共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
6.
7.
针对目前人工检测轴承套端面缺陷存在的效率低、人为因素影响大等诸多问题,提出了一种应用机器视觉技术实现轴承套端面缺陷检测的方法。首先,对采集到的图像进行了平滑处理,并运用自适应阈值的Canny算子完成了边缘检测;其次,利用最小二乘法拟合了轮廓圆,从而提取出了轴承端面的圆环区域;然后,通过Otsu算法计算出了圆环区域的最佳阈值,实现了阈值分割;最后,通过提取各连通域的特征来检测和判别缺陷。实验结果表明:该方法能有效地检测出轴承套端面存在的缺陷,且误检率低于3%,漏检率低于1%,检测时间不超过50 ms,可满足在线检测要求。 相似文献
8.
9.
10.
本文针对人工检测轮毂轴承缺陷效率低、人为因素影响大的问题,提出了一种基于机器视觉的轮毂轴承缺陷检测的方法。首先,对采集到的轮毂轴承的图片进行预处理,对预处理后的图像进行匹配,实现对目标与缺陷区域的快速粗定位;然后采用基于区域灰度值的图像分割和基于区域形态学的最小二乘法进行缺陷提取。实验表明,采用本方法提取的轮毂轴承缺陷与实际的缺陷图像相似度高,验证了该方法的有效性。 相似文献
11.
针对现有塑料齿轮端面黑点缺陷检测方法存在对较小黑点识别困难、误检和检测精度不足等问题,提出一种基于图像高频增强的塑料齿轮黑点缺陷高精度检测方法。对塑料齿轮图像的高低频信息进行提取与分离,再将高频信息乘以一定系数与低频信息线性叠加,实现图像高频部分的增强,从而使齿轮黑点更加突出;利用引导滤波进行降噪处理,将与黑点一同增强的其他无关信息(如纹理、噪声等)进行滤除或模糊,避免造成误检;使用LoG_Blob算法对处理后的图像进行斑点检测,进而获取齿轮黑点信息。实验结果表明,该方法能有效提升塑料齿轮黑点缺陷检测的精度。 相似文献
12.
基于差影和模板匹配的微小轴承表面缺陷检测 总被引:8,自引:0,他引:8
针对轴承表面缺陷的位置、面积、深度等随机变化导致图像采集具有不确定性的特点,设计了一套采用光电耦合器图像识别技术进行缺陷自动检测的系统。该系统光源恒定、处理速度快、图像精度高,能长时间稳定工作,显著提高了图像采集质量。经过深入研究图像分割、图像差影、模板匹配等模式识别理论与技术及微小轴承图像特征发现,要检测轴承的表面缺陷,需将轴承表面分割成两部分进行识别,轴承表面的均匀分布区域直接采用差影法,文字刻印区域采用模板匹配法,结果表明该方法识别正确率达98%。 相似文献
13.
14.
针对目前转向轴承生产过程中人工工作效率低的问题,提出一种基于Matlab的转向轴承珠碗的检测方法。该方法通过相机对轴承珠碗表面图像进行处理和分析,快速、准确的实现了轴承珠碗的正反面检测。首先,使用CCD数字相机作为图像传感器进行图像采集;然后,对图像进行滤波去噪,图像分割处理,获取轴承珠碗的中心坐标;最后,通过统计法获取两面凸起面积的不同,确定区分正反面的临界值。使用该方法确定工件的正反面,准确度高,效率高。为轴承自动化生产打下理论基础。 相似文献
15.
针对运用视觉技术对轴承进行质量检测与尺寸测量时,能够准确地识别定位到目标轴承,提出一种基于机器视觉的轴承识别与定位算法。通过对采集到的轴承图像进行预处理,分割出目标图像并提取图像的外轮廓边缘特征;设置轴承的模板图像,结合图像的Hu不变矩特征对轴承进行识别匹配;通过最小二乘法对图像边缘点进行圆拟合并采用迭代法进行修正,通过计算圆心的位置坐标,实现对轴承的定位。实验结果为:轴承的识别匹配度在0~0.03之间,定位误差在0.5像素以内,满足系统对轴承的识别定位精度要求。 相似文献
16.
针对笔芯球珠表面缺陷检测识别问题,设计并实现了基于机器视觉的笔芯球珠表面缺陷检测系统。笔芯球珠在球面展开机构作用下,通过图像采集模块获取5张可以完全覆盖整个球面的图像。通过对每幅图像进行缺陷图像提取后,采用基于轮廓角点匹配的方法实现对每幅图像中缺陷图像的拼接;基于提取的有效特征组合通过KNN分类算法对完整的缺陷图像进行缺陷识别。试验结果表明,该方法能够对笔芯球珠表面缺陷进行精确有效的检测与识别。 相似文献
17.
18.
19.
介绍一种基于显微成像法的快速检测机加工零件表面质量的方法。通过对切削加工零件表面纹理图像进行灰度信息统计分析并与传统方法检测粗糙度结果做曲线拟合,建立加工表面轮廓高度特性与图像灰度特性之间的相关关系,从而根据图像灰度分析得到粗糙度值;用适当大小的窗口逐行扫描图像,通过检测窗口内波峰线的连续长度而识别纹理缺陷,并以窗口轮廓作为缺陷的标记。实验验证了该方法检测粗糙度等级准确度达83.3%,可识别并标记的纹理缺陷大小为30μm。 相似文献
20.
针对马铃薯表面缺陷检测快速准确的需求,提出一种基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法.应用这一方法,构建马铃薯表面缺陷图片数据集,对原始数据集进行图像增广;通过二分K均值聚类算法进行目标框聚类分析,采用分步训练方式优化学习权重.试验结果表明,所提出的基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法可以有效实现马铃薯表面缺陷的快速、准确检测,平均识别精度达到99.46%,对腐烂、发芽、机械损失、虫眼、病斑检测的精度均高于98%,单幅图片识别时间约为29 ms. 相似文献