CN109239076B - 一种基于机器视觉的缝纫线迹缺陷检测方法 - Google Patents

一种基于机器视觉的缝纫线迹缺陷检测方法 Download PDF

Info

Publication number
CN109239076B
CN109239076B CN201810995651.7A CN201810995651A CN109239076B CN 109239076 B CN109239076 B CN 109239076B CN 201810995651 A CN201810995651 A CN 201810995651A CN 109239076 B CN109239076 B CN 109239076B
Authority
CN
China
Prior art keywords
stitch
sewing
defect
defects
projection
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
CN201810995651.7A
Other languages
English (en)
Other versions
CN109239076A (zh
Inventor
李鹏飞
杨帆
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.)
Xian University of Technology
Original Assignee
Xian 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201810995651.7A priority Critical patent/CN109239076B/zh
Publication of CN109239076A publication Critical patent/CN109239076A/zh
Application granted granted Critical
Publication of CN109239076B publication Critical patent/CN109239076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • 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
    • G01N2021/8887—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 based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Sewing Machines And Sewing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于机器视觉的缝纫线迹缺陷检测方法，具体为：对现有的缝纫线迹的缺陷进行分类，并加各类以命名录入分类器的数据库中；采用工业相机获取待检测缝纫线迹的图片，根据监督分类算法的原理，使用分类器对该缝纫线迹的缺陷进行识别，判断该缺陷的类别；对识别出的缺陷进行检测，判断该缺陷是否导致缝纫制品为NG。该方法，通过机器视觉检测代替人工作业的方式，能够有效促进缝纫线迹的缺陷检测的工作效率，同时对缝纫线迹的缺陷的标准会产生一个定量的评判标准，大大提高缝制产品把关的质量。

Description

一种基于机器视觉的缝纫线迹缺陷检测方法
技术领域
本发明属于视觉测量技术领域，特别是涉及一种基于机器视觉的缝纫线迹缺陷检测方法。
背景技术
缝纫线迹的好坏是评判缝纫制品的重要标准。目前，缝纫线迹的外观质量检测都是由生产线工人通过目视和主观印象做出评判，这种检测方式一方面需要大量的工人工作在检测线上；另一方面这种方式从效率、精度以及人工视觉疲劳各方面都达不到检测标准，尤其在大批量生产检测的情况下，往往会存在缝纫线迹缺陷漏检和误检的情况，导致部分不合格的缝纫制品流入市场，影响企业形象。
因此在缝制完毕后，需要提供一种方法保证对线迹缺陷检测的可靠性和快速性，基于机器视觉的缝纫线迹缺陷检测技术克服人工检测的不足，满足工业自动化生产中的高速、高精度的线迹品质检测。
发明内容
本发明的目的是提供一种基于机器视觉的缝纫线迹缺陷检测方法，用以解决在缝纫车间对缝纫制品的缝纫线迹的外观质量检测都是由生产线工人通过目视和主观印象做出评判，存在工作量巨大，且容易由于视觉疲劳造成漏检和误检现象的发生。
为了达到上述目的，本发明采用的技术方案是，一种基于机器视觉的缝纫线迹缺陷检测方法，按照以下步骤实施：
步骤1，对现有的缝纫线迹的缺陷进行分类，并加各类以命名录入分类器的数据库中；
步骤2，采用工业相机获取待检测缝纫线迹的图片，根据监督分类算法的原理，使用步骤1得到的分类器对该缝纫线迹的缺陷进行识别，判断该缺陷的类别；
步骤3，对步骤2识别出的缺陷进行检测，判断该缺陷是否导致缝纫制品为NG。
本发明的技术方案，还具有以下特点：
在所述步骤1中，所述缝纫线迹的缺陷的分类包括线迹不均匀缺陷、断线缺陷和回缝缺陷。
针对所述线迹不均匀缺陷，所述步骤3具体按照以下步骤实施：
步骤3.11，在步骤2得到的图片中设定缝纫线迹的ROI区域并确定灰度投影矩形；
步骤3.21，通过步骤3.11得到的图片，经高斯平滑处理得到更加清晰锐化的线迹边缘；
步骤3.31，步骤3.21得到的图片中的灰度投影矩形的剖面线在进行灰度投影后，先得到多条投影线，然后再通过灰度投影矩形进行边缘检测得到各针脚点的坐标值；
步骤3.41，利用最小二乘法将步骤3.31提取到的针脚坐标点进行拟合，得到一条拟合直线；
步骤3.51，求出各段线迹的针脚点到步骤3.41得到的拟合直线的距离，设定阈值判断是否为NG。
所述步骤3.31中，通过灰度投影矩形进行边缘检测得到各针脚点的坐标值的过程为：先获取每条投影线的平均强度，然后再对获取的投影线的投影波形进行微分处理，得到微分波形，最后在得到的微分波形中设置边缘敏感度。
针对所述断线缺陷，所述步骤3具体按照以下步骤实施：
步骤3.12，在步骤2得到的图片中设定缝纫线迹的ROI区域并确定灰度投影矩形；；
步骤3.22，通过步骤3.12得到的图片，经高斯平滑处理得到更加清晰锐化的线迹边缘；
步骤3.32，步骤3.22得到的图片中的灰度投影矩形的剖面线在进行灰度投影后，先得到多条投影线，然后再通过灰度投影矩形进行边缘检测得到各针脚点的坐标值；
步骤3.42，依次计算各针脚点之间的距离，设定阈值，各个距离与阈值比较，大于阈值则记录位置，最终判断为断线缺陷。
所述步骤3.32中，通过灰度投影矩形进行边缘检测得到各针脚点的坐标值的过程为：先获取每条投影线的平均强度，然后再对获取的投影线的投影波形进行微分处理，得到微分波形，最后在得到的微分波形中设置边缘敏感度。
针对所述回缝缺陷，所述步骤3具体按照以下步骤实施：
步骤3.13，在步骤2得到的图片中设定缝纫线迹的ROI区域，之后对该ROI区域进行形态学操作使其更加清晰，最后从该ROI区域获取模板图像并保存，建立得到匹配用的模板图像；
步骤3.23，采用基于相关性匹配算法识别回缝缺陷：首先获取模板图像的像素并计算均值与标准方差、像素与均值diff数据样本；之后再根据模板图像的大小，将目标图像上从左到右，从上到下移动窗口，并计算目标图像每移动一个像素之后窗口的内像素与模板图像像素的ncc值，设定阈值，其结果与阈值比较，大于阈值则记录位置；最后选择相关性最大的作为最终匹配目标
步骤3.33，根据步骤3.23得到的位置信息，使用矩形标记出匹配识别其结果。
所述工业相机为MER-1070-10GM工业数字摄像机，所述工业相机的镜头为M3514-MP2CBC镜头。
在所述步骤2中，相机获取待检测缝纫线迹的图片时，采用红色带有偏振片的环形光源明场。
所述环形光源为LED环形光源。
本发明的有益效果是：本发明的基于机器视觉的缝纫线迹缺陷检测方法，通过机器视觉检测代替人工作业的方式，能够有效促进缝纫线迹缺陷检测的工作效率，同时对缝纫线迹缺陷的标准会产生一个定量的评判标准，大大提高缝制产品把关的质量，最终使企业整体形象得到大幅度提升。
附图说明
图1是本发明的一种基于机器视觉的缝纫线迹缺陷检测方法中相机和光源的布置图；
图2是是本发明的一种基于机器视觉的缝纫线迹缺陷检测方法中测量矩形的模型图；
图3是通过本发明的一种基于机器视觉的缝纫线迹缺陷检测方法检测线迹不均匀缺陷的结果示意图；
图4是通过本发明的一种基于机器视觉的缝纫线迹缺陷检测方法检测回缝缺陷的结果示意图；
图5是通过本发明的一种基于机器视觉的缝纫线迹缺陷检测方法检测断线缺陷的结果示意图。
图中，1.相机，2.镜头，3.环形LED光源，4.缝纫线迹。
具体实施方式
以下结合附图说明和具体实施例对本发明的技术方案作进一步地详细说明。
首先需要说明的是，本发明的一种基于机器视觉的缝纫线迹缺陷检测方法所优选使用的工业相机1为MER-1070-10GM工业数字摄像机，该工业相机1的镜头2采用M3514-MP2CBC镜头，明场采用的是红色带有偏振片的环形光源3，该环形光源优选LED环形光源。
如图1所示，一种基于机器视觉的缝纫线迹缺陷检测方法，按照以下步骤实施：
步骤1，对现有的缝纫线迹4的缺陷进行分类，并加各类以命名录入分类器的数据库中；
步骤2，采用工业相机1获取待检测缝纫线迹4的图片，根据监督分类算法的原理，使用步骤1得到的分类器对该缝纫线迹4的缺陷进行识别，判断该缺陷的类别；
步骤3，对步骤2识别出的缺陷进行检测，判断该缺陷是否导致缝纫制品为NG。
步骤1中的缝纫线迹4的缺陷的分类主要包括线迹不均匀缺陷、断线缺陷和回缝缺陷。针对以后新增的每一种新缝纫线迹4的缺陷类型，首先需要对该类型缺陷进行类型注册，即人工进行样本信息采集，信息采集的内容主要包括目标缺陷类型(线迹不均匀、回缝、断线)、布料纹理、线迹颜色和缺陷特征采集。待样本信息采集完成后，利用分类器将该类型缝纫线迹4的缺陷相关信息(缺陷类型、颜色样本训练结果)自动录入库中，同时检测人员对该类型进行保存命名，作为后续检测该种类型缝纫线迹的基本样本信息。针对每一种已经注册类型的缝纫线迹4时，只需要在已注册类型数据库中选择与当前待检测的缝纫线迹的缺陷相对应的类型，程序即可自动的从数据库中读取该缺陷的所有样本信息，并根据读取的颜色样本训练结果采用分类器进行线迹缺陷的自动分类。
实施例1
针对所述线迹不均匀缺陷，上述步骤3的检测具体按照以下步骤实施：
步骤3.11，在步骤2得到的图片中设定缝纫线迹的ROI区域并确定灰度投影矩形；在缝纫线迹4的周边区域设置ROI区域并在该区域设定测量矩形，其中Center(Row，Column)为测量矩形的中心点坐标，Phi为测量矩形中心线与水平线的夹角，Length为测量矩形的长度，With为测量矩形的宽度，Center Line为该矩形的剖面线，Start和End分别为剖面线的起始点和终止点，通过确定这些参数来设定灰度投影矩形；
步骤3.21，通过步骤3.11得到的图片，经高斯平滑处理得到更加清晰锐化的线迹边缘；采用高斯平滑算法能够克服邻域平均法在降低噪声的同时使图像边缘和细节处变模糊的弊端，对针脚点区域的像素赋予不同的权重，模板越靠近针脚位置，其权值越高，在对图像细节进行模糊时，可以更多的保留图像针脚点的灰度分布特征；
步骤3.31，步骤3.21得到的图片中的灰度投影矩形的剖面线在进行灰度投影后，先得到多条投影线，然后再通过灰度投影矩形进行边缘检测得到各针脚点的坐标值；
步骤3.41，利用最小二乘法将步骤3.31提取到的针脚坐标点进行拟合，得到一条拟合直线，该拟合直线作为理想缝纫线迹的轨迹，也可称其为基准线；
步骤3.51，求出各段线迹的针脚点到步骤3.41得到的直线的距离，设定阈值判断是否为NG。
其检测结果如图3所示。
在步骤3.31中，通过灰度投影矩形进行边缘检测得到各针脚点的坐标值的过程为：先获取每条投影线的平均强度，投影处理用于获得平均强度，降低由ROI区域中的噪声点所引起的检测误差；然后再对获取的投影线的投影波形每条投影线的平均强度波形成即为投影波形)进行微分处理，得到微分波形，再对微分波形图进行差异处理，可以消除因测量区域中绝对强度变化而造成的影响；最后在得到的微分波形中设置边缘敏感度，目的是为了滤除干扰边缘，超过边缘敏感度的认为是真实边缘。
实施例2
针对所述回缝缺陷，所述步骤3具体按照以下步骤实施：
步骤3.13，在步骤2得到的图片中设定缝纫线迹的ROI区域，之后对该ROI区域进行形态学操作使其更加清晰，最后从该ROI区域获取模板图像并保存，建立得到匹配用的模板图像；
步骤3.23，采用基于相关性匹配算法识别回缝缺陷：首先获取模板图像的像素并计算均值与标准方差、像素与均值diff数据样本；之后再根据模板图像的大小，将目标图像上从左到右，从上到下移动窗口，并计算目标图像每移动一个像素之后窗口的内像素与模板图像像素的ncc值，设定阈值，其结果与阈值比较，大于阈值则记录位置；最后选择相关性最大的作为最终匹配目标。
步骤3.33，根据步骤3.23得到的位置信息，使用矩形标记出匹配识别其结果。
其检测结果如图4所示。
实施例3
针对所述断线缺陷，所述步骤3具体按照以下步骤实施：
步骤3.12，在步骤2得到的图片中设定缝纫线迹的ROI区域并确定灰度投影矩形；在步骤2得到的图片中设定缝纫线迹的ROI区域并确定灰度投影矩形；在缝纫线迹的周边区域设置ROI区域并在该区域设定测量矩形，其中Center(Row，Column)为测量矩形的中心点坐标，Phi为测量矩形中心线与水平线的夹角，Length为测量矩形的长度，With为测量矩形的宽度，Center Line为该矩形的剖面线，Start和End分别为剖面线的起始点和终止点，通过确定这些参数来设定灰度投影矩形；
步骤3.22，通过步骤3.12得到的图片，经高斯平滑处理得到更加清晰锐化的线迹边缘；采用高斯平滑算法能够克服邻域平均法在降低噪声的同时使图像边缘和细节处变模糊的弊端，对针脚点区域的像素赋予不同的权重，模板越靠近针脚位置，其权值越高，在对图像细节进行模糊时，可以更多的保留图像针脚点的灰度分布特征；
步骤3.32，步骤3.22得到的图片中的灰度投影矩形的剖面线在进行灰度投影后，先得到多条投影线，然后再通过灰度投影矩形进行边缘检测得到各针脚点的坐标值；
步骤3.42，依次计算各针脚点之间的距离，设定阈值，各个距离与阈值比较，大于阈值则记录位置，最终判断为断线缺陷。
其检测结果如图5所示。
在步骤3.32中，通过灰度投影矩形进行边缘检测得到各针脚点的坐标值的过程为：先获取每条投影线的平均强度，然后再对获取的投影线的投影波形进行微分处理，得到微分波形，最后在得到的微分波形中设置边缘敏感度。

Claims (6)

1.一种基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，按照以下步骤实施：
步骤1，对现有的缝纫线迹的缺陷进行分类，并加各类以命名录入分类器的数据库中；所述缝纫线迹的缺陷的分类包括线迹不均匀缺陷、断线缺陷和回缝缺陷；
步骤2，采用工业相机获取待检测缝纫线迹的图片，根据监督分类算法的原理，使用步骤1得到的分类器对该缝纫线迹的缺陷进行识别，判断该缺陷的类别；
步骤3，对步骤2识别出的缺陷进行检测，判断该缺陷是否导致缝纫制品为NG；
针对所述线迹不均匀缺陷，所述步骤3具体按照以下步骤实施：
步骤3.11，在步骤2得到的图片中设定缝纫线迹的ROI区域并确定灰度投影矩形；
步骤3.21，通过步骤3.11得到的图片，经高斯平滑处理得到更加清晰锐化的线迹边缘；
步骤3.31，步骤3.21得到的图片中的灰度投影矩形的剖面线在进行灰度投影后，先得到多条投影线，然后再通过灰度投影矩形进行边缘检测得到各针脚点的坐标值；
步骤3.41，利用最小二乘法将步骤3.31提取到的针脚坐标点进行拟合，得到一条拟合直线；
步骤3.51，求出各段线迹的针脚点到步骤3.41得到的拟合直线的距离，设定阈值判断是否为NG；
针对所述断线缺陷，所述步骤3具体按照以下步骤实施：
步骤3.12，在步骤2得到的图片中设定缝纫线迹的ROI区域并确定灰度投影矩形；
步骤3.22，通过步骤3.12得到的图片，经高斯平滑处理得到更加清晰锐化的线迹边缘；
步骤3.32，步骤3.22得到的图片中的灰度投影矩形的剖面线在进行灰度投影后，先得到多条投影线，然后再通过灰度投影矩形进行边缘检测得到各针脚点的坐标值；
步骤3.42，依次计算各针脚点之间的距离，设定阈值，各个距离与阈值比较，大于阈值则记录位置，最终判断为断线缺陷；
针对所述回缝缺陷，所述步骤3具体按照以下步骤实施：
步骤3.13，在步骤2得到的图片中设定缝纫线迹的ROI区域，之后对该ROI区域进行形态学操作使其更加清晰，最后从该ROI区域获取模板图像并保存，建立得到匹配用的模板图像；
步骤3.23，采用基于相关性匹配算法识别回缝缺陷：首先获取模板图像的像素并计算均值与标准方差、像素与均值diff数据样本；之后再根据模板图像的大小，将目标图像上从左到右，从上到下移动窗口，并计算目标图像每移动一个像素之后窗口的内像素与模板图像像素的ncc值，设定阈值，其结果与阈值比较，大于阈值则记录位置；最后选择相关性最大的作为最终匹配目标；
步骤3.33，根据步骤3.23得到的位置信息，使用矩形标记出匹配识别其结果。
2.根据权利要求1所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述步骤3.31中，通过灰度投影矩形进行边缘检测得到各针脚点的坐标值的过程为：先获取每条投影线的平均强度，然后再对获取的投影线的投影波形进行微分处理，得到微分波形，最后在得到的微分波形中设置边缘敏感度。
3.根据权利要求2所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述步骤3.32中，通过灰度投影矩形进行边缘检测得到各针脚点的坐标值的过程为：先获取每条投影线的平均强度，然后再对获取的投影线的投影波形进行微分处理，得到微分波形，最后在得到的微分波形中设置边缘敏感度。
4.根据权利要求3所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述工业相机为MER-1070-10GM工业数字摄像机，所述工业相机的镜头为M3514-MP2 CBC镜头。
5.根据权利要求4所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，在所述步骤2中，相机获取待检测缝纫线迹的图片时，采用红色带有偏振片的环形光源明场。
6.根据权利要求5所述的基于机器视觉的缝纫线迹缺陷检测方法，其特征在于，所述环形光源为LED环形光源。
CN201810995651.7A 2018-08-29 2018-08-29 一种基于机器视觉的缝纫线迹缺陷检测方法 Active CN109239076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810995651.7A CN109239076B (zh) 2018-08-29 2018-08-29 一种基于机器视觉的缝纫线迹缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810995651.7A CN109239076B (zh) 2018-08-29 2018-08-29 一种基于机器视觉的缝纫线迹缺陷检测方法

Publications (2)

Publication Number Publication Date
CN109239076A CN109239076A (zh) 2019-01-18
CN109239076B true CN109239076B (zh) 2021-04-06

Family

ID=65068871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810995651.7A Active CN109239076B (zh) 2018-08-29 2018-08-29 一种基于机器视觉的缝纫线迹缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109239076B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111691084B (zh) * 2019-03-13 2021-12-07 浙江杰克智能缝制科技有限公司 缝纫机控制方法以及装置
CN110067089B (zh) * 2019-04-28 2020-12-22 季华实验室 用于织物缝纫质量检测的检测单元
CN110163853B (zh) * 2019-05-14 2021-05-25 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
CN110264087A (zh) * 2019-06-21 2019-09-20 刘永彬 一种缝纫制品走线质量的评估方法及装置
CN110348499A (zh) * 2019-06-28 2019-10-18 西安理工大学 一种缝纫线迹缺陷检测方法
CN110335262A (zh) * 2019-06-28 2019-10-15 西安理工大学 一种机器视觉中印刷品缺陷自动分类方法
CN110274919A (zh) * 2019-07-10 2019-09-24 天津工业大学 基于Faster R-CNN的裁片花纹参数测量方法
CN110570418B (zh) * 2019-09-12 2022-01-11 广东工业大学 一种织唛缺陷检测方法和装置
CN111815632A (zh) * 2020-09-02 2020-10-23 深圳新视智科技术有限公司 车缝线迹视觉检测方法及装置
KR102462591B1 (ko) * 2021-01-04 2022-11-03 (주) 엠엔비젼 비전 시스템을 이용한 봉제선 자동 검사 방법
CN114091620B (zh) * 2021-12-01 2022-06-03 常州市宏发纵横新材料科技股份有限公司 一种模板匹配检测方法、计算机设备及存储介质
CN114742788A (zh) * 2022-04-01 2022-07-12 南通高精数科机械有限公司 一种基于机器视觉的铜排缺陷检测方法及系统
CN114565771B (zh) * 2022-04-29 2022-07-26 广东粤港澳大湾区硬科技创新研究院 一种道路两侧设施的缺陷检测方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100535647C (zh) * 2007-04-11 2009-09-02 华中科技大学 一种基于机器视觉的浮法玻璃缺陷在线检测装置
CN101852741A (zh) * 2009-04-03 2010-10-06 吕一云 缺陷诊断及管理的方法
CN102183525A (zh) * 2011-01-20 2011-09-14 单宝华 基于ccd阵列摄像技术的桥梁表观状态自动检测装置及其方法
CN102601131B (zh) * 2012-03-09 2016-01-13 湖南镭目科技有限公司 一种钢坯表面质量在线检测装置
CN103196922B (zh) * 2013-04-09 2015-06-10 上海华力微电子有限公司 缺陷检查负载统计系统及方法
CN103529041B (zh) * 2013-10-31 2015-07-29 广州华工机动车检测技术有限公司 基于图像特征的电路板新旧程度判定方法和系统
CN106153639B (zh) * 2015-04-21 2018-10-19 国际技术开发株式会社 基于人工智能的电路板检测方法及其检测装置
CN106383124A (zh) * 2016-08-30 2017-02-08 四川石棉华瑞电子有限公司 电容铝箔表面缺陷视觉在线检查系统及方法
CN108107051B (zh) * 2017-12-19 2020-03-31 无锡先导智能装备股份有限公司 基于机器视觉的锂电池缺陷检测系统及方法
CN108364291A (zh) * 2018-03-13 2018-08-03 钟国韵 基于计算机视觉技术的原坯布快速检测方法

Also Published As

Publication number Publication date
CN109239076A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109239076B (zh) 一种基于机器视觉的缝纫线迹缺陷检测方法
CN109324056B (zh) 一种基于机器视觉的缝纫线迹测量方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN109685760B (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
CN102495076B (zh) 一种基于机器视觉的拉链金属链牙缺陷检测方法
CN107945184A (zh) 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法
CN107607540B (zh) 一种基于机器视觉的t恤在线检测及分选方法
CN104458748A (zh) 基于机器视觉的铝型材表面缺陷检测方法
CN106501272B (zh) 机器视觉焊锡定位检测系统
CN110108712A (zh) 多功能视觉缺陷检测系统
CN110473184A (zh) 一种pcb板缺陷检测方法
CN112304957A (zh) 一种基于机器视觉的外观缺陷智能检测方法及系统
CN108802052A (zh) 一种关于拉链缺陷的检测系统及其检测方法
CA3117917A1 (en) Optimizing a set-up stage in an automatic visual inspection process
CN114119591A (zh) 一种显示屏画面质量检测方法
CN108320799B (zh) 一种用于侧向流纸条疾病诊断的图像分析与识别方法
CN113506255A (zh) 一种基于高精度数字图像的服装缝线疵点自动检测方法
CN111426693A (zh) 一种质量缺陷检测系统及其检测方法
CN114387269B (zh) 一种基于激光的纤维丝缺损检测方法
CN110412055A (zh) 一种基于多光源暗场照明的透镜白雾缺陷检测方法
CN113936001B (zh) 一种基于图像处理技术的纺织品表面瑕疵点检测方法
CN115753791B (zh) 基于机器视觉的缺陷检测方法、装置以及系统
CN113145473A (zh) 一种水果智能分拣系统及方法
CN115471504B (zh) 一种基于纺织物的线头自动识别方法
CN109584212B (zh) 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法

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