CN114972356A - 塑料制品表面缺陷检测识别方法及系统 - Google Patents
塑料制品表面缺陷检测识别方法及系统 Download PDFInfo
- Publication number
- CN114972356A CN114972356A CN202210924227.XA CN202210924227A CN114972356A CN 114972356 A CN114972356 A CN 114972356A CN 202210924227 A CN202210924227 A CN 202210924227A CN 114972356 A CN114972356 A CN 114972356A
- Authority
- CN
- China
- Prior art keywords
- pixel
- gray
- value
- pixel point
- pixel points
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 239000000203 mixture Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000011179 visual inspection Methods 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/11—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
- G06T7/136—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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
Abstract
本发明涉及图像识别领域,具体涉及一种塑料制品表面缺陷检测识别方法及系统,通过阅读或识别印刷或书写字符或者识别图形来应用于人工智能系统或装备产业智能制造。采集待检测塑料制品灰度图像;利用分割算法对灰度图像中的像素点进行类别划分;以每个类别待分析边界点为中心,当该待分析边界点切线的垂线方向上所有像素点的灰度值方差大于阈值,将该待分析边界点作为真实边界像素点;当灰度值方差小于阈值时,获取最大通道梯度描述子对应的像素点作为真实边界像素点,获取所有真实边界像素点得到每个类别像素点区域,根据各个区域的灰度值均值识别缺陷区域。本发明可以对塑料制品表面的像素点类别进行判定,进而实现对缺陷区域的精确识别。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种塑料制品表面缺陷检测识别方法及系统。
背景技术
塑料制品是人们日常生活中的不可缺少的物品,随着生活水平的不断提高,人们对塑料制品质量的要求越来越高,而塑料制品表面的缺陷不仅对于质量有影响,而且对于塑料制品的美观性、时尚性都会有影响,尽管当代塑料制品机器设备生产的塑料制品缺陷概率已经降到最低,但是,生产过程中仍然不可能做到百分百的无缺陷,因此,对于塑料制品的缺陷检测是塑料制品工业生产中极其重要的环节。
目前,多采用人工目视对塑料制品表面缺陷进行检测,传统人工对塑料制品表面进行缺陷检测的方法具有检测结果不准确、工作量大且效率低等问题。
针对上述问题,本发明提出一种可以应用于生产领域的人工智能系统或装备产业智能制造的塑料制品表面缺陷检测方法及系统,通过图像采集设备获取塑料制品表面图像数据,进而对塑料制品表面图像数据进行像素点划分,实现对塑料制品表面缺陷状况的检测识别。
发明内容
本发明提供一种塑料制品表面缺陷检测识别方法及系统,以解决现有的问题,包括:采集待检测塑料制品灰度图像;获取每个像素点第一代价值;获取每个像素点第二代价值;构建像素点划分代价函数对灰像素点进行类别划分;以每个类别边界像素点建立窗口,当窗口内灰度值方差大于阈值,将该待分析边界点作为真实边界像素点;当窗口内灰度值方差小于阈值时,获取最大通道梯度描述子对应的像素点作为真实边界像素点,获取所有真实边界像素点得到每个类别像素点区域,根据各个区域的灰度值均值识别缺陷区域。
根据本发明提出的技术手段,通过结合图像像素点的特征信息对塑料制品表面的像素点进行类别划分,并对划分后的类别进行进一步判定,避免过分割或者欠分割等现象的同时提高了塑料制品表面图像像素点的划分精度,能够准确提取塑料制品表面的缺陷区域,检测速度快,精度高,因此能够应用于生产领域的人工智能系统或装备产业智能制造中。
本发明采用如下技术方案,一种塑料制品表面缺陷检测识别方法,包括:
采集待检测塑料制品灰度图像。
利用分割算法对所述灰度图像中的像素点进行类别划分,得到多个类别。
获取每个类别中的待分析边界点,以每个类别中的各个待分析边界点为中心,获取每个待分析边界点切线的垂线方向上的像素点,计算每个待分析边界点切线的垂线方向上所有像素点灰度值方差,当所述灰度值方差大于阈值时,将该待分析边界点作为对应类别的真实边界像素点。
当所述灰度值方差小于阈值时,根据该待分析边界点切线的垂线方向上每个像素点的通道值计算每个像素点的通道梯度描述子,将最大通道梯度描述子对应的像素点作为真实边界像素点,获取每个类别的所有真实边界像素点。
根据所有真实边界像素点得到每个类别的像素点区域,根据各个类别像素点区域的灰度值均值识别待检测塑料制品灰度图像中的缺陷区域。
进一步的,一种塑料制品表面缺陷检测识别方法,所述分割算法使用构建的损失函数,所述损失函数的构建方法为:
根据所述灰度图像中每个像素点的高斯函数值计算每个像素点的第一代价值;
根据所述灰度图像中两两像素点的灰度值以及对应两两像素点的距离计算每个像素点的第二代价值;
根据每个像素点的第一代价值和第二代价值构建分割算法的损失函数,所述分割算法的损失函数表达式为:
进一步的,一种塑料制品表面缺陷检测识别方法,对所述灰度图像中的像素点进行类别划分的方法为:
获取所述损失函数最小时对应的分割算法作为最优分割算法,利用最优分割算法对所述灰度图像中的像素点进行类别划分。
进一步的,一种塑料制品表面缺陷检测识别方法,计算每个像素点的第一代价值的方法为:
对所述待检测塑料制品灰度图像进行高斯混合模型拟合,得到高斯混合模型中的多个子高斯模型,将每个子高斯模型作为像素点的一个类别,根据每个像素点在各个子高斯模型中的函数值建立第一代价模型,根据第一代价模型计算每个像素点属于各个类别的第一代价值;
所述第一代价模型的表达式为:
进一步的,一种塑料制品表面缺陷检测识别方法,计算每个像素点的第二代价值的方法为:
计算两两像素点灰度值的方差,根据两两像素点的灰度值、灰度值方差以及两两像素点的距离建立第二代价函数,根据第二代价函数获取每个像素点的第二代价值;
所述第二代价函数的表达式为:
进一步的,一种塑料制品表面缺陷检测识别方法,获取每个像素点的通道梯度描述子的方法为:
进一步的,一种塑料制品表面缺陷检测识别方法,识别待检测塑料制品灰度图像中的缺陷区域的方法为:
获取标准塑料制品灰度图像,计算标准灰度图像中所有像素点的灰度值均值,根据待检测塑料制品灰度图像中各个类别像素点与标准灰度图像中所有像素点的灰度值均值差异,识别待检测塑料制品灰度图像中的缺陷区域。
进一步的,本发明还提出了一种塑料制品表面缺陷检测识别系统,包括:图像采集模块、像素点划分模块、真实边界像素点确定模块以及缺陷区域识别模块;
图像采集模块,用于采集待检测塑料制品灰度图像;
像素点划分模块,用于利用分割算法对图像采集模块中得到的待检测塑料制品灰度图像中的像素点进行类别划分,得到多个类别;
真实边界像素点确定模块,用于以像素点划分模块划分后得到每个类别中的各个待分析边界点为中心,获取每个待分析边界点切线的垂线方向上的像素点,计算每个待分析边界点切线的垂线方向上所有像素点灰度值方差,当所述灰度值方差大于阈值时,将该待分析边界点作为对应类别的真实边界像素点;
当所述灰度值方差小于阈值时,根据该待分析边界点切线的垂线方向上每个像素点的通道值计算每个像素点的通道梯度描述子,将最大通道梯度描述子对应的像素点作为真实边界像素点,获取每个类别的所有真实边界像素点;
缺陷区域识别模块,用于根据真实边界像素点确定模块中得到的所有真实边界像素点得到每个类别的像素点区域,根据各个类别像素点区域的灰度值均值识别待检测塑料制品灰度图像中的缺陷区域。
本发明的有益效果是:根据本发明提出的技术手段,通过结合图像像素点的特征信息对塑料制品表面的像素点进行类别划分,并对划分后的类别进行进一步判定,避免过分割或者欠分割等现象的同时提高了塑料制品表面图像像素点的划分精度,能够准确提取塑料制品表面的缺陷区域,检测速度快,精度高,因此能够应用于生产领域的人工智能系统或装备产业智能制造中。
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为本发明实施例的一种塑料制品表面缺陷检测识别方法结构示意图;
图2为本发明实施例的一种塑料制品表面缺陷检测识别系统流程示意图。
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。
如图1所示,给出了本发明实施例的一种塑料制品表面缺陷检测识别方法结构示意图,包括:
101.采集待检测塑料制品灰度图像。
本发明在待检测塑料制品正上方部署图像采集设备,摄像头的拍摄范围及角度根据实际情况自行调整,相机采集的待检测塑料制品的图像为RGB图像数据,为避免噪声影响导致噪声数据被误认为瑕疵等缺陷,本发明将对所采集的RGB图像数据通过中值滤波函数进行去噪处理,然后对其进行灰度化处理,得到对应的灰度图像。
102.获取所述灰度图像中每个像素点在高斯模型中的高斯函数值,根据每个像素点的高斯函数值建立第一代价模型,获取每个像素点的第一代价值。
对于灰度图像,本发明基于灰度图像的灰度信息对图像进行高斯混合模型的拟合,获取待检测塑料制品表面图像对应的高斯混合模型,然后本发明将高斯混合模型中子高斯模型的个数N作为塑料制品表面图像中像素点划分的类别数。
对于各高斯子模型,将像素点带入每个高斯子模型得到的各高斯函数值即为像素点归于与各类别的概率值,进一步建立第一代价模型,计算像素点被归类为各类别的第一代价值。
获取每个像素点的第一代价值的方法为:
对所述待检测塑料制品灰度图像进行高斯混合模型拟合,得到高斯混合模型中的多个子高斯模型,将每个子高斯模型作为像素点的一个类别,根据每个像素点在各个子高斯模型中的函数值建立第一代价模型,根据第一代价模型计算每个像素点属于各个类别的第一代价值;
所述第一代价模型的表达式为:
其中,表示第i个像素点属于类别c的第一代价值,表示第i个像素点在第c个子高斯模型中的函数值,N为整数,表示子高斯模型的个数,第一代价值越小,则认为像素点属于对应类别的可能性越高,根据本发明所述方法可获取各像素点归属于各类别的代价值,用于对像素点的最优划分进行判定。
103.根据所述灰度图像中两两像素点的灰度值以及对应两两像素点的距离建立第二代价模型,获取每个像素点的第二代价值。
考虑到同一类型的像素点多出现聚集现象,本发明将基于图像中各像素点的空间信息对各像素点的相关性进行分析,基于像素点的空间信息本发明将建立第二代价模型,用于对局部邻域像素点的类别划分进行判定,以保证将局部邻域像素点划尽可能分为同一类别。
获取每个像素点的第二代价值的方法为:
计算两两像素点灰度值的方差,根据两两像素点的灰度值、灰度值方差以及两两像素点的距离建立第二代价函数,根据第二代价函数获取每个像素点的第二代价值;
所述第二代价函数的表达式为:
第二代价值越大,表示像素点i与像素点j之间的特征相似度越高,则认为将像素点i与像素点j越可能为同一类别,将其分别划分为不同类别的代价就会越高。
104. 根据每个像素点的第一代价值和第二代价值构建分割算法的损失函数,利用分割算法对所述灰度图像中的像素点进行类别划分,得到多个类别。
根据每个像素点的第一代价值和第二代价值构建分割算法的损失函数,所述分割算法的损失函数表达式为:
对所述灰度图像中的像素点进行类别划分的方法为:
获取所述损失函数最小时对应的分割算法作为最优分割算法,利用最优分割算法对所述灰度图像中的像素点进行类别划分。
通过本发明所构建的像素点划分代价函数对塑料制品表面图像中各像素点的类别划分过程进行监督,对像素点的类别划分算法可以为遗传算法、随机梯度下降法或模拟退火算法等,进而获取满足损失函数最小时的像素点划分结果,从而实现对各个类别的像素点集合进行划分
105. 以每个类别中的各个待分析边界点为中心,获取每个待分析边界点切线的垂线方向上的像素点,计算每个待分析边界点切线的垂线方向上所有像素点灰度值方差,当所述灰度值方差大于阈值时,将该待分析边界点作为对应类别的真实边界像素点。
本发明考虑到对像素点进行类别划分时,没有考虑到图像本身边缘轮廓的特征信息,因此,对于图像的边缘区域易存在过分割以及欠分割的现象,为避免误分问题,提高像素点的划分精度,本发明将对划分之后各类别边界处的像素点进行进一步的判定。
本发明将以该待分析边界点的切线垂直的线上选取,以待分析边界点为中心,两边各选取N个,一共2N+1个点作为像素集合,需保证两个相邻待分析边界点的像素集合内的像素点不重合。
对于所选区域内的像素点,本发明基于像素集合分析集合内的像素点的分布状,基于像素集合内各像素点的灰度值计算灰度方差,并对其进行归一化处理,保证所获取的各像素集合的灰度方差值处于[0,1],方差越大则认为该像素集合内的灰度变化越剧烈,存在边缘像素点的可能性越高。
因此,本发明对方差设置阈值,(可自行设定,本发明设置为0.8),当像素集合内的方差高于阈值时,将认为该待分析边界点为真实边界像素点,划分结果准确;否则,将认为像素集合内的灰度变化平缓,该待分析边界点为真实边界像素点的置信度较低。
106. 当所述灰度值方差小于阈值时,根据该待分析边界点切线的垂线方向上每个像素点的通道值计算每个像素点的通道梯度描述子,将最大通道梯度描述子对应的像素点作为真实边界像素点,获取每个类别的所有真实边界像素点。
获取每个像素点的通道梯度描述子的方法为:
107.根据所有真实边界像素点得到每个类别的像素点区域,根据各个类别像素点区域的灰度值均值识别待检测塑料制品灰度图像中的缺陷区域。
对于所获取的各类别,本发明通过选取一张表面正常无缺陷的塑料制品表面图像,将其作为基准图像,获取基准图像的灰度均值,将各类别的灰度均值与基准图像灰度均值差异最小对应的类别作为塑料制品表面正常类别,将其他对应各类别为不同的缺陷类别,实现对不同缺陷区域的检测识别。
识别待检测塑料制品灰度图像中的缺陷区域的方法为:
获取标准塑料制品灰度图像,计算标准灰度图像中所有像素点的灰度值均值,根据待检测塑料制品灰度图像中各个类别像素点与标准灰度图像中所有像素点的灰度值均值差异,识别待检测塑料制品灰度图像中的缺陷区域。
如图2所示,给出了本发明实施例的一种塑料制品表面缺陷检测识别系统流程示意图,包括:图像采集模块、第一代价值计算模块、第二代价值计算模块、像素点划分模块、真实边界像素点确定模块以及缺陷区域识别模块;
图像采集模块,用于采集待检测塑料制品灰度图像;
第一代价值计算模块,用于获取图像采集模块中得到的待检测塑料制品灰度图像中每个像素点在高斯模型中的高斯函数值,根据每个像素点的高斯函数值建立第一代价模型,获取每个像素点的第一代价值;
第二代价值计算模块,用于根据图像采集模块中得到的待检测塑料制品灰度图像中两两像素点的灰度值以及对应两两像素点的距离建立第二代价模型,获取每个像素点的第二代价值;
像素点划分模块,用于根据第一代价值计算模块和第二代价值计算模块中得到的每个像素点的第一代价值和第二代价值构建像素点划分代价函数,根据像素点划分代价函数对所述灰度图像中的像素点进行类别划分,得到多个类别;
真实边界像素点确定模块,用于以像素点划分模块划分后得到的每个类别中各个待分析边界点为中心建立窗口,计算窗口内所有像素点的灰度值方差,当窗口内所有像素点的灰度值方差大于阈值时,将该窗口中的边界像素点作为对应类别的真实边界像素点;
当窗口内所有像素点的灰度值方差小于阈值时,根据该窗口内每个像素点的通道值获取每个像素点的通道梯度描述子,获取最大通道梯度描述子对应的像素点作为真实边界像素点,获取每个类别的所有真实边界像素点;
缺陷区域识别模块,用于根据真实边界像素点确定模块中得到的所有真实边界像素点得到每个类别的像素点区域,根据各个类别像素点区域的灰度值均值识别待检测塑料制品灰度图像中的缺陷区域。
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 (8)
1.一种塑料制品表面缺陷检测识别方法,其特征在于,包括:
采集待检测塑料制品灰度图像;
利用分割算法对所述灰度图像中的像素点进行类别划分,得到多个类别;
获取每个类别中的待分析边界点,以每个类别中的各个待分析边界点为中心,获取每个待分析边界点切线的垂线方向上的像素点,计算每个待分析边界点切线的垂线方向上所有像素点的灰度值方差,当所述灰度值方差大于阈值时,将该待分析边界点作为对应类别的真实边界像素点;
当所述灰度值方差小于阈值时,根据该待分析边界点切线的垂线方向上每个像素点的通道值计算每个像素点的通道梯度描述子,将最大通道梯度描述子对应的像素点作为真实边界像素点,获取每个类别的所有真实边界像素点;
根据所有真实边界像素点得到每个类别的像素点区域,根据各个类别像素点区域的灰度值均值识别待检测塑料制品灰度图像中的缺陷区域。
3.根据权利要求2所述的一种塑料制品表面缺陷检测识别方法,其特征在于,对所述灰度图像中的像素点进行类别划分的方法为:
获取所述损失函数最小时对应的分割算法作为最优分割算法,利用最优分割算法对所述灰度图像中的像素点进行类别划分。
7.根据权利要求1所述的一种塑料制品表面缺陷检测识别方法,其特征在于,识别待检测塑料制品灰度图像中的缺陷区域的方法为:
获取标准塑料制品灰度图像,计算标准灰度图像中所有像素点的灰度值均值,根据待检测塑料制品灰度图像中各个类别像素点与标准灰度图像中所有像素点的灰度值均值差异,识别待检测塑料制品灰度图像中的缺陷区域。
8.一种塑料制品表面缺陷检测识别系统,其特征在于,包括:图像采集模块、像素点划分模块、真实边界像素点确定模块以及缺陷区域识别模块;
图像采集模块,用于采集待检测塑料制品灰度图像;
像素点划分模块,用于利用分割算法对图像采集模块中得到的待检测塑料制品灰度图像中的像素点进行类别划分,得到多个类别;
真实边界像素点确定模块,用于以像素点划分模块划分后得到每个类别中的各个待分析边界点为中心,获取每个待分析边界点切线的垂线方向上的像素点,计算每个待分析边界点切线的垂线方向上所有像素点灰度值方差,当所述灰度值方差大于阈值时,将该待分析边界点作为对应类别的真实边界像素点;
当所述灰度值方差小于阈值时,根据该待分析边界点切线的垂线方向上每个像素点的通道值计算每个像素点的通道梯度描述子,将最大通道梯度描述子对应的像素点作为真实边界像素点,获取每个类别的所有真实边界像素点;
缺陷区域识别模块,用于根据真实边界像素点确定模块中得到的所有真实边界像素点得到每个类别的像素点区域,根据各个类别像素点区域的灰度值均值识别待检测塑料制品灰度图像中的缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924227.XA CN114972356B (zh) | 2022-08-03 | 2022-08-03 | 塑料制品表面缺陷检测识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924227.XA CN114972356B (zh) | 2022-08-03 | 2022-08-03 | 塑料制品表面缺陷检测识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972356A true CN114972356A (zh) | 2022-08-30 |
CN114972356B CN114972356B (zh) | 2023-08-25 |
Family
ID=82969517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924227.XA Active CN114972356B (zh) | 2022-08-03 | 2022-08-03 | 塑料制品表面缺陷检测识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972356B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272316A (zh) * | 2022-09-27 | 2022-11-01 | 山东华太新能源电池有限公司 | 基于计算机视觉的电池盖焊接质量智能检测方法 |
CN115294410A (zh) * | 2022-10-08 | 2022-11-04 | 加乐新材料(南通)有限公司 | 一种基于图形识别的塑料制品成型控制方法 |
CN115294101A (zh) * | 2022-09-26 | 2022-11-04 | 南通博亿峰都新材料科技有限公司 | 一种塑料制品外观质量检测方法 |
CN116087208A (zh) * | 2023-01-20 | 2023-05-09 | 广东省中山市质量计量监督检测所 | 一种基于图像识别的塑料制品检测系统 |
CN117152444A (zh) * | 2023-10-30 | 2023-12-01 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091365A (zh) * | 2014-07-12 | 2014-10-08 | 大连理工大学 | 面向序列化髋关节ct图像的髋臼组织模型重建方法 |
EP3556576A1 (en) * | 2018-04-18 | 2019-10-23 | Bridgestone Europe NV/SA | Process and system for the detection of defects in a tyre |
CN112241699A (zh) * | 2020-10-13 | 2021-01-19 | 无锡先导智能装备股份有限公司 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
CN113344903A (zh) * | 2021-06-25 | 2021-09-03 | 江南大学 | 一种基于变分自编码器的玻璃瑕疵检测方法 |
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
- 2022-08-03 CN CN202210924227.XA patent/CN114972356B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091365A (zh) * | 2014-07-12 | 2014-10-08 | 大连理工大学 | 面向序列化髋关节ct图像的髋臼组织模型重建方法 |
EP3556576A1 (en) * | 2018-04-18 | 2019-10-23 | Bridgestone Europe NV/SA | Process and system for the detection of defects in a tyre |
CN112241699A (zh) * | 2020-10-13 | 2021-01-19 | 无锡先导智能装备股份有限公司 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
CN113344903A (zh) * | 2021-06-25 | 2021-09-03 | 江南大学 | 一种基于变分自编码器的玻璃瑕疵检测方法 |
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 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294101A (zh) * | 2022-09-26 | 2022-11-04 | 南通博亿峰都新材料科技有限公司 | 一种塑料制品外观质量检测方法 |
CN115272316A (zh) * | 2022-09-27 | 2022-11-01 | 山东华太新能源电池有限公司 | 基于计算机视觉的电池盖焊接质量智能检测方法 |
CN115272316B (zh) * | 2022-09-27 | 2023-01-03 | 山东华太新能源电池有限公司 | 基于计算机视觉的电池盖焊接质量智能检测方法 |
CN115294410A (zh) * | 2022-10-08 | 2022-11-04 | 加乐新材料(南通)有限公司 | 一种基于图形识别的塑料制品成型控制方法 |
CN115294410B (zh) * | 2022-10-08 | 2023-10-17 | 加乐新材料(南通)有限公司 | 一种基于图形识别的塑料制品成型控制方法 |
CN116087208A (zh) * | 2023-01-20 | 2023-05-09 | 广东省中山市质量计量监督检测所 | 一种基于图像识别的塑料制品检测系统 |
CN116087208B (zh) * | 2023-01-20 | 2023-09-29 | 广东省中山市质量计量监督检测所 | 一种基于图像识别的塑料制品检测系统 |
CN117152444A (zh) * | 2023-10-30 | 2023-12-01 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及系统 |
CN117152444B (zh) * | 2023-10-30 | 2024-01-26 | 山东泰普锂业科技有限公司 | 一种面向锂电行业的设备数据采集方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114972356B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116611748B (zh) | 一种钛合金家具生产质量监控系统 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及系统 | |
CN108734131B (zh) | 一种图像中的交通标志对称性检测方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN112508857B (zh) | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 | |
CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN111612747A (zh) | 产品表面裂缝快速检测方法及检测系统 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
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 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 |
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 |