Uploaded by Mojtaba Askari

مقاله کیوان غزل باش

advertisement
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫تشخیص عیوب ظاهری فیلتر روغن خودرو با استفاده از‬
‫سیستم بینایی ماشین‬
‫کیوان غزل باش‬
‫دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه خیام‬
‫‪Key1_gh@yahoo.com‬‬
‫دکترعلی جبرئیلی‬
‫عضو هیئت علمی دانشگاه خیام‪،‬دانشکده فنی مهندسی‪ ،‬گروه کامپیوتر‬
‫‪a_jebreili@yahoo.com‬‬
‫چکیده‪:‬‬
‫کنترل کیفیت یکی از ضروری ترین فاز ها برای تولید هر محصول است و‬
‫زمانی که محصولی قصد صادرات داشته باشد این موضوع بسیار اهمیت‬
‫پیدا می کند‪.‬در روش سنتی نیروی انسانی قبل از خروج قطعه از‬
‫کارخانه اقدام به بازدید محصول می نمود تا از سالم بودن قطعه‬
‫تولیدی اطمینان حاصل کند ولی در روش مدرن به کمک سیستم های‬
‫بینایی ماشین این کار بدون دخالت نیروی انسانی قابل انجام است‪.‬‬
‫فیلتر روغن خودرو یکی از قطعاتی است که در داخل کشور تولید می‬
‫شود و گاها با صادرات این محصول روبرو هستیم‪.‬وجود یک سیستم‬
‫بینایی ماشین که دقت و سرعت باالیی در تشیخیص ایرادات ظاهری این‬
‫قطعه داشته باشد می تواند بسیار کارا باشد‪.‬هر فیلتر روغن از‬
‫چندین قسمت تشکیل شده است که هر بخش آن باید مورد بررسی قرار‬
‫بگیرد تا عیوب ظاهری آن شناسایی شود‪.‬چالشی که ما با آن روبرو‬
‫هستم وجود سطح فلزی فیلتر روغن است که در ابتدا برای بدست آوردن‬
‫تصویر مناسب از قطعه به عنوان ورودی به سیستم‪ ،‬نور پردازی نیاز‬
‫است و پس از آن اجرای گام به گام الگوریتم های بینایی ماشین می‬
‫تواند با دقت و سرعت بیشتری عمل کنترل کیفیت را انجام دهند‪.‬‬
‫واژگان كلیدي‪ :‬کنترل کیفیت ‪ ،‬فیلتر روغن ‪ ،‬دایره ‪ ،‬بینایی ماشین‬
‫‪ ،‬تبدیل هاف‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫مقدمه‪:‬‬
‫فیلتر روغن از سه قسمت اصلی تشکیل شده است ‪ .‬سطح فیلتر از چندین‬
‫دایره تشکیل شده است که تو درتو بوده و شامل دایره مرکزی و دایره‬
‫خارجی می باشد‪.‬‬
‫با توجه به ماهیت دایره ای بودن فیلتر روغن‪ ،‬باید دایره بودن‬
‫خاص فیلتر مورد بررسی قرار گیرد بدین معنی که حالت‬
‫قسمت های‬
‫دایره مانند ظاهر فیزیکی فیلتر درست باشد و به بیضی تبدیل نشده‬
‫باشد‪.‬‬
‫قسمت مهم بعدی در فیلتر روغن‪ ،‬سطح فلزی فیلتر است‪ .‬این سطح فلزی‬
‫ممکن است در حین تولید خش‪ ،‬فرورفتگی و یا ضایعه ای بر روی آن‬
‫ایجاد شود که جزو ایرادات وارده بر سطح است و باید شناسایی شده و‬
‫رفع شوند‪.‬‬
‫قسمت سوم فیلتر که باید مورد بررسی قرار گیرد سالمت رزوه میانی‬
‫فیلتر روغن است که اگر دچار شکستگی و یا فرورفتگی باشد به طور‬
‫کامل فیلتر را معیوب به حساب می آوریم و قابل استفاده نیست‪.‬‬
‫با توجه به سطح فلزی فیلتر روغن‪ ،‬تصویربرداری از آن بسیار مشکل‬
‫است و نیاز به سیستم نورپردازی خاصی دارد که انعکاس نور از سطح‬
‫فلزی فیلتر را به حداقل برساند‪ ،‬یعنی تاحدامکان نویز را کاهش دهد‪.‬‬
‫برای این منظور از نوع نورپردازی ‪ Dome Light‬استفاده می شود که باعث‬
‫کاهش نویز می شود و در تصویر برداری هرچه بهتر موثر است‪.‬‬
‫یکی از اهداف انجام این پروژه این است که قطعه تولیدی فیلتر روغن‬
‫چه برای تولید داخلی و چه برای صادرات خارجی از کیفیت باالیی‬
‫برخوردار باشد که این امر مستلزم داشتن سیستمی بسیار دقیق و سریع‬
‫بر روی خط تولید برای یافتن قطعات معیوب می باشد که از عرضه‬
‫فیلترهای روغن معیوب به بازار خودرو جلوگیری شود‪.‬‬
‫روش تحقیق‪:‬‬
‫با توجه به توضیحاتی که در مقدمه گفته شد در ادامه به شرح مراحل‬
‫انجام کار می پردازیم‪.‬‬
‫نورپردازی و حذف نویز‪:‬‬
‫بسته به کاربری که داریم روش های نورپردازی در صنعت متفاوت خواهد‬
‫بود‪ .‬مولفه هایی که در انتخاب نوع نورپردازی موثر خواهند بود‬
‫عبارتند از‪:‬‬
‫‪-1‬صاف یا ناهموار بودن سطح‬
‫‪-2‬مات یا شفاف بودن سطح‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫‪-3‬صاف یا منحنی بودن سطح‬
‫‪-4‬ساکن یا متحرک بودن سطح‬
‫با انتخاب درست نوع نورپردازی ومنبع نور مناسب و طراحی درست محیط‬
‫به لحاظ شدت نور و طول موج و ‪ ....‬می توان تصویر برداری درستی از‬
‫قطعه صنعتی ( قطعه صنعتی در مورد موضوع ما فیلتر روغن خواهد‬
‫بود)داشت‪.‬در قطعات صنعتی از نور پردازی سخت افزاری به صورت تابش‬
‫نور قرمز و اعمال حذف نویز نرم افزاری به کمک دو الگوریتم میانه‬
‫و میانگین استفاده می شود‪.‬‬
‫لبه یابی‪:‬‬
‫آشکارسازی لبه )‪ (Edge detection‬معموالا برای تشخیص لبه های یک شی از بین‬
‫چندین شی مورد استفاده قرار می گیرد برای این کار از تابع ای به‬
‫‪ edge‬استفاده می شود‪ .‬تغییرات فیزیکی به صورت تغییر رنگ و‬
‫نام‬
‫شدت روشنایی به صورت لبه و در سطح باینری در تصویر نمایان می شود‬
‫‪.‬‬
‫تبدیل فضای قطبی به کارتیزین ‪:‬‬
‫یکی از قابلیت هایی که تصاویر رینگ شکل دارند توانایی تبدیل شدن‬
‫آنها به تصاویر مستطیلی است‪ .‬این امکان به وسیله تبدیل مختصات‬
‫قطبی به کارتیزین )‪ (Hao Shen,2012‬در تصاویر انجام می شود‪.‬‬
‫شکل‪ .1‬تبدیل فضای قطبی به کارتزین‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫‪X = x + r cos ϴ‬‬
‫‪Y = y + r sin ϴ‬‬
‫تشخیص دایره و میزان انحراف از معیار ‪:‬‬
‫با توجه به این که سطح فیلتر روغن از چندین دایره داخلی با قطر‬
‫های متفاوت تشکیل شده است نیاز است تا الگوریتم هایی یافت شود تا‬
‫بدین منظور مورد استفاده قرار گیرند‪ .‬جهت تشخیص قطر دوایر‬
‫بلبورینگ خودرو از روش تیدیل هاف (‪ )Hao Shen,2012‬و برای رابط های‬
‫اتصال الکتریکی از روش ‪ )Te-Hsiu Sun,2010( LSC‬استفاده شده است‪.‬‬
‫استفاده از تابع هاف به دلیل سادگی بیشتر در پیاده سازی در بیشتر‬
‫مقاالت مورد استفاده قرار می گیرد‪.‬‬
‫تشخیص عیوب ظاهری سطحی ‪:‬‬
‫زمانی که از سطح فیلتر روغن صحبت میکنیم دو سطح مد نظر است ‪ .‬سطح‬
‫رویه و سطح رزوه میانی که که الگوریتم هایی که در ادامه معرفی‬
‫خواهند شد در مقاالتی مورد بررسی قرار گرفته اند‪.‬‬
‫یکی از متد های مورد بحث استفاده از روش ‪ Blob Anlysing‬است که به کمک‬
‫روش ‪( Hao Shen,2012))Te-Hsiu Sun,2010( connect component labaling‬مورد استفاده‬
‫قرار می گیرد‪.‬‬
‫متد دیگری‬
‫نام دارد‪.‬‬
‫در یک جهت‬
‫که به نام‬
‫که مورد استفاده قرار می گیرد ‪(Hao Shen,2012)vertical projection‬‬
‫این روش دیدی از تصویر می دهد که حاصل آن جمع پیکسل ها‬
‫از تصویر است‪ .‬به طور مثال جمع پیکسل ها به صورت عمودی‬
‫‪vertical projection‬و جمع پیکسل ها که به صورت افقی که با نام‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫‪ Horizental projection‬شناخته می شود‪.‬‬
‫شکل‪ .2‬محورهای تصاویر‬
‫برای تشخیص عیوب ظاهری از روش اتسو(‪ )Xiao-cui Yuan,2015‬به کمک آستانه‬
‫گیری می توان استفاده کرد که یکی از روش های مرسوم در تشخیص عیوب‬
‫ظاهری در سطوح فلزی است‪ .‬همچنین روش دیگری که برای تشخیص عیوب‬
‫ظاهری در سطوح فلزی مورد بررسی قرار گرفته است روش ‪Yih-( NGSAD‬‬
‫‪ )Chin,2009‬است که به کمک نمایش سه بعدی نقاط کاندید عیب در سطح ‪،‬‬
‫عمل تشخیص انجام می شود‪.‬‬
‫یافته ها‬
‫در فاز پیاده سازی محصول شش قسمت از سطح فیلتر روغن مورد بررسی‬
‫قرار خواهد گرفت که در تصویر زیر مشخص شده است‪.‬‬
‫شکل ‪ .3‬نمایش اجزاء فیلتر روغن خودرو‬
‫پایگاه داده‪:‬‬
‫با توجه به اینکه این عنوان پروژه متعلق به یکی از کمپانی های‬
‫سازنده فیلتر روغن است لیستی از عیوب ظاهری به همراه یک عدد‬
‫فیلتر روغن برای خودرو های سبک در اختیار قرار گرفت‪.‬‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫نورپردازی کاربردی و صنعتی‪:‬‬
‫در تصویر برداری از فیلتر روغن با توجه به اینکه سطح آن استیل‬
‫است از تابش نور قرمز کمک گرفته شده است تا باعث کاهش نویز حاصل‬
‫از محیط شود ‪.‬‬
‫شکل‪ .4‬خروجی تصویربرداری از فیلتر با اعمال نورپردازی‬
‫اعمال الگوریتم لبه یابی‪:‬‬
‫اعمال الگوریتم لبه یابی کنی (‪ )Canny‬با توجه به اینکه نویز در‬
‫تصویر اصلی کاهش پیدا کرده است‪ ،‬الگوریتم لبه یابی به خوبی انجام‬
‫شده است‪.‬‬
‫شکل‪.5‬لبه یابی تصویر خروجی مرحله قبل‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫محاسبه انحراف از معیار برای دایره ها‪:‬‬
‫محاسبه انحراف از معیار به وسیله دو الگوریتم انجام شده است‪ .‬در‬
‫ابتدا یک الگوریتم تجربی را بررسی می کنیم و بعد به سراغ‬
‫الگوریتم هاف خواهیم رفت‪.‬‬
‫فلوچارت‪.1‬مراحل تشخیص انحراف از معیار دوایر موجود در فیلتر‬
‫الگوریتم تجربی‪:‬‬
‫در این روش میزان انحراف از دایره بودن به همراه شعاع و قطر هر‬
‫دایره از تصویر باینری مشخص می شود ‪.‬‬
‫‪- 1‬تصویر فیلتر روغن پس از اعمال نور قرمز جهت کاهش نویز‪ ،‬در تصویر‬
‫نهایی از سطح فیلتر روغن حاصل می شود‪.‬‬
‫‪- 2‬اعمال الگوریتم لبه یابی‪ :‬جهت شناسایی دایره ها در تصویر از‬
‫تکنیک لبه یابی در تصویر استفاده می شود‪ .‬اعمال الگوریتم لبه‬
‫یابی کنی باعث میشود تمامی دایره ها به صورت تصویر باینری مشخص‬
‫شود‪.‬‬
‫‪- 3‬پیمایش تصویر باینری در راستای افقی‪ :‬جهت شناسایی خط حاصل از‬
‫دایره ها نیاز است تمامی پیکسل ها را در راستای افقی پیمایش کنیم‬
‫تا به اولین پیکسل ‪ 1‬برسیم‪ .‬بعد از آن پیکسل وسط آن ناحیه مشخص می‬
‫شود‪ .‬در این شکل تمامی دایره ها در یک راستا قرار دارند و با‬
‫پیمایش عمودی همان ستون میتوانیم دیگر دایره ها را شناسایی کنیم‪.‬‬
‫‪- 4‬پیمایش تصویر در راستای عمودی‪ :‬بعد از پیمایش تصویر در راستای‬
‫افقی نیاز است در راستای عمودی نیز عمل پیمایش را همانند پیمایش‬
‫افقی انجام دهیم‪.‬‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫‪ -5‬محاسبه ارتفاع هر دایره‪ ،‬پس از مشخص کردن نقاط هر دایره در‬
‫راستای عمودی و افقی نیاز داریم تعداد پیکسل های هر ناحیه با‬
‫اختالف بین آنها بدست آید‪.‬‬
‫شکل‪ .6‬محاسبه ارتفاع هر دایره در فیلتر‬
‫تبدیل هاف دایره ای‪:‬‬
‫یکی دیگر از الگوریتم های مورد بررسی ‪ ،‬الگوریتم تبدیل هاف دایره‬
‫ای)‪ (D. J. Kerbyson,1995‬است که جهت تشخیص دایره در تصویر مورد‬
‫استفاده قرار می گیرد‪.‬‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫شکل‪ .7‬هاف دایره ای و خروجی اعمال آن روی تصویر فیلتر روغن خودرو‬
‫جدول ‪.1‬مقایسه اعداد به دست آمده برای شعاع هر دایره بر اساس‬
‫الگ‬
‫وری‬
‫شعاع بر اساس‬
‫مکان قرارگیری‬
‫شعاع بر اساس‬
‫تم‬
‫الگوریتم تجربی(افقی ‪/‬‬
‫دایره‬
‫الگوریتم هاف‬
‫های‬
‫عمودی)‬
‫مخت‬
‫لف‬
‫دایره خارجی‬
‫‪344 - 345‬‬
‫‪174*2 = 344‬‬
‫‪162*2 = 324‬‬
‫‪324 - 326‬‬
‫دایره نوار آب‬
‫بندی‬
‫‪132*2 = 264‬‬
‫‪262 - 262‬‬
‫دایره سطح فلزی‬
‫‪40*2 = 80‬‬
‫‪82 - 84‬‬
‫دایره مرکزی‬
‫شناسایی خط و خش در سطح فلزی فیلتر روغن‪:‬‬
‫فلوچارت‪ .2‬مراحل تشخیص خط و خش روی سطح فیلتر‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫‪ -1‬تصویری از فیلتر روغن‪ :‬به عنوان ورودی این قسمت از یک تصویر از‬
‫قبل گرفته شده استفاده می کنیم‪.‬‬
‫‪ -2‬تبدیل فضای قطبی به کارتیزین‪ :‬با اعمال تبدیل فضای دایره ای یا‬
‫به عبارتی تبدیل فضای قطبی به کارتزین یا خطی‬
‫)‪ (Hao Shen,2012‬می توانیم دید بهتری نسبت به عکس به دست بیاوریم و‬
‫با اعمال روش زیر ایراد و عیوب سطحی مانند خط و خش را شناسایی‬
‫کنیم ‪.‬‬
‫‪ -3‬با اعمال یک دستور شرطی پیکسل هایی که از یک سطح بیشتر باشند‬
‫می بایست به عنوان پیکسل یا ناحیه کاندید عیب شناسایی شود‪.‬‬
‫‪ -4‬پس از تبدیل تصویر دایره ای به خطی قادر خواهیم بود آن را به‬
‫تصویر باینری تبدیل کنیم‪ .‬پس از اعمال دستور تبدیل تصویر باینری‬
‫نقاطی ک دارای پیکسل های روشنتر باشند‪ ،‬پیکسل روشن یا ‪ 1‬خواهند شد‬
‫و پیکسل های تیره به ‪ 0‬تبدیل می شوند‪.‬‬
‫‪ -5‬پس از باینری کردن تصویر ‪ ،‬آن پیکسل هایی که ‪ 7‬پیکسل مجاور آن‬
‫ها پیکسل یک داشته باشند بیشترین احتمال وقوع عیب را دارند‪.‬‬
‫شکل ‪ .8‬نمایش وجود ایراد موجود بر روی سطح فیلتر‬
‫تصویر باال اعمال الگوریتم قطبی به کارتیزین را برای سطح فیلتر‬
‫روغن نمایش می دهد و تصویر بعدی پس از اعمال الگوریتم تشخیص عیب‬
‫ناحیه کاندید عیب ظاهری مشخص شده است‪.‬‬
‫تشخیص عیوب در سطح رزوه میانی فیلتر روغن ‪:‬‬
‫چهارمین کنفرانس بین‬
‫المللی‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اسفند ماه ‪1396‬‬
‫اطالعات‬
‫‪International Conference new study on‬‬
‫‪Computer and it‬‬
‫‪Febrruary 2017‬‬
‫رزوه میانی فیلتر روغن با توجه به فرم ظاهری که دارد یکی از‬
‫حساسترین قسمت های فیلتر روغن است‪ .‬وجود شکستگی در فیلتر میانی‬
‫می تواند یکی از اصلی ترین ایرادات ظاهری و فنی فیلتر روغن باشد‪.‬‬
‫در این مرحله از روش ‪ vertical projection‬که حاصل جمع پیکسل های افقی و‬
‫عمودی تصویر است استفاده می شود‪.‬‬
‫‪- 1‬تصویر برداری از رزوه میانی می بایست از دو سمت رزوه باشد ‪ .‬به‬
‫وسیله دو دوربین در دو سمت فیلتر از درون رزوه تصویر برداری‬
‫میشود‪.‬‬
‫‪ -2‬ارائه یک روش نمایش تصویر به صورت آماری که ‪ vertical projection‬نام‬
‫دارد ‪ .‬در این پروژه از این الگوریتم استفاده می شود‪.‬‬
‫شکل‪ .9‬نمایش تشخیص عیوب موجود در رزوه‬
‫تصویر فوق از سطح رزوه میانی فیلتر روغن گرفته شده است‪ .‬ایرادات‬
‫سطحی فیلتر روغن مانند شکستگی به وسیله الگوریتم ‪vertical Projection‬‬
‫بدست آمده است‪.‬‬
‫بحث و نتیجه گیری‪:‬‬
‫بحث های گفته شده در باال به این نکته اشاره دارند که سیستم های‬
‫بینایی ماشین بر پایه هوش مصنوعی به کمک انسان ها آمده اند تا‬
‫بتوانند مسائل سنتی را به شکل ساده تر و مدرن تر حل کنند‪.‬‬
‫چهارمین کنفرانس بین‬
‫المللی‬
1396 ‫اسفند ماه‬
‫مطالعات نوین در علوم کامپیوتر و فناوری‬
‫اطالعات‬
Febrruary 2017
International Conference new study on
Computer and it
‫حوزه صنعت یکی از پنجره هایی است که به روی بینایی ماشین باز شده‬
‫است تا عمل کنترل کیفیت قطعات صنعتی قبل از خروج از محل ساخت‬
‫ با توجه به این که تا به حال پژوهشی بر روی عیوب‬.‫انجام شود‬
‫ الگوریتم های استفاده شده در‬، ‫ظاهری فیلتر روغن انجام نشده بود‬
‫قطعات مشابه مانند بلورینگ خودرو و یا سطوح استوانه ای و فلزی‬
‫ در این پژوهش سعی بر آن شد تا با بیان‬.‫مورد بررسی قرار گرفت‬
‫الگوریتم هایی ساده و کارا به بهترین جواب برای حل مسئله پیش رو‬
.‫دست یافت‬
:‫منابع‬
Xiao-cui Yuan a, Lu-shen Wu a,∗, Qingjin Peng(2015), An improved Otsu method using the weighted object
variance for defect detection. Applied Surface Science 349 (2015) 472–484
Te-Hisiu Sun, Chun-Chieh Tseng,Min-Sheng Chen. Electic Contact inspection using machine Vision.Image and
Vision Computer 28 (2010)890-901
Hao Shen ⇑, Shuxiao Li, Duoyu Gu, Hongxing Chang. Bearing defect inspection based on machine vision.
Measurement 45 (2012) 719–733
Yih-Chih Chiou , Wei-Chen Li. Flaw detection of cylinrrical surfaces in PU-paching by using machine vision
technique
Walter Gander ,Gene H. Golub, Rolf Strebel. Least-Squares Fitting of Circles and Ellipses
Anne Kaspers. Blob Detection. Biomedical Image Sciences Image Sciences Institute UMC Utrecht
Nirbhar Neogi, Dusmanta K Mohanta and Pranab K Dutta(2014). Review of vision-based steel surface
inspection systems. Neogi et al. EURASIP Journal on Image and Video Processing 2014, 2014:50
B.Suvdaa, J. Ahn, and J. Ko. Steel Surface Defects Detection and Classification.
C. Robertson and R. B. Fisher(2001). Shape Recovery and Analysis of Large Screw Threads. 0-7695-0984-3/01
$10.00 0 2001 IEEE
D. J. Kerbyson; T. J. Atherton. Fifth International Conference on Image Processing and its Applications, 1995
Download