CN110348461A - 一种工件表面缺陷特征提取方法 - Google Patents

一种工件表面缺陷特征提取方法 Download PDF

Info

Publication number
CN110348461A
CN110348461A CN201910607775.8A CN201910607775A CN110348461A CN 110348461 A CN110348461 A CN 110348461A CN 201910607775 A CN201910607775 A CN 201910607775A CN 110348461 A CN110348461 A CN 110348461A
Authority
CN
China
Prior art keywords
image
workpiece
gray
surface flaw
extracting method
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.)
Withdrawn
Application number
CN201910607775.8A
Other languages
English (en)
Inventor
赵君爱
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.)
Jiangsu Maritime Institute
Original Assignee
Jiangsu Maritime Institute
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 Jiangsu Maritime Institute filed Critical Jiangsu Maritime Institute
Priority to CN201910607775.8A priority Critical patent/CN110348461A/zh
Publication of CN110348461A publication Critical patent/CN110348461A/zh
Withdrawn legal-status Critical Current

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
    • G01N21/8851—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种工件表面缺陷特征提取方法，包括以下步骤：S1、源图像采集；S2、源图像预处理；S3、阈值切割；S4、工件区域定位；S5、剪切；S6、滤波处理；S7、轮廓提取；S8、特征提取；S9、特征向量识别。优点在于：本发明对光照变化良好的适应性良好，具有良好的反向选择和尺度选择特性，相对于现有的工件表面缺陷特征提取方法提高判别的准确度的同时也提高了鲁棒性。

Description

一种工件表面缺陷特征提取方法
技术领域
本发明涉及工件质量检测技术领域，尤其涉及一种工件表面缺陷特征提取方法。
背景技术
随着制造技术的发展，机械加工可靠性的要求也越来越高，对工件表面缺陷自动检测提出了更高的要求。研发新的用于工件表面缺陷提取的自动检测理论和方法，符合企业的迫切需要，对机械学科基础理论研究也具有重要意义。
目前对于工件表面缺陷检测技术，主要是基于工件表面图像的基本信号特征有机缺陷灰度特征对缺陷进行分离，即利用图像缺陷部分与背景区域的灰度梯度差异进行缺陷的分离，而工件图像特征提取过程受到遮挡、动态背景、视角和光照变化等因素的影响而具有很大的挑战性。
为此，我们提出一种工件表面缺陷特征提取方法来解决上述问题。
发明内容
本发明的目的是为了解决现有技术中的问题，而提出的一种工件表面缺陷特征提取方法。
为了实现上述目的，本发明采用了如下技术方案：
一种工件表面缺陷特征提取方法，包括以下步骤：
S1、源图像采集：使用专业成像设备收集工件表面图像；
S2、源图像预处理：改善图像质量，提升图像对比度；
S3、阈值切割：根据阈值分割算法对处理后的图像进行阈值切割；
S4、工件区域定位：对阈值分割后的二值图像进行局部区域填充与被包围区域填充；
S5、剪切：提取填充后二值图像的工件区域外轮廓，使用最小外接矩形框出工件区域；采用工件区域剪切算法剪切源图像的工作区域得到工件图像；
S6、滤波处理：使用Gabor滤波器对工件图像进行滤波处理，过滤掉工件所属表面上的条形纹理，得到多张滤波工件图像；
S7、轮廓提取：对滤波工件图像进行边缘锐化处理获得边缘锐化图像，边缘锐化处理之后再进行自适应二值化处理获得轮廓图像；
S8、特征提取：使用预设尺寸大小的patch对所述轮廓图像进行轮廓检测处理，从而获得每个patch所对应的特征向量Vij，并将所有工件特征向量Vij进行归一化并组成特征向量集合Vi，其中，所述下标j为所述特征向量在所述特征向量集和Vi之内的序号；
S9、特征向量识别：将所有特征向量集合Vi中的特征向量Vij带入预先训练好的分类器中进行判别运算，其中，判别结果分为正常和缺陷两种结果类型，被判别为缺陷的特征向量即为工件表面缺陷特征向量。
在上述的工件表面缺陷特征提取方法中，在所述步骤S3中，进行阈值分割前，去除源图像中的噪声后统计灰度直方图，得到图像前景与背景灰度两个最大值，采用灰度拉伸算法得到灰度拉伸图像。
在上述的工件表面缺陷特征提取方法中，所述灰度拉伸算法通过以下公式计算：
其中，源图像的灰度级数为0～M，背景色为白色，前景色为黑色，a为在0～M/2中灰度直方图前景最大值对应的灰度值，b为在M/2～M中灰度直方图背景最大值对应的灰度值，x，y是像素坐标，f(x,y)为源图像在坐标(x,y)的灰度值，g(x,y)为灰度拉伸后的坐标(x,y)处的灰度值，级数为0～M，c、d为设定值。
在上述的工件表面缺陷特征提取方法中，在所述步骤S6中，Gabor滤波器对工件图像进行滤波处理的所述Gabor核函数g2的公式定义为：
所述所述所述λ为所述Gabor核函数的波长，所述δ为所述Gabor核函数的尺度大小，所述θ为抑制角度，所述为相位差，所述(x,y)为所述灰度图像与滤波后的图像对应像素点的坐标。
在上述的工件表面缺陷特征提取方法中，在所述步骤S8中，特征向量Vij包括经过轮廓检测处理所获得的轮廓长、轮廓宽、轮廓的位置坐标(x,y)和所述轮廓的灰度均值5个特征值。
在上述的工件表面缺陷特征提取方法中，在所述步骤S8中，特征向量Vij包括经过轮廓检测处理所获得的轮廓长、轮廓宽、轮廓的位置坐标(x,y)和所述轮廓的灰度均值5个特征值。
在上述的工件表面缺陷特征提取方法中，在步骤S3中，阈值分割算法包括以下步骤
灰度拉伸图像的灰度直方图数为Hist[256]，灰度值为i的像素个数为ni＝Hist[i]，灰度值在[0～T]间的总像素数为N，灰度值为i的像素的概率为：
灰度值在[T+1～255]之间像素的总数为L，则灰度值为i的像素的概率为：
求的最大值max{sum[i],i∈[0～255]}对应的i，其中，
所求得的i即为图像分割阈值T，根据T对灰度拉伸图像进行阈值分割。
与现有的技术相比，本发明的有益效果为：
1、通过取出源图像中的噪声后统计灰度直方图，并通过灰度拉伸算法得到灰度拉伸图像，随后再进行阈值切割，可以准确快速的提取所述工件的对应范围的图像，从而可以大大减少后续处理过程的运算量，同时也可以避免工件对应范围之外的图像内容对判别处理的干扰，提高判别的准确度的同时也提高了鲁棒性。
2通过工件区域定位与剪切的操作得到工件图像区域的外轮廓，使用最小外接矩形框出工件区域外轮廓，并切割出工件图像，给出工件图像的倾斜角。
3、使用Gabor滤波器对工件图像进行滤波处理，滤出工件本身的轮廓以及表面的条形纹理对后续特征提取的干扰和影响，此外，由于对采用滤波处理之后的图像进行边缘锐化之后在进行轮廓提取，因此大大提高了轮廓特征提取的可靠性和鲁棒性；由于Gabor核函数对于图像的边缘敏感，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，能够提供对光照变化良好的适应性，并且，由于Gabor滤波方式与人类视觉***中简单细胞的视觉刺激响应非常相似，因此在提取目标的局部空间和频率域信息方面具有良好的特性。此外，通过采用Garbor滤波的方式，具有运算简单，易于理解，参数易于调整，并且降低了计算的复杂度，减少了计算量，提高了响应速度。
具体实施方式
以下实施例仅处于说明性目的，而不是想要限制本发明的范围。
实施例
一种工件表面缺陷特征提取方法，包括以下步骤：
(1)源图像采集：使用专业成像设备收集工件表面图像；
(2)源图像预处理：改善图像质量，提升图像对比度；
(3)去除源图像中的噪声后统计灰度直方图，得到图像前景与背景灰度两个最大值，采用灰度拉伸算法得到灰度拉伸图像；
灰度拉伸算法通过以下公式计算：
其中，源图像的灰度级数为0～M，背景色为白色，前景色为黑色，a为在0～M/2中灰度直方图前景最大值对应的灰度值，b为在M/2～M中灰度直方图背景最大值对应的灰度值，x，y是像素坐标，f(x,y)为源图像在坐标(x,y)的灰度值，g(x,y)为灰度拉伸后的坐标(x,y)处的灰度值，级数为0～M，c、d为设定值
(4)阈值切割：根据阈值分割算法对处理后的图像进行阈值切割；
灰度拉伸图像的灰度直方图数为Hist[256]，灰度值为i的像素个数为ni＝Hist[i]，灰度值在[0～T]间的总像素数为N，灰度值为i的像素的概率为：
灰度值在[T+1～255]之间像素的总数为L，则灰度值为i的像素的概率为：
求的最大值max{sum[i],i∈[0～255]}对应的i，其中，
所求得的i即为图像分割阈值T，根据T对灰度拉伸图像进行阈值分割
(5)工件区域定位：对阈值分割后的二值图像进行局部区域填充与被包围区域填充；
(6)剪切：提取填充后二值图像的工件区域外轮廓，使用最小外接矩形框出工件区域；采用工件区域剪切算法剪切源图像的工作区域得到工件图像；
(7)滤波处理：使用Gabor滤波器对工件图像进行滤波处理，过滤掉工件所属表面上的条形纹理，得到多张滤波工件图像；
Gabor滤波器对工件图像进行滤波处理的Gabor核函数g2的公式定义为：
λ为Gabor核函数的波长，δ为Gabor核函数的尺度大小，θ为抑制角度，为相位差，(x,y)为灰度图像与滤波后的图像对应像素点的坐标
(8)轮廓提取：对滤波工件图像进行边缘锐化处理获得边缘锐化图像，边缘锐化处理之后再进行自适应二值化处理获得轮廓图像；
(9)特征提取：使用预设尺寸大小的patch对轮廓图像进行轮廓检测处理，从而获得每个patch所对应的特征向量Vij，并将所有工件特征向量Vij进行归一化并组成特征向量集合Vi，其中，下标j为特征向量在特征向量集和Vi之内的序号；
特征向量Vij包括经过轮廓检测处理所获得的轮廓长、轮廓宽、轮廓的位置坐标(x,y)和轮廓的灰度均值5个特征值；
(10)特征向量识别：将所有特征向量集合Vi中的特征向量Vij带入预先训练好的分类器中进行判别运算，其中，判别结果分为正常和缺陷两种结果类型，被判别为缺陷的特征向量即为工件表面缺陷特征向量；
特征向量Vij包括经过轮廓检测处理所获得的轮廓长、轮廓宽、轮廓的位置坐标(x,y)和轮廓的灰度均值5个特征值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种工件表面缺陷特征提取方法，其特征在于，包括以下步骤：
S1、源图像采集：使用专业成像设备收集工件表面图像；
S2、源图像预处理：改善图像质量，提升图像对比度；
S3、阈值切割：根据阈值分割算法对处理后的图像进行阈值切割；
S4、工件区域定位：对阈值分割后的二值图像进行局部区域填充与被包围区域填充；
S5、剪切：提取填充后二值图像的工件区域外轮廓，使用最小外接矩形框出工件区域；采用工件区域剪切算法剪切源图像的工作区域得到工件图像；
S6、滤波处理：使用Gabor滤波器对工件图像进行滤波处理，过滤掉工件所属表面上的条形纹理，得到多张滤波工件图像；
S7、轮廓提取：对滤波工件图像进行边缘锐化处理获得边缘锐化图像，边缘锐化处理之后再进行自适应二值化处理获得轮廓图像；
S8、特征提取：使用预设尺寸大小的patch对所述轮廓图像进行轮廓检测处理，从而获得每个patch所对应的特征向量Vij，并将所有工件特征向量Vij进行归一化并组成特征向量集合Vi，其中，所述下标j为所述特征向量在所述特征向量集和Vi之内的序号；
S9、特征向量识别：将所有特征向量集合Vi中的特征向量Vij带入预先训练好的分类器中进行判别运算，其中，判别结果分为正常和缺陷两种结果类型，被判别为缺陷的特征向量即为工件表面缺陷特征向量。
2.根据权利要求1所述的一种工件表面缺陷特征提取方法，其特征在于：在所述步骤S3中，进行阈值分割前，去除源图像中的噪声后统计灰度直方图，得到图像前景与背景灰度两个最大值，采用灰度拉伸算法得到灰度拉伸图像。
3.根据权利要求2所述的一种工件表面缺陷特征提取方法，其特征在于：所述灰度拉伸算法通过以下公式计算：
其中，源图像的灰度级数为0～M，背景色为白色，前景色为黑色，a为在0～M/2中灰度直方图前景最大值对应的灰度值，b为在M/2～M中灰度直方图背景最大值对应的灰度值，x，y是像素坐标，f(x,y)为源图像在坐标(x,y)的灰度值，g(x,y)为灰度拉伸后的坐标(x,y)处的灰度值，级数为0～M，c、d为设定值。
4.根据权利要求2所述的一种工件表面缺陷特征提取方法，其特征在于：在所述步骤S6中，Gabor滤波器对工件图像进行滤波处理的所述Gabor核函数g2的公式定义为：
所述所述所述λ为所述Gabor核函数的波长，所述δ为所述Gabor核函数的尺度大小，所述θ为抑制角度，所述为相位差，所述(x,y)为所述灰度图像与滤波后的图像对应像素点的坐标。
5.根据权利要求1所述的一种工件表面缺陷特征提取方法，其特征在于：在所述步骤S8中，特征向量Vij包括经过轮廓检测处理所获得的轮廓长、轮廓宽、轮廓的位置坐标(x,y)和所述轮廓的灰度均值5个特征值。
6.根据权利要求1所述的一种工件表面缺陷特征提取方法，其特征在于：在所述步骤S9中，所述训练好的分类器为预先利用训练样本对基于神经网络构建的待训练模型进行训练后得到的模型，所述训练样本包括历史缺陷特征信息和相应的缺陷类别信息。
7.根据权利要求2所述的一种工件表面缺陷特征提取方法，其特征在于：在步骤S3中，阈值分割算法包括以下步骤
灰度拉伸图像的灰度直方图数为Hist[256]，灰度值为i的像素个数为ni＝Hist[i]，灰度值在[0～T]间的总像素数为N，灰度值为i的像素的概率为：
灰度值在[T+1～255]之间像素的总数为L，则灰度值为i的像素的概率为：
求的最大值max{sum[i],i∈[0～255]}对应的i，其中，
所求得的i即为图像分割阈值T，根据T对灰度拉伸图像进行阈值分割。
CN201910607775.8A 2019-07-05 2019-07-05 一种工件表面缺陷特征提取方法 Withdrawn CN110348461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910607775.8A CN110348461A (zh) 2019-07-05 2019-07-05 一种工件表面缺陷特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910607775.8A CN110348461A (zh) 2019-07-05 2019-07-05 一种工件表面缺陷特征提取方法

Publications (1)

Publication Number Publication Date
CN110348461A true CN110348461A (zh) 2019-10-18

Family

ID=68177941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910607775.8A Withdrawn CN110348461A (zh) 2019-07-05 2019-07-05 一种工件表面缺陷特征提取方法

Country Status (1)

Country Link
CN (1) CN110348461A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111390578A (zh) * 2020-06-08 2020-07-10 佛山市南海富大精密机械有限公司 一种五轴联动数控机床
CN112505049A (zh) * 2020-10-14 2021-03-16 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和***
CN112907498A (zh) * 2019-11-18 2021-06-04 中国商用飞机有限责任公司 一种孔隙识别方法、装置、设备及存储介质
CN113426709A (zh) * 2021-07-21 2021-09-24 长沙荣业软件有限公司 谷料收购智能检测机器人及谷料分类方法
CN114155241A (zh) * 2022-01-28 2022-03-08 浙江华睿科技股份有限公司 一种异物检测方法、装置及电子设备
CN114170200A (zh) * 2021-12-13 2022-03-11 沭阳鑫洪锐金属制品有限公司 基于人工智能的金属点蚀缺陷程度评估方法及***
CN116958070A (zh) * 2023-07-06 2023-10-27 钛玛科（北京）工业科技有限公司 一种基于锂电涂布工艺波浪边检测***及方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907498A (zh) * 2019-11-18 2021-06-04 中国商用飞机有限责任公司 一种孔隙识别方法、装置、设备及存储介质
CN112907498B (zh) * 2019-11-18 2024-04-30 中国商用飞机有限责任公司 一种孔隙识别方法、装置、设备及存储介质
CN111390578A (zh) * 2020-06-08 2020-07-10 佛山市南海富大精密机械有限公司 一种五轴联动数控机床
CN111390578B (zh) * 2020-06-08 2020-09-08 佛山市南海富大精密机械有限公司 一种五轴联动数控机床
CN112505049A (zh) * 2020-10-14 2021-03-16 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和***
CN112505049B (zh) * 2020-10-14 2021-08-03 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和***
CN113426709A (zh) * 2021-07-21 2021-09-24 长沙荣业软件有限公司 谷料收购智能检测机器人及谷料分类方法
CN114170200A (zh) * 2021-12-13 2022-03-11 沭阳鑫洪锐金属制品有限公司 基于人工智能的金属点蚀缺陷程度评估方法及***
CN114170200B (zh) * 2021-12-13 2023-01-20 沭阳鑫洪锐金属制品有限公司 基于人工智能的金属点蚀缺陷程度评估方法及***
CN114155241A (zh) * 2022-01-28 2022-03-08 浙江华睿科技股份有限公司 一种异物检测方法、装置及电子设备
CN116958070A (zh) * 2023-07-06 2023-10-27 钛玛科（北京）工业科技有限公司 一种基于锂电涂布工艺波浪边检测***及方法

Similar Documents

Publication Publication Date Title
CN110348461A (zh) 一种工件表面缺陷特征提取方法
CN109410230B (zh) 一种可抗噪声的改进Canny图像边缘检测方法
CN111310558B (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN106548463B (zh) 基于暗通道与Retinex的海雾图像自动去雾方法及***
CN105447512B (zh) 一种精粗结合的光学表面缺陷的检测方法及装置
WO2022205525A1 (zh) 基于双目视觉自主式水下机器人回收导引伪光源去除方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN104732536A (zh) 一种基于改进形态学的亚像素边缘检测方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN109993099A (zh) 一种基于机器视觉的车道线提取识别方法
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析***及方法
CN103175844A (zh) 一种金属零部件表面划痕缺陷检测方法
CN108921004A (zh) 安全帽佩戴识别方法、电子设备、存储介质及***
CN109685766A (zh) 一种基于区域融合特征的布匹瑕疵检测方法
CN103729856B (zh) 一种利用s变换信号提取的布匹疵点检测方法
CN105139391B (zh) 一种雾霾天气交通图像边缘检测方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测***
CN112614062A (zh) 菌落计数方法、装置及计算机存储介质
CN112861654A (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN115661110A (zh) 一种透明工件识别与定位的方法
CN111768455A (zh) 一种基于图像的木材区域和主色提取方法
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
CN113763404A (zh) 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191018