CN116433616A - 气缸盖质量检测方法、装置、设备、介质和产品 - Google Patents
气缸盖质量检测方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN116433616A CN116433616A CN202310295345.3A CN202310295345A CN116433616A CN 116433616 A CN116433616 A CN 116433616A CN 202310295345 A CN202310295345 A CN 202310295345A CN 116433616 A CN116433616 A CN 116433616A
- Authority
- CN
- China
- Prior art keywords
- cylinder head
- dimensional
- cylinder cover
- cylinder
- size
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000007547 defect Effects 0.000 claims abstract description 105
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims abstract description 41
- 238000002485 combustion reaction Methods 0.000 claims description 31
- 238000009434 installation Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 description 8
- 230000000903 blocking effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06V2201/12—Acquisition of 3D measurements of objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请涉及一种气缸盖质量检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:首先获取气缸盖的多张二维图像和多张三维图像,然后基于预训练的卷积神经网络,根据二维图像,确定气缸盖的缺陷特征,接着基于三维图像,获取气缸盖的点云数据,并根据点云数据确定气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸,最后根据缺陷特征、第一三维尺寸以及第二三维尺寸,对气缸盖的质量进行检测。本申请提供的方法,通过预训练的卷积神经网络、二维图像和三维图像,能够有效提高对气缸盖质量检测的精度。
Description
技术领域
本申请涉及视觉测量技术领域,特别是涉及一种气缸盖质量检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
由于柴油机气缸盖具有外形尺寸大、结构复杂、不同部件的材质和表面纹路差异大等特点,因此,对气缸盖进行质量检测会比较困难。
目前,常用的气缸盖质量检测方法是采用2D视觉的监督或非监督模式进行检测,但是,这种方法的检测精度比较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高质量检测精度的气缸盖质量检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种气缸盖质量检测方法,所述方法包括:
获取气缸盖的多张二维图像和多张三维图像;
基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,所述缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,所述卷积神经网络包括一个正样本和多个负样本;
基于所述三维图像,获取气缸盖的点云数据,并根据所述点云数据确定所述气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸;
根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测。
在其中一个实施例中,所述基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,包括:
将所述二维图像输入所述卷积神经网络;
基于所述卷积神经网络,获取二维图像的第一图像特征;
将所述第一图像特征与正样本的第二图像特征进行对比,若对比结果为所述第一图像特征和所述第二图像特征一致,则确定所述气缸盖不存在缺陷;
若对比结果为所述第一图像特征和所述第二图像特征不一致,则将所述第一图像特征与所有负样本的第三图像特征进行对比,将与所述第一图像特征一致的所述第三图像特征确定为所述缺陷特征。
在其中一个实施例中,所述三维图像是由激光3D轮廓传感器获取的;所述基于所述三维图像,获取气缸盖的点云数据,包括:
基于所述三维图像,确定所述气缸盖在所述传感器射出的激光的光线范围内的多个截面轮廓;
获取所述气缸盖在被所述激光照射过程中移动的距离;
根据所述截面轮廓和所述距离,确定所述气缸盖的点云数据。
在其中一个实施例中,所述根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测,包括:
根据所述第二三维尺寸,确定气缸盖罩的多个第一孔洞的尺寸、以及燃烧室壳体的多个第二孔洞的尺寸,所述气缸盖罩和所述燃烧室壳体均为所述气缸盖中的部件;
判断每个第一孔洞的尺寸和相应的第一预设孔洞的尺寸是否一致,并判断每个第二孔洞的尺寸和相应的第二预设孔洞的尺寸是否一致,若存在孔洞的尺寸和相应的预设孔洞尺寸不一致,则判定所述气缸盖的质量不合格;
若所有孔洞的尺寸和相应的预设孔洞的尺寸均一致,则根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测。
在其中一个实施例中,所述根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测,包括:
根据所述第一三维尺寸,确定所述气缸盖罩中的各部件的第一安装深度和所述燃烧室壳体中的各部件的第二安装深度;
判断每个第一安装深度和相应的第一预设深度是否一致,并判断每个第二安装深度和和相应的第二预设深度是否一致,若存在部件的安装深度和相应的预设深度不一致,则判定所述气缸盖的质量不合格;
若所有部件的安装深度均和相应的预设深度一致,则判断所述气缸盖罩中的各部件和所述燃烧室壳体中的各部件是否均被压斜,若存在部件未被压斜,则判定所述气缸盖的质量不合格;
若所有部件均被压斜,则根据所述缺陷特征,对气缸盖的质量进行检测。
在其中一个实施例中,所述卷积神经网络包括多个卷积层和多个全连接层。
第二方面,本申请还提供了一种气缸盖质量检测装置,所述装置包括:
第一获取模块,用于获取气缸盖的多张二维图像和多张三维图像;
确定模块,用于基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,所述缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,所述卷积神经网络包括一个正样本和多个负样本;
第二获取模块,用于基于所述三维图像,获取气缸盖的点云数据,并根据所述点云数据确定所述气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸;
检测模块,用于根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的任意一个实施例中的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的任意一个实施例中的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的任意一个实施例中的方法的步骤。
上述气缸盖质量检测方法、装置、计算机设备、存储介质和计算机程序产品,首先获取气缸盖的多张二维图像和多张三维图像,然后基于预训练的卷积神经网络,根据二维图像,确定气缸盖的缺陷特征,缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,卷积神经网络包括一个正样本和多个负样本,接着基于三维图像,获取气缸盖的点云数据,并根据点云数据确定气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸,最后根据缺陷特征、第一三维尺寸以及第二三维尺寸,对气缸盖的质量进行检测。本申请提供的方法,通过预训练的卷积神经网络、二维图像和三维图像,能够有效提高对气缸盖质量检测的精度。
附图说明
图1为一个实施例中气缸盖质量检测方法的流程示意图;
图2为一个实施例中相机集成装置的结构示意图;
图3为一个实施例中气缸盖视觉检测装置的结构示意图;
图4为一个实施例中卷积神经网络的示意图;
图5为一个实施例中缺陷特征确定方法的流程示意图;
图6为一个实施例中气缸盖质量检测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种气缸盖质量检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S102、获取气缸盖的多张二维图像和多张三维图像。
二维图像是由相机集成装置上的面阵相机和线扫相机拍摄的,三维图像是由相机集成装置上的激光3D轮廓传感器拍摄的,相机集成装置安装在气缸盖视觉检测装置上,其中,相机集成装置如图2所示,气缸盖视觉检测装置如图3所示,气缸盖视觉检测装置通过6轴机器人对机械加工完成后的气缸盖进行视觉检测,气缸盖视觉检测装置由扫码工位、视觉检测工位、气路控制系统和电气控制系统等组成。
在获取二维图像和三维图像之前,终端控制辊道将气缸盖工件运送至扫码工位,扫码挡料器工作将工件定位,同时辊子停止转动,扫码器工作识别工件上的二维码并将数据上传。扫码完成后,扫码挡料器收缩,辊道运行,工件继续前进,当工件被运送至质量检测工位时,举升挡料器工作将工件定位,辊子停止转动,而后举升气缸启动,将工件升起至设定位置,机器人运行并带动其端部相机集成装置对工件的检测面进行高清视觉拍照,得到气缸盖的多张二维图像和多张三维图像。在质量检测过程结束之后,机器人返回至初始位置,举升气缸收缩,将工件重新放置辊道上,举升完成后,举升挡料器收缩,辊道运行,工件继续前进至原设定位置待进行人工检测并人工下料。
S104、基于预训练的卷积神经网络,根据二维图像,确定气缸盖的缺陷特征,缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,卷积神经网络包括一个正样本和多个负样本。
如图4所示,卷积神经网络为一个多层的CNN网络,二维图像由软件算法程序送入卷积神经网络CNN进行识别。由于卷积神经网络CNN强大的特征提取能力,能够提取图像特征,然后根据特征分类是否包涵缺陷,并且在图上标识出缺陷位置,为使用者提供分析数据。
S106、基于三维图像,获取气缸盖的点云数据,并根据点云数据确定气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸。
终端根据三维图像,确定气缸盖在激光3D轮廓传感器射出的激光的光线范围内的多个截面轮廓,并根据这些截面轮廓确定气缸盖中每个点的二维坐标,然后根据每个点的二维坐标以及气缸盖在被激光照射过程中移动的距离,确定气缸盖的点云数据。
S108、根据缺陷特征、第一三维尺寸以及第二三维尺寸,对气缸盖的质量进行检测。
在气缸盖存在缺陷特征时,判定气缸盖的质量不合格。
基于第一三维尺寸和第二三维尺寸,判断气缸盖上的多个孔洞的尺寸是否合格,并判断气缸盖上每个部件的安装深度是否满足要求以及每个部件是否被压斜,若存在孔洞的尺寸不合格、存在部件的安装深度不满足要求或者存在部件未被压斜,则判定气缸盖的质量不合格。
上述气缸盖质量检测方法中,首先获取气缸盖的多张二维图像和多张三维图像,然后基于预训练的卷积神经网络,根据二维图像,确定气缸盖的缺陷特征,缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,卷积神经网络包括一个正样本和多个负样本,接着基于三维图像,获取气缸盖的点云数据,并根据点云数据确定气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸,最后根据缺陷特征、第一三维尺寸以及第二三维尺寸,对气缸盖的质量进行检测。本申请提供的方法,通过预训练的卷积神经网络、二维图像和三维图像,能够有效提高对气缸盖质量检测的精度。
在一些实施例中,如图5所示,图5为一个实施例中缺陷特征确定方法的流程示意图,基于预训练的卷积神经网络,根据二维图像,确定气缸盖的缺陷特征,包括:将二维图像输入卷积神经网络;基于卷积神经网络,获取二维图像的第一图像特征;将第一图像特征与正样本的第二图像特征进行对比,若对比结果为第一图像特征和第二图像特征一致,则确定气缸盖不存在缺陷;若对比结果为第一图像特征和第二图像特征不一致,则将第一图像特征与所有负样本的第三图像特征进行对比,将与第一图像特征一致的第三图像特征确定为缺陷特征。
本步骤中,卷积神经网络能够对缺陷数据集中的缺陷样本进行分类,分类结束后,对于每一类样本进行缺陷检测。
本步骤提供的方法,根据卷积神经网络中的正样本和负样本来确定缺陷特征,使得确定的缺陷特征更加准确。
在一些实施例中,三维图像是由激光3D轮廓传感器获取的;基于三维图像,获取气缸盖的点云数据,包括:基于三维图像,确定气缸盖在传感器射出的激光的光线范围内的多个截面轮廓;获取气缸盖在被激光照射过程中移动的距离;根据截面轮廓和距离,确定气缸盖的点云数据。
本步骤中,3D轮廓传感器可以提取三维点云数据,通过点云数据来进行产品的缺陷、产品尺寸检测。3D轮廓传感器的原理是利用激光三角测量原理,对不同被测物体表面进行三维轮廓扫描,激光束被一组特定透镜放大用以形成一条静态激光线,投射到被测物表面上,高品质的光学系统将该激光线的漫反射光,投射到高度敏感的传感器感光矩阵上,从而获取到被测物体的三维图像。
本步骤提供的方法,利用激光三角测量原理确定点云数据,能够保证点云数据确定的准确性。
在一些实施例中,根据缺陷特征、第一三维尺寸以及第二三维尺寸,对气缸盖的质量进行检测,包括:根据第二三维尺寸,确定气缸盖罩的多个第一孔洞的尺寸、以及燃烧室壳体的多个第二孔洞的尺寸,气缸盖罩和燃烧室壳体均为气缸盖中的部件;判断每个第一孔洞的尺寸和相应的第一预设孔洞的尺寸是否一致,并判断每个第二孔洞的尺寸和相应的第二预设孔洞的尺寸是否一致,若存在孔洞的尺寸和相应的预设孔洞尺寸不一致,则判定气缸盖的质量不合格;若所有孔洞的尺寸和相应的预设孔洞的尺寸均一致,则根据缺陷特征和第一三维尺寸,对气缸盖的质量进行检测。
本步骤中,终端会根据第二三维尺寸判断气缸盖罩和燃烧室壳体上是否有部件缺失,然后判断气缸盖罩和燃烧室壳体上是否有孔洞缺失,在没有孔洞缺失的情况下,判断每个孔洞的孔内壁和孔表面是否存在缺陷,并判断每个孔洞的尺寸是否满足要求。
本步骤提供的方法,通过对孔洞缺陷和尺寸的判断,使得对于气缸盖的质量检测更加全面。
在一些实施例中,根据缺陷特征和第一三维尺寸,对气缸盖的质量进行检测,包括:根据第一三维尺寸,确定气缸盖罩中的各部件的第一安装深度和燃烧室壳体中的各部件的第二安装深度;判断每个第一安装深度和相应的第一预设深度是否一致,并判断每个第二安装深度和和相应的第二预设深度是否一致,若存在部件的安装深度和相应的预设深度不一致,则判定气缸盖的质量不合格;若所有部件的安装深度均和相应的预设深度一致,则判断气缸盖罩中的各部件和燃烧室壳体中的各部件是否均被压斜,若存在部件未被压斜,则判定气缸盖的质量不合格;若所有部件均被压斜,则根据缺陷特征,对气缸盖的质量进行检测。
本步骤中,气缸盖罩的部件包括座圈、导管、堵片以及瓦盖,燃烧室壳体的部件包括导管、堵片以及管套。
本步骤提供的方法,根据各部件的安装深度和是否被压斜,对气缸盖进行质量检测,能够使得对气缸盖的质量检测更加精准。
在一些实施例中,卷积神经网络包括多个卷积层和多个全连接层。
本步骤中,卷积层用来提取图像特征,全连接层用来预测图像位置和类别概率值。
本步骤提供的方法,能够提高卷积神经网络的预测准确性。
在一个实施例中,提供了另一种气缸盖质量检测方法,包括以下内容:
产品表面的不同瑕疵缺陷,在光学特性上必定与产品本身有差异。当光源入射产品表面后,不同瑕疵缺陷会在反射、映射等方面表现出与周围有不一样的异样。当匀称光垂直入射产品表面时,如产品表面没有瑕疵缺陷,出射的方向因素出现更改,所探测到的光也是匀称的。当产品表面含有瑕疵缺陷时,出射的光源便会出现变化,因为缺陷的存在,在图像中也容易观看。
拍摄出来的图像由软件算法程序送入卷积神经网络CNN进行识别。由于卷积神经网络CNN强大的特征提取能力,提取图像特征,然后根据特征分类是否包涵缺陷,并且再图上标识出缺陷位置,为使用者提供分析数据。
激光3D轮廓传感器,可以提取三维点云数据,通过点云数据来进行产品的缺陷、产品尺寸检测。原理是利用激光三角测量原理,对不同被测物体表面进行三维轮廓扫描。激光束被一组特定透镜放大用以形成一条静态激光线,投射到被测物表面上。高品质的光学系统将该激光线的漫反射光,投射到高度敏感的传感器感光矩阵上。除了传感器到被测物体的距离信息(Z轴),控制器还可以通过这组图像来计算沿激光线(x轴)上的位置。传感器最终输出一组二维坐标值,坐标系的原点与传感器本身相对固定,通过移动被测物体或传感器,便可得出三维点云数据,通过对点云数据进行计算即可得到相应测量结果。
2D缺陷检测使用一个多层CNN网络(如图1)对缺陷数据集中的缺陷样本进行分类,分类结束后,对于每一类样本进行缺陷检测。实际采样时使用滑动窗口的方法在512×512的原图上进行采样,采样大小为128×128;对上部分每一类图像采样后的小图像块进行二分类(有缺陷和无缺陷)。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的气缸盖质量检测方法的气缸盖质量检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个气缸盖质量检测装置实施例中的具体限定可以参见上文中对于气缸盖质量检测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种气缸盖质量检测装置600,包括:第一获取模块601、确定模块602、第二获取模块603和检测模块604,其中:
第一获取模块601,用于获取气缸盖的多张二维图像和多张三维图像。
确定模块602,用于基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,所述缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,所述卷积神经网络包括一个正样本和多个负样本。
第二获取模块603,用于基于所述三维图像,获取气缸盖的点云数据,并根据所述点云数据确定所述气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸。
检测模块604,用于根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测。
在一些实施例中,确定模块602,还用于:将所述二维图像输入所述卷积神经网络;基于所述卷积神经网络,获取二维图像的第一图像特征;将所述第一图像特征与正样本的第二图像特征进行对比,若对比结果为所述第一图像特征和所述第二图像特征一致,则确定所述气缸盖不存在缺陷;若对比结果为所述第一图像特征和所述第二图像特征不一致,则将所述第一图像特征与所有负样本的第三图像特征进行对比,将与所述第一图像特征一致的所述第三图像特征确定为所述缺陷特征。
在一些实施例中,第二获取模块603,还用于:基于所述三维图像,确定所述气缸盖在所述传感器射出的激光的光线范围内的多个截面轮廓;获取所述气缸盖在被所述激光照射过程中移动的距离;根据所述截面轮廓和所述距离,确定所述气缸盖的点云数据。
在一些实施例中,检测模块604,包括:
确定单元,用于根据所述第二三维尺寸,确定气缸盖罩的多个第一孔洞的尺寸、以及燃烧室壳体的多个第二孔洞的尺寸,所述气缸盖罩和所述燃烧室壳体均为所述气缸盖中的部件。
判断单元,用于判断每个第一孔洞的尺寸和相应的第一预设孔洞的尺寸是否一致,并判断每个第二孔洞的尺寸和相应的第二预设孔洞的尺寸是否一致,若存在孔洞的尺寸和相应的预设孔洞尺寸不一致,则判定所述气缸盖的质量不合格。
检测单元,用于若所有孔洞的尺寸和相应的预设孔洞的尺寸均一致,则根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测。
在一些实施例中,检测单元,还用于:根据所述第一三维尺寸,确定所述气缸盖罩中的各部件的第一安装深度和所述燃烧室壳体中的各部件的第二安装深度;判断每个第一安装深度和相应的第一预设深度是否一致,并判断每个第二安装深度和和相应的第二预设深度是否一致,若存在部件的安装深度和相应的预设深度不一致,则判定所述气缸盖的质量不合格;若所有部件的安装深度均和相应的预设深度一致,则判断所述气缸盖罩中的各部件和所述燃烧室壳体中的各部件是否均被压斜,若存在部件未被压斜,则判定所述气缸盖的质量不合格;若所有部件均被压斜,则根据所述缺陷特征,对气缸盖的质量进行检测。
在一些实施例中,气缸盖质量检测装置600,具体用于:卷积神经网络包括多个卷积层和多个全连接层。
上述气缸盖质量检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种气缸盖质量检测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取气缸盖的多张二维图像和多张三维图像;基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,所述缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,所述卷积神经网络包括一个正样本和多个负样本;基于所述三维图像,获取气缸盖的点云数据,并根据所述点云数据确定所述气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸;根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测。
在一个实施例中,处理器执行计算机程序时所实现的基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,包括:将所述二维图像输入所述卷积神经网络;基于所述卷积神经网络,获取二维图像的第一图像特征;将所述第一图像特征与正样本的第二图像特征进行对比,若对比结果为所述第一图像特征和所述第二图像特征一致,则确定所述气缸盖不存在缺陷;若对比结果为所述第一图像特征和所述第二图像特征不一致,则将所述第一图像特征与所有负样本的第三图像特征进行对比,将与所述第一图像特征一致的所述第三图像特征确定为所述缺陷特征。
在一个实施例中,处理器执行计算机程序时所实现的三维图像是由激光3D轮廓传感器获取的;所述基于所述三维图像,获取气缸盖的点云数据,包括:基于所述三维图像,确定所述气缸盖在所述传感器射出的激光的光线范围内的多个截面轮廓;获取所述气缸盖在被所述激光照射过程中移动的距离;根据所述截面轮廓和所述距离,确定所述气缸盖的点云数据。
在一个实施例中,处理器执行计算机程序时所实现的根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测,包括:根据所述第二三维尺寸,确定气缸盖罩的多个第一孔洞的尺寸、以及燃烧室壳体的多个第二孔洞的尺寸,所述气缸盖罩和所述燃烧室壳体均为所述气缸盖中的部件;判断每个第一孔洞的尺寸和相应的第一预设孔洞的尺寸是否一致,并判断每个第二孔洞的尺寸和相应的第二预设孔洞的尺寸是否一致,若存在孔洞的尺寸和相应的预设孔洞尺寸不一致,则判定所述气缸盖的质量不合格;若所有孔洞的尺寸和相应的预设孔洞的尺寸均一致,则根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测。
在一个实施例中,处理器执行计算机程序时所实现的根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测,包括:根据所述第一三维尺寸,确定所述气缸盖罩中的各部件的第一安装深度和所述燃烧室壳体中的各部件的第二安装深度;判断每个第一安装深度和相应的第一预设深度是否一致,并判断每个第二安装深度和和相应的第二预设深度是否一致,若存在部件的安装深度和相应的预设深度不一致,则判定所述气缸盖的质量不合格;若所有部件的安装深度均和相应的预设深度一致,则判断所述气缸盖罩中的各部件和所述燃烧室壳体中的各部件是否均被压斜,若存在部件未被压斜,则判定所述气缸盖的质量不合格;若所有部件均被压斜,则根据所述缺陷特征,对气缸盖的质量进行检测。
在一个实施例中,处理器执行计算机程序时所实现的卷积神经网络包括多个卷积层和多个全连接层。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取气缸盖的多张二维图像和多张三维图像;基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,所述缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,所述卷积神经网络包括一个正样本和多个负样本;基于所述三维图像,获取气缸盖的点云数据,并根据所述点云数据确定所述气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸;根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测。
在一个实施例中,计算机程序被处理器执行时所实现的基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,包括:将所述二维图像输入所述卷积神经网络;基于所述卷积神经网络,获取二维图像的第一图像特征;将所述第一图像特征与正样本的第二图像特征进行对比,若对比结果为所述第一图像特征和所述第二图像特征一致,则确定所述气缸盖不存在缺陷;若对比结果为所述第一图像特征和所述第二图像特征不一致,则将所述第一图像特征与所有负样本的第三图像特征进行对比,将与所述第一图像特征一致的所述第三图像特征确定为所述缺陷特征。
在一个实施例中,计算机程序被处理器执行时所实现的三维图像是由激光3D轮廓传感器获取的;所述基于所述三维图像,获取气缸盖的点云数据,包括:基于所述三维图像,确定所述气缸盖在所述传感器射出的激光的光线范围内的多个截面轮廓;获取所述气缸盖在被所述激光照射过程中移动的距离;根据所述截面轮廓和所述距离,确定所述气缸盖的点云数据。
在一个实施例中,计算机程序被处理器执行时所实现的根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测,包括:根据所述第二三维尺寸,确定气缸盖罩的多个第一孔洞的尺寸、以及燃烧室壳体的多个第二孔洞的尺寸,所述气缸盖罩和所述燃烧室壳体均为所述气缸盖中的部件;判断每个第一孔洞的尺寸和相应的第一预设孔洞的尺寸是否一致,并判断每个第二孔洞的尺寸和相应的第二预设孔洞的尺寸是否一致,若存在孔洞的尺寸和相应的预设孔洞尺寸不一致,则判定所述气缸盖的质量不合格;若所有孔洞的尺寸和相应的预设孔洞的尺寸均一致,则根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测。
在一个实施例中,计算机程序被处理器执行时所实现的根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测,包括:根据所述第一三维尺寸,确定所述气缸盖罩中的各部件的第一安装深度和所述燃烧室壳体中的各部件的第二安装深度;判断每个第一安装深度和相应的第一预设深度是否一致,并判断每个第二安装深度和和相应的第二预设深度是否一致,若存在部件的安装深度和相应的预设深度不一致,则判定所述气缸盖的质量不合格;若所有部件的安装深度均和相应的预设深度一致,则判断所述气缸盖罩中的各部件和所述燃烧室壳体中的各部件是否均被压斜,若存在部件未被压斜,则判定所述气缸盖的质量不合格;若所有部件均被压斜,则根据所述缺陷特征,对气缸盖的质量进行检测。
在一个实施例中,计算机程序被处理器执行时所实现的卷积神经网络包括多个卷积层和多个全连接层。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取气缸盖的多张二维图像和多张三维图像;基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,所述缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,所述卷积神经网络包括一个正样本和多个负样本;基于所述三维图像,获取气缸盖的点云数据,并根据所述点云数据确定所述气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸;根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测。
在一个实施例中,计算机程序被处理器执行时所实现的基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,包括:将所述二维图像输入所述卷积神经网络;基于所述卷积神经网络,获取二维图像的第一图像特征;将所述第一图像特征与正样本的第二图像特征进行对比,若对比结果为所述第一图像特征和所述第二图像特征一致,则确定所述气缸盖不存在缺陷;若对比结果为所述第一图像特征和所述第二图像特征不一致,则将所述第一图像特征与所有负样本的第三图像特征进行对比,将与所述第一图像特征一致的所述第三图像特征确定为所述缺陷特征。
在一个实施例中,计算机程序被处理器执行时所实现的三维图像是由激光3D轮廓传感器获取的;所述基于所述三维图像,获取气缸盖的点云数据,包括:基于所述三维图像,确定所述气缸盖在所述传感器射出的激光的光线范围内的多个截面轮廓;获取所述气缸盖在被所述激光照射过程中移动的距离;根据所述截面轮廓和所述距离,确定所述气缸盖的点云数据。
在一个实施例中,计算机程序被处理器执行时所实现的根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测,包括:根据所述第二三维尺寸,确定气缸盖罩的多个第一孔洞的尺寸、以及燃烧室壳体的多个第二孔洞的尺寸,所述气缸盖罩和所述燃烧室壳体均为所述气缸盖中的部件;判断每个第一孔洞的尺寸和相应的第一预设孔洞的尺寸是否一致,并判断每个第二孔洞的尺寸和相应的第二预设孔洞的尺寸是否一致,若存在孔洞的尺寸和相应的预设孔洞尺寸不一致,则判定所述气缸盖的质量不合格;若所有孔洞的尺寸和相应的预设孔洞的尺寸均一致,则根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测。
在一个实施例中,计算机程序被处理器执行时所实现的根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测,包括:根据所述第一三维尺寸,确定所述气缸盖罩中的各部件的第一安装深度和所述燃烧室壳体中的各部件的第二安装深度;判断每个第一安装深度和相应的第一预设深度是否一致,并判断每个第二安装深度和和相应的第二预设深度是否一致,若存在部件的安装深度和相应的预设深度不一致,则判定所述气缸盖的质量不合格;若所有部件的安装深度均和相应的预设深度一致,则判断所述气缸盖罩中的各部件和所述燃烧室壳体中的各部件是否均被压斜,若存在部件未被压斜,则判定所述气缸盖的质量不合格;若所有部件均被压斜,则根据所述缺陷特征,对气缸盖的质量进行检测。
在一个实施例中,计算机程序被处理器执行时所实现的卷积神经网络包括多个卷积层和多个全连接层。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种气缸盖质量检测方法,其特征在于,所述方法包括:
获取气缸盖的多张二维图像和多张三维图像;
基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,所述缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,所述卷积神经网络包括一个正样本和多个负样本;
基于所述三维图像,获取气缸盖的点云数据,并根据所述点云数据确定所述气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸;
根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测。
2.根据权利要求1所述的方法,其特征在于,所述基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,包括:
将所述二维图像输入所述卷积神经网络;
基于所述卷积神经网络,获取二维图像的第一图像特征;
将所述第一图像特征与正样本的第二图像特征进行对比,若对比结果为所述第一图像特征和所述第二图像特征一致,则确定所述气缸盖不存在缺陷;
若对比结果为所述第一图像特征和所述第二图像特征不一致,则将所述第一图像特征与所有负样本的第三图像特征进行对比,将与所述第一图像特征一致的所述第三图像特征确定为所述缺陷特征。
3.根据权利要求1所述的方法,其特征在于,所述三维图像是由激光3D轮廓传感器获取的;所述基于所述三维图像,获取气缸盖的点云数据,包括:
基于所述三维图像,确定所述气缸盖在所述传感器射出的激光的光线范围内的多个截面轮廓;
获取所述气缸盖在被所述激光照射过程中移动的距离;
根据所述截面轮廓和所述距离,确定所述气缸盖的点云数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测,包括:
根据所述第二三维尺寸,确定气缸盖罩的多个第一孔洞的尺寸、以及燃烧室壳体的多个第二孔洞的尺寸,所述气缸盖罩和所述燃烧室壳体均为所述气缸盖中的部件;
判断每个第一孔洞的尺寸和相应的第一预设孔洞的尺寸是否一致,并判断每个第二孔洞的尺寸和相应的第二预设孔洞的尺寸是否一致,若存在孔洞的尺寸和相应的预设孔洞尺寸不一致,则判定所述气缸盖的质量不合格;
若所有孔洞的尺寸和相应的预设孔洞的尺寸均一致,则根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测。
5.根据权利要求4所述的方法,其特征在于,所述根据所述缺陷特征和所述第一三维尺寸,对气缸盖的质量进行检测,包括:
根据所述第一三维尺寸,确定所述气缸盖罩中的各部件的第一安装深度和所述燃烧室壳体中的各部件的第二安装深度;
判断每个第一安装深度和相应的第一预设深度是否一致,并判断每个第二安装深度和和相应的第二预设深度是否一致,若存在部件的安装深度和相应的预设深度不一致,则判定所述气缸盖的质量不合格;
若所有部件的安装深度均和相应的预设深度一致,则判断所述气缸盖罩中的各部件和所述燃烧室壳体中的各部件是否均被压斜,若存在部件未被压斜,则判定所述气缸盖的质量不合格;
若所有部件均被压斜,则根据所述缺陷特征,对气缸盖的质量进行检测。
6.根据权利要求1所述的方法,其特征在于,所述卷积神经网络包括多个卷积层和多个全连接层。
7.一种气缸盖质量检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取气缸盖的多张二维图像和多张三维图像;
确定模块,用于基于预训练的卷积神经网络,根据所述二维图像,确定所述气缸盖的缺陷特征,所述缺陷特征包括气缸盖的部件存在裂纹、气缸盖的表面存在异物、气缸盖上的可追溯码不完整以及气缸盖的部件缺失中的至少一个,所述卷积神经网络包括一个正样本和多个负样本;
第二获取模块,用于基于所述三维图像,获取气缸盖的点云数据,并根据所述点云数据确定所述气缸盖的第一三维尺寸以及气缸盖的各部件的第二三维尺寸;
检测模块,用于根据所述缺陷特征、所述第一三维尺寸以及所述第二三维尺寸,对气缸盖的质量进行检测。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310295345.3A CN116433616A (zh) | 2023-03-24 | 2023-03-24 | 气缸盖质量检测方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310295345.3A CN116433616A (zh) | 2023-03-24 | 2023-03-24 | 气缸盖质量检测方法、装置、设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116433616A true CN116433616A (zh) | 2023-07-14 |
Family
ID=87080727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310295345.3A Pending CN116433616A (zh) | 2023-03-24 | 2023-03-24 | 气缸盖质量检测方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433616A (zh) |
-
2023
- 2023-03-24 CN CN202310295345.3A patent/CN116433616A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
TWI618161B (zh) | 使用設計資料於半導體晶圓上偵測重複缺陷之方法、系統及非暫時性電腦可讀媒體 | |
CN104063873B (zh) | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 | |
JP5218723B2 (ja) | 蛍光探傷方法および蛍光探傷装置 | |
EP1582863A1 (en) | Multi-resolution inspection system and method of operating same | |
JP6371044B2 (ja) | 表面欠陥検査装置および表面欠陥検査方法 | |
TW201517192A (zh) | 晶片對資料庫的影像檢測方法 | |
CN112884743B (zh) | 检测方法及装置、检测设备和存储介质 | |
WO2021046726A1 (zh) | 用于检测机械设备零部件的方法和装置 | |
CN115615353A (zh) | 利用平行光检测物体尺寸的方法、装置、设备及存储介质 | |
Chao-Ching et al. | Machine vision and deep learning based rubber gasket defect detection | |
CN113284094A (zh) | 获取玻璃基板缺陷信息的方法、装置、存储介质及设备 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
Wang et al. | Structured-light three-dimensional scanning for process monitoring and quality control in precast concrete production. | |
CN116433616A (zh) | 气缸盖质量检测方法、装置、设备、介质和产品 | |
JP2006170684A (ja) | プレス不良の検査方法、及び検査装置 | |
KR101870718B1 (ko) | 이물질을 판별하는 광학 장치 및 그 방법 | |
US20020191831A1 (en) | System and process for analyzing surface defects | |
CN115526860A (zh) | 电池片缺陷检测方法、装置、计算机设备及可读存储介质 | |
Riffo et al. | Active inspection of objects to detect possible damage and measure their volume using 3D reconstruction | |
CN111563870A (zh) | 图像处理方法和设备、检测方法和装置、存储介质 | |
CN115389514A (zh) | 一种材料缺陷检测方法和装置 | |
US7899573B2 (en) | Non-contact method and system for inspecting a multi-faceted machine surface | |
Steiner et al. | Measurement techniques for the inspection of porosity flaws on machined surfaces | |
US20210256673A1 (en) | System and method for inspecting workpieces |
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 |