重轨表面缺陷机器视觉检测的关键技术
第3O卷第9期
2007年 9月
重庆大学学报(自然科学版)
Journal of Chongqing University(Natural Science Edition)
V01．30 No．9
Sep．2007
文章编号：1000．582X(2007)09．0027．06
重轨表 面缺 陷机器视觉检测 的关键 技术
王凌云 ，黄红辉 ，王 雪 ，谢 志江
(1．湖 南科技 职业学院 机 电工程与技 术 系，湖南 长沙 410118；2．重庆 大学 机械工程 学院 ，重庆 400030)
摘 要 ：针对重轨生产线 中重轨表面缺陷在线检测的 困难 ，提 出了基于机器视 觉检测的系列 关键
技术，包括缺陷成像机理、多CCD组合采集器、图像处理技术、基于多空间的缺陷参数提取等。通过 图
像校正、基于支持向量机(SVM)的直线(面)边缘搜索算法和缺陷特征参数提取等核心技术，可获得完
整的重轨全表 面的图像 ，其提纯的缺陷特征参数可以进行模式识别。实验验证表明，采用上述关键技术
对重轨表面常见的缺陷识别，正确率在 8O％以上，达到了工程检测的需要 。
关键词 ：重轨 ；机器视觉 ；表面缺陷；支持向量机
中图分类号 ~TM930．12 文献标志码 ：A
重轨的质量是铁道运输的安全保 障，也是产品进
行市场竞争 的根本保 障。重轨 的内部缺 陷如 内部裂
纹 、夹渣和气孔等在生产过程中能得到很好地检测，而
对重轨表面缺陷在线检测则较为困难。随着重轨生产
线速度的提高和产量的上升 ，这个问题 日益突出。
l 重轨表面缺陷检测方法
目前对重轨表面缺陷检测的研究和应用是建立在
钢表面缺陷的检测相关理论上 ，主要有 目测法 、电涡流
检测 、漏磁检测 、超声波和红外线检测等¨引。
目测法是人工肉眼寻找识别缺陷的方法。检测人
员直接 目测或使用放大镜对重轨表面进 行检测 ，确定
缺陷种类 ，澳4量缺陷的大小 。
电涡流检测是基于电磁感应原理 ，当用带有正弦
波电流激励的线圈的探头接近钢表面时，线圈周 围的
交变磁场在金属表面产生感应电涡流。电涡流产生与
线圈磁场同频且反向的反磁通。当探头在金属表面移
动遇到缺陷时，引起线圈阻抗的变化 ，检测该变化量就
能检测到钢表面是否有缺 陷及缺 陷的种类、大小 和
尺 寸 。
红外线检测技术的原理 是通过高频感应线圈，
在钢表面会产生感应电流 ，由于高频感应的集肤效应 ，
感应穿透深度将小于 1 mm。在表面缺陷区域 ，感应电
流会导致在单位长度 的表面上消耗更多电能，引起钢
局部表面温度上升。该升温取决于缺陷的平均深度、
线圈工作频率 、特定 的输入 电能、被检钢的电性能、热
性能、感应线圈的宽度和钢的运动速度等因素。当其
它各种因素在一定范围内保持恒定，就可通过检测局
部温升值来计算缺陷深度 ，而局部温升可通过红外线
检测技术加以检定。
漏磁检测法始于 20世纪 80年代 ，其检测原理是 ：
在直流磁场的作用下 ，被检测钢板 的表面磁化并接近
饱和。此时在缺陷部位有几乎与缺陷体积成 比例的磁
力线外露 ，通过磁传感器可以把泄漏 的磁力线检测到，
从而推断出钢板表面上缺陷的大小。
超声波探伤是利用超声波 的反射原理 ，当钢表面
存在缺陷的地方 ，其 回波和没有缺陷的部分明显不同，
通过对其 回波的检测就可探 明缺陷的大小和种类。
目测法存在检测效率低，检测结果受 主观因素影
响大 ，检测精度低等问题 ；电涡流检测的检测精度和效
率较高，但常常造成过检测 ，且操作弹性难以调节 ，对
国内重轨产品检测效果差 ；红外线检测 、漏磁检测和超
声波检测用 于热轧板等平直型钢表 面具有一定 的效
果 ，但难以用于重轨表面复杂的表面检测上。
收稿 日期 ：2007．05-12
作者简介 ：王凌 云(1963．)，女 ，湖南科技职业学院教授 ，主要从事 CAD／CAM、计算机 监测等方 面的研 究 ，(Te1)0731-2861566；
(E-mail)wanglyunl6@sina．com。
维普资讯 http://www.cqvip.com
重庆大学学报(自然科 学版) 第 30卷
2 重轨几何特性和缺陷光成像模型
重轨表面由轨头 、轨腰和轨底构成 ，如图 1所示 。
其全表面为多平面 一多 曲面构成。图中7个面 中，没
有纯粹的平面 ，都是由平面和弧面构成。
1，踏面 ；2．轨头侧 面 ；3、轨腰顶 面 ；4．轨腰腹 面；
5．轨腰底 面；6．轨底侧面 ；7．轨底底面
图 1 重轨横界面示意图
当光源照射到重轨表面上引起散射。计算散射的
方法有几何光学方法、标量散射理论 、矢量散射理论和
米 氏散射理论。重轨表面需要检测的缺陷其宏观尺寸
都在 1 mm 以上，其他非缺陷区的粗糙度也在亚毫米
级 ，远大于普通光源的百纳米级波长。尽管重轨表面
缺陷和粗糙度都远大于可见光波长 ，但是 由于表面存
在类似球体的微小结构 ，这些结构从米氏理论分析 ，当
入射光波波长和这些结构 的尺寸相 当时，会引起散射
光强的增加 ，当发生散射共振时，这些微粒成像将被放
大 ，造成和缺陷成像混淆 。光源 的光谱为连续分布的
曲线 ，然而总有一部分光谱会造成共振 ，表现在缺陷图
像上是某些亮的光斑。这种现象在机器视觉检测的时
候可以通过调整入射光的波谱 范围进行控制。因而，
可用几何光学理论构建缺陷成像的物理模型。
3 基于多线阵 CCD的图像采集器
重轨在精整线上的运行速度为 3 m／s左右 ，此时
采用线阵 CCD能满足在线检测的要求。根据上述分
析，设计了多线阵 CCD图像采集器，如图 2所示 。
该图像采集装置 中一共使用 了 6对 CCD。重 轨
通过精整线时 ，通过一个内装这些 CCD的采集箱 ，每
个 CCD都对应一个线光源。卤素灯具有 良好 的光强
范围，且易于调节。该系统光源设计为柯拉准直线线
卤素光源 ，保证图像采集 的一致性。
为了使得 CCD器件 的光敏元件的可测 范围在其
光谱频响范围内，在 CCD前面加滤光片。考虑到每个
检测的光源应该互相不干涉 ，且 CCD和光源需要一定
4
图 2 多线阵 CCD阵列示意图
的空间体积 ，因此，空间上的 CCD排布是交错的，如图
3为重轨单测 CCD阵列排布从踏面的俯视图，小框表
示 CCD及其光源 的图像采集装置。
， — — ～ — — 、 ， ／
1．．．．．．．．．．_-J
＼
踏面 ＼
、
r
I
I
-
团
同
／ I．．．． ．．__J —、
图 3 CCD 空间 排 布 踏 面俯 视 图
系统采用暗场的照明成像条件，并调整入射光的
位置 、光强和照射在被测表面的线宽度 ，得到照明参数
组：线光源入射角度 42。，光源在被测面的成线宽度为
2 mm。每个 CCD使用的光源 的参数保持一致 ，这样
能得到较好的成像。如图 4所示。
一 舭 田 工]一
． ．． ． ．． ． ． ．． ．
I．一 I 滤光 片
重轨表面
图 4 照明条件
4 图像处理关键技术
通过图像采集装置得到 的重轨表面的图像，每个
CCD成像在不 同程度上都是对部分或全部弧面成像 。
维普资讯 http://www.cqvip.com
第 9期 王凌云 ，等 ： 重轨表 面缺 陷机器视觉检 测的关键技术 29
在选用镜头的时候 ，虽然可以采用景深稍大镜头 ，使得
各部分都能成像 ，但不可避免地在接近分界线附近 ，由
于曲率半径过小而造成 了少许模糊 ，且 由于物距 的改
变 ，使得成像变小了，也就是发生了几何畸变。由于空
间上 CCD排布的差异 ，使得重轨各个侧面成像时间上
存在差异，需要进行纵 向拼接；各个 CCD成像只是表
面的一部分 ，需要进行横 向拼接才能形成完整的表面
图像 ；得到全表面图像 后，需要对缺陷进行特征提取 ，
并进行适当的处理 ，才能进行缺陷模式识别。所以，重
轨表面缺陷检测 图像处理关键技 术包括 ：1)图像校
正 ；2)直线 (面)边缘搜索 ；3)图像无缝拼接 ；4)缺陷特
征提 取 。
4．1 图像校正
根据几何光学 ，弧面上的某点如果发生畸变 ，则其
水平和垂直方向发生缩小的倍数相同 由于重轨的几
何尺 寸是 已知 的，就 可 以建 立一 个缩 小 系 数 函数
R(n)，n≥ ，n为待检测面的像 素点位置 ， 为开始
校正的像素位置。由线阵 CCD成像原理 ，图像在行成
像的行坐标上进行校正 ，而行数不需要校正。也就是
校正后图像 的行宽将发生变化 ，但 图像 的长度不变。
若校正前的图像为 ，( ，Y)，校正后的图像为 ， (X ，Y)，
则有关系 ：
= [ ， (1)
式中，方括号为取整运算 ，缩小函数 (n)通过几何光
学成像理论可以获得。发生几何畸变 的同时 ，实际上
还会发生灰度 畸变。但是实验发现，调整高频荧光灯
的光强后 ，其灰度畸变很小 ，基本上不影响以后的计算
和识别。灰度畸变的模型非常复杂 ，若进行畸变校正，
给系统增大了很大的负担 ，效果基本上不明显 ，因此，
表面缺陷检测系统可以不进行灰度畸变校正。
4．2 基于 SVM的图像直线(面)边缘搜索算法
CCD阵列采集时保持相同的行频率 ，且严格 同时
触发采集 ，图像的纵 向拼接只是纵向像素的线性加减。
图像的横向拼接 ，必需要有一个参考点。由于各个检
测成像面中都会形成较 为明显的两条直线或面边缘 ，
只要每幅图精确地搜索到 了直线或面边缘 ，就能依次
为参考拼接出完整的表面图像。笔者提 出基于 SVM
的边缘搜索算法。
4．2．1 SVM 方 法
SVM是 Vapnik等人提 出一种用子模式识别的有
效方法 ，该方法基于核函数 ，对凸二次优化求解问题 ，
具有最优解 引。对常用的长直线边缘算法 ，如 Canny
算子、Hough变换等，不仅计算量很大 ，而且识别率不
高。采用 SVM具有较好的识别率和定位精度 。
SVM方法是建立在统计学习理论的 VC维理论 和
结构风险最小化原理上的具体实现。设线性可分样本
集为 X ，Y ，i=1，2，?，n； ∈R ，Y∈{+1，一1}。d维
空间中线性判别函数 的一般形式为 g(X)=W·X+b，
分类面最 近 的样 本 的模 Ig(x)I=1，分 类 间隔等 于
2／ll W ll 最小 ；而要求分类 正确 ，就要满 足条件 Y =
[(W·X )+b]一1 1>0，i=1，2，?，n。因此满足这个条
件且使 【l W ll 最小的分类面就是最优分类面。
SVM的核心思想是支持向量机 的基本思想 ，就是
通过非线性变换将输人空间变换到一个高维空间，然
后在这个新空间中求取最优线性分类面，而这种非线
性变换是通过定义适当的内积 函数实现的。 目前 ，得
到研究的内积函数形式 主要有 3类：q阶多项式分类
器 、径向基 函数分类器和多层神经网络分类器 。
4．2．2 直线(面)边缘提取算法
在 SVM方法中，需要选择图像特征进行学习识别
和分类。灰度共生矩(Gray—Level Co—occurrence Marix，
GLCM)是描述 纹理特征 的一种方法 ，可 以用 于直线
(面)边缘搜索。笔者抽取其 中的几个统计量，和其他
纹理参数一起构成了 SVM训练识别的向量 (SVM)的
分量。
n—l
1)灰度图像的平均值，m = ∑pJ(P )，P ，是象
‘ = 1
素点的灰度值 P )是灰度图中灰度级频率概率值 ；n
是灰度量级。分量 1描述 了灰度图的基本特征。
2)区域光滑特性，r=l一1／(1+ )，其 中算子
n一1
= p )一m) P )。分量 2描述了灰度 图直线
i=1
部分的光滑特性。
3)图像熵 ，s=一 PiInP ，分量 3描述了灰度图
的灰度变化随机性。
n一1
4)图像二阶惯性矩 ， = (P —m) P )，分
i= 1
量 4描述了图像均匀性参数 。
n一1
5)图像三阶惯性矩 ， ，= (P —m)3f(P )，分
i 1
量 5描述了图像偏斜度参数 。
M Ⅳ
6)图像局 部平 稳性 参数 ，h = f／(1+
i lj= 1
( -j) )，M、N为图像的像素数 。分量 6描述了图像局
部的平稳和变化率 。
M Ⅳ
7)图像 的梯度参数 ，M = 1／MN g(x，Y)，
i 1 1
g(x，Y)是经过 Sobel算子得到的边缘灰度图。分量 7
描述 了图像的梯度变化特征。
维普资讯 http://www.cqvip.com
30 重庆大学学报 (自然科 学版) 第 30卷
上述 7个分量全部或者其中一部分可以组合成待
测特征矢量。根据前面对 SVM算法的分析 ，需要将这
些分量进行归一化 ，归一化通过公式(2)实现 ：
2 ×X · ～ 一 i
X 一X i 1 。 (2)
实际上，这 7个特征对识别的贡献是不同的，而且
用于在线检测模式 ，分量太 多造成计算量巨大。经过
主成分分析 ，分量 6、7的贡献较大且相差无几，而分量
4贡献最小。考虑到分量 7的计算量很大 ，排 除了分
量 4和 7，得到用于 SVM的特征向量 ： ：{m，r，s， ，，
h}。
4．2．3 直线 (面边 )缘检 测 结果
在选用 SVM 的分类器核函数上，笔者用 3种分类
器都做了实验分析 ，结果表 明，在研究 的对象中，采用
中形成的直线。表 1为不同的 径向基函数核分类的
泛化误 差 。
从表 1可以看出，在使用不同的 径 向基 函数核
分类时，当 =1．5系统能达到较好的分类效果。轨腰
的上 、下底面存在倾角 ，在这样 的情况下 ，图像质量会
受到影响 ，由面边缘形成的直线不很明显 ，因此其误差
较高 ，个别图像的误 差高达 20％以上，影 响了表面缺
陷的检测。
通过 4．2．2的方法 ，在每个 CCD采集的图像中，
可搜索到两条直线。这两条直线分别是该 CCD采集
的面和其相邻 CCD采集的面的交线。因此 ，只要定位
了这两条交线，就可以确定该 CCD需要处理的图像 内
容为两条交线之间的部分。实际上 ，由于重轨的几何
特点 ，其交线在成像中明显，采用 了 SVM方法后，能快
径向基 函数核能较好地区分识别出各个面边缘在图像 速准确地进行搜索定位。
表 1 重轨 表面不 同侧面图像 直线检测 的泛化误差
4．3 图像拼接
在图像的无缝拼接方面 ，可分为纵 向无缝拼接和
水平无缝拼接 。
纵 向方向的无缝 拼接 的因素是时间差 。由于
图像采集装置的离散分布 ，同一时刻每个 CCD成像 的
部位在纵 向不 一致。此 时可 以取需 要 拼接 的 2个
CCD之间的距离 以及成像像素 当量 叼来求得 实际纵
向拼接 的像素距离 s：
： ， ㈩
式中 (t)为重轨移动的瞬时速度 ，其积分值为实际在
内移动的距离 f，t 为初始时刻。求得了像素距离 ，
图像的纵向拼接为简单的代数加法 。根据 每个 CCD
成像由公式(3)求得的像素差 ，直接进行拼接即可。
水平无缝拼接是建立得到直线 (面 )边缘情况下
进行的。直线(面)边缘虽然已经得到 ，为了考虑无缝
拼接的精度 ，还 不能直接在直线 (面)边 缘处进行拼
接。笔者采用了图像 过渡算法 的模板 匹配方法 墙]。
由于已经通过 SVM确定了面边缘 ，模板匹配是弥补到
由照明、抖动等因素造成的面边缘成像误差。
通过纵向和水平的多图像无缝 拼接 ，可得 到重轨
全表面的图像。
4．4 特征参数提取
根据笔者的前期研究工作 和文献 [9．10]等 的研
究 ，表面缺陷图像缺陷特征反映在图像的几何空间、灰
度空间和变换域空间里面。不同的缺陷在不同的空间
里面的分离度不同，因此 ，对缺陷的精确识别 ，需要对
所有这些空间里面的特征进行分析和筛选。
缺陷的几何特征是缺 陷的直观反映，D～为缺 陷
的最大外接圆直径 ，D i 为最小 内接 圆直径。这两个
参数是为了考察缺陷的圆度特性 。凸边缘包络线是根
据缺陷实际边缘线上外 凸的点而形成的，它表征了缺
陷实际边缘线的凸边缘性。设实际边缘线的轮廓长度
为 ；缺陷的面积为 S；C 。? 的长度为 L ；C 。 围成 的
面积为 S 。? 。笔者选择的缺陷几何参数为 ：缺陷等效
矩形的长度 Z 和宽度 Z ；缺陷的凸紧密度 c 和缺陷的
光 滑度 s 。
灰度空间采用前面 4．2．2讨论过 的 GLCM，在缺
陷内部图像区形成的分量 1一分量 5。
变换域空间反映了缺 陷内部 的局部高频特性，笔
者采用了离散余弦变换 (DCT)滤波器组，根据 DCT来
自于切 比雪夫多项式 ，因此 DCT是一种正交变换，它
克服了离散傅立叶变换(D肼 )的运算量大且出现复数
维普资讯 http://www.cqvip.com
第 9期 王凌云 ，等 ： 重轨表面缺陷机 器视 觉检测的关键技 术 31
项 的缺点 。
DCT变换的系数矩阵I厂(m，n)为 ：
f(m,n)= 2
。
。s ·
cos 。 (4)
采用 3 X 3的滤波方式 ，每个滤波模板取余弦变换
系数的前 3阶项。DCT变换的前三阶项组成的一维模
板为“ ={1，1，1} ，“ ={c。s ，c。s 3而,rr，0)。，“ =
{c。s詈，一c。s ，一1)。。3×3滤波模板可以形成
9个 ，但 “ X“ 为单位矩阵，没有实际运算价值。笔者
采用了 3种二 维滤波算 子 ，分别 是：D = “ X“ 、
D2 “1 X“3 、D3 “2 X“3 。
此时，构成缺陷的特征参数向量为 12维 向量 ， =
(1 ，l ，C1，s1，m，r，s， 2， 3，D1，D2，D3)，根据在线检测 ，
当发现某个 区域 为可 疑 区域 时 ．将 缺 陷边 缘 及其 内部
图像信息进行分析，提取其特征 向量参数 ，采用某种模
式识别方法进行识别 ，就能得到该可疑区域是否为缺
陷。笔者采用的3空间特征参数提取方法 ，全面地反
应了缺陷的直接和间接信息。
5 检测实验和讨论
重轨的表面缺陷种类多达几十种 ，出现概率较高
的也有 8种之多 ，它们是结疤 、轧疤 、辊印、线纹、底裂、
冷伤 、矫伤和表面夹杂。
在模式识别方法 的选择上，可以有多种方法 。笔
者选择 了基于 SVM多分类二叉树结构方法进行分类 ，
选择了 100个学习样本进行训练，构成 的分类器用于
在线检测分类，对 30个实际缺陷 的分类 结果如表 2
所示
表 2 重轨表面缺陷识别结果
利用笔者提 出的重轨表面缺 陷机器视觉检测方
法 ，可以较好地满足重轨表 面图像在线 的采集过程。
并 由后续 的缺陷识别结 果，其典 型缺陷的识别率在
80％以上，基本上能满足工程上的需要。但需要解决
的问题有 ：
1)重轨各个表面之间的连接部分 ，面边缘周 围的
缺陷较难以识别 。这是 由于采集成像后这些部分发生
变形 ，且难以复原。
2)轨腰的上下底面面边缘直线检测精确度还有
待提高。
3)在线检测时的振动影响了检测精度。
这些问题可以通过优化采集器结构 ，控制重轨振
动和改善图像处理方法进行研究解决。
参考文献： 。
[1] 于晓阳．电涡流式金属异物检测 系统的研究 [J]．仪器仪
表学报 ，1995，16(1)：95-98．
[2] 沈功 田，张万岭，特种设 备无损 检测技 术综述 [J]，无 损
检测，2006，18(1)：34—39．
[3] 李大社 ，纪淑波．实 时动态检测 钢板 状态研究 [J]．激 光
与红外 ，2005，35(5)：359—360．
[4] 李桂 军 ．攀 钢 重轨 钢 生产 工 艺 的完 善 [J]．钢 铁 钒 钛 ，
2001，22(3)：61-63．
[5] 刘清坤，基 于支持 向量机和特征选 择的超声 波缺陷识别
方法研究 [J]．中国机械工程 ，2006，17(1)：9—12．
[6] 胡正平 ，张哗 ．支持 向量学习并行区域增长结合活动轮廓
模型 的 图 像 分 割 算 法 [J]．光 学 技 术，2006，32(3)：
410-415．
[7] 吴斌 ．三维形貌数字化 测量关键技术研究 [J]．机械工程
学报 ，2004，40(3)：159—161．
维普资讯 http://www.cqvip.com
32 重庆大学学报(自然科 学版) 第30卷
陈果 ，左洪福 ．显微 图像 的一 种快 速拼接 方法 [J]．仪器
仪表学报 ，2003(4)：343—347．
ZHANG XIANG ，KREW ET C ，KUHLENKO B．Automatic
classification of defects on the product surface in grinding
and polishing[J]．International Journal of Machine Tools＆
Manufacture，2006，46：59-69
10] LEE J R J，SMILTH M L，SMITH L N，et a1．Robust and
efficient automated detecfion of tooling defects in polished
stone[J]．Computers in Industry，2003，56(8-9)：797·801
The Study on Key Technology of Faults Detecting
on Surface of Rail Steel Based on M achine Vision
WANG Ling-yun ，HUANG H0ng—hui WANG Xud，XlE Zhi-jianf
(1．Department of Mechanical and Electrical Engineering，Hunan Vocation Institute of
Science and Technology,，Changsha 4101 18，China；
2．College of Mechanical Engineering，Chongqing University，Chongqing 400030，China)
Abstract：Aiming at diffi culties of on—line inspecting in rail steel，it proposed a key collecting technolo~ based on ma·
chine vision，which is composed of imaging mechanics，multi—CCD collector，image processing technology and parameter
extracting based on multi—space parameters．It adopt image calibration and line(or plane)edge detecting algorithm
based on Supported Vector Machine，SVM)to acquire the whole surface rail一-steel image and parameters for model rec·
ognition．Experiments indicated that the key technologies studied in this article could get more than 80％ recognition re—
suits and meet engineering needs．
Key words：rail steel；machine vision；SUl~ace faults；supported vector machine
、 驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、驴 、护 ，t驴
(编辑 李胜春 )
，t驴
(上接第 26页 )
The Development of Intelligent Fault Diagnosis System Based KBE Graph
ZHANG Xiao—rongI ，DAI Hong-jie3，SONG Chao—shenf
(1．College of Mechanical Engineering，Chongqing University of Science and Fechnology ，Chongqing 400042，China；
2．State Key Laboratory of Mechanical Transmission ，Chongqing University ，Chongqing 400030，China；
3．Bubeau of Social Security Hubei Macheng，Macheng，438300，China)
Abstract：Aimed at solving the insufficiency problem in the current intelligent fault diagnosis system
，
such as lack of
development tools，inference 0versimpli cati0n，and developed a kind of diagnosis system based on network and KBE
graph． The system is simple and easy to establish，modify，expand and maintain and does not need further coding．In
addition，it can significantly save time and reduce the chance of failure．The integration of expert rules
，
fuzzy logic and
nerve network enables the system to adapt to those complicated systems which involve in multi—variable
．
multi—parame—
ter。multi—object and multi—process．As an example．an on—line detection system for simulate—on rotor test bench has
been established and typical faults were successfully diagnosed through it，which proved the validity and reliability of the
system．Furthermore，the system has been declared national invention patent．
Key words：knowledge based engineering；graph；fault；intelligent diagnosis
(编辑 李胜春 )
维普资讯 http://www.cqvip.com
重轨表面缺陷机器视觉检测的关键技术.pdf
