CN111750781A - 一种基于ccd的自动测试系统及其方法 - Google Patents
一种基于ccd的自动测试系统及其方法 Download PDFInfo
- Publication number
- CN111750781A CN111750781A CN202010770907.1A CN202010770907A CN111750781A CN 111750781 A CN111750781 A CN 111750781A CN 202010770907 A CN202010770907 A CN 202010770907A CN 111750781 A CN111750781 A CN 111750781A
- Authority
- CN
- China
- Prior art keywords
- gray value
- roughness
- tested
- reflected light
- polynomial function
- 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
- 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
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- 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
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Abstract
本发明公开了一种基于CCD的自动测试系统及其方法,先根据待测试对象选择测试光源,并调整待测试对象放置高度;再打开测试光源,CCD感测装置将接收到测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;根据灰度值分布情况得到最大灰度值、平均灰度值,并以此获得代表待测试对象粗糙度范围的第一粗糙度、第二粗糙度;确定待测试对象的位置信息,再将检测到的位置信息也传输至显示装置。本发明能够对待测试对象的定位情况进行判断,准确度高,减少因定位不准对待测试对象进行测试时产生的不可补偿误差,进而提高待测试对象的测试精度。
Description
技术领域
本发明涉及一种基于CCD的自动测试系统及其方法,属于CCD测试技术领域。
背景技术
众所周知,在待测试件的测试中对待测试件的定位是测试的必要步骤,若定位不准,则对待测试件的测试会产生不可补偿的误差,大大降低了测试精度。
目前,对待测试件的定位一般采用传感器固定位置测试法和图像采集定位法,前者使用传感器对待测试件的位置进行识别,例如,使用红外传感器对待测试件的位置进行测算,但是该方法所需传感器较多,且计算复杂,导致运行时间较长,不利于批量测试;后者则使用图像采集装置采集图像的位置,通过图像轮廓提取以获取待测对象的位置信息,运行时间短,但在轮廓提取过程中,待测试件的轮廓易受背景图像的影响,导致其精度不高。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于CCD的自动测试系统及其方法,能够对待测试对象的定位情况进行判断,准确度高,减少因定位不准对待测试对象进行测试时产生的不可补偿误差,进而提高待测试对象的测试精度。
为了实现上述目的,本发明采用如下技术方案:一种基于CCD的自动测试方法,包括:
步骤S1、根据待测试对象选择测试光源,并调整待测试对象放置高度,确保CCD感测装置能够准确接收其反射光;其中,所述测试光源为红光、蓝光或绿光,所述待测试对象为反射率良好的材质;
步骤S2、打开测试光源,CCD感测装置将接收到测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;
步骤S3、对上述灰度值分布情况采取最大值计算以产生最大灰度值,并对上述灰度值分布情况实施平均值计算以产生该灰度值分布的平均灰度值;
步骤S4、对最大灰度值实施第一粗糙度计算以产生第一粗糙度,并对平均灰度值实施第二粗糙度计算以产生第二粗糙度;其中,第一粗糙度计算是关于二次多项式函数的计算,第二粗糙度计算是关于一次多项式函数的计算;
所述二次多项式函数、一次多项式函数的系数均由计算机中的处理程序获得,所述处理程序包含:
将多个已知粗糙度的标准测试对象执行步骤S2至步骤S3操作,以此获取多个反射光最大灰度值和反射光平均灰度值;
根据各个已知粗糙度和对应的反射光最大灰度值实施线性回归以获取该二次多项式函数的系数,并根据各个已知粗糙度和对应的反射光平均灰度值实施线性回归以获取该一次多项式函数的系数;
确定反射光最大灰度值x与表面粗糙度y之间的对应关系,二次多项式函数为y=-0.0016x2-0.2768x+92.782,其回归符合系数为R2=0.9873;并确定反射光平均灰度值x与表面粗糙度y之间的对应关系一次多项式函数为y=-2.5805x+108.16,其回归符合系数为R2=0.9855;
步骤S5、计算机将步骤S3中获得的待测试对象的最大灰度值、平均灰度值分别代入步骤S4中的二次多项式函数、一次多项式函数,可得到第一粗糙度、第二粗糙度,并利用计算机的显示装置显示第一粗糙度、第二粗糙度以代表待测试对象的粗糙度范围;
步骤S6、根据获得的待测试对象的粗糙度确定待测试对象的位置信息,再将检测到的位置信息也传输至显示装置。
所述步骤S2中CCD感测装置具有多个水平排列的像素单元,以产生对应于所述测试光源的多个亮度灰度值,该灰度值分布在像素位置某处有一个最大灰度值,该灰度值分布的集中度与待测试对象的表面粗糙度度有关,待测试对象的粗糙度越光滑,灰度值分布的集中度越高,待测试对象的表面越粗糙,其灰度值分布越平坦。
一种基于CCD的自动测试系统,包括:
测试光源,布置在用于放置待测试对象的平台上,为红光、蓝光或绿光中的一种;
CCD感测装置,布置在用于放置待测试对象的平台上,用于接收测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;
计算机,根据CCD感测装置发送的图像信息进行处理得到对应的灰度值分布情况,并根据灰度值分布情况计算待测试对象的最大灰度值、平均灰度值,根据最大灰度值、平均灰度值计算其第一粗糙度、第二粗糙度,并利用计算机的显示装置显示第一粗糙度、第二粗糙度以代表待测试对象的粗糙度范围;同时,根据获得的待测试对象的粗糙度确定待测试对象的位置信息,再将检测到的位置信息也传输至显示装置。
所述计算机对最大灰度值实施第一粗糙度计算以产生第一粗糙度,并对平均灰度值实施第二粗糙度计算以产生第二粗糙度;其中,第一粗糙度计算是关于二次多项式函数的计算,第二粗糙度计算是关于一次多项式函数的计算;
所述二次多项式函数、一次多项式函数的系数均由计算机中的处理程序获得,所述处理程序包含:
将多个已知粗糙度的标准测试对象依次放置在平台上,打开测试光源,CCD感测装置将接收到测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;再对各个待测试对象对应的灰度值分布情况采取最大值计算以产生最大灰度值、实施平均值计算以产生该灰度值分布的平均灰度值,以此获取多个反射光最大灰度值和反射光平均灰度值;
根据各个已知粗糙度和对应的反射光最大灰度值实施线性回归以获取该二次多项式函数的系数,并根据各个已知粗糙度和对应的反射光平均灰度值实施线性回归以获取该一次多项式函数的系数;
确定反射光最大灰度值x与表面粗糙度y之间的对应关系,二次多项式函数为y=-0.0016x2-0.2768x+92.782,其回归符合系数为R2=0.9873;并确定反射光平均灰度值x与表面粗糙度y之间的对应关系一次多项式函数为y=-2.5805x+108.16,其回归符合系数为R2=0.9855。
所述计算机将待测试对象的最大灰度值、平均灰度值分别代入所述二次多项式函数、一次多项式函数,可得到第一粗糙度、第二粗糙度。
与现有的技术相比,本发明具有如下优点:
1)利用测试光源和CCD感测装置采集待测试对象的图像信息,根据图像获得对应的灰度值分布情况,并根据灰度值分布情况确定最大灰度值和平均灰度值,然后根据最大灰度值和平均灰度值确定其第一粗糙度和第二粗糙度,从而得到待测试对象的粗糙度范围,并以此确定待测试对象的位置信息,最后将其与定位准确的位置信息进行对比分析,从而可判定待测试对象定位是否准确,判断准确度高,能够减少因定位不准对待测试对象进行测试时产生的不可补偿误差,进而提高待测试对象的测试精度。
2)所采用设备简单,计算复杂,运行时间短,利于批量测试;
3)通过粗糙度以获取待测对象的位置信息,精度高。
附图说明
图1为本发明的示意图;
图2为本发明最大灰度值与第一粗糙度之间的对应关系图;
图3为本发明平均灰度值与第二粗糙度之间的对应关系图;
图4为本发明CCD检测产品定位图;
图5为本发明待测试对象的定位图。
具体实施方式
下面结合附图对本发明实施中的技术方案进行清楚,完整的描述,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做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。
如图1所示,本发明实施例提供的一种基于CCD的自动测试方法,包括:
步骤S1、根据待测试对象选择测试光源,并调整待测试对象放置高度,以使CCD感测装置能够准确接收其反射光;其中,所述测试光源为红光、蓝光或绿光,不同的色光波长可决定不同的表面粗糙度量测范围;所述待测试对象为反射率良好的材质;
步骤S2、打开测试光源,CCD感测装置将接收到测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;所述CCD感测装置具有多个水平排列的像素单元,以产生对应于所述测试光源的多个亮度灰度值,该灰度值分布在像素位置某处有一个最大灰度值,该灰度值分布的集中度与待测试对象的表面粗糙度度有关,待测试对象的粗糙度越光滑,灰度值分布的集中度越高,待测试对象的表面越粗糙,其灰度值分布越平坦;例如,CCD感测装置具有200个水平排列的像素单元,以产生对应于所述测试光源的200个亮度灰度值,该灰度值分布在像素位置约100处有一个最大灰度值;
步骤S3、对上述灰度值分布情况采取最大值计算以产生最大灰度值,并对上述灰度值分布情况实施平均值计算以产生该灰度值分布的平均灰度值;
步骤S4、对最大灰度值实施第一粗糙度计算以产生第一粗糙度,并对平均灰度值实施第二粗糙度计算以产生第二粗糙度;其中,第一粗糙度计算是关于二次多项式函数的计算,第二粗糙度计算是关于一次多项式函数的计算;
所述二次多项式函数、一次多项式函数的系数均由计算机中的处理程序获得,所述处理程序包含:
将多个已知粗糙度的标准测试对象执行步骤S2至步骤S3操作,以此获取多个反射光最大灰度值和反射光平均灰度值;
根据各个已知粗糙度和对应的反射光最大灰度值实施线性回归以获取该二次多项式函数的系数,并根据各个已知粗糙度和对应的反射光平均灰度值实施线性回归以获取该一次多项式函数的系数;
确定反射光最大灰度值x与表面粗糙度y(即第一粗糙度)之间的对应关系,如图2所示,二次多项式函数为y=-0.0016x2-0.2768x+92.782,其回归符合系数为R2=0.9873;并确定反射光平均灰度值x与表面粗糙度y(即第二粗糙度)之间的对应关系,如图3所示,一次多项式函数为y=-2.5805x+108.16,其回归符合系数为R2=0.9855;
步骤S5、计算机将步骤S3中获得的待测试对象的最大灰度值、平均灰度值分别代入步骤S4中的二次多项式函数、一次多项式函数,可得到第一粗糙度、第二粗糙度,并利用计算机的显示装置显示第一粗糙度、第二粗糙度以代表待测试对象的粗糙度范围;
步骤S6、根据获得的待测试对象的粗糙度确定待测试对象的位置信息,再将检测到的位置信息也传输至显示装置。
已知标准测试对象定位准确时,其位置信息如图4所示,图中X表示其横坐标,Y表示其纵坐标,R表示其旋转角度。图5为待测试对象按照上述步骤S1-S6最终获得的位置信息,将其与定位准确的位置信息进行对比分析,即将图5与图4对比分析,可见此待测试对象定位不准,整个方法判断准确。
一种基于CCD的自动测试系统,包括:
测试光源,布置在用于放置待测试对象的平台上,为红光、蓝光或绿光中的一种;
CCD感测装置,布置在用于放置待测试对象的平台上,用于接收测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;
计算机,根据CCD感测装置发送的图像信息进行处理得到对应的灰度值分布情况,并根据灰度值分布情况计算待测试对象的最大灰度值、平均灰度值,根据最大灰度值、平均灰度值计算其第一粗糙度、第二粗糙度,并利用计算机的显示装置显示第一粗糙度、第二粗糙度以代表待测试对象的粗糙度范围;同时,根据获得的待测试对象的粗糙度确定待测试对象的位置信息,再将检测到的位置信息也传输至显示装置。
所述计算机对最大灰度值实施第一粗糙度计算以产生第一粗糙度,并对平均灰度值实施第二粗糙度计算以产生第二粗糙度;其中,第一粗糙度计算是关于二次多项式函数的计算,第二粗糙度计算是关于一次多项式函数的计算;
所述二次多项式函数、一次多项式函数的系数均由计算机中的处理程序获得,所述处理程序包含:
将多个已知粗糙度的标准测试对象依次放置在平台上,打开测试光源,CCD感测装置将接收到测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;再对各个待测试对象对应的灰度值分布情况采取最大值计算以产生最大灰度值、实施平均值计算以产生该灰度值分布的平均灰度值,以此获取多个反射光最大灰度值和反射光平均灰度值;
根据各个已知粗糙度和对应的反射光最大灰度值实施线性回归以获取该二次多项式函数的系数,并根据各个已知粗糙度和对应的反射光平均灰度值实施线性回归以获取该一次多项式函数的系数;
确定反射光最大灰度值x与表面粗糙度y之间的对应关系,二次多项式函数为y=-0.0016x2-0.2768x+92.782,其回归符合系数为R2=0.9873;并确定反射光平均灰度值x与表面粗糙度y之间的对应关系一次多项式函数为y=-2.5805x+108.16,其回归符合系数为R2=0.9855。
所述计算机将待测试对象的最大灰度值、平均灰度值分别代入所述二次多项式函数、一次多项式函数,可得到第一粗糙度、第二粗糙度。
此外,整个系统的外部可安装有用于放置外部光线干扰表面粗糙度测量的外壳,外壳将待测试对象、测试光源等部件围起来,可减少干扰项,提高检测的精确度。
综上所述,本发明利用CCD感测装置采集待测试对象的图像信息,根据图像获得对应的灰度值分布情况,并根据灰度值分布情况确定最大灰度值和平均灰度值,然后根据最大灰度值和平均灰度值确定其第一粗糙度和第二粗糙度,从而得到待测试对象的粗糙度范围,并以此确定待测试对象的位置信息,最后将其与定位准确的位置信息进行对比分析,从而可判定待测试对象定位是否准确,判断准确度高,能够减少因定位不准对待测试对象进行测试时产生的不可补偿误差,进而提高待测试对象的测试精度。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神和基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于CCD的自动测试方法,其特征在于,包括:
步骤S1、根据待测试对象选择测试光源,并调整待测试对象放置高度,确保CCD感测装置能够准确接收其反射光;其中,所述测试光源为红光、蓝光或绿光,所述待测试对象为反射率良好的材质;
步骤S2、打开测试光源,CCD感测装置将接收到测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;
步骤S3、对上述灰度值分布情况采取最大值计算以产生最大灰度值,并对上述灰度值分布情况实施平均值计算以产生该灰度值分布的平均灰度值;
步骤S4、对最大灰度值实施第一粗糙度计算以产生第一粗糙度,并对平均灰度值实施第二粗糙度计算以产生第二粗糙度;其中,第一粗糙度计算是关于二次多项式函数的计算,第二粗糙度计算是关于一次多项式函数的计算;
所述二次多项式函数、一次多项式函数的系数均由计算机中的处理程序获得,所述处理程序包含:
将多个已知粗糙度的标准测试对象执行步骤S2至步骤S3操作,以此获取多个反射光最大灰度值和反射光平均灰度值;
根据各个已知粗糙度和对应的反射光最大灰度值实施线性回归以获取该二次多项式函数的系数,并根据各个已知粗糙度和对应的反射光平均灰度值实施线性回归以获取该一次多项式函数的系数;
确定反射光最大灰度值x与表面粗糙度y之间的对应关系,二次多项式函数为y=-0.0016x2-0.2768x+92.782,其回归符合系数为R2=0.9873;并确定反射光平均灰度值x与表面粗糙度y之间的对应关系一次多项式函数为y=-2.5805x+108.16,其回归符合系数为R2=0.9855;
步骤S5、计算机将步骤S3中获得的待测试对象的最大灰度值、平均灰度值分别代入步骤S4中的二次多项式函数、一次多项式函数,可得到第一粗糙度、第二粗糙度,并利用计算机的显示装置显示第一粗糙度、第二粗糙度以代表待测试对象的粗糙度范围;
步骤S6、根据获得的待测试对象的粗糙度确定待测试对象的位置信息,再将检测到的位置信息也传输至显示装置。
2.根据权利要求1所述的一种基于CCD的自动测试方法,其特征在于,所述步骤S2中CCD感测装置具有多个水平排列的像素单元,以产生对应于所述测试光源的多个亮度灰度值,该灰度值分布在像素位置某处有一个最大灰度值,该灰度值分布的集中度与待测试对象的表面粗糙度度有关,待测试对象的粗糙度越光滑,灰度值分布的集中度越高,待测试对象的表面越粗糙,其灰度值分布越平坦。
3.一种基于CCD的自动测试系统,其特征在于,包括:
测试光源,布置在用于放置待测试对象的平台上,为红光、蓝光或绿光中的一种;
CCD感测装置,布置在用于放置待测试对象的平台上,用于接收测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;
计算机,根据CCD感测装置发送的图像信息进行处理得到对应的灰度值分布情况,并根据灰度值分布情况计算待测试对象的最大灰度值、平均灰度值,根据最大灰度值、平均灰度值计算其第一粗糙度、第二粗糙度,并利用计算机的显示装置显示第一粗糙度、第二粗糙度以代表待测试对象的粗糙度范围;同时,根据获得的待测试对象的粗糙度确定待测试对象的位置信息,再将检测到的位置信息也传输至显示装置。
4.根据权利要求3所述的一种基于CCD的自动测试系统,其特征在于,所述计算机对最大灰度值实施第一粗糙度计算以产生第一粗糙度,并对平均灰度值实施第二粗糙度计算以产生第二粗糙度;其中,第一粗糙度计算是关于二次多项式函数的计算,第二粗糙度计算是关于一次多项式函数的计算;
所述二次多项式函数、一次多项式函数的系数均由计算机中的处理程序获得,所述处理程序包含:
将多个已知粗糙度的标准测试对象依次放置在平台上,打开测试光源,CCD感测装置将接收到测试光源照射在待测试对象上的反射光,并将接收到的反射光对应的图像信息传送给计算机,计算机对接收到的图像进行处理得到对应的灰度值分布情况;再对各个待测试对象对应的灰度值分布情况采取最大值计算以产生最大灰度值、实施平均值计算以产生该灰度值分布的平均灰度值,以此获取多个反射光最大灰度值和反射光平均灰度值;
根据各个已知粗糙度和对应的反射光最大灰度值实施线性回归以获取该二次多项式函数的系数,并根据各个已知粗糙度和对应的反射光平均灰度值实施线性回归以获取该一次多项式函数的系数;
确定反射光最大灰度值x与表面粗糙度y之间的对应关系,二次多项式函数为y=-0.0016x2-0.2768x+92.782,其回归符合系数为R2=0.9873;并确定反射光平均灰度值x与表面粗糙度y之间的对应关系一次多项式函数为y=-2.5805x+108.16,其回归符合系数为R2=0.9855。
5.根据权利要求4所述的一种基于CCD的自动测试系统,其特征在于,所述计算机将待测试对象的最大灰度值、平均灰度值分别代入所述二次多项式函数、一次多项式函数,可得到第一粗糙度、第二粗糙度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770907.1A CN111750781B (zh) | 2020-08-04 | 2020-08-04 | 一种基于ccd的自动测试系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770907.1A CN111750781B (zh) | 2020-08-04 | 2020-08-04 | 一种基于ccd的自动测试系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111750781A true CN111750781A (zh) | 2020-10-09 |
CN111750781B CN111750781B (zh) | 2022-02-08 |
Family
ID=72713008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010770907.1A Active CN111750781B (zh) | 2020-08-04 | 2020-08-04 | 一种基于ccd的自动测试系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111750781B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0169444A2 (de) * | 1984-07-27 | 1986-01-29 | Erwin Sick GmbH Optik-Elektronik | Rauheitssonde |
WO2008087463A2 (en) * | 2006-03-21 | 2008-07-24 | Verity Ia, Llc | Method of, and apparatus for, measuring the quality of a surface of a substrate |
CN101246551A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种快速的车牌定位方法 |
CN101561262A (zh) * | 2009-05-31 | 2009-10-21 | 东南大学 | 一种不确定环境下表面粗糙度在线测量方法 |
EP2252974A1 (en) * | 2008-03-21 | 2010-11-24 | General Electric Company | Methods and systems for automated segmentation of dense cell populations |
US20120051631A1 (en) * | 2010-08-30 | 2012-03-01 | The Board Of Trustees Of The University Of Illinois | System for background subtraction with 3d camera |
CN103279921A (zh) * | 2013-05-17 | 2013-09-04 | 复旦大学 | 一种图像嵌入式处理系统及低照度图像光点获取与定位方法 |
CN103345760A (zh) * | 2013-07-29 | 2013-10-09 | 常熟理工学院 | 一种医学图像对象形状模板标记点的自动生成方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN104237454A (zh) * | 2013-06-18 | 2014-12-24 | 中国石油天然气股份有限公司 | 天然气管道水合物模拟生成测试方法及装置 |
CN104613893A (zh) * | 2015-02-09 | 2015-05-13 | 国家海洋局第二海洋研究所 | 一种利用遥感图像测量沙波水深的方法 |
CN106325005A (zh) * | 2016-10-12 | 2017-01-11 | 中国科学院微电子研究所 | 一种光刻工艺窗口的测量方法 |
CN106403853A (zh) * | 2016-11-15 | 2017-02-15 | 沈阳建筑大学 | 一种石材表面粗糙度的在线检测装置及方法 |
CN107424149A (zh) * | 2017-07-20 | 2017-12-01 | 晓视自动化科技(上海)有限公司 | 基于视觉技术的模块平整度检测方法和设备 |
CN107850423A (zh) * | 2015-07-09 | 2018-03-27 | 佳能株式会社 | 用于测量目标对象的形状的测量装置、系统和制造方法 |
CN108061529A (zh) * | 2018-02-23 | 2018-05-22 | 西南科技大学 | 基于干涉图像自相关值曲率特征的表面粗糙度测量方法 |
CN108986088A (zh) * | 2018-07-10 | 2018-12-11 | 安徽师范大学 | 一种基于matlab的图像自动提取优化方法及设备 |
CN109272508A (zh) * | 2018-08-02 | 2019-01-25 | 哈尔滨工程大学 | 一种基于粗糙集和粗糙熵的Petri网络图像分割方法 |
CN109856164A (zh) * | 2019-02-02 | 2019-06-07 | 上海福赛特机器人有限公司 | 一种机器视觉采集大范围图像的优化装置及其检测方法 |
CN110189300A (zh) * | 2019-04-22 | 2019-08-30 | 中国科学院微电子研究所 | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 |
CN110425998A (zh) * | 2019-06-05 | 2019-11-08 | 中北大学 | 灰度图像耦合特征点高度的构件三维测量方法 |
-
2020
- 2020-08-04 CN CN202010770907.1A patent/CN111750781B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0169444A2 (de) * | 1984-07-27 | 1986-01-29 | Erwin Sick GmbH Optik-Elektronik | Rauheitssonde |
WO2008087463A2 (en) * | 2006-03-21 | 2008-07-24 | Verity Ia, Llc | Method of, and apparatus for, measuring the quality of a surface of a substrate |
CN101246551A (zh) * | 2008-03-07 | 2008-08-20 | 北京航空航天大学 | 一种快速的车牌定位方法 |
EP2252974A1 (en) * | 2008-03-21 | 2010-11-24 | General Electric Company | Methods and systems for automated segmentation of dense cell populations |
CN101561262A (zh) * | 2009-05-31 | 2009-10-21 | 东南大学 | 一种不确定环境下表面粗糙度在线测量方法 |
US20120051631A1 (en) * | 2010-08-30 | 2012-03-01 | The Board Of Trustees Of The University Of Illinois | System for background subtraction with 3d camera |
CN103279921A (zh) * | 2013-05-17 | 2013-09-04 | 复旦大学 | 一种图像嵌入式处理系统及低照度图像光点获取与定位方法 |
CN104237454A (zh) * | 2013-06-18 | 2014-12-24 | 中国石油天然气股份有限公司 | 天然气管道水合物模拟生成测试方法及装置 |
CN103345760A (zh) * | 2013-07-29 | 2013-10-09 | 常熟理工学院 | 一种医学图像对象形状模板标记点的自动生成方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN104613893A (zh) * | 2015-02-09 | 2015-05-13 | 国家海洋局第二海洋研究所 | 一种利用遥感图像测量沙波水深的方法 |
CN107850423A (zh) * | 2015-07-09 | 2018-03-27 | 佳能株式会社 | 用于测量目标对象的形状的测量装置、系统和制造方法 |
CN106325005A (zh) * | 2016-10-12 | 2017-01-11 | 中国科学院微电子研究所 | 一种光刻工艺窗口的测量方法 |
CN106403853A (zh) * | 2016-11-15 | 2017-02-15 | 沈阳建筑大学 | 一种石材表面粗糙度的在线检测装置及方法 |
CN107424149A (zh) * | 2017-07-20 | 2017-12-01 | 晓视自动化科技(上海)有限公司 | 基于视觉技术的模块平整度检测方法和设备 |
CN108061529A (zh) * | 2018-02-23 | 2018-05-22 | 西南科技大学 | 基于干涉图像自相关值曲率特征的表面粗糙度测量方法 |
CN108986088A (zh) * | 2018-07-10 | 2018-12-11 | 安徽师范大学 | 一种基于matlab的图像自动提取优化方法及设备 |
CN109272508A (zh) * | 2018-08-02 | 2019-01-25 | 哈尔滨工程大学 | 一种基于粗糙集和粗糙熵的Petri网络图像分割方法 |
CN109856164A (zh) * | 2019-02-02 | 2019-06-07 | 上海福赛特机器人有限公司 | 一种机器视觉采集大范围图像的优化装置及其检测方法 |
CN110189300A (zh) * | 2019-04-22 | 2019-08-30 | 中国科学院微电子研究所 | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 |
CN110425998A (zh) * | 2019-06-05 | 2019-11-08 | 中北大学 | 灰度图像耦合特征点高度的构件三维测量方法 |
Non-Patent Citations (5)
Title |
---|
WANG, ZY: "Fault Location of Electrical Equipment Based on Rough Set Fusion Grey Correlation Degree", 《PROCEEDINGS OF THE 2018 3RD INTERNATIONAL WORKSHOP ON MATERIALS ENGINEERING AND COMPUTER SCIENCES (IWMECS 2018)》 * |
刘宇 等: "基于漫反射法的钢构件塑性变形与损伤检测", 《力学与实践》 * |
张勇: "基于CCD的激光散斑表面粗糙度测量", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
朱浩 等: "多纹理分级融合的织物缺陷检测算法", 《纺织学报》 * |
袁海东 等: "基于梯度与粗糙度的视频文本检测与定位", 《电子学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111750781B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117197141B (zh) | 一种汽车零部件表面缺陷检测方法 | |
CN107515481B (zh) | 一种显示面板的检测方法和装置 | |
US11092432B2 (en) | Reference plate and method for calibrating and/or checking a deflectometry sensor system | |
CN109949725B (zh) | 一种aoi系统图像灰度标准化方法及系统 | |
CN105160754B (zh) | 基于高度测量的硬币表面质量检测装置及其检测方法 | |
CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
CN107271445B (zh) | 一种缺陷检测方法及装置 | |
KR101032788B1 (ko) | 계란 신선도 검사 장치 | |
CN111750781B (zh) | 一种基于ccd的自动测试系统及其方法 | |
CN113065538A (zh) | 基于图像识别的压力传感器检测方法、装置及设备 | |
CN113222937A (zh) | 一种核燃料芯块外观周面缺陷的检测方法及检测装置 | |
CN116067671B (zh) | 一种用于测试车辆漆面质量的方法、系统及介质 | |
CN117372334A (zh) | 基于图像数据的纺织品色差检测方法 | |
CN108333805B (zh) | 不良点坐标自动检测方法和装置、设备和存储介质 | |
CN106713907B (zh) | 一种显示器的hdr图像显示性能评测方法及装置 | |
CN114998329A (zh) | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 | |
US10852250B1 (en) | Quantitative test method for striae in optical materials | |
CN114184605A (zh) | 一种化学发光免疫分析仪的测量系统及方法 | |
US20200378898A1 (en) | Diagnostic dictionary registering device, diagnosing device, method, program, and data structure | |
KR101041095B1 (ko) | 난황 계측 방법 | |
CN116630306B (zh) | 一种飞机半圆头铆钉的缺陷检测方法和装置 | |
CN111721415A (zh) | 基于环境变化实现自动补偿准确测量颜色的测色仪及测色方法 | |
CN114112323B (zh) | 显示面板显示均匀性的检测方法及检测装置 | |
CN113989513A (zh) | 一种方形指针式仪表读数识别的方法 |
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 |