CN115601365A - 用于数控机床的轴承检测方法 - Google Patents

用于数控机床的轴承检测方法 Download PDF

Info

Publication number
CN115601365A
CN115601365A CN202211609379.7A CN202211609379A CN115601365A CN 115601365 A CN115601365 A CN 115601365A CN 202211609379 A CN202211609379 A CN 202211609379A CN 115601365 A CN115601365 A CN 115601365A
Authority
CN
China
Prior art keywords
scratch
gray
edge pixel
pixel point
target area
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
Application number
CN202211609379.7A
Other languages
English (en)
Other versions
CN115601365B (zh
Inventor
李艳春
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.)
Wuxi Huixing Intelligent Equipment Co ltd
WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd
Original Assignee
Wuxi Huixing Intelligent Equipment Co ltd
WUXI KANGBEI ELECTRONIC EQUIPMENT 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 Wuxi Huixing Intelligent Equipment Co ltd, WUXI KANGBEI ELECTRONIC EQUIPMENT CO Ltd filed Critical Wuxi Huixing Intelligent Equipment Co ltd
Priority to CN202211609379.7A priority Critical patent/CN115601365B/zh
Publication of CN115601365A publication Critical patent/CN115601365A/zh
Application granted granted Critical
Publication of CN115601365B publication Critical patent/CN115601365B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/24—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves
    • B23Q17/2452—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves for measuring features or for detecting a condition of machine parts, tools or workpieces
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于数控机床的轴承检测方法。该方法包括：采集数控机床的轴承的待检测图像，识别待检测图像中的划痕边缘像素点和划痕边缘像素点的划痕方向；确定划痕边缘像素点的目标区域；根据目标区域内的划痕像素点数量、目标区域的第一灰度分布特征、划痕方向两侧的第二灰度分布特征以及目标区域与非划痕区域之间的灰度差异，获取目标区域的划痕明显度；根据划痕明显度，对目标区域的划痕像素点进行图像增强处理，得到增强后的目标图像；根据目标图像，对轴承进行检测得到检测结果。本发明能够有针对性地对划痕中明显程度较低的区域进行较强程度的增强处理，使图像中的划痕更加明显，从而提高检测的准确性。

Description

用于数控机床的轴承检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于数控机床的轴承检测方法。
背景技术
当今，随着社会科技的快速发展，数字化与机械化正在逐步融合，数字自动化的使用范围越来越广，其中数控机床是目前使用较多的数字自动化设备。轴承是数控机床实现转动的关键零部件，其质量对数控机床的使用体验及寿命起着关键作用。如果轴承内侧存在的划痕缺陷，会在轴承使用过程中，增大磨损程度，极大的降低轴承的寿命。因此，需要对轴承进行划痕检测。
现有技术中，通过线性灰度变换对整个图像进行增强处理来增强图像中的划痕，由于是对整个图像进行增强处理，图像中每个像素点的灰度值均发生了改变，使得增强后的划痕并不明显，且无法有针对性地对划痕中明显程度较低区域进行增强，导致划痕中不明显的区域被增强后仍不明显，进而导致划痕检测的准确性较低。
发明内容
为了解决现有技术增强后的划痕并不明显，进而导致划痕检测的准确性较低的技术问题，本发明的目的在于提供一种用于数控机床的轴承检测方法，所采用的技术方案具体如下：
本发明提出了一种用于数控机床的轴承检测方法，所述方法包括：
采集数控机床的轴承的待检测图像，识别所述待检测图像中的划痕边缘像素点和所述划痕边缘像素点的划痕方向；
确定所述划痕边缘像素点与所述划痕方向的垂直方向上的另一划痕边缘像素点之间的直线区域为目标区域，其中，所述划痕边缘像素点和所述另一划痕边缘像素点为同一划痕的边缘像素点；
根据所述目标区域内的划痕像素点数量、所述目标区域的第一灰度分布特征、所述划痕方向两侧的第二灰度分布特征以及所述目标区域与非划痕区域之间的灰度差异，获取所述目标区域的划痕明显度；
识别所述划痕边缘像素点是否为相交划痕边缘像素点，在所述划痕边缘像素点为非相交划痕边缘像素点时，根据所述划痕明显度，对所述目标区域的划痕像素点进行图像增强处理，以对所述待检测图像中的划痕进行增强，得到增强后的目标图像；
根据所述目标图像，对所述轴承进行检测得到检测结果。
在一些实施例中，所述根据所述目标区域内的划痕像素点数量、所述目标区域的第一灰度分布特征、所述划痕方向两侧的第二灰度分布特征以及所述目标区域与非划痕区域之间的灰度差异，获取所述目标区域的划痕明显度，包括：
获取所述目标区域的灰度信息熵作为所述第一灰度分布特征；
获取所述划痕方向两侧的设定大小区域之间的第一灰度均值差异作为所述第二灰度分布特征；
获取所述目标区域的灰度均值与所述非划痕区域的最大灰度值之间差值绝对值作为所述灰度差异；
根据所述划痕像素点数量、所述灰度信息熵、所述第一灰度均值差异和所述灰度差异，获取所述目标区域的划痕明显度。
在一些实施例中，所述根据所述划痕像素点数量、所述灰度信息熵、所述第一灰度均值差异和所述灰度差异，获取所述目标区域的划痕明显度，包括：
对所述划痕像素点数量、所述第一灰度均值差异和所述灰度差异进行加权求和处理，得到加权求和结果；
计算所述加权求和结果与所述灰度信息熵之间的比值作为所述划痕明显度。
在一些实施例中，所述划痕边缘像素点的识别过程，包括：
以所述待检测图像的像素点为中心点建立设定大小的窗口，获取所述窗口内所述中心点的多个设定方向的两侧区域之间的灰度分布相似度；
从所述灰度分布相似度中确定最小的灰度分布相似度为目标灰度分布相似度；
在所述目标灰度分布相似度大于设定灰度分布相似度阈值时，确定所述像素点为疑似划痕边缘像素点；
获取所述疑似划痕边缘像素点为所述划痕边缘像素点的相似程度值，在所述相似程度值大于设定相似程度阈值时，确定所述疑似划痕边缘像素点为所述划痕边缘像素点。
在一些实施例中，所述获取所述窗口内所述中心点的多个设定方向的两侧区域之间的灰度分布相似度，包括：
获取所述两侧区域之间的第二灰度均值差异和灰度方差差异；
计算所述灰度方差差异与所述第二灰度均值差异之间的比值作为所述灰度分布相似度。
在一些实施例中，所述获取所述疑似划痕边缘像素点为所述划痕边缘像素点的相似程度值，包括：
确定所述目标灰度相似度对应的设定方向为疑似划痕方向，获取所述疑似划痕方向上的疑似划痕边缘像素点数量；
计算所述疑似划痕边缘像素点数量与所述目标灰度分布相似度之间的比值作为所述相似程度值。
在一些实施例中，所述划痕方向的识别过程，包括：
在所述相似程度值大于所述设定相似程度阈值时，确定所述疑似划痕方向为所述划痕方向。
在一些实施例中，所述根据所述划痕明显度，对所述目标区域的划痕像素点进行图像增强处理，包括：
根据所述划痕明显度，获取线性变换函数的直线斜率；
根据所述直线斜率，确定所述线性变换函数；
根据所述线性变换函数，对所述目标区域的划痕像素点进行灰度变换的图像增强处理。
在一些实施例中，所述方法还包括：
在所述划痕边缘像素点为所述相交划痕边缘像素点时，根据所述相交划痕边缘像素点确定划痕相交区域；
比较所述相交划痕边缘像素点的目标区域的划痕明显度，确定最大的划痕明显度为所述划痕相交区域的目标划痕明显度；
根据所述目标划痕明显度，对所述划痕相交区域进行所述图像增强处理。
在一些实施例中，所述识别所述划痕边缘像素点是否为相交划痕边缘像素点，包括：
获取所述划痕边缘像素点的目标区域与相邻划痕边缘像素点的目标区域之间的灰度信息熵差异，作为所述划痕边缘像素点为相交划痕边缘像素点的相交度；
若所述相交度大于设定相交度阈值，则所述划痕边缘像素点为所述相交划痕边缘像素点；
若所述相交度小于或等于所述设定相交度阈值，则所述划痕边缘像素点为所述非相交划痕边缘像素点。
本发明具有如下有益效果：本发明通过将划痕边缘像素点与划痕方向的垂直方向上的另一划痕边缘像素点之间的直线区域作为目标区域，可以将划痕分成多个区域，以便于后续通过对划痕的每个区域进行不同程度的图像增强处理，实现了划痕的自适应增强处理。目标区域内的划痕像素点数量反映了目标区域的划痕宽度，由于目标区域的划痕宽度、目标区域的第一灰度分布特征、划痕方向两侧的第二灰度分布特征以及目标区域与非划痕区域之间的灰度差异均可以反映目标区域的明显程度，由此通过综合考虑划痕像素点数量、第一灰度分布特征、第二灰度分布特征以及灰度差异这些影响因素，能够准确地获取目标区域的划痕明显度。由于划痕不同区域的明显程度不同，根据不同区域的明显程度对相应区域进行对应程度的图像增强处理，可以有针对性地对划痕中明显程度较低的区域进行较强程度图像增强处理，使得划痕更加明显。由于增强后的图像中，划痕较为明显，通过增强后的图像对轴承进行检测，能够提高检测的准确性。
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为本发明一个实施例所提供的一种用于数控机床的轴承检测方法的流程示意图；
图2为本发明一个实施例所提供的轴承拍摄方式示意图；
图3为本发明一个实施例所提供的待检测图像的示意图；
图4为本发明一个实施例所提供的垂直划痕方向的示意图；
图5为本发明一个实施例所提供的水平划痕方向的示意图；
图6为本发明一个实施例所提供的左斜划痕方向的示意图；
图7为本发明一个实施例所提供的右斜划痕方向的示意图。
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用于数控机床的轴承检测方法，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，一个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用于数控机床的轴承检测方法的具体方案。
图1为本发明实施例所提供的一种用于数控机床的轴承检测方法的流程示意图。如图1所示，该方法包括以下步骤：
S101，采集数控机床的轴承的待检测图像，识别待检测图像中的划痕边缘像素点和划痕边缘像素点的划痕方向。
其中，划痕边缘像素点为划痕边缘处的像素点，划痕方向为划痕的延伸方向。
图2为本发明一个实施例所提供的轴承拍摄方式示意图，如图2所示，在对数控机床的轴承的内侧进行检测时，可以通过相机对轴承的内侧进行拍摄，得到轴承内侧图像，然后对该轴承内侧图像进行灰度处理，得到待检测图像，图3为本发明一个实施例所提供的待检测图像的示意图，如图3所示，通过对轴承的内侧进行拍摄可以得到如图3所示的待检测图像。可选地，相机可以为工业电荷耦合器件（Charge Coupled Device，CCD）相机。
需要说明的是，还可以使用CCD相机对数控机床的轴承的外侧进行拍摄，得到轴承的外侧的待检测图像，以对轴承的外侧进行检测。
本发明实施例中，划痕边缘像素点的识别过程，包括以下步骤：
S201，以待检测图像的像素点为中心点建立设定大小的窗口，获取窗口内中心点的多个设定方向的两侧区域之间的灰度分布相似度。
可选地，窗口的尺寸大小可以为3×3，或者，也可以根据实际检测需求进行调整，对此不做限制。
图4为本发明一个实施例所提供的垂直划痕方向的示意图，图5为本发明一个实施例所提供的水平划痕方向的示意图，图6为本发明一个实施例所提供的左斜划痕方向的示意图，图7为本发明一个实施例所提供的右斜划痕方向的示意图。可选地，如图4-图7所示，多个设定方向包括垂直划痕方向、水平划痕方向、左斜划痕方向和右斜划痕方向。
需要说明的是，图4-图7中的数值1可以表示划痕像素点，数值0可以表示背景像素点，划痕像素点是处于划痕区域内的像素点，背景像素点是处于非划痕区域即背景区域内的像素点。
可以分别获取窗口内中心点的垂直划痕方向、水平划痕方向、左斜划痕方向和右斜划痕方向的两侧区域之间的灰度分布相似度。
可选地，获取两侧区域之间的第二灰度均值差异和灰度方差差异，计算灰度方差差异与第二灰度均值差异之间的比值作为灰度分布相似度。
一些实施例中，获取两侧区域的像素点的灰度值，根据该灰度值计算两侧区域之间的灰度均值绝对值作为第二灰度均值差异，以及计算两侧区域之间的灰度方差绝对值作为灰度方差差异。
具体地，可以通过灰度分布相似度公式计算每个设定方向的两侧区域之间的灰度分布相似度，其中，两侧区域包括第一侧区域和第二侧区域，灰度分布相似度公式包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 228697DEST_PATH_IMAGE002
为第
Figure 223329DEST_PATH_IMAGE004
个设定方向的两侧区域之间的灰度分布相似度，
Figure DEST_PATH_IMAGE005
为第一侧区域的 灰度均值，
Figure 816597DEST_PATH_IMAGE006
为第二侧区域的灰度均值，
Figure DEST_PATH_IMAGE007
为第一侧区域的灰度方差，
Figure 247578DEST_PATH_IMAGE008
为第二侧区域的 灰度方差，
Figure 423476DEST_PATH_IMAGE004
为设定方向的索引。
需要说明的是，
Figure 521882DEST_PATH_IMAGE004
可以等于1、2、3、4，其中，
Figure DEST_PATH_IMAGE009
可以表示垂直划痕方向，
Figure 164347DEST_PATH_IMAGE010
可以表示 水平划痕方向，
Figure DEST_PATH_IMAGE011
可以表示左斜划痕方向，
Figure 957990DEST_PATH_IMAGE012
可以表示右斜划痕方向。
灰度分布相似度公式中，
Figure DEST_PATH_IMAGE013
为设定方向的两侧区域之间的第二灰度均值差 异，第二灰度均值差异
Figure 124530DEST_PATH_IMAGE013
越大，说明两侧区域分别为划痕区域和背景区域的可能性 越大，则两侧区域之间的灰度分布相似度越小，因此，两侧区域之间的灰度分布相似度与第 二灰度均值差异
Figure 553806DEST_PATH_IMAGE013
呈负相关关系，从而可以将第二灰度均值差异
Figure 944336DEST_PATH_IMAGE013
作为灰 度分布相似度计算的一个考量因素。在设定方向的两侧区域分别为划痕区域和背景区域 时，由于划痕区域和背景区域的灰度值分布范围较小，划痕区域的灰度方差和背景区域的 灰度方差均较小，则划痕区域与背景区域之间的灰度方差差值也较小，因此，设定方向的两 侧区域之间的灰度方差差值
Figure 287593DEST_PATH_IMAGE014
可以作为灰度分布相似度计算的一个考量因素。综 上，灰度分布相似度公式通过引入设定方向的两侧区域之间的第二灰度均值差异和灰度方 差差值两个考量因素，计算该两侧区域之间的灰度分布相似度，能够提高灰度分布相似度 的准确性。
S202，从灰度分布相似度中确定最小的灰度分布相似度为目标灰度分布相似度。
由于划痕区域和非划痕区域之间的灰度分布差异较大，灰度分布相似度越小，表明对应的设定划痕方向的两侧区域之间的灰度分布差异性越大，相应地，该设定方向为划痕方向的可能性越大，该像素点为划痕边缘像素点的可能性也越大，因此需要从灰度分布相似度中确定最小的灰度分布相似度为目标灰度分布相似度，便于后续根据目标灰度分布相似度进一步确定该像素点是否为划痕边缘像素点。
也即是说，在获取垂直划痕方向、水平划痕方向、左斜划痕方向和右斜划痕方向对应的灰度分布相似度后，选取最小的灰度分布相似度作为目标灰度分布相似度。
S203，在目标灰度分布相似度大于设定灰度分布相似度阈值时，确定像素点为疑似划痕边缘像素点。
在目标灰度分布相似度大于设定灰度分布相似度阈值时，可以认为该像素点的分布特征符合划痕边缘像素点的灰度分布特征，将该像素点作为疑似划痕边缘像素点。
需要说明的是，设定灰度分布相似度阈值可以根据实际场景进行设定，此处不做任何限定，可选地，设定灰度分布相似度阈值可以为0.5。
S204，获取疑似划痕边缘像素点为划痕边缘像素点的相似程度值，在相似程度值大于设定相似程度阈值时，确定疑似划痕边缘像素点为划痕边缘像素点。
其中，相似程度值表征疑似划痕边缘像素点为划痕边缘像素点的程度，相似程度值越大，表明疑似划痕边缘像素点为划痕边缘像素点的程度越大，相似程度值越小，表明疑似划痕边缘像素为划痕边缘像素点的程度越小。
本发明实施例中，获取疑似划痕边缘像素点为划痕边缘像素点的相似程度值，包括：确定目标灰度相似度对应的设定方向为疑似划痕方向，获取疑似划痕方向上的疑似划痕边缘像素点数量，计算疑似划痕边缘像素点数量与目标灰度分布相似度之间的比值作为相似程度值。
若目标灰度相似度对应的设定方向为垂直划痕方向，则疑似划痕方向为垂直划痕方向，若目标灰度相似度对应的设定方向为水平划痕方向，则疑似划痕方向为水平划痕方向，若目标灰度相似度对应的设定方向为左斜划痕方向，则疑似划痕方向为左斜划痕方向，若目标灰度相似度对应的设定方向为右斜划痕方向，则疑似划痕方向为右斜划痕方向。
在确定疑似划痕方向后，可以获取疑似划痕方向上的疑似划痕边缘像素点数量，以根据该疑似划痕边缘像素点数量和疑似划痕方向对应的目标灰度相似度，获取该疑似划痕像素点为划痕边缘像素点的相似程度值。
具体地，可以通过相似程度值公式计算相似程度值，其中，相似程度值包括：
Figure DEST_PATH_IMAGE015
其中，
Figure 70872DEST_PATH_IMAGE016
为相似程度值，
Figure DEST_PATH_IMAGE017
为疑似划痕边缘像素点数量，
Figure 753658DEST_PATH_IMAGE018
表示取最小值，
Figure 534663DEST_PATH_IMAGE002
为第
Figure 427532DEST_PATH_IMAGE004
个设定方向的灰度分布相似度，
Figure 873557DEST_PATH_IMAGE004
为设定方向的索引灰度分布相似度，
Figure DEST_PATH_IMAGE019
表 示最小的灰度分布相似度，即目标灰度分布相似度。
相似程度值公式中，灰度分布相似度越小，表明该灰度分布相似度对应的设定划 痕方向的两侧区域的灰度分布差异越大，相应地，对应的疑似划痕边缘像素点为划痕边缘 像素点的可能性越大，即相似度程度值越大，因此相似程度值公式中取最小的灰度分布相 似度，即取目标灰度分布相似度，以提高划痕边缘像素点判断的准确性。由于疑似划痕方向 上的疑似划痕边缘像素点数量
Figure 611182DEST_PATH_IMAGE017
越多，相似程度值
Figure 297509DEST_PATH_IMAGE016
越大，疑似划痕方向上的疑似划痕 边缘像素点数量
Figure 943254DEST_PATH_IMAGE017
越少，相似程度值
Figure 802757DEST_PATH_IMAGE016
越小，相似程度值
Figure 584768DEST_PATH_IMAGE016
与疑似划痕边缘像素点数 量
Figure 707576DEST_PATH_IMAGE017
呈正相关关系。综上，相似程度值公式通过疑似划痕边缘像素点数量和目标灰度分 布相似度来计算相似程度值，能够提高相似程度值准确性，进而保证划痕边缘像素点的判 断准确性。
在获取疑似划痕边缘像素点为划痕边缘像素点的相似程度值后，判断该相似程度值是否大于设定相似程度阈值，若是，则确定该疑似划痕边缘像素点为划痕边缘像素点，若否，则确定该疑似划痕边缘像素点为非划痕边缘像素点。
需要说明的是，设定相似程度阈值可以根据实际场景需求进行设定，此处不做任何限定，可选地，设定相似程度阈值可以为6。
在确定疑似划痕边缘像素点为划痕边缘像素点后，可以确定该划痕边缘像素点的划痕方向，一些实施例中，在相似程度值大于设定相似程度阈值时，确定疑似划痕方向为划痕方向。
具体地，在相似程度值大于设定相似程度阈值时，可以确定疑似划痕边缘像素点为划痕边缘像素点，此时若疑似划痕方向为垂直划痕方向，则确定该划痕边缘像素点的划痕方向为垂直划痕方向，若疑似划痕方向为水平划痕方向，则确定该划痕边缘像素点的划痕方向为水平划痕方向，若疑似划痕方向为左斜划痕方向，则确定该划痕边缘像素点的划痕方向为左斜划痕方向，若疑似划痕方向为右斜划痕方向，则确定该划痕边缘像素点的划痕方向为右斜划痕方向。
S102，确定划痕边缘像素点与划痕方向的垂直方向上的另一划痕边缘像素点之间的直线区域为目标区域，其中，划痕边缘像素点和另一划痕边缘像素点为同一划痕的边缘像素点。
S103，根据目标区域内的划痕像素点数量、目标区域的第一灰度分布特征、划痕方向两侧的第二灰度分布特征以及目标区域与非划痕区域之间的灰度差异，获取目标区域的划痕明显度。
其中，目标区域内的划痕像素点数量可以表征划痕在该划痕边缘像素点位置的划痕宽度。
本发明实施例中，根据目标区域内的划痕像素点数量、目标区域的第一灰度分布特征、划痕方向两侧的第二灰度分布特征以及目标区域与非划痕区域之间的灰度差异，获取目标区域的划痕明显度，包括以下步骤：
S301，获取目标区域的灰度信息熵作为第一灰度分布特征。
一些实施例中，获取目标区域内划痕像素点的灰度值，然后通过灰度信息熵公式获取灰度信息熵，其中，灰度信息熵公式包括：
Figure 512721DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
为目标区域的灰度信息熵，
Figure 444423DEST_PATH_IMAGE022
为灰度值
Figure DEST_PATH_IMAGE023
出现的频率，
Figure 893990DEST_PATH_IMAGE024
为对数函 数，
Figure 702546DEST_PATH_IMAGE023
为灰度值。
本发明实施例中，通过灰度信息熵公式计算目标区域的灰度信息熵作为第一灰度分布特征，能够反映目标区域的灰度变化范围。例如，如果目标区域为划痕区域，由于划痕区域的灰度变化范围较小，则目标区域的灰度信息熵较小。
S302，获取划痕方向两侧的设定大小区域之间的第一灰度均值差异作为第二灰度分布特征。
本发明实施例中，划痕方向两侧的设定大小区域可以为大小为3×3的窗口区域，分别为第一窗口区域和第二窗口区域，可以获取第一窗口区域的灰度均值和第二窗口区域的灰度均值，然后计算第一窗口区域的灰度均值与第二窗口区域的灰度均值之间的差值绝对值作为第一灰度均值差异。
S303，获取目标区域的灰度均值与非划痕区域的最大灰度值之间差值绝对值作为灰度差异。
其中，非划痕区域可以为背景区域，识别划痕边缘像素点之后，可以将划痕边缘像素点组成的区域作为划痕区域，则待检测图像中划痕区域之外区域为非划痕区域。
获取非划痕区域内背景像素点的灰度值，根据该灰度值计算非划痕区域的灰度均值，以及根据目标区域内划痕像素点的灰度值计算目标区域的灰度均值，计算非划痕区域的灰度均值与目标区域的灰度均值之间差值绝对值作为第一灰度差异。
S304，根据划痕像素点数量、灰度信息熵、第一灰度均值差异和灰度差异，获取目标区域的划痕明显度。
其中，划痕明显度反映了划痕的明显程度。
一些实施例中，对划痕像素点数量、第一灰度均值差异和灰度差异进行加权求和处理，得到加权求和结果，计算加权求和结果与灰度信息熵之间的比值作为划痕明显度。
具体地，可以通过划痕明显度公式计算划痕明显度，其中，划痕明显度公式包括：
Figure DEST_PATH_IMAGE025
其中，
Figure 214562DEST_PATH_IMAGE026
为目标区域的划痕明显度，
Figure DEST_PATH_IMAGE027
为目标区域的划痕像素点数量，
Figure 412937DEST_PATH_IMAGE028
为 目标区域的灰度均值，
Figure DEST_PATH_IMAGE029
为非划痕像素点的最大灰度值，
Figure 310486DEST_PATH_IMAGE030
为第一窗口区域的灰度均值，
Figure DEST_PATH_IMAGE031
为第二窗口区域的灰度均值，
Figure 571834DEST_PATH_IMAGE021
为目标区域的灰度信息熵，
Figure 430200DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
和
Figure 512161DEST_PATH_IMAGE034
均为权重系 数。
需要说明的是，
Figure 874004DEST_PATH_IMAGE032
、
Figure 289942DEST_PATH_IMAGE033
和
Figure 370024DEST_PATH_IMAGE034
可以根据实际需求进行设定，此处不做任何限定，可 选地，
Figure DEST_PATH_IMAGE035
、
Figure 444291DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE037
。
划痕明显度公式中，目标区域的划痕像素点数量越大，说明对应位置的划痕越宽， 则目标区域的划痕明显度越大，目标区域的划痕像素点数量越小，说明对应位置的划痕越 窄，则目标区域的划痕明显度越小，因此划痕明显度与划痕像素点数量呈正相关关系。
Figure 720027DEST_PATH_IMAGE038
越大说明目标区域的划痕像素点与背景像素之间的灰度差异越大，相应地，目 标区域越明显，划痕明显度越大，
Figure 41287DEST_PATH_IMAGE038
越大说明目标区域的划痕像素点与背景像素 之间的灰度差异越小，相应地，目标区域越不明显，划痕明显度越小，因此划痕明显度与
Figure 343086DEST_PATH_IMAGE038
呈正相关关系。
Figure DEST_PATH_IMAGE039
表示划痕边缘像素点的划痕方向两侧区域之间的灰 度分布差异，
Figure 955464DEST_PATH_IMAGE039
越大表明划痕边缘像素点所处位置越明显，而划痕边缘像素点与目 标区域所处位置相同，故相应地目标区域也越明显，划痕明显度越大，因此划痕明显度与
Figure 541166DEST_PATH_IMAGE039
呈正相关关系。目标区域的灰度信息熵越小，说明目标区域内的灰度变化范围越 小，则划痕表现越明显，相应地，划痕明显度越大，因此划痕明显度与灰度信息熵呈负相关 关系。综上，本发明实施例的划痕明显度公式通过综合考虑划痕像素点数量、灰度信息熵、 第一灰度均值差异和灰度差异的影响因素，来计算划痕明显度，能够提高划痕明显度准确 性。
S104，识别划痕边缘像素点是否为相交划痕边缘像素点，在划痕边缘像素点为非相交划痕边缘像素点时，根据划痕明显度，对目标区域的划痕像素点进行图像增强处理，以对待检测图像中的划痕进行增强，得到增强后目标图像。
本发明实施例中，识别划痕边缘像素点是否为相交划痕边缘像素点，包括：获取划痕边缘像素点的目标区域与相邻划痕边缘像素点的目标区域之间的灰度信息熵差异，作为划痕边缘像素点为相交划痕边缘像素点的相交度，若相交度大于设定相交度阈值，则划痕边缘像素点为相交划痕边缘像素点；若相交度小于或等于设定相交度阈值，则划痕边缘像素点为非相交划痕边缘像素点。
需要说明的是，设定相交度阈值可以根据实际场景需求进行设定，此处不做任何限定，可选地，设定相交度阈值可以为1。
其中，相交划痕边缘像素点为两个划痕相交的边缘像素点，相邻划痕边缘像素点为划痕边缘像素点两侧相邻的划痕边缘像素点。
在两个划痕相交时，两个划痕的相交区域往往会打破原有划痕在延伸方向上的灰度分布特征，由于划痕相交叠加，会导致相交区域与未相交区域的内部灰度分布差异较大，体现为相交区域的信息熵更为混乱。
可以计算划痕边缘像素点的目标区域与相邻划痕边缘像素点的目标区域之间的灰度信息熵差值绝对值，作为该灰度信息熵差异，并将该灰度信息熵差异作为该划痕边缘像素点为相交划痕边缘像素点的相交度。
具体地，可以通过相交度公式计算相交度，其中，相交度公式包括：
Figure 580798DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
为划痕边缘像素点的相交度，
Figure 435140DEST_PATH_IMAGE021
为划痕边缘像素点的目标区域的灰度 信息熵，
Figure 772580DEST_PATH_IMAGE042
相邻划痕边缘像素点的目标区域的灰度信息熵，
Figure DEST_PATH_IMAGE043
表示取绝对值。
相交度公式中，
Figure 556997DEST_PATH_IMAGE044
为划痕边缘像素点的目标区域与相邻划痕边缘像 素点的目标区域之间的灰度信息熵差异，通过该灰度信息熵差异能够表征划痕边缘像素点 的目标区域的灰度分布特征的变化情况，若该灰度分布特征变化较大，则说明该划痕边缘 像素点为相交划痕边缘像素点的可能性较大，因此，可以用该灰度信息熵差异作为划痕边 缘像素点的相交度，从而通过该相交度准确地判断划痕边缘像素点是否为相交划痕边缘像 素点，进行准确地确定划痕相交区域，以对划痕相交区域进行相应的图像增强处理。
由于相交划痕边缘像素点的目标区域处于划痕相交的交界处，由于交界处发生划痕叠加，灰度分布往往会发生变化，导致相交划痕边缘像素点的相交度较大，因此，若划痕边缘像素点的相交度大于设定相交度阈值，则可以确定该划痕边缘像素点为相交划痕边缘像素点；若相交度小于或等于设定相交度阈值，则划痕边缘像素点为非相交划痕边缘像素点。
本发明实施例中，对于每个划痕，可以识别该划痕一侧每个划痕边缘像素点是否为相交划痕像素点，在每个划痕边缘像素点均为非划痕边缘像素点时，说明该划痕未与其他划痕相交，则对划痕一侧每个划痕边缘像素点的目标区域进行相应的图像增强处理。
在确定划痕边缘像素点为非划痕相交边缘像素点时，可以划痕边缘像素点的目标区域的划痕明显度对该目标区域进行图像增强处理。
一些实施例中，根据划痕明显度，获取线性变换函数的直线斜率，根据直线斜率，确定线性变换函数，根据线性变换函数，对目标区域的划痕像素点进行灰度变换的图像增强处理。
具体地，可以通过直线斜率公式获取该直线斜率，其中，直线斜率公式包括：
Figure DEST_PATH_IMAGE045
其中，
Figure 767529DEST_PATH_IMAGE046
为线性变换函数的直线斜率，
Figure DEST_PATH_IMAGE047
是以自然常数e为底的指数函数，
Figure 371817DEST_PATH_IMAGE026
为目标区域的划痕明显度。
可选地，线性变换函数可以为
Figure 260751DEST_PATH_IMAGE048
，其中，
Figure DEST_PATH_IMAGE049
线性变换前的灰度值，
Figure 368515DEST_PATH_IMAGE050
为线 性变换后的灰度值，
Figure DEST_PATH_IMAGE051
为线性变换函数的截距，其中，
Figure 749949DEST_PATH_IMAGE051
可以根据实际场景需求进行设定，此 处不做任何限定，可选地，
Figure 28484DEST_PATH_IMAGE052
。
需要说明的是，由于直线斜率
Figure 645410DEST_PATH_IMAGE046
大于1，线性变换函数对划痕像素点始终为增强处 理，其中，直线斜率
Figure 810943DEST_PATH_IMAGE046
越大，增强程度越大，直线斜率
Figure 550229DEST_PATH_IMAGE046
越小，增强程度越小。
本发明实施例中，目标区域越明显，表明需要被增强的程度越弱，目标区域越不明 显，表明需要被增强的程度越强，也即是说，目标区域的划痕明显度
Figure 792424DEST_PATH_IMAGE026
越大，直线斜率
Figure 275358DEST_PATH_IMAGE046
越 小，目标区域的划痕明显度
Figure 357715DEST_PATH_IMAGE026
越小，直线斜率
Figure 2323DEST_PATH_IMAGE046
越大，因此，直线斜率
Figure 661974DEST_PATH_IMAGE046
与划痕明显度
Figure 433752DEST_PATH_IMAGE026
呈 负相关关系。综上，通过直线斜率公式获取线性变换函数的直线斜率，并根据直线斜率确定 线性变换函数，可以对划痕中较为明显的部分进行程度较弱的增强处理，对划痕中较为不 明显的部分进行程度较强的增强处理，由此，可以实现对划痕的自适应增强处理，并可以有 针对性的对划痕中较为不明显的部分进行程度较强的增强处理，从而提高划痕的明显程 度。
需要说明的是，对于待检测图像中的每个划痕，本发明实施例可以以划痕的一侧划痕边缘像素点为基准来确定对应的目标区域，以将划痕分割成多个目标区域，并对每个目标区域进行图像增强处理，以达到对待检测图像中的划痕进行图像增强处理的目的。
进一步地，对于每个划痕，可以识别该划痕一侧是否存在相交划痕边缘像素点，若存在相交划痕边缘像素点与其他划痕相交，对于该划痕中的非划痕相交区域可以通过步骤S104描述的方法进行图像增强处理，对于划痕相交区域可以通过下述方法进行图像增强处理。
可选地，在划痕边缘像素点为相交划痕边缘像素点时，根据相交划痕边缘像素点确定划痕相交区域，比较相交划痕边缘像素点的目标区域的划痕明显度，确定最大的划痕明显度为划痕相交区域的目标划痕明显度，根据目标划痕明显度，对划痕相交区域进行图像增强处理。
在确定相交划痕边缘像素点后，可以以相交划痕边缘像素点为四边形顶点得到四边形区域作为划痕相交区域。
由于划痕相交区域通常较为明显，需要被增强的程度较弱，对应的线性灰度变换的直线斜率较小，相应地，划痕相交区域的目标划痕明显度较大，因此可以将划痕相交区域的每个相交划痕边缘像素点的目标区域的划痕明显度进行比较，确定最大的划痕明显度为划痕相交区域的目标划痕明显度。
在确定划痕相交区域的目标划痕明显度之后，可以根据目标划痕明显度对划痕相交区域进行图像增强处理，其中，对划痕相交区域进行图像增强处理过程可以参见步骤S104中对划痕边缘像素点的目标区域进行图像增强处理的过程，在此不再赘述。
本发明实施例，对于划痕相交区域的增强处理过程适用于划痕相交的场景，由于划痕相交区域通常较为明显，对划痕相交区域进行程度较弱的图像增强处理。
S105，根据目标图像，对轴承进行检测得到检测结果。
目标图像中的划痕在经过图像增强处理后表现的更为明显，可以根据目标图像中划痕的宽度、长度、数量等特征，检测轴承的质量是否合格，并得到检测结果。
综上所述，本发明实施例通过将划痕边缘像素点与划痕方向的垂直方向上的另一划痕边缘像素点之间的直线区域作为目标区域，可以将划痕分成多个区域，以便于后续通过对划痕的每个区域进行不同程度的图像增强处理，实现了划痕的自适应增强处理。目标区域内的划痕像素点数量反映了目标区域的划痕宽度，由于目标区域的划痕宽度、目标区域的第一灰度分布特征、划痕方向两侧的第二灰度分布特征以及目标区域与非划痕区域之间的灰度差异均可以反映目标区域的明显程度，由此通过综合考虑划痕像素点数量、第一灰度分布特征、第二灰度分布特征以及灰度差异这些影响因素，能够准确地获取目标区域的划痕明显度。由于划痕不同区域的明显程度不同，根据不同区域的明显程度对相应区域进行对应程度的图像增强处理，可以有针对性地对划痕中明显程度较低的区域进行较强程度图像增强处理，使得划痕更加明显。由于增强后的图像中，划痕较为明显，通过增强后的图像对轴承进行检测，能够提高检测的准确性。
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。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。

Claims (10)

1.一种用于数控机床的轴承检测方法，其特征在于，所述方法包括：
采集数控机床的轴承的待检测图像，识别所述待检测图像中的划痕边缘像素点和所述划痕边缘像素点的划痕方向；
确定所述划痕边缘像素点与所述划痕方向的垂直方向上的另一划痕边缘像素点之间的直线区域为目标区域，其中，所述划痕边缘像素点和所述另一划痕边缘像素点为同一划痕的边缘像素点；
根据所述目标区域内的划痕像素点数量、所述目标区域的第一灰度分布特征、所述划痕方向两侧的第二灰度分布特征以及所述目标区域与非划痕区域之间的灰度差异，获取所述目标区域的划痕明显度；
识别所述划痕边缘像素点是否为相交划痕边缘像素点，在所述划痕边缘像素点为非相交划痕边缘像素点时，根据所述划痕明显度，对所述目标区域的划痕像素点进行图像增强处理，以对所述待检测图像中的划痕进行增强，得到增强后的目标图像；
根据所述目标图像，对所述轴承进行检测得到检测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标区域内的划痕像素点数量、所述目标区域的第一灰度分布特征、所述划痕方向两侧的第二灰度分布特征以及所述目标区域与非划痕区域之间的灰度差异，获取所述目标区域的划痕明显度，包括：
获取所述目标区域的灰度信息熵作为所述第一灰度分布特征；
获取所述划痕方向两侧的设定大小区域之间的第一灰度均值差异作为所述第二灰度分布特征；
获取所述目标区域的灰度均值与所述非划痕区域的最大灰度值之间差值绝对值作为所述灰度差异；
根据所述划痕像素点数量、所述灰度信息熵、所述第一灰度均值差异和所述灰度差异，获取所述目标区域的划痕明显度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述划痕像素点数量、所述灰度信息熵、所述第一灰度均值差异和所述灰度差异，获取所述目标区域的划痕明显度，包括：
对所述划痕像素点数量、所述第一灰度均值差异和所述灰度差异进行加权求和处理，得到加权求和结果；
计算所述加权求和结果与所述灰度信息熵之间的比值作为所述划痕明显度。
4.根据权利要求1所述的方法，其特征在于，所述划痕边缘像素点的识别过程，包括：
以所述待检测图像的像素点为中心点建立设定大小的窗口，获取所述窗口内所述中心点的多个设定方向的两侧区域之间的灰度分布相似度；
从所述灰度分布相似度中确定最小的灰度分布相似度为目标灰度分布相似度；
在所述目标灰度分布相似度大于设定灰度分布相似度阈值时，确定所述像素点为疑似划痕边缘像素点；
获取所述疑似划痕边缘像素点为所述划痕边缘像素点的相似程度值，在所述相似程度值大于设定相似程度阈值时，确定所述疑似划痕边缘像素点为所述划痕边缘像素点。
5.根据权利要求4所述的方法，其特征在于，所述获取所述窗口内所述中心点的多个设定方向的两侧区域之间的灰度分布相似度，包括：
获取所述两侧区域之间的第二灰度均值差异和灰度方差差异；
计算所述灰度方差差异与所述第二灰度均值差异之间的比值作为所述灰度分布相似度。
6.根据权利要求4所述的方法，其特征在于，所述获取所述疑似划痕边缘像素点为所述划痕边缘像素点的相似程度值，包括：
确定所述目标灰度相似度对应的设定方向为疑似划痕方向，获取所述疑似划痕方向上的疑似划痕边缘像素点数量；
计算所述疑似划痕边缘像素点数量与所述目标灰度分布相似度之间的比值作为所述相似程度值。
7.根据权利要求6所述的方法，其特征在于，所述划痕方向的识别过程，包括：
在所述相似程度值大于所述设定相似程度阈值时，确定所述疑似划痕方向为所述划痕方向。
8.根据权利要求1所述的方法，其特征在于，所述根据所述划痕明显度，对所述目标区域的划痕像素点进行图像增强处理，包括：
根据所述划痕明显度，获取线性变换函数的直线斜率；
根据所述直线斜率，确定所述线性变换函数；
根据所述线性变换函数，对所述目标区域的划痕像素点进行灰度变换的图像增强处理。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述划痕边缘像素点为所述相交划痕边缘像素点时，根据所述相交划痕边缘像素点确定划痕相交区域；
比较所述相交划痕边缘像素点的目标区域的划痕明显度，确定最大的划痕明显度为所述划痕相交区域的目标划痕明显度；
根据所述目标划痕明显度，对所述划痕相交区域进行所述图像增强处理。
10.根据权利要求1所述的方法，其特征在于，所述识别所述划痕边缘像素点是否为相交划痕边缘像素点，包括：
获取所述划痕边缘像素点的目标区域与相邻划痕边缘像素点的目标区域之间的灰度信息熵差异，作为所述划痕边缘像素点为相交划痕边缘像素点的相交度；
若所述相交度大于设定相交度阈值，则所述划痕边缘像素点为所述相交划痕边缘像素点；
若所述相交度小于或等于所述设定相交度阈值，则所述划痕边缘像素点为所述非相交划痕边缘像素点。
CN202211609379.7A 2022-12-15 2022-12-15 用于数控机床的轴承检测方法 Active CN115601365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211609379.7A CN115601365B (zh) 2022-12-15 2022-12-15 用于数控机床的轴承检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211609379.7A CN115601365B (zh) 2022-12-15 2022-12-15 用于数控机床的轴承检测方法

Publications (2)

Publication Number Publication Date
CN115601365A true CN115601365A (zh) 2023-01-13
CN115601365B CN115601365B (zh) 2023-03-14

Family

ID=84854325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211609379.7A Active CN115601365B (zh) 2022-12-15 2022-12-15 用于数控机床的轴承检测方法

Country Status (1)

Country Link
CN (1) CN115601365B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188472A (zh) * 2023-05-04 2023-05-30 无锡康贝电子设备有限公司 一种数控机床零件的在线视觉检测方法
CN116385315A (zh) * 2023-05-31 2023-07-04 日照天一生物医疗科技有限公司 用于肿瘤治疗仪模拟消融的图像增强方法及***
CN116701984A (zh) * 2023-08-04 2023-09-05 无锡康贝电子设备有限公司 基于机器学习的数控机床自动故障诊断***
CN116758057A (zh) * 2023-08-10 2023-09-15 山东贺铭电气有限公司 基于人工智能的通信设备缺陷检测方法
CN117723548A (zh) * 2023-12-14 2024-03-19 东莞市毅廷音响科技有限公司 一种汽车喇叭生产质量检测方法
CN117723548B (zh) * 2023-12-14 2024-07-26 东莞市毅廷音响科技有限公司 一种汽车喇叭生产质量检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816644A (zh) * 2019-01-16 2019-05-28 大连理工大学 一种基于多角度光源影像的轴承缺陷自动检测***
CN114782329A (zh) * 2022-03-31 2022-07-22 南通同欧智能装备科技有限公司 一种基于图像处理的轴承缺陷损伤程度评估方法及***
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
CN115239702A (zh) * 2022-09-19 2022-10-25 南通金丝楠膜材料有限公司 一种塑料薄膜缺陷分析处理方法
CN115351598A (zh) * 2022-10-17 2022-11-18 南通钜德智能科技有限公司 一种数控机床轴承检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816644A (zh) * 2019-01-16 2019-05-28 大连理工大学 一种基于多角度光源影像的轴承缺陷自动检测***
CN114782329A (zh) * 2022-03-31 2022-07-22 南通同欧智能装备科技有限公司 一种基于图像处理的轴承缺陷损伤程度评估方法及***
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
CN115239702A (zh) * 2022-09-19 2022-10-25 南通金丝楠膜材料有限公司 一种塑料薄膜缺陷分析处理方法
CN115351598A (zh) * 2022-10-17 2022-11-18 南通钜德智能科技有限公司 一种数控机床轴承检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郝磊: "基于线激光和CCD组合测量的动车车轴表面划痕检测分析", 《电子测量技术》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188472A (zh) * 2023-05-04 2023-05-30 无锡康贝电子设备有限公司 一种数控机床零件的在线视觉检测方法
CN116385315A (zh) * 2023-05-31 2023-07-04 日照天一生物医疗科技有限公司 用于肿瘤治疗仪模拟消融的图像增强方法及***
CN116385315B (zh) * 2023-05-31 2023-09-08 日照天一生物医疗科技有限公司 用于肿瘤治疗仪模拟消融的图像增强方法及***
CN116701984A (zh) * 2023-08-04 2023-09-05 无锡康贝电子设备有限公司 基于机器学习的数控机床自动故障诊断***
CN116701984B (zh) * 2023-08-04 2023-10-10 无锡康贝电子设备有限公司 基于机器学习的数控机床自动故障诊断***
CN116758057A (zh) * 2023-08-10 2023-09-15 山东贺铭电气有限公司 基于人工智能的通信设备缺陷检测方法
CN117723548A (zh) * 2023-12-14 2024-03-19 东莞市毅廷音响科技有限公司 一种汽车喇叭生产质量检测方法
CN117723548B (zh) * 2023-12-14 2024-07-26 东莞市毅廷音响科技有限公司 一种汽车喇叭生产质量检测方法

Also Published As

Publication number Publication date
CN115601365B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN115601365B (zh) 用于数控机床的轴承检测方法
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
CN115147409B (zh) 基于机器视觉的手机壳生产品质检测方法
CN108805863B (zh) 深度卷积神经网络结合形态学检测图像变化的方法
US8811750B2 (en) Apparatus and method for extracting edge in image
CN116740070A (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN116862910B (zh) 基于自动化裁切生产的视觉检测方法
CN113554582B (zh) 电子设备盖板上功能孔的缺陷检测方法、装置以及***
CN116823822B (zh) 基于视觉特征的船艇钣金件焊接缺陷检测方法
CN106815830B (zh) 图像的缺陷检测方法
CN112085709A (zh) 一种图像对比方法及设备
CN115274486B (zh) 一种半导体表面缺陷识别方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN116342586B (zh) 基于机器视觉的路面质量检测方法
CN104732510A (zh) 一种相机镜头黑斑检测方法及装置
CN114882041B (zh) 铸铁管道内部毛刺的投票表决与识别方法
CN116309565A (zh) 基于计算机视觉的高强传送带跑偏检测方法
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN115797314A (zh) 零件表面缺陷检测方法、***、设备及存储介质
CN109978903B (zh) 一种标识点识别方法、装置、电子设备及存储介质
CN116385440B (zh) 一种弧形刀片视觉检测方法
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及***
CN115984283B (zh) 一种钢筋笼焊接质量智能检测方法
CN115254674B (zh) 一种轴承缺陷分选方法
CN116012288A (zh) 一种用于支持辅助生殖决策的信息处理***

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