CN115082482B - 一种金属表面缺陷检测方法 - Google Patents
一种金属表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115082482B CN115082482B CN202211009351.XA CN202211009351A CN115082482B CN 115082482 B CN115082482 B CN 115082482B CN 202211009351 A CN202211009351 A CN 202211009351A CN 115082482 B CN115082482 B CN 115082482B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- suspected
- gray value
- gray
- metal surface
- 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.)
- Active
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理领域,具体涉及一种金属表面缺陷检测方法,通过获取待检测金属表面图像中的疑似异常灰度值和疑似正常灰度值,根据疑似异常灰度值和疑似正常灰度值获取疑似异常像素点,利用不同尺寸的窗口获取每个疑似异常像素点在每种尺寸的窗口内的疑似异常像素点个数和灰度值得到每个疑似异常像素点的异常程度,根据每个疑似异常像素点的异常程度和异常程度阈值得到待检测金属表面图像中的疑似异常区域和疑似正常区域,利用疑似异常区域得到准确的异常灰度值,并利用分段线性变换函数对异常灰度值进行特征增强,对正常灰度值进行抑制,使得待检测金属表面图像中的异常缺陷更加明显,提高了检测精度。
Description
技术领域
本申请涉及图像数据处理领域,具体涉及一种金属表面缺陷检测方法。
背景技术
随着工业的快速发展,对金属的需求也越来越大,金属的冶炼加工工艺也在快速发展,在提升产量的同时,也更加注重质量,对金属表面缺陷的检测在产品质量控制中非常重要,在金属的生产过程中,常见的质量问题有夹渣、疏松、脱碳等。
现有针对金属表面的缺陷检测的方法为,通过获取金属表面的灰度直方图,对直方图进行分析,根据灰度直方图中每个灰度值出现的概率对灰度值进行聚类,将聚类后得到的概率大的一类灰度值作为正常灰度值,将概率小的一类灰度值作为异常灰度值,将此种划分方式得到的正常灰度值和异常灰度值作为数据基础,进行后续分析,但是,此种划分正常灰度值和异常灰度值的方式,在检测过程中,可能由于光照影响或聚类操作造成该方法划分正常灰度值和异常灰度值时产生误差,影响检测精度。
发明内容
本发明提供一种金属表面缺陷检测方法,解决灰度值划分存在误差导致检测精度变低的问题,采用如下技术方案:
获取待检测金属表面图像中的疑似异常灰度值和疑似正常灰度值;
获取每个疑似异常灰度值和疑似正常灰度值均值的差值,选取差值最大的疑似异常灰度值对应的像素点作为疑似异常像素点;
以每个疑似异常像素点为中心,获取该异常像素点在每种尺寸的窗口区域内的疑似异常像素点的个数和灰度值;
根据每种尺寸的窗口区域内的疑似异常像素点的个数和灰度值得到该中心疑似异常像素点的异常程度;
根据每个疑似异常像素点的异常程度和异常程度阈值得到待检测金属表面图像中的疑似异常区域;
利用疑似异常区域对待检测金属表面图像中疑似异常灰度值进行修正,得到待检测金属表面图像中准确的异常灰度值;
对待检测金属表面图像中的准确的异常灰度值进行特征增强。
所述获取待检测金属表面图像中的疑似异常灰度值和疑似正常灰度值的获取方法为:
获取待检测金属表面图像的灰度直方图;
获取灰度直方图中每个灰度值出现的概率,对灰度直方图中每个灰度值出现的概率进行K-means聚类;
将聚类后得到的概率值之和小的一类灰度值作为疑似异常灰度值,概率值之和大的一类灰度值作为疑似正常灰度值。
所述每个疑似异常像素点的异常程度的获取方法为:
选取一个疑似异常像素点;
则每个疑似异常像素点的异常程度为:
式中,为金属表面图像中位置为处的疑似异常像素点的异常程度,为第行,为第列,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为疑似正常灰度值的均值,为窗口的权值,为窗口的权值,为窗口的权值。
所述根据每个疑似异常像素点的异常程度和异常程度阈值得到待检测金属表面图像中的疑似异常区域的方法为:
所述待检测金属表面图像中的疑似异常区域中,若两相邻疑似异常区域之间的距离小于距离阈值,则将距离小于距离阈值的两个相邻疑似异常区域进行合并。
所述距离阈值的获取方法为:
所述利用疑似异常区域对待检测金属表面图像中疑似异常灰度值进行修正,得到待检测金属表面图像中准确的异常灰度值的方法为:
获取待检测金属表面图像中的疑似异常灰度值集合P;
获取待检测金属表面图像中的疑似异常区域中的灰度值集合Q;
将灰度值P中属于灰度值集合Q的灰度值作为待检测金属表面图像中准确的异常灰度值,其他灰度值为准确的正常灰度值。
对待检测金属表面图像中准确的异常灰度值进行特征增强的方法为:
根据准确的正常灰度值中的最小灰度值、准确的异常灰度值中的最大灰度值、准确的正常灰度值均值、准确的异常灰度值均值构建分段线性变换函数:
构建异常灰度值的分段线性变换函数为:
构建正常灰度值的分段线性变换函数为:
利用异常灰度值的分段线性变换函数对待检测金属表面图像中的准确的异常灰度值进行增强,利用正常灰度值的分段线性变换函数对待检测金属表面图像中的准确正常灰度值进行抑制。
本发明的有益效果是:
(1)通过分析金属表面图像的灰度直方图中的灰度分布概率,并对分布概率进行聚类,将灰度值分为疑似正常灰度值和疑似异常灰度值,该方法实现了对灰度值得初步划分;
(2)通过疑似异常灰度像素点周围的疑似异常像素点的数量和灰度得到每个疑似异常像素点位置处的异常程度,根据异常程度得到异常区域及最终的异常灰度值和正常灰度值,该方法考虑到初步分划分中可能由于光照或是聚类造成的误差,对初步划分的灰度结果进一步基于每个疑似异常灰度值的像素点进行二次分析,得到准确的灰度值分类,提高了对正常灰度值和异常灰度值的判断精度;
(3)根据准确的异常灰度值和正常灰度值得到准确的缺陷区域,并对准确的缺陷区域进行特征增强,该方法提高了微小缺陷的辨识度,使得缺陷检测精度更高。
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是本发明的一种金属表面缺陷检测方法的流程图;
图2是本发明的一种金属表面缺陷检测方法中的距离小于距离阈值的两个相邻疑似异常区域示意图;
图3是本发明的一种金属表面缺陷检测方法中的距离大于距离阈值的两个相邻疑似异常区域示意图;
图4是本发明的一种金属表面缺陷检测方法中的两个相邻疑似异常区域合并后得到的疑似异常区域示意图。
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。
本发明的一种金属表面缺陷检测方法的实施例,如图1所示:
步骤一:获取待检测金属表面图像中的疑似异常灰度值和疑似正常灰度值;
该步骤的目的是,采集待检测金属表面图像并进行灰度处理后得到待检测金属表面的灰度直方图,并根据灰度直方图中的灰度值及像素点数量得到每个灰度值的概率,根据概率对灰度值进行划分,得到疑似异常灰度值和疑似正常灰度值。
本实施例首先布置摄像机采集待检测金属表面图像,然后对金属表面图像进行灰度化,得到待检测金属表面图像的灰度图,最后获取待检测金属表面灰度图对应的灰度直方图。
其中,获取待检测金属表面图像中的疑似异常灰度值和疑似正常灰度值的方法为:
(1)获取金属表面图像的灰度直方图;
灰度直方图是统计灰度图中的各灰度值的出现的概率,由于金属图像的特殊性,图像中的灰度值是十分接近并且每个灰度值下的像素点个数即概率是相近的,因此在空间商呈现一种数据上的聚合状态。而如果图像中存在缺陷,则在灰度直方图上表现为出现概率很小的灰度值,因为缺陷的的范围一般较小,因此对应的概率值较小。
(2)获取灰度直方图中每个灰度值出现的概率,对灰度直方图中每个灰度值出现的概率进行K-means聚类;
根据以上分析可知,金属表面图像的正常灰度对应的概率值很大,缺陷部位灰度对应的概率值很小,因此可以通过K-means聚类算法对最终的直方图数据进行分割,得到两组数据;
(3)将聚类后得到的概率值之和小的一类灰度值作为疑似异常灰度值,概率值之和大的一类灰度值作为疑似正常灰度值;
K-means聚类算法只能对数据进行分割,但是并不能区分数据类型,因为正常数据的概率值远大于异常数据的概率值,则将聚类得到的两组数据中,概率值之和大的一类灰度值作为疑似正常像素点,概率值之和小的一类灰度值作为疑似异常灰度值,因为正常数据的概率值大于异常数据的概率值,所以通过两组数据的对比可以区分灰度值的类型。
步骤二:获取每个疑似异常灰度值和疑似正常灰度值均值的差值,选取差值最大的疑似异常灰度值对应的像素点作为疑似异常像素点;以每个疑似异常像素点为中心,获取该异常像素点在每种尺寸的窗口区域内的疑似异常像素点的个数和灰度值;根据每种尺寸的窗口区域内的疑似异常像素点的个数和灰度值得到该中心疑似异常像素点的异常程度;
该步骤的目的是,分析可能存在异常的灰度值即疑似异常灰度值,根据异常灰度值与正常灰度值均值的差异,选取差异最大的疑似异常灰度值,利用不同窗口内疑似异常像素点的数量和灰度值计算出每个疑似异常像素点的异常程度;
其中,获取每个疑似异常灰度值和疑似正常灰度值均值的差值,选取差值最大的疑似异常灰度值对应的像素点作为疑似异常像素点的方法为:
本方法的含义在于通过计算异常灰度值和正常灰度值之间的差异来确定异常灰度值结合中每个灰度值的异常程度。
需要说明的是,步骤一中对图像中疑似正常像素点和疑似异常像素点根据聚类特性进行了区分,而在聚类结果中,异常像素点的确定并不能确定图像存在异常,有可能是由于光照或是聚类误差造成的,如果图像存在缺陷,则聚类的到的异常像素点在空间上呈现一种聚集状态,基于以上分析本步骤对聚类得到的疑似异常灰度值进行进一步分析确定,判断其是否为异常灰度值。
其中,根据每种尺寸的窗口区域内的疑似异常像素点的个数和灰度值得到该中心疑似异常像素点的异常程度的方法为:
对于三个窗口的选取,由于金属缺陷的种类比较繁多,可能某个很小的区域比如的窗口内是正常的,而或的窗口内是不正常的,因此仅仅判断窗口大小的异常程度是不合理的,但是由于窗口过大会导致某些噪声被统计进去造成判断失误,因此本实施例选取三个大小的窗口进行统计,即、、,并且为了保证准确性,在得到最后的结果时,会对窗口进行异常的验证;
(3)则每个疑似异常像素点的异常程度为:
式中,为金属表面图像中位置为处的疑似异常像素点的异常程度,为第行,为第列,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为正常灰度值的均值,表示的权值,表示的权值,为窗口的权值;
本实施例中,的取值为1/2,的取值为1/5,的取值为3/10,权值总和为1,每个疑似异常像素点的异常程度的计算公式中三个窗口大小不一,若窗口越小含有的异常像素点个数越多,其异常程度就越大,应当给予更大的权值,该公式的含义在于,通过当前像素点为中心的、、窗口内异常像素点的个数以及灰度值的差异来判断当前疑似异常像素点所在位置的异常状况,如果只有一个疑似异常像素点,即选取的中心疑似异常像素点,则为0,该疑似异常像素点的异常程度。
步骤三:根据每个疑似异常像素点的异常程度和异常程度阈值得到待检测金属表面图像中的疑似异常区域;
该步骤的目的是根据疑似异常像素点的异常程度,确定出金属表面灰度图像中的疑似异常区域和疑似正常区域,并根据相邻疑似异常区域之间的距离对其进行合并,得到合并后的疑似异常区域。
其中,根据每个疑似异常像素点的异常程度和异常程度阈值得到待检测金属表面图像中的疑似异常区域和疑似正常区域的方法为:
进一步的,计算任意相邻两疑似异常区域的中心点之间的距离,若距离小于距离阈值,则将该相邻两个疑似异常区域进行合并,得到合并后的疑似异常区域;
具体合并方法如下:
由于可能多个疑似异常区域之间在空间位置上是相近的,因此需要对其进行合并确定缺陷区域的位置,以异常程度最大的疑似异常像素点确定的疑似异常区域作为参考区域,假设为,剩余疑似异常像素点确定的疑似异常区域,假设为即金属表面图像中位置为处的疑似异常像素点;
上式中,表示两个疑似异常区域之间的空间距离,和分别表示和两者在图像中的空间位置,当两者距离较近时表明两个疑似异常区域共同构成了一个异常区域,依次循环计算两两疑似异常之间的距离,设定当时表明两个疑似异常区域相近,为距离阈值;
其中,距离阈值的获取方法为:
如图2为距离小于距离阈值的两个相邻疑似异常区域,图3为距离大于距离阈值的两个相邻疑似异常区域,图4为图2中距离小于距离阈值的两个相邻疑似异常区域合并后的疑似异常区域;
当两个疑似异常区域之间有重叠区域时,认为两个疑似异常区域为同一个疑似异常区域,当重叠时两个窗口之间的最大距离(距离阈值)为:
步骤四:利用疑似异常区域对待检测金属表面图像中疑似异常灰度值进行修正,得到待检测金属表面图像中准确的异常灰度值;对待检测金属表面图像中的准确的异常灰度值进行特征增强。
该步骤的目的是,对待检测金属表面图像中疑似异常灰度值进行修正,得到待检测金属表面图像中准确的异常灰度值,利用分段线性变换函数对金属表面图像中的正常灰度值进行抑制,对金属表面图像中的异常灰度值进行特征增强,使得缺陷更加明显。
其中,利用疑似异常区域对待检测金属表面图像中疑似异常灰度值进行修正,得到待检测金属表面图像中准确的异常灰度值的方法为:
获取待检测金属表面图像中的疑似异常灰度值集合P;
获取待检测金属表面图像中的疑似异常区域中的灰度值集合Q;
将灰度值P中属于灰度值集合Q的灰度值作为待检测金属表面图像中准确的异常灰度值,其他灰度值为准确的正常灰度值。
本实施例将待检测金属表面图像中合并后的疑似异常区域包含的疑似异常灰度值作为准确的异常灰度值,将其他灰度值作为准确的正常灰度值,也可根据待检测金属表面图像中的准确的异常灰度值对应的像素点和准确的正常灰度值对应的像素点进行连通域分析得到缺陷区域和正常区域,但是由于金属的缺陷类型中,有许多的缺陷是不明显的,异常灰度值和正常图像的灰度值十分接近,因此在这种情况下对缺陷检测来说十分不友好,容易出现漏警和虚警的情况,本发明通过对概率的分析确定了缺陷部位的灰度值,因此通过对缺陷部位的特征增强来使得缺陷部位更加明显,便于后续的检测。
分段线性变换可以根据需要将不同的分段进行不同的灰度增强或抑制,本实施例根据上述步骤得到的两种灰度数据,对正常灰度值抑制,对异常灰度值增强,使得两者的灰度值有较大差异,使得缺陷特征更加明显。
其中,对待检测金属表面图像中准确的异常灰度值进行特征增强的方法为:
需要说明的是,以下所称的异常灰度值是指得到的准确的异常灰度值,正常灰度值,是指得到的准确的正常灰度值;
(1)构建异常灰度值的分段线性变换函数为:
(2)构建正常灰度值的分段线性变换函数为:
需要说明的是,线性灰度变换的最终目的是为了让两组数据的灰度值有较大差异,将缺陷部位的特征突出,而线性变换的系数A与m决定了线性变换幅度的大小,A和m的表达式是为了调整线性变换的变化幅度,取是为了满足,取是为了满足,而线性灰度变换的截距则用两类灰度的灰度均值来表示,的大小代表了正常灰度值和异常灰度值之间的差异大小,因此以的大小调整灰度增强的幅度;
(3)利用异常灰度值的分段线性变换函数对待检测金属表面图像中的异常灰度值进行增强,利用正常灰度值的分段线性变换函数对待检测金属表面图像中的正常灰度值进行抑制,实现缺陷区域特征增强。
进一步的,对增强后的金属表面图像可采取不同的方式进行压缩传输,对缺陷增强后的金属表面图像中的不同区域采取不同的编码压缩方式进行压缩传输,既保证了缺陷的特征,又提高了压缩效率,本实施例通过对缺陷区域采用无损的霍夫曼编码方式,对正常区域采用灰度平均化后的游程编码的方式提高图像的压缩效率。
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)
1.一种金属表面缺陷检测方法,其特征在于,该方法包括:
获取待检测金属表面图像中的疑似异常灰度值和疑似正常灰度值;
获取每个疑似异常灰度值和疑似正常灰度值均值的差值,选取差值最大的疑似异常灰度值对应的像素点作为疑似异常像素点;
以每个疑似异常像素点为中心,获取该异常像素点在每种尺寸的窗口区域内的疑似异常像素点的个数和灰度值;
根据每种尺寸的窗口区域内的疑似异常像素点的个数和灰度值得到该中心疑似异常像素点的异常程度;
所述每个疑似异常像素点的异常程度的获取方法为:
选取一个疑似异常像素点;
则每个疑似异常像素点的异常程度为:
式中,为金属表面图像中位置为处的疑似异常像素点的异常程度,为第行,为第列,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内的疑似异常像素点个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为尺寸为的窗口内第个疑似异常像素点,为该窗口内疑似异常像素点总个数,为疑似正常灰度值的均值,为窗口的权值,为窗口的权值,为窗口的权值;根据每个疑似异常像素点的异常程度和异常程度阈值得到待检测金属表面图像中的疑似异常区域;
利用疑似异常区域对待检测金属表面图像中疑似异常灰度值进行修正,得到待检测金属表面图像中准确的异常灰度值;
所述利用疑似异常区域对待检测金属表面图像中疑似异常灰度值进行修正,得到待检测金属表面图像中准确的异常灰度值的方法为:
获取待检测金属表面图像中的疑似异常灰度值集合P;
获取待检测金属表面图像中的疑似异常区域中的灰度值集合Q;
将灰度值P中属于灰度值集合Q的灰度值作为待检测金属表面图像中准确的异常灰度值,其他灰度值为准确的正常灰度值;
对待检测金属表面图像中的准确的异常灰度值进行特征增强。
2.根据权利要求1所述的一种金属表面缺陷检测方法,其特征在于,所述获取待检测金属表面图像中的疑似异常灰度值和疑似正常灰度值的获取方法为:
获取待检测金属表面图像的灰度直方图;
获取灰度直方图中每个灰度值出现的概率,对灰度直方图中每个灰度值出现的概率进行K-means聚类;
将聚类后得到的概率值之和小的一类灰度值作为疑似异常灰度值,概率值之和大的一类灰度值作为疑似正常灰度值。
4.根据权利要求3所述的一种金属表面缺陷检测方法,其特征在于,所述待检测金属表面图像中的疑似异常区域中,若两相邻疑似异常区域之间的距离小于距离阈值,则将距离小于距离阈值的两相邻疑似异常区域进行合并。
6.根据权利要求1所述的一种金属表面缺陷检测方法,其特征在于,所述对待检测金属表面图像中准确的异常灰度值进行特征增强的方法为:
根据准确的正常灰度值中的最小灰度值、准确的异常灰度值中的最大灰度值、准确的正常灰度值均值、准确的异常灰度值均值构建分段线性变换函数:
构建异常灰度值的分段线性变换函数为:
构建正常灰度值的分段线性变换函数为:
利用异常灰度值的分段线性变换函数对待检测金属表面图像中的准确的异常灰度值进行增强,利用正常灰度值的分段线性变换函数对待检测金属表面图像中的准确正常灰度值进行抑制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009351.XA CN115082482B (zh) | 2022-08-23 | 2022-08-23 | 一种金属表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009351.XA CN115082482B (zh) | 2022-08-23 | 2022-08-23 | 一种金属表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082482A CN115082482A (zh) | 2022-09-20 |
CN115082482B true CN115082482B (zh) | 2022-11-22 |
Family
ID=83244719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009351.XA Active CN115082482B (zh) | 2022-08-23 | 2022-08-23 | 一种金属表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082482B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115239738B (zh) * | 2022-09-26 | 2022-12-09 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115272322A (zh) * | 2022-09-28 | 2022-11-01 | 南通先端精密机械有限公司 | 一种基于数据处理的合金缺陷定量检测方法 |
CN115272334B (zh) * | 2022-09-29 | 2023-08-25 | 研索仪器科技(上海)有限公司 | 用于复杂背景下的钢轨表面微小缺陷检测方法 |
CN115272347A (zh) * | 2022-09-30 | 2022-11-01 | 中威泵业(江苏)有限公司 | 一种轴承缺陷识别方法 |
CN115294140B (zh) * | 2022-10-09 | 2023-04-14 | 南通永卓金属制品有限公司 | 一种五金零件缺陷检测方法及*** |
CN115294141B (zh) * | 2022-10-10 | 2023-03-10 | 惠智赋能(滨州)信息科技服务有限公司 | 一种基于声纳图像的深海渔网检测方法 |
CN115311270B (zh) * | 2022-10-11 | 2023-04-07 | 南通至顺聚氨酯材料有限公司 | 一种塑料制品表面缺陷检测方法 |
CN115311283B (zh) * | 2022-10-12 | 2023-01-24 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及*** |
CN115375688B (zh) * | 2022-10-25 | 2023-04-28 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115375588B (zh) * | 2022-10-25 | 2023-02-07 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115423813B (zh) * | 2022-11-05 | 2023-03-24 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
CN115457035B (zh) * | 2022-11-10 | 2023-03-24 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
CN115601365B (zh) * | 2022-12-15 | 2023-03-14 | 无锡康贝电子设备有限公司 | 用于数控机床的轴承检测方法 |
CN115841491B (zh) * | 2023-02-24 | 2023-05-05 | 杭州电子科技大学 | 一种多孔金属材料的质量检测方法 |
CN116071387B (zh) * | 2023-03-06 | 2023-06-16 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于机器视觉的枕轨生产质量检测方法 |
CN116091499B (zh) * | 2023-04-07 | 2023-06-20 | 山东中胜涂料有限公司 | 一种涂料生产异常识别*** |
CN116703898B (zh) * | 2023-08-03 | 2023-10-20 | 山东优奭趸泵业科技有限公司 | 一种精密机械轴承端面的质量检测方法 |
CN116862908B (zh) * | 2023-09-01 | 2023-11-24 | 菏泽学院 | 一种基于图像处理的金属齿轮啮合缺陷检测方法 |
CN117173188B (zh) * | 2023-11-03 | 2024-01-26 | 泸州通鑫显示科技有限公司 | 一种玻璃瘢痕识别方法 |
CN117173187B (zh) * | 2023-11-03 | 2024-03-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测*** |
CN117437223B (zh) * | 2023-12-20 | 2024-02-23 | 连兴旺电子(深圳)有限公司 | 一种高速板对板连接器缺陷智能检测方法 |
CN117611589B (zh) * | 2024-01-24 | 2024-04-12 | 深圳市格瑞邦科技有限公司 | 一种平板电脑质量检测方法及*** |
CN117764986B (zh) * | 2024-02-22 | 2024-05-07 | 宝鸡世邦钛制品有限公司 | 基于图像处理的钛板表面缺陷检测方法 |
CN117808800B (zh) * | 2024-02-29 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 一种纺织品染色质量智能评估方法及*** |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149214A (zh) * | 2013-02-27 | 2013-06-12 | 上海交通大学 | 水果表面缺陷检测方法 |
JP2015135540A (ja) * | 2014-01-16 | 2015-07-27 | 大日本印刷株式会社 | 画像の特徴点抽出方法、欠陥検査方法、欠陥検査装置 |
CN105869135A (zh) * | 2015-01-19 | 2016-08-17 | 青岛软控机电工程有限公司 | 轮胎缺陷的检测方法和装置 |
KR20170022346A (ko) * | 2015-08-20 | 2017-03-02 | 충북대학교 산학협력단 | Pcb 결함 및 결함종류 분류 시스템 및 방법 |
CN106770323A (zh) * | 2016-12-15 | 2017-05-31 | 常州大学 | 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法 |
CN107918216A (zh) * | 2017-12-13 | 2018-04-17 | 深圳Tcl新技术有限公司 | 图像Mura缺陷评估方法、***以及可读存储介质 |
CN109540925A (zh) * | 2019-01-23 | 2019-03-29 | 南昌航空大学 | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 |
CN109544506A (zh) * | 2018-10-17 | 2019-03-29 | 潍坊路加精工有限公司 | 工件外观缺陷的检测方法及装置 |
CN110149486A (zh) * | 2019-05-17 | 2019-08-20 | 凌云光技术集团有限责任公司 | 一种新增异常点的自动检测方法、校正方法及*** |
CN112477438A (zh) * | 2020-11-13 | 2021-03-12 | 深圳汉弘软件技术有限公司 | 一种打印方法、装置、喷墨打印机及存储介质 |
JP2021128097A (ja) * | 2020-02-14 | 2021-09-02 | 株式会社ブイ・テクノロジー | 欠陥検出装置、欠陥検出方法、欠陥修正装置 |
CN113570605A (zh) * | 2021-09-28 | 2021-10-29 | 深圳市绘晶科技有限公司 | 一种基于液晶显示面板的缺陷检测方法和*** |
CN113674247A (zh) * | 2021-08-23 | 2021-11-19 | 河北工业大学 | 一种基于卷积神经网络的x射线焊缝缺陷检测方法 |
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 |
CN113963042A (zh) * | 2021-12-21 | 2022-01-21 | 派立锐汽车零部件(武汉)有限公司 | 基于图像处理的金属零件缺陷程度评估方法 |
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 |
CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及*** |
CN114359270A (zh) * | 2022-03-09 | 2022-04-15 | 山东华硕汽车配件科技有限公司 | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 |
CN114494210A (zh) * | 2022-01-28 | 2022-05-13 | 江苏豪尚新材料科技有限公司 | 基于图像处理的塑料膜生产缺陷检测方法及*** |
CN114523203A (zh) * | 2022-03-13 | 2022-05-24 | 扬州沃盛车业制造有限公司 | 一种激光智能焊接方法及*** |
CN114757900A (zh) * | 2022-03-31 | 2022-07-15 | 启东新朋莱纺织科技有限公司 | 基于人工智能的纺织品缺陷类型识别方法 |
CN114758185A (zh) * | 2022-06-16 | 2022-07-15 | 南通倍佳机械科技有限公司 | 一种基于灰度色差的注塑参数控制方法与*** |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及*** |
CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
CN114862855A (zh) * | 2022-07-07 | 2022-08-05 | 南通盈赛纺织品有限公司 | 基于模板匹配的纺织品缺陷检测方法及*** |
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与*** |
CN114881960A (zh) * | 2022-04-29 | 2022-08-09 | 南通百杭纺织品有限公司 | 基于特征增强的布匹直线型缺陷检测方法和*** |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
-
2022
- 2022-08-23 CN CN202211009351.XA patent/CN115082482B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149214A (zh) * | 2013-02-27 | 2013-06-12 | 上海交通大学 | 水果表面缺陷检测方法 |
JP2015135540A (ja) * | 2014-01-16 | 2015-07-27 | 大日本印刷株式会社 | 画像の特徴点抽出方法、欠陥検査方法、欠陥検査装置 |
CN105869135A (zh) * | 2015-01-19 | 2016-08-17 | 青岛软控机电工程有限公司 | 轮胎缺陷的检测方法和装置 |
KR20170022346A (ko) * | 2015-08-20 | 2017-03-02 | 충북대학교 산학협력단 | Pcb 결함 및 결함종류 분류 시스템 및 방법 |
CN106770323A (zh) * | 2016-12-15 | 2017-05-31 | 常州大学 | 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法 |
CN107918216A (zh) * | 2017-12-13 | 2018-04-17 | 深圳Tcl新技术有限公司 | 图像Mura缺陷评估方法、***以及可读存储介质 |
CN109544506A (zh) * | 2018-10-17 | 2019-03-29 | 潍坊路加精工有限公司 | 工件外观缺陷的检测方法及装置 |
CN109540925A (zh) * | 2019-01-23 | 2019-03-29 | 南昌航空大学 | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 |
CN110149486A (zh) * | 2019-05-17 | 2019-08-20 | 凌云光技术集团有限责任公司 | 一种新增异常点的自动检测方法、校正方法及*** |
JP2021128097A (ja) * | 2020-02-14 | 2021-09-02 | 株式会社ブイ・テクノロジー | 欠陥検出装置、欠陥検出方法、欠陥修正装置 |
CN112477438A (zh) * | 2020-11-13 | 2021-03-12 | 深圳汉弘软件技术有限公司 | 一种打印方法、装置、喷墨打印机及存储介质 |
CN113674247A (zh) * | 2021-08-23 | 2021-11-19 | 河北工业大学 | 一种基于卷积神经网络的x射线焊缝缺陷检测方法 |
CN113570605A (zh) * | 2021-09-28 | 2021-10-29 | 深圳市绘晶科技有限公司 | 一种基于液晶显示面板的缺陷检测方法和*** |
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 |
CN113963042A (zh) * | 2021-12-21 | 2022-01-21 | 派立锐汽车零部件(武汉)有限公司 | 基于图像处理的金属零件缺陷程度评估方法 |
CN114494210A (zh) * | 2022-01-28 | 2022-05-13 | 江苏豪尚新材料科技有限公司 | 基于图像处理的塑料膜生产缺陷检测方法及*** |
CN114359270A (zh) * | 2022-03-09 | 2022-04-15 | 山东华硕汽车配件科技有限公司 | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 |
CN114523203A (zh) * | 2022-03-13 | 2022-05-24 | 扬州沃盛车业制造有限公司 | 一种激光智能焊接方法及*** |
CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及*** |
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 |
CN114757900A (zh) * | 2022-03-31 | 2022-07-15 | 启东新朋莱纺织科技有限公司 | 基于人工智能的纺织品缺陷类型识别方法 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及*** |
CN114881960A (zh) * | 2022-04-29 | 2022-08-09 | 南通百杭纺织品有限公司 | 基于特征增强的布匹直线型缺陷检测方法和*** |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及*** |
CN114758185A (zh) * | 2022-06-16 | 2022-07-15 | 南通倍佳机械科技有限公司 | 一种基于灰度色差的注塑参数控制方法与*** |
CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
CN114862855A (zh) * | 2022-07-07 | 2022-08-05 | 南通盈赛纺织品有限公司 | 基于模板匹配的纺织品缺陷检测方法及*** |
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与*** |
Non-Patent Citations (6)
Title |
---|
A System for Detecting and Detecting Defects in Sheet Metal on Grayscale Images;K. V. Mortin et al;《International Russian Automation Conference》;20220118;第427–435页 * |
Analyzing Surface Defects in Apples Using Gabor Features;P. Jolly et al;《SITIS》;20161231;第178-185页 * |
Metal surface defect detection based on MATLAB;Z. Li et al;《IAEAC》;20181231;第2365-2371页 * |
基于图像的钢轨表面缺陷检测;蔡南平;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20150315;第2015年卷(第3期);I138-1977 * |
基于机器视觉的轴承滚子表面缺陷检测研究;张奔;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180715;第2018年卷(第7期);C029-72 * |
铸坯表面缺陷自动检测***的算法研究;刘思;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130715;第2013年卷(第7期);I140-493 * |
Also Published As
Publication number | Publication date |
---|---|
CN115082482A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082482B (zh) | 一种金属表面缺陷检测方法 | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN115601364B (zh) | 基于图像分析的金手指电路板检测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN115511889B (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN115249246A (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN115311484B (zh) | 一种焊缝数据的优化聚类分割方法 | |
CN117635604B (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN114359288B (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN112633337A (zh) | 一种基于聚类和边界点的不平衡数据处理方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115619708A (zh) | 基于图像识别主轴轴承润滑油油质变化判断故障的方法 | |
CN115994907A (zh) | 用于食品检测机构综合信息的智能处理***及方法 | |
CN115908362A (zh) | 一种滑板轮的耐磨性检测方法 | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及*** | |
CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN115965796A (zh) | 一种基于图像识别的金属锈蚀检测方法及*** | |
CN114565012A (zh) | 一种基于机器视觉的电机磁瓦表面缺陷检测方法 |
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 |