CN112489021A - 一种大容量塑料桶表面缺陷的视觉检测方法 - Google Patents
一种大容量塑料桶表面缺陷的视觉检测方法 Download PDFInfo
- Publication number
- CN112489021A CN112489021A CN202011384899.3A CN202011384899A CN112489021A CN 112489021 A CN112489021 A CN 112489021A CN 202011384899 A CN202011384899 A CN 202011384899A CN 112489021 A CN112489021 A CN 112489021A
- Authority
- CN
- China
- Prior art keywords
- plastic barrel
- area
- visual inspection
- fixed
- workpiece
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000011179 visual inspection Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 230000018109 developmental process Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000000071 blow moulding Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004806 packaging method and process 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及视觉检测技术领域，公开了一种大容量塑料桶表面缺陷的视觉检测方法，将大容量塑料桶移动至工业相机和定焦镜头的下方进行图像采集，对工业线扫相机、定焦镜头和条形光源的相互配合进行了高效优化即相关参数的选择和相互之间的位置布置，使其可拍摄出高质量的塑料桶桶身图像，设置固定检测框，仅对固定检测框内的塑料桶桶身图像部分进行检测有效提升针对塑料桶检测的准确性，配合优化的划痕缺陷检测算法和油污缺陷检测算法，高效的实现缺陷检测识别效果，从硬件到软件以及硬件和软件之间的配合均进行了创新性的优化，达到高质量检测识别缺陷的同时很好的控制使用成本。
Description
技术领域
本发明涉及视觉检测技术领域，尤其涉及了一种大容量塑料桶表面缺陷的视觉检测方法。
背景技术
在工业自动化过程中，机器取代人力来完成生产制造中的各项任务已成为一种发展趋势。机器视觉检测的特点是提高生产的柔性和自动化程度。机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；从而对产品表面的缺陷进行检测。用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。
吹塑制品在日用品、药品、饮料等包装中的应用广泛。目前这些产品除了要保证安装顺利外，对其外观的要求也越来越高。针对于大容量塑料桶来说，在吹塑完成时，塑料温度过高且表面较软，机械手夹取时容易对其桶身造成擦伤。在吹塑过程中，原材料中难免会混入些许杂质，如若恰好成型在外部，也会导致产品的不合格。又由于是吹塑制品，因此不可避免的在合模处因为余料而产生飞边，因此飞边的大小也是衡量其是否满足要求的重要因素。由于塑料桶较大并且比较笨重，在大批量吹塑生产过程中，运用传统的人工检测缺陷，工作量大的同时效率低且漏检率高。
发明内容
为了克服现有技术不足，本发明提供了一种大容量塑料桶表面缺陷的视觉检测方法，步骤简易，配合特定参数和特定的拍摄装置布局达到高质量图像采集效果以及高准确性的分析判断结果的大容量塑料桶表面缺陷的视觉检测方法。
本发明通过如下技术方案实现：本发明提出了一种大容量塑料桶表面缺陷的视觉检测方法，包括如下步骤，
步骤A：对工件表面进行图像采集；
步骤B：设置划痕缺陷算法的固定检测框，对采集的塑料桶表面图像中位于固定检测框内的图像部分进行划痕缺陷算法运算，该划痕缺陷算法的具体步骤如下，
步骤B1：对于固定检测框内的部分塑料桶表面图像进行两次图像的均值滤波；
步骤B2：对异常区域与非异常区域进行阈值分割，得到显色明显的异常区域；
步骤B3：对得到的异常区域进行闭运算和连通域分割，封闭区域内小于半径的圆形规整元素的孔洞，其后进行连通域分割；
步骤B4：计算显色明显的异常区域的面积数值；
步骤B5：判断该面积数值是否在缺陷面积的数值公差范围内，若在则该工件存在缺陷，若不在则该工件不存在缺陷；
步骤C：设置油污缺陷算法的固定检测框，对采集的塑料桶表面图像中位于固定检测框内的图像部分进行油污缺陷算法运算，该油污缺陷算法的具体步骤如下，
步骤C1：对于固定检测框内的部分塑料桶表面图像进行颜色通道分离，分为R，G，B三个颜色通道；
步骤C2：对异常区域与非异常区域进行颜色阈值筛选；
步骤C3：对筛选到的颜色阈值取区域交集；
步骤C4：对取到的交集进行闭运算和连通域分割；
步骤C5：计算显色明显的异常区域的面积数值
步骤D：将判断结果输出。
优选的，所述步骤A中，对工件表面进行图像采集时使用4k至8k的工业相机搭配35至50毫米的定焦镜头，该定焦镜头位于工件的正前方，定焦镜头与工件之间的垂直间隔距离为230毫米至300毫米。
优选的，所述步骤A中，对工件表面进行图像采集时使用8k的工业相机搭配50毫米的定焦镜头，该定焦镜头位于工件的正前方，定焦镜头与工件之间的直线间隔距离为300毫米。
优选的，所述步骤A中，使用两个蓝色条形光源在工件的两侧正前方对其进行照射，该两个蓝色条形光源的发光面与水平面之间的夹角均为36至50度，两个蓝色条形光源之间的水平间隔距离为160至230毫米，该两个蓝色条形光源与照射水平面的垂直间隔距离为78至120毫米。
优选的，所述步骤A中，使用两个蓝色条形光源在工件的两侧对其进行照射，该两个蓝色条形光源的发光面与水平面之间的夹角均为44度，两个蓝色条形光源之间的水平间隔距离为100毫米，该两个蓝色条形光源与照射水平面的垂直间隔距离为95毫米。
优选的，所述步骤B1中，进行第一次均值滤波要过滤的高度与宽度为50像素。
优选的，所述步骤B1中，在第一次滤波的基础上进行第二次均值滤波，要过滤的高度与宽度均为150像素。
优选的，所述步骤B2中，进行阈值分割的阈值数值为5至255。
优选的，所述步骤B3中，进行闭运算时圆形结构元素半径取80像素。
优选的，所述步骤B4中，计算显色明显的异常区域的面积数值的公式如下：像素点精度＊像素点精度＊像素点个数＝面积数值。
优选的，所述步骤B5中，缺陷面积的数值公差最小值为150像素。
优选的，所述步骤C2中，进行颜色阈值筛选时的数值为10至35的灰度值范围。
优选的，所述步骤C4中，进行闭运算和连通域分割时圆形结构元素半径取60。
优选的，所述步骤C5中，缺陷面积的数值公差最小值为150像素。
本发明相对于现有技术，具有以下有益效果：
提供了一种大容量塑料桶桶身缺陷的视觉检测方法，在实际应用过程中，大容量塑料桶移动至工业相机和定焦镜头的下方进行图像采集，对工业线扫相机、定焦镜头和条形光源的相互配合进行了高效优化即相关参数的选择和相互之间的位置布置，使其可拍摄出高质量的塑料桶桶身图像，设置固定检测框，仅对固定检测框内的塑料桶桶身图像部分进行检测有效提升针对塑料桶检测的准确性，配合优化的划痕缺陷检测算法和油污缺陷检测算法，高效的实现缺陷检测识别效果，从硬件到软件以及硬件和软件之间的配合均进行了创新性的优化，达到高质量检测识别缺陷的同时很好的控制使用成本。
附图说明
图1为本发明中划痕缺陷算法和油污缺陷算法的步骤原理框图；
图2为本发明中工业相机、定焦镜头、条形光源和工件的位置关系示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
并且，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参阅图1-2，一种大容量塑料桶桶身缺陷的视觉检测方法，包括如下步骤，
步骤A:对工件4表面进行图像采集，对工件4表面进行图像采集时使用8k的工业相机1搭配50毫米的定焦镜头2,该定焦镜头2位于工件4的正前方，定焦镜头2与工件4之间的直线间隔距离为300毫米，使用两个蓝色条形光源3在工件4的两侧正前方对其进行照射，该两个蓝色条形光源3的发光面与水平面之间的夹角均为44度，两个蓝色条形光源3之间的水平间隔距离为100毫米，该两个蓝色条形光源3与工件4之间的垂直间隔距离为95毫米；
步骤B: 设置划痕缺陷算法的固定检测框，对采集的塑料桶表面图像中位于固定检测框内的图像部分进行划痕缺陷算法运算，该划痕缺陷算法的具体步骤如下：
步骤Bl:对于固定检测框内的部分塑料桶桶身4进行两次图像的均值滤波，第一次过滤的高度与宽度为50像素，第二次为150像素；
步骤B2对异常区域与非异常区域进行阈值分割，得到显色明显的异常区域，其数值为5至255；
步骤B3:对得到的异常区域进行闭运算和连通域分割，封闭区域内小于80的圆形规整元素的孔洞，其后进行连通域分割；
步骤B4:计算显色明显的异常区域的面积数值，算显色明显的异常区域的面积数值的公式如下：像素点精度＊像素点精度＊像素点个数＝面积数值。；
步骤B5:判断该面积数值是否在缺陷面积的数值公差范围内，缺陷面积的数值公差最小值为150像素，若在则该塑料桶桶身4存在缺陷，若不在则该塑料桶桶身4不存在缺陷；
步骤C: 设置油污缺陷算法的固定检测框，对采集的塑料桶表面图像中位于固定检测框内的图像部分进行油污缺陷算法运算，该油污缺陷算法的具体步骤如下：
步骤C1:对于固定检测框内的部分塑料桶表面图像进行颜色通道分离，分为R，G，B三个颜色通道；
步骤C2:对异常区域与非异常区域进行颜色阈值筛选，筛选时的数值为10至35的灰度值范围；
步骤C3:对筛选到的的颜色阈值取区域交集；
步骤C4:对取到的交集进行闭运算和连通域分割，其圆形结构元素半径取60；
步骤C5: 判断该面积数值是否在缺陷面积的数值公差范围内，缺陷面积的数值公差最小值为150像素，若在则该塑料桶桶身4存在缺陷，若不在则该塑料桶桶身4不存在缺陷。
步骤D:将判断结果输出。
本实施例的大容量塑料桶桶身缺陷的视觉检测方法，在实际应用过程中，大容量塑料桶4移动至工业相机1和定焦镜头2的下方进行图像采集，对工业线扫相机1、定焦镜头2和条形光源的相互配合进行了高效优化即相关参数的选择和相互之间的位置布置，使其可拍摄出高质量的大容量塑料桶4表面图像，设置固定检测框，仅对固定检测框内的塑料桶桶身图像部分进行检测有效提升针对线材检测的准确性，配合优化的划痕缺陷检测算法和油污检测算法，高效的实新缺陷检测识别效果，从硬件到软件以及硬件和软件之间的配合均进行了创新性的优化，达到高质量检测识别缺陷的同时很好的控制使用成本。
图像采集装置的具体参数，相机选型：选用8k的工业线扫相机1,理论精度＝视野max/分辨率max
镜头选型：选用50mm的定焦镜头2；可以在视野范围内一次检测塑料桶桶身4高为895mm;
光源选型：经过使用不同种类的对工件4进行拍摄，实验结果表明，由于塑料桶桶身高度吃光，常规的白色光源不能提供良好的照明效果，而使用蓝色条形光源对工件4进行拍摄，所呈现的轮廓、形状、大小等效果更佳。并且可以将塑料桶桶身4表面的划痕、油污很好的照射出来，使其与合格品成像为蓝色形成鲜明的对比度，利于软件的处理和分析。
最小划痕和油污面积公式＝像素点精度＊像素点精度＊像素个数，该公式中的像素精度为上述相机选型中的理论精度即0.00704mm/pixel,设置划痕、油污面积公差范围为：158.4mm2＜划痕面积
使用条件算法对划痕和油污面积进行条件限制，此样品精度范围为±5mm；
最终将软件处理结果通过界面数值显示出来。
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或基本特征的情况下，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。
Claims (6)
1.一种大容量塑料桶表面缺陷的视觉检测方法，其特征在于：包括如下步骤：
步骤A：对工件表面进行图像采集；
步骤B：设置划痕缺陷算法的固定检测框，对采集的塑料桶表面图像中位于固定检测框内的图像部分进行划痕缺陷算法运算；
步骤C：设置油污缺陷算法的固定检测框，对采集的塑料桶表面图像中位于固定检测框内的图像部分进行油污缺陷算法运算；
步骤D：将判断结果输出。
2.根据权利要求1所述一种大容量塑料桶表面缺陷的视觉检测方法，其特征在于：所述步骤B痕缺陷算法还包括如下具体步骤：
步骤B1：对于固定检测框内的部分塑料桶表面图像进行两次图像的均值滤波；
步骤B2：对异常区域与非异常区域进行阈值分割，得到显色明显的异常区域；
步骤B3：对得到的异常区域进行闭运算和连通域分割，封闭区域内小于半径的圆形规整元素的孔洞，其后进行连通域分割；
步骤B4：计算显色明显的异常区域的面积数值；
步骤B5：判断该面积数值是否在缺陷面积的数值公差范围内，若在则该工件存在缺陷，若不在则该工件不存在缺陷。
3.根据权利要求1所述一种大容量塑料桶表面缺陷的视觉检测方法，其特征在于：所述步骤C油污缺陷算法还包括如下具体步骤：
步骤C1：对于固定检测框内的部分塑料桶表面图像进行颜色通道分离，分为R，G，B三个颜色通道；
步骤C2：对异常区域与非异常区域进行颜色阈值筛选；
步骤C3：对筛选到的颜色阈值取区域交集；
步骤C4：对取到的交集进行闭运算和连通域分割；
步骤C5：计算显色明显的异常区域的面积数值。
4.根据权利要求1所述一种大容量塑料桶表面缺陷的视觉检测方法，其特征在于：所述步骤A中，对工件表面进行图像采集时使用4k至8k的工业相机搭配35至50毫米的定焦镜头，该定焦镜头位于工件的正前方，定焦镜头与工件之间的垂直间隔距离为230毫米至300毫米。
5.根据权利要求2所述一种大容量塑料桶表面缺陷的视觉检测方法，其特征在于：所述步骤B1中，进行第一次均值滤波要过滤的高度与宽度为50像素；在第一次滤波的基础上进行第二次均值滤波，要过滤的高度与宽度均为150像素；所述步骤B2中，进行阈值分割的阈值数值为5至255；所述步骤B3中，进行闭运算时圆形结构元素半径取80像素；所述步骤B4中，计算显色明显的异常区域的面积数值的公式如下：像素点精度＊像素点精度＊像素点个数＝面积数值；所述步骤B5中，缺陷面积的数值公差最小值为150像素。
6.根据权利要求3所述一种大容量塑料桶表面缺陷的视觉检测方法，其特征在于：所述步骤C2中，进行颜色阈值筛选时的数值为10至35的灰度值范围；所述步骤C4中，进行闭运算和连通域分割时圆形结构元素半径取60；所述步骤C5中，缺陷面积的数值公差最小值为150像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011384899.3A CN112489021A (zh) | 2020-12-01 | 2020-12-01 | 一种大容量塑料桶表面缺陷的视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011384899.3A CN112489021A (zh) | 2020-12-01 | 2020-12-01 | 一种大容量塑料桶表面缺陷的视觉检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112489021A true CN112489021A (zh) | 2021-03-12 |
Family
ID=74938567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011384899.3A Pending CN112489021A (zh) | 2020-12-01 | 2020-12-01 | 一种大容量塑料桶表面缺陷的视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112489021A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102590247A (zh) * | 2012-03-05 | 2012-07-18 | 上海海事大学 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
| CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
| CN110082356A (zh) * | 2019-04-20 | 2019-08-02 | 东莞中科蓝海智能视觉科技有限公司 | 线材表面缺陷的视觉检测方法及装置 |
| CN110108711A (zh) * | 2019-04-20 | 2019-08-09 | 东莞中科蓝海智能视觉科技有限公司 | 圆环侧壁缺陷的视觉检测系统 |
| CN111209876A (zh) * | 2020-01-10 | 2020-05-29 | 汕头大学 | 一种漏油缺陷检测方法及系统 |
-
2020
- 2020-12-01 CN CN202011384899.3A patent/CN112489021A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102590247A (zh) * | 2012-03-05 | 2012-07-18 | 上海海事大学 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
| CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
| CN110082356A (zh) * | 2019-04-20 | 2019-08-02 | 东莞中科蓝海智能视觉科技有限公司 | 线材表面缺陷的视觉检测方法及装置 |
| CN110108711A (zh) * | 2019-04-20 | 2019-08-09 | 东莞中科蓝海智能视觉科技有限公司 | 圆环侧壁缺陷的视觉检测系统 |
| CN111209876A (zh) * | 2020-01-10 | 2020-05-29 | 汕头大学 | 一种漏油缺陷检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈慧岩 等: "智能车辆理论与应用", 北京理工大学出版社, pages: 22 - 23 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107843599B (zh) | 一种基于aoi的面板检测判等方法与装置 | |
| CN110567976B (zh) | 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法 | |
| Liu et al. | Automatic detection technology of surface defects on plastic products based on machine vision | |
| Rosati et al. | Real-time defect detection on highly reflective curved surfaces | |
| CN102621156B (zh) | 基于图像处理的微小零件自动分拣系统 | |
| CN109406527B (zh) | 一种微型摄像模组镜头精细外观缺陷检测系统及方法 | |
| CN104101611A (zh) | 一种类镜面物体表面光学成像装置及其成像方法 | |
| CN110108711A (zh) | 圆环侧壁缺陷的视觉检测系统 | |
| CN105021628A (zh) | 一种用于光纤倒像器表面缺陷的检测方法 | |
| CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
| CN103630544B (zh) | 一种视觉在线检测系统 | |
| CN109932369B (zh) | 一种异形显示面板检测方法及装置 | |
| CN113592867B (zh) | 一种基于碳纤维布面残留捆绑纱的检测方法 | |
| CN104634791A (zh) | 条形工件表面缺陷全方位视觉在线检测系统 | |
| CN109916910A (zh) | 光伏玻璃边部缺陷检测系统及相应的方法 | |
| CN109827974B (zh) | 一种树脂滤光片膜裂检测设备及检测方法 | |
| CN107664644A (zh) | 一种基于机器视觉的物件表观自动检测装置及方法 | |
| WO2019244946A1 (ja) | 欠陥判別方法、欠陥判別装置、欠陥判別プログラム及び記録媒体 | |
| CN102854195B (zh) | 彩色滤光片上缺陷坐标的检测方法 | |
| CN110108724A (zh) | 条状工件视觉检测系统 | |
| CN110412055A (zh) | 一种基于多光源暗场照明的透镜白雾缺陷检测方法 | |
| CN114280075A (zh) | 一种管类零件表面缺陷在线视觉检测系统及检测方法 | |
| CN110570412B (zh) | 一种零件误差视觉判断系统 | |
| CN209858405U (zh) | 基于机器光学的pcb板缺陷检测系统装置 | |
| CN109622404B (zh) | 一种基于机器视觉的微工件自动分拣系统及方法 |
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 |