CN113592852A - 一种碳纤维碳丝质量在线检测系统和方法 - Google Patents
一种碳纤维碳丝质量在线检测系统和方法 Download PDFInfo
- Publication number
- CN113592852A CN113592852A CN202110936521.8A CN202110936521A CN113592852A CN 113592852 A CN113592852 A CN 113592852A CN 202110936521 A CN202110936521 A CN 202110936521A CN 113592852 A CN113592852 A CN 113592852A
- Authority
- CN
- China
- Prior art keywords
- carbon
- carbon fiber
- carbon filament
- data
- subsystem
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20081—Training; Learning
Abstract
本发明公开了一种碳纤维碳丝质量在线检测系统和方法,系统包括数据采集子系统、数据分析子系统和异常报警子系统;所述数据采集子系统,用于获取碳丝的高分辨率图像;所述数据分析子系统,用于基于深度学习的神经网络分析碳丝的高分辨率图像,自动检测识别碳丝的毛丝、并丝缺陷;用于图像数据管理;所述异常报警子系统,用于对异常图像进行报警。本发明可以准确检测出碳纤维碳丝生产过程存在的大量毛丝、并丝,该碳纤维碳丝质量在线检测,自动化程度高,排除了人为因素的干扰,可高效、准确、实时地进行碳纤维碳丝的毛丝、并丝检测。
Description
技术领域
本发明属于碳纤维碳丝缺陷检测技术领域,具体涉及一种碳纤维碳丝质量在线检测系统和方法。
背景技术
目前,我国使用的碳纤维量约占世界用量的1/5,其存在巨大的市场潜力。然而,碳纤维生产是一项多学科交叉,多技术集成的系统工程,我国碳纤维产业起步较晚,在生产质量上与国外企业相比还存在一定差距。故碳丝质量在线检测对提升碳纤维生产质量与节约企业生产成本有着重要的意义。
碳纤维原丝生产过程具有速度快(7-10m/s)、直径小(10um)的特点,该高速下碳纤维原丝生产质量无法实现在线检测,产品质量评估仅依靠人工通过事后外表状况进行粗略评估,此种方法不全面且不合理。且碳纤维碳丝生产过程存在大量毛丝、并丝的问题,需要大量人工通过目视检测,但碳纤维碳丝生产过程由于碳丝量过大,导致目视检查无法有效执行,大量毛丝等问题随着缠绕卷入最终成品产品中,从而影响最终的产品质量问题。基于人工的碳丝表面缺陷检测方法主观性强,且只能确保在人眼误差的范围内对碳丝缺陷进行识别,但人眼的有效工作时间有限,疲劳状态下人眼对缺陷的识别准确率快速下降,造成不可预测的产品质量隐患。上述方法难以确保检测的有效性,为后续的碳纤维生产过程带来了不可控制的因素,碳纤维产品的质量以及使用年限也会受到一定程度的影响。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种碳纤维碳丝质量在线检测系统和方法,可以自动化检测碳纤维碳丝的表面缺陷(如长毛丝、并丝、断丝等),降低人为主观性的干扰,这对于提升碳纤维产品质量,保证产品生产的可靠性,提升碳纤维生产流程中的智能化检测水平,减少劳动人员强度会有很大贡献。
为实现上述技术目的,本发明采取的技术方案为:
一种碳纤维碳丝质量在线检测系统,包括数据采集子系统、数据分析子系统和异常报警子系统;
所述数据采集子系统,用于获取碳丝的高分辨率图像;
所述数据分析子系统,用于基于深度学习的神经网络分析碳丝的高分辨率图像,自动检测识别碳丝的毛丝、并丝缺陷;用于图像数据管理;
所述异常报警子系统,用于对异常图像进行报警。
为优化上述技术方案,采取的具体措施还包括:
上述的数据采集子系统包括高分辨率工业相机、高精度相机镜头、镜头微调转接环、高亮条形光源、光源控制器、相机防尘罩、相机支架及其微调机构、光源支架及其微调机构、工控机。
上述的相机为线阵相机,用于实时获取碳纤维碳丝的表面图像数据。
上述的数据分析子系统包括碳丝异常图像识别模块;
碳丝异常图像识别模块通过构建基于深度学习的神经网络自动检测识别碳丝的毛丝、并丝缺陷,实现碳纤维原丝生产过程的实时在线检测的要求。
上述的数据分析子系统包括图像数据管理模块;
图像数据管理模块针对存储原始图像数据集,并将检测的异常数据进行分类管理,用于后期问题追溯与工艺改进的数据查询。
上述的异常报警子系统检测到碳丝存在异常情况时,将异常图像通过现场大屏进行显示。
一种碳纤维碳丝质量在线检测方法,包括:
(1)数据采集子系统获取碳丝的高分辨率图像;
(2)利用步骤(1)采集碳丝的高分辨率图像制作碳丝缺陷检测模型数据集;
(3)数据分析子系统基于深度学习的神经网络,构建碳丝缺陷检测模型,利用步骤(2)的数据训练、测试模型;
(4)碳丝缺陷检测模型检测碳丝的高分辨率图像,识别碳丝缺陷位置;
(5)数据分析子系统基于检测结果,实时统计并分析缺陷种类、位置信息,并将分析结果实时推送至异常报警子系统;
(6)数据分析子系统存储原始图像数据,并将检测的异常数据进行分类管理,用于后期问题追溯与工艺改进的数据查询;
(7)异常报警子系统通过前端显示屏幕,输出当前碳丝缺陷的坐标信息,以方便人工进行实时可视化复检与后处理。
上述的步骤(2)中,分区域裁剪高分辨率图像,对高分辨率图像分区域进行智能化分类,筛选出含缺陷的图像作为训练数据,对训练数据,制作碳丝缺陷检测模型的训练集和测试集。
上述的步骤(3)中,基于深度学习的神经网络,针对碳纤维碳丝图像数据的特点,构建相应的碳丝表面质量检测网络,得到碳丝缺陷检测模型;所述碳丝表面质量检测网络包括主干网络和回归子网络;
主干网络采用特征金字塔网络,特征金字塔网络通过自顶向下的路径和横向连接来增强卷积神经网络,从线阵相机采集到的输入图像中构造多尺度特征金字塔,金字塔的每一层都用来探测不同尺度的表面缺陷,然后,将分析的异常结果进行实时反馈,即报警响应。
上述的步骤(7)中,若检测到碳丝存在异常情况,异常报警子系统将异常图像通过现场大屏进行显示,同时,通过LED阵列指示灯进行异常报警,所述指示灯与相机提前标定,建立图像位置与指示灯位置的联系,可将检测出异常的碳丝束用LED阵列指示灯进行指示,以方便现场工人快速排查并进行相应处理。
本发明具有以下有益效果:
本发明基于深度学习,本发明构建基于深度学习的碳纤维碳丝质量在线智能检测系统,通过高精度视觉传感器获取碳纤维表面高精度影像数据,再基于深度模型实时分析影像数据中碳纤维毛丝及并丝等情况,并将识别结果与每根碳纤维碳丝实时匹配,再通过语音提示与大屏显示的形式实时提现现场工作人员及时进行处理。另外,原始缺陷数据可进行实时存储、统计与数据分析,为产品等级评估、前端工艺优化提供了可靠的参考依据。实现了碳纤维原丝质量实时在线高速检测,填补了针对碳纤维原丝质量在线检测问题的空白,辅助碳纤维生产企业建立完成的质量管控体系,提供可靠的数据依据,可替代人工对碳纤维的生产质量进行把控,同时,为碳纤维产能的提升提供必要的质量保障。
附图说明
图1为本发明方法流程图;
图2为本发明异常报警子系统实施例;
图3为本发明碳丝缺陷检测模型实施例。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
一种碳纤维碳丝质量在线检测系统,包括数据采集子系统、数据分析子系统和异常报警子系统;
所述数据采集子系统,用于获取碳丝的高分辨率图像;
所述数据分析子系统,用于基于深度学习的神经网络分析碳丝的高分辨率图像,自动检测识别碳丝的毛丝、并丝缺陷;用于图像数据管理;
所述异常报警子系统,用于对异常图像进行报警。
实施例中,所述数据采集子系统包括高分辨率工业相机、高精度相机镜头、镜头微调转接环、高亮条形光源、光源控制器、相机防尘罩、相机支架及其微调机构、光源支架及其微调机构、工控机。高分辨率工业相机、高精度相机镜头、镜头微调转接环便于全方位拍摄高清碳丝数据;高亮条形光源、光源控制器、光源支架及其微调机构用于在相机拍摄时对碳丝束表面进行补光操作;相机防尘罩、相机支架及其微调机构是相机的附属部件,防止相机落尘以及配合相机更方便地工作;工控机用于控制相机拍摄过程。
实施例中,所述相机为线阵相机,用于实时获取碳纤维碳丝的表面图像数据,其具有较高的分辨率和较大的视场,并列布置两个相机即可覆盖2米幅面范围内的所有碳丝束;
根据需求可采用单面检测与双面检测两方案。单面检测是指拍摄碳丝束正面的表面图片,使用线阵相机装置于正面侧,并列布置两个相机即可覆盖2米幅面范围内的所有碳丝束。双面检测是指拍摄碳丝束正、反两面的表面图片,正、反两面均装置线阵相机。
采用单面检测方案可以最大程度降低硬件成本,同时相机与光源的布置不会干扰正常的现场作业;
而采用双面检测方案则有检测可靠性更高的优势。采集到的数据首先通过相应算法进行预处理,对图像数据进行增强和拼接,以便后续制作相应的数据集和进行在线检测工作。
实施例中,所述数据分析子系统包括碳丝异常图像识别模块;
碳丝异常图像识别模块通过构建基于深度学习的神经网络自动检测识别碳丝的毛丝、并丝缺陷,实现碳纤维原丝生产过程的实时在线检测的要求。
实施例中,所述数据分析子系统包括图像数据管理模块;
图像数据管理模块针对存储原始图像数据集,并将检测的异常数据进行分类管理,用于后期问题追溯与工艺改进的数据查询。
实施例中,所述异常报警子系统检测到碳丝存在异常情况时,将异常图像通过现场大屏进行显示。
如图1所述,一种碳纤维碳丝质量在线检测方法,包括:
(1)数据采集子系统获取碳丝的高分辨率图像;
通过高分辨率工业相机、高精度相机镜头、镜头微调转接环、高亮条形光源、光源控制器、相机防尘罩、相机支架与微调机构、光源支架与微调机构、工控机相关硬件,可摄下碳纤维碳丝的毛丝、并丝缺陷;
(2)利用步骤(1)采集碳丝的高分辨率图像制作碳丝缺陷检测模型数据集;
(3)数据分析子系统基于深度学习的神经网络,构建碳丝缺陷检测模型,利用步骤(2)的数据训练、测试模型;
(4)碳丝缺陷检测模型检测碳丝的高分辨率图像,识别碳丝缺陷位置;
(5)数据分析子系统基于检测结果,实时统计并分析缺陷种类、位置信息,并将分析结果实时推送至异常报警子系统;
(6)数据分析子系统存储原始图像数据,并将检测的异常数据进行分类管理,用于后期问题追溯与工艺改进的数据查询;
(7)异常报警子系统通过前端显示屏幕,输出当前碳丝缺陷的坐标信息,以方便人工进行实时可视化复检与后处理。
实施例中,步骤(2)中,分区域裁剪高分辨率图像(含缺陷与不含缺陷),对高分辨率图像分区域进行智能化分类,筛选出含缺陷的图像作为训练数据,对训练数据,制作碳丝缺陷检测模型的训练集和测试集。
如图2所示,实施例中,步骤(3)中,基于深度学习的神经网络,针对碳纤维碳丝图像数据的特点(如毛丝、毛条、并丝、接头、宽度异常等缺陷),构建相应的碳丝表面质量检测网络,得到碳丝缺陷检测模型;
所述碳丝表面质量检测网络包括主干网络和回归子网络;
主干网络采用特征金字塔网络(FPN),特征金字塔网络通过自顶向下的路径和横向连接来增强卷积神经网络,从而有效地从线阵相机采集到的输入图像中构造出丰富的多尺度特征金字塔,金字塔的每一层都可以用来探测不同尺度的表面缺陷,然后,将分析的异常结果进行实时反馈,即报警响应。
实施例中,还构建LOSS函数,损失函数是机器学习里最基础、最关键的要素,通过对损失函数的定义、优化,就可以衍生到目前常用的机器学习算法中,LOSS函数衡量细微的差异,使优化函数利用梯度下降方法快速找到最优解。LOSS函数的选取取决于输入标签数据的类型:若输入的是实数、无界的值,损失函数使用平方差;若输入标签是位矢量(分类标志),使用交叉熵更适合。此外预测值与真实值要采用同样的数据分布,以便于LOSS函数取得更佳的效果。
如图3所示,实施例中,步骤(7)中,若检测到碳丝存在异常情况,异常报警子系统将异常图像通过现场大屏进行显示,同时,通过LED阵列指示灯进行异常报警,所述指示灯与相机提前标定,建立图像位置与指示灯位置的联系,可将检测出异常的碳丝束用LED阵列指示灯进行指示,以方便现场工人快速排查并进行相应处理。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种碳纤维碳丝质量在线检测系统,其特征在于,包括数据采集子系统、数据分析子系统和异常报警子系统;
所述数据采集子系统,用于获取碳丝的高分辨率图像;
所述数据分析子系统,用于基于深度学习的神经网络分析碳丝的高分辨率图像,自动检测识别碳丝的毛丝、并丝缺陷;用于图像数据管理;
所述异常报警子系统,用于对异常图像进行报警。
2.根据权利要求1所述的一种碳纤维碳丝质量在线检测系统,其特征在于,所述数据采集子系统包括高分辨率工业相机、高精度相机镜头、镜头微调转接环、高亮条形光源、光源控制器、相机防尘罩、相机支架及其微调机构、光源支架及其微调机构、工控机。
3.根据权利要求2所述的一种碳纤维碳丝质量在线检测系统,其特征在于,所述相机为线阵相机,用于实时获取碳纤维碳丝的表面图像数据。
4.根据权利要求1所述的一种碳纤维碳丝质量在线检测系统,其特征在于,所述数据分析子系统包括碳丝异常图像识别模块;
碳丝异常图像识别模块通过构建基于深度学习的神经网络自动检测识别碳丝的毛丝、并丝缺陷,实现碳纤维原丝生产过程的实时在线检测的要求。
5.根据权利要求1所述的一种碳纤维碳丝质量在线检测系统,其特征在于,所述数据分析子系统包括图像数据管理模块;
图像数据管理模块针对存储原始图像数据集,并将检测的异常数据进行分类管理,用于后期问题追溯与工艺改进的数据查询。
6.根据权利要求1所述的一种碳纤维碳丝质量在线检测系统,其特征在于,所述异常报警子系统检测到碳丝存在异常情况时,将异常图像通过现场大屏进行显示。
7.根据权利要求1-6任一所述的一种碳纤维碳丝质量在线检测系统的一种碳纤维碳丝质量在线检测方法,其特征在于,包括:
(1)数据采集子系统获取碳丝的高分辨率图像;
(2)利用步骤(1)采集碳丝的高分辨率图像制作碳丝缺陷检测模型数据集;
(3)数据分析子系统基于深度学习的神经网络,构建碳丝缺陷检测模型,利用步骤(2)的数据训练、测试模型;
(4)碳丝缺陷检测模型检测碳丝的高分辨率图像,识别碳丝缺陷位置;
(5)数据分析子系统基于检测结果,实时统计并分析缺陷种类、位置信息,并将分析结果实时推送至异常报警子系统;
(6)数据分析子系统存储原始图像数据,并将检测的异常数据进行分类管理,用于后期问题追溯与工艺改进的数据查询;
(7)异常报警子系统通过前端显示屏幕,输出当前碳丝缺陷的坐标信息,以方便人工进行实时可视化复检与后处理。
8.根据权利要求6所述的一种碳纤维碳丝质量在线检测方法,其特征在于,步骤(2)中,分区域裁剪高分辨率图像,对高分辨率图像分区域进行智能化分类,筛选出含缺陷的图像作为训练数据,对训练数据,制作碳丝缺陷检测模型的训练集和测试集。
9.根据权利要求6所述的一种碳纤维碳丝质量在线检测方法,其特征在于,步骤(3)中,基于深度学习的神经网络,针对碳纤维碳丝图像数据的特点,构建相应的碳丝表面质量检测网络,得到碳丝缺陷检测模型;所述碳丝表面质量检测网络包括主干网络和回归子网络;
主干网络采用特征金字塔网络,特征金字塔网络通过自顶向下的路径和横向连接来增强卷积神经网络,从线阵相机采集到的输入图像中构造多尺度特征金字塔,金字塔的每一层都用来探测不同尺度的表面缺陷,然后,将分析的异常结果进行实时反馈,即报警响应。
10.根据权利要求6所述的一种碳纤维碳丝质量在线检测方法,其特征在于,步骤(7)中,若检测到碳丝存在异常情况,异常报警子系统将异常图像通过现场大屏进行显示,同时,通过LED阵列指示灯进行异常报警,所述指示灯与相机提前标定,建立图像位置与指示灯位置的联系,可将检测出异常的碳丝束用LED阵列指示灯进行指示,以方便现场工人快速排查并进行相应处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936521.8A CN113592852A (zh) | 2021-08-16 | 2021-08-16 | 一种碳纤维碳丝质量在线检测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936521.8A CN113592852A (zh) | 2021-08-16 | 2021-08-16 | 一种碳纤维碳丝质量在线检测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592852A true CN113592852A (zh) | 2021-11-02 |
Family
ID=78258034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936521.8A Pending CN113592852A (zh) | 2021-08-16 | 2021-08-16 | 一种碳纤维碳丝质量在线检测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592852A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581404A (zh) * | 2022-03-03 | 2022-06-03 | 常州市宏发纵横新材料科技股份有限公司 | 一种用于交织捆绑纱的断丝检测方法 |
CN116503615A (zh) * | 2023-06-25 | 2023-07-28 | 南京矩视科技有限公司 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
CN116523915A (zh) * | 2023-07-03 | 2023-08-01 | 新创碳谷集团有限公司 | 一种碳纤维接头缺陷的检测方法、设备及存储介质 |
-
2021
- 2021-08-16 CN CN202110936521.8A patent/CN113592852A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581404A (zh) * | 2022-03-03 | 2022-06-03 | 常州市宏发纵横新材料科技股份有限公司 | 一种用于交织捆绑纱的断丝检测方法 |
CN116503615A (zh) * | 2023-06-25 | 2023-07-28 | 南京矩视科技有限公司 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
CN116503615B (zh) * | 2023-06-25 | 2023-08-25 | 南京矩视科技有限公司 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
CN116523915A (zh) * | 2023-07-03 | 2023-08-01 | 新创碳谷集团有限公司 | 一种碳纤维接头缺陷的检测方法、设备及存储介质 |
CN116523915B (zh) * | 2023-07-03 | 2023-08-29 | 新创碳谷集团有限公司 | 一种碳纤维接头缺陷的检测方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592852A (zh) | 一种碳纤维碳丝质量在线检测系统和方法 | |
CN100535647C (zh) | 一种基于机器视觉的浮法玻璃缺陷在线检测装置 | |
CN105867337B (zh) | 一种背光模块自动化产线的管理系统及其方法 | |
CN207185897U (zh) | 一种全烟支外观质量在线检测装置及其卷烟机 | |
JP2009025851A (ja) | 作業管理装置及び作業管理方法 | |
CN104614380A (zh) | 一种板带表面质量检测系统和方法 | |
CN104614379A (zh) | 一种版材表面缺陷的检测系统和方法 | |
CN103207186A (zh) | 自动验布机疵点检测识别方法及其系统 | |
CN105301008A (zh) | 一种接装纸质量检测警示系统及质量在线检测方法 | |
CN101059451A (zh) | 基于机器视觉的印花机在线生产瑕疵实时检测系统 | |
CN105882142A (zh) | 印刷品缺陷检测系统及其方法 | |
CN106841222A (zh) | 一种用于自动验布的图像检测系统 | |
CN105891228A (zh) | 基于机器视觉的光纤外观缺陷检测及外径测量装置 | |
CN103116351A (zh) | 一种纺织疵布检测摄像头及其检测系统 | |
CN104931505A (zh) | 机器视觉表面检测系统 | |
CN108414531A (zh) | 一种基于机器视觉的柔性薄膜缺陷检测装置及其检测方法 | |
CN201041552Y (zh) | 一种基于机器视觉的浮法玻璃缺陷在线检测装置 | |
CN111812031A (zh) | 一种基于物联网检测系统的检测方法 | |
CN114858806A (zh) | 一种卷烟质量检验数据分析系统与方法 | |
CN203337559U (zh) | 印品质量数字化全自动检测系统 | |
CN116840240A (zh) | 电源分配器视觉检测系统 | |
CN112485935A (zh) | 液晶显示屏缺陷自动检测调整系统 | |
CN105973910A (zh) | 基于结构纹理特征的灯管质量检测与瑕疵分类方法及系统 | |
CN111733498A (zh) | 一种智能纺纱细纱故障检测系统 | |
CN104422694A (zh) | 测量数据的处理装置及处理方法、光学测量系统 |
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 |