CN106355590B - 一种基于图像作差的模具残留物视觉检测方法及装置 - Google Patents

一种基于图像作差的模具残留物视觉检测方法及装置 Download PDF

Info

Publication number
CN106355590B
CN106355590B CN201611032954.6A CN201611032954A CN106355590B CN 106355590 B CN106355590 B CN 106355590B CN 201611032954 A CN201611032954 A CN 201611032954A CN 106355590 B CN106355590 B CN 106355590B
Authority
CN
China
Prior art keywords
image
intelligent
mold
metal
camera
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
Application number
CN201611032954.6A
Other languages
English (en)
Other versions
CN106355590A (zh
Inventor
陈海永
庞悦
陈聪
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.)
Hebei University of Technology
Original Assignee
Hebei University 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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN201611032954.6A priority Critical patent/CN106355590B/zh
Publication of CN106355590A publication Critical patent/CN106355590A/zh
Application granted granted Critical
Publication of CN106355590B publication Critical patent/CN106355590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30116—Casting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开一种基于图像作差的模具残留物视觉检测方法及装置，该装置包括智能视觉检测系统、金属立柱、底座、横向支架、梯形固定块、PLC和蜂鸣器，其中智能视觉检测系统包括智能工业相机、红色工业光源和win7计算机；红色工业光源水平设置在智能工业相机摄像端四周，两者固定在横向支架上；横向支架固定在金属立柱上；金属立柱固定在底座上，两个梯形固定块设置在底座的底面上。当冲压机在精冲件冲压完成后，零件吹出模具孔，此时通过PLC控制程序，利用以图像作差方法来识别冲压机模具是否在冲压完成后残留下金属残留物，从而保护模具不受损坏和保证精冲件的质量，提高精冲件的制作效率，减少出错率。

Description

一种基于图像作差的模具残留物视觉检测方法及装置
技术领域
本发明涉及冲压机精冲件质量检测技术领域，是一种基于图像作差的模具金属残留物的检测方法及装置，主要通过检测冲压机冲压后模具上是否留有金属残留物来检测精冲件的质量。
背景技术
随着现代化技术的进步和国家工业的不断发展，对于生产的质量和生产速度要求越来越高，而如何在现有的工业基础上提升生产的质量和效率，是现在面临的难题。如今大多数精冲件模具制造时，如果在模具闭模时冷却时间不够或者其他一些原因，则有可能发生原料残留在模腔内的现象，也就是在模具上留有金属残留物。若不能及时发现并处理这种问题，必然会造成产品的缺失，接下来的产品也将是不合格产品，影响后续的生产，浪费大量人力物力。而且最重要的是，金属残留物极易损坏昂贵的模具，而且模具的生产、装卸以及冲压机的停机都会造成不小的损失。
目前，冲压机的精冲件模具残留物的检测大多数都基于工人的目测、手工检测，具有人力成本高、漏检率高、生产效率低等缺点，通过利用智能图像识别系统的实时性、非接触性、高效性和高可靠性，完全可以弥补人工识别的缺点，并且由于智能图像识别系统的安装要求比较低，通用性比较高，完全可以适用于大部分的零件冲压制造。
现有的有关精冲件制造方面的智能图像识别的研究，大部分都是通过检测生产完毕后的零件的质量，以及本身的表面、轮廓等来判断零件的好坏，对于通过检测金属残留物来保证生产零件的质量和保护模具这方面还未曾有过太多的先例。
发明内容
针对现有技术的不足，我们提供了一种基于图像作差的模具残留物视觉检测方法及装置，由于在对金属残留物进行识别时，冲压机的震动、外界的光线干扰、油污的干扰、模具的定位点影响等外界因素会对图像的采集产生不小的干扰，而最大的干扰则来自于模具上面的定位点，它和金属残留物非常相似，所以我们采用了图像作差的方法，通过目标图像和原图像作差来判断，可以准确无干扰的识别金属残留物。
本发明解决所述方法技术问题所采用的技术方案是，设计一种基于图像作差的模具残留物视觉检测方法，该方法的具体步骤如下：
第一步、图像的处理和特征提取
1.1获取原图像：开启装置后，在红色工业光源下，确定模具上没有任何残留物，然后通过工业智能相机获得图像作为原图像；在没有外力改变摄像机和模具的相对位置、也不改变红色工业光源的强度的情况下，不再改变原图像；
1.2获取目标图像：在步骤1.1的基础上，冲压机工作，通过PLC传输来的信息，控制智能工业相机获取目标图像，待处理；
1.3感兴趣区域分割：确定需要处理的模具部分在步骤1.1和步骤1.2中获取的原图像和目标图像的位置，通过感兴趣区域分割来选定待处理部分；
1.4图像预处理：把通过步骤1.3得到的分割后的原图像和目标图像进行图像的预处理，减小由于振动产生的误差；
1.5图像作差：把通过步骤1.3得到的分割后的原图像和目标图像进行作差取绝对值，得到包含差值信息的图像；
1.6图像二值化：将包含差值信息的图像进行二值化，得到二值图像；
1.7中值滤波：通过步骤1.6得到的二值图像会有噪声的出现，经过中值滤波将噪声滤去；
1.8腐蚀和膨胀：在步骤1.7的基础上进行形态学的膨胀和腐蚀；
1.9清除小面积：由于金属残留物的面积拥有一定的范围，在步骤1.8得到的图像的基础上清除掉图像中不符合要求的小斑点；
第二步、图像信息分析和判断
2.1图像信息统计：通过访问图片像素，综合统计在第一步得到的最终图像里面包含的残留物的面积信息和位置信息，并将金属残留物用黑框标记在目标图像上；
2.2判断输出：通过金属残留物的面积信息判断金属残留物是否存在，保存图像并输出PLC结果；如果有金属残留物的存在，则启动蜂鸣器；当再次检测没有金属残留物后，进行进料。
进一步的，本发明设计一种基于图像作差的模具残留物视觉检测装置，适用于上述基于图像作差的模具残留物视觉检测方法，包括智能视觉检测系统、金属立柱、底座、横向支架、梯形固定块、PLC和蜂鸣器，其中智能视觉检测系统包括智能工业相机、红色工业光源和win7计算机；红色工业光源水平设置在智能工业相机摄像端四周，两者固定在横向支架上；横向支架固定在金属立柱上，两者可以在水平面内旋转固定；金属立柱固定在底座上，两个梯形固定块设置在底座的底面上，可以使装置牢牢固定在冲压机上；PLC分别和蜂鸣器、智能工业相机相连；PLC、智能工业相机与win7计算机相连。
与现有技术相比，本发明有益效果效果在于：本发明主要适用于冲压机制造精冲件的工业现场，当冲压机在精冲件冲压完成后，零件吹出模具孔，此时通过PLC控制程序，利用以图像作差为核心的算法来识别冲压机模具是否在冲压完成后残留下金属残留物，利用这种方法来保护模具不受损坏和保证精冲件的质量，提高精冲件的制作效率，减少出错率。
附图说明
图1为本发明基于图像作差的模具残留物视觉检测方法及装置一种实施例的硬件结构装配示意图；
图2为本发明基于图像作差的模具残留物视觉检测方法及装置一种实施例的智能工业相机和红色工业光源与横向立柱的相对位置示意图；
图3为本发明基于图像作差的模具残留物视觉检测方法及装置一种实施例的金属立柱和横向支架的相对位置示意图；
图4为本发明基于图像作差的模具残留物视觉检测方法及装置一种实施例的部件连接示意图；
图5为本发明基于图像作差的模具残留物视觉检测方法及装置一种实施例的部件连接角度β参数标注示意图；
图6为本发明基于图像作差的模具残留物视觉检测方法及装置一种实施例的部件连接角度α参数标注示意图；
图中，金属立柱1，底座2，横向支架3，智能工业相机4，红色工业光源5，梯形固定块6，PLC7，蜂鸣器8，模具9。
具体实施方式
下面结合实施例及附图对本发明作进一步说明。
本发明提供一种基于图像作差的模具残留物视觉检测方法(参见图1-4)，其特征在于，该方法的具体步骤如下：
第一步、图像的处理和特征提取
1.1获取原图像：开启装置后，在红色工业光源5下，确定模具上没有任何残留物，然后通过工业智能相机获得图像作为原图像；在没有外力改变摄像机和模具的相对位置、也不改变红色工业光源的强度的情况下，不再改变原图像；
1.2获取目标图像：在步骤1.1的基础上，冲压机工作，通过PLC传输来的信息，控制智能工业相机4获取目标图像，待处理；
1.3感兴趣区域分割：确定需要处理的模具部分在步骤1.1和步骤1.2中获取的原图像和目标图像的位置，通过感兴趣区域分割来选定待处理部分；
1.4图像预处理：把通过步骤1.3得到的分割后的原图像和目标图像进行图像的预处理，减小由于振动产生的误差；
1.5图像作差：把通过步骤1.3得到的分割后的原图像和目标图像进行作差取绝对值，得到包含差值信息的图像；
1.6图像二值化：将包含差值信息的图像进行二值化，得到二值图像；
1.7中值滤波：通过步骤1.6得到的二值图像会有噪声的出现，经过中值滤波将噪声滤去；
1.8腐蚀和膨胀：在步骤1.7的基础上进行形态学的膨胀和腐蚀；
1.9清除小面积：由于金属残留物的面积拥有一定的范围，在步骤1.8得到的图像的基础上清除掉图像中不符合要求的小斑点。
第二步、图像信息分析和判断
2.1图像信息统计：通过访问图片像素，综合统计在第一步得到的最终图像里面包含的金属残留物的面积信息和位置信息，并将金属残留物用黑框标记在目标图像上；
2.2判断输出：通过金属残留物的面积信息判断金属残留物是否存在，保存图像并输出PLC结果；如果有金属残留物的存在，则启动蜂鸣器；当再次检测没有金属残留物后，进行进料。
所述1.3步骤中感兴趣区域分割是人工分割，安装装置后通过人眼判断模具在智能工业相机获取图像中的位置，选择(x,y,x+Δx,y+Δy)进行感兴趣区域分割。
所述1.6步骤中的图像二值化时，图像进行二值变换时的阈值70，即设信息图像的像素点灰度值为m_gray，二值图像的像素点的灰度值为gray，则：
Figure BDA0001159358080000051
所述1.7步骤的中值滤波的原理是把图像中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点，本发明中所取的矩阵为3*3的矩阵。
所述1.8步骤中形态学的腐蚀和膨胀选取的矩阵为3*3，腐蚀和膨胀的次数为两次。
所述1.9步骤中清除小面积时，面积范围选定为50个像素点，小于的舍去。
所述基于图像作差的模具金属残留物的检测方法，冲压机模具上面的金属残留物为圆形，直径一般为16.5mm，12.5mm，6.0mm，3.5mm等。
进一步的，本发明提供一种基于图像作差的模具残留物视觉检测装置，适用于如上述基于图像作差的模具残留物视觉检测方法，包括智能视觉检测系统、金属立柱1、底座2、横向支架3、梯形固定块6、PLC7和蜂鸣器8，其中智能视觉检测系统包括智能工业相机4、红色工业光源5和win7计算机；红色工业光源5水平设置在智能工业相机4摄像端四周，相对位置如图2所示，两者固定在横向支架3上，并与横向支架3成角度α；横向支架3固定在金属立柱1上，两者可以在水平面内旋转固定，两者的角度成β；金属立柱1固定在底座2上，两个梯形固定块6设置在底座2的底面上，可以使装置牢牢固定在冲压机上。PLC7分别和蜂鸣器8、智能工业相机4相连；PLC7、智能工业相机4与win7计算机相连。
所述智能工业相机4与横向支架3所成的角度为α，横向支架3与金属立柱1所成的角度为β。通过旋转改变β，使智能工业相机4和模具9中心点在一条直线上；然后通过改变α，使智能工业相机4的镜头对准模具9中心点，设横向支架3的长度为h，金属立柱1高度为H，相机和底座的中心线的距离为x0，模具9和金属立柱1所在垂直面距离为x1，模具长度为x2：
1、求β：以模具9中心点为原点，在水平面上做二维坐标系，通过测量得出金属立柱1所在点的纵坐标为y0(见图5)，则：
Figure BDA0001159358080000061
2、求α：通过图6可以得出：
Figure BDA0001159358080000062
本发明装置的工作流程如下：首先开启装置，打开红色工业光源5，清理模具表面保证不留杂物，通过智能工业相机4获取图像作为原图像；开启冲压机进行工作，当精冲件冲压完成，冲压机完全升起，精冲件吹下模具后，通过PLC给予信号软触发智能工业相机4，使智能工业相机4获取当前图像并处理；处理完成后立刻返回PLC信号，PLC通过返回的信号判断是否有金属残留物的存在，如果有，则启动蜂鸣器。当再次检测没有金属残留物后，进行进料。
本发明通过智能工业相机获得的所有图像皆是在红色工业光源下通过红色滤光片获取的图像，而自然光中的红色光源对于图片采集的影响非常小，所以可以一定程度上排除光源的干扰。
本发明未述及之处均适用于现有技术。

Claims (8)

1.一种基于图像作差的模具残留物视觉检测方法，其特征在于，该方法的具体步骤如下：
第一步、图像的处理和特征提取
1.1获取原图像：开启装置后，在红色工业光源下，确定模具上没有任何残留物，然后通过工业智能相机获得图像作为原图像；在没有外力改变摄像机和模具的相对位置、也不改变红色工业光源的强度的情况下，不再改变原图像；
1.2获取目标图像：在步骤1.1的基础上，冲压机工作，通过PLC传输来的信息，控制智能工业相机获取目标图像，待处理；
1.3感兴趣区域分割：确定需要处理的模具部分在步骤1.1和步骤1.2中获取的原图像和目标图像的位置，通过感兴趣区域分割来选定待处理部分；
1.4图像预处理：把通过步骤1.3得到的分割后的原图像和目标图像进行图像的预处理，减小由于振动产生的误差；
1.5图像作差：把通过步骤1.3得到的分割后的原图像和目标图像进行作差取绝对值，得到包含差值信息的图像；
1.6图像二值化：将包含差值信息的图像进行二值化，得到二值图像；
1.7中值滤波：通过步骤1.6得到的二值图像会有噪声的出现，经过中值滤波将噪声滤去；
1.8腐蚀和膨胀：在步骤1.7的基础上进行形态学的膨胀和腐蚀；
1.9清除小面积：由于金属残留物的面积拥有一定的范围，在步骤1.8得到的图像的基础上清除掉图像中不符合要求的小斑点；
第二步、图像信息分析和判断
2.1图像信息统计：通过访问图片像素，综合统计在第一步得到的最终图像里面包含的残留物的面积信息和位置信息，并将金属残留物用黑框标记在目标图像上；
2.2判断输出：通过金属残留物的面积信息判断金属残留物是否存在，保存图像并输出PLC结果；如果有金属残留物的存在，则启动蜂鸣器；当再次检测没有金属残留物后，进行进料。
2.根据权利要求1所述的基于图像作差的模具残留物视觉检测方法，其特征在于，所述1.3步骤中感兴趣区域分割是人工分割，安装装置后通过人眼判断模具在智能工业相机获取图像中的位置，选择(x,y,x+Δx,y+Δy)进行感兴趣区域分割。
3.根据权利要求1所述的基于图像作差的模具残留物视觉检测方法，其特征在于，所述1.6步骤中的图像二值化时，图像进行二值变换时的阈值70，即设信息图像的像素点灰度值为m_gray，二值图像的像素点的灰度值为gray，则：
Figure FDA0001159358070000021
。
4.根据权利要求1所述的基于图像作差的模具残留物视觉检测方法，其特征在于，所述1.7步骤的中值滤波的原理是把图像中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点，所取的矩阵为3*3的矩阵。
5.根据权利要求1所述的基于图像作差的模具残留物视觉检测方法，其特征在于，所述1.8步骤中形态学的腐蚀和膨胀选取的矩阵为3*3，腐蚀和膨胀的次数为两次。
6.根据权利要求1所述的基于图像作差的模具残留物视觉检测方法，其特征在于，所述1.9步骤中清除小面积时，面积范围选定为50个像素点，小于的舍去。
7.一种基于图像作差的模具残留物视觉检测装置，适用于如权利要求1-6任一项所述的基于图像作差的模具残留物视觉检测方法，其特征在于，包括智能视觉检测系统、金属立柱、底座、横向支架、梯形固定块、PLC和蜂鸣器，其中智能视觉检测系统包括智能工业相机、红色工业光源和win7计算机；红色工业光源水平设置在智能工业相机摄像端四周，两者固定在横向支架上；横向支架固定在金属立柱上，两者可以在水平面内旋转固定；金属立柱固定在底座上，两个梯形固定块设置在底座的底面上，可以使装置牢牢固定在冲压机上；PLC分别和蜂鸣器、智能工业相机相连；PLC、智能工业相机与win7计算机相连。
8.根据权利要求7所述的基于图像作差的模具残留物视觉检测装置，其特征在于，所述智能工业相机与横向支架所成的角度为α，横向支架与金属立柱所成角度为β，通过旋转改变β，使智能工业相机和模具中心点在一条直线上；然后通过改变α，使智能工业相机的镜头对准模具中心点，设横向支架的长度为h，金属立柱高度为H，相机和底座的中心线的距离为x0，模具和金属立柱所在垂直面距离为x1，模具长度为x2：
(1)、求β：以模具中心点为原点，在水平面上做二维坐标系，通过测量得出金属立柱所在点的纵坐标为y0，则：
Figure FDA0001159358070000031
(2)、求α：可以得出：
Figure FDA0001159358070000032
。/>
CN201611032954.6A 2016-11-23 2016-11-23 一种基于图像作差的模具残留物视觉检测方法及装置 Active CN106355590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611032954.6A CN106355590B (zh) 2016-11-23 2016-11-23 一种基于图像作差的模具残留物视觉检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611032954.6A CN106355590B (zh) 2016-11-23 2016-11-23 一种基于图像作差的模具残留物视觉检测方法及装置

Publications (2)

Publication Number Publication Date
CN106355590A CN106355590A (zh) 2017-01-25
CN106355590B true CN106355590B (zh) 2023-03-31

Family

ID=57861614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611032954.6A Active CN106355590B (zh) 2016-11-23 2016-11-23 一种基于图像作差的模具残留物视觉检测方法及装置

Country Status (1)

Country Link
CN (1) CN106355590B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562006A (zh) * 2017-08-13 2018-01-09 郑州职业技术学院 一种基于plc控制的网孔板成型设备
JP7180245B2 (ja) * 2018-09-27 2022-11-30 日本電産株式会社 加工機械用データ処理装置及び加工機械用データ管理システム
CN111986198B (zh) * 2020-09-09 2023-04-18 河南信息安全研究院有限公司 一种模具残留物检测方法及装置
CN114603912B (zh) * 2022-03-15 2022-12-20 江苏铭瀚智能科技有限公司 一种基于人工智能的压片机粘冲调节方法及系统
CN116681664A (zh) * 2023-05-30 2023-09-01 佛山市明焱科技有限公司 一种用于冲压设备作业的检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06342472A (ja) * 1993-05-31 1994-12-13 Nippon Avionics Co Ltd 残渣の検査方法
JP2011179987A (ja) * 2010-03-01 2011-09-15 Sugino Machine Ltd 残留物測定方法及び残留物測定装置
CN105160652A (zh) * 2015-07-10 2015-12-16 天津大学 基于计算机视觉的手机外壳检验装置与方法
CN106018422A (zh) * 2016-07-13 2016-10-12 河北工业大学 基于匹配的异形冲压件轮廓缺陷视觉检测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06342472A (ja) * 1993-05-31 1994-12-13 Nippon Avionics Co Ltd 残渣の検査方法
JP2011179987A (ja) * 2010-03-01 2011-09-15 Sugino Machine Ltd 残留物測定方法及び残留物測定装置
CN105160652A (zh) * 2015-07-10 2015-12-16 天津大学 基于计算机视觉的手机外壳检验装置与方法
CN106018422A (zh) * 2016-07-13 2016-10-12 河北工业大学 基于匹配的异形冲压件轮廓缺陷视觉检测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Chen Haiyong,et al.Vision Based Starting Position Recognition and Positioning Control for Thin Steel Sheet Welding Robot.Robot.2013,第35卷(第35期),90-97. *
马琳.基于机器视觉的模具残留物检测系统研究.中国优秀硕士学位论文全文数据库（信息科技辑）.2015,I138-1171. *

Also Published As

Publication number Publication date
CN106355590A (zh) 2017-01-25

Similar Documents

Publication Publication Date Title
CN106355590B (zh) 一种基于图像作差的模具残留物视觉检测方法及装置
CN109816652B (zh) 一种基于灰度显著性的复杂铸件缺陷识别方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN109685760B (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
CN113077437B (zh) 工件质量检测方法及其系统
CN107490582B (zh) 一种流水线工件检测系统
US20140307941A1 (en) Analysis of the digital image of the external surface of a tyre and processing of false measurement points
CN115880248B (zh) 一种表面划痕缺陷识别方法及视觉检测设备
CN103175844A (zh) 一种金属零部件表面划痕缺陷检测方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN112164050B (zh) 用于流水线上产品表面缺陷的检测方法、设备及存储介质
CN102496161A (zh) 一种印刷电路板图像的轮廓提取方法
CN110070523B (zh) 一种用于瓶底的异物检测方法
CN115953397B (zh) 一种圆锥轴承保持器的工艺制备流程的监测方法及设备
CN115100191A (zh) 基于工业检测的金属铸件缺陷识别方法
CN106529551B (zh) 面向包装行业的类圆对象智能识别计数检测方法
CN114235837A (zh) 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备
CN108776966B (zh) 一种磁体外观缺陷检测的方法及系统
CN113237889A (zh) 一种多尺度的陶瓷检测方法及系统
CN112102278A (zh) 一种基于计算机视觉的金属工件加工面缺陷检测方法
CN110782183A (zh) 一种基于Faster R-CNN的铝材缺陷检测方法
CN107492093B (zh) 基于图像处理的轴承异常检测方法
CN111539951B (zh) 一种陶瓷砂轮头轮廓尺寸视觉检测方法
CN111833350A (zh) 机器视觉检测方法与系统
CN109584212B (zh) 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant