CN114049340A - 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置 - Google Patents

基于机器视觉的金刚石锯丝磨损在线检测方法及其装置 Download PDF

Info

Publication number
CN114049340A
CN114049340A CN202111385848.7A CN202111385848A CN114049340A CN 114049340 A CN114049340 A CN 114049340A CN 202111385848 A CN202111385848 A CN 202111385848A CN 114049340 A CN114049340 A CN 114049340A
Authority
CN
China
Prior art keywords
saw wire
diamond
diamond saw
wire
detection method
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
CN202111385848.7A
Other languages
English (en)
Inventor
赵礼刚
袁俊涛
秦齐
王天旭
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 University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202111385848.7A priority Critical patent/CN114049340A/zh
Publication of CN114049340A publication Critical patent/CN114049340A/zh
Pending legal-status Critical Current

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
    • G06T7/20—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Polishing Bodies And Polishing Tools (AREA)

Abstract

本发明公开了一种基于机器视觉的金刚石锯丝磨损在线检测方法包括S1：通过高速相机采集金刚石锯丝在工作中的金刚石磨粒样本图像；S2：处理图像样本，数据增强，制作数据集，并分成训练集和验证集；S3：使用Pytorch深度学习框架搭建YOLOv5算法模型，载入数据集对算法模型进行训练；S4：在金刚石锯丝切割每一次工件后，拍摄20～30秒时长的金刚石锯丝工作视频；S5：使用YOLOv5+DeepSORT模型对S4中的视频进行多目标跟踪，并对金刚石锯丝上的磨粒数目进行计数；S6：根据金刚石磨粒数目的变化，及时调整更换金刚石锯丝。并提供其检测装置。本发明能够直接观察锯丝磨损变化，并且从量化的角度出发，更具直观性和说服力。及时更换锯丝，进而可以提高加工效率和保证精度。

Description

基于机器视觉的金刚石锯丝磨损在线检测方法及其装置
技术领域
本发明涉及脆硬材料加工工件检测领域，尤其是涉及一种基于机器视觉的金刚石锯丝磨损在线检测方法及其装置。
背景技术
如今，脆硬材料(光电材料、蓝宝石、陶瓷材料)在各行各业中有这重要应用，在加工这些材料的方法中，金刚石线锯切割有着切割效率高、表面损耗低等优点，是目前加工脆硬材料的主要方法。金刚石锯丝的工作能力是依靠上面附着的金刚石磨粒，通常使用电镀法固结金刚石磨粒。对脆硬材料进行切片加工过程中，金刚石磨粒会发生磨损脱落。由于切割速度之快，磨粒之小，我们无法肉眼观察磨粒磨损的情况，这将影响被加工件的表面质量和加工效率。
随着计算机技术以及数字图像处理与分析的发展，使得深度学习、神经网络等技术在工业领域中得到广泛应用，目标检测、缺陷检测等方向快速发展，能够有效提升工作效率、节省人力。但把机器视觉利用到金刚石锯丝磨损检测中的实例却不多。
发明内容
发明目的：针对上述问题，本发明的目的是提供一种基于机器视觉的金刚石锯丝磨损在线检测方法，可以在金刚石线锯加工过程中，及时发现了解锯丝上金刚石磨粒的磨损情况，提高线锯切割的加工效率，提高被加工件表面质量。并提供了其检测装置。
技术方案：一种基于机器视觉的金刚石锯丝磨损在线检测方法，包括以下步骤：
S1：通过高速相机采集金刚石锯丝在工作中的金刚石磨粒样本图像；
S2：处理图像样本，数据增强，制作数据集，并分成训练集和验证集；
S3：使用Pytorch深度学习框架搭建YOLOv5算法模型，载入数据集对算法模型进行训练；
S4：在金刚石锯丝切割每一次工件后，拍摄20～30秒时长的金刚石锯丝工作视频；
S5：使用YOLOv5+DeepSORT模型对S4中的视频进行多目标跟踪，并对金刚石锯丝上的磨粒数目进行计数；
S6：根据金刚石磨粒数目的变化，及时调整更换金刚石锯丝。
进一步的，在S1中，金刚石磨粒样本图像的采集包括以下步骤：
S1.1：搭建检测平台，使用高速相机需搭载5倍的远心镜头，对工作状态的金刚石锯丝进行拍摄；
S1.2：在金刚石锯丝对材料进行多次切割的过程中，获得金刚石锯丝切割工作中的图片，获取的样本图像数量为3000～3500。
进一步的，在S2中，数据增强和制作数据集的方式包括以下步骤：
S2.1：将S1中获得的样本图像利用labelimg标注工具的YOLO格式对收集到的照片标注，将金刚石锯丝上的磨粒分成完整磨粒、磨损磨粒和磨平痕迹三种类别；
S2.2：通过随机翻转、裁剪，随机调整图片的色调、亮度、饱和度以增强数据集，手动标注出这些数据集中三种磨粒类别的位置信息，然后将图片统一改成608×608的分辨率，并将其中80％作为训练集，20％作为验证集；
S2.3：选择加载预训练权重进行网络训练，选择数据集的预训练权重为YOLOv5s.pt。
最佳的，在S3中，YOLOv5的参数设定有选择adam优化器、每批次输入图片量为8张、初始学习率1e-5，训练轮数为200次。
进一步的，在S5中，DeepSORT目标追踪模型搭建及训练过程包括以下步骤：
S5.1：以YOLOv5输出的候选框大小和位置信息为输入；
S5.2：进行多目标追踪，步骤包括：获取原始视频帧；利用目标检测器对视频帧中的目标进行检测；将检测到的目标的框中的特征提取出来；计算前后两帧目标之前的匹配程度；为每个追踪到的目标分配ID；
S5.3：检测当前帧中的该目标是否通过制定计数线，进而统计出视频中完整磨粒、磨损磨粒、磨平痕迹的数目。
最佳的，DeepSORT包括卡尔曼滤波算法的位置预测器、小残差网络做特征的提取器、匈牙利算法的特征匹配器。
进一步的，在S6中，在金刚石锯丝的整个寿命周期内，金刚石磨粒分为依次从镀层中冒出、切削刃被钝化、磨粒被大大压扁并有少量脱落三个状态，当磨平数目与三中状态数目之和的比重占到大于30％时，更换金刚石锯丝。
一种使用上述的基于机器视觉的金刚石锯丝磨损在线检测方法的检测装置，包括线切割机、金刚石锯丝、点光源、远心镜头、高速相机，金刚石锯丝安装于线切割机上，高速相机设置于金刚石锯丝上方，高速相机搭载远心镜头，远心镜头与金刚石锯丝保持垂直，垂直高度为65～70mm，点光源设置于远心镜头一侧，其光源落与远心镜头的拍摄范围内。
有益效果：与现有技术相比，本发明的优点是：首先使用YOLOv5模型对金刚石锯丝上的金刚石磨粒进行目标检测，然后使用DeepSORT模型对YOLOv5模型检测到的多目标进行跟踪技术，统计锯丝上金刚石完整磨粒数、磨损磨粒数、磨平痕迹数。达到实时检测金刚石锯丝的磨损情况，给是否要更换锯丝提供参考。相比于传统凭借经验更换锯丝的做法，本发明能够直接观察锯丝磨损变化，并且从量化的角度出发，更具直观性和说服力。及时的更换锯丝，进而可以提高加工效率和保证加工精度。
附图说明
图1为本发明提供的基于机器视觉对金刚石锯丝在线磨损检测的流程图；
图2为本发明中金刚石锯丝磨损检测装置的示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
一种基于机器视觉的金刚石锯丝磨损在线检测方法，如图1所示，包括以下步骤：
S1：通过高速相机采集金刚石锯丝在工作中的金刚石磨粒样本图像：首先，搭建检测平台，使用高速相机需搭载5倍的远心镜头，对工作状态的金刚石锯丝进行拍摄。然后，在金刚石锯丝对材料进行多次切割的过程中，获得金刚石锯丝切割工作中的图片，获取的样本图像数量为3000～3500。
S2：处理图像样本，将S1中获得的样本图像利用labelimg标注工具的YOLO格式(txt格式)对收集到的照片标注，将金刚石锯丝上的磨粒分成完整磨粒、磨损磨粒和磨平痕迹三种类别；通过随机翻转、裁剪，随机调整图片的色调、亮度、饱和度以增强数据集，手动标注出这些数据集中三种磨粒类别的位置信息，然后将图片统一改成608×608的分辨率，并将其中80％作为训练集，20％作为验证集。
为了缩短网络的训练时间，选择加载预训练权重进行网络训练，预训练的权重越大，训练出来的精度也越高，检测速度则下降，本发明选择数据集的预训练权重为YOLOv5s.pt。
S3：使用Pytorch深度学习框架搭建YOLOv5算法模型，载入数据集对算法模型进行训练。
YOLOv5网络主要有Backbone，Neck，output三部分组成；
Backbone指的是主干网络，包括Focus，Conv，Bottleneckcsp，SPP。Focus层将输入的图片复制四份，并通过切片操作分成四个切片利用contact层对其拼接，这样可以合并通道数，增加图片的特征，保持特征下的信息不变，使用conv卷积层提取特征。利用Bottleneckcsp层的残差结构和1×1的卷积层提高模型的学习能力。通过SPP空间金字塔池化层的下采样，对输出结果融合拼接使其输出与输入一致。
Neck指的是一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。
Output指的是对图像特征进行预测，生成边界框并预测类别。采用了giou作为损失函数，通过非极大值抑制NMS来筛选目标框。
YOLOv5模型框架的主干网络Backbone主要有以下部分组成：(1)Focus层将输入复制四份并通过切片操作分为四个切片，通过concat层将其进行拼接，这里的拼接指的是通道数的合并，增加图像的特征数，而每一特征下的信息没有变化；(2)Bottleneckcsp层使用了1x1的卷积层，很好地减少了计算量，提高模型的学习能力；(3)SPP层经过三个不同kernel_size的最大池化层进行下采样，将各自输出结果进行拼接融合并与其初始特征相加，最后再经过卷积conv将输出恢复到同初始输入一致。
YOLOv5之前版本的边界框的损失函数为IoU，而YOLOv5采用了GIOU作为边界框的损失函数：
Figure BDA0003366991110000041
Figure BDA0003366991110000042
式中A为预测框，B为真实框，C为能够包含A与B的最小闭合框，C\(A∪B)表示为C的面积减去A∪B的面积。GIoU克服了IoU中，当两个框没有相交，梯度不能回传，无法进行学习和训练的问题。
本发明选择YOLOv5s的预训练权重进行训练，并且选择Adam优化器；学习率设定为1e-5；训练轮数为200次；每次批量为8张。根据平均精度AP及平均AP值MAP判断是否达到要求。得到训练好的权重。
S4：在金刚石锯丝切割每一次工件后，拍摄20～30秒时长的金刚石锯丝工作视频；
S5：使用YOLOv5+DeepSORT模型对S4中的视频进行多目标跟踪，以YOLOv5输出的候选框大小和位置信息为输入，并对金刚石锯丝上的磨粒数目进行计数。
DeepSORT主要有三大部分组成卡尔曼滤波算法做位置预测器，小残差网络做特征的提取器的训练和预测，匈牙利算法做特征匹配器；
多目标追踪的主要步骤包括：获取原始视频帧；利用目标检测器对视频帧中的目标进行检测；将检测到的目标的框中的特征提取出来，该特征包括表观特征(方便特征对比避免ID switch)和运动特征(运动特征方便卡尔曼滤波对其进行预测)；计算前后两帧目标之前的匹配程度(利用匈牙利算法和级联匹配)，为每个追踪到的目标分配ID。
通过检测所述当前帧中的该目标是否通过制定计数线，进而统计出视频中完整磨粒、磨损磨粒、磨平痕迹的数目。
S6：根据金刚石磨粒数目的变化，及时调整更换金刚石锯丝。
随着金刚石锯丝工作时间的增加，完整金刚石磨粒将逐渐减少，磨损磨粒与磨平痕迹将大量出现。当锯丝经过长时间工作后，若出现大量磨平痕迹时便认定锯丝磨损严重，需要及时跟换锯丝，达到实时检测的目的。在金刚石锯丝的整个寿命周期内，金刚石磨粒分为依次从镀层中冒出、切削刃被钝化、磨粒被大大压扁并有少量脱落三个状态，当磨平数目与三中状态数目之和的比重占到大于30％时，更换金刚石锯丝。
上述的金刚石锯丝磨损在线检测方法所搭建检测平台，即检测装置，如图2所示，包括线切割机201、金刚石锯丝202、点光源203、远心镜头204、高速相机205，金刚石锯丝202安装于线切割机201上，高速相机205设置于金刚石锯丝202上方，高速相机205搭载远心镜头204，远心镜头204与金刚石锯丝202保持垂直，垂直高度为65～70mm，点光源203设置于远心镜头204一侧，其光源落与远心镜头204的拍摄范围内。
由于锯丝是拍摄工作中的锯丝形貌，本发明中金刚石锯丝工作时线速度最快为0.8m/s，需选用高速工业相机。由于锯丝上的金刚石磨粒较小，选择4倍同轴远心镜头。将镜头垂直于工作台上的锯丝，垂直高度为65～70mm。由于视野较小，需用点光源安装于远心镜头上，这样能够对准拍摄区域，提高亮度，使得拍出照片更加清晰。相机支架应安置在地面上，减少线切割机振动对拍摄的影响。
利用上述装置，尽可能的拍摄锯丝工作整个寿命周期内的图像，并拍摄寿命末期的视频。

Claims (8)

1.一种基于机器视觉的金刚石锯丝磨损在线检测方法，其特征在于包括以下步骤：
S1：通过高速相机采集金刚石锯丝在工作中的金刚石磨粒样本图像；
S2：处理图像样本，数据增强，制作数据集，并分成训练集和验证集；
S3：使用Pytorch深度学习框架搭建YOLOv5算法模型，载入数据集对算法模型进行训练；
S4：在金刚石锯丝切割每一次工件后，拍摄20～30秒时长的金刚石锯丝工作视频；
S5：使用YOLOv5+DeepSORT模型对S4中的视频进行多目标跟踪，并对金刚石锯丝上的磨粒数目进行计数；
S6：根据金刚石磨粒数目的变化，及时调整更换金刚石锯丝。
2.根据权利要求1所述的基于机器视觉的金刚石锯丝磨损在线检测方法，其特征在于：在S1中，金刚石磨粒样本图像的采集包括以下步骤：
S1.1：搭建检测平台，使用高速相机需搭载5倍的远心镜头，对工作状态的金刚石锯丝进行拍摄；
S1.2：在金刚石锯丝对材料进行多次切割的过程中，获得金刚石锯丝切割工作中的图片，获取的样本图像数量为3000～3500。
3.根据权利要求1所述的基于机器视觉的金刚石锯丝磨损在线检测方法，其特征在于：在S2中，数据增强和制作数据集的方式包括以下步骤：
S2.1：将S1中获得的样本图像利用labelimg标注工具的YOLO格式对收集到的照片标注，将金刚石锯丝上的磨粒分成完整磨粒、磨损磨粒和磨平痕迹三种类别；
S2.2：通过随机翻转、裁剪，随机调整图片的色调、亮度、饱和度以增强数据集，手动标注出这些数据集中三种磨粒类别的位置信息，然后将图片统一改成608×608的分辨率，并将其中80％作为训练集，20％作为验证集；
S2.3：选择加载预训练权重进行网络训练，选择数据集的预训练权重为YOLOv5s.pt。
4.根据权利要求1所述的基于机器视觉的金刚石锯丝磨损在线检测方法，其特征在于：在S3中，YOLOv5的参数设定有选择adam优化器、每批次输入图片量为8张、初始学习率1e-5，训练轮数为200次。
5.根据权利要求1所述的基于机器视觉的金刚石锯丝磨损在线检测方法，其特征在于：在S5中，DeepSORT目标追踪模型搭建及训练过程包括以下步骤：
S5.1：以YOLOv5输出的候选框大小和位置信息为输入；
S5.2：进行多目标追踪，步骤包括：获取原始视频帧；利用目标检测器对视频帧中的目标进行检测；将检测到的目标的框中的特征提取出来；计算前后两帧目标之前的匹配程度；为每个追踪到的目标分配ID；
S5.3：检测当前帧中的该目标是否通过制定计数线，进而统计出视频中完整磨粒、磨损磨粒、磨平痕迹的数目。
6.根据权利要求5所述的基于机器视觉的金刚石锯丝磨损在线检测方法，其特征在于：DeepSORT包括卡尔曼滤波算法的位置预测器、小残差网络做特征的提取器、匈牙利算法的特征匹配器。
7.根据权利要求1所述的基于机器视觉的金刚石锯丝磨损在线检测方法，其特征在于：在S6中，在金刚石锯丝的整个寿命周期内，金刚石磨粒分为依次从镀层中冒出、切削刃被钝化、磨粒被大大压扁并有少量脱落三个状态，当磨平数目与三中状态数目之和的比重占到大于30％时，更换金刚石锯丝。
8.一种使用权利要求1～7任一所述的基于机器视觉的金刚石锯丝磨损在线检测方法的检测装置，其特征在于：包括线切割机(201)、金刚石锯丝(202)、点光源(203)、远心镜头(204)、高速相机(205)，金刚石锯丝(202)安装于线切割机(201)上，高速相机(205)设置于金刚石锯丝(202)上方，高速相机(205)搭载远心镜头(204)，远心镜头(204)与金刚石锯丝(202)保持垂直，垂直高度为65～70mm，点光源(203)设置于远心镜头(204)一侧，其光源落与远心镜头(204)的拍摄范围内。
CN202111385848.7A 2021-11-22 2021-11-22 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置 Pending CN114049340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111385848.7A CN114049340A (zh) 2021-11-22 2021-11-22 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111385848.7A CN114049340A (zh) 2021-11-22 2021-11-22 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置

Publications (1)

Publication Number Publication Date
CN114049340A true CN114049340A (zh) 2022-02-15

Family

ID=80210585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111385848.7A Pending CN114049340A (zh) 2021-11-22 2021-11-22 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置

Country Status (1)

Country Link
CN (1) CN114049340A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116277559A (zh) * 2023-05-17 2023-06-23 浙江求是半导体设备有限公司 晶棒切割系统及金刚线寿命检测方法
CN116993696A (zh) * 2023-08-03 2023-11-03 苏州阿普奇物联网科技有限公司 一种基于机器视觉的金刚石锯片裂纹检测方法及其装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116277559A (zh) * 2023-05-17 2023-06-23 浙江求是半导体设备有限公司 晶棒切割系统及金刚线寿命检测方法
CN116277559B (zh) * 2023-05-17 2023-08-18 浙江求是半导体设备有限公司 晶棒切割系统及金刚线寿命检测方法
CN116993696A (zh) * 2023-08-03 2023-11-03 苏州阿普奇物联网科技有限公司 一种基于机器视觉的金刚石锯片裂纹检测方法及其装置

Similar Documents

Publication Publication Date Title
CN114049340A (zh) 基于机器视觉的金刚石锯丝磨损在线检测方法及其装置
CN111062915B (zh) 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN102353680B (zh) 小型工件表面缺陷的评估方法以及检测不合格工件的流程
Kassim et al. Texture analysis methods for tool condition monitoring
CN111300144A (zh) 基于图像处理的刀具磨损状态自动检测方法
CN109685760B (zh) 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法
CN109101976B (zh) 一种灭弧栅片表面缺陷的检测方法
CN108564573B (zh) 面向鲅鱼切段机的鱼头鱼尾图像自动识别方法
CN112330628A (zh) 一种金属工件表面缺陷图像检测方法
CN103175844A (zh) 一种金属零部件表面划痕缺陷检测方法
CN110852989B (zh) 瓷砖拍照图片的质量瑕疵检测
CN116486091B (zh) 基于人工智能的风机叶片缺陷区域快速分割方法及系统
CN109191367A (zh) 刀具磨损图像的拼接方法及刀具的寿命预测方法
CN107767361A (zh) 一种金刚砂线颗粒计数方法、存储设备及终端设备
CN116051460A (zh) 基于机器视觉的钎焊金刚石磨头磨损在线检测方法
CN107316287A (zh) 一种矩形铁氧体磁片表面的缺陷识别方法
CN113781458A (zh) 一种基于人工智能的识别方法
JP7301783B2 (ja) 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
CN110364224B (zh) 一种染色体分裂相定位排序方法
US10482314B2 (en) Automatic calculation for ploidy classification
CN112149499A (zh) 一种基于机器视觉技术木块方向识别装置
CN111797730A (zh) 一种水泥熟料岩相自动分析方法
CN113628155A (zh) 一种圆盘造球机的生球粒径检测方法及系统
Lipiński et al. Application of the laser scanning microscopy to evaluation of abrasive tool wear

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