CN113256591A - 一种宽幅玻璃缺陷快速检测装置及方法 - Google Patents
一种宽幅玻璃缺陷快速检测装置及方法 Download PDFInfo
- Publication number
- CN113256591A CN113256591A CN202110625333.3A CN202110625333A CN113256591A CN 113256591 A CN113256591 A CN 113256591A CN 202110625333 A CN202110625333 A CN 202110625333A CN 113256591 A CN113256591 A CN 113256591A
- Authority
- CN
- China
- Prior art keywords
- image
- glass
- defects
- linear array
- wide glass
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 79
- 230000007547 defect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000012031 short term test Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 20
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种宽幅玻璃缺陷快速检测装置及方法,自动化输送台用于防止输送被检测宽幅玻璃,线阵相机用于采集被检测宽幅玻璃的图像,蓝色线性平行光源用于辅助线阵相机补光采集图像,高性能GPU处理服务器用于对线阵相机采集的图像进行高效处理提取宽幅玻璃的缺陷;本发明采用三个线阵相机前后错位设置,确保了宽幅玻璃的全覆盖率,并以蓝色线性平行光源辅助采集缺陷对比度较强图像,有效解决了宽幅玻璃缺陷快速检测难题,能够一次性快速高效地对宽幅玻璃缺陷进行检测,检测平台结构简单、灵活,使用方便,自动化程度高,同时本发明检测方法的图像降噪处理对玻璃的缺陷图像不会产生较大的破坏,有利于玻璃缺陷的提取,可靠性高。
Description
技术领域
本发明涉及工业自动化机器视觉检测领域,尤其涉及一种宽幅玻璃缺陷快速检测装置及方法。
背景技术
目前,玻璃缺陷监测系统主要是利用人工或激光进行检测,人工检测存在成本高、检测效率低、误检率高、人容易出现疲劳等问题,激光检测是利用摩尔干涉原理进行检测,其检测容易受外界干扰,影响检测精度,摩尔干涉原理由于光栅内的莫尔条纹比较细,为保证莫尔条纹有很强的对比度,便于计算机进行分析处理,就必须要求光栅有很高的明暗对比度,通过复杂的计算机图像处理技术对干涉图形条纹进行处理,会消耗大量的检测时间,检测周期非常缓慢,因此,本发明提出一种宽幅玻璃缺陷快速检测装置及方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种宽幅玻璃缺陷快速检测装置及方法,该宽幅玻璃缺陷快速检测装置及方法采用三个线阵相机前后错位设置,确保了宽幅玻璃的全覆盖率,并以蓝色线性平行光源辅助采集缺陷对比度较强图像,有效解决了宽幅玻璃缺陷快速检测难题,能够一次性快速高效地对宽幅玻璃缺陷进行检测,检测平台结构简单、灵活,使用方便,自动化程度高。
为实现本发明的目的,本发明通过以下技术方案实现:一种宽幅玻璃缺陷快速检测装置,包括自动化输送台、线阵相机、蓝色线性平行光源和高性能GPU处理服务器,所述自动化输送台用于防止输送被检测宽幅玻璃,所述线阵相机用于采集被检测宽幅玻璃的图像,所述蓝色线性平行光源用于辅助线阵相机补光采集图像,所述高性能GPU处理服务器用于对线阵相机采集的图像进行高效处理提取宽幅玻璃的缺陷。
进一步改进在于:所述线阵相机采用8K分辨率的相机,所述线阵相机前后错位设置有三组,且每组线阵相机独立完成图像采集和图像处理。
进一步改进在于:所述蓝色线性平行光源设置在线阵相机一侧且与线阵相机对应设置,所述蓝色线性平行光源与自动化输送台平行设置。
一种宽幅玻璃缺陷快速检测方法,其特征在于,包括以下步骤:
步骤一、图像非均匀校正,先将一块材质均匀的白色标定板置于自动化输送台上进行成像,根据标定板成像图像的灰度值标定出每个像元的非均匀增益系数,然后将待测玻璃图像的每个像元的灰度值乘以该像元的非均匀增益系数,得到非均匀校正后的图像;
步骤二、图像降噪,先运用中值滤波法滤除校正后玻璃图像的颗粒噪声,然后采用非局部均值降噪算法,对玻璃图像进行降噪以滤除高斯噪声和泊松噪声;
步骤三、图像增强,利用约束图像直方图分布的图像增强方法将缺陷弱小目标图像进行增强;
步骤四、缺陷检测,利用改进的超像素图像分割算法将玻璃缺陷检测出来。
进一步改进在于:所述步骤二中非局部均值降噪算法通过对自相似结构块做加权平均来估计参考块的中心点,达到降噪的目的。
进一步改进在于:所述步骤三中约束图像直方图分布的图像增强方法具体为先设定一个阈值T,假定玻璃图像直方图出现超过了阈值T的灰度级,就对其进行裁剪,然后将超出阈值的部分平均分配到各个灰度级,使得原直方图累积分布函数(CDF)梯度变化剧烈的部分变得较为平缓,利于增强玻璃缺陷弱小目标,同时避免过度增强噪声点,其中阈值设定为占总像素数的比例。
进一步改进在于:所述步骤四中改进的超像素图像分割算法思想为将图像从RGB颜色空间转换到CIE-Lab颜色空间,对应每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量V[l,a,b,x,y],两个像素的相似性即由它们的向量距离来度量,距离越大,相似性越小。
进一步改进在于:所述改进的超像素图像分割算法首先生成K个种子点,然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素,将他们归为与该种子点一类,直到所有像素点都归类完毕,然后计算这K个超像素里所有像素点的平均向量值,重新得到K个聚类中心,然后再以这K个中心去搜索其周围与其最为相似的若干像素,所有像素都归类完后重新得到K个超像素,更新聚类中心,再次迭代,如此反复直到收敛,将玻璃图像分为K个部分,运用面积滤波器筛选出缺陷部分。
本发明的有益效果为:本发明采用三个线阵相机前后错位设置,确保了宽幅玻璃的全覆盖率,并以蓝色线性平行光源辅助采集缺陷对比度较强图像,有效解决了宽幅玻璃缺陷快速检测难题,能够一次性快速高效地对宽幅玻璃缺陷进行检测,检测平台结构简单、灵活,使用方便,自动化程度高,同时本发明检测方法的图像降噪处理对玻璃的缺陷图像不会产生较大的破坏,有利于玻璃缺陷的提取,可靠性高。
附图说明
图1为本发明检测装置架构图。
图2为本发明检测方法流程图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2所示,本实施例提供了一种宽幅玻璃缺陷快速检测装置及方法,包括自动化输送台、线阵相机、蓝色线性平行光源和高性能GPU处理服务器,所述自动化输送台用于防止输送被检测宽幅玻璃,由PLC进行控制,根据测试要求按一定的控制节拍速度运动,所述线阵相机用于采集被检测宽幅玻璃的图像,所述蓝色线性平行光源用于辅助线阵相机补光采集图像,所述高性能GPU处理服务器用于对线阵相机采集的图像进行高效处理提取宽幅玻璃的缺陷。
所述线阵相机采用8K分辨率的相机,所述线阵相机前后错位设置有三组,每个线阵相机可覆盖的视场是30cm,相互覆盖的检测区域有部分重叠,且每组线阵相机独立完成图像采集和图像处理,不进行图像拼接,以提高图像处理速度,线阵相机检测玻璃缺陷的精度可达0.01mm×0.01mm。
所述蓝色线性平行光源设置在线阵相机一侧且与线阵相机对应设置,所述蓝色线性平行光源与自动化输送台平行设置,从低角度的方向对玻璃进行补光照射,对于光滑均匀的玻璃,如果玻璃不存在缺陷,则光会被反射,而不会进入线阵相机;如果玻璃存在缺陷,如划痕、凹凸、异色、亮点等,则光会发生散射,会从不同方向进入线阵相机,由此可以获得玻璃缺陷对比度较强的图像。
所述高性能GPU处理服务器是一款搭配双路3rd Gen Scalable系列处理器的塔式工作站,最高可达40核,TDP270W,能够快速高效地运行和处理各种复杂和严苛应用程序,支持PCIe 4.0协议,搭载4张GPU,提供超高算力,支持8块大容量SATA/SAS/NVMe热插拔硬盘,轻松满足客户对数据存储的需求,适用于对算力及存储有需求的图像处理客户。
一种宽幅玻璃缺陷快速检测方法,其特征在于,包括以下步骤:
步骤一、图像非均匀校正,先将一块材质均匀的白色标定板置于自动化输送台上进行成像,如果线性光源是非常均匀的,则标定板成像图像的像元的灰度值是一致的,否则图像像元的灰度值就不一致,根据标定板成像图像的灰度值标定出每个像元的非均匀增益系数,然后将待测玻璃图像的每个像元的灰度值乘以该像元的非均匀增益系数,得到非均匀校正后的图像;
步骤二、图像降噪,先运用中值滤波法滤除校正后玻璃图像的颗粒噪声,然后采用非局部均值降噪算法,对玻璃图像进行降噪以滤除高斯噪声和泊松噪声,能有效去除各类噪声,又能较好地保持图像的边缘和纹理,对玻璃的缺陷图像不会产生较大的破坏,有利于玻璃缺陷的提取;
步骤三、图像增强,利用约束图像直方图分布的图像增强方法将缺陷弱小目标图像进行增强;
步骤四、缺陷检测,利用改进的超像素图像分割算法将玻璃缺陷检测出来。
所述步骤二中非局部均值降噪算法通过对自相似结构块做加权平均来估计参考块的中心点,达到降噪的目的。
所述步骤三中约束图像直方图分布的图像增强方法具体为先设定一个阈值T,假定玻璃图像直方图出现超过了阈值T的灰度级,就对其进行裁剪,然后将超出阈值的部分平均分配到各个灰度级,使得原直方图累积分布函数(CDF)梯度变化剧烈的部分变得较为平缓,利于增强玻璃缺陷弱小目标,同时避免过度增强噪声点,其中阈值设定为占总像素数的比例。
所述步骤四中改进的超像素图像分割算法思想为将图像从RGB颜色空间转换到CIE-Lab颜色空间,对应每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量V[l,a,b,x,y],两个像素的相似性即由它们的向量距离来度量,距离越大,相似性越小。
所述改进的超像素图像分割算法首先生成K个种子点,然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素,将他们归为与该种子点一类,直到所有像素点都归类完毕,然后计算这K个超像素里所有像素点的平均向量值,重新得到K个聚类中心,然后再以这K个中心去搜索其周围与其最为相似的若干像素,所有像素都归类完后重新得到K个超像素,更新聚类中心,再次迭代,如此反复直到收敛,将玻璃图像分为K个部分,运用面积滤波器筛选出缺陷部分。
该宽幅玻璃缺陷快速检测装置及方法采用三个线阵相机前后错位设置,确保了宽幅玻璃的全覆盖率,并以蓝色线性平行光源辅助采集缺陷对比度较强图像,有效解决了宽幅玻璃缺陷快速检测难题,能够一次性快速高效地对宽幅玻璃缺陷进行检测,检测平台结构简单、灵活,使用方便,自动化程度高,同时本发明检测方法的图像降噪处理对玻璃的缺陷图像不会产生较大的破坏,有利于玻璃缺陷的提取,可靠性高。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种宽幅玻璃缺陷快速检测装置,其特征在于:包括自动化输送台、线阵相机、蓝色线性平行光源和高性能GPU处理服务器,所述自动化输送台用于防止输送被检测宽幅玻璃,所述线阵相机用于采集被检测宽幅玻璃的图像,所述蓝色线性平行光源用于辅助线阵相机补光采集图像,所述高性能GPU处理服务器用于对线阵相机采集的图像进行高效处理提取宽幅玻璃的缺陷。
2.根据权利要求1所述的一种宽幅玻璃缺陷快速检测装置,其特征在于:所述线阵相机采用8K分辨率的相机,所述线阵相机前后错位设置有三组,且每组线阵相机独立完成图像采集和图像处理。
3.根据权利要求1所述的一种宽幅玻璃缺陷快速检测装置,其特征在于:所述蓝色线性平行光源设置在线阵相机一侧且与线阵相机对应设置,所述蓝色线性平行光源与自动化输送台平行设置。
4.一种宽幅玻璃缺陷快速检测方法,其特征在于,包括以下步骤:
步骤一、图像非均匀校正,先将一块材质均匀的白色标定板置于自动化输送台上进行成像,根据标定板成像图像的灰度值标定出每个像元的非均匀增益系数,然后将待测玻璃图像的每个像元的灰度值乘以该像元的非均匀增益系数,得到非均匀校正后的图像;
步骤二、图像降噪,先运用中值滤波法滤除校正后玻璃图像的颗粒噪声,然后采用非局部均值降噪算法,对玻璃图像进行降噪以滤除高斯噪声和泊松噪声;
步骤三、图像增强,利用约束图像直方图分布的图像增强方法将缺陷弱小目标图像进行增强;
步骤四、缺陷检测,利用改进的超像素图像分割算法将玻璃缺陷检测出来。
5.根据权利要求4所述的一种宽幅玻璃缺陷快速检测方法,其特征在于:所述步骤二中非局部均值降噪算法通过对自相似结构块做加权平均来估计参考块的中心点,达到降噪的目的。
6.根据权利要求4所述的一种宽幅玻璃缺陷快速检测方法,其特征在于:所述步骤三中约束图像直方图分布的图像增强方法具体为先设定一个阈值T,假定玻璃图像直方图出现超过了阈值T的灰度级,就对其进行裁剪,然后将超出阈值的部分平均分配到各个灰度级,使得原直方图累积分布函数(CDF)梯度变化剧烈的部分变得较为平缓,利于增强玻璃缺陷弱小目标,同时避免过度增强噪声点,其中阈值设定为占总像素数的比例。
7.根据权利要求4所述的一种宽幅玻璃缺陷快速检测方法,其特征在于:所述步骤四中改进的超像素图像分割算法思想为将图像从RGB颜色空间转换到CIE-Lab颜色空间,对应每个像素的(L,a,b)颜色值和(x,y)坐标组成一个5维向量V[l,a,b,x,y],两个像素的相似性即由它们的向量距离来度量,距离越大,相似性越小。
8.根据权利要求7所述的一种宽幅玻璃缺陷快速检测方法,其特征在于:所述改进的超像素图像分割算法首先生成K个种子点,然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素,将他们归为与该种子点一类,直到所有像素点都归类完毕,然后计算这K个超像素里所有像素点的平均向量值,重新得到K个聚类中心,然后再以这K个中心去搜索其周围与其最为相似的若干像素,所有像素都归类完后重新得到K个超像素,更新聚类中心,再次迭代,如此反复直到收敛,将玻璃图像分为K个部分,运用面积滤波器筛选出缺陷部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625333.3A CN113256591A (zh) | 2021-06-04 | 2021-06-04 | 一种宽幅玻璃缺陷快速检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110625333.3A CN113256591A (zh) | 2021-06-04 | 2021-06-04 | 一种宽幅玻璃缺陷快速检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256591A true CN113256591A (zh) | 2021-08-13 |
Family
ID=77186562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110625333.3A Pending CN113256591A (zh) | 2021-06-04 | 2021-06-04 | 一种宽幅玻璃缺陷快速检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256591A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235847A (zh) * | 2021-12-20 | 2022-03-25 | 深圳市尊绅投资有限公司 | 一种液晶面板玻璃基板表面缺陷检测装置及检测方法 |
CN115100104A (zh) * | 2022-05-11 | 2022-09-23 | 厦门微亚智能科技有限公司 | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 |
-
2021
- 2021-06-04 CN CN202110625333.3A patent/CN113256591A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235847A (zh) * | 2021-12-20 | 2022-03-25 | 深圳市尊绅投资有限公司 | 一种液晶面板玻璃基板表面缺陷检测装置及检测方法 |
CN115100104A (zh) * | 2022-05-11 | 2022-09-23 | 厦门微亚智能科技有限公司 | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
CN105741244B (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
CN113256591A (zh) | 一种宽幅玻璃缺陷快速检测装置及方法 | |
EP2263191A1 (en) | System and method for identifying complex tokens in an image | |
CN110473194A (zh) | 基于多图像块阈值分割算法的水果表面缺陷检测方法 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
Rewar et al. | Detection of infected and healthy part of leaf using image processing techniques | |
Öztürk et al. | Detection of green and orange color fruits in outdoor conditions for robotic applications | |
CN108765448B (zh) | 一种基于改进tv-l1模型的虾苗计数分析方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
US10204405B2 (en) | Apparatus and method for parameterizing a plant | |
CN117764983A (zh) | 一种用于智能制造产线的双目识别的视觉检测的方法 | |
CN110766675B (zh) | 太阳能电池板缺陷检测方法 | |
CN115937151B (zh) | 一种作物叶片卷曲程度的判定方法 | |
Chen et al. | Sub-pixel edge detection of led probes based on canny edge detection and iterative curve fitting | |
Yang et al. | Cherry recognition based on color channel transform | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
CN114166849A (zh) | 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法 | |
Huang et al. | Optimization of edge extraction algorithm for objects in complex background | |
CN104809712B (zh) | 一种基于粗糙集的图像快速修复方法 |
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 |