CN102829735A - 基于机器视觉的e型磁材背面几何形状缺陷检测方法 - Google Patents

基于机器视觉的e型磁材背面几何形状缺陷检测方法 Download PDF

Info

Publication number
CN102829735A
CN102829735A CN2012103164818A CN201210316481A CN102829735A CN 102829735 A CN102829735 A CN 102829735A CN 2012103164818 A CN2012103164818 A CN 2012103164818A CN 201210316481 A CN201210316481 A CN 201210316481A CN 102829735 A CN102829735 A CN 102829735A
Authority
CN
China
Prior art keywords
type magnetic
magnetic material
image
hand edge
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012103164818A
Other languages
English (en)
Other versions
CN102829735B (zh
Inventor
高会军
孙昊
张世浩
盛典
丁长兴
于金泳
孙光辉
刘雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Intelligent Equipment Research Institute Co., Ltd.
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201210316481.8A priority Critical patent/CN102829735B/zh
Publication of CN102829735A publication Critical patent/CN102829735A/zh
Application granted granted Critical
Publication of CN102829735B publication Critical patent/CN102829735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
  • Image Analysis (AREA)

Abstract

基于机器视觉的E型磁材背面几何形状缺陷检测方法，属于图像处理领域。为了解决现有对E型磁材检测方法的计算量大，检测效率低的问题。本发明是应用相机获取E型磁材背面的图像；以所得图像左侧边缘和右侧边缘所在的两个区域作为二值化子图像，将该图像进行连通区域标记和膨胀操作后作为滤波模板；并用其对Canny边缘检测的带有干扰点的边缘图像进行滤波；对子图像的上下部分的分别进行Hough变换，获得两条拟合直线；若其夹角大于N°，N为正整数，则认为待测E型磁材背面畸变过大；否则，计算磁材的长度和畸变率。本发明适用于测量E型磁材的长度和畸变率。

Description

基于机器视觉的E型磁材背面几何形状缺陷检测方法
技术领域
本发明涉及一种基于机器视觉的E型磁材背面几何形状缺陷检测方法，属于图像处理领域。
背景技术
目前，E型磁材广泛应用于变压器中，其是由两个E型磁材对称组合为一体件使用，因此，就需要对E型磁材的几何形状是否存在缺陷进行有效的检测，否则在组合使用时就会出现漏磁现象，导致严重影响变压器的寿命以及造成能量的大量损耗。因此，对E型磁材的几何形状是否存在缺陷检测是E型磁材工业生产中重要的一环。目前，工业生产上对E型磁材的尺寸检测仍处于生产人员利用肉眼进行分选的状态，这种检测方式的检测效率较低、精度较差。
发明内容
本发明的目的是为了解决现有对E型磁材检测方法的计算量大，检测效率低的问题，提供一种基于机器视觉的E型磁材背面几何形状缺陷检测方法。
基于机器视觉的E型磁材背面几何形状缺陷检测方法，它是由以下步骤实现的：
步骤一、调整相机，获取待测E型磁材背面的图像；所述图像的像素为1024×1028；
步骤二、在步骤一获得图像中确定待测E型磁材的位置，以磁材边缘所在的两个区域作为检测图像，同时对步骤一获得的图像进行阈值变换得到二值化图像；
步骤三、根据获得的二值化图像，以所得图像中待测E型磁材的左侧边缘和右侧边缘所在的两个区域作为二值化子图像，然后，同时执行步骤四和步骤六；
步骤四、对步骤三所获得的二值化子图像进行连通区域标记，保留子图像中最大的连通区域，删去其他区域，然后执行步骤五；
步骤五、对步骤四得到的二值化子图像进行膨胀操作，将其作为滤波模板，然后执行步骤七；
步骤六、对步骤三所获得的二值化子图像进行Canny边缘检测，获得待测E型磁材的带有干扰点的边缘图像，然后执行步骤七；
步骤七、用步骤五中得到的滤波模板对步骤六中得到的带有干扰点的边缘图像进行滤波；根据灰度值梯度的方向，滤去与灰度值变化方向相背离的点；
步骤八、对步骤七得到的边缘图像分别对其上半部分和下半部分进行Hough变换，获得边缘上半部分的拟合直线和边缘下半部分的拟合直线；若该两条拟合直线之间的夹角大于预设的最大夹角N°，N为正整数，则认为待测E型磁材背面畸变过大，为不合格品；否则，删去边缘图像中与变换所获得的直线距离大于预设最大距离的点，继续下面的步骤；
步骤九、在水平方向上遍历步骤八获得边缘图像，确定待测E型磁材边缘点的像素级坐标；使用抛物线拟合算法计算磁材边缘点的亚像素级坐标；
步骤十、对步骤九得到的待测E型磁材边缘点亚像素级坐标进行最小二乘法直线拟合，得到磁材边缘所在的直线；
步骤十一、搜索步骤九得到的待测E型磁材边缘点，得到磁材边缘端点的坐标；
步骤十二、根据步骤十所获得的磁材边缘所在的直线和步骤十一所获得的磁材边缘断点的坐标，计算待测E型磁材的长度和畸变率。
本发明的优点是：
1、计算量小，所需内存空间小，计算速度快，鲁棒性好；
2、本发明对边缘图像的上半部分和下半部分分别进行Hough变换，有效的识别出磁材背面畸变过大的情况，防止对后续处理产生影响；
3、有效较小背景干扰对处理结果的影响；
4、滤波模板的制作与Canny边缘检测可并行运行，提高计算效率。
附图说明
图1是本发明方法的流程图；图2是为采用相机拍摄的的E型磁材的背面图像；图3是磁材边缘所在的两个区域作为检测图像；图4是膨胀操作后的图像；图5是采用Canny边缘提取方法获得带有干扰点的边缘图像；图6是对图5进行滤波后获得的边缘图像；图7是Hough变换后的图像；图8是是经过对待测E型磁材边缘关键点亚像素级坐标进行最小二乘法直线拟合，得到磁材边缘所在的直线图像；图9是步骤五中膨胀操作的各像素点位置关系的示意图；图10是膨胀操作效果图，其中右边图中虚线部分为原来的亮区域，膨胀后的量区域增加了一个像素。
具体实施方式
具体实施方式一、下面结合图1说明本实施方式，本实施方式所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，它是由以下步骤实现的：
步骤一、调整相机，获取待测E型磁材背面的图像；所述图像的像素为1024×1028；
步骤二、在步骤一获得图像中确定待测E型磁材的位置，以磁材边缘所在的两个区域作为检测图像，同时对步骤一获得的图像进行阈值变换得到二值化图像；
步骤三、根据获得的二值化图像，以所得图像中待测E型磁材的左侧边缘和右侧边缘所在的两个区域作为二值化子图像，然后，同时执行步骤四和步骤六；
步骤四、对步骤三所获得的二值化子图像进行连通区域标记，保留子图像中最大的连通区域，删去其他区域，然后执行步骤五；
步骤五、对步骤四得到的二值化子图像进行膨胀操作，将其作为滤波模板，然后执行步骤七；
步骤六、对步骤三所获得的二值化子图像进行Canny边缘检测，获得待测E型磁材的带有干扰点的边缘图像，然后执行步骤七；
步骤七、用步骤五中得到的滤波模板对步骤六中得到的带有干扰点的边缘图像进行滤波；根据灰度值梯度的方向，滤去与灰度值变化方向相背离的点；
步骤八、对步骤七得到的边缘图像分别对其上半部分和下半部分进行Hough变换，获得边缘上半部分的拟合直线和边缘下半部分的拟合直线；若该两条拟合直线之间的夹角大于预设的最大夹角N°，N为正整数，则认为待测E型磁材背面畸变过大，为不合格品；否则，删去边缘图像中与变换所获得的直线距离大于预设最大距离的点，继续下面的步骤；
步骤九、在水平方向上遍历步骤八获得边缘图像，确定待测E型磁材边缘点的像素级坐标；使用抛物线拟合算法计算磁材边缘点的亚像素级坐标；
步骤十、对步骤九得到的待测E型磁材边缘点亚像素级坐标进行最小二乘法直线拟合，得到磁材边缘所在的直线；
步骤十一、搜索步骤九得到的待测E型磁材边缘点，得到磁材边缘端点的坐标；
步骤十二、根据步骤十所获得的磁材边缘所在的直线和步骤十一所获得的磁材边缘断点的坐标，计算待测E型磁材的长度和畸变率。
本实施方式中所述的膨胀操作定义为：
决定某像素点的灰度值：
Figure BDA00002082919700031
其中，G(·)为某点的灰度值；膨胀操作能使原来亮区域(即灰度值为255的区域)向暗区域扩展一个像素；
具体实施方式二、下面结合图1说明本实施方式，本实施方式为对实施方式一的进一步说明，本实施方式所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，所述步骤一中的相机为配备有远心镜头的相机。
具体实施方式三、下面结合图1说明本实施方式，本实施方式为对实施方式一的进一步说明，本实施方式所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，所述的步骤三中根据步骤一获得二值化图像来确定待测E型磁材的位置，确定待测E型磁材的位置的方法为：
获取E型磁材的上边缘、下边缘的纵坐标和左边缘、右边缘的横坐标，用这四个坐标值来表示E型磁材的位置；
获取E型磁材上边缘、下边缘纵坐标的方法为：将二值化图像投影到纵坐标上，投影值为对应行中灰度值为255的像素点的个数，查找投影值大于预设值的所有点的坐标，将其中最小的坐标值作为获取的E型磁材上边缘纵坐标，将E型磁材上边缘纵坐标向下偏移模板元件高度的像素值后，将偏移后坐标作为获取E型磁材下边缘纵坐标；
获取E型磁材左边缘、右边缘横坐标的方法为：将二值化图像投影到横坐标上，投影值为对应列中灰度值为255的像素点的个数，查找投影值大于预设值的所有点的坐标，将其中最小的坐标作为获取E型磁材左边缘横坐标，将最大的坐标值作为E型磁材右边缘横坐标。
具体实施方式四、下面结合图1说明本实施方式，本实施方式为对实施方式一的进一步说明，本实施方式所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，步骤十二中计算待测E型磁材的长度的方法为：
根据步骤一中所获取的待测E型磁材背面的图像，该图像中E型磁材的左边缘上端点到右边缘拟合直线的距离值A1、左边缘下端点到右边缘拟合直线的距离值A2、右边缘上端点到左边缘拟合直线的距离值A3和右边缘下端点到左边缘拟合直线的距离值A4，将上述的四个距离值取平均值得到待测E型磁材的长度。
具体实施方式五、下面结合图1说明本实施方式，本实施方式为对实施方式一的进一步说明，本实施方式所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，步骤十二中计算待测E型磁材的畸变率的方法为：利用下述公式计算E型磁材的畸变率：
( | A 1 - A 2 | Max ( A 1 , A 2 ) + | A 3 - A 4 | Max ( A 3 , A 4 ) ) / 2 - - - ( 1 )
式中，A1为左边缘上端点到右边缘拟合直线的距离，A2为左边缘下端点到右边缘拟合直线的距离，A3为右边缘上端点到左边缘拟合直线的距离，A4为右边缘下端点到左边缘拟合直线的距离。
具体实施方式六、下面结合图1说明本实施方式，本实施方式为对实施方式一的进一步说明，本实施方式所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，步骤二中的进行阈值变换得到二值化图像的方法为：
首先采用基本全局阈值计算法计算一个阈值，然后对图像中的灰度值进行处理，灰度值大于阈值的像素点的灰度值置为255，灰度值小于阈值的像素点的灰度值置为0。
具体实施方式七、下面结合图1说明本实施方式，本实施方式为对实施方式六的进一步说明，本实施方式所述的基本全局阈值计算法为：
步骤一、选择一个阈值的初始估计值Ti，i为自然数；
步骤二、用该阈值Ti分割图像，生成两组像素区域G1和G2：其中区域G1是由所有灰度值大于Ti的像素组成，而区域G2是由所有灰度值小于或等于Ti的像素组成；
步骤三、分别计算区域G1和G2中的所有像素平均灰度值u1和u2；
步骤四、根据新的阈值公式：Ti+1＝(u1+u2)/2，得到新的阈值Ti+1；
步骤五、比较Ti+1和Ti，若|Ti+1-Ti|＜1，则停止迭代，此时获得的Ti+1即为所求的全局阈值；否则返回步骤二。
具体实施方式八、下面结合图1说明本实施方式，本实施方式为对实施方式一的进一步说明，本实施方式所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，步骤八中的若该两条拟合直线之间的夹角大于预设的最大夹角N°，其中N为15。
本发明不局限于上述实施方式，还可以是上述各实施方式中所述技术特征的合理组合。

Claims (8)

1.基于机器视觉的E型磁材背面几何形状缺陷检测方法，其特征在于：它是由以下步骤实现的：
步骤一、调整相机，获取待测E型磁材背面的图像；所述图像的像素为1024×1028；
步骤二、在步骤一获得图像中确定待测E型磁材的位置，以磁材边缘所在的两个区域作为检测图像，同时对步骤一获得的图像进行阈值变换得到二值化图像；
步骤三、根据获得的二值化图像，以所得图像中待测E型磁材的左侧边缘和右侧边缘所在的两个区域作为二值化子图像，然后，同时执行步骤四和步骤六；
步骤四、对步骤三所获得的二值化子图像进行连通区域标记，保留子图像中最大的连通区域，删去其他区域，然后执行步骤五；
步骤五、对步骤四得到的二值化子图像进行膨胀操作，将其作为滤波模板，然后执行步骤七；
步骤六、对步骤三所获得的二值化子图像进行Canny边缘检测，获得待测E型磁材的带有干扰点的边缘图像，然后执行步骤七；
步骤七、用步骤五中得到的滤波模板对步骤六中得到的带有干扰点的边缘图像进行滤波；根据灰度值梯度的方向，滤去与灰度值变化方向相背离的点；
步骤八、对步骤七得到的边缘图像分别对其上半部分和下半部分进行Hough变换，获得边缘上半部分的拟合直线和边缘下半部分的拟合直线；若该两条拟合直线之间的夹角大于预设的最大夹角N°，N为正整数，则认为待测E型磁材背面畸变过大，为不合格品；否则，删去边缘图像中与变换所获得的直线距离大于预设最大距离的点，继续下面的步骤；
步骤九、在水平方向上遍历步骤八获得边缘图像，确定待测E型磁材边缘点的像素级坐标；使用抛物线拟合算法计算磁材边缘点的亚像素级坐标；
步骤十、对步骤九得到的待测E型磁材边缘点亚像素级坐标进行最小二乘法直线拟合，得到磁材边缘所在的直线；
步骤十一、搜索步骤九得到的待测E型磁材边缘点，得到磁材边缘端点的坐标；
步骤十二、根据步骤十所获得的磁材边缘所在的直线和步骤十一所获得的磁材边缘断点的坐标，计算待测E型磁材的长度和畸变率。
2.根据权利要求1所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，其特征在于：所述步骤一中的相机为配备有远心镜头的相机。
3.根据权利要求1所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，其特征在于：步骤三中根据步骤一获得二值化图像来确定待测E型磁材的位置，确定待测E型磁材的位置的方法为：
获取E型磁材的上边缘、下边缘的纵坐标和左边缘、右边缘的横坐标，用这四个坐标值来表示E型磁材的位置；
获取E型磁材上边缘、下边缘纵坐标的方法为：将二值化图像投影到纵坐标上，投影值为对应行中灰度值为255的像素点的个数，查找投影值大于预设值的所有点的坐标，将其中最小的坐标值作为获取的E型磁材上边缘纵坐标，将E型磁材上边缘纵坐标向下偏移模板元件高度的像素值后，将偏移后坐标作为获取E型磁材下边缘纵坐标；
获取E型磁材左边缘、右边缘横坐标的方法为：将二值化图像投影到横坐标上，投影值为对应列中灰度值为255的像素点的个数，查找投影值大于预设值的所有点的坐标，将其中最小的坐标作为获取E型磁材左边缘横坐标，将最大的坐标值作为E型磁材右边缘横坐标。
4.根据权利要求1所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，其特征在于：步骤十二中计算待测E型磁材的长度的方法为：
根据步骤一中所获取的待测E型磁材背面的图像，该图像中E型磁材的左边缘上端点到右边缘拟合直线的距离值A1、左边缘下端点到右边缘拟合直线的距离值A2、右边缘上端点到左边缘拟合直线的距离值A3和右边缘下端点到左边缘拟合直线的距离值A4，将上述的四个距离值取平均值得到待测E型磁材的长度。
5.根据权利要求1所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，其特征在于：步骤十二中计算待测E型磁材的畸变率的方法为：利用下述公式计算E型磁材的畸变率：
( | A 1 - A 2 | Max ( A 1 , A 2 ) + | A 3 - A 4 | Max ( A 3 , A 4 ) ) / 2 - - - ( 1 )
式中，A1为左边缘上端点到右边缘拟合直线的距离，A2为左边缘下端点到右边缘拟合直线的距离，A3为右边缘上端点到左边缘拟合直线的距离，A4为右边缘下端点到左边缘拟合直线的距离。
6.根据权利要求1所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，其特征在于：步骤二中的进行阈值变换得到二值化图像的方法为：
首先采用基本全局阈值计算法计算一个阈值，然后对图像中的灰度值进行处理，灰度值大于阈值的像素点的灰度值置为255，灰度值小于阈值的像素点的灰度值置为0。
7.根据权利要求6所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，其特征在于：基本全局阈值计算法为：
步骤一、选择一个阈值的初始估计值Ti，i为自然数；
步骤二、用该阈值Ti分割图像，生成两组像素区域G1和G2：其中区域G1是由所有灰度值大于Ti的像素组成，而区域G2是由所有灰度值小于或等于Ti的像素组成；
步骤三、分别计算区域G1和G2中的所有像素平均灰度值u1和u2；
步骤四、根据新的阈值公式：Ti+1＝(u1+u2)/2，得到新的阈值Ti+1；
步骤五、比较Ti+1和Ti，若|Ti+1-Ti|＜1，则停止迭代，此时获得的Ti+1即为所求的全局阈值；否则返回步骤二。
8.根据权利要求1所述的基于机器视觉的E型磁材背面几何形状缺陷检测方法，其特征在于：步骤八中的若该两条拟合直线之间的夹角大于预设的最大夹角N°，其中N为15。
CN201210316481.8A 2012-08-31 2012-08-31 基于机器视觉的e型磁材背面几何形状缺陷检测方法 Active CN102829735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210316481.8A CN102829735B (zh) 2012-08-31 2012-08-31 基于机器视觉的e型磁材背面几何形状缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210316481.8A CN102829735B (zh) 2012-08-31 2012-08-31 基于机器视觉的e型磁材背面几何形状缺陷检测方法

Publications (2)

Publication Number Publication Date
CN102829735A true CN102829735A (zh) 2012-12-19
CN102829735B CN102829735B (zh) 2015-06-24

Family

ID=47332956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210316481.8A Active CN102829735B (zh) 2012-08-31 2012-08-31 基于机器视觉的e型磁材背面几何形状缺陷检测方法

Country Status (1)

Country Link
CN (1) CN102829735B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729632A (zh) * 2014-01-22 2014-04-16 哈尔滨工业大学 一种基于连通区域滤波的圆形Mark点的定位方法
CN103984952A (zh) * 2014-04-18 2014-08-13 广东电网公司电力科学研究院 基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法
CN104915963A (zh) * 2015-06-25 2015-09-16 哈尔滨工业大学 一种用于plcc元件的检测与定位方法
CN104933720A (zh) * 2015-06-25 2015-09-23 哈尔滨工业大学 一种基于视觉的sop元件定位和缺陷检测方法
CN106247969A (zh) * 2016-09-21 2016-12-21 哈尔滨工业大学 一种基于机器视觉的工业磁芯元件的形变检测方法
CN104574419B (zh) * 2015-01-28 2017-06-09 深圳市安健科技股份有限公司 镜头畸变参数标定方法及系统
CN106952280A (zh) * 2017-03-13 2017-07-14 哈尔滨工业大学 一种基于计算机视觉的喷枪喷漆量均匀度检测方法
CN107993955A (zh) * 2017-11-24 2018-05-04 上海华力微电子有限公司 一种检测晶圆边缘缺陷的方法
CN108765456A (zh) * 2018-04-02 2018-11-06 上海鹰觉科技有限公司 基于直线边缘特征的目标跟踪方法、系统
CN108830867A (zh) * 2018-04-02 2018-11-16 上海鹰觉科技有限公司 基于直线边缘特征的稳像方法、系统
CN109358070A (zh) * 2018-08-31 2019-02-19 广州超音速自动化科技股份有限公司 极片检测方法、电子设备、存储介质及系统
CN109752391A (zh) * 2018-12-25 2019-05-14 中国农业大学 一种基于机器视觉的胡萝卜表面缺陷识别量化方法
CN110838097A (zh) * 2019-11-22 2020-02-25 江苏东方赛云电子科技有限公司 一种基于机器视觉的输送带偏移测量方法
CN113096123A (zh) * 2021-05-07 2021-07-09 湘潭大学 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法
CN115082436A (zh) * 2022-07-22 2022-09-20 山东易斯特工程工具有限公司 一种盾构机刀头生产缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251890A (zh) * 2008-03-13 2008-08-27 西安交通大学 基于多色域选择性形态学处理的视频图像肤色检测方法
CN101608924A (zh) * 2009-05-20 2009-12-23 电子科技大学 一种基于灰度估计和级联霍夫变换的车道线检测方法
CN102101111A (zh) * 2010-12-03 2011-06-22 哈尔滨工业大学 基于光学检测的e型磁材分选方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251890A (zh) * 2008-03-13 2008-08-27 西安交通大学 基于多色域选择性形态学处理的视频图像肤色检测方法
CN101608924A (zh) * 2009-05-20 2009-12-23 电子科技大学 一种基于灰度估计和级联霍夫变换的车道线检测方法
CN102101111A (zh) * 2010-12-03 2011-06-22 哈尔滨工业大学 基于光学检测的e型磁材分选方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729632B (zh) * 2014-01-22 2016-11-02 哈尔滨工业大学 一种基于连通区域滤波的圆形Mark点的定位方法
CN103729632A (zh) * 2014-01-22 2014-04-16 哈尔滨工业大学 一种基于连通区域滤波的圆形Mark点的定位方法
CN103984952B (zh) * 2014-04-18 2017-09-22 广东电网公司电力科学研究院 基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法
CN103984952A (zh) * 2014-04-18 2014-08-13 广东电网公司电力科学研究院 基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法
CN104574419B (zh) * 2015-01-28 2017-06-09 深圳市安健科技股份有限公司 镜头畸变参数标定方法及系统
CN104915963A (zh) * 2015-06-25 2015-09-16 哈尔滨工业大学 一种用于plcc元件的检测与定位方法
CN104933720A (zh) * 2015-06-25 2015-09-23 哈尔滨工业大学 一种基于视觉的sop元件定位和缺陷检测方法
CN104915963B (zh) * 2015-06-25 2017-11-03 哈尔滨工业大学 一种用于plcc元件的检测与定位方法
CN104933720B (zh) * 2015-06-25 2017-08-25 哈尔滨工业大学 一种基于视觉的sop元件定位和缺陷检测方法
CN106247969A (zh) * 2016-09-21 2016-12-21 哈尔滨工业大学 一种基于机器视觉的工业磁芯元件的形变检测方法
CN106952280A (zh) * 2017-03-13 2017-07-14 哈尔滨工业大学 一种基于计算机视觉的喷枪喷漆量均匀度检测方法
CN106952280B (zh) * 2017-03-13 2019-10-08 哈尔滨工业大学 一种基于计算机视觉的喷枪喷漆量均匀度检测方法
CN107993955A (zh) * 2017-11-24 2018-05-04 上海华力微电子有限公司 一种检测晶圆边缘缺陷的方法
CN108765456A (zh) * 2018-04-02 2018-11-06 上海鹰觉科技有限公司 基于直线边缘特征的目标跟踪方法、系统
CN108830867A (zh) * 2018-04-02 2018-11-16 上海鹰觉科技有限公司 基于直线边缘特征的稳像方法、系统
CN108765456B (zh) * 2018-04-02 2020-10-30 上海鹰觉科技有限公司 基于直线边缘特征的目标跟踪方法、系统
CN109358070A (zh) * 2018-08-31 2019-02-19 广州超音速自动化科技股份有限公司 极片检测方法、电子设备、存储介质及系统
CN109752391A (zh) * 2018-12-25 2019-05-14 中国农业大学 一种基于机器视觉的胡萝卜表面缺陷识别量化方法
CN109752391B (zh) * 2018-12-25 2020-06-30 中国农业大学 一种基于机器视觉的胡萝卜表面缺陷识别量化方法
CN110838097A (zh) * 2019-11-22 2020-02-25 江苏东方赛云电子科技有限公司 一种基于机器视觉的输送带偏移测量方法
CN113096123A (zh) * 2021-05-07 2021-07-09 湘潭大学 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法
CN115082436A (zh) * 2022-07-22 2022-09-20 山东易斯特工程工具有限公司 一种盾构机刀头生产缺陷检测方法

Also Published As

Publication number Publication date
CN102829735B (zh) 2015-06-24

Similar Documents

Publication Publication Date Title
CN102829735B (zh) 基于机器视觉的e型磁材背面几何形状缺陷检测方法
CN103729632B (zh) 一种基于连通区域滤波的圆形Mark点的定位方法
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN102945368B (zh) 啤酒瓶盖激光字符的定位识别方法
CN103400366B (zh) 基于条纹结构光的动态场景深度获取方法
CN104535586B (zh) 带钢边部缺陷检测识别方法
CN103729655A (zh) 一种用于片式元件视觉定位的检测方法
CN103858147B (zh) 在轮胎的内部表面上的浮凸元素特征的快速分析方法
CN107588723B (zh) 一种基于两步法的高速动目标上圆形标记漏点检测方法
CN106643545A (zh) 激光位移技术测量钢轨轮廓的校准方法
CN101620732A (zh) 道路行驶线的视觉检测方法
CN105488503A (zh) 一种非编码圆环形标记点圆心图像坐标检测方法
CN104236498B (zh) 一种道岔钢轨件端面尺寸的测量方法
CN105334219A (zh) 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN103914827A (zh) 汽车密封条轮廓缺陷的视觉检测方法
CN107392849B (zh) 基于图像细分的靶标识别与定位方法
CN107192716A (zh) 一种基于轮廓特征的工件缺陷快速检测方法
CN103955927A (zh) 一种基于激光视觉的角焊缝自动跟踪方法
CN104835166A (zh) 基于机器视觉检测平台的液体药瓶异物检测方法
CN103886597A (zh) 一种基于边缘检测与拟合曲线聚类的圆检测方法
CN105563481A (zh) 一种用于轴孔装配的机器人视觉引导方法
CN102693534A (zh) 一种基于图像修补技术的快速去除图像污点的方法
CN104732197A (zh) 目标线检测设备和方法
CN109993154A (zh) 变电站单指针式六氟化硫型仪表智能识别方法
CN110288545A (zh) 一种辊压机辊面在线三维成像装置与方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20190911

Address after: 150001 No. 434, postal street, Nangang District, Heilongjiang, Harbin

Co-patentee after: Gao Hui Jun

Patentee after: Harbin Institute of Technology Asset Investment Management Co., Ltd.

Address before: 150001 Harbin, Nangang, West District, large straight street, No. 92

Patentee before: Harbin Institute of Technology

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191024

Address after: 315200 No.189, Guangming Road, Zhuangshi street, Zhenhai District, Ningbo City, Zhejiang Province

Patentee after: Ningbo Intelligent Equipment Research Institute Co., Ltd.

Address before: 150001 No. 434, postal street, Nangang District, Heilongjiang, Harbin

Co-patentee before: Gao Huijun

Patentee before: Harbin Institute of Technology Asset Investment Management Co., Ltd.

TR01 Transfer of patent right