CN118608504B 一種基于機器視覺的零部件表面質量檢測方法及其系統 （廣州宏江智能裝備有限公司）

一種基于機器視覺的零部件表面質量檢測本發明公開了一種基于機器視覺的零部件2將提取的特征與預定義的模型進行比較，識別是否存在表面缺所述獲取待檢測零部件的圖像，通過在預設位置安裝圖像獲取設備對待檢測零部件的圖像進行預處理，所述去噪為使用高斯濾波器方;處的像素值，G'(x-x),(y-y)是經過歸一化處理的高斯核在(x,y)相對于中心點(x.y)的權重，I'(x,y.)是濾波后圖像在中心對待檢測零部件的圖像進行預處理，所述對比度調整包括通過直方;;S214、映射灰度級，使用歸一化累積分布函數將原3Canny邊緣檢測算法使用一對卷積核來計算圖像在水平和垂直方向的梯度幅值和方;和弱邊緣w[i,j]；通過提取的特征組織成向量輸入到聚類算法中，其中提取特征組織成所述預定義的模型是在深度學習中用于表面缺陷檢測的各類訓練好的神經網絡模型，4使用ReLU激活函數增加非線性，對于多類分類任務，輸出層通常使用softmax激活函其中，將提取的特征與預定義的模型進行比較，將特征向量;所述數據獲取模塊，在預設位置安裝高精度的圖像獲取設備，并根據零所述特征分析模塊，將提取輪廓特征和表面紋理特征組織成向量，與建56c(i)是灰度級i及其以下所有灰度級累積出現的概率，P()是灰度級i在圖[0030]具體的，Canny算法使用一對卷積核來計算圖像在水平和垂直方向的梯度幅值和[0033]再采用雙閾值策略對強邊緣進行連接，設定高閾值Th和低閾值，形成強邊緣7[0047]S35、使用ReLU等激活函數增加非線性，對于多類分類任務，輸出層通常使用8[0065]圖1為本申請實施例1提供的一種基于機器視覺的零部件表面質量檢測方法的流[0066]圖2為本申請實施例1提供的一種基于機器視覺的零部件表面質量檢測方法的使[0067]圖3為本申請實施例1提供的一種基于機器視覺的零部件表面質量檢測方法的直[0068]圖4為本申請實施例1提供的一種基于機器視覺的零部件表面質量檢測方法的建[0069]圖5為本申請實施例1提供的一種基于機器視覺的零部件表面質量檢測系統的結9[0071]在本申請使用的術語是僅僅出于描述特定實施例的目的，而非旨在限制本申含一個或多個相關聯的列出項目的任何或所c(i)是灰度級i及其以下所有灰度級累積出現的概率，P()是灰度級i在圖[0100]具體的，Canny算法使用一對卷積核來計算圖像在水平和垂直方向的梯度幅值和[0117]通過Canny邊緣檢測算法結合灰度共生矩陣的特征提取，可以靈活地適應不同零的準確性和可靠性，Canny算法的非極大值抑制和雙閾值策略確保了邊緣的清晰性和輪廓[0126]S35、使用ReLU等激活函數增加非線性，對于多類分類任務，輸出層通常使用個能夠識別和分類不同表面缺陷的神經網絡模型，結合ReLU與softmax激活函數來增加非過比較這些特征與學習到的缺陷特征，有效地識別出存在表面缺陷的區域。最后，利用[0138]本實施例應用于實施例1中一種基于機器視覺的零部件表面質量檢測方法，具體c(i)是灰度級i及其以下所有灰度級累積出現的概率，P()是灰度級i在圖[0160]具體的，對進行預處理的同時使用Canny邊緣檢測算法，識別出圖像中的邊緣信