CN107941808B - 基于机器视觉的3d打印成型质量检测系统及方法 - Google Patents
基于机器视觉的3d打印成型质量检测系统及方法 Download PDFInfo
- Publication number
- CN107941808B CN107941808B CN201711113889.4A CN201711113889A CN107941808B CN 107941808 B CN107941808 B CN 107941808B CN 201711113889 A CN201711113889 A CN 201711113889A CN 107941808 B CN107941808 B CN 107941808B
- Authority
- CN
- China
- Prior art keywords
- image
- array
- finished product
- printing
- gray
- 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 53
- 238000010146 3D printing Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims description 11
- 230000007547 defect Effects 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000010191 image analysis Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 19
- 230000005477 standard model Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 8
- 238000005096 rolling process Methods 0.000 abstract description 8
- 238000012797 qualification Methods 0.000 abstract description 2
- 238000007639 printing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000012255 powdered metal Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 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
Abstract
本发明公开了一种基于机器视觉的3D打印成型质量检测系统及方法。工件放置平台上装有旋转平台,旋转平台上放3D打印产品,图像采集装置通过通信设备连接上位机,工件放置平台下方设有背光源;旋转平台包括上下平行布置的上板和下板,中心轴底端固定连接在下板的中心,中心轴外套设有平面轴承,平面轴承夹设在上板和下板之间,在上板和下板的边缘之间沿圆周间隔均布安装有若干滚动部件;方法包括用面阵相机采集3D打印成品的表面图像,经图像采集卡输入至上位机进行图像预处理;经图像进行分析,通过图像分析进行轮廓缺陷检测或者表面缺陷检测。本发明能够实现对3D打印产品质量的快速检测,检测精度高,提高了工件的合格率。
Description
技术领域
本发明涉及信息图像处理领域,尤其是一种3D打印成型质量检测系统及检测方法。
背景技术
3D打印即快速成型技术的一种,它是一种以数字模型文件为基础,运用粉末状金属或塑料等可粘合材料,通过逐层打印的方式来构造物体的技术。该技术在珠宝、鞋类、工业设计、建筑、工程和施工(AEC)、航空航天、牙科和医疗产业、教育、地理信息系统、土木工程以及其他领域都有所应用。3D打印机打印出的产品需要进行质量检测,目前市面上缺少能够有效地对3D打印产品进行质量检测的装置和方法,由于3D打印产品具有很强的个性化特征,以前用于流水线产品检测方案不适用于个性化的3D打印产品检测,现有技术中的质量检测装置结构复杂、操作繁琐,检测效率低、精度低。
发明内容
本发明的目的在于提供一种基于机器视觉的3D打印成型质量检测系统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一、一种基于机器视觉的3D打印成型质量检测系统:
系统包括工件放置平台、图像采集装置和上位机,工件放置平台上安装有旋转平台,旋转平台上放置3D打印产品,图像采集装置置于3D打印产品的正上方,图像采集装置通过通信设备连接上位机,工件放置平台下方设有背光源。
所述图像采集装置包括相机固定台、工业相机和图像采集卡,工业相机和图像采集卡均安装在相机固定台上,工业相机固定安装在相机固定台底面并朝向旋转平台上的3D打印产品,工业相机经图像采集卡连接到通信设备;
所述图像采集卡上设有信号输入接口、信号处理模块、CPU和信号输出接口,信号输入接口一端连接工业相机,信号输入接口另一端依次经信号处理模块、CPU连接信号输出接口,信号处理模块上设有图像解码芯片;
所述旋转平台包括上下平行布置的上板和下板,上板的中心和下板的中心同轴对齐且通过中心轴连接,中心轴底端固定连接在下板的中心,中心轴顶端与上板中心沉孔之间通过深沟轴承铰接,中心轴外套设有平面轴承,平面轴承夹设在所述上板和下板之间以轴向辅助支撑上板和下板,在上板和下板的边缘之间沿圆周间隔均布安装有若干滚动部件,每个滚动部件接触到上板底面,滚动部件底部通过固定件固定在下板上。
所述背光源包括有两条条形光源,两条形光源平行放置,两者之间距离为10-15cm,距离工件放置平台5-8cm;两条条形光源均电连接标准线性光源模拟电流控制器,通过标准线性光源模拟电流控制器调节条形光源的亮度。
二、一种基于机器视觉的3D打印成型质量检测方法,其特征在于方法的步骤是:
步骤1)用面阵相机采集3D打印成品的表面图像,经图像采集卡输入至上位机,使用图像处理模块进行图像预处理;
步骤2)经预处理后的图像进入分析及数据库匹配模块进行分析,通过图像分析进行轮廓缺陷检测或者表面缺陷检测;
表面缺陷检测是判断3D打印成品表面是否存在表面缺陷包括竖纹缺陷和横纹缺陷。轮廓缺陷检测是将成品轮廓与数据库中打印件的设定轮廓进行匹配,得到两者的匹配程度。
步骤3)多次转动旋转平台,采集3D打印成品多方位的图像,重复步骤2),对3D打印成品所有表面进行检测。
具体实施若存在表面缺陷或轮廓缺陷之一,则通过显示器显示“成品不合格”,上位机发出报警信号;若无缺陷,则显示“成品合格”。
所述步骤1)中的预处理,具体包括以下步骤:
步骤1.1):图像灰度化,把RGB三通道数据的彩色图像变为单通道数据的灰度图像,根据加权平均值法得到灰度图像;
步骤1.2):图像增强,对原图像变换数据突出图像中轮廓特征,去除图像中不需要的纹理特征;
步骤1.3):图像滤波,用序贯滤波对图像进行处理,然后进行融合处理,具体公式如下:
t(x,y)=max(ga(x,y),gb(x,y),gc(x,y),gd(x,y))
其中,t(x,y)为融合后的图像在坐标点(x,y)处的灰度值,ga(x,y)、gb(x,y)、gc(x,y)、gd(x,y)分别为水平、45度、垂直、135度方向的序贯滤波结果图在坐标点(x,y)处的灰度值(k=0.5,k的值控制着滤波的程度,k取得过小,则去噪不完全,取得过大又会导致图像模糊,k值在实验中反复比较确定);
本发明采用了序贯滤波方法,能融合各个方向的图像信息,对采集到的成品表面图像进行处理时,在抑制噪声的同时能保持缺陷的边缘信息。
步骤1.4):图像二值化,把256个亮度等级的灰度图像通过阈值选取而获得反映图像整体和局部特征的二值化图像,使用基于直方图的自适应阈值分割来获得二值图像。
所述步骤2)中的轮廓缺陷检测,具体包括以下几个步骤:
步骤2.1)对待测3D打印成品的图像和3D标准模型的模型图像进行预处理,从背景中分割出目标区域,将灰度图像转换为二值图像;
步骤2.2)提取目标的轮廓边缘,计算轮廓边缘的中心矩mst;
步骤2.3)对两幅图像的中心矩归一化处理得到s+t阶归一化中心矩ust,然后计算出三个Hu不变矩N1~N3,构成成品图像和标准模型图像中轮廓的特征向量,对于大小为A×B的数字图像,计算公式为:
ust=mst/(m00 q),q=(s+t)/2+1,s+t=2,3,4…
N1=u20+u02,N2=(u20-u02)2+4*u11 2,N3=(u30-3*u12)2+(u03-3*u21)2
其中,A表示图像的横向尺寸长度,B表示图像的纵向尺寸长度,mst为s+t阶中心距,ust为s+t阶归一化中心矩,s和t分别为第一、第二中心矩计数,s和t均为非负整数,q为非负常数,u02、u20、u11分别为第一、第二、第三二阶中心矩,u03、u30、u12、u21分别为第一、第二、第三、第四三阶中心矩;f(x,y)表示图像在像素点(x,y)处的灰度值,(x,y)为图像像素点的坐标,为图像的质心坐标,N1,N2,N3为第一、第二、第三Hu不变矩;
步骤2.4)计算成品图像和标准模型图像之间三个Hu不变矩N1-N3各自之间的欧式距离M,共计三个欧式距离M,即为成品图像和标准模型图像的Hu不变矩N1之间的欧式距离、成品图像和标准模型图像的Hu不变矩N2之间的欧式距离、成品图像和标准模型图像的Hu不变矩N3之间的欧式距离,再做以下判断:若三个欧式距离M均小于距离阈值F,具体实施中距离阈值设为F=1.1,则认为无轮廓缺陷,否则有轮廓缺陷。
所述步骤2)中表面缺陷检测,包括以下几个步骤:
步骤2.1):对滤波后的成品图像沿图像的纵向方向投影得到一个一维的第一数组A,第一数组A的大小等于图像的宽度;
步骤2.2):对数组A进行轻度滤波,得到一维的第二数组B1,第二数组B1的大小等于图像的宽度,目的是去除一些毛刺,避免出现误判;
步骤2.3):对数组A进行重度滤波,得到一维的第三数组B2,第二数组B2的大小等于图像的宽度,以第三数组B2的每一个值表示该值在第一数组A中对应相同位置的数值为中心的一个邻域内的均值;
所述的步骤2.2和步骤2.3里的轻度滤波和重度滤波,采用一维均值滤波,本检测系统轻度滤波中的滤波模板核T的大小设为9,重度滤波中的滤波模板核T的大小设为21。
步骤2.4):对第二数组B1与第三数组B2作差处理,得到一维的第四数组C,第四数组C的大小等于图像的宽度,第四数组C中的数值有正有负,正值表示第四数组C的数值在第一数组A中对应相同位置的数值比第一数组A中邻域内的数值均值高,从原图像上来看表示第四数组C的数值反投影对应到图像的图像列像素点的灰度均值比图像列邻域的灰度均值高;
步骤2.5):第四数组C沿垂直于投影方向绘制出一条曲线D,计算曲线D中相邻的两个峰谷之差的绝对值,得到新的第五数组E;
步骤2.6):将第五数组E中的每个数值与表面缺陷阈值K进行比较,本检测系统K值设为0.1,如果数值超过表面缺陷阈值K则表示数值对应于图像中的图像列有竖纹缺陷,成品不合格;否则无竖纹缺陷,进入下一步骤;
步骤2.7):将滤波后的成品图像沿顺时针方向旋转90度,重复步骤2.1)-2.6),进行成品的横纹缺陷检测,若判断出无横纹缺陷,则无表面缺陷,成品合格;否则成品不合格。
与现有技术相比,本发明的有益效果是:
本发明操作方法简单,能够实现对3D打印产品质量的快速检测,检测精度高,提高了工件的合格率;其中,图像采集装置中的图像采集卡兼容性、可靠性高,处理的图像质量好,采用的工业相机能够进行缺陷检测,包括裂纹、擦伤等缺陷,采集效率高。
本发明检测产品种类多,能够实现不同尺寸规格的产品检测,无需更换检测平台;自动化程度高,整个检测自动完成,人工参与度低,稳定可靠,能够有效地节省人力成本。
本发明采用的旋转平台能够实现360°旋转,其旋转灵活,便于采集打印成品多个角度的图像,实现对成品的质量检测,提高了检测效率。
附图说明
图1为本发明整体结构示意图;
图2为本发明图像采集卡原理图;
图3为本发明的旋转平台结构示意图;
图4为本发明的工作流程示意图。
图中:工件放置平台1、上位机2、3D打印产品3、通信设备4、背光源5、相机固定台6、工业相机7、图像采集卡8、信号输入接口9、信号处理模块10、CPU11、信号输出接口12、条形光源13、标准线性光源模拟电流控制器14、图像处理模块15、显示器16、分析及数据库匹配模块17和存储器18、上板19、下板20、中心轴21、深沟轴承22、平面轴承23、滚动部件24、固定件25、旋转平台26。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明具体实施包括工件放置平台1、图像采集装置和上位机2,工件放置平台1上安装有旋转平台26,旋转平台26上放置3D打印产品3,图像采集装置置于3D打印产品3的正上方,图像采集装置通过通信设备4连接上位机2,工件放置平台1下方设有背光源5。
如图1所示,图像采集装置包括相机固定台6、工业相机7和图像采集卡8,工业相机7和图像采集卡8均安装在相机固定台6上,工业相机7固定安装在相机固定台6底面并朝向旋转平台26上的3D打印产品3,工业相机7经图像采集卡8连接到通信设备4。如图2所示,图像采集卡8上设有信号输入接口9、信号处理模块10、CPU11和信号输出接口12,信号输入接口9一端连接工业相机7,信号输入接口9另一端依次经信号处理模块10、CPU11连接信号输出接口12,信号处理模块10上设有图像解码芯片。
如图3所示,旋转平台26包括上下平行布置的上板19和下板20,上板19的中心和下板20的中心同轴对齐且通过中心轴21连接,中心轴21底端固定连接在下板20的中心,中心轴21顶端与上板19中心沉孔之间通过深沟轴承22铰接,中心轴21外套设有平面轴承23,平面轴承23夹设在上板19和下板20之间以轴向辅助支撑上板19和下板20,在上板19和下板20的边缘之间沿圆周间隔均布安装有若干滚动部件24,每个滚动部件24接触到上板19底面,滚动部件24底部通过固定件25固定在下板20上。
针对图像噪声干扰大以及光照不均问题,本发明具体实施选取背光源5,背光源5包括有两条条形光源13,条形光源安装高度和角度可调,两条形光源平行放置,两者之间距离为10-15cm,距离工件放置平台15-8cm;两条条形光源13均电连接标准线性光源模拟电流控制器14,通过标准线性光源模拟电流控制器14调节条形光源13的亮度。
工业相机7采用具有全局曝光模式的高分辨率面阵工业相机,通信设备4采用光纤传输装置。上位机2内设有图像处理模块15、显示器16、分析及数据库匹配模块17和存储器18。
本发明采用的旋转平台能够实现360°旋转,其旋转灵活,便于图像采集卡采集产品多个角度的图像,提高了采集效率。
本发明中,背光源5包括有两条条形光源13,所述条形光源13电连接标准线性光源模拟电流控制器14;条形光源包括多排高亮度LED灯、漫反射板以及标准线光源模拟电流控制器,通过标准线光源模拟电流控制器可以调节条形光源的亮度,条形光源安装高度和角度可调,实现检测范围内光源无影均匀分布。
如图4所示,本发明的实施过程如下:
A、将待检测工件放置在工件放置台1,随后启动背光源5、工业相机7和上位机2;
B、工业相机7对打印成型件表面进行拍摄,图像采集卡8采集图像,之后多次转动旋转平台26,采集打印成型件多个角度的图像,之后多幅图像均传输至CPU11进行处理;
C、CPU11将处理后的图像通过通信设备4发送至后台上位机2;
D、图像处理模块15对图像进行预处理,然后在分析及数据库匹配模块17中进行轮廓缺陷和表面缺陷检测。轮廓缺陷检测中使用了Hu不变矩检测法,通过计算和处理两幅图像的三个Hu不变矩;表面缺陷检测使用垂直投影法,通过垂直投影并处理得到的曲线峰谷之差,判断有无表面缺陷。若存在表面缺陷或轮廓缺陷之一,则通过显示器显示“成品不合格”,上位机发出报警信号;若无缺陷,则显示“成品合格”。
本发明操作方法简单,能够实现对3D打印成型质量的快速检测,本系统的检测速度为5s/成品,根据成品尺寸大小检测速度略有差异;检测精度高,本系统识别准确率可达到90%,其中,图像采集装置中的图像采集卡兼容性、可靠性高,处理的图像质量好,采用的工业相机能够进行缺陷检测,包括轮廓缺陷和表面缺陷;本发明设计的旋转平台,能够完成打印成品各方位的成型质量检测,满足不同尺寸规格的打印成品质量检测需求,无需更换检测平台;自动化程度高,整个检测自动完成,人工参与度低,稳定可靠,能够有效地节省人力成本。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于机器视觉的3D打印成型质量检测方法,其特征在于,方法的步骤是:
步骤1)用面阵相机(7)采集3D打印成品的表面图像,经图像采集卡(8)输入至上位机(2)进行图像预处理;
步骤2)经预处理后的图像进行分析,通过图像分析进行轮廓缺陷检测或者表面缺陷检测;
所述步骤2)中的轮廓缺陷检测,具体包括以下几个步骤:
步骤2.1)对待测3D打印成品的图像和3D标准模型的模型图像进行预处理,从背景中分割出目标区域,将灰度图像转换为二值图像;
步骤2.2)提取目标的轮廓边缘,计算轮廓边缘的中心矩mst;
步骤2.3)对两幅图像的中心矩归一化处理得到s+t阶归一化中心矩ust,然后计算出三个Hu不变矩N1~N3,构成成品图像和标准模型图像中轮廓的特征向量,对于大小为A×B的数字图像,计算公式为:
ust=mst/(m00 q),q=(s+t)/2+1,s+t=2,3,4…
N1=u20+u02,N2=(u20-u02)2+4*u11 2,N3=(u30-3*u12)2+(u03-3*u21)2
其中,A表示图像的横向尺寸长度,B表示图像的纵向尺寸长度,mst为s+t阶中心距,ust为s+t阶归一化中心矩,s和t分别为第一、第二中心矩计数,s和t均为非负整数,q为非负常数,u02、u20、u11分别为第一、第二、第三二阶中心矩,u03、u30、u12、u21分别为第一、第二、第三、第四三阶中心矩;f(x,y)表示图像在像素点(x,y)处的灰度值,(x,y)为图像像素点的坐标,为图像的质心坐标,N1,N2,N3为第一、第二、第三Hu不变矩;
步骤2.4)计算成品图像和标准模型图像之间三个Hu不变矩N1-N3各自之间的欧式距离M,共计三个欧式距离M,再做以下判断:若三个欧式距离M均小于距离阈值F,则认为无轮廓缺陷,否则有轮廓缺陷;
步骤3)多次转动旋转平台(26),采集3D打印成品多方位的图像,重复步骤2),对3D打印成品所有表面进行检测;
所述步骤2)中表面缺陷检测,包括以下几个步骤:
步骤2.1):对滤波后的成品图像沿图像的纵向方向投影得到一个一维的第一数组A,第一数组A的大小等于图像的宽度;
步骤2.2):对数组A进行轻度滤波,得到一维的第二数组B1,第二数组B1的大小等于图像的宽度;
步骤2.3):对数组A进行重度滤波,得到一维的第三数组B2,第三数组B2的大小等于图像的宽度,以第三数组B2的每一个值表示该值在第一数组A中对应相同位置的数值为中心的一个邻域内的均值;
步骤2.4):对第二数组B1与第三数组B2作差处理,得到一维的第四数组C,第四数组C的大小等于图像的宽度;
步骤2.5):第四数组C沿垂直于投影方向绘制出一条曲线D,计算曲线D中相邻的两个峰谷之差的绝对值,得到新的第五数组E;
步骤2.6):将第五数组E中的每个数值与表面缺陷阈值K进行比较,如果数值超过表面缺陷阈值K则表示数值对应于图像中的图像列有竖纹缺陷,成品不合格;否则无竖纹缺陷,进入下一步骤;
步骤2.7):将滤波后的成品图像沿顺时针方向旋转90度,重复步骤2.1)-2.6),进行成品的横纹缺陷检测,若判断出无横纹缺陷,则无表面缺陷,成品合格;否则成品不合格。
2.根据权利要求1所述的一种基于机器视觉的3D打印成型质量检测方法,其特征在于:所述步骤1)中的预处理,具体包括以下步骤:
步骤1.1):图像灰度化,把RGB三通道数据的彩色图像变为单通道数据的灰度图像,根据加权平均值法得到灰度图像;
步骤1.2):图像增强,对原图像变换数据突出图像中轮廓特征,去除图像中不需要的纹理特征;
步骤1.3):图像滤波,用序贯滤波对图像进行处理,然后进行融合处理,具体公式如下:
t(x,y)=max(ga(x,y),gb(x,y),gc(x,y),gd(x,y))
其中,t(x,y)为融合后的图像在坐标点(x,y)处的灰度值,ga(x,y)、gb(x,y)、gc(x,y)、gd(x,y)分别为水平、45度、垂直、135度方向的序贯滤波结果图在坐标点(x,y)处的灰度值;
步骤1.4):图像二值化,把256个亮度等级的灰度图像通过阈值选取而获得反映图像整体和局部特征的二值化图像,使用基于直方图的自适应阈值分割来获得二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711113889.4A CN107941808B (zh) | 2017-11-10 | 2017-11-10 | 基于机器视觉的3d打印成型质量检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711113889.4A CN107941808B (zh) | 2017-11-10 | 2017-11-10 | 基于机器视觉的3d打印成型质量检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107941808A CN107941808A (zh) | 2018-04-20 |
CN107941808B true CN107941808B (zh) | 2024-04-12 |
Family
ID=61933890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711113889.4A Active CN107941808B (zh) | 2017-11-10 | 2017-11-10 | 基于机器视觉的3d打印成型质量检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107941808B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760747B (zh) * | 2018-04-28 | 2019-12-10 | 浙江大学 | 一种3d打印模型表面缺陷视觉检测方法 |
CN108724733B (zh) * | 2018-05-15 | 2020-04-28 | 北京工业大学 | 一种面向面曝光3d打印的视觉监视反馈方法 |
CN110533056A (zh) * | 2018-05-24 | 2019-12-03 | 广东技术师范学院 | 一种基于计算机视觉的车内安全检测方法 |
CN110532832A (zh) * | 2018-05-24 | 2019-12-03 | 广东技术师范学院 | 一种基于计算机视觉的条码高精度识别方法 |
CN108956618B (zh) * | 2018-06-25 | 2020-08-11 | 衢州学院 | 一种基于频域视觉的圆锥滚子轴承表面检测方法 |
CN108985224A (zh) * | 2018-07-13 | 2018-12-11 | 江苏慧学堂系统工程有限公司 | 一种提升人脸识别准确率的方法和人脸识别系统 |
CN109671057A (zh) * | 2018-11-28 | 2019-04-23 | 郑州大学第附属医院 | 一种3d打印骨科模型的检测系统及检测方法 |
CN109580633A (zh) * | 2018-11-30 | 2019-04-05 | 佛山职业技术学院 | 一种木板自动贴面生产设备及木板自动贴面的方法 |
CN111272775A (zh) * | 2020-02-24 | 2020-06-12 | 上海感图网络科技有限公司 | 一种使用人工智能检测换热器缺陷的装置及方法 |
CN112884768B (zh) * | 2021-03-30 | 2022-09-23 | 中国科学院自动化研究所 | 基于神经网络的3d打印在线质量监测方法、系统、装置 |
CN113192033B (zh) * | 2021-04-30 | 2024-03-19 | 深圳市创想三维科技股份有限公司 | 一种3d打印中的拉丝判别方法、装置、设备及存储介质 |
CN116664846B (zh) * | 2023-07-31 | 2023-10-13 | 华东交通大学 | 基于语义分割实现3d打印桥面施工质量监测方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216880A (zh) * | 2007-12-28 | 2008-07-09 | 中国人民解放军海军航空工程学院 | 一种火工品缺陷识别方法 |
CN102221556A (zh) * | 2011-03-15 | 2011-10-19 | 中国计量学院 | 基于机器视觉的小型连接件外观缺陷在线检测装置与方法 |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN103499585A (zh) * | 2013-10-22 | 2014-01-08 | 常州工学院 | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 |
CN103729631A (zh) * | 2014-01-15 | 2014-04-16 | 中国人民解放军国防科学技术大学 | 一种基于视觉的连接器表面特征自动识别方法 |
CN103822584A (zh) * | 2014-03-13 | 2014-05-28 | 中国计量学院 | 十字型钥匙齿形尺寸的检测装置 |
CN104101600A (zh) * | 2013-04-15 | 2014-10-15 | 宝山钢铁股份有限公司 | 连铸坯断面微小裂纹检测方法及装置 |
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN104992449A (zh) * | 2015-08-06 | 2015-10-21 | 西安冉科信息技术有限公司 | 基于机器视觉的信息识别及表面缺陷在线检测方法 |
CN105181704A (zh) * | 2015-08-26 | 2015-12-23 | 浙江江山三友电子有限公司 | 灯丝涂粉质量实时检测方法 |
CN106018422A (zh) * | 2016-07-13 | 2016-10-12 | 河北工业大学 | 基于匹配的异形冲压件轮廓缺陷视觉检测系统及方法 |
CN106338521A (zh) * | 2016-09-22 | 2017-01-18 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
CN106485696A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 |
CN106780526A (zh) * | 2016-11-21 | 2017-05-31 | 浙江工业大学 | 一种铁氧体圆片表面裂痕识别方法 |
CN206505030U (zh) * | 2017-02-03 | 2017-09-19 | 湖南宝元汽车部件有限公司 | 一种汽车冲压自动线检测装置 |
CN107328781A (zh) * | 2017-05-23 | 2017-11-07 | 镇江苏仪德科技有限公司 | 一种基于机器视觉的柱状产品表面缺陷检测方法及装置 |
CN207489094U (zh) * | 2017-11-10 | 2018-06-12 | 中国计量大学 | 一种基于机器视觉的3d打印成型质量检测装置 |
-
2017
- 2017-11-10 CN CN201711113889.4A patent/CN107941808B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216880A (zh) * | 2007-12-28 | 2008-07-09 | 中国人民解放军海军航空工程学院 | 一种火工品缺陷识别方法 |
CN102221556A (zh) * | 2011-03-15 | 2011-10-19 | 中国计量学院 | 基于机器视觉的小型连接件外观缺陷在线检测装置与方法 |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN104101600A (zh) * | 2013-04-15 | 2014-10-15 | 宝山钢铁股份有限公司 | 连铸坯断面微小裂纹检测方法及装置 |
CN103499585A (zh) * | 2013-10-22 | 2014-01-08 | 常州工学院 | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 |
CN103729631A (zh) * | 2014-01-15 | 2014-04-16 | 中国人民解放军国防科学技术大学 | 一种基于视觉的连接器表面特征自动识别方法 |
CN103822584A (zh) * | 2014-03-13 | 2014-05-28 | 中国计量学院 | 十字型钥匙齿形尺寸的检测装置 |
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN104992449A (zh) * | 2015-08-06 | 2015-10-21 | 西安冉科信息技术有限公司 | 基于机器视觉的信息识别及表面缺陷在线检测方法 |
CN105181704A (zh) * | 2015-08-26 | 2015-12-23 | 浙江江山三友电子有限公司 | 灯丝涂粉质量实时检测方法 |
CN106018422A (zh) * | 2016-07-13 | 2016-10-12 | 河北工业大学 | 基于匹配的异形冲压件轮廓缺陷视觉检测系统及方法 |
CN106338521A (zh) * | 2016-09-22 | 2017-01-18 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
CN106485696A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 |
CN106780526A (zh) * | 2016-11-21 | 2017-05-31 | 浙江工业大学 | 一种铁氧体圆片表面裂痕识别方法 |
CN206505030U (zh) * | 2017-02-03 | 2017-09-19 | 湖南宝元汽车部件有限公司 | 一种汽车冲压自动线检测装置 |
CN107328781A (zh) * | 2017-05-23 | 2017-11-07 | 镇江苏仪德科技有限公司 | 一种基于机器视觉的柱状产品表面缺陷检测方法及装置 |
CN207489094U (zh) * | 2017-11-10 | 2018-06-12 | 中国计量大学 | 一种基于机器视觉的3d打印成型质量检测装置 |
Non-Patent Citations (1)
Title |
---|
文少波 等.新能源汽车及其智能化技术.东南大学出版社,2017,第146-150页. * |
Also Published As
Publication number | Publication date |
---|---|
CN107941808A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN108364311B (zh) | 一种金属部件自动定位方法及终端设备 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN110517265B (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN110174065B (zh) | 基于正交双目机器视觉的水果大小无损检测方法 | |
CN110260818B (zh) | 一种基于双目视觉的电子连接器鲁棒检测方法 | |
CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 | |
CN115937203A (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
CN112767497A (zh) | 基于圆形标定板的高鲁棒性标定装置及定位方法 | |
CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
Wankhede et al. | A low cost surface strain measurement system using image processing for sheet metal forming applications | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN104655041A (zh) | 一种附加约束条件的工业零件轮廓线多特征提取方法 | |
CN114998571B (zh) | 基于固定尺寸标志物的图像处理及颜色检测方法 | |
CN115861220A (zh) | 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统 | |
CN113607058B (zh) | 一种基于机器视觉的直刃刀尺寸检测方法及系统 | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
CN108230285A (zh) | 基于机器视觉的挡圈质量检测方法 | |
CN109214398B (zh) | 一种从连续图像中量测杆体位置的方法和系统 | |
CN117085969B (zh) | 人工智能工业视觉检测方法、装置、设备及存储介质 | |
CN105389775A (zh) | 融合图像灰度特征与结构化表示的图像群组配准方法 |
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 |