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 PDF

Info

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
Application number
CN202211009351.XA
Other languages
English (en)
Other versions
CN115082482A (zh
Inventor
雷科
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.)
Shandong Youyipang Pump Technology Co ltd
Original Assignee
Shandong Youyipang Pump 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 Shandong Youyipang Pump Technology Co ltd filed Critical Shandong Youyipang Pump Technology Co ltd
Priority to CN202211009351.XA priority Critical patent/CN115082482B/zh
Publication of CN115082482A publication Critical patent/CN115082482A/zh
Application granted granted Critical
Publication of CN115082482B publication Critical patent/CN115082482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种金属表面缺陷检测方法
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；
以该疑似异常像素点为中心，依次统计尺寸为
Figure 456418DEST_PATH_IMAGE001
、
Figure 204931DEST_PATH_IMAGE002
、
Figure 975703DEST_PATH_IMAGE003
的窗口内包含的疑似异常像素点的个数，其中，
Figure 151470DEST_PATH_IMAGE004
；
则每个疑似异常像素点的异常程度为：
Figure 404596DEST_PATH_IMAGE005
式中，
Figure 691221DEST_PATH_IMAGE006
为金属表面图像中位置为
Figure 782412DEST_PATH_IMAGE007
处的疑似异常像素点
Figure 863500DEST_PATH_IMAGE008
的异常程度，
Figure 603923DEST_PATH_IMAGE009
为第
Figure 523600DEST_PATH_IMAGE009
行，
Figure 767499DEST_PATH_IMAGE010
为第
Figure 550648DEST_PATH_IMAGE010
列，
Figure 981629DEST_PATH_IMAGE011
为尺寸为
Figure 397608DEST_PATH_IMAGE001
的窗口内的疑似异常像素点个数，
Figure 761594DEST_PATH_IMAGE012
为尺寸为
Figure 450064DEST_PATH_IMAGE002
的窗口内的疑似异常像素点个数，
Figure 633920DEST_PATH_IMAGE013
为尺寸为
Figure 567504DEST_PATH_IMAGE003
的窗口内的疑似异常像素点个数，
Figure 785995DEST_PATH_IMAGE014
为尺寸为
Figure 848629DEST_PATH_IMAGE001
的窗口内第
Figure 519782DEST_PATH_IMAGE015
个疑似异常像素点，
Figure 254127DEST_PATH_IMAGE016
为该窗口内疑似异常像素点总个数，
Figure 327125DEST_PATH_IMAGE017
为尺寸为
Figure 685294DEST_PATH_IMAGE002
的窗口内第
Figure 345208DEST_PATH_IMAGE018
个疑似异常像素点，
Figure 384708DEST_PATH_IMAGE019
为该窗口内疑似异常像素点总个数，
Figure 312212DEST_PATH_IMAGE020
为尺寸为
Figure 513387DEST_PATH_IMAGE003
的窗口内第
Figure 657667DEST_PATH_IMAGE021
个疑似异常像素点，
Figure 438541DEST_PATH_IMAGE022
为该窗口内疑似异常像素点总个数，
Figure 220552DEST_PATH_IMAGE023
为疑似正常灰度值的均值，
Figure 858207DEST_PATH_IMAGE024
为
Figure 492713DEST_PATH_IMAGE001
窗口的权值，
Figure 936332DEST_PATH_IMAGE025
为
Figure 838429DEST_PATH_IMAGE002
窗口的权值，
Figure 879941DEST_PATH_IMAGE026
为
Figure 765858DEST_PATH_IMAGE003
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：
若疑似异常像素点的异常程度大于异常程度阈值，则以该疑似异常像素点为中心，尺寸为
Figure 419693DEST_PATH_IMAGE003
的窗口区域为待检测金属表面图像中的疑似异常区域；否则该
Figure 379559DEST_PATH_IMAGE003
的窗口区域为金属表面图像中的疑似正常区域。
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：
若两个相邻疑似异常区域大小为
Figure 860481DEST_PATH_IMAGE027
,则两个相邻疑似异常区域的距离阈值为
Figure 968114DEST_PATH_IMAGE028
。
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：
Figure 425640DEST_PATH_IMAGE029
式中，
Figure 302329DEST_PATH_IMAGE030
为准确的异常灰度值变换后的灰度值，
Figure 13540DEST_PATH_IMAGE031
为系数，
Figure 811732DEST_PATH_IMAGE032
为准确的异常灰度值均值，
Figure 72949DEST_PATH_IMAGE033
为原异常灰度值，
Figure 305609DEST_PATH_IMAGE031
的值为
Figure 954765DEST_PATH_IMAGE034
，
Figure 771412DEST_PATH_IMAGE035
为准确的正常灰度值中的最小灰度值，
Figure 69276DEST_PATH_IMAGE036
为准确的异常灰度值中的最大灰度值；
构建正常灰度值的分段线性变换函数为：
Figure 920557DEST_PATH_IMAGE037
式中，
Figure 615981DEST_PATH_IMAGE038
为准确的正常灰度值变换后的灰度值，
Figure 919923DEST_PATH_IMAGE039
为系数，
Figure 24407DEST_PATH_IMAGE040
为准确的正常灰度值均值，
Figure 58091DEST_PATH_IMAGE041
为原正常灰度值，
Figure 455575DEST_PATH_IMAGE039
的值为
Figure 745348DEST_PATH_IMAGE042
；
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：
（1）计算所有疑似正常灰度值的均值
Figure 355321DEST_PATH_IMAGE023
；
（2）设异常灰度值为
Figure 915615DEST_PATH_IMAGE043
，表示第
Figure 749579DEST_PATH_IMAGE044
个疑似异常灰度值；
（3）计算每个异常灰度值和
Figure 264000DEST_PATH_IMAGE023
的差值
Figure 208822DEST_PATH_IMAGE045
；
Figure 623623DEST_PATH_IMAGE046
表示第
Figure 628488DEST_PATH_IMAGE044
个疑似异常灰度值和疑似正常灰度值的均值之间的差异，差异越大，表明该灰度值异常程度越大，对应的灰度值越可能是缺陷灰度值，该灰度值对应的像素点越可能是缺陷像素点；
（4）选取与
Figure 627274DEST_PATH_IMAGE023
差值最大的疑似异常灰度值，并将与
Figure 110208DEST_PATH_IMAGE023
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，进行后续的异常判定。
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：
(1)选取每一个疑似异常像素点；本实施例中在疑似异常灰度值
Figure 645095DEST_PATH_IMAGE043
对应的所有的疑似异常像素点中选择异常像素点
Figure 820861DEST_PATH_IMAGE008
即金属表面图像中位置为
Figure 309874DEST_PATH_IMAGE007
处的疑似异常像素点，
Figure 596498DEST_PATH_IMAGE009
为图像的行，
Figure 720312DEST_PATH_IMAGE010
为图像的列；
(2)以该疑似异常像素点为中心，依次统计尺寸为
Figure 863718DEST_PATH_IMAGE001
、
Figure 860534DEST_PATH_IMAGE002
、
Figure 950850DEST_PATH_IMAGE003
的窗口内包含的疑似异常像素点的个数，其中，
Figure 194749DEST_PATH_IMAGE004
；
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
Figure 181160DEST_PATH_IMAGE047
的窗口内是正常的，而
Figure 644764DEST_PATH_IMAGE048
或
Figure 273192DEST_PATH_IMAGE049
的窗口内是不正常的，因此仅仅判断
Figure 637177DEST_PATH_IMAGE047
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
Figure 60068DEST_PATH_IMAGE050
、
Figure 181608DEST_PATH_IMAGE051
、
Figure 440158DEST_PATH_IMAGE052
，并且为了保证准确性，在得到最后的结果时，会对
Figure 393070DEST_PATH_IMAGE049
窗口进行异常的验证；
在选取好窗口尺寸后，本步骤先统计
Figure 252442DEST_PATH_IMAGE047
窗口内异常像素点的个数，再统计
Figure 595698DEST_PATH_IMAGE048
窗口内的异常像素点的个数，最后统计
Figure 332973DEST_PATH_IMAGE049
窗口内疑似异常像素点的个数；
(3)则每个疑似异常像素点的异常程度为：
Figure 405971DEST_PATH_IMAGE005
式中，
Figure 170664DEST_PATH_IMAGE006
为金属表面图像中位置为
Figure 329113DEST_PATH_IMAGE007
处的疑似异常像素点
Figure 601569DEST_PATH_IMAGE008
的异常程度，
Figure 325812DEST_PATH_IMAGE009
为第
Figure 526986DEST_PATH_IMAGE009
行，
Figure 172731DEST_PATH_IMAGE010
为第
Figure 720649DEST_PATH_IMAGE010
列，
Figure 768240DEST_PATH_IMAGE011
为尺寸为
Figure 140315DEST_PATH_IMAGE001
的窗口内的疑似异常像素点个数，
Figure 945460DEST_PATH_IMAGE012
为尺寸为
Figure 61184DEST_PATH_IMAGE002
的窗口内的疑似异常像素点个数，
Figure 196237DEST_PATH_IMAGE013
为尺寸为
Figure 739213DEST_PATH_IMAGE003
的窗口内的疑似异常像素点个数，
Figure 890709DEST_PATH_IMAGE014
为尺寸为
Figure 810123DEST_PATH_IMAGE001
的窗口内第
Figure 68192DEST_PATH_IMAGE015
个疑似异常像素点，
Figure 516491DEST_PATH_IMAGE016
为该窗口内疑似异常像素点总个数，
Figure 889703DEST_PATH_IMAGE017
为尺寸为
Figure 81650DEST_PATH_IMAGE002
的窗口内第
Figure 191295DEST_PATH_IMAGE018
个疑似异常像素点，
Figure 341654DEST_PATH_IMAGE019
为该窗口内疑似异常像素点总个数，
Figure 671004DEST_PATH_IMAGE020
为尺寸为
Figure 604325DEST_PATH_IMAGE003
的窗口内第
Figure 69941DEST_PATH_IMAGE021
个疑似异常像素点，
Figure 627087DEST_PATH_IMAGE022
为该窗口内疑似异常像素点总个数，
Figure 443733DEST_PATH_IMAGE023
为正常灰度值的均值，
Figure 243062DEST_PATH_IMAGE024
表示
Figure 828764DEST_PATH_IMAGE001
的权值，
Figure 616198DEST_PATH_IMAGE025
表示
Figure 654561DEST_PATH_IMAGE002
的权值，
Figure 257581DEST_PATH_IMAGE026
为
Figure 963369DEST_PATH_IMAGE003
窗口的权值；
本实施例中，
Figure 862317DEST_PATH_IMAGE024
的取值为1/2，
Figure 387976DEST_PATH_IMAGE025
的取值为1/5，
Figure 529107DEST_PATH_IMAGE026
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
Figure 89402DEST_PATH_IMAGE047
、
Figure 156321DEST_PATH_IMAGE048
、
Figure 434856DEST_PATH_IMAGE049
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
Figure 379678DEST_PATH_IMAGE053
为0，该疑似异常像素点的异常程度
Figure 794479DEST_PATH_IMAGE054
。
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：
若疑似异常像素点的异常程度大于异常程度阈值，则以该疑似异常像素点为中心，尺寸为
Figure 300809DEST_PATH_IMAGE003
的窗口区域为金属表面图像中的疑似异常区域；否则该
Figure 473164DEST_PATH_IMAGE003
的窗口区域为金属表面图像中的疑似正常区域，本实施例中异常程度阈值
Figure 956098DEST_PATH_IMAGE055
为10。
本实施例中，根据每个
Figure 490985DEST_PATH_IMAGE008
像素点为中心得到的
Figure 135593DEST_PATH_IMAGE049
窗口的异常计算来判断该区域是否存在异常，如果所有区域都为正常的，表明该图像不存在异常。如果存在某个区域存在异常则表明金属存在缺陷，进行后续的处理；
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；
其中，距离阈值的获取方法为：若两个相邻疑似异常区域大小为
Figure 621676DEST_PATH_IMAGE027
,则两个相邻疑似异常区域的距离阈值为
Figure 908300DEST_PATH_IMAGE028
。
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
Figure 94431DEST_PATH_IMAGE008
，剩余疑似异常像素点确定的疑似异常区域，假设为
Figure 441099DEST_PATH_IMAGE056
即金属表面图像中位置为
Figure 417407DEST_PATH_IMAGE057
处的疑似异常像素点；
计算
Figure 242144DEST_PATH_IMAGE056
和
Figure 486043DEST_PATH_IMAGE008
区域之间的空间位置关系，即二者的距离：
Figure 3612DEST_PATH_IMAGE058
上式中，
Figure 690987DEST_PATH_IMAGE059
表示两个疑似异常区域之间的空间距离，
Figure 319415DEST_PATH_IMAGE060
和
Figure 417821DEST_PATH_IMAGE061
分别表示
Figure 106291DEST_PATH_IMAGE008
和
Figure 57192DEST_PATH_IMAGE056
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
Figure 223731DEST_PATH_IMAGE062
时表明两个疑似异常区域相近，
Figure 442223DEST_PATH_IMAGE063
为距离阈值；
其中，距离阈值的获取方法为：
若两个相邻疑似异常区域大小为
Figure 301594DEST_PATH_IMAGE027
,则两个相邻疑似异常区域的距离阈值为
Figure 471282DEST_PATH_IMAGE028
，由于本实施例中的每个疑似异常区域大小是尺寸为
Figure 707091DEST_PATH_IMAGE049
的窗口大小，即
Figure 780090DEST_PATH_IMAGE064
，因此每个疑似异常区域的大小为
Figure 75942DEST_PATH_IMAGE049
，则两个相邻疑似异常区域的距离阈值为
Figure 735855DEST_PATH_IMAGE065
；
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：
Figure 244197DEST_PATH_IMAGE066
上式中，
Figure 437281DEST_PATH_IMAGE063
为判断两个疑似异常区域之间的空间距离阈值，根据窗口尺寸的大小，得到重叠区域的最大距离为
Figure 372876DEST_PATH_IMAGE065
，则当
Figure 782735DEST_PATH_IMAGE067
时认为两者为同一个疑似异常区域，得到图4中的融合疑似异常区域。
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：
Figure 94768DEST_PATH_IMAGE029
式中，
Figure 876779DEST_PATH_IMAGE030
为异常灰度值变换后的灰度值，
Figure 248855DEST_PATH_IMAGE031
为系数，
Figure 883361DEST_PATH_IMAGE032
为异常灰度值均值，
Figure 999084DEST_PATH_IMAGE033
为原异常灰度值，
Figure 901181DEST_PATH_IMAGE031
的值为
Figure 444158DEST_PATH_IMAGE034
，
Figure 297451DEST_PATH_IMAGE035
为正常灰度值中的最小灰度值，
Figure 216866DEST_PATH_IMAGE036
为异常灰度值中的最大灰度值；
（2）构建正常灰度值的分段线性变换函数为：
Figure 239048DEST_PATH_IMAGE037
式中，
Figure 952926DEST_PATH_IMAGE038
为正常灰度值变换后的灰度值，
Figure 562024DEST_PATH_IMAGE039
为系数，
Figure 613026DEST_PATH_IMAGE040
为正常灰度值均值，
Figure 486785DEST_PATH_IMAGE041
为原正常灰度值，
Figure 824095DEST_PATH_IMAGE039
的值为
Figure 843127DEST_PATH_IMAGE042
；
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
Figure 884770DEST_PATH_IMAGE068
是为了满足
Figure 242064DEST_PATH_IMAGE069
，取
Figure 156799DEST_PATH_IMAGE070
是为了满足
Figure 206402DEST_PATH_IMAGE071
，而线性灰度变换的截距则用两类灰度的灰度均值来表示,
Figure 271310DEST_PATH_IMAGE072
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
Figure 857012DEST_PATH_IMAGE072
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；
以该疑似异常像素点为中心，依次统计尺寸为
Figure 347433DEST_PATH_IMAGE001
、
Figure 985088DEST_PATH_IMAGE002
、
Figure 118129DEST_PATH_IMAGE003
的窗口内包含的疑似异常像素点的个数，其中，
Figure 74932DEST_PATH_IMAGE004
；
则每个疑似异常像素点的异常程度为：
Figure 977029DEST_PATH_IMAGE005
式中，
Figure 520006DEST_PATH_IMAGE006
为金属表面图像中位置为
Figure 641808DEST_PATH_IMAGE007
处的疑似异常像素点
Figure 561222DEST_PATH_IMAGE008
的异常程度，
Figure 521088DEST_PATH_IMAGE009
为第
Figure 500545DEST_PATH_IMAGE009
行，
Figure 109643DEST_PATH_IMAGE010
为第
Figure 895066DEST_PATH_IMAGE010
列，
Figure 506175DEST_PATH_IMAGE011
为尺寸为
Figure 423578DEST_PATH_IMAGE001
的窗口内的疑似异常像素点个数，
Figure 752928DEST_PATH_IMAGE012
为尺寸为
Figure 14145DEST_PATH_IMAGE002
的窗口内的疑似异常像素点个数，
Figure 479762DEST_PATH_IMAGE013
为尺寸为
Figure 505749DEST_PATH_IMAGE003
的窗口内的疑似异常像素点个数，
Figure 322395DEST_PATH_IMAGE014
为尺寸为
Figure 387303DEST_PATH_IMAGE001
的窗口内第
Figure 802366DEST_PATH_IMAGE015
个疑似异常像素点，
Figure 560107DEST_PATH_IMAGE016
为该窗口内疑似异常像素点总个数，
Figure 598470DEST_PATH_IMAGE017
为尺寸为
Figure 404752DEST_PATH_IMAGE002
的窗口内第
Figure 612004DEST_PATH_IMAGE018
个疑似异常像素点，
Figure 9488DEST_PATH_IMAGE019
为该窗口内疑似异常像素点总个数，
Figure 800726DEST_PATH_IMAGE020
为尺寸为
Figure 207437DEST_PATH_IMAGE003
的窗口内第
Figure 597092DEST_PATH_IMAGE021
个疑似异常像素点，
Figure 165477DEST_PATH_IMAGE022
为该窗口内疑似异常像素点总个数，
Figure 709590DEST_PATH_IMAGE023
为疑似正常灰度值的均值，
Figure 144159DEST_PATH_IMAGE024
为
Figure 762222DEST_PATH_IMAGE001
窗口的权值，
Figure 767087DEST_PATH_IMAGE025
为
Figure 532918DEST_PATH_IMAGE002
窗口的权值，
Figure 517317DEST_PATH_IMAGE026
为
Figure 52203DEST_PATH_IMAGE003
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。
3.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：
若疑似异常像素点的异常程度大于异常程度阈值，则以该疑似异常像素点为中心，尺寸为
Figure 962390DEST_PATH_IMAGE003
的窗口区域为待检测金属表面图像中的疑似异常区域；否则该
Figure 779299DEST_PATH_IMAGE003
的窗口区域为金属表面图像中的疑似正常区域。
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。
5.根据权利要求4所述的一种金属表面缺陷检测方法，其特征在于，所述距离阈值的获取方法为：
若两个相邻疑似异常区域大小为
Figure 65924DEST_PATH_IMAGE027
，则两个相邻疑似异常区域的距离阈值为
Figure 720896DEST_PATH_IMAGE028
。
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：
Figure 270826DEST_PATH_IMAGE029
式中，
Figure 247135DEST_PATH_IMAGE030
为准确的异常灰度值变换后的灰度值，
Figure 665346DEST_PATH_IMAGE031
为系数，
Figure 909246DEST_PATH_IMAGE032
为准确的异常灰度值均值，
Figure 193859DEST_PATH_IMAGE033
为原异常灰度值，
Figure 155999DEST_PATH_IMAGE031
的值为
Figure 987689DEST_PATH_IMAGE034
，
Figure 351674DEST_PATH_IMAGE035
为准确的正常灰度值中的最小灰度值，
Figure 541609DEST_PATH_IMAGE036
为准确的异常灰度值中的最大灰度值；
构建正常灰度值的分段线性变换函数为：
Figure 318941DEST_PATH_IMAGE037
式中，
Figure 751059DEST_PATH_IMAGE038
为准确的正常灰度值变换后的灰度值，
Figure 674278DEST_PATH_IMAGE039
为系数，
Figure 533650DEST_PATH_IMAGE040
为准确的正常灰度值均值，
Figure 798278DEST_PATH_IMAGE041
为原正常灰度值，
Figure 535552DEST_PATH_IMAGE039
的值为
Figure 874129DEST_PATH_IMAGE042
；
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。
CN202211009351.XA 2022-08-23 2022-08-23 一种金属表面缺陷检测方法 Active CN115082482B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (28)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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