CN112581434A - 一种用于产品缺陷检测的图像识别方法 - Google Patents
一种用于产品缺陷检测的图像识别方法 Download PDFInfo
- Publication number
- CN112581434A CN112581434A CN202011429655.2A CN202011429655A CN112581434A CN 112581434 A CN112581434 A CN 112581434A CN 202011429655 A CN202011429655 A CN 202011429655A CN 112581434 A CN112581434 A CN 112581434A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- region
- product
- difference
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种用于产品缺陷检测的图像识别方法,涉及缺陷检测领域,该方法包括:采集带缺陷的该产品的图像并进行缺陷标记;将标记的缺陷与缺陷种类关联;将缺陷图像进行预处理;采用阈值分割法将缺陷区域分割出来;将分割出的图像进行卷积计算;提取图像的多维度区域特征和多维度区域特征之间的关联特征;采集待检测产品的图像;寻找疑似缺陷区域;对疑似缺陷区域进行图像处理,计算其相似度值;对比阈值与相似度,对产品缺陷进行判定。该方法优点在于:用户在对已知缺陷图像进行采集学习后,使得在后续进行缺陷检测时,无需做更多的额外操作,而能够快速准确的识别出缺陷产品,进而提高用户的产品质量和生产效率。
Description
技术领域
本发明涉及缺陷检测领域,尤其涉及一种用于产品缺陷检测的图像识别方法。
背景技术
随着国内工业自动化的发展,人们对于工业产品的要求也越来越高,尤其是对于产品外观缺陷的容忍度越来越低。目前部分中小型工厂依然还在采用人工逐件检测的方式对产品缺陷进行检测,既增加了工厂的整体运营成本,同时也因为人工的不确定性,增加了漏检的风险,造成产品质量下降的后果。对于部分已经使用了机器视觉进行自动化检测的工厂,由于传统视觉的局限性,导致在更换产品或者产线调整时需要重新编写视觉软件,从而影响了工厂的生产效率。所以针对上述问题,亟需提供一种用于产品缺陷检测的图像识别方法。
发明内容
针对产品自身存在的缺陷检测的问题,以及对机器视觉自动化检测技术的对不能识别多种产品缺陷的改进,本发明提供一种用于产品缺陷检测的图像识别方法。其特征在于,该方法包括下列步骤:
S1.采集带缺陷的该产品的图像,然后采用矩形、圆形或者任意凸多边形对该产品缺陷手动标记,再将标记的缺陷与输入缺陷种类关联;
S2.将带缺陷的该产品图像进行预处理,然后对预处理后的图像采用阈值分割法将缺陷区域分割出来,将分割出的缺陷图像进行卷积与CNN计算后再提取分割出的缺陷图像的区域特征并进行区域特征值计算,然后将区域特征关联并计算关联的特征值,并将区域特征的特征值和区域关联的特征值保存在权值文件中;
S3.采集待检测该产品的图像,提取待检测该产品的图像的区域特征,形成区域对应特征的数据表,根据所述数据表自动寻找疑似缺陷区域,对疑似缺陷区域进行图像处理计算得到特征值,并与所述权值文件中的特征值对比计算相似度;
S4.判定产品是否为缺陷产品,若相似度大于预设的阈值则为缺陷产品,否则认为是正常产品。
从步骤S1至S4中可以看出,本发明具备以下优点:用户采集缺陷图像并进行缺陷标记,标记的缺陷与输入缺陷种类关联,这样能全面记录缺陷种类,提高识别的准确率。其次,用户对已知缺陷图像进行采集并对缺陷图像进行处理以及特征提取等一系列学习后,再对待检测产品图像的缺陷识别时,无需做更多的额外操作,进而提高用户的产品质量和生产效率。
具体地,在步骤S1中,缺陷种类包括划痕、凹坑、脏污、异形、缺料。
具体地,在步骤S2中的图像进行预处理过程如下,对带缺陷的该产品图像依次进行去噪、灰度化、高斯模糊、灰度拉伸、图像增强处理。
具体地,在步骤S2中,提取分割出的缺陷图像的区域特征的计算方法如下步骤:
步骤S21:将分割出的缺陷图像整分成S×S个区域,S为32或是64,对于无法整分的图像,自动填充像素形成能整分的图像然后进行整分;
步骤S22:将窗口区域以步长为3在所述分割出的缺陷图像上进行滑动,提取每一个区域的区域特征,所述区域特征包括相邻像素灰度差、灰度直方图、SURF特征点、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征;
步骤S23:计算区域特征的特征值并保存在权值文件中。
具体地,在步骤S2中,将提取的区域特征进行关联的计算方法如下,将提取的区域特征按照窗口区域滑动顺序保存在链表中,然后计算相应的特征在随着滑动的变化曲线,根据变化曲线计算得到曲线特征,所述变化曲线的特征包括曲率和高低差,计算曲线特征的特征值保存在权值文件中。
具体地,在步骤S3中,自动寻找疑似缺陷区域的过程包括如下步骤:
步骤S31:将待检测该产品的图像整分成S×S个区域,S为32或是64,对于无法整分的图像,自动填充像素形成能整分的图像然后进行整分;
步骤S32:将窗口区域以步长为3在所述分割出的缺陷图像上进行滑动,提取每一个区域的区域特征,所述区域特征包括相邻像素灰度差、灰度直方图、SURF特征点、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征;
步骤S33:将提取的区域特征保存在区域-数据表中,所述区域-数据表包括每一个区域对应的区域特征;
步骤S34:逐一对区域-数据表中的每个区域对应的数据表进行搜索,如果该区域的区域特征包括相邻像素灰度差、灰度直方图、SURF特征点、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征全部特征时,该区域列为疑似缺陷区域,否则该区域不是疑似缺陷区域。
具体的,步骤S3中,相似度的计算方法如下,对于疑似缺陷区域对应的区域特征进行特征值计算,将特征值与步骤S2保存在权值文件中的特征值进行值差计算,再将值差乘以系数后相加,相加后的值即为相似度;所述相似度的公式为:相似度=(灰度差值差×a+灰度直方图值差×b+SURF特征值差×c+梯度方向直方图值差×d+Haar特征值差×e+LBP纹理特征值差×f+canny边缘特征值差×g+曲率值差×h+高低差值差×i)×100%,其中a、b、c、d、e、f、g、h、i为系数。
附图说明
图1是一种用于产品缺陷检测的图像识别方法的流程图;
具体实施方式
下面结合图1对本发明的技术内容作进一步详细说明。
实施例1:一种用于产品缺陷检测的图像识别方法,其包括以下步骤:
S1.为了将根据实际情况采用CCD相机采集带有缺陷的产品的图像。相机的像素为30万-2000万。图像清晰,能够呈现缺陷即可。在拍摄的产品缺陷图像中的产品缺陷位置处进行标记。采用矩形框、圆形框、自由多边形多种方式,手动框选出缺陷的区,将缺陷的种类等信息输入系统。缺陷的种类包括划痕、凹坑、脏污、异形、缺料,将缺陷的种类信息输入系统。将标记的缺陷图片与缺陷种类信息做好匹配关联。软件会有相应的界面,将缺陷标记与信息一一做对应,进行匹配。
S2.通过图像处理手段将拍摄的缺陷图像进行图像预处理。图像预处理包括对图像依次进行去噪、灰度化、高斯模糊、灰度拉伸、图像增强处理。将经过预处理后的缺陷区域图像从整体图像中分割出来。采用阈值分割的方法,在标记区域内找到相应的阈值边界,根据计算的边界将缺陷区域图像从整体图像中分割出来。然后将分割出的缺陷图像进行卷积结合CNN网络计算。提取分割出的缺陷图像的区域特征并计算特征值,首先进行图像划分,将图像整分成S×S个区域,对于无法整分的图像,自动填充像素形成能整分的图像然后进行整分,S值为32或者64,32和64通常取决于硬件的配置,32需要更大的显存支持,但相对来说,整体的运行速度会更快,耗时更少;64则对显存要求稍低,但会增加运行时间,耗时更多。其次进行特征提取与计算,将窗口区域(窗口的大小根据不同产品而定)以步长为3在分割出的缺陷图像上进行滑动,得到每一个整分区域的多维度区域特征,多维度区域特征包括相邻像素灰度差、灰度直方图、SURF特征点(含各个特征点之间位置关系等)、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征,计算特征值并将相应的特征值保存在权值文件里。计算分割出的缺陷图像的多维度区域特征之间的关联特征,将提取的区域特征按照窗口区域滑动顺序保存在链表中,然后计算相应的特征在随着滑动的变化曲线,根据变化曲线计算得到曲线特征,计算变化曲线的特征,将变化曲线的特征的特征值保存在权值文件中。例如,窗口区域化图像中滑动了10次,则可得到这10次计算结果的顺序曲线,从而得到曲线的特征,曲线特征包括曲率、高低差,将相应的特征值保存在权值文件里。
S3.采集待检测的产品图像。将图像送入系统中自动寻找疑似缺陷区域。将待检测该产品的图像整分成S×S个区域,S为32或是64,对于无法整分的图像,自动填充像素形成能整分的图像然后进行整分。然后逐一对整分区域提取区域特征,从而形成了一个区域对应特征的数据表,即区域-特征表。随后逐一对每个区域对应的数据表进行搜索,如果该区域的区域特征包括相邻像素灰度差、灰度直方图、SURF特征点、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征全部特征时,该区域列为疑似缺陷区域,否则该区域不是疑似缺陷区域。接下来对疑似区域进行相应的图像处理,计算其相似度值。对于疑似缺陷区域对应的区域特征进行特征值计算,将特征值与步骤S2保存在权值文件中的特征值进行值差计算。其中值差计算在数学上称为距离,在这里可以理解为是两个值之间的差异度。将这些值差乘以系数后相加,相加后的值即为相似度,相似度=(灰度差值差×a+灰度直方图值差×b+SURF特征值差×c+梯度方向直方图值差×d+Haar特征值差×e+LBP纹理特征值差×f+canny边缘特征值差×g+曲率值差×h+高低差值差×i)×100%,其中a、b、c、d、e、f、g、h、i为系数,系数是经验参数,针对各个产品系数各不相同。
S4.判定该产品是否带有缺陷。将步骤S3计算得到的相似度值与阈值进行比较,若相似度大于阈值则为缺陷,否则认为是正常。其中阈值为使用者自行设定,阈值越大,代表对产品缺陷检测精确度越高。
实施例2:一种用于变速箱冲压件缺陷检测的图像识别方法,其包括以下步骤:
S1.采用CCD相机采集带有缺陷的变速箱冲压件的图像,相机的像素为2000万,拍摄的图像清晰,能够呈现缺陷。在拍摄的变速箱冲压件的缺陷图像中的缺陷位置处进行标记。采用矩形框手动框选出缺陷的区域。将缺陷的种类等信息输入系统。缺陷的种类包括划痕、凹坑、脏污、异形、缺料,将缺陷的种类信息输入系统。将标记的缺陷图片与缺陷种类信息做好匹配关联,标记缺陷种类为划痕。
S2.通过图像处理手段将拍摄的变速箱冲压件缺陷图像进行图像预处理。图像预处理包括对图像依次进行去噪、灰度化、高斯模糊、灰度拉伸、图像增强处理。将经过预处理后的缺陷区域图像从整体图像中分割出来。采用阈值分割的方法,在标记区域内找到相应的阈值边界,根据计算的边界将缺陷区域图像从整体图像中分割出来。将分割出的变速箱冲压件缺陷图像进行卷积结合CNN网络计算。计算分割出的变速箱冲压件缺陷图像的多维度区域特征。将图像整分成64×64的网格,对于无法整分的区域,自动填充像素,使得所有的区域都变成64×64。然后将窗口区域以步长为3在图像上进行滑动,得到每一个整分区域的多维度区域特征,区域特征包括了相邻像素灰度差、灰度直方图、SURF特征点(含各个特征点之间位置关系等)、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征。再计算多个维度关联特征,将计算得到的各个区域的特征按照窗口区域滑动顺序保存在链表中,然后计算相应的特征随着滑动的变化曲线,得到曲率和高低差。
S3.采集待检测的变速箱冲压件图像。将图像送入系统中自动寻找疑似缺陷区域。将待检测的图像按照之前的规则分成若干块64×64的区域,对于无法整分的区域,自动填充像素,使得所有的区域都变成64×64。然后通过逐一对这些区域进行特征提取,从而形成了一个区域对应特征的数据表。如果该区域的区域特征包括相邻像素灰度差、灰度直方图、SURF特征点、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征全部特征时,该区域列为疑似缺陷区域,否则该区域不是疑似缺陷区域。对于疑似缺陷区域对应的区域特征进行特征值计算,将特征值与步骤S2保存在权值文件中的特征值进行值差计算,根据值差计算相似度。变速箱冲压件相似度=(灰度差×0.1+灰度直方图×0.1+SURF特征×0.26+梯度方向直方图×0.12+Haar特征×0.17+LBP纹理特征×0.12+canny边缘特征×0.13+曲率×0+高低差×0)×100%。
S4.判定变速箱冲压件是否为缺陷产品。将相变速箱冲压件似度值与阈值进行比较,其中阈值设定为95%,检测出的相似度为99%,相似度大于阈值,判定为该变速箱冲压件带有缺陷。
在检测过程中,检测1000个有缺陷的变速箱冲压件可以检出998个。误检率为0.01%,该方法的有效检出率为99.8%,也就是约10000个正常件里会有1个被认为是缺陷件。
综上所述,本发明具有以下优点:用户采集缺陷图像并进行缺陷标记,标记的缺陷与输入缺陷种类关联,这样能全面记录缺陷种类,提高识别的准确率。其次,用户对已知缺陷图像进行采集并对缺陷图像进行处理以及特征提取等一系列学习后,再对待检测产品图像的缺陷识别时,无需做更多的额外操作,进而提高用户的产品质量和生产效率。并且该方法的有效的检出率为99.8%,误检率为0.01%,该方法能够快速准确的识别出缺陷产品,进而提高用户的产品质量和生产效率。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案。本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (7)
1.一种用于产品缺陷检测的图像识别方法,其特征在于,该方法包括下列步骤:
S1.采集带缺陷的该产品的图像,然后采用矩形、圆形或者任意凸多边形对该产品缺陷手动标记,再将标记的缺陷与输入缺陷种类关联;
S2.将带缺陷的该产品图像进行预处理,然后对预处理后的图像采用阈值分割法将缺陷区域分割出来,将分割出的缺陷图像进行卷积与CNN计算后再提取分割出的缺陷图像的区域特征并进行区域特征值计算,然后将区域特征关联并计算关联的特征值,并将区域特征的特征值和区域关联的特征值保存在权值文件中;
S3.采集待检测该产品的图像,提取待检测该产品的图像的区域特征,形成区域对应特征的数据表,根据所述数据表自动寻找疑似缺陷区域,对疑似缺陷区域进行图像处理计算得到特征值,并与所述权值文件中的特征值对比计算相似度;
S4.判定该产品是否为缺陷产品,若相似度大于预设的阈值则为缺陷产品,否则认为是正常产品。
2.根据权利要求1所述的一种用于产品缺陷检测的图像识别方法,其特征在于,在步骤S1中,所述缺陷种类包括划痕、凹坑、脏污、异形、缺料。
3.根据权利要求1所述的一种用于产品缺陷检测的图像识别方法,其特征在于,在步骤S2中,所述预处理过程为:对图像依次进行去噪、灰度化、高斯模糊、灰度拉伸、图像增强处理。
4.根据权利要求1所述的一种用于产品缺陷检测的图像识别方法,其特征在于,在步骤S2中,提取分割出的缺陷图像的区域特征的计算方法如下步骤,
步骤S21:将分割出的缺陷图像整分成S×S个区域,S为32或是64,对于无法整分的图像,自动填充像素形成能整分的图像然后进行整分;
步骤S22:将窗口区域以步长为3在所述分割出的缺陷图像上进行滑动,提取每一个区域的区域特征,所述区域特征包括相邻像素灰度差、灰度直方图、SURF特征点、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征;
步骤S23:计算区域特征的特征值并保存在权值文件中。
5.根据权利要求1所述的一种用于产品缺陷检测的图像识别方法,其特征在于,在步骤S2中,将提取的区域特征进行关联的方法如下:将提取的区域特征按照窗口区域滑动顺序保存在链表中,然后计算相应的特征随着滑动的变化曲线,根据变化曲线计算得到曲线特征,所述变化曲线的特征包括曲率和高低差,计算曲线特征的特征值保存在权值文件中。
6.根据权利要求1所述的一种用于产品缺陷检测的图像识别方法,其特征在于,在步骤S3中,自动寻找疑似缺陷区域的过程包括如下步骤:
步骤S31:将待检测该产品的图像整分成S×S个区域,S为32或是64,对于无法整分的图像,自动填充像素形成能整分的图像然后进行整分;
步骤S32:将窗口区域以步长为3在所述分割出的缺陷图像上进行滑动,提取每一个区域的区域特征,所述区域特征包括相邻像素灰度差、灰度直方图、SURF特征点、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征;
步骤S33:将提取的区域特征保存在区域-数据表中,所述区域-数据表包括每一个区域对应的区域特征;
步骤S34:逐一对区域-数据表中的每个区域的区域特征进行搜索,如果该区域的区域特征包括相邻像素灰度差、灰度直方图、SURF特征点、梯度方向直方图、Haar特征、LBP纹理特征、canny边缘特征全部特征时,该区域列为疑似缺陷区域,否则该区域不是疑似缺陷区域。
7.根据权利要求1所述的一种用于产品缺陷检测的图像识别方法,其特征在于,在步骤S3中,所述相似度的计算方法如下,将所述区域-特征表中疑似缺陷区域的特征值分别与步骤S2保存在保存在权值文件中的特征值进行值差计算,将值差值乘以系数后相加,相加后的值即为相似度;所述相似度的公式为:相似度=(灰度差值差×a+灰度直方图值差×b+SURF特征值差×c+梯度方向直方图值差×d+Haar特征值差×e+LBP纹理特征值差×f+canny边缘特征值差×g+曲率值差×h+高低差值差×i)×100%,其中a、b、c、d、e、f、g、h、i为系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429655.2A CN112581434A (zh) | 2020-12-07 | 2020-12-07 | 一种用于产品缺陷检测的图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011429655.2A CN112581434A (zh) | 2020-12-07 | 2020-12-07 | 一种用于产品缺陷检测的图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112581434A true CN112581434A (zh) | 2021-03-30 |
Family
ID=75130371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011429655.2A Pending CN112581434A (zh) | 2020-12-07 | 2020-12-07 | 一种用于产品缺陷检测的图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581434A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295698A (zh) * | 2021-04-29 | 2021-08-24 | 苏州天准软件有限公司 | 一种缺陷检测方法、存储介质和检测系统 |
CN114627431A (zh) * | 2022-02-22 | 2022-06-14 | 安徽新识智能科技有限公司 | 一种基于物联网的环境智能监控方法及系统 |
TWI793035B (zh) * | 2022-06-24 | 2023-02-11 | 晶睿通訊股份有限公司 | 影像缺陷辨識方法及其影像分析裝置 |
CN116580026A (zh) * | 2023-07-12 | 2023-08-11 | 深圳市致尚科技股份有限公司 | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 |
CN116630329A (zh) * | 2023-07-26 | 2023-08-22 | 山东山森数控技术有限公司 | 用于多轴多通道数控系统的在线视觉检测方法 |
CN115829907B (zh) * | 2022-04-18 | 2024-02-23 | 宁德时代新能源科技股份有限公司 | 对复合料带的隔膜进行缺陷检测的方法、装置、系统 |
CN117593300A (zh) * | 2024-01-18 | 2024-02-23 | 江西汉永新材料股份有限公司 | 一种pe管材裂纹缺陷检测方法及系统 |
CN117994252A (zh) * | 2024-04-03 | 2024-05-07 | 西安航科创星电子科技有限公司 | 一种高生物兼容性的生物陶瓷的浆料制备及质量分析方法 |
-
2020
- 2020-12-07 CN CN202011429655.2A patent/CN112581434A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295698A (zh) * | 2021-04-29 | 2021-08-24 | 苏州天准软件有限公司 | 一种缺陷检测方法、存储介质和检测系统 |
CN114627431A (zh) * | 2022-02-22 | 2022-06-14 | 安徽新识智能科技有限公司 | 一种基于物联网的环境智能监控方法及系统 |
CN114627431B (zh) * | 2022-02-22 | 2023-07-21 | 安徽新识智能科技有限公司 | 一种基于物联网的环境智能监控方法及系统 |
CN115829907B (zh) * | 2022-04-18 | 2024-02-23 | 宁德时代新能源科技股份有限公司 | 对复合料带的隔膜进行缺陷检测的方法、装置、系统 |
TWI793035B (zh) * | 2022-06-24 | 2023-02-11 | 晶睿通訊股份有限公司 | 影像缺陷辨識方法及其影像分析裝置 |
CN116580026A (zh) * | 2023-07-12 | 2023-08-11 | 深圳市致尚科技股份有限公司 | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 |
CN116580026B (zh) * | 2023-07-12 | 2023-09-12 | 深圳市致尚科技股份有限公司 | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 |
CN116630329A (zh) * | 2023-07-26 | 2023-08-22 | 山东山森数控技术有限公司 | 用于多轴多通道数控系统的在线视觉检测方法 |
CN116630329B (zh) * | 2023-07-26 | 2023-09-29 | 山东山森数控技术有限公司 | 用于多轴多通道数控系统的在线视觉检测方法 |
CN117593300A (zh) * | 2024-01-18 | 2024-02-23 | 江西汉永新材料股份有限公司 | 一种pe管材裂纹缺陷检测方法及系统 |
CN117593300B (zh) * | 2024-01-18 | 2024-04-26 | 江西汉永新材料股份有限公司 | 一种pe管材裂纹缺陷检测方法及系统 |
CN117994252A (zh) * | 2024-04-03 | 2024-05-07 | 西安航科创星电子科技有限公司 | 一种高生物兼容性的生物陶瓷的浆料制备及质量分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581434A (zh) | 一种用于产品缺陷检测的图像识别方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
CN111724376B (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN113850749A (zh) | 训练缺陷侦测器的方法 | |
CN114445707A (zh) | 瓶装水标签缺陷智能化视觉精细检测方法 | |
CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN111754525A (zh) | 一种基于非精确切分的工业字符检测流程 | |
CN113610185B (zh) | 基于主色调识别的木材色选方法 | |
CN113947598A (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 |
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 |