长、矩形度、圆形度、长宽比、孔洞数这六个几何形态特征形成特征向量训练神经网络,精准地甄别出泡沫镍缺陷类型,该方法实现了背光源和环形光源两种光源环境下的缺陷提取及分类,具有较高的环境通用性。
附图说明
图1为本发明的流程图;
图2为缺陷定位算法流程图;
图3为背光源照明泡沫镍图像,具体为:(a)边裂、(b)镍皮、(c)透孔、(d)裂纹、(e)漏镀、(f)空洞、(g)缺口;
图4为环形光源照明泡沫镍图像,具体为:(a)边裂、(b)镍皮、(c)透孔、(d)裂纹、(e)漏镀、(f)空洞、(g)缺口;
图5为背光源照明泡沫镍缺陷图像,具体为:(a)边裂、(b)镍皮、(c)透孔、(d)裂纹、(e)漏镀、(f)空洞、(g)缺口;
图6为环形光源照明泡沫镍缺陷图像,具体为:(a)边裂、(b)镍皮、(c)透孔、(d)裂纹、(e)漏镀、(f)空洞、(g)缺口;
图7为神经网络训练流程图;
图8为神经网络训练图,具体为:(a)BP神经网络结构图、(b)BP神经网络性能图、(c)BP神经训练状态图;
图9为神经网络输出图,具体为:(a)BP神经网络输出、(b)缺陷编码输出;
具体实施方式
本发明可处理背光源和环形光源两种光源照明获得的泡沫镍缺陷图像,本发明实施例针对泡沫镍生产过程中最常见的七种缺陷:边裂、镍皮、透孔、裂纹、漏镀、空洞、缺口,图3为背光源环境下泡沫镍缺陷图像,图4为环形光源环境下泡沫镍缺陷图像,步骤一中对泡沫镍图像进行预处理过程针对背光源照明和环形光源照明两种情况,在邻域卷积滤波时滤波模板参数取值不同;步骤二在预处理图像上提取泡沫镍缺陷过程不需要进行区分光源照明条件的参数讨论,但为了便于观察与对比,步骤二中处理结果仍对背光源照明图像和环形光源照明图像进行区分展示;步骤三中利用神经网络对泡沫镍缺陷分类时,神经网络输入为提取出的缺陷区域,此时不需要对提取出的泡沫镍缺陷进行区分光源照明条件的讨论。
结合图1,该方法具体步骤如下:
步骤一:对泡沫镍图像f(x,y)进行预处理:
1)采用采用3×3滤波模板进行高斯平滑,将泡沫镍图像f(x,y)与高斯函数卷积,得到高斯平滑后的图像G(x,y),
2)利用邻域卷积滤波器强化图像G(x,y)差异部分,得到强化了差异部分的图像H(x,y),
H(x,y)=G(x,y)*δ;
针对背光源照明获得的泡沫镍图像,模板中各参数的取值为:
θ=1,p=3,γ=12,β=72,α=-6,k=1,
使用的模板δ1如下:
针对环形光源照明获得的泡沫镍图像,模板中各参数的取值为:
θ=0,p=3,γ=12,β=72,α=-6,k=10,
使用的模板δ2如下:
步骤二:在预处理图像H(x,y)上提取泡沫镍缺陷:
1)采用OTSU法对预处理图像H(x,y)进行二值化,再对二值化图像进行开运算连接泡沫镍表面缺陷中非连通区域,利用中值滤波方法,把图像中一点的值用该点的一个邻域中各点值的中值代替,消除了泡沫镍二值化图像中的孤立小区域,实施例选取5×5滤波模板进行中值滤波,去除图像中的纹理杂点得到滤波后图像g(x,y):
g(x,y)=med{H(x-s,y-t),(s,t∈W)},
W为滤波模板;
2)结合图2缺陷定位算法流程,获取图像g(x,y)中各连通域面积Xi(i=1,2,…,n),在Xi(i=1,2,…,n)中找出最小连通域Smin及最大连通域Smax,疑似缺陷区域面积再对符合上述条件的疑似缺陷区域的面积进行大小排序,以T=aSmin作为实际缺陷区域阈值,删除Xi中比T还小的连通域,得到实际缺陷区域面积a=5时获得最佳泡沫镍缺陷区域提取效果,经过处理后可顺利提取泡沫镍图像缺陷,图5为背光源泡沫镍图像中提取出的相应缺陷,图6为环形光源泡沫镍图像中提取出的相应缺陷,所提取的缺陷特征明显。
步骤三:结合图7神经网络训练流程图,利用几何特征训练神经网络对泡沫镍缺陷进行分类,对泡沫镍表面缺陷进行分类的过程中,结合面积、周长、矩形度、圆形度、长宽比、孔洞数这六个几何形态特征形成特征向量,输入到神经网络***中进行缺陷分类。图像中缺陷的最小外界矩形的长度为H,宽度为W,缺陷的周长为L,面积为S,则圆形度计算公式如下:
矩形度计算公式如下:
孔洞数计算公式如下:
K=num-1,
其中num是对缺陷图像取反后计算出的连通域个数。
本发明应用实验样本110个,其中99个训练样本和11个测试样本,11个测试样本为边裂、镍皮、镍皮、镍皮、透孔、透孔、裂纹、漏镀、漏镀、空洞、缺口,选用泡沫镍缺陷的面积、周长、矩形度、圆形度、长宽比、孔洞数这六个几何形态特征作为神经网络的6个输入,对BP神经网络进行训练,10个隐藏层单元,识别泡沫镍表面的7种缺陷类型,因此设定7个输出节点数。输出选择0和1组成的7位编码,本发明实验中边裂、镍皮、透孔、裂纹、漏镀、空洞、缺口的输出编码分别为:0000001、0000010、0000100、0001000、0010000、0100000、1000000。学习效率η要设置的足够小才能保证***的稳定性,实施例学习速率为0.1,训练精度设0.0000004,传递函数采用容错性较好的tansig函数;性能函数选用mse;训练函数采用基于L-M算法的trainlm函数来调整神经网络的全局权值和阈值;学习函数采用learngdm来局部调整权值和阈值。神经网络训练结果如图8所示,图8(a)是实施例中选用的BP神经网络结构,结合图8(b)训练后的BP神经网络性能图及图8(c)神经网络训练状态图,经过26次训练后停止。将11组测试样本输入到训练好的神经网络中测试神经网络的泛化能力,得到BP神经网络的输出如下图9(a)所示,神经网络输出的每一列均为一个测试样本的输出,从图中可以看出,每一个测试样本均只有一个值接近于1,其它值接近于0。如图9(b)缺陷对应的编码输出,测试输入11个样本的7种缺陷类别,神经网络输出数据与目标测试输出数据相符,表明此神经网络能以较高的准确率识别泡沫镍表面缺陷。
通过上述实施例的实施,所属领域的技术人员易知,可在保持本发明的教示内容的同时对所提方法做出诸多修改及变动。因此,以上公开内容应被视为仅受随附权利要求书的范围的限制。
Claims (3)
1.一种用于泡沫镍表面缺陷提取及分类方法,该方法包括以下步骤:
步骤一:对泡沫镍图像f(x,y)进行预处理:
1)采用高斯平滑,将泡沫镍图像f(x,y)与高斯函数卷积,得到图像G(x,y),
2)利用邻域卷积滤波器强化图像差异部分,得到强化了差异部分的图像H(x,y):
H(x,y)=G(x,y)*δ,
该邻域卷积滤波器的卷积模板δ如下:
式中,
γ=4*p,
β=4n(p+2m+n),
α=-β/γ,
θ=0或1;
步骤二:在预处理图像H(x,y)上提取泡沫镍缺陷:
1)采用OTSU法对预处理图像进行二值化,利用中值滤波方法去除图像中的纹理杂点得到滤波后图像g(x,y):
g(x,y)=med{H(x-s,y-t),(s,t∈W)},
W为二维模板滤波模板;
2)在滤波后的图像上获取各连通域面积Si(i=1,2,…,n),利用缺陷定位算法提取出泡沫镍缺陷,获得泡沫镍几何特征;
步骤三:利用所提取几何特征训练神经网络对泡沫镍缺陷进行分类。
2.根据权利要求1所述的泡沫镍表面缺陷提取及分类方法,其特征在于,在预处理图像H(x,y)上提取泡沫镍缺陷过程中,缺陷定位算法具体为:确定图像中面积最大的连通域,获取各连通域面积Xi(i=1,2,…,n),Xi即疑似缺陷区域,在Xi(i=1,2,…,n)中找出最小连通域Smin及最大连通域Smax,疑似缺陷区域面积再对符合上述条件的疑似缺陷区域的面积进行大小排序,以T=aSmin作为实际缺陷区域阈值,删除Xi中比T还小的连通域,得到实际缺陷区域面积
3.根据权利要求1所述的泡沫镍表面缺陷提取及分类方法,其特征在于,利用几何特征训练神经网络对泡沫镍缺陷进行分类过程中,结合面积、周长、矩形度、圆形度、长宽比、孔洞数这六个几何特征形成特征向量,输入到神经网络***中进行缺陷分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285952.7A CN109472783B (zh) | 2018-10-31 | 2018-10-31 | 一种泡沫镍表面缺陷提取及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285952.7A CN109472783B (zh) | 2018-10-31 | 2018-10-31 | 一种泡沫镍表面缺陷提取及分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472783A true CN109472783A (zh) | 2019-03-15 |
CN109472783B CN109472783B (zh) | 2021-10-01 |
Family
ID=65666463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285952.7A Active CN109472783B (zh) | 2018-10-31 | 2018-10-31 | 一种泡沫镍表面缺陷提取及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472783B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261410A (zh) * | 2019-05-24 | 2019-09-20 | 西安交通大学 | 一种玻璃透镜缺陷的检测装置及方法 |
CN112288745A (zh) * | 2020-12-25 | 2021-01-29 | 武汉华工激光工程有限责任公司 | 基于小波变换的产品表面缺陷检测方法、存储器和处理器 |
CN113096123A (zh) * | 2021-05-07 | 2021-07-09 | 湘潭大学 | 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法 |
CN113838043A (zh) * | 2021-09-30 | 2021-12-24 | 杭州百子尖科技股份有限公司 | 金属箔材制造中基于机器视觉的质量分析方法 |
EP4280153A4 (en) * | 2021-11-05 | 2024-04-24 | Contemporary Amperex Technology Co., Limited | METHOD, DEVICE AND SYSTEM FOR ERROR DETECTION |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008119228A1 (en) * | 2007-03-30 | 2008-10-09 | Hong Kong Applied Science and Technology Research Institute Co. Ltd | Low complexity color de-noising filter |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
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 |
WO2018067051A1 (en) * | 2016-10-05 | 2018-04-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Deringing filter for video coding |
CN107945163A (zh) * | 2017-11-23 | 2018-04-20 | 广州酷狗计算机科技有限公司 | 图像增强方法及装置 |
CN108416794A (zh) * | 2018-03-21 | 2018-08-17 | 湘潭大学 | 一种泡沫镍表面缺陷图像分割方法 |
-
2018
- 2018-10-31 CN CN201811285952.7A patent/CN109472783B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008119228A1 (en) * | 2007-03-30 | 2008-10-09 | Hong Kong Applied Science and Technology Research Institute Co. Ltd | Low complexity color de-noising filter |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
WO2018067051A1 (en) * | 2016-10-05 | 2018-04-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Deringing filter for video coding |
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 |
CN107945163A (zh) * | 2017-11-23 | 2018-04-20 | 广州酷狗计算机科技有限公司 | 图像增强方法及装置 |
CN108416794A (zh) * | 2018-03-21 | 2018-08-17 | 湘潭大学 | 一种泡沫镍表面缺陷图像分割方法 |
Non-Patent Citations (4)
Title |
---|
VINCENT DUVAL 等: "On the parameter choice for the Non-Local Means", 《SIAM JOURNAL ON IMAGING SCIENCES》 * |
YUNWON PARK 等: "Ambiguous Surface Defect Image Classification of AMOLED Displays in Smartphones", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
杨阳: "钢球表面缺陷视觉检测技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
肖阔华: "基于机器视觉和GPU的工件表面缺陷检测高性能算法的研究", 《万方-学位论文》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261410A (zh) * | 2019-05-24 | 2019-09-20 | 西安交通大学 | 一种玻璃透镜缺陷的检测装置及方法 |
CN112288745A (zh) * | 2020-12-25 | 2021-01-29 | 武汉华工激光工程有限责任公司 | 基于小波变换的产品表面缺陷检测方法、存储器和处理器 |
CN112288745B (zh) * | 2020-12-25 | 2021-04-02 | 武汉华工激光工程有限责任公司 | 基于小波变换的产品表面缺陷检测方法、存储器和处理器 |
CN113096123A (zh) * | 2021-05-07 | 2021-07-09 | 湘潭大学 | 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法 |
CN113838043A (zh) * | 2021-09-30 | 2021-12-24 | 杭州百子尖科技股份有限公司 | 金属箔材制造中基于机器视觉的质量分析方法 |
EP4280153A4 (en) * | 2021-11-05 | 2024-04-24 | Contemporary Amperex Technology Co., Limited | METHOD, DEVICE AND SYSTEM FOR ERROR DETECTION |
Also Published As
Publication number | Publication date |
---|---|
CN109472783B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472783A (zh) | 一种泡沫镍表面缺陷提取及分类方法 | |
Liming et al. | Automated strawberry grading system based on image processing | |
CN107230202B (zh) | 路面病害图像的自动识别方法和*** | |
CN114913365A (zh) | 基于机器视觉的人造板质量分类方法及*** | |
CN101510262B (zh) | 一种钢中析出粒子的自动测量及其形态分类方法 | |
Mehra et al. | Maturity and disease detection in tomato using computer vision | |
Valenzuela et al. | Quality assessment of lettuce using artificial neural network | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN110308151A (zh) | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 | |
CN112233107B (zh) | 基于图像处理技术的葵花籽品级分类方法 | |
CN106780465A (zh) | 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法 | |
Ji et al. | Apple grading method based on features of color and defect | |
CN107730499A (zh) | 一种基于nu‑支持向量机的白细胞分类方法 | |
CN109509170A (zh) | 一种压铸件缺陷检测方法及装置 | |
CN112991271A (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN106340007A (zh) | 一种基于图像处理的车身漆膜缺陷检测识别方法 | |
CN109685030A (zh) | 一种基于卷积神经网络的马克杯杯口缺陷检测分类方法 | |
Meng et al. | Size characterisation of edible bird nest impurities: a preliminary study | |
Kaur et al. | Geometric feature extraction of selected rice grains using image processing techniques | |
CN112858311A (zh) | 一种基于机器视觉技术的稻米表型监测***及方法 | |
Chen et al. | Automatic classification and detection of oranges based on computer vision | |
Narendra et al. | An intelligent system for identification of Indian Lentil types using Artificial Neural Network (BPNN) |
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 |