CN109035135B - 一种基于机器视觉的织物在线自动整花方法 - Google Patents

一种基于机器视觉的织物在线自动整花方法 Download PDF

Info

Publication number
CN109035135B
CN109035135B CN201810767565.0A CN201810767565A CN109035135B CN 109035135 B CN109035135 B CN 109035135B CN 201810767565 A CN201810767565 A CN 201810767565A CN 109035135 B CN109035135 B CN 109035135B
Authority
CN
China
Prior art keywords
image
fabric
width
processing unit
central processing
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
Application number
CN201810767565.0A
Other languages
English (en)
Other versions
CN109035135A (zh
Inventor
顾金华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Hongda Intelligent Equipment Industry Development Research Institute Co ltd
Original Assignee
Changzhou Hongda Intelligent Equipment Industry Development Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Hongda Intelligent Equipment Industry Development Research Institute Co ltd filed Critical Changzhou Hongda Intelligent Equipment Industry Development Research Institute Co ltd
Priority to CN201810767565.0A priority Critical patent/CN109035135B/zh
Publication of CN109035135A publication Critical patent/CN109035135A/zh
Application granted granted Critical
Publication of CN109035135B publication Critical patent/CN109035135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种基于机器视觉的织物在线自动整花方法，由工业相机采集在线移动织物整体幅宽的织物图像A，并将其送至中央处理器；对织物图像A进行滤波处理得到织物图像B；对织物图像B进行边缘检测或亮度阈值分割得到织物图像C；对织物图像C进行二维图像傅里叶变换得到图像D；将图像D低频成分位于图像中心，高频成分位于四角得到图像E；根据图像E计算出重复图案宽度H和个数J；重复图案中心位置检测；根据中心位置计算出织物图像A的花弯和花斜偏差量，最后由中央处理器控制调整弯辊和/或调整斜辊动作，完成自动整花。本发明对于重复图案的花形倾斜或弯曲情况，能够自动计算出花弯和花斜偏差量，达到准确矫正织物花形倾斜和弯曲目的。

Description

一种基于机器视觉的织物在线自动整花方法
技术领域
本发明涉及一种织物整花方法，特别是涉及一种基于机器视觉的织物在线自动整花方法，属于纺织印染工艺技术领域。
背景技术
已印有花形图案的印花布、格子布和条纹布等织物，在水洗、烘干、拉幅定型或预缩等后整理工序处理过程中，以及带底色图案的蜡染布在印花过程中，由于织物处于连续牵引状态，并受各种机械运动和生产操作的影响，以及各导布辊张力不均等问题，织物表现出花形图案倾斜、弯曲及花形图案呈现S弯等畸变情况，花形图案产生畸变会影响到后续工序的加工质量，需进行矫正。
现有基于机器视觉的织物整花装置，其利用工业相机采集织物运动图像，采用数字图像特征提取技术，提取织物图像的特征信息，其具有良好的适应性和检测精度。但对于织物的花形图案是重复图案的花形倾斜或弯曲情况，现有整花装置采用的整花方法仅仅是依靠几个采样点的拟合，其整花结果往往会出现一定偏差，例如整花后重复图案仍然出现局部扭曲的情况，而依靠现有的整花方法根本无法解决这种情况。
发明内容
本发明要解决的技术问题是提供一种对于织物的花形图案，尤其是对于织物的花形图案是重复图案的花形倾斜或弯曲情况，能够自动计算出花弯偏差量和花斜偏差量，从而达到准确矫正织物花形倾斜和弯曲目的的基于机器视觉的织物在线自动整花方法。
为解决上述技术问题，本发明采用这样一种基于机器视觉的织物在线自动整花方法，包括以下步骤：
a. 采集图像
由工业相机采集在线移动织物整体幅宽的织物图像A，然后将采集到的织物图像A输送至中央处理器内；
b. 图像预处理
b1. 由中央处理器对步骤a中的织物图像A进行滤波处理，并得到处理后的织物图像B；
b2. 由中央处理器对步骤b1中的织物图像B进行边缘检测或亮度阈值分割，并得到处理后的织物图像C，所述织物图像C的宽度为CW，高度为CH；
c. 检测重复图案宽度H和重复图案个数J
c1. 由中央处理器对步骤b2中的织物图像C进行二维图像傅里叶变换，并得到处理后的傅里叶变换图像D；
c2. 采用平移方法将所述傅里叶变换图像D低频成分位于图像中心，高频成分位于图像四角，并得到处理后的图像E；
c3. 根据步骤c2中的图像E计算出织物整个幅宽方向的重复图案宽度H和重复图案个数J；
d. 重复图案中心位置检测
由中央处理器对步骤b2中的织物图像C进行处理，具体处理步骤为：
d1. 将织物图像C按高度CH等分为N等份，计算出每一份的方差，选取方差最大的等份图像区域K，所述等份图像区域K的宽度为KW，高度为KH；
d2. 在所述等份图像区域K内，以左边缘为起点，宽度为所述重复图案宽度H，高度为所述等份图像区域K的高度KH，确定矩形区域L，计算出织物图像C在矩形区域L内的灰度变化图像O，并确定所述灰度变化图像O的灰度最亮点P0；
d3. 以所述灰度最亮点P0为中心，选择图像Q0，且图像Q0的宽度为QW，高度为QH，图像Q0的中心与所述灰度最亮点P0重合；以所述灰度最亮点P0为中心，向右间隔宽度为所述重复图案宽度H后，选择图像Q1，且图像Q1的宽度为QW，高度为QH，计算出图像Q1的中心位置P1；
d4. 以图像Qi－1的中心位置Pi－1为中心，向右间隔宽度为所述重复图案宽度H后，选择图像Qi，且图像Qi的宽度为QW，高度为QH，计算出图像Qi的中心位置Pi，这里i=2,3,4，…J－1；中央处理器对i赋新值，重复该步骤，直到i= J－1为止，其中J为所述重复图案个数，即可计算出重复图案的各个中心位置；
e. 图案变形计算
由中央处理器根据步骤d中重复图案的各个中心位置，计算出织物图像A的花弯偏差量和花斜偏差量，最后由中央处理器控制相对应的调整弯辊和/或调整斜辊动作，以完成织物的自动整花。
作为本发明的一种优选实施方案，所述步骤b1中由中央处理器对步骤a中的织物图像A通过滤波器进行滤波处理。
在本发明中，所述滤波器为空域滤波器中的均值滤波器、中值滤波器、低通滤波器、高斯滤波器；或者所述滤波器为频域滤波器中的小波变换滤波器、傅里叶变换滤波器、余弦变换滤波器；或者所述滤波器为以膨胀和腐蚀方式的形态学操作进行去噪的形态学滤波器。
在本发明中，所述步骤b2中由中央处理器通过sobel算法、或者Roberts算法、或者Prewitt算法、或者Laplacian算法、或者Canny算法对织物图像B进行边缘检测；所述由中央处理器对织物图像B进行亮度阈值分割的方法有基于固定阈值分割法、基于灰度直方图的阈值分割法、自适应阈值分割法、最大熵阈值分割法和最大类间方差阈值分割法。
在本发明中，在所述步骤d2中，优选由中央处理器采用边缘检测算法计算出织物图像C在矩形区域L内的灰度变化图像O，再利用固定阈值分割算法确定所述灰度变化图像O的灰度最亮点P0。
在本发明中，在所述步骤d3中，优选由中央处理器采用傅里叶互相关算法计算出图像Q1的中心位置P1；在所述步骤d4中，优选由中央处理器采用傅里叶互相关算法计算出图像Qi的中心位置Pi。
在本发明中，所述中央处理器优选是具有人机界面的数字控制器或者嵌入式系统或者工控机。
采用上述整花方法后，本发明具有以下有益效果：
本发明对于织物的花形图案，尤其是对于织物的花形图案是重复图案的花形倾斜或弯曲情况，能够自动计算出花弯偏差量和花斜偏差量，通过机器视觉来达到自动准确矫正织物图案花形倾斜和弯曲的目的，操作性强，可大幅度提高织物的合格率，解决了现有织物在水洗、烘干、拉幅定型或预缩等后整理工序处理过程中花形畸变的问题，并且大大降低了操作难度。
本发明大大降低了对操作工的技能要求和劳动强度，提高了生产效率。
本发明保证了印花产品正品率，为企业带来更大的经济效益。
具体实施方式
以下结合实施例，对本发明作进一步的说明。
一种基于机器视觉的织物在线自动整花方法，优选采用现有的整纬整花机为自动整花设备，其具体整花步骤依次是：
a. 采集图像
由工业相机采集在线移动织物整体幅宽的织物图像A，然后将采集到的织物图像A输送至中央处理器内；所述工业相机优选为工业线阵或面阵相机；所述中央处理器优选是具有人机界面的数字控制器例如DDC数字控制器或者嵌入式系统或者工控机；
b. 图像预处理
b1. 由中央处理器对步骤a中的织物图像A进行滤波处理，并得到处理后的织物图像B；在该步骤中，优选通过滤波器对织物图像A进行滤波处理，其中，所述滤波器为空域滤波器中的均值滤波器、中值滤波器、低通滤波器、高斯滤波器；或者所述滤波器为频域滤波器中的小波变换滤波器、傅里叶变换滤波器、余弦变换滤波器；或者所述滤波器为以膨胀和腐蚀方式的形态学操作进行去噪的形态学滤波器；
b2. 由中央处理器对步骤b1中的织物图像B进行边缘检测或亮度阈值分割，并得到处理后的织物图像C，所述织物图像C的宽度为CW，高度为CH；在该步骤中，优选通过sobel算法、或者Roberts算法、或者Prewitt算法、或者Laplacian算法、或者Canny算法对织物图像B进行边缘检测；所述由中央处理器对织物图像B进行亮度阈值分割的方法有基于固定阈值分割法、基于灰度直方图的阈值分割法、自适应阈值分割法、最大熵阈值分割法和最大类间方差阈值分割法；
c. 检测重复图案宽度H和重复图案个数J
c1. 由中央处理器对步骤b2中的织物图像C进行二维图像傅里叶变换，并得到处理后的傅里叶变换图像D；
c2. 采用平移方法将所述傅里叶变换图像D低频成分位于图像中心，高频成分位于图像四角，并得到处理后的图像E；
c3. 根据步骤c2中的图像E计算出织物整个幅宽方向的重复图案宽度H和重复图案个数J；在该步骤中，优选采用固定阈值分割方法提取图像E的最亮点G，最亮点G的坐标为G(r, c)。根据织物图像C的宽度CW与最亮点G的坐标G(r, c)计算出重复图案宽度H，再根据重复图案宽度H和织物图像C的宽度CW计算出重复图案个数J；
d. 重复图案中心位置检测
由中央处理器对步骤b2中的织物图像C进行处理，具体处理步骤为：
d1. 将织物图像C按高度CH等分为N等份，计算出每一份的方差，选取方差最大的等份图像区域K，所述等份图像区域K的宽度为KW，高度为KH；
d2. 在所述等份图像区域K内，以左边缘为起点，宽度为所述重复图案宽度H，高度为所述等份图像区域K的高度KH，确定矩形区域L，采用边缘检测算法计算出织物图像C在矩形区域L内的灰度变化图像O，再利用固定阈值分割算法确定所述灰度变化图像O的灰度最亮点P0；
d3. 以所述灰度最亮点P0为中心，选择图像Q0，且图像Q0的宽度为QW，高度为QH，图像Q0的中心与所述灰度最亮点P0重合；以所述灰度最亮点P0为中心，向右间隔宽度为所述重复图案宽度H后，选择图像Q1，且图像Q1的宽度为QW，高度为QH，采用傅里叶互相关算法计算出图像Q1的中心位置P1；
d4. 以图像Qi－1的中心位置Pi－1为中心，向右间隔宽度为所述重复图案宽度H后，选择图像Qi，且图像Qi的宽度为QW，高度为QH，采用傅里叶互相关算法计算出图像Qi的中心位置Pi，这里i=2,3,4，…J－1；中央处理器对i赋新值，重复该步骤，直到i= J－1为止，其中J为所述重复图案个数，即可计算出重复图案的各个中心位置；
e. 图案变形计算
由中央处理器根据步骤d中重复图案的各个中心位置，计算出织物图像A的花弯偏差量和花斜偏差量，最后由中央处理器控制相对应的调整弯辊和/或调整斜辊动作，以完成织物的自动整花。其中，重复图案的各个中心位置的左端点坐标为SL(r,c)，中间点坐标为SM(r,c)，右端点坐标为SR(r,c)。
花斜偏差量为：Skew = (SRr－SLr)/(SRc－SLc);
花弯偏差量为：Bow = (SMr－SLr－(( SRr－SLr)/2))/(( SRc－SLc)/2)。
经过试用，本发明解决了现有织物在水洗、烘干、拉幅定型或预缩等后整理工序处理过程中花形畸变的问题，保证了印花产品正品率，取得了良好的效果。

Claims (7)

1.一种基于机器视觉的织物在线自动整花方法，其特征在于，包括以下步骤：
a. 采集图像
由工业相机采集在线移动织物整体幅宽的织物图像A，然后将采集到的织物图像A输送至中央处理器内；
b. 图像预处理
b1. 由中央处理器对步骤a中的织物图像A进行滤波处理，并得到处理后的织物图像B；
b2. 由中央处理器对步骤b1中的织物图像B进行边缘检测或亮度阈值分割，并得到处理后的织物图像C，所述织物图像C的宽度为CW，高度为CH；
c. 检测重复图案宽度H和重复图案个数J
c1. 由中央处理器对步骤b2中的织物图像C进行二维图像傅里叶变换，并得到处理后的傅里叶变换图像D；
c2. 采用平移方法将所述傅里叶变换图像D低频成分位于图像中心，高频成分位于图像四角，并得到处理后的图像E；
c3. 根据步骤c2中的图像E计算出织物整个幅宽方向的重复图案宽度H和重复图案个数J；
d. 重复图案中心位置检测
由中央处理器对步骤b2中的织物图像C进行处理，具体处理步骤为：
d1. 将织物图像C按高度CH等分为N等份，计算出每一份的方差，选取方差最大的等份图像区域K，所述等份图像区域K的宽度为KW，高度为KH；
d2. 在所述等份图像区域K内，以左边缘为起点，宽度为所述重复图案宽度H，高度为所述等份图像区域K的高度KH，确定矩形区域L，计算出织物图像C在矩形区域L内的灰度变化图像O，并确定所述灰度变化图像O的灰度最亮点P0；
d3. 以所述灰度最亮点P0为中心，选择图像Q0，且图像Q0的宽度为QW，高度为QH，图像Q0的中心与所述灰度最亮点P0重合；以所述灰度最亮点P0为中心，向右间隔宽度为所述重复图案宽度H后，选择图像Q1，且图像Q1的宽度为QW，高度为QH，计算出图像Q1的中心位置P1；
d4. 以图像Qi－1的中心位置Pi－1为中心，向右间隔宽度为所述重复图案宽度H后，选择图像Qi，且图像Qi的宽度为QW，高度为QH，计算出图像Qi的中心位置Pi，这里i=2,3,4，…J－1；中央处理器对i赋新值，重复该步骤，直到i= J－1为止，其中J为所述重复图案个数，即计算出重复图案的各个中心位置；
e. 图案变形计算
由中央处理器根据步骤d中重复图案的各个中心位置，计算出织物图像A的花弯偏差量和花斜偏差量，最后由中央处理器控制相对应的调整弯辊和/或调整斜辊动作，以完成织物的自动整花。
2.根据权利要求1所述的基于机器视觉的织物在线自动整花方法，其特征在于：所述步骤b1中由中央处理器对步骤a中的织物图像A通过滤波器进行滤波处理。
3.根据权利要求2所述的基于机器视觉的织物在线自动整花方法，其特征在于：所述滤波器为空域滤波器中的均值滤波器、中值滤波器、低通滤波器、高斯滤波器；或者所述滤波器为频域滤波器中的小波变换滤波器、傅里叶变换滤波器、余弦变换滤波器；或者所述滤波器为以膨胀和腐蚀方式的形态学操作进行去噪的形态学滤波器。
4.根据权利要求1所述的基于机器视觉的织物在线自动整花方法，其特征在于：所述步骤b2中由中央处理器通过sobel算法、或者Roberts算法、或者Prewitt算法、或者Laplacian算法、或者Canny算法对织物图像B进行边缘检测；所述由中央处理器对织物图像B进行亮度阈值分割的方法有基于固定阈值分割法、基于灰度直方图的阈值分割法、自适应阈值分割法、最大熵阈值分割法和最大类间方差阈值分割法。
5.根据权利要求1所述的基于机器视觉的织物在线自动整花方法，其特征在于：在所述步骤d2中，由中央处理器采用边缘检测算法计算出织物图像C在矩形区域L内的灰度变化图像O，再利用固定阈值分割算法确定所述灰度变化图像O的灰度最亮点P0。
6.根据权利要求1所述的基于机器视觉的织物在线自动整花方法，其特征在于：在所述步骤d3中，由中央处理器采用傅里叶互相关算法计算出图像Q1的中心位置P1；在所述步骤d4中，由中央处理器采用傅里叶互相关算法计算出图像Qi的中心位置Pi。
7.根据权利要求1至6中任一项所述的基于机器视觉的织物在线自动整花方法，其特征在于：所述中央处理器是具有人机界面的数字控制器或者嵌入式系统或者工控机。
CN201810767565.0A 2018-07-13 2018-07-13 一种基于机器视觉的织物在线自动整花方法 Active CN109035135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810767565.0A CN109035135B (zh) 2018-07-13 2018-07-13 一种基于机器视觉的织物在线自动整花方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810767565.0A CN109035135B (zh) 2018-07-13 2018-07-13 一种基于机器视觉的织物在线自动整花方法

Publications (2)

Publication Number Publication Date
CN109035135A CN109035135A (zh) 2018-12-18
CN109035135B true CN109035135B (zh) 2023-03-24

Family

ID=64641345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810767565.0A Active CN109035135B (zh) 2018-07-13 2018-07-13 一种基于机器视觉的织物在线自动整花方法

Country Status (1)

Country Link
CN (1) CN109035135B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390675A (zh) * 2019-07-26 2019-10-29 常州弘仁智能科技有限公司 一种基于影像分析的织物纬斜检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105457908B (zh) * 2015-11-12 2018-04-13 孙高磊 基于单目ccd的小尺寸玻璃面板的分拣快速定位方法及系统
CN106556606B (zh) * 2016-11-15 2019-02-12 合肥工业大学 基于机器视觉的大型机械产品总成件的在线质量控制方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法

Also Published As

Publication number Publication date
CN109035135A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN112630222B (zh) 一种基于机器视觉的手机盖板玻璃缺陷检测方法
CN109871938B (zh) 一种基于卷积神经网络的零部件喷码检测方法
US8848978B2 (en) Fast obstacle detection
CN104574353B (zh) 基于视觉显著性的表面缺陷判定方法
CN108921819B (zh) 一种基于机器视觉的验布装置及方法
CN104657728B (zh) 基于计算机视觉的条码识别系统
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN109540917B (zh) 一种多角度模式下纱线外观特征参数提取与分析方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN110298344A (zh) 一种基于机器视觉的仪表旋钮定位与检测方法
CN108755072B (zh) 基于机器视觉的织物在线自动整花方法
CN104021561A (zh) 基于小波变换及形态学运算的织物起毛起球图像分割方法
CN113706566B (zh) 一种基于边缘检测的加香喷雾性能检测方法
CN111583193B (zh) 基于几何轮廓模板匹配的开心果骨架提取装置及其算法
CN109035135B (zh) 一种基于机器视觉的织物在线自动整花方法
CN110909631A (zh) 一种手指静脉图像roi提取和增强方法
CN113706521A (zh) 碳纤维表面毛团检测方法、装置、存储介质和电子设备
CN108986093B (zh) 基于机器视觉的圆网或平网印花机堵网疵点检测方法
Li et al. Fabric defect detection using wavelet decomposition
CN105421012A (zh) 基于机器视觉的织物自动整花方法
CN116883269A (zh) 一种基于机器视觉的织物在线自动整花方法
CN110400321A (zh) 基于机器视觉的皮革原料轮廓及实际尺寸的提取方法
CN111652221B (zh) 一种用于usb插头表面缺陷检测的roi提取方法和系统
CN113516628A (zh) 一种基于机器视觉的浆纱撞筘检测方法
CN110717500B (zh) 一种二维条码初定位方法

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