CN114066890A - 齿轮缺陷检测方法、装置、计算机设备及存储介质 - Google Patents
齿轮缺陷检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114066890A CN114066890A CN202210039993.8A CN202210039993A CN114066890A CN 114066890 A CN114066890 A CN 114066890A CN 202210039993 A CN202210039993 A CN 202210039993A CN 114066890 A CN114066890 A CN 114066890A
- Authority
- CN
- China
- Prior art keywords
- defect
- gear
- local
- detected
- image
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明实施例提供的一种齿轮缺陷检测方法、装置、计算机设备及存储介质,涉及齿轮缺陷检测领域。首先,获取多张待检测齿轮的局部图像,其中,局部图像包括光滑面图像和粗糙面图像;然后,将每一光滑面图像输入预先训练的第一检测模型,得到每一光滑面图像对应的待检测齿轮的局部缺陷信息;接着,将每一粗糙面图像输入预先训练的第二检测模型,得到每一粗糙面图像对应的待检测齿轮的局部缺陷信息;再根据所有局部缺陷信息,得到待检测齿轮的整体缺陷信息;最后,根据整体缺陷信息,判断待检测齿轮是否合格,从而避免了齿轮不同面的特性对齿轮缺陷检测结果的影响,提高了检测准确度以满足工业生产的需求。
Description
技术领域
本发明涉及齿轮缺陷检测领域,具体而言,涉及一种齿轮缺陷检测方法、装置、计算机设备及存储介质。
背景技术
齿轮在机械传动中是极为重要的部件,其质量的好坏直接影响机械产品的性能,在齿轮生产制造的过程中需要对其质量进行严格的检测。齿轮在加工过程中容易出现齿缺、齿崩、裂缝等缺陷,它们大小不一,有些尺寸可以达到亚毫米级,而传统的人工目视检查方式不但效率低下并且误检率高,越来越难以适应现代工业大批量生产的需求。
目前常用的齿轮缺陷检测方法通常是基于获取到的齿轮的外表面图像,采用图像处理技术对齿轮进行检测,虽然相较于传统的人工目视检查方式,检测效率大大提高,但随着工业生产要求的不断提高,现有的检测技术的准确度缺无法满足需求。
发明内容
本发明实施例提供了一种齿轮缺陷检测方法、装置、计算机设备及存储介质,以克服现有技术的不足。
本发明实施例的技术方案具体如下:
第一方面,本发明实施例提供了一种齿轮缺陷检测方法,所述方法包括:
获取多张待检测齿轮的局部图像,其中,所述局部图像包括光滑面图像和粗糙面图像;
将每一所述光滑面图像输入预先训练的第一检测模型,得到每一所述光滑面图像对应的所述待检测齿轮的局部缺陷信息;
将每一所述粗糙面图像输入预先训练的第二检测模型,得到每一所述粗糙面图像对应的所述待检测齿轮的局部缺陷信息;
根据所有所述局部缺陷信息,得到所述待检测齿轮的整体缺陷信息;
根据所述整体缺陷信息,判断所述待检测齿轮是否合格。
在一种可能的实现方式中,每一所述局部图像对应一相机位信息,所述相机位信息包括光滑面相机位和粗糙面相机位,所述方法还包括:
针对多张所述局部图像中的任一目标局部图像,若所述目标局部图像对应的相机位信息是光滑面相机位,则所述目标局部图像为所述光滑面图像;
若所述目标局部图像对应的相机位信息是粗糙面相机位,则所述目标局部图像为所述粗糙面图像。
上述实现方式,其有益效果在于,根据每一局部图像对应的相机位信息来判定该局部图像是光画面图像或粗糙面图像。
在一种可能的实现方式中,每一所述局部缺陷信息包括多个缺陷集合,每一所述缺陷集合包括至少一个缺陷的位置信息以及每一所述位置信息的置信度,每一所述缺陷集合对应一种缺陷类型,所述根据所有所述局部缺陷信息,得到所述待检测齿轮的整体缺陷信息的步骤,包括:
针对多种所述缺陷类型中的任一目标缺陷类型,统计对应所述目标缺陷类型的所有所述缺陷集合中,所述置信度大于所述目标缺陷类型对应的第一预设值的所述位置信息的个数,得到所述目标缺陷类型的缺陷数量统计值;
遍历多种所述缺陷类型,得到每一所述缺陷类型的缺陷数量统计值;
根据每一所述缺陷类型的缺陷数量统计值,得到所述待检测齿轮的整体缺陷信息。
上述实现方式,其有益效果在于,通过获取各缺陷类型的缺陷数量统计值,得到待检测齿轮的整体缺陷信息。
在一种可能的实现方式中,所述整体缺陷信息包括多种缺陷类型的缺陷数量统计值,所述根据所述整体缺陷信息,判断所述待检测齿轮是否合格的步骤,包括:
若每一所述缺陷类型的缺陷数量统计值均不大于该缺陷类型对应的第二预设值,则判定所述待检测齿轮为合格。
上述实现方式,其有益效果在于,通过对每一缺陷类型的缺陷数量统计值设置对应的第二预设值,来判断待检测齿轮是否合格。
在一种可能的实现方式中,所述第一检测模型的训练步骤,包括:
获取多张所述待检测齿轮的局部图像,其中,每一所述局部图像对应的相机位信息为光滑面相机位;
对多张所述局部图像进行预处理,得到第一训练集;
对所述第一训练集中所述待检测齿轮的缺陷进行标注;
将所述第一训练集输入深度学习网络进行训练,得到所述第一检测模型。
上述实现方式,其有益效果在于,基于多张相机位信息对应光滑面相机位的待检测齿轮的局部图像,获取用于训练第一检测模型的第一训练集。
在一种可能的实现方式中,所述第二检测模型的训练步骤,包括:
获取多张所述待检测齿轮的局部图像,其中,每一所述局部图像对应的相机位信息为粗糙面相机位;
对多张所述局部图像进行预处理,得到第二训练集;
对所述第二训练集中所述待检测齿轮的缺陷进行标注;
将所述第二训练集输入深度学习网络进行训练,得到所述第二检测模型。
上述实现方式,其有益效果在于,基于多张相机位信息对应粗糙面相机位的待检测齿轮的局部图像,获取用于训练第二检测模型的第二训练集。
在一种可能的实现方式中,所述对多张所述局部图像进行预处理的步骤,包括:
针对多张所述局部图像中的任一目标局部图像,对所述目标局部图像按照预设角度进行翻转;
对所述目标局部图像按照预设尺寸进行剪裁;
对所述目标局部图像进行Gamma变换以改变所述目标局部图像的对比度。
上述实现方式,其有益效果在于,通过对目标局部图像进行翻转、剪裁和Gamma变换等预处理,来增加训练样本数量。
第二方面,本发明实施例提供了一种齿轮缺陷检测装置,所述装置包括:
获取模块,用于获取多张待检测齿轮的局部图像,其中所述局部图像包括光滑面图像和粗糙面图像;
检测模块,用于将每一所述光滑面图像输入预先训练的第一检测模型,得到每一所述光滑面图像对应的所述待检测齿轮的局部缺陷信息;
所述检测模块,还用于将每一所述粗糙面图像输入预先训练的第二检测模型,得到每一所述粗糙面图像对应的所述待检测齿轮的局部缺陷信息;
统计模块,用于根据所有所述局部缺陷信息,得到所述待检测齿轮的整体缺陷信息;
判断模块,用于根据所述整体缺陷信息,判断所述待检测齿轮是否合格。
第三方面,本发明实施例提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于在调用所述计算机程序时执行如第一方面所述的方法。
第四方面,本发明实施例提高了一种计算机可读存储介质,其上存储由计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
相较于现有技术,本发明实施例提供的一种齿轮缺陷检测方法、装置、计算机设备及存储介质,首先,获取多张待检测齿轮的局部图像,其中,局部图像包括光滑面图像和粗糙面图像;然后,将每一光滑面图像输入预先训练的第一检测模型,得到每一光滑面图像对应的待检测齿轮的局部缺陷信息;接着,将每一粗糙面图像输入预先训练的第二检测模型,得到每一粗糙面图像对应的待检测齿轮的局部缺陷信息;再根据所有局部缺陷信息,得到待检测齿轮的整体缺陷信息;最后,根据整体缺陷信息,判断待检测齿轮是否合格。由于本发明实施例分别采用预先训练的第一检测模型和第二检测模型对齿轮的光滑面图像和粗糙面图像进行处理,得到待检测齿轮的局部缺陷信息,再根据所有局部缺陷信息得到待检测齿轮的整体缺陷信息,进而判断待检测齿轮是否合格,从而避免了齿轮不同面的特性对齿轮缺陷检测结果的影响,提高了检测准确度以满足工业生产的需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本发明实施例提供的待检测齿轮的齿崩缺陷的示例图;
图2为本发明实施例提供的待检测齿轮的裂缝缺陷的示例图;
图3为本发明实施例提供的待检测齿轮的粗糙面的示例图;
图4为本发明实施例提供的待检测齿轮的光滑面的示例图;
图5为本发明实施例提供的一种现有的齿轮缺陷检测系统的俯视图;
图6为本发明实施例提供的一种现有的齿轮缺陷检测系统的正视图;
图7为本发明实施例提供的一种现有的齿轮缺陷检测系统的左视图;
图8为本发明实施例提供的一种齿轮缺陷检测方法的流程示意图;
图9为本发明实施例提供的一种划分局部图像的类型的方法的流程示意图;
图10为本发明实施例提供的一种确定待检测齿轮的整体缺陷信息的方法的流程示意图;
图11为本发明实施例提供的一种判断待检测齿轮是否合格的方法的流程示意图;
图12为本发明实施例提供的一种训练第一检测模型的方法的流程示意图;
图13为本发明实施例提供的一种训练第二检测模型的方法的流程示意图;
图14为本发明实施例提供的一种齿轮缺陷检测装置的方框示意图;
图15为本发明实施例提供的一种计算机设备的结构示意框图。
图标:100-齿轮缺陷检测系统;110-底座;120-夹持件;131-第一检测相机;132-第二检测相机;133-第三检测相机;134-第四检测相机;140-计算机设备;141-存储器;142-处理器;151-第一调节机构;152-第二调节机构;153-第三调节机构;154-第四调节结构;160-驱动件;170-支撑平台;200-齿轮;300-齿轮缺陷检测装置;301-获取模块;302-检测模块;303-统计模块;304-判断模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
齿轮缺陷检测时确保齿轮成品性能和质量的关键环节,齿轮检测不仅是齿轮成品验收的重要依据,而且也是齿轮在加工过程中质量控制的技术保证。齿轮在加工过程中,容易产生大小不一的齿缺、齿崩(如图1所示)、裂缝(如图2所示)等缺陷,有的缺陷的尺寸可以达到亚毫米级,这类齿轮一旦被漏检,将极大地影响后续加工工序、实际应用过程中的安全性和稳定性。
现有的齿轮缺陷检测方法通常是基于多个检测相机从不同方位获取到的齿轮外表面(比如齿顶、齿底、齿侧以及齿腰等)的图像,通过提取图像特征来判断齿轮是否合格。由于齿轮的部分面是粗糙的(如图3所示),部分面是光滑的(如图4所示),对于齿轮的光滑表面,其上的油污可以轻易擦拭,而齿轮的粗糙表面的纹理使得油污不易清洗,现有技术并没有考虑到齿轮不同面的特点,对齿轮的光滑面的图像和粗糙面的图像的处理方式相同,导致检测结果准确性低。
有鉴于此,本发明实施例提供了一种齿轮缺陷检测方法、装置、计算机设备和存储介质,以避免齿轮不同面的特性对齿轮缺陷检测结果的影响,提高检测准确度以满足工业生产的需求,下面将对其进行详细描述。
在介绍本发明实施例提供的齿轮缺陷检测方法前,先介绍一种现有的齿轮缺陷检测系统100。
请参照图5、图6和图7,图5为本发明实施例提供的一种现有的齿轮缺陷检测系统100的俯视图,图6为本发明实施例提供的一种现有的齿轮缺陷检测系统100的正视图,图7为本发明实施例提供的一种现有的齿轮缺陷检测系统100的左视图,该齿轮缺陷检测系统100包括底座110、夹持件120、第一检测相机131、第二检测相机132、第三检测相机133、第四检测相机134、计算机设备140、第一调节机构151、第二调节机构152、第三调节机构153、第四调节结构154、驱动件160、支撑平台170和齿轮200。
夹持件120安装于底座110上,夹持件120用于夹持齿轮200,以限定齿轮200的位置,便于对齿轮200进行缺陷检测。
第一检测相机131、第二检测相机132、第三检测相机133以及第四检测相机134均安装于底座110上,且均与计算机设备140连接,其中,第一检测相机131用于对齿轮200的顶面进行拍摄,并将拍摄得到的齿顶图像发送给计算机设备140;第二检测相机132用于对齿轮200的底面进行拍摄,并将拍摄得到的齿底图像发送给计算机设备140;第三检测相机133用于对齿轮200的侧面进行拍摄,并将拍摄得到的齿侧图像发送给计算机设备140;第四检测相机134用于对齿轮200的齿腰进行拍摄,并将拍摄得到的齿腰图像发送给计算机设备140。
计算机设备140用于接收图像信息,并对图像信息进行处理分析,以输出齿轮200的缺陷信息,从而便于工作人员判断该齿轮200是否合格。
第一调节机构151、第二调节机构152、第三调节机构153和第四调节机构154均安装于底座110上,第一调节机构151与第一检测相机131连接,用于带动第一检测相机131靠近或者远离齿轮200;第二调节机构152与第二检测相机132连接,用于带动第二检测相机132靠近或者远离齿轮200;第三调节机构153与第三检测相机133连接,用于带动第三检测相机133靠近或者远离齿轮200;第四调节机构154与第四检测相机134连接,用于带动第四检测相机134靠近或者远离齿轮200。
需要说明的是,在齿轮缺陷检测系统100的工作过程中,首先人工或利用机械手将齿轮200放置于支撑平台170上;随后利用夹持件120将齿轮200的中部夹紧;接着利用驱动件160通过夹持件120带动齿轮200转动,在此过程中,第一检测相机131、第二检测相机132、第三检测相机133以及第四检测相机134开始拍摄齿轮200各个位置的图像信息,并将图像信息发送给计算机设备140进行处理分析,具体地,齿轮200每旋转一个位置,第一检测相机131、第二检测相机132、第三检测相机133以及第四检测相机134便获取一次各个位置的图像信息,以对齿轮200的各个位置进行缺陷检测;检测结束后,驱动件160暂停,夹持件120打开,计算机设备140输出缺陷信息,等待进行下一个齿轮200的缺陷检测。
本发明实施例提供的齿轮缺陷检测方法应用于上述齿轮缺陷检测系统100中的计算机设备140,请参照图8,图8为本发明实施例提供的一种齿轮缺陷检测方法的流程示意图,该方法包括步骤S101至步骤S105。
步骤S101,获取多张待检测齿轮的局部图像,其中,局部图像包括光滑面图像和粗糙面图像。
在本发明实施例中,待检测齿轮的外表面包括顶面、底面、侧面和齿腰,可以理解地,待检测齿轮的局部图像包括齿顶图像、齿底图像、齿侧图像和齿腰图像,根据待检测齿轮各外表面的粗糙度,将顶面、底面、侧面和齿腰划分为两类,一类为光滑面,另一类为粗糙面,相应地,待检测齿轮的齿顶图像、齿底图像、齿侧图像和齿腰图像也可以被划分为两类,分别为光滑面图像和粗糙面图像两类,例如,齿顶图像和齿腰图像为光滑面,齿底和齿侧图像为粗糙面。
步骤S102,将每一光滑面图像输入预先训练的第一检测模型,得到每一光滑面图像对应的待检测齿轮的局部缺陷信息。
在本发明实施例中,第一检测模型是基于由待检测齿轮的光滑面图像得到的训练数据预先训练的,每一光滑面图像对应的待检测齿轮的局部缺陷信息包括该光滑面图像中齿轮局部区域内的缺陷的类型和位置信息,将每一光滑面图像输入第一检测模型以从该光滑面图像中提取出待检测齿轮的局部缺陷信息。
步骤S103,将每一粗糙面图像输入预先训练的第二检测模型,得到每一粗糙面图像对应的待检测齿轮的局部缺陷信息。
在本发明实施例中,第二检测模型是基于由待检测齿轮的粗糙面图像得到的训练数据预先训练的,每一粗糙面图像对应的待检测齿轮的局部缺陷信息包括该粗糙面图像中齿轮局部区域内的缺陷的类型和位置信息,将每一粗糙面图像输入第一检测模型以从该粗糙面图像中提取出待检测齿轮的局部缺陷信息。
步骤S104,根据所有局部缺陷信息,得到待检测齿轮的整体缺陷信息。
在本发明实施例中,待检测齿轮的整体缺陷信息包括各种类型的缺陷的数量,根据每一局部缺陷信息包括缺陷的类型和位置信息,得到待检测齿轮的整体缺陷信息。
步骤S105,根据整体缺陷信息,判断待检测齿轮是否合格。
在本发明实施例中,待检测齿轮的整体缺陷信息是由每一光滑面图像和每一粗糙面图像对应的局部缺陷信息经统计分析得到,其包括各种类型的缺陷的数量,根据每一类型的缺陷的数量来对待检测齿轮是否合格作出判断。
本发明实施例提供的上述方法,其有益效果在于,分别采用预先训练的第一检测模型和第二检测模型对齿轮的光滑面图像和粗糙面图像进行处理,得到待检测齿轮的局部缺陷信息,再根据所有局部缺陷信息得到待检测齿轮的整体缺陷信息,进而判断待检测齿轮是否合格,从而避免了齿轮不同面的特性对齿轮缺陷检测结果的影响,提高了检测准确度以满足工业生产的需求。
基于图8,本发明实施例提供了一种划分局部图像的类别的具体实现方式,请参照图9, 图9为本发明实施例提供的一种划分局部图像的类型的方法的流程示意图,该方法包括步骤S201和步骤S202。
步骤S201,针对多张局部图像中的任一目标局部图像,若目标局部图像对应的相机信息是光滑面相机位,则目标局部图像为光滑面图像。
在本发明实施例中,待检测齿轮的局部图像包括的齿顶图像、齿底图像、齿侧图像和齿腰图像是由分别设置在齿顶、齿底、齿侧和齿腰的检测相机获取的,可以理解地,相机位指的是上述各检测相机被设置的位置,由于齿顶图像、齿底图像、齿侧图像和齿腰图像可以被划分为光滑面图像和粗糙面图像,所以设置在齿顶、齿底、齿侧和齿腰的检测相机可以被划分为检测光滑面的相机和检测粗糙面的相机,相应地,检测光滑面的相机被设置的位置则为光滑面相机位,检测粗糙面的相机被设置的位置为粗糙面相机位,根据每一局部图像对应的相机位信息即可判断该局部图像是光滑面图像,还是粗糙面图像。
目标局部图像是指当前正在被判断类别的局部图像,当目标局部图像对应的相机位信息为光滑面相机位,意味着目标局部图像是由用于检测光滑面的相机获取的,则可以将目标局部图像判断为光滑面图像。
步骤S202,若目标局部图像对应的相机位信息是粗糙面相机位,则目标局部图像为粗糙面图像。
在本发明实施例中,当目标局部图像对应的相机位信息为粗糙面相机位,意味着目标局部图像是由用于检测粗糙面的相机获取的,则可以将目标局部图像判断为粗糙面图像。
基于图8,本发明实施例提供了一种确定待检测齿轮的整体缺陷信息的具体实现方式,请参照图10,图10为本发明实施例提供的一种确定待检测齿轮的整体缺陷信息的方法的流程示意图,步骤S104包括子步骤S104-1至子步骤S104-3。
子步骤S104-1,针对多种缺陷类型中的任一目标缺陷类型,统计对应目标缺陷类型的所有缺陷集合中,置信度大于目标缺陷类型对应的第一预设值的位置信息的个数,得到目标缺陷类型的缺陷数量统计值。
在本发明实施例中,由于每一光滑面图像或粗糙面图像对应的待检测齿轮的局部缺陷信息包括多个缺陷集合,每一缺陷集合包括至少一个缺陷的位置信息以及每一位置信息的置信度,每一缺陷集合对应一种缺陷类型,每一缺陷类型对应的第一预设值是指属于缺陷类型的缺陷的位置信息的置信度的上限值。
目标缺陷类型是指当前正在被统计数量的缺陷类型,对于每一缺陷集合,当其对应的缺陷类型为目标缺陷类型时,则统计该缺陷集合中置信度大于第一预设值的缺陷的位置信息的个数,再对所有缺陷集合中置信度大于第一预设值的缺陷的位置信息的个数进行求和,得到目标缺陷类型的缺陷数量统计值。例如,目标缺陷类型为“裂缝”,其对应的第一预设值为75,有三个缺陷集合与该目标缺陷类型对应,这三个缺陷集合分别来自两张光滑面图像和一张粗糙面图像对应的待检测齿轮的局部缺陷信息,分别统计三个缺陷集合中缺陷的位置信息的置信度大于75的缺陷的位置信息的个数,其中,第一个缺陷集合中有5个,第二个缺陷集合中有3个,第三个缺陷集合中有6个,则目标缺陷类型的缺陷数量统计值为5+3+6=14。
子步骤S104-2,遍历多种缺陷类型,得到每一缺陷类型的缺陷数量统计值。
在本发明实施例中,对每一缺陷类型,都进行上述操作,得到每一缺陷类型的缺陷数量统计值。
子步骤S104-3,根据每一缺陷类型的缺陷数量统计值,得到待检测齿轮的整体缺陷信息。
在本发明实施例中,待检测齿轮的整体缺陷信息是将每一缺陷类型的缺陷数量统计值按照预设顺序进行排列得到的,其中,作为一种具体实现方式,预设顺序可以是按照缺陷类型的重要程度进行设定的,例如,对于齿崩、齿缺、裂缝三种缺陷类型,其重要程度为齿缺>齿崩>裂缝,则预设顺序可以设定为“齿缺、齿崩、裂缝”,可以理解地,预设顺序也可以设定为“裂缝、齿崩,齿缺”;作为另一种具体实现方式,预设顺序可以为按照缺陷数量统计值的大小进行设定的,例如齿崩、齿缺、裂缝三种缺陷类型的缺陷数量统计值分别为34、20和29,预设顺序可以设定为“齿缺、裂缝、齿崩”,可以理解地,预设顺序也可以设定为“齿崩、裂缝、齿缺”。
基于图8,本发明实施例提供了一种判断待检测齿轮是否合格的具体实现方式,请参照图11,图11为本发明实施例提供的一种判断待检测齿轮是否合格的方法的流程示意图,步骤S105包括子步骤S105-1至子步骤S105-3。
子步骤S105-1,判断每一缺陷类型的缺陷数量统计值是否均不大于该缺陷类型对应的第二预设值。
在本发明实施例中,每一缺陷类型对应的第二预设值是指该缺陷类型的缺陷数量统计值的上限值,依次将每一缺陷类型的缺陷数量统计值与该缺陷类型对应的第二预设值进行比较,当每一缺陷类型的缺陷数量统计值均不大于该缺陷类型对应的第二预设值时,则执行子步骤S105-2,当存在缺陷类型的缺陷数量统计值大于该缺陷类型对应的第二预设值时,则执行子步骤S105-3。
子步骤S105-2,若每一缺陷类型的缺陷数量统计值均不大于该缺陷类型对应的第二预设值,则判定待检测齿轮为合格。
在本发明实施例中,当每一缺陷类型的缺陷数量统计值均不大于该缺陷类型对应的第二预设值时,意味着每一缺陷类型的缺陷的个数均在可接受范围内,待检测齿轮是符合工业生成要求的,则判定待检测齿轮为合格。
子步骤S105-3,若存在任一缺陷类型的缺陷数量统计值大于该缺陷类型对应的第二预设值,则判定待检测齿轮为不合格。
在本发明实施例中,当任一缺陷类型的缺陷数量统计值大于该缺陷类型对应的第二预设值时,意味着该缺陷类型的缺陷的个数不在可接受范围内,待检测齿轮是不符合工业生成要求的,则判定待检测齿轮为不合格。
基于图8,本发明实施例还提供了一种训练第一检测模型的具体实现方式,请参照图12,图12为本发明实施例提供的一种训练第一检测模型的方法的流程示意图,该方法包括步骤S301至步骤S304。
步骤S301,获取多张待检测齿轮的局部图像,其中,每一局部图像对应的相机位信息为光滑面相机位。
在本发明实施例中,将由设置在光滑面相机位的检测相机采集的待检测齿轮的局部图像,即光滑面图像,作为用于训练第一检测模型的训练数据。
步骤S302,对多张局部图像进行预处理,得到第一训练集。
在本发明实施例中,为了避免因训练数据不足导致的模型的准确度低,还需对每一光滑面图形进行预处理,包括翻转、剪裁和增强对比度等,并将预处理后的图像与原图像一起作为用于训练第一检测模型的第一训练集。
步骤S303,对第一训练集中待检测齿轮的缺陷进行标注。
在本发明实施例中,对第一训练集中图像,利用图像标注工具,例如LabelImg,标注出图像中的缺陷,并制作缺陷类型标签。
步骤S304,将第一训练集输入深度学习网络进行训练,得到第一检测模型。
在本发明实施例中,将做完标注后的第一训练集输入深度学习网络进行训练,得到第一检测模型,作为一种具体实现方式,深度学习网络可以为Faster-RCNN网络。
基于图8,本发明实施例还提供了一种训练第二检测模型的具体实现方式,请参照图13,图13为本发明实施例提供的一种训练第二检测模型的方法的流程示意图,该方法包括步骤S401至步骤S404。
步骤S401,获取多张待检测齿轮的局部图像,其中,每一局部图像对应的相机位信息为粗糙面相机位。
在本发明实施例中,将由设置在粗糙面相机位的检测相机采集的待检测齿轮的局部图像,即粗糙面图像,作为用于训练第二检测模型的训练数据。
步骤S402,对多张局部图像进行预处理,得到第二训练集。
在本发明实施例中,为了避免因训练数据不足导致的模型的准确度低,还需对每一粗糙面图像进行预处理,包括翻转、剪裁和增强对比度等,并将预处理后的图像与原图像一起作为用于训练第二检测模型的第二训练集。
步骤S403,对第二训练集中待检测齿轮的缺陷进行标注。
在本发明实施例中,对第二训练集中图像,利用图像标注工具,例如LabelImg,标注出图像中的缺陷,并制作缺陷类型标签。
步骤S404,将第二训练集输入深度学习网络进行训练,得到第二检测模型。
在本发明实施例中,将做完标注后的第二训练集输入深度学习网络进行训练,得到第二检测模型,作为一种具体实现方式,深度学习网络可以为Faster-RCNN网络。
基于图12和图13,本发明实施例还提供了如下三种预处理局部图像的具体实现方式:
方式一,针对多张局部图像中的任一目标局部图像,对目标局部图像按照预设角度进行翻转。
在本发明实施例中,目标局部图像是指当前正在进行预处理的局部图像,预设角度是指目标局部图像进行顺时针或逆时针旋转的角度,例如,当预设角度为+90°时,则将目标局部图像顺时针旋转90°,当预设角度为-90°时,则将目标局部图像逆时针旋转90°,翻转包括水平翻转和垂直翻转,一种具体实现方式中,可以先将目标局部图像按照预设角度进行顺时针或逆时针旋转,再对旋转后的目标局部图像进行水平翻转或垂直翻转,另一种具体实现方式中,可以先将目标局部图像进行水平翻转或垂直翻转,再将翻转后的图像按照预设角度进行顺时针或逆时针旋转。
方式二,对目标局部图像按照预设尺寸进行剪裁。
在本发明实施例中,将目标局部图像剪裁为若干个大小为预设尺寸的子图像,例如目标局部图像的尺寸为160像素200像素,预设尺寸为20像素40像素,则目标局部图像被剪裁为40个大小为20像素40像素的子图像。
方式三,对目标局部图像进行Gamma变换以改变目标局部图像的对比度。
在本发明实施例中,将目标局部图像按照下述公式进行Gamma变换,改变目标局部图像的对比度。
其中,为目标局部图像,为目标局部图像经Gamma变换后的图像,为Gamma值,其服从随机分布[0.8,1.2],当大于1时,使变换后图像较目标局部图像看起来更亮,对比度变高,当小于1时,使变换后图像较目标局部图像看起来更暗,对比度变低。
需要注意的是,上述三种方式可以任意选择一种或多种来处理目标局部图像,并且处理顺序可以任意排列,在这里不作具体限定。
为了执行上述实施例及各个可能的实施方式中的相应步骤,下面给出一种齿轮缺陷检测装置300的实现方式。请参照图14,图14示出了本发明实施例提供的齿轮缺陷检测装置300的方框示意图。需要说明的是,本发明实施例提供的齿轮缺陷检测装置300,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本发明实施例部分未提及指出。
齿轮缺陷检测装置300包括获取模块301、检测模块302、统计模块303以及判断模块304。
获取模块301,用于获取多张待检测齿轮的局部图像,其中局部图像包括光滑面图像和粗糙面图像。
作为一种具体的实现方式,每一局部图像对应一相机位信息,相机位信息包括光滑面相机位和粗糙面相机位,获取模块301还用于针对多张局部图像中的任一目标局部图像,若目标局部图像对应的相机位信息是光滑面相机位,则目标局部图像为光滑面图像;若目标局部图像对应的相机位信息是粗糙面相机位,则目标局部图像为粗糙面图像。
检测模块302,用于将每一光滑面图像输入预先训练的第一检测模型,得到每一光滑面图像对应的待检测齿轮的局部缺陷信息。
检测模块302,还用于将每一粗糙面图像输入预先训练的第二检测模型,得到每一粗糙面图像对应的待检测齿轮的局部缺陷信息。
统计模块303,用于根据所有局部缺陷信息,得到待检测齿轮的整体缺陷信息。
作为一种具体的实现方式,每一局部缺陷信息包括多个缺陷集合,每一缺陷集合包括至少一个缺陷的位置信息以及每一位置信息的置信度,每一缺陷集合对应一种缺陷类型,统计模块303具体用于针对多种缺陷类型中的任一目标缺陷类型,统计对应目标缺陷类型的所有缺陷集合中,置信度大于目标缺陷类型对应的第一预设值的位置信息的个数,得到目标缺陷类型的缺陷数量统计值;遍历多种缺陷类型,得到每一缺陷类型的缺陷数量统计值;根据每一缺陷类型的缺陷数量统计值,得到待检测齿轮的整体缺陷信息。
判断模块304,用于根据整体缺陷信息,判断待检测齿轮是否合格。
作为一种具体的实现方式,整体缺陷信息包括多种缺陷类型的缺陷数量统计值,判断模块304具体用于若每一缺陷类型的缺陷数量统计值均不大于该缺陷类型对应的第二预设值,则判定待检测齿轮为合格。
进一步地,请参照图15,图15为本发明实施例提供的一种计算机设备140的结构示意框图,该计算机设备140可以包括存储器141和处理器142。
其中,处理器142可以是一个通用的中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制上述方法实施例提供的齿轮缺陷检测方法的程序执行的集成电路。
存储器141可以是ROM或可存储静态信息和指令的其它类型的静态存储设备,RAM或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmabler-Only MEMory,EEPROM)、只读光盘(CompactdiscRead-Only MEMory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器141可以是独立存在,通过通信总线与处理器142相连接。存储器141也可以和处理器142集成在一起。其中,存储器141用于存储执行本申请方案的机器可执行指令。处理器142用于执行存储器141中存储的机器可执行指令,以实现前述的方法实施例。
由于本发明实施例提供的计算机设备140是前述的方法实施例提供的齿轮缺陷检测方法的另一种实现形式,因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
本发明实施例还提供一种包含计算机可执行指令的可读存储介质,计算机可执行指令在被执行时可以用于执行前述的方法实施例提供的齿轮缺陷检测方法中的相关操作。
综上,本发明实施例提供的一种齿轮缺陷检测方法、装置、计算机设备及存储介质,首先,获取多张待检测齿轮的局部图像,其中,局部图像包括光滑面图像和粗糙面图像;然后,将每一光滑面图像输入预先训练的第一检测模型,得到每一光滑面图像对应的待检测齿轮的局部缺陷信息;接着,将每一粗糙面图像输入预先训练的第二检测模型,得到每一粗糙面图像对应的待检测齿轮的局部缺陷信息;再根据所有局部缺陷信息,得到待检测齿轮的整体缺陷信息;最后,根据整体缺陷信息,判断待检测齿轮是否合格。由于本发明实施例分别采用预先训练的第一检测模型和第二检测模型对齿轮的光滑面图像和粗糙面图像进行处理,得到待检测齿轮的局部缺陷信息,再根据所有局部缺陷信息得到待检测齿轮的整体缺陷信息,进而判断待检测齿轮是否合格,从而避免了齿轮不同面的特性对齿轮缺陷检测结果的影响,提高了检测准确度以满足工业生产的需求。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种齿轮缺陷检测方法,其特征在于,所述方法包括:
获取多张待检测齿轮的局部图像,其中,所述局部图像包括光滑面图像和粗糙面图像;
将每一所述光滑面图像输入预先训练的第一检测模型,得到每一所述光滑面图像对应的所述待检测齿轮的局部缺陷信息;
将每一所述粗糙面图像输入预先训练的第二检测模型,得到每一所述粗糙面图像对应的所述待检测齿轮的局部缺陷信息;
根据所有所述局部缺陷信息,得到所述待检测齿轮的整体缺陷信息;
根据所述整体缺陷信息,判断所述待检测齿轮是否合格。
2.根据权利要求1所述的方法,其特征在于,每一所述局部图像对应一相机位信息,所述相机位信息包括光滑面相机位和粗糙面相机位,所述方法还包括:
针对多张所述局部图像中的任一目标局部图像,若所述目标局部图像对应的相机位信息是光滑面相机位,则所述目标局部图像为所述光滑面图像;
若所述目标局部图像对应的相机位信息是粗糙面相机位,则所述目标局部图像为所述粗糙面图像。
3.根据权利要求1所述的方法,其特征在于,每一所述局部缺陷信息包括多个缺陷集合,每一所述缺陷集合包括至少一个缺陷的位置信息以及每一所述位置信息的置信度,每一所述缺陷集合对应一种缺陷类型,所述根据所有所述局部缺陷信息,得到所述待检测齿轮的整体缺陷信息的步骤,包括:
针对多种所述缺陷类型中的任一目标缺陷类型,统计对应所述目标缺陷类型的所有所述缺陷集合中,所述置信度大于所述目标缺陷类型对应的第一预设值的所述位置信息的个数,得到所述目标缺陷类型的缺陷数量统计值;
遍历多种所述缺陷类型,得到每一所述缺陷类型的缺陷数量统计值;
根据每一所述缺陷类型的缺陷数量统计值,得到所述待检测齿轮的整体缺陷信息。
4.根据权利要求1所述的方法,其特征在于,所述整体缺陷信息包括多种缺陷类型的缺陷数量统计值,所述根据所述整体缺陷信息,判断所述待检测齿轮是否合格的步骤,包括:
若每一所述缺陷类型的缺陷数量统计值均不大于该缺陷类型对应的第二预设值,则判定所述待检测齿轮为合格。
5.根据权利要求1所述的方法,其特征在于,所述第一检测模型的训练步骤,包括:
获取多张所述待检测齿轮的局部图像,其中,每一所述局部图像对应的相机位信息为光滑面相机位;
对多张所述局部图像进行预处理,得到第一训练集;
对所述第一训练集中所述待检测齿轮的缺陷进行标注;
将所述第一训练集输入深度学习网络进行训练,得到所述第一检测模型。
6.根据权利要求1所述的方法,其特征在于,所述第二检测模型的训练步骤,包括:
获取多张所述待检测齿轮的局部图像,其中,每一所述局部图像对应的相机位信息为粗糙面相机位;
对多张所述局部图像进行预处理,得到第二训练集;
对所述第二训练集中所述待检测齿轮的缺陷进行标注;
将所述第二训练集输入深度学习网络进行训练,得到所述第二检测模型。
7.根据权利要求5或6任一项所述的方法,其特征在于,所述对多张所述局部图像进行预处理的步骤,包括:
针对多张所述局部图像中的任一目标局部图像,对所述目标局部图像按照预设角度进行翻转;
对所述目标局部图像按照预设尺寸进行剪裁;
对所述目标局部图像进行Gamma变换以改变所述目标局部图像的对比度。
8.一种齿轮缺陷检测装置,其特征在于,所述装置包括:
获取模块,用于获取多张待检测齿轮的局部图像,其中,所述局部图像包括光滑面图像和粗糙面图像;
检测模块,用于将每一所述光滑面图像输入预先训练的第一检测模型,得到每一所述光滑面图像对应的所述待检测齿轮的局部缺陷信息;
所述检测模块,还用于将每一所述粗糙面图像输入预先训练的第二检测模型,得到每一所述粗糙面图像对应的所述待检测齿轮的局部缺陷信息;
统计模块,用于根据所有所述局部缺陷信息,得到所述待检测齿轮的整体缺陷信息;
判断模块,用于根据所述整体缺陷信息,判断所述待检测齿轮是否合格。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于在调用所述计算机程序时执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储由计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210039993.8A CN114066890A (zh) | 2022-01-14 | 2022-01-14 | 齿轮缺陷检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210039993.8A CN114066890A (zh) | 2022-01-14 | 2022-01-14 | 齿轮缺陷检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066890A true CN114066890A (zh) | 2022-02-18 |
Family
ID=80230896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210039993.8A Pending CN114066890A (zh) | 2022-01-14 | 2022-01-14 | 齿轮缺陷检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066890A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723748A (zh) * | 2022-06-06 | 2022-07-08 | 深圳硅山技术有限公司 | 电机控制器的检测方法、装置、设备及存储介质 |
CN117495867A (zh) * | 2024-01-03 | 2024-02-02 | 东莞市星火齿轮有限公司 | 小模数齿轮精度的视觉检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
CN109919908A (zh) * | 2019-01-23 | 2019-06-21 | 华灿光电(浙江)有限公司 | 发光二极管芯片缺陷检测的方法和装置 |
US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN112330594A (zh) * | 2020-10-13 | 2021-02-05 | 浙江华睿科技有限公司 | 一种纸筒缺陷检测方法、装置、电子设备及存储介质 |
CN112819780A (zh) * | 2021-01-29 | 2021-05-18 | 菲特(天津)检测技术有限公司 | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 |
-
2022
- 2022-01-14 CN CN202210039993.8A patent/CN114066890A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
CN109919908A (zh) * | 2019-01-23 | 2019-06-21 | 华灿光电(浙江)有限公司 | 发光二极管芯片缺陷检测的方法和装置 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN112330594A (zh) * | 2020-10-13 | 2021-02-05 | 浙江华睿科技有限公司 | 一种纸筒缺陷检测方法、装置、电子设备及存储介质 |
CN112819780A (zh) * | 2021-01-29 | 2021-05-18 | 菲特(天津)检测技术有限公司 | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 |
Non-Patent Citations (2)
Title |
---|
XU YANG 等: "Defect Detection Algorithm of Patterned Fabrics Based on Convolutional Neural Network", 《JOURNAL OF DONGHUA UNIVERSITY》 * |
赵先圣 等: "基于深度学习的铁道车辆铸件X射线DR图像缺陷检测算法研究", 《 中国体视学与图像分析 》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723748A (zh) * | 2022-06-06 | 2022-07-08 | 深圳硅山技术有限公司 | 电机控制器的检测方法、装置、设备及存储介质 |
CN114723748B (zh) * | 2022-06-06 | 2022-09-02 | 深圳硅山技术有限公司 | 电机控制器的检测方法、装置、设备及存储介质 |
CN117495867A (zh) * | 2024-01-03 | 2024-02-02 | 东莞市星火齿轮有限公司 | 小模数齿轮精度的视觉检测方法及系统 |
CN117495867B (zh) * | 2024-01-03 | 2024-05-31 | 东莞市星火齿轮有限公司 | 小模数齿轮精度的视觉检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230419472A1 (en) | Defect detection method, device and system | |
CN114066890A (zh) | 齿轮缺陷检测方法、装置、计算机设备及存储介质 | |
US11836967B2 (en) | Method and device for small sample defect classification and computing equipment | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
CN111537517A (zh) | 一种无人智能化冲压缺陷识别方法 | |
CN112033965B (zh) | 基于差分图像分析的3d弧形表面缺陷检测方法 | |
CN113325001A (zh) | 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法 | |
JPH04240510A (ja) | 欠陥判別方法 | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
CN111951210A (zh) | 数据的处理方法、装置及设备 | |
CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
CN106846294B (zh) | 视觉检测方法、装置及设备 | |
CN115283835A (zh) | 一种pcb板的缺陷打标方法及设备 | |
CN114663382A (zh) | 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法 | |
CN114581415A (zh) | Pcb缺陷的检测方法、装置、计算机设备及存储介质 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
CN117455917A (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN116681677A (zh) | 一种锂电池缺陷检测方法、装置及系统 | |
CN114972350B (zh) | 模具异常检测方法、装置、设备及存储介质 | |
CN113376183A (zh) | 一种玻璃缺陷检测方法、系统及设备 | |
CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN114827457B (zh) | 一种晶圆检测中的动态对焦方法、装置、设备和介质 | |
TWI762364B (zh) | 晶錠評估方法 |
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 |
Application publication date: 20220218 |
|
RJ01 | Rejection of invention patent application after publication |