CN113628189A - 一种基于图像识别的快速带钢划痕缺陷检测方法 - Google Patents
一种基于图像识别的快速带钢划痕缺陷检测方法 Download PDFInfo
- Publication number
- CN113628189A CN113628189A CN202110918572.8A CN202110918572A CN113628189A CN 113628189 A CN113628189 A CN 113628189A CN 202110918572 A CN202110918572 A CN 202110918572A CN 113628189 A CN113628189 A CN 113628189A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- block
- gray
- scratch
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 27
- 239000010959 steel Substances 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000009499 grossing Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000903 blocking effect Effects 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000002950 deficient Effects 0.000 claims description 35
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (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图像识别的快速带钢划痕缺陷检测方法,步骤包括:步骤1,获得高清的图像I1;步骤2,对图像I1采用改进的均值漂移平滑算法对图像I1进行背景平滑,增强划痕边缘细节部分,并构造非线性变换函数提高图像对比度,得到图像I3;步骤3,对图像I3进行分块处理,并将子块图像进行子块个数序号标记,再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数、灰度均值、偏态系数SK以及灰度级距离D;步骤4,判断每个子块是否含有划痕缺陷,并对含有缺陷的子块图像进行统计,将带有划痕的子块图像进行拼接获得图像I4。本发明方法,解决了现有算法复杂性过大、算法不稳定和鲁棒性差的问题。
Description
技术领域
本发明属于人工智能技术领域,涉及一种基于图像识别的快速带钢划痕缺陷检测方法。
背景技术
随着科技的发展,汽车、航天、机械电子等高端行业对带钢的表面质量要求越来越高。然而,表面质量主要是产品表面缺陷带来的,其中划痕是轧钢表面常见的缺陷之一。在生产过程中,带钢表面的划痕通常是沿带钢运行方向造成的狭长状,通常有两种类型,分别为高温区划痕和常温区划痕,并且两种划痕造成的颜色不同,前者为浅蓝色或者黑色,后者为灰白色或者呈金属光泽。划痕的严重程度将影响下游用户的生产与使用,因此,如何检测和控制带钢的质量已经成为带钢生产企业亟需解决的热点问题。
目前划痕的检测手段主要是人工开卷检测和基于机器视觉的检测。但是由于长时间工作和嘈杂生产环境的影响,人眼会出现视觉疲劳,难免会产生漏检的情况,检测效果不佳。为了解决该问题,基于图像处理的划痕检测方式被提出用于提高缺陷检测的效率,然而由于生产环境的影响,导致获取的图像清晰,缺陷特征不明显,对后续分割结果带来很大困难,而且算法复杂性将成倍的增加,随之而来的就是算法不稳定和鲁棒性差的问题,而实时检测也很难实现。
发明内容
本发明的目的是提供一种基于图像识别的快速带钢划痕缺陷检测方法,解决了现有技术中存在的算法复杂性过大、算法不稳定和鲁棒性差的问题。
本发明所采用的技术方案是,一种基于图像识别的快速带钢划痕缺陷检测方法,按照以下步骤实施:
步骤1,获取检测图像,
在高亮度LED照明条件下,采用工业相机对带钢上下表面进行实时采集,获得高清的图像I1;
步骤2,对图像I1进行预处理,
采用改进的均值漂移平滑算法对图像I1进行背景平滑,增强划痕边缘细节部分,并构造非线性变换函数提高图像对比度,得到图像I3;
步骤3,对图像I3进行分块处理,并将子块图像按照从上到下从左到右的顺序进行子块个数序号标记,再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数{l1,l2,...,l64}、灰度均值{m1,m2,...,m64}、偏态系数SK以及灰度级距离D;
步骤4,利用偏态系数SK和灰度级距离D判断每个子块是否含有划痕缺陷,并对含有缺陷的子块图像进行统计,将带有划痕的子块图像进行拼接获得图像I4,即成。
本发明的有益效果是,针对由于生产环境的影响,造成获取的图像出现不清晰,缺陷特征不明显,划痕缺陷检测实时难实现的问题。本发明通过改进的均值漂移平滑算法对图像进行背景平滑,增强图像缺陷特征,并且该算法省略分割算法,采用基于分块灰度统计的方法直接去检测子块,判断是否含有缺陷,再将子块进行拼接,可以避免有效处理图像中有阴影、照度不均、对比度不同、突发噪声、背景复杂等情况,为带钢划痕缺陷检测提供一种新的实时检测思路。
附图说明
图1为本发明方法的实施例流程图;
图2为本发明方法中改进的均值漂移平滑的实施例流程图;
图3为本发明方法中构造的非线性变换函数曲线图;
图4a是实施例带钢表面图像I1,图4b是改进均值漂移滤波的效果图像I2;
图5为本发明方法中计算特征的数学模型图;
图6a为本发明方法中的分块无缺陷子图及其灰度直方图,图6b为本发明方法中的分块有缺陷子图及其灰度直方图;
图7a是本发明方法中的经过预处理后图像I3的分块结果,图7b为本发明方法实施例的缺陷检测结果图像I4。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1,本发明基于的带钢划痕缺陷程度的检测方法,按照以下步骤实施:
步骤1,获取检测图像,
在高亮度LED照明条件下,采用工业相机对带钢上下表面进行实时采集,保证在恶劣的钢厂环境下能够获得高清的带钢表面的图像I1;
步骤2,对步骤1获得的图像I1进行预处理,
采用改进的均值漂移平滑算法对图像I1进行背景平滑,增强划痕边缘细节部分,并构造非线性变换函数提高图像对比度,均值漂移平滑的算法流程如图2所示,
2.1)图像I1中的像素点包括两类信息:即坐标空间和颜色空间,将各像素点的坐标值xs和像素点灰度值xr共同构成特征向量X=(xs,xr),设置一个每次迭代平滑的正数阈值σ,选取图像I1左上方第一个像素点x开始进行平滑算法;
2.2)将本次迭代的像素点x记为迭代初始点x0;在第一次迭代时给定一个初始带宽h,取值为10,之后每次迭代按照下式计算空间带宽hs、值域带宽hr以及像素x邻域均值mean,表达式如下:
其中,Ts、Tr表示对固定值h的放大缩小系数,xi为x邻域像素,i=1,2,...,n,n为滑动窗口(带宽)范围内像素点的总个数;
2.3)设M(x)为均值漂移迭代的函数式,其表达式为:
当|M(x)-x|>σ,将M(x)赋值给x,并返回步骤2.2)继续迭代;
当|M(x)-x|≤σ,停止迭代,将此时的迭代中心点x的像素灰度值赋给初始值x0;
2.4)继续对图像I1下一个像素点重复步骤2.2)及步骤2.3),直到遍历图像I1上所有的像素点,得到均值漂移平滑的图像I2,如图4b所示;
2.5)为了提高均值漂移平滑后的图像I2的对比度,构造一个非线性变换函数如公式(5),函数曲线图如图3所示,其目的是保持低灰度值不变(即背景灰度值),拉伸高灰度值(即划痕缺陷灰度值),将接近1区域(即背景灰度区域)的灰度值进一步提升,使背景区域与缺陷区域有更高的对比度,为后续灰度直方图特征值提取的更加准确打下基础,非线性变换函数的表达式如下:
其中,f(x,y)为均值漂移平滑后的图像I2,F(x,y)为经过线性变换后的结果图,记为图像I3;
步骤3,对步骤2得到的图像I3进行分块处理,即分成8*8的子块图像,如图7a所示,并将子块图像按照从上到下从左到右的顺序进行子块个数序号标记,再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数{l1,l2,...,l64}、灰度均值{m1,m2,...,m64}、偏态系数SK以及灰度级距离D,具体过程是:
3.1)确定图像I3尺寸,分块顺序是将图像I3按照从上到下从左到右依次进行分块并对子块进行序号标记,顺序是{B1,B2,...,B64};实施例中,由于划痕缺陷最长0.3毫米,在图像上约占32个像素,因此将512*512的图像分成大小为64*64的子块图像,使占子块中划痕区域占比变大;
3.2)对每个子块图像求取灰度直方图H(k)、灰度均值m={m1,m2,...,m64}以及子块中含有的灰度级的总数{l1,l2,...,l64}的具体步骤是:对子块图像按照0到255灰度级依次搜索,将含有灰度级的总数记为l并统计每个灰度级的像素点的数目Nk,灰度直方图H(k)的表达式是:
其中,N为子块图像的像素总数,k=0,1,...,L-1,灰度级数为L,Nk是图像中灰度为k的像素总数,子块灰度均值m的表达式是:
3.3)由图6a、图6b可见,无缺陷子块图像和有缺陷子块图像在灰度直方图上的形状有明显的差异,表现在无缺陷子块图像的灰度直方图呈对称的形状,而缺陷子块图像的灰度直方图呈现偏右形状;由于划痕缺陷整体的像素值相对于背景较大,划痕在直方图上统计出来整体偏右,这种区别用灰度直方图的偏态系数SK表示,偏态系数SK的表达式是:
其中,N为子块图像的像素总数,m为子块灰度均值,xi为子块中的像素点,
根据灰度直方图初步筛选出疑似子块缺陷图像的判断标准是:
a)当子块图像的灰度直方图偏态系数SK小于0时,说明灰度直方图形状偏左,该子块图像没有划痕缺陷;
b)当子块图像的灰度直方图偏态系数SK等于0时,说明灰度直方图形状呈对称的形状,说明子块图像整体均匀,当划痕长度较小时,统计出来的图像有可能仍然是对称形状,该子块图像被归为疑似划痕缺陷子块;
c)当子块图像的灰度直方图偏态系数SK大于0时,偏态系数越大,说明灰度直方图向右偏离程度也大,该子块图像被归为疑似划痕缺陷子块;
3.4)计算子块图像的灰度直方图灰度级距离D,来检测疑似划痕缺陷子块,
参照图6a、图6b,无缺陷子块图像的灰度级比较集中,而含有划痕缺陷的子块背景部分灰度级比较集中,划痕部分灰度级较高,整体看来灰度级分散程度较大,因此采用灰度级距离来描述这种分散程度,对缺陷子块图像确定一个阈值Ti判断疑似子块图像中是否含有子块缺陷图像,(经过多次处理这一类图像,确定阈值Ti的经验值),具体判断方式是:
其中,缺陷子块的灰度级距离D的表达式是:
式中,m为子块灰度均值,k为均值m对应的灰度级,di为子块中灰度级大小,l为该子块中灰度级总数;
步骤4,利用步骤3得到的偏态系数SK和灰度级距离D判断每个子块是否含有划痕缺陷,并对含有缺陷的子块图像进行统计,将带有划痕的子块图像进行拼接获得图像I4,如图7b所示。
统计划痕区域在水平方向上所占总的块数row、在垂直方向所占的总的块数colum、以及含有划痕的块数所占的面积比ratio,并且根据行业标准对划痕缺陷进行严重程度的判断,具体过程是:
4.1)由于划痕缺陷的方向多变,当划痕缺陷出现时经常导致该缺陷的周围都会被影响,因此统计所有缺陷子块在图像I3垂直方向上和水平方向上所占的块数,就能够体现出划痕最大的影响范围,图像I3分块计算特征的数学模型图如图5所示。
由于子块图像是按照从上到下从左至右的顺序进行编号排列,排成共8行8列方格,如图5所示实施例;当统计图像I3垂直方向上缺陷子块数量时,根据步骤3中判断出的缺陷子块标记,依次判断每一行是否含有缺陷子块,然后将含有缺陷子块的行进行累计用row表示;当统计图像I3水平方向上缺陷子块数量时,根据步骤3.3)和步骤3.4)判断出的缺陷子块标记,依次判断每一列是否含有缺陷子块,然后将含有缺陷子块的列进行累计用column表示,最后统计出缺陷子块与总的分块数目比例ratio;
4.2)根据子块标记序号顺序进行标记,逐列进行拼接,只保留缺陷子块,无缺陷子块区域灰度值的赋值为0,如式(11)所示,以便快速标记出缺陷部分,检测结果如图7b所示:
式中,Bi(x,y)为子块图像,i为分块标记序号;
4.3)根据获得的特征量row、column以及ratio,视特征量的数值大小将该钢板进行严重程度划分,针对不同的用户,判定其为不同的缺陷程度,生成缺陷检验结果图像I4,即成。
Claims (5)
1.一种基于图像识别的快速带钢划痕缺陷检测方法,其特征在于,按照以下步骤实施:
步骤1,获取检测图像,
在高亮度LED照明条件下,采用工业相机对带钢上下表面进行实时采集,获得高清的图像I1;
步骤2,对图像I1进行预处理,
采用改进的均值漂移平滑算法对图像I1进行背景平滑,增强划痕边缘细节部分,并构造非线性变换函数提高图像对比度,得到图像I3;
步骤3,对图像I3进行分块处理,并将子块图像按照从上到下从左到右的顺序进行子块个数序号标记,再按照序号依次利用子块图像的灰度直方图统计子块的灰度级总数{l1,l2,...,l64}、灰度均值{m1,m2,...,m64}、偏态系数SK以及灰度级距离D;
步骤4,利用偏态系数SK和灰度级距离D判断每个子块是否含有划痕缺陷,并对含有缺陷的子块图像进行统计,将带有划痕的子块图像进行拼接获得图像I4,即成。
2.根据权利要求1所述的基于图像识别的快速带钢划痕缺陷检测方法,其特征在于,所述的步骤2中,具体过程是:
2.1)图像I1中的像素点x包括两类信息:即坐标空间和颜色空间,将各像素点的坐标值xs和像素点灰度值xr共同构成特征向量X=(xs,xr),设置一个每次迭代平滑的正数阈值σ,选取图像I1左上方第一个像素点x开始进行平滑算法;
2.2)将本次迭代的像素点x记为迭代初始点x0;在第一次迭代时给定一个初始带宽h,取值为10,之后每次迭代按照下式计算空间带宽hs、值域带宽hr以及像素x邻域均值mean,表达式如下:
其中,Ts、Tr表示对固定值h的放大缩小系数,xi为x邻域像素,i=1,2,...,n,n为滑动窗口范围内像素点的总个数;
2.3)设M(x)为均值漂移迭代的函数式,其表达式为:
当|M(x)-x|>σ,将M(x)赋值给x,并返回步骤2.2)继续迭代;
当|M(x)-x|≤σ,停止迭代,将此时的迭代中心点x的像素灰度值赋给初始值x0;
2.4)继续对图像I1下一个像素点重复步骤2.2)及步骤2.3),直到遍历图像I1上所有的像素点,得到均值漂移平滑的图像I2;
2.5)为了提高均值漂移平滑后的图像I2的对比度,构造一个非线性变换函数如公式(5),非线性变换函数的表达式如下:
其中,f(x,y)为均值漂移平滑后的图像I2,F(x,y)为经过线性变换后的结果图,记为图像I3。
3.根据权利要求1所述的基于图像识别的快速带钢划痕缺陷检测方法,其特征在于,所述的步骤3中,具体过程是:
3.1)确定图像I3尺寸,分块顺序是将图像I3按照从上到下从左到右依次进行分块并对子块进行序号标记,顺序是{B1,B2,...,B64};
3.2)对每个子块图像求取灰度直方图H(k)、灰度均值m={m1,m2,...,m64}以及子块中含有的灰度级的总数{l1,l2,...,l64}的具体步骤是:对子块图像按照0到255灰度级依次搜索,将含有灰度级的总数记为l并统计每个灰度级的像素点的数目Nk,灰度直方图H(k)的表达式是:
其中,N为子块图像的像素总数,k=0,1,...,L-1,灰度级数为L,Nk是图像中灰度为k的像素总数,子块灰度均值m的表达式是:
3.3)由于划痕缺陷整体的像素值相对于背景较大,划痕在直方图上统计出来整体偏右,这种区别用灰度直方图的偏态系数SK表示,偏态系数SK的表达式是:
其中,N为子块图像的像素总数,m为子块灰度均值,xi为子块中的像素点,
根据灰度直方图初步筛选出疑似子块缺陷图像;
3.4)计算子块图像的灰度直方图灰度级距离D,来检测疑似划痕缺陷子块,
采用灰度级距离来描述这种分散程度,对缺陷子块图像确定一个阈值Ti判断疑似子块图像中是否含有子块缺陷图像,具体判断方式是:
其中,缺陷子块的灰度级距离D的表达式是:
式中,m为子块灰度均值,k为均值m对应的灰度级,di为子块中灰度级大小,l为该子块中灰度级总数。
4.根据权利要求3所述的基于图像识别的快速带钢划痕缺陷检测方法,其特征在于,所述的步骤3中,根据灰度直方图初步筛选出疑似子块缺陷图像的判断标准是:
a)当子块图像的灰度直方图偏态系数SK小于0时,说明灰度直方图形状偏左,该子块图像没有划痕缺陷;
b)当子块图像的灰度直方图偏态系数SK等于0时,说明灰度直方图形状呈对称的形状,说明子块图像整体均匀,当划痕长度较小时,统计出来的图像有可能仍然是对称形状,该子块图像被归为疑似划痕缺陷子块;
c)当子块图像的灰度直方图偏态系数SK大于0时,偏态系数越大,说明灰度直方图向右偏离程度也大,该子块图像被归为疑似划痕缺陷子块。
5.根据权利要求1所述的基于图像识别的快速带钢划痕缺陷检测方法,其特征在于,所述的步骤4中,具体过程是:
统计划痕区域在水平方向上所占总的块数row、在垂直方向所占的总的块数colum、以及含有划痕的块数所占的面积比ratio,并且根据行业标准对划痕缺陷进行严重程度的判断,具体过程是:
4.1)统计所有缺陷子块在图像I3垂直方向上和水平方向上所占的块数,就能够体现出划痕最大的影响范围,得到图像I3分块计算特征的数学模型,
当统计图像I3垂直方向上缺陷子块数量时,根据步骤3中判断出的缺陷子块标记,依次判断每一行是否含有缺陷子块,然后将含有缺陷子块的行进行累计用row表示;当统计图像I3水平方向上缺陷子块数量时,根据步骤3.3)和步骤3.4)判断出的缺陷子块标记,依次判断每一列是否含有缺陷子块,然后将含有缺陷子块的列进行累计用column表示,最后统计出缺陷子块与总的分块数目比例ratio;
4.2)根据子块标记序号顺序进行标记,逐列进行拼接,只保留缺陷子块,无缺陷子块区域灰度值的赋值为0,如式(11)所示,以便快速标记出缺陷部分,检测结果如下:
式中,Bi(x,y)为子块图像,i为分块标记序号;
4.3)根据获得的特征量row、column以及ratio,视特征量的数值大小将该钢板进行严重程度划分,针对不同的用户,判定其为不同的缺陷程度,生成缺陷检验结果图像I4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918572.8A CN113628189B (zh) | 2021-08-11 | 2021-08-11 | 一种基于图像识别的快速带钢划痕缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918572.8A CN113628189B (zh) | 2021-08-11 | 2021-08-11 | 一种基于图像识别的快速带钢划痕缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628189A true CN113628189A (zh) | 2021-11-09 |
CN113628189B CN113628189B (zh) | 2023-10-24 |
Family
ID=78384340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918572.8A Active CN113628189B (zh) | 2021-08-11 | 2021-08-11 | 一种基于图像识别的快速带钢划痕缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628189B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114136992A (zh) * | 2021-11-25 | 2022-03-04 | 陕西金之力电子科技有限公司 | 新型的带钢表面缺陷实时在线检测***及方法 |
CN114693652A (zh) * | 2022-04-01 | 2022-07-01 | 南通睿谷纺织科技有限公司 | 基于高斯混合模型的织物缺陷检测方法 |
CN115049736A (zh) * | 2022-08-15 | 2022-09-13 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
CN115049668A (zh) * | 2022-08-16 | 2022-09-13 | 江苏众联管业有限公司 | 基于特征抽取的钢带辊印识别方法 |
CN115239702A (zh) * | 2022-09-19 | 2022-10-25 | 南通金丝楠膜材料有限公司 | 一种塑料薄膜缺陷分析处理方法 |
CN116342589A (zh) * | 2023-05-23 | 2023-06-27 | 之江实验室 | 一种跨视场划痕缺陷连续性检测方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101056465B1 (ko) * | 2010-09-10 | 2011-08-12 | 주식회사 에코마이스터 | 차륜이상검지장치 및 이를 이용한 차륜 검사 시스템 |
CN103743749A (zh) * | 2014-01-03 | 2014-04-23 | 苏州吉视电子科技有限公司 | 片状零件表面质量检测装置和方法 |
CN106157323A (zh) * | 2016-08-30 | 2016-11-23 | 西安工程大学 | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 |
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 |
CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
CN113034464A (zh) * | 2021-03-23 | 2021-06-25 | 昆明理工大学 | 一种多背景下的液晶显示器缺陷视觉实时检测方法 |
-
2021
- 2021-08-11 CN CN202110918572.8A patent/CN113628189B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101056465B1 (ko) * | 2010-09-10 | 2011-08-12 | 주식회사 에코마이스터 | 차륜이상검지장치 및 이를 이용한 차륜 검사 시스템 |
CN103743749A (zh) * | 2014-01-03 | 2014-04-23 | 苏州吉视电子科技有限公司 | 片状零件表面质量检测装置和方法 |
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 |
CN106157323A (zh) * | 2016-08-30 | 2016-11-23 | 西安工程大学 | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 |
CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
CN113034464A (zh) * | 2021-03-23 | 2021-06-25 | 昆明理工大学 | 一种多背景下的液晶显示器缺陷视觉实时检测方法 |
Non-Patent Citations (2)
Title |
---|
LIMEI SONG 等: "Weak Micro-Scratch Detection Based on Deep Convolutional Neural Network", pages 1 - 8, Retrieved from the Internet <URL:《网页在线公开:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8653274》> * |
张立新: "基于表面缺陷检测的金属图像识别", 《技术研讨与交流》, pages 121 - 123 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136992A (zh) * | 2021-11-25 | 2022-03-04 | 陕西金之力电子科技有限公司 | 新型的带钢表面缺陷实时在线检测***及方法 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114693652A (zh) * | 2022-04-01 | 2022-07-01 | 南通睿谷纺织科技有限公司 | 基于高斯混合模型的织物缺陷检测方法 |
CN114693652B (zh) * | 2022-04-01 | 2023-08-25 | 深圳市科宝图像技术有限公司 | 基于高斯混合模型的织物缺陷检测方法 |
CN115049736A (zh) * | 2022-08-15 | 2022-09-13 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
CN115049736B (zh) * | 2022-08-15 | 2022-10-25 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
CN115049668A (zh) * | 2022-08-16 | 2022-09-13 | 江苏众联管业有限公司 | 基于特征抽取的钢带辊印识别方法 |
CN115239702A (zh) * | 2022-09-19 | 2022-10-25 | 南通金丝楠膜材料有限公司 | 一种塑料薄膜缺陷分析处理方法 |
CN115239702B (zh) * | 2022-09-19 | 2024-02-27 | 佛山市官塑科技有限公司 | 一种塑料薄膜缺陷分析处理方法 |
CN116342589A (zh) * | 2023-05-23 | 2023-06-27 | 之江实验室 | 一种跨视场划痕缺陷连续性检测方法和*** |
CN116342589B (zh) * | 2023-05-23 | 2023-08-22 | 之江实验室 | 一种跨视场划痕缺陷连续性检测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN113628189B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628189A (zh) | 一种基于图像识别的快速带钢划痕缺陷检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
Zhu et al. | Yarn-dyed fabric defect detection based on autocorrelation function and GLCM | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN114842027A (zh) | 基于灰度共生矩阵的织物疵点分割方法和*** | |
CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN115170570B (zh) | 基于灰度游程矩阵的织物起毛起球检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN114723705A (zh) | 一种基于图像处理的布匹瑕疵的检测方法 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116990323A (zh) | 一种高精密印刷版视觉检测*** | |
Niu et al. | Data augmentation on defect detection of sanitary ceramics | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及*** | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN117745697A (zh) | 一种基于改进YOLOv8模型的钢材表面缺陷检测算法 |
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 |