CN110057828A - 一种基于机器视觉的表面检测方法及系统 - Google Patents

一种基于机器视觉的表面检测方法及系统 Download PDF

Info

Publication number
CN110057828A
CN110057828A CN201910349695.7A CN201910349695A CN110057828A CN 110057828 A CN110057828 A CN 110057828A CN 201910349695 A CN201910349695 A CN 201910349695A CN 110057828 A CN110057828 A CN 110057828A
Authority
CN
China
Prior art keywords
image
examined object
measured
area
machine vision
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
CN201910349695.7A
Other languages
English (en)
Inventor
张浩川
戴凌峰
余荣
孔令帅
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 CN201910349695.7A priority Critical patent/CN110057828A/zh
Publication of CN110057828A publication Critical patent/CN110057828A/zh
Pending legal-status Critical Current

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Abstract

本申请公开了一种基于机器视觉的表面检测方法，通过获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；处理表面图像，确定待测区域图像；分析待测区域图像，得到待检测物体是否存在表面缺陷的检测结果。本申请中的上表面图像由面阵相机采集、侧面图像由线阵相机采集，从而得到待检测物体的表面图像，对表面图像进行处理，确定待测区域图像后，根据待测区域图像，便可以得到待检测物体是否存在表面缺陷的检测结果，可见，只需面阵相机和线阵相机即可得到待检测物体的表面图像，即表面图像由一张上表面图像和一张侧面图像组成，有效减少图像数量，提高检测效率。此外，本申请还提供一种具有上述优点的检测系统。

Description

一种基于机器视觉的表面检测方法及系统
技术领域
本申请涉及机器视觉检测技术领域，特别是涉及一种基于机器视觉的表面检测方法及系统。
背景技术
塑料泵体、金属泵体等结构复杂的泵体，在人们的生活中有着广泛的应用，尤其是塑料泵体，因其具有密度低、耐化学腐蚀等优点，在农业喷淋、化学制造、食品加工等行业中有着广泛的应用。塑料泵体的加工方法主要有挤出成型、注射成型、吹塑成型以及压制成型，其中大部分塑料泵体是通过注射成型完成的。塑料注射成型工序中，成型的材料、模具以及制作手法等原因都有可能产生对成品质量的影响，因此注射成型的塑料泵体表面往往会存在一定的缺陷。
为了提高产品的质量，需要对结构复杂的泵体表面进行缺陷检测，挑选出不合格的产品。由于泵体结构复杂，现有的缺陷检测中，需要在泵体的周围部署十几个相机，对泵体的各个方位全面拍照检测，采集多张图片，需要多个算法并行检测，检测时间长，检测效率低，同时，硬件成本高，导致检测成本高。
发明内容
本申请的目的是提供一种基于机器视觉的表面检测方法及系统，以提高检测效率，同时减少测试成本。
为解决上述技术问题，本申请提供一种基于机器视觉的表面检测方法，包括：
获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；
处理所述表面图像，确定待测区域图像；
分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果。
可选的，所述分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果包括：
提取所述待测区域图像的特征点，得到所述待测区域图像的特征向量；
将所述特征向量与标准图像的标准特征向量进行匹配，得到匹配概率；
根据所述匹配概率与设定阈值的关系，确定所述待检测物体是否存在表面缺陷的检测结果。
可选的，所述根据所述匹配概率与设定阈值的关系，确定所述待检测物体是否存在表面缺陷的检测结果包括：
若所述匹配概率小于所述设定阈值，提取所述待测区域图像的局部特征和全局特征；
根据所述局部特征和所述全局特征，构建特征库；
将所述特征库与预设特征分类模型进行对比评估，得到评估值，其中，所述预设特征分类模型是由SVM和KNN两种算法分别构建的初级特征分类模型，按照各自的权重融合而成的分类模型；
当所述评估值大于或等于评估阈值时，确定所述待检测物体不存在表面缺陷；
当所述评估值小于所述评估阈值时，确定所述待检测物体存在表面缺陷。
可选的，所述处理所述表面图像，确定待测区域图像包括：
处理所述表面图像，得到表面灰度图像；
对所述表面灰度图像进行分割，确定所述待测区域图像。
可选的，所述对所述表面灰度图像进行分割，确定所述待测区域图像包括：
对所述表面灰度图像进行滤波处理，得到预处理图像；
对所述预处理图像进行分割，确定所述待测区域图像。
可选的，在所述根据所述待测区域图像，对所述待检测物体进行分类检测，得到所述大检测物体的表面是否存在缺陷的检测结果之后，还包括：
存储所述检测结果。
可选的，所述上表面图像是在球积分光源开启下采集得到，其中，所述球积分光源位于所述面阵相机与所述待检测物体之间。
可选的，所述侧面图像是在条形光源开启下采集得到，其中，所述条形光源的位置与所述线阵相机的位置关于所述待检测物体的中心对称。
本申请还提供一种基于机器视觉的表面检测系统，包括：
面阵相机，用于采集待检测物体的上表面图像；
线阵相机，用于采集所述待检测物体的侧面图像；
表面缺陷检测设备，用于获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；处理所述表面图像，确定待测区域图像；分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果。
可选的，还包括：
旋转圆盘，用于线阵相机采集所述侧面图像时，控制待检测物体的旋转速率。
本申请所提供的基于机器视觉的表面检测方法，通过获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；处理所述表面图像，确定待测区域图像；分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果。可见，本申请中的上表面图像由面阵相机采集、侧面图像由线阵相机采集，便得到待检测物体的表面图像，对表面图像进行处理，确定待测区域图像后，根据待测区域图像，对待检测物体进行检测，便可以得到待检测物体的表面是否存在缺陷的检测结果，只需面阵相机和线阵相机即可得到待检测物体的表面图像，即表面图像由一张上表面图像和一张侧面图像组成，有效减少了图像的数量，提高检测效率，同时减少测试成本。此外，本申请还提供一种具有上述优点的检测系统。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种基于机器视觉的表面检测方法的流程图；
图2为本申请实施例所提供的另一种基于机器视觉的表面检测方法的流程图；
图3为本申请实施例所提供的另一种基于机器视觉的表面检测方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
正如背景技术部分所述，现有技术中对形状结构复杂的待检测物体的表面进行机器视觉检测时，需要很多台相机对待检测物体的各个方位进行全面拍照，采集多张图片，需要多个算法并行检测，检测时间长，检测效率低，同时，硬件成本高，导致检测成本高。
有鉴于此，本申请提供一种基于机器视觉的表面检测方法，请参考图1，图1为本申请实施例所提供的一种基于机器视觉的表面检测方法的流程图，该方法包括：
步骤S101：获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；
需要指出的是，面阵相机和线阵相机的数量各为一台。进一步地，面阵相机位于待检测物体的正上方，以保证可以采集到的上表面图像为完整的待检测物体的上表面的图像；线阵相机位于待检测物体的正侧方，保证采集到的侧面图像包括完整的待检测物体的侧面的图像；当还需要获取待检测物体的下表面时，可以将线阵相机置于待检测物体侧下方的位置，使线阵相机采集到的图像既包括待检测物体的侧面图像又包括待检测物体的下表面图像。
需要说明的是，上表面图像为彩色图像，侧面图像也为彩色图像，即表面图像包括两张彩色的图像。
步骤S102：处理所述表面图像，确定待测区域图像；
具体的，该步骤包括：
S1021：处理所述表面图像，得到表面灰度图像；
具体的，根据下述公式将表面图像转换为灰度图像；
Gray＝0.39×R+0.5×G+0.11×B (1)
其中，Gray表示灰度图像的灰度值，R表示表面图像中每个像素点中红色像素值，G表示表面图像中每个像素点中绿色像素值，B表示表面图像中每个像素点中蓝色像素值。
S1022：对所述表面灰度图像进行分割，确定所述待测区域图像。
具体的，利用阈值分割法对表面灰度图像进行分割，确定待测区域图像。
需要指出的是，本实施例中对采用的阈值分割法中的具体方式不做限定，视情况而定，例如，可以采用迭代阈值分割，或者最大熵阈值分割，或者Otsu阈值分割，等等。
步骤S103：分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果。
本实施例所提供的基于机器视觉的表面检测方法，通过获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；处理所述表面图像，确定待测区域图像；分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果。可见，本实施例中的上表面图像由面阵相机采集、侧面图像由线阵相机采集，便得到待检测物体的表面图像，对表面图像进行处理，确定待测区域图像后，根据待测区域图像，对待检测物体进行检测，便可以得到待检测物体的表面是否存在缺陷的检测结果，只需面阵相机和线阵相机即可得到待检测物体的表面图像，即表面图像由一张上表面图像和一张侧面图像组成，有效减少了图像的数量，提高检测效率，同时减少测试成本。
具体的，在上述实施例的基础上，在本申请的一个实施例中，所述对所述表面灰度图像进行分割，确定所述待测区域图像包括：
对所述表面灰度图像进行滤波处理，得到预处理图像；
具体的，采用非线性中值滤波法对表面灰度图像进行滤波处理。
对所述预处理图像进行分割，确定所述待测区域图像。
本实施例所提供的基于机器视觉的表面检测方法，在得到灰度图像后，对表面灰度图像进行滤波处理，消除表面灰度图像中因机械运动、光等因素产生的噪声，提高得到的预处理图像的清晰度，进而提高待测区域图像的清晰度，使待检测物体是否存在表面缺陷的检测结果更加准确。
优选地，在本申请的一个实施例中，在所述根据所述待测区域图像，对所述待检测物体进行分类检测，得到所述大检测物体的表面是否存在缺陷的检测结果之后，还包括：
存储所述检测结果，以便后期需要查询检测结果时，可以对历史检测结果进行查询。
请参考图2，图2为本申请实施例所提供的一种基于机器视觉的表面检测方法的流程图，该方法包括：
步骤S201：获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；
步骤S202：处理所述表面图像，确定待测区域图像；
步骤S203：提取所述待测区域图像的特征点，得到所述待测区域图像的特征向量；
需要说明的是，本实施例中对提取待测区域图像的特征点的提取方法不做限定，视情况而定。例如，可以采用SURF(Speeded Up Robust Features)算法，或者SIFT(Scale-invariant Feature Transform)算法，或者ORB(Oriented FAST and Rotated BRIEF)算法，等等。
步骤S204：将所述特征向量与标准图像的标准特征向量进行匹配，得到匹配概率；
需要指出的是，标准图像即待检测物体不存在表面缺陷时采集到的图像。
步骤S205：根据所述匹配概率与设定阈值的关系，确定所述待检测物体是否存在表面缺陷的检测结果。
具体的，当匹配概率大于或等于设定阈值时，表明待检测物体不存在表面缺陷；当匹配概率小于设定阈值时，待检测物体是否存在表面缺陷需要进一步进行检测，具体检测过程在下文进行阐述。
请参考图3，图3为本申请实施例所提供的一种基于机器视觉的表面检测方法的流程图，该方法包括：
步骤S301：获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；
步骤S302：处理所述表面图像，确定待测区域图像；
步骤S303：提取所述待测区域图像的特征点，得到所述待测区域图像的特征向量；
步骤S304：将所述特征向量与标准图像的标准特征向量进行匹配，得到匹配概率；
步骤S305：若所述匹配概率小于所述设定阈值，提取所述待测区域图像的局部特征和全局特征；
具体的，从待测区域图像的边、角、脊等多方位进行局部特征和全局特征的提取。
需要指出的是，本实施例中对特征提取算法不做具体限定，视情况而定。例如，可以采用LBP(Local Binary Patterns)特征提取算法、HOG(Histogram of OrientedGradient)特征提取算法、LOG(Laplacian of Gaussian)特征提取算法，等等。
步骤S306：根据所述局部特征和所述全局特征，构建特征库；
具体的，利用特征提取算法组合成特征库。
可选的，选择最优的局部特征和全局特征的数目和种类，并降低特性向量维度。
步骤S307：将所述特征库与预设特征分类模型进行对比评估，得到评估值，其中，所述预设特征分类模型是由SVM和KNN两种算法分别构建的初级特征分类模型，按照各自的权重融合而成的分类模型；
具体的，由已知数量的不存在表面缺陷的图像和已知数量的存在表面缺陷的图像，分别根据SVM(Support Vecor Machine)和KNN(K-Nearest Neighbor)两种算法，构建出两个初级特征分类模型，为了防止由单一算法构建的初级特征分类模型存在过拟合，再分别赋予两个算法权重，将两个初级特征分类模型按照对应的权重进行融合，得到预设特征分类模型。
需要指出的是，本实施例中对构建预设特征分类模型的过程中所使用的算法的种类和数量不做具体限定，可自行选择。选择使用的算法数量越多，当特征库与预设特征分类模型进行对比评估得到的评估值越准确，使得判定待检测物体是否存在表面缺陷更加准确。
步骤S308：当所述评估值大于或等于评估阈值时，确定所述待检测物体不存在表面缺陷；
步骤S309：当所述评估值小于所述评估阈值时，确定所述待检测物体存在表面缺陷。
本实施中对匹配概率小于设定阈值的待测区域图像进行进一步检测，更加准确的确定待检测物体是否存在表面缺陷，提高了表面缺陷检测的准确率。
在上述任一实施例的基础上，在本申请的一个实施例中，所述上表面图像是在球积分光源开启下采集得到，其中，所述球积分光源位于所述面阵相机与所述待检测物体之间。采用球积分光源照射待检测物体，可以保证待检测物体上表面照度均匀，从而使得面阵相机采集到的上表面图像各处亮度均匀，消除多光源照射出现的反光情况，使得对待测区域图像检测时更加稳定。
在上述任一实施例的基础上，在本申请的一个实施例中，所述侧面图像是在条形光源开启下采集得到，其中，所述条形光源的位置与所述线阵相机的位置关于所述待检测物体的中心对称。采用条形光源照射待检测物体，可以使得线阵相机采集到的侧面图像更加清晰，使得对待测区域图像检测时更加准确。
具体的，条形光源为长条状的光源，线阵相机与条形光源的连线经过待检测物体的中心。
本申请还提供一种基于机器视觉的表面检测系统，包括：
面阵相机，用于采集待检测物体的上表面图像；
线阵相机，用于采集所述待检测物体的侧面图像；
表面缺陷检测设备，用于获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；处理所述表面图像，确定待测区域图像；分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果。
本实施例所提供的基于机器视觉的表面检测系统，通过面阵相机采集待检测物体的上表面图像，线阵相机采集所述待检测物体的侧面图像，表面缺陷检测设备获取上表面图像和侧面图像，即获取表面图像，处理所述表面图像，确定待测区域图像，进而分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果，只需面阵相机和线阵相机即可得到待检测物体的表面图像，即表面图像由一张上表面图像和一张侧面图像组成，有效减少了图像的数量，提高检测效率，同时减少测试成本。
在上述实施例的基础上，在本申请的一个实施例中，基于机器视觉的表面检测系统，还包括：
旋转圆盘，用于线阵相机采集所述侧面图像时，控制待检测物体的旋转速率。
由于线阵相机采集待检测物体的整个侧面图像，线阵相机位置固定时，可以将待检测物体置于旋转圆盘上，通过控制旋转圆盘的转动控制待检测物体进行旋转，从而使得线阵相机采集待检测物体的整个侧面图像。
具体的，还可以根据下述公式线阵相机参数计算线阵相机线扫描速率，可通过调整圆盘的旋转速率，控制检测速度。
Vc＝Hc×Vo Lo(2)
其中，Vc为线阵相机线扫描速率，Hc为线阵相机的每线像素数，Vo为待检测物体旋转速率，Lo为待检测物体的宽幅。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上对本申请所提供的基于机器视觉的表面检测方法以及系统进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种基于机器视觉的表面检测方法，其特征在于，包括：
获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；
处理所述表面图像，确定待测区域图像；
分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果。
2.如权利要求1所述的基于机器视觉的表面检测方法，其特征在于，所述分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果包括：
提取所述待测区域图像的特征点，得到所述待测区域图像的特征向量；
将所述特征向量与标准图像的标准特征向量进行匹配，得到匹配概率；
根据所述匹配概率与设定阈值的关系，确定所述待检测物体是否存在表面缺陷的检测结果。
3.如权利要求2所述的基于机器视觉的表面检测方法，其特征在于，所述根据所述匹配概率与设定阈值的关系，确定所述待检测物体是否存在表面缺陷的检测结果包括：
若所述匹配概率小于所述设定阈值，提取所述待测区域图像的局部特征和全局特征；
根据所述局部特征和所述全局特征，构建特征库；
将所述特征库与预设特征分类模型进行对比评估，得到评估值，其中，所述预设特征分类模型是由SVM和KNN两种算法分别构建的初级特征分类模型，按照各自的权重融合而成的分类模型；
当所述评估值大于或等于评估阈值时，确定所述待检测物体不存在表面缺陷；
当所述评估值小于所述评估阈值时，确定所述待检测物体存在表面缺陷。
4.如权利要求1所述的基于机器视觉的表面检测方法，其特征在于，所述处理所述表面图像，确定待测区域图像包括：
处理所述表面图像，得到表面灰度图像；
对所述表面灰度图像进行分割，确定所述待测区域图像。
5.如权利要求4所述的基于机器视觉的表面检测方法，其特征在于，所述对所述表面灰度图像进行分割，确定所述待测区域图像包括：
对所述表面灰度图像进行滤波处理，得到预处理图像；
对所述预处理图像进行分割，确定所述待测区域图像。
6.如权利要求1所述的基于机器视觉的表面检测方法，其特征在于，在所述根据所述待测区域图像，对所述待检测物体进行分类检测，得到所述大检测物体的表面是否存在缺陷的检测结果之后，还包括：
存储所述检测结果。
7.如权利要求1至6任一项所述的基于机器视觉的表面检测方法，其特征在于，所述上表面图像是在球积分光源开启下采集得到，其中，所述球积分光源位于所述面阵相机与所述待检测物体之间。
8.如权利要求7所述的基于机器视觉的表面检测方法，其特征在于，所述侧面图像是在条形光源开启下采集得到，其中，所述条形光源的位置与所述线阵相机的位置关于所述待检测物体的中心对称。
9.一种基于机器视觉的表面检测系统，其特征在于，包括：
面阵相机，用于采集待检测物体的上表面图像；
线阵相机，用于采集所述待检测物体的侧面图像；
表面缺陷检测设备，用于获取包括由面阵相机采集的上表面图像和线阵相机采集的侧面图像的待检测物体的表面图像；处理所述表面图像，确定待测区域图像；分析所述待测区域图像，得到所述待检测物体是否存在表面缺陷的检测结果。
10.如权利要求9所述的基于机器视觉的表面检测系统，其特征在于，还包括：
旋转圆盘，用于线阵相机采集所述侧面图像时，控制待检测物体的旋转速率。
CN201910349695.7A 2019-04-28 2019-04-28 一种基于机器视觉的表面检测方法及系统 Pending CN110057828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910349695.7A CN110057828A (zh) 2019-04-28 2019-04-28 一种基于机器视觉的表面检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910349695.7A CN110057828A (zh) 2019-04-28 2019-04-28 一种基于机器视觉的表面检测方法及系统

Publications (1)

Publication Number Publication Date
CN110057828A true CN110057828A (zh) 2019-07-26

Family

ID=67319485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910349695.7A Pending CN110057828A (zh) 2019-04-28 2019-04-28 一种基于机器视觉的表面检测方法及系统

Country Status (1)

Country Link
CN (1) CN110057828A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599484A (zh) * 2019-09-19 2019-12-20 京东方科技集团股份有限公司 缺陷检测方法、装置及存储介质
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
CN110987954A (zh) * 2019-12-30 2020-04-10 江南大学 一种消除皮革表面缺陷检测盲区的方法及系统
CN111257340A (zh) * 2020-03-27 2020-06-09 河海大学常州校区 一种精密相机模组的表面缺陷检测装置
CN111696095A (zh) * 2020-06-12 2020-09-22 北京百度网讯科技有限公司 用于检测物体表面缺陷的方法及装置
CN113218955A (zh) * 2021-05-06 2021-08-06 宁波星帆信息科技有限公司 一种检测装置及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447512A (zh) * 2015-11-13 2016-03-30 中国科学院自动化研究所 一种精粗结合的光学表面缺陷的检测方法及装置
CN106127758A (zh) * 2016-06-21 2016-11-16 四川大学 一种基于虚拟现实技术的视觉检测方法及装置
KR20170090697A (ko) * 2016-01-29 2017-08-08 신안산대학교 산학협력단 볼트 측면 비전 검사 수단을 포함하는 회전 낙하식 볼트 선별장치
CN206515253U (zh) * 2017-03-07 2017-09-22 西安获德图像技术有限公司 管纱外观自动检测系统
CN107966454A (zh) * 2017-12-25 2018-04-27 陕西科技大学 一种基于fpga的端塞缺陷检测装置及检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447512A (zh) * 2015-11-13 2016-03-30 中国科学院自动化研究所 一种精粗结合的光学表面缺陷的检测方法及装置
KR20170090697A (ko) * 2016-01-29 2017-08-08 신안산대학교 산학협력단 볼트 측면 비전 검사 수단을 포함하는 회전 낙하식 볼트 선별장치
CN106127758A (zh) * 2016-06-21 2016-11-16 四川大学 一种基于虚拟现实技术的视觉检测方法及装置
CN206515253U (zh) * 2017-03-07 2017-09-22 西安获德图像技术有限公司 管纱外观自动检测系统
CN107966454A (zh) * 2017-12-25 2018-04-27 陕西科技大学 一种基于fpga的端塞缺陷检测装置及检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王时丽等: "基于机器视觉的钢轨表面缺陷三维检测方法", 《微型机与应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599484A (zh) * 2019-09-19 2019-12-20 京东方科技集团股份有限公司 缺陷检测方法、装置及存储介质
CN110599484B (zh) * 2019-09-19 2023-01-10 京东方科技集团股份有限公司 缺陷检测方法、装置及存储介质
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
CN110987954A (zh) * 2019-12-30 2020-04-10 江南大学 一种消除皮革表面缺陷检测盲区的方法及系统
CN111257340A (zh) * 2020-03-27 2020-06-09 河海大学常州校区 一种精密相机模组的表面缺陷检测装置
CN111257340B (zh) * 2020-03-27 2022-11-22 河海大学常州校区 一种精密相机模组的表面缺陷检测装置
CN111696095A (zh) * 2020-06-12 2020-09-22 北京百度网讯科技有限公司 用于检测物体表面缺陷的方法及装置
CN111696095B (zh) * 2020-06-12 2023-08-08 北京百度网讯科技有限公司 用于检测物体表面缺陷的方法及装置
CN113218955A (zh) * 2021-05-06 2021-08-06 宁波星帆信息科技有限公司 一种检测装置及方法

Similar Documents

Publication Publication Date Title
CN110057828A (zh) 一种基于机器视觉的表面检测方法及系统
Li et al. Automatic pavement crack detection by multi-scale image fusion
CN107133948B (zh) 基于多任务卷积神经网络的图像模糊与噪声评测方法
US8983200B2 (en) Object segmentation at a self-checkout
Ramesh et al. Isolation and two-step classification of normal white blood cells in peripheral blood smears
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
EP3499414A1 (en) Lightweight 3d vision camera with intelligent segmentation engine for machine vision and auto identification
Laga et al. Image-based plant stornata phenotyping
CN110335233B (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN109871821A (zh) 自适应网络的行人重识别方法、装置、设备及存储介质
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN109035196A (zh) 基于显著性的图像局部模糊检测方法
CN111383244A (zh) 一种目标检测跟踪方法
Kuo et al. Improving defect inspection quality of deep-learning network in dense beans by using hough circle transform for coffee industry
KR101929669B1 (ko) 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치
US11436506B2 (en) Method and devices for determining metrology sites
CN117218633A (zh) 一种物品检测方法、装置、设备及存储介质
Rezaei et al. A-contrario framework for detection of alterations in varnished surfaces
Gan et al. A statistical approach in enhancing the volume prediction of ellipsoidal ham
Rezaei et al. One step clustering based on a-contrario framework for detection of alterations in historical violins
CN114549513A (zh) 零件识别方法、装置、质检方法、电子设备及存储介质
Yu et al. Multimodal urban remote sensing image registration via roadcross triangular feature
Csillik Superpixels: The end of pixels in obia. A comparison of stat-of-the-art superpixel methods for remote sensing data
Mandal et al. Detection of concave points in closed object boundaries aiming at separation of overlapped objects
Xu et al. Find the centroid: A vision‐based approach for optimal object grasping

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190726

RJ01 Rejection of invention patent application after publication