CN112435210A - 一种环形器件的质量检测方法及装置 - Google Patents
一种环形器件的质量检测方法及装置 Download PDFInfo
- Publication number
- CN112435210A CN112435210A CN201910792187.6A CN201910792187A CN112435210A CN 112435210 A CN112435210 A CN 112435210A CN 201910792187 A CN201910792187 A CN 201910792187A CN 112435210 A CN112435210 A CN 112435210A
- Authority
- CN
- China
- Prior art keywords
- annular device
- sample
- detected
- image
- spectrum data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 153
- 238000001228 spectrum Methods 0.000 claims abstract description 101
- 239000013598 vector Substances 0.000 claims abstract description 90
- 230000007547 defect Effects 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种环形器件的质量检测方法及装置，包括：获取待检测环形器件的图像；从所述图像中确定所述待检测环形器件的中心点，并确定所述待检测环形器件的边缘上的多个目标位置点分别与所述中心点的距离；将各个所述目标位置点分别与所述中心点之间的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的频谱数据集合，并基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量；将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的质量检测结果，其中，所述检测结果包括具有瑕疵和没有瑕疵中的一种。通过这种方法，可以提高环形器件的质量检测效率和准确率。
Description
技术领域
本申请涉及图像识别技术领域，尤其是涉及一种环形器件的质量检测方法及装置。
背景技术
环形器件是指中间镂空的器件，如O型器件，回字器件等。毛刺是指器件在制造过程中由于制造工艺不够精准所造成的器件中异常凹陷或异常凸起。由于部分行业对于环形器件的要求较高，因此，环形器件在投入使用之前需要进行是否有毛刺的排查。
现有技术中，在对环形器件中的毛刺进行检查时，一般是通过该器件的尺寸信息进行检查，以O型器件为例，测量O型器件边缘上的点到圆心的距离，若距离与半径之间的差值在预设阈值内，则认为该O型器件没有毛刺，但是这种仅仅根据尺寸信息检测的方法，当O型器件中心点确定不准确时，会引起严重偏差，致使无毛刺的O型圈可能被误判为有毛刺，也就是说，这种尺寸信息检测的方法对O型圈中心点的准确度极为敏感；且对于不同尺寸的O型器件，预设阈值的取值不同，如直径为10厘米的O型器件与直径为1厘米的O型器件所需要的预设阈值并不相同，因此，这种测量方法无法实现对于不同尺寸的O型器件的测量。
发明内容
有鉴于此，本申请的目的在于提供一种环形器件的质量检测方法及装置，以提高环形器件质量检测的效率和准确率。
第一方面，本申请实施例提供了一种环形器件的质量检测方法，包括：
获取待检测环形器件的图像；
从所述图像中确定所述待检测环形器件的中心点，并确定所述待检测环形器件的边缘上的多个目标位置点分别与所述中心点的距离；
将各个所述目标位置点分别与所述中心点之间的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的频谱数据集合，并基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量；
将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的质量检测结果，其中，所述检测结果包括具有瑕疵和没有瑕疵中的一种。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述获取待检测环形器件的图像，包括：
获取所述待检测环形器件的彩色图像；
将所述彩色图像转换为灰度图像。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中，在获取待检测环形器件的图像之后，所述方法还包括：
从所述待检测环形器件的图像中，提取包括所述待检测环形器件的感兴趣区域图像。
结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述待检测环形器件的边缘包括内边缘和外边缘。
结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方式，其中，按照以下方式确定所述待检测环形器件的边缘上的目标位置点：
以所述中心点为起点确定多条射线；多条所述射线将以所述中心点为圆心的圆均分；
将每一条射线与所述边缘的交点确定为所述目标位置点。
结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，所述频谱数据集合中所包含的频谱数据的个数与所述目标位置点的个数相同；
所述基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量，包括：
将所述频谱数据集合中所有频谱数据均确定为所述待检测环形器件的特征向量的元素；或，
将所述频谱数据集合中前M个频谱数据确定为所述待检测环形器件的特征向量的元素，M为所述频谱数据的数量与预设比例的乘积。
结合第一方面的第三种可能的实施方式，本申请实施例提供了第一方面的第六种可能的实施方式，其中，所述将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的检测结果，包括：
将所述内边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述内边缘的瑕疵检测结果；以及，将所述外边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述外边缘的瑕疵检测结果；
基于所述内边缘的瑕疵检测结果、以及所述外边缘的瑕疵检测结果，确定所述待检测环形器件的质量检测结果。
结合第一方面，本申请实施例提供了第一方面的第七种可能的实施方式，其中，所述瑕疵检测模型的训练过程包括：
获取至少一个样本环形器件图像，以及每一个样本环形器件图像的标签，其中，所述标签用于表示所述样本环形器件是否存在瑕疵；
针对每一个所述样本环形器件图像，执行如下操作，直至得到所有所述样本环形器件的样本特征向量：
确定所述样本环形器件图像中所述样本环形器件的中心，并确定所述样本环形器件的边缘上的每个样本目标位置点到所述中心的距离；
将所述样本环形器件的边缘上的每个目标位置点到所述中心的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的样本频谱数据集合，并基于所述样本频谱数据集合确定所述样本环形器件的样本特征向量；
将所有样本环形器件图像的样本特征向量依次输入至瑕疵检测模型中，得到每一个样本环形器件图像的识别结果；
基于所述每一个样本环形器件图像的识别结果以及所述每一个样本环形器件图像的标签，训练所述瑕疵检测模型。
第二方面，本申请实施例还提供一种环形器件的质量检测装置，包括：
获取模块，用于获取待检测环形器件的图像；
确定模块，用于从所述图像中确定所述待检测环形器件的中心点，并确定所述待检测环形器件的边缘上的多个目标位置点分别与所述中心点的距离；
变换模块，用于将各个所述目标位置点分别与所述中心点之间的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的频谱数据集合，并基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量；
检测模块，用于将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的质量检测结果，其中，所述检测结果包括具有瑕疵和没有瑕疵中的一种。
结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述获取模块，在获取待检测环形器件的图像时，具体用于：
获取所述待检测环形器件的彩色图像；
将所述彩色图像转换为灰度图像。
结合第二方面，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述获取模块，还用于在获取待检测环形器件的图像之后，从所述待检测环形器件的图像中，提取包括所述待检测环形器件的感兴趣区域图像。
结合第二方面，本申请实施例提供了第二方面的第三种可能的实施方式，其中，所述待检测环形器件的边缘包括内边缘和外边缘。
结合第二方面，本申请实施例提供了第二方面的第四种可能的实施方式，其中，所述确定模块，在确定所述待检测环形器件的边缘上的目标位置点时，具体用于：
以所述中心点为起点确定多条射线；多条所述射线将以所述中心点为圆心的圆均分；
将每一条射线与所述边缘的交点确定为所述目标位置点。
结合第二方面，本申请实施例提供了第二方面的第四种可能的实施方式，其中，所述频谱数据集合中所包含的频谱数据的个数与所述目标位置点的个数相同；
所述变换模块，在基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量时，具体用于：
将所述频谱数据集合中所有频谱数据均确定为所述待检测环形器件的特征向量的元素；或，
将所述频谱数据集合中前M个频谱数据确定为所述待检测环形器件的特征向量的元素，M为所述频谱数据的数量与预设比例的乘积。
结合第二方面的第三种可能的实施方式，本申请实施例提供了第二方面的第五种可能的实施方式，其中，所述检测模块，在将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的检测结果时，具体用于：
将所述内边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述内边缘的瑕疵检测结果；以及，将所述外边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述外边缘的瑕疵检测结果；
基于所述内边缘的瑕疵检测结果、以及所述外边缘的瑕疵检测结果，确定所述待检测环形器件的质量检测结果。
结合第二方面，本申请实施例提供了第二方面的第六种可能的实施方式，其中，所述装置还包括训练模块，所述训练模块，用于按照以下训练过程对所述瑕疵检测模块进行训练：
获取至少一个样本环形器件图像，以及每一个样本环形器件图像的标签，其中，所述标签用于表示所述样本环形器件是否存在瑕疵；
针对每一个所述样本环形器件图像，执行如下操作，直至得到所有所述样本环形器件的样本特征向量：
确定所述样本环形器件图像中所述样本环形器件的中心，并确定所述样本环形器件的边缘上的每个样本目标位置点到所述中心的距离；
将所述样本环形器件的边缘上的每个目标位置点到所述中心的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的样本频谱数据集合，并基于所述样本频谱数据集合确定所述样本环形器件的样本特征向量；
将所有样本环形器件图像的样本特征向量依次输入至瑕疵检测模型中，得到每一个样本环形器件图像的识别结果；
基于所述每一个样本环形器件图像的识别结果以及所述每一个样本环形器件图像的标签，训练所述瑕疵检测模型。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤。
本申请实施例提供的环形器件的质量检测方法及装置，通过在待检测环形器件上选取目标位置点，并将各个目标位置点与待检测环形器件的中心点的距离经过离散傅里叶变换转换为频谱数据，再基于频谱数据得到能表征待检测环形器件边缘轮廓特征的特征向量，最后基于瑕疵检测模型和特征向量，实现对待检测器件的质量检测。通过这种方法，可以将待检测器件中目标位置点与中心点之间的距离特征转换为频谱特征，然后利用瑕疵检测模型实现对频谱特征的检测，提高了检测的效率和准确率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，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的附图。
图1示出了本申请实施例所提供的一种环形器件的质量检测方法的流程示意图；
图2示出了本申请实施例所提供的目标位置点确定方法示意图；
图3示出了本申请实施例所提供的一种瑕疵检测模型的训练方法的流程示意图；
图4示出了本申请实施例所提供的一种环形器件的质量检测装置的架构示意图；
图5示出了本申请实施例所提供的一种电子设备500的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种环形器件的质量检测方法进行详细介绍。
实施例一
参照图1所示，为本申请实施例所提供的一种环形器件的质量检测方法的流程示意图，包括以下几个步骤：
步骤101、获取待检测环形器件的图像。
在获取待检测环形器件的图像时，可以获取待检测环形器件的彩色图像，然后将待检测环形器件的彩色图像转换为灰度图像；或者直接通过灰度摄像机，拍摄待采集环形器件的灰度图像。
为了避免背景区域对于确定待检测环形器件的中心点的影响，在另外一种可能的实施方式中，还可以将获取的待检测环形器件的彩色图像转换为二值图像，示例性的，可以将图像中待检测环形器件的区域部分的灰度值设置为0，将图像中除待检测环形器件的其余区域部分的灰度值设置为255。
在另外一种可能的实施方式中，在获取待检测环形器件的图像之后，还可以从待检测环形器件的图像中，提取待检测环形器件的感兴趣区域图像，然后针对提取的感兴趣区域图像，执行步骤101之后的步骤。
步骤102、从图像中确定待检测环形器件的中心点，并确定待检测环形器件的边缘上的多个目标位置点分别与中心点的距离。
不同形状的待检测环形器件的中心点的位置不同，示例性的，圆形的待检测环形器件的中心点为其圆心，矩形的待检测环形器件的中心点为其对角线的交点。
具体实施中，在确定待检测环形器件的边缘上的目标位置点时，可以以待检测器件的中心点为起点，确定多条射线，多条射线将以中心点为圆心的圆均分，示例性的参照图2所示，图2中，画斜线部分为待检测环形器件，以待检测器件的对角线的交点为中心点，做多条射线，图2中的圆为以中心点为圆心，其半径可以为任意值。
需要说明的是，各个位置点与中心点的距离与位置点是一一对应的。
步骤103、将各个目标位置点分别与中心点之间的距离进行离散傅里叶变换，得到用于表征距离变化情况的频谱数据集合，并基于频谱数据集合得到能够表征待检测环形器件边缘轮廓特征的特征向量。
其中，在将各个目标位置点分别与中心点之间的距离进行离散傅里叶变换之后，所得到的频谱数据集合中的频谱数据个数与目标位置点个数是相同的。
具体的，可以参照以下公式：
其中，X(k)表示k倍基频时的频谱数据，k为0～N-1之中的任一数值，N表示目标位置点的个数，x(n)标识第n个目标位置点与中心点之间的距离。
在一种可能的实施方式中，在得到频谱数据集合之后，可以将频谱数据集合中所有的频谱数据均确定为待检测环形器件的特征向量的元素。
在具体实施中，考虑到高频的频谱数据包含的噪声影响较大，因此，在另外一种可能的实施方式中，还可以将频谱数据集合中前M个频谱数据确定为待检测环形器件的特征向量的元素，M为频谱数据的数量与预设比例的乘积。
示例性的，若频谱数据集合中所包含的频谱数据的数量为1024个，预设比例为
则可以将前
个频谱数据作为待检测环形器件的特征向量的元素。
本申请另外一示例中，在确定各个目标位置点与中心点之间的距离之后，还可以基于各个目标位置点与中心点之间的距离构建距离特征向量，例如可以将各个目标位置点与中心点之间的距离作为距离特征向量的元素，然后将距离特征向量进行离散傅里叶变换得到待检测环形器件的特征向量。
步骤104、将特征向量输入至预先训练好的瑕疵检测模型中，得到待检测环形器件的质量检测结果。
其中，待检测环形器件的质量检测结果包括具有瑕疵和没有瑕疵中的一种。
考虑到待检测环形器件中可能包括内边缘和外边缘两个边缘，在进行瑕疵检测时，需同时保证内外边缘均不包含瑕疵。因此，在选取目标位置点时，可以同时在内边缘上选取第一目标位置点，在外边缘上选取第二目标位置点，然后基于各个第一目标位置点到待检测环形器件的中心点的距离实现对待检测环形器件的内边缘的瑕疵检测，基于各个第二目标位置点到待检测环形器件的中心点的距离实现对待检测环形器件的外边缘的瑕疵检测。
具体实施中，在将内边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到内边缘的瑕疵检测结果；以及将外边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到外边缘的瑕疵检测结果；然后基于内边缘的瑕疵检测结果、以及外边缘的瑕疵检测结果，确定待检测环形器件的质量检测结果。
其中，在基于内边缘的瑕疵检测结果、以及外边缘的瑕疵检测结果，确定待检测环形器件的质量检测结果时，若内边缘的瑕疵检测结果、以及外边缘的瑕疵检测结果中任一检测结果为具有瑕疵，则待检测环形器件的质量检测结果为具有瑕疵。
另外，本申请实施例还提供了一种瑕疵检测模型的训练方法，参见图3所示，为本申请实施例所提供的一种瑕疵检测模型的训练方法的流程示意图，包括以下几个步骤：
步骤301、获取至少一个样本环形器件图像，以及每一个样本环形器件图像的标签。
其中，样本环形器件图像的标签用于表示样本环形器件是否存在瑕疵。
步骤302、确定样本环形器件图像中样本环形器件的中心，并确定样本环形器件的边缘上的每个样本目标位置点到中心的距离。
步骤303、将样本环形器件的边缘上的每个目标位置点到中心的距离进行离散傅里叶变换，得到用于表征距离变化情况的样本频谱数据集合，并基于样本频谱数据集合确定样本环形器件的样本特征向量。
重复执行步骤302～步骤303，直至确定所有样本环形器件的样本特征向量。
步骤304、将所有样本环形器件图像的样本特征向量依次输入至瑕疵检测模型中，得到每一个样本环形器件图像的识别结果。
步骤305、基于每一个样本环形器件图像的识别结果以及每一个样本环形器件图像的标签，训练瑕疵检测模型。
具体的，可以判断样本环形器件图像的识别结果和样本环形器件图像的标签是否一致，并基于判断结果确定本次训练过程中的准确率，当准确率不满足预设准确率时，调整本次训练过程中的瑕疵检测模型的模型参数，并重新执行上述步骤。
在另外一种可能的实施方式中，样本目标位置点的数量、以及样本特征向量中所包含的元素的个数也会影响瑕疵检测模型的准确率，因此，在对瑕疵检测模型训练过程中，除调整瑕疵检测模型的模型参数外，还可以调整样本目标位置点的数量、以及样本特征向量中所包含的元素的个数。
本申请实施例提供的环形器件的质量检测方法，通过在待检测环形器件上选取目标位置点，并将各个目标位置点与待检测环形器件的中心点的距离经过离散傅里叶变换转换为频谱数据，再基于频谱数据得到能表征待检测环形器件边缘轮廓特征的特征向量，最后基于瑕疵检测模型和特征向量，实现对待检测器件的质量检测。通过这种方法，可以将待检测器件中目标位置点与中心点之间的距离特征转换为频谱特征，然后利用瑕疵检测模型实现对频谱特征的检测，提高了检测的效率和准确率。
实施例二
本实施例还提供了一种环形器件的质量检测装置，参见图4所示，为本申请实施例所提供的一种环形器件的质量检测装置的架构示意图，包括获取模块401、确定模块402、交换模块403、以及检测模块404，具体的：
获取模块401，用于获取待检测环形器件的图像；
确定模块402，用于从所述图像中确定所述待检测环形器件的中心点，并确定所述待检测环形器件的边缘上的多个目标位置点分别与所述中心点的距离；
变换模块403，用于将各个所述目标位置点分别与所述中心点之间的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的频谱数据集合，并基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量；
检测模块404，用于将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的质量检测结果，其中，所述检测结果包括具有瑕疵和没有瑕疵中的一种。
一种可能的实施方式中，所述获取模块401，在获取待检测环形器件的图像时，具体用于：
获取所述待检测环形器件的彩色图像；
将所述彩色图像转换为灰度图像。
一种可能的实施方式中，所述获取模块401，还用于在获取待检测环形器件的图像之后，从所述待检测环形器件的图像中，提取包括所述待检测环形器件的感兴趣区域图像。
一种可能的实施方式中，所述待检测环形器件的边缘包括内边缘和外边缘。
一种可能的实施方式中，所述确定模块402，在确定所述待检测环形器件的边缘上的目标位置点时，具体用于：
以所述中心点为起点确定多条射线；多条所述射线将以所述中心点为圆心的圆均分；
将每一条射线与所述边缘的交点确定为所述目标位置点。
一种可能的实施方式中，所述变换模块403，所述频谱数据集合中所包含的频谱数据的个数与所述目标位置点的个数相同；
所述变换模块，在基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量时，具体用于：
将所述频谱数据集合中所有频谱数据均确定为所述待检测环形器件的特征向量的元素；或，
将所述频谱数据集合中前M个频谱数据确定为所述待检测环形器件的特征向量的元素，M为所述频谱数据的数量与预设比例的乘积。
一种可能的实施方式中，所述检测模块404，在将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的检测结果时，具体用于：
将所述内边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述内边缘的瑕疵检测结果；以及，将所述外边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述外边缘的瑕疵检测结果；
基于所述内边缘的瑕疵检测结果、以及所述外边缘的瑕疵检测结果，确定所述待检测环形器件的质量检测结果。
一种可能的实施方式中，所述装置还包括训练模块405，所述训练模块405，用于按照以下训练过程对所述瑕疵检测模块进行训练：
获取至少一个样本环形器件图像，以及每一个样本环形器件图像的标签，其中，所述标签用于表示所述样本环形器件是否存在瑕疵；
针对每一个所述样本环形器件图像，执行如下操作，直至得到所有所述样本环形器件的样本特征向量：
确定所述样本环形器件图像中所述样本环形器件的中心，并确定所述样本环形器件的边缘上的每个样本目标位置点到所述中心的距离；
将所述样本环形器件的边缘上的每个目标位置点到所述中心的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的样本频谱数据集合，并基于所述样本频谱数据集合确定所述样本环形器件的样本特征向量；
将所有样本环形器件图像的样本特征向量依次输入至瑕疵检测模型中，得到每一个样本环形器件图像的识别结果；
基于所述每一个样本环形器件图像的识别结果以及所述每一个样本环形器件图像的标签，训练所述瑕疵检测模型。
本申请实施例提供的环形器件的质量检测装置，通过在待检测环形器件上选取目标位置点，并将各个目标位置点与待检测环形器件的中心点的距离经过离散傅里叶变换转换为频谱数据，再基于频谱数据得到能表征待检测环形器件边缘轮廓特征的特征向量，最后基于瑕疵检测模型和特征向量，实现对待检测器件的质量检测。通过这种装置，可以将待检测器件中目标位置点与中心点之间的距离特征转换为频谱特征，然后利用瑕疵检测模型实现对频谱特征的检测，提高了检测的效率和准确率。
实施例三
基于同一技术构思，本申请实施例还提供了一种电子设备。参照图5所示，为本申请实施例提供的电子设备500的结构示意图，包括处理器501、存储器502、和总线503。其中，存储器502用于存储执行指令，包括内存5021和外部存储器5022；这里的内存5021也称内存储器，用于暂时存放处理器501中的运算数据，以及与硬盘等外部存储器5022交换的数据，处理器501通过内存5021与外部存储器5022进行数据交换，当电子设备500运行时，处理器501与存储器502之间通过总线503通信，使得处理器501在执行以下指令：
获取待检测环形器件的图像；
从所述图像中确定所述待检测环形器件的中心点，并确定所述待检测环形器件的边缘上的多个目标位置点分别与所述中心点的距离；
将各个所述目标位置点分别与所述中心点之间的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的频谱数据集合，并基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量；
将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的质量检测结果，其中，所述检测结果包括具有瑕疵和没有瑕疵中的一种。
一种可能的设计中，处理器501执行的指令中，所述获取待检测环形器件的图像，包括：
获取所述待检测环形器件的彩色图像；
将所述彩色图像转换为灰度图像。
一种可能的设计中，处理器501执行的指令中，在获取待检测环形器件的图像之后，还包括：
从所述待检测环形器件的图像中，提取包括所述待检测环形器件的感兴趣区域图像。
一种可能的设计中，处理器501执行的指令中，所述待检测环形器件的边缘包括内边缘和外边缘。
一种可能的设计中，处理器501执行的指令中，按照以下方式确定所述待检测环形器件的边缘上的目标位置点：
以所述中心点为起点确定多条射线；多条所述射线将以所述中心点为圆心的圆均分；
将每一条射线与所述边缘的交点确定为所述目标位置点。
一种可能的设计中，处理器501执行的指令中，所述频谱数据集合中所包含的频谱数据的个数与所述目标位置点的个数相同；
所述基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量，包括：
将所述频谱数据集合中所有频谱数据均确定为所述待检测环形器件的特征向量的元素；或，
将所述频谱数据集合中前M个频谱数据确定为所述待检测环形器件的特征向量的元素，M为所述频谱数据的数量与预设比例的乘积。
一种可能的设计中，处理器501执行的指令中，所述将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的检测结果，包括：
将所述内边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述内边缘的瑕疵检测结果；以及，将所述外边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述外边缘的瑕疵检测结果；
基于所述内边缘的瑕疵检测结果、以及所述外边缘的瑕疵检测结果，确定所述待检测环形器件的质量检测结果。
一种可能的设计中，处理器501执行的指令中，所述瑕疵检测模型的训练过程包括：
获取至少一个样本环形器件图像，以及每一个样本环形器件图像的标签，其中，所述标签用于表示所述样本环形器件是否存在瑕疵；
针对每一个所述样本环形器件图像，执行如下操作，直至得到所有所述样本环形器件的样本特征向量：
确定所述样本环形器件图像中所述样本环形器件的中心，并确定所述样本环形器件的边缘上的每个样本目标位置点到所述中心的距离；
将所述样本环形器件的边缘上的每个目标位置点到所述中心的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的样本频谱数据集合，并基于所述样本频谱数据集合确定所述样本环形器件的样本特征向量；
将所有样本环形器件图像的样本特征向量依次输入至瑕疵检测模型中，得到每一个样本环形器件图像的识别结果；
基于所述每一个样本环形器件图像的识别结果以及所述每一个样本环形器件图像的标签，训练所述瑕疵检测模型。
实施例四
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一实施例中所述的环形器件的质量检测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述环形器件的质量检测方法的步骤，从而提高环形器件质量检测的效率和准确率。
本申请实施例所提供的进行环形器件的质量检测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (18)
1.一种环形器件的质量检测方法，其特征在于，包括：
获取待检测环形器件的图像；
从所述图像中确定所述待检测环形器件的中心点，并确定所述待检测环形器件的边缘上的多个目标位置点分别与所述中心点的距离；
将各个所述目标位置点分别与所述中心点之间的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的频谱数据集合，并基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量；
将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的质量检测结果，其中，所述检测结果包括具有瑕疵和没有瑕疵中的一种。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测环形器件的图像，包括：
获取所述待检测环形器件的彩色图像；
将所述彩色图像转换为灰度图像。
3.根据权利要求1所述的方法，其特征在于，在获取待检测环形器件的图像之后，所述方法还包括：
从所述待检测环形器件的图像中，提取包括所述待检测环形器件的感兴趣区域图像。
4.根据权利要求1所述的方法，其特征在于，所述待检测环形器件的边缘包括内边缘和外边缘。
5.根据权利要求1所述的方法，其特征在于，按照以下方式确定所述待检测环形器件的边缘上的目标位置点：
以所述中心点为起点确定多条射线；多条所述射线将以所述中心点为圆心的圆均分；
将每一条射线与所述边缘的交点确定为所述目标位置点。
6.根据权利要求1所述的方法，其特征在于，所述频谱数据集合中所包含的频谱数据的个数与所述目标位置点的个数相同；
所述基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量，包括：
将所述频谱数据集合中所有频谱数据均确定为所述待检测环形器件的特征向量的元素；或，
将所述频谱数据集合中前M个频谱数据确定为所述待检测环形器件的特征向量的元素，M为所述频谱数据的数量与预设比例的乘积。
7.根据权利要求4所述的方法，其特征在于，所述将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的检测结果，包括：
将所述内边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述内边缘的瑕疵检测结果；以及，将所述外边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述外边缘的瑕疵检测结果；
基于所述内边缘的瑕疵检测结果、以及所述外边缘的瑕疵检测结果，确定所述待检测环形器件的质量检测结果。
8.根据权利要求1所述的方法，其特征在于，所述瑕疵检测模型的训练过程包括：
获取至少一个样本环形器件图像，以及每一个样本环形器件图像的标签，其中，所述标签用于表示所述样本环形器件是否存在瑕疵；
针对每一个所述样本环形器件图像，执行如下操作，直至得到所有所述样本环形器件的样本特征向量：
确定所述样本环形器件图像中所述样本环形器件的中心，并确定所述样本环形器件的边缘上的每个样本目标位置点到所述中心的距离；
将所述样本环形器件的边缘上的每个目标位置点到所述中心的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的样本频谱数据集合，并基于所述样本频谱数据集合确定所述样本环形器件的样本特征向量；
将所有样本环形器件图像的样本特征向量依次输入至瑕疵检测模型中，得到每一个样本环形器件图像的识别结果；
基于所述每一个样本环形器件图像的识别结果以及所述每一个样本环形器件图像的标签，训练所述瑕疵检测模型。
9.一种环形器件的质量检测装置，其特征在于，包括：
获取模块，用于获取待检测环形器件的图像；
确定模块，用于从所述图像中确定所述待检测环形器件的中心点，并确定所述待检测环形器件的边缘上的多个目标位置点分别与所述中心点的距离；
变换模块，用于将各个所述目标位置点分别与所述中心点之间的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的频谱数据集合，并基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量；
检测模块，用于将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的质量检测结果，其中，所述检测结果包括具有瑕疵和没有瑕疵中的一种。
10.根据权利要求9所述的装置，其特征在于，所述获取模块，在获取待检测环形器件的图像时，具体用于：
获取所述待检测环形器件的彩色图像；
将所述彩色图像转换为灰度图像。
11.根据权利要求9所述的装置，其特征在于，所述获取模块，还用于在获取待检测环形器件的图像之后，从所述待检测环形器件的图像中，提取包括所述待检测环形器件的感兴趣区域图像。
12.根据权利要求9所述的装置，其特征在于，所述待检测环形器件的边缘包括内边缘和外边缘。
13.根据权利要求9所述的装置，其特征在于，所述确定模块，在确定所述待检测环形器件的边缘上的目标位置点时，具体用于：
以所述中心点为起点确定多条射线；多条所述射线将以所述中心点为圆心的圆均分；
将每一条射线与所述边缘的交点确定为所述目标位置点。
14.根据权利要求9所述的装置，其特征在于，所述频谱数据集合中所包含的频谱数据的个数与所述目标位置点的个数相同；
所述变换模块，在基于所述频谱数据集合得到能够表征所述待检测环形器件边缘轮廓特征的特征向量时，具体用于：
将所述频谱数据集合中所有频谱数据均确定为所述待检测环形器件的特征向量的元素；或，
将所述频谱数据集合中前M个频谱数据确定为所述待检测环形器件的特征向量的元素，M为所述频谱数据的数量与预设比例的乘积。
15.根据权利要求12所述的装置，其特征在于，所述检测模块，在将所述特征向量输入至预先训练好的瑕疵检测模型中，得到所述待检测环形器件的检测结果时，具体用于：
将所述内边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述内边缘的瑕疵检测结果；以及，将所述外边缘对应的特征向量输入至预先训练好的瑕疵检测模型中，得到所述外边缘的瑕疵检测结果；
基于所述内边缘的瑕疵检测结果、以及所述外边缘的瑕疵检测结果，确定所述待检测环形器件的质量检测结果。
16.根据权利要求9所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块，用于按照以下训练过程对所述瑕疵检测模块进行训练：
获取至少一个样本环形器件图像，以及每一个样本环形器件图像的标签，其中，所述标签用于表示所述样本环形器件是否存在瑕疵；
针对每一个所述样本环形器件图像，执行如下操作，直至得到所有所述样本环形器件的样本特征向量：
确定所述样本环形器件图像中所述样本环形器件的中心，并确定所述样本环形器件的边缘上的每个样本目标位置点到所述中心的距离；
将所述样本环形器件的边缘上的每个目标位置点到所述中心的距离进行离散傅里叶变换，得到用于表征所述距离变化情况的样本频谱数据集合，并基于所述样本频谱数据集合确定所述样本环形器件的样本特征向量；
将所有样本环形器件图像的样本特征向量依次输入至瑕疵检测模型中，得到每一个样本环形器件图像的识别结果；
基于所述每一个样本环形器件图像的识别结果以及所述每一个样本环形器件图像的标签，训练所述瑕疵检测模型。
17.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一所述的环形器件的质量检测方法的步骤。
18.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至8任一所述的环形器件的质量检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910792187.6A CN112435210B (zh) | 2019-08-26 | 2019-08-26 | 一种环形器件的质量检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910792187.6A CN112435210B (zh) | 2019-08-26 | 2019-08-26 | 一种环形器件的质量检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112435210A true CN112435210A (zh) | 2021-03-02 |
| CN112435210B CN112435210B (zh) | 2024-03-01 |
Family
ID=74690191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910792187.6A Active CN112435210B (zh) | 2019-08-26 | 2019-08-26 | 一种环形器件的质量检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112435210B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379744A (zh) * | 2021-08-12 | 2021-09-10 | 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009116686A (ja) * | 2007-11-07 | 2009-05-28 | Nippon Telegr & Teleph Corp <Ntt> | 撮像対象検出装置および方法 |
| US20110026823A1 (en) * | 2009-07-31 | 2011-02-03 | Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. | System and method for detecting blemishes in an image captured by an electronic device |
| CN103090804A (zh) * | 2013-01-15 | 2013-05-08 | 中国计量学院 | 成品磁环图像自动检测系统及检测方法 |
| CN107025653A (zh) * | 2017-06-17 | 2017-08-08 | 丹凤县荣毅电子有限公司 | 一种基于机器视觉的磁环检测方法 |
| CN109615604A (zh) * | 2018-10-30 | 2019-04-12 | 中国科学院自动化研究所 | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 |
| CN109635832A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技（北京）有限公司 | 一种基于云平台的目标识别方法及系统 |
| CN109815800A (zh) * | 2018-12-17 | 2019-05-28 | 广东电网有限责任公司 | 基于回归算法的目标检测方法及系统 |
-
2019
- 2019-08-26 CN CN201910792187.6A patent/CN112435210B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009116686A (ja) * | 2007-11-07 | 2009-05-28 | Nippon Telegr & Teleph Corp <Ntt> | 撮像対象検出装置および方法 |
| US20110026823A1 (en) * | 2009-07-31 | 2011-02-03 | Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. | System and method for detecting blemishes in an image captured by an electronic device |
| CN103090804A (zh) * | 2013-01-15 | 2013-05-08 | 中国计量学院 | 成品磁环图像自动检测系统及检测方法 |
| CN107025653A (zh) * | 2017-06-17 | 2017-08-08 | 丹凤县荣毅电子有限公司 | 一种基于机器视觉的磁环检测方法 |
| CN109615604A (zh) * | 2018-10-30 | 2019-04-12 | 中国科学院自动化研究所 | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 |
| CN109635832A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技（北京）有限公司 | 一种基于云平台的目标识别方法及系统 |
| CN109815800A (zh) * | 2018-12-17 | 2019-05-28 | 广东电网有限责任公司 | 基于回归算法的目标检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 朱铮涛;李波锋;何修远;: "基于机器视觉的圆环电阻片缺陷检测算法研究", 组合机床与自动化加工技术, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379744A (zh) * | 2021-08-12 | 2021-09-10 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112435210B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340787B (zh) | 输电线路的导线缺陷检测识别方法、装置及计算机设备 | |
| CN112508846B (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| WO2022151658A1 (zh) | 一种缺陷检测方法、装置、计算机设备及计算机可读存储介质 | |
| CN114627092A (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN111311576B (zh) | 基于点云信息的缺陷检测方法 | |
| TW201606854A (zh) | 用於晶粒對資料庫光罩檢查之自動校準樣本選擇 | |
| CN108288274B (zh) | 模具检测方法、装置以及电子设备 | |
| CN114078109A (zh) | 图像处理方法、电子装置和存储介质 | |
| CN117589109B (zh) | 石英中心托盘制作工艺的质量检测与控制方法 | |
| CN112435210A (zh) | 一种环形器件的质量检测方法及装置 | |
| CN108428247B (zh) | 焊锡点方向的检测方法和系统 | |
| JP2005259830A (ja) | 半導体デバイスのパターン形状評価方法及びその装置 | |
| CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
| CN114862740A (zh) | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 | |
| CN111760292A (zh) | 采样数据的检测方法、装置及电子设备 | |
| CN112529829B (zh) | 一种毛刺定位、毛刺检测模型的训练方法及装置 | |
| CN115272229A (zh) | 一种类别不平衡条件下的异常视觉图像检测方法及装置 | |
| KR101109351B1 (ko) | 가보 필터를 이용한 금속 패드의 상태 검사 방법 | |
| CN115222699A (zh) | 缺陷检测方法和缺陷检测装置及系统 | |
| CN115523861A (zh) | 阻尼器检测方法、装置及设备 | |
| CN111581407B (zh) | 一种构建全球地理定位参考影像数据库的方法、装置及介质 | |
| US20180137270A1 (en) | Method and apparatus for non-intrusive program tracing for embedded computing systems | |
| CN115860316B (zh) | 确定产品的检验要求、标识产品的方法、设备及存储介质 | |
| CN110197189A (zh) | 一种引信装配正确性检测方法和设备 | |
| CN108763063A (zh) | 一种无需缺陷标注数据的软件缺陷检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |