CN111487192A - 一种基于人工智能的机器视觉表面缺陷检测装置及方法 - Google Patents

一种基于人工智能的机器视觉表面缺陷检测装置及方法 Download PDF

Info

Publication number
CN111487192A
CN111487192A CN202010341033.8A CN202010341033A CN111487192A CN 111487192 A CN111487192 A CN 111487192A CN 202010341033 A CN202010341033 A CN 202010341033A CN 111487192 A CN111487192 A CN 111487192A
Authority
CN
China
Prior art keywords
image
defects
defect
workpiece
detection
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
Application number
CN202010341033.8A
Other languages
English (en)
Inventor
孙海林
张磊
孙浥林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Hairong Technology Co ltd
Original Assignee
Tianjin Hairong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Hairong Technology Co ltd filed Critical Tianjin Hairong Technology Co ltd
Priority to CN202010341033.8A priority Critical patent/CN111487192A/zh
Publication of CN111487192A publication Critical patent/CN111487192A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01Arrangements or apparatus for facilitating the optical investigation
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106General arrangement of respective parts
    • G01N2021/0112Apparatus in one mechanical, optical or electronic block
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • G01N2021/8854Grading and classifying of flaws
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • G01N2021/8854Grading and classifying of flaws
    • G01N2021/888Marking defects
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • G01N2021/8887Scan 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 based on image processing techniques

Abstract

本发明公开了一种基于人工智能的机器视觉表面缺陷检测装置及方法,属于工业自动化检测领域,其包括以下步骤,步骤一,将工件送到CCD摄像头视场内,由成像系统和图像采集卡将图像采集到计算机内部;步骤二,运用图像处理技术对采集到的原始图像提取背景图像及二值化处理,从中提取感兴趣的特征量;步骤三,最后运用模式识别技术对提取的特征量进行分类整理,根据不同缺陷的图像特征,识别出缺陷以完成系统的检测。本发明利用机器视觉检测技术和图像处理技术,有效地实现了对工件表面缺陷更准确、更高效的检测,并提高了产品原料的利用率。

Description

一种基于人工智能的机器视觉表面缺陷检测装置及方法
技术领域
本发明涉及工业自动化检测领域,具体涉及一种基于人工智能的机器视觉表面缺陷检测装置及方法。
背景技术
传统的产品表面质量检测主要采用人工检测的方法,人工检测不仅工作量大,而且易受检测人员主观因素的影响,容易对产品表面缺陷造成漏检,尤其是变形较小、畸变不大的夹杂缺陷漏检,极大降低了产品的表面质量,从而不能够保证检测的效率与精度。
近年来,迅速发展的以图像处理技术为基础的机器视觉技术恰恰可以解决这一问题。机器视觉是将图像处理、计算机图形学、模式识别、计算机技术、人工智能等众多学科高度集成和有机结合,而形成的一门综合性的技术。一般地说,机器视觉是研究计算机或其他处理器模拟生物宏观视觉功能的科学和技术,也就是用机器代替人眼来做测量和判断。机器视觉主要是采用计算机来模拟人的视觉功能,从客观事物的图像中提取信息,进行处理并加以理解,最终用于实际检测、测量和控制。基于机器视觉技术的缺陷检测系统,由于其非接触检测测量,具有较高的准确度、较宽的光谱响应范围,可长时间稳定工作,节省大量劳动力资源,极大地提高了工作效率。可对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。所以,人工检测难以达到降低消耗、提高产品质量的目的。
机器视觉在质量检测方面的应用占整个工业应用的近80%,其中最大的应用行业为:汽车、制药、电子与电气、制造、包装、食品、饮料等。机器视觉检测是非接触无损检测,与传统的检测手段相比,它具有不可替代的优越性,因而得到了广泛的应用,采用机器视觉的表面缺陷检测成为迫切需要。
发明内容
本发明提供了一种基于人工智能的机器视觉表面缺陷检测装置及方法,目的在于克服现有技术中的缺陷,本发明利用机器视觉检测技术和图像处理技术,有效地实现了对工件表面缺陷更准确、更高效的检测,并提高了产品原料的利用率。
为了实现上述目的,本发明采用下述技术方案:
一种基于人工智能的机器视觉表面缺陷检测装置及方法,包括以下步骤,
步骤1:将工件送到CCD摄像头视场内,由成像系统和图像采集卡将图像采集到计算机内部;
步骤2:运用图像处理技术对采集到的原始图像提取背景图像及二值化处理,从中提取特征量;
步骤3:最后运用模式识别技术对提取的特征量进行分类整理,根据不同缺陷的图像特征,识别出缺陷以完成系统的检测。
所述步骤1中构建其检测装置的部件,包括:
CCD摄像头及照明系统:用于对工件表面进行准确的光照补偿并采集工件表面缺陷图像;
图像采集卡:利用CCD摄像头采集图像,将得到的图像模拟电压信号输入到图像采集卡中,转换为便于计算机处理的数字信号;
主控计算机:根据图像采集卡输入的数字信号,对CCD摄像头及照明系统采集的表面缺陷图像进行处理和缺陷检测;
分类机构:运用模式识别技术对取到得特征量进行分类整理以完成系统的检测;
工件:待检测工件;
传送装置:用于传送工件至CCD摄像头及照明系统视场内;
所述CCD摄像头及照明系统,以频闪光作为照明光源,利用面阵或者线阵CDC作为表面缺陷的探测器件;
所述主控计算机中运用的主控系统主要模块包括:图像实时采集模块、图像预处理模块、阈值选取模块、图像测量模块、缺陷检测模块、缺陷识别模块;
所述缺陷检测模块,对缺陷进行检测,首先必须确定经过处理后的图像是否有缺陷,如果没有,则工件无缺陷。如果有缺陷,则缺陷是否是独立的缺陷,图像中有几个缺陷,需要对不同的缺陷进行标识。
所述缺陷识别模块,经过以上处理,从原始图像中提取出了含有缺陷的图像信息,得到了目标缺陷。为了把各种不同类型的目标缺陷分类,需要识别出它们之间的不同。根据缺陷的形状信息,可以用一组描述特征来表示其特性。选择区域描述特征,不但可以减少在区域中原始数据的数量,而且也有利于区别带有不同特性的区域。同时,这些描述特征对于目标缺陷大小的变化、旋转、平移是不变的。
本发明专利与现有技术相比具有以下有益效果:
1、本发明利用机器视觉检测技术和图像处理技术,有效地实现了对工件表面缺陷更准确、更高效的检测,并提高了产品原料的利用率。
2、本发明主控系统可以代替现有人工检测模式,测量精度高,自动化程度高,降低生产成本,检测稳定,解决了人工检测所带来的产品不稳定、检测成本高、工作效率低等问题。
3、本发明采用了集成化、模块化的设计,结构简单,设计合理,实现方便且成本低。
4、本发明的自动化程度高,使用操作便捷,能够排除人的主观误差,提高了识别工件缺陷与分捡的精度。
5、本发明的实用性强,使用效果好,推广应用价值高。
附图说明
图1为本发明一实施例的机器视觉系统结构图;
图2为本发明一实施例的缺陷检测过程;
图3为本发明一实施例的原图像;
图4为本发明一实施例的图像扫描示意图;
图5为本发明一实施例的图像标记示意图;
图6为本发明一实施例的缺陷标识;
图7为本发明一实施例的缺陷标识;
图8为本发明一实施例的去除小面积区域;
图9为本发明一实施例的工件表面缺陷分类二义树表示;
图10为本发明一实施例的圆度判断;
图11为本发明一实施例的扫描工件外圆所得的数据;
图12为本发明一实施例的圆度判断数据;
图13为本发明一实施例的机器视觉系统构成。
图中:1-CCD摄像头及照明系统、2-图像采集卡、3-主控计算机、4-分类机构;5-工件、6-传送装置。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,一种基于人工智能的机器视觉表面缺陷检测装置及方法,包括以下步骤:
步骤1:将工件送到CCD摄像头视场内,由成像系统和图像采集卡将图像采集到计算机内部;
步骤2:运用图像处理技术对采集到的原始图像提取背景图像及二值化处理,从中提取特征量;
步骤3:最后运用模式识别技术对提取的特征量进行分类整理,根据不同缺陷的图像特征,识别出缺陷以完成系统的检测。
步骤1中构建其检测装置的部件,包括:
CCD摄像头及照明系统1:用于对工件5表面进行准确的光照补偿并采集工件5表面缺陷图像;
图像采集卡2:利用CCD摄像头采集图像,将得到的图像模拟电压信号输入到图像采集卡中,转换为便于计算机处理的数字信号;
主控计算机3:根据图像采集卡2输入的数字信号,对CCD摄像头及照明系统1采集的表面缺陷图像进行处理和缺陷检测;
分类机构4:运用模式识别技术对取到得特征量进行分类整理以完成系统的检测;
工件5:待检测工件;
传送装置6:用于传送工件至CCD摄像头及照明系统1视场内;
CCD摄像头及照明系统1,以频闪光作为照明光源,利用面阵或者线阵CDC作为表面缺陷的探测器件;
如图2所示,主控计算机3中运用的主控系统主要模块包括:图像实时采集模块、图像预处理模块、阈值选取模块、图像测量模块、缺陷检测模块、缺陷识别模块;
缺陷检测模块,对缺陷进行检测,首先必须确定经过处理后的图像是否有缺陷,如果没有,则工件无缺陷。如果有缺陷,则缺陷是否是独立的缺陷,图像中有几个缺陷,需要对不同的缺陷进行标识。
如图3所示,设有一幅已经分割出的二值图像,图中A代表缺陷,0代表背景,规定用4连通准则加标记。由于扫描有一定的次序,对任一点来说,当前点的左前一点和上一点必然是已经扫描过了的点,在扫描过程中遇到缺陷上一点P,则其上点及左点必然是已经标记过了的点,对P点加标记的方法是由左点及上点来确定的,主要有下面几种不同的情况,如下所示。
(a)当左前一点和上一点皆为背景0,则P点加新标记;
(b)当左前一点和上一点有一个为0,另一个为已加标记,则点P和已加标记的邻点加上相同的标记;
(c)当左前一点和上一点两个邻点皆为已加标记,则P点标记与左点标记相同。
如图4所示,根据上面的三原则,在第一次扫描后所有的缺陷上皆已加标记,标记以此为1,2,3,4,,这是图像中的同一缺陷可能有几种不同的标记,因此需要第二次扫描,来把同一缺陷上的标记统一起来,只要是4连通的都属于同一缺陷,其标记都应该为一致,如图5所示。
在二值图像中,相互连接的白像素或黑像素的集合成为一个区域,通过对图像内每个区域进行标记操作,求得区域的数目。由于处理前的图像是二值的,像素值只有0和1,所以处理后每个像素的值即为其所处理区域的区域标号(1,2,3,…,)。连接性8连通,如图6所示,图中有A、B、C三个不连通的缺陷。
经过处理过程后,就可以得到标记后的缺陷图像,如图7所示。
通过对图像内每个标记操作的区域进行计算,求得总区域的数目,同时求得每个区域的像素个数。当二值图像的某区域面积(像素数)在阈值以下时则消去该区域,全部置为0,由此得到新图像,如图8所示。
缺陷识别模块,经过以上处理,从原始图像中提取出了含有缺陷的图像信息,得到了目标缺陷。为了把各种不同类型的目标缺陷分类,需要识别出它们之间的不同。根据缺陷的形状信息,可以用一组描述特征来表示其特性。选择区域描述特征,不但可以减少在区域中原始数据的数量,而且也有利于区别带有不同特性的区域。同时,这些描述特征对于目标缺陷大小的变化、旋转、平移是不变的。
鉴于工件表面缺陷图像不同特征之间有一定的相关性,为降低识别算法的复杂性,特征识别时采用阶层识别的方法。利用二叉树线性分类器,如图9所示,逐层选用不同的描述特征,选择描述特征的准则是同种特征值相差最明显的,保证描述特征具有较大相互独立性。描述特征的分类阈值由实验分析和特征分析结果得到,具体过程如下所述。
(1)圆度判断
圆度判断主要是针对掉角的缺陷,根据工件的特性,如图10所示,我们采取的方法:首先遍历圆周,因为背景的灰度值是很低的,可以比较容易将工件和背景分割开,提取出工件的外形;然后计算圆周上各点到圆心的距离,并和半径比较,如果比半径小于某一个设定值时,认为该点不在圆周上,如果这样的点连续而它们个数超过掉角缺陷的设定值时,可以认为这个工件是不圆的。如图11所示,半径的值并不是一条直线,而是一条曲线,甚至有些地方有凹沟,这表明工件本身不圆。我们可以利用这个数据曲线可以计算最小半径、掉角方向和掉角角度。
经过运算,可以得到如图12所示的数据,根据圆度技术要求,设定合适缺陷阈值,可以把圆度上有缺陷的工件在识别其他种类缺陷之前剔出来。
(2)识别麻坑和掉角
麻坑和掉角区别就是麻坑在工件表面的内部,而掉角在工件表面的边缘。利用不变矩,就可以计算出缺陷区域的形心坐标,判断缺陷区域是否在工件图像的边缘,如果在边缘,则可以确定是掉角;否则,是麻坑。
(3)识别刀纹、裂纹和划痕
刀纹一般宽度和长度较大,而且面积也大,不变矩长短径之比要比裂纹和划痕小,同时,缺陷区域的分散度和复杂度较大,综合利用这几点就可以确定刀纹。至于裂纹和划痕,在缺陷区域本身的形状上很难区分。
工作原理:
机器视觉系统的组成如图13有照明部分、图像获取部分、图像显示部分和图像处理部分。一般采用CCD摄像头摄取检测图像并转化为数字信号,再对图像数字信号进行处理,从而得到所需要的各种目标图像特征值,并由此实现模式识别、坐标计算、灰度分布图等多种功能。然后再根据其结果显示图像,输出数据,发出指令,配合执行机构完成位置调整,好坏筛选,数据统计等自动化流程。
本装置由CCD摄像头及照明系统、图像采集卡、主控计算机、分类机构、工件、传送装置等部件组成,首先是图像采集,将工件送到CCD摄像头视场内;然后由成像系统和图像采集卡处理,转换生成数字信号送入主控计算机;主控计算机控制核心,运用图像处理技术对采集到的原始图像进行预处理以改善图像质量,从中提取感兴趣的特征量;最后运用模式识别技术对取到得特征量进行分类整理以完成系统的检测。
主控系统是一个完整、实时的缺陷检测系统,需要系统从原始图像采集到图像预处理、阈值选取、分割,再到模式识别,最后到缺陷种类分选整套过程有一个全面、整体的设计。主控系统主要有以下几个模块:图像实时采集模块、图像预处理模块、阈值选取模块、图像测量模块、缺陷检测模块、缺陷识别模块。
利用线阵CCD配合工件的一维运动获取目标图像,然后由计算机对图像进行处理,可以检测日期编号等信息的遗漏和正确与否;以频闪光作为照明光源,利用面阵或者线阵CDC作为表面缺陷的探测器件。
机器视觉系统在高速、细微和重复的制造过程中显得非常可靠,因此本发明可以广泛用于加工制造企业,完成大批量生产过程中的重复性检测任务。
机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合,常用机器视觉来替代人工视觉;同时在大批量工业生产过程中,用人工视觉检查产品质量效率低且精度不高,用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视易于实现信息集成,是实现计算机集成制造的基础技术。因此,在现代自动化生产过程中,人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。
对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于人工智能的机器视觉表面缺陷检测装置及方法,其特征在于,包括以下步骤,
步骤1:将工件送到CCD摄像头视场内,由成像系统和图像采集卡将图像采集到计算机内部;
步骤2:运用图像处理技术对采集到的原始图像提取背景图像及二值化处理,从中提取特征量;
步骤3:最后运用模式识别技术对提取的特征量进行分类整理,根据不同缺陷的图像特征,识别出缺陷以完成系统的检测。
2.根据权利要求1所述的基于人工智能的机器视觉表面缺陷检测装置及方法,其特征在于,所述步骤1中构建其检测装置的部件,包括:
CCD摄像头及照明系统(1):用于对工件(5)表面进行准确的光照补偿并采集工件(5)表面缺陷图像;
图像采集卡(2):利用CCD摄像头采集图像,将得到的图像模拟电压信号输入到图像采集卡中,转换为便于计算机处理的数字信号;
主控计算机(3):根据所述图像采集卡(2)输入的数字信号,对所述CCD摄像头及照明系统(1)采集的表面缺陷图像进行处理和缺陷检测;
分类机构(4):运用模式识别技术对取到得特征量进行分类整理以完成系统的检测;
工件(5):待检测工件;
传送装置(6):用于传送工件至所述CCD摄像头及照明系统(1)视场内。
3.根据权利要求2所述的基于人工智能的机器视觉表面缺陷检测装置及方法,其特征在于,所述CCD摄像头及照明系统(1),以频闪光作为照明光源,利用面阵或者线阵CDC作为表面缺陷的探测器件。
4.根据权利要求2所述的基于人工智能的机器视觉表面缺陷检测装置及方法,其特征在于,所述主控计算机(3)中运用的主控系统模块包括:图像实时采集模块、图像预处理模块、阈值选取模块、图像测量模块、缺陷检测模块、缺陷识别模块。
5.根据权利要求4所述的基于人工智能的机器视觉表面缺陷检测装置及方法,其特征在于,所述缺陷检测模块,对缺陷进行检测,首先必须确定经过处理后的图像是否有缺陷,如果没有,则工件无缺陷。如果有缺陷,则缺陷是否是独立的缺陷,图像中有几个缺陷,需要对不同的缺陷进行标识。
6.根据权利要求4所述的基于人工智能的机器视觉表面缺陷检测装置及方法,其特征在于,所述缺陷识别模块,经过以上处理,从原始图像中提取出了含有缺陷的图像信息,得到了目标缺陷。为了把各种不同类型的目标缺陷分类,需要识别出它们之间的不同。根据缺陷的形状信息,可以用一组描述特征来表示其特性。选择区域描述特征,不但可以减少在区域中原始数据的数量,而且也有利于区别带有不同特性的区域。同时,这些描述特征对于目标缺陷大小的变化、旋转、平移是不变的。
CN202010341033.8A 2020-04-26 2020-04-26 一种基于人工智能的机器视觉表面缺陷检测装置及方法 Pending CN111487192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010341033.8A CN111487192A (zh) 2020-04-26 2020-04-26 一种基于人工智能的机器视觉表面缺陷检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010341033.8A CN111487192A (zh) 2020-04-26 2020-04-26 一种基于人工智能的机器视觉表面缺陷检测装置及方法

Publications (1)

Publication Number Publication Date
CN111487192A true CN111487192A (zh) 2020-08-04

Family

ID=71795528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010341033.8A Pending CN111487192A (zh) 2020-04-26 2020-04-26 一种基于人工智能的机器视觉表面缺陷检测装置及方法

Country Status (1)

Country Link
CN (1) CN111487192A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113020428A (zh) * 2021-03-24 2021-06-25 北京理工大学 级进模的加工监控方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105321179A (zh) * 2015-10-12 2016-02-10 陕西科技大学 面向工业产品表面缺陷检测的二值图像连通域标记方法
CN106053479A (zh) * 2016-07-21 2016-10-26 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统
CN106442556A (zh) * 2016-11-16 2017-02-22 哈尔滨理工大学 一种板状带孔工件表面缺陷检测装置和方法
CN107490583A (zh) * 2017-09-12 2017-12-19 桂林电子科技大学 一种基于机器视觉的夹片缺陷检测方法
CN108088848A (zh) * 2017-12-15 2018-05-29 佛山市极加互动科技有限公司 一种基于phython机器视觉缺陷的在线检测方法
CN109087286A (zh) * 2018-07-17 2018-12-25 江西财经大学 一种基于计算机图像处理和模式识别的检测方法及应用
CN109872300A (zh) * 2018-12-17 2019-06-11 南京工大数控科技有限公司 一种摩擦片外观缺陷的视觉显著性检测方法
CN110009618A (zh) * 2019-04-02 2019-07-12 浙江大学 一种轴类零件表面质量检测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105321179A (zh) * 2015-10-12 2016-02-10 陕西科技大学 面向工业产品表面缺陷检测的二值图像连通域标记方法
CN106053479A (zh) * 2016-07-21 2016-10-26 湘潭大学 一种基于图像处理的工件外观缺陷的视觉检测系统
CN106442556A (zh) * 2016-11-16 2017-02-22 哈尔滨理工大学 一种板状带孔工件表面缺陷检测装置和方法
CN107490583A (zh) * 2017-09-12 2017-12-19 桂林电子科技大学 一种基于机器视觉的夹片缺陷检测方法
CN108088848A (zh) * 2017-12-15 2018-05-29 佛山市极加互动科技有限公司 一种基于phython机器视觉缺陷的在线检测方法
CN109087286A (zh) * 2018-07-17 2018-12-25 江西财经大学 一种基于计算机图像处理和模式识别的检测方法及应用
CN109872300A (zh) * 2018-12-17 2019-06-11 南京工大数控科技有限公司 一种摩擦片外观缺陷的视觉显著性检测方法
CN110009618A (zh) * 2019-04-02 2019-07-12 浙江大学 一种轴类零件表面质量检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘雪梅: "基于机器视觉的工件表面缺陷检测技术研究", 《万方数据》 *
吴强等: "基于机器视觉的零件缺陷检测算法", 《科学技术创新》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113020428A (zh) * 2021-03-24 2021-06-25 北京理工大学 级进模的加工监控方法、装置、设备及存储介质
CN113020428B (zh) * 2021-03-24 2022-06-28 北京理工大学 级进模的加工监控方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Shen et al. Bearing defect inspection based on machine vision
CN109550712B (zh) 一种化纤丝尾丝外观缺陷检测系统及方法
CN108074231B (zh) 一种基于卷积神经网络的磁片表面缺陷检测方法
CN109454006B (zh) 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法
CN109255787B (zh) 基于深度学习和图像处理技术的丝锭划痕检测系统及方法
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
Zhou et al. Automated visual inspection of glass bottle bottom with saliency detection and template matching
CN109490316B (zh) 一种基于机器视觉的表面缺陷检测算法
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
CN102175692A (zh) 织物坯布疵点快速检测系统及方法
CN105403147A (zh) 一种基于嵌入式的瓶胚检测系统和检测方法
CN109308700A (zh) 一种基于印刷品字符的视觉识别缺陷检测方法
CN110246122A (zh) 基于机器视觉的小型轴承质量检测方法、装置及系统
Liu et al. Automatic detection technology of surface defects on plastic products based on machine vision
CN106290392A (zh) 一种小微轴承表面凹痕缺陷在线检测方法及其系统
CN104483320B (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN110096980A (zh) 字符检测识别系统
Islam et al. Image processing techniques for quality inspection of gelatin capsules in pharmaceutical applications
CN111487192A (zh) 一种基于人工智能的机器视觉表面缺陷检测装置及方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
Radovan et al. An approach for automated inspection of wood boards
CN110866917A (zh) 一种基于机器视觉的药片类型及排列方式识别方法
CN109063738B (zh) 一种压缩感知的陶瓷水阀片自动在线检测方法
CN110856847A (zh) 一种基于智能视觉的电容字符检测方法及装置

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