CN107945155A - 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 - Google Patents
一种基于Gabor滤波器的牙膏管肩缺陷检测方法 Download PDFInfo
- Publication number
- CN107945155A CN107945155A CN201711113050.0A CN201711113050A CN107945155A CN 107945155 A CN107945155 A CN 107945155A CN 201711113050 A CN201711113050 A CN 201711113050A CN 107945155 A CN107945155 A CN 107945155A
- Authority
- CN
- China
- Prior art keywords
- dentifrice tube
- tube shoulder
- image
- gabor
- region
- 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.)
- Granted
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
- G06T7/0006—Industrial image inspection using a design-rule based 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于Gabor滤波器的牙膏管肩缺陷检测方法,包括有以下步骤:对视觉测量系统的相机进行像素尺寸标定得到标定数据;通过相机获取牙膏管肩的正面图像;对上述图像进行感兴趣区域提取,分割出待检测区域;对待检测区域进行Gabor滤波得到结果图;根据结果图中的面积/周长特征值判断是否存在缺陷。本发明通过对牙膏管肩的正面图像进行预先处理,避免了工件其他部位的干扰,减少后续算法操作的计算量;采用Gabor滤波器,对图像的边缘敏感,能够提供很好的方向和尺度选择,参数易于调整,具有很好地光照适应性,检测识别速度和准确率高。本发明作为一种基于Gabor滤波器的牙膏管肩缺陷检测方法可广泛应用于产品质量检测领域。
Description
技术领域
本发明涉及产品质量检测领域,尤其是一种基于Gabor滤波器的牙膏管肩缺陷检测方法。
背景技术
产品的质量安全一直都是工业生产中关键性的环节,直接关系到产品在市场上的销售份额,具有高质量的产品才能在市场竞争中获取一席之地。随着制造业的不断发展,为了保证产品的竞争力,生产产品的质量和检测速度提高的需求正不断增大。然而,现如今的大部分产品的质量检测仍然是以人工的方法去实现的。人工检测耗时耗力,同时需要公司进行大量的人力财力的投入才能保证产品的质量。人工检测需要工人不断重复相似性的工作,极其容易导致工人疲劳,导致检测结果主观性较强,误检率和漏检率均很难保证,使得产品质量得不到保证。
随着计算机技术的不断发展和应用领域的不断扩展,机器视觉技术进入飞速发展期,全自动缺陷检测技术逐渐成熟,不断应用于工业生产线中。由于检测的精度速度均高于人工检测,成本较低,结果可靠等诸多优点,基于图像处理和机器视觉的缺陷检测已经成为了一大热点,不断提高这工业缺陷检测的性能和产品品质,保证了产品的出厂合格率。基于机器视觉的缺陷检测技术对于我国工业生产技术的不断发展与进步,企业的长足发展以及产品的竞争力的提升具有重大意义。
目前在牙膏管最终质量检测时仍以人工检测为主,由于牙膏管的构造,这种检测手段明显工作效率很低,检测可靠性差,使用卫生状况不达标的牙膏可能给消费者带来重大健康隐患。
近几年基于机器视觉的表面检测技术取得了重大进步,并且出现了一些检测热点,但目前没有实现针对牙膏管肩的缺陷检测。而大多数的表面缺陷检测算法仍面临着缺陷区域与非缺陷区域的低对比度,噪音与缺陷相似度较高,检测速度慢和识别精度低等问题;同时,大多数算法均是根据各自表面缺陷的特点进行针对性设计,对于牙膏管肩的立体结构不具有适用性,无法满足其速度精度等要求。
发明内容
为了解决上述技术问题,本发明的目的是:提供一种基于Gabor滤波器的适用于牙膏管肩缺陷的高效检测方法。
本发明所采用的技术方案是:一种基于Gabor滤波器的牙膏管肩缺陷检测方法,包括有以下步骤:
对视觉测量系统的相机进行像素尺寸标定得到标定数据;
通过相机获取牙膏管肩的正面图像;
对上述图像进行感兴趣区域提取,分割出待检测区域;
对待检测区域进行Gabor滤波得到结果图;
根据结果图中的面积特征和/或周长特征值判断牙膏管肩是否存在缺陷。
进一步,所述对视觉测量系统的相机进行像素尺寸标定这一步骤,具体为:将标准尺放置在该视觉测量系统的相机下采集图像,对图像绘制感兴趣区域,采用Sobel算法提取刻度线的边界,将每个长刻度线黑色部分的左边作为边界,逐个计算每个刻度线到下条刻度线的像素个数,然后对每两条相邻刻度线之间的间隔对应的像素个数求平均值得到标定数据。
进一步,所述对上述图像进行感兴趣区域提取,分割出待检测区域这一步骤,具体包括有以下子步骤:
对上述图像进行大津法阈值分割得到二值化图像;
对二值化图像进行连通域计算得到填充图;
采用Canny算子对填充图进行边缘检测,得到牙膏管壁外圆;
拟合计算出图像中的圆心位置;
根据圆心、牙膏管口的实际尺寸以及标定数据得到牙膏管口区域;
在填充图剔除牙膏管口区域,然后得到牙膏管肩的待检测区域图。
进一步,所述拟合计算出图像中的圆心位置这一子步骤,具体采用改进Hough变换算法:
提取图像中所有255像素,并统计其个数;
确定半径的大概取值范围(rmin,rmax),初始化变量和Hough数组;
根据圆的方程式来计算a,其中b取遍所有y值;
提取有效的a值,从而确定有效的b值;
根据有效的a和b确定Hough数组的索引值;
根据索引值,通过计算累积来构造层数为rmax-rmin的Hough数组;
找出数值最大的一层,即相对应的就是所检测圆的半径;
求得的半径对应的层的所有a和b,其平均值即为所求的圆心(a0,b0)。
进一步,拟合计算出图像中的圆心位置这一子步骤,具体采用改进最小二乘法:
采用最小二乘法拟合圆心(a,b),其中残差平方和函数为圆的表达式为(x-a)2+(y-b)2=r2,E为圆上所有点(xi,yi)的集合,εi=(xi-a)2+(yi-b)2-r2,r0为拟合半径;
计算集合E中的点到拟合圆心的距离
计算集合E中的点到拟合圆心距离di的标准偏差其中
当距离di的标准差大于2σ时,判定该点为异常点,将其从集合E中删除,然后对集合E重新执行上述步骤采用最小二乘法拟合圆心,直到集合E中所有点均为满足标准差范围的正常点。
进一步,所述用于Gabor滤波的二维Gabor滤波器的表达式为:
其中,g为Gaussian窗函数(x′,y′)表示坐标轴(x,y)逆时针旋转θ角;x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ,x,y表示图像中像素坐标位置;θ表示Gabor核函数图像的倾斜角度;ω为正弦波的频率,代表滤波器在频域的中心位置;表示相位偏移量,取值范围是-180°~180°;γ表示长宽比,决定Gabor核函数图像的椭圆率;σ表示高斯函数的标准差。
进一步,所述根据结果图的面积和周长特征值判断牙膏管肩是否存在缺陷这一步骤,具体包括以下子步骤:
对结果图中每个连通区域计算面积和/或周长;
当连通区域计算面积和/或周长大于一个上限阈值,则判断为牙膏管口或管壁;当连通区域计算面积和/或周长小于一个下限阈值,则判断为噪声点;
除去判断为牙膏管口或管壁、噪声点的部分,剩余的连通区域即为缺陷区域。
本发明的有益效果是:通过预先对牙膏管肩的正面图像进行感兴趣区域提取,分割出待检测区域,减少了后续算法操作的计算量,同时避免了工件其他部位的图像内容对判别结果的干扰,提高了缺陷检测的速度与精度,同时也提高了鲁棒性;结合Gabor滤波器的滤波处理,对图像的边缘敏感,能够提供很好的方向选择和尺度选择,参数易于调整,而且对光照不敏感,具有很好地光照适应性,检测识别速度和准确率高。
附图说明
图1为本发明方法步骤流程图;
图2为像素尺寸标定示意图;
图3为本发明具体实施例图像的二值化图;
图4为图3所示二值化图的连通区域填充图;
图5为本发明具体实施例的待检测区域。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
参照图1,一种基于Gabor滤波器的牙膏管肩缺陷检测方法,包括有以下步骤:
对视觉测量系统的相机进行像素尺寸标定得到标定数据;
通过相机获取牙膏管肩的正面图像;
对上述图像进行感兴趣区域提取,分割出待检测区域;
对待检测区域进行Gabor滤波得到结果图;
根据结果图中的面积特征和/或周长特征值判断牙膏管肩是否存在缺陷。
参照图2,进一步作为优选的实施方式,所述对视觉测量系统的相机进行像素尺寸标定这一步骤,具体为:将标准尺放置在该视觉测量系统的相机下采集图像,对图像绘制感兴趣区域,采用Sobel算法提取刻度线的边界,将每个长刻度线黑色部分的左边作为边界,逐个计算每个刻度线到下条刻度线的像素个数,然后对每两条相邻刻度线之间的间隔对应的像素个数求平均值得到标定数据,通过对多个数据求平均值来减小误差。
进一步作为优选的实施方式,所述对上述图像进行感兴趣区域提取,分割出待检测区域这一步骤,具体包括有以下子步骤:
对上述图像进行大津法阈值分割得到二值化图像,参照图3,由于牙膏管壁与牙膏管肩存在明显的灰度差,因此通过二值化处理能剔除大部分的牙膏管壁部分;
对二值化图像进行连通域计算得到填充图,参照图4,通过筛选最大连通域面积即可确定牙膏管肩部分,同时对连通域进行填充;
采用Canny算子对填充图进行边缘检测,得到牙膏管壁外圆;
拟合计算出图像中的圆心位置;
根据圆心、牙膏管口的实际尺寸以及标定数据得到牙膏管口区域;
在填充图剔除牙膏管口区域,然后得到牙膏管肩的待检测区域图。
进一步作为优选的实施方式,所述拟合计算出图像中的圆心位置这一子步骤,具体采用改进Hough变换算法:
提取图像中所有255像素,并统计其个数;
确定半径的大概取值范围(rmin,rmax),初始化变量和Hough数组;
根据圆的方程式来计算a,其中b取遍所有y值;
提取有效的a值,从而确定有效的b值;
根据有效的a和b确定Hough数组的索引值;
根据索引值,通过计算累积来构造层数为rmax-rmin的Hough数组;
找出数值最大的一层,即相对应的就是所检测圆的半径;
求得的半径对应的层的所有a和b,其平均值即为所求的圆心(a0,b0)。
进一步作为优选的实施方式,,拟合计算出图像中的圆心位置这一子步骤,具体采用改进最小二乘法:
采用最小二乘法拟合圆心(a,b),其中残差平方和函数为圆的表达式为(x-a)2+(y-b)2=r2,E为圆上所有点(xi,yi)的集合,εi=(xi-a)2+(yi-b)2-r2,r0为拟合半径;要使得残差平方和最小,由最小二乘法可得:由此可到到一个线性方程组,从而解得方程系数;本发明方法中将基本最小二乘法拟合圆算法中的残差平方和函数改为将圆半径作为约束参与拟合,根据拉格朗日乘数法,由此可将约束最小二乘法转为无约束最小二乘法,利用高斯-牛顿法即可求解相关参数;
计算集合E中的点到拟合圆心的距离
计算集合E中的点到拟合圆心距离di的标准偏差其中
当距离di的标准差大于2σ时,判定该点为异常点,将其从集合E中删除,然后对集合E重新执行上述步骤采用最小二乘法拟合圆心,直到集合E中所有点均为满足标准差范围的正常点。
由于采用最小二乘法拟合圆算法时,拟合公式中的平方项对离群点非常敏感,拟合结果容易被非均匀分布的噪声数据干扰,因此上述步骤中通过循环步骤剔除集合E中的异常点,从而获得更为精确的拟合圆参数值。
进一步作为优选的实施方式,所述用于Gabor滤波的二维Gabor滤波器的表达式为:
其中,g为Gaussian窗函数(x′,y′)表示坐标轴(x,y)逆时针旋转θ角;x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ,x,y表示图像中像素坐标位置;θ表示Gabor核函数图像的倾斜角度;ω为正弦波的频率,代表滤波器在频域的中心位置;表示相位偏移量,取值范围是-180°~180°;γ表示长宽比,决定Gabor核函数图像的椭圆率;σ表示高斯函数的标准差。
由于检测图像为圆形,为提高检测精度,突出显示缺陷区域,因此采用θ平分0°~360°的八个方向的滤波器。即分别以8种不同θ值的Gabor滤波器与同向进行8次卷积,并对结果进行平均从而得出结果图。
考虑到效果图上仍有一些噪声,同时需要剔除掉牙膏管壁与管口,可采用面积值和周长值作为缺陷的特征。因此,进一步作为优选的实施方式,所述根据结果图的面积和周长特征值判断牙膏管肩是否存在缺陷这一步骤,具体包括以下子步骤:
对结果图中每个连通区域计算面积和/或周长;
当连通区域计算面积和/或周长大于一个上限阈值,则判断为牙膏管口或管壁;当连通区域计算面积和/或周长小于一个下限阈值,则判断为噪声点;
除去判断为牙膏管口或管壁、噪声点的部分,剩余的连通区域即为缺陷区域。
牙膏管肩缺陷主要为在生产过程中由于生产机器设备、技术人员操作等问题落入牙膏管肩内部的脏点或污渍,其特征为面积较小,与背景差异较大。由于牙膏内污渍一般面积较小,因此设定一个较大面积或周长阈值即可;同时设置一个相对较小的阈值用于排除噪声点。
例如以面积特征来判断缺陷:设(x,y)为像素坐标,P(x,y)为像素值,R为缺陷区域像素点集合,n为像素个数。缺陷面积定义为:通过对结果图每个连通区域进行标注,计算其区域面积,当面积A大于一个较大的上限阈值,即可判断为牙膏管口或管壁;同时设置一个较小的下限阈值,当面积A小于阈值,则判定为噪声点,剩下所有连通区域即为对应牙膏管肩上的缺陷区域。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于Gabor滤波器的牙膏管肩缺陷检测方法,其特征在于,
包括有以下步骤:
对视觉测量系统的相机进行像素尺寸标定得到标定数据;
通过相机获取牙膏管肩的正面图像;
对上述图像进行感兴趣区域提取,分割出待检测区域;
对待检测区域进行Gabor滤波得到结果图;
根据结果图中的面积特征和/或周长特征值判断牙膏管肩是否存在缺陷。
2.根据权利要求1所述的一种基于Gabor滤波器的牙膏管肩缺陷检测方法,其特征在于:所述对视觉测量系统的相机进行像素尺寸标定这一步骤,具体为:将标准尺放置在该视觉测量系统的相机下采集图像,对图像绘制感兴趣区域,采用Sobel算法提取刻度线的边界,将每个长刻度线黑色部分的左边作为边界,逐个计算每个刻度线到下条刻度线的像素个数,然后对每两条相邻刻度线之间的间隔对应的像素个数求平均值得到标定数据。
3.根据权利要求1或2所述的一种基于Gabor滤波器的牙膏管肩缺陷检测方法,其特征在于:所述对上述图像进行感兴趣区域提取,分割出待检测区域这一步骤,具体包括有以下子步骤:
对上述图像进行大津法阈值分割得到二值化图像;
对二值化图像进行连通域计算得到填充图;
采用Canny算子对填充图进行边缘检测,得到牙膏管壁外圆;
拟合计算出图像中的圆心位置;
根据圆心、牙膏管口的实际尺寸以及标定数据得到牙膏管口区域;
在填充图剔除牙膏管口区域,然后得到牙膏管肩的待检测区域图。
4.根据权利要求3所述的一种基于Gabor滤波器的牙膏管肩缺陷检测方法,其特征在于,所述拟合计算出图像中的圆心位置这一子步骤,具体采用改进Hough变换算法:
提取图像中所有255像素,并统计其个数;
确定半径的大概取值范围(rmin,rmax),初始化变量和Hough数组;
根据圆的方程式来计算a,其中b取遍所有y值;
提取有效的a值,从而确定有效的b值;
根据有效的a和b确定Hough数组的索引值;
根据索引值,通过计算累积来构造层数为rmax-rmin的Hough数组;
找出数值最大的一层,即相对应的就是所检测圆的半径;
求得的半径对应的层的所有a和b,其平均值即为所求的圆心(a0,b0)。
5.根据权利要求3所述的一种基于Gabor滤波器的牙膏管肩缺陷检测方法,其特征在于,拟合计算出图像中的圆心位置这一子步骤,具体采用改进最小二乘法:
采用最小二乘法拟合圆心(a,b),其中残差平方和函数为圆的表达式为(x-a)2+(y-b)2=r2,E为圆上所有点(xi,yi)的集合,εi=(xi-a)2+(yi-b)2-r2,r0为拟合半径;
计算集合E中的点到拟合圆心的距离
计算集合E中的点到拟合圆心距离di的标准偏差其中
当距离di的标准差大于2σ时,判定该点为异常点,将其从集合E中删除,然后对集合E重新执行上述步骤采用最小二乘法拟合圆心,直到集合E中所有点均为满足标准差范围的正常点。
6.根据权利要求1所述的一种基于Gabor滤波器的牙膏管肩缺陷检测方法,其特征在于:所述用于Gabor滤波的二维Gabor滤波器的表达式为:
其中,g为Gaussian窗函数(x′,y′)表示坐标轴(x,y)逆时针旋转θ角;x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ,x,y表示图像中像素坐标位置;θ表示Gabor核函数图像的倾斜角度;ω为正弦波的频率,代表滤波器在频域的中心位置;表示相位偏移量,取值范围是-180°~180°;γ表示长宽比,决定Gabor核函数图像的椭圆率;σ表示高斯函数的标准差。
7.根据权利要求1所述的一种基于Gabor滤波器的牙膏管肩缺陷检测方法,其特征在于,所述根据结果图的面积和周长特征值判断牙膏管肩是否存在缺陷这一步骤,具体包括以下子步骤:
对结果图中每个连通区域计算面积和/或周长;
当连通区域计算面积和/或周长大于一个上限阈值,则判断为牙膏管口或管壁;当连通区域计算面积和/或周长小于一个下限阈值,则判断为噪声点;
除去判断为牙膏管口或管壁、噪声点的部分,剩余的连通区域即为缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711113050.0A CN107945155B (zh) | 2017-11-13 | 2017-11-13 | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711113050.0A CN107945155B (zh) | 2017-11-13 | 2017-11-13 | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945155A true CN107945155A (zh) | 2018-04-20 |
CN107945155B CN107945155B (zh) | 2021-05-25 |
Family
ID=61933864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711113050.0A Active CN107945155B (zh) | 2017-11-13 | 2017-11-13 | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945155B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118471A (zh) * | 2018-06-26 | 2019-01-01 | 广东工业大学 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
CN109635823A (zh) * | 2018-12-07 | 2019-04-16 | 湖南中联重科智能技术有限公司 | 用于识别卷扬乱绳的方法和装置及工程机械 |
CN111758024A (zh) * | 2018-12-27 | 2020-10-09 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN111906594A (zh) * | 2020-06-08 | 2020-11-10 | 深圳众为兴技术股份有限公司 | 一种五轴联动机床rtcp参数标定方法 |
CN111951222A (zh) * | 2020-07-15 | 2020-11-17 | 广东交通职业技术学院 | 一种瓶盖齿牙计数检测方法、系统、装置和存储介质 |
CN113406097A (zh) * | 2021-05-17 | 2021-09-17 | 杭州电子科技大学 | 基于机器视觉的锦纶丝饼油污等级评定方法 |
CN113689420A (zh) * | 2021-09-03 | 2021-11-23 | 凌云光技术股份有限公司 | 电路板焊点缺陷检测方法、装置以及检测设备 |
CN115984356A (zh) * | 2023-03-20 | 2023-04-18 | 广东电网有限责任公司江门供电局 | 一种基于图像的导线压接间距测量方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009190785A (ja) * | 2008-02-18 | 2009-08-27 | Lion Corp | チューブシール方法及びチューブシール装置 |
CN101632030A (zh) * | 2006-12-15 | 2010-01-20 | 手持产品公司 | 包括可变形透镜元件的装置和方法 |
CN101858734A (zh) * | 2010-05-19 | 2010-10-13 | 山东明佳包装检测科技有限公司 | 一种检测pet瓶口质量的方法及装置 |
CN103606167A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种用于缺陷检测的瓶盖图像外轮廓确定方法 |
CN104641400A (zh) * | 2012-07-19 | 2015-05-20 | 戈拉夫·瓦茨 | 用户控制三维仿真技术,提供增强的逼真数字对象视图和交互体验 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
AU2014415227A1 (en) * | 2014-12-27 | 2017-06-15 | Hill's Pet Nutrition, Inc. | Food processing method and system |
-
2017
- 2017-11-13 CN CN201711113050.0A patent/CN107945155B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101632030A (zh) * | 2006-12-15 | 2010-01-20 | 手持产品公司 | 包括可变形透镜元件的装置和方法 |
JP2009190785A (ja) * | 2008-02-18 | 2009-08-27 | Lion Corp | チューブシール方法及びチューブシール装置 |
CN101858734A (zh) * | 2010-05-19 | 2010-10-13 | 山东明佳包装检测科技有限公司 | 一种检测pet瓶口质量的方法及装置 |
CN104641400A (zh) * | 2012-07-19 | 2015-05-20 | 戈拉夫·瓦茨 | 用户控制三维仿真技术,提供增强的逼真数字对象视图和交互体验 |
CN103606167A (zh) * | 2013-12-04 | 2014-02-26 | 天津普达软件技术有限公司 | 一种用于缺陷检测的瓶盖图像外轮廓确定方法 |
AU2014415227A1 (en) * | 2014-12-27 | 2017-06-15 | Hill's Pet Nutrition, Inc. | Food processing method and system |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
Non-Patent Citations (5)
Title |
---|
YGO N. BATISTA 等: "FPGA design for real time flaw detection on edges using the LEDges technique", 《2012 25TH SYMPOSIUM ON INTEGRATED CIRCUITS AND SYSTEMS DESIGN (SBCCI)》 * |
张之详: "基于机器视觉的磁环表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
许伟 等: "基于Gabor特征的人脸识别算法的对比研究与实现", 《激光杂志》 * |
郭克友: "基于BP神经网络的啤酒瓶口检测方法", 《食品科学技术学报》 * |
黄柳倩: "基于机器视觉的冲压件缺陷检测系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118471A (zh) * | 2018-06-26 | 2019-01-01 | 广东工业大学 | 一种适用于复杂环境下的打磨工件缺陷检测方法 |
CN109635823A (zh) * | 2018-12-07 | 2019-04-16 | 湖南中联重科智能技术有限公司 | 用于识别卷扬乱绳的方法和装置及工程机械 |
CN111758024A (zh) * | 2018-12-27 | 2020-10-09 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN111758024B (zh) * | 2018-12-27 | 2023-03-21 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN111906594A (zh) * | 2020-06-08 | 2020-11-10 | 深圳众为兴技术股份有限公司 | 一种五轴联动机床rtcp参数标定方法 |
CN111906594B (zh) * | 2020-06-08 | 2022-07-08 | 深圳众为兴技术股份有限公司 | 一种五轴联动机床rtcp参数标定方法 |
CN111951222B (zh) * | 2020-07-15 | 2024-04-19 | 广东交通职业技术学院 | 一种瓶盖齿牙计数检测方法、系统、装置和存储介质 |
CN111951222A (zh) * | 2020-07-15 | 2020-11-17 | 广东交通职业技术学院 | 一种瓶盖齿牙计数检测方法、系统、装置和存储介质 |
CN113406097A (zh) * | 2021-05-17 | 2021-09-17 | 杭州电子科技大学 | 基于机器视觉的锦纶丝饼油污等级评定方法 |
CN113689420A (zh) * | 2021-09-03 | 2021-11-23 | 凌云光技术股份有限公司 | 电路板焊点缺陷检测方法、装置以及检测设备 |
CN113689420B (zh) * | 2021-09-03 | 2024-04-26 | 凌云光技术股份有限公司 | 电路板焊点缺陷检测方法、装置以及检测设备 |
CN115984356B (zh) * | 2023-03-20 | 2023-06-30 | 广东电网有限责任公司江门供电局 | 一种基于图像的导线压接间距测量方法及系统 |
CN115984356A (zh) * | 2023-03-20 | 2023-04-18 | 广东电网有限责任公司江门供电局 | 一种基于图像的导线压接间距测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107945155B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945155A (zh) | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 | |
CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN107798326B (zh) | 一种轮廓视觉检测方法 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
EP2137519B1 (en) | Method and apparatus for detecting defects in optical components | |
CN115311294B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN107742289A (zh) | 一种基于机器视觉回转体工件检测方法 | |
CN108876860B (zh) | 一种用于管水准器气泡偏移量测量的图像标定方法 | |
CN106643549A (zh) | 一种基于机器视觉的瓷砖尺寸检测方法 | |
CN105225243B (zh) | 一种可抗噪声的图像边缘检测方法 | |
CN102708368A (zh) | 一种基于机器视觉的生产线上瓶体的定位方法 | |
CN106546185B (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN113340909A (zh) | 一种基于机器视觉的胶线缺陷检测方法 | |
CN106875441A (zh) | 一种基于机器视觉的在线pe瓶识别定位方法 | |
CN115035107B (zh) | 基于图像处理的车桥齿轮做工误差检测方法 | |
CN115096206A (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN115100116A (zh) | 一种基于三维点云的板材缺陷检测方法 | |
CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
CN115797361A (zh) | 一种铝模板表面缺陷检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 |
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 |