CN108716890A - 一种基于机器视觉的高精度尺寸检测方法 - Google Patents
一种基于机器视觉的高精度尺寸检测方法 Download PDFInfo
- Publication number
- CN108716890A CN108716890A CN201810938655.1A CN201810938655A CN108716890A CN 108716890 A CN108716890 A CN 108716890A CN 201810938655 A CN201810938655 A CN 201810938655A CN 108716890 A CN108716890 A CN 108716890A
- Authority
- CN
- China
- Prior art keywords
- product
- machine vision
- edge
- size
- detecting method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000013499 data model Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/028—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring lateral position of a boundary of the object
-
- G06T3/147—
-
- G06T5/70—
-
- G06T5/80—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Abstract
本发明公开了一种基于机器视觉的高精度尺寸检测方法,通过可以自动上下料的尺寸检测机台、完整、清晰地呈现出产品局部轮廓的视觉成像技术以及针对该成像技术的快速、稳定的图像处理算法实现快速、精准、稳定地检测出标准形状物体的局部和整体长宽,达到替代甚至超越人工检测的目的,具有可靠性能高、定位精确、结构紧凑等优点,同时在产品尺寸检测的应用及普及上有着广泛的市场前景。通过上述方式,本发明基于机器视觉的高精度尺寸检测方法。
Description
技术领域
本发明涉及机器视觉成像精度测量领域,特别是涉及一种基于机器视觉的高精度尺寸检测方法。
背景技术
目前的尺寸检测装置主要针对标准形状产品的尺寸测量,如局部长宽,和整体长宽,采用有针对性的视觉成像技术,使产品的轮廓在图像中呈现出来,再结合对应的图像处理算法检测出相应位置的尺寸,达到替代人工检测的效果,但每次产品的位置不定,且产品的大小不一致,有的会超过相机覆盖视野范围内,采用单个相机不可能达到同时检测所有尺寸的效果。
发明内容
本发明主要解决的技术问题是提供一种基于机器视觉的高精度尺寸检测方法。
为解决上述技术问题,本发明采用的一个技术方案是:
提供一种基于机器视觉的高精度尺寸检测方法,包括以下步骤:
(1)产线产品通过皮带传送至尺寸检测机台的检测平台上,产品的四个角分别设置检测设备对其进行成像取图;
(2)通过仿射变换完成图像的畸变校正;
(3)在校正完成的图像上,经过均值二值化、边缘检测、轮廓分析去噪完成寻边;
(4)寻边完成后,产品的尺寸通过标定的比例关系计算得出实际尺寸值;
(5)比对标准尺寸与产品的实际尺寸值,如果超出公差范围,机械手定位产品,通过标记路径将产品放置于NGTray盘中;反之在公差范围内时,机械手定位产品,通过标记路线将产品放置于OKTray盘中。
在本发明一个较佳实施例中,步骤(1)中,产品的四个角放置在待检测工位,检测设备分别对产品的四个角的局部尺寸与全局尺寸取像获得有畸变的原图像素数据M。
在本发明一个较佳实施例中,步骤(2)中,仿射变换的透视矩阵T,
,
畸变校正后的图像素数据N,则。
在本发明一个较佳实施例中,所述畸变校正后的产品的四个角的边框的像素距离在图像坐标系下为,边框的实际距离在世界坐标系下为,则图像坐标系与世界坐标系的映射关系比例为scale,
。
在本发明一个较佳实施例中,步骤(3)中,边缘检测为对产品的四个角成像的原图进行Canny检测,阈值下限是15-25,阈值上限是阈值下限的3倍。
在本发明一个较佳实施例中,步骤(3)中,对边缘检测结果图做轮廓分析,对相同Y值累计做概率分析,其中概率较大的两个值分别做为产品的竖直边框的外边缘与内边缘,对比这两个值的大小,值小的为产品的竖直边框的外边缘,值大的为产品的竖直边框的外边缘;对相同X值累计做概率分析,其中概率较大的两值产品的水平边框的外边缘与内边缘,对比两值大小,值小的为产品的水平边框的外边缘,值大的为产品的水平边框的内边缘。
在本发明一个较佳实施例中,步骤(4)中,寻边完成后,采用基于插值的亚像素边缘分析法,将产品的边框距离由像素级精确为亚像素级,计算得出局部尺寸的实际尺寸值,
。
在本发明一个较佳实施例中,步骤(1)中,标定相邻的两个检测设备的坐标系,使得各自的坐标系X轴、Y轴相互平行,两个检测设备的坐标系的轴心在X轴、Y轴方向的偏移量是、。
在本发明一个较佳实施例中,根据偏移量是、计算产品的相对的边缘的间距,是产品的相对的边缘的间距的像素量,通过数据补偿分析模型对产品的相对的边缘的间距做误差补偿测量,得到检测结果。
在本发明一个较佳实施例中,所述数据补偿分析模型是通过多项式拟合分析法对产品的同一尺寸的多个样本图像得到的检测值进行分析,提取拟合系数建立模型。
本发明的有益效果是:提供一种基于机器视觉的高精度尺寸检测方法,通过可以自动上下料的尺寸检测机台、完整、清晰地呈现出产品局部轮廓的视觉成像技术以及针对该成像技术的快速、稳定的图像处理算法实现快速、精准、稳定地检测出标准形状物体的局部和整体长宽,达到替代甚至超越人工检测的目的,具有可靠性能高、定位精确、结构紧凑等优点,同时在产品尺寸检测的应用及普及上有着广泛的市场前景。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图,其中:
图1是本发明的基于机器视觉的高精度尺寸检测方法一较佳实施例的示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例包括:
一种基于机器视觉的高精度尺寸检测方法,包括以下步骤:
(1)产线产品通过皮带传送至尺寸检测机台的检测平台上,产品的四个角分别设置检测设备对其进行成像取图;
(2)通过仿射变换完成图像的畸变校正;
(3)在校正完成的图像上,经过均值二值化、边缘检测、轮廓分析去噪完成寻边;
(4)寻边完成后,产品的尺寸通过标定的比例关系计算得出实际尺寸值;
(5)比对标准尺寸与产品的实际尺寸值,如果超出公差范围,机械手定位产品,通过标记路径将产品放置于NGTray盘中;反之在公差范围内时,机械手定位产品,通过标记路线将产品放置于OKTray盘中。
该检测设备包括四台高速、高分辨率工业面阵相机、四组远心镜头组成,分别对产品的四个角成像取图,可使产品图像的黑白突变交接处的边缘变得更加锐利,产品的形状为矩形,材质为透明玻璃,四周为黑色油墨区边框。
在该成像技术下,产品的局部轮廓特征非常清晰,任何尺寸的变化都会使该区域的特征发生变化,这就使得本检测设备可以很灵敏地感应到每一片待检产品的不同,图1所示为4套相机拍摄产品4个角的位置示意图,L1、L4、L5、L8为产品的黑色边框的外边缘,L2、L3、L6、L7为产品的黑色边框的内边缘,本申请检测方法包括局部尺寸检测与全局尺寸检测,局部尺寸检测8个值,分别为每个角的位置处黑色边框的距离s1,即L1与L2、L3与L4、L5与L6、L7与L8之间的距离,全局尺寸检测4个值,分别为产品的相对的边的距离s2,即L1与L4、L5与L8之间的距离,每个局部尺寸的检测方法一样,以尺寸A为例的检测方法。
局部尺寸A为图1中左上角相机拍摄产品的边框的水平距离,即左上角方框内的L1与L2之间的距离,检测步骤如下:
1、产品定位算法分为:i切向畸变校正;ii世界坐标系与图像坐标系的映射关系。
i. 由于相机拍摄产品时,其所在的相机坐标系的法向量不一定严格垂直于产品平面,造成图像中原本垂直的两条边变得不成直角,此称为切向畸变,该畸变可通过仿射变换消除,应用的仿射变换是的透视矩阵T,
,
畸变校正后的图像素数据N,则,M是有畸变的原图像素数据;
ii. 在畸变校正完成后,图像坐标系下计算L1与L2之间的像素距离为,世界坐标系下两边的真实距离为,则映射关系由下式计算可得两坐标系的比例,
。
2、寻边包括边缘检测、轮廓分析:
i. 采用背光源打光,采取图像中呈现产品轮廓的细节,8位原图的非黑色油墨区平均灰度在130-170之间;
ii. 从左向右遍历图像,检测图像从平均灰度值突变到0时的一群点,拟合直线,计算角度值,旋转图像,这样的边缘都是横平竖直的,方便下面的轮廓分析;
iii. 边缘检测,直接对原图做Canny检测,阈值下限取值15-25之间,阈值上限取对应下限的3倍;
iv. 轮廓分析,检测横向边时,对边缘检测结果图做轮廓分析,对相同Y值累计做概率分析,其中概率较大的两个值分别做为L1和L2,对比两值的大小,值小的一群点为线L1,值大的一群点为线L2;检测纵向边时,对相同X值累计做概率分析,其中概率较大的两值分别做为L5和L6,对比两值大小,值小的一群点为线L5,值大的一群点为线L6,X、Y为图像在世界坐标系下的X值、Y值,世界坐标系位于图1中左上角;
在检测过程中采用并行处理方式,同时对产品的四个局部区域进行处理,可减少算法时间。
3、寻边后,采用基于插值的亚像素边缘分析法,将边的位置由像素级精确为亚像素级,因此检测精度也提升为亚像素级别。
4、最后将边缘亚像素距离除以高精度标定的比例值scale计算得出实际尺寸值,
。
全局尺寸B为图1中左上角相邻的相机拍摄产品的相对的边的距离,即方框内的L1与L4之间的距离,检测步骤如下:
1、标定同一个全局尺寸的相邻两个相机的坐标系,即两个相机坐标系的XY轴互相平行,并记录两相机的轴心在XY方向的偏移量、,为mm级,步骤如下:
i. 固定左上角相机不动,成像取第一张图,做为参考图;
ii. 右上角相机暂固定到初始化位置,成像取第二张图,观察第二张图的X边、Y边是否分别平行于第一张图的X边、Y边,调整右上角相机绕世界坐标系的Z轴旋转角度,直到两图的X边、Y边分别平行;
iii. 其它两个相机同理操作。
2、通过局部尺寸检测方法完成的局部的精确寻边,模拟产品的相对两边的局部坐标系映射到世界坐标系,计算两边的直线间距完成全局尺寸的计算,并结合数据补偿分析模型对整体尺寸做误差补偿测量,得到检测结果,检测步骤如下:
i. 左上角相机取图,寻边L1,获取L1轮廓若干点拟合直线,表达式为:,右上角相机取图,寻边L4,获取L4轮廓若干点拟合直线,表达式为:,以L1所在图像坐标系与世界坐标系重合,任取L4直线一点P局部坐标,并计算其全局坐标,计算公式如下:
点P到直线L1的距离,计算公式如下:
;
ii. 像素级转mm级尺寸,
;
iii. 应用数据补偿模型,用于测量两相机间距存在误差,标定、寻边算法都会存在合理范围内的误差,但累计之后使得检测结果与真实可信数据之间的差异超出要求误差范围,因此需要通过数据补偿模型完成数据校准,步骤如下:
1)获取20个样本的B尺寸可信数据,样本数量越多,模型越精确;
2)图像采集系统采集20个样本图像,分析计算结果尺寸值,建立尺寸数据库,如表1;
表1
3)应用多项式拟合分析法对尺寸数据库进行分析,提取拟合系数并建立数据模型集,数据模型建立过程中考虑曝光差异、镜头性能等外部因素,将该部分预分析工作离线完成并将数据补偿模型写入检测软件,模型映射关系式如下:
;
4) 应用数据补偿关系后的数据为:
。
本发明基于机器视觉的高精度尺寸检测方法的有益效果是:提供一种基于机器视觉的高精度尺寸检测方法,通过可以自动上下料的尺寸检测机台、完整、清晰地呈现出产品局部轮廓的视觉成像技术以及针对该成像技术的快速、稳定的图像处理算法实现快速、精准、稳定地检测出标准形状物体的局部和整体长宽,达到替代甚至超越人工检测的目的,具有可靠性能高、定位精确、结构紧凑等优点,同时在产品尺寸检测的应用及普及上有着广泛的市场前景。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于机器视觉的高精度尺寸检测方法,其特征在于,包括以下步骤:
(1)产线产品通过皮带传送至尺寸检测机台的检测平台上,产品的四个角分别设置检测设备对其进行成像取图;
(2)通过仿射变换完成图像的畸变校正;
(3)在校正完成的图像上,经过均值二值化、边缘检测、轮廓分析去噪完成寻边;
(4)寻边完成后,产品的尺寸通过标定的比例关系计算得出实际尺寸值;
(5)比对标准尺寸与产品的实际尺寸值,如果超出公差范围,机械手定位产品,通过标记路径将产品放置于NGTray盘中;反之在公差范围内时,机械手定位产品,通过标记路线将产品放置于OKTray盘中。
2.根据权利要求1所述的基于机器视觉的高精度尺寸检测方法,其特征在于,步骤(1)中,产品的四个角放置在待检测工位,检测设备分别对产品的四个角的局部尺寸与全局尺寸取像获得有畸变的原图像素数据M。
3.根据权利要求2所述的基于机器视觉的高精度尺寸检测方法,其特征在于,步骤(2)中,仿射变换的透视矩阵T,
,
畸变校正后的图像素数据N,则。
4.根据权利要求3所述的基于机器视觉的高精度尺寸检测方法,其特征在于,所述畸变校正后的产品的四个角的边框的像素距离在图像坐标系下为,边框的实际距离在世界坐标系下为,则图像坐标系与世界坐标系的映射关系比例为scale,
。
5.根据权利要求1所述的基于机器视觉的高精度尺寸检测方法,其特征在于,步骤(3)中,边缘检测为对产品的四个角成像的原图进行Canny检测,阈值下限是15-25,阈值上限是阈值下限的3倍。
6.根据权利要求1所述的基于机器视觉的高精度尺寸检测方法,其特征在于,步骤(3)中,对边缘检测结果图做轮廓分析,对相同Y值累计做概率分析,其中概率较大的两个值分别做为产品的竖直边框的外边缘与内边缘,对比这两个值的大小,值小的为产品的竖直边框的外边缘,值大的为产品的竖直边框的外边缘;对相同X值累计做概率分析,其中概率较大的两值产品的水平边框的外边缘与内边缘,对比两值大小,值小的为产品的水平边框的外边缘,值大的为产品的水平边框的内边缘。
7.根据权利要求1所述的基于机器视觉的高精度尺寸检测方法,其特征在于,步骤(4)中,寻边完成后,采用基于插值的亚像素边缘分析法,将产品的边框距离由像素级精确为亚像素级,计算得出局部尺寸的实际尺寸值,
。
8.根据权利要求2所述的基于机器视觉的高精度尺寸检测方法,其特征在于,步骤(1)中,标定相邻的两个检测设备的坐标系,使得各自的坐标系X轴、Y轴相互平行,两个检测设备的坐标系的轴心在X轴、Y轴方向的偏移量是、。
9.根据权利要求8所述的基于机器视觉的高精度尺寸检测方法,其特征在于,根据偏移量是、计算产品的相对的边缘的间距,是产品的相对的边缘的间距的像素量,通过数据补偿分析模型对产品的相对的边缘的间距做误差补偿测量,得到检测结果。
10.根据权利要求9所述的基于机器视觉的高精度尺寸检测方法,其特征在于,所述数据补偿分析模型是通过多项式拟合分析法对产品的同一尺寸的多个样本图像得到的检测值进行分析,提取拟合系数建立模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810938655.1A CN108716890A (zh) | 2018-08-17 | 2018-08-17 | 一种基于机器视觉的高精度尺寸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810938655.1A CN108716890A (zh) | 2018-08-17 | 2018-08-17 | 一种基于机器视觉的高精度尺寸检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108716890A true CN108716890A (zh) | 2018-10-30 |
Family
ID=63914417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810938655.1A Pending CN108716890A (zh) | 2018-08-17 | 2018-08-17 | 一种基于机器视觉的高精度尺寸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108716890A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523539A (zh) * | 2018-11-22 | 2019-03-26 | 淮北师范大学 | 基于多相机阵列的大尺寸的工业板材在线测量系统及方法 |
CN109612394A (zh) * | 2019-01-07 | 2019-04-12 | 成都中电熊猫显示科技有限公司 | 测量方法、装置和存储介质 |
CN110264488A (zh) * | 2019-06-20 | 2019-09-20 | 合肥工业大学 | 一种二值图像边缘提取装置 |
CN110345876A (zh) * | 2019-06-10 | 2019-10-18 | 重庆惠科金渝光电科技有限公司 | 偏光板材检测装置及偏光板材检测方法、可读存储介质 |
CN110986797A (zh) * | 2019-10-21 | 2020-04-10 | 湖北工业大学 | 全自动码袋装车机的车辆车厢尺寸和位置测量装置及方法 |
CN111429511A (zh) * | 2020-04-02 | 2020-07-17 | 北京海益同展信息科技有限公司 | 机柜中设备位置确定方法、故障检测方法、装置及系统 |
CN112967249A (zh) * | 2021-03-03 | 2021-06-15 | 南京工业大学 | 一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法 |
CN113405476A (zh) * | 2021-06-11 | 2021-09-17 | 华侨大学 | 一种用于工件尺寸测量的工业线扫相机测量装置 |
CN114777702A (zh) * | 2022-04-22 | 2022-07-22 | 成都市绿色快线环保科技有限公司 | 一种堆叠板材体积识别方法及其装置、系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144703A (zh) * | 2007-10-15 | 2008-03-19 | 陕西科技大学 | 一种基于多源图像融合的物体几何尺寸测量装置及方法 |
CN102116610A (zh) * | 2010-11-29 | 2011-07-06 | 科达斯特恩(常州)汽车塑件系统有限公司 | 基于机器视觉的汽车配件尺寸在线自动检测方法及装置 |
CN103760025A (zh) * | 2014-02-10 | 2014-04-30 | 深圳三思纵横科技股份有限公司 | 引伸计及其测量方法 |
CN105043262A (zh) * | 2015-09-02 | 2015-11-11 | 哈尔滨工业大学 | 一种基于嵌入式与机器视觉的螺纹孔零件测量与分拣装置 |
CN106705884A (zh) * | 2017-01-06 | 2017-05-24 | 深圳市博视科技有限公司 | 产品尺寸检测方法 |
CN206832662U (zh) * | 2017-03-17 | 2018-01-02 | 苏州富鑫林光电科技有限公司 | Aoi视觉检测环形光源配背光源检测机构 |
CN107705293A (zh) * | 2017-09-14 | 2018-02-16 | 广东工业大学 | 一种基于ccd面阵相机视觉检测的五金零件尺寸测量方法 |
CN107957245A (zh) * | 2017-12-29 | 2018-04-24 | 江苏宏宝锻造股份有限公司 | 基于机器视觉的发动机连杆尺寸测量装置及其测量方法 |
CN108288288A (zh) * | 2018-01-16 | 2018-07-17 | 华东交通大学 | 基于视觉识别的精密轴尺寸测量方法、装置和系统 |
-
2018
- 2018-08-17 CN CN201810938655.1A patent/CN108716890A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144703A (zh) * | 2007-10-15 | 2008-03-19 | 陕西科技大学 | 一种基于多源图像融合的物体几何尺寸测量装置及方法 |
CN102116610A (zh) * | 2010-11-29 | 2011-07-06 | 科达斯特恩(常州)汽车塑件系统有限公司 | 基于机器视觉的汽车配件尺寸在线自动检测方法及装置 |
CN103760025A (zh) * | 2014-02-10 | 2014-04-30 | 深圳三思纵横科技股份有限公司 | 引伸计及其测量方法 |
CN105043262A (zh) * | 2015-09-02 | 2015-11-11 | 哈尔滨工业大学 | 一种基于嵌入式与机器视觉的螺纹孔零件测量与分拣装置 |
CN106705884A (zh) * | 2017-01-06 | 2017-05-24 | 深圳市博视科技有限公司 | 产品尺寸检测方法 |
CN206832662U (zh) * | 2017-03-17 | 2018-01-02 | 苏州富鑫林光电科技有限公司 | Aoi视觉检测环形光源配背光源检测机构 |
CN107705293A (zh) * | 2017-09-14 | 2018-02-16 | 广东工业大学 | 一种基于ccd面阵相机视觉检测的五金零件尺寸测量方法 |
CN107957245A (zh) * | 2017-12-29 | 2018-04-24 | 江苏宏宝锻造股份有限公司 | 基于机器视觉的发动机连杆尺寸测量装置及其测量方法 |
CN108288288A (zh) * | 2018-01-16 | 2018-07-17 | 华东交通大学 | 基于视觉识别的精密轴尺寸测量方法、装置和系统 |
Non-Patent Citations (1)
Title |
---|
田启川: "《虹膜识别原理及算法》", 30 June 2010, 国防工业出版社 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523539A (zh) * | 2018-11-22 | 2019-03-26 | 淮北师范大学 | 基于多相机阵列的大尺寸的工业板材在线测量系统及方法 |
CN109612394A (zh) * | 2019-01-07 | 2019-04-12 | 成都中电熊猫显示科技有限公司 | 测量方法、装置和存储介质 |
CN110345876B (zh) * | 2019-06-10 | 2022-01-25 | 重庆惠科金渝光电科技有限公司 | 偏光板材检测装置及偏光板材检测方法、可读存储介质 |
CN110345876A (zh) * | 2019-06-10 | 2019-10-18 | 重庆惠科金渝光电科技有限公司 | 偏光板材检测装置及偏光板材检测方法、可读存储介质 |
CN110264488B (zh) * | 2019-06-20 | 2021-03-16 | 合肥工业大学 | 一种二值图像边缘提取装置 |
CN110264488A (zh) * | 2019-06-20 | 2019-09-20 | 合肥工业大学 | 一种二值图像边缘提取装置 |
CN110986797A (zh) * | 2019-10-21 | 2020-04-10 | 湖北工业大学 | 全自动码袋装车机的车辆车厢尺寸和位置测量装置及方法 |
CN111429511A (zh) * | 2020-04-02 | 2020-07-17 | 北京海益同展信息科技有限公司 | 机柜中设备位置确定方法、故障检测方法、装置及系统 |
CN111429511B (zh) * | 2020-04-02 | 2023-11-03 | 京东科技信息技术有限公司 | 机柜中设备位置确定方法、故障检测方法、装置及系统 |
CN112967249A (zh) * | 2021-03-03 | 2021-06-15 | 南京工业大学 | 一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法 |
CN113405476A (zh) * | 2021-06-11 | 2021-09-17 | 华侨大学 | 一种用于工件尺寸测量的工业线扫相机测量装置 |
CN114777702A (zh) * | 2022-04-22 | 2022-07-22 | 成都市绿色快线环保科技有限公司 | 一种堆叠板材体积识别方法及其装置、系统 |
CN114777702B (zh) * | 2022-04-22 | 2024-03-12 | 成都市绿色快线环保科技有限公司 | 一种堆叠板材体积识别方法及其装置、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108716890A (zh) | 一种基于机器视觉的高精度尺寸检测方法 | |
US7019713B2 (en) | Methods and measurement engine for aligning multi-projector display systems | |
WO2020010945A1 (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108562250B (zh) | 基于结构光成像的键盘键帽平整度快速测量方法与装置 | |
CN111025701B (zh) | 一种曲面液晶屏幕检测方法 | |
CN111260731A (zh) | 一种棋盘格亚像素级角点自适应检测的方法 | |
CN102376089A (zh) | 一种标靶校正方法及系统 | |
JPH08201021A (ja) | キャリブレーション方法 | |
CN106500619B (zh) | 基于视觉测量的相机内部图像传感器安装误差分离方法 | |
CN116071344A (zh) | 一种基于机器视觉的曲面标签拼接检测系统 | |
CN105205806B (zh) | 一种基于机器视觉的精度补偿方法 | |
CN105118086A (zh) | 3d-aoi设备中的3d点云数据配准方法及系统 | |
CN112902874A (zh) | 图像采集装置及方法、图像处理方法及装置、图像处理系统 | |
CN110533686A (zh) | 线阵相机行频与物体运动速度是否匹配的判断方法及系统 | |
CN109974618A (zh) | 多传感器视觉测量系统的全局标定方法 | |
CN116503316A (zh) | 一种基于图像处理的芯片缺陷量测方法及系统 | |
CN115201883A (zh) | 一种运动目标视频定位测速系统及方法 | |
CN104167001A (zh) | 基于正交补偿的大视场摄像机标定方法 | |
CN112797900B (zh) | 多相机板材尺寸测量方法 | |
CN112634375B (zh) | 一种ai智能检测中的平面标定和三维重建方法 | |
CN111309271B (zh) | 一种基于机器视觉的双色打印机检测方法 | |
CN105005985B (zh) | 背光图像微米级边缘检测方法 | |
CN115239801B (zh) | 一种对象定位方法及装置 | |
KR101574195B1 (ko) | 모바일 플랫폼에 기반한 가상 카메라의 자동 캘리브레이션 방법 | |
CN116205993A (zh) | 一种用于3d aoi的双远心镜头高精度标定方法 |
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: 20181030 |