CN113870235A - 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 - Google Patents
基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 Download PDFInfo
- Publication number
- CN113870235A CN113870235A CN202111173452.6A CN202111173452A CN113870235A CN 113870235 A CN113870235 A CN 113870235A CN 202111173452 A CN202111173452 A CN 202111173452A CN 113870235 A CN113870235 A CN 113870235A
- Authority
- CN
- China
- Prior art keywords
- quantum
- firework
- edge
- circular
- arc edge
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 238000003708 edge detection Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000035772 mutation Effects 0.000 claims description 9
- 239000002096 quantum dot Substances 0.000 claims description 9
- 238000004880 explosion Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 abstract description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 13
- 229910052802 copper Inorganic materials 0.000 description 13
- 239000010949 copper Substances 0.000 description 13
- 238000012217 deletion Methods 0.000 description 8
- 230000037430 deletion Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000011056 performance test 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
-
- 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
- G06T7/13—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,对采集的圆形冲压件表面图像进行预处理;采用最大类间方差法对图像进行阈值分割,将冲压件从背景中分离;采用改进的分数阶微分检测算子进行梯度计算,对梯度进行非极大值抑制,采用双阈值进行边缘的检测和连接;本发明改进量子烟花算法的烟花位置量子旋转门更新策略,将改进的量子烟花算法去求取圆弧边缘提取的最优参数,完成圆弧边缘的自适应提取,通过圆弧边缘聚类和端点连接分割出各个圆形区域;通过质心偏离标准差实现偏心缺陷识别,通过圆形度大小实现形变缺陷识别,通过边缘点到质心的距离偏差实现边缘缺陷识别。
Description
技术领域
本发明属于冲压件制造和质量检测、机器视觉技术领域,涉及一种基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法。
背景技术
冲压件是采用金属材料,通过冲压设备加工制作的,对于圆形冲压件来说,铸造成型后的元件表面容易产生偏心、形变、缺边等缺陷,具有这些问题的圆形冲压件影响了后续的加工使用。因此,为了进一步提高圆形冲压件后续生产加工的质量,需先对圆形冲压件进行缺陷检测识别。随着图像处理和人工智能的发展,机器视觉技术慢慢代替人工,被广泛的应用于工业零部件的缺陷检测中,实现缺陷的定位、识别和判定,大大提高检测精度和效率。
目前,国内外许多学者主要采用机器视觉与深度学习方法进行加工件缺陷检测。基于机器视觉的缺陷检测方法中,对加工件图像进行预处理后,进行加工件图像目标分割或边缘检测,然后对目标区域进行特征提取和缺陷识别,这类方法主要采用Laplacian、Sobel、Canny等现有的边缘检测方法,受噪声、光照影响较大,而且对于圆形冲压件的边缘检测,主要目标是提取圆弧边缘,目前还没有针对圆弧边缘进行有效检测的成熟方法。在深度学习方法中,采用一个神经网络完成图像分割和分类的常规深度神经网络适应性较强,但这些网络过于复杂,训练周期较长,需要大量的训练样本,而圆形冲压件类别和大小差异大,大量训练样本库的建立困难,对于圆形冲压件缺陷检测不具有针对性。
发明内容
考虑到现有技术存在的空白和不足,本发明的目的在于提供一种基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,对采集的圆形冲压件表面图像进行预处理,先进行灰度变换,再通过高斯滤波消除图像其他纹理信息和环境噪声干扰;采用最大类间方差法对图像进行阈值分割,将冲压件从背景中分离;采用改进的分数阶微分检测算子进行梯度计算,对梯度进行非极大值抑制,采用双阈值进行边缘的检测和连接,对所有的边缘按照像素点的数目进行排序并将像素点过少的噪声边缘移除;边缘检测结果中包含噪声点、圆弧边缘、以及其它边缘,本发明改进量子烟花算法的烟花位置量子旋转门更新策略,将改进的量子烟花算法去求取圆弧边缘提取的最优参数,完成圆弧边缘的自适应提取,通过圆弧边缘聚类和端点连接分割出各个圆形区域;分别提取各圆形区域的质心位置、质心偏离标准差、周长、面积、圆形度、像素半径偏差等几何特征,通过质心偏离标准差实现偏心缺陷识别,通过圆形度大小实现形变缺陷识别,通过边缘点到质心的距离偏差实现边缘缺陷识别。本发明针对圆形冲压件偏心、形变、缺边问题能够实现较为准确并快速的检测,进一步提升了实际生产工作的效率和自动化程度,可代替人工实现圆形冲压件的自动化质量检验。
本发明具体采用以下技术方案:
一种基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于,包括以下步骤:
步骤S1:对采集的圆形冲压件表面图像进行预处理,先进行灰度变换,再通过高斯滤波消除图像其他纹理信息和环境噪声干扰;
步骤S2:将目标与背景剥离开,采用最大类间方差法对图像进行阈值分割,将冲压件从背景中分离;
步骤S3:采用改进的分数阶微分边缘检测方法对圆形冲压件图像进行边缘检测,对所有的边缘按照像素点的数目进行排序并将像素点过少的噪声边缘移除;
步骤S4:采用改进的量子烟花算法对参数进行优化,提取最佳的圆弧边缘,通过圆弧边缘聚类和端点连接分割出各个圆形区域;
步骤S5:进行圆形冲压件的缺陷识别。
进一步地,在步骤S3中,所述改进的分数阶微分边缘检测方法的过程具体包括:
步骤S31:将基于Laplacian的分数阶微分边缘检测算子和基于Sobel的分数阶微分边缘检测算子相结合,构造新的梯度检测算子如下:
G=λ1ω1+(1-λ1)ω2
其中,λ1为加权系数,λ1取值范围:0-1,λ1用于调控两个分数阶微分边缘检测算子的梯度分量;采用新构造的梯度检测算子对圆形冲压件图像进行检测,得到各个像素点的梯度值;其中ω1为基于Laplacian的分数阶微分边缘检测算子的梯度值,ω2为基于Sobel的分数阶微分边缘检测算子的梯度值;
步骤S32:对梯度进行非极大值抑制,寻找出像素点的局部最大值,保留最大值,抑制其它值,将这些值的灰度值置为0,剔除非边缘的像素点;
步骤S33:采用双阈值算法进行边缘的检测和连接;选取两个阈值T1和T2,低阈值T1用于平滑边缘的轮廓,高阈值T2用于区分目标物体和背景,将小于低阈值的点认为是伪边缘置0,将大于高阈值的点认为是真边缘置1,而小于高阈值、大于低阈值的点使用8连通区域确定是否与T2像素连接,只有与T2像素连接才判断为边缘置1。
进一步地,在步骤S4中,所述改进的量子烟花算法的过程具体包括:
(1)烟花位置量子编码:
式中:θjk=2πrand(),j=1,2,…,m,k=1,2,…,n,m为烟花个数;n为空间个数;
(2)烟花位置量子旋转门更新:
对烟花个体的位置采用量子旋转门进行更新,更新公式为:
其中,为当前最优烟花的某个量子比特对应的概率幅,为当前烟花的某个量子比特对应的概率幅,θi表示当前烟花的旋转角,η用于防止陷入局部最优解,η∈(0,0.1),λ的动态调整就可以自适应地控制旋转角的大小,λ∈(0,2),为最终旋转的角度大小,-sgn(Ai)用于控制旋转的方向;
(3)烟花个体变异操作
烟花个体在进行量子旋转门位置更新后,有一定的概率Pn进入量子非门变异操作,其变异操作为:
即,将量子个体中每一维的概率幅αi与βi进行交换,如下式所示:
进一步地,在步骤S4中,采用改进的分数阶微分边缘检测方法对圆形冲压件图像进行边缘检测,以提取最佳的圆弧边缘,具体包括以下步骤:
步骤S41:初始化量子烟花算法参数和迭代次数,采用初始的分数阶系数v、λ1构建梯度检测算子进行梯度计算,得到各个像素点的梯度值,对梯度进行非极大值抑制,采用初始的T1和T2阈值进行边缘的检测和连接;
步骤S42:对所有的边缘按照像素点的数目进行排序并将像素点过少的噪声边缘移除;
步骤S43:圆弧边缘提取的适应度计算:对每一条边缘分别使用最小二乘法拟合圆和三点共圆求得半径R1和R2、圆心C1和C2,筛选R1和R2及C1和C2偏差较小的边缘为圆弧边缘;以提取完整、连续、齐全的圆弧边缘为目标进行适应度函数构造:
其中,N为圆弧边缘的数量,ln为圆弧边缘长度;
步骤S44:通过***生成***火花,利用改进的量子旋转门更新策略对烟花个体进行概率变异操作;
步骤S45:采用当前火花、烟花集合中的v、λ1、T1和T2参数进行边缘检测和适应度值计算,更新适应度值;
步骤S46:计算火花吸引点、粒子进化参数和收缩扩张系数,对每个火花***生成量子行为火花,选择下一代烟花;
步骤S47:选择适应度最好的火花作为新一代的烟花,判断是否达到最大迭代次数,如果不满足就返回步骤S4继续迭代,如果满足就输出适应度值对应的圆弧边缘检测结果;
步骤S48:将半径和圆心坐标的偏差在一定范围内的圆弧边缘聚成一类,并进行圆弧边缘端点连接,对于端点间距离较大区域,搜索最近圆弧边缘进行端点连接,最终形成多个圆形区域。
进一步地,在步骤S5中,通过质心偏离标准差实现偏心缺陷识别。
进一步地,通过质心偏离标准差实现偏心缺陷识别具体为:
分别计算各圆形区域的质心位置,分别表示为O(x1,y1)、O(x2,y2)、……、O(xN,yN),并统计它们的平均质心位置O(x0,y0),然后计算偏离标准差:
标准圆形冲压件的偏离标准差σ趋近于0,当偏离标准差σ大于标准值时判为偏心缺陷。
进一步地,通过圆形度大小实现形变缺陷识别。
进一步地,通过圆形度大小实现形变缺陷识别具体为:
分别计算各个圆形区域的实际周长和面积,周长L是根据边缘的像素个数进行统计,面积Aj则是统计了填充区域图像中的像素个数:
在针对圆形的形变缺陷检测时,通过检测到的周长和面积进行计算,以此来辅助判断圆形区域是否形变,其范围在0-1之间,则公式如下:
当一个图形越接近于圆形时,这个值就越接近于1,当于圆形度低于标准值时判为形变缺陷。
进一步地,通过边缘点到质心的距离偏差实现边缘缺陷识别。
进一步地,通过边缘点到质心的距离偏差实现边缘缺陷识别具体为:分别计算各圆形区域边缘像素点到质心的距离,也就是像素半径,分别表示为R1、R2、……、RN,并统计它们的平均距离R0;将像素半径偏差|Rn-R0|超出一定范围所对应的点提取出来,即这些点所在的区域即为冲压件存在的边缘缺陷位置。
与现有技术相比,本发明及其优选方案采用改进的分数阶微分算子进行边缘检测,改进量子烟花算法的烟花位置量子旋转门更新策略,并用于求取圆弧边缘提取的最优参数,完成圆弧边缘的自适应提取,通过圆弧边缘聚类和端点连接分割出各个圆形区域,分别提取各圆形区域的几何特征进行缺陷识别。本发明改进的量子旋转门更新策略对烟花个体进行概率变异操作,提高算法的全局最优搜索能力,保证了收敛速度。本发明能提取完整、连续、齐全的圆弧边缘,可完整的分割出各个圆形区域,针对圆形冲压件存在的偏心、形变、缺边问题能够实现较为准确并快速的检测,通过本发明提出的缺陷检测方法可代替人工进行质量检验,自动化确定质量是否符合生产需求。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例自适应圆弧边缘提取流程示意图。
图2为本发明实施例五种基于量子的智能算法求解matyas的迭代过程示意图。
图3为本发明实施例圆弧边缘检测结果及比较示意图。
图4为本发明实施例圆弧边缘检测结果及比较示意图1。
图5为本发明实施例圆弧边缘检测结果及比较示意图2(圆形铜冲压件①检测结果)。
图6为本发明实施例圆弧边缘检测结果及比较示意图3(圆形铜冲压件②检测结果)。
图7为本发明实施例圆弧边缘检测结果及比较示意图4(圆形铜冲压件③检测结果)。
图8为本发明实施例所设计的圆形铜冲压件检测***界面示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
首先对本实施例所采用的主要技术分别进行介绍。
1.图像预处理和目标分割
使用加权平均法对图像进行灰度化处理,并通过高斯滤波对图像去噪。高斯滤波器***函数采用的方式较为平滑,可以针对原始图像中的数据信息进行转换,降低噪声的干扰,得到保存较好的图像边缘。然后采用最大类间方差法对图像进行阈值分割,将冲压件从背景中分离。
2.基于改进量子烟花算法的圆弧边缘提取
2.1量子烟花算法改进
(1)烟花位置量子编码
式中:θjk=2πrand(),j=1,2,…,m,k=1,2,…,n,m为烟花个数;n为空间个数。
(2)烟花位置量子旋转门更新策略改进
对烟花个体的位置采用量子旋转门进行更新,更新公式为:
其中,为当前最优烟花的某个量子比特对应的概率幅,为当前烟花的某个量子比特对应的概率幅,θi表示当前烟花的旋转角,η用于防止陷入局部最优解,η∈(0,0.1),λ的动态调整就可以自适应地控制旋转角的大小,λ∈(0,2),为最终旋转的角度大小,-sgn(Ai)用于控制旋转的方向;(3)烟花个体变异操作
烟花个体在进行量子旋转门位置更新后,有一定的概率Pn进入量子非门变异操作,其变异操作为:
即将量子个体中每一维的概率幅αi与βi进行交换,如下式所示:
利用量子旋转门对烟花个体进行概率变异操作,提高算法的全局最优搜索能力,保证了收敛速度。
2.2改进的分数阶微分边缘检测方法
分数阶微分可以大幅提升信号高频成分、增强信号中频成分、非线性保留信号低频成分,采用分数阶微分进行边缘检测时,不仅能较好地提取图像边缘信息,还能保留图像平滑区域内灰度变化不大的纹理细节信息,一定程度上对噪声具有抑制作用。
2.2.1基于Laplacian的分数阶微分边缘检测算子
Laplacian算子表达式是以二阶偏微分形式给出的,该算子在实际操作中强调图像中灰度的突变及降低灰度缓慢变化的区域,将产生一幅把图像中的浅灰色边缘和突变点叠加到暗背景中的图像。
选择具备边缘检测和抑制噪声能力较好的Laplacian模板中满足45°旋转的各向同性的模板来进行边缘检测处理。如上所示。在数字图像中,利用8邻域算子对上述区域进行卷积运算得到像素点(x,y)处8邻域梯度的微分形式为:
用分数阶微分来替换式(6)中的整数阶微分进行运算,得到新的微分形式如下:
梯度值为:
2.2.2基于Sobel的分数阶微分边缘检测算子
Sobel边缘检测算法检测沿不同方向边缘时梯度幅度一致,对应的水平梯度和竖直梯度算子如下:
利用水平梯度和竖直梯度算子对3×3区域进行卷积运算得到像素点(x,y)处的水平梯度微分形式和竖直梯度微分形式分别为:
GR(x,y)的微分形式为:
同样可得GC(x,y)的微分形式:
将式(10)和(11)中的整数阶微分运算用分数阶微分来替换,得到新模型如下:
梯度值:
2.2.3改进的分数阶微分边缘检测具体实现方法
鉴于Sobel和Laplacian各自的优势、以及分数阶微分的优点,将上述得到的两种基于分数阶微分得到的边缘检测算子相结合进行边缘检测,步骤如下:
(1)将基于Laplacian的分数阶微分边缘检测算子和基于Sobel的分数阶微分边缘检测算子相结合,构造新的梯度检测算子如下:
G=λ1ω1+(1-λ1)ω2 (15)
其中,λ1为加权系数,λ1取值范围:0-1,λ1用于调控两个分数阶微分边缘检测算子的梯度分量。采用新构造的梯度检测算子对圆形冲压件图像进行检测,得到各个像素点的梯度值。
(2)对梯度进行非极大值抑制,寻找出像素点的局部最大值,保留最大值,抑制其它值,将这些值的灰度值置为0,剔除一大部分非边缘的像素点。
(3)采用双阈值算法进行边缘的检测和连接。选取两个阈值T1和T2,低阈值T1用于平滑边缘的轮廓,高阈值T2用于区分目标物体和背景,将小于低阈值的点认为是伪边缘置0,将大于高阈值的点认为是真边缘置1,而小于高阈值、大于低阈值的点使用8连通区域确定是否与T2像素连接,只有与T2像素连接才判断为边缘置1。
2.3适应度圆弧边缘提取
采用改进的分数阶微分边缘检测方法对圆形冲压件图像进行边缘检测,检测结果中包含噪声点、圆弧边缘、以及其它边缘,需进一步处理以提取圆弧边缘。为减少人工干预,自适应提取圆弧边缘,本发明采用改进的量子烟花算法对分数阶系数v、加权系数λ1、阈值T1和T2等参数进行优化,提取最佳的圆弧边缘,实现流程如图1所示,具体步骤如下:
(1)初始化量子烟花算法参数和迭代次数,采用初始的v、λ1构建梯度检测算子进行梯度计算,得到各个像素点的梯度值,对梯度进行非极大值抑制,采用初始的T1和T2阈值进行边缘的检测和连接。
(2)对所有的边缘按照像素点的数目进行排序并将像素点过少的噪声边缘移除。
(3)圆弧边缘提取的适应度计算。对每一条边缘分别使用最小二乘法拟合圆和三点共圆求得半径R1和R2、圆心C1和C2,筛选R1和R2及C1和C2偏差较小的边缘为圆弧边缘。以提取完整、连续、齐全的圆弧边缘为目标进行适应度函数构造:
其中,N为圆弧边缘的数量,ln为圆弧边缘长度。
(4)通过***生成***火花,利用改进的量子旋转门更新策略对烟花个体进行概率变异操作。
(5)采用当前火花、烟花集合中的v、λ1、T1和T2参数进行边缘检测和适应度值计算,更新适应度值。
(6)计算火花吸引点、粒子进化参数和收缩扩张系数,对每个火花***生成量子行为火花,选择下一代烟花。
(7)选择适应度最好的火花作为新一代的烟花,判断是否达到最大迭代次数,如果不满足就返回步骤(4)继续迭代,如果满足就输出适应度值对应的圆弧边缘检测结果。
(8)将半径和圆心坐标的偏差在一定范围内的圆弧边缘聚成一类,并进行圆弧边缘端点连接,对于端点间距离较大区域,搜索最近圆弧边缘进行端点连接,最终形成多个圆形区域。
3.圆形冲压件缺陷检测
经过自适应圆弧边缘提取后,从圆形冲压件图像中分割出多个圆形区域,可根据这些圆形区域的几何特征进行缺陷识别。
3.1偏心缺陷识别
标准圆形冲压件的各个圆形区域的质心是重合的,当圆形冲压件产生偏心后,分各个圆形区域的质心位置产生一定的偏离。分别计算各圆形区域的质心位置,分别表示为O(x1,y1)、O(x2,y2)、……、O(xN,yN),并统计它们的平均质心位置O(x0,y0),然后计算偏离标准差:
标准圆形冲压件的偏离标准差σ趋近于0,当偏离标准差σ大于标准值时判为偏心缺陷。
3.2形变缺陷识别
分别计算各个圆形区域的实际周长和面积,周长L是根据边缘的像素个数进行统计,面积Aj则是统计了填充区域图像中的像素个数
在针对圆形的形变缺陷检测时,通常借助圆形度来表征提取区域的圆形程度,可以通过上面检测到的周长和面积进行计算,以此来辅助判断圆形区域是否形变,其范围在0-1之间,则公式如下:
当一个图形越接近于圆形时,这个值就越接近于1,当于圆形度低于标准值时判为形变缺陷。
3.3边缘缺陷识别
分别计算各圆形区域边缘像素点到质心的距离,也就是像素半径,分别表示为R1、R2、……、RN,并统计它们的平均距离R0。当各个圆形区域为标准圆时,各边缘点的像素半径基本相等,其方差等于0。但若圆形存在缺陷时,则会存在“不合群”的数值,本发明将像素半径偏差|Rn-R0|超出一定范围所对应的点提取出来,即这些点所在的区域即为冲压件存在的边缘缺陷位置。
4.整体实现流程与步骤
综上所述,基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其具体实现步骤如下:
步骤1、对采集的圆形冲压件表面图像进行预处理,先进行灰度变换,再通过高斯滤波消除图像其他纹理信息和环境噪声干扰。
步骤2、将目标与背景剥离开,采用最大类间方差法对图像进行阈值分割,将冲压件从背景中分离。
步骤3、采用改进的分数阶微分边缘检测方法对圆形冲压件图像进行边缘检测,对所有的边缘按照像素点的数目进行排序并将像素点过少的噪声边缘移除。
步骤4、采用改进的量子烟花算法对分数阶系数v、加权系数λ1、阈值T1和T2等参数进行优化,提取最佳的圆弧边缘,通过圆弧边缘聚类和端点连接分割出各个圆形区域。
步骤5、圆形冲压件的缺陷识别,通过质心偏离标准差实现偏心缺陷识别,通过圆形度大小实现形变缺陷识别,通过边缘点到质心的距离偏差实现边缘缺陷识别。
5.具体的实施例及说明
5.1改进的量子烟花算法性能测试
为了验证所提改进量子烟花算法的优势,本发明与现有的量子衍生优化算法进行实验对比分析,采用式(20)的matyas函数测试,该函数最小值在(0,0)点取为0,最大迭代次数设为300。实验过程的参数设置:烟花个数N=20,***火花个数Si=100、高斯变异火花数GM=40、非门变异概率Pn=0.25。
实验结果如表1所示,几种量子衍生优化算法的迭代过程如图2所示:
表1量子烟花与其他几种智能算法寻优测试对比
评价指标 | QGA | QBFA | QWPEA | FWA | QFWA |
最优值 | 3.5837e-06 | 5.4514e-12 | 7.3680e-14 | 6.170652e-42 | 1.509681e-44 |
平均值 | 0.0013 | 5.7287e-10 | 4.6820e-05 | 5.365249e-40 | 2.280149e-42 |
方差 | 2.2599e-06 | 3.7431e-19 | 2.5108e-08 | 3.896138e-79 | 1.188046e-83 |
由实验结果可知,改进的量子烟花算法在最优值、平均值及方差上的表现均优于其他几种算法。本发明改进的量子烟花算法由于在烟花算法的基础上进行量子旋转门和非门变异操作,使得算法能够跳出局部最优,一定程度上加快了算法收敛速度。
5.2自适应圆弧边缘提取效果
这里以圆形铜冲压件的检测效果为例,铜圆形冲压件图像如图3(a)所示,灰度变换和高斯滤波后如图3(b)所示,采用改进的量子烟花算法得到最优参数v=0.7、加权系数λ1=0.56、阈值T1=0.21和T2=0.86,提取最佳的圆弧边缘,通过圆弧边缘聚类和端点连接后如图3(c)所示,提取了完整、连续、齐全的圆弧边缘,可完整的分割出各个圆形区域。传统的Roberts算子、Sobel算子、Lapiacian算子、Canny算子提取的边缘,如图3(d)(e)(f)(g)所示,提取的圆弧边缘缺失、不连续、带有噪声边缘,本实施例算法的圆弧边缘检测效果最好。
5.3圆形冲压件缺陷检测效果
这里以3个带缺陷的圆形铜冲压件的检测效果为例,3个圆形铜冲压件图像如图4的(a)、(b)、(c)所示,缺陷检测结果如图5-图7所示:圆形铜冲压件①的各圆形区域的质心基本重合,不存在偏心缺陷,不存在形变现象,但最小圆形区域存在缺边现象;圆形铜冲压件②的各圆形区域的质心偏离标准差较大,存在偏心缺陷,不存在形变现象,但最大圆形区域存在缺边现象;圆形铜冲压件③的各圆形区域的质心偏离标准差较大,存在偏心缺陷,不存在缺边现象,但最大圆形区域存在形变现象。本实施例方法可有效检测出圆形铜冲压件的偏心、形变、缺边等缺陷。
根据以上设计的算法编程获得的检测***界面如图8所示,为进一步验证***的缺陷检测精度,随机选取5000个圆形铜冲压件进行测试,结果统计如表2所示,平均检测准确度达到96.91%,偏心缺陷的检测精度较高,个别形变较小和缺边不明显的缺陷产生误识别,平均检测时间为0.319秒,检测效率高。
表2三种缺陷检测结果
缺陷类型 | 实际值 | 检测值 | 准确度 |
偏心 | 66个 | 67个 | 98.51% |
形变 | 73个 | 71个 | 97.26% |
缺边 | 97个 | 94个 | 96.91% |
平均值 | 79个 | 77个 | 97.47% |
8.本实施例的优点及用途
本发明提出一种基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,采用改进的分数阶微分算子进行边缘检测,改进量子烟花算法的烟花位置量子旋转门更新策略,并用于求取圆弧边缘提取的最优参数,完成圆弧边缘的自适应提取,通过圆弧边缘聚类和端点连接分割出各个圆形区域,分别提取各圆形区域的几何特征进行缺陷识别。本发明改进的量子旋转门更新策略对烟花个体进行概率变异操作,提高算法的全局最优搜索能力,保证了收敛速度。本发明能提取完整、连续、齐全的圆弧边缘,可完整的分割出各个圆形区域,针对圆形冲压件存在的偏心、形变、缺边问题能够实现较为准确并快速的检测,通过本发明提出的缺陷检测方法可代替人工进行质量检验,自动化确定质量是否符合生产需求。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (10)
1.一种基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于,包括以下步骤:
步骤S1:对采集的圆形冲压件表面图像进行预处理,先进行灰度变换,再通过高斯滤波消除图像其他纹理信息和环境噪声干扰;
步骤S2:将目标与背景剥离开,采用最大类间方差法对图像进行阈值分割,将冲压件从背景中分离;
步骤S3:采用改进的分数阶微分边缘检测方法对圆形冲压件图像进行边缘检测,对所有的边缘按照像素点的数目进行排序并将像素点过少的噪声边缘移除;
步骤S4:采用改进的量子烟花算法对参数进行优化,提取最佳的圆弧边缘,通过圆弧边缘聚类和端点连接分割出各个圆形区域;
步骤S5:进行圆形冲压件的缺陷识别。
2.根据权利要求1所述的基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于:在步骤S3中,所述改进的分数阶微分边缘检测方法的过程具体包括:
步骤S31:将基于Laplacian的分数阶微分边缘检测算子和基于Sobel的分数阶微分边缘检测算子相结合,构造新的梯度检测算子如下:
G=λ1ω1+(1-λ1)ω2
其中,λ1为加权系数,λ1取值范围:0-1,λ1用于调控两个分数阶微分边缘检测算子的梯度分量;采用新构造的梯度检测算子对圆形冲压件图像进行检测,得到各个像素点的梯度值;其中ω1为基于Laplacian的分数阶微分边缘检测算子的梯度值,ω2为基于Sobel的分数阶微分边缘检测算子的梯度值;
步骤S32:对梯度进行非极大值抑制,寻找出像素点的局部最大值,保留最大值,抑制其它值,将这些值的灰度值置为0,剔除非边缘的像素点;
步骤S33:采用双阈值算法进行边缘的检测和连接;选取两个阈值T1和T2,低阈值T1用于平滑边缘的轮廓,高阈值T2用于区分目标物体和背景,将小于低阈值的点认为是伪边缘置0,将大于高阈值的点认为是真边缘置1,而小于高阈值、大于低阈值的点使用8连通区域确定是否与T2像素连接,只有与T2像素连接才判断为边缘置1。
3.根据权利要求2所述的基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于:在步骤S4中,所述改进的量子烟花算法的过程具体包括:
(1)烟花位置量子编码:
式中:θjk=2πrand(),j=1,2,…,m,k=1,2,…,n,m为烟花个数;n为空间个数;
(2)烟花位置量子旋转门更新:
对烟花个体的位置采用量子旋转门进行更新,更新公式为:
其中,为当前最优烟花的某个量子比特对应的概率幅,为当前烟花的某个量子比特对应的概率幅,θi表示当前烟花的旋转角,η用于防止陷入局部最优解,η∈(0,0.1),λ的动态调整用于自适应地控制旋转角的大小,λ∈(0,2),为最终旋转的角度大小,-sgn(Ai)用于控制旋转的方向;
(3)烟花个体变异操作
烟花个体在进行量子旋转门位置更新后,有一定的概率Pn进入量子非门变异操作,其变异操作为:
即,将量子个体中每一维的概率幅αi与βi进行交换,如下式所示:
4.根据权利要求3所述的基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于:在步骤S4中,采用改进的分数阶微分边缘检测方法对圆形冲压件图像进行边缘检测,以提取最佳的圆弧边缘,具体包括以下步骤:
步骤S41:初始化量子烟花算法参数和迭代次数,采用初始的分数阶系数v、λ1构建梯度检测算子进行梯度计算,得到各个像素点的梯度值,对梯度进行非极大值抑制,采用初始的T1和T2阈值进行边缘的检测和连接;
步骤S42:对所有的边缘按照像素点的数目进行排序并将像素点过少的噪声边缘移除;
步骤S43:圆弧边缘提取的适应度计算:对每一条边缘分别使用最小二乘法拟合圆和三点共圆求得半径R1和R2、圆心C1和C2,筛选R1和R2及C1和C2偏差较小的边缘为圆弧边缘;以提取完整、连续、齐全的圆弧边缘为目标进行适应度函数构造:
其中,N为圆弧边缘的数量,ln为圆弧边缘长度;
步骤S44:通过***生成***火花,利用改进的量子旋转门更新策略对烟花个体进行概率变异操作;
步骤S45:采用当前火花、烟花集合中的v、λ1、T1和T2参数进行边缘检测和适应度值计算,更新适应度值;
步骤S46:计算火花吸引点、粒子进化参数和收缩扩张系数,对每个火花***生成量子行为火花,选择下一代烟花;
步骤S47:选择适应度最好的火花作为新一代的烟花,判断是否达到最大迭代次数,如果不满足就返回步骤S4继续迭代,如果满足就输出适应度值对应的圆弧边缘检测结果;
步骤S48:将半径和圆心坐标的偏差在一定范围内的圆弧边缘聚成一类,并进行圆弧边缘端点连接,对于端点间距离较大区域,搜索最近圆弧边缘进行端点连接,最终形成多个圆形区域。
5.根据权利要求1所述的基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于:在步骤S5中,通过质心偏离标准差实现偏心缺陷识别。
7.根据权利要求1所述的基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于:通过圆形度大小实现形变缺陷识别。
9.根据权利要求1所述的基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于:通过边缘点到质心的距离偏差实现边缘缺陷识别。
10.根据权利要求9所述的基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法,其特征在于:通过边缘点到质心的距离偏差实现边缘缺陷识别具体为:分别计算各圆形区域边缘像素点到质心的距离,也就是像素半径,分别表示为R1、R2、……、RN,并统计它们的平均距离R0;将像素半径偏差|Rn-R0|超出一定范围所对应的点提取出来,即这些点所在的区域即为冲压件存在的边缘缺陷位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111173452.6A CN113870235B (zh) | 2021-10-08 | 2021-10-08 | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111173452.6A CN113870235B (zh) | 2021-10-08 | 2021-10-08 | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870235A true CN113870235A (zh) | 2021-12-31 |
CN113870235B CN113870235B (zh) | 2024-07-19 |
Family
ID=79002161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111173452.6A Active CN113870235B (zh) | 2021-10-08 | 2021-10-08 | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870235B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862849A (zh) * | 2022-07-06 | 2022-08-05 | 山东智领新材料有限公司 | 一种基于图像处理的铝合板覆膜效果评估方法 |
CN114998329A (zh) * | 2022-07-28 | 2022-09-02 | 启东市嘉信精密机械有限公司 | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析*** |
CN115049653A (zh) * | 2022-08-15 | 2022-09-13 | 凤芯微电子科技(聊城)有限公司 | 基于计算机视觉的集成电路板质量检测*** |
CN115578357A (zh) * | 2022-10-21 | 2023-01-06 | 中国人民解放军战略支援部队信息工程大学 | 基于量子算法的医学图像边缘检测方法及*** |
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116883415A (zh) * | 2023-09-08 | 2023-10-13 | 东莞市旺佳五金制品有限公司 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
CN117635620A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市嘉熠精密自动化科技有限公司 | 一种基于图像处理的电路板缺陷检测方法及*** |
CN117689677A (zh) * | 2024-02-01 | 2024-03-12 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、***、设备及介质 |
CN117830139A (zh) * | 2024-03-01 | 2024-04-05 | 天津世亚模具股份有限公司 | 一种高强度冲压件缺陷检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247954A (ja) * | 2002-02-26 | 2003-09-05 | Sumitomo Metal Mining Co Ltd | 円形体周縁部の欠陥検出方法 |
US20180315198A1 (en) * | 2017-04-27 | 2018-11-01 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Kernal approximation on fractional differential operator for edge detection |
CN108846602A (zh) * | 2018-05-30 | 2018-11-20 | 广东工业大学 | 一种基于量子烟花算法的物流运输调度方法及装置 |
CN109636745A (zh) * | 2018-11-28 | 2019-04-16 | 陕西理工大学 | 基于分数阶微分图像增强算法的最佳阶图像增强方法 |
CN110599509A (zh) * | 2019-08-02 | 2019-12-20 | 西安理工大学 | 一种基于八方向分数阶微分算子的边缘检测方法 |
CN112801892A (zh) * | 2021-01-11 | 2021-05-14 | 中国民航大学 | 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法 |
CN112926620A (zh) * | 2021-01-21 | 2021-06-08 | 国网山东省电力公司检修公司 | 一种变压器套管局部放电的缺陷类型识别方法及*** |
-
2021
- 2021-10-08 CN CN202111173452.6A patent/CN113870235B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247954A (ja) * | 2002-02-26 | 2003-09-05 | Sumitomo Metal Mining Co Ltd | 円形体周縁部の欠陥検出方法 |
US20180315198A1 (en) * | 2017-04-27 | 2018-11-01 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Kernal approximation on fractional differential operator for edge detection |
CN108846602A (zh) * | 2018-05-30 | 2018-11-20 | 广东工业大学 | 一种基于量子烟花算法的物流运输调度方法及装置 |
CN109636745A (zh) * | 2018-11-28 | 2019-04-16 | 陕西理工大学 | 基于分数阶微分图像增强算法的最佳阶图像增强方法 |
CN110599509A (zh) * | 2019-08-02 | 2019-12-20 | 西安理工大学 | 一种基于八方向分数阶微分算子的边缘检测方法 |
CN112801892A (zh) * | 2021-01-11 | 2021-05-14 | 中国民航大学 | 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法 |
CN112926620A (zh) * | 2021-01-21 | 2021-06-08 | 国网山东省电力公司检修公司 | 一种变压器套管局部放电的缺陷类型识别方法及*** |
Non-Patent Citations (4)
Title |
---|
NILANJAN DEY ET AL: "Firefly Algorithm and Its Variants in Digital Image Processing: A Comprehensive Review", 《SPRINGER LINK》, 10 November 2019 (2019-11-10) * |
张桂梅;孙晓旭;陈彬彬;刘建新;: "结合分数阶微分和Canny算子的边缘检测", 中国图象图形学报, no. 08, 16 August 2016 (2016-08-16) * |
王斌;蒲亦非;周激流;: "一种新的分数阶微分的图像边缘检测算子", 计算机应用研究, no. 08, 15 August 2012 (2012-08-15) * |
蔡延光;陈厚仁;戚远航;: "变邻域量子烟花算法求解CVRP", 计算机工程与应用, no. 09, 30 May 2018 (2018-05-30) * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862849B (zh) * | 2022-07-06 | 2022-09-20 | 山东智领新材料有限公司 | 一种基于图像处理的铝合板覆膜效果评估方法 |
CN114862849A (zh) * | 2022-07-06 | 2022-08-05 | 山东智领新材料有限公司 | 一种基于图像处理的铝合板覆膜效果评估方法 |
CN114998329A (zh) * | 2022-07-28 | 2022-09-02 | 启东市嘉信精密机械有限公司 | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析*** |
CN115049653A (zh) * | 2022-08-15 | 2022-09-13 | 凤芯微电子科技(聊城)有限公司 | 基于计算机视觉的集成电路板质量检测*** |
CN115578357B (zh) * | 2022-10-21 | 2023-11-21 | 中国人民解放军战略支援部队信息工程大学 | 基于量子算法的医学图像边缘检测方法及*** |
CN115578357A (zh) * | 2022-10-21 | 2023-01-06 | 中国人民解放军战略支援部队信息工程大学 | 基于量子算法的医学图像边缘检测方法及*** |
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116091504B (zh) * | 2023-04-11 | 2023-08-11 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116091504B8 (zh) * | 2023-04-11 | 2023-09-15 | 重庆大学 | 基于图像处理的连接管连接头质量检测方法 |
CN116883415A (zh) * | 2023-09-08 | 2023-10-13 | 东莞市旺佳五金制品有限公司 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
CN116883415B (zh) * | 2023-09-08 | 2024-01-05 | 东莞市旺佳五金制品有限公司 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
CN117635620A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市嘉熠精密自动化科技有限公司 | 一种基于图像处理的电路板缺陷检测方法及*** |
CN117635620B (zh) * | 2024-01-26 | 2024-04-16 | 深圳市嘉熠精密自动化科技有限公司 | 一种基于图像处理的电路板缺陷检测方法及*** |
CN117689677A (zh) * | 2024-02-01 | 2024-03-12 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、***、设备及介质 |
CN117689677B (zh) * | 2024-02-01 | 2024-04-16 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、***、设备及介质 |
CN117830139A (zh) * | 2024-03-01 | 2024-04-05 | 天津世亚模具股份有限公司 | 一种高强度冲压件缺陷检测方法 |
CN117830139B (zh) * | 2024-03-01 | 2024-04-30 | 天津世亚模具股份有限公司 | 一种高强度冲压件缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113870235B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113870235B (zh) | 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN103886589B (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN106875395B (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN112579823B (zh) | 基于特征融合和增量滑动窗口的视频摘要生成方法及*** | |
CN108830831B (zh) | 一种基于改进surf匹配的锌浮选泡沫自然速度特征提取方法 | |
CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
CN114092478B (zh) | 一种异常检测方法 | |
CN116071339A (zh) | 一种基于改进鲸鱼算法优化svm的产品缺陷识别方法 | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN117788472A (zh) | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 | |
CN112381140B (zh) | 一种基于新特征参数的磨粒图像机器学习识别方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及*** | |
CN111950409B (zh) | 一种道路标记线智能识别方法及*** | |
CN115063603A (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 | |
CN110060270B (zh) | 一种适用于低成像质量多边形管状物体的边缘检测方法 | |
CN116704268B (zh) | 面向动态变化复杂场景的强鲁棒目标检测方法 |
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 |