CN108355981A - 一种基于机器视觉的电池连接器质量检测方法 - Google Patents
一种基于机器视觉的电池连接器质量检测方法 Download PDFInfo
- Publication number
- CN108355981A CN108355981A CN201810016140.6A CN201810016140A CN108355981A CN 108355981 A CN108355981 A CN 108355981A CN 201810016140 A CN201810016140 A CN 201810016140A CN 108355981 A CN108355981 A CN 108355981A
- Authority
- CN
- China
- Prior art keywords
- connector
- image
- template
- detection
- defect
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
Abstract
本发明公开了一种基于机器视觉的电池连接器质量检测方法,建立连接器模板数据集,采集被检测连接器的图像,对采集的电池连接器原始图像进行图像裁剪截取该矩形窗区域的图像,将裁剪图像进行倾斜校正得到校正后图像,对图像进行重构的到图像完成图像预处理,图像预处理完成后分别采用独立检测方法对连接器的位置、连接器FPC基板露铜、连接器中央区域瑕疵、连接器五金部件缺陷和连接器塑料部件缺陷进行检测,采用动态模板更新机制实时更新检测模板,以已校正图像为基础建立坐标系,对缺陷进行分类、定位标记并将检测结果输出,可对连接器常见的歪斜/偏移、FPC板露铜、五金缺陷、塑料缺陷、中心区域瑕疵等质量问题进行检测,实时性好、检测率较高。
Description
技术领域
本发明属于机器视觉自动化表面缺陷检测技术领域,具体涉及一种基于机器视觉的电池连接器质量检测方法。
背景技术
检测电池的保护板连接器是电池组装加工过程中的重要步骤,电池FPC连接器由于受来料本身或电池组装过程等影响,会造成的外观不良,如连接器偏移/歪斜、连接器焊接少锡/多锡、连接器塑胶本体破损变形、五金部分变形/缺失、连接器脏污等。这些缺陷可直接导致产品功能性不良,影响产品的使用性能,因此此工序成为产品质量监控的重要环节。
目前国内产品仍使用传统人工检测方法,即利用简单的CCD投影设备或放大镜等对产品的外观进行人工判断。人工检测的方法操作简单,但检测速度慢,容易引入误判,检测缺乏客观标准。此外,在对每块电池的进行检测前,首先需要识别电池的ID,即进行电池条码的扫描识别,而当前是以人工手持扫码器对每块电池逐一扫描并录入信息,同样面临上述问题。为降低企业人力成本,提高生产力,势必需要研发出一套高效、可靠、稳定的连接器外观在线自动检测系统。
为实现电池连接器的自动化检测,国内外相继出现了各项技术,大致分为两类:现实世界图像检测法,主要利用光学设备进行图像采集,将采集到的图像利用图像处理技术分析和识别,从而检测产品的质量。X射线无损检测是近年来发展起来的新兴技术,主要对其内部构造进行高分辨率检测,主要分为2D图像检测法、3D图像检测法。但该技术还不能摆脱人工干预,且速度较慢,因此应用范围有限。针对自动视觉检测方面的应用,国内已出现一些检测系统,但主要用于低端检测,而国外一些先进的自动化检测设备售价高昂,使国内众多企业难以接受。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于机器视觉的电池连接器质量检测方法,可对连接器常见的歪斜/偏移、FPC基板露铜、五金缺陷、塑料缺陷、中心区域瑕疵等质量问题进行检测,实时性好、检测率较高。
本发明采用以下技术方案:
一种基于机器视觉的电池连接器质量检测方法,建立连接器模板数据集,采集被检测连接器的图像,对所采集到的电池连接器原始图像进行图像裁剪截取该矩形窗区域的图像C,将裁剪图像C进行倾斜校正得到校正后图像C′,对图像C′进行重构的到图像D完成图像预处理,图像预处理完成后采用独立检测方法分别对连接器的位置、连接器FPC基板露铜、连接器中央区域瑕疵、连接器五金部件缺陷和连接器塑料部件缺陷进行检测,根据检测结果采用动态模板更新机制实时更新检测模板,最后以已校正图像D为基础建立坐标系,对缺陷进行分类、定位标记并将检测结果输出。
具体的,图像预处理包括以下步骤:
A1、采集一幅无缺陷、无偏移倾斜的连接器原始图像,在该图像中截取连接器区域图像M,提取其特征值并保存,以ID的形式标记,为后期模板匹配做准备。同时计算连接器区域图像的宽w与高h,作为连接器的尺寸;
A2、应用步骤A1建立的模板数据集在待测图像中搜索并定位连接器的位置,此时得到了连接器中心在图像中的位置坐标(xc,yc)、倾斜角α与尺寸w×h;在原始图像中开一个宽2w、高2h、倾斜角α的矩形窗,开窗尺寸应大于连接器FPC板尺寸;在原始图像中截取该矩形窗区域的图像C,完成裁剪;
A3、利用最小二乘法计算FPC基板侧边与底边的斜率K,在得到FPC基板倾斜量的基础上对图像C做反向旋转实现倾斜校正,校正后图像C′如下:
其中,为FPC基板的旋转角;
A4、对已校正图像C′进行灰度阈值分割,分割区域F(xl,yl)仅为FPC基板本体闭合区域,计算该区域的尺寸范围以定义重构后图像尺寸,新图像宽W、高H如下:
W=Max[xl]-Min[xl]
H=Max[yl]-Min[yl]
将分割区域F(xl,yl)数据复制到新建图像D完成重构用于后续检测。
具体的,连接器位置测量具体如下:
S101、利用图像预处理环节建立的连接器模板在已校正图像中搜索匹配,采用基于边缘方向梯度的模版匹配算法,搜索得到最大匹配度位置为(xc,yc),以及旋转角α;
S102、重构后图像D的边沿即为FPC基板的边沿,FPC底边相对图像底边的倾斜角为0度;故连接器相对FPC基板的倾斜角即为α,连接器在FPC基板中的相对位置如下:
Ll=xc-(w/2)/cosα
Lr=W-xc-(w/2)/cosα
Lb=H-yc-(h/2)/cosα
其中,Ll、Lr、Lb分别为连接器左、右、底边至FPC基板左、右、底边轮廓的相对距离,W为图像D的宽,H为图像D的高,w为连接器宽,h为连接器高。
具体的,将已校正图像中的连接器区域屏蔽,屏蔽窗是一块黑色填充区域,以连接器中心坐标(xc,yc)为中心,连接器倾斜角α为倾角,分别建立尺寸为0.385w×0.9h、0.645w×0.4h、0.588w×0.588h的三个屏蔽窗,采用自适应灰度阈值分割法将连接器FPC基板露铜区域分割出来进行检测。
进一步的,自适应灰度阈值分割法具体如下:
S201、计算被分割图像的灰度直方图,直方图中背景色像素与前景色像素占据主导;
S202、对直方图进行高斯滤波,得到了滤波后的平滑的直方图;
S203、计算直方图中极大值与次极大值ga、gb的灰度级位置;
S204、自适应阈值可由Th=(ga+gb)/2得到。
具体的,由步骤S1得到连接器中心坐标(xc,yc)与倾斜角α,通过计算得到中心区域宽高尺寸为wc=w/2.5,hc=h/3.8,利用上述参数在连接器图像中打开一个矩形检测窗Ir,以该窗区域为对象通过纹理检测方法提取瑕疵进行瑕疵,具体如下:
S301、对输入图像灰度化,将RGB三通道图像转换为单通道图像;
S302、对纹理区域背景进行分析:对单通道图像进行FFT变换,然后对其频谱执行高斯滤波,最后对滤波后数据FFT反变换,这样就得到了纹理背景;
S303、用单通道图像与纹理背景图像作差,使得纹理区域背景高频信息被消弱,图像得以增强;
S304、增强后的图像进行中值滤波,进一步消除噪声干扰,此时前景瑕疵与背景纹理对比度较大;
S305、利用灰度阈值法或者分水岭算法将纹理中的瑕疵提取出来,实现缺陷检测。
具体的,由模板匹配法已得到待测连接器的中心位置坐标(xc,yc),与倾斜角α,然后以(xc,yc)为中心对图像D反向旋转α,得到D′,此时待测图像中的连接器相对模板的倾斜量为0,再以(xc,yc)为中心,模板宽w高h为尺寸在待测图像中截取连接器区域Tc,采用模板比较图像做差比较Tc与模板M进行连接器五金部件缺陷检测。
具体的,采用多元量化指标对连接器塑料部件进行缺陷检测,具体如下:
S501、利用模板匹配法在已校正图像D中搜索并定位待检测连接器的中心(xc,yc)、倾斜角α、尺寸宽w高h;
S502、以上述参数在图像中截取连接器区域Ic,该图像仅包含连接器本体;
S503、根据连接器的长宽比例截取图像Ic的四个顶点A1、A2、A3、A4,截取尺寸为0.105w×0.28h;
S504、系统光源将光线投射到连接器4个顶点,其上表面反光强于侧面,用自适应灰度阈值分割法提取每个凸台的上表面区域,再进行矩形度评价以判断塑料部分是否被损坏,矩形度评价包括区域面积、轮廓周长、面积周长比和矩形度。
具体的,动态模板更新机制具体如下:
S601、待测图像Tc与当前模板M通过检测算法来检测当前工件是否为良品;
S602、根据检测结果,若为良品则以该连接器图像为基准建立更新模板,然后进行分拣,若为不良品则直接进行分拣;
S603、将更新模板Mu与上一周期检测模板Mo的参数集做加权平均运算实现模板更新,加权平均运算后的新模板Mn如下:
其中,a、b作为更新权重系数反映更新速度,作为用户参数进行设置,p1,p2…pn为模板参数;
S604、将步骤S603得到的新模板Mn作为下一周期检测模板参与运算。
具体的,以已校正图像D为基础建立坐标系,分析每一类缺陷的定位标记,具体如下:
S701、连接器偏移/倾斜;
S702、直接在全局坐标系XOY中对FPC基板露铜标记,若已检出某片区域Uc(xj,yj)露铜,则缺陷的位置与尺寸R如下:
其中,N为瑕疵区域像素点数;
S703、连接器的中心矩形区域为中心区缺陷的检测范围,在子图像中执行,将子图像坐标系xoy转换到全局坐标系XOY中,若存在缺陷区域Ud(xk,yk),中心区瑕疵尺寸同R,在全局坐标系的标记位置Xc,Yc如下:
其中,中心区域中心坐标为(xc,yc),中心区域的宽wc=w/2.5,高hc=h/3.8,中心区原点o在XOY中位置坐标为P(xc-wc/2,yc-hc/2);
S704、将连接器图像检测出的缺陷坐标变换到全局坐标系XOY中,连接器中心在XOY中的位置坐标为(xc,yc),宽w,高h;若存在缺陷区域Um(xr,yr),则五金部分存在缺陷在全局坐标系中的位置Xm,Ym可表示为:
S705、对连接器的四个顶点进行塑料部件的检测,四个顶点X1,Y1、X2,Y2、X3,Y3、X4,Y4的标记中心如下:
X1=xc-w/2+w′/2 Y1=yc-h/2+h′/2
X2=xc+w/2-w′/2 Y2=yc-h/2+h′/2
X3=xc-w/2+w′/2 Y3=yc+h/2-h′/2
X4=xc+w/2-w′/2 Y4=yc+h/2-h′/2
其中,顶点区域宽w′=0.105w,高h′=0.28h;
S706、最终的结果输出以两种形式表示,第一种:通过将已标记瑕疵的检测结果图像保存至本地磁盘输出;第二种:将连接器偏移/倾斜、FPC基板露铜、连接器中心区域缺陷、连接器五金缺陷和连接器塑料缺陷数据保存至数据库当中。
与现有技术相比,本发明至少具有以下有益效果:
本发明提出了一种基于机器视觉的连接器质量综合检测方法,建立连接器模板数据集,采集被检测连接器的图像,对所采集到的电池连接器原始图像进行图像裁剪截取该矩形窗区域的图像C,将裁剪图像C进行倾斜校正得到校正后图像C′,对图像C′进行重构的到图像D完成图像预处理,图像预处理完成后采用五种独立的检测方法分别对连接器的位置、连接器FPC基板露铜、连接器中央区域瑕疵、连接器五金部件缺陷和连接器塑料部件缺陷进行检测,根据检测结果采用动态模板更新机制实时更新检测模板,最后以已校正图像D为基础建立坐标系,对缺陷进行分类、定位标记并将检测结果输出,应用该方法可以实现快速、全方位、高精度的电池连接器质量检测而无需人工干预,在一定程度上为电池制造行业就电池连接器生产环节提供质量保障。
进一步的,图像预处理主要是对连接器原始图像执行裁剪、校正等工作提取连接器及FPC基板区域图像,消除冗余及干扰,为后续缺陷检测环节做准备工作。
进一步的,连接器是一种表贴式电子元件,对其位置测量可以判定其是否在焊接环节出现偏移或倾斜现象。
进一步的,采用自适应灰度阈值分割法检测FPC基板露铜缺陷可加强系统对光照变化的抗干扰能力,如光源光衰、照明供电电压不稳、环境光发生变化等情况。
进一步的,对电池连接器中心区域缺陷检测采用的是纹理分析的方法,由于其为磨砂材质,小尺寸或浅色缺陷不易被提取,故采用该方法可有效解决该问题。
进一步的,同型号的电池连接器其结构相似,因此采用模板匹配图像做差的方法比较模板与待测件五金部分是否存在较大差异。该方法能直观的反映待测件与模板存在的偏差分布情况。此外,该方法仅对二者之间五金部分进行比较而不影响其他项的检测。
进一步的,由于连接器塑料部件与FPC基板均为深色,检测时不易区分,故本文提出的塑料部件检测方法通过面积、周长、面积周长比、矩形度四个方面综合评价塑料部分缺损变形情况以最大程度保证检测准确性。
进一步的,系统长时间不间断的在产线运行,一些工作状态或条件会发生一定程度的变化,如光源光衰、设备振动、供电电压不稳定等因素。这些因素对检测的影响是渐变的,动态模板更新机制可最大程度降低该影响。
进一步的,通过检测对连接器图像中存在的各类缺陷以不同颜色的记号标记,可以使用户直观的察觉到当前被检电池连接器的缺陷分布情况,包括类别、数量以及尺寸。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明图像裁剪及分割示意图;
图2为本发明重构后图像示意图;
图3为本发明连接器位置测量示意图;
图4为本发明连接器露铜检测示意图;
图5为本发明连接器中心及五金检测示意图;
图6为本发明图像做差流程示意图;
图7为本发明塑料部件检测示意图;
图8为本发明动态模板更新机制原理图;
图9为本发明系统检测流程图;
图10为本发明电池连接器检测与标记分类示意图;
图11为本发明系统原理图;
图12为本发明系统软件架构图;
图13为本发明用户操作界面示意图。
其中:1.工控机;2.图像采集设备;3.光源控制器;4.扫码器;5.PLC控制器;6.机械手;7.送料带;8.电池;9.良品出料带;10.次品出料带。
具体实施方式
本发明提供了一种基于机器视觉的电池连接器质量检测方法,检测的前提需要采集被检测连接器的图像,假设已获取被检测连接器图像。在进行各项缺陷检测前需要对图像预处理,这里涉及三个环节:
A1、模板数据集
在进行连接器质量检测前首要的工作是建立连接器模板数据集,为后期的连接器定位及检测环节做准备。模板顾名思义即为一个标准、一个参照,因此需采集一幅无缺陷、无偏移倾斜的连接器原始图像。在该图像中截取连接器区域图像M,提取其特征值并保存,以ID的形式标记,为后期模板匹配做准备。同时计算连接器区域图像的宽w与高h,作为连接器的尺寸。
A2、图像裁剪
电池连接器检测所采集到的原始图像是一幅包含了电芯边缘、夹具背景、连接器等内容的复杂图像,为了降低信息冗余,消除无用背景信息的干扰,需通过图像裁剪粗略提取连接器图像。
本发明任意旋转角比例窗的裁剪方法,具体实现如下:
A201、应用步骤A1建立的模板数据集在待测图像中搜索并定位连接器的位置,此时得到了连接器中心在图像中的位置坐标(xc,yc)、倾斜角α与尺寸w×h(宽w高h,同等硬件平台下同型号连接器尺寸相似)。
A202、在原始图像中开一个宽2w、高2h、倾斜角α的矩形窗,开窗尺寸应大于连接器FPC板尺寸。
A203、在原始图像中截取该矩形窗区域的图像C,完成裁剪,图像裁剪如图1所示。
A3、倾斜校正
电池的连接器是焊接在FPC基板上的,所以检测是以FPC基板图像为基础进行后续多元化分析的。由于FPC基板与电池属于柔性连接,故每次采集的图像位置可能会有偏差,因此图像校正是必要环节。在检测视场中,偏移的发生不会对检测造成影响,这里主要校正倾斜量。
本环节的输入图像为裁剪图像C,此时图像中的FPC基板存在倾斜。要校正倾斜首先需要计算当前FPC基板的倾斜量,然后对图像整体反向旋转即可实现校正。利用最小二乘法计算FPC基板侧边与底边的斜率,如式(3-1)所示:
式中xi、yi为FPC基板边沿轮廓点的坐标,可由逐点扫描法采样得到,而采样点数n越大,计算的斜率精度越高,如图1所示。此时FPC基板的整体斜率可由三条边的斜率平均值表示,同时也可得到其旋转角,如式(3-2)所示:
在得到FPC基板倾斜量的基础上对图像C做反向旋转,如式(3-3)所示:
A4、为了方便后续检测环节,这里对校正后图像C′进行重构。重构方法如下:
A401、对已校正图像C′进行灰度阈值分割,分割区域F(xl,yl)仅为FPC基板本体闭合区域,如图1所示;
A402、计算该区域的尺寸范围以定义重构后图像尺寸,新图像宽W高H如式(3-4)所示:
A403、将分割区域F(xl,yl)数据复制到新建图像D完成重构,后续各项检测均以此图为基础,重构后图像如图2所示。
本发明一种基于机器视觉的电池连接器质量检测方法,根据电池连接器在生产制造过程中出现的各种缺陷,将其大致归为五类,在完成上述图像预处理的基础上对图像进一步分析,分别进行五种缺陷的检测,具体实现如下:
S1、连接器位置测量
连接器是一种表贴焊接原件,位置测量主要是为了检测连接器焊接在FPC基板中是否发生偏移或者倾斜。测量量分别为连接器边沿与FPC基板边沿的相对距离,连接器相对FPC基板底边的倾斜角。
S101、利用预处理环节建立的连接器模板在已校正图像中搜索匹配,模板匹配算法采用基于边缘方向梯度的模版匹配算法。搜索得到最大匹配度位置为(xc,yc)(此坐标亦为连接器中心),以及旋转角α。
S102、重构后图像D的边沿即为FPC基板的边沿,FPC底边相对图像底边的倾斜角为0度;故连接器相对FPC基板的倾斜角即为α,连接器在FPC基板中的相对位置可由式(3-5)所示:
式中,W为图像D的宽,H为图像D的高,w为连接器宽,h为连接器高。连接器位置测量示意图如图3所示,
S2、连接器FPC基板露铜检测
在生产加工过程中,由于工艺限制可能会对连接器焊接的FPC基板造成划伤,导致FPC基板中间层的覆铜裸露,形成安全隐患。因此露铜检测是检测FPC基板而非连接器本体。为了方便检测,首先需要将已校正图像中的连接器区域屏蔽。屏蔽窗是一块黑色填充区域,这里屏蔽窗由3部分组成,以连接器中心坐标(xc,yc)为中心,连接器倾斜角α为倾角,分别建立尺寸为0.385w×0.9h、0.645w×0.4h、0.588w×0.588h的三个屏蔽窗。
用屏蔽窗覆盖已校正图像中的连接器区域,此时的图像信息仅包含FPC基板表面。FPC基板为深色,露铜处为高亮色,这里采用自适应灰度阈值分割法将露铜区域分割出来以检测瑕疵,如图4所示,该方法具体如下:
S201、计算被分割图像的灰度直方图,直方图中背景色像素与前景色像素占据主导;
S202、对直方图进行高斯滤波,得到了滤波后的平滑的直方图;
S203、计算直方图中两个峰值(极大值与次极大值)ga、gb的灰度级位置;
S204、自适应阈值可由Th=(ga+gb)/2得到。
S3、连接器中央区域瑕疵检测
由于电池连接器的特殊构造,对其中央区域的瑕疵进行检测首先需要从连接器图像中截取该区域。由步骤S1得到连接器中心坐标(xc,yc)与倾斜角α,通过计算得到中心区域宽高尺寸为wc=w/2.5,hc=h/3.8,利用上述参数在连接器图像中打开一个矩形检测窗Ir,以该窗区域为对象进行瑕疵检测,如图5所示。
中心区域为塑料材质,磨砂表面,本发明纹理检测方法以提取瑕疵,具体实现如下:
S301、对输入图像灰度化,将RGB三通道图像转换为单通道图像;
S302、对纹理区域背景进行分析:对单通道图像进行FFT变换,然后对其频谱执行高斯滤波,最后对滤波后数据FFT反变换,这样就得到了纹理背景;
S303、用单通道图像与纹理背景图像作差,使得纹理区域背景高频信息被消弱,图像得以增强;
S304、增强后的图像进行中值滤波,进一步消除噪声干扰,此时瑕疵(前景)与纹理(背景)对比度较大;
S305、利用灰度阈值法或者分水岭算法将纹理中的瑕疵提取出来,实现缺陷检测。
S4、连接器五金部件缺陷检测
连接器五金部件的缺陷主要表现为变形、缺损,本发明针对此类缺陷的检测是通过模板比较图像做差的方法实现。
由模板匹配法已得到待测连接器的中心位置坐标(xc,yc),与倾斜角α。然后以(xc,yc)为中心对图像D反向旋转α,得到D′,如式(3-6)所示:
此时待测图像中的连接器相对模板的倾斜量为0,再以(xc,yc)为中心,模板宽w高h为尺寸在待测图像中截取连接器区域Tc。由于同型号连接器构造相似,通过比较Tc与模板M即可检测五金部件缺陷。
在Tc与M中,五金部分反光性强,通过自适应阈值法即可提取出五金部分区域,得到Tc′,M′,设有图像X与Y,则作差结果Z可由式(3-7)所示:
Z=X∪Y-Y (3-7)
很明显Z即为X比Y多出的部分。对Tc′,M′应用该方法即可得到待测图像中五金部分相对于模板所缺损或形变的部分,记为Um(xr,yr)。其中异常的连接器五金部分重合度较低,图像相减后Um值较大。该方法的实施需要结合一些预处理与后处理环节以保证检测的精确度,具体流程如图6所示。
S5、连接器塑料部件缺陷检测
由于连接器塑料部件与FPC基板均为黑色,灰度反差较小不易检测,本发明以多元量化指标来评价连接器塑料部件是否损坏,具体步骤如下:
S501、利用模板匹配法在已校正图像D中搜索并定位待检测连接器(中心(xc,yc)、倾斜角α、尺寸宽w高h);
S502、以上述参数在图像中截取连接器区域Ic,该图像仅包含连接器本体,由于连接器的构造已知,连接器塑料部分主要为其4个顶点,每个顶点的构造相似,故可用同一套方法评价;
S503、根据连接器的长宽比例截取图像Ic的四个顶点A1、A2、A3、A4,截取尺寸为0.105w×0.28h;
S504、由于硬件设计,系统光源将光线投射到连接器4个顶点,其上表面反光强于侧面,形似“凸台”状,此时用自适应灰度阈值分割法提取每个凸台的上表面区域,再进行矩形度评价以判断塑料部分是否被损坏。
矩形度评价包含四个方面:
区域面积:这里面积可用像素数表示,由分割区域像素数NA来决定;
轮廓周长:对分割的区域使用Canny算子,提取其边沿,计算周长L;
面积周长比:
矩形度:其中Sr为分割区域最小外接矩形面积。
只有四个条件同时满足阈值方可认为连接器某顶点塑料部分正常。检测过程如图7所示。
S6、动态模板更新机制
在实际生产过程中系统的运行环境较为复杂,同时长时间在产线不间断工作,一些工作状态或条件会发生一定程度的变化,如光源光衰、设备振动、供电电压不稳定等因素。这些因素对检测的影响是渐变的,为最大程度降低影响,本发明提出了一种动态模板更新机制,顾名思义就是根据检测结果实时更新检测模板,使系统的检测基准趋向于当前的工作状态。该机制的原理图如图8所示:
该机制的流程如下:
S601、待测图像Tc与当前模板M通过检测算法来检测当前工件是否为良品;
S602、根据检测结果,若为良品则以该连接器图像为基准建立更新模板,然后进行分拣,若为不良品则直接进行分拣。
S603、将更新模板Mu与上一周期检测模板Mo的参数集做加权平均运算实现模板更新,加权平均运算如式(3-8)所示:
式中a、b作为更新权重系数反映更新速度,可作为一项用户参数进行设置,p1,p2…pn为模板参数。
S604、得到的新的Mn作为下一周期检测模板参与运算。
请参阅图11,本发明基于机器视觉的电池连接器质量检测系统,包括工控机1、图像采集设备2、光源及光源控制器3、扫码器4、PLC控制器5、取料机械手6、送料带7、电池8、良品出料带9和次品出料带10。
工控机1通过Gige与PLC控制器5、光源控制器设备3中的光源控制器以及图像采集设备2中的相机连接,通过RS232与扫码器4连接,PLC控制器5分别与送料机构的送料带7、机械手6以及良品出料带9和次品出料带10连接,机械手用于拾取电池8。
请参阅图12和13,为本发明的系统软件架构图,软件部分主要分为六大模块,包括系统管理、检测算法、硬件驱动、系统配置、系统控制以及系统输出。其中检测算法与硬件驱动在后台执行,用户不可修改,而其他部分用户都可在可视化界面下操作。系统配置为非常重要的一个环节,包括检测模板配置、检测结果输出配置、检测参数设置、图像采集配置以及串口通信配置。只有正确的配置才能保证系统正常运行。
请参阅图12,其中,系统软件各模块的主要功能为:
系统管理:系统用户的登录、注册、权限管理功能以及任务管理功能。
检测算法:针对连接器质量评价的软件实现方法,具体流程已在前文中描述。
硬件驱动:硬件驱动主要实现应用软件对各个硬件部件的控制与管理。
系统配置:这里的配置项包含五项,已在前文中描述,对各项配置是支持系统自动检测的基础。
系统控制:控制检测系统的运行状态,其中包括离线运行、单步运行以及自动运行。
系统输出:输出系统的检测结果,主要以三种形式输出,即实时结果输出、后台数据输出以及系统运行状态显示。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明一种基于机器视觉的电池连接器质量检测方法的流程图如图9所示,具体步骤如下:
1、启动系统,建立电池连接器初始模板数据集;
2、配置系统,在系统运行前配置其输出方式、串口通信、检测参数、模板信息、图像采集,并对这些配置项保存;
3、启动系统,准备工作完成后,系统软件向电控装置PLC发送送料命令Cmd1;
4、送料,PLC收到送料命令后控制机械手抓取一片待测电池至条码扫描区,然后发送送料完成命令Cmd2并等待;
5、条码扫描,计算机控制扫描器扫描待测电池条码,若扫码成功则保存条码信息,发送命令Cmd3进行下一环节,反之则发送命令Cmd4执行次品分拣;
6、系统软件收到Cmd3命令后控制图像采集设备捕获检测区域电池连接器图像;
7、将采集到的电池原始图像保存至计算机内存当中,这时作为输入项利用第三章所述方法进行处理;
8、检测过程中的检测数据(连接器偏移与倾斜、五金瑕疵、塑料瑕疵、中心瑕疵、FPC基板露铜)将保存至Access数据库中,同时输出检测结果图像;
9、经过算法处理后,检测结果分为良品与不良品,若为良品则执行模板更新机制,然后系统根据结果不同向电控PLC发送命令Cmd5或Cmd4,
10、PLC根据命令的不同控制机械手对已检测电池分拣,并等待下一周期的检测任务,重复步骤3~10的工作。
S7、缺陷的分类、定位标记以及检测结果的输出
在电池连接器加工组装过程中,会引起各种缺陷的产生,如外观不良,连接器偏移/歪斜、连接器塑胶本体破损变形、五金部分变形/缺失、连接器脏污等,根据行业需要,本发明实现了对各种缺陷的检测方法,并以预处理后的图像D为基础,分析各种类型的缺陷,如图10所示:
由于功能不同,各个子算法的输出代表了此类缺陷的存在与否,并以不同颜色的记号标记在图像D上,这样就完成了自动分类。
由于检测机理不同,以图像D为基础建立坐标系,分析每一类缺陷的定位标记方法:
S701、连接器偏移/倾斜:连接器位置与倾斜量的测量是以数据的形式表现的,最终会与标准阈值进行比较而无需标记。
S702、FPC基板露铜
FPC基板露铜的检测范围即为图像D的全局检测范围,故不需要进行坐标变换,直接在全局坐标系XOY中标记,若已检出某片区域Uc(xj,yj)露铜,则缺陷的位置与尺寸可分别由式(4-1)与式(4-2)表示:
其中,N为瑕疵区域像素点数;
S703、中心区缺陷
中心区缺陷的检测范围为连接器的中心矩形区域,在子图像中执行,需要将子图像坐标系xoy转换到全局坐标系XOY中。
由前述得中心区域中心坐标为(xc,yc),中心区域的宽wc=w/2.5,中心区域的高hc=h/3.8,则中心区原点o在XOY中位置坐标为P(xc-wc/2,yc-hc/2)。
若存在缺陷区域Ud(xk,yk),中心区瑕疵尺寸同式(4-2),而在全局坐标系的标记位置为式(4-3);
S704、五金部件缺陷
连接器五金部件缺陷是以连接器本体通过图像相减的方式检测的,需要将连接器图像检测出的缺陷坐标变换到全局坐标系XOY中。同样做差得到的缺陷尺寸同式(4-2)所示。
连接器中心在XOY中的位置坐标为(xc,yc),宽w,高h;若存在缺陷区域Um(xr,yr),则五金部分存在缺陷在全局坐标系中可表示为式(4-4):
S705、塑料部件缺陷
塑料部件的检测是针对连接器的四个顶点,因此一旦检测出某处塑料部分存在缺陷,直接将此顶点区域圈出完成标记。由前述得顶点区域宽w′=0.105w,高h′=0.28h,四个顶点的标记中心如式(4-5)所示:
S706、最终的结果输出以两种形式表示,第一种:通过将已标记瑕疵的检测结果图像实时显示并保存至本地磁盘输出;第二种:将所有检测数据(连接器偏移/倾斜、FPC基板露铜、连接器中心区域缺陷、连接器五金缺陷、连接器塑料缺陷)保存至数据库当中。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于机器视觉的电池连接器质量检测方法,其特征在于,建立连接器模板数据集,采集被检测连接器的图像,对所采集到的电池连接器原始图像进行图像裁剪截取该矩形裁剪窗区域的图像C,将裁剪图像C进行倾斜校正得到校正后图像C′,对图像C′进行重构的到图像D完成图像预处理,图像预处理完成后分别采用独立检测方法对连接器的位置、连接器FPC基板露铜、连接器中央区域瑕疵、连接器五金部件缺陷和连接器塑料部件缺陷进行检测,根据检测结果采用动态模板更新机制实时更新检测模板,最后以已校正图像D为基础建立坐标系,对缺陷进行分类、定位标记并将检测结果输出。
2.根据权利要求1所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,图像预处理包括以下步骤:
A1、采集一幅无缺陷、无偏移倾斜的连接器原始图像,在该图像中截取连接器区域图像M,提取其特征值并保存,以ID的形式标记,为后期模板匹配做准备,同时计算连接器区域图像的宽w与高h,作为连接器的尺寸;
A2、应用步骤A1建立的模板数据集在待测图像中搜索并定位连接器的位置,此时得到了连接器中心在图像中的位置坐标(xc,yc)、倾斜角α与尺寸w×h;在原始图像中开一个宽2w、高2h、倾斜角α的矩形窗,开窗尺寸应大于连接器FPC板尺寸;在原始图像中截取该矩形窗区域的图像C,完成裁剪;
A3、利用最小二乘法计算FPC基板侧边与底边的斜率K,在得到FPC基板倾斜量的基础上对图像C做反向旋转实现倾斜校正,校正后图像C′如下:
其中,为FPC基板的旋转角;
A4、对已校正图像C′进行灰度阈值分割,分割区域F(xl,yl)仅为FPC基板本体闭合区域,计算该区域的尺寸范围以定义重构后图像尺寸,新图像宽W、高H如下:
W=Max[xl]-Min[xl]
H=Max[yl]-Min[yl]
将分割区域F(xl,yl)数据复制到新建图像D完成重构用于后续检测。
3.根据权利要求1所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,连接器位置测量具体如下:
S101、利用图像预处理环节建立的连接器模板在已校正图像中搜索匹配,采用基于边缘方向梯度的模版匹配算法,搜索得到最大匹配度位置为(xc,yc),以及旋转角α;
S102、重构后图像D的边沿即为FPC基板的边沿,FPC底边相对图像底边的倾斜角为0度;故连接器相对FPC基板的倾斜角即为α,连接器在FPC基板中的相对位置如下:
Ll=xc-(w/2)/cosα
Lr=W-xc-(w/2)/cosα
Lb=H-yc-(h/2)/cosα
其中,Ll、Lr、Lb分别为连接器左、右、底边至FPC基板左、右、底边轮廓的相对距离,W为图像D的宽,H为图像D的高,w为连接器宽,h为连接器高。
4.根据权利要求1所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,将已校正图像中的连接器区域屏蔽,屏蔽窗是一块黑色填充区域,以连接器中心坐标(xc,yc)为中心,连接器倾斜角α为倾角,分别建立尺寸为0.385w×0.9h、0.645w×0.4h、0.588w×0.588h的三个屏蔽窗,采用自适应灰度阈值分割法将连接器FPC基板露铜区域分割出来进行检测。
5.根据权利要求4所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,自适应灰度阈值分割法具体如下:
S201、计算被分割图像的灰度直方图,直方图中背景色像素与前景色像素占据主导;
S202、对直方图进行高斯滤波,得到了滤波后的平滑的直方图;
S203、计算直方图中极大值与次极大值ga、gb的灰度级位置;
S204、自适应阈值可由Th=(ga+gb)/2得到。
6.根据权利要求1所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,由步骤S1得到连接器中心坐标(xc,yc)与倾斜角α,通过计算得到中心区域宽高尺寸为wc=w/2.5,hc=h/3.8,利用上述参数在连接器图像中打开一个矩形检测窗Ir,以该窗区域为对象通过纹理检测方法提取瑕疵进行瑕疵,具体如下:
S301、对输入图像灰度化,将RGB三通道图像转换为单通道图像;
S302、对纹理区域背景进行分析:对单通道图像进行FFT变换,然后对其频谱执行高斯滤波,最后对滤波后数据FFT反变换,这样就得到了纹理背景;
S303、用单通道图像与纹理背景图像作差,使得纹理区域背景高频信息被消弱,图像得以增强;
S304、增强后的图像进行中值滤波,进一步消除噪声干扰,此时前景瑕疵与背景纹理对比度较大;
S305、利用灰度阈值法或者分水岭算法将纹理中的瑕疵提取出来,实现缺陷检测。
7.根据权利要求1所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,由模板匹配法已得到待测连接器的中心位置坐标(xc,yc),与倾斜角α,然后以(xc,yc)为中心对图像D反向旋转α,得到D′,此时待测图像中的连接器相对模板的倾斜量为0,再以(xc,yc)为中心,模板宽w高h为尺寸在待测图像中截取连接器区域Tc,采用模板比较图像做差比较Tc与模板M进行连接器五金部件缺陷检测。
8.根据权利要求1所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,采用多元量化指标对连接器塑料部件进行缺陷检测,具体如下:
S501、利用模板匹配法在已校正图像D中搜索并定位待检测连接器的中心(xc,yc)、倾斜角α、尺寸宽w高h;
S502、以上述参数在图像中截取连接器区域Ic,该图像仅包含连接器本体;
S503、根据连接器的长宽比例截取图像Ic的四个顶点A1、A2、A3、A4,截取尺寸为0.105w×0.28h;
S504、系统光源将光线投射到连接器4个顶点,其上表面反光强于侧面,用自适应灰度阈值分割法提取每个凸台的上表面区域,再进行矩形度评价以判断塑料部分是否被损坏,矩形度评价包括区域面积、轮廓周长、面积周长比和矩形度。
9.根据权利要求1所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,动态模板更新机制具体如下:
S601、待测图像Tc与当前模板M通过检测算法来检测当前工件是否为良品;
S602、根据检测结果,若为良品则以该连接器图像为基准建立更新模板,然后进行分拣,若为不良品则直接进行分拣;
S603、将更新模板Mu与上一周期检测模板Mo的参数集做加权平均运算实现模板更新,加权平均运算后的新模板Mn如下:
其中,a、b作为更新权重系数反映更新速度,作为用户参数进行设置,p1,p2…pn为模板参数;
S604、将步骤S603得到的新模板Mn作为下一周期检测模板参与运算。
10.根据权利要求1所述的一种基于机器视觉的电池连接器质量检测方法,其特征在于,以已校正图像D为基础建立坐标系,分析每一类缺陷的定位标记,具体如下:
S701、连接器偏移/倾斜;
S702、直接在全局坐标系XOY中对FPC基板露铜标记,若已检出某片区域Uc(xj,yj)露铜,则缺陷的位置与尺寸R如下:
其中,N为瑕疵区域像素点数;
S703、连接器的中心矩形区域为中心区缺陷的检测范围,在子图像中执行,将子图像坐标系xoy转换到全局坐标系XOY中,若存在缺陷区域Ud(xk,yk),中心区瑕疵尺寸同R,在全局坐标系的标记位置Xc,Yc如下:
其中,中心区域中心坐标为(xc,yc),中心区域的宽wc=w/2.5,高hc=h/3.8,中心区原点o在XOY中位置坐标为P(xc-wc/2,yc-hc/2);
S704、将连接器图像检测出的缺陷坐标变换到全局坐标系XOY中,连接器中心在XOY中的位置坐标为(xc,yc),宽w,高h;若存在缺陷区域Um(xr,yr),则五金部分存在缺陷在全局坐标系中的位置Xm,Ym可表示为:
S705、对连接器的四个顶点进行塑料部件的检测,四个顶点X1,Y1、X2,Y2、X3,Y3、X4,Y4的标记中心如下:
X1=xc-w/2+w′/2Y1=yc-h/2+h′/2
X2=xc+w/2-w′/2Y2=yc-h/2+h′/2
X3=xc-w/2+w′/2Y3=yc+h/2-h′/2
X4=xc+w/2-w′/2Y4=yc+h/2-h′/2
其中,顶点区域宽w′=0.105w,高h′=0.28h;
S706、最终的结果输出以两种形式表示,第一种:通过将已标记瑕疵的检测结果图像实时显示并保存至本地磁盘输出;第二种:将连接器偏移/倾斜、FPC基板露铜、连接器中心区域缺陷、连接器五金缺陷和连接器塑料缺陷数据保存至数据库当中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810016140.6A CN108355981B (zh) | 2018-01-08 | 2018-01-08 | 一种基于机器视觉的电池连接器质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810016140.6A CN108355981B (zh) | 2018-01-08 | 2018-01-08 | 一种基于机器视觉的电池连接器质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108355981A true CN108355981A (zh) | 2018-08-03 |
CN108355981B CN108355981B (zh) | 2020-03-17 |
Family
ID=63011167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810016140.6A Active CN108355981B (zh) | 2018-01-08 | 2018-01-08 | 一种基于机器视觉的电池连接器质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108355981B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109121309A (zh) * | 2018-10-11 | 2019-01-01 | 深圳视觉龙智能传感器有限公司 | 软电路板翻折对位的视觉方法及系统 |
CN109406174A (zh) * | 2018-12-30 | 2019-03-01 | 杭州翰融智能科技有限公司 | 一种轮毂检测报警方法及设备 |
CN110425978A (zh) * | 2019-07-31 | 2019-11-08 | 合肥康普曼数字技术有限公司 | 一种电池托盘的质量检测系统及其方法 |
CN111275659A (zh) * | 2018-12-03 | 2020-06-12 | 中国商用飞机有限责任公司 | 一种焊缝图像处理方法、装置、终端设备及存储介质 |
CN112024423A (zh) * | 2020-07-23 | 2020-12-04 | 安徽正熹标王新能源有限公司 | 一种用于电池表面的缺陷检测系统 |
CN112819745A (zh) * | 2019-10-31 | 2021-05-18 | 合肥美亚光电技术股份有限公司 | 坚果籽仁中心虫蚀缺陷检测方法及装置 |
CN113058868A (zh) * | 2021-03-17 | 2021-07-02 | 王展 | 一种光伏电池片外形缺陷的检测装置及其检测方法 |
WO2021169335A1 (zh) * | 2020-02-25 | 2021-09-02 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
CN113834816A (zh) * | 2021-09-30 | 2021-12-24 | 江西省通讯终端产业技术研究院有限公司 | 基于机器视觉的光伏电池缺陷在线检测方法及系统 |
CN114354491A (zh) * | 2021-12-30 | 2022-04-15 | 苏州精创光学仪器有限公司 | 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 |
CN114444986A (zh) * | 2022-04-11 | 2022-05-06 | 成都数之联科技股份有限公司 | 产品分析方法及系统及装置及介质 |
CN114549393A (zh) * | 2021-08-03 | 2022-05-27 | 正泰集团研发中心(上海)有限公司 | 图像标注方法、装置、设备及计算机存储介质 |
CN114694165A (zh) * | 2022-06-01 | 2022-07-01 | 济南大学 | 一种pid图纸智能识别与重绘方法 |
CN115661040A (zh) * | 2022-09-28 | 2023-01-31 | 广州市易鸿智能装备有限公司 | 一种锂电池电芯涂胶的检测方法及装置、电子设备 |
WO2023039693A1 (zh) * | 2021-09-14 | 2023-03-23 | 宁德时代新能源科技股份有限公司 | 检测方法、电子设备和计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915762A (zh) * | 2009-11-05 | 2010-12-15 | 东莞理工学院城市学院 | 一种在线视觉检测方法 |
CN103674961A (zh) * | 2012-09-14 | 2014-03-26 | 株式会社其恩斯 | 外观检查设备、外观检查方法以及程序 |
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 |
US20160133001A1 (en) * | 2012-02-24 | 2016-05-12 | Kabushiki Kaisha Toshiba | Method of assembling an electric equipment having a first connector and a second connector |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN107262393A (zh) * | 2017-07-19 | 2017-10-20 | 深圳市辰卓科技有限公司 | 图像采集检测一体机及其图像采集检测方法、装置 |
-
2018
- 2018-01-08 CN CN201810016140.6A patent/CN108355981B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915762A (zh) * | 2009-11-05 | 2010-12-15 | 东莞理工学院城市学院 | 一种在线视觉检测方法 |
US20160133001A1 (en) * | 2012-02-24 | 2016-05-12 | Kabushiki Kaisha Toshiba | Method of assembling an electric equipment having a first connector and a second connector |
CN103674961A (zh) * | 2012-09-14 | 2014-03-26 | 株式会社其恩斯 | 外观检查设备、外观检查方法以及程序 |
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 |
CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
CN107262393A (zh) * | 2017-07-19 | 2017-10-20 | 深圳市辰卓科技有限公司 | 图像采集检测一体机及其图像采集检测方法、装置 |
Non-Patent Citations (1)
Title |
---|
朱健: "基于机器视觉的连接器表面缺陷检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109121309A (zh) * | 2018-10-11 | 2019-01-01 | 深圳视觉龙智能传感器有限公司 | 软电路板翻折对位的视觉方法及系统 |
CN111275659A (zh) * | 2018-12-03 | 2020-06-12 | 中国商用飞机有限责任公司 | 一种焊缝图像处理方法、装置、终端设备及存储介质 |
CN111275659B (zh) * | 2018-12-03 | 2023-09-08 | 中国商用飞机有限责任公司 | 一种焊缝图像处理方法、装置、终端设备及存储介质 |
CN109406174A (zh) * | 2018-12-30 | 2019-03-01 | 杭州翰融智能科技有限公司 | 一种轮毂检测报警方法及设备 |
CN110425978A (zh) * | 2019-07-31 | 2019-11-08 | 合肥康普曼数字技术有限公司 | 一种电池托盘的质量检测系统及其方法 |
CN112819745A (zh) * | 2019-10-31 | 2021-05-18 | 合肥美亚光电技术股份有限公司 | 坚果籽仁中心虫蚀缺陷检测方法及装置 |
WO2021169335A1 (zh) * | 2020-02-25 | 2021-09-02 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
CN112024423A (zh) * | 2020-07-23 | 2020-12-04 | 安徽正熹标王新能源有限公司 | 一种用于电池表面的缺陷检测系统 |
CN113058868A (zh) * | 2021-03-17 | 2021-07-02 | 王展 | 一种光伏电池片外形缺陷的检测装置及其检测方法 |
CN114549393A (zh) * | 2021-08-03 | 2022-05-27 | 正泰集团研发中心(上海)有限公司 | 图像标注方法、装置、设备及计算机存储介质 |
CN114549393B (zh) * | 2021-08-03 | 2024-01-19 | 正泰集团研发中心(上海)有限公司 | 图像标注方法、装置、设备及计算机存储介质 |
WO2023039693A1 (zh) * | 2021-09-14 | 2023-03-23 | 宁德时代新能源科技股份有限公司 | 检测方法、电子设备和计算机可读存储介质 |
US11875531B1 (en) | 2021-09-14 | 2024-01-16 | Contemporary Amperex Technology Co., Limited | Detection method, electronic device, and computer-readable storage medium |
CN113834816A (zh) * | 2021-09-30 | 2021-12-24 | 江西省通讯终端产业技术研究院有限公司 | 基于机器视觉的光伏电池缺陷在线检测方法及系统 |
CN114354491A (zh) * | 2021-12-30 | 2022-04-15 | 苏州精创光学仪器有限公司 | 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 |
CN114444986B (zh) * | 2022-04-11 | 2022-06-03 | 成都数之联科技股份有限公司 | 产品分析方法及系统及装置及介质 |
CN114444986A (zh) * | 2022-04-11 | 2022-05-06 | 成都数之联科技股份有限公司 | 产品分析方法及系统及装置及介质 |
CN114694165A (zh) * | 2022-06-01 | 2022-07-01 | 济南大学 | 一种pid图纸智能识别与重绘方法 |
CN115661040A (zh) * | 2022-09-28 | 2023-01-31 | 广州市易鸿智能装备有限公司 | 一种锂电池电芯涂胶的检测方法及装置、电子设备 |
CN115661040B (zh) * | 2022-09-28 | 2023-07-14 | 广州市易鸿智能装备有限公司 | 一种锂电池电芯涂胶的检测方法及装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108355981B (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108355981A (zh) | 一种基于机器视觉的电池连接器质量检测方法 | |
CN108355987B (zh) | 一种基于分块模板匹配的电池丝印质量检测方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN109856156A (zh) | 一种基于aoi的显示面板微小缺陷判定方法与装置 | |
CN111929314A (zh) | 一种轮毂焊缝视觉检测方法及检测系统 | |
CN109284718B (zh) | 面向巡检机器人的变视角多仪表同时识别方法 | |
CN105184793A (zh) | 一种电能表样品外观及pcb板元件检测方法 | |
CN110567976B (zh) | 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN108827969A (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
CN110473184A (zh) | 一种pcb板缺陷检测方法 | |
CN114359246A (zh) | 输送机皮带检测方法、装置、系统、电子设备及介质 | |
CN110096980A (zh) | 字符检测识别系统 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN110781913A (zh) | 一种拉链布带缺陷检测方法 | |
CN114445707A (zh) | 瓶装水标签缺陷智能化视觉精细检测方法 | |
Fu et al. | Medicine glass bottle defect detection based on machine vision | |
TWI694250B (zh) | 表面缺陷偵測系統及其方法 | |
CN111951218A (zh) | 一种混合深度学习模型的口红质检系统 | |
Kunze et al. | Efficient deployment of deep neural networks for quality inspection of solar cells using smart labeling | |
CN113269234A (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
Yang et al. | Design of drug and wine bottlecap defect detection system based on machine vision | |
Sun et al. | Precision work-piece detection and measurement combining top-down and bottom-up saliency | |
Adamo et al. | An online defects inspection system for satin glass based on machine vision | |
CN113947598A (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 |
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 |