CN112101411A - 一种基于模板匹配与分布特征的焊点识别与定位方法 - Google Patents
一种基于模板匹配与分布特征的焊点识别与定位方法 Download PDFInfo
- Publication number
- CN112101411A CN112101411A CN202010778321.XA CN202010778321A CN112101411A CN 112101411 A CN112101411 A CN 112101411A CN 202010778321 A CN202010778321 A CN 202010778321A CN 112101411 A CN112101411 A CN 112101411A
- Authority
- CN
- China
- Prior art keywords
- template
- image
- matching
- welding spot
- area
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000009826 distribution Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 10
- 229910000679 solder Inorganic materials 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 4
- 239000012463 white pigment Substances 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims 2
- 239000003086 colorant Substances 0.000 abstract 1
- 230000014509 gene expression Effects 0.000 description 2
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于模板匹配与分布特征的焊点识别与定位方法；本发明在简单的模板匹配上做出改进，采用多级模板匹配来逐渐限制焊点的搜索范围，提高小尺寸、模板包含信息少的物体在大尺寸、环境复杂图像中匹配的成功率；针对特征不明显或随摆放角度导致像素分布、光照条件变化大的焊点，根据家电如冰箱背景区域与冷凝管的颜色、焊点分布特征等，结合多级模板匹配、大津算法、图像形态学、窗口搜索法等相关的运算来进行焊点搜索与定位。实验结果证明，本发明在光照条件不同、家电如冰箱摆放角度有一定偏差时有较高的识别准确率。其能够对流水线上某一型号的家电如冰箱的冷凝管区域内大小、形态各异的焊点进行准确的识别与定位。
Description
技术领域
本发明涉及机器视觉中的特征点识别技术领域，具体涉及一种基于模板匹配与分布特征的焊点识别与定位方法。
背景技术
在一些机械加工、装配生产线上，由于点焊机的焊接工艺不成熟，有时会出现虚焊、漏焊、焊穿等情况，当家电如冰箱冷凝管上焊点附近出现状况时可能会泄露冷凝管中的含有碳氢化物、氟利昂等成分的制冷剂，这不仅会缩短机器的寿命，还会对人体和环境造成极大的危害。由此，家电的生产厂家需要一套完整的、能够准确识别焊点并在特定的焊点附近检测焊点有无有害气体泄露的检测设备。在检测过程中，焊点的识别与定位是整个焊点检测系统的重点以及难点所在，主要在于：
1)焊点太小，每个焊点图像包含的信息较少，在一个复杂的大环境中只用焊点图像寻找最佳匹配点时，成功识别焊点的概率较低。
2)在光照条件、偏转角度发生变化时，同一焊点区域的像素值的分布有很大不同。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于模板匹配与分布特征的焊点识别与定位方法，该方法适用于某一型号家电如冰箱检测流水线上冷凝管区域内焊点识别与定位，同时也可应用于其他特征点识别的场景。
本发明在简单的模板匹配上进行改良，使用多级模板匹配，将模板匹配分为L、M、S三级进行：L级为只包含焊点区域的大模板，用来排除拍摄环境因素的干扰、限定冷凝管区域；M级为包含待识别的焊点以及焊点周围环境的中级模板，用于每一个焊点大致区域的判定；S级为仅含有目标焊点图像的小模板，用于焊点位置的确定。在模板制作时制作不同摆放角度条件下的三套模板，在识别过程中先用三套模板中的L级模板依次与待检测图像进行模板匹配，分别求出匹配过程中最佳匹配区域与模板的相关系数，并据此来选择当前图像偏转角度的一套模板进行M、S级的匹配。每一级的匹配都在保证匹配成功率的基础上限定待识别区域，最终提高尺寸小、模板包含信息少的焊点在一幅尺寸大、环境复杂图像中匹配的成功率。
本发明的技术方案具体介绍如下。
一种基于模板匹配与分布特征的焊点识别与定位方法，具体步骤如下：
1)在家电的焊点检测流水线上利用相机对到达指定待检测位置的若干相对相机平面偏转角度不同、光照条件不同的产品进行拍摄，得到焊点区域内分布特征和焊点位置特征类似的不同产品的多幅图像，并选取焊点区域内分布特征典型的一个产品，拍摄其与相机平面夹角为-15°、0°、15°，即偏转角度为-15°、0°、15°时的三幅图像；
2)对步骤1)采集的同一家电不同摆放角度的三幅图像分别按照L、M、S三级模板来截图，制作偏转角度为-15°、0°、15°的三套模板；其中L级为包含整个焊点区域的大模板，M级为包含待识别的焊点以及焊点周围环境的中级模板，S级为仅含有焊点图像的小模板；3)除了被用于截图制作模板的图像外，以步骤1)中拍摄的其它图像作为待识别图像，将待识别图像依次与不同偏转角度的L级模板进行匹配，按照式(1)求出L级模板与当前L级模板覆盖被搜索图区域的互相关归一化系数γ(u，v)，将L级模板在被搜索图上平移，最终求出每一个子图像与L级模板图像的归一化矩阵，并求出矩阵中的最大的值以及它的位置；再用相关系数最大所在的相应偏转角度的一套模板中的M、S级依次进行模板匹配，模板匹配后，原待检测图像中只保留匹配区域，若同一焊点在相同偏转角度的三套模板中的匹配成功率大于90％时，则得到目标焊点；
式中待识别图像为f，模板图像为t，(u，v)为当前模板矩阵中心点的坐标，(x，y)从模板矩阵的左上方到右下方依次移动，
为模板图像矩阵的均值，
代表模板图像内每一像素点的灰度值减去均值的绝对值之和，
为被模板覆盖区域矩阵的均值。
4)当步骤3)中识别成功率小于90％，则在用步骤3)方法进行L、M级匹配后，在拍摄的RGB图像中提取焊点区域内颜色特征明显的G通道图像，采用大津算法来进行二值化，区分焊点区域和背景区域，并用图像形态学中的膨胀与腐蚀运算方法来使得图像中的裂痕与噪声点消弭；
5)在二值图像中给每一个连通区域做标签，找到面积最大的连通区域，用和目标焊点像素大小相同的窗口根据焊点所在位置从连通区域的边缘开始依次移动搜索，当白色色素占比为90％以上时停止搜索，得到目标焊点的位置信息。
本发明中，步骤1)中，家电为冰箱；焊点区域内分布特征为冷凝管排布特征。
本发明中，步骤2)中，当最大的互相关归一化系数大于阈值Γ时，即匹配成功，匹配区域为归一化系数最大位置的中心点，大小为模板尺寸的区域。
本发明中，步骤4)中，用图像形态学中的膨胀与腐蚀运算方法来使得图像中的裂痕与噪声点消弭时，先用腐蚀算法对噪声点消弭，再用膨胀算法对图像进行裂痕弥合。
和现有技术相比，本发明的有益效果在于：
1)本发明在模板匹配的基础上进行改进，运用简单的几种算法结合来进行焊点检测，无需除相机外其他探测仪器，相比于现有焊点识别技术中基于CNN模型、深度学习模型或采用X射线、超声波等技术手段，a)对计算机的硬件要求较低，节约仪器成本；b)原理简单、操作方便，节省结构搭建、模型训练的时间，缩短研发周期。
2)本发明针对不同特征的目标点，结合焊点区域的颜色特征、焊点在焊点区域上的分布特点，运用多级模板匹配、大津算法、图像形态学、窗口搜索法等相关的运算来进行焊点搜寻，相较传统的模板匹配，a)不易受外部光照变化的影响，b)不易受偏转角度变化的影响，鲁棒性更强。
3)本发明在模板特征不明显、尺寸小时有更高的准确率，本发明的平均匹配精度达到96.26％，相较于传统模板匹配的27.78％有了明显的提升。
附图说明
图1是多级模板匹配的过程。
图2是针对特征不明显焊点进行位置搜寻的过程。
图3是多级模板匹配与焊点分布特征定位的焊点的算法流程。
具体实施方式
下面结合附图对本发明进一步说明，图3展示了整个多级模板匹配与焊点分布特征定位的焊点的流程。
实施例1
实施例中，以家电为冰箱为例，对冰箱的焊点进行识别和定位的方法的具体步骤如下：
1)首先在冰箱焊点检测流水线上某一相机的位置以及高度，使其能够完整的拍摄到冰箱冷凝管区域以及周围的部分背景，当流水线上的产品到达指定待检测位置时进行拍摄，得到多幅相对相机偏转角度、冷凝管排布以及焊点位置有些许差异的待识别图像，并选取冷凝管排布较为典型的一个产品，拍摄其与相机平面夹角为-15°、0°、15°时，即偏转角度为-15°、0°、15°时的三幅图像。
2)在这三幅图像中分别按照L、M、S三级模板来截图，制作不同偏转角度的三套模板。L级为包含整个冷凝管区域的大模板，用于判定当前冰箱与相机平面夹角最接近的角度以及冷凝管区域的限定，如图1中的1所示；M级为只包含待识别的焊点以及焊点周围环境的中级模板，用于每一个焊点大致区域的判定，如图1中的2、3、4、5、6所示；S级为仅含有焊点图像的小模板，用于精确匹配，如图1中的7、8、9、10、11所示。在模板匹配时按照式(1)求出模板与当前模板覆盖被搜索图区域的互相关归一化系数，将模板在被搜索图上平移，最终求出每一个子图像与模板图像的归一化矩阵并求出矩阵中的最大的值以及它的位置。当最大的归一化系数大于阈值Γ＝0.7时，即可认为匹配成功，匹配区域的中心点为此时模板的中心点，大小为模板的尺寸。
式中待识别图像为f，模板图像为t，(u，v)为当前模板矩阵中心点的坐标，(x，y)从模板矩阵的左上方到右下方依次移动，
为模板图像矩阵的均值，
代表模板图像内每一像素点的灰度值减去均值的绝对值之和，
为被模板覆盖区域矩阵的均值。
在识别过程中先用三套模板中的L级模板依次与待检测图像进行模板匹配，分别求出匹配过程中最佳匹配区域与模板的相关系数，并据此来选择最接近当前图像偏转角度的一套模板进行M、S级的匹配。
3)用步骤1)中拍摄的其他照片进行实验，同一焊点图像在所有图像中的匹配成功率大于90％时，通过分析不成功案例中焊点的特点，重新制作符合所有匹配要求的焊点模板来进一步提高识别成功率，若识别成功率小于90％，则考虑模板匹配与区域增长和形态学处理的方法来进行定位。
4)针对特征不明显或随摆放角度像素分布、光照条件变化较大的目标点，则结合步骤2)，将M级匹配结果保存，M级图像一般为冷凝管，焊点用于封住冷凝管所以一般处于末端。在拍摄的RGB图像中，取出冷凝管颜色特征明显的G通道灰度图像来进行二值化，为了排除光照变化对图像二值化的影响，采用大津算法来进行阈值T的求解，其具体操作过程如下：假设二值化阈值T＝2，则灰度图像中小于阈值的像素为背景，其余像素为前景，分别计算式(2)～(6)的背景与前景的像素占比、平均灰度值、灰度累计值，并由此计算式(7)此阈值条件下的类间方差，将阈值从2依次向上递增，分别计算T为不同值时的类方间差，用遍历法求出使类间方差最大时的阈值。
μ＝μb·ωb+μp·ωp (6)
g＝ωb·ωp·(μb-μp)2 (7)
式中Nsum为图像中所有像素的个数，N1为背景像素个数，N2为前景像素个数，R为单通道灰度分级，在8位整数型灰度图像中为256，ωb为背景像素占比，ωp为前景像素占比，μb为背景平均灰度值，μp为前景平均灰度值，μ为灰度累计值，g为类间方差，P(i)代表灰度级为i的比例，t为当前阈值。
5)二值化后的图像已经能够区分冷凝管区域和背景区域，但此时图像中还有一些细小的裂痕和小的噪声点。先用式(8)所示半径为2的圆形结构按照式(9)对图像进行腐蚀使小的噪声点消弭，然后用半径为5的圆形结构按照式(10)对图像进行膨胀来弥合裂痕：
式中B为结构元素，A为原始图像。
6)中级模板M中大部分为目标焊点相连的冷凝管，但也有少部分其他冷凝管，在经过步骤4)、5)后也保留在图像中，为了防止下一步焊点搜索时定位到其他冷凝管，需要在二值图像中给每一个连通区域做标签，找到面积最大的连通区域，用和目标焊点像素大小相同的窗口根据焊点所在位置从连通区域的边缘开始依次移动搜索，当白色色素占比为90％以上时停止搜索，此时窗口定位的就是目标焊点。步骤4)、5)、6)的过程如图2所示，图2中101、102为待识别的目标焊点。实验结果表明，在偏转角度为0°时平均识别准确率为97.90％，偏转角度为-15°时平均识别准确率为95.28％，偏转角度为15°时平均识别准确率为94.44％；正常光照条件下平均识别准确率为96.74％，光线较暗条件下平均识别准确率为95.00％，总体平均识别准确率为96.26％。
Claims (4)
1.一种基于模板匹配与分布特征的焊点识别与定位方法，其特征在于，具体步骤如下：
1)在家电的焊点检测流水线上利用相机对到达指定待检测位置的若干相对相机平面偏转角度不同、光照条件不同的产品进行拍摄，得到焊点区域内分布特征和焊点位置特征类似的不同产品的多幅图像，并选取焊点区域内分布特征典型的一个产品，拍摄其与相机平面夹角为-15°、0°、15°，即偏转角度为-15°、0°、15°时的三幅图像；
2)对步骤1)采集的同一家电不同偏转角度的三幅图像分别按照L、M、S三级模板来截图，制作偏转角度为-15°、0°、15°的三套模板；其中L级为包含整个焊点区域的大模板，M级为包含待识别的焊点以及焊点周围环境的中级模板，S级为仅含有焊点图像的小模板；
3)除了被用于截图制作模板的图像外，以步骤1)中拍摄的其它图像作为待识别图像，将待识别图像依次与不同偏转角度的L级模板进行匹配，按照式(1)求出L级模板与当前L级模板覆盖被搜索图区域的互相关归一化系数γ(u，v)，将L级模板在被搜索图上平移，最终求出每一个子图像与L级模板图像的归一化矩阵，并求出矩阵中的最大的值以及它的位置；再用相关系数最大所在的相应偏转角度的一套模板中的M、S级依次进行模板匹配，模板匹配后，原待检测图像中只保留匹配区域，若同一焊点在相同偏转角度的三套模板中的匹配成功率大于90％时，则得到目标焊点；
式中待识别图像为f，模板图像为t，(u，v)为当前模板矩阵中心点的坐标，(x，y)从模板矩阵的左上方到右下方依次移动，
为模板图像矩阵的均值，
代表模板图像内每一像素点的灰度值减去均值的绝对值之和，
为被模板覆盖区域矩阵的均值。
4)当步骤3)中识别成功率小于90％，则在用步骤3)方法进行L、M级匹配后，在只保留M级匹配区域的RGB图像中提取焊点区域内颜色特征明显的G通道图像，采用大津算法来进行二值化，区分焊点区域和背景区域，并用图像形态学中的膨胀与腐蚀运算方法来使得图像中的裂痕与噪声点消弭；
5)在二值图像中给每一个连通区域做标签，找到面积最大的连通区域，用和目标焊点像素大小相同的窗口根据焊点所在位置从连通区域的边缘开始依次移动搜索，当白色色素占比为90％以上时停止搜索，得到目标焊点的位置信息。
2.根据权利要求1所述的焊点识别与定位方法，其特征在于，步骤1)中，家电为冰箱；焊点区域内分布特征为冷凝管排布特征。
3.根据权利要求1所述的焊点识别与定位方法，其特征在于，步骤2)中，当最大的互相关归一化系数大于阈值Γ时，即匹配成功，匹配区域为归一化系数最大位置的中心点，大小为模板尺寸的区域。
4.根据权利要求1所述的焊点识别与定位方法，其特征在于，步骤4)中，用图像形态学中的膨胀与腐蚀运算方法来使得图像中的裂痕与噪声点消弭时，先用腐蚀算法对噪声点消弭，再用膨胀算法对图像进行裂痕弥合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010778321.XA CN112101411B (zh) | 2020-08-05 | 2020-08-05 | 一种基于模板匹配与分布特征的焊点识别与定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010778321.XA CN112101411B (zh) | 2020-08-05 | 2020-08-05 | 一种基于模板匹配与分布特征的焊点识别与定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101411A true CN112101411A (zh) | 2020-12-18 |
| CN112101411B CN112101411B (zh) | 2022-08-19 |
Family
ID=73750033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010778321.XA Active CN112101411B (zh) | 2020-08-05 | 2020-08-05 | 一种基于模板匹配与分布特征的焊点识别与定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101411B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113434215A (zh) * | 2021-06-28 | 2021-09-24 | 青岛海尔科技有限公司 | 信息的加载方法、装置、存储介质及处理器 |
| CN113470005A (zh) * | 2021-07-23 | 2021-10-01 | 广东奥普特科技股份有限公司 | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 |
| CN118577915A (zh) * | 2024-08-06 | 2024-09-03 | 常州华旋传感技术有限公司 | 一种基于视觉识别的点焊设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000077720A1 (en) * | 1999-06-16 | 2000-12-21 | Coreco Imaging, Inc. | Systems and methods for locating a pattern in an image |
| CN103617625A (zh) * | 2013-12-13 | 2014-03-05 | 中国气象局北京城市气象研究所 | 一种图像匹配方法及图像匹配装置 |
| JP2014056464A (ja) * | 2012-09-13 | 2014-03-27 | Univ Of Tokyo | 物体認識装置、物体認識方法及び物体認識プログラム |
| CN103984950A (zh) * | 2014-04-22 | 2014-08-13 | 北京联合大学 | 一种适应白天检测的运动车辆刹车灯状态识别方法 |
| CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
| CN106898017A (zh) * | 2017-02-27 | 2017-06-27 | 网易（杭州）网络有限公司 | 用于识别图像局部区域的方法、装置及终端设备 |
| CN107610111A (zh) * | 2017-09-12 | 2018-01-19 | 武汉大学 | 一种基于深度学习的焊点图像检测方法 |
| CN107610085A (zh) * | 2016-07-11 | 2018-01-19 | 富强 | 一种基于计算机视觉的焊点缺陷检测系统 |
| CN109514552A (zh) * | 2018-11-14 | 2019-03-26 | 华南理工大学 | 一种汽车门板焊点识别与焊接路径规划的方法 |
| CN109816648A (zh) * | 2019-01-23 | 2019-05-28 | 浙江大学 | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 |
| CN110064819A (zh) * | 2019-05-14 | 2019-07-30 | 苏州实创德光电科技有限公司 | 基于结构光的柱面纵向焊缝特征区域提取、焊缝跟踪方法及系统 |
| CN111369455A (zh) * | 2020-02-27 | 2020-07-03 | 复旦大学 | 一种基于偏振图像和机器学习的高光物件测量方法 |
-
2020
- 2020-08-05 CN CN202010778321.XA patent/CN112101411B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000077720A1 (en) * | 1999-06-16 | 2000-12-21 | Coreco Imaging, Inc. | Systems and methods for locating a pattern in an image |
| JP2014056464A (ja) * | 2012-09-13 | 2014-03-27 | Univ Of Tokyo | 物体認識装置、物体認識方法及び物体認識プログラム |
| CN103617625A (zh) * | 2013-12-13 | 2014-03-05 | 中国气象局北京城市气象研究所 | 一种图像匹配方法及图像匹配装置 |
| CN103984950A (zh) * | 2014-04-22 | 2014-08-13 | 北京联合大学 | 一种适应白天检测的运动车辆刹车灯状态识别方法 |
| CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
| CN107610085A (zh) * | 2016-07-11 | 2018-01-19 | 富强 | 一种基于计算机视觉的焊点缺陷检测系统 |
| CN106898017A (zh) * | 2017-02-27 | 2017-06-27 | 网易（杭州）网络有限公司 | 用于识别图像局部区域的方法、装置及终端设备 |
| CN107610111A (zh) * | 2017-09-12 | 2018-01-19 | 武汉大学 | 一种基于深度学习的焊点图像检测方法 |
| CN109514552A (zh) * | 2018-11-14 | 2019-03-26 | 华南理工大学 | 一种汽车门板焊点识别与焊接路径规划的方法 |
| CN109816648A (zh) * | 2019-01-23 | 2019-05-28 | 浙江大学 | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 |
| CN110064819A (zh) * | 2019-05-14 | 2019-07-30 | 苏州实创德光电科技有限公司 | 基于结构光的柱面纵向焊缝特征区域提取、焊缝跟踪方法及系统 |
| CN111369455A (zh) * | 2020-02-27 | 2020-07-03 | 复旦大学 | 一种基于偏振图像和机器学习的高光物件测量方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZEZHONG PEI ET AL.: "Welding Component Identification and Solder Joint Inspection of Automobile Door Panel Based on Machine Vision", 《2018 CHINESE CONTROL AND DECISION CONFERENCE》 * |
| 黄知超 等: "微芯片焊点快速识别与定位方法", 《半导体检测与设备》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113434215A (zh) * | 2021-06-28 | 2021-09-24 | 青岛海尔科技有限公司 | 信息的加载方法、装置、存储介质及处理器 |
| CN113434215B (zh) * | 2021-06-28 | 2023-06-16 | 青岛海尔科技有限公司 | 信息的加载方法、装置、存储介质及处理器 |
| CN113470005A (zh) * | 2021-07-23 | 2021-10-01 | 广东奥普特科技股份有限公司 | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 |
| CN113470005B (zh) * | 2021-07-23 | 2022-03-18 | 广东奥普特科技股份有限公司 | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 |
| CN118577915A (zh) * | 2024-08-06 | 2024-09-03 | 常州华旋传感技术有限公司 | 一种基于视觉识别的点焊设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101411B (zh) | 2022-08-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101411B (zh) | 一种基于模板匹配与分布特征的焊点识别与定位方法 | |
| CN107610111B (zh) | 一种基于深度学习的焊点图像检测方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
| CN110838126A (zh) | 细胞图像分割方法、装置、计算机设备和存储介质 | |
| CN108827969A (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN101995223A (zh) | 一种芯片外观检测方法及系统 | |
| CN110480127A (zh) | 一种基于结构光视觉传感的焊缝跟踪系统及方法 | |
| CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
| CN115439481A (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
| CN115115644A (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
| CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
| CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 | |
| CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
| CN110263662B (zh) | 一种基于分级的人体轮廓关键点和关键部位识别方法 | |
| CN112414623A (zh) | 一种基于人工智能的零件气密性泄漏缺陷检测方法及系统 | |
| CN111161318A (zh) | 一种基于yolo算法及gms特征匹配的动态场景slam方法 | |
| CN115184380A (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
| CN110826571B (zh) | 一种用于图像快速识别及特征匹配的图像遍历算法 | |
| CN112712058A (zh) | 一种字符识别提取方法 | |
| CN117557563B (zh) | 一种焊接缺陷识别检测方法及系统 | |
| CN107388991A (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
| CN117745715A (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 |
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 |