CN111102920A - 一种基于增强现实的机械组件质检方法及系统 - Google Patents
一种基于增强现实的机械组件质检方法及系统 Download PDFInfo
- Publication number
- CN111102920A CN111102920A CN201911312344.5A CN201911312344A CN111102920A CN 111102920 A CN111102920 A CN 111102920A CN 201911312344 A CN201911312344 A CN 201911312344A CN 111102920 A CN111102920 A CN 111102920A
- Authority
- CN
- China
- Prior art keywords
- image
- augmented reality
- algorithm
- quality inspection
- mechanical component
- 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
- 230000003190 augmentative effect Effects 0.000 title claims abstract description 35
- 238000007689 inspection Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 230000009467 reduction Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 239000011521 glass Substances 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种基于增强现实的机械组件质检方法及系统,本公开主要用于工业机械组件质检,利用深度相机完成图像采集,机器视觉技术完成尺寸、裂纹等检测,并使用增强现实技术对检测结果直接投影出来;选择测量模式,即可完成测量;为生产加工业实现自动化、智能化的质量检测提供了更便捷的方法;使用者可佩戴AR设备实时的随时进行快速的定位机械组件的质量缺陷、机械组件的质量缺陷的质量测量任务包括长度、直径、半径、弯曲度、扭曲度、裂纹等,不受空间位置制约,视野所见皆可测量;可以调用与实物大小一致的虚拟模型进行对比;可以调用立体的装配体三视图与实物进行对比。
Description
技术领域
本公开涉及机器视觉、增强现实、图像处理、工业检测技术领域,具体涉及一种基于增强现实的机械组件质检方法及系统。
背景技术
目前,在新兴市场经济和新型技术不断崛起的背景下,生产出高品质且价格低廉的产品是企业发展的急切需求,然而近些年来在国内现有生产条件下生产出的产品存在着很大的问题。传统意义上的生产需要设备处于时常工作状态以便于随时检测,然而这样的工作方式导致了设备在一定的时间内出现设备闲置的现象,大大的浪费了生产资源并无法实现可靠的自动化生产;还有一个更为重要的原因在于工业生产线上生产出的产品,对于其尺寸精度的测量人们大多数都通过自己的主观意识或者粗浅的测试方法去判别零部件尺寸是否合格,这样的判断方式检测出的精度根本满足不了客户的需求。
发明内容
本公开提供一种基于增强现实的机械组件质检方法及系统,本公开主要用于工业机械组件质检,工业机械组件包括但不限于机械设备、机械设备零组件、金属材料、塑料材料;利用深度相机完成图像采集,机器视觉技术完成尺寸、裂纹等检测,并使用增强现实技术对检测结果直接投影出来。让测试人员能更直观的获得测量结果。测试过程,测试人员只需佩戴AR眼镜,打开系统,开启摄像头进行实时图像采集,可以及时的完成测量。
为了实现上述目的,根据本公开的一方面,提供一种基于增强现实的机械组件质检方法,所述方法包括以下步骤:
S100:通过深度相机采集机械组件的深度图像;
S200:采用高斯滤波函数对深度图像进行滤波处理得到滤波图像;
S300:通过PCA算法进行滤波图像降维得到降维图像;
S400:通过Canny算法对降维图像进行边缘提取边缘图像;
S500:通过Hough变换和亚像素级角点检测算法提取边缘图像中的被测目标的几何量参数;
S600:通过卷积神经网络训练学习几何量参数中的特定裂纹的特征,最终输出几何量参数是裂纹的概率;
S700:将几何量参数是裂纹的概率大于裂纹概率阈值在AR眼镜端显示裂纹位置和标记。
进一步地,在S300中,所述PCA算法还可以是LDA算法、LLE算法、LaplacianEigenmaps算法任意一种。
进一步地,在S500中,所述被测目标的几何量参数包括机械组件的任意两点之间的距离、任意直线的长度、任意两直线的夹角以及圆和圆弧的半径、圆心坐标、弧度等参数;而能否准确获取被测目标边缘直接影响几何参数计算的最终结果。
进一步地,在S500中,Hough变换用于将边缘图像中的曲线包括直线,变换到参数空间中,通过检测参数空间中的极值点,确定出该曲线的描述参数,从而提取影像中的规则曲线;用于检测图像中直线、圆、抛物线、椭圆等形状能够用一定函数关系描述的曲线。
进一步地,在S500中,亚像素级角点检测算法包括最小二乘拟合回归亚像素定位算法。
进一步地,在S600中,特定裂纹的特征为几何量参数中任意直线的长度、任意两直线的夹角、圆和圆弧的半径参数分别小于直线长度预设阈值、两直线的夹角阈值、圆和圆弧的半径阈值的则判定为特定裂纹的特征,直线长度预设阈值为10毫米、两直线的夹角阈值20°、圆和圆弧的半径阈值5毫米,这些参数均可调整。
进一步地,在S700中,裂纹概率阈值的默认设置为80%,可人工调整。
本公开还提供了一种基于增强现实的机械组件质检系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
深度图像采集单元,用于通过深度相机采集机械组件的深度图像;
图像滤波单元,用于采用高斯滤波函数对深度图像进行滤波处理得到滤波图像;
图像降维单元,用于通过PCA算法进行滤波图像降维得到降维图像;
边缘提取单元,用于通过Canny算法对降维图像进行边缘提取边缘图像;
几何量参数提取单元,用于通过Hough变换和亚像素级角点检测算法提取边缘图像中的被测目标的几何量参数;
特征训练单元,用于通过卷积神经网络训练学习几何量参数中的特定裂纹的特征,最终输出几何量参数是裂纹的概率;
AR显示单元,用于将几何量参数是裂纹的概率大于裂纹概率阈值在AR眼镜端显示裂纹位置和标记。
本公开的有益效果为:本公开提供一种基于增强现实的机械组件质检方法及系统,该方法为生产加工业实现自动化、智能化的质量检测提供了更便捷的方法;基于增强现实技术,使用者可佩戴AR设备实时的随时进行快速的定位机械组件的质量缺陷、机械组件的质量缺陷的质量测量任务包括长度、直径、半径、弯曲度、扭曲度、裂纹等,不受空间位置制约,视野所见皆可测量;可以调用与实物大小一致的虚拟模型进行对比;可以调用立体的装配体三视图与实物进行对比。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1所示为一种基于增强现实的机械组件质检方法的流程图;
图2所示为一种基于增强现实的机械组件质检系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种基于增强现实的机械组件质检方法的流程图,下面结合图1来阐述根据本公开的实施方式的一种基于增强现实的机械组件质检方法。
本公开提出一种基于增强现实的机械组件质检方法,具体包括以下步骤:
S100:通过深度相机采集机械组件的深度图像;
S200:采用高斯滤波函数对深度图像进行滤波处理得到滤波图像;
S300:通过PCA算法进行滤波图像降维得到降维图像;
S400:通过Canny算法对降维图像进行边缘提取边缘图像;
S500:通过Hough变换和亚像素级角点检测算法提取边缘图像中的被测目标的几何量参数;
S600:通过卷积神经网络训练学习几何量参数中的特定裂纹的特征,最终输出几何量参数是裂纹的概率;
S700:将几何量参数是裂纹的概率大于裂纹概率阈值在AR眼镜端显示裂纹位置和标记。
进一步地,在S300中,所述PCA算法还可以是LDA算法、LLE算法、LaplacianEigenmaps算法任意一种。
进一步地,在S500中,所述被测目标的几何量参数包括机械组件的任意两点之间的距离、任意直线的长度、任意两直线的夹角以及圆和圆弧的半径、圆心坐标、弧度等参数;而能否准确获取被测目标边缘直接影响几何参数计算的最终结果。
进一步地,在S500中,Hough变换用于将边缘图像中的曲线包括直线,变换到参数空间中,通过检测参数空间中的极值点,确定出该曲线的描述参数,从而提取影像中的规则曲线;用于检测图像中直线、圆、抛物线、椭圆等形状能够用一定函数关系描述的曲线。
进一步地,在S500中,亚像素级角点检测算法包括最小二乘拟合回归亚像素定位算法。
进一步地,在S600中,特定裂纹的特征为几何量参数中任意直线的长度、任意两直线的夹角、圆和圆弧的半径参数分别小于直线长度预设阈值、两直线的夹角阈值、圆和圆弧的半径阈值的则判定为特定裂纹的特征,直线长度预设阈值为10毫米、两直线的夹角阈值20°、圆和圆弧的半径阈值5毫米,这些参数均可调整。
进一步地,在S700中,裂纹概率阈值的默认设置为80%,可人工调整。
本公开的实施例提供的一种基于增强现实的机械组件质检系统,如图2所示为本公开的一种基于增强现实的机械组件质检系统结构图,该实施例的一种基于增强现实的机械组件质检系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于增强现实的机械组件质检系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
深度图像采集单元,用于通过深度相机采集机械组件的深度图像;
图像滤波单元,用于采用高斯滤波函数对深度图像进行滤波处理得到滤波图像;
图像降维单元,用于通过PCA算法进行滤波图像降维得到降维图像;
边缘提取单元,用于通过Canny算法对降维图像进行边缘提取边缘图像;
几何量参数提取单元,用于通过Hough变换和亚像素级角点检测算法提取边缘图像中的被测目标的几何量参数;
特征训练单元,用于通过卷积神经网络训练学习几何量参数中的特定裂纹的特征,最终输出几何量参数是裂纹的概率;
AR显示单元,用于将几何量参数是裂纹的概率大于裂纹概率阈值在AR眼镜端显示裂纹位置和标记。
所述一种基于增强现实的机械组件质检系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于增强现实的机械组件质检系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于增强现实的机械组件质检系统的示例,并不构成对一种基于增强现实的机械组件质检系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种基于增强现实的机械组件质检系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于增强现实的机械组件质检系统运行系统的控制中心,利用各种接口和线路连接整个一种基于增强现实的机械组件质检系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于增强现实的机械组件质检系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (7)
1.一种基于增强现实的机械组件质检方法,其特征在于,所述方法包括以下步骤:
S100:通过深度相机采集机械组件的深度图像;
S200:采用高斯滤波函数对深度图像进行滤波处理得到滤波图像;
S300:通过PCA算法进行滤波图像降维得到降维图像;
S400:通过Canny算法对降维图像进行边缘提取边缘图像;
S500:通过Hough变换和亚像素级角点检测算法提取边缘图像中的被测目标的几何量参数;
S600:通过卷积神经网络训练学习几何量参数中的特定裂纹的特征,输出几何量参数是裂纹的概率;
S700:将几何量参数是裂纹的概率大于裂纹概率阈值在AR眼镜端显示裂纹位置和标记。
2.根据权利要求1所述的一种基于增强现实的机械组件质检方法,其特征在于,在S300中,所述PCA算法还可以是LDA算法、LLE算法、Laplacian Eigenmaps算法任意一种。
3.根据权利要求1所述的一种基于增强现实的机械组件质检方法,其特征在于,在S500中,所述被测目标的几何量参数包括机械组件的任意两点之间的距离、任意直线的长度、任意两直线的夹角以及圆和圆弧的半径、圆心坐标、弧度等参数。
4.根据权利要求1所述的一种基于增强现实的机械组件质检方法,其特征在于,在S500中,Hough变换用于将边缘图像中的曲线包括直线,变换到参数空间中,通过检测参数空间中的极值点,确定出该曲线的描述参数,从而提取影像中的规则曲线;用于检测图像中直线、圆、抛物线、椭圆等形状能够用一定函数关系描述的曲线。
5.根据权利要求1所述的一种基于增强现实的机械组件质检方法,其特征在于,在S500中,亚像素级角点检测算法包括最小二乘拟合回归亚像素定位算法。
6.根据权利要求1所述的一种基于增强现实的机械组件质检方法,其特征在于,在S600中,特定裂纹的特征为几何量参数中任意直线的长度、任意两直线的夹角、圆和圆弧的半径参数分别小于直线长度预设阈值、两直线的夹角阈值、圆和圆弧的半径阈值的则判定为特定裂纹的特征,直线长度预设阈值为10毫米、两直线的夹角阈值20°、圆和圆弧的半径阈值5毫米。
7.一种基于增强现实的机械组件质检系统,其特征在于,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
深度图像采集单元,用于通过深度相机采集机械组件的深度图像;
图像滤波单元,用于采用高斯滤波函数对深度图像进行滤波处理得到滤波图像;
图像降维单元,用于通过PCA算法进行滤波图像降维得到降维图像;
边缘提取单元,用于通过Canny算法对降维图像进行边缘提取边缘图像;
几何量参数提取单元,用于通过Hough变换和亚像素级角点检测算法提取边缘图像中的被测目标的几何量参数;
特征训练单元,用于通过卷积神经网络训练学习几何量参数中的特定裂纹的特征,最终输出几何量参数是裂纹的概率;
AR显示单元,用于将几何量参数是裂纹的概率大于裂纹概率阈值在AR眼镜端显示裂纹位置和标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312344.5A CN111102920A (zh) | 2019-12-18 | 2019-12-18 | 一种基于增强现实的机械组件质检方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312344.5A CN111102920A (zh) | 2019-12-18 | 2019-12-18 | 一种基于增强现实的机械组件质检方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111102920A true CN111102920A (zh) | 2020-05-05 |
Family
ID=70423146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911312344.5A Pending CN111102920A (zh) | 2019-12-18 | 2019-12-18 | 一种基于增强现实的机械组件质检方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111102920A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833317A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 基于增强现实的工业产品规格检测方法及设备 |
CN112686227A (zh) * | 2021-03-12 | 2021-04-20 | 泰瑞数创科技(北京)有限公司 | 基于增强现实和人机综合检测的产品质量检查方法及其装置 |
CN113744268A (zh) * | 2021-11-04 | 2021-12-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种裂纹检测方法、电子设备及可读存储介质 |
CN113781424A (zh) * | 2021-09-03 | 2021-12-10 | 苏州凌云光工业智能技术有限公司 | 一种表面缺陷检测方法、装置及设备 |
CN114739454A (zh) * | 2022-03-25 | 2022-07-12 | 青岛虚拟现实研究院有限公司 | 一种基于增强现实的测试系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN107748897A (zh) * | 2017-10-30 | 2018-03-02 | 南京工业大学 | 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法 |
CN207408313U (zh) * | 2017-10-30 | 2018-05-25 | 成都极致空觉科技有限公司 | 基于增强现实技术的产品合格检测装置 |
CN108109137A (zh) * | 2017-12-13 | 2018-06-01 | 重庆越畅汽车科技有限公司 | 车辆部件的机器视觉检测系统及方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN108416371A (zh) * | 2018-02-11 | 2018-08-17 | 艾视医疗科技成都有限公司 | 一种糖尿病性视网膜病变自动检测方法 |
CN108614991A (zh) * | 2018-03-06 | 2018-10-02 | 上海数迹智能科技有限公司 | 一种基于Hu不变矩的深度图像手势识别方法 |
CN109101976A (zh) * | 2018-07-10 | 2018-12-28 | 温州大学 | 一种灭弧栅片表面缺陷的检测方法 |
CN109658523A (zh) * | 2018-12-10 | 2019-04-19 | 西安小明出行新能源科技有限公司 | 利用ar增强现实应用实现车辆各功能使用说明的方法 |
CN110008932A (zh) * | 2019-04-17 | 2019-07-12 | 四川九洲视讯科技有限责任公司 | 一种基于计算机视觉的车辆违章压线检测方法 |
CN110111328A (zh) * | 2019-05-16 | 2019-08-09 | 上海中认尚科新能源技术有限公司 | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 |
WO2019211068A1 (de) * | 2018-05-03 | 2019-11-07 | Robert Bosch Gmbh | Verfahren und vorrichtung zum ermitteln eines tiefeninformationsbilds aus einem eingangsbild |
-
2019
- 2019-12-18 CN CN201911312344.5A patent/CN111102920A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN107748897A (zh) * | 2017-10-30 | 2018-03-02 | 南京工业大学 | 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法 |
CN207408313U (zh) * | 2017-10-30 | 2018-05-25 | 成都极致空觉科技有限公司 | 基于增强现实技术的产品合格检测装置 |
CN108109137A (zh) * | 2017-12-13 | 2018-06-01 | 重庆越畅汽车科技有限公司 | 车辆部件的机器视觉检测系统及方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN108416371A (zh) * | 2018-02-11 | 2018-08-17 | 艾视医疗科技成都有限公司 | 一种糖尿病性视网膜病变自动检测方法 |
CN108614991A (zh) * | 2018-03-06 | 2018-10-02 | 上海数迹智能科技有限公司 | 一种基于Hu不变矩的深度图像手势识别方法 |
WO2019211068A1 (de) * | 2018-05-03 | 2019-11-07 | Robert Bosch Gmbh | Verfahren und vorrichtung zum ermitteln eines tiefeninformationsbilds aus einem eingangsbild |
CN109101976A (zh) * | 2018-07-10 | 2018-12-28 | 温州大学 | 一种灭弧栅片表面缺陷的检测方法 |
CN109658523A (zh) * | 2018-12-10 | 2019-04-19 | 西安小明出行新能源科技有限公司 | 利用ar增强现实应用实现车辆各功能使用说明的方法 |
CN110008932A (zh) * | 2019-04-17 | 2019-07-12 | 四川九洲视讯科技有限责任公司 | 一种基于计算机视觉的车辆违章压线检测方法 |
CN110111328A (zh) * | 2019-05-16 | 2019-08-09 | 上海中认尚科新能源技术有限公司 | 一种基于卷积神经网络的风力发电机叶片裂纹检测方法 |
Non-Patent Citations (3)
Title |
---|
刘桂雄: "面向视觉检测的深度学习图像分类网络及", 《中国测试》 * |
汤勃: "机器视觉表面缺陷检测综述", 《中国图像图形学报》 * |
王永利: "基于卷积神经网络的 PCB 缺陷检测与识别算法", 《电子测量与仪器学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833317A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 基于增强现实的工业产品规格检测方法及设备 |
CN112686227A (zh) * | 2021-03-12 | 2021-04-20 | 泰瑞数创科技(北京)有限公司 | 基于增强现实和人机综合检测的产品质量检查方法及其装置 |
CN112686227B (zh) * | 2021-03-12 | 2021-07-06 | 泰瑞数创科技(北京)有限公司 | 基于增强现实和人机综合检测的产品质量检查方法及其装置 |
CN113781424A (zh) * | 2021-09-03 | 2021-12-10 | 苏州凌云光工业智能技术有限公司 | 一种表面缺陷检测方法、装置及设备 |
CN113781424B (zh) * | 2021-09-03 | 2024-02-27 | 苏州凌云光工业智能技术有限公司 | 一种表面缺陷检测方法、装置及设备 |
CN113744268A (zh) * | 2021-11-04 | 2021-12-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种裂纹检测方法、电子设备及可读存储介质 |
CN113744268B (zh) * | 2021-11-04 | 2022-04-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种裂纹检测方法、电子设备及可读存储介质 |
CN114739454A (zh) * | 2022-03-25 | 2022-07-12 | 青岛虚拟现实研究院有限公司 | 一种基于增强现实的测试系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111102920A (zh) | 一种基于增强现实的机械组件质检方法及系统 | |
CN110826416B (zh) | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 | |
WO2016062159A1 (zh) | 图像匹配方法及手机应用测试平台 | |
CN109801318A (zh) | 一种快速物体匹配算法 | |
CN108955901B (zh) | 一种红外测温方法、系统及终端设备 | |
CN111951290A (zh) | 一种图像中物体的边缘检测方法及装置 | |
CN107452030B (zh) | 基于轮廓检测和特征匹配的图像配准方法 | |
CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN111539938B (zh) | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 | |
CN108269274B (zh) | 基于傅里叶变换和Hough变换的图像配准方法 | |
CN112734774B (zh) | 一种高精度眼底血管提取方法、装置、介质、设备和系统 | |
CN107561736B (zh) | 基于傅里叶及Hough变换的LCD缺陷检测方法 | |
TW202127372A (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN115937203A (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
CN108876842A (zh) | 一种亚像素边缘角度的测量方法、系统、设备及存储介质 | |
CN115439523A (zh) | 一种半导体器件引脚尺寸检测方法、设备及存储介质 | |
CN111524139A (zh) | 一种基于双边滤波器的角点检测方法和检测系统 | |
CN105139013A (zh) | 一种融合形状特征和兴趣点的物体识别方法 | |
CN114821274A (zh) | 一种用于识别分合指示牌的状态的方法和设备 | |
CN112749735B (zh) | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 | |
CN116188447A (zh) | 印制电路板检测定位方法、装置、电子设备和存储介质 | |
CN116152166A (zh) | 基于特征相关性的缺陷检测方法及相关装置 | |
CN109815791B (zh) | 基于血管的身份识别方法和装置 | |
CN109035230B (zh) | 一种圆孔直径视觉测量方法 | |
Jang et al. | Stroke-based semi-automatic region of interest detection algorithm for in-situ painting recognition |
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: 20200505 |