CN109493339A - 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 - Google Patents
一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 Download PDFInfo
- Publication number
- CN109493339A CN109493339A CN201811384999.9A CN201811384999A CN109493339A CN 109493339 A CN109493339 A CN 109493339A CN 201811384999 A CN201811384999 A CN 201811384999A CN 109493339 A CN109493339 A CN 109493339A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- class
- gas hole
- defect detection
- rejected region
- 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
- 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
- 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
- G06T2207/30116—Casting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于内窥镜成像的铸件内表面气孔缺陷检测方法,包括以下步骤:一,对输入的图像进行预处理;二,设置气孔缺陷检测参数;三,将预处理后的图像在多级阈值下进行二值化;四,对每一级阈值下二值化后的图像进行连通域提取;五,在每一级阈值下对各个连通域计算相应的面积、圆形度、离心率、凸度,对各个连通域进行筛选;六,对筛选后的每个连通域计算相应的质心,计算质心距离用来聚类;七,筛选连通域个数大于所设阈值的类;八,将筛选后的每个类计算其位置以及尺寸;九,将每个类计算其面积,按照面积阈值进行筛选;十,将筛选后的类计算类中像素以及环形邻域像素灰度值的平均值,做差取绝对值筛选出最终的类集合,即为瑕疵集合。
Description
技术领域
本发明涉及铸件的缺陷检测技术领域,具体而言,涉及一种基于内窥镜成像的铸件内表面气孔缺陷检测方法。
背景技术
对于带有内孔的工业铸件,为了检测其内表面是否存在缺陷,往往使用内窥镜采集工业铸件内表面的图像,以对工业铸件内表面的缺陷进行检测,这一检测过程属于图像处理这一技术领域。目前,对于这一检测需求并没有现成、可用的成熟技术,并且,这一检测存在以下尚未克服了问题:
(1)成像的动态范围过大造成缺陷在过暗区或过曝区的识别难度加大。
(2)内窥镜距离工件内壁过近造成的高反光,严重影响图像质量。
(3)内窥镜移动过程中的不同心造成图像清晰度层次高低不同。
(4)所要检测的缺陷没有固定的形状、大小,有时肉眼也无法辨别是否为缺陷,无形中增加了检测的难度。
发明内容
本发明提供一种基于内窥镜成像的铸件内表面气孔缺陷检测方法,用以对工业内窥镜拍摄到的铸件内表面图像进行处理,以检测出铸件内表面的缺陷。
为达到上述目的,本发明提供了一种基于内窥镜成像的铸件内表面气孔缺陷检测方法,其包括以下步骤:
S1:对铸件内表面图像进行滤波处理,得到预处理图像T;
S2:设置多个二值化阈值Th1~ThN,其中,N为二值化阈值的个数并且为大于1的整数;
S3:分别根据二值化阈值Th1~ThN对预处理图像T进行二值化处理,得到二值化图像T1~TN;
S4:分别提取二值化图像T1~TN的连通域;
S5:分别计算二值化图像T1~TN中每一连通域的质心以及至少一个与连通域有关的参数;
S6:设置多个气孔缺陷检测参数,以对二值化图像T1~TN中的每个连通域进行筛选,剔除不符合条件的连通域;
S7:依次对二值化图像T1~TN中剩余的连通域计算两两质心之间的距离,并根据一预设质心距离s1对连通域进行聚类;
S8:对聚类后的每一类进行筛选,剔除连通域的个数小于一预设连通域个数s2的类;
S9:计算剩余的每一类的圆心位置以及面积;
S10:分别将每一类的面积与一预设面积阈值范围s3进行比较,剔除超出预设面积阈值范围s3的类;
S11:对于剩余的每一类,分别计算类中所有像素的灰度平均值以及环形领域中所有像素的灰度平均值并计算和之差的绝对值比较与一预设环形邻域灰度差值s4的大小,如果则将该类剔除,反之保留该类;
S12:统计所有剩余的类,这些类的集合即为铸件内表面的缺陷的集合。
在本发明的一实施例中,步骤S2中,多个二值化阈值Th1~ThN由一二值化阈值范围和一二值化阈值间步长确定。
在本发明的一实施例中,二值化阈值范围为[40,160],二值化阈值间步长为5。
在本发明的一实施例中,步骤S4中,利用Suzuki提出的通过检测每一幅二值图像的边界的方式分别提取出二值化图像T1~TN的连通域。
在本发明的一实施例中,步骤S5中,与连通域有关的参数为连通域的面积、圆形度、离心率和凸度。
在本发明的一实施例中,多个气孔缺陷检测参数分别如下:
(1)缺陷部位颜色的选择开关;
(2)缺陷部位的颜色;
(3)缺陷部位面积的选择开关;
(4)缺陷部位面积的下限;
(5)缺陷部位面积的上限;
(6)缺陷部位圆形度的选择开关;
(7)缺陷部位圆形度的下限;
(8)缺陷部位圆形度的上限;
(9)缺陷部位离心率的选择开关;
(10)缺陷部位离心率的下限;
(11)缺陷部位离心率的上限;
(12)缺陷部位凸度的选择开关;
(13)缺陷部位凸度的下限;
(14)缺陷部位凸度的上限。
在本发明的一实施例中,步骤S7中进行聚类的规则如下:如果一连通域X1与已有的任一类中任一连通域X2的质心之间的距离大于连通域X1、连通域X2二者的半径之和并且大于所述预设质心距离s1,则将该连通域X1划分为新的类。
在本发明的一实施例中,步骤S11中,环形领域是根据一预设环形邻域半径确定,预设环形邻域半径介于5-10之间,单位为像素。
在本发明的一实施例中,步骤S9中,类的圆心位置(M,N)通过以下方式计算:
其中,(xi,yi)为该类中各连通域的质心坐标,qi为各连通域的权值,其数值等于各连通域惯性率的平方,
类的面积S=πr2,r为类的半径,r等于类中各连通域中面积居中的连通域的半径。
在本发明的一实施例中,通过以下方式计算类中所有像素的灰度平均值
根据类的圆心位置以及半径得到该类的外接矩形,逐行扫描该外接矩形中的每一像素点,分别判断每一像素点与类的圆心位置之间的距离d,若d<r,则将该像素点定义为该类的像素点,依次累加得到该类的像素点的总数目v1以及该类的像素点的总灰度值v2,
本发明提供的基于内窥镜成像的铸件内表面气孔缺陷检测方法能够准确检测出铸件内表面气孔缺陷,检测效率高、检测效果好,并可以拓展应用于存在裂纹、缩松、缩孔、皱皮、凹陷、粘砂等的铸件表面以及内部缺陷的检测,具有很强的应用价值和推广价值。
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,下面将对实施例或现有技术描述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为本发明提供的基于内窥镜成像的铸件内表面气孔缺陷检测方法的流程图;
图2a为铸件内表面图像;
图2b为对铸件内表面图像进行高斯平滑滤波后的图像;
图3为取二值化阈值为100时的二值化图像;
图4为对图3提取连通域后的图像;
图5为对图4剔除不符合条件的连通域后的连通域集合;
图6为经过步骤S8处理之后得到的类的示意图;
图7为步骤S12之后得到的类的示意图。
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付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。
本发明提供一种基于内窥镜成像的铸件内表面气孔缺陷检测方法,用以对工业内窥镜拍摄到的铸件内表面图像进行处理,以检测出铸件内表面的缺陷。如图1所示为本发明提供的基于内窥镜成像的铸件内表面气孔缺陷检测方法的流程图,其包括以下步骤:
S1:对铸件内表面图像进行滤波处理,得到预处理图像T;
此处的滤波处理可以采用高斯平滑滤波法对铸件内表面图像进行处理,如图2a所示为铸件内表面图像,如图2b所示为对铸件内表面图像进行高斯平滑滤波后的图像。
S2:设置多个二值化阈值Th1~ThN,其中,N为二值化阈值的个数并且为大于1的整数;
其中,多个二值化阈值Th1~ThN由一二值化阈值范围和一二值化阈值间步长确定。例如,可以设置二值化阈值范围为[40,160],二值化阈值间步长为5,由此一来,二值化阈值依次为40、45、50、……160。
S3:分别根据二值化阈值Th1~ThN对预处理图像T进行二值化处理,得到二值化图像T1~TN;
如图3所示为取二值化阈值为100时的二值化图像。
S4:分别提取二值化图像T1~TN的连通域;
其中,可以利用Suzuki提出的通过检测每一幅二值图像的边界的方式分别提取出二值化图像T1~TN的连通域,如图4所示为对图3提取连通域后的图像。
S5:分别计算二值化图像T1~TN中每一连通域的质心以及至少一个与连通域有关的参数;
与连通域有关的参数可以选择为连通域的面积、圆形度、离心率和凸度。
S6:设置多个气孔缺陷检测参数,以对二值化图像T1~TN中的每个连通域进行筛选,剔除不符合条件的连通域;
多个气孔缺陷检测参数可以分别如下:
(1)缺陷部位颜色的选择开关;
(2)缺陷部位的颜色;
(3)缺陷部位面积的选择开关;
(4)缺陷部位面积的下限,用来设定连通域面积的最小值,本例中取值300,单位为像素;
(5)缺陷部位面积的上限,用来设定连通域面积的最大值,本实施例中取值8000,单位为像素;
(6)缺陷部位圆形度的选择开关;
(7)缺陷部位圆形度的下限;
(8)缺陷部位圆形度的上限;
(9)缺陷部位离心率的选择开关;
(10)缺陷部位离心率的下限;
(11)缺陷部位离心率的上限;
(12)缺陷部位凸度的选择开关;
(13)缺陷部位凸度的下限;
(14)缺陷部位凸度的上限。
其中,(1)缺陷部位颜色的选择开关;即设置是否限定缺陷部位的颜色。(2)缺陷部位的颜色;即设置缺陷部位的具体颜色。(3)缺陷部位面积的选择开关;即设置是否限定缺陷部位的面积。(4)缺陷部位面积的下/上限;即设置缺陷部位面积的最小值和最大值。
(7)、(8)用来设定圆形度的下限。圆形度有固定的范围,最大为1,即为圆;最小为0,即为直线。连通域越近似圆,圆形度越大,可以依据要检测的缺陷的近似圆的程度选择合理的范围。本实施例中因为要检测的缺陷区域并没有对近似于圆的程度有要求,故不对圆形度做要求,即缺陷部位圆形度的选择开关为否。在其他实施例中,如果对缺陷区域有近似于圆形的程度的要求,则可以将缺陷部位圆形度的选择开关为是,并设置圆形度的上限和下限。
对于(10)、(11),本实施例中离心率下限设定为0.05,离心率上限设定为0.8。
如图5所示为对图4剔除不符合条件的连通域后的连通域集合。
对于(13)、(14),本实施例中凸度下限设为0.05,凸度上限设为1.0。
S7:依次对二值化图像T1~TN中剩余的连通域计算两两质心之间的距离,并根据一预设质心距离s1对连通域进行聚类;
聚类的规则如下:如果一连通域X1与已有的任一类中任一连通域X2的质心之间的距离大于连通域X1、连通域X2二者的半径之和并且大于所述预设质心距离s1,则将该连通域X1划分为新的类。本实施例中预设质心距离s1为10,单位为像素。
S8:对聚类后的每一类进行筛选,剔除连通域的个数小于一预设连通域个数s2的类;
如图6所示为经过步骤S8处理之后得到的类的示意图。本实施例中将预设连通域个数s2设置为2,即聚类的结果中各个类中的连通域个数不能小于2,舍弃小于2的类。本实施例中,经过步骤S8处理后得到3个类,分别以这3个类的质心为圆心,以类的半径为半径,在铸件内表面图像中将其标识出来,如图6所示。
S9:计算剩余的每一类的圆心位置以及面积;
类的圆心位置(M,N)通过以下方式计算:
其中,(xi,yi)为该类中各连通域的质心坐标,qi为各连通域的权值,其数值等于各连通域惯性率的平方,
类的面积S=πr2,r为类的半径,r等于类中各连通域中面积居中的连通域的半径。
S10:分别将每一类的面积与一预设面积阈值范围s3进行比较,剔除超出预设面积阈值范围s3的类;
此处的预设面积阈值范围s3可以设置为由步骤S6中的“(4)缺陷部位面积的下限、(5)缺陷部位面积的上限”决定的面积范围。
S11:对于剩余的每一类,分别计算类中所有像素的灰度平均值以及环形领域中所有像素的灰度平均值并计算和之差的绝对值比较与一预设环形邻域灰度差值s4的大小,如果则将该类剔除,反之保留该类;
通过以下方式计算类中所有像素的灰度平均值
根据类的圆心位置以及半径得到该类的外接矩形,逐行扫描该外接矩形中的每一像素点,分别判断每一像素点与类的圆心位置之间的距离d,若d<r,则将该像素点定义为该类的像素点,依次累加得到该类的像素点的总数目v1以及该类的像素点的总灰度值v2,
其中,环形领域是根据一预设环形邻域半径确定,预设环形邻域半径介于5-10之间,单位为像素。本实施例中将环形邻域半径设为5,将预设环形邻域灰度差值s4设定为20。
S12:统计所有剩余的类,这些类的集合即为铸件内表面的缺陷的集合。
如图7所示为步骤S12之后得到的类的示意图。图7中仅标出了一个类(标注方法与图6相同),也即该铸件内表面仅发现一处缺陷。为清楚呈现铸件内表面的缺陷,图6、图7的长度和宽度已等比例放大。
本案于步骤S5、S6中,在计算缺陷部位面积、圆形度、离心率、凸度、连通域的质心时都需要用到图像矩Mij:
Mij=∑x∑yxiyjf(x,y)
对于二值图像来说,图像的面积为M00,其质心的坐标可以表示为:
图像的离心率本身计算复杂,可以通过惯性率间接求出,离心率与惯性率的关系可以表示为:
E2+I2=1
其中E为离心率,I为惯性率。惯性率的计算需要用到图像中心矩的概念:
图像的协方差矩阵为:
该矩阵的两个特征值λ1和λ2为:
图像的惯性率可以表示为:
图像的圆形度为:
其中p为周长,s为图像面积。
图像的凸度定义为:
其中S为图像的面积,H为凸壳的面积。
本发明提供的基于内窥镜成像的铸件内表面气孔缺陷检测方法能够准确检测出铸件内表面气孔缺陷,检测效率高、检测效果好,并可以拓展应用于存在裂纹、缩松、缩孔、皱皮、凹陷、粘砂等的铸件表面以及内部缺陷的检测,具有很强的应用价值和推广价值。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述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发明实施例技术方案的精神和范围。
Claims (10)
1.一种基于内窥镜成像的铸件内表面气孔缺陷检测方法,该方法用于对工业内窥镜拍摄到的铸件内表面图像进行处理,以检测出铸件内表面的缺陷,其特征在于,包括以下步骤:
S1:对铸件内表面图像进行滤波处理,得到预处理图像T;
S2:设置多个二值化阈值Th1~ThN,其中,N为二值化阈值的个数并且为大于1的整数;
S3:分别根据二值化阈值Th1~ThN对预处理图像T进行二值化处理,得到二值化图像T1~TN;
S4:分别提取二值化图像T1~TN的连通域;
S5:分别计算二值化图像T1~TN中每一连通域的质心以及至少一个与连通域有关的参数;
S6:设置多个气孔缺陷检测参数,以对二值化图像T1~TN中的每个连通域进行筛选,剔除不符合条件的连通域;
S7:依次对二值化图像T1~TN中剩余的连通域计算两两质心之间的距离,并根据一预设质心距离s1对连通域进行聚类;
S8:对聚类后的每一类进行筛选,剔除连通域的个数小于一预设连通域个数s2的类;
S9:计算剩余的每一类的圆心位置以及面积;
S10:分别将每一类的面积与一预设面积阈值范围s3进行比较,剔除超出预设面积阈值范围s3的类;
S11:对于剩余的每一类,分别计算类中所有像素的灰度平均值以及环形领域中所有像素的灰度平均值并计算和之差的绝对值比较与一预设环形邻域灰度差值s4的大小,如果则将该类剔除,反之保留该类;
S12:统计所有剩余的类,这些类的集合即为铸件内表面的缺陷的集合。
2.根据权利要求1所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,步骤S2中,多个二值化阈值Th1~ThN由一二值化阈值范围和一二值化阈值间步长确定。
3.根据权利要求2所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,二值化阈值范围为[40,160],二值化阈值间步长为5。
4.根据权利要求1所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,步骤S4中,利用Suzuki提出的通过检测每一幅二值图像的边界的方式分别提取出二值化图像T1~TN的连通域。
5.根据权利要求1所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,步骤S5中,与连通域有关的参数为连通域的面积、圆形度、离心率和凸度。
6.根据权利要求5所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,多个气孔缺陷检测参数分别如下:
(1)缺陷部位颜色的选择开关;
(2)缺陷部位的颜色;
(3)缺陷部位面积的选择开关;
(4)缺陷部位面积的下限;
(5)缺陷部位面积的上限;
(6)缺陷部位圆形度的选择开关;
(7)缺陷部位圆形度的下限;
(8)缺陷部位圆形度的上限;
(9)缺陷部位离心率的选择开关;
(10)缺陷部位离心率的下限;
(11)缺陷部位离心率的上限;
(12)缺陷部位凸度的选择开关;
(13)缺陷部位凸度的下限;
(14)缺陷部位凸度的上限。
7.根据权利要求1所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,步骤S7中进行聚类的规则如下:如果一连通域X1与已有的任一类中任一连通域X2的质心之间的距离大于连通域X1、连通域X2二者的半径之和并且大于所述预设质心距离s1,则将该连通域X1划分为新的类。
8.根据权利要求1所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,步骤S11中,环形领域是根据一预设环形邻域半径确定,预设环形邻域半径介于5-10之间,单位为像素。
9.根据权利要求1所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,步骤S9中,类的圆心位置(M,N)通过以下方式计算:
其中,(xi,yi)为该类中各连通域的质心坐标,qi为各连通域的权值,其数值等于各连通域惯性率的平方,
类的面积S=πr2,r为类的半径,r等于类中各连通域中面积居中的连通域的半径。
10.根据权利要求9所述的基于内窥镜成像的铸件内表面气孔缺陷检测方法,其特征在于,通过以下方式计算类中所有像素的灰度平均值
根据类的圆心位置以及半径得到该类的外接矩形,逐行扫描该外接矩形中的每一像素点,分别判断每一像素点与类的圆心位置之间的距离d,若d<r,则将该像素点定义为该类的像素点,依次累加得到该类的像素点的总数目v1以及该类的像素点的总灰度值v2,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384999.9A CN109493339B (zh) | 2018-11-20 | 2018-11-20 | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384999.9A CN109493339B (zh) | 2018-11-20 | 2018-11-20 | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493339A true CN109493339A (zh) | 2019-03-19 |
CN109493339B CN109493339B (zh) | 2022-02-18 |
Family
ID=65696352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811384999.9A Active CN109493339B (zh) | 2018-11-20 | 2018-11-20 | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493339B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441318A (zh) * | 2019-08-22 | 2019-11-12 | 郑州大学 | 一种基于机器视觉的化纤喷丝头孔缺陷检测方法 |
CN110473197A (zh) * | 2019-08-13 | 2019-11-19 | 树根互联技术有限公司 | 材料表面缺陷检测方法、装置、设备及存储介质 |
CN110517265A (zh) * | 2019-09-04 | 2019-11-29 | 北京理工大学 | 一种产品表面缺陷的检测方法、装置及存储介质 |
CN112927218A (zh) * | 2021-03-23 | 2021-06-08 | 上海晨兴希姆通电子科技有限公司 | 用于cpu散热板缺陷的检测方法及检测*** |
CN113496483A (zh) * | 2021-06-22 | 2021-10-12 | 华南理工大学 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
CN114581742A (zh) * | 2021-10-26 | 2022-06-03 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
CN115880280A (zh) * | 2023-02-01 | 2023-03-31 | 山东建筑大学鉴定检测中心有限公司 | 一种钢结构焊缝质量的检测方法 |
CN117495819A (zh) * | 2023-11-13 | 2024-02-02 | 江苏永钢集团有限公司 | 一种铸坯表面质量缺陷检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150187064A1 (en) * | 2013-12-31 | 2015-07-02 | Shenzhen China Star Optoelectronics Technology Co. Ltd. | Defect inspection device for display panel and method for the same |
CN105389814A (zh) * | 2015-11-03 | 2016-03-09 | 浙江工业大学 | 一种用于气密性试验的气泡检测方法 |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN106404632A (zh) * | 2016-11-03 | 2017-02-15 | 中海石油(中国)有限公司 | 一种花岗岩储层的微观裂缝‑孔隙结构分类图版构建方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN108447050A (zh) * | 2018-03-07 | 2018-08-24 | 湘潭大学 | 一种基于超像素的工件表面缺陷分割方法 |
-
2018
- 2018-11-20 CN CN201811384999.9A patent/CN109493339B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150187064A1 (en) * | 2013-12-31 | 2015-07-02 | Shenzhen China Star Optoelectronics Technology Co. Ltd. | Defect inspection device for display panel and method for the same |
CN105389814A (zh) * | 2015-11-03 | 2016-03-09 | 浙江工业大学 | 一种用于气密性试验的气泡检测方法 |
CN105975972A (zh) * | 2016-04-27 | 2016-09-28 | 湖南桥康智能科技有限公司 | 基于影像的桥梁裂缝检测与特征提取方法 |
CN106404632A (zh) * | 2016-11-03 | 2017-02-15 | 中海石油(中国)有限公司 | 一种花岗岩储层的微观裂缝‑孔隙结构分类图版构建方法 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN108447050A (zh) * | 2018-03-07 | 2018-08-24 | 湘潭大学 | 一种基于超像素的工件表面缺陷分割方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473197A (zh) * | 2019-08-13 | 2019-11-19 | 树根互联技术有限公司 | 材料表面缺陷检测方法、装置、设备及存储介质 |
CN110441318A (zh) * | 2019-08-22 | 2019-11-12 | 郑州大学 | 一种基于机器视觉的化纤喷丝头孔缺陷检测方法 |
CN110517265A (zh) * | 2019-09-04 | 2019-11-29 | 北京理工大学 | 一种产品表面缺陷的检测方法、装置及存储介质 |
CN112927218A (zh) * | 2021-03-23 | 2021-06-08 | 上海晨兴希姆通电子科技有限公司 | 用于cpu散热板缺陷的检测方法及检测*** |
CN112927218B (zh) * | 2021-03-23 | 2023-07-25 | 上海晨兴希姆通电子科技有限公司 | 用于cpu散热板缺陷的检测方法及检测*** |
CN113496483A (zh) * | 2021-06-22 | 2021-10-12 | 华南理工大学 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
CN113496483B (zh) * | 2021-06-22 | 2023-06-16 | 华南理工大学 | 一种基于图像处理的焊缝气孔缺陷检测方法 |
CN114581742A (zh) * | 2021-10-26 | 2022-06-03 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
CN114581742B (zh) * | 2021-10-26 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
CN115880280A (zh) * | 2023-02-01 | 2023-03-31 | 山东建筑大学鉴定检测中心有限公司 | 一种钢结构焊缝质量的检测方法 |
CN117495819A (zh) * | 2023-11-13 | 2024-02-02 | 江苏永钢集团有限公司 | 一种铸坯表面质量缺陷检测方法及装置 |
CN117495819B (zh) * | 2023-11-13 | 2024-07-19 | 江苏永钢集团有限公司 | 一种铸坯表面质量缺陷检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109493339B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493339A (zh) | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN105931252B (zh) | 一种基于几何约束的椭圆快速检测方法 | |
CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
CN105447892B (zh) | 车辆偏航角的确定方法及装置 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN106683075A (zh) | 一种输电线杆塔横担处螺栓缺陷检测方法 | |
CN107122777A (zh) | 一种基于视频文件的车辆分析***及分析方法 | |
CN109859226A (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN106846293B (zh) | 图像处理方法和装置 | |
CN104112132A (zh) | 一种枪械编号自动识别方法 | |
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 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测***和方法 | |
CN105844655A (zh) | 一种激光线条纹边缘提取方法 | |
CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
CN109658391A (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN106355584A (zh) | 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN106529531A (zh) | 一种基于图像处理的中国象棋识别***及方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN109919247A (zh) | 危化品堆垛双目测距中特征点匹配方法、***和设备 | |
CN105893960A (zh) | 基于相位对称性的道路交通标志检测方法 |
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 | ||
GR01 | Patent grant |