CN111402251B - 一种用于3d缺陷检测的视觉检测方法及系统 - Google Patents
一种用于3d缺陷检测的视觉检测方法及系统 Download PDFInfo
- Publication number
- CN111402251B CN111402251B CN202010248490.2A CN202010248490A CN111402251B CN 111402251 B CN111402251 B CN 111402251B CN 202010248490 A CN202010248490 A CN 202010248490A CN 111402251 B CN111402251 B CN 111402251B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- product
- cloud image
- defect detection
- defect
- 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
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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种用于3D缺陷检测的视觉检测方法及系统,该方法为缺陷检测视觉控制器在收到运动控制器的产品到位信号后控制3D相机取像,生成待检测产品的3D点云图像;缺陷检测视觉控制器对待检测产品的3D点云图像进行分析,生成图像分析数据;缺陷检测视觉控制器对图像分析数据进行统计分类,判定待检测产品的检测结果;缺陷检测视觉控制器将检测结果及分析数据进行显示,并将检测结果反馈给运动控制器;该系统为一种包括3D相机取像、3D点云图像处理、检测结果显示、数据分类存储与运动控制器通信功能高度整合的3D视觉检测系统。本发明具有稳定可靠、检测精度高、能适应产品本身的公差和来料波动,大大提高了次品的检出率。
Description
技术领域
本发明属于机器视觉技术领域,涉及一种用于3D缺陷检测的视觉检测方法及系统,具体涉及一种对在3D打印、激光焊接等加工工艺中的产品的加工面的缺陷(异常凹陷或凸起)进行检测的缺陷检测方法及缺陷检测系统。
背景技术
现如今,在3D打印、激光焊接等加工工艺中,对产品的加工面的缺陷(异常凹陷或凸起)检测是一个很重要的环节。目前的3D缺陷检测方式为,首先使用标准产品建立一个标准3D点云模板,然后将待检测产品的3D点云和标准3D点云做差值运算,最后通过高度差值来判定来料的OK/NG。
在对待检测产品的3D点云和标准3D点云做差值运算之前,需要保证两者的3D点云完全重合,现有技术主要有纯机械加持定位保证重合和使用3D点云匹配算法进行3D点云变化后保证重合这两种实现方式。但纯机械加持定位方式无法适应产品公差较大的场景,而使用3D点云匹配算法进行3D点云变化方式则引入了3D点云匹配的误差,在产品特征变化大的场景也无法满足。
由此可见,传统的3D缺陷检测方法均具有鲁棒性差、精度低、不能适应产品本身的公差和来料波动的缺点,从而导致次品检出率普遍不高。
发明内容
针对上述传统3D缺陷检测方法的不足,本发明旨在提供一种用于3D缺陷检测的视觉检测方法及系统,以适应产品来料工况复杂、检测精度要求高的应用场景。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种用于3D缺陷检测的视觉检测方法,包括以下步骤:
S1、缺陷检测视觉控制器在收到运动控制器发出的产品到位信号后,控制3D相机对待检测产品进行取像,生成待检测产品的3D点云图像;
S2、缺陷检测视觉控制器采用3D缺陷算法,对步骤S1取得的待检测产品的3D点云图像进行分析,生成3D点云图像分析数据;
S3、缺陷检测视觉控制器对步骤S2取得的3D点云图像分析数据进行统计分类,生成分类结果,并根据分类结果判定待检测产品的3D缺陷检测结果;
S4、缺陷检测视觉控制器将步骤S3取得的3D缺陷检测结果及分析数据进行显示,并将检测结果反馈给运动控制器。
进一步的,步骤S1中还包括以下步骤:
在3D相机将获取的待检测产品的3D点云图像转移到缺陷检测视觉控制器后,先由缺陷检测视觉控制器对待检测产品的3D点云图像进行视觉识别。
进一步的,步骤S2中缺陷检测视觉控制器对待检测产品进行3D点云图像分析的方法包括以下步骤:
S2.1、对获取的3D点云图像进行检测区域定位并进行裁剪;
S2.2、在裁剪后的3D点云图像中进行基准平面拟合;
S2.3、计算基准平面的法向量并且以法向量方向为Z轴方向,以在基准平面上且互相垂直的两个方向为X、Y轴,建立新的3D点云坐标系;
S2.4、计算裁剪后的3D点云图像中所有的点云到新建的3D坐标系中的坐标,生成新的3D点云图像;
S2.5、对生成的新的3D点云图像进行高度值分析并生成2D的高度灰度图像;
S2.6、根据待检测产品的缺陷管控特征(缺陷高度、深度)提取高度灰度图像中的斑点划痕。
进一步的,步骤S3中缺陷检测视觉控制器对图像分析数据进行统计分类的方法包括以下步骤:
S3.1、计算步骤S2.6提取到的斑点划痕的特征(面积、长宽),根据缺陷特征管控值对斑点进行过滤,以过滤掉非缺陷类型的斑点;
S3.2、根据斑点过滤后的结果判定待检测产品的3D缺陷检测结果为OK或NG。
进一步的,步骤S4还包括以下步骤:
缺陷检测视觉控制器将3D缺陷检测结果及分析数据进行压缩,并保存至缺陷检测视觉控制器的存储空间。
一种用于3D缺陷检测的视觉检测系统,作为缺陷检测视觉控制器分别运动控制器和3D相机通信连接,包括取相模块、3D点云图像处理软件算法模块、分类统计模块和显示反馈模块;
所述取相模块,用于在缺陷检测视觉控制器接收运动控制器的产品到位信号后控制3D相机对待检测产品取相,并生成待检测产品的3D点云图像;
所述3D点云图像处理软件算法模块,用于对所述取相模块生成的3D点云图像进行图像处理和分析,并生成3D点云图像分析数据;
所述分类统计模块,用于对所述3D点云图像处理软件算法模块生成的3D点云图像分析数据进行分类统计,生成分类结果,并根据分类结果判定待检测产品的3D缺陷检测结果;
所述显示反馈模块,用于对所述分类统计模块生成的3D缺陷检测结果及分析数据进行显示,并将3D缺陷检测结果反馈给运动控制器。
进一步的,所述取相模块中还包括转移识别单元,所述转移识别单元用于将3D相机生成待检测产品的3D点云图像转移到3D视觉控制器中进行视觉识别。
进一步的,所述3D点云图像处理软件算法模块中还包括定位裁剪单元、基准平面拟合单元、3D坐标系建立单元、3D点云图像重建单元、高度灰度图像生成单元和斑点提取单元;
所述定位裁剪单元,用于对获取的3D点云图像进行检测区域定位并对检测区域进行裁剪;
所述基准平面拟合单元,用于对裁剪后的3D点云图像的基准平面点云数据进行拟合计算;
所述3D坐标系建立单元,用于建立以裁剪后的3D点云图像的基准平面为高度基准的新的3D点云坐标系;
所述3D点云图像重建单元,用于计算裁剪后的3D点云图像中所有的点云到新建的3D坐标系中的坐标,生成新的3D点云图像;
所述高度灰度图像生成单元,用于将新的3D点云图像转换成2D的高度灰度图像;
所述斑点提取单元,用于根据待检测产品的缺陷管控特征(缺陷高度、深度)取高度灰度图像中的斑点划痕。
进一步的,所述分类统计模块中还包括斑点过滤单元和产品判定单元;
所述斑点过滤单元,用于根据斑点划痕的特征(面积、长宽)过滤掉非缺陷类型的斑点;
所述产品判定单元,用于根据缺陷特征管控值对待检测产品进行判定,判定3D缺陷检测结果为OK品或NG品。
进一步的,所述显示反馈模块中还包括压缩保存单元,所述压缩保存单元用于将3D缺陷检测结果及分析数据进行压缩,并保存至缺陷检测视觉控制器的存储空间。
与现有技术相比,本发明的有益效果是:
本发明包括3D相机取像、3D点云图像处理、检测结果显示、数据分类存储与运动控制器通信高度整合的3D视觉检测系统,同时采用基于产品自身基准面,获取检测区域相对于基准面的高度差的信息点云图,将原始3D点云对基准面进行3D点云投影成2D高度灰度图处理,基于高度灰度图进行缺陷提取的视觉检测技术实现对产品的3D缺陷检测,具有稳定可靠、检测精度高、能适应产品本身的公差和来料波动,大大提高了次品的检出率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明用于3D缺陷检测的视觉检测方法的流程图;
图2为本发明用于3D缺陷检测的视觉检测系统的结构框图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
参见图1所示,一种用于3D缺陷检测的视觉检测方法,该方法实现所需要的设备为缺陷检测视觉控制器,以及与所述缺陷检测视觉控制器分别通信连接的运动控制器和3D相机,该方法的具体步骤如下:
S1、缺陷检测视觉控制器在收到运动控制器发出的产品到位信号后,控制3D相机对待检测产品进行取像,生成待检测产品的3D点云图像;然后3D相机将生成好的3D点云图像传输至缺陷检测视觉控制器的处理器上,由缺陷检测视觉控制器对获取到的3D点云图像进行视觉识别,供后续检测;
S2、缺陷检测视觉控制器采用3D缺陷算法,对步骤S1取得的待检测产品的3D点云图像进行分析,生成3D点云图像分析数据,具体做法为:
首先对获取的3D点云图像进行检测区域定位并进行裁剪,在裁剪后的3D点云图像中对基准平面区域进行平面拟合计算,然后计算基准平面的法向量并且以法向量方向为Z轴方向,以在基准平面上且互相垂直的两个方向为X、Y轴,建立新的3D点云坐标系,再计算裁剪后的3D点云图像中所有的点云到新建的3D坐标系中的坐标,生成新的3D点云图像,接着对生成的新3D点云图像进行高度值分析并生成2D的高度灰度图像,最后根据待检测产品的缺陷管控特征(缺陷高度、深度)提取高度灰度图像中的斑点划痕;
S3、缺陷检测视觉控制器对步骤S2取得的3D点云图像分析数据进行统计分类,生成分类结果,并根据分类结果判定待检测产品的3D缺陷检测结果,具体做法为:
首先计算提取到的斑点划痕的特征(面积、长宽),然后根据缺陷管控值对斑点进行过滤,剔除掉面积过小或者长宽过小的非缺陷类型的斑点后,最后如果还存在未被剔除的斑点,则被视为缺陷类型的斑点,该待检测产品判定为NG品,反之则为OK品。
S4、缺陷检测视觉控制器将步骤S3取得的3D缺陷检测结果及分析数据经过整理后显示出来,并且将最终OK/NG的检测结果反馈给运动控制器,同时缺陷检测视觉控制器将3D缺陷检测结果及分析数据进行压缩,并保存至缺陷检测视觉控制器的存储空间中,至此检测结束。
参见图2所示,一种用于3D缺陷检测的视觉检测系统,作为缺陷检测视觉控制器分别运动控制器和3D相机通信连接,包括取相模块1、3D点云图像处理软件算法模块2、分类统计模块3和显示反馈模块4;
所述取相模块1,用于在缺陷检测视觉控制器接收运动控制器的产品到位信号后控制3D相机对待检测产品取相,并生成待检测产品的3D点云图像;
所述3D点云图像处理软件算法模块2,用于对所述取相模块1生成的3D点云图像进行图像处理和分析,并生成3D点云图像分析数据;
所述分类统计模块3,用于对所述3D点云图像处理软件算法模块2生成的3D点云图像分析数据进行分类统计,生成分类结果,并根据分类结果判定待检测产品的3D缺陷检测结果;
所述显示反馈模块4,用于对所述分类统计模块3生成的3D缺陷检测结果及分析数据进行显示,并将3D缺陷检测结果反馈给运动控制器。
作为本发明的进一步实施例,所述取相模块1中还包括转移识别单元101,所述转移识别单元101用于将3D相机生成待检测产品的3D点云图像转移到3D视觉控制器中进行视觉识别。
作为本发明的进一步实施例,所述3D点云图像处理软件算法模块2中还包括定位裁剪单元201、基准平面拟合单元202、3D坐标系建立单元203、3D点云图像重建单元204、高度灰度图像生成单元205和斑点提取单元206;
所述定位裁剪单元201,用于对获取的3D点云图像进行检测区域定位并对检测区域进行裁剪;
所述基准平面拟合单元202,用于对裁剪后的3D点云图像的基准平面点云数据进行拟合计算;
所述3D坐标系建立单元203,用于建立以裁剪后的3D点云图像的基准平面为高度基准的新的3D点云坐标系;
所述3D点云图像重建单元204,用于计算裁剪后的3D点云图像中所有的点云到新建的3D坐标系中的坐标,生成新的3D点云图像;
所述高度灰度图像生成单元205,用于将新的3D点云图像转换成2D的高度灰度图像;
所述斑点提取单元206,用于根据待检测产品的缺陷管控特征(缺陷高度、深度)取高度灰度图像中的斑点划痕。
作为本发明的进一步实施例,所述分类统计模块3中还包括斑点过滤单元301和产品判定单元302;
所述斑点过滤单元301,用于根据斑点划痕的特征(面积、长宽)过滤掉非缺陷类型的斑点;
所述产品判定单元302,用于根据缺陷特征管控值对待检测产品进行判定,判定3D缺陷检测结果为OK品或NG品。
作为本发明的进一步实施例,所述显示反馈模块4中还包括压缩保存单元401,所述压缩保存单元401用于将3D缺陷检测结果及分析数据进行压缩,并保存至缺陷检测视觉控制器的存储空间。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所作出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (6)
1.一种用于3D缺陷检测的视觉检测方法,其特征在于,包括以下步骤:
S1、缺陷检测视觉控制器在收到运动控制器发出的产品到位信号后,控制3D相机对待检测产品进行取像,生成待检测产品的3D点云图像;
S2、缺陷检测视觉控制器采用3D缺陷算法,对步骤S1取得的待检测产品的3D点云图像进行分析,生成3D点云图像分析数据;包括以下步骤:
S2.1、对获取的3D点云图像进行检测区域定位并进行裁剪;
S2.2、在裁剪后的3D点云图像中进行基准平面拟合;
S2.3、计算基准平面的法向量并且以法向量方向为Z轴方向,以在基准平面上且互相垂直的两个方向为X、Y轴,建立新的3D点云坐标系;
S2.4、计算裁剪后的3D点云图像中所有的点云到新建的3D坐标系中的坐标,生成新的3D点云图像;
S2.5、对生成的新的3D点云图像进行高度值分析并生成2D的高度灰度图像;
S2.6、根据待检测产品的缺陷高度管控特征和缺陷深度管控特征提取高度灰度图像中的斑点划痕;
S3、缺陷检测视觉控制器对步骤S2取得的3D点云图像分析数据进行统计分类,生成分类结果,并根据分类结果判定待检测产品的3D缺陷检测结果;包括以下步骤:
S3.1、计算步骤S2.6提取到的斑点划痕的面积特征和长宽特征,根据缺陷特征管控值对斑点进行过滤,以过滤掉非缺陷类型的斑点;
S3.2、根据斑点过滤后的结果判定待检测产品的3D缺陷检测结果为OK或NG;
S4、缺陷检测视觉控制器将步骤S3取得的3D缺陷检测结果及分析数据进行显示,并将检测结果反馈给运动控制器。
2.根据权利要求1所述的用于3D缺陷检测的视觉检测方法,其特征在于,步骤S1中还包括以下步骤:
在3D相机将获取的待检测产品的3D点云图像转移到缺陷检测视觉控制器后,先由缺陷检测视觉控制器对待检测产品的3D点云图像进行视觉识别。
3.根据权利要求1所述的用于3D缺陷检测的视觉检测方法,其特征在于,步骤S4还包括以下步骤:
缺陷检测视觉控制器将3D缺陷检测结果及分析数据的进行压缩,并保存至缺陷检测视觉控制器的存储空间。
4.一种用于3D缺陷检测的视觉检测系统,其特征在于:包括取相模块(1)、3D点云图像处理软件算法模块(2)、分类统计模块(3)和显示反馈模块(4);
所述取相模块(1),用于在缺陷检测视觉控制器接收运动控制器的产品到位信号后控制3D相机对待检测产品取相,并生成待检测产品的3D点云图像;
所述3D点云图像处理软件算法模块(2),用于对所述取相模块(1)生成的3D点云图像进行图像处理和分析,并生成3D点云图像分析数据;
所述3D点云图像处理软件算法模块(2)中还包括定位裁剪单元(201)、基准平面拟合单元(202)、3D坐标系建立单元(203)、3D点云图像重建单元(204)、高度灰度图像生成单元(205)和斑点提取单元(206);
所述定位裁剪单元(201),用于对获取的3D点云图像进行检测区域定位并对检测区域进行裁剪;
所述基准平面拟合单元(202),用于对裁剪后的3D点云图像的基准平面点云数据进行拟合计算;
所述3D坐标系建立单元(203),用于建立以裁剪后的3D点云图像的基准平面为高度基准的新的3D点云坐标系;
所述3D点云图像重建单元(204),用于计算裁剪后的3D点云图像中所有的点云到新建的3D坐标系中的坐标,生成新的3D点云图像;
所述高度灰度图像生成单元(205),用于将新的3D点云图像转换成2D的高度灰度图像;
所述斑点提取单元(206),用于根据待检测产品的缺陷高度管控特征和缺陷深度管控特征取高度灰度图像中的斑点划痕;
所述分类统计模块(3),用于对所述3D点云图像处理软件算法模块(2)生成的3D点云图像分析数据进行分类统计,生成分类结果,并根据分类结果判定待检测产品的3D缺陷检测结果;
所述分类统计模块(3)中还包括斑点过滤单元(301)和产品判定单元(302);
所述斑点过滤单元(301),用于根据斑点划痕的面积特征和长宽特征过滤掉非缺陷类型的斑点;
所述产品判定单元(302),用于根据缺陷特征管控值对待检测产品进行判定,判定3D缺陷检测结果为OK品或NG品;
所述显示反馈模块(4),用于对所述分类统计模块(3)生成的3D缺陷检测结果及分析数据进行显示,并将3D缺陷检测结果反馈给运动控制器。
5.根据权利要求4所述的用于3D缺陷检测的视觉检测系统,其特征在于:所述取相模块(1)中还包括转移识别单元(101),所述转移识别单元(101)用于将3D相机生成待检测产品的3D点云图像转移到3D视觉控制器中进行视觉识别。
6.根据权利要求4所述的用于3D缺陷检测的视觉检测系统,其特征在于:所述显示反馈模块(4)中还包括压缩保存单元(401),所述压缩保存单元(401)用于将3D缺陷检测结果及分析数据进行压缩,并保存至缺陷检测视觉控制器的存储空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010248490.2A CN111402251B (zh) | 2020-04-01 | 2020-04-01 | 一种用于3d缺陷检测的视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010248490.2A CN111402251B (zh) | 2020-04-01 | 2020-04-01 | 一种用于3d缺陷检测的视觉检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402251A CN111402251A (zh) | 2020-07-10 |
CN111402251B true CN111402251B (zh) | 2023-06-20 |
Family
ID=71433055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010248490.2A Active CN111402251B (zh) | 2020-04-01 | 2020-04-01 | 一种用于3d缺陷检测的视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402251B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651972A (zh) * | 2020-11-11 | 2021-04-13 | 北京平恒智能科技有限公司 | 使用双定位的整体约束的定位方法 |
CN112884768B (zh) * | 2021-03-30 | 2022-09-23 | 中国科学院自动化研究所 | 基于神经网络的3d打印在线质量监测方法、系统、装置 |
CN113109339B (zh) * | 2021-04-08 | 2022-05-27 | 仲恺农业工程学院 | 一种缺陷视觉检测设备的控制方法 |
CN113640304B (zh) * | 2021-08-10 | 2024-03-08 | 合肥国轩高科动力能源有限公司 | 一种动力电池密封钉焊接检测装置及方法 |
CN113393464B (zh) * | 2021-08-18 | 2021-11-05 | 苏州鼎纳自动化技术有限公司 | 一种平板玻璃缺陷的三维检测方法 |
CN113866171B (zh) * | 2021-12-02 | 2022-03-18 | 武汉飞恩微电子有限公司 | 电路板点胶检测方法、设备及计算机可读存储介质 |
CN114419350A (zh) * | 2022-01-26 | 2022-04-29 | 科为升视觉技术(苏州)有限公司 | 手机Face ID模组外观视觉检测系统 |
CN114943778B (zh) * | 2022-07-26 | 2023-01-13 | 广州镭晨智能装备科技有限公司 | 基准面确定方法、检测方法、装置、设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286538B1 (en) * | 2014-05-01 | 2016-03-15 | Hrl Laboratories, Llc | Adaptive 3D to 2D projection for different height slices and extraction of robust morphological features for 3D object recognition |
KR20160118722A (ko) * | 2015-04-03 | 2016-10-12 | 유종재 | 3d 비전검사 시스템 |
WO2018136262A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
CN110658213B (zh) * | 2019-09-30 | 2021-11-26 | 合肥公共安全技术研究院 | 一种用于无缝钢管表面三维缺陷检测的无损检测装置 |
CN110763700A (zh) * | 2019-10-22 | 2020-02-07 | 深选智能科技(南京)有限公司 | 一种半导体元器件缺陷检测方法和设备 |
CN110907457A (zh) * | 2019-12-19 | 2020-03-24 | 长安大学 | 基于3d点云数据的集料形态特征检测系统及检测方法 |
-
2020
- 2020-04-01 CN CN202010248490.2A patent/CN111402251B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111402251A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402251B (zh) | 一种用于3d缺陷检测的视觉检测方法及系统 | |
CN110524580B (zh) | 一种焊接机器人视觉组件及其测量方法 | |
CN111951237B (zh) | 外观视觉检测方法 | |
CN108288288B (zh) | 基于视觉识别的精密轴尺寸测量方法、装置和系统 | |
EP0631250B1 (en) | Method and apparatus for reconstructing three-dimensional objects | |
CN101122457A (zh) | 影像边界扫描系统及方法 | |
CN113240798B (zh) | 基于数字孪生和ar的物料完备性智能检测与配置方法 | |
CN113313097B (zh) | 人脸识别方法、终端及计算机可读存储介质 | |
CN114529510B (zh) | 一种阴极铜在线质量自动检测分类方法 | |
CN108447124A (zh) | 一种基于点云的古建筑轮廓提取方法及系统 | |
CN115345878B (zh) | 一种高精度的锂电池镍片与巴片间距的检测方法及装置 | |
CN112084964A (zh) | 产品识别设备、方法及存储介质 | |
CN114004814A (zh) | 一种基于深度学习和灰度三阶矩分析的煤矸石识别方法及系统 | |
CN116091404A (zh) | 一种基于图像-点云信息融合的焊线缺陷检测及模式识别方法 | |
CN114536109A (zh) | 基于ai视觉自动识别坯料缺陷的打磨装置及其使用方法 | |
KR102578580B1 (ko) | 3차원 데이터 생성 장치 및 방법 | |
CN113109364B (zh) | 一种芯片缺陷的检测方法及装置 | |
CN112702595A (zh) | 一种svac2.0视频比对方法及其系统 | |
CN112883836A (zh) | 一种煤矿井下巷道形变视频检测方法 | |
CN115880365A (zh) | 一种双工位自动螺丝拧装检测方法、系统及装置 | |
CN111105413A (zh) | 一种智能火花塞外观缺陷检测系统 | |
CN116580092A (zh) | 基于自动识别快件体积的快件装载方法及系统 | |
CN115272569A (zh) | 三维数据的偏差色差图的生成方法、生成装置和电子设备 | |
CN213179855U (zh) | 一种电池全尺寸检测装置 | |
CN117834844B (zh) | 基于特征对应的双目立体匹配方法 |
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 |