CN113588656A - 一种新型螺栓外观尺寸检测方法 - Google Patents

一种新型螺栓外观尺寸检测方法 Download PDF

Info

Publication number
CN113588656A
CN113588656A CN202110752486.4A CN202110752486A CN113588656A CN 113588656 A CN113588656 A CN 113588656A CN 202110752486 A CN202110752486 A CN 202110752486A CN 113588656 A CN113588656 A CN 113588656A
Authority
CN
China
Prior art keywords
image
bolt
workpiece
defect
novel
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
Application number
CN202110752486.4A
Other languages
English (en)
Inventor
刘一磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Hengyutai Intelligent Equipment Co ltd
Original Assignee
Jiangsu Hengyutai Intelligent Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Hengyutai Intelligent Equipment Co ltd filed Critical Jiangsu Hengyutai Intelligent Equipment Co ltd
Priority to CN202110752486.4A priority Critical patent/CN113588656A/zh
Publication of CN113588656A publication Critical patent/CN113588656A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/04—Sorting according to size
    • B07C5/10—Sorting according to size measured by light-responsive means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种新型螺栓外观尺寸检测方法，具体涉及螺栓外观尺寸检测技术领域，具体步骤如下：步骤一：用成像系统和图像采集卡将标准新型螺栓工件图像采集到计算机内部；步骤二：运用图像处理技术提取特征量；步骤三：获取各种不同原因产生的不同类型外观尺寸不合格的新型螺栓工件的表面缺陷图像数据，构建表面缺陷样本集；步骤四：识别待检测螺栓工件的特征图像数据和工件尺寸；步骤五：根据识别结果控制机械手进行分拣处理。通过步骤四和步骤五的设置，实现新型螺栓的外观尺寸检测，自动识别，准确率高，最后缺陷识别结果生成分选控制指令，控制机械手动作对合格和不合格的螺栓工件进行分拣处理，自动化程度高，节省了人力投入成本。

Description

一种新型螺栓外观尺寸检测方法
技术领域
本发明涉及螺栓外观尺寸检测技术领域，具体涉及一种新型螺栓外观尺寸检测方法。
背景技术
螺栓是由头部和带有外螺纹的圆柱体两部分组成的一类紧固件，通常需与螺母配合使用，多用于紧固连接两个带有通孔的零件，随着科技的发展，螺栓逐渐需要连接各种特殊形状的零件，普通螺栓难以保证连接的紧固性，故各种特殊形状的新型螺栓逐渐出现在市场上。
在新型螺栓生产完成后，生产企业大多需要对新型螺栓的外观尺寸进行检测，但现有技术中多采用人工检查方式对金属加工工件外观质量进行检测，针对铁屑、工件装夹不当、物理碰撞等因素导致的金属工件表面缺陷问题，生产企业采用的人工检查方式无法及时发现并加以控制。且人工检查的方式以人的主观判断为标准，因此存在准确性低的问题，当缺陷件未被筛除且与正常件混合在一起后，需耗费大量的人力劳力成本将其重新分离。此外，人工检查的方式不仅存在投入成本高，还存在效率低的问题。
少量规模较大的新型螺栓生产企业具有自动外观检测装置，但在面对表面形状复杂的金属工件时，其图像中不存在明显灰度差异或较大的灰度值范围重叠，从而难以得到准确的分割结果，分割后得到的图像也不能很好的显示图像的细节，使得金属工件表面缺陷识别的效果不好。因此，生产企业迫切需要一种具有高自动化程度、高准确度、高效率、低成本，能够实现新型螺栓的外观尺寸检测，从而分离缺陷件与正常件的方法。
发明内容
为此，本发明提供一种新型螺栓外观尺寸检测方法，通过步骤一和步骤二的设置，可为螺栓工件多缺陷识别模型的创建提供标准新型螺栓工件图像的对比外观特征和尺寸数据，方便螺栓工件多缺陷识别模型根据特征数据的不同快速识别外观尺寸不合格的工件，识别准确度和效率高，通过步骤三的设置，创建螺栓工件多缺陷识别模型，可对多种螺栓工件的外观尺寸缺陷进行识别，适用性强，数据库实时更新，生命力强，通过步骤四和步骤五的设置，实现新型螺栓的外观尺寸检测，自动识别，准确率高，最后缺陷识别结果生成分选控制指令，控制机械手动作对合格和不合格的螺栓工件进行分拣处理，自动化程度高，节省了人力投入成本，实用性强，以解决现有技术中由于人工检测新型螺栓外观尺寸劳动强度大、受人工经验和主观因素影响和检测准确度低的问题。
为了实现上述目的，本发明提供如下技术方案：一种新型螺栓外观尺寸检测方法，具体步骤如下：
步骤一：将标准新型螺栓工件送到CCD摄像头视场内，由成像系统和图像采集卡将图像采集到计算机内部；
步骤二：运用图像处理技术对采集到的原始图像提取背景图像及图像灰度转换处理，从中提取特征量，具体操作流程为：首先通过图像灰度转换处理、图像去噪处理和图像边缘检测处理，将螺栓工件的表面图像转换成具有边缘特征的灰度图像，再通过全局二值化增强算法对预处理后的灰度图像进行增强处理，增强具有边缘特征的灰度图像的图像特征，最后通过基于边缘检测的图像分割算法对增强处理后的灰度图像进行分割处理，提取增强处理后的具有边缘特征的灰度图像的外观特征和尺寸数据；
步骤三：获取各种不同原因产生的不同类型外观尺寸不合格的新型螺栓工件的表面缺陷图像数据，根据表面缺陷图像数据构建螺栓工件的表面缺陷样本集，具体操作流程为：通过扩展处理，扩展螺栓工件的表面缺陷样本集；通过图像预处理，将扩展后的表面缺陷样本集更新为新的样本集；构建基于深度卷积神经网络的螺栓工件多缺陷识别模型，并获取螺栓工件多缺陷识别模型的模型参数和新的样本集；通过交叉验证法，训练螺栓工件多缺陷识别模型直到螺栓工件缺陷多识别模型的性能指标达到预期设定；最后运用模式识别技术对提取的特征量进行分类整理，根据不同缺陷的图像特征，识别出缺陷，构建具有不同缺陷特征系统数据库的识别模型；
步骤四：获取待检测螺栓工件的特征图像数据和工件尺寸，将特征图像数据输入经过预先训练的螺栓工件缺陷多识别模型中，输出螺栓工件的缺陷识别结果；
步骤五：根据缺陷识别结果生成分选控制指令，控制机械手动作对合格和不合格的螺栓工件进行分拣处理。
进一步地，在步骤二中的图像去噪处理，是获取预存的加权的均值滤波器模板，用于将灰度图像中的噪声点替换为均值滤波器模板窗口内的像素的平均灰度值以进行图像去噪。
进一步地，在步骤二中的图像边缘检测处理，是通过边缘检测算法，检测灰度图像的边缘并连接边缘构成边界，根据各个边界生成大小端面区域和环形槽区域。
进一步地，在步骤二中的图像灰度转换处理，是通过加权平均法，将采集的螺栓工件表面图像数据转换成灰度图像。
进一步地，在步骤四中利用激光跟踪仪和激光扫描仪扫描待检测的螺栓工件，获取螺栓工件表面的特征图像数据和螺栓外观尺寸。
进一步地，在步骤四中的激光跟踪仪的型号为LeicaAT930，激光扫描仪型号为lasermed，激光跟踪仪与激光扫描仪的放置间隔为8.3-10.5m。
进一步地，在步骤五中的机械手通过中央处理模块控制，中央处理模块包括螺栓工件缺陷多识别模型，中央处理模块可获取螺栓工件的表面图像并进行缺陷识别，通过缺陷识别结果生成控制指令，根据控制指令控制机械手夹取放置金属工件。
本发明具有如下优点：
1、本发明通过步骤一和步骤二的设置，与现有技术相比，可利用成像系统和图像采集卡将标准新型螺栓工件的图像采集到计算机内部，再通过图像预处理技术将表面图像转换成灰度图像，使用图像增强和分割单元可增强并提取标准新型螺栓工件图像的外观特征和尺寸数据，可为螺栓工件多缺陷识别模型的创建提供标准新型螺栓工件图像的对比外观特征和尺寸数据，方便螺栓工件多缺陷识别模型根据特征数据的不同快速识别外观尺寸不合格的工件，识别准确度和效率高；
2、本发明通过步骤三的设置，与现有技术相比，可通过缺陷识别单元对各种不同原因产生的不同类型外观尺寸不合格的新型螺栓工件的表面缺陷进行缺陷识别，构建样本集数据库，最后基于深度卷积神经网络，运用模式识别技术对提取的特征量分类整理，根据不同缺陷的图像特征，识别出缺陷，构建具有不同缺陷特征系统数据库的识别模型，并对其性能指标进行检测，创建螺栓工件多缺陷识别模型，可对多种螺栓工件的外观尺寸缺陷进行识别，适用性强，数据库实时更新，生命力强；
3、本发明通过步骤四和步骤五的设置，与现有技术相比，可使用螺栓工件多缺陷识别模型对待检测螺栓工件的特征图像数据和工件尺寸进行检测识别，准确地分割识别待检测螺栓工件的外观特征和尺寸数据，实现新型螺栓的外观尺寸检测，自动识别，准确率高，最后缺陷识别结果生成分选控制指令，控制机械手动作对合格和不合格的螺栓工件进行分拣处理，自动化程度高，节省了人力投入成本，实用性强。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
本发明提供一种新型螺栓外观尺寸检测方法，具体步骤如下：
步骤一：将标准新型螺栓工件送到CCD摄像头视场内，由成像系统和图像采集卡将图像采集到计算机内部；
步骤二：运用图像处理技术对采集到的原始图像提取背景图像及图像灰度转换处理，从中提取特征量，具体操作流程为：首先通过加权平均法，将采集的螺栓工件表面图像数据转换成灰度图像，后获取预存的加权的均值滤波器模板，将灰度图像中的噪声点替换为均值滤波器模板窗口内的像素的平均灰度值进行图像去噪，后通过边缘检测算法，检测灰度图像的边缘并连接边缘构成边界，根据各个边界生成大小端面区域和环形槽区域，将螺栓工件的表面图像转换成具有边缘特征的灰度图像，再通过全局二值化增强算法对预处理后的灰度图像进行增强处理，增强具有边缘特征的灰度图像的图像特征，最后通过基于边缘检测的图像分割算法对增强处理后的灰度图像进行分割处理，提取增强处理后的具有边缘特征的灰度图像的外观特征和尺寸数据；
步骤三：获取各种不同原因产生的不同类型外观尺寸不合格的新型螺栓工件的表面缺陷图像数据，根据表面缺陷图像数据构建螺栓工件的表面缺陷样本集，具体操作流程为：通过扩展处理，扩展螺栓工件的表面缺陷样本集；通过图像预处理，将扩展后的表面缺陷样本集更新为新的样本集；构建基于深度卷积神经网络的螺栓工件多缺陷识别模型，并获取螺栓工件多缺陷识别模型的模型参数和新的样本集；通过交叉验证法，训练螺栓工件多缺陷识别模型直到螺栓工件缺陷多识别模型的性能指标达到预期设定；最后运用模式识别技术对提取的特征量进行分类整理，根据不同缺陷的图像特征，识别出缺陷，构建具有不同缺陷特征系统数据库的识别模型；
步骤四：准备型号为LeicaAT930的激光跟踪仪和型号为laser med的激光扫描仪，将激光跟踪仪与激光扫描仪按8.3-10.5m的距离间隔放置，利用激光跟踪仪和激光扫描仪扫描待检测的螺栓工件，获取待检测螺栓工件的特征图像数据和工件尺寸，将特征图像数据输入经过预先训练的螺栓工件缺陷多识别模型中，输出螺栓工件的缺陷识别结果；
步骤五：根据计算机的中央处理模块对缺陷识别结果进行查看获取，查看完成后根据缺陷识别结果生成分选控制指令，控制机械手动作对合格和不合格的螺栓工件进行分拣处理。
分别采用人工识别检测法、漏磁检测法、红外线检测法、超声波探伤检测法、光学检测法和本实施例对1000根新型螺栓的杂质/颗粒、生锈/氧化、刮伤、压痕/镀痕/流痕/污迹、凹坑/凸坑和尺寸偏差情况进行检测识别记录，得出以下数据：
Figure BDA0003145350270000061
由上表可知，人工识别检测法、漏磁检测法、红外线检测法、超声波探伤检测法、光学检测法和新型螺栓外观尺寸检测方法均能对新型螺栓的外观缺陷和尺寸偏差进行检测识别，但是新型螺栓外观尺寸检测方法的检测准确率最高，通过步骤一和步骤二的设置，可利用成像系统和图像采集卡将标准新型螺栓工件的图像采集到计算机内部，再通过图像预处理技术将表面图像转换成灰度图像，使用图像增强和分割单元可增强并提取标准新型螺栓工件图像的外观特征和尺寸数据，可为螺栓工件多缺陷识别模型的创建提供标准新型螺栓工件图像的对比外观特征和尺寸数据，方便螺栓工件多缺陷识别模型根据特征数据的不同快速识别外观尺寸不合格的工件，识别准确度和效率高，通过步骤三的设置，可通过缺陷识别单元对各种不同原因产生的不同类型外观尺寸不合格的新型螺栓工件的表面缺陷进行缺陷识别，构建样本集数据库，最后基于深度卷积神经网络，运用模式识别技术对提取的特征量分类整理，根据不同缺陷的图像特征，识别出缺陷，构建具有不同缺陷特征系统数据库的识别模型，并对其性能指标进行检测，创建螺栓工件多缺陷识别模型，可对多种螺栓工件的外观尺寸缺陷进行识别，适用性强，数据库实时更新，生命力强，通过步骤四和步骤五的设置，可使用螺栓工件多缺陷识别模型对待检测螺栓工件的特征图像数据和工件尺寸进行检测识别，准确地分割识别待检测螺栓工件的外观特征和尺寸数据，实现新型螺栓的外观尺寸检测，自动识别，准确率高，最后缺陷识别结果生成分选控制指令，控制机械手动作对合格和不合格的螺栓工件进行分拣处理，自动化程度高，节省了人力投入成本，实用性强，该实施方式具体解决了现有技术中多采用人工检查方式对金属加工工件外观质量进行检测，针对铁屑、工件装夹不当、物理碰撞等因素导致的金属工件表面缺陷问题，生产企业采用的人工检查方式无法及时发现并加以控制。且人工检查的方式以人的主观判断为标准，因此存在准确性低的问题，当缺陷件未被筛除且与正常件混合在一起后，需耗费大量的人力劳力成本将其重新分离。此外，人工检查的方式不仅存在投入成本高，还存在效率低的问题，少量规模较大的新型螺栓生产企业具有自动外观检测装置，但在面对表面形状复杂的金属工件时，其图像中不存在明显灰度差异或较大的灰度值范围重叠，从而难以得到准确的分割结果，分割后得到的图像也不能很好的显示图像的细节，使得金属工件表面缺陷识别的效果不好的问题。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (7)

1.一种新型螺栓外观尺寸检测方法，其特征在于：具体步骤如下：
步骤一：将标准新型螺栓工件送到CCD摄像头视场内，由成像系统和图像采集卡将图像采集到计算机内部；
步骤二：运用图像处理技术对采集到的原始图像提取背景图像及图像灰度转换处理，从中提取特征量，具体操作流程为：首先通过图像灰度转换处理、图像去噪处理和图像边缘检测处理，将螺栓工件的表面图像转换成具有边缘特征的灰度图像，再通过全局二值化增强算法对预处理后的灰度图像进行增强处理，增强具有边缘特征的灰度图像的图像特征，最后通过基于边缘检测的图像分割算法对增强处理后的灰度图像进行分割处理，提取增强处理后的具有边缘特征的灰度图像的外观特征和尺寸数据；
步骤三：获取各种不同原因产生的不同类型外观尺寸不合格的新型螺栓工件的表面缺陷图像数据，根据表面缺陷图像数据构建螺栓工件的表面缺陷样本集，具体操作流程为：通过扩展处理，扩展螺栓工件的表面缺陷样本集；通过图像预处理，将扩展后的表面缺陷样本集更新为新的样本集；构建基于深度卷积神经网络的螺栓工件缺陷多识别模型，并获取螺栓工件缺陷多识别模型的模型参数和新的样本集；通过交叉验证法，训练螺栓工件缺陷多识别模型直到螺栓工件缺陷多识别模型的性能指标达到预期设定；最后运用模式识别技术对提取的特征量进行分类整理，根据不同缺陷的图像特征，识别出缺陷，构建具有不同缺陷特征系统数据库的识别模型；
步骤四：获取待检测螺栓工件的特征图像数据和工件尺寸，将特征图像数据输入经过预先训练的螺栓工件缺陷多识别模型中，输出螺栓工件的缺陷识别结果；
步骤五：根据缺陷识别结果生成分选控制指令，控制机械手动作对合格和不合格的螺栓工件进行分拣处理。
2.根据权利要求1所述的一种新型螺栓外观尺寸检测方法，其特征在于：在步骤二中的图像去噪处理，是获取预存的加权的均值滤波器模板，用于将灰度图像中的噪声点替换为均值滤波器模板窗口内的像素的平均灰度值以进行图像去噪。
3.根据权利要求1所述的一种新型螺栓外观尺寸检测方法，其特征在于：在步骤二中的图像边缘检测处理，是通过边缘检测算法，检测灰度图像的边缘并连接边缘构成边界，根据各个边界生成大小端面区域和环形槽区域。
4.根据权利要求1所述的一种新型螺栓外观尺寸检测方法，其特征在于：在步骤二中的图像灰度转换处理，是通过加权平均法，将采集的螺栓工件表面图像数据转换成灰度图像。
5.根据权利要求1所述的一种新型螺栓外观尺寸检测方法，其特征在于：在步骤四中利用激光跟踪仪和激光扫描仪扫描待检测的螺栓工件，获取螺栓工件表面的特征图像数据和螺栓外观尺寸。
6.根据权利要求5所述的一种新型螺栓外观尺寸检测方法，其特征在于，在步骤四中的激光跟踪仪的型号为LeicaAT930，激光扫描仪型号为laser med，激光跟踪仪与激光扫描仪的放置间隔为8.3-10.5m。
7.根据权利要求1所述的一种新型螺栓外观尺寸检测方法，其特征在于：在步骤五中的机械手通过中央处理模块控制，中央处理模块包括螺栓工件缺陷多识别模型，中央处理模块可获取螺栓工件的表面图像并进行缺陷识别，通过缺陷识别结果生成控制指令，根据控制指令控制机械手夹取放置金属工件。
CN202110752486.4A 2021-07-02 2021-07-02 一种新型螺栓外观尺寸检测方法 Pending CN113588656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110752486.4A CN113588656A (zh) 2021-07-02 2021-07-02 一种新型螺栓外观尺寸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110752486.4A CN113588656A (zh) 2021-07-02 2021-07-02 一种新型螺栓外观尺寸检测方法

Publications (1)

Publication Number Publication Date
CN113588656A true CN113588656A (zh) 2021-11-02

Family

ID=78245649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110752486.4A Pending CN113588656A (zh) 2021-07-02 2021-07-02 一种新型螺栓外观尺寸检测方法

Country Status (1)

Country Link
CN (1) CN113588656A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115854897A (zh) * 2022-12-27 2023-03-28 东莞诺丹舜蒲胶辊有限公司 胶辊激光智能检测方法、装置、设备及介质
CN117237340A (zh) * 2023-11-10 2023-12-15 江西省中鼐科技服务有限公司 一种基于人工智能的手机外壳外观检测方法及系统
CN117576102A (zh) * 2024-01-17 2024-02-20 长春汽车工业高等专科学校 一种基于反射光谱的汽车缺陷检测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115854897A (zh) * 2022-12-27 2023-03-28 东莞诺丹舜蒲胶辊有限公司 胶辊激光智能检测方法、装置、设备及介质
CN117237340A (zh) * 2023-11-10 2023-12-15 江西省中鼐科技服务有限公司 一种基于人工智能的手机外壳外观检测方法及系统
CN117237340B (zh) * 2023-11-10 2024-01-26 江西省中鼐科技服务有限公司 一种基于人工智能的手机外壳外观检测方法及系统
CN117576102A (zh) * 2024-01-17 2024-02-20 长春汽车工业高等专科学校 一种基于反射光谱的汽车缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN111951237B (zh) 外观视觉检测方法
CN113588656A (zh) 一种新型螺栓外观尺寸检测方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN109187581A (zh) 基于视觉的成品轴承端面缺陷检测方法
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
CN111982916A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法及系统
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN104794491A (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
CN110308151A (zh) 一种基于机器视觉的金属工件表面缺陷识别方法及装置
CN107610104A (zh) 一种基于机器视觉的电梯补偿链r处裂纹检测方法
CN101670533A (zh) 基于工件加工表面图像分析的刀具磨损状态评价方法
CN109118471A (zh) 一种适用于复杂环境下的打磨工件缺陷检测方法
CN110349125A (zh) 一种基于机器视觉的led芯片外观缺陷检测方法及系统
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析系统及方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN110096980A (zh) 字符检测识别系统
CN107490582A (zh) 一种流水线工件检测系统
CN106780464A (zh) 一种基于改进阈值分割的织物疵点检测方法
CN111402238A (zh) 一种通过机器视觉实现的缺陷标识系统
CN113012098B (zh) 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法
CN105740883A (zh) 一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法
CN109358067A (zh) 基于计算机视觉的马达环形压敏电阻缺陷检测系统及方法
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN109934808A (zh) 一种基于图像多形状法向梯度差值pcb板缺陷分类方法

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