CN116309416A - 一种零件表面视觉检测方法 - Google Patents

一种零件表面视觉检测方法 Download PDF

Info

Publication number
CN116309416A
CN116309416A CN202310221714.4A CN202310221714A CN116309416A CN 116309416 A CN116309416 A CN 116309416A CN 202310221714 A CN202310221714 A CN 202310221714A CN 116309416 A CN116309416 A CN 116309416A
Authority
CN
China
Prior art keywords
area
image
defect
visual inspection
background
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.)
Pending
Application number
CN202310221714.4A
Other languages
English (en)
Inventor
沈传相
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.)
Ningbo Xingtong Connector Co ltd
Original Assignee
Ningbo Xingtong Connector Co 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 Ningbo Xingtong Connector Co ltd filed Critical Ningbo Xingtong Connector Co ltd
Priority to CN202310221714.4A priority Critical patent/CN116309416A/zh
Publication of CN116309416A publication Critical patent/CN116309416A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种零件表面视觉检测方法，该检测方法包括以下步骤：针对采集零件表面的图像，进行滤波处理消除噪声，得到预处理图像；采用动态阈值分割法提取预处理图像中局部区域的初步缺陷图像；通过对采集的图像进行滤波降噪，在通过动态阈值分割提取预处理图像中的初步缺陷图像，消除干扰区域，并通过准确提取候选缺陷图像中的边缘位置，得到准确的缺陷区域图像，通过对缺陷特征分类，根据圆度计算公式，可测得准确缺陷区域图像中的缺陷是否属于划痕或是凹陷，相对于现有技术而言，该种系统化的视觉检测方法，能够快速且准确的检测零件是否存在缺陷，不受检测人员视力影响。

Description

一种零件表面视觉检测方法
技术领域
本发明涉及视觉检测技术领域，具体是一种零件表面视觉检测方法。
背景技术
零件具有尺寸和表面质量高精化的显著特征，在应用上有极高的可靠性要求。
由于生产工艺的复杂性、多样性，零件在生产加工过程中往往会在表面产生划痕、裂纹、凹坑、垫伤等微观缺陷。
目前，微小零件的表面质量检测通常是由检测人员借助显微工具进行，其检测结果易受检测人员的主观因素影响，且目测方式也会给检测人员和视力造成极大的危害。
因此，针对上述问题提出一种零件表面视觉检测方法。
发明内容
为了弥补现有技术的不足，解决上述至少一个问题，本发明提出的一种零件表面视觉检测方法。
一种零件表面视觉检测方法，该检测方法包括以下步骤：
S1：针对采集零件表面的图像，进行滤波处理消除噪声，得到预处理图像；
S2：采用动态阈值分割法提取预处理图像中局部区域的初步缺陷图像；
S3：去除经动态阈值分割后的缺陷图像中存在的干扰区域，得到候选缺陷图像；
S4：准确提取候选缺陷图像中的边缘位置，并以边缘为界分割图像，去除图像中的非缺陷区域，得到准确缺陷区域图像；
S5：提取缺陷特征参数，并针对准确缺陷区域图像进行分类，包括划痕与凹陷。
优选的，所述S1中，采集的图像经通过均值滤波法处理，可将原图像中各个像素点周边的灰度均值替换为对应像素点的灰度，通过遍历所有像素点，并进行滤波处理，即可得到预处理图像。
优选的，所述S1中，均值滤波法使用时，设置当前像素点
Figure SMS_1
灰度表示为/>
Figure SMS_2
选取一个模板，计算该像素在模板内的灰度均值/>
Figure SMS_3
，在把均值赋予该像素点，计算公式表达为：/>
Figure SMS_4
（1）。
优选的，所述S2中，受到照明环境影响，采集的预处理图像中背景亮度并不均一，采用动态阈值分割方式提取局部区域内的目标缺陷，即通过比对指定区域与其所处区域的背景亮度差别来提取目标缺陷，计算公式表达为：
Figure SMS_5
（2）
Figure SMS_6
（3）；
其中，
Figure SMS_7
原始图像，/>
Figure SMS_8
为经过均值滤波后的背景图像，T为指定阈值；
Figure SMS_9
为分割结果；式（2）用于分割比背景亮的缺陷图像、式（3）用于分割比背景暗的物体。
优选的，所述S3中，去除经动态阈值分割后的缺陷图像中存在的干扰区域，得到候选缺陷图像；通过剔除干扰区域，可得到候选缺陷图像，根据给定的区域特征进行筛选，其中区域特征包括面积、高度、宽度及圆度。
优选的，所述S4中，确提取候选缺陷图像中的边缘位置具体步骤包括：首先要对图像进行边缘提取，获取零件表面的边缘位置；然后对边缘围成的区域进行填充，分割出内边缘围成的区域(中心区域) 以及外边缘围成的区域(方形区域)，对方形区域计算补集就是零件表面的外部区域，外部区域和中心区域共同构成零件的背景区域；最后通过区域间的集合运算，得出缺陷区域的位置信息；其中，如果缺陷区域完全位于背景中，则应该被过滤掉；若缺陷区域的一部分位于背景区域中，另一部分位于零件表面区域中，则当位于零件表面区域中的面积大于预设值时，该缺陷区域应该被保留。
优选的，所述S5中，缺陷特征参数分类，包括划痕与凹陷，其中划痕为表达为线性形状，而凹陷则表达为圆形。
优选的，所述S5中，针对划痕与凹陷两种缺陷特征参数，引入圆度计算公式：
Figure SMS_10
（4）；其中，/>
Figure SMS_11
为缺陷面积；r为区域外接圆半径；C的取值范围为0-1；其中C越接近1，表示该区域越接近于圆形；取C在0.19-1范围内的缺陷为凹陷；取C在0.01-0.19范围内的缺陷为划痕。
本发明的有益之处在于：
本发明通过对采集的图像进行滤波降噪，在通过动态阈值分割提取预处理图像中的初步缺陷图像，消除干扰区域，并通过准确提取候选缺陷图像中的边缘位置，得到准确的缺陷区域图像，通过对缺陷特征分类，根据圆度计算公式，可测得准确缺陷区域图像中的缺陷是否属于划痕或是凹陷，相对于现有技术而言，该种系统化的视觉检测方法，能够快速且准确的检测零件是否存在缺陷，不受检测人员视力影响。
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，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它的附图。
图1为本发明一种实施例的检测方法流程图。
实施方式
下面将结合本发明实施例中的附图，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，一种零件表面视觉检测方法，该检测方法包括以下步骤：
S1：针对采集零件表面的图像，进行滤波处理消除噪声，得到预处理图像；
S2：采用动态阈值分割法提取预处理图像中局部区域的初步缺陷图像；
S3：去除经动态阈值分割后的缺陷图像中存在的干扰区域，得到候选缺陷图像；
S4：准确提取候选缺陷图像中的边缘位置，并以边缘为界分割图像，去除图像中的非缺陷区域，得到准确缺陷区域图像；
S5：提取缺陷特征参数，并针对准确缺陷区域图像进行分类，包括划痕与凹陷。
作为本发明的一种实施方式，所述S1中，采集的图像经通过均值滤波法处理，可将原图像中各个像素点周边的灰度均值替换为对应像素点的灰度，通过遍历所有像素点，并进行滤波处理，即可得到预处理图像；
具体的，相比均值滤波，中值滤波器则是一个非线性滤波器，把原图像中每一个像素点的灰度值替代为该像素点给定邻域窗口内的所有像素点灰度值的中值；具体实现是从图像中的某个采样窗口取出奇数个像素灰度进行排序，再用排序后的中值取代要处理的数据即可；在实际实验中分别使用了2种滤波器，使用均值滤波对图像平滑后，对图像进行阈值分割时容易将边缘处的阴影区域也分割出来，而采用中值滤波去除噪声的效果明显优于均值滤波。
作为本发明的一种实施方式，所述S1中，均值滤波法使用时，设置当前像素点
Figure SMS_12
，灰度表示为/>
Figure SMS_13
，选取一个模板，计算该像素在模板内的灰度均值/>
Figure SMS_14
，在把均值赋予该像素点，计算公式表达为：/>
Figure SMS_15
（1）。
作为本发明的一种实施方式，所述S2中，受到照明环境影响，采集的预处理图像中背景亮度并不均一，采用动态阈值分割方式提取局部区域内的目标缺陷，即通过比对指定区域与其所处区域的背景亮度差别来提取目标缺陷，计算公式表达为：
Figure SMS_16
（2）
Figure SMS_17
（3）；
其中，
Figure SMS_18
为原始图像，/>
Figure SMS_19
为经过均值滤波后的背景图像，T为指定阈值；/>
Figure SMS_20
为分割结果；式（2）用于分割比背景亮的缺陷图像、式（3）用于分割比背景暗的物体；
具体的，在零件图像采集过程中，由于照明受环境影响会发生变化，因此零件图像表面的随机纹理使得背景不均一，因此目标缺陷经常表现为背景局部亮与局部暗，同时目标缺陷占整幅图像的比例较小，对比度低，因此无法在图像上直观表现出目标缺陷，采用动态阈值分割方法，即利用原始图像与背景图像相减大于或小于某个值来提取目标物体。
作为本发明的一种实施方式，所述S3中，去除经动态阈值分割后的缺陷图像中存在的干扰区域，得到候选缺陷图像；通过剔除干扰区域，可得到候选缺陷图像，根据给定的区域特征进行筛选，其中区域特征包括面积、高度、宽度及圆度；
具体的，通过动态阈值分割后的图像存入一个区域内，多个缺陷位于分割的多个区域中，使用connection算子可合并彼此相邻的区域，然而合并后的区域中存在干扰区域，需要从合并区域中剔除，利用select-shape算子，可根据给定的区域特征选择复合条件的区域集合，例如使用面积作为特征，则可选择面积位于105-10000之间的区域作为输出，记作候选缺陷图像。
作为本发明的一种实施方式，所述S4中，确提取候选缺陷图像中的边缘位置具体步骤包括：首先要对图像进行边缘提取，获取零件表面的边缘位置；然后对边缘围成的区域进行填充，分割出内边缘围成的区域(中心区域) 以及外边缘围成的区域(方形区域)，对方形区域计算补集就是零件表面的外部区域，外部区域和中心区域共同构成零件的背景区域；最后通过区域间的集合运算，得出缺陷区域的位置信息；其中，如果缺陷区域完全位于背景中，则应该被过滤掉；若缺陷区域的一部分位于背景区域中，另一部分位于零件表面区域中，则当位于零件表面区域中的面积大于预设值时，该缺陷区域应该被保留；
作为本发明的一种实施方式，所述S5中，缺陷特征参数分类，包括划痕与凹陷，其中划痕为表达为线性形状，而凹陷则表达为圆形。
作为本发明的一种实施方式，所述S5中，针对划痕与凹陷两种缺陷特征参数，引入圆度计算公式：
Figure SMS_21
（4）；
其中，
Figure SMS_22
为缺陷面积；r为区域外接圆半径；C的取值范围为0-1；其中C越接近1，表示该区域越接近于圆形；取C在0.19-1范围内的缺陷为凹陷；取C在0.01-0.19范围内的缺陷为划痕。
工作原理：通过对采集的图像进行滤波降噪，在通过动态阈值分割提取预处理图像中的初步缺陷图像，消除干扰区域，并通过准确提取候选缺陷图像中的边缘位置，得到准确的缺陷区域图像，通过对缺陷特征分类，根据圆度计算公式，可测得准确缺陷区域图像中的缺陷是否属于划痕或是凹陷，相对于现有技术而言，该种系统化的视觉检测方法，能够快速且准确的检测零件是否存在缺陷，不受检测人员视力影响。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.一种零件表面视觉检测方法，其特征在于：该检测方法包括以下步骤：
S1：针对采集零件表面的图像，进行滤波处理消除噪声，得到预处理图像；
S2：采用动态阈值分割法提取预处理图像中局部区域的初步缺陷图像；
S3：去除经动态阈值分割后的缺陷图像中存在的干扰区域，得到候选缺陷图像；
S4：准确提取候选缺陷图像中的边缘位置，并以边缘为界分割图像，去除图像中的非缺陷区域，得到准确缺陷区域图像；
S5：提取缺陷特征参数，并针对准确缺陷区域图像进行分类，包括划痕与凹陷。
2.根据权利要求1所述的一种零件表面视觉检测方法，其特征在于：所述S1中，采集的图像经通过均值滤波法处理，可将原图像中各个像素点周边的灰度均值替换为对应像素点的灰度，通过遍历所有像素点，并进行滤波处理，即可得到预处理图像。
3.根据权利要求2所述的一种零件表面视觉检测方法，其特征在于：所述S1中，均值滤波法使用时，设置当前像素点
Figure QLYQS_1
灰度表示为/>
Figure QLYQS_2
选取一个模板，计算该像素在模板内的灰度均值/>
Figure QLYQS_3
，在把均值赋予该像素点，计算公式表达为：/>
Figure QLYQS_4
（1）。
4.根据权利要求3所述的一种零件表面视觉检测方法，其特征在于：所述S2中，受到照明环境影响，采集的预处理图像中背景亮度并不均一，采用动态阈值分割方式提取局部区域内的目标缺陷，即通过比对指定区域与其所处区域的背景亮度差别来提取目标缺陷，计算公式表达为：
Figure QLYQS_5
（2）
Figure QLYQS_6
（3）；
其中，
Figure QLYQS_7
为原始图像，/>
Figure QLYQS_8
为经过均值滤波后的背景图像，T为指定阈值；
Figure QLYQS_9
为分割结果；式（2）用于分割比背景亮的缺陷图像、式（3）用于分割比背景暗的物体。
5.根据权利要求4所述的一种零件表面视觉检测方法，其特征在于：所述S3中，去除经动态阈值分割后的缺陷图像中存在的干扰区域，得到候选缺陷图像；通过剔除干扰区域，可得到候选缺陷图像，根据给定的区域特征进行筛选，其中区域特征包括面积、高度、宽度及圆度。
6.根据权利要求5所述的一种零件表面视觉检测方法，其特征在于：所述S4中，确提取候选缺陷图像中的边缘位置具体步骤包括：首先要对图像进行边缘提取，获取零件表面的边缘位置；然后对边缘围成的区域进行填充，分割出内边缘围成的区域(中心区域) 以及外边缘围成的区域(方形区域)，对方形区域计算补集就是零件表面的外部区域，外部区域和中心区域共同构成零件的背景区域；最后通过区域间的集合运算，得出缺陷区域的位置信息；其中，如果缺陷区域完全位于背景中，则应该被过滤掉；若缺陷区域的一部分位于背景区域中，另一部分位于零件表面区域中，则当位于零件表面区域中的面积大于预设值时，该缺陷区域应该被保留。
7.根据权利要求6所述的一种零件表面视觉检测方法，其特征在于：所述S5中，缺陷特征参数分类，包括划痕与凹陷，其中划痕为表达为线性形状，而凹陷则表达为圆形。
8.根据权利要求7所述的一种零件表面视觉检测方法，其特征在于：所述S5中，针对划痕与凹陷两种缺陷特征参数，引入圆度计算公式：
Figure QLYQS_10
（4）；其中，/>
Figure QLYQS_11
为缺陷面积；r为区域外接圆半径；C的取值范围为0-1；其中C越接近1，表示该区域越接近于圆形；取C在0.19-1范围内的缺陷为凹陷；取C在0.01-0.19范围内的缺陷为划痕。
CN202310221714.4A 2023-03-09 2023-03-09 一种零件表面视觉检测方法 Pending CN116309416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310221714.4A CN116309416A (zh) 2023-03-09 2023-03-09 一种零件表面视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310221714.4A CN116309416A (zh) 2023-03-09 2023-03-09 一种零件表面视觉检测方法

Publications (1)

Publication Number Publication Date
CN116309416A true CN116309416A (zh) 2023-06-23

Family

ID=86819940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310221714.4A Pending CN116309416A (zh) 2023-03-09 2023-03-09 一种零件表面视觉检测方法

Country Status (1)

Country Link
CN (1) CN116309416A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777917A (zh) * 2023-08-24 2023-09-19 山东东方智光网络通信有限公司 一种光缆生产用缺陷检测方法及系统
CN117746077A (zh) * 2024-02-20 2024-03-22 深圳超盈智能科技有限公司 一种芯片缺陷的检测方法、装置、设备和存储介质
CN117876320A (zh) * 2024-01-10 2024-04-12 湖大粤港澳大湾区创新研究院(广州增城) 一种图像识别方法、装置和系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777917A (zh) * 2023-08-24 2023-09-19 山东东方智光网络通信有限公司 一种光缆生产用缺陷检测方法及系统
CN116777917B (zh) * 2023-08-24 2023-11-21 山东东方智光网络通信有限公司 一种光缆生产用缺陷检测方法及系统
CN117876320A (zh) * 2024-01-10 2024-04-12 湖大粤港澳大湾区创新研究院(广州增城) 一种图像识别方法、装置和系统
CN117746077A (zh) * 2024-02-20 2024-03-22 深圳超盈智能科技有限公司 一种芯片缺陷的检测方法、装置、设备和存储介质
CN117746077B (zh) * 2024-02-20 2024-05-10 深圳超盈智能科技有限公司 一种芯片缺陷的检测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN116309416A (zh) 一种零件表面视觉检测方法
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN112419250A (zh) 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN108230324B (zh) 磁瓦表面微缺陷视觉检测方法
CN109682839B (zh) 一种金属弧形工件表面缺陷在线检测方法
CN107490582B (zh) 一种流水线工件检测系统
CN117351019B (zh) 一种焊接缺陷检测方法
CN104792794A (zh) 基于机器视觉的光学薄膜表面缺陷检测方法
CN114881915A (zh) 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN112991259B (zh) 一种半导体制程缺陷的检测方法及系统
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN112258444A (zh) 一种电梯钢丝绳检测方法
CN115018765A (zh) 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法
CN115311289A (zh) 一种素色布匹油渍缺陷检测方法
CN110858395A (zh) 一种卷装长丝的污丝缺陷检测方法
CN112669265B (zh) 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法
CN115330770B (zh) 一种布匹区域类疵点识别方法
US11880969B2 (en) Belt examination system and computer-readable non-transitory recording medium having stored belt examination program
CN111882537B (zh) 视觉检测方法及系统
CN114354631A (zh) 一种基于视觉的阀门毛坯表面缺陷检测方法

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