共查询到18条相似文献,搜索用时 265 毫秒
1.
为了实现在橡胶密封件表面缺陷的自动检测中快速有效地定位裂缝缺陷,根据密封件裂缝缺陷图像的特点,应用自适应阈值分割算法,结合改进的二值形态学并行细化算法,提出了一种橡胶密封件裂缝缺陷的定位方法。该方法可从复杂的密封件图像中分割出裂缝区域,并完成对裂缝缺陷的定位。实验表明,该方法获得的定位结果与实际裂缝位置相符,对于橡胶密封件表面缺陷检测与质量提高具有重要意义。 相似文献
2.
基于机器视觉的发动机表面缺陷检测技术 总被引:1,自引:0,他引:1
发动机表面的缺陷检测是保证其使用安全性的重要手段。本文应用机器视觉技术实现发动机内表面缺陷的自动检测,用内窥镜采集发动机装药内表面的图像,结合图像特点,通过多次实验对比,选择中值滤波方法对图像进行滤波、Canny算子检测图像边缘,应用像素灰度的相似性和不连续性将缺陷从图像背景中分割出来,在此基础上,选取面积和周长特征作为缺陷判断依据,并将以上功能进行整合,设计缺陷自动检测系统。实验结果表明该方法在发动机内表面缺陷检测方面有较好的效果。 相似文献
3.
工业制造中缺陷样本难以获得且缺陷表现形式多样,只用训练正样本的异常检测技术越来越多地被应用于产品表面缺陷检测。异常检测一般通过评估产品图像的异常分数对产品进行有无缺陷的判断,缺乏对缺陷位置的描述,最新提出的异常分割方法对此进行了改进,但对缺陷区域的分割不够精确。基于异常检测方法,使用标准化流来判断产品表面是否有缺陷,采用多尺度特征融合并对齐来初步定位缺陷位置,结合梯度和最大信息熵,使用分水岭算法对初定位结果进行优化得到缺陷分割掩码。在丽盛制板,KolektorSDD 和 AITEX3 个表面缺陷数据集的检测与分割结果均优于其他同类方法。此外,在小样本数据集上也能达到良好的检测与分割精度。 相似文献
4.
提出了一种基于空域同态滤波的钢丝绳表面缺陷检测方法。即研究同态滤波优化算法和统计学自动闻值法,消除钢丝绳图像不均匀光照的影响并分离钢丝绳纹路与背景;提取钢丝绳纹路的纹理特征并使用神经网络分类器进行识别。实验结果表明,该算法能快速、准确完成对钢丝绳表面缺陷的自动检测。 相似文献
5.
6.
以固体推进剂药柱内窥镜图像表面缺陷的自动检测为例,在分析了此类图像特征的基础上,提出了一种利用梯度直方图信息的图像自适应阈值分割算法。通过实例,与原自适应直方图阈值分割算法和固定阈值分割算法相比较,结果表明:该算法采用可动态调整的形态学梯度算子计算梯度直方图,充分利用了图像的边缘信息和缺陷内部灰度分布不均匀的特性,算法简单,适应性广,具有实时准确分割图像的特点。 相似文献
7.
8.
9.
为了实现对金属材料表面缺陷的检测,采用激光超声波可视化检测仪对铝板表面进行检测实验,但在激光超声可视化成像过程中,外界噪声等干扰导致了图像质量下降,造成了缺陷识别能力不足。根据激光超声图像的特点,采用经典滤波算法、图像增强算法对激光超声缺陷图像滤除杂波以及图像噪声,最后通过对比三种图像分割技术,发现利用改进的种子区域生长算法分割结果准确、快速。结果表明,通过图像处理方法可以改善激光超声可视化图像质量,使缺陷信息更突出。 相似文献
10.
晶粒质量影响半导体芯片性能,针对晶粒表面缺陷检测的问题。本文提出了一种新的缺陷检测方法,能有效抑制图像噪声,提高缺陷检测准确性。首先,采用形态学闭合重建方法去除噪声干扰。然后,将重建图像灰度级别作为聚类样本,构建一个基于离差阵的K-means分割算法准则函数,不断更新聚类中心直至准则函数收敛,完成图像分割。最后,提取分割晶粒 轮廓信息,根据轮廓间的差异性,利用轮廓相似度识别缺陷晶粒,对2937张晶粒图像进行处理并测试,结果表明:该方法能有效滤除了图像噪声,更准确更快速地进行图像分割,对良品检测准确率为100%。对三种典型表面缺陷的平均检测准确率为99.92%。 相似文献
11.
12.
针对汽车精密零件质量检测的需求,提出了基于机器视觉的精密零件外观缺陷检测方法,搭建了相应的检测平台。采用小波去噪进行图像预处理,基于Otsu算法改进了Canny算子中的双阈值的选取问题,较好地实现了图像的缺陷分割。利用Hu矩进行缺陷特征提取并通过样本特征训练SVM分类器,实现零件外观缺陷的识别与分类。以汽车转向器内部套筒为试验对象,搭建了检测系统,实验结果表明,该算法可有效实现了零件外观缺陷自动检测。 相似文献
13.
目的 环境干扰及光学元件不稳定等因素往往会造成钢板表面图像照度不均,钢板表面的微小缺陷具有图像灰度不均、对比度低、形态微小等特点,给后续图像分析和缺陷识别带来因难。为此,提出一种钢板表面低对比度微小缺陷图像增强和分割算法,以消除照度不均并突出缺陷信息,从而有效分割缺陷目标。方法 采用小波-同态滤波算法进行图像增强处理,即先利用小波变换对图像进行分解,再基于同态滤波对小波低频系数进行图像灰度修正,同时对高频系数进行高通滤波,然后将处理后的小波低频系数和高频系数进行重构得到增强的图像,从而达到消除照度不均、增强缺陷细节信息的目的。最后利用最大类间方差法(Otsu法)确定自适应阈值提供给Canny算子进行边缘检测。结果 采用本文算法对钢板表面多类型低对比度表面微小缺陷进行研究,有效消除了光照不均;单一的Otsu阈值分割和Canny算子难以有效检测这些缺陷,而本文Otsu-Canny算法的正确检测率达96%。结论 采用小波-同态滤波进行图像增强处理后,再利用Otsu-Canny算法对钢板表面多类型、低对比度的微小缺陷进行边缘检测取得了良好效果。 相似文献
14.
15.
螺栓在很多领域内应用广泛,但在制造和加工过程中可能会出现缺陷问题,螺栓表面缺陷的存在将很大程度影响其使用寿命,并可能造成安全隐患.为了更好地检测螺栓表面缺陷,同时提高检测的速度与精度,应用机器视觉相关技术,针对螺栓表面纹理复杂、具有高频噪声难以检测的问题,提出了基于连通域自定义形状描述子的滤波算法.首先通过图像预处理与局部自适应二值化算法得到需要滤波的图像,再根据自定义的形状描述子对连通域进行高效滤波,最后经过后处理得到螺栓表面的缺陷检测结果.提出的算法能准确检测出高频噪声下的螺栓表面缺陷,并为复杂纹理下基于图像的无损质量检测技术提供了新的思路. 相似文献
16.
针对木条表面死结和活结缺陷在检测过程中定位困难、平均识别精确度较低、检测速度较慢的问题,在分析木结缺陷特点和改进深度学习YOLOv3模型的基础上,研究其应用于改善木结缺陷检测时的精确度和速度。首先,对活结缺陷图像进行数据扩增,以解决类别不平衡问题。然后,改进k-means++算法,提升木结缺陷目标框的维度聚类效果,得到更合适的初始目标框个数与尺寸;通过缩减YOLOv3中多尺度检测网络、改进损失函数,以减少检测时间和提高目标识别精确度。最后,对木结缺陷进行拼接得出位置坐标。试验结果表明,较改进前YOLOv3算法,mAP值提升7.47%,检测速度提高35%;较Faster R-CNN算法mAP值提升11.68%,检测速度提高约15倍,改进后模型能精确地检测出死结和活结缺陷。因此,在后续研究中,可考虑以YOLOv3算法作为检测木结缺陷模型,进一步改进YOLOv3网络,以提高检测实时性和精确度。 相似文献
17.
基于ARM的苹果采后田间分级检测系统设计 总被引:1,自引:0,他引:1
苹果采摘后的及时分类,可以降低储藏、包装、加工等生产成本,对于增加果农的经济收入,提高企业经济效益具有重要的作用。项目研究并开发了一套基于ARM11+Linux架构,以S3C6410为核心处理器、运行精简的Linux内核的苹果采后田间预分级检测系统,克服了传统分级检测系统体积庞大,难以田间实时应用等缺点。该系统利用CMOS图像传感器,基于Linux下的V4L2编程框架,实现苹果图像的实时采集;采用基于Haar-like特性的级联Adaboost目标检测算法,调用OpenCV机器视觉库,完成检测图像中的苹果缺陷和大小识别;并由执行机构完成不同等级苹果的分离操作。系统控制界面采用QT应用程序开发框架和多线程技术,保证了控制按键的快速响应。实验结果表明,一个苹果的平均检测时间为300 ms,对于各级苹果分类的平均精度为93%,与传统苹果检测系统相比,该系统检测速度快,成本低,体积小,适合苹果的田间预分级检验。 相似文献
18.
Recent efforts to create a smart factory have inspired research that analyzes process data collected from Internet of Things (IOT) sensors, to predict product quality in real time. This requires an automatic defect inspection system that quantifies product quality data by detecting and classifying defects in real time. In this study, we propose a vision-based defect inspection system to inspect metal surface defects. In recent years, deep convolutional neural networks (DCNNs) have been used in many manufacturing industries and have demonstrated the excellent performance as a defect classification method. A sufficient amount of training data must be acquired, to ensure high performance using a DCNN. However, owing to the nature of the metal manufacturing industry, it is difficult to obtain enough data because some defects occur rarely. Owing to this imbalanced data problem, the generalization performance of the DCNN-based classification algorithm is lowered. In this study, we propose a new convolutional variational autoencoder (CVAE) and deep CNN-based defect classification algorithm to solve this problem. The CVAE-based data generation technology generates sufficient defect data to train the classification model. A conditional CVAE (CCVAE) is proposed to generate images for each defect type in a single CVAE model. We also propose a classifier based on a DCNN with high generalization performance using data generated from the CCVAE. In order to verify the performance of the proposed method, we performed experiments using defect images obtained from an actual metal production line. The results showed that the proposed method exhibited an excellent performance. 相似文献