CN111008960A - 基于机器视觉的铝电解电容底部外观检测方法及装置 - Google Patents
基于机器视觉的铝电解电容底部外观检测方法及装置 Download PDFInfo
- Publication number
- CN111008960A CN111008960A CN201911162230.7A CN201911162230A CN111008960A CN 111008960 A CN111008960 A CN 111008960A CN 201911162230 A CN201911162230 A CN 201911162230A CN 111008960 A CN111008960 A CN 111008960A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- preset
- electrolytic capacitor
- aluminum electrolytic
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
Abstract
本发明公开了一种基于机器视觉的铝电解电容底部外观检测方法及装置,所述方法包括:获取待检测电容的底部图像;利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像;根据预设的面积阈值对所述目标区域图像进行缺陷检测。本发明能够对铝电解电容实现自动检测,从而有效提高铝电解电容的检测效率,并有效避免漏检和误检情况的出现。
Description
技术领域
本发明涉及自动检测技术领域,尤其是涉及一种基于机器视觉的铝电解电容底部外观检测方法及装置。
背景技术
作为国家重点发展产业的中国铝电解电容行业有着巨大的发展空间,铝电解电容是由铝圆筒做负极,里面装有液体电解质,插入一片弯曲的铝带做正极制成。铝电解电容主要包括:铝壳、电解质液体、外包胶管铝壳内装有液体的电解质、铝壳外包的胶管、铝壳底部有十字防爆破阀。在生产过程中,需要对铝电解电容的外观进行检测,其中针对底部外观的检测包括:底部是否有胶管盖住铝壳边缘、底部胶管是否破损、底部铝壳是否脏污不洁等、铝壳底部防爆阀是否破洞等。目前,铝电解电容的检测都以人工肉眼目检为主,工作强度大、检测效率低、且容易出现漏检和误检的情况。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于机器视觉的铝电解电容底部外观检测方法及装置,能够对铝电解电容实现自动检测,从而有效提高铝电解电容的检测效率,并有效避免漏检和误检情况的出现。
为了解决上述技术问题,本发明实施例提供了一种基于机器视觉的铝电解电容底部外观检测方法,包括:
获取待检测电容的底部图像;
利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像;
根据预设的面积阈值对所述目标区域图像进行缺陷检测。
进一步地,所述利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像,具体包括:
利用预设的灰度值范围对所述底部图像进行二值化处理,得到初步提取图像;
根据预设的结构圆对所述初步提取图像依次进行形态学闭运算和形态学开运算,并根据预设的连通域划分规则对所述初步提取图像进行连通域分析;
根据连通域分析结果选取出面积最大的图像区域,作为所述目标区域图像。
进一步地,所述根据预设的面积阈值对所述目标区域图像进行缺陷检测,具体包括:
当所述目标区域图像的面积小于预设的第一面积阈值时,则判定所述铝电解电容为无胶管缺陷;
当所述目标区域图像的面积大于所述第一面积阈值时,若所述目标区域图像的面积小于预设的第二面积阈值,则判定所述铝电解电容为底部胶管破损。
进一步地,所述基于机器视觉的铝电解电容底部外观检测方法还包括:
以所述底部图像的中心为圆心,根据预设的半径从所述底部图像中提取一圆形区域图像;
利用预设的第二灰度值范围对所述圆形区域图像进行二值化处理,得到第二目标区域图像;
若所述第二目标区域图像的面积大于预设的第三面积阈值,则判定所述铝电解电容为底部十字防爆阀中心破洞。
进一步地,所述基于机器视觉的铝电解电容底部外观检测方法还包括:
对所述目标区域图像进行图像填充,得到电容底部整体图像;
对所述电容底部整体图像与所述目标区域图像进行作差运算,得到底部铝壳表面区域框取模板;
利用所述底部铝壳表面区域框取模板,从所述底部图像中提取出底部铝壳表面区域图像;
根据预设的第三灰度值范围从所述底部铝壳表面区域图像中提取出第三目标区域图像;
若所述第三目标区域图像的面积大于预设的第四面积阈值,则判定所述铝电解电容为底部铝壳脏污。
进一步地,所述初步提取图像为采用8邻接连通域划分规则进行连通域分析。
为了解决相同的技术问题,本发明还提供了一种基于机器视觉的铝电解电容底部外观检测装置,包括:
图像获取模块,用于获取待检测电容的底部图像;
图像提取模块,用于利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像;
图像检测模块,用于根据预设的面积阈值对所述目标区域图像进行缺陷检测。
进一步地,所述图像提取模块具体包括:
图像提取单元,用于利用预设的灰度值范围对所述底部图像进行二值化处理,得到初步提取图像;
图像运算单元,用于根据预设的结构圆对所述初步提取图像依次进行形态学闭运算和形态学开运算,并根据预设的连通域划分规则对所述初步提取图像进行连通域分析;
图像选取单元,用于根据连通域分析结果选取出面积最大的图像区域,作为所述目标区域图像。
进一步地,所述图像检测模块包括:
第一检测单元,用于当所述目标区域图像的面积小于预设的第一面积阈值时,判定所述铝电解电容为无胶管缺陷;
第二检测单元,用于当所述目标区域图像的面积大于所述第一面积阈值时,若所述目标区域图像的面积小于预设的第二面积阈值,则判定所述铝电解电容为底部胶管破损。
与现有技术相比,本发明具有如下有益效果:
本发明提供了一种基于机器视觉的铝电解电容底部外观检测方法及装置,所述方法包括:获取待检测电容的底部图像;利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像;根据预设的面积阈值对所述目标区域图像进行缺陷检测。本发明能够对铝电解电容实现自动检测,从而有效提高铝电解电容的检测效率,并有效避免漏检和误检情况的出现。
附图说明
图1是本发明一实施例提供的基于机器视觉的铝电解电容底部外观检测方法的流程示意图;
图2是本发明一实施例提供的铝电解电容底部图像示例图;
图3是本发明一实施例提供的基于机器视觉的铝电解电容底部外观检测方法的步骤S410-S430流程示意图;
图4是本发明一实施例提供的基于机器视觉的铝电解电容底部外观检测方法的步骤S510-S550流程示意图;
图5是本发明一实施例提供的基于机器视觉的铝电解电容底部外观检测装置的结构示意图。
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、完整的描述,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。基于本发明中的实施例,本领域普通技术人员在没有作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。
请参见图1,本发明实施例提供了一种基于机器视觉的铝电解电容底部外观检测方法,包括步骤:
S1、获取待检测电容的底部图像。
在本发明实施例中,可以通过CCD黑白工业相机配合LED光源对待检测铝电解电容底部进行拍摄,提取得到底部图像,如图2所示。
S2、利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像。
在本发明实施例中,进一步地,步骤S2具体包括步骤:
S210、利用预设的灰度值范围对所述底部图像进行二值化处理,得到初步提取图像;
S220、根据预设的结构圆对所述初步提取图像依次进行形态学闭运算和形态学开运算,并根据预设的连通域划分规则对所述初步提取图像进行连通域分析;
在本发明实施例中,进一步地,所述初步提取图像为采用8邻接连通域划分规则进行连通域分析。
S230、根据连通域分析结果选取出面积最大的图像区域,作为所述目标区域图像。
在具体实施例中,步骤S2为根据灰度值进行全局阈值分割,快速提取凸显黑色底部胶管的区域像素。具体的,灰度值有0~255,优选地,选取0~80能达到一个较好的提取黑色底部胶管区域像素的一个效果。
需要说明的是,作为优选方案,在黑色底部胶管区域提取过程中需要进行二值化连通域分析和形态学分析。
在图像中,最小的单位是像素,每个像素周围有8个邻接像素,常见的邻接关系有2种:4邻接与8邻接。4邻接一共4个点,即上下左右,8邻接的点一共有8个,包括了对角线位置的点。作为优选方案,本发明实施例使用8邻接的连通域划分规则进行区域的连通划分。
在本发明实施例中,用半径为5的结构圆进行形态学闭运算;再用半径为5结构圆进行形态学开运算。目的为了清除小的噪声点、其他干扰点,为进一步精准提取黑色底部胶管区域做准备。可以理解的是,取半径较小的结构圆进行形态学闭运算,主要为了清除小噪点,取半径较大的结构圆容易影响后面面积计算精度。
可以理解的是,二值化连通域分析后,各个区域打散分开了,可能存在多个存在像素面积的区域,从中选取面积最大的一个区域,作为代表黑色底部胶管的区域。
S3、根据预设的面积阈值对所述目标区域图像进行缺陷检测。
在本发明实施例中,进一步地,步骤S3具体包括步骤:
S310、当所述目标区域图像的面积小于预设的第一面积阈值时,则判定所述铝电解电容为无胶管缺陷;
S320、当所述目标区域图像的面积大于所述第一面积阈值时,若所述目标区域图像的面积小于预设的第二面积阈值,则判定所述铝电解电容为底部胶管破损。
在具体实施例中,步骤S3为对黑色底部胶管区域进行缺陷性的检测,具体地:
当所述目标区域图像的面积小于预设的第一面积阈值时,则判定所述铝电解电容为无胶管缺陷,例如可以设置第一面积阈值为7000,当目标区域图像的面积<7000,则判定底部无胶管,为光头缺陷。
当所述目标区域图像的面积大于所述第一面积阈值时,若所述目标区域图像的面积小于预设的第二面积阈值,则判定所述铝电解电容为底部胶管破损;例如可以设置为工业现场人为设定的胶管面积阈值*95%,当目标区域图像的面积处于7000到胶管面积阈值*95%的区间时,则判定为底部胶管破损。
需要说明的是,在具体实施例中,可以根据现实世界黑色底部胶管区域的面积大小、相机定位的高度、工业相机、再结合工业现场拍摄请情况,对所述的面积阈值进行预设。
本发明实施例1提供的一种基于机器视觉的铝电解电容底部外观检测方法,能够实现对铝电解电容实现自动检测,从而有效提高铝电解电容的检测效率,并有效避免漏检和误检情况的出现。本发明将机器视觉应用到铝电解电容行业的检测,具有以下优点:检测速度快、效率高、能代替人工肉眼检测,降低人工工作强度、提高企业效益,实现自动化检测,每个电容的检测用时能达到60ms以下。
实施例2:
请参见图3,本发明实施例2提供的一种基于机器视觉的铝电解电容底部外观检测方法,在实施例1的基于机器视觉的铝电解电容底部外观检测方法的基础上,实施例2的方法还包括步骤S410-S430:
S410、以所述底部图像的中心为圆心,根据预设的半径从所述底部图像中提取一圆形区域图像;
S420、利用预设的第二灰度值范围对所述圆形区域图像进行二值化处理,得到第二目标区域图像;
S430、若所述第二目标区域图像的面积大于预设的第三面积阈值,则判定所述铝电解电容为底部十字防爆阀中心破洞。
在本发明实施例中,步骤S410-S430为对铝壳底部十字防爆阀中心破洞进行检测。作为举例,具体地包括以下步骤:
1、生成圆区域:在中心点坐标处生成一个半径为50的圆区域,目的能够完整的覆盖住十字防爆破阀中心位置。
2、抠图处理:将圆这个一个区域单独分离出来进行处理,提高处理速度。
3、局部二值化处理:当破洞时候成像为黑色,所以通过局部阈值分割处理,取阈值0~100(第二灰度值范围)可以较好的提取出破洞区域(第二目标区域图像)。
4、计算破洞面积。
6、判断缺陷:根据实际情况为防爆阀破洞设定一个面积阈值A,当破洞区域面积值大于A时视为底部十字防爆阀中心破洞。
本发明实施例2提供的一种基于机器视觉的铝电解电容底部外观检测方法,在取得如实施例1的有益效果的同时,能够对铝壳底部十字防爆阀中心破洞的情况进行检测判定,从而实现对铝电解电容实现自动检测,从而有效提高铝电解电容的检测效率,并有效避免漏检和误检情况的出现。
实施例3:
请参见图4,本发明实施例3提供的一种基于机器视觉的铝电解电容底部外观检测方法,在实施例1的基于机器视觉的铝电解电容底部外观检测方法的基础上,实施例3的方法还包括步骤S510-S550:
S510、对所述目标区域图像进行图像填充,得到电容底部整体图像;
S520、对所述电容底部整体图像与所述目标区域图像进行作差运算,得到底部铝壳表面区域框取模板;
S530、利用所述底部铝壳表面区域框取模板,从所述底部图像中提取出底部铝壳表面区域图像;
S540、根据预设的第三灰度值范围从所述底部铝壳表面区域图像中提取出第三目标区域图像;
S550、若所述第三目标区域图像的面积大于预设的第四面积阈值,则判定所述铝电解电容为底部铝壳脏污。
在本发明实施例中,步骤S410-S430为对铝壳底部脏污不洁的情况进行检测判定。作为举例,具体包括以下步骤:
1、填充区域:对实施例1中的目标区域图像(记为RegA)进行区域填充。它的功能是填充图像中各个区域的小孔,填充后区域的个数不变,填充后的区域记为RegB;可以理解的是,对底部圆形区域内部的未提取出来的小缝隙小像素点进行填充,为后面区域做差作准备;RegA是底部外圆环黑色区域,填充后就是整个底部圆形区域RegB,区域数量不变还是一个整体。
2、区域做差:用RegB与RegA做差,得到底部铝壳表面区域RegC;
3、抠图:将底部铝壳表面区域RegC单独扣取出来进行处理;
4、局部二值化:当有脏污时候灰度值来判定,设置灰度值阈值10~100,可以较好提取出脏污区域。
5、计算脏污面积。
6、判断缺陷:根据实际情况为脏污设定一个面积阈值B,当脏污区域的面积值大于B时视为底部铝壳脏污。
本发明实施例3提供的一种基于机器视觉的铝电解电容底部外观检测方法,在取得如实施例1的有益效果的同时,能够对铝壳底部脏污不洁的情况进行检测判定,从而实现对铝电解电容实现自动检测,从而有效提高铝电解电容的检测效率,并有效避免漏检和误检情况的出现。
需要说明的是,对于以上方法或流程实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例4:
请参见图5,为了解决相同的技术问题,本发明还提供了一种基于机器视觉的铝电解电容底部外观检测装置,包括:
图像获取模块,用于获取待检测电容的底部图像;
图像提取模块,用于利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像;
图像检测模块,用于根据预设的面积阈值对所述目标区域图像进行缺陷检测。
进一步地,所述图像提取模块具体包括:
图像提取单元,用于利用预设的灰度值范围对所述底部图像进行二值化处理,得到初步提取图像;
图像运算单元,用于根据预设的结构圆对所述初步提取图像依次进行形态学闭运算和形态学开运算,并根据预设的连通域划分规则对所述初步提取图像进行连通域分析;
图像选取单元,用于根据连通域分析结果选取出面积最大的图像区域,作为所述目标区域图像。
进一步地,所述图像检测模块包括:
第一检测单元,用于当所述目标区域图像的面积小于预设的第一面积阈值时,判定所述铝电解电容为无胶管缺陷;
第二检测单元,用于当所述目标区域图像的面积大于所述第一面积阈值时,若所述目标区域图像的面积小于预设的第二面积阈值,则判定所述铝电解电容为底部胶管破损。
可以理解的是上述装置项实施例,是与本发明方法项实施例相对应的,本发明实施例提供的一种基于机器视觉的铝电解电容底部外观检测装置,可以实现本发明任意一项方法项实施例提供的基于机器视觉的铝电解电容底部外观检测方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于机器视觉的铝电解电容底部外观检测方法,其特征在于,包括:
获取待检测电容的底部图像;
利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像;
根据预设的面积阈值对所述目标区域图像进行缺陷检测。
2.根据权利要求1所述的基于机器视觉的铝电解电容底部外观检测方法,其特征在于,所述利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像,具体包括:
利用预设的灰度值范围对所述底部图像进行二值化处理,得到初步提取图像;
根据预设的结构圆对所述初步提取图像依次进行形态学闭运算和形态学开运算,并根据预设的连通域划分规则对所述初步提取图像进行连通域分析;
根据连通域分析结果选取出面积最大的图像区域,作为所述目标区域图像。
3.根据权利要求1所述的基于机器视觉的铝电解电容底部外观检测方法,其特征在于,所述根据预设的面积阈值对所述目标区域图像进行缺陷检测,具体包括:
当所述目标区域图像的面积小于预设的第一面积阈值时,则判定所述铝电解电容为无胶管缺陷;
当所述目标区域图像的面积大于所述第一面积阈值时,若所述目标区域图像的面积小于预设的第二面积阈值,则判定所述铝电解电容为底部胶管破损。
4.根据权利要求1所述的基于机器视觉的铝电解电容底部外观检测方法,其特征在于,还包括:
以所述底部图像的中心为圆心,根据预设的半径从所述底部图像中提取一圆形区域图像;
利用预设的第二灰度值范围对所述圆形区域图像进行二值化处理,得到第二目标区域图像;
若所述第二目标区域图像的面积大于预设的第三面积阈值,则判定所述铝电解电容为底部十字防爆阀中心破洞。
5.根据权利要求1所述的基于机器视觉的铝电解电容底部外观检测方法,其特征在于,还包括:
对所述目标区域图像进行图像填充,得到电容底部整体图像;
对所述电容底部整体图像与所述目标区域图像进行作差运算,得到底部铝壳表面区域框取模板;
利用所述底部铝壳表面区域框取模板,从所述底部图像中提取出底部铝壳表面区域图像;
根据预设的第三灰度值范围从所述底部铝壳表面区域图像中提取出第三目标区域图像;
若所述第三目标区域图像的面积大于预设的第四面积阈值,则判定所述铝电解电容为底部铝壳脏污。
6.根据权利要求2所述的基于机器视觉的铝电解电容底部外观检测方法,其特征在于,所述初步提取图像为采用8邻接连通域划分规则进行连通域分析。
7.一种基于机器视觉的铝电解电容底部外观检测装置,其特征在于,包括:
图像获取模块,用于获取待检测电容的底部图像;
图像提取模块,用于利用预设的灰度值范围对所述底部图像进行二值化处理,得到目标区域图像;
图像检测模块,用于根据预设的面积阈值对所述目标区域图像进行缺陷检测。
8.根据权利要求7所述的基于机器视觉的铝电解电容底部外观检测装置,其特征在于,所述图像提取模块具体包括:
图像提取单元,用于利用预设的灰度值范围对所述底部图像进行二值化处理,得到初步提取图像;
图像运算单元,用于根据预设的结构圆对所述初步提取图像依次进行形态学闭运算和形态学开运算,并根据预设的连通域划分规则对所述初步提取图像进行连通域分析;
图像选取单元,用于根据连通域分析结果选取出面积最大的图像区域,作为所述目标区域图像。
9.根据权利要求7所述的基于机器视觉的铝电解电容底部外观检测装置,其特征在于,所述图像检测模块包括:
第一检测单元,用于当所述目标区域图像的面积小于预设的第一面积阈值时,判定所述铝电解电容为无胶管缺陷;
第二检测单元,用于当所述目标区域图像的面积大于所述第一面积阈值时,若所述目标区域图像的面积小于预设的第二面积阈值,则判定所述铝电解电容为底部胶管破损。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162230.7A CN111008960B (zh) | 2019-11-22 | 2019-11-22 | 基于机器视觉的铝电解电容底部外观检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162230.7A CN111008960B (zh) | 2019-11-22 | 2019-11-22 | 基于机器视觉的铝电解电容底部外观检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008960A true CN111008960A (zh) | 2020-04-14 |
CN111008960B CN111008960B (zh) | 2023-03-28 |
Family
ID=70112872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911162230.7A Active CN111008960B (zh) | 2019-11-22 | 2019-11-22 | 基于机器视觉的铝电解电容底部外观检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008960B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029504A (zh) * | 2021-03-04 | 2021-06-25 | 中国航空工业集团公司西安航空计算技术研究所 | 低型面率渐扩通道冷却空气滞止区的定量检测系统及方法 |
CN113658092A (zh) * | 2021-05-13 | 2021-11-16 | 湖南莱塞智能装备有限公司 | 一种基于图像处理的铝电解电容缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN107610104A (zh) * | 2017-08-31 | 2018-01-19 | 南通兴华达高实业有限公司 | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 |
CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
CN109884070A (zh) * | 2019-03-08 | 2019-06-14 | 武汉大学 | 一种基于机器视觉的铝铝泡罩包装药片缺陷检测方法 |
CN110333240A (zh) * | 2019-07-03 | 2019-10-15 | 珠海格力智能装备有限公司 | 电容外观的检测方法及装置、存储介质和处理器 |
-
2019
- 2019-11-22 CN CN201911162230.7A patent/CN111008960B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN107610104A (zh) * | 2017-08-31 | 2018-01-19 | 南通兴华达高实业有限公司 | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 |
CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
CN109884070A (zh) * | 2019-03-08 | 2019-06-14 | 武汉大学 | 一种基于机器视觉的铝铝泡罩包装药片缺陷检测方法 |
CN110333240A (zh) * | 2019-07-03 | 2019-10-15 | 珠海格力智能装备有限公司 | 电容外观的检测方法及装置、存储介质和处理器 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029504A (zh) * | 2021-03-04 | 2021-06-25 | 中国航空工业集团公司西安航空计算技术研究所 | 低型面率渐扩通道冷却空气滞止区的定量检测系统及方法 |
CN113658092A (zh) * | 2021-05-13 | 2021-11-16 | 湖南莱塞智能装备有限公司 | 一种基于图像处理的铝电解电容缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111008960B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN105139386B (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
RU2014101665A (ru) | Обнаружение блика в кадре данных изображения | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
US20150294167A1 (en) | Method and system for detecting traffic lights | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN104700112A (zh) | 一种基于形态特征的粪便中寄生虫虫卵检测方法 | |
CN111008960B (zh) | 基于机器视觉的铝电解电容底部外观检测方法及装置 | |
CN113298776B (zh) | 一种金属闭式水泵叶轮外观缺陷检测方法 | |
CN109461156B (zh) | 基于视觉的螺纹密封塞装配检测方法 | |
CN108844961A (zh) | 一种温控器壳体视觉检测系统及方法 | |
CN108133488A (zh) | 一种红外图像前景检测方法及设备 | |
CN102901735A (zh) | 利用计算机对工件缺损、裂变、变形进行自动检测的系统 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
KR20140082335A (ko) | 평판디스플레이의 얼룩 검사 방법 및 장치 | |
CN114820622A (zh) | 一种层间异物检测方法和装置 | |
CN108171691B (zh) | 一种塑料容器的检测方法 | |
CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 | |
CN103625700B (zh) | 一种药丸灌装质量检测方法 | |
RU2787072C1 (ru) | Способ оперативного обнаружения поверхностных дефектов кроненпробок на основе обработки изображений | |
JP4036048B2 (ja) | 欠陥識別方法 |
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 |