CN116703898B - 一种精密机械轴承端面的质量检测方法 - Google Patents
一种精密机械轴承端面的质量检测方法 Download PDFInfo
- Publication number
- CN116703898B CN116703898B CN202310966642.6A CN202310966642A CN116703898B CN 116703898 B CN116703898 B CN 116703898B CN 202310966642 A CN202310966642 A CN 202310966642A CN 116703898 B CN116703898 B CN 116703898B
- Authority
- CN
- China
- Prior art keywords
- scratch
- edge
- face
- pixel point
- bearing
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/10—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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种精密机械轴承端面的质量检测方法,该方法通过canny边缘检测算法处理并获取不同阈值下轴承外圈端面的边缘检测图像;在边缘检测图像上以任一边缘像素点为中心建立窗口,根据窗口内像素点的分布情况得到窗口中心处边缘像素点的目标程度;构建边缘像素点的目标程度‑阈值变化曲线,根据曲线的变化程度得到边缘像素点的优选程度,根据优选程度筛选准确的疑似划痕像素点,进而获取关联区域,计算关联区域内像素点的距离和方向分布获取划痕概率,进而筛选出划痕关联区域,完成轴承端面的质量检测过程。本发明优化了疑似划痕像素点的获取方法,能够得到更加准确的疑似划痕像素点。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种精密机械轴承端面的质量检测方法。
背景技术
深沟球轴承是用途最广泛的一种滚动轴承,有着摩擦阻力小,转速高等优点,常被用于精密机械等领域,轴承外圈超精研机多采用深沟球轴承作为压轮,由于机床制造误差,压轮两轴心实际并不为一条直线,导致压力不是正压力,存在沿径向的侧移力,超精选择过程中不能压紧于偏心支承块上,工件与端面支承将出现相对运动,从而产生划痕,划痕会对设备运转产生例如噪声、设备振动、降低工作效率等负面影响。
现有技术中,对于工件表面的划痕缺陷检测通常是根据表面的灰度值大小筛选出疑似划痕点,进一步确定疑似划痕点对应区域的划痕概率,实现划痕的缺陷检测。由于轴承端面本身存在一定的纹理且轴承表面光滑程度较好,存在反光的影响,导致在对轴承端面划痕判断存在较多干扰,仅通过灰度值特征筛选出表面的疑似划痕点并不能实现对划痕区域的准确分割。
发明内容
为了解决因为光照等干扰的影响,现有技术中仅根据灰度值确定疑似划痕点不能准确获得划痕区域的技术问题,本发明的目的在于提供一种精密机械轴承端面质量的检测方法,所采用的技术方案具体如下:
本发明提出了一种精密机械轴承端面的质量检测方法,该方法包括以下步骤:
获取轴承端面的表面灰度图像;利用canny边缘检测算法处理表面图像,获取预设数量个不同阈值下的轴承外圈端面的边缘检测图像;
在边缘检测图像上以任一边缘像素点为中心,根据预设第一尺寸建立窗口,通过窗口内其他边缘像素点的分布情况得到不同阈值下每一个窗口中心处的边缘像素点的目标程度;以目标程度与阈值构建每个边缘像素点目标程度-阈值变化曲线,根据目标程度-阈值变化曲线的变化程度得到对应边缘像素点的优选程度;根据优选程度在边缘像素点中筛选出疑似划痕像素点;
根据疑似划痕像素点的优选程度获取所述疑似划痕像素点的关联区域;通过计算关联区域内像素点的距离分布与梯度方向分布获取划痕概率;
根据划痕概率在关联区域中筛选出划痕关联区域;根据划痕关联区域对轴承端面进行质量检测。
进一步地,不同阈值下每一个窗口中心处的边缘像素点的目标程度获取步骤包括:
将窗口内边缘像素点数量归一化,获得第一归一化值;获取窗口内边缘像素点到中心处边缘像素点距离的方差并归一化,获得第二归一化值;根据第一归一化值和第二归一化值获得目标程度;第一归一化值和第二归一化值均与目标程度呈正相关关系。
进一步地,边缘像素点的优选程度的获取步骤包括:
以边缘像素点的目标程度作为纵轴,边缘检测阈值作为横轴,建立直角坐标系,构建边缘像素点的目标程度-阈值变化曲线;
以目标程度-阈值变化曲线的局部极值点两两之间斜率的平均值,作为边缘像素点的优选程度。
进一步地,关联区域的获取步骤包括:
根据每个疑似划痕像素点与预设第二尺寸获得每个疑似划痕像素点的关联区域尺寸;优选程度和第二尺寸均与关联区域尺寸呈正相关;
以每个疑似划痕像素点为中心,根据对应的关联区域尺寸构建初始关联区域,将所有初始关联区域的并集作为关联区域。
进一步地,划痕概率的获取步骤包括:
计算关联区域在表面图像中对应区域所有像素点与边缘点主成分方向垂直方向的相似度;计算关联区域内每个像素点距离优选程度最大的边缘像素点的距离,获得参考距离,将所述参考距离负相关映射并归一化,获得第三归一化值;根据所述相似度和所述第三归一化值获得每个像素点的初始划痕概率;所述相似度和所述第三归一化值均与初始划痕概率呈正相关,将所述关联区域内所有像素点的所述初始划痕概率的平均值作为所述关联区域的划痕概率。
进一步地,根据划痕关联区域对轴承端面进行质量检测的具体步骤包括:
获取每个划痕概率对应的关联区域,设定一个划痕概率阈值,当划痕概率大于等于划痕概率阈值时,对应的关联区域为划痕关联区域;
根据划痕关联区域的面积获得质量系数,质量系数与划痕关联区域的面积呈负相关关系;通过质量系数来进行轴承端面的质量检测。
进一步地,获取预设数量个不同阈值下的轴承端面的边缘检测图像方法包括:
获取轴承端面初始图像;
通过预先训练好的语义分割网络处理,获得仅包含轴承端面信息的目标图像;
对目标图像进行边缘检测获取对应的边缘检测图像。
进一步地,对目标图像进行边缘检测获取对应的边缘检测图像,包括:
利用canny边缘检测算法对轴承端面区域进行边缘获取;
设置预设数量个算子参数作为阈值,得到不同阈值下的初始边缘检测图像;
对轴承端面表面图像进行圆检测,获取轴承最外层区间范围内的圆环,根据所述圆环获得二值掩膜,与初始边缘检测图像相乘得到边缘检测图像。
进一步地,所述第二尺寸设置为15。
进一步地,所述划痕概率阈值设置为0.5。
相比于现有技术,本发明具有如下有益效果:
本发明考虑到单一阈值难以将划痕分割出来,因此根据canny边缘检测算法的特点,通过设置不同阈值进而得到每个阈值下的边缘检测图像,为后续评估边缘像素点的优选程度作为参考。进一步引入了目标程度的概念,获取每一个边缘检测阈值下每个边缘点的目标程度,目标程度与边缘像素点分布建立了直观联系,得到目标程度的具体数值;接着根据边缘像素点的变化情况构建目标程度-阈值变化曲线,划痕特征相较于其他噪声边缘而言特征更加突出,因此目标程度-阈值变化曲线中的变化特征能够体现对应像素点为划痕边缘像素点的概率,即通过优选程度能够表征边缘像素点属于划痕像素点的概率,根据优选程度获取准确的疑似划痕像素点。获取疑似划痕像素点的过程考虑到了划痕本身的特点,减少了外部干扰,使得后续获得的划痕关联区域更准确,提高了质量检测效率和准确性。
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精密机械轴承端面的质量检测方法流程图;
图2为本发明一个实施例所提供的轴承端面初始图像;
图3为本发明一个实施例所提供的轴承端面表面图像;
图4为本发明一个实施例所提供的第一个阈值下的初始边缘检测图像;
图5为本发明一个实施例所提供的第二个阈值下的初始边缘检测图像;
图6为本发明一个实施例所提供的第三个阈值下的初始边缘检测图像;
图7为本发明一个实施例所提供的第四个阈值下的初始边缘检测图像;
图8为本发明一个实施例所提供的第五个阈值下的初始边缘检测图像;
图9为本发明一个实施例所提供的第六个阈值下的初始边缘检测图像;
图10为本发明一个实施例所提供的第七个阈值下的初始边缘检测图像;
图11为本发明一个实施例所提供的第八个阈值下的初始边缘检测图像。
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精密机械轴承端面的质量检测方法,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精密机械轴承端面的质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种精密机械轴承端面的质量检测方法流程图,该方法包括:
步骤S1:获取轴承端面的表面灰度图像;利用canny边缘检测算法处理表面图像,获取预设数量个不同阈值下的轴承外圈端面的边缘检测图像。
在实际生产过程中,工件常常与轴承端面发生摩擦,从而产生划痕,本发明实施例使用工业高清相机来采集轴承端面表面图像,请参阅图3,为本发明一个实施例所提供的轴承端面表面图像。同时为了方便后续图像处理,对轴承端面图像进行灰度化,得到轴承端面灰度图像。
本发明实施例使用canny边缘检测算法对轴承端面区域进行不同程度边缘获取,由于轴承端面本身会存在一定的纹理,单一的边缘检测阈值无法较好的将目标纹理进行分割出来,阈值选择的太小会导致将轴承端面本身的纹理边缘分割出来,干扰项太多,阈值选择的太大会导致纹理边缘分割不完全,难以进行有效的划痕判断。由于划痕处的边缘是由于工件与端面支承出现相对运动产生的,因此划痕处的梯度值往往会大于正常纹理处的梯度值,在进行边缘检测时,划痕区域的边缘在不同阈值下的保留程度会较高,即不同阈值下canny边缘检测结果中划痕边缘均具有一定的特征表现,所以得到预设数量个不同阈值下的初始边缘检测图像。由于内圈、滚动体和保持架略微低于外圈的厚度,因此在工件与端面支承出现相对运动时,摩擦力往往作用于外圈端面,划痕也常出现在外圈端面上。因此为了进一步减少计算量,获取不同阈值下外圈端面的边缘检测图像。在本发明一个实施例中,阈值的数量设置为8。需要说明的是,canny边缘检测算法中包含高阈值和低阈值,因为高阈值对边缘检测结果的影响更大,所以本发明实施例改变阈值的类别为高阈值,在后续表述中统称为阈值。
优选地,本发明一个实施例为了减少轴承端面之外的环境因素带来的不必要的计算和干扰,得到仅包含轴承端面信息目标图像的步骤如下:
获取轴承端面初始图像,请参阅图2,图2为本发明一个实施例所提供的轴承端面初始图像,通过预先训练好的语义分割网络处理得到仅包含轴承端面信息目标图像。需要说明的是,语义分割网络为本领域技术人员熟知的技术手段,具体的网络结构和算法在此不做赘述,仅简述本发明一个实施例中的训练方法:
(1)以包含轴承端面的图像作为训练数据。将轴承端面像素标注为1,其他像素标注为0,获得标签数据。
(2)语义分割网络采用编码-解码结构,将训练数据和标签数据归一化后输入至网络中。语义分割编码器用于提取输入数据的特征,获得特征图。语义分割解码器将特征图进行采样变换,输出语义分割结果。
(3)采用交叉熵损失函数对网络进行训练。
优选地,本发明一个实施例中具体获得轴承外圈端面的边缘检测图像包括:
利用canny边缘检测算法对轴承端面区域进行边缘获取;设置预设数量个算子参数作为阈值,得到不同阈值下的初始边缘检测图像。因本发明一个实施例中所设置阈值的数量为8,请参阅图4、图5、图6、图7、图8、图9、图10和图11,其示出了本发明一个实施例中所提供的八种阈值下的初始边缘检测图像,由图4、图5、图6、图7、图8、图9、图10和图11可知,不同阈值下的初始边缘检测图像所对应的边缘信息量也不同。
进行边缘检测的轴承图像中包含四个部分,分别为外圈端面、内圈、滚动体和保持架,滚动体和保持架位于内圈和外圈之间,对轴承端面表面图像进行圆检测,获取轴承最外层区间范围内的圆环,由于外圈位于最外层的圆环,且圆环的厚度有一定的区间范围,因此获取最外层区间范围内的圆环,根据圆环获得二值掩膜,与初始边缘检测图像相乘得到边缘检测图像。本发明一个实施例中,将最外层圆环内的像素点标记为1,其他的像素点标记为0,将该标记图像作为二值掩膜,与初始边缘检测图像相乘,即可得到外圈端面的边缘检测图像,以此类推,得到不同阈值下轴承外圈端面边缘检测图像。
步骤S2:在边缘检测图像上以任一边缘像素点为中心,根据预设第一尺寸建立窗口,通过窗口内其他边缘像素点的分布情况得到不同阈值下每一个窗口中心处的边缘像素点的目标程度;以目标程度与阈值构建每个边缘像素点目标程度-阈值变化曲线,根据目标程度-阈值变化曲线的变化程度得到对应边缘像素点的优选程度;根据优选程度在边缘像素点中筛选出疑似划痕像素点。
为了要评估每个边缘像素点的边缘特征在对应阈值下的明显情况,提取边缘像素点的分布特征,引入目标程度的概念,在每个边缘像素点邻域范围内分析其他边缘像素点的分布特征,即可得到目标程度。以边缘像素点为中心构建一个窗口,窗口能够表现边缘像素点邻域范围内的其他边缘像素点的分布,因此以窗口区域作为领域区域,分析每个边缘像素点的目标程度。本发明一个实施例中,窗口为正方形尺寸,设置为13,需要说明的是,轴承半径越大,窗口的大小可适当调大,轴承半径越小,窗口的大小可适当调小,实施者可根据实际情况进行自适应调整。
优选地,本发明一个实施例中,获取边缘像素点目标程度的具体步骤包括:
将窗口内边缘像素点数量归一化,获得第一归一化值;获取窗口内边缘像素点到中心处边缘像素点距离的方差并归一化,获得第二归一化值;根据第一归一化值和第二归一化值获得目标程度;第一归一化值和第二归一化值均与目标程度呈正相关关系,即第一归一化值越大,说明窗口内其他边缘像素点数量越多,第二归一化值越大说明窗口中边缘像素点的数量越多,且其他边缘像素点到中心处边缘像素点的距离类型越多,其他边缘像素点到中心处边缘像素点的距离分布越离散,则目标程度越大。本发明一个实施例中目标程度用公式表示为:
式中表示当前阈值下第/>个边缘像素点的目标程度,/>表示以第/>个边缘像素点对应窗口内边缘像素点的数量,/>表示所有阈值下窗口中边缘像素点数量的最大值,/>表示以自然常数e为底数的指数函数关系,/>表示滑窗内边缘像素点的数量,/>表示窗口中第/>个边缘像素点距离滑窗中心点的距离,/>表示距离均值。
在目标程度公式中,根据窗口内其他边缘像素点到中心处边缘像素点的数量和距离分布得到窗口中心处边缘像素点的目标程度。通过所有阈值下窗口中边缘像素点数量的最大值作为分母将边缘像素点对应窗口内边缘像素点的数量归一化,获得第一归一化值,第一归一化值越大,窗口内其他边缘像素点的数量越多且越离散;通过以自然常数为底的指数函数将距离的方差进行负相关映射并归一化,进一步利用数值1减去归一化结果实现又一次的负相关处理,获得第二归一化值,第二归一化值越大,其他边缘像素点到中心处边缘像素点距离类型越多,距离分布越离散,中心处边缘像素点的目标程度越大。需要说明的是,其他阈值下边缘检测图像中边缘像素点的目标程度计算方式与上述计算方式相同,由此获取每一个阈值下每一个边缘像素点的目标程度。
每个边缘像素点对应多个阈值,每个阈值下都对应一个目标程度,因为canny边缘检测算法的特点:高阈值越大,边缘检测结果信息量越少,所以随着阈值不断增加,边缘像素点的目标程度也会随之降低。划痕区域的边缘像素点由于划痕较深,划痕区域的边缘像素点目标程度下降趋势较缓慢,正常纹理区域的边缘像素点由于纹理较浅,正常纹理区域的边缘像素点目标程度下降趋势较迅速,为了评估边缘像素点的在不同阈值下的变化情况,引入边缘像素点优选程度的概念,根据曲线的变化确定特征明显的边缘像素点作为疑似划痕像素点。构建目标程度-阈值曲线,根据目标程度-阈值曲线的变化程度计算边缘像素点的优选程度,因为曲线的变化程度能够反映当前边缘像素点的特征是否明显,所以优选程度能够表征该边缘像素点为疑似划痕像素点的概率。根据优选程度在边缘像素点中筛选出疑似划痕像素点。
优选地,本发明一个实施例中,获取边缘像素点优选程度,筛选疑似划痕像素点的步骤包括:
以边缘像素点的目标程度为纵轴,以阈值为横轴建立坐标系,构建目标程度-阈值变化曲线,目标程度-阈值变化曲线中,局部极值点更加具有代表性,获取局部极值点,局部极值点两两之间斜率的平均值越小,目标程度-阈值变化曲线下降趋势越迅速,该边缘像素点的优选程度越低,因此以目标程度-阈值变化曲线的局部极值点两两之间斜率的平均值,作为边缘像素点的优选程度。本发明一个实施例中,优选程度的公式如下:
式中b表示当前边缘像素点的优选程度,Z表示目标程度-阈值变化曲线的极值点个数,表示第z个极值点的坐标消息,/>表示第/>个极值点的坐标消息,b的值越小表示目标程度-阈值变化曲线下降趋势越迅速,即该边缘像素点为划痕的概率越低,即该边缘像素点的优选程度越低。在本发明其他实施例中也可选用其他基础数学运算获得两个极值点之间的斜率,具体极值点获取和斜率的获取均为本领域技术人员熟知的技术手段,在此不做赘述。
需要说明的是,其他边缘像素点优选程度的计算方式与上述计算方式相同,由此获取每一个阈值下每一个边缘像素点的优选程度。根据优选程度即可在边缘像素点中筛选出疑似划痕像素点。在本发明实施例中,设定一个优选程度阈值,将边缘像素点的优选程度大于或者等于优选程度阈值的边缘像素点作为疑似划痕像素点,本发明实施例中优选程度阈值设置为-2。
步骤S3:根据疑似划痕像素点的优选程度获取关联区域;通过计算关联区域内像素点的距离分布与梯度方向分布获取划痕概率。
需要说明的是,步骤S2获取的疑似划痕像素点是在边缘像素点中进行筛选的,即疑似划痕像素点为边缘像素点,考虑到划痕区域具有一定的面积特征,因此根据疑似划痕像素点以及对应的优选程度构建关联区域,通过关联区域能够尽可能包含更多划痕缺陷像素点。
优选地,本发明实施例中,根据每个疑似划痕像素点与预设第二尺寸获得每个疑似划痕像素点的关联区域尺寸;优选程度和第二尺寸均与关联区域尺寸呈正相关。在本发明一个实施例中,关联区域尺寸计算公式如下:
式中表示关联区域尺寸,N为第二尺寸,b表示疑似划痕像素点的优选程度,/>为以自然常数为底的指数函数。
优选地,在本发明一个实施例中,第二尺寸设置为15。
在关联区域尺寸公式中,通过以自然常数为底的指数函数将优选程度进行正相关映射,调整优选程度的值域。疑似划痕像素点的优选程度越大,说明对应疑似划痕像素点为真实划痕缺陷像素点的概率越大,则越需要扩大关联区域尺寸,使其尽可能包含更多划痕缺陷像素点。需要说明的是,在本发明其他实施例中可采用其他数学基础运算构建优选程度、第二尺寸和关联区域尺寸之间的相关关系,在此不做限定及赘述。
即以每个疑似划痕像素点为中心,根据对应的关联区域尺寸构建初始关联区域,将所有初始关联区域的并集作为关联区域。在本发明一个实施例中,初始关联区域设置为圆形,即以疑似划痕像素点为中心,以关联区域尺寸为半径,获得初始关联区域。
划痕具有形状均匀以及梯度方向统一的特征,所以利用关联区域内像素点的距离分布和梯度方向分布获得划痕概率。即距离分布越均匀统一,梯度方向分布越均匀统一,划痕概率越大。
优选地,因为目标关联区域存在摩擦方向,所以目标关联区域的像素点存在梯度方向的相似性。
利用sobel算子计算目标关联区域中所有像素点x,y方向的梯度,其对应的梯度方向/>的计算公式如下:/>,计算目标关联区域在表面图像对应区域所有像素点与边缘像素点主成分方向垂直方向的相似度。
计算关联区域在表面图像中对应区域所有像素点与边缘点主成分方向垂直方向的相似度;计算关联区域内每个像素点距离优选程度最大的边缘像素点的距离,获得参考距离,将参考距离负相关映射并归一化,获得第三归一化值;根据相似度和第三归一化值获得每个像素点的初始划痕概率;相似度和第三归一化值均与初始划痕概率呈正相关,将关联区域内所有像素点的初始划痕概率的平均值作为关联区域的划痕概率。在本发明一个实施例中,初始划痕概率公式如下所示:
式中表示当前关联区域初始划痕概率,/>表示关联区域内第u个像素点距离优选程度最大的边缘点的距离,即/>为参考距离,/>表示关联范围内像素点距离优选程度最大的边缘点的最大距离,/>表示像素点与主成分方向的垂直方向的相似度。
在初始划痕概率公式中,通过关联范围内像素点距离优选程度最大的边缘点的最大距离作为分母将参考距离进行归一化,进而利用数值1减去归一化结果获得第三归一化值;通过乘积将相似度与第三归一化值结合,像素点与主成分方向的垂直方向的相似度越高,第三归一化值越大,该像素点越靠近划痕区域,该像素点所在关联区域的划痕概率越大。
步骤S4:根据划痕概率在关联区域中筛选出划痕关联区域;根据划痕关联区域对轴承端面进行质量检测。
每个关联区域对应一个划痕概率,设定划痕概率阈值,当划痕概率大于划痕概率阈值时,认为该关联区域为划痕关联区域;通过划痕关联区域的面积对轴承端面进行质量检测。
优选地,本发明一个实施例中,获取每个划痕概率对应的目标关联区域,设定划痕概率阈值,当关联区域的划痕概率大于或者等于划痕概率阈值时,认为该目标关联区域为划痕关联区域。
优选地,本发明一个实施例中,划痕概率阈值设置为0.5。
根据划痕关联区域的面积进行质量检测,划痕关联区域的面积越大,该轴承质量越差,设定一个质量系数,质量系数与划痕关联区域的面积呈负相关,在本发明一个实施例中,质量系数公式为:
式中g表示质量系数,s表示划痕关联区域的面积,表示轴承外圈端面总面积。
在质量系数公式中,通过轴承外圈端面总面积作为分母将划痕关联区域的面积进行归一化,进一步利用数值1减去归一化结果实现负相关映射,获得质量系数。划痕关联区域面积越大,质量系数越小,说明该轴承质量越差,实施者可根据质量系数自行进行质量等级划分,并完成轴承端面的质量检测。
需要说明的是,本发明实施例中所涉及到的归一化操作、负相关映射等基础数学运算均可通过本领域技术人员熟知的技术手段进行替换,在此不做限定及赘述。
综上,本发明通过canny边缘检测算法处理轴承端面表面图像并经过处理得到不同阈值下轴承外圈端面的边缘检测图像;在边缘检测图像上以任一边缘像素点为中心预设第一尺寸建立窗口,根据窗口内其他边缘像素点的分布情况得到不同阈值下每一个窗口中心处的边缘像素点的目标程度;以目标程度和阈值构建每个边缘像素点的目标程度-阈值变化曲线,根据曲线的变化程度得到对应边缘像素点的优选程度,根据优选程度在边缘像素点中筛选出准确的疑似划痕像素点;根据疑似划痕像素点的优选程度获取关注区域,进一步地,计算关联区域内像素点的距离分布与梯度方向分布获取划痕概率,进而筛选出划痕关联区域,完成轴承端面的质量检测过程。本发明优化了疑似划痕像素点的获取方法,能够得到更加准确的疑似划痕像素点。
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 (8)
1.一种精密机械轴承端面的质量检测方法,其特征在于,该方法包括以下步骤:
获取轴承端面的表面灰度图像;利用canny边缘检测算法处理表面图像,获取预设数量个不同阈值下的轴承外圈端面的边缘检测图像;
在边缘检测图像上以任一边缘像素点为中心,根据预设第一尺寸建立窗口,通过窗口内其他边缘像素点的分布情况得到不同阈值下每一个窗口中心处的边缘像素点的目标程度;以目标程度与阈值构建每个边缘像素点目标程度-阈值变化曲线,根据目标程度-阈值变化曲线的变化程度得到对应边缘像素点的优选程度;根据优选程度在边缘像素点中筛选出疑似划痕像素点;
根据疑似划痕像素点的优选程度获取所述疑似划痕像素点的关联区域;通过计算关联区域内像素点的距离分布与梯度方向分布获取划痕概率;
根据划痕概率在关联区域中筛选出划痕关联区域;根据划痕关联区域对轴承端面进行质量检测;
所述得到不同阈值下每一个窗口中心处的边缘像素点的目标程度,包括:
将窗口内边缘像素点数量归一化,获得第一归一化值;获取窗口内边缘像素点到中心处边缘像素点距离的方差并归一化,获得第二归一化值;根据第一归一化值和第二归一化值获得目标程度;第一归一化值和第二归一化值均与目标程度呈正相关关系;
所述边缘像素点的优选程度的获取步骤包括:
以边缘像素点的目标程度作为纵轴,边缘检测阈值作为横轴,建立直角坐标系,构建边缘像素点的目标程度-阈值变化曲线;
以目标程度-阈值变化曲线的局部极值点两两之间斜率的平均值,作为边缘像素点的优选程度。
2.根据权利要求1所述的一种精密机械轴承端面的质量检测方法,其特征在于,所述关联区域的获取步骤包括:
根据每个疑似划痕像素点与预设第二尺寸获得每个疑似划痕像素点的关联区域尺寸;优选程度和第二尺寸均与关联区域尺寸呈正相关;
以每个疑似划痕像素点为中心,根据对应的关联区域尺寸构建初始关联区域,将所有初始关联区域的并集作为关联区域。
3.根据权利要求1所述的一种精密机械轴承端面的质量检测方法,其特征在于,划痕概率的获取步骤包括:
计算关联区域在表面图像中对应区域所有像素点与边缘点主成分方向垂直方向的相似度;计算关联区域内每个像素点距离优选程度最大的边缘像素点的距离,获得参考距离,将所述参考距离负相关映射并归一化,获得第三归一化值;根据所述相似度和所述第三归一化值获得每个像素点的初始划痕概率;所述相似度和所述第三归一化值均与初始划痕概率呈正相关,将所述关联区域内所有像素点的所述初始划痕概率的平均值作为所述关联区域的划痕概率。
4.根据权利要求1所述的一种精密机械轴承端面的质量检测方法,其特征在于,根据划痕关联区域对轴承端面进行质量检测的具体步骤包括:
获取每个划痕概率对应的关联区域,设定一个划痕概率阈值,当划痕概率大于等于划痕概率阈值时,对应的关联区域为划痕关联区域;
根据划痕关联区域的面积获得质量系数,质量系数与划痕关联区域的面积呈负相关关系;通过质量系数来进行轴承端面的质量检测。
5.根据权利要求1所述的一种精密机械轴承端面的质量检测方法,其特征在于,获取预设数量个不同阈值下的轴承端面的边缘检测图像方法包括:
获取轴承端面初始图像;
通过预先训练好的语义分割网络处理,获得仅包含轴承端面信息的目标图像;
对目标图像进行边缘检测获取对应的边缘检测图像。
6.根据权利要求1或5所述的一种精密机械轴承端面的质量检测方法,其特征在于,所述边缘检测图像的获取方法包括:
利用canny边缘检测算法对轴承端面区域进行边缘获取;
设置预设数量个算子参数作为阈值,得到不同阈值下的初始边缘检测图像;
对轴承端面表面图像进行圆检测,获取轴承最外层区间范围内的圆环,根据所述圆环获得二值掩膜,与初始边缘检测图像相乘得到边缘检测图像。
7.根据权利要求2所述的一种精密机械轴承端面的质量检测方法,其特征在于,所述第二尺寸设置为15。
8.根据权利要求4所述的一种精密机械轴承端面的质量检测方法,其特征在于,所述划痕概率阈值设置为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966642.6A CN116703898B (zh) | 2023-08-03 | 2023-08-03 | 一种精密机械轴承端面的质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966642.6A CN116703898B (zh) | 2023-08-03 | 2023-08-03 | 一种精密机械轴承端面的质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703898A CN116703898A (zh) | 2023-09-05 |
CN116703898B true CN116703898B (zh) | 2023-10-20 |
Family
ID=87826076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310966642.6A Active CN116703898B (zh) | 2023-08-03 | 2023-08-03 | 一种精密机械轴承端面的质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703898B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455870B (zh) * | 2023-10-30 | 2024-04-16 | 太康精密(中山)有限公司 | 一种连接线和连接器质量视觉检测方法 |
CN117237595B (zh) * | 2023-11-15 | 2024-03-29 | 深圳市金三维实业有限公司 | 一种智能手表外壳划痕区域快速提取方法 |
CN117893534B (zh) * | 2024-03-14 | 2024-05-24 | 张家港乐达汽车电器有限公司 | 基于图像特征分析的公交车多媒体智能显示屏检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08193959A (ja) * | 1995-01-12 | 1996-07-30 | Nachi Fujikoshi Corp | 検査対象物の表面傷検出装置及び方法 |
JPH08329251A (ja) * | 1995-05-31 | 1996-12-13 | Sony Corp | エッジ検出方法及びエッジ検出装置 |
CN103353985A (zh) * | 2013-03-27 | 2013-10-16 | 西华大学 | 一种图像高斯模糊的测度方法 |
US8971637B1 (en) * | 2012-07-16 | 2015-03-03 | Matrox Electronic Systems Ltd. | Method and system for identifying an edge in an image |
CN109584212A (zh) * | 2018-11-05 | 2019-04-05 | 华中科技大学 | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 |
CN114998322A (zh) * | 2022-07-19 | 2022-09-02 | 南通恒强轧辊有限公司 | 基于计算机视觉的轧机智能控制方法及*** |
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
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 |
CN115272204A (zh) * | 2022-07-15 | 2022-11-01 | 中国石油大学(华东) | 一种基于机器视觉的轴承表面划痕检测方法 |
CN115661143A (zh) * | 2022-12-14 | 2023-01-31 | 惠州威尔高电子有限公司 | 用于MiniLED晶圆缺陷的快速检测*** |
CN115731198A (zh) * | 2022-11-24 | 2023-03-03 | 杭州电子科技大学 | 一种皮革表面缺陷智能检测*** |
CN115760696A (zh) * | 2022-10-18 | 2023-03-07 | 江苏理工学院 | 一种表面划痕检测方法 |
CN116152242A (zh) * | 2023-04-18 | 2023-05-23 | 济南市莱芜区综合检验检测中心 | 一种篮球用天然皮革缺陷可视化检测*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11756224B2 (en) * | 2019-06-27 | 2023-09-12 | Boe Technology Group Co. Ltd. | Circle center detection in imagery |
CN111598074B (zh) * | 2020-05-21 | 2023-07-07 | 杭州睿琪软件有限公司 | 边缘检测方法和装置、电子设备和存储介质 |
KR20230102489A (ko) * | 2021-12-30 | 2023-07-07 | 공주대학교 산학협력단 | 폴리싱휠의 품질검사 장치 및 방법 |
-
2023
- 2023-08-03 CN CN202310966642.6A patent/CN116703898B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08193959A (ja) * | 1995-01-12 | 1996-07-30 | Nachi Fujikoshi Corp | 検査対象物の表面傷検出装置及び方法 |
JPH08329251A (ja) * | 1995-05-31 | 1996-12-13 | Sony Corp | エッジ検出方法及びエッジ検出装置 |
US8971637B1 (en) * | 2012-07-16 | 2015-03-03 | Matrox Electronic Systems Ltd. | Method and system for identifying an edge in an image |
CN103353985A (zh) * | 2013-03-27 | 2013-10-16 | 西华大学 | 一种图像高斯模糊的测度方法 |
CN109584212A (zh) * | 2018-11-05 | 2019-04-05 | 华中科技大学 | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 |
CN115272204A (zh) * | 2022-07-15 | 2022-11-01 | 中国石油大学(华东) | 一种基于机器视觉的轴承表面划痕检测方法 |
CN114998322A (zh) * | 2022-07-19 | 2022-09-02 | 南通恒强轧辊有限公司 | 基于计算机视觉的轧机智能控制方法及*** |
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
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 |
CN115760696A (zh) * | 2022-10-18 | 2023-03-07 | 江苏理工学院 | 一种表面划痕检测方法 |
CN115731198A (zh) * | 2022-11-24 | 2023-03-03 | 杭州电子科技大学 | 一种皮革表面缺陷智能检测*** |
CN115661143A (zh) * | 2022-12-14 | 2023-01-31 | 惠州威尔高电子有限公司 | 用于MiniLED晶圆缺陷的快速检测*** |
CN116152242A (zh) * | 2023-04-18 | 2023-05-23 | 济南市莱芜区综合检验检测中心 | 一种篮球用天然皮革缺陷可视化检测*** |
Non-Patent Citations (3)
Title |
---|
Detection and analysis of surface defects on polished KDP crystal;Guan, Lichao等;SIXTH ASIA PACIFIC CONFERENCE ON OPTICS MANUFACTURE;全文 * |
基于机器视觉的电子元器件表面缺陷检测技术研究;陈济楠;中国优秀硕士学位论文全文数据库 (信息科技辑);全文 * |
改进的Canny算法在直焊缝图像缺陷边缘检测中的应用;郝利华;王明泉;;火力与指挥控制(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703898A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703898B (zh) | 一种精密机械轴承端面的质量检测方法 | |
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测*** | |
CN116385448B (zh) | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 | |
CN115100203B (zh) | 一种钢筋打磨除锈质量检测方法 | |
CN114638827B (zh) | 一种润滑油机械杂质视觉检测方法及装置 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN116452598B (zh) | 基于计算机视觉的车桥生产质量快速检测方法及*** | |
CN115496692A (zh) | 一种润滑油磨粒图像增强方法 | |
CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测*** | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
CN114882041B (zh) | 铸铁管道内部毛刺的投票表决与识别方法 | |
CN115035106A (zh) | 一种带钢缺陷智能检测方法 | |
CN116342586A (zh) | 基于机器视觉的路面质量检测方法 | |
CN117541582A (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN117541605A (zh) | 一种钢结构锈蚀图像区域快速分割方法 |
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 |