CN113706498A - 一种锂电池极片视觉检测装置 - Google Patents
一种锂电池极片视觉检测装置 Download PDFInfo
- Publication number
- CN113706498A CN113706498A CN202110980947.3A CN202110980947A CN113706498A CN 113706498 A CN113706498 A CN 113706498A CN 202110980947 A CN202110980947 A CN 202110980947A CN 113706498 A CN113706498 A CN 113706498A
- Authority
- CN
- China
- Prior art keywords
- image
- pole piece
- battery pole
- ion battery
- contour
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 24
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 24
- 230000000007 visual effect Effects 0.000 title claims abstract description 9
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 66
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 66
- 230000007547 defect Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 3
- 150000002500 ions Chemical class 0.000 claims description 97
- 238000000605 extraction Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 34
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 239000000047 product Substances 0.000 claims description 10
- 238000011179 visual inspection Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003466 welding Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种锂电池极片视觉检测装置,包括:极片输送模块,用于将锂离子电池极片传送到图像采集模块的拍摄视野内;图像采集模块,所述图像采集模块用于对锂离子电池极片的表面进行视频拍摄,并对视频图像进行逐帧分割得到多个表面图像;识别分析模块,用于对采集所得的所述表面图像进行分析处理,得到识别结果;极片翻转模块,用于对锂离子电池极片进行翻转;极片分拣模块,用于根据所述识别结果对锂离子电池极片进行合格品或不合格品的分拣处理。通过本发明实现了对锂电池极片进行自动的缺陷检测,提高检测速度以及检测的可靠性,进而提高锂电池的生产效率。
Description
技术领域
本发明涉及自动化焊接检测领域,特别涉及一种锂电池极片视觉检测装置。
背景技术
新能源汽车作为我国新兴发展战略中的一个重大组成部分,在社会上受广大人民群众的关注,从新能源汽车的成本构成看,仅电池驱动系统占据了新能源汽车成本的30-45%,而动力锂电池又占据电池驱动系统约75-85%的成本构成。
目前锂电池大多采用自动化生产,产量多,速度快。而其中的电极极片是锂离子电池的核心部件和重要组成部分,极片有折痕、损伤、漏印或破损等观缺陷,这些缺陷不仅会对锂电池的使用寿命产生极大的折损,而且非常可能在使用过程中带来极大的安全隐患,所以在生产过程中对极片的检测环节尤其重要。
目前的生产过程中对极片的检测环节主要采用人工检测的方式,该生产方式具有可靠性低、速度慢等缺点。
发明内容
本发明提供一种锂电池极片视觉检测装置,用以实现对锂电池极片进行自动的缺陷检测,提高检测速度以及检测的可靠性,进而提高锂电池的生产效率。
本发明提供一种锂电池极片视觉检测装置,包括:
极片输送模块,用于将锂离子电池极片传送通过图像采集模块的拍摄视野;
图像采集模块,所述图像采集模块用于对锂离子电池极片的表面进行视频拍摄,并对视频图像进行逐帧分割得到多个表面图像;
识别分析模块,用于对采集所得的所述表面图像进行分析处理,得到识别结果;
极片翻转模块,用于对锂离子电池极片进行翻转;
极片分拣模块,用于根据所述识别结果对锂离子电池极片进行合格品或不合格品的分拣处理。
优选的,所述图像采集模块包括第一表面摄像单元和第二表面摄像单元;
所述第一表面摄像单元和所述第二表面摄像单元分别位于极片翻转模块的两侧;
所述第一表面摄像单元和所述第二表面摄像单元均包括一个相机和一个补光灯;
所述相机位于所述极片输送模块的正上方,用于对锂离子电池极片的表面进行摄像;
所述补光灯,用于给锂离子电池极片的表面进行补光。
优选的,所述识别分析模块包括:
图像滤波单元,用于将所述表面图像通过中值滤波对图像中的异常噪点进行滤除,得到无噪点图像;
轮廓提取单元,用于对所述无噪点图像进行轮廓提取得到轮廓图像;
轮廓匹配单元,用于将所述轮廓图像与预设的锂离子电池极片轮廓模板进行匹配,得到匹配结果,其中,所述匹配结果包括锂离子电池极片的型号、锂离子电池极片在所述无噪点图像中的位置以及无噪点图像中锂离子电池极片处于正面或者背面;
缺陷检测识别单元,用于基于所述匹配结果对所述表面图像中对应的离子电池极片进行表面缺陷识别,得到识别结果。
优选的,所述轮廓提取单元执行以下步骤:
步骤S100、通过adaboost算法对所述无噪点图像进行提取,得到第一图像;
步骤S101、计算所述第一图像与预先存储的ASM训练样本图像的缩放比例;
步骤S102、根据该缩放比例将存储的ASM训练样本图像的形状模型仿射投影到第一图像,得到无噪点图像中待识别物体的第一轮廓图像;
步骤S103、从所述第一图像中缩小提取包含待识别物体的第二图像;
步骤S104、计算所述第二图像与所述第一轮廓图像的缩放比例;
步骤S105、根据所述第二图像与所述第一轮廓图像的缩放比例,调整所述第一轮廓图像,得到所述第一图像上所述待识别物体的第二轮廓图像;
步骤S106、根据预先存储的所述第一图像上的任一特征点调整所述第二轮廓图像,得到所述第一图像上所述待识别物体的第三轮廓图像;
步骤S107、对所述第一轮廓图像、所述第二轮廓图像以及所述第三轮廓图像进行图像合成处理,得到待识别物体的轮廓图像。
优选的,所述第一图像与存储的ASM训练样本图像的缩放比例包括所述第一图像与所述ASM训练样本图像的第一宽度比值,以及所述第一图像与所述ASM训练样本图像的第一高度比值;
所述根据缩放比例将存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像的步骤具体包括:
根据所述第一宽度比值和所述ASM训练样本图像的形状模型的宽度,计算仿射变换后所述ASM训练样本图像的形状模型的宽度,并根据所述第一高度比值和所述ASM训练样本图像的形状模型的高度,计算仿射变换后所述ASM训练样本图像的形状模型的高度;
根据计算得到的所述ASM训练样本图像的形状模型的高度、以及所述ASM训练样本图像的形状模型的高度,将所述ASM训练样本图像的形状模型仿射投影到所述第一图像。
优选的,所述轮廓提取单元还执行以下步骤:
步骤S200、对所述无噪点图像进行边缘提取得到边缘影像;
步骤S201、采用倒角距离变换的方法计算边缘影像中每一个非边缘像素距离最近的边缘像素的距离,并进行归一化的距离变换,得到归一化后的距离;
步骤S202、采用规则网格对所述边缘影像进行覆盖,并对网格中的像素赋予初始值;
步骤S203、计算每个规则网格中的像素和其相邻的像素的平均匹配度,选取平均匹配度最大的像素作为所述轮廓图像中的基本像素;
步骤S204、统计所有所述基本像素,基于所述基本像素对应的规则网格在所述边缘影像中的位置关系对所有所述基本像素进行排序分布,得到轮廓图像。
优选的,所述对所述无噪点图像进行边缘提取得到边缘影像包括:
采用Sobel算子、Prewitt算子、Canny算子的方法或者采用图像分割法计算并提取所述无噪点图像中的闭合轮廓:
将所述无噪点图像中闭合轮廓所在位置的像素进行提取;
建立图像空白模板,所述图像空白模板的尺寸与所述无噪点图像的尺寸保持一致;
将提取的像素对应分布在所述图像空白模板中,得到边缘影像。
优选的,所述缺陷检测识别单元执行以下操作:
基于所述匹配结果对所述表面图像中对应的离子电池极片进行标注;
对标注后的离子电池极片进行位置跟踪定位,确定离子电池极片在所述轮廓图像中对应的轮廓位置;
在所述视频图像中对该轮廓位置的图像进行框选和分割提取,得到离子电池极片在移动过程中的多个轮廓提取图像;
将轮廓提取图像转换为灰度图像,提取灰度图像中各像素点的灰度值,并确定各像素点灰度值中的灰度众值;
将所述灰度众值加上预设的第一灰度差值得到灰度上限值,将所述灰度众值减去上预设的第二灰度差值得到灰度下限值,以所述灰度上限值和所述灰度下限值包括所述灰度上限值和所述灰度下限值所框选的区域作为正常灰度值区域;
对轮廓提取图像对应的灰度图像中多个像素点进行筛选,确定灰度值不处于正常灰度值区域的像素点的个数;
当不处于正常灰度值区域的像素点的个数与灰度图像中像素点总数的比值大于预设的判断比值时,确定该灰度图像对应的轮廓提取图像存在缺陷;
对于离子电池极片在移动过程中的多个轮廓提取图像,当其中存在缺陷的轮廓提取图像的数量大于预设的数量阈值时,确定该离子电池极片存在缺陷并为其打上不合格标签,以不合格作为对该离子电池极片的识别结果;
当其中存在缺陷的轮廓提取图像的数量小于或等于预设的数量阈值时,确定该离子电池极片不存在缺陷并为其打上合格标签,以合格作为对该离子电池极片的识别结果。
优选的,所述对标注后的离子电池极片进行位置跟踪定位包括:
根据连续两帧表面图像中的离子电池极片进行目标跟踪计算,得到离子电池极片的特征中心位置变化向量;
根据所述特征中心位置变化向量,基于拍摄两帧图像时的时间差,确定离子电池极片的移动速度;
基于离子电池极片的移动速度,确定离子电池极片在所述轮廓图像中对应的轮廓位置。
优选的,所根据连续两帧表面图像中的离子电池极片进行目标跟踪计算,得到离子电池极片的特征中心位置变化向量包括:
确定前一帧所述表面图像中标注的某个离子电池极片对应位置区域的中心点,基于该中心点框选离子电池极片的第一位置模板,并计算第一位置模板的第一概率密度:
确定后一帧所述表面图像中标注的某个离子电池极片对应位置区域的中心点,基于该中心点框选离子电池极片的第二位置模板,并计算第二位置模板的第二概率密度:
根据所述第一概率密度及所述第二概率密度,求得所述特征中心位置变化向量。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种锂电池极片视觉检测装置的结构示意图;
图2为本发明实施例中轮廓提取单元执行A方案时的步骤流程图;
图3为本发明实施例中轮廓提取单元执行B方案时的步骤流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种锂电池极片视觉检测装置,如图1,包括:
极片输送模块,用于将锂离子电池极片传送通过图像采集模块的拍摄视野;
图像采集模块,图像采集模块用于对锂离子电池极片的表面进行视频拍摄,并对视频图像进行逐帧分割得到多个表面图像;
识别分析模块,用于对采集所得的表面图像进行分析处理,得到识别结果;
极片翻转模块,用于对锂离子电池极片进行翻转;
极片分拣模块,用于根据识别结果对锂离子电池极片进行合格品或不合格品的分拣处理。
上述技术方案的工作原理和有益效果为:通过传送带将锂离子电池极片传送通过图像采集模块的拍摄视野,利用图像采集模块对锂离子电池极片的表面进行视频拍摄,并对视频图像进行逐帧分割得到多个表面图像,对于每个表面图像中的多个锂离子电池极片对应的图像进行分析,得到每个锂离子电池极片在表面图像中对应的图像的位置,同时对其进行跟踪确定锂离子电池极片的移动情况,检测锂离子电池极片的表面缺陷状况,并将锂离子电池极片按顺序标号,将锂离子电池极片的表面缺陷状况识别结果与标号进行对应,对锂离子电池极片进行翻转实现对锂离子电池极片的两面都进行了缺陷检测,极片分拣模块根据通过的锂离子电池极片的标号以及其对应的识别结果对锂离子电池极片进行合格品或不合格品的分拣处理。通过上述方案实现了对锂离子电池极片两个面的自动化缺陷检测,提高了检测的可靠性,对传送带上移动的锂离子电池极片进行跟踪检测,提高了检测效率,进而提高了极片生产效率。
在一个优选实施例中,图像采集模块包括第一表面摄像单元和第二表面摄像单元;
第一表面摄像单元和第二表面摄像单元分别位于极片翻转模块的两侧;
第一表面摄像单元和第二表面摄像单元均包括一个相机和一个补光灯;
相机位于极片输送模块的正上方,用于对锂离子电池极片的表面进行摄像;
补光灯,用于给锂离子电池极片的表面进行补光。
上述技术方案的工作原理和有益效果为:分别通过第一表面摄像单元和第二表面摄像单元对锂离子电池极片的两个表面进行摄像,通过在中间设置的极片翻转模块对极片进行翻转,实现对锂离子电池极片两个面的图像采集,采用相机位于极片输送模块的正上方,用于对锂离子电池极片的表面进行摄像,利用补光灯,给锂离子电池极片的表面进行补光,防止在光线微弱的环境下作业得到错误的缺陷识别判断结果。
在一个优选实施例中,识别分析模块包括:
图像滤波单元,用于将表面图像通过中值滤波对图像中的异常噪点进行滤除,得到无噪点图像;
轮廓提取单元,用于对无噪点图像进行轮廓提取得到轮廓图像;
轮廓匹配单元,用于将轮廓图像与预设的锂离子电池极片轮廓模板进行匹配,得到匹配结果,其中,匹配结果包括锂离子电池极片的型号、锂离子电池极片在无噪点图像中的位置以及无噪点图像中锂离子电池极片处于正面或者背面;
缺陷检测识别单元,用于基于匹配结果对表面图像中对应的离子电池极片进行表面缺陷识别,得到识别结果。
上述技术方案的工作原理和有益效果为:图像滤波单元表面图像通过中值滤波对图像中的异常噪点进行滤除,得到无噪点图像,降低光噪点对识别结果的影响,轮廓提取单元对无噪点图像进行轮廓提取得到轮廓图像,轮廓匹配单元将轮廓图像与预设的锂离子电池极片轮廓模板进行匹配,得到匹配结果,根据匹配结果确定锂离子电池极片的型号、锂离子电池极片在无噪点图像中的位置以及无噪点图像中锂离子电池极片处于正面或者背面,从而方便确定对应型号的锂离子电池极片的缺陷识别的要求,包括对应预设的识别参数如第一灰度值、第二灰度值、判断比值以及数量阈值等,基于匹配结果对表面图像中对应的离子电池极片进行表面缺陷识别,得到识别结果,从而得到了离子电池极片在传送带上的具体位置,离子电池极片所摆的正反面方向,离子电池极片的缺陷状况,进而得到离子电池极片在通过第一表面摄像单元和第二表面摄像单元时的正反面方向以及该方向的表面缺陷情况,有利于对离子电池极片进行快速分拣,提高离子电池极片的缺陷检测效率。
在一个优选实施例中,如图2,轮廓提取单元执行A方案时执行以下步骤:
步骤S100、通过adaboost算法对无噪点图像进行提取,得到第一图像;
步骤S101、计算第一图像与预先存储的ASM训练样本图像的缩放比例;
步骤S102、根据该缩放比例将存储的ASM训练样本图像的形状模型仿射投影到第一图像,得到无噪点图像中待识别物体的第一轮廓图像;
步骤S103、从第一图像中缩小提取包含待识别物体的第二图像;
步骤S104、计算第二图像与第一轮廓图像的缩放比例;
步骤S105、根据第二图像与第一轮廓图像的缩放比例,调整第一轮廓图像,得到第一图像上待识别物体的第二轮廓图像;
步骤S106、根据预先存储的第一图像上的任一特征点调整第二轮廓图像,得到第一图像上待识别物体的第三轮廓图像;
步骤S107、对第一轮廓图像、第二轮廓图像以及第三轮廓图像进行图像合成处理,得到待识别物体的轮廓图像。
上述技术方案的工作原理和有益效果为:通过adaboost算法对无噪点图像进行提取,得到第一图像;计算第一图像与预先存储的ASM训练样本图像的缩放比例;根据该缩放比例将存储的ASM训练样本图像的形状模型仿射投影到第一图像,得到无噪点图像中待识别物体的第一轮廓图像;从第一图像中缩小提取包含待识别物体的第二图像;计算第二图像与第一轮廓图像的缩放比例,其中的缩放比例包括第二图像与第一形状轮廓的第二宽度比值,以及第二图像与第一形状轮廓的第二高度比值。在计算第二高度比值和第二宽度比值之后,根据第二宽度比值和第二高度比值调整第一形状轮廓,使得调整后的第一形状轮廓的宽度为第二图像的宽度,调整后第一形状轮廓的高度为第二图像的高度,从而得到第一图像上待识别物体的第二形状轮廓。根据第二图像与第一轮廓图像的缩放比例,调整第一轮廓图像,得到第一图像上待识别物体的第二轮廓图像;根据预先存储的第一图像上的任一特征点调整第二轮廓图像,得到第一图像上带是被物体的第三轮廓图像;对第一轮廓图像、第二轮廓图像以及第三轮廓图像进行图像合成处理,得到待识别物体的轮廓图像,从而进一步提高轮廓提取的精度。本方案的优点是对待识别物体进行至少两次轮廓提取,并相应地根据缩放比例对ASM训练样本图像的形状模型进行至少两次的自动调整,在保证并优化提取精度的同时,避免了手动设定初始移动坐标和缩放系数时提取精度差、提取时间长的问题,特别适用于对于远离操作者的待识别物体轮廓的提取,且提取精度较高。
在一个优选实施例中,第一图像与存储的ASM训练样本图像的缩放比例包括第一图像与ASM训练样本图像的第一宽度比值,以及第一图像与ASM训练样本图像的第一高度比值;
根据缩放比例将存储的ASM训练样本图像的形状模型仿射投影到第一图像的步骤具体包括:
根据第一宽度比值和ASM训练样本图像的形状模型的宽度,计算仿射变换后ASM训练样本图像的形状模型的宽度,并根据第一高度比值和ASM训练样本图像的形状模型的高度,计算仿射变换后ASM训练样本图像的形状模型的高度;
根据计算得到的ASM训练样本图像的形状模型的高度、以及ASM训练样本图像的形状模型的高度,将ASM训练样本图像的形状模型仿射投影到第一图像。
上诉技术方案的工作原理和有益效果为:根据第一宽度比值和ASM训练样本图像的形状模型的宽度,计算仿射变换后ASM训练样本图像的形状模型的宽度,并根据第一高度比值和ASM训练样本图像的形状模型的高度,计算仿射变换后ASM训练样本图像的形状模型的高度;
根据计算得到的ASM训练样本图像的形状模型的高度、以及ASM训练样本图像的形状模型的高度,将ASM训练样本图像的形状模型仿射投影到第一图像。例如,假设第一宽度比值为S1,第一高度比值为S2,则仿射变换后ASM训练样本图像的形状模型的宽度=ASM训练样本图像的形状模型的宽度*S1,仿射变换后ASM训练样本图像的形状模型的高度=ASM训练样本图像的形状模型的高度*S2。本方案的优点是在得到第一轮廓图像后,还根据参考坐标调整第一轮廓图像,得到中间轮廓图像,之后通过对中间轮廓图像的调整,得到第二轮廓图像。由于中间轮廓图像与第一图像上的待识别物体是基于该参考坐标对齐,从而可使得第二轮廓图像的位置与第一图像上的待识别物体更加接近并匹配,进一步提高了待识别物体的轮廓提取精度。
在一个优选实施例中,如图3,轮廓提取单元执行B方案时执行以下步骤:
步骤S200、对无噪点图像进行边缘提取得到边缘影像;
步骤S201、采用倒角距离变换的方法计算边缘影像中每一个非边缘像素距离最近的边缘像素的距离,并进行归一化的距离变换,得到归一化后的距离;
步骤S202、采用规则网格对边缘影像进行覆盖,并对网格中的像素赋予初始值;
步骤S203、计算每个规则网格中的像素和其相邻的像素的平均匹配度,选取平均匹配度最大的像素作为轮廓图像中的基本像素;
步骤S204、统计所有基本像素,基于基本像素对应的规则网格在边缘影像中的位置关系对所有基本像素进行排序分布,得到轮廓图像。
上述技术方案的工作原理和有益效果为:通过对无噪点图像进行边缘提取得到边缘影像,采用倒角距离变换的方法计算边缘影像中每一个非边缘像素距离最近的边缘像素的距离,并进行归一化的距离变换,得到归一化后的距离,得到多个较为可靠的参考像素点,用规则网格对边缘影像进行覆盖,并对网格中的像素赋予初始值,计算每个规则网格中的像素和其相邻的像素的平均匹配度,选取平均匹配度最大的像素作为轮廓图像中的基本像素,从而得到轮廓像素点的质量平均中心的位置作为基本像素点位置,统计所有基本像素,基于基本像素对应的规则网格在边缘影像中的位置关系对所有基本像素进行排序分布,得到轮廓图像。相对于上一个优选实施例中轮廓提取单元所执行的A方案,通过执行B方案,实现对轮廓图像进行更为快速的提取,从而能够提高检测的速度。
在一个优选实施例中,对无噪点图像进行边缘提取得到边缘影像包括:
采用Sobel算子、Prewitt算子、Canny算子的方法或者采用图像分割法计算并提取无噪点图像中的闭合轮廓:
将无噪点图像中闭合轮廓所在位置的像素进行提取;
建立图像空白模板,图像空白模板的尺寸与无噪点图像的尺寸保持一致;
将提取的像素对应分布在图像空白模板中,得到边缘影像。
上述技术方案的工作原理和有益效果为:提供多种的闭合轮廓的提取算法,适应不同型号的锂离子电池极片的缺陷检测要求,通过建立图像空白模板建立边缘影像的方式,降低原有无噪点图像对提取结果的影响,提高边缘影响的准确度。
在一个优选实施例中,缺陷检测识别单元执行以下操作:
基于匹配结果对表面图像中对应的离子电池极片进行标注;
对标注后的离子电池极片进行位置跟踪定位,确定离子电池极片在轮廓图像中对应的轮廓位置;
在视频图像中对该轮廓位置的图像进行框选和分割提取,得到离子电池极片在移动过程中的多个轮廓提取图像;
将轮廓提取图像转换为灰度图像,提取灰度图像中各像素点的灰度值,并确定各像素点灰度值中的灰度众值;
将灰度众值加上预设的第一灰度差值得到灰度上限值,将灰度众值减去上预设的第二灰度差值得到灰度下限值,以灰度上限值和灰度下限值包括灰度上限值和灰度下限值所框选的区域作为正常灰度值区域;
对轮廓提取图像对应的灰度图像中多个像素点进行筛选,确定灰度值不处于正常灰度值区域的像素点的个数;
当不处于正常灰度值区域的像素点的个数与灰度图像中像素点总数的比值大于预设的判断比值时,确定该灰度图像对应的轮廓提取图像存在缺陷;
对于离子电池极片在移动过程中的多个轮廓提取图像,当其中存在缺陷的轮廓提取图像的数量大于预设的数量阈值时,确定该离子电池极片存在缺陷并为其打上不合格标签,以不合格作为对该离子电池极片的识别结果;
当其中存在缺陷的轮廓提取图像的数量小于或等于预设的数量阈值时,确定该离子电池极片不存在缺陷并为其打上合格标签,以合格作为对该离子电池极片的识别结果。
上述技术方案的工作原理和有益效果为:通过对移动过程中离子电池极片进行跟踪,确定该离子电池极片在图像中的位置,对该图像位置的图像进行框选和分割提取,得到离子电池极片在移动过程中的多个轮廓提取图像,实现对离子电池极片在移动过程中的缺陷检测,检测时采用将轮廓提取图像转换为灰度图像的方法,对灰度图像中异常亮点或暗点作为缺陷点,当缺陷点的数量足够高时,确定并不是偶然的噪点引起的异常亮点或暗点,而是缺陷点引起的异常亮点或暗点,从而确定该轮廓提取图像存在缺陷,在多张轮廓提取图像均存在缺陷时,判断该廓提取图像所对应的离子电池极片存在缺陷。其中引入了灰度众值和正常灰度值区域的确定方法,使异常点亮点和暗点的位置能够明显地显现,方便对缺陷状态进行判断。利用离子电池极片在传送带上相对于补光灯移动时面度不同的光线照射方向从各个角度反射的反射光,能够从各个角度对离子电池极片的表面缺陷状况进行全方位的检测,而利用多个轮廓提取图像进行判断的方法,非常适应于该种检测方式。从而实现了对离子电池极片的全方位检测。
在一个优选实施例中,对标注后的离子电池极片进行位置跟踪定位包括:
根据连续两帧表面图像中的离子电池极片进行目标跟踪计算,得到离子电池极片的特征中心位置变化向量;
根据特征中心位置变化向量,基于拍摄两帧图像时的时间差,确定离子电池极片的移动速度;
基于离子电池极片的移动速度,确定离子电池极片在轮廓图像中对应的轮廓位置。
上述技术方案的工作原理和有益效果为:根据连续两帧表面图像中的离子电池极片进行目标跟踪计算,得到离子电池极片的特征中心位置变化向量,根据特征中心位置变化向量,基于拍摄两帧图像时的时间差,确定离子电池极片的移动速度,从而基于离子电池极片的移动速度,确定离子电池极片在轮廓图像中对应的轮廓位置。通过上述技术方案实现了对离子电池极片进行位置跟踪定位检测,能够确定离子电池极片对应的轮廓提取图像在表面图像中的位置变化情况。
在一个优选实施例中,根据连续两帧表面图像中的离子电池极片进行目标跟踪计算,得到离子电池极片的特征中心位置变化向量包括:
确定前一帧表面图像中标注的某个离子电池极片对应位置区域的中心点,基于该中心点框选离子电池极片的第一位置模板,并基于预设的特征值模板计算第一位置模板的第一概率密度,计算公式如下:
其中Aμ(μ=1,2,…,m)为第一位置模板中特征值μ的概率密度,DA为一个标准化的常量系数,k(x)为核函数的轮廓函数,h为核函数的带宽,δ[b(xi)-μ]为第一位置模板中xi与特征值模板中第μ个特征值的关系冲激函数,若xi属于μ则δ[b(xi)-μ]为1,若xi不属于μ则δ[b(xi)-μ]为0,x0为第一位置模板的模板中心,xi为第一位置模板中的第i个像素的位置,i=1,2,…,n;
确定后一帧表面图像中标注的某个离子电池极片对应位置区域的中心点,基于该中心点框选离子电池极片的第二位置模板,并基于预设的特征值模板计算第二位置模板的第二概率密度,计算公式如下:
其中Bμ(μ=1,2,…,m)为第二位置模板中特征值μ的概率密度,DB为一个标准化的常量系数,k(x)为核函数的轮廓函数,h为核函数的带宽,δ[b(yj)-μ]为第二位置模板中yj与特征值模板中第μ个特征值的关系冲激函数,若yj属于μ则δ[b(yj)-μ]为1,若yj不属于μ则δ[b(yj)-μ]为0,y0为第二位置模板的模板中心,yj为第二位置模板的第j个像素的位置,j=1,2,…,nh;
根据第一概率密度及第二概率密度,求得特征中心位置变化向量,计算公式如下:
其中,M为特征中心位置变化向量,函数g(x)=-k′(x)。
上述技术方案的工作原理和有益效果为:先分别计算第一位置模板和第二位置模板相对于特征值模板的第一概率密度及第二概率密度,通过对两个模板之间的特征点,基于第一概率密度及第二概率密度进行匹配运算,将两个模板中相关度最高的区域进行定位,得到后一个模板中被测物体的中心位置相对于前一个模板中被测物体的中心位置的向量变化状况,能够实现对锂离子电池极片的跟踪定位。通过利用图像识别对离子电池极片位置进行跟踪定位的方式,比起传统的固定位置跟踪的方法更为精确,避免了传统固定位置跟踪的方法中经常出现的因锂离子电池极片脱落而导致产品线错乱的问题。通过利用图像识别对离子电池极片位置进行跟踪定位的方式更为智能,并且抗干扰能力更强,能够应对多种突发状况。比如,传统的固定位置跟踪的方法对锂离子电池极片进行定位时,若锂离子电池极片脱落滑动到另一个位置,由于设定的程序认定该固定位置必定存在锂离子电池极片,进而对该位置进行分拣工作,实际上对该锂离子电池极片的分拣工作是失败的,并且可能会给产品线带来连环影响,产生蝴蝶效应。而通过图像定位的方式,就算锂离子电池极片脱落滑动到另一个位置也能对其位置进行确定,只需要控制分拣机器人对该位置进行抓取即可,不会对分拣工作带来影响,所以容错率更高。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种锂电池极片视觉检测装置,其特征在于,包括:
极片输送模块,用于将锂离子电池极片传送到图像采集模块的拍摄视野内;
图像采集模块,所述图像采集模块用于对锂离子电池极片的表面进行视频拍摄,并对视频图像进行逐帧分割得到多个表面图像;
识别分析模块,用于对采集所得的所述表面图像进行分析处理,得到识别结果;
极片翻转模块,用于对锂离子电池极片进行翻转;
极片分拣模块,用于根据所述识别结果对锂离子电池极片进行合格品或不合格品的分拣处理。
2.根据权利要求1所述的一种锂电池极片视觉检测装置,其特征在于,所述图像采集模块包括第一表面摄像单元和第二表面摄像单元;
所述第一表面摄像单元和所述第二表面摄像单元分别位于极片翻转模块的两侧;
所述第一表面摄像单元和所述第二表面摄像单元均包括一个相机和一个补光灯;
所述相机位于所述极片输送模块的正上方,用于对锂离子电池极片的表面进行摄像;
所述补光灯,用于给锂离子电池极片的表面进行补光。
3.根据权利要求1所述的一种锂电池极片视觉检测装置,其特征在于,所述识别分析模块包括:
图像滤波单元,用于将所述表面图像通过中值滤波对图像中的异常噪点进行滤除,得到无噪点图像;
轮廓提取单元,用于对所述无噪点图像进行轮廓提取得到轮廓图像;
轮廓匹配单元,用于将所述轮廓图像与预设的锂离子电池极片轮廓模板进行匹配,得到匹配结果,其中,所述匹配结果包括锂离子电池极片的型号、锂离子电池极片在所述无噪点图像中的位置以及无噪点图像中锂离子电池极片处于正面或者背面;
缺陷检测识别单元,用于基于所述匹配结果对所述表面图像中对应的离子电池极片进行表面缺陷识别,得到识别结果。
4.根据权利要求3所述的一种锂电池极片视觉检测装置,其特征在于,所述轮廓提取单元执行以下步骤:
步骤S100、通过adaboost算法对所述无噪点图像进行提取,得到第一图像;
步骤S101、计算所述第一图像与预先存储的ASM训练样本图像的缩放比例;
步骤S102、根据该缩放比例将存储的ASM训练样本图像的形状模型仿射投影到第一图像,得到无噪点图像中待识别物体的第一轮廓图像;
步骤S103、从所述第一图像中缩小提取包含待识别物体的第二图像;
步骤S104、计算所述第二图像与所述第一轮廓图像的缩放比例;
步骤S105、根据所述第二图像与所述第一轮廓图像的缩放比例,调整所述第一轮廓图像,得到所述第一图像上所述待识别物体的第二轮廓图像;
步骤S106、根据预先存储的所述第一图像上的任一特征点调整所述第二轮廓图像,得到所述第一图像上所述待识别物体的第三轮廓图像;
步骤S107、对所述第一轮廓图像、所述第二轮廓图像以及所述第三轮廓图像进行图像合成处理,得到待识别物体的轮廓图像。
5.根据权利要求4所述的一种锂电池极片视觉检测装置,其特征在于,所述第一图像与存储的ASM训练样本图像的缩放比例包括所述第一图像与所述ASM训练样本图像的第一宽度比值,以及所述第一图像与所述ASM训练样本图像的第一高度比值;
所述根据缩放比例将存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像的步骤具体包括:
根据所述第一宽度比值和所述ASM训练样本图像的形状模型的宽度,计算仿射变换后所述ASM训练样本图像的形状模型的宽度,并根据所述第一高度比值和所述ASM训练样本图像的形状模型的高度,计算仿射变换后所述ASM训练样本图像的形状模型的高度;
根据计算得到的所述ASM训练样本图像的形状模型的高度、以及所述ASM训练样本图像的形状模型的高度,将所述ASM训练样本图像的形状模型仿射投影到所述第一图像。
6.根据权利要求3所述的一种锂电池极片视觉检测装置,其特征在于,所述轮廓提取单元还执行以下步骤:
步骤S200、对所述无噪点图像进行边缘提取得到边缘影像;
步骤S201、采用倒角距离变换的方法计算边缘影像中每一个非边缘像素距离最近的边缘像素的距离,并进行归一化的距离变换,得到归一化后的距离;
步骤S202、采用规则网格对所述边缘影像进行覆盖,并对网格中的像素赋予初始值;
步骤S203、计算每个规则网格中的像素和其相邻的像素的平均匹配度,选取平均匹配度最大的像素作为所述轮廓图像中的基本像素;
步骤S204、统计所有所述基本像素,基于所述基本像素对应的规则网格在所述边缘影像中的位置关系对所有所述基本像素进行排序分布,得到轮廓图像。
7.根据权利要求6所述的一种锂电池极片视觉检测装置,其特征在于,所述对所述无噪点图像进行边缘提取得到边缘影像包括:
采用Sobel算子、Prewitt算子、Canny算子的方法或者采用图像分割法计算并提取所述无噪点图像中的闭合轮廓;
将所述无噪点图像中闭合轮廓所在位置的像素进行提取;
建立图像空白模板,所述图像空白模板的尺寸与所述无噪点图像的尺寸保持一致;
将提取的像素对应分布在所述图像空白模板中,得到边缘影像。
8.根据权利要求3所述的一种锂电池极片视觉检测装置,其特征在于,所述缺陷检测识别单元执行以下操作:
基于所述匹配结果对所述表面图像中对应的离子电池极片进行标注;
对标注后的离子电池极片进行位置跟踪定位,确定离子电池极片在所述轮廓图像中对应的轮廓位置;
在所述视频图像中对该轮廓位置的图像进行框选和分割提取,得到离子电池极片在移动过程中的多个轮廓提取图像;
将轮廓提取图像转换为灰度图像,提取灰度图像中各像素点的灰度值,并确定各像素点灰度值中的灰度众值;
将所述灰度众值加上预设的第一灰度差值得到灰度上限值,将所述灰度众值减去上预设的第二灰度差值得到灰度下限值,以所述灰度上限值和所述灰度下限值包括所述灰度上限值和所述灰度下限值所框选的区域作为正常灰度值区域;
对轮廓提取图像对应的灰度图像中多个像素点进行筛选,确定灰度值不处于正常灰度值区域的像素点的个数;
当不处于正常灰度值区域的像素点的个数与灰度图像中像素点总数的比值大于预设的判断比值时,确定该灰度图像对应的轮廓提取图像存在缺陷;
对于离子电池极片在移动过程中的多个轮廓提取图像,当其中存在缺陷的轮廓提取图像的数量大于预设的数量阈值时,确定该离子电池极片存在缺陷并为其打上不合格标签,以不合格作为对该离子电池极片的识别结果;
当其中存在缺陷的轮廓提取图像的数量小于或等于预设的数量阈值时,确定该离子电池极片不存在缺陷并为其打上合格标签,以合格作为对该离子电池极片的识别结果。
9.根据权利要求8所述的一种锂电池极片视觉检测装置,其特征在于,所述对标注后的离子电池极片进行位置跟踪定位包括:
根据连续两帧表面图像中的离子电池极片进行目标跟踪计算,得到离子电池极片的特征中心位置变化向量;
根据所述特征中心位置变化向量,基于拍摄两帧图像时的时间差,确定离子电池极片的移动速度;
基于离子电池极片的移动速度,确定离子电池极片在所述轮廓图像中对应的轮廓位置。
10.根据权利要求1所述的一种锂电池极片视觉检测装置,其特征在于,所述根据连续两帧表面图像中的离子电池极片进行目标跟踪计算,得到离子电池极片的特征中心位置变化向量包括:
确定前一帧所述表面图像中标注的某个离子电池极片对应位置区域的中心点,基于该中心点框选离子电池极片的第一位置模板,并计算第一位置模板的第一概率密度:
确定后一帧所述表面图像中标注的某个离子电池极片对应位置区域的中心点,基于该中心点框选离子电池极片的第二位置模板,并计算第二位置模板的第二概率密度:
根据所述第一概率密度及所述第二概率密度,求得所述特征中心位置变化向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110980947.3A CN113706498A (zh) | 2021-08-25 | 2021-08-25 | 一种锂电池极片视觉检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110980947.3A CN113706498A (zh) | 2021-08-25 | 2021-08-25 | 一种锂电池极片视觉检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706498A true CN113706498A (zh) | 2021-11-26 |
Family
ID=78654645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110980947.3A Pending CN113706498A (zh) | 2021-08-25 | 2021-08-25 | 一种锂电池极片视觉检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706498A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115922086A (zh) * | 2023-03-10 | 2023-04-07 | 深圳市摩森智控技术有限公司 | 一种锂电池正极片激光振镜焊接系统及工艺 |
CN116168030A (zh) * | 2023-04-25 | 2023-05-26 | 宁德时代新能源科技股份有限公司 | 极片的缺陷检测方法、装置、电子设备及存储介质 |
CN116416268B (zh) * | 2023-06-09 | 2023-08-18 | 浙江双元科技股份有限公司 | 基于递归二分法的锂电池极片边缘位置检测方法及装置 |
CN117867834A (zh) * | 2024-03-13 | 2024-04-12 | 佛山市飘鼎内衣有限公司 | 一种运动内衣高效整烫一体机 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090262977A1 (en) * | 2008-04-18 | 2009-10-22 | Cheng-Ming Huang | Visual tracking system and method thereof |
US20100128927A1 (en) * | 2008-03-14 | 2010-05-27 | Sony Computer Entertainment Inc. | Image processing apparatus and image processing method |
CN102284431A (zh) * | 2011-04-28 | 2011-12-21 | 河南科技大学 | 一种锂离子电池极片在线检测分级装置及其方法 |
CN102779278A (zh) * | 2012-07-04 | 2012-11-14 | Tcl集团股份有限公司 | 轮廓提取方法及系统 |
CN107909083A (zh) * | 2017-11-10 | 2018-04-13 | 中国科学院地理科学与资源研究所 | 一种基于轮廓匹配优化的矩形检测提取方法 |
CN108346141A (zh) * | 2018-01-11 | 2018-07-31 | 浙江理工大学 | 单边侧入光式导光板缺陷提取方法 |
CN108416766A (zh) * | 2018-01-31 | 2018-08-17 | 浙江理工大学 | 双侧入光式导光板缺陷视觉检测方法 |
CN109872304A (zh) * | 2019-01-17 | 2019-06-11 | 京东方科技集团股份有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
CN112947035A (zh) * | 2021-01-28 | 2021-06-11 | 四川写正智能科技有限公司 | 一种护眼正姿智能手表测距传感器安装及测距方法 |
-
2021
- 2021-08-25 CN CN202110980947.3A patent/CN113706498A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100128927A1 (en) * | 2008-03-14 | 2010-05-27 | Sony Computer Entertainment Inc. | Image processing apparatus and image processing method |
US20090262977A1 (en) * | 2008-04-18 | 2009-10-22 | Cheng-Ming Huang | Visual tracking system and method thereof |
CN102284431A (zh) * | 2011-04-28 | 2011-12-21 | 河南科技大学 | 一种锂离子电池极片在线检测分级装置及其方法 |
CN102779278A (zh) * | 2012-07-04 | 2012-11-14 | Tcl集团股份有限公司 | 轮廓提取方法及系统 |
CN107909083A (zh) * | 2017-11-10 | 2018-04-13 | 中国科学院地理科学与资源研究所 | 一种基于轮廓匹配优化的矩形检测提取方法 |
CN108346141A (zh) * | 2018-01-11 | 2018-07-31 | 浙江理工大学 | 单边侧入光式导光板缺陷提取方法 |
CN108416766A (zh) * | 2018-01-31 | 2018-08-17 | 浙江理工大学 | 双侧入光式导光板缺陷视觉检测方法 |
CN109872304A (zh) * | 2019-01-17 | 2019-06-11 | 京东方科技集团股份有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
CN112947035A (zh) * | 2021-01-28 | 2021-06-11 | 四川写正智能科技有限公司 | 一种护眼正姿智能手表测距传感器安装及测距方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115922086A (zh) * | 2023-03-10 | 2023-04-07 | 深圳市摩森智控技术有限公司 | 一种锂电池正极片激光振镜焊接系统及工艺 |
CN115922086B (zh) * | 2023-03-10 | 2023-05-12 | 深圳市摩森智控技术有限公司 | 一种锂电池正极片激光振镜焊接系统及工艺 |
CN116168030A (zh) * | 2023-04-25 | 2023-05-26 | 宁德时代新能源科技股份有限公司 | 极片的缺陷检测方法、装置、电子设备及存储介质 |
CN116168030B (zh) * | 2023-04-25 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 极片的缺陷检测方法、装置、电子设备及存储介质 |
CN116416268B (zh) * | 2023-06-09 | 2023-08-18 | 浙江双元科技股份有限公司 | 基于递归二分法的锂电池极片边缘位置检测方法及装置 |
CN117867834A (zh) * | 2024-03-13 | 2024-04-12 | 佛山市飘鼎内衣有限公司 | 一种运动内衣高效整烫一体机 |
CN117867834B (zh) * | 2024-03-13 | 2024-05-17 | 佛山市飘鼎内衣有限公司 | 一种运动内衣高效整烫一体机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113706498A (zh) | 一种锂电池极片视觉检测装置 | |
CN110220917B (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN104794491B (zh) | 基于预分类的模糊聚类钢板表面缺陷检测方法 | |
CN102221559B (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
CN108896574B (zh) | 一种基于机器视觉的瓶装白酒杂质检测方法及系统 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN111896540B (zh) | 一种基于区块链的水质在线监测系统 | |
CN106018422B (zh) | 基于匹配的异形冲压件轮廓缺陷视觉检测系统及方法 | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN106824816A (zh) | 一种基于机器视觉的pe瓶检测与分拣方法 | |
CN104867144A (zh) | 基于混合高斯模型的ic元件焊点缺陷检测方法 | |
CN111398287A (zh) | 一种电池极片划痕检测系统及检测方法 | |
CN110763700A (zh) | 一种半导体元器件缺陷检测方法和设备 | |
CN114714355A (zh) | 自主移动焊接机器人嵌入式视觉跟踪控制系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN112304957A (zh) | 一种基于机器视觉的外观缺陷智能检测方法及系统 | |
CN114445707A (zh) | 瓶装水标签缺陷智能化视觉精细检测方法 | |
CN111507391A (zh) | 一种基于机器视觉的有色金属破碎料智能识别方法 | |
CN103955693B (zh) | 一种九球的计算机辅助检测识别方法 | |
CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测系统及方法 | |
CN106778439A (zh) | 一种基于图像处理的锂电池批量扫码系统及方法 | |
CN103955673B (zh) | 一种基于头肩模型的人体识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211126 |