CN110108724A - 条状工件视觉检测系统 - Google Patents

条状工件视觉检测系统 Download PDF

Info

Publication number
CN110108724A
CN110108724A CN201910320826.9A CN201910320826A CN110108724A CN 110108724 A CN110108724 A CN 110108724A CN 201910320826 A CN201910320826 A CN 201910320826A CN 110108724 A CN110108724 A CN 110108724A
Authority
CN
China
Prior art keywords
strip
light source
shaped work
workpiece
annular light
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
CN201910320826.9A
Other languages
English (en)
Inventor
谭良
李清顺
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.)
Dongguan Zhongke Blue Sea Intelligent Vision Technology Co Ltd
Original Assignee
Dongguan Zhongke Blue Sea Intelligent Vision Technology 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 Dongguan Zhongke Blue Sea Intelligent Vision Technology Co Ltd filed Critical Dongguan Zhongke Blue Sea Intelligent Vision Technology Co Ltd
Priority to CN201910320826.9A priority Critical patent/CN110108724A/zh
Publication of CN110108724A publication Critical patent/CN110108724A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Landscapes

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

Abstract

本发明涉及产品的视觉检测技术领域，尤其是指一种条状工件视觉检测系统，包括机架、设置于机架的检测台、位于检测台上方的环形光源及位于环形光源上方的图像采集装置，其特征在于：所述机架装设有水平横杆及用于驱动水平横杆上下移动的升降模组，所述图像采集装置与环形光源的中心轴同轴设置；视觉检测步骤包括外观特征检测步骤、表面颜色检测步骤和轮廓特征检测步骤。本发明提供了一种条状工件视觉检测系统，本方案根据工件的外观特征、表面颜色、轮廓特征分为三个部分进行检测，将锯条表面缺陷分为三类，针对三类问题采取不同的图像采集方式和图像处理算法。本发明降低了漏检率，提高了检测精度；提高工作效率，提高技术精准度，降低人工强度。

Description

条状工件视觉检测系统
技术领域
本发明涉及产品的视觉检测技术领域，尤其是指一种条状工件视觉检测系统。
背景技术
锯条应用于工业制造中，具有硬度高、柔韧性强、抗热性及抗磨损性强等特点，主要出口欧美等地。锯条表面喷涂白色油漆，表面印刷Logo、字符、条形码等图案。印刷过程中，可能会把图案印偏、印错或图案有划痕等缺陷。
锯条生产数量大，传统的检测方法是人工目测全检，质检人员带有很强的主观性和容易产生视觉疲劳，这样的检测方法容易导致误判，影响生产效益。
综上所述，现有锯条表面缺陷检测技术存在如下不足：1、漏检率高：人工检测受限于人的主观因素，锯条表面检测过程中漏检的概率很高；2、成本高：漏检率高，生产厂商会有经济损失，并且人工成本也在逐渐增加；3、检测效率低：单纯靠人工检测，人工进行大量的重复性工作，会产生疲惫感，制约了检测的效率；4、检测精度低：单纯依靠人工检测，检测精度势必会降低。
发明内容
本发明要解决的技术问题是提供一种检测准确率高，效率高的条状工件视觉检测系统。
为了解决上述技术问题，本发明采用如下技术方案：一种条状工件视觉检测系统，包括机架、设置于机架的检测台、位于检测台上方的环形光源及位于环形光源上方的图像采集装置，所述机架装设有水平横杆及用于驱动水平横杆上下移动的升降模组，所述图像采集装置与环形光源的中心轴同轴设置；视觉检测步骤包括外观特征检测步骤、表面颜色检测步骤和轮廓特征检测步骤。
优选的，所述外观特征检测步骤和表面颜色检测步骤均包括如下步骤：
步骤A1，将条状工件放置于检测台，图像采集装置启动拍摄得到工件图像；
步骤A2，对工件图像进行算法处理；
步骤A3，使用斑点分析通过调整不同二值化的梯度阀值，通过判断抓取白色特征或黑色特征来判定缺陷特征的有无；
步骤A4，通过数值显示将工件的状态信息显示在界面上。
优选的，所述外观特征检测步骤中，图像采集装置为130万像素全局曝光模式的工业相机配合16mm定焦镜头装配而成，所述环形光源为白色光源，镜头与条状工件之间的竖直距离为380至420mm，环形光源与工件之间的竖直距离为300至330mm。
优选的，所述表面颜色检测步骤中，图像采集装置为130万像素全局曝光模式的工业相机配合16mm定焦镜头装配而成，所述环形光源为红色光源，镜头与条状工件之间的竖直距离为380至420mm，环形光源与工件之间的竖直距离为80至100mm。
优选的，所述步骤A3中的二值化处理工件图像时，将大于临界灰度值的像素灰度设为灰度极大值，将小于这个临界灰度值的像素灰度设为灰度极小值，初设阈值为95至115。
优选的，所述步骤A3中判断过程中，显示缺陷的缺陷颜色选择为黑色，连通性选择为8通道。
优选的，所述轮廓特征检测步骤包括如下步骤：
步骤B1，将条状工件放置于检测台，图像采集装置启动拍摄得到工件图像；
步骤B2，对工件图像进行算法处理；
步骤B3，使用二个检测直线抓取工件两旁的边缘轮廓特征，通过点到线测量两条直线特征之间的距离信息得出尺寸结果；
步骤B4，通过数值显示将工件的状态信息显示在界面上。
优选的，所述图像采集装置为130万像素全局曝光模式的工业相机配合0.13倍率零畸变远心镜头装配而成，所述环形光源为红色光源，镜头与条状工件之间的竖直距离为135至165mm，环形光源与工件之间的竖直距离为25至35mm。
优选的，所述步骤B2中，算法处理包括利用检测区域算法框框选住整个工件直线轮廓区域，边缘极性根据算法框方向选择不同的类型，边缘位置设置为起始位置保证其检测位置，阀值设置为35到45，滤波半框设置为1。
本发明的有益效果在于：本发明提供了一种条状工件视觉检测系统，本方案根据工件的外观特征、表面颜色、轮廓特征分为三个部分进行检测，将锯条表面缺陷分为三类，针对三类问题采取不同的图像采集方式和图像处理算法。本发明降低了漏检率，提高了检测精度；提高工作效率，提高技术精准度，降低人工强度。
附图说明
图1为本发明条状工件视觉检测系统的设备结构示意图。
图2为本发明条状工件视觉检测系统的设备隐藏部分机架时的结构示意图。
图3为本发明条状工件视觉检测系统进行阈值选取并采用直方图双峰法的曲线示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
如图1和图2所示，一种条状工件视觉检测系统，包括机架1、设置于机架1的检测台2、位于检测台2上方的环形光源3及位于环形光源3上方的图像采集装置4，所述机架1装设有水平横杆5及用于驱动水平横杆5上下移动的升降模组6，所述图像采集装置4与环形光源3的中心轴同轴设置；视觉检测步骤包括外观特征检测步骤、表面颜色检测步骤和轮廓特征检测步骤。
优选的，所述外观特征检测步骤和表面颜色检测步骤均包括如下步骤：
步骤A1，将条状工件放置于检测台2，图像采集装置4启动拍摄得到工件图像，通过相机内置PCB板将光信号转换数字信号给予软件图像处理系统进行处理；
步骤A2，对工件图像进行算法处理，由于其外观缺陷为块状区域，斑点分析（BlobAnalysis）算法可以较好区分良品与不良品对比的外观缺陷特征，因此使用对图像中相同像素的连通域进行分析；
步骤A3，使用斑点分析通过调整不同二值化的梯度阀值，通过判断抓取白色特征或黑色特征来判定缺陷特征的有无；具体的，所述步骤A3中的二值化处理工件图像时，将大于临界灰度值的像素灰度设为灰度极大值，将小于这个临界灰度值的像素灰度设为灰度极小值，初设阈值为95至115。优选的，所述步骤A3中判断过程中，显示缺陷的缺陷颜色选择为黑色，连通性选择为8通道。
选中所需要检测的目标图像，检测区域算法框框选住整个工件表面，使用二值化进行处理：二值化处理图像时，把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值，从而实现二值化，通过二值化图像预览观测其图像变化，调节阈值在105左右；将所检测的显示缺陷的缺陷颜色选择为黑色，连通性选择为8通道可以增强识别到外观缺陷的稳定性，设定一定的面积大小可以过滤一些灰尘、噪点的图像干扰，提升检测稳定性。
步骤A4，通过数值显示将工件的状态信息显示在界面上，斑点分析所检测到的缺陷特征通过数值显示算法将缺陷信息显示在界面上，便于直观观测结果及方便调节相关问题，检测结果更直观便捷。
优选的，所述外观特征检测步骤中，图像采集装置4为130万像素全局曝光模式的工业相机配合16mm定焦镜头装配而成，所述环形光源3为白色光源，镜头与条状工件之间的竖直距离为380至420mm，环形光源3与工件之间的竖直距离为300至330mm。产品为流水作业，工件在移动中进行拍摄检测，因此采用适合动态采图的130万像素全局曝光模式的工业相机配合16mm定焦镜头进行拍摄可达到合适的视野范围，具体的，镜头与条状工件之间的竖直距离为400mm，环形光源3与工件之间的竖直距离为320mm，工件表面为平面金属材质，直光照射在工件上会将缺陷与工件一起打亮的情况，导致图像效果不明显。因此本方案使用高角度环形光源3进行照射，可将工件整体打亮，缺陷照暗，突显出外观缺陷特征，便于软件处理识别外观特征实现检测目的。
优选的，所述表面颜色检测步骤中，图像采集装置4为130万像素全局曝光模式的工业相机配合16mm定焦镜头装配而成，所述环形光源3为红色光源，镜头与条状工件之间的竖直距离为380至420mm，环形光源3与工件之间的竖直距离为80至100mm。具体的，镜头与条状工件之间的竖直距离为400mm，环形光源3与工件之间的竖直距离为90mm，在该检测步骤中，使用与上述步骤的相同颜色的光源无法达到较好的图像效果，使用红色环形光源3进行照射，可将工件整体打亮，缺陷照暗，突显出外观缺陷特征，便于软件处理识别外观特征实现检测目的，检测准确更高。
上述二值化处理中，根据阀值选取的不同，二值化的算法分为固定阈值和自适应阈值；使用了双峰大、P参数法、迭送法和OTSU法。
双峰法：直方图双峰法（2-Mode method），如图3所示，即如果图像灰度直方图呈明显的双峰状，则选取双峰间的最低谷出作为图像分割的阈值所在。即图3中，以Zt为阈值进行二值化分割，可以将目标和背景分割开。
但当图像的直方图出现波峰间的波谷平坦、各区域直方图的波形重叠等情况时，用双峰法就很找到合适的阈值。
P参数法：按照预定的模式亮度占比二值化。
迭送法：迭代法阈值选择算法是对双峰法的改进，他首先选择一个近似的阈值T，将图像分割成两个部分，R1和R2，计算出区域R1和R2的均值u1和u2，再选择新的阈值T=(u1+u2)/2；重复上面的过程，知道u1和u2不在变化为止。
迭送法是基于逼近的思想，其步骤如下：
1）求出图像的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值T0=（ZMAX+AMIN）/2。
2）根据阈值T将图像分割为前景和背景，分别求出两者的平均灰度值ZO和ZB；
3）求出新阈值T=（ZO+ZB）/2。
4）若两个平均灰度值ZO和ZB不在变化（或T不再变化），则T即为阈值；否则转2）迭代计算。
Otsu算法：取一个最优阈值把原图像分为前景色与背景色，两部分的类间方差越大，说明两部分差别越大，便能有效的分割图像。所以该算法最关键的是找到最优阈值。
其过程对图像进行二值化，分割为前景和背景，进行连通区域检测，从而得到Blob块的过程。
将像素基本单位进行细分，可得亚像素，亚像素比像素更加微小的单位，将像素细分为亚像素，可提高图像分辨率。
使用边缘提取抓取所要求的轮廓特征，边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以为任意的，包括交叉点。将图像中拥有大的梯度的点所组成的子集，提取的过程是指把梯度高的点相联系起来构成一个更完善的直线边缘。
取第一条线上所有点到第二条线的垂直距离的平均值，计算其所要求检测的间距。
优选的，所述轮廓特征检测步骤包括如下步骤：
步骤B1，将条状工件放置于检测台2，图像采集装置4启动拍摄得到工件图像；
工件厚度为上下两条轮廓直线相对距离，因此使用边缘检测算法提取边缘所需要的轮廓特征，边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以为任意的，包括交叉点。将图像中拥有大的梯度的点所组成的子集，提取的过程是指把梯度高的点相联系起来构成一个更完善的直线边缘；
步骤B2，对工件图像进行算法处理；算法处理包括利用检测区域算法框框选住整个工件直线轮廓区域，边缘极性根据算法框方向选择不同的类型，边缘位置设置为起始位置保证其检测位置，阀值设置为35到45，滤波半框设置为1。
选中所需要检测的目标图像，检测区域算法框框选住整个工件直线轮廓区域，边缘极性根据算法框方向选择不同的类型，边缘位置设置为起始位置保证其检测位置，具体的，阀值设置为40,滤波半框设置为1,确保检测结果更加稳定。
步骤B3，使用二个检测直线抓取工件两旁的边缘轮廓特征，通过点到线测量两条直线特征之间的距离信息得出尺寸结果；将提取到的上下两条轮廓线通过点到线计算出第一条线上所有点到第二条线的垂直距离的平均值，计算其所要求检测的间距。
步骤B4，通过数值显示将工件的状态信息显示在界面上，计算的检测结果通过数值显示算法将尺寸信息显示在界面上，便于直观观测结果及方便调节相关问题。
优选的，所述图像采集装置4为130万像素全局曝光模式的工业相机配合0.13倍率零畸变远心镜头装配而成，所述环形光源3为红色光源，镜头与条状工件之间的竖直距离为135至165mm，环形光源3与工件之间的竖直距离为25至35mm，优选的实施方式是镜头与条状工件之间的竖直距离为150mm，环形光源3与工件之间的竖直距离为30mm。
在本发明的描述中，需要说明的是，对于方位词，如有术语“中心”，“横向(X)”、“纵向(Y)”、“竖向(Z)”“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本发明和简化描述，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、以特定方位构造和操作，不能理解为限制本发明的具体保护范围。
此外，如有术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明技术特征的数量。由此，限定有“第一”、“第二”特征可以明示或者隐含包括一个或者多个该特征，在本发明描述中，“数个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除另有明确规定和限定，如有术语“组装”、“相连”、“连接”术语应作广义去理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；也可以是机械连接；可以是直接相连，也可以是通过中间媒介相连，可以是两个元件内部相连通。对于本领域普通技术人员而言，可以根据具体情况理解上述的术语在本发明中的具体含义。
以上所述实施例仅表达了本发明的若干实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.条状工件视觉检测系统，包括机架（1）、设置于机架（1）的检测台（2）、位于检测台（2）上方的环形光源（3）及位于环形光源（3）上方的图像采集装置（4），其特征在于：所述机架（1）装设有水平横杆（5）及用于驱动水平横杆（5）上下移动的升降模组（6），所述图像采集装置（4）与环形光源（3）的中心轴同轴设置；视觉检测步骤包括外观特征检测步骤、表面颜色检测步骤和轮廓特征检测步骤。
2.根据权利要求1所述的条状工件视觉检测系统，其特征在于：所述外观特征检测步骤和表面颜色检测步骤均包括如下步骤：
步骤A1，将条状工件放置于检测台（2），图像采集装置（4）启动拍摄得到工件图像；
步骤A2，对工件图像进行算法处理；
步骤A3，使用斑点分析通过调整不同二值化的梯度阀值，通过判断抓取白色特征或黑色特征来判定缺陷特征的有无；
步骤A4，通过数值显示将工件的状态信息显示在界面上。
3.根据权利要求2所述的条状工件视觉检测系统，其特征在于：所述外观特征检测步骤中，图像采集装置（4）为130万像素全局曝光模式的工业相机配合16mm定焦镜头装配而成，所述环形光源（3）为白色光源，镜头与条状工件之间的竖直距离为380至420mm，环形光源（3）与工件之间的竖直距离为300至330mm。
4.根据权利要求2所述的条状工件视觉检测系统，其特征在于：所述表面颜色检测步骤中，图像采集装置（4）为130万像素全局曝光模式的工业相机配合16mm定焦镜头装配而成，所述环形光源（3）为红色光源，镜头与条状工件之间的竖直距离为380至420mm，环形光源（3）与工件之间的竖直距离为80至100mm。
5.根据权利要求2所述的条状工件视觉检测系统，其特征在于：所述步骤A3中的二值化处理工件图像时，将大于临界灰度值的像素灰度设为灰度极大值，将小于这个临界灰度值的像素灰度设为灰度极小值，初设阈值为95至115。
6.根据权利要求5所述的条状工件视觉检测系统，其特征在于：所述步骤A3中判断过程中，显示缺陷的缺陷颜色选择为黑色，连通性选择为8通道。
7.根据权利要求1所述的条状工件视觉检测系统，其特征在于：所述轮廓特征检测步骤包括如下步骤：
步骤B1，将条状工件放置于检测台（2），图像采集装置（4）启动拍摄得到工件图像；
步骤B2，对工件图像进行算法处理；
步骤B3，使用二个检测直线抓取工件两旁的边缘轮廓特征，通过点到线测量两条直线特征之间的距离信息得出尺寸结果；
步骤B4，通过数值显示将工件的状态信息显示在界面上。
8.根据权利要求7所述的条状工件视觉检测系统，其特征在于：所述图像采集装置（4）为130万像素全局曝光模式的工业相机配合0.13倍率零畸变远心镜头装配而成，所述环形光源（3）为红色光源，镜头与条状工件之间的竖直距离为135至165mm，环形光源（3）与工件之间的竖直距离为25至35mm。
9.根据权利要求7所述的条状工件视觉检测系统，其特征在于：所述步骤B2中，算法处理包括利用检测区域算法框框选住整个工件直线轮廓区域，边缘极性根据算法框方向选择不同的类型，边缘位置设置为起始位置保证其检测位置，阀值设置为35到45，滤波半框设置为1。
CN201910320826.9A 2019-04-20 2019-04-20 条状工件视觉检测系统 Pending CN110108724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910320826.9A CN110108724A (zh) 2019-04-20 2019-04-20 条状工件视觉检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910320826.9A CN110108724A (zh) 2019-04-20 2019-04-20 条状工件视觉检测系统

Publications (1)

Publication Number Publication Date
CN110108724A true CN110108724A (zh) 2019-08-09

Family

ID=67485959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910320826.9A Pending CN110108724A (zh) 2019-04-20 2019-04-20 条状工件视觉检测系统

Country Status (1)

Country Link
CN (1) CN110108724A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111141754A (zh) * 2019-12-30 2020-05-12 上海感图网络科技有限公司 一种基于ai视觉用于晶片检测的装置及方法
CN111896550A (zh) * 2020-03-31 2020-11-06 广西师范大学 一种表面缺陷检测装置及方法
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
CN114309817A (zh) * 2022-03-03 2022-04-12 成都航天精诚科技有限公司 高精度大规格条形工件制造及检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202683498U (zh) * 2012-05-21 2013-01-23 东莞市凯昶德电子科技股份有限公司 Led自动化检测挑拣装置
CN203688457U (zh) * 2013-12-24 2014-07-02 武汉科斯特新技术发展有限公司 全自动钢锯条视觉检测及激光标记系统
CN104931505A (zh) * 2014-03-17 2015-09-23 荆弘明 机器视觉表面检测系统
CN108181316A (zh) * 2018-03-13 2018-06-19 广西师范大学 一种基于机器视觉的竹条缺陷检测方法
CN109596054A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 长条形工件的尺寸检测识别方法
CN109596625A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 料盘中的工件缺陷检测识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202683498U (zh) * 2012-05-21 2013-01-23 东莞市凯昶德电子科技股份有限公司 Led自动化检测挑拣装置
CN203688457U (zh) * 2013-12-24 2014-07-02 武汉科斯特新技术发展有限公司 全自动钢锯条视觉检测及激光标记系统
CN104931505A (zh) * 2014-03-17 2015-09-23 荆弘明 机器视觉表面检测系统
CN108181316A (zh) * 2018-03-13 2018-06-19 广西师范大学 一种基于机器视觉的竹条缺陷检测方法
CN109596054A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 长条形工件的尺寸检测识别方法
CN109596625A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 料盘中的工件缺陷检测识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔吉 等: "《工业视觉实用教程》", 31 October 2018, 上海交通大学出版社 *
谭立新 等: "《智能家居机器人设计与控制》", 31 January 2015, 北京理工大学出版社 *
轧制技术及连轧自动化国家重点实验室（东北大学）: "《中厚板平面形状控制模型研究与工业实践》", 31 October 2015, 冶金工业出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111141754A (zh) * 2019-12-30 2020-05-12 上海感图网络科技有限公司 一种基于ai视觉用于晶片检测的装置及方法
CN111896550A (zh) * 2020-03-31 2020-11-06 广西师范大学 一种表面缺陷检测装置及方法
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
CN114309817A (zh) * 2022-03-03 2022-04-12 成都航天精诚科技有限公司 高精度大规格条形工件制造及检测方法

Similar Documents

Publication Publication Date Title
CN110108724A (zh) 条状工件视觉检测系统
CN109772733B (zh) 一种基于视觉的缺陷竹块检测分拣装置及方法
CN102680487B (zh) 用于监控特别是汽车车身部件的喷漆质量的系统和方法
CN110216080A (zh) 一种基于图像对比的pcb加工产线的质量监控系统
CN110108712A (zh) 多功能视觉缺陷检测系统
CN108416766B (zh) 双侧入光式导光板缺陷视觉检测方法
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN104794491A (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
CN110567976B (zh) 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法
CN105404874B (zh) 一种基于投影和hough直线检测的车窗识别系统
CN107664644B (zh) 一种基于机器视觉的物件表观自动检测装置及方法
TW201120806A (en) Method of locating license plate of moving vehicle
JP6264132B2 (ja) 車体塗装面の検査装置および検査方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN107610085A (zh) 一种基于计算机视觉的焊点缺陷检测系统
CN106931881A (zh) 一种多相机视觉检测方法
CN109916910A (zh) 光伏玻璃边部缺陷检测系统及相应的方法
CN104122271A (zh) 一种基于aoi的子弹表观缺陷检测方法
CN102496161A (zh) 一种印刷电路板图像的轮廓提取方法
CN105404869A (zh) 一种基于计算机视觉的水果外形分级方法
CN110096980A (zh) 字符检测识别系统
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
CN105572143B (zh) 压延过程中压延材料表面周期性缺陷的检测方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN103198472A (zh) 一种重型汽车连杆成品质量检测方法及其检测系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190809