针对传统边缘检测方法难以实现边缘信息的准确检测问题,提出了一种零件缺陷边缘检测的新方法.首先对采集到的零件缺陷图像进行灰度化和Wiener滤波,以减少噪声等因素对后期检测的影响;然后,以kalman算法预估图像分割阈值作为Krisch算法的初始阈值;在此基础上,进行零件缺陷边缘检测,以提高零件缺陷检测的准确性.最后,利用MATLAB软件对零件缺陷图像进行仿真试验,验证边缘检测算法的检测效果.实验结果表明,推荐算法检测的平均准确率达到94.38%,能够有效实现零件缺陷边缘信息的检测.结合的边缘检测算法，既可以抑制噪声，又可以检测到弱边缘；文献[11]主要针对遥感影像道路，在图像预处理之后，采用了Krisch算子进行边缘提取，利用改进的Harris算子提取特征点，为后期信息的矢量化提供了解决方案。这些算法虽然能够在某些特定环境实现对缺陷进行检测，但其检测阈值往往很难适应工业现场环境变化零件缺陷边缘检测-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机。针对零件表面缺陷边缘难以准确检测问题，本文提出一种自适应阈值的缺陷边缘检测算法.通过引入最优估计技术Kalman算法[12]到边缘检测算法Kirsch中，实现零件缺陷边缘信息的有效提取，本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 从而实现图像的背景与目标的精确分割.1零件缺陷图像边缘检测为了提高零件缺陷边缘检测的准确性，本文提出了一种新的边缘检测方法。在零件图像预处理基础上，通过kalman阈值预估，得到缺陷与背景的最优阈值，结合krisch边缘检测，实现零件缺陷边缘信息的准确提取，其检测过程如图1所示。图1零件缺陷图像边缘检测流程图.1图像预处理工业现场所采集的机械零件缺陷图像，往往含有大量噪声信息，因而需要图像预处理。本文首先对采集的图像进行图像灰度化，以减少后期计算量；在此基础上，通过滤波算法滤除噪声信息，减少噪声等对后期缺陷检测的干扰。在滤波除噪时，滤波算法选择直接影响滤波效果。中值滤波虽然对缺陷图像细节保留较好，但其对零件缺陷的纹理破坏很严重；高斯滤波对零件缺陷图像的噪声敏感，但会使缺陷边缘模糊，进而丢失弱边缘信息，造成缺陷检测不准确等问题；均值滤波由于其本身固有缺陷，在去噪的同时，也破坏了图像的细节部分，无法兼顾图像细节与噪声点之间零件缺陷边缘检测-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/