CN115187586A - 工件过切与磕伤缺陷的自适应检测方法 - Google Patents

工件过切与磕伤缺陷的自适应检测方法 Download PDF

Info

Publication number
CN115187586A
CN115187586A CN202211082685.XA CN202211082685A CN115187586A CN 115187586 A CN115187586 A CN 115187586A CN 202211082685 A CN202211082685 A CN 202211082685A CN 115187586 A CN115187586 A CN 115187586A
Authority
CN
China
Prior art keywords
workpiece
loss
sample data
function
over
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
CN202211082685.XA
Other languages
English (en)
Inventor
邱增帅
周佩涵
童竹勍
王罡
潘正颐
侯大为
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.)
Changzhou Weiyizhi Technology Co Ltd
Original Assignee
Changzhou Weiyizhi Technology 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 Changzhou Weiyizhi Technology Co Ltd filed Critical Changzhou Weiyizhi Technology Co Ltd
Priority to CN202211082685.XA priority Critical patent/CN115187586A/zh
Publication of CN115187586A publication Critical patent/CN115187586A/zh
Pending legal-status Critical Current

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种工件过切与磕伤缺陷的自适应检测方法，包括：S1、获取工件的样本数据集；S2、获取标准数据集；S3、利用k次多项式对标准数据集进行动态拟合，得到检测函数；S4、将样本数据集代入检测函数中，得到预测参数；S5、计算样本数据与预测参数之间的决定系数R2，根据决定系数R2判断样本数据的缺陷类型，若R2≥0.9，则表明该样本数据为良品工件；若0.6≤R2<0.9，则表明该样本数据为过切缺陷工件；若R2<0.6，则表明该样本数据为磕伤缺陷工件。本发明可以在满足工业现场动态需求且不更改现有工业相机扫描方式的前提下，有效检测出工件的过切缺陷和磕伤缺陷，克服现有依赖于人工核查的桎梏，能够有效提高检测效率，降低对已有设备和集成算法的影响。

Description

工件过切与磕伤缺陷的自适应检测方法
技术领域
本发明涉及工件检测技术领域，尤其涉及一种工件过切与磕伤缺陷的自适应检测方法。
背景技术
在现有的工业质检技术当中，工件的缺陷检测方法通常是将工件固定在检验机台上，由工业相机在不同尺寸视野下，按照特定轨迹进行扫描识别，并通过集成算法对扫描识别出的缺陷进行类型检测。这种方法可以正确识别出大部分缺陷并检测出其所属的缺陷类别。但是，由于工件制作工艺和履带传送角度的原因，工件边缘常常会产生过切和磕伤，过切是指机器在切割工件时，切割部分超出标准；而磕伤是指工件在履带上传送或夹具夹取造成的工件边缘缺陷。
由于过切和磕伤属于边缘缺陷，缺陷发生的位置千变万化，当过切或磕伤缺陷发生时，工业相机容易沿着缺陷的边缘识别，误将其归为良品工件的边缘，导致无法准确识别出来。再者，过切和磕伤都是内凹的缺陷形态，磕伤常常会有较明显的锐角，过切的缺陷形态会流畅很多，现有的集成算法没有设置明确的划分标准，无法将这两种缺陷准确区分开来。因此，现有的检测方法无法准确识别、区分出过切缺陷和磕伤缺陷，导致检测结果与实际工件质量之间存在偏差。并且，其他缺陷一般存在于工件表面，可以通过物理特征（例如长、宽、曲率等）和像素特征（例如亮度、对比度、灰度等）进行描述，容易被检测出来；而过切和磕伤缺陷一般存在于工件边缘，仅能通过物理特征进行描述，因此，更难被识别和区分出来。
目前，对于工件过切和磕伤缺陷只能采用人工核对的方法，将工业相机识别出的边缘缺陷逐个依照标准进行复查，将识别不准确以及没有识别出来的缺陷人为进行再次标注。这种方法不仅耗费大量人力、增加项目成本，还会降低检测效率。
发明内容
本发明要解决的技术问题是：为了解决现有技术中用人工识别工件过切和磕伤缺陷的方式，不仅耗时耗力，而且检测效率低的技术问题。本发明提供一种工件过切与磕伤缺陷的自适应检测方法，能够提高过切和磕伤缺陷识别的准确率，提高检测效率。
本发明解决其技术问题所采用的技术方案是：一种工件过切与磕伤缺陷的自适应检测方法，包括以下步骤：S1、获取工件的样本数据集；S2、获取标准数据集；S3、利用k次多项式对所述标准数据集进行动态拟合，得到检测函数；S4、将所述样本数据集代入所述检测函数中，得到预测参数；S5、计算所述样本数据与预测参数之间的决定系数R2，根据所述决定系数R2判断样本数据的缺陷类型，若R2≥0.9，则表明该样本数据为良品工件；若0.6≤R2<0.9，则表明该样本数据为过切缺陷工件；若R2<0.6，则表明该样本数据为磕伤缺陷工件。
本发明可以在满足工业现场动态需求且不更改现有工业相机扫描方式的前提下，能够有效检测和区分出工件的过切缺陷和磕伤缺陷，克服现有依赖于人工核查的桎梏，能够有效提高检测效率，降低对已有设备和集成算法的影响。
进一步的，所述标准数据集为良品工件的边缘点集。
进一步的，步骤S3中，利用k次多项式对所述标准数据集进行动态拟合，得到检测函数，包括以下步骤：
S3.1利用k次多项式对所述标准数据集进行动态拟合，得到拟合函数
Figure 412233DEST_PATH_IMAGE001
；
S3.2计算所述拟合函数与标准数据y之间的损失函数loss；
S3.3选取损失函数loss最小的拟合函数为检测函数。
进一步的，设标准数据的点坐标为
Figure 865211DEST_PATH_IMAGE002
，则所述拟合函数
Figure 319326DEST_PATH_IMAGE001
为：
Figure 629085DEST_PATH_IMAGE003
其中，
Figure 656733DEST_PATH_IMAGE004
表示次幂，
Figure 710140DEST_PATH_IMAGE005
为系数。
进一步的，所述损失函数loss为：
Figure 753182DEST_PATH_IMAGE006
其中，n表示数据点数。
进一步的，次幂
Figure 233842DEST_PATH_IMAGE004
的取值范围为1～10，k为正整数。
进一步的，步骤S3.2，计算所述拟合函数
Figure 995125DEST_PATH_IMAGE001
与标准数据y之间的损失函数loss，具体包括：
在次幂
Figure 852222DEST_PATH_IMAGE004
的取值范围1~10内，分别计算每个拟合函数
Figure 999039DEST_PATH_IMAGE001
与真实数据y之间的损失函数loss，能够得到10个损失函数loss1～loss10。
进一步的，在损失函数loss1～loss10中选取数值最小的损失函数，该数值最小的损失函数对应的
Figure 650600DEST_PATH_IMAGE004
值拟合出的拟合函数作为检测函数。
进一步的，所述决定系数R2的计算公式为：
Figure 164758DEST_PATH_IMAGE007
其中，
Figure 559967DEST_PATH_IMAGE008
表示样本数据，
Figure 312023DEST_PATH_IMAGE009
表示预测参数，n表示数据点数，
Figure 400064DEST_PATH_IMAGE010
表示样本数据的方差。
本发明的有益效果是，本发明的工件过切与磕伤缺陷的自适应检测方法，利用良品工件的标准数据得到检测函数，将样本数据代入该检测函数中，得到预测参数；再根据决定系数判断样本数据是否存在缺陷以及缺陷类型。本发明可以在满足工业现场动态需求且不更改现有工业相机扫描方式的前提下，能够有效检测出工件的过切缺陷和磕伤缺陷，克服现有依赖于人工核查的桎梏，能够有效提高检测效率，降低对已有设备和集成算法的影响。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的工件过切与磕伤缺陷的自适应检测方法的流程图。
图2是本发明工业相机拍摄的工件局部图片。
图3是本发明的良品工件边缘的示意图。
图4是本发明的过切工件边缘的示意图。
图5是本发明的磕伤工件边缘的示意图。
图6是本发明的不同标号的工件的决定系数的结果图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明的工件过切与磕伤缺陷的自适应检测方法，包括以下步骤：S1、获取工件的样本数据集；S2、获取标准数据集；S3、利用k次多项式对标准数据集进行动态拟合，得到检测函数；S4、将样本数据集代入检测函数中，得到预测参数；S5、计算样本数据与预测参数之间的决定系数R2，根据决定系数R2判断样本数据的缺陷类型，若R2≥0.9，则表明该样本数据为良品工件；若0.6≤R2<0.9，则表明该样本数据为过切缺陷工件；若R2<0.6，则表明该样本数据为磕伤缺陷工件。
本发明可以在满足工业现场动态需求且不更改现有工业相机扫描方式的前提下，能够有效检测并区分出工件的过切缺陷和磕伤缺陷，克服现有依赖于人工核查的桎梏，能够有效提高检测效率，降低对已有设备和集成算法的影响。
需要说明的是，工件的样本数据是工业相机对工件进行扫描后获取的工件图片的边缘点集，即工件边缘的点坐标，获取到工件边缘的所有点坐标后，可以对数据进行一致性检查，删除缺失值、异常值，得到有效的样本数据集。标准数据集是指良品工件的边缘点集，标准数据集可以用于识别和区分过切缺陷和磕伤缺陷。
具体的，步骤S3中，利用k次多项式对标准数据集进行动态拟合，得到检测函数，包括以下步骤：
S3.1利用k次多项式对标准数据集进行动态拟合，得到拟合函数
Figure 135939DEST_PATH_IMAGE011
。
S3.2计算拟合函数
Figure 334839DEST_PATH_IMAGE011
与标准数据y之间的损失函数loss。
S3.3选取损失函数loss最小的拟合函数为检测函数。
设标准数据的点坐标为
Figure 692134DEST_PATH_IMAGE012
，则多项式拟合后得到的拟合函数
Figure 951077DEST_PATH_IMAGE011
为：
1.
Figure 174248DEST_PATH_IMAGE013
，其中，
Figure 911259DEST_PATH_IMAGE014
表示次幂，
Figure 637907DEST_PATH_IMAGE015
为系数，x表示x坐标值，
Figure 67751DEST_PATH_IMAGE017
表示y坐标值。需要说明的是，标准数据的点坐标
Figure 496327DEST_PATH_IMAGE019
是已知的，将若干个标准数据的点坐标
Figure 37030DEST_PATH_IMAGE019
输入数据处理软件（例如matlab、origin）中进行多项式拟合，可以得到具体的拟合函数的表达式
Figure 149343DEST_PATH_IMAGE021
，即求解出一组
Figure 484509DEST_PATH_IMAGE022
。k次多项式拟合的目的是为了得到一组合适的系数
Figure 416693DEST_PATH_IMAGE022
，使得拟合函数与标准数据（即真实数据）之间尽可能相符，这样可以提高后续缺陷检测的准确率。损失函数loss为：
Figure 495507DEST_PATH_IMAGE023
，其中，n表示数据点数，
Figure 210129DEST_PATH_IMAGE024
表示第一个标准数据，
Figure 716197DEST_PATH_IMAGE025
表示第二个标准数据，
Figure 135677DEST_PATH_IMAGE026
表示第n个标准数据，
Figure 18182DEST_PATH_IMAGE027
表示将
Figure 839508DEST_PATH_IMAGE028
代入拟合函数中得到的y坐标的拟合值。在本实施例中，损失函数loss 的表现形式为方差，能够更好的反映标准数据与拟合数据之间的偏离程度，如果方差值大，表明拟合数据的偏离程度越大。在本实施例中，次幂
Figure 782056DEST_PATH_IMAGE029
的取值范围优选为1～10，k为正整数，多项式次幂（维度）过高时，会产生过拟合现象，导致拟合函数的泛化能力较弱。由于本发明的工件的形状结构相同（以良品为准），在拟合时，既要避免多项式过拟合导致泛化能力降低，也要能够明确区分出不同类型的缺陷。
其中，步骤S3.2，计算拟合函数
Figure 672520DEST_PATH_IMAGE030
与标准数据y之间的损失函数loss，具体包括：在次幂
Figure 93138DEST_PATH_IMAGE031
的取值范围1~10内，分别计算每个拟合函数
Figure 768969DEST_PATH_IMAGE032
与真实数据y之间的损失函数loss，能够得到10个损失函数loss1～loss10。在损失函数loss1～loss10中选取数值最小的损失函数，该数值最小的损失函数对应的
Figure 616840DEST_PATH_IMAGE031
值拟合出的拟合函数作为检测函数。换言之，一个
Figure 10912DEST_PATH_IMAGE031
值可以得到一个拟合函数，进而得到一个损失函数，例如当k取1~10时，从1～10依次计算拟合函数
Figure 235220DEST_PATH_IMAGE030
与真实数据y之间的损失函数loss，例如，当k=1时，可以得到拟合函数
Figure 516291DEST_PATH_IMAGE033
，进而得到损失函数loss1，当k=2时，可以得到拟合函数
Figure 800642DEST_PATH_IMAGE034
，进而得到损失函数loss2，当k=3时，可以得到拟合函数
Figure 682010DEST_PATH_IMAGE035
，进而得到损失函数loss3，以此类推，直到计算k=10时，得到拟合函数
Figure 647692DEST_PATH_IMAGE036
，进而得到损失函数loss10。在损失函数loss1～loss10中选取数值最小的损失函数，该数值最小的损失函数对应的k值拟合出的拟合函数作为检测函数。例如，当k=6时拟合出的拟合函数计算得到的损失函数值最小，则将
Figure 829275DEST_PATH_IMAGE037
作为检测函数。这样，能够提高过切缺陷和磕伤缺陷识别的准确性。
在本实施例中，决定系数R2的计算公式为：
Figure 284527DEST_PATH_IMAGE038
，其中，
Figure 902459DEST_PATH_IMAGE039
表示样本数据，
Figure 671832DEST_PATH_IMAGE040
表示预测参数，n表示数据点数，
Figure 707921DEST_PATH_IMAGE041
表示样本数据的方差。将样本数据中的x值代入检测函数中即可获得预测参数
Figure 334074DEST_PATH_IMAGE040
，
Figure 190035DEST_PATH_IMAGE039
表示样本数据中真实的y坐标值。根据决定系数可以分析出
Figure 294257DEST_PATH_IMAGE042
与
Figure 419075DEST_PATH_IMAGE043
之间的差异，即样本数据与标准数据之间的差异，决定系数的值越小，表明样本数据与标准数据之间的差异越小。决定系数反映了预测参数能通过回归关系被样本数据解释的比例，决定系数相当于是对样本数据的评价指标，当R2≥0.9时，表明该样本数据为良品工件；当0.6≤R2<0.9时，表明该样本数据为过切缺陷工件；当R2<0.6时，表明该样本数据为磕伤缺陷工件。
下面结合实际案例来进行说明。
图2是工业相机拍摄的某个工件边缘的局部图片（黑色为背景，灰色部分为工件），利用集成算法对图片进行识别，可以得到工件的边缘轮廓（如图3所示），线段A即为良品工件的边缘，边缘是由一个个坐标点组成的。图4是存在过切缺陷的工件边缘（过切缺陷会导致工件边缘产生毛边），图5是存在磕伤缺陷的工件边缘，可以发现，有过切和磕伤的工件边缘与良品工件的边缘是不同的，并且过切边缘和磕伤边缘之间也是不同的。不同标号的工件采用本发明的步骤可以得到如图6所示的结果，即，2号工件的决定系数为0.55，低于0.6，则判断2号工件为磕伤缺陷工件，3号工件的决定系数为0.7，高于0.6且小于0.9，则判断3号工件为过切工件，4号工件的决定系数为0.95，高于0.9，则判断4号工件为良品工件，5号工件的决定系数为0.7，则判断5号工件也为过切缺陷工件。通过本方法可以快速、准确的识别、区分出过切和磕伤缺陷，能够克服现阶段需要人工核查的桎梏。
综上所述，本发明的工件过切与磕伤缺陷的自适应检测方法，利用良品工件的标准数据得到检测函数，将样本数据代入该检测函数中，得到预测参数；再根据决定系数判断样本数据是否存在缺陷以及缺陷类型。本方法检测方便快捷，在满足工业现场动态需求且不更改现有工业相机扫描方式的前提下，能够克服现有需要人工核查的桎梏，有效检测出工件的过切缺陷和磕伤缺陷，能够降低对现有集成算法的训练成本和影响，即，在不改变已有集成算法的前提下提升了工件质量检测的准确率以及检测效率。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要如权利要求范围来确定其技术性范围。

Claims (9)

1.一种工件过切与磕伤缺陷的自适应检测方法，其特征在于，包括以下步骤：
S1、获取工件的样本数据集；
S2、获取标准数据集；
S3、利用k次多项式对所述标准数据集进行动态拟合，得到检测函数；
S4、将所述样本数据集代入所述检测函数中，得到预测参数；
S5、计算所述样本数据与预测参数之间的决定系数R2，根据所述决定系数R2判断所述样本数据的缺陷类型，
若R2≥0.9，则表明该样本数据为良品工件；
若0.6≤R2<0.9，则表明该样本数据为过切缺陷工件；
若R2<0.6，则表明该样本数据为磕伤缺陷工件。
2.如权利要求1所述的工件过切与磕伤缺陷的自适应检测方法，其特征在于，所述标准数据集为良品工件的边缘点集。
3.如权利要求2所述的工件过切与磕伤缺陷的自适应检测方法，其特征在于，步骤S3中，利用k次多项式对所述标准数据集进行动态拟合，得到检测函数，包括以下步骤：
S3.1利用k次多项式对所述标准数据集进行动态拟合，得到拟合函数；
S3.2计算所述拟合函数
Figure 152730DEST_PATH_IMAGE001
与标准数据y之间的损失函数loss；
S3.3选取损失函数loss最小的拟合函数为检测函数。
4.如权利要求3所述的工件过切与磕伤缺陷的自适应检测方法，其特征在于，设标准数据的点坐标为
Figure 187682DEST_PATH_IMAGE002
，则所述拟合函数
Figure 941880DEST_PATH_IMAGE003
为：
Figure 302454DEST_PATH_IMAGE004
其中，
Figure 158415DEST_PATH_IMAGE005
表示次幂，
Figure 528216DEST_PATH_IMAGE006
为系数。
5.如权利要求4所述的工件过切与磕伤缺陷的自适应检测方法，其特征在于，所述损失函数loss为：
Figure 622074DEST_PATH_IMAGE007
其中，n表示数据点数。
6.如权利要求5所述的工件过切与磕伤缺陷的自适应检测方法，其特征在于，次幂
Figure 887970DEST_PATH_IMAGE008
的取值范围为1～10，k为正整数。
7.如权利要求6所述的工件过切与磕伤缺陷的自适应检测方法，其特征在于，步骤S3.2，计算所述拟合函数
Figure 450801DEST_PATH_IMAGE009
与标准数据y之间的损失函数loss，具体包括：
在次幂
Figure 624293DEST_PATH_IMAGE010
的取值范围1~10内，分别计算每个拟合函数
Figure 103816DEST_PATH_IMAGE011
与真实数据y之间的损失函数loss，能够得到10个损失函数loss1～loss10。
8.如权利要求7所述的工件过切与磕伤缺陷的自适应检测方法，其特征在于，在损失函数loss1～loss10中选取数值最小的损失函数，该数值最小的损失函数对应的
Figure 71772DEST_PATH_IMAGE012
值拟合出的拟合函数作为检测函数。
9.如权利要求8所述的工件过切与磕伤缺陷的自适应检测方法，其特征在于，所述决定系数R2的计算公式为：
Figure 371167DEST_PATH_IMAGE013
其中，
Figure 82771DEST_PATH_IMAGE014
表示样本数据，
Figure 400488DEST_PATH_IMAGE015
表示预测参数，n表示数据点数，
Figure 539346DEST_PATH_IMAGE016
表示样本数据的方差。
CN202211082685.XA 2022-09-06 2022-09-06 工件过切与磕伤缺陷的自适应检测方法 Pending CN115187586A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211082685.XA CN115187586A (zh) 2022-09-06 2022-09-06 工件过切与磕伤缺陷的自适应检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211082685.XA CN115187586A (zh) 2022-09-06 2022-09-06 工件过切与磕伤缺陷的自适应检测方法

Publications (1)

Publication Number Publication Date
CN115187586A true CN115187586A (zh) 2022-10-14

Family

ID=83524126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211082685.XA Pending CN115187586A (zh) 2022-09-06 2022-09-06 工件过切与磕伤缺陷的自适应检测方法

Country Status (1)

Country Link
CN (1) CN115187586A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622277A (zh) * 2017-08-28 2018-01-23 广东工业大学 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN110163853A (zh) * 2019-05-14 2019-08-23 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
CN113780488A (zh) * 2021-11-15 2021-12-10 常州微亿智造科技有限公司 基于位置聚合程度的刮伤与擦伤缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622277A (zh) * 2017-08-28 2018-01-23 广东工业大学 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN110163853A (zh) * 2019-05-14 2019-08-23 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
CN113780488A (zh) * 2021-11-15 2021-12-10 常州微亿智造科技有限公司 基于位置聚合程度的刮伤与擦伤缺陷检测方法

Similar Documents

Publication Publication Date Title
CN115082464A (zh) 除尘机焊接过程中焊缝数据的识别方法及系统
CN107945155B (zh) 一种基于Gabor滤波器的牙膏管肩缺陷检测方法
CN112686920A (zh) 一种圆形零件几何尺寸参数视觉测量方法及系统
US9996766B2 (en) Imaging-based methods for detecting and measuring defects in extruded cellular ceramic articles
CN108492327B (zh) Aoi图像匹配方法、系统、可读存储介质及智能设备
CN117764986A (zh) 基于图像处理的钛板表面缺陷检测方法
CN116109635B (zh) 复合悬式绝缘子表面质量检测方法、装置、设备及介质
CN115294116A (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN112964173A (zh) 一种结构件品质检测方法
CN115587993A (zh) 一种基于ai与机器视觉算法的口罩焊点缺陷检测方法
CN107993223A (zh) 划痕检测方法、装置和电子设备
CN117635595B (zh) 一种精密注塑模胚表面质量视觉检测方法
CN117078679B (zh) 一种基于机器视觉的散热风扇自动组装线生产检测方法
CN117058411B (zh) 电池棱边外形瑕疵识别方法、装置、介质和设备
KR100827906B1 (ko) 기판 검사 장치
CN113780235A (zh) 图标瑕疵检测方法及系统
CN115187586A (zh) 工件过切与磕伤缺陷的自适应检测方法
JP2010243451A (ja) 外観検査装置及び外観検査方法
CN114998346B (zh) 一种防水布质量数据处理、识别方法
CN116152220A (zh) 一种基于机器视觉的种子计数和尺寸测量方法
CN107545560B (zh) 用于轮胎胎侧气泡的检测方法和装置
JP2020064465A (ja) 画像評価方法、画像評価装置、およびプログラム
CN114354491A (zh) 一种基于机器视觉的dcb陶瓷基板缺陷检测方法
CN113780488A (zh) 基于位置聚合程度的刮伤与擦伤缺陷检测方法
JP2021189238A (ja) ベルト検査システムおよびベルト検査プログラム

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221014

RJ01 Rejection of invention patent application after publication