CN115880305A - 轴类零件表面缺陷视觉检测方法及装置 - Google Patents
轴类零件表面缺陷视觉检测方法及装置 Download PDFInfo
- Publication number
- CN115880305A CN115880305A CN202310215527.5A CN202310215527A CN115880305A CN 115880305 A CN115880305 A CN 115880305A CN 202310215527 A CN202310215527 A CN 202310215527A CN 115880305 A CN115880305 A CN 115880305A
- Authority
- CN
- China
- Prior art keywords
- defect
- shaft part
- sampling points
- detected
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种轴类零件表面缺陷视觉检测方法及装置,涉及机器视觉检测技术领域。本发明实施例中,根据事先确定的分段定位模型分段截取待检测轴类零件的表面图像,获得表面图像感兴趣区域,通过模板匹配和边缘提取获得缺陷轮廓的坐标,最终通过弧面投影复原算法获得缺陷的精确尺寸及其所处的转角位置。从而,本发明实施例能够精确提取有效的感兴趣区域,减少图像数据,提高处理效率,实现缺陷尺寸及其所处位置的精密检测;并且,本发明实施例提供的轴类零件表面缺陷视觉检测方法不仅适用于圆形截面的轴类零件表面缺陷检测,还适用于凸轮等异形回转体的表面缺陷检测,且具有缺陷位置和尺寸可精确量化测量的特点。
Description
技术领域
本发明实施例涉及机器视觉检测领域,尤其涉及一种轴类零件表面缺陷视觉检测方法及装置。
背景技术
机器视觉检测技术是实现工件表面缺陷检测的一种重要手段。精密轴类零件作为一种对汽车发动机性能非常重要的汽车零部件,其表面缺陷检测是汽车质量检验的重要环节。利用机器视觉检测技术实现汽车发动机等核心部件用的精密轴类零件的表面缺陷检测,对降低高精度复杂轴类零部件制造企业的产品不合格品率,提高产品检测速度和细微缺陷检出率,提高汽车零部件制造企业生产自动化程度,推进设备状态和加工质量追溯等方面具有重要意义。
目前,对于精密轴类零件的表面缺陷,国内大多数制造企业,特别是一些中小企业仍采用人工检测的方法,通过目视检测缺陷效率低,也很容易漏检。因为表面反光严重、凸轮轮廓异型等原因,轴类零件的复杂曲面纵深方向过厚对图像采集质量产生影响,而相关的精密轴类零件表面缺陷视觉检测方案中没有考虑这一影响,也没有充分利用轴类零件加工过程已有的轮廓数据,致使检测精度低、容易漏检细微缺陷,难以满足精密轴类零件质量检测需求。
因此,目前亟需一种新的轴类零件表面缺陷视觉检测方法,以提高轴类零件表面缺陷视觉检测的准确性。
发明内容
本发明实施例提供一种轴类零件表面缺陷视觉检测方法、装置、电子设备及存储介质,以至少部分解决相关技术中存在的问题。
本发明实施例第一方面提供了一种轴类零件表面缺陷视觉检测方法,所述方法包括:
采集待检测轴类零件的表面图像;
基于分段定位模型分段截取所采集的表面图像,得到多段待检测表面图像;所述分段定位模型是对标准轴类零件的轮廓采样点进行分析得到的,所述分段定位模型包括的不同表面图像分段的分段依据为:所述轴类零件表面不同位置对表面缺陷检测的不同精度需求,所述标准轴类零件与所述待检测轴类零件为相同型号的轴类零件;
通过边缘提取算法分别对多段待检测表面图像进行缺陷检测,获得缺陷轮廓的坐标;
基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置。
可选地,所述方法还包括:
对标准轴类零件的径向轮廓进行离散采样,获得系列采样点,作为所述标准轴类零件的轮廓采样点;
基于旋转变换建立不同转角的轮廓采样点与大景深像平面的动态映射关系;
按照成像清晰且满足精度要求的约束条件对所述轮廓采样点进行筛选,获得边界采样点;
根据所述边界采样点确定所述标准轴类零件的轮廓表面的分段定位模型。
可选地,对标准轴类零件的径向轮廓进行离散采样,获得系列采样点包括:
对所述标准轴类零件的径向截面轮廓曲线L,进行角度步长为δ的矢量采样,获得系列径向采样点Pi(i=1,2,…,m),并设点Pi的向径为ρi;
由数据拟合算法求得所述采样点Pi的曲率半径ri,根据所述曲率半径和余弦定理确定相邻采样点Pi和Pi+1间的弦长Si、弧长Ci:
Si=ρi+1 2+ρi 2-2×ρi+1ρiCosδ
Ci=2πriarc sin(Si/2ri)/360。
可选地,基于旋转变换建立不同转角的轮廓采样点与大景深像平面的动态映射关系,包括:
以所述标准轴类零件的轴心为原点、转动轴为Y轴建立坐标系;
根据旋转变换原理,所述标准轴类零件从起始位置绕Y轴转动θ角后,采样点Pi的向径不变,方向角变为Фi=(i×δ+θ),采用下式计算得到采样点Pi的坐标(Xi,Yi,Zi)、相邻采样点之间的弧长Ci在X方向的投影DXi:
Xi=ρi ×Cos(Фi)
Yi=0
Zi=ρi×Sin(Фi)
DXi= Xi+1-Xi=ρi+1 ×Cos(Фi+1)-ρi×Cos(Фi) 。
可选地,按照成像清晰且满足精度要求的约束条件对所述轮廓采样点进行筛选,获得所需采样点,包括:
设视觉景深近点位于Z=-Z0,采集到清晰图像的是处于相机视场中高度在景深近点和远点之间的一段凸轮表面;同时,限定边界采样点的弧度Ci和投影DXi之比,以保证实际分辨率在公差的1/3~1/10范围内;通过下式的约束条件筛选所述边界采样点(PXi、PYi、PZi):
-Xs/2<=PXi<= Xs/2
-Ys/2<=PYi<= Ys /2
-Z0<=PZi<= -Z0+Zs
3<=(Ci/DXi)× E/p<=10 。
其中,Xs为视场宽度、Ys为视场长度、Zs为景深、p为相机分辨率、公差E。
可选地,根据所述边界采样点确定所述标准轴类零件的轮廓表面的分段定位模型,包括:
从所述边界采样点中找到左右边界点对应的向径的方向角,作为最佳边界角;
计算所述最佳边界角之差作为下一次采集图像前凸轮的转角;
更新采样点旋转后的坐标;
重复上述步骤,直至确定采集整个表面图像所需的所有转角及其对应的定位点坐标,形成分段定位模型。
可选地,基于分段定位模型分段截取所采集的表面图像,得到多段待检测表面图像;通过边缘提取算法分别对多段待检测表面图像进行缺陷检测,获得缺陷轮廓的坐标,包括:
根据所述采集整个表面图像所需的所有转角,转动待检测轴类零件,采集所述待检测轴类零件的表面图像;
根据所述最佳边界角截取所述表面图像;
按照缺陷分割阈值对每段表面图像进行阈值分割,基于Canny算子提取其中缺陷的边缘像素坐标。
可选地,所述方法还包括:
根据所述采集整个表面图像所需的所有转角,转动标准样品轴类零件,采集所述标准样品轴类零件的表面图像;
根据所述最佳边界角截取所述标准样品轴类零件的表面图像;
统计分析每段截取到的所述标准样品轴类零件的表面图像的灰度值,确定每段表面图像对应的缺陷分割阈值;
可选地,基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置,包括:
搜索缺陷边缘像素的X坐标所覆盖的定位网格,用对应的弧长Ci替代缺陷轮廓中的X方向投影DXi,作为所述缺陷的实际尺寸;
对缺陷没有完全覆盖的边界网格,通过线性比例换算其弧长,得到所述缺陷所处位置(TXi、TYi),复原计算方法下式:
TXi=C1+C2+…+Ci-1+C0×X0/DX0+Cn×Xn/DXn
TYi=Y0+Y1+…+Yn。
本发明实施例第二方面提供了一种轴类零件表面缺陷视觉检测装置,所述装置包括:
采集模块,用于采集待检测轴类零件的表面图像;
截取模块,用于基于分段定位模型分段截取所采集的表面图像,得到多段待检测表面图像,所述分段定位模型是对标准轴类零件的轮廓采样点进行分析得到的,所述分段定位模型包括的不同表面图像分段的分段依据为:所述轴类零件表面不同位置对表面缺陷检测的不同精度需求,所述标准轴类零件与所述待检测轴类零件为相同型号的轴类零件;
检测模块,用于通过边缘提取算法分别对多段待检测表面图像进行缺陷检测,获得缺陷轮廓的坐标;
复原模块,用于基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置。
可选地,所述装置还包括:
采样模块,用于对标准轴类零件的径向轮廓进行离散采样,获得系列采样点,作为所述标准轴类零件的轮廓采样点;
映射模块,用于基于旋转变换建立不同转角的轮廓采样点与大景深像平面的动态映射关系;
筛选模块,用于按照成像清晰且满足精度要求的约束条件对所述轮廓采样点进行筛选,获得边界采样点;
确定模块,用于根据所述边界采样点确定所述标准轴类零件的轮廓表面的分段定位模型。
可选地,所述采样模块,具体用于:
对所述标准轴类零件的径向截面轮廓曲线L,进行角度步长为δ的矢量采样,获得系列径向采样点Pi(i=1,2,…,m),并设点Pi的向径为ρi;
由数据拟合算法求得所述采样点Pi的曲率半径ri,根据所述曲率半径和余弦定理确定相邻采样点Pi和Pi+1间的弦长Si、弧长Ci:
Si=ρi+1 2+ρi 2-2×ρi+1ρiCosδ
Ci=2πriarc sin(Si/2ri)/360。
可选地,所述映射模块,具体用于:
以所述标准轴类零件的轴心为原点、转动轴为Y轴建立坐标系;
根据旋转变换原理,所述标准轴类零件从起始位置绕Y轴转动θ角后,采样点Pi的向径不变,方向角变为Фi=(i×δ+θ),采用下式计算得到采样点Pi的坐标(Xi,Yi,Zi)、相邻采样点之间的弧长Ci在X方向的投影DXi:
Xi=ρi ×Cos(Фi)
Yi=0
Zi=ρi×Sin(Фi)
DXi= Xi+1-Xi=ρi+1 ×Cos(Фi+1)-ρi×Cos(Фi) 。
可选地,所述筛选模块,具体用于:
设视觉景深近点位于Z=-Z0,采集到清晰图像的是处于相机视场中高度在景深近点和远点之间的一段凸轮表面;同时,限定边界采样点的弧度Ci和投影DXi之比,以保证实际分辨率在公差的1/3~1/10范围内;通过下式的约束条件筛选所述边界采样点(PXi、PYi、PZi):
-Xs/2<=PXi<= Xs/2
-Ys/2<=PYi<= Ys /2
-Z0<=PZi<= -Z0+Zs
3<=(Ci/DXi)× E/p<=10 。
其中Xs为视场宽度、Ys为视场长度、Zs为景深、p为相机分辨率、公差E。
可选地,所述确定模块,具体用于:
从所述边界采样点中找到左右边界点对应的向径的方向角,作为最佳边界角;
计算所述最佳边界角之差作为下一次采集图像前凸轮的转角;
更新采样点旋转后的坐标;
重复上述步骤,直至确定采集整个表面图像所需的所有转角及其对应的定位点坐标,形成分段定位模型。
可选地,所述截取模块,具体用于:
根据所述采集整个表面图像所需的所有转角,转动待检测轴类零件,采集所述待检测轴类零件的表面图像;
根据所述最佳边界角截取所述表面图像;
所述检测模块,具体用于:按照缺陷分割阈值对每段表面图像进行阈值分割,基于Canny算子提取其中缺陷的边缘像素坐标。
可选地,所述装置还包括:
标准图像采集模块,用于根据所述采集整个表面图像所需的所有转角,转动标准样品轴类零件,采集所述标准样品轴类零件的表面图像;
标准图像截取模块,用于根据所述最佳边界角截取所述标准样品轴类零件的表面图像;
统计模块,用于统计分析每段截取到的所述标准样品轴类零件的表面图像的灰度值,确定每段表面图像对应的缺陷分割阈值;
可选地,所述复原模块,具体用于:
搜索缺陷边缘像素的X坐标所覆盖的定位网格,用对应的弧长Ci替代缺陷轮廓中的X方向投影DXi,作为所述缺陷的实际尺寸;
对缺陷没有完全覆盖的边界网格,通过线性比例换算其弧长,得到所述缺陷所处位置(TXi、TYi),复原计算方法如下式:
TXi=C1+C2+…+Ci-1+C0×X0/DX0+Cn×Xn/DXn
TYi=Y0+Y1+…+Yn。
本发明实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面所述的方法中的步骤。
本发明实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现如本发明第一方面所述的方法中的步骤。
本发明实施例中,根据事先确定的分段定位模型分段截取待检测轴类零件的表面图像,获得表面图像感兴趣区域,通过模板匹配和边缘提取获得缺陷轮廓的坐标,最终通过弧面投影复原算法获得缺陷的精确尺寸及其所处的转角位置。从而,本发明实施例能够精确提取有效的感兴趣区域,减少图像数据,提高处理效率,实现缺陷尺寸及其所处位置的精密检测;并且,本发明实施例能够满足用户对凸轮轴表面不同位置采用不同精度要求的定制化缺陷筛选要求。由此,本发明实施例提供的轴类零件表面缺陷视觉检测方法不仅适用于圆形截面的轴类零件表面缺陷检测,还适用于凸轮等异形回转体的表面缺陷检测,且具有缺陷位置和尺寸可精确量化测量的特点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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是发明实施例的一种轴类零件表面缺陷视觉检测方法的流程图;
图2是本发明实施例的一种轴类零件表面缺陷视觉检测方法对应的视觉检测系统的构成示意图;
图3是本发明实施例的另一种轴类零件表面缺陷视觉检测方法的流程图;
图4是采用本发明实施例的轴类零件表面缺陷视觉检测方法在凸轮轴不同转角的凸轮图像分段定位网格截面图;
图5是采用本发明实施例的轴类零件表面缺陷视觉检测方法在三个不同转角下采集的凸轮表面图像截取效果图;
图6是采用本发明实施例的轴类零件表面缺陷视觉检测方法在三个不同转角下表面缺陷检出效果图;
图7是本发明实施例的一种轴类零件表面缺陷视觉检测装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明实施例的一种轴类零件表面缺陷视觉检测方法的流程图,本发明实施例所提供的轴类零件表面缺陷视觉检测方法可以包括以下步骤:
S101,采集待检测轴类零件的表面图像。
本发明实施例中,待检测轴类零件可以为任意类型的轴类零件,例如,可以为精密异型轴类零件。
本发明实施例中可以对待检测轴类零件进行转动,并在转动过程中对该待检测轴类零件的表面图像进行采集,以得到其完整表面图像。
S102,基于分段定位模型分段截取所采集的表面图像,得到多段待检测表面图像。
所述分段定位模型是对标准轴类零件的轮廓采样点进行分析得到的,所述分段定位模型包括的不同表面图像分段的分段依据为:所述轴类零件表面不同位置对表面缺陷检测的不同精度需求,所述标准轴类零件与所述待检测轴类零件为相同型号的轴类零件。
本发明实施例中,分段定位模型是对标准轴类零件的表面图像进行分析得到的,其目的在于,按照轴类零件表面的不同位置,进行分段,从而可以对不同位置的表面图像采用不同精度要求的缺陷筛选要求。
对于某个精密零件,可以对其结构较为复杂的位置采用高精度要求的缺陷筛选要求,对其结果较为简单的位置采用低精度要求的缺陷筛选要求。
例如:对于凸轮,可以对其基圆段和桃尖段采用高精度要求的缺陷筛选要求,对于过渡段采用低精度要求的缺陷筛选要求。
S103,通过边缘提取算法分别对多段待检测表面图像进行缺陷检测,获得缺陷轮廓的坐标。
本发明实施例中,表面图像缺陷检测方法可以采用相关技术中的任意可行方法。
本发明实施例中,可以利用缺陷位置在采集到表面图像上呈现较深的灰度这一原则对缺陷进行检测,并利用边缘提取算法,确定该缺陷的轮廓在表面图像上的坐标。
本发明实施例中,表面图像可以以网格的形式的划分,在这种情况下,缺陷轮廓在表面图像上的坐标可以以坐标集的形式表现,具体为该缺陷轮廓在表面图像上覆盖的所有网格对应的坐标。
S104,基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置。
本发明实施例中,在确定缺陷在表面图像上的坐标,即可按照弧面投影算法,将该缺陷在表面图像上的坐标还原为其在待检测轴类零件上的位置。
为了便于理解,以轴类零件为凸轮为例,对本发明实施例提供的轴类零件表面缺陷视觉检测方法,进行解释。参照图2,示出了本发明实施例一种轴类零件表面缺陷视觉检测方法对应的视觉检测系统的构成示意图。包括凸轮轴4、照明系统3、图像采集装置(包括相机1、镜头2)、计算机5和执行凸轮轴表面缺陷视觉检测方法的软件6。本发明实施例中,照明系统采用碗光,使光线均匀地照射在凸轮的弧形表面,突出表面缺陷。本发明实施例中,图像采集装置采用海康威视的型号为MV-CA050-10GM的黑白相机,最大分辨率为2448×2048,2/3"CMOS。镜头为视清的型号为ESCM024-124D230的远心镜头,最大视野为36.7mm×27.5mm,景深6.5mm。凸轮轴5为型号为200F的四星牌凸轮轴。
以下结合图2所示的一种轴类零件表面缺陷视觉检测方法对应的视觉检测系统,对本发明实施例的另一种轴类零件表面缺陷视觉检测方法进行解释,如图3所示,该方法包括以下步骤:
S301,对标准轴类零件的径向轮廓进行离散采样,获得系列采样点,作为所述标准轴类零件的轮廓采样点。
所述步骤S301包括:
S3011,对所述标准轴类零件的径向截面轮廓曲线L,进行角度步长为δ的矢量采样,获得系列径向采样点Pi(i=1,2,…,m),并设点Pi的向径为ρi。
S3012,由数据拟合算法求得所述采样点Pi的曲率半径ri,根据所述曲率半径和余弦定理,采用下式确定相邻采样点Pi和Pi+1间的弦长Si、弧长Ci:
Si=ρi+1 2+ρi 2-2×ρi+1ρiCosδ
Ci=2πriarc sin(Si/2ri)/360
本发明实施例中,通过对采样点进行数据拟合获得曲线L的表达式y=f(x),Pi的曲率半径ri。
从而,本发明实施例中,以轴类零件在制造过程中就已经确定的轮廓数据为基础进行针对该零件的表面缺陷检测,可以充分利用已有数据,简化数据采集过程。
S302,基于旋转变换建立不同转角的轮廓采样点与大景深像平面的动态映射关系。
所述步骤S302包括:
S3021,以所述标准轴类零件的轴心为原点、转动轴为Y轴建立坐标系。
为了便于理解,以图2中示出的视觉检测系统检测凸轮为例,以转动轴从左到右为Y轴,从近端指向远端为X轴,垂直方向为Z轴。
S3022,根据旋转变换原理,所述标准轴类零件从起始位置绕Y轴转动θ角后,采样点Pi的向径不变,方向角变为Фi=(i×δ+θ),采用下式计算得到采样点Pi的坐标(Xi,Yi,Zi)、相邻采样点之间的弧长Ci在X方向的投影DXi:
Xi=ρi ×Cos(Фi)
Yi=0
Zi=ρi×Sin(Фi)
DXi= Xi+1-Xi=ρi+1 ×Cos(Фi+1)-ρi×Cos(Фi)。
S303,按照成像清晰且满足精度要求的约束条件对所述轮廓采样点进行筛选,获得边界采样点。
本发明实施例中,约束条件具体为:设视觉景深近点位于Z=-Z0,采集到清晰图像的是处于相机视场中高度在景深近点和远点之间的那一段凸轮表面;同时,需限定边界点的弧度Ci和投影DXi之比,以保证实际分辨率在公差的1/3~1/10范围内,以保证测量精度;通过下式的约束条件筛选所需的边界采样点(PXi、PYi、PZi):
-Xs/2<=PXi<= Xs/2
-Ys/2<=PYi<= Ys /2
-Z0<=PZi<= -Z0+Zs
3<=(Ci/DXi)× E/p<=10
其中,Xs为视场宽度、Ys为视场长度、Zs为景深、p为相机分辨率、公差E。
其中,3<=(Ci/DXi)× E/p<=10,用于限定边界点的弧度Ci和投影DXi之比,以保证实际分辨率在公差的1/3~1/10范围内,以保证测量精度。
-Z0<=PZi<= -Z0+Zs,用于限定采集到清晰图像的是处于相机视场中高度在景深近点和远点之间的那一段凸轮表面。
S304根据所述边界采样点确定所述标准轴类零件的轮廓表面的分段定位模型。
具体的,本发明实施例中,建立的分段定位模型用于在实际应用时,对待检测轴类零件的表面图像进行截取。
具体的,所述步骤S304包括以下子步骤:
S3041,从根据上述约束条件筛选出的边界采样点中找到左右边界点对应的向径的方向角,作为最佳边界角。
具体的,本发明实施例中,按照上述约束条件筛选出的边界采样点中,X坐标最小为左边界,X坐标最大为右边界。
S3042,计算最佳边界角之差作为下一次采集图像前凸轮的转角;
S3043按照步骤S3022中提供的公式更新采样点旋转后的坐标。
重复步骤S3041~S3043,直至确定采集整个表面图像所需的所有转角及其对应的定位点坐标,形成分段定位模型。为了便于理解,依然以凸轮的视觉检测为例,图4是采用本发明实施例的轴类零件表面缺陷视觉检测方法对凸轮轴不同转角的凸轮图像分段定位网格截面图,其中,示意了凸轮轴中心线处于原始位(与纵轴夹角为0°)、转动60°、转动120°时,有效景深范围内的分段定位网格,图中为便于观察,显示的角度步长δ取5°,实际应用中δ可根据精度要求取值。
S305,根据所述采集整个表面图像所需的所有转角,转动待检测轴类零件,采集所述待检测轴类零件的表面图像。
本发明实施例中,在对待检测轴类零件的表面图像进行采集时,采集整个表面图像所需的所有转角与上述步骤S304中确定的采集整个表面图像所需的所有转角相同。
具体的,图5是采用本发明实施例的轴类零件表面缺陷视觉检测方法对三个不同转角(原始位(与纵轴夹角为0°)、转动60°、转动120°)下采集的凸轮表面图像截取效果图。
S306,根据所述最佳边界角截取所述待检测轴类零件的表面图像。
本发明实施例中,最佳边界角与上述步骤S304中,确定分段定位模型的过程中确定的最佳边界角相同。
S307,按照缺陷分割阈值对每段表面图像进行阈值分割,基于Canny算子提取其中缺陷的边缘像素坐标。
本发明实施例中,每段表面图像的缺陷分割阈值可以不同,具体的,可以通过下述步骤S1~S3确定每段表面图像的缺陷分割阈值:
S1,根据所述采集整个表面图像所需的所有转角,转动标准样品轴类零件,采集所述标准样品轴类零件的表面图像。
S2,根据所述最佳边界角截取所述标准样品轴类零件的表面图像。
S3,统计分析每段截取到的所述标准样品轴类零件的表面图像的灰度值,确定每段表面图像对应的缺陷分割阈值。
本发明实施例中,可以按照确定的分段定位模型,对标准样本轴类零件的表面图像进行截取,得到多段表面图像,再对每段表面图像分别进行统计分析,以分别确定分段定位模型对应的多段表面图像中每段表面图像的缺陷分割阈值。
本发明实施例中,由于标准样本轴类零件的表面不存在缺陷,因此,可以对其表面图像进行分析,确定标准样本零件的表面图像的最大灰度值,以该灰度值为缺陷分割阈值,在进行检测应用时,将待检测的表面图像中超出该阈值的坐标点视为缺陷点。
S308,基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置。
具体的,本发明实施例中,所述步骤S308包括以下子步骤:
S3081,搜索缺陷边缘像素的X坐标所覆盖的定位网格,用对应的弧长Ci替代缺陷轮廓中的X方向投影DXi,作为所述缺陷的实际尺寸。
S3082,对缺陷没有完全覆盖的边界网格,通过线性比例换算其弧长,得到所述缺陷所处位置(TXi、TYi),复原计算方法下式:
TXi=C1+C2+…+Ci-1+C0×X0/DX0+Cn×Xn/DXn
TYi=Y0+Y1+…+Yn。
具体的,本发明实施例中,可以将表面图像分给多个定位网格,搜索缺陷边缘像素的X坐标所覆盖的定位网格,用对应的弧长Ci替代缺陷轮廓中的X方向投影DXi,作为所述缺陷的实际尺寸。
本发明实施例中,基于弧面投影复原算法,可以计算得到待检测轴类零件的表面缺陷实际面积,从而可以按照检测标准筛选出超标的缺陷。
缺陷检测效果如图6所示,图6是采用本发明实施例的轴类零件表面缺陷视觉检测方法在三个不同转角下表面缺陷检出效果图。其中,图6中左边部分是凸轮桃尖检出效果图,图6中中间部分是凸轮过渡段检出效果图,图6中右边部分是凸轮基圆缺陷检出效果图。
基于同一发明构思,本发明实施例提供一种轴类零件表面缺陷视觉检测装置,参考图7,图7是本发明实施例提供的轴类零件表面缺陷视觉检测装置的示意图。本发明实施例中,所述轴类零件表面缺陷视觉检测装置为虚拟装置,包括多个功能模块,用于实现上述轴类零件表面缺陷视觉检测方法。如图7所示,该装置包括:
采集模块701,用于采集待检测轴类零件的表面图像;
截取模块702,用于基于分段定位模型分段截取所采集的表面图像,得到多段待检测表面图像;所述分段定位模型是对标准轴类零件的轮廓采样点进行分析得到的,所述分段定位模型包括的不同表面图像分段的分段依据为:所述轴类零件表面不同位置对表面缺陷检测的不同精度需求,所述标准轴类零件与所述待检测轴类零件为相同型号的轴类零件;
检测模块703,用于通过边缘提取算法分别对多段待检测表面图像进行缺陷检测,获得缺陷轮廓的坐标;
复原模块704,用于基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置。
可选地,所述装置还包括:
采样模块,用于对标准轴类零件的径向轮廓进行离散采样,获得系列采样点,作为所述标准轴类零件的轮廓采样点;
映射模块,用于基于旋转变换建立不同转角的轮廓采样点与大景深像平面的动态映射关系;
筛选模块,用于按照成像清晰且满足精度要求的约束条件对所述轮廓采样点进行筛选,获得边界采样点;
确定模块,用于根据所述边界采样点确定所述标准轴类零件的轮廓表面的分段定位模型。
可选地,所述采样模块,具体用于:
对所述标准轴类零件的径向截面轮廓曲线L,进行角度步长为δ的矢量采样,获得系列径向采样点Pi(i=1,2,…,m),并设点Pi的向径为ρi;
由数据拟合算法求得所述采样点Pi的曲率半径ri,根据所述曲率半径和余弦定理确定相邻采样点Pi和Pi+1间的弦长Si、弧长Ci:
Si=ρi+1 2+ρi 2-2×ρi+1ρiCosδ
Ci=2πriarc sin(Si/2ri)/360。
可选地,所述映射模块,具体用于:
以所述标准轴类零件的轴心为原点、转动轴为Y轴建立坐标系;
根据旋转变换原理,所述标准轴类零件从起始位置绕Y轴转动θ角后,采样点Pi的向径不变,方向角变为Фi=(i×δ+θ),采用下式计算得到采样点Pi的坐标(Xi,Yi,Zi)、相邻采样点之间的弧长Ci在X方向的投影DXi:
Xi=ρi ×Cos(Фi)
Yi=0
Zi=ρi×Sin(Фi)
DXi= Xi+1-Xi=ρi+1 ×Cos(Фi+1)-ρi×Cos(Фi) 。
可选地,所述筛选模块,具体用于:
设视觉景深近点位于Z=-Z0,采集到清晰图像的是处于相机视场中高度在景深近点和远点之间的一段凸轮表面;同时,限定边界采样点的弧度Ci和投影DXi之比,以保证实际分辨率在公差的1/3~1/10范围内;通过下式的约束条件筛选所述边界采样点(PXi、PYi、PZi):
-Xs/2<=PXi<= Xs/2
-Ys/2<=PYi<= Ys /2
-Z0<=PZi<= -Z0+Zs
3<=(Ci/DXi)× E/p<=10 。
其中Xs为视场宽度、Ys为视场长度、Zs为景深、p为相机分辨率、公差E。
可选地,所述确定模块,具体用于:
从所述边界采样点中找到左右边界点对应的向径的方向角,作为最佳边界角;
计算所述最佳边界角之差作为下一次采集图像前凸轮的转角;
更新采样点旋转后的坐标;
重复上述步骤,直至确定采集整个表面图像所需的所有转角及其对应的定位点坐标,形成分段定位模型。
可选地,所述截取模块702,具体用于:
根据所述采集整个表面图像所需的所有转角,转动待检测轴类零件,采集所述待检测轴类零件的表面图像;
根据所述最佳边界角截取所述表面图像;
所述检测模块703,具体用于:按照缺陷分割阈值对每段表面图像进行阈值分割,基于Canny算子提取其中缺陷的边缘像素坐标。
可选地,所述装置还包括:
标准图像采集模块,用于根据所述采集整个表面图像所需的所有转角,转动标准样品轴类零件,采集所述标准样品轴类零件的表面图像;
标准图像截取模块,用于根据所述最佳边界角截取所述标准样品轴类零件的表面图像;
统计模块,用于统计分析每段截取到的所述标准样品轴类零件的表面图像的灰度值,确定每段表面图像对应的缺陷分割阈值;
可选地,所述复原模块704,具体用于:
搜索缺陷边缘像素的X坐标所覆盖的定位网格,用对应的弧长Ci替代缺陷轮廓中的X方向投影DXi,作为所述缺陷的实际尺寸;
对缺陷没有完全覆盖的边界网格,通过线性比例换算其弧长,得到所述缺陷所处位置(TXi、TYi),复原计算方法如下式:
TXi=C1+C2+…+Ci-1+C0×X0/DX0+Cn×Xn/DXn
TYi=Y0+Y1+…+Yn。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
基于同一发明构思,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例所述的轴类零件表面缺陷视觉检测方法中的步骤。
基于同一发明构思,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现上述任一实施例所述的轴类零件表面缺陷视觉检测方法中的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种轴类零件表面缺陷视觉检测方法、装置、电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种轴类零件表面缺陷视觉检测方法,其特征在于,所述方法包括:
采集待检测轴类零件的表面图像;
基于分段定位模型分段截取所采集的表面图像,得到多段待检测表面图像,所述分段定位模型是对标准轴类零件的轮廓采样点进行分析得到的,所述分段定位模型包括的不同表面图像分段的分段依据为:所述轴类零件表面不同位置对表面缺陷检测的不同精度需求,所述标准轴类零件与所述待检测轴类零件为相同型号的轴类零件;
通过边缘提取算法分别对多段待检测表面图像进行缺陷检测,获得缺陷轮廓的坐标;
基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置。
2.根据权利要求1所述的轴类零件表面缺陷视觉检测方法,其特征在于,所述方法还包括:
对所述标准轴类零件的径向轮廓进行离散采样,获得系列采样点,作为所述标准轴类零件的轮廓采样点;
基于旋转变换建立不同转角的轮廓采样点与大景深像平面的动态映射关系;
按照成像清晰且满足精度要求的约束条件对所述轮廓采样点进行筛选,获得边界采样点;
根据所述边界采样点确定所述标准轴类零件的轮廓表面的分段定位模型。
3.根据权利要求2所述的轴类零件表面缺陷视觉检测方法,其特征在于,对标准轴类零件的径向轮廓进行离散采样,获得系列采样点包括:
对所述标准轴类零件的径向截面轮廓曲线L,进行角度步长为δ的矢量采样,获得系列径向采样点Pi(i=1,2,…,m),并设点Pi的向径为ρi;
由数据拟合算法求得所述采样点Pi的曲率半径ri,根据所述曲率半径和余弦定理确定相邻采样点Pi和Pi+1间的弦长Si、弧长Ci:
Si=ρi+1 2+ρi 2-2×ρi+1ρi Cosδ
Ci=2πri arc sin(Si/2ri )/360。
4.根据权利要求2所述的轴类零件表面缺陷视觉检测方法,其特征在于,基于旋转变换建立不同转角的轮廓采样点与大景深像平面的动态映射关系,包括:
以所述标准轴类零件的轴心为原点、转动轴为Y轴建立坐标系;
根据旋转变换原理,所述标准轴类零件从起始位置绕Y轴转动θ角后,采样点Pi的向径不变,方向角变为Фi=(i×δ+θ),采用下式计算得到采样点Pi的坐标(Xi,Yi,Zi)、相邻采样点之间的弧长Ci在X方向的投影DXi:
Xi=ρi ×Cos(Фi)
Yi=0
Zi=ρi×Sin(Фi)
DXi= Xi+1 -X i=ρi+1 ×Cos(Фi+1)-ρi×Cos(Фi) 。
5.根据权利要求2所述的轴类零件表面缺陷视觉检测方法,其特征在于,按照成像清晰且满足精度要求的约束条件对所述轮廓采样点进行筛选,获得所需采样点,包括:
设视觉景深近点位于Z=-Z0,采集到清晰图像的是处于相机视场中高度在景深近点和远点之间的一段凸轮表面;同时,限定边界采样点的弧度Ci和投影DXi之比,以保证实际分辨率在公差的1/3~1/10范围内;通过下式的约束条件筛选所述边界采样点(PXi、PYi、PZi):
-Xs/2<=PXi <= Xs /2
-Ys/2<=PYi <= Ys /2
-Z0<=PZi<= -Z0+Zs
3<=(Ci/DXi)× E/p<=10
其中,Xs为视场宽度、Ys为视场长度、Zs为景深、p为相机分辨率、公差E。
6.根据权利要求5所述的轴类零件表面缺陷视觉检测方法,其特征在于,根据所述边界采样点确定所述标准轴类零件的轮廓表面的分段定位模型,包括:
从所述边界采样点中找到左右边界点对应的向径的方向角,作为最佳边界角;
计算所述最佳边界角之差作为下一次采集图像前凸轮的转角;
更新采样点旋转后的坐标;
重复上述步骤,直至确定采集整个表面图像所需的所有转角及其对应的定位点坐标,形成分段定位模型。
7.根据权利要求6所述的轴类零件表面缺陷视觉检测方法,其特征在于,基于分段定位模型分段截取所采集的表面图像,得到多段待检测表面图像;通过边缘提取算法分别对多段待检测表面图像进行缺陷检测,获得缺陷轮廓的坐标,包括:
根据所述采集整个表面图像所需的所有转角,转动待检测轴类零件,采集所述待检测轴类零件的表面图像;
根据所述最佳边界角截取所述待检测轴类零件的表面图像;
按照缺陷分割阈值对每段表面图像进行阈值分割,基于Canny算子提取其中缺陷的边缘像素坐标。
8.根据权利要求7所述的轴类零件表面缺陷视觉检测方法,其特征在于,所述方法还包括:
根据所述采集整个表面图像所需的所有转角,转动标准样品轴类零件,采集所述标准样品轴类零件的表面图像;
根据所述最佳边界角截取所述标准样品轴类零件的表面图像;
统计分析每段截取到的所述标准样品轴类零件的表面图像的灰度值,确定每段表面图像对应的缺陷分割阈值。
9.根据权利要求1-8任一项所述的轴类零件表面缺陷视觉检测方法,其特征在于,基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置,包括:
搜索缺陷边缘像素的X坐标所覆盖的定位网格,用对应的弧长Ci替代缺陷轮廓中的X方向投影DXi,作为所述缺陷的实际尺寸;
对缺陷没有完全覆盖的边界网格,通过线性比例换算其弧长,得到所述缺陷所处位置(TXi、TYi),复原计算方法下式:
TXi=C1+C2+…+Ci-1+C0×X0/DX0+Cn×Xn/DXn
TYi=Y0+Y1+…+Yn。
10.一种轴类零件表面缺陷视觉检测装置,其特征在于,所述装置包括:
采集模块,用于采集待检测轴类零件的表面图像;
截取模块,用于基于分段定位模型分段截取所采集的表面图像,得到多段待检测表面图像;
检测模块,用于通过边缘提取算法分别对多段待检测表面图像进行缺陷检测,获得缺陷轮廓的坐标;
复原模块,用于基于弧面投影复原算法和所述缺陷轮廓的坐标获得缺陷的实际尺寸及其所处位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310215527.5A CN115880305B (zh) | 2023-03-08 | 2023-03-08 | 轴类零件表面缺陷视觉检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310215527.5A CN115880305B (zh) | 2023-03-08 | 2023-03-08 | 轴类零件表面缺陷视觉检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880305A true CN115880305A (zh) | 2023-03-31 |
CN115880305B CN115880305B (zh) | 2023-06-09 |
Family
ID=85762024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310215527.5A Active CN115880305B (zh) | 2023-03-08 | 2023-03-08 | 轴类零件表面缺陷视觉检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880305B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630315A (zh) * | 2023-07-24 | 2023-08-22 | 山东东阿亿福缘阿胶制品有限公司 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070274584A1 (en) * | 2004-02-27 | 2007-11-29 | Leow Wee K | Method and System for Detection of Bone Fractures |
CN107388991A (zh) * | 2017-07-03 | 2017-11-24 | 中国计量大学 | 一种端面多圆角轴类零件圆角半径测量方法 |
CN109822478A (zh) * | 2019-03-19 | 2019-05-31 | 苏州润智和智能科技有限公司 | 一种汽车轴类零件的全方位检测系统和方法 |
CN111810608A (zh) * | 2020-06-05 | 2020-10-23 | 金齿传动科技(大连)有限公司 | 具有连续啮合齿形的谐波齿轮及其齿形设计方法 |
CN111843754A (zh) * | 2020-07-31 | 2020-10-30 | 中国人民解放军国防科技大学 | 轴类零件外圆圆度确定性修形方法 |
CN113706537A (zh) * | 2021-10-28 | 2021-11-26 | 江苏启力锻压机床有限公司 | 一种基于机器视觉的不规则工件检测方法 |
CN115311503A (zh) * | 2022-09-29 | 2022-11-08 | 兰波(苏州)智能科技有限公司 | 一种纤维分类方法、系统、计算机装置和介质 |
-
2023
- 2023-03-08 CN CN202310215527.5A patent/CN115880305B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070274584A1 (en) * | 2004-02-27 | 2007-11-29 | Leow Wee K | Method and System for Detection of Bone Fractures |
CN107388991A (zh) * | 2017-07-03 | 2017-11-24 | 中国计量大学 | 一种端面多圆角轴类零件圆角半径测量方法 |
CN109822478A (zh) * | 2019-03-19 | 2019-05-31 | 苏州润智和智能科技有限公司 | 一种汽车轴类零件的全方位检测系统和方法 |
CN111810608A (zh) * | 2020-06-05 | 2020-10-23 | 金齿传动科技(大连)有限公司 | 具有连续啮合齿形的谐波齿轮及其齿形设计方法 |
CN111843754A (zh) * | 2020-07-31 | 2020-10-30 | 中国人民解放军国防科技大学 | 轴类零件外圆圆度确定性修形方法 |
CN113706537A (zh) * | 2021-10-28 | 2021-11-26 | 江苏启力锻压机床有限公司 | 一种基于机器视觉的不规则工件检测方法 |
CN115311503A (zh) * | 2022-09-29 | 2022-11-08 | 兰波(苏州)智能科技有限公司 | 一种纤维分类方法、系统、计算机装置和介质 |
Non-Patent Citations (2)
Title |
---|
SAMUEL AMG: "《Hip Fracture Detection Using Artificial Intelligence:A Pilot Study》", 《ACTA MEDICA PHILIPPINA》 * |
王伟华: "《基于机器视觉的笔芯球珠表面缺陷检测系统研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630315A (zh) * | 2023-07-24 | 2023-08-22 | 山东东阿亿福缘阿胶制品有限公司 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
CN116630315B (zh) * | 2023-07-24 | 2023-09-29 | 山东东阿亿福缘阿胶制品有限公司 | 基于计算机视觉的饮料包装缺陷智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115880305B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN106952250B (zh) | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 | |
CN109087274B (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
JP6598162B2 (ja) | 線形クラスタリングに基づくマルチタイプのbgaチップの視覚識別方法 | |
CN110136120B (zh) | 一种基于机器视觉的丝网印刷样板尺寸测量方法 | |
CN105335973B (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN107239742B (zh) | 一种仪表指针刻度值计算方法 | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及系统 | |
Hong-Seok et al. | Development of an inspection system for defect detection in pressed parts using laser scanned data | |
CN105865344A (zh) | 一种基于机器视觉的工件尺寸测量方法和装置 | |
CN115880305B (zh) | 轴类零件表面缺陷视觉检测方法及装置 | |
CN110837839B (zh) | 一种高精度无人机正射影像制作及数据采集方法 | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
CN107388991A (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN115235375A (zh) | 盖板类工件的多圆特征参数测量方法、检测方法和装置 | |
CN110956630A (zh) | 平面印刷缺陷检测方法、装置以及系统 | |
CN110322395B (zh) | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 | |
Deng et al. | A novel framework for classifying leather surface defects based on a parameter optimized residual network | |
CN116740062A (zh) | 基于不规则胶圈的缺陷检测方法及系统 | |
CN112085708A (zh) | 产品外轮廓中的直线边缘的缺陷检测方法及设备 | |
JP2012194030A (ja) | 画像の検査方法および装置 | |
CN114841917A (zh) | 一种航空铝合金表面疲劳裂纹尖端动态检测方法及系统 | |
CN113870328A (zh) | 一种液体异物视觉检测方法及系统 |
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 |