CN111487250A - 一种应用于注塑件不良品检测的智能视觉检测方法及系统 - Google Patents
一种应用于注塑件不良品检测的智能视觉检测方法及系统 Download PDFInfo
- Publication number
- CN111487250A CN111487250A CN202010253484.6A CN202010253484A CN111487250A CN 111487250 A CN111487250 A CN 111487250A CN 202010253484 A CN202010253484 A CN 202010253484A CN 111487250 A CN111487250 A CN 111487250A
- Authority
- CN
- China
- Prior art keywords
- detection
- defective product
- defective
- module
- injection molding
- 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
- 230000002950 deficient Effects 0.000 title claims abstract description 127
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000001746 injection moulding Methods 0.000 title claims abstract description 41
- 230000000007 visual effect Effects 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007635 classification algorithm Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000007547 defect Effects 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000002347 injection Methods 0.000 claims abstract description 3
- 239000007924 injection Substances 0.000 claims abstract description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 238000011179 visual inspection Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 91
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
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
- G01N21/8851—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
- 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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- G01N2021/8858—Flaw counting
-
- 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
- G01N21/8851—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
- G01N2021/8887—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 based on image processing techniques
Abstract
本公开提供了一种应用于注塑件不良品检测的智能视觉检测方法及系统，旨在解决传统检测方法鲁棒性和泛化能力较差的问题。检测方法：获取待检测样品的视频流数据；将视频流数据分解成单帧图像数据；通过不良品检测深度学习算法检测不良品的缺陷；通过不良品分类算法对不良品分类；通过注塑件跟踪检测算法统计检测样本个数及出现的不良品个数，显示检测结果。检测系统，其特征在于，包括：数据采集模块、智能控制模块和显示模块，所述智能控制模块包括数据流分解模块、不良品检测模块、不良品分类模块、目标跟踪模块和统计模块。该发明可以针对多种不同程度的不良品进行快速实时、高准确率的检测，较传统检测方法有着更高的鲁棒性和泛化能力。
Description
技术领域
本公开属于注塑件不良品智能检测技术领域，具体涉及一种应用于注塑件不良品检测的智能视觉检测方法及系统。
背景技术
在注塑件生产加工过程中由于型腔表面不光洁，脱模斜度小，脱模方向与加工纹路不一致，冷却时间不足，模具顶出分布不合理，操作员操作失误等原因，普遍存在一些产品飞边、变形、烧伤、开裂、冷料等残次缺陷现象产生。一旦这些不良品流入下一生产链，将会导致最终产品存在一定的安全隐患问题，因此注塑件加工生产之后的质量检测至关重要。
在传统的注塑件检测环节中，通常采取的方法有人工检测以及工业相机+CCD检测技术。人工检测通常会带来较高的人力成本，检测效率较低，且长时间检测作业，质检人员容易精神疲惫，往往会导致漏检误检。现有的工业相机+CCD检测技术，采取的是标准件图像比对的方法，这种检测方法的鲁棒性及泛化能力较差，且容易受到光源的影响，在光源不充足及检测件检测位置变化时检测效果往往会变差。因此亟需一种快速、高效、通用的不良品检测方法。
发明内容
本公开提供了一种应用于注塑件不良品检测的智能视觉检测方法及系统，旨在解决传统检测方法鲁棒性和泛化能力较差的问题。
为了解决上述技术问题，本公开所采用的技术方案为：
一方面，本公开提供了一种应用于注塑件不良品检测的智能视觉检测方法，包括以下步骤：
S101、获取待检测样品的视频流数据；
S102、将视频流数据分解成单帧图像数据；
S103、通过不良品检测深度学习算法，识别单帧图像数据中不良品的缺陷，计算不良品缺陷部位中心位置在图像中像素点坐标信息(x,y)以及尺度信息(w,h)，(x,y)对应图像中横向和纵向的坐标信息，(w,h)对应缺陷部位在图像中所占长宽信息，利用相机矩阵将坐标系的坐标信息转为空间坐标系坐标信息；
S104、通过不良品分类算法，利用检测出的不良品缺陷部位中心位置及尺度信息，提取图像特征，并按照注塑成型产品标准手册的标准等级进行分类判定；
S105、通过注塑件跟踪检测算法，检测数据流中所有检测样本，并与视频流前几帧出现的目标位置和数量进行对比，对重复出现在视频流中的样本进行去重处理，统计检测样本个数及出现的不良品个数；
S106、统计样品总数量、良品、不良品数量和良品率，并保存为文本文档的格式，将不良品在图像数据中框选出来整合为视频流进行显示。
进一步改进的方案：所述不良品检测深度学习算法采用YOLOV3+Mobilenet。
进一步改进的方案：所述不良品分类算法采用Mobilenetv1。
进一步改进的方案：所述注塑件跟踪检测算法采用MDnet。
另一方面，本公开还提供了一种应用于注塑件不良品检测的智能视觉检测系统，其特征在于，包括：数据采集模块、智能控制模块和显示模块，所述智能控制模块包括数据流分解模块、不良品检测模块、不良品分类模块、目标跟踪模块和统计模块；
数据采集模块，获取待检测样品的视频流数据；
数据流分解模块，将视频流数据分解成单帧图像数据；
不良品检测模块，通过不良品检测深度学习算法，识别单帧图像数据中不良品的缺陷，计算不良品缺陷部位中心位置在图像中像素点坐标信息(x,y)以及尺度信息(w,h)，(x,y)对应图像中横向和纵向的坐标信息，(w,h)对应缺陷部位在图像中所占长宽信息，利用相机矩阵将坐标系的坐标信息转为空间坐标系坐标信息；
不良品分类模块，通过不良品分类算法，利用不良品检测模型检测出的不良品缺陷部位中心位置及尺度信息，提取图像特征，并按照注塑成型产品标准手册的标准等级进行分类判定；
目标跟踪模块，通过注塑件跟踪检测算法，检测数据流中所有检测样本，并与视频流前几帧出现的目标位置和数量进行对比，对重复出现在视频流中的样本进行去重处理，统计检测样本个数及出现的不良品个数；
统计模块，统计样品总数量、良品、不良品数量和良品率，并保存为文本文档的格式，将不良品在图像数据中框选出来整合为视频流；
显示模块，用于显示智能控制模块整合的视频流，实时显示样品总数量及良品率。
进一步改进的方案：智能控制模块包括人工智能芯片和控制电路。
进一步改进的方案：智能控制模块的人工智能芯片采用英伟达系列GPU。
进一步改进的方案：显示模块包括显示屏、报警灯和蜂鸣器，当检测到不良品时，报警灯闪烁，蜂鸣器常鸣，显示屏进行显示。
进一步改进的方案：数据采集模块包括系统光源和视觉传感器。
进一步改进的方案：所述系统光源为LED灯，视觉传感器为工业广角相机。
本公开的有益效果为：
1、本发明提出一种应用于注塑件不良品检测的智能视觉检测方法及系统，针对普遍存在的注塑件不良品样例建立深度学习模型，该发明可以针对多种不同程度的不良品进行快速实时、高准确率的检测，较传统检测方法有着更高的鲁棒性和泛化能力。该发明可以根据检测任务迭代更新，对于待测样品的摆放位置、角度及数量没有限制，适用于多种不同领域内的流水线质量检测。
2、本发明具备不良品检测功能，可以实时检测不良品的位置信息，并且在显示器上框选出不良品缺陷部位位置。
3、本发明具备不良品分类功能，按照注塑成型产品标准手册的标准等级进行对不良品缺陷部位进行分类判定。
4、本发明具备检测结果统计记录功能，计算检测样本的总体数量、良品、不良品数量，统计良品率，并把最终统计结果保存为文本文档的格式。
5、本发明具备警报功能，当检测到不良品时，警报灯闪烁，蜂鸣器常鸣。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简要介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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相关附图。
图1为注塑件自动检测方法的步骤示意图。
图2为本发明中系统的结构示意图。
图3 YOLOV3模型框架示意图。
图4DepthwisePointwise模块示意图。
图5为本发明中所用检测模型框架示意图。
具体实施方式
下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚完整的描述。应当理解，此处所描述的具体实施例仅仅用于解释本公开，并不用于限定本公开。基于本公开的实施例，本领域技术人员在没有创造性劳动的前提下所获得的所有其他实施例，都属于本公开的保护范围。
实施例一：
参阅图1、图3、图4和图5，本公开提供了一种应用于注塑件不良品检测的智能视觉检测方法，包括以下步骤：
S101、获取待检测样品的视频流数据；
S102、将视频流数据分解成单帧图像数据；
S103、通过不良品检测深度学习算法，识别单帧图像数据中不良品的缺陷，计算不良品缺陷部位中心位置在图像中像素点坐标信息(x,y)以及尺度信息(w,h)，(x,y)对应图像中横向和纵向的坐标信息，(w,h)对应缺陷部位在图像中所占长宽信息，利用相机矩阵将坐标系的坐标信息转为空间坐标系坐标信息；
S104、通过不良品分类算法，利用检测出的不良品缺陷部位中心位置及尺度信息，提取图像特征，并按照注塑成型产品标准手册的标准等级进行分类判定；
S105、通过注塑件跟踪检测算法，检测数据流中所有检测样本，并与视频流前几帧出现的目标位置和数量进行对比，对重复出现在视频流中的样本进行去重处理，统计检测样本个数及出现的不良品个数；
S106、统计样品总数量、良品、不良品数量和良品率，并保存为文本文档的格式，将不良品在图像数据中框选出来整合为视频流进行显示。
在上述方案的基础上，不良品检测深度学习算包括但不限于常见的目标检测、跟踪、分类算法，例如YOLO，SSD，Resnet，VGG等。作为一种优选的方案，所述不良品检测深度学习算法采用YOLOV3+Mobilenet。通过结合YOLOV3与Mobilenet作为不良品检测模型，采用YOLOV3模型中的3x3卷积核替换为depth-wise卷积搭配point-wise卷积的方式来减少模型参数及计算量。其中，YOLOV3模型框架示意图如图3所示。
在上述方案的基础上，作为进一步优选的方案，所述不良品分类算法采用Mobilenetv1。
在上述方案的基础上，作为进一步优选的方案，所述注塑件跟踪检测算法采用MDnet。
实施例二：
参阅图2，本公开还提供了一种应用于注塑件不良品检测的智能视觉检测系统，其特征在于，包括：数据采集模块、智能控制模块和显示模块，所述智能控制模块包括数据流分解模块、不良品检测模块、不良品分类模块、目标跟踪模块和统计模块；
数据采集模块，获取待检测样品的视频流数据；
数据流分解模块，将视频流数据分解成单帧图像数据；
不良品检测模块，通过不良品检测深度学习算法，识别单帧图像数据中不良品的缺陷，计算不良品缺陷部位中心位置在图像中像素点坐标信息(x,y)以及尺度信息(w,h)，(x,y)对应图像中横向和纵向的坐标信息，(w,h)对应缺陷部位在图像中所占长宽信息，利用相机矩阵将坐标系的坐标信息转为空间坐标系坐标信息；不良品检测深度学习算包括但不限于常见的目标检测、跟踪、分类算法，例如YOLO，SSD，Resnet，VGG等。作为一种优选的方案，所述不良品检测深度学习算法采用YOLOV3+Mobilenet。通过结合YOLOV3与Mobilenet作为不良品检测模型，采用YOLOV3模型中的3x3卷积核替换为depth-wise卷积搭配point-wise卷积的方式来减少模型参数及计算量。其中，YOLOV3模型框架示意图如图3所示。
不良品分类模块，通过不良品分类算法，利用不良品检测模型检测出的不良品缺陷部位中心位置及尺度信息，提取图像特征，并按照注塑成型产品标准手册的标准等级进行分类判定；所述不良品分类算法采用Mobilenetv1。
目标跟踪模块，通过注塑件跟踪检测算法，检测数据流中所有检测样本，并与视频流前几帧出现的目标位置和数量进行对比，对重复出现在视频流中的样本进行去重处理，统计检测样本个数及出现的不良品个数；所述注塑件跟踪检测算法采用MDnet。
统计模块，统计样品总数量、良品、不良品数量和良品率，并保存为文本文档的格式，将不良品在图像数据中框选出来整合为视频流。
显示模块，用于显示智能控制模块整合的视频流，实时显示样品总数量及良品率。
在上述任一方案的基础上，智能控制模块包括人工智能芯片和控制电路。
在上述任一方案的基础上，智能控制模块的人工智能芯片包括但不限于其余人工智能芯片，例如华为海思系列NPU等。作为一种优选的方式，智能控制模块的人工智能芯片采用英伟达系列GPU。包括但不限于其余人工智能芯片，例如华为海思系列NPU。
在上述任一方案的基础上，显示模块包括显示屏、报警灯和蜂鸣器，当检测到不良品时，报警灯闪烁，蜂鸣器常鸣，显示屏进行显示。
在上述任一方案的基础上，数据采集模块包括系统光源和视觉传感器。
在上述任一方案的基础上，所述系统光源为LED灯，视觉传感器为工业广角相机。
本公开不局限于上述可选实施方式，任何人在本公开的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本公开权利要求界定范围内的技术方案，均落在本公开的保护范围之内。
Claims (10)
1.一种应用于注塑件不良品检测的智能视觉检测方法，其特征在于，包括以下步骤：
S101、获取待检测样品的视频流数据；
S102、将视频流数据分解成单帧图像数据；
S103、通过不良品检测深度学习算法，识别单帧图像数据中不良品的缺陷，计算不良品缺陷部位中心位置在图像中像素点坐标信息(x,y)以及尺度信息(w,h)，(x,y)对应图像中横向和纵向的坐标信息，(w,h)对应缺陷部位在图像中所占长宽信息，利用相机矩阵将坐标系的坐标信息转为空间坐标系坐标信息；
S104、通过不良品分类算法，利用检测出的不良品缺陷部位中心位置及尺度信息，提取图像特征，并按照注塑成型产品标准手册的标准等级进行分类判定；
S105、通过注塑件跟踪检测算法，检测数据流中所有检测样本，并与视频流前几帧出现的目标位置和数量进行对比，对重复出现在视频流中的样本进行去重处理，统计检测样本个数及出现的不良品个数；
S106、统计样品总数量、良品、不良品数量和良品率，并保存为文本文档的格式，将不良品在图像数据中框选出来整合为视频流进行显示。
2.如权利要求1所述的注塑件自动检测方法，其特征在于，所述不良品检测深度学习算法采用YOLOV3+Mobilenet。
3.如权利要求1所述的注塑件自动检测方法，其特征在于，所述不良品分类算法采用Mobilenetv1。
4.如权利要求1所述的注塑件自动检测方法，其特征在于，所述注塑件跟踪检测算法采用MDnet。
5.一种应用于注塑件不良品检测的智能视觉检测系统，其特征在于，包括：数据采集模块、智能控制模块和显示模块，所述智能控制模块包括数据流分解模块、不良品检测模块、不良品分类模块、目标跟踪模块和统计模块；
数据采集模块，获取待检测样品的视频流数据；
数据流分解模块，将视频流数据分解成单帧图像数据；
不良品检测模块，通过不良品检测深度学习算法，识别单帧图像数据中不良品的缺陷，计算不良品缺陷部位中心位置在图像中像素点坐标信息(x,y)以及尺度信息(w,h)，(x,y)对应图像中横向和纵向的坐标信息，(w,h)对应缺陷部位在图像中所占长宽信息，利用相机矩阵将坐标系的坐标信息转为空间坐标系坐标信息；
不良品分类模块，通过不良品分类算法，利用不良品检测模型检测出的不良品缺陷部位中心位置及尺度信息，提取图像特征，并按照注塑成型产品标准手册的标准等级进行分类判定；
目标跟踪模块，通过注塑件跟踪检测算法，检测数据流中所有检测样本，并与视频流前几帧出现的目标位置和数量进行对比，对重复出现在视频流中的样本进行去重处理，统计检测样本个数及出现的不良品个数；
统计模块，统计样品总数量、良品、不良品数量和良品率，并保存为文本文档的格式，将不良品在图像数据中框选出来整合为视频流；
显示模块，用于显示智能控制模块整合的视频流，实时显示样品总数量及良品率。
6.根据权利要求5所述的一种应用于注塑件不良品检测的智能视觉检测系统，其特征在于，智能控制模块包括人工智能芯片和控制电路。
7.根据权利要求6所述的一种应用于注塑件不良品检测的智能视觉检测系统，其特征在于，智能控制模块的人工智能芯片采用英伟达系列GPU。
8.根据权利要求5所述的一种应用于注塑件不良品检测的智能视觉检测系统，其特征在于，显示模块包括显示屏、报警灯和蜂鸣器，当检测到不良品时，报警灯闪烁，蜂鸣器常鸣，显示屏进行显示。
9.根据权利要求5所述的一种应用于注塑件不良品检测的智能视觉检测系统，其特征在于，数据采集模块包括系统光源和视觉传感器。
10.根据权利要求9所述的一种应用于注塑件不良品检测的智能视觉检测系统，其特征在于，所述系统光源为LED灯，视觉传感器为工业广角相机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010253484.6A CN111487250A (zh) | 2020-04-02 | 2020-04-02 | 一种应用于注塑件不良品检测的智能视觉检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010253484.6A CN111487250A (zh) | 2020-04-02 | 2020-04-02 | 一种应用于注塑件不良品检测的智能视觉检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111487250A true CN111487250A (zh) | 2020-08-04 |
Family
ID=71791874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010253484.6A Pending CN111487250A (zh) | 2020-04-02 | 2020-04-02 | 一种应用于注塑件不良品检测的智能视觉检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111487250A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929328A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院（江苏）有限公司 | 拉链缺陷检测方法和装置 |
| CN114113129A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种镜片微小缺陷识别抓取系统及方法 |
| CN114113130A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种镜片划痕缺陷检测装置及方法 |
| CN114113131A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种反光镜片划痕缺陷检测装置及方法 |
| CN114136988A (zh) * | 2021-12-03 | 2022-03-04 | 中科计算技术西部研究院 | 一种镜片检测抓取系统及方法 |
| CN114308702A (zh) * | 2021-12-31 | 2022-04-12 | 宁波智能制造技术研究院有限公司 | 一种高性能注塑件的自动分类综合智能检测方法 |
| CN114311572A (zh) * | 2021-12-31 | 2022-04-12 | 深圳市新科聚合网络技术有限公司 | Smd led注塑支架在线检测装置及其检测方法 |
| CN114951017A (zh) * | 2022-05-12 | 2022-08-30 | 深圳市顺鑫昌文化股份有限公司 | 一种标签印刷在线智能检测报错系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
| CN108827970A (zh) * | 2018-03-28 | 2018-11-16 | 武汉精测电子集团股份有限公司 | 基于aoi系统的适应不同面板缺陷自动判等方法和系统 |
| CN109242825A (zh) * | 2018-07-26 | 2019-01-18 | 北京首钢自动化信息技术有限公司 | 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 |
| CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
| CN109993094A (zh) * | 2019-03-26 | 2019-07-09 | 苏州富莱智能科技有限公司 | 基于机器视觉的材料缺陷智能检测系统及方法 |
| CN110111331A (zh) * | 2019-05-20 | 2019-08-09 | 中南大学 | 基于机器视觉的蜂窝纸芯缺陷检测方法 |
| CN110335239A (zh) * | 2019-05-09 | 2019-10-15 | 菲特(天津)智能科技有限公司 | 基于深度学习的缺陷检测训练机器及其使用方法 |
| CN110378433A (zh) * | 2019-07-24 | 2019-10-25 | 重庆大学 | 基于pso-svm的桥梁拉索表面缺陷的分类识别方法 |
| CN110609037A (zh) * | 2019-07-12 | 2019-12-24 | 北京旷视科技有限公司 | 产品缺陷检测系统及方法 |
| CN110738644A (zh) * | 2019-10-10 | 2020-01-31 | 清华大学 | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 |
| CN110832311A (zh) * | 2017-07-03 | 2020-02-21 | 沙特阿拉伯石油公司 | 用于非破坏性检查玻璃纤维和非金属管的装置和方法 |
-
2020
- 2020-04-02 CN CN202010253484.6A patent/CN111487250A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110832311A (zh) * | 2017-07-03 | 2020-02-21 | 沙特阿拉伯石油公司 | 用于非破坏性检查玻璃纤维和非金属管的装置和方法 |
| CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
| CN108827970A (zh) * | 2018-03-28 | 2018-11-16 | 武汉精测电子集团股份有限公司 | 基于aoi系统的适应不同面板缺陷自动判等方法和系统 |
| CN109242825A (zh) * | 2018-07-26 | 2019-01-18 | 北京首钢自动化信息技术有限公司 | 一种基于深度学习技术的钢铁表面缺陷识别方法和装置 |
| CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
| CN109993094A (zh) * | 2019-03-26 | 2019-07-09 | 苏州富莱智能科技有限公司 | 基于机器视觉的材料缺陷智能检测系统及方法 |
| CN110335239A (zh) * | 2019-05-09 | 2019-10-15 | 菲特(天津)智能科技有限公司 | 基于深度学习的缺陷检测训练机器及其使用方法 |
| CN110111331A (zh) * | 2019-05-20 | 2019-08-09 | 中南大学 | 基于机器视觉的蜂窝纸芯缺陷检测方法 |
| CN110609037A (zh) * | 2019-07-12 | 2019-12-24 | 北京旷视科技有限公司 | 产品缺陷检测系统及方法 |
| CN110378433A (zh) * | 2019-07-24 | 2019-10-25 | 重庆大学 | 基于pso-svm的桥梁拉索表面缺陷的分类识别方法 |
| CN110738644A (zh) * | 2019-10-10 | 2020-01-31 | 清华大学 | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929328A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院（江苏）有限公司 | 拉链缺陷检测方法和装置 |
| CN114113129A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种镜片微小缺陷识别抓取系统及方法 |
| CN114113130A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种镜片划痕缺陷检测装置及方法 |
| CN114113131A (zh) * | 2021-12-03 | 2022-03-01 | 中科计算技术西部研究院 | 一种反光镜片划痕缺陷检测装置及方法 |
| CN114136988A (zh) * | 2021-12-03 | 2022-03-04 | 中科计算技术西部研究院 | 一种镜片检测抓取系统及方法 |
| CN114113130B (zh) * | 2021-12-03 | 2024-04-30 | 中科计算技术西部研究院 | 一种镜片划痕缺陷检测装置及方法 |
| CN114113129B (zh) * | 2021-12-03 | 2024-04-30 | 中科计算技术西部研究院 | 一种镜片微小缺陷识别抓取系统及方法 |
| CN114113131B (zh) * | 2021-12-03 | 2024-04-30 | 中科计算技术西部研究院 | 一种反光镜片划痕缺陷检测装置及方法 |
| CN114308702A (zh) * | 2021-12-31 | 2022-04-12 | 宁波智能制造技术研究院有限公司 | 一种高性能注塑件的自动分类综合智能检测方法 |
| CN114311572A (zh) * | 2021-12-31 | 2022-04-12 | 深圳市新科聚合网络技术有限公司 | Smd led注塑支架在线检测装置及其检测方法 |
| CN114951017A (zh) * | 2022-05-12 | 2022-08-30 | 深圳市顺鑫昌文化股份有限公司 | 一种标签印刷在线智能检测报错系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111487250A (zh) | 一种应用于注塑件不良品检测的智能视觉检测方法及系统 | |
| CN101566582B (zh) | 基于机器视觉的粉针剂生产中药瓶标贴信息在线检测系统 | |
| CN103454285A (zh) | 基于机器视觉的传动链条质量检测系统 | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| CN106442525B (zh) | 用于核桃内部干瘪缺陷的在线检测方法 | |
| CN110174065B (zh) | 基于正交双目机器视觉的水果大小无损检测方法 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
| CN109712117B (zh) | 基于卷积神经网络的轻量级tft-lcd模组划痕检测方法 | |
| CN110927184A (zh) | 芯片封装缺陷的视觉检测方法 | |
| CN109461156A (zh) | 基于视觉的螺纹密封塞装配检测方法 | |
| CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
| CN114674830A (zh) | 一种高速生产线上瓶盖瑕疵检测模组 | |
| CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
| CN110595959B (zh) | 一种糖膏颗粒粒度分析系统及分析方法 | |
| CN115984593B (zh) | 烟支滤棒缺陷检测方法、装置、设备及存储介质 | |
| CN117197090A (zh) | 一种基于深度学习的一次性餐具表面缺陷检测系统 | |
| CN116452505A (zh) | 基于改进YOLOv5的连铸坯内部缺陷检测与评级方法 | |
| CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
| Chen et al. | Real-time instance segmentation of metal screw defects based on deep learning approach | |
| Yi et al. | Pharmaceutical foreign particle detection: an efficient method based on adaptive convolution and multiscale attention | |
| CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
| Liang et al. | Research on Surface Defect Detection Algorithm of Tube-Type Bottle Based on Machine Vision | |
| Jiang et al. | Image analysis of crystal size distribution and agglomeration for β form L-glutamic acid crystallization based on YOLOv4 deep learning | |
| CN111458344A (zh) | 一种口罩缺陷视觉检测方法、设备、存储介质 |
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: 20200804 |
|
| RJ01 | Rejection of invention patent application after publication |