CN114742749A - 基于图像处理的pvc薄膜质量检测方法 - Google Patents
基于图像处理的pvc薄膜质量检测方法 Download PDFInfo
- Publication number
- CN114742749A CN114742749A CN202210183032.4A CN202210183032A CN114742749A CN 114742749 A CN114742749 A CN 114742749A CN 202210183032 A CN202210183032 A CN 202210183032A CN 114742749 A CN114742749 A CN 114742749A
- Authority
- CN
- China
- Prior art keywords
- image
- inscribed circle
- value
- curve
- film
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于图像处理的PVC薄膜质量检测方法,该方法包括:将薄膜图像的灰度图分割为块图像,获取块图像的最大内接圆图像及除最大内接圆图像外的四个子图像,获取最大内接圆图像的一维的特征向量,获取最大内接圆图像的第一相似程度值、第二相似程度值,构建第一质量评价曲线及第二质量评价曲线,获取四个子图像的最大子内接圆图像的第三相似程度值、第四相似度值;根据第三相似程度值、第四相似度值得到第一补偿曲线和第二补偿曲线,根据第一补偿曲线及第二补偿曲线获取曲折度,根据曲折度对薄膜图像的表面质量进行检测,本发明方法提高了薄膜表面缺陷的检测精度。
Description
技术领域
本发明涉及注塑工艺异常检测技术领域,具体涉及基于图像处理的PVC薄膜质量检测方法。
背景技术
随着机器视觉技术的发展,在工业生产质量检测领域也利用机器视觉技术对PVC薄膜表面存在的瑕疵缺陷进行检测,瑕疵缺陷例如:金属丝、头发、灰尘等衣物。相比于人工检测,器视觉技术提高了检测效率和速度,降低了漏检率。
现有技术中,利用机器视觉图像对PVC薄膜表面缺陷检测,通过灰度连通域算法判断缺陷。根据疑似缺陷点连通域重心坐标设定阈值,对连通域进行筛选,在利用连通域缺陷检测时,容易受到噪声的影响,采用固定阈值进行灰度差值比较,容易存在检测误差,当缺陷点较多时,可能导致灰度差值也满足阈值要求,造成误检漏检,进而影响检测精度。
针对上述问题,本发明提出了基于图像处理的PVC薄膜质量检测方法。
发明内容
本发明提供基于图像处理的PVC薄膜质量检测方法,以解决现有的问题。
本发明的基于图像处理的PVC薄膜质量检测方法采用如下技术方案:该方法包括:
S1、获取PVC薄膜的薄膜图像的灰度图,将灰度图分割为等大且为正方形的块图像,获取块图像的最大内接圆图像及除最大内接圆图像外的四个子图像;
S2、对最大内接圆图像进行二维图像变换得到每个最大内接圆图像的一维的特征向量,将特征向量作为旋转不变向量;
S3、计算每一行中每两个相邻、每一列中每两个相邻的最大内接圆图像的旋转不变向量对应的第一相似程度值、第二相似程度值;
S4、根据多个第一相似程度值构建第一质量评价曲线,根据多个第二相似度值构建第二质量评价曲线;
S5、获取每四个相邻的子图像的最大子内接圆图像,重复S2到S3步骤获取最大子内接圆图像对应的第三相似程度值、第四相似度值,根据第三相似程度值对第一质量评价曲线进行补偿,根据第四相似度值对第二质量曲线进行补偿,得到第一补偿曲线及第二补偿曲线;
S6、根据第一补偿曲线及第二补偿曲线获取曲折度,根据曲折度和预设的薄膜表面质量评估指标阈值,确定薄膜图像的表面质量。
优选的,获取PVC薄膜的薄膜图像的灰度图的步骤包括:
采集PVC薄膜的图像;
利用语义分割网络对图像进行分割;
将图像中薄膜区域图像像素点标记为1,其他背景区域像素点标记为0,得到仅包含薄膜的薄膜图像;
将薄膜图像转化为灰度图。
优选的,对最大内接圆图像进行二维图像变换得到每个最大内接圆图像的一维的特征向量的步骤包括:
以中心像素点坐标(xz,yz)为圆心,获取块图像中的每个像素点沿半径方向到中心像素点坐标的距离为r内的所有像素点的个数之和Hr;
根据Hr对半径为r的像素点灰度值进行归一化处理,得到半径为r的像素点的灰度均值;
优选的,根据Hr对半径为r的像素点灰度值进行归一化处理,得到半径为r的像素点的灰度均值的步骤包括:
根据下式(1)计算灰度均值:
其中,gr表示以r为半径时所对应的灰度均值;Hr表示块图像中的每个像素点沿半径方向到中心像素点坐标的距离为r内的所有像素点的个数之和;θ3表示第K个投影角度,n表示投影角度的总数,d表示像素点的灰度值。
优选的,根据第一相似程度值构建第一质量评价曲线,根据第二相似度值构建第二质量评价曲线的步骤包括:
以各列的最大内接圆图像的列数作为第一质量评价曲线的横坐标,以当前列所有最大内接圆图像之间的第一相似程度值方差作为第一质量评价曲线的纵坐标,构建第一质量评价曲线;
第二质量评价曲线的构建方式和第一质量评价曲线的构建方式相同。
优选的,获取每四个相邻的子图像的最大子内接圆图像的步骤包括:
利用相邻的四个子图像的共同交点作为子中心像素点(x′x,y′x);
以子中心像素点(x′z,y′z)为圆心获取每四个相邻子图像的最大子内接圆图像。
优选的,根据第四相似度值对第二质量曲线进行补偿,得到第一补偿曲线及第二补偿曲线的步骤包括:
根据第三相似程度值,在第一质量评价曲线上的两个相邻坐标点之间插入一个补偿点,补偿点的横坐标取相连两个坐标点的中间点;纵坐标取最大子内接圆图像之间的第三相似程度值的第三相似程度值方差,得到第一补偿曲线;
根据第四相似程度值,在第二质量评价曲线上的两个相邻坐标点之间插入一个补偿点,补偿点的横坐标取相连两个坐标点的中间点;纵坐标取最大子内接圆图像之间的第四相似程度值的第四相似程度值方差,得到第二补偿曲线。
优选的,根据第一补偿曲线及第二补偿曲线获取曲折度的步骤包括:
其中,Kq表示第一补偿曲线的第q个坐标点处的斜率,Q表示第一补偿曲线的总数,KB表示第二补偿曲线的第p个坐标点处的斜率,P表示第二补偿曲线的总数。
优选的,根据曲折度和预设的薄膜表面质量评估指标阈值,确定薄膜图像的表面质量的步骤包括:
设薄膜表面质量评估指标阈值为M1=0.1;
当单位长度下的薄膜图像的曲折度>0.01时,认为当前生产的薄膜表面存在质量缺陷,否则,薄膜表面不存在质量缺陷。
本发明的有益效果是:本发明的基于图像处理的PVC薄膜质量检测方法,通过薄膜图像的灰度图对图像进行分割得到块图像,获取块图像的最大内接圆图像,将最大内接圆图像的二维图像进行极坐标转换得到一维的特征向量,特征向量即为块图像的旋转不变向量,对相邻的最大内接圆图像的旋转不变向量进行相似度值计算,得到相似度值,根据相似度值获取质量评价曲线,获取四个相邻子图像的最大子外接圆图像,得到最大子外接圆图像相似度值,根据最大子外接圆图像相似度值对质量评价曲线进行补偿得到补偿曲线,根据补偿曲线获取曲折度,根据曲折度对薄膜表面质量进行评估,从而保证了薄膜表面缺陷的检测精度,本方法在检测过程克服了传统模板匹配中不具有旋转不变性的特点,通过一维特征向量之间的相似度变化进行准确的对薄膜表面质量评估,提高检测精度,其次,通过对子图像的相似度值对质量评价曲线进行缺失像素点的灰度特征变化补偿,避免了对缺失像素点造成的薄膜缺陷漏检,进一步提高检测精度。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于图像处理的PVC薄膜质量检测方法的实施例总体步骤的流程图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的基于图像处理的PVC薄膜质量检测方法的实施例,如图1所示,该方法包括:
S1、获取PVC薄膜的薄膜图像的灰度图,将灰度图分割为等大且为正方形的块图像,获取块图像的最大内接圆图像及除最大内接圆图像外的四个子图像。
为了提高图像特征提取的效率,排除干扰信息,具体的,S11、通过相机采集PVC薄膜的图像,利用语义分割网络对图像进行分割,其中,语义分割网络结构为:Encoder-Decoder,然后将图像中薄膜区域图像像素点标记为1,其他背景区域像素点标记为0,得到仅包含薄膜的薄膜图像,采用中值滤波对薄膜图像进行去噪,最后将薄膜图像转化为灰度图,其中对薄膜图像的灰度化处理采用平均灰度化;S12、将灰度图进行分割,分割为等大的块图像,且块图像的大小为m×m的方块,S13、获取块图像的中心像素点坐标(xz,yz),块图像的中心像素点坐标(xz,yz)为最大内接圆图像的圆心获取最大内接圆图像,则块图像剩余的图像即为四个子图像。
S2、对最大内接圆图像进行二维图像变换得到每个最大内接圆图像的一维的特征向量,将特征向量作为旋转不变向量。
具体的,S21、获取块图像的中心像素点坐标(xz,yz),利用极坐标转换将块图像内的所有像素点都转换为极坐标系下的坐标投影点,其中,极坐标转换关系为:x=rcosθ,y=rsinθ,θ∈[0,2π];S22、以中心像素点坐标(xz,yz)为圆心,获取块图像中的每个像素点沿半径方向到中心像素点坐标的距离为r内的所有像素点的个数之和Hr;S23、根据Hr对半径为r的像素点灰度值进行归一化处理,得到半径为r的像素点的灰度均值;S24、设半径的初始值r0=1,调节步长为d=1,对半径r进行不断调节,获取不同半径r下的灰度均值,直到分割块中半径最大值其中,m表示正方形的块图像的边长;S25、将不同半径下的灰度均值作为当前半径下的第一表征特征向量值,所有半径对应的第一表征特征向量值构成了块图像的大小为一行列的一维的特征向量。
其中,根据下式(1)计算步骤S23中的灰度均值:
其中,gr表示以r为半径时所对应的灰度均值;Hr表示块图像中的每个像素点沿半径方向到中心像素点坐标的距离为r内的所有像素点的个数之和;θk表示第K个投影角度,n表示投影角度的总数,d表示像素点的灰度值。
S3、计算每一行中每两个相邻、每一列中每两个相邻的最大内接圆图像的旋转不变向量对应的第一相似程度值、第二相似程度值。
具体的,根据Si,i-1=1-||Xi-Xi-1||2计算第一相似程度值和第二相似程度值,其中,||Xi-Xi-1||2表示第i个特征向量与第i-1个特征向量间的欧式距离,Si,i-1表示第i行最大内接圆图像内,各列的最大内接圆图像之间相似程度值,Xi表示第i个特征向量,Xi-1表示i-1个特征向量。
S4、根据多个第一相似程度值构建第一质量评价曲线,根据多个第二相似度值构建第二质量评价曲线。
具体的,S41、以各列的最大内接圆图像的列数作为第一质量评价曲线的横坐标,以当前列所有最大内接圆图像之间的第一相似程度值方差作为第一质量评价曲线的纵坐标,构建第一质量评价曲线;S42、以各行的最大内接圆图像的行数作为第二质量评价曲线的横坐标,以当前行所有最大内接圆图像之间的第二相似程度值方差作为第二质量评价曲线的纵坐标,构建第一质量评价曲线,根据计算第一相似程度值方差,其中,表示第j列的最大内接圆图像之间的第一相似程度均值,K表示总列数或者总行数,Si,j表示表示第i行内所有相邻列的最大内接圆图像的旋转不变向量的第一相似程度值;根据计算第二相似程度值方差,其中,表示表示第i行的最大内接圆图像之间的第二相似程度均值,v表示总行数,表示第j列所有相邻行中的最大内接圆图像的旋转不变向量的第二相似程度值。
S5、为了使得对块图像内的所有像素点进行质量检测,使得检测效果更好,获取每四个相邻的子图像的最大子内接圆图像,重复S2到S3步骤获取最大子内接圆图像对应的第三相似程度值、第四相似度值,根据第三相似程度值对第一质量评价曲线进行补偿,根据第四相似度值对第二质量曲线进行补偿,得到第一补偿曲线及第二补偿曲线。
具体的,S51、利用相邻的四个子图像的共同交点作为子中心像素点(xz,yz);以子中心像素点(x′z,y′z)为圆心获取每四个相邻子图像的最大子内接圆图像。
S52、以子中心像素点坐标(x′z,y′z)为圆心,获取四个相邻子图像中的每个像素点沿半径方向到子中心像素点坐标的距离为r′内的所有像素点的个数之和Hr′;根据Hr′对半径为r′的像素点灰度值进行归一化处理,得到半径为r的像素点的灰度均值;设半径的初始值r′0=1,调节步长为d′=1,对半径r进行不断调节,获取不同半径r′下的灰度均值,直到分割块中半径最大值其中,m表示正方形的块图像的边长,其中四个子图像中重复投影的像素点不影响最终薄膜质量检测评估结果,此处也可将半径最大值设为该半径最大值会忽略掉较小区域的像素点的灰度值投影向量,则对最终的薄膜质量检测评估结果影响较小;将不同半径下的灰度均值作为当前半径下的第二表征特征向量值,所有半径对应的第二表征特征向量值构成了最大子内接圆图像的大小为一行列的一维的特征向量,最大子内接圆图像的特征向量即为最大子内接圆图像的旋转不变向量,根据同一行内每两个相邻的最大子内接圆图像的旋转不变向量的获取最大子内接圆图像的第三相似程度值,根据同一列内每两个相邻的最大子内接圆图像的旋转不变向量的获取最大子内接圆图像的第四相似度。
S53、根据第三相似程度值,在第一质量评价曲线上的两个相邻坐标点之间插入一个补偿点,补偿点的横坐标取相连两个坐标点的中间点;纵坐标取最大子内接圆图像之间的第三相似程度值的第三相似程度值方差,得到第一补偿曲线;根据第四相似程度值在第二质量评价曲线上的两个相邻坐标点之间插入一个补偿点,补偿点的横坐标取相连两个坐标点的中间点;纵坐标取最大子内接圆图像之间的第四相似程度值的第四相似程度值方差,得到第二补偿曲线。其中,根据计算第三相似程度方差,其中,表示第j列和第j+1列中相邻的最大子内接圆的之间的第三相似程度均值,S′[*,j],[*,j+1]表示第j列和第j+1列所有行中相邻的最大子内接圆的旋转不变向量的第三相似程度值,h表示总行数。根据 第四相似程度方差,其中,表示第i行和第i+1行中相邻的最大子内接圆的之间的第四相似程度均值,S″[i,*],[i+1,*]表示第i行和第i+1行所有列中相邻的最大子内接圆的旋转不变向量的第四相似程度值,u表示总列数。
S6、根据第一补偿曲线及第二补偿曲线获取曲折度,根据曲折度和预设的薄膜表面质量评估指标阈值,确定薄膜图像的表面质量。
其中,Kq表示第一补偿曲线的第q个坐标点处的斜率,Q表示第一补偿曲线的总数,KB表示第二补偿曲线的第p个坐标点处的斜率,P表示第二补偿曲线的总数。
S62、设薄膜表面质量评估指标阈值为M1=0.1,当单位长度下的薄膜图像的曲折度>0.01时,认为当前生产的薄膜表面存在质量缺陷,否则,薄膜表面不存在质量缺陷。
综上所述,本发明提供基于图像处理的PVC薄膜质量检测方法,通过薄膜图像的灰度图对图像进行分割得到块图像,获取块图像的最大内接圆图像,将最大内接圆图像的二维图像进行极坐标转换得到一维的特征向量,特征向量即为块图像的旋转不变向量,对相邻的最大内接圆图像的旋转不变向量进行相似度值计算,得到相似度值,根据相似度值获取质量评价曲线,获取四个相邻子图像的最大子外接圆图像,得到最大子外接圆图像相似度值,根据最大子外接圆图像相似度值对质量评价曲线进行补偿得到补偿曲线,根据补偿曲线获取曲折度,根据曲折度对薄膜表面质量进行评估,从而保证了薄膜表面缺陷的检测精度,本方法在检测过程克服了传统模板匹配中不具有旋转不变性的特点,通过一维特征向量之间的相似度变化进行准确的对薄膜表面质量评估,提高检测精度,其次,通过对子图像的相似度值对质量评价曲线进行缺失像素点的灰度特征变化补偿,避免了对缺失像素点造成的薄膜缺陷漏检,进一步提高检测精度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于图像处理的PVC薄膜质量检测方法,其特征在于,该方法包括:
S1、获取PVC薄膜的薄膜图像的灰度图,将灰度图分割为等大且为正方形的块图像,获取块图像的最大内接圆图像及除最大内接圆图像外的四个子图像;
S2、对最大内接圆图像进行二维图像变换得到每个最大内接圆图像的一维的特征向量,将特征向量作为旋转不变向量;
S3、计算每一行中每两个相邻、每一列中每两个相邻的最大内接圆图像的旋转不变向量对应的第一相似程度值、第二相似程度值;
S4、根据多个第一相似程度值构建第一质量评价曲线,根据多个第二相似度值构建第二质量评价曲线;
S5、获取每四个相邻的子图像的最大子内接圆图像,重复S2到S3步骤获取最大子内接圆图像对应的第三相似程度值、第四相似度值,根据第三相似程度值对第一质量评价曲线进行补偿,根据第四相似度值对第二质量曲线进行补偿,得到第一补偿曲线及第二补偿曲线;
S6、根据第一补偿曲线及第二补偿曲线获取曲折度,根据曲折度和预设的薄膜表面质量评估指标阈值,确定薄膜图像的表面质量。
2.根据权利要求1所述的基于图像处理的PVC薄膜质量检测方法,其特征在于,获取PVC薄膜的薄膜图像的灰度图的步骤包括:
采集PVC薄膜的图像;
利用语义分割网络对图像进行分割;
将图像中薄膜区域图像像素点标记为1,其他背景区域像素点标记为0,得到仅包含薄膜的薄膜图像;
将薄膜图像转化为灰度图。
3.根据权利要求1所述的基于图像处理的PVC薄膜质量检测方法,其特征在于,对最大内接圆图像进行二维图像变换得到每个最大内接圆图像的一维的特征向量的步骤包括:
以中心像素点坐标(xz,yz)为圆心,获取块图像中的每个像素点沿半径方向到中心像素点坐标的距离为r内的所有像素点的个数之和Hr;
根据Hr对半径为r的像素点灰度值进行归一化处理,得到半径为r的像素点的灰度均值;
5.根据权利要求1所述的基于图像处理的PVC薄膜质量检测方法,其特征在于,根据第一相似程度值构建第一质量评价曲线,根据第二相似度值构建第二质量评价曲线的步骤包括:
以各列的最大内接圆图像的列数作为第一质量评价曲线的横坐标,以当前列所有最大内接圆图像之间的第一相似程度值方差作为第一质量评价曲线的纵坐标,构建第一质量评价曲线;
第二质量评价曲线的构建方式和第一质量评价曲线的构建方式相同。
6.根据权利要求1所述的基于图像处理的PVC薄膜质量检测方法,其特征在于,获取每四个相邻的子图像的最大子内接圆图像的步骤包括:
利用相邻的四个子图像的共同交点作为子中心像素点(x′z,y′z);
以子中心像素点(x′z,y′z)为圆心获取每四个相邻子图像的最大子内接圆图像。
7.根据权利要求1所述的基于图像处理的PVC薄膜质量检测方法,其特征在于,根据第四相似度值对第二质量曲线进行补偿,得到第一补偿曲线及第二补偿曲线的步骤包括:
根据第三相似程度值,在第一质量评价曲线上的两个相邻坐标点之间插入一个补偿点,补偿点的横坐标取相连两个坐标点的中间点;纵坐标取最大子内接圆图像之间的第三相似程度值的第三相似程度值方差,得到第一补偿曲线;
根据第四相似程度值,在第二质量评价曲线上的两个相邻坐标点之间插入一个补偿点,补偿点的横坐标取相连两个坐标点的中间点;纵坐标取最大子内接圆图像之间的第四相似程度值的第四相似程度值方差,得到第二补偿曲线。
9.根据权利要求1所述的基于图像处理的PVC薄膜质量检测方法,其特征在于,根据曲折度和预设的薄膜表面质量评估指标阈值,确定薄膜图像的表面质量的步骤包括:
设薄膜表面质量评估指标阈值为M1=0.1;
当单位长度下的薄膜图像的曲折度>0.01时,认为当前生产的薄膜表面存在质量缺陷,否则,薄膜表面不存在质量缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210183032.4A CN114742749B (zh) | 2022-02-27 | 2022-02-27 | 基于图像处理的pvc薄膜质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210183032.4A CN114742749B (zh) | 2022-02-27 | 2022-02-27 | 基于图像处理的pvc薄膜质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742749A true CN114742749A (zh) | 2022-07-12 |
CN114742749B CN114742749B (zh) | 2023-04-18 |
Family
ID=82275100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210183032.4A Active CN114742749B (zh) | 2022-02-27 | 2022-02-27 | 基于图像处理的pvc薄膜质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742749B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115684176A (zh) * | 2022-10-24 | 2023-02-03 | 浙江荣图智能科技有限公司 | 一种薄膜表面缺陷在线视觉检测系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143519A (zh) * | 2014-08-01 | 2014-11-12 | 上海华力微电子有限公司 | 一种产品通孔刻蚀缺陷的检测方法 |
CN105092473A (zh) * | 2015-07-13 | 2015-11-25 | 武汉华星光电技术有限公司 | 一种多晶硅薄膜的质量检测方法和系统 |
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
WO2018192484A1 (zh) * | 2017-04-18 | 2018-10-25 | 黄礼范 | 一种声学材料结构及其与声辐射结构的组装方法 |
US20190277623A1 (en) * | 2016-12-06 | 2019-09-12 | Nippon Electric Glass Co., Ltd. | Belt-like glass film quality inspection method and glass roll |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110766095A (zh) * | 2019-11-01 | 2020-02-07 | 易思维(杭州)科技有限公司 | 基于图像灰度特征的缺陷检测方法 |
WO2020207108A1 (zh) * | 2019-04-08 | 2020-10-15 | 清华大学 | 图像处理方法、装置和系统,以及机器人 |
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
KR102296520B1 (ko) * | 2020-12-18 | 2021-09-01 | 주식회사 카비 | 단안 카메라를 이용한 경로추정에 의한 곡선차선 검출 방법 |
WO2021212913A1 (zh) * | 2020-04-22 | 2021-10-28 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN113989279A (zh) * | 2021-12-24 | 2022-01-28 | 武汉华康龙兴工贸有限公司 | 基于人工智能及图像处理的塑料薄膜质量检测方法 |
-
2022
- 2022-02-27 CN CN202210183032.4A patent/CN114742749B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143519A (zh) * | 2014-08-01 | 2014-11-12 | 上海华力微电子有限公司 | 一种产品通孔刻蚀缺陷的检测方法 |
WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN105092473A (zh) * | 2015-07-13 | 2015-11-25 | 武汉华星光电技术有限公司 | 一种多晶硅薄膜的质量检测方法和系统 |
US20190277623A1 (en) * | 2016-12-06 | 2019-09-12 | Nippon Electric Glass Co., Ltd. | Belt-like glass film quality inspection method and glass roll |
WO2018192484A1 (zh) * | 2017-04-18 | 2018-10-25 | 黄礼范 | 一种声学材料结构及其与声辐射结构的组装方法 |
WO2020207108A1 (zh) * | 2019-04-08 | 2020-10-15 | 清华大学 | 图像处理方法、装置和系统,以及机器人 |
CN110321844A (zh) * | 2019-07-04 | 2019-10-11 | 北京万里红科技股份有限公司 | 一种基于卷积神经网络的快速虹膜检测方法 |
CN110766095A (zh) * | 2019-11-01 | 2020-02-07 | 易思维(杭州)科技有限公司 | 基于图像灰度特征的缺陷检测方法 |
WO2021212913A1 (zh) * | 2020-04-22 | 2021-10-28 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
KR102296520B1 (ko) * | 2020-12-18 | 2021-09-01 | 주식회사 카비 | 단안 카메라를 이용한 경로추정에 의한 곡선차선 검출 방법 |
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN113989279A (zh) * | 2021-12-24 | 2022-01-28 | 武汉华康龙兴工贸有限公司 | 基于人工智能及图像处理的塑料薄膜质量检测方法 |
Non-Patent Citations (2)
Title |
---|
SHI YUAN WANG 等,: "PCB welding spot detection with image processing method based on automatic threshold image segmentation algorithm and mathematical morphology", 《 CIRCUIT WORLD》 * |
杨金华,: "镁合金表面功能梯度薄膜力学性能研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115684176A (zh) * | 2022-10-24 | 2023-02-03 | 浙江荣图智能科技有限公司 | 一种薄膜表面缺陷在线视觉检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114742749B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778586B (zh) | 离线手写签名鉴别方法及系统 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN111223133B (zh) | 一种异源图像的配准方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN107563377A (zh) | 一种利用边缘和文字区域的证件关键区域检测定位方法 | |
CN113077392B (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN107967477B (zh) | 一种改进的sift特征联合匹配方法 | |
CN109447036A (zh) | 一种图像数字分割与识别方法及系统 | |
CN114862855B (zh) | 基于模板匹配的纺织品缺陷检测方法及系统 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN116137036A (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN112767359A (zh) | 复杂背景下的钢板角点检测方法及系统 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN110009615A (zh) | 图像角点的检测方法及检测装置 | |
CN107463939B (zh) | 一种图像关键直线检测方法 | |
CN114742749A (zh) | 基于图像处理的pvc薄膜质量检测方法 | |
CN116188756A (zh) | 一种基于深度学习的仪表角度校正与示数识别方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
Pan et al. | An efficient method for skew correction of license plate | |
CN111311657A (zh) | 一种基于改进角点主方向分配的红外图像同源配准方法 |
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 |