CN113920065A - 用于工业现场的视觉检测系统成像质量评价方法 - Google Patents

用于工业现场的视觉检测系统成像质量评价方法 Download PDF

Info

Publication number
CN113920065A
CN113920065A CN202111113263.XA CN202111113263A CN113920065A CN 113920065 A CN113920065 A CN 113920065A CN 202111113263 A CN202111113263 A CN 202111113263A CN 113920065 A CN113920065 A CN 113920065A
Authority
CN
China
Prior art keywords
edge
point
image
edge width
gray value
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.)
Granted
Application number
CN202111113263.XA
Other languages
English (en)
Other versions
CN113920065B (zh
Inventor
段发阶
李佳欣
傅骁
刘昌文
李天宇
艾双哲
韩彭威
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.)
Smartmens Tianjin Technology Co ltd
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202111113263.XA priority Critical patent/CN113920065B/zh
Publication of CN113920065A publication Critical patent/CN113920065A/zh
Application granted granted Critical
Publication of CN113920065B publication Critical patent/CN113920065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种用于工业现场的视觉检测系统成像质量评价方法，采用带有直线的标定板，包括以下步骤：在相机聚焦情况下对标定板进行拍摄；对拍摄的标定板图片直线上的T个特征点进行提取；建立Levenberg‑Marquardt最优化求解模型，畸变系数得到实际位置为(XD,YD)的表达式，根据此绘制曲线；所生成的曲线作为参考图像I，求得参考图像I的边缘点；在参考图像I的每一行的灰度值曲线中，求取边缘宽度；得到强边缘宽度概率直方图；对于利用视觉检测系统拍摄的待评价图像Im进行评价。

Description

用于工业现场的视觉检测系统成像质量评价方法
技术领域
本发明属于计算机图像处理领域，特别是涉及工业现场的视觉检测系统的成像质量评价方法。
背景技术
新能源、半导体、电路板、3C等精密制造业的迅速发展，现代生产线大多采用机器视觉技术，而视觉检测系统的成像质量决定了后续图像处理准确度，是其中最基础也是最重要的环节之一。主观图像质量评价方法是以观察者的感受为主体，因此符合人类观察者主观感受，能在工业现场实现快速评价的客观成像质量方法受到广泛关注。
根据是否需要参考原始图像，客观成像质量评价可分为全参考(FR)、半参考(RR)和无参考(NR)三种类型。全参考(FR)评价方法是通过对比失真图像与无失真原始图像之间的特征差异，通过衡量这些差异得到对失真图像的评价结果。半参考(RR)评价方法是通过对比失真图像和原始图像部分特征信息进行评价。无参考(NR)评价方法是根据失真图像自身的特征对图像进行评估。全参考(FR)评价方法与主观评价一致性最好，具有鲁棒性，计算速度快，因此本发明采用全参考评价方法。
工业生产中由于不对焦造成的散焦模糊占图像失真的主要地位。现有的评价方法中基于变化域的方法主要是针对图像高频分量衰减造成的模糊，主要方法是小波变换和离散余弦变换，这类方法虽然精度较高，但是计算复杂，难以满足工业现场快速性的要求；基于空间域的方法不依赖于图像内容，通过对图像灰度变化进行评价，计算简单，特别对于离焦模糊可以通过图像边缘信息来判断清晰度，适用于实际现场检测。
目前大多数成像质量评价系统只对相机拍摄后的数字图像进行评价，未考虑了相机畸变的部分，如果镜头畸变较大将会对后续的成像质量评价造成较大影响。本发明提供了一种在考虑相机畸变的情况下对工业现场的视觉检测系统进行成像质量快速评价的方法。
发明内容
本发明提供用于工业现场的视觉检测系统成像质量快速评价方法，该方法在考虑镜头畸变的基础上，对相机镜头进行建模求解，实现视觉检测系统的成像质量的快速评价。技术方案如下：
一种用于工业现场的视觉检测系统成像质量评价方法，采用带有直线的标定板，包括以下步骤：
(1)在相机聚焦情况下对标定板进行拍摄，考虑径向畸变，畸变中心为图像中心(0,0)，理想位置坐标为(XU,YU)，实际位置为(XD,YD)，二者有以下关系：
Figure BDA0003271241600000021
其中
Figure BDA0003271241600000022
畸变系数K1，K2，由于理想坐标点在同一条直线上，XU，YU存在YU＝aXU+b关系；
(2)对拍摄的标定板图片直线上的T个特征点进行提取，构建以下目标函数，采用最优化方式求解K1，K2，a，b，其中C1表示aK2，C2表示K2，C3表示aK1，C4表示K1，C5表示a：
Figure BDA0003271241600000023
(3)给定K1，K2初值为0，a，b的初值利用相距最远的两点通过(1)式得到，根据(2)式建立Levenberg-Marquardt最优化求解模型，求解f极小值时的畸变系数K1，K2，参数a，b，经过迭代搜索到最优值，得到实际位置为(XD，YD)的表达式，根据此绘制曲线；
(4)利用步骤(3)所生成的曲线作为参考图像I，利用Sobel算子计算水平梯度Gx和竖直梯度Gy，其中Sx，Sy分别为水平和竖直Sobel算子，通过水平梯度Gx和竖直梯度Gy得到梯度图L：
Figure BDA0003271241600000024
用下式对梯度图L进行阈值分割，得到水平和竖直方向上的强边缘Wx，Wy：
Figure BDA0003271241600000025
其中
Figure BDA0003271241600000026
M，N分别为梯度图L的横纵坐标个数；
(5)在步骤(4)得到的梯度图L中找到灰度值为255的白色像素点位置，为参考图像I的边缘点；
(6)在参考图像I的每一行的灰度值曲线中，把步骤(5)找到的边缘点记为PA，存在以下两种情况，第一种：当边缘点PA的左邻近灰度值大于右邻近灰度值时，在灰度值曲线上，选取距离边缘点PA左端最近的极大值点记为PA1与距离最近边缘点PA右端的极小值点记为PA2；这两极值点认为是边缘的起始点与结束点，PA2与PA1的间距大小即为边缘宽度w；第二种：当边缘点PA的左邻近灰度值小于右邻近灰度值时，在灰度值曲线上，选取距离边缘点PA左端最近的极小值点记为PA1与距离边缘点PA右端最近的极大值点记为PA2；这两极值点认为是边缘的起始点与结束点，PA2与PA1的间距大小即为边缘宽度w；
(7)对步骤(6)得到的不同边缘宽度w用以下公式进行计算，得到强边缘宽度概率直方图，其中ni为边缘宽度为wi的个数，n为总边缘个数：
Figure BDA0003271241600000031
(8)用下式得到加权平均边缘宽度：
Awid＝p(wi)wi (6)
(9)通过步骤(4)-(8)得到参考图像I的加权平均边缘宽度记为Q1，对于利用视觉检测系统拍摄的待评价图像Im，通过步骤(4)-(8)得到待评价图像Im的加权平均边缘宽度，记为Q2，令
Figure BDA0003271241600000032
当Q越接近1表示系统成像越清晰，越接近正常聚焦状态。
本发明的有益效果如下：
(1)可以在满足用户对成像质量评价的同时，实现工业现场对图像质量的快速检测。
(2)克服现有评价方法未考虑相机畸变因素，提供一种视觉检测系统成像质量评价方法，该方法在考虑相机镜头畸变的基础上，基于微分算子法的边缘宽度提取，基于空间域边缘信息的工业现场成像质量评价方法，有效的提高了测量速度。
附图说明
图1是标定板1示意图。
图2是畸变后拟合曲线示意图。
图3是图像一行灰度值示意图。
具体实施方法
本发明提供一种用于工业现场的视觉检测系统成像质量评价方法，如图1，采用标定板1。经过计算，直线对镜头畸变的灵敏程度最高，因此标定板上为直线。具体包括以下步骤：
(1)在相机聚焦情况下对标定板进行拍摄，会因相机畸变导致标定板上实际成像位置与理想位置不一样，只考虑径向畸变，畸变中心为图像中心(0，0)，理想位置坐标为(XU，YU)，实际位置为(XD，YD)，二者有以下关系：
Figure BDA0003271241600000041
其中
Figure BDA0003271241600000042
畸变系数K1，K2，由于理想坐标点在同一条直线上，XU，YU存在YU＝aXU+b关系。
(2)对拍摄的图片直线上的N个特征点进行提取，为加快运算速度，采用最优化方式求解K1，K2，a，b。通过标定板上N个点，N取20～25，构建以下目标函数，其中C1表示aK2，C2表示K2，C3表示aK1，C4表示K1，C5表示a。
Figure BDA0003271241600000043
(3)K1，K2很小接近于0，给定K1，K2初值为0，a，b的初值利用相距最远的两点通过(1)式得到。根据(2)式建立Levenberg-Marquardt最优化求解模型，求解f极小值时的畸变系数K1，K2，参数a，b，由于初始值已经接近最优值，几次迭代便可搜索到最优值，得到实际点XD，YD的表达式，根据此绘制曲线如图2。
(4)步骤(3)所生成的曲线作为参考图像I。通过下式，利用Sobel算子计算水平梯度Gx和竖直梯度Gy，其中Sx，Sy分别为水平和竖直Sobel算子，通过水平梯度Gx和竖直梯度Gy得到梯度图L。
Figure BDA0003271241600000044
用下式对梯度图L进行阈值分割，得到水平和竖直方向上的强边缘Wx，Wy。
Figure BDA0003271241600000051
其中
Figure BDA0003271241600000052
M，N为梯度图L的横纵坐标个数。
(7)在梯度图L中找到像素值为1的白色像素点位置记为PA、PB，PA、PB为参考图像I的边缘点。
(8)在参考图像I中分别计算竖直方向上和水平方向上的强边缘。以竖直方向上为例，竖直方向上的强边缘是在参考图像I的水平方向上寻找最接近边缘点的左右灰度极值点。
如图3，为参考图像I中的某一行的灰度值曲线，当边缘点(PA)的左邻近灰度值大于右邻近灰度值时，选取距离边缘点PA最近的左极大值点PA1与右极小值点PA2；这两极值点可以认为是边缘的起始点与结束点，两点之差定义为边缘宽度w，PA2与PA1间距大小即为边缘宽度；当边缘点(PB)左邻近灰度值小于右邻近灰度值时，选取距离边缘点PB最近的左极小值点PB2与右极大值点PB1，两点之差为边缘宽度，PB1与PB2间距大小即为边缘宽度w。水平方向上的强边缘方法与上述类似。
(7)对步骤(6)得到的不同强边缘用以下公式进行计算，得到强边缘宽度概率直方图，其中ni为边缘宽度为wi的个数，n为总边缘个数：
Figure BDA0003271241600000053
(8)用下式得到加权平均边缘宽度：
Awid＝p(wi)wi (12)
(9)通过步骤(4)(5)(6)(7)(8)得到参考图像I的加权平均边缘宽度记为Q1，对于利用视觉检测系统拍摄的待评价图像Im，通过步骤(4)(5)(6)(7)(8)得到待评价图像Im的加权平均边缘宽度，记为Q2，令
Figure BDA0003271241600000054
当Q越接近1表示系统成像越清晰，越接近正常聚焦状态。
下面结合附图和具体实施方式对本发明作详细描述。最佳实施方式使用的设备有标定板1。
第1步：在相机聚焦情况下对标定板进行拍摄得到带有畸变的图像，理想位置坐标为(XU，YU)，实际位置为(XD，YD)，二者有以下关系：
Figure BDA0003271241600000061
第2步：对拍摄的图片直线上的N个特征点进行提取，采用最优化方式求解K1，K2，a，b。通过标定板上N个点，N取20～25，构建以下目标函数，其中C1表示aK2，C2表示K2，C3表示aK1，C4表示K1，C5表示a。
Figure BDA0003271241600000062
第3步：建立Levenberg-Marquardt最优化求解模型，求解f极小值时的畸变系数K1，K2，参数a，b，由于初始值已经接近最优值，几次迭代便可搜索到最优值，得到实际点XD，YD的表达式。通过表达式绘制畸变后的拟合曲线。
第4步：第3步的拟合后曲线作为参考图像I，利用Sobel算子计算水平梯度Gx和竖直梯度Gy，Sx，Sy为水平和竖直Sobel算子。通过水平梯度Gx和竖直梯度Gy得到梯度图L。
Figure BDA0003271241600000063
用下式对梯度图L进行阈值分割，得到水平和竖直方向上的强边缘Wx，Wy。
Figure BDA0003271241600000064
Figure BDA0003271241600000065
其中
Figure BDA0003271241600000066
M，N为梯度图L的横纵坐标个数。
第5步：在梯度图L中找到像素值为1的白色像素点位置记为PA、PB，PA、PB为参考图像I的边缘点。
第6步：在参考图像I中分别计算竖直方向上和水平方向上的强边缘。具体操作如下：
(1)竖直方向上的强边缘是在参考图像I的水平方向上寻找最接近边缘点的左右灰度极值点。在参考图像I中的每一行灰度值曲线中，当边缘点(PA)的左端灰度值大于右端灰度值时，选取距离边缘点PA的左极大值点PA1与右极小值点PA2；这两极值点可以认为是边缘的起始点与结束点，两点之差定义为边缘宽度，PA2与PA1之差即为边缘宽度；当边缘点(PB)左端灰度值小于右端时，选取距离边缘点PB的左极小值点PB2与右极大值点PB1，两点之差为边缘宽度，PB1与PB2之差即为边缘宽度。
(2)水平方向上的强边缘是在参考图像I的竖直方向上寻找最接近边缘点的左右灰度极值点。在梯度图L的每一列灰度值曲线中，用(1)中相同方法，寻找边缘宽度。
第7步：计算边缘宽度概率，得到强边缘宽度概率直方图，其中ni为边缘宽度为wi的个数，n为总边缘个数。
Figure BDA0003271241600000071
第8步：计算加权边缘宽度。
Awid＝p(wi)wi (18)
第9步：参考图像I的加权平均边缘宽度记为Q1。
第10步：当相机产生离焦时，对于利用视觉检测系统拍摄待评价图像Im，通过第4，5，6，7，8，9步得到待评价图像Im加权平均边缘宽度记为Q2，令
Figure BDA0003271241600000072
当Q越接近1表示系统成像越清晰，越接近正常聚焦状态。

Claims (2)

1.一种用于工业现场的视觉检测系统成像质量评价方法，采用带有直线的标定板。包括以下步骤：
(1)在相机聚焦情况下对标定板进行拍摄，考虑径向畸变，畸变中心为图像中心(0，0)，理想位置坐标为(XU，YU)，实际位置为(XD，YD)，二者有以下关系：
Figure FDA0003271241590000011
其中
Figure FDA0003271241590000012
畸变系数K1，K2，由于理想坐标点在同一条直线上，XU，YU存在YU＝aXU+b关系；
(2)对拍摄的标定板图片直线上的T个特征点进行提取，构建以下目标函数，采用最优化方式求解K1，K2，a，b，其中C1表示aK2，C2表示K2，C3表示aK1，C4表示K1，C5表示a：
Figure FDA0003271241590000013
(3)给定K1，K2初值为0，a，b的初值利用相距最远的两点通过(1)式得到，根据(2)式建立Levenberg-Marquardt最优化求解模型，求解f极小值时的畸变系数K1，K2，参数a，b，经过迭代搜索到最优值，得到实际位置为(XD，YD)的表达式，根据此绘制曲线；
(4)利用步骤(3)所生成的曲线作为参考图像I，利用Sobel算子计算水平梯度Gx和竖直梯度Gy，其中Sx，Sy分别为水平和竖直Sobel算子，通过水平梯度Gx和竖直梯度Gy得到梯度图L：
Figure FDA0003271241590000014
用下式对梯度图L进行阈值分割，得到水平和竖直方向上的强边缘Wx，Wy：
Figure FDA0003271241590000015
其中
Figure FDA0003271241590000021
M，N分别为梯度图L的横纵坐标个数；
(5)在步骤(4)得到的梯度图L中找到灰度值为255的白色像素点位置，为参考图像I的边缘点；
(6)在参考图像I的每一行的灰度值曲线中，把步骤(5)找到的边缘点记为PA，存在以下两种情况，第一种：当边缘点PA的左邻近灰度值大于右邻近灰度值时，在灰度值曲线上，选取距离边缘点PA左端最近的极大值点记为PA1与距离最近边缘点PA右端的极小值点记为PA2；这两极值点认为是边缘的起始点与结束点，PA2与PA1的间距大小即为边缘宽度w；第二种：当边缘点PA的左邻近灰度值小于右邻近灰度值时，在灰度值曲线上，选取距离边缘点PA左端最近的极小值点记为PA1与距离边缘点PA右端最近的极大值点记为PA2；这两极值点认为是边缘的起始点与结束点，PA2与PA1的间距大小即为边缘宽度w；
(7)对步骤(6)得到的不同边缘宽度w用以下公式进行计算，得到强边缘宽度概率直方图，其中ni为边缘宽度为wi的个数，n为总边缘个数：
Figure FDA0003271241590000022
(8)用下式得到加权平均边缘宽度：
Awid＝p(wi)wi (6)
(9)通过步骤(4)-(8)得到参考图像I的加权平均边缘宽度记为Q1，对于利用视觉检测系统拍摄的待评价图像Im，通过步骤(4)-(8)得到待评价图像Im的加权平均边缘宽度，记为Q2，令
Figure FDA0003271241590000023
当Q越接近1表示系统成像越清晰，越接近正常聚焦状态。
2.根据权利要求1所述的视觉检测系统成像质量评价方法，其特征在于，T取20～25。
CN202111113263.XA 2021-09-18 2021-09-18 用于工业现场的视觉检测系统成像质量评价方法 Active CN113920065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111113263.XA CN113920065B (zh) 2021-09-18 2021-09-18 用于工业现场的视觉检测系统成像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111113263.XA CN113920065B (zh) 2021-09-18 2021-09-18 用于工业现场的视觉检测系统成像质量评价方法

Publications (2)

Publication Number Publication Date
CN113920065A true CN113920065A (zh) 2022-01-11
CN113920065B CN113920065B (zh) 2023-04-28

Family

ID=79235733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111113263.XA Active CN113920065B (zh) 2021-09-18 2021-09-18 用于工业现场的视觉检测系统成像质量评价方法

Country Status (1)

Country Link
CN (1) CN113920065B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853429A (zh) * 2023-12-25 2024-04-09 中船重工鹏力（南京）智能装备系统有限公司 一种标定图像质量评价方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708568A (zh) * 2012-05-11 2012-10-03 宁波大学 一种基于结构失真的立体图像客观质量评价方法
JP2017156935A (ja) * 2016-03-01 2017-09-07 日本テレビ放送網株式会社 画質評価装置、画質評価方法及びプログラム
CN109461123A (zh) * 2018-08-30 2019-03-12 易诚博睿(南京)科技有限公司 一种针对图像质量客观评测点图的几何畸变自动分析方法
CN110503679A (zh) * 2019-08-29 2019-11-26 四川轻化工大学 一种红外基准图制备与评价方法
US20200003857A1 (en) * 2017-03-20 2020-01-02 Koninklijke Philips N.V. Image segmentation using reference gray scale values
CN111445435A (zh) * 2019-12-10 2020-07-24 西南技术物理研究所 一种基于多区块小波变换的无参考图像质量评价方法
CN111968073A (zh) * 2020-07-07 2020-11-20 南昌大学 一种基于纹理信息统计的无参考图像质量评价方法
CN113409248A (zh) * 2021-05-13 2021-09-17 杭州电子科技大学 一种面向夜间图像的无参考质量评价方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708568A (zh) * 2012-05-11 2012-10-03 宁波大学 一种基于结构失真的立体图像客观质量评价方法
JP2017156935A (ja) * 2016-03-01 2017-09-07 日本テレビ放送網株式会社 画質評価装置、画質評価方法及びプログラム
US20200003857A1 (en) * 2017-03-20 2020-01-02 Koninklijke Philips N.V. Image segmentation using reference gray scale values
CN109461123A (zh) * 2018-08-30 2019-03-12 易诚博睿(南京)科技有限公司 一种针对图像质量客观评测点图的几何畸变自动分析方法
CN110503679A (zh) * 2019-08-29 2019-11-26 四川轻化工大学 一种红外基准图制备与评价方法
CN111445435A (zh) * 2019-12-10 2020-07-24 西南技术物理研究所 一种基于多区块小波变换的无参考图像质量评价方法
CN111968073A (zh) * 2020-07-07 2020-11-20 南昌大学 一种基于纹理信息统计的无参考图像质量评价方法
CN113409248A (zh) * 2021-05-13 2021-09-17 杭州电子科技大学 一种面向夜间图像的无参考质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李相伯: "基于相邻子区相关系数的散斑质量评价方法" *
沈丽丽: "《基于多级表示网络的无参考立体图像质量评价》" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853429A (zh) * 2023-12-25 2024-04-09 中船重工鹏力（南京）智能装备系统有限公司 一种标定图像质量评价方法

Also Published As

Publication number Publication date
CN113920065B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN108470356B (zh) 一种基于双目视觉的目标对象快速测距方法
CN104408707B (zh) 一种快速数字成像模糊鉴别与复原图像质量评估方法
CN108007388A (zh) 一种基于机器视觉的转盘角度高精度在线测量方法
CN101819024B (zh) 一种基于机器视觉的二维位移检测方法
CN108088381B (zh) 一种基于图像处理的非接触式微小间隙宽度测量方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
TWI394097B (zh) 移動物體的偵測方法以及偵測系統
CN111462246B (zh) 一种结构光测量系统的设备标定方法
CN113066088A (zh) 工业检测中的检测方法、检测装置和存储介质
CN109242917A (zh) 一种基于棋盘格的相机分辨率标定方法
CN114693626A (zh) 芯片表面缺陷的检测方法、装置及计算机可读存储介质
CN113920065B (zh) 用于工业现场的视觉检测系统成像质量评价方法
CN113409334B (zh) 一种基于质心的结构光角点检测方法
CN112833821B (zh) 高密度ic焊点的微分几何立体微视觉检测系统及方法
CN114926417B (zh) 高密度柔性fpc表面弱划痕的显微成像检测方法及系统
CN117710873A (zh) 一种基于双目视觉的新型翻板状态检测方法
CN109741370B (zh) 一种目标跟踪方法和装置
CN116958058A (zh) 镜头脏污检测方法、装置及图像检测设备
CN116563298A (zh) 基于高斯拟合的十字线中心亚像素检测方法
CN116596987A (zh) 一种基于双目视觉的工件三维尺寸高精度测量方法
CN108010076B (zh) 一种面向密集工业棒材图像检测的端面外观建模方法
CN115100153A (zh) 基于双目匹配的管内检测方法、装置、电子设备及介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240115

Address after: Office Building 451-04, Xuefu Industrial Zone Management Committee, Xiqing District, Tianjin, 300000

Patentee after: SMARTMENS (TIANJIN) TECHNOLOGY CO.,LTD.

Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92

Patentee before: Tianjin University

TR01 Transfer of patent right