CN114723668A - 一种基于面阵相机的阴极铜质量检测方法及系统 - Google Patents
一种基于面阵相机的阴极铜质量检测方法及系统 Download PDFInfo
- Publication number
- CN114723668A CN114723668A CN202210225217.7A CN202210225217A CN114723668A CN 114723668 A CN114723668 A CN 114723668A CN 202210225217 A CN202210225217 A CN 202210225217A CN 114723668 A CN114723668 A CN 114723668A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- copper
- array camera
- cathode
- 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
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30136—Metal
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于面阵相机的阴极铜质量检测方法及系统，一种基于面阵相机的阴极铜质量检测方法，包括以下步骤：S1，机器人运动抓拍获取阴极铜表面图像；S2，对获取的阴极铜表面图像进行处理；S3，建立深度学习系统，得到铜离子识别结果图；S4，对识别结果图进行分析并确定剔除条件；S5，依据剔除条件对阴极铜进行分类摆放。通过面阵相机的图像采集，将图像进行处理后放入金字塔场景解析网络中进行识别，对识别结果图进行数据分析处理后得到剔除条件进行分类摆放。本发明实现了自动检测的功能，且检测的效率更高，能够节省大量的人力。
Description
技术领域
本发明涉及阴极铜质量检测技术领域，尤其是一种基于面阵相机的阴极铜质量检测方法及系统。
背景技术
冶金精炼阴极铜由于其电解工艺的特殊性，所以阴极铜的表面情况能基本反映出阴极铜的品质，包括表面纹理、缺陷情况、色泽。在取图环节，现有阴极铜表面质量主要依靠人工检测，人工在机组剥片环节逐一检测；在数据分析环节，现有的阴极铜在剥片机组流水线中高速运行，人工无法精确计算阴极铜粒子大小与分布，只能根据经验主观判断；在判定输出环节，发现有问题的阴极铜人工点击剔除，且不同人会给出不同的结果，劳动强度大，发生漏检风险大；后续还需要有质检人员复检，复检发现有问题阴极铜需要拆包处理，拆包后人工叉车处理再重新打包。过程繁琐，加大生产成本。
在中国专利文献上公开的“一种高效阴极铜板面质量检测系统”，其公开号为CN211783203U，涉及一种高效阴极铜板面质量检测系统，包括底板，所述底板上侧安装有底座，所述底座上安装有沿横向排列的一排相平行的支撑辊，所述底板上侧还安装有位于底座横向上中间位置的限位框架，所述限位框架上安装有能相对其上下移动的限位支架，所述限位支架上安装有一对相平行的限位辊，所述底板上侧安装有位于底座两端用以推动阴极铜在支撑辊上运动的推进机构。该高效阴极铜板面质量检测系统结构新颖，设计合理，使用方便，操作简单、快捷，能够快速高效的完成阴极铜板面质量检测，具有很好的实用性。但是并不涉及具体的图像检测和数据分析。
发明内容
本发明解决了现有的阴极铜质量检测依靠于人工检测导致检测效率低的问题，提出一种基于面阵相机的阴极铜质量检测方法及系统，通过面阵相机的图像采集，将图像进行处理后放入金字塔场景解析网络中进行识别，对识别结果图进行数据分析处理后得到剔除条件进行分类摆放。本发明实现了自动检测的功能，且检测的效率更高，能够节省大量的人力。
为了实现上述目的，本发明采用以下技术方案：一种基于面阵相机的阴极铜质量检测方法，包括以下步骤：
S1，机器人运动抓拍获取阴极铜表面图像；
S2，对获取的阴极铜表面图像进行处理；
S3，建立深度学习系统，得到铜离子识别结果图；
S4，对识别结果图进行分析并确定剔除条件；
S5，依据剔除条件对阴极铜进行分类摆放。本发明的利用面阵相机获取，阴极铜表面图像适用于多款不同机组中；在机器人移动至垂直于正面待取图阴极板位时，启动正面取图，面阵相机采用高质量镜头保证阴极铜图像清晰，随后将图像传输至工控机；首先对获取到的图像进行分割处理以及图像标注形成铜粒子缺陷数据集，利用铜粒子缺陷数据集进行样本训练，建立金字塔场景解析网络模型，将待测图像预处理后输入至模型中得到识别结果图，根据识别结果图确定剔除条件，由剔除条件进行对阴极铜进行管理。本发明的检测的效率高，且检测的准确性更好。
作为优选，所述步骤S1包括正面面阵相机取图过程和反面面阵相机取图过程，所述正面面阵相机取图过程具体为正面面阵相机正对处于正面待取图阴极板位的阴极铜，通过PLC控制相机取图；所述反面面阵相机取图过程具体为机器人夹取阴极铜转动至反面待取图阴极板位，通过PLC控制相机取图。本发明中，为确保取图质量稳定可靠，在待取图阴极板位的两端均安装了位置传感器，并且在底部安装了限位块，确保每次拍摄的时候阴极板与相机的调度一致；反面面阵相机采用了全局的运动相机，该相机能确保运动过程抓拍图片质量可靠，并且在程序上进行了优化，确保设备正常运行过程相机能捕捉到阴极铜表面情况。
作为优选，所述步骤S2包括以下步骤：
S21，进行预处理，将原始图像分割为多个图像；
S22，对预处理后的阴极铜表面图像进行像素标注生成标注图像，预处理后的阴极铜表面图像与标注图像组成铜粒子缺陷数据集。本发明中，原始图像具体的分割过程为将原始图像转换到HSV颜色空间中，通过颜色识别算法识别出阴极铜所在的区域，截取阴极铜所在的区域图像，按尺寸分割成6×8个图像块，对每个图像块做高斯滤波，处理后的48个图像块即为预处理后的图像。
作为优选，所述步骤S3包括以下步骤：
S31，深度学习系统应用金字塔场景解析网络模型，通过卷积运算获取预处理图像的特征Map，然后通过金字塔池化模块，分割出背景像素与铜粒子像素类别；
S32，对铜粒子缺陷数据集进行训练，模型识别铜粒子像素精度达到规定值后，生成网络参数文件并存储至金字塔场景解析网络模型中；
S33，将待测图像预处理后送入金字塔场景解析网络模型中，得到铜离子识别结果图。本发明中，训练缺陷数据集使得深度学习系统能够分析铜粒子像素；其中，金字塔池化模块包括多分辨率卷积与融合。
作为优选，所述步骤S4包括以下步骤：
S41，提取不同种类铜粒子识别结果图，进行二值化处理，存在该类型铜离子的区域为255、不存在该类型铜离子的区域置为0；
S42，对不同种类铜粒子二值化图像分别做图像开运算、区域连接和区域分割，提取出独立的区域特征；
S43，计算独立的区域特征参数，根据计算出的区域特征参数确定各个区域特征参数的阈值设定剔除条件。本发明中，区域特征参数包括面积大小、长度、宽度、长宽比、凸系数和模糊度。
一种基于面阵相机的阴极铜质量检测系统，适用于上述的一种基于面阵相机的阴极铜质量检测方法，包括正面面阵相机和反面面阵相机，所述正面面阵相机设置在正面待取图阴极板位的上方且垂直平分正面待取图阴极板位，所述正面待取图阴极板位上方设置有正面补光光源，所述正面补光光源与正面待取图阴极板位法线成45-60度角，所述反面面阵相机设置在反面待取图阴极板位的下方且垂直平分反面待取图阴极板位，所述反面待取图阴极板位下方设置有反面补光光源，所述正面补光光源与正面待取图阴极板位法线成45-60度角，所述正面面阵相机和反面面阵相机分别连接于工控机，所述工控机连接于PLC。本发明中，阴极铜设置在待取图阴极板位上且与机器人连接，并随机器人转动；补光光源采用高亮度投射光源用于照亮被检测阴极铜，保证光源照射范围包含整块铜板，补光光源设置在离被检测阴极铜的平面300-500mm的位置，补光光源与待取图阴极板位法线成45-60度角的设置，能够更好的突出微小铜离子。本发明的系统自动化程度高。
本发明的有益效果是：本发明通过面阵相机的图像采集，将图像进行处理后放入金字塔场景解析网络中进行识别，对识别结果图进行数据分析处理后得到剔除条件进行分类摆放，能够实现了自动检测的功能，且检测的效率和准确性更高，能够节省大量的人力和物力。
附图说明
图1是本发明实施例1的流程图；
图2是本发明实施例1关于铜粒子缺陷数据集的模型训练示意图；
图3是本发明实施例1的结构示意图；
图4是本发明实施例2链条机组的结构示意图；
图5是本发明实施例1阴极铜进行分类摆放的示意图；
图6是本发明实施例2阴极铜剔除的示意图；
其中，1、正面面阵相机 2、正面补光光源 3、正面待取图阴极板位 31、反面待取图阴极板位 4、反面补光光源 5、反面面阵相机 6、工控机 7、PLC 8、预处理图像的特征Map 9、金字塔池化模块 a、第一品质阴极铜输出通道 b、第二品质阴极铜输出通道c、第三品质阴极铜输出通道 d、不合格阴极铜输出通道 e、检测工位 f、剔除工位。
具体实施方式
实施例1：
本实施例提出一种基于面阵相机的阴极铜质量检测方法，参考图1，包括以下步骤，步骤S1，机器人运动抓拍获取阴极铜表面图像；具体的，利用机器人剥片机组进行获取图像，具体可参考图3，该步骤主要分为正面面阵相机取图过程以及反面面阵相机取图过程，在正面取图的过程中，正面面阵相机与位于正面待取图阴极板位的阴极铜正对，由PLC信号控制该相机工作；而在机器人夹着阴极铜转动到反面待取图阴极板位，同样由PLC信号控制。本发明中，为确保取图质量稳定可靠，在待取图阴极板位的两端均安装了位置传感器，并且在底部安装了限位块，确保每次拍摄的时候阴极板与相机的调度一致；反面面阵相机采用了全局的运动相机，该相机能确保运动过程抓拍图片质量可靠，并且在程序上进行了优化，确保设备正常运行过程相机能捕捉到阴极铜表面情况。
步骤S2，对获取的阴极铜表面图像进行处理；具体的，包括以下多个步骤，步骤S21，对原始图像进行预处理，分割成多个图像；分割过程为将原始图像转换到HSV颜色空间中，通过颜色识别算法识别出阴极铜所在的区域，截取阴极铜所在的区域图像，按尺寸分割成6×8个图像块，对每个图像块做高斯滤波，处理后的48个图像块即为预处理后的图像。步骤S22，对上述步骤预处理后的图像进行像素标注，形成标注图像，进行预处理后的阴极铜表面图像和标注图像共同形成铜粒子缺陷数据集。
步骤S3，创建深度学习系统，最终获取铜离子识别结果图；具体的包括多个子步骤，步骤S31，首先，该系统具体为金字塔场景解析网络模型，该模型通过卷积运算得到预处理图像的特征Map8，随后通过金字塔池化模块9，使得模型能分割出背景像素与铜粒子像素类别；步骤S32，参考图2，训练铜粒子缺陷数据集，模型在识别铜粒子像素精度达到规定值以后，形成网络参数文件，该文件会存到金字塔场景解析网络模型中，用于实际在线铜粒子检测；步骤S33，把经过预处理后的待测图像输入到金字塔场景解析网络模型中，即可获取铜离子识别结果图。本发明中，训练缺陷数据集使得深度学习系统能够分析铜粒子像素；其中，金字塔池化模块包括多分辨率卷积与融合。
步骤S4，根据识别结果图，分析并确定剔除条件；具体的，包括以下过程，首先，提取多个种类的铜粒子识别结果图，对其进行二值化，存在铜离子的区域为255，不存在铜离子的区域为0；其次，对多个种类的铜粒子的二值化后的图像进行运算处理，运算包括图像开运算、区域连接以及区域分割，提取获取独立的区域特征；最后，计算独立的区域特征参数，区域特征参数包括面积大小、长度、宽度、长宽比、凸系数和模糊度，根据区域特征参数即可确定各区域特征参数的阈值设定剔除条件。
步骤S5，根据剔除条件对阴极铜进行分类摆放。将不同的检测结果由工控机给出不同的信号到PLC，PLC根据接收到的不同信号控制机器人对铜板进行分类摆放。参考图5，对阴极铜进行分类，主要有第一品质阴极铜输出通道a、第二品质阴极铜输出通道b、第三品质阴极铜输出通道c以及不合格阴极铜输出通道d，根据机器人的转动将不同质量的阴极铜输入不同的通道。
本发明的利用面阵相机获取，阴极铜表面图像适用于多款不同机组中；在机器人移动至垂直于正面待取图阴极板位时，启动正面取图，面阵相机采用高质量镜头保证阴极铜图像清晰，随后将图像传输至工控机；首先对获取到的图像进行分割处理以及图像标注形成铜粒子缺陷数据集，利用铜粒子缺陷数据集进行样本训练，建立金字塔场景解析网络模型，将待测图像预处理后输入至模型中得到识别结果图，根据识别结果图确定剔除条件，由剔除条件进行对阴极铜进行管理。本发明的检测的效率高，且检测的准确性更好。
本发明还提出一种基于面阵相机的阴极铜质量检测系统，参考图3，主要包括有正面面阵相机1、正面补光光源2、反面补光光源4、反面面阵相机5、工控机6和PLC7，正面面阵相机1设置在正面待取图阴极板位3的上方且垂直平分正面待取图阴极板位3，正面待取图阴极板位3上方设置有正面补光光源4，正面补光光源2与正面待取图阴极板位3法线成45-60度角，反面面阵相机5设置在反面待取图阴极板位31的下方且垂直平分反面待取图阴极板位31，反面待取图阴极板位31下方设置有反面补光光源4，正面补光光源2与正面待取图阴极板位3法线成45-60度角，正面面阵相机1和反面面阵相机5分别与工控机连接，工控机与PLC连接。本发明中，阴极铜设置在待取图阴极板位上且与机器人连接，并随机器人转动；补光光源采用高亮度投射光源用于照亮被检测阴极铜，保证光源照射范围包含整块铜板，补光光源设置在离被检测阴极铜的平面300-500mm的位置，补光光源与待取图阴极板位法线成45-60度角的设置，能够更好的突出微小铜离子。
实施例2，本发明中，除了使用机器人运动抓拍，还有链条机组在横送链条运行过程线阵相机取图过程，参考图4，在横送链条的上方设置有正面面阵相机1，同时也设置有正面补光光源2为取图提供光照，，在横送链条的下方设置有反面面阵相机5，同时也设置有反面补光光源4，取图完成后，再进行同实施例1相同的数据处理以及剔除操作。在链条机组中，PLC可控制异常带铜阴极板不进行剥离动作，直接拒收，后期单独剔除。参考图6，为链条机组阴极铜剥离的示意图，经过检测工位e后进入剔除工位f，完成单独操作。
上述实施例是对本发明的进一步阐述和说明，以便于理解，并不是对本发明的任何限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于面阵相机的阴极铜质量检测方法，其特征在于，包括以下步骤：
S1，机器人运动抓拍获取阴极铜表面图像；
S2，对获取的阴极铜表面图像进行处理；
S3，建立深度学习系统，得到铜离子识别结果图；
S4，对识别结果图进行分析并确定剔除条件；
S5，依据剔除条件对阴极铜进行分类摆放。
2.根据权利要求1所述的一种基于面阵相机的阴极铜质量检测方法，其特征在于，所述步骤S1包括正面面阵相机取图过程和反面面阵相机取图过程，所述正面面阵相机取图过程具体为正面面阵相机正对处于正面待取图阴极板位的阴极铜，通过PLC控制相机取图；所述反面面阵相机取图过程具体为机器人转动至反面待取图阴极板位，通过PLC控制相机取图。
3.根据权利要求1或2所述的一种基于面阵相机的阴极铜质量检测方法，其特征在于，所述步骤S2包括以下步骤：
S21，进行预处理，将原始图像分割为多个图像；
S22，对预处理后的阴极铜表面图像进行像素标注生成标注图像，预处理后的阴极铜表面图像与标注图像组成铜粒子缺陷数据集。
4.根据权利要求3所述的一种基于面阵相机的阴极铜质量检测方法，其特征在于，所述步骤S3包括以下步骤：
S31，深度学习系统应用金字塔场景解析网络模型，通过卷积运算获取预处理图像的特征Map，然后通过金字塔池化模块，分割出背景像素与铜粒子像素类别；
S32，对铜粒子缺陷数据集进行训练，模型识别铜粒子像素精度达到规定值后，生成网络参数文件并存储至金字塔场景解析网络模型中；
S33，将待测图像预处理后送入金字塔场景解析网络模型中，得到铜离子识别结果图。
5.根据权利要求1或4所述的一种基于面阵相机的阴极铜质量检测方法，其特征在于，所述步骤S4包括以下步骤：
S41，提取不同种类铜粒子识别结果图，进行二值化处理，存在该类型铜离子的区域为255、不存在该类型铜离子的区域置为0；
S42，对不同种类铜粒子二值化图像分别做图像开运算、区域连接和区域分割，提取出独立的区域特征；
S43，计算独立的区域特征参数，根据计算出的区域特征参数确定各个区域特征参数的阈值设定剔除条件。
6.一种基于面阵相机的阴极铜质量检测系统，适用于权利要求1-5所述的一种基于面阵相机的阴极铜质量检测方法，其特征在于，包括正面面阵相机和反面面阵相机，所述正面面阵相机设置在正面待取图阴极板位的上方且垂直平分正面待取图阴极板位，所述正面待取图阴极板位上方设置有正面补光光源，所述正面补光光源与正面待取图阴极板位法线成45-60度角，所述反面面阵相机设置在反面待取图阴极板位的下方且垂直平分反面待取图阴极板位，所述反面待取图阴极板位下方设置有反面补光光源，所述正面补光光源与正面待取图阴极板位法线成45-60度角，所述正面面阵相机和反面面阵相机分别连接于工控机，所述工控机连接于PLC。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210225217.7A CN114723668A (zh) | 2022-03-09 | 2022-03-09 | 一种基于面阵相机的阴极铜质量检测方法及系统 |
| PCT/CN2022/132179 WO2023168984A1 (zh) | 2022-03-09 | 2022-11-16 | 一种基于面阵相机的阴极铜质量检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210225217.7A CN114723668A (zh) | 2022-03-09 | 2022-03-09 | 一种基于面阵相机的阴极铜质量检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114723668A true CN114723668A (zh) | 2022-07-08 |
Family
ID=82238651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210225217.7A Pending CN114723668A (zh) | 2022-03-09 | 2022-03-09 | 一种基于面阵相机的阴极铜质量检测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114723668A (zh) |
| WO (1) | WO2023168984A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115343293A (zh) * | 2022-08-10 | 2022-11-15 | 北京东土科技股份有限公司 | 基于机器视觉的阴极板检测控制系统及生产线 |
| WO2023168984A1 (zh) * | 2022-03-09 | 2023-09-14 | 三门三友科技股份有限公司 | 一种基于面阵相机的阴极铜质量检测方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070104359A1 (en) * | 2005-11-10 | 2007-05-10 | Mauricio Telias | Digital inspection of the physical quality of plain surfaces |
| CN107486415B (zh) * | 2017-08-09 | 2023-10-03 | 中国计量大学 | 基于机器视觉的篾片缺陷在线检测系统及检测方法 |
| CN109675832A (zh) * | 2019-01-21 | 2019-04-26 | 深圳精创视觉科技有限公司 | 一种钕铁硼磁铁尺寸及外观缺陷检测装置 |
| CN111523540A (zh) * | 2020-04-17 | 2020-08-11 | 中南大学 | 基于深度学习的金属表面缺陷检测方法 |
| CN113070240A (zh) * | 2021-03-25 | 2021-07-06 | 南京工业大学 | 一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法 |
| CN114723668A (zh) * | 2022-03-09 | 2022-07-08 | 三门三友科技股份有限公司 | 一种基于面阵相机的阴极铜质量检测方法及系统 |
-
2022
- 2022-03-09 CN CN202210225217.7A patent/CN114723668A/zh active Pending
- 2022-11-16 WO PCT/CN2022/132179 patent/WO2023168984A1/zh unknown
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023168984A1 (zh) * | 2022-03-09 | 2023-09-14 | 三门三友科技股份有限公司 | 一种基于面阵相机的阴极铜质量检测方法及系统 |
| CN115343293A (zh) * | 2022-08-10 | 2022-11-15 | 北京东土科技股份有限公司 | 基于机器视觉的阴极板检测控制系统及生产线 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023168984A1 (zh) | 2023-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109454006B (zh) | 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法 | |
| CN103913468B (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
| CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
| CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
| CN114723668A (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 | |
| CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
| CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
| CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
| CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
| CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| WO2023134286A1 (zh) | 一种阴极铜在线质量自动检测分类方法 | |
| CN111524101A (zh) | 一种基于机器视觉技术的电子屏幕缺陷检测方法 | |
| CN104132945A (zh) | 一种基于光纤传导的棒材表面质量在线视觉检测装置 | |
| CN104749801B (zh) | 高精度自动光学检测方法和系统 | |
| CN103091330A (zh) | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 | |
| CN106370673A (zh) | 一种镜片疵病自动检测方法 | |
| CN113566704A (zh) | 一种基于机器视觉的轴承总成滚珠尺寸检测方法 | |
| CN112630153A (zh) | 一种镜头盖玻璃缺陷的检测方法、设备、存储介质 | |
| CN116740449A (zh) | 基于ai计算机视觉技术的刨花形态检测方法及系统 | |
| CN114125435B (zh) | 一种用于网络摄像机的图像缺陷智能检测方法 | |
| CN211263229U (zh) | 一种瓶装液体检测光学系统 | |
| CN114187269A (zh) | 小零器件表面缺陷边缘快速检测方法 | |
| CN113570587A (zh) | 一种基于计算机视觉的光伏电池断栅检测方法及系统 | |
| CN114445358A (zh) | 手机中框边缘外观缺陷检测方法、系统、存储介质及计算机设备 | |
| CN110728664A (zh) | 一种基于计算机视觉的水果分类系统 |
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 |