CN114581444B - 基于图像处理的玻璃盖打磨工艺监测方法 - Google Patents

基于图像处理的玻璃盖打磨工艺监测方法 Download PDF

Info

Publication number
CN114581444B
CN114581444B CN202210483313.1A CN202210483313A CN114581444B CN 114581444 B CN114581444 B CN 114581444B CN 202210483313 A CN202210483313 A CN 202210483313A CN 114581444 B CN114581444 B CN 114581444B
Authority
CN
China
Prior art keywords
crack
suspected
glass cover
edge
burr
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
CN202210483313.1A
Other languages
English (en)
Other versions
CN114581444A (zh
Inventor
张滔
邹维
钟永波
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.)
Jining Haifu Optical Technology Co ltd
Original Assignee
Jining Haifu Optical 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 Jining Haifu Optical Technology Co ltd filed Critical Jining Haifu Optical Technology Co ltd
Priority to CN202210483313.1A priority Critical patent/CN114581444B/zh
Publication of CN114581444A publication Critical patent/CN114581444A/zh
Application granted granted Critical
Publication of CN114581444B publication Critical patent/CN114581444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/12—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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于图像处理的玻璃盖打磨工艺监测方法，采集玻璃盖的正面图像和多帧侧边图像，对正面图像和侧边图像进行裂纹、疑似裂纹和毛刺检测，结合毛刺和侧边裂纹对疑似裂纹进行判定，以得到玻璃盖上的所有裂纹，进而根据确认的裂纹进行玻璃盖打磨。结合玻璃盖的毛刺和侧边裂纹对玻璃盖正面的裂纹进行确认，使得裂纹检测结果准确，且基于检测的裂纹对玻璃盖进行自适应调整打磨位置，提高了玻璃盖成品的质量和打磨效率，做到了及时止损，降低成本浪费。

Description

基于图像处理的玻璃盖打磨工艺监测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于图像处理的玻璃盖打磨工艺监测方法。
背景技术
玻璃盖生产需要经过切割、打磨、清洗、钢化等步骤。在切割过程中可能会造成玻璃盖出现毛边或边缘裂纹的情况，进而需要在打磨工序过程中去除其毛边及裂纹，使玻璃盖边缘平滑。而目前对于玻璃盖打磨，往往只是将其打磨成固定尺寸，对切割产生的裂纹不关注，使得后续成品的质量出现大量不合格，导致不合格产品无法投放在市场中，造成成本浪费。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像处理的玻璃盖打磨工艺监测方法，所采用的技术方案具体如下：
采集玻璃盖的正面图像和多帧侧边图像，以得到正面连通域和侧边连通域；对正面连通域进行分水岭分割，得到玻璃盖区域和多个毛刺边缘区域，将玻璃盖区域和多个毛刺边缘区域重新合并成实际玻璃盖区域，对实际玻璃盖区域进行边缘检测得到裂纹和疑似裂纹；对每个侧边连通域进行边缘检测得到侧边裂纹；
分别获取实际玻璃盖区域的实际玻璃盖边缘上每个边缘点的曲率，根据曲率得到多个毛刺边缘；根据疑似裂纹和毛刺边缘之间的方向差、像素点的曲率差和疑似裂纹的裂纹长度计算每个疑似裂纹属于裂纹的第一概率；由每个侧边裂纹的上端点确认其在实际玻璃盖边缘所对应的位置，将该位置的像素点称为侧边裂纹点，根据疑似裂纹和侧边裂纹点之间的位置差异、疑似裂纹对应像素点的曲率差异以及其裂纹长度计算每个疑似裂纹属于裂纹的第二概率，将每个疑似裂纹对应的所述第一概率和所述第二概率中的最大值作为对应疑似裂纹的最终概率，以根据最终概率确认裂纹；
基于实际玻璃盖区域检测出的所有裂纹，获取其包含裂纹所对应的最大内接圆，以根据最大内接圆进行玻璃盖打磨。
进一步地，对正面连通域进行分水岭分割之前，对正面连通域进行优化，其优化方法包括：
基于正面连通域的连通域边缘，分别向该连通域边缘内侧和外侧扩展设定距离得到一个扩展连通域，其中扩展连通域的扩展区域为玻璃盖边缘所在的疑似区域；
将扩展连通域中的疑似区域标记为0，将扩展连通域中除去疑似区域所剩余区域标记为1，背景区域标记为2，得到标记图像。
进一步地，所述对正面连通域进行分水岭分割，得到玻璃盖区域和多个毛刺边缘区域的方法包括：
对正面连通域进行分水岭分割，得到多个分割区域，分割区域面积最大为玻璃盖区域，与玻璃盖区域相连的多个小分割区域为毛刺边缘区域。
进一步地，所述对实际玻璃盖区域进行边缘检测得到裂纹和疑似裂纹的方法包括：
利用Canny算法中的双阈值，包括一个高阈值和一个低阈值，如果像素点的梯度值大于高阈值，则认为其为强边缘点，如果像素点的梯度值小于高阈值且大于低阈值，则认为其为弱边缘点，将与强边缘点相连的弱边缘点也作为强边缘点，根据检测出来的强边缘点和弱边缘点得到裂纹和疑似裂纹，其中裂纹是指强边缘点对应的边缘，疑似裂纹是指弱边缘点所对应的边缘。
进一步地，所述根据曲率得到多个毛刺边缘的方法，包括：
获取曲率为0的目标边缘点，将多个连续的目标边缘点组成一个毛刺边缘。
进一步地，所述根据疑似裂纹和毛刺边缘之间的方向差、像素点的曲率差和疑似裂纹的裂纹长度计算每个疑似裂纹属于裂纹的第一概率的方法包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 97927DEST_PATH_IMAGE002
为第
Figure DEST_PATH_IMAGE003
个疑似裂纹属于裂纹的第一概率；
Figure 841499DEST_PATH_IMAGE004
为第
Figure 417974DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 344342DEST_PATH_IMAGE003
个疑似裂纹最近的第1个毛刺边缘之间的角度差，
Figure DEST_PATH_IMAGE005
为第
Figure 486610DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 341696DEST_PATH_IMAGE003
个疑似裂纹最近的第5个毛刺边缘之间的角度差；
Figure 139887DEST_PATH_IMAGE006
为第
Figure 135525DEST_PATH_IMAGE003
个疑似裂纹分别与第
Figure 335562DEST_PATH_IMAGE003
个疑似裂纹距离最近的5个毛刺边缘之间的方向差；
Figure DEST_PATH_IMAGE007
为第
Figure 656822DEST_PATH_IMAGE003
个疑似裂纹上第
Figure 942310DEST_PATH_IMAGE008
个像素点的曲率，裂纹端点对应的曲率规定为
Figure DEST_PATH_IMAGE009
；
Figure 505753DEST_PATH_IMAGE010
为第
Figure 560297DEST_PATH_IMAGE003
个疑似裂纹上的像素点数量；
Figure DEST_PATH_IMAGE011
表示第
Figure 318037DEST_PATH_IMAGE003
个疑似裂纹的平直度；
Figure 356401DEST_PATH_IMAGE012
表示第
Figure 162683DEST_PATH_IMAGE003
个疑似裂纹的裂纹长度。
进一步地，所述角度差的获取方法，包括：
获取第
Figure 838777DEST_PATH_IMAGE003
个疑似裂纹的两端点之间的连线方向作为第
Figure 705102DEST_PATH_IMAGE003
个疑似裂纹的第一方向；分别计算第
Figure 230761DEST_PATH_IMAGE003
个疑似裂纹的两个端点与毛刺边缘之间的距离，将距离最近的毛刺边缘作为与第
Figure 840734DEST_PATH_IMAGE003
个疑似裂纹距离最近的第
Figure 869870DEST_PATH_IMAGE014
个毛刺边缘，将第
Figure 703833DEST_PATH_IMAGE014
个毛刺边缘的两端点之间的连线方向作为第
Figure 949745DEST_PATH_IMAGE014
个毛刺边缘的第二方向；将第
Figure 363409DEST_PATH_IMAGE003
个疑似裂纹的端点和第
Figure 247051DEST_PATH_IMAGE014
个毛刺边缘的端点中距离最近的两个端点之间的连线方向作为第三方向；分别获取第一方向、第二方向和第三方向基于图像水平线所对应的方向角度，然后计算第一方向、第二方向和第三方向两两之间方向角度的角度差，将角度差的最大值作为第
Figure 720758DEST_PATH_IMAGE003
个疑似裂纹与其距离最近的第1个毛刺边缘之间的角度差。
进一步地，所述根据疑似裂纹和侧边裂纹点之间的位置差异、疑似裂纹对应像素点的曲率差异以及其裂纹长度计算每个疑似裂纹属于裂纹的第二概率的方法包括：
Figure DEST_PATH_IMAGE015
其中，
Figure 486588DEST_PATH_IMAGE016
为第
Figure 438364DEST_PATH_IMAGE003
个疑似裂纹属于裂纹的第二概率；
Figure DEST_PATH_IMAGE017
为第
Figure 740294DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 650482DEST_PATH_IMAGE003
个疑似裂纹最近的第1个侧边裂纹点之间的位置差异值；
Figure 106871DEST_PATH_IMAGE018
为第
Figure 127916DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 720572DEST_PATH_IMAGE003
个疑似裂纹最近的第5个侧边裂纹点之间的位置差异值；
Figure DEST_PATH_IMAGE019
为第
Figure 831354DEST_PATH_IMAGE003
个疑似裂纹的方向分别与第
Figure 40618DEST_PATH_IMAGE003
个疑似裂纹到距离最近的5个侧边裂纹点的方向之间的方向差；
Figure 334196DEST_PATH_IMAGE007
为第
Figure 312517DEST_PATH_IMAGE003
个疑似裂纹上第
Figure 33348DEST_PATH_IMAGE008
个像素点的曲率，裂纹端点对应的曲率规定为
Figure 464329DEST_PATH_IMAGE009
；
Figure 561598DEST_PATH_IMAGE010
为第
Figure 895890DEST_PATH_IMAGE003
个疑似裂纹上的像素点数量；
Figure 53202DEST_PATH_IMAGE011
表示第
Figure 237058DEST_PATH_IMAGE003
个疑似裂纹的平直度；
Figure 138018DEST_PATH_IMAGE012
表示第
Figure 559772DEST_PATH_IMAGE003
个疑似裂纹的裂纹长度。
进一步地，所述位置差异值的获取方法包括：
获取第
Figure 153565DEST_PATH_IMAGE003
个疑似裂纹的两端点之间的连线方向作为第
Figure 57674DEST_PATH_IMAGE003
个疑似裂纹的第一方向；获取距离第
Figure 762324DEST_PATH_IMAGE003
个疑似裂纹最近的第
Figure 304164DEST_PATH_IMAGE014
个侧边裂纹点，将与第
Figure 803279DEST_PATH_IMAGE014
个侧边裂纹点距离最近的第
Figure 430569DEST_PATH_IMAGE003
个疑似裂纹的端点和第
Figure 938911DEST_PATH_IMAGE014
个侧边裂纹点之间的连线方向作为第四方向；分别获取第一方向和第四方向基于图像水平线所对应的方向角度，计算第一方向和第四方向对应方向角度的差值，将该差值作为位置差异值。
进一步地，所述根据最大内接圆进行玻璃盖打磨的方法，包括：
获取最大内接圆的半径，若半径小于玻璃盖成品的标准半径，则将该玻璃盖进行报废处理；若半径大于或等于玻璃盖成品的标准半径
Figure 335257DEST_PATH_IMAGE020
，则基于最大内接圆的圆心和半径进行打磨至标准半径。
本发明实施例至少具有如下有益效果：结合玻璃盖的毛刺和侧边裂纹对玻璃盖正面的裂纹进行确认，使得裂纹检测结果准确，且基于检测的裂纹对玻璃盖进行自适应调整打磨位置，提高了玻璃盖成品的质量和打磨效率，做到了及时止损，降低成本浪费。
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例提供的一种基于图像处理的玻璃盖打磨工艺监测方法的步骤流程图；
图2为本发明实施例中所提供的一种扩展连通域的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像处理的玻璃盖打磨工艺监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的一种基于图像处理的玻璃盖打磨工艺监测方法的具体方案。
本发明所针对的具体场景是：利用基于图像处理的玻璃盖打磨工艺监测装置进行玻璃盖的处理，其中该装置包括打磨操作台、机械臂、打磨砂轮、相机、嵌入式系统，且嵌入式系统包括图像获取单元，用于采集图像、图像处理单元，用于检测玻璃盖缺陷及控制单元，用于控制玻璃盖打磨。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的玻璃盖打磨工艺监测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集玻璃盖的正面图像和多帧侧边图像，以得到正面连通域和侧边连通域；对正面连通域进行分水岭分割，得到玻璃盖区域和多个毛刺边缘区域，将玻璃盖区域和多个毛刺边缘区域重新合并成实际玻璃盖区域，对实际玻璃盖区域进行边缘检测得到裂纹和疑似裂纹；对每个侧边连通域进行边缘检测得到侧边裂纹。
具体的，利用打磨操作台正上方的相机拍摄玻璃盖的正面图像，且通过打磨操作台的转动轴转动玻璃盖，利用打磨操作台侧方的相机，拍摄玻璃盖的多帧侧边图像。
分别对玻璃盖的正面图像和侧边图像进行语义分割，得到对应的正面连通域和侧边连通域，其语义分割的过程：
（1）采用DNN网络进行语义分割，DNN网络的数据集包括多张正面图像和侧边图像。
（2）图像标注过程：将背景像素点的像素值标记为0，玻璃盖像素点标注为1。
（3）损失函数为交叉熵损失函数。
进一步地，玻璃盖在切割过程中，其边缘会产生毛刺以及裂纹，而打磨需要对存在裂纹的区域重点打磨，使得裂纹消除。但由于玻璃盖透明，细小的裂纹不清晰，通过阈值分割、边缘检测等方法难以将细小的裂纹检测出来，因此结合Canny算法和分水岭分割进行玻璃盖的裂纹检测，其具体过程：
（1）通过DNN网络获得的正面连通域只能获取其大概边缘位置，无法准确得到玻璃盖的边缘细节，因此需要对正面连通域进行修正，以得到实际玻璃盖区域。
具体的，参照附图2，其示出了一种扩展连通域的示意图，基于正面连通域的连通域边缘A，分别向该连通域边缘内侧和外侧扩展设定距离B得到一个扩展连通域，其中，扩展连通域的扩展区域为玻璃盖边缘所在的疑似区域，也即是灰色区域为疑似区域，白色区域为确定的玻璃盖区域，因此对扩展连通域进行标注：将扩展连通域中的疑似区域标记为0，将扩展连通域中除去疑似区域所剩余区域标记为1，背景区域标记为2，进而得到了标记图像。
优选的，本发明实施例中扩展的设定距离为10个像素点的距离。
对标记图像进行分水岭分割，得到多个分割区域，且分割区域面积最大为玻璃盖区域，与玻璃盖区域相连的多个小分割区域为毛刺边缘区域，将这些分割区域进行重新合并得到实际玻璃盖区域，而该实际玻璃盖区域的边缘为实际玻璃盖边缘。
（2）对实际玻璃盖区域进行裂纹检测。
具体的，通过Canny算法进行边缘检测，且Canny算法应用双阈值，即一个高阈值和一个低阈值，如果像素点的梯度值大于高阈值，则认为其为强边缘点，如果像素点的梯度值小于高阈值且大于低阈值，则认为其为弱边缘点，同时将与强边缘点相连的弱边缘点也作为强边缘点，根据检测出来的强边缘点和弱边缘点得到裂纹和疑似裂纹，其中裂纹是指强边缘点对应的边缘，疑似裂纹是指弱边缘点所对应的边缘。
进一步地，玻璃盖的正面透明，但其侧边不透明，因此玻璃盖正面上透明细小且不清晰的裂纹，在玻璃盖侧边上显示的较为清晰，故利用Canny算法对每个侧边连通域进行边缘检测，检测到的所有边缘均为侧边裂纹。
步骤S002，分别获取实际玻璃盖区域的实际玻璃盖边缘上每个边缘点的曲率，根据曲率得到多个毛刺边缘；根据疑似裂纹和毛刺边缘之间的方向差、像素点的曲率差和疑似裂纹的裂纹长度计算每个疑似裂纹属于裂纹的第一概率；由每个侧边裂纹的上端点确认其在实际玻璃盖边缘所对应的位置，将该位置的像素点称为侧边裂纹点，根据疑似裂纹和侧边裂纹点之间的位置差异、疑似裂纹对应像素点的曲率差异以及其裂纹长度计算每个疑似裂纹属于裂纹的第二概率，将每个疑似裂纹对应的第一概率和第二概率中的最大值作为对应疑似裂纹的最终概率，以根据最终概率确认裂纹。
具体的，玻璃盖边毛刺为凸出的尖刺，其边缘较为锋利，每个边呈线段状，部分裂纹为顺着毛刺边缘向玻璃内部延伸的线形纹理，因此需要结合毛刺边缘区域和玻璃盖的侧边裂纹对每个疑似裂纹进行裂纹的确定，其确认过程为：
（1）获取实际玻璃盖区域的实际玻璃盖边缘上每个边缘点的曲率，若边缘点的曲率为
Figure 506738DEST_PATH_IMAGE009
，则该边缘点所在局部边缘为线段状，则该边缘点可能为毛刺边缘上的目标边缘点，则获取连续的曲率为
Figure 886903DEST_PATH_IMAGE009
的实际玻璃盖边缘上的目标边缘点，若连续数量大于N，则将这些目标边缘点组成了一个毛刺边缘，进而能够得到多个毛刺边缘。
优选的，本发明实施例中N=3。
（2）结合毛刺边缘计算第
Figure 933357DEST_PATH_IMAGE003
个疑似裂纹属于裂纹的第一概率。
具体的，第一概率的计算公式为：
Figure 449789DEST_PATH_IMAGE001
其中，
Figure 290706DEST_PATH_IMAGE002
为第
Figure 158168DEST_PATH_IMAGE003
个疑似裂纹属于裂纹的第一概率；
Figure 742733DEST_PATH_IMAGE004
为第
Figure 877786DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 155183DEST_PATH_IMAGE003
个疑似裂纹最近的第1个毛刺边缘之间的角度差，
Figure 713203DEST_PATH_IMAGE005
为第
Figure 367039DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 592484DEST_PATH_IMAGE003
个疑似裂纹最近的第5个毛刺边缘之间的角度差；
Figure 40783DEST_PATH_IMAGE006
为第
Figure 118722DEST_PATH_IMAGE003
个疑似裂纹分别与距离第
Figure 45090DEST_PATH_IMAGE003
个疑似裂纹最近的5个毛刺边缘之间的方向差，若第
Figure 390621DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 9821DEST_PATH_IMAGE003
个疑似裂纹最近的5个毛刺边缘的方向差越小，则第
Figure 808013DEST_PATH_IMAGE003
个疑似裂纹越可能为顺着毛刺边缘向内延伸的裂纹；
Figure 803650DEST_PATH_IMAGE007
为第
Figure 738108DEST_PATH_IMAGE003
个疑似裂纹上第
Figure 315762DEST_PATH_IMAGE008
个像素点的曲率，裂纹端点对应的曲率规定为
Figure 601250DEST_PATH_IMAGE009
；
Figure 869420DEST_PATH_IMAGE010
为第
Figure 923963DEST_PATH_IMAGE003
个疑似裂纹上的像素点数量；
Figure 150545DEST_PATH_IMAGE011
表示第
Figure 923329DEST_PATH_IMAGE003
个疑似裂纹的平直度，一条裂纹大体为直线状，其上每个像素点的曲率为
Figure 995191DEST_PATH_IMAGE009
或接近
Figure 936864DEST_PATH_IMAGE009
，若平直度越大，则该疑似裂纹越可能为裂纹；
Figure 803189DEST_PATH_IMAGE012
表示第
Figure 328848DEST_PATH_IMAGE003
个疑似裂纹的裂纹长度，当疑似裂纹越长，则该疑似裂纹越可能为裂纹，当疑似裂纹越短，越可能为噪声点。
需要说明的是，距离第
Figure 938821DEST_PATH_IMAGE003
个疑似裂纹最近的5个毛刺边缘的获取方法：分别计算第
Figure 967957DEST_PATH_IMAGE003
个疑似裂纹与每个毛刺边缘之间的距离，根据计算的距离进行从小到大的排序，进而将排序后的前5个距离所对应的毛刺边缘作为距离第
Figure 270762DEST_PATH_IMAGE003
个疑似裂纹最近的5个毛刺边缘，其中，距离第
Figure 516674DEST_PATH_IMAGE003
个疑似裂纹最近的第1个毛刺边缘是指这5个毛刺边缘中距离最近的，距离第
Figure 930337DEST_PATH_IMAGE003
个疑似裂纹最近的第5个毛刺边缘是指这5个毛刺边缘中距离最远的。
角度差的获取方法为：以第
Figure 79559DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 553266DEST_PATH_IMAGE003
个疑似裂纹最近的第1个毛刺边缘之间的角度差
Figure 787938DEST_PATH_IMAGE004
为例，具体的，获取第
Figure 5293DEST_PATH_IMAGE003
个疑似裂纹的两端点之间的连线方向作为第
Figure 9021DEST_PATH_IMAGE003
个疑似裂纹的方向，记为方向
Figure 889514DEST_PATH_IMAGE014
；分别计算第
Figure 345903DEST_PATH_IMAGE003
个疑似裂纹的两个端点与毛刺边缘之间的距离，将距离最近的毛刺边缘作为与第
Figure 632528DEST_PATH_IMAGE003
个疑似裂纹距离最近的第
Figure 490763DEST_PATH_IMAGE014
个毛刺边缘，将第
Figure 306272DEST_PATH_IMAGE014
个毛刺边缘的两端点之间的连线方向作为第
Figure 515537DEST_PATH_IMAGE014
个毛刺边缘的方向，记为方向
Figure DEST_PATH_IMAGE021
；将第
Figure 838808DEST_PATH_IMAGE003
个疑似裂纹的端点和第
Figure 817129DEST_PATH_IMAGE014
个毛刺边缘的端点中距离最近的两个端点之间的连线方向作为方向
Figure 803539DEST_PATH_IMAGE022
；分别获取方向1、方向2和方向3基于图像水平线所对应的方向角度，然后计算方向
Figure 500100DEST_PATH_IMAGE014
、方向
Figure 862948DEST_PATH_IMAGE021
、方向
Figure 430196DEST_PATH_IMAGE022
两两之间方向角度的角度差，将角度差的最大值作为第
Figure 88972DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 272829DEST_PATH_IMAGE003
个疑似裂纹最近的第1个毛刺边缘之间的角度差
Figure 908210DEST_PATH_IMAGE004
。
（3）裂纹并非都为顺着毛刺边缘向内延伸，同时还存在从玻璃盖边缘点直接向内延伸的裂纹，也即从玻璃盖边缘点直接向内延伸的裂纹，因此在玻璃盖侧边可检测到侧边裂纹，而侧边裂纹的上端点即为玻璃盖边缘点，根据检测到的侧边裂纹，结合玻璃盖转速和拍摄时间间隔，获取每个侧边裂纹的上端点在实际玻璃盖边缘所对应的位置，且将该位置对应的像素点称为侧边裂纹点。
（4）结合侧边裂纹点计算第
Figure 861122DEST_PATH_IMAGE003
个疑似裂纹属于裂纹的第二概率。
具体的，第二概率的计算公式为：
Figure 189335DEST_PATH_IMAGE015
其中，
Figure 594909DEST_PATH_IMAGE016
为第
Figure 798095DEST_PATH_IMAGE003
个疑似裂纹属于裂纹的第二概率；
Figure 605514DEST_PATH_IMAGE017
为第
Figure 104628DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 997498DEST_PATH_IMAGE003
个疑似裂纹最近的第1个侧边裂纹点之间的位置差异值；
Figure 240260DEST_PATH_IMAGE018
为第
Figure 902186DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 572202DEST_PATH_IMAGE003
个疑似裂纹最近的第5个侧边裂纹点之间的位置差异值；
Figure 453832DEST_PATH_IMAGE019
为第
Figure 234706DEST_PATH_IMAGE003
个疑似裂纹的方向分别与第
Figure 16718DEST_PATH_IMAGE003
个疑似裂纹到距离最近的5个侧边裂纹点的方向之间的方向差，当该方向差越小，则该疑似裂纹越可能为从玻璃盖边缘点直接向内延伸的裂纹。
需要说明的是，距离第
Figure 857635DEST_PATH_IMAGE003
个疑似裂纹最近的5个侧边裂纹点的获取方法：分别计算每个侧边裂纹点与第
Figure 459517DEST_PATH_IMAGE003
个疑似裂纹之间的距离，根据计算的距离进行从小到大的排序，进而将排序后的前5个距离所对应的侧边裂纹点作为距离第
Figure 309662DEST_PATH_IMAGE003
个疑似裂纹最近的5个侧边裂纹点，其中距离第
Figure 179135DEST_PATH_IMAGE003
个疑似裂纹最近的第1个侧边裂纹点是指这5个侧边裂纹点中距离最近的，距离第
Figure 190954DEST_PATH_IMAGE003
个疑似裂纹最近的第5个侧边裂纹点是指这5个侧边裂纹点中距离最远的。
位置差异值的获取方法为：以第
Figure 280132DEST_PATH_IMAGE003
个疑似裂纹与距离第
Figure 668388DEST_PATH_IMAGE003
个疑似裂纹最近的第1个侧边裂纹点之间的位置差异值
Figure 893833DEST_PATH_IMAGE017
为例，具体的，获取第
Figure 76553DEST_PATH_IMAGE003
个疑似裂纹的两端点之间的连线方向作为第
Figure 918607DEST_PATH_IMAGE003
个疑似裂纹的方向，记为方向
Figure 346440DEST_PATH_IMAGE014
；获取距离第
Figure 426391DEST_PATH_IMAGE003
个疑似裂纹最近的第
Figure 45591DEST_PATH_IMAGE014
个侧边裂纹点，将与第
Figure 109362DEST_PATH_IMAGE014
个侧边裂纹点距离最近的第
Figure 573842DEST_PATH_IMAGE003
个疑似裂纹的端点和第
Figure 773879DEST_PATH_IMAGE014
个侧边裂纹点之间的连线方向作为方向
Figure DEST_PATH_IMAGE023
；分别获取方向1和方向4基于图像水平线所对应的方向角度，计算方向1和方向4对应方向角度的差值，将该差值作为位置差异值。
（5）将每个疑似裂纹对应的第一概率和第二概率中的最大值作为对应疑似裂纹的最终概率，以根据最终概率确认裂纹。
具体的，根据步骤（1）至步骤（4）能够得到每个疑似裂纹的第一概率和第二概率，将第一概率和第二概率之间的最大值作为对应疑似裂纹的最终概率，最终概率越大，疑似裂纹越可能属于裂纹。
设概率阈值，当疑似裂纹的最终概率大于或等于概率阈值时，确认该疑似裂纹为裂纹；反之当疑似裂纹的最终概率小于概率阈值时，确认该疑似裂纹为非裂纹，即为噪声。
步骤S003，基于实际玻璃盖区域检测出的所有裂纹，获取其包含裂纹所对应的最大内接圆，以根据最大内接圆进行玻璃盖打磨。
具体的，基于步骤S002能够检测出玻璃盖上所有的裂纹，基于检测出来的裂纹获取实际玻璃盖区域的最大内接圆，且最大内接圆不能和裂纹重合。获取该最大内接圆的半径
Figure 95139DEST_PATH_IMAGE024
，若最大内接圆的半径
Figure 879162DEST_PATH_IMAGE024
小于玻璃盖成品的标准半径
Figure 412911DEST_PATH_IMAGE020
，则该玻璃盖打磨后的尺寸不符合要求，此时无需打磨直接将该玻璃盖进行报废处理；若最大内接圆的半径
Figure 467455DEST_PATH_IMAGE024
大于或等于玻璃盖成品的标准半径
Figure 428458DEST_PATH_IMAGE020
，则该玻璃盖打磨后可以去除毛刺和裂纹的同时保证玻璃盖的尺寸符合要求，则对玻璃盖进行打磨的方法为：获取最大内接圆的圆心以及实际玻璃盖边缘上像素点到圆心的最大距离
Figure DEST_PATH_IMAGE025
；控制系统控制机械臂将玻璃盖抓取，将最大内接圆的圆心位置对准打磨操作台的下侧转动轴中心，控制玻璃盖上侧的转动轴向下合合拢，同时转动玻璃盖上下侧的转动轴，夹带玻璃盖进行转动，此时玻璃盖以最大内接圆的圆心为中心转动，从最大距离
Figure 997979DEST_PATH_IMAGE025
对应的边缘逐渐向玻璃盖成品的标准半径
Figure 571305DEST_PATH_IMAGE020
对应的边缘进行打磨，当打磨砂轮移动玻璃盖成品的标准半径
Figure 480355DEST_PATH_IMAGE020
对应的边缘时，玻璃盖打磨完成。
综上所述，本发明实施例提供了一种基于图像处理的玻璃盖打磨工艺监测方法，采集玻璃盖的正面图像和多帧侧边图像，对正面图像和侧边图像进行裂纹、疑似裂纹和毛刺检测，结合毛刺和侧边裂纹对疑似裂纹进行判定，以得到玻璃盖上的所有裂纹，进而根据确认的裂纹进行玻璃盖打磨。结合玻璃盖的毛刺和侧边裂纹对玻璃盖正面的裂纹进行确认，使得裂纹检测结果准确，且基于检测的裂纹对玻璃盖进行自适应调整打磨位置，提高了玻璃盖成品的质量和打磨效率，做到了及时止损，降低成本浪费。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (7)

1.一种基于图像处理的玻璃盖打磨工艺监测方法，其特征在于，该方法包括以下步骤：
采集玻璃盖的正面图像和多帧侧边图像，以得到正面连通域和侧边连通域；对正面连通域进行分水岭分割，得到玻璃盖区域和多个毛刺边缘区域，将玻璃盖区域和多个毛刺边缘区域重新合并成实际玻璃盖区域，对实际玻璃盖区域进行边缘检测得到裂纹和疑似裂纹；对每个侧边连通域进行边缘检测得到侧边裂纹；
分别获取实际玻璃盖区域的实际玻璃盖边缘上每个边缘点的曲率，根据曲率得到多个毛刺边缘；根据疑似裂纹和毛刺边缘之间的方向差、像素点的曲率差和疑似裂纹的裂纹长度计算每个疑似裂纹属于裂纹的第一概率；由每个侧边裂纹的上端点确认其在实际玻璃盖边缘所对应的位置，将该位置的像素点称为侧边裂纹点，根据疑似裂纹和侧边裂纹点之间的位置差异、疑似裂纹对应像素点的曲率差异以及其裂纹长度计算每个疑似裂纹属于裂纹的第二概率，将每个疑似裂纹对应的所述第一概率和所述第二概率中的最大值作为对应疑似裂纹的最终概率，以根据最终概率确认裂纹；
基于实际玻璃盖区域检测出的所有裂纹，获取其包含裂纹所对应的最大内接圆，以根据最大内接圆进行玻璃盖打磨；
其中，所述根据疑似裂纹和毛刺边缘之间的方向差、像素点的曲率差和疑似裂纹的裂纹长度计算每个疑似裂纹属于裂纹的第一概率的方法包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个疑似裂纹属于裂纹的第一概率；
Figure DEST_PATH_IMAGE008
为第
Figure 682934DEST_PATH_IMAGE006
个疑似裂纹与距离第
Figure 6599DEST_PATH_IMAGE006
个疑似裂纹最近的第1个毛刺边缘之间的角度差，
Figure DEST_PATH_IMAGE010
为第
Figure 989599DEST_PATH_IMAGE006
个疑似裂纹与距离第
Figure 915966DEST_PATH_IMAGE006
个疑似裂纹最近的第5个毛刺边缘之间的角度差；
Figure DEST_PATH_IMAGE012
为第
Figure 593589DEST_PATH_IMAGE006
个疑似裂纹分别与距离第
Figure 540686DEST_PATH_IMAGE006
个疑似裂纹最近的5个毛刺边缘之间的方向差；
Figure DEST_PATH_IMAGE014
为第
Figure 745402DEST_PATH_IMAGE006
个疑似裂纹上第
Figure DEST_PATH_IMAGE016
个像素点的曲率，裂纹端点对应的曲率规定为
Figure DEST_PATH_IMAGE018
；
Figure DEST_PATH_IMAGE020
为第
Figure 646100DEST_PATH_IMAGE006
个疑似裂纹上的像素点数量；
Figure DEST_PATH_IMAGE022
表示第
Figure 518241DEST_PATH_IMAGE006
个疑似裂纹的平直度；
Figure DEST_PATH_IMAGE024
表示第
Figure 449288DEST_PATH_IMAGE006
个疑似裂纹的裂纹长度；
所述根据疑似裂纹和侧边裂纹点之间的位置差异、疑似裂纹对应像素点的曲率差异以及其裂纹长度计算每个疑似裂纹属于裂纹的第二概率的方法包括：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为第
Figure 780781DEST_PATH_IMAGE006
个疑似裂纹属于裂纹的第二概率；
Figure DEST_PATH_IMAGE030
为第
Figure 455476DEST_PATH_IMAGE006
个疑似裂纹与距离第
Figure 510019DEST_PATH_IMAGE006
个疑似裂纹最近的第1个侧边裂纹点之间的位置差异值；
Figure DEST_PATH_IMAGE032
为第
Figure 877547DEST_PATH_IMAGE006
个疑似裂纹与距离第
Figure 961915DEST_PATH_IMAGE006
个疑似裂纹最近的第5个侧边裂纹点之间的位置差异值；
Figure DEST_PATH_IMAGE034
为第
Figure 174722DEST_PATH_IMAGE006
个疑似裂纹的方向分别与第个疑似裂纹到距离最近的5个侧边裂纹点的方向之间的方向差；
Figure 349351DEST_PATH_IMAGE014
为第
Figure 91042DEST_PATH_IMAGE006
个疑似裂纹上第
Figure 351122DEST_PATH_IMAGE016
个像素点的曲率，裂纹端点对应的曲率规定为
Figure 836461DEST_PATH_IMAGE018
；
Figure 865597DEST_PATH_IMAGE020
为第
Figure 542304DEST_PATH_IMAGE006
个疑似裂纹上的像素点数量；
Figure 696205DEST_PATH_IMAGE022
表示第
Figure 313131DEST_PATH_IMAGE006
个疑似裂纹的平直度；
Figure 196773DEST_PATH_IMAGE024
表示第
Figure 545846DEST_PATH_IMAGE006
个疑似裂纹的裂纹长度；
所述位置差异值的获取方法包括：
获取第
Figure 514939DEST_PATH_IMAGE006
个疑似裂纹的两端点之间的连线方向作为第
Figure 342081DEST_PATH_IMAGE006
个疑似裂纹的第一方向；获取距离第
Figure 345809DEST_PATH_IMAGE006
个疑似裂纹最近的第
Figure DEST_PATH_IMAGE036
个侧边裂纹点，将与第
Figure 161056DEST_PATH_IMAGE036
个侧边裂纹点距离最近的第
Figure 492811DEST_PATH_IMAGE006
个疑似裂纹的端点和第
Figure 248278DEST_PATH_IMAGE036
个侧边裂纹点之间的连线方向作为第四方向；分别获取第一方向和第四方向基于图像水平线所对应的方向角度，计算第一方向和第四方向对应方向角度的差值，将该差值作为位置差异值。
2.如权利要求1所述的一种基于图像处理的玻璃盖打磨工艺监测方法，其特征在于，对正面连通域进行分水岭分割之前，对正面连通域进行优化，其优化方法包括：
基于正面连通域的连通域边缘，分别向该连通域边缘内侧和外侧扩展设定距离得到一个扩展连通域，其中扩展连通域的扩展区域为玻璃盖边缘所在的疑似区域；
将扩展连通域中的疑似区域标记为0，将扩展连通域中除去疑似区域所剩余区域标记为1，背景区域标记为2，得到标记图像。
3.如权利要求1所述的一种基于图像处理的玻璃盖打磨工艺监测方法，其特征在于，所述对正面连通域进行分水岭分割，得到玻璃盖区域和多个毛刺边缘区域的方法包括：
对正面连通域进行分水岭分割，得到多个分割区域，分割区域面积最大为玻璃盖区域，与玻璃盖区域相连的多个小分割区域为毛刺边缘区域。
4.如权利要求1所述的一种基于图像处理的玻璃盖打磨工艺监测方法，其特征在于，所述对实际玻璃盖区域进行边缘检测得到裂纹和疑似裂纹的方法包括：
利用Canny算法中的双阈值，包括一个高阈值和一个低阈值，如果像素点的梯度值大于高阈值，则认为其为强边缘点，如果像素点的梯度值小于高阈值且大于低阈值，则认为其为弱边缘点，将与强边缘点相连的弱边缘点也作为强边缘点，根据检测出来的强边缘点和弱边缘点得到裂纹和疑似裂纹，其中裂纹是指强边缘点对应的边缘，疑似裂纹是指弱边缘点所对应的边缘。
5.如权利要求1所述的一种基于图像处理的玻璃盖打磨工艺监测方法，其特征在于，所述根据曲率得到多个毛刺边缘的方法，包括：
获取曲率为0的目标边缘点，将多个连续的目标边缘点组成一个毛刺边缘。
6.如权利要求1所述的一种基于图像处理的玻璃盖打磨工艺监测方法，其特征在于，所述角度差的获取方法，包括：
获取第
Figure 716299DEST_PATH_IMAGE006
个疑似裂纹的两端点之间的连线方向作为第
Figure 531808DEST_PATH_IMAGE006
个疑似裂纹的第一方向；分别计算第
Figure 678756DEST_PATH_IMAGE006
个疑似裂纹的两个端点与毛刺边缘之间的距离，将距离最近的毛刺边缘作为与第
Figure 113280DEST_PATH_IMAGE006
个疑似裂纹距离最近的第
Figure 826021DEST_PATH_IMAGE036
个毛刺边缘，将第
Figure 920753DEST_PATH_IMAGE036
个毛刺边缘的两端点之间的连线方向作为第
Figure 617314DEST_PATH_IMAGE036
个毛刺边缘的第二方向；将第
Figure 589949DEST_PATH_IMAGE006
个疑似裂纹的端点和第
Figure 422776DEST_PATH_IMAGE036
个毛刺边缘的端点中距离最近的两个端点之间的连线方向作为第三方向；分别获取第一方向、第二方向和第三方向基于图像水平线所对应的方向角度，然后计算第一方向、第二方向和第三方向两两之间方向角度的角度差，将角度差的最大值作为第
Figure 517771DEST_PATH_IMAGE006
个疑似裂纹与其距离最近的第1个毛刺边缘之间的角度差。
7.如权利要求1所述的一种基于图像处理的玻璃盖打磨工艺监测方法，其特征在于，所述根据最大内接圆进行玻璃盖打磨的方法，包括：
获取最大内接圆的半径，若半径小于玻璃盖成品的标准半径，则将该玻璃盖进行报废处理；若半径大于或等于玻璃盖成品的标准半径
Figure DEST_PATH_IMAGE038
，则基于最大内接圆的圆心和半径进行打磨至标准半径。
CN202210483313.1A 2022-05-06 2022-05-06 基于图像处理的玻璃盖打磨工艺监测方法 Active CN114581444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210483313.1A CN114581444B (zh) 2022-05-06 2022-05-06 基于图像处理的玻璃盖打磨工艺监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210483313.1A CN114581444B (zh) 2022-05-06 2022-05-06 基于图像处理的玻璃盖打磨工艺监测方法

Publications (2)

Publication Number Publication Date
CN114581444A CN114581444A (zh) 2022-06-03
CN114581444B true CN114581444B (zh) 2022-08-02

Family

ID=81777884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210483313.1A Active CN114581444B (zh) 2022-05-06 2022-05-06 基于图像处理的玻璃盖打磨工艺监测方法

Country Status (1)

Country Link
CN (1) CN114581444B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272376B (zh) * 2022-09-27 2022-12-20 山东鑫科来信息技术有限公司 基于机器视觉的浮动打磨头控制方法
CN115870815B (zh) * 2022-12-28 2023-06-16 中山超精科技有限公司 镜片抛光检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108291852A (zh) * 2015-11-18 2018-07-17 康宁股份有限公司 用于确定手持式装置盖板玻璃中的应力的设备和方法
CN109785348A (zh) * 2018-12-14 2019-05-21 中国科学院长春光学精密机械与物理研究所 基于图像边界近似曲率变化的新型角点检测方法及系统
CN110596120A (zh) * 2019-09-06 2019-12-20 深圳新视智科技术有限公司 玻璃边界缺陷检测方法、装置、终端及存储介质
CN113109368A (zh) * 2021-03-12 2021-07-13 浙江华睿科技有限公司 玻璃裂纹检测方法、装置、设备及介质
CN113610774A (zh) * 2021-07-16 2021-11-05 广州大学 一种玻璃划痕缺陷检测方法、系统、装置及存储介质
CN114219805A (zh) * 2022-02-22 2022-03-22 武汉旺佳玻璃制品有限公司 一种玻璃缺陷智能检测方法
CN114332079A (zh) * 2022-03-04 2022-04-12 宁波昌亚新材料科技股份有限公司 基于图像处理的塑料餐盒裂缝检测方法、装置及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2819505B1 (fr) * 2001-01-12 2003-02-28 Saint Gobain Procede de decoupe des bords d'un ruban continu de verre, dispositif de mise en oeuvre, plateau de verre decoupe selon ce procede
US8135206B2 (en) * 2007-05-02 2012-03-13 Emhart Glass S.A. Machine for inspecting glass containers
CN110082361B (zh) * 2019-05-27 2024-04-30 成都领益科技有限公司 一种物体外观与裂纹检测装置与检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108291852A (zh) * 2015-11-18 2018-07-17 康宁股份有限公司 用于确定手持式装置盖板玻璃中的应力的设备和方法
CN109785348A (zh) * 2018-12-14 2019-05-21 中国科学院长春光学精密机械与物理研究所 基于图像边界近似曲率变化的新型角点检测方法及系统
CN110596120A (zh) * 2019-09-06 2019-12-20 深圳新视智科技术有限公司 玻璃边界缺陷检测方法、装置、终端及存储介质
CN113109368A (zh) * 2021-03-12 2021-07-13 浙江华睿科技有限公司 玻璃裂纹检测方法、装置、设备及介质
CN113610774A (zh) * 2021-07-16 2021-11-05 广州大学 一种玻璃划痕缺陷检测方法、系统、装置及存储介质
CN114219805A (zh) * 2022-02-22 2022-03-22 武汉旺佳玻璃制品有限公司 一种玻璃缺陷智能检测方法
CN114332079A (zh) * 2022-03-04 2022-04-12 宁波昌亚新材料科技股份有限公司 基于图像处理的塑料餐盒裂缝检测方法、装置及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Evaluation of grinding-induced subsurface damage in optical glass BK7;HaoNan Li等;《Journal of Materials Processing Technology》;20151110;第785-794页 *
基于边缘检测和数字图像相关法的疲劳裂纹长度测量方法;黄心畏 等;《兵工学报》;20220430;第940-951页 *

Also Published As

Publication number Publication date
CN114581444A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN114581444B (zh) 基于图像处理的玻璃盖打磨工艺监测方法
CN114862862B (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN107203990B (zh) 一种基于模板匹配与图像质量评估的标贴破损检测方法
CN106600593B (zh) 一种中铝瓷球表面缺陷检测方法
CN105548212A (zh) 一种触摸屏玻璃表面瑕疵在线自动化检测系统及方法
CN108776140A (zh) 一种基于机器视觉的印刷品瑕疵检测方法及系统
CN102636490A (zh) 基于机器视觉的轴承防尘盖表面缺陷检测方法
CN107228860A (zh) 一种基于图像旋转周期特性的齿轮缺陷检测方法
CN114279357B (zh) 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统
CN115018853A (zh) 基于图像处理的机械组件缺陷检测方法
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN116990323B (zh) 一种高精密印刷版视觉检测系统
CN110567965A (zh) 一种智能手机玻璃盖板边缘视觉缺陷检测方法
CN101315338A (zh) 玻璃制品的缺陷检测系统及方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN116109637B (zh) 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法
CN115049657A (zh) 一种玻璃缺陷检测方法
CN112884746A (zh) 一种基于边缘形状匹配的字符缺陷智能检测算法
CN116503403A (zh) 基于图像处理的金属切削刀头的缺陷检测方法
CN112529893A (zh) 基于深度神经网络的轮毂表面瑕疵在线检测方法及系统
CN114953548B (zh) 一种轮胎模具清洗方法、系统及存储介质
CN115661110A (zh) 一种透明工件识别与定位的方法
CN109886182A (zh) 一种复杂环境下的刹车盘识别与定位方法
CN113505811A (zh) 一种轮毂生产用机器视觉成像方法
CN114187269A (zh) 小零器件表面缺陷边缘快速检测方法

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