CN115266759B - 一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法 - Google Patents
一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法 Download PDFInfo
- Publication number
- CN115266759B CN115266759B CN202210579906.8A CN202210579906A CN115266759B CN 115266759 B CN115266759 B CN 115266759B CN 202210579906 A CN202210579906 A CN 202210579906A CN 115266759 B CN115266759 B CN 115266759B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- speckle
- phase
- debonding
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法,是一种真空激励下基于激光剪切散斑干涉技术的药柱缺陷自动识别算法。针对药柱弧面反射、脱粘界面不均匀、环境振动等生产工况及干扰影响下的脱粘缺陷在线识别问题,该方法通过基于双重自适应中值滤波算法有效抑制背景噪声,提取缺陷轮廓特征;通过基于数学形态学的图像处理方法增强脱粘缺陷特征,有效联通缺陷轮廓、填充缺陷散斑相位环、平滑边缘;通过基于概率统计的滑动间隔序列图像判别方法抑制随机噪声,提高识别准确率。经上述步骤,该方法实现药柱脱粘缺陷的准确、高效在线自动识别,适用于对药柱表面包覆层脱粘等缺陷进行无损检测。
Description
技术领域
本发明涉及无损检测技术领域。具体地讲,涉及一种真空激励下基于激光剪切散斑干涉技术的药柱脱粘缺陷自动识别技术。
背景技术
为保证固体推进剂药柱包覆层粘接质量和使用性能,利用无损检测技术对药柱包覆层脱粘缺陷进行高效、可靠、准确的检测与评价是非常必要的,已成为装药包覆层粘接质量控制中必不可少的环节。
激光剪切散斑干涉技术是在激光、电子及数字图像处理等基础上发展起来的一种精密检测新技术,具有非接触、光路简单、实时快速、方便高效等优点,非常适合对药柱包覆层脱粘缺陷进行检测。
但是真空激励下抽真空速率、真空箱腔体结构、环境振动等因素会对激光剪切散斑图像造成严重干扰,目前主要以人工连续观察判读为主,难以实现脱粘缺陷的自动识别。
发明内容
本发明的目的是:为克服现有的药柱散斑图像人工判读依靠经验、效率低下的不足,提供一种基于真空激励下激光剪切散斑干涉技术的药柱脱粘缺陷识别方法。
本发明的技术方案是:一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法,包括:
S1、以散斑相位图中相位环作为脱粘缺陷特征,利用基于自适应阈值与窗口的双重自适应中值滤波方法,抑制背景噪声,提取脱粘缺陷轮廓;
S2、以上述获取的脱粘缺陷轮廓为对象,利用数学形态学方法使轮廓联通并对其填充与平滑,从而获取缺陷整体形貌及缺陷位置;
S3、以真空激励不同阶段的散斑相位图序列为对象,利用上述方法对序列图像进行处理,统计同一位置缺陷在多帧序列图像中概率,然后根据此统计概率给出判别结果:缺陷、非缺陷或缺陷置信度。
优选的,所述散斑相位图为工厂环境下利用激光剪切散斑干涉技术获取的固体推进剂药柱包覆层散斑相位图像。
优选的,S1具体实现方式如下:
将散斑相位图中相位环的边界特征看作突变扰动信号,利用基于自适应阈值和自适应窗口的中值滤波方法保留背景信号的图像细节,削弱相位环边界特征扰动,从而获得背景图像;
将原图与背景图像做差,从而提取出缺陷相位环轮廓。
优选的,基于自适应阈值和自适应窗口的中值滤波方法具体通过下述方式实现:
根据当前散斑相位图的整体灰度变化,计算反应图像全局变化指标的自适应阈值;
将当前散斑相位图分成多个子块,计算每个子块图像中的平均灰度值,然后利用自适应阈值对每一子块图像中的像素进行筛选,以确定子块图像中的背景像素,根据背景像素在子块图像中的比例选择滤波窗口,根据滤波窗口完成对应子块图像的中值滤波。
优选的,自适应阈值Tself计算方式:
其中,Tm为当前散斑相位图的全局平均灰度值,Tmax为最大灰度值Tmax,Tmin为最小灰度值Tmin。
优选的,子块图像中待检测像素点(i,j)处的灰度值为f(i,j),如果f(i,j)与该子块图像中平均灰度值T之间的绝对差值小于自适应阈值Tself,则将该像素点标记为背景;然后统计背景像素在该子块图像中所占的比例pk,根据比例不同选择不同大小的滤波窗口,比例大的滤波窗口小于比例小的滤波窗口。
优选的,自适应滤波窗口尺寸大小lk_self为:其中w1为非缺陷区域背景比例系数,w2为两相位环之间的背景比例系数,w3为相位环邻域背景比例系数。
优选的,通过下述方式利用数学形态学方法使轮廓联通并对其填充与平滑,从而获取缺陷整体形貌及缺陷位置:
针对脱粘缺陷轮廓处的边缘图像进行闭运算,使边缘线段封闭,确定联通区域;
对上述联通区域采用填充操作,作为缺陷所包围的区域;
对填充后的图像进行开操作,滤除背景中存在的毛刺噪声,确定缺陷整体形貌及缺陷位置。
优选的,通过下述方法计算缺陷置信度:
获取真空激励不同阶段的序列散斑相位图,分别执行S1和S2,得到不同阶段散斑相位图中所确定的缺陷整体形貌及缺陷位置,作为疑似缺陷形貌和疑似缺陷位置;
通过对所有散斑相位图中的疑似缺陷位置进行比对,当缺陷位置距离差小于偏差范围时,即认为是同一个缺陷;统计疑似缺陷出现的次数m,则该缺陷的置信度D为m/n,其中n为序列图像帧数。
优选的,所述偏差范围由所需检测的最小缺陷尺寸决定,即当最小检测缺陷尺寸直径为φ时,偏差范围即为直径φ所对应的图像像素点。
本发明与现有技术相比的有益效果是:
(1)相较于传统的散斑图像的缺陷人工判别方法,本发明提供的缺陷自动识别算法能够有效地抑制检测过程中振动等环境因素对检测结果的影响,提高判别准确率。
(2)传统的散斑图像的缺陷人工判别方法依靠人工经验、检测效率低下,本发明提供的缺陷自动识别算法能够在保证识别准确率的同时,高效地进行脱粘缺陷识别检测。
附图说明
图1本发明实施例算法的主要流程图;
图2本发明实施例某药柱激光剪切散斑相位图及灰度三维分布图;
图3本发明实施例缺陷与背景区域灰度值分布图;
图4本发明实施例双重自适应中值滤波后灰度值分布;
图5本发明实施例双重自适应中值滤波提取缺陷轮廓图;
图6本发明实施例缺陷轮廓闭运算联通图;
图7本发明实施例缺陷轮廓填充运算图;
图8本发明实施例缺陷开运算平滑图;
图9本发明实施例基于概率统计的序列图像缺陷判别逻辑图;
图10本发明实施例多帧序列概率统计缺陷识别结果图;
图11本发明实施例多帧序列概率统计无缺陷识别结果图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
针对药柱激光剪切散斑相位图中脱粘缺陷的在线自动识别,本发明散斑相位图为工厂环境下利用激光剪切散斑干涉技术获取的固体推进剂药柱包覆层散斑相位图像,存在药柱弧面反射、脱粘缺陷界面不均匀、环境振动等干扰因素。本方法的主要流程如图1所示。
1、基于双重自适应中值滤波的缺陷轮廓特征提取
散斑相位图相位环为邻域极大值与极小值的交界,通常做法是通过阈值、梯度等边缘提取等方法直接提取该边界,然而在工厂环境、实际缺陷不均匀等干扰因素下,难以确定合适的判断参数。本发明将相位环的边界特征看作突变扰动信号,利用基于自适应阈值和自适应窗口的中值滤波方法保留背景信号的图像细节,削弱相位环边界特征扰动,从而获得背景图像,使其与原图做差,从而提取出缺陷相位环轮廓。
某药柱激光剪切散斑相位图及灰度三维分布图如图2所示。由图2中可看出,药柱激光剪切散斑相位图中存在4处疑似缺陷,且由三维分布图可看出缺陷相位环相较其他区域灰度值信号可看作为突变扰动信号,而非缺陷区域灰度值存在一定波动。
步骤:
(1)计算自适应阈值:
自适应阈值由当前散斑图像的整体灰度指标决定,根据图像整体灰度变化而变化,反映图像的全局变化指标,可克服图像光照变化、药柱弧面反射等带来的影响;自适应阈值不仅与全局灰度指标相关,而且与缺陷相位环导致的最大值与最小值相关。
图2中某药柱激光剪切散斑相位图像素点为930*215,求得全局平均灰度值为122,最大值为251,最小值为8,由计算可得,Tself为129;
(2)确定自适应窗口所需比例系数w1,w2,w3:w1为非缺陷区域背景比例系数,w2为两相位环之间的背景比例系数,w3为相位环邻域背景比例系数。由图3缺陷与背景区域灰度值分布图,利用相应区域所占比例可确定系数w1,w2,w3, w1=0.98,w2=0.75,w3=0.35。
(3)确定自适应中值滤波窗口大小:
自适应中值滤波窗口由上述自适应阈值和局部图像区块内灰度差共同决定,保留背景图像细节,模糊相位环扰动信号,反映图像的局部变化指标。
将图像分成k个子块,记作S1,S2,…,Sk,将图2中某药柱激光剪切散斑相位图划分为93*43个10*5的子块图像,分别求取某子块中待检测像素点(i,j)处的灰度值为f(i,j)与平均灰度值T之间的绝对差值,并利用自适应阈值Tself对比,从而计算该子块中背景图像所占比例pk,根据比例不同选择不同大小的滤波窗口,比例大则表示该子块主要由背景图像构成,应使用小窗口中值滤波,以保留背景细节,比例小则表示该子块中存在相位环边界扰动信号,应使用大窗口中值滤波,模糊相位环边界扰动。
利用上述确定的比例系数w1,w2,w3以及计算对应子块所需的自适应滤波窗口尺寸大小lk_self,进而依次进行中值滤波。
(4)经上述滤波后,所得滤波图像与原图的对应行灰度分布如图4所示,其中深色线条代表原图灰度分布,浅色线条代表滤波后图像灰度分布,可以看出,该自适应中值滤波很好的保留了背景图像细节,而对缺陷相位环区域有较大影响。
(5)对原图和滤波后图像做差处理,可提取缺陷相位环信息,得到如图5 所示的缺陷轮廓图。由图5可以看出,缺陷轮廓尚存在一点的断点和不连续情况,为获取缺陷整体形貌,下面需使用数学形态学处理方法对缺陷轮廓进行增强。
2、基于闭-填充-开运算组合的数学形态学缺陷增强和定位
上述得到的缺陷轮廓特征为该缺陷散斑相位图的相位环,且存在由实际脱粘缺陷不均匀、药柱弧面反射等造成的断点、不连续等情况,针对该特点,本发明利用数学形态学中的闭运算-填充运算-开运算组合,联通缺陷轮廓并对其填充与平滑,从而获取缺陷整体形貌及缺陷位置。为了重构完整缺陷形貌,需要对上述缺陷轮廓进行区域联通,并对其包围的区域进行填充。
(1)由激光剪切散斑干涉检测原理可知,散斑相位图中相位环为一封闭区域,但是在实际检测中由于多因素干扰造成了缺陷轮廓断续。为了获得封闭的缺陷联通区域,并提出背景中可能存在的噪声干扰,首先对缺陷轮廓图像进行闭运算,使轮廓线封闭。如图6所示,该方法使相邻断点联通成封闭的区域,保证了缺陷区域的联通性。
(2)在确定了联通区域后,采用填充运算将封闭区域进行填充,构造缺陷完整形貌,结果如图7所示。由图7可以看出,在背景中仍然存在着较小的缺陷背景,因此对图像进行开操作,滤除背景中存在的毛刺噪声,结果如图8所示。
经上述闭-填充-开运算的组合方式,缺陷的特征已经被识别出来,通过人眼可以很明显的判定。可通过识别上述二值化图像中被填充的缺陷,计算其区域属性,来确定缺陷的面积、周长等图形参数并确定位置。
3、基于概率统计的滑动间隔序列图像缺陷判别方法
在实际的缺陷图像拍摄过程中,由于真空箱箱体内在抽负压过程中存在着气流扰动及随之产生的腔体共振,使得检测过程中可能出现噪声干扰,该干扰随机分布,与缺陷特征有一定的相似,经过上述自适应中值滤波及数学形态学处理仍无法准确地剔除,因此需要通过计算真空激励不同阶段散斑相位图中缺陷的复现情况,利用概率统计方法,增加置信度,提高缺陷识别准确率。
(1)首先以存在缺陷药柱为例计算,获取不同时间段拍摄的8张散斑相位图,经上述步骤1和2,得到8张不同的相位图中所识别的缺陷和位置信息。在实际情况中,缺陷出现位置相对于背景噪声固定,且其形态特征相似,所以所识别的质心位置偏差较小,但是产生的背景噪声并不固定,所以只要背景噪声没有将缺陷特征掩盖,则缺陷始终会出现在同一位置。
(2)利用图9所示的基于概率统计的序列图像缺陷判别逻辑,进行缺陷概率统计,其中位置偏差为10。因本实施例中最小检测缺陷直径为3mm,而在该成像设备和拍摄距离下,3mm对应的图像像素点为10,因此确定位置偏差为10。在其他检测尺寸需求、不同成像设备和拍摄距离下,可根据实际的使用情况确定该位置偏差。如图10右侧图像所示,通过逐一对比所有疑似位置点与不同阶段序列相位图中对应相邻位置的疑似缺陷情况,当缺陷位置距离差小于偏差范围时,即可认为是同一个缺陷。
(3)如图10可知,当对比重合的次数越高,则该点是缺陷的概率越高,在本实施例中,缺陷1和缺陷2均100%出现在8张散斑相位图中,因此判定为缺陷,置信度为1。而图中右上方,在某1-2张图像中出现,概率很低,因此判断为非缺陷。在本实施例中,当同一缺陷置信度为1时,则本发明确认为缺陷;当置信度在[0.5,1]区间时,判别为疑似缺陷,并给出置信度,供人工复核参考;当置信度在[0,0.5]区间时,判别为非缺陷。
本实施例中,利用上述步骤1-3对无缺陷药柱进行自动识别,为说明该方法的通用性,采用4张序列图像为处理对象,结果如图11所示。由图11可以看出,该方法可以有效剔除散斑相位图中的干扰点,有效提高了药柱脱粘缺陷自动识别准确率。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
本发明未详细说明部分属于本领域技术人员的公知常识。
Claims (6)
1.一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法,其特征在于包括:
S1、以散斑相位图中相位环作为脱粘缺陷特征,利用基于自适应阈值与自适应窗口的双重自适应中值滤波方法,抑制背景噪声,提取脱粘缺陷轮廓;
S1具体实现方式如下:
将散斑相位图中相位环的边界特征看作突变扰动信号,利用基于自适应阈值和自适应窗口的中值滤波方法保留背景信号的图像细节,削弱相位环边界特征扰动,从而获得背景图像;
将原图与背景图像做差,从而提取出缺陷相位环轮廓;
S2、以上述获取的脱粘缺陷轮廓为对象,利用数学形态学方法使轮廓联通并对其填充与平滑,从而获取缺陷整体形貌及缺陷位置;
S3、以真空激励不同阶段的散斑相位图序列为对象,利用上述方法对序列图像进行处理,统计同一位置缺陷在多帧序列图像中概率,然后根据此统计概率给出判别结果:缺陷、非缺陷或缺陷置信度;
所述散斑相位图为工厂环境下利用激光剪切散斑干涉技术获取的固体推进剂药柱包覆层散斑相位图像;
通过下述方式利用数学形态学方法使轮廓联通并对其填充与平滑,从而获取缺陷整体形貌及缺陷位置:
针对脱粘缺陷轮廓处的边缘图像进行闭运算,使边缘线段封闭,确定联通区域;
对上述联通区域采用填充操作,作为缺陷所包围的区域;
对填充后的图像进行开操作,滤除背景中存在的毛刺噪声,确定缺陷整体形貌及缺陷位置;
通过下述方法计算缺陷置信度:
获取真空激励不同阶段的序列散斑相位图,分别执行S1和S2,得到不同阶段散斑相位图中所确定的缺陷整体形貌及缺陷位置,作为疑似缺陷形貌和疑似缺陷位置;
通过对所有散斑相位图中的疑似缺陷位置进行比对,当缺陷位置距离差小于偏差范围时,即认为是同一个缺陷;统计疑似缺陷出现的次数m,则该缺陷的置信度D为m/n,其中n为序列图像帧数。
2.根据权利要求1的方法,其特征在于:基于自适应阈值和自适应窗口的中值滤波方法具体通过下述方式实现:
根据当前散斑相位图的整体灰度变化,计算反应图像全局变化指标的自适应阈值;
将当前散斑相位图分成多个子块,计算每个子块图像中的平均灰度值,然后利用自适应阈值对每一子块图像中的像素进行筛选,以确定子块图像中的背景像素,根据背景像素在子块图像中的比例选择滤波窗口,根据滤波窗口完成对应子块图像的中值滤波。
3.根据权利要求2的方法,其特征在于:自适应阈值Tself计算方式:
其中,Tm为当前散斑相位图的全局平均灰度值,Tmax为最大灰度值Tmax,Tmin为最小灰度值Tmin。
4.根据权利要求2的方法,其特征在于:子块图像中待检测像素点(i,j)处的灰度值为f(i,j),如果f(i,j)与该子块图像中平均灰度值T之间的绝对差值小于自适应阈值Tself,则将该像素点标记为背景;然后统计背景像素在该子块图像中所占的比例pk,根据比例不同选择不同大小的滤波窗口,比例大的滤波窗口小于比例小的滤波窗口。
5.根据权利要求4的方法,其特征在于:自适应滤波窗口尺寸大小lk_self为:其中w1为非缺陷区域背景比例系数,w2为两相位环之间的背景比例系数,w3为相位环邻域背景比例系数。
6.根据权利要求1的方法,其特征在于:所述偏差范围由所需检测的最小缺陷尺寸决定,即当最小检测缺陷尺寸直径为φ时,偏差范围即为直径φ所对应的图像像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579906.8A CN115266759B (zh) | 2022-05-25 | 2022-05-25 | 一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579906.8A CN115266759B (zh) | 2022-05-25 | 2022-05-25 | 一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115266759A CN115266759A (zh) | 2022-11-01 |
CN115266759B true CN115266759B (zh) | 2023-07-28 |
Family
ID=83760606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210579906.8A Active CN115266759B (zh) | 2022-05-25 | 2022-05-25 | 一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115266759B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6040900A (en) * | 1996-07-01 | 2000-03-21 | Cybernet Systems Corporation | Compact fiber-optic electronic laser speckle pattern shearography |
CN108280824B (zh) * | 2018-01-18 | 2022-06-14 | 电子科技大学 | 基于图像配准及融合的激光剪切散斑干涉缺陷检测*** |
CN111798418B (zh) * | 2020-06-22 | 2022-04-19 | 电子科技大学 | 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法 |
CN112540125B (zh) * | 2020-12-02 | 2022-03-25 | 北京航空航天大学 | 脱粘缺陷检测方法、装置、电子设备及存储介质 |
CN112692578B (zh) * | 2020-12-21 | 2022-05-24 | 上海航天化工应用研究所 | 一种包覆药柱安全整形及检测智能加工*** |
CN114485448B (zh) * | 2022-01-25 | 2022-11-15 | 上海大学 | 一种自适应散斑干涉测量方法及*** |
-
2022
- 2022-05-25 CN CN202210579906.8A patent/CN115266759B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115266759A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN110555829B (zh) | 一种用于芯片点胶情况的检测方法 | |
CN103051872B (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN112561896B (zh) | 一种玻璃瓶口缺陷的检测方法、***、装置及存储介质 | |
Li et al. | Application of multi-scale feature fusion and deep learning in detection of steel strip surface defect | |
CN115049664A (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN111507971A (zh) | 一种隧道表面缺陷检测方法 | |
CN113298776B (zh) | 一种金属闭式水泵叶轮外观缺陷检测方法 | |
CN109993758A (zh) | 分割方法、分割装置、计算机设备及存储介质 | |
CN111292228A (zh) | 镜头缺陷检测方法 | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN115880248A (zh) | 一种表面划痕缺陷识别方法及视觉检测设备 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN114018946B (zh) | 一种基于OpenCV的高反光瓶盖缺陷检测方法 | |
Saranya et al. | Comparison of segmentation techniques for detection of defects in non-destructive testing images | |
CN111008960B (zh) | 基于机器视觉的铝电解电容底部外观检测方法及装置 | |
CN115266759B (zh) | 一种基于剪切散斑干涉的药柱脱粘缺陷在线自动识别方法 | |
CN112288680B (zh) | 汽车轮毂x射线图像的缺陷区域自动提取方法及*** | |
CN117333518A (zh) | 激光扫描图像匹配方法、***及计算机设备 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 |
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 |