CN114202532A - 一种喷涂缺陷的检测方法、装置、设备及存储介质 - Google Patents

一种喷涂缺陷的检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114202532A
CN114202532A CN202111529643.1A CN202111529643A CN114202532A CN 114202532 A CN114202532 A CN 114202532A CN 202111529643 A CN202111529643 A CN 202111529643A CN 114202532 A CN114202532 A CN 114202532A
Authority
CN
China
Prior art keywords
spraying
target
product
detection area
defect
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.)
Pending
Application number
CN202111529643.1A
Other languages
English (en)
Inventor
李剑楠
许承聪
鲁刚
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.)
Suzhou Jingsi Bozhi Artificial Intelligence Technology Co ltd
Original Assignee
Suzhou Jingsi Bozhi Artificial Intelligence Technology Co ltd
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 Suzhou Jingsi Bozhi Artificial Intelligence Technology Co ltd filed Critical Suzhou Jingsi Bozhi Artificial Intelligence Technology Co ltd
Priority to CN202111529643.1A priority Critical patent/CN114202532A/zh
Publication of CN114202532A publication Critical patent/CN114202532A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10024—Color image

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)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种喷涂缺陷的检测方法、装置、设备及存储介质。其中，该方法包括：获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域；根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；根据各喷涂状态描述参数，计算与目标喷涂产品匹配的缺陷量化指数；如果确定缺陷量化指数大于或者等于预设的门限值，则确定目标喷涂产品为不合格喷涂产品，并确定与目标喷涂产品对应的缺陷类型。本发明实施例，解决了对喷涂产品是否合格进行判断的问题，实现了对喷涂产品的检测能力的提高，并且对不合格喷涂产品的缺陷类型进行分类。

Description

一种喷涂缺陷的检测方法、装置、设备及存储介质
技术领域
本发明实施例涉及计算机视觉和数据处理技术，尤其涉及一种喷涂缺陷的检测方法、装置、设备及存储介质。
背景技术
现有的喷涂产品在生产过程中会因为设备老化、调试不佳、空气中的温度和湿度变化等原因，从而对油漆的粘度和含水率产生影响，导致了喷涂产品在生产过程中参数的变化，最终影响了喷涂产品的图案质量。
发明人在发明的过程中发现现有技术的缺陷为：工人的目测是目前工厂解决本问题的唯一手段，存在干扰因素众多。比如说，干扰因素可以是人为、灯光和天气等因素，导致了大量的不良品漏检流出，且无法溯源分析不合格喷涂产品的产生原因。由于喷涂产品的标准无法量化，导致了判定合格与否纯为个人的主观感知，无法准确地判定产品的质量及有效的分类。从而直接的影响是交到客户的产品中由于认知的不同而出现有不合格喷涂产品，或者判定过于严苛生产的喷涂产品合格率过低的情况，无论哪种情况都会对公司的经济效益和声誉带来严重的影响。
发明内容
本发明实施例提供了一种喷涂缺陷的检测方法、装置、设备及存储介质，以实现对喷涂产品是否合格进行判断的问题，实现了对喷涂产品的检测能力的提高。
第一方面，本发明实施例提供了一种喷涂缺陷的检测方法，其中，包括：
获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域，其中，目标喷涂产品使用单一颜色进行外表面喷涂后得到；
根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；
根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；
如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
进一步的，所述获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域，包括：获取针对所述目标喷涂产品进行拍摄后得到的原始拍摄图像，并对所述原始拍摄图像进行二值化处理，得到所述喷涂检测灰度图；通过边缘检测技术在所述喷涂检测灰度图中进行闭合区域的识别，并将识别到的闭合区域，确定为所述目标检测区域。
进一步的，所述根据喷涂颜色和目标检测区域内各像素点的像素值，计算与目标喷涂产品匹配的喷涂状态描述参数，包括：根据目标检测区域内各像素点的像素值，形成区域像素矩阵；并根据所述区域像素矩阵和预设的多个卷积核，形成多个边缘特征矩阵；其中，不同卷积核用于提取所述目标检测区域内不同位置的边缘特征；根据由所述喷涂颜色确定的边缘提取阈值，对各所述边缘特征矩阵中的矩阵元素进行量化处理；根据量化处理结果，形成与每个边缘特征矩阵分别对应的矩阵元素累加值，作为所述喷涂状态描述参数。
进一步的，所述根据喷涂颜色和目标检测区域内各像素点的像素值，计算与目标喷涂产品匹配的喷涂状态描述参数，包括：根据由所述喷涂颜色确定的亮度门限阈值，以及目标检测区域内各像素点的像素值，计算得到所述目标检测区域的亮度值，作为所述喷涂状态描述参数。
进一步的，所述根据目标检测区域的形态，计算与目标喷涂产品匹配的喷涂状态描述参数，包括：根据所述目标检测区域的形态，计算与所述目标检测区域对应的周长以及面积；将所述周长除以所述面积的比值，作为所述喷涂状态描述参数。
进一步的，所述根据目标检测区域内各像素点的像素值，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数，包括：获取与所述目标喷涂产品匹配的标准喷涂图样；计算所述目标检测区域内各像素点的像素值，与所述标准喷涂图样内各像素点的像素值之间的像素差异值；将所述像素差异值，作为所述喷涂状态描述参数。
进一步的，所述确定与所述目标喷涂产品对应的缺陷类型，包括：将所述目标检测区域输入至预先训练的缺陷分类模型中，获取所述缺陷分类模型输出的所述缺陷类型；其中，所述缺陷类型包括：拉丝、毛边、漏底、重油、变形或者歪斜。
第二方面，本发明实施例还提供了一种喷涂缺陷的检测装置，该喷涂缺陷的检测装置包括：
目标检测区域识别模块，用于获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域，其中，目标喷涂产品使用单一颜色进行外表面喷涂后得到；
喷涂状态描述参数计算模块，用于根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；
缺陷量化指数计算模块，用于根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；
缺陷类型确定模块，用于如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如本发明任意实施例所述的喷涂缺陷的检测方法。
第四方面，本发明实施例还提供了一种包含计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如本发明任意实施例所述的喷涂缺陷的检测方法。
本发明实施例所提供的技术方案，通过获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域；根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。本发明实施例，通过上述方法，解决了对喷涂产品是否合格进行判断的问题，实现了对喷涂产品的检测能力的提高，并且对不合格喷涂产品的缺陷类型进行分类。
附图说明
图1为本发明实施例一提供的一种喷涂缺陷的检测方法的流程图；
图2为本发明实施例二提供的另一种喷涂缺陷的检测方法的流程图；
图3是本发明实施例三提供的一种喷涂缺陷的检测装置的结构示意图；
图4是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例的说明书和权利要求书及附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
实施例一
图1为本发明实施例一提供的一种喷涂缺陷的检测方法的流程图。本实施例可适用于在产品外表面进行喷涂处理得到喷涂产品之后，去检测对喷涂产品的喷涂效果是否合格的情况。本实施例的方法可以由喷涂缺陷的检测装置执行，该装置可以通过软件和/或硬件的方式实现，该装置可配置于服务器或者终端设备中。
相应的，该方法具体包括如下步骤：
S110、获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域。
其中，目标喷涂产品使用单一颜色进行外表面喷涂后得到。
其中，喷涂检测灰度图可以是对目标喷涂产品进行拍摄后得到的原始拍摄图像(一般为彩色图像)，并对原始拍摄图像进行二值化处理得到的灰度图。喷涂产品可以是车辆、航天器件和家具制造等产品。目标检测区域可以在喷涂检测灰度图中目标喷涂产品所在的区域。
可选的，所述获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域，可以包括：获取针对所述目标喷涂产品进行拍摄后得到的原始拍摄图像，并对所述原始拍摄图像进行二值化处理，得到所述喷涂检测灰度图；通过边缘检测技术在所述喷涂检测灰度图中进行闭合区域的识别，并将识别到的闭合区域，确定为所述目标检测区域。
其中，原始拍摄图像可以是使用照相机和手机等电子拍摄设备对目标喷涂产品进行拍摄后，得到的彩色图像。二值化处理可以是将图像上的点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。边缘检测技术可以是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点，图像属性中的显著变化通常反映了属性的重要事件和变化。闭合区域可以是通过边缘检测技术在喷涂检测灰度图中找到目标喷涂产品匹配的目标检测区域。
示例性的，假设一辆汽车，需要对该汽车表面使用红色来进行喷涂。当对该汽车完成喷涂之后，需要对其喷涂的效果进行检测。首先需要对该汽车进行拍摄，可以得到关于该汽车的原始拍摄图像。进一步的，需要对原始拍摄图像进行二值化处理，进而得到关于该汽车的原始拍摄图像的喷涂检测灰度图。由于拍摄该汽车的原始拍摄图像，不能完全避免不去拍摄到其他环境或者事物等。因此，通过在边缘检测技术在喷涂检测灰度图中，识别出闭合区域，进而将识别到的闭合区域，确定为目标检测区域，即为需要检测该汽车的喷涂检测灰度图。
在本实施例中，首先需要目标喷涂产品进行拍摄，能够获取得到原始拍摄图像。具体的，目标喷涂产品使用单一颜色进行外表面喷涂后得到。进一步的，对原始拍摄图像进行二值化处理，进而得到喷涂检测灰度图。相应的，通过在边缘检测技术在喷涂检测灰度图中，识别出闭合区域，进而将识别到的闭合区域，确定为目标检测区域。
这样设置的好处在于：通过对原始拍摄图像进行二值化处理，得到喷涂检测灰度图，进一步地，通过边缘检测技术在喷涂检测灰度图中进行闭合区域的识别，并将其确定为目标检测区域。这样可以直接定位原始拍摄图像能中目标喷涂产品所在区域，从而能够更好地对目标喷涂产品进行检测。
S120、根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数。
其中，目标检测区域的形态可以是目标喷涂产品在拍摄后，拍摄图像中关于该目标喷涂产品的目标检测区域的形状的描述，可以包括目标检测区域周长和目标检测区域的面积等参数描述。
其中，喷涂状态描述参数可以是对目标喷涂产品进行喷涂情况进行描述，可以由目标检测区域内各像素点的像素值、目标喷涂产品的喷涂颜色和目标检测区域的形态来共同计算而得到。
具体的，该喷涂状态描述参数可以是与目标检测区域对应的至少一项图像边缘特征信息，或者是该目标检测区域的图像亮度描述信息，还可以是该目标检测区域的周长和面积的比值等可以从一定程度上反映喷涂效果的信息，本实施例对此并不进行限制。
在一个具体的例子中，如果在进行单色整体喷涂时，如果喷涂的足够均匀，则在目标检测区域内各像素点的像素值应该差异不大，应该均为白点或者均为黑点，具体是白点还是黑点，这与实际的喷涂颜色有关。基于此，在确定出目标检测区域的亮度值后，通过结合喷涂颜色，可以确定出喷涂效果不好的像素点的数量值，进而可以将图像亮度描述信息作为一项喷涂状态描述参数。
S130、根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数。
其中，缺陷量化指数可以是根据多个喷涂状态描述参数进行加权求和而计算得到的值，可以根据缺陷量化指数来反映目标喷涂产品的是否合格。
续前例，计算出与目标喷涂产品匹配的喷涂状态描述参数，具体的，喷涂状态描述参数分别为F1、F2、F3、F4和F5，并且喷涂状态描述参数F1对应的加权值α1、喷涂状态描述参数F2对应的加权值α2、喷涂状态描述参数F3对应的加权值α3、喷涂状态描述参数F4对应的加权值α4和喷涂状态描述参数F5对应的加权值α5。则可以计算出缺陷量化指数的值，具体为，缺陷量化指数可以根据下式进行计算：
F＝α1F1+α2F2+α3F3+α4F4+α5F5
进一步的，可以根据缺陷量化指数F对应的值的大小。
S140、如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
其中，缺陷类型可以是目标喷涂产品喷涂后，可能存在的缺陷类型，可以包括拉丝、毛边、漏底、重油、变形或者歪斜等缺陷类型。
续前例，当根据各喷涂状态描述参数，计算出与目标喷涂产品匹配的缺陷量化指数F时，需要判断缺陷量化指数F是否大于或者等于预设的门限值。如果缺陷量化指数F大于或者等于预设的门限值，则目标喷涂产品为不合格喷涂产品；如果缺陷量化指数F小于预设的门限值，则目标喷涂产品为合格喷涂产品。并且将不合格的目标喷涂产品，进行缺陷类型的分类。
可选的，所述确定与所述目标喷涂产品对应的缺陷类型，包括：将所述目标检测区域输入至预先训练的缺陷分类模型中，获取所述缺陷分类模型输出的所述缺陷类型；其中，所述缺陷类型包括：拉丝、毛边、漏底、重油、变形或者歪斜。
其中，缺陷分类模型可以是能够将不合格的目标喷涂产品对应的目标检测区域进行分类的模型。具体的，缺陷分类模型输出的缺陷类型可以包括拉丝、毛边、漏底、重油、变形或者歪斜等。
这样设置的好处在于：通过将目标检测区域输入至预先训练的缺陷分类模型中，从而能够得到缺陷分类模型输出的缺陷类型。从而可以根据缺陷类型进一步地反映给工作人员，从而能够及时地对不合格的喷涂产品进行处理操作。
本发明实施例所提供的技术方案，通过获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域；根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。本发明实施例，通过上述方法，解决了对喷涂产品是否合格进行判断的问题，实现了对喷涂产品的检测能力的提高，并且对不合格喷涂产品的缺陷类型进行分类。
实施例二
图2为本发明实施例一提供的另一种喷涂缺陷的检测方法的流程图。本实施例以上述各实施例为基础进行细化，在本实施例中，对根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数进一步地细化。
相应的，该方法具体包括如下步骤：
S210、获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域。
S220、根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数。
具体的，S2201-S2203、S2211、S2221-S2222以及S2231-S2233，分别描述了计算得到四种类型的喷涂状态描述参数，在实际应用中，可以计算上述四种类型的喷涂状态描述参数中的一项、多项或者是全部，并根据计算结果，计算与所述目标喷涂产品匹配的缺陷量化指数。
S2201、根据目标检测区域内各像素点的像素值，形成区域像素矩阵；并根据所述区域像素矩阵和预设的多个卷积核，形成多个边缘特征矩阵；
其中，不同卷积核用于提取所述目标检测区域内不同位置的边缘特征；
其中，不同像素点对应不同的二维图像坐标，可以通过建立二维图像坐标与矩阵行列位置之间的映射，形成区域像素矩阵。区域像素矩阵可以是由目标检测区域内各像素点的像素值组成的矩阵，来对目标检测区域进行表示。预设的多个卷积核可以是根据不同的卷积核分别提取目标检测区域不同的特征。一个边缘特征矩阵可以是根据区域像素矩阵和一个卷积核进行卷积求解得到的，用来描述经过该卷积核处理后得到一个边缘特征集合。
具体的，上述的计算公式如下：
Figure BDA0003410253550000111
其中，I是识别出目标检测区域的喷涂检测灰度图；I(x,y)是目标检测区域内x,y位置的像素点对应的像素值；K是卷积核，K(a,b)是卷积核中对应的值；A和B为卷积核的长和宽；X和Y是识别出目标检测区域的喷涂检测灰度图的大小；G为卷积核处理后所有特征的总和。
具体的，根据目标检测区域内x,y位置的像素点对应的像素值I(x,y)，以及卷积核中对应的值K(a,b)进行卷积，求解出边缘特征矩阵中x,y位置对应的边缘特征值为G(x,y)。对目标检测区域内的所有边缘特征值相加，得到对应的卷积核处理后所有特征的总和G。在上式中可以选择不同的卷积核来进行卷积，分别提取不同的图像特征。
示例性的，假设卷积核分别为K1、K2、K3和K4，使用上述卷积公式，分别可以得到相应的G1、G2、G3和G4。
S2202、根据由所述喷涂颜色确定的边缘提取阈值，对各所述边缘特征矩阵中的矩阵元素进行量化处理。
其中，边缘提取阈值可以是边缘特征矩阵中的矩阵元素进行黑和白判定时，设定的阈值，可以进一步的对各边缘特征矩阵中的矩阵元素进行量化处理。
当选取的喷涂颜色较深时，但是目标喷涂产品的颜色相对于喷涂颜色要浅时，选取的阈值越大，也即大于边缘提取阈值时，量化值F为1，判别为白；反之，量化值F为0，判别为黑。从而根据量化处理得到的量化值，从而计算喷涂状态描述参数。
再者，当选取的喷涂颜色较浅时，但是目标喷涂产品的颜色相对于喷涂颜色要深时，选取的阈值越小，也即大于边缘提取阈值时，量化值F为0，判别为黑；反之，量化值F为1，判别为白。从而根据量化处理得到的量化值，从而计算喷涂状态描述参数。
具体的，当选取的喷涂颜色较深时，但是目标喷涂产品的颜色相对于喷涂颜色要浅时，则可以根据下述公式进行量化处理：
Figure BDA0003410253550000121
其中，当边缘特征矩阵中的矩阵元素大于边缘提取阈值127时，则量化值F为1，即判别为白。当边缘特征矩阵中的矩阵元素小于或者等于边缘提取阈值，则量化值F为0，即判别为黑。
示例性的，假设边缘特征矩阵
Figure BDA0003410253550000131
设定边缘提取阈值为127。具体的，当边缘特征矩阵中的矩阵元素大于边缘提取阈值，则量化值F为1，即判别为白。当边缘特征矩阵中的矩阵元素小于或者等于边缘提取阈值，则量化值F为0，即判别为黑。进一步地，根据量化处理，边缘特征矩阵
Figure BDA0003410253550000132
进一步的，当选取的喷涂颜色较浅时，但是目标喷涂产品的颜色相对于喷涂颜色要深时，则可以根据下述公式进行量化处理：
Figure BDA0003410253550000133
其中，当边缘特征矩阵中的矩阵元素大于边缘提取阈值127时，则量化值F为0，即判别为黑。当边缘特征矩阵中的矩阵元素小于或者等于边缘提取阈值，则量化值F为1，即判别为白。
示例性的，假设边缘特征矩阵
Figure BDA0003410253550000134
设定边缘提取阈值为127。具体的，当边缘特征矩阵中的矩阵元素大于边缘提取阈值，则量化值F为0，即判别为黑。当边缘特征矩阵中的矩阵元素小于或者等于边缘提取阈值，则量化值F为1，即判别为白。进一步地，根据量化处理，边缘特征矩阵
Figure BDA0003410253550000135
S2203、根据量化处理结果，形成与每个边缘特征矩阵分别对应的矩阵元素累加值，作为所述喷涂状态描述参数。
续前例，在计算出边缘特征矩阵
Figure BDA0003410253550000141
之后，也即得到量化处理结果，进一步的，计算每个边缘特征矩阵分别对应的矩阵元素累加值，作为喷涂状态描述参数。进而，喷涂状态描述参数F1＝3。同理，可以计算出相应的F2、F3和F4。进一步的，由于选取的喷涂颜色较深，目标喷涂产品的颜色相对于喷涂颜色要浅。当计算出F1、F2、F3和F4的量化值越大，说明判别为白的量化值越多。说明此时喷涂之后的目标喷涂产品出现不合格的概率越大，具体的，目标喷涂产品对应的缺陷类型可以包括漏底等。
同理可得，在计算出边缘特征矩阵
Figure BDA0003410253550000142
之后，也即得到量化处理结果，进一步的，计算每个边缘特征矩阵分别对应的矩阵元素累加值，作为喷涂状态描述参数。进而，喷涂状态描述参数F1＝6。同理，可以计算出相应的F2、F3和F4。进一步的，由于选取的喷涂颜色较浅，目标喷涂产品的颜色相对于喷涂颜色要深。当计算出F1、F2、F3和F4的量化值越大，说明判别为黑的量化值越多。说明此时喷涂之后的目标喷涂产品出现不合格的概率越大，具体的，目标喷涂产品对应的缺陷类型可以包括漏底等。
S2211、根据由所述喷涂颜色确定的亮度门限阈值，以及目标检测区域内各像素点的像素值，计算得到所述目标检测区域的亮度值，作为所述喷涂状态描述参数。
其中，亮度门限阈值可以是给目标检测区域的亮度值设定的门限阈值。
具体的，当目标检测区域的亮度值大于亮度门限阈值，需要将其对应的目标检测区域内各像素点的像素值进行累加，计算出喷涂状态描述参数。示例性的，当选取的喷涂颜色较深，目标喷涂产品的颜色相对于喷涂颜色要浅时，则可以确定喷涂颜色的亮度较低，但是目标喷涂产品的颜色的亮度较高。进一步的，由喷涂颜色确定的亮度门限阈值则会越大。根据公式F＝sum[I(x,y)>190]进行计算，计算出的喷涂状态描述参数F值越大，证明此时喷涂之后的目标喷涂产品出现不合格的概率越大。反之，计算出的喷涂状态描述参数F值越小，证明此时喷涂之后的目标喷涂产品出现不合格的概率越小。
同理，当选取的喷涂颜色较浅，目标喷涂产品的颜色相对于喷涂颜色要深时，则可以确定喷涂颜色的亮度较高，但是目标喷涂产品的颜色的亮度较浅。进一步的，由喷涂颜色确定的亮度门限阈值则会越小。从而可以计算喷涂状态描述参数F，进一步地判定目标喷涂产品喷涂的合格率。
S2221、根据所述目标检测区域的形态，计算与所述目标检测区域对应的周长以及面积。
S2222、将所述周长除以所述面积的比值，作为所述喷涂状态描述参数。
其中，目标检测区域对应的面积可以根据目标检测区域的形态，具体的，可以使用目标检测区域内各像素点的像素值来进行计算。
示例性的，可以根据目标检测区域的形态，计算出喷涂状态描述参数
Figure BDA0003410253550000151
当计算出的F6值越大，说明目标检测区域的周长相对于目标检测区域的面积来说，目标检测区域的周长太长，存在不合理的现象。可以说明此时喷涂之后的目标喷涂产品出现不合格的概率越大，具体的，目标喷涂产品对应的缺陷类型可以包括毛边或者变形等。反之，说明此时喷涂之后的目标喷涂产品出现不合格的概率越小。
S2231、获取与所述目标喷涂产品匹配的标准喷涂图样。
其中，标准喷涂图样可以是目标喷涂产品对应的喷涂模板图样。
S2232、计算所述目标检测区域内各像素点的像素值，与所述标准喷涂图样内各像素点的像素值之间的像素差异值。
其中，像素差异值可以是目标检测区域内各像素点的像素值与标准喷涂图样内各像素点的像素值计算两者之间的差值，得到像素差异值。
S2233、将所述像素差异值，作为所述喷涂状态描述参数。
具体的，可以根据像素差异值，进一步地计算喷涂状态描述参数F7。当计算出的F7越大，说明目标检测区域内各像素点的像素值与标准喷涂图样内各像素点的像素值之间的像素差异值越大，进一步地说明此时喷涂之后的目标喷涂产品出现不合格的概率越大。当计算出的F7越小，说明目标检测区域内各像素点的像素值与标准喷涂图样内各像素点的像素值之间的像素差异值越小，进一步地说明此时喷涂之后的目标喷涂产品出现不合格的概率越小。
进一步的，喷涂状态描述参数F7主要可以反映出，喷涂之后的目标喷涂产品的图像与标准喷涂图样是否存在大面积的缺失，因此F7相对于其他喷涂状态描述参数来说，F7相对应的加权值较大，占的比重较高。
S230、根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数。
S240、判断所述缺陷量化指数是否大于或者等于预设的门限值。若是，执行S250；若否，执行S260。
S250、确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
S260、确定所述目标喷涂产品为合格喷涂产品。
续前例，根据计算出的喷涂状态描述参数F1、F2、F3、F4、F5、F6和F7，不同的喷涂状态描述参数分别分配不同的权重，则可以设F1、F2、F3、F4、F5、F6和F7分别对应的权重值为α1、α2、α3、α4、α5、α6和α7，则可以根据下式计算出目标喷涂产品匹配的缺陷量化指数：
F＝α1(F1-β1)+α2(F2-β1)+α3(F3-β1)+α4(F4-β1)+α5(F5-β2)+α6F6+α7F7
进一步的，从而对目标喷涂产品是否合格进行判断。
本发明实施例所提供的技术方案，通过获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域；根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。本发明实施例，通过上述方法，通过多方面的因素，来计算喷涂状态描述参数，从而使得计算得到的喷涂状态描述参数更加准确。进一步的根据喷涂状态描述参数来计算缺陷量化指数，从而对目标喷涂产品是否合格进行判断，进而实现了对喷涂产品的检测能力的提高，并且可以对不合格喷涂产品的缺陷类型进行分类，更好的反馈给工作人员进行处理。
实施例三
图3是本发明实施例三提供的一种喷涂缺陷的检测装置的结构示意图，本实施例所提供的一种喷涂缺陷的检测装置可以通过软件和/或硬件来实现，可配置于服务器或者终端设备中来实现本发明实施例中的一种喷涂缺陷的检测方法。如图3所示，该装置具体可包括：目标检测区域识别模块310、喷涂状态描述参数计算模块320、缺陷量化指数计算模块330和缺陷类型确定模块340。
其中，目标检测区域识别模块310，用于获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域，其中，目标喷涂产品使用单一颜色进行外表面喷涂后得到；
喷涂状态描述参数计算模块320，用于根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；
缺陷量化指数计算模块330，用于根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；
缺陷类型确定模块340，用于如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
本发明实施例所提供的技术方案，通过获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域；根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。本发明实施例，通过上述方法，解决了对喷涂产品是否合格进行判断的问题，实现了对喷涂产品的检测能力的提高，并且对不合格喷涂产品的缺陷类型进行分类。
在上述各实施例的基础上，目标检测区域识别模块310，可以具体用于：获取针对所述目标喷涂产品进行拍摄后得到的原始拍摄图像，并对所述原始拍摄图像进行二值化处理，得到所述喷涂检测灰度图；通过边缘检测技术在所述喷涂检测灰度图中进行闭合区域的识别，并将识别到的闭合区域，确定为所述目标检测区域。
在上述各实施例的基础上，喷涂状态描述参数计算模块320，可以具体用于：根据目标检测区域内各像素点的像素值，形成区域像素矩阵；并根据所述区域像素矩阵和预设的多个卷积核，形成多个边缘特征矩阵；其中，不同卷积核用于提取所述目标检测区域内不同位置的边缘特征；根据由所述喷涂颜色确定的边缘提取阈值，对各所述边缘特征矩阵中的矩阵元素进行量化处理；根据量化处理结果，形成与每个边缘特征矩阵分别对应的矩阵元素累加值，作为所述喷涂状态描述参数。
在上述各实施例的基础上，喷涂状态描述参数计算模块320，可以具体用于：根据由所述喷涂颜色确定的亮度门限阈值，以及目标检测区域内各像素点的像素值，计算得到所述目标检测区域的亮度值，作为所述喷涂状态描述参数。
在上述各实施例的基础上，喷涂状态描述参数计算模块320，可以具体用于：根据所述目标检测区域的形态，计算与所述目标检测区域对应的周长以及面积；将所述周长除以所述面积的比值，作为所述喷涂状态描述参数。
在上述各实施例的基础上，喷涂状态描述参数计算模块320，可以具体用于：获取与所述目标喷涂产品匹配的标准喷涂图样；计算所述目标检测区域内各像素点的像素值，与所述标准喷涂图样内各像素点的像素值之间的像素差异值；将所述像素差异值，作为所述喷涂状态描述参数。
在上述各实施例的基础上，缺陷类型确定模块340，可以具体用于：将所述目标检测区域输入至预先训练的缺陷分类模型中，获取所述缺陷分类模型输出的所述缺陷类型；其中，所述缺陷类型包括：拉丝、毛边、漏底、重油、变形或者歪斜。
上述喷涂缺陷的检测装置可执行本发明任意实施例所提供的喷涂缺陷的检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种计算机设备的结构图。如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的喷涂缺陷的检测方法对应的程序指令/模块(例如，目标检测区域识别模块310、喷涂状态描述参数计算模块320、缺陷量化指数计算模块330和缺陷类型确定模块340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的喷涂缺陷的检测方法，该方法包括：获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域；根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可读存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种喷涂缺陷的检测方法，该方法包括：获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域；根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
当然，本发明实施例所提供的一种包含计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的喷涂缺陷的检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述喷涂缺陷的检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种喷涂缺陷的检测方法，其特征在于，包括：
获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域，其中，目标喷涂产品使用单一颜色进行外表面喷涂后得到；
根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；
根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；
如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
2.根据权利要求1所述的方法，其特征在于，所述获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域，包括：
获取针对所述目标喷涂产品进行拍摄后得到的原始拍摄图像，并对所述原始拍摄图像进行二值化处理，得到所述喷涂检测灰度图；
通过边缘检测技术在所述喷涂检测灰度图中进行闭合区域的识别，并将识别到的闭合区域，确定为所述目标检测区域。
3.根据权利要求1或2所述的方法，其特征在于，所述根据喷涂颜色和目标检测区域内各像素点的像素值，计算与目标喷涂产品匹配的喷涂状态描述参数，包括：
根据目标检测区域内各像素点的像素值，形成区域像素矩阵；并根据所述区域像素矩阵和预设的多个卷积核，形成多个边缘特征矩阵；
其中，不同卷积核用于提取所述目标检测区域内不同位置的边缘特征；
根据由所述喷涂颜色确定的边缘提取阈值，对各所述边缘特征矩阵中的矩阵元素进行量化处理；
根据量化处理结果，形成与每个边缘特征矩阵分别对应的矩阵元素累加值，作为所述喷涂状态描述参数。
4.根据权利要求1或2所述的方法，其特征在于，所述根据喷涂颜色和目标检测区域内各像素点的像素值，计算与目标喷涂产品匹配的喷涂状态描述参数，包括：
根据由所述喷涂颜色确定的亮度门限阈值，以及目标检测区域内各像素点的像素值，计算得到所述目标检测区域的亮度值，作为所述喷涂状态描述参数。
5.根据权利要求1或2所述的方法，其特征在于，所述根据目标检测区域的形态，计算与目标喷涂产品匹配的喷涂状态描述参数，包括：
根据所述目标检测区域的形态，计算与所述目标检测区域对应的周长以及面积；
将所述周长除以所述面积的比值，作为所述喷涂状态描述参数。
6.根据权利要求1或2所述的方法，其特征在于，所述根据目标检测区域内各像素点的像素值，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数，包括：
获取与所述目标喷涂产品匹配的标准喷涂图样；
计算所述目标检测区域内各像素点的像素值，与所述标准喷涂图样内各像素点的像素值之间的像素差异值；
将所述像素差异值，作为所述喷涂状态描述参数。
7.根据权利要求1所述的方法，其特征在于，所述确定与所述目标喷涂产品对应的缺陷类型，包括：
将所述目标检测区域输入至预先训练的缺陷分类模型中，获取所述缺陷分类模型输出的所述缺陷类型；
其中，所述缺陷类型包括：拉丝、毛边、漏底、重油、变形或者歪斜。
8.一种喷涂缺陷的检测装置，其特征在于，包括：
目标检测区域识别模块，用于获取喷涂检测灰度图，并在喷涂检测灰度图中识别与目标喷涂产品匹配的目标检测区域，其中，目标喷涂产品使用单一颜色进行外表面喷涂后得到；
喷涂状态描述参数计算模块，用于根据喷涂颜色、目标检测区域的形态和目标检测区域内各像素点的像素值中的至少一项，计算与目标喷涂产品匹配的至少一个喷涂状态描述参数；
缺陷量化指数计算模块，用于根据各所述喷涂状态描述参数，计算与所述目标喷涂产品匹配的缺陷量化指数；
缺陷类型确定模块，用于如果确定所述缺陷量化指数大于或者等于预设的门限值，则确定所述目标喷涂产品为不合格喷涂产品，并确定与所述目标喷涂产品对应的缺陷类型。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的喷涂缺陷的检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一所述的喷涂缺陷的检测方法。
CN202111529643.1A 2021-12-14 2021-12-14 一种喷涂缺陷的检测方法、装置、设备及存储介质 Pending CN114202532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111529643.1A CN114202532A (zh) 2021-12-14 2021-12-14 一种喷涂缺陷的检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111529643.1A CN114202532A (zh) 2021-12-14 2021-12-14 一种喷涂缺陷的检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114202532A true CN114202532A (zh) 2022-03-18

Family

ID=80653657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111529643.1A Pending CN114202532A (zh) 2021-12-14 2021-12-14 一种喷涂缺陷的检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114202532A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114858737A (zh) * 2022-04-24 2022-08-05 广汽丰田汽车有限公司 汽车喷涂质量检测方法
CN115082463A (zh) * 2022-08-22 2022-09-20 聊城市宁泰电机有限公司 基于图像数据的发电机端盖视觉检测方法
CN115561249A (zh) * 2022-11-09 2023-01-03 松乐智能装备(深圳)有限公司 一种喷涂设备的智能化监测方法及***
CN116030065A (zh) * 2023-03-31 2023-04-28 云南琰搜电子科技有限公司 一种基于图像识别的道路质量检测方法
CN117474910A (zh) * 2023-12-27 2024-01-30 陕西立拓科源科技有限公司 一种用于电机质量的视觉检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114858737A (zh) * 2022-04-24 2022-08-05 广汽丰田汽车有限公司 汽车喷涂质量检测方法
CN115082463A (zh) * 2022-08-22 2022-09-20 聊城市宁泰电机有限公司 基于图像数据的发电机端盖视觉检测方法
CN115561249A (zh) * 2022-11-09 2023-01-03 松乐智能装备(深圳)有限公司 一种喷涂设备的智能化监测方法及***
CN116030065A (zh) * 2023-03-31 2023-04-28 云南琰搜电子科技有限公司 一种基于图像识别的道路质量检测方法
CN117474910A (zh) * 2023-12-27 2024-01-30 陕西立拓科源科技有限公司 一种用于电机质量的视觉检测方法
CN117474910B (zh) * 2023-12-27 2024-03-12 陕西立拓科源科技有限公司 一种用于电机质量的视觉检测方法

Similar Documents

Publication Publication Date Title
CN114202532A (zh) 一种喷涂缺陷的检测方法、装置、设备及存储介质
CN110060237B (zh) 一种故障检测方法、装置、设备及***
CN109598721B (zh) 电池极片的缺陷检测方法、装置、检测设备和存储介质
CN110596120A (zh) 玻璃边界缺陷检测方法、装置、终端及存储介质
CN113379680B (zh) 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN111582359B (zh) 一种图像识别方法、装置、电子设备及介质
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN111598801B (zh) 一种用于微弱Mura缺陷的识别方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN108830851B (zh) 一种lcd粗糙斑缺陷检测方法
CN116152261B (zh) 一种印刷制品质量的视觉检测***
CN117351001B (zh) 一种再生铝合金模板表面缺陷识别方法
CN113221763A (zh) 一种基于视频图像亮度的火焰识别方法
CN111223078A (zh) 瑕疵等级判定的方法及存储介质
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
JP7383722B2 (ja) ターゲットコーティングの画像データにおける欠陥検出の方法とシステム
CN110751225A (zh) 图像分类方法、装置及存储介质
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及***
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN113421223A (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN112863194A (zh) 一种图像处理方法、装置、终端及介质
CN114820597B (zh) 一种基于人工智能的冶炼品缺陷检测方法、装置及***
CN114187368B (zh) 建筑板材的暗纹检测方法、装置、电子设备及存储介质
CN116228659A (zh) 一种ems小车漏油的视觉检测方法

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
CB03 Change of inventor or designer information

Inventor after: Li Jiannan

Inventor after: Lu Gang

Inventor before: Li Jiannan

Inventor before: Xu Chengcong

Inventor before: Lu Gang

CB03 Change of inventor or designer information