CN115731239B - 一种钢材质量的检测方法 - Google Patents
一种钢材质量的检测方法 Download PDFInfo
- Publication number
- CN115731239B CN115731239B CN202310017156.XA CN202310017156A CN115731239B CN 115731239 B CN115731239 B CN 115731239B CN 202310017156 A CN202310017156 A CN 202310017156A CN 115731239 B CN115731239 B CN 115731239B
- Authority
- CN
- China
- Prior art keywords
- run
- value
- gray
- target
- steel
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 260
- 239000010959 steel Substances 0.000 title claims abstract description 260
- 238000001514 detection method Methods 0.000 title description 6
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 21
- 239000000463 material Substances 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 12
- 229910052799 carbon Inorganic materials 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 239000002932 luster Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000000227 grinding Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种钢材质量的检测方法,该方法包括:通过识别图形获取待检测钢材的目标端面图像,具体可以采用相机进行图形识别,对目标端面图像进行颜色识别和灰度游程数据处理,确定各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,并进行强数据处理;对低灰度长游程强调值和高灰度短游程强调值进行特征数据处理;生成待检测钢材对应的钢材质量信息。因此,本发明通过对目标端面图像进行数据处理,解决了对钢材质量进行检测的准确度低下的技术问题,提高了对钢材质量进行检测的准确度,主要应用于对钢材质量进行检测。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种钢材质量的检测方法。
背景技术
随着科技的发展,钢材的应用越来越广泛。然而,不同的应用对钢材质量的要求往往不同,因此,对钢材质量进行检测至关重要。由于钢材的材质质量是评判钢材质量的一个重要指标,所以,往往通过判断钢材的材质质量,进一步判断钢材质量。目前,对钢材质量进行检测时,通常采用的方式为:首先,采集钢材火花图像,接着,通过分析钢材火花图像中火花区域的数量和大小,判断钢材包含的碳含量,从而判断钢材材质质量,进一步判断钢材质量。其中,钢材火花图像可以是利用砂轮机摩擦钢材而产生的至少一个火花的图像。火花区域可以表征钢材火花图像中拍摄的由钢材摩擦而产生的火花。
然而,当采用上述方式时,经常会存在如下技术问题:
火花区域的数量和大小往往不仅依赖于钢材的碳含量,也依赖于砂轮机对钢材的推压力、钢材与砂轮机的接触面积等,所以砂轮机对钢材的推压力、钢材与砂轮机的接触面积往往会影响对钢材包含的碳含量的判断,从而往往会导致对钢材包含的碳含量的判断不准确,进而往往会导致对钢材质量进行检测的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对钢材质量进行检测的准确度低下的技术问题,本发明提出了一种钢材质量的检测方法。
本发明提供了一种钢材质量的检测方法,该方法包括:
获取待检测钢材的目标端面图像;
对所述目标端面图像进行颜色识别,得到所述目标端面图像对应的目标颜色矩;
当所述目标颜色矩小于预先设置的颜色阈值时,根据预先设置的目标方向集合,对所述目标端面图像进行灰度游程数据处理,确定所述目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,得到游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合;
对所述游程权重集合、所述低灰度长游程特征值集合和所述高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值;
对所述低灰度长游程强调值和所述高灰度短游程强调值进行特征数据处理,得到所述待检测钢材对应的钢材质量特征值;
根据所述钢材质量特征值和预先设置的质量阈值,生成所述待检测钢材对应的钢材质量信息。
进一步的,在所述对所述目标端面图像进行灰度游程数据处理之前,所述方法还包括:
当所述目标颜色矩大于或等于颜色阈值时,生成表征所述待检测钢材质量不合格的钢材质量信息。
进一步的,所述根据预先设置的目标方向集合,对所述目标端面图像进行灰度游程数据处理,确定所述目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,包括:
根据所述目标端面图像中的像素点对应的灰度值中最大的灰度值和最小的灰度值,对所述目标端面图像中的像素点对应的灰度值进行合并,得到灰度值组集合;
对于所述目标端面图像中的每个像素点,根据所述灰度值组集合、所述像素点对应的灰度值和坐标、所述像素点对应的预先设置的目标邻域中的每个邻域像素点对应的灰度值和坐标,确定所述邻域像素点对应的相对位置方向,得到所述像素点对应的相对位置方向集合;
根据所述目标端面图像中的每个像素点对应的相对位置方向集合,确定所述像素点在所述目标方向集合中的每个目标方向下对应的方向概率值;
根据所述目标端面图像中的各个像素点在所述目标方向集合中的每个目标方向下对应的方向概率值,确定所述目标方向对应的游程权重;
根据所述目标端面图像,确定所述目标方向集合中的每个目标方向对应的灰度游程矩阵;
根据所述目标方向集合中的每个目标方向对应的灰度游程矩阵,确定所述目标方向对应的低灰度长游程特征值和高灰度短游程特征值。
进一步的,所述根据所述灰度值组集合、所述像素点对应的灰度值和坐标、所述像素点对应的预先设置的目标邻域中的每个邻域像素点对应的灰度值和坐标,确定所述邻域像素点对应的相对位置方向,包括:
当所述邻域像素点对应的灰度值与所述像素点对应的灰度值属于所述灰度值组集合中的同一个灰度值组时,根据所述邻域像素点对应的坐标与所述像素点对应的坐标,确定所述邻域像素点对应的相对位置方向;
当所述邻域像素点对应的灰度值与所述像素点对应的灰度值不属于所述灰度值组集合中的同一个灰度值组时,将预先设置的目标数值,确定为所述邻域像素点对应的相对位置方向。
进一步的,所述根据所述邻域像素点对应的坐标与所述像素点对应的坐标,确定所述邻域像素点对应的相对位置方向,包括:
对所述邻域像素点对应的坐标与所述像素点对应的坐标进行调整,得到所述邻域像素点对应的调整坐标与所述像素点对应的调整坐标;
将竖直差值与水平差值的比值,确定为位置比值,其中,竖直差值是所述邻域像素点对应的调整坐标包括的纵坐标与所述像素点对应的调整坐标包括的纵坐标之间的差值,水平差值是所述邻域像素点对应的调整坐标包括的横坐标与所述像素点对应的调整坐标包括的横坐标之间的差值;
将位置比值的反正切函数值,确定为所述邻域像素点对应的相对位置方向。
进一步的,所述根据所述目标端面图像中的各个像素点在所述目标方向集合中的每个目标方向下对应的方向概率值,确定所述目标方向对应的游程权重,包括:
将所述目标端面图像中的各个像素点在所述目标方向集合中的每个目标方向下对应的方向概率值的和,确定为所述目标方向对应的游程权重。
进一步的,所述对所述游程权重集合、所述低灰度长游程特征值集合和所述高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值,包括:
根据所述游程权重集合和所述低灰度长游程特征值集合,确定所述低灰度长游程强调值;
根据所述游程权重集合和所述高灰度短游程特征值集合,确定所述高灰度短游程强调值。
进一步的,所述根据所述钢材质量特征值和预先设置的质量阈值,生成所述待检测钢材对应的钢材质量信息,包括:
当所述钢材质量特征值大于或等于质量阈值时,生成表征所述待检测钢材质量合格的钢材质量信息;
当所述钢材质量特征值小于质量阈值时,生成表征所述待检测钢材质量不合格的钢材质量信息。
本发明具有如下有益效果:
本发明的一种钢材质量的检测方法,通过对目标端面图像进行数据处理,解决了对钢材质量进行检测的准确度低下的技术问题,提高了对钢材质量进行检测的准确度。首先,获取待检测钢材的目标端面图像。实际情况中,若钢材端面呈纤维状、无金属光泽、颜色发暗、无结晶颗粒且端面边缘有明显的塑性变形特征,往往说明钢材具有良好的塑性和韧性,并且含碳量较低,往往说明该钢材质量合格。若钢材端面齐平、呈银灰色、具有明显的金属光泽和结晶颗粒,往往说明钢材端面是由于脆性断裂产生的,往往说明该钢材质量不合格。其中,端面可以是断面。所以,获取目标端面图像可以便于分析待检测钢材端面的形态,可以便于后续判断待检测钢材的质量。因此,不再需要通过确定火花区域的数量和大小,从而判断钢材的碳含量。所以避免了由于火花区域的数量和大小不仅依赖于钢材的碳含量,还依赖于砂轮机对钢材的推压力、钢材与砂轮机的接触面积,导致的对钢材包含的碳含量的判断不准确,从而导致对钢材质量进行检测的准确度低下。其次,实际情况中,往往存在采用人工的方式,对钢材质量进行检测。当采用人工的方式,对钢材质量进行检测时,往往是凭借检测者的主观感受进行检测识别,往往受人工经验、疲劳度等影响较大,作出的识别判断往往不准确,因此,当采用人工的方式对钢材质量进行检测时,往往会导致对钢材质量进行检测的准确度低下。接着,对上述目标端面图像进行颜色识别,得到上述目标端面图像对应的目标颜色矩。实际情况中,材质质量合格的钢材的端面颜色往往是暗的,而材质质量不合格的钢材的端面往往有金属光泽,颜色往往是亮的。因此,对目标端面图像进行颜色识别,可以确定目标端面图像的颜色,可以便于后续判断待检测钢材的质量。然后,当上述目标颜色矩小于预先设置的颜色阈值时,根据预先设置的目标方向集合,对上述目标端面图像进行灰度游程数据处理,确定上述目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,得到游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合。实际情况中,当目标颜色矩小于预先设置的颜色阈值时,往往说明待检测钢材端面颜色发暗,符合质量合格的钢材端面的颜色特征,进一步确定目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,可以便于分析影响待检测钢材质量的特征中除了颜色特征之外的特征,如,待检测钢材端面是否呈纤维状。可以使后续对待检测钢材的质量的判断更加准确。之后,对上述游程权重集合、上述低灰度长游程特征值集合和上述高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值。综合考虑游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合,可以提高得到的低灰度长游程强调值和高灰度短游程强调值的准确度。而后,对上述低灰度长游程强调值和上述高灰度短游程强调值进行特征数据处理,得到上述待检测钢材对应的钢材质量特征值。综合考虑低灰度长游程强调值和高灰度短游程强调值,可以提高得到的钢材质量特征值的准确度。最后,根据上述钢材质量特征值和预先设置的质量阈值,生成上述待检测钢材对应的钢材质量信息。因此,本发明通过对目标端面图像进行数据处理,解决了对钢材质量进行检测的准确度低下的技术问题,提高了对钢材质量进行检测的准确度。
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为根据本发明的一种钢材质量的检测方法的流程图;
图2为根据本发明的质量合格钢材的断面表面图像示意图;
图3为根据本发明的质量不合格钢材的断面表面图像示意图;
图4为根据本发明的灰度值相同的像素点与该像素点对应的目标邻域示意图;
图5为根据本发明的灰度值不同的像素点与该像素点对应的目标邻域示意图。
其中,附图标记包括:第一邻域像素点401、第二邻域像素点402、第三邻域像素点403、第四邻域像素点404、第五邻域像素点405、第六邻域像素点406、第七邻域像素点407、第八邻域像素点408和邻域像素点501。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。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。
本发明提供了一种钢材质量的检测方法,该方法包括以下步骤:
获取待检测钢材的目标端面图像;
对目标端面图像进行颜色识别,得到目标端面图像对应的目标颜色矩;
当目标颜色矩小于预先设置的颜色阈值时,根据预先设置的目标方向集合,对目标端面图像进行灰度游程数据处理,确定目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,得到游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合;
对游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值;
对低灰度长游程强调值和高灰度短游程强调值进行特征数据处理,得到待检测钢材对应的钢材质量特征值;
根据钢材质量特征值和预先设置的质量阈值,生成待检测钢材对应的钢材质量信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种钢材质量的检测方法的一些实施例的流程。该钢材质量的检测方法,包括以下步骤:
步骤S1,获取待检测钢材的目标端面图像。
在一些实施例中,可以获取待检测钢材的目标端面图像。
其中,待检测钢材可以是待检测材质质量情况的钢材。目标端面图像可以是进行预处理后的钢材端面图像。钢材端面图像可以是待检测钢材端面的图像。待检测钢材的端面可以是待检测钢材的横截面。例如,待检测钢材的端面可以是待检测钢材的断面。待检测钢材的断面可以是通过对待检测钢材进行落锤试验,形成的断面。预处理可以是图像预处理。预处理可以包括但不限于:灰度化、去噪和图像增强。
作为示例,本步骤可以包括以下步骤:
第一步,获取待检测钢材的钢材端面图像。
例如,可以通过CCD(Charge Coupled Device,电荷耦合元件)相机,获取待检测钢材的钢材端面图像。
第二步,对上述钢材端面图像进行预处理,得到目标端面图像。
例如,本步骤可以包括以下子步骤:
第一子步骤,对上述钢材端面图像进行去噪处理,得到去噪图像。
比如,可以通过高斯滤波,对钢材端面图像进行去噪处理,得到去噪图像。
实际情况中,钢材端面图像的采集过程往往受到机械噪声影响,并且传输过程往往受到脉冲噪声影响,所以对钢材端面图像进行去噪处理,往往可以减少噪声的影响。
第二子步骤,对上述去噪图像进行端面提取,得到参考端面图像。
其中,参考端面图像可以是只拍摄有待检测钢材端面的图像。
比如,可以通过语义分割,将去噪图像包括的目标端面区域,确定为参考端面图像。其中,目标端面区域可以是待检测钢材端面在去噪图像中对应的区域。
第三子步骤,对上述参考端面图像进行灰度化处理,得到上述目标端面图像。
步骤S2,对目标端面图像进行颜色识别,得到目标端面图像对应的目标颜色矩。
在一些实施例中,可以对上述目标端面图像进行颜色识别,得到上述目标端面图像对应的目标颜色矩。
其中,目标颜色矩可以表征目标端面图像的明暗程度。实际情况中,目标颜色矩越大,目标端面图像往往越亮。目标颜色矩越小,目标端面图像往往越暗。
作为示例,对上述目标端面图像进行颜色识别,得到上述目标端面图像对应的目标颜色矩对应的公式可以为:
实际情况中,由于是目标端面图像中的像素点对应的灰度值的均值,所以可以表征目标端面图像的平均明暗程度。即当越大时,目标颜色矩
Ha往往越大,目标端面图像往往越亮。当越小时,目标颜色矩
Ha往往越小,目标端面图像往往越暗。并且,可以使目标颜色矩
Ha的取值范围为[0,1],可以便于后续颜色阈值的设置。确定目标颜色矩对应的公式并不限于以上公式,只要符合以上规律的公式,往往均可作为确定目标颜色矩对应的公式。
可选地,当上述目标颜色矩大于或等于颜色阈值时,生成表征上述待检测钢材质量不合格的钢材质量信息。
其中,颜色阈值可以是预先设置的待检测钢材的材质质量不合格时,所允许的最小的目标颜色矩。例如,颜色阈值可以是0.5。待检测钢材的材质质量不合格可以表征待检测钢材的材质不符合生产标准。
实际情况中,材质质量合格的钢材的断面颜色往往是暗的,而材质质量不合格的钢材的断面往往有金属光泽,颜色往往是亮的。其中,材质质量合格可以表征钢材的材质符合生产标准。材质质量不合格可以表征钢材的材质不符合生产标准。因此,当目标颜色矩越大时,待检测钢材的断面往往越亮,待检测钢材的材质质量往往越差。
步骤S3,当目标颜色矩小于预先设置的颜色阈值时,根据预先设置的目标方向集合,对目标端面图像进行灰度游程数据处理,确定目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,得到游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合。
在一些实施例中,当上述目标颜色矩小于预先设置的颜色阈值时,可以根据预先设置的目标方向集合,对上述目标端面图像进行灰度游程数据处理,确定上述目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,得到游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合。
其中,目标方向集合中的目标方向可以是预先设置的方向。例如,目标方向集合可以是{0°,45°,90°,135°}。游程权重集合中的游程权重可以表征目标方向的重要程度。低灰度长游程特征值集合中的低灰度长游程特征值可以表征在目标方向下,目标端面图像中灰度值较低游程较长的情况。高灰度短游程特征值集合中的高灰度短游程特征值可以表征在目标方向下,目标端面图像中灰度值较高游程较短的情况。
实际情况中,由于材质质量较差的钢材的断面表面往往呈齐平状,颜色往往均匀,往往没有纤维状线条。所以,高灰度短游程特征值越大,待检测钢材的材质质量往往越差。由于材质质量合格的钢材的断面往往呈纤维状,颜色往往不均匀。所以,低灰度长游程特征值越大,待检测钢材的材质质量往往越好。如图2所示的图像可以是材质质量合格钢材的断面表面图像。如图3所示的图像可以是材质质量不合格钢材的断面表面图像。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述目标端面图像中的像素点对应的灰度值中最大的灰度值和最小的灰度值,对上述目标端面图像中的像素点对应的灰度值进行合并,得到灰度值组集合。
例如,可以从目标端面图像中的像素点对应的灰度值中最小的灰度值开始,依次将连续的10个灰度值,组合为一个灰度值组,直至灰度值组中包括目标端面图像中的像素点对应的灰度值中最大的灰度值时,停止组合新的灰度值组。其中,灰度值组集合中的最后一个灰度值组中的灰度值的数量可以小于或等于10。灰度值组集合中除了最后一个灰度值组之外的灰度值组中的灰度值的数量均可以等于10。其中,灰度值组集合中的灰度值组的数量可以为。其中,是上取整。
l是灰度值组集合中的灰度值组的数量。是目标端面图像中的像素点对应的灰度值中最大的灰度值。是目标端面图像中的像素点对应的灰度值中最小的灰度值。
第二步,对于上述目标端面图像中的每个像素点,根据上述灰度值组集合、上述像素点对应的灰度值和坐标、上述像素点对应的预先设置的目标邻域中的每个邻域像素点对应的灰度值和坐标,确定上述邻域像素点对应的相对位置方向,得到上述像素点对应的相对位置方向集合。
其中,目标邻域可以是预先设置的邻域。如,目标邻域可以是八邻域。邻域像素点可以是目标邻域中的像素点。像素点对应的相对位置方向集合中的相对位置方向可以是邻域像素点相对该像素点的位置所在的方向。
例如,本步骤可以包括以下子步骤:
第一子步骤,当上述邻域像素点对应的灰度值与上述像素点对应的灰度值属于上述灰度值组集合中的同一个灰度值组时,根据上述邻域像素点对应的坐标与上述像素点对应的坐标,确定上述邻域像素点对应的相对位置方向。
比如,本子步骤可以包括以下步骤:
首先,对上述邻域像素点对应的坐标与上述像素点对应的坐标进行调整,得到上述邻域像素点对应的调整坐标与上述像素点对应的调整坐标。
其中,邻域像素点对应的坐标可以表征该邻域像素点在目标端面图像中的位置。像素点对应的坐标可以表征该像素点在目标端面图像中的位置。
如,可以将像素点对应的坐标包括的横坐标调整为0,作为该像素点对应的调整坐标包括的横坐标。可以将像素点对应的坐标包括的纵坐标调整为0,作为该像素点对应的调整坐标包括的纵坐标。当目标邻域为八邻域时,对于像素点对应的八邻域中的每个邻域像素点,可以将该邻域像素点对应的坐标包括的横坐标与该像素点对应的坐标包括的横坐标的差值,确定为该邻域像素点对应的调整坐标包括的横坐标。可以将该邻域像素点对应的坐标包括的纵坐标与该像素点对应的坐标包括的纵坐标的差值,确定为该邻域像素点对应的调整坐标包括的纵坐标。
接着,将竖直差值与水平差值的比值,确定为位置比值。
其中,竖直差值可以是上述邻域像素点对应的调整坐标包括的纵坐标与上述像素点对应的调整坐标包括的纵坐标之间的差值。水平差值可以是上述邻域像素点对应的调整坐标包括的横坐标与上述像素点对应的调整坐标包括的横坐标之间的差值。
最后,将位置比值的反正切函数值,确定为上述邻域像素点对应的相对位置方向。
如,确定邻域像素点对应的相对位置方向对应的公式可以为:
其中,是像素点对应的目标邻域中的第
b个邻域像素点对应的相对位置方向。
arctan( )是反正切函数。
x是像素点对应的调整坐标包括的横坐标。
y是像素点对应的调整坐标包括的纵坐标。是像素点对应的目标邻域中的第
b个邻域像素点对应的调整坐标包括的横坐标。是像素点对应的目标邻域中的第
b个邻域像素点对应的调整坐标包括的纵坐标。
实际情况中,由于可以表征像素点对应的目标邻域中的第
b个邻域像素点相对该像素点的位置。所以,像素点对应的第
b个邻域像素点对应的相对位置方向可以是第
b个邻域像素点相对该像素点的位置所在的方向。因此,确定像素点对应的目标邻域中的各个邻域像素点对应的相对位置方向,可以便于分析像素点对应的目标邻域内的邻域像素点的相对该像素点的相对位置。
如图4所示,处于中心的矩形可以表征像素点。与处于中心的矩形相邻的8个矩形可以表征邻域像素点。像素点对应的目标邻域可以包括:第一邻域像素点401、第二邻域像素点402、第三邻域像素点403、第四邻域像素点404、第五邻域像素点405、第六邻域像素点406、第七邻域像素点407和第八邻域像素点408。由于,像素点、第一邻域像素点401、第二邻域像素点402、第三邻域像素点403、第四邻域像素点404、第五邻域像素点405、第六邻域像素点406、第七邻域像素点407和第八邻域像素点408对应的灰度值相同,所以这些像素点对应的灰度值属于灰度值组集合中的同一个灰度值组。因此,第一邻域像素点401和第五邻域像素点405对应的相对位置方向可以为135°。第二邻域像素点402和第六邻域像素点406对应的相对位置方向可以为90°。第三邻域像素点403和第七邻域像素点407对应的相对位置方向可以为45°。第四邻域像素点404和第八邻域像素点408对应的相对位置方向可以为0°。
第二子步骤,当上述邻域像素点对应的灰度值与上述像素点对应的灰度值不属于上述灰度值组集合中的同一个灰度值组时,将预先设置的目标数值,确定为上述邻域像素点对应的相对位置方向。
其中,目标数值可以是预先设置的区别与目标方向的数值。比如,目标数值可以是正无穷大。
如图5所示,处于中心的黑色矩形可以表征像素点。与处于中心的矩形相邻的8个白色矩形可以表征邻域像素点。由于邻域像素点501对应的灰度值与像素点对应的灰度值不属于上述灰度值组集合中的同一个灰度值组,所以邻域像素点501对应的相对位置方向可以为正无穷大。
第三步,根据上述目标端面图像中的每个像素点对应的相对位置方向集合,确定上述像素点在上述目标方向集合中的每个目标方向下对应的方向概率值。
例如,确定像素点在目标方向集合中的每个目标方向下对应的方向概率值对应的公式可以为:
其中,是目标端面图像中第
i个像素点在目标方向集合中的第
a个目标方向下对应的方向概率值。是目标端面图像中第
i个像素点对应的目标邻域中对应的相对位置方向与第
a个目标方向相同的邻域像素点的数量。是目标端面图像中第
i个像素点对应的目标邻域中的邻域像素点的数量。
实际情况中,可以表征第
i个像素点对应的目标邻域中对应的相对位置方向与第
a个目标方向相同的邻域像素点的数量在该目标邻域中的邻域像素点的总数中所占的比重。所以,越大,往往代表目标邻域中对应的相对位置方向与第
a个目标方向相同的邻域像素点的数量越多。
又如,当目标方向集合是{0°,45°,90°,135°}时,如图4所示,像素点在0°下对应的方向概率值可以为1/2。像素点在45°下对应的方向概率值可以为1/2。像素点在90°下对应的方向概率值可以为1/2。像素点在135°下对应的方向概率值可以为1/2。
第四步,根据上述目标端面图像中的各个像素点在上述目标方向集合中的每个目标方向下对应的方向概率值,确定上述目标方向对应的游程权重。
例如,可以将上述目标端面图像中的各个像素点在上述目标方向集合中的每个目标方向下对应的方向概率值的和,确定为上述目标方向对应的游程权重。
比如,确定目标方向对应的游程权重对应的公式可以为:
第五步,根据上述目标端面图像,确定上述目标方向集合中的每个目标方向对应的灰度游程矩阵。
例如,本步骤可以包括以下子步骤:
第一子步骤,将目标端面图像中的每个像素点对应的灰度值,更新为上述像素点对应的目标灰度值,得到更新端面图像。
其中,像素点对应的目标灰度值可以是该像素点对应的灰度值属于的灰度值组中的灰度值的均值。
第二子步骤,确定更新端面图像在目标方向集合中的每个目标方向对应的灰度游程矩阵。
其中,目标方向对应的灰度游程矩阵中的第c行第d列处的元素可以表征更新端面图像中对应的灰度值为c的像素点在该目标方向连续出现d次的数量。灰度游程矩阵的尺寸可以为。其中,
l是灰度值组集合中的灰度值组的数量。是上取整。
n是目标端面图像的尺寸。
本子步骤的具体实现方式可以通过现有技术实现,在此不再赘述。
第六步,根据上述目标方向集合中的每个目标方向对应的灰度游程矩阵,确定上述目标方向对应的低灰度长游程特征值和高灰度短游程特征值。
例如,确定目标方向对应的低灰度长游程特征值和高灰度短游程特征值对应的公式可以为:
其中,是目标方向集合中的第
a个目标方向对应的低灰度长游程特征值。是灰度值组集合中的灰度值组的数量。是游程最大长度。是目标方向集合中的第
a个目标方向对应的灰度游程矩阵。
f是游程长度。
e是更新端面图像中的像素点对应灰度值中的第
e个灰度值。如,更新端面图像中的像素点对应灰度值中的第
e个灰度值可以是灰度值组集合中的第
e个灰度值组中的灰度值的均值。是目标方向集合中的第
a个目标方向对应的高灰度短游程特征值。
实际情况中,由于材质质量较差的钢材的断面表面往往呈齐平状,颜色往往均匀,往往没有纤维状线条。所以,高灰度短游程特征值越大,待检测钢材的材质质量往往越差。由于材质质量合格的钢材的断面往往呈纤维状,颜色往往不均匀。所以,低灰度长游程特征值越大,待检测钢材的材质质量往往越好。并且,确定目标方向集合中的各个目标方向对应的低灰度长游程特征值和高灰度短游程特征值,可以便于后续采用各个目标方向对应的低灰度长游程特征值和高灰度短游程特征值,判断待检测钢材的材质质量。相较于只考虑一个目标方向,考虑多个目标方向,可以使考虑的因素更加全面,可以使对待检测钢材材质质量的判断更加准确。
步骤S4,对游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值。
在一些实施例中,可以对上述游程权重集合、上述低灰度长游程特征值集合和上述高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值。
其中,低灰度长游程强调值可以表征目标端面图像中灰度值较低游程较长的整体情况。高灰度短游程强调值可以表征目标端面图像中灰度值较高游程较短的整体情况。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述游程权重集合和上述低灰度长游程特征值集合,确定上述低灰度长游程强调值。
例如,确定上述低灰度长游程强调值对应的公式可以为:
由于第
a个目标方向对应的游程权重可以表征该目标方向的重要程度。第
a个目标方向对应的低灰度长游程特征值可以表征在该目标方向下,目标端面图像中灰度值较低游程较长的情况。所以,综合考虑目标方向集合中的各个目标方向对应的游程权重和各个目标方向对应的低灰度长游程特征值,可以使确定的低灰度长游程强调值
LLLR更加符合实际情况。并且,当目标方向对应的游程权重越大或低灰度长游程特征值越大时,低灰度长游程强调值
LLLR越大。
第二步,根据上述游程权重集合和上述高灰度短游程特征值集合,确定上述高灰度短游程强调值。
例如,确定上述高灰度短游程强调值对应的公式可以为:
由于第
a个目标方向对应的游程权重可以表征该目标方向的重要程度。第
a个目标方向对应的高灰度短游程特征值可以表征在该目标方向下,目标端面图像中灰度值较高游程较短的情况。所以,综合考虑目标方向集合中的各个目标方向对应的游程权重和各个目标方向对应的高灰度短游程特征值,可以使确定的高灰度短游程强调值
SHGL更加符合实际情况。并且,当目标方向对应的游程权重越大或高灰度短游程特征值越大时,高灰度短游程强调值
SHGL越大。
步骤S5,对低灰度长游程强调值和高灰度短游程强调值进行特征数据处理,得到待检测钢材对应的钢材质量特征值。
在一些实施例中,可以对上述低灰度长游程强调值和上述高灰度短游程强调值进行特征数据处理,得到上述待检测钢材对应的钢材质量特征值。
其中,钢材质量特征值可以表征待检测钢材的材质质量。实际情况中,钢材质量特征值越大,待检测钢材的材质质量往往越好。
作为示例,对上述低灰度长游程强调值和上述高灰度短游程强调值进行特征数据处理,得到上述待检测钢材对应的钢材质量特征值对应的公式可以为:
其中,
HA是待检测钢材对应的钢材质量特征值。
exp( )是以自然常数为底的指数函数。
LLLR是低灰度长游程强调值。
SHGL是高灰度短游程强调值。
实际情况中,当低灰度长游程强调值
LLLR越大或高灰度短游程强调值
SHGL越小时,待检测钢材对应的钢材质量特征值往往越大,待检测钢材材质质量往往越好。并且可以钢材质量特征值
HA的取值范围为[0,1],可以便于后续质量阈值的设置。确定钢材质量特征值对应的公式并不限于以上公式,只要符合以上规律的公式,往往均可作为确定钢材质量特征值对应的公式。
步骤S6,根据钢材质量特征值和预先设置的质量阈值,生成待检测钢材对应的钢材质量信息。
在一些实施例中,可以根据上述钢材质量特征值和预先设置的质量阈值,生成上述待检测钢材对应的钢材质量信息。
其中,质量阈值可以是预先设置的待检测钢材材质质量合格时,所允许的最小的钢材质量特征值。例如,质量阈值可以是0.5。待检测钢材材质质量合格可以表征待检测钢材的材质符合生产标准。
作为示例,本步骤可以包括以下步骤:
第一步,当上述钢材质量特征值大于或等于质量阈值时,生成表征上述待检测钢材质量合格的钢材质量信息。
第二步,当上述钢材质量特征值小于质量阈值时,生成表征上述待检测钢材质量不合格的钢材质量信息。
其中,待检测钢材质量不合格可以表征待检测钢材的材质不符合生产标准。
由于钢材的材质质量是评判钢材质量的一个重要指标,所以,当待检测钢材的材质质量不符合生产标准时,待检测钢材质量往往不符合生产标准,即待检测钢材质量不合格。当待检测钢材的材质质量符合生产标准时,待检测钢材质量往往符合生产标准,往往可以认为待检测钢材质量合格。
可选地,当对待检测钢材质量要求比较高,即评判待检测钢材质量是否合格的指标不仅仅包括材质(如,还包括尺寸符合生产标准或表面没有缺陷)时,可以将各项指标均合格的待检测钢材的质量评判为质量合格。可以将任意一项指标不合格的待检测钢材的质量评判为质量不合格。其中,判断待检测钢材的尺寸是否符合生产标准以及判断待检测钢材的表面是否存在缺陷,可以通过现有技术实现,在此不再赘述。
本发明的一种钢材质量的检测方法,通过对目标端面图像进行数据处理,解决了对钢材质量进行检测的准确度低下的技术问题,提高了对钢材质量进行检测的准确度。首先,获取待检测钢材的目标端面图像。实际情况中,若钢材端面呈纤维状、无金属光泽、颜色发暗、无结晶颗粒且端面边缘有明显的塑性变形特征,往往说明钢材具有良好的塑性和韧性,并且含碳量较低,往往说明该钢材质量合格。若钢材端面齐平、呈银灰色、具有明显的金属光泽和结晶颗粒,往往说明钢材端面是由于脆性断裂产生的,往往说明该钢材质量不合格。其中,端面可以是断面。所以,获取目标端面图像可以便于分析待检测钢材端面的形态,可以便于后续判断待检测钢材的质量。因此,不再需要通过确定火花区域的数量和大小,从而判断钢材的碳含量。所以避免了由于火花区域的数量和大小不仅依赖于钢材的碳含量,还依赖于砂轮机对钢材的推压力、钢材与砂轮机的接触面积,导致的对钢材包含的碳含量的判断不准确,从而导致对钢材质量进行检测的准确度低下。其次,实际情况中,往往存在采用人工的方式,对钢材质量进行检测。当采用人工的方式,对钢材质量进行检测时,往往是凭借检测者的主观感受进行检测识别,往往受人工经验、疲劳度等影响较大,作出的识别判断往往不准确,因此,当采用人工的方式对钢材质量进行检测时,往往会导致对钢材质量进行检测的准确度低下。接着,对上述目标端面图像进行颜色识别,得到上述目标端面图像对应的目标颜色矩。实际情况中,材质质量合格的钢材的端面颜色往往是暗的,而材质质量不合格的钢材的端面往往有金属光泽,颜色往往是亮的。因此,对目标端面图像进行颜色识别,可以确定目标端面图像的颜色,可以便于后续判断待检测钢材的质量。然后,当上述目标颜色矩小于预先设置的颜色阈值时,根据预先设置的目标方向集合,对上述目标端面图像进行灰度游程数据处理,确定上述目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,得到游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合。实际情况中,当目标颜色矩小于预先设置的颜色阈值时,往往说明待检测钢材端面颜色发暗,符合质量合格的钢材端面的颜色特征,进一步确定目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,可以便于分析影响待检测钢材质量的特征中除了颜色特征之外的特征,如,待检测钢材端面是否呈纤维状。可以使后续对待检测钢材的质量的判断更加准确。之后,对上述游程权重集合、上述低灰度长游程特征值集合和上述高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值。综合考虑游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合,可以提高得到的低灰度长游程强调值和高灰度短游程强调值的准确度。而后,对上述低灰度长游程强调值和上述高灰度短游程强调值进行特征数据处理,得到上述待检测钢材对应的钢材质量特征值。综合考虑低灰度长游程强调值和高灰度短游程强调值,可以提高得到的钢材质量特征值的准确度。最后,根据上述钢材质量特征值和预先设置的质量阈值,生成上述待检测钢材对应的钢材质量信息。因此,本发明通过对目标端面图像进行数据处理,解决了对钢材质量进行检测的准确度低下的技术问题,提高了对钢材质量进行检测的准确度。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种钢材质量的检测方法,其特征在于,包括以下步骤:
获取待检测钢材的目标端面图像;
对所述目标端面图像进行颜色识别,得到所述目标端面图像对应的目标颜色矩;
当所述目标颜色矩小于预先设置的颜色阈值时,根据预先设置的目标方向集合,对所述目标端面图像进行灰度游程数据处理,确定所述目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,得到游程权重集合、低灰度长游程特征值集合和高灰度短游程特征值集合;
对所述游程权重集合、所述低灰度长游程特征值集合和所述高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值;
对所述低灰度长游程强调值和所述高灰度短游程强调值进行特征数据处理,得到所述待检测钢材对应的钢材质量特征值;
根据所述钢材质量特征值和预先设置的质量阈值,生成所述待检测钢材对应的钢材质量信息;
所述根据预先设置的目标方向集合,对所述目标端面图像进行灰度游程数据处理,确定所述目标方向集合中的各个目标方向对应的游程权重、低灰度长游程特征值和高灰度短游程特征值,包括:
根据所述目标端面图像中的像素点对应的灰度值中最大的灰度值和最小的灰度值,对所述目标端面图像中的像素点对应的灰度值进行合并,得到灰度值组集合;
对于所述目标端面图像中的每个像素点,根据所述灰度值组集合、所述像素点对应的灰度值和坐标、所述像素点对应的预先设置的目标邻域中的每个邻域像素点对应的灰度值和坐标,确定所述邻域像素点对应的相对位置方向,得到所述像素点对应的相对位置方向集合;
根据所述目标端面图像中的每个像素点对应的相对位置方向集合,确定所述像素点在所述目标方向集合中的每个目标方向下对应的方向概率值;
根据所述目标端面图像中的各个像素点在所述目标方向集合中的每个目标方向下对应的方向概率值,确定所述目标方向对应的游程权重;
根据所述目标端面图像,确定所述目标方向集合中的每个目标方向对应的灰度游程矩阵;
根据所述目标方向集合中的每个目标方向对应的灰度游程矩阵,确定所述目标方向对应的低灰度长游程特征值和高灰度短游程特征值;
所述根据所述灰度值组集合、所述像素点对应的灰度值和坐标、所述像素点对应的预先设置的目标邻域中的每个邻域像素点对应的灰度值和坐标,确定所述邻域像素点对应的相对位置方向,包括:
当所述邻域像素点对应的灰度值与所述像素点对应的灰度值属于所述灰度值组集合中的同一个灰度值组时,根据所述邻域像素点对应的坐标与所述像素点对应的坐标,确定所述邻域像素点对应的相对位置方向;
当所述邻域像素点对应的灰度值与所述像素点对应的灰度值不属于所述灰度值组集合中的同一个灰度值组时,将预先设置的目标数值,确定为所述邻域像素点对应的相对位置方向;
所述根据所述邻域像素点对应的坐标与所述像素点对应的坐标,确定所述邻域像素点对应的相对位置方向,包括:
对所述邻域像素点对应的坐标与所述像素点对应的坐标进行调整,得到所述邻域像素点对应的调整坐标与所述像素点对应的调整坐标;
将竖直差值与水平差值的比值,确定为位置比值,其中,竖直差值是所述邻域像素点对应的调整坐标包括的纵坐标与所述像素点对应的调整坐标包括的纵坐标之间的差值,水平差值是所述邻域像素点对应的调整坐标包括的横坐标与所述像素点对应的调整坐标包括的横坐标之间的差值;
将位置比值的反正切函数值,确定为所述邻域像素点对应的相对位置方向。
2.根据权利要求1所述的一种钢材质量的检测方法,其特征在于,在所述对所述目标端面图像进行灰度游程数据处理之前,所述方法还包括:
当所述目标颜色矩大于或等于颜色阈值时,生成表征所述待检测钢材质量不合格的钢材质量信息。
3.根据权利要求1所述的一种钢材质量的检测方法,其特征在于,所述根据所述目标端面图像中的各个像素点在所述目标方向集合中的每个目标方向下对应的方向概率值,确定所述目标方向对应的游程权重,包括:
将所述目标端面图像中的各个像素点在所述目标方向集合中的每个目标方向下对应的方向概率值的和,确定为所述目标方向对应的游程权重。
4.根据权利要求1所述的一种钢材质量的检测方法,其特征在于,所述对所述游程权重集合、所述低灰度长游程特征值集合和所述高灰度短游程特征值集合进行强数据处理,得到低灰度长游程强调值和高灰度短游程强调值,包括:
根据所述游程权重集合和所述低灰度长游程特征值集合,确定所述低灰度长游程强调值;
根据所述游程权重集合和所述高灰度短游程特征值集合,确定所述高灰度短游程强调值。
5.根据权利要求1所述的一种钢材质量的检测方法,其特征在于,所述根据所述钢材质量特征值和预先设置的质量阈值,生成所述待检测钢材对应的钢材质量信息,包括:
当所述钢材质量特征值大于或等于质量阈值时,生成表征所述待检测钢材质量合格的钢材质量信息;
当所述钢材质量特征值小于质量阈值时,生成表征所述待检测钢材质量不合格的钢材质量信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310017156.XA CN115731239B (zh) | 2023-01-06 | 2023-01-06 | 一种钢材质量的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310017156.XA CN115731239B (zh) | 2023-01-06 | 2023-01-06 | 一种钢材质量的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115731239A CN115731239A (zh) | 2023-03-03 |
CN115731239B true CN115731239B (zh) | 2023-04-11 |
Family
ID=85301972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310017156.XA Active CN115731239B (zh) | 2023-01-06 | 2023-01-06 | 一种钢材质量的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731239B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841940A (zh) * | 2022-04-24 | 2022-08-02 | 南通金丝楠膜材料有限公司 | 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及*** |
CN115082418B (zh) * | 2022-07-14 | 2022-11-04 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN114972331B (zh) * | 2022-07-15 | 2022-10-21 | 启东金耀億华玻纤材料有限公司 | 一种利用灰度游程矩阵识别agm隔板质量的方法及装置 |
CN114998345A (zh) * | 2022-08-04 | 2022-09-02 | 南通金丝楠膜材料有限公司 | 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及*** |
-
2023
- 2023-01-06 CN CN202310017156.XA patent/CN115731239B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115731239A (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN114926463B (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN116758083A (zh) | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN112381826B (zh) | 边缘缺陷图像的二值化方法 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN117541588A (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节*** | |
CN108230334B (zh) | 基于灰度阈值的高浓度风沙图像分割的方法 | |
CN115731239B (zh) | 一种钢材质量的检测方法 | |
CN115861304A (zh) | 一种基于图像处理的钢中带状组织检测方法及*** | |
CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及*** | |
CN116958136B (zh) | 基于图像处理的丝杆螺纹生产缺陷检测方法 | |
CN118134938B (zh) | 一种耐火砖表面缺陷视觉检测方法及*** | |
CN115578388B (zh) | 用于纺织生产的数据处理方法 | |
CN118071739B (zh) | 基于图像增强的色母粒着色视觉检测方法 |
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 |