CN107677682B - 一种鞋模表面破损检测装置及检测方法 - Google Patents
一种鞋模表面破损检测装置及检测方法 Download PDFInfo
- Publication number
- CN107677682B CN107677682B CN201711082970.0A CN201711082970A CN107677682B CN 107677682 B CN107677682 B CN 107677682B CN 201711082970 A CN201711082970 A CN 201711082970A CN 107677682 B CN107677682 B CN 107677682B
- Authority
- CN
- China
- Prior art keywords
- parallax
- value
- shoe mold
- image
- pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G01N2021/8887—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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 Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种鞋模表面破损检测装置,包括支架、两个摄像头、传送装置以及计算机,两个所述摄像头固定连接于所述支架上并在所述传送装置上形成一拍摄区域,两个所述摄像头通过以太网连接于所述计算机。结构简单,使用方便,自动化检测,提高了工作效率和识别率,节约人工成本,本发明还提供一种鞋模表面破损的检测方法,有效的实现了自动化检测,提高工作效率和识别率。
Description
技术领域
本发明涉及一种鞋模表面破损检测装置及检测方法。
背景技术
鞋模,通常是指运动鞋、沙滩鞋、拖鞋和胶鞋等鞋类的模具,鞋模由于经常使用,使得鞋模表面会出现裂纹、破损等,现在鞋模表面破损检测大多采用人工检测,但是人工处理慢,处理效率低,同时由于人工疲劳及眼花等人为因素而造成的漏检或误检情况,造成识别率不高。
发明内容
本发明要解决的技术问题,在于提供一种鞋模表面破损检测装置及检测方法,能够有效检测出鞋模表面破损情况,代替人工检测,进一步提高处理效率和识别率,节约人工成本。
本发明是这样实现的:一种鞋模表面破损检测装置,包括支架、两个摄像头、传送装置以及计算机,两个所述摄像头固定连接于所述支架上并在所述传送装置上形成一拍摄区域,两个所述摄像头通过以太网连接于所述计算机。
进一步的,还包括报警装置,所述报警装置连接于所述计算机并固定于所述支架的上方。
进一步的,所述支架包括一横梁和一支撑柱,所述横梁一端和所述支撑柱上端相连接,所述计算机固定连接于所述支撑柱,所述传送装置设于所述横梁下方,两个所述摄像头分别固定连接于所述横梁下方且在所述传送装置上形成一拍摄区域。
本发明还提供一种鞋模表面破损的检测方法,所述检测方法需提供所述的一种鞋模表面破损检测装置,包括以下步骤:
步骤S1、传送装置将鞋模传送至两个摄像头形成的拍摄区域;
步骤S2、两个摄像头采集鞋模表面图像数据给计算机;
步骤S3、计算机利用图像处理算法自动识别检测鞋模表面破损及裂纹,再与鞋模缺陷容忍度进行比较,如果小于等于缺陷容忍度,则表示合格,继续处理下一个数据,如果大于缺陷容忍度,则表示不合格并报警提示。
进一步的,所述图像处理算法依次包括均值滤波、高斯滤波、直方图均衡化、拉普拉斯锐化、匹配基元的选择、相似性度量因子选择和视差图的优化。
本发明具有如下优点:本发明提供一种鞋模表面破损检测装置,包括支架、两个摄像头、传送装置以及计算机,两个所述摄像头固定连接于所述支架上并在所述传送装置上形成一拍摄区域,两个所述摄像头通过以太网连接于所述计算机。结构简单,使用方便,自动化检测,提高了工作效率和识别率,节约人工成本,本发明还提供一种鞋模表面破损的检测方法,有效的实现了自动化检测,提高工作效率和识别率。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明的检测装置的结构示意图。
图2为本发明的检测方法的流程图。
图中:1、支架,11、支撑柱,12、横梁,2、摄像头,3、传送装置,31、拍摄区域,4、计算机,5、报警装置。
具体实施方式
请参阅图1-2所示,本发明一种鞋模表面破损检测装置,包括支架1、两个摄像头2、传送装置3以及计算机4,两个所述摄像头2固定连接于所述支架1上并在所述传送装置3上形成一拍摄区域31,两个所述摄像头2通过以太网连接于所述计算机4。
具体一实施例:还包括报警装置5,所述报警装置5连接于所述计算机4并固定于所述支架1的上方。
具体一实施例:所述支架1包括一横梁12和一支撑柱11,所述横梁12一端和所述支撑柱11上端相连接,所述计算机4固定连接于所述支撑柱11,所述传送装置3设于所述横梁12下方,两个所述摄像头2分别固定连接于所述横梁12下方且在所述传送装置3上形成一拍摄区域31。
本发明还提供一种鞋模表面破损的检测方法,所述检测方法需提供所述的一种鞋模表面破损检测装置,包括以下步骤:
步骤S1、传送装置3将鞋模传送至两个摄像头2形成的拍摄区域31;
步骤S2、两个摄像头2采集鞋模表面图像数据给计算机4;
步骤S3、计算机4利用图像处理算法自动识别检测鞋模表面破损及裂纹,再与鞋模缺陷容忍度进行比较,如果小于等于缺陷容忍度,则表示合格,继续处理下一个数据,如果大于缺陷容忍度,则表示不合格并报警提示。
所述图像处理算法依次包括均值滤波、高斯滤波、直方图均衡化、拉普拉斯锐化、匹配基元的选择、相似性度量因子选择和视差图的优化。
具体一实施方式:
当传送装置3开启时,鞋模产品随传送装置3运送,当鞋模到达摄像头2的拍摄区域31时,两个摄像头2拍摄鞋模表面图像,通过以太网传送给计算机4,计算机4利用图像处理算法自动检测鞋模表面图像是否有破损或裂纹,再与鞋模缺陷容忍度进行比较,如果小于等于缺陷容忍度,则表示合格,继续处理下一个数据,如果大于缺陷容忍度,则表示不合格并报警提示,引起操作人员注意,并剔除不良品。
为获取鞋模情况,利用两个摄像头采集鞋模表面图像数据,两个摄像头2通过以太网连接计算机4,计算机程序利用摄像头SDK开发相应程序,读取两个摄像头2采集的鞋模图像数据,存储到计算机存储器中,等待下一步处理。计算机首先通过均值滤波、高斯滤波、直方图均衡化和拉普拉斯锐化对鞋模图像进行预处理,去除图像噪声和亮度差异,然后采用区域立体匹配算法,利用相关窗口中相对应的像素点的灰度值不同来判别两幅图像对中对应区域的相关程度。区域立体匹配通过特征匹配算法寻找图像中对应点,分为三步:匹配基元的选择、相似性度量因子选择和视差图的优化。最后识别检测鞋模破损及裂纹情况,并进行判断是否合格。
计算机首先通过均值滤波去除图像随机噪声,通过遍历搜索图像中的随机噪声,当搜索像素灰度值与参考像素灰度值之差大于设定阈值时,认为当前像素点为噪声,并用其领域16个像素灰度值均值代替。
高斯滤波是为了消除高斯噪声,利用高斯核的一个二维的卷积算子,用于图像模糊化,去除细节和噪声。高斯滤波的具体操作是:用一个模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。具体为:移动相关核的中心元素,使它位于输入图像待处理像素的正上方,将输入图像的像素值作为权重,乘以相关核,将上面各步得到的结果相加做为输出。
直方图均衡化是为了消除左右图像对之间存在的亮度差异,分别对图像中的两幅图像进行均衡化处理;具体为:
1)计算图像f(x,y)的各级灰度级中像素出现的概率p(i);
2)计算p的累计概率函数c(i),c即为图像的累计归一化直方图;
3)将c(i)缩放至0~255范围内。
拉普拉斯锐化是为了强调图像的边缘和细节,提高对比度。具体方法为遍历图像中的像素点,根据领域像素确定其锐化后的值,计算公式:
sharpened_pixel=5*current–left–right–up–down。
匹配基元选择直接影响到匹配算法的稳定性,采用特征匹配方法,特征指图像中具有实际物理意义且能够代表场景特点的基元。首先对图像进行预处理来提取其高层次的特征,然后建立两幅图像之间特征的匹配对应关系,使用的特征基元有点特征、边缘特征和区域特征。
相似性度量因子选择是衡量窗口内像素灰度相似性的一种测量,以待匹配像素点为中心,建立一个m×n的窗口,利用相似性度量因子计算图像中所有像素的相似性度量值,取最大像素点为初始候选匹配点,比较该最大值与预先设定的阈值的大小,若两者之差小于阈值则认为正确匹配,否则为错误匹配。
视差图优化的具体方式:
1).对于经极线约束、唯一性和顺序性约束得到的初始视差图,首先利用左右一致性约束去除部分虚假视差,并暂时用0代替该点的视差值;
2).对得到的含0视差值的视差矩阵进行概率分布统计,将其从0到其最大值的范围内分为20等份,统计每一小段范围内的视差值的个数;
3).用该个数除以总的视差值的个数,得到每一段范围内的视差值的概率,为了直观的反应视差的分布,将其用视差概率分布直方图的形式表示出来。
4).将概率分布直方图中视差不连续的区间内的视差去掉,并暂时用0代替对应点的视差值。
5).消去不连续视差的具体方法是,在程序中输入介于不连续视差区间概率值的最大值与连续视差区间内概率值的最小值的概率阈值,然后程序自动去掉小于该阈值的视差值。
经过对缺陷区域初定位并逐像素的对缺陷区域进行匹配之后,利用平行两个视觉测量公式,计算出缺陷表面点的世界坐标,形成鞋模表面破损及裂纹细节部分,该部分再与鞋模缺陷容忍度进行比较,如果大于缺陷容忍度,则报警提示,引导操作员进行不良品剔除。
鞋模传送装置3以设定速度传送鞋模产品,经过拍摄区域31时,由摄像头2采集鞋模表面图像,并传送给计算机4进行存储,计算机4提取鞋模表面图像,利用图像处理算法自动识别出鞋模表面破损及裂纹情况,整个过程由计算机自动处理完成,无需人的干预,该方法处理速度快,效率高,识别率高,可明显降低由于人工疲劳及眼花等人为因素而造成的漏检或误检情况。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (5)
1.一种鞋模表面破损的检测方法,其特征在于:基于一种鞋模表面破损检测装置,所述检测装置包括支架、两个摄像头、传送装置以及计算机,两个所述摄像头固定连接于所述支架上并在所述传送装置上形成一拍摄区域,两个所述摄像头通过以太网连接于所述计算机;
还包括报警装置,所述报警装置连接于所述计算机并固定于所述支架的上方;
所述支架包括一横梁和一支撑柱,所述横梁一端和所述支撑柱上端相连接,所述计算机固定连接于所述支撑柱,所述传送装置设于所述横梁下方,两个所述摄像头分别固定连接于所述横梁下方且在所述传送装置上形成一拍摄区域;
所述检测方法包括以下步骤:
步骤S1、传送装置将鞋模传送至两个摄像头形成的拍摄区域;
步骤S2、两个摄像头采集鞋模表面图像数据给计算机;
步骤S3、计算机利用图像处理算法自动识别检测鞋模表面破损及裂纹,再与鞋模缺陷容忍度进行比较,如果小于等于缺陷容忍度,则表示合格,继续处理下一个数据,如果大于缺陷容忍度,则表示不合格并报警提示;
所述图像处理算法依次包括均值滤波、高斯滤波、直方图均衡化、拉普拉斯锐化、匹配基元的选择、相似性度量因子选择和视差图的优化;
计算机首先通过均值滤波、高斯滤波、直方图均衡化和拉普拉斯锐化对鞋模图像进行预处理,去除图像噪声和亮度差异,然后采用区域立体匹配算法,利用相关窗口中相对应的像素点的灰度值不同来判别两幅图像对中对应区域的相关程度,区域立体匹配通过特征匹配算法寻找图像中对应点,分为三步:匹配基元的选择、相似性度量因子选择和视差图的优化;
所述匹配基元对图像进行预处理来提取其高层次的特征,然后建立两幅图像之间特征的匹配对应关系,使用的特征基元有点特征、边缘特征和区域特征;
所述相似性度量因子以待匹配像素点为中心,建立一个m×n的窗口,利用相似性度量因子计算图像中所有像素的相似性度量值,取最大像素点为初始候选匹配点,比较该最大值与预先设定的阈值的大小,若两者之差小于阈值则认为正确匹配,否则为错误匹配;
视差图优化的具体方式:
1). 对于经极线约束、唯一性和顺序性约束得到的初始视差图,首先利用左右一致性约束去除部分虚假视差,并暂时用0 代替该点的视差值;
2). 对得到的含0 视差值的视差矩阵进行概率分布统计,将其从0 到其最大值的范围内分为20 等份,统计每一小段范围内的视差值的个数;
3). 用该个数除以总的视差值的个数,得到每一段范围内的视差值的概率,为了直观的反应视差的分布,将其用视差概率分布直方图的形式表示出来;
4). 将概率分布直方图中视差不连续的区间内的视差去掉,并暂时用0 代替对应点的视差值;
5). 消去不连续视差的具体方法是,在程序中输入介于不连续视差区间概率值的最大值与连续视差区间内概率值的最小值的概率阈值,然后程序自动去掉小于该阈值的视差值。
2.根据权利要求1所述的一种鞋模表面破损的检测方法,其特征在于:所述均值滤波用于去除图像随机噪声,通过遍历搜索图像中的随机噪声,当搜索像素灰度值与参考像素灰度值之差大于设定阈值时,认为当前像素点为噪声,并用其领域16个像素灰度值均值代替。
3.根据权利要求1所述的一种鞋模表面破损的检测方法,其特征在于:所述高斯滤波的具体操作是:用一个模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值;具体为:移动相关核的中心元素,使它位于输入图像待处理像素的正上方,将输入图像的像素值作为权重,乘以相关核,将上面各步得到的结果相加做为输出。
4.根据权利要求1所述的一种鞋模表面破损的检测方法,其特征在于:所述直方图均衡化具体为:
1)计算图像f(x,y)的各级灰度级中像素出现的概率p(i);
2)计算p的累计概率函数c(i),c即为图像的累计归一化直方图;
3)将c(i)缩放至0~255范围内。
5.根据权利要求1所述的一种鞋模表面破损的检测方法,其特征在于:所述拉普拉斯锐化具体方法为遍历图像中的像素点,根据领域像素确定其锐化后的值,计算公式:
sharpened_pixel = 5 * current – left – right – up – down 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711082970.0A CN107677682B (zh) | 2017-11-07 | 2017-11-07 | 一种鞋模表面破损检测装置及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711082970.0A CN107677682B (zh) | 2017-11-07 | 2017-11-07 | 一种鞋模表面破损检测装置及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107677682A CN107677682A (zh) | 2018-02-09 |
CN107677682B true CN107677682B (zh) | 2024-03-08 |
Family
ID=61145837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711082970.0A Active CN107677682B (zh) | 2017-11-07 | 2017-11-07 | 一种鞋模表面破损检测装置及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107677682B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09210785A (ja) * | 1996-02-02 | 1997-08-15 | Tokai Carbon Co Ltd | 木材欠陥部の検出方法 |
KR20020095752A (ko) * | 2001-06-15 | 2002-12-28 | 한국전자통신연구원 | 스테레오 영상 시차 지도 융합 방법 및 그를 이용한 3차원영상 표시 방법 |
JP2004170374A (ja) * | 2002-11-22 | 2004-06-17 | Toyota Motor Corp | 表面欠陥検出装置、及び表面欠陥検出方法 |
CN101887589A (zh) * | 2010-06-13 | 2010-11-17 | 东南大学 | 一种基于立体视觉的实拍低纹理图像重建方法 |
CN102572485A (zh) * | 2012-02-02 | 2012-07-11 | 北京大学 | 一种自适应加权立体匹配算法、立体显示采集装置及系统 |
CN102866160A (zh) * | 2012-08-29 | 2013-01-09 | 上海造币有限公司 | 硬币模具表面质量检测的系统及方法 |
CN103136750A (zh) * | 2013-01-30 | 2013-06-05 | 广西工学院 | 双目视觉系统的立体匹配优化方法 |
CN103177451A (zh) * | 2013-04-17 | 2013-06-26 | 南京理工大学 | 基于图像边缘的自适应窗口和权重的立体匹配算法 |
CN103776841A (zh) * | 2014-01-20 | 2014-05-07 | 浙江闽锋化学有限公司 | 合成革缺陷自动检测装置及检测方法 |
CN104034733A (zh) * | 2014-07-02 | 2014-09-10 | 中国人民解放军国防科学技术大学 | 基于双目视觉监测与表面裂纹图像识别的寿命预测方法 |
KR101507992B1 (ko) * | 2014-02-28 | 2015-04-07 | 전남대학교산학협력단 | 시차맵 생성 방법 및 장치 |
CN105225482A (zh) * | 2015-09-02 | 2016-01-06 | 上海大学 | 基于双目立体视觉的车辆检测系统和方法 |
CN105973912A (zh) * | 2016-06-12 | 2016-09-28 | 合肥汉重智能装备有限公司 | 基于机器视觉的真皮表面缺陷检测系统及其检测方法 |
CN106903075A (zh) * | 2017-04-26 | 2017-06-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种鞋面logo多方位视觉检测方法及系统 |
CN207636505U (zh) * | 2017-11-07 | 2018-07-20 | 泉州创力模具有限公司 | 一种鞋模表面破损检测装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2418314A (en) * | 2004-09-16 | 2006-03-22 | Sharp Kk | A system for combining multiple disparity maps |
-
2017
- 2017-11-07 CN CN201711082970.0A patent/CN107677682B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09210785A (ja) * | 1996-02-02 | 1997-08-15 | Tokai Carbon Co Ltd | 木材欠陥部の検出方法 |
KR20020095752A (ko) * | 2001-06-15 | 2002-12-28 | 한국전자통신연구원 | 스테레오 영상 시차 지도 융합 방법 및 그를 이용한 3차원영상 표시 방법 |
JP2004170374A (ja) * | 2002-11-22 | 2004-06-17 | Toyota Motor Corp | 表面欠陥検出装置、及び表面欠陥検出方法 |
CN101887589A (zh) * | 2010-06-13 | 2010-11-17 | 东南大学 | 一种基于立体视觉的实拍低纹理图像重建方法 |
CN102572485A (zh) * | 2012-02-02 | 2012-07-11 | 北京大学 | 一种自适应加权立体匹配算法、立体显示采集装置及系统 |
CN102866160A (zh) * | 2012-08-29 | 2013-01-09 | 上海造币有限公司 | 硬币模具表面质量检测的系统及方法 |
CN103136750A (zh) * | 2013-01-30 | 2013-06-05 | 广西工学院 | 双目视觉系统的立体匹配优化方法 |
CN103177451A (zh) * | 2013-04-17 | 2013-06-26 | 南京理工大学 | 基于图像边缘的自适应窗口和权重的立体匹配算法 |
CN103776841A (zh) * | 2014-01-20 | 2014-05-07 | 浙江闽锋化学有限公司 | 合成革缺陷自动检测装置及检测方法 |
KR101507992B1 (ko) * | 2014-02-28 | 2015-04-07 | 전남대학교산학협력단 | 시차맵 생성 방법 및 장치 |
CN104034733A (zh) * | 2014-07-02 | 2014-09-10 | 中国人民解放军国防科学技术大学 | 基于双目视觉监测与表面裂纹图像识别的寿命预测方法 |
CN105225482A (zh) * | 2015-09-02 | 2016-01-06 | 上海大学 | 基于双目立体视觉的车辆检测系统和方法 |
CN105973912A (zh) * | 2016-06-12 | 2016-09-28 | 合肥汉重智能装备有限公司 | 基于机器视觉的真皮表面缺陷检测系统及其检测方法 |
CN106903075A (zh) * | 2017-04-26 | 2017-06-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种鞋面logo多方位视觉检测方法及系统 |
CN207636505U (zh) * | 2017-11-07 | 2018-07-20 | 泉州创力模具有限公司 | 一种鞋模表面破损检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107677682A (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN111951253B (zh) | 用于锂电池表面缺陷检测的方法、设备及可读存储介质 | |
CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
CN108257165B (zh) | 图像立体匹配方法、双目视觉设备 | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN111768450A (zh) | 基于散斑图的结构光相机行偏差的自动检测方法和装置 | |
CN111476804B (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN108107611B (zh) | 一种自适应缺陷检测方法、装置及电子设备 | |
CN109030502A (zh) | 一种基于机器视觉的焊点缺陷检测系统 | |
CN109191516B (zh) | 结构光模组的旋转纠正方法、装置及可读存储介质 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN109087295A (zh) | 基于灰度值投影法的桥梁露筋视觉检测方法 | |
CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
CN109387524A (zh) | 基于线性偏振光的螺纹缺陷检测方法及装置 | |
CN111242888A (zh) | 一种基于机器视觉的图像处理方法及系统 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN114332079A (zh) | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 | |
CN114923912A (zh) | 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
CN107677682B (zh) | 一种鞋模表面破损检测装置及检测方法 | |
CN105631868A (zh) | 一种基于图像分类的深度信息提取方法 | |
CN112991327A (zh) | 基于机器视觉的钢格网焊接系统、方法和终端设备 | |
CN112950594A (zh) | 产品表面缺陷的检测方法、设备及存储介质 |
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 |