CN114119603A - 基于图像处理的快餐盒短射缺陷检测方法 - Google Patents
基于图像处理的快餐盒短射缺陷检测方法 Download PDFInfo
- Publication number
- CN114119603A CN114119603A CN202111570581.9A CN202111570581A CN114119603A CN 114119603 A CN114119603 A CN 114119603A CN 202111570581 A CN202111570581 A CN 202111570581A CN 114119603 A CN114119603 A CN 114119603A
- Authority
- CN
- China
- Prior art keywords
- pixel points
- image
- snack box
- box
- circle
- 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.)
- Withdrawn
Links
- 235000011888 snacks Nutrition 0.000 title claims abstract description 114
- 230000007547 defect Effects 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000010304 firing Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 25
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000001746 injection moulding Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
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
-
- 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
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于图像处理的快餐盒短射缺陷检测方法,属于图像处理领域。方法包括以下步骤:获取待检测快餐盒图像,根据所述快餐盒图像得到对应的粗略边缘图像;根据所述粗略边缘图像,得到待检测快餐盒对应的顶部盒口边缘图像;根据待检测快餐盒对应的顶部盒口边缘图像,得到待检测快餐盒的短射缺陷程度;根据待检测快餐盒的短射缺陷程度,判断待检测快餐盒是否存在短射缺陷。本发明能够准确检测快餐盒短射缺陷。
Description
技术领域
本发明涉及图像处理领域,具体涉及基于图像处理的快餐盒短射缺陷检测方法。
背景技术
短射又被称为欠注、充填不足、制件不满,指料流末端出现部分不完整现象。在透明圆形快餐盒的生产中,可能由于多方因素导致产生发生短射现象,使得快餐盒边缘出现缺损情况。而由于快餐盒为透明光亮的塑料制品,在对快餐盒进行短射缺陷检测时,会受到很多的噪声,常规的图像滤波并不能很好地实现对透明快餐盒图像的噪声处理效果,并且由于快餐盒表面光滑,会产生高光现象,使得阈值分割并不能很好的获取得到快餐盒的边缘。
而对于存在边缘缺损的快餐盒,会导致无法进行严实的密封,使得在使用中出现产品质量不达标的情况。如何实现快餐盒短射缺陷的准确检测是现有快餐盒加工生产厂家面临的问题。
发明内容
为了解决上述问题,本发明提供了一种基于图像处理的快餐盒短射缺陷检测方法的技术方案,包括以下步骤:
获取待检测快餐盒图像,根据所述快餐盒图像得到对应的粗略边缘图像;
根据所述粗略边缘图像,得到待检测快餐盒对应的顶部盒口边缘图像;
根据待检测快餐盒对应的顶部盒口边缘图像,得到待检测快餐盒的短射缺陷程度;
根据待检测快餐盒的短射缺陷程度,判断待检测快餐盒是否存在短射缺陷。
有益效果:本发明根据待检测快餐盒图像能够准确获取待检测快餐盒的顶部盒口边缘;根据待检测快餐盒对应的顶部盒口边缘图像,得到待检测快餐盒的短射缺陷程度;本发明实现了对快餐盒是否存在短射缺陷的准确检测。
进一步地,所述根据所述粗略边缘图像,得到待检测快餐盒对应的顶部盒口边缘图像,包括:
获取粗略边缘图像中各有值像素点的坐标信息,根据各有值像素点的坐标信息构建有值像素点坐标信息集合,利用DBSCAN聚类算法对集合中的数据进行分类,得到多个分类;
基于各类别中对应像素点的坐标信息,得到各有值像素点对应圆心位置坐标;
利用均值漂移聚类算法对获得的圆心进行分组,得到多个组;计算各组内圆心对应像素点分布近似为圆形的概率;
根据各组内圆心对应像素点分布近似为圆形的概率得到待检测快餐盒对应的顶部盒口边缘图像。
进一步地,利用如下公式计算各组内圆心对应像素点分布近似为圆形的概率:
进一步地,所述根据各组内圆心对应像素点分布近似为圆形的概率得到待检测快餐盒对应的顶部盒口边缘图像,包括:
判断各组内圆心对应像素点分布近似为圆形的概率是否大于设定阈值,若是,则判定对应组内圆心对应像素点分布为圆形;
对于判定为组内对应像素点分布为圆形的各组,获取各组内圆心对应的像素点的坐标,将各组内圆心对应的像素点的坐标采用ransac算法进行圆的拟合;
将拟合得到的圆形作为快餐盒顶部盒口边缘的备选圆形,从备选圆形中选出顶部盒口边缘对应的目标圆,将该目标圆作为待检测快餐盒对应的顶部盒口边缘。
进一步地,所述基于各类别中对应像素点的坐标信息,得到各有值像素点对应圆心位置坐标,包括:
基于各类别中对应像素点的坐标信息,通过曲线多项式拟合方法得到各类别边缘对应的多项式方程;根据各类别边缘对应的多项式方程,计算各类别中各像素点的曲率值;根据各类别中各像素点的曲率值计算各类别中各像素点对应的曲率半径的大小;
构建粗略边缘图像中所有有值像素点的海森矩阵,获取各有值像素点对应的海森矩阵的特征向量和特征值,将各有值像素点对应的最小特征值对应的特征向量的方向作为对应像素点处的切线方向;
过粗略边缘图像中各有值像素点作对应的切线方向的垂线,得到各有值像素点对应的曲率半径的方向;根据粗略边缘图像中所有有值像素点的坐标、曲率半径的大小和曲率半径的方向,得到各有值像素点对应圆心位置坐标。
进一步地,所述根据所述快餐盒图像得到对应的粗略边缘图像,包括:
对所述快餐盒图像进行灰度化处理,得到对应的灰度化图像;
对所述灰度化图像进行滤波处理,得到滤波后图像;
利用canny边缘检测算法对滤波后图像进行边缘检测,得到待检测快餐盒对应的粗略粗略边缘图像。进一步地,所述根据待检测快餐盒对应的顶部盒口边缘图像,得到待检测快餐盒的短射缺陷程度,包括:
获取顶部盒口边缘处的像素点,对顶部盒口边缘处的各像素点建立设定大小的滑窗,获取滑窗内邻域像素点的灰度均值和像素点自身的灰度值;
根据顶部盒口边缘处的各像素点对应的滑窗内邻域像素点的灰度均值和像素点的灰度值,计算顶部盒口边缘处的各像素点对应的短射概率;
统计短射概率大于设定短射概率阈值的像素点的个数,作为待检测快餐盒的短射缺陷程度。
附图说明
图1是本发明的基于图像处理的快餐盒短射缺陷检测方法流程图。
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介绍。
本发明的目的在于筛选出快餐盒中存在短射缺陷的瑕疵品,本发明针对的是圆形透明快餐盒,这种圆形透明快餐盒是利用注塑机加工而成,若检测出快餐盒存在短射缺陷,说明注塑机加工过程有待改进。具体地,如图1所示,本实施例的基于图像处理的快餐盒短射缺陷检测方法包括以下步骤:
(1)获取待检测快餐盒图像,根据所述快餐盒图像得到对应的粗略边缘图像;
由于快餐盒的注塑口往往在底部,所以其顶部盒口边缘是最容易发生短射现象的位置,本实施例的主要目的即是实现对顶部盒口边缘是否出现缺损的检测;本实施例选择正对顶部盒口边缘的方向对一个待检测快餐盒进行采集,得到待检测餐盒对应的RGB图像;对得到的RGB图像进行灰度化处理,得到待检测快餐盒对应的灰度图像。对图像进行灰度化处理的过程为现有技术,此处不再赘述。
在得到待检测快餐盒对应的灰度图像后,为了减少噪声影响,本实施例通过高斯滤波对得到的灰度化图像进行滤波,通过canny边缘检测算法对滤波后的图像进行边缘检测,得到待检测快餐盒对应的粗略粗略边缘图像。
利用canny边缘检测算法实现边缘检测为现有技术,此处不再赘述;本实施例对得到的灰度图像进行滤波的过程是为了提高本实施例快餐盒短射缺陷检测结果的准确性,属于进一步优化步骤,作为其它实施方式,也可以直接对得到的灰度图像进行边缘检测。
(2)根据所述粗略边缘图像,得到待检测快餐盒对应的顶部盒口边缘图像;
由于快餐盒透明的原因,上述得到的粗略边缘图像中不仅含有快餐盒的边缘,还含有一些由于背景或光影干扰导致的干扰边缘,由于这些干扰边缘存在,虽然本实施例针对的圆形透明快餐盒对应的顶部盒口边缘为圆形,但是也不能直接利用霍夫圆检测技术对顶部盒口边缘是否存在缺损。鉴于此,本实施例先根据上述粗略边缘图像得到了对应的顶部盒口边缘图像,后续再基于顶部盒口边缘图像分析顶部盒口边缘是否存在缺陷。本实施例根据粗略边缘图像得到待检测快餐盒对应的顶部盒口边缘图像的过程如下:
上述通过canny边缘检测算法得到的粗略边缘图像中边缘像素点的灰度值为1,非边缘像素点的灰度值为0;本实施例获取粗略边缘图像中各有值像素点的坐标信息,有值像素点即灰度值为1的像素点,根据各有值像素点的坐标信息构建有值像素点坐标信息集合,利用DBSCAN聚类算法对集合中的数据进行分类,获得A个类别,同一个类别中的像素点位置紧挨着分布的,不同类别之间所表示的边缘相互断开。
基于各类别中对应像素点的坐标信息,通过曲线多项式拟合方法得到各类别边缘对应的多项式方程,进而通过曲率公式,求得各类别中各像素点的曲率值。如果某类别属于圆状物体形成的边缘,那么该类别内各像素点之间的曲率值是比较近似的,因此,本实施例可以通过各类别所包含的各像素点的曲率值是否近似来判断各类别是否属于圆状物体形成的边缘:若某类别包含的各像素点的曲率值近似,也即像素点的曲率值分布比较集中,那么该类别很可能就属于圆状物体形成的边缘。
构建粗略边缘图像中所有有值像素点的海森矩阵,每个有值像素点的该海森矩阵是2×2的对角矩阵,该矩阵用于表示对应像素点在图像上的二阶导数;获取各有值像素点对应的海森矩阵的特征向量和特征值,将各有值像素点对应的最小特征值对应的特征向量的方向作为对应像素点处的切线方向。本实施例中各有值像素点对应的最小特征值对应的特征向量是一个二维单位向量,用于表示对应像素点在图像上灰度值变化曲率最小的方向,即用于表征该像素点处边缘的走向。构建图像中各像素点对应的海森矩阵的过程以及获取海森矩阵对应的特征向量和特征值的过程为现有技术,此处不再赘述。
获取粗略边缘图像中所有有值像素点的曲率值,通过曲率值和曲率半径的关系(即曲率值的倒数就是曲率半径),得到粗略边缘图像中所有有值像素点的曲率半径的大小;过粗略边缘图像中各有值像素点作对应的切线方向的垂线,即可得到各有值像素点对应的曲率半径的方向;获取粗略边缘图像中所有有值像素点的坐标、曲率半径的大小和曲率半径的方向,可以得到各有值像素点对应圆心位置坐标。
在得到边缘粗略图像中所有有值像素点对应的圆心所在位置后,利用均值漂移聚类算法对获得的圆心进行分组,圆心坐标位置相近的像素点则将被均为一组。由于透明圆形快餐盒的盒口为圆形,因此组内的圆心对应的像素点个数越多、组内的圆心之间距离越近,该组内圆心对应的像素点分布越近似为圆形。
本实施例基于如下公式计算各组内圆心对应像素点分布近似为圆形的概率:
其中,表示第g组内圆心对应像素点分布近似为圆形的概率值,其值越大说明该组内圆心对应像素点分布近似为圆形的概率越高,越可能是个圆;表示第g组内圆心的个数;表示第g组内第l个圆心对应的像素点个数;,表示第g组内所有圆心对应的像素点总个数,值越大,则说明该组内圆心对应的像素点个数越多,对应像素点分布越可能为圆形。本实施例计算得到的为一个负值。
在计算得到了各组内圆心对应像素点分布近似为圆形的概率之后,将各组内圆心对应像素点分布近似为圆形的概率与设定阈值ypr进行比较,ypr小于0,当时,判定当前组内圆心对应像素点分布为圆形;当时,判定当前组内圆心对应像素点分布不为圆形。ypr的值可以根据实际情况进行设定和调整。
对于判定为组内对应像素点分布为圆形的各组,获取各组内圆心对应的像素点的坐标,将各组内圆心对应的像素点的坐标采用ransac算法进行圆的拟合,一个组拟合得到一个圆形,将拟合得到的圆形作为快餐盒顶部盒口边缘的备选圆形。考虑到待检测快餐盒为透明材料加工而成,且考虑到本实施例待检测餐盒的具体结构:除了其顶部盒口边缘为圆形之外,其盒底底部也存在一个圆形,且顶部盒口边缘对应的圆形的半径最大,因此,本实施例选取对应半径最大的圆形作为与顶部盒口边缘对应的目标圆,该目标圆即待检测快餐盒对应的顶部盒口边缘。
采用ransac算法进行圆的拟合为现有技术,此处不再赘述。本实施例将对应半径最大的圆形作为与顶部盒口边缘对应的目标圆是基于本实施例研究的待检测快餐盒的结构决定的,当待检测的快餐盒的结构发生改变时,需根据结构的具体改变对本实施例判断哪个组对应的圆为目标圆的规则进行适应修改,比如,当待检测快餐盒的顶部盒口边缘对应的圆形半径小于盒底底部圆形半径时,就需要将较小的圆形作为与顶部盒口边缘对应的目标圆。
(3)根据待检测快餐盒对应的顶部盒口边缘图像,得到待检测快餐盒的短射缺陷程度;
在得到待检测快餐盒对应的顶部盒口边缘图像后,获取顶部盒口边缘处的像素点。在采集图像的灰度图中,对顶部盒口边缘处的像素点建立大小的滑窗,获取滑窗内邻域像素点的灰度均值和像素点自身的灰度值hd,利用如下公式计算当前像素点短射概率cz:
本实施例中滑窗的步长为1,即一个像素点,方向为沿着快餐盒边缘所形成圆形方向。滑窗结束后可以得到顶部盒口边缘处各像素点对应的短射概率。本实施例中滑窗大小为,作为其它实施方式,滑窗大小可根据需求的不同进行调整。
本实施例统计cz值较小的像素点的个数cd,将cz值较小的像素点的个数作为缺陷长度,缺陷长度越大,说明短射缺陷程度越严重。本实施例判断cz值较小的方法为:通过k-means算法对得到的所有cz值进行k=2的二分类。其中cz值较低对应类别的cz值为较小cz值,该类别内的cz值对应像素点的个数为cd值。k-means算法为现有技术,此处不再赘述。
(4)根据待检测快餐盒的短射缺陷程度,判断待检测快餐盒是否存在短射缺陷。
本实施例中cd的值越大,说明待检测快餐盒越可能存在短射缺陷;本实施例将待检测快餐盒的短射缺陷程度与设定阈值cdr进行比较,当cd>cdr时判定待检测快餐盒顶部盒口的短射已经影响到了待检测快餐盒的正常使用,此时判定待检测快餐盒存在短射缺陷,在实际应用中可以在判定待检测快餐盒存在短射缺陷后对快餐盒的注塑过程进行优化。当cd≤cdr时判定待检测快餐盒不存在短射缺陷,本实施例中cdr的值可根据具体情况进行设定或调整。
本实施例根据待检测快餐盒图像能够准确获取待检测快餐盒的顶部盒口边缘;根据待检测快餐盒对应的顶部盒口边缘图像,得到待检测快餐盒的短射缺陷程度;本实施例实现了对快餐盒是否存在短射缺陷的准确检测。
需要说明的是,尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (7)
1.一种基于图像处理的快餐盒短射缺陷检测方法,其特征在于,包括以下步骤:
获取待检测快餐盒图像,根据所述快餐盒图像得到对应的粗略边缘图像;
根据所述粗略边缘图像,得到待检测快餐盒对应的顶部盒口边缘图像;
根据待检测快餐盒对应的顶部盒口边缘图像,得到待检测快餐盒的短射缺陷程度;
根据待检测快餐盒的短射缺陷程度,判断待检测快餐盒是否存在短射缺陷。
2.根据权利要求1所述的基于图像处理的快餐盒短射缺陷检测方法,其特征在于,所述根据所述粗略边缘图像,得到待检测快餐盒对应的顶部盒口边缘图像,包括:
获取粗略边缘图像中各有值像素点的坐标信息,根据各有值像素点的坐标信息构建有值像素点坐标信息集合,利用DBSCAN聚类算法对集合中的数据进行分类,得到多个分类;
基于各类别中对应像素点的坐标信息,得到各有值像素点对应圆心位置坐标;
利用均值漂移聚类算法对获得的圆心进行分组,得到多个组;计算各组内圆心对应像素点分布近似为圆形的概率;
根据各组内圆心对应像素点分布近似为圆形的概率得到待检测快餐盒对应的顶部盒口边缘图像。
4.根据权利要求2所述的基于图像处理的快餐盒短射缺陷检测方法,其特征在于,所述根据各组内圆心对应像素点分布近似为圆形的概率得到待检测快餐盒对应的顶部盒口边缘图像,包括:
判断各组内圆心对应像素点分布近似为圆形的概率是否大于设定阈值,若是,则判定对应组内圆心对应像素点分布为圆形;
对于判定为组内对应像素点分布为圆形的各组,获取各组内圆心对应的像素点的坐标,将各组内圆心对应的像素点的坐标采用ransac算法进行圆的拟合;
将拟合得到的圆形作为快餐盒顶部盒口边缘的备选圆形,从备选圆形中选出顶部盒口边缘对应的目标圆,将该目标圆作为待检测快餐盒对应的顶部盒口边缘。
5.根据权利要求2所述的基于图像处理的快餐盒短射缺陷检测方法,其特征在于,所述基于各类别中对应像素点的坐标信息,得到各有值像素点对应圆心位置坐标,包括:
基于各类别中对应像素点的坐标信息,通过曲线多项式拟合方法得到各类别边缘对应的多项式方程;根据各类别边缘对应的多项式方程,计算各类别中各像素点的曲率值;根据各类别中各像素点的曲率值计算各类别中各像素点对应的曲率半径的大小;
构建粗略边缘图像中所有有值像素点的海森矩阵,获取各有值像素点对应的海森矩阵的特征向量和特征值,将各有值像素点对应的最小特征值对应的特征向量的方向作为对应像素点处的切线方向;
过粗略边缘图像中各有值像素点作对应的切线方向的垂线,得到各有值像素点对应的曲率半径的方向;根据粗略边缘图像中所有有值像素点的坐标、曲率半径的大小和曲率半径的方向,得到各有值像素点对应圆心位置坐标。
6.根据权利要求1所述的基于图像处理的快餐盒短射缺陷检测方法,其特征在于,所述根据所述快餐盒图像得到对应的粗略边缘图像,包括:
对所述快餐盒图像进行灰度化处理,得到对应的灰度化图像;
对所述灰度化图像进行滤波处理,得到滤波后图像;
利用canny边缘检测算法对滤波后图像进行边缘检测,得到待检测快餐盒对应的粗略边缘图像。
7.根据权利要求1所述的基于图像处理的快餐盒短射缺陷检测方法,其特征在于,所述根据待检测快餐盒对应的顶部盒口边缘图像,得到待检测快餐盒的短射缺陷程度,包括:
获取顶部盒口边缘处的像素点,对顶部盒口边缘处的各像素点建立设定大小的滑窗,获取滑窗内邻域像素点的灰度均值和像素点自身的灰度值;
根据顶部盒口边缘处的各像素点对应的滑窗内邻域像素点的灰度均值和像素点的灰度值,计算顶部盒口边缘处的各像素点对应的短射概率;
统计短射概率大于设定短射概率阈值的像素点的个数,作为待检测快餐盒的短射缺陷程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111570581.9A CN114119603A (zh) | 2021-12-21 | 2021-12-21 | 基于图像处理的快餐盒短射缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111570581.9A CN114119603A (zh) | 2021-12-21 | 2021-12-21 | 基于图像处理的快餐盒短射缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114119603A true CN114119603A (zh) | 2022-03-01 |
Family
ID=80362285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111570581.9A Withdrawn CN114119603A (zh) | 2021-12-21 | 2021-12-21 | 基于图像处理的快餐盒短射缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119603A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897906A (zh) * | 2022-07-14 | 2022-08-12 | 南通华烨塑料工业有限公司 | 基于计算机视觉的改性塑料外观缺陷控制方法 |
CN114937004A (zh) * | 2022-04-28 | 2022-08-23 | 南通启锦智能科技有限公司 | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 |
CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
-
2021
- 2021-12-21 CN CN202111570581.9A patent/CN114119603A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937004A (zh) * | 2022-04-28 | 2022-08-23 | 南通启锦智能科技有限公司 | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 |
CN114937004B (zh) * | 2022-04-28 | 2024-01-02 | 烟台大视工业智能科技有限公司 | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 |
CN114897906A (zh) * | 2022-07-14 | 2022-08-12 | 南通华烨塑料工业有限公司 | 基于计算机视觉的改性塑料外观缺陷控制方法 |
CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
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 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN115018853B (zh) | 基于图像处理的机械组件缺陷检测方法 | |
CN115249246B (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN115331119B (zh) | 一种固体废弃物识别方法 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及系统 | |
CN115063430A (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
CN111524156A (zh) | 一种基于距离变换和角点检测的重叠柑橘分割方法 | |
CN110619336B (zh) | 基于图像处理的货品识别算法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116071351B (zh) | 基于面粉麸星识别的面粉质量视觉检测系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220301 |
|
WW01 | Invention patent application withdrawn after publication |