CN110618134A - 钢板表面质量缺陷检测评级系统及方法 - Google Patents

钢板表面质量缺陷检测评级系统及方法 Download PDF

Info

Publication number
CN110618134A
CN110618134A CN201910868926.5A CN201910868926A CN110618134A CN 110618134 A CN110618134 A CN 110618134A CN 201910868926 A CN201910868926 A CN 201910868926A CN 110618134 A CN110618134 A CN 110618134A
Authority
CN
China
Prior art keywords
steel plate
defect
rating
image
personal computer
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
CN201910868926.5A
Other languages
English (en)
Inventor
吕云云
孙巍
李洪宇
刘耀宏
梁永
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.)
Shanxi Big Data Industry Development Co Ltd
Original Assignee
Shanxi Big Data Industry Development 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 Shanxi Big Data Industry Development Co Ltd filed Critical Shanxi Big Data Industry Development Co Ltd
Priority to CN201910868926.5A priority Critical patent/CN110618134A/zh
Publication of CN110618134A publication Critical patent/CN110618134A/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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种钢板表面质量缺陷检测评级系统及方法，该方法包括：采集模块获取钢板表面图像信息；FPGA图像采集板卡将图像信息传输至DSP数据处理模块；DSP数据处理模块完成缺陷检测和分割，并将检测出的缺陷发送给工控机；工控机完成缺陷分类和钢板质量的评级。本发明的钢板表面质量缺陷检测评级系统及方法，采用FPGA+DSP结合的方式，高速采集处理图像，能够自动完成钢板表面的缺陷检测和评级，减少了劳动力消耗，避免人工检测主观性导致的误检，检测效率和准确性较高。

Description

钢板表面质量缺陷检测评级系统及方法
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种钢板表面质量缺陷检测评级系统及方法。
背景技术
工业生产中，钢带加工完成以后，由于工艺等各种原因会产生各种缺陷，例如辊印、划痕、水印等，大大影响钢板的质量和性能。为了掌握钢带加工的质量以及对出厂的成品钢带的质量进行把控，需要对钢带表面的缺陷进行检测。且根据检测结果确定缺陷等级，例如，将缺陷等级超过预设值的确定为次品钢带。
传统的钢卷表面缺陷一般为人工检测，工作量大，工作时间长，易疲劳，且受场地的环境因素影响，缺陷检出率较低，漏检误检率高，极易造成经济损失。
发明内容
为解决上述现有技术中存在的技术问题，本发明提供了一种钢板表面质量缺陷检测评级系统及方法。具体技术方案如下：
第一方面，提供了一种钢板表面质量缺陷检测评级系统，所述系统包括：采集模块、FPGA图像采集板卡、DSP数据处理模块和工控机；所述采集模块用于获取钢板表面图像信息；所述FPGA图像采集板卡用于将图像信息传输至所述DSP数据处理模块；所述DSP数据处理模块用于完成缺陷检测和分割，并将检测出的缺陷发送给所述工控机；所述工控机用于完成缺陷分类和质量评级。
可选地，所述采集模块包括：线阵相机、线扫光源和编码器，所述线阵相机和所述线扫光源的数量为两个，分别分布在钢板的两侧面；所述线扫光源，用于对钢板表面进行打光；所述线阵相机，用于拍摄钢板表面图像；所述编码器连接在钢板产线转轴和所述线阵相机之间，以匹配产线速度和相机行频。
可选地，所述系统还包括：与所述工控机连接的打印机，用于打印缺陷检测和质量评级报告。
第二方面，提供了一种钢板表面质量缺陷检测评级方法，其特征在于，所述方法包括：采集模块获取钢板表面图像信息；FPGA图像采集板卡将图像信息传输至DSP数据处理模块；所述DSP数据处理模块完成缺陷检测和分割，并将检测出的缺陷发送给工控机；所述工控机完成缺陷分类和钢板质量的评级。
可选地，所述DSP数据处理模块完成缺陷检测和分割，并将检测出的缺陷发送给工控机，包括：数据预处理：对钢板图像数据进行预处理；目标检测：检测钢板表面是否存在缺陷，将检测到的目标精度达到预设精度要求的目标作为可疑缺陷；图像分割：将可疑缺陷区域从钢板背景中分割出来，获得钢板的缺陷小图并计算缺陷小图在钢板中的位置及大小，将缺陷小图发送给所述工控机。
可选地，所述对钢板图像数据进行预处理，包括：去除图像中的非钢板区域；对图像进行去燥；进行图像增强，以加强缺陷和钢板背景的对比度。
可选地，预设精度要求通过所述工控机进行设置。
可选地，所述目标检测步骤中，采用边缘检测技术并结合形态学图像处理方法进行目标缺陷的检测。
可选地，所述工控机完成缺陷分类和钢板质量的评级，包括：特征提取：对图像的特征空间进行降维，所述特征包括灰度特征、形态特征、纹理特征、LBP、HOG和HAAR；缺陷分类，采用规则判别和机器学习相结合的方法进行缺陷分类；质量评级：根据钢板表面缺陷的面积、位置、类型和/或严重程度进行质量评级。
可选地，所述缺陷小图和对应的缺陷信息在所述工控机上进行显示，用户可对缺陷信息进行更改。
本发明技术方案的主要优点如下：
本发明的钢板表面质量缺陷检测评级系统及方法，采用FPGA+DSP结合的方式，高速采集处理图像，能够自动完成钢板表面的缺陷检测和评级，减少了劳动力消耗，避免人工检测主观性导致的误检，检测效率和准确性较高。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一个实施例提供的钢板表面质量缺陷检测评级系统架构图；
图2为本发明一个实施例提供的钢板表面质量缺陷检测评级方法流程图；
图3为本发明一个实施例提供的钢板表面质量缺陷检测评级方法中缺陷检测流程图；
图4为本发明一个实施例提供的钢板表面质量缺陷检测评级方法中缺陷分类和评级流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，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。
以下结合附图，详细说明本发明实施例提供的技术方案。
第一方面，本发明实施例提供了一种钢板表面质量缺陷检测评级系统，如附图1所示，该系统包括：采集模块、FPGA(Field－Programmable Gate Array，现场可编程门阵列)图像采集板卡、DSP(digital signal processor，数字信号处理)数据处理模块和工控机。采集模块用于获取钢板表面图像信息；FPGA图像采集板卡用于将图像信息传输至DSP数据处理模块；DSP数据处理模块用于完成缺陷检测和分割，并将检测出的缺陷发送给工控机；工控机用于完成缺陷分类和质量评级。
以下对本发明实施例提供的钢板表面质量缺陷检测评级系统的工作原理进行说明：
使用时，采集模块获取钢板表面图像信息；FPGA图像采集板卡将图像信息传输至DSP数据处理模块；DSP数据处理模块完成缺陷检测和分割，并将检测出的缺陷发送给工控机；工控机完成缺陷分类和钢板质量的评级。
可见，本发明实施例提供的钢板表面质量缺陷检测评级系统，采用FPGA+DSP结合的方式，高速采集处理图像，能够自动完成钢板表面的缺陷检测和评级，减少了劳动力消耗，避免人工检测主观性导致的误检，检测效率和准确性较高。
本发明实施例中，采集模块用于获取钢板表面图像信息，示例地，采集模块包括：线阵相机、线扫光源和编码器，线阵相机和线扫光源的数量为两个，分别分布在钢板的两侧面。线扫光源，用于对钢板表面进行打光；线阵相机，用于拍摄钢板表面图像；编码器连接在钢板产线转轴和线阵相机之间，以匹配产线速度和相机行频。
其中，线扫光源和线阵相机架设于钢板支撑辊上，可以避免钢板抖动对成像产生影响。
为了提高成像质量，可以选用分辨率为8192像素的线阵相机，可达到对直径为0.1mm的缺陷的检出。线扫光源选用高功率同轴光，光线强度较高，满足线阵相机的拍摄需求。FPGA图像采集板卡连接在线阵相机和DSP数据处理模块之间，进行图像传输，其内设置有高速串行收发器，最高可达800M/s的采集速度，可以满足130m/min的生产线速度及高分辨率的图片的传输需求。DSP数据处理模块集成八核C66x，每核主频1GHz，运算能力高达40GMACS和20GFLOPS，可以快速处理高分辨率的钢板表面原图。
可选地，本发明实施例提供的钢板表面质量缺陷检测评级系统还包括：与工控机连接的打印机，用于打印缺陷检测和质量评级报告。
第二方面，本发明实施例提供了一种钢板表面质量缺陷检测评级方法，如附图2所示，该方法包括：
采集模块获取钢板表面图像信息。
FPGA图像采集板卡将图像信息传输至DSP数据处理模块。
DSP数据处理模块完成缺陷检测和分割，并将检测出的缺陷发送给工控机。
工控机完成缺陷分类和钢板质量的评级。
本发明实施例提供的钢板表面质量缺陷检测评级方法，采用FPGA+DSP结合的方式，高速采集处理图像，能够自动完成钢板表面的缺陷检测和评级，减少了劳动力消耗，避免人工检测主观性导致的误检，检测效率和准确性较高
其中，如附图3所示，DSP数据处理模块完成缺陷检测和分割，并将检测出的缺陷发送给工控机，包括：
数据预处理：对钢板图像数据进行预处理。通过对钢板图像进行预处理，降低检测难度，提高缺陷的检出率。
目标检测：检测钢板表面是否存在缺陷，将检测到的目标精度达到预设精度要求的目标作为可疑缺陷。通过该过程，确定是否存在缺陷，对可疑缺陷进行下一步处理。该步骤中，可以采用边缘检测技术并结合形态学图像处理方法进行目标缺陷的检测
图像分割：将可疑缺陷区域从钢板背景中分割出来，获得钢板的缺陷小图并计算缺陷小图在钢板中的位置及大小，将缺陷小图发送给工控机。通过图像分割获得缺陷小图，使工控机仅对缺陷区域进行识别，降低工控机的运算量。其中，缺陷小图的大小可疑通过图像大小进行计算，其在钢板中的位置可以结合编码器进行获取。
进一步地，对钢板图像数据进行预处理，包括：
去除图像中的非钢板区域；通过该步骤留下真正的钢板图片待识别，降低后续运算量。
对图像进行去燥，尽量去除光照不均引起的图像噪声。
进行图像增强，以加强缺陷和钢板背景的对比，提高缺陷检出率
其中，目标检测步骤中，通过判断目标精度是否大于预设精度要求确定是否为可以缺陷。由于不同的生产组对缺陷的关注度不同，为了满足不同用户的需求，本发明实施例中，预设精度要求通过工控机进行设置，以改变缺陷检出的灵敏度。
举例来说，缺陷灵敏度可以划分为1-100的等级，不同登记对应不同的预设精度要求。用户可通过拖拽式操作选择要检出的缺陷颗粒度大小。
本发明实施例中，如附图4所示，工控机完成缺陷分类和钢板质量的评级，包括：
特征提取：对图像的特征空间进行降维，特征包括灰度特征、形态特征、纹理特征、LBP(Local Binary Pattern，局部二值模式)、HOG(Histogram of Oriented Gradient，方向纬度直方图)和HAAR；
缺陷分类，采用规则判别和机器学习相结合的方法进行缺陷分类。具体地，对于特征较为明显的缺陷，直接采用规则判别法进行分类判别；对于特征不明显的缺陷，利用提取的特征对分类器进行训练，将训练好的分类器作为最终模型对实时监测到的缺陷进行分类判别。
质量评级：根据钢板表面缺陷的面积、位置、类型和/或严重程度进行质量评级。具体地，系统根据对钢板表面监测到的缺陷进行特征分析，包括其面积、位置、类型、严重程度等进行质量评级建模，根据建立的模型进行等级判别。
进一步地，本发明实施例提供的钢板表面质量缺陷检测评级系统中，缺陷小图和对应的缺陷信息在工控机上进行显示，用户可对缺陷信息进行更改。如此设置，能够使用户更为直观地看到真实的钢板缺陷信息，并且可以在钢板原图上查看及修改缺陷信息，及时验证并反馈缺陷检测的正确性。
具体地，钢板的两个侧面的图像在工控机端进行实时显示，检测到的缺陷在实时显示画面中使用矩形框进行标记，当用户选中某个缺陷框时可查看其对应的详细信息，包括位置、缺陷类型和大小等，当检测识别结果有误时，用户可对缺陷类型进行修改。
综上，本发明实施例提供的钢板表面质量缺陷检测评级系统及方法，通过采用FPGA+DSP结合的方式，高速采集处理图像，满足用户实时显示与原图查看的需求；缺陷检出灵敏度可以根据需求进行设置，满足用户现实需求；能够进行钢板表面质量评级及规则定制，满足用户自动评级需求。
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。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种钢板表面质量缺陷检测评级系统，其特征在于，所述系统包括：采集模块、FPGA图像采集板卡、DSP数据处理模块和工控机；
所述采集模块用于获取钢板表面图像信息；
所述FPGA图像采集板卡用于将图像信息传输至所述DSP数据处理模块；
所述DSP数据处理模块用于完成缺陷检测和分割，并将检测出的缺陷发送给所述工控机；
所述工控机用于完成缺陷分类和质量评级。
2.根据权利1所述的钢板表面质量缺陷检测评级系统，其特征在于，所述采集模块包括：线阵相机、线扫光源和编码器，所述线阵相机和所述线扫光源的数量为两个，分别分布在钢板的两侧面；
所述线扫光源，用于对钢板表面进行打光；
所述线阵相机，用于拍摄钢板表面图像；
所述编码器连接在钢板产线转轴和所述线阵相机之间，以匹配产线速度和相机行频。
3.根据权利要求1所述的钢板表面质量缺陷检测评级系统，其特征在于，所述系统还包括：与所述工控机连接的打印机，用于打印缺陷检测和质量评级报告。
4.一种钢板表面质量缺陷检测评级方法，其特征在于，所述方法包括：
采集模块获取钢板表面图像信息；
FPGA图像采集板卡将图像信息传输至DSP数据处理模块；
所述DSP数据处理模块完成缺陷检测和分割，并将检测出的缺陷发送给工控机；
所述工控机完成缺陷分类和钢板质量的评级。
5.根据权利要求4所述的钢板表面质量缺陷检测评级方法，其特征在于，所述DSP数据处理模块完成缺陷检测和分割，并将检测出的缺陷发送给工控机，包括：
数据预处理：对钢板图像数据进行预处理；
目标检测：检测钢板表面是否存在缺陷，将检测到的目标精度达到预设精度要求的目标作为可疑缺陷；
图像分割：将可疑缺陷区域从钢板背景中分割出来，获得钢板的缺陷小图并计算缺陷小图在钢板中的位置及大小，将缺陷小图发送给所述工控机。
6.根据权利要求5所述的钢板表面质量缺陷检测评级方法，其特征在于，所述对钢板图像数据进行预处理，包括：
去除图像中的非钢板区域；
对图像进行去燥；
进行图像增强，以加强缺陷和钢板背景的对比度。
7.根据权利要求5所述的钢板表面质量缺陷检测评级方法，其特征在于，预设精度要求通过所述工控机进行设置。
8.根据权利要求5所述的钢板表面质量缺陷检测评级方法，其特征在于，所述目标检测步骤中，采用边缘检测技术并结合形态学图像处理方法进行目标缺陷的检测。
9.根据权利要求4至8任一项所述的钢板表面质量缺陷检测评级方法，其特征在于，所述工控机完成缺陷分类和钢板质量的评级，包括：
特征提取：对图像的特征空间进行降维，所述特征包括灰度特征、形态特征、纹理特征、LBP、HOG和HAAR；
缺陷分类，采用规则判别和机器学习相结合的方法进行缺陷分类；
质量评级：根据钢板表面缺陷的面积、位置、类型和/或严重程度进行质量评级。
10.根据权利要求5所述的钢板表面质量缺陷检测评级方法，其特征在于，缺陷小图和其对应的缺陷信息在所述工控机上进行显示，用户可对缺陷信息进行更改。
CN201910868926.5A 2019-09-16 2019-09-16 钢板表面质量缺陷检测评级系统及方法 Pending CN110618134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910868926.5A CN110618134A (zh) 2019-09-16 2019-09-16 钢板表面质量缺陷检测评级系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910868926.5A CN110618134A (zh) 2019-09-16 2019-09-16 钢板表面质量缺陷检测评级系统及方法

Publications (1)

Publication Number Publication Date
CN110618134A true CN110618134A (zh) 2019-12-27

Family

ID=68922995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910868926.5A Pending CN110618134A (zh) 2019-09-16 2019-09-16 钢板表面质量缺陷检测评级系统及方法

Country Status (1)

Country Link
CN (1) CN110618134A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111885359A (zh) * 2020-07-28 2020-11-03 中冶赛迪重庆信息技术有限公司 一种基于机器视觉的轧线智能监控系统及方法
CN112763503A (zh) * 2020-12-24 2021-05-07 山西大数据产业发展有限公司 基于机器视觉的高牌号冷轧硅钢孔洞检测系统
CN112858321A (zh) * 2021-02-22 2021-05-28 南京理工大学 基于线阵ccd的钢板表面缺陷检测系统及方法
CN113052830A (zh) * 2021-04-07 2021-06-29 深圳市磐锋精密技术有限公司 一种基于大数据的产品性能检测系统
CN113933308A (zh) * 2021-09-30 2022-01-14 杭州百子尖科技股份有限公司 铝塑膜制造中基于机器视觉的智能瑕疵识别方法
WO2022052480A1 (zh) * 2020-09-11 2022-03-17 广东奥普特科技股份有限公司 锂电池极片瑕疵实时检测处理方法和系统
CN114527072A (zh) * 2022-02-05 2022-05-24 上海研视信息科技有限公司 一种基于结构光扫描的钢板缺陷检测系统
CN115047162A (zh) * 2022-06-24 2022-09-13 张家港沙龙精密管业有限公司 一种钢管热处理的缺陷检测方法及系统
CN115330781A (zh) * 2022-10-13 2022-11-11 启东谷诚不锈钢制品有限公司 一种钢板缺陷识别方法
CN116105604A (zh) * 2023-04-17 2023-05-12 中科视语(北京)科技有限公司 钢管质量检测系统及检测方法
CN116597127A (zh) * 2023-07-12 2023-08-15 山东辰欣佛都药业股份有限公司 无菌眼膏封装完整度图像识别系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403702A (zh) * 2008-11-17 2009-04-08 天津理工大学 一种飞机地面强度试验中疲劳裂纹智能监测方法及装置
CN102200519A (zh) * 2010-03-26 2011-09-28 郭上鲲 检测系统
CN102313747A (zh) * 2011-07-27 2012-01-11 国家林业局北京林业机械研究所 锯材表面缺陷的图像采集系统及检测方法
CN103163141A (zh) * 2011-12-14 2013-06-19 鞍钢股份有限公司 基于嵌入式图像处理系统的带钢表面在线检测系统及方法
CN104914111A (zh) * 2015-05-18 2015-09-16 北京华检智研软件技术有限责任公司 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN105044126A (zh) * 2015-07-22 2015-11-11 瑞安市质量技术监督检测院 宽幅连续表面缺陷视觉检测系统
CN108399184A (zh) * 2017-11-29 2018-08-14 安徽景隆金属材料有限公司 一种钢材的表面处理方法
CN108956645A (zh) * 2018-07-18 2018-12-07 丹阳市精通眼镜技术创新服务中心有限公司 一种多视觉系统的光学镜片缺陷检测装置及方法
CN110118784A (zh) * 2019-06-20 2019-08-13 山西大数据产业发展有限公司 基于机器视觉的钢卷表面质量缺陷检测系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403702A (zh) * 2008-11-17 2009-04-08 天津理工大学 一种飞机地面强度试验中疲劳裂纹智能监测方法及装置
CN102200519A (zh) * 2010-03-26 2011-09-28 郭上鲲 检测系统
CN102313747A (zh) * 2011-07-27 2012-01-11 国家林业局北京林业机械研究所 锯材表面缺陷的图像采集系统及检测方法
CN103163141A (zh) * 2011-12-14 2013-06-19 鞍钢股份有限公司 基于嵌入式图像处理系统的带钢表面在线检测系统及方法
CN104914111A (zh) * 2015-05-18 2015-09-16 北京华检智研软件技术有限责任公司 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN105044126A (zh) * 2015-07-22 2015-11-11 瑞安市质量技术监督检测院 宽幅连续表面缺陷视觉检测系统
CN108399184A (zh) * 2017-11-29 2018-08-14 安徽景隆金属材料有限公司 一种钢材的表面处理方法
CN108956645A (zh) * 2018-07-18 2018-12-07 丹阳市精通眼镜技术创新服务中心有限公司 一种多视觉系统的光学镜片缺陷检测装置及方法
CN110118784A (zh) * 2019-06-20 2019-08-13 山西大数据产业发展有限公司 基于机器视觉的钢卷表面质量缺陷检测系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111885359A (zh) * 2020-07-28 2020-11-03 中冶赛迪重庆信息技术有限公司 一种基于机器视觉的轧线智能监控系统及方法
WO2022052480A1 (zh) * 2020-09-11 2022-03-17 广东奥普特科技股份有限公司 锂电池极片瑕疵实时检测处理方法和系统
CN112763503A (zh) * 2020-12-24 2021-05-07 山西大数据产业发展有限公司 基于机器视觉的高牌号冷轧硅钢孔洞检测系统
CN112858321A (zh) * 2021-02-22 2021-05-28 南京理工大学 基于线阵ccd的钢板表面缺陷检测系统及方法
CN113052830A (zh) * 2021-04-07 2021-06-29 深圳市磐锋精密技术有限公司 一种基于大数据的产品性能检测系统
CN113933308A (zh) * 2021-09-30 2022-01-14 杭州百子尖科技股份有限公司 铝塑膜制造中基于机器视觉的智能瑕疵识别方法
CN114527072A (zh) * 2022-02-05 2022-05-24 上海研视信息科技有限公司 一种基于结构光扫描的钢板缺陷检测系统
CN115047162A (zh) * 2022-06-24 2022-09-13 张家港沙龙精密管业有限公司 一种钢管热处理的缺陷检测方法及系统
CN115047162B (zh) * 2022-06-24 2024-02-06 张家港沙龙精密管业有限公司 一种钢管热处理的缺陷检测方法及系统
CN115330781A (zh) * 2022-10-13 2022-11-11 启东谷诚不锈钢制品有限公司 一种钢板缺陷识别方法
CN116105604A (zh) * 2023-04-17 2023-05-12 中科视语(北京)科技有限公司 钢管质量检测系统及检测方法
CN116597127A (zh) * 2023-07-12 2023-08-15 山东辰欣佛都药业股份有限公司 无菌眼膏封装完整度图像识别系统
CN116597127B (zh) * 2023-07-12 2024-01-12 山东辰欣佛都药业股份有限公司 一种无菌眼膏封装完整度图像识别系统

Similar Documents

Publication Publication Date Title
CN110618134A (zh) 钢板表面质量缺陷检测评级系统及方法
KR102254773B1 (ko) 영상정보를 이용한 건물 부위별 하자의 자동 판정과 분류 시스템 및 그 방법
Rahaman et al. Automatic defect detection and classification technique from image: a special case using ceramic tiles
CN103913468A (zh) 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法
CN109816645B (zh) 一种钢卷松卷的自动检测方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN113252568A (zh) 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端
CN113869300A (zh) 基于多视觉融合的工件表面缺陷和字符识别的方法及系统
CN116703911B (zh) 一种led灯生产质量检测系统
CN110554052A (zh) 一种人造板表面缺陷检测方法及其系统
Wang et al. Design of machine vision applications in detection of defects in high-speed bar copper
Tang et al. Surface inspection system of steel strip based on machine vision
CN114612418A (zh) 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备
CN114226262A (zh) 瑕疵检测方法、瑕疵分类方法及其系统
CN111563869B (zh) 用于摄像模组质检的污点测试方法
CN116681677A (zh) 一种锂电池缺陷检测方法、装置及系统
CN112734742B (zh) 用于提高工业质检准确率的方法和系统
CN116091506A (zh) 一种基于yolov5的机器视觉缺陷质检方法
CN116258703A (zh) 缺陷检测方法、装置、电子设备及计算机可读存储介质
TWI749714B (zh) 瑕疵檢測方法、瑕疵分類方法及其系統
CN113947598B (zh) 基于图像处理的塑料餐盒缺陷检测方法、装置及系统
TWM606740U (zh) 瑕疵檢測系統
CN115205193A (zh) 一种基于微小缺陷yolo网络的钢板表面缺陷检测方法
CN114972246A (zh) 一种基于深度学习的模切产品表面缺陷检测方法
CN114723728A (zh) 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统

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

Application publication date: 20191227

RJ01 Rejection of invention patent application after publication