CN114119583A - 工业视觉检测系统、方法、网络模型选择方法及经编机 - Google Patents

工业视觉检测系统、方法、网络模型选择方法及经编机 Download PDF

Info

Publication number
CN114119583A
CN114119583A CN202111455462.9A CN202111455462A CN114119583A CN 114119583 A CN114119583 A CN 114119583A CN 202111455462 A CN202111455462 A CN 202111455462A CN 114119583 A CN114119583 A CN 114119583A
Authority
CN
China
Prior art keywords
image
target
detection
industrial
illumination
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
CN202111455462.9A
Other languages
English (en)
Inventor
姚黄衍
谈源
李威
李兴国
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.)
Changzhou New Intelligent Technology Co Ltd
Original Assignee
Changzhou New Intelligent Technology Co Ltd
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 Changzhou New Intelligent Technology Co Ltd filed Critical Changzhou New Intelligent Technology Co Ltd
Priority to CN202111455462.9A priority Critical patent/CN114119583A/zh
Publication of CN114119583A publication Critical patent/CN114119583A/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
    • D—TEXTILES; PAPER
    • D04—BRAIDING; LACE-MAKING; KNITTING; TRIMMINGS; NON-WOVEN FABRICS
    • D04B—KNITTING
    • D04B35/00—Details of, or auxiliary devices incorporated in, knitting machines, not otherwise provided for
    • D04B35/10—Indicating, warning, or safety devices, e.g. stop motions
    • D04B35/20—Indicating, warning, or safety devices, e.g. stop motions responsive to defects, e.g. holes, in knitted products
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06H—MARKING, INSPECTING, SEAMING OR SEVERING TEXTILE MATERIALS
    • D06H3/00—Inspecting textile materials
    • D06H3/08—Inspecting textile materials by photo-electric or television means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Textile Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明属于视觉系统技术领域，具体涉及工业视觉检测系统，包括：光源，为视觉检测提供所需照明；光源控制器，对照明的参数进行调节；图像采集单元，对获得所需光源照射的采集对象进行图像采集；图像目标检测单元，基于卷积神经网络对图像中的目标进行检测。在本发明中提供了一种可进行工业化应用的工业视觉检测方案，目的在于通过视觉识别技术在工业生产中对产品的缺陷进行检测，避免人工检测所带来的精准度及效率问题；在具体的工作过程中，根据采集对象的特性及尺寸等进行光源的合理布置，且通过光源控制器对控制的参数进行调整，从而为后的图像采集工作提供保障。同时，本发明中还请求保护一种工业视觉检测方法、网络模型选择方法及经编机。

Description

工业视觉检测系统、方法、网络模型选择方法及经编机
技术领域
本发明属于视觉系统技术领域，具体涉及一种工业视觉检测系统、方法、网络模型选择方法及经编机。
背景技术
目前，复合材料已经展现出全面替代传统金属的趋势，但是在复合材料的生产过程中，较复杂的工艺要求和较高的人工成本也对行业提出了新的挑战。
参照JC/T 170-2012 E玻璃纤维布标准，平均每100米玻纤织物内的主要疵点不得超过20个，否则将被认定为不合格品进行报废处理。但是在实际生产过程中，人工检验疵点仍为检测玻纤织物生产质量的主要手段，在人工检验中存在诸多不确定因素：首先由于长时间的检验导致视觉疲劳，会造成漏检问题；其次由于人工检测的经济成本较高，目前在生产过程中没有专职的验布人员进行实时检验，进一步提高了缺陷漏检的概率。
鉴于上述缺陷，本发明人基于从事此类技术多年丰富经验及专业知识，配合理论分析，加以研究创新，以期开发工业视觉检测系统、方法、网络模型选择方法及经编机。
发明内容
本发明中提供了一种工业视觉检测系统，可有效解决背景技术中的缺陷，同时本发明中还请求保护一种工业视觉检测方法、网络模型选择方法及经编机，具有同样的技术效果。
本发明的上述技术目的是通过以下技术方案得以实现的：
工业视觉检测系统，包括：
光源，为视觉检测提供所需照明；
光源控制器，对所述照明的参数进行调节；
图像采集单元，对获得所需光源照射的采集对象进行图像采集；
图像目标检测单元，基于卷积神经网络对图像中的目标进行检测。
进一步地，还包括报警单元，根据目标检测结果进行选择性报警。
进一步地，所述光源包括若干照明单元，用于对所述采集目标的不同区域进行照明，且照明范围完整覆盖所述采集目标。
工业视觉检测方法，包括以下步骤：
根据采集对象进行照明的匹配；
向采集对象提供照明；
对所述采集对象进行图像采集；
基于卷积神经网络对图像中的目标进行检测。
进一步地，在检测的目标产生预定结果时，进行报警输出。
进一步地，向所述采集单元的不同区域提供独立的照明，且照明范围完整覆盖所述采集目标。
网络模型选择方法，用于对实现图像目标采集的卷积神经网络模型进行选择，包括以下步骤：
建立若干包括检测目标的图像集合；
对各图像进行预处理，至少获得统一的尺寸及分辨率；
对处理完成的各图像进行重命名，并获得统一的图片格式；
将整理完成的图像进行标记与分类，且以xml文件的形式存储图像中标记的位置坐标信息以及分类名称，并与原始图像一一对应；
根据实际需求划分训练集、测试集、验证集的比例，按照划分比例划分后，随机产生对应的训练集、测试集和验证集；
通过各个数据集在若干网络模型下检测结果的比对，选择与检测目标最为匹配的模型形式。
进一步地，所述图像集合中的各图像在相同的光照条件下采集。
经编机，包括：
如上所述的工业视觉检测系统，用于对传送中的布面缺陷进行检测；
控制器，接收来自所述工业视觉检测系统的检测结果，并依据所述检测结果进行经编机的启停控制。
进一步地，所述控制器还接收来自织物传送装置的数据，并依据所述数据进行落布控制，以及，根据所述传送装置的数据进行织物的米长记录，其中，所述落布控制结果和米长记录结果一一对应。
综上所述，本发明具有以下有益效果：
在本发明中提供了一种可进行工业化应用的工业视觉检测方案，目的在于通过视觉识别技术在工业生产中对产品的缺陷进行检测，避免人工检测所带来的精准度及效率问题；在具体的工作过程中，根据采集对象的特性及尺寸等进行光源的合理布置，且通过光源控制器对控制的参数进行调整，从而为后的图像采集工作提供保障。
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，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地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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他的附图。
图1为工业视觉检测方法的流程图；
图2为对实现图像目标采集的卷积神经网络模型进行选择的流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
工业视觉检测系统，包括：光源，为视觉检测提供所需照明；光源控制器，对照明的参数进行调节；图像采集单元，对获得所需光源照射的采集对象进行图像采集；图像目标检测单元，基于卷积神经网络对图像中的目标进行检测。
在本发明中，提供了一种可进行工业化应用的机器视觉工业检测系统，目的在于通过视觉识别技术在工业生产中对产品的缺陷进行检测，从而避免人工检测所带来的精准度及效率问题。在具体的工作过程中，根据采集对象的特性及尺寸等进行光源的合理布置，且通过光源控制器对控制的参数进行调整，从而为后的图像采集工作提供保障。
为了对问题及时的发现，还包括报警单元，根据目标检测结果进行选择性报警。在工业生产中，一般在检验到目标结果时进行报警，其中，报警形式可采用声报警、光报警或者其他方式，以及各种方式的组合形式之一。
作为光源的优化方式，光源包括若干照明单元，用于对采集目标的不同区域进行照明，且照明范围完整覆盖采集目标。将采集目标分为若干部分，通过不同的照明单元进行照明，一方面可保证各个部分内照明的充足和稳定程度，另一方面可降低对光源进行选择的难度，更小的照明范围可降低对光源的要求。
实施例二
工业视觉检测方法，如图2所示，包括以下步骤：
A1：根据采集对象进行照明的匹配；
A2：向采集对象提供照明；
A3：对采集对象进行图像采集；
A4：基于卷积神经网络对图像中的目标进行检测。
其中，在检测的目标产生预定结果时，进行报警输出，从而作为警示信息梯形操作人员注意；向采集单元的不同区域提供独立的照明，且照明范围完整覆盖采集目标。
本实施例中，通过机器视觉工业检测方法所实现的功能与实施例一中的机器视觉工业检测系统相同，此处不再赘述。
实施例三
为了提高运算的效率，本发明中基于卷积神经网络对目标进行检测，具体可采用现有技术中如YOLOv4-Tiny网络模型等多种模型中的任意一种，或者采用两种及以上进行检测结果的综合考虑也可，但无论针对哪种网络模型，在进行工业化应用前，需要进行数据集制作与实验模型参数配置，对实际检测效果进行评估从而进行最优的选择。
为了提高上述实施例的实施效果，本实施例中提供了一种网络模型选择方法，用于对卷积神经网络模型进行选择，如图2所示，包括以下步骤：
B1：建立若干包括检测目标的图像集合；
B2：对各图像进行预处理，至少获得统一的尺寸及分辨率；
B3：对处理完成的各图像进行重命名，并获得统一的图片格式；
B4：将整理完成的图像进行标记与分类，且以xml文件的形式存储图像中标记的位置坐标信息以及分类名称，并与原始图像一一对应；
B5：根据实际需求划分训练集、测试集、验证集的比例，按照划分比例划分后，随机产生对应的训练集、测试集和验证集；
B6：通过各个数据集在若干网络模型下检测结果的比对，选择与检测目标最为匹配的模型形式。
在具体实施过程中，用于进行图像集合制作的数据图像全部来源于工业化应用现场采集的图片，本实施例中，以采集两千张缺陷图像为例，其中的缺陷即为检测目标；获取图像原始数据后，首先对图像进行预处理，预处理的过程包括裁切与分辨率调整，以使图像分辨率统一为416*416为例；之后对图像进行重命名，重命名可批量进行，需注意命名时不能出现中文或其他非法字符，本实施中确保图片格式均为.jpg，使深度学习网络可以正常读取；整理完成原始图像后，标记图像中的缺陷位置和分类，标记完成后则保存为xml文件，在具体实施过程中，可采用LabelImg工具对图像进行标记与分类；xml文件中存储了图像标记的位置坐标信息以及分类名称，并与原始图片一一对应；生成xml文件后，根据实际需求划分训练集、测试集、验证集的比例，按照划分比例划分后，将随机产生对应的训练集、测试集和验证集，通过上述各个数据集在多种网络模型下检测结果的比对，最终可选择与检测目最为匹配的模型形式。
在实施过程中，本实施例中的卷积神经网络模型选择方法需要在实施例一和实施例二实施前进行，从而保证检测系统和检测方法的效果可以最优化。
为了提高比对结果的准确向，优选图像集合中的各图像在相同的光照条件下采集。
实施例四
经编机，包括：如实施例一中的工业视觉检测系统，用于对传送中的布面缺陷进行检测；控制器，接收来自工业视觉检测系统的检测结果，并依据检测结果进行经编机的启停控制。
在将实施例一中的工业视觉检测系统应用于经编机上时，无需改变现有的经编机结构，只需将机器的工业视觉检测系统安装入经编机现有的控制柜中即可，光源和图像采集单元均可通过外置的架体结构等安装于经编机的主体结构上，图像目标检测单元设置设定算法。通过启停的控制，可有效保证布面问题的及时有效处理。
为了进一步提高设备的智能化和自动化程度，控制器还接收来自织物传送装置的数据，并依据数据进行落布控制，以及，根据传送装置的数据进行织物的米长记录，其中，落布控制结果和米长记录结果一一对应。
针对工业视觉检测系统的检测结果，在工业生产中为布面图像的缺陷，依据上述缺陷，本发明中实现设备启停和落布两种控制结果，即，当发现布面存在缺陷时，为了避免缺陷产品流入下道工序而影响最终的产品质量，需要进行停机操作，从而对问题进行解决；当然，一部分问题如布面杂质等问题通过布面清理的方式实现，此种问题处理后，可重新进行设备的运行，保证持续的生产；然而一部分由于织物编织而造成的问题则难以解决，此部分织物被认定为废料，需要将其裁切去除；因此，本实施例中，建立落布控制结果和米长记录一一对应的关系，可实现当通过裁切而实现落布后，可获得落布的长度，此项控制结果对于原材料余量的监控和问题的统计均具有一定的意义；存储后的数据可供生产分析及其他任意目的的调用。
以上，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例展示如上，但并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.工业视觉检测系统，其特征在于，包括：
光源，为视觉检测提供所需照明；
光源控制器，对所述照明的参数进行调节；
图像采集单元，对获得所需光源照射的采集对象进行图像采集；
图像目标检测单元，基于卷积神经网络对图像中的目标进行检测。
2.根据权利要求1所述的工业视觉检测系统，其特征在于，还包括报警单元，根据目标检测结果进行选择性报警。
3.根据权利要求1或2所述的工业视觉检测系统，其特征在于，所述光源包括若干照明单元，用于对所述采集目标的不同区域进行照明，且照明范围完整覆盖所述采集目标。
4.工业视觉检测方法，其特征在于，包括以下步骤：
根据采集对象进行照明的匹配；
向采集对象提供照明；
对所述采集对象进行图像采集；
基于卷积神经网络对图像中的目标进行检测。
5.根据权利要求4所述的工业视觉检测方法，其特征在于，在检测的目标产生预定结果时，进行报警输出。
6.根据权利要求4或5所述的工业视觉检测方法，其特征在于，向所述采集单元的不同区域提供独立的照明，且照明范围完整覆盖所述采集目标。
7.网络模型选择方法，其特征在于，用于对实现图像目标采集的卷积神经网络模型进行选择，包括以下步骤：
建立若干包括检测目标的图像集合；
对各图像进行预处理，至少获得统一的尺寸及分辨率；
对处理完成的各图像进行重命名，并获得统一的图片格式；
将整理完成的图像进行标记与分类，且以xml文件的形式存储图像中标记的位置坐标信息以及分类名称，并与原始图像一一对应；
根据实际需求划分训练集、测试集、验证集的比例，按照划分比例划分后，随机产生对应的训练集、测试集和验证集；
通过各个数据集在若干网络模型下检测结果的比对，选择与检测目标最为匹配的模型形式。
8.根据权利要求7所述的网络模型选择方法，其特征在于，所述图像集合中的各图像在相同的光照条件下采集。
9.经编机，其特征在于，包括：
如权利要求1~3任一项所述的工业视觉检测系统，用于对传送中的布面缺陷进行检测；
控制器，接收来自所述工业视觉检测系统的检测结果，并依据所述检测结果进行经编机的启停控制。
10.根据权利要求9所述的经编机，其特征在于，所述控制器还接收来自织物传送装置的数据，并依据所述数据进行落布控制，以及，根据所述传送装置的数据进行织物的米长记录，其中，所述落布控制结果和米长记录结果一一对应。
CN202111455462.9A 2021-12-01 2021-12-01 工业视觉检测系统、方法、网络模型选择方法及经编机 Pending CN114119583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111455462.9A CN114119583A (zh) 2021-12-01 2021-12-01 工业视觉检测系统、方法、网络模型选择方法及经编机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111455462.9A CN114119583A (zh) 2021-12-01 2021-12-01 工业视觉检测系统、方法、网络模型选择方法及经编机

Publications (1)

Publication Number Publication Date
CN114119583A true CN114119583A (zh) 2022-03-01

Family

ID=80369296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111455462.9A Pending CN114119583A (zh) 2021-12-01 2021-12-01 工业视觉检测系统、方法、网络模型选择方法及经编机

Country Status (1)

Country Link
CN (1) CN114119583A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116248998A (zh) * 2023-05-08 2023-06-09 歌尔股份有限公司 一种图像采集控制系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202175829U (zh) * 2010-12-27 2012-03-28 中国船舶重工集团公司第七一五研究所 基于机器视觉的坯布疵点在线实时检测系统
CN107643727A (zh) * 2017-11-01 2018-01-30 海宁纺织机械有限公司 一种基于机器视觉的剪毛机智能抬刀系统及其实现方法
CN207277048U (zh) * 2017-09-21 2018-04-27 常州宏大智能装备产业发展研究院有限公司 基于机器视觉的纺织面料在线检测验布机
CN109978035A (zh) * 2019-03-18 2019-07-05 西安电子科技大学 基于改进的k-means和损失函数的行人检测方法
CN110781921A (zh) * 2019-09-25 2020-02-11 浙江农林大学 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置
WO2021229446A2 (en) * 2020-05-12 2021-11-18 Smartex Unipessoal Lda Systems and methods for material illumination

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202175829U (zh) * 2010-12-27 2012-03-28 中国船舶重工集团公司第七一五研究所 基于机器视觉的坯布疵点在线实时检测系统
CN207277048U (zh) * 2017-09-21 2018-04-27 常州宏大智能装备产业发展研究院有限公司 基于机器视觉的纺织面料在线检测验布机
CN107643727A (zh) * 2017-11-01 2018-01-30 海宁纺织机械有限公司 一种基于机器视觉的剪毛机智能抬刀系统及其实现方法
CN109978035A (zh) * 2019-03-18 2019-07-05 西安电子科技大学 基于改进的k-means和损失函数的行人检测方法
CN110781921A (zh) * 2019-09-25 2020-02-11 浙江农林大学 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置
WO2021229446A2 (en) * 2020-05-12 2021-11-18 Smartex Unipessoal Lda Systems and methods for material illumination

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116248998A (zh) * 2023-05-08 2023-06-09 歌尔股份有限公司 一种图像采集控制系统
CN116248998B (zh) * 2023-05-08 2023-08-08 歌尔股份有限公司 一种图像采集控制系统

Similar Documents

Publication Publication Date Title
CN113166987B (zh) 用于控制纺织质量的机器和方法
CN107886500A (zh) 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN101566582B (zh) 基于机器视觉的粉针剂生产中药瓶标贴信息在线检测系统
CN203688459U (zh) 基于图像识别的织物质量在线检测系统
US5420439A (en) Process to detect and count yarn defects having a color background and a camera
CN110018172B (zh) 产品检测系统及方法
CN103616389A (zh) 容器标签的自动检测装置及方法
WO2014050641A1 (ja) 文字読取装置およびその文字読取装置を用いた容器検査システム
US20220284699A1 (en) System and method of object detection using ai deep learning models
CN114119583A (zh) 工业视觉检测系统、方法、网络模型选择方法及经编机
KR102445162B1 (ko) 비전센서를 활용한 데이터 추출 및 딥러닝과 머신러닝 알고리즘에 기반한 제직 원단의 결점 검출 자동화시스템
CN109693140A (zh) 一种智能化柔性生产线及其工作方法
CN113592852A (zh) 一种碳纤维碳丝质量在线检测系统和方法
CN113588653A (zh) 一种检测和追踪铝用阳极炭块质量的系统及方法
CN118369685A (zh) 检测支座上至少一个缺陷的方法、相关设备和计算机程序
KR20230137584A (ko) 원단 결함 검출을 위한 비전검사 시스템
EP3699578A1 (en) System for improved fabric inspection
JP2013228297A (ja) 自動欠陥検査システム
Dorrity et al. On-line defect detection for weaving systems
CN106990113A (zh) 汽车连杆毛坯胀断面质量视觉检测装置
JP2008089534A (ja) 炭素繊維布帛の検査方法および検査装置
US11599984B2 (en) Methods and apparatus for detecting defects for poultry piece grading
CN114235845B (zh) 用于注塑件产品缺陷检测的机构、系统及方法
Heleno et al. A machine vision quality control system for industrial acrylic fibre production
CN109825944B (zh) 一种基于线激光的织物织造在线疵点检测方法

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: 20220301