CN108827974A - 一种瓷砖缺陷检测方法及系统 - Google Patents
一种瓷砖缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN108827974A CN108827974A CN201810683584.5A CN201810683584A CN108827974A CN 108827974 A CN108827974 A CN 108827974A CN 201810683584 A CN201810683584 A CN 201810683584A CN 108827974 A CN108827974 A CN 108827974A
- Authority
- CN
- China
- Prior art keywords
- ceramic tile
- defect
- sample
- collection
- learning
- 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
- 239000000919 ceramic Substances 0.000 title claims abstract description 120
- 230000007547 defect Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007689 inspection Methods 0.000 title claims abstract description 13
- 230000002950 deficient Effects 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011449 brick Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
一种瓷砖缺陷检测方法及系统，包括摄像装置和检测装置，所述检测装置包括存储器和处理器；所述摄像装置与所述检测装置电连接；所述摄像装置用于采集瓷砖原始样本集的图像，然后将所述图像数据传输至检测装置的存储器内，所述处理器从所述存储器内提取图像数据并处理所述图像数据、学习所述图像数据，最后对被检测的瓷砖进行识别；通过将带有缺陷的瓷砖学习样本分割成若干个子样本，并且每个子样本必须包含有缺陷图样，所以大大减少了所需要的样本量，提高了检测效率。
Description
技术领域
本发明涉及到瓷砖检测技术领域，尤其涉及一种瓷砖缺陷检测方法及系统。
背景技术
现今社会中，瓷砖时建筑装修最重要的材料，昂贵、高品位的房屋建设往往会使用高级瓷砖。然而，21世纪开始，陶瓷行业普遍承受着成本上升、环保、反倾销等方面的压力，特别是行业产品的同质化，加剧了行业各品牌的竞争。在这种情况下，瓷砖企业越来越注重产品打造，更加注重智能化的生产，来吸引更多的商家进行交易。
现在越来越多的智能系统应用于瓷砖行业，例如自动铺贴线技术、机器人喷釉系统等，更好地企业更是从原料加工到釉线设备全部采用数码智能化，所以，瓷砖行业的生产智能化正在逐步成为生产主流，不再是从前的固定生产规模。
在智能化生产过程中最不可缺少的一部分就是检测环节，检测环节的好坏极大程度的体现了一个智能生产系统的水平。目前，智能化的检测已成功应用于瓷砖色差、轮廓等的检测缺陷，但在对瓷砖图案进行生产加工的过程中，易产生图案轮廓变形、缺失、色料漫流、拉线、滴墨、色差等图案缺陷，若依靠人工检测易产生疲劳、效率低、漏检率高，因此，需要开发一种新型的基于机器视觉的瓷砖图案缺陷检测系统。
在现有的瓷砖缺陷识别方法中，都需要设置大量的样本量供检测系统学习记忆，然后检测系统才能判别出被检测的瓷砖是否为缺陷瓷砖，在这个过程中，需要的样本量甚至达到成千上万份，这无疑给机器学习带来了极大的困难。
发明内容
为解决上述问题，本发明提供了一种瓷砖缺陷检测方法及系统，通过将带有缺陷的瓷砖学习样本分割成若干个子样本，并且每个子样本必须包含有缺陷图样，所有的子样本构成训练样本集工机器训练，所以大大减少了所需要的样本量，提高了检测效率，具体发明内容如下：
一种瓷砖缺陷检测方法，包括以下步骤：
步骤1：选取具有缺陷和没有缺陷的瓷砖作为原始样本，将所有原始样本分为学习样本和测试样本，所有原始样本的集合称为原始样本集，所有学习样本的集合称为学习样本集；
步骤2：采集瓷砖原始样本集的图像；
步骤3：将采集到的每个学习样本中带有缺陷的瓷砖分割成若干个子样本，每个子样本需包含有缺陷图样，所有的子样本与所有的学习样本中没有缺陷的瓷砖的集合称为训练样本集；
步骤4：学习所述训练样本集，利用测试样本集对学习的成果进行检测，从而不断优化学习模型；
步骤5：对被检测的瓷砖是否为缺陷瓷砖进行识别。
具有缺陷的瓷砖是指具有多种缺陷的瓷砖或者具有单一缺陷的瓷砖，所谓单一缺陷是指，一块瓷砖上只包含有滴墨缺陷或者只包含有拉线缺陷，所有的缺陷种类尽可能的齐全；所谓多种缺陷是指在一块瓷砖上同时具有滴墨和拉线等至少一种缺陷。
步骤4中的学习方法可以为机器学习领域的常规方法，机器学习按照学习方法可以分为监督式学习、非监督式学习以及半监督式学习；按照算法可以分为回归算法、基于实例的算法、贝叶斯算法、聚类算法、人工神经网络算法等等。
优选的，所述步骤3中分割后的每个子样本的形状可以为任意形状。对每个子样本的形状不作限定，甚至每块子样本的形状都可以不同，但是每块子样本必须包含有缺陷图样，在每个子样本的大小不大于原始样本的大小的前提下，每块子样本的大小可以为任意大小。
优选的，所述步骤3具体包含如下两个子步骤：
步骤3.1：将每块学习样本的边角从背景环境中分割出来，形成清晰的轮廓；
步骤3.2：将具有清晰轮廓的学习样本中带有缺陷的瓷砖分割成子样本，形成训练样本集。
首先要将每块学习样本中带有缺陷瓷砖的边角从背景环境中分割出来，形成清晰的轮廓以避免背景环境中的杂质对图像采集造成的干扰，所述学习样本中不带有缺陷的瓷砖可分割也可以不分割，在系统进行学习时，带有缺陷的瓷砖与不带有缺陷的瓷砖分开学习，先学习完带有缺陷的瓷砖再学习不带有缺陷的瓷砖，或者先学习不带有缺陷的瓷砖后学习带有缺陷的瓷砖，使系统能分清楚两种瓷砖之间的区别，以便更好的分辨。
一种瓷砖缺陷检测系统，包括摄像装置和检测装置，所述检测装置包括存储器和处理器；所述摄像装置与所述检测装置电连接；所述摄像装置用于采集瓷砖原始样本集的图像，然后将所述图像数据传输至检测装置的存储器内，所述处理器从所述存储器内提取图像数据并完成下列指令：
将学习样本中带有缺陷的瓷砖分割成若干个子样本，每个子样本需包含缺陷图样，所有的子样本与所有的学习样本中没有缺陷的瓷砖的集合为训练样本集；
学习所述训练样本集，利用测试样本集对学习的成果进行检测，从而不断优化学习模型；
识别被检测的瓷砖是否为缺陷瓷砖。
优选的，所述摄像装置为CCD相机。CCD是电荷耦合器件(charge coupled device)的简称，它能够将光线变为电荷并将电荷存储及转移，也可将存储之电荷取出使电压发生变化。CCD相机也可以称为CCD图像传感器。
优选的，所述缺陷检测系统还包括报警装置，所述报警装置与所述检测装置电连接，当所述检测装置识别出被检测的瓷砖为缺陷瓷砖时，所述报警装置发出警报。
优选的，在所述摄像装置上还设置有辅助光源，所述辅助光源包括至少一个辅助发光元件，并且所述辅助发光元件为可拆卸的，当在不同的环境下需要不同颜色的光源时，可以替换所述发光元件来获得不同颜色的光。
优选的，所述检测开关为传感器。该传感器检测到有瓷砖时，即该检测系统开始工作。
本发明的有益效果：
本发明提供了一种瓷砖缺陷检测方法及系统，通过将带有缺陷的瓷砖原始样本分割成若干个子样本，并且每个子样本必须包含有缺陷图样，所有的子样本构成训练样本集工机器进行学习，所以大大减少了所需要的样本量，提高了检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图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他的附图。
图1为本发明瓷砖缺陷检测系统的示意图。
具体实施方式
如图1所示，瓷砖缺陷检测系统包括摄像装置和检测装置，所述检测装置包括存储器和处理器；所述摄像装置与所述检测装置电连接，所述摄像装置用于采集瓷砖原始样本集的图像，然后将所述图像数据传输至检测装置的存储器内，所述处理器从所述存储器内提取图像数据并完成下列指令：
将学习样本中带有缺陷的瓷砖分割成若干个子样本，每个子样本需包含缺陷图样，所有的子样本与所有的学习样本中没有缺陷的瓷砖的集合为训练样本集；
学习所述训练样本集，利用测试样本集对学习的成果进行检测，从而不断优化学习模型；
识别被检测的瓷砖是否为缺陷瓷砖。
所述摄像装置为CCD相机，CCD是电荷耦合器件(charge coupled device)的简称，它能够将光线变为电荷并将电荷存储及转移，也可将存储之电荷取出使电压发生变化。CCD相机也可以称为CCD图像传感器。
所述检测开关用于检测是否有被检测的瓷砖出现，如果在所述检测开关检测范围内出现瓷砖有则启动所述检测系统，如果检测开关的检测范围内未出现瓷砖，则所述检测系统不启动，所述检测开关为传感器。
所述摄像装置上还设置有辅助光源，所述辅助光源包括至少一个辅助发光元件，所述辅助光源用于产生光线便于更好的感测图像，并且所述辅助发光元件为可拆卸的，当在不同的环境下需要不同颜色的光源时，可以替换所述发光元件来获得不同颜色的光。
所述缺陷检测系统还包括报警装置，所述报警装置与所述检测装置电连接，当所述检测装置识别出被检测的瓷砖为缺陷瓷砖时，所述报警装置发出警报。
本发明还提供了一种瓷砖缺陷检测方法，包括以下步骤：
一种瓷砖缺陷检测方法，其特征在于，包括以下步骤：
步骤1：选取具有缺陷和没有缺陷的瓷砖作为原始样本，将所有原始样本分为学习样本和测试样本，所有原始样本的集合称为原始样本集，所有学习样本的集合称为学习样本集；
步骤2：采集瓷砖原始样本集的图像；
步骤3：将采集到的每个学习样本中带有缺陷的瓷砖分割成若干个子样本，每个子样本需包含有缺陷图样，所有的子样本与所有的学习样本中没有缺陷的瓷砖的集合称为训练样本集；
步骤4：学习所述训练样本集，利用测试样本集对学习的成果进行检测，不断优化学习模型；
步骤5：对被检测的瓷砖是否为缺陷瓷砖进行识别。
具有缺陷的瓷砖是指具有多种缺陷的瓷砖或者具有单一缺陷的瓷砖，所谓单一缺陷是指，一块瓷砖上只包含有滴墨缺陷或者只包含有拉线缺陷，所有的缺陷种类尽可能的齐全；所谓多种缺陷是指在一块瓷砖上同时具有滴墨和拉线等至少一种缺陷。
比如：目前有6块具有缺陷的瓷砖和2块没有缺陷的瓷砖作为原始样本集，原始样本集分为学习样本集和测试样本集，3块具有缺陷的瓷砖和1块没有缺陷的瓷砖作为学习样本，同样的，3块具有缺陷的瓷砖和1块没有缺陷的瓷砖作为测试样本；如果将学习样本中带有缺陷的瓷砖分割成4个子样本，每个子样本分别旋转90°、180°、270°后形成新的子样本，则一共可以分割成3*4*4＝48个子样本，所以训练样本集的数量为48+1＝49。如此便会大大减少学习样本的样本量。
所述步骤3中分割后的每个子样本的大小不大于原始样本的大小。每个子样本的形状可以为任意形状。对每个子样本的形状不作限定，甚至每块子样本的形状都可以不同，但是每块子样本必须包含有缺陷图样，在每个子样本的大小不大于原始样本的大小的前提下，每块子样本的大小可以为任意大小。
所述步骤3具体包含如下两个子步骤：
步骤3.1：将每块学习样本的边角从背景环境中分割出来，形成清晰的轮廓；
步骤3.2：将具有清晰轮廓的学习样本中带有缺陷的瓷砖分割成子样本，形成训练样本集。
首先要将每块学习样本的边角从背景环境中分割出来，形成清晰的轮廓以避免背景环境中的杂质对图像采集造成的干扰。所述学习样本中不带有缺陷的瓷砖可分割也可以不分割，在系统进行学习时，带有缺陷的瓷砖与不带有缺陷的瓷砖分开学习，先学习完带有缺陷的瓷砖再学习不带有缺陷的瓷砖，或者先学习不带有缺陷的瓷砖后学习带有缺陷的瓷砖，使系统能分清楚两种瓷砖之间的区别，以便更好的分辨。
步骤4中的学习方法可以为机器学习领域的常规方法，机器学习按照学习方法可以分为监督式学习、非监督式学习以及半监督式学习；按照算法可以分为回归算法、基于实例的算法、贝叶斯算法、聚类算法、人工神经网络算法等等。
训练样本集在处理装置的处理器内通过机器学习，为了便于机器学习到尽可能多的缺陷，带有缺陷的瓷砖分割后的子样本需尽可能的小，但是每块子样本必须包含缺陷图样，不能为空白，否则为无效子样本，机器学习到尽可能多的缺陷和没有缺陷的瓷砖图样后，通过摄像装置摄取的被检测的图样与学习到的图样进行对比，通过处理器内置的算法来判别被检测的瓷砖是否为缺陷瓷砖，若为缺陷瓷砖，则警报器发出警报。
在本发明实施例中，切割子样本的方法是通过设置一个固定大小的滑动窗口，以一定的步长从左往右、从上向下滑动，以分割采集到的瓷砖图像，所述步长是以正方形或长方形或圆形为中心，进行移动的距离。根据图像的信息确定步长，当缺陷的范围比较大时，步长要短些，以分割出更多的子样本，当缺陷的范围比较小时，步长可以长一些。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对发明构成任何限制。
Claims (8)
1.一种瓷砖缺陷检测方法，其特征在于，包括以下步骤：
步骤1：选取具有缺陷和没有缺陷的瓷砖作为原始样本，将所有原始样本分为学习样本和测试样本，所有原始样本的集合称为原始样本集，所有学习样本的集合称为学习样本集；
步骤2：采集瓷砖原始样本集的图像；
步骤3：将采集到的每个学习样本中带有缺陷的瓷砖分割成若干个子样本，每个子样本需包含有缺陷图样，所有的子样本与所有的学习样本中没有缺陷的瓷砖的集合称为训练样本集；
步骤4：学习所述训练样本集，利用测试样本集对学习的成果进行检测，不断优化学习模型；
步骤5：对被检测的瓷砖是否为缺陷瓷砖进行识别。
2.如权利要求1所述的瓷砖缺陷检测方法，其特征在于：所述步骤3中分割后的每个子样本的形状可以为任意形状。
3.如权利要求1所述的瓷砖缺陷检测方法，其特征在于：所述步骤3具体包含如下两个子步骤：
步骤3.1：将每块学习样本的边角从背景环境中分割出来，形成清晰的轮廓；
步骤3.2：将具有清晰轮廓的学习样本中带有缺陷的瓷砖分割成子样本，形成训练样本集。
4.一种利用权利要求1～3任一项所述的瓷砖缺陷检测方法的瓷砖缺陷检测系统，其特征在于：包括摄像装置和检测装置，所述检测装置包括存储器和处理器；所述摄像装置与所述检测装置电连接；所述摄像装置用于采集瓷砖原始样本集的图像，然后将所述图像数据传输至检测装置的存储器内，所述处理器从所述存储器内提取图像数据并完成下列指令：
将学习样本中带有缺陷的瓷砖分割成若干个子样本，每个子样本需包含缺陷图样，所有的子样本与所有的学习样本中没有缺陷的瓷砖的集合为训练样本集；
学习所述训练样本集，利用测试样本集对学习的成果进行检测，从而不断优化学习模型；
识别被检测的瓷砖是否为缺陷瓷砖。
5.如权利要求4所述的瓷砖缺陷检测系统，其特征在于：所述摄像装置为CCD相机。
6.如权利要求4所述的瓷砖缺陷检测系统，其特征在于：所述缺陷检测系统还包括报警装置，所述报警装置与所述检测装置电连接。
7.如权利要求4所述的瓷砖缺陷检测系统，其特征在于：所述缺陷检测系统还包括检测开关，所述检测开关为传感器。
8.如权利要求4所述的瓷砖缺陷检测系统，其特征在于：在所述摄像装置上还设置有辅助光源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810683584.5A CN108827974B (zh) | 2018-06-28 | 2018-06-28 | 一种瓷砖缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810683584.5A CN108827974B (zh) | 2018-06-28 | 2018-06-28 | 一种瓷砖缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108827974A true CN108827974A (zh) | 2018-11-16 |
| CN108827974B CN108827974B (zh) | 2024-01-09 |
Family
ID=64139193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810683584.5A Active CN108827974B (zh) | 2018-06-28 | 2018-06-28 | 一种瓷砖缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108827974B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852989A (zh) * | 2019-09-30 | 2020-02-28 | 广州利科科技有限公司 | 瓷砖拍照图片的质量瑕疵检测 |
| CN114612471A (zh) * | 2022-05-10 | 2022-06-10 | 佛山市阿瑞斯数字设备有限公司 | 一种复杂纹理瓷砖表面缺陷检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609680A (zh) * | 2011-12-22 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于三维深度图像信息的并行统计学习人体部位检测方法 |
| CN106127746A (zh) * | 2016-06-16 | 2016-11-16 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和系统 |
| CN106767419A (zh) * | 2017-01-19 | 2017-05-31 | 佛山职业技术学院 | 一种基于光学检测的大幅面瓷砖快速检测方法 |
| CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
| CN107677679A (zh) * | 2017-09-22 | 2018-02-09 | 武汉精测电子技术股份有限公司 | 一种aoi检测中l0画面的缺陷分类方法及装置 |
-
2018
- 2018-06-28 CN CN201810683584.5A patent/CN108827974B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609680A (zh) * | 2011-12-22 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于三维深度图像信息的并行统计学习人体部位检测方法 |
| CN106127746A (zh) * | 2016-06-16 | 2016-11-16 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和系统 |
| CN106767419A (zh) * | 2017-01-19 | 2017-05-31 | 佛山职业技术学院 | 一种基于光学检测的大幅面瓷砖快速检测方法 |
| CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
| CN107677679A (zh) * | 2017-09-22 | 2018-02-09 | 武汉精测电子技术股份有限公司 | 一种aoi检测中l0画面的缺陷分类方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 熊建平: "基于计算机视觉的墙地砖表面缺陷检测", 《电子测量技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852989A (zh) * | 2019-09-30 | 2020-02-28 | 广州利科科技有限公司 | 瓷砖拍照图片的质量瑕疵检测 |
| CN110852989B (zh) * | 2019-09-30 | 2022-05-13 | 广州利科科技有限公司 | 瓷砖拍照图片的质量瑕疵检测 |
| CN114612471A (zh) * | 2022-05-10 | 2022-06-10 | 佛山市阿瑞斯数字设备有限公司 | 一种复杂纹理瓷砖表面缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108827974B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
| CN106529537B (zh) | 一种数字仪表读数图像识别方法 | |
| CN102095733B (zh) | 一种基于机器视觉对瓶盖表面瑕疵的智能检测方法 | |
| CN110455822A (zh) | 一种pcb板缺陷的检测方法 | |
| CN106556611A (zh) | 基于机器视觉的彩色印刷品缺陷自动检测系统及检测方法 | |
| CN109916913A (zh) | 一种基于机器视觉的智能制造产品识别与检测方法 | |
| CN110756457A (zh) | 墙地砖自动识别分类系统及方法 | |
| CN108827974A (zh) | 一种瓷砖缺陷检测方法及系统 | |
| CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
| CN110533660B (zh) | 一种电子产品外壳丝印缺陷的检测方法 | |
| CN111986145A (zh) | 一种基于Faster-RCNN的轴承滚子瑕疵检测方法 | |
| CN109584208B (zh) | 一种针对工业结构缺陷智能识别模型的检验方法 | |
| CN113706455B (zh) | 一种330kV电缆瓷瓶套管的破损快速检测方法 | |
| CN205158399U (zh) | 多光谱视觉成像大叶农作物叶片分级系统 | |
| KR20180092033A (ko) | 부품 등록기 | |
| CN110516527B (zh) | 一种基于实例分割的视觉slam回环检测改进方法 | |
| CN114264607B (zh) | 基于机器视觉的瓷砖色差在线检测系统与方法 | |
| CN107121063A (zh) | 检测工件的方法 | |
| CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
| CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
| CN111428796B (zh) | 一种基于深度学习的通用物品检测方法及系统 | |
| CN111524107B (zh) | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 | |
| CN110070520B (zh) | 基于深度神经网络的路面裂缝检测模型构建及检测方法 | |
| CN113222950A (zh) | 表面缺陷检测模型训练方法、表面缺陷检测方法及系统 | |
| CN109087311B (zh) | 示温漆温度判读方法 |
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 |