CN115393357B - 一种镜片表面缺陷检测方法 - Google Patents
一种镜片表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115393357B CN115393357B CN202211330557.2A CN202211330557A CN115393357B CN 115393357 B CN115393357 B CN 115393357B CN 202211330557 A CN202211330557 A CN 202211330557A CN 115393357 B CN115393357 B CN 115393357B
- Authority
- CN
- China
- Prior art keywords
- area
- lens
- image
- claw
- swing
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种镜片表面缺陷检测方法,属于镜片缺陷检测技术领域,其特征在于,包括:S1、将镜片置于平行光源和相机之间,在镜片和平行光源之间设置机械爪,所述机械爪包括位于同一平面上的M根结构相同的摆爪片;在镜片上设置位置标识;S2、步进电机带动摆爪片进行摆动;摆动过程中采集N张图像;S3、对第一张图片进行分析处理;S4、对第二张到N张图像分析处理;S5、进行差分统计。本发明通过不断移动机械爪,使得镜片表面各个区域均出现在机械爪边缘,在机械爪边缘能清晰提取细微缺陷。对于细微缺陷的提取精度相比传统方式会更高。
Description
技术领域
本发明属于镜片缺陷检测技术领域,具体涉及一种镜片表面缺陷检测方法。
背景技术
众所周知,镜片是采用玻璃或树脂等光学材料制作而成的具有一个或多个曲面的透明材料。镜片类别共计三种:普通镜片,蔡司镜片,多功能镜片;其中:蔡司镜片和普通镜片区别为多出一个矩形logo;多功能镜片和普通镜片区别为多出的黄色图案部分;在进行检测时,蔡司镜片和多功能镜片需要把多余logo部分屏蔽避免造成误检测。
目前,传统技术为:通过直接面光等单次拍照方式,整体提取镜片表面缺陷。
传统技术的缺陷是:因检测整体缺陷,不能体现局部细微缺陷,检测缺陷不明显甚至会检测不到。
发明内容
本发明为解决公知技术中存在的技术问题,提供一种镜片表面缺陷检测方法,通过不断移动机械爪,使得镜片表面各个区域均出现在机械爪边缘,在机械爪边缘能清晰提取细微缺陷。对于细微缺陷的提取精度相比传统方式会更高。
本发明的目的是提供一种镜片表面缺陷检测方法,包括:
S1、将镜片置于平行光源和相机之间,在镜片和平行光源之间设置机械爪,所述机械爪包括位于同一平面上的M根结构相同的摆爪片;M为大于1的自然数;在镜片上设置位置标识;
S2、步进电机带动摆爪片进行摆动;摆动过程中采集N张图像;
S3、对第一张图片进行分析处理:
首先进行形态学和阈值处理,提取机械爪部分图像,获得机械爪部分的最小外接圆图像,并生成缺陷显示合成图,按照设定的半径划分出A区、B区、C区;
然后提取位置标识分数,将分数大于0.9的坐标及角度信息进行汇总;
最后对镜片进行检测处理,处理区域分为摆爪部分和除摆爪外其他部分;
S4、对第二张到第N张图像进行分析处理:
首先进行形态学和阈值处理,提取机械爪部分图像,获得机械爪部分的最小外接圆图像,并生成缺陷显示合成图,按照设定的半径划分出A区、B区、C区;
然后提取位置标识分数,将分数大于0.9的坐标及角度信息进行汇总;
随后对镜片进行检测处理,处理区域分为摆爪部分和除摆爪外其他部分;
最后对统计位置标识分数大于0.9的数组中,将分数最高的数据进行提取并创建模板;所述数据包括当时处理的图片,坐标和角度;
S5、进行差分统计:以首次检测位置标识的位置为准,在缺陷显示合成图上进行位置标识膨胀,去除位置标识对检测的影响;然后对最终检测位置标识的位置与首次检测位置标识的位置进行比对,仿射变换最终检测的图像以确保两次缺陷在同一位置;对两次检测的区域分别减去位置标识部分并进行膨胀,膨胀后对两次的区域进行交集运算。
优选地,所述位置标识为三角形。
优选地,在S3中,摆爪部分检测的检测处理包括:
通过灰度阈值将灰度划分为灰度低和灰度高两部分,根据面积阈值将区域划分为面积大和面积小两部分;
针对灰度低但面积大的部分采用均值滤波动态阈值,并进行形态学处理;
针对灰度高但面积小的部分采用高斯导数动态阈值,并进行形态学处理;
将两部分共同提取的缺陷进行合并;
除摆爪外其他部分与机械爪部分最小外接圆的交集部分也进行缺陷提取并进行汇总。
优选地,所述摆爪片为S形、弧形、直条形中的一种。
优选地,每根摆爪片的宽度为5mm,厚度为3mm。
本发明具有的优点和积极效果是:首先采集缺陷的方式与以往不同,由整体单次拍照改为局部多次拍照,这种方式更有利于局部小缺陷的提取。其次第一次检测结束之后的镜片擦拭,通过两次的提取缺陷结果的汇总后再进行差分取交集的方式能够规避掉在检测之前落入的灰尘杂质。最后通过差分后的缺陷区域内与第一次采集每一张图像进行灰度最大值的计算并合成最大灰度合成图,在这部分区域内进行再次提取,确保了检测缺陷的准确性。
附图说明
图1为本发明优选实施例中相机采集到的初始图片;
图2为本发明优选实施例中对初始图片进行形态学阈值处理的结果图;
图3为本发明优选实施例中的区域筛选图;
图4为本发明优选实施例中的镜片区域截取图;
图5为本发明优选实施例中的缺陷显示合成图;
图6为本发明优选实施例中的A、B、C区域示意图;
图7为本发明优选实施例中的提取机械爪图像;
图8为本发明优选实施例中的灰度小面积大部分图像;
图9为本发明优选实施例中的灰度大面积小部分图像;
图10为本发明优选实施例中的两部分合并部分图像;
图11为本发明优选实施例中的摆爪外其他部分图像;
图12为本发明优选实施例中的区域缺陷汇总图像;
图13为本发明优选实施例中的获取小旗子分数最高的图;
图14为本发明优选实施例中的截取小旗子区域部分图;
图15为本发明优选实施例中的对小旗子创建模板图;
图16为本发明优选实施例中的小旗子膨胀图;
图17为本发明优选实施例中的首次检测缺陷合成图;
图18为本发明优选实施例中的最终检测缺陷合成图;
图19为本发明优选实施例中的首次检测去除小旗子合成图;
图20为本发明优选实施例中的最终检测去除小旗子合成图;
图21为本发明优选实施例中的交集合成图;
图22为本发明优选实施例中的差分交集图像提取图;
图23为本发明优选实施例中的局部放大图;
图24为本发明优选实施例中的缺陷显示合成图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,详细说明如下:
下面将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。基于本发明中的技术方案,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。
请参阅图1至图24;一种镜片表面缺陷检测方法,包括:
S1、将镜片置于平行光源和相机之间,在镜片和平行光源之间设置机械爪,所述机械爪包括位于同一平面上的M根结构相同的摆爪片;M为大于1的自然数;在镜片上设置位置标识;所述摆爪片为S形、弧形、直条形中的一种,在本优选实施例中:摆爪片选择的是S形;每根摆爪片的宽度为5mm,厚度为3mm;所述位置标识为三角形;
S2、通过PLC控制步进电机动作,步进电机带动摆爪片进行摆动;摆动过程中采集N张图像;
S3、对第一张图片进行分析处理:
首先进行形态学和阈值处理,提取机械爪部分图像,获得机械爪部分的最小外接圆图像,并生成缺陷显示合成图,按照设定的半径划分出A区、B区、C区;
然后提取位置标识分数,将分数大于0.9的坐标及角度信息进行汇总;
最后对镜片进行检测处理,处理区域分为摆爪部分和除摆爪外其他部分;
其中:摆爪部分检测的检测处理包括:
通过灰度阈值将灰度划分为灰度低和灰度高两部分,根据面积阈值将区域划分为面积大和面积小两部分;
针对灰度低但面积大的部分采用均值滤波动态阈值,并进行形态学处理;
针对灰度高但面积小的部分采用高斯导数动态阈值,并进行形态学处理;
将两部分共同提取的缺陷进行合并;
除摆爪外其他部分与机械爪部分最小外接圆的交集部分也进行缺陷提取并进行汇总。
S4、对第二张到第N张图像进行分析处理:
首先进行形态学和阈值处理,提取机械爪部分图像,获得机械爪部分的最小外接圆图像,并生成缺陷显示合成图,按照设定的半径划分出A区、B区、C区;
然后提取位置标识分数,将分数大于0.9的坐标及角度信息进行汇总;
随后对镜片进行检测处理,处理区域分为摆爪部分和除摆爪外其他部分;
最后对统计位置标识分数大于0.9的数组中,将分数最高的数据进行提取并创建模板;所述数据包括当时处理的图片,坐标和角度;
S5、进行差分统计:以首次检测位置标识的位置为准,在缺陷显示合成图上进行位置标识膨胀,去除位置标识对检测的影响;然后对最终检测位置标识的位置与首次检测位置标识的位置进行比对,仿射变换最终检测的图像以确保两次缺陷在同一位置;对两次检测的区域分别减去位置标识部分并进行膨胀,膨胀后对两次的区域进行交集运算。
下面结合具体的实施例对在上述优选实施例进行详细的解释说明:
因考虑镜片表面灰尘造成的影响,通过差分方式进行检测,即实际检测分为两次,应用层体现为首次检测和最终检测(每次检测摆爪从原点位置运动到另一端,然后再返回原点位置,一个周期取图数量为62张左右,通过多次的取图保证机械爪出现在镜片的各个位置)。
检测镜片需要贴上小旗子贴标。因为首次检测结束,将镜片拿出擦拭后,再将镜片放回去,没办法确保两次放的位置完全一致,为了首次检测和最终检测时两次提取的缺陷位置对应一致,第二次提取的缺陷会随着小旗子的位置变化(相对于首次检测小旗子位置),所提取的缺陷也进行变化
通过plc控制步进电机联动机械爪运动,相机不断触发拍照。
首次获取第一张图片(图1)根据图像中镜片边缘特性可以将摆爪区域切分开,因此镜片内的摆爪可以通过阈值处理获取得到图2,之后通过形态学处理将阈值处理中实际机械爪部分进行提取,得到图3,获得机械爪部分的最小外接圆即镜片区域并生成缺陷显示合成图,按照应用层设定的半径划分出A区,B区,C区。
同时每次拍照过程中进行小旗子标记与小旗子标记模板的特征提取(此小旗子用于两次检测最终缺陷合并之前两次检测整体的位置纠正,小旗子作为特征匹配标记进行实时检测识别并记录每次检测的角度和分数),将分数大于0.9的坐标及其角度信息进行汇总。之后对镜片进行检测处理,处理区域分为两部分:
1.摆爪部分
2.除摆爪外其他部分(并进行与机械爪部分最小外接圆的交集);
主要提取缺陷部分为摆爪部分,摆爪部分检测分为两部分:
1.灰度值低于30但像素大于3个的缺陷区域采用均值滤波动态阈值,并进行形态学处理;
2.灰度值高于30但像素小于等于3个的部分采用高斯导数动态阈值,并进行形态学处理;
将两部分共同提取的缺陷进行重叠覆盖合并。另外的除摆爪外其他部分与机械爪部分最小外接圆的交集部分也进行缺陷提取并进行汇总。
首次检测第一张图片结束后,从第二次到最后一次,首先对图像按照机械爪所获取的外接圆部分进行图像提取,后面部分与首次检测第一张图片步骤一样,在最后一张图片处理结束后,将每张图片提取到的缺陷进行汇总(除新建背景A,B,C区域)。
之后对统计小旗子分数大于0.9的数组中,将分数最高的数据(包括当时处理的图片,坐标和角度)进行提取并从新创建模板。
最终检测第一张图片首先进行形态学,阈值处理等将机械爪部分进行提取,获得机械爪部分的最小外接圆即镜片区域,按照新训练的小旗子模板提取小旗子分数,将分数大于0.9的坐标及其角度信息进行汇总,之后对镜片进行相应的处理,将缺陷部分进行提取汇总。
最终检测第一张结束后,从第二次到最后一次和首次检测一样首先对图像按照机械爪所获取的外接圆部分进行图像提取,缺陷部分以及小旗子分数等进行汇总。
在最终检测最后一张结束后,将每张图片提取到的缺陷进行汇总,之后对统计小旗子分数大于0.9的数组中,将分数最高的数据(包括当时处理的图片,坐标和角度)进行提取。
两次检测均结束开始进行差分统计,以首次检测小旗子位置为准,在缺陷显示合成图上进行一定程度膨胀小旗子,去除小旗子部分造成对检测的影响。然后对最终检测小旗子位置与首次检测小旗子位置进行比对,仿射变换最终检测的图像以确保两次缺陷在同一位置。为了解决小旗子对检测造成影响,此时对两次检测的区域分别减去小旗子位置部分并进行膨胀,膨胀后对两次的区域进行交集运算,如果两次检测过程中镜片落入杂质,通过清理的方式在交集运算时便会被过滤掉。
为了提高检测稳定性及解决缺陷像素数量随着膨胀腐蚀处理造成缺陷数变大,将两次检测的交集区域分别和首次检测的机械爪图片进行图像部分提取并获取每个像素最大灰度值,将高于一定灰度阈值的部分提取出来。
将检测到的缺陷,根据应用层获取到的缺陷尺寸阈值进行过滤,将过滤剩下的缺陷位置坐标汇总返回给应用层,根据之前设定的不同分区A,B,C采用不同的限制参数进行筛选达到最终需要的检测效果。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (4)
1.一种镜片表面缺陷检测方法,其特征在于,包括:
S1、将镜片置于平行光源和相机之间,在镜片和平行光源之间设置机械爪,所述机械爪包括位于同一平面上的M根结构相同的摆爪片;M为大于1的自然数;在镜片上设置位置标识;
S2、步进电机带动摆爪片进行摆动;摆动过程中采集N张图像;
S3、对第一张图片进行分析处理:
首先进行形态学和阈值处理,提取机械爪部分图像,获得机械爪部分的最小外接圆图像,并生成缺陷显示合成图,按照设定的半径划分出A区、B区、C区;
然后提取位置标识分数,将分数大于0.9的坐标及角度信息进行汇总;
最后对镜片进行检测处理,处理区域分为摆爪部分和除摆爪外其他部分;其中:
摆爪部分检测的检测处理包括:
通过灰度阈值将灰度划分为灰度低和灰度高两部分,根据面积阈值将区域划分为面积大和面积小两部分;
针对灰度低但面积大的部分采用均值滤波动态阈值,并进行形态学处理;
针对灰度高但面积小的部分采用高斯导数动态阈值,并进行形态学处理;
将两部分共同提取的缺陷进行合并;
除摆爪外其他部分与机械爪部分最小外接圆的交集部分进行缺陷提取并进行汇总;
S4、对第二张到第N张图像进行分析处理:
首先进行形态学和阈值处理,提取机械爪部分图像,获得机械爪部分的最小外接圆图像,并生成缺陷显示合成图,按照设定的半径划分出A区、B区、C区;
然后提取位置标识分数,将分数大于0.9的坐标及角度信息进行汇总;
随后对镜片进行检测处理,处理区域分为摆爪部分和除摆爪外其他部分;
最后对统计位置标识分数大于0.9的数组中,将分数最高的数据进行提取并创建模板;所述数据包括当时处理的图片,坐标和角度;
S5、进行差分统计:以首次检测位置标识的位置为准,在缺陷显示合成图上进行位置标识膨胀,去除位置标识对检测的影响;然后对最终检测位置标识的位置与首次检测位置标识的位置进行比对,仿射变换最终检测的图像以确保两次缺陷在同一位置;对两次检测的区域分别减去位置标识部分并进行膨胀,膨胀后对两次的区域进行交集运算。
2.根据权利要求1所述的镜片表面缺陷检测方法,其特征在于,所述位置标识为三角形。
3.根据权利要求1所述的镜片表面缺陷检测方法,其特征在于,所述摆爪片为S形、弧形、直条形中的一种。
4.根据权利要求1所述的镜片表面缺陷检测方法,其特征在于,每根摆爪片的宽度为5mm,厚度为3mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330557.2A CN115393357B (zh) | 2022-10-28 | 2022-10-28 | 一种镜片表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330557.2A CN115393357B (zh) | 2022-10-28 | 2022-10-28 | 一种镜片表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115393357A CN115393357A (zh) | 2022-11-25 |
CN115393357B true CN115393357B (zh) | 2023-01-17 |
Family
ID=84114904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330557.2A Active CN115393357B (zh) | 2022-10-28 | 2022-10-28 | 一种镜片表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393357B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008249413A (ja) * | 2007-03-29 | 2008-10-16 | Fujinon Corp | 欠陥検出方法および装置 |
CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN112945988A (zh) * | 2021-02-04 | 2021-06-11 | 宁波舜宇仪器有限公司 | 镜片缺陷检测系统及检测方法 |
CN113252568A (zh) * | 2021-06-10 | 2021-08-13 | 菲特(天津)检测技术有限公司 | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10901327B2 (en) * | 2018-12-20 | 2021-01-26 | Canon Kabushiki Kaisha | Automatic defect analyzer for nanoimprint lithography using image analysis |
CN112419296A (zh) * | 2020-12-03 | 2021-02-26 | 嘉兴驭光光电科技有限公司 | 微纳光学元件表面缺陷检测方法及图像分割方法 |
CN113916893A (zh) * | 2021-09-29 | 2022-01-11 | 逸美德科技股份有限公司 | 模切产品缺陷的检测方法 |
-
2022
- 2022-10-28 CN CN202211330557.2A patent/CN115393357B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008249413A (ja) * | 2007-03-29 | 2008-10-16 | Fujinon Corp | 欠陥検出方法および装置 |
CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN112945988A (zh) * | 2021-02-04 | 2021-06-11 | 宁波舜宇仪器有限公司 | 镜片缺陷检测系统及检测方法 |
CN113252568A (zh) * | 2021-06-10 | 2021-08-13 | 菲特(天津)检测技术有限公司 | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 |
Non-Patent Citations (2)
Title |
---|
Defect detection system for optical element surface based on machine vision;Yuqing Lin et al.;《2019 IEEE 2nd International Conference on Information Systems and Computer Aided Education (ICISCAE)》;20190930;第415-418页 * |
基于同态滤波的手机镜片表面缺陷检测算法研究;袁续凯 等;《计算机与数字工程》;20160930;第44卷(第9期);第1796-1800页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115393357A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111474184B (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
WO2021143343A1 (zh) | 一种产品质量检测方法及装置 | |
CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
TWI455034B (zh) | 條碼辨識方法及其電腦程式產品 | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN108510476B (zh) | 一种基于机器视觉的手机屏线路检测方法 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN109829910A (zh) | 一种基于邻域查找的pcb缺陷检测方法 | |
CN115393357B (zh) | 一种镜片表面缺陷检测方法 | |
CN113112396B (zh) | 导电粒子的检测方法 | |
CN114266895A (zh) | 一种风机叶片图像分割、拼接方法及装置 | |
JP2829934B2 (ja) | 移動車の環境認識装置 | |
JPH07105312A (ja) | 光学式文字読取装置における文字イメージのごみ除去方法及び装置 | |
JP7264428B2 (ja) | 道路標識認識装置及びそのプログラム | |
JP3453952B2 (ja) | 交通流計測装置 | |
CN109741302A (zh) | 基于机器视觉的sd卡形态识别系统和方法 | |
CN109886912B (zh) | 一种推力轴承保持架表面缺陷检测方法 | |
CN113284148B (zh) | 一种屏幕灰尘过滤方法 | |
CN113192061B (zh) | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 | |
CN109521029B (zh) | 一种卡口式汽车车灯灯头侧面外观缺陷的检测方法 |
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 |