CN115222735B - 一种基于麻点缺陷的金属模具质量检测方法 - Google Patents
一种基于麻点缺陷的金属模具质量检测方法 Download PDFInfo
- Publication number
- CN115222735B CN115222735B CN202211140172.XA CN202211140172A CN115222735B CN 115222735 B CN115222735 B CN 115222735B CN 202211140172 A CN202211140172 A CN 202211140172A CN 115222735 B CN115222735 B CN 115222735B
- Authority
- CN
- China
- Prior art keywords
- image area
- image
- value
- pockmark
- 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
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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
本发明涉及一种基于麻点缺陷的金属模具质量检测方法,包括以下步骤:获取金属模具图像,将获取金属模具图像转化为灰度图;对灰度图进行均匀划分得到多个图像区域,获取图像区域的亮度值;根据亮度值及灰度值计算每个图像区域的粗糙度值;根据亮度值、粗糙度值及亮度最大值计算每个图像区域的中心像素点为麻点缺陷的概率;确定所有像素点中为麻点缺陷的麻点像素点;根据麻点像素点的八邻域内其他麻点像素点的个数,对金属模具的质量判断。本发明方法精确确定每个金属模具上的麻点缺陷位置,提高金属模具上麻点缺陷的判断效率,进而提高金属模具的质量检测的准确率及效率,实用性强,值得推广。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于麻点缺陷的金属模具质量检测方法。
背景技术
麻点缺陷常见于金属表面,其主要以较小的凹坑或凸起的形式存在,而金属模具是用来成型产品的工具,在金属模具生产过程中,由于金属模具的凹模和凸模面上的粗糙度要求较高,当金属模具上存在麻点缺陷,会导致制作成型的产品表面同样出现麻点缺陷,进而导致产品质量不过关,在金属模具出厂前检测到麻点缺陷,金属模具会直接报废,因此,需要对金属模具的质量检测。
在对于金属模具上的麻点缺陷检测时,目前,常用的方法是人工检查或通过图像处理阈值分割的方式来检测金属表面的缺陷,然而人工检查受环境干扰较大,存在漏检误检的可能性大,阈值分割的方式又无法消除光照影响,准确率较低,因此,需要一种基于麻点缺陷的金属模具质量检测方法。
发明内容
本发明提供一种基于麻点缺陷的金属模具质量检测方法,以解决现有的问题。
本发明的一种基于麻点缺陷的金属模具质量检测方法采用如下技术方案:该方法包括:
获取金属模具图像,将金属模具图像转化为灰度图;
对灰度图进行均匀划分得到多个图像区域,获取每个图像区域的亮度值,得到所有图像区域的亮度值中的亮度最大值;
获取每个图像区域内所有像素点的灰度值,根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值;
根据每个图像区域的亮度值、粗糙度值及亮度最大值,计算每个图像区域的中心像素点为麻点缺陷的概率;
根据麻点缺陷的概率及预设的概率阈值,确定所有像素点中为麻点缺陷的麻点像素点;
获取每个麻点像素点的八邻域内存在其他麻点像素点的个数,若不存在其他麻点像素点,则金属模具的质量合格,反之,则金属模具质量不合格。
优选地,获取金属模具图像,将金属模具图像转化为灰度图的步骤包括:
采集原始模具图像;
利用DNN语义分割对原始模具图像进行分割,获得金属模具图像和背景图像,其中,网络的任务是分类,所以使用的loss函数为交叉熵损失函数;
将金属模具图像转化为灰度图。
优选地,获取每个图像区域的亮度值的步骤包括:
获取每个图像区域的灰度直方图;
将每个灰度直方图中的峰值所对应的灰度值作为图像区域的亮度值.
优选地,根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值值的步骤包括:
根据下式(1)计算每个图像区域的粗糙度值:
其中,表示第个图像区域的粗糙度值;表示第个图像区域的灰度波动值;表示第个图像区域内第个像素点的权重;表示图像区域内第个像素点的灰度值与图像区域的亮度值的差值;表示图像区域大小;表示第个图像区域内第个像素点的灰度值。
获取每个图像区域内所有像素点的灰度值中的最大值和最小值;
根据下式(2)计算每个图像区域的像素点的权重:
其中,表示第个图像区域内第个像素点的权重;表示第个图像区域内第个像素点到图像区域的中心像素点的欧式距离;表示区域内所有像素点到区域中心像素点距离的方差,;其中,为区域大小,表示图像区域内第个像素点到图像区域的中心像素点的欧式距离;表示图像区域内第个像素点与图像区域的中心像素点的灰度值的差异度;表示第个图像区域内中心像素点的灰度值;表示第个图像区域中所有像素点灰度值的集合,。
优选地,计算每个图像区域的中心像素点为麻点缺陷的概率的步骤包括:
根据下式(3)计算每个图像区域的中心像素点为麻点缺陷的概率:
其中,表示第个图像区域的粗糙度值;表示第个图像区域的亮度值;表示所有图像区域亮度值的集合;为图像区域中亮度值的亮度最大值;表示当图像区域的亮度值较大,则图像区域的粗糙度值基本保持不变,该粗糙度值作为图像区域的中心像素点为麻点缺陷的概率,当图像区域亮度值较小,则将图像区域粗糙度值扩大,将扩大之后的图像区域的粗糙度值作为麻点缺陷的概率;用于设置麻点缺陷概率的上限,最大为;若图像区域的中心像素点为麻点缺陷的概率越大,则该像素点越可能为麻点缺陷。
优选地,根据麻点缺陷的概率及预设的概率阈值,确定所有像素点中为麻点像素点的步骤包括:
本发明的有益效果是:本发明的一种基于麻点缺陷的金属模具质量检测方法,通过对获取的金属模具图像进行处理得到灰度图,对灰度图进行均匀划分得到多个图像区域,获取每个图像区域的灰度直方图,根据直方图获取图像区域的计算每个图像区域的所有像素点的权重及图像区域的灰度波动值,从而获取不同图像区域的粗糙度值,根据图像区域的粗糙度值获取各图像区域中各像素点为麻点缺陷的概率,从而得到所有像素点中为麻点像素点,根据每个麻点像素点的八邻域内存在其他麻点像素点的个数对金属模具的质量进行评估,从而精确确定每个金属模具上的麻点缺陷位置,提高金属模具上麻点缺陷的判断效率,进而提高金属模具的质量检测的准确率及效率,实用性强,值得推广。
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为本发明的一种基于麻点缺陷的金属模具质量检测方法的实施例总体步骤的流程图。
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。
本发明的一种基于麻点缺陷的金属模具质量检测方法的实施例,如图1所示,该方法包括:
S1、获取金属模具图像,将金属模具图像转化为灰度图,具体的,在金属模具正上方放置相机拍摄像素的金属像;利用DNN语义分割对原始模具图像进行分割,需要分割的像素共分为2类,即对应位置像素属于背景类的标注为0,属于金属模具的标注为1,得到去除背景类像素得金属模具图像,其中,网络的任务是分类,所以使用的loss函数为交叉熵损失函数;将金属模具图像转化为灰度图。
S2、由于麻点缺陷为金属表面形成的较小的凹坑或凸起,在光线照射下,麻点缺陷的背光面较金属表面颜色深,麻点缺陷的向光面较金属表面颜色亮,但光照不均匀,导致图像部分图像区域较亮,部分图像区域较暗,麻点缺陷在较亮的图像区域较为明显,在较暗的图像区域不明显,因此,S21、对灰度图进行均匀划分得到多个图像区域,获取每个图像区域的灰度直方图,具体的,以灰度图上每个像素点为中心,构建一个(本方案)的窗口,灰度图中共有个像素点,则构建了个窗口,将图像划分为了个图像区域,每个图像区域内部光照不变,然后获取每个图像区域的灰度直方图;S22、将每个灰度直方图中的峰值所对应的灰度值作为图像区域的亮度值,得到所有图像区域的亮度值的集合,获取所述集合中亮度值的亮度最大值;具体的,由于在灰度直方图中,若图像区域内不存在麻点缺陷,则图像区域内像素点均为金属表面灰度,则灰度值集中分布,灰度值的分布曲线受噪声干扰呈现高斯分布的趋势;若图像区域内存在较小的麻点缺陷,则图像区域内像素点灰度值在噪声干扰下可能呈现偏态分布的趋势;若图像区域内包含一个完整的麻点缺陷,则图像区域内部像素点的灰度值在噪声干扰下同样呈现高斯分布的趋势,因此,无论图像区域的灰度值的分布曲线呈现高斯分布趋势或偏态分布的趋势,灰度直方图中集中分布的灰度值均表示金属表面灰度,因此,以灰度直方图中的峰值(即高斯分布或偏态分布的峰值)作为图像区域的亮度值,S23、具体的,对第个图像区域的灰度直方图进行高斯平滑处理,以平滑后的灰度直方图的峰值对应的灰度值作为第个图像区域的亮度值,同理,得到所有图像区域的亮度值的集合记为,其中,记为图像区域中亮度值的亮度最大值。
S3、由于图像区域的亮度值实际为金属表面灰度,麻点缺陷的背光面较金属表面颜色深,麻点缺陷的向光面较金属表面颜色亮,以图像区域的粗糙度值来表示图像区域的中心像素点为麻点缺陷的可能性,若图像区域的中心像素点灰度值与图像区域亮度差别越大,且图像区域中心像素点周围像素点灰度值与图像区域亮度差别也越大,则图像区域中心可能存在麻点缺陷,此时图像区域的粗糙度值较大,因此,先获取每个图像区域内所有像素点的灰度值,然后根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值。
具体的,根据下式(1)计算每个图像区域的粗糙度值:
其中,表示第个图像区域的粗糙度值;表示第个图像区域的灰度波动值;表示第个图像区域内第个像素点的权重;表示图像区域内第个像素点的灰度值与图像区域的亮度值的差值;表示图像区域大小;表示第个图像区域内第个像素点的灰度值。
获取每个图像区域的中心像素点的灰度值、所有像素点的灰度值中的最大值和最小值及该图像区域的亮度:当图像区域的中心像素点的灰度值越接近图像区域的亮度值时,所述中心像素点的灰度值与亮度值的差值即为图像区域的灰度波动值;当图像区域的中心像素点的灰度值越接近图像区域中灰度值的最大值或最小值时,所述图像区域中灰度值的极差即为图像区域的灰度波动值;具体的,根据下式(4)计算图像区域的灰度波动值:
其中,表示第个图像区域内第个像素点的权重;表示第个图像区域内第个像素点到图像区域的中心像素点的欧式距离;表示区域内所有像素点到区域中心像素点距离的方差,;其中,为区域大小,表示图像区域内第个像素点到图像区域的中心像素点的欧式距离;表示图像区域内第个像素点与图像区域的中心像素点的灰度值的差异度;表示第个图像区域内中心像素点的灰度值;表示第个图像区域中所有像素点灰度值的集合,。
S4、根据每个图像区域的亮度值、粗糙度值及亮度最大值,计算每个图像区域的中心像素点为麻点缺陷的概率。
具体的,根据下式(3)计算每个图像区域的中心像素点为麻点缺陷的概率:
其中,表示第个图像区域的粗糙度值;表示第个图像区域的亮度值;表示所有图像区域亮度值的集合;为图像区域中亮度值的亮度最大值;表示当图像区域的亮度值较大,则图像区域的粗糙度值基本保持不变,粗糙度值作为图像区域的中心像素点为麻点缺陷的概率,当图像区域亮度值较小,则将图像区域粗糙度值扩大,将扩大之后的图像区域的粗糙度值作为麻点缺陷的概率; 用于设置麻点缺陷概率的上限,最大为;若图像区域的中心像素点为麻点缺陷的概率越大,则该像素点越可能为麻点缺陷。
S5、根据麻点缺陷的概率及预设的概率阈值,确定所有像素点中为麻点像素点;具体的,设定概率阈值为,取0.9,像素点为麻点缺陷的概率为;当,则该像素点是麻点缺陷;当,则该像素点不是麻点缺陷;获取所有的像素点,所述所有的像素点即为麻点像素点。
S6、获取每个麻点像素点的八邻域内存在其他麻点像素点的个数,若不存在其他麻点像素点,则金属模具的质量合格,反之,则金属模具质量不合格,具体的,获取每个麻点像素点的八邻域内存在其他麻点像素点的个数,对所有的像素点进行标记;则将此些麻点像素点标记为同一个麻点缺陷,得到个标记,即个麻点缺陷,每个麻点缺陷分别包含个像素点;若,则不存在麻点缺陷,金属模具的质量合格,若,则存在麻点缺陷,此时金属模具质量不合格。
综上所述,本发明提供一种基于麻点缺陷的金属模具质量检测方法,通过对获取的金属模具图像进行处理得到灰度图,对灰度图进行均匀划分得到多个图像区域,获取每个图像区域的灰度直方图,根据直方图获取图像区域的计算每个图像区域的所有像素点的权重及图像区域的灰度波动值,从而获取不同图像区域的粗糙度值,根据图像区域的粗糙度值获取各图像区域中各像素点为麻点缺陷的概率,从而得到所有像素点中为麻点像素点,根据每个麻点像素点的八邻域内存在其他麻点像素点的个数对金属模具的质量进行评估,从而精确确定每个金属模具上的麻点缺陷位置,提高金属模具上麻点缺陷的判断效率,进而提高金属模具的质量检测的准确率及效率,实用性强,值得推广。
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)
1.一种基于麻点缺陷的金属模具质量检测方法,其特征在于,该方法包括:
获取金属模具图像,将金属模具图像转化为灰度图;
对灰度图进行均匀划分得到多个图像区域,获取每个图像区域的亮度值,得到所有图像区域的亮度值中的亮度最大值;
获取每个图像区域内所有像素点的灰度值,根据每个图像区域的亮度值及该图像区域内所有像素点的灰度值计算每个图像区域的粗糙度值;
根据每个图像区域的亮度值、粗糙度值及亮度最大值,计算每个图像区域的中心像素点为麻点缺陷的概率;
根据麻点缺陷的概率及预设的概率阈值,确定所有像素点中为麻点缺陷的麻点像素点;
获取每个麻点像素点的八邻域内存在其他麻点像素点的个数,若不存在其他麻点像素点,则金属模具的质量合格,反之,则金属模具质量不合格。
2.根据权利要求1所述的一种基于麻点缺陷的金属模具质量检测方法,其特征在于,获取金属模具图像,将金属模具图像转化为灰度图的步骤包括:
采集原始模具图像;
利用DNN语义分割对原始模具图像进行分割,获得金属模具图像和背景图像,其中,网络的任务是分类,所以使用的loss函数为交叉熵损失函数;
将金属模具图像转化为灰度图。
3.根据权利要求1所述的一种基于麻点缺陷的金属模具质量检测方法,其特征在于,获取每个图像区域的亮度值的步骤包括:
获取每个图像区域的灰度直方图;
将每个灰度直方图中的峰值所对应的灰度值作为图像区域的亮度值。
7.根据权利要求1所述的一种基于麻点缺陷的金属模具质量检测方法,其特征在于,计算每个图像区域的中心像素点为麻点缺陷的概率的步骤包括:
根据下式(3)计算每个图像区域的中心像素点为麻点缺陷的概率:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140172.XA CN115222735B (zh) | 2022-09-20 | 2022-09-20 | 一种基于麻点缺陷的金属模具质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211140172.XA CN115222735B (zh) | 2022-09-20 | 2022-09-20 | 一种基于麻点缺陷的金属模具质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222735A CN115222735A (zh) | 2022-10-21 |
CN115222735B true CN115222735B (zh) | 2022-12-27 |
Family
ID=83617510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211140172.XA Active CN115222735B (zh) | 2022-09-20 | 2022-09-20 | 一种基于麻点缺陷的金属模具质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222735B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237355B (zh) * | 2023-11-15 | 2024-02-02 | 宁波快马加鞭科技有限公司 | 基于图像特征的保温杯表面缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596530A (zh) * | 2018-11-13 | 2019-04-09 | 浙江大学 | 光学表面麻点和灰尘缺陷分类的暗场偏振成像装置和方法 |
CN114359276A (zh) * | 2022-03-17 | 2022-04-15 | 武汉海明亮科技发展有限公司 | 基于麻点缺陷的钢模下料优选方案获取方法 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4562126B2 (ja) * | 2004-09-29 | 2010-10-13 | 大日本スクリーン製造株式会社 | 欠陥検出装置および欠陥検出方法 |
-
2022
- 2022-09-20 CN CN202211140172.XA patent/CN115222735B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596530A (zh) * | 2018-11-13 | 2019-04-09 | 浙江大学 | 光学表面麻点和灰尘缺陷分类的暗场偏振成像装置和方法 |
CN114359276A (zh) * | 2022-03-17 | 2022-04-15 | 武汉海明亮科技发展有限公司 | 基于麻点缺陷的钢模下料优选方案获取方法 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
Non-Patent Citations (1)
Title |
---|
基于灰度―游程累加的皮革缺陷自动检测;于彩香等;《皮革与化工》;20081225(第06期);第42-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115222735A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311270B (zh) | 一种塑料制品表面缺陷检测方法 | |
CN115439481B (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
CN114913365A (zh) | 基于机器视觉的人造板质量分类方法及系统 | |
CN116758061A (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116777916B (zh) | 基于泵机金属外壳的缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN110189297B (zh) | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 | |
CN115578389A (zh) | 一种沟槽mos器件的缺陷检测方法 | |
CN115147409A (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
CN117095009B (zh) | 一种基于图像处理的pvc装饰板缺陷检测方法 | |
CN114581692B (zh) | 一种基于智能图形识别的防振锤故障检测方法及系统 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN116152234B (zh) | 基于图像处理的模板端面缺陷识别方法 | |
CN117152180A (zh) | 基于人工智能的矿物铸件缺陷检测方法 | |
CN115018792A (zh) | 基于计算机视觉技术的拉深件起皱检测方法 |
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 |