基于图像处理的油封缺陷检测研究方法综述

田 梦奇, 霍 蛟飞
西京学院机械工程学院

摘要

在工业生产中，油封是一种重要的机械元件，主要作用为封油和密封，在液压和气动装置中均有应用并起
到重要作用。随着机械设备的精密性要求日益提高，对油封的密封性要求也越来越高，然而油封的缺陷是影响油封
密封性的最重要因素。目前，国内外专家和学者对油封缺陷检测研究并不多，而且针对油封缺陷检测方法的综述也
并未发现。因此，本文主要介绍了图像处理技术和基于图像处理技术的油封缺陷检测方法，对其进行分析优缺点；
最后提出了图像处理的油封缺陷检测方法主要存在的问题，并针对其未来的发展方向提出展望。

关键词

油封；图像处理技术；缺陷检测

参考

[1]Smith M L, Smith L N, Hansen M F. The quiet

revolution in machine vision-a state-of-the-art survey

paper, including historical review, perspectives, and future

directions[J]. Computers in Industry, 2021, 130: 103472.

[2]Ren Z, Fang F, Yan N, et al. State of the art in defect

detection based on machine vision[J]. International Journal of

Precision Engineering and Manufacturing-Green Technology,

2022, 9(2): 661-691.

[3] 赵强 , 王瑞 , 朱宝全 , 等 . 基于机器视觉的车道线

检测研究进展综述 [J]. 计算技术与自动化 , 2022.

[4] 王海霞 , 李凯勇 . 基于机器学习的图像敏感信息

识 别 方 法 [J]. 现 代 电 子 技 术 ,2021,44(19):66-70.DOI:10.

16652/j.issn.1004-373x.2021.19.013.

[5] 陈一驰 , 陈斌 . 计算机视觉中的终身学习综述 [J/

OL]. 计算机应用 :1-13[2023-02-11].

[6] 梁明 , 张明路 , 吕晓玲 . 基于特征金字塔匹配和

自监督的表面缺陷检测 [J/OL]. 激光与光电子学进展 :1-

10[2023-02-11].

[7] 郑琪琪 , 赵娟 , 孙庆泽 , 朱红伟 . 基于机器视觉的

骨架油封图像处理研究 [J]. 机械设计 ,2019,36(S2):95-98.

DOI:10.13841/j.cnki.jxsj.2019.s2.023.

[8] 石磊 , 于正林 . 基于图像处理的油封缺陷检测

方法研究 [J]. 长春理工大学学报 ( 自然科学版 ),2021,44

(02):48-54.

[9] 胡静 , 于正林 . 基于改进 PCNN 的汽车油封尺寸

检测方法 [J]. 长春理工大学学报 ( 自然科学版 ),2021,44

(04):30-36.

[10] Shankar Bharathi S, Radhakrishnan N, Priya

L. Surface defect detection of rubber oil seals based on

texture analysis[C]//Proceedings of the Fourth International

Conference on Signal and Image Processing 2012 (ICSIP

2012) Volume 2. Springer India, 2013: 207-216.

[11] He Z, Liu J, Jiang L, et al. Oil seal surface defect

detection using superpixel segmentation and circumferential

difference[J]. International Journal of Advanced RoboticSyste

ms,2020,17(6):172988142

0976511.

[12] 张国平 , 李亚丽 , 徐向艺 . 图像处理技术在油

封缺陷检测与识别中的应用研究 [J]. 信息技术与信息

化 ,2020(11):72-73.

[13] 夏桂方 , 于正林 . 基于深度学习的油封缺陷检测

方法研究 [J]. 机电工程 ,2023,40(01):69-75.

[14] Wei R, Bi Y. Research on recognition technology of

aluminum profile surface defects based on deep learning[J].

Materials, 2019, 12(10): 1681.