CN107367241B - 一种基于机器视觉的汽车轮胎花纹识别方法 - Google Patents
一种基于机器视觉的汽车轮胎花纹识别方法 Download PDFInfo
- Publication number
- CN107367241B CN107367241B CN201710152356.0A CN201710152356A CN107367241B CN 107367241 B CN107367241 B CN 107367241B CN 201710152356 A CN201710152356 A CN 201710152356A CN 107367241 B CN107367241 B CN 107367241B
- Authority
- CN
- China
- Prior art keywords
- value
- light bar
- photo
- tire pattern
- cubic spline
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于机器视觉的汽车轮胎花纹识别方法,其中,具体包括如下步骤:S1,获取线激光照射在轮胎花纹上的照片,并对照片进行校正;S2,去除经校正后的照片的背景和虚光;S3,求取经S2处理后的照片上光条的多个中心坐标点,并对中心坐标点进行立方样条拟合,得出立方样条拟合公式;S4,基于多项式法对光条中心坐标点进行拟合,得出多项式拟合公式;S5,将立方样条拟合公式与多项式拟合公式作差;S6,对S5中作差得到的结果进行卷积处理,求取卷积曲线上的极大值;S7,滤除小于预设值的极大值,得到的极大值即为轮胎花纹深度值。本发明能够准确高效的识别出轮胎花纹并测量出轮胎花纹深度,具有很好的精确性和鲁棒性。
Description
技术领域
本发明涉及汽车轮胎花纹检测技术领域,尤其涉及一种基于机器视觉的汽车轮胎花纹识别方法。
背景技术
汽车轮胎的花纹的主要作用就是增加胎面与路面间的摩擦力,排除积水,以防止车轮打滑,轮胎花纹提高了胎面接地弹性,在胎面和路面间切向力(如驱动力、制动力和横向力) 的作用下,花纹能产生较大的切向弹性变形。切向力增加,切向变形随之增大,接触面的“磨擦作用”也就随之增强,进而抑制了胎面与路面打滑或打滑趋势。这在很大程度上消除了无花纹(光胎面)轮胎易打滑的弊病,使得与轮胎和路面间磨擦性能有关的汽车性能——动力性、制动性、转向操纵性和行驶安全性的正常发挥有了可靠的保障。
现有的轮胎磨损测量方法一般采用目测的方法,这种方法评人的直观判断,人为因素很大,无法保证精确性。另外一种轮胎磨损的测量方法是对花纹深度进行测量,该方法主要是由检测人员用轮胎花纹深度尺进行接触式测量,由于检验人员的操作方法以及轮胎花纹深度尺自身的误差会导致测量的数据产生较大误差,且人工测量效率低,严重制约了汽车检测线的工作效率。
如何提高汽车轮胎花纹深度的检测效率,是本领域亟待解决的重要问题之一。
发明内容
本发明的目的是提供一种基于机器视觉的汽车轮胎花纹识别方法,对汽车轮胎的花纹深度进行快速精确地检测。
本发明提出了一种基于机器视觉的汽车轮胎花纹识别方法,其中,具体包括如下步骤:
S1,获取线激光照射在轮胎花纹上的照片,并对照片进行校正;
S2,去除经校正后的照片的背景和虚光;
S3,求取经S2处理后的照片内光条的多个中心坐标点,并对中心坐标点进行立方样条拟合,得出立方样条拟合公式;
S4,基于多项式法对光条的中心坐标点进行拟合,得出多项式拟合公式;
S5,将立方样条拟合公式与多项式拟合公式作差;
S6,对S5中作差得到的结果进行卷积处理,求取卷积曲线上的极大值;
S7,滤除小于预设值的极大值,得到的极大值即为轮胎花纹深度值。
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,S1中包括如下具体步骤:
S101,获取待处理的照片,其中,该照片为将线激光投射在待测轮胎花纹上所形成的光条的照片;
S102,提取校正模板的校正信息;
S103,以S102中提出的校正信息为标准对S1中的照片进行校正。
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,S1中获取的照片由设有滤光镜的摄像装置拍摄,且所述滤光镜的参数:灰度为28、对比度为45、伽马值为1。
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,S2中包括如下具体步骤:
S201,对S1中获取的照片像素灰度进行BCG校正;
S202,对照片进行二值化处理,得到光条的横坐标的最大、最小值和纵坐标的最大、最小值;
S203,对原始照片进行分割,将图片中的光条抠出;
S204,对抠出的光条的灰度值进行修改。
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,所述灰度值的修改公式为:
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,S4中具体包括以下步骤:
S301,将经过S204处理后的光条像素中的灰度值以矩阵形式存储,用(xi,yi)坐标系的形式表示出光条图片,其中,i,j均为自然数;
S302,根据初步得到的光条中心像素的坐标,并将光条中心像素的坐标转换为世界坐标;
S303,对光条中心像素对应的世界坐标进行立方样条拟合,得到光条中心线的立方样条拟合曲线及立方样条拟合公式。
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,S302中提取光条中心像素的坐标的公式如下:
像素坐标(xi,yi)对应的灰度I(xi,yi),背景光的灰度I=50,中心线上xi点的yi坐标表示为:
其中,x∈(1-1280),y∈(1-960)。
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,S4中的拟合多项式的最高次项的次数为偶次,且最高次数不小于8次。
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,S5中的卷积公式为:
其中,s[n]为卷积,x[n]和y[n]分别为轮廓序列和所用卷积函数序列,x[m]为加权样值信号,y[n-m]为延迟样值信号。
如上所述的基于机器视觉的汽车轮胎花纹识别方法,其中,优选的是,S4中的拟合多项式的最高次项的次数为10。
本发明提供的一种基于机器视觉的汽车轮胎花纹识别方法,通过对照射在汽车轮胎上的原始光条图进行校正后去除背景和虚光,提取光条的多个中心坐标点,通过对中心坐标点进行立方样条拟合,能够得到带有沟槽的拟合曲线,再对中心坐标点进行多项式拟合,得到轮胎表面的平滑曲线。将立方样条拟合公式与多项式拟合公式作差,并进行卷积处理。通过求取卷积曲线上的极大值点,得到花纹深度值及花纹位置。自动实现对行驶车辆轮胎花纹的识别,具有很好的准确性和鲁棒性,有助于对基于线结构光机器视觉的轮胎花纹深度测量工作的开展。此处,用本方法测出的轮胎花纹深度值和实际轮胎的花纹深度值误差范围控制在0.1mm范围之内,测量精度高。
附图说明
图1为本发明具体实施方式的步骤流程图;
图2为本发明具体实施方式中S1的具体步骤流程图;
图3为本发明具体实施方式中S2的具体步骤流程图;
图4为本发明具体实施方式中S3的具体步骤流程图;
图5为本发明具体实施方式某轮胎花纹的原始光条图;
图6为图5经S1步骤后形成的光条图;
图7为图6经S201步骤处理后形成的光条图;
图8为图7经S203步骤处理后形成的光条图;
图9为图8经S204步骤处理后形成的光条图;
图10为经S3步骤处理后得出的立方样条拟合曲线;
图11为经S4步骤处理后得出的多项式拟合曲线;
图12为经S5步骤处理后得出的曲线图;
图13为经S6步骤处理后得出的曲线图;
图14为S6步骤中极大值点的分布图;
图15为花纹位置分布图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
图1为本发明具体实施方式的步骤流程图;图2为本发明具体实施方式中S1的具体步骤流程图;图3为本发明具体实施方式中S2的具体步骤流程图;图4为本发明具体实施方式中S3的具体步骤流程图;图5为本发明具体实施方式某轮胎花纹的原始光条图;图6为图5经S1步骤后形成的光条图;图7为图6经S201步骤处理后形成的光条图;图8为图7经S203步骤处理后形成的光条图;图9为图8经S204步骤处理后形成的光条图;图10为经S3步骤处理后得出的立方样条拟合曲线;图11为经S4步骤处理后得出的多项式拟合曲线;图12为经S5步骤处理后得出的曲线图;图13为经S6步骤处理后得出的曲线图;图14为S6步骤中极大值点的分布图;图15为花纹位置分布图。
请参照图1到图15,本发明具体实施方式提出了一种基于机器视觉的汽车轮胎花纹识别方法,其中,具体包括如下步骤:
S1,获取线激光照射在轮胎花纹上的照片,并对照片进行校正;具体实施时,请参照图2,包括以下具体步骤:
S101,获取待处理的照片,其中,该照片为将线激光投射在待测轮胎花纹上所形成的光条的照片;所获取的光条图如图5所示,具体实施时,使用两个产生的激光位于同一平面内的线激光发生器照射在待检测的汽车轮胎上,形成一条激光断面轮廓光条,利用相机捕获该激光断面轮廓光条。具体实施时,在获取待处理的照片时,所述使用的相机上设有滤光镜,且所述滤光镜的参数分别为:灰度为28,对比度为45,伽马值为1。如此,能够滤除除了激光之外的光线。此处,所使用的激光为红色激光。S102,提取校正模板的校正信息;具体实施时,提取的校正信息包括相机外参、内参和畸变参数。S103,以S102中提出的校正信息为标准对S101中的照片进行校正。如此,能够将S101中的照片进行校正,消除镜头畸变带来的误差。经S1步骤处理后得到的光条图如图6所示。
S2,去除经校正后的照片的背景和虚光;具体实施时,请参照图3,包括以下具体步骤:
S201,对S1中获取的照片像素灰度进行BCG校正;I’=I(xi,yi)-I,其中,I为常数,I’为修正后的灰度值,I(xi,yi)为坐标(xi,yi)处的灰度值。经此步骤后,形成的光条图如图7 所示;S202,对照片进行二值化处理,得到光条的横坐标的最大、最小值和纵坐标的最大值、最小值,如此,能够得出光条所在区域。S203,对原始照片进行分割,将图片中的光条抠出;根据横坐标的最大、最小值和纵坐标的最大值、最小值,对照片进行分割,抠出的图像为矩形。经此步骤后,形成的光条图如图8所示。S204,对取出的光条的灰度值进行修改,灰度值的修改公式如下:
S3,求取经S2处理后的照片内光条的多个中心坐标点,并对中心坐标点进行立方样条拟合,得出立方样条拟合公式;
具体实施时,请参照图4,本步骤中具体包括以下步骤:S301,将经过S204处理后的光条像素中的灰度值以矩阵形式存储,用(xi,yi)坐标系的形式表示出光条图片,其中,i, j均为自然数;
S302,根据初步得到的光条中心像素坐标,并将光条中心的像素坐标转换为世界坐标;本步骤中,提取光条中心像素坐标的公式如下:
像素坐标(xi,yi)对应的灰度I(xi,yi),背景光的灰度I=50,中心线上xi点的yi坐标表示为:
其中,x∈(1-1280),y∈(1-960)。
S303,对光条中心的世界坐标进行立方样条拟合,得到光条中心线的立方样条拟合曲线及立方样条拟合公式。得到的立方样条拟合曲线如图10所示,该立方样条拟合曲线上对应有轮胎花纹的沟槽。
S4,基于多项式法对光条中心坐标点进行拟合,得出多项式拟合公式;S4中的拟合多项式的最高次项的次数为偶次,且最高次数不小于8次,具体实施时,拟合多项式的最高次项的次数为10。多项式拟合曲线如图11所示。
S5,将立方样条拟合公式与多项式拟合公式作差;具体实施时,等号两侧分别作差,将得到的公式作出曲线,如图12所示。
S6,对S5中作差得到的结果进行卷积处理,求取卷积曲线上的极大值;本步骤中,卷积公式为:
其中,s[n]为卷积,x[n]和y[n]分别为轮廓序列和所用卷积函数序列,x[m]为加权样值信号,y[n-m]为延迟样值信号。经此步骤得出的卷积曲线及卷积曲线上的极大值点分别如图 13和图14所示。其中,卷积曲线上的极大值点的坐标即为花纹位置,请参照图15。通过卷积处理,能够起到滤波的作用,提高计算精度。
S7,滤除小于预设值的极大值,得到的极大值即为轮胎花纹深度值。通过以上步骤,能够自动实现对行驶车辆轮胎花纹的识别,具有很好的准确性和鲁棒性,有助于对基于线结构光机器视觉的轮胎花纹深度测量工作的开展。某汽车花纹轮胎使用本发明提供的方法得出的结果如表1所示。用本方法测出的轮胎花纹深度值和实际轮胎的花纹深度值误差范围控制在0.1mm范围之内,满足测量要求,由此可以看出本发明一种线结构光机器视觉汽车轮胎花纹识别方法,可以准确高效的识别出轮胎花纹并测量出轮胎花纹深度,具有很好的精确性和鲁棒性。
表1
不同轮胎花纹 | 实际深度值(mm) | 本方法测出的深度值(mm) |
第一个轮胎花纹 | 5.41 | 5.363 |
第二个轮胎花纹 | 6.39 | 6.436 |
第三个轮胎花纹 | 6.65 | 6.564 |
第四个轮胎花纹 | 4.51 | 4.598 |
本领域技术人员能够理解的是,滤光镜参数的选择,是随环境的改变而改变,本发明所公开的参数为在实验室条件下的参数,随着光线的变暗,应该是提高灰度值和减小伽马值,随着光线变亮应该是减少灰度值和增大伽马值,不管光线如何变化,对比度应该比较明显才行。仅仅通过改变滤光镜参数所得到的技术方案,应当包含在本发明的保护范围之内。
上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (6)
1.一种基于机器视觉的汽车轮胎花纹识别方法,其特征在于,具体包括如下步骤:
S1,获取线激光照射在轮胎花纹上的照片,并对照片进行校正;
S2,去除经校正后的照片的背景和虚光;
S3,求取经S2处理后的照片内光条的多个中心坐标点,并对中心坐标点进行立方样条拟合,得出立方样条拟合公式;
S4,基于多项式法对光条的中心坐标点进行拟合,得出多项式拟合公式;
S5,将立方样条拟合公式与多项式拟合公式作差;
S6,对S5中作差得到的结果进行卷积处理,求取卷积曲线上的极大值;
S7,滤除小于预设值的极大值,得到的极大值即为轮胎花纹深度值;
S2中包括如下具体步骤:
S201,对S1中获取的照片像素灰度进行BCG校正;
S202,对照片进行二值化处理,得到光条的横坐标的最大、最小值和纵坐标的最大、最小值;
S203,对原始照片进行分割,将图片中的光条抠出;
S204,对抠出的光条的灰度值进行修改;
所述灰度值的修改公式为:
S3中具体包括以下步骤:
S301,将经过S204处理后的光条像素中的灰度值以矩阵形式存储,用(xi,yi)坐标系的形式表示出光条图片,其中,i,j均为自然数;
S302,根据初步得到的光条的中心坐标点,并将光条的中心坐标点转换为世界坐标;
S303,对光条中心像素对应的世界坐标进行立方样条拟合,得到光条中心线的立方样条拟合曲线及立方样条拟合公式;
S302中提取光条的中心坐标点的公式如下:
像素坐标(xi,yi)对应的灰度I(xi,yi),背景光的灰度I=50,中心线上xi点的yi坐标表示为:
其中,x∈(1-1280),y∈(1-960)。
2.根据权利要求1所述的基于机器视觉的汽车轮胎花纹识别方法,其特征在于,S1中包括如下具体步骤:
S101,获取待处理的照片,其中,该照片为将线激光投射在待测轮胎花纹上所形成的光条的照片;
S102,提取校正模板的校正信息;
S103,以S102中提出的校正信息为标准对S1中的照片进行校正。
3.根据权利要求1所述的基于机器视觉的汽车轮胎花纹识别方法,其特征在于,S1中获取的照片由设有滤光镜的摄像装置拍摄,且所述滤光镜的参数:灰度为28、对比度为45、伽马值为1。
4.根据权利要求1所述的基于机器视觉的汽车轮胎花纹识别方法,其特征在于,S4中的多项式拟合公式的最高次项的次数为偶次,且最高次数不小于8次。
6.根据权利要求1-5任意一项所述的基于机器视觉的汽车轮胎花纹识别方法,其特征在于,S4中的多项式拟合公式的最高次项的次数为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710152356.0A CN107367241B (zh) | 2017-03-15 | 2017-03-15 | 一种基于机器视觉的汽车轮胎花纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710152356.0A CN107367241B (zh) | 2017-03-15 | 2017-03-15 | 一种基于机器视觉的汽车轮胎花纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107367241A CN107367241A (zh) | 2017-11-21 |
CN107367241B true CN107367241B (zh) | 2020-06-30 |
Family
ID=60304777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710152356.0A Active CN107367241B (zh) | 2017-03-15 | 2017-03-15 | 一种基于机器视觉的汽车轮胎花纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107367241B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107863149A (zh) * | 2017-11-22 | 2018-03-30 | 中山大学 | 一种智能牙医系统 |
CN109447959A (zh) * | 2018-10-17 | 2019-03-08 | 东南大学 | 轮胎静态载荷印痕测量方法 |
CN109614868B (zh) * | 2018-11-09 | 2022-05-17 | 公安部交通管理科学研究所 | 汽车轮胎花纹图像直线识别系统 |
CN110220473A (zh) * | 2019-06-05 | 2019-09-10 | 陈子昂 | 轮胎花纹沟深度测量方法、装置及设备 |
CN110631498B (zh) * | 2019-08-05 | 2021-04-20 | 江苏大学 | 一种获取轮胎接地区变形分布的方法 |
CN110942460B (zh) * | 2019-12-12 | 2023-01-31 | 湖南省鹰眼在线电子科技有限公司 | 一种轮胎花纹深度测量方法、系统及存储介质 |
CN112683191B (zh) * | 2020-11-30 | 2022-06-28 | 深圳市道通科技股份有限公司 | 基于线激光的胎纹沟槽深度测量方法、装置及计算设备 |
CN112763237A (zh) * | 2020-12-31 | 2021-05-07 | 佛山市南海盐步康士柏机电有限公司 | 一种轮胎表面特征检测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0696017A2 (en) * | 1994-08-05 | 1996-02-07 | Hewlett-Packard Company | Binary image scaling |
CN201716009U (zh) * | 2010-08-16 | 2011-01-19 | 长安大学 | 一种胎面花纹检测装置 |
CN102388290A (zh) * | 2009-04-08 | 2012-03-21 | 万泰克股份有限公司 | 用于确定车辆轮胎的胎面花纹深度的方法和设备 |
CN103792699A (zh) * | 2013-09-09 | 2014-05-14 | 中华人民共和国四川出入境检验检疫局 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
CN105005981A (zh) * | 2014-04-18 | 2015-10-28 | 北京航空航天大学 | 基于多尺度的光条中心提取方法及装置 |
JP2016161360A (ja) * | 2015-02-27 | 2016-09-05 | ダイハツ工業株式会社 | タイヤ溝の深さ測定方法 |
-
2017
- 2017-03-15 CN CN201710152356.0A patent/CN107367241B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0696017A2 (en) * | 1994-08-05 | 1996-02-07 | Hewlett-Packard Company | Binary image scaling |
CN102388290A (zh) * | 2009-04-08 | 2012-03-21 | 万泰克股份有限公司 | 用于确定车辆轮胎的胎面花纹深度的方法和设备 |
CN201716009U (zh) * | 2010-08-16 | 2011-01-19 | 长安大学 | 一种胎面花纹检测装置 |
CN103792699A (zh) * | 2013-09-09 | 2014-05-14 | 中华人民共和国四川出入境检验检疫局 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
CN105005981A (zh) * | 2014-04-18 | 2015-10-28 | 北京航空航天大学 | 基于多尺度的光条中心提取方法及装置 |
JP2016161360A (ja) * | 2015-02-27 | 2016-09-05 | ダイハツ工業株式会社 | タイヤ溝の深さ測定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107367241A (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107367241B (zh) | 一种基于机器视觉的汽车轮胎花纹识别方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
US9390343B2 (en) | Estimating degree of deterioration of road surface | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN107084666B (zh) | 基于机器视觉的刹车片尺寸综合检测方法 | |
CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
CN108088799B (zh) | 机动车尾气林格曼黑度的测量方法及系统 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN108876860B (zh) | 一种用于管水准器气泡偏移量测量的图像标定方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN103649995A (zh) | 用于确定轮胎表面上凸纹中的元素的方法 | |
CN109614868B (zh) | 汽车轮胎花纹图像直线识别系统 | |
CN111968079B (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN105894474A (zh) | 一种非线性图像增强方法及边缘检测方法 | |
CN114881960A (zh) | 基于特征增强的布匹直线型缺陷检测方法和系统 | |
CN117853484B (zh) | 一种基于视觉的桥梁损伤智能监测方法及系统 | |
CN112508883A (zh) | 一种列车车轮踏面锥形孔检测的自适应缺陷识别方法 | |
CN110223332B (zh) | 一种桥梁裂缝标定方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN114140426B (zh) | 一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法 | |
CN115311288A (zh) | 一种汽车贴膜破损检测方法 |
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 |