CN115266732B - 基于机器视觉的碳纤维丝束缺陷检测方法 - Google Patents
基于机器视觉的碳纤维丝束缺陷检测方法 Download PDFInfo
- Publication number
- CN115266732B CN115266732B CN202210906598.5A CN202210906598A CN115266732B CN 115266732 B CN115266732 B CN 115266732B CN 202210906598 A CN202210906598 A CN 202210906598A CN 115266732 B CN115266732 B CN 115266732B
- Authority
- CN
- China
- Prior art keywords
- area
- defect
- region
- carbon fiber
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 111
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 229920000049 Carbon (fiber) Polymers 0.000 title claims abstract description 51
- 239000004917 carbon fiber Substances 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims description 19
- 230000002950 deficient Effects 0.000 claims description 14
- 206010004542 Bezoar Diseases 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 5
- 230000018109 developmental process Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007380 fibre production Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010020112 Hirsutism Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及机器视觉领域，具体涉及一种基于机器视觉的碳纤维丝束缺陷检测方法，包括如下步骤：采集碳纤维丝束的图像；对采集到的图像进行图像增强和阈值分割；提取区域的特征和缺陷特征；根据缺陷特征值对四个不同缺陷进行定性判断；统计各类缺陷的信息和位置；本发明只需采样少量样本数据即可对碳纤维丝束缺陷进行检测出来，开发时间周期短，投入时间、精力少，方法可维护，可扩展性强，如果出现新的缺陷需要检测，可以快速的进行增补检测方法，对CPU性能要求低，普通的CPU就满足训练要求，而不需要高成本的硬件配置，也由于成本更低，因此可以更快地改进迭代。
Description
技术领域
本发明涉及机器视觉技术领域，尤其是涉及一种基于机器视觉的碳纤维丝束缺陷检测方法。
背景技术
碳纤维丝束作为碳纤维复合材料的重要的组成部分，需求量大。碳纤维缺陷主要分为四类，纬线、断丝、毛团、打结。碳纤维生产过程中会出现该四类缺陷，如果缺陷没有检测出会导致那一卷碳纤维丝束产品报废，带来的经济损失巨大，使用报废的碳纤维丝束制作的产品质量也有一定影响。
现有的碳纤维丝束缺陷检测技术主要以人工检测为主，工人站在碳纤维丝束生产线下方目视检测，并且产线是24小时工作。一条产线上的碳纤维丝束很多，需要好几个工人分别在不同区域进行目视检测，应接不暇，很难保证碳纤维丝束的质量，同时人工成本高、费时费力，难以满足大规模生产需求，而且产线上碳纤维丝容易会飘散在空中，人体接触或者吸入会有一定不适症状。
近年来，随着机器视觉检测技术发展迅速，在工业产品质量检测上也广泛应用。采用基于机器视觉的碳纤维丝束缺陷检测方法，能够快速定位缺陷位置，提高检测精度、减少误报和漏报，有效的提高碳纤维生产效率和减少人员劳动强度和成本，
其中也有采用深度学习进行检测，但深度学习需要采集大量的缺陷样本数据集，建立大样本缺陷数据集的难度较大，需要花费大量时间、精力、金钱，并且开发周期较长。如果出现新的缺陷的时候，深度学习的方法又需要搜集大量缺陷数据集，并重新训练，造成人工成本的提升。深度网络需要高端GPU在大量数据的合理时间内进行训练。这些GPU非常昂贵，但是如果没有它们训练深层网络来实现高性能，这在实际上并不可行。要有效使用这样的高端GPU，还需要快速的CPU、SSD存储以及快速和大容量的RAM。
发明内容
针对上述问题，本发明的目的是提供一种基于机器视觉的碳纤维丝束缺陷检测方法开发时间周期短，投入时间、精力少，方法可维护，可扩展性强，可快速进行增补检测方法，而且成本更低。
为了解决上述技术问题，本发明采用的技术方案如下：一种基于机器视觉的碳纤维丝束缺陷检测方法，包括如下步骤：
S1采集碳纤维丝束的图像并选取ROI区域；
S2对ROI区域的图像进行图像增强和阈值分割；
S3对阈值分割后的各个区域进行高度、长度、矩形度的筛选，并根据区域高度、长度特征值进行断丝、纬线缺陷检测，具体方法包括：第一步进行断丝缺陷检测，断丝缺陷明显的特征是区域高度，因此对区域中各个连通域进行统计高度，当连通域区域高度低于断丝最大值H0的时候，即识别为断丝缺陷，若不存在低于H0，即不存在断丝缺陷；
第二步进行纬线缺陷检测，纬线缺陷的特征是碳纤维丝之间横插碳纤维丝束带，即区域的长度会远大于普通碳纤维丝束带，当连通域区域长度大于纬线最大值L0的时候，并对该区域进行形态学开运算，采用矩形结构元素进行先腐蚀操作，后膨胀操作，进行计算开运算后区域面积，如果面积大于0则表示存在纬线缺陷，若面积等于0，即代表不存在纬线区域，若不存在低于L0，即为不存在断丝缺陷，
第三步进行矩形度筛选，当矩形度大于J0，则不认为是缺陷碳纤维丝束带，筛选出矩形度小于J0用于后面缺陷特征提取的目标区域；
S4对筛选后的区域进行缺陷特征值提取，并根据缺陷特征值进行缺陷检测，具体方法包括：第一步对筛选后的区域进行孔洞检测，将区域中的孔洞进行填充，并用填充后的区域与填充前的区域进行做差运算，根据区域特征和亚像素边缘轮廓对差值区域进行筛选，判断缺陷区域，第二步对筛选后区域计算最小外接矩形坐标，根据最小外接矩形区域和最小外接矩形的坐标，在图像最上方和最下方进行生成两个小矩形区域，并和原来区域进行联合，对联合好的区域进行填充，并用填充后的区域减去填充前的区域，得到的差值区域即为毛团、打结缺陷带来的空白区域，第三步对矩形度筛选后区域计算最小外接矩形和最大内接矩形宽度差L，若宽度差L<L1代表该区域不是缺陷区域，若L>L0则表示该区域为缺陷区域，若L1<L<L0对该区域进行矩形元素闭运算，并进行闭运算前后差运算，对差值区域进行连通域计算，若连通数>C0则认为是缺陷区域；
第三步对矩形度筛选后区域计算最小外接矩形和最大内接矩形宽度差L，若宽度差L<L1代表该区域不是缺陷区域，若L>L0则表示该区域为缺陷区域，若L1<L<L0对该区域进行矩形元素闭运算，并进行闭运算前后差运算，对差值区域进行连通域计算，若连通数>C0则认为是缺陷区域；
S5对缺陷区域进行分类，并统计各类缺陷的信息和位置。
在上述技术方案中，对采集碳纤维丝束并选取ROI区域的具体方法包括：通过工业相机实时采集生产过程中的碳纤维丝束图片，进行ROI选取即通过人工框选选中心区域作为检测区域。
在上述技术方案中，对ROI区域的图像进行图像增强和阈值分割的具体方法包括：对ROI区域的图像进行色彩转换，将三通道图像转化为单通道图像，公式如下：GRAY＝B*0.114+G*0.387+R*0.299。将灰度图像进行对比度增强，增强图像的高频区域(边缘和拐角)，使图像看起来更清晰，数学表达式：res:＝round((orig-mean)*Factor)+orig，新的像素值res等于原始图像该点的像素值(orig)减去对内核大小范围内所有点的像素值的平均像素值，然后对这个结果近似取整，再把这个值加上原来这点的像素值，得到这个最终结果去替换原来这点的像素值。将增强后的图像进行全局阈值分割，其中阈值分割原理：设定某一阈值T将图像分成两部分，大于T的像素群和小于T的像素群，函数表达式：
在上述技术方案中，对缺陷区域进行分类，并统计各类缺陷的信息和位置的具体方法包括：打结和毛团的明显区别在于缺陷区域的灰度值，毛团偏亮，打结偏暗，因此通过计算缺陷区域的灰度平均值，当灰度平均值大于G0则认为是毛团，否则是打结，统计上述所有缺陷区域的信息和坐标位置。
在上述技术方案中，S4中判断缺陷区域分方法为：对差值区域进行面积、宽度、矩形度筛选，如果存在筛选后的区域，并计算区域中连通域个数N，若N>N0则认为存在缺陷区域。
在上述技术方案中，S4中判断缺陷区域分方法为：对差值区域进行面积、高度、坐标筛选，避免一些杂点和一边连在一起碳纤维丝束带的影响，若存在筛选后区域，并计算区域面积S，若S>S0则认为该区域是缺陷区域。
在上述技术方案中，S4中判断缺陷区域分方法为：对差值区域进行亚像素边缘轮廓提取，并将轮廓分割成线段，对边缘线段进行角度的判断，若是缺陷区域线段的角度应该在60°到80°或者100°到120°之间，根据此限定条件进行筛选出符合条件的线段，并对线段进行长度限定，避免一些干扰线段影响，若满足角度范围和长度范围，即认为该区域为缺陷区域，否则不是缺陷区域。
综上所述，采用本发明的技术方案相较于传统技术手段具有的有益效果是：本发明只需采样少量样本数据即可对碳纤维丝束缺陷进行检测出来，开发时间周期短，投入时间、精力少，方法可维护，可扩展性强，如果出现新的缺陷需要检测，可以快速的进行增补检测方法，对CPU性能要求低，普通的CPU就满足训练要求，而不需要高成本的硬件配置，也由于成本更低，因此可以更快地迭代，并在更短的时间内尝试多种不同的技术。
附图说明
通过下面结合附图的详细描述，本发明前述的和其他的目的、特征和优点将变得显而易见。
图1为本发明的流程示意图；
图2为本发明S3，S4中缺陷检测和区域缺陷提取的流程示意图。
具体实施方式
以下依据本发明的理想实施例为启示，通过以下的说明内容，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，必须要根据权利要求范围来确定其技术性范围。
参考附图1和附图2，对本发明进行进一步地说明：
实施例：
由相机采集到含缺陷的碳纤维丝束图像
进行ROI提取，由于碳纤维丝束是黑色的故采用白色背景板，因此选取白色底板部分的碳纤维丝束图像作为感兴趣区域。
对图像进行图像增强，使得黑色区域和白色区域明显区分开，有效避免光照和背景的干扰。对增强后的区域进行全局阈值分割，选取的阈值为70，选取灰度值低于70的区域。并依据打散的区域面积筛选出面积大于2000个像素值的区域，太小的区域是噪点不属于检测范围。
将筛选后的图像区域进行纬线检测，提取区域的宽度，若区域宽度大于2000个像素点的时候，并进行形态学开运算，采用长度为1500、宽度为30的矩形区域进行运算，如果运算后存在矩形区域，则认为是纬线缺陷。否则认为不是纬线缺陷。当检测为纬线缺陷，输出纬线区域的中心点。
提取筛选后的图像区域进行断丝检测，计算区域的宽度和高度。当区域的高度低于400个像素点，且宽度大于60个像素点的时候，则认为是断丝缺陷，否则不认为是断丝缺陷。当检测为断丝区域，输出断丝缺陷区域的中心点。
由于良好的碳纤维丝束应该呈现矩形或者梯形等规则形状，通过计算区域的矩形度，并筛选出矩形度小于0.8的区域，如果存在该区域则认为大概率存在缺陷。对筛选后的目标区域进行孔洞检测，先对区域进行轻微腐蚀，避免碳纤维丝束由于几根碳纤维丝造成的孔洞。将区域进行填充，并采用区域做差的方法，提取出孔洞区域，对孔洞区域进行面积、宽度限定，若存在孔洞则认为该区域的碳纤维丝束存在缺陷，输出缺陷所在中点位置。
接着对区域进行最小外接矩形区域生成，根据最小外接矩形区域。根据最小外接矩形的坐标，在图像最上方和最下方进行生成两个小矩形区域，并和原来区域进行联合。对联合好的区域进行填充，并用填充后的区域减去填充前的区域，得到差值区域即为由于毛团、打结缺陷带来的空白区域，对差值区域进行面积、高度、坐标筛选，避免一些杂点和一边连在一起碳纤维丝束带的影响。若存在筛选后区域，并计算区域面积，若面积大于15000个像素值则认为该区域是缺陷区域，输出缺陷所在中点位置。
对目标区域进行最小外接矩形和最大内接矩形的宽度差计算，若宽度差大于100个像素点，即认为是缺陷区域，并输出缺陷所在中点位置。若宽度差小于40个像素点，则认为不是缺陷区域。当宽度值在40到100范围中，采用大矩形元素闭运算，并进行闭运算前后差运算，对差值区域进行连通域计算，并对差值区域进行高度、宽度和矩形度的限定，若限定后的连通数>3则认为是缺陷区域，并输出缺陷中点位置。
最后计算缺陷区域的平均灰度值，毛团偏亮，打结偏暗，当缺陷区域的平均灰度值大于35则认为是毛团，否则认为是打结。统计上述所有缺陷区域的信息和坐标位置，并进行分析处理。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)
1.一种基于机器视觉的碳纤维丝束缺陷检测方法，其特征在于，包括如下步骤：
S1采集碳纤维丝束的图像并选取ROI区域；
S2对ROI区域的图像进行图像增强和阈值分割；
S3对阈值分割后的各个区域进行高度、长度、矩形度的筛选，并根据区域高度、长度特征值进行断丝、纬线缺陷检测，具体方法包括：
第一步进行断丝缺陷检测，断丝缺陷明显的特征是区域高度，因此对区域中各个连通域进行统计高度，当连通域区域高度低于断丝最大值H0的时候，即识别为断丝缺陷，若不存在低于H0，即不存在断丝缺陷；
第二步进行纬线缺陷检测，纬线缺陷的特征是碳纤维丝之间横插碳纤维丝束带，即区域的长度会远大于普通碳纤维丝束带，当连通域区域长度大于纬线最大值L0的时候，并对该区域进行形态学开运算，采用矩形结构元素进行先腐蚀操作，后膨胀操作，进行计算开运算后区域面积，如果面积大于0则表示存在纬线缺陷，若面积等于0，即代表不存在纬线区域，若不存在低于L0，即为不存在断丝缺陷，
第三步进行矩形度筛选，当矩形度大于J0，则不认为是缺陷碳纤维丝束带，筛选出矩形度小于J0用于后面缺陷特征提取的目标区域；S4对筛选后的区域进行缺陷特征值提取，并根据缺陷特征值进行缺陷检测，具体方法包括：第一步对筛选后的区域进行孔洞检测，将区域中的孔洞进行填充，并用填充后的区域与填充前的区域进行做差运算，根据区域特征和亚像素边缘轮廓对差值区域进行筛选，判断缺陷区域，第二步对筛选后区域计算最小外接矩形坐标，根据最小外接矩形区域和最小外接矩形的坐标，在图像最上方和最下方进行生成两个小矩形区域，并和原来区域进行联合，对联合好的区域进行填充，并用填充后的区域减去填充前的区域，得到的差值区域即为毛团、打结缺陷带来的空白区域，第三步对矩形度筛选后区域计算最小外接矩形和最大内接矩形宽度差L，若宽度差L<L1代表该区域不是缺陷区域，若L>L0则表示该区域为缺陷区域，若L1<L<L0对该区域进行矩形元素闭运算，并进行闭运算前后差运算，对差值区域进行连通域计算，若连通数>C0则认为是缺陷区域；
S5对缺陷区域进行分类，并统计各类缺陷的信息和位置。
2.根据权利要求1所述的一种基于机器视觉的碳纤维丝束缺陷检测方法，其特征在于，对采集碳纤维丝束并选取ROI区域的具体方法包括：通过工业相机实时采集生产过程中的碳纤维丝束图片，进行ROI选取即通过人工框选选中心区域作为检测区域。
3.根据权利要求1所述的一种基于机器视觉的碳纤维丝束缺陷检测方法，其特征在于，对ROI区域的图像进行图像增强和阈值分割的具体方法包括：对ROI区域的图像进行色彩转换，将三通道图像转化为单通道图像，公式如下：GRAY＝B*0.114+G*0.387+R*0.299。将灰度图像进行对比度增强，增强图像的高频区域(边缘和拐角)，使图像看起来更清晰，数学表达式：res:＝round((orig-mean)*Factor)+orig，新的像素值res等于原始图像该点的像素值(orig)减去对内核大小范围内所有点的像素值的平均像素值，然后对这个结果近似取整，再把这个值加上原来这点的像素值，得到这个最终结果去替换原来这点的像素值。将增强后的图像进行全局阈值分割，其中阈值分割原理：设定某一阈值T将图像分成两部分，大于T的像素群和小于T的像素群，函数表达式：
4.根据权利要求1所述的一种基于机器视觉的碳纤维丝束缺陷检测方法，其特征在于，对缺陷区域进行分类，并统计各类缺陷的信息和位置的具体方法包括：打结和毛团的明显区别在于缺陷区域的灰度值，毛团偏亮，打结偏暗，因此通过计算缺陷区域的灰度平均值，当灰度平均值大于G0则认为是毛团，否则是打结，统计上述所有缺陷区域的信息和坐标位置。
5.根据权利要求1所述的一种基于机器视觉的碳纤维丝束缺陷检测方法，其特征在于：S4中判断缺陷区域分方法为：对差值区域进行面积、宽度、矩形度筛选，如果存在筛选后的区域，并计算区域中连通域个数N，若N>N0则认为存在缺陷区域。
6.根据权利要求1所述的一种基于机器视觉的碳纤维丝束缺陷检测方法，其特征在于：S4中判断缺陷区域分方法为：对差值区域进行面积、高度、坐标筛选，避免一些杂点和一边连在一起碳纤维丝束带的影响，若存在筛选后区域，并计算区域面积S，若S>S0则认为该区域是缺陷区域。
7.根据权利要求1所述的一种基于机器视觉的碳纤维丝束缺陷检测方法，其特征在于：S4中判断缺陷区域分方法为：对差值区域进行亚像素边缘轮廓提取，并将轮廓分割成线段，对边缘线段进行角度的判断，若是缺陷区域线段的角度应该在60°到80°或者100°到120°之间，根据此限定条件进行筛选出符合条件的线段，并对线段进行长度限定，避免一些干扰线段影响，若满足角度范围和长度范围，即认为该区域为缺陷区域，否则不是缺陷区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210906598.5A CN115266732B (zh) | 2022-07-29 | 2022-07-29 | 基于机器视觉的碳纤维丝束缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210906598.5A CN115266732B (zh) | 2022-07-29 | 2022-07-29 | 基于机器视觉的碳纤维丝束缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115266732A CN115266732A (zh) | 2022-11-01 |
| CN115266732B true CN115266732B (zh) | 2024-05-28 |
Family
ID=83770631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210906598.5A Active CN115266732B (zh) | 2022-07-29 | 2022-07-29 | 基于机器视觉的碳纤维丝束缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115266732B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109642B (zh) * | 2023-04-13 | 2023-06-20 | 新创碳谷集团有限公司 | 一种碳纤维断丝缺陷检测方法、设备及存储介质 |
| CN116580023B (zh) * | 2023-07-10 | 2023-09-15 | 新创碳谷集团有限公司 | 一种碳纤维纱线表面毛团监测方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000028120A2 (fr) * | 1998-11-05 | 2000-05-18 | Visioreg S.A. | Systeme d'acquisition pour l'inspection de tissu |
| CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
-
2022
- 2022-07-29 CN CN202210906598.5A patent/CN115266732B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000028120A2 (fr) * | 1998-11-05 | 2000-05-18 | Visioreg S.A. | Systeme d'acquisition pour l'inspection de tissu |
| CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器视觉的碳纤维预浸料表面缺陷检测方法;路浩;陈原;;纺织学报;20200415(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115266732A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115266732B (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
| CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
| CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
| CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
| CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
| CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
| CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
| CN113658131B (zh) | 一种基于机器视觉巡游式环锭纺断纱检测方法 | |
| CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
| CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
| CN118196068B (zh) | 一种基于人工智能的纺织品印染质量监控系统 | |
| CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
| CN112001299A (zh) | 一种隧道车指器和照明灯故障识别方法 | |
| CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN111753794A (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
| CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
| CN105260559B (zh) | 一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法 | |
| CN115311265A (zh) | 基于纺织质量的织布机智能控制系统 | |
| CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
| CN105787955A (zh) | 一种带钢缺陷的稀疏分割方法及其分割装置 | |
| CN117557937A (zh) | 一种监控摄像头图像异常检测方法及系统 | |
| CN115937143A (zh) | 一种织物缺陷检测方法 | |
| Guo et al. | Fault diagnosis of power equipment based on infrared image analysis |
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 |