CN114994060A - 一种机器视觉下的磁环外观缺陷智能检测系统及方法 - Google Patents
一种机器视觉下的磁环外观缺陷智能检测系统及方法 Download PDFInfo
- Publication number
- CN114994060A CN114994060A CN202210828684.9A CN202210828684A CN114994060A CN 114994060 A CN114994060 A CN 114994060A CN 202210828684 A CN202210828684 A CN 202210828684A CN 114994060 A CN114994060 A CN 114994060A
- Authority
- CN
- China
- Prior art keywords
- magnetic ring
- image
- value
- tested
- unfilled corner
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机器视觉下的磁环外观缺陷智能检测系统及方法，缺角综合影响值获取模块，所述缺角综合影响值获取模块对灰度处理后的第一图像及第二图像进行缺角识别，并根据每个缺角对应的深度及面积计算相应缺角对应的缺角影响值，对各个缺角影响值进行累加，得到待测磁环的缺角综合影响值。本发明涉及外观检测技术领域，通过摄像头获取磁环的外观画面，并从磁环的形变、缺角及光滑程度这三方面对磁环进行分析，判断磁环的外观缺陷程度，进而实现对磁环外观缺陷的判断；该方式可实现智能化控制，无需人工肉眼对磁环外观缺陷进行检测，不仅节省人力资源，且对磁环外观缺陷的检测精度更高。
Description
技术领域
本发明涉及外观检测技术领域，具体为一种机器视觉下的磁环外观缺陷智能检测系统及方法。
背景技术
随着电子信息技术的快速发展，磁环作为电子电路中常用的抗干扰原件，人们对磁环的应用越来越广泛，对人们的生产和生活起着不可忽视的作用，但是磁环的外观缺陷对其性能存在一定的影响，进而人们在磁环生产时，会对磁环的外观缺陷进行检测。
当前的磁环外观缺陷检测通常是采用人工抽检的方式，即先人工采样，然后通过肉眼或显微镜检测样品磁环的外环是否存在缺陷，该方式不仅浪费人力资源，且检测精度较差，只能检测生产的部分磁环，无法对所有磁环产品进行检测，进而存在较大的缺陷。
发明内容
本发明的目的在于提供一种机器视觉下的磁环外观缺陷智能检测系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种机器视觉下的磁环外观缺陷智能检测方法，所述方法包括以下步骤：
S1、通过机械固件对待测磁环进行固定，固定后的待测磁环的最大圆形截面与水平面平行；
S2、通过第一摄像头对待测磁环的上表面进行图像采集，得到第一图像，通过第二摄像头对待测磁环的下表面进行图像采集，得到第二图像，并对第一图像及第二图像进行灰度处理，
所述第一摄像头指向及第二摄像头指向均与固定后的待测磁环的最大圆形截面垂直，且第一摄像头指向与第二摄像头指向的连线过第一参照点，所述第一参照点为机械固件与待测磁环接触的三个点所构成的三角形的中心点，并以第一参照点为原点构建待测磁环的平面模型；
S3、提取数据库中与待测磁环规格相同的磁环对应的最大圆形截面，记为第一参考截面，将第一参考截面中内环轮廓对应的圆心记为第二参照点，将第一参照点与第二参照点重合，计算待测磁环的最大圆形截面相对于第一参照截面的形变系数，记为第一形变系数XB；
S4、对灰度处理后的第一图像及第二图像进行缺角识别，并根据每个缺角对应的深度及面积计算相应缺角对应的缺角影响值，对各个缺角影响值进行累加，得到待测磁环的缺角综合影响值Q；
S5、对灰度处理后且除识别的缺角区域之外的第一图像及第二图像进行光滑度检测，识别毛刺及磁渣对应的区域，并对识别的毛刺及磁渣区域进行分析，得到待测磁环的光滑度影响值GH；
S6、对待测磁环对应的第一形变系数、缺角综合影响值及光滑度影响值进行归一化处理，得到待测磁环的归一化值，并将待测磁环的归一化值与第一阈值进行比较，所述第一阈值为数据库中预制的常数，
当待测磁环的归一化值大于等于第一阈值时，则判定待测磁环外观异常，
当待测磁环的归一化值小于第一阈值时，则判定待测磁环外观正常。
进一步的，所述S1中机械固件对待测磁环进行固定时，机械固件的三个收缩角分别与磁环外圈接触，每个角与磁环外圈对应一个接触点，
所述机械固件包括一个圆环主体及三个收缩角，所述圆环主体与收缩角固定连接，圆环主体上三个收缩角呈等边三角形分布，所述收缩角能够收缩，且收缩角与第一传感器相连，第一传感器实时获取收缩角对应的形变值，
在计算第一参照点的过程中，以圆环主体为参照物，根据第一传感器中三个收缩角对应的形变值，得到机械固件与待测磁环接触的三个点相对于圆环主体的位置，进而求取机械固件与待测磁环接触的三个点所围三角形的中心点，得到第一参照点。
本发明机械固件在对待测磁环进行固定时，设置三个收缩角，是为了在确保对待测磁环固定牢固的情况下尽可能的减少机械固件与待测磁环的接触点，避免对待测磁环的外观检测造成影响；获取第一参照点为后续过程中计算待测磁环的第一形变系数提供了数据参照。
进一步的，所述S2中以第一参照点为原点构建待测磁环的平面模型时，以第一参照点原点，以过原点且与水平面垂直的直线中从下至上的方向为y轴正方向，以过原点且在固定后的待测磁环的最大圆形截面中垂直于y轴的直线中从左至右的方向为x轴正方向，构建平面直角坐标系，
所述第一摄像头、第二摄像头分别与第一参照点的距离相同，
将第一图像的中心点与平面直角坐标系原点重合，将过第一图像中心点的长边所在直线与x轴重合，将过第一图像中心点的短边所在直线与y轴重合，在平面直角坐标系中标注出第一图像中待测磁环对应的各个像素点对应的坐标，得到待测磁环的第一平面模型，区分第一图像中待测磁环对应的像素点是通过将灰度处理后的第一图像中各个像素点对应的灰度值与第一预设值进行比较获取的，所述第一预设值为数据库中预制的常数，
当像素点对应的灰度值大于等于第一预设值时，则判定像素点为待测磁环对应的相应像素点，所述待测磁环对应的像素点包括多个，
当像素点对应的灰度值小于第一预设值时，则判定像素点为待测磁环对应的相应像素点；
通过第二图像得到待测磁环的第二平面模型，得到待测磁环的第二平面模型的方法与得到待测磁环的第一平面模型的方法相同，
获取待测磁环的第三平面模型，所述待测磁环的第三平面模型为待测磁环的第二平面模型关于y轴对称后的结果。
本发明获取待测磁环的第三平面模型时，设置所述待测磁环的第三平面模型为待测磁环的第二平面模型关于y轴对称后的结果，是考虑到第一图像与第二图像对应的摄像头方向相反，进而同一形状的磁环在第一图像与第二图像中的形状是关于y轴对称的，进而获取第三平面模型是为了与第一平面模型在磁环形状上进行统一，为后续计算待测磁环的第一形变系数提供了数据参照。
进一步的，所述S3中得到第一形变系数的方法包括以下步骤：
S3.1、获取待测磁环的第一平面模型及第三平面模型；
S3.2、获取第一参照界面及第二参照点；
S3.3、将第一参照点与第二参照点重合时，对第一平面模型中未与第一参照界面重合的像素点对应的坐标进行第一标记，将第一标记的坐标点进行汇总，得到第一标记集合；
S3.4、将第一参照点与第二参照点重合时，对第三平面模型中未与第一参照界面重合的像素点对应的坐标进行第二标记，将第二标记的坐标点进行汇总，得到第二标记集合；
S3.5、计算第一标记集合与第二标记集合的并集，得到第三标记集合；
S3.6、得到第一形变系数XB，XB的值等于第三标记集合中的元素个数与第一参照界面中像素点总个数的比值。
本发明获取第一标记集合是为了统计第一平面模型与第一参照界面之间的差异像素点，第一标记集合中的元素个数越多，则说明两者之间的差异越大；获取第二标记集合是为了统计第二平面模型与第一参照界面之间的差异像素点；获取第三标记集合，是为了统计待测磁环与第一参照界面之间的总体差异情况。
进一步的，所述S4中得到待测磁环的缺角综合影响值的方法包括以下步骤：
S4.1、计算第一图像中各个像素点对应灰度值的平均值，记为第一标准灰度值，并分别计算第一图像中各个像素点的灰度值与第一标准灰度值差值的绝对值；
S4.2、筛选第一图像中与第一标准灰度值差值的绝对值大于等于第二阈值的像素点，所述第二阈值为数据库中预制的常数，得到第一筛选结果，第一筛选结果中每个像素点保存到一个空白集合中；
S4.3、判断第一筛选结果中任意两个集合对应的元素在第一图像中是否相邻，
当两个集合对应的元素在第一图像中存在相邻情况时，则将两个集合的并集作为新的集合，并替换原有的两个集合；
当两个集合对应的元素在第一图像中不存在相邻情况时，则不对这两个集合进行处理；
S4.4、判断S4.3中获取的每个集合对应的元素在第一平面模型中的位置，提取每个集合各元素位置所在区域对应的轮廓，获取每个轮廓对应的长与宽的比值，所述长为轮廓中任意两点连线对应距离的最大值，所述宽为轮廓中对应连线与长垂直的两点之间距离的最大值，将轮廓对应的长与宽的比值与第三阈值进行比较，所述第三阈值为数据库中预制的常数，
当轮廓对应的长与宽的比值大于等于第三阈值时，则判定相应轮廓对应的集合对应的是待测磁环中的划痕，
当轮廓对应的长与宽的比值小于第三阈值时，则判定相应轮廓对应的集合对应的是待测磁环中的缺角，
删除S4.3中获取的集合中划痕对应的集合，剩余集合为缺角集合；
S4.5、识别缺角信息，S4.4中缺角集合个数为第一图像中存在的缺角个数，每个缺角集合对应的一个缺角，计算第一图像中第k个缺角对应的缺角影响值
，
其中，
表示第一图像中第k个缺角对应集合内的元素总个数，
表示第k个缺角对应集合内的第i个元素的值；
S4.6、按S4.1至S4.5所述步骤识别第二图像中的缺角信息，并计算第二图像中每个缺角对应的缺角影响值；
S4.7、得到待测磁环的缺角综合影响值Q，所述Q等于第一图像及第二图像分别对应的各个缺角影响值的累加和。
本发明获取第一筛选结果，是为了得到第一图像中的异常像素点（划痕、缺角对应的像素点）；判断第一筛选结果中任意两个集合对应的元素在第一图像中是否相邻，是为了对像素点所属类别进行划分，判断不同缺口或划痕对应的像素点区域；获取轮廓对应的长与宽的比值，是考虑到磁环中的划痕是以长条形出现的，而缺角则是以不规则的形状呈现的且通常缺角形状对应的长与宽的比值较小，通过该方式，能够有效区分待测磁环中的划痕与缺角对应的区域。
进一步的，所述S5得到待测磁环的光滑度影响值的方法包括以下步骤：
S5.1、获取第一图像中待测磁环的内环轮廓及外环轮廓，所述待测磁环的轮廓是通过第一图像中相邻像素点对应灰度值之间的差值进行获取的，在相邻像素点对应灰度值的差值大于等于第四阈值时，则将相应像素点中灰度值大的像素点记为待测磁环轮廓上的一个点，所述第四阈值为数据库中预制的常数，所述第一图像中待测磁环对应的区域与图像背景区域对应的灰度值存在较大差异；
S5.2、获取第一参照点，并设置一个半径为r的圆，记为标准圆，
；
S5.3、将标准圆的圆心与第一参照点进行重合，调整标准圆半径r的值，计算半径为r时，标准圆与第一图像中待测磁环的外环轮廓的重合率，所述重合率等于标准圆与待测磁环的外环轮廓重合线段的长度与相应标准圆周长的比值，标准圆与第一图像中待测磁环的外环轮廓未重合且围成的区域为毛刺及磁渣对应的区域，
将标准圆与第一图像中待测磁环的外环轮廓的最大重合率记为CH1，
将标准圆与第一图像中待测磁环的内环轮廓的最大重合率记为CH2；
S5.4、按S5.1至S5.3中所述步骤将标准圆与第二图像中待测磁环进行比较，将标准圆与第二图像中待测磁环的外环轮廓的最大重合率记为
，
将标准圆与第二图像中待测磁环的内环轮廓的最大重合率记为
；
S5.5、得到待测磁环的光滑度影响值
，
其中，
表示CH1与Ch1中的最大值，
表示CH2与Ch2中的最大值。
进一步的，所述S6中得到待测磁环的归一化值的方法包括以下步骤：
S6.1、获取待测磁环对应的第一形变系数XB、缺角综合影响值Q及光滑度影响值GH；
S6.2、得到待测磁环的归一化值M，
其中，
表示第一归一化系数，
表示第二归一化系数，
表示第三归一化系数，
待测磁环的第一形变系数承受阈值为XBd，待测磁环的缺角综合影响值承受阈值为Qd，待测磁环的光滑度影响值承受阈值为GHd，所述XBd、Qd及GHd均为数据库中预制的常数，
所述第一归一化系数
为
，
所述第二归一化系数
为
；
所述第三归一化系数
为
。
本发明获取待测磁环的归一化值时，考虑到不同因素对磁环的相对影响情况，设置归一化，即为了统一各个因素对待测磁环的影响标准。
一种机器视觉下的磁环外观缺陷智能检测系统，所述系统包括以下模块：
参照点获取模块，所述参照点获取模块通过机械固件对待测磁环进行固定，固定后的待测磁环的最大圆形截面与水平面平行，得到第一参照点；
平面模型构建模块，所述平面模型构建模块通过第一摄像头对待测磁环的上表面进行图像采集，得到第一图像，通过第二摄像头对待测磁环的下表面进行图像采集，得到第二图像，并对第一图像及第二图像进行灰度处理，并以第一参照点为原点构建待测磁环的平面模型；
形变系数获取模块，所述形变系数获取模块提取数据库中与待测磁环规格相同的磁环对应的最大圆形截面，记为第一参考截面，将第一参考截面中内环轮廓对应的圆心记为第二参照点，将第一参照点与第二参照点重合，计算待测磁环的最大圆形截面相对于第一参照截面的形变系数，记为第一形变系数；
缺角综合影响值获取模块，所述缺角综合影响值获取模块对灰度处理后的第一图像及第二图像进行缺角识别，并根据每个缺角对应的深度及面积计算相应缺角对应的缺角影响值，对各个缺角影响值进行累加，得到待测磁环的缺角综合影响值；
光滑度影响值获取模块，所述光滑度影响值获取模块对灰度处理后且除识别的缺角区域之外的第一图像及第二图像进行光滑度检测，识别毛刺及磁渣对应的区域，并对识别的毛刺及磁渣区域进行分析，得到待测磁环的光滑度影响值；
归一化处理模块，所述归一化处理模块对待测磁环对应的第一形变系数、缺角综合影响值及光滑度影响值进行归一化处理，得到待测磁环的归一化值。
进一步的，所述归一化处理模块将待测磁环的归一化值与第一阈值进行比较，所述第一阈值为数据库中预制的常数，
当待测磁环的归一化值大于等于第一阈值时，则判定待测磁环外观异常，
当待测磁环的归一化值小于第一阈值时，则判定待测磁环外观正常。
与现有技术相比，本发明所达到的有益效果是：本发明通过摄像头获取磁环的外观画面，并从磁环的形变、缺角及光滑程度这三方面对磁环进行分析，判断磁环的外观缺陷程度，进而实现对磁环外观缺陷的判断；该方式可实现智能化控制，无需人工肉眼对磁环外观缺陷进行检测，不仅节省人力资源，且对磁环外观缺陷的检测精度更高。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种机器视觉下的磁环外观缺陷智能检测方法中机械固件的结构示意图；
图2是本发明一种机器视觉下的磁环外观缺陷智能检测系统的结构示意图；
图3是本发明一种机器视觉下的磁环外观缺陷智能检测方法的流程示意图。
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。
请参阅图1-图3，本发明提供技术方案：
本发明的工作原理：一种机器视觉下的磁环外观缺陷智能检测方法，所述方法包括以下步骤：
S1、通过机械固件对待测磁环进行固定，固定后的待测磁环的最大圆形截面与水平面平行；
S2、通过第一摄像头对待测磁环的上表面进行图像采集，得到第一图像，通过第二摄像头对待测磁环的下表面进行图像采集，得到第二图像，并对第一图像及第二图像进行灰度处理，
所述第一摄像头指向及第二摄像头指向均与固定后的待测磁环的最大圆形截面垂直，且第一摄像头指向与第二摄像头指向的连线过第一参照点，所述第一参照点为机械固件与待测磁环接触的三个点所构成的三角形的中心点，并以第一参照点为原点构建待测磁环的平面模型；
S3、提取数据库中与待测磁环规格相同的磁环对应的最大圆形截面，记为第一参考截面，将第一参考截面中内环轮廓对应的圆心记为第二参照点，将第一参照点与第二参照点重合，计算待测磁环的最大圆形截面相对于第一参照截面的形变系数，记为第一形变系数XB；
S4、对灰度处理后的第一图像及第二图像进行缺角识别，并根据每个缺角对应的深度及面积计算相应缺角对应的缺角影响值，对各个缺角影响值进行累加，得到待测磁环的缺角综合影响值Q；
S5、对灰度处理后且除识别的缺角区域之外的第一图像及第二图像进行光滑度检测，识别毛刺及磁渣对应的区域，并对识别的毛刺及磁渣区域进行分析，得到待测磁环的光滑度影响值GH；
S6、对待测磁环对应的第一形变系数、缺角综合影响值及光滑度影响值进行归一化处理，得到待测磁环的归一化值，并将待测磁环的归一化值与第一阈值进行比较，所述第一阈值为数据库中预制的常数，
当待测磁环的归一化值大于等于第一阈值时，则判定待测磁环外观异常，
当待测磁环的归一化值小于第一阈值时，则判定待测磁环外观正常。
所述S1中机械固件对待测磁环进行固定时，机械固件的三个收缩角分别与磁环外圈接触，每个角与磁环外圈对应一个接触点，
所述机械固件包括一个圆环主体及三个收缩角，所述圆环主体与收缩角固定连接，圆环主体上三个收缩角呈等边三角形分布，所述收缩角能够收缩，且收缩角与第一传感器相连，第一传感器实时获取收缩角对应的形变值，
在计算第一参照点的过程中，以圆环主体为参照物，根据第一传感器中三个收缩角对应的形变值，得到机械固件与待测磁环接触的三个点相对于圆环主体的位置，进而求取机械固件与待测磁环接触的三个点所围三角形的中心点，得到第一参照点。
所述S2中以第一参照点为原点构建待测磁环的平面模型时，以第一参照点原点，以过原点且与水平面垂直的直线中从下至上的方向为y轴正方向，以过原点且在固定后的待测磁环的最大圆形截面中垂直于y轴的直线中从左至右的方向为x轴正方向，构建平面直角坐标系，
所述第一摄像头、第二摄像头分别与第一参照点的距离相同，
将第一图像的中心点与平面直角坐标系原点重合，将过第一图像中心点的长边所在直线与x轴重合，将过第一图像中心点的短边所在直线与y轴重合，在平面直角坐标系中标注出第一图像中待测磁环对应的各个像素点对应的坐标，得到待测磁环的第一平面模型，区分第一图像中待测磁环对应的像素点是通过将灰度处理后的第一图像中各个像素点对应的灰度值与第一预设值进行比较获取的，所述第一预设值为数据库中预制的常数，
当像素点对应的灰度值大于等于第一预设值时，则判定像素点为待测磁环对应的相应像素点，所述待测磁环对应的像素点包括多个，
当像素点对应的灰度值小于第一预设值时，则判定像素点为待测磁环对应的相应像素点；
通过第二图像得到待测磁环的第二平面模型，得到待测磁环的第二平面模型的方法与得到待测磁环的第一平面模型的方法相同，
获取待测磁环的第三平面模型，所述待测磁环的第三平面模型为待测磁环的第二平面模型关于y轴对称后的结果。
所述S3中得到第一形变系数的方法包括以下步骤：
S3.1、获取待测磁环的第一平面模型及第三平面模型；
S3.2、获取第一参照界面及第二参照点；
S3.3、将第一参照点与第二参照点重合时，对第一平面模型中未与第一参照界面重合的像素点对应的坐标进行第一标记，将第一标记的坐标点进行汇总，得到第一标记集合；
S3.4、将第一参照点与第二参照点重合时，对第三平面模型中未与第一参照界面重合的像素点对应的坐标进行第二标记，将第二标记的坐标点进行汇总，得到第二标记集合；
S3.5、计算第一标记集合与第二标记集合的并集，得到第三标记集合；
S3.6、得到第一形变系数XB，XB的值等于第三标记集合中的元素个数与第一参照界面中像素点总个数的比值。
所述S4中得到待测磁环的缺角综合影响值的方法包括以下步骤：
S4.1、计算第一图像中各个像素点对应灰度值的平均值，记为第一标准灰度值，并分别计算第一图像中各个像素点的灰度值与第一标准灰度值差值的绝对值；
S4.2、筛选第一图像中与第一标准灰度值差值的绝对值大于等于第二阈值的像素点，所述第二阈值为数据库中预制的常数，得到第一筛选结果，第一筛选结果中每个像素点保存到一个空白集合中；
S4.3、判断第一筛选结果中任意两个集合对应的元素在第一图像中是否相邻，
当两个集合对应的元素在第一图像中存在相邻情况时，则将两个集合的并集作为新的集合，并替换原有的两个集合；
当两个集合对应的元素在第一图像中不存在相邻情况时，则不对这两个集合进行处理；
S4.4、判断S4.3中获取的每个集合对应的元素在第一平面模型中的位置，提取每个集合各元素位置所在区域对应的轮廓，获取每个轮廓对应的长与宽的比值，所述长为轮廓中任意两点连线对应距离的最大值，所述宽为轮廓中对应连线与长垂直的两点之间距离的最大值，将轮廓对应的长与宽的比值与第三阈值进行比较，所述第三阈值为数据库中预制的常数，
当轮廓对应的长与宽的比值大于等于第三阈值时，则判定相应轮廓对应的集合对应的是待测磁环中的划痕，
当轮廓对应的长与宽的比值小于第三阈值时，则判定相应轮廓对应的集合对应的是待测磁环中的缺角，
删除S4.3中获取的集合中划痕对应的集合，剩余集合为缺角集合；
S4.5、识别缺角信息，S4.4中缺角集合个数为第一图像中存在的缺角个数，每个缺角集合对应的一个缺角，计算第一图像中第k个缺角对应的缺角影响值
，
其中，ik表示第一图像中第k个缺角对应集合内的元素总个数，wik表示第k个缺角对应集合内的第i个元素的值；
S4.6、按S4.1至S4.5所述步骤识别第二图像中的缺角信息，并计算第二图像中每个缺角对应的缺角影响值；
S4.7、得到待测磁环的缺角综合影响值Q，所述Q等于第一图像及第二图像分别对应的各个缺角影响值的累加和。
所述S5得到待测磁环的光滑度影响值的方法包括以下步骤：
S5.1、获取第一图像中待测磁环的内环轮廓及外环轮廓，所述待测磁环的轮廓是通过第一图像中相邻像素点对应灰度值之间的差值进行获取的，在相邻像素点对应灰度值的差值大于等于第四阈值时，则将相应像素点中灰度值大的像素点记为待测磁环轮廓上的一个点，所述第四阈值为数据库中预制的常数，所述第一图像中待测磁环对应的区域与图像背景区域对应的灰度值存在较大差异；
S5.2、获取第一参照点，并设置一个半径为r的圆，记为标准圆，
；
S5.3、将标准圆的圆心与第一参照点进行重合，调整标准圆半径r的值，计算半径为r时，标准圆与第一图像中待测磁环的外环轮廓的重合率，所述重合率等于标准圆与待测磁环的外环轮廓重合线段的长度与相应标准圆周长的比值，标准圆与第一图像中待测磁环的外环轮廓未重合且围成的区域为毛刺及磁渣对应的区域，
将标准圆与第一图像中待测磁环的外环轮廓的最大重合率记为CH1，
将标准圆与第一图像中待测磁环的内环轮廓的最大重合率记为CH2；
S5.4、按S5.1至S5.3中所述步骤将标准圆与第二图像中待测磁环进行比较，将标准圆与第二图像中待测磁环的外环轮廓的最大重合率记为Ch1，
将标准圆与第二图像中待测磁环的内环轮廓的最大重合率记为Ch2；
S5.5、得到待测磁环的光滑度影响值GH，
其中，
表示CH1与Ch1中的最大值，
表示CH2与Ch2中的最大值。
本实施例中若标准圆与第一图像中待测磁环的外环轮廓的最大重合率记为0.95，
若标准圆与第一图像中待测磁环的内环轮廓的最大重合率记为0.91，
若标准圆与第二图像中待测磁环的外环轮廓的最大重合率记为0.93，
若标准圆与第二图像中待测磁环的内环轮廓的最大重合率记为0.93，
因为
，
，
则得到待测磁环的光滑度影响值GH，
所述S6中得到待测磁环的归一化值的方法包括以下步骤：
S6.1、获取待测磁环对应的第一形变系数XB、缺角综合影响值Q及光滑度影响值GH；
S6.2、得到待测磁环的归一化值M，
其中，
表示第一归一化系数，
表示第二归一化系数，
表示第三归一化系数，
待测磁环的第一形变系数承受阈值为XBd，待测磁环的缺角综合影响值承受阈值为Qd，待测磁环的光滑度影响值承受阈值为GHd，所述XBd、Qd及GHd均为数据库中预制的常数，
所述第一归一化系数
为
，
所述第二归一化系数
为
；
所述第三归一化系数
为
。
一种机器视觉下的磁环外观缺陷智能检测系统，所述系统包括以下模块：
参照点获取模块，所述参照点获取模块通过机械固件对待测磁环进行固定，固定后的待测磁环的最大圆形截面与水平面平行，得到第一参照点；
平面模型构建模块，所述平面模型构建模块通过第一摄像头对待测磁环的上表面进行图像采集，得到第一图像，通过第二摄像头对待测磁环的下表面进行图像采集，得到第二图像，并对第一图像及第二图像进行灰度处理，并以第一参照点为原点构建待测磁环的平面模型；
形变系数获取模块，所述形变系数获取模块提取数据库中与待测磁环规格相同的磁环对应的最大圆形截面，记为第一参考截面，将第一参考截面中内环轮廓对应的圆心记为第二参照点，将第一参照点与第二参照点重合，计算待测磁环的最大圆形截面相对于第一参照截面的形变系数，记为第一形变系数；
缺角综合影响值获取模块，所述缺角综合影响值获取模块对灰度处理后的第一图像及第二图像进行缺角识别，并根据每个缺角对应的深度及面积计算相应缺角对应的缺角影响值，对各个缺角影响值进行累加，得到待测磁环的缺角综合影响值；
光滑度影响值获取模块，所述光滑度影响值获取模块对灰度处理后且除识别的缺角区域之外的第一图像及第二图像进行光滑度检测，识别毛刺及磁渣对应的区域，并对识别的毛刺及磁渣区域进行分析，得到待测磁环的光滑度影响值；
归一化处理模块，所述归一化处理模块对待测磁环对应的第一形变系数、缺角综合影响值及光滑度影响值进行归一化处理，得到待测磁环的归一化值。
所述归一化处理模块将待测磁环的归一化值与第一阈值进行比较，所述第一阈值为数据库中预制的常数，
当待测磁环的归一化值大于等于第一阈值时，则判定待测磁环外观异常，
当待测磁环的归一化值小于第一阈值时，则判定待测磁环外观正常。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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)
1.一种机器视觉下的磁环外观缺陷智能检测方法，其特征在于，所述方法包括以下步骤：
S1、通过机械固件对待测磁环进行固定，固定后的待测磁环的最大圆形截面与水平面平行；
S2、通过第一摄像头对待测磁环的上表面进行图像采集，得到第一图像，通过第二摄像头对待测磁环的下表面进行图像采集，得到第二图像，并对第一图像及第二图像进行灰度处理，
所述第一摄像头指向及第二摄像头指向均与固定后的待测磁环的最大圆形截面垂直，且第一摄像头指向与第二摄像头指向的连线过第一参照点，所述第一参照点为机械固件与待测磁环接触的三个点所构成的三角形的中心点，并以第一参照点为原点构建待测磁环的平面模型；
S3、提取数据库中与待测磁环规格相同的磁环对应的最大圆形截面，记为第一参考截面，将第一参考截面中内环轮廓对应的圆心记为第二参照点，将第一参照点与第二参照点重合，计算待测磁环的最大圆形截面相对于第一参照截面的形变系数，记为第一形变系数XB；
S4、对灰度处理后的第一图像及第二图像进行缺角识别，并根据每个缺角对应的深度及面积计算相应缺角对应的缺角影响值，对各个缺角影响值进行累加，得到待测磁环的缺角综合影响值Q；
S5、对灰度处理后且除识别的缺角区域之外的第一图像及第二图像进行光滑度检测，识别毛刺及磁渣对应的区域，并对识别的毛刺及磁渣区域进行分析，得到待测磁环的光滑度影响值GH；
S6、对待测磁环对应的第一形变系数、缺角综合影响值及光滑度影响值进行归一化处理，得到待测磁环的归一化值，并将待测磁环的归一化值与第一阈值进行比较，所述第一阈值为数据库中预制的常数，
当待测磁环的归一化值大于等于第一阈值时，则判定待测磁环外观异常，
当待测磁环的归一化值小于第一阈值时，则判定待测磁环外观正常。
2.根据权利要求1所述的一种机器视觉下的磁环外观缺陷智能检测方法，其特征在于：所述S1中机械固件对待测磁环进行固定时，机械固件的三个收缩角分别与磁环外圈接触，每个角与磁环外圈对应一个接触点，
所述机械固件包括一个圆环主体及三个收缩角，所述圆环主体与收缩角固定连接，圆环主体上三个收缩角呈等边三角形分布，所述收缩角能够收缩，且收缩角与第一传感器相连，第一传感器实时获取收缩角对应的形变值，
在计算第一参照点的过程中，以圆环主体为参照物，根据第一传感器中三个收缩角对应的形变值，得到机械固件与待测磁环接触的三个点相对于圆环主体的位置，进而求取机械固件与待测磁环接触的三个点所围三角形的中心点，得到第一参照点。
3.根据权利要求2所述的一种机器视觉下的磁环外观缺陷智能检测方法，其特征在于：所述S2中以第一参照点为原点构建待测磁环的平面模型时，以第一参照点原点，以过原点且与水平面垂直的直线中从下至上的方向为y轴正方向，以过原点且在固定后的待测磁环的最大圆形截面中垂直于y轴的直线中从左至右的方向为x轴正方向，构建平面直角坐标系，
所述第一摄像头、第二摄像头分别与第一参照点的距离相同，
将第一图像的中心点与平面直角坐标系原点重合，将过第一图像中心点的长边所在直线与x轴重合，将过第一图像中心点的短边所在直线与y轴重合，在平面直角坐标系中标注出第一图像中待测磁环对应的各个像素点对应的坐标，得到待测磁环的第一平面模型，区分第一图像中待测磁环对应的像素点是通过将灰度处理后的第一图像中各个像素点对应的灰度值与第一预设值进行比较获取的，所述第一预设值为数据库中预制的常数，
当像素点对应的灰度值大于等于第一预设值时，则判定像素点为待测磁环对应的相应像素点，
当像素点对应的灰度值小于第一预设值时，则判定像素点为待测磁环对应的相应像素点；
通过第二图像得到待测磁环的第二平面模型，得到待测磁环的第二平面模型的方法与得到待测磁环的第一平面模型的方法相同，
获取待测磁环的第三平面模型，所述待测磁环的第三平面模型为待测磁环的第二平面模型关于y轴对称后的结果。
4.根据权利要求3所述的一种机器视觉下的磁环外观缺陷智能检测方法，其特征在于：所述S3中得到第一形变系数的方法包括以下步骤：
S3.1、获取待测磁环的第一平面模型及第三平面模型；
S3.2、获取第一参照界面及第二参照点；
S3.3、将第一参照点与第二参照点重合时，对第一平面模型中未与第一参照界面重合的像素点对应的坐标进行第一标记，将第一标记的坐标点进行汇总，得到第一标记集合；
S3.4、将第一参照点与第二参照点重合时，对第三平面模型中未与第一参照界面重合的像素点对应的坐标进行第二标记，将第二标记的坐标点进行汇总，得到第二标记集合；
S3.5、计算第一标记集合与第二标记集合的并集，得到第三标记集合；
S3.6、得到第一形变系数XB，XB的值等于第三标记集合中的元素个数与第一参照界面中像素点总个数的比值。
5.根据权利要求1所述的一种机器视觉下的磁环外观缺陷智能检测方法，其特征在于：所述S4中得到待测磁环的缺角综合影响值的方法包括以下步骤：
S4.1、计算第一图像中各个像素点对应灰度值的平均值，记为第一标准灰度值，并分别计算第一图像中各个像素点的灰度值与第一标准灰度值差值的绝对值；
S4.2、筛选第一图像中与第一标准灰度值差值的绝对值大于等于第二阈值的像素点，所述第二阈值为数据库中预制的常数，得到第一筛选结果，第一筛选结果中每个像素点保存到一个空白集合中；
S4.3、判断第一筛选结果中任意两个集合对应的元素在第一图像中是否相邻，
当两个集合对应的元素在第一图像中存在相邻情况时，则将两个集合的并集作为新的集合，并替换原有的两个集合；
当两个集合对应的元素在第一图像中不存在相邻情况时，则不对这两个集合进行处理；
S4.4、判断S4.3中获取的每个集合对应的元素在第一平面模型中的位置，提取每个集合各元素位置所在区域对应的轮廓，获取每个轮廓对应的长与宽的比值，所述长为轮廓中任意两点连线对应距离的最大值，所述宽为轮廓中对应连线与长垂直的两点之间距离的最大值，将轮廓对应的长与宽的比值与第三阈值进行比较，所述第三阈值为数据库中预制的常数，
当轮廓对应的长与宽的比值大于等于第三阈值时，则判定相应轮廓对应的集合对应的是待测磁环中的划痕，
当轮廓对应的长与宽的比值小于第三阈值时，则判定相应轮廓对应的集合对应的是待测磁环中的缺角，
删除S4.3中获取的集合中划痕对应的集合，剩余集合为缺角集合；
S4.5、识别缺角信息，S4.4中缺角集合个数为第一图像中存在的缺角个数，每个缺角集合对应的一个缺角，计算第一图像中第k个缺角对应的缺角影响值
，
其中，
表示第一图像中第k个缺角对应集合内的元素总个数，
表示第k个缺角对应集合内的第i个元素的值；
S4.6、按S4.1至S4.5所述步骤识别第二图像中的缺角信息，并计算第二图像中每个缺角对应的缺角影响值；
S4.7、得到待测磁环的缺角综合影响值Q，所述Q等于第一图像及第二图像分别对应的各个缺角影响值的累加和。
6.根据权利要求5所述的一种机器视觉下的磁环外观缺陷智能检测方法，其特征在于：所述S5得到待测磁环的光滑度影响值的方法包括以下步骤：
S5.1、获取第一图像中待测磁环的内环轮廓及外环轮廓，所述待测磁环的轮廓是通过第一图像中相邻像素点对应灰度值之间的差值进行获取的，在相邻像素点对应灰度值的差值大于等于第四阈值时，则将相应像素点中灰度值大的像素点记为待测磁环轮廓上的一个点，所述第四阈值为数据库中预制的常数；
S5.2、获取第一参照点，并设置一个半径为r的圆，记为标准圆，
；
S5.3、将标准圆的圆心与第一参照点进行重合，调整标准圆半径r的值，计算半径为r时，标准圆与第一图像中待测磁环的外环轮廓的重合率，所述重合率等于标准圆与待测磁环的外环轮廓重合线段的长度与相应标准圆周长的比值，标准圆与第一图像中待测磁环的外环轮廓未重合且围成的区域为毛刺及磁渣对应的区域，
将标准圆与第一图像中待测磁环的外环轮廓的最大重合率记为CH1，
将标准圆与第一图像中待测磁环的内环轮廓的最大重合率记为CH2；
S5.4、按S5.1至S5.3中所述步骤将标准圆与第二图像中待测磁环进行比较，将标准圆与第二图像中待测磁环的外环轮廓的最大重合率记为Ch1，
将标准圆与第二图像中待测磁环的内环轮廓的最大重合率记为Ch2；
S5.5、得到待测磁环的光滑度影响值GH，
其中，
表示CH1与Ch1中的最大值，
表示CH2与Ch2中的最大值。
7.根据权利要求1所述的一种机器视觉下的磁环外观缺陷智能检测方法，其特征在于：所述S6中得到待测磁环的归一化值的方法包括以下步骤：
S6.1、获取待测磁环对应的第一形变系数XB、缺角综合影响值Q及光滑度影响值GH；
S6.2、得到待测磁环的归一化值M，
其中，
表示第一归一化系数，
表示第二归一化系数，
表示第三归一化系数，
待测磁环的第一形变系数承受阈值为XBd，待测磁环的缺角综合影响值承受阈值为Qd，待测磁环的光滑度影响值承受阈值为GHd，所述XBd、Qd及GHd均为数据库中预制的常数，
所述第一归一化系数
为
，
所述第二归一化系数
为
；
所述第三归一化系数
为
。
8.一种机器视觉下的磁环外观缺陷智能检测系统，其特征在于，所述系统包括以下模块：
参照点获取模块，所述参照点获取模块通过机械固件对待测磁环进行固定，固定后的待测磁环的最大圆形截面与水平面平行，得到第一参照点；
平面模型构建模块，所述平面模型构建模块通过第一摄像头对待测磁环的上表面进行图像采集，得到第一图像，通过第二摄像头对待测磁环的下表面进行图像采集，得到第二图像，并对第一图像及第二图像进行灰度处理，并以第一参照点为原点构建待测磁环的平面模型；
形变系数获取模块，所述形变系数获取模块提取数据库中与待测磁环规格相同的磁环对应的最大圆形截面，记为第一参考截面，将第一参考截面中内环轮廓对应的圆心记为第二参照点，将第一参照点与第二参照点重合，计算待测磁环的最大圆形截面相对于第一参照截面的形变系数，记为第一形变系数；
缺角综合影响值获取模块，所述缺角综合影响值获取模块对灰度处理后的第一图像及第二图像进行缺角识别，并根据每个缺角对应的深度及面积计算相应缺角对应的缺角影响值，对各个缺角影响值进行累加，得到待测磁环的缺角综合影响值；
光滑度影响值获取模块，所述光滑度影响值获取模块对灰度处理后且除识别的缺角区域之外的第一图像及第二图像进行光滑度检测，识别毛刺及磁渣对应的区域，并对识别的毛刺及磁渣区域进行分析，得到待测磁环的光滑度影响值；
归一化处理模块，所述归一化处理模块对待测磁环对应的第一形变系数、缺角综合影响值及光滑度影响值进行归一化处理，得到待测磁环的归一化值。
9.根据权利要求8所述的一种机器视觉下的磁环外观缺陷智能检测系统，其特征在于：所述归一化处理模块将待测磁环的归一化值与第一阈值进行比较，所述第一阈值为数据库中预制的常数，
当待测磁环的归一化值大于等于第一阈值时，则判定待测磁环外观异常，
当待测磁环的归一化值小于第一阈值时，则判定待测磁环外观正常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210828684.9A CN114994060B (zh) | 2022-07-15 | 2022-07-15 | 一种机器视觉下的磁环外观缺陷智能检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210828684.9A CN114994060B (zh) | 2022-07-15 | 2022-07-15 | 一种机器视觉下的磁环外观缺陷智能检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114994060A true CN114994060A (zh) | 2022-09-02 |
| CN114994060B CN114994060B (zh) | 2022-11-15 |
Family
ID=83021304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210828684.9A Active CN114994060B (zh) | 2022-07-15 | 2022-07-15 | 一种机器视觉下的磁环外观缺陷智能检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114994060B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664570A (zh) * | 2023-07-31 | 2023-08-29 | 深圳市鹏基精密工业有限公司 | 基于工业视觉的扁形连接器生产缺陷检测方法 |
| CN117392133A (zh) * | 2023-12-12 | 2024-01-12 | 江苏中科云控智能工业装备有限公司 | 一种基于机器视觉的压铸件毛刺检测系统及方法 |
| CN117593515A (zh) * | 2024-01-17 | 2024-02-23 | 中数智科(杭州)科技有限公司 | 一种轨道车辆用螺栓松动检测系统、方法及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002071461A (ja) * | 2000-08-28 | 2002-03-08 | Matsushita Electric Works Ltd | 物体表面に施色された図柄パターンの色調評価方法およびその装置 |
| CN106780473A (zh) * | 2016-12-23 | 2017-05-31 | 西安交通大学 | 一种磁环缺陷多目视觉检测方法及系统 |
| CN109297975A (zh) * | 2018-08-16 | 2019-02-01 | 奇酷互联网络科技（深圳）有限公司 | 移动终端及检测方法、存储装置 |
| CN111179243A (zh) * | 2019-12-25 | 2020-05-19 | 武汉昕竺科技服务有限公司 | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 |
| CN113267139A (zh) * | 2021-07-19 | 2021-08-17 | 江苏中科云控智能工业装备有限公司 | 具有大数据分析的压铸件形变量检测系统 |
| US20210312609A1 (en) * | 2019-06-14 | 2021-10-07 | Zhejiang University | Real-time traceability method of width of defect based on divide-and-conquer |
-
2022
- 2022-07-15 CN CN202210828684.9A patent/CN114994060B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002071461A (ja) * | 2000-08-28 | 2002-03-08 | Matsushita Electric Works Ltd | 物体表面に施色された図柄パターンの色調評価方法およびその装置 |
| CN106780473A (zh) * | 2016-12-23 | 2017-05-31 | 西安交通大学 | 一种磁环缺陷多目视觉检测方法及系统 |
| CN109297975A (zh) * | 2018-08-16 | 2019-02-01 | 奇酷互联网络科技（深圳）有限公司 | 移动终端及检测方法、存储装置 |
| US20210312609A1 (en) * | 2019-06-14 | 2021-10-07 | Zhejiang University | Real-time traceability method of width of defect based on divide-and-conquer |
| CN111179243A (zh) * | 2019-12-25 | 2020-05-19 | 武汉昕竺科技服务有限公司 | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 |
| CN113267139A (zh) * | 2021-07-19 | 2021-08-17 | 江苏中科云控智能工业装备有限公司 | 具有大数据分析的压铸件形变量检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张之祥: "基于机器视觉的磁环表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116664570A (zh) * | 2023-07-31 | 2023-08-29 | 深圳市鹏基精密工业有限公司 | 基于工业视觉的扁形连接器生产缺陷检测方法 |
| CN116664570B (zh) * | 2023-07-31 | 2023-11-14 | 深圳市鹏基精密工业有限公司 | 基于工业视觉的扁形连接器生产缺陷检测方法 |
| CN117392133A (zh) * | 2023-12-12 | 2024-01-12 | 江苏中科云控智能工业装备有限公司 | 一种基于机器视觉的压铸件毛刺检测系统及方法 |
| CN117392133B (zh) * | 2023-12-12 | 2024-02-20 | 江苏中科云控智能工业装备有限公司 | 一种基于机器视觉的压铸件毛刺检测系统及方法 |
| CN117593515A (zh) * | 2024-01-17 | 2024-02-23 | 中数智科(杭州)科技有限公司 | 一种轨道车辆用螺栓松动检测系统、方法及存储介质 |
| CN117593515B (zh) * | 2024-01-17 | 2024-03-29 | 中数智科(杭州)科技有限公司 | 一种轨道车辆用螺栓松动检测系统、方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114994060B (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114994060B (zh) | 一种机器视觉下的磁环外观缺陷智能检测系统及方法 | |
| US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
| CN107729853B (zh) | 一种适用于变电站窄刻度指针式仪表的自动识别方法 | |
| CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
| CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
| CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
| CN106599890B (zh) | 变电站巡检机器人数字式仪表识别算法 | |
| CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
| CN111652883B (zh) | 基于深度学习的玻璃表面缺陷检测方法 | |
| CN115308222A (zh) | 一种基于机器视觉的芯片外观不良识别系统及方法 | |
| CN110096980A (zh) | 字符检测识别系统 | |
| CN115100200A (zh) | 基于光学手段的光纤缺陷检测方法及系统 | |
| CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
| CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
| CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 | |
| CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
| CN112036391B (zh) | 一种基于页岩气田生产站场的电子巡检方法及系统 | |
| CN117237747A (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
| CN116205880A (zh) | 基于3d点云的网纱缺陷检测方法 | |
| CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
| CN106770372A (zh) | 基于显微视觉的白玻表面缺陷检测方法 | |
| CN115266743A (zh) | 一种无损检测下的芯片质量的评估系统及方法 |
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 |