CN105354848B - 一种热镀锌产线的康耐视表面质量检测系统的优化方法 - Google Patents
一种热镀锌产线的康耐视表面质量检测系统的优化方法 Download PDFInfo
- Publication number
- CN105354848B CN105354848B CN201510766332.5A CN201510766332A CN105354848B CN 105354848 B CN105354848 B CN 105354848B CN 201510766332 A CN201510766332 A CN 201510766332A CN 105354848 B CN105354848 B CN 105354848B
- Authority
- CN
- China
- Prior art keywords
- defect
- self study
- picture
- slag
- picture library
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Abstract
本发明属于炼钢技术领域，公开了一种热镀锌产线的康耐视表面质量检测系统的优化方法，包括：在现场工控机采用Smartview构建系统服务器数据库；采用两台CCD行扫描相机同时检测表面；通过特定缺陷过滤操作，过滤尺寸微小的缺陷；通过直接判定操作，直接判定尺寸大的缺陷；采用实时表面检测拍摄的图片与实物形貌比对的方式建立缺陷图库；其中，所述缺陷图库中，每种缺陷收集多张缺陷图片，采用自学习反馈控制算法完善缺陷图库；将自学习准确率低于90％的图片去除，补充新图片重新进行自学习，直至准确率高于90％。本发明大大提升了带钢表面缺陷的检测自动化程度和检测效率和可靠性。
Description
技术领域
本发明涉及炼钢技术领域，特别涉及一种热镀锌产线的康耐视表面质量检测系统的优化方法。
背景技术
随着科技的进步和汽车行业的迅猛发展，兼具生产成本低、镀层性能优、耐腐蚀性能好、使用寿命长等优点的热镀锌板材在汽车外板上的应用越来越广泛，在带来巨大市场潜力的同时也对热镀锌板的表面质量提出了更高的要求。对热镀锌板表面质量进行实时、全面的检测和监控一方面有助于提高表面质量和生产水平，降低人工劳动强度，提高生产效率，另一方面可以加强生产管控，保存完整准确的质量记录，避免问题带钢进入下一工序或客户带来不必要的损失。
与连退或冷硬板相比，热镀锌工序使带钢表面缺陷情况变的更复杂，除常规的卷渣、翘皮等缺陷外，热镀锌工序会引入锌渣、锌灰、亮斑等细小缺陷，锌层还会使原料缺陷变得模糊难辨，但这些会影响后续冲压过程。传统的表面质量检测采用人工目视抽检和频闪光检测的方法进行，这种方法有三个主要弊端：1.抽检率低，只能在带钢低速时进行表面检测，不能真实可靠地100％反映带钢表面的质量情况；2.实时性差，远不能满足生产线高速的生产节奏；3.缺乏一致性，检测结果容易受检测人员主观判断的影响，缺乏检测的一致性和科学性。此外，还有暗点等小缺陷难以检测和对检测人员有危害等弊端。传统的人工检测往往不能得到满意的检测结果。
发明内容
本发明提供一种热镀锌产线的康耐视表面质量检测系统的优化方法，解决现有技术中人工抽检率低，实时性低，可靠性低的技术问题；达到了提升抽检率和效率，通过自动化操作提升可靠性。
为解决上述技术问题，本发明提供了一种热镀锌产线的康耐视表面质量检测系统的优化方法，包括：
在现场工控机采用Smartview构建系统服务器数据库；
采用两台CCD行扫描相机同时检测表面；
通过特定缺陷过滤操作，过滤尺寸微小的缺陷；
通过直接判定操作，直接判定尺寸大的缺陷；
采用实时表面检测拍摄的图片与实物形貌比对的方式建立缺陷图库；
其中，所述缺陷图库中，每种缺陷收集多张缺陷图片，采用自学习反馈控制算法完善缺陷图库；将自学习准确率低于90％的图片去除，补充新图片重新进行自学习，直至准确率高于90％。
进一步地，所述两台CCD行扫描相机与入射光线夹角为30°，且相机与水平方向的夹角为60°。
进一步地，两台CCD行扫描相机镜头对齐，两个相机的对齐误差小于0.5mm。
进一步地，采用下表参数设定模式；
其中，曝光量为7％～10％。
进一步地，所述特定缺陷过滤操作以及直接判定操作具体如下表，
。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、本申请实施例中提供的热镀锌产线的康耐视表面质量检测系统的优化方法，采用康耐视表面检测系统用于热镀锌钢板表面质量的缺陷检测，利用既成的图像检测系统，实时拍摄待检钢板的表面图像，并与现场的自学习缺陷图库比对得到缺陷的判断，大大提升了抽检率和效率，同时自动化的操作也提升可靠性；另一方面，结合待检钢板的特异性，针对缺陷图像采用自学习反馈控制算法，采用多张实施缺陷图像作为采样区间，进行自学习过程，确定90％的准确率限定，完善自学习缺陷图库，从而最终得到高可靠性的缺陷图像数据库。
2、本申请实施例中提供的热镀锌产线的康耐视表面质量检测系统的优化方法，采用两个相机相对拍摄的方式，拍摄位于带钢中心的缺陷，进行合并分析，提升数据分析的可靠性。
3、本申请实施例中提供的热镀锌产线的康耐视表面质量检测系统的优化方法，通过限定系统参数配合模式，大大提升了康耐视表面检测系统与热镀锌产线的兼容性能，大大提升工作效率。
具体实施方式
本申请实施例通过提供一种热镀锌产线的康耐视表面质量检测系统的优化方法，解决现有技术中人工抽检率低，实时性低，可靠性低的技术问题；达到了提升抽检率和效率，通过自动化操作提升可靠性。
为解决上述技术问题，本申请实施例提供技术方案的总体思路如下：
一种热镀锌产线的康耐视表面质量检测系统的优化方法，包括：
在现场工控机采用Smartview构建系统服务器数据库；
采用两台CCD行扫描相机同时检测表面；
通过特定缺陷过滤操作，过滤尺寸微小的缺陷；
通过直接判定操作，直接判定尺寸大的缺陷；
采用实时表面检测拍摄的图片与实物形貌比对的方式建立缺陷图库；
其中，所述缺陷图库中，每种缺陷收集多张缺陷图片，采用自学习反馈控制算法完善缺陷图库；将自学习准确率低于90％的图片去除，补充新图片重新进行自学习，直至准确率高于90％。
通过上述内容可以看出，采用康耐视表面检测系统用于热镀锌钢板表面质量的缺陷检测，利用既成的图像检测系统，实时拍摄待检钢板的表面图像，并与现场的自学习缺陷图库比对得到缺陷的判断，大大提升了抽检率和效率，同时自动化的操作也提升可靠性；另一方面，结合待检钢板的特异性，针对缺陷图像采用自学习反馈控制算法，采用多张实施缺陷图像作为采样区间，进行自学习过程，确定90％的准确率限定，完善自学习缺陷图库，从而最终得到高可靠性的缺陷图像数据库。
一种热镀锌产线的康耐视表面质量检测系统的优化方法，包括：
在现场工控机采用Smartview构建系统服务器数据库；
采用两台CCD行扫描相机同时检测表面；
通过特定缺陷过滤操作，过滤尺寸微小的缺陷；
通过直接判定操作，直接判定尺寸大的缺陷；
采用实时表面检测拍摄的图片与实物形貌比对的方式建立缺陷图库；
其中，所述缺陷图库中，每种缺陷收集多张缺陷图片，采用自学习反馈控制算法完善缺陷图库；将自学习准确率低于90％的图片去除，补充新图片重新进行自学习，直至准确率高于90％。
所述两台CCD行扫描相机与入射光线夹角为30°，且相机与水平方向的夹角为60°。
两台CCD行扫描相机镜头对齐，两个相机的对齐误差小于0.5mm。
采用下表参数设定模式；
其中，曝光量为7％～10％。
所述特定缺陷过滤操作以及直接判定操作具体如下表，
。
下面通过具体的实施例分别就偏移量调整和缺陷判定详细说明。
相机偏移量的调整
表检系统每个表面的检测画面由两个相机组成，当缺陷位于带钢中心位置时，两个相机分别检测到缺陷的一部分，这时系统便要将两个照相机的数据进行合并分析，从而得出完整的缺陷信息。
如果相机水平没有对齐，那么必然会使系统得到的数据产生偏差，这就是由于两个相机水平偏差造成的。经过调整相机偏移量参数设置可以解决此问题，两个相机的对齐误差在0.5mm左右。
热镀锌板卷渣缺陷的判定
针对康奈视在线表面质量检测系统在热镀锌线上的应用进行了调试和优化，相机调整、关键参数设定，本案例重点描述热镀锌板卷渣缺陷图片收集图库的建立和缺陷的多级判定流程。
(1)预分类-大面积缺陷直接判定
为提高缺陷检测效率，在预分类阶段直接将面积大于1000mm2的缺陷判定为大面积缺陷。
(2)缺陷图库的建立-缺陷验证与收集典型缺陷样本
发生卷渣缺陷时，对卷渣缺陷的表检图片和实物进行收集，确认为卷渣缺陷，尽量收集多种类型的卷渣缺陷图片，总数量不少于50张，同一卷带钢收集不超过5张。
(3)缺陷图库的建立-缺陷图库自学习训练
缺陷图片数量超过50张后基本覆盖了该缺陷的特征，依次进行两种自学习训练，缺陷特征归纳自学习和10％缺陷验证自学习。
(4)缺陷图库的建立-缺陷自学习效果检验
如果上述两种自学习正确率均达到90％以上，表明效果良好。如果任何一种自学习正确率低于90％，则需要挑选出系统识别出错的图片，补充新的图片直至正确率达标。经反复收集优化，最终收集卷渣缺陷图片122张，缺陷特征归纳自学习正确率100％，10％缺陷验证自学习准确率95％
(5)后分类-缺陷判定的细化补充
卷渣缺陷主要是连铸阶段保护渣卷入造成，有些会表现为表层起皮，但并不是所有的起皮缺陷都是卷渣，两者的宏观特征极为相似，所以为了判定准确，将前期判断为卷渣但有起皮特征的缺陷在后分类阶段更正命名为起皮缺陷。
热镀锌板锌灰缺陷的判定
针对康奈视在线表面质量检测系统在热镀锌线上的应用进行了调试和优化，相机调整、关键参数设定如上述步骤1和2所述，本案例重点描述热镀锌板锌灰缺陷图片收集图库的建立和缺陷的多级判定流程。
(1)预分类-持续性缺陷直接判定
为提高缺陷检测效率，在预分类阶段直接将长度大于500mm的缺陷判定为大面积缺陷。
(2)缺陷图库的建立-缺陷验证与收集典型缺陷样本
发生锌灰缺陷时，对锌灰缺陷的表检图片和实物进行收集对比，确认为锌灰缺陷，尽量收集多种类型的卷渣缺陷图片，总数量不少于50张，同一卷带钢收集不超过5张。
(3)缺陷图库的建立-缺陷图库自学习训练
缺陷图片数量超过50张后基本覆盖了该缺陷的特征，依次进行两种自学习训练，缺陷特征归纳自学习和10％缺陷验证自学习。
(4)缺陷图库的建立-缺陷自学习效果检验
如果上述两种自学习正确率均达到90％以上，表明效果良好。如果任何一种自学习正确率低于90％，则需要挑选出系统识别出错的图片，补充新的图片直至正确率达标。经反复收集优化，最终收集锌灰缺陷图片183张，缺陷特征归纳自学习正确率100％，10％缺陷验证自学习准确率96％
(5)后分类-缺陷判定的细化补充
锌灰缺陷产生于带钢通过锌锅过程中，根据严重程度的不同对成品表面质量影响也不同，不同用户对不同程度锌灰缺陷的容忍程度不同，因此在后分类阶段根据锌灰缺陷尺寸细分为轻、中、重三个等级，以准确评价对后续的影响。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、本申请实施例中提供的热镀锌产线的康耐视表面质量检测系统的优化方法，采用康耐视表面检测系统用于热镀锌钢板表面质量的缺陷检测，利用既成的图像检测系统，实时拍摄待检钢板的表面图像，并与现场的自学习缺陷图库比对得到缺陷的判断，大大提升了抽检率和效率，同时自动化的操作也提升可靠性；另一方面，结合待检钢板的特异性，针对缺陷图像采用自学习反馈控制算法，采用多张实施缺陷图像作为采样区间，进行自学习过程，确定90％的准确率限定，完善自学习缺陷图库，从而最终得到高可靠性的缺陷图像数据库。
2、本申请实施例中提供的热镀锌产线的康耐视表面质量检测系统的优化方法，采用两个相机相对拍摄的方式，拍摄位于带钢中心的缺陷，进行合并分析，提升数据分析的可靠性。
3、本申请实施例中提供的热镀锌产线的康耐视表面质量检测系统的优化方法，通过限定系统参数配合模式，大大提升了康耐视表面检测系统与热镀锌产线的兼容性能，大大提升工作效率。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种热镀锌产线的康耐视表面质量检测系统的优化方法，其特征在于，包括：
在现场工控机采用Smartview构建系统服务器数据库；
采用两台CCD行扫描相机同时检测表面；
通过特定缺陷过滤操作，过滤尺寸微小的缺陷；
通过直接判定操作，直接判定尺寸大的缺陷；
采用实时表面检测拍摄的图片与实物形貌比对的方式建立缺陷图库；
其中，所述缺陷图库中，每种缺陷收集多张缺陷图片，采用自学习反馈控制算法完善缺陷图库；将自学习准确率低于90％的图片去除，补充新图片重新进行自学习，直至准确率高于90％；
表检系统每个表面的检测画面由两个相机组成，当缺陷位于带钢中心位置时，两个相机分别检测到缺陷的一部分，这时系统便要将两个照相机的数据进行合并分析，从而得出完整的缺陷信息；
所述缺陷包括：热镀锌板卷渣缺陷以及热镀锌板锌灰缺陷；
其中，所述热镀锌板卷渣缺陷的判定包括：
(1)预分类-大面积缺陷直接判定：在预分类阶段直接将面积大于1000mm2的缺陷判定为大面积缺陷；
(2)缺陷图库的建立-缺陷验证与收集典型缺陷样本：发生卷渣缺陷时，对卷渣缺陷的表检图片和实物进行收集，确认为卷渣缺陷，尽量收集多种类型的卷渣缺陷图片，总数量不少于50张，同一卷带钢收集不超过5张；
(3)缺陷图库的建立-缺陷图库自学习训练：缺陷图片数量超过50张后基本覆盖了该缺陷的特征，依次进行两种自学习训练，缺陷特征归纳自学习和10％缺陷验证自学习；
(4)缺陷图库的建立-缺陷自学习效果检验：如果上述两种自学习正确率均达到90％以上，表明效果良好，如果任何一种自学习正确率低于90％，则需要挑选出系统识别出错的图片，补充新的图片直至正确率达标；经反复收集优化，最终收集卷渣缺陷图片122张，缺陷特征归纳自学习正确率100％，10％缺陷验证自学习准确率95％；
(5)后分类-缺陷判定的细化补充：卷渣缺陷主要是连铸阶段保护渣卷入造成，有些会表现为表层起皮，但并不是所有的起皮缺陷都是卷渣，两者的宏观特征极为相似，所以为了判定准确，将前期判断为卷渣但有起皮特征的缺陷在后分类阶段更正命名为起皮缺陷；
所述热镀锌板锌灰缺陷的判定包括：
(1)预分类-持续性缺陷直接判定：在预分类阶段直接将长度大于500mm的缺陷判定为大面积缺陷；
(2)缺陷图库的建立-缺陷验证与收集典型缺陷样本：发生锌灰缺陷时，对锌灰缺陷的表检图片和实物进行收集对比，确认为锌灰缺陷，尽量收集多种类型的卷渣缺陷图片，总数量不少于50张，同一卷带钢收集不超过5张；
(3)缺陷图库的建立-缺陷图库自学习训练：缺陷图片数量超过50张后基本覆盖了该缺陷的特征，依次进行两种自学习训练，缺陷特征归纳自学习和10％缺陷验证自学习；
(4)缺陷图库的建立-缺陷自学习效果检验：如果上述两种自学习正确率均达到90％以上，表明效果良好；如果任何一种自学习正确率低于90％，则需要挑选出系统识别出错的图片，补充新的图片直至正确率达标；经反复收集优化，最终收集锌灰缺陷图片183张，缺陷特征归纳自学习正确率100％，10％缺陷验证自学习准确率96％；
(5)后分类-缺陷判定的细化补充：锌灰缺陷产生于带钢通过锌锅过程中，根据严重程度的不同对成品表面质量影响也不同，不同用户对不同程度锌灰缺陷的容忍程度不同，因此在后分类阶段根据锌灰缺陷尺寸细分为轻、中、重三个等级，以准确评价对后续的影响。
2.如权利要求1所述的热镀锌产线的康耐视表面质量检测系统的优化方法，其特征在于：所述两台CCD行扫描相机与入射光线夹角为30°，且相机与水平方向的夹角为60°。
3.如权利要求1所述的热镀锌产线的康耐视表面质量检测系统的优化方法，其特征在于：两台CCD行扫描相机镜头对齐，两个相机的对齐误差小于0.5mm。
4.如权利要求1所述的热镀锌产线的康耐视表面质量检测系统的优化方法，其特征在于：所述特定缺陷过滤操作以及直接判定操作具体如下，
针对小缺陷，判定逻辑规则为：缺陷面积小于0.025mm2，处理方式为：过滤；
针对低密度缺陷，判定逻辑规则为：缺陷面积占盒区面积小于50％，处理方式为：过滤；
针对持续性缺陷，判定逻辑规则为：缺陷长度大于500mm，处理方式为：直接判定；
针对大缺陷，判定逻辑规则为：缺陷面积大于1000mm2，处理方式为：直接判定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510766332.5A CN105354848B (zh) | 2015-11-11 | 2015-11-11 | 一种热镀锌产线的康耐视表面质量检测系统的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510766332.5A CN105354848B (zh) | 2015-11-11 | 2015-11-11 | 一种热镀锌产线的康耐视表面质量检测系统的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105354848A CN105354848A (zh) | 2016-02-24 |
| CN105354848B true CN105354848B (zh) | 2019-04-23 |
Family
ID=55330815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510766332.5A Active CN105354848B (zh) | 2015-11-11 | 2015-11-11 | 一种热镀锌产线的康耐视表面质量检测系统的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105354848B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445008A (zh) * | 2018-02-27 | 2018-08-24 | 首钢京唐钢铁联合有限责任公司 | 一种带钢表面缺陷的检测方法 |
| CN110899150B (zh) * | 2019-12-23 | 2021-02-23 | 中国环境科学研究院 | 一种电解锌锰阴阳极表面物理缺陷智能识别的方法 |
| CN113916127A (zh) * | 2021-09-28 | 2022-01-11 | 安庆帝伯粉末冶金有限公司 | 一种气门导管成品外观视觉检测系统及检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5982920A (en) * | 1997-01-08 | 1999-11-09 | Lockheed Martin Energy Research Corp. Oak Ridge National Laboratory | Automated defect spatial signature analysis for semiconductor manufacturing process |
| CN101281208A (zh) * | 2007-04-06 | 2008-10-08 | 清华大学 | 异性纤维分拣系统中用视频测速的棉流速度在线估计方法 |
| CN101949865A (zh) * | 2010-09-19 | 2011-01-19 | 首钢总公司 | 一种百事泰在线表面缺陷检测系统的优化方法 |
| CN102637258A (zh) * | 2012-04-01 | 2012-08-15 | 首钢总公司 | 一种建立在线表面质量检测系统缺陷库的方法 |
| CN103323457A (zh) * | 2013-05-20 | 2013-09-25 | 中国农业大学 | 水果外观缺陷实时在线检测系统及检测方法 |
| CN104614380A (zh) * | 2013-11-04 | 2015-05-13 | 北京兆维电子(集团)有限责任公司 | 一种板带表面质量检测系统和方法 |
| CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8704903B2 (en) * | 2009-12-29 | 2014-04-22 | Cognex Corporation | Distributed vision system with multi-phase synchronization |
-
2015
- 2015-11-11 CN CN201510766332.5A patent/CN105354848B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5982920A (en) * | 1997-01-08 | 1999-11-09 | Lockheed Martin Energy Research Corp. Oak Ridge National Laboratory | Automated defect spatial signature analysis for semiconductor manufacturing process |
| CN101281208A (zh) * | 2007-04-06 | 2008-10-08 | 清华大学 | 异性纤维分拣系统中用视频测速的棉流速度在线估计方法 |
| CN101949865A (zh) * | 2010-09-19 | 2011-01-19 | 首钢总公司 | 一种百事泰在线表面缺陷检测系统的优化方法 |
| CN102637258A (zh) * | 2012-04-01 | 2012-08-15 | 首钢总公司 | 一种建立在线表面质量检测系统缺陷库的方法 |
| CN103323457A (zh) * | 2013-05-20 | 2013-09-25 | 中国农业大学 | 水果外观缺陷实时在线检测系统及检测方法 |
| CN104614380A (zh) * | 2013-11-04 | 2015-05-13 | 北京兆维电子(集团)有限责任公司 | 一种板带表面质量检测系统和方法 |
| CN104914111A (zh) * | 2015-05-18 | 2015-09-16 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数字图像处理的高温钢坯裂纹检测研究;黄志良;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215;第2014年卷(第02期);第14页第2段，第15页图3-2、3-3 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105354848A (zh) | 2016-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 | |
| CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
| CN102928431B (zh) | 基于单目多视角机器视觉的珍珠大小形状在线自动分级装置 | |
| CN103529051B (zh) | 一种机织纺织品瑕疵自动在线检测方法 | |
| CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
| CN106991668B (zh) | 一种天网摄像头拍摄画面的评价方法 | |
| CN105354848B (zh) | 一种热镀锌产线的康耐视表面质量检测系统的优化方法 | |
| CN108760747A (zh) | 一种3d打印模型表面缺陷视觉检测方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN102967586B (zh) | 基于单目多视角机器视觉的珍珠颜色光泽度在线自动分级装置 | |
| CN108564577A (zh) | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 | |
| CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
| CN113702391B (zh) | 一种钢坯表面及近表面缺陷复合检测方法及装置 | |
| CN107024478A (zh) | 一种零件加工自动缺陷识别系统 | |
| CN102621154B (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法 | |
| CN104568956B (zh) | 基于机器视觉的带钢表面缺陷的检测方法 | |
| CN109215009A (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
| CN110443278A (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
| CN101949865B (zh) | 一种百事泰在线表面缺陷检测系统的优化方法 | |
| CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
| CN109285140A (zh) | 一种印刷电路板图像配准评估方法 | |
| CN102303018B (zh) | 机器视觉系统对注射器钢针毛刺的自动检测方法 | |
| CN204440490U (zh) | 一种基于压缩感知的轴套类零件表面缺陷在线检测装置 | |
| CN116012701A (zh) | 一种基于矾花检测的水处理加药控制方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 100041 Shijingshan Road, Beijing, No. 68, No. Applicant after: Shougang Group Co. Ltd. Applicant after: Beijing Shougang Co., Ltd. Address before: 100041 Shijingshan Road, Beijing, No. 68, No. Applicant before: Capital Iron & Steel General Company Applicant before: Beijing Shougang Co., Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |