CN114187270A - 基于ccd的矿用本安型控制器涂胶质量检测方法及系统 - Google Patents
基于ccd的矿用本安型控制器涂胶质量检测方法及系统 Download PDFInfo
- Publication number
- CN114187270A CN114187270A CN202111516901.2A CN202111516901A CN114187270A CN 114187270 A CN114187270 A CN 114187270A CN 202111516901 A CN202111516901 A CN 202111516901A CN 114187270 A CN114187270 A CN 114187270A
- Authority
- CN
- China
- Prior art keywords
- gluing
- image
- detection
- ccd
- detected
- 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
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 181
- 238000001514 detection method Methods 0.000 title claims abstract description 150
- 238000005065 mining Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000002950 deficient Effects 0.000 claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 37
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000010073 coating (rubber) Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 239000003292 glue Substances 0.000 description 22
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000011248 coating agent Substances 0.000 description 6
- 238000000576 coating method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Abstract
本发明提出了一种基于CCD的矿用本安型控制器涂胶质量检测方法及系统,涉及质量检测技术领域,包括以下步骤:步骤一、对涂胶图像进行数据采集,得到原始涂胶图像;步骤二、对原始涂胶图像进行亮度处理得到待检测的涂胶图像;步骤三、建立涂胶检测模型并设置检测参数,通过涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果;步骤四、基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果;步骤五、基于统计结果将涂胶图像分为优良涂胶图像或缺陷涂胶图像两类。本发明操作便捷,节省了人力成本,提高了工作效率,实现了矿用本安型控制器的涂胶的缺陷检测自动化。
Description
技术领域
本发明涉及质量检测技术领域,具体而言,涉及一种基于CCD的矿用本安型控制器涂胶质量检测方法及系统。
背景技术
CCD(Charge Coupled Device),即电荷耦合器件,它是一种特殊半导体器件,上面有很多一样的感光元件,每个感光元件叫一个像素,在摄像机里充当一个极其重要的角色,起到将光线转换成电信号的作用,类似于人的眼睛。矿用本安型控制器全称为矿用本质安全控制器,而在矿用本安型控制器的生产线中,涂胶是关键的工序环节,涂胶的目的为了将其密封并达到IP68防护等级,关于涂胶的质量直接关系到控制器的密封性和可靠性。
目前,在矿用本安型控制器的生产线中,涂胶的工序环节常常由人工挤压胶桶涂抹进行作业,导致工作效率低、胶层厚薄不一,多涂少涂、因人而异,造成涂胶杂乱不美观,还占用人力,使得人力成本居高不下,而且涂胶工序工人的劳动强度大、效率低,且直接面对胶体溶剂挥发,影响工人的身体健康。
基于此,提出一种基于CCD的矿用本安型控制器涂胶质量检测系统来解决上述问题。
发明内容
本发明的目的在于提供一种基于CCD的矿用本安型控制器涂胶质量检测方法及系统,其能够节省涂胶质量检测成本、提高工作效率。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种基于CCD的矿用本安型控制器涂胶质量检测方法,其包括以下步骤:
步骤一、对涂胶图像进行数据采集,得到原始涂胶图像;
步骤二、对原始涂胶图像进行亮度处理得到待检测的涂胶图像;
步骤三、建立涂胶检测模型并设置检测参数,通过涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果;
步骤四、基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果;
步骤五、基于统计结果将涂胶图像分为优良涂胶图像或缺陷涂胶图像两类。
在本发明的一些实施例中,上述对涂胶图像进行数据采集的方法为灰度变换处理。
在本发明的一些实施例中,步骤二中上述对原始涂胶图像进行亮度处理前还包括对原始涂胶图像进行中值滤波处理。
在本发明的一些实施例中,上述亮度处理的方法包括:
对原始涂胶图像设定不同的光亮度进行对比,进而得到最高清晰度的图像,即作为待检测的涂胶图像。
在本发明的一些实施例中,步骤三中上述对待检测的涂胶图像进行检测前还包括对待检测的涂胶图像通过Roberts边缘检测获取检测区域,并通过阈值分割法锁定检测区域来对待检测的涂胶图像进行检测。
在本发明的一些实施例中,上述步骤四还包括采用JDBC与上述MySQL数据库连接,并根据实际检测需求采用JAVA语言对上述检测结果进行描述。
在本发明的一些实施例中,上述检测参数包括最大检测范围和缺陷检测精度。
第二方面,本申请实施例提供一种基于CCD的矿用本安型控制器涂胶质量检测系统,其包括:
图像采集单元,用于对涂胶图像进行数据采集,得到原始涂胶图像;
图像预处理单元,用于对原始涂胶图像进行亮度处理得到待检测的涂胶图像;
图像检测单元,用于建立涂胶检测模型并设置检测参数,通过涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果;
检测结果统计单元,用于基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果;
缺陷识别分类单元,用于基于统计结果将涂胶图像分为优良涂胶图像或缺陷涂胶图像两类。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;
处理器;
当上述一个或多个程序被上述处理器执行时,实现如上述第一方面的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
本发明的实施例提供一种基于CCD的矿用本安型控制器涂胶质量检测方法,包括以下步骤:步骤一、对涂胶图像进行数据采集,得到原始涂胶图像;步骤二、对原始涂胶图像进行亮度处理得到待检测的涂胶图像;步骤三、建立涂胶检测模型并设置检测参数,通过涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果;步骤四、基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果;步骤五、基于统计结果将涂胶图像分为优良涂胶图像或缺陷涂胶图像两类。
本发明一种基于CCD的矿用本安型控制器涂胶质量检测方法及系统,通过对涂胶图像进行采集并进行亮度处理,得到最清晰的涂胶图像作为待检测图像,再通过建立涂胶检测模型并设置一定的检测参数进行检测,最后利用UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果,通过涂胶图像分类即可区分涂胶的优良品或缺陷品,操作便捷,节省了人力,提高了工作效率,使得产品的漏检率小于0.1%,大大地降低了成本,提升了产品质量,通过采用一键式软件自动运行模式,便捷易操作,实现了矿用本安型控制器的涂胶的缺陷检测自动化。
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1的一种基于CCD的矿用本安型控制器涂胶质量检测方法的步骤图;
图2为本发明实施例2的一种基于CCD的矿用本安型控制器涂胶质量检测系统的示意性结构框图;
图3为本发明实施例3的一种电子设备的示意性结构框图。
图标:101、存储器;102、处理器;103、通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
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。
需要说明的是,在本文中,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1所示为本申请实施例1提供一种基于CCD的矿用本安型控制器涂胶质量检测方法的步骤图。
本申请实施例1提供一种基于CCD的矿用本安型控制器涂胶质量检测方法,其包括以下步骤:
步骤一、对涂胶图像进行数据采集,得到原始涂胶图像;
步骤二、对原始涂胶图像进行亮度处理得到待检测的涂胶图像;
步骤三、建立涂胶检测模型并设置检测参数,通过涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果;
步骤四、基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果;
步骤五、基于统计结果将涂胶图像分为优良涂胶图像或缺陷涂胶图像两类。
其中,建立涂胶检测模型时可进行调整检测区域和设置检测参数以适应产品的检测需求;通过涂胶检测模型检测的过程中可通过对原始涂胶图像的亮度、尺寸和色彩等信息进行缺陷识别;MySQL数据库中写入检测结果并统计完成后可将统计结果进行实时显示,以便工作人员查看。
本发明的实施例1首先通过对每一个涂胶部位进行图像采集从而获取原始涂胶图像,然后利用亮度处理得到最清晰的涂胶图像作为待检测的涂胶图像,再通过建立涂胶检测模型,同时设置固定的检测参数,利用该模型对待检测的涂胶图像进行检测,即可得到检测结果,再基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果,利用MySQL数据库为检测结果提供数据整理空间,实现检测结果的统计、查询以及展示,基于统计后得到的统计结果即可得知涂胶图像中的涂胶状况信息,利用该信息即可分为优良涂胶图像或缺陷涂胶图像,可将分类后的信息反馈到相关下料分仓机构,通过机构执行可以使得涂胶的优良品和缺陷品进行分仓放置,最终实现涂胶缺陷品识别的目的。其中,涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果的过程包括:使用现有的ReLU函数作为深度残差网络的激活函数来建立多层结构的深度残差网络模型,避免了梯度消失的问题,将训练样本输入该模型以得到涂胶检测模型,将待检测的涂胶图像输入到涂胶检测模型即可获取训练结果,即检测结果。
需要说明的是,优良涂胶图像和缺陷涂胶图像均为原始涂胶图像经过处理和计算后进行分类得到的两类图像,优良涂胶图像为经过质量检测后认定涂胶质量优良的涂胶图像,缺陷涂胶图像为经过质量检测后认定涂胶质量具有缺陷的缺陷涂胶图像,通过区分后可将区分后的信息发送到相关下料分仓机构对应相应的涂胶实物进行区分,即可识别出涂胶缺陷品。其中,认定涂胶图像具有缺陷的检测标准为:1.某一区域涂胶完全缺失;2.某一区域存在不充分的涂胶:最小高度小于5mm,最小直径小于4mm,有其中之一表面该涂胶图像为缺陷涂胶图像,反之则认定为优良涂胶图像。
另外,UBC大数据即(Under Body Check)大数据,MySQL为关系型数据库,通过利用UBC大数据不仅可以提高检测系统的自动化性能和灵活性能,还能够增加检测结果的数据的精准性。
作为一种优选的实施方式,上述对涂胶图像进行数据采集的方法为灰度变换处理。
由此,通过灰度变换处理即将灰度数据按照经验数据或某种算术非线性关系进行变换再进行显示,能够改善画质,使涂胶图像的显示效果更加清晰,显著提高视觉效果。
作为一种优选的实施方式,步骤二中上述对原始涂胶图像进行亮度处理前还包括对原始涂胶图像进行中值滤波处理。
通过使用中值滤波可以消除孤立的噪声点,有效地抑制噪声,显著提高原始涂胶图像的清晰度。
作为一种优选的实施方式,上述亮度处理的方法包括:
对原始涂胶图像设定不同的光亮度进行对比,进而得到最高清晰度的图像,即作为待检测的涂胶图像。
一般地,采用灰度级为110亮度的涂胶图像即是最高清晰度图像,来作为待检测的涂胶图像。
作为一种优选的实施方式,步骤三中上述对待检测的涂胶图像进行检测前还包括对待检测的涂胶图像通过Roberts边缘检测获取检测区域,并通过阈值分割法锁定检测区域来对待检测的涂胶图像进行检测。
利用阈值分割法可以通过设定不同的特征阈值,把图像的像素点分为若干类。
其中,常用的特征包括直接来自原始图像的灰度或彩色特征或者由原始灰度或彩色值变换得到的特征。即利用图像中要提取的目标区域与其背景在灰度特性上的差异,把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合,选取一个比较合理的阈值,以确定图像中每个像素点应该属于目标区域还是背景区域,从而产生相应的二值图像。如将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果,将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像,即为我们通常所说的图像二值化。
由此,通过采用阈值分割法来进行图像检测,可以使得待检测的涂胶图像的检测的计算更简单、运算效率更高、速度更快。
作为一种优选的实施方式,上述步骤四还包括采用JDBC与上述MySQL数据库连接,并根据实际检测需求采用JAVA语言对上述检测结果进行描述。
其中,JDBC(Java DataBase Connectivity,java数据库连接)是一种用于执行SQL语句的Java API,可以为多种关系数据库提供统一访问,它由一组用Java语言编写的类和接口组成。JDBC提供了一种基准,据此可以构建更高级的工具和接口,使数据库开发人员能够编写数据库应用程序。在本实施例1中,根据涂胶图像的实际检测需求采用JDBC与数据库连接由JAVA语言进行描述,可用于实现检测结果的统计、查询以及展示。
作为一种优选的实施方式,上述检测参数包括最大检测范围和缺陷检测精度。
需要说明的是,在本实施例1中,涂胶检测模型的最大检测范围为设置为300mm*135mm,缺陷检测精度设置在0.1mm内。
实施例2
请参阅图2,图2所示为本申请实施例2提供一种基于CCD的矿用本安型控制器涂胶质量检测系统的示意性结构框图。
本申请的实施例2提供一种基于CCD的矿用本安型控制器涂胶质量检测系统,包括:
图像采集单元,用于对涂胶图像进行数据采集,得到原始涂胶图像;
图像预处理单元,用于对原始涂胶图像进行亮度处理得到待检测的涂胶图像;
图像检测单元,用于建立涂胶检测模型并设置检测参数,通过涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果;
检测结果统计单元,用于基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果;
缺陷识别分类单元,用于基于统计结果将涂胶图像分为优良涂胶图像或缺陷涂胶图像两类。
本申请的实施例2提供一种基于CCD的矿用本安型控制器涂胶质量检测系统,首先通过图像采集单元对涂胶图像进行数据采集得到原始涂胶图像,然后通过图像预处理单元对原始涂胶图像进行亮度处理以得到待检测的涂胶图像,进而通过图像检测单元建立涂胶检测模型并同时设置检测参数,即可利用涂胶检测模型对待检测的涂胶图像进行检测并得到检测结果,将该检测结果输出到检测结果统计单元,由检测结果统计单元基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计,即可得到涂胶图像的检测的统计结果,最后利用缺陷识别分类单元可将该统计结果进行分类,区分为优良涂胶图像或缺陷涂胶图像两类,优良涂胶图像为经过质量检测后认定涂胶质量优良的涂胶图像,缺陷涂胶图像为经过质量检测后认定涂胶质量具有缺陷的缺陷涂胶图像,通过区分后可将区分后的信息发送到相关下料分仓机构对应相应的涂胶实物进行区分,即可识别出涂胶缺陷品。
实施例3
请参阅图3,图3为本申请实施例3提供一种电子设备的示意性结构框图。
本申请实施例3提供一种电子设备,包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图中所示的结构仅为示意,一种基于CCD的矿用本安型控制器涂胶质量检测方法及系统,还可包括比图中所示更多或者更少的组件,或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的系统或方法,也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供一种基于CCD的矿用本安型控制器涂胶质量检测方法及系统,通过对涂胶图像进行采集并进行亮度处理,得到最清晰的涂胶图像作为待检测图像,再通过建立涂胶检测模型,并设置一定的检测参数,利用涂胶检测模型对待检测图像进行检测,最后利用UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果,通过涂胶图像分类即可区分涂胶的优良品或缺陷品,操作便捷,节省了人力成本,提高了工作效率,实现了矿用本安型控制器的涂胶的缺陷检测自动化。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于CCD的矿用本安型控制器涂胶质量检测方法,其特征在于,包括以下步骤:
步骤一、对涂胶图像进行数据采集,得到原始涂胶图像;
步骤二、对原始涂胶图像进行亮度处理得到待检测的涂胶图像;
步骤三、建立涂胶检测模型并设置检测参数,通过涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果;
步骤四、基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果;
步骤五、基于统计结果将涂胶图像分为优良涂胶图像或缺陷涂胶图像两类。
2.如权利要求1所述的一种基于CCD的矿用本安型控制器涂胶质量检测方法,其特征在于,所述对涂胶图像进行数据采集的方法为灰度变换处理。
3.如权利要求1所述的一种基于CCD的矿用本安型控制器涂胶质量检测方法,其特征在于,步骤二中所述对原始涂胶图像进行亮度处理前还包括对原始涂胶图像进行中值滤波处理。
4.如权利要求1所述的一种基于CCD的矿用本安型控制器涂胶质量检测方法,其特征在于,所述亮度处理的方法包括:
对原始涂胶图像设定不同的光亮度进行对比,进而得到最高清晰度的图像,即作为待检测的涂胶图像。
5.如权利要求1所述的一种基于CCD的矿用本安型控制器涂胶质量检测方法,其特征在于,步骤三中所述对待检测的涂胶图像进行检测前还包括对待检测的涂胶图像通过Roberts边缘检测获取检测区域,并通过阈值分割法锁定检测区域来对待检测的涂胶图像进行检测。
6.如权利要求1所述的一种基于CCD的矿用本安型控制器涂胶质量检测方法,其特征在于,所述步骤四还包括采用JDBC与所述MySQL数据库连接,并根据实际检测需求采用JAVA语言对所述检测结果进行描述。
7.如权利要求1所述的一种基于CCD的矿用本安型控制器涂胶质量检测方法,其特征在于,所述检测参数包括最大检测范围和缺陷检测精度。
8.一种基于CCD的矿用本安型控制器涂胶质量检测系统,其特征在于,包括:
图像采集单元,用于对涂胶图像进行数据采集,得到原始涂胶图像;
图像预处理单元,用于对原始涂胶图像进行亮度处理得到待检测的涂胶图像;
图像检测单元,用于建立涂胶检测模型并设置检测参数,通过涂胶检测模型对待检测的涂胶图像进行检测并输出检测结果;
检测结果统计单元,用于基于UBC大数据建立MySQL数据库,在MySQL数据库中写入检测结果并进行统计得到统计结果;
缺陷识别分类单元,用于基于统计结果将涂胶图像分为优良涂胶图像或缺陷涂胶图像两类。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516901.2A CN114187270A (zh) | 2021-12-13 | 2021-12-13 | 基于ccd的矿用本安型控制器涂胶质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516901.2A CN114187270A (zh) | 2021-12-13 | 2021-12-13 | 基于ccd的矿用本安型控制器涂胶质量检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187270A true CN114187270A (zh) | 2022-03-15 |
Family
ID=80604657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111516901.2A Pending CN114187270A (zh) | 2021-12-13 | 2021-12-13 | 基于ccd的矿用本安型控制器涂胶质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187270A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116818063A (zh) * | 2023-08-30 | 2023-09-29 | 江铃汽车股份有限公司 | 汽车芯片散热胶涂覆质量检测方法、装置及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192237A (zh) * | 2019-12-16 | 2020-05-22 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
CN113030108A (zh) * | 2021-03-08 | 2021-06-25 | 哈尔滨工程大学 | 一种基于机器视觉的涂层缺陷检测系统与方法 |
CN113344901A (zh) * | 2021-06-25 | 2021-09-03 | 北京市商汤科技开发有限公司 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
-
2021
- 2021-12-13 CN CN202111516901.2A patent/CN114187270A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192237A (zh) * | 2019-12-16 | 2020-05-22 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
CN113030108A (zh) * | 2021-03-08 | 2021-06-25 | 哈尔滨工程大学 | 一种基于机器视觉的涂层缺陷检测系统与方法 |
CN113344901A (zh) * | 2021-06-25 | 2021-09-03 | 北京市商汤科技开发有限公司 | 涂胶缺陷检测方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
于保军;刘敏;: "汽车传感器电路板涂胶质量视觉检测系统研究", 机械工程师, no. 12, pages 39 - 42 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116818063A (zh) * | 2023-08-30 | 2023-09-29 | 江铃汽车股份有限公司 | 汽车芯片散热胶涂覆质量检测方法、装置及可读存储介质 |
CN116818063B (zh) * | 2023-08-30 | 2023-11-14 | 江铃汽车股份有限公司 | 汽车芯片散热胶涂覆质量检测方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN111693534B (zh) | 表面缺陷的检测方法、模型训练方法、装置、设备和介质 | |
WO2017101224A1 (zh) | 一种商标检索方法、装置、系统以及计算机存储介质 | |
Tonti et al. | An automated approach to the segmentation of HEp-2 cells for the indirect immunofluorescence ANA test | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN114332513B (zh) | 一种面向智慧城市的新能源汽车异常停放大数据检测方法 | |
CN113283431B (zh) | 一种答题卡选项区域识别方法及系统 | |
WO2017101225A1 (zh) | 一种商标图形要素识别方法、装置、系统以及计算机存储介质 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN108615401B (zh) | 基于深度学习的室内非均匀光线车位状况识别方法 | |
CN112014413A (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN113313712A (zh) | 一种电池涂胶缺陷检测方法、装置、电子设备及存储介质 | |
CN114820626B (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN110909674B (zh) | 一种交通标志识别方法、装置、设备和存储介质 | |
CN114187270A (zh) | 基于ccd的矿用本安型控制器涂胶质量检测方法及系统 | |
CN108362227B (zh) | 轮毂检测方法、装置、系统及控制设备 | |
CN110687120A (zh) | 法兰外观质量检测系统 | |
CN110544243A (zh) | 一种ct图像小缺陷自动检出、定量及可靠性评价方法 | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN113614774A (zh) | 用于目标涂层的图像数据中的缺陷检测的方法和系统 | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 |
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 |