CN116030060A - 一种塑料颗粒质量检测方法 - Google Patents
一种塑料颗粒质量检测方法 Download PDFInfo
- Publication number
- CN116030060A CN116030060A CN202310316745.8A CN202310316745A CN116030060A CN 116030060 A CN116030060 A CN 116030060A CN 202310316745 A CN202310316745 A CN 202310316745A CN 116030060 A CN116030060 A CN 116030060A
- Authority
- CN
- China
- Prior art keywords
- adhesion
- candidate
- pixel point
- pixel
- pixel points
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种塑料颗粒质量检测方法。方法包括:根据待检测塑料颗粒的二值图像中像素点的灰度值和各像素点的预设邻域内像素点的灰度值,确定各像素点对应的跳变特征码,进而筛选候选粘连像素点;根据各候选粘连像素点和其预设邻域内像素点的灰度值,得到灰度阴影系数;基于灰度阴影系数和各候选粘连像素点对应的多边形的面积确定各候选粘连像素点的粘连系数;基于各候选粘连像素点对应的窗口内候选粘连像素点的粘连系数筛选粘连像素点,获得待检测塑料颗粒的灰度图像中的塑料颗粒区域;进而判断待检测塑料颗粒的质量是否合格。本发明提高了塑料颗粒质量的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种塑料颗粒质量检测方法。
背景技术
塑料具有质轻、价廉、强度高和容易加工等优良性能,在生产和生活中得到了广泛的应用,在塑料颗粒生产过程中,加工机械设备老化或相关技术人员操作不当都会导致螺旋杆与切刀转速不均匀,使塑料聚合物材料受热不均匀,导致最终切割成型的塑料颗粒之间存在粘连重叠的现象,因此需要对塑料颗粒进行质量检测。
传统光电检测方法利用光学仪器对塑料颗粒进行检测计数时无法克服塑料颗粒之间粘连重叠的问题,由于同一个生产批次中生产加工获得的塑料颗粒之间的颜色、表面粗糙差异性较小,因此通过图像处理算法进行分割时难以准确的获取不同塑料颗粒的轮廓。传统基于凹点检测的粘连点分割方法对图像的边缘轮廓进行计算分析,该方法受限于边缘轮廓提取效果,轮廓线中部分像素点在粘连塑料颗粒划分中容易出现过分割或欠分割等分割效果不准确的缺点,进而导致塑料颗粒的质量检测精度较低。
发明内容
为了解决现有方法在对塑料颗粒进行质量检测时存在的检测精度较低的问题,本发明的目的在于提供一种塑料颗粒质量检测方法,所采用的技术方案具体如下:
本发明提供了一种塑料颗粒质量检测方法,该方法包括以下步骤:
获取待检测塑料颗粒的灰度图像;基于所述灰度图像中像素点的灰度值对所述灰度图像进行划分,得到待检测塑料颗粒的二值图像;
根据所述二值图像中各像素点的预设邻域内像素点灰度值的相似分布特征,确定各像素点对应的跳变特征码;基于所述跳变特征码从所述二值图像中筛选候选粘连像素点;
在所述灰度图像中,根据各候选粘连像素点的灰度值和各候选粘连像素点的预设邻域内像素点的灰度值,得到各候选粘连像素点的灰度阴影系数;根据所述二值图像中的边缘线和各候选粘连像素点的位置获得各候选粘连像素点对应的多边形;基于所述灰度阴影系数和对应的多边形的面积确定各候选粘连像素点的粘连系数;以各候选粘连像素点为中心,构建各候选粘连像素点对应的窗口,基于各候选粘连像素点对应的窗口内其他候选粘连像素点的粘连系数筛选粘连像素点,基于所述粘连像素点和所述二值图像中的边缘线确定待检测塑料颗粒的灰度图像中的塑料颗粒区域;
根据待检测塑料颗粒的灰度图像中各塑料颗粒区域内像素点的数量、待检测塑料颗粒的灰度图像中各塑料颗粒区域中像素点的灰度值和标准塑料颗粒灰度图像,判断待检测塑料颗粒的质量是否合格。
优选的,所述根据所述二值图像中各像素点的预设邻域内像素点灰度值的相似分布特征,确定各像素点对应的跳变特征码,包括:
对于所述二值图像中的第i个像素点:
分别判断第i个像素点的预设邻域内各像素点的灰度值与第i个像素点的灰度值是否相同,若相同,则令对应邻域像素点的候选特征码为0;若不相同,则令对应邻域像素点的候选特征码为1;
基于第i个像素点的预设邻域内各像素点的候选特征码构建第i个像素点对应的候选特征码序列;计算第i个像素点对应的候选特征码序列中每两个相邻元素之间的差值,所述差值为前一个元素减后一个元素得到的差值;将所述差值组合到一起作为第i个像素点对应的跳变特征码。
优选的,基于所述跳变特征码从所述二值图像中筛选候选粘连像素点,包括:若跳变特征码中同时存在-1和1,则判定对应像素点为候选粘连像素点。
优选的,所述根据各候选粘连像素点的灰度值和各候选粘连像素点的预设邻域内像素点的灰度值,得到各候选粘连像素点的灰度阴影系数,包括:
分别计算各候选粘连像素点的预设邻域内各像素点的灰度值与预设灰度值之间的比值,作为各候选粘连像素点的预设邻域内各像素点对应的第一比值;计算各候选粘连像素点的预设邻域内所有像素点对应的第一比值的和值,将所述和值记为各候选粘连像素点的灰度阴影系数。
优选的,所述基于所述灰度阴影系数和对应的多边形的面积确定各候选粘连像素点的粘连系数,包括:
计算各候选粘连像素点对应的多边形的面积与对应的灰度阴影系数的乘积,将所述乘积作为对应候选粘连像素点的粘连系数。
优选的,所述基于各候选粘连像素点对应的窗口内其他候选粘连像素点的粘连系数筛选粘连像素点,包括:
令所述二值图像中除候选粘连像素点外的像素点的粘连系数为0;
基于各候选粘连像素点对应的窗口内各像素点的粘连系数,采用角点检测算法筛选粘连像素点。
优选的,所述根据所述二值图像中的边缘线和各候选粘连像素点的位置获得各候选粘连像素点对应的多边形,包括:
以所述二值图像中左下角顶点处的像素点为直角坐标系的坐标原点,以所述二值图像的左边缘线为直角坐标系的纵轴,以所述二值图像的下边缘线为直角坐标系的横轴构建平面直角坐标系;
若第j个候选粘连像素点不位于边缘线的端点处,则分别将以第j个候选粘连像素点为划分点,将划分得到的两条边缘线记为第一边缘线和第二边缘线,分别过两条边缘线上粘连像素点预设邻域内的每个边缘像素点作水平直线和竖直直线,以同时与第一边缘线和第二边缘线相交的直线作为参考直线,作参考直线的平行线,所述平行线与第j个候选粘连像素点的距离为预设数值;将所述平行线、所述第一边缘线和所述第二边缘线围成的封闭多边形记为第j个候选粘连像素点对应的多边形。
优选的,所述根据待检测塑料颗粒的灰度图像中各塑料颗粒区域内像素点的数量、待检测塑料颗粒的灰度图像中各塑料颗粒区域中像素点的灰度值和标准塑料颗粒灰度图像,判断待检测塑料颗粒的质量是否合格,包括:
计算待检测塑料颗粒的灰度图像中各塑料颗粒区域内像素点的数量与标准塑料颗粒灰度图像中对应塑料颗粒区域内像素点的数量之间的差值绝对值;计算待检测塑料颗粒的灰度图像中各塑料颗粒区域中各像素点的灰度值与标准塑料颗粒灰度图像中对应位置的灰度值的差异;根据所述差值绝对值和所述差异,确定待检测塑料颗粒的质量指标,所述差值绝对值、所述差异均与所述质量指标呈负相关关系;
当所述质量指标大于质量指标阈值时,判定待检测塑料颗粒的质量合格;当所述质量指标小于或等于质量指标阈值时,判定待检测塑料颗粒的质量不合格。
本发明至少具有如下有益效果:
本发明考虑到塑料颗粒的粘连点通常出现在塑料颗粒的轮廓曲线中,但传统轮廓提取方法基于塑料颗粒的灰度值进行分析,在塑料颗粒图像采集过程中,光照不均匀等环境因素的影响可能会导致同一个塑料颗粒表面出现灰度不均匀的现象,使用传统轮廓提取方法时,容易产生伪边缘数据点,这种伪边缘数据点会对后续塑料颗粒质量的检测产生较大影响,增加后续的计算成本,并在一定程度上降低最终检测结果的精确程度,因此本发明首先根据待检测塑料颗粒的二值图像中像素点和其周围像素点的灰度值,确定了待检测塑料颗粒的二值图像中每个像素点对应的跳变特征码,实现对粘连像素点进行了初步筛选,获得了候选粘连像素点;由于初步筛选结果中可能存在部分候选粘连像素点为不同塑料颗粒的边界拐点处的像素点,为了保证塑料颗粒区域划分结果的准确度,本发明将再次进行筛选,当某个候选粘连像素点为不同塑料颗粒的边界拐点时,其预设邻域内背景像素点个数较多,而背景像素点的灰度值较小;当某个候选粘连像素点为塑料颗粒的粘连点时,其预设邻域内背景像素点个数相对较少;基于此特征,本发明根据每个候选粘连像素点的灰度阴影系数和对应的多边形的面积,确定了每个候选粘连像素点的粘连系数,粘连系数越大,说明对应候选粘连像素点越可能为真正的塑料颗粒粘连点,因此通过粘连系数获得真正的粘连像素点,从而完成对塑料颗粒区域的划分,克服了传统分割算法难以对粘连塑料颗粒进行准确划分的缺点,提高了塑料颗粒质量的检测精度。
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为本发明实施例所提供的一种塑料颗粒质量检测方法的流程图;
图2为本实施例中第j个候选粘连像素点对应的第一目标直线的第一示意图;
图3为本实施例中第j个候选粘连像素点对应的第一目标直线的第二示意图;
图4为本实施例中塑料颗粒区域的划分示意图。
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人工智能的视频数据处理方法进行详细说明如下。
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。
下面结合附图具体的说明本发明所提供的一种基于人工智能的视频数据处理方法及系统的具体方案。
一种塑料颗粒质量检测方法实施例:
本实施例提出了一种塑料颗粒质量检测方法,如图1所示,本实施例的一种塑料颗粒质量检测方法包括以下步骤:
步骤S1,获取待检测塑料颗粒的灰度图像;基于所述灰度图像中像素点的灰度值对所述灰度图像进行划分,得到待检测塑料颗粒的二值图像。
本实施例所针对的具体场景为:利用相机采集生产完成后的待检测塑料颗粒的表面图像,对采集到的表面图像进行分析,确定待检测塑料颗粒的灰度图像中的塑料颗粒区域,基于待检测塑料颗粒的灰度图像中塑料颗粒区域和标准塑料颗粒的灰度图像中塑料颗粒区域的差异情况,对待检测塑料颗粒的质量进行判断。
CCD相机拍摄获取的图像具有图像细节保留完整、成像质量较高的优点,为了避免拍摄到的图像不清晰导致后续塑料颗粒质量检测的准确性较低的问题出现,本实施例将生产完成后的待检测塑料颗粒平铺在检测台上,在检测台正上方设置CCD相机,CCD相机以俯视角度拍摄待检测塑料颗粒的表面图像,同时,为了便于对不同塑料颗粒质量进行检测评估,还需要对表面无缺陷的标准塑料颗粒进行拍摄采集,获得标准塑料颗粒的表面图像;需要说明的是,本实施例中的塑料颗粒均平铺在检测台上,因此获取到的表面图像中包含了每个塑料颗粒的表面信息,不存在遮挡的现象;本实施例获取到的待检测塑料颗粒的表面图像和标准塑料颗粒的表面图像的大小相等,且待检测塑料颗粒和标准塑料颗粒属于同一类型的塑料颗粒。本实施例采集到的待检测塑料颗粒的表面图像和标准塑料颗粒的表面图像均为RGB图像,也即待检测塑料颗粒的表面图像和标准塑料颗粒的表面图像处于RGB颜色空间中,为了避免后续对塑料颗粒质量检测时RGB三个通道中计算的冗余性,影响对塑料颗粒质量检测的实时性效果,采用加权平均法分别将待检测塑料颗粒的表面图像和标准塑料颗粒的表面图像转化为灰度图像,同时为了避免图像采集工作环境中噪声对后续塑料颗粒质量检测精度的影响,使用高斯滤波方法对转化后两张灰度图像进行去噪,尽可能减弱甚至消除图像采集过程中的噪声对塑料颗粒质量检测精度的影响,将去噪后的图像分别记为待检测塑料颗粒的灰度图像和标准塑料颗粒的灰度图像。
为了获得待检测塑料颗粒的灰度图像中不同塑料颗粒区域的图像,将待检测塑料颗粒的灰度图像作为输入,使用OSTU大津法对待检测塑料颗粒的灰度图像进行划分,得到待检测塑料颗粒的二值图像。在待检测塑料颗粒的二值图像中,灰度值为0的像素点为背景像素点,灰度值为1的像素点为塑料颗粒上的像素点;OSTU大津法为现有技术,此处不再过多赘述。通过划分获得的待检测塑料颗粒的二值图像能够较为清晰地表征塑料颗粒的分布位置。
步骤S2,根据所述二值图像中各像素点的预设邻域内像素点灰度值的相似分布特征,确定各像素点对应的跳变特征码;基于所述跳变特征码从所述二值图像中筛选候选粘连像素点。
本实施例在步骤S1中获得了待检测塑料颗粒的二值图像,当塑料颗粒发生粘连时,不同塑料颗粒之间发生相互交叠,这种塑料颗粒之间的相互交叠导致塑料颗粒的边缘轮廓发生异常变化,两个粘连的塑料颗粒粘连位置处不同于正常塑料颗粒,会呈现弯曲拐点。因此,可以根据塑料颗粒中不同像素点与周围像素点的差异变化情况对塑料颗粒的不同像素点进行分析。
对于待检测塑料颗粒的二值图像中的第i个像素点:
获取第i个像素点的灰度值和第i个像素点的预设邻域内每个像素点的灰度值,本实施例中的预设邻域为八邻域,在具体应用中,实施者可根据具体情况进行设置;分别判断第i个像素点的预设邻域内每个像素点的灰度值是否与第i个像素点的灰度值相同,若相同,说明对应邻域像素点与第i个像素点属于同一类,也即对应邻域像素点与第i个像素点同为塑料颗粒上的像素点或同为背景像素点,则令对应邻域像素点的候选特征码为0;若不相同,说明对应邻域像素点与第i个像素点不属于同一类,则令对应邻域像素点的候选特征码为1;采用上述方法,获得第i个像素点的预设邻域内每个像素点的候选特征码;计算第i个像素点的预设邻域内所有像素点的候选特征码之和,并将作为第i个像素点对应的候选特征值。当第i个像素点具有粘连特点时,其预设邻域的像素点应与该像素点对应的类别存在差异;基于此,当第i个像素点对应的候选特征值小于或等于1时,说明第i个像素点不符合粘连点的特点。本实施例根据像素点的预设邻域内每个像素点的候选特征码对粘连像素点进行初步筛选;具体的,以第i个像素点的预设邻域内右上角顶点处的像素点为起始点,按照顺时针顺序,基于第i个像素点的预设邻域内每个像素点的候选特征码构建第i个像素点对应的候选特征码序列,,其中,为第i个像素点对应的候选特征码序列,为第i个像素点的预设邻域内像素点的数量,为第i个像素点的预设邻域内第1个像素点的候选特征码,为第i个像素点的预设邻域内第2个像素点的候选特征码,为第i个像素点的预设邻域内第K个像素点的候选特征码;计算第i个像素点对应的候选特征码序列中每两个相邻元素之间的差值,该差值为两个相邻元素中前一个元素减后一个元素得到的差值;将第i个像素点对应的候选特征码序列中两两相邻元素之间的差值,按照从左到右的顺序组合到一起,将组合结果作为第i个像素点对应的跳变特征码,第i个像素点对应的跳变特征码,其中,为第i个像素点对应的跳变特征码,为第i个像素点的预设邻域内像素点的数量,为第i个像素点对应的候选特征码序列中第1个元素与第2个元素之间的差值,为第i个像素点对应的候选特征码序列中第2个元素与第3个元素之间的差值,为第i个像素点对应的候选特征码序列中第K-1个元素与第K个元素之间的差值。考虑到粘连塑料颗粒的像素点的预设邻域内的不同位置像素点的类别会发生两次跳变,分别为从塑料像素点变为背景像素点和从背景像素点变为塑料像素点,对于第i个像素点的预设邻域内的像素点,按顺时针方向进行转动,候选特征值从0跳变到1时,第i个像素点对应的跳变特征码中对应位置的数值为-1,候选特征值从1跳变到0时,第i个像素点对应的跳变特征码中对应位置的数值为1,候选特征值不发生跳变,即第i个像素点对应的候选特征码序列中的数值从0到0或从1到1时,第i个像素点对应的跳变特征码中对应位置的数值为0。若第i个像素点对应的跳变特征码中同时存在-1和1,说明第i个像素点的周围出现了从塑料像素点到背景像素点和从背景像素点到塑料像素点两种类别的转换,第i个像素点与塑料颗粒粘连像素点的特征相吻合,将第i个像素点作为候选粘连像素点。例如:若第i个像素点对应的候选特征值大于1,第i个像素点对应的跳变特征码,则第i个像素点对应的候选特征码序列,说明第i个像素点的八邻域内的像素点的类别只发生了一次跳变,即从塑料类到背景类的跳变,与塑料颗粒粘连点的特征不符合,因此第i个像素点不是粘连候选像素点;若第i个像素点对应的候选特征值大于1,第i个像素点对应的跳变特征码,则第i个像素点对应的候选特征码序列,此时第i个像素点的八邻域内的像素点的类别发生了两次跳跃,与塑料颗粒粘连点的特征吻合,因此,将第i个像素点作为候选粘连像素点。本实施例中候选粘连像素点是基于像素点与其邻域像素点的灰度相似分布特征筛选得到的。
采用上述方法,对待检测塑料颗粒的二值图像中的所有像素点进行筛选,获得所有的候选粘连像素点。由于塑料颗粒的粘连点通常出现在塑料颗粒的轮廓曲线中,但传统轮廓提取方法基于塑料颗粒的灰度值进行分析,在塑料颗粒图像采集过程中,光照不均匀等环境因素的影响,可能会导致同一个塑料颗粒表面出现灰度不均匀的现象,使用传统轮廓提取方法时,容易产生伪边缘数据点,这种伪边缘数据点会对后续塑料颗粒质量的检测产生较大影响,增加了后续的计算成本,并在一定程度上降低最终检测结果的精确程度。本实施例基于每个像素点对应的跳变特征码对二值图像中的像素点进行初步筛选,避免了伪边缘数据点对分析结果的影响,以保证后续筛选出的粘连候选点更可靠。
步骤S3,在所述灰度图像中,根据各候选粘连像素点的灰度值和各候选粘连像素点的预设邻域内像素点的灰度值,得到各候选粘连像素点的灰度阴影系数;根据所述二值图像中的边缘线和各候选粘连像素点的位置获得各候选粘连像素点对应的多边形;基于所述灰度阴影系数和对应的多边形的面积确定各候选粘连像素点的粘连系数;以各候选粘连像素点为中心,构建各候选粘连像素点对应的窗口,基于各候选粘连像素点对应的窗口内其他候选粘连像素点的粘连系数筛选粘连像素点,基于所述粘连像素点和所述二值图像中的边缘线确定待检测塑料颗粒的灰度图像中的塑料颗粒区域。
本实施例在步骤S2中对待检测塑料颗粒的二值图像中的塑料颗粒粘连像素点进行了初步筛选,筛选出了候选粘连像素点,由于部分候选粘连像素点可能为不同塑料颗粒的边界拐点处的像素点,因此部分候选粘连像素点为塑料粘连像素点,部分候选粘连像素点为不同塑料颗粒的边界拐点,接下来将基于候选粘连像素点进行筛选,筛选出真正的粘连像素点。
以待检测塑料颗粒的二值图像中左下角顶点处的像素点为直角坐标系的坐标原点,以待检测塑料颗粒的二值图像的左边缘线为直角坐标系的纵轴,以待检测塑料颗粒的二值图像的下边缘线为直角坐标系的横轴构建平面直角坐标系;需要说明的是,本实施例最初获取的待检测塑料颗粒的灰度图像为矩形图像,因此待检测塑料颗粒的二值图像也为矩形图像。
在待检测塑料颗粒的灰度图像中,对于第j个候选粘连像素点:若第j个候选粘连像素点为不同塑料颗粒的边界拐点,则第j个候选粘连像素点的预设邻域内背景像素点个数较多,而背景像素点的灰度值较小,因此第j个候选粘连像素点的预设邻域内像素点的灰度之和较小;若第j个候选粘连像素点为塑料颗粒的粘连点,则第j个候选粘连像素点的预设邻域内背景像素点个数相对较少,因此第j个候选粘连像素点的预设邻域内像素点的灰度之和较大。基于此,获取第j个候选粘连像素点的预设邻域内每个像素点的灰度值,分别计算第j个候选粘连像素点的预设邻域内每个像素点的灰度值与预设灰度值的比值,作为第j个候选粘连像素点的预设邻域内每个像素点对应的第一比值,本实施例中预设灰度值为255,在具体应用中,实施者可根据具体情况进行设置;计算第j个候选粘连像素点的预设邻域内所有像素点对应的第一比值之和,并记为第j个候选粘连像素点的灰度阴影系数;获取第j个候选粘连像素点的坐标,采用canny算子对待检测塑料颗粒的二值图像进行边缘检测,获得待检测塑料颗粒的二值图像中的所有边缘线,canny算子为公知技术,此处不再过多赘述;若第j个候选粘连像素点位于边缘线的端点处,则不对其进行分析;若第j个候选粘连像素点不位于边缘线的端点处,即该候选粘连像素点可将边缘线进行分割,此时分别将以第j个候选粘连像素点为划分点划分得到的两条边缘线记为第一边缘线和第二边缘线,分别过这两条边缘线上粘连像素点预设邻域内的每个边缘像素点作水平直线和竖直直线,以同时与第一边缘线和第二边缘线相交的直线作为参考直线,作参考直线的平行线,所述平行线与所述粘连像素点的距离为预设数值;将平行线、第一边缘线和第二边缘线围成的封闭多边形记为第j个候选粘连像素点对应的多边形。本实施例中预设数值为5,在具体应用中,实施者可根据具体情况进行设置。当平行线为水平直线时,将第j个候选粘连像素点的纵坐标减预设数值得到的差值作为目标纵坐标,将第j个候选粘连像素点的横坐标作为目标横坐标,将目标横坐标和目标纵坐标对应的像素点记为第j个候选粘连像素点对应的目标像素点,将过目标像素点且平行于水平方向的直线记为第j个候选粘连像素点对应的第一目标直线,如图2所示,该图为本实施例中第j个候选粘连像素点对应的第一目标直线的第一示意图,图中的1表示第j个候选粘连像素点,图中的2表示第一边缘线,图中的3表示第二边缘线,图中的4表示第j个候选粘连像素点对应的目标像素点,图中的5表示第j个候选粘连像素点对应的第一目标直线;若当参考直线为竖直直线时,将第j个候选粘连像素点的横坐标与预设数值的和作为目标横坐标,将第j个候选粘连像素点的纵坐标作为目标纵坐标,将目标横坐标和目标纵坐标对应的像素点记为第j个候选粘连像素点对应的目标像素点,将过目标像素点且平行于竖直方向的直线记为第j个候选粘连像素点对应的第一目标直线,如图3所示,该图为本实施例中第j个候选粘连像素点对应的第一目标直线的第二示意图,图中的6表示第j个候选粘连像素点,图中的7表示第一边缘线,图中的8表示第二边缘线,图中的9表示第j个候选粘连像素点对应的目标像素点,图中的10表示第j个候选粘连像素点对应的第一目标直线。将第j个候选粘连像素点对应的第一目标直线、第一边缘线和第二边缘线围成的封闭多边形,记为第j个候选粘连像素点对应的多边形,若第j个候选粘连像素点为真正的塑料颗粒粘连点,则其对应的多边形的面积较大;计算第j个候选粘连像素点对应的多边形的面积;计算第j个候选粘连像素点对应的多边形的面积与第j个候选粘连像素点的灰度阴影系数的乘积,并将该乘积作为第j个候选粘连像素点的粘连系数;当第j个候选粘连像素点应的多边形的面积越大、第j个候选粘连像素点的灰度阴影系数越大时,说明第j个候选粘连像素点越可能为真正的塑料颗粒粘连点,此时第j个候选粘连像素点的粘连系数越大。
采用上述方法,能够获得待检测塑料颗粒的二值图像中每个候选粘连像素点的粘连系数,粘连系数越大,对应候选粘连像素点越可能为真正的塑料颗粒粘连点,接下来本实施例将根据待检测塑料颗粒的二值图像中每个候选粘连像素点的粘连系数,筛选真正的粘连像素点。
对于第j个候选粘连像素点:以该候选粘连像素点为中心,构建的窗口,并作为该候选粘连像素点对应的窗口;本实施例中的值为5,在具体应用中,实施者可根据具体情况进行设置;该候选粘连像素点对应的窗口内可能部分像素点不为候选粘连像素点,本实施例采用上述方法获得了候选粘连像素点的粘连系数,对于非候选粘连像素点,令每个非候选粘连像素点的粘连系数为0,也即第j个候选粘连像素点对应的窗口内每个像素点均有对应的粘连系数;将第j个候选粘连像素点对应的窗口内每个像素点的粘连系数作为输入,采用Harris角点检测算法获得第j个候选粘连像素点对应的窗口内每个像素点的粘连响应值,将第j个候选粘连像素点对应的窗口内粘连系数最大的像素点作为粘连像素点,Harris角点检测是一种利用矩阵特征值获得窗口中变化最大的像素点的方法,Harris角点检测算法为公知技术,此处不再过多赘述。采用上述方法,能够筛选出待检测塑料颗粒的二值图像中的所有粘连像素点。本实施例基于粘连系筛选粘连像素点而非直接基于灰度值进行筛选,能够有效地避免传统基于灰度值筛选粘连像素点时,出现过多的非粘连像素点对后续塑料颗粒分割的精确程度和实时性效果的影响。
接下来本实施例将基于待检测塑料颗粒的二值图像中的边缘线和粘连像素点获得准确的塑料颗粒区域,具体的,基于边缘线将两个粘连像素点进行连接完成对粘连的塑料颗粒的分割,需要说明的是,若出现两个以上的塑料颗粒之间相互重叠,则对应区域会存在多个粘连像素点,此时不能直接将相邻的两个粘连像素点直接相连,对于这类区域,以其中一个为例进行说明,将任一此类区域记为待分析区域,基于待分析区域中所有像素点的横坐标和纵坐标,获得待分析区域的中心点,同时获得待分析区域中像素点的最大横坐标、最大纵坐标、最小横坐标、最小纵坐标,将待分析区域中像素点的最大横坐标与最小横坐标的差值记为第一特征值,将待分析区域中像素点的最大纵坐标与最小纵坐标的差值记为第二特征值。若第一特征值大于第二特征值,则过待分析区域的中心点,作一条平行于水平方向的直线,将该直线记为第二目标直线,第二目标直线将待分析区域划分为了两个区域,将这两个区域分别记为第一区域和第二区域;分别计算待分析区域中第一区域中每个粘连像素点与第二区域中每个粘连像素点的横坐标的差异,该差异的获取方法为:计算两个粘连像素点的横坐标的差值的绝对值,将该绝对值作为两个粘连像素点的横坐标的差异;对于第一区域中的任一粘连像素点,将第二区域中与该粘连像素点的横坐标的差异最小的粘连像素点作为该粘连像素点的匹配点,该粘连像素点与其匹配点构成一个匹配点对;采用该方法,能够获得多个匹配点对;分别将每个匹配点对中的两个粘连像素点进行连接,也即完成了对塑料颗粒区域的划分,获得了多个塑料颗粒区域,如图4所示,该图为塑料颗粒区域的划分示意图,图中的点C为待分析区域的中心点,图中的虚线为粘连塑料颗粒的划分线。若第一特征值小于或等于第二特征值,则过待分析区域的中心点,作一条平行于竖直方向的直线,将该直线记为第二目标直线,第二目标直线将待分析区域划分为了两个区域,将这两个区域分别记为第三区域和第四区域;分别计算待分析区域中第三区域中每个粘连像素点与第四区域中每个粘连像素点的纵坐标的差异;对于第三区域中的任一粘连像素点,将第四区域中与该粘连像素点的纵坐标的差异最小的粘连像素点作为该粘连像素点的匹配点,该粘连像素点与其匹配点构成一个匹配点对;采用该方法,能够获得多个匹配点对;分别将每个匹配点对中的两个粘连像素点进行连接,也即完成了对塑料颗粒区域的划分,获得了多个塑料颗粒区域。
至此,获得了待检测塑料颗粒的二值图像中的所有塑料颗粒区域,由于待检测塑料颗粒的二值图像中的像素点与待检测塑料颗粒的灰度图像中的像素点存在一一对应的关系,因此获得了待检测塑料颗粒的灰度图像中的所有塑料颗粒区域。
步骤S4,根据待检测塑料颗粒的灰度图像中各塑料颗粒区域内像素点的数量、待检测塑料颗粒的灰度图像中各塑料颗粒区域中像素点的灰度值和标准塑料颗粒灰度图像,判断待检测塑料颗粒的质量是否合格。
本实施例获得了待检测塑料颗粒的灰度图像中塑料颗粒区域,接下来将基于待检测塑料颗粒的灰度图像中塑料颗粒区域和标准塑料颗粒灰度图像,对待检测塑料颗粒的质量进行判断。
待检测塑料颗粒的灰度图像中塑料颗粒区域与标准塑料颗粒灰度图像中塑料颗粒区域的差异能够反映待检测塑料颗粒的质量,若待检测塑料颗粒的灰度图像中塑料颗粒区域的大小与标准塑料颗粒灰度图像中塑料颗粒区域的大小越接近,且塑料颗粒区域中像素点的灰度值越接近,则说明待检测塑料颗粒的质量越合格;基于此,本实施例根据待检测塑料颗粒的灰度图像中塑料颗粒区域的数量、待检测塑料颗粒的灰度图像中塑料颗粒区域中像素点的灰度值、标准塑料颗粒灰度图像中塑料颗粒区域的数量、标准塑料颗粒灰度图像中塑料颗粒区域的数量,确定待检测塑料颗粒的质量指标,即:
其中,F为待检测塑料颗粒的质量指标,N为待检测塑料颗粒的灰度图像中塑料颗粒区域的数量,为待检测塑料颗粒的灰度图像中第k个塑料颗粒区域内像素点的数量,为标准塑料颗粒灰度图像中第k个塑料颗粒区域内像素点的数量,为待检测塑料颗粒的灰度图像中第k个塑料颗粒区域中的第s个像素点的灰度值,为待检测塑料颗粒的灰度图像中第k个塑料颗粒区域中的第s个像素点在标准塑料颗粒灰度图像中对应位置的灰度值,λ为预设调整参数,为归一化函数,为取绝对值符号。
表征待检测塑料颗粒的灰度图像中第k个塑料颗粒区域与标准塑料颗粒灰度图像中第k个塑料颗粒区域的面积差异,表征待检测塑料颗粒与标准塑料颗粒的灰度差异;引入预设调整参数是为了防止分母为0,本实施例中λ的值为0.01,在具体应用中,实施者可根据具体情况进行设置;当待检测塑料颗粒的大小与标准塑料颗粒越接近、待检测塑料颗粒表面颜色与标准塑料颗粒表面颜色越一致时,说明待检测塑料颗粒的质量越好,即待检测塑料颗粒的质量指标越大。
待检测塑料颗粒的质量指标越大,说明待检测塑料颗粒的质量越好,因此本实施例设置质量指标阈值F0,本实施例中F0的值为0.7,在具体应用中,实施者可根据具体情况进行设置;当待检测塑料颗粒的质量指标大于F0时,说明待检测塑料颗粒的质量与标准塑料颗粒的质量越接近,判定待检测塑料颗粒的质量合格;当待检测塑料颗粒的质量指标小于或等于F0时,说明待检测塑料颗粒的质量与标准塑料颗粒的质量差异越大,判定待检测塑料颗粒的质量不合格。
至此,采用本实施例提供的方法,完成对待检测塑料颗粒的质量的检测。
本实施例考虑到塑料颗粒的粘连点通常出现在塑料颗粒的轮廓曲线中,但传统轮廓提取方法基于塑料颗粒的灰度值进行分析,在塑料颗粒图像采集过程中,光照不均匀等环境因素的影响可能会导致同一个塑料颗粒表面出现灰度不均匀的现象,使用传统轮廓提取方法时,容易产生伪边缘数据点,这种伪边缘数据点会对后续塑料颗粒质量的检测产生较大影响,增加后续的计算成本,并在一定程度上降低最终检测结果的精确程度,因此本实施例首先根据待检测塑料颗粒的二值图像中像素点和其周围像素点的灰度值,确定了待检测塑料颗粒的二值图像中每个像素点对应的跳变特征码,实现对粘连像素点进行了初步筛选,获得了候选粘连像素点;由于初步筛选结果中可能存在部分候选粘连像素点为不同塑料颗粒的边界拐点处的像素点,为了保证塑料颗粒区域划分结果的准确度,本实施例将再次进行筛选,当某个候选粘连像素点为不同塑料颗粒的边界拐点时,其预设邻域内背景像素点个数较多,而背景像素点的灰度值较小;当某个候选粘连像素点为塑料颗粒的粘连点时,其预设邻域内背景像素点个数相对较少;基于此特征,本实施例根据每个候选粘连像素点的灰度阴影系数和对应的多边形的面积,确定了每个候选粘连像素点的粘连系数,粘连系数越大,说明对应候选粘连像素点越可能为真正的塑料颗粒粘连点,因此通过粘连系数获得真正的粘连像素点,从而完成对塑料颗粒区域的划分,克服了传统分割算法难以对粘连塑料颗粒进行准确划分的缺点,提高了塑料颗粒质量的检测精度。
Claims (8)
1.一种塑料颗粒质量检测方法,其特征在于,该方法包括以下步骤:
获取待检测塑料颗粒的灰度图像;基于所述灰度图像中像素点的灰度值对所述灰度图像进行划分,得到待检测塑料颗粒的二值图像;
根据所述二值图像中各像素点的预设邻域内像素点灰度值的相似分布特征,确定各像素点对应的跳变特征码;基于所述跳变特征码从所述二值图像中筛选候选粘连像素点;
在所述灰度图像中,根据各候选粘连像素点的灰度值和各候选粘连像素点的预设邻域内像素点的灰度值,得到各候选粘连像素点的灰度阴影系数;根据所述二值图像中的边缘线和各候选粘连像素点的位置获得各候选粘连像素点对应的多边形;基于所述灰度阴影系数和对应的多边形的面积确定各候选粘连像素点的粘连系数;以各候选粘连像素点为中心,构建各候选粘连像素点对应的窗口,基于各候选粘连像素点对应的窗口内其他候选粘连像素点的粘连系数筛选粘连像素点,基于所述粘连像素点和所述二值图像中的边缘线确定待检测塑料颗粒的灰度图像中的塑料颗粒区域;
根据待检测塑料颗粒的灰度图像中各塑料颗粒区域内像素点的数量、待检测塑料颗粒的灰度图像中各塑料颗粒区域中像素点的灰度值和标准塑料颗粒灰度图像,判断待检测塑料颗粒的质量是否合格。
2.根据权利要求1所述的一种塑料颗粒质量检测方法,其特征在于,所述根据所述二值图像中各像素点的预设邻域内像素点灰度值的相似分布特征,确定各像素点对应的跳变特征码,包括:
对于所述二值图像中的第i个像素点:
分别判断第i个像素点的预设邻域内各像素点的灰度值与第i个像素点的灰度值是否相同,若相同,则令对应邻域像素点的候选特征码为0;若不相同,则令对应邻域像素点的候选特征码为1;
基于第i个像素点的预设邻域内各像素点的候选特征码构建第i个像素点对应的候选特征码序列;计算第i个像素点对应的候选特征码序列中每两个相邻元素之间的差值,所述差值为前一个元素减后一个元素得到的差值;将所述差值组合到一起作为第i个像素点对应的跳变特征码。
3.根据权利要求2所述的一种塑料颗粒质量检测方法,其特征在于,基于所述跳变特征码从所述二值图像中筛选候选粘连像素点,包括:若跳变特征码中同时存在-1和1,则判定对应像素点为候选粘连像素点。
4.根据权利要求1所述的一种塑料颗粒质量检测方法,其特征在于,所述根据各候选粘连像素点的灰度值和各候选粘连像素点的预设邻域内像素点的灰度值,得到各候选粘连像素点的灰度阴影系数,包括:
分别计算各候选粘连像素点的预设邻域内各像素点的灰度值与预设灰度值之间的比值,作为各候选粘连像素点的预设邻域内各像素点对应的第一比值;计算各候选粘连像素点的预设邻域内所有像素点对应的第一比值的和值,将所述和值记为各候选粘连像素点的灰度阴影系数。
5.根据权利要求1所述的一种塑料颗粒质量检测方法,其特征在于,所述基于所述灰度阴影系数和对应的多边形的面积确定各候选粘连像素点的粘连系数,包括:
计算各候选粘连像素点对应的多边形的面积与对应的灰度阴影系数的乘积,将所述乘积作为对应候选粘连像素点的粘连系数。
6.根据权利要求1所述的一种塑料颗粒质量检测方法,其特征在于,所述基于各候选粘连像素点对应的窗口内其他候选粘连像素点的粘连系数筛选粘连像素点,包括:
令所述二值图像中除候选粘连像素点外的像素点的粘连系数为0;
基于各候选粘连像素点对应的窗口内各像素点的粘连系数,采用角点检测算法筛选粘连像素点。
7.根据权利要求1所述的一种塑料颗粒质量检测方法,其特征在于,所述根据所述二值图像中的边缘线和各候选粘连像素点的位置获得各候选粘连像素点对应的多边形,包括:
以所述二值图像中左下角顶点处的像素点为直角坐标系的坐标原点,以所述二值图像的左边缘线为直角坐标系的纵轴,以所述二值图像的下边缘线为直角坐标系的横轴构建平面直角坐标系;
若第j个候选粘连像素点不位于边缘线的端点处,则分别将以第j个候选粘连像素点为划分点,将划分得到的两条边缘线记为第一边缘线和第二边缘线,分别过两条边缘线上粘连像素点预设邻域内的每个边缘像素点作水平直线和竖直直线,以同时与第一边缘线和第二边缘线相交的直线作为参考直线,作参考直线的平行线,所述平行线与第j个候选粘连像素点的距离为预设数值;将所述平行线、所述第一边缘线和所述第二边缘线围成的封闭多边形记为第j个候选粘连像素点对应的多边形。
8.根据权利要求1所述的一种塑料颗粒质量检测方法,其特征在于,所述根据待检测塑料颗粒的灰度图像中各塑料颗粒区域内像素点的数量、待检测塑料颗粒的灰度图像中各塑料颗粒区域中像素点的灰度值和标准塑料颗粒灰度图像,判断待检测塑料颗粒的质量是否合格,包括:
计算待检测塑料颗粒的灰度图像中各塑料颗粒区域内像素点的数量与标准塑料颗粒灰度图像中对应塑料颗粒区域内像素点的数量之间的差值绝对值;计算待检测塑料颗粒的灰度图像中各塑料颗粒区域中各像素点的灰度值与标准塑料颗粒灰度图像中对应位置的灰度值的差异;根据所述差值绝对值和所述差异,确定待检测塑料颗粒的质量指标,所述差值绝对值、所述差异均与所述质量指标呈负相关关系;
当所述质量指标大于质量指标阈值时,判定待检测塑料颗粒的质量合格;当所述质量指标小于或等于质量指标阈值时,判定待检测塑料颗粒的质量不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316745.8A CN116030060B (zh) | 2023-03-29 | 2023-03-29 | 一种塑料颗粒质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316745.8A CN116030060B (zh) | 2023-03-29 | 2023-03-29 | 一种塑料颗粒质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030060A true CN116030060A (zh) | 2023-04-28 |
CN116030060B CN116030060B (zh) | 2023-06-09 |
Family
ID=86077914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316745.8A Active CN116030060B (zh) | 2023-03-29 | 2023-03-29 | 一种塑料颗粒质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030060B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883403A (zh) * | 2023-09-07 | 2023-10-13 | 山东国宏生物科技有限公司 | 一种基于机器视觉的大豆品质检测方法 |
CN116993719A (zh) * | 2023-09-25 | 2023-11-03 | 惠州艺都宇正数码科技有限公司 | 一种oca光学薄膜表面缺陷视觉检测方法及系统 |
CN116983275A (zh) * | 2023-08-02 | 2023-11-03 | 湖南明瑞制药股份有限公司 | 一种奥利司他胶囊制备方法 |
CN117422712A (zh) * | 2023-12-15 | 2024-01-19 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
CN117806387A (zh) * | 2024-02-29 | 2024-04-02 | 青岛英诺包装科技有限公司 | 一种基于数据处理的加工温度调控方法 |
CN117853494A (zh) * | 2024-03-08 | 2024-04-09 | 山东中泰药业有限公司 | 一种益心舒颗粒生产过程视觉检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
CN112150487A (zh) * | 2020-10-15 | 2020-12-29 | 武汉轻工大学 | 米粒分割方法、终端及存储介质 |
US20220180643A1 (en) * | 2019-03-22 | 2022-06-09 | Vergence Automation, Inc. | Vectorization for object detection, recognition, and assessment for vehicle vision systems |
CN114897890A (zh) * | 2022-07-08 | 2022-08-12 | 南通华烨塑料工业有限公司 | 一种基于人工智能的改性塑料生产调控方法 |
CN115294114A (zh) * | 2022-09-30 | 2022-11-04 | 南通艾美瑞智能制造有限公司 | 一种基于ecu电路焊接的质量检测方法 |
-
2023
- 2023-03-29 CN CN202310316745.8A patent/CN116030060B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
US20220180643A1 (en) * | 2019-03-22 | 2022-06-09 | Vergence Automation, Inc. | Vectorization for object detection, recognition, and assessment for vehicle vision systems |
CN112150487A (zh) * | 2020-10-15 | 2020-12-29 | 武汉轻工大学 | 米粒分割方法、终端及存储介质 |
CN114897890A (zh) * | 2022-07-08 | 2022-08-12 | 南通华烨塑料工业有限公司 | 一种基于人工智能的改性塑料生产调控方法 |
CN115294114A (zh) * | 2022-09-30 | 2022-11-04 | 南通艾美瑞智能制造有限公司 | 一种基于ecu电路焊接的质量检测方法 |
Non-Patent Citations (2)
Title |
---|
FEI GAO ET AL.: "A Novel VBM Framework of Fiber Recognition Based on Image Segmentation and DCNN", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 69, no. 4, pages 963 - 973, XP011777148, DOI: 10.1109/TIM.2019.2912238 * |
刘印增: "杂草稻种子在线识别算法及装备研发", 中国优秀硕士学位论文全文数据库农业科技辑, vol. 2023, no. 01, pages 047 - 80 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116983275A (zh) * | 2023-08-02 | 2023-11-03 | 湖南明瑞制药股份有限公司 | 一种奥利司他胶囊制备方法 |
CN116983275B (zh) * | 2023-08-02 | 2024-06-25 | 湖南明瑞制药股份有限公司 | 一种奥利司他胶囊制备方法 |
CN116883403A (zh) * | 2023-09-07 | 2023-10-13 | 山东国宏生物科技有限公司 | 一种基于机器视觉的大豆品质检测方法 |
CN116883403B (zh) * | 2023-09-07 | 2023-11-14 | 山东国宏生物科技有限公司 | 一种基于机器视觉的大豆品质检测方法 |
CN116993719A (zh) * | 2023-09-25 | 2023-11-03 | 惠州艺都宇正数码科技有限公司 | 一种oca光学薄膜表面缺陷视觉检测方法及系统 |
CN117422712A (zh) * | 2023-12-15 | 2024-01-19 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
CN117422712B (zh) * | 2023-12-15 | 2024-03-01 | 青岛合丰新材料有限公司 | 基于图像滤波处理的塑料母粒视觉检测方法及系统 |
CN117806387A (zh) * | 2024-02-29 | 2024-04-02 | 青岛英诺包装科技有限公司 | 一种基于数据处理的加工温度调控方法 |
CN117806387B (zh) * | 2024-02-29 | 2024-05-24 | 青岛英诺包装科技有限公司 | 一种基于数据处理的加工温度调控方法 |
CN117853494A (zh) * | 2024-03-08 | 2024-04-09 | 山东中泰药业有限公司 | 一种益心舒颗粒生产过程视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116030060B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN115063409A (zh) | 一种机械刀具表面材质检测方法及系统 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN117252868B (zh) | 基于机器视觉的直流屏缺陷检测方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN116309600A (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN111739012A (zh) | 基于转盘的摄像头模组白斑检测系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN115108466A (zh) | 一种集装箱吊具智能定位的方法 | |
CN116152234B (zh) | 基于图像处理的模板端面缺陷识别方法 |
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 |