CN108171691B - 一种塑料容器的检测方法 - Google Patents
一种塑料容器的检测方法 Download PDFInfo
- Publication number
- CN108171691B CN108171691B CN201711435239.1A CN201711435239A CN108171691B CN 108171691 B CN108171691 B CN 108171691B CN 201711435239 A CN201711435239 A CN 201711435239A CN 108171691 B CN108171691 B CN 108171691B
- Authority
- CN
- China
- Prior art keywords
- image
- plastic container
- interference
- template
- interference 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
- 229920003023 plastic Polymers 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G06T5/70—
-
- 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
- G06T7/136—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明提供了一种塑料容器的检测方法,其特征在于,所述方法包括以下步骤:采集合格塑料容器的图像;根据合格塑料容器图像中是否存在干扰信息,创建干扰区模板和非干扰区模板;采集待测塑料容器的图像;根据是否存在干扰信息,将所述待测塑料容器的图像划分为干扰区域和非干扰区域;将所述干扰区域、非干扰区域分别与相应的干扰区模板、非干扰模板进行比对,根据比对结果判断待测塑料容器是否合格。本发明的有益效果包括:检测效率高、漏检率和错检率极低,能够实现塑料容器的自动智能和批量检测。
Description
技术领域
本发明涉及容器检测技术领域,特别地,涉及一种塑料容器的检测方法。
背景技术
近年来,随着消费水平的提高以及相关法律、法规的完善,对塑料容器制造行业的产品质量要求也越来越高。由于在塑料容器的生产过程中可能会存在容器壁破损、裂缝、表面存在污渍(如黑点)等缺陷,严重影响产品的质量。
目前,在很多行业中还存在通过人工完成对塑料容器质量的检测,但人工检测容易出现漏检、错检的情况,同时人工检测效率低下。现在的生产线速度非常高,每小时可达上万瓶,此时使用人工检测,由于视觉疲劳和其他人为因素,很容易出现漏检、错检等情况,且很难达到生产要求。
发明内容
针对现有技术中存在的不足,本发明的目的在于解决上述现有技术中存在的一个或多个问题。例如,本发明的目的之一在于提供一种检测效率高的塑料容器的检测方法。
为了实现上述目的,本发明提供了一种塑料容器的检测方法,所述方法包括以下步骤:采集合格塑料容器的图像;根据合格塑料容器图像中是否存在干扰信息,创建干扰区模板和非干扰区模板;采集待测塑料容器的图像;根据是否存在干扰信息,将所述待测塑料容器的图像划分为干扰区域和非干扰区域;将所述干扰区域、非干扰区域分别与相应的干扰区模板、非干扰模板进行比对,根据比对结果判断待测塑料容器是否合格。
在本发明的一个实施例中,所述方法还可包括步骤:所述非干扰区模板包括变形子模板,所述变形子模板用于比对所述待测塑料容器图像非干扰区域中的变形部分。
在本发明的一个实施例中,所述采集的合格塑料容器的图像可包括口肩部、身部和底部的图像,所述采集的待测塑料容器的图像包括口肩部、身部和底部的图像。
在本发明的一个实施例中,所述创建干扰区模板和非干扰区模板的步骤包括:通过平滑滤波、阈值处理和形态学处理来提取图像的有效信息,利用模型之间差异的绝对最小阈值和基于变化模型变化的差异阈值创建所述干扰区模板和所述非干扰区模板。
在本发明的一个实施例中,将所述待测塑料容器的图像划分为干扰区域和非干扰区域的步骤可包括:通过平滑滤波、阈值处理和形态学处理来提取图像的有效信息,利用模型之间差异的绝对最小阈值和基于变化模型变化的差异阈值将待测塑料容器的图像划分为干扰区域和非干扰区域。
在本发明的一个实施例中,在所述采集合格塑料容器图像之后,所述创建模板之前,所述方法还包括步骤:获取所述合格塑料容器图像的尺寸;对所述合格塑料容器图像进行粗矫正和精矫正;判断所述合格塑料容器图像是否在预定位置,若不在,则将其校正。
在本发明的一个实施例中,在所述采集待测塑料容器图像之后,所述划分区域之前,所述方法还包括步骤:对所述待测塑料容器的图像进行粗矫正、精矫正和图像增强。
在本发明的一个实施例中,通过多个相机来采集图像。
与现有技术相比,本发明的有益效果包括:检测效率高、漏检率和错检率极低。
附图说明
通过下面结合附图进行的描述,本发明的上述和其他目的和特点将会变得更加清楚,其中:
图1示出了本发明一个示例性实施例的塑料容器检测方法的流程示意图。
具体实施方式
在下文中,将结合附图和示例性实施例详细地描述本发明的塑料容器的检测方法。
本发明提供了一种塑料容器的检测方法,所述方法是通过采集合格样品的图像,提取图像特征,建立相应模板,然后采集待测样品的图像,将图像划分区域并与相应模板进行比对,若发现缺陷(例如灰度值、面积)不满足合格值,则待测样品不合格。本发明的塑料容器的检测方法能够很好的适用于流水线生产。
图1示出了本发明一个示例性实施例的塑料容器检测方法的流程示意图。
根据本发明示例性实施例的塑料容器的检测方法可包括以下步骤:
采集合格塑料容器的图像,如图1中的步骤S01。
根据合格塑料容器图像中是否存在干扰信息,创建干扰区模板和非干扰区模板,如图1中的步骤S02。其中,可通过平滑滤波、阈值处理和形态学处理,以及模型之间差异的绝对最小阈值和基于变化模型变化的差异阈值来区分合格塑料容器图像的干扰区图像和非干扰区图像(即对应干扰模板和非干扰模板),干扰区图像包括了干扰信息,可以是图像中受到噪音干扰的区域,非干扰区图像没有干扰信息或干扰信息很少。采集一定数量的合格图像(即非干扰区图像)以后,根据塑料容器特征,提取对应图像的所有信息,并合成一个“平均模板”,该模板包含了塑料容器非干扰区域的“平均特征”,平均模板即为非干扰区模板。同样,可采集一定数量的干扰区的图像以后,根据塑料容器特征,提取对应图像的所有信息,并合成一个模板,该模板包含了塑料容器干扰区域的“平均特征”,该模板即为干扰区模板。
采集待测塑料容器的图像,如图1中的步骤S03。
根据是否存在干扰信息,将所述待测塑料容器的图像划分为干扰区域(也称为干扰区)和非干扰区域(也称为非干扰区),如图1中的步骤S04。
将所述干扰区域、非干扰区域分别与相应的干扰区模板、非干扰模板进行比对,根据比对结果判断待测塑料容器是否合格。如图1中的步骤S05。其中,待测塑料容器图像的干扰区域与干扰区模板进行比对,非干扰区域与非干扰区模板进行比对。
在本实施例中,所述非干扰区模板包括变形子模板,所述变形子模板用于比对所述待测塑料容器图像非干扰区域中的变形部分。变形子模板的尺寸可以与非干扰区模板对应图像的大小相同。
在本实施例中,所述方法还包括步骤:创建非干扰区模板的子模板:变形子模板,所述变形子模板用于比对所述待测塑料容器图像非干扰区域中的变形部分。
创建变形子模板的过程中有以下几个参数:高、宽、类型、模式、句柄。其中高、宽就是获取图像尺寸,例如为1280与960,单位为像素;类型是指用于比较的图像类型,这里可选为byte,即逐个字节进行创建;模式,即用于计算变化模型的方法,包括标准(standard)与鲁棒性好(robust)的方法,优选的,选择roubst;句柄,即保存该变形模型的一个ID号码。
其中,参数模式用于确定如何计算理想物体的图像和相应的变化图像。对于模式为“标准”,对象的理想图像被计算为各个图像位置处的所有训练图像的均值。相应的变化图像被计算为各个图像位置处的训练图像的标准偏差。该模式具有的优点是可以迭代地训练变化模型,即一旦好物体的图像变得可用,就可以训练它。这种模式的缺点是必须非常小心,以确保只有好的物体的图像被训练,因为平均值和标准偏差对于异常值是不稳健的,即如果不良物体的图像被无意地训练,精度理想的物体图像和变化图像的图像可能会降低。如果不能避免变化模型被训练有可能包含错误的对象的一些图像,则模式可以被设置为“强健的”。在这种模式下,理想物体的图像被计算为各个图像位置处所有训练图像的中值。相应的变化图像被计算为训练图像和各个图像位置处的中值图像的适当缩放的中值绝对偏差。 这种模式的优点是它对异常值很有效。
变化模型(即变形模型)包括待测试对象的图像进行比较的对象的理想图像,即多个良好物体的图像进行训练的,这多个良好的物体就是“平均模板”,以及表示对象的每个点处的灰度值变化量的图像。与对象模型一起训练的图像的大小以及稍后与模型进行比较的图像的大小分别以宽度和高度传递。
变形模型是使用多个良好物体的图像进行训练的,这了多个良好的物体就是我们指的“平均模板”。因此,训练图像显示相同位置和旋转的对象是非常重要的,这就要求在创建模板的创建工作之前,对该批合格图像进行粗矫正、精矫正等处理工作。
在本实施例中,所述创建干扰区模板和非干扰区模板的步骤可包括:平滑滤波、阈值处理的方法和形态学处理的方法,提取图像的有效信息,然后根据模型之间差异的绝对最小阈值和基于变化模型变化的差异阈值来创建所述干扰区模板和所述非干扰区模板。其中形态学处理是指将数字形态学作为工具从图像中提取对于表达和描绘区域形状有用处的图像分量,比如边界、骨架以及凸壳等,本发明通过平滑滤波、阈值处理、形态学处理方法可以很好的将图像的干扰区域和非干扰区域分开。
在本实施例中,将所述待测塑料容器的图像划分为干扰区域和非干扰区域的步骤包括:
通过平滑滤波、阈值处理和形态学处理来提取图像的有效信息,利用模型之间差异的绝对最小阈值和基于变化模型变化的差异阈值将待测塑料容器的图像划分为干扰区域和非干扰区域。
其中,平滑滤波是低频增强的空间域滤波技术,它的目的有两类:一类是模糊;另一类是消除噪音。空间域的平滑滤波一般采用简单平均法进行,就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关,邻域越大平滑的效果越好,但邻域过大,平滑会使边缘信息损失的越大,从而使输出的图像变得模糊,因此需合理选择邻域的大小;简单点讲,就是将几个像素求平均值,这样就可以将一些比平均值高的数字过滤掉,而这部分高值数字代表的就是噪音信息。故作用就是过滤掉噪音。平滑滤波可包括中值滤波,在该方法中,参数掩膜高度与掩膜宽度都设置的相当小,可不高于5,进一步,可为3。
阈值处理是采用固定阈值算法,设定只选取某一亮度下的图像,则超出这部分的图像信息就自动被过滤掉了,这样起到分割图像的作用,即提取有用的、能够代表图像特征的信息。其中,阈值是指图像中的每个像素的亮度对应的亮度等级分为0到255级,数字越大表示越亮,越小则越暗,255代表白色,0代表黑色。每个位置的阈值参数不同,如容器底部可设置为15~255,口肩部中的肩部可设置为60~255,口部0~80,身部可设置为0~200。
可根据模型之间差异的绝对最小阈值X和基于变化模型变化的差异阈值Y来划分干扰区域和非干扰区域,其中,模型之间差异的绝对最小阈值表示当前对象的图像(即检测获得的图像)必须与理想对象(即非干扰区模板)的图像不同的灰度级的最小量,基于变化模型变化的差异阈值表示当前图像与理想图像的最小差异的相对于变化图像的因子。这两个参数值越大,说明检测的图像与非干扰区模板之间的差别就越大,干扰区域或非干扰区域可根据这两个参数来划分;当X≥20、Y≥6,可认为是干扰区域图像,优选的,当X=70、Y=7;当X<20、Y<5,可认为是非干扰区域图像,优选的,当X=10、Y=5。
在本步骤中,具体得,可先读取平均模板(即非干扰区模板),对平均模板进行中值滤波和固定阈值的方法进行处理,进行形态学处理,来提取图像的有效信息,进而可将待测塑料容器的图像划分为干扰区域和非干扰区域。
在本实施例中,可通过相机拍照来采集图像,可采用5~8相机采集图像,优选的,为6个相机,例如容器口肩部1个,身部4个,底部1个。
在本实施例中,塑料容器可为非透明的塑料容器,例如塑料瓶、包装空瓶等,优选的,可为浅色非透明塑料瓶,更进一步地,可为3L以下的浅色非透明塑料瓶。
在本实施例中,干扰信息可包括噪音。
在本实施例中,可通过采集一定数量的合格塑料容器的图像,根据提取的图像特征来建立相应的模板(即干扰区模板、非干扰区模板);优选地,可采集20~30个合格塑料容器的图像来建立模板。
在本实施例中,所述模板里包括了对应图像区域的特征参数,例如灰度值、面积、椭圆度、缺陷位置、瓶口直径等。
在本实施例中,所述采集的图像包括口肩部(口部和肩部)、身部和底部的图像。例如采集的合格塑料容器的图像可包括口肩部、身部和底部的图像,采集的待测塑料容器的图像可包括口肩部、身部和底部的图像。其中,身部的图像可包括反映身部漫反射(就是光直接照射到瓶体表面)和背投图像(这个就是利用强光将瓶体打透)。
干扰区模板可包括口肩部干扰区子模板、身部干扰区子模板和底部干扰区子模板,非干扰区模板可包括口肩部非干扰区子模板、身部非干扰区子模板和底部干扰非区子模板。
在本实施例中,所述方法还可包括步骤:
获取所述合格塑料容器图像的尺寸;获取图像的像素例如1280*960,后续步骤如选取处理的区域,要在此范围内,并以此为参考。
对所述合格塑料容器图像进行粗矫正和精矫正。判断所述合格塑料容器图像是否在预定的位置,若不在,将其校正。其中,预定位置可包括相机成像视野中的准确位置,当其未在准确位置,例如歪斜,就要将其校正。
在本实施例中,在所述采集待测塑料容器图像之后,所述方法还包括步骤:对待测塑料容器的图像进行粗矫正、精矫正和图像增强。
在本实施例中,由于相机拍照的时间很短,而在这个时间段内,塑料容器实际位于传送带上的位置会发生变化,可能并不是理想的位置,因此采集的图像可能会不理想;可通过粗矫正和精矫正进行处理,比如可根据拍到的照片,选定要处理的区域,经过一系列处理以后,获得该区域的几何特征值(如面积、中心点坐标等),然后再将该图像进行仿射变换并定位到正确的位置。
粗矫正和精矫正的目的可包括:在创建模板或检测之前,因为获得的图像由于其他外部原因,如传送带抖动,瓶体歪斜等,所以每个图像在相机中成像都是不一样的,为了提取到所有图像同一部位的公共的特征,故需要将所有图片移动到同一参考位置,则可以认为每个位置所对应的塑料容器信息是同一位置的信息。其中,由于刚开始处理之前,只能通过最显著的特征,将瓶体移动到大概的一个位置,这称为粗矫正,然后,可以根据粗矫正以后的图像,再提取其他信息利用仿射变换精确定位,称为精矫正。
图像增强可以增加图像的对比度,即让亮的部分更加亮,让暗的部分更加暗,这样将区别加大了,就容易区分亮和暗的部分,有利于下一步的图像特征的提取和区域划分。
在本实施例中,根据比对结果若发现一个特征参数不符合合格值,即可认为待测塑料容器不合格。所述灰度值、面积、椭圆度、瓶口直径等。
本发明的塑料容器的检测方法能够检测的内容包括:塑料容器底部的椭圆度、字符检测、底部飞丝、底部污渍等,塑料容器身部的光滑性、身部污渍、孔洞、肩部的飞丝、身部的厚薄均匀性等,以及口部内径、圆度、口部缺料等。将本发明的方法应用到塑料容器的流水线自动化生产,可以显著的提高生产效率,且漏检率、错检率极低,例如3L及以下,500ml以下浅色非透明瓶的产量可为10000个/小时,500ml~3L浅色非透明瓶的产量可为5000个/小时。
综上所述,本发明的塑料容器的检测方法具有检测效率高、漏检率和错检率极低的优点,能够实现塑料容器的自动智能和批量检测。
尽管上面已经通过结合示例性实施例描述了本发明,但是本领域技术人员应该清楚,在不脱离权利要求所限定的精神和范围的情况下,可对本发明的示例性实施例进行各种修改和改变。
Claims (8)
1.一种塑料容器的检测方法,其特征在于,所述方法包括以下步骤:
采集合格塑料容器的图像;
根据合格塑料容器图像中是否存在干扰信息,创建干扰区模板和非干扰区模板;
采集待测塑料容器的图像;
根据是否存在干扰信息,将所述待测塑料容器的图像划分为干扰区域和非干扰区域;
将所述干扰区域、非干扰区域分别与相应的干扰区模板、非干扰模板进行比对,根据比对结果判断待测塑料容器是否合格。
2.根据权利要求1所述的塑料容器的检测方法,其特征在于,所述非干扰区模板包括变形子模板,所述变形子模板用于比对所述待测塑料容器图像非干扰区域中的变形部分。
3.根据权利要求1所述的塑料容器的检测方法,其特征在于,所述采集的合格塑料容器的图像包括口肩部、身部和底部的图像,所述采集的待测塑料容器的图像包括口肩部、身部和底部的图像。
4.根据权利要求1所述的塑料容器的检测方法,其特征在于,所述创建干扰区模板和非干扰区模板的步骤包括:
通过平滑滤波、阈值处理和形态学处理来提取图像的有效信息,利用模型之间差异的绝对最小阈值和基于变化模型变化的差异阈值创建所述干扰区模板和所述非干扰区模板。
5.根据权利要求1所述的塑料容器的检测方法,其特征在于,将所述待测塑料容器的图像划分为干扰区域和非干扰区域的步骤包括:
通过平滑滤波、阈值处理和形态学处理来提取图像的有效信息,利用模型之间差异的绝对最小阈值和基于变化模型变化的差异阈值将待测塑料容器的图像划分为干扰区域和非干扰区域。
6.根据权利要求1所述的塑料容器的检测方法,其特征在于,在所述采集合格塑料容器图像之后,所述创建模板之前,所述方法还包括步骤:
获取所述合格塑料容器图像的尺寸;
对所述合格塑料容器图像进行粗矫正和精矫正;
判断所述合格塑料容器图像在预定位置,若不在,则将其校正。
7.根据权利要求1所述的塑料容器的检测方法,其特征在于,在所述采集待测塑料容器图像之后,所述划分区域之前,所述方法还包括步骤:
对所述待测塑料容器的图像进行粗矫正、精矫正和图像增强。
8.根据权利要求1所述的塑料容器的检测方法,其特征在于,通过相机来采集图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711435239.1A CN108171691B (zh) | 2017-12-26 | 2017-12-26 | 一种塑料容器的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711435239.1A CN108171691B (zh) | 2017-12-26 | 2017-12-26 | 一种塑料容器的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171691A CN108171691A (zh) | 2018-06-15 |
CN108171691B true CN108171691B (zh) | 2021-05-04 |
Family
ID=62521648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711435239.1A Active CN108171691B (zh) | 2017-12-26 | 2017-12-26 | 一种塑料容器的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171691B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110047067B (zh) * | 2019-04-02 | 2021-06-22 | 广州大学 | 一种用于瓶子分类的瓶肩检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN105548208A (zh) * | 2016-02-05 | 2016-05-04 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN106228546A (zh) * | 2016-07-13 | 2016-12-14 | 广州视源电子科技股份有限公司 | 一种板卡的检测方法及装置 |
CN107437243A (zh) * | 2017-06-19 | 2017-12-05 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050226489A1 (en) * | 2004-03-04 | 2005-10-13 | Glenn Beach | Machine vision system for identifying and sorting projectiles and other objects |
-
2017
- 2017-12-26 CN CN201711435239.1A patent/CN108171691B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN105548208A (zh) * | 2016-02-05 | 2016-05-04 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN106228546A (zh) * | 2016-07-13 | 2016-12-14 | 广州视源电子科技股份有限公司 | 一种板卡的检测方法及装置 |
CN107437243A (zh) * | 2017-06-19 | 2017-12-05 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
Fast and robust template matching algorithm in noisy image;Bong Gun Shin等;《IEEE 2007 International Conference on Control, Automation and Systems》;20071226;全文 * |
Template matching for noisy images;Sergey Shaydullin等;《IEEE 2015 Internet Technologies and Applications (ITA)》;20151105;全文 * |
基于机器视觉的智能啤酒瓶污损检测系统的研究与设计;任娇;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑B024-447,2016年第2期》;20160229;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171691A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN108776140B (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及系统 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
US20120207379A1 (en) | Image Inspection Apparatus, Image Inspection Method, And Computer Program | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN112164050B (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
CN113298769B (zh) | Fpc软排线外观缺陷检测方法、系统和介质 | |
CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN109324056B (zh) | 一种基于机器视觉的缝纫线迹测量方法 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
KR101677070B1 (ko) | 형태학적 영상 처리와 레이블링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
CN114998205A (zh) | 基于光学手段的液体灌装过程瓶中异物检测方法 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN111426693A (zh) | 一种质量缺陷检测系统及其检测方法 | |
CN108171691B (zh) | 一种塑料容器的检测方法 | |
JP2019200775A (ja) | 表面欠陥検査装置及び表面欠陥検査方法 | |
CN111008960B (zh) | 基于机器视觉的铝电解电容底部外观检测方法及装置 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231213 Address after: Room 101, No. 122 Tianqiao Road, Changping Town, Guangzhou City, Guangdong Province, 523000 Patentee after: Dongguan Jiate Medical Equipment Co.,Ltd. Address before: Room 301, 3rd Floor, Building 2, No. 400, Section 4, Minfeng Avenue, High tech Zone, Chengdu City, Sichuan Province, 610000 Patentee before: CHENGDU RUISHI INTELLIGENT EQUIPMENT CO.,LTD. |
|
TR01 | Transfer of patent right |