CN111008964A - 一种部件表面缺陷检测方法 - Google Patents
一种部件表面缺陷检测方法 Download PDFInfo
- Publication number
- CN111008964A CN111008964A CN201911184638.4A CN201911184638A CN111008964A CN 111008964 A CN111008964 A CN 111008964A CN 201911184638 A CN201911184638 A CN 201911184638A CN 111008964 A CN111008964 A CN 111008964A
- Authority
- CN
- China
- Prior art keywords
- feature
- substructure
- surfly
- point
- sub
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- 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
- G01N2021/8883—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 involving the calculation of gauges, generating models
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种部件表面缺陷检测方法,包括以下步骤:步骤100,子结构分解;步骤200,法向量计算;步骤300,Surflet特征构建;步骤400,子结构权值计算;步骤500,加权特征子表达;步骤600,缺陷区域提取。本发明对从获取待测表面的三维点云分解为分片平坦的子结构集合,解算子结构的几何子特征,建立特征的权重,构建加权特征描述子,进而提取缺陷区域。采用子结构解算局部子特征,能够更好地抵抗表面自身结构变化的干扰,同时采用多子结构的加权特征描述子具有更好的鲁棒性和可区分性。
Description
技术领域
本发明涉及表面检测技术,尤其是一种基于激光点云子结构加权特征描述子的部件表面缺陷检测方法。
背景技术
在工业检测领域,表面缺陷检测一直是一个热点问题。随着工业生产过程中对部件精度控制的要求越来越高,对部件的精细尺度的形变缺陷的自动检测需要求也随之提高。
现有常用缺陷方法的主要基于光学图像检测,一般通过设计光照***促进缺陷在图像中产生有效对比度,但该类方法对精细尺度下的几何形变和尺度变化等问题存在困难。激光测量技术因其非接触、可靠性高和采集方式简易等优良特点,在产品质量检测、生产过程自动控制等有着广泛的应用前景。如中国专利公开号为CN109975314A的一种基于三维激光点云数据的木材表面检测***及检测方法,步骤一、通过上方三维激光轮廓传感器和下方三维激光轮廓传感器对木板双面进行扫描,获取三维激光点云数据;步骤2:检测***对三维激光点云数据进行预处理,去除噪声、降低点云密度;步骤3:检测***对缺陷点进行区域分割,将相同缺陷标记为相同序号;步骤4:计算缺陷处的体积和表面积,将同一缺陷类型的缺陷处的体积累加、表面积累加;步骤5:根据缺陷体积、表面积与阈值相比较的结果,发送不同信号到控制模块;步骤6:控制模块根据检测模块发送的信号,控制第三传送装置转向,以此对不同质量等级的木材进行分类。
对于精细尺度表面缺陷自动检测,激光点云数据存在噪声和野值干扰、点云分布密度不一、部件自身几何形状变化等干扰,都会不同程度地影响是部件表面缺陷检测的精确性和可靠性。
发明内容
本发明所要解决的技术问题是提供一种部件表面缺陷检测方法,提高部件表面缺陷检测的精确性和可靠性。
为解决上述技术问题,本发明的技术方案是:一种部件表面缺陷检测方法,包括以下步骤:
步骤100,子结构分解;
步骤200,法向量计算;
步骤300,Surflet特征构建;
步骤400,子结构权值计算;
步骤500,加权特征子表达;
步骤600,缺陷区域提取。
本发明对从获取待测表面的三维点云分解为分片平坦的子结构集合,解算子结构的几何子特征,建立特征的权重,构建加权特征描述子,进而提取缺陷区域。采用子结构解算局部子特征,能够更好地抵抗表面自身结构变化的干扰,同时采用多子结构的加权特征描述子具有更好的鲁棒性和可区分性。
作为改进,所述步骤100的具体步骤为:
步骤101,k近邻提取:对于包含了C个激光测量点的三维点云集合 S={Pi}i=1,2,…,C中的任意一点Pi∈S,采用快速近似搜索算法,搜索Pi的k 个最近邻点,记为Rk;
步骤102,RANSAC子结构拟合:对邻域Rk进行子结构分割,采用RANSAC鲁棒平面拟合方法逐次拟合平面,属于平面的内点构成子结构 Mj={Pi}i=1,2,…,τ,其中τ≤k,最后构建三维点云的子结构集,即其中n示子结构的总数。
作为改进,所述步骤200的具体步骤为:
步骤202奇异值分解法向量估计:对协方差矩阵C做奇异值分解,最小特征值对应的特征向量作为法向量N估计。
作为改进,所述步骤300的具体步骤为:
步骤301,Surflet定义:对于任意一点Pi∈S,定义向量对(P,N)为 Surflet,其中P为的Pi点的位置向量,N为该点的法向量;
步骤302,Darboux坐标原点判别:搜索k2近邻点,对于邻域内的 (P1,N1)和(P2,N2)Surflet对,如果|N1·(P2-P1)|≤|N2·(P2-P1)|,则P1点为坐标原点,否则P2点为坐标原点;
步骤303,Darboux坐标系构建:对于确定的坐标系原点P1,按照如下方式构建Darboux坐标系{u,v,w};
u=N1
w=u×v;
步骤304,Surflet特征计算:基于Darboux坐标系,按照如下方法计算四维Surflet特征:
θ=arctan 2(w·N1·u·N2)
a=v·N2
d=||P2-P1||。
作为改进,所述步骤400的具体步骤为:在k2领域内的所有子结构 Mj∈Rk,根据该子结构的重合度设计对Surflet特征的权值,权值计算公式如下:
权值的范围为(0,1]。
作为改进,所述步骤500的具体步骤为:
步骤501,加权特征子描述:定义Surflet特征的量化宽度Δθ,Δa,Δφ,Δd,每个单项特征的量化级数记为Hθ,Ha,Hφ,Hd,加权特征子定义为HθHaHφHd级一维直方图;
步骤502,加权特征子构建:
步骤521,特征子直方图初始化:建立长度为HθHaHφHd的数组用作特征子直方图H,并将其全部初始化为零;
步骤523,加权直方图迭代更新:对于每个Surflet特征(θt,at,φt,dt),以θ为例,对应H(c(θt))更新为H(c(θt))+ρt,其中ρt为该特征对应的权值,其他特征均采取类似方法的处理;
作为改进,所述步骤600的具体步骤为:
步骤601,加权特征子相似性度量:待测部件三维点云的加权特征子H 和标准模板的加权特征子HT,对应的相似性度量为:
步骤602,缺陷点连通区域提取:设定相似度阈值ST,如果对于S<T 的点,标记为缺陷点,设定距离阈值dT,缺陷点的距离小于dT,则划分到同一个连通区域Ci中;
步骤603,缺陷区域标识:设定区域点数阈值PT对于每个缺陷点连通区域Ci,如果Ci内的三维点数超过个PT的标示为最终的缺陷区域。
本发明与现有技术相比所带来的有益效果是:
1、本发明采用了子结构分解的方法,有效克服了表面自身形状和结构变化带来的干扰,具有良好的鲁棒性;
2、本发明以子结构局部几何特征为基础,采用特征加权,建立了加权特征描述子,对表面形状内容具有更好适应性,因而更具有代表性和区分性。
附图说明
图1是三维点云部件表面缺陷检测算法流程图。
图2是子结构集构建流程图。
图3是基于子结构的法向量解算流程图。
图4是Surflet局部几何特征计算流程图。
图5是加权特征子解算流程图。
图6是加权直方图构建方法图。
图7是缺陷区域提取流程图。
图8是Surflet特征总体框架图。
图9是Darboux坐标系图。
图10是加权特征子相似性度量方法图。
具体实施方式
下面结合说明书附图对本发明作进一步说明。
如图1所示,一种基于激光点云子结构加权特征描述子的部件表面缺陷检测方法,包括以下步骤:
S100,如图2所示,子结构分解
S101,k近邻提取:对于包含了C个激光测量点的三维点云集合 S={Pi}i=1,2,…,C中的任意一点Pi∈S,采用较为成熟的Muja,M.提出的快速近似搜索算法(Muja,M.and David G.Lowe."Fast Approximate Nearest Neighbors with AutomaticAlgorithm Configuration".In VISAPP International Conference on ComputerVision Theory and Applications.2009. pp.331–340.),搜索Pi的k个最近邻点,记为Rk;该快速算法在Matlab 和PCL(Point Cloud Library)中均有实现;
S102,RANSAC子结构拟合:为了区分缺陷的形变和部件自身存在形状和拓扑变化,对邻域Rk进行子结构分割;采用RANSAC(Random Sample Consensus)鲁棒平面拟合方法逐次拟合平面,属于平面的内点构成子结构Mj={Pi}i=1,2,…,τ,其中τ≤k,最后构建三维点云的子结构集,即其中n表示子结构的总数。
S200,如图3所示,法向量计算
S202奇异值分解法向量估计:对协方差矩阵C做奇异值分解 (singularity valuedecomposition),小特征值对应的特征向量作为法向量 N的估计。
S300,如图4所示,Surflet特征构建
S301,Surflet定义:对于任意一点Pi∈S,定义向量对(P,N)为Surflet,其中P为的Pi点的位置向量,N为该点的法向量;
S302,Darboux坐标原点判别:如图8所示,搜索k2近邻点,对于邻域内的(P1,N1)和(P2,N2)Surflet对,如果|N1·(P2-P1)|≤|N2·(P2-P1)|,则P1点为坐标原点,否则P2点为坐标原点;
S303,如图9所示,Darboux坐标系构建:对于确定的坐标系原点P1,按照如下方式构建Darboux坐标系{u,v,w};
u=N1
w=u×v;
S304,Surflet特征计算:基于Darboux坐标系,按照如下方法计算四维Surflet特征,
θ=arctan 2(w·N1·u·N2)
a=v·N2
d=||P2-P1||。
S400,如图5所示,子结构权值计算
在k2领域内的所有子结构Mj∈Rk,根据该子结构的重合度设计对 Surflet特征的权值,权值计算公式如下:
显然,权值的范围为(0,1]。由于权值描述了子结构的参与度,对三维点云的自身的结构几何形状具有更好的表达性,同时对自身结构结合形状的变化具有更好的适应性。
S500,如图5所示,加权特征子表达
S501,加权特征子描述:定义Surflet特征的量化宽度Δθ,Δa,Δφ,Δd,每个单项特征的量化级数记为Hθ,Ha,Hφ,Hd,加权特征子定义为HθHaHφHd级一维直方图;
S502,如图6所示,加权特征子构建:
S521,特征子直方图初始化:建立长度为HθHaHφHd的数组用作特征子直方图H,并将其全部初始化为零;
S523,加权直方图迭代更新:对于每个Surflet特征(θt,at,φt,dt),以θ为例,对应H(c(θt))更新为H(c(θt))+ρt,其中ρt为该特征对应的权值,其他特征均采取类似方法的处理;
S600,如图7所示,缺陷区域提取
S601,加权特征子相似性度量:如图10所示,待测部件三维点云的
加权特征子H和标准模板的加权特征子HT,对应的相似性度量为:
S602,缺陷点连通区域提取:设定相似度阈值ST,如果对于S<T的点,标记为缺陷点,设定距离阈值dT,缺陷点的距离小于dT,则划分到同一个连通区域Ci中;
S603,缺陷区域标识:设定区域点数阈值PT对于每个缺陷点连通区域Ci,如果Ci内的三维点数超过个PT的标示为最终的缺陷区域。
本实施例所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种部件表面缺陷检测方法,其特征在于,包括以下步骤:
步骤100,子结构分解;
步骤200,法向量计算;
步骤300,Surflet特征构建;
步骤400,子结构权值计算;
步骤500,加权特征子表达;
步骤600,缺陷区域提取。
4.根据权利要求3所述的一种部件表面缺陷检测方法,其特征在于:所述步骤300的具体步骤为:
步骤301,Surflet定义:对于任意一点Pi∈S,定义向量对(P,N)为Surflet,其中P为的Pi点的位置向量,N为该点的法向量;
步骤302,Darboux坐标原点判别:搜索k2近邻点,对于邻域内的(P1,N1)和(P2,N2)Surflet对,如果|N1·(P2-P1)|≤|N2·(P2-P1)|,则P1点为坐标原点,否则P2点为坐标原点;
步骤303,Darboux坐标系构建:对于确定的坐标系原点P1,按照如下方式构建Darboux坐标系{u,v,w};
u=N1
w=u×v;
步骤304,Surflet特征计算:基于Darboux坐标系,按照如下方法计算四维Surflet特征:
θ=arctan2(w·N1·u·N2)
a=v·N2
d=||P2-P1||。
6.根据权利要求5所述的一种部件表面缺陷检测方法,其特征在于:所述步骤500的具体步骤为:
步骤501,加权特征子描述:定义Surflet特征的量化宽度Δθ,Δa,Δφ,Δd,每个单项特征的量化级数记为Hθ,Ha,Hφ,Hd,加权特征子定义为HθHaHφHd级一维直方图;
步骤502,加权特征子构建。
7.根据权利要求6所述的一种部件表面缺陷检测方法,其特征在于:所述步骤502的具体步骤为:
步骤521,特征子直方图初始化:建立长度为HθHaHφHd的数组用作特征子直方图H,并将其全部初始化为零;
步骤523,加权直方图迭代更新:对于每个Surflet特征(θt,at,φt,dt),以θ为例,对应H(c(θt))更新为H(c(θt))+ρt,其中ρt为该特征对应的权值,其他特征均采取类似方法的处理;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911184638.4A CN111008964B (zh) | 2019-11-27 | 2019-11-27 | 一种部件表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911184638.4A CN111008964B (zh) | 2019-11-27 | 2019-11-27 | 一种部件表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008964A true CN111008964A (zh) | 2020-04-14 |
CN111008964B CN111008964B (zh) | 2023-06-23 |
Family
ID=70112219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911184638.4A Active CN111008964B (zh) | 2019-11-27 | 2019-11-27 | 一种部件表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008964B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022000522A1 (zh) * | 2020-07-01 | 2022-01-06 | 北京大学深圳研究生院 | 基于显著性特征的模拟残缺点云的遮罩生成方法 |
CN116958150A (zh) * | 2023-09-21 | 2023-10-27 | 深圳市中农易讯信息技术有限公司 | 农产品的缺陷检测和缺陷等级划分方法 |
CN116952826A (zh) * | 2023-09-19 | 2023-10-27 | 江苏乔科科技有限公司 | 一种pcb板抗腐蚀性检测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1139285A1 (de) * | 2000-03-31 | 2001-10-04 | Österreichisches Forschungszentrum Seibersdorf Ges.m.b.H. | Verfahren und Vorrichtung zur Prüfung bzw. Untersuchung von Gegenständen |
US20080040059A1 (en) * | 2004-02-18 | 2008-02-14 | Enis Ersue | Method for Locating Flaws, and a Marking System |
CN101710081A (zh) * | 2009-12-07 | 2010-05-19 | 杭州电子科技大学 | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 |
CN101893580A (zh) * | 2010-06-10 | 2010-11-24 | 北京交通大学 | 基于数字图像的钢轨表面缺陷检测方法 |
CN102236794A (zh) * | 2010-05-07 | 2011-11-09 | Mv科技软件有限责任公司 | 3d场景中3d对象的识别和姿态确定 |
CN104006740A (zh) * | 2013-02-20 | 2014-08-27 | 国立大学法人九州工业大学 | 物体检测方法和物体检测装置 |
CN105354831A (zh) * | 2015-09-30 | 2016-02-24 | 广东工业大学 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
US20190287235A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Corporation | Defect inspection device, defect inspection method, and computer readable recording medium |
-
2019
- 2019-11-27 CN CN201911184638.4A patent/CN111008964B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1139285A1 (de) * | 2000-03-31 | 2001-10-04 | Österreichisches Forschungszentrum Seibersdorf Ges.m.b.H. | Verfahren und Vorrichtung zur Prüfung bzw. Untersuchung von Gegenständen |
US20080040059A1 (en) * | 2004-02-18 | 2008-02-14 | Enis Ersue | Method for Locating Flaws, and a Marking System |
CN101710081A (zh) * | 2009-12-07 | 2010-05-19 | 杭州电子科技大学 | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 |
CN102236794A (zh) * | 2010-05-07 | 2011-11-09 | Mv科技软件有限责任公司 | 3d场景中3d对象的识别和姿态确定 |
CN101893580A (zh) * | 2010-06-10 | 2010-11-24 | 北京交通大学 | 基于数字图像的钢轨表面缺陷检测方法 |
CN104006740A (zh) * | 2013-02-20 | 2014-08-27 | 国立大学法人九州工业大学 | 物体检测方法和物体检测装置 |
CN105354831A (zh) * | 2015-09-30 | 2016-02-24 | 广东工业大学 | 一种基于图像分块方差-加权特征值的多缺陷检测方法 |
US20190287235A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Corporation | Defect inspection device, defect inspection method, and computer readable recording medium |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022000522A1 (zh) * | 2020-07-01 | 2022-01-06 | 北京大学深圳研究生院 | 基于显著性特征的模拟残缺点云的遮罩生成方法 |
CN116952826A (zh) * | 2023-09-19 | 2023-10-27 | 江苏乔科科技有限公司 | 一种pcb板抗腐蚀性检测*** |
CN116952826B (zh) * | 2023-09-19 | 2023-12-05 | 江苏乔科科技有限公司 | 一种pcb板抗腐蚀性检测*** |
CN116958150A (zh) * | 2023-09-21 | 2023-10-27 | 深圳市中农易讯信息技术有限公司 | 农产品的缺陷检测和缺陷等级划分方法 |
CN116958150B (zh) * | 2023-09-21 | 2024-04-02 | 深圳市中农易讯信息技术有限公司 | 农产品的缺陷检测和缺陷等级划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111008964B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008964A (zh) | 一种部件表面缺陷检测方法 | |
CN108107444B (zh) | 基于激光数据的变电站异物识别方法 | |
CN111781608B (zh) | 一种基于fmcw激光雷达的运动目标检测方法及*** | |
US6859555B1 (en) | Fast dominant circle detection through horizontal and vertical scanning | |
CN110533726B (zh) | 一种激光雷达场景三维姿态点法向量估计修正方法 | |
CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
CN112070832B (zh) | 基于点云dca特征的非合作目标位姿跟踪方法及装置 | |
CN110211178B (zh) | 一种利用投影计算的指针式仪表识别方法 | |
CN111738332B (zh) | 基于特征级融合的水下多源声学图像底质分类方法及*** | |
US20100183230A1 (en) | Feature attribute calculation apparatus, feature extraction apparatus, pattern matching apparatus, and method | |
CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
Zhang et al. | Spectral clustering of straight-line segments for roof plane extraction from airborne LiDAR point clouds | |
Dai et al. | Aircraft seam feature extraction from 3D raw point cloud via hierarchical multi-structure fitting | |
CN116740072A (zh) | 基于机器视觉的道路表面缺陷检测方法及*** | |
CN114358166B (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
CN110554405B (zh) | 一种基于组合聚类的正态扫描配准方法和*** | |
CN115816834B (zh) | 用于打印机打印质量实时监测的方法及*** | |
CN104732190B (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
Zhao et al. | Remote sensing image registration based on dynamic threshold calculation strategy and multiple-feature distance fusion | |
CN115205251A (zh) | 一种光学遥感影像几何质量可用性评价方法 | |
CN111597849B (zh) | 一种可变码区域的提取方法 | |
CN112418313B (zh) | 一种大数据在线噪声过滤***与方法 | |
CN111462123B (zh) | 一种基于谱聚类的点云数据分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |