CN110097548A - 一种基于机器视觉的钻孔缺陷检测系统及其检测方法 - Google Patents
一种基于机器视觉的钻孔缺陷检测系统及其检测方法 Download PDFInfo
- Publication number
- CN110097548A CN110097548A CN201910379951.7A CN201910379951A CN110097548A CN 110097548 A CN110097548 A CN 110097548A CN 201910379951 A CN201910379951 A CN 201910379951A CN 110097548 A CN110097548 A CN 110097548A
- Authority
- CN
- China
- Prior art keywords
- image
- borehole
- function
- composograph
- drilling
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000005553 drilling Methods 0.000 title claims abstract description 25
- 238000007493 shaping process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 18
- 230000001131 transforming effect Effects 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000011946 reduction process Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000574 ganglionic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
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
-
- G06T5/70—
-
- 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
- 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
- G01N2021/888—Marking defects
-
- 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
-
- 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
Abstract
本发明公开了一种基于机器视觉的钻孔缺陷检测系统,包括图像采集模块,用于采集钻孔图像;图像预处理模块,用于对采集的钻孔图像进行预处理;图像分层模块,用于对预处理后的钻孔图像进行分层处理;缺陷检测模块,用于检测分层后的钻孔图像中的缺陷区域。本发明能够改进现有技术的不足,在保证检测精度的同时减少了运算量,提高了检测速度。
Description
技术领域
本发明涉及机器视觉技术领域,尤其是一种基于机器视觉的钻孔缺陷检测系统及其检测方法。
背景技术
在自动化产线中,对于钻孔的检测通常采用机器视觉检测的方式进行。由于钻孔加工面上存在大量毛刺等干扰因素,导致图像处理运算量大,直接影响到了整个自动化产线的效率。
发明内容
本发明要解决的技术问题是提供一种基于机器视觉的钻孔缺陷检测系统及其检测方法,能够解决现有技术的不足,在保证检测精度的同时减少了运算量,提高了检测速度。
为解决上述技术问题,本发明所采取的技术方案如下。
一种基于机器视觉的钻孔缺陷检测系统,包括,
图像采集模块,用于采集钻孔图像;
图像预处理模块,用于对采集的钻孔图像进行预处理;
图像分层模块,用于对预处理后的钻孔图像进行分层处理;
缺陷检测模块,用于检测分层后的钻孔图像中的缺陷区域。
一种上述的基于机器视觉的钻孔缺陷检测系统的检测方法,包括以下步骤:
A、图像采集模块分别采用平行于钻孔轴线和与钻孔轴线45°夹角的两个方向采集钻孔图像;
B、图像预处理模块将步骤A中采集的两张钻孔图像进行预处理,得到合成图像,降低采集过程中图像的畸变和噪声干扰;
C、图像分层模块将预处理后的合成图像进行分层处理,分为主轮廓层和表面细节层;
D、缺陷检测模块对主轮廓层中的缺陷区域进行标记。
作为优选,步骤B中,对两张钻孔图像进行预处理包括以下步骤,
B1、以两张钻孔图像的拍摄方向为基准,建立基准平面;
B2、以平行于基准平面的方向建立两张钻孔图像对应位置的变换函数集;
B3、将全部变换函数的分布状态拟合为正态分布,以位于数学期望μ位置上的变换函数作为目标函数,计算其它变换函数与目标函数之间的偏差量;
B4、将两张钻孔图像对应位置的图块偏差量与变换函数和目标函数之间的偏差量进行对比,选择与上述两种偏差量差异度的线性度较高的一张图块作为合成图像选用的图块;
B5、使用选择出的图块进行图像的合成,对合成图像进行平滑处理。
作为优选,步骤B中,根据不同变换函数的平均线性度判断两张钻孔图像的相对畸变率,若相对畸变率大于设定阈值,则以合成图像为基准对后续的钻孔图像拍摄参数进行调整。
作为优选,步骤C中,对合成图像进行分层处理包括以下步骤,
C1、以标准钻孔图像作为参考,将合成图像中钻孔的轮廓进行标记;
C2、对标记区域的边界进行分段,对每段边界进行三个不同方向的灰度变化检测,若至少两个方向上的灰度变化曲线符合设定的边界条件,则确定此边界段为实际边界段,否则对边界段的位置和方向进行调整,直至调整后的边界段符合上述边界条件;
C3、对重新确定的标记区域进行降噪处理,作为主轮廓层;
C4、将合成图像与主轮廓层做差,并将原主轮廓层使用步骤C中降噪处理删除的噪声图像代替得到表面细节层。
作为优选,步骤C3中,重新确定的标记区域进行降噪处理的方法为,
f(x,y)=h(x,y)*g(x,y)+η(x,y)
其中,g(x,y)为降噪前的图像函数,f(x,y)为降噪后的图像函数,h(x,y)为滤波函数,η(x,y)为校正函数,其中h(x,y)和η(x,y)线性相关。
作为优选,步骤D中,对主轮廓层中的缺陷区域进行标记包括以下步骤,
D1、对主轮廓层进行分块,每个图像块中至少包含两个边界段;
D2、若图像块中存在符合以下条件的封闭区域,则将此封闭区域标记为缺陷区域,
I>P1;
若图像块中存在附和一下条件的开放区域,则将此开放区域标记为缺陷区域,
H>P2;
其中,t(x,y)为封闭区域的亮度函数,t0(x,y)为图像块的亮度的变化率函数,P1和P2为设定阈值。
采用上述技术方案所带来的有益效果在于:本发明通过对钻孔图像进行具有针对性的预处理和分层,降低了钻孔加工面的干扰因素对缺陷判定的影响。然后通过建立不同条件下的缺陷鉴别函数,实现对于钻孔缺陷的准确、快速标记。
附图说明
图1是本发明一个具体实施方式的原理图。
具体实施方式
参照图1,本发明一个具体实施方式包括,
图像采集模块1,用于采集钻孔图像;
图像预处理模块2,用于对采集的钻孔图像进行预处理;
图像分层模块3,用于对预处理后的钻孔图像进行分层处理;
缺陷检测模块4,用于检测分层后的钻孔图像中的缺陷区域。
一种上述的基于机器视觉的钻孔缺陷检测系统的检测方法,包括以下步骤:
A、图像采集模块1分别采用平行于钻孔轴线和与钻孔轴线45°夹角的两个方向采集钻孔图像;
B、图像预处理模块2将步骤A中采集的两张钻孔图像进行预处理,得到合成图像,降低采集过程中图像的畸变和噪声干扰;
C、图像分层模块3将预处理后的合成图像进行分层处理,分为主轮廓层和表面细节层;
D、缺陷检测模块4对主轮廓层中的缺陷区域进行标记。
步骤B中,对两张钻孔图像进行预处理包括以下步骤,
B1、以两张钻孔图像的拍摄方向为基准,建立基准平面;
B2、以平行于基准平面的方向建立两张钻孔图像对应位置的变换函数集;
B3、将全部变换函数的分布状态拟合为正态分布,以位于数学期望μ位置上的变换函数作为目标函数,计算其它变换函数与目标函数之间的偏差量;
B4、将两张钻孔图像对应位置的图块偏差量与变换函数和目标函数之间的偏差量进行对比,选择与上述两种偏差量差异度的线性度较高的一张图块作为合成图像选用的图块;
B5、使用选择出的图块进行图像的合成,对合成图像进行平滑处理。
步骤B中,根据不同变换函数的平均线性度判断两张钻孔图像的相对畸变率,若相对畸变率大于设定阈值,则以合成图像为基准对后续的钻孔图像拍摄参数进行调整。
步骤C中,对合成图像进行分层处理包括以下步骤,
C1、以标准钻孔图像作为参考,将合成图像中钻孔的轮廓进行标记;
C2、对标记区域的边界进行分段,对每段边界进行三个不同方向的灰度变化检测,若至少两个方向上的灰度变化曲线符合设定的边界条件,则确定此边界段为实际边界段,否则对边界段的位置和方向进行调整,直至调整后的边界段符合上述边界条件;
C3、对重新确定的标记区域进行降噪处理,作为主轮廓层;
C4、将合成图像与主轮廓层做差,并将原主轮廓层使用步骤C中降噪处理删除的噪声图像代替得到表面细节层。
步骤C3中,重新确定的标记区域进行降噪处理的方法为,
f(x,y)=h(x,y)*g(x,y)+η(x,y)
其中,g(x,y)为降噪前的图像函数,f(x,y)为降噪后的图像函数,h(x,y)为滤波函数,η(x,y)为校正函数,其中h(x,y)和η(x,y)线性相关。
步骤D中,对主轮廓层中的缺陷区域进行标记包括以下步骤,
D1、对主轮廓层进行分块,每个图像块中至少包含两个边界段;
D2、若图像块中存在符合以下条件的封闭区域,则将此封闭区域标记为缺陷区域,
I>P1;
若图像块中存在附和一下条件的开放区域,则将此开放区域标记为缺陷区域,
H>P2;
其中,t(x,y)为封闭区域的亮度函数,t0(x,y)为图像块的亮度的变化率函数,P1和P2为设定阈值。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于机器视觉的钻孔缺陷检测系统,其特征在于:包括,
图像采集模块(1),用于采集钻孔图像;
图像预处理模块(2),用于对采集的钻孔图像进行预处理;
图像分层模块(3),用于对预处理后的钻孔图像进行分层处理;
缺陷检测模块(4),用于检测分层后的钻孔图像中的缺陷区域。
2.一种权利要求1所述的基于机器视觉的钻孔缺陷检测系统的检测方法,其特征在于包括以下步骤:
A、图像采集模块(1)分别采用平行于钻孔轴线和与钻孔轴线45°夹角的两个方向采集钻孔图像;
B、图像预处理模块(2)将步骤A中采集的两张钻孔图像进行预处理,得到合成图像,降低采集过程中图像的畸变和噪声干扰;
C、图像分层模块(3)将预处理后的合成图像进行分层处理,分为主轮廓层和表面细节层;
D、缺陷检测模块(4)对主轮廓层中的缺陷区域进行标记。
3.根据权利要求2所述的于机器视觉的钻孔缺陷检测系统的检测方法,其特征在于:步骤B中,对两张钻孔图像进行预处理包括以下步骤,
B1、以两张钻孔图像的拍摄方向为基准,建立基准平面;
B2、以平行于基准平面的方向建立两张钻孔图像对应位置的变换函数集;
B3、将全部变换函数的分布状态拟合为正态分布,以位于数学期望μ位置上的变换函数作为目标函数,计算其它变换函数与目标函数之间的偏差量;
B4、将两张钻孔图像对应位置的图块偏差量与变换函数和目标函数之间的偏差量进行对比,选择与上述两种偏差量差异度的线性度较高的一张图块作为合成图像选用的图块;
B5、使用选择出的图块进行图像的合成,对合成图像进行平滑处理。
4.根据权利要求3所述的于机器视觉的钻孔缺陷检测系统的检测方法,其特征在于:步骤B中,根据不同变换函数的平均线性度判断两张钻孔图像的相对畸变率,若相对畸变率大于设定阈值,则以合成图像为基准对后续的钻孔图像拍摄参数进行调整。
5.根据权利要求2所述的于机器视觉的钻孔缺陷检测系统的检测方法,其特征在于:步骤C中,对合成图像进行分层处理包括以下步骤,
C1、以标准钻孔图像作为参考,将合成图像中钻孔的轮廓进行标记;
C2、对标记区域的边界进行分段,对每段边界进行三个不同方向的灰度变化检测,若至少两个方向上的灰度变化曲线符合设定的边界条件,则确定此边界段为实际边界段,否则对边界段的位置和方向进行调整,直至调整后的边界段符合上述边界条件;
C3、对重新确定的标记区域进行降噪处理,作为主轮廓层;
C4、将合成图像与主轮廓层做差,并将原主轮廓层使用步骤C中降噪处理删除的噪声图像代替得到表面细节层。
6.根据权利要求5所述的于机器视觉的钻孔缺陷检测系统的检测方法,其特征在于:步骤C3中,重新确定的标记区域进行降噪处理的方法为,
f(x,y)=h(x,y)*g(x,y)+η(x,y)
其中,g(x,y)为降噪前的图像函数,f(x,y)为降噪后的图像函数,h(x,y)为滤波函数,η(x,y)为校正函数,其中h(x,y)和η(x,y)线性相关。
7.根据权利要求5所述的于机器视觉的钻孔缺陷检测系统的检测方法,其特征在于:步骤D中,对主轮廓层中的缺陷区域进行标记包括以下步骤,
D1、对主轮廓层进行分块,每个图像块中至少包含两个边界段;
D2、若图像块中存在符合以下条件的封闭区域,则将此封闭区域标记为缺陷区域,
I>P1;
若图像块中存在附和一下条件的开放区域,则将此开放区域标记为缺陷区域,
H>P2;
其中,t(x,y)为封闭区域的亮度函数,t0(x,y)为图像块的亮度的变化率函数,P1和P2为设定阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910379951.7A CN110097548B (zh) | 2019-05-08 | 2019-05-08 | 一种基于机器视觉的钻孔缺陷检测系统及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910379951.7A CN110097548B (zh) | 2019-05-08 | 2019-05-08 | 一种基于机器视觉的钻孔缺陷检测系统及其检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097548A true CN110097548A (zh) | 2019-08-06 |
CN110097548B CN110097548B (zh) | 2021-01-15 |
Family
ID=67447368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910379951.7A Active CN110097548B (zh) | 2019-05-08 | 2019-05-08 | 一种基于机器视觉的钻孔缺陷检测系统及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097548B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931651A (zh) * | 2020-08-11 | 2020-11-13 | 北华航天工业学院 | 一种视觉检测图像处理系统及其处理方法 |
CN112683906A (zh) * | 2020-12-25 | 2021-04-20 | 红云红河烟草(集团)有限责任公司 | 一种滤棒中线胶检测系统及方法 |
CN114170132A (zh) * | 2021-10-20 | 2022-03-11 | 中国航发四川燃气涡轮研究院 | 一种基于机器视觉的流量管静压孔质量检测方法及系统 |
CN117274254A (zh) * | 2023-11-21 | 2023-12-22 | 广州广合科技股份有限公司 | 一种pcb板背钻孔质量无损检测与缺陷判定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069790A (zh) * | 2015-08-06 | 2015-11-18 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
EP3466576A1 (en) * | 2017-10-04 | 2019-04-10 | Airbus Operations, S.L. | Automatic drilling machine for drilling in one-shot at least two holes in a crosspiece structure |
CN109658381A (zh) * | 2018-11-16 | 2019-04-19 | 华南理工大学 | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 |
CN109671052A (zh) * | 2018-11-16 | 2019-04-23 | 华南理工大学 | 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法 |
-
2019
- 2019-05-08 CN CN201910379951.7A patent/CN110097548B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069790A (zh) * | 2015-08-06 | 2015-11-18 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
EP3466576A1 (en) * | 2017-10-04 | 2019-04-10 | Airbus Operations, S.L. | Automatic drilling machine for drilling in one-shot at least two holes in a crosspiece structure |
CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
CN109658381A (zh) * | 2018-11-16 | 2019-04-19 | 华南理工大学 | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 |
CN109671052A (zh) * | 2018-11-16 | 2019-04-23 | 华南理工大学 | 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法 |
Non-Patent Citations (1)
Title |
---|
陈绪超: "高密度柔性基板视觉检测中的图像分割与圆孔检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931651A (zh) * | 2020-08-11 | 2020-11-13 | 北华航天工业学院 | 一种视觉检测图像处理系统及其处理方法 |
CN111931651B (zh) * | 2020-08-11 | 2024-01-30 | 北华航天工业学院 | 一种视觉检测图像处理系统及其处理方法 |
CN112683906A (zh) * | 2020-12-25 | 2021-04-20 | 红云红河烟草(集团)有限责任公司 | 一种滤棒中线胶检测系统及方法 |
CN112683906B (zh) * | 2020-12-25 | 2023-08-04 | 红云红河烟草(集团)有限责任公司 | 一种滤棒中线胶检测系统及方法 |
CN114170132A (zh) * | 2021-10-20 | 2022-03-11 | 中国航发四川燃气涡轮研究院 | 一种基于机器视觉的流量管静压孔质量检测方法及系统 |
CN114170132B (zh) * | 2021-10-20 | 2023-05-05 | 中国航发四川燃气涡轮研究院 | 一种基于机器视觉的流量管静压孔质量检测方法及系统 |
CN117274254A (zh) * | 2023-11-21 | 2023-12-22 | 广州广合科技股份有限公司 | 一种pcb板背钻孔质量无损检测与缺陷判定方法 |
CN117274254B (zh) * | 2023-11-21 | 2024-04-19 | 广州广合科技股份有限公司 | 一种pcb板背钻孔质量无损检测与缺陷判定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110097548B (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097548A (zh) | 一种基于机器视觉的钻孔缺陷检测系统及其检测方法 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
CN102455171B (zh) | 一种激光拼焊焊缝背面几何形貌检测方法 | |
CN106204610A (zh) | 基于图像处理的轴孔装配自动对中系统 | |
CN109035195A (zh) | 一种织物疵点检测方法 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN115375686A (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN114279357A (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
CN116718616B (zh) | 一种用于瑕疵检测的机器视觉检测系统及检测方法 | |
CN106355597A (zh) | 基于单目视觉的钢板折角自动测量机器人图像处理方法 | |
CN116990323A (zh) | 一种高精密印刷版视觉检测系统 | |
CN109387524A (zh) | 基于线性偏振光的螺纹缺陷检测方法及装置 | |
CN116539620A (zh) | 一种刀具表面缺陷在机检测方法 | |
Fu et al. | Medicine glass bottle defect detection based on machine vision | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN114581444A (zh) | 基于图像处理的玻璃盖打磨工艺监测方法 | |
CN106767467A (zh) | 一种基于机器视觉的可转位刀片钝圆检测系统 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN116258838B (zh) | 一种用于管片模具合模系统的智能视觉引导方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230727 Address after: 065000 No. 14, row 4, Nanying village, economic and Technological Development Zone, Langfang City, Hebei Province Patentee after: Langfang Langrui Technology Co.,Ltd. Address before: 065000 Langfang City, Hebei province Guangyang District Edmonton East Road No. 133 Patentee before: NORTH CHINA INSTITUTE OF AEROSPACE ENGINEERING |
|
TR01 | Transfer of patent right |