CN116091499B - 一种涂料生产异常识别*** - Google Patents
一种涂料生产异常识别*** Download PDFInfo
- Publication number
- CN116091499B CN116091499B CN202310362494.7A CN202310362494A CN116091499B CN 116091499 B CN116091499 B CN 116091499B CN 202310362494 A CN202310362494 A CN 202310362494A CN 116091499 B CN116091499 B CN 116091499B
- Authority
- CN
- China
- Prior art keywords
- gray
- region
- suspected
- characteristic
- 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.)
- Active
Links
- 239000003973 paint Substances 0.000 title claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 title description 7
- 230000002776 aggregation Effects 0.000 claims abstract description 36
- 238000004220 aggregation Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 239000011248 coating agent Substances 0.000 claims abstract description 24
- 238000000576 coating method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000005507 spraying Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims abstract description 3
- 230000007547 defect Effects 0.000 claims description 68
- 238000000034 method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims 21
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000005856 abnormality Effects 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 229910000831 Steel Inorganic materials 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011344 liquid material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10052—Images from lightfield camera
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种涂料生产异常识别***。该***包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:获取涂料喷涂完成后的待检测物体的灰度图像;根据疑似中心区域和疑似边缘区域中每个灰度级上像素点的聚合情况,得到对应的灰度特征指标,结合疑似中心区域的边缘像素点和疑似边缘区域外边缘线上的边缘像素点的梯度幅值,得到特征区域对应的分割度;根据特征区域对应的灰度区域大小矩阵,得到特征区域对应的平滑相似度;基于分割度和平滑相似度确定凹坑显著度,进而判断是否进行预警。本发明提高了涂料生产检测结果的可信度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种涂料生产异常识别***。
背景技术
防腐涂料是涂布于物体表面在一定的条件下能形成薄膜而起保护、装潢或其他特殊功能的一类液体或固体材料,防腐涂料通过特定的涂装方法喷涂在物体表面,干燥后固化成涂膜,防止外界的腐蚀性物质直接接触到物体,起到防腐蚀的作用。一般情况下防腐涂料用来涂在钢铁表面,因涂料中含有比钢铁更活泼的金属粉,比如锌粉,可以通过电化学的作用防止金属被腐蚀,而在对钢铁表面喷涂防腐涂料时,会因为涂料配比不均造成喷涂后的钢铁表面不均匀,出现凹坑缺陷,从而降低对钢铁的保护作用,导致涂料下的钢铁被腐蚀,影响钢铁的寿命,因此需要对涂料的生产异常进行检测,传统的基于图像处理技术对涂料生产异常进行检测,一般是基于灰度阈值提取喷涂完成后的钢铁表面的图像中的缺陷区域,进而对涂料生产进行评价,但是凹坑缺陷中心区域的颜色较深、灰度值较小,凹坑缺陷边缘区域的颜色较浅、灰度值较大,因此传统的检测方法未结合凹坑缺陷本身的特征,进而导致涂料生产检测结果的可信度较低。
发明内容
为了解决现有方法在对涂料生产进行检测时存在的检测结果可信度较低的问题,本发明的目的在于提供一种涂料生产异常识别***,所采用的技术方案具体如下:
本发明提供了一种涂料生产异常识别***,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取涂料喷涂完成后的待检测物体的灰度图像;
根据所述灰度图像中像素点的灰度差异确定特征区域;所述特征区域中包括至少两个子区域;所述子区域包括疑似中心区域和疑似边缘区域;
根据所述子区域中每个灰度级上像素点的聚合情况,得到对应子区域的灰度特征指标;根据特征区域中每个子区域的灰度特征指标、疑似中心区域的边缘像素点的梯度幅值和疑似边缘区域外边缘线上的边缘像素点的梯度幅值,得到特征区域对应的分割度;
根据所述特征区域对应的灰度区域大小矩阵,得到特征区域对应的平滑相似度;基于所述分割度和所述平滑相似度确定特征区域的凹坑显著度;基于所述凹坑显著度判断是否进行预警。
优选的,所述根据所述灰度图像中像素点的灰度差异确定特征区域,包括:
将所述灰度图像中灰度值大于预设第一灰度阈值的像素点确定为疑似缺陷像素点,获取疑似缺陷像素点构成的连通域;判断各连通域中像素点的数量是否大于预设第一数量阈值,若大于,则将对应连通域确定为疑似缺陷区域,获取所述疑似缺陷区域的最小外接矩形;
在所述最小外接矩形中,任选预设第二数量个像素点作为起始种子点进行区域生长,生长准则为:判断生长点与其邻域内各像素点的灰度差异是否小于预设第二灰度阈值,若小于,则将对应邻域像素点作为新的生长点;将生长完成后最小外接矩形中生长点构成的连通域记为子区域;将子区域数量大于2的最小外接矩形确定为特征区域。
优选的,疑似中心区域和疑似边缘区域的获取过程为:
计算特征区域中每个子区域中所有像素点的灰度均值,将特征区域中灰度均值最大的子区域作为特征区域中的疑似中心区域,将特征区域中灰度均值最小的子区域作为特征区域中的疑似边缘区域。
优选的,所述根据所述子区域中每个灰度级上像素点的聚合情况,得到对应子区域的灰度特征指标,包括:
获取所述子区域对应的颜色聚合向量,基于所述颜色聚合向量确定子区域中每个灰度级上所对应的聚合像素点的数量;
将所述子区域中每个灰度级上所对应的聚合像素点的数量与其对应的灰度级上所对应的像素点的总数量的比值,确定为对应灰度级上所对应的聚合像素点的占比;将所述占比与对应灰度级的乘积作为第一指标;
将子区域中所有灰度级的所述第一指标的均值,确定为对应子区域的灰度特征指标。
优选的,所述根据特征区域中每个子区域的灰度特征指标、疑似中心区域的边缘像素点的梯度幅值和疑似边缘区域外边缘线上的边缘像素点的梯度幅值,得到特征区域对应的分割度,包括:
将所述疑似中心区域的所有边缘像素点的梯度幅值的均值记为第一均值,将所述疑似边缘区域外边缘线上的所有边缘像素点的梯度幅值的均值记为第二均值;
根据所述疑似中心区域的灰度特征指标、所述疑似边缘区域的灰度特征指标、所述第一均值和所述第二均值,得到特征区域对应的分割度,所述疑似边缘区域对应的灰度特征指标、所述第一均值和所述第二均值均与所述分割度呈正相关关系,所述疑似中心区域对应的灰度特征指标与所述分割度呈负相关关系。
优选的,所述根据所述特征区域对应的灰度区域大小矩阵,得到特征区域对应的平滑相似度,包括:
在所述灰度区域大小矩阵中,分别将前预设列中每个数据与其所在列中所有数据的均值之间的差异,确定为第一差异,所有所述第一差异构成第一平滑序列;
在所述灰度区域大小矩阵中,分别将后预设列中每个数据与其所在列中所有数据的均值之间的差异,确定为第二差异,所有所述第二差异构成第二平滑序列;
将所述第一平滑序列和所述第二平滑序列的相似度作为特征区域对应的平滑相似度。
优选的,所述分割度与所述凹坑显著度呈正相关关系,所述平滑相似度与所述凹坑显著度呈负相关关系。
优选的,所述基于所述凹坑显著度判断是否进行预警,包括:
将凹坑显著度大于预设显著度阈值的特征区域记为目标区域,计算所述目标区域在所述灰度图像中的面积占比,判断所述面积占比是否大于预设占比阈值,若大于,则进行预警;若小于或等于,则不进行预警。
本发明至少具有如下有益效果:
本发明考虑到当涂料生产过程中出现异常时,将其喷涂在待检测物体表面之后,待检测物体表面会出现凹坑缺陷,凹坑缺陷中心区域的颜色较深、灰度值较小,凹坑缺陷边缘区域的颜色偏浅、灰度值较大,传统的基于灰度阈值判断待检测物体的灰度图像中是否存在缺陷的方法未考虑凹坑缺陷本身的特征,因此检测结果可信度较低,本发明结合此特征,根据待检测物体的灰度图像中像素点的灰度差异,确定了特征区域、特征区域中的疑似中心区域和特征区域中的疑似边缘区域,也即对待检测物体的灰度图像进行了初步划分及筛选,特征区域中更可能存在凹坑缺陷,又结合疑似中心区域和疑似边缘区域中每个灰度级上像素点的聚合情况,以及疑似中心区域的边缘像素点的梯度幅值和疑似边缘区域外边缘线上的边缘像素点的梯度幅值,对特征区域中边缘线的分割效果进行了评价,获得了特征区域对应的分割度,分割度越大,说明对应特征区域越可能存在凹坑缺陷;又考虑到缺陷区域具有灰度级相对较小、连通像素点的个数也相对较少的特点,非缺陷区域具有灰度级相对较大、连通像素点的个数也相对较多的特点,因此本发明又结合此特征确定了特征区域的凹坑显著度,凹坑显著度越大,说明对应特征区域存在凹坑缺陷的可能性越大,本发明基于凹坑显著度对涂料是否存在生产异常进行了评价,进而判断是否需要进行预警,以提醒工作人员及时检查涂料的生产过程,提高了后续生产出的涂料的合格率,本发明提供的***在保证涂料生产异常识别精度的同时提高了涂料生产检测结果的可信度。
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为本发明实施例所提供的一种涂料生产异常识别***所执行的方法的流程图;
图2为本发明实施例中疑似中心区域的边缘线和疑似边缘区域的外边缘线的示意图。
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涂料生产异常识别***进行详细说明如下。
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涂料生产异常识别***的具体方案。
一种涂料生产异常识别***实施例:
本实施例所针对的具体场景为:利用生产完成的涂料对待检测物体表面进行喷涂,获取喷涂完成后的待检测物体的灰度图像,基于灰度图像中像素点的灰度差异,确定特征区域、特征区域中的疑似中心区域和特征区域中的疑似边缘区域,根据颜色聚合向量和灰度区域大小矩阵,确定对应的凹坑显著度,进而基于凹坑显著度判断涂料生产过程中是否出现了异常,进而判断需要进行异常预警。
本实施例提出了一种涂料生产异常识别***,该***以实现如图1所示的步骤,具体步骤如下:
步骤S1,获取涂料喷涂完成后的待检测物体的灰度图像。
本实施例首先设置CCD相机,CCD相机以俯视角度采集涂料喷涂完成后的待检测物体的表面图像,待检测物体的表面图像为RGB图像,对采集到的待检测物体的表面图像进行灰度化处理,获得对应的灰度图像,接下来将对灰度图像进行预处理,消除噪声带来的影响,提高后续分析结果的准确性,为了保留图像中凹坑部分的细节信息的同时又能去除噪声,本实施例选用双边滤波对灰度图像进行去噪处理,实施者也可以采用其他去噪方式,此处不再过多赘述。将去噪处理后的图像记为涂料喷涂完成后的待检测物体的灰度图像。
至此,获取到了涂料喷涂完成后的待检测物体的灰度图像。
步骤S2,根据所述灰度图像中像素点的灰度差异确定特征区域;所述特征区域中包括至少两个子区域;所述子区域包括疑似中心区域和疑似边缘区域。
考虑到当涂料生产过程中出现异常时,将其喷涂在待检测物体上之后,待检测物体表面会出现凹坑缺陷,凹坑缺陷主要由两部分构成,一部分位于凹坑缺陷的中心,类似于坑洞,在灰度图像中呈现出颜色较深、灰度值较小的特征,而另一部分位于凹坑缺陷的边缘位置,此处涂料会凸起,在灰度图像中呈现出颜色偏浅、灰度值较大的特征,因此本实施例将首先基于待检测物体的灰度图像中像素点的灰度差异,确定特征区域、特征区域中的疑似中心区域和特征区域中的疑似边缘区域。
具体的,获取待检测物体的灰度图像中每个像素点的灰度值,利用Otsu算法获取最佳分割阈值,Otsu算法为公知技术,具体过程不再赘述,将Otsu算法获取的最佳分割阈值记为预设第一灰度阈值;作为其他实施方式,也可根据具体情况,提前人为设置预设第一灰度阈值。将待检测物体的灰度图像中灰度值大于预设第一灰度阈值的像素点确定为疑似缺陷像素点,获取疑似缺陷像素点构成的连通域;考虑到凹坑缺陷在灰度图像中是由多个像素点构成的,灰度图像中零散分布的单个疑似缺陷像素点不属于凹坑缺陷的像素点,为了排除这类像素点对后续分析结果的干扰,设置预设第一数量阈值,本实施例中预设第一数量阈值为20,在具体应用中,实施者可根据具体情况进行设置;判断各连通域中像素点的数量是否大于预设第一数量阈值,若大于,则将对应连通域确定为疑似缺陷区域,后续将对疑似缺陷区域进行分析,减少计算量的同时能够提高准确精度。获取待检测物体的灰度图像中每个疑似缺陷区域的最小外接矩形,接下来将分别对每个最小外接矩形采用区域生长的方法进行区域划分,在每个最小外接矩形中任选预设第二数量个像素点作为起始种子点进行区域生长,生长准则为:判断生长点与其邻域内各像素点的灰度差异是否小于预设第二灰度阈值,若小于,则将对应邻域像素点作为新的生长点;本实施例中的预设第二数量为10,预设第二灰度阈值为5,在具体应用中,实施者可根据具体情况进行设置;将生长完成后最小外接矩形中生长点构成的连通域记为子区域;区域生长算法为现有技术,此处不再过多赘述。又由于凹坑缺陷一般是由坑洞和凸起两部分构成的,因此若待检测物体表面存在凹坑缺陷,则其在灰度图像中至少是由两个子区域构成的;基于此,将子区域数量大于2的最小外接矩形确定为特征区域,特征区域更有可能为凹坑缺陷所在的区域,因此本实施例接下来将分别对每个特征区域进行分析。
本实施例以一个特征区域为例进行说明,对于其他特征区域均可采用本实施例提供的方法进行处理。对于待检测物体的灰度图像中的任一特征区域:该特征区域中至少包含两个子区域,根据每个子区域中每个像素点的灰度值,计算该特征区域中每个子区域中所有像素点的灰度均值,将该特征区域中灰度均值最大的子区域作为该特征区域中的疑似中心区域,将该特征区域中灰度均值最小的子区域作为该特征区域中的疑似边缘区域,将该特征区域中除疑似中心区域和疑似边缘区域之外的其他区域作为该特征区域中的背景区域,背景区域为涂料喷涂正常的区域。需要说明的是,若特征区域中子区域的数量为2,则该特征区域中不存在背景区域。
步骤S3,根据所述子区域中每个灰度级上像素点的聚合情况,得到对应子区域的灰度特征指标;根据特征区域中每个子区域的灰度特征指标、疑似中心区域的边缘像素点的梯度幅值和疑似边缘区域外边缘线上的边缘像素点的梯度幅值,得到特征区域对应的分割度。
本实施例在步骤S2中确定了特征区域中的疑似中心区域、疑似边缘区域和背景区域,将疑似中心区域内所有像素点的灰度值赋值为0,将疑似边缘区域内所有像素点的灰度值赋值为1,将背景区域内所有像素点的灰度值赋值为2,即对特征区域中所有像素点的灰度值进行了重新赋值,用于对特征区域中的边缘线的提取;利用canny边缘检测技术对赋值后的特征区域进行边缘检测,获得多条边缘线,也即获取了特征区域中的疑似中心区域的边缘线和疑似边缘区域的边缘线。canny边缘检测技术为公知技术,此处不再过多赘述。需要说明的是,本实施例对特征区域中像素点的灰度值进行重新赋值是为了提取疑似中心区域的边缘线和疑似边缘区域的边缘线,后续提到的特征区域均为未进行赋值处理的特征区域。
考虑到当特征区域中存在凹坑缺陷时,缺陷边缘区域的像素点具有一定的聚合性,缺陷中心区域的像素点具有一定的聚合程度,颜色聚合向量能够反映像素点的聚合性,因此接下来本实施例将基于颜色聚合向量对疑似中心区域和疑似边缘区域进行分析。具体的,获取每个子区域对应的颜色聚合向量,也即获取了疑似中心区域对应的颜色聚合向量和疑似边缘区域对应的颜色聚合向量;颜色聚合向量的获取过程为公知技术,此处不再过多赘述。对于任一子区域:获取该子区域中每个灰度级上所对应的像素点的总数量,基于该子区域对应的颜色聚合向量,获取该子区域中每个灰度级上所对应的聚合像素点的数量,将该子区域中每个灰度级上所对应的聚合像素点的数量与其对应的灰度级上所对应的像素点的总数量的比值,确定为对应灰度级上所对应的聚合像素点的占比;需要说明的是:某一灰度级所对应的像素点的总数量表示该灰度级上的像素点的总数量,某一灰度级上所对应的聚合像素点的数量为该灰度级上的聚合像素点的总数量;将所述占比与对应灰度级的乘积作为第一指标;将该子区域中所有灰度级的所述第一指标的均值,确定为该子区域的灰度特征指标;其中,疑似中心区域的灰度特征指标的具体计算公式为:
表示疑似中心区域中灰度级k所对应的聚合像素点的占比,表示第一指
标。疑似中心区域中每个灰度级上所对应的聚合像素点的占比越大,说明疑似中心区域中
对应灰度级的聚合像素点越多,通过聚合像素点的占比对疑似中心区域中的像素点求加权
灰度均值,聚合像素点的占比越大的灰度级,赋予的权重越大。若疑似中心区域中某个灰度
级所对应的聚合像素点的占比越多,说明疑似中心区域在对应灰度级上的聚合度越高,该
灰度级的参考性越高,即该灰度级赋予的权重越大,疑似中心区域的灰度特征指标越大。当
疑似中心区域中每个灰度级所对应的聚合像素点的占比均越大时,说明疑似中心区域像素
点的聚合度越高,疑似中心区域的灰度特征指标越大;当疑似中心区域中每个灰度级所对
应的聚合像素点的占比均越小时,说明疑似中心区域像素点的聚合度越低,疑似中心区域
的灰度特征指标越小。
同理,疑似边缘区域的灰度特征指标的计算过程和计算公式类比疑似中心区域的灰度特征指标的计算公式,此处不再过多赘述。
至此,获得了疑似中心区域的灰度特征指标和疑似边缘区域的灰度特征指标。
凹坑缺陷的中心类似于坑洞,在灰度图像中呈现出颜色较深、灰度值较小的特征,而凹坑缺陷的边缘位置涂料会凸起,在灰度图像中呈现出颜色偏浅、灰度值较大的特征,疑似中心区域是特征区域中最暗的部分,灰度值是整个特征区域中最小的,疑似边缘区域是特征区域中最亮的部分,灰度值是整个特征区域中最大的;因此疑似中心区域和疑似边缘区域之间的边缘线上的像素点的梯度幅值是特征区域中所有边缘线中梯度幅值最大的。由于疑似中心区域位于特征区域的中心位置,因此疑似边缘区域位于疑似中心区域的外侧且与疑似中心区域相邻,如图2所示,该图为疑似中心区域的边缘线和疑似边缘区域的外边缘线的示意图,图中的1表示特征区域的边缘线,图中的2表示疑似中心区域的边缘线,图中的3表示疑似边缘区域的外边缘线。
本实施例将结合疑似中心区域的边缘线上像素点的梯度幅值和疑似边缘区域的外边缘线上像素点的梯度幅值,对特征区域中边缘线的分割效果进行评价。具体的,利用sobel算子获取特征区域中每条边缘线上的像素点的梯度幅值,并根据每条边缘线上每个像素点的梯度幅值,计算每条边缘线上所有边缘像素点的梯度幅值的均值,将疑似中心区域的所有边缘像素点的梯度幅值的均值记为第一均值,将疑似边缘区域外边缘线上所有边缘像素点的梯度幅值的均值记为第二均值。根据疑似中心区域的灰度特征指标、疑似边缘区域的灰度特征指标、所述第一均值和所述第二均值,得到特征区域对应的分割度,所述疑似边缘区域的灰度特征指标、所述第一均值和所述第二均值均与所述分割度呈正相关关系,所述疑似中心区域的灰度特征指标与所述分割度呈负相关关系。其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定;负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。作为一个具体实施方式,特征区域对应的分割度的具体计算公式为:
其中,为特征区域对应的分割度,为疑似中心区域的所有边缘像素点的梯度幅
值的均值,为疑似边缘区域外边缘线上所有边缘像素点的梯度幅值,为疑似中心区域
的灰度特征指标,为疑似边缘区域的灰度特征指标,为自然常数,为以自然常数为
底数的对数函数。
表示第一均值,表示第二均值。若疑似中心区域的边缘线和疑似边缘区域外
边缘线上边缘像素点的梯度幅值的均值均越较大,则说明疑似中心区域和疑似边缘区域之
间的灰度值变化越大,凹坑缺陷的凸起程度越大,特征区域中边缘线的划分效果越好。当疑
似中心区域的边缘线和疑似边缘区域外边缘线上所有边缘像素点的梯度幅值的均值均越
大、疑似中心区域的灰度特征指标越小、疑似边缘区域的灰度特征指标越大时,说明特征区
域越符合凹坑缺陷内中心区域和边缘区域的分布特点,特征区域内越可能存在凹坑缺陷,
特征区域对应的分割度越大;当疑似中心区域的边缘线和疑似边缘区域外边缘线上所有边
缘像素点的梯度幅值的均值均越小、疑似中心区域的灰度特征指标越大、疑似边缘区域的
灰度特征指标越小时,说明特征区域越不符合凹坑缺陷内中心区域和边缘区域的分布特
点,特征区域内越不可能存在凹坑缺陷,特征区域对应的分割度越小。
采用上述方法,能够得到特征区域对应的分割度。
步骤S4,根据所述特征区域对应的灰度区域大小矩阵,得到特征区域对应的平滑相似度;基于所述分割度和所述平滑相似度确定特征区域的凹坑显著度;基于所述凹坑显著度判断是否进行预警。
对于待检测物体的灰度图像中的特征区域:将特征区域中像素点的灰度值量化成
p个灰度级,获取特征区域对应的灰度区域大小矩阵;灰度区域大小矩阵的获取过程为现有
技术,此处不再过多赘述;本实施例中p的值为32,在具体应用中,实施者可根据具体情况进
行设置;需要说明的是:特征区域对应的灰度区域大小矩阵的行数为p行,列数为q列,若相
应的灰度级没有像素点,则在灰度区域大小矩阵中相应的位置填零,q也表示特征区域中连
通像素点的个数的最大值。在特征区域对应的灰度区域大小矩阵中,分别将前预设列中每
个数据与其所在列中所有数据的均值之间的差异,确定为第一差异,所有所述第一差异构
成第一平滑序列;在特征区域对应的灰度区域大小矩阵中,分别将后预设列中每个数据与
其所在列中所有数据的均值之间的差异,确定为第二差异,所有所述第二差异构成第二平
滑序列;将所述第一平滑序列和所述第二平滑序列的相似度作为特征区域对应的平滑相似
度。本实施例中预设行数和预设列数均为2,因此灰度区域大小矩阵中的前预设列为第一列
和第二列,灰度区域大小矩阵中的后预设列为最后一列和倒数第二列,在具体应用中,实施
者可根据具体情况设置预设行数和预设列数;本实施例根据灰度区域大小矩阵中第一列所
有数据,计算第一列所有数据的均值,计算第一列中每个数据与第一列所有数据的均值之
间的差值的绝对值;根据灰度区域大小矩阵中第二列所有数据,计算第二列所有数据的均
值,计算第二列中每个数据与第二列所有数据的均值之间的差值的绝对值,差值的绝对值
用于表征每个数据与其所在列中所有数据的均值之间的差异,至此,分别获得了第一列和
第二列中每个数据与其所在列中所有数据的均值之间的差异,将得到的每个差异记为第一
差异,也即获得了多个第一差异,基于所有的第一差异构建第一平滑序列,即,其中,为第一平滑序列,为第一列中第1个数据与第
一列中所有数据的均值之间的第一差异,为第一列中第2个数据与第一列中所有数据的
均值之间的第一差异,为第一列中第p个数据与第一列中所有数据的均值之间的第一差
异,为第二列中第1个数据与第二列中所有数据的均值之间的第一差异,为第二列
中第2个数据与第二列中所有数据的均值之间的第一差异,为第二列中第p个数据与第
二列中所有数据的均值之间的第一差异。第一平滑序列能够反映特征区域中连通个数较少
的像素点在对应灰度级上的分布情况。根据灰度区域大小矩阵中倒数第二列所有数据,计
算倒数第二列所有数据的均值,计算倒数第二列中每个数据与倒数第二列所有数据的均值
之间的差值的绝对值;根据灰度区域大小矩阵中最后一列所有数据,计算最后一列所有数
据的均值,计算最后一列中每个数据与最后一列所有数据的均值之间的差值的绝对值;差
值的绝对值用于表征每个数据与其所在列中所有数据的均值之间的差异,至此,分别获得
了倒数第二列和最后一列中每个数据与其所在列中所有数据的均值之间的差异,将此时得
到的每个差异记为第二差异,也即获得了多个第二差异,基于所有的第二差异构建第二平
滑序列,即,其中,为第二平滑序列,为倒数第二列中
第1个数据与倒数第二列中所有数据的均值之间的第二差异,为倒数第二列中第2个数据
与倒数第二列中所有数据的均值之间的第二差异,为倒数第二列中第p个数据与倒数第
二列中所有数据的均值之间的第二差异,为最后一列中第1个数据与最后一列中所有
数据的均值之间的第二差异,为最后一列中第2个数据与最后一列中所有数据的均值
之间的第二差异,为最后一列中第p个数据与最后一列中所有数据的均值之间的第二差
异。第二平滑序列能够反映特征区域中连通个数较多的像素点在对应灰度级上的分布情
况。在特征区域中,缺陷区域的面积占比较小,非缺陷区域的面积占比较大,缺陷区域的灰
度级相对较小,连通像素点的个数也相对较少,非缺陷区域的灰度级相对较大,连通像素点
的个数也相对较多。若凹坑缺陷的突起程度越大,则第一平滑序列中较低灰度级所对应的
连通像素点的数量越多,而第二平滑序列中较高灰度级所对应的连通像素点的数量越多,
此时第一平滑序列和第二平滑序列越不相似。考虑到两个序列之间的相似度能够反映两个
序列中数据的相似情况,因此利用第一平滑序列和第二平滑序列的相似度作为特征区域对
应的平滑相似度,本实施例中用余弦相似度来表征两个平滑序列的相似度,第一平滑序列
和第二平滑序列的余弦相似度越大,说明第一平滑序列和第二平滑序列越相似。两个序列
之间的余弦相似度的计算过程为现有技术,此处不再过多赘述。当第一平滑序列和第二平
滑序列之间的相似度越大时,说明第一平滑序列与第二平滑序列之间的差异越小,特征区
域存在凹坑缺陷的可能性越小,即特征区域对应的平滑相似度越大;当第一平滑序列和第
二平滑序列之间的相似度越小时,说明第一平滑序列与第二平滑序列之间的差异越大,特
征区域存在凹坑缺陷的可能性越大,即特征区域对应的平滑相似度越小。
至此,获得了特征区域对应的分割度和平滑相似度,分割度越大,说明特征区域越可能存在凹坑缺陷;平滑相似度越小,说明特征区域越可能存在凹坑区域;当特征区域存在凹坑缺陷时,特征区域的显著程度越大,因此本实施例结合特征区域对应的分割度和平滑相似度,确定特征区域的凹坑显著度,所述分割度与所述凹坑显著度呈正相关关系,所述平滑相似度与所述凹坑显著度呈负相关关系。其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定;负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。作为一个具体实施方式,计算特征区域对应的分割度与特征区域对应的平滑相似度的比值,将该比值作为特征区域的显著指标,对特征区域的显著指标进行归一化处理,将归一化结果作为特征区域的凹坑显著度,保证特征区域的凹坑显著度的取值为[0,1]。
采用本实施例提供的方法,能够获得待检测物体的灰度图像中每个特征区域的凹坑显著度,凹坑显著度越大,说明对应特征区域越可能存在凹坑缺陷,因此设置预设显著度阈值,本实施例中预设显著度阈值为0.7,在具体应用中,实施者可根据具体情况进行设置;分别判断待检测物体的灰度图像中每个特征区域的凹坑显著度与预设显著度阈值的大小关系,将显著度大于预设显著度阈值的特征区域记为目标区域,目标区域存在凹坑缺陷的可能性更高,筛选出了更有可能存在凹坑缺陷的特征区域,计算所有目标区域的面积之和,将所有目标区域的面积之和与待检测物体的灰度图像中的面积的比值作为目标区域在灰度图像中的面积占比,该面积占比越大,说明涂料在生产过程中越可能出现了异常,因此设置预设占比阈值,本实施例中预设占比阈值为0.3,在具体应用中,实施者可根据具体情况进行设置;判断目标区域在灰度图像中的面积占比是否大于预设占比阈值,若大于,则说明待检测物体表面涂料喷涂异常,此时所用涂料在生产过程中很有可能出现了异常,因此当目标区域在灰度图像中的面积占比大于预设占比阈值时进行预警,提醒工作人员对涂料的生产过程进行检查;若小于或等于,则说明待检测物体表面涂料喷涂正常,判定涂料生产过程正常,不进行预警。
本实施例考虑到当涂料生产过程中出现异常时,将其喷涂在待检测物体表面之后,待检测物体表面会出现凹坑缺陷,凹坑缺陷中心区域的颜色较深、灰度值较小,凹坑缺陷边缘区域的颜色偏浅、灰度值较大,结合此特征,本实施例根据待检测物体的灰度图像中像素点的灰度差异,确定了特征区域、特征区域中的疑似中心区域和特征区域中的疑似边缘区域,也即对待检测物体的灰度图像进行了初步划分及筛选,特征区域中更可能存在凹坑缺陷,又结合疑似中心区域和疑似边缘区域中每个灰度级上像素点的聚合情况,以及疑似中心区域的边缘像素点的梯度幅值和疑似边缘区域外边缘线上的边缘像素点的梯度幅值,对特征区域中边缘线的分割效果进行了评价,获得了特征区域对应的分割度,分割度越大,说明对应特征区域越可能存在凹坑缺陷;又考虑到缺陷区域具有灰度级相对较小、连通像素点的个数也相对较少的特点,非缺陷区域具有灰度级相对较大、连通像素点的个数也相对较多的特点,因此本实施例又结合此特征确定了特征区域的凹坑显著度,凹坑显著度越大,说明对应特征区域存在凹坑缺陷的可能性越大,本实施例基于凹坑显著度对涂料是否存在生产异常进行了评价,进而判断是否需要进行预警,以提醒工作人员及时检查涂料的生产过程,提高了后续生产出的涂料的合格率,本实施例提供的***在保证涂料生产异常识别精度的同时提高了涂料生产检测结果的可信度。
Claims (5)
1.一种涂料生产异常识别***,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取涂料喷涂完成后的待检测物体的灰度图像;
根据所述灰度图像中像素点的灰度差异确定特征区域;所述特征区域中包括至少两个子区域;所述子区域包括疑似中心区域和疑似边缘区域;
根据所述子区域中每个灰度级上像素点的聚合情况,得到对应子区域的灰度特征指标;根据特征区域中每个子区域的灰度特征指标、疑似中心区域的边缘像素点的梯度幅值和疑似边缘区域外边缘线上的边缘像素点的梯度幅值,得到特征区域对应的分割度;
根据所述特征区域对应的灰度区域大小矩阵,得到特征区域对应的平滑相似度;基于所述分割度和所述平滑相似度确定特征区域的凹坑显著度;基于所述凹坑显著度判断是否进行预警;
所述根据所述子区域中每个灰度级上像素点的聚合情况,得到对应子区域的灰度特征指标,包括:
获取所述子区域对应的颜色聚合向量,基于所述颜色聚合向量确定子区域中每个灰度级上所对应的聚合像素点的数量;
将所述子区域中每个灰度级上所对应的聚合像素点的数量与其对应的灰度级上所对应的像素点的总数量的比值,确定为对应灰度级上所对应的聚合像素点的占比;将所述占比与对应灰度级的乘积作为第一指标;
将子区域中所有灰度级的所述第一指标的均值,确定为对应子区域的灰度特征指标;
根据特征区域中每个子区域的灰度特征指标、疑似中心区域的边缘像素点的梯度幅值和疑似边缘区域外边缘线上的边缘像素点的梯度幅值,得到特征区域对应的分割度,包括:
将所述疑似中心区域的所有边缘像素点的梯度幅值的均值记为第一均值,将所述疑似边缘区域外边缘线上的所有边缘像素点的梯度幅值的均值记为第二均值;
根据所述疑似中心区域的灰度特征指标、所述疑似边缘区域的灰度特征指标、所述第一均值和所述第二均值,得到特征区域对应的分割度,所述疑似边缘区域对应的灰度特征指标、所述第一均值和所述第二均值均与所述分割度呈正相关关系,所述疑似中心区域对应的灰度特征指标与所述分割度呈负相关关系;
所述根据所述特征区域对应的灰度区域大小矩阵,得到特征区域对应的平滑相似度,包括:
在所述灰度区域大小矩阵中,分别将前预设列中每个数据与其所在列中所有数据的均值之间的差异,确定为第一差异,所有所述第一差异构成第一平滑序列;
在所述灰度区域大小矩阵中,分别将后预设列中每个数据与其所在列中所有数据的均值之间的差异,确定为第二差异,所有所述第二差异构成第二平滑序列;
将所述第一平滑序列和所述第二平滑序列的相似度作为特征区域对应的平滑相似度。
2.根据权利要求1所述的一种涂料生产异常识别***,其特征在于,所述根据所述灰度图像中像素点的灰度差异确定特征区域,包括:
将所述灰度图像中灰度值大于预设第一灰度阈值的像素点确定为疑似缺陷像素点,获取疑似缺陷像素点构成的连通域;判断各连通域中像素点的数量是否大于预设第一数量阈值,若大于,则将对应连通域确定为疑似缺陷区域,获取所述疑似缺陷区域的最小外接矩形;
在所述最小外接矩形中,任选预设第二数量个像素点作为起始种子点进行区域生长,生长准则为:判断生长点与其邻域内各像素点的灰度差异是否小于预设第二灰度阈值,若小于,则将对应邻域像素点作为新的生长点;将生长完成后最小外接矩形中生长点构成的连通域记为子区域;将子区域数量大于2的最小外接矩形确定为特征区域。
3.根据权利要求2所述的一种涂料生产异常识别***,其特征在于,疑似中心区域和疑似边缘区域的获取过程为:
计算特征区域中每个子区域中所有像素点的灰度均值,将特征区域中灰度均值最大的子区域作为特征区域中的疑似中心区域,将特征区域中灰度均值最小的子区域作为特征区域中的疑似边缘区域。
4.根据权利要求1所述的一种涂料生产异常识别***,其特征在于,所述分割度与所述凹坑显著度呈正相关关系,所述平滑相似度与所述凹坑显著度呈负相关关系。
5.根据权利要求1所述的一种涂料生产异常识别***,其特征在于,所述基于所述凹坑显著度判断是否进行预警,包括:
将凹坑显著度大于预设显著度阈值的特征区域记为目标区域,计算所述目标区域在所述灰度图像中的面积占比,判断所述面积占比是否大于预设占比阈值,若大于,则进行预警;若小于或等于,则不进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362494.7A CN116091499B (zh) | 2023-04-07 | 2023-04-07 | 一种涂料生产异常识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362494.7A CN116091499B (zh) | 2023-04-07 | 2023-04-07 | 一种涂料生产异常识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091499A CN116091499A (zh) | 2023-05-09 |
CN116091499B true CN116091499B (zh) | 2023-06-20 |
Family
ID=86210517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310362494.7A Active CN116091499B (zh) | 2023-04-07 | 2023-04-07 | 一种涂料生产异常识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091499B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645429B (zh) * | 2023-07-25 | 2023-10-20 | 山东中胜涂料有限公司 | 一种视觉辅助的涂料生产样品色彩分析检测方法 |
CN116703910B (zh) * | 2023-08-07 | 2023-10-17 | 威海丰荟建筑工业科技有限公司 | 一种混凝土预制底板质量智能检测方法 |
CN116990993B (zh) * | 2023-09-26 | 2023-12-22 | 深圳市柯达科电子科技有限公司 | 一种lcd显示面板质量检测方法 |
CN117115172B (zh) * | 2023-10-25 | 2024-01-12 | 山东鲁润阿胶药业有限公司 | 一种基于机器视觉的阿胶品质检测方法及*** |
CN117635922A (zh) * | 2023-12-06 | 2024-03-01 | 北京薇笑美网络科技有限公司 | 一种基于路由器网线接口的质量识别方法 |
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*** |
CN117689552B (zh) * | 2024-02-02 | 2024-04-05 | 科普云医疗软件(深圳)有限公司 | 一种心内科介入治疗用冠状动脉造影增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798418A (zh) * | 2020-06-22 | 2020-10-20 | 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 |
CN115631173A (zh) * | 2022-10-28 | 2023-01-20 | 兰州理工大学 | 一种复合薄膜缺陷识别方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852768B (zh) * | 2010-05-05 | 2012-02-22 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
CN104200521B (zh) * | 2014-09-04 | 2016-11-30 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率sar图像建筑物目标三维重建方法 |
JP6333182B2 (ja) * | 2015-01-05 | 2018-05-30 | グローバルウェーハズ・ジャパン株式会社 | シリコンウェーハ及びその製造方法 |
CN109815807B (zh) * | 2018-12-18 | 2020-12-08 | 浙江大学 | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 |
CN111693549B (zh) * | 2020-05-14 | 2021-08-20 | 西安电子科技大学 | 一种手机盖板玻璃缺陷检测与分类方法 |
CN112465706A (zh) * | 2020-12-21 | 2021-03-09 | 天津工业大学 | 一种闸口集装箱自动验残方法 |
CN114359190B (zh) * | 2021-12-23 | 2022-06-14 | 武汉金丰塑业有限公司 | 一种基于图像处理的塑料制品成型控制方法 |
CN114972343B (zh) * | 2022-07-29 | 2022-10-25 | 山东睿鑫激光科技有限公司 | 一种激光焊接产品生产异常检测方法 |
CN114994102B (zh) * | 2022-08-04 | 2022-10-25 | 武汉钰品研生物科技有限公司 | 基于x光的食品异物无痕快速检测方法 |
CN115082482B (zh) * | 2022-08-23 | 2022-11-22 | 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 |
CN115294120B (zh) * | 2022-10-08 | 2023-01-20 | 誉隆半导体设备(江苏)有限公司 | 基于图像识别的阀门表面质量检测方法 |
CN115311277B (zh) * | 2022-10-11 | 2023-04-07 | 南通美乐柯材料科技有限公司 | 一种不锈钢制品的凹坑缺陷识别方法 |
CN115375676B (zh) * | 2022-10-24 | 2023-01-24 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
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 |
CN115496755B (zh) * | 2022-11-16 | 2023-02-14 | 南京云创大数据科技股份有限公司 | 基于结构光及梯度分析的类镜面缺陷检测方法及装置 |
CN115526889B (zh) * | 2022-11-24 | 2023-03-03 | 江苏太湖锅炉股份有限公司 | 基于图像处理的锅炉压力管道的无损检测方法 |
CN115861320B (zh) * | 2023-02-28 | 2023-05-12 | 天津中德应用技术大学 | 一种汽车零件加工信息智能检测方法 |
-
2023
- 2023-04-07 CN CN202310362494.7A patent/CN116091499B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798418A (zh) * | 2020-06-22 | 2020-10-20 | 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 |
CN115631173A (zh) * | 2022-10-28 | 2023-01-20 | 兰州理工大学 | 一种复合薄膜缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116091499A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116091499B (zh) | 一种涂料生产异常识别*** | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN115861320B (zh) | 一种汽车零件加工信息智能检测方法 | |
CN116452598B (zh) | 基于计算机视觉的车桥生产质量快速检测方法及*** | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN115994904B (zh) | 基于计算机视觉的挂烫机面板生产质量检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN114972892B (zh) | 基于计算机视觉的汽车刹车片缺陷分类方法 | |
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN116843692B (zh) | 基于人工智能的再生活性炭状态检测方法 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN115684174A (zh) | 一种农产品运输传送带安全运行监测方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN117876971B (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN116883412A (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
CN117333825B (zh) | 一种基于计算机视觉的电缆桥架监测方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测***及方法 | |
CN115330799A (zh) | 一种仪表自动化故障诊断方法 | |
CN117274293B (zh) | 基于图像特征的细菌菌落精确划分方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN116645372B (zh) | 一种制动气室外观图像智能检测方法及*** |
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 |