CN114332069B - 一种基于机器视觉的接插件检测方法及装置 - Google Patents

一种基于机器视觉的接插件检测方法及装置 Download PDF

Info

Publication number
CN114332069B
CN114332069B CN202210005334.2A CN202210005334A CN114332069B CN 114332069 B CN114332069 B CN 114332069B CN 202210005334 A CN202210005334 A CN 202210005334A CN 114332069 B CN114332069 B CN 114332069B
Authority
CN
China
Prior art keywords
image
connector
detected
frequency domain
pixel
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.)
Active
Application number
CN202210005334.2A
Other languages
English (en)
Other versions
CN114332069A (zh
Inventor
储昭碧
刘培
余叶青
董学平
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.)
Hefei University of Technology
Original Assignee
Hefei University of 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210005334.2A priority Critical patent/CN114332069B/zh
Publication of CN114332069A publication Critical patent/CN114332069A/zh
Application granted granted Critical
Publication of CN114332069B publication Critical patent/CN114332069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于机器视觉的接插件检测方法及装置,是首先获取图像序列和图像序列的深度信息,根据深度信息判断是否有待检测接插件,并采用平均背景法将待检测接插件时间上相邻的前若干帧背景叠加后平均作为背景图像,待检测图像和背景图像相减得到差分图像后再结合分水岭分割算法,获取端子和端座的区域并计算颜色特征值,再将差分图像用离散余弦变换至频域,结合图像在频域中的高频和低频体现的信息,提取图像的频域特征,综合空间域和频域特征值,对待检测接插件分析判断是否存在端子和端座颜色不匹配和接插件有铜线暴露问题。本发明能够提高检测效率、降低误检率,智能化程度,高节省了人力和时间,有着很强的实用性和经济价值。

Description

一种基于机器视觉的接插件检测方法及装置
技术领域
本发明涉及视觉检测领域,具体是涉及一种基于机器视觉的接插件检测方法及装置。
背景技术
随着电气电子行业的快速发展,接插件的使用越来越多,而且种类也越来越广,为了防止这些电子接插件的瑕疵品流入工序,每个接插件都需要满足工艺质检要求。如果单纯依靠人工质检(速度慢、人力成本太高)或实验室标准检测设备抽检,都不足以满足现代制造业对产品质量全流程的质量把控、以及需要在线生产检测的高速要求。
现有的基于机器视觉的接插件缺陷检测方法对于受光照变化影响较大,对环境因素变化敏感,检测方法误检率高,检测速度慢,可靠性低。
发明内容
本发明为了克服上述现有技术的不足,提供一种基于机器视觉的接插件缺陷检测方法及装置,以期能够提高检测效率,并降低误检率,从而满足现代制造业对产品质量全流程的质量把控、以及需要在线生产检测的高速要求。
为实现上述目的,本发明采用了以下技术方案:
本发明一种基于机器视觉的接插件检测方法的特点在于,包括以下步骤:
S1、获取含有接插件的三通道彩色的待检测图像PE和不含接插件的三通道彩色的背景图像PB
S2、预先设定阈值Tc,并依据式(1)和式(2)确定所述待检测图像PE和背景图像PB的差分图像PN
c(x,y)=(PE(x,y)-PB(x,y))T×(PE(x,y)-PB(x,y)) (1)
式(1)和式(2)中,c(x,y)表示(x,y)像素点处的待检测图像PE和背景图像PB的RGB颜色距离;PE(x,y)表示所述待检测图像PE中(x,y)像素点处的像素值PE(x,y)=[rE(x,y)gE(x,y)bE(x,y)]T,PB(x,y)表示所述背景图像PB中(x,y)像素点处的像素值PB(x,y)=[rB(x,y)gB(x,y)bB(x,y)]T;T表示向量的转置;x,y分别表示像素点的横坐标和纵坐标;
S3、确定差分图像PN中的接插件端子区域和端座区域,并计算接插件端子区域的像素平均值[rm gm bm]T和端座区域的像素平均值[rn gn bn]T
依据式(3)计算接插件端子区域和端座区域的RGB颜色相似度f,并判断f<Tf是否成立,若成立,则表示端子和端座的颜色匹配,否则,表示端子和端座颜色不匹配;其中,Tf表示预先设定阈值;
f=[rf gf bf]T×[rf gf bf] (3)
式(3)中,[rf gf bf]表示rgb对应像素值差占总量的百分率的向量,并有:
[rf gf bf]T=([rm gm bm]T-[rn gn bn]T)/256 (4)
S4、将差分图像PN灰度化后得到灰度图像GN,将所述灰度图像GN分割成m个n×n像素大小的图像块{GNi|i=1...m},其中,GNi表示第i个图像块;
S5、对第i个图像块GNi做离散余弦变换后得到第i个频域系数图像FNi,再确定第i个频域系数图像FNi的频域系数特征值Si;从而依据式(5)得到第i个频域特征值差ΔSi
ΔSi=|S*-Si| (5)
式(5)中,S*表示预先计算n×n像素大小的已知模板铜线图像块灰度化后转换到频域的频域特征值;
S6、预先设定频域特征值差阈值Ts,若满足ΔSi<Ts,则表示FNi对应的差分图像PN在(xi,yi)像素点处是铜线区域,否则,表示第i个图像块GNi为非铜线区域;
S7、将i+1赋值给i后,判断i>m是否成立,若成立,则统计铜线区域的总面积R,并执行步骤S8;否则,返回步骤S5;
S8、预先设定像素面积阈值TR,若R>TR,则表示所述待检测图像PE中的接插件有绝缘皮损坏,否则,表示无绝缘皮损坏。
本发明所述的一种基于机器视觉的接插件检测方法的特点也在于,步骤S1中的待检测图像和背景图像是按如下方式获得:
获取目标图像,并生成对应的包含距离信息的深度图像,并对深度图像取距离阈值以创建二值化图像;对所述二值化图像做连通域分析,确定最大连通域像素个数为N,并判断是否满足N>TN,若是,则表示目标图像中有待检测的接插件,并作为待检测图像,并利用式(6)计算背景图像PB;否则,表示目标图像没有接插件,并存入缓存队列中;其中,TN表示预先设定的像素个数阈值;
式(6)中,Pj表示缓存队列中第j幅图像;j=1...k;k为缓存队列中图像的个数;
步骤S5中的频域系数特征值Si是按如下步骤获得:
S51、依据式(7)-式(9)确定第i个系数矩阵FNi
FNi=AGNiAT (9)
式(7)-式(9)中,u为二维波的水平方向频率,v为二维波的垂直方向频率,取值范围均为[0,n-1],c(u)表示正交补偿系数,A(u,v)表示二维图像的变换矩阵;
S42、先将系数矩阵FNi中左上角的个系数置为0,再求取系数矩阵的方差作为频域系数特征值Si
本发明一种基于机器视觉的接插件缺陷检测装置的特点在于,包括:机械传送单元、图像采集单元、图像处理单元、人机交互单元;
所述机械传送单元用于带动待检测接插件运动;
所述图像采集单元包括:图像采集元件和可调节环形光源,所述图像采集元件水平放置于机械传送单元的正上方,用于拍摄图像序列,并生成深度图像后逐帧将图像序列和深度图像发送至图像处理单元;
所述图像处理单元用于完成如权利要求1所述方法中的图像分析和处理的步骤;
所述人机交互单元用于显示检测结果,并通过人机交互的接口对阈值和参数进行设定。与已有技术相比,本发明有益效果在于:
1)本发明的接插件缺陷检测方法采用背景差分实现了背景图像的实时更新,对于每个待检测接插件其待检测图像和背景图像在时间上是相邻的,剔除了光照、环境等因素对检测效果的不利影响,且背景图像是每个待检测接插件前k帧背景的平均背景,削弱了背景的随机噪声,从而提高了检测的精度。
2)本发明的接插件缺陷检测方法结合了图像空间域和频率域两个角度考虑,分析图像在频域的高频和低频体现的图像信息,对图像特征进行提取,结合图像空间域的特征,综合分析得出结果,从而提高了检测的效率和准确度。
3)本发明装置包括图像处理单元、人机交互单元、拍摄单元,其中,图像处理单元能够对摄像机拍摄的图片进行图像识别和分析,并提供人机交互界面,供操作人员对图像信息和参数的调整,该装置不仅结构简单、体积小、智能化程度高、检测速度快、而且还减少了空间的占用,节省了人力和时间,降低了成本,应用范围更广。
附图说明
图1为本发明的接插件检测装置的整体结构示意图;
图2为本发明的接插件检测的流程图。
具体实施方式
本实施例中,如图1所示,一种基于机器视觉的接线端子检测装置,包括:图像处理单元、图像采集单元、机械传送单元、人机交互单元;
其中,机械传送单元5是以合适速度运动的传送带,带动待检测接插件运动。
图像采集单元包括:图像采集元件和可调节环形光源,图像采集元件采用型号为INTEl D435的双目相机1,环形光源4放置在相机下方,可以通过控制器调节光照强度。双目相机1的水平放置于机械传送单元的正上方,且光心垂直检测平面,两个光心连线平行且和检测线同向的放置于检测线上方,用于获取场景深度图像序列并生成深度图像后逐帧将图像序列和深度图像发送至图像处理单元;
图像处理单元2从图像序列中选择待检测元件处于相机正下方时的图像帧进行接线端子的检测,若不满足合格条件,则人机交互单元3显示报警和错误信息并记录。
本实施例中,图像处理单元2和人机交互单元3程序编写于包括基于linux系统的树莓派,该树莓派的型号为RaspberryPi4 Model B 8G。
在linux操作系统的树莓派中安装QT应用程序,利用QT编写人机交互操作界面,提供对硬件参数的设定、图像前期的基本预处理选择、函数参数的预先设置和运行结果的显示。并导入OPECNV开源图像处理库,利用接插件检测方法对图像进行处理和检测。
如图2所示,本实施例中,一种基于机器视觉的接插件检测方法的步骤为:
S1、获取含有接插件的三通道彩色的待检测图像PE和不含接插件的三通道彩色的背景图像PB
步骤S1.1、获取目标图像,并生成对应的包含距离信息的深度图像,并对深度图像取距离阈值以创建二值化图像;
步骤S1.2、对所述二值化图像做连通域分析,确定最大连通域像素个数为N,并判断是否满足N>TN,若是,则表示目标图像中有待检测的接插件,并作为待检测图像,并利用式(6)计算背景图像PB;否则,表示目标图像没有接插件,并存入缓存队列中;其中,TN表示预先设定的像素个数阈值;
式(6)中,Pj表示缓存队列中第j幅图像;j=1...k;k为缓存队列中图像的个数;
S2、预先设定阈值Tc,并依据式(1)和式(2)确定所述待检测图像PE和背景图像PB的差分图像PN
c(x,y)=(PE(x,y)-PB(x,y))T×(PE(x,y)-PB(x,y)) (1)
式(1)和式(2)中,c(x,y)表示(x,y)像素点处的像素值待检测图像PE和背景图像PB的RGB像素距离;背景图像PB的PE(x,y)表示所述待检测图像PE中(x,y)像素点处的像素值PE(x,y)=[rE(x,y)gE(x,y)bE(x,y)]T,PB(x,y)表示所述背景图像PB中(x,y)像素点处的像素值PB(x,y)=[rB(x,y)gB(x,y)bB(x,y)]T;T表示向量的转置;x,y分别表示像素点的横坐标和纵坐标;
S3、利用形态学分水岭算法对差分图像PN进行分割,获取端子区域和端座区域,提取端子区域和端座区域内的颜色特征量进行颜色相似度比较,判断是否有颜色不匹配问题;
S31、对差分图像PN灰度化之后,利用sobel算子canny边缘检测提取图像的边缘;
S32、依次利用形态学开操作、形态学闭操作对上述边缘进行滤波后,调用OPENCV中FINDCOUNTERS函数查找轮廓,将轮廓标记为标记图,标记区域的值为1,2...L,未标记区域为0,分水岭区域为-1(图像边界预先标记为分水岭),调用OPENCV中WATERSHED函数,利用分水岭算法对图像进行填充,分割出差分图像PN中的接插件端子区域和端座区域,并计算接插件端子区域的像素平均值[rm gm bm]T和端座区域的像素平均值[rn gn bn]T
S33、依据式(3)计算接插件端子区域和端座区域的RGB颜色相似度f,并判断f<Tf是否成立,若成立,则表示端子和端座的颜色匹配,否则,表示端子和端座颜色不匹配;其中,Tf表示预先设定阈值;
f=[rf gf bf]T×[rf gf bf] (3)
式(3)中,[rf gf bf]表示rgb对应像素值差占总量的百分率的向量,并有:
[rf gf bf]T=([rm gm bm]T-[rn gn bn]T)/256 (4)
S4、将差分图像PN灰度化后得到灰度图像GN,将所述灰度图像GN分割成m个n×n像素大小的图像块{GNi|i=1...m},其中,GNi表示第i个图像块;
S5、对分割得到的第i个图像块GNi,利用DCT变换,将图像从空间域转换的频域,消除高频信息,提取频域特征值,并和铜线模板图像的频域特征值比较,判断第i个图像块GNi是否有有铜线漏出;
S51、依据式(7)-式(9)对第i个图像块GNi做离散余弦变换后,得到第i个频域系数图像FNi
FNi=AGNiAT (9)
式(7)-式(9)中,其中u为二维波的水平方向频率,v为二维波的垂直方向频率,取值范围都是0~n-1,c(u)表示补偿系数,A(u,v)表示变换矩阵;
S52、将系数矩阵FNi中左上角的个系数置为0,再利用式(9)和式(10)求取系数矩阵的方差作为第i个频域系数图像FNi的频域系数特征值Si
式(9)和式(10)中,FNi(x,y)表示第i个频域系数图像FNi在(x,y)处的像素值,V表示第i个频域系数图像FNi系数均值;
S53、依据式(5)得到第i个频域特征值差ΔSi
ΔSi=|S*-Si| (5)
式(5)中,S*表示预先计算n×n像素大小的已知模板铜线图像块灰度化后转换到频域的频域特征值;
S6、预先设定频域特征值差阈值Ts,若满足ΔSi<Ts,则表示FNi对应的差分图像PN在(xi,yi)像素点处是铜线区域,否则,表示第i个图像块GNi为非铜线区域;
S7、将i+1赋值给i后,判断i>m是否成立,若成立,则统计铜线区域的总面积R,并执行步骤S8;否则,返回步骤S5;
S8、预先设定像素面积阈值TR,若R>TR,则表示所述待检测图像PE中的接插件有绝缘皮损坏,否则,表示无绝缘皮损坏。

Claims (4)

1.一种基于机器视觉的接插件检测方法,其特征在于,包括以下步骤:
S1、获取含有接插件的三通道彩色的待检测图像PE和不含接插件的三通道彩色的背景图像PB
S2、预先设定阈值Tc,并依据式(1)和式(2)确定所述待检测图像PE和背景图像PB的差分图像PN
c(x,y)=(PE(x,y)-PB(x,y))T×(PE(x,y)-PB(x,y)) (1)
式(1)和式(2)中,c(x,y)表示(x,y)像素点处的待检测图像PE和背景图像PB的RGB颜色距离;PE(x,y)表示所述待检测图像PE中(x,y)像素点处的像素值PE(x,y)=[rE(x,y) gE(x,y) bE(x,y)]T,PB(x,y)表示所述背景图像PB中(x,y)像素点处的像素值PB(x,y)=[rB(x,y)gB(x,y) bB(x,y)]T;T表示向量的转置;x,y分别表示像素点的横坐标和纵坐标;
S3、确定差分图像PN中的接插件端子区域和端座区域,并计算接插件端子区域的像素平均值[rm gm bm]T和端座区域的像素平均值[rn gn bn]T
依据式(3)计算接插件端子区域和端座区域的RGB颜色相似度f,并判断f<Tf是否成立,若成立,则表示端子和端座的颜色匹配,否则,表示端子和端座颜色不匹配;其中,Tf表示预先设定阈值;
f=[rf gf bf]T×[rf gf bf] (3)
式(3)中,[rf gf bf]表示rgb对应像素值差占总量的百分率的向量,并有:
[rf gf bf]T=([rm gm bm]T-[rn gn bn]T)/256 (4)
S4、将差分图像PN灰度化后得到灰度图像GN,将所述灰度图像GN分割成m个n×n像素大小的图像块{GNi|i=1...m},其中,GNi表示第i个图像块;
S5、对第i个图像块GNi做离散余弦变换后得到第i个频域系数图像FNi,再确定第i个频域系数图像FNi的频域系数特征值Si;从而依据式(5)得到第i个频域特征值差ΔSi
ΔSi=|S*-Si| (5)
式(5)中,S*表示预先计算n×n像素大小的已知模板铜线图像块灰度化后转换到频域的频域特征值;
S6、预先设定频域特征值差阈值Ts,若满足ΔSi<Ts,则表示FNi对应的差分图像PN在(xi,yi)像素点处是铜线区域,否则,表示第i个图像块GNi为非铜线区域;
S7、将i+1赋值给i后,判断i>m是否成立,若成立,则统计铜线区域的总面积R,并执行步骤S8;否则,返回步骤S5;
S8、预先设定像素面积阈值TR,若R>TR,则表示所述待检测图像PE中的接插件有绝缘皮损坏,否则,表示无绝缘皮损坏。
2.如权利要求1所述的一种基于机器视觉的接插件检测方法,其特征在于,步骤S1中的待检测图像和背景图像是按如下方式获得:
获取目标图像,并生成对应的包含距离信息的深度图像,并对深度图像取距离阈值以创建二值化图像;对所述二值化图像做连通域分析,确定最大连通域像素个数为N,并判断是否满足N>TN,若是,则表示目标图像中有待检测的接插件,并作为待检测图像,并利用式(6)计算背景图像PB;否则,表示目标图像没有接插件,并存入缓存队列中;其中,TN表示预先设定的像素个数阈值;
式(6)中,Pj表示缓存队列中第j幅图像;j=1...k;k为缓存队列中图像的个数。
3.如权利要求1所述的一种基于机器视觉的接插件检测方法,其特征在于,步骤S5中的频域系数特征值Si是按如下步骤获得:
S51、依据式(7)-式(9)确定第i个系数矩阵FNi
FNi=AGNiAT (9)
式(7)-式(9)中,u为二维波的水平方向频率,v为二维波的垂直方向频率,取值范围均为[0,n-1],c(u)表示正交补偿系数,A(u,v)表示二维图像的变换矩阵;
S42、先将系数矩阵FNi中左上角的个系数置为0,再求取系数矩阵的方差作为频域系数特征值Si
4.一种基于机器视觉的接插件缺陷检测装置,其特征在于,包括:机械传送单元、图像采集单元、图像处理单元、人机交互单元;
所述机械传送单元用于带动待检测接插件运动;
所述图像采集单元包括:图像采集元件和可调节环形光源,所述图像采集元件水平放置于机械传送单元的正上方,用于拍摄图像序列,并生成深度图像后逐帧将图像序列和深度图像发送至图像处理单元;
所述图像处理单元用于完成如权利要求1所述方法中的图像分析和处理的步骤;
所述人机交互单元用于显示检测结果,并通过人机交互的接口对阈值和参数进行设定。
CN202210005334.2A 2022-01-05 2022-01-05 一种基于机器视觉的接插件检测方法及装置 Active CN114332069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210005334.2A CN114332069B (zh) 2022-01-05 2022-01-05 一种基于机器视觉的接插件检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210005334.2A CN114332069B (zh) 2022-01-05 2022-01-05 一种基于机器视觉的接插件检测方法及装置

Publications (2)

Publication Number Publication Date
CN114332069A CN114332069A (zh) 2022-04-12
CN114332069B true CN114332069B (zh) 2024-02-20

Family

ID=81024982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210005334.2A Active CN114332069B (zh) 2022-01-05 2022-01-05 一种基于机器视觉的接插件检测方法及装置

Country Status (1)

Country Link
CN (1) CN114332069B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117334099B (zh) * 2023-10-31 2024-05-10 广州工程技术职业学院 电气控制电路智能教学方法及装置、设备、存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004219291A (ja) * 2003-01-16 2004-08-05 Seiko Epson Corp 画面の線欠陥検出方法及び装置
JP2005172559A (ja) * 2003-12-10 2005-06-30 Seiko Epson Corp パネルの線欠陥検出方法及び装置
WO2018068415A1 (zh) * 2016-10-11 2018-04-19 广州视源电子科技股份有限公司 元件错件检测方法和系统
CN110246122A (zh) * 2019-05-20 2019-09-17 江苏理工学院 基于机器视觉的小型轴承质量检测方法、装置及系统
CN111968082A (zh) * 2020-07-30 2020-11-20 陕西科技大学 一种基于机器视觉的产品包装缺陷检测识别方法
WO2020248439A1 (zh) * 2019-06-11 2020-12-17 江苏农林职业技术学院 一种基于图像处理的皇冠盖表面缺陷在线检测方法
CN112686858A (zh) * 2020-12-29 2021-04-20 熵智科技(深圳)有限公司 一种手机充电器视觉缺陷检测方法、装置、介质及设备
CN113269770A (zh) * 2021-06-08 2021-08-17 深圳市英视自动化科技有限公司 一种视觉缺陷检测用图像增强方法、系统及设备
CN113777030A (zh) * 2021-07-08 2021-12-10 杭州信畅信息科技有限公司 一种基于机器视觉的布料表面缺陷检测装置及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004219291A (ja) * 2003-01-16 2004-08-05 Seiko Epson Corp 画面の線欠陥検出方法及び装置
JP2005172559A (ja) * 2003-12-10 2005-06-30 Seiko Epson Corp パネルの線欠陥検出方法及び装置
WO2018068415A1 (zh) * 2016-10-11 2018-04-19 广州视源电子科技股份有限公司 元件错件检测方法和系统
CN110246122A (zh) * 2019-05-20 2019-09-17 江苏理工学院 基于机器视觉的小型轴承质量检测方法、装置及系统
WO2020248439A1 (zh) * 2019-06-11 2020-12-17 江苏农林职业技术学院 一种基于图像处理的皇冠盖表面缺陷在线检测方法
CN111968082A (zh) * 2020-07-30 2020-11-20 陕西科技大学 一种基于机器视觉的产品包装缺陷检测识别方法
CN112686858A (zh) * 2020-12-29 2021-04-20 熵智科技(深圳)有限公司 一种手机充电器视觉缺陷检测方法、装置、介质及设备
CN113269770A (zh) * 2021-06-08 2021-08-17 深圳市英视自动化科技有限公司 一种视觉缺陷检测用图像增强方法、系统及设备
CN113777030A (zh) * 2021-07-08 2021-12-10 杭州信畅信息科技有限公司 一种基于机器视觉的布料表面缺陷检测装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的曲面字符缺陷检测系统研究;郭康;黄丹平;王磊;汪俊其;徐同旭;;现代制造工程;20161218(12);128-133 *
基于机器视觉的线缆表面缺陷检测系统设计与算法研究;乔湘洋;王海芳;祁超飞;李新庆;;机床与液压;20200315(05);54-58 *

Also Published As

Publication number Publication date
CN114332069A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN109490316A (zh) 一种基于机器视觉的表面缺陷检测算法
WO2023168972A1 (zh) 一种基于线阵相机的铜表面缺陷检测方法及装置
CN111814686A (zh) 一种基于视觉的输电线路识别及异物入侵在线检测方法
CN112862744B (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN111539927B (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测方法
CN116912248B (zh) 基于计算机视觉的不规则五金件表面缺陷检测方法
CN111739003B (zh) 一种用于外观检测的机器视觉方法
CN118196068B (zh) 一种基于人工智能的纺织品印染质量监控系统
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
CN111724375B (zh) 一种屏幕检测方法及系统
CN114332069B (zh) 一种基于机器视觉的接插件检测方法及装置
CN112927223A (zh) 一种基于红外热成像仪的玻璃幕墙检测方法
CN114719749A (zh) 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统
CN118470015A (zh) 一种钛合金棒生产质量视觉检测方法及系统
CN117934419B (zh) 一种螺栓组件缺陷视觉检测方法及系统
CN114708234A (zh) 一种识别自动卡口编码一体机上雷管数量的方法及装置
CN115108466A (zh) 一种集装箱吊具智能定位的方法
CN116385353B (zh) 一种摄像头模组异常检测方法
CN112598632B (zh) 一种压接连接器接触件外观检测方法及装置
Sarı et al. Deep learning application in detecting glass defects with color space conversion and adaptive histogram equalization
Huang et al. Mango surface defect detection based on HALCON
CN114881952A (zh) 一种铸件缺陷区域检测及边缘准确分割方法
CN115187556A (zh) 一种基于机器视觉的流水线上零件定位与点云获取方法
CN114354631A (zh) 一种基于视觉的阀门毛坯表面缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant