CN108694711A - 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 - Google Patents
基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 Download PDFInfo
- Publication number
- CN108694711A CN108694711A CN201810152769.3A CN201810152769A CN108694711A CN 108694711 A CN108694711 A CN 108694711A CN 201810152769 A CN201810152769 A CN 201810152769A CN 108694711 A CN108694711 A CN 108694711A
- Authority
- CN
- China
- Prior art keywords
- defect
- ceramic membrane
- image
- detection
- membrane surface
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 85
- 239000000919 ceramic Substances 0.000 title claims abstract description 56
- 239000012528 membrane Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims description 11
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 238000010408 sweeping Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims 1
- 235000020061 kirsch Nutrition 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 239000013535 sea water Substances 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001223 reverse osmosis Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010612 desalination reaction Methods 0.000 description 2
- 238000011033 desalting Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 239000013335 mesoporous material Substances 0.000 description 1
- 238000001471 micro-filtration Methods 0.000 description 1
- 239000012229 microporous material Substances 0.000 description 1
- 239000012982 microporous membrane Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30132—Masonry; Concrete
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
基于机器视觉技术实现陶瓷膜表面缺陷的二维检测方法，本发明采用数字图像处理技术，构建了由机械单元、检测操作单元、图像采集单元和图像处理单元及结果显示单元组成的陶瓷膜表面缺陷的检测系统。采用中值滤波算子对表面图像进行预处理；分析了不同边缘检测算子对陶瓷膜边缘提取的效果，选择了Kirsch算子和Canny算子的结合来实现表面缺陷的边缘检测；选择迭代式阈值分割法作为后续的处理过程的备用算法；通过计算二值缺陷图像的面积和长宽对比后，采用特征阈值指标判断陶瓷膜是否为合格品，实现正次品以及缺陷类型的分类。本发明方法可实现基于机器视觉技术实现陶瓷膜表面缺陷的二维检测，检测方法快速智能、安全可靠，提高了检测效率。
Description
技术领域
本发明涉及一种陶瓷膜表面缺陷的二维检测方法，属于机械工程和化学工业技术领域。
背景技术
反渗透海水淡化目前已成为海水淡化最主要的方法之一。目前反渗透海水淡化工程预处理的方法主要有多介质过滤和有机膜超/微滤。传统的多介质过滤不能完全去除胶体和悬浮物质，出水水质易产生波动，从而降低反渗透膜的产水能力和寿命；有机膜超/微滤法预处理存在有机膜老化、断丝等难题，同时由于我国海水水质较差，大多数有机膜使用寿命不足。与上述两种方法相比，陶瓷膜具有孔径分布窄、孔隙率高、分离层薄、过滤阻力小等优点，而且单位膜表面积处理量高、产水能力大，膜的化学性质稳定，可以在海水中长期稳定运行，更适用于海水淡化预处理。
微孔陶瓷膜分离技术在给水处理中的应用始于20世纪80年代初期，特别是在欧洲一些国家，如法国、意大利等在这些方面的实践工作更是走在世界的前列。用微孔陶瓷膜进行给水处理的优点是能够保证更好和更可靠的水质，不用化学物质，特别适合于高附加值产品。我国从20世纪80年代开始无机膜的研究工作，迄今已取得了较大的进步，陶瓷膜的用于水处理也已逐步走向工程化，但相比之下，国内在多孔陶瓷材料产业发展方面与国外先进国家相比存在明显不足，其一是国内绝大数人对多数陶瓷材料缺乏必要的了解，其二是国内多孔陶瓷材料的发展技术不均衡。
已有技术中，伊朗的阿米尔卡比尔理工大学的Saeed Hosseinzadeh等在“Automatic detection and classification of the ceramic tiles' surfacedefects”（Pattern Recognition.2017. Jun，66:174-189）一文中提出了一种基于封闭形态学算子，和统计方式对瓷砖缺陷进行标记的检测方法，但标记点的可靠性将影响最终检测效果；挪威的Kumakiri等在“Membrane characterisation by a novel defectdetection technique”（Microporous and Mesoporous Materials,Vol115,No1-2(October),2008:33-39）一文中提出了一种新的薄膜表征技术，用于纳米缺陷的可视化和定位，这种新技术大大简化了膜的泄漏检测，使准确定位小泄漏也成为可能；国内西安理工大学郭萌等在“基于Kirsch和Canny算子的陶瓷碗表面缺陷检测方法”（光学学报，2016年6月第36卷第9期）一文中，采用Kirsch算子和Canny算子结合的边缘检测算子，提出来了一种机器视觉技术对陶瓷碗表面缺陷的检测方法；湖北工业大学汤亮等在“基于区域分级的陶瓷阀芯表面缺陷检测系统研究与实现”（组合机床与自动化加工技术，2017年第10卷第82-86页）一文中，依据陶瓷阀芯表面反射率的不同，提出了一种分区域、多级优化的陶瓷阀芯表面缺陷检测算法；武汉理工大学的于彬等在“基于数字图像处理的陶瓷瓶裂纹检测研究”（硕士学位论文）一文中，在介绍陶瓷瓶裂纹检测系统的原理和数字图像处理技术的概念上，设计了适用于陶瓷瓶裂纹检测的算法。但这些研究均处于探索阶段，如在采用Kirsch算子和Canny算子的结合对陶瓷碗表面缺陷的检测方法，主要适用于陶瓷碗的气泡和麻坑缺陷检测，而对陶瓷碗成品中可能出现的其他缺陷，如裂纹、滑坑、落渣等检测的准确性、效率有待进一步提高和优化。因此整个陶瓷膜表面缺陷检测方法仍存在一定的空白，离实际生产应用也还有相当长的距离。
发明内容
为了克服现有技术的不足和缺陷，本发明采用先进的数字图像处理技术，提供一种基于机器视觉技术实现陶瓷膜表面缺陷的二维检测方法，该方法能够提高海水淡化的效率。
本发明的目的是通过以下技术方案实现的，基于机器视觉技术实现陶瓷膜表面缺陷的二维检测方法，包括以下步骤:
1)基于图像滤波实现陶瓷膜原图像的预处理；
2)基于边缘检测算子的平板陶瓷膜的边缘检测；
3)基于缺陷几何特征实现陶瓷膜正次品的检测。
优选的，所述步骤（1）中的预处理是相对于图像识别的一种前期处理，改善图像质量。预处理可以去除背景噪声，减少照明不均匀对图像的影响，修正图像获取过程中引起的几何畸变。
所述图像滤波采用中值滤波，中值滤波是一种非线性信号处理技术，在图像获取或传输过程中，平滑噪声，特别是对滤除脉冲干扰及图像扫面噪声非常有效，且可以保证陶瓷膜缺陷信息的真实性。
优选的，所述步骤（2）中的图像边缘检测算子采用拉普拉斯-高斯算子（LoG）。LoG算子对陶瓷膜原图像边缘检测时，对可能出现的空洞、斑点和划伤等缺陷边缘定位准确，同时，又降低了对噪声的敏感度。
优选的，所述步骤（3）中的陶瓷膜表面缺陷几何特征检测方法为：
（1）采用迭代式阈值分割法求出的最佳阈值对图像进行二值化；
（2）采用特征阈值指标判断陶瓷膜是否为合格品。
经过阈值分割处理后的二值图像，缺陷与背景得到分离。通过对缺陷区域的面积和长宽检测和计算，实现正次品和缺陷类型的分类，包括：
缺陷面积： （1）
定义长宽比公式： （2）
缺陷类型分为空洞、裂纹和划伤，缺陷面积的取值只有和两种。，判断有缺陷；，判断无缺陷。当，，缺陷类型是空洞；当，，缺陷类型是划伤；当，，缺陷类型是裂纹。
式（1）中的为像素值，为缺陷区域像素点的集合，为像素个数；式（2）中的为方向上的像素个数总和（即二值缺陷的长），为方向上的像素个数总和（即二值缺陷的宽），为缺陷边缘像素个数总和。
与现有技术相比，本发明有益效果是: 由于采用新型算法进行基于机器视觉技术实现陶瓷膜表面缺陷二维检测，提高了陶瓷膜表面缺陷检测的可靠性和效率。
附图说明
图1基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法流程图。
具体实施方式
下面结合附图和基于机器视觉技术实现陶瓷膜表面缺陷二维检测的构建方法对本发明的具体实施作进一步描述。
如图1所示，本发明基于机器视觉技术实现陶瓷膜表面缺陷二维检测的构建方法，包括下述步骤:
1)基于图像滤波实现陶瓷膜原图像的预处理
中值滤波法是一种非线性平滑技术，将每一像素点的灰度值设置为该点某领域窗口内的所有像素点灰度值的中值。通过图像中的某个采样窗口取出奇数个数据进行排序，用排序后的中值取代要处理的数据。把数字图像或数字序列中的一点的值用该点的一个领域中各点值的中值代替，让周围的像素值接近的值，从而消除孤立的噪声点。
2)基于边缘检测算子的平板陶瓷膜的边缘检测
先用高斯函数对提取的原图像进行滤波，同时提高抗噪声的能力，在检测阶梯状边缘时，将拉普拉斯算子与图像进行卷积，结果为零的位置即为边缘点的位置。
3)基于缺陷几何特征实现陶瓷膜正次品的检测
实现陶瓷膜正次品以及缺陷类型的分类，首先要得到灰度图像，利用最佳阈值对图像进行二值化，然后针对表面缺陷的几何特征提取。陶瓷膜表面缺陷几何特征检测方法如下：
（1）采用迭代式阈值分割法求出的最佳阈值对图像进行二值化；
（2）采用特征阈值指标判断陶瓷膜是否为合格品。
二值化图像前首先确定最佳阈值，步骤：（a）给定约束参数，假定预估值；（b）利用对图像进行分割；（c）灰度值大于的像素组成集合，小于的像素组成集合；（d）计算集合的平均灰度值，得到，定义新阈值；（e）若满足条件，则为最佳阈值，否则重复步骤（b）~（e），直到获得最佳阈值。
经过阈值分割处理后的二值图像，缺陷与背景得到分离。通过对缺陷区域的面积和长宽检测和计算，实现正次品和缺陷类型的分类，包括：
缺陷面积： （3）
定义长宽比公式： （4）
缺陷类型分为空洞、裂纹和划伤，缺陷面积的取值只有和两种。，判断有缺陷；，判断无缺陷。当，，缺陷类型是空洞；当，，缺陷类型是划伤；当，，缺陷类型是裂纹。
式（3）中的为像素值，为缺陷区域像素点的集合，为像素个数；式（4）中的为方向上的像素个数总和（即二值缺陷的长），为方向上的像素个数总和（即二值缺陷的宽），为缺陷边缘像素个数总和。
Claims (4)
1.基于机器视觉技术实现陶瓷膜表面缺陷的二维检测，其特征在于，所述方法包括以下步骤：
基于图像滤波实现陶瓷膜原图像的预处理；
基于边缘检测算子的平板陶瓷膜的边缘检测；
基于缺陷几何特征实现陶瓷膜正次品的检测。
2.根据权利要求1所述的基于机器视觉技术实现陶瓷膜表面缺陷的二维检测，其特征是，所述步骤（1）中的图像预处理，是相对于图像识别的一种前期处理，同时改善图像质量；
预处理可以去除背景噪声，减少照明不均匀对图像的影响，修正图像获取过程中引起的几何畸变；
所述图像滤波采用中值滤波，中值滤波是一种非线性信号处理技术，在图像获取或传输过程中，平滑噪声，特别是对滤除脉冲干扰及图像扫面噪声非常有效，且可以保证陶瓷膜缺陷信息的真实性。
3.根据权利要求2所述的基于机器视觉技术实现陶瓷膜表面缺陷的二维检测，其特征是，所述步骤（2）中的图像边缘检测算子采用拉普拉斯-高斯算子（LoG）；
LoG算子对陶瓷膜原图像边缘检测时，对可能出现的空洞、斑点和划伤等缺陷边缘定位准确，同时，又降低了对噪声的敏感度。
4.根据权利要求1所述的基于机器视觉技术实现陶瓷膜表面缺陷的二维检测，其特征是，
所述步骤（3）中的陶瓷膜表面缺陷几何特征检测方法为：
（1）采用迭代式阈值分割法求出的最佳阈值对图像进行二值化；
（2）采用特征阈值指标判断陶瓷膜是否为合格品；
经过阈值分割处理后的二值图像，缺陷与背景得到分离；
通过对缺陷区域的面积和长宽检测和计算，实现正次品和缺陷类型的分类，包括：
缺陷面积： （1）
定义长宽比公式： （2）
缺陷类型分为空洞、裂纹和划伤，缺陷面积的取值只有和两种；
，判断有缺陷；，判断无缺陷；
当，，缺陷类型是空洞；当，，缺陷类型是划伤；当，，缺陷类型是裂纹；
式（1）中的为像素值，为缺陷区域像素点的集合，为像素个数；
式（2）中的为方向上的像素个数总和（即二值缺陷的长），为方向上的像素个数总和（即二值缺陷的宽），为缺陷边缘像素个数总和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810152769.3A CN108694711A (zh) | 2018-02-19 | 2018-02-19 | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810152769.3A CN108694711A (zh) | 2018-02-19 | 2018-02-19 | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108694711A true CN108694711A (zh) | 2018-10-23 |
Family
ID=63844453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810152769.3A Pending CN108694711A (zh) | 2018-02-19 | 2018-02-19 | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108694711A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109738448A (zh) * | 2018-12-28 | 2019-05-10 | 佛山科学技术学院 | 一种工业产品智能检测装置和方法 |
| CN109816631A (zh) * | 2018-12-25 | 2019-05-28 | 河海大学 | 一种基于新代价函数的图像分割方法 |
| CN110687121A (zh) * | 2019-09-19 | 2020-01-14 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦智能在线检测与自动分级方法和系统 |
| CN110763682A (zh) * | 2019-09-19 | 2020-02-07 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦表面缺釉检测方法及系统 |
| CN111122590A (zh) * | 2019-12-03 | 2020-05-08 | 佛山市景瞳科技有限公司 | 一种陶瓷表面缺陷检测装置及检测方法 |
| CN112037175A (zh) * | 2020-08-05 | 2020-12-04 | 燕山大学 | 基于机器视觉的陶瓷产品表面斑点检测方法及设备 |
| CN114088817A (zh) * | 2021-10-28 | 2022-02-25 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
| CN116721074A (zh) * | 2023-06-07 | 2023-09-08 | 昊泽吉顺新材料(深圳)有限公司 | 基于图像分析的手机保护膜生产质量检测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105719275A (zh) * | 2015-12-10 | 2016-06-29 | 中色科技股份有限公司 | 一种并行组合的图像缺陷分割方法 |
| CN105891233A (zh) * | 2016-05-26 | 2016-08-24 | 福州大学 | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 |
| CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
-
2018
- 2018-02-19 CN CN201810152769.3A patent/CN108694711A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105719275A (zh) * | 2015-12-10 | 2016-06-29 | 中色科技股份有限公司 | 一种并行组合的图像缺陷分割方法 |
| CN105891233A (zh) * | 2016-05-26 | 2016-08-24 | 福州大学 | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 |
| CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816631A (zh) * | 2018-12-25 | 2019-05-28 | 河海大学 | 一种基于新代价函数的图像分割方法 |
| CN109738448A (zh) * | 2018-12-28 | 2019-05-10 | 佛山科学技术学院 | 一种工业产品智能检测装置和方法 |
| CN110687121A (zh) * | 2019-09-19 | 2020-01-14 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦智能在线检测与自动分级方法和系统 |
| CN110763682A (zh) * | 2019-09-19 | 2020-02-07 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦表面缺釉检测方法及系统 |
| CN110763682B (zh) * | 2019-09-19 | 2022-06-03 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦表面缺釉检测方法及系统 |
| CN111122590A (zh) * | 2019-12-03 | 2020-05-08 | 佛山市景瞳科技有限公司 | 一种陶瓷表面缺陷检测装置及检测方法 |
| CN112037175A (zh) * | 2020-08-05 | 2020-12-04 | 燕山大学 | 基于机器视觉的陶瓷产品表面斑点检测方法及设备 |
| CN112037175B (zh) * | 2020-08-05 | 2022-04-19 | 燕山大学 | 基于机器视觉的陶瓷产品表面斑点检测方法及设备 |
| CN114088817A (zh) * | 2021-10-28 | 2022-02-25 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
| CN114088817B (zh) * | 2021-10-28 | 2023-10-24 | 扬州大学 | 基于深层特征的深度学习的平板陶瓷膜超声缺陷检测方法 |
| CN116721074A (zh) * | 2023-06-07 | 2023-09-08 | 昊泽吉顺新材料(深圳)有限公司 | 基于图像分析的手机保护膜生产质量检测系统 |
| CN116721074B (zh) * | 2023-06-07 | 2024-02-13 | 昊泽吉顺新材料(深圳)有限公司 | 基于图像分析的手机保护膜生产质量检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108694711A (zh) | 基于机器视觉技术实现陶瓷膜表面缺陷二维检测方法 | |
| CN115601367B (zh) | 一种led灯芯缺陷检测方法 | |
| CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
| CN110070552B (zh) | 一种基于语义分割的岩石图像孔隙类型识别方法 | |
| CN105548212A (zh) | 一种触摸屏玻璃表面瑕疵在线自动化检测系统及方法 | |
| CN111751253A (zh) | 一种混凝土骨料检测模型的形成方法及质量检测方法 | |
| CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
| CN109472783B (zh) | 一种泡沫镍表面缺陷提取及分类方法 | |
| CN106446905A (zh) | 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法 | |
| CN110111301A (zh) | 基于频域变换的金属氧化表面缺陷视觉检测方法 | |
| CN101315338A (zh) | 玻璃制品的缺陷检测系统及方法 | |
| CN108109124A (zh) | 基于深度学习的不定位置图片水印修复方法 | |
| CN108960100A (zh) | 一种基于图像处理的甘蔗蔗节的识别方法 | |
| CN114581444B (zh) | 基于图像处理的玻璃盖打磨工艺监测方法 | |
| CN103900499B (zh) | 基于计算机视觉技术的卷烟包装警语区域面积测定方法 | |
| CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
| CN114972204A (zh) | 一种钢制品表面裂纹检测方法及设备 | |
| CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
| CN107256549A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| Thekkedath et al. | Macroscopic and microscopic characterizations of a cellulosic ultrafiltration (UF) membrane fouled by a humic acid cake deposit: First step for intensification of reverse osmosis (RO) pre-treatments | |
| CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
| CN109374624B (zh) | 透水路面堵塞检测方法及系统 | |
| CN216024159U (zh) | 一种反渗透膜元件后处理及测试装置 | |
| CN114820493B (zh) | 一种制孔导致的复合材料孔口劈裂检测方法 | |
| CN107909567B (zh) | 数字图像的细长型连通区域提取方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181023 |