CN115060725A - 一种双圆盘外观检测方法及装置 - Google Patents

一种双圆盘外观检测方法及装置 Download PDF

Info

Publication number
CN115060725A
CN115060725A CN202210554367.2A CN202210554367A CN115060725A CN 115060725 A CN115060725 A CN 115060725A CN 202210554367 A CN202210554367 A CN 202210554367A CN 115060725 A CN115060725 A CN 115060725A
Authority
CN
China
Prior art keywords
detection
information
image
plastic product
detection scheme
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
Application number
CN202210554367.2A
Other languages
English (en)
Inventor
夏贤兵
叶金水
李波
李明
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.)
Kunshan Diviz Precision Electronics Co ltd
Original Assignee
Kunshan Diviz Precision Electronics 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 Kunshan Diviz Precision Electronics Co ltd filed Critical Kunshan Diviz Precision Electronics Co ltd
Priority to CN202210554367.2A priority Critical patent/CN115060725A/zh
Publication of CN115060725A publication Critical patent/CN115060725A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/10—Devices for transferring samples or any liquids to, in, or from, the analysis apparatus, e.g. suction devices, injection devices
    • 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
    • G01N2021/8411—Application to online plant, process monitoring
    • 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
    • G01N2021/845—Objects on a conveyor
    • G01N2021/8455—Objects on a conveyor and using position detectors
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种双圆盘外观检测方法及装置，涉及自动化检测技术领域，其中，该方法包括：对第一塑胶产品的图像集合进行特征点提取，获得特征点提取结果；根据特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；将检测面位置信息、所述检测面数量信息和检测特征集合输入第一检测方案生成模型中，生成第一检测方案；双圆盘控制模块基于第一检测方案的控制参数运行，对第一塑胶产品进行外观检测，获得第一检测结果；基于第一检测方案，确定检测步骤信息，按照检测步骤信息，对第一检测结果中检测异常产品进行逐步分流。解决了现有技术中塑胶产品外观检测的效率低且检测精度和准确度不高的技术问题。

Description

一种双圆盘外观检测方法及装置
技术领域
本发明涉及自动化检测技术领域，具体涉及一种双圆盘外观检测方法及装置。
背景技术
在工业生产中，流水线加工出的塑胶产品在流入下一环节进行装箱出库或与其他塑胶产品零件拼装前，都需要对塑胶产品的外观进行检测，观察塑胶产品的外观是否存在毛刺、裂纹、烧焦、气泡、光泽不一致等外观缺陷，对存在外观缺陷的塑胶产品进行回炉重造或无害化处理，避免缺陷产品对企业信用产生负面影响。
目前的塑胶产品外观检测方法，一般通过CCD相机结合人工翻转塑胶产品获取产品外观图像后，基于外观图像分析确定塑胶产品是否存在外观缺陷。
由于塑胶产品本身结构形态的多样性，现有的塑料产品外观检测方法不能很好的对塑胶产品的每个面都做到状态采集和缺陷检测，现有技术存在对塑胶产品进行外观检测的检测效率低且检测精度和准确度不高的技术问题。
发明内容
本申请提供了一种双圆盘外观检测方法及装置，用于针对解决现有技术中存在对塑胶产品进行外观检测的检测效率低且检测精度和准确度不高的技术问题。
鉴于上述问题，本申请提供了一种双圆盘外观检测方法及装置。
本申请的第一个方面，提供了一种双圆盘外观检测方法，所述方法包括：基于图像采集模块，采集第一塑胶产品的图像集合；对所述图像集合进行特征点提取，获得第一特征点提取结果；根据所述第一特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；获得第一检测方案生成模型；将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案，所述第一检测方案包括多组所述双圆盘控制模块的控制参数；基于所述第一检测方案，所述双圆盘控制模块接收到所述控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。
本申请的第二个方面，提供了一种双圆盘外观检测装置，所述装置包括：第一获得单元，用于基于图像采集模块，采集第一塑胶产品的图像集合；第一执行单元，用于对所述图像集合进行特征点提取，获得第一特征点提取结果；第二执行单元，用于根据所述第一特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；第一生成单元，用于获得第一检测方案生成模型；第二生成单元，用于将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案，所述第一检测方案包括多组所述双圆盘控制模块的控制参数；第一检测单元，用于基于所述第一检测方案，所述双圆盘控制模块接收到所述控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；第三执行单元，用于基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。
本申请的第三个方面，提供了一种双圆盘外观检测系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如第一方面所述方法的步骤。
本申请的第四个方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的方法通过对第一塑胶产品的图像集合进行特征点提取，获得第一特征点提取结果；根据所述第一特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案；双圆盘控制模块接收到第一检测方案的控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。本申请通过第一塑胶产品的图像集合进行特征点提取，获得第一特征点提取结果；并将所述第一特征点提取结果，具体拆分为检测面位置信息、检测面数量信息和检测特征集合，为后续获取所述第一塑胶产品的具体图像提供截取位点。将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案，基于模型获取针对具体塑胶产品进行检测的方案，避免对塑胶产品外观检测时外观图像获取的遗漏。双圆盘控制模块接收到第一检测方案的控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。达到了自动化的对塑胶产品进行准确高效的外观检测，去除缺陷塑胶产品的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种双圆盘外观检测方法流程示意图；
图2为本申请提供的一种双圆盘外观检测方法中获得第一检测结果的流程示意图；
图3为本申请提供的一种双圆盘外观检测方法中进行多尺度异常卷积特征识别获得检测结果的流程示意图；
图4为本申请提供了一种双圆盘外观检测装置结构示意图；
图5为本申请示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一执行单元12，第二执行单元13，第一生成单元14，第二生成单元15，第一检测单元16，第三执行单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请通过提供了一种双圆盘外观检测方法及装置，用于针对解决现有技术中存在对塑胶产品进行外观检测的检测效率低且检测精度和准确度不高的技术问题。
申请概述
由于塑胶具有高可塑性和强化学稳定性，而被加工成零部件或器具等各类塑胶产品广泛应用于各种场景。同时由于塑胶产品的多样性，其外观形态也具有较大差异。通过现有外观检测方法对塑料产品进行外观检测容易出现遗漏检测面以及表面缺陷检测不准确的现象。现有技术中存在对塑胶产品进行外观检测的检测效率低且检测精度和准确度不高的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请提供的方法通过对第一塑胶产品的图像集合进行特征点提取，获得第一特征点提取结果；根据所述第一特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案；双圆盘控制模块接收到第一检测方案的控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。
在介绍了本申请基本原理后，下面，将参考附图对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，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，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示，本申请提供了一种双圆盘外观检测方法，其中，所述方法应用于一种双圆盘外观检测装置，所述装置包括双圆盘控制模块和图像采集模块，所述方法包括：
S100：基于所述图像采集模块，采集第一塑胶产品的图像集合；
具体而言，所述图像采集模块为像素较高且在对运动物体进行抓拍时无动态模糊的高品质摄像装置。所述第一塑胶产品为以塑胶为主要生产原料制造的工业零件或独立器件。
在所述第一塑胶产品未进入检测装置进行外观检测前，通过所述图像采集模块对第一塑胶产品外观进行大批量的图像获取，确保基于图像信息对所述第一塑胶产品进行观察无视觉死角，大批量图像构成所述第一塑胶产品的图像集合。所述第一塑胶产品的图像集合能够全方位展示所述第一塑胶产品外观状态。
S200：对所述图像集合进行特征点提取，获得第一特征点提取结果；
具体而言，应理解的，不同外观形态的塑胶产品由于生产模具以及加工工艺的差别，容易产生外观缺陷的部位不同，因而在进行塑胶产品外观检测时，可根据该塑胶产品的外观特征进行有所侧重的图像检测，对转折面、缝隙、连接点或细部特征进行重点检测。在本实施例中，所述第一特征点提取结果为对所述第一塑胶产品进行外观检测需要着重检测的所有具体位点，若所述第一塑料产品在进行外观缺陷检测时满足第一特征提取结果中的所有检测信息，则所述第一塑胶产品无外观缺陷。基于所述图像采集模块获得的能够反应所述第一塑胶产品外观状况的所述图像集合进行图像特征点分析提取，形成外观检测特征点集合，获得所述第一特征点提取结果。
可选的，所述第一特征点提取结果也可基于塑胶产品生产过程常见缺陷形态和缺陷发生位点进行外观检测特征点的扩充，扩大对所述第一塑胶产品进行外观检测时的检测精细度。
S300：根据所述第一特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；
具体而言，所述检测面位置信息为将所述第一塑胶产品以一定角度放置于所述图像采集装置下进行图像信息采集时，所述第一塑胶产品需要进行外观检测的外表面之间的相对视觉位置关系，包括使用者在正常操作状态下一直会看到的面，有时会看到的面，较少会看到的面以及不会看到的面。所述检测面数量信息为所述第一塑胶产品进行外观检测具体需要检测的可视面和不可视面的数量，所述检测面的位置和数量在一定程度上决定了所述第一塑胶产品需要进行多少轮检测可以对所有表面进行外观缺陷检测。所述检测特征集合为所述第一塑胶产品进行外观检测时在各个检测面需要进行检测的所有位点。
S400：获得第一检测方案生成模型；
具体而言，所述第一检测方案为具体包括检测项目，检测步骤和检测方法等内容的，能够对所述第一塑胶产品的外观进行全面检测的方案。所述第一检测方案生成模型为内置多组塑胶产品属性和对应该塑胶产品属性的多组塑胶产品外观检测方案的模型。基于所述第一检测方案模型可获得对所述第一塑胶产品进行外观缺陷检测的合适检测方案。具体的，所述第一检测方案包括对所述双圆盘控制模块的参数设置以及分流分拣检测步骤。
S500：将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案，所述第一检测方案包括多组所述双圆盘控制模块的控制参数；
具体而言，所述第一塑胶产品通过履带在流水线上进行外观检测和缺陷产品分拣控制。所述双圆盘控制模块为一种双圆盘外观检测装置，通过高速玻璃转盘与流水线配合对所述第一塑胶产品进行分流，将缺陷产品逐渐去除。所述双圆盘控制模块的控制参数为高速玻璃转盘的旋转速度。将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成所述第一检测方案。所述第一检测方案为对所述第一塑胶产品进行外观检测的具体检测步骤，包括每一个检测步骤以及在每一检测步骤中对所述双圆盘控制模块的控制参数，理论上每个步骤的双圆盘控制模块的控制参数不同。
S600：基于所述第一检测方案，所述双圆盘控制模块接收到所述控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；
具体而言，所述第一检测结果为对所述第一塑胶产品的每一检测面的检测特征进行检测后获得的外观缺陷结果集合，诸如检测面是否存在毛刺、裂纹、烧焦、气泡、光泽不一致等品控缺陷。所述双圆盘控制模块以在所述第一检测方案生成模型中获得的第一检测方案的控制参数运行，对所述第一塑胶产品进行外观检测，获得所述第一检测结果。
S700：基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。
具体而言，所述检测步骤信息为对所述第一塑料产品进行检测时，需要具体检测多少个步骤对所述第一塑胶产品的全部检测面进行缺陷检测。
示例性的，可选择以所述第一塑料产品的检测面数量为依据确定检测步骤的数量，根据所述第一检测方案确定在每一检测步骤需要进行的检测时间检测工序并通过双圆盘控制模块的参数变化实现。如若在步骤S300根据所述第一特征的提取结果确定检测面数量为5面，则对所述第一塑料产品需要进行五步筛分，分流掉有外观缺陷的塑料产品。基于所述第一检测方案控制各个检测步骤的双圆盘控制模块的参数，使各个检测步骤有序对所述第一塑料产品中检测出的异常产品进行逐步分流。
本申请通过第一塑胶产品的图像集合进行特征点提取，获得第一特征点提取结果；并将所述第一特征点提取结果，具体拆分为检测面位置信息、检测面数量信息和检测特征集合，为后续获取所述第一塑胶产品的具体图像提供截取位点。将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案，基于模型获取针对具体塑胶产品进行检测的方案，避免对塑胶产品外观检测时外观图像获取的遗漏。双圆盘控制模块接收到第一检测方案的控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。达到了自动化的对塑胶产品进行准确高效的外观检测，去除缺陷塑胶产品的技术效果。
进一步的，所述获得所述第一检测方案生成模型，本申请提供的方法步骤S400还包括：
S410：获得第一企业的塑胶产品类型信息；
S420：基于所述塑胶产品类型信息采集对应历史塑胶产品检测方案信息和对应塑胶产品基础属性信息；
S430：基于所述塑胶产品基础属性信息和所述历史塑胶产品检测方案信息进行检测方案生成模型训练，构成检测方案生成模型库；
S440：获得所述第一塑胶产品的类型信息，基于所述第一塑胶产品的类型信息从所述检测方案生成模型库中调用所述第一检测方案生成模型，获得所述第一检测方案生成模型。
具体而言，应理解的，为提高企业的市场竞争力，塑胶生产企业往往具有多条生产线生产多种不同类型的塑胶产品。对于不同类型的塑胶产品往往采用不同的外观检测方法筛除存在外观缺陷的塑胶产品，不同类型的塑胶产品外观检测方法的不同之处在于检测面数量不同，具体每个检测面需要检测的特征位点不同，具体特征位点数量也不同。
在本实施例中，所述第一企业为委托进行所述第一塑料产品外观检测的生产厂家，所述塑料产品基础属性信息包括该塑料产品的检测面位置信息、检测面数量信息和检测特征集合的信息。获得所述第一企业当前生产和已停产的所有塑胶产品的类型信息；将所述塑胶产品类型信息作为搜索指令，获得所述第一企业包括当前生产和已停产的所有塑胶产品的基础属性信息和多种历史检测方案信息。
基于所述塑胶产品基础属性信息和所述历史塑胶产品检测方案信息进行检测方案生成模型训练，构成检测方案生成模型库；
获得所述第一塑胶产品的类型信息，基于所述第一塑胶产品的类型信息从所述检测方案生成模型库中调用所述第一检测方案生成模型，获得所述第一检测方案生成模型。
具体而言，所述第一塑料产品的外观缺陷问题需要根据准确的检测方案生成模型来确定，由于所述训练模型为能给根据实际情况不同进行不断的自我训练学习的模型，简单地讲，它是一个数学模型。基于大量的训练数据的训练，其中，训练数据中的每一组训练数据均包括：基于所述塑胶产品类型信息采集对应历史塑胶产品检测方案信息和对应塑胶产品基础属性信息和用来标识历史塑胶产品检测方案结果的标识信息，所述神经网络模型不断地自我的修正，当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的数据训练，并根据训练模型经过训练后数据更加准确的特性，使得所述检测方案生成模型输出的所述第一检测方案生成模型也更加准确，进而达到了获得能够对所述第一塑料产品进行全面完整的外观检测的第一检测方案生成模型，使所述第一塑料产品能够在输入所述第一检测方案生成模型后准确高效的检测出外观缺陷结果的技术效果。
进一步的，如图2所示，所述对所述第一塑胶产品进行外观检测，获得第一检测结果，本申请提供的方法步骤S600还包括：
S610：基于所述图像采集模块对所述第一塑胶产品进行实时图像采集，获得第一图像集合；
S620：获得图像异常卷积特征，基于所述图像异常卷积特征对所述第一图像集合进行图像识别，获得第一图像识别特征值；
S630：根据所述第一图像识别特征值，判断是否需要二次识别；
S640：若需要，则获得该图像采集位点的补充图像信息，基于补充图像信息进行二次图像识别，获得第二图像识别特征值；
S650：若不需要，则基于所述第一图像识别特征值，获得所述第一检测结果。
具体而言，所述第一图像集合为对所述第一塑胶产品的各个检测面进行图像采集获得的多张图像信息。所述图像异常卷积特征为基于现有图像卷积处理方法，分别将待卷积图像和卷积核映射为两个矩阵：待卷积图像矩阵和卷积核矩阵，从而将待卷积图像与卷积核之间的卷积运算，转化为所述待卷积图像矩阵和卷积核矩阵的乘法运算，并对矩阵乘法运算得到的乘积矩阵进行反向映射，从而实现特征提取得到图像异常卷积特征结果，将图像异常卷积特征结果与所述第一塑料产品的实时图像进行比对，判断当前图像的对应图像特征是否存在异常(缺陷)。
基于所述图像采集模块对所述第一塑胶产品进行实时图像采集，获得第一图像集合；基于所述图像异常卷积特征对所述第一图像集合进行图像识别，获得第一图像识别特征值。所述第一图像识别特征值反映了所述第一图像集合的图像清晰度和信息容量以及是否存在塑料产品外观缺陷。预设图像识别特征阈值，若第一图像识别特征值到达该阈值，则说明获得的所述第一塑料产品的图像包含了缺陷信息，则基于所述第一图像识别特征值，获得所述第一检测结果。若第一图像识别特征值未到达该阈值，则说明在该图像采集位点初次获得的图像不清晰或有其他拍摄缺陷，需要在该图像采集位点再次通过图像采集装置进行补充图像信息的采集，基于补充图像信息进行二次图像识别，获得第二图像识别特征值。将所述第二图像识别特征值与图像识别特征阈值比对，根据比对结果选择进行检测结果获得或图像融合后进行检测结果获得。直至在该图像采集位点获得的图像信息可以用于与图像异常卷积特征比对进行检测结果的获取。再基于图像识别特征值获得图像检测结果。
通过图像异常卷积特征确定所采集的图像是否满足外观检测识别要求，并在所采集图像满足外观检测识别要求后，进行特征比对确定所采集图像反映的外观缺陷识别结果。避免无识别价值的外观图像被用于外观缺陷识别检测从而基于无效图像误判检测结果，导致对于所述第一塑料产品的外观检测不够全面有遗漏。达到了基于图像异常卷积特征提高对所述第一塑料产品外观检测识别的准确性的技术效果。
进一步的，如图3所示，本申请提供的方法步骤还包括：
S810：基于所述第二图像识别特征值，判断是否需要进行图像融合；
S820：若需要，则在当前检测步骤不进行分流，并继续进行后续步骤检测；
S830：获得所有步骤的图像采集结果后，进行图像融合，获得第一融合图像信息；
S840：对所述第一融合图像信息进行多尺度异常卷积特征识别后，获得第三图像识别特征值；
S850：基于所述第三图像识别特征值，获得所述第一检测结果。
具体而言，应理解的，照相机没有拍到检测所需图像或拍摄到的目标图像不满足进行图像特征提取的清晰度时，需要重新进行图像获取以满足图像特征提取需要。
在本实施例中，所述图像融合为将多源信道采集到的关于同一目标的图像数据经过图像处理和计算机技术，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像。多尺度异常卷积特征识别为采集多位点的图像信息进行图像卷积识别获得的图像异常卷积识别特征的集合。
基于所述第二图像识别特征值，与预设的该识别位点的图像识别特征阈值比对，若仍旧不满足图像特征识别阈值，则需要进行图像融合提高原始图像的分辨率；在当前检测步骤不能获得图像检测结果进行分流，在当前检测步骤不进行外观缺陷塑料产品的分流去除。所述第一塑料产品继续进行后续步骤检测，获得所有步骤的图像采集结果后，进行图像融合，获得第一融合图像信息；对所述第一融合图像信息进行多尺度异常卷积特征识别后，获得第三图像识别特征值；基于所述第三图像识别特征值，获得所述第一检测结果。
本实施例利用图像融合技术提高了图像信息的利用率、提升原始图像分辨率，并且结合多轮分流获得多尺度异常卷积特征对图像融合结果进行识别比对检测，达到了准确获得所述第一塑料产品的第一检测结果的技术效果。
进一步的，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流，本申请提供的方法步骤S700还包括：
S710：获得异常产品分流检测步骤和异常产品数目信息；
S720：基于所述异常产品数目信息获得异常数目均值；
S730：基于所述异常产品数目信息和所述异常数目均值，对各检测步骤进行权重分配，获得第一权重分配结果；
S740：基于所述第一权重分配结果，对所述异常产品分流检测步骤进行检测时长的调整，获得第一调整时间参数；
S750：基于所述第一调整时间参数对所述第一检测方案进行优化。
具体而言，应理解的，在第一检测方案内，并非在每一步骤获得的所述第一塑料产品的外观缺陷数量都相同，因而如若对每一检测步骤设置相同的检测时间，则可能出现在部分检测步骤的检测结果获取时间宽裕，获得准确检测结果进行缺陷产品分流，在部分检测步骤的检测结果获取时间紧张，存在未检测出或检测出但未分流掉缺陷产品，导致缺陷产品被误判为完好产品的生产事故发生。
在本实施例中，基于步骤S500获得的第一检测方案，获得具体的异常产品分流检测步骤，并获得历史信息中按照第一检测方案进行检测的各分流检测步骤的异常产品数目信息；基于所述异常产品数目信息获得在各分流检测步骤内异常数目的平均数值；基于所述异常产品数目信息和所述异常数目平均数值，对各检测步骤进行权重分配，获得第一权重分配结果；基于所述第一权重分配结果进行加权计算，对所述异常产品分流检测步骤进行检测时长的调整，获得第一调整时间参数；基于所述第一调整时间参数对所述第一检测方案进行优化，使异常检测结果数目较多的检测步骤获得更多的检测时间，对应减少异常检测结果数目较少的检测步骤的检测时间。
本实施例根据在各分流检测步骤内的异常产品数目信息对各个分流检测步骤的耗时进行调整，实现各个分流检测步骤的时间分配满足步骤内的分流检测准确度目标，实现了各分流检测步骤对步骤内的图像信息进行准确异常识别和缺陷产品分流的效果，达到了提高对所述第一塑料产品进行外观检测的准确度和检测效率的技术效果。
进一步的，本申请提供的方法步骤还包括：
S910：获得所述第一塑胶产品的设计复杂度信息和出品精度信息；
S920：基于所述设计复杂度信息和所述出品精度信息，设置预期准确率信息；
S930：基于所述第一检测结果进行检测准确率复核，获得检测准确率信息；
S940：对所述检测准确率信息和所述预期准确率信息进行偏差度分析，获得第一偏差分析系数。
进一步的，本申请提供的方法步骤还包括：
S950：若所述第一偏差分析系数高于容错系数，则基于所述第一偏差分析系数，采用PSO算法对所述第一检测方案生成模型进行优化，获得第一优化检测方案生成模型；
S960：根据所述第一优化检测方案生成模型，为所述第一塑胶产品同批次产品进行检测方案生成，并将所述第一优化检测方案生成模型存储于所述检测方案生成模型库中。
具体而言，应理解的，在工业生产中，对于产品瑕疵具有一定的容错率，对于较小的不影响塑料产品功能用途的瑕疵品保留使用。所述预期准确率为对所述第一塑料产品进行外观检测时，经由多步骤分流检测后得到的塑料产品中残留不合格品的占比。所述第一偏差分析系数为所述第一塑料产品的检测结果偏离企业所能接受的检测结果误差度的偏离程度。所述PSO算法(基于种群的随机优化技术算法)为基于局部最优解模拟寻找全局最优解的迭代算法。
获得所述第一塑胶产品的设计复杂度信息和出品精度信息；基于所述设计复杂度信息和所述出品精度信息，设置预期准确率信息；基于所述第一检测结果进行检测准确率复核，获得检测准确率信息；对所述检测准确率信息和所述预期准确率信息进行偏差度分析，获得第一偏差分析系数。若所述第一偏差分析系数高于容错系数，则基于所述第一偏差分析系数，采用PSO算法对所述第一检测方案生成模型进行优化，获得第一优化检测方案生成模型；根据所述第一优化检测方案生成模型，为所述第一塑胶产品同批次产品进行检测方案生成，并将所述第一优化检测方案生成模型存储于所述检测方案生成模型库中。
通过将实际对所述第一塑料产品的外观检测误差率与预设误差率进行比对，确定当前外观检测方案是否能够最大限度的筛除缺陷塑料产品，并基于此，通过优化算法对原本的外观检测方案进行优化，达到了对所述第一塑料产品进行准确高效高精度的外观缺陷识别检测的技术效果。
实施例二
基于与前述实施例中一种双圆盘外观检测方法相同的发明构思，如图4所示，本申请提供了一种双圆盘外观检测装置，其中，所述装置包括：
第一获得单元11，用于基于图像采集模块，采集第一塑胶产品的图像集合；
第一执行单元12，用于对所述图像集合进行特征点提取，获得第一特征点提取结果；
第二执行单元13，用于根据所述第一特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；
第一生成单元14，用于获得第一检测方案生成模型；
第二生成单元15，用于将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案，所述第一检测方案包括多组所述双圆盘控制模块的控制参数；
第一检测单元16，用于基于所述第一检测方案，所述双圆盘控制模块接收到所述控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；
第三执行单元17，用于基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。
进一步的，所述装置还包括：
第二获得单元，用于获得第一企业的塑胶产品类型信息；
第一采集单元，用于基于所述塑胶产品类型信息采集对应历史塑胶产品检测方案信息和对应塑胶产品基础属性信息；
第一构建单元，用于基于所述塑胶产品基础属性信息和所述历史塑胶产品检测方案信息进行检测方案生成模型训练，构成检测方案生成模型库；
第三获得单元，用于获得所述第一塑胶产品的类型信息，基于所述第一塑胶产品的类型信息从所述检测方案生成模型库中调用所述第一检测方案生成模型，获得所述第一检测方案生成模型。
进一步的，所述装置还包括：
第二采集单元，用于基于所述图像采集模块对所述第一塑胶产品进行实时图像采集，获得第一图像集合；
第一识别单元，用于获得图像异常卷积特征，基于所述图像异常卷积特征对所述第一图像集合进行图像识别，获得第一图像识别特征值；
第一判断单元，用于根据所述第一图像识别特征值，判断是否需要二次识别；
第二判断单元，用于若需要，则获得该图像采集位点的补充图像信息，基于补充图像信息进行二次图像识别，获得第二图像识别特征值；
第三判断单元，用于若不需要，则基于所述第一图像识别特征值，获得所述第一检测结果。
进一步的，所述装置还包括：
第四判断单元，用于基于所述第二图像识别特征值，判断是否需要进行图像融合；
第五判断单元，用于若需要，则在当前检测步骤不进行分流，并继续进行后续步骤检测；
第四执行单元，用于获得所有步骤的图像采集结果后，进行图像融合，获得第一融合图像信息；
第二识别单元，用于对所述第一融合图像信息进行多尺度异常卷积特征识别后，获得第三图像识别特征值；
第四获得单元，用于基于所述第三图像识别特征值，获得所述第一检测结果。
进一步的，所述装置还包括：
第五获得单元，用于获得异常产品分流检测步骤和异常产品数目信息；
第六获得单元，用于基于所述异常产品数目信息获得异常数目均值；
第五执行单元，用于基于所述异常产品数目信息和所述异常数目均值，对各检测步骤进行权重分配，获得第一权重分配结果；
第六执行单元，用于基于所述第一权重分配结果，对所述异常产品分流检测步骤进行检测时长的调整，获得第一调整时间参数；
第七执行单元，用于基于所述第一调整时间参数对所述第一检测方案进行优化。
进一步的，所述装置还包括：
第七获得单元，用于获得所述第一塑胶产品的设计复杂度信息和出品精度信息；
第八执行单元，用于基于所述设计复杂度信息和所述出品精度信息，设置预期准确率信息；
第八获得单元，用于基于所述第一检测结果进行检测准确率复核，获得检测准确率信息；
第九执行单元，用于对所述检测准确率信息和所述预期准确率信息进行偏差度分析，获得第一偏差分析系数。
进一步的，所述装置还包括：
第十执行单元，用于若所述第一偏差分析系数高于容错系数，则基于所述第一偏差分析系数，采用PSO算法对所述第一检测方案生成模型进行优化，获得第一优化检测方案生成模型；
第三生成单元，用于根据所述第一优化检测方案生成模型，为所述第一塑胶产品同批次产品进行检测方案生成，并将所述第一优化检测方案生成模型存储于所述检测方案生成模型库中。
实施例三
基于与前述实施例中一种双圆盘外观检测方法相同的发明构思，本申请还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一内的方法。
示例性电子设备
下面参考图5来描述本申请的电子设备。
基于与前述实施例中一种双圆盘外观检测方法相同的发明构思，本申请还提供了一种双圆盘外观检测系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行实施例一所述方法的步骤。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdiscread-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种双圆盘外观检测方法。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(SolidState Disk，SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (10)

1.一种双圆盘外观检测方法，其特征在于，所述方法应用于一种双圆盘外观检测装置，所述装置包括双圆盘控制模块和图像采集模块，所述方法包括：
基于所述图像采集模块，采集第一塑胶产品的图像集合；
对所述图像集合进行特征点提取，获得第一特征点提取结果；
根据所述第一特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；
获得第一检测方案生成模型；
将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案，所述第一检测方案包括多组所述双圆盘控制模块的控制参数；
基于所述第一检测方案，所述双圆盘控制模块接收到所述控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；
基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。
2.根据权利要求1所述的方法，其特征在于，所述获得所述第一检测方案生成模型，所述方法包括：
获得第一企业的塑胶产品类型信息；
基于所述塑胶产品类型信息采集对应历史塑胶产品检测方案信息和对应塑胶产品基础属性信息；
基于所述塑胶产品基础属性信息和所述历史塑胶产品检测方案信息进行检测方案生成模型训练，构成检测方案生成模型库；
获得所述第一塑胶产品的类型信息，基于所述第一塑胶产品的类型信息从所述检测方案生成模型库中调用所述第一检测方案生成模型，获得所述第一检测方案生成模型。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一塑胶产品进行外观检测，获得第一检测结果，所述方法包括：
基于所述图像采集模块对所述第一塑胶产品进行实时图像采集，获得第一图像集合；
获得图像异常卷积特征，基于所述图像异常卷积特征对所述第一图像集合进行图像识别，获得第一图像识别特征值；
根据所述第一图像识别特征值，判断是否需要二次识别；
若需要，则获得该图像采集位点的补充图像信息，基于补充图像信息进行二次图像识别，获得第二图像识别特征值；
若不需要，则基于所述第一图像识别特征值，获得所述第一检测结果。
4.根据权利要求3所述的方法，其特征在于，所述获得第二图像识别特征值，之后，所述方法包括：
基于所述第二图像识别特征值，判断是否需要进行图像融合；
若需要，则在当前检测步骤不进行分流，并继续进行后续步骤检测；
获得所有步骤的图像采集结果后，进行图像融合，获得第一融合图像信息；
对所述第一融合图像信息进行多尺度异常卷积特征识别后，获得第三图像识别特征值；
基于所述第三图像识别特征值，获得所述第一检测结果。
5.根据权利要求1所述的方法，其特征在于，所述按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流，所述方法包括：
获得异常产品分流检测步骤和异常产品数目信息；
基于所述异常产品数目信息获得异常数目均值；
基于所述异常产品数目信息和所述异常数目均值，对各检测步骤进行权重分配，获得第一权重分配结果；
基于所述第一权重分配结果，对所述异常产品分流检测步骤进行检测时长的调整，获得第一调整时间参数；
基于所述第一调整时间参数对所述第一检测方案进行优化。
6.根据权利要求2所述的方法，其特征在于，所述方法包括：
获得所述第一塑胶产品的设计复杂度信息和出品精度信息；
基于所述设计复杂度信息和所述出品精度信息，设置预期准确率信息；
基于所述第一检测结果进行检测准确率复核，获得检测准确率信息；
对所述检测准确率信息和所述预期准确率信息进行偏差度分析，获得第一偏差分析系数。
7.根据权利要求6所述的方法，其特征在于，所述获得第一偏差分析系数之后，所述方法包括：
若所述第一偏差分析系数高于容错系数，则基于所述第一偏差分析系数，采用PSO算法对所述第一检测方案生成模型进行优化，获得第一优化检测方案生成模型；
根据所述第一优化检测方案生成模型，为所述第一塑胶产品同批次产品进行检测方案生成，并将所述第一优化检测方案生成模型存储于所述检测方案生成模型库中。
8.一种双圆盘外观检测装置，其特征在于，所述装置包括：
第一获得单元，用于基于图像采集模块，采集第一塑胶产品的图像集合；
第一执行单元，用于对所述图像集合进行特征点提取，获得第一特征点提取结果；
第二执行单元，用于根据所述第一特征点提取结果，确定检测面位置信息、检测面数量信息和检测特征集合；
第一生成单元，用于获得第一检测方案生成模型；
第二生成单元，用于将所述检测面位置信息、所述检测面数量信息和所述检测特征集合输入第一检测方案生成模型中，生成第一检测方案，所述第一检测方案包括多组所述双圆盘控制模块的控制参数；
第一检测单元，用于基于所述第一检测方案，所述双圆盘控制模块接收到所述控制参数后，对所述第一塑胶产品进行外观检测，获得第一检测结果；
第三执行单元，用于基于所述第一检测方案，确定检测步骤信息，按照所述检测步骤信息，对所述第一检测结果中检测异常产品进行逐步分流。
9.一种双圆盘外观检测系统，其特征在于，所述系统包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
CN202210554367.2A 2022-05-19 2022-05-19 一种双圆盘外观检测方法及装置 Pending CN115060725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210554367.2A CN115060725A (zh) 2022-05-19 2022-05-19 一种双圆盘外观检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210554367.2A CN115060725A (zh) 2022-05-19 2022-05-19 一种双圆盘外观检测方法及装置

Publications (1)

Publication Number Publication Date
CN115060725A true CN115060725A (zh) 2022-09-16

Family

ID=83199003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210554367.2A Pending CN115060725A (zh) 2022-05-19 2022-05-19 一种双圆盘外观检测方法及装置

Country Status (1)

Country Link
CN (1) CN115060725A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116428972A (zh) * 2023-01-29 2023-07-14 平湖市凯鑫塑业股份有限公司 一种箱包配件质量在线检测方法及系统
CN117527870A (zh) * 2023-12-07 2024-02-06 东莞信易电热机械有限公司 一种塑胶成型的控制方法及系统
CN117761570A (zh) * 2023-03-01 2024-03-26 创正电气股份有限公司 一种防爆灯的性能检测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116428972A (zh) * 2023-01-29 2023-07-14 平湖市凯鑫塑业股份有限公司 一种箱包配件质量在线检测方法及系统
CN116428972B (zh) * 2023-01-29 2024-02-06 平湖市凯鑫塑业股份有限公司 一种箱包配件质量在线检测方法及系统
CN117761570A (zh) * 2023-03-01 2024-03-26 创正电气股份有限公司 一种防爆灯的性能检测方法及系统
CN117761570B (zh) * 2023-03-01 2024-06-07 创正电气股份有限公司 一种防爆灯的性能检测方法及系统
CN117527870A (zh) * 2023-12-07 2024-02-06 东莞信易电热机械有限公司 一种塑胶成型的控制方法及系统
CN117527870B (zh) * 2023-12-07 2024-05-03 东莞信易电热机械有限公司 一种塑胶成型的控制方法及系统

Similar Documents

Publication Publication Date Title
CN115060725A (zh) 一种双圆盘外观检测方法及装置
WO2022042579A1 (zh) 一种用于lcd屏幕的缺陷检测方法、装置
KR20230124713A (ko) 결함 검출 방법, 장치 및 시스템
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN114706358B (zh) 一种直缝焊管的焊接工艺信息处理方法及系统
TWI765442B (zh) 瑕疵等級判定的方法及存儲介質
CN113554649B (zh) 一种缺陷检测方法、装置、计算机设备及存储介质
CN111598801B (zh) 一种用于微弱Mura缺陷的识别方法
CN113379723B (zh) 不规则溢胶口检测方法、装置、设备和存储介质
CN110689524B (zh) 一种无参考在线图像清晰度评价方法与系统
US20200090319A1 (en) Machine learning method implemented in aoi device
CN116519707A (zh) 基于机器视觉的锂电池缺陷检测方法、装置及电子设备
CN102005051A (zh) 一种边缘检测方法以及相关装置
CN112085708A (zh) 产品外轮廓中的直线边缘的缺陷检测方法及设备
CN111221996B (zh) 仪表屏幕视觉检测方法和系统
CN110637227B (zh) 一种检测参数确定方法和检测装置
CN113379678A (zh) 一种电路板检测方法、装置、电子设备及存储介质
CN115601564B (zh) 基于图像识别的胶体轮廓检测方法及系统
CN112052727B (zh) 一种基于大数据的人像识别分析系统及方法
CN115829911A (zh) 检测系统的成像一致性的方法、装置和计算机存储介质
CN114723728A (zh) 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统
CN109949245B (zh) 十字激光检测定位方法、装置、存储介质及计算机设备
CN116993654B (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
US20230316718A1 (en) Learning model generating method and inspection device
CN116958153B (zh) 一种基于切片匹配的无监督缺陷检测方法、系统及介质

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