CN115456999B - 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 - Google Patents
一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 Download PDFInfo
- Publication number
- CN115456999B CN115456999B CN202211130009.5A CN202211130009A CN115456999B CN 115456999 B CN115456999 B CN 115456999B CN 202211130009 A CN202211130009 A CN 202211130009A CN 115456999 B CN115456999 B CN 115456999B
- Authority
- CN
- China
- Prior art keywords
- saw chain
- image
- defect
- detection
- rivet
- 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 93
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 20
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000001360 synchronised effect Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims description 3
- 101100408453 Arabidopsis thaliana PLC5 gene Proteins 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及锯链缺陷检测技术领域，尤其涉及一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法，包括运动控制模块、与运动控制模块连接的图像采集模块、以及与图像采集模块连接的图像处理与缺陷检测模块；图像采集模块包括工业镜头、CCD面阵相机和光源，光源包括同轴光源和碗型光源；运动控制模块包括PLC、电机转轴和同步带，同步带在电机转轴的驱动下牵引开环锯链运动，CCD面阵相机采集运动过程中的锯链图片。本发明通过在准确定位锯链图像中铆钉位置后，采用仿射变换分割锯链图像中各零件部分，简化图像特征；建立基于YOLOv3算法的缺陷检测模型，实现对分割后锯链图像的精确识别，提高了缺陷检测的精度。
Description
技术领域
本发明涉及锯链缺陷检测技术领域，尤其涉及一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法。
背景技术
链锯作为林业机械重要的工具之一，具有传递率大、效率高、寿命长的优点。锯链作为链锯的主要功能部件，其生产质量直接影响链锯的工作效率、工人操作安全等。锯链在加工装配过程中，由于当前生产水平和设备的限制，极易产生刀片破损、铆钉铆裂、传动片混料、连接片混料、铆钉漏铆等多种类型的缺陷。目前对锯链缺陷的检测仍以人工检测为主，存在缺陷检测的主观性误判以及人力成本高的问题。而针对锯链缺陷自动化检测的相关研究较少。对于工业产品表面的缺陷检测问题，多采用机器视觉的方式采集工件图像，运用传统图像处理、深度学习等方法实现工业产品缺陷的自动化检测，检测速度快、检测精度高于人工检测。
目前，现有的锯链缺陷自动化检测方法为采用机器视觉的方法采集锯链图像，通过YOLOv4算法建立特征数识别模型，将模型输出的特征数信息与标准值比对判断是否存在缺陷。由于锯链结构组成较为复杂，无法对锯链图像中各部分进行有效识别，因而此方法存在缺陷检测精度不高的问题。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法，通过在准确定位锯链图像中铆钉位置后，采用仿射变换分割锯链图像中各零件部分，简化图像特征；建立基于YOLOv3算法的缺陷检测模型，实现对分割后锯链图像的精确识别，提高了缺陷检测的精度。
为了实现上述目的，本发明采用了如下技术方案：
一种基于机器视觉的锯链表面缺陷自动化检测系统，包括运动控制模块、与运动控制模块连接的图像采集模块、以及与图像采集模块连接的图像处理与缺陷检测模块；
所述图像采集模块包括工业镜头、CCD面阵相机和光源，所述光源包括同轴光源和碗型光源；
所述运动控制模块包括PLC、电机转轴和同步带，所述同步带在电机转轴的驱动下牵引开环锯链运动，CCD面阵相机采集运动过程中的锯链图片；
所述图像处理与缺陷检测模块包括计算机，所述计算机将采集到的锯链图片分割后进行缺陷检测，若存在缺陷则由计算机输出相应指令给PLC做缺陷剔除动作；
所述锯链表面缺陷自动化检测系统的具体流程为：
1)计算机与PLC通过Snap-7通信协议进行通信，在计算机的软件界面启动系统，软件向PLC发送电机启动指令；
2)同步带在电机转轴的驱动下牵引锯链向前运动，运行固定时间后，PLC向CCD面阵相机发送触发信号，控制CCD面阵相机采集锯链图像；
3)工控机将当前采集的锯链图像进行传动片、连接片、刀片部分的单独分割，然后放入缺陷检测队列检测缺陷，同时建立基于YOLOv3算法的缺陷检测模型；
4)若存在缺陷，软件在缺陷显示界面标注缺陷位置并输出缺陷名称，PLC接收软件发送的缺陷检出指令，控制电磁阀动作，使喷码器在缺陷位置喷码标记。
本发明还提供了一种基于机器视觉的锯链缺陷检测方法，具体步骤如下：
1)锯链区域提取：将采集到的完整锯链图像二值化后，采取水平投影法确定含有铆钉区域的上边界像素和下边界像素，提取含有铆钉的锯链区域图像；
2)霍夫圆检测铆钉位置：将提取的锯链区域图像进行高斯滤波、二值化、边缘检测预处理操作，采用霍夫圆检测算法初步定位图像中铆钉的位置和大小；
3)剔除异常点：对霍夫圆检测过程出现的错误圆识别现象，采用最小二乘法对所有圆心坐标进行直线拟合，计算所有圆心到直线的垂直距离di、距离的平均值means、距离的标准差std，以拉依达准则为近似准则判断不同标准差下的异常点剔除效果，当第i个铆钉的圆心坐标不满足约束条件|di-means|≤N×std时，则被当做异常点剔除；
4)铆钉位置更新：异常点剔除后，计算相邻铆钉间的距离，若距离超过装配关系，则存在漏检铆钉，计算相邻铆钉的中心点坐标，定位漏检铆钉的位置；
5)分割图像：对锯链图像中铆钉进行准确定位后，计算相邻铆钉区域的最小外接矩形顶点坐标，并计算转换到新的二维坐标系下的仿射矩阵M，根据仿射矩阵进行仿射变换，得到分割后的锯链零件图像；仿射变换对甩尾锯链进行水平矫正，实现分割后锯链图像空间位置的一致性。
优选地，在步骤5中，通过改进YOLOv3算法：在原始YOLOv3网络结构基础上，增加目标检测输出特征图尺度；使用K-means++聚类算法优化确定锯链数据集的先验框参数。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过在准确定位锯链图像中铆钉位置后，采用仿射变换分割锯链图像中各零件部分，简化图像特征；建立基于YOLOv3算法的缺陷检测模型，实现对分割后锯链图像的精确识别，提高了缺陷检测的精度。
2、本发明能够自动、快速分割锯链图像复杂零件部分；通过建立了基于改进YOLOv3算法的锯链缺陷检测模型，解决了YOLOv3算法检测小目标缺陷存在漏检的问题。
附图说明
图1为本发明正常锯链装配及缺陷结构示意图；
图2为本发明中缺陷自动化检测系统的原理图；
图3为本发明中缺陷自动化检测系统的流程方框图；
图4为本发明中锯链缺陷检测方法的流程方框图；
图5为本发明中改进的YOLOv3网络结构示意图。
具体实施方式
下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明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的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。
在实际应用时，正常锯链结构由刀片、连接片、铆钉、传动片四部分组成，结构及缺陷如图1所示。
为实现锯链缺陷的自动化检测，参照图2，本发明提供了一种基于机器视觉的锯链表面缺陷自动化检测系统，包括运动控制模块、与运动控制模块连接的图像采集模块、以及与图像采集模块连接的图像处理与缺陷检测模块；
所述图像采集模块包括工业镜头1、CCD面阵相机2和光源，所述光源包括同轴光源3和碗型光源4；这里采用同轴光源3和碗型光源4用于保证所拍图像清晰且易于检测；
所述运动控制模块包括PLC5、电机转轴6和同步带7，所述同步带7在电机转轴6的驱动下牵引开环锯链运动，CCD面阵相机2采集运动过程中的锯链图片；
所述图像处理与缺陷检测模块包括计算机8，所述计算机8将采集到的锯链图片分割后进行缺陷检测，若存在缺陷则由计算机输出相应指令给PLC5做缺陷剔除动作。
参照图3，所述锯链表面缺陷自动化检测系统的具体流程为：
1)计算机与PLC通过Snap-7通信协议进行通信，在计算机的软件界面启动系统，软件向PLC发送电机启动指令；
2)同步带在电机转轴的驱动下牵引锯链向前运动，运行固定时间后，PLC向CCD面阵相机发送触发信号，控制CCD面阵相机采集锯链图像；
3)工控机将当前采集的锯链图像进行传动片、连接片、刀片部分的单独分割，然后放入缺陷检测队列检测缺陷，同时建立基于YOLOv3算法的缺陷检测模型；
4)若存在缺陷，软件在缺陷显示界面标注缺陷位置并输出缺陷名称，PLC接收软件发送的缺陷检出指令，控制电磁阀动作，使喷码器9在缺陷位置喷码标记。
由于锯链组成结构较为复杂多样，导致锯链缺陷检测精度不高且检测困难，因此，为实现锯链缺陷的自动化检测，本发明提供了一种基于机器视觉的锯链缺陷检测方法，用于实现高效、快速分割锯链各部分，简化图像特征，提高后续缺陷检测算法的检测精度；参照图4，其流程具体步骤如下：
1)锯链区域提取：将采集到的完整锯链图像二值化后，采取水平投影法确定含有铆钉区域的上边界像素和下边界像素，提取含有铆钉的锯链区域图像；
2)霍夫圆检测铆钉位置：将提取的锯链区域图像进行高斯滤波、二值化、边缘检测预处理操作，采用霍夫圆检测算法初步定位图像中铆钉的位置和大小；
3)剔除异常点：对霍夫圆检测过程出现的错误圆识别现象，采用最小二乘法对所有圆心坐标进行直线拟合，计算所有圆心到直线的垂直距离di、距离的平均值means、距离的标准差std，以拉依达准则为近似准则判断不同标准差下的异常点剔除效果，当第i个铆钉的圆心坐标不满足约束条件|di-means|≤N×std时，则被当做异常点剔除；
4)铆钉位置更新：异常点剔除后，计算相邻铆钉间的距离，若距离超过装配关系，则存在漏检铆钉，计算相邻铆钉的中心点坐标，定位漏检铆钉的位置；
5)分割图像：对锯链图像中铆钉进行准确定位后，计算相邻铆钉区域的最小外接矩形顶点坐标，并计算转换到新的二维坐标系下的仿射矩阵M，根据仿射矩阵进行仿射变换，得到分割后的锯链零件图像；仿射变换对甩尾锯链进行水平矫正，实现分割后锯链图像空间位置的一致性。
具体的，在步骤5中，通过改进YOLOv3算法：在原始YOLOv3网络结构基础上，增加目标检测输出特征图尺度；使用K-means++聚类算法优化确定锯链数据集的先验框参数。
其中，网络结构改进如图5虚线框部分，将Darknet-53网络中第2个残差块的输出特征与经过2倍上采样的特征图层融合，再经过卷积核大小为1×1的卷积层，形成新的输出特征图层，新的特征图层将网格数量进一步划分为104×104，网络的特征提取效果进一步提高。同时，在增加一层特征图层后，先验框的总数量由原来的9个增加到了12个。
其中，原始YOLOv3算法先验框参数是通过K-means聚类算法在VOC数据集上获得的，先验框参数信息与锯链数据集标注信息差距很大，因此需要对锯链数据集重新聚类，计算YOLOv3网络各输出特征图层中先验框尺寸大小。为减少K-means算法初始点随机选取的影响，选用K-means++聚类算法，在改进的YOLOv3网络结构中最终生成12个聚类中心。
综上所述，本发明通过在准确定位锯链图像中铆钉位置后，采用仿射变换分割锯链图像中各零件部分，简化图像特征；建立基于YOLOv3算法的缺陷检测模型，实现对分割后锯链图像的精确识别，提高了缺陷检测的精度。
本发明中披露的说明和实践，对于本技术领域的普通技术人员来说，都是易于思考和理解的，且在不脱离本发明原理的前提下，还可以做出若干改进和润饰。因此，在不偏离本发明精神的基础上所做的修改或改进，也应视为本发明的保护范围。
Claims (2)
1.一种基于机器视觉的锯链表面缺陷自动化检测系统，其特征在于，包括运动控制模块、与运动控制模块连接的图像采集模块、以及与图像采集模块连接的图像处理与缺陷检测模块；
所述图像采集模块包括工业镜头、CCD面阵相机和光源，所述光源包括同轴光源和碗型光源；
所述运动控制模块包括PLC、电机转轴和同步带，所述同步带在电机转轴的驱动下牵引开环锯链运动，CCD面阵相机采集运动过程中的锯链图片；
所述图像处理与缺陷检测模块包括计算机，所述计算机将采集到的锯链图片分割后进行缺陷检测，若存在缺陷则由计算机输出相应指令给PLC做缺陷剔除动作；
所述锯链表面缺陷自动化检测系统的具体流程为：
1)计算机与PLC通过Snap-7通信协议进行通信，在计算机的软件界面启动系统，软件向PLC发送电机启动指令；
2)同步带在电机转轴的驱动下牵引锯链向前运动，运行固定时间后，PLC向CCD面阵相机发送触发信号，控制CCD面阵相机采集锯链图像；
3)工控机将当前采集的锯链图像进行传动片、连接片、刀片部分的单独分割，然后放入缺陷检测队列检测缺陷，同时建立基于YOLOv3算法的缺陷检测模型；
4)若存在缺陷，软件在缺陷显示界面标注缺陷位置并输出缺陷名称，PLC接收软件发送的缺陷检出指令，控制电磁阀动作，使喷码器在缺陷位置喷码标记；
所述锯链表面缺陷自动化检测系统的检测方法，具体步骤如下：
1)锯链区域提取：将采集到的完整锯链图像二值化后，采取水平投影法确定含有铆钉区域的上边界像素和下边界像素，提取含有铆钉的锯链区域图像；
2)霍夫圆检测铆钉位置：将提取的锯链区域图像进行高斯滤波、二值化、边缘检测预处理操作，采用霍夫圆检测算法初步定位图像中铆钉的位置和大小；
3)剔除异常点：对霍夫圆检测过程出现的错误圆识别现象，采用最小二乘法对所有圆心坐标进行直线拟合，计算所有圆心到直线的垂直距离di、距离的平均值means、距离的标准差std，以拉依达准则为近似准则判断不同标准差下的异常点剔除效果，当第i个铆钉的圆心坐标不满足约束条件|di-means|≤N×std时，则被当做异常点剔除；
4)铆钉位置更新：异常点剔除后，计算相邻铆钉间的距离，若距离超过装配关系，则存在漏检铆钉，计算相邻铆钉的中心点坐标，定位漏检铆钉的位置；
5)分割图像：对锯链图像中铆钉进行准确定位后，计算相邻铆钉区域的最小外接矩形顶点坐标，并计算转换到新的二维坐标系下的仿射矩阵M，根据仿射矩阵进行仿射变换，得到分割后的锯链零件图像；仿射变换对甩尾锯链进行水平矫正，实现分割后锯链图像空间位置的一致性。
2.根据权利要求1所述的一种基于机器视觉的锯链表面缺陷自动化检测系统，其特征在于，在步骤5中，通过改进YOLOv3算法：在原始YOLOv3网络结构基础上，增加目标检测输出特征图尺度；使用K-means++聚类算法优化确定锯链数据集的先验框参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211130009.5A CN115456999B (zh) | 2022-09-16 | 2022-09-16 | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211130009.5A CN115456999B (zh) | 2022-09-16 | 2022-09-16 | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115456999A CN115456999A (zh) | 2022-12-09 |
| CN115456999B true CN115456999B (zh) | 2023-08-15 |
Family
ID=84303938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211130009.5A Active CN115456999B (zh) | 2022-09-16 | 2022-09-16 | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115456999B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116429782B (zh) * | 2023-03-29 | 2024-01-09 | 南通大学 | 一种基于残差网络和知识编码的锯链缺陷检测方法 |
| CN117215194B (zh) * | 2023-09-28 | 2024-03-26 | 广东海洋大学 | 一种基于螺旋桨协同的轮缘控制器数据处理方法及系统 |
| CN118341707B (zh) * | 2024-06-03 | 2024-10-15 | 硕与硕(江苏)智能科技有限公司 | 锯链自动分拣系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946304A (zh) * | 2019-03-11 | 2019-06-28 | 中国科学院上海技术物理研究所 | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 |
| CN110873718A (zh) * | 2019-11-15 | 2020-03-10 | 南京理工大学 | 基于机器视觉的钢板表面缺陷检测系统及方法 |
| CN111331738A (zh) * | 2020-04-13 | 2020-06-26 | 宁波鲁仕锯链科技有限公司 | 锯链连接片、锯链及锯链传动系统 |
| CN111681214A (zh) * | 2020-05-24 | 2020-09-18 | 哈尔滨理工大学 | 一种基于U-net网络的航空轴承表面铆钉检测方法 |
| CN114742818A (zh) * | 2022-05-09 | 2022-07-12 | 苏州荣视软件技术有限公司 | 一种基于工业面阵摄像头视觉缺陷检测系统及其检测方法 |
| CN115019031A (zh) * | 2022-05-26 | 2022-09-06 | 硕与硕(江苏)智能科技有限公司 | 基于深度学习的锯链缺陷检测系统 |
-
2022
- 2022-09-16 CN CN202211130009.5A patent/CN115456999B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946304A (zh) * | 2019-03-11 | 2019-06-28 | 中国科学院上海技术物理研究所 | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 |
| CN110873718A (zh) * | 2019-11-15 | 2020-03-10 | 南京理工大学 | 基于机器视觉的钢板表面缺陷检测系统及方法 |
| CN111331738A (zh) * | 2020-04-13 | 2020-06-26 | 宁波鲁仕锯链科技有限公司 | 锯链连接片、锯链及锯链传动系统 |
| CN111681214A (zh) * | 2020-05-24 | 2020-09-18 | 哈尔滨理工大学 | 一种基于U-net网络的航空轴承表面铆钉检测方法 |
| CN114742818A (zh) * | 2022-05-09 | 2022-07-12 | 苏州荣视软件技术有限公司 | 一种基于工业面阵摄像头视觉缺陷检测系统及其检测方法 |
| CN115019031A (zh) * | 2022-05-26 | 2022-09-06 | 硕与硕(江苏)智能科技有限公司 | 基于深度学习的锯链缺陷检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115456999A (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115456999B (zh) | 一种基于机器视觉的锯链表面缺陷自动化检测系统及缺陷检测方法 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
| CN104655641A (zh) | 一种高精密全自动fpc缺陷检测装置及检测工艺 | |
| CN107590837A (zh) | 一种视觉定位智能精密装配机器人及其摄像机视觉标定方法 | |
| CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
| CN110293559B (zh) | 一种自动识别定位对准的安装方法 | |
| CN112304954A (zh) | 一种基于线激光扫描及机器视觉的零件表面缺陷检测方法 | |
| CN102455171A (zh) | 一种激光拼焊焊缝背面几何形貌检测方法及其实现装置 | |
| CN111766245B (zh) | 一种基于机器视觉的纽扣电池负极壳缺陷检测方法 | |
| CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
| CN113627435B (zh) | 一种瓷砖的瑕疵检测与识别方法及系统 | |
| CN115019031A (zh) | 基于深度学习的锯链缺陷检测系统 | |
| CN114473309A (zh) | 用于自动焊接系统的焊接位置识别方法及自动焊接系统 | |
| CN113744247A (zh) | 一种pcb焊点缺陷识别方法和系统 | |
| CN105023018A (zh) | 一种喷码检测方法及系统 | |
| CN116337887A (zh) | 铸造缸体上表面缺陷检测方法及系统 | |
| CN116258682A (zh) | 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 | |
| CN114660579A (zh) | 一种全自动激光雷达与相机标定方法 | |
| CN113936291A (zh) | 一种基于机器视觉的铝模板质检、回收方法 | |
| CN117252840A (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| CN111507404A (zh) | 一种基于深度视觉的轮毂型号识别方法 | |
| CN111612730B (zh) | 一种焊缝检测定位方法 | |
| CN110852990A (zh) | 一种基于图像处理的橡胶树斜刀痕检测方法 | |
| CN108705689A (zh) | 大口径精密光学晶体表面微缺陷修复用自动对刀工艺方法 | |
| CN204439569U (zh) | 一种高精密全自动fpc缺陷检测装置 |
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 |