CN107478657A - 基于机器视觉的不锈钢表面缺陷检测方法 - Google Patents
基于机器视觉的不锈钢表面缺陷检测方法 Download PDFInfo
- Publication number
- CN107478657A CN107478657A CN201710469603.XA CN201710469603A CN107478657A CN 107478657 A CN107478657 A CN 107478657A CN 201710469603 A CN201710469603 A CN 201710469603A CN 107478657 A CN107478657 A CN 107478657A
- Authority
- CN
- China
- Prior art keywords
- stainless steel
- image
- defect detection
- dimensional
- steel surface
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 50
- 229910001220 stainless steel Inorganic materials 0.000 title claims abstract description 48
- 239000010935 stainless steel Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title abstract description 11
- 238000007689 inspection Methods 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000002950 deficient Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 abstract description 3
- 238000005096 rolling process Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- -1 scratches Substances 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
- G01N21/8851—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及基于机器视觉的不锈钢表面缺陷检测方法，步骤为：S1.采用CCD工业相机采集待检测不锈钢的表面图像；S2.对采集到的待检测不锈钢表面图像进行基于Blob分析的二维缺陷检测；S3.对采集到的待检测不锈钢表面图像进行基于频域的傅立叶变换的三维缺陷检测；S4.根据二维和三维缺陷检测结果将存在缺陷的不锈钢分离开来。本发明针对二维缺陷，提出一种基于Blob分析的表面缺陷检测算法，针对三维缺陷，提出一种基于频域的傅立叶变换算法，可以有效检出不锈钢产品表面常见缺陷，如划痕、油污、锈痕、气泡、裂纹、杂志、轧痕、辊痕等，而且，本方案检测结果精确、检测效率高。
Description
技术领域
本发明涉及钢铁制造的技术领域，尤其涉及到基于机器视觉的不锈钢表面缺陷检测方法。
背景技术
钢铁的生产和制造是一个影响国家国民经济和工业现代化的十分重要的因素。例如，在日常生活中，不锈钢产品应用于各个方面。所以对不锈钢的质量检测显得尤为重要。
不锈钢表面缺陷通常分为二维缺陷和三维缺陷。传统不锈钢的表面缺陷检测由检测人员通过人眼目测来完成。但是,这种方法存在着很多不足，譬如：1、检测结果容易受检测人员主观因素影响；2、只能用于检测运行速度很慢的不锈钢表面；3、很难检测到小的缺陷。
发明内容
本发明的目的在于克服现有技术的不足，提供一种检测结果精确、检测效率高、能检测到不锈钢表面二维及三维细小缺陷的基于机器视觉的不锈钢表面缺陷检测方法。
为实现上述目的，本发明所提供的技术方案为：方法包括以下步骤：
S1.采用CCD工业相机采集待检测不锈钢的表面图像；
S2.对采集到的待检测不锈钢表面图像进行基于Blob分析的二维缺陷检测；
S3.对采集到的待检测不锈钢表面图像进行基于频域的傅立叶变换的三维缺陷检测；
S4.根据二维和三维缺陷检测结果将存在缺陷的不锈钢分离开来。
进一步地，步骤S2不锈钢表面二维缺陷检测步骤如下：
S21.选定ROI区域：
采用全局阈值法将ROI区域，即不锈钢板区域分割出来，然后提取不锈钢板连通域。设待分割图像为f(x，y),阈值分割后的图像为S(x，y),公式为
其中，T为分割阈值；
S22.图像预处理；
S23.分割图像：
采用改进的双阈值法将预处理后的灰度图进行分割，将图像分割为前景图像(即缺陷区域)和背景图像的像素集合；
设前景图像为p(x,y),阈值分割后的图像为q(x,y),按如下公式进行图像分割：
其中T1和T2为针对不锈钢板成像效果所设置的改进阈值；
S24.提取特征：
对目标区域进行连通区域提取，得出缺陷部分的面积、圆形度、灰度均值参数。
面积计算公式为：
其中，R表示图像区域，m、n表示图像区域有m行n列，f(i，j)表示区域内点(i，j)处的像素值；
圆形度计算公式为：
其中，P表示区域的周长，A表示区域的面积；
灰度均值计算公式为：
其中，L为灰度级总数，zi表示第i个灰度级，h(zi)表示直方图中统计的灰度为zi的像素个数；
进一步地，步骤S3不锈钢表面三维缺陷检测步骤如下：
S31.创建高斯滤波器：
创建两个高斯滤波器,并对高斯滤波后的图像做减法处理；
公式描述为：
O(i，j)＝|I1(i，j)-I2(i，j)|，
其中，O(i，j)为相减后的图像，I1(i，j)，I2(i，j)分别为经高斯滤波后的两图像；
S32.图像预处理：
将RGB三通道图像图转化为灰度图；
设转换后的灰度图为Gray(i，j)，计算公式为：
Gray(i，j)＝0.11*R(i，j)+0.59*G(i，j)+0.3*B(i，j)，
其中，Gray(i，j)为转换后的图像在(i，j)点处的灰度值；
S33.预处理后的图像从空间域转换到频域处理：
将灰度图进行傅立叶变换，从空间域转换到频域处理；
二维傅立叶变换计算公式为：
其中，f(x，y)为空间域图像，F(u，v)为二维傅里叶变换后图像；
S34.对频域图像进行卷积运算：
对图像用一个滤波器在频域进行卷积运算，计算公式为：
其中，g(i，j)为输入图像，h称为相关核，f(i，j)为输出图像；
S35.将频域图像重新转换到空间域处理：
对卷积运算后的图像进行傅立叶反变换，重新转换到空间域处理；
计算公式为：
二维傅立叶反变换计算公式为:
其中，为二维傅里叶反变换后图像，F(u，v)为二维傅里叶图像；
S36.空间域图像分割：
利用改进的双阈值法对步骤S35的反傅里叶变换图像进行分割,提取缺陷区域。
设前景图像为p(x,y),阈值分割后的图像为q(x,y),按如下公式进行图像分割：
其中T1和T2为针对不锈钢板成像效果所设置的改进阈值；
S37.连通域选取。
进一步地，步骤S22图像预处理的具体步骤如下：用灰度变换对选定的ROI区域进行图像预处理,采用掩膜对灰度图进行均值滤波去噪。
本方案原理以及优点如下：
本方案针对二维缺陷，提出一种基于Blob分析的表面缺陷检测算法，针对三维缺陷，提出一种基于频域的傅立叶变换算法，可以有效检出不锈钢产品表面常见缺陷，如划痕、油污、锈痕、凹点、裂纹、杂质、轧痕、辊痕等，而且，本方案检测结果精确、检测效率高。
附图说明
图1为本发明中二维缺陷检测的算法流程图；
图2为本发明中三维缺陷检测的算法流程图；
图3为不锈钢二维缺陷检测效果图；
图4为不锈钢三维缺陷检测效果图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
参见附图1-2所示，本实施例所述的基于机器视觉的不锈钢表面缺陷检测方法，包括以下步骤：
S1.采用CCD工业相机采集待检测不锈钢的表面图像；
S2.对采集到的待检测不锈钢表面图像进行基于Blob分析的二维缺陷检测，步骤如下：
S21.选定ROI区域：
采用全局阈值法将ROI区域，即不锈钢板区域分割出来，然后提取不锈钢板连通域。设待分割图像为f(x，y),阈值分割后的图像为S(x，y),则
其中，T为分割阈值；
S22.图像预处理：
用灰度变换对选定的ROI区域进行图像预处理,采用21*21的掩膜对灰度图进行均值滤波去噪；
S23.分割图像：
采用改进的双阈值法将预处理后的灰度图进行分割，将图像分割为前景图像(即缺陷区域)和背景图像的像素集合；
设前景图像为p(x,y),阈值分割后的图像为q(x,y),按如下公式进行图像分割：
其中T1和T2为针对不锈钢板成像效果所设置的改进阈值；
S24.提取特征：
对目标区域进行连通区域提取，得出缺陷部分的面积、圆形度、灰度均值参数；
面积计算公式为：
其中，R表示图像区域，m、n表示图像区域有m行n列，f(i，j)表示区域内点(i，j)处的像素值；
圆形度计算公式为：
其中，P表示区域的周长，A表示区域的面积；
灰度均值计算公式为：
其中，L为灰度级总数，zi表示第i个灰度级，h(zi)表示直方图中统计的灰度为zi的像素个数；
S3.对采集到的待检测不锈钢表面图像进行基于频域的傅立叶变换的三维缺陷检测，步骤如下：
S31.建高斯滤波器：
创建两个高斯滤波器,并对高斯滤波后的图像做减法处理；
公式描述为：
O(i，j)＝|I1(i，j)-I2(i，j)|，
其中，O(i，j)为相减后的图像，I1(i，j)，I2(i，j)分别为经高斯滤波后的两图像；
S32.图像预处理：
将RGB三通道图像图转化为灰度图；
设转换后的灰度图为Gray(i，j)，则计算公式为：
Gray(i，j)＝0.11*R(i，j)+0.59*G(i，j)+0.3*B(i，j)，
其中，Gray(i，j)为转换后的图像在(i，j)点处的灰度值；
S33.预处理后的图像从空间域转换到频域处理：
将灰度图进行傅立叶变换，从空间域转换到频域处理；
二维傅立叶变换计算公式为：
其中，f(x，y)为空间域图像，F(u，v)为二维傅里叶变换后图像；
S34.对频域图像进行卷积运算：
对图像用一个滤波器在频域进行卷积运算，计算公式为：
其中，g(i，j)为输入图像，h称为相关核，f(i，j)为输出图像；
S35.将频域图像重新转换到空间域处理：
对卷积运算后的图像进行傅立叶反变换，重新转换到空间域处理；
计算公式为：
二维傅立叶反变换计算公式为:
其中，为二维傅里叶反变换后图像，F(u，v)为二维傅里叶图像；
S36.空间域图像分割：
利用改进的双阈值法对步骤S35的反傅里叶变换图像进行分割,提取缺陷区域。
设前景图像为p(x,y),阈值分割后的图像为q(x,y),按如下公式进行图像分割：
其中T1和T2为针对不锈钢板成像效果所设置的改进阈值；
S37.连通域选取；
S4.根据二维和三维缺陷检测结果将存在缺陷的不锈钢分离开来。
本实施例检测结果精确，检测效率高，能检测到不锈钢表面二维及三维细小缺陷，如划痕、油污、锈痕、凹点、裂纹、杂质、轧痕、辊痕等。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (4)
1.基于机器视觉的不锈钢表面缺陷检测方法，其特征在于：包括以下步骤：
S1.采用CCD工业相机采集待检测不锈钢的表面图像；
S2.对采集到的待检测不锈钢表面图像进行基于Blob分析的二维缺陷检测；
S3.对采集到的待检测不锈钢表面图像进行基于频域的傅立叶变换的三维缺陷检测；
S4.根据二维和三维缺陷检测结果将存在缺陷的不锈钢分离开来。
2.据权利要求1所述的基于机器视觉的不锈钢表面缺陷检测方法，其特征在于：所述步骤S2不锈钢表面二维缺陷检测步骤如下：
S21.选定ROI区域；
S22.图像预处理；
S23.分割图像；
S24.提取特征。
3.根据权利要求1所述的基于机器视觉的不锈钢表面缺陷检测方法，其特征在于：所述步骤S3不锈钢表面三维缺陷检测步骤如下：
S31.创建高斯滤波器；
S32.图像预处理；
S33.预处理后的图像从空间域转换到频域处理；
S34.对频域图像进行卷积运算；
S35.将频域图像重新转换到空间域处理；
S36.空间域图像分割；
S37.连通域选取。
4.权利要求2所述的基于机器视觉的不锈钢表面缺陷检测方法，其特征在于：所述步骤S22图像预处理的具体步骤如下：用灰度变换对选定的ROI区域进行图像预处理,采用掩膜对灰度图进行均值滤波去噪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710469603.XA CN107478657A (zh) | 2017-06-20 | 2017-06-20 | 基于机器视觉的不锈钢表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710469603.XA CN107478657A (zh) | 2017-06-20 | 2017-06-20 | 基于机器视觉的不锈钢表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107478657A true CN107478657A (zh) | 2017-12-15 |
Family
ID=60594731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710469603.XA Pending CN107478657A (zh) | 2017-06-20 | 2017-06-20 | 基于机器视觉的不锈钢表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107478657A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108037135A (zh) * | 2018-01-15 | 2018-05-15 | 佛山职业技术学院 | 一种磁环表面缺陷检测装置及方法 |
| CN108181324A (zh) * | 2018-01-05 | 2018-06-19 | 佛山职业技术学院 | 一种基于机器视觉的木板表面检测方法 |
| CN108921861A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器视觉的便携式电脑触摸板边缘检测方法 |
| CN109211919A (zh) * | 2018-09-03 | 2019-01-15 | 珠海格力智能装备有限公司 | 磁瓦崩缺区域的识别方法及装置 |
| CN109636785A (zh) * | 2018-12-07 | 2019-04-16 | 南京埃斯顿机器人工程有限公司 | 一种识别金刚砂颗粒的视觉处理方法 |
| CN109682820A (zh) * | 2018-11-05 | 2019-04-26 | 苏州佳智彩光电科技有限公司 | 一种显示屏的缺陷自动光学检测方法 |
| CN110038859A (zh) * | 2019-05-24 | 2019-07-23 | 苏州贝亚敏光电科技有限公司 | 一种激光清洗设备的清洗路径自动监测方法 |
| CN110111301A (zh) * | 2019-03-21 | 2019-08-09 | 广东工业大学 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
| CN110189290A (zh) * | 2019-04-08 | 2019-08-30 | 广东工业大学 | 基于深度学习的金属表面细微缺陷检测方法及装置 |
| CN110211120A (zh) * | 2019-06-04 | 2019-09-06 | 北京航天宏图信息技术股份有限公司 | 文物的锈蚀程度确定方法、装置以及电子设备 |
| CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
| CN110361395A (zh) * | 2019-08-06 | 2019-10-22 | 天津日博工业技术有限公司 | 一种基于机器视觉的防水透气膜缺陷测试方法及设备 |
| CN110672635A (zh) * | 2019-12-04 | 2020-01-10 | 杭州利珀科技有限公司 | 一种布匹疵点检测装置及实时检测方法 |
| CN110827235A (zh) * | 2019-09-24 | 2020-02-21 | 苏州苏相机器人智能装备有限公司 | 钢板表面缺陷检测方法 |
| CN111028215A (zh) * | 2019-12-06 | 2020-04-17 | 上海大学 | 一种基于机器视觉的检测钢卷端面缺陷方法 |
| CN111340796A (zh) * | 2020-03-10 | 2020-06-26 | 创新奇智(成都)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
| CN112508926A (zh) * | 2020-12-16 | 2021-03-16 | 广州大学 | 金属冲压件表面划痕检测方法、系统、装置和存储介质 |
| CN112686858A (zh) * | 2020-12-29 | 2021-04-20 | 熵智科技(深圳)有限公司 | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 |
| CN113686869A (zh) * | 2021-07-19 | 2021-11-23 | 浙江中新电力工程建设有限公司配电分公司 | 一种绝缘毯微缺陷识别装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288613A (zh) * | 2011-05-11 | 2011-12-21 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
| CN103207183A (zh) * | 2011-12-28 | 2013-07-17 | 株式会社其恩斯 | 外观检查装置和外观检查方法 |
| CN104101601A (zh) * | 2014-06-23 | 2014-10-15 | 深圳市大族激光科技股份有限公司 | 表面缺陷检测装置及方法 |
| CN104198494A (zh) * | 2014-08-18 | 2014-12-10 | 苏州克兰兹电子科技有限公司 | 一种板带材表面缺陷的在线检测系统 |
| CN104792793A (zh) * | 2015-04-28 | 2015-07-22 | 刘凯 | 光学缺陷检测方法和系统 |
| CN104792794A (zh) * | 2015-04-28 | 2015-07-22 | 武汉工程大学 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
-
2017
- 2017-06-20 CN CN201710469603.XA patent/CN107478657A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288613A (zh) * | 2011-05-11 | 2011-12-21 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
| CN103207183A (zh) * | 2011-12-28 | 2013-07-17 | 株式会社其恩斯 | 外观检查装置和外观检查方法 |
| CN104101601A (zh) * | 2014-06-23 | 2014-10-15 | 深圳市大族激光科技股份有限公司 | 表面缺陷检测装置及方法 |
| CN104198494A (zh) * | 2014-08-18 | 2014-12-10 | 苏州克兰兹电子科技有限公司 | 一种板带材表面缺陷的在线检测系统 |
| CN104792793A (zh) * | 2015-04-28 | 2015-07-22 | 刘凯 | 光学缺陷检测方法和系统 |
| CN104792794A (zh) * | 2015-04-28 | 2015-07-22 | 武汉工程大学 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘哲等: "钢板表面缺陷检测与控制系统设计", 《天津市电视技术研究会2015年年会论文集》 * |
| 王震宇: "基于机器视觉钢板表面缺陷检测技术研究", 《计算机与现代化》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181324A (zh) * | 2018-01-05 | 2018-06-19 | 佛山职业技术学院 | 一种基于机器视觉的木板表面检测方法 |
| CN108037135A (zh) * | 2018-01-15 | 2018-05-15 | 佛山职业技术学院 | 一种磁环表面缺陷检测装置及方法 |
| CN108921861A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器视觉的便携式电脑触摸板边缘检测方法 |
| CN109211919B (zh) * | 2018-09-03 | 2021-04-30 | 珠海格力智能装备有限公司 | 磁瓦崩缺区域的识别方法及装置 |
| CN109211919A (zh) * | 2018-09-03 | 2019-01-15 | 珠海格力智能装备有限公司 | 磁瓦崩缺区域的识别方法及装置 |
| CN109682820A (zh) * | 2018-11-05 | 2019-04-26 | 苏州佳智彩光电科技有限公司 | 一种显示屏的缺陷自动光学检测方法 |
| CN109636785A (zh) * | 2018-12-07 | 2019-04-16 | 南京埃斯顿机器人工程有限公司 | 一种识别金刚砂颗粒的视觉处理方法 |
| CN110111301A (zh) * | 2019-03-21 | 2019-08-09 | 广东工业大学 | 基于频域变换的金属氧化表面缺陷视觉检测方法 |
| CN110189290A (zh) * | 2019-04-08 | 2019-08-30 | 广东工业大学 | 基于深度学习的金属表面细微缺陷检测方法及装置 |
| CN110038859A (zh) * | 2019-05-24 | 2019-07-23 | 苏州贝亚敏光电科技有限公司 | 一种激光清洗设备的清洗路径自动监测方法 |
| CN110211120A (zh) * | 2019-06-04 | 2019-09-06 | 北京航天宏图信息技术股份有限公司 | 文物的锈蚀程度确定方法、装置以及电子设备 |
| CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
| CN110223296B (zh) * | 2019-07-08 | 2021-06-11 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
| CN110361395A (zh) * | 2019-08-06 | 2019-10-22 | 天津日博工业技术有限公司 | 一种基于机器视觉的防水透气膜缺陷测试方法及设备 |
| CN110827235A (zh) * | 2019-09-24 | 2020-02-21 | 苏州苏相机器人智能装备有限公司 | 钢板表面缺陷检测方法 |
| CN110827235B (zh) * | 2019-09-24 | 2022-05-10 | 苏州苏相机器人智能装备有限公司 | 钢板表面缺陷检测方法 |
| CN110672635A (zh) * | 2019-12-04 | 2020-01-10 | 杭州利珀科技有限公司 | 一种布匹疵点检测装置及实时检测方法 |
| CN110672635B (zh) * | 2019-12-04 | 2020-04-10 | 杭州利珀科技有限公司 | 一种布匹疵点检测装置及实时检测方法 |
| CN111028215A (zh) * | 2019-12-06 | 2020-04-17 | 上海大学 | 一种基于机器视觉的检测钢卷端面缺陷方法 |
| CN111340796A (zh) * | 2020-03-10 | 2020-06-26 | 创新奇智(成都)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
| CN112508926A (zh) * | 2020-12-16 | 2021-03-16 | 广州大学 | 金属冲压件表面划痕检测方法、系统、装置和存储介质 |
| CN112686858A (zh) * | 2020-12-29 | 2021-04-20 | 熵智科技(深圳)有限公司 | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 |
| CN113686869A (zh) * | 2021-07-19 | 2021-11-23 | 浙江中新电力工程建设有限公司配电分公司 | 一种绝缘毯微缺陷识别装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
| CN112630222B (zh) | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 | |
| CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
| CN108665458B (zh) | 透明体表面缺陷提取及识别方法 | |
| CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
| CN106247969B (zh) | 一种基于机器视觉的工业磁芯元件的形变检测方法 | |
| CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
| CN114881915B (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
| CN107490582B (zh) | 一种流水线工件检测系统 | |
| CN109191421B (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
| CN104134211B (zh) | 一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法 | |
| CN104318556B (zh) | 一种油污干扰下的硅钢板表面缺陷图像检测方法 | |
| WO2017120796A1 (zh) | 路面病害的检测方法及其装置、电子设备 | |
| CN104964980B (zh) | 一种基于机器视觉的火花塞端面缺陷检测方法 | |
| CN114565563B (zh) | 基于人工智能的彩钢板表面异常检测方法 | |
| CN101387493A (zh) | 铁塔构件孔的形位尺寸非接触光电检测方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN112669265B (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
| CN104458766A (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
| CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN104458764B (zh) | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 | |
| CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
| CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171215 |
|
| WD01 | Invention patent application deemed withdrawn after publication |