CN109886960A - 基于机器视觉的玻璃边缘缺陷检测的方法 - Google Patents

基于机器视觉的玻璃边缘缺陷检测的方法 Download PDF

Info

Publication number
CN109886960A
CN109886960A CN201910236891.3A CN201910236891A CN109886960A CN 109886960 A CN109886960 A CN 109886960A CN 201910236891 A CN201910236891 A CN 201910236891A CN 109886960 A CN109886960 A CN 109886960A
Authority
CN
China
Prior art keywords
glass
value
image
region
defect
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.)
Pending
Application number
CN201910236891.3A
Other languages
English (en)
Inventor
陈坤
黄祥
王德江
吕宏伟
王成豪
曹霞霞
陆宸瑶
易明
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.)
Kasen Robot (shanghai) Co Ltd
Original Assignee
Kasen Robot (shanghai) 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 Kasen Robot (shanghai) Co Ltd filed Critical Kasen Robot (shanghai) Co Ltd
Priority to CN201910236891.3A priority Critical patent/CN109886960A/zh
Publication of CN109886960A publication Critical patent/CN109886960A/zh
Pending legal-status Critical Current

Links

Abstract

本发明涉及一种基于机器视觉的玻璃边缘缺陷检测的方法,其中,所述的方法包括对玻璃的边缘区域采用n阈值分割法得到前景和背景,并找到对应的连通域,分析所述的连通域的几何特征,找到缺陷区域,并对所述的连通域进行分类。采用该种基于机器视觉的玻璃边缘缺陷检测的方法,基于机器人视觉原理结合n阈值分割法,不借助人力就能实现玻璃边缘缺陷的检测,且检测精度高,降低了人力成本,性能优异,使用方便。

Description

基于机器视觉的玻璃边缘缺陷检测的方法
技术领域
本发明涉及检测领域,尤其涉及视觉图像检测领域,具体是指一种基于机器视觉的玻璃边缘缺陷检测的方法。
背景技术
近年来,随着市场对玻璃产品需求的迅速增长,玻璃产品的生产无论从质量、品种,还是生产工艺都发生了质的变化。特别是现在生产技术的不断发展,高端产品对玻璃基板的质量要求越来越高。
现有技术中,玻璃的制造工艺中,先通过压延工序使玻璃成型,然后再进行裁切,获取玻璃原片,但这种玻璃原片的外观尺寸形状质量是达不到用户装配使用质量要求的,这就使得需要对玻璃原片进行磨边工作,对原片四个边部及角部进行加工,以获取用户需要的玻璃,但后续的磨边过程中,会产生崩边、崩角等缺陷,这样的玻璃是不合格的,需要将这种有瑕疵的玻璃挑选出来。
现有技术中,对于玻璃的边部缺陷检测主要是采用人工在线检测的方式进行检查的,而人工的检验精度低,漏检率高,人工检测易受检测人员主观因素的影响,容易对玻璃缺陷造成漏检,尤其是畸变较小的缺陷漏检,工人容易视觉疲劳,尤其上夜班,稳定性不高,而且人力成本大。因此,人工检测玻璃边缘缺陷的方式并不能很好的适用于现有技术中快速的流水线的玻璃加工过程。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种检测精度高、检测速度快,且无需人力干预的基于机器视觉的玻璃边缘缺陷检测的方法。
为了实现上述目的或其他目的,本发明的基于机器视觉的玻璃边缘缺陷检测的方法如下:
该基于机器视觉的玻璃边缘缺陷检测的方法,其主要特点是,所述的方法包括以下步骤:
(1)获取与玻璃对应的图像中的各个坐标点(x,y)处对应的灰度值;
(2)采用n阈值分割法对所述的与玻璃对应的图像进行阈值分割,将所述的图像转换为仅黑白两色的图像,区分出相应的白色区域和黑色区域,获取所述的玻璃的粗略轮廓区域,其中,所述的n阈值分割法为采用n-动态阈值的公式对玻璃进行阈值分割的方法,所述的n-动态阈值的公式如下:
其中,f(x,y)表示所述的与玻璃对应的图像中各个坐标点(x,y)处对应的灰度值,t为系统预设的阈值,offset为偏移量,g(x,y,n)的计算值为所述的黑白两色的图像中各个坐标(x,y)处对应的像素值,其中,n只取0或1,当n取0时表示选取背景色,当n取1时表示选取前景色,其中,若所述的与玻璃对应的图像中的坐标点对应的g(x,y,n)的计算值为0,则该坐标点在黑白两色的图像中被转换为黑色,若所述的与玻璃对应的图像中的坐标点对应的g(x,y,n)的计算值为255,则该坐标点在黑白两色的图像中被转换为白色,其中包含白色坐标点的区域块为所述的玻璃的粗略轮廓区域;
(3)根据得到的所述的玻璃的粗略轮廓区域确定所述的目标区域,所述的目标区域为所述的玻璃的精确轮廓区域;
(4)在所述的玻璃的精确轮廓区域中,寻找由灰度值构成的连通域;
(5)分析所述的由灰度值构成的连通域的几何特征,找到缺陷区域,并对所述的缺陷区域进行分类。
较佳地,所述的步骤(3)包括以下步骤:
(31)获取所述的玻璃的粗略轮廓区域中的最小外接矩形,设最小外接矩形Ao的四个顶点为:
其中,x1、y1、x2、y2、x3、y3、x4、y4分别代表所述的最小外接矩形Ao的四个顶点坐标;
(32)获取所述的玻璃的粗略轮廓区域中的最大内接矩形,设最大内接矩形AI的四个顶点为:
其中,x′1、y′1、x′2、y′2、x′3、y′3、x′4、y′4分别代表所述的最大内接矩形AI的四个顶点的四个顶点坐标;
(33)由所述的最小外接矩形和所述的最大内接矩形确定所述的玻璃的精确轮廓区域,所述的玻璃的精确轮廓区域即为所述的玻璃的边缘区域,设所述的玻璃的边缘区域的轮廓区域ROIS为:
其中:
[R1]=[x1 y1 x'2 y'2];
[R2]=[x'2 y2 x3 y'3];
[R3]=[x'4 y'4 x3 y3];
[R4]=[x1 y'1 x'4 y4];
其中,R1、R2、R3及R4分别表示一个矩形区域。
较佳的,通过四连通域法找到所述的对应的由灰度值构成的连通域,所述的四连通域法包括以下步骤:
(a1)设函数f(x,y)表示与玻璃对应的图像中中坐标点(x,y)处的灰度值;
(a2)用坐标像素集合P来表示所述的坐标点(x,y)的上、下、左、右四个方向的坐标像素,其中坐标像素集合P为:
P={f(x-1,y),f(x+1,y),f(x,y-1),f(x,y+1)};
(a3)将坐标像素集合P中与f(x,y)具有相同灰度值的像素点划分到f(x,y)这个连通域中。
较佳的,所述的步骤(5)包括以下步骤:
(51)将所述的由灰度值构成的连通域的几何特性f用以下公式进行表示:
其中,N(x,y)表示所述的玻璃的边缘区域的内部像素点的数量,Sr表示外接矩形,L表示缺陷长度,W表示缺陷宽度,a1,a2表示系数;
(52)将计算得到的所述的几何特性f的值与系统预设的阈值进行比较;
(53)根据所述的几何特性f的值所处的阈值区间,判断所述的玻璃的边缘区域是否存在缺陷,若存在所述的缺陷则继续后续步骤(54);
(54)根据所述的几何特性f的值、n的值、a1及a2的值确定所述的缺陷的种类。
较佳的,所述的步骤(1)之前,还包括以下步骤:
(0.1)获取与玻璃对应的图像。
较佳的,所述的玻璃为光伏玻璃。
采用本发明的基于机器视觉的玻璃边缘缺陷检测的方法,基于机器人视觉原理结合动态阈值分割法,不借助人力就能实现玻璃边缘缺陷的检测,且检测精度高,降低了人力成本,性能优异,使用方便。
附图说明
图1为本发明一实施例中的基于机器视觉的玻璃边缘缺陷检测的方法的流程图。
图2为一实施例中的玻璃边缘轮廓区域示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容,特举以下实施例详细说明。应理解,实施例仅是用于说明本发明,而不是对本发明的限制。
请参阅图1,在一种实施方式中,本发明的基于机器视觉的玻璃边缘缺陷检测的方法100包括以下步骤:
(0.1)获取与玻璃对应的图像;
(1)获取与玻璃对应的图像中各个坐标点(x,y)处对应的灰度值;
(2)采用n阈值分割法对所述的与玻璃对应的图像进行阈值分割,将所述的图像转换为仅黑白两色的图像,区分出相应的白色区域和黑色区域,获取所述的玻璃的粗略轮廓区域,其中,所述的n阈值分割法为采用n-动态阈值的公式对玻璃进行阈值分割的方法,所述的n-动态阈值的公式如下:
其中,f(x,y)表示所述的与玻璃对应的图像中各个坐标点(x,y)处对应的灰度值,t为系统预设的阈值,t的值是由用户输入至系统中的,t的具体取值是由用户凭经验所选取的值,通过用户用肉眼识别,在对图像分析判断的基础上,判断出t所在的区间,代入区间中的数值,比较得到的图像,从而确定最佳的t的选值,在该实施例中,可将t的值选定为125,offset为偏移量(该值的设立使得在实际的操作中可以存在一定量的偏差值),offset的取值为一个固定值,通过用户凭借经验进行其值的选定,然后将对应值输入至系统中,其取值范围为在-255~+255之间的非零数,在一般的实际操作中,offset的取值在5~40之间,offset的取值越大,取到的区域越小,offset的取值不可为零,为零时会取到噪声,在该实施例中,可将offset的值选定为10,g(x,y,n)的计算值为所述的黑白两色的图像中各个坐标(x,y)处对应的像素值,其中,n只取0或1,由用户控制n的取值,当n取0时表示选取背景色,当n取1时表示选取前景色,即由用户自行选取的n的值,决定取前景色或背景色,其中,若所述的与玻璃对应的图像中的坐标点对应的g(x,y,n)的计算值为0,则该坐标点在黑白两色的图像中被转换为黑色,若所述的与玻璃对应的图像中的坐标点对应的g(x,y,n)的计算值为255,则该坐标点在黑白两色的图像中被转换为白色,其中包含白色坐标点的区域块为所述的玻璃的粗略轮廓区域;
(3)根据得到的所述的玻璃的粗略轮廓区域确定所述的目标区域,所述的目标区域为所述的玻璃的精确轮廓区域,(即图1中的步骤102,提取玻璃轮廓),具体操作步骤如下:(31)获取所述的玻璃的粗略轮廓区域中的最小外接矩形,设最小外接矩形Ao的四个顶点为:
其中,x1、y1、x2、y2、x3、y3、x4、y4分别代表所述的最小外接矩形Ao的四个顶点坐标。
(32)获取所述的玻璃的粗略轮廓区域中的最大内接矩形,设最大内接矩形AI的四个顶点为:
其中,x′1、y′1、x′2、y′2、x′3、y′3、x′4、y′4分别代表……所述的最大内接矩形AI的四个顶点的四个顶点坐标;
其中,最小外接矩形指包含目标区域的最小矩形,最大内接矩形指在目标区域内部的最大矩形,其中,目标区域为玻璃的轮廓;
(33)由所述的最小外接矩形和所述的最大内接矩形确定所述的玻璃的精确轮廓区域,所述的玻璃的精确轮廓区域即为所述的玻璃的边缘区域,设所述的玻璃的边缘区域的轮廓区域ROIS为:
其中:
[R1]=[x1 y1 x'2 y'2];
[R2]=[x'2 y2 x3 y'3];
[R3]=[x'4 y'4 x3 y3];
[R4]=[x1 y'1 x'4 y4];
其中,R1、R2、R3及R4分别表示一个矩形区域,具体的坐标分布可参阅图2所示,在图2中将玻璃的轮廓区域分为了4个矩形,Rn(n=1...4)前两列表示矩形区域的左上角坐标,后两列表示矩形区域相对应的右下角坐标;
(4)在所述的玻璃的精确轮廓区域中,寻找由灰度值构成的连通域(即图1中的步骤104,分割前景和背景并找到对应的连通域);
其中,通过四连通域法找到所述的对应的由灰度值构成的连通域,所述的四连通域法包括以下步骤:
(a1)设函数f(x,y)表示与玻璃对应的图像中中的坐标点(x,y)处的灰度值;
(a2)用坐标像素集合P来表示所述的坐标点(x,y)的上、下、左、右四个方向的坐标像素,其中坐标像素集合P为:
P={f(x-1,y),f(x+1,y),f(x,y-1),f(x,y+1)};
(a3)将坐标像素集合P中与f(x,y)具有相同灰度值的像素点划分到f(x,y)这个连通域中;
即在与玻璃对应的图像中的玻璃轮廓区域中,按灰度值进行区域块的划分。
即判断两个像素点属于一个连通域的判断条件是这两个像素点相邻且灰度值相等。通常有八连通域法和四连通域法两种方法来选取附近的点。本具体实施方式中连通域的筛选采用四连通域法来进行求取连通域,具体步骤如上所示。在其它实施例中也可选取其他方式求连通域。
(5)分析所述的由灰度值构成的连通域的几何特征,找到缺陷区域,并对所述的缺陷区域进行分类,具体包括以下步骤:
(51)将所述的由灰度值构成的连通域的几何特性f用以下公式进行表示:
其中,N(x,y)表示所述的玻璃的边缘区域的内部像素点的数量,Sr表示外接矩形,L表示缺陷长度,W表示缺陷宽度,a1,a2表示系数,a1和a2的值均由用户根据经验取值进行自行设置,并输入至系统中;
(52)将计算得到的所述的几何特性f的值与系统预设的阈值进行比较(即图1中的步骤106);
(53)根据所述的几何特性f的值所处的阈值区间,判断所述的玻璃的边缘区域是否存在缺陷,若存在所述的缺陷则继续后续步骤(54);
(54)根据所述的几何特性f的值、n的值、a1及a2的值确定所述的缺陷的种类(即图1中的步骤108)。
一般在生产过程中,玻璃的边缘会出现崩边、亮边、焦边等各种各样的缺陷,其中,当玻璃边缘上出现崩边缺陷时,获取到图片上的玻璃的边缘区域会出现点块状的连通域;而对于图片上的玻璃的边缘区域中出现的于玻璃中无缺陷区域相比,亮度过暗或过亮的部分一般被称为亮边或焦边,同时,这种亮边或焦边的缺陷在长度上很长,很容易被区分,如上述实施例中的方法所示,所述的连通域的几何特性f用以下公式进行表示:
其中f(a1,a2)表示几何特性,表示边缘内部像素点的数量,Sr表示外接矩形,L表示缺陷长度,W表示缺陷宽度,a1,a2表示系数。以f的大小对缺陷进行分类。
在上述实施例中,系统预设了阈值,可根据所述的几何特性f的值所处的阈值区间,判断所述的玻璃的边缘区域是否存在缺陷,若所述的几何特性f的值大于系统预设的阈值,则确定所述的玻璃的边缘存在缺陷,此时,可根据所述的几何特性f的值、n的值、a1及a2的值确定所述的缺陷的种类,具体如下:
以n减动态阈值衡量玻璃边缘瑕疵的特征,根据实际情况设定offset和阈值t的大小,在该实施例中,将t的值设定为125,offset的值设定为10:如果选取背景色,n=0,如果选取前景色n=1;n-动态阈值判定为缺陷,其中,n由人工手动判断设置;
以连通域的几何特征作为衡量衡量玻璃边缘瑕疵的特征,输入图像边缘瑕疵连通域的几何特征比大于30时,则判定为缺陷。
步骤108,综合考虑输入图像边缘瑕疵f(a1,a2)几何特性,对缺陷进行分类:
1.n=1,a1=1,a2=1,f(a1,a2)>30,为崩边缺陷;
2.n=1,a1=1,a2=0,f(a1,a2)>30,为亮边缺陷;
3.n=0,a1=0,a2=1,f(a1,a2)>30,为焦边缺陷。
在该实施例中,所述的玻璃为光伏玻璃。
采用本发明的基于机器视觉的玻璃边缘缺陷检测的方法,基于机器人视觉原理结合n阈值分割法,不借助人力就能实现玻璃边缘缺陷的检测,且检测精度高,降低了人力成本,性能优异,使用方便。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。

Claims (6)

1.一种基于机器视觉的玻璃边缘缺陷检测的方法,其特征在于,所述的方法包括以下步骤:
(1)获取与玻璃对应的图像中的各个坐标点(x,y)处对应的灰度值;
(2)采用n阈值分割法对所述的与玻璃对应的图像进行阈值分割,将所述的图像转换为仅黑白两色的图像,区分出相应的白色区域和黑色区域,获取所述的玻璃的粗略轮廓区域,其中,所述的n阈值分割法为采用n-动态阈值的公式对玻璃进行阈值分割的方法,所述的n-动态阈值的公式如下:
其中,f(x,y)表示所述的与玻璃对应的图像中各个坐标点(x,y)处对应的灰度值,t为系统预设的阈值,offset为偏移量,g(x,y,n)的计算值为所述的黑白两色的图像中各个坐标(x,y)处对应的像素值,其中,n只取0或1,当n取0时表示选取背景色,当n取1时表示选取前景色,其中,若所述的与玻璃对应的图像中的坐标点对应的g(x,y,n)的计算值为0,则该坐标点在黑白两色的图像中被转换为黑色,若所述的与玻璃对应的图像中的坐标点对应的g(x,y,n)的计算值为255,则该坐标点在黑白两色的图像中被转换为白色,其中包含白色坐标点的区域块为所述的玻璃的粗略轮廓区域;
(3)根据得到的所述的玻璃的粗略轮廓区域确定所述的目标区域,所述的目标区域为所述的玻璃的精确轮廓区域;
(4)在所述的玻璃的精确轮廓区域中,寻找由灰度值构成的连通域;
(5)分析所述的由灰度值构成的连通域的几何特征,找到缺陷区域,并对所述的缺陷区域进行分类。
2.根据权利要求1所述的基于机器视觉的玻璃边缘缺陷检测的方法,其特征在于,所述的步骤(3)包括以下步骤:
(31)获取所述的玻璃的粗略轮廓区域中的最小外接矩形,设所述的最小外接矩形Ao的四个顶点为:
其中,x1、y1、x2、y2、x3、y3、x4、y4分别代表所述的最小外接矩形Ao的四个顶点坐标;
(32)获取所述的玻璃的粗略轮廓区域中的最大内接矩形,设所述的最大内接矩形AI的四个顶点为:
其中,x′1、y′1、x′2、y′2、x′3、y′3、x′4、y′4分别代表所述的最大内接矩形AI的四个顶点的四个顶点坐标;
(33)由所述的最小外接矩形和所述的最大内接矩形确定所述的玻璃的精确轮廓区域,所述的玻璃的精确轮廓区域即为所述的玻璃的边缘区域,设所述的玻璃的边缘区域的轮廓区域ROIS为:
其中:
[R1]=[x1 y1 x'2 y'2];
[R2]=[x'2 y2 x3 y'3];
[R3]=[x'4 y'4 x3 y3];
[R4]=[x1 y′1 x'4 y4];
其中,R1、R2、R3及R4分别表示一个矩形区域。
3.根据权利要求1所述的基于机器视觉的玻璃边缘缺陷检测的方法,其特征在于,通过四连通域法找到所述的对应的由灰度值构成的连通域,所述的四连通域法包括以下步骤:
(a1)设函数f(x,y)表示所述的与玻璃对应的图像中中的坐标点(x,y)处的灰度值;
(a2)用坐标像素集合P来表示所述的坐标点(x,y)的上、下、左、右四个方向的坐标像素,其中坐标像素集合P为:
P={f(x-1,y),f(x+1,y),f(x,y-1),f(x,y+1)};
(a3)将坐标像素集合P中与f(x,y)具有相同灰度值的像素点划分到f(x,y)这个连通域中。
4.根据权利要求1所述的基于机器视觉的玻璃边缘缺陷检测的方法,其特征在于,所述的步骤(5)包括以下步骤:
(51)将所述的由灰度值构成的连通域的几何特性f用以下公式进行表示:
其中,N(x,y)表示所述的玻璃的边缘区域的内部像素点的数量,Sr表示外接矩形,L表示缺陷长度,W表示缺陷宽度,a1,a2表示系数;
(52)将计算得到的所述的几何特性f的值与系统预设的阈值进行比较;
(53)根据所述的几何特性f的值所处的阈值区间,判断所述的玻璃的边缘区域是否存在缺陷,若存在所述的缺陷则继续后续步骤(54);
(54)根据所述的几何特性f的值、n的值、a1及a2的值确定所述的缺陷的种类。
5.根据权利要求1所述的基于机器视觉的玻璃边缘缺陷检测的方法,其特征在于,所述的步骤(1)之前,还包括以下步骤:
(0.1)获取与玻璃对应的图像。
6.根据权利要求1所述的基于机器视觉的玻璃边缘缺陷检测的方法,其特征在于,所述的玻璃为光伏玻璃。
CN201910236891.3A 2019-03-27 2019-03-27 基于机器视觉的玻璃边缘缺陷检测的方法 Pending CN109886960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910236891.3A CN109886960A (zh) 2019-03-27 2019-03-27 基于机器视觉的玻璃边缘缺陷检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910236891.3A CN109886960A (zh) 2019-03-27 2019-03-27 基于机器视觉的玻璃边缘缺陷检测的方法

Publications (1)

Publication Number Publication Date
CN109886960A true CN109886960A (zh) 2019-06-14

Family

ID=66934610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910236891.3A Pending CN109886960A (zh) 2019-03-27 2019-03-27 基于机器视觉的玻璃边缘缺陷检测的方法

Country Status (1)

Country Link
CN (1) CN109886960A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109916910A (zh) * 2019-03-27 2019-06-21 中建材凯盛机器人(上海)有限公司 光伏玻璃边部缺陷检测系统及相应的方法
CN110441319A (zh) * 2019-09-09 2019-11-12 凌云光技术集团有限责任公司 一种外观缺陷的检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105334219A (zh) * 2015-09-16 2016-02-17 湖南大学 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN106370659A (zh) * 2016-08-17 2017-02-01 湘潭大学 一种瓶体封装质量视觉检测方法
CN106670127A (zh) * 2017-03-07 2017-05-17 上海微松工业自动化有限公司 一种屏幕缺陷全自动视觉检测系统
CN108287167A (zh) * 2018-01-04 2018-07-17 芜湖东旭光电科技有限公司 液晶玻璃边缘检测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105334219A (zh) * 2015-09-16 2016-02-17 湖南大学 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN106370659A (zh) * 2016-08-17 2017-02-01 湘潭大学 一种瓶体封装质量视觉检测方法
CN106670127A (zh) * 2017-03-07 2017-05-17 上海微松工业自动化有限公司 一种屏幕缺陷全自动视觉检测系统
CN108287167A (zh) * 2018-01-04 2018-07-17 芜湖东旭光电科技有限公司 液晶玻璃边缘检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘遵: "基于机器视觉的玻璃表面缺陷检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109916910A (zh) * 2019-03-27 2019-06-21 中建材凯盛机器人(上海)有限公司 光伏玻璃边部缺陷检测系统及相应的方法
CN110441319A (zh) * 2019-09-09 2019-11-12 凌云光技术集团有限责任公司 一种外观缺陷的检测方法及装置

Similar Documents

Publication Publication Date Title
CN105913415B (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
JP2004294202A (ja) 画面の欠陥検出方法及び装置
CN103345755A (zh) 一种基于Harris算子的棋盘格角点亚像素提取方法
CN109886960A (zh) 基于机器视觉的玻璃边缘缺陷检测的方法
KR101895873B1 (ko) 직물원단 검단방법 및 장치
CN105046700A (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统
CN102819850A (zh) 基于局部自适应色差阈值的彩色图像边缘检测的方法
CN108648168A (zh) Ic晶圆表面缺陷检测方法
CN109856156A (zh) 一种基于aoi的显示面板微小缺陷判定方法与装置
CN110349126A (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN108181316A (zh) 一种基于机器视觉的竹条缺陷检测方法
CN108665458A (zh) 透明体表面缺陷提取及识别方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN108765402A (zh) 无纺布缺陷检测与分类方法
CN109345528A (zh) 一种基于人眼视觉特性的显示屏缺陷检测方法及装置
CN102496161B (zh) 一种印刷电路板图像的轮廓提取方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
CN106600615A (zh) 一种图像边缘检测算法评价系统及方法
CN108898584A (zh) 一种基于图像分析的全自动贴面电容装焊极性判别方法
JP2006135700A (ja) 画像検査装置、画像検査方法、制御プログラムおよび可読記憶媒体
CN110298825B (zh) 导光板黑点缺陷检测方法
CN111861979A (zh) 一种定位方法、设备及计算机可读存储介质
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN108629775B (zh) 一种热态高速线材表面图像处理方法

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