[go: up one dir, main page]

CN116818778B - 一种汽车部件快速智能检测方法及系统 - Google Patents

一种汽车部件快速智能检测方法及系统 Download PDF

Info

Publication number
CN116818778B
CN116818778B CN202311114198.1A CN202311114198A CN116818778B CN 116818778 B CN116818778 B CN 116818778B CN 202311114198 A CN202311114198 A CN 202311114198A CN 116818778 B CN116818778 B CN 116818778B
Authority
CN
China
Prior art keywords
detected
standard
curve
contour curve
image
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
Application number
CN202311114198.1A
Other languages
English (en)
Other versions
CN116818778A (zh
Inventor
闻敏
徐灿彬
姜萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingjiang Hengyou Auto Parts Manufacturing Co ltd
Original Assignee
Jingjiang Hengyou Auto Parts Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingjiang Hengyou Auto Parts Manufacturing Co ltd filed Critical Jingjiang Hengyou Auto Parts Manufacturing Co ltd
Priority to CN202311114198.1A priority Critical patent/CN116818778B/zh
Publication of CN116818778A publication Critical patent/CN116818778A/zh
Application granted granted Critical
Publication of CN116818778B publication Critical patent/CN116818778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/0002—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
    • G06T7/12—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
    • G06V10/70—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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G06T2207/10012—Stereo images
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种汽车部件快速智能检测方法及系统，涉及汽车检测技术领域，该汽车部件快速智能检测方法包括以下步骤：分别对待检测汽车部件和标准汽车部件进行扫描，对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线；基于曲线分段相似匹配算法进行曲线相似度计算；将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异大小；对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈。本发明可以快速地对汽车部件进行检测，大大提高了检测效率，可以判断待检测汽车部件是否能够被修复；可以帮助生产线上的工作人员快速判断哪些缺陷可以修复，从而提高生产效率，降低生产成本。

Description

一种汽车部件快速智能检测方法及系统
技术领域
本发明涉及汽车检测技术领域，具体来说，特别涉及一种汽车部件快速智能检测方法及系统。
背景技术
在现代社会，汽车已经成为家庭出行的主要交通工具，其安全性能也受到了广大用户的高度关注。随着汽车工业的发展,人们越来越认识到零部件的性能和质量是决定整车性能和质量的最重要的因素之一。面对市场竞争的加剧和消费者对产品质量的更高期待，制造商和零部件供应商必须尽力减少不合格零部件的出现。这就需要他们采用更加高效和可靠的检测手段来保证汽车零部件的质量。
机器视觉系统的基本特点是提高生产的灵活性和自动化水平。在一些危险的工作环境或人工视觉难以满足要求的地方，常常使用机器视觉来替代人工视觉。随着技术的不断发展，机器视觉在汽车零部件检测方面的应用越来越广泛，用于检测零部件是否存在缺陷。然而，目前，通过机器视觉对汽车部件进行检测时，往往只能对零部件的缺陷进行有效检测，但对一些缺陷来说，很难对缺陷的大小进行精确识别，而对于一些缺陷来说是可以进行修复完成的，若无法识别出可修复的缺陷，则会导致这些存在可修复缺陷的零部件被错误地判定为不合格，从而浪费了修复这些缺陷的机会和成本。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
有鉴于此，针对相关技术中的问题，本发明提供一种汽车部件快速智能检测方法及系统，以解决上述提及的无法识别出可修复的缺陷会导致这些存在可修复缺陷的零部件被错误地判定为不合格，从而浪费了修复这些缺陷的机会和成本的问题。
为了解决上述问题，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种汽车部件快速智能检测方法，该智能检测方法包括以下步骤：
S1、通过3D扫描仪分别对待检测汽车部件和标准汽车部件进行扫描，得到待检测图像和标准图像；
S2、分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线；
S3、基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异；
S4、将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小；
S5、根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈。
优选的，所述分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线包括以下步骤：
S21、分别对待检测图像和标准图像进行图像去噪、图像滤波及图像增强处理；
S22、分别对处理后的待检测图像和标准图像进行边缘检测，并采用折线逼近法对检测的边缘进行拟合；
S23、基于格式塔完形规则中的闭合性分别对待检测图像和标准图像的拟合边缘进行度量，得到边缘间的闭合关系，并通过最小权值最优匹配算法对预设的代价函数进行求解，得到待检测图像和标准图像的闭合轮廓；
S24、采用B样条曲线法分别对待检测图像和标准图像的闭合轮廓进行平滑处理，得到待检测轮廓曲线和标准轮廓曲线。
优选的，所述基于格式塔完形规则中的闭合性分别对待检测图像和标准图像的拟合边缘进行度量，得到边缘间的闭合关系，并通过最小权值最优匹配算法对预设的代价函数进行求解，得到待检测图像和标准图像的闭合轮廓包括以下步骤：
S231、以格式塔完形规则中的闭合性作为判断目标，分别对待检测图像和标准图像的拟合边缘进行度量，判断拟合后的边缘线是否属于同一个轮廓，所述度量方式包括光滑性度量、急转性度量及遮挡引起的缺口度量；
S232、以轮廓中首尾相连的边缘之间属于同一个轮廓的概率最大为目标定义边界代价函数；
S233、利用最小权值最优匹配算法对定义的代价函数进行求解。
优选的，所述基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异包括以下步骤：
S31、在待检测轮廓曲线和标准轮廓曲线中选择一个共同的参考点作为基准点，并分别将待检测轮廓曲线和标准轮廓曲线映射到二维坐标系中；
S32、根据视觉关键点分别对待检测轮廓曲线和标准轮廓曲线进行分段处理；
S33、根据选取的基准点，按照顺时针方向分别对待检测轮廓曲线和标准轮廓曲线上的所有分段进行特征提取，所述特征包括长度和角度；
S34、将每个分段提取的特征数值进行组合形成特征序列；
S35、根据提取的特征序列计算待检测轮廓曲线和标准轮廓曲线的相关性系数；
S36、根据计算得到的相关性系数判断待检测轮廓曲线和标准轮廓曲线是否存在差异。
优选的，所述根据视觉关键点分别对待检测轮廓曲线和标准轮廓曲线进行分段处理包括以下步骤：
S321、分别对待检测轮廓曲线和标准轮廓曲线上的每个点进行顶点域计算；
S322、根据每个点的顶点域，计算该点的曲率值；
S323、根据计算得到的曲率值，选取极大值点作为分段点。
优选的，所述根据提取的特征序列计算待检测轮廓曲线和标准轮廓曲线的相关性系数的计算公式为：
式中，r表示待检测轮廓曲线和标准轮廓曲线的相关性系数；
t f 和k f 分别表示待检测轮廓曲线特征序列和标准轮廓曲线特征序列的第f个分段的特征值；
和/>分别表示待检测轮廓曲线特征序列和标准轮廓曲线特征序列的分段期望值。
优选的，所述将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小包括以下步骤：
S41、根据计算得到的相关性系数确定待检测轮廓曲线和标准轮廓曲线中存在差异的分段；
S42、将待检测轮廓曲线和标准轮廓曲线的差异分段进行分割，得到差异区域；
S43、根据差异区域在二维坐标系中的位置确定差异区域的长度和宽度；
S44、根据差异区域的长度和宽度确定矩形边界；
S45、利用蒙特卡洛方法对差异区域的面积进行计算，得到差异区域的面积大小。
优选的，所述利用蒙特卡洛方法对差异区域的面积进行计算，得到差异区域的面积大小包括以下步骤：
S451、利用均匀随机数发生器在确定的矩形边界内生产随机点；
S452、统计生成的随机点数量和落在差异区域内的数量；
S453、根据差异区域面积计算公式计算差异区域的面积。
优选的，所述根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈包括以下步骤：
S51、将待检测汽车部件与标准汽车部件之间的差异与预设的阈值进行比较判断；
S52、若差异值小于或等于预设的阈值，则表示待检测汽车部件是可修复的，若差异值大于预设的阈值，则表示待检测汽车部件是不可修复的；
S53、将判断的结果反馈至汽车部件检测人员。
根据本发明的另一个方面，提供了一种汽车部件快速智能检测系统，该智能检测系统包括：部件扫描模块、特征提取模块、相似度计算模块、差异计算模块及判断反馈模块；
所述部件扫描模块，用于通过3D扫描仪分别对待检测汽车部件和标准汽车部件进行扫描，得到待检测图像和标准图像；
所述特征提取模块，用于分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线；
所述相似度计算模块，用于基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异；
所述差异计算模块，用于将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小；
所述判断反馈模块，用于根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈。
与现有技术相比，本发明提供了汽车部件快速智能检测方法及系统，具备以下有益效果：
（1）本发明通过使用3D扫描仪和曲线分段相似匹配算法，可以快速地对汽车部件进行检测，大大提高了检测效率，基于曲线分段相似匹配算法的检测方法可以准确地计算待检测轮廓曲线和标准轮廓曲线的相似度，从而提高检测的准确性，通过计算差异的大小，可以判断待检测汽车部件是否能够被修复；可以帮助生产线上的工作人员快速判断哪些缺陷可以修复，从而提高生产效率，降低生产成本。
（2）本发明对待检测图像和标准图像进行去噪、滤波和增强处理，可以提高图像的质量和清晰度，采用边缘检测算法对处理后的图像进行边缘检测，并采用折线逼近法对边缘进行拟合，从而更好地提取出图像的边缘信息，基于格式塔完形规则中的闭合性对拟合边缘进行度量，可以判断拟合后的边缘线是否属于同一个轮廓，从而准确地提取出待检测图像和标准图像的闭合轮廓，通过定义边界代价函数，并利用最小权值最优匹配算法对代价函数进行求解，可以准确地确定待检测图像和标准图像的闭合轮廓之间的对应关系，采用B样条曲线法对闭合轮廓进行平滑处理，可以进一步提高轮廓的精细度和光滑度。
（3）本发明通过计算待检测轮廓曲线和标准轮廓曲线上的每个点的顶点域和曲率值，可以选取极大值点作为分段点，从而提取出关键点，有助于后续相似度计算和差异分析，将待检测轮廓曲线和标准轮廓曲线分为多个段落，使得每个段落内的曲线具有较好的连续性和相似性，可以将曲线的相似度计算和差异分析分解为多个小段的计算，简化问题的复杂度，计算待检测轮廓曲线和标准轮廓曲线的相关性系数；通过相关性系数的计算，可以量化曲线之间的相似度，进一步判断曲线是否存在差异。
（4）本发明根据差异区域在二维坐标系中的位置，确定差异区域的长度和宽度，并利用蒙特卡洛方法对差异区域的面积进行计算，可以量化差异区域的大小，得到一个具体的数值，用于衡量待检测轮廓曲线和标准轮廓曲线之间的差异程度，根据差异区域面积计算公式计算差异区域的面积，蒙特卡洛方法可以通过随机采样的方式来估计差异区域的面积，具有较高的计算效率和准确性，有助于准确计算待检测轮廓曲线和标准轮廓曲线之间的差异大小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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他的附图。在附图中：
图1是根据本发明实施例的汽车部件快速智能检测方法的流程图；
图2是根据本发明实施例的汽车部件快速智能检测系统的原理框图。
图中：
1、部件扫描模块；2、特征提取模块；3、相似度计算模块；4、差异计算模块；5、判断反馈模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。
根据本发明的实施例，提供了一种汽车部件快速智能检测方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种汽车部件快速智能检测方法及系统，该智能检测方法包括以下步骤：
S1、通过3D扫描仪分别对待检测汽车部件和标准汽车部件进行扫描，得到待检测图像和标准图像；
需要说明的是，将待检测的汽车部件和标准的汽车部件放在3D扫描仪的扫描范围内，然后启动扫描仪进行扫描，通过3D扫描仪对待检测的汽车部件和标准的汽车部件进行多角度的扫描。
S2、分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线。
作为优选实施方式，所述分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线包括以下步骤：
S21、分别对待检测图像和标准图像进行图像去噪、图像滤波及图像增强处理。
需要说明的是，图像去噪是指使用各种方法去除图像中的噪声，以提高图像的质量。常见的图像去噪方法包括中值滤波、高斯滤波等。
图像滤波是指使用滤波器对图像进行处理，以去除或强调某些特性。常见的图像滤波方法包括低通滤波（去除高频噪声）、高通滤波（强调边缘和细节）等。
图像增强是指使用各种方法提高图像的视觉效果，或者使图像的某些特性更加明显。常见的图像增强方法包括直方图均衡化、对比度增强等。
S22、分别对处理后的待检测图像和标准图像进行边缘检测，并采用折线逼近法对检测的边缘进行拟合。
具体的，对处理后的待检测图像和标准图像进行边缘检测通常使用Canny边缘检测，主要步骤包括：对图像进行灰度化处理，将彩色图像转换为灰度图像。对灰度图像进行高斯滤波，以减少图像中的噪声。计算图像的梯度和方向，找出图像中的边缘强度和方向。对边缘进行非极大值抑制，只保留局部极大值点，以得到细化的边缘。通过设定高低阈值，进行边缘连接和边缘筛选，得到最终的边缘图像。
使用折线逼近法对检测的边缘进行拟合可以通过以下步骤实现：
获取边缘检测得到的边缘点集。这些边缘点表示了图像中的边缘位置。
对边缘点集进行排序，按照一定的顺序连接这些点，形成一条连续的边缘曲线。
通过设置拟合的线段数量或最大误差阈值，然后对边缘曲线进行折线逼近拟合。
S23、基于格式塔完形规则中的闭合性分别对待检测图像和标准图像的拟合边缘进行度量，得到边缘间的闭合关系，并通过最小权值最优匹配算法对预设的代价函数进行求解，得到待检测图像和标准图像的闭合轮廓。
作为优选实施方式，所述基于格式塔完形规则中的闭合性分别对待检测图像和标准图像的拟合边缘进行度量，得到边缘间的闭合关系，并通过最小权值最优匹配算法对预设的代价函数进行求解，得到待检测图像和标准图像的闭合轮廓包括以下步骤：
S231、以格式塔完形规则中的闭合性作为判断目标，分别对待检测图像和标准图像的拟合边缘进行度量，判断拟合后的边缘线是否属于同一个轮廓，所述度量方式包括光滑性度量、急转性度量及遮挡引起的缺口度量。
需要说明的是，光滑性度量是指使用曲率或曲率变化率等指标来度量边缘线的光滑性。光滑的边缘线通常具有较小的曲率变化。可以计算边缘线上相邻点之间的曲率或曲率变化率，然后对这些数值进行统计分析，比较待检测图像和标准图像的边缘线的光滑性度量值。如果两个图像的度量值相近，则认为拟合后的边缘线具有相似的光滑性。
急转性度量是指使用角度变化或曲率突变等指标来度量边缘线的急转性。急转的边缘线通常具有角度变化较大的特征。可以计算边缘线上相邻点之间的角度变化或曲率突变，然后对这些数值进行统计分析，比较待检测图像和标准图像的边缘线的急转性度量值。如果两个图像的度量值相近，则认为拟合后的边缘线具有相似的急转性。
遮挡引起的缺口度量是指检测边缘线中是否存在缺口，缺口可能是由于目标的遮挡导致的。可以通过计算边缘线的断裂或缺口数量来度量遮挡引起的缺口。对于待检测图像和标准图像的边缘线，统计其断裂或缺口的数量，并进行比较。如果两个图像的度量值相近，则认为拟合后的边缘线具有相似的遮挡缺口。
S232、以轮廓中首尾相连的边缘之间属于同一个轮廓的概率最大为目标定义边界代价函数，所述边界代价函数的计算公式为：
式中，β(A)表示定义的边界代价函数；
A表示闭合轮廓的候选边界；
U表示图像中的像素点；
P(A)表示首尾相连的拟合边缘不属于同一个轮廓的概率之和；
P(e i e j )表示边缘e i 和e j 属于同一闭合轮廓概率；
R(B)表示闭合轮廓的候选边界A所包含的区域；
S(U)表示像素点U的显著值；
S233、利用最小权值最优匹配算法对定义的代价函数进行求解。
需要说明的是，最小权值最优匹配算法，也称为匈牙利算法或Kuhn-Munkres算法，是一种经典的求解最优匹配问题的算法。它的目标是在代价矩阵中找到一组最优匹配，使得总的匹配代价达到最小。
S24、采用B样条曲线法分别对待检测图像和标准图像的闭合轮廓进行平滑处理，得到待检测轮廓曲线和标准轮廓曲线。
需要说明的是，使用B样条曲线法对待检测图像和标准图像的闭合轮廓进行平滑处理具体包括以下步骤：
获取待检测图像和标准图像的闭合轮廓点集。这些点表示了图像中的轮廓位置。
对闭合轮廓点集进行B样条曲线拟合。B样条曲线是一种常用的曲线拟合方法，可以通过控制点和节点向量来定义曲线的形状。
确定B样条曲线的控制点和节点向量。控制点是用于控制曲线形状的点，节点向量是用于定义曲线在参数空间中的分布情况。
使用B样条曲线的拟合算法，对待检测图像和标准图像的闭合轮廓点集进行曲线拟合。拟合过程中，根据控制点和节点向量，计算出拟合后的曲线。
根据需要，调整B样条曲线的平滑程度。B样条曲线的平滑程度可以通过控制点的数量和节点向量的分布来调节。增加控制点的数量或调整节点向量的分布可以增加曲线的平滑程度，得到待检测轮廓曲线和标准轮廓曲线。
S3、基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异。
作为优选实施方式，所述基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异包括以下步骤：
S31、在待检测轮廓曲线和标准轮廓曲线中选择一个共同的参考点作为基准点，并分别将待检测轮廓曲线和标准轮廓曲线映射到二维坐标系中。
需要说明的是，将待检测轮廓曲线和标准轮廓曲线映射到二维坐标系中。可以使用直角坐标系，如果使用直角坐标系，可以将曲线上的每个点的x坐标和y坐标作为映射后的坐标值。这样可以在二维平面上准确地表示曲线的形状。
S32、根据视觉关键点分别对待检测轮廓曲线和标准轮廓曲线进行分段处理；
作为优选实施方式，所述根据视觉关键点分别对待检测轮廓曲线和标准轮廓曲线进行分段处理包括以下步骤：
S321、分别对待检测轮廓曲线和标准轮廓曲线上的每个点进行顶点域计算。
需要说明的是，对待检测轮廓曲线和标准轮廓曲线上的每个点进行遍历，而对于每个点，确定其顶点域。顶点域是指以当前点为中心的一段曲线上的点集，可以用来描述当前点周围的曲线段。具体的可根据预设的半径来定义顶点域的大小。
S322、根据每个点的顶点域，计算该点的曲率值。
需要说明的是，对于待检测轮廓曲线和标准轮廓曲线上的每个点，根据其顶点域获取该点周围的一段曲线上的点集，通过这些点集，可以使用曲率计算公式来计算当前点的曲率值。曲率是指曲线在某一点上的弯曲程度。通过计算每个点的曲率值，可以获得曲线在每个点上的曲率分布情况。这样可以更全面地描述曲线的弯曲程度和形状特征。
S323、根据计算得到的曲率值，选取极大值点作为分段点。
需要说明的是，对于计算得到的曲率值，遍历每个点的曲率值。检查当前点的曲率值与其相邻点的曲率值进行比较。如果当前点的曲率值大于其相邻点的曲率值，那么该点被认为是一个极大值点。将所有被识别为极大值点的点作为分段点。这些分段点将被用来将曲线划分成多个段落，每个段落具有不同的曲率特征。
S33、根据选取的基准点，按照顺时针方向分别对待检测轮廓曲线和标准轮廓曲线上的所有分段进行特征提取，所述特征包括长度和角度。
需要说明的是，长度特征可以通过计算分段上各个相邻点之间的欧几里得距离之和来得到。角度特征可以通过计算分段的起始点和终止点之间的夹角来得到。可以使用反余弦函数或正切函数来计算夹角。
S34、将每个分段提取的特征数值进行组合形成特征序列。
S35、根据提取的特征序列计算待检测轮廓曲线和标准轮廓曲线的相关性系数。
作为优选实施方式，所述根据提取的特征序列计算待检测轮廓曲线和标准轮廓曲线的相关性系数的计算公式为：
式中，r表示待检测轮廓曲线和标准轮廓曲线的相关性系数；
t f 和k f 分别表示待检测轮廓曲线特征序列和标准轮廓曲线特征序列的第f个分段的特征值；
和/>分别表示待检测轮廓曲线特征序列和标准轮廓曲线特征序列的分段期望值。
S36、根据计算得到的相关性系数判断待检测轮廓曲线和标准轮廓曲线是否存在差异。
需要说明的是，相关性系数（如皮尔逊相关系数）能够衡量两个特征向量之间的线性相关性。相关性系数的取值范围为-1到1，其中-1表示完全负相关，1表示完全正相关，0表示无相关性。如果相关性系数为1或-1，则表示待检测轮廓曲线和标准轮廓曲线之间不存在差异，那么带检测汽车部件为合格部件，如果相关性系数接近于1或-1，表示待检测轮廓曲线和标准轮廓曲线之间存在高度线性相关，说明两者之间的差异较小，表示可以进行修复。如果相关性系数接近于0，表示待检测轮廓曲线和标准轮廓曲线之间不存在线性相关，说明两者之间的差异较大，表示难以修复。
S4、将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小。
作为优选实施方式，所述将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小包括以下步骤：
S41、根据计算得到的相关性系数确定待检测轮廓曲线和标准轮廓曲线中存在差异的分段。
S42、将待检测轮廓曲线和标准轮廓曲线的差异分段进行分割，得到差异区域。
S43、根据差异区域在二维坐标系中的位置确定差异区域的长度和宽度。
S44、根据差异区域的长度和宽度确定矩形边界。
S45、利用蒙特卡洛方法对差异区域的面积进行计算，得到差异区域的面积大小。
作为优选实施方式，所述利用蒙特卡洛方法对差异区域的面积进行计算，得到差异区域的面积大小包括以下步骤：
S451、利用均匀随机数发生器在确定的矩形边界内生产随机点。
S452、统计生成的随机点数量和落在差异区域内的数量。
S453、根据差异区域面积计算公式计算差异区域的面积。
需要说明的是，差异区域面积计算公式为：
式中，s表示差异区域的面积；
s full 表示矩形边界的面积；
count表示生成的随机点数量；
in_count表示差异区域内的随机点数量。
S5、根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈。
作为优选实施方式，所述根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈包括以下步骤：
S51、将待检测汽车部件与标准汽车部件之间的差异与预设的阈值进行比较判断。
S52、若差异值小于或等于预设的阈值，则表示待检测汽车部件是可修复的，若差异值大于预设的阈值，则表示待检测汽车部件是不可修复的。
S53、将判断的结果反馈至汽车部件检测人员。
如图2所示，根据本发明的另一个实施例，提供了一种汽车部件快速智能检测系统，该智能检测系统包括：部件扫描模块1、特征提取模块2、相似度计算模块3、差异计算模块4及判断反馈模块5；
所述部件扫描模块1，用于通过3D扫描仪分别对待检测汽车部件和标准汽车部件进行扫描，得到待检测图像和标准图像；
所述特征提取模块2，用于分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线；
所述相似度计算模块3，用于基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异；
所述差异计算模块4，用于将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小；
所述判断反馈模块5，用于根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈。
综上所述，借助于本发明的上述技术方案，本发明通过使用3D扫描仪和曲线分段相似匹配算法，可以快速地对汽车部件进行检测，大大提高了检测效率，基于曲线分段相似匹配算法的检测方法可以准确地计算待检测轮廓曲线和标准轮廓曲线的相似度，从而提高检测的准确性，通过计算差异的大小，可以判断待检测汽车部件是否能够被修复；可以帮助生产线上的工作人员快速判断哪些缺陷可以修复，从而提高生产效率，降低生产成本；本发明对待检测图像和标准图像进行去噪、滤波和增强处理，可以提高图像的质量和清晰度，采用边缘检测算法对处理后的图像进行边缘检测，并采用折线逼近法对边缘进行拟合，从而更好地提取出图像的边缘信息，基于格式塔完形规则中的闭合性对拟合边缘进行度量，可以判断拟合后的边缘线是否属于同一个轮廓，从而准确地提取出待检测图像和标准图像的闭合轮廓，通过定义边界代价函数，并利用最小权值最优匹配算法对代价函数进行求解，可以准确地确定待检测图像和标准图像的闭合轮廓之间的对应关系，采用B样条曲线法对闭合轮廓进行平滑处理，可以进一步提高轮廓的精细度和光滑度；本发明通过计算待检测轮廓曲线和标准轮廓曲线上的每个点的顶点域和曲率值，可以选取极大值点作为分段点，从而提取出关键点，有助于后续相似度计算和差异分析，将待检测轮廓曲线和标准轮廓曲线分为多个段落，使得每个段落内的曲线具有较好的连续性和相似性，可以将曲线的相似度计算和差异分析分解为多个小段的计算，简化问题的复杂度，计算待检测轮廓曲线和标准轮廓曲线的相关性系数；通过相关性系数的计算，可以量化曲线之间的相似度，进一步判断曲线是否存在差异；本发明根据差异区域在二维坐标系中的位置，确定差异区域的长度和宽度，并利用蒙特卡洛方法对差异区域的面积进行计算，可以量化差异区域的大小，得到一个具体的数值，用于衡量待检测轮廓曲线和标准轮廓曲线之间的差异程度，根据差异区域面积计算公式计算差异区域的面积，蒙特卡洛方法可以通过随机采样的方式来估计差异区域的面积，具有较高的计算效率和准确性，有助于准确计算待检测轮廓曲线和标准轮廓曲线之间的差异大小。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种汽车部件快速智能检测方法，其特征在于，该智能检测方法包括以下步骤：
S1、通过3D扫描仪分别对待检测汽车部件和标准汽车部件进行扫描，得到待检测图像和标准图像；
S2、分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线；
S3、基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异；
S4、将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小；
S5、根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈；
所述基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异包括以下步骤：
S31、在待检测轮廓曲线和标准轮廓曲线中选择一个共同的参考点作为基准点，并分别将待检测轮廓曲线和标准轮廓曲线映射到二维坐标系中；
S32、根据视觉关键点分别对待检测轮廓曲线和标准轮廓曲线进行分段处理；
S33、根据选取的基准点，按照顺时针方向分别对待检测轮廓曲线和标准轮廓曲线上的所有分段进行特征提取，所述特征包括长度和角度；
S34、将每个分段提取的特征数值进行组合形成特征序列；
S35、根据提取的特征序列计算待检测轮廓曲线和标准轮廓曲线的相关性系数；
S36、根据计算得到的相关性系数判断待检测轮廓曲线和标准轮廓曲线是否存在差异；
所述根据视觉关键点分别对待检测轮廓曲线和标准轮廓曲线进行分段处理包括以下步骤：
S321、分别对待检测轮廓曲线和标准轮廓曲线上的每个点进行顶点域计算；
S322、根据每个点的顶点域，计算该点的曲率值；
S323、根据计算得到的曲率值，选取极大值点作为分段点；
所述根据提取的特征序列计算待检测轮廓曲线和标准轮廓曲线的相关性系数的计算公式为：；
式中，r表示待检测轮廓曲线和标准轮廓曲线的相关性系数；
t f 和k f 分别表示待检测轮廓曲线特征序列和标准轮廓曲线特征序列的第f个分段的特征值；
和/>分别表示待检测轮廓曲线特征序列和标准轮廓曲线特征序列的分段期望值；
所述将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小包括以下步骤：
S41、根据计算得到的相关性系数确定待检测轮廓曲线和标准轮廓曲线中存在差异的分段；
S42、将待检测轮廓曲线和标准轮廓曲线的差异分段进行分割，得到差异区域；
S43、根据差异区域在二维坐标系中的位置确定差异区域的长度和宽度；
S44、根据差异区域的长度和宽度确定矩形边界；
S45、利用蒙特卡洛方法对差异区域的面积进行计算，得到差异区域的面积大小；
所述利用蒙特卡洛方法对差异区域的面积进行计算，得到差异区域的面积大小包括以下步骤：
S451、利用均匀随机数发生器在确定的矩形边界内生产随机点；
S452、统计生成的随机点数量和落在差异区域内的数量；
S453、根据差异区域面积计算公式计算差异区域的面积；
所述根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈包括以下步骤：
S51、将待检测汽车部件与标准汽车部件之间的差异与预设的阈值进行比较判断；
S52、若差异值小于或等于预设的阈值，则表示待检测汽车部件是可修复的，若差异值大于预设的阈值，则表示待检测汽车部件是不可修复的；
S53、将判断的结果反馈至汽车部件检测人员。
2.根据权利要求1所述的一种汽车部件快速智能检测方法，其特征在于，所述分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线包括以下步骤：
S21、分别对待检测图像和标准图像进行图像去噪、图像滤波及图像增强处理；
S22、分别对处理后的待检测图像和标准图像进行边缘检测，并采用折线逼近法对检测的边缘进行拟合；
S23、基于格式塔完形规则中的闭合性分别对待检测图像和标准图像的拟合边缘进行度量，得到边缘间的闭合关系，并通过最小权值最优匹配算法对预设的代价函数进行求解，得到待检测图像和标准图像的闭合轮廓；
S24、采用B样条曲线法分别对待检测图像和标准图像的闭合轮廓进行平滑处理，得到待检测轮廓曲线和标准轮廓曲线。
3.根据权利要求2所述的一种汽车部件快速智能检测方法，其特征在于，所述基于格式塔完形规则中的闭合性分别对待检测图像和标准图像的拟合边缘进行度量，得到边缘间的闭合关系，并通过最小权值最优匹配算法对预设的代价函数进行求解，得到待检测图像和标准图像的闭合轮廓包括以下步骤：
S231、以格式塔完形规则中的闭合性作为判断目标，分别对待检测图像和标准图像的拟合边缘进行度量，判断拟合后的边缘线是否属于同一个轮廓，所述度量方式包括光滑性度量、急转性度量及遮挡引起的缺口度量；
S232、以轮廓中首尾相连的边缘之间属于同一个轮廓的概率最大为目标定义边界代价函数；
S233、利用最小权值最优匹配算法对定义的代价函数进行求解。
4.一种汽车部件快速智能检测系统，其特征在于，用于实现权利要求1-3中任一项所述的汽车部件快速智能检测方法，该智能检测系统包括：部件扫描模块、特征提取模块、相似度计算模块、差异计算模块及判断反馈模块；
所述部件扫描模块，用于通过3D扫描仪分别对待检测汽车部件和标准汽车部件进行扫描，得到待检测图像和标准图像；
所述特征提取模块，用于分别对得到的待检测图像和标准图像进行预处理和轮廓提取，得到待检测轮廓曲线和标准轮廓曲线；
所述相似度计算模块，用于基于曲线分段相似匹配算法对待检测轮廓曲线和标准轮廓曲线进行曲线相似度计算，并确定待检测轮廓曲线和标准轮廓曲线存在的差异；
所述差异计算模块，用于将待检测轮廓曲线和标准轮廓曲线之间存在的差异分割处理，并计算差异的大小；
所述判断反馈模块，用于根据差异的大小对待检测汽车部件能否被修复进行判断，并将判断结果进行反馈。
CN202311114198.1A 2023-08-31 2023-08-31 一种汽车部件快速智能检测方法及系统 Active CN116818778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311114198.1A CN116818778B (zh) 2023-08-31 2023-08-31 一种汽车部件快速智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311114198.1A CN116818778B (zh) 2023-08-31 2023-08-31 一种汽车部件快速智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN116818778A CN116818778A (zh) 2023-09-29
CN116818778B true CN116818778B (zh) 2023-11-10

Family

ID=88139620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311114198.1A Active CN116818778B (zh) 2023-08-31 2023-08-31 一种汽车部件快速智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN116818778B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118442938B (zh) * 2024-04-29 2024-10-18 东莞市凯誉塑胶模具有限公司 一种汽车配件塑胶模具快速匹配成型控制方法及系统
CN118559426A (zh) * 2024-05-27 2024-08-30 台州市东部数控设备有限公司 一种多轴复合加工机床
CN118967560A (zh) * 2024-07-11 2024-11-15 深圳常合通科技有限公司 一种叉车安全监控方法及系统
CN118781101B (zh) * 2024-09-06 2024-11-22 武汉瑞普汽车部件有限公司 基于轮廓感知的车门总成焊接缺陷检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108496124A (zh) * 2015-11-09 2018-09-04 艾天诚工程技术系统股份有限公司 表面缺陷的自动检测和机器人辅助加工
CN111415376A (zh) * 2020-02-27 2020-07-14 湖南大学 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法
CN111415378A (zh) * 2020-02-27 2020-07-14 湖南大学 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法
CN113554649A (zh) * 2021-09-22 2021-10-26 中科慧远视觉技术(北京)有限公司 一种缺陷检测方法、装置、计算机设备及存储介质
CN115063429A (zh) * 2022-08-18 2022-09-16 山东安德机械科技有限公司 一种用于机械配件的质量检测方法
CN116075855A (zh) * 2020-08-19 2023-05-05 3M创新有限公司 机器人修复控制系统和方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170147990A1 (en) * 2015-11-23 2017-05-25 CSI Holdings I LLC Vehicle transactions using objective vehicle data
US20190238796A1 (en) * 2017-05-11 2019-08-01 Jacob Nathaniel Allen Object Inspection System And Method For Inspecting An Object

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108496124A (zh) * 2015-11-09 2018-09-04 艾天诚工程技术系统股份有限公司 表面缺陷的自动检测和机器人辅助加工
CN111415376A (zh) * 2020-02-27 2020-07-14 湖南大学 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法
CN111415378A (zh) * 2020-02-27 2020-07-14 湖南大学 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法
CN116075855A (zh) * 2020-08-19 2023-05-05 3M创新有限公司 机器人修复控制系统和方法
CN113554649A (zh) * 2021-09-22 2021-10-26 中科慧远视觉技术(北京)有限公司 一种缺陷检测方法、装置、计算机设备及存储介质
CN115063429A (zh) * 2022-08-18 2022-09-16 山东安德机械科技有限公司 一种用于机械配件的质量检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于HALCON的汽车涂胶质量检测方法研究;刘克平;乔宇;李岩;张振国;杨宏韬;;组合机床与自动化加工技术(06);全文 *

Also Published As

Publication number Publication date
CN116818778A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN116818778B (zh) 一种汽车部件快速智能检测方法及系统
Fujita et al. A robust automatic crack detection method from noisy concrete surfaces
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN109035195B (zh) 一种织物疵点检测方法
JP5852919B2 (ja) ひび割れ検出方法
CN116168026A (zh) 基于计算机视觉的水质检测方法及系统
CN108389216B (zh) 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法
CN117372432B (zh) 基于图像分割的电子烟表面缺陷检测方法及系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
Halder et al. Edge detection: A statistical approach
CN110427979A (zh) 基于K-Means聚类算法的道路水坑识别方法
CN109781737A (zh) 一种软管表面缺陷的检测方法及其检测系统
CN114581805A (zh) 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法
CN117557565A (zh) 一种锂电池极片的检测方法及其装置
CN112508913A (zh) 基于图像检测的电缆截面边沿检测方法
CN116071692A (zh) 一种基于形态学图像处理的水尺水位识别方法及系统
CN118848670B (zh) 一种基于深度学习的数控机床刀具磨损监测方法
Muravyov et al. Weld defects automatic visual recognition by combined application of canny edge detector and interval fusion with preference aggregation
CN109426770B (zh) 虹膜识别方法
Chong et al. Fabric Defect Detection Method Based on Projection Location and Superpixel Segmentation
Yan et al. Robust defect detection on 3d textured low-contrast surfaces using accumulated aggregation shifting model
Adu-Gyamfi et al. Performance assessment of flexible pavements using active contour models
CN115018785B (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN117593301B (zh) 基于机器视觉的内存条损伤快速检测方法及系统
CN117474910B (zh) 一种用于电机质量的视觉检测方法

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