CN103308523A - 多尺度瓶口缺陷检测方法及装置 - Google Patents
多尺度瓶口缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN103308523A CN103308523A CN2013102046363A CN201310204636A CN103308523A CN 103308523 A CN103308523 A CN 103308523A CN 2013102046363 A CN2013102046363 A CN 2013102046363A CN 201310204636 A CN201310204636 A CN 201310204636A CN 103308523 A CN103308523 A CN 103308523A
- Authority
- CN
- China
- Prior art keywords
- bottleneck
- bottle mouth
- detection method
- defective
- zone
- 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
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及工业自动化检测技术领域，具体涉及一种多尺度瓶口缺陷检测方法及实现该多尺度瓶口缺陷检测方法的装置。本发明实施例中所提供的多尺度瓶口缺陷检测方法，针对瓶口缺陷的尺度多样性，将目标图像通过多次降采样得到一系列的多个不同尺度的目标图像，对每个尺度的目标图像都进行特征提取以及缺陷检测，联合判断得出检测结果；进一步的，本发明还将瓶口区域与该瓶口区域对应的蒙版进行融合，能够避免瓶口中央位置以及其他无关区域对瓶口缺陷检测的干扰；因此，本发明能够在高速自动化生产流水线上对瓶口缺陷进行实时不间断检测，提升了检测效果的稳定性，提高了检测结果的精准性。
Description
技术领域
本发明涉及工业自动化检测技术领域，具体涉及一种多尺度瓶口缺陷检测方法及实现该多尺度瓶口缺陷检测方法的装置。
背景技术
目前，食品的安全问题越来越受到政府和国民的关注。在现有的啤酒、饮料和药品的生产过程中，都要求灌装容器满足相应的质量标准，在生产的每一个环节都要进行严格的检测。一旦出现不合格的瓶口，则不但可能会影响生产厂家的声誉，而且由于瓶口与消费者的亲密接触，可能会造成使用者受伤，导致消费者的切身利益受到损失。
现有对于瓶口缺陷的检测方法主要分成三类：人工检测方法、传感器检测方法和机器视觉检测方法。人工检测方法是传统的工业检测的方法，主要由检测员通过肉眼观察来检测每个瓶口是否存在缺陷，存在的问题包括检测率低、检测速度慢以及检测数据统计汇总困难等。传感器检测方法则是利用各种传感器来进行检测，例如利用X成像来进行判断等，存在的问题是容易受到外界环境的干扰影响，并且检测系统的通用性差。现在主流的检测方法是利用机器视觉代替人眼，即利用计算机视觉来完成瓶口检测，这样的检测方法检测速度快，检测数据统计汇总能力强，而且鲁棒性好。但现有的瓶口缺陷检测方法仍然无法满足高速生产线上瓶口缺陷检测的需要，而且精度和稳定性仍有待提高，目前尚未见到相关成型的瓶口缺陷检测方法和检测装置的报道。
发明内容
（一）要解决的技术问题
本发明的目的在于提供一种多尺度瓶口缺陷检测方法，用于解决现有的高速自动化生产流水线上瓶口缺陷检测方法的精度和稳定性差的问题；进一步的，本发明还提供了一种实现该多尺度瓶口缺陷检测方法的装置。
（二）技术方案
本发明技术方案如下：
一种多尺度瓶口缺陷检测方法，包括：
S1.在目标图像中定位出瓶口区域；
S2.选择特征算子在所述瓶口区域进行特征提取；
S3.根据所提取的特征的统计信息，判断是否存在缺陷：
是：则输出判断结果以及缺陷所在位置；
否：对所述目标图像进行降采样，并跳转至步骤S2；直至降采样的倍数小于预设阈值。
优选的，所述步骤S1包括：
S11.对目标图像进行灰化处理得到灰度图；
S12.确定二值化阈值，对所述灰度图进行二值化处理得到二值图；其中，白色区域为瓶口区域，黑色区域为背景区域。
优选的，所述步骤S1还包括：
S13.以所述二值图的中心为圆心，选取若干直径方向，每个直径的扫描方向上第一个白色像素点为瓶口区域的轮廓像素点；
S14.根据随机采样一致性算法，利用得到的轮廓像素点估计出瓶口区域的轮廓。
优选的，所述步骤S2包括：
S21.将所述瓶口区域沿瓶口中心进行360°全方位展开；
S22.根据缺陷的可区分特性选择特征算子，在展开后的瓶口区域进行特征提取。
优选的，所述特征算子包括索贝尔算子或者拉普拉斯算子。
优选的，所述步骤S21之前还包括：
S20.将所述瓶口区域与该瓶口区域对应的蒙版进行融合。
优选的，所述步骤S3包括：
S31.对所提取的特征进行水平方向直方图的统计；
S32.对所提取的特征进行所有连通域像素数目的统计；
S33.根据得到的统计信息，判断是否存在缺陷以及缺陷可能所在的位置。
优选的，所述步骤S33中利用Adaboost分类器判断是否存在缺陷以及缺陷可能所在的位置。
本发明还提供了一种实现上述任意一种多尺度瓶口缺陷检测方法的装置：
一种多尺度瓶口缺陷检测装置，包括：
瓶口定位模块：在目标图像中定位出瓶口区域；
特征提取模块：选择特征算子在所述瓶口区域进行特征提取；
统计判断模块：根据所提取的特征的统计信息，判断是否存在缺陷：
是：则输出判断结果以及缺陷所在位置；
否：对所述目标图像进行降采样，并反馈至瓶口定位模块；直至降采样的倍数小于预设阈值。
优选的，还包括与所述瓶口定位模块连接的蒙版融合模块：用于将所述瓶口区域与该瓶口区域对应的蒙版进行融合。
（三）有益效果
本发明实施例中所提供的多尺度瓶口缺陷检测方法，针对瓶口缺陷的尺度多样性，将目标图像通过多次降采样得到一系列的多个不同尺度的目标图像，对每个尺度的目标图像都进行特征提取以及缺陷检测，联合判断得出检测结果；进一步的，本发明还将瓶口区域与该瓶口区域对应的蒙版进行融合，能够避免瓶口中央位置以及其他无关区域对瓶口缺陷检测的干扰；因此，本发明能够在高速自动化生产流水线上对瓶口缺陷进行实时不间断检测，提升了检测效果的稳定性，提高了检测结果的精准性。
附图说明
图1是本发明实施例中多尺度瓶口缺陷检测方法的流程示意图；
图2是图1中多尺度瓶口缺陷检测方法的具体实施流程示意图；
图3是本实施例中的一个目标图像；
图4是对图3中目标图像在原有尺寸下的检测结果图；
图5是对图3中目标图像在1/2原有尺寸下的检测结果图；
图6是对图3中目标图像在1/4原有尺寸下的检测结果图；
图7是对图3中目标图像在1/8原有尺寸下的检测结果图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式做进一步描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。
本实施例中首先提供了一种多尺度瓶口缺陷检测方法，该检测方法的流程图如图1以及图2中所示，主要包括步骤：
S1.在目标图像中定位出瓶口区域；本实施例中，该步骤主要包括：
S11.对目标图像进行灰化处理，即只保留目标图像的亮度信息，得到目标图像的灰度图；
S12.根据整幅灰度图的灰度直方图确定二值化阈值，对所述灰度图进行二值化处理，或在进行二值化处理前，首先对图像进行滤波，去除部分干扰，然后再进行二值化操作，得到二值图；在二值图中，白色区域为瓶口区域，黑色区域为背景区域。
进一步的，为了更精准的确定出瓶口区域的轮廓，本实施例中步骤S1还包括：
S13.以所述二值图的中心为圆心，选取若干直径方向，例如在角度方向平均取若干个角度值，每个角度值对应的直径的扫描方向上第一个白色像素点为瓶口区域的轮廓像素点；
S14.根据随机采样一致性算法，利用得到的轮廓像素点估计出瓶口区域的轮廓。
S2.选择特征算子在所述瓶口区域进行特征提取；本实施例中，该步骤主要包括：
S20.为了避免瓶口中央位置以及其他无关区域对瓶口缺陷检测的干扰，将所述瓶口区域与该瓶口区域对应的蒙版进行融合，瓶口区域对应的蒙版如图4-图7中第二行所示。
S21.为了方便特征提取，将所述瓶口区域沿瓶口中心进行360°全方位环形展开；例如，图4-图7中第一行所示为对图3中所示的瓶口区域沿瓶口中心进行360°全方位环形展开后的图像。
S22.根据缺陷的可区分特性（如每个像素的梯度等）选择特征算子，例如，对于图3中所示的目标图像的缺陷，可以选择Sobel（索贝尔）算子进行特征的提取，或者选择Laplacian（拉普拉斯）算子进行特征的提取，如图4-图7中的第三行所示。
S3.根据所提取的特征的统计信息，判断是否存在缺陷：
如果发现有缺陷，则直接输出判断结果以及缺陷所在位置；
如果没有发现缺陷，则对所述目标图像进行降采样，并跳转至步骤S2；直至降采样的倍数小于预设阈值为止。
进一步的，所述步骤S3包括：
S31.对所提取的特征进行水平方向直方图的统计；
S32.对所提取的特征进行所有连通域像素数目的统计，得到连通域各种相关的统计信息，如数目、面积以及位置等；
S33.根据得到的统计信息，利用Adaboost分类器或者其他已知的方式判断是否存在缺陷，并确定缺陷可能所在的位置，最后，输出缺陷检测结果以及缺陷可能存在的位置。
综上所述，本实施例中的多尺度瓶口缺陷检测方法，针对缺陷的尺度多样性，将目标图像通过多次降采样得到一系列多个不同尺度的图像，对每个尺度的目标图像都提取特征进行缺陷检测；
对某一个尺度的目标图像，提取某种可区分特征，从而得到特征图，利用该尺度下的瓶口区域对应的蒙版来限定特征图的感兴趣区域，在感兴趣区域内求取连通域，得到连通域各种相关的统计信息；
联合多尺度图像的感兴趣区域中求得的连通域相关的统计信息，综合判断各种缺陷的存在及可能存在的位置，联合判断的方法可以使用Adaboost之类的机器学习算法。
本实施例中还提供了一种实现上述多尺度瓶口缺陷检测方法的装置：该多尺度瓶口缺陷检测装置主要包括：瓶口定位模块、特征提取模块以及统计判断模块；
瓶口定位模块用于在目标图像中定位出瓶口区域；
特征提取模块用于选择特征算子在所述瓶口区域进行特征提取；
统计判断模块用于根据所提取的特征的统计信息，判断是否存在缺陷：
是：则输出判断结果以及缺陷所在位置；
否：对所述目标图像进行降采样，并反馈至瓶口定位模块；直至降采样的倍数小于预设阈值。
进一步的，本实施例中的多尺度瓶口缺陷检测装置还包括与所述瓶口定位模块连接的蒙版融合模块，蒙版融合模块用于将所述瓶口区域与该瓶口区域对应的蒙版进行融合。
综上所述，本发明具有以下几点优势：
1、检测效率高，检测速度快且易于实现，便于移植到其他平台和环境中；
2、利用多个尺度的目标图像进行缺陷检测，性能稳定，检测结果精准；
3、设计了Sobel算子、Laplacian算子等多种特征算子，可以应付多种缺陷的检测且实现简单；
4、加入了蒙版融合的步骤，能够避免瓶口区域中央位置或者其他无关区域对于瓶口缺陷检测的干扰。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的保护范畴。
Claims (10)
1.一种多尺度瓶口缺陷检测方法，其特征在于，包括：
S1.在目标图像中定位出瓶口区域；
S2.选择特征算子在所述瓶口区域进行特征提取；
S3.根据所提取的特征的统计信息，判断是否存在缺陷：
是：则输出判断结果以及缺陷所在位置；
否：对所述目标图像进行降采样，并跳转至步骤S2；直至降采样的倍数小于预设阈值。
2.根据权利要求1所述的多尺度瓶口缺陷检测方法，其特征在于，所述步骤S1包括：
S11.对目标图像进行灰化处理得到灰度图；
S12.确定二值化阈值，对所述灰度图进行二值化处理得到二值图；其中，白色区域为瓶口区域，黑色区域为背景区域。
3.根据权利要求2所述的多尺度瓶口缺陷检测方法，其特征在于，所述步骤S1还包括：
S13.以所述二值图的中心为圆心，选取若干直径方向，每个直径的扫描方向上第一个白色像素点为瓶口区域的轮廓像素点；
S14.根据随机采样一致性算法，利用得到的轮廓像素点估计出瓶口区域的轮廓。
4.根据权利要求1-3任意一项所述的多尺度瓶口缺陷检测方法，其特征在于，所述步骤S2包括：
S21.将所述瓶口区域沿瓶口中心进行360°全方位展开；
S22.根据缺陷的可区分特性选择特征算子，在展开后的瓶口区域进行特征提取。
5.根据权利要求4所述的多尺度瓶口缺陷检测方法，其特征在于，所述特征算子包括索贝尔算子或者拉普拉斯算子。
6.根据权利要求4所述的多尺度瓶口缺陷检测方法，其特征在于，所述步骤S21之前还包括：
S20.将所述瓶口区域与该瓶口区域对应的蒙版进行融合。
7.根据权利要求1-3、5-6任意一项所述的多尺度瓶口缺陷检测方法，其特征在于，所述步骤S3包括：
S31.对所提取的特征进行水平方向直方图的统计；
S32.对所提取的特征进行所有连通域像素数目的统计；
S33.根据得到的统计信息，判断是否存在缺陷以及缺陷可能所在的位置。
8.根据权利要求7所述的多尺度瓶口缺陷检测方法，其特征在于，所述步骤S33中利用Adaboost分类器判断是否存在缺陷以及缺陷可能所在的位置。
9.一种实现权利要求1-8任意一项所述的多尺度瓶口缺陷检测方法的装置，其特征在于，包括：
瓶口定位模块：在目标图像中定位出瓶口区域；
特征提取模块：选择特征算子在所述瓶口区域进行特征提取；
统计判断模块：根据所提取的特征的统计信息，判断是否存在缺陷：
是：则输出判断结果以及缺陷所在位置；
否：对所述目标图像进行降采样，并反馈至瓶口定位模块；直至降采样的倍数小于预设阈值。
10.根据权利要求9所述的多尺度瓶口缺陷检测装置，其特征在于，还包括与所述瓶口定位模块连接的蒙版融合模块：用于将所述瓶口区域与该瓶口区域对应的蒙版进行融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310204636.3A CN103308523B (zh) | 2013-05-28 | 2013-05-28 | 多尺度瓶口缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310204636.3A CN103308523B (zh) | 2013-05-28 | 2013-05-28 | 多尺度瓶口缺陷检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103308523A true CN103308523A (zh) | 2013-09-18 |
| CN103308523B CN103308523B (zh) | 2015-04-15 |
Family
ID=49133980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310204636.3A Active CN103308523B (zh) | 2013-05-28 | 2013-05-28 | 多尺度瓶口缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103308523B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529053A (zh) * | 2013-09-27 | 2014-01-22 | 清华大学 | 瓶口缺陷检测方法 |
| CN105334219A (zh) * | 2015-09-16 | 2016-02-17 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
| CN105717123A (zh) * | 2015-10-29 | 2016-06-29 | 山东明佳科技有限公司 | 一种全方位pet瓶持胚环缺陷检测设备及方法 |
| CN106296684A (zh) * | 2016-08-10 | 2017-01-04 | 厦门多想互动文化传播股份有限公司 | 体感互动应用中多数据源人体位置快速配准方法 |
| CN106952258A (zh) * | 2017-03-23 | 2017-07-14 | 南京汇川图像视觉技术有限公司 | 一种基于梯度方向直方图的瓶口缺陷检测方法 |
| CN109087320A (zh) * | 2018-08-29 | 2018-12-25 | 苏州钮曼精密机电科技有限公司 | 一种应用于倾斜传感器的图像筛选处理方法 |
| CN110400389A (zh) * | 2018-04-24 | 2019-11-01 | 依科视朗国际有限公司 | 获得同类型组件中重要特征的方法和对其组件分类的方法 |
| CN111060520A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
| CN112149672A (zh) * | 2020-09-29 | 2020-12-29 | 广州虎牙科技有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN117974637A (zh) * | 2024-03-28 | 2024-05-03 | 济宁金牛重工有限公司 | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 |
| CN112149672B (zh) * | 2020-09-29 | 2024-10-29 | 广州虎牙科技有限公司 | 图像处理方法和装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04309850A (ja) * | 1991-04-05 | 1992-11-02 | Hitachi Ltd | ガラス筒体の欠陥検査方法 |
| US20070133862A1 (en) * | 1999-07-25 | 2007-06-14 | Orbotech Ltd. | Detection of surface defects employing subsampled images |
| CN101105459A (zh) * | 2007-05-15 | 2008-01-16 | 广州市万世德包装机械有限公司 | 一种空瓶瓶口缺陷的检测方法及装置 |
| CN101865859A (zh) * | 2009-04-17 | 2010-10-20 | 华为技术有限公司 | 一种图像划痕的检测方法及装置 |
| CN102519973A (zh) * | 2011-12-10 | 2012-06-27 | 山东明佳包装检测科技有限公司 | 一种检测pet瓶或瓶胚瓶口缺陷的方法 |
-
2013
- 2013-05-28 CN CN201310204636.3A patent/CN103308523B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04309850A (ja) * | 1991-04-05 | 1992-11-02 | Hitachi Ltd | ガラス筒体の欠陥検査方法 |
| US20070133862A1 (en) * | 1999-07-25 | 2007-06-14 | Orbotech Ltd. | Detection of surface defects employing subsampled images |
| CN101105459A (zh) * | 2007-05-15 | 2008-01-16 | 广州市万世德包装机械有限公司 | 一种空瓶瓶口缺陷的检测方法及装置 |
| CN101865859A (zh) * | 2009-04-17 | 2010-10-20 | 华为技术有限公司 | 一种图像划痕的检测方法及装置 |
| CN102519973A (zh) * | 2011-12-10 | 2012-06-27 | 山东明佳包装检测科技有限公司 | 一种检测pet瓶或瓶胚瓶口缺陷的方法 |
Non-Patent Citations (3)
| Title |
|---|
| LIN LI ET AL.: "Data driven bottleneck detection of manufacturing systems", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》, vol. 47, no. 18, 15 September 2009 (2009-09-15), pages 5019 - 5036 * |
| MARKO BARJAKTAROVIC ET AL.: "A timely detection of a coated board streak defect in subsampling conditions using monochrome vision system", 《INT.J.ELECTRON.COMMUN.(AEU)》, vol. 66, no. 4, 31 December 2012 (2012-12-31), pages 313 - 321, XP028897461, DOI: doi:10.1016/j.aeue.2011.08.009 * |
| 尹玄武 等: "基于RANSAC和灰度一致性的PET瓶胚口缺陷检测", 《计算机应用研究》, vol. 29, no. 9, 30 September 2012 (2012-09-30), pages 3525 - 3527 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529053A (zh) * | 2013-09-27 | 2014-01-22 | 清华大学 | 瓶口缺陷检测方法 |
| CN103529053B (zh) * | 2013-09-27 | 2015-12-02 | 清华大学 | 瓶口缺陷检测方法 |
| CN105334219A (zh) * | 2015-09-16 | 2016-02-17 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
| CN105334219B (zh) * | 2015-09-16 | 2018-03-30 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
| CN105717123A (zh) * | 2015-10-29 | 2016-06-29 | 山东明佳科技有限公司 | 一种全方位pet瓶持胚环缺陷检测设备及方法 |
| CN106296684A (zh) * | 2016-08-10 | 2017-01-04 | 厦门多想互动文化传播股份有限公司 | 体感互动应用中多数据源人体位置快速配准方法 |
| CN106952258A (zh) * | 2017-03-23 | 2017-07-14 | 南京汇川图像视觉技术有限公司 | 一种基于梯度方向直方图的瓶口缺陷检测方法 |
| CN106952258B (zh) * | 2017-03-23 | 2019-12-03 | 南京汇川图像视觉技术有限公司 | 一种基于梯度方向直方图的瓶口缺陷检测方法 |
| CN110400389A (zh) * | 2018-04-24 | 2019-11-01 | 依科视朗国际有限公司 | 获得同类型组件中重要特征的方法和对其组件分类的方法 |
| CN110400389B (zh) * | 2018-04-24 | 2023-09-12 | 依科视朗国际有限公司 | 获得同类型组件中重要特征的方法和对其组件分类的方法 |
| CN109087320A (zh) * | 2018-08-29 | 2018-12-25 | 苏州钮曼精密机电科技有限公司 | 一种应用于倾斜传感器的图像筛选处理方法 |
| CN109087320B (zh) * | 2018-08-29 | 2022-05-03 | 苏州钮曼精密机电科技有限公司 | 一种应用于倾斜传感器的图像筛选处理方法 |
| CN111060520A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
| CN111060520B (zh) * | 2019-12-30 | 2021-10-29 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
| US11836907B2 (en) | 2019-12-30 | 2023-12-05 | Goertek, Inc. | Product defect detection method, device and system |
| CN112149672A (zh) * | 2020-09-29 | 2020-12-29 | 广州虎牙科技有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN112149672B (zh) * | 2020-09-29 | 2024-10-29 | 广州虎牙科技有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN117974637A (zh) * | 2024-03-28 | 2024-05-03 | 济宁金牛重工有限公司 | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 |
| CN117974637B (zh) * | 2024-03-28 | 2024-06-18 | 济宁金牛重工有限公司 | 基于图像特征的引导轮裂纹缺陷智能检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103308523B (zh) | 2015-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103308523B (zh) | 多尺度瓶口缺陷检测方法及装置 | |
| CN106920219B (zh) | 物品缺陷检测方法、图像处理系统与计算机可读记录介质 | |
| CN102519972B (zh) | 一种pet瓶瓶盖和液位的检测方法 | |
| CN102393397B (zh) | 一种磁瓦表面缺陷检测系统及其检测方法 | |
| CN111311542A (zh) | 一种产品质量检测方法及装置 | |
| CN107084992B (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
| KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
| CN103207186A (zh) | 自动验布机疵点检测识别方法及其系统 | |
| CN105403147A (zh) | 一种基于嵌入式的瓶胚检测系统和检测方法 | |
| CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
| CN104118609A (zh) | 贴标质量检测方法和装置 | |
| CN102507598A (zh) | 一种高速无序胶囊缺陷检测系统 | |
| CN115144399B (zh) | 一种基于机器视觉的装配质量检测方法及装置 | |
| CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
| CN106501272A (zh) | 机器视觉焊锡定位检测系统 | |
| CN108776143A (zh) | 一种鸡蛋蛋壳表面微小污斑的在线视觉检测装置及方法 | |
| Abdelhedi et al. | Design of automatic vision-based inspection system for monitoring in an olive oil bottling line | |
| CN115170501A (zh) | 缺陷检测方法、系统、电子设备及存储介质 | |
| KR101643713B1 (ko) | 학습형 스마트 카메라를 이용한 검사 대상 물품의 검사방법 | |
| CN103258218A (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
| JP2014126445A (ja) | 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム | |
| CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 | |
| CN111178445A (zh) | 图像处理方法及装置 |
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 |