CN106770321B - 一种基于多阈值区间的塑料零件缺陷检测方法 - Google Patents
一种基于多阈值区间的塑料零件缺陷检测方法 Download PDFInfo
- Publication number
- CN106770321B CN106770321B CN201611125558.8A CN201611125558A CN106770321B CN 106770321 B CN106770321 B CN 106770321B CN 201611125558 A CN201611125558 A CN 201611125558A CN 106770321 B CN106770321 B CN 106770321B
- Authority
- CN
- China
- Prior art keywords
- defect
- gray level
- value vector
- level image
- threshold
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于多阈值区间的塑料零件缺陷检测方法,包括如下步骤:S1:输入被检测零件表面图片的灰度化图像;S2:获取所述被检测零件灰度化图像的缺陷特征值向量及在缺陷多个阈值区间中的缺陷所属阈值区间;S3:根据所述缺陷所属阈值区间利用最小距离分类器计算所述缺陷特征值向量对应的缺陷类型;本发明通过设定多个阈值区间及利用最小距离分类器,实现了塑料零件表面缺陷的自动化检测,提高了塑料零件表面缺陷的检测效率,节省了人力物力财力。
Description
技术领域
本发明涉及零件缺陷检测技术领域,具体涉及一种基于多阈值区间的塑料零件缺陷检测方法。
背景技术
现代社会中,塑料零件在生活中无处不在,在电子、化工、航空航天等各个行业中都已得到广泛的应用。由于塑料零件中每个零件的轮廓、形状、大小表面干净度都必须和最初设计时的精度一致才能满足生产需求,因此,在高速发展的工业环境下,检测零件缺陷是加工产业不可缺少的环节之一。目前大部分工厂对于检测塑料零件表面缺陷的方法主要是依靠人工肉眼分辨,此方法不仅低效而且易因工作人员的视觉疲劳导致误检或者漏检的问题,即使工作人员找到塑料零件的表面缺陷,也只能依靠肉眼定位进行再加工,易造成二次加工缺陷,若直接舍弃工件又会造成资源浪费。因此,人工检测零件缺陷不仅人力资源耗费大,而且检测效率低,效果差。
发明内容
本发明提供一种基于多阈值区间的塑料零件缺陷检测方法,通过设定多个阈值区间及利用最小距离分类器,实现了塑料零件表面缺陷的自动化检测,提高了塑料零件表面缺陷的检测效率,节省了人力物力财力。
为了解决上述技术问题,本发明采取的技术方案为:
本发明提供一种基于多阈值区间的塑料零件缺陷检测方法,包括如下步骤:
S1:输入被检测零件表面图片的灰度化图像;
S2:获取所述被检测零件灰度化图像的缺陷特征值向量及在缺陷多个阈值区间中的缺陷所属阈值区间;
S3:根据所述缺陷所属阈值区间利用最小距离分类器计算所述缺陷特征值向量对应的缺陷类型。
进一步地,在步骤S1中,通过工业相机拍摄所述被检测零件表面图片,并对所述图片进行图像灰度化处理与图像去噪处理,获取被检测零件表面图片的灰度化图像。
又进一步地,在步骤S1与S2之间,通过预先采集完好的零件表面图片,并对所述完好的零件表面图片进行图像灰度化处理与图像去噪处理后获取标准样本图片灰度化图像。
还进一步地,在步骤S1与S2之间,通过预先定义有缺陷的样本零件的缺陷类型,并通过重复采集同一缺陷类型的不同缺陷样本零件表面图片,获取缺陷样本零件表面图片灰度化图像后,与标准样本图片灰度化图像的像素值进行差值计算;根据所述像素差值划分缺陷阈值区间并获取同一缺陷类型的至少一个缺陷样本特征值向量;
经采集多种缺陷类型的像素差值划分多个阈值区间;一个缺陷阈值区间对应至少一种预先定义的缺陷类型,一种缺陷类型包含至少一个缺陷样本特征值向量。
更进一步地,在步骤S2中,对所述被检测零件表面图片灰度化图像与标准样本图片灰度化图像的像素值进行差值计算,并根据像素差值获取特征值向量及在缺陷多个阈值区间中的缺陷所属阈值区间。
还更进一步地,在步骤S3中,根据所述缺陷所属阈值区间,计算与被检测零件缺陷特征值向量距离最小的缺陷样本特征值向量,与所述缺陷特征值向量距离最小的缺陷样本特征值向量对应的缺陷类型为所述被检测零件的缺陷特征值向量对应的缺陷类型。
本发明通过设定多阈值区间,采集被检测塑料零件表面图片灰度化图像的特征值向量及缺陷所属阈值区间,再利用最小距离分类器计算缺陷特征值向量对应的缺陷类型,提高了塑料零件的检测速度和精度,有效提高了塑料零件的检测效率,减少了塑料零件误检或漏检情况的发生,实现了塑料零件表面缺陷的自动化检测,节省人力物力财力,提高了生产自动化程度。另一方面,本发明在采集被检测塑料零件表面缺陷特征值向量时,获取了缺陷的位置信息,解决了现有技术中依靠肉眼定位对零件缺陷部分再加工,易造成二次加工失败的问题,节约了塑料零件的报废率,从而节约了塑料零件的生产成本。
附图说明
图1是本发明一种基于多阈值区间的塑料零件缺陷检测方法流程图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,附图仅供参考和说明使用,不构成对本发明专利保护范围的限制。
本发明提供一种基于多阈值区间的塑料零件缺陷检测方法,如图1所示,包括如下步骤:
S1:输入被检测零件表面图片的灰度化图像;
S2:获取所述被检测零件灰度化图像的缺陷特征值向量及在缺陷多个阈值区间中的缺陷所属阈值区间;
S3:根据所述缺陷所属阈值区间利用最小距离分类器计算所述缺陷特征值向量对应的缺陷类型。
具体地,在步骤S1中,通过工业相机拍摄所述被检测零件表面图片,并对所述图片进行图像灰度化处理与图像去噪处理,获取被检测零件表面图片的灰度化图像。
具体地,在步骤S1与S2之间,通过预先采集完好的零件表面图片,并对所述完好的零件表面图片进行图像灰度化处理与图像去噪处理后获取标准样本图片灰度化图像。
具体地,在步骤S1与S2之间,通过预先定义有缺陷的样本零件的缺陷类型,并通过重复采集同一缺陷类型的不同缺陷样本零件表面图片,获取缺陷样本零件表面图片灰度化图像后,与标准样本图片灰度化图像的像素值进行差值计算;根据所述像素差值划分缺陷阈值区间并获取同一缺陷类型的至少一个缺陷样本特征值向量;
经采集多种缺陷类型的像素差值划分多个阈值区间;一个缺陷阈值区间对应至少一种预先定义的缺陷类型,一种缺陷类型包含至少一个缺陷样本特征值向量。
具体地,在步骤S2中,对所述被检测零件表面图片灰度化图像与标准样本图片灰度化图像的像素值进行差值计算,并根据像素差值获取特征值向量及在缺陷多个阈值区间中的缺陷所属阈值区间。
具体地,在步骤S3中,根据所述缺陷所属阈值区间,计算与被检测零件缺陷特征值向量距离最小的缺陷样本特征值向量,与所述缺陷特征值向量距离最小的缺陷样本特征值向量对应的缺陷类型为所述被检测零件的缺陷特征值向量对应的缺陷类型。因此,通过执行步骤1至步骤3即可识别被检测零件存在的缺陷类型。
需要说明的是在对被检测零件表面图片灰度化图像与标准样本图片灰度化图像的像素值进行差值计算时,将所述差值E=|S(x,y)-R(x,y)|包含在阈值区间D1,D2,D3............Dn(n是一个有限的数字)内的像素点设置为缺陷像素点(其中S(x,y)为被检测零件表面图片灰度化图像的像素值,-R(x,y)为标准样本图片灰度化图像的像素值),并将所述缺陷像素点的像素值设为某一定值,如255,由所述缺陷像素点构成缺陷包围盒,通过确定所述缺陷包围盒的位置坐标(xl,yl),(xr,yr),即可求得缺陷周长C、缺陷最小包围盒面积S、缺陷区域平均像素差值Dr;其中S(x,y)R(x,y)|
在本实施例中,所述缺陷周长C为缺陷包围盒边缘缺陷像素的个数:
所述缺陷包围盒面积S:
S=(xr-xl)*(yr-yl)
缺陷区域平均像素差值Dr:
由所述缺陷周长C、缺陷最小包围盒面积S、缺陷区域平均像素差值Dr即可组成特征值向量
在本实施例中,所述多个阈值区间包括三个阈值区间D1(30,40),D2(60,75),D3(90,110);每一个阈值区间对应两种缺陷,每一种缺陷类型包含五个缺陷样本特征值向量,根据实际情况,可以设定更多的阈值区间,每一个阈值区间对应的缺陷类型可以为多个,每一种缺陷类型包含的缺陷样本特征值向量可以为多个;
在本实施例中,所述缺陷像素点组成的缺陷区域平均像素差值Dr包含在阈值区间D1(30,40)内,被定义为毛刺或划痕缺陷,所述缺陷像素点组成的缺陷区域平均像素差值Dr包含在阈值区间D2(60,75)内,被定义为污迹或杂料缺陷,所述缺陷像素点组成的缺陷区域平均像素差值Dr包含在阈值区间D3(90,110)内,被定义为缺失或填充缺陷;
在本实施例中,所述预先采集的已知缺陷类型的缺陷样本零件的缺陷样本特征值向量为由于每种缺陷存在不同的形状、大小等特征,因此每种缺陷的缺陷样本特征值向量包含多个如:
在本实施例中,首先对被检测零件表面图片灰度化图像与标准样本图片灰度化图像的像素值进行差值计算,并根据所述像素差值获取特征值向量及缺陷区域平均像素差值Dr所属阈值区间,如D1(30,40)区间,再计算被检测零件的缺陷特征值向量与所述阈值区间对应的缺陷类型的10个缺陷样本特征值向量的距离,即(W是一个有限的数字,在本实施例中W=10),求出与距离最小的缺陷样本特征值向量对应的缺陷类型即为被检测零件存在的缺陷类型,如求出与距离最小的缺陷样本特征值向量为m1,所述m1对应的缺陷类型毛刺,因此所述被检测零件存在毛刺这一缺陷类型。
本发明通过控制工业相机自动拍摄被检测零件表面图片,获取被检测零件表面图片的灰度化图像后,对所述被检测零件表面图片灰度化图像与标准样本图片灰度化图像的像素值进行差值计算,根据像素差值获取特征值向量及缺陷所属阈值区间,再计算与所述缺陷特征值向量的距离最小的缺陷样本特征值向量,与所述缺陷特征值向量距离最小的缺陷样本特征值向量对应的缺陷类型为所述被检测零件的缺陷特征值向量对应的缺陷类型;本发明通过设定多个阈值区间,及利用最小距离分类器计算缺陷特征值向量对应的缺陷类型,提高了塑料零件的检测速度和精度,有效提高了塑料零件的检测效率,减少了塑料零件误检或漏检情况的发生,实现了塑料零件表面缺陷的自动化检测,节省人力物力财力,提高了生产自动化程度。另一方面,本发明在采集被检测塑料零件表面缺陷特征值向量时,获取了缺陷的位置信息,解决了现有技术中依靠肉眼定位对零件缺陷部分再加工,易造成二次加工失败的问题,节约了塑料零件的报废率,从而节约了塑料零件的生产成本。
以上所揭露的仅为本发明的较佳实施例,不能以此来限定本发明的权利保护范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (3)
1.一种基于多阈值区间的塑料零件缺陷检测方法,其特征在于:包括如下步骤:
S1:输入被检测零件表面图片的灰度化图像;
S2:获取所述被检测零件灰度化图像的缺陷特征值向量及在缺陷多个阈值区间中的缺陷所属阈值区间;
在步骤S1与S2之间,通过预先采集完好的零件表面图片,并对所述完好的零件表面图片进行图像灰度化处理与图像去噪处理后获取标准样本图片灰度化图像;
在步骤S1与S2之间,通过预先定义有缺陷的样本零件的缺陷类型,并通过重复采集同一缺陷类型的不同缺陷样本零件表面图片,获取缺陷样本零件表面图片灰度化图像后,与标准样本图片灰度化图像的像素值进行差值计算;根据所述像素差值划分缺陷阈值区间并获取同一缺陷类型的至少一个缺陷样本特征值向量;
经采集多种缺陷类型的像素差值划分多个阈值区间;一个缺陷阈值区间对应至少一种预先定义的缺陷类型,一种缺陷类型包含至少一个缺陷样本特征值向量;
在步骤S2中,对所述被检测零件表面图片灰度化图像与标准样本图片灰度化图像的像素值进行差值计算,并根据像素差值获取特征值向量及在缺陷多个阈值区间中的缺陷所属阈值区间;
S3:根据所述缺陷所属阈值区间利用最小距离分类器计算所述缺陷特征值向量对应的缺陷类型。
2.如权利要求1所述的一种基于多阈值区间的塑料零件缺陷检测方法,其特征在于:在步骤S1中,通过工业相机拍摄所述被检测零件表面图片,并对所述图片进行图像灰度化处理与图像去噪处理,获取被检测零件表面图片的灰度化图像。
3.如权利要求1所述的一种基于多阈值区间的塑料零件缺陷检测方法,其特征在于:在步骤S3中,根据所述缺陷所属阈值区间,计算与被检测零件缺陷特征值向量距离最小的缺陷样本特征值向量,与所述缺陷特征值向量距离最小的缺陷样本特征值向量对应的缺陷类型为所述被检测零件的缺陷特征值向量对应的缺陷类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611125558.8A CN106770321B (zh) | 2016-12-08 | 2016-12-08 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611125558.8A CN106770321B (zh) | 2016-12-08 | 2016-12-08 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106770321A CN106770321A (zh) | 2017-05-31 |
CN106770321B true CN106770321B (zh) | 2019-07-19 |
Family
ID=58877561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611125558.8A Active CN106770321B (zh) | 2016-12-08 | 2016-12-08 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106770321B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462520B (zh) * | 2017-07-25 | 2023-11-28 | 杭州电子科技大学 | 面向有限空间基于机器视觉的不锈钢板在线检测装置 |
CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
CN108447054B (zh) * | 2018-03-22 | 2021-06-29 | 北京木业邦科技有限公司 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
CN109374628A (zh) * | 2018-08-31 | 2019-02-22 | 中国印刷科学技术研究院有限公司 | 凹印版辊表面缺陷智能检测的缺陷确认方法 |
CN110441319B (zh) * | 2019-09-09 | 2022-05-03 | 凌云光技术股份有限公司 | 一种外观缺陷的检测方法及装置 |
CN111369502A (zh) * | 2020-02-24 | 2020-07-03 | 厦门攸信信息技术有限公司 | 一种基于阈值分割的电子烟零件表面缺陷检测方法 |
CN112241699B (zh) * | 2020-10-13 | 2024-07-05 | 无锡先导智能装备股份有限公司 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
CN112330606B (zh) * | 2020-10-20 | 2023-05-23 | 西安工程大学 | 一种基于机器学习的缺陷检测方法 |
CN113935998B (zh) * | 2021-12-16 | 2022-03-22 | 武汉帕克橡塑制品有限公司 | 一种基于机器视觉的橡塑件花斑检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661004A (zh) * | 2009-07-21 | 2010-03-03 | 湖南大学 | 一种基于支持向量机的电路板焊接质量视觉检测方法 |
CN101950359A (zh) * | 2010-10-08 | 2011-01-19 | 郝红卫 | 一种岩石种类的识别方法 |
CN102759530A (zh) * | 2012-07-03 | 2012-10-31 | 湖南镭目科技有限公司 | 一种表面质量图像在线检测装置 |
CN103499585A (zh) * | 2013-10-22 | 2014-01-08 | 常州工学院 | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 |
CN104331688A (zh) * | 2014-11-05 | 2015-02-04 | 中北大学 | 一种雷管外壳点阵字符识别方法 |
CN104751122A (zh) * | 2015-03-05 | 2015-07-01 | 北京农业信息技术研究中心 | 一种农作物病情指数的计算方法及系统 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN105303189A (zh) * | 2014-07-29 | 2016-02-03 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
CN105894514A (zh) * | 2016-04-06 | 2016-08-24 | 广东工业大学 | 一种基于gpu并行运算的印刷品缺陷检测方法及系统 |
-
2016
- 2016-12-08 CN CN201611125558.8A patent/CN106770321B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661004A (zh) * | 2009-07-21 | 2010-03-03 | 湖南大学 | 一种基于支持向量机的电路板焊接质量视觉检测方法 |
CN101950359A (zh) * | 2010-10-08 | 2011-01-19 | 郝红卫 | 一种岩石种类的识别方法 |
CN102759530A (zh) * | 2012-07-03 | 2012-10-31 | 湖南镭目科技有限公司 | 一种表面质量图像在线检测装置 |
CN103499585A (zh) * | 2013-10-22 | 2014-01-08 | 常州工学院 | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 |
CN105303189A (zh) * | 2014-07-29 | 2016-02-03 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
CN104331688A (zh) * | 2014-11-05 | 2015-02-04 | 中北大学 | 一种雷管外壳点阵字符识别方法 |
CN104751122A (zh) * | 2015-03-05 | 2015-07-01 | 北京农业信息技术研究中心 | 一种农作物病情指数的计算方法及系统 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN105894514A (zh) * | 2016-04-06 | 2016-08-24 | 广东工业大学 | 一种基于gpu并行运算的印刷品缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106770321A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106770321B (zh) | 一种基于多阈值区间的塑料零件缺陷检测方法 | |
CN106568783B (zh) | 一种五金零件缺陷检测系统及方法 | |
CN111537517B (zh) | 一种无人智能化冲压缺陷识别方法 | |
CN100547351C (zh) | 一种机器视觉定位方法 | |
KR101910484B1 (ko) | 3차원(3d) 비전 검사를 위한 방법 | |
CN105865329B (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
CN113920096B (zh) | 一种集成电路金属封装缺陷检测方法 | |
CN109752392B (zh) | 一种pcb板缺陷类型检测系统和方法 | |
CN111179250B (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN108571928A (zh) | 一种基于机器视觉的夹片锚具尺寸缺陷检测方法 | |
Akundi et al. | A machine vision based automated quality control system for product dimensional analysis | |
CN112334761B (zh) | 缺陷判别方法、缺陷判别装置及记录介质 | |
EP1467176B1 (en) | Inspection system and method | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN111626995B (zh) | 一种针对工件的智能嵌件检测方法和装置 | |
Koodtalang et al. | A design of automated inspections of both shape and height simultaneously based on stereo vision and plc | |
CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
Onita et al. | Quality control in porcelain industry based on computer vision techniques | |
CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 | |
CN110910357B (zh) | 基于机器视觉的焊点缺陷检测方法、系统及介质 | |
CN111815705A (zh) | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 | |
CN104613895A (zh) | 一种图片处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |