CN115018850B - 基于图像处理的精密电子零部件冲压孔毛刺检测方法 - Google Patents

基于图像处理的精密电子零部件冲压孔毛刺检测方法 Download PDF

Info

Publication number
CN115018850B
CN115018850B CN202210952297.6A CN202210952297A CN115018850B CN 115018850 B CN115018850 B CN 115018850B CN 202210952297 A CN202210952297 A CN 202210952297A CN 115018850 B CN115018850 B CN 115018850B
Authority
CN
China
Prior art keywords
pixel point
edge
window
window corresponding
gray
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
CN202210952297.6A
Other languages
English (en)
Other versions
CN115018850A (zh
Inventor
肖兵兵
谢振坤
米晓月
张应良
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.)
Shenzhen Lingtuo Industrial Co ltd
Original Assignee
Shenzhen Lingtuo Industrial 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 Shenzhen Lingtuo Industrial Co ltd filed Critical Shenzhen Lingtuo Industrial Co ltd
Priority to CN202210952297.6A priority Critical patent/CN115018850B/zh
Publication of CN115018850A publication Critical patent/CN115018850A/zh
Application granted granted Critical
Publication of CN115018850B publication Critical patent/CN115018850B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及基于图像处理的精密电子零部件冲压孔毛刺检测方法。方法包括：以获取到的待检测精密电子零部件的灰度图像中各像素点为中心点，构建各像素点对应的窗口；根据各像素点对应窗口中像素点的灰度值，得到对应窗口的灰度跳变特征值以及疑似边缘的方向角度；根据各像素点对应窗口的灰度跳变特征值和疑似边缘的方向角度，得到对应窗口的跳变边缘率和边缘连续性指标；根据各像素点对应窗口的边缘连续性指标和跳变边缘率，获取灰度图像中的各边缘；根据各边缘上各像素点的曲率，得到各边缘的毛刺概率；若毛刺概率大于等于预设阈值，则判定对应边缘上存在毛刺。本发明提高了对毛刺进行检测的可靠性。

Description

基于图像处理的精密电子零部件冲压孔毛刺检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于图像处理的精密电子零部件冲压孔毛刺检测方法。
背景技术
毛刺为金属件边缘的刺状物，通常是由于冲压机床冲头磨损或安装不当导致的；对于精密电子零部件(如汽车、航天等精密零部件)，若存在毛刺，则会影响精密电子零部件的装配、检测、使用性能及工作寿命，进而对精密电子零部件装配成的产品的正常运行带来极大的影响，甚至存在安全隐患。
目前生产上对于毛刺的检测大多采用目测法或图像处理的方法，其中目测法效率低下且准确率受环境影响难以保证；除此之外，在光照作用下，毛刺可能与背景颜色较为相近，此时采用普通图像处理的方式如边缘检测，无法准确的检测出毛刺，误检漏检率较高。
发明内容
为了解决现有技术对毛刺进行检测存在可靠性较低的问题，本发明的目的在于提供一种基于图像处理的精密电子零部件冲压孔毛刺检测方法，所采用的技术方案具体如下：
本发明提供了一种基于图像处理的精密电子零部件冲压孔毛刺检测方法包括以下步骤：
获取待检测精密电子零部件对应的灰度图像；
以灰度图像中各像素点为中心点，构建所述各像素点对应的窗口；根据所述各像素点对应窗口中像素点的灰度值，得到所述各像素点对应的二进制块；将所述二进制块中不包括中心点的其他像素点记为有值像素点；
根据所述各像素点对应的二进制块中各有值像素点的值，得到所述各像素点对应窗口的灰度跳变特征值以及所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度；
根据所述各像素点对应窗口的灰度跳变特征值，得到所述各像素点对应窗口的跳变边缘率；根据所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度，得到所述各像素点对应窗口的边缘连续性指标；
根据所述各像素点对应窗口的边缘连续性指标和跳变边缘率，得到所述各像素点对应窗口的边缘概率；根据所述各像素点对应窗口的边缘概率，获取灰度图像中的各边缘；
获取所述各边缘上各像素点对应的曲率；根据所述各边缘上各像素点对应的曲率，得到所述各边缘对应的毛刺概率；若所述毛刺概率大于等于预设阈值，则判定对应边缘上存在毛刺。
优选的，所述根据所述各像素点对应窗口中像素点的灰度值，得到所述各像素点对应的二进制块，包括：
对于灰度图像中的任一像素点对应的窗口：
将该窗口内不包括中心点的其他像素点中灰度值大于中心点灰度值的像素点标记为1，灰度值小于等于中心点灰度值的像素点标记为0，得到该像素点对应的二进制块；所述二进制块中像素点的值为对应窗口中对应像素点的标记值。
优选的，所述根据所述各像素点对应的二进制块中各有值像素点的值，得到所述各像素点对应窗口的灰度跳变特征值以及所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度，包括：
对于灰度图像中的任一像素点：
将该像素点对应的二进制块中任意相邻的两个有值像素点记为点对；
统计该像素点对应的二进制块中发生跳变的点对的数量，将所述发生跳变的点对的数量作为该像素点对应窗口的灰度跳变特征值；所述发生跳变的点对是指点对中的两个有值像素点的值不相同；
将该像素点对应的二进制块中连续出现的值相同的有值像素点作为一个特征组；所述特征组包含的有值像素点的数量大于等于1；
统计该像素点对应的二进制块中各特征组包含的有值像素点的数量，将各特征组中包含的有值像素点数量的最大的特征组记为目标特征组，将目标特征组包含的有值像素点数量记为最大数量，将所述最大数量作为该像素点对应窗口的灰度连续特征值；
根据该像素点对应的二进制块中目标特征组包含的有值像素点，得到该像素点对应窗口内的疑似边缘，所述疑似边缘是由对应的目标特征组包含的有值像素点在对应窗口内的对应像素点构成的；
对于该像素点对应窗口内的任一疑似边缘：以该疑似边缘中距离最远的两个像素点之间连线的方向角度作为该疑似边缘的方向角度。
优选的，所述根据所述各像素点对应窗口的灰度跳变特征值，得到所述各像素点对应窗口的跳变边缘率，包括：
对于灰度图像中的任一像素点：
若该像素点对应窗口的灰度跳变特征值为0或8时，则该像素点对应窗口的跳变边缘率为0；若该像素点对应窗口的灰度跳变特征值不为0或8时，则该像素点对应窗口的跳变边缘率为1；所述该像素点对应窗口的大小为
Figure 945210DEST_PATH_IMAGE001
。
优选的，所述根据所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度，得到所述各像素点对应窗口的边缘连续性指标的计算公式为：
Figure 271149DEST_PATH_IMAGE002
其中，
Figure 293331DEST_PATH_IMAGE003
为第i个像素点对应窗口的边缘连续性指标，
Figure 741630DEST_PATH_IMAGE004
为第i个像素点对应窗口内的第k个疑似边缘对应的方向角度，
Figure 255788DEST_PATH_IMAGE005
为第i个像素点的八邻域内第j个像素点对应窗口内的第
Figure 940411DEST_PATH_IMAGE006
个疑似边缘对应的方向角度，
Figure 285942DEST_PATH_IMAGE007
为第i个像素点对应窗口内的第k个疑似边缘与第i个像素点的八邻域内第j个像素点对应窗口内的第s个疑似边缘的连接度，
Figure 842825DEST_PATH_IMAGE008
为第i个像素点对应窗口内的疑似边缘的数量，
Figure 906596DEST_PATH_IMAGE009
为第i个像素点的八邻域内第j个像素点对应窗口内的疑似边缘的数量，
Figure 636654DEST_PATH_IMAGE010
为最大值，
Figure 39954DEST_PATH_IMAGE011
为以e为底的指数函数，
Figure 830055DEST_PATH_IMAGE012
为归一化参数；
所述
Figure 115543DEST_PATH_IMAGE013
的取值为：当第i个像素点对应窗口内第k个疑似边缘与第i个像素点的八邻域内第j个像素点对应窗口内第s个疑似边缘中包含同一个像素点时，
Figure 586976DEST_PATH_IMAGE014
，反之，
Figure 907099DEST_PATH_IMAGE015
。
优选的，所述根据所述各像素点对应窗口的边缘连续性指标和跳变边缘率，得到所述各像素点对应窗口的边缘概率的计算公式为：
Figure 868101DEST_PATH_IMAGE016
其中，
Figure 844148DEST_PATH_IMAGE017
为第i个像素点对应窗口的边缘概率，
Figure 417474DEST_PATH_IMAGE018
为第i个像素点对应窗口的灰度连续特征值，
Figure 795366DEST_PATH_IMAGE019
为第i个像素点对应窗口的过渡性指标，
Figure 927270DEST_PATH_IMAGE020
为第i个像素点对应窗口的跳变边缘率，
Figure 390612DEST_PATH_IMAGE021
为双曲正切函数。
优选的，所述第i个像素点对应窗口的过渡性指标的计算公式为：
Figure 585DEST_PATH_IMAGE022
其中，
Figure 295300DEST_PATH_IMAGE023
为第i个像素点对应窗口的灰度跳变特征，
Figure 801368DEST_PATH_IMAGE024
为第i个像素点的八邻域内垂直于第i个像素点对应窗口的方向特征的方向上的第
Figure 548744DEST_PATH_IMAGE025
个像素点对应窗口的灰度跳变特征。
优选的，所述根据所述各像素点对应窗口的边缘概率，获取灰度图像中的各边缘：
将灰度图像中边缘概率大于预设概率阈值的窗口内的各像素点标记为0，将灰度图像中没有被标记为0的像素点标记为预设整数，得到标记图像；所述预设整数大于0；
利用Sobel算子对灰度图像进行处理，得到对应的梯度图像；
基于标记图像中值为0的各像素点对梯度图像进行分水岭分割，得到灰度图像中的各边缘。
优选的，所述根据所述各边缘上各像素点对应的曲率，得到所述各边缘对应的毛刺概率，包括：
对于任一边缘对应的毛刺概率的计算公式为：
Figure 165670DEST_PATH_IMAGE026
其中，
Figure 49312DEST_PATH_IMAGE027
为该边缘对应的毛刺概率，
Figure 788598DEST_PATH_IMAGE028
为该边缘上第
Figure 521806DEST_PATH_IMAGE029
个像素点的曲率，
Figure 739160DEST_PATH_IMAGE030
为该边缘上像素点的个数，
Figure 946151DEST_PATH_IMAGE031
为该边缘上各像素点的曲率的众数，
Figure 590759DEST_PATH_IMAGE032
为目标函数，
Figure 312727DEST_PATH_IMAGE033
为双曲正切函数。
本发明具有如下有益效果：
本发明首先以获取到的待检测精密电子零部件对应的灰度图像中各像素点为中心点，构建所述各像素点对应的窗口，并根据所述各像素点对应窗口中像素点的灰度值，得到所述各像素点对应窗口的灰度跳变特征值以及所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度；然后根据所述各像素点对应窗口的灰度跳变特征值、对应窗口内的疑似边缘和疑似边缘的方向角度，得到所述各像素点对应窗口的跳变边缘率和边缘连续性指标；接着本发明根据所述各像素点对应窗口的边缘连续性指标和跳变边缘率，得到所述各像素点对应窗口的边缘概率，进而获取灰度图像中的各边缘；最后根据所述各边缘上各像素点对应的曲率，得到所述各边缘对应的毛刺概率，若毛刺概率大于等于预设阈值，则判定对应边缘上存在毛刺。本发明利用计算机视觉，对采集到的精密电子零部件图像进行特征分析，更加准确的获取精密电子零部件的边缘，并结合边缘特征，以检测边缘上的毛刺；本发明提高了对毛刺进行检测的可靠性。
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为本发明提供的一种基于图像处理的精密电子零部件冲压孔毛刺检测方法的流程图。
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能效果，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精密电子零部件冲压孔毛刺检测方法进行详细说明如下。
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精密电子零部件冲压孔毛刺检测方法的具体方案。
基于图像处理的精密电子零部件冲压孔毛刺检测方法实施例：
如图1所示，本实施例的一种基于图像处理的精密电子零部件冲压孔毛刺检测方法包括以下步骤：
步骤S1，获取待检测精密电子零部件对应的灰度图像。
金属部件在冲压过程中，可能会由于冲压机床冲头磨损或安装不当导致精密电子零部件边缘产生毛刺；考虑到在光照的作用下，部分毛刺不明显，若通过普通图像处理的方式如边缘检测，无法检测出不明显的毛刺；本实施例提供了一种基于图像处理的精密电子零部件冲压孔毛刺检测方法，该方法通过分析精密电子零部件图像的特征，更为准确的获取精密电子零部件的边缘，然后结合边缘特征，来检测边缘上的毛刺；本实施例能够避免光照带来的影响，进而检测到不明显的毛刺，使检测结果更加可靠。
为了对精密电子零部件边缘上的毛刺进行检测，本实施例首先获取待检测精密电子零部件的图像，具体的：
本实施例在传送带上方架设相机，用以俯视拍摄待检测精密电子零部件的RGB图像；由于精密电子零部件形状复杂，因此本实施例通过机械臂将待检测精密电子零部件不同面朝上摆放，并利用传送带上方架设的相机俯视拍摄待检测精密电子零部件每个面的RGB图像（不同面对应的图像中可以显示出的边缘是不同的），然后分别对每个面的图像进行分析，进而对待检测精密电子零部件的所有边缘的毛刺进行检测；本实施例中所述RGB图像包含精密电子零部件以及背景。
接下来，本实施例以待检测精密电子零部件任意一个面朝上时拍摄到的RGB图像为例进行分析，进而对该RGB图像中存在的各个边缘进行检测；为了便于后续分析，本实施例将该RGB图像进行灰度化处理，得到该RGB图像对应的灰度图像。
步骤S2，以灰度图像中各像素点为中心点，构建所述各像素点对应的窗口；根据所述各像素点对应窗口中像素点的灰度值，得到所述各像素点对应的二进制块；将所述二进制块中不包括中心点的其他像素点记为有值像素点。
在冲压作用下，毛刺与精密电子零部件上表面可能不在同一平面方向上，进而导致毛刺与精密电子零部件反射的光不同，造成灰度图像中毛刺与精密电子零部件灰度不同；但是可能会出现毛刺与背景的灰度相近的情况，因此使用边缘检测算子难以将其检测出来；除此之外，虽然分水岭分割对微弱的边缘具有较高的响应，但由于光照影响以及噪声影响，会使精密电子零部件表面灰度不均，因此利用分水岭分割会出现过度分割的情况。
接下来本实施例对该RGB图像对应的灰度图像进行分析，获取该灰度图像中不同位置上存在边缘的概率，然后结合概率和分水岭分割，更加准确的获取灰度图像中存在的边缘，避免过度分割。
本实施例分别以该灰度图像中的每个像素点为中心点，构建各像素点对应的
Figure 271456DEST_PATH_IMAGE001
大小的窗口；对于灰度图像中任一像素点对应的窗口：将该窗口内不包括中心点（所述中心点为该像素点）的其他像素点中灰度值大于中心点灰度值的像素点标记为1，灰度值小于等于中心点灰度值的像素点标记为0，该窗口内中心点没有标记值，进而得到该像素点对应的二进制块；所述二进制块内的各像素点与对应窗口内的各像素点一一对应，且二进制块内的各像素点的值为对应窗口内对应像素点的标记值；由于窗口内中心点没有标记值，所以本实施例将二进制块内的中心点记为无值点，将其他像素点记为有值像素点。
至此本实施例能够得到灰度图像中各像素点对应的二进制块。
步骤S3，根据所述各像素点对应的二进制块中各有值像素点的值，得到所述各像素点对应窗口的灰度跳变特征值以及所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度。
本实施例根据步骤S2得到了该灰度图像中各像素点对应窗口和对应的二进制块；若二进制块中有值像素点的值为0，则说明对应窗口内对应的像素点的灰度值小于等于中心点的灰度值；若二进制块中有值像素点的值为1，则说明对应窗口内对应的像素点的灰度值大于中心点的灰度值；基于此，本实施例根据各像素点对应的二进制块中各有值像素点的值，得到各像素点对应窗口的灰度跳变特征值和灰度连续特征值。具体的：
对于灰度图像中任一像素点对应的二进制块：
第一，获取该像素点对应窗口的灰度跳变特征值。
本实施例将该像素点对应的二进制块中任意相邻的两个有值像素点记为点对；若任意一个点对对应的两个有值像素点的值为0和1（即这两个相邻的有值像素点的值不相同），则说明该点对发生了跳变；本实施例统计该像素点对应的二进制块中发生跳变的点对的数量，将所述发生跳变的点对的数量作为该像素点对应窗口的灰度跳变特征值；在本实施例中，由于窗口的大小为
Figure 864111DEST_PATH_IMAGE001
，所以灰度跳变特征值可能的取值为0,2,4,6,8；具体根据窗口的大小来确定。
第二，获取该像素点对应窗口的灰度连续特征值。
考虑到二进制块中值连续为0的各有值像素点或连续为1的各有值像素点在对应窗口内对应的像素点有可能是构成边缘的像素点；本实施例将该像素点对应的二进制块中连续出现的值相同的有值像素点作为一个特征组（一个特征组中包含有值像素点的数量大于等于1）；统计该像素点对应的二进制块中各特征组包含的有值像素点的数量，将各特征组中包含的有值像素点数量最大的特征组记为目标特征组，将目标特征组包含的有值像素点数量记为最大数量，将最大数量作为该像素点对应窗口的灰度连续特征值。当灰度连续特征值为1时（即各特征组包含的有值像素点的数量均为1），说明本实施例中该像素点对应窗口的灰度跳变特征值为8。
根据该像素点对应的二进制块中目标特征组包含的有值像素点，得到该像素点对应窗口内的疑似边缘，所述疑似边缘是由对应的目标特征组包含的有值像素点在对应窗口内的对应像素点构成的；所述该像素点对应窗口内的疑似边缘可能有一个也可能有多个，即目标特征组可能有一个也可能有多个；本实施例中疑似边缘最多为8个，此时灰度连续特征值为1。
对于该像素点对应窗口内的任一疑似边缘：以该疑似边缘中距离最远的两个像素点之间连线的方向角度作为该疑似边缘的方向角度；若该疑似边缘仅包含1个像素点或包含8个像素点，则将该疑似边缘的方向角度记为0°。
至此，本实施例根据上述过程能够得到该灰度图像中各像素点对应窗口的灰度跳变特征值、灰度连续特征值以及各像素点对应窗口内的疑似边缘和疑似边缘的方向角度。
步骤S4，根据所述各像素点对应窗口的灰度跳变特征值，得到所述各像素点对应窗口的跳变边缘率；根据所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度，得到所述各像素点对应窗口的边缘连续性指标。
接下来，本实施例根据该灰度图像中各像素点对应窗口的灰度跳变特征值、灰度连续特征值以及各像素点对应窗口内疑似边缘的方向角度，来得到该灰度图像中各像素点对应窗口的跳变边缘率、边缘连续性指标和过渡性指标，本实施例根据所述跳变边缘率、边缘连续性指标和过渡性指标来反映窗口内存在边缘的可能性，具体的：
对于灰度图像中的任一像素点：
第一，获取该像素点对应窗口的跳变边缘率。
本实施例根据该像素点对应窗口的灰度跳变特征值，得到该像素点对应窗口的跳变边缘率，即：
Figure 945200DEST_PATH_IMAGE034
其中，
Figure 92147DEST_PATH_IMAGE035
为第i个像素点对应窗口的跳变边缘率，
Figure 651304DEST_PATH_IMAGE036
为第i个像素点对应窗口的灰度跳变特征值。
根据上述公式，当灰度跳变特征值为8时，说明窗口内灰度值分布非常混乱，此时可能是由于噪声影响导致灰度平坦区域存在细微的灰度变化，由于平坦区域不存在边缘，所以当灰度跳变特征值为8时，窗口的跳变边缘率为0；当灰度跳变特征为0时,说明窗口内四周像素点的灰度值相对于中心像素点的灰度值大小关系相同，此时依据灰度跳变特征值无法判断窗口内是否存在边缘，所以当灰度跳变特征值为0时，窗口的跳变边缘率也为0；当灰度跳变特征值为2,4,6时，说明窗口内对应的疑似边缘具有一定的长度，此时窗口内可能存在边缘，所以当灰度跳变特征值为2,4,6时，对应窗口的跳变边缘率为1。
第二，获取该像素点对应窗口的边缘连续性指标。
考虑到仅根据一个窗口难以判断窗口内是否包含待检测精密电子零部件的边缘，因此本实施例结合灰度图像中各像素点对应的窗口和各像素点对应的八邻域内各像素点对应的窗口进行分析，获取各像素点对应窗口的边缘连续性指标，所述连续性指标用来反映像素点对应窗口内的疑似边缘与八邻域内各像素点对应窗口内的疑似边缘的连续性；本实施例中该像素点对应窗口的边缘连续性指标的计算公式为：
Figure 629625DEST_PATH_IMAGE037
其中，
Figure 553718DEST_PATH_IMAGE038
为第i个像素点对应窗口的边缘连续性指标，
Figure 751744DEST_PATH_IMAGE039
为第i个像素点对应窗口内的第k个疑似边缘对应的方向角度，
Figure 52275DEST_PATH_IMAGE040
为第i个像素点的八邻域内第j个像素点对应窗口内的第
Figure 885102DEST_PATH_IMAGE006
个疑似边缘对应的方向角度，
Figure 42414DEST_PATH_IMAGE041
为第i个像素点对应窗口内的第k个疑似边缘与第i个像素点的八邻域内第j个像素点对应窗口内的第s个疑似边缘的连接度，
Figure 163954DEST_PATH_IMAGE042
为第i个像素点对应窗口内的疑似边缘的数量，
Figure 330493DEST_PATH_IMAGE043
为第i个像素点的八邻域内第j个像素点对应窗口内的疑似边缘的数量，
Figure 955509DEST_PATH_IMAGE044
为最大值，
Figure 283722DEST_PATH_IMAGE045
为以e为底的指数函数，
Figure 689296DEST_PATH_IMAGE046
为归一化参数；本实施例中所述归一化参数的大小根据实际需要来设置。
根据上述公式，
Figure 597209DEST_PATH_IMAGE047
为
Figure 404628DEST_PATH_IMAGE048
和
Figure 107005DEST_PATH_IMAGE040
的差异的绝对值；对于
Figure 999874DEST_PATH_IMAGE049
的取值：当第i个像素点对应窗口内第k个疑似边缘与第i个像素点的八邻域内第j个像素点对应窗口内第s个疑似边缘中包含同一个像素点时，说明这两个疑似边缘是连续的，此时
Figure 445899DEST_PATH_IMAGE050
，反之，则
Figure 346640DEST_PATH_IMAGE051
。本实施例中该像素点对应窗口内的疑似边缘与该像素点八邻域内任意一个像素点对应窗口内的疑似边缘对应的方向角度差异越小且连接度为1时，说明这两个疑似边缘越有可能是连接的，即这两个疑似边缘的连续性指标较大。
上述公式中
Figure 282235DEST_PATH_IMAGE052
表示的是基于第i个像素点对应窗口内的所有疑似边缘对应的方向角度分别与第i个像素点的八邻域内各像素点对应窗口内的所有疑似边缘，计算第i个像素点对应窗口内任意一个疑似边缘和第i个像素点的八邻域内任意一个像素点对应窗口内的任意一个疑似边缘的连续性指标（即一个连续性指标对应第i个像素点对应窗口内的一个疑似边缘），选择其中连续性指标的最大值作为第i个像素点对应窗口的边缘连续性指标，边缘连续性指标越大，说明对应窗口内存在边缘的可能性越大；同时，本实施例将第i个像素点对应窗口内的最大的连续性指标对应的疑似边缘的方向角度作为第i个像素点对应窗口的方向特征。
本实施例根据上述公式可以得到该像素点对应窗口的边缘连续性指标和方向特征。
第三，获取该像素点对应窗口的过渡性指标。
考虑到精密电子零部件表面可能存在光照不均的情况，光照较亮的部分与光照较暗的部分之间存在过渡，此时仅根据边缘连续性指标会将过渡区域识别成存在较多的边缘的区域；为了避免过渡区域被错误识别，本实施例根据该像素点对应窗口的灰度跳变特征值和方向特征，获取该像素点对应窗口的过渡性指标，所述过渡性指标可以反映出该像素点对应窗口是过渡区域的可能性。本实施例中该像素点对应窗口的过渡性指标的计算公式为：
Figure 459138DEST_PATH_IMAGE053
其中，
Figure 443275DEST_PATH_IMAGE054
为第i个像素点对应窗口的过渡性指标，
Figure 225286DEST_PATH_IMAGE055
为第i个像素点对应窗口的灰度跳变特征，
Figure 66203DEST_PATH_IMAGE056
为第i个像素点的八邻域内垂直于第i个像素点对应窗口的方向特征的方向上的第
Figure 871348DEST_PATH_IMAGE057
个像素点对应窗口的灰度跳变特征（第i个像素点的八邻域内垂直于第i个像素点对应窗口的方向特征的方向上包含两个像素点），
Figure 455913DEST_PATH_IMAGE058
为双曲正切函数。
当第i个像素点对应的窗口在过渡区域时，
Figure 593896DEST_PATH_IMAGE059
与
Figure 808977DEST_PATH_IMAGE060
基本一致，即
Figure 898155DEST_PATH_IMAGE054
趋近于0；反之，当第i个像素点对应的窗口不在过渡区域时，
Figure 489674DEST_PATH_IMAGE061
与
Figure 980698DEST_PATH_IMAGE055
存在差异，差异越大，则
Figure 163417DEST_PATH_IMAGE054
的值越大。
至此，本实施例根据上述过程得到了该灰度图像中各像素点对应窗口的跳变边缘率、边缘连续性指标和过渡性指标。
步骤S5，根据所述各像素点对应窗口的边缘连续性指标和跳变边缘率，得到所述各像素点对应窗口的边缘概率；根据所述各像素点对应窗口的边缘概率，获取灰度图像中的各边缘。
本实施例根据上述过程得到了该灰度图像中各像素点对应窗口的灰度连续特征值、边缘连续性指标、跳变边缘率和过渡性指标；接下来本实施例结合该灰度图像中各像素点对应窗口的灰度连续特征值、边缘连续性指标、跳变边缘率和过渡性指标，得到各像素点对应窗口的边缘概率，所述边缘概率为窗口内存在边缘的概率；边缘概率越大，说明窗口内存在边缘的可能性越大；边缘概率越小，说明窗口内存在边缘的可能性越小。本实施例中计算各像素点对应窗口的边缘概率的公式为：
Figure 943155DEST_PATH_IMAGE062
其中，
Figure 135102DEST_PATH_IMAGE063
为第i个像素点对应窗口的边缘概率，
Figure 418315DEST_PATH_IMAGE064
为第i个像素点对应窗口的灰度连续特征值。当第i个像素点对应窗口的跳变边缘率为1，灰度连续特征与边缘连续性较大，且过渡性指标较大时，说明第i个像素点对应的窗口包含待检测精密电子零部件边缘的概率较大。
至此本实施例能够得到该灰度图像中各像素点对应的边缘概率。
本实施例该根据该灰度图像中各像素点对应的边缘概率，获取可能存在待检测精密电子零部件边缘的窗口，具体的：对于任一像素点：当该像素点对应窗口的边缘概率大于预设概率阈值时，说明像素点对应窗口内可能存在待检测精密电子零部件的边缘；当该像素点对应窗口的边缘概率小于等于预设概率阈值时,说明该像素点对应窗口内不存在待检测精密电子零部件的边缘；本实施例中所述预设概率阈值的大小根据实际情况来设置，经验值为0.6；本实施例将该灰度图像中所有可能存在待检测精密电子零部件边缘的窗口内的像素点标记为0，将其余像素点（即没有被标记为0的像素点）标记为任意大于0的整数，进而得到标记图像。
得到标记图像后，接下来本实施例根据标记图像和分水岭分割法获取该灰度图像中的所有边缘，具体的：
本实施例利用Sobel算子对该灰度图像进行处理，得到对应的梯度图像；然后基于标记图像对梯度图像进行分水岭分割（即只对标记值为0的像素点构成的区域进行分水岭分割），并将分割结果映射到该灰度图像上，进而得到该灰度图像中的所有边缘。
分水岭分割是基于梯度图像的局部最小值进行的，由于噪声的影响，梯度图像的局部最小值非常多，采用分水岭分割会造成过度分割的问题；本实施例基于标记图像进行分割，在可能存在待检测精密电子零部件边缘的区域进行分割，可获得更加准确的边缘，同时避免过度分割的问题。本实施例中分水岭分割为现有技术，在此就不再赘述。
至此，本实施例完成了对该灰度图像的分割，将该灰度图像中待检测精密电子零部件与背景分割成了不同的区域，分割线即为边缘。
步骤S6，获取所述各边缘上各像素点对应的曲率；根据所述各边缘上各像素点对应的曲率，得到所述各边缘对应的毛刺概率；若所述毛刺概率大于等于预设阈值，则判定对应边缘上存在毛刺。
本实施例根据步骤S5得到了该灰度图像中的所有边缘；接下来本实施例根据每条边缘上的像素点的曲率，计算每条边缘上存在毛刺的概率，记为毛刺概率；本实施例中计算任一边缘对应的毛刺概率的计算公式为：
Figure 37516DEST_PATH_IMAGE065
其中，
Figure 101286DEST_PATH_IMAGE066
为该边缘对应的毛刺概率，
Figure 34607DEST_PATH_IMAGE067
为该边缘上第
Figure 234645DEST_PATH_IMAGE068
个像素点的曲率，
Figure 228008DEST_PATH_IMAGE069
为该边缘上像素点的个数，
Figure 12031DEST_PATH_IMAGE070
为该边缘上各像素点的曲率的众数，
Figure 545781DEST_PATH_IMAGE071
为目标函数。本实施例中计算像素点曲率的方法为现有技术，在此就不再赘述。
上述公式中，
Figure 803587DEST_PATH_IMAGE072
用来判断
Figure 295748DEST_PATH_IMAGE073
与曲率众数是否一致，当
Figure 68532DEST_PATH_IMAGE074
与曲率众数一致时，
Figure 343656DEST_PATH_IMAGE075
为0，反之，
Figure 783864DEST_PATH_IMAGE076
为1；
Figure 650189DEST_PATH_IMAGE077
为该边缘上异常像素点的曲率的均值，所述异常像素点为该边缘上曲率与曲率众数不一致的像素点，若将异常像素点的曲率带入到目标函数中，则目标函数的值为1；
Figure 113531DEST_PATH_IMAGE078
为该边缘上异常像素点的曲率的方差，记为该边缘对应的曲率方差。
若该边缘上无毛刺，考虑到待检测精密电子零部件的边缘是规则的，所以大部分像素点的曲率都一致，只有小部分像素点的曲率与大部分像素点的曲率有差异(如拐角处)，但此小部分像素点之间曲率基本都一致（即该边缘上异常像素点的曲率基本一致），此时该边缘对应的曲率方差应非常小，则该边缘对应的毛刺概率也非常小；若该边缘上存在毛刺，由于毛刺形状不规则，会使得部分像素点的曲率与大部分像素点的曲率不一致，且所述部分像素点之间曲率也不一致（即异常像素点之间的曲率不一致），此时该边缘对应的曲率方差较大，则该边缘对应的毛刺概率也较大。
至此本实施例能够得到该灰度图像中每条边缘对应的毛刺概率。
对于任一边缘：本实施例结合该条边缘对应的毛刺概率，判断该边缘对应的毛刺概率是否大于等于预设阈值，若是，则判定该边缘上存在毛刺；若不是，则判定该边缘上不存在毛刺。本实施例中所述预设阈值根据实际需要进行设置，例如预设阈值的大小为0.4。
至此，本实施例根据上述过程能够判断出该灰度图像中的每条边缘上是否存在毛刺。为了对待检测精密电子零部件的每条边缘的毛刺都进行检测，本实施例通过对待检测精密电子零部件不同面朝上摆放时拍摄到的图像进行分析，进而对待检测精密电子零部件的所有边缘上的毛刺情况进行检测。
本实施例首先以获取到的待检测精密电子零部件对应的灰度图像中各像素点为中心点，构建所述各像素点对应的窗口，并根据所述各像素点对应窗口中像素点的灰度值，得到所述各像素点对应窗口的灰度跳变特征值以及所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度；然后根据所述各像素点对应窗口的灰度跳变特征值、对应窗口内的疑似边缘以及疑似边缘的方向角度，得到所述各像素点对应窗口的跳变边缘率和边缘连续性指标；接着本实施例根据所述各像素点对应窗口的边缘连续性指标和跳变边缘率，得到所述各像素点对应窗口的边缘概率，进而获取灰度图像中的各边缘；最后根据所述各边缘上各像素点对应的曲率，得到所述各边缘对应的毛刺概率，若毛刺概率大于等于预设阈值，则判定对应边缘上存在毛刺。本实施例利用计算机视觉，对采集到的精密电子零部件图像进行特征分析，更加准确的获取精密电子零部件的边缘，并结合边缘特征，以检测边缘上的毛刺；本实施例提高了对毛刺进行检测的可靠性。
需要说明的是：以上所述仅为本发明的较佳实施例，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 (5)

1.一种基于图像处理的精密电子零部件冲压孔毛刺检测方法，其特征在于，该方法包括以下步骤：
获取待检测精密电子零部件对应的灰度图像；
以灰度图像中各像素点为中心点，构建所述各像素点对应的窗口；根据所述各像素点对应窗口中像素点的灰度值，得到所述各像素点对应的二进制块；将所述二进制块中不包括中心点的其他像素点记为有值像素点；
根据所述各像素点对应的二进制块中各有值像素点的值，得到所述各像素点对应窗口的灰度跳变特征值以及所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度，包括：
对于灰度图像中的任一像素点：将该像素点对应的二进制块中任意相邻的两个有值像素点记为点对；统计该像素点对应的二进制块中发生跳变的点对的数量，将所述发生跳变的点对的数量作为该像素点对应窗口的灰度跳变特征值；所述发生跳变的点对是指点对中的两个有值像素点的值不相同；
将该像素点对应的二进制块中连续出现的值相同的有值像素点作为一个特征组；所述特征组包含的有值像素点的数量大于等于1；统计该像素点对应的二进制块中各特征组包含的有值像素点的数量，将各特征组中包含的有值像素点数量的最大的特征组记为目标特征组，将目标特征组包含的有值像素点数量记为最大数量，将所述最大数量作为该像素点对应窗口的灰度连续特征值；
根据该像素点对应的二进制块中目标特征组包含的有值像素点，得到该像素点对应窗口内的疑似边缘，所述疑似边缘是由对应的目标特征组包含的有值像素点在对应窗口内的对应像素点构成的；对于该像素点对应窗口内的任一疑似边缘：以该疑似边缘中距离最远的两个像素点之间连线的方向角度作为该疑似边缘的方向角度；
根据所述各像素点对应窗口的灰度跳变特征值，得到所述各像素点对应窗口的跳变边缘率包括：对于灰度图像中的任一像素点：若该像素点对应窗口的灰度跳变特征值为0或8时，则该像素点对应窗口的跳变边缘率为0；若该像素点对应窗口的灰度跳变特征值不为0或8时，则该像素点对应窗口的跳变边缘率为1；所述该像素点对应窗口的大小为3×3；
根据所述各像素点对应窗口内的疑似边缘和疑似边缘的方向角度，得到所述各像素点对应窗口的边缘连续性指标，具体为：
Figure 412060DEST_PATH_IMAGE002
其中，
Figure 611091DEST_PATH_IMAGE003
为第i个像素点对应窗口的边缘连续性指标，
Figure 187566DEST_PATH_IMAGE004
为第i个像素点对应窗口内的第k个疑似边缘对应的方向角度，
Figure 317196DEST_PATH_IMAGE005
为第i个像素点的八邻域内第j个像素点对应窗口内的第
Figure 662727DEST_PATH_IMAGE006
个疑似边缘对应的方向角度，
Figure 281927DEST_PATH_IMAGE007
为第i个像素点对应窗口内的第k个疑似边缘与第i个像素点的八邻域内第j个像素点对应窗口内的第s个疑似边缘的连接度，
Figure 283381DEST_PATH_IMAGE008
为第i个像素点对应窗口内的疑似边缘的数量，
Figure 764172DEST_PATH_IMAGE009
为第i个像素点的八邻域内第j个像素点对应窗口内的疑似边缘的数量，
Figure 229788DEST_PATH_IMAGE010
为最大值，
Figure 754311DEST_PATH_IMAGE011
为以e为底的指数函数，
Figure 243061DEST_PATH_IMAGE012
为归一化参数；
所述
Figure 776810DEST_PATH_IMAGE013
的取值为：当第i个像素点对应窗口内第k个疑似边缘与第i个像素点的八邻域内第j个像素点对应窗口内第s个疑似边缘中包含同一个像素点时，
Figure 409235DEST_PATH_IMAGE014
，反之，
Figure 370238DEST_PATH_IMAGE015
；
根据所述各像素点对应窗口的边缘连续性指标和跳变边缘率，得到所述各像素点对应窗口的边缘概率，具体为：
Figure 346284DEST_PATH_IMAGE016
其中，
Figure 418145DEST_PATH_IMAGE017
为第i个像素点对应窗口的边缘概率，
Figure 796037DEST_PATH_IMAGE018
为第i个像素点对应窗口的灰度连续特征值，
Figure 662362DEST_PATH_IMAGE019
为第i个像素点对应窗口的过渡性指标，
Figure 938753DEST_PATH_IMAGE020
为第i个像素点对应窗口的跳变边缘率，
Figure 751989DEST_PATH_IMAGE021
为双曲正切函数；
根据所述各像素点对应窗口的边缘概率，获取灰度图像中的各边缘；
获取所述各边缘上各像素点对应的曲率；根据所述各边缘上各像素点对应的曲率，得到所述各边缘对应的毛刺概率；若所述毛刺概率大于等于预设阈值，则判定对应边缘上存在毛刺。
2.根据权利要求1所述的一种基于图像处理的精密电子零部件冲压孔毛刺检测方法，其特征在于，所述根据所述各像素点对应窗口中像素点的灰度值，得到所述各像素点对应的二进制块，包括：
对于灰度图像中的任一像素点对应的窗口：
将该窗口内不包括中心点的其他像素点中灰度值大于中心点灰度值的像素点标记为1，灰度值小于等于中心点灰度值的像素点标记为0，得到该像素点对应的二进制块；所述二进制块中像素点的值为对应窗口中对应像素点的标记值。
3.根据权利要求1所述的一种基于图像处理的精密电子零部件冲压孔毛刺检测方法，其特征在于，所述第i个像素点对应窗口的过渡性指标的计算公式为：
Figure 46704DEST_PATH_IMAGE022
其中，
Figure 349509DEST_PATH_IMAGE023
为第i个像素点对应窗口的灰度跳变特征值，
Figure 34568DEST_PATH_IMAGE024
为第i个像素点的八邻域内垂直于第i个像素点对应窗口的方向特征的方向上的第
Figure 713811DEST_PATH_IMAGE025
个像素点对应窗口的灰度跳变特征值。
4.根据权利要求1所述的一种基于图像处理的精密电子零部件冲压孔毛刺检测方法，其特征在于，所述根据所述各像素点对应窗口的边缘概率，获取灰度图像中的各边缘，包括：
将灰度图像中边缘概率大于预设概率阈值的窗口内的各像素点标记为0，将灰度图像中没有被标记为0的像素点标记为预设整数，得到标记图像；所述预设整数大于0；
利用Sobel算子对灰度图像进行处理，得到对应的梯度图像；
基于标记图像中值为0的各像素点对梯度图像进行分水岭分割，得到灰度图像中的各边缘。
5.根据权利要求1所述的一种基于图像处理的精密电子零部件冲压孔毛刺检测方法，其特征在于，所述根据所述各边缘上各像素点对应的曲率，得到所述各边缘对应的毛刺概率，包括：
对于任一边缘对应的毛刺概率的计算公式为：
Figure 348186DEST_PATH_IMAGE026
其中，
Figure 25155DEST_PATH_IMAGE027
为该边缘对应的毛刺概率，
Figure 259827DEST_PATH_IMAGE028
为该边缘上第
Figure 211603DEST_PATH_IMAGE029
个像素点的曲率，
Figure 418593DEST_PATH_IMAGE030
为该边缘上像素点的个数，
Figure 328781DEST_PATH_IMAGE031
为该边缘上各像素点的曲率的众数，
Figure 535902DEST_PATH_IMAGE032
为目标函数，
Figure 494631DEST_PATH_IMAGE033
为双曲正切函数。
CN202210952297.6A 2022-08-09 2022-08-09 基于图像处理的精密电子零部件冲压孔毛刺检测方法 Active CN115018850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210952297.6A CN115018850B (zh) 2022-08-09 2022-08-09 基于图像处理的精密电子零部件冲压孔毛刺检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210952297.6A CN115018850B (zh) 2022-08-09 2022-08-09 基于图像处理的精密电子零部件冲压孔毛刺检测方法

Publications (2)

Publication Number Publication Date
CN115018850A CN115018850A (zh) 2022-09-06
CN115018850B true CN115018850B (zh) 2022-11-01

Family

ID=83065572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210952297.6A Active CN115018850B (zh) 2022-08-09 2022-08-09 基于图像处理的精密电子零部件冲压孔毛刺检测方法

Country Status (1)

Country Link
CN (1) CN115018850B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311287B (zh) * 2022-10-12 2023-04-07 南通欧通石油设备有限公司 一种共轨喷油器生产异常检测方法
CN115330791A (zh) * 2022-10-13 2022-11-11 江苏东晨机械科技有限公司 一种零件毛刺检测方法
CN115984271B (zh) * 2023-03-20 2023-06-30 山东鑫科来信息技术有限公司 基于角点检测的金属毛刺识别方法
CN116416166B (zh) * 2023-06-12 2023-08-04 贵州省人民医院 一种肝活检数据分析方法及系统
CN116740057B (zh) * 2023-08-11 2023-12-01 深圳市鹏基精密工业有限公司 一种圆柱形工件毛刺在线检测方法及系统
CN116823820B (zh) * 2023-08-29 2023-11-07 青岛东冶耐火材料有限公司 一种铝碳质整体塞棒轮廓弯曲检测方法
CN117115196B (zh) * 2023-10-25 2024-02-06 东莞雕宝自动化设备有限公司 一种切割机刀具磨损视觉检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335952A (zh) * 2014-06-19 2016-02-17 株式会社理光 匹配代价计算方法和装置、以及视差值计算方法和设备
CN108647693A (zh) * 2018-04-20 2018-10-12 华中科技大学 一种基于二元显著性特征的海面红外目标检测方法
CN110110675A (zh) * 2019-05-13 2019-08-09 电子科技大学 一种融合边缘信息的小波域分形红外卷云检测方法
CN114170228A (zh) * 2022-02-14 2022-03-11 西南石油大学 一种计算机图像边缘检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3142068B1 (de) * 2015-09-08 2018-01-03 Sick Ag Verfahren zur dreidimensionalen erfassung von objekten

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335952A (zh) * 2014-06-19 2016-02-17 株式会社理光 匹配代价计算方法和装置、以及视差值计算方法和设备
CN108647693A (zh) * 2018-04-20 2018-10-12 华中科技大学 一种基于二元显著性特征的海面红外目标检测方法
CN110110675A (zh) * 2019-05-13 2019-08-09 电子科技大学 一种融合边缘信息的小波域分形红外卷云检测方法
CN114170228A (zh) * 2022-02-14 2022-03-11 西南石油大学 一种计算机图像边缘检测方法

Also Published As

Publication number Publication date
CN115018850A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN115018850B (zh) 基于图像处理的精密电子零部件冲压孔毛刺检测方法
EP1991946B1 (en) Approaches and apparatus for eye detection in a digital image
CN115351598A (zh) 一种数控机床轴承检测方法
CN115861291B (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
Wu et al. Automated visual inspection of surface mounted chip components
CN116309537A (zh) 一种极耳模具表面油污的缺陷检测方法
CN115841488B (zh) 一种基于计算机视觉的pcb板的检孔方法
CN109462999B (zh) 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置
CN116721107B (zh) 一种电缆生产质量智能监控系统
CN106033535A (zh) 电子阅卷方法
CN113298769B (zh) Fpc软排线外观缺陷检测方法、系统和介质
CN115144399B (zh) 一种基于机器视觉的装配质量检测方法及装置
CN115100191A (zh) 基于工业检测的金属铸件缺陷识别方法
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN115311629B (zh) 一种折弯机的异常折弯精度监测系统
CN115294114A (zh) 一种基于ecu电路焊接的质量检测方法
CN116523922B (zh) 一种轴承表面缺陷识别方法
CN116664569B (zh) 一种焊瘤缺陷检测方法
CN118279304B (zh) 基于图像处理的异型金属件异常识别方法、装置及介质
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN118154586A (zh) 基于机器视觉的连接器裂纹缺陷智能检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN116703912B (zh) 一种迷你主机网口完整性视觉检测方法
CN115254674B (zh) 一种轴承缺陷分选方法
CN116152147A (zh) 一种连接器插针位置偏差检测方法

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