CN113436182A - 一种微型直流电机的端盖装配质量快速视觉检测鉴别方法 - Google Patents
一种微型直流电机的端盖装配质量快速视觉检测鉴别方法 Download PDFInfo
- Publication number
- CN113436182A CN113436182A CN202110774000.7A CN202110774000A CN113436182A CN 113436182 A CN113436182 A CN 113436182A CN 202110774000 A CN202110774000 A CN 202110774000A CN 113436182 A CN113436182 A CN 113436182A
- Authority
- CN
- China
- Prior art keywords
- motor
- end cover
- direct current
- type
- assembly quality
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Manufacture Of Motors, Generators (AREA)
Abstract
本发明公开了一种微型直流电机的端盖装配质量快速视觉检测鉴别方法,包括:选用中长焦段镜头,并调节使工业相机光轴与电机转子轴重合,使像平面为电机尺寸1~3倍,且电机位于像平面中心位置;微型直流电机机壳冲压脚、正极、负极及端盖边界框标注,形成训练数据集,训练快速区域推荐型目标检测卷积神经网络R‑CNN系列模型,实现机壳冲压脚、正极、负极及端盖目标检测;采集电机制造过程图像输入快速R‑CNN系列模型,输出机壳冲压脚、正极、负极及端盖的类型、位置信息;根据端盖识别出电机型号,得到电机装配质量需求;清点机壳冲压脚、正极、负极数量,若数量正确则为装配质量合格,若装配数量不正确,则为装配质量可疑。
Description
技术领域
本发明涉及微型直流电机智能制造技术领域,尤其涉及一种面向微型直流电机制造过程的端盖装配质量快速视觉检测鉴别方法。
背景技术
我国微型电机产量由2011年77亿台增加至2019年的136亿台,产量占全球73.9%。随着智能化、自动化、信息化的趋势在生产和生活的各个领域推进,微型电机产品已有数千品种,主要的下游应用包括信息处理、家用电器、汽车、计算机设备、办公设备、空气净化设备、医疗器械、视听设备、工业生产设备、机器人、电动工具等行业。电机制造工序多,涉及精密机械、精细化工、微细加工、磁材料处理、绕组制造、绝缘处理等工艺技术,简而言之,微型电机行业是劳动密集型和技术密集型的高新技术产业。
微型电机制造与检测自动化、智能化既是挑战,也是机遇。尤其是电机端盖装配中,端盖面上正负极涂装、电机壳冲压卡接部位、引线、插座等装配质量核检,依然采用人工目视检测,存在劳动强度大、效率低等问题。采用人工智能、机器视觉技术实现检测过程自动化、智能化有利于提高电机制造水平。
目前对于电机相关视觉检测系统相关研究主要集中在电机定子、转子与换向器等单个零部件检测,例如“一种电机换向器自动化视觉检测系统”(授权公告号:CN108120721B),以及其配套的精密回转定位装置(授权公告号:CN108169237B)、上料装置(授权公告号:CN108120682B)、物料转运装置(授权公告号:CN108147136B)、卸料装置(授权公告号:CN108097607B)。基于机器视觉实现整个电机检测相关研究较少,主要有“一种智能马达外观检测包装装置”(公开号:CN112718563A)、“用于微型振动马达缺陷检测的视觉检测仪及检测方法”(授权公告号:CN109839384B)、“一种定转子自动叠压检测装箱生产线”(公开号:CN112718563A)。
上述具体专利对比文件为:
⑴一种电机换向器自动化视觉检测系统(授权公告号:CN108120721B)
该发明提出一种电机换向器自动化视觉检测系统,换向器放置在定位回转装置上进行回转,通过协同控制实现换向器圆柱面图像、顶部图像、圆锥面图像、底部图像扫描,并比对外轮廓信息判断合格与不良,主要在图像采集方面有创新。本发明采用相机采集各系列电机端盖图像,应用深度学习技术识别端盖上上正极是否涂装、电机壳通过冲压与端盖卡接部位是否齐全的检测,主要在深度学习识别算法上有突破。
⑵“一种智能马达外观检测包装装置”(公开号:CN112718563A)
该发明公开了一种智能马达外观检测包装装置,装置在使用时,通过环形齿轮带动检测柱转动,对智能马达的上侧进行外观检测,之后能将外观检测不合格的智能马达推入回送的传送带。本发明是对电机端盖上电机壳通过冲压与端盖卡接部位是否齐全、正极涂装是否正确的检测,检测项目不同。
⑶“用于微型振动马达缺陷检测的视觉检测仪及检测方法”(授权公告号:CN109839384B)。该发明对微型振动马达进行刚性固定和精准定位,然后采用传统机器视觉法和VGG神经网络模型相结合的方式对采集的图像进行识别,具体方法为:对图像进行去燥处理;将去燥后的图像分割出若干检测区域,首先提取整个图像的边缘,然后采用霍夫变换检测方法在图像中定位出多个感兴趣的区域,即检测区域;对包含端子或其他部位的检测区域基于图像整体灰度值,对包含变阻的检测区域采用Hue色阶值进行视觉缺陷的定性判断;将不大于阈值的检测区域或微型振动马达图像中关注的部位提取出,并输入到训练好的VGG神经网络模型中,由VGG神经网络模型输出判断结果。本发明采用快速R-CNN目标检测模型,能识别出具体正极、负极、电机冲压脚,基于设计要求进行判断,区别明显。
⑷“一种定转子自动叠压检测装箱生产线”(公开号:CN112718563A)。发明第一检测视觉系统,利用工业相机对送入的定子和转子的表面及槽形部位进行图像采集,然后与内部数据模块中带有的标准定子和转子进行对比,判断定子和转子的表面及槽形部位是否含有碎片。该发明基于比对方法,定性判断定子和转子的表面及槽形部位是否含有碎片,对定位协同要求极高,本发明基于采用快速R-CNN目标检测模型识别出具体正极、负极、电机冲压脚,对有效降低对电机定位要求。
发明内容
为解决上述技术问题,本发明的目的是提供一种面向微型直流电机制造过程的端盖装配质量快速视觉检测鉴别方法。
本发明的目的通过以下的技术方案来实现:
一种微型直流电机的端盖装配质量快速视觉检测鉴别方法,包括:
A选用中长焦段镜头,并调节使工业相机光轴与电机转子轴重合,使像平面为电机尺寸1~3倍,且电机位于像平面中心位置;
B微型直流电机机壳冲压脚、正极、负极及端盖边界框标注,形成训练数据集,训练快速区域推荐型目标检测卷积神经网络R-CNN系列模型,实现机壳冲压脚、正极、负极及端盖目标检测;
C采集电机制造过程图像输入快速R-CNN系列模型,输出机壳冲压脚、正极、负极及端盖的类型、位置信息;
D根据端盖识别出电机型号,得到电机装配质量需求;清点机壳冲压脚、正极、负极数量,若数量正确则为装配质量合格,若装配数量不正确,则为装配质量可疑。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
本发明方法实现微型直流电机制造过程中,各系列电机端盖上电机壳通过冲压与端盖卡接部位是否齐全、正极是否涂装的检测;采用快速R-CNN系列模型,通过端盖识别出电机属于0系微型直流电机、1系微型直流电机、2系微型直流电机、3系微型直流电机、5系微型直流电机、7系微型直流电机中的某一个,得到电机装配质量需求;并清点机壳冲压脚数量、正极数量、负极数量,若装配数量正确则为装配质量合格,若装配数量不正确,则为装配质量可疑。由于采用快速R-CNN系列模型,本发明检测速度明显优于典型R-CNN模型。
附图说明
图1是面向微型直流电机制造过程的端盖装配质量快速视觉检测鉴别方法流程图;
图2a、2b和2c是快速R-CNN系列模型训练过程分类损失、定位损失、总损失曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示,面向微型直流电机制造过程的端盖装配质量快速视觉检测鉴别方法流程图,包括以下步骤:
步骤10选用中长焦段镜头,并调节使工业相机光轴与电机转子轴重合,使像平面为电机尺寸1~3倍,且电机位于像平面中心位置;
所述中长焦段镜头主要为12mm~50mm焦段镜头。相机的水平分辨率umax、垂直分辨率vmax,记为umax×vmax,在图像上建立像素坐标系,坐标原点O为图像左上顶点,u轴正方向为水平向右、v轴正方向为垂直向下,图中点P可记为P=(u,v)。
则所述电机位于像平面中心位置为电机形心Pmotor_center=(umotor_center,vmotor_center)在图像中应满足。
步骤20微型直流电机机壳冲压脚、正极、负极及端盖边界框标注,形成训练数据集,训练快速区域推荐型目标检测卷积神经网络(R-CNN,Region-Convolutional NeuralNetworks)系列模型,实现机壳冲压脚、正极、负极及端盖目标检测;
其中微型直流电机机壳冲压脚、正极、负极及端盖边界框标注,指采用开源标注软件labelme、VGG图像标注器(VIA,VGG Image Annotator)的矩形标注工具(rectangle),标注机壳冲压脚、正极、负极及端盖边界框标注最小外接矩形作为边界框,并为其添加类型标签。
其中,微型直流电机端盖边界框的类型标签为0系、1系、2系、3系、5系、7系,主要区别在于电机端面外径D不同。不同型号微型直流电机的机壳冲压脚、正极、负极视觉特征较为相似,类型标签直接标注为机壳冲压脚、正极、负极。标注过程中,也标注电机插座、引出线。
表1 不同边界框类型标签与外径D最大值对应表
考虑深度学习框架中对中文编码(UTF-8)支持不佳,表1中还给出英文类型标签。
训练快速R-CNN系列模型为Fast R-CNN、Faster R-CNN。系采用随机梯度下降(Stochastic Gradient Descent,SGD)算法对快速R-CNN系列模型进行调优,使其拟合到训练数据集上,训练采用Mini-batch策略,学习率为0.001,分批数Nbatch=2,结合数据量大小,迭代训练次数Nbatch分别可选为500、1000、2000。即模型将训练Nbatch次,每次训练在数据集中挑选2个图片上进行。
训练过程中,见图2a、2b、2c,可观测到分类损失loss_cls、定位损失loss_box_reg、总损失total_loss减小,Faster R-CNN模型收敛;
表2为Faster R-CNN模型完成训练后的标准精度指标表,由于重叠率超过50%的平均精度AP0.5=100%≥90%,模型满足应用需求。
表2 Faster R-CNN模型标准精度指标表
步骤30电机端盖装配质量检测,采集电机制造过程图像输入R-CNN系列模型,输出机壳冲压脚、正极、负极及端盖的类型、位置信息;
快速R-CNN系列模型输出数据内容包括:对象数量Nobject,Nobject个对象信息;设第n个对象信息Rn,对象信息具体包括:预测边界框Rbbox-n、预测分数Rscore-n、预测类型Rclass-n;
②位置信息Pposition-n=(uposition-n,vposition-n)从预测边界框Rbbox-n中计算得到:
③预测分数Rscore-n定义域为[0,1],只保留预测分数Rscore-n≥0.9的对象。
④预测类型Rclass-n是标量,值为{0,1,2,3,4,5,6,7,8}。表3为预测类型Rclass-n与类型标签对应表。
表3 预测类型Rclass-n与类型标签对应表
步骤40微型直流电机端盖装配质量鉴别,根据端盖识别出电机型号,得到电机装配质量需求;清点机壳冲压脚、正极、负极数量,若数量正确则为装配质量合格,若装配数量不正确,则为装配质量可疑。。
根据端盖识别出电机型号,得到电机装配质量需求;具体通过值为0~5的预测类型Rclass-n,与类型标签对应,根据类型标签为0系微型直流电机、1系微型直流电机、2系微型直流电机、3系微型直流电机、5系微型直流电机、7系微型直流电机,查数据库得到具体电机装配质量需求。表4为预测类型Rclass-n与装配质量需求对应表。
表4 预测类型Rclass-n与装配质量需求对应表
清点电机正极、负极及机壳冲压脚数量方法,具体为:
设类型m判别函数fis-m(Rscore-n,Rclass-n):
可见,检测出的第n个对象,若预测类型Rclass-n=m,且预测分数Rscore-n≥0.9,类型m判别函数fis-m(Rscore-n,Rclass-n)输出为1;其他情况类型m判别函数数fis-m(Rscore-n,Rclass-n))输出为0。
机壳冲压脚标签对应预测类型为6,使用类型6判别函数fis-6机壳冲压脚数量Nstamping foot为:
正极标签对应预测类型为7,使用类型7判别函数fis-6电机正极数量Npositive_pole为:
负极标签对应预测类型为8,使用类型8判别函数fis-7电机负极数量Nnegative_pole为:
正极、负极、机壳冲压脚装配数量正确条件为
【示例1】5系微型直流电机图像及其检测结果可视化。
将5系微型直流电机图像输入Faster R-CNN模型中,输出的对象数量Nobject=13预测边界框Rbbox-n、预测分数Rscore-n、预测类型Rclass-n=[8,7,9,9,8,6,8,6,6,6,10,4,10]。
则分别代入式⑷、⑸、⑹可以得到机壳冲压脚数量Nstamping foot=4、正极数量Npositive_pole=1、负极数量Nnegative_pole=3;代入式⑺中,得数量正确,装配质量合格。
另外,进一步结合表3分析预测类型Rclass-n,易知该5系微型直流电机插座(序号9)数量为2个、引出线(序号10)数量为2个。
【示例2】2系微型直流电机图像及其检测结果可视化。
将2系微型直流电机图像输入Faster R-CNN模型中,输出的对象数量Nobject=11预测边界框Rbbox-n、预测分数Rscore-n、预测类型Rclass-n=[2,8,6,8,6,7,8,6,6,9,9]。
则分别代入式⑷、⑸、⑹可以得到机壳冲压脚数量Nstamping foot=4、正极数量Npositive_pole=1、负极数量Nnegative_pole=3;代入式⑺中,得数量正确,装配质量合格。
另外,进一步结合表3分析预测类型Rclass-n,易知该2系微型直流电机插座(序号9)数量为2个、引出线(序号10)数量为0个。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种微型直流电机的端盖装配质量快速视觉检测鉴别方法,其特征在于,所述方法包括:
A选用中长焦段镜头,并调节使工业相机光轴与电机转子轴重合,使像平面为电机尺寸1~3倍,且电机位于像平面中心位置;
B微型直流电机机壳冲压脚、正极、负极及端盖边界框标注,形成训练数据集,训练快速区域推荐型目标检测卷积神经网络R-CNN系列模型,实现机壳冲压脚、正极、负极及端盖目标检测;
C采集电机制造过程图像输入快速R-CNN系列模型,输出机壳冲压脚、正极、负极及端盖的类型、位置信息;
D根据端盖识别出电机型号,得到电机装配质量需求;清点机壳冲压脚、正极、负极数量,若数量正确则为装配质量合格,若装配数量不正确,则为装配质量可疑。
3.如权利要求1所述的端盖装配质量快速视觉检测鉴别方法,其特征在于,所述步骤B中:微型直流电机机壳冲压脚、正极、负极及端盖边界框标注指采用开源标注软件labelme、VGG图像注释器VIA的矩形标注工具,标注机壳冲压脚、正极、负极及端盖最小外接矩形作为边界框,并为其添加类型标签。
4.如权利要求1所述的端盖装配质量快速视觉检测鉴别方法,其特征在于,所述步骤B中训练快速R-CNN系列模型为Fast R-CNN、Faster R-CNN;
所述训练快速R-CNN系列模型,系采用随机梯度下降SGD算法对快速R-CNN系列模型进行调优,使其拟合到训练数据集上,训练采用Mini-batch策略,学习率为0.001,分批数Nbatch=2,结合数据量大小,迭代训练次数Nbatch分别选为500、1000、2000。
5.如权利要求1所述的端盖装配质量快速视觉检测鉴别方法,其特征在于,所述步骤C中快速R-CNN系列模型输出机壳冲压脚、正极、负极及端盖的类型、位置信息为:
快速R-CNN系列模型输出数据内容包括:对象数量Nobject,Nobject个对象信息;设第n个对象信息Rn,对象信息具体包括:预测边界框Rbbox-n、预测分数Rscore-n、预测类型Rclass-n;
②位置信息Pposition-n=(uposition-n,vposition-n)从预测边界框Rbbox-n中计算得到:
③预测分数Rscore-n定义域为[0,1],只保留预测分数Rscore-n≥0.9的对象;
④预测类型Rclass-n是标量,值为{0,1,2,3,4,5,6,7,8,9,10}。
6.如权利要求1所述的端盖装配质量快速视觉检测鉴别方法,其特征在于,所述步骤D中根据端盖识别出电机型号,得到电机装配质量需求;具体通过值为0~5的预测类型Rclass-n,与类型标签对应,根据类型标签为0系微型直流电机、1系微型直流电机、2系微型直流电机、3系微型直流电机、5系微型直流电机、7系微型直流电机,查数据库得到具体电机装配质量需求。
7.如权利要求1所述的端盖装配质量快速视觉检测鉴别方法,其特征在于,所述步骤D中清点电机正极、负极及机壳冲压脚数量方法,具体为:
设类型m判别函数fis-m(Rscore-n,Rclass-n):
可见,若预测类型Rclass-n=m,且预测分数Rscore-n≥0.9,则fis-m(Rscore-n,Rclass-n)输出为1;其他情况时,则fis-m(Rscore-n,Rclass-n)输出为0;
机壳冲压脚标签对应预测类型为6,使用类型6判别函数fis-6机壳冲压脚数量Nstamping foot为:
正极标签对应预测类型为7,使用类型7判别函数fis-6电机正极数量Npositive_pole为:
负极标签对应预测类型为8,使用类型8判别函数fis-7电机负极数量Nnegative_pole为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774000.7A CN113436182A (zh) | 2021-07-08 | 2021-07-08 | 一种微型直流电机的端盖装配质量快速视觉检测鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774000.7A CN113436182A (zh) | 2021-07-08 | 2021-07-08 | 一种微型直流电机的端盖装配质量快速视觉检测鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113436182A true CN113436182A (zh) | 2021-09-24 |
Family
ID=77759686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110774000.7A Pending CN113436182A (zh) | 2021-07-08 | 2021-07-08 | 一种微型直流电机的端盖装配质量快速视觉检测鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436182A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888494A (zh) * | 2021-09-28 | 2022-01-04 | 广州市华颉电子科技有限公司 | 一种汽车域控制器的人工智能接口引脚质量检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180342069A1 (en) * | 2017-05-25 | 2018-11-29 | General Electric Company | Neural network feature recognition system |
CN209488330U (zh) * | 2018-12-29 | 2019-10-11 | 全南县超亚科技有限公司 | 一种利于散热且防松动的微电机端盖 |
JP2019215698A (ja) * | 2018-06-13 | 2019-12-19 | アズビル株式会社 | 画像検査支援装置および方法 |
CN110851476A (zh) * | 2019-10-12 | 2020-02-28 | 基准精密工业(惠州)有限公司 | 生产设备调整方法、装置、计算机装置及存储介质 |
CN110976861A (zh) * | 2019-11-29 | 2020-04-10 | 佛山科学技术学院 | 一种基于机器视觉的金属3d打印质量智能在线监控系统 |
CN112347866A (zh) * | 2020-10-22 | 2021-02-09 | 上海铂端科技有限公司 | 基于机器视觉实现附件组装防呆检测处理的系统及其方法 |
-
2021
- 2021-07-08 CN CN202110774000.7A patent/CN113436182A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180342069A1 (en) * | 2017-05-25 | 2018-11-29 | General Electric Company | Neural network feature recognition system |
JP2019215698A (ja) * | 2018-06-13 | 2019-12-19 | アズビル株式会社 | 画像検査支援装置および方法 |
CN209488330U (zh) * | 2018-12-29 | 2019-10-11 | 全南县超亚科技有限公司 | 一种利于散热且防松动的微电机端盖 |
CN110851476A (zh) * | 2019-10-12 | 2020-02-28 | 基准精密工业(惠州)有限公司 | 生产设备调整方法、装置、计算机装置及存储介质 |
CN110976861A (zh) * | 2019-11-29 | 2020-04-10 | 佛山科学技术学院 | 一种基于机器视觉的金属3d打印质量智能在线监控系统 |
CN112347866A (zh) * | 2020-10-22 | 2021-02-09 | 上海铂端科技有限公司 | 基于机器视觉实现附件组装防呆检测处理的系统及其方法 |
Non-Patent Citations (1)
Title |
---|
黄玲娥: "基于神经网络的物品识别研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888494A (zh) * | 2021-09-28 | 2022-01-04 | 广州市华颉电子科技有限公司 | 一种汽车域控制器的人工智能接口引脚质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115351598B (zh) | 一种数控机床轴承检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN111398291B (zh) | 基于深度学习的扁平漆包电磁线表面瑕疵检测方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN110286124A (zh) | 基于机器视觉的耐火砖测量系统 | |
CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
CN111415343B (zh) | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 | |
CN103729631A (zh) | 一种基于视觉的连接器表面特征自动识别方法 | |
CN111951232A (zh) | 一种金属粉末注射成型外观缺陷检测方法及系统 | |
CN113436182A (zh) | 一种微型直流电机的端盖装配质量快速视觉检测鉴别方法 | |
CN110738205A (zh) | 一种基于机器视觉的电芯正负极识别设备及方法 | |
CN111881937A (zh) | 输电线路金具目标检测和缺陷识别方法及终端 | |
CN112101300A (zh) | 药材识别方法、装置及电子设备 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN114170598B (zh) | 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 | |
CN115082392A (zh) | 一种半导体引线框架镀银缺陷检测方法及系统 | |
CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
CN109241932B (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
CN115564769A (zh) | 使用深度学习进行电机转子并线缺陷检测的方法 | |
CN114638792A (zh) | 一种用于插件电路板电解电容极性缺陷检测的方法 | |
CN113269052A (zh) | 价签识别方法、终端、存储装置 | |
CN113191997A (zh) | 一种基于机器视觉的卡簧测量方法 | |
CN115861314B (zh) | 一种无刷电机冲片筛选方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
RJ01 | Rejection of invention patent application after publication |