CN106770332B - 一种基于机器视觉的电子模切料缺陷检测实现方法 - Google Patents

一种基于机器视觉的电子模切料缺陷检测实现方法 Download PDF

Info

Publication number
CN106770332B
CN106770332B CN201710078294.3A CN201710078294A CN106770332B CN 106770332 B CN106770332 B CN 106770332B CN 201710078294 A CN201710078294 A CN 201710078294A CN 106770332 B CN106770332 B CN 106770332B
Authority
CN
China
Prior art keywords
image
detection
machine vision
control system
processing
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
CN201710078294.3A
Other languages
English (en)
Other versions
CN106770332A (zh
Inventor
毛伟信
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.)
Hangzhou Byte Information Technology Co Ltd
Original Assignee
Hangzhou Byte Information Technology Co Ltd
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 Hangzhou Byte Information Technology Co Ltd filed Critical Hangzhou Byte Information Technology Co Ltd
Priority to CN201710078294.3A priority Critical patent/CN106770332B/zh
Publication of CN106770332A publication Critical patent/CN106770332A/zh
Application granted granted Critical
Publication of CN106770332B publication Critical patent/CN106770332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • G01N2021/8887Scan 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

Abstract

本发明公开了一种基于机器视觉的电子模切料缺陷检测实现方法,包括以下步骤:(a)检测模板载入;(b)检测目标传送;(c)传感器监测;(d)图像抓取;(e)目标识别;(f)图像处理;(g)二值化处理;(h)数据统计和检测分析。该方法采用非接触式的光学传感系统,采用机器代替人眼来做测量和判断,系统利用CCD摄像机捕获目标测量物体图像,将目标测量物体图像的像素分布和亮度、颜色等信息转换成数字图像信号;工控系统对这些信号进行运算,来抽取测量目标的特征;最后根据容许度和其他条件输出结果,来控制现场的设备动作,实现在线检测产品缺陷及尺寸测量等核心需求,可确保测量精度和速度,以及工业现场环境下的可靠性。

Description

一种基于机器视觉的电子模切料缺陷检测实现方法
技术领域
本发明涉及一种基于机器视觉的电子模切料缺陷检测实现方法。
背景技术
随着工业互联网、传感技术及新一代信息技术的颠覆式发展,世界主要制造业大国都竞相推出其智能制造或工业互联网战略,颇具代表性的有:美国的先进制造战略;德国的工业4.0;中国制造2025。通过物联网、互联网、大数据、云计算、宽带网络等技术,通过接入传感器,实现对物理设备的信息感知、网络通信、远程控制和协作,实现工业数据流交互、硬件/软件之间的智能通信及安全控制。伴随着自动化技术、电子信息技术与计算机技术的深入发展,工业控制现场的可视化交互能力与信息综合处理能力已经成为工业自动化新的发展方向,机器视觉技术应运而生。
机器视觉是近年来发展起来的一项新技术,它利用光机电一体化的手段使机器具有视觉的功能。将机器视觉引入检测领域,可以在很多场合实现在线高精度高速测量。它主要利用计算机来模拟人的视觉功能,从客观事物的图像中提取信息,进行处理并加以理解,最终用于实际检测、测量和控制。机器视觉伴随计算机技术、现场总线技术的发展,技术日臻成熟,已成为现代加工制造业不可或缺的技术装备系统,广泛应用于食品、化妆品、制药、金属加工、电子制造、印包装、汽车制造等行业。在现代工业自动化生产中,涉及到各种各样的检查、测量,比如印刷电路板的视觉检查、容器容积或杂质检测、机械零件的自动识别分类和几何尺寸测量、产品包装上的条码和字符识别等。通常这种带有高度重复性和智能性的工作只能靠人工检测来完成,在给工厂增加巨大的人工成本和管理成本的同时,仍然不能保证100%的检验合格率。如微小尺寸,形状匹配,颜色辨识等,人眼根本无法连续稳定地进行精确快速的测量,从而引入了机器视觉技术。
作为电子制造领域的模切行业,特指用刀片做成的模具,或者不锈钢雕刻刀锋的模具。经过平板压平板,上下压合方式,或圆辊压圆辊,滚动压合方式,做出非金属产品的加工工艺。其中典型应用在印刷类产品(如:保护膜印刷,烟盒,包装盒,标签等),消费类电子产品结构件(如:手机屏幕外保护膜,内部结构双面胶,泡棉胶,背光模组用遮光胶,扩散材料,等等)。目前制造工厂普遍现状:首检效率不高,停机等待;生产过程需要不间断检查,容易出现误判。基于制造业领域,特别是电子制造业领域对视觉识别技术的强烈应用需求,本设计方案把解决目前电子制造业领域产线模切材料尺寸、面积、形状、表面缺陷等的自动检测为主要目标,实现效率、质量、成本的可靠控制。
发明内容
本发明的目的在于提供一种基于机器视觉的电子模切料缺陷检测实现方法,该方法采用非接触式的光学传感系统,采用机器代替人眼来做测量和判断,系统利用高清、高速CCD摄像机捕获目标测量物体图像,将目标测量物体图像的像素分布和亮度、颜色等信息转换成数字图像信号;工控系统对这些信号进行各种运算,来抽取测量目标的特征,如:形状、面积、长度、位置等;然后参照预设的技术指标,将两者进行对比;最后根据容许度和其他条件输出结果,如:尺寸、角度、偏移量、合格/不合格、有/无等,来控制现场的设备动作,实现在线检测产品缺陷及尺寸测量等核心需求。同时,可确保测量精度和速度,以及工业现场环境下的可靠性。基于机器视觉技术的智能尺寸检测及缺陷检测设备进行检测不仅可以排除人的主观因素的干扰,而且还能对这些指标进行定量描述,避免因人而异的检测结果,减小检测分级误差,大大提高生产率和分级精度。
为了解决上述技术问题,采用如下技术方案:
一种基于机器视觉的电子模切料缺陷检测实现方法,其特征在于包括以下步骤:
(a)检测模板载入:根据所需要检测的模切物料目标物,将相对应的模切物料目标物的模板载体放置到检测标定位置。
(b)检测目标传送:通过电子模切料缺陷检测机器视觉系统将模切物料目标物自动传送到达模板载体上,并将模切物料目标物的模型导入到大数据分析平台内,为检测工作做准备。
(c)传感器监测。
(d)图像抓取:先通过工控系统控制目标相机控制系统,开始光源、CCD传感设备的参数校正,然后相机控制系统实时探测、测量,对模切物料目标物进行图像抓取,同时,相机控制系统会在工控系统配合下调节相机不同的光源角度进行连续图像抓取采集,确保后续处理图像的算法的判定精度。
(e)目标识别:先采用三角形匹配算法进行特征提取,实现了产品缺陷特征的高效提取;然后采用Blob分析方法进行图像识别,可从图像背景中分离出目标并检测目标,实现目标物形状、缺陷识别,计算出目标物面积;最后采用LBP算法进行纹理识别,分辨出模切物料目标物的表面纹理处理工艺。
(f)图像处理:相机控制系统通过嵌入式机器视觉控制平台对采集的目标图像进行处理,具体过程如下:第一步:将抓取的图像进行增强处理,先采用直方图均衡化处理算法进行第一次图像增强处理,把已知灰度概率分布图像中的像素灰度作特定映射变换,使它变成一幅具有均匀灰度概率分布的新图像,有效改善图像清晰度,然后采用小波变换和开运算进行第二次图像增强处理,进一步改善图像清晰度;第二步:将上述增强处理后的图像进行平滑处理,采用自适应平滑滤波算法,先通过平滑滤波的迭代运算使信号的边缘得到锐化,然后经过多次迭代运算后,图像按边缘分块实现自适应平滑;第三步:在完成图像平滑处理后,利用RGB模型对图像进行灰化处理,将24位的图像数据转换为8位的图像数据,简化图像分析处理;第四步:将上述灰化处理后的图像进行分割处理,采用空间域区域增长分割方法,对具有相似性质的像素连通集构成分割区域,将该图像进行区域等分分割,得到M个局部图像区域,每个局部图像区域的尺寸大小相同,均为A*B,其中A和B均为相机控制系统预设值,每个局部图像区域对应于模切物料目标物的相对应表面;第五步:在图像分割处理完成后,对图像进行边缘锐化处理,加强图像中的轮廓边缘和细节,形成完整的物体边界,达到将模切物料目标物从图像中分离出来或将表示同一物体表面的区域检测出来的目的。
(g)二值化处理。
(h)数据统计和检测分析:工控系统把检测现场数据实时传送到工控云大数据分析平台,对得到的数据进行统计和分析,不断优化过程控制工艺、检测设备、检测精度及效率。
进一步,在步骤(b)中,电子模切料缺陷检测机器视觉系统包括嵌入式机器视觉控制平台、工控系统、相机控制系统、检测平台、工控云大数据分析平台、显示单元、通信单元和传感单元,嵌入式机器视觉控制平台分别于工控系统、相机控制系统、检测平台、工控云大数据分析平台、显示单元、通信单元和传感单元相连接。
进一步,在步骤(e)中,特征提取的内容包括纹理特征提取、形状特征提取和颜色特征提取。
进一步,在步骤(f)中,采用小波变换和开运算第二次图像增强的具体方法:先选择合适的小波及分解层次对第一次图像增强处理后的图像进行分解:然后对分解后的小波系数分别进行处理,对低频部分进行增强,对高频部分进行衰减;最后将处理后的小波系数重构图像,由此得到第二次图像增强处理后的图像。
进一步,在步骤(f)中,采用直方图均衡化处理算法需要的变换函数表达式为:s(x,y)=T(r(x,y)),其中,r(x,Y)为输入图像的灰度值,并进行归一化处理得到r(x,Y)∈[O,1];s(x,Y)是输出的增强图像的灰度值;T是一个变换函数,T必须满足在[0,1]范围内是单值且单调递增的,保证T是可逆的。
进一步,在步骤(f)中,在RGB模型中,三基色的取值范围为0到255,三基色值相等则为灰度图象,其中任何一种图像灰度的颜色C都可以表示为:C=rR+gG+bB,其中C表示混合而成的颜色,R表示红色,G表示绿色,B表示蓝色,r表示红色比例,g表示绿色比例,b表示蓝色比例。
由于采用上述技术方案,具有以下有益效果:
本发明为一种基于机器视觉的电子模切料缺陷检测实现方法,该方法采用非接触式的光学传感系统,采用机器代替人眼来做测量和判断,系统利用高清、高速CCD摄像机捕获目标测量物体图像,将目标测量物体图像的像素分布和亮度、颜色等信息转换成数字图像信号;工控系统对这些信号进行各种运算,来抽取测量目标的特征,如:形状、面积、长度、位置等;然后参照预设的技术指标,将两者进行对比;最后根据容许度和其他条件输出结果,如:尺寸、角度、偏移量、合格/不合格、有/无等,来控制现场的设备动作,实现在线检测产品缺陷及尺寸测量等核心需求。同时,可确保测量精度和速度,以及工业现场环境下的可靠性。基于机器视觉技术的智能尺寸检测及缺陷检测设备进行检测不仅可以排除人的主观因素的干扰,而且还能对这些指标进行定量描述,避免因人而异的检测结果,减小检测分级误差,大大提高生产率和分级精度。具体具有以下有益效果:
1.在线控制精确性高:由于人眼有物理条件的限制,在精确性上自动化设备有明显优点。即使人眼依靠放大镜或显微镜来检测产品,机器仍然会更加精确,因为它的精度能够达到千分之一英寸。
2.确保重复性标准:机器可以以相同的方法一次一次的完成检测工作而不会感到疲倦。与此相反,人眼每次检测产品时都会有细微的不同,即使产品是完全相同的。
3.提高生产速度和效率:机器能够更快的检测产品,特别是当检测高速运动的物体时,比如说生产线上,机器能够提高生产效率。
4.确保客观性:人眼检测还有一个致命的缺陷,就是情绪带来的主观性,检测结果会随工人心情的好坏产生变化,而机器没有喜怒哀乐,检测的结果自然非常客观可靠。
5.节约生产成本:由于自动化设备比人快,一台自动检测设备能并行执行需要多人才能完成的任务。而且设备不需要停顿、不会生病、能够连续工作,可极大提高生产效率。
6.系统集成了图像传感/高速采集/处理/存储、环境传感、通信(有线/无线)、自动控制、可信计算、数据采集及分析平台等核心功能单元及子系统,使得高效、可靠的机器视觉及工业互联一体化应用需求成为现实;
具体实施方式
本方案主要实施的内容是研发设计一套能对电子模切产品的外观、尺寸、形状等做实时监控检验的智能尺寸检测及缺陷检测设备,其主要功能及性能需求目标如下:
1.外观尺寸超差可以针对提示报警,标示某个尺寸超差;
2.外观不良(产品有脏污,废料,缺陷)报警并标示具体位置;
3.形状不良(产品多层结构,其中一层缺料,多料)报警并提示;
4.产品尺寸不超过10寸,厚度可以增加,用支架固定在设备上,触屏彩色。
监控范围控制为检测产品大小,产品大小为1MM*1MM-400MM*500MM。
操作可以选择性设定重点跟踪对象,可以设定连续多少个产品出现不良自动停机。
智能尺寸检测及缺陷检测设备是以机器视觉技术为核心的系统集成,整个工业机器视觉端到端应用系统包括:视觉识别(图像)、传感、通信、控制、光源照明、光学成像、嵌入式/计算机软硬件技术、通信、可信计算、云计算及大数据技术等,核心是嵌入式机器视觉,具有实时多任务操作系统、高效GPU处理单元及应用处理器,可将图像及视频压缩、传输与处理工作全部内嵌在芯片上,通过工控机或内嵌通信单元实时传输到数据采集及分析平台,实现其他大数据或可视化分析应用需求。
本方案具体实施步骤如下:
(a)检测模板载入:根据所需要检测的模切物料目标物,将相对应的模切物料目标物的模板载体放置到检测标定位置。
(b)检测目标传送:通过电子模切料缺陷检测机器视觉系统将所述模切物料目标物自动传送到达模板载体上,并将所述模切物料目标物的模型导入到大数据分析平台内,为检测工作做准备。
电子模切料缺陷检测机器视觉系统包括嵌入式机器视觉控制平台、工控系统、相机控制系统、检测平台、工控云大数据分析平台、显示单元、通信单元和传感单元,所述嵌入式机器视觉控制平台分别于所述工控系统、所述相机控制系统、所述检测平台、所述工控云大数据分析平台、所述显示单元、所述通信单元和所述传感单元相连接。
(c)传感器监测:开启电子模切料缺陷检测机器视觉系统内的传感器设备,为后续的图像抓取等工作做准备。
(d)图像抓取:先通过工控系统控制目标相机控制系统,开始光源、CCD传感设备的参数校正,然后相机控制系统实时探测、测量,对所述模切物料目标物进行图像抓取,同时,相机控制系统会在工控系统配合下调节相机不同的光源角度进行连续图像抓取采集,确保后续处理图像的算法的判定精度。
(e)目标识别:先采用三角形匹配算法进行特征提取,实现了产品缺陷特征的高效提取,特征提取的内容包括纹理特征提取、形状特征提取和颜色特征提取。然后采用Blob分析方法进行图像识别,可从图像背景中分离出目标并检测目标,实现目标物形状、缺陷识别,计算出目标物面积;最后采用LBP算法进行纹理识别,分辨出所述模切物料目标物的表面纹理处理工艺。
(f)图像处理:相机控制系统通过嵌入式机器视觉控制平台对采集的目标图像进行处理,具体过程如下:
第一步:将抓取的图像进行增强处理,先采用直方图均衡化处理算法进行第一次图像增强处理,把已知灰度概率分布图像中的像素灰度作特定映射变换,使它变成一幅具有均匀灰度概率分布的新图像,有效改善图像清晰度,然后采用小波变换和开运算进行第二次图像增强处理,进一步改善图像清晰度。采用直方图均衡化处理算法需要的变换函数表达式为:s(x,y)=T(r(x,y)),其中,r(x,Y)为输入图像的灰度值,并进行归一化处理得到r(x,Y)∈[O,1];s(x,Y)是输出的增强图像的灰度值;T是一个变换函数,T必须满足在[0,1]范围内是单值且单调递增的,保证T是可逆的。采用小波变换和开运算第二次图像增强的具体方法:先选择合适的小波及分解层次对第一次图像增强处理后的图像进行分解:然后对分解后的小波系数分别进行处理,对低频部分进行增强,对高频部分进行衰减;最后将处理后的小波系数重构图像,由此得到第二次图像增强处理后的图像。
第二步:将上述增强处理后的图像进行平滑处理,采用自适应平滑滤波算法,先通过平滑滤波的迭代运算使信号的边缘得到锐化,然后经过多次迭代运算后,图像按边缘分块实现自适应平滑。
第三步:在完成图像平滑处理后,利用RGB模型对图像进行灰化处理,将24位的图像数据转换为8位的图像数据,简化图像分析处理。在所述RGB模型中,三基色的取值范围为0到255,三基色值相等则为灰度图象,其中任何一种图像灰度的颜色C都可以表示为:C=rR+gG+bB,其中C表示混合而成的颜色,R表示红色,G表示绿色,B表示蓝色,r表示红色比例,g表示绿色比例,b表示蓝色比例。
第四步:将上述灰化处理后的图像进行分割处理,采用空间域区域增长分割方法,对具有相似性质的像素连通集构成分割区域,将该图像进行区域等分分割,得到M个局部图像区域,每个局部图像区域的尺寸大小相同,均为A*B,其中A和B均为相机控制系统预设值,每个局部图像区域对应于所述模切物料目标物的相对应表面。
第五步:在图像分割处理完成后,对图像进行边缘锐化处理,加强图像中的轮廓边缘和细节,形成完整的物体边界,达到将所述模切物料目标物从图像中分离出来或将表示同一物体表面的区域检测出来的目的。
(g)二值化处理:将上述图像上的像素点的灰度值设置为0或255,将整个图像呈现出明显的黑白效果。
(h)数据统计和检测分析:工控系统把检测现场数据实时传送到工控云大数据分析平台,对得到的数据进行统计和分析,不断优化过程控制工艺、检测设备、检测精度及效率。
以上仅为本发明的具体实施例,但本发明的技术特征并不局限于此。任何以本发明为基础,为解决基本相同的技术问题,实现基本相同的技术效果,所作出地简单变化、等同替换或者修饰等,皆涵盖于本发明的保护范围之中。

Claims (6)

1.一种基于机器视觉的电子模切料缺陷检测实现方法,其特征在于包括以下步骤:
(a)检测模板载入:根据所需要检测的模切物料目标物,将相对应的模切物料目标物的模板载体放置到检测标定位置;
(b)检测目标传送:通过电子模切料缺陷检测机器视觉系统将所述模切物料目标物自动传送到达模板载体上,并将所述模切物料目标物的模型导入到大数据分析平台内,为检测工作做准备;
(c)传感器监测:
(d)图像抓取:先通过工控系统控制目标相机控制系统,开始光源、CCD传感设备的参数校正,然后相机控制系统实时探测、测量,对所述模切物料目标物进行图像抓取,同时,相机控制系统会在工控系统配合下调节相机不同的光源角度进行连续图像抓取采集,确保后续处理图像的算法的判定精度;
(e)目标识别:先采用三角形匹配算法进行特征提取,实现了产品缺陷特征的高效提取;然后采用Blob分析方法进行图像识别,可从图像背景中分离出目标并检测目标,实现目标物形状、缺陷识别,计算出目标物面积;最后采用LBP算法进行纹理识别,分辨出所述模切物料目标物的表面纹理处理工艺;
(f)图像处理:相机控制系统通过嵌入式机器视觉控制平台对采集的目标图像进行处理,具体过程如下:第一步:将抓取的图像进行增强处理,先采用直方图均衡化处理算法进行第一次图像增强处理,把已知灰度概率分布图像中的像素灰度作特定映射变换,使它变成一幅具有均匀灰度概率分布的新图像,有效改善图像清晰度,然后采用小波变换和开运算进行第二次图像增强处理,进一步改善图像清晰度;第二步:将上述增强处理后的图像进行平滑处理,采用自适应平滑滤波算法,先通过平滑滤波的迭代运算使信号的边缘得到锐化,然后经过多次迭代运算后,图像按边缘分块实现自适应平滑;第三步:在完成图像平滑处理后,利用RGB模型对图像进行灰化处理,将24位的图像数据转换为8位的图像数据,简化图像分析处理;第四步:将上述灰化处理后的图像进行分割处理,采用空间域区域增长分割方法,对具有相似性质的像素连通集构成分割区域,将该图像进行区域等分分割,得到M个局部图像区域,每个局部图像区域的尺寸大小相同,均为A*B,其中A和B均为相机控制系统预设值,每个局部图像区域对应于所述模切物料目标物的相对应表面;第五步:在图像分割处理完成后,对图像进行边缘锐化处理,加强图像中的轮廓边缘和细节,形成完整的物体边界,达到将所述模切物料目标物从图像中分离出来或将表示同一物体表面的区域检测出来的目的;
(g)二值化处理:
(h)数据统计和检测分析:工控系统把检测现场数据实时传送到工控云大数据分析平台,对得到的数据进行统计和分析,不断优化过程控制工艺、检测设备、检测精度及效率。
2.根据权利要求1所述的一种基于机器视觉的电子模切料缺陷检测实现方法,其特征在于:在所述步骤(b)中,所述电子模切料缺陷检测机器视觉系统包括嵌入式机器视觉控制平台、工控系统、相机控制系统、检测平台、工控云大数据分析平台、显示单元、通信单元和传感单元,所述嵌入式机器视觉控制平台分别于所述工控系统、所述相机控制系统、所述检测平台、所述工控云大数据分析平台、所述显示单元、所述通信单元和所述传感单元相连接。
3.根据权利要求1所述的一种基于机器视觉的电子模切料缺陷检测实现方法,其特征在于:在所述步骤(e)中,所述特征提取的内容包括纹理特征提取、形状特征提取和颜色特征提取。
4.根据权利要求1所述的一种基于机器视觉的电子模切料缺陷检测实现方法,其特征在于:在所述步骤(f)中,采用小波变换和开运算第二次图像增强的具体方法:先选择合适的小波及分解层次对第一次图像增强处理后的图像进行分解:然后对分解后的小波系数分别进行处理,对低频部分进行增强,对高频部分进行衰减;最后将处理后的小波系数重构图像,由此得到第二次图像增强处理后的图像。
5.根据权利要求1所述的一种基于机器视觉的电子模切料缺陷检测实现方法,其特征在于:在所述步骤(f)中,采用直方图均衡化处理算法需要的变换函数表达式为:s(x,y)=T(r(x,y)),其中,r(x,y)为输入图像的灰度值,并进行归一化处理得到r(x,y)∈[O,1];s(x,y)是输出的增强图像的灰度值;T是一个变换函数,T必须满足在[0,1]范围内是单值且单调递增的,保证T是可逆的。
6.根据权利要求1所述的一种基于机器视觉的电子模切料缺陷检测实现方法,其特征在于:在所述步骤(f)中,在所述RGB模型中,三基色的取值范围为0到255,三基色值相等则为灰度图象,其中任何一种图像灰度的颜色C都可以表示为:C=rR+gG+bB,其中C表示混合而成的颜色,R表示红色,G表示绿色,B表示蓝色,r表示红色比例,g表示绿色比例,b表示蓝色比例。
CN201710078294.3A 2017-02-14 2017-02-14 一种基于机器视觉的电子模切料缺陷检测实现方法 Active CN106770332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710078294.3A CN106770332B (zh) 2017-02-14 2017-02-14 一种基于机器视觉的电子模切料缺陷检测实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710078294.3A CN106770332B (zh) 2017-02-14 2017-02-14 一种基于机器视觉的电子模切料缺陷检测实现方法

Publications (2)

Publication Number Publication Date
CN106770332A CN106770332A (zh) 2017-05-31
CN106770332B true CN106770332B (zh) 2019-04-16

Family

ID=58956874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710078294.3A Active CN106770332B (zh) 2017-02-14 2017-02-14 一种基于机器视觉的电子模切料缺陷检测实现方法

Country Status (1)

Country Link
CN (1) CN106770332B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886500A (zh) * 2017-10-13 2018-04-06 北京邮电大学 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN107945180A (zh) * 2017-12-26 2018-04-20 浙江大学台州研究院 源于抛光的石英晶片表面浅划痕的视觉检测方法
CN108133477A (zh) * 2017-12-29 2018-06-08 深圳市越疆科技有限公司 一种物体检测方法及智能机械臂
CN108154507B (zh) * 2017-12-29 2023-06-13 长春师范大学 螺纹管异物检测系统
CN108734703B (zh) * 2018-04-26 2020-12-01 广东道氏技术股份有限公司 基于机器视觉的抛光砖打印图样检测方法、系统及装置
CN108898576A (zh) * 2018-05-21 2018-11-27 安徽集弘物联科技有限公司 一种智能机器视觉筛选平台
CN108627520A (zh) * 2018-05-25 2018-10-09 北京英斯派克科技有限公司 一种非均质固体材料外观质量的在线检测系统和方法
CN109907557A (zh) * 2018-07-25 2019-06-21 永康市柴迪贸易有限公司 基于虫体识别的实木电视柜
CN109382968B (zh) * 2018-10-23 2021-08-24 宁波汇智恒动自动化科技有限公司 一种用于注塑机的视觉检测和矫正系统
CN109724987A (zh) * 2018-12-18 2019-05-07 天津工程机械研究院有限公司 基于机器视觉的自动化检测系统及检测方法
CN109967365A (zh) * 2018-12-27 2019-07-05 江苏理工学院 一种基于机器视觉的柱式电容器外观检测系统及其方法
CN109870466B (zh) * 2019-01-25 2021-06-01 深圳市华星光电半导体显示技术有限公司 用于显示装置外围线路区匹配缺陷点与线路编号的方法
CN109855593A (zh) * 2019-03-12 2019-06-07 哈尔滨理工大学 一种钛合金车削加工三维表面形貌分析方法
CN110379038A (zh) * 2019-06-28 2019-10-25 江苏集萃微纳自动化系统与装备技术研究所有限公司 基于大数据分析的高速工件检测方法
CN111289538B (zh) * 2020-02-25 2023-08-29 青岛滨海学院 基于机器视觉的pcb板元件检测系统及检测方法
CN111476784A (zh) * 2020-04-14 2020-07-31 孙洁 一种基于图像增强识别技术的产品表面缺陷在线检测方法
CN113763304B (zh) * 2020-05-19 2024-01-30 中移(成都)信息通信科技有限公司 农作物病虫害识别方法、装置、设备及介质
CN112378916A (zh) * 2020-11-10 2021-02-19 厦门长江电子科技有限公司 基于机器视觉的图像分级自动化检测系统与方法
CN112605000A (zh) * 2020-12-03 2021-04-06 苏州天立达胶粘制品有限公司 一种模切片材自动光学检测方法及其设备
CN112907514A (zh) * 2021-01-20 2021-06-04 南京迪沃航空技术有限公司 一种基于图像识别的螺栓螺母缺陷诊断方法及系统
CN113686869A (zh) * 2021-07-19 2021-11-23 浙江中新电力工程建设有限公司配电分公司 一种绝缘毯微缺陷识别装置
CN113547658B (zh) * 2021-07-24 2022-11-11 福州大学 一种橡胶切粒系统及其控制方法
CN113567466B (zh) * 2021-08-02 2022-10-28 大量科技(涟水)有限公司 一种微型芯片外观缺陷的智能识别方法
CN113777033A (zh) * 2021-08-18 2021-12-10 长沙长泰机器人有限公司 一种基于机器视觉的生条缺陷检测方法和装置
CN114359263A (zh) * 2021-12-15 2022-04-15 深圳市巨力方视觉技术有限公司 模切材料缺陷信息生成方法、缺陷检校方法及系统
CN115452823B (zh) * 2022-08-26 2023-07-18 北京理工大学 一种基于混合感知的防护材料质量检测方法及装置
CN115661763A (zh) * 2022-12-26 2023-01-31 武汉沃德采科技发展有限公司 一种基于视觉图像分析的设备监控自动控制系统
CN117197133B (zh) * 2023-11-06 2024-01-30 湖南睿图智能科技有限公司 一种复杂工业环境下视觉机器人的控制系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6580811B2 (en) * 1998-04-13 2003-06-17 Eyematic Interfaces, Inc. Wavelet-based facial motion capture for avatar animation
CN102590218A (zh) * 2012-01-16 2012-07-18 安徽中科智能高技术有限责任公司 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法
CN203798740U (zh) * 2014-02-13 2014-08-27 深圳市红外科技有限公司 一种模切后大张印刷品在线品质检测设备
CN105951955A (zh) * 2016-05-09 2016-09-21 中科院合肥技术创新工程院 一种基于智能马桶的尿液检测仪控制系统及其控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6580811B2 (en) * 1998-04-13 2003-06-17 Eyematic Interfaces, Inc. Wavelet-based facial motion capture for avatar animation
CN102590218A (zh) * 2012-01-16 2012-07-18 安徽中科智能高技术有限责任公司 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法
CN203798740U (zh) * 2014-02-13 2014-08-27 深圳市红外科技有限公司 一种模切后大张印刷品在线品质检测设备
CN105951955A (zh) * 2016-05-09 2016-09-21 中科院合肥技术创新工程院 一种基于智能马桶的尿液检测仪控制系统及其控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于机器视觉大数据分析的表面贴装缺陷检测;廖梓龙等;《机电工程技术》;20161231;第45卷(第08期);第15、45页
基于机器视觉的模切片缺失检测与定位研究;夏建春等;《模具工业》;20121231;第38卷(第12期);第24-26页

Also Published As

Publication number Publication date
CN106770332A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106770332B (zh) 一种基于机器视觉的电子模切料缺陷检测实现方法
CN108355981B (zh) 一种基于机器视觉的电池连接器质量检测方法
CN111833306B (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN104992449A (zh) 基于机器视觉的信息识别及表面缺陷在线检测方法
WO2019151393A1 (ja) 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法
CN103439348A (zh) 基于差影法的遥控器按键缺陷检测方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN109934221A (zh) 基于注意力机制的电力设备自动分析识别监控方法及系统
CN104952754A (zh) 基于机器视觉的镀膜后硅片分选方法
CN114202532A (zh) 一种喷涂缺陷的检测方法、装置、设备及存储介质
CN107153067A (zh) 一种基于matlab的零件表面缺陷检测方法
CN114441452B (zh) 一种光纤尾纤检测方法
CN110232703B (zh) 一种基于颜色和纹理信息的运动目标识别装置及方法
Wang et al. Application of hybrid image features for fast and non-invasive classification of raisin
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
CN114331961A (zh) 用于对象的缺陷检测的方法
CN112419239A (zh) 基于深度学习的线上翡翠评级方法
CN112101060A (zh) 基于平移不变性和小区域模板匹配的二维码定位方法
CN113947598B (zh) 基于图像处理的塑料餐盒缺陷检测方法、装置及系统
Jahangir Alam et al. Analysis of a printed complex image quality checking method of fabric cloth for development of an automated quality checking system
CN113034420B (zh) 一种频率空间域特征的工业产品表面缺陷分割方法及系统
CN115239709B (zh) 一种玻璃瓶烫金工艺的质量检测方法
Shelke et al. Detection of Artificially Ripened Fruits using Machine Learning
CN110252686A (zh) 遥控器质量的确定方法及装置
Jain et al. Non-cognitive color and texture based image segmentation amalgamation with evidence theory of crop images

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