CN106780526A - 一种铁氧体圆片表面裂痕识别方法 - Google Patents
一种铁氧体圆片表面裂痕识别方法 Download PDFInfo
- Publication number
- CN106780526A CN106780526A CN201611050512.4A CN201611050512A CN106780526A CN 106780526 A CN106780526 A CN 106780526A CN 201611050512 A CN201611050512 A CN 201611050512A CN 106780526 A CN106780526 A CN 106780526A
- Authority
- CN
- China
- Prior art keywords
- image
- outline
- rect
- computing formula
- internal periphery
- 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.)
- Pending
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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种铁氧体圆片表面裂痕识别方法,通过视觉设备获取流水线上铁氧体圆片的实时影像;通过帧间差分法,获取单个铁氧体圆片图像;对图像进行均值滤波预处理、进行自适应阈值二值化,得到二值图像;对图像使用Sobel梯度算子;计算各轮廓面积,得到外轮廓和内轮廓;判断外轮廓是否为圆;提取内轮廓,进而判断圆片是否缺口、断口、裂纹或是正品。本发明利用铁氧体圆片的实时影像,通过计算机视觉处理实现自动检测。本发明可以作为独立的算法模块嵌入到铁氧体圆片自动化生产的实时控制系统中,达到铁氧体快速、自动化识别检测的目的,计算速度快、智能化程度高、识别准确。
Description
技术领域
本发明涉及计算机视觉检测领域,尤其涉及一种铁氧体圆片表面断口、缺口、裂纹识别方法。
背景技术
随着铁氧体圆片的在电动机等工业设备中的应用越来越广泛,磁片的需求越来越多。然而工业生产得到的铁氧体磁片在生产、打磨过程中,无法避免导致部分磁片出现断痕、缺口等缺陷问题,现有的流水线生产过程中,由于的缺陷不明显的特点,很难用机械的方式进行准确区分识别,所以大多采用人工肉眼识别的方法,将导致其在次品识别生产工序中需要大量的人工进行手动辅助区分,生产效率低下,无法满足快速、高品质的生产。因此,发展一种快速、准确的无纺布袋自动定位方法是当前生产企业的迫切需求。而目前,随着图像处理和人工智能技术的发展,以计算机视觉为基础的产品自动检测与识别方法逐渐得到发展与应用,通过图像处理可以对磁片的缺陷进行分析、识别。计算机技术的发展使得通过图像快速有效进行识别成为可能。
这个铁氧体圆片主要的缺陷表现为“缺口”、“断口”、“裂纹”三种缺陷。“缺口”缺陷指实际材料边缘部分掉落一小块,圆片整体存在,表现在图像中就是圆轮廓内部连接黑色轮廓处有黑色缺陷块;“断口”缺陷指实际材料大块掉落,都不能组成一个圆片了;“裂纹”缺陷指圆片外形完整内部出现各种裂痕。
因为磁片经过倒角的原因,图像上出现一个黑色轮廓由于黑色轮廓有大有小,影响使用灰度进行定量分析,磁片中“缺口”、“断口”这两种情况集中出现在黑色轮廓附近,磁片内部由于打磨的原因有很多纹理存在,“裂纹”主要出现在磁片内部。在现有的技术中,在对“缺口”缺陷进行检测时,往往使用灰度的定量分析方法,由于黑色轮廓存在细微的大小变化,而且黑色轮廓的灰度与“缺口”相近,所以容易误把小“缺口”的缺陷混淆成“正品”;在对“裂纹”缺陷进行检测时,往往使用梯度法或灰度阈值法,而“裂纹”缺陷附近存在着大量细微的纹波。这些都导致现有技术存在很大的误差率,无法精确的区分缺陷。
发明内容
为解决现有技术对铁氧体圆片缺陷人工识别效率低下、无法做到长时间高效作业的问题,提供一种铁氧体圆片表面裂痕识别方法,这种识别方法基于计算机视觉,能充分利用图像处理的优势,快速、精确地对生产流水线上的磁片进行识别分类,以配合生产的需求。
为实现上述目的,本发明采用以下技术方案:
一种铁氧体圆片表面裂痕识别方法,包括如下步骤:
步骤一,通过视觉设备获取流水线上铁氧体圆片的实时影像;
步骤二,通过帧间差分法,获取单个铁氧体圆片图像,具体过程如下:
2.1计算连续两帧图像的差分图像,计算公式为
G1=Pk-Pk-1
其中Pk-1为前一时刻的图像,Pk为当前时刻的图像,G1为当前时刻差分图像;
2.2对差分图像进行高斯滤波计算,消除噪声,计算公式为
其中x为差分图像的像素值,σ为高斯函数的宽度,值取3、5或7;
2.3计算滤波后差分图像的纵向一阶导数的积分投影,计算公式为
其中Sj(x)为图像在纵向坐标j点下的积分投影值,N为图像的高度,i为横坐标,M为图像的宽度;
2.4计算纵向积分投影的拐点,计算公式为
H(j)=Max(Sj(x))
其中,H(j)为拐点j位置处的积分投影值,Max(Sj(x))为求取序列Sj(x)的峰值点;
2.5设立阈值T,和H(j)相比较,若大于设定的阈值T,则判断有铁氧体圆片到来,并把前一时刻图像作为背景图像存储;若小于设定的阈值,则返回步骤一;
步骤三,对图像Pk进行均值滤波预处理,消除噪点,设均值滤波的掩模大小为3*3,计算公式为
其中g(x,y)是当前像素点,f(x,y)是以g(x,y)为中心的9个像素点;
步骤四,使用大津法进行自适应阈值二值化,得到二值图像;
步骤五,对得到的二值图像使用Sobel梯度算子,计算公式为
其中A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值,
寻找图像轮廓;然后对图像轮廓使用3*3结构元素进行闭运算(先腐蚀再膨胀);
腐蚀:
膨胀:
其中B(x)代表结构元素,E为工作空间,X,Y为E工作空间中的每一点;
步骤六,计算各轮廓面积,得到面积最大的轮廓L1,轮廓序列号n1,面积第二大的轮廓L2,轮廓序列号n2,这两轮廓即铁氧体圆片外圈黑色轮廓的外轮廓和内轮廓;
步骤七,提取外轮廓,判断外轮廓是否为圆,具体过程如下:
7.1提取序列号为n1的外轮廓L1,得到外轮廓的周长C1和外轮廓的面积S1;
7.2矩形框框定轮廓图像,获得拟定圆的半径和圆心坐标(a,b),计算公式为
r=(rect.width+rect.height)/4.0
a=rect.x+rect.width/2.0,b=rect.y+rect.height/2.0其中,rect.width为矩形框的长,rect.height为矩形框的宽;(rect.x,rect.y)为矩形左上角的坐标;
7.3得到实际轮廓周长与拟定圆的周长误差率perimeterDiffRatio,计算公式为
再统计样本中最大周长误差率,设定阈值T1;
实际轮廓面积与拟定圆的面积误差率areaDiffRatio,计算公式为
再统计样本中的最大面积误差率,设定阈值T2;
矩形框为正方形框的误差率sideDiffRatio,计算公式为
再统计样本中正方形框的最大误差率,设定阈值T3;
再统计样本中三个差异比值的加权平均avgDiffThresh,设定阈值T4;
7.4当外轮廓的三个差异比值以及它们的加权平均都小于阈值时,则可判断外轮廓为圆,继续步骤八;否则,外轮廓不为圆,分为“断口”缺陷;
步骤八,提取内轮廓,判断内轮廓是否为圆,具体步骤如步骤七所述,当内轮廓的三个差异比值以及它们的加权平均都小于阈值时,则可判断内轮廓为圆,继续步骤九;否则,内轮廓不为圆,分为“缺口”缺陷;
步骤九,取出内轮廓,提取内轮廓内区域为感兴趣区域ROI,剔除黑色轮廓,去除了黑色轮廓对下一步“裂纹”检测自适应二值化时的背景干扰;
步骤十,对感兴趣区域ROI进行自适应二值化,得到二值图像;再对感兴趣区域ROI进行边缘检测,得到梯度图像;将得到的两幅图像进行“与”操作,得到最终“裂纹”图像;遍历最终图像各像素,当所占黑色像素大于阈值时,则判断为“裂纹”缺陷;否则,判断为“正品”。
本发明利用铁氧体圆片的实时影像,通过计算机视觉处理实现自动检测;以通过帧间差分法实现铁氧体圆片的位置定位触发,通过均值滤波法去除比较常见的噪声,最终获取清晰的单个铁氧体圆片图像。
在计算时,在获取铁氧体圆片实时影像的基础上,首先通过帧间差分法判断是否有铁氧体圆片到来,把此时的前一帧图像作为背景图像;然后经过均值滤波,消除噪声;使用大津法获得自适应二值图像,接着Sobel算子边缘检测获取轮廓信息,比较其中轮廓面积最大的两个即为内外轮廓,通过圆检测算法检测内外轮廓,判断是否属于“断口”和“缺口”缺陷;提取感兴趣区域ROI,使用大津法进行新一步的自适应二值化,并对ROI进行新一步的梯度检测,将二图进行“与”操作,得到“裂纹”缺陷图。
本发明可以作为独立的算法模块嵌入到铁氧体圆片自动化生产的实时控制系统中,达到铁氧体快速、自动化识别检测的目的,计算速度快、智能化程度高、识别准确。
这一切都受益于图像处理和人工智能技术的发展,特别是以计算机视觉为基础的产品自动检测与图像处理方法的发展与应用,本发明这种快速的铁氧体视觉检测方法,通过对视频图像的处理并计算,检测缺陷类型,这种方法在高速工业摄像机的辅助下,可以得到每秒60帧以上的影像,加上软件处理时间一分钟可检测500个左右。
本发明方法鲁棒性十分好,不会受到黑色轮廓和纹波的影响。
附图说明
图1为本发明的工作流程框图。
图2为本发明采集到的铁氧体“正品”示意图。
图3为本发明采集到的铁氧体“断口”缺陷示意图。
图4为本发明采集到的铁氧体“缺口”缺陷示意图。
图5为本发明采集到的铁氧体“裂纹”缺陷示意图。
图6为本发明的感兴趣区域ROI示意图。
图7为本发明对ROI进行canny边缘检测图。
图8为本发明对ROI进行自适应二值化的二值图。
图中标记为:3黑色轮廓,4纹理,5“断口”缺陷,6“缺口”缺陷,7“裂纹”缺陷。
具体实施方式
实施例
参照附图,一种基于计算机视觉的铁氧体圆片缺陷检测方法,步骤如下:
步骤一,从高速工业摄像机获得分辨率为600×400的无纺布袋实时影像Pk,图像的高度为600,宽度为400;
步骤二,通过帧间差分法,判断是否有铁氧体圆片到来和获得背景图像,具体过程如下:
2.1计算连续两帧图像的差分图像,计算公式为
G1=Pk-Pk-1
其中Pk-1为前一时刻的图像,Pk为当前时刻的图像,G1为当前时刻差分图像;
2.2对差分图像进行高斯滤波计算,消除高斯噪声,设高斯函数的宽度为3,计算公式为
其中x为差分图像的像素值;
2.3计算滤波后差分图像的纵向一阶导数的积分投影,计算公式为
其中Sj(x)为图像在纵向坐标j点下的积分投影值,i为横坐标;
图像的宽度为600,高度为400;
2.4计算纵向积分投影的拐点,计算公式为
H(j)=Max(Sj(x))
设对应的j值为60,求得H(j)的值6000;
2.5设定阈值参数为3000,H(j)的值6000与设定阈值参数3000相比较,6000大于3000,即判断有铁氧体圆片到来,并把前一时刻图像Pk-1作为背景图像存储;
步骤三,对图像Pk进行均值滤波计算,消除噪点,设均值滤波的掩模大小为3*3,计算公式为
其中g(x,y)是当前像素点,f(x,y)是以g(x,y)为中心的9个像素点。
步骤四,对滤波后图像使用大津法进行自适应阈值二值化。对图像,记t为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1。图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t,当t使得值g=w0*(u0-u)2+w1*(u1-u)2最大时t即为分割的最佳阈值;
步骤五,使用Sobel边缘检测算子寻找到图像轮廓,共找到10个轮廓,然后对图像轮廓图进行闭操作(先腐蚀再膨胀),去除边缘检测算子得到的某些梯度突变的零散点噪声,闭操作采用的是3*3窗口的结构元素。
腐蚀:
膨胀:
其中B(x)代表结构元素,E为工作空间,X,Y为E工作空间中的每一点;
步骤六,计算各轮廓面积,在10个轮廓中,面积最大轮廓L1的序列号为1,面积第二大轮廓L2的序列号为3,这两轮廓即铁氧体圆片外圈黑色轮廓的外轮廓和内轮廓。
步骤七,提取外轮廓,判断外轮廓是否为圆。具体过程如下:
7.1提取序列号为1的外轮廓L1,得到外轮廓的周长C1=1151.76,外轮廓的面积S1=95164.5。
7.2矩形框框定轮廓图像,获得拟定圆的半径r和圆心坐标(a,b),计算公式为
其中,rect.width为矩形框的长,rect.height为矩形框的宽;(rect.x,rect.y)为矩形左上角坐标。
7.3得到实际轮廓周长与拟定圆的周长误差率perimeterDiffRatio,计算公式为
目前统计得到的最大周长误差率为8.5%,设定阈值T1为7.0%,小于阈值;
实际轮廓面积与拟定圆的面积误差率areaDiffRatio,计算公式为
目前统计得到的最大面积误差率为2.0%,设定阈值T2为1.0%,小于阈值;
矩形框为正方形框的边长误差率sideDiffRatio,计算公式为
目前统计得到正方形框的最大误差率为2.0%,设定阈值T3为1.0%,小于阈值;
三个差异比值的加权平均avgDiffThresh要求小于5.0,设定阈值T4为3.0%;
7.4外轮廓的三个差异比值以及它们的加权平均都小于阈值,则可判断外轮廓为圆,继续步骤八;
步骤八,提取内轮廓,判断内轮廓是否为圆,具体步骤如步骤七所述,得到周长误差率,面积误差率,边长误差率分别为5.62056%,0.7456%,0.295421%,以及加权平均都小于阈值,判断内轮廓为圆,不是“缺口”缺陷,继续步骤九;
步骤九,取出内轮廓,提取内轮廓内区域为感兴趣区域ROI,剔除黑色轮廓,去除了黑色轮廓对下一步“裂纹”检测自适应二值化时的背景干扰。
步骤十,对感兴趣区域ROI进行自适应二值化,得到二值图像;再对感兴趣区域ROI进行边缘检测,得到梯度图像;将得到的两幅图像进行“与”操作,得到最终“裂纹”图像;遍历最终图像各像素,得到所占黑色像素267大于阈值100时,判断为“裂纹”缺陷。
此至,本例铁氧体表面裂痕识别工作结束,最终本品判断为“裂纹”缺陷。
Claims (1)
1.一种铁氧体圆片表面裂痕识别方法,包括如下步骤:
步骤一,通过视觉设备获取流水线上铁氧体圆片的实时影像;
步骤二,通过帧间差分法,获取单个铁氧体圆片图像,具体过程如下:
2.1计算连续两帧图像的差分图像,计算公式为
G1=Pk-Pk-1
其中Pk-1为前一时刻的图像,Pk为当前时刻的图像,G1为当前时刻差分图像;
2.2对差分图像进行高斯滤波计算,消除噪声,计算公式为
其中x为差分图像的像素值,σ为高斯函数的宽度,值取3、5或7;
2.3计算滤波后差分图像的纵向一阶导数的积分投影,计算公式为
其中Sj(x)为图像在纵向坐标j点下的积分投影值,N为图像的高度,i为横坐标,M为图像的宽度;
2.4计算纵向积分投影的拐点,计算公式为
H(j)=Max(Sj(x))
其中,H(j)为拐点j位置处的积分投影值,Max(Sj(x))为求取序列Sj(x)的峰值点;
2.5设立阈值T,和H(j)相比较,若大于设定的阈值T,则判断有铁氧体圆片到来,并把前一时刻图像作为背景图像存储;若小于设定的阈值,则返回步骤一;
步骤三,对图像Pk进行均值滤波预处理,消除噪点,设均值滤波的掩模大小为3*3,计算公式为
其中g(x,y)是当前像素点,f(x,y)是以g(x,y)为中心的9个像素点;
步骤四,使用大津法进行自适应阈值二值化,得到二值图像;
步骤五,对得到的二值图像使用Sobel梯度算子,计算公式为
其中A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值,
寻找图像轮廓;然后对图像轮廓使用3*3结构元素进行闭运算(先腐蚀再膨胀);
腐蚀:
膨胀:
其中B(x)代表结构元素,E为工作空间,X,Y为E工作空间中的每一点;
步骤六,计算各轮廓面积,得到面积最大的轮廓L1,轮廓序列号n1,面积第二大的轮廓L2,轮廓序列号n2,这两轮廓即铁氧体圆片外圈黑色轮廓的外轮廓和内轮廓;
步骤七,提取外轮廓,判断外轮廓是否为圆,具体过程如下:
7.1提取序列号为n1的外轮廓L1,得到外轮廓的周长C1和外轮廓的面积S1;
7.2矩形框框定轮廓图像,获得拟定圆的半径和圆心坐标(a,b),计算公式为
r=(rect.width+rect.height)/4.0
a=rect.x+rect.width/2.0,b=rect.y+rect.height/2.0
其中,rect.width为矩形框的长,rect.height为矩形框的宽;(rect.x,rect.y)为矩形左上角的坐标;
7.3得到实际轮廓周长与拟定圆的周长误差率perimeterDiffRatio,计算公式为
再统计样本中最大周长误差率,设定阈值T1;
实际轮廓面积与拟定圆的面积误差率areaDiffRatio,计算公式为
再统计样本中的最大面积误差率,设定阈值T2;
矩形框为正方形框的误差率sideDiffRatio,计算公式为
再统计样本中正方形框的最大误差率,设定阈值T3;
再统计样本中三个差异比值的加权平均avgDiffThresh,设定阈值T4;
7.4当外轮廓的三个差异比值以及它们的加权平均都小于阈值时,则可判断外轮廓为圆,继续步骤八;否则,外轮廓不为圆,分为“断口”缺陷;
步骤八,提取内轮廓,判断内轮廓是否为圆,具体步骤如步骤七所述,当内轮廓的三个差异比值以及它们的加权平均都小于阈值时,则可判断内轮廓为圆,继续步骤九;否则,内轮廓不为圆,分为“缺口”缺陷;
步骤九,取出内轮廓,提取内轮廓内区域为感兴趣区域ROI,剔除黑色轮廓,去除了黑色轮廓对下一步“裂纹”检测自适应二值化时的背景干扰;
步骤十,对感兴趣区域ROI进行自适应二值化,得到二值图像;再对感兴趣区域ROI进行边缘检测,得到梯度图像;将得到的两幅图像进行“与”操作,得到最终“裂纹”图像;遍历最终图像各像素,当所占黑色像素大于阈值时,则判断为“裂纹”缺陷;否则,判断为“正品”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611050512.4A CN106780526A (zh) | 2016-11-21 | 2016-11-21 | 一种铁氧体圆片表面裂痕识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611050512.4A CN106780526A (zh) | 2016-11-21 | 2016-11-21 | 一种铁氧体圆片表面裂痕识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780526A true CN106780526A (zh) | 2017-05-31 |
Family
ID=58910652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611050512.4A Pending CN106780526A (zh) | 2016-11-21 | 2016-11-21 | 一种铁氧体圆片表面裂痕识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780526A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742298A (zh) * | 2017-09-28 | 2018-02-27 | 北京华航无线电测量研究所 | 一种角反射体自动识别方法 |
CN107941808A (zh) * | 2017-11-10 | 2018-04-20 | 中国计量大学 | 基于机器视觉的3d打印成型质量检测系统及方法 |
CN108596909A (zh) * | 2018-05-09 | 2018-09-28 | 芜湖哈特机器人产业技术研究院有限公司 | 空心圆柱工件表面缺陷检测系统及方法 |
CN109118476A (zh) * | 2018-07-11 | 2019-01-01 | 华南理工大学广州学院 | 一种零部件边缘轮廓完整性检测方法及装置 |
CN109949294A (zh) * | 2019-03-21 | 2019-06-28 | 哈尔滨理工大学 | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 |
CN110084177A (zh) * | 2019-04-24 | 2019-08-02 | 珠海格力电器股份有限公司 | 定位系统、方法、控制系统以及空调、存储介质 |
CN110857919A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的尾丝缺陷检测方法 |
CN111141743A (zh) * | 2019-12-31 | 2020-05-12 | 四川索牌科技股份有限公司 | 一种包膜检测设备及其检测方法 |
CN112906639A (zh) * | 2021-03-19 | 2021-06-04 | 北京科技大学 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
CN113218970A (zh) * | 2021-03-17 | 2021-08-06 | 上海师范大学 | 一种基于x射线的bga封装质量自动检测方法 |
WO2023035544A1 (zh) * | 2021-09-10 | 2023-03-16 | 交通运输部天津水运工程科学研究所 | 一种基于视觉边缘检测的实验室空间波浪实时测量方法 |
CN118134923A (zh) * | 2024-05-07 | 2024-06-04 | 青岛众屹科锐工程技术有限公司 | 一种基于人工智能的高速物品视觉检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305793A (zh) * | 2011-05-11 | 2012-01-04 | 苏州天准精密技术有限公司 | 一种产品外观质量检测方法和设备 |
CN104835156A (zh) * | 2015-05-05 | 2015-08-12 | 浙江工业大学 | 一种基于计算机视觉的无纺布袋自动定位方法 |
CN105334219A (zh) * | 2015-09-16 | 2016-02-17 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
-
2016
- 2016-11-21 CN CN201611050512.4A patent/CN106780526A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305793A (zh) * | 2011-05-11 | 2012-01-04 | 苏州天准精密技术有限公司 | 一种产品外观质量检测方法和设备 |
CN104835156A (zh) * | 2015-05-05 | 2015-08-12 | 浙江工业大学 | 一种基于计算机视觉的无纺布袋自动定位方法 |
CN105334219A (zh) * | 2015-09-16 | 2016-02-17 | 湖南大学 | 一种残差分析动态阈值分割的瓶口缺陷检测方法 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742298B (zh) * | 2017-09-28 | 2020-03-27 | 北京华航无线电测量研究所 | 一种角反射体自动识别方法 |
CN107742298A (zh) * | 2017-09-28 | 2018-02-27 | 北京华航无线电测量研究所 | 一种角反射体自动识别方法 |
CN107941808B (zh) * | 2017-11-10 | 2024-04-12 | 中国计量大学 | 基于机器视觉的3d打印成型质量检测系统及方法 |
CN107941808A (zh) * | 2017-11-10 | 2018-04-20 | 中国计量大学 | 基于机器视觉的3d打印成型质量检测系统及方法 |
CN108596909A (zh) * | 2018-05-09 | 2018-09-28 | 芜湖哈特机器人产业技术研究院有限公司 | 空心圆柱工件表面缺陷检测系统及方法 |
CN109118476A (zh) * | 2018-07-11 | 2019-01-01 | 华南理工大学广州学院 | 一种零部件边缘轮廓完整性检测方法及装置 |
CN109118476B (zh) * | 2018-07-11 | 2020-11-24 | 华南理工大学广州学院 | 一种零部件边缘轮廓完整性检测方法及装置 |
CN110857919A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的尾丝缺陷检测方法 |
CN109949294A (zh) * | 2019-03-21 | 2019-06-28 | 哈尔滨理工大学 | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 |
CN110084177A (zh) * | 2019-04-24 | 2019-08-02 | 珠海格力电器股份有限公司 | 定位系统、方法、控制系统以及空调、存储介质 |
CN111141743A (zh) * | 2019-12-31 | 2020-05-12 | 四川索牌科技股份有限公司 | 一种包膜检测设备及其检测方法 |
CN113218970A (zh) * | 2021-03-17 | 2021-08-06 | 上海师范大学 | 一种基于x射线的bga封装质量自动检测方法 |
CN112906639B (zh) * | 2021-03-19 | 2024-02-20 | 北京科技大学 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
CN112906639A (zh) * | 2021-03-19 | 2021-06-04 | 北京科技大学 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
WO2023035544A1 (zh) * | 2021-09-10 | 2023-03-16 | 交通运输部天津水运工程科学研究所 | 一种基于视觉边缘检测的实验室空间波浪实时测量方法 |
CN118134923A (zh) * | 2024-05-07 | 2024-06-04 | 青岛众屹科锐工程技术有限公司 | 一种基于人工智能的高速物品视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN108389179B (zh) | 一种基于机器视觉的罐盖表面缺陷检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN109159137B (zh) | 一种可视频评估洗地效果的洗地机器人 | |
WO2021135675A1 (zh) | 一种棒材自动计数方法及装置 | |
CN111080582A (zh) | 工件内外表面缺陷检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN107316287A (zh) | 一种矩形铁氧体磁片表面的缺陷识别方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN111210419A (zh) | 基于人类视觉特性的微型磁瓦表面缺陷检测方法 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170531 |