CN110136120B - 一种基于机器视觉的丝网印刷样板尺寸测量方法 - Google Patents
一种基于机器视觉的丝网印刷样板尺寸测量方法 Download PDFInfo
- Publication number
- CN110136120B CN110136120B CN201910408265.8A CN201910408265A CN110136120B CN 110136120 B CN110136120 B CN 110136120B CN 201910408265 A CN201910408265 A CN 201910408265A CN 110136120 B CN110136120 B CN 110136120B
- Authority
- CN
- China
- Prior art keywords
- image
- template
- screen printing
- edge
- gradient
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
Abstract
本发明公开了一种基于机器视觉的丝网印刷样板尺寸测量方法,解决了传统测量方法效率低,精度难以提高等问题。本发明采用一种由粗到细的测量策略,借助每一类待测目标的模板进行信息统计,针对性的设置阈值参数,改善测量精度。在创建模板阶段,采用可旋转、缩放的ROI矩形框选定待测目标,并利用ROI的质心坐标和旋转角度调整模板与图像坐标系方向一致,创建生成待测目标的模板;在测量阶段,利用基于图像金字塔和归一化互相关函数相结合的分层匹配算法实现多个待测目标的粗糙定位,再使用由模板信息统计获取的阈值参数进行边缘精细定位,建立局部测量坐标系,完成测量。本发明具有运算速度快、匹配精度高、测量结果精确、适用性广等优点。
Description
技术领域
本发明涉及一种计算机视觉和工业图像处理领域的测量方法,尤其是一种基于机器视觉的丝网印刷样板尺寸测量方法。
背景技术
在现代化工业生产的各个领域,丝网印刷技术发挥着重要的作用。丝网印刷是指丝网作为版基,并通过感光制版方法,制成带有图文的丝网印版。丝网印版由五大要素构成,丝印样板、刮板、油墨、印刷台以及承印物。其中丝网印刷样板的尺寸是否合适直接影响到丝印图案的质量,因此实现对丝网印刷样板尺寸的快速、高精度测量是当前亟待解决的问题。
针对丝网印刷样板,目前国内的测量方法主要是采用游标卡尺进行人工测量,这类方法测量手段效率低,测量精度难以提高,无法适用大批量样品的测量,已经不能满足现代化工业对测量工艺的效率、精度等方面的要求。机器视觉测量检测技术具有非接触、精度高、速度快等优点,能够解决丝网印刷样板尺寸测量的实时性、稳定性、准确性等问题,并且能够提高工业智能化和自动化程度。
综上所述,传统的视觉检测方法中具有难以高效、精准测量丝网印刷样板尺寸的缺点。因此如何快速、高精度测量丝网印刷样板的尺寸是一个至关重要的问题。
发明内容
针对上述技术问题,本发明的目的在于提供一种具有非接触、精度高、速度快等优点的基于机器视觉的丝网印刷样板尺寸测量方法。
为实现上述目的,本发明是根据以下技术方案实现的:
一种基于机器视觉的丝网印刷样板尺寸测量方法,其特征在于,包括如下步骤:
步骤S1:采集待检测的丝网印刷样板图像;
步骤S2:在获取的丝网印刷样板图像中选取感兴趣区域(ROI),创建待测目标的模板图像;
步骤S3:统计模板图像的灰度信息,根据统计得到的灰度信息使用金字塔算法以及归一化互相关函数在丝网印刷样板上进行匹配,得到与所创建的模板图像相同的所有待检测目标的位置;
步骤S4:统计模板图像的梯度信息,根据统计得到的梯度信息采用统计分析的方法找到适合被测目标边缘点定位的梯度阈值;
步骤S5:将统计分析得到的定位边缘点的梯度阈值应用到所有待测目标上,定位边缘像素点;
步骤S6:根据定位的边缘点,使用随机抽样一致性算法将定位的边缘点进行拟合,得到有效、精准的边缘线位置;
步骤S7:根据得到的边缘线在丝网印刷样板图像中建立被测目标的局部测量坐标系,进行测量并输出测量结果。
2.根据权利要求1所述的丝网印刷样板尺寸测量方法,其特征在于,步骤S2具体包括:采用可旋转、缩放的ROI矩形框选定待测目标,并利用ROI的质心坐标和旋转角度调整模板与图像坐标系方向一致,创建生成待测目标的模板,并且模板创建在首次测量某型丝网印刷样板时进行,创建的模板保存至模板类别数据库,提高测量系统的效率与准确度。
上述技术方案中,步骤S4中采用基于模板信息统计确定梯度阈值参数定位边缘点的方法对传统的边缘点定位进行改进,具体包括:
(a)对模板图像从上至下每隔10个像素进行采样,在采样点自左至右划取扫描线,统计每条扫描线上的所有梯度值,即
(b)分析每一条扫描线上的梯度值,并求取每条扫描线上的梯度最大值f,即
(c)统计所有采样扫描线上的梯度最大值{f1,f2,f3,…fn},n≥1,在实际采样时,最开始以及结束时的扫描线可能并没有扫描到物体边缘上,因此需要根据实际情况剔除该部分的异常数据;
(d)根据采样情况剔除不合理部分的梯度值以后,选取合理部分的梯度最小值作为边缘检测的梯度阈值来定位边缘像素点,确保没有伪边缘信息出现,也确保不会缺失真实的边缘信息,从而得到边缘点的准确位置。
上述技术方案中,步骤S7中采用由粗到细的测量策略,在测量阶段,利用基于图像金字塔和归一化互相关函数相结合的分层匹配算法实现多个待测目标的粗糙定位,再使用由模板信息统计获取的阈值参数进行边缘精细定位,建立局部坐标系,完成测量。
本发明与现有技术相比,具有如下优点:
1、采用可旋转、缩放的ROI矩形框选定待测目标,并利用ROI的质心坐标和旋转角度调整模板与图像坐标系方向一致,创建生成待测目标的模板。并且模板创建工作只需在首次测量某型丝印样板时进行,创建的模板保存至模板类别数据库。不仅解决了待测目标朝向任意而导致的水平方向和垂直方向不一定是感兴趣方向的问题,而且进一步提高了测量系统的效率与准确度。
2、根据模板灰度信息的统计,使用基于归一化互相关(NCC)匹配算法对丝网印刷样板中的待测目标实现图像匹配,同时又结合了金字塔算法弥补归一化互相关匹配带来计算量大的不足,使匹配的准确度以及稳定性提高。
3、根据模板梯度信息的统计,确定一个适合丝网印刷样板中待测目标边缘点定位的梯度阈值。解决了传统方法中针对任何样式的被测目标都采用一个统一的固定梯度阈值,从而造成的伪边缘信息过多或缺失边缘信息的问题。基于模板信息统计针对不同丝网印刷样板被测目标确定不同梯度阈值的方法弥补了传统方法中边缘点定位不准确的缺点,同时提高了系统的灵活性,可以精确测量多种不同类型的丝网印刷样板的尺寸。
4、采用了由粗到细的测量策略。在测量阶段,利用基于图像金字塔和归一化互相关函数相结合的分层匹配算法实现多个待测目标的粗糙定位,再使用由模板信息统计获取的阈值参数进行边缘精细定位,建立局部坐标系,完成测量。弥补了传统测量算法无法兼顾测量速度与测量精度的缺点,提高了测量系统的效率以及准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1是本发明方法的流程示意图;
图2是创建模板图像方法的示意图;
图3是经过高斯金字塔处理的丝网印刷样板图像的4层搜索结构;
图4是根据金字塔算法和归一化互相关函数进行匹配得到的待测目标的定位结果;
图5(a1)、5(a2)、5(a3)分别是三种被测丝网印刷样板图像及对应的丝网印刷样板中选取的被测目标的模板图像;
图5(b1)、5(b2)、5(b3)分别是对三种提取的模板图像进行采样扫描,统计模板图像上所有梯度值的图像;
图6(a)、(b)、(c)是根据统计分析分别得到适合三种模板图像边缘点定位的梯度阈值后,边缘点定位的结果图;
图7(a)、(b)、(c)分别是对三种模板图像上边缘点进行拟合后得到有效、精准边缘的结果图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
本发明的一种基于机器视觉的丝网印刷样板尺寸测量方法,如图1所示,包括如下步骤:
步骤S1:采集待检测的丝网印刷样板图像;
使用电荷耦合器件CCD摄像机采集丝网印刷样板图像,并采用红色背光源以及红色圆顶无影光源组合的方式对丝网印刷样板进行照射,使图像清晰,各测量点位的轮廓对比度明显。
步骤S2:在获取的丝网印刷样板图像中选取ROI区域,创建待测目标的模板图像。本发明灵活选取ROI区域,创建模板图像。采用可旋转、缩放的ROI矩形框选定待测目标,并利用ROI的质心坐标O’和旋转角度θ调整模板与图像坐标系方向一致,创建生成待测目标的模板。模板创建工作只需在首次测量某型丝印样板时进行,创建的模板保存至模板类别数据库。有效提取的模板信息,以及创建的待测目标模板图像如图2所示。具体步骤包括:
a)将丝网印刷样板图像的质心平移到模板图像的质心O’处,如图2所示。
b)根据选定的ROI矩形框信息,得到ROI矩形框所在坐标系相对于原坐标系XOY的旋转角度θ。此时,将坐标系XOY转换-θ角度,得到最终用以提取模板信息的坐标系X'O'Y',如图2所示。
c)此时在旋转后得到的最终坐标系X'O'Y'中直接提取原来ROI矩形框标识的像素坐标,便可以有效的提取模板信息,创建模板图像,如图2所示。
完成上述操作后,便可以从丝网印刷样板图像中提取待测目标的模板图像。
步骤S3:统计模板图像的灰度信息,使用金字塔算法和归一化互相关函数相结合的灰度值匹配算法根据选取的模板图像的灰度信息定位所有待测目标。具体步骤包括:
首先对图像进行高斯金字塔处理,高斯金字塔是由原图像经过连续高斯滤波和二次采样生成的一系列不同分辨率的图像组成。图3是经过高斯金字塔处理的丝网印刷样板图像的4层搜索结构示意图。首先,将待处理的原始图像作为金字塔的最下面一层用L1表示;然后,将第1层图像L1通过高斯低通滤波器进行滤波,再对滤波后的图像进行隔行隔列的降采样得到第二层图像L2,此时L2的大小只有L1的1/4;继续通过上述方法进行多尺度分解,可得到第三层图像L3和第四层图像L4。
然后采用归一化互相关(NCC)函数匹配算法在经过高斯金字塔处理以后的图像上进行图像匹配,通过利用两个图像灰度值的相关函数,采用相似性算法计算出模板图像与待检测丝网印刷样板图像的对应关系,从而判断图像的匹配程度,找到匹配的位置。互相关函数的定义如下:
其中,T为模板图像;(i,j)为像素在模板T中的坐标;丝网印刷样板待匹配图像I的像素大小为M×N;模板图像T的像素大小为m×n。从图像I中任意选取一块像素大小为m×n的子图Ix,y,Ix,y的左上角像素点在图像I中的坐标为(x,y),可知坐标范围为0≤x≤M-m,0≤y≤N-n。
将其再进行归一化,则公式转换如下:
其中,T为模板图像;(i,j)为像素在模板T中的坐标;丝网印刷样板待匹配图像I的像素大小为M×N;模板图像T的像素大小为m×n,从图像I中任意选取一块像素大小为m×n的子图Ix,y,Ix,y的左上角像素点在图像I中的坐标为(x,y),可知坐标范围为0≤x≤M-m,0≤y≤N-n;Ix,y为子图Ix,y的像素平均值,T为模板T的像素平均值。由以上计算结果可知,NC(x,y)值越大,则表示检测图像位置的匹配度越高,与模板图像越接近。
通过金字塔算法将图像的分辨率降低后,在低分辨即像素点相对较少的图像上采用归一化互相关函数匹配算法进行图像匹配,通过利用两个图像灰度值的相关函数,采用相似性算法计算出模板图像与待检测丝网印刷样板图像的对应关系,判断图像的匹配程度,找到匹配的位置,从而降低匹配的复杂度,提高匹配的效率。由此得到的匹配结果如图4所示。
步骤S4:统计模板的梯度信息,得到适合待检测目标边缘点定位的梯度阈值。对传统的边缘点定位采用统一的固定梯度阈值的方法进行了改进。改进以后可以针对不同的被测目标,根据统计的模板梯度信息,得到适合待检测目标边缘点定位的梯度阈值。具体步骤包括:
a)以三种丝网印刷样板为例,选取模板图像,丝网印刷样板图像与其上选取的模板图像分别如图5(a1)、5(a2)、5(a3)所示。图5(a1)为丝网印刷样板1及其上选取的模板图像;图5(a2)为丝网印刷样板2及其上选取的模板图像;图5(a3)为丝网印刷样板3及其上选取的模板图像。读入丝网印刷样板中待检测目标的模板图像;
b)对模板图像从上至下每隔10个像素进行采样,在采样点自左至右划取扫描线,统计每条扫描线上的所有梯度值,即
扫描选取的三种模板图像的梯度示意图分别如图5(b1)、5(b2)、5(b3)所示。图5(b1)为丝网印刷样板1上选取的模板图像的梯度扫描示意图;图5(b2)为丝网印刷样板2上选取的模板图像的梯度扫描示意图;图5(b3)为丝网印刷样板3上选取的模板图像的梯度扫描示意图。
c)分析每一条扫描线上的梯度值,并求取每条扫描线上的梯度最大值f,即
d)统计所有采样扫描线上的梯度最大值{f1,f2,f3,…fn},n≥1。而在实际采样时,最开始采样扫描产生的扫描线以及结束时采样扫描产生的扫描线可能并没有扫描到被测物体的边缘上。所以需要根据实际情况剔除该部分的异常数据。
e)根据实际采样情况剔除不合理部分的异常梯度值以后,选取合理部分的梯度最小值作为边缘检测的梯度阈值来定位边缘。这样就可以确保没有伪边缘信息的出现,也确保不会出现缺失真实边缘信息的情况。
利用上述步骤就可以精确定位边缘点的位置。
步骤S5:将统计分析得到的合适的定位边缘点的梯度阈值应用到模板图像上,定位边缘点,三种丝网印刷模板图像的边缘点定位结果如图6(a)、6(b)、6(c)所示;图6(a)是丝网印刷样板1中模板图像上边缘点定位的结果;图6(b)是丝网印刷样板2中模板图像上边缘点定位的结果;图6(c)是丝网印刷样板3中模板图像上边缘点定位的结果。
步骤S6:根据定位的边缘点,使用随机抽样一致性算法(RANSAC)将定位的边缘点进行拟合,得到有效、精准的边缘位置,图7(a)、7(b)、7(c)分别是三种丝网印刷模板图像上边缘点拟合结果,显示得到有效、精准的边缘位置;图7(a)是丝网印刷样板1中模板图像上边缘点拟合结果;图7(b)是丝网印刷样板2中模板图像上边缘点拟合结果;图7(c)是丝网印刷样板3中模板图像上边缘点拟合结果;
步骤S7:将合适的梯度阈值分别应用到对应丝网印刷样板的待测目标中,定位边缘点,拟合边缘点后得到边缘。根据得到的边缘在丝网印刷样板图像中建立被测目标的局部测量坐标系,进行测量,输出测量结果。
具体地,步骤S7中采用由粗到细的测量策略,在测量阶段,利用基于图像金字塔和归一化互相关函数相结合的分层匹配算法实现多个待测目标的粗糙定位,再使用由模板信息统计获取的阈值参数进行边缘精细定位,建立局部坐标系,完成测量。弥补了传统测量算法无法兼顾测量速度与测量精度的缺点,提高了测量系统的效率以及准确度。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (4)
1.一种基于机器视觉的丝网印刷样板尺寸测量方法,其特征在于,包括如下步骤:
步骤S1:采集待检测的丝网印刷样板图像;
步骤S2:在获取的丝网印刷样板图像中选取感兴趣区域(ROI),创建待测目标的模板图像;
步骤S3:统计模板图像的灰度信息,根据统计得到的灰度信息使用金字塔算法以及归一化互相关函数在丝网印刷样板上进行匹配,得到与所创建的模板图像相同的所有待检测目标的位置;
步骤S4:统计模板图像的梯度信息,根据统计得到的梯度信息采用统计分析的方法找到适合被测目标边缘点定位的梯度阈值;
步骤S4中采用基于模板信息统计确定梯度阈值参数定位边缘点的方法对传统的边缘点定位进行改进,具体包括:
(a)对模板图像从上至下每隔10个像素进行采样,在采样点自左至右划取扫描线,统计每条扫描线上的所有梯度值,即
(b)分析每一条扫描线上的梯度值,并求取每条扫描线上的梯度最大值f,即
(c)统计所有采样扫描线上的梯度最大值{f1,f2,f3,…fn},n≥1,在实际采样时,最开始以及结束时的扫描线可能并没有扫描到物体边缘上,因此需要根据实际情况剔除上述最开始以及结束时的扫描线上的梯度最大值;
(d)根据采样情况剔除不合理部分的梯度值以后,选取合理部分的梯度最小值作为边缘检测的梯度阈值来定位边缘像素点,确保没有伪边缘信息出现,也确保不会缺失真实的边缘信息,从而得到边缘点的准确位置;
步骤S5:将统计分析得到的定位边缘点的梯度阈值应用到所有待测目标上,定位边缘像素点;
步骤S6:根据定位的边缘点,使用随机抽样一致性算法将定位的边缘点进行拟合,得到有效、精准的边缘线位置;
步骤S7:根据得到的边缘线在丝网印刷样板图像中建立被测目标的局部测量坐标系,进行测量并输出测量结果。
2.根据权利要求1所述的丝网印刷样板尺寸测量方法,其特征在于,步骤S2具体包括:采用可旋转、缩放的ROI矩形框选定待测目标,并利用ROI的质心坐标和旋转角度调整模板与图像坐标系方向一致,创建生成待测目标的模板,并且模板创建在首次测量某型丝网印刷样板时进行,创建的模板保存至模板类别数据库,提高测量系统的效率与准确度。
3.根据权利要求1所述的丝网印刷样板尺寸测量方法,其特征在于,步骤S3具体包括:
首先对图像进行高斯金字塔滤波,高斯金字塔是由原图像经过连续高斯滤波和二次采样生成的一系列不同分辨率的图像组成,由于复杂度和模板中像素点的数量有关,图像金字塔经过低通滤波,对图像进行缩小比例的抽样,得到分辨率和尺寸不同的图像,分辨率最高的图像在金字塔底部,向上是分辨率逐渐变低的图像,通过金字塔算法将图像的分辨率降低,在低分辨即像素点相对较少的图像上进行匹配,从而降低匹配的复杂度,提高匹配的效率;
然后采用归一化互相关函数匹配算法在经过高斯金字塔处理以后的图像上进行图像匹配,通过利用两个图像灰度值的相关函数,采用相似性算法计算出模板图像与待检测丝网印刷样板图像的对应关系,从而判断图像的匹配程度,找到匹配的位置,其中互相关函数的定义如下:
其中,T为模板图像;(i,j)为像素在模板T中的坐标;丝网印刷样板待匹配图像I的像素大小为M×N;模板图像T的像素大小为m×n,从图像I中任意选取一块像素大小为m×n的子图Ix,y,Ix,y的左上角像素点在图像I中的坐标为(x,y),可知坐标范围为0≤x≤M-m,0≤y≤N-n;
将其再进行归一化,则公式转换如下:
4.根据权利要求1所述的丝网印刷样板尺寸测量方法,其特征在于,步骤S7中采用由粗到细的测量策略,在测量阶段,利用基于图像金字塔和归一化互相关函数相结合的分层匹配算法实现多个待测目标的粗糙定位,再使用由模板信息统计获取的阈值参数进行边缘精细定位,建立局部坐标系,完成测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408265.8A CN110136120B (zh) | 2019-05-16 | 2019-05-16 | 一种基于机器视觉的丝网印刷样板尺寸测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408265.8A CN110136120B (zh) | 2019-05-16 | 2019-05-16 | 一种基于机器视觉的丝网印刷样板尺寸测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136120A CN110136120A (zh) | 2019-08-16 |
CN110136120B true CN110136120B (zh) | 2021-04-06 |
Family
ID=67574703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910408265.8A Active CN110136120B (zh) | 2019-05-16 | 2019-05-16 | 一种基于机器视觉的丝网印刷样板尺寸测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136120B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260625B (zh) * | 2020-01-15 | 2021-06-18 | 征图新视(江苏)科技股份有限公司 | 胶印大张图像检测区域的自动提取方法 |
CN112414300B (zh) * | 2020-09-21 | 2022-08-09 | 深圳市信濠光电科技股份有限公司 | 一种手机玻璃外形及显示区域尺寸的测量方法及装置 |
CN113639630A (zh) * | 2021-04-01 | 2021-11-12 | 浙江大学台州研究院 | 基于多模板匹配和自动对焦功能的尺寸测量仪系统 |
CN113096090B (zh) * | 2021-04-07 | 2022-12-06 | 中国工程物理研究院机械制造工艺研究所 | 带倒角的端面间隙视觉测量方法、装置、设备及存储介质 |
CN113505819B (zh) * | 2021-06-22 | 2024-02-06 | 北京化工大学 | 一种基于低差异采样图像模板匹配的气动控制阀角位移在线测量方法 |
CN113762427B (zh) * | 2021-11-10 | 2022-04-12 | 聚时科技(江苏)有限公司 | 一种工业自动化检测场景中的上料异常检测方法 |
CN114136265B (zh) * | 2021-11-30 | 2023-07-07 | 中大智能科技股份有限公司 | 一种nb-iot无线倾角仪测量系统 |
CN114882059A (zh) * | 2022-07-01 | 2022-08-09 | 深圳市远湖科技有限公司 | 基于图像分析的尺寸测量方法、装置、设备及存储介质 |
CN116580022B (zh) * | 2023-07-07 | 2023-09-29 | 杭州鄂达精密机电科技有限公司 | 工件尺寸检测方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002080645A1 (en) * | 2001-03-28 | 2002-10-10 | Siemens Corporate Research, Inc. | System and method for recognizing markers on printed circuit boards |
CN105241894A (zh) * | 2015-08-28 | 2016-01-13 | 北京大恒图像视觉有限公司 | 一种用于多工序柔性印刷品检测的模板配准方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253055A (zh) * | 2011-04-27 | 2011-11-23 | 中国计量学院 | 具有周期性花纹图案的表面缺陷检测装置与方法 |
CN109490316B (zh) * | 2018-11-30 | 2021-08-03 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
-
2019
- 2019-05-16 CN CN201910408265.8A patent/CN110136120B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002080645A1 (en) * | 2001-03-28 | 2002-10-10 | Siemens Corporate Research, Inc. | System and method for recognizing markers on printed circuit boards |
CN105241894A (zh) * | 2015-08-28 | 2016-01-13 | 北京大恒图像视觉有限公司 | 一种用于多工序柔性印刷品检测的模板配准方法 |
Non-Patent Citations (1)
Title |
---|
酒瓶表面印刷缺陷视觉检测技术的研究;尹丽娜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110136120A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136120B (zh) | 一种基于机器视觉的丝网印刷样板尺寸测量方法 | |
CN112508826B (zh) | 一种印刷品缺陷检测方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN109215063B (zh) | 一种事件触发相机与三维激光雷达的配准方法 | |
JP5699788B2 (ja) | スクリーン領域検知方法及びシステム | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN108510476B (zh) | 一种基于机器视觉的手机屏线路检测方法 | |
CN115170669B (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN111861980B (zh) | 一种成像检测方法、电子设备及计算机可读存储介质 | |
CN105718931B (zh) | 用于确定采集图像中的杂斑的系统和方法 | |
CN114047123A (zh) | 一种用于集成板生产缺陷检测方法及检测系统 | |
CN104331695A (zh) | 一种鲁棒的圆形标志符形状质量检测方法 | |
CN114022439A (zh) | 一种基于形态学图像处理的柔性电路板缺陷检测方法 | |
CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN113112396B (zh) | 导电粒子的检测方法 | |
CN114187363A (zh) | 一种获取径向畸变参数值的方法、装置以及移动终端 | |
KR20080104963A (ko) | 드릴검사장치, 드릴검사방법, 및 그 프로그램을 기록한기록매체 | |
CN117274258A (zh) | 主板图像的缺陷检测方法、系统、设备及存储介质 | |
WO2013191132A1 (ja) | 繰返パターン画像・三次元繰返構造データの解析システム及び方法 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN113128499B (zh) | 视觉成像设备的震动测试方法、计算机设备及存储介质 | |
JP2010243209A (ja) | 欠陥検査方法および欠陥検出装置 | |
CN109215068B (zh) | 图像放大率测量方法及装置 | |
Tao et al. | Measurement algorithm of notch length of plastic parts based on video |
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 |