CN113920118A - 基于图像处理的中空玻璃间隔条缺胶检测方法 - Google Patents
基于图像处理的中空玻璃间隔条缺胶检测方法 Download PDFInfo
- Publication number
- CN113920118A CN113920118A CN202111520932.5A CN202111520932A CN113920118A CN 113920118 A CN113920118 A CN 113920118A CN 202111520932 A CN202111520932 A CN 202111520932A CN 113920118 A CN113920118 A CN 113920118A
- Authority
- CN
- China
- Prior art keywords
- target pixel
- value
- glue
- pixel
- pixel values
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于图像处理的中空玻璃间隔条缺胶检测方法。该方法获取中空玻璃的铝制间隔条施胶区域的区域图像;根据不同的目标像素值获取其二值图像,结合其他目标像素值的二值图像中像素点的像素值以及其与当前目标像素值之间的相关性指标对当前目标像素值对应二值图像中每个像素点的像素值进行更新得到更新图像;检测不同目标像素值对应更新图像中的缺胶区域,结合所有更新图像的缺胶区域得到区域图像中的缺胶位置。利用不同目标像素值对应的灰度值更新图像对施胶过程中的缺胶和光影影响进行去区分,提高了缺胶的识别精度,保证了生产质量。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于图像处理的中空玻璃间隔条缺胶检测方法。
背景技术
中空玻璃在合片之前需要在铝制间隔框上涂抹丁基胶,要求丁基胶涂抹必须均匀不能缺胶,否者会影响中空玻璃的密封性,从而影响产品质量。
由于丁基胶呈现黑色,因此在光照均匀恒定的环境下可以采用阈值分割的方法对丁基胶进行缺胶检测,以确认丁基胶涂抹是否缺胶及缺胶位置,但是在中空玻璃的制造环境中,由于玻璃具有很强的反光性,且工厂光环境比较复杂,在铝制间隔框施胶阶段难免会有光影映射,使得局部光照增强,进而无法保证固定阈值分割的结果是光照引起的,还是缺胶引起的,导致缺胶检测结果出现误差。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的中空玻璃间隔条缺胶检测方法,所采用的技术方案具体如下:
采集中空玻璃的铝制间隔条施胶区域的区域图像;
保留所述区域图像中的目标像素值,将其他像素值置零处理得到二值图像,基于所述二值图像计算不同目标像素值之间的相关性指标;利用其他目标像素值对应的所述二值图像中的像素值和对应的所述相关性指标更新当前目标像素值所对应的所述二值图像中每个像素点的像素值,以得到当前目标像素值的更新图像;对所述更新图像中的像素值进行聚类以分为多个类别,计算每个类别中每个像素点的梯度值,根据梯度值计算对应类别的缺胶程度,由所述缺胶程度确认当前目标像素值的所述更新图像中的缺胶区域;
结合不同的目标像素值所对应的所述更新图像中的缺胶区域获取所述区域图像中的缺胶位置。
进一步地,所述基于所述二值图像计算不同目标像素值之间的相关性指标的方法,包括:
计算两个目标像素值之间的像素差值;分别获取每个目标像素值对应所述二值图像中非零像素点的数量;
通过KL散度公式计算两个目标像素值对应所述二值图像中的分布差异值;
结合所述像素差值、所述非零像素点的数量和所述分布差异值计算对应两个目标像素值之间的所述相关性指标。
进一步地,所述利用其他目标像素值对应的所述二值图像中的像素值和对应的所述相关性指标更新当前目标像素值所对应的所述二值图像中每个像素点的像素值的方法,包括:
利用当前目标像素值与每个其他目标像素值之间的所述相关性指标与对应其他目标像素值对应的所述二值图像中每个像素点的像素值进行相乘得到新像素值;
将每个其他目标像素值对应的所述二值图像中每个像素点的新像素值与当前目标像素点所对应的所述二值图像中对应位置的像素值进行累加,得到更新后的像素值。
进一步地,所述计算每个类别中每个像素点的梯度值的方法,包括:
计算像素点与其八邻域内每个像素点之间的灰度值差值,将最大灰度值差值最为该像素点的梯度值。
进一步地,所述根据梯度值计算对应类别的缺胶程度的方法,包括:
对类别中每个像素点的梯度值进行分类,得到高梯度值类和低梯度值类;
统计类别中像素点的总数量和该类别中所述低梯度值类的像素点第一数量;计算所述总数量和所述像素点第一数量之间的比值;
分别获取所述低梯度值类和对应类别的质心,计算两个质心之间的距离;
结合所述比值和所述距离得到对应类别中的所述缺胶程度。
进一步地,所述缺胶程度与所述比值呈正相关关系、所述缺胶程度与所述距离呈负相关关系。
进一步地,所述相关性指标与所述非零像素点的数量呈正相关关系、所述相关性指标与所述分布差异值呈正相关关系、所述相关性指标与所述像素差值呈负相关关系。
进一步地,所述区域图像中的缺胶位置的获取方法,包括:
获取不同目标像素值下的所述更新图像,确认每张所述更新图像中的缺胶区域,对所有所述更新图像中的缺胶区域取并集,将所述并集作为所述区域图像中的缺胶位置。
进一步地,所述由所述缺胶程度确认当前目标像素值的所述更新图像中的缺胶区域的方法,包括:
设置缺胶阈值,当所述缺胶程度大于所述缺胶阈值时,确认该类别对应的区域为所述缺胶区域。
本发明实施例至少具有如下有益效果:通过获取不同目标像素值对应的灰度值更新图像,一方面保留了具有一定相关性的灰度信息,且减少了不必要的灰度信息干扰,另一方面对施胶过程中的缺胶和光影影响进行去区分,提高了缺胶的识别精度,保证了生产质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于图像处理的中空玻璃间隔条缺胶检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的中空玻璃间隔条缺胶检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的中空玻璃间隔条缺胶检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的中空玻璃间隔条缺胶检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集中空玻璃的铝制间隔条施胶区域的区域图像。
具体的,将相机固定在施胶的机械臂上,且相机采用高速相机,以防止在运动过程中采集的图像出现模糊。利用高速相机采集中空玻璃的铝制间隔条施胶区域的图像。
步骤S002,保留区域图像中的目标像素值,将其他像素值置零处理得到二值图像,基于二值图像计算不同目标像素值之间的相关性指标;利用其他目标像素值对应的二值图像中的像素值和对应的相关性指标更新当前目标像素值所对应的二值图像中每个像素点的像素值,以得到当前目标像素值的更新图像;对更新图像中的像素值进行聚类以分为多个类别,计算每个类别中每个像素点的梯度值,根据梯度值计算对应类别的缺胶程度,由缺胶程度确认当前目标像素值的更新图像中的缺胶区域。
具体的,在中空玻璃智能制造过程中,由于玻璃反光和工厂光环境的复杂,光影可能投射在施胶后的铝制间隔条上,而利用单阈值分割的方法丢失邻域灰度信息,因此,通过设定不同的目标像素值,保留区域图像中的目标像素值,将其他像素值置为0得到该目标像素值对应的二值图像,且一个目标像素值对应一张二值图像。
优选的,本发明实施例中目标像素值的选择范围为(0,255),在该选择范围内依次进行目标像素值的遍历。
构建不同目标像素值之间的相关性,其方法为:目标像素值之间的像素差值;分别获取每个目标像素值对应二值图像中非零像素点的数量;通过KL散度公式计算两个目标像素值对应二值图像中的分布差异值;结合像素差值、非零像素点的数量和分布差异值计算对应两个目标像素值之间的相关性指标,且相关性指标与非零像素点的数量呈正相关关系、相关性指标与分布差异值呈正相关关系、相关性指标与像素差值呈负相关关系,则相关性指标的计算公式为:
其中,为目标像素值1和目标像素值2之间的相关性指标;为目标像素值1和目标像素值2之间的像素差值;为目标像素值1和目标像素值2对应二值图像中的分布差异值;为目标像素值1和目标像素值2之间对应最小的非零像素点的数量。
对每个目标像素值对应二值图像中每个像素点的像素值进行更新,以得到二值图像更新后的更新图像,更新方法为:利用当前目标像素值与每个其他目标像素值之间的相关性指标与对应其他目标像素值对应的二值图像中每个像素点的像素值进行相乘得到新像素值;将每个其他目标像素值对应的二值图像中每个像素点的新像素值与当前目标像素点所对应的二值图像中对应位置的像素值进行累加,得到更新后的像素值。其中像素值更新的公式为:,为当前目标像素值对应二值图像中像素点的新像素值;为当前目标像素值对应二值图像中像素点的像素值;为其他目标像素值对应二值图像中像素点的像素值;为其他目标像素值与当前目标像素值之间的相关性指标。
需要说明的是,获取更新图像的好处是仅保留了具有一定相关性的灰度信息,减少了不必要的灰度信息干扰。
进一步地,在更新图像中,光影对应的连续弥漫分布在更新图像中仍会有所保留,而对于缺胶,其对应的灰度突变性在更新图像中也仍有所保留,因此基于灰度突变性进行缺胶检测,具体方法为:
(1)以一个目标像素值对应的更新图像为例进行分析,则根据灰度值对更新图像中的像素点进行聚类,采用DBCSAN算法进行聚类得到K个类别,每一类别中灰度值相近,且坐标值连续。
(2)计算每个类别中每个像素点的梯度值,方法为:计算像素点与其八邻域内每个像素点之间的灰度值差值,将最大灰度值差值最为该像素点的梯度值。
(3)对类别中每个像素点的梯度值进行分类,得到高梯度值类和低梯度值类;统计类别中像素点的总数量和该类别中低梯度值类的像素点第一数量;计算总数量和像素点第一数量之间的比值;分别获取低梯度值类和对应类别的质心,计算两个质心之间的距离;结合比值和距离得到对应类别中的缺胶程度。
具体的,在得到第i个类别内各像素点对应的梯度值后,对梯度值采用k-means分类算法进行分类,其中,k=2,对第i个类别内各像素点对应的梯度值做二分类,分为高梯度值类和低梯度值类,其中低梯度值类往往是第i个类别的中心区域,高梯度值类为第i个类别的边缘区域。
计算低梯度值类对应像素点的个数,和第i个类别中像素点的总数量,并且通过凸包检测算法得到低梯度值类对应的轮廓,再利用连通域分析算法,得到低梯度值类的质心,同理,求的第i个类别的质心。计算两个质心之间的距离L,其中距离越大,则说明低梯度值类并不是第i个类别的中心区域,则说明对应目标像素值并不能很好的描述光影(缺胶区域),则当前类别的可信度就低,进而结合总数量、梯度值类对应像素点的个数和距离L计算对应类别内的缺胶程度:
其中,表示当前类别内灰度值渐变的程度(突变性),如果占比很大,说明第i个类别内均匀部分很大,渐变部分很少,则很可能是缺胶,即值越大,第i个类别越可能是属于缺胶的可能性就越高;缺胶程度与比值呈正相关关系、缺胶程度与距离呈负相关关系。
(4)设置缺胶阈值,当缺胶程度大于缺胶阈值时,确认该类别对应的区域为缺胶区域,进而能够检测出更新图像中的缺胶区域。
优选的,本发明实施例中缺胶阈值取经验值,且缺胶阈值设置为0.6,实施者可以根据具体场景进行调整。
步骤S003,结合不同的目标像素值所对应的更新图像中的缺胶区域获取区域图像中的缺胶位置。
具体的,利用步骤S002获取不同目标像素值下的更新图像,确认每张更新图像中的缺胶区域,对所有更新图像中的缺胶区域取并集,将并集作为区域图像中的缺胶位置,以完成铝制间隔条的缺胶检测。
综上所述,本发明实施例提供了一种基于图像处理的中空玻璃间隔条缺胶检测方法,该方法获取中空玻璃的铝制间隔条施胶区域的区域图像;根据不同的目标像素值获取其二值图像,结合其他目标像素值的二值图像中像素点的像素值以及其与当前目标像素值之间的相关性指标对当前目标像素值对应二值图像中每个像素点的像素值进行更新得到更新图像;检测不同目标像素值对应更新图像中的缺胶区域,结合所有更新图像的缺胶区域得到区域图像中的缺胶位置。利用不同目标像素值对应的灰度值更新图像对施胶过程中的缺胶和光影影响进行去区分,提高了缺胶的识别精度,保证了生产质量。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像处理的中空玻璃间隔条缺胶检测方法,其特征在于,该方法包括:
采集中空玻璃的铝制间隔条施胶区域的区域图像;
保留所述区域图像中的目标像素值,将其他像素值置零处理得到二值图像,基于所述二值图像计算不同目标像素值之间的相关性指标;利用其他目标像素值对应的所述二值图像中的像素值和对应的所述相关性指标更新当前目标像素值所对应的所述二值图像中每个像素点的像素值,以得到当前目标像素值的更新图像;对所述更新图像中的像素值进行聚类以分为多个类别,计算每个类别中每个像素点的梯度值,根据梯度值计算对应类别的缺胶程度,由所述缺胶程度确认当前目标像素值的所述更新图像中的缺胶区域;
结合不同的目标像素值所对应的所述更新图像中的缺胶区域获取所述区域图像中的缺胶位置。
2.如权利要求1所述的方法,其特征在于,所述基于所述二值图像计算不同目标像素值之间的相关性指标的方法,包括:
计算两个目标像素值之间的像素差值;分别获取每个目标像素值对应所述二值图像中非零像素点的数量;
通过KL散度公式计算两个目标像素值对应所述二值图像中的分布差异值;
结合所述像素差值、所述非零像素点的数量和所述分布差异值计算对应两个目标像素值之间的所述相关性指标。
3.如权利要求1所述的方法,其特征在于,所述利用其他目标像素值对应的所述二值图像中的像素值和对应的所述相关性指标更新当前目标像素值所对应的所述二值图像中每个像素点的像素值的方法,包括:
利用当前目标像素值与每个其他目标像素值之间的所述相关性指标与对应其他目标像素值对应的所述二值图像中每个像素点的像素值进行相乘得到新像素值;
将每个其他目标像素值对应的所述二值图像中每个像素点的新像素值与当前目标像素点所对应的所述二值图像中对应位置的像素值进行累加,得到更新后的像素值。
4.如权利要求1所述的方法,其特征在于,所述计算每个类别中每个像素点的梯度值的方法,包括:
计算像素点与其八邻域内每个像素点之间的灰度值差值,将最大灰度值差值最为该像素点的梯度值。
5.如权利要求1所述的方法,其特征在于,所述根据梯度值计算对应类别的缺胶程度的方法,包括:
对类别中每个像素点的梯度值进行分类,得到高梯度值类和低梯度值类;
统计类别中像素点的总数量和该类别中所述低梯度值类的像素点第一数量;计算所述总数量和所述像素点第一数量之间的比值;
分别获取所述低梯度值类和对应类别的质心,计算两个质心之间的距离;
结合所述比值和所述距离得到对应类别中的所述缺胶程度。
6.如权利要求5所述的方法,其特征在于,所述缺胶程度与所述比值呈正相关关系、所述缺胶程度与所述距离呈负相关关系。
7.如权利要求2所述的方法,其特征在于,所述相关性指标与所述非零像素点的数量呈正相关关系、所述相关性指标与所述分布差异值呈正相关关系、所述相关性指标与所述像素差值呈负相关关系。
8.如权利要求1所述的方法,其特征在于,所述区域图像中的缺胶位置的获取方法,包括:
获取不同目标像素值下的所述更新图像,确认每张所述更新图像中的缺胶区域,对所有所述更新图像中的缺胶区域取并集,将所述并集作为所述区域图像中的缺胶位置。
9.如权利要求1所述的方法,其特征在于,所述由所述缺胶程度确认当前目标像素值的所述更新图像中的缺胶区域的方法,包括:
设置缺胶阈值,当所述缺胶程度大于所述缺胶阈值时,确认该类别对应的区域为所述缺胶区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520932.5A CN113920118B (zh) | 2021-12-14 | 2021-12-14 | 基于图像处理的中空玻璃间隔条缺胶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520932.5A CN113920118B (zh) | 2021-12-14 | 2021-12-14 | 基于图像处理的中空玻璃间隔条缺胶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920118A true CN113920118A (zh) | 2022-01-11 |
CN113920118B CN113920118B (zh) | 2022-03-15 |
Family
ID=79249166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111520932.5A Active CN113920118B (zh) | 2021-12-14 | 2021-12-14 | 基于图像处理的中空玻璃间隔条缺胶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920118B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387271A (zh) * | 2022-03-23 | 2022-04-22 | 武汉铂雅科技有限公司 | 基于角点检测的空调塑料接水盘网格缺胶检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2979014A1 (fr) * | 2011-08-10 | 2013-02-15 | Snecma | Procede de determination de l'apparition de decohesions dans une couche de revetement en ceramique transparente formee sur un substrat |
US20130236086A1 (en) * | 2012-03-09 | 2013-09-12 | National Applied Research Laboratories | Method of Inspecting Chip Defects |
CN109461141A (zh) * | 2018-10-10 | 2019-03-12 | 重庆大学 | 一种工件缺胶检测方法 |
CN109799188A (zh) * | 2019-03-01 | 2019-05-24 | 上海交通大学 | 一种玻璃幕墙脱胶检测装置及其检测方法 |
CN110163850A (zh) * | 2019-04-30 | 2019-08-23 | 大族激光科技产业集团股份有限公司 | 贴胶质量检测方法、装置、计算机设备和存储介质 |
CN209303407U (zh) * | 2018-12-18 | 2019-08-27 | 苏州市晶协高新电子材料有限公司 | 一种玻璃晶片脱胶装置 |
CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
CN111242890A (zh) * | 2019-12-24 | 2020-06-05 | 中国航空工业集团公司北京航空精密机械研究所 | 一种芳纶纸蜂窝涂胶缺陷检测方法 |
CN111724367A (zh) * | 2020-06-16 | 2020-09-29 | 哈尔滨全感科技有限公司 | 一种基于图像方法的玻璃面板脱胶识别方法 |
US20210056658A1 (en) * | 2019-08-22 | 2021-02-25 | The Boeing Company | Nonconformance detection system |
-
2021
- 2021-12-14 CN CN202111520932.5A patent/CN113920118B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2979014A1 (fr) * | 2011-08-10 | 2013-02-15 | Snecma | Procede de determination de l'apparition de decohesions dans une couche de revetement en ceramique transparente formee sur un substrat |
US20130236086A1 (en) * | 2012-03-09 | 2013-09-12 | National Applied Research Laboratories | Method of Inspecting Chip Defects |
CN109461141A (zh) * | 2018-10-10 | 2019-03-12 | 重庆大学 | 一种工件缺胶检测方法 |
CN209303407U (zh) * | 2018-12-18 | 2019-08-27 | 苏州市晶协高新电子材料有限公司 | 一种玻璃晶片脱胶装置 |
CN109799188A (zh) * | 2019-03-01 | 2019-05-24 | 上海交通大学 | 一种玻璃幕墙脱胶检测装置及其检测方法 |
CN110163850A (zh) * | 2019-04-30 | 2019-08-23 | 大族激光科技产业集团股份有限公司 | 贴胶质量检测方法、装置、计算机设备和存储介质 |
CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
US20210056658A1 (en) * | 2019-08-22 | 2021-02-25 | The Boeing Company | Nonconformance detection system |
CN111242890A (zh) * | 2019-12-24 | 2020-06-05 | 中国航空工业集团公司北京航空精密机械研究所 | 一种芳纶纸蜂窝涂胶缺陷检测方法 |
CN111724367A (zh) * | 2020-06-16 | 2020-09-29 | 哈尔滨全感科技有限公司 | 一种基于图像方法的玻璃面板脱胶识别方法 |
Non-Patent Citations (2)
Title |
---|
ANIL DADA WARBHE ET AL.: "A Survey on Keypoint Based Copy-Paste Forgery Detection Techniques", 《PROCEDIA COMPUTER SCIENCE》 * |
查广丰: "基于机器视觉的点胶缺陷检测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387271A (zh) * | 2022-03-23 | 2022-04-22 | 武汉铂雅科技有限公司 | 基于角点检测的空调塑料接水盘网格缺胶检测方法及系统 |
CN114387271B (zh) * | 2022-03-23 | 2022-06-10 | 武汉铂雅科技有限公司 | 基于角点检测的空调塑料接水盘网格缺胶检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113920118B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN115351598B (zh) | 一种数控机床轴承检测方法 | |
CN115170572B (zh) | 一种bopp复合薄膜表面涂胶质量监测方法 | |
CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
CN107590498A (zh) | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 | |
CN115330760B (zh) | 一种二极管引脚缺陷识别方法 | |
CN116611748B (zh) | 一种钛合金家具生产质量监控系统 | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN110223310B (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN113920118B (zh) | 基于图像处理的中空玻璃间隔条缺胶检测方法 | |
CN112149535B (zh) | 一种结合SegNet和U-Net的车道线检测方法和装置 | |
CN110555464A (zh) | 一种基于深度学习模型的车辆颜色识别方法 | |
CN113239930A (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
CN115631173A (zh) | 一种复合薄膜缺陷识别方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN115082451A (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN115631472B (zh) | 一种高速公路行人闯入智能检测方法 | |
CN114417993A (zh) | 一种基于深度卷积神经网络和图像分割的划痕检测方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 |
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 |