CN109584212B - 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 - Google Patents
一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 Download PDFInfo
- Publication number
- CN109584212B CN109584212B CN201811307349.4A CN201811307349A CN109584212B CN 109584212 B CN109584212 B CN 109584212B CN 201811307349 A CN201811307349 A CN 201811307349A CN 109584212 B CN109584212 B CN 109584212B
- Authority
- CN
- China
- Prior art keywords
- image
- matlab
- slm
- edge
- powder bed
- 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
- 239000000843 powder Substances 0.000 title claims abstract description 57
- 230000007547 defect Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010410 dusting Methods 0.000 claims 3
- 238000000227 grinding Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000002844 melting Methods 0.000 abstract description 4
- 230000008018 melting Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010146 3D printing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Images
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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—Color image
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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于选择性激光熔融配套相关图像检测技术领域，并公开了一种基于MATLAB的SLM粉床铺粉图像划痕缺陷检测方法，其包括：采集SLM粉床铺粉的彩色图像，将其导入至MATLAB系统中作为检测图像，并基于此MATLAB系统对各检测图像进行灰度化、灰度扩展、锐化滤波和平滑滤波等一系列预处理；继续使用MATLAB系统中的canny算子执行图像边缘检测和Hough变换，由此识别检测出最终的划痕缺陷同时给予位置标注。通过本发明，可充分发挥MATLAB系统封装库的功能，高效快捷达到自动识别的目标，而且整个过程便于操控、识别率高，同时具备鲁棒性好和适应性好等优点。
Description
技术领域
本发明属于选择性激光熔融(Selective Laser Melting，SLM)配套相关图像检测技术领域，更具体地，涉及一种基于MATLAB的SLM粉床铺粉图像划痕缺陷检测方法，其能较好地适用于SLM技术的应用场合及工艺特征，并针对性提供了适用于其铺粉图像划痕缺陷的准确及快捷识别方案。
背景技术
自20世纪末期3D打印技术发明以来，3D打印正迅速渗透到各个工业领域。由于选择性激光熔融(Selective Laser Melting，SLM)的制件具有尺寸小、精度高以及表面粗糙度低等特点，其在制造复杂结构的金属零部件方面具有得天独厚的优势，因而在金属增材制造领域有着相当重要的地位，并且获得了越来越广泛的多领域应用。
但SLM在其工艺方面仍有一些重要的技术问题有待优化。例如，由于SLM为粉末激光熔融成型，因此SLM粉床是否存在铺粉缺陷，会直接对制件的性能产生很大的影响。在此情况下，考虑到金属制件SLM制造时间较长，若能够快速识别SLM粉床上的粉末铺层缺陷状态，就意味着可以尽可能快速地终止或适时调整SLM工艺过程，降低失误成本，对3D打印行业的发展有着十分重要的意义。检索发现，现有技术中尚缺乏针对SLM工艺、尤其是结合其粉床铺粉图像的划痕缺陷开展准确高效识别的方案。相应地，本领域亟需寻找针对性的解决方案，以便更好地满足实际生产实践中面临的以上技术需求。
发明内容
针对现有技术的以上不足或改进需求，本发明提供了一种基于MATLAB的SLM粉床铺粉图像划痕缺陷检测方法，其中通过结合SLM工艺实况及其铺粉图像自身的数据特点，引入MATLAB系统通过机器替代人眼进行划痕缺陷的检测识别，并且进一步从多种算法中筛选适当的图像预处理、图像分割和边缘检测方式执行具体操作，相应不仅可充分发挥MATLAB系统封装库的功能，高效快捷达到自动识别的目标，而且整个过程便于操控、识别率高，同时具备鲁棒性好的特征，可针对不同图片自动选取适合的阈值，因而尤其适用于各类SLM制造过程中需要对粉床铺粉图像线状划痕类缺陷执行高效率高精度检测的应用场合。
为实现上述目的，按照本发明，提供了一种基于MATLAB的SLM粉床铺粉图像划痕缺陷检测方法，其特征在于，该方法包括下列步骤：
(a)图像预处理步骤
采集多个SLM粉床铺粉的彩色图像，将其导入至MATLAB系统中作为检测图像，并基于此MATLAB系统对各检测图像进行预处理，该过程包括如下操作：首先使用MATLAB系统将检测图像进行二值化和灰度化处理，由此获得对应的灰度图像；接着，根据灰度分布直方图来判定像素集中的区域，并直接调用系统工具箱中的imadjust函数对其灰度范围进行扩展，由此获得更为清晰的灰度图像；接着，依次对灰度图像执行锐化滤波和平滑滤波，然后输出预处理完毕的图像；
(b)缺陷获取步骤
将步骤(a)预处理后的SLM粉床铺粉图像与SLM制件的当前位置截面图进行差分处理，并且筛选提取图像中疑似划痕的细长特征区域，由此获取初步反映划痕缺陷分布的信息；
(c)边缘检测及缺陷识别步骤
针对步骤(b)所提取的细长特征区域，使用MATLAB系统中的canny算子执行图像边缘检测，由此更为精准地确定图像中疑似划痕的边缘位置；该图像边缘检测的过程优选包括如下操作：首先在canny算子的阈值选区中设定双阈值，并将低于低阈值的点视为非边缘点，高于高阈值的点视为边缘点；与此同时，将处于边缘点与非边缘点二者之间的点通过边缘的连通性来判断：若其相邻有边缘点，则视为边缘点；若为孤立点，则视为非边缘点；
接着，继续使用MATLAB系统中的Hough变换，使得被确定为划痕缺陷的细长特征区域被标识出来，从而完成整体的SLM粉床铺粉图像划痕缺陷识别过程。
作为进一步优选地，在步骤(a)中，优选使用MATLAB系统中的拉普拉斯滤波器自动选择滤波因子，由此执行对应的锐化滤波操作。
作为进一步优选地，在步骤(a)中，优选使用MATLAB系统中的维纳滤波器自动选择滤波窗口，由此执行对应的平滑滤波操作。
作为进一步优选地，在步骤(a)中，采集SLM粉床铺粉的彩色图像的操作优选依照以下方式执行：保持光线等外部因素条件不变，然后使用CDD图像获取设备对图像进行采集。
作为进一步优选地，在步骤(b)中，优选采用形态学方法，筛选提取图像中疑似划痕的细长特征区域，由此更为精准地获取反映划痕部分的区域信息。
作为进一步优选地，在步骤(c)中，所述图像边缘检测的过程优选包括如下操作：首先在canny算子的阈值选区中设定双阈值，并将低于低阈值的点视为非边缘点，高于高阈值的点视为边缘点；与此同时，将处于边缘点与非边缘点二者之间的点通过边缘的连通性来判断：若其相邻有边缘点，则视为边缘点；若为孤立点，则视为非边缘点。
作为进一步优选地，在步骤(c)之后，当识别检测出最终的划痕缺陷后，优选还配备有相应的监控警报系统，由此实现铺粉缺陷的实时预警。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，针对目前没有较完善的方法通过机器识别SLM粉床划痕缺陷的技术事实，针对性引入MATLAB系统来实现高效率高精度的SLM粉床划痕缺陷的自动识别；特别是，本发明还从MATLAB系统中丰富的封装库函数中，结合SLM粉床划痕自身的特征来对其图像预处理的具体操作算法进行了专门的选择设计，同时对后续的图像边缘检测等操作进行了针对性改进；较多的实际测试结果表明，以上工艺过程不仅能达到很高的识别率，而且鲁棒性好，可以针对不同的SLM粉床图像选取适合的阈值执行算法处理，因而还能够在整体算法的效率与最终可获得的检测精度之间取得很好的平衡，并具备便于操控和计算处理的优点。
附图说明
图1是按照本发明优选实施方式所构建的SLM粉床铺粉图像划痕缺陷检测方法的整体工艺流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是按照本发明优选实施方式所构建的SLM粉床铺粉图像划痕缺陷检测方法的整体工艺流程示意图。如图1中所示，该工艺主要包括下列流程步骤：
步骤一，图像预处理步骤。
采集多个SLM粉床铺粉的彩色图像，将其导入至MATLAB系统中作为检测图像，并基于此MATLAB系统对各检测图像进行预处理。作为本发明的基础关键改进所在，即在于引入MATLAB系统来作为SLM粉床铺粉图像的检测平台，并凭借其丰富的封装库函数来实现符合本特定应用场合需求的多项功能。
具体而言，该图像预处理过程包括如下操作：首先使用MATLAB系统将检测图像进行二值化和灰度化处理，由此获得对应的灰度图像；接着，根据灰度分布直方图来判定像素集中的区域，并直接调用系统工具箱中的imadjust函数对其灰度范围进行扩展，由此获得更为清晰的灰度图像。此外，依次对灰度图像执行锐化滤波和平滑滤波，然后输出预处理完毕的图像。作为优选的具体操作方式，可以使用MATLAB系统中的拉普拉斯滤波器自动选择滤波因子，由此执行对应的锐化滤波操作；同时使用MATLAB系统中的维纳滤波器自动选择滤波窗口，由此执行对应的平滑滤波操作。
作为本发明的关键改进之一，本发明结合应用对象的特征及需求对上述灰度扩展、锐化滤波和平滑滤波的具体处置方式进行了针对性选择。通过调用系统工具箱中的imadjust函数来扩展灰度图像，这样不仅更为方便快捷，更重要的是能够针对感兴趣的部分扩大其灰度范围，相应使得SLM分层铺粉图像缺陷部分更加突出容易分辨。此外，之所以先使用拉普拉斯锐化滤波再进行维纳平滑滤波的具体操作，是因为SLM图像整体噪声并不明显，先使用平滑滤波会使原图像变得模糊，抹除了缺陷的特征，再锐化之后对边缘的突出效果并不很好，不利于后续处理。而先使用锐化滤波后，缺陷的特征变得明显，再进行平滑滤波后抹除由于锐化滤波产生的噪点，综合处理效果更好。
步骤二，缺陷获取步骤
接着，将预处理后的SLM粉床铺粉图像与SLM制件的当前位置截面图进行差分处理，由此获取反映SLM粉床铺粉缺陷分布的图像。在此过程中，优选可采用形态学方法对图像中类似划痕的细长特征区域进行筛选提取，从而更好获取划痕区域。
步骤三，边缘检测及缺陷识别步骤。
作为本发明的另一关键改进，针对前面所提取的细长特征区域，优选使用MATLAB系统中的canny算子执行图像边缘检测，该过程具体如下：譬如可采取OTSU算法或其他方式，首先在canny算子的阈值选区中设定双阈值，并将低于低阈值的点视为非边缘点，高于高阈值的点视为边缘点；与此同时，将处于二者之间的点通过边缘的连通性来判断：若其相邻有边缘点，则视为边缘点；若为孤立点，则视为非边缘点。以此方式，实际测试表明能够更为全面、精确地获得最终的边缘检测操作，进而得到所需的SLM粉床铺粉图像划痕缺陷检测结果，以此方式来初步确定图像中的线状划痕。
接着，继续使用MATLAB系统中的Hough变换，使得最终被确定为划痕的细长线状特征区域被标识出来，从而识别检测出最终的划痕缺陷同时给予位置标注。
综上，按照本发明的检测方法能够较好地解决现有技术中不能较完善地通过机器识别SLM粉床划痕缺陷的问题，同时具备识别率高、操作方便快捷和鲁棒性好等优点，因而尤其适用于各类SLM制造过程中的粉床铺粉图像执行高效高精度检测的应用场合。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于MATLAB的SLM粉床铺粉图像划痕缺陷检测方法，其特征在于，该方法包括下列步骤：
(a)图像预处理步骤
采集多个SLM粉床铺粉的彩色图像，将其导入至MATLAB系统中作为检测图像，并基于此MATLAB系统对各检测图像进行预处理，该过程包括如下操作：首先使用MATLAB系统将检测图像进行二值化和灰度化处理，由此获得对应的灰度图像；接着，根据灰度分布直方图来判定像素集中的区域，并直接调用系统工具箱中的imadjust函数对其灰度范围进行扩展，由此获得更为清晰的灰度图像；接着，依次对灰度图像执行锐化滤波和平滑滤波，然后输出预处理完毕的图像；
(b)缺陷获取步骤
将步骤(a)预处理后的SLM粉床铺粉图像与SLM制件的当前位置截面图进行差分处理，并且筛选提取图像中疑似划痕的细长特征区域，由此获取初步反映划痕缺陷分布的信息；
(c)边缘检测及缺陷识别步骤
针对步骤(b)所提取的细长特征区域，使用MATLAB系统中的canny算子执行图像边缘检测，由此更为精准地确定图像中疑似划痕的边缘位置；该图像边缘检测的过程包括如下操作：首先在canny算子的阈值选区中设定双阈值，并将低于低阈值的点视为非边缘点，高于高阈值的点视为边缘点；与此同时，将处于边缘点与非边缘点二者之间的点通过边缘的连通性来判断：若其相邻有边缘点，则视为边缘点；若为孤立点，则视为非边缘点；
接着，继续使用MATLAB系统中的Hough变换，使得被确定为划痕缺陷的细长特征区域被标识出来，从而完成整体的SLM粉床铺粉图像划痕缺陷识别过程。
2.如权利要求1所述的SLM粉床铺粉图像划痕缺陷检测方法，其特征在于，在步骤(a)中，使用MATLAB系统中的拉普拉斯滤波器自动选择滤波因子，由此执行对应的锐化滤波操作。
3.如权利要求1或2所述的SLM粉床铺粉图像划痕缺陷检测方法，其特征在于，在步骤(a)中，使用MATLAB系统中的维纳滤波器自动选择滤波窗口，由此执行对应的平滑滤波操作。
4.如权利要求1-3任意一项所述的SLM粉床铺粉图像划痕缺陷检测方法，其特征在于，在步骤(c)之后，当识别检测出最终的划痕缺陷后，还配备有相应的监控警报系统，由此实现铺粉缺陷的实时预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811307349.4A CN109584212B (zh) | 2018-11-05 | 2018-11-05 | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811307349.4A CN109584212B (zh) | 2018-11-05 | 2018-11-05 | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109584212A CN109584212A (zh) | 2019-04-05 |
| CN109584212B true CN109584212B (zh) | 2022-04-26 |
Family
ID=65921399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811307349.4A Active CN109584212B (zh) | 2018-11-05 | 2018-11-05 | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109584212B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114199893A (zh) * | 2021-12-10 | 2022-03-18 | 北京航空航天大学 | 一种slm铺粉过程缺陷识别与熔池状态实时监测装置及方法 |
| CN116703898B (zh) * | 2023-08-03 | 2023-10-20 | 山东优奭趸泵业科技有限公司 | 一种精密机械轴承端面的质量检测方法 |
| CN118379290B (zh) * | 2024-06-24 | 2024-08-27 | 山东聚宁机械有限公司 | 基于机器视觉的平地机弧形刀片表面平整性识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101865859A (zh) * | 2009-04-17 | 2010-10-20 | 华为技术有限公司 | 一种图像划痕的检测方法及装置 |
| CN103175844A (zh) * | 2012-03-16 | 2013-06-26 | 沈阳理工大学 | 一种金属零部件表面划痕缺陷检测方法 |
| CN105388162A (zh) * | 2015-10-28 | 2016-03-09 | 镇江苏仪德科技有限公司 | 基于机器视觉的原料硅片表面划痕检测方法 |
| CN105891228A (zh) * | 2016-06-07 | 2016-08-24 | 江南工业集团有限公司 | 基于机器视觉的光纤外观缺陷检测及外径测量装置 |
| EP3095591A1 (de) * | 2015-05-19 | 2016-11-23 | MTU Aero Engines GmbH | Verfahren und vorrichtung zum zumindest bereichsweisen ermitteln einer kontur wenigstens einer generativ hergestellten bauteilschicht |
| CN107153067A (zh) * | 2017-05-30 | 2017-09-12 | 镇江苏仪德科技有限公司 | 一种基于matlab的零件表面缺陷检测方法 |
| CN107402220A (zh) * | 2017-07-01 | 2017-11-28 | 华中科技大学 | 一种激光选区熔化成形铺粉质量视觉在线检测方法及系统 |
| CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
| CN108665458A (zh) * | 2018-05-17 | 2018-10-16 | 杭州智谷精工有限公司 | 透明体表面缺陷提取及识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10402671B2 (en) * | 2016-03-28 | 2019-09-03 | General Dynamics Mission Systems, Inc. | System and methods for automatic solar panel recognition and defect detection using infrared imaging |
-
2018
- 2018-11-05 CN CN201811307349.4A patent/CN109584212B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101865859A (zh) * | 2009-04-17 | 2010-10-20 | 华为技术有限公司 | 一种图像划痕的检测方法及装置 |
| CN103175844A (zh) * | 2012-03-16 | 2013-06-26 | 沈阳理工大学 | 一种金属零部件表面划痕缺陷检测方法 |
| EP3095591A1 (de) * | 2015-05-19 | 2016-11-23 | MTU Aero Engines GmbH | Verfahren und vorrichtung zum zumindest bereichsweisen ermitteln einer kontur wenigstens einer generativ hergestellten bauteilschicht |
| CN105388162A (zh) * | 2015-10-28 | 2016-03-09 | 镇江苏仪德科技有限公司 | 基于机器视觉的原料硅片表面划痕检测方法 |
| CN105891228A (zh) * | 2016-06-07 | 2016-08-24 | 江南工业集团有限公司 | 基于机器视觉的光纤外观缺陷检测及外径测量装置 |
| CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
| CN107153067A (zh) * | 2017-05-30 | 2017-09-12 | 镇江苏仪德科技有限公司 | 一种基于matlab的零件表面缺陷检测方法 |
| CN107402220A (zh) * | 2017-07-01 | 2017-11-28 | 华中科技大学 | 一种激光选区熔化成形铺粉质量视觉在线检测方法及系统 |
| CN108665458A (zh) * | 2018-05-17 | 2018-10-16 | 杭州智谷精工有限公司 | 透明体表面缺陷提取及识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Image processing based fault detection approach for rail surface";Orhan Yaman 等;《2015 23nd Signal Processing and Communications Applications Conference (SIU)》;20150622;全文 * |
| "基于机器视觉的磁瓦表面缺陷检测技术研究";胡环星;《中国优秀硕士学位论文全文数据库-信息科技辑》;20160315;第2016年卷(第3期);I138-5966 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109584212A (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
| CN110276754B (zh) | 一种表面缺陷检测方法、终端设备及存储介质 | |
| CN116721106A (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
| CN101256157B (zh) | 表面缺陷检测方法和装置 | |
| CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
| CN110490847A (zh) | 基于视觉的led芯片质量检测方法 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN116503388B (zh) | 缺陷检测方法、装置及存储介质 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| CN105784713A (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
| CN109584212B (zh) | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 | |
| CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
| CN102654464A (zh) | 基于多特征模糊识别的铜带表面缺陷检测系统 | |
| CN112150418B (zh) | 一种磁粉探伤智能识别方法 | |
| CN109035219A (zh) | 基于bp神经网络的fics金手指缺陷检测系统及检测方法 | |
| CN111523540A (zh) | 基于深度学习的金属表面缺陷检测方法 | |
| CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
| CN110434090A (zh) | 一种胡萝卜表面瑕疵检测方法 | |
| CN104156913A (zh) | 金属圆柱工件表观缺陷自动光学检测方法 | |
| CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
| CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
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 |