CN115511888A - 基于视觉的电感缺陷检测方法及系统 - Google Patents

基于视觉的电感缺陷检测方法及系统 Download PDF

Info

Publication number
CN115511888A
CN115511888A CN202211467701.7A CN202211467701A CN115511888A CN 115511888 A CN115511888 A CN 115511888A CN 202211467701 A CN202211467701 A CN 202211467701A CN 115511888 A CN115511888 A CN 115511888A
Authority
CN
China
Prior art keywords
class
clusters
cluster
significance
inductance coil
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.)
Granted
Application number
CN202211467701.7A
Other languages
English (en)
Other versions
CN115511888B (zh
Inventor
蔡旌章
王其艮
黄华龙
贺军
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.)
Cenke Technology Shenzhen Group Co ltd
Original Assignee
SHENZHEN CENKER ENTERPRISE 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 SHENZHEN CENKER ENTERPRISE Ltd filed Critical SHENZHEN CENKER ENTERPRISE Ltd
Priority to CN202211467701.7A priority Critical patent/CN115511888B/zh
Publication of CN115511888A publication Critical patent/CN115511888A/zh
Application granted granted Critical
Publication of CN115511888B publication Critical patent/CN115511888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/28—Coils; Windings; Conductive connections
    • H01F27/2823—Wires
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Power Engineering (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Coils Or Transformers For Communication (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于视觉的电感缺陷检测方法及系统，该方法包括：获取电感线圈表面的RGB图像并获取电感线圈区域，将电感线圈区域划分为至少两个簇；获取电感线圈区域以及每个簇的主成分方向，并根据垂直于电感线圈区域的主成分方向的直线得到长度序列；根据长度序列以及每个簇的主成分方向得到电感线圈区域的结构一致性；将所有的簇划分为第一类和第二类，获取第一类的每个簇的第一拟合优度和第二类的每个簇的第二拟合优度；基于第一拟合优度和第二拟合优度得到电感线圈区域的异常显著度；基于电感线圈区域的结构一致性以及异常显著度得到熔融缺陷显著度，从而得到电感线圈的缺陷，检测的结果更加准确。

Description

基于视觉的电感缺陷检测方法及系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于视觉的电感缺陷检测方法及系统。
背景技术
电感在电路中主要起到滤波、振荡、延迟、陷波、筛选信号、过滤噪声、稳定电流以及抑制电磁波干扰等作用；伴随着科技的迅速发展，电感器与我们生活愈加的密不可分，如电子炉灶、电饭锅、吸尘器以及热水器等均应用到了电感器，因此为了保证电感器相关的产品的正常运行，需要保证电感器的质量。
电感的体积较小，表面的瑕疵很难通过人眼进行识别，因此一般采用CCD摄像头与LED光源结合的方式进行视觉识别，识别的瑕疵主要为电感外壳上的划伤、裂纹以及锈斑等瑕疵，而对于使用广泛的绕线电感的漆包线熔损的瑕疵缺陷缺乏针对性的精确检验，当漆包线表面破损融化时很容易导致电路短路损伤，影响使用，因此对漆包线表面熔融缺陷的检测十分重要。
发明内容
为了解决上述电感漆包线表面熔融缺陷检测不够精确的技术问题，本发明的目的在于提供一种基于视觉的电感缺陷检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于视觉的电感缺陷检测方法，该方法包括以下步骤：
获取电感线圈表面的RGB图像；
根据所述RGB图像获取电感线圈区域，并将所述电感线圈区域划分为至少两个簇；获取所述电感线圈区域以及每个簇的主成分方向，构建垂直于所述电感线圈区域的主成分方向的直线，以得到每个簇与所述直线的相交线段的长度序列；根据所述长度序列以及每个簇的主成分方向得到所述电感线圈区域的结构一致性；
将所有的簇划分为第一类和第二类，对第一类的每个簇的边缘进行圆拟合得到第一拟合优度，对第二类的每个簇的边缘进行直线拟合得到第二拟合优度；基于第一拟合优度和第二拟合优度得到所述电感线圈区域的异常显著度；
基于所述电感线圈区域的所述结构一致性以及所述异常显著度得到熔融缺陷显著度，根据所述熔融缺陷显著度得到所述电感线圈的缺陷。
优选的，所述根据所述长度序列以及每个簇的主成分方向得到所述电感线圈区域的结构一致性的步骤，包括：
获取所述长度序列中所有元素的均值，并将所述长度序列均分为两个子长度序列，获取两个子长度序列之间的皮尔森系数；
根据所述电感线圈区域以及每个簇的主成分方向得到对应的倾斜角，根据电感线圈区域对应的倾斜角、每个簇对应的倾斜角、所述长度序列的均值以及两个子长度序列之间的皮尔森系数得到所述电感线圈区域的结构一致性。
优选的，所述基于第一拟合优度和第二拟合优度得到所述电感线圈区域的异常显著度的步骤，包括：
标记第一类中第一拟合优度大于第一阈值的簇，统计第一类中所有标记的簇的数量，并计算所有标记的簇内所有像素点的灰度均值；
筛选第二类中第二拟合优度小于第二阈值的簇，统计第二类中所有筛选的簇的数量，并计算所有筛选的簇内所有像素点的灰度均值；对第二类中所有筛选出的簇进行角点检测得到角点的总数量；
根据第一类中标记的簇的数量、标记的簇的第一拟合优度以及灰度均值，第二类中筛选的簇的数量、筛选的簇的第二拟合优度、角点的总数量以及灰度均值得到所述电感线圈区域的异常显著度。
优选的，所述结构一致性的计算公式为：
Figure 78268DEST_PATH_IMAGE001
其中，
Figure 122447DEST_PATH_IMAGE002
表示结构一致性；
Figure 662013DEST_PATH_IMAGE003
表示电感线圈区域对应的倾斜角；
Figure 184261DEST_PATH_IMAGE004
表示电感线圈区域中第
Figure 696145DEST_PATH_IMAGE005
个簇对应的倾斜角；
Figure 645646DEST_PATH_IMAGE006
表示两个子长度序列的皮尔森系数；
Figure 406929DEST_PATH_IMAGE007
表示所述长度序列的均值；
Figure 732868DEST_PATH_IMAGE008
表示所述长度序列中第
Figure 833679DEST_PATH_IMAGE005
个元素。
优选的，所述异常显著度的计算公式为：
Figure 750820DEST_PATH_IMAGE009
其中，
Figure 937082DEST_PATH_IMAGE010
表示异常显著度；
Figure 798203DEST_PATH_IMAGE011
表示第一类中标记的簇的数量；
Figure 815837DEST_PATH_IMAGE012
表示第一拟合优度；
Figure 372721DEST_PATH_IMAGE013
表示第二拟合优度；
Figure 108595DEST_PATH_IMAGE014
表示第二类中筛选的簇的数量；
Figure 776337DEST_PATH_IMAGE015
表示第二类中所有筛选的簇的角点的总数量；
Figure 648478DEST_PATH_IMAGE016
表示第一类中标记的簇内所有像素点的灰度均值；
Figure 641842DEST_PATH_IMAGE017
表示第二类中筛选的簇内所有像素点的灰度均值；
Figure 865013DEST_PATH_IMAGE018
表示第一阈值；
Figure 805287DEST_PATH_IMAGE019
表示第二阈值。
优选的，所述基于所述电感线圈区域的所述结构一致性以及所述异常显著度得到熔融缺陷显著度的步骤，包括：
所述异常显著度与所述结构一致性的比值为所述熔融缺陷显著度。
优选的，所述构建垂直于所述电感线圈区域的主成分方向的直线，以得到每个簇与所述直线的相交线段的长度序列的步骤，包括：
所述直线在所述电感线圈区域内不断移动，与每个簇相交得到相交线段，统计所有相交线段的长度得到长度序列，相交线段的长度是指相交线段的两个端点之间的欧式距离。
优选的，所述根据所述RGB图像获取电感线圈区域的步骤，包括：
获取所述RGB图像对应灰度图像，对所述灰度图像分别进行霍夫直线检测和霍夫圆检测，得到灰度图像中所有的圆弧形状以及直线对应的各线条；选取灰度图像中由两个直线对应的线条和两个半圆圆弧对应的曲线依次相隔相连构成的各个区域，选取出的每个区域为电感线圈区域。
优选的，所述根据所述熔融缺陷显著度得到所述电感线圈的缺陷的步骤，包括：
对所有电感线圈区域的所述熔融缺陷显著度进行归一化处理，当归一化后的所述熔融缺陷显著度大于第三阈值时，所述电感线圈区域存在缺陷；统计所有存在缺陷的所述电感线圈区域的数量，当所述数量大于第四阈值时，所述电感线圈存在缺陷。
第二方面，本发明另一个实施例提供了一种基于视觉的电感缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现所述基于视觉的电感缺陷检测方法的步骤。
本发明具有如下有益效果：通过获取电感线圈区域的结构一致性以及异常显著度进行熔融缺陷显著度的计算，两个方面的指标结合评价电感线圈区域是否存在熔融缺陷，结果分析更加全面；结构一致性通过对电感线圈区域的像素点进行划分得到多个簇，获取每个簇的主成分方向，以及根据簇的主成分方向构建的直线与每个簇的相交线段的长度得到的长度序列，结合相交线段的长度序列以及主成分方向可反映出电感线圈区域内每个簇的规则性，进而得到的结构一致性可反映出电感线圈区域内结构是否均匀；异常显著度通过对簇进行划分得到第一类和第二类，根据第一类和第二类分别对应的簇的特性进行不同的拟合得到相应的拟合优度，从而反映出其与正常直线的偏离情况，与正常偏离的越大，拟合优度越大，因此通过拟合优度得到的异常显著度更加直观，进而由异常显著度和结构一致性得到的熔融缺陷显著度的值更加可靠，不限制电感线圈的类型，因此适用性更强，且最终得到的缺陷的结果更加准确。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于视觉的电感缺陷检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于视觉的电感缺陷检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于对电感线圈的熔融缺陷的检测，下面结合附图具体的说明本发明所提供的一种基于视觉的电感缺陷检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于视觉的电感缺陷检测方法流程图，该方法包括以下步骤：
步骤S100，获取电感线圈表面的RGB图像。
具体的，将电感线圈的绕线线圈置于CCD相机的取景框中央，以采集得到电感线圈表面的RGB图像，为了后续分析的全面准确，本发明实施例采集电感线圈的绕线线圈多个方向的RGB图像；由于相机内部的元器件存在固定噪声，环境也会对采集的RGB图像的质量产生一定影响，为尽可能避免这些噪声对RGB图像分析的影响，采用高斯滤波对每张RGB图像中每个通道分别进行卷积，以达到对RGB图像的去噪，提高图像分析的精度和质量，对滤波处理后的RGB图像继续分析；高斯滤波为现有公知技术，具体过程不再赘述。
步骤S200，根据RGB图像获取电感线圈区域，并将电感线圈区域划分为至少两个簇；获取电感线圈区域以及每个簇的主成分方向，构建垂直于电感线圈区域的主成分方向的直线，以得到每个簇与直线的相交线段的长度序列；根据长度序列以及每个簇的主成分方向得到电感线圈区域的结构一致性。
电感线圈一般是由导线在绝缘管道外表面紧密缠绕而成，平整规则分布，因此每根导线在图像中呈现出两侧较为笔直的条状，而两端为半圆边界的外观形状；因此基于每根导线对应的外观形状为基础对每张RGB图像中各个线圈进行区分；为便于计算，将RGB图像转化为灰度图像进行分析，对灰度图像分别进行霍夫直线检测和霍夫圆检测，得到灰度图像中所有的圆弧形状以及直线对应的各线条；选取灰度图像中由两个直线对应的线段和两个半圆圆弧对应的曲线依次相隔相连构成的各个区域，选取出的每个区域记为灰度图像中的每个电感线圈区域，每个电感线圈区域为一根导线在灰度图像中呈现的区域，因此对每个电感线圈区域进行分析，以确定导线的表面是否正常。
由于电感线圈的导线线圈为光滑均匀的漆包线，因此在RGB图像中对应的电感线圈区域在距离相机不同的位置时，所呈现的反光的现象、呈现出的质地以及颜色都会存在细微的差别，电感线圈最中间区域往往是亮度较大的区域，对于正常的电感线圈区域，在电感线圈区域沿着线圈的方向的各位置，由于与相机的距离一致，对光线的反光以及呈现出的质地、颜色也基本一致，因此在每个电感线圈区域中会呈现出多个与电感线圈区域相同方向的条状的带状区域，每个带状区域中像素点的颜色基本一致；对于出现熔融缺陷的漆包线，其由于温度过高导致部分漆包线的自粘层熔融变色，当所处的外界温度逐渐降低到室温时，自粘层冷却后相互粘连成型，成型后的表面与原来漆包线光滑均匀的表面会呈现出较大的不同，主要呈现出曲折粘黏的粗糙团块且外形不规则，并且其与电感线圈区域对应的方向不存在明显的一致关系，基于此对每个电感线圈区域进行分析。
本发明实施例中采用K-means算法对电感线圈区域中的每个像素点进行聚类，由于正常的电感线圈区域会沿着电感线圈的绕线方向出现多个带状区域，每个带状区域之间会出现细微的差别而带状区域内的像素点的颜色基本一致，因此通过电感线圈区域中每个像素点对应的颜色值可对电感线圈区域进行K-means聚类，得到的多个簇可视为是多个带状区域，当电感线圈表面出现熔融缺陷时，电感线圈区域中簇的表现形式可能会与正常的带状区域出现偏差；为了确保电感线圈区域中像素点的颜色值之间的差异更加清晰，保证K-means聚类算法的准确性，本发明实施例根据每个像素点对应的RGB三个颜色通道值对每个簇进行约束，约束函数为：
Figure 63093DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示约束函数；
Figure 430621DEST_PATH_IMAGE022
表示簇；
Figure 685628DEST_PATH_IMAGE023
表示簇
Figure 695172DEST_PATH_IMAGE022
的聚类中心点；
Figure 807485DEST_PATH_IMAGE024
表示簇
Figure 814755DEST_PATH_IMAGE022
中的第
Figure 12518DEST_PATH_IMAGE005
个像素点；
Figure 560174DEST_PATH_IMAGE025
表示像素点
Figure 199097DEST_PATH_IMAGE024
对应的红色通道值；
Figure 846110DEST_PATH_IMAGE026
表示聚类中心点
Figure 793819DEST_PATH_IMAGE023
的红色通道值；
Figure 223794DEST_PATH_IMAGE027
表示聚类中心点
Figure 982803DEST_PATH_IMAGE023
的绿色通道值；
Figure 597455DEST_PATH_IMAGE028
表示像素点
Figure 504231DEST_PATH_IMAGE024
对应的绿色通道值；
Figure 393690DEST_PATH_IMAGE029
表示聚类中心点
Figure 535434DEST_PATH_IMAGE023
的蓝色通道值；
Figure 852146DEST_PATH_IMAGE030
表示像素点
Figure 246218DEST_PATH_IMAGE024
对应的蓝色通道值；
Figure 939367DEST_PATH_IMAGE031
表示簇内所有像素点的数量。
约束函数
Figure 735285DEST_PATH_IMAGE032
的取值约小，表明该簇内每个像素点的颜色差异越小，也即是每个像素点在RGB三个颜色通道值的差异均较小，越符合正常的带状区域内像素点的特征；因此在对电感线圈区域进行K-means聚类时，应保证聚类得到的所有的簇的约束函数取值最小，将最终K-means聚类算法得到的所有的簇的数量记为
Figure 488477DEST_PATH_IMAGE033
。
当电感线圈的漆包线没有出现熔融时，电感线圈区域对应较为规则的带状区域，且带状区域的方向与电感线圈区域方向一致，本发明实施例中的方向是由主成分分析得到的，利用主成分分析得到电感线圈区域以及每个簇的主成分方向，主成分分析方法为现有公知技术，不再赘述；将电感线圈区域的主成分方向对应的倾斜角记为
Figure 635425DEST_PATH_IMAGE003
，每个簇的主成分方向对应的倾斜角分别记为
Figure 866686DEST_PATH_IMAGE034
，
Figure 517110DEST_PATH_IMAGE033
为所有簇的数量。
当电感线圈的漆包线没有发现熔融时，每个簇对应的倾斜角与电感线圈区域对应的倾斜角差异较小，方向基本一致；以电感线圈区域的倾斜角
Figure 441204DEST_PATH_IMAGE003
对应的主成分方向作为主方向，以垂直于该主方向的方向构建直线，并将该直线在不同位置上移动，其与不同的簇出现相交线段，统计每个相交线段的长度分别标记为
Figure 809868DEST_PATH_IMAGE035
，
Figure 48083DEST_PATH_IMAGE011
表示所有相交线段的数量，每个相交线段的长度是指相交线段的两个端点之间的欧式距离；计算所有的相交线段的长度的均值记为
Figure 553014DEST_PATH_IMAGE007
；同时，将所有相交线段对应的长度平均划分为两个子长度序列，也即是将所有相交线段的长度构成的序列的前1/2与剩余1/2分别构成两个子长度序列，当电感线圈区域不存在熔融缺陷时，两个子长度序列中的长度数据的规律较为相似，而出现熔融缺陷时，长度序列之间不存在规律，因此对两个子长度序列进行皮尔森系数的计算，将得到的皮尔森系数记为
Figure 648008DEST_PATH_IMAGE006
，电感线圈的漆包线不存在熔融时，皮尔森系数较大，两个子长度序列之间规律越相似，两个序列之间的皮尔森的计算为常用方法，用于获取两个序列之间的相关性，在其他实施例中实施者可采用其他的方法进行获取。
至此获取了一个电感线圈区域的主成分方向和每个簇的主成分方向，通过构建直线得到多条相交线段以及每条相交线段的长度，并获取了两个子长度序列之间皮尔森系数，从而根据获取的电感线圈内的数据指标获取电感线圈的结构一致性，结构一致性的计算为：
Figure 503969DEST_PATH_IMAGE001
其中，
Figure 97541DEST_PATH_IMAGE002
表示结构一致性；
Figure 722557DEST_PATH_IMAGE003
表示电感线圈区域对应的倾斜角；
Figure 988453DEST_PATH_IMAGE004
表示电感线圈区域中第
Figure 66131DEST_PATH_IMAGE005
个簇对应的倾斜角；
Figure 708465DEST_PATH_IMAGE006
表示两个子长度序列的皮尔森系数；
Figure 187988DEST_PATH_IMAGE007
表示所有相交线段的长度的均值；
Figure 421523DEST_PATH_IMAGE008
表示第
Figure 986496DEST_PATH_IMAGE005
个相交线段的长度。
当每个相交线段的长度与所有相交线段的长度的均值的差异越小时，说明相交线段的长度越一致，每个簇内垂直于主方向的宽度越均匀，整体的形状特征较为规则，因此对应的结构一致性越大；当电感线圈区域内每个簇的主成分方向的倾斜角与电感线圈区域对应的倾斜角的差异越小时，表示每个簇的方向与电感线圈区域的方向越一致，越可能不存在熔融缺陷，对应的结构一致性越大；同时，当电感线圈区域对应的两个子长度序列之间越相似，电感线圈区域从中间向两端的宽度变化规律越一致，说明电感线圈区域越正常，对应的结构一致性越大。
以此类推，获取RGB图像中每个电感线圈区域对应的结构一致性。
步骤S300，将所有的簇划分为第一类和第二类，对第一类的每个簇的边缘进行圆拟合得到第一拟合优度，对第二类的每个簇的边缘进行直线拟合得到第二拟合优度；基于第一拟合优度和第二拟合优度得到电感线圈区域的异常显著度。
当电感线圈区域的漆包线发生较大程度的熔损时，由于先熔融后冷却的原因，在漆包线的外侧可能会出现锡珠，锡珠一般呈现圆形，且锡珠的亮度较亮，边缘圆滑，而漆包线的自粘层熔融后被融化的自粘层较暗且外部呈现不规则的边缘，因此通过电感线圈区域中的形状再次判断电感线圈区域是否存在熔损的情况。锡珠和熔融的自粘层与电感线圈区域的正常部分的质地和颜色差异较大，因此在对电感线圈区域进行K-means聚类时，可能会将锡珠和熔融的自粘层也划分成单独的簇，本发明实施例通过计算每个簇在灰度图像中对应区域中像素点的灰度中值进行划分，划分方法采用otsu最大类间方差法，将所有的簇根据灰度中值划分为两个类别，灰度中值大于阈值的簇标记为第一类，灰度中值小于阈值的簇标记为第二类。
进一步的，对电感线圈区域对应的灰度图像进行边缘检测，边缘检测的方法采用canny边缘检测算子，从而得到电感线圈区域对应的边缘图像，该边缘图像为二值图像，将二值图像与每个簇进行对应可得到每个簇的边缘；otsu最大类间方差法以及canny边缘检测算子均为图像处理常用技术手段，本实施例中不再详细说明。
第一类中的簇为灰度均值大于阈值的簇，其为锡珠的可能性较大，因此对第一类中的簇对应的边缘像素点进行圆拟合，得到第一类中每个簇对应的第一拟合优度，将第一拟合优度记为
Figure 901363DEST_PATH_IMAGE012
，当第一类中每个簇与圆拟合得到的第一拟合优度越大时，该簇的边缘越光滑接近圆形，为锡珠的可能性越大；将第一类中第一拟合优度大于第一阈值的簇进行标记，并统计出第一类中所有被标记的簇的个数记为
Figure 500971DEST_PATH_IMAGE011
，
Figure 108670DEST_PATH_IMAGE011
取值越大，则表明第一类中可能为锡珠的簇越多，对应的该电感线圈区域越可能存在熔融缺陷，计算第一类中所有被标记的簇内所有像素点对应的灰度均值记为
Figure 160940DEST_PATH_IMAGE016
。
第一阈值由实施者自行设定，用于筛选出拟合优度较大，也即是越可能为锡珠的簇，第一阈值设定的越大，则选取的可能为锡珠的簇的数量越少，减少了后续计算的数据量，在不同的实施例中实施者可根据实际情况对第一阈值进行设定，作为优选，本发明实施例中设置第一阈值为0.7。
第二类的簇为灰度均值小于阈值的簇，灰度值较小，可能存在自粘层熔融后的缺陷特征，因此对第二类中的簇对应的边缘像素点进行直线拟合，并获取每个簇与直线拟合的第二拟合优度，将第二拟合优度记为
Figure 879497DEST_PATH_IMAGE013
，当第二拟合优度越小时，说明该簇的边缘越不规则，其越有可能对应为自粘层熔融后的位置，因此将第二拟合优度小于第二阈值的簇进行筛选，标记第二类中筛选出的簇，并统计筛选出的所有簇的数量记为
Figure 333612DEST_PATH_IMAGE014
，
Figure 112212DEST_PATH_IMAGE014
的值越大，表明第二类中可能为自粘层熔融后位置的簇越多，电感线圈区域中出现熔融缺陷的可能性越大；计算第二类中所有筛选出的簇内所有像素点的灰度均值记为
Figure 651778DEST_PATH_IMAGE017
。
相应的，第二阈值的设定同样由实施者自行设置，本发明实施例中提供第二阈值的经验取值为0.5。
为了更加准确的衡量第二类筛选出的每个簇的边缘是否规则，对第二类中筛选的每个簇进行角点检测，角点检测的算法为现有公知手段，不再详细说明；将第二类中筛选的所有簇对应的角点的总数量记为
Figure 174026DEST_PATH_IMAGE015
，角点的总数量
Figure 479718DEST_PATH_IMAGE015
越多，则表明筛选出的簇的边缘越不规则，越可能为电感线圈区域中自粘层熔融的位置。
基于上述获取第一类中标记的簇的第一拟合优度
Figure 429220DEST_PATH_IMAGE012
、标记的簇的数量
Figure 190502DEST_PATH_IMAGE011
以及所有标记的簇的灰度均值
Figure 516441DEST_PATH_IMAGE016
，第二类中筛选的簇的第二拟合优度
Figure 679569DEST_PATH_IMAGE013
、筛选的簇的数量
Figure 799972DEST_PATH_IMAGE014
、所有筛选的簇的灰度均值
Figure 314130DEST_PATH_IMAGE017
以及所有筛选的簇的角点的总数量
Figure 178181DEST_PATH_IMAGE015
，由此对每个电感线圈区域的异常显著度进行获取，异常显著度的计算为：
Figure 195816DEST_PATH_IMAGE009
其中，
Figure 752699DEST_PATH_IMAGE010
表示异常显著度；
Figure 691836DEST_PATH_IMAGE011
表示第一类中标记的簇的数量；
Figure 93998DEST_PATH_IMAGE012
表示第一拟合优度；
Figure 231719DEST_PATH_IMAGE013
表示第二拟合优度；
Figure 959503DEST_PATH_IMAGE014
表示第二类中筛选的簇的数量；
Figure 917095DEST_PATH_IMAGE015
表示第二类中所有筛选的簇的角点的总数量；
Figure 385598DEST_PATH_IMAGE016
表示第一类中标记的簇内所有像素点的灰度均值；
Figure 377825DEST_PATH_IMAGE017
表示第二类中筛选的簇内所有像素点的灰度均值；
Figure 10931DEST_PATH_IMAGE018
表示第一阈值，本发明实施例中取值为0.7；
Figure 721398DEST_PATH_IMAGE019
表示第二阈值，本发明实施例中取值为0.5。
Figure 730943DEST_PATH_IMAGE036
的取值越大，表明电感线圈区域的第一类标记的簇与第二类筛选出的簇的灰度差异越大，说明电感线圈区域整体灰度越不均匀，越可能出现熔融缺陷；当第一类标记的簇的数量越多且每个被标记的簇的第一拟合程度越大，则电感线圈区域中包含的锡珠可能越多，熔融缺陷的概率越大；第二类筛选出的簇的角点的总数量越多，对应的簇的形状越不光滑，越可能为自粘层熔融的位置，也即是出现熔融缺陷的位置，异常显著度越大。
步骤S400，基于电感线圈区域的结构一致性以及异常显著度得到熔融缺陷显著度，根据熔融缺陷显著度得到电感线圈的缺陷。
由步骤S200中得到电感线圈区域的结构一致性，结构一致性越大，该电感线圈区域正常的可能性越大；步骤S300中得到电感线圈区域的异常显著度，异常显著度越大，该电感线圈区域出现熔融缺陷的可能性越大，因此基于电感线圈区域对应的结构一致性以及异常显著度进行熔融缺陷显著度的获取，熔融缺陷显著度的计算具体为：
Figure 577676DEST_PATH_IMAGE037
其中，
Figure 647263DEST_PATH_IMAGE038
表示电感线圈区域的熔融缺陷显著度；
Figure 579447DEST_PATH_IMAGE010
表示电感线圈区域的异常显著度；
Figure 392682DEST_PATH_IMAGE002
表示电感线圈区域的结构一致性。
电感线圈的结构一致性越小，异常显著度越大，则对应的熔融缺陷显著度越大，即该电感线圈区域对应的线圈越可能发生熔融缺陷。
基于获取熔融缺陷显著度的方法，对于RGB图像中每一个电感线圈区域均可得到对应的熔融缺陷显著度，对所有电感线圈区域对应的熔融缺陷显著度进行归一化处理得到每个电感线圈区域归一化后的熔融缺陷显著度记为
Figure 359501DEST_PATH_IMAGE039
，当电感线圈区域归一化后的熔融缺陷显著度
Figure 334411DEST_PATH_IMAGE039
大于第三阈值时，则判断该电感线圈区域存在熔融缺陷；统计RGB图像中包含的所有存在熔融缺陷的电感线圈区域的数量，当该数量大于第四阈值时，说明该RGB图像对应的电感线圈存在缺陷。
作为优选，本发明实施例中设置第三阈值为0.85，第四阈值为2。
需要说明的是，由于本发明实施例中采集的是电感线圈在多个方向的RGB图像，因此在判断电感是否存在缺陷时，首先判断所有RGB图像中输出的存在缺陷的电感线圈区域的数量是否一致，若一致，则以该数量与第四阈值进行比较；若不一致，选择存在缺陷的电感线圈区域的数量最多的一个RGB图像进行分析，利用该RGB图像中包含的存在缺陷的电感线圈区域的数量与第四阈值进行比较，当数量大于第四阈值时，则该电感线圈存在缺陷。
综上所述，本发明实施例通过获取电感线圈表面的RGB图像；根据RGB图像获取电感线圈区域，并将电感线圈区域划分为至少两个簇；获取电感线圈区域以及每个簇的主成分方向，构建垂直于电感线圈区域的主成分方向的直线，以得到每个簇与直线的相交线段的长度序列；根据长度序列以及每个簇的主成分方向得到电感线圈区域的结构一致性；将所有的簇划分为第一类和第二类，对第一类的每个簇进行圆拟合得到第一拟合优度，对第二类的每个簇进行直线拟合得到第二拟合优度；基于第一拟合优度和第二拟合优度得到电感线圈区域的异常显著度；基于电感线圈区域的结构一致性以及异常显著度得到熔融缺陷显著度，根据熔融缺陷显著度得到电感线圈的缺陷，提高了缺陷检测的效率和准确性。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于视觉的电感缺陷检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于视觉的电感缺陷检测方法实施例中的步骤，例如图1所示的步骤。该一种基于视觉的电感缺陷检测方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (10)

1.一种基于视觉的电感缺陷检测方法，其特征在于，该方法包括以下步骤：
获取电感线圈表面的RGB图像；
根据所述RGB图像获取电感线圈区域，并将所述电感线圈区域划分为至少两个簇；获取所述电感线圈区域以及每个簇的主成分方向，构建垂直于所述电感线圈区域的主成分方向的直线，以得到每个簇与所述直线的相交线段的长度序列；根据所述长度序列以及每个簇的主成分方向得到所述电感线圈区域的结构一致性；
将所有的簇划分为第一类和第二类，对第一类的每个簇的边缘进行圆拟合得到第一拟合优度，对第二类的每个簇的边缘进行直线拟合得到第二拟合优度；基于第一拟合优度和第二拟合优度得到所述电感线圈区域的异常显著度；
基于所述电感线圈区域的所述结构一致性以及所述异常显著度得到熔融缺陷显著度，根据所述熔融缺陷显著度得到所述电感线圈的缺陷。
2.根据权利要求1所述的一种基于视觉的电感缺陷检测方法，其特征在于，所述根据所述长度序列以及每个簇的主成分方向得到所述电感线圈区域的结构一致性的步骤，包括：
获取所述长度序列中所有元素的均值，并将所述长度序列均分为两个子长度序列，获取两个子长度序列之间的皮尔森系数；
根据所述电感线圈区域以及每个簇的主成分方向得到对应的倾斜角，根据电感线圈区域对应的倾斜角、每个簇对应的倾斜角、所述长度序列的均值以及两个子长度序列之间的皮尔森系数得到所述电感线圈区域的结构一致性。
3.根据权利要求1所述的一种基于视觉的电感缺陷检测方法，其特征在于，所述基于第一拟合优度和第二拟合优度得到所述电感线圈区域的异常显著度的步骤，包括：
标记第一类中第一拟合优度大于第一阈值的簇，统计第一类中所有标记的簇的数量，并计算所有标记的簇内所有像素点的灰度均值；
筛选第二类中第二拟合优度小于第二阈值的簇，统计第二类中所有筛选的簇的数量，并计算所有筛选的簇内所有像素点的灰度均值；对第二类中所有筛选出的簇进行角点检测得到角点的总数量；
根据第一类中标记的簇的数量、标记的簇的第一拟合优度以及灰度均值，第二类中筛选的簇的数量、筛选的簇的第二拟合优度、角点的总数量以及灰度均值得到所述电感线圈区域的异常显著度。
4.根据权利要求2所述的一种基于视觉的电感缺陷检测方法，其特征在于，所述结构一致性的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 67075DEST_PATH_IMAGE002
表示结构一致性；
Figure 530506DEST_PATH_IMAGE003
表示电感线圈区域对应的倾斜角；
Figure 673036DEST_PATH_IMAGE004
表示电感线圈区域中第
Figure DEST_PATH_IMAGE005
个簇对应的倾斜角；
Figure 405631DEST_PATH_IMAGE006
表示两个子长度序列的皮尔森系数；
Figure 69831DEST_PATH_IMAGE007
表示所述长度序列的均值；
Figure 451133DEST_PATH_IMAGE008
表示所述长度序列中第
Figure 120274DEST_PATH_IMAGE005
个元素。
5.根据权利要求3所述的一种基于视觉的电感缺陷检测方法，其特征在于，所述异常显著度的计算公式为：
Figure 928831DEST_PATH_IMAGE009
其中，
Figure DEST_PATH_IMAGE010
表示异常显著度；
Figure 345905DEST_PATH_IMAGE011
表示第一类中标记的簇的数量；
Figure 495346DEST_PATH_IMAGE012
表示第一拟合优度；
Figure 251949DEST_PATH_IMAGE013
表示第二拟合优度；
Figure 965828DEST_PATH_IMAGE014
表示第二类中筛选的簇的数量；
Figure 542302DEST_PATH_IMAGE015
表示第二类中所有筛选的簇的角点的总数量；
Figure 734249DEST_PATH_IMAGE016
表示第一类中标记的簇内所有像素点的灰度均值；
Figure 581245DEST_PATH_IMAGE017
表示第二类中筛选的簇内所有像素点的灰度均值；
Figure 466024DEST_PATH_IMAGE018
表示第一阈值；
Figure 795374DEST_PATH_IMAGE019
表示第二阈值。
6.根据权利要求1所述的一种基于视觉的电感缺陷检测方法，其特征在于，所述基于所述电感线圈区域的所述结构一致性以及所述异常显著度得到熔融缺陷显著度的步骤，包括：
所述异常显著度与所述结构一致性的比值为所述熔融缺陷显著度。
7.根据权利要求1所述的一种基于视觉的电感缺陷检测方法，其特征在于，所述构建垂直于所述电感线圈区域的主成分方向的直线，以得到每个簇与所述直线的相交线段的长度序列的步骤，包括：
所述直线在所述电感线圈区域内不断移动，与每个簇相交得到相交线段，统计所有相交线段的长度得到长度序列，相交线段的长度是指相交线段的两个端点之间的欧式距离。
8.根据权利要求1所述的一种基于视觉的电感缺陷检测方法，其特征在于，所述根据所述RGB图像获取电感线圈区域的步骤，包括：
获取所述RGB图像对应灰度图像，对所述灰度图像分别进行霍夫直线检测和霍夫圆检测，得到灰度图像中所有的圆弧形状以及直线对应的各线条；选取灰度图像中由两个直线对应的线条和两个半圆圆弧对应的曲线依次相隔相连构成的各个区域，选取出的每个区域为电感线圈区域。
9.根据权利要求1所述的一种基于视觉的电感缺陷检测方法，其特征在于，所述根据所述熔融缺陷显著度得到所述电感线圈的缺陷的步骤，包括：
对所有电感线圈区域的所述熔融缺陷显著度进行归一化处理，当归一化后的所述熔融缺陷显著度大于第三阈值时，所述电感线圈区域存在缺陷；统计所有存在缺陷的所述电感线圈区域的数量，当所述数量大于第四阈值时，所述电感线圈存在缺陷。
10.一种基于视觉的电感缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现上述权利要求1-9任意一项所述方法的步骤。
CN202211467701.7A 2022-11-22 2022-11-22 基于视觉的电感缺陷检测方法及系统 Active CN115511888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211467701.7A CN115511888B (zh) 2022-11-22 2022-11-22 基于视觉的电感缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211467701.7A CN115511888B (zh) 2022-11-22 2022-11-22 基于视觉的电感缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN115511888A true CN115511888A (zh) 2022-12-23
CN115511888B CN115511888B (zh) 2023-02-17

Family

ID=84514605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211467701.7A Active CN115511888B (zh) 2022-11-22 2022-11-22 基于视觉的电感缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN115511888B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402815A (zh) * 2023-06-08 2023-07-07 岑科科技(深圳)集团有限公司 基于人工智能的电感线圈封装异常检测方法
CN117474999A (zh) * 2023-12-25 2024-01-30 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统
CN117689657A (zh) * 2024-02-02 2024-03-12 深圳市福源晖科技有限公司 一种柔性线路板贴片异常检测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
JP2019078640A (ja) * 2017-10-25 2019-05-23 Ｊｆｅスチール株式会社 表面欠陥検出方法及び表面欠陥検出装置
JP2019184319A (ja) * 2018-04-04 2019-10-24 コニカミノルタ株式会社 画像形成装置、画像検査装置、管理装置およびプログラム
CN113888523A (zh) * 2021-10-20 2022-01-04 山西省机电设计研究院有限公司 一种强化x射线不锈钢焊缝缺陷实时语义分割方法
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN113999627A (zh) * 2021-09-23 2022-02-01 深圳市岑科实业有限公司 一种磁性胶水、电感器件及制备方法
CN114049489A (zh) * 2022-01-13 2022-02-15 山东鹰联光电科技股份有限公司 一种光纤电缆护套破裂预警方法
CN114910480A (zh) * 2022-05-09 2022-08-16 北京工业大学 一种基于机器视觉的晶圆表面缺陷检测方法
CN114937039A (zh) * 2022-07-21 2022-08-23 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法
CN115222733A (zh) * 2022-09-19 2022-10-21 山东金源不锈钢制品有限公司 基于图像识别的金属构件表面缺陷检测方法
CN115294123A (zh) * 2022-10-08 2022-11-04 淄博永丰环保科技有限公司 一种基于图像视觉的瓦楞纸板质量检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
JP2019078640A (ja) * 2017-10-25 2019-05-23 Ｊｆｅスチール株式会社 表面欠陥検出方法及び表面欠陥検出装置
JP2019184319A (ja) * 2018-04-04 2019-10-24 コニカミノルタ株式会社 画像形成装置、画像検査装置、管理装置およびプログラム
CN113999627A (zh) * 2021-09-23 2022-02-01 深圳市岑科实业有限公司 一种磁性胶水、电感器件及制备方法
CN113888523A (zh) * 2021-10-20 2022-01-04 山西省机电设计研究院有限公司 一种强化x射线不锈钢焊缝缺陷实时语义分割方法
CN113989280A (zh) * 2021-12-28 2022-01-28 武汉市鑫景诚路桥钢模有限公司 基于图像处理技术的钢结构焊接裂纹缺陷检测方法
CN114049489A (zh) * 2022-01-13 2022-02-15 山东鹰联光电科技股份有限公司 一种光纤电缆护套破裂预警方法
CN114910480A (zh) * 2022-05-09 2022-08-16 北京工业大学 一种基于机器视觉的晶圆表面缺陷检测方法
CN114937039A (zh) * 2022-07-21 2022-08-23 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法
CN115222733A (zh) * 2022-09-19 2022-10-21 山东金源不锈钢制品有限公司 基于图像识别的金属构件表面缺陷检测方法
CN115294123A (zh) * 2022-10-08 2022-11-04 淄博永丰环保科技有限公司 一种基于图像视觉的瓦楞纸板质量检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG DUAN 等: "Automatic Welding Defect Detection of X-Ray Images by Using Cascade AdaBoost With Penalty Term", 《IEEE ACCESS》 *
黄广俊: "融合改进LBP和SVM的偏光片外观缺陷检测与分类", 《计算机工程与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402815A (zh) * 2023-06-08 2023-07-07 岑科科技(深圳)集团有限公司 基于人工智能的电感线圈封装异常检测方法
CN116402815B (zh) * 2023-06-08 2023-08-22 岑科科技(深圳)集团有限公司 基于人工智能的电感线圈封装异常检测方法
CN117474999A (zh) * 2023-12-25 2024-01-30 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统
CN117474999B (zh) * 2023-12-25 2024-04-19 惠州市德立电子有限公司 一种微型片式电感双线绕线异常定位方法及系统
CN117689657A (zh) * 2024-02-02 2024-03-12 深圳市福源晖科技有限公司 一种柔性线路板贴片异常检测方法及系统
CN117689657B (zh) * 2024-02-02 2024-04-16 深圳市福源晖科技有限公司 一种柔性线路板贴片异常检测方法及系统

Also Published As

Publication number Publication date
CN115511888B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
CN115511888B (zh) 基于视觉的电感缺陷检测方法及系统
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN115222741B (zh) 一种电缆表面缺陷检测方法
CN116758061B (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN115760884B (zh) 基于图像处理的半挂车表面焊渣优化分割方法
CN116310360A (zh) 一种电抗器表面缺陷检测方法
CN113808138B (zh) 一种基于人工智能的电线电缆表面缺陷检测方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN115564767B (zh) 基于机器视觉的电感绕线质量监测方法
CN116363126B (zh) 一种数据线usb插头焊接质量检测方法
CN115082429B (zh) 一种基于图像处理的铝棒缺陷检测方法
CN114882044A (zh) 金属管件表面质量检测方法
CN115841434A (zh) 一种用于气体浓度分析的红外图像增强方法
CN115330767A (zh) 一种腐蚀箔生产异常识别方法
CN115205290A (zh) 一种pcb板生产过程在线检测方法及系统
CN116630322B (zh) 基于机器视觉的pcba板的质量检测方法
CN115330758A (zh) 基于去噪处理的焊接质量检测方法
CN115274486B (zh) 一种半导体表面缺陷识别方法
CN115294114A (zh) 一种基于ecu电路焊接的质量检测方法
CN116402808A (zh) 一种电缆夹板模具制造智能化检测方法
CN115330774A (zh) 焊接图像熔池边缘检测方法
CN113301264B (zh) 一种图像亮度调整方法、装置、电子设备及存储介质
CN116721096B (zh) 基于人工智能的新能源线束质量在线检测方法
CN116993717B (zh) 一种电子烟发热丝生产质量视觉检测方法

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
CP03 Change of name, title or address

Address after: 518000 room 1101-1105, building 6, Hengda fashion Huigu building (East District), Fulong Road, Henglang community, Dalang street, Longhua District, Shenzhen, Guangdong

Patentee after: Cenke Technology (Shenzhen) Group Co.,Ltd.

Address before: Room 1101-1105, Building 6, Evergrande Fashion Huigu Building (East Area), Fulong Road, Henglang Community, Dalang Street, Longhua District, Shenzhen, Guangdong 518110

Patentee before: SHENZHEN CENKER ENTERPRISE Ltd.

CP03 Change of name, title or address