CN106251352A - 一种基于图像处理的罐盖缺陷检测方法 - Google Patents
一种基于图像处理的罐盖缺陷检测方法 Download PDFInfo
- Publication number
- CN106251352A CN106251352A CN201610613294.4A CN201610613294A CN106251352A CN 106251352 A CN106251352 A CN 106251352A CN 201610613294 A CN201610613294 A CN 201610613294A CN 106251352 A CN106251352 A CN 106251352A
- Authority
- CN
- China
- Prior art keywords
- point
- edge
- cover
- marginal
- defect
- 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
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
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的罐盖缺陷检测方法,包括:S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度;S2对待检测罐盖图像进行边缘检测确定边缘图;S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置和拟合半径;结合标准图像的注胶区宽度和拟合圆心位置、拟合半径,确定注胶区;S4罐盖缺陷的检测识别。本发明具有检测用时少、效率高、实时检测性好等特点,并在实际生产线上取得了良好的检测效果。
Description
技术领域
本发明属于工业产品质量检测技术领域,尤其涉及一种基于图像处理的罐盖缺陷检测方法。
背景技术
近些年来,人们对食品、物品封装安全、健康和多样化的需求要求越来越高,以马口铁为材质的金属罐盖的生产和检测面临着更高的要求和挑战。罐盖质量的好坏直接影响了产品包装罐的封装,对产品的质量和安全起到了十分关键的作用。
在罐盖的整个生产过程中,由于原材料的缺陷、设备老化或者员工操作不当以及其他因素使得罐盖会产生多种缺陷,其中常见的缺陷主要有边缘变形、多胶、漏胶、叠盖等缺陷情况。在这些缺陷的作用下,从而可能会发生一定的物理或化学变化,从而直接或间接对封装的产品质量造成影响,甚至可能造成严重的工业后果或食品中毒事件。因此对罐盖进行有效的高质量检测就显得十分必要和关键。
由于检测结果受个人经验影响,且容易产生漏检和误检,传统的人工罐盖质量检测逐步被基于机器视觉的在线检测方法取代。基于机器视觉的罐盖质量检测的关键技术包括罐盖轮廓检测和缺陷检测两个部分。
目前罐盖轮廓检测方法主要有两类,一类是基于圆形产品灰度分布的重心法和模板匹配法,另一类是基于边缘检测的霍夫变换和最小二乘拟合法。重心法和模板匹配法速度快,但当存在噪声或罐盖灰度分布不均匀时,不能准确定位圆形轮廓。霍夫变换是一种全局方法,具有良好抗噪性能。
公告号CN103604808B的中国专利公开了一种瓶盖缺陷视觉检测方法,该方法首先对图像进行二值化,然后在事先获取的圆形产品在图像中位置附近对二值图像进行外边缘跟踪,最终通过霍夫变换获取圆心、半径等圆参数。霍夫变换计算费时,不适用于在线实时检测。何金彪等人[1]提出了一种基于边缘检测的最小二乘法[1],首先是在边缘检测结果中确定属于圆形轮廓的点,然后采用最小二乘法对轮廓点进行拟合得到圆心和半径等圆参数。该方法对图像边缘质量要求较高,当产品轮廓存在弱边缘时,易获得错误的圆参数。公告号CN102192911B的中国专利公开了一种基于圆形轮廓特征的圆形轮廓圆参数检测方法,该方法具有良好的抗噪性能,但算法复杂,同样不适用于在线实时检测。
目前罐盖缺陷检测方法主要包括基于特征匹配和基于边缘和区域轮廓形状两类。公告号CN102192911B的中国专利中,提出了一种基于标准无缺陷罐盖和待检测罐盖的旋转不变性特征相似度的缺陷检测方法。该方法具有较好的稳定性和可靠性,但不能区分缺陷类型。公告号CN103604808B的中国专利中,在提取了罐盖外圆边缘后,通过分析边缘点到圆心距离以及连接相邻边缘点构成的线段方向判断是否存在外圆缺陷及毛刺。当边缘受到噪声干扰时,该方法容易出现误判和漏判。何金彪等人[1]在边缘检测基础上,通过分析待检测罐盖和标准罐盖内圆内部灰度均值方差差异来确定内圆是否存在缺陷,该方法对标准罐盖图像和待检测罐盖图像获取时光照一致性要求较高,当光照发生变化时,易出现误检。
文中涉及如下参考文献:
[1]何金彪,周永霞.基于机器视觉的罐盖缺陷检测.中国计量学院学报[J],2015,26(3):270-273.
发明内容
针对现有技术存在的问题,本发明提供了一种高效准确易实现的基于图像处理的罐盖缺陷检测方法。
为解决上述技术问题,本发明采用如下技术方案:
第一种基于图像处理的罐盖缺陷检测方法,包括:
S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度,所述的标准图像即与待检测罐盖同型号的标准无缺陷罐盖的图像;
S2对待检测罐盖图像进行边缘检测确定边缘图;
S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合标准图像的注胶区宽度和point、radius,确定注胶区;
S4出界缺陷的检测识别,具体为:
判断步骤S3所获得边缘点总数是否小于标准图像的边缘点总数的90%,若小于,则存在出界缺陷;否则,不存在出界缺陷。
第二种基于图像处理的罐盖缺陷检测方法,包括:
S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度,所述的标准图像即与待检测罐盖同型号的标准无缺陷罐盖的图像;
S2对待检测罐盖图像进行边缘检测确定边缘图;
S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合标准图像的注胶区宽度和point、radius,确定注胶区;
S4叠盖缺陷的检测识别,具体为:
在外圆轮廓的边缘点中选取上下左右间隔90度的四个边缘点作为基准判断点,其中,上下两个边缘点的连线和左右两个边缘点的连线均过拟合圆心,且上下两个边缘点的连线和左右两个边缘点的连线相互垂直;
分别计算四个基准判断点到拟合圆心的距离,将四个距离的最大值和最小值分别记为MaxN、MinN,令diff1=MaxN-MinN;
分别统计四个基准判断点邻域范围内边缘点数,将将四个边缘点数的最大值和最小值分别记为MaxM、MinM,令diff2=MaxM-MinM;
分别判断diff1、diff2与距离阈值nOverLapTh1、数量阈值nOverLapTh2的大小关系,若diff1>nOverLapTh1且diff2>nOverLapTh2,则存在叠盖缺陷;否则,不存在叠盖缺陷nOverLapTh1和nOverLapTh2为经验值,根据多次试验调整获得。
第三种基于图像处理的罐盖缺陷检测方法,包括:
S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度,所述的标准图像即与待检测罐盖同型号的标准无缺陷罐盖的图像;
S2对待检测罐盖图像进行边缘检测确定边缘图;
S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合标准图像的注胶区宽度和point、radius,确定注胶区;
S4边缘缺陷的检测识别,具体为:
分别计算步骤S3所获得所有边缘点到拟合圆心的距离dis,令各边缘点的距离偏差δ=|dis-radius|,距离偏差δ值大于第一偏差阈值TH1的边缘点即可能边缘缺陷点,记为点Q,对所有可能边缘缺陷点分别执行如下:
4.1从点Q开始,沿外圆轮廓的圆周方向,判断与点Q邻接的边缘点T的距离偏差δ值与第一偏差阈值TH1的大小,若边缘点T的δ值大于第一偏差阈值TH1,令边缘点T为点Q,重复本子步骤,直至边缘点T的δ值小于第二偏差阈值TH2,然后,执行子步骤4.2;
4.2记录当前点Q和初始点Q间的边缘点数num2,计算当前点Q和初始点Q间所有边缘点到拟合圆心的距离的平均值dv,dv与num2的比值记为ratio,若ratio大于阈值TH3,则判断存在边缘缺陷;
第一偏差阈值TH1、第二偏差阈值TH2、阈值TH3均为经验值,其中,TH1<TH2。
第四种基于图像处理的罐盖缺陷检测方法,包括:
S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度,所述的标准图像即与待检测罐盖同型号的标准无缺陷罐盖的图像;
S2对待检测罐盖图像进行边缘检测确定边缘图;
S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合标准图像的注胶区宽度和point、radius,确定注胶区;
S4注胶缺陷的检测识别,具体为:
在注胶区检测联通成分Ci,对各联通成分Ci,分别计算Ci沿径向和周向的分布范围以及Ci中所有边缘点的平均梯度幅值grdt,若分布范围的径向长度和周向长度分别大于径向长度阈值TH9、周向长度阈值TH10,且grdt大于梯度阈值grdt0,则判断该联通成分为注胶缺陷;TH9、TH10、grdt0为经验值,根据多次试验调整获得。
上述步骤S2进一步包括子步骤:
2.1对待检测罐盖图像进行均值滤波处理;
2.2采用canny算子对均值滤波处理后的待检测罐盖图像进行边缘检测,得到由边缘点组成的边缘图。
上述步骤S3进一步包括子步骤:
3.1确定边缘跟踪的起始跟踪点,本子步骤具体为:
(3.1a)沿垂直方向从边缘图边界向边缘图中心搜索,若找到梯度幅值大于梯度幅值阈值的两个边缘点,任选一边缘点作为起始跟踪点st;否则,执行步骤(3.1b);所述的梯度幅值阈值为经验值;
(3.1b)沿水平方向从边缘图边界向边缘图中心搜索,找到梯度幅值大于梯度幅值阈值的两个边缘点,任选一边缘点作为起始跟踪点st;
(3.1c)将起始跟踪点st作为初始的当前点p和当前基准点c,st存入外圆轮廓点队列EdgeAry;
3.2对边缘图进行边缘跟踪,获得外圆轮廓,本子步骤具体为:
(3.2a)判断当前点p是否为起始跟踪点st,若是,执行步骤(3.2b);否则,执行步骤(3.2d);
(3.2b)在当前点p的八邻域内,在当前搜索方向下,沿顺时针搜索下一边缘点q,若存在点q满足条件:矢量与当前搜索方向的夹角小于90度,则点q为边缘点,存入EdgeAry,同时将点q置为当前点p,执行步骤(3.2d);当前搜索方向的初始方向为正东方向;若不存在满足条件的点q,执行步骤(3.2c);
(3.2c)判断EdgeAry中边缘点数是否小于数量阈值THC,若小于,表明外圆边缘出现间隙,此时,沿着当前搜索方向扩大搜索步长,在当前搜索步长范围内重复步骤(3.2b);若重复步骤(3.2b)时仍未搜索到满足条件的点q,则以当前搜索方向的垂直方向为新的当前搜索方向,在当前搜索步长范围内重复步骤(3.2b);若在新的当前搜索方向下仍未搜索到满足条件的点q,边缘跟踪结束;THC为标准图像的外圆轮廓边缘点总数,可由步骤1获得。
(3.2d)计算EdgeAry中最后一个点m到当前基准点c间的偏移量,若偏移量未达到阈值TL,保持当前基准点c和当前搜索方向不变,执行步骤(3.2b);否则,计算矢量和当前搜索方向间的夹角β,并令点m为当前基准点c;若夹角β大于角度阈值THB,则将当前搜索方向的垂直方向作为新的当前为搜索方向,执行步骤(3.2b),若能搜索到边缘点q,以矢量方向为当前搜索方向;若夹角β不大于角度阈值THB,保持当前搜索方向不变,执行步骤(3.2b);
当当前点p和起始跟踪点st的距离小于预设距离阈值,边缘跟踪结束。
3.3EdgeAry中点即边缘跟踪所获得边缘点,采用最小二乘法对EdgeAry中点进行拟合,得拟合圆心位置point和拟合半径radius。
和现有技术相比,本发明具有如下优点和有益效果:
(1)无需人工参与即可实现实时在线检测。
(2)可针对性检测实际生产线上出现的各类缺陷,从而可提高检测正确率。
(3)检测用时少,检测效率高。
附图说明
图1为本发明的具体流程图;
图2为标准无缺陷罐盖的示意图,其中,图(a)为标准无缺陷罐盖的原图,图(b)为标准无缺陷罐盖的边缘与注胶区放大图,图(c)为标准无缺陷罐盖的边缘图,图(d)为标准无缺陷罐盖的检测结果图;
图3为含边缘缺陷罐盖的示意图,其中,图(a)为含边缘缺陷罐盖的原图,图(b)为含边缘缺陷罐盖的边缘与注胶区放大图,图(c)为含边缘缺陷罐盖的边缘图,图(d)为含边缘缺陷罐盖的检测结果图;
图4为含注胶缺陷罐盖的示意图,其中,图(a)为含注胶缺陷罐盖的原图,图(b)为含注胶缺陷罐盖的边缘与注胶区放大图,图(c)为含注胶缺陷罐盖的边缘图,图(d)为含注胶缺陷罐盖的检测结果图;
图5为基准判断点示意图;
图6为联通成分示意图。
具体实施方式
为了更好地理解本发明技术方案,下面结合附图对本发明做进一步的详细说明。实施例流程的主要步骤见图1,具体实施如下:
步骤1,将与待检测罐盖同型号的标准无缺陷罐盖的图像作为标准图像,采用人机交互方式获取标准图像的外圆轮廓半径、注胶区宽度及各类阈值等参数,获取的参数写入INI配置文件。为便于描述,文中将“标准无缺陷罐盖图像”简记为“标准图像”。
步骤2,对待检测罐盖图像进行边缘检测,确定待检测罐盖图像的边缘图image1。
见图2,本步骤依次包括:
步骤2.1,对待检测罐盖图像进行滤波去噪处理,本具体实施方式中采用均值滤波处理,不同型号的罐盖图像采用不同的滤波模板。
本实施例采取3×3滤波模板,均值滤波实现如下:
滤波模板由当前像素点(x,y)及其近邻像素组成,将滤波模板中所有近邻像素灰度值的均值赋予当前像素点(x,y):
式(1)中:
g(x,y)为均值滤波后当前像素点(x,y)的灰度值;
f(x,y)为均值滤波处理前当前像素点(x,y)的灰度值;
m为滤波模板所包含像素的数量。
步骤2.2,采用canny算子对待检测罐盖图像进行边缘检测,得到由边缘点组成的边缘图image1。
图2(c)、图3(c)、图4(c)即本实施例获得的边缘图。canny算子中的两个阈值ThH和ThL需随着不同型号的罐盖进行调整,本实施例中阈值ThH设为60,阈值ThL设为30。
步骤3,对边缘图image1进行边缘跟踪获得边缘点,采用最小二乘法对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合步骤1获得的注胶区宽度和拟合圆心位置、拟合半径,确定注胶区。
本步骤进一步包括:
步骤3.1,确定边缘跟踪的起始跟踪点。
本步骤的具体实施过程如下:
(a)沿垂直方向从边缘图边界向边缘图中心搜索,若找到梯度幅值大于梯度幅值阈值的两个边缘点,任选一边缘点作为跟踪外圆轮廓的起始跟踪点st;否则,执行步骤(b)。
(b)沿水平方向从边缘图边界向边缘图中心搜索,找到梯度幅值大于梯度幅值阈值的两个边缘点,任选一边缘点作为跟踪外圆轮廓的起始跟踪点st;
(c)将起始跟踪点st作为初始的当前点p和当前基准点c,起始跟踪点st存入外圆轮廓点队列EdgeAry。
上述梯度幅值阈值为[30,35]范围内的经验值,其值通过多次试验调整获得。
所确定的起始跟踪点即外圆轮廓的边缘点。本步骤找到外圆轮廓边缘点的前提条件是:待检测罐盖图像中罐盖区域以外不存在两个以上呈对称分布的强边缘点;该前提条件可通过设计照明系统获得。确定了外圆轮廓的边缘点后,在同一个方向上从边缘点出发,继续搜索满足条件的边缘点,将满足条件的边缘点作为内圆轮廓跟踪的起始点。
步骤3.2,对边缘图进行边缘跟踪,获得外圆轮廓。
边缘图中,外圆轮廓上任一边缘点的8邻域范围内可能存在多个方向的边缘点,边缘跟踪检测到的外圆轮廓点存入外圆轮廓点队列EdgeAry。
边缘跟踪时,若始终沿着固定方向搜索当前点p的下一边缘点,可能会使跟踪提前结束,因此需要根据当前点p的方向更新搜索方向。搜索过程中,为提高计算效率和抗干扰能力,只有在当前点p和当前基准点c间边缘点数目达到阈值TL时,才进行搜索方向更新。第一次搜索时,当前基准点c为起始点st。以后的搜索中,每更新一次搜索方向,即将当前点p作为更新搜索方向后搜索的当前基准点c。另一方面,罐盖外圆轮廓可能出现间隙,这种情况下轮廓跟踪在间隙处会中断。因此,轮廓跟踪需具有联接边缘间隙的能力。
本步骤的具体实施过程如下:
(a)判断当前点p是否为起始跟踪点st,若是,执行步骤(b);否则,执行步骤(d)。
(b)在当前点p的八邻域内,在当前搜索方向下,沿顺时针搜索下一边缘点q,若存在点q满足条件:矢量与当前搜索方向的夹角小于90度,则点q为轮廓边缘点,存入EdgeAry,同时将点q置为当前点p,执行步骤(d);当前搜索方向的初始方向为正东方向;若不存在满足条件的点q,执行步骤(c)。
(c)判断EdgeAry中边缘点数是否小于数量阈值THC,若小于,表明外圆边缘出现间隙,此时,沿着当前搜索方向扩大搜索步长,在当前搜索步长范围内重复步骤(b);若重复步骤(b)时仍未搜索到满足条件的点q,则以当前搜索方向的垂直方向为新的当前搜索方向,在当前搜索步长范围内重复步骤(b);若在新的当前搜索方向下仍未搜索到满足条件的点q,边缘跟踪结束;THC为标准图像的外圆轮廓边缘点总数,可由步骤1获得。
(d)计算EdgeAry中最后一个点m到当前基准点c间的偏移量,若偏移量未达到阈值TL,保持当前基准点c和当前搜索方向不变,执行步骤(b);否则,计算矢量和当前搜索方向间的夹角β,并令点m为当前基准点c;若夹角β大于角度阈值THB,则将当前搜索方向的垂直方向作为新的当前为搜索方向,执行步骤(b),若能搜索到边缘点q,以矢量方向为当前搜索方向;若夹角β不大于角度阈值THB,保持当前搜索方向不变,执行步骤(b)。当当前点p和起始跟踪点st的距离小于预设距离阈值,边缘跟踪结束。
本步骤中,阈值TL为经验值,本具体实施方式设置为15;THB=THA/r,r为步骤1获得的外圆轮廓半径,THA指跟踪到的边缘点数标准判断阈值,在[15,20]范围内取值,本具体实施方式设置为15.
步骤3.3,采用最小二乘法对EdgeAry中点进行拟合,得拟合圆心位置point和拟合半径radius。
最小二乘法是通过最小化误差的平方和以找到拟合函数的最佳参数匹配,下面将对最小二乘法原理进行说明:
圆方程经过展开后,可以将其改写为:,
x2+y2+ax+by+c=0 (2)
只要求出参数a、b、c,就可以得到圆心位置和半径。(x,y)表示圆上点的坐标。
令点集(xi,yi)为外圆轮廓上的边缘点,则边缘点到圆心(x0,y0)的距离的平方为
为减小计算量的和复杂度,将与半径平方r2的差值作为目标误差σi:
为使目标误差的平方和最小,需要有:
解得
其中:
B=n∑xi yi-∑xi∑yi;
上述求和符号均表示对EdgeAry中所有边缘点求和。
根据公式(4)~(5)遍历外圆轮廓上所有边缘点,从而得到位置圆心位置和位置半径,一般只要存在三个及以上边缘点就可以拟合出圆心和半径。
步骤3.4,结合步骤1获得的注胶区宽度和拟合圆心位置、拟合半径,确定注胶区。
步骤4,确定缺陷区域,并识别缺陷类型。
下面将提供各类缺陷的检测识别过程:
步骤4.1,出界缺陷检测:
根据步骤3所得外圆轮廓,获得外圆轮廓中边缘点总数,当边缘点总数小于标准图像的边缘点总数的90%,判断待检测罐盖图像中罐盖没有全部位于检测视场范围,即存在出界缺陷。
步骤3所得外圆轮廓中边缘点总数即步骤3结束时EdgeAry中总点数。
步骤4.2,叠盖缺陷检测:
在外圆轮廓的边缘点中选取上下左右间隔90度的四个边缘点作为基准判断点,其中,上下两个边缘点的连线和左右两个边缘点的连线均过拟合圆心,且上下两个边缘点的连线和左右两个边缘点的连线相互垂直,见图5中点A、B、C、D。分别计算四个基准判断点到拟合圆心的距离,将四个距离的最大值和最小值分别记为MaxN、MinN,令diff1=MaxN-MinN。分别统计四个基准判断点邻域范围内边缘点数,将四个边缘点数的最大值和最小值分别记为MaxM、MinM,令diff2=MaxM-MinM。分别判断diff1、diff2与距离阈值nOverLapTh1、数量阈值nOverLap2T的h大小关系,若diff1>nOverLapTh1且diff2>nOverLapTh2,则存在叠盖缺陷。
距离阈值nOverLapTh1和数量阈值nOverLapTh2均为[0,2]范围内的经验值,根据多次试验调整获得,本实施例中,nOverLapTh1和nOverLapTh2均设置为0。
步骤4.3,边缘缺陷检测:
分别计算步骤3所得外圆轮廓上所有边缘点到拟合圆心的距离dis,令各边缘点的距离偏差δ=dis-radius,radius为拟合半径,各边缘点对应一距离偏差δ值。距离偏差δ值大于第一偏差阈值TH1的边缘点即可能边缘缺陷点,记为点Q。对所有可能边缘缺陷点分别执行如下:
(a)从点Q开始,沿外圆轮廓的圆周方向,判断与点Q邻接的外圆轮廓边缘点T的距离偏差δ值与第一偏差阈值TH1的大小,若边缘点T的δ值大于第一偏差阈值TH1,存储该δ;然后令外圆轮廓边缘点T为点Q,重复本子步骤,直至边缘点T的δ值小于第二偏差阈值TH2,然后,执行子步骤(b);
(b)记录当前点Q和初始点Q间的外圆轮廓边缘点数num2,计算当前点Q和初始点Q间所有外圆轮廓边缘点到拟合圆心的距离的平均值dv,dv与num2的比值记为ratio,若ratio大于阈值TH3,则判断当前点Q和初始点Q间存在边缘缺陷。
本步骤中,阈值TH3为[0.2,,0.3]范围内的经验值。本实施例中,第一偏差阈值TH1=3个像素点,第二偏差阈值TH2=1个像素点,阈值TH3=0.2。
步骤4.4,注胶缺陷检测:
对步骤3确定的注胶区进行边缘特征分析,计算连续边缘的分布范围,根据边缘点及其邻域像素的反差判断是否存在注胶缺陷,即多胶缺陷或漏胶缺陷。
本步骤具体实施过程如下:
在注胶区检测联通成分Ci,对各联通成分Ci,分别计算Ci沿径向和周向的分布范围以及Ci中所有边缘点的平均梯度幅值grdt,如果分布范围的径向长度和周向长度分别大于径向长度阈值TH9、周向长度阈值TH10,且平均梯度幅值grdt大于梯度阈值grdt0,则判断该联通成分为注胶缺陷。
径向长度阈值TH9、周向长度阈值TH10、梯度阈值grdt0为经验值,在[40,60]范围取值,根据多次试验调整获得。本实施例中,TH9设置为5,TH10设置为10,grdt0设置为50。
本发明中,联通成分Ci的分布范围主要指联通成分的径向长度和周向长度组成的矩形范围,见图6。径向长度通过查找联通成分中边缘点到拟合圆心最大值与最小值,计算二者差值即联通成分的径向长度。周向长度指遍历所有联通成分中的边缘点,任选一个边缘点作为基准点,计算任意两个边缘点的距离,最大值即周向最大长度。
本实施例提供了边缘缺陷和注胶缺陷识别的实施例,边缘缺陷包括凸缺陷和凹缺陷,注胶缺陷包括缺胶缺陷或多胶缺陷。标准无缺陷罐盖图像检测识别结果见图2(d),边缘缺陷罐盖图像检测识别结果见图3(d),注胶缺陷罐盖图像检测识别结果见图4(d)。
上述,出界缺陷指采集图像只显示部分罐盖,而未显示完整罐盖;叠盖缺陷指采集图像中显示两个重叠罐盖;边缘缺陷指采集图像中,罐盖外圆轮廓出现弯曲变形的情形,比如轮廓边缘向内凹陷或向外凸起等情况;注胶缺陷指采集图像中,注胶区出现胶水不均匀的情形,比如漏胶、缺胶、多胶等情况。
实施例
下面将通过实施例来验证本发明的有效性。
选取一组同型号(209型号)的含有不同种类缺陷的罐盖图像进行缺陷检测处理,共有45张待检测图像,其中分别含有不同数量的正常图像、边缘缺陷图像、注胶缺陷图像,所有图像均为750×700大小的bmp格式图像。其中硬件环境为Intel酷睿I3-2350CPU、2.30G赫兹主频、4G内存,软件环境为Microsoft Windows 7(64位操作系统),采用VisualStudio2013平台通过C++编程实现自动检测流程,最后输出检测结果和检测用时。实验数据见表1。
表1实验数据统计
从表1可看出,本发明方法的缺陷正检率达到95.6%,且检测效率达到23.10张/秒。
综上所述,根据实际的罐盖缺陷检测需要,提出了一种基于图像处理的罐盖缺陷检测方法,无需人工的参与,可以实现在线的实时检测;通过针对实际生产线上出现的不同种类的缺陷,研究开发相应缺陷的检测算法,具有很强的检测针对性,很好地提高了检测的正确率;此外每种缺陷的检测算法,都经过大量的测试与优化,检测用时少,检测效率高。
Claims (6)
1.一种基于图像处理的罐盖缺陷检测方法,其特征是,包括:
S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度,所述的标准图像即与待检测罐盖同型号的标准无缺陷罐盖的图像;
S2对待检测罐盖图像进行边缘检测确定边缘图;
S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合标准图像的注胶区宽度和point、radius,确定注胶区;
S4出界缺陷的检测识别,具体为:
判断步骤S3所获得边缘点总数是否小于标准图像的边缘点总数的90%,若小于,则存在出界缺陷;否则,不存在出界缺陷。
2.一种基于图像处理的罐盖缺陷检测方法,其特征是,包括:
S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度,所述的标准图像即与待检测罐盖同型号的标准无缺陷罐盖的图像;
S2对待检测罐盖图像进行边缘检测确定边缘图;
S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合标准图像的注胶区宽度和point、radius,确定注胶区;
S4叠盖缺陷的检测识别,具体为:
在外圆轮廓的边缘点中选取上下左右间隔90度的四个边缘点作为基准判断点,其中,上下两个边缘点的连线和左右两个边缘点的连线均过拟合圆心,且上下两个边缘点的连线和左右两个边缘点的连线相互垂直;
分别计算四个基准判断点到拟合圆心的距离,将四个距离的最大值和最小值分别记为MaxN、MinN,令diff1=MaxN-MinN;
分别统计四个基准判断点邻域范围内边缘点数,将将四个边缘点数的最大值和最小值分别记为MaxM、MinM,令diff2=MaxM-MinM;
分别判断diff1、diff2与距离阈值nOverLapTh1、数量阈值nOverLapTh2的大小关系,若diff1>nOverLapTh1且diff2>nOverLapTh2,则存在叠盖缺陷;否则,不存在叠盖缺陷nOverLapTh1和nOverLapTh2为经验值,根据多次试验调整获得。
3.一种基于图像处理的罐盖缺陷检测方法,其特征是,包括:
S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度,所述的标准图像即与待检测罐盖同型号的标准无缺陷罐盖的图像;
S2对待检测罐盖图像进行边缘检测确定边缘图;
S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合标准图像的注胶区宽度和point、radius,确定注胶区;
S4边缘缺陷的检测识别,具体为:
分别计算步骤S3所获得所有边缘点到拟合圆心的距离dis,令各边缘点的距离偏差δ=|dis-radius|,距离偏差δ值大于第一偏差阈值TH1的边缘点即可能边缘缺陷点,记为点Q,对所有可能边缘缺陷点分别执行如下:
4.1从点Q开始,沿外圆轮廓的圆周方向,判断与点Q邻接的边缘点T的距离偏差δ值与第一偏差阈值TH1的大小,若边缘点T的δ值大于第一偏差阈值TH1,令边缘点T为点Q,重复本子步骤,直至边缘点T的δ值小于第二偏差阈值TH2,然后,执行子步骤4.2;
4.2记录当前点Q和初始点Q间的边缘点数num2,计算当前点Q和初始点Q间所有边缘点到拟合圆心的距离的平均值dv,dv与num2的比值记为ratio,若ratio大于阈值TH3,则判断存在边缘缺陷;
第一偏差阈值TH1、第二偏差阈值TH2、阈值TH3均为经验值,其中,TH1<TH2。
4.一种基于图像处理的罐盖缺陷检测方法,其特征是,包括:
S1采用人机交互方式获取标准图像的外圆轮廓半径和注胶区宽度,所述的标准图像即与待检测罐盖同型号的标准无缺陷罐盖的图像;
S2对待检测罐盖图像进行边缘检测确定边缘图;
S3对边缘图进行边缘跟踪获得边缘点,对边缘点进行边缘拟合,得拟合圆心位置point和拟合半径radius;结合标准图像的注胶区宽度和point、radius,确定注胶区;
S4注胶缺陷的检测识别,具体为:
在注胶区检测联通成分Ci,对各联通成分Ci,分别计算Ci沿径向和周向的分布范围以及Ci中所有边缘点的平均梯度幅值grdt,若分布范围的径向长度和周向长度分别大于径向长度阈值TH9、周向长度阈值TH10,且grdt大于梯度阈值grdt0,则判断该联通成分为注胶缺陷;TH9、TH10、grdt0为经验值,根据多次试验调整获得。
5.如权利要求1~4中任一项所述的基于图像处理的罐盖缺陷检测方法,其特征是:
步骤S2进一步包括子步骤:
2.1对待检测罐盖图像进行均值滤波处理;
2.2采用canny算子对均值滤波处理后的待检测罐盖图像进行边缘检测,得到由边缘点组成的边缘图。
6.如权利要求1~4中任一项所述的基于图像处理的罐盖缺陷检测方法,其特征是:
步骤S3进一步包括子步骤:
3.1确定边缘跟踪的起始跟踪点,本子步骤具体为:
(3.1a)沿垂直方向从边缘图边界向边缘图中心搜索,若找到梯度幅值大于梯度幅值阈值的两个边缘点,任选一边缘点作为起始跟踪点st;否则,执行步骤(3.1b);所述的梯度幅值阈值为经验值;
(3.1b)沿水平方向从边缘图边界向边缘图中心搜索,找到梯度幅值大于梯度幅值阈值的两个边缘点,任选一边缘点作为起始跟踪点st;
(3.1c)将起始跟踪点st作为初始的当前点p和当前基准点c,st存入外圆轮廓点队列EdgeAry;
3.2对边缘图进行边缘跟踪,获得外圆轮廓,本子步骤具体为:
(3.2a)判断当前点p是否为起始跟踪点st,若是,执行步骤(3.2b);否则,执行步骤(3.2d);
(3.2b)在当前点p的八邻域内,在当前搜索方向下,沿顺时针搜索下一边缘点q,若存在点q满足条件:矢量与当前搜索方向的夹角小于90度,则点q为边缘点,存入EdgeAry,同时将点q置为当前点p,执行步骤(3.2d);当前搜索方向的初始方向为正东方向;若不存在满足条件的点q,执行步骤(3.2c);
(3.2c)判断EdgeAry中边缘点数是否小于数量阈值THC,若小于,表明外圆边缘出现间隙,此时,沿着当前搜索方向扩大搜索步长,在当前搜索步长范围内重复步骤(3.2b);若重复步骤(3.2b)时仍未搜索到满足条件的点q,则以当前搜索方向的垂直方向为新的当前搜索方向,在当前搜索步长范围内重复步骤(3.2b);若在新的当前搜索方向下仍未搜索到满足条件的点q,边缘跟踪结束;THC为标准图像的外圆轮廓边缘点总数,可由步骤1获得。
(3.2d)计算EdgeAry中最后一个点m到当前基准点c间的偏移量,若偏移量未达到阈值TL,保持当前基准点c和当前搜索方向不变,执行步骤(3.2b);否则,计算矢量和当前搜索方向间的夹角β,并令点m为当前基准点c;若夹角β大于角度阈值THB,则将当前搜索方向的垂直方向作为新的当前为搜索方向,执行步骤(3.2b),若能搜索到边缘点q,以矢量方向为当前搜索方向;若夹角β不大于角度阈值THB,保持当前搜索方向不变,执行步骤(3.2b);
当当前点p和起始跟踪点st的距离小于预设距离阈值,边缘跟踪结束。
3.3 EdgeAry中点即边缘跟踪所获得边缘点,采用最小二乘法对EdgeAry中点进行拟合,得拟合圆心位置point和拟合半径radius。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610613294.4A CN106251352B (zh) | 2016-07-29 | 2016-07-29 | 一种基于图像处理的罐盖缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610613294.4A CN106251352B (zh) | 2016-07-29 | 2016-07-29 | 一种基于图像处理的罐盖缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106251352A true CN106251352A (zh) | 2016-12-21 |
CN106251352B CN106251352B (zh) | 2019-01-18 |
Family
ID=57607308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610613294.4A Expired - Fee Related CN106251352B (zh) | 2016-07-29 | 2016-07-29 | 一种基于图像处理的罐盖缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251352B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107101576A (zh) * | 2017-04-05 | 2017-08-29 | 广东工业大学 | 一种零件综合检测方法及系统 |
CN107247057A (zh) * | 2017-06-09 | 2017-10-13 | 青岛软控机电工程有限公司 | 一种瓶盖表面生产日期缺陷检测方法 |
CN107516308A (zh) * | 2017-07-06 | 2017-12-26 | 佛山科学技术学院 | 一种电池盖帽正面视觉检测方法 |
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 |
CN108226163A (zh) * | 2017-12-27 | 2018-06-29 | 合肥市雅视智能科技有限公司 | 一种盖帽自动化检测方法 |
CN108776966A (zh) * | 2018-06-12 | 2018-11-09 | 成都银河磁体股份有限公司 | 一种磁体外观缺陷检测的方法及系统 |
CN109087292A (zh) * | 2018-07-27 | 2018-12-25 | 广东工业大学 | 一种基于机器视觉的热转印胶片胶水偏位检测方法 |
CN109472787A (zh) * | 2018-11-08 | 2019-03-15 | 上海金啤包装检测科技有限公司 | 瓶盖的检测方法及设备、生产线、计算机设备、存储介质 |
CN109671082A (zh) * | 2018-12-26 | 2019-04-23 | 广东嘉铭智能科技有限公司 | 一种密封圈检测方法、装置、设备及计算机可读存储介质 |
CN109727231A (zh) * | 2018-12-17 | 2019-05-07 | 江苏鸿祺生物科技有限公司 | 一种用于识别检测椭球型软胶囊的外观不规则缺陷的自比对检测方法 |
CN109978951A (zh) * | 2019-03-05 | 2019-07-05 | 上海大学 | 一种基于径向离散路径搜索的瓶盖盖面图像快速定位方法 |
CN110441318A (zh) * | 2019-08-22 | 2019-11-12 | 郑州大学 | 一种基于机器视觉的化纤喷丝头孔缺陷检测方法 |
CN111445511A (zh) * | 2020-03-24 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种图像中圆的检测方法 |
CN111758024A (zh) * | 2018-12-27 | 2020-10-09 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN112147147A (zh) * | 2019-06-26 | 2020-12-29 | 杭州海康机器人技术有限公司 | 边缘缺陷检测方法和边缘缺陷检测装置以及质量检测设备 |
CN112258531A (zh) * | 2020-10-20 | 2021-01-22 | 广东博智林机器人有限公司 | 图像中最小独立轮廓分割提取方法、装置以及计算机设备 |
CN112577967A (zh) * | 2021-01-06 | 2021-03-30 | 河南理工大学 | 医药安瓿瓶头部外观质量检测方法 |
CN112991307A (zh) * | 2021-03-25 | 2021-06-18 | 中南大学 | 一种用于钻孔爆破的缺陷圆拟合方法、装置及介质 |
CN113793338A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 一种带孔金属件缺陷检测方法、系统、装置及存储介质 |
WO2023124233A1 (zh) * | 2021-12-31 | 2023-07-06 | 杭州海康机器人股份有限公司 | 一种圆查找方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858734A (zh) * | 2010-05-19 | 2010-10-13 | 山东明佳包装检测科技有限公司 | 一种检测pet瓶口质量的方法及装置 |
CN103606169A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种检测瓶盖缺陷的方法 |
CN103606167A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种用于缺陷检测的瓶盖图像外轮廓确定方法 |
CN104331693A (zh) * | 2014-10-28 | 2015-02-04 | 武汉大学 | 一种印刷品对称性检测方法及系统 |
CN104390589A (zh) * | 2014-11-20 | 2015-03-04 | 景德镇陶瓷学院 | 一种防眩光的圆形日用陶瓷器件的贴花出界检测方法 |
US20150356719A9 (en) * | 2012-02-03 | 2015-12-10 | Applied Materials Israel Ltd. | Method of design-based defect classification and system thereof |
-
2016
- 2016-07-29 CN CN201610613294.4A patent/CN106251352B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858734A (zh) * | 2010-05-19 | 2010-10-13 | 山东明佳包装检测科技有限公司 | 一种检测pet瓶口质量的方法及装置 |
US20150356719A9 (en) * | 2012-02-03 | 2015-12-10 | Applied Materials Israel Ltd. | Method of design-based defect classification and system thereof |
CN103606169A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种检测瓶盖缺陷的方法 |
CN103606167A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种用于缺陷检测的瓶盖图像外轮廓确定方法 |
CN104331693A (zh) * | 2014-10-28 | 2015-02-04 | 武汉大学 | 一种印刷品对称性检测方法及系统 |
CN104390589A (zh) * | 2014-11-20 | 2015-03-04 | 景德镇陶瓷学院 | 一种防眩光的圆形日用陶瓷器件的贴花出界检测方法 |
Non-Patent Citations (1)
Title |
---|
何金彪,周永霞: "基于机器视觉的罐盖缺陷检测", 《中国计量学院学报》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107101576A (zh) * | 2017-04-05 | 2017-08-29 | 广东工业大学 | 一种零件综合检测方法及系统 |
CN107247057B (zh) * | 2017-06-09 | 2020-02-28 | 青岛软控机电工程有限公司 | 一种瓶盖表面生产日期缺陷检测方法 |
CN107247057A (zh) * | 2017-06-09 | 2017-10-13 | 青岛软控机电工程有限公司 | 一种瓶盖表面生产日期缺陷检测方法 |
CN107516308A (zh) * | 2017-07-06 | 2017-12-26 | 佛山科学技术学院 | 一种电池盖帽正面视觉检测方法 |
CN107516308B (zh) * | 2017-07-06 | 2020-12-29 | 佛山科学技术学院 | 一种电池盖帽正面视觉检测方法 |
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 |
CN108226163A (zh) * | 2017-12-27 | 2018-06-29 | 合肥市雅视智能科技有限公司 | 一种盖帽自动化检测方法 |
CN108776966A (zh) * | 2018-06-12 | 2018-11-09 | 成都银河磁体股份有限公司 | 一种磁体外观缺陷检测的方法及系统 |
CN109087292A (zh) * | 2018-07-27 | 2018-12-25 | 广东工业大学 | 一种基于机器视觉的热转印胶片胶水偏位检测方法 |
CN109087292B (zh) * | 2018-07-27 | 2022-03-11 | 广东工业大学 | 一种基于机器视觉的热转印胶片胶水偏位检测方法 |
CN109472787A (zh) * | 2018-11-08 | 2019-03-15 | 上海金啤包装检测科技有限公司 | 瓶盖的检测方法及设备、生产线、计算机设备、存储介质 |
CN109727231A (zh) * | 2018-12-17 | 2019-05-07 | 江苏鸿祺生物科技有限公司 | 一种用于识别检测椭球型软胶囊的外观不规则缺陷的自比对检测方法 |
CN109671082A (zh) * | 2018-12-26 | 2019-04-23 | 广东嘉铭智能科技有限公司 | 一种密封圈检测方法、装置、设备及计算机可读存储介质 |
CN111758024A (zh) * | 2018-12-27 | 2020-10-09 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN111758024B (zh) * | 2018-12-27 | 2023-03-21 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN109978951A (zh) * | 2019-03-05 | 2019-07-05 | 上海大学 | 一种基于径向离散路径搜索的瓶盖盖面图像快速定位方法 |
CN112147147A (zh) * | 2019-06-26 | 2020-12-29 | 杭州海康机器人技术有限公司 | 边缘缺陷检测方法和边缘缺陷检测装置以及质量检测设备 |
CN112147147B (zh) * | 2019-06-26 | 2023-12-22 | 杭州海康机器人股份有限公司 | 边缘缺陷检测方法和边缘缺陷检测装置以及质量检测设备 |
CN110441318A (zh) * | 2019-08-22 | 2019-11-12 | 郑州大学 | 一种基于机器视觉的化纤喷丝头孔缺陷检测方法 |
CN111445511A (zh) * | 2020-03-24 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种图像中圆的检测方法 |
CN111445511B (zh) * | 2020-03-24 | 2022-08-05 | 杭州东信北邮信息技术有限公司 | 一种图像中圆的检测方法 |
CN112258531A (zh) * | 2020-10-20 | 2021-01-22 | 广东博智林机器人有限公司 | 图像中最小独立轮廓分割提取方法、装置以及计算机设备 |
CN112577967A (zh) * | 2021-01-06 | 2021-03-30 | 河南理工大学 | 医药安瓿瓶头部外观质量检测方法 |
CN112577967B (zh) * | 2021-01-06 | 2023-05-16 | 河南理工大学 | 医药安瓿瓶头部外观质量检测方法 |
CN112991307A (zh) * | 2021-03-25 | 2021-06-18 | 中南大学 | 一种用于钻孔爆破的缺陷圆拟合方法、装置及介质 |
CN113793338A (zh) * | 2021-11-18 | 2021-12-14 | 成都数联云算科技有限公司 | 一种带孔金属件缺陷检测方法、系统、装置及存储介质 |
WO2023124233A1 (zh) * | 2021-12-31 | 2023-07-06 | 杭州海康机器人股份有限公司 | 一种圆查找方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106251352B (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106251352A (zh) | 一种基于图像处理的罐盖缺陷检测方法 | |
CN102636490B (zh) | 基于机器视觉的轴承防尘盖表面缺陷检测方法 | |
CN110220917A (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN107292310B (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN106780473B (zh) | 一种磁环缺陷多目视觉检测方法及系统 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN102175693B (zh) | 医用药剂中可见异物的机器视觉检测方法 | |
CN102682286B (zh) | 基于激光视觉系统的采摘机器人果实识别方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN104268853A (zh) | 一种红外图像与可见光图像配准方法 | |
CN107292879B (zh) | 一种基于图像分析的金属板材表面异常检测方法 | |
CN105139027A (zh) | 胶囊头缺陷检测方法和装置 | |
CN105675625A (zh) | 一种梯度迭代阈值分割的水果表面缺陷检测方法 | |
CN101984916A (zh) | 基于数字图像处理技术的血管管径测量方法 | |
CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
CN107945155A (zh) | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 | |
CN101859378A (zh) | 高速医药生产线上的药液质量视觉检测方法 | |
CN104966300A (zh) | 轴承滚子图像检测系统及方法及图像检测装置 | |
CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
Hou et al. | Welding image edge detection and identification research based on canny operator | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
Yang et al. | Vial bottle mouth defect detection based on machine vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190118 Termination date: 20210729 |
|
CF01 | Termination of patent right due to non-payment of annual fee |