CN110687127A - 一种基于机器视觉和深度学习的真皮表面缺陷检测装备 - Google Patents
一种基于机器视觉和深度学习的真皮表面缺陷检测装备 Download PDFInfo
- Publication number
- CN110687127A CN110687127A CN201911056738.9A CN201911056738A CN110687127A CN 110687127 A CN110687127 A CN 110687127A CN 201911056738 A CN201911056738 A CN 201911056738A CN 110687127 A CN110687127 A CN 110687127A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- machine vision
- light source
- rod
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 230000007547 defect Effects 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000002500 effect on skin Effects 0.000 title claims description 12
- 239000010985 leather Substances 0.000 claims abstract description 30
- 238000009434 installation Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 210000004207 dermis Anatomy 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000007723 transport mechanism Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 125000003003 spiro group Chemical group 0.000 description 4
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及皮革制品技术领域,尤其是一种基于机器视觉和深度学习的真皮表面缺陷检测装备,包括载物台,所述载物台上表面一侧通过角度调节机构安装有相机组件,另一侧安装有成像显示屏,所述相机组件两侧通过转动结构连接有第一光源,所述载物台上表面中部安装有第二光源,所述第二光源两侧的载物台上安装有传送机构。本发明基于机器视觉和深度学习的检测技术应用于真皮表面的自动检测,实现真皮制品的准柔性自动化生产,可解决能源浪费情况,提高检测可靠性和检测的人工和能耗成本。
Description
技术领域
本发明涉及皮革制品技术领域,尤其涉及一种基于机器视觉和深度学习的真皮表面缺陷检测装备。
背景技术
长期以来,我国皮革制品加工过程中的表面缺陷判别、样片排样、裁剪等工序主要靠人工实现,这种全手工的生产工艺存在许多问题:检测环境恶劣、枯燥,皮革散发的气味危害人体健康;皮革表面面积较大(通常牛皮表面积,操作人员的劳动强度大、检测速度慢、生产效率低;每个工人的检测判别标准不一样,缺乏检测的标准,检测置信度低;检测人员主观因素影响大。随着人的体力和精力的下降,造成检测人员的视觉疲劳,很难自始至终保证检测精度,难免造成误判和漏检。
为了改变这种生产现状,提高生产效率和皮革原料利用率,提高产品质量,逐需开展皮革制品的自动化生产工艺改进。本项目旨在研发一套适合于真皮表面缺陷检测设备,实现真皮表面缺陷检测的自动化。
发明内容
本发明的目的是为了解决现有技术中存在检测可靠性低和检测的人工和能耗成本高的缺点,而提出的一种基于机器视觉和深度学习的真皮表面缺陷检测装备。
为了实现上述目的,本发明采用了如下技术方案:
设计一种基于机器视觉和深度学习的真皮表面缺陷检测装备,包括载物台,所述载物台上表面一侧通过角度调节机构安装有相机组件,另一侧安装有成像显示屏,所述相机组件两侧通过转动结构连接有第一光源,所述载物台上表面中部安装有第二光源,所述第二光源两侧的载物台上安装有传送机构。
优选的,所述角度调节机构包括水平方向角度调节结构和竖直方向角度调节结构,所述水平方向角度调节结构包括轴承座、滑杆、滑套和定位销,所述轴承座安装在载物台上表面一侧,所述滑杆竖直安装在轴承座内,且所述滑杆与轴承座的中轴线处于同一直线上,所述滑杆杆身上滑动安装有滑套,所述滑套一侧通过开孔水平螺接有定位销,且所述滑套另一侧通过竖直方向角度调节结构与相机组件连接。
优选的,所述竖直方向角度调节结构包括安装耳、第一转动杆和锁紧螺栓,所述安装耳垂直焊接在滑套一侧侧壁上,所述安装耳与第一转动杆转动连接,所述锁紧螺栓固定安装耳与第一转动杆的相对位置,所述第一转动杆尾端垂直安装有连杆,所述连杆底端垂直连接在相机组件上表面中间。
优选的,所述转动结构包括第二转动杆、固定螺栓和第三转动杆,所述第二转动对称安装在相机组件两侧,所述第二转动杆底端通过固定螺栓与第三转动杆活动连接,所述第三转动杆底端安装有第一光源。
优选的,所述传送机构包括张紧结构、夹持结构和转动辊,所述张紧结构包括底座、导向杆、定位螺栓、弹簧和滑管,所述底座安装在载物台上表面中部,且所述底座对称设置在第二光源两侧,所述底座一侧顶部水平安装有导向杆,所述导向杆端部水平插装在滑管内,所述定位螺栓通过开孔垂直螺接在滑管两侧,所述导向杆的端部与定位螺栓之间的部位套设有弹簧,所述滑管的尾端通过。
优选的,所述夹持结构包括螺孔、套口螺栓和两个夹具,所述夹具转动连接在滑管端部两侧,所述螺孔垂直开设在夹具一端,所述螺孔被套口螺栓螺接在一起,且所述夹具的端部夹持有转动辊。
优选的,一种基于机器视觉和深度学习的真皮表面缺陷检测装备的使用方法,包括以下步骤:
S1:确定好图像采集系统各部分的工作参数,通过传送机构将皮料传动到指定的位置;
S2:开启第一光源并调节到合适的角度,然后相机组件皮料的图像,通过图像检测算法判断皮料的是否有缺陷并将图像传输至成像显示屏;
S3:开启第二光源,采用数字控制器调节第一光源和第二光源的亮度,将光源调到更大的亮度阈值以检测皮料表面与内部缺陷,相机组件该亮度下拍摄皮料的图像,检查并将图像传输至成像显示屏。
优选的,所述检测算法的步骤为:
A1:采用小波自适应阀值和高斯滤波的图像联合去噪方法,在不破坏皮料表面纹理和缺陷信息的前提下实现图像去噪;
A2:将中值滤波后的图像动态阈值二值化进行分割图像,形成二值化图像;
A3:将二值化图像通过先膨胀再腐蚀的数学形态学开运算,以消除二值化图像中的孤立点,再对进行数学形态学开运算后的图像进行先腐蚀再膨胀的数学形态学闭运算,以消除匹配误差而造成的缺陷区域分裂;
A4:对进行数学形态学闭运算后的图像通过Blob算法进行分析,提取该图像中的色块,所述色块即对应的缺陷。
本发明提出的一种基于机器视觉和深度学习的真皮表面缺陷检测装备,有益效果在于:该基于机器视觉和深度学习的检测技术应用于真皮表面的自动检测,实现真皮制品的准柔性自动化生产,可解决能源浪费情况,提高检测可靠性和检测的人工和能耗成本。
附图说明
图1为本发明提出的一种基于机器视觉和深度学习的真皮表面缺陷检测装备的结构示意图。
图2为本发明提出的一种基于机器视觉和深度学习的真皮表面缺陷检测装备的局部放大图。
图3为本发明提出的一种基于机器视觉和深度学习的真皮表面缺陷检测装备的转动结构放大图。
图中:张紧结构1、底座101、导向杆102、定位螺栓103、弹簧104、滑管105、夹持结构2、螺孔201、套口螺栓202、夹具203、载物台3、轴承座4、滑杆5、滑套6、定位销7、安装耳8、第一转动杆9、锁紧螺栓10、连杆11、相机组件12、第一光源13、第二光源14、成像显示屏15、转动辊16、第二转动杆17、固定螺栓18、第三转动杆19。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-3,一种基于机器视觉和深度学习的真皮表面缺陷检测装备,包括载物台3,载物台3上表面一侧通过角度调节机构安装有相机组件12,另一侧安装有成像显示屏15,角度调节机构包括水平方向角度调节结构和竖直方向角度调节结构,水平方向角度调节结构包括轴承座4、滑杆5、滑套6和定位销7,轴承座4安装在载物台3上表面一侧,滑杆5竖直安装在轴承座4内,且滑杆5与轴承座4的中轴线处于同一直线上,滑杆5杆身上滑动安装有滑套6,滑套6一侧通过开孔水平螺接有定位销7,且滑套6另一侧通过竖直方向角度调节结构与相机组件12连接。
竖直方向角度调节结构包括安装耳8、第一转动杆9和锁紧螺栓10,安装耳8垂直焊接在滑套6一侧侧壁上,安装耳8与第一转动杆9转动连接,锁紧螺栓10固定安装耳8与第一转动杆9的相对位置,第一转动杆9尾端垂直安装有连杆11,连杆11底端垂直连接在相机组件12上表面中间
相机组件12两侧通过转动结构连接有第一光源13,转动结构包括第二转动杆17、固定螺栓18和第三转动杆19,第二转动17对称安装在相机组件12两侧,第二转动杆17底端通过固定螺栓18与第三转动杆19活动连接,第三转动杆19底端安装有第一光源13,载物台14上表面中部安装有第二光源14,第二光源14两侧的载物台3上安装有传送机构。
传送机构包括张紧结构1、夹持结构2和转动辊16,张紧结构1包括底座101、导向杆102、定位螺栓103、弹簧104和滑管105,底座101安装在载物台3上表面中部,且底座101对称设置在第二光源14两侧,底座1一侧顶部水平安装有导向杆102,导向杆102端部水平插装在滑管105内,定位螺栓103通过开孔垂直螺接在滑管105两侧,导向杆102的端部与定位螺栓103之间的部位套设有弹簧104,滑管105的尾端通过。
夹持结构2包括螺孔201、套口螺栓202和两个夹具203,夹具203转动连接在滑管105端部两侧,螺孔201垂直开设在夹具203一端,螺孔201被套口螺栓202螺接在一起,且夹具203的端部夹持有转动辊。
一种基于机器视觉和深度学习的真皮表面缺陷检测装备的使用方法,包括以下步骤:
S1:确定好图像采集系统各部分的工作参数,通过传送机构将皮料传动到指定的位置;
S2:开启第一光源13并调节到合适的角度,然后相机组件12皮料的图像,通过图像检测算法判断皮料的是否有缺陷并将图像传输至成像显示屏15;
S3:开启第二光源14,采用数字控制器调节第一光源13和第二光源14的亮度,将光源调到更大的亮度阈值以检测皮料表面与内部缺陷,相机组件12该亮度下拍摄皮料的图像,检查并将图像传输至成像显示屏15。
检测算法的步骤为:
A1:采用小波自适应阀值和高斯滤波的图像联合去噪方法,在不破坏皮料表面纹理和缺陷信息的前提下实现图像去噪;
A2:将中值滤波后的图像动态阈值二值化进行分割图像,形成二值化图像;
A3:将二值化图像通过先膨胀再腐蚀的数学形态学开运算,以消除二值化图像中的孤立点,再对进行数学形态学开运算后的图像进行先腐蚀再膨胀的数学形态学闭运算,以消除匹配误差而造成的缺陷区域分裂;
A4:对进行数学形态学闭运算后的图像通过Blob算法进行分析,提取该图像中的色块,色块即对应的缺陷。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于机器视觉和深度学习的真皮表面缺陷检测装备,包括载物台(3),其特征在于:所述载物台(3)上表面一侧通过角度调节机构安装有相机组件(12),另一侧安装有成像显示屏(15),所述相机组件(12)两侧通过转动结构连接有第一光源(13),所述载物台(14)上表面中部安装有第二光源(14),所述第二光源(14)两侧的载物台(3)上安装有传送机构。
2.根据权利要求1所述的一种基于机器视觉和深度学习的真皮表面缺陷检测装备,其特征在于,所述角度调节机构包括水平方向角度调节结构和竖直方向角度调节结构,所述水平方向角度调节结构包括轴承座(4)、滑杆(5)、滑套(6)和定位销(7),所述轴承座(4)安装在载物台(3)上表面一侧,所述滑杆(5)竖直安装在轴承座(4)内,且所述滑杆(5)与轴承座(4)的中轴线处于同一直线上,所述滑杆(5)杆身上滑动安装有滑套(6),所述滑套(6)一侧通过开孔水平螺接有定位销(7),且所述滑套(6)另一侧通过竖直方向角度调节结构与相机组件(12)连接。
3.根据权利要求2所述的一种基于机器视觉和深度学习的真皮表面缺陷检测装备,其特征在于,所述竖直方向角度调节结构包括安装耳(8)、第一转动杆(9)和锁紧螺栓(10),所述安装耳(8)垂直焊接在滑套(6)一侧侧壁上,所述安装耳(8)与第一转动杆(9)转动连接,所述锁紧螺栓(10)固定安装耳(8)与第一转动杆(9)的相对位置,所述第一转动杆(9)尾端垂直安装有连杆(11),所述连杆(11)底端垂直连接在相机组件(12)上表面中间。
4.根据权利要求1所述的一种基于机器视觉和深度学习的真皮表面缺陷检测装备,其特征在于,所述转动结构包括第二转动杆(17)、固定螺栓(18)和第三转动杆(19),所述第二转动(17)对称安装在相机组件(12)两侧,所述第二转动杆(17)底端通过固定螺栓(18)与第三转动杆(19)活动连接,所述第三转动杆(19)底端安装有第一光源(13)。
5.根据权利要求1所述的一种基于机器视觉和深度学习的真皮表面缺陷检测装备,其特征在于,所述传送机构包括张紧结构(1)、夹持结构(2)和转动辊(16),所述张紧结构(1)包括底座(101)、导向杆(102)、定位螺栓(103)、弹簧(104)和滑管(105),所述底座(101)安装在载物台(3)上表面中部,且所述底座(101)对称设置在第二光源(14)两侧,所述底座(1)一侧顶部水平安装有导向杆(102),所述导向杆(102)端部水平插装在滑管(105)内,所述定位螺栓(103)通过开孔垂直螺接在滑管(105)两侧,所述导向杆(102)的端部与定位螺栓(103)之间的部位套设有弹簧(104),所述滑管(105)的尾端通过。
6.根据权利要求5所述的一种基于机器视觉和深度学习的真皮表面缺陷检测装备,其特征在于,所述夹持结构(2)包括螺孔(201)、套口螺栓(202)和两个夹具(203),所述夹具(203)转动连接在滑管(105)端部两侧,所述螺孔(201)垂直开设在夹具(203)一端,所述螺孔(201)被套口螺栓(202)螺接在一起,且所述夹具(203)的端部夹持有转动辊(16)。
7.一种根据权利要求1所述的基于机器视觉和深度学习的真皮表面缺陷检测装备的使用方法,其特征在于包括以下步骤:
S1:确定好图像采集系统各部分的工作参数,通过传送机构将皮料传动到指定的位置;
S2:开启第一光源(13)并调节到合适的角度,然后相机组件(12)皮料的图像,通过图像检测算法判断皮料的是否有缺陷并将图像传输至成像显示屏(15);
S3:开启第二光源(14),采用数字控制器调节第一光源(13)和第二光源(14)的亮度,将光源调到更大的亮度阈值以检测皮料表面与内部缺陷,相机组件(12)该亮度下拍摄皮料的图像,检查并将图像传输至成像显示屏(15)。
8.根据权利要求7所述的一种基于机器视觉和深度学习的真皮表面缺陷检测装备使用方法,其特征在于,所述检测算法的步骤为:
A1:采用小波自适应阀值和高斯滤波的图像联合去噪方法,在不破坏皮料表面纹理和缺陷信息的前提下实现图像去噪;
A2:将中值滤波后的图像动态阈值二值化进行分割图像,形成二值化图像;
A3:将二值化图像通过先膨胀再腐蚀的数学形态学开运算,以消除二值化图像中的孤立点,再对进行数学形态学开运算后的图像进行先腐蚀再膨胀的数学形态学闭运算,以消除匹配误差而造成的缺陷区域分裂;
A4:对进行数学形态学闭运算后的图像通过Blob算法进行分析,提取该图像中的色块,所述色块即对应的缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911056738.9A CN110687127A (zh) | 2019-10-31 | 2019-10-31 | 一种基于机器视觉和深度学习的真皮表面缺陷检测装备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911056738.9A CN110687127A (zh) | 2019-10-31 | 2019-10-31 | 一种基于机器视觉和深度学习的真皮表面缺陷检测装备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110687127A true CN110687127A (zh) | 2020-01-14 |
Family
ID=69115165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911056738.9A Withdrawn CN110687127A (zh) | 2019-10-31 | 2019-10-31 | 一种基于机器视觉和深度学习的真皮表面缺陷检测装备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110687127A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366072A (zh) * | 2020-02-11 | 2020-07-03 | 天津大学 | 一种用于图像深度学习的数据采集方法 |
-
2019
- 2019-10-31 CN CN201911056738.9A patent/CN110687127A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366072A (zh) * | 2020-02-11 | 2020-07-03 | 天津大学 | 一种用于图像深度学习的数据采集方法 |
CN111366072B (zh) * | 2020-02-11 | 2021-05-14 | 天津大学 | 一种用于图像深度学习的数据采集方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102539443B (zh) | 基于机器视觉的瓶身缺陷自动检测方法 | |
CN201413296Y (zh) | 一种检测木板表面缺陷的装置 | |
WO2014139273A1 (zh) | 焊缝缺陷检测方法 | |
CN202075755U (zh) | 一种工件表面微裂纹视觉检测装置 | |
CN102680494B (zh) | 基于机器视觉的抛光金属弧状面瑕疵实时检测方法 | |
CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN102890093B (zh) | 汽车刹车主缸活塞表面质量机器视觉检测装置 | |
CN109406526A (zh) | 一种树脂镜片烟雾缺陷检测装置 | |
CN202119397U (zh) | 非接触式抽检视觉检测系统 | |
CN110687127A (zh) | 一种基于机器视觉和深度学习的真皮表面缺陷检测装备 | |
CN115201206B (zh) | 基于机器视觉的电动车车把缺陷检测方法 | |
CN106353340A (zh) | 一种棒状高反射率零件表面缺陷检测方法 | |
CN112845159A (zh) | 一种基于机器学习的管路视觉检测系统及方法 | |
CN111999301A (zh) | 一种智能轮胎外观纠错系统 | |
CN202471610U (zh) | 基于机器视觉的瓶身缺陷自动检测装置 | |
CN104048966A (zh) | 一种基于大律法的布面疵点检测及分类方法 | |
CN103743760A (zh) | 一种pcb板的线路检测方法 | |
WO2022222467A1 (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
CN205374331U (zh) | 物体表面瑕疵检测装置 | |
CN204506925U (zh) | 一种车载式车轮不圆度检测仪 | |
CN107716674B (zh) | 机器人滚边系统闭环控制方法 | |
CN111323425A (zh) | 一种多相机视觉检测装置及方法 | |
CN203732031U (zh) | 一种十字型钥匙齿形尺寸的检测装置 | |
CN114689612A (zh) | 一种3d手机玻璃盖板的缺陷自动检测装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200114 |
|
WW01 | Invention patent application withdrawn after publication |