CN112614087A - 一种冷轧带钢表面质量的智能判定方法 - Google Patents
一种冷轧带钢表面质量的智能判定方法 Download PDFInfo
- Publication number
- CN112614087A CN112614087A CN202011354786.9A CN202011354786A CN112614087A CN 112614087 A CN112614087 A CN 112614087A CN 202011354786 A CN202011354786 A CN 202011354786A CN 112614087 A CN112614087 A CN 112614087A
- Authority
- CN
- China
- Prior art keywords
- defect
- cold
- density
- defects
- strip steel
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T7/10—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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:a)将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为基于DBSCAN算法的密度聚合;b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。与现有技术相比,本发明提供的冷轧带钢表面质量的智能判定方法能够对冷轧带钢表面斑迹类缺陷实现可靠、有效的聚合,从而提供更为准确的斑迹类缺陷严重程度的信息,提高智能判定的准确性。本发明提供的关于“边部斑迹类”缺陷聚合判定的方法在冷轧带钢表面质量智能判定上属于首创,对冷轧带钢表面质量智能判定奠定了基础,并且可在冷轧板带领域推广使用,具有广阔的应用前景。
Description
技术领域
本发明涉及冷轧带钢表面质量检查技术领域,更具体地说,是涉及一种冷轧带钢表面质量的智能判定方法。
背景技术
冷轧带钢表面质量智能判定***的判定数据来源于表面质量检测仪。因冷轧带钢表面斑迹类缺陷的特殊性,表面质量检测仪很难准确的识别出。在传统的人工检查判定过程中,结合表面质量检查仪检测结果,将检测结果放大数倍后再根据斑迹类缺陷的分布特点及在带钢表面宏观分布位置来进行判定。这样严重影响了智能判定的准确性。
发明内容
有鉴于此,本发明的目的在于提供一种冷轧带钢表面质量的智能判定方法,能够对冷轧带钢表面斑迹类缺陷实现可靠、有效的聚合,从而提供更为准确的斑迹类缺陷严重程度的信息,提高智能判定的准确性。
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:
a)将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为基于DBSCAN算法的密度聚合;
b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。
优选的,步骤a)中所述获得任意缺陷信息的方式为采用表面质量检测仪对冷轧带钢进行表面缺陷检测。
优选的,步骤a)中所述汇总的任意缺陷信息包括基础分类器对缺陷进行的初次分类结果、缺陷在表面的相对位置和缺陷的长宽。
优选的,步骤a)中所述缺陷聚合的过程具体为:
a1)生成任意缺陷与其周围的同类型缺陷的连通图,得到多个连通子图;
a2)聚合多个连通子图的结果,得到密度聚合缺陷结果并基于DBSCAN 算法输出,得到聚合后缺陷结果。
优选的,步骤a1)中所述连通图根据缺陷的边部距离限制、缺陷的长度阈值和宽度阈值进行限定,将同时满足上述边部距离限制、长度阈值和宽度阈值的缺陷生成连通图;
Pi,d=min(Pi,L,width-Pi,L)<dth;
|Pi,L-Pj,R|≤宽度阈值;
|Pi,T-Pj,B|≤长度阈值;
其中,Pi代表任意缺陷信息,Pj代表任意缺陷相邻的同类型缺陷信息;L、 R、T、B代表缺陷左、右、上、下四个位置,d代表缺陷位置距离边部的距离;dth代表边部距离阈值。
优选的,步骤a2)中所述基于DBSCAN算法输出的过程包括表面缺陷密度特征提取。
优选的,所述表面缺陷密度特征提取的过程具体为:
以任意缺陷为中心框选出周围一定范围空间,同时对框选的范围进行网格切分,形成不同区域;
对每个区域统计计算区域内缺陷的总个数Km,n与总面积,当总个数或总面积超过相应阈值时,则对该区域进行密度区域标记;
进一步根据区域中的密度统计,生成冷轧带钢表面缺陷密度特征。
优选的,所述形成不同区域的过程具体为:
以一定的长度方向大小yth及宽度方向大小xth划分出不同的M×N区域;每个区域范围内缺陷集合为:
Δm,n={i|(m-1)xth≤xi≤mxth,(n-1)yth≤yi≤nyth};
其中,i代表任意一个缺陷,0≤m≤M-1,0≤n≤N-1。
优选的,所述密度区域标记包括超高密度样本、高密度样本以及低密度样本;
所述生成的冷轧带钢表面缺陷密度特征包括超高密度区域占比、高密度区域占比和低密度区域占比中的两种以上。
优选的,步骤b)中所述判定的方式为人工检查判定或机器检查判定。
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:a) 将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为基于DBSCAN算法的密度聚合;b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。与现有技术相比,本发明提供的冷轧带钢表面质量的智能判定方法能够对冷轧带钢表面斑迹类缺陷实现可靠、有效的聚合,从而提供更为准确的斑迹类缺陷严重程度的信息,提高智能判定的准确性。本发明提供的关于“边部斑迹类”缺陷聚合判定的方法在冷轧带钢表面质量智能判定上属于首创,对冷轧带钢表面质量智能判定奠定了基础,并且可在冷轧板带领域推广使用,具有广阔的应用前景。
附图说明
图1为DBSCAN算法对处于不同位置的点自动聚合的结果的效果图;
图2为本发明实施例中以任意缺陷为中心框选出周围一定范围空间,同时对框选的范围进行网格切分的示意图;
图3为本发明实施例中密度区域标记的示意图。
具体实施方式
下面将结合本发明实施例,对本发明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。
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:
a)将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为基于DBSCAN算法的密度聚合;
b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。
本发明首先将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷。在本发明中,所述获得任意缺陷信息的方式优选为采用表面质量检测仪对冷轧带钢进行表面缺陷检测。本发明对所述表面质量检测仪的型号和来源没有特殊限制,采用本领域技术人员熟知的市售产品即可。在本发明优选的实施例中,所述表面质量检测仪为美国康耐视公司SmartView-6。
在本发明中,所述汇总的任意缺陷信息优选包括基础分类器对缺陷进行的初次分类结果、缺陷在表面的相对位置和缺陷的长宽。在本发明优选的实施例中,任意缺陷i的信息其中ci为基础分类器对缺陷进行的初次分类结果,xi,yi为缺陷在表面的相对位置,li,wi为缺陷的长宽。确定缺陷需要考虑的周围缺陷的距离范围。
在本发明中,由于表面质量检测仪本身特点,当缺陷在局部密集出现(缺陷中出现的密集点状或块状缺陷)时,表面质量检测仪只能对单个缺陷进行识别;在此基础上,本发明采用缺陷聚合以解决上述技术问题。
在本发明中,所述缺陷聚合的方式为基于DBSCAN算法的密度聚合。本发明通过密度聚合的方式,能自动聚合距离接近的缺陷,从而可以从整体情况评估出一小片的缺陷的面积影响。该问题为机器学习中典型的非监督学习类目下的聚类问题,且为聚类问题中的基于密度的聚类问题;聚类问题是指仅根据在数据中发现的描述对象及其关键信息,将数据对象分组;聚类算法种类繁多,基于密度的聚类是其中一种,其原理为根据对象周围的密度,不断完成增长聚类,典型的基于密度的算法有DBSCAN(Density Based ClusteringApplication with Noise)、OPTICS(Ordering Points to Identify the Structure) 等。
本发明采用DBSCAN算法进行缺陷的重新聚合;DBSCAN算法的显著优点是聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类,同时不需要事先指定聚类类别数;但是该算法(模型)依赖输入为钢板缺陷的位置记录特征(如顶部距离,距左右端距离等),指定聚类邻域半径范围以及邻域核心的最少邻域点数,输出钢板缺陷的空间聚类结果,每个聚类的缺陷标签可由该聚类内不同缺陷的数量投票决定。图1为DBSCAN算法对处于不同位置的点自动聚合的结果的效果图。
DBSCAN算法在聚合过程中,除了能够在方向上进行聚合,还能利用缺陷的额外信息,如该缺陷与斑迹类缺陷的相似度,综合考虑;该聚合方式,在搜索过程中比其他的聚合方式,具备更多的动态能力,避免陷入了局部的可聚合缺陷簇中;不需要事先知道要形成的簇类的数量,可以发现任意形状的簇类,同时能够识别出噪声点,避免了噪声对聚合的影响。
在缺陷数据聚合的应用中,缺陷紧密程度的定义就是缺陷在冷轧表面的所处位置紧密程度。在本发明中,当两个同类别缺陷的距离小于等于一定的距离范围,即定义两个缺陷为邻近缺陷,并相互聚合为同一缺陷;在统计缺陷信息的时候,将会把已合并的缺陷同一处理;此外,在设计规则的时候,缺陷距离的大小也可以进行配置。
在本发明中,所述缺陷聚合的过程优选具体为:
a1)生成任意缺陷与其周围的同类型缺陷的连通图,得到多个连通子图;
a2)聚合多个连通子图的结果,得到密度聚合缺陷结果并基于DBSCAN 算法输出,得到聚合后缺陷结果。
本发明首先生成任意缺陷与其周围的同类型缺陷的连通图,得到多个连通子图。本发明为了进行缺陷聚合,首先生成任意缺陷与其周围的同类型缺陷的连通图;所述连通图根据缺陷的边部距离限制、缺陷的长度阈值和宽度阈值进行限定,将同时满足上述边部距离限制、长度阈值和宽度阈值的缺陷生成连通图。
具体限定规则如下:
Pi,d=min(Pi,L,width-Pi,L)<dth;
|Pi,L-Pj,R|≤宽度阈值;
|Pi,T-Pj,B|≤长度阈值;
其中,Pi代表任意缺陷信息,Pj代表任意缺陷相邻的同类型缺陷信息;L、 R、T、B代表缺陷左、右、上、下四个位置,d代表缺陷位置距离边部的距离;dth代表边部距离阈值。由此可知,Pi,d即为最近边距离,dth即为斑迹类缺陷的边部距离阈值,具体可基于业务规则确定,该规则不同厂家有自己的厂规,可以是10mm,20mm,或者30mm,不同厂家不同要求,本发明对此没有特殊限制。
本发明首先通过缺陷位置距离边部的距离Pi,d低于边部距离阈值dth初步圈定斑迹类缺陷的范围,然后结合斑迹类缺陷的长宽阈值通过上述规则聚合成相应的连通图。
满足要求的缺陷可以生成连通图,限于冷轧带钢的长度执行上述步骤a1) 后,本发明会得到多个连通子图;本发明进一步聚合多个连通子图的结果,得到密度聚合缺陷结果并基于DBSCAN算法输出,得到聚合后缺陷结果。本发明由于采用DBSCAN算法在聚合过程中已经进行了充分的聚合评估,只有可聚合的才进行聚合,因此在输出聚合后缺陷结果前不需要计算稳定度及凝聚度。
在本发明中,所述基于DBSCAN算法输出的过程优选包括表面缺陷密度特征提取。在本发明中,所述表面缺陷密度特征提取的过程优选具体为:
以任意缺陷为中心框选出周围一定范围空间,同时对框选的范围进行网格切分,形成不同区域;
对每个区域统计计算区域内缺陷的总个数Km,n与总面积,当总个数或总面积超过相应阈值时,则对该区域进行密度区域标记;
进一步根据区域中的密度统计,生成冷轧带钢表面缺陷密度特征。
冷轧带钢的表面情况可以通过一系列数据化的的方式进行描述说明;本发明基于常用的判定逻辑,对冷轧带钢的表面缺陷情况,进行特征提取冷轧带钢宏观特征,即冷轧带钢的通卷型特征信息。在本发明中,宏观特征通过密度方式,对冷轧带钢表面的缺陷分布进行分析。如图2所述,对冷轧带钢表面进行网格状分割,进一步对不同网格中的缺陷进行统计。
在本发明中,所述形成不同区域的过程优选具体为:
以一定的长度方向大小yth及宽度方向大小xth划分出不同的M×N区域;每个区域范围内缺陷集合为:
Δm,n={i|(m-1)xth≤xi≤mxth(n-1)yth≤yi≤nyth};
其中,i代表任意一个缺陷,0≤m≤M-1,0≤n≤N-1。
在本发明中,所述密度区域标记优选包括超高密度样本、高密度样本以及低密度样本,参见图3所示。
在本发明中,所述生成的冷轧带钢表面缺陷密度特征优选包括超高密度区域占比、高密度区域占比和低密度区域占比中的两种以上;从而能够体现出冷轧带钢表面缺陷分布特征,通过对高中低密度区域的区别,可以进行斑迹类缺陷严重程度的判别。
经过上述步骤实现得到密度聚合缺陷结果并基于DBSCAN算法输出,得到聚合后缺陷结果,即通过基于DBSCAN算法的密度聚合,输出满足条件的聚合后缺陷。
最后,本发明依据输出的聚合后缺陷对冷轧带钢表面质量进行判定,得到冷轧带钢表面质量的判定结果。在本发明中,所述判定的方式优选为人工检查判定或机器检查判定。
本发明提供的冷轧带钢表面质量的智能判定方法能够对冷轧带钢表面斑迹类缺陷实现可靠、有效的聚合,从而提供更为准确的斑迹类缺陷严重程度的信息,提高智能判定的准确性。本发明提供的关于“边部斑迹类”缺陷聚合判定的方法在冷轧带钢表面质量智能判定上属于首创,实用性好,对冷轧带钢表面质量智能判定奠定了基础,并且可在冷轧板带领域推广使用,具有广阔的应用前景。
本发明提供了一种冷轧带钢表面质量的智能判定方法,包括以下步骤:a) 将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为基于DBSCAN算法的密度聚合;b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。与现有技术相比,本发明提供的冷轧带钢表面质量的智能判定方法能够对冷轧带钢表面斑迹类缺陷实现可靠、有效的聚合,从而提供更为准确的斑迹类缺陷严重程度的信息,提高智能判定的准确性。本发明提供的关于“边部斑迹类”缺陷聚合判定的方法在冷轧带钢表面质量智能判定上属于首创,对冷轧带钢表面质量智能判定奠定了基础,并且可在冷轧板带领域推广使用,具有广阔的应用前景。
为了进一步说明本发明,下面通过以下实施例进行详细说明。
实施例
采用表面质量检测仪对冷轧带钢进行表面缺陷检测,表检仪只会对缺陷进行识别,但是并不会对缺陷进行聚合;根据表检仪输出结果,最大的斑迹缺陷直径仅为50mm;但是,人工通过观察方式,在边部发现大量斑迹缺陷,判定该缺陷为连续的大面积边部缺陷(检测结果为缺陷仍然是孤立点缺陷点,难以直接给出一个边部斑迹缺陷腹杆范围的定义)。
采用本发明上述技术方案将可聚合的斑迹类缺陷进行聚合(利用边部距离筛选出部分缺陷后,再利用DBSCAN进行缺陷聚合)后,得到聚合后的缺陷,覆盖的长度为150000mm,占据表面的大部分面积;通过本发明提供的技术方案能够成功识别出该缺陷严重程度,并做出成功的缺陷严重程度判定,避免了质量问题。
所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种冷轧带钢表面质量的智能判定方法,包括以下步骤:
a)将获得的任意缺陷信息汇总后,进行缺陷聚合,输出聚合后缺陷;所述缺陷聚合的方式为基于DBSCAN算法的密度聚合;
b)依据输出的聚合后缺陷对冷轧带钢表面质量进行判定。
2.根据权利要求1所述的智能判定方法,其特征在于,步骤a)中所述获得任意缺陷信息的方式为采用表面质量检测仪对冷轧带钢进行表面缺陷检测。
3.根据权利要求1所述的智能判定方法,其特征在于,步骤a)中所述汇总的任意缺陷信息包括基础分类器对缺陷进行的初次分类结果、缺陷在表面的相对位置和缺陷的长宽。
4.根据权利要求1所述的智能判定方法,其特征在于,步骤a)中所述缺陷聚合的过程具体为:
a1)生成任意缺陷与其周围的同类型缺陷的连通图,得到多个连通子图;
a2)聚合多个连通子图的结果,得到密度聚合缺陷结果并基于DBSCAN算法输出,得到聚合后缺陷结果。
5.根据权利要求4所述的智能判定方法,其特征在于,步骤a1)中所述连通图根据缺陷的边部距离限制、缺陷的长度阈值和宽度阈值进行限定,将同时满足上述边部距离限制、长度阈值和宽度阈值的缺陷生成连通图;
Pi,d=min(Pi,L,width-Pi,L)<dth;
|Pi,L-Pj,R|≤宽度阈值;
|Pi,T-Pj,B|≤长度阈值;
其中,Pi代表任意缺陷信息,Pj代表任意缺陷相邻的同类型缺陷信息;L、R、T、B代表缺陷左、右、上、下四个位置,d代表缺陷位置距离边部的距离;dth代表边部距离阈值。
6.根据权利要求4所述的智能判定方法,其特征在于,步骤a2)中所述基于DBSCAN算法输出的过程包括表面缺陷密度特征提取。
7.根据权利要求6所述的智能判定方法,其特征在于,所述表面缺陷密度特征提取的过程具体为:
以任意缺陷为中心框选出周围一定范围空间,同时对框选的范围进行网格切分,形成不同区域;
对每个区域统计计算区域内缺陷的总个数Km,n与总面积,当总个数或总面积超过相应阈值时,则对该区域进行密度区域标记;
进一步根据区域中的密度统计,生成冷轧带钢表面缺陷密度特征。
8.根据权利要求7所述的智能判定方法,其特征在于,所述形成不同区域的过程具体为:
以一定的长度方向大小yth及宽度方向大小xth划分出不同的M×N区域;每个区域范围内缺陷集合为:
Δm,n={i|(m-1)xth≤xi≤mxth,(n-1)yth≤yi≤nyth};
其中,i代表任意一个缺陷,0≤m≤M-1,0≤n≤N-1。
9.根据权利要求7所述的智能判定方法,其特征在于,所述密度区域标记包括超高密度样本、高密度样本以及低密度样本;
所述生成的冷轧带钢表面缺陷密度特征包括超高密度区域占比、高密度区域占比和低密度区域占比中的两种以上。
10.根据权利要求1所述的智能判定方法,其特征在于,步骤b)中所述判定的方式为人工检查判定或机器检查判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354786.9A CN112614087B (zh) | 2020-11-27 | 2020-11-27 | 一种冷轧带钢表面质量的智能判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354786.9A CN112614087B (zh) | 2020-11-27 | 2020-11-27 | 一种冷轧带钢表面质量的智能判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614087A true CN112614087A (zh) | 2021-04-06 |
CN112614087B CN112614087B (zh) | 2022-07-19 |
Family
ID=75225592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011354786.9A Active CN112614087B (zh) | 2020-11-27 | 2020-11-27 | 一种冷轧带钢表面质量的智能判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614087B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009288091A (ja) * | 2008-05-29 | 2009-12-10 | Jfe Steel Corp | 鋼帯の表面検査装置及び表面欠陥の検出方法 |
CN108020554A (zh) * | 2017-10-31 | 2018-05-11 | 无锡港湾网络科技有限公司 | 一种带钢表面缺陷识别检测方法 |
CN108074025A (zh) * | 2016-11-10 | 2018-05-25 | 上海宝信软件股份有限公司 | 基于表面缺陷分布特征的钢卷表面缺陷判定方法 |
CN109283248A (zh) * | 2018-09-27 | 2019-01-29 | 华东理工大学 | 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 |
CN110400099A (zh) * | 2019-08-09 | 2019-11-01 | 马鞍山钢铁股份有限公司 | 一种带钢产品表面质量分级方法 |
CN111551567A (zh) * | 2020-07-02 | 2020-08-18 | 厦门大学 | 一种基于条纹投影的物体表面缺陷检测方法及*** |
-
2020
- 2020-11-27 CN CN202011354786.9A patent/CN112614087B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009288091A (ja) * | 2008-05-29 | 2009-12-10 | Jfe Steel Corp | 鋼帯の表面検査装置及び表面欠陥の検出方法 |
CN108074025A (zh) * | 2016-11-10 | 2018-05-25 | 上海宝信软件股份有限公司 | 基于表面缺陷分布特征的钢卷表面缺陷判定方法 |
CN108020554A (zh) * | 2017-10-31 | 2018-05-11 | 无锡港湾网络科技有限公司 | 一种带钢表面缺陷识别检测方法 |
CN109283248A (zh) * | 2018-09-27 | 2019-01-29 | 华东理工大学 | 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 |
CN110400099A (zh) * | 2019-08-09 | 2019-11-01 | 马鞍山钢铁股份有限公司 | 一种带钢产品表面质量分级方法 |
CN111551567A (zh) * | 2020-07-02 | 2020-08-18 | 厦门大学 | 一种基于条纹投影的物体表面缺陷检测方法及*** |
Non-Patent Citations (6)
Title |
---|
YU, ZHIWEI 等: "Based on the TF Fast Clustering Algorithm Steel Surface Defect Feature Extraction and Classification", 《MIPPR 2013: REMOTE SENSING IMAGE PROCESSING, GEOGRAPHIC INFORMATION SYSTEMS, AND OTHER APPLICATIONS》 * |
YU, ZHIWEI 等: "Based on the TF Fast Clustering Algorithm Steel Surface Defect Feature Extraction and Classification", 《MIPPR 2013: REMOTE SENSING IMAGE PROCESSING, GEOGRAPHIC INFORMATION SYSTEMS, AND OTHER APPLICATIONS》, 26 October 2013 (2013-10-26), pages 89212 * |
胡峻峰 等: "基于超像素的木材表面缺陷图像分割算法", 《东北林业大学学报》 * |
胡峻峰 等: "基于超像素的木材表面缺陷图像分割算法", 《东北林业大学学报》, vol. 43, no. 10, 31 October 2015 (2015-10-31), pages 97 - 102 * |
马逐曦: "基于超像素的平面铣削工件表面缺陷视觉检测研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
马逐曦: "基于超像素的平面铣削工件表面缺陷视觉检测研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》, 15 February 2020 (2020-02-15), pages 30 * |
Also Published As
Publication number | Publication date |
---|---|
CN112614087B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989279A (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
US8627251B2 (en) | Systems and methods of automatically detecting failure patterns for semiconductor wafer fabrication processes | |
CN106683076B (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN108647649B (zh) | 一种视频中异常行为的检测方法 | |
CN115018838B (zh) | 用于被氧化钢管材料表面麻点瑕疵的识别方法 | |
CN106251361A (zh) | 一种钢轨表面缺陷图像自适应分割方法 | |
CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN111612784A (zh) | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 | |
CN111524181B (zh) | 一种基于扫描电镜图像分割的多孔材料孔洞自动测量方法 | |
KR20200137219A (ko) | 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치 | |
CN110120218A (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
CN108665703B (zh) | 基于宏观基本图的路网状态转换点判别方法 | |
CN109239553B (zh) | 一种基于局部放电脉冲局部密度的聚类方法 | |
CN111640304B (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
CN113537321B (zh) | 一种基于孤立森林和x均值的网络流量异常检测方法 | |
CN116468728B (zh) | 一种五金冲压件模具生产质量检测方法 | |
CN112633337A (zh) | 一种基于聚类和边界点的不平衡数据处理方法 | |
CN116452873A (zh) | 一种基于多维特征分析的气孔与低密度夹杂分类方法 | |
CN113781483B (zh) | 工业产品外观缺陷检测方法和装置 | |
CN115100188A (zh) | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 | |
CN115631472A (zh) | 一种高速公路行人闯入智能检测方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及*** | |
CN112614087B (zh) | 一种冷轧带钢表面质量的智能判定方法 | |
CN109271902B (zh) | 复杂背景下基于时域经验模态分解的红外弱小目标检测方法 |
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 |