CN114862862A - 一种基于图像处理的泵体冷隔缺陷识别方法与*** - Google Patents
一种基于图像处理的泵体冷隔缺陷识别方法与*** Download PDFInfo
- Publication number
- CN114862862A CN114862862A CN202210807258.7A CN202210807258A CN114862862A CN 114862862 A CN114862862 A CN 114862862A CN 202210807258 A CN202210807258 A CN 202210807258A CN 114862862 A CN114862862 A CN 114862862A
- Authority
- CN
- China
- Prior art keywords
- pump body
- pixel point
- defect
- cold shut
- pixel points
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的泵体冷隔缺陷识别方法与***,该方法包括:获取泵体表面灰度图像,并计算泵体表面灰度图像上各像素点在各个设定方向上的灰度游程长度的均值,记为各像素点的特征长度;利用滑窗对泵体表面灰度图像进行处理,计算中心像素点的异常程度;根据中心像素点的异常程度获取泵体表面图像上所有像素点的异常程度,对像素点的异常程度进行聚类处理得到多个类别,获取各个类别对应的连通域;根据连通域内像素点的异常程度对连通域进行筛选得到疑似冷隔缺陷区域,记为线型缺陷区域;对线型缺陷区域进行分析得到该区域为冷隔缺陷区域。本发明能够准确识别冷隔缺陷。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的泵体冷隔缺陷识别方法与***。
背景技术
在进行泵体铸造过程中,容易发生裂纹、冷隔缺陷,冷隔缺陷与裂纹缺陷相似,同时浅层冷隔缺陷对比度小,不容易被识别。
同时,在实际生产中,一般是采用常规的阈值分割缺陷检测方法;但是由于存在光线的干扰,该检测方法会将光线变化明显的区域误检为缺陷区域,因此采用该方法即使能够分割得到缺陷区域,但也很难识别出该缺陷区域是否属于冷隔缺陷区域。除此之外,常规的边缘检测方法,虽然能够检测出对比度较大的冷隔区域,但是很难检测出对比度较小的浅层冷隔缺陷。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的泵体冷隔缺陷识别方法与***,所采用的技术方案具体如下:
获取泵体表面灰度图像,并计算泵体表面灰度图像上各像素点在各个设定方向上的灰度游程长度的均值,记为各像素点的特征长度;
对泵体表面灰度图像进行滑窗处理,计算滑窗内所有像素点的特征长度均值和灰度值均值,根据所述特征长度均值与滑窗内中心像素点的特征长度的差值、所述灰度值均值与滑窗内中心像素点灰度值的差值以及滑窗内所有像素点的特征长度的熵值,得到中心像素点的异常程度;
根据中心像素点的异常程度获取泵体表面图像上所有像素点的异常程度,对像素点的异常程度进行聚类处理得到多个类别,获取各个类别对应的连通域;
根据连通域内像素点的异常程度对连通域进行筛选得到疑似冷隔缺陷区域,记为线型缺陷区域;
对线型缺陷区域进行分析得到该区域为冷隔缺陷区域。
优选地,所述对连通域进行筛选的方法具体为:
根据各个连通域最小外接矩形的长边长度和短边长度,以及连通域内像素点的异常程度的均值,得到各个连通域的缺陷符合率;对各个连通域的缺陷符合率进行聚类处理得到两个类别,将大于预设阈值的类别对应的连通域记为线型缺陷区域。
优选地,所述对线型缺陷区域进行分析的方法具体为:
获取平行于线型缺陷区域梯度方向的多条直线,将多条直线与连通域相交部分的直线上像素点的灰度值构成多个灰度序列;计算各个灰度序列的灰度熵值的均值;获取线型缺陷区域内各个像素点的海森矩阵,根据像素点的海森矩阵确定像素点的最大曲率方向,并获取各个像素点最大曲率方向上曲率值的均值;所述像素点的最大曲率方向具体为:根据各个像素点海森矩阵的最大特征值和对应的特征向量,得到对应邻域内二维曲线的最大曲率方向;根据所述灰度熵值的均值和曲率值的均值,得到线型缺陷区域的缺陷指标,当所述缺陷指标大于设定阈值时,则该线型缺陷区域为冷隔缺陷区域。
优选地,所述中心像素点的异常程度的获取方法具体为:
其中,Yi表示第i个滑窗内中心像素点的异常程度,li表示第i个滑窗内中心像素点的特征长度,li0表示第i个滑窗内所有像素点的特征长度的均值,hi表示第i个滑窗内中心像素点的灰度值大小,hi0表示第i个滑窗内所有像素点的灰度值的均值,Si表示第i个滑窗内所有像素点的特征长度的熵值。
优选地,所述各像素点在各个方向上的灰度游程长度包括0°、45°、90°三个方向。
本发明还提供了一种基于图像处理的冷隔缺陷识别***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程度,所述计算机程序被处理器执行时实现一种基于图像处理的泵体冷隔缺陷识别方法的步骤。
本发明实施例至少具有如下有益效果:
本发明根据像素点的灰度游程的差异获取像素点的异常程度,进而分割出异常像素点的类别区域,通过对类别区域对应的连通域进行分析得到疑似缺陷区域,能够排除光线的干扰,准确的分割出存在缺陷的区域。
进一步根据疑似缺陷区域的缺口的平缓特征以及缺陷线条的圆滑特征计算出该区域为冷隔缺陷区域的可能性,进而分割出冷隔缺陷区域,能够更加准确的识别出冷隔缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的一种基于图像处理的泵体冷隔缺陷识别方法的方法流程图;
图2为本发明的一种基于图像处理的泵体冷隔缺陷识别方法实施例的线型缺陷区域梯度方向的结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的泵体冷隔缺陷识别方法与***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的泵体冷隔缺陷识别方法与***的具体方案。
实施例1:
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的泵体冷隔缺陷识别方法的步骤流程图,该方法包括以下步骤:
首先,采集泵体表面图像,并进行灰度化处理,得到泵体表面灰度图像。
具体地,采集铸造出炉后的泵体表面图像,实施者可以根据实际情况进行多角度采集,并且泵体表面图像为RGB图像,根据经验获取泵体表面图像在RGB通道的颜色区间[aR,bR],[aG,bG],[aB,bB],分割出各通道颜色值的像素点集合,即h1x,y∈[aR,bR],h2x,y∈[aG,bG],h3x,y∈[aB,bB],将背景区域各通道颜色值置零,得到处理后不包括背景区域的图像T0,并且将图像T0从RGB颜色图像转换到灰度图像,得到泵体表面灰度图像。
其中,实施者还可以根据实际情况选择语义分割等其他合适的方法,分割出泵体表面图像中的背景区域,得到不包含背景区域的泵体表面图像,并将图像进行灰度化处理,得到泵体表面灰度图像。
需要说明的是,本发明需要根据泵体表面灰度图像来进行识别泵体表面的冷隔缺陷区域,所以需要首先采集泵体表面图像,并排除图像中背景区域的干扰,再进行灰度化处理。
然后,计算泵体表面灰度图像上各像素点在各个设定方向上的灰度游程长度的均值,记为各像素点的特征长度;利用滑窗对泵体表面灰度图像进行处理,计算滑窗内所有像素点的特征长度均值和灰度值均值,根据所述特征长度均值与滑窗内中心像素点的特征长度的差值、所述灰度值均值与滑窗内中心像素点灰度值的差值、以及滑窗内所有像素点的特征长度的熵值,得到中心像素点的异常程度;根据中心像素点的异常程度获取泵体表面图像上所有像素点的异常程度,对像素点的异常程度进行聚类处理得到多个类别,获取各个类别对应的连通域。
具体地,获取泵体表面灰度图像的灰度值取值范围,设定灰度间隔,将所述灰度值取值范围均匀划分为若干灰度等级,在本实施例中,灰度间隔设定为10,实施者可根据实际情况进行选择。
利用滑窗对泵体表面灰度图像进行处理,在本实施例中采用50*50的滑窗遍历泵体表面灰度图像上各个像素点,获取泵体表面灰度图像上各个像素点在各个设定方向上的灰度游程长度的均值,记为像素点的特征长度。其中,灰度游程的计算方向一般有0°45°、90°、135°等,在本实施例中,选择的设定方向为0°、45°、90°,实施者可根据实际情况进行选择。
计算中心像素点的异常程度,用公式表示为:
其中,Yi表示第i个滑窗内中心像素点的异常程度,li表示第i个滑窗内中心像素点的特征长度,li0表示第i个滑窗内所有像素点的特征长度的均值,exp(li0-li)表示第i个滑窗内中心像素点相比于滑窗内其他像素点的特征长度的差异(即相当于像素点之间的灰度游程长度的差异),该值越大说明第i个滑窗内中心像素点属于异常像素点的可能性越大。
hi表示第i个滑窗内中心像素点的灰度值大小,hi0表示第i个滑窗内所有像素点的灰度值的均值,|hi-hi0|表示第i个滑窗内中心像素点与滑窗内其他像素点的灰度差异。Si表示第i个滑窗内所有像素点的特征长度的熵值,该熵值越大说明第i个滑窗内像素点的特征长度差异度越大(即相当于像素点的灰度游程长度的差异越大),也说明第i个滑窗内中心像素点的特征长度差异程度越小。
利用滑窗遍历各个像素点,根据中心像素点的异常程度计算所有像素点的异常程度,对所有像素点的异常程度进行密度聚类处理,得到多个类别,获取各个类别在泵体表面灰度图像上对应的连通域,其中实施者可以根据实际情况选择聚类算法,如DBSCAN等算法,且连通域分析的算法为现有技术在此不过多赘述。
需要说明的是,由于冷隔缺陷区域的灰度值为不连续的阶跃变化,而光线影响的灰度值变化为连续的变化,因此冷隔缺陷区域比非冷隔缺陷区域的像素点的灰度游程长度较短,并且,冷隔缺陷区域相较于非冷隔缺陷区域的像素点有一定的灰度差异,因此基于灰度游程计算各个像素点的异常程度。
接着,根据连通域内像素点的异常程度对连通域进行筛选得到疑似冷隔缺陷区域,记为线型缺陷区域。所述对连通域进行筛选具体方法为:根据各个连通域最小外接矩形的长边长度和短边长度,以及连通域内像素点的异常程度的均值,得到各个连通域的缺陷符合率;对各个连通域的缺陷符合率进行聚类处理得到两个类别,将大于预设阈值的类别对应的连通域记为线型缺陷区域。
具体地,获取各个连通域的最小外接矩形,计算各个连通域最小外接矩形的长边长度和短边长度的均值。根据各个连通域最小外接矩形的长边长度和短边长度的比值,以及连通域内像素点的异常程度的均值,得到各个连通域的缺陷符合率,用公式表示为:
其中,除了可以通过获取各个连通域的最小外接矩形的长边长度和短边长度的均值,用来表示各个连通域的长边长度和短边长度的均值之外,还有另一种实施方式:通过各像素点获取各连通方向上连续像素个数,并且获取各连通方向上连续像素点个数的最小值和连续像素点的最大值,根据多个连通域的连续像素点个数最小值构成的序列,计算得到短边长度均值,根据多个连通域的连续像素点个数最大值构成的序列,计算得到长边长度均值,实施者还可根据实际情况选择其他方法进行处理。
统计各个连通域的缺陷符合率,并生成缺陷符合率的直方图,利用k-means聚类算法对缺陷符合率的直方图进行处理,得到两个类别,其中,一个类别对应一个区域。将所述两个类别的缺陷符合率的边界值作为预设阈值,获取大于预设阈值的类别对应的区域记为线型缺陷区域。其中,对各个连通域的缺陷符合率进行聚类处理还可以采用其他常见的聚类算法,实施者可根据实际情况进行选择。
进一步的,对线型缺陷区域进行分析得到该线型缺陷区域为冷隔缺陷区域。
需要说明的是,本发明根据像素点的灰度游程的差异获取像素点的异常程度,进而分割出异常像素点的类别区域,通过对类别区域对应的连通域形状特征的分析得到疑似缺陷区域,进一步分析疑似缺陷区域的缺口的平缓特征以及疑似缺陷区域的圆滑特征,计算出疑似缺陷区域为冷隔缺陷区域的可能性,进而分割出冷隔缺陷区域。同时,在泵体的制造中,常见的线性缺陷大多是裂纹缺陷和冷隔缺陷,因此需要结合裂纹缺陷和冷隔缺陷的差异性进一步区分。其中,冷隔缺陷相较于裂纹缺陷,其缺口更平缓,并且冷隔缺陷的线条圆滑。
具体地,获取平行于线型缺陷区域梯度方向的多条直线,将多条直线与连通域相交部分的直线上像素点的灰度值构成多个灰度序列,计算各个灰度序列的灰度熵值的均值。请参阅图2,其示出了线型缺陷区域梯度方向,并表示出灰度序列的具体获取位置,其中,平行于线型缺陷区域梯度方向的多条直线的具体数量,实施者可根据实际情况进行设定,且一条直线对应一个灰度序列。
获取线型缺陷区域内各个像素点的海森矩阵,根据像素点的海森矩阵确定像素点的最大曲率方向,并获取各个像素点最大曲率方向上曲率值的均值,进而得到线型缺陷区域内像素点的曲率均值。
其中,所述像素点的最大曲率方向具体为:根据各个像素点海森矩阵的最大特征值和对应的特征向量,得到对应邻域内二维曲线的最大曲率方向,记为像素点的最大曲率方向。同时计算对应邻域内二维曲线的最大曲率方向上曲率值的均值,记为像素点的最大曲率方向上曲率值的均值。
需要说明的是,本发明通过计算各个灰度序列的灰度熵值的均值来分析各个灰度序列的灰度复杂度;根据像素点的曲率来分析线型缺陷区域的圆滑度,能够较准确的获取冷隔缺陷区域。
根据所述灰度熵值的均值和曲率值的均值,得到线型缺陷区域的缺陷指标,用公式表示为:
当线型缺陷区域的缺陷指标大于设定阈值时,则该线型缺陷区域为冷隔缺陷区域。其中,在本实施例中设定阈值的取值为20,实施者在实际使用过程中可根据实际情况进行调整。
实施例2:
本实施例提供了一种基于图像处理的冷隔缺陷识别***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于图像处理的泵体冷隔缺陷识别方法的步骤。由于实施例1已经对一种基于图像处理的冷隔缺陷识别方法进行了详细的阐述,此处不再过多介绍。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于图像处理的泵体冷隔缺陷识别方法,其特征在于,所述方法包括以下步骤:
获取泵体表面灰度图像,并计算泵体表面灰度图像上各像素点在各个设定方向上的灰度游程长度的均值,记为各像素点的特征长度;
对泵体表面灰度图像进行滑窗处理,计算滑窗内所有像素点的特征长度均值和灰度值均值,根据所述特征长度均值与滑窗内中心像素点的特征长度的差值、所述灰度值均值与滑窗内中心像素点灰度值的差值以及滑窗内所有像素点的特征长度的熵值,得到中心像素点的异常程度;
根据中心像素点的异常程度获取泵体表面图像上所有像素点的异常程度,对像素点的异常程度进行聚类处理得到多个类别,获取各个类别对应的连通域;
根据连通域内像素点的异常程度对连通域进行筛选得到疑似冷隔缺陷区域,记为线型缺陷区域;
对线型缺陷区域进行分析得到该区域为冷隔缺陷区域。
2.根据权利要求1所述的一种基于图像处理的泵体冷隔缺陷识别方法,其特征在于,所述对连通域进行筛选的方法具体为:
根据各个连通域最小外接矩形的长边长度和短边长度,以及连通域内像素点的异常程度的均值,得到各个连通域的缺陷符合率;
对各个连通域的缺陷符合率进行聚类处理得到两个类别,将大于预设阈值的类别对应的连通域记为线型缺陷区域。
3.根据权利要求1所述的一种基于图像处理的泵体冷隔缺陷识别方法,其特征在于,所述对线型缺陷区域进行分析的方法具体为:
获取平行于线型缺陷区域梯度方向的多条直线,将多条直线与连通域相交部分的直线上像素点的灰度值构成多个灰度序列;计算各个灰度序列的灰度熵值的均值;
获取线型缺陷区域内各个像素点的海森矩阵,根据像素点的海森矩阵确定像素点的最大曲率方向,并获取各个像素点最大曲率方向上曲率值的均值;
所述像素点的最大曲率方向具体为:根据各个像素点海森矩阵的最大特征值和对应的特征向量,得到对应邻域内二维曲线的最大曲率方向;
根据所述灰度熵值的均值和曲率值的均值,得到线型缺陷区域的缺陷指标,当所述缺陷指标大于设定阈值时,则该线型缺陷区域为冷隔缺陷区域。
5.根据权利要求1所述的一种基于图像处理的泵体冷隔缺陷识别方法,其特征在于,所述各像素点在各个设定方向上的灰度游程长度包括0°、45°、90°三个方向。
6.一种基于图像处理的泵体冷隔缺陷识别***,包括存储器、处理器以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,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述一种基于图像处理的泵体冷隔缺陷识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807258.7A CN114862862B (zh) | 2022-07-11 | 2022-07-11 | 一种基于图像处理的泵体冷隔缺陷识别方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807258.7A CN114862862B (zh) | 2022-07-11 | 2022-07-11 | 一种基于图像处理的泵体冷隔缺陷识别方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114862862A true CN114862862A (zh) | 2022-08-05 |
CN114862862B CN114862862B (zh) | 2022-09-16 |
Family
ID=82626736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210807258.7A Active CN114862862B (zh) | 2022-07-11 | 2022-07-11 | 一种基于图像处理的泵体冷隔缺陷识别方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862862B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019159A (zh) * | 2022-08-09 | 2022-09-06 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
CN115049656A (zh) * | 2022-08-15 | 2022-09-13 | 海门市刘氏铸造有限公司 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
CN115063422A (zh) * | 2022-08-18 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 一种用于集装箱焊接质量智能检测方法 |
CN115063423A (zh) * | 2022-08-18 | 2022-09-16 | 启东市嘉信精密机械有限公司 | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及*** |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115100210A (zh) * | 2022-08-29 | 2022-09-23 | 山东艾克赛尔机械制造有限公司 | 一种基于汽车零部件防伪识别方法 |
CN115100199A (zh) * | 2022-08-24 | 2022-09-23 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115222733A (zh) * | 2022-09-19 | 2022-10-21 | 山东金源不锈钢制品有限公司 | 基于图像识别的金属构件表面缺陷检测方法 |
CN115294130A (zh) * | 2022-10-08 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种水泵叶轮异常识别方法 |
CN115294099A (zh) * | 2022-09-26 | 2022-11-04 | 南通宝丽金属科技有限公司 | 一种钢板轧制过程发纹缺陷的检测方法及*** |
CN115294134A (zh) * | 2022-10-09 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 一种阀门密封面缺陷识别方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115393354A (zh) * | 2022-10-27 | 2022-11-25 | 江苏集宿智能装备有限公司 | 一种激光切割缺陷识别方法 |
CN115578732A (zh) * | 2022-11-21 | 2023-01-06 | 山东爱福地生物股份有限公司 | 一种肥料生产线的标签识别方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
CN116630329A (zh) * | 2023-07-26 | 2023-08-22 | 山东山森数控技术有限公司 | 用于多轴多通道数控***的在线视觉检测方法 |
CN116682107A (zh) * | 2023-08-03 | 2023-09-01 | 山东国宏生物科技有限公司 | 基于图像处理的大豆视觉检测方法 |
CN115100221B (zh) * | 2022-08-22 | 2023-11-17 | 太仓卓高玻璃制品有限公司 | 一种玻璃缺陷分割方法 |
CN117152444A (zh) * | 2023-10-30 | 2023-12-01 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117351034A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市丰源升科技有限公司 | 一种钙钛矿电池激光划线方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
CN113592861A (zh) * | 2021-09-27 | 2021-11-02 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
-
2022
- 2022-07-11 CN CN202210807258.7A patent/CN114862862B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
CN113592861A (zh) * | 2021-09-27 | 2021-11-02 | 江苏中云筑智慧运维研究院有限公司 | 一种基于动态阈值的桥梁裂缝检测方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114359416A (zh) * | 2022-03-17 | 2022-04-15 | 山东水利建设集团有限公司 | 一种建筑物外墙空鼓渗漏异常检测及定位方法 |
Non-Patent Citations (1)
Title |
---|
于彩香等: "基于灰度―游程累加的皮革缺陷自动检测", 《皮革与化工》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019159B (zh) * | 2022-08-09 | 2022-10-25 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
CN115019159A (zh) * | 2022-08-09 | 2022-09-06 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
CN115049656A (zh) * | 2022-08-15 | 2022-09-13 | 海门市刘氏铸造有限公司 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
CN115063422A (zh) * | 2022-08-18 | 2022-09-16 | 建首(山东)钢材加工有限公司 | 一种用于集装箱焊接质量智能检测方法 |
CN115063423A (zh) * | 2022-08-18 | 2022-09-16 | 启东市嘉信精密机械有限公司 | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 |
CN115063423B (zh) * | 2022-08-18 | 2023-12-08 | 启东市嘉信精密机械有限公司 | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及*** |
CN115100221B (zh) * | 2022-08-22 | 2023-11-17 | 太仓卓高玻璃制品有限公司 | 一种玻璃缺陷分割方法 |
CN115082482A (zh) * | 2022-08-23 | 2022-09-20 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115082482B (zh) * | 2022-08-23 | 2022-11-22 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115100199A (zh) * | 2022-08-24 | 2022-09-23 | 宁波鑫芯微电子科技有限公司 | 一种晶圆低纹理缺陷的检测方法 |
CN115100210A (zh) * | 2022-08-29 | 2022-09-23 | 山东艾克赛尔机械制造有限公司 | 一种基于汽车零部件防伪识别方法 |
CN115115643A (zh) * | 2022-08-30 | 2022-09-27 | 一道新能源科技(衢州)有限公司 | 一种光伏电池板生产缺陷检测方法 |
CN115222733A (zh) * | 2022-09-19 | 2022-10-21 | 山东金源不锈钢制品有限公司 | 基于图像识别的金属构件表面缺陷检测方法 |
CN115294099A (zh) * | 2022-09-26 | 2022-11-04 | 南通宝丽金属科技有限公司 | 一种钢板轧制过程发纹缺陷的检测方法及*** |
CN115294130A (zh) * | 2022-10-08 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种水泵叶轮异常识别方法 |
CN115294130B (zh) * | 2022-10-08 | 2023-12-26 | 中威泵业(江苏)有限公司 | 一种水泵叶轮异常识别方法 |
CN115294134A (zh) * | 2022-10-09 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 一种阀门密封面缺陷识别方法 |
CN115311290A (zh) * | 2022-10-12 | 2022-11-08 | 南通市通州区精华电器有限公司 | 一种精密仪器金属零部件缺陷检测方法 |
CN115393354A (zh) * | 2022-10-27 | 2022-11-25 | 江苏集宿智能装备有限公司 | 一种激光切割缺陷识别方法 |
CN115578732A (zh) * | 2022-11-21 | 2023-01-06 | 山东爱福地生物股份有限公司 | 一种肥料生产线的标签识别方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115690108B (zh) * | 2023-01-04 | 2023-04-28 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN115984272B (zh) * | 2023-03-20 | 2023-05-23 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
CN115984272A (zh) * | 2023-03-20 | 2023-04-18 | 山东杨嘉汽车制造有限公司 | 基于计算机视觉的半挂车车桥缺陷识别方法 |
CN116229335B (zh) * | 2023-05-10 | 2023-07-21 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116385439B (zh) * | 2023-06-05 | 2023-08-15 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
CN116385439A (zh) * | 2023-06-05 | 2023-07-04 | 山东兰通机电有限公司 | 基于图像处理的电机橡胶减震垫质量检测方法 |
CN116468728B (zh) * | 2023-06-20 | 2023-08-29 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
CN116468728A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市锦红兴科技有限公司 | 一种五金冲压件模具生产质量检测方法 |
CN116630329B (zh) * | 2023-07-26 | 2023-09-29 | 山东山森数控技术有限公司 | 用于多轴多通道数控***的在线视觉检测方法 |
CN116630329A (zh) * | 2023-07-26 | 2023-08-22 | 山东山森数控技术有限公司 | 用于多轴多通道数控***的在线视觉检测方法 |
CN116682107A (zh) * | 2023-08-03 | 2023-09-01 | 山东国宏生物科技有限公司 | 基于图像处理的大豆视觉检测方法 |
CN116682107B (zh) * | 2023-08-03 | 2023-10-10 | 山东国宏生物科技有限公司 | 基于图像处理的大豆视觉检测方法 |
CN117152444A (zh) * | 2023-10-30 | 2023-12-01 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117152444B (zh) * | 2023-10-30 | 2024-01-26 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及*** |
CN117351034A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市丰源升科技有限公司 | 一种钙钛矿电池激光划线方法及*** |
CN117351034B (zh) * | 2023-12-04 | 2024-02-13 | 深圳市丰源升科技有限公司 | 一种钙钛矿电池激光划线方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114862862B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与*** | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN115100200B (zh) | 基于光学手段的光纤缺陷检测方法及*** | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN114723705A (zh) | 一种基于图像处理的布匹瑕疵的检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及*** | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN109255799B (zh) | 一种基于空间自适应相关滤波器的目标跟踪方法及*** | |
CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN115511842A (zh) | 一种基于机器视觉的电缆绝缘表皮破损检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN116468728A (zh) | 一种五金冲压件模具生产质量检测方法 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 |
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 |