陶瓷水閥片表面缺陷圖像檢測(cè)方法研究

田秋紅，李方勇，孫政榮

(浙江理工大學(xué)精密測(cè)量技術(shù)實(shí)驗(yàn)室, 杭州 310018)

?

陶瓷水閥片表面缺陷圖像檢測(cè)方法研究

田秋紅，李方勇，孫政榮

(浙江理工大學(xué)精密測(cè)量技術(shù)實(shí)驗(yàn)室, 杭州 310018)

針對(duì)人工陶瓷水閥片缺陷檢測(cè)效率低、勞動(dòng)強(qiáng)度大、容易漏檢的問題，提出一種基于支持向量機(jī)的陶瓷水閥片表面缺陷圖像檢測(cè)方法。先對(duì)陶瓷水閥片進(jìn)行預(yù)處理，然后針對(duì)缺邊和劃痕兩種缺陷分別提取陶瓷水閥片樣本的Hu不變矩和Gobar紋理特征，最后輸入訓(xùn)練好的支持向量機(jī)模型進(jìn)行分類識(shí)別。搭建了陶瓷水閥片的缺陷檢測(cè)實(shí)驗(yàn)裝置并進(jìn)行了可行性和對(duì)比性實(shí)驗(yàn)。結(jié)果表明本文構(gòu)建的系統(tǒng)對(duì)缺邊和劃痕缺陷識(shí)別率高，同時(shí)對(duì)第二類型陶瓷水閥片樣本的檢測(cè)具有較好的適用性。

陶瓷水閥片缺陷檢測(cè)；支持向量機(jī)； Hu不變矩； Gobar特征

0 引 言

陶瓷水閥片具有壽命長(zhǎng)、性價(jià)比高和密封性好等優(yōu)點(diǎn)，在很多領(lǐng)域已成功替代普通金屬閥門。然而，目前國(guó)內(nèi)對(duì)陶瓷水閥片的檢測(cè)還停留在人工檢測(cè)階段，不僅耗時(shí)且檢測(cè)準(zhǔn)確率低。圖像處理技術(shù)作為先進(jìn)的檢測(cè)技術(shù)，在工業(yè)檢測(cè)得到了廣泛的應(yīng)用。1994年Hashim等[1]開發(fā)用于檢測(cè)刀具破損的CNC視覺系統(tǒng)。2001年，Bradley等[2]提出了具有良好實(shí)用價(jià)值的刀具表面質(zhì)量檢測(cè)系統(tǒng)；德國(guó)的Parsytec公司開發(fā)了具有代表性的HTS-2和HTS-2W表面缺陷檢測(cè)系統(tǒng)。2002年，斯洛文尼亞的Lahajnar等[3]提出了利用雙CCD的機(jī)器視覺系統(tǒng)，采用亞像素邊緣檢測(cè)和半自動(dòng)相機(jī)校正測(cè)量電熱板維數(shù)完成電熱板缺陷檢測(cè)，系統(tǒng)的精度優(yōu)于0.03 mm，且一個(gè)被測(cè)件的測(cè)量時(shí)間為0.3 s。2003年，天津大學(xué)的胡亮等[4]開發(fā)了一套帶鋼表面檢測(cè)系統(tǒng)，該系統(tǒng)采用數(shù)字信號(hào)處理系統(tǒng)和現(xiàn)場(chǎng)可編輯邏輯門陣列相結(jié)合的技術(shù)。2004年，浙江大學(xué)的商俊敏等[5]開發(fā)了一套具有較好使用價(jià)值的在線軸承檢測(cè)系統(tǒng)，該系統(tǒng)由CCD、采集卡、運(yùn)動(dòng)控制卡、運(yùn)動(dòng)平臺(tái)和計(jì)算機(jī)組成。其后，朱貴峰[6]對(duì)物體三維輪廓尺寸在線檢測(cè)進(jìn)行了研究，根據(jù)光條圖像中激光光束能量呈高斯分布的特性，提出了采用最小外接矩形法和高斯曲線擬合來提取光條中心的算法，但適用范圍受限。東華大學(xué)的張輝等[7]提出了一種基于邊緣跟蹤的零件缺陷邊緣智能檢測(cè)算法，此方法以高質(zhì)量的缺陷邊緣參數(shù)為特征向量輸入支持向量機(jī)進(jìn)行規(guī)則零件分類識(shí)別，采用一對(duì)一的投票策略進(jìn)行分類訓(xùn)練和測(cè)試，最后對(duì)采集到的缺陷零件樣本進(jìn)行了分類測(cè)試實(shí)驗(yàn)，達(dá)到96%的檢測(cè)精度。

針對(duì)陶瓷水閥片存在劃痕和缺邊缺陷，本文設(shè)計(jì)了陶瓷水閥片表面缺陷圖像檢測(cè)方法。該方法針對(duì)存在劃痕和缺邊缺陷的陶瓷水閥片，先進(jìn)行圖像預(yù)處理，然后分別進(jìn)行Gabor紋理特征和Hu不變矩的特征提取，提取后的特征分別輸入訓(xùn)練好的支持向量機(jī)模型中進(jìn)行檢測(cè)識(shí)別。最后對(duì)其算法進(jìn)行陶瓷水閥片缺陷檢測(cè)的實(shí)驗(yàn)驗(yàn)證。

1 系統(tǒng)結(jié)構(gòu)

陶瓷水閥片表面缺陷檢測(cè)系統(tǒng)由高速攝像機(jī)CCD、圖像采集卡、光源和計(jì)算機(jī)等組成如圖1所示。陶瓷水閥片圖像由高速攝像機(jī)CCD獲取，通過圖像采集卡傳輸?shù)接?jì)算機(jī)中進(jìn)行存儲(chǔ)。陶瓷水閥片表面缺陷檢測(cè)軟件對(duì)采集到的陶瓷水閥片圖像樣本進(jìn)行預(yù)處理、背景分割、特征提取，并對(duì)提取的特征進(jìn)行訓(xùn)練，形成支持向量機(jī)模型。當(dāng)對(duì)陶瓷水閥片進(jìn)行檢測(cè)時(shí)，對(duì)待檢測(cè)陶瓷水閥片進(jìn)行與訓(xùn)練樣本相同的處理，將提取的特征輸入支持向量模型中，完成陶瓷水閥片表面缺陷的檢測(cè)識(shí)別。

圖1 陶瓷水閥片表面缺陷檢測(cè)系統(tǒng)結(jié)構(gòu)示意圖

2 圖像預(yù)處理

2.1 中值濾波

中值濾波為非線性濾波，其原理是計(jì)算鄰域內(nèi)像素的中值，將中值代替鄰域中心灰度值[8]。中值濾波在消去噪聲的同時(shí)保留了圖像中物體的邊緣，阻止圖像邊緣變模糊。因此，本文選用5×5窗口對(duì)采集到的陶瓷水閥片圖像進(jìn)行濾波處理，獲得濾波后的陶瓷水閥片圖像I。

2.2 形態(tài)學(xué)邊緣檢測(cè)

中值濾波后陶瓷水閥片圖像I在結(jié)構(gòu)元素B腐蝕后的結(jié)果與圖像I求差值，此差值就是圖像的邊界[9]，如式(1)所示：

G(I)=I-(I?B)

(1)

式(1)中：G(I)表示中值濾波后圖像I的邊界。

2.3 幾何位置校正

經(jīng)過上述處理的陶瓷水閥片圖像噪聲已經(jīng)得到去除。但在實(shí)際生產(chǎn)中陶瓷水閥片可能存在傾斜角度，故需要對(duì)陶瓷水閥片進(jìn)行角度校正。本文設(shè)計(jì)了基于hough變換的幾何位置校正算法。對(duì)邊緣提取后的圖像進(jìn)行逐行、逐列掃描，將所有邊緣像素點(diǎn)按照式(2)變換，以變換后極坐標(biāo)為下標(biāo)的二維數(shù)組對(duì)應(yīng)值加1。求取二維數(shù)組的最大值對(duì)應(yīng)的極坐標(biāo)角θ，即為待檢測(cè)陶瓷水閥片的傾斜角度。

ru=round(abs(i×cos(θ×3.14/180)+j×sin(θ×3.14/180)))

(2)

式(2)中：ru極坐標(biāo)的半徑，i，j是圖像像素對(duì)應(yīng)的橫縱坐標(biāo)，θ是極坐標(biāo)的角度。

利用此傾斜角度θ按照式(3)對(duì)待檢測(cè)陶瓷水閥片的角度校正：

(3)

這樣，對(duì)于變換后圖像中的每一點(diǎn)根據(jù)上式計(jì)算出對(duì)應(yīng)變換前圖像中的點(diǎn)，得到它的灰度值。如果灰度值大于255就置為255，從而獲得幾何位置校正后圖像I′。

2.4 圖像二值化

大津法利用最小二乘法和概率統(tǒng)計(jì)原理自動(dòng)選取閾值，對(duì)圖像二值化處理可獲得較優(yōu)效果。故本文采用大津法對(duì)校正后陶瓷水閥片圖像I′進(jìn)行二值化。按照公式(4)計(jì)算K從40～220變化時(shí)各類間方差值,最大間方差對(duì)應(yīng)的閾值為最佳閾值[10]，利用此最佳閾值對(duì)校正后圖像I′進(jìn)行二值化。

(4)

式(4)中：μ0(K)為前景圖像的平均灰度級(jí)，μ1(K)為背景圖像的平均灰度級(jí)，w0為前景的像素點(diǎn)數(shù)占整幅圖像的比例，w1為背景的像素點(diǎn)數(shù)占整幅圖像的比例。

3 特征提取

3.1Hu不變矩

陶瓷水閥片在生產(chǎn)過程中，主要存在劃痕和缺邊缺陷。針對(duì)不同類型缺陷本文提取陶瓷水閥片的不同特征參數(shù)。矩特征是一種對(duì)區(qū)域內(nèi)部灰度值分布進(jìn)行統(tǒng)計(jì)分析并進(jìn)行平均描述的區(qū)域描繪子。矩是一種線性特征，不會(huì)因?yàn)槟繕?biāo)的旋轉(zhuǎn)、比例大小變化、位置平移而變化，適合作為檢測(cè)陶瓷水閥片缺邊缺陷的特征參量[10]。目標(biāo)在(x,y)處的(p+q)階中心矩可定義為式(5)，用零階中心矩對(duì)其余中各階矩進(jìn)行規(guī)格化，規(guī)格后的中心矩可表示為式(6)，利用二階三階規(guī)格化后的中心矩可得到7個(gè)對(duì)選擇、平移、比例大小不變的矩稱為Hu不變矩，如式(7)所示。

(5)

(6)

式中：r=(p+q)/2+1；p+q=2,3,…,

φ1=η20+η02；

φ3=(η303η12)2+(3η21-η03)2；

φ4=(η30+η12)2+(η21+η13)2；

φ5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]；

φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)；φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]

(7)

Hu已經(jīng)證明Hu不變矩具有平移、旋轉(zhuǎn)、比例尺度不變性，且幅值反映了物體的形狀并可用于形狀檢索和模式識(shí)別[11-12]。在這7個(gè)不變矩中，第七個(gè)不變矩可由第三、四、六矩線性表示，故本文只對(duì)二值化的陶瓷水閥片圖像提取前六個(gè)矩作為特征向量，用于缺邊缺陷的提取。由于不變矩的數(shù)值變化范圍很大，為了便于比較，本文利用去對(duì)數(shù)的方法進(jìn)行數(shù)據(jù)壓縮[13]。因此本文采用的不變矩為：

φk=log|φk| (k=1,2,…,6)

(8)

3.2Gabor紋理特征

Gabor濾波器可以檢測(cè)出圖像中尺度和方向都可變化的條紋和邊緣，且二維Gabor濾波器可成功模擬出人類的視覺系統(tǒng)，在圖像分析理解中有著重要的作用。因此，本文提取Gabor紋理用于表征陶瓷水閥片存在的劃痕特征。先選擇Gabor函數(shù)如下:

(9)

v的取值決定了Gabor濾波的頻率，u的取值表示了Gabor核函數(shù)的方向，K表示總的方向數(shù)，Gabor濾波器提取的特征能夠全面的提取陶瓷水閥片的表面缺陷信息通過后續(xù)的參數(shù)選擇工作，對(duì)紋理信息進(jìn)行降維，作為分類器的輸入量。

將Gabor函數(shù)分解為實(shí)部hR(x，y)和虛部hI(x，y)兩個(gè)分量，則用它濾波得到陶瓷水閥片圖像為：

(10)

式(10)中：(h×I′)表示圖像I′和濾波器h的卷積,S(x,y)為該Gabor濾波器提取的陶瓷水閥片特征圖像。

4 支持向量機(jī)模型

s.t.yi((w·φ(xi))+b)+ξi≥1

ξi≥0；i=1,2,…,l

(11)

式(11)中：C為懲罰系數(shù)，ξ為非負(fù)松弛項(xiàng)，w為最優(yōu)超平面傾斜角，b為最優(yōu)超平面截距。

(12)

=0；0≤αi≤C；i=1,2,…,l

(13)

式(13)中：K(xi,xj)為核函數(shù)。

圖2 缺邊檢測(cè)的支持向量模型的訓(xùn)練與測(cè)試流程

綜上所述，用于檢測(cè)陶瓷水閥片表面缺邊和劃痕兩種缺陷的檢測(cè)算法如圖2和圖3所示。對(duì)于缺邊缺陷，先進(jìn)行中值濾波和大津二值化處理，提取Hu不變矩，然后利用訓(xùn)練好的支持向量機(jī)進(jìn)行檢測(cè)識(shí)別；對(duì)于劃痕缺陷，同樣先進(jìn)行中值濾波和大津二值化，然后進(jìn)行形態(tài)學(xué)運(yùn)算并提取Gabor紋理特征，對(duì)Gabor紋理特征進(jìn)行特征歸一化與主分量分析，最后利用訓(xùn)練好的支持向量機(jī)進(jìn)行檢測(cè)識(shí)別。

圖3 劃痕檢測(cè)的支持向量模型的訓(xùn)練與測(cè)試流程

5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的有效性和可靠性，構(gòu)建了陶瓷水閥片表面缺陷圖像檢測(cè)系統(tǒng)，如圖4所示。實(shí)驗(yàn)中選用LED光源，北京嘉恒中自圖像技術(shù)有限公司的OK-AC1300型CCD和OK-RGB20B型采集卡。采用Matlab語言實(shí)現(xiàn)陶瓷水閥片表面缺陷圖像檢測(cè)軟件系統(tǒng)。針對(duì)同缺陷類型和不同陶瓷水閥片主要進(jìn)行了三組實(shí)驗(yàn)。

圖4 陶瓷水閥片表面缺陷檢測(cè)系統(tǒng)圖像采集

第一組實(shí)驗(yàn)驗(yàn)證了基于支持向量機(jī)的陶瓷水閥片缺邊檢測(cè)方法的有效性。部分缺邊樣本如圖5所示。按照?qǐng)D2給出的算法流程分別計(jì)算3個(gè)樣本的Hu不變矩，結(jié)果如圖5中樣本1的檢測(cè)結(jié)果如表1所示。由于陶瓷水閥片在檢測(cè)過程中受光源強(qiáng)度影響較大，故本文在不同光強(qiáng)的條件下，對(duì)200個(gè)樣本(100個(gè)合格陶瓷水閥片、100個(gè)缺邊陶瓷水閥片)進(jìn)行分類識(shí)別，識(shí)別結(jié)果如表2所示。

圖5 缺邊陶瓷水閥片樣本圖像

樣本號(hào)φ1φ2φ3φ4φ5φ612.9810867.29218812.8681512.8838825.7686416.5867222.980987.27493814.4419715.1916330.0259119.0148832.9795617.2933812.7633812.7590225.5208216.46279

表2 不同強(qiáng)度光源條件下檢測(cè)缺邊分類準(zhǔn)確率

由表2可知：陶瓷水閥片在不同強(qiáng)度的光源照射下，缺邊檢測(cè)保持較高的檢測(cè)準(zhǔn)確率。證明了本文提出的缺邊檢測(cè)算法是有效的。

第二組實(shí)驗(yàn)是為了驗(yàn)證基于支持向量機(jī)的陶瓷水閥片劃痕檢測(cè)方法的有效性，采集的陶瓷水閥片圖像部分樣本如圖6所示：樣本2號(hào)是樣本1號(hào)的縮放，而樣本3號(hào)是樣本1號(hào)的逆時(shí)針旋轉(zhuǎn)90度而成的，樣本4號(hào)與樣本1號(hào)有著劃痕的區(qū)別。實(shí)驗(yàn)中v選擇22.63、11.31、5.66和2.83四個(gè)頻率和u選擇0°、30°、60°、90°、120°、150°6個(gè)方向，對(duì)圖像Gabor濾波后求得圖像的平均值、對(duì)比度和熵共72維特征向量。本文只給出4個(gè)樣本前6維Gabor紋理特征如表3所示。

圖6 劃痕陶瓷水閥片樣本

樣本號(hào)第1維特征第2維特征第3維特征第4維特征第5維特征第6維特征11.26034900.05987210.00521492.57354861.06513450.004597121.83880840.14317550.00629244.64104771.48715870.005108231.25918980.05889330.00520542.54753481.06097610.004585441.25981270.05887690.00520862.57033891.06168830.0045931

為了驗(yàn)證此方法對(duì)劃痕缺陷識(shí)別的有效性，本實(shí)驗(yàn)在不同光強(qiáng)的條件下采集300個(gè)樣本(150個(gè)合格陶瓷水閥片、150個(gè)有劃痕缺陷的陶瓷水閥片)。分別對(duì)100個(gè)合格陶瓷水閥片和100個(gè)有劃痕缺陷的陶瓷水閥片按照?qǐng)D3的算法流程進(jìn)行處理，訓(xùn)練得到檢測(cè)劃痕的支持向量機(jī)模型，將剩余的100個(gè)樣本送入訓(xùn)練好的支持向量機(jī)模型中進(jìn)行檢測(cè)。不同光源強(qiáng)度條件下劃痕檢測(cè)結(jié)果，如表4所示。

表4 不同光源強(qiáng)度條件下劃痕檢測(cè)準(zhǔn)確率

由表4可知：陶瓷水閥片劃痕缺陷在不同強(qiáng)度的光源照射下，檢測(cè)準(zhǔn)確率收到影響很大。證明在本文設(shè)計(jì)的劃痕檢測(cè)算法在光照強(qiáng)度適中的情況下是有效，在實(shí)際中生產(chǎn)對(duì)劃痕的檢測(cè)應(yīng)注意調(diào)節(jié)光源強(qiáng)度并保持穩(wěn)定，使得劃痕缺陷更好的檢測(cè)。

第三組實(shí)驗(yàn)驗(yàn)證方法的適用性。實(shí)際生產(chǎn)中陶瓷水閥片有不同種類，如圖7所示。采用本文提出算法對(duì)這種陶瓷水閥片進(jìn)行分類處理。首先對(duì)已選擇100個(gè)陶瓷水閥片合格樣本與100個(gè)缺陷陶瓷水閥片進(jìn)行圖像預(yù)處理，分別提取Hu不變矩和Gaobr紋理特征，對(duì)特征進(jìn)行訓(xùn)練形成檢測(cè)是否合格的支持向量機(jī)模型。利用已訓(xùn)練好的支持向量機(jī)模型對(duì)另外100個(gè)該類陶瓷水閥片進(jìn)行一一檢測(cè)，并進(jìn)行統(tǒng)計(jì)最后得到該陶瓷水閥片缺陷檢測(cè)正確率為89%。證明該算法有較好的適用性。

圖7 第二類陶瓷水閥片樣本

6 結(jié) 語

本文提出一種基于支持向量機(jī)的陶瓷水閥片表面缺陷圖像檢測(cè)方法，并構(gòu)建了陶瓷水閥片表面缺陷檢測(cè)系統(tǒng)實(shí)驗(yàn)裝置。訓(xùn)練生成了用于識(shí)別劃痕缺陷、缺邊缺陷和第二類陶瓷水閥片的三類支持向量機(jī)。在不同的光源強(qiáng)度下采集三類陶瓷水閥片圖像，分別提取特征參數(shù)并輸入對(duì)應(yīng)的支持向量機(jī)，分別對(duì)劃痕、缺邊缺陷和第二類陶瓷水閥片進(jìn)行了分類識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明本文提出的方法能夠準(zhǔn)確的檢測(cè)出陶瓷水閥片的缺邊與劃痕缺陷和不同類型陶瓷水閥片。實(shí)驗(yàn)證明本文設(shè)計(jì)的陶瓷水閥片表面缺陷檢測(cè)系統(tǒng)具有良好的可行性和有效性，為陶瓷水閥片缺陷自動(dòng)檢測(cè)提供了新的方法。

[1] HASHIM A , CLEMENT P E. Computer vision in a manufacturing process[C]∥Proceeding on Robot Vision,1994:417-427.

[2] BRADLEY C, WONG Y S. Surface texture indicators of tool wear-a machine vision approach[J]. The International Journal of Advanced Manufacturing Technology,2001(4):435-443.

[3] LAHAJNAR F, BERNARD R, PERNU F，et al. Machine vision system for inspecting electric plates[J]. Computers in Industry,2002,47(1):113-122.

[4] 胡亮,段發(fā)階,丁克勤，等.帶鋼表面缺陷計(jì)算機(jī)視覺在線檢測(cè)系統(tǒng)設(shè)計(jì)[J].無損檢測(cè),2003(6):287-290.

[5] 商俊敏,宮閩軍,雷育良,等.基于機(jī)器視覺的在線軸承檢測(cè)系統(tǒng)[J].組合機(jī)床與自動(dòng)化加工技術(shù),2004,18(8):51-52.

[6] 朱貴峰.機(jī)器視覺在線檢測(cè)圖像處理技術(shù)研究[D].合肥：合肥工業(yè)大學(xué),2006.

[7] 張輝，王耀南，周博文.基于機(jī)器視覺的液體藥品異物檢測(cè)系統(tǒng)研究[J].儀器儀表學(xué)報(bào)，2009,30(3):548-553.

[8] 胡學(xué)龍.數(shù)字圖像處理[M].北京：電子工業(yè)出版社,2006.

[9] 楊帆,王志陶,張華.精通圖像處理經(jīng)典算法:MATLAB版[M].北京：北京航空航天大學(xué)出版社,2014.

[10] 江熹.基于數(shù)字圖像處理的大空間早期火災(zāi)自動(dòng)檢測(cè)與識(shí)別技術(shù)研究[D].南昌：華東交通大學(xué),2012.

[11] HU M K. Visual pattern recognition by moment invariant [J]. IRE Trans Information Theory ,1962,8(2):179-187.

[12] 張蕾.基于集成神經(jīng)網(wǎng)絡(luò)的離線手寫簽名鑒別方法[D].貴州：貴州大學(xué),2009.

[13] 田秋紅,孫政榮.基于Hu不變矩和BP網(wǎng)絡(luò)的條形碼圖像識(shí)別方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2012,33(4):1563-1568.

(責(zé)任編輯： 陳和榜)

Study on the Image Detection for Surface Defects of Ceramic Water Valve Plate

TIANQiuhong,LIFangyong,SUNZhengrong

(Precision Measurement Laboratory, Zhejiang Sci-Tech University, Hangzhou 310018, China)

Manual defect detection of ceramic valve plate has such problems as low detection efficiency and large labor strength. Furthermore, some minor defects can be skipped over. To solve the problems, an image detection method for surface defects of ceramic water valve plate based on support vector machine (SVM) is proposed. Firstly, the preprocessing was carried out for the ceramic valve plate. Secondly, Hu invariant moment and Gobar texture features were extracted from the ceramic valve plates according to different defects, respectively. Finally, the extracted features were inputted into the trained SVM to classify. The detection experimental facility was constructed. The feasible and comparative experiments were carried out. The results show that the proposed method has high recognition rate of the missing edge and scratches and it has good applicability for the second type of ceramic water valve plates.

defect detection of ceramic water valve plate; support vector machine (SVM); Hu invariant moment; Gobar texture features.

10.3969/j.issn.1673-3851.2017.05.018

2016-06-07 網(wǎng)絡(luò)出版日期： 2017-03-28

國(guó)家自然科學(xué)基金項(xiàng)目(51405448);浙江理工大學(xué)521中青年人才支持計(jì)劃項(xiàng)目

田秋紅(1976-)，女，遼寧興城人，副教授，主要從事精密視覺測(cè)量技術(shù)方面的研究。

TS195.644

A

1673- 3851 (2017) 03- 0417- 06