CN107301637B - 近矩形平面状工业产品表面瑕疵检测方法 - Google Patents
近矩形平面状工业产品表面瑕疵检测方法 Download PDFInfo
- Publication number
- CN107301637B CN107301637B CN201710361053.XA CN201710361053A CN107301637B CN 107301637 B CN107301637 B CN 107301637B CN 201710361053 A CN201710361053 A CN 201710361053A CN 107301637 B CN107301637 B CN 107301637B
- Authority
- CN
- China
- Prior art keywords
- image
- product
- detected
- det
- area
- 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
Images
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Abstract
本发明公开一种近矩形平面状工业产品表面瑕疵检测方法,包括以下步骤:(10)模板图像生成:采集表面完好的标准产品的外观灰度图像,获取产品外轮廓线,裁剪出标准产品外观模板图像;(20)待检测产品图像生成:采集待检测产品外观灰度图像,裁剪出待检测产品区域,得到待检测产品图像,将模板图像与待检测产品图像拼接形成一张整体图像;(30)疑似瑕疵区域检测:在经傅里叶反变换的整体图像中剪裁出待检测产品图像对应区块,二值化得到疑似瑕疵区域;(40)瑕疵区域检测:将疑似瑕疵区域与模板图像中相同位置附近区域进行对比,最小差异超出阈值范围处确定存在表面瑕疵。本发明的工业产品表面瑕疵检测方法,计算量小、实时性好。
Description
技术领域
本发明属于工业产品表面瑕疵检测方法技术领域,特别是一种计算量小、实时性好的近矩形平面状工业产品表面瑕疵检测方法。
背景技术
流水线生产过程中有可能在产品外壳上形成划痕、擦伤等表面瑕疵,表面完好度检测是很多工业产品出厂合格检测的必检项目之一。
表面瑕疵检测传统上主要依靠人工目测检查的方式。长时间从事这种单调的外观瑕疵检测极易引起质检员视觉疲劳,从而影响检测效率和正确率。工业生产线光照条件稳定,单一流水线产品类型固定,比较适合采用机器视觉的方式在线自动检测产品表面瑕疵。基于机器视觉的工业品外观瑕疵检测方案在纺织、通信等行业都有应用案例,已有应用案例大都在空间域进行数字图像处理,通过与预存的标准产品外观模板对比评估待检产品表面是否存在瑕疵。为了发现一些较为细小的划痕、污点等瑕疵,用于表面瑕疵检测的机器视觉系统一般选择分辨率较高的工业相机采集数字图像。
目前大部分检测系统采用空间域处理的方式比对待检产品和标准图像,在图像分辨率较高的情况下,计算量较大,实时性差。
发明内容
本发明的目的在于提供一种近矩形平面状工业产品表面瑕疵检测方法,计算量小、实时性好。
实现本发明目的的技术解决方案为:
一种近矩形平面状工业产品表面瑕疵检测方法,包括以下步骤:
(10)模板图像生成:在流水线正常照明状态下采集表面完好的标准产品的外观灰度图像,检测该图像边缘,获取产品外轮廓线,依据外轮廓线裁剪出标准产品外观模板图像;
(20)待检测产品图像生成:采集待检测产品外观灰度图像,寻找产品外轮廓矩形,裁剪出待检测产品区域,调整分辨率,得到待检测产品图像,将模板图像与待检测产品图像拼接形成一张整体图像;
(30)疑似瑕疵区域检测:将整体图像进行二维离散傅里叶变换和傅里叶反变换,在经反变换后的图像中剪裁出拼接时的待检测产品图像对应区块,将其二值化得到疑似瑕疵区域;
(40)瑕疵区域检测:将疑似瑕疵区域与模板图像中相同位置附近区域进行对比,如最小差异超出阈值范围,则确定该处存在表面瑕疵。
本发明与现有技术相比,其显著优点为:
1、计算量小:本发明首先通过高效的频域分析检测疑似瑕疵区域,然后仅针对这些疑似瑕疵区域实施计算量较大的瑕疵区域精细比较过程。由于一张待检测产品图像中疑似瑕疵区域数量较少,因此与常用的逐像素对比方法相比明显减小了计算量。
2、实时性好:本发明使用的图像快速傅里叶变换有很高的计算效率,同时得益于提取的疑似瑕疵区域待对比数据量较小,因此比常见的基于空间域分析的方法效率更高。
下面结合附图和具体实施方式对本发明作进一步的详细描述。
附图说明
图1为本发明近矩形平面状工业产品表面瑕疵检测方法的主流程图。
图2为图1中模板图像生成步骤的流程图。
图3为模板图像生成结果示例图。
其中,图3a为标准产品灰度图像,图3b为边缘检测与外轮廓矩形检测结果,图3c为裁剪得到的产品模板图像。
图4为图1中待检测产品图像生成步骤的流程图。
图5为待检测产品图像生成结果示例图。
其中,图5a为待检测产品灰度图像,图5b为边缘检测与外轮廓矩形检测结果,图5c为裁剪得到的待检测产品图像。
图6为图1中疑似瑕疵区域检测步骤的流程图。
图7为模板图像与待检测产品图像拼接结果示例图。
图8为图1中瑕疵区域检测步骤的流程图。
图9为待检测产品外观瑕疵检测结果示例图。
其中,图9a为疑似瑕疵区域,图9b为确定瑕疵区域,图9c为瑕疵检测结果。
具体实施方式
如图1所示,本发明近矩形平面状工业产品表面瑕疵检测方法,包括以下步骤:
(10)模板图像生成:在流水线正常照明状态下采集表面完好的标准产品的外观灰度图像,检测该图像边缘,获取产品外轮廓线,依据外轮廓线裁剪出标准产品外观模板图像;
如图2所示,所述(10)模板图像生成步骤包括:
(11)边缘图像获取:在流水线正常照明状态下,采集表面完好的标准产品的外观灰度图像Itemp-o,测量外观灰度图像中产品外轮廓矩形的宽度、高度,使用标准canny边缘检测算子检测外观灰度图像Itemp-o边缘,得到二值化边缘图像Itemp-edge;
(12)外轮廓线获取:在二值化边缘图像Itemp-edge中使用标准Hough变换方法检测直线,在检测得到的直线簇中选择长度与产品外轮廓矩形长和宽差异不超过Δl的直线段作为疑似外轮廓线,先选择二值化边缘图像Itemp-edge中位于最左恻和最上恻的疑似外轮廓线作为实际轮廓线,然后以步骤1-1中测量的产品外轮廓矩形在Itemp-o中的宽和高作为先验知识,选择与左侧和上侧轮廓线平行且与其距离最接近产品宽和高的直线段作为右侧和下侧轮廓线;
(13)外观模板图像获取:用标准图像旋转方法旋转四条轮廓线围成的区域,使上侧轮廓线旋转后呈水平,然后将旋转后轮廓线围成的区域保存为产品外观模板图像Itemp。
图3所示为模板图像生成的结果示例图。其中,图3a为标准产品灰度图像,图3b为边缘检测与外轮廓矩形检测结果,图3c为裁剪得到的产品模板图像。
(20)待检测产品图像生成:采集待检测产品外观灰度图像,寻找产品外轮廓矩形,裁剪出待检测产品区域,调整分辨率,得到待检测产品图像,将模板图像与待检测产品图像拼接形成一张整体图像;
如图4所示,所述(20)待检测产品图像生成步骤包括:
(21)外观灰度图像采集:采集待检测产品的外观灰度图像;
(22)外轮廓矩形寻找:使用canny边缘检测算子,在外观灰度图像中寻找产品外轮廓矩形;
(23)待检测产品图像获取:旋转外观灰度图像,使产品外轮廓矩形上边缘水平,依据外轮廓裁剪出待检测产品区域,并将该区域缩放至与模板图像Itemp同分辨率,得到待检测产品图像Itest,
(24)图像拼接:将m*n-1个模板图像Itemp与1个待检测产品图像Itest整体按照m*n排列拼接形成一张整体图像Idet。
所述(24)图像拼接步骤包括:
(241)图像缩放:在拍摄的包含待检测图像的原始图像中裁剪出待检测产品图像Itest并缩放至与模板图像Itemp4相同分辨率;
(242)图像排列:将m*n-1个模板图像Itemp与1个待检测产品图像Itest分别作为整体图像块,按照m*n排列拼接形成一张图像Idet,其中将Itest放置于行,列,形成一张整体图像Idet,符号表示向下取整。
图5为待检测产品图像生成结果示例图。
其中,图5a为待检测产品灰度图像,图5b为边缘检测与外轮廓矩形检测结果,图5c为裁剪得到的待检测产品图像。
(30)疑似瑕疵区域检测:将整体图像进行二维离散傅里叶变换和傅里叶反变换,在经反变换后的图像中剪裁出拼接时的待检测产品图像对应区块,将其二值化得到疑似瑕疵区域;
如图6所示,所述(30)疑似瑕疵区域检测步骤包括:
(31)傅里叶变换:将整体图像Idet进行二维离散傅里叶变换得到Idet-F,如式(1)
其中Mdet,Ndet为Idet的高和宽,udet-F、vdet-F、xtest、ytest为像素坐标,j为虚数单位,R(udet-F,vdet-F)为傅里叶变换后的实数部分,I(udet-F,vdet-F)为虚数部分,以下公式中类似参数含义相似仅以下标区别,式(1)中:
(33)傅里叶逆变换:然后使用式(4)对Idet-F'进行二维离散傅里叶逆变换,即
在Idet'中剪裁出原Itest放置位置的图像块保存为Itest';
(34)疑似瑕疵区域获取:使用标准otsu算法将Itest'二值化,二值化图像中亮度为255的像素点为疑似瑕疵区域。
图7为模板图像与待检测产品图像拼接结果示例图。
(40)瑕疵区域检测:将疑似瑕疵区域与模板图像中相同位置附近区域进行对比,如最小差异超出阈值范围,则确定该处存在表面瑕疵。
如图8所示,所述(40)瑕疵区域检测步骤包括:
(41)待对比图像块选取:依次选择疑似瑕疵区域中的疑似瑕疵点作为中心像素点,取边长WN像素的正方形窗口内的近邻像素与中心像素点一起作为待对比图像块;
(42)待对比图像块差异计算:记该待对比图像块为ImgPatchTest(i),其中心像素在Itest'中的图像坐标为(xi,yi),在模板图像Itemp中,以(xi,yi)为中心,取边长WT的正方形对比窗口SW,依次以窗口SW中的像素为中心像素,在模板图像Itemp中取中心像素与边长WN像素的正方形窗口内的近邻像素组成对比图像块ImgPatchTemp(j),0<j<WT 2+1,将WT 2个ImgPatchTemp(j)分别与ImgPatchTest(i)对比计算差异;
所述(42)待对比图像块差异计算步骤中,对比计算差异具体为:
假设当前带对比图像块为ImgPatchTest(i),对比模板图像块为ImgPatchTemp(j),每个图像块中包含WN 2个像素,使用式(5)计算ImgPatchTest(i)与ImgPatchTemp(j)的差异值:
式中,gmax为所使用灰度图像格式的可取灰度级最大值,Itest'中的每个ImgPatchTest(i)与Item中的WT 2个对比图像块做对比得到WT 2个差异值。
(43)瑕疵判定:记取最小的差异值为Emin,如果Emin大于设定的差异阈值Eth,则待检测产品图像Itest中(xi,yi)处即确定为瑕疵,否则不为瑕疵。
图9为待检测产品外观瑕疵检测结果示例图。
其中,图9a为疑似瑕疵区域,图9b为确定瑕疵区域,图9c为瑕疵检测结果。
本发明使用快速频域变换技术,利用频域滤波检测疑似瑕疵区域,然后在空间域中仅把疑似瑕疵区域与模板图像对比,通过频率域与空间域混合分析方法显著减少了对比时的计算量;利用单张图像重复排列拼接方法人为构造图像中的整体重复模式,使用简单的频域滤波算法即可发现待检测图像与模板图像不一致的区域,从而实现瑕疵检测;与一般使用SIFT等特征算子匹配方法匹配模板图像与待检测图像不同,本方法通过检测产品轮廓矩形的方法在图像中裁剪出产品区域并调整角度使产品上边缘平行,然后将裁剪出的待检测产品图像缩放至和裁剪出的模板图像同分辨率实现图像匹配,在确定的生产线环境下,检测摄像机安装位置固定,产品区域在模板图像和待检测图像中实际缩放比例很小,因此这种方法比稠密特征算子匹配方法更加简便、高效。
Claims (2)
1.一种近矩形平面状工业产品表面瑕疵检测方法,包括以下步骤:
(10)模板图像生成:在流水线正常照明状态下采集表面完好的标准产品的外观灰度图像,检测该图像边缘,获取产品外轮廓线,依据外轮廓线裁剪出标准产品外观模板图像;
(20)待检测产品图像生成:采集待检测产品外观灰度图像,寻找产品外轮廓矩形,裁剪出待检测产品区域,调整分辨率,得到待检测产品图像,将模板图像与待检测产品图像拼接形成一张整体图像;
(30)疑似瑕疵区域检测:将整体图像进行二维离散傅里叶变换和傅里叶反变换,在经反变换后的图像中剪裁出拼接时的待检测产品图像对应区块,将其二值化得到疑似瑕疵区域;
(40)瑕疵区域检测:将疑似瑕疵区域与模板图像中相同位置附近区域进行对比,如最小差异超出阈值范围,则确定该处存在表面瑕疵;
所述(10)模板图像生成步骤包括:
(11)边缘图像获取:在流水线正常照明状态下,采集表面完好的标准产品的外观灰度图像Itemp-o,测量外观灰度图像中产品外轮廓矩形的宽度、高度,使用标准canny边缘检测算子检测外观灰度图像Itemp-o边缘,得到二值化边缘图像Itemp-edge;
(12)外轮廓线获取:在二值化边缘图像Itemp-edge中使用标准Hough变换方法检测直线,在检测得到的直线簇中选择长度与产品外轮廓矩形长和宽差异不超过Δl的直线段作为疑似外轮廓线,先选择二值化边缘图像Itemp-edge中位于最左恻和最上恻的疑似外轮廓线作为实际轮廓线,然后以步骤1-1中测量的产品外轮廓矩形在Itemp-o中的宽和高作为先验知识,选择与左侧和上侧轮廓线平行且与其距离最接近产品宽和高的直线段作为右侧和下侧轮廓线;
(13)外观模板图像获取:用标准图像旋转方法旋转四条轮廓线围成的区域,使上侧轮廓线旋转后呈水平,然后将旋转后轮廓线围成的区域保存为产品外观模板图像Itemp;
所述(20)待检测产品图像生成步骤包括:
(21)外观灰度图像采集:采集待检测产品的外观灰度图像;
(22)外轮廓矩形寻找:使用canny边缘检测算子,在外观灰度图像中寻找产品外轮廓矩形;
(23)待检测产品图像获取:旋转外观灰度图像,使产品外轮廓矩形上边缘水平,依据外轮廓裁剪出待检测产品区域,并将该区域缩放至与模板图像Itemp同分辨率,得到待检测产品图像Itest,
(24)图像拼接:将m*n-1个模板图像Itemp与1个待检测产品图像Itest整体按照m*n排列拼接形成一张整体图像Idet;
所述(24)图像拼接步骤包括:
(241)图像缩放:在拍摄的包含待检测图像的原始图像中裁剪出待检测产品图像Itest并缩放至与模板图像Itemp4相同分辨率;
(242)图像排列:将m*n-1个模板图像Itemp与1个待检测产品图像Itest分别作为整体图像块,按照m*n排列拼接形成一张图像Idet,其中将Itest放置于行,列,形成一张整体图像Idet,符号表示向下取整;
其特征在于,所述(30)疑似瑕疵区域检测步骤包括:
(31)傅里叶变换:将整体图像Idet进行二维离散傅里叶变换得到Idet-F,如式(1)
其中,Mdet,Ndet为Idet的高和宽,udet-F、vdet-F、xtest、ytest为像素坐标,j为虚数单位,R(udet-F,vdet-F)为傅里叶变换后的实数部分,I(udet-F,vdet-F)为虚数部分,以下公式中类似参数含义相似仅以下标区别,
式(1)中:
(32)幅度谱计算:使用式(2)计算傅里叶变换后Idet-F的幅度谱A(udet-F,vdet-F),
令A(udet-F,vdet-F)=1,则Idet-F成为式(3)所示Idet-F′的形式,即
(33)傅里叶逆变换:然后使用式(4)对Idet-F′进行二维离散傅里叶逆变换,即
在Idet′中剪裁出原Itest放置位置的图像块保存为Itest′;
(34)疑似瑕疵区域获取:使用标准otsu算法将Itest′二值化,二值化图像中亮度为255的像素点为疑似瑕疵区域。
2.根据权利要求1所述的检测方法,其特征在于,所述(40)瑕疵区域检测步骤包括:
(41)待对比图像块选取:依次选择疑似瑕疵区域中的疑似瑕疵点作为中心像素点,取边长WN像素的正方形窗口内的近邻像素与中心像素点一起作为待对比图像块;
(42)待对比图像块差异计算:记该待对比图像块为ImgPatchTest(i),其中心像素在Itest′中的图像坐标为(xi,yi),在模板图像Itemp中,以(xi,yi)为中心,取边长WT的正方形对比窗口SW,依次以窗口SW中的像素为中心像素,在模板图像Itemp中取中心像素与边长WN像素的正方形窗口内的近邻像素组成对比图像块ImgPatchTemp(j),0<j<WT 2+1,将WT 2个ImgPatchTemp(j)分别与ImgPatchTest(i)对比计算差异;
(43)瑕疵判定:记取最小的差异值为Emin,如果Emin大于设定的差异阈值Eth,则待检测产品图像Itest中(xi,yi)处即确定为瑕疵,否则不为瑕疵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710361053.XA CN107301637B (zh) | 2017-05-22 | 2017-05-22 | 近矩形平面状工业产品表面瑕疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710361053.XA CN107301637B (zh) | 2017-05-22 | 2017-05-22 | 近矩形平面状工业产品表面瑕疵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301637A CN107301637A (zh) | 2017-10-27 |
CN107301637B true CN107301637B (zh) | 2020-08-11 |
Family
ID=60138095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710361053.XA Active CN107301637B (zh) | 2017-05-22 | 2017-05-22 | 近矩形平面状工业产品表面瑕疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301637B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596620A (zh) * | 2018-11-10 | 2019-04-09 | 江苏网进科技股份有限公司 | 基于机器视觉的产品表面形状缺陷检测方法和系统 |
CN109544541A (zh) * | 2018-11-27 | 2019-03-29 | 云南大学 | 烟支外观瑕疵检测方法及装置 |
CN109579720B (zh) * | 2018-12-07 | 2021-09-24 | 广州大学 | 一种边缘距离测量的引伸计动态测量方法 |
CN111445431B (zh) * | 2018-12-28 | 2023-10-20 | Tcl科技集团股份有限公司 | 一种图像分割方法、终端设备及计算机可读存储介质 |
CN109612394A (zh) * | 2019-01-07 | 2019-04-12 | 成都中电熊猫显示科技有限公司 | 测量方法、装置和存储介质 |
CN109584241B (zh) * | 2019-01-18 | 2020-12-18 | 福建伟易泰智能科技有限公司 | 一种钢筘的检测方法及装置 |
CN111242899B (zh) * | 2019-12-31 | 2023-09-26 | 富联裕展科技(河南)有限公司 | 基于图像的瑕疵检测方法及计算机可读存储介质 |
CN112270687A (zh) * | 2020-10-16 | 2021-01-26 | 鲸斛(上海)智能科技有限公司 | 布料瑕疵识别模型的训练方法和布料瑕疵的检测方法 |
CN113406092B (zh) * | 2021-08-18 | 2022-01-11 | 阿里巴巴(中国)有限公司 | 数字化生产检测系统、方法、装置、设备及存储介质 |
CN115330770B (zh) * | 2022-10-12 | 2023-04-18 | 南通宝江家用纺织品有限公司 | 一种布匹区域类疵点识别方法 |
CN115753791B (zh) * | 2022-11-10 | 2024-03-01 | 哈尔滨耐是智能科技有限公司 | 基于机器视觉的缺陷检测方法、装置以及系统 |
CN116993682B (zh) * | 2023-07-10 | 2024-02-23 | 欧几里德(苏州)医疗科技有限公司 | 基于图像数据分析的角膜塑形镜瑕疵区域提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6408696B1 (en) * | 1999-12-06 | 2002-06-25 | Ai Signal Research, Inc. | Coherent phase line enhancer spectral analysis technique |
CN102136061A (zh) * | 2011-03-09 | 2011-07-27 | 中国人民解放军海军航空工程学院 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
CN104112271A (zh) * | 2014-06-19 | 2014-10-22 | 深圳市大族激光科技股份有限公司 | 移动终端外壳侧面缺陷检测方法和系统 |
-
2017
- 2017-05-22 CN CN201710361053.XA patent/CN107301637B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6408696B1 (en) * | 1999-12-06 | 2002-06-25 | Ai Signal Research, Inc. | Coherent phase line enhancer spectral analysis technique |
CN102136061A (zh) * | 2011-03-09 | 2011-07-27 | 中国人民解放军海军航空工程学院 | 一种矩形石英晶片缺陷自动检测分类识别方法 |
CN104112271A (zh) * | 2014-06-19 | 2014-10-22 | 深圳市大族激光科技股份有限公司 | 移动终端外壳侧面缺陷检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
"The phase only transform for unsupervised surface defect detection";Dror Aiger et al.;《2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition》;20100805;第295-302页 * |
"一种基于相位变换的布匹疵点检测方法";郭象昱 等;《工业控制计算机》;20121231;第25卷(第6期);第64-69页 * |
"计算机视觉在织物疵点自动检测中的应用研究";牛生鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160415;第I138-1425页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107301637A (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301637B (zh) | 近矩形平面状工业产品表面瑕疵检测方法 | |
CN110431404B (zh) | 表面缺陷检查方法及表面缺陷检查装置 | |
CN106683075B (zh) | 一种输电线杆塔横担处螺栓缺陷检测方法 | |
CN111814711B (zh) | 一种应用于矿井机器视觉的图像特征快速匹配方法及系统 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN108230324B (zh) | 磁瓦表面微缺陷视觉检测方法 | |
CN108445011B (zh) | 一种基于深度学习的瑕疵检测系统及方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN109813725A (zh) | 一种大尺寸胶水缺陷检测方法 | |
CN115018846A (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
JP4241361B2 (ja) | キャップ天面の検査方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN112488998B (zh) | 一种基于条纹投影的苹果果梗和花萼检测方法 | |
CN108346138B (zh) | 一种基于图像处理的表面缺陷检测方法及系统 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN116824483A (zh) | 基于排列组合最优解的木材最大价值锯切算法 | |
CN112669321B (zh) | 一种基于特征提取及算法分类的喷砂不均检测方法 |
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 |