CN109064440A - 一种基于机器视觉的喇叭音圈焊线识别方法 - Google Patents
一种基于机器视觉的喇叭音圈焊线识别方法 Download PDFInfo
- Publication number
- CN109064440A CN109064440A CN201810629711.3A CN201810629711A CN109064440A CN 109064440 A CN109064440 A CN 109064440A CN 201810629711 A CN201810629711 A CN 201810629711A CN 109064440 A CN109064440 A CN 109064440A
- Authority
- CN
- China
- Prior art keywords
- image
- circle
- radius
- product
- bonding wire
- 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
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
- 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
- G06T7/60—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
- 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
- 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
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30152—Solder
Abstract
一种基于机器视觉的喇叭音圈焊线识别方法,其中,包括如下步骤:S1.图像采集:生产线启动时,利用相机采集图像;S2.阈值判断:对采集图像进行平均像素值计算,判断图像上是否有产品;S3.图像预处理:对有产品的图像进行降噪,边缘检测,轮廓面积筛选,运用霍夫圆检测函数得到产品拟合圆的圆心坐标和半径,分别记为K1,R;S4.面积计算:对预处理后的图像进行腐蚀,产品轮廓面积计算,设定面积阈值,筛选得到对应产品中两个焊点的中心坐标K2,K3;S5.图像分割:计算出两个焊点中心坐标的中点坐标K4,以直线K1K4对步骤S3得到的图像进行分割;S6.得到焊线坐标:基于圆心坐标K1和半径R,生成半径以固定步长增加的圆与分割图像相交,得到焊线上所有的坐标。
Description
技术领域
本发明涉及图像处理与识别技术领域,更具体地,涉及一种基于机器视觉的喇叭音圈焊线识别方法。
背景技术
在经济不断发展市场需求不断扩展中,手机、汽车及其周边产品成为主流的快消品,其中音响喇叭也是不可或缺配件之一,在汽车或者手机喇叭的制造工艺过程中,给音圈线点胶是其中重要工艺环节之一。现有的喇叭生产商,包括全球最大的喇叭生产商丰达,以及国内的漫步者在这一重要环节都是人工手持胶枪控制点胶,而点胶的胶水气味难闻,对工人身体有害。另一方面,工人每天重复着高强度的工作,难免会对产品的生产质量造成影响。同时,人工点胶效率低,需要占用大量的人力和时间。因此,基于机器视觉的全自动点胶机成为市场的发展趋势,而全自动点胶机的难点在于图像处理,识别部分。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于机器视觉的喇叭音圈焊线识别方法。本发明可以准确识别出喇叭音圈焊线坐标,以便实现全自动点胶。
为解决上述技术问题,本发明采用的技术方案是:一种基于机器视觉的喇叭音圈焊线识别方法,其中,包括如下步骤:
S1. 图像采集:采用定时器实时检测产品生产线的启动信号,检测到启动信号时,打开相机和光源对产品生产线上的工位进行拍照,采集图像。工厂生产线绝大部分都是PLC控制,产品在生产线开始移动到下一个工位之前,PLC会给出一个启动信号。因此,运用定时器可以实时检测到启动信号的状态,当读取到启动信号时,即打开相机和光源,开始拍照。
S2. 阈值判断:对采集图像进行平均像素值计算,判断图像上是否有产品;由于喇叭产品是放在产线治具上,因此有可能出现产品漏放的情况,因此需要通过阈值判断来确定图像上是否有产品,才能进行后续操作。
S3. 图像预处理:对有产品的图像进行降噪,产品边缘检测,产品轮廓面积筛选,运用霍夫圆检测函数得到产品拟合圆的圆心坐标和半径,分别记为K1,R。
S4. 面积计算:对预处理后的图像进行腐蚀,产品轮廓面积计算,设定面积阈值,筛选得到对应产品中两个焊点的中心坐标K2,K3。
S5. 图像分割:计算出两个焊点中心坐标的中点坐标K4,由于两点确定一条直线,得到直线K1K4 ,以直线K1K4对步骤S3得到的图像进行分割。
S6. 得到焊线坐标:基于圆心坐标K1和半径R,生成圆心坐标K1不变,半径以2个像素为步长增加的圆,生成后的圆分别与分割后的图像相交,得出基点半径,以基点半径为基础,形成半径以2个像素为步长在固定区间内增加和减少且圆心坐标K1不变的圆,分别与对应的分割后的图像相交,对交点进行判断是否为焊线上点的坐标,分别得到分割后的图像上焊线上的所有坐标。
进一步的,所述步骤S1中,采用的光源为红色环形光源,采用的相机为黑白相机。由于喇叭产品和治具的属性,通过红色光源照射,采集到的治具图像绝大部分显示为白色,与喇叭产品图像反差较大。因此,在步骤S2中,通过计算采集图像像素的平均值,设定图像像素阈值范围即可判断治具上是否有喇叭产品。
进一步的,所述步骤S3包括如下步骤:
S31. 降噪:使用均值滤波函数让图像变得光滑,滤除图像中的噪声;
S32. 边缘检测:降噪后的图像进行产品边缘检测,使用Canny算子进行产品边缘检测;
S33. 面积筛选:产品边缘检测后的图像会有一些边缘噪点,通过计算图像中所有轮廓面积,设定轮廓面积的阈值进行剔除边缘噪点;
S34. 圆拟合:运用霍夫圆变换函数HoughCircles对预处理后的图像进行检测拟合,得到拟合圆的圆心坐标K1和半径R。
进一步的,所述步骤S4包括如下步骤:
S41. 在步骤S3预处理后的图像基础上,生成一个圆心坐标K1不变半径为1.15倍R的圆,将该圆内像素全部置为0,二值图像像素0表示黑,像素1表示白,因此步骤S3预处理后的图像中的圆就被去除掉了;
S42. 对步骤S41得到的图像进行腐蚀操作,将图中线条部分去除掉,只剩下焊点和噪点,计算焊点和噪点的轮廓面积,设定轮廓面积阈值,剔除噪点轮廓,得到只剩下焊点的轮廓图像;
S43. 利用boundingRect函数对焊点轮廓进行检测,得到焊点用矩形框包围的轮廓参数,再由矩形框包围的轮廓参数求得焊点的中心坐标K2,K3。
进一步的,所述步骤S5中,以直线K1K4对步骤S3得到的图像进行分割时,将直线K1K4以上部分的像素值全部置为0,直线K1K4以下部分的产品轮廓内部的像素值全部置为1,得到分割后直线K1K4以下部分的图像;将直线K1K4以上部分的产品轮廓内部的像素值全部置为1,直线K1K4以下部分的像素值全部置为0,得到分割后直线K1K4以上部分的图像。针对分割后直线K1K4以下部分的图像和分割后直线K1K4以上部分的图像,分别进行步骤S6即可分别得到分割后的图像上的焊线上的所有坐标。
进一步的,所述步骤S6包括如下步骤:
S61.计算得到基点半径大小:基于圆心坐标K1和半径R,形成圆心坐标K1不变且半径以2个像素为步长增加的圆,形成的圆半径大小大于原始半径R且小于属于该焊线的焊点到圆心的距离,生成后的圆与分割后的图像相交,求得每个生成后的圆与图像相交的交点个数,统计交点个数为1的最长区间,取该区间中点到圆心坐标K1的距离为基点半径;
S62. 得到焊线坐标圆心坐标K1不变,以基点半径为基础,分别形成以半径为2个像素为步长增加和减少的圆,形成的圆半径大小要大于原始半径R且小于属于该焊线的焊点到圆心的距离,与分割后图像相交。交点个数为1时,该点即为焊线上的坐标,交点个数不为1时,计算得到的所有交点到上一个交点个数为1的距离,距离最短的即为焊线上的点,从而得到焊线上的所有坐标。自动点胶机根据得到的焊线上的所有坐标,就可以实现准确的全自动点胶。
与现有技术相比,本发明的有益效果:
本发明的方法能够准确识别出喇叭音圈产品焊线上的所有坐标,为全自动点胶机实现准确的全自动点胶提供基础。
本发明的方法通过计算图像的平均像素值,设定像素阈值,能够稳定判断采集的图像上是否有产品,提高了识别的稳定性与识别效率;通过图像处理,计算轮廓面积,设定面积阈值,从而能够稳定的找到对应喇叭音圈产品中两个焊点的中心坐标;基于两点确定一条直线的数学思想对图像进行稳定的分割,为后续图像识别算法提升效率。
附图说明
图1是本发明的原理流程图。
图2是本发明步骤S1中相机采集的产品原图像。
图3是本发明步骤S3预处理后的图像。
图4是本发明步骤S4处理后的图像。
图5是本发明步骤S5中得到的分割后直线K1K4以下部分的图像。
图6是本发明步骤S6中识别的焊线坐标示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
如图1所示,一种基于机器视觉的喇叭音圈焊线识别方法,其中,包括如下步骤:
S1. 图像采集:采用定时器实时检测产品生产线的启动信号,检测到启动信号时,打开相机和光源对产品生产线上的工位进行拍照,采集图像。工厂生产线绝大部分都是PLC控制,产品在生产线开始移动到下一个工位之前,PLC会给出一个启动信号。因此,运用定时器可以实时检测到启动信号的状态,当读取到启动信号时,即打开相机和光源,开始拍照。采用的光源为红色环形光源,采用的相机为黑白相机。
S2. 阈值判断:对采集图像进行平均像素值计算,判断图像上是否有产品;由于喇叭产品是放在产线治具上,因此有可能出现产品漏放的情况,因此需要通过阈值判断来确定图像上是否有产品,才能进行后续操作。由于喇叭产品和治具的属性,通过红色光源照射,采集到的治具图像绝大部分显示为白色,与喇叭产品图像反差较大。因此,通过计算采集图像像素的平均值,设定图像像素阈值范围即可判断治具上是否有喇叭产品。图2为相机采集到的喇叭产品原图。
S3. 图像预处理:对有产品的图像进行降噪,产品边缘检测,产品轮廓面积筛选,运用霍夫圆检测函数得到产品拟合圆的圆心坐标和半径,分别记为K1,R。具体包括如下步骤:
S31. 降噪:使用均值滤波函数让图像变得光滑,滤除图像中的噪声;
S32. 边缘检测:降噪后的图像进行产品边缘检测,使用Canny算子进行产品边缘检测;
S33. 面积筛选:产品边缘检测后的图像会有一些边缘噪点,通过计算图像中所有轮廓面积,设定轮廓面积的阈值进行剔除边缘噪点;
S34. 圆拟合:运用霍夫圆变换函数HoughCircles对预处理后的图像进行检测拟合,得到拟合圆的圆心坐标K1和半径R,如图3所示。
S4. 面积计算:对预处理后的图像进行腐蚀,产品轮廓面积计算,设定面积阈值,筛选得到对应产品中两个焊点的中心坐标K2,K3。具体包括如下步骤:
S41. 在步骤S3预处理后的图像基础上,生成一个圆心坐标K1不变半径为1.15倍R的圆,将该圆内像素全部置为0,二值图像像素0表示黑,像素1表示白,因此步骤S3预处理后的图像中的圆就被去除掉了;
S42. 对步骤S41得到的图像进行腐蚀操作,将图中线条部分去除掉,只剩下焊点和噪点,计算焊点和噪点的轮廓面积,设定轮廓面积阈值,剔除噪点轮廓,得到只剩下焊点的轮廓图像;
S43. 利用boundingRect函数对焊点轮廓进行检测,得到焊点用矩形框包围的轮廓参数,再由矩形框包围的轮廓参数求得焊点的中心坐标K2,K3,如图4所示
S5. 图像分割:计算出两个焊点中心坐标的中点坐标K4,由于两点确定一条直线,得到直线K1K4 ,以直线K1K4对步骤S3得到的图像进行分割。将直线K1K4以上部分的像素值全部置为0,直线K1K4以下部分的产品轮廓内部的像素值全部置为1,即得到分割后的直线K1K4以下部分的图像,如图5所示。
S6. 得到焊线坐标:基于圆心坐标K1和半径R,生成圆心坐标K1不变,半径以2个像素点为步长增加的圆,生成后的圆与分割后的图像相交,得出基点半径,以基点半径为基础,形成半径以2个像素点为步长在固定区间内增加和减少且圆心坐标K1不变的圆,与分割后的图像相交,对交点进行计算判断是否为焊线上点的坐标,分别得到焊线上的所有坐标。
具体包括如下步骤:
S61.计算得到基点半径大小:基于圆心坐标K1和半径R,形成圆心坐标K1不变且半径以2个像素点为步长增加的圆,形成的圆半径大小大于原始半径R且小于属于该焊线的焊点到圆心的距离,生成后的圆与分割后的图像相交,求得每个生成后的圆与图像相交的交点个数,统计交点个数为1的最长区间,取该区间中点到圆心坐标K1的距离为基点半径;
S62. 得到焊线坐标:以基点半径为基础,分别形成以半径为2个像素点为步长增加和减少的圆,形成的圆半径大小要大于原始半径R且小于属于该焊线的焊点到圆心的距离,与分割后图像相交。交点个数为1时,该点即为焊线上的坐标,交点个数不为1时,计算得到的所有交点到上一个交点个数为1的距离,距离最短的即为焊线上的点,从而得到焊线上的所有坐标。如图6所示。
重复步骤S5,以直线K1K4对步骤S3得到的图像进行分割时,将直线K1K4以上部分的产品轮廓内部的像素值全部置为1,直线K1K4以下部分的像素值全部置为0,即得到分割后直线K1K4以上部分的图像,然后重复步骤S6,即可得到直线K1K4以上部分的图像中焊线上的所有坐标。这样就得到了完整图像上的焊线的所有坐标,自动点胶机根据得到的完整图像上焊线的所有坐标,就可以实现准确的全自动点胶。
显然,本发明的上述实施例仅仅是为了清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于机器视觉的喇叭音圈焊线识别方法,其特征在于,包括如下步骤:
S1. 图像采集:采用定时器实时检测产品生产线的启动信号,检测到启动信号时,打开相机和光源对产品生产线上的工位进行拍照,采集图像;
S2. 阈值判断:对采集图像进行平均像素值计算,判断图像上是否有产品;
S3. 图像预处理:对有产品的图像进行降噪,产品边缘检测,产品轮廓面积筛选,运用霍夫圆检测函数得到产品拟合圆的圆心坐标和半径,分别记为K1,R;
S4. 面积计算:对预处理后的图像进行腐蚀,产品轮廓面积计算,设定面积阈值,筛选得到对应产品中两个焊点的中心坐标K2,K3;
S5. 图像分割:计算出两个焊点中心坐标的中点坐标K4,由于两点确定一条直线,得到直线K1K4 ,以直线K1K4对步骤S3得到的图像进行分割;
S6. 得到焊线坐标:基于圆心坐标K1和半径R,生成圆心坐标K1不变,半径以2个像素为步长增加的圆,生成后的圆分别与分割后的图像相交,得出基点半径,以基点半径为基础,形成半径以2个像素为步长在固定区间内增加或减少且圆心坐标K1不变的圆,分别与对应的分割后的图像相交,对交点进行计算判断是否为焊线坐标,分别得到分割后的图像上焊线上点的所有坐标。
2.根据权利要求1所述的一种基于机器视觉的喇叭音圈焊线识别方法,其特征在于,所述步骤S1中,采用的光源为红色环形光源,采用的相机为黑白相机。
3.根据权利要求1所述的一种基于机器视觉的喇叭音圈焊线识别方法,其特征在于,所述步骤S3包括如下步骤:
S31. 降噪:使用均值滤波函数让图像变得光滑,滤除图像中的噪声;
S32. 边缘检测:降噪后的图像进行产品边缘检测,使用Canny算子进行产品边缘检测;
S33. 面积筛选:产品边缘检测后的图像会有一些边缘噪点,通过计算图像中所有轮廓面积,设定轮廓面积的阈值进行剔除边缘噪点;
S34. 圆拟合:运用霍夫圆变换函数HoughCircles对预处理后的图像进行检测拟合,得到拟合圆的圆心坐标K1和半径R。
4.根据权利要求1所述的一种基于机器视觉的喇叭音圈焊线识别方法,其特征在于,所述步骤S4包括如下步骤:
S41. 在步骤S3预处理后的图像基础上,生成一个圆心坐标K1不变半径为1.15倍R的圆,将该圆内像素全部置为0,二值图像像素0表示黑,像素1表示白,因此步骤S3预处理后的图像中的圆就被去除掉了;
S42. 对步骤S41得到的图像进行腐蚀操作,将图中线条部分去除掉,只剩下焊点和噪点,计算焊点和噪点的轮廓面积,设定轮廓面积阈值,剔除噪点轮廓,得到只剩下焊点的轮廓图像;
S43. 利用boundingRect函数对焊点轮廓进行检测,得到焊点用矩形框包围的轮廓参数,再由矩形框包围的轮廓参数求得焊点的中心坐标K2,K3。
5.根据权利要求1所述的一种基于机器视觉的喇叭音圈焊线识别方法,其特征在于,所述步骤S5中,以直线K1K4对步骤S3得到的图像进行分割时,将直线K1K4以上部分的像素值全部置为0,直线K1K4以下部分的产品轮廓内部的像素值全部置为1,得到分割后K1K4以下部分的图像;将直线K1K4以上部分的产品轮廓内部的像素值全部置为1,直线K1K4以下部分的像素值全部置为0,得到分割后直线K1K4以上部分的图像。
6.根据权利要求1所述的一种基于机器视觉的喇叭音圈焊线识别方法,其特征在于,所述步骤S6包括如下步骤:
S61.计算得到基点半径大小:基于圆心坐标K1和半径R,形成圆心坐标K1不变且半径以2个像素为步长增加的圆,形成的圆半径大小大于原始半径R且小于属于该焊线的焊点到圆心的距离,生成后的圆与分割后的图像相交,求得每个生成后的圆与图像相交的交点个数,统计交点个数为1的最长区间,取该区间中点到圆心坐标K1的距离为基点半径;
S62. 得到焊线坐标:圆心坐标K1不变,以基点半径为基础,分别形成以半径为2个像素为步长增加和减少的圆,形成的圆半径大小要大于原始半径R且小于属于该焊线的焊点到圆心的距离,与分割后图像相交;交点个数为1时,该点即为焊线上的坐标,交点个数不为1时,计算得到的所有交点到上一个交点个数为1的距离,距离最短的即为焊线上的点,从而得到焊线上的所有坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810629711.3A CN109064440B (zh) | 2018-06-19 | 2018-06-19 | 一种基于机器视觉的喇叭音圈焊线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810629711.3A CN109064440B (zh) | 2018-06-19 | 2018-06-19 | 一种基于机器视觉的喇叭音圈焊线识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064440A true CN109064440A (zh) | 2018-12-21 |
CN109064440B CN109064440B (zh) | 2022-02-22 |
Family
ID=64820512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810629711.3A Active CN109064440B (zh) | 2018-06-19 | 2018-06-19 | 一种基于机器视觉的喇叭音圈焊线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064440B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109821763A (zh) * | 2019-02-25 | 2019-05-31 | 山东大学 | 一种基于机器视觉的水果分拣系统及其图像识别方法 |
CN109859186A (zh) * | 2019-01-31 | 2019-06-07 | 江苏理工学院 | 一种基于halcon的锂电池模组正负极检测方法 |
CN111242894A (zh) * | 2019-12-30 | 2020-06-05 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
CN111311573A (zh) * | 2020-02-12 | 2020-06-19 | 贵州理工学院 | 枝条确定方法、装置及电子设备 |
CN111640151A (zh) * | 2020-05-18 | 2020-09-08 | 苏州佐竹冷热控制技术有限公司 | 油位检测方法及检测系统 |
CN112419440A (zh) * | 2020-11-10 | 2021-02-26 | 深圳市益欣网络科技有限公司 | 一种2d水滴张力模拟粘合方法 |
CN113218970A (zh) * | 2021-03-17 | 2021-08-06 | 上海师范大学 | 一种基于x射线的bga封装质量自动检测方法 |
CN114061480A (zh) * | 2020-08-03 | 2022-02-18 | 上海飞机制造有限公司 | 一种用于检测工件外形的方法 |
CN114723758A (zh) * | 2022-06-10 | 2022-07-08 | 惠州威尔高电子有限公司 | 一种MiniLED薄板全自动连线的生产质量检测方法 |
CN114842335A (zh) * | 2022-04-15 | 2022-08-02 | 山东大学 | 用于建筑机器人的开槽目标识别方法及系统 |
CN114842335B (zh) * | 2022-04-15 | 2024-05-03 | 山东大学 | 用于建筑机器人的开槽目标识别方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101358836A (zh) * | 2008-09-28 | 2009-02-04 | 西安理工大学 | 基于计算机视觉识别焊点中心位置的方法 |
CN102385750A (zh) * | 2011-06-22 | 2012-03-21 | 清华大学 | 基于几何关系的直线匹配方法及系统 |
CN104809727A (zh) * | 2015-04-24 | 2015-07-29 | 西安工程大学 | 一种输电导线覆冰形状的自动识别方法 |
CN104867144A (zh) * | 2015-05-15 | 2015-08-26 | 广东工业大学 | 基于混合高斯模型的ic元件焊点缺陷检测方法 |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
US20160260261A1 (en) * | 2015-03-06 | 2016-09-08 | Illinois Tool Works Inc. | Sensor assisted head mounted displays for welding |
CN106295491A (zh) * | 2016-03-09 | 2017-01-04 | 北京智芯原动科技有限公司 | 车道直线检测方法及装置 |
CN106446894A (zh) * | 2016-09-27 | 2017-02-22 | 广东技术师范学院 | 一种基于轮廓识别球型目标物位置的方法 |
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
CN106525393A (zh) * | 2017-01-17 | 2017-03-22 | 福建师范大学 | 一种工业相机镜头光学投影检测分辨率板 |
-
2018
- 2018-06-19 CN CN201810629711.3A patent/CN109064440B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101358836A (zh) * | 2008-09-28 | 2009-02-04 | 西安理工大学 | 基于计算机视觉识别焊点中心位置的方法 |
CN102385750A (zh) * | 2011-06-22 | 2012-03-21 | 清华大学 | 基于几何关系的直线匹配方法及系统 |
US20160260261A1 (en) * | 2015-03-06 | 2016-09-08 | Illinois Tool Works Inc. | Sensor assisted head mounted displays for welding |
CN104809727A (zh) * | 2015-04-24 | 2015-07-29 | 西安工程大学 | 一种输电导线覆冰形状的自动识别方法 |
CN104867144A (zh) * | 2015-05-15 | 2015-08-26 | 广东工业大学 | 基于混合高斯模型的ic元件焊点缺陷检测方法 |
CN105067638A (zh) * | 2015-07-22 | 2015-11-18 | 广东工业大学 | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 |
CN106295491A (zh) * | 2016-03-09 | 2017-01-04 | 北京智芯原动科技有限公司 | 车道直线检测方法及装置 |
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
CN106446894A (zh) * | 2016-09-27 | 2017-02-22 | 广东技术师范学院 | 一种基于轮廓识别球型目标物位置的方法 |
CN106525393A (zh) * | 2017-01-17 | 2017-03-22 | 福建师范大学 | 一种工业相机镜头光学投影检测分辨率板 |
Non-Patent Citations (2)
Title |
---|
王文华: "点胶机视觉伺服系统关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
郑德杰: "特征提取在图像搜索和近似重复图像去冗的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859186A (zh) * | 2019-01-31 | 2019-06-07 | 江苏理工学院 | 一种基于halcon的锂电池模组正负极检测方法 |
CN109821763B (zh) * | 2019-02-25 | 2020-05-22 | 山东大学 | 一种基于机器视觉的水果分拣系统及其图像识别方法 |
CN109821763A (zh) * | 2019-02-25 | 2019-05-31 | 山东大学 | 一种基于机器视觉的水果分拣系统及其图像识别方法 |
CN111242894B (zh) * | 2019-12-30 | 2022-12-16 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
CN111242894A (zh) * | 2019-12-30 | 2020-06-05 | 芜湖哈特机器人产业技术研究院有限公司 | 一种水泵叶轮叶片视觉识别方法 |
CN111311573A (zh) * | 2020-02-12 | 2020-06-19 | 贵州理工学院 | 枝条确定方法、装置及电子设备 |
CN111311573B (zh) * | 2020-02-12 | 2024-01-30 | 贵州理工学院 | 枝条确定方法、装置及电子设备 |
CN111640151A (zh) * | 2020-05-18 | 2020-09-08 | 苏州佐竹冷热控制技术有限公司 | 油位检测方法及检测系统 |
CN114061480B (zh) * | 2020-08-03 | 2024-04-05 | 上海飞机制造有限公司 | 一种用于检测工件外形的方法 |
CN114061480A (zh) * | 2020-08-03 | 2022-02-18 | 上海飞机制造有限公司 | 一种用于检测工件外形的方法 |
CN112419440A (zh) * | 2020-11-10 | 2021-02-26 | 深圳市益欣网络科技有限公司 | 一种2d水滴张力模拟粘合方法 |
CN113218970A (zh) * | 2021-03-17 | 2021-08-06 | 上海师范大学 | 一种基于x射线的bga封装质量自动检测方法 |
CN114842335A (zh) * | 2022-04-15 | 2022-08-02 | 山东大学 | 用于建筑机器人的开槽目标识别方法及系统 |
CN114842335B (zh) * | 2022-04-15 | 2024-05-03 | 山东大学 | 用于建筑机器人的开槽目标识别方法及系统 |
CN114723758A (zh) * | 2022-06-10 | 2022-07-08 | 惠州威尔高电子有限公司 | 一种MiniLED薄板全自动连线的生产质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109064440B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064440A (zh) | 一种基于机器视觉的喇叭音圈焊线识别方法 | |
CN100507938C (zh) | 一种焊接图像的识别方法 | |
CN105139386B (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN103366157B (zh) | 一种人眼视线距离的判断方法 | |
CN102455171B (zh) | 一种激光拼焊焊缝背面几何形貌检测方法 | |
CN106572304A (zh) | 基于眨眼检测的智能手机拍照系统和方法 | |
CN102831606B (zh) | 在医学影像中获取发音器官轮廓的方法 | |
CN104021382A (zh) | 一种眼部图像采集方法及其系统 | |
CN105868694A (zh) | 基于面部表情和眼球动作的双模态情感识别方法及系统 | |
CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
CN109822216A (zh) | 焊道轨迹及姿态实时跟踪检测方法、电子设备及介质 | |
CN109934452A (zh) | 基于多源数据的道路舒适度评价方法 | |
CN107657606A (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
CN107340302A (zh) | 一种基于激光清洗装置的清洗质量监测装置及方法 | |
CN106218409A (zh) | 一种可人眼跟踪的裸眼3d汽车仪表显示方法及装置 | |
CN109146866A (zh) | 机器人对焊缝处理的方法及装置 | |
CN109949362A (zh) | 一种物料视觉检测方法 | |
CN110033437A (zh) | 一种基于卷积神经网络的中厚板压痕智能识别方法 | |
CN114473309A (zh) | 用于自动焊接系统的焊接位置识别方法及自动焊接系统 | |
CN108898571A (zh) | 一种基于结构光视觉与深度学习的v型焊缝检测系统 | |
CN101750693B (zh) | 镜片组装定位方法 | |
CN106846348B (zh) | 人脸图像中自动去除眼镜的方法 | |
CN112461846A (zh) | 工件缺陷检测方法及装置 | |
CN111412871B (zh) | 手机中板螺母形状与位置高效一体化检测方法及装置 | |
CN105447450A (zh) | 虹膜识别中判断左右虹膜的方法和装置 |
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 |