CN109087292B - 一种基于机器视觉的热转印胶片胶水偏位检测方法 - Google Patents

一种基于机器视觉的热转印胶片胶水偏位检测方法 Download PDF

Info

Publication number
CN109087292B
CN109087292B CN201810841845.1A CN201810841845A CN109087292B CN 109087292 B CN109087292 B CN 109087292B CN 201810841845 A CN201810841845 A CN 201810841845A CN 109087292 B CN109087292 B CN 109087292B
Authority
CN
China
Prior art keywords
glue
width
film
transfer film
image
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
CN201810841845.1A
Other languages
English (en)
Other versions
CN109087292A (zh
Inventor
王晗
张芳健
陈新度
蔡念
李逸
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810841845.1A priority Critical patent/CN109087292B/zh
Publication of CN109087292A publication Critical patent/CN109087292A/zh
Application granted granted Critical
Publication of CN109087292B publication Critical patent/CN109087292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/12—Edge-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
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/30144—Printing quality

Landscapes

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

Abstract

本发明涉及一种基于机器视觉的热转印胶片胶水偏位检测方法，包括以下步骤：S1：设置胶片宽度合格阈值；S2：获取热转印胶片背光图；S3：扣取图像中的胶片；S4：图像聚类获取图片胶水层；S5：计算胶水层最宽方向宽度；S6：对比宽度并输出检测结果，将当前得到的胶片的胶水宽度与宽度合格阈值进行比较，若大于阈值，则评定为缺陷，否则评定为合格。本发明具有准确度高、可重复、能避免工人因疲劳而产生错检、漏检情况、成本低、易统计等优点。

Description

一种基于机器视觉的热转印胶片胶水偏位检测方法
技术领域
本发明涉及热转印胶片检测的技术领域，尤其涉及到一种基于机器视觉的热转印胶片胶水偏位检测方法。
背景技术
热转印是指先将油墨印刷到转移介质上(包括热转印纸或热转印胶片)，然后将印有图文的转移介质与承印物紧密接触，通过一定的环境温度和外界压力的作用，使图文转移到承印物之上，形成最终的印刷产品。热转印技术是在20世纪80年代末90年代初引入我国，并在国内迅速发展起来，应用领域广泛。
热转印技术最经典的用途是应用于纺织品印花生产，随着国内转印油墨生成技术的逐步提升，热转印介质的研制及完善，以及打印设备的进一步改进，特别是个性化需求的增多，热转印技术在市场上越来越普及，纺织品印花对其需求日益增长。因此，纺织行业中对热转印胶片的需求量也较大，这对于热转印胶片的生成及检测是一大挑战。在现实生产中胶水偏位的缺陷出现的频率较高，会导致最终印在纺织品上容易脱落。在热转印胶片的检测中，对胶水偏位的缺陷检测尤为重要。
在现价段中，对热转印胶片的胶水偏位检测最主要的方式是人工检测，工人对胶片进行逐张的检查，对比标准的胶片，判断出当前胶片是否存在胶水偏位这种缺陷。
如图2所示，实心部分为胶片的图案部分，虚线部分为胶水部分，其余为胶片的背景部分。对于正常的热转印胶片，胶水会均匀分布于图案的周围，对于缺陷的胶片，胶水会整体的偏向于一个方向，如图3所示。存在胶水偏位缺陷的胶片，某一个方向的胶水宽度会明显大于其他方向的胶水宽度，同时也大于正常胶片的任意方向的胶水宽度。
但这种人工检测方式存在着以下问题：
(1)工人长期在相同环境下重复劳动，通过眼睛观察待检测的胶片表面，其表面存在一定的反光，并且胶片尺寸较小存在的缺陷往往比较细微，使人身心容易疲劳，产生错检、漏检。
(2)由于人的主观性强，难以形成一致的检测标准。
(3)人易受外界环境与内心因素干扰，影响产品检测的合格率。
(4)随着劳动力成本的不断提高，会大大增加企业的产品加工成本。
发明内容
本发明的目的在于克服现有技术的不足，提供一种准确度高、可重复、能避免工人因疲劳而产生错检、漏检情况、成本低、易统计的基于机器视觉的热转印胶片胶水偏位检测方法。
为实现上述目的，本发明所提供的技术方案为：
一种基于机器视觉的热转印胶片胶水偏位检测方法，包括以下步骤：
S1：设置胶片宽度合格阈值；
S2：获取热转印胶片背光图；
S3：扣取图像中的胶片；
S4：图像聚类获取图片胶水层；
S5：计算胶水层最宽方向宽度；
S6：对比宽度并输出检测结果，将当前得到的胶片的胶水宽度与宽度合格阈值进行比较，若大于阈值，则评定为缺陷，否则评定为合格。
进一步地，所述步骤S2获取热转印胶片背光图时，热转印胶片放置于背光源上，可在视野范围内以任何角度与位置摆放。
进一步地，所述步骤S3扣取图像中胶片的具体过程如下：
S3-1：利用sobel图像边缘检测算法及二值化处理得到边缘二值图；
S3-2：通过findContours算法对边缘二值图进行外轮廓提取，并只保留最大轮廓；
S3-3：利用minAreaRect函数，得到刚好围绕胶片的矩形X，其四个顶点为(A、B、C、D)；
S3-4：通过图像中的距离公式:
Figure BDA0001745757340000031
分别得到矩形X的长宽，并以此长宽建立新图片；
S3-5：利用透视变换的实现函数getPerspectiveTransform，得到透视转换矩阵M；
S3-6：利用M与变换算法warpPerspective得到成功被扣取出来的热转印胶片图。
进一步地，所述步骤S3-5利用透视变换的实现函数getPerspectiveTransform，得到透视转换矩阵M的具体过程如下：
利用透视变换将原始图矩阵X范围投影到图像Y上面，透视变换的公式为：
Figure BDA0001745757340000032
变换后的坐标x,y分别为：x＝x'/w'，y＝y'/w'，展开之后即：
Figure BDA0001745757340000033
Figure BDA0001745757340000034
其中，
Figure BDA0001745757340000035
即为透视变换矩阵M，
Figure BDA0001745757340000036
表示线性变换，[a31 a32]用于平移。
进一步地，所述步骤S4图像聚类获取图片胶水层的具体过程为：将步骤S3扣取到的胶片图划分为三层，分别为图案层、胶水层、背景层；然后分别选取三个聚类类别分别对应图案层、胶水层、背景层，最终得到只包含胶水层的二值图。
进一步地，所述分别对应图案层、胶水层、背景层的三个聚类类别均为K均值聚类，K均值通过循环更新类中心的初始估计值来实现，其步骤如下：
S4-1：初始化类重心μi,i＝1，2，…，k；
S4-2：将每一个数据点赋给距离类ci最近的中心；
S4-3：更新中心为赋给某一类的所有数据点的平均值；
S4-4：重复步骤S4-2和S4-3直至收敛；
K均值尽可能地最小化类之间的方差：
Figure BDA0001745757340000041
其中，xj为数据向量。
进一步地，所述K均值聚类算法使用不同的初始化中心运行多次，然后从得出的多个结果中选择具有最小方差V的作为最后的结果。
进一步地，所述步骤S5计算胶水层最宽方向宽度，具体为：分别计算胶水偏向上、下、左、右四个方向的宽度，取四个方向中宽度最大的值作为最宽方向宽度。
进一步地，所述计算胶水偏向上方向的宽度的具体步骤如下：
S5-1：对胶水层二值图从第一列的最上方元素开始搜索，逐个元素搜索，若搜索不到非零像素点，则跳到步骤S5-3；若搜索得到非零像素点，则对初始值为0的N加上1，并进入步骤S5-2；
S5-2：标志当前非零像素点，并继续往下搜索，若搜索得到的像素点为非零点则继续标志该点，否则结束本行的搜索；
S5-3：往右一行进行步骤S5-1与步骤S5-2的搜索，并重复此步骤，直到最后一行搜索完毕；
S5-4：统计被标志的像素点的总数量，除以N值，得到上方向的宽度H上。
与现有技术相比，本方案原理和优点如下：
1.准确度提高。由于人的视觉受自身与环境方面的限制，机器视觉检测方式相对于人工目测更加的准确，有效的提高了检测精度，建立统一的检测标准，彻底消除人工目测存在的主观差异。
2.可重复。机器可以在相同的环境中长时间高效率完成同样的动作而不会感到疲倦，避免了人工检测中的由于疲劳而产生的错检、漏检。
3.成本低。成本一次性投入，能够适应各种生产环境，一台自动检测系统能够胜任几个工人的工作，综合分析后其平均成本远小于人工成本。
4.易统计。方便对检测数据进行保存、汇总和分析，根据数据便于对生产问题进行追源，为工艺优化提供数据支持。
5.机器视觉检测时经过边缘检测、轮廓查找、最小外接矩形查找、仿射变换等步骤，将原始图片中的热转印胶片自动裁剪出来，不需要人为辅助框选。
6.机器视觉检测过程中利用3个分类的图像聚类算法，对胶片进行层次分割，可稳定的得到胶水层。
7.机器视觉检测过程中分别求取4个方向的胶水宽度，最大者代表最终的胶水宽度，将其与阈值进行比较。阈值可以合格胶片的胶水宽度为参考，进行人为设定，具有较大的灵活性，以控制产品的严格程度。
附图说明
图1为本发明一种基于机器视觉的热转印胶片胶水偏位检测方法的流程框图；
图2为正常胶片的示意图；
图3为胶水偏位的胶片的示意图；
图4为本发明一种基于机器视觉的热转印胶片胶水偏位检测方法中将热转印胶片躺平放置于背光源上得到的原始图像效果示意图；
图5为本发明一种基于机器视觉的热转印胶片胶水偏位检测方法中的变换示意图；
图6为胶水层二值图；
图7为上方向胶水图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，包括以下步骤：
S1：设置胶片宽度合格阈值：
此阈值默认值为0，可在检测完合格的胶片后，通过合格的胶片的胶水宽度作为参考，对其进行修改；
S2：获取热转印胶片背光图：
将热转印胶片放置于背光源上，通过工业相机进行图像的采集，得到的原始图像效果示意图如图4所示；
S3：扣取图像中的胶片(原始图像中热转印胶片可能位于图像中的任何角度、任何位置)，具体过程如下：
S3-1：利用sobel图像边缘检测算法及二值化处理得到边缘二值图；
S3-2：通过findContours算法对边缘二值图进行外轮廓提取，并只保留最大轮廓；
S3-3：利用minAreaRect函数，得到刚好围绕胶片的矩形X，其四个顶点为(A、B、C、D)；
S3-4：通过图像中的距离公式:
Figure BDA0001745757340000061
分别得到矩形X的长宽，并以此长宽建立新图片；
S3-5：利用透视变换的实现函数getPerspectiveTransform，得到透视转换矩阵M，具体过程如下：
利用透视变换将原始图矩阵X范围投影到图像Y上面，透视变换的公式为：
Figure BDA0001745757340000071
变换后的坐标x,y分别为：x＝x'/w'，y＝y'/w'，展开之后即：
Figure BDA0001745757340000072
Figure BDA0001745757340000073
其中，
Figure BDA0001745757340000074
即为透视变换矩阵M，
Figure BDA0001745757340000075
表示线性变换，[a31 a32]用于平移。
S3-6：利用M与变换算法warpPerspective得到成功被扣取出来的热转印胶片图。
S4：将步骤S3扣取到的胶片图划分为三层，分别为图案层、胶水层、背景层，利用K均值聚类算法处理图片；
K均值是一个非常简单的聚类算法，将输入数据分到K个类中。K均值是通过循环更新类中心的初始估计值来实现的，其步骤如下：
S4-1：初始化类重心μi,i＝1，2，…，k；
S4-2：将每一个数据点赋给距离类ci最近的中心；
S4-3：更新中心为赋给某一类的所有数据点的平均值；
S4-4：重复步骤S4-2和S4-3直至收敛；
K均值尽可能地最小化类之间的方差：
Figure BDA0001745757340000076
其中，xj为数据向量；上面的算法为一个启发式的提炼算法，对于大多数的情况是试用的，但是不能够保证得到的结果是最好的。为了避免找到一个不好的中心的初始化的影响，该算法通常使用不同的初始化中心运行几次。然后从这些结果中选择具有最小方差V的作为最后的结果；
本实施例选取的三个聚类类别，分别对应图案层、胶水层、背景层；最终得到只包含胶水层的二值图，如图6所示
S5：计算胶水层最宽方向宽度：
热转印胶片生成的时候，若出现胶水偏位现象，胶水会整体偏向于某个方向。对此胶水层的宽度，可分为上下左右四个方向计算，取最大者为其最终宽度，代表胶水层的宽度。以胶水上方向的宽度计算方法为例，过程如下：
S5-1：对胶水层二值图从第一列的最上方元素开始搜索，逐个元素搜索，若搜索不到非零像素点，则跳到步骤S5-3；若搜索得到非零像素点，则对初始值为0的N加上1，并进入步骤S5-2；
S5-2：标志当前非零像素点，并继续往下搜索，若搜索得到的像素点为非零点则继续标志该点，否则结束本行的搜索；
S5-3：往右一行进行步骤S5-1与步骤S5-2的搜索，并重复此步骤，直到最后一行搜索完毕；
S5-4：统计被标志的像素点的总数量，除以N值，得到上方向的宽度H上。
利用上述方法得到另外的H下，H左、H右，对比此4个值的，取其中最大值作为最终胶水宽度H值。
S6：对比宽度并输出检测结果，将当前得到的胶片的胶水宽度与宽度合格阈值进行比较，若大于阈值，则评定为缺陷，否则评定为合格。
本实施例通过机器视觉对热转印胶片胶水偏位进行检测，相对于人工目测更加的准确，有效的提高了检测精度，建立统一的检测标准，彻底消除人工目测存在的主观差异。另外，机器可以在相同的环境中长时间高效率完成同样的动作而不会感到疲倦，避免了人工检测中的由于疲劳而产生的错检、漏检。再者，成本一次性投入，能够适应各种生产环境，一台自动检测系统能够胜任几个工人的工作，综合分析后其平均成本远小于人工成本。还有的是，方便对检测数据进行保存、汇总和分析，根据数据便于对生产问题进行追源，为工艺优化提供数据支持。
而更具体地，机器视觉检测时经过边缘检测、轮廓查找、最小外接矩形查找、仿射变换等步骤，将原始图片中的热转印胶片自动裁剪出来，不需要人为辅助框选。机器视觉检测过程中利用3个分类的图像聚类算法，对胶片进行层次分割，可稳定的得到胶水层。机器视觉检测过程中分别求取4个方向的胶水宽度，最大者代表最终的胶水宽度，将其与阈值进行比较。阈值可以合格胶片的胶水宽度为参考，进行人为设定，具有较大的灵活性，以控制产品的严格程度。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (9)

1.一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，包括以下步骤：
S1：设置胶片宽度合格阈值；
S2：获取热转印胶片背光图；
S3：扣取图像中的胶片；
S4：图像聚类获取图片胶水层；
S5：计算胶水层最宽方向宽度；
S6：对比宽度并输出检测结果，将当前得到的胶片的胶水宽度与宽度合格阈值进行比较，若大于阈值，则评定为缺陷，否则评定为合格。
2.根据权利要求1所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，所述步骤S2获取热转印胶片背光图时，热转印胶片放置于背光源上，可在视野范围内以任何角度与位置摆放。
3.根据权利要求1所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，所述步骤S3扣取图像中胶片的具体过程如下：
S3-1：利用sobel图像边缘检测算法及二值化处理得到边缘二值图；
S3-2：通过findContours算法对边缘二值图进行外轮廓提取，并只保留最大轮廓；
S3-3：利用minAreaRect函数，得到刚好围绕胶片的矩形X，其四个顶点为(A、B、C、D)；
S3-4：通过图像中的距离公式:
Figure FDA0003428185140000011
分别得到矩形X的长宽，并以此长宽建立新图片；
S3-5：利用透视变换的实现函数getPerspectiveTransform，得到透视转换矩阵M；
S3-6：利用M与变换算法warpPerspective得到成功被扣取出来的热转印胶片图。
4.根据权利要求3所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，所述步骤S3-5利用透视变换的实现函数getPerspectiveTransform，得到透视转换矩阵M的具体过程如下：
利用透视变换将原始图矩阵X范围投影到图像Y上面，透视变换的公式为：
Figure FDA0003428185140000021
变换后的坐标x,y分别为：x＝x'/w'，y＝y'/w'，展开之后即：
Figure FDA0003428185140000022
Figure FDA0003428185140000023
其中，
Figure FDA0003428185140000024
即为透视变换矩阵M，
Figure FDA0003428185140000025
表示线性变换，[a31 a32]用于平移。
5.根据权利要求1所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，所述步骤S4图像聚类获取图片胶水层的具体过程为：将步骤S3扣取到的胶片图划分为三层，分别为图案层、胶水层、背景层；然后分别选取三个聚类类别分别对应图案层、胶水层、背景层，最终得到只包含胶水层的二值图。
6.根据权利要求5所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，所述分别对应图案层、胶水层、背景层的三个聚类类别均为K均值聚类，K均值通过循环更新类中心的初始估计值来实现，其步骤如下：
S4-1：初始化类重心μi,i＝1，2，…，k；
S4-2：将每一个数据点赋给距离类ci最近的中心；
S4-3：更新中心为赋给某一类的所有数据点的平均值；
S4-4：重复步骤S4-2和S4-3直至收敛；
K均值尽可能地最小化类之间的方差：
Figure FDA0003428185140000031
其中，xj为数据向量。
7.根据权利要求6所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，所述K均值聚类算法使用不同的初始化中心运行多次，然后从得出的多个结果中选择具有最小方差V的作为最后的结果。
8.根据权利要求1所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，所述步骤S5计算胶水层最宽方向宽度，具体为：分别计算胶水偏向上、下、左、右四个方向的宽度，取四个方向中宽度最大的值作为最宽方向宽度。
9.根据权利要求8所述的一种基于机器视觉的热转印胶片胶水偏位检测方法，其特征在于，所述计算胶水偏向上方向的宽度的具体步骤如下：
S5-1：对胶水层二值图从第一列的最上方元素开始搜索，逐个元素搜索，若搜索不到非零像素点，则跳到步骤S5-3；若搜索得到非零像素点，则对初始值为0的N加上1，并进入步骤S5-2；
S5-2：标志当前非零像素点，并继续往下搜索，若搜索得到的像素点为非零点则继续标志该点，否则结束本行的搜索；
S5-3：往右一行进行步骤S5-1与步骤S5-2的搜索，并重复此步骤，直到最后一行搜索完毕；
S5-4：统计被标志的像素点的总数量，除以N值，得到上方向宽度H上。
CN201810841845.1A 2018-07-27 2018-07-27 一种基于机器视觉的热转印胶片胶水偏位检测方法 Active CN109087292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810841845.1A CN109087292B (zh) 2018-07-27 2018-07-27 一种基于机器视觉的热转印胶片胶水偏位检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810841845.1A CN109087292B (zh) 2018-07-27 2018-07-27 一种基于机器视觉的热转印胶片胶水偏位检测方法

Publications (2)

Publication Number Publication Date
CN109087292A CN109087292A (zh) 2018-12-25
CN109087292B true CN109087292B (zh) 2022-03-11

Family

ID=64830935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810841845.1A Active CN109087292B (zh) 2018-07-27 2018-07-27 一种基于机器视觉的热转印胶片胶水偏位检测方法

Country Status (1)

Country Link
CN (1) CN109087292B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993728B (zh) * 2019-03-15 2021-01-05 佛山缔乐视觉科技有限公司 一种热转印胶水偏位自动检测方法和系统
CN110827280B (zh) * 2020-01-09 2020-04-21 莱克电气股份有限公司 基于机器视觉的胶水检测方法、装置以及胶水检测设备
CN116482104B (zh) * 2023-02-10 2023-12-05 中恒永创(北京)科技有限公司 热转印胶片检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719280A (zh) * 2016-01-15 2016-06-29 浙江野马电池有限公司 一种p型涂胶视觉检测方法
CN106203433A (zh) * 2016-07-13 2016-12-07 西安电子科技大学 一种车辆监控图像中车牌位置自动提取并透视校正的方法
CN106251352A (zh) * 2016-07-29 2016-12-21 武汉大学 一种基于图像处理的罐盖缺陷检测方法
CN106651850A (zh) * 2016-12-28 2017-05-10 天津普达软件技术有限公司 一种检测包装盒喷印字符位置是否合格的方法
CN106971390A (zh) * 2017-02-23 2017-07-21 国网上海市电力公司 一种贴标质量的检测方法
CN107358174A (zh) * 2017-06-23 2017-11-17 浙江大学 一种基于图像处理的手持身份证认证系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7062093B2 (en) * 2000-09-27 2006-06-13 Mvtech Software Gmbh System and method for object recognition
CN107084666B (zh) * 2017-05-10 2020-08-28 中国计量大学 基于机器视觉的刹车片尺寸综合检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719280A (zh) * 2016-01-15 2016-06-29 浙江野马电池有限公司 一种p型涂胶视觉检测方法
CN106203433A (zh) * 2016-07-13 2016-12-07 西安电子科技大学 一种车辆监控图像中车牌位置自动提取并透视校正的方法
CN106251352A (zh) * 2016-07-29 2016-12-21 武汉大学 一种基于图像处理的罐盖缺陷检测方法
CN106651850A (zh) * 2016-12-28 2017-05-10 天津普达软件技术有限公司 一种检测包装盒喷印字符位置是否合格的方法
CN106971390A (zh) * 2017-02-23 2017-07-21 国网上海市电力公司 一种贴标质量的检测方法
CN107358174A (zh) * 2017-06-23 2017-11-17 浙江大学 一种基于图像处理的手持身份证认证系统

Also Published As

Publication number Publication date
CN109087292A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109087292B (zh) 一种基于机器视觉的热转印胶片胶水偏位检测方法
CN105512638B (zh) 一种基于融合特征的人脸检测与对齐方法
CN111709909A (zh) 基于深度学习的通用印刷缺陷检测方法及其模型
CN103439348B (zh) 基于差影法的遥控器按键缺陷检测方法
CN111507976B (zh) 基于多角度成像的缺陷检测方法及系统
CN108268838A (zh) 人脸表情识别方法及人脸表情识别系统
CN109191255B (zh) 一种基于无监督特征点检测的商品对齐方法
JP7316731B2 (ja) ビジョンシステムで画像内のパターンを検出及び分類するためのシステム及び方法
CN114694165B (zh) 一种pid图纸智能识别与重绘方法
CN109859164A (zh) 一种通过快速型卷积神经网络对pcba外观检验的方法
CN109064481B (zh) 一种机器视觉定位方法
JPH08106354A (ja) 手書きマークの解釈方法
CN111127417A (zh) 一种基于sift特征匹配和改进的ssd算法的软包装卷料印刷缺陷检测方法
CN110598698A (zh) 基于自适应区域建议网络的自然场景文本检测方法和系统
CN111965197A (zh) 一种基于多特征融合的缺陷分类方法
CN110288040B (zh) 一种基于拓扑验证的图像相似评判方法及设备
Lu et al. HFENet: A lightweight hand‐crafted feature enhanced CNN for ceramic tile surface defect detection
CN108022245B (zh) 基于面线基元关联模型的光伏面板模板自动生成方法
CN114022439A (zh) 一种基于形态学图像处理的柔性电路板缺陷检测方法
Rill-García et al. Inline monitoring of 3D concrete printing using computer vision
Wang et al. Local defect detection and print quality assessment
CN109472257B (zh) 一种字符版面确定方法及装置
CN109948605B (zh) 一种针对小目标的图片增强方法及装置
CN107358244A (zh) 一种快速局部不变特征提取与描述方法
CN106056575A (zh) 一种基于似物性推荐算法的图像匹配方法

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