CN112164050B - 用于流水线上产品表面缺陷的检测方法、设备及存储介质 - Google Patents
用于流水线上产品表面缺陷的检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112164050B CN112164050B CN202011040728.9A CN202011040728A CN112164050B CN 112164050 B CN112164050 B CN 112164050B CN 202011040728 A CN202011040728 A CN 202011040728A CN 112164050 B CN112164050 B CN 112164050B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- sub
- contour
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 14
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 238000012937 correction Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 241001268993 Heterochrosis Species 0.000 abstract 1
- 238000005520 cutting process Methods 0.000 abstract 1
- 230000002950 deficient Effects 0.000 abstract 1
- 238000003892 spreading Methods 0.000 description 5
- 230000007480 spreading Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
-
- 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
- G06T7/12—Edge-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
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种用于流水线上产品表面缺陷的检测方法、设备及存储介质，包括，首先对目标图像帧进行去噪矫正等预处理，然后对矫正后的图像中裁剪出检测产品的子图像，最后对子图像进行轮廓毛边、飞边检测，表面异色、斑点、划痕等缺陷检测，以及对产品表面孔洞是否形变进行检测，根据检测结果判定产品是否为残次品，并进行分拣。本发明提供的检测系统和方法有较高的检测速度和检测精度，且有着良好的可移植性。
Description
技术领域
本发明涉及产品检测领域，具体涉及一种用于流水线上产品表面缺陷的检测方法、设备及存储介质。
背景技术
随着工业的快速发展，越来越多的工厂都引进自动化或半自动化的生产设备来提高生产效率。机器视觉技术在工业现代化升级中的确扮演着举足轻重的角色。但是在工业化应用中对产品的检测速度和检测精度以及检测算法的可移植性一直阻碍着机器视觉技术在工业上的普及。如何在提高检测精度的同时保证检测速度以及提高检测算法的适用性成为制约一些行业引入机器视觉设备进行自动化检测的重要瓶颈。
目前，应用于工业上的视觉检测系统均以特定的检测目标定制而成。面对不同的检测产品需要重新设计检测系统，而这就严重阻碍了视觉检测技术在工业上的推广。本发明提供的检测系统用在工业产品外观缺陷检测中，有较高的检测速度和检测精度，并且面对各类规则形状的产品均有着极高的算法移植性，可大幅度的缩短视觉检测系统的开发周期。
发明内容
为了克服现有技术存在的缺点与不足，本发明提供一种用于流水线上产品表面缺陷的检测方法、设备及存储介质，其具有硬件简单、检测速度快及成本低的特点。
本发明采用如下技术方案：
一种用于流水线上产品表面缺陷的检测方法，包括
S1目标区域提取：采集图像，经过预处理后，获得目标子图像；
S2边沿轮廓缺陷检测：具体包括：
对目标子图像进行先腐蚀后膨胀处理清除目标外可能存在的白色小连通区域；
对膨胀处理后的图像进行二值化；
计算子图像四边框中每个像素向内部垂直或水平蔓延时遇到第一个白色像素点的蔓延距离，该蔓延距离即为目标轮廓到相应图像边框的距离；
将目标轮廓到相应图像边框的距离按照四边框的不同保存在四个容器中；
对容器中的元素进行统计，找出出现频率最高的值D，并将出现频率最高的值D认定为目标物体正常边沿到图像边框的距离；
对容器元素求一阶导F,以及容器元素减去目标物体正常边沿距离值D后得到的减差容器Sub；
根据一阶导F和减差Sub的值判断每个边沿像素点是否存在异常缺陷；
S3对目标子图像进行表面缺陷检测；
S4对目标子图像进行内部部件形状检测；
S5综合边沿轮廓缺陷检测、表面缺陷检测和孔洞形变检测结果对产品进行分拣。
所述S1中，采集图像，具体步骤包括：
采集图像，对每一帧采集的图像进行二值化；
计算图像中间行像素二值化后白色像素点的个数，当统计的白色像素点个数超出设定阈值则该帧图像为理想的目标图像，保存该帧图像。
所述S1中，经过预处理后，得到目标子图像，包括：目标图像帧进行滤波、轮廓提取及旋转矫正得到所需的目标子图像。
所述对目标子图像进行表面缺陷检测，具体包括：
对目标子图像进行轮廓提取，得到目标轮廓；
绘制轮廓的最小外接矩形，利用外接矩形得到轮廓的中心矩；
再对目标子图像进行垂直梯度检测和水平梯度检测，再将垂直梯度图和水平梯度图进行合并得到目标物体表面缺陷图像；
最后根据提取得到的目标轮廓和中心矩，筛除掉目标物体表面缺陷图像上轮廓和内部部件带来的干扰项得到表面的缺陷信息。
所述内部部件形状检测，具体包括：
根据中心矩得到目标物体中内部部件的位置，然后从子图像中截取内部部件子图像；
用OpenCV库中的adaptiveThreshold函数对内部部件子图像进行自适应阈值分割，再用OpenCV库中的findContours函数提取部件轮廓，并绘制轮廓的最小外接矩形，得到轮廓的中心矩；
遍历轮廓点，计算轮廓点与轮廓中心点的距离，将所有轮廓点的距离值保存到一个新的容器Vk中；
由于轮廓的角点与中心点的距离必然是容器Vk中的局部极大值，所有找出容器Vk中的所有极大值，对比所有极大值的个数、位置发布以及极大值的数值大小分析发判断部件的形状，并进一步分析其形变与否。
所述经过预处理后，得到目标子图像，包括用高斯滤波算子对目标图像进行滤波去燥处理，然后提取图像中目标物体的轮廓，并得到轮廓的最小外接旋矩形，再利用最小外接矩形与水平线的夹角对图像进行旋转得到旋转矫正后的目标物体；
得到旋转后的目标物体的最小外接矩形，计算该最小外接矩形的四个角点坐标，利用四个角点坐标将目标物体从原图像截取得到目标物体子图像。
本发明的有益效果：
(1)本发明在暗箱中完成图像采集，受环境干扰因素小可以在复杂的工作环境下得到高质量的图像。在工业生产环境中进行推广具有较大优势。
(2)本发明适用所有非弧形产品轮廓缺陷的检测，具有极高的算法可移植性，在产品更新换代频繁的当今工业环境下具有极高的生存优势。
(3)本发明通过将视觉检测结果反馈到制造端形成一个闭环反馈系统。制造端可根据反馈结果及时作出调整，从而提高产品的合格率。
附图说明
图1是本发明的检测流程图；
图2是本发明的边沿轮廓缺陷检测流程图；
图3是本发明的内部部件形状检测流程图。
具体实施方式
下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1
如图1所示，一种用于流水线上产品表面缺陷的检测方法，包括如下步骤：
S1目标区域提取
S1.1捕获目标图像帧，具体为：传送带上的产品移动，触发限位开关后，摄像头开始采集图像。对每一帧采集到的图像进行二值化后再对图像的正中间一行像素进行统计其二值化后白色像素点的个数。当统计的白色像素点个数超出设定阈T，则该帧图像为理想的目标图像，保存该帧图像后摄像头停止采集图像。
进一步的，阈值根据检测的产品宽度而设定，本申请中设定的阈值为50。
进一步的，一般图像行数为偶数，则图像行数除以2向下取整为中间一行。
为了使得采集图像不受任何干扰，图像采集(捕获目标图像帧)在一个不透光的暗箱中进行。暗箱的上层放置角度可调的面光源和高度可调的相机。检测产品从暗箱的侧面进入，进入到暗箱内部后相机开始采集每一帧图像进行判断产品是否到达理想拍摄位置。
S1.2图像预处理得到目标物体子图像：先用高斯滤波算子对原图像进行滤波去燥处理，然后提取图像中目标物体的轮廓，并画出轮廓的最小外接旋矩形。利用最小外接矩形与水平线的夹角对图像进行旋转得到旋转矫正后的目标物体。计算出旋转后的最小外接矩形的四个角点坐标，然后利用计算得到的四个角点将目标物体从原图像截取出来得到目标物体子图像。
X1＝R(Xcosθ+Ysinθ) (1)
Y1＝R(Ycosθ-Xsinθ) (2)
公式(1)中(X,Y)为旋转前的原始坐标值，(X1，Y1)为旋转后的坐标值。R为坐标点到坐标原点的距离，θ为旋转角度。
如图2所示，S2边沿轮廓缺陷检测：具体包括如下：
S2.1对目标子图像进行先腐蚀后膨胀处理清除目标外可能存在的白色小连通区域；
S2.2对膨胀处理后的图像进行二值化；
S2.3计算子图像四边框中每个像素向内部垂直或水平蔓延时遇到第一个白色像素点的蔓延距离，该蔓延距离即为目标轮廓到相应图像边框的距离；
比如：在计算目标轮廓上边缘到图像上边框的距离时：遍历图像第0行像素点，第0行的每个像素点则在对应列从0开始遍历该列像素，找出该列中的第一个白色像素点。该白色像素点所在的纵坐标即为目标轮廓到图像边框在该点出的距离。
S2.4将目标轮廓到相应图像边框的距离按照四边框的不同保存在四个容器中；
S2.5对容器中的元素进行统计，找出出现频率最高的值D，并将出现频率最高的值D认定为目标物体正常边沿到图像边框的距离；
S2.6对容器元素求一阶导F,以及容器元素减去目标物体正常边沿距离值D后得到的减差容器Sub；
ft＝Vit-Vit-1 (3)
subt＝|D-Vit| (4)
公式(3)中ft为一阶导F中的第t个元素，Vti为目标轮廓到图像边框距离容器中的第i个容器Vi中第t个元素的值。公式(4)中subt为减差容器Sub中的第t个元素。
S2.7根据一阶导F和减差Sub的值判断每个边沿像素点是否存在异常缺陷；
当Sub中元素的绝对值大于1，则可初步判定该元素对应的目标边缘处边沿是异常的。然后对异常点进一步判断，如果异常点对应一阶导F元素值绝对值大于1且对应Sub元素值小于100(Sub中大于100的位置判定为产品本身存在的凸起部件)时，则断定该点为缺陷点。
S3对目标子图像进行表面缺陷检测，具体为：
对目标子图像进行轮廓提取，得到目标轮廓。并绘制轮廓的最小外接矩形，利用外接矩形得到轮廓的中心矩。然后对目标子图像进行垂直梯度检测和水平梯度检测，再将垂直梯度图和水平梯度图进行合并得到目标物体表面缺陷图像。根据提取得到的目标轮廓和中心矩，筛除掉目标物体表面缺陷图像上轮廓和内部部件带来的干扰项。
如图3所示，S4对目标子图像进行内部部件形状检测；
S4.1利用S3得到的中心矩得到目标物体内部主要部件的位置，然后从目标子图像中截取内部部件子图像。
S4.2用OpenCV库中的adaptiveThreshold函数对内部部件子图像进行自适应阈值分割，再用OpenCV库中的findContours函数提取轮廓，并绘制轮廓的最小外接矩形，得到部件轮廓的中心矩。
S4.3遍历部件轮廓点，计算轮廓点与轮廓中心点的距离，将所有轮廓点的距离值保存到一个新的容器Vk中。
上式中vki表示Vk中第i个元素，(x0,y0)为轮廓中心点坐标，(xi,yi)表示轮廓中第i个轮廓点。
S4.4由于轮廓的角点与中心点的距离必然是容器Vk所有元素中的局部极大值，所有找出容器Vk中的所有极大值，对比所有极大值的个数、位置发布以及极大值的数值大小分析发判断部件的形状，并进一步分析其形变与否。
S5综合边沿轮廓缺陷检测、表面缺陷检测和孔洞形变检测结果对产品进行分拣。
实施例2
本发明实施例提供了一种检测设备，基于实施例1，包括至少一个处理器，以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本发明的一些实施例的一种外观缺陷检测方法。本发明实施例的一种产品缺陷检测设备，能够大幅度地提高检测速度，适用于不同类型产品的表面缺陷检测，还能够减小不同光源、检测件摆放角度和阴影情况等外界因素对检测结果的影响，实现对生产线产品缺陷的准确检测。本发明实施例的一种检测设备，处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是一种检测方法的可运行装置的控制中心，利用各种接口和线路连接整个一种产品缺陷检测方法的可运行装置的各个部分。存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现一种产品缺陷检测方法的可运行装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3
本发明实施例提供了一种计算机可读存储介质，基于实施例1，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行本发明的一些实施例的一种产品缺陷检测方法。本发明实施例的一种计算机可读存储介质，能够大幅度地提高检测速度，适用于不同类型产品的表面缺陷检测，还能够减小不同光源、检测件摆放角度和阴影情况等外界因素对检测结果的影响，实现对生产线产品缺陷的准确检测。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (8)
1.一种用于流水线上产品表面缺陷的检测方法，其特征在于，适用于非弧形规则产品，检测方法包括：
S1目标区域提取：采集图像，经过预处理后，获得目标子图像；
S2边沿轮廓缺陷检测：具体包括：
对目标子图像进行先腐蚀后膨胀处理清除目标外可能存在的白色小连通区域；
对膨胀处理后的图像进行二值化；
计算子图像四边框中每个像素向内部垂直或水平蔓延时遇到第一个白色像素点的蔓延距离，该蔓延距离即为目标轮廓到相应图像边框的距离；
将目标轮廓到相应图像边框的距离按照四边框的不同保存在四个容器中；
对容器中的元素进行统计，找出出现频率最高的值D，并将出现频率最高的值D认定为目标物体正常边沿到图像边框的距离；
对容器元素求一阶导F,以及容器元素减去目标物体正常边沿距离值D后得到的减差容器Sub；
具体为：
f t = Vi t –Vi t-1
sub t =∣D- Vi t ∣
其中， f t 为一阶导F中的第t个元素，Vi t 为目标轮廓到图像边框距离容器中的第i个容器Vi中第t个元素的值， sub t 为减差容器Sub中的第t个元素；
根据一阶导F和减差容器Sub的值判断每个边沿像素点是否存在异常缺陷；
具体为：当Sub中元素的绝对值大于1，则可初步判定该元素对应的目标边缘处边沿是异常的，然后对异常点进一步判断，如果异常点对应一阶导F元素值绝对值大于1且对应Sub元素值小于100时，则断定该异常点为缺陷点；
S3对目标子图像进行表面缺陷检测；
S4对目标子图像进行内部部件形状检测；
S5综合边沿轮廓缺陷检测、表面缺陷检测和内部部件形状检测结果对产品进行分拣。
2.根据权利要求1所述的检测方法，其特征在于，所述S1中，采集图像，具体步骤包括：
采集图像，对每一帧采集的图像进行二值化；
计算图像中间行像素二值化后白色像素点的个数，当统计的白色像素点个数超出设定阈值则该帧图像为理想的目标图像，保存该帧图像。
3.根据权利要求2所述的检测方法，其特征在于，所述S1中，经过预处理后，得到目标子图像，包括：目标图像帧进行滤波、轮廓提取及旋转矫正得到所需的目标子图像。
4.根据权利要求1所述的检测方法，其特征在于，所述对目标子图像进行表面缺陷检测，具体包括：
对目标子图像进行轮廓提取，得到目标轮廓；
绘制轮廓的最小外接矩形，利用外接矩形得到轮廓的中心矩；
再对目标子图像进行垂直梯度检测和水平梯度检测，再将垂直梯度图和水平梯度图进行合并得到目标物体表面缺陷图像；
最后根据提取得到的目标轮廓和中心矩，筛除掉目标物体表面缺陷图像上轮廓和内部部件带来的干扰项得到表面的缺陷信息。
5.根据权利要求4所述的检测方法，其特征在于，所述内部部件形状检测，具体包括：
根据中心矩得到目标物体中内部部件的位置，然后从子图像中截取内部部件子图像；
用OpenCV库中的adaptiveThreshold函数对内部部件子图像进行自适应阈值分割，再用OpenCV库中的findContours函数提取部件轮廓，并绘制轮廓的最小外接矩形，得到轮廓的中心矩；
遍历轮廓点，计算轮廓点与轮廓中心点的距离，将所有轮廓点的距离值保存到一个新的容器Vk中；
由于轮廓的角点与中心点的距离必然是容器Vk中的局部极大值，找出容器Vk中的所有极大值，对比所有极大值的个数、位置发布以及极大值的数值大小分析发判断部件的形状，并进一步分析其形变与否。
6.根据权利要求3所述的检测方法，其特征在于，所述经过预处理后，得到目标子图像，包括用高斯滤波算子对目标图像进行滤波去燥处理，然后提取图像中目标物体的轮廓，并得到轮廓的最小外接旋矩形，再利用最小外接矩形与水平线的夹角对图像进行旋转得到旋转矫正后的目标物体；
得到旋转后的目标物体的最小外接矩形，计算该最小外接矩形的四个角点坐标，利用四个角点坐标将目标物体从原图像截取得到目标物体子图像。
7.一种用于流水线上产品表面缺陷的检测设备，其特征在于，包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，所述存储器存储有可被至少一个所述处理器执行的指令，所述指令被至少一个所述处理器执行，以使至少一个所述处理器能够执行如权利要求1-6任一项所述的检测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011040728.9A CN112164050B (zh) | 2020-09-28 | 2020-09-28 | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011040728.9A CN112164050B (zh) | 2020-09-28 | 2020-09-28 | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112164050A CN112164050A (zh) | 2021-01-01 |
| CN112164050B true CN112164050B (zh) | 2022-10-25 |
Family
ID=73861806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011040728.9A Active CN112164050B (zh) | 2020-09-28 | 2020-09-28 | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112164050B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139451A (zh) * | 2021-04-16 | 2021-07-20 | 北京京东乾石科技有限公司 | 异常信息生成方法、装置、电子设备和计算机可读介质 |
| CN113379744B (zh) * | 2021-08-12 | 2021-11-19 | 山东大拇指喷雾设备有限公司 | 基于图像处理的喷嘴装置表面缺陷检测方法与系统 |
| CN115423783A (zh) * | 2022-09-13 | 2022-12-02 | 优层智能科技(上海)有限公司 | 一种用于光伏组件边框及接线盒灌胶的质检方法和装置 |
| CN117420152B (zh) * | 2023-12-19 | 2024-03-19 | 聚时科技(深圳)有限公司 | 视觉检测方法、装置、计算机设备及计算机可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1146481A2 (en) * | 2000-03-21 | 2001-10-17 | Nanogeometry Research | Pattern inspection apparatus, pattern inspection method, and recording medium |
| EP2226763A2 (en) * | 2009-03-05 | 2010-09-08 | Samsung Electronics Co., Ltd. | Image processing method and apparatus for detecting an edge of an object within an image |
| CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN106408583A (zh) * | 2016-08-25 | 2017-02-15 | 凌云光技术集团有限责任公司 | 一种多边缘缺陷检测方法及装置 |
| CN107085846A (zh) * | 2017-05-08 | 2017-08-22 | 湘潭大学 | 工件表面缺陷图像识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10706551B2 (en) * | 2017-03-30 | 2020-07-07 | 4DM Inc. | Object motion mapping using panchromatic and multispectral imagery from single pass electro-optical satellite imaging sensors |
-
2020
- 2020-09-28 CN CN202011040728.9A patent/CN112164050B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1146481A2 (en) * | 2000-03-21 | 2001-10-17 | Nanogeometry Research | Pattern inspection apparatus, pattern inspection method, and recording medium |
| EP2226763A2 (en) * | 2009-03-05 | 2010-09-08 | Samsung Electronics Co., Ltd. | Image processing method and apparatus for detecting an edge of an object within an image |
| CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN106408583A (zh) * | 2016-08-25 | 2017-02-15 | 凌云光技术集团有限责任公司 | 一种多边缘缺陷检测方法及装置 |
| CN107085846A (zh) * | 2017-05-08 | 2017-08-22 | 湘潭大学 | 工件表面缺陷图像识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| High-resolution satellite image recovery by modulation transfer function (MTF) compensation method using phase congruency estimation;Huang, B 等;《Conference on Satellite Data Compression, Communications,and Processing IX》;20130826;第1-9页 * |
| 高反光零件表面缺陷智能检测技术研究;陈丰;《高光工件在线缺陷检测系统及实现》;20200615;第B020-38页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112164050A (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112164050B (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
| CN108896278B (zh) | 一种滤光片丝印缺陷检测方法、装置及终端设备 | |
| CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
| CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
| CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| CN101464418B (zh) | 缺陷检测方法以及缺陷检测装置 | |
| CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
| CN112577969B (zh) | 一种基于机器视觉的缺陷检测方法以及缺陷检测系统 | |
| CN108665458B (zh) | 透明体表面缺陷提取及识别方法 | |
| CN110672007A (zh) | 一种基于机器视觉的工件表面质量检测方法及系统 | |
| CN110933926B (zh) | 一种基于角点检测的贴片机吸嘴元件角度的自动校正方法 | |
| CN108918093B (zh) | 一种滤光片镜面缺陷检测方法、装置及终端设备 | |
| CN113077437B (zh) | 工件质量检测方法及其系统 | |
| CN109815822B (zh) | 基于广义Hough变换的巡检图零部件目标识别方法 | |
| CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
| CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
| CN110567965A (zh) | 一种智能手机玻璃盖板边缘视觉缺陷检测方法 | |
| CN115205223A (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
| CN110807354B (zh) | 一种工业流水线产品计数方法 | |
| Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
| CN117115130A (zh) | 一种晶圆边缘缺陷检测方法及装置 | |
| US11068740B2 (en) | Particle boundary identification | |
| CN114897881A (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
| CN114565558A (zh) | 一种cmos芯片表面缺陷检测方法及系统 | |
| CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及系统 |
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 |