CN117808796B - 一种基于计算机视觉的齿轮表面损伤检测方法 - Google Patents
一种基于计算机视觉的齿轮表面损伤检测方法 Download PDFInfo
- Publication number
- CN117808796B CN117808796B CN202410199476.6A CN202410199476A CN117808796B CN 117808796 B CN117808796 B CN 117808796B CN 202410199476 A CN202410199476 A CN 202410199476A CN 117808796 B CN117808796 B CN 117808796B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gear
- pixel
- gray
- extension
- 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 abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000007547 defect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 description 16
- 238000005299 abrasion Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于计算机视觉的齿轮表面损伤检测方法,包括:获取齿轮灰度图像,确定齿轮灰度图像中齿轮像素点的八邻域方向上的各个延展像素点;将齿轮像素点与其八邻域方向上的各个延展像素点相连通组成的区域作为连通节点;确定各个连通节点之间的聚类距离,根据聚类距离构建连通图,进而获得各个最优聚类簇;根据各个最优聚类簇中连通图的图像特征,判断待检测齿轮表面是否存在损伤缺陷。本发明通过分析图像的灰度特征信息确定各个区域,将区域作为聚类过程中的节点数据,可以有效提高聚类结果的准确性,进一步提升齿轮表面损伤检测的可靠程度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于计算机视觉的齿轮表面损伤检测方法。
背景技术
齿轮作为一种高精度物理机械结构,其质量直接影响整个机械设备的寿命,而齿轮表面损伤影响齿轮的使用寿命和性能。因此,需要对齿轮表面损伤进行检测,齿轮表面损伤一般为划痕、点蚀、磨损、疲劳裂纹、腐蚀等。在对齿轮表面损伤进行检测时,通过分析拍摄的齿轮表面的图像信息,判断齿轮表面的损伤情况。
现有利用连通图动态***聚类算法对获取的图像信息进行簇类划分,将存在相同分布特征的像素点划分到同一簇类中,分析簇类中的像素点的分布情况可以判断齿轮表面的损伤情况。连通图动态***聚类算法在构建连通图时,需要确定构建连通图的节点数据,现有算法直接将图像中的像素点作为节点数据,无法体现出损伤区域的结构性分布,导致损伤缺陷性质的簇类中存在正常像素点,基于簇类实现的齿轮表面损伤检测存在偏差;同时,由于图像中像素点位置信息是固定的,其将导致所构建的连通图中信息混乱,进一步影响簇类划分的准确性,造成后续对齿轮表面损伤检测产生误差。
发明内容
为了解决上述利用连通图动态***聚类算法对获取的图像进行簇类划分时,将像素点作为构建连通图时的节点导致簇类划分结果不准确,促使后续对齿轮表面损伤检测产生误差的技术问题,本发明的目的在于提供一种基于计算机视觉的齿轮表面损伤检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于计算机视觉的齿轮表面损伤检测方法,该方法包括以下步骤:
获取待检测齿轮表面的齿轮灰度图像,进而获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像;
根据待分析图像中每个像素点的灰度值,分析每个像素点的预设窗口区域与其八邻域方向上像素点的预设窗口区域之间的灰度分布相似情况,确定每个像素点的八邻域方向上的各个像素点的延展程度;其中,待分析图像为齿轮灰度图像或各个下采样图像;
将齿轮灰度图像中的任意一个像素点作为齿轮像素点,确定齿轮像素点在各个下采样图像中的映射像素点;根据齿轮像素点及其对应的各个映射像素点的八邻域方向上的各个像素点的延展程度,分析延展稳定性,确定齿轮像素点的八邻域方向上的各个延展像素点;
将齿轮像素点与其八邻域方向上的各个延展像素点相连通组成的区域作为连通节点,进而获得各个连通节点;确定各个连通节点之间的聚类距离,根据聚类距离构建连通图,进而获得各个最优聚类簇;
根据各个最优聚类簇中连通图的图像特征,判断待检测齿轮表面是否存在损伤缺陷。
进一步地,所述根据待分析图像中每个像素点的灰度值,分析每个像素点的预设窗口区域与其八邻域方向上像素点的预设窗口区域之间的灰度分布相似情况,确定每个像素点的八邻域方向上的各个像素点的延展程度,包括:
以待分析图像中的每个像素点为中心点,构建预设尺寸的窗口区域,将预设尺寸的窗口区域作为预设窗口区域,获得待分析图像中的每个像素点的预设窗口区域;
对于待分析图像中的任意一个像素点,根据像素点和像素点的预设窗口区域中各个邻域像素点的灰度值,确定像素点的各个灰度变化幅值;其中,邻域像素点是预设窗口区域中除中心点以外的其他像素点;
将八邻域方向的任意一个方向作为目标方向,将像素点的目标方向上的像素点作为初始待延展像素点;计算像素点的任意一个灰度变化幅值与任意一个初始待延展像素点的各个灰度变化幅值之间的差异,确定最小差异,将像素点对应的各个最小差异的累加和作为像素点的目标方向上的像素点的延展程度。
进一步地,所述根据像素点和像素点的预设窗口区域中各个邻域像素点的灰度值,确定像素点的各个灰度变化幅值,包括:
对于预设窗口区域中任意一个邻域像素点,计算像素点和该邻域像素点之间的灰度值差异;确定像素点和该邻域像素点之间的连线与水平方向的夹角,进而计算夹角的余弦值;将所述灰度值差异与所述夹角的余弦值的乘积作为像素点的灰度变化幅值。
进一步地,所述根据齿轮像素点及其对应的各个映射像素点的八邻域方向上的各个像素点的延展程度,分析延展稳定性,确定齿轮像素点的八邻域方向上的各个延展像素点,包括:
分别统计齿轮像素点的目标方向上初始待延展像素点的个数以及齿轮像素点对应的各个映射像素点的目标方向上初始待延展像素点的个数,确定最小初始待延展像素点个数为延展分析数目;在待分析像素点的目标方向上选取距离待分析像素点最近的初始待延展像素点作为目标待延展像素点,所述目标待延展像素点的数目为所述延展分析数目;其中,待分析像素点为齿轮像素点或齿轮像素点对应的各个映射像素点;
计算齿轮像素点的目标方向上各个目标待延展像素点的延展评估指标;根据目标待延展像素点与齿轮像素点的距离按照从小到大顺序,依次判断目标待延展像素点的延展评估指标是否大于预设延展阈值,直至出现延展评估指标不大于预设延展阈值的目标待延展像素点,将当前延展评估指标大于预设延展阈值的目标待延展像素点作为齿轮像素点的目标方向上的延展像素点。
进一步地,所述计算齿轮像素点的目标方向上各个目标待延展像素点的延展评估指标,包括:
对于任意一个目标待延展像素点,计算齿轮像素点的目标方向上目标待延展像素点的延展程度与齿轮像素点对应的各个映射像素点的目标方向上目标待延展像素点的延展程度之间的差异的累加和;对所述差异的累加和进行反比例的归一化处理,获得齿轮像素点的目标方向上目标待延展像素点的延展评估指标。
进一步地,确定各个连通节点之间的聚类距离,包括:
对于任意两个连通节点,根据两个连通节点中每个像素点与其八邻域像素点的灰度方差,确定两个连通节点的灰度变化程度;
根据两个连通节点的中心点的位置确定两个连通节点的中心点之间的距离,确定两个连通节点对应的最大面积值,将两个连通节点的中心点之间的距离与最大面积值的比值作为两个连通节点之间的规整距离;
统计两个连通节点的中心点连线所经过的连通节点个数,对两个连通节点的中心点与中心点连线所经过的连通节点的中心点进行曲线拟合获得拟合曲线,计算拟合曲线上所有像素点的斜率方差,将所述连通节点个数与所述斜率方差的乘积作为两个连通节点之间的连通程度;
结合两个连通节点的灰度变化程度、规整距离和连通程度,获得两个连通节点之间的聚类距离。
进一步地,所述根据两个连通节点中每个像素点与其八邻域像素点的灰度方差,确定两个连通节点的灰度变化程度,包括:
对于任意一个连通节点,计算连通节点中任意一个像素点与其八邻域像素点的灰度方差与所有像素点与其八邻域像素点的灰度方差的平均值之间的差异,记为灰度方差差异;将连通节点中每个像素点的灰度方差差异的平均值作为连通节点的灰度变化程度。
进一步地,所述根据各个最优聚类簇中连通图的图像特征,判断待检测齿轮表面是否存在损伤缺陷,包括:
根据各个最优聚类簇中连通图的灰度方差、周长和面积,确定各个最优聚类簇的损伤程度;若任意一个最优聚类簇的损伤程度大于预设损伤阈值,则判定待检测齿轮表面存在损伤缺陷,否则,判定待检测齿轮表面不存在损伤缺陷。
进一步地,所述根据各个最优聚类簇中连通图的灰度方差、周长和面积,确定各个最优聚类簇的损伤程度,包括:
对于任意一个最优聚类簇,计算最优聚类簇中连通图的周长和面积的比值,进而计算所述比值与灰度方差的乘积,然后将比值与灰度方差的乘积作为第一乘积;对最优聚类簇中连通图的第一乘积进行归一化处理,将归一化处理后的数值作为最优聚类簇的损伤程度。
进一步地,所述获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像,包括:
设置预设数目个尺度层级,利用高斯金字塔对齿轮灰度图像进行下采样处理,获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像。
本发明具有如下有益效果:
本发明提供了一种基于计算机视觉的齿轮表面损伤检测方法,该检测方法利用连通图动态***聚类算法对获取的图像进行簇类划分时,通过分析齿轮灰度图像中的像素点在不同尺度层级下周围邻域的灰度分布的一致性,确定每个像素点的八邻域方向上的各个像素点的延展程度,其有助于提高延展程度计算的数值准确性,为后续筛选延展像素点提供数据支持;为了判断延展的有效性,结合齿轮像素点及其对应的各个映射像素点的八邻域方向上的各个像素点的延展程度,分析延展稳定性,确定各个延展像素点,其有助于避免不稳定区域划分到一个区域内影响后续的齿轮损伤检测准确性;将完成延展的区域作为连通节点,有助于表现出损伤区域的结构性分布特征,进一步提高后续构建的连通图中灰度信息分布规律程度,避免后续的齿轮损伤检测存在误差;确定各个连通节点之间的聚类距离更符合整体图像的结构性分布,使其簇类划分更清晰,方便后续的损伤检测。
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为本发明实施例一种基于计算机视觉的齿轮表面损伤检测方法的流程图;
图2为本发明实施例中的同一方向上的各个预设窗口区域的示例图。
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技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例将采集的待检测齿轮表面图像通过连通图动态***聚类算法,进行簇类划分,根据簇类中连通图的图像特征判断待检测齿轮的损伤情况,具体提供了一种基于计算机视觉的齿轮表面损伤检测方法,如图1所示,包括以下步骤:
S1,获取待检测齿轮表面的齿轮灰度图像,进而获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像。
第一步,获取待检测齿轮表面的齿轮灰度图像。
在本实施例中,利用工业摄像头拍摄待检测齿轮表面的图像,拍摄角度可以是正视角度。在获得待检测齿轮表面的图像后,为了便于后续分析图像灰度特征信息检测齿轮损伤,对待检测齿轮表面的图像进行灰度化处理,可以获得齿轮灰度图像。灰度化处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像。
需要说明的是,当齿轮表面不存在损伤时,齿轮图像整体的灰度分布比较均匀,可以通过像素点灰度分布均匀性获得较为稳定的区域;但是,当齿轮表面存在损伤时,齿轮图像整体的灰度分布均匀性被破坏,后续在进行区域划分时可以分析灰度变化分布的相似情况,以灰度变化相似性作为区域划分的条件。
在进行区域划分时,可以通过不同尺度下的图像信息的一致性对划分情况进行修正,以避免由于噪声点或金属本身存在的细小灰度差异导致后续划分区域不稳定,影响齿轮损伤检测的准确性。在对区域的划分情况进行修正之前,需要获取不同尺度的图像。
在本实施例中,设置预设数目个尺度层级,利用高斯金字塔对齿轮灰度图像进行下采样处理,可以获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像。其中,尺度层级可以设置为4,实施者可以根据具体实际设置尺度层级的个数。高斯金字塔的下采样处理过程为现有技术,不在本发明保护范围内,此次不再进行详细阐述。
需要说明的是,为了确保齿轮灰度图像中每个像素点在不同尺度下的图像中均有其对应的映射像素点,以便于后续对像素点与其对应的各个映射像素点之间的灰度变化一致性进行分析,需要对齿轮灰度图像进行下采样处理。
至此,本实施例获得了待检测齿轮表面的齿轮灰度图像和各个下采样图像。
S2,根据齿轮灰度图像和各个下采样图像中每个像素点的灰度值,确定每个像素点的八邻域方向上的各个像素点的延展程度。
需要说明的是,后续在划分区域时需要分析像素点的不同方向上的灰度延展情况,因此,可以基于图像中每个像素点与其周围不同像素点之间的灰度变化情况,分析每个像素点的预设窗口区域与其八邻域方向上像素点的预设窗口区域之间的灰度分布相似情况,确定每个像素点的八邻域方向上的各个像素点被延展的可能性,即延展程度。
在本实施例中,齿轮灰度图像和各个下采样图像均需要确定每个像素点的八邻域方向上的各个像素点的延展程度,而且不同图像对应的延展程度的计算过程相同,以齿轮灰度图像和各个下采样图像中任意一个图像为例,将任意一个图像称为待分析图像,确定待分析图像中每个像素点的八邻域方向上的各个像素点的延展程度,具体实现步骤可以包括:
第一步,以待分析图像中的每个像素点为中心点,构建预设尺寸的窗口区域,将预设尺寸的窗口区域作为预设窗口区域,获得待分析图像中的每个像素点的预设窗口区域。
为了提高灰度变化相似分析的准确性,以每个像素点的局部区域为分析对象。在本实施例中,窗口区域的预设尺寸可以设置为,当然,实施者也可以根据具体实际情况设置窗口区域的尺寸大小。
需要说明的是,对于图像边界附近的像素点,可以通过补零操作确定像素点的预设窗口区域。另外需要说明的是,在采集齿轮表面图像时,图像边界附近的像素点一般为背景区域的像素点,其不会对最终的齿轮损伤检测结果的准确性产生不良影响,故不需要额外过多考虑该部分像素点的灰度信息。
第二步,对于待分析图像中的任意一个像素点,根据像素点和像素点的预设窗口区域中各个邻域像素点的灰度值,确定像素点的各个灰度变化幅值。
在本实施例中,对于预设窗口区域中任意一个邻域像素点,计算像素点和该邻域像素点之间的灰度值差异;确定像素点和该邻域像素点之间的连线与水平方向的夹角,进而计算夹角的余弦值;将灰度值差异与夹角的余弦值的乘积作为像素点的灰度变化幅值。
其中,邻域像素点是预设窗口区域中除中心点以外的其他像素点;灰度值差异可以是两个像素点的灰度值之间的差值绝对值;灰度变化幅值可以表征像素点与该邻域方向上的像素点之间的灰度变化程度,灰度变化幅值越大,灰度变化程度越大。计算灰度变化幅值是为了给后续分析相同方向上的两个窗口区域之间的分布一致程度、量化延展程度,提供数据支持。
第三步,将八邻域方向的任意一个方向作为目标方向,将像素点的目标方向上的像素点作为初始待延展像素点;计算像素点的任意一个灰度变化幅值与任意一个初始待延展像素点的各个灰度变化幅值之间的差异,确定最小差异,将像素点对应的各个最小差异的累加和作为像素点的目标方向上的像素点的延展程度。
在本实施例中,八邻域方向可以包括0度、45度、90度、135度、180度、225度、270度和315度,例如,目标方向可以为45度,获取待分析图像中像素点的45度方向上的所有像素点,作为初始待延展像素点。为了衡量像素点的窗口区域与初始待延展像素点的窗口区域之间的灰度变化相似性,分析由像素点与窗口区域中单个邻域像素点得到的一个灰度变化幅值,与由初始待延展像素点与窗口区域中各个邻域像素点得到的多个灰度变化幅值之间的差异,从而确定像素点的目标方向上的该初始待延展像素点的延展程度。其中,获取最小差异,是为了在极为相似的前提分析同一方向上两个的窗口区域之间的灰度变化相似情况,从而确定同一方向上两个的窗口区域的中心点之间的延展情况。
作为示例,待分析图像中第i个像素点的目标方向上的第s个初始待延展像素点的延展程度的计算公式可以为:
;式中,/>为待分析图像中第i个像素点的目标方向上的第s个初始待延展像素点的延展程度,a为待分析图像中第i个像素点的预设窗口区域内邻域像素点的序号,N为待分析图像中第i个像素点的预设窗口区域内邻域像素点的个数,N可以等于8,min为取最小值函数,为待分析图像中第i个像素点与其预设窗口区域内第a个邻域像素点的连线与水平方向的夹角的余弦值,/>为待分析图像中第i个像素点与其预设窗口区域内第a个邻域像素点之间的灰度差异,/>为待分析图像中第i个像素点的灰度变化幅度,为待分析图像中第i个像素点的目标方向上的第s个初始待延展像素点与其预设窗口区域内第b个邻域像素点的连线与水平方向的夹角的余弦值,/>为待分析图像中第i个像素点的目标方向上的第s个初始待延展像素点与其预设窗口区域内第b个邻域像素点之间的灰度差异,/>为待分析图像中第i个像素点的目标方向上的第s个初始待延展像素点的灰度变化幅度,/>为求绝对值函数,M为待分析图像中第i个像素点的目标方向上的第s个初始待延展像素点的预设窗口区域内邻域像素点的个数。
在延展程度的计算公式中,可以表征目标方向上的灰度变化差异最小时的情况,其用于计算两个预设窗口区域的灰度变化相似情况,同一方向上的各个预设窗口区域的示例图如图2所示,图2中的一个方框代表一个像素点,黑色方框代表像素点与其45度方向上的两个初始待延展像素点;可以表征两个预设窗口区域的灰度分布的一致程度,最小差异的累加值越小,说明两个预设窗口区域的灰度分布的一致性越高。
需要说明的是,参考待分析图像中任意一个像素点在任意一个方向上的任意一个初始待延展像素点的延展程度的计算过程,可以获得待分析图像中每个像素点在八邻域方向上各个像素点的延展程度,此次不再重复进行描述。
至此,本实施例获得了齿轮灰度图像和各个下采样图像中每个像素点在八邻域方向上各个像素点的延展程度,确定延展程度有助于筛选出符合条件的延展像素点。
S3,根据齿轮灰度图像中各个像素点及其在各个下采样图像中的映射像素点的八邻域方向上的各个像素点的延展程度,确定齿轮灰度图像中各个像素点的八邻域方向上的各个延展像素点。
需要说明的是,通过分析齿轮灰度图像中各个像素点在各个下采样图像下的延展程度的稳定性,来量化齿轮灰度图像中各个像素点的八邻域方向上各个像素点的延展评估指标,延展评估指标可以表征像素点的延展有效性,齿轮灰度图像中的像素点与其对应的各个映射像素点之间的延展差异越大,延展一致性越差,齿轮灰度图像中各个像素点的八邻域方向上各个像素点的延展有效性越低,应排除延展有效性较低的像素点作为延展像素点,以避免不稳定区域划分到同一个区域影响后续的齿轮损伤检测结果。
首先,通过高斯金字塔的映射关系将齿轮灰度图像中的各个像素点与不同下采样图像中的各个像素点进行映射匹配,可以获得齿轮灰度图像中的各个像素点在各个下采样图像中的映射像素点,齿轮灰度图像中的像素点在每个下采样图像中均有其对应的唯一的映射像素点,获得齿轮灰度图像中的各个像素点对应的各映射像素点。确定映射像素点的实现过程为现有技术,此次不再进行详细阐述。
其次,为了便于描述分析,将齿轮灰度图像中的任意一个像素点称为齿轮像素点,进而确定齿轮像素点在各个下采样图像中的映射像素点,以确定齿轮像素点的目标方向上的各个延展像素点为例,具体实现步骤可以包括:
第一步,分别统计齿轮像素点的目标方向上初始待延展像素点的个数以及齿轮像素点对应的各个映射像素点的目标方向上初始待延展像素点的个数,确定最小初始待延展像素点个数为延展分析数目;在待分析像素点的目标方向上选取距离待分析像素点最近的初始待延展像素点作为目标待延展像素点,所述目标待延展像素点的数目为所述延展分析数目。
在本实施例中,齿轮像素点及其对应的各个映射像素点的目标待延展像素点的确定过程一致,为了减少不必要的描述,将齿轮像素点或齿轮像素点对应的各个映射像素点作为待分析像素点;确定延展分析数目是为了避免齿轮像素点与其映射像素点在所属图像中的初始待延展像素点数目存在差异的情况,通过确定目标待延展像素点可以实现对齿轮像素点的八邻域方向上的初始待延展像素点进行初步筛选处理,一定程度上降低了后续延展稳定性分析的计算量。选取距离待分析像素点最近的初始待延展像素点,是因为在实现齿轮像素点延展时一般是将像素点与其周围相邻且连接的像素点进行延展。
第二步,计算齿轮像素点的目标方向上各个目标待延展像素点的延展评估指标;根据目标待延展像素点与齿轮像素点的距离按照从小到大顺序,依次判断目标待延展像素点的延展评估指标是否大于预设延展阈值,直至出现延展评估指标不大于预设延展阈值的目标待延展像素点,将当前延展评估指标大于预设延展阈值的目标待延展像素点作为齿轮像素点的目标方向上的延展像素点。
在本实施例中,先判断齿轮像素点的目标方向上距离齿轮像素点最近的第一个目标待延展像素点是否为延展像素点,若第一个目标待延展像素点的延展评估指标大于预设延展阈值,则将第一个目标待延展像素点作为齿轮像素点的目标方向上的延展像素点;然后,判断齿轮像素点的目标方向上距离齿轮像素点最近的第二个目标待延展像素点是否为延展像素点,若第二个目标待延展像素点的延展评估指标大于预设延展阈值,则将第二个目标待延展像素点作为齿轮像素点的目标方向上的延展像素点;不断依次判断目标待延展像素点的延展评估指标是否大于预设延展阈值,直至出现延展评估指标不大于预设延展阈值,停止判断,获得齿轮像素点的目标方向上的各个延展像素点。其中,预设延展阈值可以设置为0.68,实施者可以根据具体实际情况和历史经验值设置预设延展阈值的大小。
需要说明的是,参考齿轮像素点的目标方向上的各个延展像素点的确定过程,可以获得齿轮像素点的八邻域方向上的各个延展像素点。在获得齿轮像素点的八邻域方向上的各个延展像素点后,在齿轮灰度图像中确定下一个齿轮像素点,进而确定下一个齿轮像素点的八邻域方向上的各个延展像素点,不断迭代,直至遍历完齿轮灰度图像中的所有像素点。
值得说明的是,下一个齿轮像素点不能是已经确定了的延展像素点和已经确定延展像素点的齿轮像素点。
其中,计算齿轮像素点的目标方向上各个目标待延展像素点的延展评估指标的步骤可以包括:
对于任意一个目标待延展像素点,计算齿轮像素点的目标方向上目标待延展像素点的延展程度与齿轮像素点对应的各个映射像素点的目标方向上目标待延展像素点的延展程度之间的差异的累加和;对差异的累加和进行反比例的归一化处理,获得齿轮像素点的目标方向上目标待延展像素点的延展评估指标。
作为示例,齿轮像素点的目标方向上第x个目标待延展像素点的延展评估指标的计算公式为:
;式中,/>为齿轮像素点的目标方向上第x个目标待延展像素点的延展评估指标,exp为以自然常数为底的指数函数,x为目标待延展像素点的序号,z为齿轮像素点对应的映射像素点的序号,Z为齿轮像素点对应的映射像素点的个数,/>为齿轮像素点的目标方向上第x个目标待延展像素点的延展程度,/>为齿轮像素点的第z个映射像素点的目标方向上第x个目标待延展像素点的延展程度,/>为求绝对值函数。
至此,本实施例获得了齿轮灰度图像中各个齿轮像素点的八邻域方向上的各个延展像素点,确定延展像素点有助于后续实现齿轮灰度图像的区域划分,将齿轮灰度图像划分成灰度变化相似且稳定的区域,其有助于提高基于区域进行图像聚类的聚类结果的准确性。
S4,将齿轮像素点与其八邻域方向上的各个延展像素点相连通组成的区域作为连通节点,进而获得各个连通节点;确定各个连通节点之间的聚类距离,根据聚类距离构建连通图,进而获得各个最优聚类簇。
第一步,将齿轮像素点与其八邻域方向上的各个延展像素点相连通组成的区域作为连通节点,进而获得各个连通节点。
在本实施例中,连通节点指代齿轮灰度图像中完成延展的延展区域,通过分析像素点在不同的下采样图像下周围邻域的灰度分布的一致性获得了完成延展的各个区域,以完成延展的各个区域为节点数据进行后续的连通图构建,可以在一定程度上体现连通图的结构性变化,避免构建的连通图信息混乱导致后续的簇类划分不清晰,影响后续的齿轮损伤检测。
第二步,确定各个连通节点之间的聚类距离,根据聚类距离构建连通图,进而获得各个最优聚类簇。
第一子步骤,确定各个连通节点之间的聚类距离。
需要说明的是,在进行以区域为节点进行连通图构建时,区域本身会存在一定的范围,区域大小将影响聚类距离的连通真实性,例如,两个相邻的面积较大的区域之间的欧氏距离可能会大于两个不相邻的面积较小的区域的之间的欧氏距离,两个相邻的面积较大的区域的连通性更强但其欧氏距离更大,在进行连通图构建时可能不会将两个相邻的面积较大的区域进行连通。所以,在确定相邻两个连通节点之间的聚类距离时,可以分析其两个节点之间的灰度分布相似情况和其整体的位置信息关系,对两个节点之间的聚类距离进行量化,使获得的聚类距离更符合整体图像的结构性分布特征,促使簇类划分更清晰,方便后续进行齿轮表面损伤检测。
在本实施例中,对于任意两个连通节点,确定两个连通节点之间的聚类距离,具体实现步骤可以包括:
首先,根据两个连通节点中每个像素点与其八邻域像素点的灰度方差,确定两个连通节点的灰度变化程度。
在本实施例中,对于任意一个连通节点,计算连通节点中任意一个像素点与其八邻域像素点的灰度方差与所有像素点与其八邻域像素点的灰度方差的平均值之间的差异,记为灰度方差差异;将连通节点中每个像素点的灰度方差差异的平均值作为连通节点的灰度变化程度。其中,灰度变化程度可以表征连通节点整体的灰度变化情况。
作为示例,第v个连通节点的灰度变化程度的计算公式为:
;式中,/>为第v个连通节点的灰度变化程度,/>为第v个连通节点中像素点的个数,c为第v个连通节点中像素点的序号,/>为第v个连通节点中第c个像素点与其八邻域像素点的灰度方差,/>为第v个连通节点中所有像素点与其八邻域像素点的灰度方差的平均值,/>为第v个连通节点中第c个像素点的灰度方差差异,/>为求绝对值函数。
在灰度变化程度的计算公式中,像素点的灰度方差可以表征像素点与其周围八邻域像素点对应的灰度变化稳定性,灰度方差越小,说明像素点与其周围八邻域像素点构成的区域的灰度变化越稳定;灰度方差差异越大,说明连通节点中灰度变化程度越大,即延展区域的灰度变化程度越大。
其次,根据两个连通节点的中心点的位置确定两个连通节点的中心点之间的距离,确定两个连通节点对应的最大面积值,将两个连通节点的中心点之间的距离与最大面积值的比值作为两个连通节点之间的规整距离。
在本实施例中,先确定两个连通节点的中心点,再通过欧氏距离的计算方式,根据两个连通节点的中心点在齿轮灰度图像中的位置计算两个中心点之间的欧氏距离;确定两个连通节点对应的最大面积值是为了消除区域面积的大小对聚类距离的影响,利用最大面积值对欧氏距离进行修正处理,最大面积值越大,对欧氏距离进行修正程度越大,规整距离越小。其中,连通节点的面积可以是连通节点内像素点的个数。
然后,统计两个连通节点的中心点连线所经过的连通节点个数,对两个连通节点的中心点与中心点连线所经过的连通节点的中心点进行曲线拟合获得拟合曲线,计算拟合曲线上所有像素点的斜率方差,将连通节点个数与斜率方差的乘积作为两个连通节点之间的连通程度。
在本实施例中,利用最小二乘法对两个连通节点的中心点与中心点连线所经过的连通节点的中心点进行曲线拟合,最小二乘法的实现过程为现有技术,不在本发明保护范围内,此次不再进行详细阐述。其中,拟合曲线上各个像素点的横轴为横坐标值,纵轴为纵坐标值。
最后,结合两个连通节点的灰度变化程度、规整距离和连通程度,获得两个连通节点之间的聚类距离。
在本实施例中,第v个连通节点与第个连通节点之间的聚类距离的计算公式可以为:
;式中,/>为第v个连通节点与第/>个连通节点之间的聚类距离,norm为线性归一化函数,/>为第v个连通节点的灰度变化程度,/>为第/>个连通节点的灰度变化程度,/>为求绝对值函数,/>为第v个连通节点的中心点与第/>个连通节点的中心点之间的欧氏距离,/>为第v个连通节点的面积,/>为第/>个连通节点的面积,/>为第v个连通节点与第/>个连通节点对应的最大面积值,/>为第v个连通节点与第/>个连通节点之间的规整距离,/>为第v个连通节点与第/>个连通节点的中心点连线所经过的连通节点个数,/>为两个连通节点的中心点与中心点连线所经过的连通节点的中心点进行曲线拟合获得的拟合曲线上所有像素点的斜率方差。
在聚类距离的计算公式中,越大,说明第v个连通节点与第/>个连通节点之间的灰度分布差异越大,两个连通节点的聚类距离越大;/>可以表征两个连通节点的中心点之间的欧氏距离在最大面积值中占比情况,/>越大,聚类距离越小,其用于克服区域面积过大导致聚类距离存在偏差的情况;/>可以表征第v个连通节点与第/>个连通节点之间的连通性,/>越大,说明连通性越差,聚类距离越大,两个连通节点属于同一个聚类簇的可能性越小,/>可以表征两个连通节点对应的拟合曲线上其他连通节点的中心点分布离散程度,分布离散程度越大,说明两个连通节点之间的连通可信度越差,聚类距离就会越大。
需要说明的是,参考任意两个连通节点之间的聚类距离的计算过程,可以获得所有两两组合的连通节点之间的聚类距离。通过多个角度分析计算获得的聚类距离,可以克服区域为节点数据时聚类距离计算存在偏差的缺陷,提高后续获得的各个最优聚类簇的划分的精准性。当然,也可以采用其他方式确定两个连通节点之间的聚类距离。
第二子步骤,根据聚类距离构建连通图,进而获得各个最优聚类簇。
在本实施例中,根据齿轮灰度图像中所有两两连通节点为一组的聚类距离,可以构建连通图,再根据连通图动态***聚类算法对连通图进行操作,可以获得齿轮灰度图像的聚簇类划分结果,将此时获得的聚类簇划分结果作为最优结果,即获得各个最优聚类簇。连通图动态***聚类算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
至此,本实施例获得了齿轮灰度图像对应的各个最优聚类簇。
S5,根据各个最优聚类簇中连通图的图像特征,判断待检测齿轮表面是否存在损伤缺陷。
在本实施例中,通过分析各个最优聚类簇中连通图的分布情况和灰度变化混乱程度,量化各个最优聚类簇的损伤程度,进而判断待检测齿轮表面是否存在损伤缺陷。
第一步,根据各个最优聚类簇中连通图的灰度方差、周长和面积,确定各个最优聚类簇的损伤程度。
对于任意一个最优聚类簇,计算最优聚类簇中连通图的周长和面积的比值,进而计算比值与灰度方差的乘积,然后将比值与灰度方差的乘积作为第一乘积;对最优聚类簇中连通图的第一乘积进行归一化处理,将归一化处理后的数值作为最优聚类簇的损伤程度。
在本实施例中,参考任意一个最优聚类簇的损伤程度的计算过程,可以获得各个最优聚类簇的损伤程度;损伤程度可以表征最优聚类簇为齿轮磨损情况的概率,损伤程度越大,最优聚类簇为齿轮磨损情况的概率越大;周长和面积的比值越大,说明最优聚类簇中连通图的像素分布越复杂,越有可能是齿轮损伤情况;灰度方差越大,说明最优聚类簇中连通图的灰度变化越混乱,待检测齿轮表面存在损伤缺陷的可能性越大。
第二步,若任意一个最优聚类簇的损伤程度大于预设损伤阈值,则判定待检测齿轮表面存在损伤缺陷,否则,判定待检测齿轮表面不存在损伤缺陷。
在本实施例中,预设损伤阈值可以设置为0.7,实施者可以根据具体实际情况设置损伤阈值,这里不做具体限定。当然,在分析其他待检测齿轮表面的其他拍摄角度的齿轮图像时,同样可以适用于上述正视角度拍摄的待检测齿轮表面的整个损伤检测过程。
至此,本实施例结束。
本发明提供了一种基于计算机视觉的齿轮表面损伤检测方法,该方法在进行节点数据的获取时可以根据获取的像素点分布的一致性和其在不同尺度下划分区域的稳定性将图像划分成不同的区域,以区域作为节点数据进行后续的聚类簇的划分使其划分更清晰,方便对后续的损伤情况进行检查。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于计算机视觉的齿轮表面损伤检测方法,其特征在于,包括以下步骤:
获取待检测齿轮表面的齿轮灰度图像,进而获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像;
根据待分析图像中每个像素点的灰度值,分析每个像素点的预设窗口区域与其八邻域方向上像素点的预设窗口区域之间的灰度分布相似情况,确定每个像素点的八邻域方向上的各个像素点的延展程度;其中,待分析图像为齿轮灰度图像或各个下采样图像;
将齿轮灰度图像中的任意一个像素点作为齿轮像素点,确定齿轮像素点在各个下采样图像中的映射像素点;根据齿轮像素点及其对应的各个映射像素点的八邻域方向上的各个像素点的延展程度,分析延展稳定性,确定齿轮像素点的八邻域方向上的各个延展像素点;
将齿轮像素点与其八邻域方向上的各个延展像素点相连通组成的区域作为连通节点,进而获得各个连通节点;确定各个连通节点之间的聚类距离,根据聚类距离构建连通图,进而获得各个最优聚类簇;
根据各个最优聚类簇中连通图的图像特征,判断待检测齿轮表面是否存在损伤缺陷;
所述根据待分析图像中每个像素点的灰度值,分析每个像素点的预设窗口区域与其八邻域方向上像素点的预设窗口区域之间的灰度分布相似情况,确定每个像素点的八邻域方向上的各个像素点的延展程度,包括:
以待分析图像中的每个像素点为中心点,构建预设尺寸的窗口区域,将预设尺寸的窗口区域作为预设窗口区域,获得待分析图像中的每个像素点的预设窗口区域;
对于待分析图像中的任意一个像素点,根据像素点和像素点的预设窗口区域中各个邻域像素点的灰度值,确定像素点的各个灰度变化幅值;其中,邻域像素点是预设窗口区域中除中心点以外的其他像素点;
将八邻域方向的任意一个方向作为目标方向,将像素点的目标方向上的像素点作为初始待延展像素点;计算像素点的任意一个灰度变化幅值与任意一个初始待延展像素点的各个灰度变化幅值之间的差异,确定最小差异,将像素点对应的各个最小差异的累加和作为像素点的目标方向上的像素点的延展程度;
所述根据齿轮像素点及其对应的各个映射像素点的八邻域方向上的各个像素点的延展程度,分析延展稳定性,确定齿轮像素点的八邻域方向上的各个延展像素点,包括:
分别统计齿轮像素点的目标方向上初始待延展像素点的个数以及齿轮像素点对应的各个映射像素点的目标方向上初始待延展像素点的个数,确定最小初始待延展像素点个数为延展分析数目;在待分析像素点的目标方向上选取距离待分析像素点最近的初始待延展像素点作为目标待延展像素点,所述目标待延展像素点的数目为所述延展分析数目;其中,待分析像素点为齿轮像素点或齿轮像素点对应的各个映射像素点;
计算齿轮像素点的目标方向上各个目标待延展像素点的延展评估指标;根据目标待延展像素点与齿轮像素点的距离按照从小到大顺序,依次判断目标待延展像素点的延展评估指标是否大于预设延展阈值,直至出现延展评估指标不大于预设延展阈值的目标待延展像素点,将当前延展评估指标大于预设延展阈值的目标待延展像素点作为齿轮像素点的目标方向上的延展像素点;
所述计算齿轮像素点的目标方向上各个目标待延展像素点的延展评估指标,包括:
对于任意一个目标待延展像素点,计算齿轮像素点的目标方向上目标待延展像素点的延展程度与齿轮像素点对应的各个映射像素点的目标方向上目标待延展像素点的延展程度之间的差异的累加和;对所述差异的累加和进行反比例的归一化处理,获得齿轮像素点的目标方向上目标待延展像素点的延展评估指标。
2.根据权利要求1所述的一种基于计算机视觉的齿轮表面损伤检测方法,其特征在于,所述根据像素点和像素点的预设窗口区域中各个邻域像素点的灰度值,确定像素点的各个灰度变化幅值,包括:
对于预设窗口区域中任意一个邻域像素点,计算像素点和该邻域像素点之间的灰度值差异;确定像素点和该邻域像素点之间的连线与水平方向的夹角,进而计算夹角的余弦值;将所述灰度值差异与所述夹角的余弦值的乘积作为像素点的灰度变化幅值。
3.根据权利要求1所述的一种基于计算机视觉的齿轮表面损伤检测方法,其特征在于,确定各个连通节点之间的聚类距离,包括:
对于任意两个连通节点,根据两个连通节点中每个像素点与其八邻域像素点的灰度方差,确定两个连通节点的灰度变化程度;
根据两个连通节点的中心点的位置确定两个连通节点的中心点之间的距离,确定两个连通节点对应的最大面积值,将两个连通节点的中心点之间的距离与最大面积值的比值作为两个连通节点之间的规整距离;
统计两个连通节点的中心点连线所经过的连通节点个数,对两个连通节点的中心点与中心点连线所经过的连通节点的中心点进行曲线拟合获得拟合曲线,计算拟合曲线上所有像素点的斜率方差,将所述连通节点个数与所述斜率方差的乘积作为两个连通节点之间的连通程度;
结合两个连通节点的灰度变化程度、规整距离和连通程度,获得两个连通节点之间的聚类距离。
4.根据权利要求3所述的一种基于计算机视觉的齿轮表面损伤检测方法,其特征在于,所述根据两个连通节点中每个像素点与其八邻域像素点的灰度方差,确定两个连通节点的灰度变化程度,包括:
对于任意一个连通节点,计算连通节点中任意一个像素点与其八邻域像素点的灰度方差与所有像素点与其八邻域像素点的灰度方差的平均值之间的差异,记为灰度方差差异;将连通节点中每个像素点的灰度方差差异的平均值作为连通节点的灰度变化程度。
5.根据权利要求1所述的一种基于计算机视觉的齿轮表面损伤检测方法,其特征在于,所述根据各个最优聚类簇中连通图的图像特征,判断待检测齿轮表面是否存在损伤缺陷,包括:
根据各个最优聚类簇中连通图的灰度方差、周长和面积,确定各个最优聚类簇的损伤程度;若任意一个最优聚类簇的损伤程度大于预设损伤阈值,则判定待检测齿轮表面存在损伤缺陷,否则,判定待检测齿轮表面不存在损伤缺陷。
6.根据权利要求5所述的一种基于计算机视觉的齿轮表面损伤检测方法,其特征在于,所述根据各个最优聚类簇中连通图的灰度方差、周长和面积,确定各个最优聚类簇的损伤程度,包括:
对于任意一个最优聚类簇,计算最优聚类簇中连通图的周长和面积的比值,进而计算所述比值与灰度方差的乘积,然后将比值与灰度方差的乘积作为第一乘积;对最优聚类簇中连通图的第一乘积进行归一化处理,将归一化处理后的数值作为最优聚类簇的损伤程度。
7.根据权利要求1所述的一种基于计算机视觉的齿轮表面损伤检测方法,其特征在于,所述获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像,包括:
设置预设数目个尺度层级,利用高斯金字塔对齿轮灰度图像进行下采样处理,获得齿轮灰度图像对应的预设数目个尺度层级的下采样图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199476.6A CN117808796B (zh) | 2024-02-23 | 2024-02-23 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410199476.6A CN117808796B (zh) | 2024-02-23 | 2024-02-23 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808796A CN117808796A (zh) | 2024-04-02 |
CN117808796B true CN117808796B (zh) | 2024-05-28 |
Family
ID=90434750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410199476.6A Active CN117808796B (zh) | 2024-02-23 | 2024-02-23 | 一种基于计算机视觉的齿轮表面损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808796B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037726B (zh) * | 2024-04-12 | 2024-06-04 | 陕西中铁华博实业发展有限公司 | 一种铁路配件缺陷检测方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017072517A (ja) * | 2015-10-08 | 2017-04-13 | 西日本高速道路エンジニアリング四国株式会社 | コンクリートの表面ひび割れの検出方法 |
CN112862760A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
CN114581510A (zh) * | 2022-02-28 | 2022-06-03 | 扬州宝祥节能科技有限公司 | 基于模式识别的卷帘窗阻力点定位方法及人工智能*** |
CN115272304A (zh) * | 2022-09-26 | 2022-11-01 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和*** |
CN115601362A (zh) * | 2022-12-14 | 2023-01-13 | 临沂农业科技职业学院(筹)(Cn) | 一种基于图像处理的焊接质量评估方法 |
CN115829903A (zh) * | 2021-09-16 | 2023-03-21 | 中国科学院微电子研究所 | 一种掩模缺陷检测方法及装置、计算机设备、存储介质 |
CN116503403A (zh) * | 2023-06-27 | 2023-07-28 | 无锡斯达新能源科技股份有限公司 | 基于图像处理的金属切削刀头的缺陷检测方法 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测*** |
CN116934744A (zh) * | 2023-09-14 | 2023-10-24 | 深圳市冠禹半导体有限公司 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
-
2024
- 2024-02-23 CN CN202410199476.6A patent/CN117808796B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017072517A (ja) * | 2015-10-08 | 2017-04-13 | 西日本高速道路エンジニアリング四国株式会社 | コンクリートの表面ひび割れの検出方法 |
CN112862760A (zh) * | 2021-01-19 | 2021-05-28 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
CN115829903A (zh) * | 2021-09-16 | 2023-03-21 | 中国科学院微电子研究所 | 一种掩模缺陷检测方法及装置、计算机设备、存储介质 |
CN114581510A (zh) * | 2022-02-28 | 2022-06-03 | 扬州宝祥节能科技有限公司 | 基于模式识别的卷帘窗阻力点定位方法及人工智能*** |
CN115272304A (zh) * | 2022-09-26 | 2022-11-01 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和*** |
CN115601362A (zh) * | 2022-12-14 | 2023-01-13 | 临沂农业科技职业学院(筹)(Cn) | 一种基于图像处理的焊接质量评估方法 |
CN116503403A (zh) * | 2023-06-27 | 2023-07-28 | 无锡斯达新能源科技股份有限公司 | 基于图像处理的金属切削刀头的缺陷检测方法 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN116934744A (zh) * | 2023-09-14 | 2023-10-24 | 深圳市冠禹半导体有限公司 | 基于机器视觉的mosfet蚀刻缺陷检测方法 |
CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测*** |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
PCB表面缺陷视觉检测及锡膏焊缺陷识别技术研究;陈早早;《中国优秀硕士学位论文全文数据库信息科技辑》;20230115(第1期);第1至86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117808796A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及*** | |
CN117808796B (zh) | 一种基于计算机视觉的齿轮表面损伤检测方法 | |
CN116611748B (zh) | 一种钛合金家具生产质量监控*** | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116309565B (zh) | 基于计算机视觉的高强传送带跑偏检测方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及*** | |
CN116091504A (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及*** | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和*** | |
CN117094916A (zh) | 一种市政桥梁支座视觉检测方法 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
CN117876382A (zh) | 一种汽车轮胎胎面花纹缺陷检测***和方法 | |
CN117237350A (zh) | 一种铸钢件质量实时检测方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115311287A (zh) | 一种共轨喷油器生产异常检测方法 |
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 |