CN110873718A - 基于机器视觉的钢板表面缺陷检测系统及方法 - Google Patents
基于机器视觉的钢板表面缺陷检测系统及方法 Download PDFInfo
- Publication number
- CN110873718A CN110873718A CN201911121778.7A CN201911121778A CN110873718A CN 110873718 A CN110873718 A CN 110873718A CN 201911121778 A CN201911121778 A CN 201911121778A CN 110873718 A CN110873718 A CN 110873718A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- image
- module
- measured
- detected
- 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
Links
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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8901—Optical details; Scanning details
-
- 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
- G01N21/93—Detection standards; Calibrating baseline adjustment, drift correction
-
- 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
- G01N2021/8861—Determining coordinates 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N2021/8909—Scan signal processing specially adapted for inspection of running sheets
Landscapes
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Textile Engineering (AREA)
- Engineering & Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器视觉的钢板表面缺陷检测系统及方法,系统包括传动模块,用于带动被测钢板运动;激光测速模块,用于产生控制采集控制模块工作的信号;采集控制模块,用于控制图像采集模块工作;图像采集模块,用于采集被测钢板表面图像;图像处理模块,用于对被测钢板表面图像进行预处理和缺陷检测;图像分割存储模块,用于对被测钢板表面图像进行分割;图像显示模块,用于对被测钢板图像、被测钢板对应的缺陷信息进行显示。方法基于上述系统实现缺陷检测。本发明能实现非接触式钢板缺陷检测,并对高分辨率钢板表面图像和缺陷信息进行显示,具有采集速度快、分辨率高、显示速度快且流畅、检测精度高等特点,具有广阔的应用前景。
Description
技术领域
本发明属于缺陷检测领域,特别涉及一种基于机器视觉的钢板表面缺陷检测系统及方法。
背景技术
机器视觉技术是指用计算机来实现人的视觉功能,也就是用计算机来实现对客观的三维世界的识别,主要包括图像的获取、处理、分析、输出和显示等方面的研究。机器视觉技术作为计算机科学的一个重要分支,在近30年中得到迅猛的发展,其应用领域遍及工业、农业和军事等。通过计算机技术向无损检测技术的交叉和渗透,机器视觉已成为无损检测技术中的一个颇具生命力的分支,并开拓出无损检测技术的崭新的应用领域。当前,工业视觉检测系统主要用于提高生产效率、控制生产过程中的产品质量、采集产品数据以及产品的分类和选择。
在钢材生产中,传统的检测方法,如人工检测、涡流检测、红外检测等都有很大的弊端。人工检测是一种简单重复性的、速度较快的、精力高度集中的工作,不仅给检测人员带来很大的压力,而且在检测人员目视检测过程中,必须降低钢板移动速度,相应的钢板轧制速度跟着降低,生产效率必然下降,同时,检测人员不可避免地受到疲劳、心情、感觉和技术水平的客观影响,很难做到精确和定量,另外,瑕疵的记忆存储分析比较也很困难;涡流检测是利用电磁感应的原理,虽然可以实现非接触式测量,速度也较快,但是其穿透深度有限,需要接近被检测表面,当被检表面粗糙程度较大的时候会影响检测结果,检测精度降低;红外检测的使用限制条件较多,一般只在离线小范围内进行检测;由此可知,上述方法的检测精度均不高。
发明内容
本发明的目的在于提供一种具有非接触性、检测效率高、检测精度高等优点的在线钢板缺陷检测系统及方法。
实现本发明目的的技术解决方案为:一种基于机器视觉的钢板表面缺陷检测系统,包括:传动模块、激光测速模块、采集控制模块、图像采集模块、图像处理模块、显示模块以及分割存储模块;
所述传动模块,用于带动被测钢板沿水平面运动;
所述激光测速模块,用于测量被测钢板的运动速度,并将该运动速度转换为控制采集控制模块工作的信号;
所述采集控制模块,用于控制图像采集模块工作;
所述图像采集模块,用于采集被测钢板表面图像,并将采集到的图像传输至图像处理模块;
所述图像处理模块,用于对所述图像采集模块采集到的被测钢板表面图像进行预处理和缺陷检测,并获取缺陷的位置和面积信息;
所述图像分割存储模块,用于按照金字塔多层次分辨率模型对所述图像采集模块采集到的被测钢板表面图像进行分割,并存储为瓦片数据集;
所述图像显示模块,用于基于所述瓦片数据集对图像采集模块采集到的被测钢板图像进行显示,并显示被测钢板对应的缺陷位置和面积信息。
基于上述基于机器视觉的钢板表面缺陷检测系统的检测方法,包括以下步骤:
步骤1、对图像采集模块中的工业线阵CCD相机进行标定,获取工业线阵CCD相机的内参矩阵I1和畸变参数矩阵I2;
步骤2、利用激光测速模块测量被测钢板的运动速度,并将该运动速度转换为控制采集控制模块工作的信号;
步骤3、采集控制模块控制图像采集模块采集被测钢板表面图像A;
步骤4、利用步骤1中获得的内参矩阵I1和畸变参数矩阵I2对步骤3采集到的被测钢板表面图像A进行畸变校正,获得畸变校正后的被测钢板表面图像B;
步骤5、对被测钢板表面图像B进行预处理和缺陷检测,并获取缺陷的位置和面积信息;
步骤6、按照金字塔多层次分辨率模型对所述被测钢板表面图像B进行分割,并存储为瓦片数据集;
步骤7、图像显示模块基于所述瓦片数据集对被测钢板表面图像B进行显示,并显示被测钢板对应的缺陷位置和面积信息。
本发明与现有技术相比,其显著优点为:1)采用激光测速方法产生图像采集信号,能够对线阵相机采集的图像进行有效的几何畸变校正,提高了后续缺陷检测的精度;2)采用高速线阵相机搭配采集卡进行钢板表面图像采集,大大提高了图像采集效率,实现了高速准确的钢板表面图像采集;3)基于金字塔多层次分辨率模型对高分辨率大尺寸图片进行显示,克服了高分辨率大尺寸图片直接显示存在的响应慢、不流畅等难题;4)本发明实现了对生产线上钢板的非接触式、自动化、智能化的缺陷检测。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于机器视觉的钢板表面缺陷检测系统的结构示意图。
图2为本发明基于机器视觉的钢板表面缺陷检测方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
结合图1,本发明提供了一种基于机器视觉的钢板表面缺陷检测系统,包括:传动模块、激光测速模块、采集控制模块、图像采集模块、图像处理模块、显示模块以及分割存储模块;
传动模块,用于带动被测钢板沿水平面运动;
激光测速模块,用于测量被测钢板的运动速度,并将该运动速度转换为控制采集控制模块工作的信号;
采集控制模块,用于控制图像采集模块工作;
图像采集模块,用于采集被测钢板表面图像,并将采集到的图像传输至图像处理模块;
图像处理模块,用于对图像采集模块采集到的被测钢板表面图像进行预处理和缺陷检测,并获取缺陷的位置和面积信息;
图像分割存储模块,用于按照金字塔多层次分辨率模型对图像采集模块采集到的被测钢板表面图像进行分割,并存储为瓦片数据集;
图像显示模块,用于基于瓦片数据集对图像采集模块采集到的被测钢板图像进行显示,并显示被测钢板对应的缺陷位置和面积信息。
进一步地,在其中一个实施例中,激光测速模块包括激光器,激光器与被测钢板之间的相对位置固定,且激光器的出射光束垂直入射至被测钢板的侧面。
进一步地,在其中一个实施例中,采集控制模块具体采用FPGA实现。
进一步地,在其中一个实施例中,图像采集模块包括工业线阵CCD相机、光学镜头以及图像采集卡,图像采集模块设置在被测钢板的正上方。
进一步地,在其中一个实施例中,图像处理模块对图像采集模块采集到的被测钢板表面图像进行预处理,具体包括:光照不均匀校正、滤波去噪;进行缺陷检测包括:对预处理后的图像进行边缘检测以及形态学处理。
进一步地,在其中一个实施例中,图像显示模块基于瓦片数据集对图像采集模块采集到的被测钢板图像进行显示,并显示被测钢板对应的缺陷位置和面积信息,具体是通过由openlayers3框架、CSS、Javascript构建的网页进行显示。
结合图2,本发明提供了一种基于机器视觉的钢板表面缺陷检测方法,包括以下步骤:
步骤1、对图像采集模块中的工业线阵CCD相机进行标定,获取工业线阵CCD相机的内参矩阵I1和畸变参数矩阵I2;
步骤2、利用激光测速模块测量被测钢板的运动速度,并将该运动速度转换为控制采集控制模块工作的信号;
步骤3、采集控制模块控制图像采集模块采集被测钢板表面图像A;
步骤4、利用步骤1中获得的内参矩阵I1和畸变参数矩阵I2对步骤3采集到的被测钢板表面图像A进行畸变校正,获得畸变校正后的被测钢板表面图像B;
步骤5、对被测钢板表面图像B进行预处理和缺陷检测,并获取缺陷的位置和面积信息;
步骤6、按照金字塔多层次分辨率模型对所述被测钢板表面图像B进行分割,并存储为瓦片数据集;
步骤7、图像显示模块基于所述瓦片数据集对被测钢板表面图像B进行显示,并显示被测钢板对应的缺陷位置和面积信息。
进一步地,在其中一个实施例中,步骤5中对被测钢板表面图像B进行预处理,具体包括:光照不均匀校正、滤波去噪;
对被测钢板表面图像B进行缺陷检测,具体包括:对预处理后的图像进行边缘检测以及形态学处理。
进一步地,在其中一个实施例中,步骤6中按照金字塔多层次分辨率模型对被测钢板表面图像B进行分割,并存储为瓦片数据集,具体包括:
按照金字塔多分辨率模型将被测钢板表面图像B分割为分辨率分别为r0、r1、r2…、rN的N层瓦片图,并按照层数N-行数Rn-列数Cn的规则构建瓦片数据集并存储。
进一步地,在其中一个实施例中,步骤7中图像显示模块基于瓦片数据集对被测钢板表面图像B进行显示,并显示被测钢板对应的缺陷位置和面积信息,具体通过由openlayers3框架、CSS、Javascript构建的网页进行显示。
本发明提出的基于机器视觉的钢板表面缺陷检测系统及方法,基于机器视觉和图像处理相结合的技术实现,采用线阵CCD相机搭配激光测速产生外部行触发信号对钢板图像进行采集,之后对图像进行预处理、缺陷检测,且基于金字塔多层次分辨率模型对检测结果进行显示,具有非接触性、采集速度块、图像显示快速流畅、显示包含信息丰富和自动化程度高等优点,能够满足工业生产的要求,具有广阔的应用前景。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于机器视觉的钢板表面缺陷检测系统,其特征在于,包括:传动模块、激光测速模块、采集控制模块、图像采集模块、图像处理模块、显示模块以及分割存储模块;
所述传动模块,用于带动被测钢板沿水平面运动;
所述激光测速模块,用于测量被测钢板的运动速度,并将该运动速度转换为控制采集控制模块工作的信号;
所述采集控制模块,用于控制图像采集模块工作;
所述图像采集模块,用于采集被测钢板表面图像,并将采集到的图像传输至图像处理模块;
所述图像处理模块,用于对所述图像采集模块采集到的被测钢板表面图像进行预处理和缺陷检测,并获取缺陷的位置和面积信息;
所述图像分割存储模块,用于按照金字塔多层次分辨率模型对所述图像采集模块采集到的被测钢板表面图像进行分割,并存储为瓦片数据集;
所述图像显示模块,用于基于所述瓦片数据集对图像采集模块采集到的被测钢板图像进行显示,并显示被测钢板对应的缺陷位置和面积信息。
2.根据权利要求1所述的基于机器视觉的钢板表面缺陷检测系统,其特征在于,所述激光测速模块包括激光器,激光器与被测钢板之间的相对位置固定,且激光器的出射光束垂直入射至被测钢板的侧面。
3.根据权利要求1所述的基于机器视觉的钢板表面缺陷检测系统,其特征在于,所述采集控制模块具体采用FPGA实现。
4.根据权利要求1所述的基于机器视觉的钢板表面缺陷检测系统,其特征在于,所述图像采集模块包括工业线阵CCD相机、光学镜头以及图像采集卡,图像采集模块设置在被测钢板的正上方。
5.根据权利要求1所述的基于机器视觉的钢板表面缺陷检测系统,其特征在于,所述图像处理模块对图像采集模块采集到的被测钢板表面图像进行预处理,具体包括:光照不均匀校正、滤波去噪;进行缺陷检测包括:对预处理后的图像进行边缘检测以及形态学处理。
6.根据权利要求1所述的基于机器视觉的钢板表面缺陷检测系统,其特征在于,所述图像显示模块基于所述瓦片数据集对图像采集模块采集到的被测钢板图像进行显示,并显示被测钢板对应的缺陷位置和面积信息,具体是通过由openlayers3框架、CSS、Javascript构建的网页进行显示。
7.基于权利要求1至6任意一项所述的基于机器视觉的钢板表面缺陷检测系统的检测方法,其特征在于,包括以下步骤:
步骤1、对图像采集模块中的工业线阵CCD相机进行标定,获取工业线阵CCD相机的内参矩阵I1和畸变参数矩阵I2;
步骤2、利用激光测速模块测量被测钢板的运动速度,并将该运动速度转换为控制采集控制模块工作的信号;
步骤3、采集控制模块控制图像采集模块采集被测钢板表面图像A;
步骤4、利用步骤1中获得的内参矩阵I1和畸变参数矩阵I2对步骤3采集到的被测钢板表面图像A进行畸变校正,获得畸变校正后的被测钢板表面图像B;
步骤5、对被测钢板表面图像B进行预处理和缺陷检测,并获取缺陷的位置和面积信息;
步骤6、按照金字塔多层次分辨率模型对所述被测钢板表面图像B进行分割,并存储为瓦片数据集;
步骤7、图像显示模块基于所述瓦片数据集对被测钢板表面图像B进行显示,并显示被测钢板对应的缺陷位置和面积信息。
8.根据权利要求7所述的基于机器视觉的钢板表面缺陷检测方法,其特征在于,步骤5所述对被测钢板表面图像B进行预处理,具体包括:光照不均匀校正、滤波去噪;
对被测钢板表面图像B进行缺陷检测,具体包括:对预处理后的图像进行边缘检测以及形态学处理。
9.根据权利要求7所述的基于机器视觉的钢板表面缺陷检测方法,其特征在于,步骤6所述按照金字塔多层次分辨率模型对所述被测钢板表面图像B进行分割,并存储为瓦片数据集,具体包括:
按照金字塔多分辨率模型将被测钢板表面图像B分割为分辨率分别为r0、r1、r2…、rN的N层瓦片图,并按照层数N-行数Rn-列数Cn的规则构建瓦片数据集并存储。
10.根据权利要求7所述的基于机器视觉的钢板表面缺陷检测方法,其特征在于,步骤7所述图像显示模块基于所述瓦片数据集对被测钢板表面图像B进行显示,并显示被测钢板对应的缺陷位置和面积信息,具体通过由openlayers3框架、CSS、Javascript构建的网页进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911121778.7A CN110873718A (zh) | 2019-11-15 | 2019-11-15 | 基于机器视觉的钢板表面缺陷检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911121778.7A CN110873718A (zh) | 2019-11-15 | 2019-11-15 | 基于机器视觉的钢板表面缺陷检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110873718A true CN110873718A (zh) | 2020-03-10 |
Family
ID=69717105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911121778.7A Pending CN110873718A (zh) | 2019-11-15 | 2019-11-15 | 基于机器视觉的钢板表面缺陷检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110873718A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113077414A (zh) * | 2021-03-01 | 2021-07-06 | 湖北工程学院 | 一种钢板表面缺陷检测方法及系统 |
CN113237895A (zh) * | 2021-06-02 | 2021-08-10 | 宝鸡高新智能制造技术有限公司 | 一种基于机器视觉的金属表面缺陷检测系统 |
CN115456999A (zh) * | 2022-09-16 | 2022-12-09 | 南通大学 | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN106706653A (zh) * | 2017-01-12 | 2017-05-24 | 河北省自动化研究所 | 一种高速宽型板材检测方法 |
CN108537182A (zh) * | 2018-04-13 | 2018-09-14 | 中国中医科学院中药研究所 | 基于无人机遥感数据的中药材种植面积自动统计方法 |
CN108665542A (zh) * | 2018-04-25 | 2018-10-16 | 南京理工大学 | 一种基于线激光的场景三维形貌重建系统及方法 |
CN108693194A (zh) * | 2018-06-22 | 2018-10-23 | 湖南大学 | 钢板生产线点阵喷码机器视觉自动检测系统 |
-
2019
- 2019-11-15 CN CN201911121778.7A patent/CN110873718A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN106706653A (zh) * | 2017-01-12 | 2017-05-24 | 河北省自动化研究所 | 一种高速宽型板材检测方法 |
CN108537182A (zh) * | 2018-04-13 | 2018-09-14 | 中国中医科学院中药研究所 | 基于无人机遥感数据的中药材种植面积自动统计方法 |
CN108665542A (zh) * | 2018-04-25 | 2018-10-16 | 南京理工大学 | 一种基于线激光的场景三维形貌重建系统及方法 |
CN108693194A (zh) * | 2018-06-22 | 2018-10-23 | 湖南大学 | 钢板生产线点阵喷码机器视觉自动检测系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113077414A (zh) * | 2021-03-01 | 2021-07-06 | 湖北工程学院 | 一种钢板表面缺陷检测方法及系统 |
CN113237895A (zh) * | 2021-06-02 | 2021-08-10 | 宝鸡高新智能制造技术有限公司 | 一种基于机器视觉的金属表面缺陷检测系统 |
CN115456999A (zh) * | 2022-09-16 | 2022-12-09 | 南通大学 | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 |
CN115456999B (zh) * | 2022-09-16 | 2023-08-15 | 南通大学 | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110873718A (zh) | 基于机器视觉的钢板表面缺陷检测系统及方法 | |
CN113516660B (zh) | 适用于列车的视觉定位与缺陷检测方法和装置 | |
CN103499303B (zh) | 一种羊毛细度自动测量方法 | |
Tao et al. | Weak scratch detection and defect classification methods for a large-aperture optical element | |
WO2017120897A1 (zh) | 基于线扫描三维点云的物体表面变形特征提取方法 | |
CN102175701B (zh) | 工业x射线机在线探伤检测系统及方法 | |
CN104634261B (zh) | 基于线激光源的中厚板形貌检测系统及其方法 | |
CN103728315B (zh) | 大口径元件表面检测装置及相应的损伤快速定位方法 | |
CN101666633A (zh) | 空心圆柱零件的非接触检测系统及其检测方法 | |
CN103604808A (zh) | 一种瓶盖缺陷视觉检测方法 | |
CN101871895A (zh) | 连铸热坯表面缺陷激光扫描成像无损检测方法 | |
CN102842034B (zh) | 一种激光扫描与自动识别雕刻字符的装置及识别方法 | |
CN103196917A (zh) | 基于ccd线阵相机的在线卷板材表面瑕疵检测系统及其检测方法 | |
CN204007540U (zh) | 基于ccd图像的轧辊圆柱度误差检测装置 | |
CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
CN106338524A (zh) | 竖直光学元件表面损伤的显微扫描成像采集装置及方法 | |
CN103674977A (zh) | 大口径光学元件表面损伤检测装置和相应的检测方法 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN103617611A (zh) | 一种自动阈值分割光斑中心及尺寸检测方法 | |
CN105510364A (zh) | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 | |
CN107561083A (zh) | 一种钢材表面质量检测系统 | |
CN112858321A (zh) | 基于线阵ccd的钢板表面缺陷检测系统及方法 | |
CN104992446A (zh) | 非线性光照自适应的图像拼接方法及其实现系统 | |
CN104316530A (zh) | 一种零部件检测方法及应用 | |
CN110458785B (zh) | 一种基于图像传感的磁悬浮球悬浮间隙检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200310 |