CN110782453B - 一种基于图像特征匹配的印刷品质量检测方法 - Google Patents
一种基于图像特征匹配的印刷品质量检测方法 Download PDFInfo
- Publication number
- CN110782453B CN110782453B CN201911076743.6A CN201911076743A CN110782453B CN 110782453 B CN110782453 B CN 110782453B CN 201911076743 A CN201911076743 A CN 201911076743A CN 110782453 B CN110782453 B CN 110782453B
- Authority
- CN
- China
- Prior art keywords
- image
- printed matter
- feature
- characteristic region
- binary
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 230000007547 defect Effects 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 72
- 238000012545 processing Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000005484 gravity Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 206010034960 Photophobia Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000013469 light sensitivity Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
Images
Classifications
-
- 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
- G06T7/11—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于图像特征匹配的印刷品质量检测方法,具体步骤为:步骤1,输入待处理的印刷品图像和模板图像,对待处理的印刷品图像做预处理,获得二值图像A1;对模板图像做预处理,获得二值图像B1;步骤2,根据二值图像B1对二值图像A1进行图像配准,得到配准图像E;步骤3,对配准图像E进行特征区域提取,并根据二值图像B1对特征区域进行筛选,输出筛选后的特征区域A’;步骤4,对特征区域A’和B1进行特征匹配,得到缺陷区域并对其进行标记,输出标记后的图像。本发明解决了现有技术中存在的光照敏感和小污点难以检测的问题。
Description
技术领域
本发明属于图像处理技术领域,涉及一种基于图像特征匹配的印刷品质量检测方法。
背景技术
随着社会生产力的不断提高,人们对于生活水平和产品质量的要求越来越高,各种各样的印刷品在我们的生活学习中随处可见。印刷品在印刷过程中,由于印刷设备、材料等的不同,难免会造成印刷缺陷,比如污点、位置偏移、漏印等。为了加强对印刷品质量的严格把关,计算机视觉残缺检测技术逐渐被应用到印刷品质量检测中,有效地提高了产品质量。
在计算机视觉检测技术出现之前,一般印刷工厂都采用人工检测印刷品质量的方式,容易产生由于主观因素造成的误检、漏检等情况的发生,且人工检测成本太高,因此越来越多的机器视觉检测技术应用在工业生产线的质量检测中,数字图像处理技术为其提供了重要的研究方法和理论。目前,现有的印刷品质量检测方法可分为以下三类:参考图像对比法、无参考图像检测法和混合方法。近年来,国内外学者对于印刷品表面缺陷检测的研究越来越多,但依然存在光照敏感和小污点难以检测的问题。
发明内容
本发明的目的是提供一种基于图像特征匹配的印刷品质量检测方法,解决了现有技术中存在的光照敏感和小污点难以检测的问题。
本发明所采用的技术方案是,
一种基于图像特征匹配的印刷品质量检测方法,具体步骤为:
步骤1,输入待处理的印刷品图像和模板图像,对待处理的印刷品图像做预处理,获得二值图像A1;对模板图像做预处理,获得二值图像B1;
步骤2,根据二值图像B1对二值图像A1进行图像配准,得到配准图像E;
步骤3,对配准图像E进行特征区域提取,并根据二值图像B1对特征区域进行筛选,输出筛选后的特征区域A’;
步骤4,对特征区域A’和二值图像B1进行特征匹配,得到缺陷区域并对其进行标记,输出标记后的图像。
本发明的特点还在于,
其中步骤1中对待处理的印刷品图像做预处理的具体步骤为:
步骤1.1,对待处理的印刷品图像进行灰度化,得到灰度图像;
步骤1.2,对灰度图像做中值滤波处理,得到滤波图像;
步骤1.3,对滤波图像进行分块处理,得到多个图像块;
步骤1.4,对每个图像块进行阈值分割;
步骤1.5,对所有阈值分割后的图像块进行空洞填充,得到的对待处理的印刷品图像的二值图像为二值图像A1;
同理,对模板图像做预处理的具体步骤与步骤1.1~步骤1.5的步骤相同,得到的模板图像的二值图像为二值图像B1。
分块处理为将滤波图像分成大小相等且互不重叠的图像块;
图像块为40像素*40像素~60像素*60像素的方形图像块。
阈值分割采用的是大津法。
其中步骤3具体为:
步骤3.1,提取配准图像E中每个连通域的重心作为特征点,取每个特征点及其邻域作为特征区域A;提取二值图像B1中每个连通域的重心作为特征点,取每个特征点及其邻域作为特征区域B;
步骤3.2,对每个特征区域A与相对应的特征区域B进行相似性筛选,输出筛选后的特征区域。
步骤3.2具体的为:
步骤3.2.1,对每个特征区域进行相似性计算,公式为:
其中SSIM为相似性,δab为A和B的协方差,δa和δb分别为A、B的标准差,C为常数;
步骤3.2.2,对SSIM进行判断,如公式(8)所示,若SSIM(A,B)=1,则删除该特征区域,否则保留A作为筛选后的特征区域A’;
其中步骤4具体为:
步骤4.1,计算每个特征区域A’的Ratio比值,其计算方式为:
其中,H为每个特征区域A’与相对应的特征区域B的汉明距离,Total为二值图像A1的总像素个数;
步骤4.2,设置阈值TA,若Ratio比值不小于TA时,则认为该特征区域A’为缺陷区域;
步骤4.3,在输入待处理的印刷品图像中标记所有缺陷区域并输出标记后的图像。
阈值TA的设置范围为0.6~0.65。
本发明的有益效果是,
一、本发明在对缺陷进行检测之前,将图像分成相同大小的小块,使得在每个小块内光照尽量均匀,然后对每个小块进行阈值处理,可减少光照不均对检测结果的影响。
二、无论缺陷大小,重心一定存在,在二值图像中,提取每个连通域的重心作为特征点与标准图像的特征点进行对比进行检测,可以实现对小缺陷的检测,提高检测准确率。
附图说明
图1是本发明基于图像特征匹配的印刷品质量检测方法的流程图;
图2是本发明基于图像特征匹配的印刷品质量检测方法实施例1中的模板图像;
图3是本发明基于图像特征匹配的印刷品质量检测方法实施例1中的待处理的印刷品图像;
图4是本发明基于图像特征匹配的印刷品质量检测方法对实施例1中的标记后图像;
图5是使用TM方法对图3进行缺陷检测的结果图;
图6是使用IR方法对图3进行缺陷检测的结果图;
图7是使用GTS_IR方法对图3进行缺陷检测的结果图;
图8是本发明基于图像特征匹配的印刷品质量检测方法实施例2中的模板图像;
图9是本发明基于图像特征匹配的印刷品质量检测方法实施例2中的待处理的印刷品图像;
图10是本发明基于图像特征匹配的印刷品质量检测方法对实施例2中的标记后图像;
图11是使用TM方法对图9进行缺陷检测的结果图;
图12是使用IR方法对图9进行缺陷检测的结果图;
图13是使用GTS_IR方法对图9进行缺陷检测的结果图;
图14是本发明基于图像特征匹配的印刷品质量检测方法实施例3中的模板图像;
图15是本发明基于图像特征匹配的印刷品质量检测方法实施例3中的待处理的印刷品图像;
图16是本发明基于图像特征匹配的印刷品质量检测方法对实施例3中的标记后图像;
图17是使用TM方法对图15进行缺陷检测的结果图;
图18是使用IR方法对图15进行缺陷检测的结果图;
图19是使用GTS_IR方法对图15进行缺陷检测的结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于图像特征匹配的印刷品质量检测方法,如图1,具体步骤为:
步骤1,输入待处理的印刷品图像和模板图像,对待处理的印刷品图像做预处理,获得二值图像A1;对模板图像做预处理,获得二值图像B1;
这里的模板图像为无缺陷的印刷品标准图像;
步骤2,根据二值图像B1对二值图像A1进行图像配准,得到配准图像E;
步骤3,对配准图像E进行特征区域提取,并根据二值图像B1对特征区域进行筛选,输出筛选后的特征区域A’;
步骤4,对特征区域A’和B1进行特征匹配,得到缺陷区域并对其进行标记,输出标记后的图像。
其中步骤1中对待处理的印刷品图像做预处理的具体步骤为:
步骤1.1,对待处理的印刷品图像进行灰度化,得到灰度图像;公式为:
Ig=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
其中,R、G、B分别为待处理的印刷品图像的红、绿、蓝分量,Ig为灰度图像。
步骤1.2,对灰度图像做中值滤波处理,得到滤波图像;公式为:
Im=median{Ig(i-k,j-l)},(k,l∈W) (2)
其中,Im为滤波图像,W为选定的窗口。使用中值滤波法对图像滤波时一方面可以滤除多余噪声的干扰,另一方面可以相对完整的保存图像的边缘信息。
步骤1.3,对滤波图像进行分块处理,得到多个图像块;分块处理为将滤波图像分成大小相等且互不重叠的图像块;图像块为40像素*40像素~60像素*60像素的方形图像块。
步骤1.4,对每个图像块进行阈值分割;其中阈值分割采用的是大津法,具体步骤为:
步骤1.4.1,在每个图像块内计算平均灰度差Δm:
Δm=|m1-m1| (3)
其中,m1、m2分别为背景和前景的平均灰度值,a1和a2分别为背景和前景区域占整幅图像的比值,N为图像块所包含的灰度级;
步骤1.4.2,如公式(6),对平均灰度差大于20的图像块进行阈值分割处理,其他的图像块判定为纯背景块,纯背景块的像素值的置为“0”:
其中,Bk为阈值分割处理后的图像块,(Im)k平均灰度差大于20的图像块,T为使用大津法的分割计算得到阈值。
步骤1.5,对所有阈值分割后的图像块进行空洞填充,得到的对待处理的印刷品图像的二值图像为二值图像A1;
同理,对模板图像做预处理具体步骤与步骤1.1~步骤1.5的步骤相同,得到的模板图像的二值图像为二值图像B1。
其中步骤3具体为:
步骤3.1,提取配准图像E中每个连通域的重心作为特征点,取每个特征点及其邻域作为特征区域A;提取二值图像B1中每个连通域的重心作为特征点,取每个特征点及其邻域作为特征区域B;
步骤3.2,对每个特征区域A与相对应的特征区域B进行相似性筛选,输出筛选后的特征区域,步骤3.2具体的为:
步骤3.2.1,对每个特征区域进行相似性计算,公式为:
其中SSIM为相似性,δab为A和B的协方差,δa和δb分别为A、B的标准差,C为常数;
步骤3.2.2,对SSIM进行判断,如公式(8),若SSIM(A,B)=1,则删除该特征区域,否则保留A作为筛选后的特征区域A’;
其中步骤4具体为:
步骤4.1,计算每个特征区域A’的Ratio比值,其计算方式为:
其中,H为每个特征区域A’与相对应的特征区域B的汉明距离,Total为二值图像A1的总像素个数;
步骤4.2,设置阈值TA,若Ratio比值不小于TA时,则认为该特征区域A’为缺陷区域,这里阈值TA的设置范围为0.6~0.65;
步骤4.3,在输入待处理的印刷品图像中标记所有缺陷区域并输出标记后的图像。
以下为利用本发明基于图像特征匹配的印刷品质量检测方法进行缺陷检测的3个实施例,以下3个实施例中所用图像为使用图像采集平台采集的基于背景的印刷品图像,其中实施例1中的输入图像为纯图像图像,实施例2中的输入图像为纯文字图像,实施例3中的输入图像为文字和图像混合图像。
为对本发明基于图像特征匹配的印刷品质量检测方法的准确性进行测试,同时与现有的模板匹配方法(本文称为:TM方法)、基于图像配准的方法(本文称为:IR方法)和基于混合梯度阈值分割和图像配准方法(本文称为:GTS_IR方法)进行实验比较。
实施例1
执行步骤1,获得二值图像A1和二值图像B1;其中待处理的印刷品图像为图3,模板图像为图2;
执行步骤2,获得配准图像E,其中图像块的大小设置为40像素*40像素;
执行步骤3,获得筛选后的特征区域A’;
执行步骤4,输出标记后的图像为图4,其中阈值TA设置为0.6。
图5~图7为对图2和图3分别进行TM方法、IR方法和GTS_IR方法后的缺陷检测结果图,用本发明方法与其他方法进行对比可知,4种方法均可检测到较大的缺陷,且本发明方法检测的结果相比TM方法更加准确。
实施例2
执行步骤1,获得二值图像A1和二值图像B1;其中模板图像为图8,待处理的印刷品图像为图9;
执行步骤2,获得配准图像E,其中图像块的大小设置为50像素*50像素;
执行步骤3,获得筛选后的特征区域A’;
执行步骤4,输出标记后的图像为图10,其中阈值TA设置为0.65。
图11~图13为对图8和图9分别进行TM方法、IR方法和GTS_IR方法后的检测结果图,用本发明方法与其他方法进行对比可知,本发明的方法在光照不均时可以准确检测出印刷品中的缺陷,而其他方法在光照不均匀时无法准确实现对缺陷的检测。
实施例3
执行步骤1,获得二值图像A1和二值图像B1;其中模板图像为图14,待处理的印刷品图像为图15;
执行步骤2,获得配准图像E,其中图像块的大小设置为60像素*60像素;
执行步骤3,获得筛选后的特征区域A’;
执行步骤4,输出标记后的图像为图16,其中阈值TA设置为0.6。
图17~图19为对图14和图15分别进行TM方法、IR方法和GTS_IR方法后的检测结果图,用本发明方法与其他方法进行对比可知,本发明方法可实现对小缺陷的检测,而其他三种方法无法实现对小缺陷的检测。
注实施例1~实施例3中:输入的待处理的印刷品图像和模板图像均为在自然光下拍摄的RGB图像,其中本发明方法与其他方法输出的结果图也均为在待处理的印刷品图像上进行缺陷标记的图像。
实验对比
为更加客观的评价本发明方法对印刷品缺陷检测的效果,采用纯图像图像、纯文字图像和文字与图像混合图像中各50张图像进行测试,其中20张存在缺陷,30张无缺陷;其中参数的设置中图像块的大小设置为50像素*50像素,阈值TA设置为0.6;
实验引入准确率、回归率和F值等指标来评价方法检测率,结果如表1所示。准确率Precision、回归率Recall、F值定义如下:
其中,TP为正确检测出存在缺陷图像的个数,FP为无缺陷图像被误判为存在缺陷的图像个数,FN为存在缺陷的图像被误判为无缺陷的图像个数。
表1不同方法对待处理图像进行检测的准确率、回归率、F值
由表1可得,本发明方法对采集到的150张印刷品图像进行缺陷检测,准确率、回归率和F值均高于其他三种方法,具有较好的性能。
本发明在分析印刷品图像特征的基础上,提出了一种基于图像特征匹配的印刷品质量检测方法,检测之前使用分块阈值方法对图像进行二值化,可减少光照不均对检测结果的影响,再提取每个连通域的重心作为特征点,可实现对小缺陷的检测,提高了检测方法的准确率。该方法对基于背景的印刷品图像的缺陷检测表现出较好的效果。
Claims (8)
1.一种基于图像特征匹配的印刷品质量检测方法,其特征在于,具体步骤为:
步骤1,输入待处理的印刷品图像和模板图像,对待处理的印刷品图像做预处理,获得二值图像A1;对模板图像做预处理,获得二值图像B1;对待处理的印刷品图像做预处理的具体步骤为:
步骤1.1,对所述待处理的印刷品图像进行灰度化,得到灰度图像;
步骤1.2,对所述灰度图像做中值滤波处理,得到滤波图像;
步骤1.3,对所述滤波图像进行分块处理,得到多个图像块;
步骤1.4,对每个所述图像块进行阈值分割;
步骤1.5,对所有阈值分割后的图像块进行空洞填充,得到的对待处理的印刷品图像的二值图像为二值图像A1;
同理,对模板图像做预处理具体步骤与步骤1.1~步骤1.5的步骤相同,得到的模板图像的二值图像为二值图像B1;
步骤2,根据二值图像B1对二值图像A1进行图像配准,得到配准图像E;
步骤3,对配准图像E进行特征区域提取,并根据二值图像B1对特征区域进行筛选,输出筛选后的特征区域A’;
步骤4,对特征区域A’和B1进行特征匹配,得到缺陷区域并对其进行标记,输出标记后的图像。
2.如权利要求1所述的一种基于图像特征匹配的印刷品质量检测方法,其特征在于,所述分块处理为将滤波图像分成大小相等且互不重叠的图像块。
3.如权利要求2所述的一种基于图像特征匹配的印刷品质量检测方法,其特征在于,所述图像块为40像素*40像素~60像素*60像素的方形图像块。
4.如权利要求1所述的一种基于图像特征匹配的印刷品质量检测方法,其特征在于,所述阈值分割采用的是大津法。
5.如权利要求1所述的一种基于图像特征匹配的印刷品质量检测方法,其特征在于,所述步骤3具体为:
步骤3.1,提取配准图像E中每个连通域的重心作为特征点,取每个特征点及其邻域作为特征区域A;提取二值图像B1中每个连通域的重心作为特征点,取每个特征点及其邻域作为特征区域B;
步骤3.2,对每个特征区域A与相对应的特征区域B进行相似性筛选,输出筛选后的特征区域。
8.如权利要求7所述的一种基于图像特征匹配的印刷品质量检测方法,其特征在于,所述阈值TA的设置范围为0.6~0.65。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076743.6A CN110782453B (zh) | 2019-11-06 | 2019-11-06 | 一种基于图像特征匹配的印刷品质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076743.6A CN110782453B (zh) | 2019-11-06 | 2019-11-06 | 一种基于图像特征匹配的印刷品质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782453A CN110782453A (zh) | 2020-02-11 |
CN110782453B true CN110782453B (zh) | 2023-03-03 |
Family
ID=69389464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911076743.6A Active CN110782453B (zh) | 2019-11-06 | 2019-11-06 | 一种基于图像特征匹配的印刷品质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782453B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152249B (zh) * | 2023-04-20 | 2023-07-07 | 济宁立德印务有限公司 | 一种智能数字印刷质量检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4675095B2 (ja) * | 2004-12-06 | 2011-04-20 | Hoya株式会社 | マーク検出方法及び装置 |
CN107389693B (zh) * | 2017-06-29 | 2020-04-21 | 西安理工大学 | 一种基于机器视觉的印刷品缺陷自动检测方法 |
CN109886954B (zh) * | 2019-02-28 | 2023-04-07 | 湖南大学 | 一种印刷品缺陷检测方法 |
-
2019
- 2019-11-06 CN CN201911076743.6A patent/CN110782453B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110782453A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN107767379B (zh) | Pcb板标注印刷质量检测方法 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
CN101122952A (zh) | 一种图片文字检测的方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN111598858B (zh) | 一种基于迁移学习的橡胶手套的检测方法及系统 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN110782453B (zh) | 一种基于图像特征匹配的印刷品质量检测方法 | |
CN102980659A (zh) | 一种单色紧密织物表面颜色的数字化表征方法 | |
CN114187247A (zh) | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 | |
CN116402822B (zh) | 混凝土结构图像检测方法、装置、电子设备及存储介质 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231225 Address after: 310009 room 407, No. 2, Tushan Lane 1, Huancheng East Road, Shangcheng District, Hangzhou, Zhejiang Province Patentee after: Hangzhou Shengqing Technology Co.,Ltd. Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 19 Patentee before: XI'AN POLYTECHNIC University |