CN109927030A - 一种外观零部件检测的机器人视觉定位方法 - Google Patents
一种外观零部件检测的机器人视觉定位方法 Download PDFInfo
- Publication number
- CN109927030A CN109927030A CN201910241226.3A CN201910241226A CN109927030A CN 109927030 A CN109927030 A CN 109927030A CN 201910241226 A CN201910241226 A CN 201910241226A CN 109927030 A CN109927030 A CN 109927030A
- Authority
- CN
- China
- Prior art keywords
- components
- robot
- appearance
- speck
- controlling terminal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 title claims abstract description 25
- 230000007547 defect Effects 0.000 claims abstract description 55
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 claims description 35
- 230000002950 deficient Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 210000000887 face Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种外观零部件检测的机器人视觉定位方法,包括以下步骤:采用所述机器人对所述标准外观零部件进行图像采集和图像处理,识别所述标准外观零部件的特征部分;采用所述机器人对所述存在不同外观缺陷的零部件进行图像采集和图像处理,识别所述存在不同外观缺陷的零部件的特征部分;所述机器人通过待检测零部件的下方,检测待检测零部件是否存在外观缺陷。本发明可以对不同外观的零部件进行全面的检测,并且可以有效的计算出不良品率以及检测出外观缺陷种类及时上传到控制终端,便于控制终端及时的做出调整,而且可以快速的分辨外观缺陷的种类,效率高且客观性强,自动化程度和可靠性高,带来更好的应用前景。
Description
技术领域
本发明涉及产品检测领域,具体为一种外观零部件检测的机器人视觉定位方法。
背景技术
随着我国整体工业科技水平和高技术产业的高速发展,人工智能和机器视觉等新型技术在自动化设备中的应用研究得到了高度重视。由于当今劳动资源的逐步短缺,国家十分重视工业机器人的研究。人类依靠自己的眼睛来获取外部环境信息,进而做出各种判断和动作。机器视觉技术则是利用工业相机来模拟人眼的视觉功能,从客观事物的图像中提取信息,进行处理并加以理解,最终用于实际的检测、测量和控制。机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险环境或大批量工业生产过程中,常用机器视觉来替代人工视觉。
机器人是自动执行工作的机器装置,它既可以接受人类指挥,又可以运行预先编排的程序,也可以根据以人工智能技术制定的原则纲领行动。它的任务是协助或取代人类工作,在现代工业企业的生产、加工和制造过程中起着十分重要的作用,在自动化应用领域中得到广泛的应用。
但是在一些零部件自动化生产过程中,易发生外观有缺陷的问题,如果不能及时检测返工,会给后续使用留下隐患。传统的产品检测方法在使用时存在一定的弊端:
1、传统的检测方法主要依靠人工手动上料和肉眼检测,效率低下且客观性不强,自动化程度和可靠性不高,增加产品的残次率。
2、而且对于传统零部件外观检测方法,只能检测出有缺陷和无缺陷两种结果,对于特定的缺陷种类却检测不出来,对于不同缺陷的零部件的后续处理方法不相同。
为此,我们提出一种外观零部件检测的机器人视觉定位方法。
发明内容
本发明的目的在于提供一种外观零部件检测的机器人视觉定位方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种外观零部件检测的机器人视觉定位方法,包括:
采用所述机器人对所述标准外观零部件进行图像采集和图像处理,识别所述标准外观零部件的特征部分;
采用所述机器人对所述存在不同外观缺陷的零部件进行图像采集和图像处理,识别所述存在不同外观缺陷的零部件的特征部分;
所述机器人通过待检测零部件的下方,检测待检测零部件是否存在外观缺陷;
检测不存在外观缺陷的零部件取出放入良品收集箱里;
检测存在外观缺陷的零部件取出放入不良品收集箱里;
所述控制终端对所述机器人进行跟踪定位,确定所述机器人的实时坐标位置,计算所述机器人所在生产线的不良品率。
进一步地,所述机器人分别采集所述标准外观零部件立体六个面或者平面两个面的图像信息;
所述机器人对所述图像信息进行预处理,根据预设的分割参数对所述预处理过的图像进行特征标志;
对所述预处理过的图像信息进行滤波处理;
对所述处理过的图像提取组成特征标志的亮斑,并对所述亮斑进行过滤;
生成所述标准外观零部件各视图的亮斑轮廓线。
进一步地,所述机器人识别待检测零部件的图像信息,重复步骤1,得到待检测零部件的亮斑轮廓线;
判断所述待检测零部件的与预设的所述标准外观零部件轮廓线是否匹配;若匹配,则进行下一视图的亮斑轮廓线比对,完全匹配后,则收集进良品区域;若不匹配或者某一视图不匹配,则进入下一步。
进一步地,所述机器人分别采集所述存在不同外观缺陷的零部件的缺陷面图像信息;
得到不同外观缺陷的零部件的缺陷面的亮斑轮廓线,并复制到到不同的不良品收集箱上。
进一步地,机器人判断检测的零部件的外观缺陷种类;
将不同种类的外观缺陷的零部件放入不同的不良品收集箱内。
进一步地,零部件的缺陷面亮斑轮廓线与所述不同外观缺陷的零部件的缺陷面亮斑轮廓线进行对比;
对比得到零部件的外观缺陷种类。
进一步地,所述控制终端定位所述机器人的坐标位置;
根据所述机器人实时坐标位置以及所述控制终端坐标位置,生成驱动所述机器人向所述控制终端移动的驱动指令并发送给所述机器人;
所述机器人接收到所述驱动指令,驱动向所述控制终端移动;
所述机器人将记录数据上传至所述控制终端,并驱动回原坐标位置。
进一步地,所述机器人包括:拍照模块,用于标准图像和对比图像的采集;
图像处理识别模块,用于所述标准图像和对比图像的处理,生成亮斑轮廓线;
数据存储模块,用于存储待检测零部件的良品和不良品的数量以及图像信息;
GPS定位模块,用于所述控制终端定位机器人所在坐标位置;
驱动模块,用于所述机器人自动行走;
数据传送模块,用于数据存储模块向所述控制终端传送数据。
进一步地,所述图像处理识别模块还包括:提取模块,用于再次读取图像处理识别模块识别的所述标准外观零部件亮斑轮廓线;
拟合模块,用于根据图像处理识别模块识别的亮斑轮廓线的参数对所述图像处理识别模块识别的待检测零部件图像的亮斑轮廓线进行拟合。
与现有技术相比,本发明的有益效果是:
1、可以对不同外观的零部件进行全面的检测,并且可以有效的计算出不良品率及时上传到控制终端,便于控制终端及时的做出调整;
2、可以检测出外观缺陷种类并且可以快速的分辨外观缺陷的种类,收入不同的不良品收集箱,效率高且客观性强,自动化程度和可靠性高,带来更好的应用前景。
附图说明
图1为本发明一种外观零部件检测的机器人视觉定位方法的整体流程图;
图2为本发明一种外观零部件检测的机器人视觉定位方法的步骤1流程图;
图3为本发明一种外观零部件检测的机器人视觉定位方法的步骤2流程图;
图4为本发明一种外观零部件检测的机器人视觉定位方法的步骤3流程图;
图5为本发明一种外观零部件检测的机器人视觉定位方法的步骤5流程图;
图6为本发明一种外观零部件检测的机器人视觉定位方法的步骤5中第一步骤的流程图;
图7为本发明一种外观零部件检测的机器人视觉定位方法的步骤6流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-7,本发明提供一种技术方案:该方法适用于自动化设备中对零部件进行外观检测,具体可以由硬件和/或软件来实现,该方法具体包括:
一种外观零部件检测的机器人视觉定位方法,
如图1和图2所示,S1:采用所述机器人对所述标准外观零部件进行图像采集和图像处理,识别所述标准外观零部件的特征部分;
具体的,S101:所述机器人分别采集所述标准外观零部件立体六个面或者平面两个面的图像信息;
S102:所述机器人对所述图像信息进行预处理,根据预设的分割参数对所述预处理过的图像进行特征标志;
S103:对步骤S102所述预处理过的图像信息进行滤波处理;
S104:对步骤S103所述处理过的图像提取组成特征标志的亮斑,并对所述亮斑进行过滤;
S105:生成所述标准外观零部件各视图的亮斑轮廓线。
如图1和图3所示,S2:采用所述机器人对所述存在不同外观缺陷的零部件进行图像采集和图像处理,识别所述存在不同外观缺陷的零部件的特征部分;
具体的,S201:所述机器人分别采集所述存在不同外观缺陷的零部件的缺陷面图像信息;
S202:重复S102至S105步骤,得到不同外观缺陷的零部件的缺陷面的亮斑轮廓线,并复制到到不同的不良品收集箱上。
如图1和图4所示,S3:所述机器人通过待检测零部件的下方,检测待检测零部件是否存在外观缺陷;若是,记录数据并进入步骤4,如不是,记录数据并进入步骤5;
具体的,S301:所述机器人识别待检测零部件的图像信息,重复S102至S105步骤,得到待检测零部件的亮斑轮廓线;
S302:判断所述待检测零部件的与预设的所述标准外观零部件轮廓线是否匹配;若匹配,则进行下一视图的亮斑轮廓线比对,完全匹配后,则进入步骤4;若不匹配或者某一视图不匹配,则进入步骤5。
如图1所示,S4:检测不存在外观缺陷的零部件取出放入良品收集箱里;
如图1和图5所示,S5:检测存在外观缺陷的零部件取出放入不良品收集箱里;
具体的,S501:机器人判断检测的零部件的外观缺陷种类;
如图6所示,具体的,S5011:零部件的缺陷面亮斑轮廓线与所述不同外观缺陷的零部件的缺陷面亮斑轮廓线进行对比;
S5012:对比得到零部件的外观缺陷种类。
S502:将不同种类的外观缺陷的零部件放入不同的不良品收集箱内。
如图1和图7所示,S6:所述控制终端对所述机器人进行跟踪定位,确定所述机器人的实时坐标位置,计算所述机器人所在生产线的不良品率。
具体的,S601:所述控制终端定位所述机器人的坐标位置;
S602:根据所述机器人实时坐标位置以及所述控制终端坐标位置,生成驱动所述机器人向所述控制终端移动的驱动指令并发送给所述机器人;
S603:所述机器人接收到所述驱动指令,驱动向所述控制终端移动;
S604:所述机器人将记录数据上传至所述控制终端,并驱动回原坐标位置。
所述机器人包括:
拍照模块,用于标准图像和对比图像的采集;
图像处理识别模块,用于所述标准图像和对比图像的处理,生成亮斑轮廓线;
数据存储模块,用于存储待检测零部件的良品和不良品的数量以及图像信息;
GPS定位模块,用于所述控制终端定位机器人所在坐标位置;
驱动模块,用于所述机器人自动行走;
数据传送模块,用于数据存储模块向所述控制终端传送数据。
所述图像处理识别模块还包括:
提取模块,用于再次读取图像处理识别模块识别的所述标准外观零部件亮斑轮廓线;
拟合模块,用于根据图像处理识别模块识别的亮斑轮廓线的参数对所述图像处理识别模块识别的待检测零部件图像的亮斑轮廓线进行拟合。
本发明的优点:本实施例的外观零部件检测的机器人视觉定位方法,可以对不同外观的零部件进行全面的检测,并且可以有效的计算出不良品率及时上传到控制终端,便于控制终端及时的做出调整;可以检测出外观缺陷种类并且可以快速的分辨外观缺陷的种类,收入不同的不良品收集箱,效率高且客观性强,自动化程度和可靠性高,带来更好的应用前景。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种外观零部件检测的机器人视觉定位方法,包括以下步骤:
S1:采用所述机器人对所述标准外观零部件进行图像采集和图像处理,识别所述标准外观零部件的特征部分;
S2:采用所述机器人对所述存在不同外观缺陷的零部件进行图像采集和图像处理,识别所述存在不同外观缺陷的零部件的特征部分;
S3:所述机器人通过待检测零部件的下方,检测待检测零部件是否存在外观缺陷;若是,记录数据并进入步骤4,如不是,记录数据并进入步骤5;
S4:检测不存在外观缺陷的零部件取出放入良品收集箱里;
S5:检测存在外观缺陷的零部件取出放入不良品收集箱里;
S6:所述控制终端对所述机器人进行跟踪定位,确定所述机器人的实时坐标位置,计算所述机器人所在生产线的不良品率。
2.根据权利要求1所述的一种外观零部件检测的机器人视觉定位方法,其特征在于:所述S1还包括以下步骤:
S101:所述机器人分别采集所述标准外观零部件立体六个面或者平面两个面的图像信息;
S102:所述机器人对所述图像信息进行预处理,根据预设的分割参数对所述预处理过的图像进行特征标志;
S103:对步骤S102所述预处理过的图像信息进行滤波处理;
S104:对步骤S103所述处理过的图像提取组成特征标志的亮斑,并对所述亮斑进行过滤;
S105:生成所述标准外观零部件各视图的亮斑轮廓线。
3.根据权利要求2所述的一种外观零部件检测的机器人视觉定位方法,其特征在于:所述S3还包括以下步骤:
S301:所述机器人识别待检测零部件的图像信息,重复S102至S105步骤,得到待检测零部件的亮斑轮廓线;
S302:判断所述待检测零部件的与预设的所述标准外观零部件轮廓线是否匹配;若匹配,则进行下一视图的亮斑轮廓线比对,完全匹配后,则进入步骤4;若不匹配或者某一视图不匹配,则进入步骤5。
4.根据权利要求2所述的一种外观零部件检测的机器人视觉定位方法,其特征在于:所述S2还包括以下步骤:
S201:所述机器人分别采集所述存在不同外观缺陷的零部件的缺陷面图像信息;
S202:重复S102至S105步骤,得到不同外观缺陷的零部件的缺陷面的亮斑轮廓线,并复制到到不同的不良品收集箱上。
5.根据权利要求4所述的一种外观零部件检测的机器人视觉定位方法,其特征在于:所述S5还包括以下步骤:
S501:机器人判断检测的零部件的外观缺陷种类;
S502:将不同种类的外观缺陷的零部件放入不同的不良品收集箱内。
6.根据权利要求5所述的一种外观零部件检测的机器人视觉定位方法,其特征在于:所述步骤S501还包括以下步骤:
S5011:零部件的缺陷面亮斑轮廓线与所述不同外观缺陷的零部件的缺陷面亮斑轮廓线进行对比;
S5012:对比得到零部件的外观缺陷种类。
7.根据权利要求1所述的一种外观零部件检测的机器人视觉定位方法,其特征在于:所述S6还包括以下步骤:
S601:所述控制终端定位所述机器人的坐标位置;
S602:根据所述机器人实时坐标位置以及所述控制终端坐标位置,生成驱动所述机器人向所述控制终端移动的驱动指令并发送给所述机器人;
S603:所述机器人接收到所述驱动指令,驱动向所述控制终端移动;
S604:所述机器人将记录数据上传至所述控制终端,并驱动回原坐标位置。
8.根据权利要求1至7任意一项所述的一种外观零部件检测的机器人视觉定位方法,其特征在于:所述机器人包括:
拍照模块,用于标准图像和对比图像的采集;
图像处理识别模块,用于所述标准图像和对比图像的处理,生成亮斑轮廓线;
数据存储模块,用于存储待检测零部件的良品和不良品的数量以及图像信息;
GPS定位模块,用于所述控制终端定位机器人所在坐标位置;
驱动模块,用于所述机器人自动行走;
数据传送模块,用于数据存储模块向所述控制终端传送数据。
9.根据权利要求8所述的一种外观零部件检测的机器人视觉定位方法,其特征在于:所述图像处理识别模块还包括:
提取模块,用于再次读取图像处理识别模块识别的所述标准外观零部件亮斑轮廓线;
拟合模块,用于根据图像处理识别模块识别的亮斑轮廓线的参数对所述图像处理识别模块识别的待检测零部件图像的亮斑轮廓线进行拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241226.3A CN109927030A (zh) | 2019-03-28 | 2019-03-28 | 一种外观零部件检测的机器人视觉定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241226.3A CN109927030A (zh) | 2019-03-28 | 2019-03-28 | 一种外观零部件检测的机器人视觉定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109927030A true CN109927030A (zh) | 2019-06-25 |
Family
ID=66988607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910241226.3A Pending CN109927030A (zh) | 2019-03-28 | 2019-03-28 | 一种外观零部件检测的机器人视觉定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109927030A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310273A (zh) * | 2019-07-01 | 2019-10-08 | 南昌青橙视界科技有限公司 | 工业装配场景中的设备核检方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403708A (zh) * | 2008-10-31 | 2009-04-08 | 广东正业科技有限公司 | 一种电路板外观缺陷检查方法 |
CN103706571A (zh) * | 2013-12-27 | 2014-04-09 | 西安航天精密机电研究所 | 一种视觉定位分拣方法 |
KR20140077010A (ko) * | 2012-12-13 | 2014-06-23 | 범아유니텍(주) | 테이퍼베어링용 테이퍼롤러의 자동계측 비젼 분류장치 |
CN105729472A (zh) * | 2016-04-19 | 2016-07-06 | 惠州先进制造产业技术研究中心有限公司 | 一种基于机器视觉的球泡灯分拣和装箱系统及方法 |
CN107138431A (zh) * | 2017-05-27 | 2017-09-08 | 武汉理工大学 | 一种基于机器视觉的零部件识别分选方法及系统 |
CN107543827A (zh) * | 2016-06-23 | 2018-01-05 | 由田新技股份有限公司 | 光学检测系统 |
CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
CN108636830A (zh) * | 2018-05-10 | 2018-10-12 | 苏州大学 | 基于机器视觉的胶囊缺陷检测分拣的方法、装置及设备 |
-
2019
- 2019-03-28 CN CN201910241226.3A patent/CN109927030A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403708A (zh) * | 2008-10-31 | 2009-04-08 | 广东正业科技有限公司 | 一种电路板外观缺陷检查方法 |
KR20140077010A (ko) * | 2012-12-13 | 2014-06-23 | 범아유니텍(주) | 테이퍼베어링용 테이퍼롤러의 자동계측 비젼 분류장치 |
CN103706571A (zh) * | 2013-12-27 | 2014-04-09 | 西安航天精密机电研究所 | 一种视觉定位分拣方法 |
CN105729472A (zh) * | 2016-04-19 | 2016-07-06 | 惠州先进制造产业技术研究中心有限公司 | 一种基于机器视觉的球泡灯分拣和装箱系统及方法 |
CN107543827A (zh) * | 2016-06-23 | 2018-01-05 | 由田新技股份有限公司 | 光学检测系统 |
CN107138431A (zh) * | 2017-05-27 | 2017-09-08 | 武汉理工大学 | 一种基于机器视觉的零部件识别分选方法及系统 |
CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
CN108636830A (zh) * | 2018-05-10 | 2018-10-12 | 苏州大学 | 基于机器视觉的胶囊缺陷检测分拣的方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
潘武等: "基于机器视觉的工件的在线检测", 《组合机床与自动化加工技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310273A (zh) * | 2019-07-01 | 2019-10-08 | 南昌青橙视界科技有限公司 | 工业装配场景中的设备核检方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103831253B (zh) | 基于dsp机器视觉的太阳能硅片表面检测装置及方法 | |
CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测系统 | |
CN105548216B (zh) | 一种半成品电池外观视觉检测方法 | |
EP3482192A1 (en) | System and method for combined automatic and manual inspection | |
CN107144992A (zh) | 基于aoi技术的全自动化lcd检测控制系统及方法 | |
CN107271447A (zh) | 一种基于机器视觉的plc外观及指示灯状态检测装置 | |
CN215449031U (zh) | 一种软包电池表面缺陷检测设备 | |
WO2020103310A1 (zh) | 一种口罩缺陷检测装置及方法 | |
CN110333689A (zh) | 一种用于包装码垛生产线的物联网数据采集分析系统 | |
CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
CN102494773A (zh) | 机器视觉系统对按扣色差的自动检测方法 | |
CN105548950A (zh) | 一种智能电能表在线检测装置及方法 | |
CN113588653A (zh) | 一种检测和追踪铝用阳极炭块质量的系统及方法 | |
CN117649404A (zh) | 一种基于图像数据分析的药品包装盒质量检测方法及系统 | |
TW202219494A (zh) | 缺陷檢測方法及檢測裝置 | |
CN112964732A (zh) | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 | |
CN109927030A (zh) | 一种外观零部件检测的机器人视觉定位方法 | |
CN115376074A (zh) | 输电线路监拍装置识别效果评估方法及系统 | |
CN208092793U (zh) | 瓷层缺陷的检测平台 | |
CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
CN102303019B (zh) | 机器视觉系统对注射器针筒刻度的自动检测方法 | |
CN1945600A (zh) | 一种标识检测系统及其检测方法 | |
CN114047195A (zh) | 一种新能源电池帽缺陷检测方法和系统 | |
Lin et al. | Enhancing the quality inspection process in the food manufacturing industry through automation | |
CN114577816A (zh) | 一种氢燃料双极板检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190625 |
|
WD01 | Invention patent application deemed withdrawn after publication |