CN116758067B - 基于特征匹配的金属结构件检测方法 - Google Patents
基于特征匹配的金属结构件检测方法 Download PDFInfo
- Publication number
- CN116758067B CN116758067B CN202311027608.9A CN202311027608A CN116758067B CN 116758067 B CN116758067 B CN 116758067B CN 202311027608 A CN202311027608 A CN 202311027608A CN 116758067 B CN116758067 B CN 116758067B
- Authority
- CN
- China
- Prior art keywords
- points
- point
- contour
- edge
- gradient
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 105
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000012512 characterization method Methods 0.000 claims abstract description 167
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 52
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000005495 investment casting Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于特征匹配的金属结构件检测方法,首先分析待检测金属结构件的待分析边缘点的预设邻域区域内像素点的梯度变化,获得邻域区域内像素点的优化梯度方向;获得方向区域,并结合像素点位置和优化梯度方向获得梯度特征参数,并筛选出轮廓表征点;获得轮廓表征点的角度区域,根据像素点数量、曲率特征和像素值获得轮廓表征点的特征信息。根据标准边缘像素点和轮廓表征点的特征信息差异构建代价函数并进行匹配,获得匹配对。根据所有匹配对内的特征参数差异对待检测金属结构件的轮廓进行检测。本发明实施例可实现对金属结构件外观轮廓的自动检测,且能够降低***检测量,保证***检测精度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于特征匹配的金属结构件检测方法。
背景技术
金属结构件是工业生产及机械领域的基础配件,几乎涵盖了所有行业。金属结构件生产过程中需要对其进行加工、冲压、精密铸造、注射成型等多道工艺,每个工艺流程都需要严格把控,才能够保证最终金属结构件产品的质量。金属结构件的外观检测对于金属结构件质量评估而言至关重要,金属结构件的外观轮廓出现偏差时,将导致结构件与设备无法匹配或者在使用过程中导致密封性差等问题,因此,金属结构件初步生产完成之后需要对其进行外观轮廓检测,以保证金属结构件的尺寸精度。
由于生产工艺的不同且金属结构件的种类繁多,大小不一,传统的测量工具在进行金属结构件的外观轮廓检测过程中,会出现工作量大、操作复杂、检测效率低以及无法满足多种类多类型产品外观检测的问题。而且现有技术中,结合形状上下文直方图矩阵和局部外观描述矩阵得到总相似度度量矩阵;根据总相似度度量矩阵抽象成距离矩阵,从多个最短距离中剔除最小的最短距离对应的轮廓边缘,保留其他轮廓边缘为缺陷轮廓。仅从最短距离筛选出获取自带轮廓的范围不够精确,这样容易将较大距离对应的自带轮廓分为缺陷轮廓,缺少准确性。或者,通过计算点到邻近线段距离的方法,来计算被测工件与原型工件的轮廓,没有对获取的边缘轮廓进行更进一步筛选,最终检测工作效率较低。
发明内容
为了解决现有技术中没有对获取的边缘轮廓进行更进一步筛选,判断条件单一,降低识别的准确性且降低工作效率的技术问题,本发明的目的在于提供一种基于特征匹配的金属结构件检测方法,所采用的技术方案具体如下:
本发明提出了一种基于特征匹配的金属结构件检测方法,该方法包括:
获得待检测金属结构件的多个金属表面边缘图像和对应的多个待分析边缘点;
根据待分析边缘点的预设邻域区域内像素点的梯度变化获得邻域区域内每个像素点的优化梯度方向;根据预设角度范围将每个所述待分析边缘点的邻域区域划分为多个方向区域;根据所述待分析边缘点的位置、对应所有所述方向区域内像素点的所述优化梯度方向和位置获得每个所述待分析边缘点的梯度特征参数;根据所述梯度特征参数筛选出轮廓表征点;
以每个所述轮廓表征点为圆心,根据预设半径范围,获得所述轮廓表征点的多个同心圆;将每个所述同心圆进行等角度划分,获得多个角度区域;对任意一个所述轮廓表征点,根据对应所有所述角度区域内边缘像素点的数量信息、所述角度区域内待分析边缘点的曲率特征、所述轮廓表征点的像素值及其邻域轮廓表征点的像素值,获得所述轮廓表征点的特征信息;
获得标准金属结构件的所有标准边缘像素点和对应的特征信息;根据所述标准边缘像素点和所述轮廓表征点的特征信息差异构建代价函数,并结合匹配算法获得每个所述轮廓表征点与标准边缘像素点的匹配对;根据所有所述匹配对内所述轮廓表征点与所述标准边缘像素点的特征参数差异对待检测金属结构件的轮廓进行检测。
进一步地,所述优化梯度方向的获取方法包括:
对任意一个所述待分析边缘点的邻域区域,将所述邻域区域内的每个像素点作为参考像素点;获得所述参考像素点的梯度方向;若参考像素点的梯度方向大于等于0°且小于等于180°,则对应参考像素点的优化梯度方向为梯度方向;若参考像素点的梯度方向大于180°且小于等于360°,则梯度方向与180°的差值作为对应参考像素点的优化梯度方向。
进一步地,所述梯度特征参数的获取方法包括:
对所述待分析边缘点的任意一个所述方向区域,根据所述优化梯度方向获取所述方向区域内每个像素点的梯度幅值;根据所述方向区域内每个像素点与对应所述待分析边缘点的位置获得所述方向区域内每个像素点的高斯权值;将所述梯度幅值和所述高斯权值的乘积作为所述方向区域内每个像素点的子梯度幅值;将所述方向区域内所有像素点的子梯度幅值累加,获得所述方向区域的合梯度幅值;将每个所述待分析边缘点对应所有方向区域的合梯度幅值极差作为所述待分析边缘点的邻域梯度幅值;
对任意一个所述待分析边缘点,将方向区间对应的角度范围作为横坐标,方向区间内像素点的数量为纵坐标,构建梯度直方图;获得所述梯度直方图的二阶矩;将所述二阶矩的正相关映射值与预设变换参数的乘积作为所述待分析边缘点的梯度方向特征;
将所述梯度方向特征和所述邻域梯度幅值的乘积作为所述待分析边缘点的第一梯度参数;将所述第一梯度参数进行归一化,获得所述待分析边缘点的梯度特征参数。
进一步地,所述轮廓表征点的筛选方法包括:
将所述梯度特征参数大于预设梯度特征阈值的所述待分析边缘点作为轮廓表征点。
进一步地,所述特征信息的获取方法包括:
每个所述轮廓表征点的特征信息包括子块数量直方图、轮廓直方图和轮廓连续性指标;
对任意一个所述轮廓表征点,将所述轮廓表征点的每个所述角度区域内待分析边缘点的数量作为所述角度区域的边缘参数;根据所述轮廓表征点的所有所述角度区域的所述边缘参数构建所述轮廓表征点的子块数量直方图;
对所述轮廓表征点的任意一个所述角度区域,获得所述角度区域内每个待分析边缘点的曲率,将所述角度区域内所有待分析边缘点的曲率均值作为所述角度区域的曲率参数;根据所述轮廓表征点的所有所述角度区域的所述曲率参数构建轮廓直方图;
按照位置顺序将所有所述轮廓表征点进行排序,将与所述轮廓表征点相邻的两个其他所述轮廓表征点均作为对应所述轮廓表征点的相邻点;对任意一个所述轮廓表征点,获得前一个相邻轮廓表征点与对应轮廓表征点像素值的第一差值,获得对应轮廓表征点与后一个相邻轮廓表征点的第二差值,将所述第一差值和所述第二差值的差值绝对值作为所述轮廓表征点的轮廓连续性指标。
进一步地,所述代价函数的公式包括:
式中,表示轮廓表征点/>的代价函数,/>表示轮廓表征点,/>表示任意一个标准边缘像素点,/>表示第一权值参数,/>表示第二权值参数,/>表示轮廓表征点/>与标准边缘像素点/>的子块数量直方图之间的卡方距离,/>表示轮廓表征点/>与标准边缘像素点/>的轮廓直方图之间的卡方距离,/>表示轮廓表征点/>与标准边缘像素点/>的轮廓连续性指标差值,/>表示求取最小值函数。
进一步地,所述根据所有所述匹配对内所述轮廓表征点与所述标准边缘像素点的特征参数差异对待检测金属结构件的轮廓进行检测,包括:
对任意一个所述匹配对内的所述轮廓表征点与标准边缘像素点,将所述轮廓表征点与标准边缘像素点的子块数量直方图之间的卡方距离作为第一特征值;将所述轮廓表征点与标准边缘像素点的轮廓直方图之间的卡方距离作为第二特征值;将所述轮廓表征点与标准边缘像素点的轮廓连续性指标差值作为第三特征值;获得第一特征值、第二特征值和第三特征值的均值,将所述均值进行归一化,获得所述特征指标;
若所述特征指标大于预设指标阈值,则所述特征指标对应的所述轮廓表征点在待检测金属结构件中对应位置的轮廓异常;否则,认为对应位置的轮廓正常。
进一步地,所述指标阈值设置为0.5。
进一步地,所述邻域区域设置为16×16。
进一步地,所述预设半径范围设置为2、4、6、8和10。
本发明具有如下有益效果:
在本发明实施例中,分析待检测金属结构件的待分析边缘点的预设邻域区域内像素点的梯度变化,获得邻域区域内每个像素点的优化梯度方向,通过金属结构件外观轮廓特征信息的提取,对金属结构件进行精确检测。获得方向区域,根据待分析边缘点的位置和对应所有方向区域内像素点的优化梯度方向和位置获得梯度特征参数,并筛选出轮廓表征点。轮廓表征点为进一步筛选出来的边缘特征点,能够表征待检测金属结构件的外观轮廓特征,保证检测精度且降低***检测过程中的计算量,提高检测速度。获得轮廓表征点的角度区域,根据像素点数量、曲率特征和像素值获得轮廓表征点的特征信息。根据标准边缘像素点和轮廓表征点的特征信息差异构建代价函数,并结合匹配算法获得匹配对,对金属结构件表面轮廓多重特征进行提取,并构建代价函数,以保证基于特征匹配的轮廓表征点匹配精度。通过代价函数的匹配进行逐点分析,能够避免缺陷轮廓的误判,进一步根据所有匹配对内的特征参数差异对待检测金属结构件的轮廓进行检测。本发明实施例可实现对金属结构件外观轮廓的自动检测,且能够降低***检测量,保证***检测精度。
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为本发明一个实施例所提供的一种基于特征匹配的金属结构件检测方法流程图。
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基于特征匹配的金属结构件检测方法,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基于特征匹配的金属结构件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基于特征匹配的金属结构件检测方法流程图,该方法包括:
步骤S1:获得待检测金属结构件的多个金属表面图像和对应的多个待分析边缘点。
本发明实施例主要通过金属结构件的表面图像对金属结构件的外观轮廓特征进行提取。首先,需要获得待检测金属结构件的多个金属表面图像,在本发明实施例中,设置图像采集设备,用于对待检测金属结构件的表面图像进行提取。其中,图像采集设备包括相机、光源、固定台等装置,具体装置安排以及相机视角范围等设备部署实施者根据实际情况自行设定。在本发明实施例中,将待检测金属结构件放置于固定台上,通过相机俯视视角获取待检测金属结构件每个表面的金属表面图像,用于对待检测金属结构件的外观轮廓状况进行全面检测。在后续步骤中,将待检测金属结构件的多个金属表面图像作为待检测金属结构件的特征提取及检测的基础。
本发明实施例对待检测金属结构件的所有金属表面图像进行分析,以便获取待检测金属结构件的整体外观轮廓特征,因为每张金属表面图像的处理方法均相同,因此在后续描述中仅以其中任意一张金属表面图像为例进行详细描述。对待检测金属结构件的金属表面图像进行特征提取分析,首先对金属表面图像使用边缘检测算法,获得对应的金属表面边缘图像,即获得待检测金属结构件在对应金属表面图像所对应的边缘轮廓信息,用于对待检测金属结构件的外观轮廓进行检测,后续分析是在金属表面图像对应的金属表面边缘图像上进行的。需要说明的是,具体边缘检测算法可根据具体实施方式具体设置,且边缘检测算法为本领域技术人员熟知的技术手段,在此不再赘述。经过边缘检测算法后,所检测到的边缘点即为待分析边缘点。
步骤S2:根据待分析边缘点的预设邻域区域内像素点的梯度变化获得邻域区域内每个像素点的优化梯度方向;根据预设角度范围将每个待分析边缘点的邻域区域划分为多个方向区域;根据待分析边缘点的位置、对应所有方向区域内像素点的优化梯度方向和位置获得每个待分析边缘点的梯度特征参数;根据梯度特征参数筛选出轮廓表征点。
获得金属表面边缘图像内的多个待分析边缘点,考虑到金属表面边缘图像内待分析边缘点的数量较大,若通过全部的待分析边缘点进行特征提取并匹配,将会导致***检测量大,计算成本较高。因此,对于待分析边缘点,本发明实施例将所有待分析边缘点进行筛选,获得轮廓表征点,轮廓表征点为用于表征金属结构件外观轮廓特征状况的待分析边缘点,对轮廓表征点进行分析能够消除金属结构件检测过程中的计算量大的问题,同时保证金属结构件外观轮廓检测精度。因此,为了获得表征金属结构件外观轮廓特征状况的待分析边缘点即轮廓表征点,需要分析每个待分析像素点的边缘轮廓特征,其中梯度方向能够表征像素点的灰度变化方向,具有明显的边缘特征,考虑待分析边缘点的邻域区域内每个像素点的梯度方向可能存在相反的情况,为了进一步获得待分析像素点的边缘轮廓特征,需要先对待分析像素点邻域范围内像素点的梯度方向进行修正,即根据待分析边缘点的预设邻域区域内像素点的梯度变化获得邻域区域内每个像素点的优化梯度方向,便于后续在待分析像素点中对轮廓表征点的筛选。在本发明实施例中邻域范围为16*16,尺寸为相对图像尺寸度量单位下的尺寸,本发明中为毫米单位,具体邻域范围可根据具体实施方式具体设置。
优选地,优化梯度方向的获取方法具体包括:
对任意一个待分析边缘点的邻域区域,将邻域区域内的每个像素点作为参考像素点。获得参考像素点的梯度方向,需要说明的是,获得梯度方向的方法为本领域技术人员熟知的技术手段,在此不再赘述。若参考像素点的梯度方向大于等于0°且小于等于180°,则对应参考像素点的优化梯度方向为梯度方向;若参考像素点的梯度方向大于180°且小于等于360°,则梯度方向与180°的差值作为对应参考像素点的优化梯度方向。其中,优化梯度方向的公式具体包括:
式中,表示第/>个参考像素点的优化梯度方向,/>表示第/>个参考像素点的梯度方向,/>表示圆周率。
在后续分析中,根据每个待分析边缘点的邻域区域内像素点的优化梯度方向分析每个待分析边缘点的特征。
获得待分析边缘点的邻域区域内每个像素点的优化梯度方向,对每个待分析边缘点的邻域区域进行分析。根据预设角度范围将每个待分析边缘点的邻域区域划分为多个方向区域,在本发明实施例中,以每个待分析边缘点为中心,预设角度范围包括、/>、/>和/>,按照每个角度范围将待分析边缘点的邻域区域划分为四部分并按照角度大小将方向区域进行排序,即每个待分析边缘点有四个方向区域。
本发明将对梯度特征进行检测分析,首先根据与对应待分析边缘点的梯度方向一致的方向区间内像素点的梯度特征,对方向区间的梯度状况进行分析,根据待分析边缘点的位置、对应所有方向区域内像素点的优化梯度方向和位置获得每个待分析边缘点的梯度特征参数,在本发明实施例中具体包括:
1.对待分析边缘点的任意一个方向区域,根据优化梯度方向获取方向区域内每个像素点的梯度幅值。需要说明的是,获取梯度幅值的方法为本领域技术人员熟知的技术手段,在此不再赘述。根据方向区域内每个像素点与对应待分析边缘点的位置获得方向区域内每个像素点的高斯权值,将梯度幅值和高斯权值的乘积作为方向区域内每个像素点的子梯度幅值。将方向区域内所有像素点的子梯度幅值累加,获得方向区域的合梯度幅值。其中,待分析边缘点的每个方向区间的合梯度幅值的公式具体包括:
式中,表示待分析边缘点的第/>个方向区域的合梯度幅值;/>表示第/>个方向区域内像素点的数量;/>表示待分析边缘点的第/>个方向区域内第/>个像素点的梯度幅值;/>表示待分析边缘点的第/>个方向区域内第/>个像素点的高斯权值,/>表示高斯函数尺寸参数,在本发明实施例中设置/>,具体数值实施者可根据具体情况自行设置;/>表示待分析边缘点的第/>个方向区域内第/>个像素点的坐标信息;/>表示方向区间对应的待分析边缘点的坐标位置;/>表示以自然常数为底的指数函数。
在合梯度幅值的公式中,表示待分析边缘点与其第/>个方向区域内第/>个像素点的位置差异,位置差异与/>呈反比关系,位置差异越小,说明第/>个方向区域内第/>个像素点用于对待分析边缘点的局部梯度信息进行检测的结果越准确,即对应高斯权值越大。/>表示待分析边缘点的第/>个方向区域内第/>个像素点的子梯度幅值,/>和/>均与合梯度幅值呈正比关系,因此子梯度幅值与合梯度幅值呈正比关系,子梯度幅值越大,说明第/>个方向区域内第/>个像素点用于对待分析边缘点的局部梯度信息进行检测的结果越准确。
待分析边缘点的方向区域的合梯度幅值表示对应方向区域内像素点用于检测待分析边缘点的局部梯度信息结果的准确性。若合梯度幅值越大,则对应方向区域内像素点用于检测待分析边缘点的局部梯度信息结果越准确;若合梯度幅值越小,则对应方向区域内像素点用于检测待分析边缘点的局部梯度信息结果越不准确。
2.进一步地,将每个待分析边缘点对应所有方向区域的合梯度幅值极差作为待分析边缘点的邻域梯度幅值。待分析边缘点的邻域梯度幅值表示对应待分析边缘点的邻域区域内像素点用于检测待分析边缘点的局部梯度信息结果的准确性。若邻域梯度幅值越大,则对应待分析边缘点的邻域区域内像素点用于检测待分析边缘点的局部梯度信息结果越准确;若邻域梯度幅值越小,则对应待分析边缘点的邻域区域内像素点用于检测待分析边缘点的局部梯度信息结果越不准确。
3.为了进一步提高待分析边缘点的梯度特征的分析精度,对任意一个待分析边缘点,将方向区间对应的角度范围作为横坐标,方向区间内像素点的数量为纵坐标,构建梯度直方图。获得梯度直方图的二阶矩,需要说明的是,获取梯度直方图的二阶矩的方法为本领域技术人员熟知的技术手段,在此不再赘述。将二阶矩的正相关映射值与预设变换参数的乘积作为待分析边缘点的梯度方向特征。其中,待分析边缘点的梯度方向特征的公式包括:
式中,表示待分析边缘点/>的梯度方向特征,/>表示待分析边缘点/>的梯度直方图的二阶矩,/>表示模型变换参数,用于控制梯度方向特征的范围,在本发明实施例中设置,具体数值实施者可根据具体情况自行设置;/>表示自然常数,/>表示二阶矩的正相关映射值。梯度方向特征越大,则对应待分析边缘像素点的局部邻域范围内的梯度变化越无规律,梯度变化方向越杂乱。
4.优选地,将梯度方向特征和邻域梯度幅值的乘积作为待分析边缘点的第一梯度参数;将第一梯度参数进行归一化,获得待分析边缘点的梯度特征参数。其中,待分析边缘点的梯度特征参数的公式包括:
式中,表示待分析边缘点/>的梯度特征参数,/>表示待分析边缘点/>的梯度方向特征,/>表示待分析边缘点/>的邻域梯度幅值,/>表示自然常数。
在待分析边缘点的梯度特征参数的公式中,梯度方向特征与邻域梯度幅值均与梯度特征参数成正比关系,梯度方向特征越大或者邻域梯度幅值越大,说明对应待分析边缘点表征金属结构件外观轮廓特征状况的可能性越大,即对应待分析边缘点为轮廓表征点的可能性越大。与梯度特征参数成正比关系,通过/>将/>进行归一化,获得梯度特征参数/>,将梯度特征参数数值范围至于0至1中,方便后续分析。
待分析边缘点的梯度特征参数表示待分析边缘点为轮廓表征点的可能性。若梯度特征参数越大,则对应待分析边缘点表征金属结构件外观轮廓特征状况的可能性越大,即对应待分析边缘点为轮廓表征点的可能性越大;若梯度特征参数越小,则对应待分析边缘点表征金属结构件外观轮廓特征状况的可能性越小,即对应待分析边缘点为轮廓表征点的可能性越小。
进一步地,根据梯度特征参数筛选出轮廓表征点,将梯度特征参数大于预设梯度特征阈值的待分析边缘点作为轮廓表征点。在本发明实施例中,预设梯度特征阈值为0.6,具体数值实施者可根据具体情况自行设置。
经过步骤S2的分析,获得能够表征金属结构件外观轮廓特征状况的轮廓表征点。
步骤S3:以每个轮廓表征点为圆心,根据预设半径范围,获得轮廓表征点的多个同心圆;将每个同心圆进行等角度划分,获得多个角度区域;对任意一个轮廓表征点,根据对应所有角度区域内边缘像素点的数量信息、角度区域内待分析边缘点的曲率特征、轮廓表征点的像素值及其邻域轮廓表征点的像素值,获得轮廓表征点的特征信息。
基于步骤S2获得的轮廓表征点,对每个轮廓表征点的特征进行分析,以每个轮廓表征点为圆心,根据预设半径范围,获得轮廓表征点的多个同心圆。在本发明实施例中,预设半径范围为2、4、6、8和10。在本发明实施例中每个轮廓表征点对应五个同心圆。将每个同心圆进行等角度划分,获得多个角度区域,在本发明实施例中将同心圆划分为12份,具体划分个数可自行设置。因此,一个同心圆对应12个角度区域,由于每个轮廓表征点对应五个同心圆,则每个轮廓表征点对应60个角度区域。后续过程中,对每个轮廓表征点的角度区域进行分析,才能获得轮廓表征点的局部外观轮廓状况。对任意一个轮廓表征点,根据对应所有角度区域内边缘像素点的数量信息、角度区域内待分析边缘点的曲率特征、轮廓表征点的像素值及其邻域轮廓表征点的像素值,获得轮廓表征点的特征信息,特征信息包括子块数量直方图、轮廓直方图和轮廓连续性指标,在本发明实施例中特征信息的获取方法具体包括:
1.对任意一个轮廓表征点,将轮廓表征点的每个角度区域内待分析边缘点的数量作为角度区域的边缘参数。根据轮廓表征点的所有角度区域的边缘参数构建轮廓表征点的子块数量直方图。需要说明的是,构建直方图的方法为本领域技术人员熟知的技术手段,在此不再赘述。
2.为了提高轮廓检测精度,需要对每个角度区域内的轮廓变化状况进行检测。对轮廓表征点的任意一个角度区域,获得角度区域内每个待分析边缘点的曲率,将角度区域内所有待分析边缘点的曲率均值作为角度区域的曲率参数,曲率参数能够表示角度区域内像素点之间的轮廓变化状况。根据轮廓表征点的所有角度区域的曲率参数构建轮廓直方图。需要说明的是,获取曲率和构建直方图的方法均为本领域技术人员熟知的技术手段,在此不再赘述。
3.进一步地,对轮廓表征点的局部轮廓连续性进行分析。按照位置顺序将所有轮廓表征点进行排序,将与轮廓表征点相邻的两个其他轮廓表征点均作为对应轮廓表征点的相邻点。对任意一个轮廓表征点,获得前一个相邻轮廓表征点与对应轮廓表征点像素值的第一差值,获得对应轮廓表征点与后一个相邻轮廓表征点的第二差值,将第一差值和第二差值的差值绝对值作为轮廓表征点的轮廓连续性指标。其中,轮廓表征点的轮廓连续性指标的公式具体包括:
式中,表示轮廓表征点/>的轮廓连续性指标,/>表示轮廓表征点/>的前一个相邻轮廓表征点的像素值,/>表示轮廓表征点/>的轮廓表征点/>的像素值,/>表示后一个相邻轮廓表征点的像素值,/>表示求取绝对值函数。/>表示第一差值,表示第二差值,第一差值与第二差值之间的差异能够表示对应轮廓表征点的局部轮廓连续性。
经过步骤S3的分析,获取每个轮廓表征点的特征信息,特征信息包括子块数量直方图、轮廓直方图和轮廓连续性指标,为后续步骤提供数据基础。
步骤S4:获得标准金属结构件的所有标准边缘像素点和对应的特征信息;根据标准边缘像素点和轮廓表征点的特征信息差异构建代价函数,并结合匹配算法获得每个轮廓表征点与标准边缘像素点的匹配对;根据所有匹配对内轮廓表征点与标准边缘像素点的特征参数差异对待检测金属结构件的轮廓进行检测。
为了实现对待检测金属结构件的外观轮廓进行分析检测,从金属结构件标准库中得到待检测金属结构件对应型号的标准金属结构件。需要说明的是,金属结构件标准库中包含所需的不同型号的标准金属结构件,可通过实施者自行进行选取构建。将待检测金属结构件对应的标准金属结构件的边缘像素点作为标准边缘像素点,并将所有标准边缘像素点组成标准点集合。并且用步骤S3中同样的方法获取获得每个标准边缘像素点的特征信息,即子块数量直方图、轮廓直方图和轮廓连续性指标。
进一步地,根据标准边缘像素点和轮廓表征点的特征信息差异构建代价函数,用于对待检测金属结构件的轮廓表征点进行匹配。在本发明实施例中代价函数的公式包括:
式中,表示轮廓表征点/>的代价函数,/>表示轮廓表征点,/>表示任意一个标准边缘像素点,/>表示第一权值参数,/>表示第二权值参数,/>表示轮廓表征点/>与标准边缘像素点/>的子块数量直方图之间的卡方距离,/>表示轮廓表征点/>与标准边缘像素点/>的轮廓直方图之间的卡方距离,/>表示轮廓表征点/>与标准边缘像素点/>的轮廓连续性指标差值,/>表示求取最小值函数。
在代价函数的公式中,为轮廓表征点/>与标准边缘像素点/>的子块数量直方图之间的卡方距离,/>越小,说明轮廓表征点/>与标准边缘像素点/>的邻域区域内像素点数量的相似度越高。/>为轮廓表征点/>与标准边缘像素点/>的轮廓直方图之间的卡方距离,/>越小,说明轮廓表征点/>与标准边缘像素点/>的邻域区域内轮廓变化状况的相似度越高。需要说明的是,获取直方图之间卡方距离的方法为本领域技术人员熟知的技术手段,在此不再赘述。/>表示轮廓表征点/>与标准边缘像素点/>的轮廓连续性指标差值,/>越小,说明轮廓表征点/>与标准边缘像素点的轮廓连续性越相似。在本发明实施例中,第一权值参数/>为0.5,第二权值参数/>为0.5,具体数值可根据具体实施方式具体设置。
将代价函数与匹配算法结合,获得每个轮廓表征点与标准边缘像素点的匹配对。对任意一个轮廓表征点,当轮廓表征点对应的代价函数值最小时,通过匹配算法进行匹配分析,在所有标准边缘像素点中可得到与轮廓表征点所对应的最佳匹配的标准边缘像素点。最后,通过匹配算法结合代价函数对待检测金属结构件的所有轮廓表征点进行匹配,获得每个轮廓表征点与标准边缘像素点的匹配对,用于对待检测金属结构件的外观轮廓状况进行分析评估。需要说明的是,匹配算法有很多匈牙利算法、DP匹配算法等,实施者可自行选取,本发明采用匈牙利算法进行匹配处理,具体匹配过程为本领域技术人员熟知的技术手段,在此不再赘述。
进一步地,根据所有匹配对内轮廓表征点与标准边缘像素点的特征参数差异对待检测金属结构件的轮廓进行检测,在本发明实施例中具体包括:
对任意一个匹配对内的轮廓表征点与标准边缘像素点,将轮廓表征点与标准边缘像素点的子块数量直方图之间的卡方距离作为第一特征值。将轮廓表征点与标准边缘像素点的轮廓直方图之间的卡方距离作为第二特征值。将轮廓表征点与标准边缘像素点的轮廓连续性指标差值作为第三特征值。第一特征值、第二特征值和第三特征值均与特征指标呈正比关系,获得第一特征值、第二特征值和第三特征值的均值,将均值进行归一化,获得特征指标,使用归一化的目的是保证获得的特征指标的数值范围在0至1。
若特征指标大于预设指标阈值,则特征指标对应的轮廓表征点在待检测金属结构件中对应位置的轮廓异常,需要对其再次进行加工处理以满足后续使用需求;否则,认为对应位置的轮廓正常。在本发明实施例中,预设指标阈值为0.5,具体数值可根据具体实施方式具体设置。
综上所述,在本发明实施例中,首先分析待检测金属结构件的待分析边缘点的预设邻域区域内像素点的梯度变化,获得邻域区域内每个像素点的优化梯度方向。其次,获得方向区域,根据待分析边缘点的位置和对应所有方向区域内像素点的优化梯度方向和位置获得梯度特征参数,并筛选出轮廓表征点。然后,获得轮廓表征点的角度区域,根据像素点数量、曲率特征和像素值获得轮廓表征点的特征信息。并根据标准边缘像素点和轮廓表征点的特征信息差异构建代价函数,并结合匹配算法获得匹配对。最后,根据所有匹配对内的特征参数差异对待检测金属结构件的轮廓进行检测。本发明实施例可实现对金属结构件外观轮廓的自动检测,且能够降低***检测量,保证***检测精度。
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 (6)
1.一种基于特征匹配的金属结构件检测方法,其特征在于,该方法包括以下步骤:
获得待检测金属结构件的多个金属表面边缘图像和对应的多个待分析边缘点;
根据待分析边缘点的预设邻域区域内像素点的梯度变化获得邻域区域内每个像素点的优化梯度方向;根据预设角度范围将每个所述待分析边缘点的邻域区域划分为多个方向区域;根据所述待分析边缘点的位置、对应所有所述方向区域内像素点的所述优化梯度方向和位置获得每个所述待分析边缘点的梯度特征参数;根据所述梯度特征参数筛选出轮廓表征点;
以每个所述轮廓表征点为圆心,根据预设半径范围,获得所述轮廓表征点的多个同心圆;将每个所述同心圆进行等角度划分,获得多个角度区域;对任意一个所述轮廓表征点,根据对应所有所述角度区域内边缘像素点的数量信息、所述角度区域内待分析边缘点的曲率特征、所述轮廓表征点的像素值及其邻域轮廓表征点的像素值,获得所述轮廓表征点的特征信息;
获得标准金属结构件的所有标准边缘像素点和对应的特征信息;根据所述标准边缘像素点和所述轮廓表征点的特征信息差异构建代价函数,并结合匹配算法获得每个所述轮廓表征点与标准边缘像素点的匹配对;根据所有所述匹配对内所述轮廓表征点与所述标准边缘像素点的特征参数差异对待检测金属结构件的轮廓进行检测;
所述优化梯度方向的获取方法包括:
对任意一个所述待分析边缘点的邻域区域,将所述邻域区域内的每个像素点作为参考像素点;获得所述参考像素点的梯度方向;若参考像素点的梯度方向大于等于0°且小于等于180°,则对应参考像素点的优化梯度方向为梯度方向;若参考像素点的梯度方向大于180°且小于等于360°,则梯度方向与180°的差值作为对应参考像素点的优化梯度方向;
所述梯度特征参数的获取方法包括:
对所述待分析边缘点的任意一个所述方向区域,根据所述优化梯度方向获取所述方向区域内每个像素点的梯度幅值;根据所述方向区域内每个像素点与对应所述待分析边缘点的位置获得所述方向区域内每个像素点的高斯权值;将所述梯度幅值和所述高斯权值的乘积作为所述方向区域内每个像素点的子梯度幅值;将所述方向区域内所有像素点的子梯度幅值累加,获得所述方向区域的合梯度幅值;将每个所述待分析边缘点对应所有方向区域的合梯度幅值极差作为所述待分析边缘点的邻域梯度幅值;
对任意一个所述待分析边缘点,将方向区间对应的角度范围作为横坐标,方向区间内像素点的数量为纵坐标,构建梯度直方图;获得所述梯度直方图的二阶矩;将所述二阶矩的正相关映射值与预设变换参数的乘积作为所述待分析边缘点的梯度方向特征;
将所述梯度方向特征和所述邻域梯度幅值的乘积作为所述待分析边缘点的第一梯度参数;将所述第一梯度参数进行归一化,获得所述待分析边缘点的梯度特征参数;
所述轮廓表征点的筛选方法包括:
将所述梯度特征参数大于预设梯度特征阈值的所述待分析边缘点作为轮廓表征点;
所述特征信息的获取方法包括:
每个所述轮廓表征点的特征信息包括子块数量直方图、轮廓直方图和轮廓连续性指标;
对任意一个所述轮廓表征点,将所述轮廓表征点的每个所述角度区域内待分析边缘点的数量作为所述角度区域的边缘参数;根据所述轮廓表征点的所有所述角度区域的所述边缘参数构建所述轮廓表征点的子块数量直方图;
对所述轮廓表征点的任意一个所述角度区域,获得所述角度区域内每个待分析边缘点的曲率,将所述角度区域内所有待分析边缘点的曲率均值作为所述角度区域的曲率参数;根据所述轮廓表征点的所有所述角度区域的所述曲率参数构建轮廓直方图;
按照位置顺序将所有所述轮廓表征点进行排序,将与所述轮廓表征点相邻的两个其他所述轮廓表征点均作为对应所述轮廓表征点的相邻点;对任意一个所述轮廓表征点,获得前一个相邻轮廓表征点与对应轮廓表征点像素值的第一差值,获得对应轮廓表征点与后一个相邻轮廓表征点的第二差值,将所述第一差值和所述第二差值的差值绝对值作为所述轮廓表征点的轮廓连续性指标。
2.根据权利要求1所述的基于特征匹配的金属结构件检测方法,其特征在于,所述代价函数的公式包括:
式中,表示轮廓表征点/>的代价函数,/>表示轮廓表征点,/>表示任意一个标准边缘像素点,/>表示第一权值参数,/>表示第二权值参数,/>表示轮廓表征点/>与标准边缘像素点/>的子块数量直方图之间的卡方距离,/>表示轮廓表征点/>与标准边缘像素点/>的轮廓直方图之间的卡方距离,/>表示轮廓表征点/>与标准边缘像素点的轮廓连续性指标差值,/>表示求取最小值函数。
3.根据权利要求1所述的基于特征匹配的金属结构件检测方法,其特征在于,所述根据所有所述匹配对内所述轮廓表征点与所述标准边缘像素点的特征参数差异对待检测金属结构件的轮廓进行检测,包括:
对任意一个所述匹配对内的所述轮廓表征点与标准边缘像素点,将所述轮廓表征点与标准边缘像素点的子块数量直方图之间的卡方距离作为第一特征值;将所述轮廓表征点与标准边缘像素点的轮廓直方图之间的卡方距离作为第二特征值;将所述轮廓表征点与标准边缘像素点的轮廓连续性指标差值作为第三特征值;获得第一特征值、第二特征值和第三特征值的均值,将所述均值进行归一化,获得特征指标;
若所述特征指标大于预设指标阈值,则所述特征指标对应的所述轮廓表征点在待检测金属结构件中对应位置的轮廓异常;否则,认为对应位置的轮廓正常。
4.根据权利要求3所述的基于特征匹配的金属结构件检测方法,其特征在于,所述指标阈值设置为0.5。
5.根据权利要求1所述的基于特征匹配的金属结构件检测方法,其特征在于,所述邻域区域设置为16×16。
6.根据权利要求1所述的基于特征匹配的金属结构件检测方法,其特征在于,所述预设半径范围设置为2、4、6、8和10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027608.9A CN116758067B (zh) | 2023-08-16 | 2023-08-16 | 基于特征匹配的金属结构件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027608.9A CN116758067B (zh) | 2023-08-16 | 2023-08-16 | 基于特征匹配的金属结构件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758067A CN116758067A (zh) | 2023-09-15 |
CN116758067B true CN116758067B (zh) | 2023-12-01 |
Family
ID=87961223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311027608.9A Active CN116758067B (zh) | 2023-08-16 | 2023-08-16 | 基于特征匹配的金属结构件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758067B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197129B (zh) * | 2023-11-03 | 2024-02-13 | 浙江鑫柔科技有限公司 | 黑化程度检测方法、装置和计算机设备 |
CN117764912A (zh) * | 2023-11-08 | 2024-03-26 | 东莞市中钢模具有限公司 | 一种汽车配件压铸模具形变异常视觉检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1491879A2 (de) * | 2003-06-10 | 2004-12-29 | hema electronic GmbH | Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche |
JP2009217799A (ja) * | 2008-02-14 | 2009-09-24 | Seiko Epson Corp | 輪郭検出方法、輪郭検出装置および輪郭検出プログラム |
EP2109079A1 (fr) * | 2008-04-09 | 2009-10-14 | Peugeot Citroën Automobiles Société Anonyme | Procédé et système de caractérisation d'un défaut de surface d'une pièce |
JP2011196982A (ja) * | 2010-03-17 | 2011-10-06 | Cognex Kk | 欠陥検出方法、欠陥検出装置、及びプログラム |
CN105678733A (zh) * | 2014-11-21 | 2016-06-15 | 中国科学院沈阳自动化研究所 | 一种基于直线段上下文的红外与可见光异源图像匹配方法 |
CN110717896A (zh) * | 2019-09-24 | 2020-01-21 | 东北大学 | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 |
CN111179230A (zh) * | 2019-12-18 | 2020-05-19 | 星际空间(天津)科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
CN115272336A (zh) * | 2022-09-29 | 2022-11-01 | 加力卡塞阀门(江苏)有限公司 | 基于梯度向量的金属零件缺陷精准检测方法 |
CN115311275A (zh) * | 2022-10-11 | 2022-11-08 | 南通百仕灵新能源科技有限公司 | 一种电子元器件表面缺陷检测方法及*** |
CN115330791A (zh) * | 2022-10-13 | 2022-11-11 | 江苏东晨机械科技有限公司 | 一种零件毛刺检测方法 |
CN116091790A (zh) * | 2023-03-21 | 2023-05-09 | 苏州奥沃汽车配件有限公司 | 电控硅油离合器从动盘质量在线检测*** |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8917940B2 (en) * | 2013-04-26 | 2014-12-23 | Mitutoyo Corporation | Edge measurement video tool with robust edge discrimination margin |
WO2015132817A1 (ja) * | 2014-03-05 | 2015-09-11 | 三菱電機株式会社 | エッジ検出装置、エッジ検出方法およびプログラム |
CN106950283B (zh) * | 2017-02-14 | 2019-07-26 | 清华大学 | 金属板缺陷轮廓导波成像磁声阵列结构调整方法和装置 |
-
2023
- 2023-08-16 CN CN202311027608.9A patent/CN116758067B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1491879A2 (de) * | 2003-06-10 | 2004-12-29 | hema electronic GmbH | Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche |
JP2009217799A (ja) * | 2008-02-14 | 2009-09-24 | Seiko Epson Corp | 輪郭検出方法、輪郭検出装置および輪郭検出プログラム |
EP2109079A1 (fr) * | 2008-04-09 | 2009-10-14 | Peugeot Citroën Automobiles Société Anonyme | Procédé et système de caractérisation d'un défaut de surface d'une pièce |
JP2011196982A (ja) * | 2010-03-17 | 2011-10-06 | Cognex Kk | 欠陥検出方法、欠陥検出装置、及びプログラム |
CN105678733A (zh) * | 2014-11-21 | 2016-06-15 | 中国科学院沈阳自动化研究所 | 一种基于直线段上下文的红外与可见光异源图像匹配方法 |
CN110717896A (zh) * | 2019-09-24 | 2020-01-21 | 东北大学 | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 |
CN111179230A (zh) * | 2019-12-18 | 2020-05-19 | 星际空间(天津)科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
CN115272336A (zh) * | 2022-09-29 | 2022-11-01 | 加力卡塞阀门(江苏)有限公司 | 基于梯度向量的金属零件缺陷精准检测方法 |
CN115311275A (zh) * | 2022-10-11 | 2022-11-08 | 南通百仕灵新能源科技有限公司 | 一种电子元器件表面缺陷检测方法及*** |
CN115330791A (zh) * | 2022-10-13 | 2022-11-11 | 江苏东晨机械科技有限公司 | 一种零件毛刺检测方法 |
CN116091790A (zh) * | 2023-03-21 | 2023-05-09 | 苏州奥沃汽车配件有限公司 | 电控硅油离合器从动盘质量在线检测*** |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
Non-Patent Citations (3)
Title |
---|
Research on edge detection algorithm of work piece defect in machine vision detection system;Shan Luo等;2022 IEEE 6th Information Technology and Mechatronics Engineering Conference (ITOEC);全文 * |
基于图像配准的零件轮廓修正方法;吴孟桦;胡晓兵;李航;江代渝;;计算机应用(第04期);全文 * |
高速铁路扣件缺陷三维检测***集成与识别算法;刘东旭;中国优秀硕士学位论文全文数据库 信息科技辑;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116758067A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758067B (zh) | 基于特征匹配的金属结构件检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
US10319096B2 (en) | Automated tattoo recognition techniques | |
CN108460327B (zh) | 一种基于图像处理的指针式仪表读数自动识别方法 | |
CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及*** | |
CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN105335973B (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN109115800B (zh) | 一种产品毛刺的快速检测及长度精确测量方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN115830015B (zh) | 基于计算机视觉的五金冲压配件质量检测方法 | |
CN115187548A (zh) | 一种基于人工智能的机械零件缺陷检测方法 | |
CN115984271B (zh) | 基于角点检测的金属毛刺识别方法 | |
CN113012098B (zh) | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 | |
CN111539938B (zh) | 一种轧带钢带头曲度检测方法、***、介质及电子终端 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测*** | |
CN115937203B (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
CN115115603A (zh) | 基于人工智能的汽车配件飞轮表面检测方法 | |
CN116188458A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理*** | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN115511884B (zh) | 基于计算机视觉的冲孔复合模表面质量检测方法 |
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 |