CN111968082A - 一种基于机器视觉的产品包装缺陷检测识别方法 - Google Patents
一种基于机器视觉的产品包装缺陷检测识别方法 Download PDFInfo
- Publication number
- CN111968082A CN111968082A CN202010751275.4A CN202010751275A CN111968082A CN 111968082 A CN111968082 A CN 111968082A CN 202010751275 A CN202010751275 A CN 202010751275A CN 111968082 A CN111968082 A CN 111968082A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- defect
- pixels
- product
- 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
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
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
Abstract
本发明公开了一种基于机器视觉的产品包装缺陷检测识别方法,首先提取表面无缺陷的产品包装处理图像;建立缺陷图像模板特征库;然后待检测产品包装图像的特征提取、检测和识别;最后将不合格包装的产品吹入收集箱,合格包装的产品在传送带的传送进行输出。本发明解决了现有技术中存在的产品包装缺陷检测错误率高、生产效率低的问题。
Description
技术领域
本发明属于利用机器视觉和图像处理技术相结合进行缺陷检测技术领域,具体涉及一种基于机器视觉的产品包装缺陷检测识别方法。
背景技术
包装作为产品生产环节的最后一道工序,对产品质量及公司形象有着至关重要的影响。包装不仅对产品的安全实施保护,还起到了宣传的作用,更代表公司的形象。每件产品的包装上都包含各种信息,信息的正确读取有利于企业对产品进行追踪。针对产品的包装,以往工厂大多采用人工形式进行检测。随着企业生产水平的提高,这种方式已经难以满足企业连续地、大批量地产品生产需求。
机器视觉技术是用机器来代替人眼做测量和判断,机器视觉系统是指通过机器视觉产品将要检测的目标转换成数字信号,这些数字信号再传输给专用的图像处理系统,图像处理系统根据检测任务要求来设置检测任务,然后记录检测结果或者根据判别的结果来控制相应的设备动作完成预期的目的。
近年来,企业越来越重视产品的包装,因为产品的包装是顾客对该产品的第一印象。在当代主要检测包装缺陷的方法是通过质检员的眼睛去看由质检员决定产品的包装,但在实际生产中,这种检测方法有很多的弊端,容易受人的主观意识影响,而且漏拣率高、生产效率低。采用机器视觉原理的检测识别设备,可以避免这些因素,能够很准确的识别出产品包装上的缺陷,如:颜色失真、错位漏印、文字模糊、折痕压印等缺陷,可以极大的减少错误率,提高生产效率,降低成本,具有企业生产中传统检测方法无法比拟的优越感。
发明内容
本发明的目的是提供一种基于机器视觉的产品包装缺陷检测识别方法,解决了现有技术中存在的产品包装检测错误率高、生产效率低的问题。
本发明所采用的技术方案是,一种基于机器视觉的产品包装缺陷检测识别方法,具体按照以下步骤实施:
步骤1、提取表面无缺陷的产品包装处理图像;
步骤2、建立缺陷图像模板特征库;
步骤3、待检测产品包装图像的特征提取、检测和识别;
步骤4、将不合格包装的产品吹入收集箱,合格包装的产品在传送带的传送进行输出。
本发明的特点还在于,
步骤1具体按照以下步骤实施:
步骤1.1、采用工业相机拍摄表面无缺陷的产品包装的表面图像,将图传至计算机;
步骤1.2、对采集到的图像进行灰度化处理;
步骤1.3、对灰度化处理后的图像进行3*3的中值滤波;
步骤1.4、获取完整的无缺陷包装的处理后图像。
步骤2具体按照以下步骤实施:
步骤2.1、采用工业摄像机拍摄有缺陷包装图像,将获得的缺陷图像输送至计算机;
步骤2.2、对有缺陷的图像进行灰度化处理;
步骤2.3、对灰度化处理后的图像进行3*3中值滤波;
步骤2.4、对有缺陷图像进行图像阈值最优求解:
设置阈值,如果图像像素灰度值大于阈值设为白,如果灰度值小于阈值设为黑,选取任意一幅图像,设图像的平均灰度值为M,选取一个灰度值P,则将直方图分为灰度值大于P的A部分和灰度值小于P的B部分,A、B两部分各自的像素灰度值的平均值为M0和M1,A部分里的像素占总像素的比例为P0,B部分里的像素占总像素的比例为P1,则得到公式:
ICV=P0(M0-M)2+P1(M1-M)2
对灰度值P依次赋值0-255,找出ICV的最大值,当ICV取得最大值时对应的P即为最优阈值t;
步骤2.5、取最优阈值,对经过步骤2.3中值滤波后的图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值为0,灰度值大于最优阈值的像素点赋值1;
具体如下:
设f(i,j)表示图像中的像素在(i,j)位置上的灰度值,二值化处理如下:
步骤2.6、对二值化处理后的图像保留1值像素所构成最大面积区域,将最大面积区域以外的其它1值像素赋值为0;
步骤2.7、提取相应的特征参数存储于计算机,作为识别特征库模板,所述的特征参数包括缺陷图像的几何特征中的面积、长径和短径之比、周长,所述特征参数的公式如下:
步骤3具体按照以下步骤实施:
步骤3.1、通过工业相机采集得到待检测产品包装的表面图像;
步骤3.2、对采集的图像进行灰度化处理及滤波处理;
步骤3.3、对采集的图像进行阈值求解,求得最优阈值t;
步骤3.4、取得最优阈值,对图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值为0,将灰度值大于最优阈值的像素点赋值为1;
步骤3.5、对二值化处理后的图像保留1值像素所构成最大面积区域,将最大面积区域以外的其它1值像素赋值为0;
步骤3.6、提取特征参数;
步骤3.7、设置检测参量的检测精度范围,检测参量为二值化处理后的图像中1值像素占图像像素的百分比;
步骤3.8、待检测产品包装图像的判断,若百分比达到设定的精度范围则为无缺陷,计算机判断合格,反之不合格;根据产品包装的具体要求可以人工灵活设置精度范围,满足不同产品包装的生产环境;
步骤3.9、待检测图像的识别,由步骤3.8中得到的不合格图像即为有缺陷图像,将步骤3.6提取的特征参数与步骤2.8中识别模板提供的特征参数采用欧式距离算法实现快速识别分类;
在二维平面定义两点则其欧式距离表示为:
在二值图中,1表示前景点,0表示背景点,在灰度图像中,像素的灰度值表示为该像素到前景点的距离,则有:
Dp=min(disf(p,q)),p∈A,q∈B
其中A表示前景色,B为背景色,
Dp为距离图,disf()为距离函数,p,q分别为前景和背景图像像素点,
对提取到的特征,通过使用欧式距离求得与模板参数的差距,目的是为了判断两个图像之间的相似性,输出结果与设置精度比较判断是否有缺陷,将不合格包装的产品落入不合格品库,将合格包装的产品在传送带的传送下进行下一步的工序。
本发明的有益效果是,一种基于机器视觉的产品包装缺陷检测识别方法,采用阈值判断法提取无缺陷包装图像和有缺陷包装图像,建立缺陷图像模板特征库,通过对比控制机械装置挑选出不合格包装。
附图说明
图1为系统结构图;
图2为检测示意图;
图3为识别流程图;
图4(a)为无缺陷包装图;
图4(b)为有缺陷包装图;
图4(c)为灰度化图;
图4(d)为二值化图;
图4(e)为最大缺陷图;
图4(f)为缺陷特征图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于机器视觉的产品包装缺陷检测识别方法,流程图如图1所示,具体按照以下步骤实施:
步骤1、提取表面无缺陷的产品包装处理图像;
如图2~3所示,步骤1具体按照以下步骤实施:
步骤1.1、采用工业相机拍摄表面无缺陷的产品包装的表面图像,将图传至计算机;
步骤1.2、对采集到的图像进行灰度化处理;
步骤1.3、对灰度化处理后的图像进行3*3的中值滤波;
步骤1.4、获取完整的无缺陷包装的处理后图像。
步骤2、建立缺陷图像模板特征库;
步骤2具体按照以下步骤实施:
步骤2.1、采用工业摄像机拍摄有缺陷包装图像,将获得的缺陷图像输送至计算机;
步骤2.2、对有缺陷的图像进行灰度化处理;
步骤2.3、对灰度化处理后的图像进行3*3中值滤波;
步骤2.4、对有缺陷图像进行图像阈值最优求解:
设置阈值,如果图像像素灰度值大于阈值设为白,如果灰度值小于阈值设为黑,选取任意一幅图像,设图像的平均灰度值为M,选取一个灰度值P,则将直方图分为灰度值大于P的A部分和灰度值小于P的B部分,A、B两部分各自的像素灰度值的平均值为M0和M1,A部分里的像素占总像素的比例为P0,B部分里的像素占总像素的比例为P1,则得到公式:
ICV=P0(M0-M)2+P1(M1-M)2
对灰度值P依次赋值0-255,找出ICV的最大值,当ICV取得最大值时对应的P即为最优阈值t;
步骤2.5、取最优阈值,对经过步骤2.3中值滤波后的图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值为0,灰度值大于最优阈值的像素点赋值1;
具体如下:
设f(i,j)表示图像中的像素在(i,j)位置上的灰度值,二值化处理如下:
步骤2.6、对二值化处理后的图像保留1值像素所构成最大面积区域,将最大面积区域以外的其它1值像素赋值为0;
步骤2.7、提取相应的特征参数存储于计算机,作为识别特征库模板,所述的特征参数包括缺陷图像的几何特征中的面积、长径和短径之比、周长,所述特征参数的公式如下:
步骤3、待检测产品包装图像的特征提取、检测和识别;
步骤3具体按照以下步骤实施:
步骤3.1、通过工业相机采集得到待检测产品包装的表面图像;
步骤3.2、对采集的图像进行灰度化处理及滤波处理;
步骤3.3、对采集的图像进行阈值求解,求得最优阈值t;
步骤3.4、取得最优阈值,对图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值为0,将灰度值大于最优阈值的像素点赋值为1;
步骤3.5、对二值化处理后的图像保留1值像素所构成最大面积区域,将最大面积区域以外的其它1值像素赋值为0;
步骤3.6、提取特征参数;
步骤3.7、设置检测参量的检测精度范围,检测参量为二值化处理后的图像中1值像素占图像像素的百分比;
步骤3.8、待检测产品包装图像的判断,若百分比达到设定的精度范围则为无缺陷,计算机判断合格,反之不合格;根据产品包装的具体要求,可以人工灵活设置精度范围,满足不同产品包装的生产环境;
步骤3.9、待检测图像的识别,由步骤3.8中得到的不合格图像即为有缺陷图像,将步骤3.6提取的特征参数与步骤2.8中识别模板提供的特征参数采用欧式距离算法实现快速识别分类;
在二维平面定义两点则其欧式距离表示为:
在二值图中,1表示前景点,0表示背景点,在灰度图像中,像素的灰度值表示为该像素到前景点的距离,则有:
Dp=min(disf(p,q)),p∈A,q∈B
其中A表示前景色,B为背景色,
Dp为距离图,disf()为距离函数,p,q分别为前景和背景图像像素点,
对提取到的特征,通过使用欧式距离求得与模板参数的差距,目的是为了判断两个图像之间的相似性,输出结果与设置精度比较判断是否有缺陷,将不合格包装的产品落入不合格品库,将合格包装的产品在传送带的传送下进行下一步的工序。
步骤4、将不合格包装的产品吹入收集箱,合格包装的产品在传送带的传送下进行输出。
首先对于图4(b)有缺陷包装图进行灰度化处理并采用3*3范围的中值滤波去噪得图4(c)灰度化图,灰度图像每个像素只需一个字节存放灰度值节省空间,对图像进行滤波降噪处理,可以来提高检测的正确度。对图4(c)灰度化图取最优阈值,进行二值化处理得图4(d)二值化图,可以得到较为完整的边缘图像。对于图4(d)二值化图进行最大缺陷提取,仅保留面积最大的连通区域得图4(e)最大缺陷图,对图4(e)最大缺陷图采用常用的canny算子对图像进行边缘检测来提取缺陷特征得图4(f)为缺陷特征图。
Claims (4)
1.一种基于机器视觉的产品包装缺陷检测识别方法,其特征在于,具体按照以下步骤实施:
步骤1、提取表面无缺陷的产品包装处理图像;
步骤2、建立缺陷图像模板特征库;
步骤3、待检测产品包装图像的特征提取、检测和识别;
步骤4、将不合格包装的产品吹入收集箱,合格包装的产品在传送带的传送下进行输出。
2.根据权利要求1所述的一种基于机器视觉的产品包装缺陷检测识别方法,其特征在于,所述步骤1具体按照以下步骤实施:
步骤1.1、采用工业相机拍摄表面无缺陷的产品包装的表面图像,将图传至计算机;
步骤1.2、对采集到的图像进行灰度化处理;
步骤1.3、对灰度化处理后的图像进行3*3的中值滤波;
步骤1.4、获取完整的无缺陷包装的处理后图像。
3.根据权利要求2所述的一种基于机器视觉的产品包装缺陷检测识别方法,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1、采用工业摄像机拍摄有缺陷包装图像,将获得的缺陷图像输送至计算机;
步骤2.2、对有缺陷的图像进行灰度化处理;
步骤2.3、对灰度化处理后的图像进行3*3中值滤波;
步骤2.4、对有缺陷图像进行图像阈值最优求解:
设置阈值,如果图像像素灰度值大于阈值设为白,如果灰度值小于阈值设为黑,选取任意一幅图像,设图像的平均灰度值为M,选取一个灰度值P,则将直方图分为灰度值大于P的A部分和灰度值小于P的B部分,A、B两部分各自的像素灰度值的平均值为M0和M1,A部分里的像素占总像素的比例为P0,B部分里的像素占总像素的比例为P1,则得到公式:
ICV=P0(M0-M)2+P1(M1-M)2
对灰度值P依次赋值0-255,找出ICV的最大值,当ICV取得最大值时对应的P即为最优阈值t;
步骤2.5、取最优阈值,对经过步骤2.3中值滤波后的图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值为0,灰度值大于最优阈值的像素点赋值1;
具体如下:
设f(i,j)表示图像中的像素在(i,j)位置上的灰度值,二值化处理如下:
步骤2.6、对二值化处理后的图像保留1值像素所构成最大面积区域,将最大面积区域以外的其它1值像素赋值为0;
步骤2.7、提取相应的特征参数存储于计算机,作为识别特征库模板,所述的特征参数包括缺陷图像的几何特征中的面积、长径和短径之比、周长,所述特征参数的公式如下:
4.根据权利要求3所述的一种基于机器视觉的产品包装缺陷检测识别方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、通过工业相机采集得到待检测产品包装的表面图像;
步骤3.2、对采集的图像进行灰度化处理及滤波处理;
步骤3.3、对采集的图像进行阈值求解,求的最优阈值t;
步骤3.4、取得最优阈值,对图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值为0,将灰度值大于最优阈值的像素点赋值为1;
步骤3.5、对二值化处理后的图像保留1值像素所构成最大面积区域,将最大面积区域以外的其它1值像素赋值为0;
步骤3.6、提取特征参数;
步骤3.7、设置检测参量的检测精度范围,检测参量为二值化处理后的图像中1值像素占图像像素的百分比;
步骤3.8、待检测产品包装图像的判断,若百分比达到设定的精度范围则为无缺陷,计算机判断合格,反之不合格;根据产品包装的具体要求可以人工灵活设置精度范围,满足不同产品包装的生产环境;
步骤3.9、待检测图像的识别,由步骤3.8中得到的不合格图像即为有缺陷图像,将步骤3.6提取的特征参数与步骤2.8中识别模板提供的特征参数采用欧式距离算法实现快速识别分类;
在二维平面定义两点则其欧式距离表示为:
在二值图中,1表示前景点,0表示背景点,在灰度图像中,像素的灰度值表示为该像素到前景点的距离,则有:
Dp=min(disf(p,q)),p∈A,q∈B
其中A表示前景色,B为背景色,
Dp为距离图,disf()为距离函数,p,q分别为前景和背景图像像素点,
对提取到的特征,通过使用欧式距离求得与模板参数的差距,目的是为了判断两个图像之间的相似性,输出结果与设置精度比较判断是否有缺陷,将不合格包装的产品落入不合格品库,将合格包装的产品在传送带的传送下进行下一步的工序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010751275.4A CN111968082A (zh) | 2020-07-30 | 2020-07-30 | 一种基于机器视觉的产品包装缺陷检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010751275.4A CN111968082A (zh) | 2020-07-30 | 2020-07-30 | 一种基于机器视觉的产品包装缺陷检测识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111968082A true CN111968082A (zh) | 2020-11-20 |
Family
ID=73363668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010751275.4A Pending CN111968082A (zh) | 2020-07-30 | 2020-07-30 | 一种基于机器视觉的产品包装缺陷检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968082A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964724A (zh) * | 2021-02-01 | 2021-06-15 | 苏州百迈半导体技术有限公司 | 一种多目标多区域视觉检测方法及检测系统 |
CN114332069A (zh) * | 2022-01-05 | 2022-04-12 | 合肥工业大学 | 一种基于机器视觉的接插件检测方法及装置 |
CN115829922A (zh) * | 2022-09-23 | 2023-03-21 | 正泰新能科技有限公司 | 一种检测电池片的间距的方法、装置、设备及介质 |
-
2020
- 2020-07-30 CN CN202010751275.4A patent/CN111968082A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112964724A (zh) * | 2021-02-01 | 2021-06-15 | 苏州百迈半导体技术有限公司 | 一种多目标多区域视觉检测方法及检测系统 |
CN112964724B (zh) * | 2021-02-01 | 2024-02-20 | 苏州百迈半导体技术有限公司 | 一种多目标多区域视觉检测方法及检测系统 |
CN114332069A (zh) * | 2022-01-05 | 2022-04-12 | 合肥工业大学 | 一种基于机器视觉的接插件检测方法及装置 |
CN114332069B (zh) * | 2022-01-05 | 2024-02-20 | 合肥工业大学 | 一种基于机器视觉的接插件检测方法及装置 |
CN115829922A (zh) * | 2022-09-23 | 2023-03-21 | 正泰新能科技有限公司 | 一种检测电池片的间距的方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055A (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN111968082A (zh) | 一种基于机器视觉的产品包装缺陷检测识别方法 | |
CN107203990B (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN107578409B (zh) | 一种太阳能电池片外观断栅缺陷检测的方法 | |
CN109550712A (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN108805862B (zh) | 一种基于改进结构相似度的标签鉴别方法 | |
CN114549497A (zh) | 基于图像识别的走台板表面缺陷检测方法及人工智能系统 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN111667475A (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN113298769B (zh) | Fpc软排线外观缺陷检测方法、系统和介质 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN108268841A (zh) | 一种轧钢板热喷字符串识别与验证系统及方法 | |
CN112893159A (zh) | 一种基于图像识别的煤矸石分拣方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
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 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN114897881A (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 |
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 |