CN114926410A - 制动盘外观缺陷检测方法 - Google Patents
制动盘外观缺陷检测方法 Download PDFInfo
- Publication number
- CN114926410A CN114926410A CN202210473779.3A CN202210473779A CN114926410A CN 114926410 A CN114926410 A CN 114926410A CN 202210473779 A CN202210473779 A CN 202210473779A CN 114926410 A CN114926410 A CN 114926410A
- Authority
- CN
- China
- Prior art keywords
- brake disc
- type
- edge pixel
- index
- pixel point
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 17
- 230000002950 deficient Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000002537 cosmetic Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013441 quality evaluation Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及制动盘加工检测领域,具体涉及一种制动盘外观缺陷检测方法,对待检测制动盘表面图像中的感兴趣区域像素点进行聚类,根据每类像素点的类别向量得到每类像素点的整体对比度,根据每类像素点的整体对比度、特征点数量、距离指标得到每类像素点的显著度,根据显著度得到缺陷区域,利用滑动窗口内的边缘像素点拟合直线,根据拟合直线与水平正方向夹角得到每个边缘像素点的角度指标,根据角度指标序列得到每个边缘像素点的待选置信度,根据待选置信度选取最佳边缘像素点拟合候选圆,根据候选圆得到制动盘形态指标,根据缺陷区域显著度和制动盘形态指标得到制动盘外观缺陷进行质量评估,方法精准、高效。
Description
技术领域
本申请涉及制动盘加工检测领域,具体涉及一种制动盘外观缺陷检测方法。
背景技术
制动盘是一种外观为圆形的机械零件,主要对汽车车轮以及机械设备、机床等进行制动的设备。制动盘在进行制作加工过程中外观难免会出现些许缺陷,有些残次制动盘的外观轮廓形态也会存在较大的形态偏差。目前,多数加工完成的制动盘生产企业对制动盘外观质量的检测主要是依靠人工目测的方式来进行判别,该方法由于客观性不足、对检察员经验和责任心依赖较大以及工作量大等特点的影响,导致产品检测效率低,不良产品流出的现象时有发生,产品质量难以保证。有些采用一定的自动化手段对制动盘外观进行质量检测,但都是通过扫描制动盘后与标准样进行比对的方式进行判定,检测方式主要存在耗时长、效率低以及评价标准过于单一等问题,缺陷样式稍有变化就可能检测不出或者发生误判,这种传统图像比对的方式不适合用于铸造毛坯产品的外观质量检测。
发明内容
本发明提供一种制动盘外观缺陷检测方法,解决制动盘检测效率低、客观性不足的问题,采用如下技术方案:
获取待检测制动盘表面图像;
对待检测制动盘表面图像的感兴趣区域像素点进行聚类,根据每类像素点的坐标均值、灰度均值和该类像素点在HSV空间中的色调均值、饱和度均值、亮度均值构建每类像素点的类别向量;
根据每类像素点的类别向量得到每类像素点的整体对比度;
利用角点检测得到每类像素点中的特征点;
根据每类像素点中心与其邻域类别像素点中心的距离得到每类像素点的距离指标;
根据每类像素点的整体对比度、特征点数量、距离指标得到每类像素点的显著度,将显著度大于阈值的像素点类别作为缺陷区域;
获取制动盘边缘像素点,使用滑动窗口对边缘像素点进行顺时针滑动,对滑动窗口内的边缘像素点拟合直线,根据拟合直线与水平正方向夹角得到每个边缘像素点的角度指标;
根据每个边缘像素点的角度指标和该边缘像素点前后相邻像素点的角度指标得到每个边缘像素点的角度指标序列;
根据每个边缘像素点的角度指标序列的方差和角度指标序列的最大值及最小值得到每个边缘像素点的待选置信度;
根据每个边缘像素点的待选置信度选取最佳边缘像素点,通过最佳边缘像素点拟合候选圆,根据候选圆得到制动盘形态指标;
根据缺陷区域显著度和制动盘形态指标得到制动盘外观缺陷指标,利用缺陷指标对待检测制动盘外观缺陷进行质量评估。
所述每类像素点的整体对比度的计算方法为:
计算每类像素点的类别向量与其他每类像素点的类别向量之间欧式距离;
将欧式距离之和作为该类像素点的整体对比度。
所述每类像素点的显著度的计算方法为:
式中,Xi为第i类像素点的显著度,Qi为第i类像素点中的特征点数量,Li为第i类像素点的距离指标,Ci为第i类像素点的整体对比度。
所述每个边缘像素点的角度指标序列的获取方法为:
获取每个边缘像素点的角度指标;
获取该边缘像素点前z个像素点的角度指标和该边缘像素点后z个像素点的角度指标,z为经验值;
将这2z+1个角度指标作为每个边缘像素点的角度指标序列。
所述每个边缘像素点的待选置信度的计算方法如下:
所述最佳边缘像素点的选取方法为:
将所有边缘像素点的待选置信度按照从大到小的顺序排序,将前S个边缘像素点作为最佳边缘像素点,S为经验值。
所述制动盘形态指标的计算方法如下:
式中,U为制动盘轮廓边缘像素点的个数,δ为待检测制动盘的轮廓形态指标,xu,yu为边缘像素点的坐标,a,b为拟合圆的圆心坐标,r为拟合圆的半径。
所述制动盘外观缺陷指标的计算方法为:
式中,A为缺陷区域数量,Xa为第a个缺陷区域的显著度,Q为待检测制动盘外观缺陷指标。
所述利用缺陷指标对待检测制动盘外观缺陷进行质量评估的方法为:
当待检测制动盘外观缺陷指标Q>0.5时,该待检测制动盘外观缺陷状况严重,需要对其表面进行再次加工处理。
本发明的有益效果是:获取待检测制动盘表面图像,对待检测制动盘表面图像的感兴趣区域像素点进行聚类,构建每类像素点的类别向量,根据类别向量得到每类像素点的整体对比度,根据每类像素点的整体对比度、特征点数量、距离指标得到每类像素点的显著度,根据显著度得到缺陷区域,使用滑动窗口对边缘像素点进行顺时针滑动,对滑动窗口内的边缘像素点拟合直线,根据拟合直线与水平正方向夹角得到每个边缘像素点的角度指标,获取每个边缘像素点的角度指标序列,根据角度指标序列得到每个边缘像素点的待选置信度,根据待选置信度选取最佳边缘像素点拟合候选圆,根据候选圆得到制动盘形态指标,根据缺陷区域显著度和制动盘形态指标得到制动盘外观缺陷指标,利用缺陷指标对待检测制动盘外观缺陷进行质量评估,方法精准、高效。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种制动盘外观缺陷检测方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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。
本发明的一种制动盘外观缺陷检测方法的实施例,如图1所示,包括:
步骤一:获取待检测制动盘表面图像;
该步骤的目的是,通过图像采集设备对待检测制动盘进行图像采集,用于对制动盘外观进行缺陷状况的检测分析,提取表面特征参数作为制动盘缺陷检测的基准数据。
采集设备对待检测制动盘进行图像采集,作为制动盘缺陷检测的基准数据。
对于待检测的制动盘,通过图像采集设备对其进行采集,获取待分析的图像数据,用于对待检测制动盘外观缺陷状况进行检测。本发明所述图像采集设备包括相机、光源,检测台等,实施者可根据实际情况自行设置,本发明中将摄像头置于待检测制动盘的正上方,俯视视角采集制动盘表面正视图像,作为后续制动盘检测的基础图像数据。
考虑到汽车制动盘表面存在一些固有的孔洞及各种型号字样等,为避免制动盘表面的固有凹槽、孔洞等情况对制动盘表面缺陷检测的影响,降低无关区域的关注度。
本实施例通过语义分割网络对制动盘表面的固有信息(凹槽、孔洞及字样等)进行检测,获取制动盘表面的固有信息的语义分割效果图,语义分割网络的标签数据为:制动盘表面固有特征区域的像素点的像素值设置为1,其他背景像素点的像素值设置为0,通过标签数据以及图像数据对网络进行训练,网络训练监督的损失函数为交叉熵损失函数;将获取的制动盘固有特征区域语义分割效果图进行像素值取反处理,获取对应的掩膜图像,所述掩膜图像制动盘表面的固有特征区域像素点的像素值为0,其他像素点的像素值为1。将所述掩膜图像与待检测制动盘表面图像进行相乘操作,则将得到处理后的制动盘表面图像,将其作为制动盘表面特征提取的基准图像,基准图像表面包含了制动盘表面特征提取的ROI区域。
步骤二:对待检测制动盘表面图像的感兴趣区域像素点进行聚类,根据每类像素点的坐标均值、灰度均值和该类像素点在HSV空间中的色调均值、饱和度均值、亮度均值构建每类像素点的类别向量;根据每类像素点的类别向量得到每类像素点的整体对比度;
该步骤的目的是,对ROI区域的像素点进行类别划分,得到每类像素点的特征信息。
本步骤首先对先将制动盘基准图像进行灰度化处理,得到对应的灰度图像,并基于像素点的灰度值对灰度图像进行聚类分析,得到N个类别的像素点。
其中,每类像素点的类别向量为:
vi=[Hi,Si,Vi,xi,yi,gi]
式中,vi为第i类像素点的类别向量,Hi,Si,Vi分别为对图像进行颜色空间转换后类别i内所有像素点的色调均值、饱和度均值以及亮度均值,xi,yi分别为类别i内所有像素点的坐标均值,gi为类别i内所有像素点的灰度均值;
其中,每类像素点的整体对比度:
式中,‖vi-vn‖代表第i类像素点的类别向量和其他每类像素点的类别向量之间的欧式距离,Ci代表第i类像素点的整体对比度,利用整体对比度以检测各类别在整体图像中的对比度大小。
步骤三:利用角点检测得到每类像素点中的特征点;根据每类像素点中心与其邻域类别像素点中心的距离得到每类像素点的距离指标;
该步骤的目的是,检测出每类像素点中的特征点和每类像素点与其他像素点之间的距离,作为特征参数。
其中,每类像素点中的特征点可以通过Harris角点检测、SIFT角点检测算法进行提取。
其中,每类像素点的距离指标的计算方法为:
公式中,Li为第i类像素点的距离指标,M为第i类像素点的邻域类别像素点数量,Di,m为第i类像素点中心点到邻域类别m中心点的空间距离,距离计算方法有很多:汉明距离、欧几里得距离等。
步骤四:根据每类像素点的整体对比度、特征点数量、距离指标得到每类像素点的显著度,将显著度大于阈值的像素点类别作为缺陷区域;
该步骤的目的是,根据像素点特征检测出缺陷区域。
其中,每类像素点的显著度计算方法为:
公式中,Qi为第i类像素点中的特征点数量,Xi为第i类像素点的显著度,显著度越大,则对应区域出现缺陷的可能性越高。
本实施例将根据每类像素点的显著度建立缺陷检测模型:Ri=1-exp(-Xi),缺陷检测模型函数值越大,缺陷程度越高;进一步对缺陷置信度进行阈值设定,本发明将缺陷检测模型函数值高于0.7的类别作为缺陷区域,实现对制动盘表面缺陷的检测,并获取各缺陷区域的显著度,用于对制动盘外观缺陷状况进行分析。
步骤五:获取制动盘边缘像素点,使用滑动窗口对边缘像素点进行顺时针滑动,对滑动窗口内的边缘像素点拟合直线,根据拟合直线与水平正方向夹角得到每个边缘像素点的角度指标;根据每个边缘像素点的角度指标和该边缘像素点前后相邻像素点的角度指标得到每个边缘像素点的角度指标序列;
该步骤的目的是,检测制动盘边缘轮廓,并提取边缘像素点的信息特征。
本实施例先通过边缘检测算子对制动盘的外观边缘轮廓进行提取,获取制动盘整体轮廓信息,边缘检测算子有很多canny算子、sobel算子等,实施者可自行选取。
其中,每个边缘像素点的角度指标的获取方法为:
(1)使用滑动窗口对基准图像中的制动盘轮廓边缘像素点进行滑动分析,窗口尺寸实施者可自行设定,本实施例将其设置为5*5,窗口以每个边缘像素点为中心进行滑动,实施者可以对窗口初始滑动位置进行设定,选取一个边缘点作为初始滑动窗口的中心点,窗口滑动方向为沿着制动盘边缘轮廓进行顺时针滑动;
(2)每次滑动都将当前窗口内的包含的边缘像素点拟合一条直线段,将该直线段与水平正方向的夹角作为当前窗口中心边缘像素点的角度指标,按照此方式可获取到每个边缘像素点的角度指标。
其中,每个边缘像素点的角度指标序列是:获取该边缘像素点c的前后各z个边缘像素点的角度指标,将2z+1个角度指标作为边缘像素点c的角度指标序列,z为经验值实施者自己设定,本实施例中z=5。
步骤六:根据每个边缘像素点的角度指标序列的方差和角度指标序列的最大值及最小值得到每个边缘像素点的待选置信度;根据每个边缘像素点的待选置信度选取最佳边缘像素点,通过最佳边缘像素点拟合候选圆,根据候选圆得到制动盘形态指标;
该步骤的目的是,选取最佳边缘像素点进行拟合候选圆得到制动盘的形态指标。
其中,每个边缘像素点的待选置信度的计算方法为:
式中,σc为边缘像素点c对应角度指标序列的方差,为边缘像素点c的待选置信度。根据本实施例所述方法获取所有制动盘轮廓边缘像素点的待选置信度,并对各待选置信度进行归一化处理,保证函数值处于[0,1],至此,可得到制动盘轮廓边缘像素点的待选置信度。
其中,最佳边缘像素点的选取方法为:
将制动盘轮廓边缘像素点的待选置信度按照从大到小的顺序进行排列,得到待选置信度序列,然后本发明将选取前S个边缘点作为最佳边缘点,用于候选圆的拟合,提高制动盘轮廓形态检测的准确性,S为经验值,实施者可自行设定,本实施例中S=10。
其中,制动盘形态指标的计算方法为:
式中,U为制动盘轮廓边缘像素点的个数,δ为待检测制动盘的形态指标,函数值对其进行归一化处理,保证函数值处于[0,1],用于对制动盘外观进行全面检测,实现制动盘外观缺陷的全面检测,xu,yu为拟合候选圆使用的边缘像素点的坐标,a,b为候选圆坐标,r为候选圆半径。
需要说明的是,考虑到汽车制动盘外观轮廓形态为圆形,因此,本实施例将基于圆方程以及边缘像素点集合获取制动盘的候选圆的信息,圆方程为:(x-a)2+(y-b)2=r,其中(a,b)为圆心,r为圆的半径,然后本实施例将基于边缘像素点集合获取各候选圆,本实施例将通过边缘点对候选圆进行拟合,拟合方法为最小二乘法,对候选圆进行拟合,将包含边缘点最多的圆作为候选圆,获取对应的候选圆参数(a,b,r)。
传统的拟合过程是从所述边缘像素点集合中随机选取多个点进行圆的拟合,为提高制动盘轮廓形态的准确检测,本发明将建立像素点待选置信度分析模型,用于对边缘像素点集合中的各像素点进行分析,筛选出能够较为准确的评估制动盘轮廓形态特征的像素点,保证候选圆选取精度。
步骤七:根据缺陷区域显著度和制动盘形态指标得到制动盘外观缺陷指标,利用缺陷指标对待检测制动盘外观缺陷进行质量评估。
该步骤的目的是各特征指标建立缺陷检测模型,定量分析制动盘外观缺陷状况,实现制动盘表面缺陷的自动检测。
其中,制动盘外观缺陷指标的计算方法为:
式中,A为缺陷区域数量,通过步骤四获得,Xa为第a个缺陷区域的显著度,Q为待检测制动盘外观缺陷指标,指标值越高,则认为待检测制动盘表面外观的缺陷状况越严重,对缺陷检测模型进行归一化处理,保证函数值处于[0,1],以便直观获取制动盘的外观缺陷状况。
其中,对待检测制动盘外观缺陷进行质量评估的方法为:当待检测制动盘的外观缺陷指标Q>0.5时***发出预警,认为制动盘外观缺陷状况较为严重,需要对其表面进行再次加工处理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种制动盘外观缺陷检测方法,其特征在于,包括:
获取待检测制动盘表面图像;
对待检测制动盘表面图像的感兴趣区域像素点进行聚类,根据每类像素点的坐标均值、灰度均值和该类像素点在HSV空间中的色调均值、饱和度均值、亮度均值构建每类像素点的类别向量;
根据每类像素点的类别向量得到每类像素点的整体对比度;
利用角点检测得到每类像素点中的特征点;
根据每类像素点中心与其邻域类别像素点中心的距离得到每类像素点的距离指标;
根据每类像素点的整体对比度、特征点数量、距离指标得到每类像素点的显著度,将显著度大于阈值的像素点类别作为缺陷区域;
获取制动盘边缘像素点,使用滑动窗口对边缘像素点进行顺时针滑动,对滑动窗口内的边缘像素点拟合直线,根据拟合直线与水平正方向夹角得到每个边缘像素点的角度指标;
根据每个边缘像素点的角度指标和该边缘像素点前后相邻像素点的角度指标得到每个边缘像素点的角度指标序列;
根据每个边缘像素点的角度指标序列的方差和角度指标序列的最大值及最小值得到每个边缘像素点的待选置信度;
根据每个边缘像素点的待选置信度选取最佳边缘像素点,通过最佳边缘像素点拟合候选圆,根据候选圆得到制动盘形态指标;
根据缺陷区域显著度和制动盘形态指标得到制动盘外观缺陷指标,利用缺陷指标对待检测制动盘外观缺陷进行质量评估。
2.根据权利要求1所述的一种制动盘外观缺陷检测方法,其特征在于,所述每类像素点的整体对比度的计算方法为:
计算每类像素点的类别向量与其他每类像素点的类别向量之间欧式距离;
将欧式距离之和作为该类像素点的整体对比度。
4.根据权利要求1所述的一种制动盘外观缺陷检测方法,其特征在于,所述每个边缘像素点的角度指标序列的获取方法为:
获取每个边缘像素点的角度指标;
获取该边缘像素点前z个像素点的角度指标和该边缘像素点后z个像素点的角度指标,z为经验值;
将这2z+1个角度指标作为每个边缘像素点的角度指标序列。
6.根据权利要求5所述的一种制动盘外观缺陷检测方法,其特征在于,所述最佳边缘像素点的选取方法为:
将所有边缘像素点的待选置信度按照从大到小的顺序排序,将前S个边缘像素点作为最佳边缘像素点,S为经验值。
9.根据权利要求8所述的一种制动盘外观缺陷检测方法,其特征在于,所述利用缺陷指标对待检测制动盘外观缺陷进行质量评估的方法为:
当待检测制动盘外观缺陷指标Q>0.5时,该待检测制动盘外观缺陷状况严重,需要对其表面进行再次加工处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473779.3A CN114926410A (zh) | 2022-04-29 | 2022-04-29 | 制动盘外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210473779.3A CN114926410A (zh) | 2022-04-29 | 2022-04-29 | 制动盘外观缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926410A true CN114926410A (zh) | 2022-08-19 |
Family
ID=82806707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210473779.3A Pending CN114926410A (zh) | 2022-04-29 | 2022-04-29 | 制动盘外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926410A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及*** |
CN115496762A (zh) * | 2022-11-21 | 2022-12-20 | 深圳市富安娜家居用品股份有限公司 | 一种基于纺织工艺的染色不良缺陷识别方法 |
CN115631199A (zh) * | 2022-12-21 | 2023-01-20 | 深圳新视智科技术有限公司 | pin针缺陷检测方法、装置、设备及存储介质 |
CN115841489A (zh) * | 2023-02-21 | 2023-03-24 | 华至云链科技(苏州)有限公司 | 智能点检方法及平台 |
CN116958125A (zh) * | 2023-09-18 | 2023-10-27 | 惠州市鑫晖源科技有限公司 | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 |
-
2022
- 2022-04-29 CN CN202210473779.3A patent/CN114926410A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496918A (zh) * | 2022-11-16 | 2022-12-20 | 山东高速股份有限公司 | 基于计算机视觉的高速公路路况异常检测方法及*** |
CN115496762A (zh) * | 2022-11-21 | 2022-12-20 | 深圳市富安娜家居用品股份有限公司 | 一种基于纺织工艺的染色不良缺陷识别方法 |
CN115496762B (zh) * | 2022-11-21 | 2023-01-24 | 深圳市富安娜家居用品股份有限公司 | 一种基于纺织工艺的染色不良缺陷识别方法 |
CN115631199A (zh) * | 2022-12-21 | 2023-01-20 | 深圳新视智科技术有限公司 | pin针缺陷检测方法、装置、设备及存储介质 |
CN115841489A (zh) * | 2023-02-21 | 2023-03-24 | 华至云链科技(苏州)有限公司 | 智能点检方法及平台 |
CN116958125A (zh) * | 2023-09-18 | 2023-10-27 | 惠州市鑫晖源科技有限公司 | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 |
CN116958125B (zh) * | 2023-09-18 | 2023-12-26 | 惠州市鑫晖源科技有限公司 | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测*** | |
Oliveira et al. | Automatic road crack detection and characterization | |
CN109658402B (zh) | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
CN109444169B (zh) | 一种轴承缺陷检测方法及*** | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及*** | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析***及方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN108734131B (zh) | 一种图像中的交通标志对称性检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115100196A (zh) | 一种基于图像分割的冲压件除锈效果评估方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测***及方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220819 |