CN116228771A - 基于视觉分析矿物材料机床铸件检测方法 - Google Patents
基于视觉分析矿物材料机床铸件检测方法 Download PDFInfo
- Publication number
- CN116228771A CN116228771A CN202310512980.2A CN202310512980A CN116228771A CN 116228771 A CN116228771 A CN 116228771A CN 202310512980 A CN202310512980 A CN 202310512980A CN 116228771 A CN116228771 A CN 116228771A
- Authority
- CN
- China
- Prior art keywords
- edge
- crack
- virtual
- actual
- closed
- 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
Links
- 238000005266 casting Methods 0.000 title claims abstract description 78
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 26
- 239000011707 mineral Substances 0.000 title claims abstract description 26
- 239000000463 material Substances 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 230000000007 visual effect Effects 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008439 repair process Effects 0.000 claims abstract description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005336 cracking Methods 0.000 description 10
- 239000000047 product Substances 0.000 description 6
- 210000000078 claw Anatomy 0.000 description 4
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 229910001018 Cast iron Inorganic materials 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000012779 reinforcing material Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,公开了基于视觉分析矿物材料机床铸件检测方法,包括:获得HIS图像中的疑似裂缝区域;利用疑似裂缝区域中每个像素点的色调值获取疑似裂缝区域中的所有实际边缘像素点,根据疑似裂缝区域中实际边缘像素点获得实际裂缝边缘;判断实际裂缝边缘是否为闭合边缘,当实际裂缝边缘为闭合边缘时,该实际裂缝边缘形成的裂缝区域为可修复裂缝;当实际裂缝边缘为非闭合边缘时,获得该非闭合边缘的虚拟边缘的不规则度;利用非闭合边缘的虚拟边缘的不规则度判断该非闭合边缘所在的裂缝区域是否为可修复裂缝;提高了铸件检测的准确性,同时能够准确的判断出检测出的裂缝是否为可修复的裂缝。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于视觉分析矿物材料机床铸件检测方法。
背景技术
随着经济的增长、科技的发展,机床铸件的材料也在不断发生变化,由原本的单一材料,到现如今的复合材料。复合材料的组成分为两大部分:基体与增强材料。以环氧树脂作为基体,以天然的非金属矿物、岩石为主要原料,通过物理化学反应,在模具中铸造成型而制成的成品或半成品称之为矿物铸件。
矿物铸件存在很多优势,例如:良好的热稳定性、化学稳定性、抗震性等。但由于制作过程中存在意外,所以矿物材料机床铸件也会存在裂缝,例如:气孔、缩孔、裂纹等;而铸件裂纹的裂缝通常是在铸造的过程中,铸件凝固邻近固相线时形成的,此时大部分合金已经凝固,在结晶构架间尚存少量液体,合金强度较低,在收缩应力作用下,铸件会发生开裂;形成的裂纹一般沿晶粒边缘产生和发展的,裂口表面呈氧化色,裂口通常为不规则曲线,裂纹一般为比较连续且光滑的曲线或直线。
而形成的部***纹在后期是可以对其进行修补来消除该裂纹带来的影响,因此在对铸件上的裂纹来检测是至关重要的,通过其检测的结果来判断检测出 的裂缝是否可以被修改,而目前检测铸件表面的裂缝时,主要是通过人工检测为主或者通过检测铸件表面的图像,对表面的图像进行边缘检测来判断是否有裂缝,同时检测出的裂缝边缘并不精确,也无法判断出得到的裂缝是否为可修复的裂缝。
发明内容
本发明用于解决目前无法对得到铸件上精确的边缘来判断检测出的裂缝是否为可修复的技术问题,提供了一种能够精确的检测出裂缝的边缘,根据裂缝的边缘判断裂缝是否为可修复裂缝的基于视觉分析矿物材料机床铸件检测方法,包括:
获取铸件表面RGB图像,且将该铸件表面RGB表面图像转换为HIS图像;
利用疑似裂缝区域中每个像素点的色调值获取疑似裂缝区域中的所有实际边缘像素点,根据疑似裂缝区域中实际边缘像素点获得实际裂缝边缘;
判断实际裂缝边缘是否为闭合边缘,当实际裂缝边缘为闭合边缘时,该实际裂缝边缘形成的裂缝区域为可修复裂缝;
当实际裂缝边缘为非闭合边缘时,对非闭合边缘开口端两个端点之间的区域进行边缘检测得到模糊边缘,对该模糊边缘外侧的区域进行角点检测,得到所有的角点;
将非闭合边缘开口端两个端点通过连线将其连接起来,且两个端点之间所有的角点位于该连线上;将该连线作为非闭合边缘开口端的虚拟边缘,获取所虚拟边缘上所有的类三角形,且所有类三角形的底边位于同一端;根据虚拟边缘上形成的每个类三角形中两两角点之间的欧式距离及所有类三角底边角度获取该非闭合边缘的虚拟边缘的不规则度;
利用非闭合边缘的虚拟边缘的不规则度判断该非闭合边缘所在的裂缝区域是否为可修复裂缝。
进一步的,获取非闭合边缘的虚拟边缘的不规则度的方法,包括:
利用每一个类三角形中两两角点之间的欧式距离得到该虚拟边缘的尖锐程度;
利用虚拟边缘的尖锐程度及虚拟边缘中所有类三角形的底边角度得到虚拟边缘的不规则度。
进一步的,得到虚拟边缘的尖锐程度的方法包括:
虚拟边缘的尖锐程度的表达式为:
进一步的,得到虚拟边缘的不规则度的方法包括:
虚拟边缘的不规则度的表达式为:
进一步的,得到模糊边缘的方法包括:
对得到的模糊区域进行边缘检测得到用于模糊边缘。
进一步的,利用疑似裂缝区域中每个像素点的色调值获取疑似裂缝区域中的所有实际边缘像素点的方法包括:
获取每个疑似裂缝区域中每个像素点的色调值和色调中间值;
利用每个像素点的色调值与色调中间值作差后的绝对值与色调标准值作商得到每个像素点的色调相差度;
利用每个像素点的色调相差度与设定的阈值对比的结果判断每个像素点是否为疑似裂缝区域中的实际边缘像素点。
本发明的有益效果是:利用铸件的HIS图像中的亮度值获得铸件中的疑似裂缝区域,根据每个疑似裂缝区域内像素点的色调值确定出疑似裂缝区域的实际裂缝边缘,使得到的裂缝边缘更加清晰,如果实际裂缝边缘为闭合裂缝则该实际裂缝边缘所对应的裂缝区域为可修复裂缝,当实际裂缝区域为非闭合区域时,获取该非闭合区域开口端连线的规则度,根据规则度对该非闭合区域对应的裂缝区域是否为可修复裂缝进行判断,能够准确的将裂缝的边缘检测出来,提高了铸件检测的准确性,同时能够准确的判断出检测出的裂缝是否为可修复的裂缝。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程示意图;
图2为本发明的实施例中为闭合边缘的示意图;
图3本发明的实施例中非闭合边缘的示意图;
图4为本发明实施例中虚拟边缘的示意图。
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。
实施例
如图1所示本实施例提供了一种基于视觉分析矿物材料机床铸件检测方法,包括:
获取铸件表面RGB图像,在获取铸件表面的RGB图像是通过CMOS相机对矿物材质机床铸件表面进行拍摄,并对采集到的图像进行预处理,具体的是本实施例需要识别的是由矿物材料机床铸件中因高温造成裂缝的位置,使用CMOS相机采集矿物材料机床铸件表面图像,得到矿物材料机床铸件表面图像,矿物材料机床铸件表面图像为RGB图像。对获取的矿物材料机床铸件表面图像进行预处理,消除噪声和部分外界干扰造成的影响,增强后续分析的准确性,在消除拍摄的图像中的噪声时常采用高斯滤波对图像降噪,利用高斯函数和获取到的墙体表面图像做卷积,消除随机噪声,得到处理噪声后的铸件表面RGB图像;
由于铸件是由天然的非金属矿物、岩石为主要原料,通过物理化学反应,在模具中铸造成型而制成的成品或半成品称之为矿物铸件,因此铸件如果发生裂缝后,矿物材料机床铸件表面图像中裂缝区域一般与背景存在较大差异,可以根据这些差异将裂缝区域识别出来。为了提取出图像中颜色差异较为显著的部分,将去噪后的矿物材料机床铸件表面图像从RGB颜色空间转换到HSI颜色空间得到HIS图像。
为了能够精确的获得裂缝区域,被实施例将基于HIS图像中每个像素点的亮度值I
采用算子得到每个像素点在亮度I分量上的梯度幅值和梯度方向。由于裂痕部分与
周围环境亮度值差异较大,所以裂痕部分的像素点亮度的梯度幅值也较大,正常铸件表面
像素点与周围环境灰度值差异较小,所以正常铸件表面的像素点梯度幅值也较小,鉴于此
本实施例通过算子计算出HIS图像中每个像素点的梯度幅值,当梯度幅值大于经验值
时,认为该像素点为边缘像素点,本实施例中采用的梯度幅值为2,得到HIS图像中所有的边
缘像素点;根据边缘像素点所包含的区域确定出疑似裂缝区域;
由于铸件的裂缝是有在铸造的过程中由于高温造成的,在高温的情况下,裂缝的边缘及其内部都是氧化产物,为了确保将裂缝区域从疑似裂缝区域中分离出来,本实施例采用疑似裂缝区域中每个像素点的色调值和该铸件裂缝经过氧化后的色调值(就是利用铸件氧化的色调值作为标准值)来对疑似裂缝区域进行精确的划分来得到疑似裂缝区域内的实际裂缝边缘。
具体的是获取每个疑似裂缝区域中每个像素点的色调值和色调中间值;该色调中间值是铸铁表面色调值和标准裂缝色调值的中间值;
利用每个像素点的色调值与色调中间值作差后的绝对值与色调中间值作商得到每个像素点的色调相差度;
该色调相差度的表达式为:
为第j个疑似为裂缝区域像素点的色调值与真实裂缝边缘色调值的相差度,为
裂缝色调的中间值,即铸铁表面色调值与标准裂缝的色调值的色调中间值,本实施例采用
如下的方式进行举例说明,如铸件本身的色调值为5-8,裂缝的氧化物的色调值为10-15,则
该中间值为9;通过表达式可以看出相差度越小,表明该像素点与裂缝边缘像素点的色调值
越接近,则表明该像素点为裂缝边缘像素点的可能性越大,越可能为裂缝边缘像素点,能够
将裂缝边缘像素点与铸件边缘像素点区分,具体的是利用每个像素点的色调相差度与设定
的阈值对比的结果判断每个像素点是否为疑似裂缝区域中的实际边缘像素点。本实施例中
设定的阈值为0.1,当裂缝边缘相差度小于值0.1作为真实裂缝边缘像素点。
根据疑似裂缝区域中实际边缘像素点获得实际裂缝边缘;
由于裂缝是由铸件在铸造的高温下形成的,如果裂缝的边缘是完整的,即裂缝是一个完成的闭环,说明除了裂缝上没有向外延伸的细小裂纹,修复人员完全可以对该裂缝进行修复;如裂缝区域中有很多向外延伸的细小裂缝,由于细小裂缝的影响造成得到的实际裂缝边缘是非闭合边缘;由于在裂缝区域存在很多向外延伸的细小裂缝,在这出现这种延伸的裂缝情况下,就需要进一步的判断该裂缝区域是否为可修复的裂缝区域;如果该细小的裂缝是规则的就可以继续进行修复,如果产生的细小的裂缝是无规则的,则该裂缝时无法进行修复的。
在得到实际裂缝边缘后,实际裂缝边缘是否为一个完整的闭合边缘,判断实际裂缝边缘是否为闭合边缘,当实际裂缝边缘为如图2所示的闭合边缘时,该实际裂缝边缘形成的裂缝区域为可修复裂缝。
当实际裂缝边缘为如图3所示的非闭合边缘时;说明非闭合边缘的开口端的边缘
受到细小裂缝的影响是模糊的,无法检测出来的,因此需要对该区域进行进一步的检测,具
体的是,如图3所示获取该右侧开口处的区域设定为初始模糊区域,对初始模糊区域所有像
素点的色调值计算算子,得到每个像素点的色调梯度值;由于初始模糊区域色调变化
较缓慢,所以得到的色调梯度值较小,但是由于铸件裂缝内侧为铸件的色调值不同(裂缝为
氧化物的色调值),当梯度算子计算的像素点在初始模糊区域以外,则得到的色调梯度值更
小,理想情况下甚至为0,裂缝内部全为氧化物及为裂缝,内部色调梯度变化也较小,理想情
况下为0。据此将梯度幅值大于经验值1的像素点识别为裂缝的模糊区域,对得到的模糊区
域使用Canny算子,识别出模糊边缘,完成了对非闭合边缘开口端两个端点之间的区域的边
缘检测工作,得到了模糊边缘,根据模糊区域的区域大小、边缘形状来判断此铸件是否具有
修补性;
具体的对该模糊边缘外侧的区域进行角点检测(如图3所示右侧开口区域的右侧),得到该区域中所有的角点;本实施例采用的角点检测的方法是本领域常用的Harris角点检测,属于惯用的技术,在这里对其不进行详细的解释说明。
由于实际裂缝边缘为非闭合边缘,因此存在大量的向外延伸的细小裂缝,而这些裂缝都是向外延伸装,因此可以看作是很多的类三角形,可以根据得到的类三角形来对其规则程度进行精确的判断,由于这些细小的裂缝无法通过边缘检测检测出来,本实施例采用角点检测的方法得到每个细小裂缝顶部的端点和与模糊边缘之间的角点,通过其角点来得到存在的类三角形即出现细小的裂缝;就不会出现大量的获取所虚拟边缘上相邻三个角点形成的类三角形;因此在得到所有角点后,将非闭合边缘开口端两个端点通过连线将其连接起来,且两个端点之间所有的角点位于该连线上;将该连线作为如图4所示的非闭合边缘开口端的虚拟边缘,获取虚拟边缘上的所有类三角形;该类三角形是由检测到的角点组成,且所有类三角形的底边位于同一端;根据虚拟边缘上形成的每个类三角形中两两角点之间的欧式距离及所有类三角的底边角度获取该非闭合边缘的虚拟边缘的不规则度;本实施例中的类三角形的底边角度是每个类三角形底边与水平线的夹角角度。
在获得规则度时具体的是利用每一个类三角形中两两角点之间的欧式距离得到该虚拟边缘的尖锐程度;
虚拟边缘的尖锐程度的表达式为:
式中:代表为虚拟边缘的尖锐程度;代表第个类三角形的一边的欧式距离即
类三角形的一边的边长;代表第个类三角形另一边的欧式距离即类三角形的另一边的边
长;第个类三角形的底边的欧式距离即类三角形的底边的边长;代表所有类三角形的数
量;为第个类三角形的近似角度,越小,则代表类三角形的角
度越小,则类三角形越尖锐,总共有个类三角形,当所有类三角形的平均
角度越大,则尖锐程度越大,虚拟边缘的尖锐程度越大。
利用虚拟边缘的尖锐程度及虚拟边缘中所有类三角形的底边角度得到虚拟边缘的不规则度;
虚拟边缘的不规则度的表达式为:
式中:表示虚拟边缘的不规则度;表示虚拟边缘的尖锐程度;为第个类三角
形的底边角度;代表第类三角形的底边角度,代表所有类三角形的数量;为相邻两底边角度的角度差绝对值,越小,则代表相邻两底边角度
差越小,则说明相邻裂缝底部越可能在一条直线上,为所有底边的角度差
之和,越小,则代表所有底边之间角度差越小,则说明所有裂缝底部越可
能在一条直线上,为尖锐程度,越小,越小,则模糊区域不规则度越
小,说明裂缝的越规则。
利用得到的虚拟边缘的不规则度对该虚拟边缘所在的裂缝区域是否能进行修改进行判断,具体的是当不规则度大于不规则度经验值时,则该裂缝不可修复。根据铸件中所有不可闭合裂缝的不规则度,判断该铸件的可修复性,若有一处不可修复裂缝,则该铸件不可修复;本实施例中的不规则度经验值为2。
当检测到铸件中所有裂缝中存在一个裂缝为不可修复的裂缝,该铸件为不可修复的铸件,直接将该铸件作为不合格品,提高了铸件出货的合格率,较少了后续的售后问题,降低了企业的风险。
同时在具体实施的过程中,在完成铸造冷却后的铸件通过机械爪对其进行抓起放置,在机械爪抓起前通过设有的CMOS相机对铸件的表面图像进行拍摄,且将拍摄后的图像发送到后台处理器中,后台处理器在接收到铸件的图像后,对其进行去噪处理后,并将其转化为HIS图像,然后对HIS图像中的裂缝边缘进行检测,当铸件上存在非闭合的裂缝边缘时,对该非闭合的裂缝边缘形成的虚拟边缘的不规则度进行计算,当一个铸件中有一个非闭合的裂缝边缘时,且该非闭合的裂缝边缘形成的虚拟边缘的不规则度大于设定的阈值时,判断该铸件为不能修复的铸件,此时处理器控制机械爪将其放入到次品的收集台面上,当检测出的结果为铸件表面无任何裂缝边缘时,控制器控制机械爪将铸件放入到合格的收集台面上,当检测的结果为铸件表面上的裂缝都是可修复裂缝时,将其放入到可修复收集台面上,后续通过人工对该铸件进行修复;提高了铸件检测的准确性,同时能够准确的判断出检测出的裂缝是否为可修复的裂缝,提高了铸件出货的合格率,较少了后续的售后问题,降低了企业的风险。
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.基于视觉分析矿物材料机床铸件检测方法,其特征在于,包括:
获取铸件表面RGB图像,且将该铸件表面RGB表面图像转换为HIS图像;
利用疑似裂缝区域中每个像素点的色调值获取疑似裂缝区域中的所有实际边缘像素点,根据疑似裂缝区域中实际边缘像素点获得实际裂缝边缘;
判断实际裂缝边缘是否为闭合边缘,当实际裂缝边缘为闭合边缘时,该实际裂缝边缘形成的裂缝区域为可修复裂缝;
当实际裂缝边缘为非闭合边缘时,对非闭合边缘开口端两个端点之间的区域进行边缘检测得到模糊边缘,对该模糊边缘外侧的区域进行角点检测,得到所有的角点;
将非闭合边缘开口端两个端点通过连线将其连接起来,且两个端点之间所有的角点位于该连线上;将该连线作为非闭合边缘开口端的虚拟边缘,获取所虚拟边缘上所有的类三角形;根据虚拟边缘上形成的每个类三角形中两两角点之间的欧式距离及所有类三角底边角度获取该非闭合边缘的虚拟边缘的不规则度;
利用非闭合边缘的虚拟边缘的不规则度判断该非闭合边缘所在的裂缝区域是否为可修复裂缝。
2.根据权利要求1所述的基于视觉分析矿物材料机床铸件检测方法,其特征在于,获取非闭合边缘的虚拟边缘的不规则度的方法,包括:
利用每一个类三角形中两两角点之间的欧式距离得到该虚拟边缘的尖锐程度;
利用虚拟边缘的尖锐程度及虚拟边缘中所有类三角形的底边角度得到虚拟边缘的不规则度。
6.根据权利要求2所述的基于视觉分析矿物材料机床铸件检测方法,其特征在于,利用疑似裂缝区域中每个像素点的色调值获取疑似裂缝区域中的所有实际边缘像素点的方法包括:
获取每个疑似裂缝区域中每个像素点的色调值和色调中间值;
利用每个像素点的色调值与色调中间值作差后的绝对值与色调标准值作商得到每个像素点的色调相差度;
利用每个像素点的色调相差度与设定的阈值对比的结果判断每个像素点是否为疑似裂缝区域中的实际边缘像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512980.2A CN116228771B (zh) | 2023-05-09 | 2023-05-09 | 基于视觉分析矿物材料机床铸件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512980.2A CN116228771B (zh) | 2023-05-09 | 2023-05-09 | 基于视觉分析矿物材料机床铸件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116228771A true CN116228771A (zh) | 2023-06-06 |
CN116228771B CN116228771B (zh) | 2023-07-21 |
Family
ID=86591455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310512980.2A Active CN116228771B (zh) | 2023-05-09 | 2023-05-09 | 基于视觉分析矿物材料机床铸件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228771B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152180A (zh) * | 2023-10-31 | 2023-12-01 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
CN117422705A (zh) * | 2023-11-24 | 2024-01-19 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010256053A (ja) * | 2009-04-22 | 2010-11-11 | Visco Technologies Corp | 形状欠損検査装置、形状モデリング装置および形状欠損検査プログラム |
CN104008553A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 融合影像梯度方向直方图和分水岭方法的裂缝检测方法 |
CN109580649A (zh) * | 2018-12-18 | 2019-04-05 | 清华大学 | 一种工程结构表面裂缝识别与投影修正方法及*** |
CN115082429A (zh) * | 2022-07-20 | 2022-09-20 | 山东马勒铝业科技有限公司 | 一种基于图像处理的铝棒缺陷检测方法 |
CN115222733A (zh) * | 2022-09-19 | 2022-10-21 | 山东金源不锈钢制品有限公司 | 基于图像识别的金属构件表面缺陷检测方法 |
CN115797358A (zh) * | 2023-02-10 | 2023-03-14 | 济宁安泰矿山设备制造有限公司 | 基于机器视觉的金属壳体自动化焊接缺陷检测方法 |
CN116012316A (zh) * | 2022-12-22 | 2023-04-25 | 西南石油大学 | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 |
-
2023
- 2023-05-09 CN CN202310512980.2A patent/CN116228771B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010256053A (ja) * | 2009-04-22 | 2010-11-11 | Visco Technologies Corp | 形状欠損検査装置、形状モデリング装置および形状欠損検査プログラム |
CN104008553A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 融合影像梯度方向直方图和分水岭方法的裂缝检测方法 |
CN109580649A (zh) * | 2018-12-18 | 2019-04-05 | 清华大学 | 一种工程结构表面裂缝识别与投影修正方法及*** |
CN115082429A (zh) * | 2022-07-20 | 2022-09-20 | 山东马勒铝业科技有限公司 | 一种基于图像处理的铝棒缺陷检测方法 |
CN115222733A (zh) * | 2022-09-19 | 2022-10-21 | 山东金源不锈钢制品有限公司 | 基于图像识别的金属构件表面缺陷检测方法 |
CN116012316A (zh) * | 2022-12-22 | 2023-04-25 | 西南石油大学 | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 |
CN115797358A (zh) * | 2023-02-10 | 2023-03-14 | 济宁安泰矿山设备制造有限公司 | 基于机器视觉的金属壳体自动化焊接缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
Y. TAO等: "Investigation of BGA crack issue in normal production line", 2011 INTERNATIONAL SYMPOSIUM ON ADVANCED PACKAGING MATERIALS (APM) * |
李凯 等: "基于各向异性和边缘强度修正因子的边缘检测算法", 计算机工程与科学, vol. 43, no. 07 * |
黄日辉 等: "鞋印花纹裂缝特征自动描绘方法", 广州市公安管理干部学院学报 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152180A (zh) * | 2023-10-31 | 2023-12-01 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
CN117152180B (zh) * | 2023-10-31 | 2024-01-26 | 山东克莱蒙特新材料科技有限公司 | 基于人工智能的矿物铸件缺陷检测方法 |
CN117422705A (zh) * | 2023-11-24 | 2024-01-19 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
CN117422705B (zh) * | 2023-11-24 | 2024-04-05 | 太康精密(中山)有限公司 | 基于图像视觉的连接器端子质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116228771B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116228771B (zh) | 基于视觉分析矿物材料机床铸件检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN107145905B (zh) | 电梯紧固螺帽松动的图像识别检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN108827181B (zh) | 一种基于视觉的板材表面检测方法 | |
CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测*** | |
CN114387268A (zh) | 一种螺栓松动检测方法及装置 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN105718931B (zh) | 用于确定采集图像中的杂斑的***和方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
WO2021000948A1 (zh) | 配重重量的检测方法与***、获取方法与***及起重机 | |
CN116309409A (zh) | 一种焊缝缺陷检测方法、***和存储介质 | |
CN105225243B (zh) | 一种可抗噪声的图像边缘检测方法 | |
CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN114219802B (zh) | 一种基于图像处理的蒙皮连接孔孔位检测方法 | |
CN111638218A (zh) | 一种涂层表面缺陷的检测方法 | |
CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
CN110660048B (zh) | 一种基于形状特征的皮革表面缺陷检测方法 |
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 |