CN109035333A - 轴对称图形的偏转角度识别的单目机器视觉方法 - Google Patents

轴对称图形的偏转角度识别的单目机器视觉方法 Download PDF

Info

Publication number
CN109035333A
CN109035333A CN201810612573.8A CN201810612573A CN109035333A CN 109035333 A CN109035333 A CN 109035333A CN 201810612573 A CN201810612573 A CN 201810612573A CN 109035333 A CN109035333 A CN 109035333A
Authority
CN
China
Prior art keywords
workpiece
image
deflection angle
axis
point
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
Application number
CN201810612573.8A
Other languages
English (en)
Other versions
CN109035333B (zh
Inventor
吴轩全
李梦如
陈哲
卜王辉
陈茂林
奚鹰
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201810612573.8A priority Critical patent/CN109035333B/zh
Publication of CN109035333A publication Critical patent/CN109035333A/zh
Application granted granted Critical
Publication of CN109035333B publication Critical patent/CN109035333B/zh
Expired - Fee Related 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T7/68—Analysis of geometric attributes of symmetry
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种轴对称图形的偏转角度进行识别的单目机器视觉方法。本发明视觉系统的拍照角度是工件的俯视图。本发明对轴对称工件的偏转角度进行了定义，并根据该定义开发对应方法，使得机器视觉系统通过利用基于OpenCV的库函数来识别并计算轴对称工件的偏转角度。该方法抗干扰性强，对硬件设备要求较低，同时识别精度高。将本视觉系统应用于具有识别轴对称工件的偏转角度任务的流水线上会显著提高流水线的工作效率，实现机器代替人工测量从而实现生产自动化。

Description

轴对称图形的偏转角度识别的单目机器视觉方法
技术领域
本发明涉及一种系统对轴对称工件的偏转角度识别的单目机器视觉方法。
背景技术
概括而言，机器视觉可以理解为将视觉装置安装在机器上，或者是让机器具有图像获取和分析的能力。准确来说，美国制造工程师协会(SME)机器视觉分会和美国机器人工业协会(RIA)自动化视觉分会对于机器视觉的定义是：“Machine vision is the use ofdevices for optical non-contact sensing to automatically receive andinterpret an image of a real scene in order to obtain information and/orcontrol machines or processes.”，对应的中文译文是：“机器视觉是利用非接触感知的视觉设备自动获取真实场景的图像，并进行相应图像处理，以此得到控制机器或生产过程所需的信息。”
机器视觉的工业应用与数字图像处理技术是密不可分的。系统在通过设备获取图像后，转换为数字图像信息输入到图像处理端，经过所开发的方法计算和处理后，输出项目中所感兴趣的物理量或其他信息。本发明所感兴趣的就是描述轴对称工件的摆放姿态的物理量之一——偏转角度。通常来说，机器视觉方法内都包含图像预处理、图像分割、图像特征识别与提取等部分。而这些技术的基础理论是由冈萨雷斯教授及其团队整合并发表成书。根据这些基础理论，人们在此基础上进行满足各种各样的项目目标的机器视觉方法开发。另外，关于机器视觉系统领域的专项研究，是由20世纪70年代英国的Marr教授开始并搭建了一套完善的视觉理论体系。以Marr视觉理论和数字图像处理理论为基础，根据不同项目的需要，开发对应的机器视觉系统及其方法，可以实现机器视觉代替人眼识别的过程，从而大大提高流水线生产的效率和质量。
已有的识别轴对称图形偏转角度的方法大多是基于图形惯性矩的数学方法。这类方法通过对于工件图像的二值化后，将工件从图片中单独提取，并计算工件在图片中的惯性矩。求出惯性矩最小的轴即作为工件的偏转方向。这类方法的优势在于，利用数学基础对图像进行分析，理论上能够非常准确地计算出工件惯性矩最小的轴，从而计算该轴与指定方向的偏转角度。但是该方法的劣势在于，对于获取的图像质量以及对图像二值化的质量要求非常高。当相机像素较低使得工件在图像中较为模糊，或者图像处理技术效果较差使得工件图像二值化的过程中损失了工件部分信息时，该方法计算所得的偏转角度会有较大的误差。另外，这类方法的通用性和抗干扰能力也较差，轴对称零件的轮廓不规则或者图像获取过程中的噪声较大，都会对最终计算得到的偏转角度产生影响。
发明内容
本发明的目的在于提供一种系统对轴对称工件的偏转角度识别的单目机器视觉方法。
本发明提出的轴对称工件的偏转角度识别的单目机器视觉方法，具体步骤如下：(1)机器视觉硬件系统的搭建
所述机器视觉硬件系统由相机、光源系统和图像处理设备组成，光源系统包含光照部分和遮光部分。遮光部分称为黑箱，能够减少外界环境对拍照环境的影响；光照部分则为拍照环境单独提供光源，保证工件的亮度；光源系统为相机获取图像创造指定的拍摄环境，通过相机对目标工件进行拍照，获取工件原始图像，将所得工作原始图像信息输入到图像处理设备中，进行原始图像的处理与分析，从而得到所需要的结果；机器视觉硬件系统对于轴对称工件的拍照角度采用能完全展示工件外形轮廓的俯视图；另外，工件的主体颜色应当与背景颜色有较为明显的区分；
(2)工件图像的几何中心(xc，yc)的确定
(2.1).对于几何图形规则的工件：先将工件图像灰度化后再进行直方图分析，找出区分工件与背景的阈值，利用阈值将图像进行二值化，从而将工件与背景区分开，得到原图像的二值图Ibinary，并利用二值图求取工件的重心；
(2.1)对于几何图形不规则的工件：当工件具有一定的几何特征时，所述几何特征为工件本身几何中心与工件某一部分圆的圆心重合，或者几何中心与某对角线交点重合，则可以提取所述几何特征的标准图形，从而更为准确地得到几何中心；
(3)工件外轮廓的提取
(3.1)当图像质量较好，图像中不存在人眼可见的椒盐噪声，工件边缘轮廓线清晰不模糊时，可以直接采取边缘提取方法，如canny方法等，得到工件的外轮廓图像；
(3.2)当图像质量较差，噪声干扰较大时，可以使用原图像的二值图Ibinary先进行腐蚀操作得到Ierode，再用原图像减去腐蚀后的图像的操作，得到工件的外轮廓图像，即Ioutline＝Ibinary-Ierode；
(4)截取圆环的设定
以工件的几何中心(xc，yc)为原点，设定半径和宽度适当的截取圆环，该圆环与工件外轮廓相交于多点，具体为(x1，y1)，(x2，y2)，...，(xn，yn)；截取圆环的半径选择需要根据不同工件进行对应的调整，选择原则是应当使得截取圆环所截到的点明显分布在工件沿标准对称轴方向的两侧，且两侧的点有明显的可区分距离；
(5)截取点的筛选和分组
由于使用的是截取圆环而并非截取圆，故圆环与工件轮廓的一条线段相交可能不止一个点。对于同一条线段截取到的多个点，只需要选取其中一个，而舍弃其他多余点即可。此后，需要对工件沿标准对称轴方向两侧的截取点进行分组，同一侧的归于一组。假设分组完成后，两组点分别为(x11，y11)，(x12，y12)，...，(x1m，y1m)和(x21，y21)，(x22，y22)，...，(x2k，y2k)；(6)两侧截取点的中点计算及偏转角度的计算
根据步骤(5)的分组，由于工件是轴对称的，故将同一侧的所有点的横纵坐标相加求均值后，即可得到同侧所有点的中点，该中点位于标准对称轴上；
两侧的截取点通过计算后得到两个位于标准对称轴上的中点(xz1，yz1)和(xz2，yz2)，即可通过两点法求出标准对称轴，进而通过计算得到工件的偏转角度θ；
本发明适用的轴对称图形应当在绕其几何中心旋转90°以内的过程中不与原图形重合，例如本发明不适用于正方形或圆形轮廓的工件。如有多个对称轴的图形，则取相对于对称轴的惯性矩最小的对称轴作为标准对称轴。规定标准对称轴水平时，偏转角度为0°。当工件顺时针旋转时，标准对称轴与水平轴之间的夹角则规定为工件偏转角度。
本发明中，所述边缘提取方法为canny方法。
本发明的有益效果在于：
1.本发明对于机器视觉系统中所使用的相机设备要求不高，相机像素只需高于100万即可；
2.本发明对于轴对称工件的轮廓无特殊要求，工件轮廓可以是规则直线或曲线，也可以是不规则曲线；
3.本发明方法抗干扰能力强且精度较高。
附图说明
图1为机器视觉硬件系统结构示意图。
图2为本发明方法的流程图。
图3为手表壳工件偏转角度的说明。
图4为手表壳的实际拍照效果图。
图5为手表壳实拍图像的灰度直方图。
图6为腐蚀加图像相减后获得的手表壳轮廓。
图7为使用截取圆环获得截取点的结果图。
图8～图14为用于检测算法的不同偏转角度的工件图。
图中标号：1为黑箱，2为相机，3为环形光源，4为手表外壳，5为载物盘。
具体实施方式
下面通过手表壳制造生产的项目实例结合附图进一步说明本发明。
实施例1：
手表壳生产项目所搭建的机器视觉硬件系统示意图如图1。机器视觉硬件系统由相机2、光源系统和图像处理设备组成，首先，光源系统包含光照部分和遮光部分。遮光部分称为黑箱1，能够减少外界环境对拍照环境的影响。光照部分则为拍照环境单独提供光源，保证工件的亮度。光源系统为相机获取图像创造指定的拍摄环境，然后机器视觉硬件系统通过相机1对目标工件进行拍照，获取工件原始图像，最后将图像信息输入到图像处理设备中，进行图像的处理与分析，从而得到所需要的结果。本发明需要机器视觉硬件系统对于轴对称工件的拍照角度是能完全展示工件外形轮廓的俯视图。另外，工件的主体颜色应当与背景颜色有较为明显的区分，以便后续方法的实现。但是本发明对于机器视觉硬件系统所使用的相机1设备要求不高，一般的工业级相机即可完成任务。
轴对称工件的偏转角度识别方法流程图见图2，以计算手表壳偏转角度为例，说明所开发方法的应用过程。在此简要说明一下本方法流程。首先，从处理后的工件轮廓图片左上角开始扫描图片像素点，判断像素点是否在设置的判断圆环内。若不是，则扫描下一个像素点。反之，继续判断该像素点是否为工件轮廓点。若不是轮廓点，则扫描下一个像素点。反之，再根据已有截取点的信息，继续对提取的轮廓点进行分组。直到整张图片都扫描完毕，即可以得到计算偏转角度所需要的点的坐标数据。在方法执行过程中，对图片所进行的具体操作可见下文。
如图3所示，该工件的外形轮廓满足本发明的使用范围。β表示的是该项目中手表壳的偏转角度。其中点5和点6的连线是该手表壳惯性矩最小的标准对称轴。
由工件外形易知，工件俯视图的几何中心与工件内圆的圆心相同。因此在该项目中，我们利用霍夫圆检测方法识别圆轮廓，从而找到工件内圆的圆心，也就是工件的几何中心。例如图3中的点0。
图4和图5分别是视觉系统实际拍出的图像和该图像的灰度分布直方图，通过直方图分析，可以看出直方图中第一个波峰表示图像黑色背景部分，第二个较低的波峰表示图像中手表壳四个支撑脚部分(较暗)，第三个波峰表示图像中手表壳内圆环部分(较亮)。由此可以得出区分背景与工件之间的灰度阈值大概为65。由于该项目中图像质量较差，且存在一定噪声干扰，所以利用阈值先将图像二值化得到Ibinary，再利用腐蚀操作处理二值图像得到Ierode，最后用原二值图像减去腐蚀后的二值图像，即可得到完整的表壳轮廓Ioutline＝Ibinary-Ierode(见图6)。
基于所得到的表壳轮廓图像Ioutline，选择该工件适当的截取圆环半径。在本例中，所选择的截取圆环半径比表壳内圆环的外径大，同时小于无法与表壳轮廓相交的最小半径。随后，对表壳轮廓进行截取，实际截取效果图见图7。图7中所截取到的所有点的坐标数据及分组情况均列在表1中。表1中对截取点的分组里，编号为“-1”的点是因属于同轮廓线段而被舍弃的点。通过对截取到的有效点进行取舍和分类后，计算沿标准对称轴方向两侧的中点，并将两点连线表示对称轴(见图7中直线)。
该直线的偏转角度即为图中表壳的偏转角度。
通过上述步骤，另取7张不同偏转角度的图片对本发明方法进行检测。用于检测的图片见图8～图14。检测结果见表2。通过检测结果可以看出，本发明方法对于手表外壳偏转角度的识别误差均低于1％，精度较高，且对于任意角度的手表壳均可以进行识别，稳定性好。
表2手表壳偏转角度识别算法的精度检测数据
图片序号 偏转角度理论值/° 偏转角度实际值/° 误差/％
4 79.5693 79.5742 0.0067
8 171.9594 171.9330 0.0002
9 40.4616 40.8461 0.9502
10 129.6252 129.2890 0.2594
11 141.8067 141.3400 0.3291
12 122.5437 122.5740 0.0247
13 87.8340 87.7454 0.1009
14 95.1036 94.9503 0.1612

Claims (4)

1.轴对称工件的偏转角度识别的单目机器视觉方法，其特征在于具体步骤如下：
(1)机器视觉硬件系统的搭建
所述机器视觉硬件系统由相机、光源系统和图像处理设备组成，光源系统包含光照部分和遮光部分；遮光部分称为黑箱，能够减少外界环境对拍照环境的影响；光照部分则为拍照环境单独提供光源，保证工件的亮度；光源系统为相机获取图像创造指定的拍摄环境，通过相机对目标工件进行拍照，获取工件原始图像，将所得工作原始图像信息输入到图像处理设备中，进行原始图像的处理与分析，从而得到所需要的结果；机器视觉硬件系统对于轴对称工件的拍照角度采用能完全展示工件外形轮廓的俯视图；另外，工件的主体颜色应当与背景颜色有较为明显的区分；
(2)工件图像的几何中心(xc，yc)的确定
(2.1)对于几何图形规则的工件：先将工件图像灰度化后再进行直方图分析，找出区分工件与背景的阈值，利用阈值将图像进行二值化，从而将工件与背景区分开，得到原图像的二值图Ibinary，并利用二值图求取工件的重心；
(2.1)对于几何图形不规则的工件：当工件具有一定的几何特征时，所述几何特征为工件本身几何中心与工件某一部分圆的圆心重合，或者几何中心与某对角线交点重合，则可以提取所述几何特征的标准图形，从而更为准确地得到几何中心；
(3)工件外轮廓的提取
(3.1)当图像质量较好，图像中不存在人眼可见的椒盐噪声，工件边缘轮廓线清晰不模糊时，可以直接采取边缘提取方法，如canny方法等，得到工件的外轮廓图像；
(3.2)当图像质量较差，噪声干扰较大时，可以使用原图像的二值图Ibinary先进行腐蚀操作得到Ierode，再用原图像减去腐蚀后的图像的操作，得到工件的外轮廓图像，即Ioutline＝Ibinary-Ierode；
(4)截取圆环的设定
以工件的几何中心(xc，yc)为原点，设定半径和宽度适当的截取圆环，该圆环与工件外轮廓相交于多点，具体为(x1，y1)，(x2，y2)，...，(xn，yn)；截取圆环的半径选择需要根据不同工件进行对应的调整，选择原则是应当使得截取圆环所截到的点明显分布在工件沿标准对称轴方向的两侧，且两侧的点有明显的可区分距离；
(5)截取点的筛选和分组
由于使用的是截取圆环而并非截取圆，故圆环与工件轮廓的一条线段相交可能不止一个点；对于同一条线段截取到的多个点，只需要选取其中一个，而舍弃其他多余点即可；此后，需要对工件沿标准对称轴方向两侧的截取点进行分组，同一侧的归于一组；假设分组完成后，两组点分别为(x11，y11)，(x12，y12)，...，(x1m，y1m)和(x21，y21)，(x22，y22)，...，(x2k，y2k)；
(6)两侧截取点的中点计算及偏转角度的计算
根据步骤(5)的分组，由于工件是轴对称的，故将同一侧的所有点的横纵坐标相加求均值后，即可得到同侧所有点的中点，该中点位于标准对称轴上；
两侧的截取点通过计算后得到两个位于标准对称轴上的中点(xz1，yz1)和(xz2，yz2)，即可通过两点法求出标准对称轴，进而通过计算得到工件的偏转角度θ；
偏转角度
2.根据权利要求1所述的方法，其特征在于所述轴对称图形应当在绕其几何中心旋转90°以内的过程中不与原图形重合。
3.根据权利要求1所述的方法，其特征在于若有多个对称轴的图形，则取相对于对称轴的惯性矩最小的对称轴作为标准对称轴，规定标准对称轴水平时，偏转角度为0°；当工件顺时针旋转时，标准对称轴与水平轴之间的夹角则规定为工件偏转角度。
4.根据权利要求1所述的方法，其特征在于所述边缘提取方法为canny方法。
CN201810612573.8A 2018-06-14 2018-06-14 轴对称图形的偏转角度识别的单目机器视觉方法 Expired - Fee Related CN109035333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810612573.8A CN109035333B (zh) 2018-06-14 2018-06-14 轴对称图形的偏转角度识别的单目机器视觉方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810612573.8A CN109035333B (zh) 2018-06-14 2018-06-14 轴对称图形的偏转角度识别的单目机器视觉方法

Publications (2)

Publication Number Publication Date
CN109035333A true CN109035333A (zh) 2018-12-18
CN109035333B CN109035333B (zh) 2021-04-06

Family

ID=64609708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810612573.8A Expired - Fee Related CN109035333B (zh) 2018-06-14 2018-06-14 轴对称图形的偏转角度识别的单目机器视觉方法

Country Status (1)

Country Link
CN (1) CN109035333B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040081352A1 (en) * 2002-10-17 2004-04-29 Fanuc Ltd. Three-dimensional visual sensor
CN104217441A (zh) * 2013-08-28 2014-12-17 北京嘉恒中自图像技术有限公司 一种基于机器视觉的机械臂定位抓取方法
CN105881102A (zh) * 2015-02-12 2016-08-24 发那科株式会社 使用了拍摄部的工件的定位装置
CN106643483A (zh) * 2016-09-28 2017-05-10 宁波舜宇智能科技有限公司 工件检测方法和装置
CN106989672A (zh) * 2017-04-17 2017-07-28 天津大学 一种基于机器视觉的工件测量方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040081352A1 (en) * 2002-10-17 2004-04-29 Fanuc Ltd. Three-dimensional visual sensor
CN104217441A (zh) * 2013-08-28 2014-12-17 北京嘉恒中自图像技术有限公司 一种基于机器视觉的机械臂定位抓取方法
CN105881102A (zh) * 2015-02-12 2016-08-24 发那科株式会社 使用了拍摄部的工件的定位装置
CN106643483A (zh) * 2016-09-28 2017-05-10 宁波舜宇智能科技有限公司 工件检测方法和装置
CN106989672A (zh) * 2017-04-17 2017-07-28 天津大学 一种基于机器视觉的工件测量方法

Also Published As

Publication number Publication date
CN109035333B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN110672617B (zh) 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法
CN112949564B (zh) 一种基于深度学习的指针式仪表自动读数方法
CN105973148B (zh) 基于机器视觉的笔头外观尺寸标准化检测系统
CN109426814B (zh) 一种发票图片特定板块的定位、识别方法、系统、设备
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN102704215B (zh) 基于dst文件解析与机器视觉结合的绣布自动切割方法
CN110246168A (zh) 一种移动巡检机器人双目图像拼接的特征匹配方法
CN108007388A (zh) 一种基于机器视觉的转盘角度高精度在线测量方法
JP2001524228A (ja) 機械視覚較正標的並びに画像内で標的の位置及び方向を決定する方法
CN107230203A (zh) 基于人眼视觉注意机制的铸件缺陷识别方法
CN108629347B (zh) 变电站宽刻度指针式仪表自动识别方法
US6993177B1 (en) Gauging based on global alignment and sub-models
CN105678737B (zh) 一种基于Radon变换的数字图像角点检测方法
CN109978940A (zh) 一种sab安全气囊尺寸视觉测量方法
CN106767425B (zh) 一种轴承卡簧豁口的视觉测量方法
EP1791089A2 (en) Method and apparatus for the graphical operation of real-time image processing systems
Han et al. Axis estimation and grouping of rotationally symmetric object segments
CN105718929B (zh) 全天候未知环境下高精度快速圆形目标定位方法和系统
CN111707672A (zh) 风电回转支撑件表面缺陷检测方法
CN110440792A (zh) 基于小天体不规则度的导航信息提取方法
CN110969357A (zh) 一种铝合金机加工零件孔洞视觉检测方法
CN115184362B (zh) 一种基于结构光投影的快速缺陷检测方法
CN109035333A (zh) 轴对称图形的偏转角度识别的单目机器视觉方法
CN109975307A (zh) 基于统计投影训练的轴承表面缺陷检测系统及检测方法
CN109784331A (zh) 基于标志点的棒材端面标记方案及字符图像矫正方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210406