CN116523882B - 一种基于视觉的光学目标区域准确率检测方法与系统 - Google Patents
一种基于视觉的光学目标区域准确率检测方法与系统 Download PDFInfo
- Publication number
- CN116523882B CN116523882B CN202310495767.5A CN202310495767A CN116523882B CN 116523882 B CN116523882 B CN 116523882B CN 202310495767 A CN202310495767 A CN 202310495767A CN 116523882 B CN116523882 B CN 116523882B
- Authority
- CN
- China
- Prior art keywords
- edge
- product
- detected
- detection
- processing
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 230000003287 optical effect Effects 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 230000001678 irradiating effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012797 qualification Methods 0.000 abstract 1
- 238000003908 quality control method Methods 0.000 abstract 1
- 238000003708 edge detection Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 229920006327 polystyrene foam Polymers 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
-
- 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
Abstract
本发明公开了一种基于视觉的光学目标区域准确率检测方法与系统，涉及自动化光学检测领域，本发明方法利用摄像头和检测平面对可发出光的光学类产品进行准确率检测；通过选择标准产品作为基准边缘，并进行图像处理和二值化，与待检测产品的边缘进行对比分析，判断产品的合格性；系统包括摄像头、检测平面、预设位置、标准产品以及图像处理和对比分析模块；本发明方法和系统提高了光学目标区域准确率检测效果，为产品质量控制提供可靠工具。本发明专注于识别光学类产品在检测平面上的边缘，减少数据处理量，加快图像处理速度，提高检测效率。
Description
技术领域
本发明涉及自动化光学检测领域，更具体地说，涉及一种基于视觉的光学目标区域准确率检测方法与系统。
背景技术
机器视觉技术是一种通过光学装置和非接触传感器自动接收并处理真实物体的图像，分析后获取所需信息的技术。机器视觉的功能可归为识别、测量、定位和检测四类，其中检测技术难度最高。
自动化光学检测(AutomatedOpticalInspection,AOI)是一种工业产品的检测方式。在AOI之前，工业产品检测经历了两个阶段：人工检测和自动视觉检测或半自动检测。人工视觉检测的质量受限于人的因素，导致速度阈值低、可靠度较低、稳定度不够等问题。自动视觉检测或半自动检测虽然相较于人工检测有所提高，但本质上仍然依赖于人脑进行识别，在可靠度和稳定度上仍存在不确定性。因此，有必要发展一种基于机器视觉和自动化光学检测的技术，以弥补人工判断导致的诸多问题，提高产品检测的准确性和效率。
现有技术中，发明专利CN115629069A提供了一种检测方法，提出了挺直度指标的计算公式，实现了挺直度的量化，实现量化评价。尽管该方法能够快速完成对样品挺直度的量化及等级客观评价工作，但过程相对繁琐，代码中需要进行大量的计算检测，导致检测速度低，且结构较为复杂。发明专利CN108537772A针对一种贴片电阻正导体印刷缺陷的视觉检测方法，采用阈值分割、投影统计和形态学等方法，并针对背面剥裂线，采用边缘计算、投影统计、插值拟合等方法，计算其最佳的分割点。然后基于两次检测结果，判断印刷体是否处于剥裂线的合理范围内，并判断是否有浆料溢出等缺陷。虽然该方法能够很好地实现对产品的缺陷检测，但是该工艺相对更加复杂，且设备相对昂贵。
另外，现有的机器视觉和自动化光学检测技术在实现对产品准确度的检测方面仍存在一定的问题。一方面，现有技术的检测方法过程繁琐、检测速度低、结构复杂；另一方面，现有技术设备成本高昂，限制了其在实际生产中的应用。因此，亟需一种基于视觉的光学目标区域准确率检测方法，旨在解决上述问题，提高产品检测的准确率和效率，实现流水线大规模生产。同时，结合扫码的工序，可以实现生产数据的全方位跟踪和管理，提高生产管理水平。
发明内容
本发明要解决的技术问题是提供一种基于视觉的光学目标区域准确率检测方法与系统，以解决背景技术中提到的问题。
为了达到上述目的，本发明采取以下技术方案：
一种基于视觉的光学目标区域准确率检测方法，包括以下步骤：
提供用于产品检测的摄像头和检测平面；所述产品为可发出光的光学类产品，包括照明灯、激光；所述产品在预设位置处垂直照射至检测平面上的光斑的边缘为检测边缘；
挑选作为生产标准的标准产品，并将标准产品放置于所述预设位置处垂直照射至检测平面；
开启摄像头获取标准产品产生的检测边缘，作为基准边缘；
对所述基准边缘进行图像处理获得二值化信息；
将待检测产品放置于所述预设位置处垂直照射至检测平面；
用摄像头视频拍摄待检测产品产生的检测边缘，对摄像头读取到的每一帧画面进行抽帧处理并获得其待检测边缘，对所述待检测边缘进行图像处理获得二值化信息；
对得到的待检测边缘二值化信息和基准边缘二值化信息进行对比判断待检测产品准确率是否大于预设的精度，若大于则判定产品合格，否则判定产品不合格。
优选的，获得所述基准边缘的二值化信息的过程为：提取基准边缘图像，对基准边缘图像进行高斯去噪、灰度处理、二值化阈值处理、闭运算处理后得到二值化信息。
优选的，获得所述待检测边缘的二值化信息的过程为：提取待检测边缘图像，对待检测边缘图像进行高斯去噪、灰度处理、二值化阈值处理、闭运算处理后得到二值化信息。
本发明还包括一种基于视觉的光学目标区域准确率检测系统，所述系统包括：
一个摄像头和一个检测平面；
一个预设位置，用于放置可发出光的光学类产品，包括照明灯、激光；
作为生产标准的标准产品；标准产品放置于预设位置并垂直照向检测平面得到的光标边缘为基准边缘；
一个图像处理模块，用于对基准边缘进行处理并获得二值化信息、用于对待检测边缘进行处理并获得二值化信息；所述待检测边缘为待检测产品放置于预设位置并垂直照向检测平面得到的光标边缘；
一个对比分析模块，用于比较待检测边缘的二值化信息和基准边缘的二值化信息，判断待检测产品准确率是否大于预设精度，若大于则判定产品合格，否则判定产品不合格。
优选的，系统中获得所述基准边缘的二值化信息的过程为：提取基准边缘图像，对基准边缘图像进行高斯去噪、灰度处理、二值化阈值处理、闭运算处理后得到二值化信息。
优选的，系统中获得所述待检测边缘的二值化信息的过程为：提取待检测边缘图像，对待检测边缘图像进行高斯去噪、灰度处理、二值化阈值处理、闭运算处理后得到二值化信息。
本发明相对于现有技术的优点在于：
加快检测速度：边缘检测方法专注于识别光学类产品在检测平面上产生的边缘，而非整个光斑区域。这样的方法能够减少数据处理量，加快图像处理速度，从而提高检测效率。
精简图像处理步骤：针对边缘检测的方法可以专注于边缘特征的提取，减少不必要的图像处理环节，简化处理过程。这样可以降低图像处理的计算复杂度，提高整体检测效率。
提高检测准确性：边缘检测方法能够集中关注光学类产品在检测平面上产生的边缘特征，从而有效地识别产品的准确率。相较于整体检测，边缘检测方法能够更准确地判断产品质量，减少误判的可能性。
降低计算资源需求：边缘检测方法减少了图像处理过程中的计算量，降低了计算资源的需求。这使得检测系统在硬件设备上的要求降低，降低了生产商在检测设备上的投入成本。
灵活性强：边缘检测方法可以灵活地应用于各种光学类产品的检测，而不受产品形状、大小等因素的限制。这意味着生产商可以方便地将这一方法应用于不同类型的产品检测中，提高生产线的灵活性。
提高生产效率：由于边缘检测方法可以快速、准确地判断产品准确率，帮助生产商及时发现不合格产品，因此可以减少不良品产生的损失，提高生产效率，进而增加企业的经济效益。
附图说明
图1是本发明方法的总体流程图；
图2是本发明方法的详细流程图中的第一部分；
图3是本发明方法的详细流程图中的第二部分。
具体实施方式
下面结合附图对本发明的具体实施方式作描述。
如图1为本发明方法的总体流程图；如图2所示为本发明方法的详细流程图中的第一部分；图3是本发明方法的详细流程图中的第二部分；其中，如果在图2中“算法检测标定基准边沿是否在范围内”判断为是，则执行图3的流程图。
基于以上流程图，对以下三个实施例作介绍：
以下实施例1针对于本发明方法：
本实施例提供了一种基于视觉的光学目标区域准确率检测方法。具体步骤如下：
提供用于产品检测的摄像头和检测平面。摄像头可以是高分辨率的工业相机，检测平面可以是规整的平面，如光滑的白色背景板。
选择可发出光的光学类产品，例如照明灯或激光器等。将产品放置在预设位置处，使其垂直照射至检测平面上。光斑在检测平面上的边缘为待检测边缘。
挑选合格的标准产品作为生产标准。将标准产品放置在预设位置处，使其垂直照射至检测平面上。此时，光斑在检测平面上的边缘为基准边缘。
开启摄像头捕捉基准边缘图像。对基准边缘图像进行图像处理，包括高斯去噪、灰度处理、二值化阈值处理和闭运算处理，以获得基准边缘的二值化信息。
将待检测产品放置在预设位置处，使其垂直照射至检测平面上。用摄像头捕捉待检测产品产生的光斑边缘图像。
对待检测边缘图像进行图像处理，包括高斯去噪、灰度处理、二值化阈值处理和闭运算处理，以获得待检测边缘的二值化信息。
将待检测边缘二值化信息与基准边缘二值化信息进行对比。判断待检测产品的准确率是否大于预设精度。如果准确率大于预设精度，则判断产品合格；否则，判断产品不合格。
其中，图2和图3对本发明方法进行了进一步细化，可供参考。其中算法检测标定基准边沿是否在范围内指的是，预先在检测屏幕上设置了一个范围用于放置检测边缘，若检测边缘超出范围，则需要重新调整产品的预设位置。
以下实施例2针对于本发明系统：
本实施例提供了一种基于视觉的光学目标区域准确率检测系统。该系统主要包括：
一个摄像头和一个检测平面，用于捕捉光学类产品在检测平面上产生的光斑边缘。
一个预设位置，用于放置可发出光的光学类产品，如照明灯、激光器等。
一个标准产品，作为生产标准。将标准产品放置在预设位置处，使其垂直照射至检测平面上。光斑在检测平面上的边缘为基准边缘。
一个图像处理模块，用于对基准边缘和待检测边缘进行图像处理。图像处理过程包括高斯去噪、灰度处理、二值化阈值处理和闭运算处理，以获得基准边缘和待检测边缘的二值化信息。
一个对比分析模块，用于比较待检测边缘的二值化信息和基准边缘的二值化信息。通过对比分析，可以判断待检测产品的准确率是否大于预设精度。若准确率大于预设精度，则判定产品合格；否则，判定产品不合格。
以下实施例3考虑激光应用场景中实施基于视觉的光学目标区域边缘检测方法和系统的过程中的实施例：
摄像头选择与配置：选择高分辨率和低噪声的CMOS摄像头，例如4K或更高分辨率，以捕捉更多边缘细节。使用具有高动态范围(HDR)的摄像头，以适应激光光斑边缘的高对比度。考虑使用红外摄像头或激光滤光片来减少环境光的干扰。根据摄像头与检测平面之间的距离选择合适的镜头焦距，以确保清晰的成像效果。调整摄像头的曝光、增益和白平衡参数以优化图像质量。
检测平面选择与设置：选择材质均匀、表面平整的白色板材，如聚苯乙烯泡沫板或亚克力板。确保检测平面与激光器之间的距离足够远，以便捕捉到边缘变化。保持检测平面水平，并与摄像头的光轴垂直。定期清理检测平面，以保持其清洁度。
光斑边缘处理算法优化：尝试使用不同的边缘检测方法，如Canny算子、Sobel算子、Laplacian算子或Scharr算子。对于二值化阈值处理，可以尝试全局阈值、局部阈值或自适应阈值方法。根据实际情况调整闭运算处理中的形态学核大小和形状。使用多尺度边缘检测方法，如LaplacianofGaussian(LoG)或DifferenceofGaussians(DoG)，以提高边缘检测的鲁棒性。
光环境控制：隔离检测区域并使用遮光罩或遮光帘来防止环境光的干扰。考虑使用定向光源或漫反射光源以减少光斑边缘的光照不均匀性。确保光环境保持稳定，在检测过程中避免突然的光线变化对结果产生影响。
检测过程中的校准与对比：定期对标准产品进行检测，以监测系统性能的稳定性。使用多个标准产品考虑激光器之间的差异。针对每个待检测产品，采集多个边缘图像并进行平均，以减少误差。在对比分析中，可以采用多种相似度度量方法，如欧几里得距离、余弦相似度或汉明距离，以提高判断的准确性。根据实际应用场景，可以调整预设精度的阈值，以平衡检测速度和准确性。
数据处理与分析：利用GPU或其他硬件加速器加快图像处理过程。将检测结果存储在数据库中，以进行统计分析和趋势监测。使用机器学习或深度学习方法对边缘检测算法进行优化。结合其他传感器数据(如激光器输出功率、环境温度等)进行综合评估。对于不合格产品，可以进一步诊断导致不合格的具体原因，为生产过程的优化提供参考。
通过以上实施例，我们可以看到，基于视觉的光学目标区域边缘检测方法和系统可以有效地对光学类产品进行准确率检测。通过对边缘进行检测，而非整体检测，检测效率得到了显著提高。同时，对比基准边缘和待检测边缘的二值化信息，有助于更精确地判断产品的合格与否。此方法和系统在光学产品制造行业中具有广泛的应用价值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于视觉的光学目标区域准确率检测方法，其特征在于，包括以下步骤：
提供用于产品检测的摄像头和检测平面；所述产品为可发出光的光学类产品，包括照明灯、激光；所述产品在预设位置处垂直照射至检测平面上的光斑的边缘为检测边缘；
挑选作为生产标准的标准产品，并将标准产品放置于所述预设位置处垂直照射至检测平面；
开启摄像头获取标准产品产生的检测边缘，作为基准边缘；
对所述基准边缘进行图像处理获得二值化信息；
将待检测产品放置于所述预设位置处垂直照射至检测平面；
用摄像头视频拍摄待检测产品产生的检测边缘，对摄像头读取到的每一帧画面进行抽帧处理并获得其待检测边缘，对所述待检测边缘进行图像处理获得二值化信息；
对得到的待检测边缘二值化信息和基准边缘二值化信息进行对比判断待检测产品准确率是否大于预设的精度，若大于则判定产品合格，否则判定产品不合格。
2.根据权利要求1所述基于视觉的光学目标区域准确率检测方法，其特征在于，获得所述基准边缘的二值化信息的过程为：提取基准边缘图像，对基准边缘图像进行高斯去噪、灰度处理、二值化阈值处理、闭运算处理后得到二值化信息。
3.根据权利要求1所述基于视觉的光学目标区域准确率检测方法，其特征在于，获得所述待检测边缘的二值化信息的过程为：提取待检测边缘图像，对待检测边缘图像进行高斯去噪、灰度处理、二值化阈值处理、闭运算处理后得到二值化信息。
4.一种基于视觉的光学目标区域准确率检测系统，其特征在于，所述系统包括：
一个摄像头和一个检测平面；
一个预设位置，用于放置可发出光的光学类产品，包括照明灯、激光；
作为生产标准的标准产品；标准产品放置于预设位置并垂直照向检测平面得到的光标边缘为基准边缘；
一个图像处理模块，用于对基准边缘进行处理并获得二值化信息、用于对待检测边缘进行处理并获得二值化信息；所述待检测边缘为待检测产品放置于预设位置并垂直照向检测平面得到的光标边缘；
一个对比分析模块，用于比较待检测边缘的二值化信息和基准边缘的二值化信息，判断待检测产品准确率是否大于预设精度，若大于则判定产品合格，否则判定产品不合格。
5.根据权利要求4所述基于视觉的光学目标区域准确率检测系统，其特征在于，获得所述基准边缘的二值化信息的过程为：提取基准边缘图像，对基准边缘图像进行高斯去噪、灰度处理、二值化阈值处理、闭运算处理后得到二值化信息。
6.根据权利要求4所述基于视觉的光学目标区域准确率检测系统，其特征在于，获得所述待检测边缘的二值化信息的过程为：提取待检测边缘图像，对待检测边缘图像进行高斯去噪、灰度处理、二值化阈值处理、闭运算处理后得到二值化信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310495767.5A CN116523882B (zh) | 2023-05-05 | 2023-05-05 | 一种基于视觉的光学目标区域准确率检测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310495767.5A CN116523882B (zh) | 2023-05-05 | 2023-05-05 | 一种基于视觉的光学目标区域准确率检测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523882A CN116523882A (zh) | 2023-08-01 |
| CN116523882B true CN116523882B (zh) | 2023-11-24 |
Family
ID=87393758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310495767.5A Active CN116523882B (zh) | 2023-05-05 | 2023-05-05 | 一种基于视觉的光学目标区域准确率检测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523882B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06347416A (ja) * | 1993-06-11 | 1994-12-22 | Laser Tec Kk | 光学式欠陥検査装置 |
| KR20030019166A (ko) * | 2001-08-29 | 2003-03-06 | 세이코 엡슨 가부시키가이샤 | 조명 광학 소자의 검사 장치 및 조명 광학 소자의 검사 방법 |
| CN104697467A (zh) * | 2015-02-12 | 2015-06-10 | 中北大学 | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 |
| CN107492091A (zh) * | 2017-07-06 | 2017-12-19 | 东莞理工学院 | 基于机器视觉的标签外观检测方法及终端设备 |
| CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
| JP2019070545A (ja) * | 2017-10-06 | 2019-05-09 | アロン電機株式会社 | 表面検査装置および表面検査方法 |
| KR20200107359A (ko) * | 2019-03-07 | 2020-09-16 | 김대봉 | 플레어 검사 장치 |
| CN111951322A (zh) * | 2020-07-16 | 2020-11-17 | 昆山丘钛光电科技有限公司 | 摄像模组质量检测方法、装置及计算机存储介质 |
| CN113870217A (zh) * | 2021-09-27 | 2021-12-31 | 菲特（天津）检测技术有限公司 | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 |
| CN115290119A (zh) * | 2022-07-25 | 2022-11-04 | 上海有个机器人有限公司 | 一种机器人激光检测方法、装置及相关产品 |
-
2023
- 2023-05-05 CN CN202310495767.5A patent/CN116523882B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06347416A (ja) * | 1993-06-11 | 1994-12-22 | Laser Tec Kk | 光学式欠陥検査装置 |
| KR20030019166A (ko) * | 2001-08-29 | 2003-03-06 | 세이코 엡슨 가부시키가이샤 | 조명 광학 소자의 검사 장치 및 조명 광학 소자의 검사 방법 |
| CN104697467A (zh) * | 2015-02-12 | 2015-06-10 | 中北大学 | 基于线激光扫描的焊缝外观形状及表面缺陷检测方法 |
| CN107492091A (zh) * | 2017-07-06 | 2017-12-19 | 东莞理工学院 | 基于机器视觉的标签外观检测方法及终端设备 |
| JP2019070545A (ja) * | 2017-10-06 | 2019-05-09 | アロン電機株式会社 | 表面検査装置および表面検査方法 |
| CN109141232A (zh) * | 2018-08-07 | 2019-01-04 | 常州好迪机械有限公司 | 一种基于机器视觉的盘类铸件在线检测方法 |
| KR20200107359A (ko) * | 2019-03-07 | 2020-09-16 | 김대봉 | 플레어 검사 장치 |
| CN111951322A (zh) * | 2020-07-16 | 2020-11-17 | 昆山丘钛光电科技有限公司 | 摄像模组质量检测方法、装置及计算机存储介质 |
| CN113870217A (zh) * | 2021-09-27 | 2021-12-31 | 菲特（天津）检测技术有限公司 | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 |
| CN115290119A (zh) * | 2022-07-25 | 2022-11-04 | 上海有个机器人有限公司 | 一种机器人激光检测方法、装置及相关产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523882A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659660B (zh) | 利用深度学习系统的自动光学检测分类设备及其训练设备 | |
| CN101464418B (zh) | 缺陷检测方法以及缺陷检测装置 | |
| CN102393397B (zh) | 一种磁瓦表面缺陷检测系统及其检测方法 | |
| CN113269762B (zh) | 屏幕不良检测方法、系统及计算机存储介质 | |
| CN114820475B (zh) | 边缘识别方法、系统、晶圆加工装置及晶圆与加工台同心状态确定方法 | |
| CN107742119B (zh) | 一种基于背影成像的物体轮廓提取和匹配装置及方法 | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| CN110412055A (zh) | 一种基于多光源暗场照明的透镜白雾缺陷检测方法 | |
| CN116523882B (zh) | 一种基于视觉的光学目标区域准确率检测方法与系统 | |
| CN111833350A (zh) | 机器视觉检测方法与系统 | |
| CN114964032B (zh) | 基于机器视觉的盲孔深度测量方法及装置 | |
| CN116237266A (zh) | 一种法兰尺寸测量方法及其设备 | |
| CN114813783B (zh) | 芯片表面瑕疵检测方法 | |
| US10241000B2 (en) | Method for checking the position of characteristic points in light distributions | |
| CN115018829A (zh) | 一种玻璃瑕疵定位方法及装置 | |
| CN210375628U (zh) | 一种镜片检测系统 | |
| CN110441315B (zh) | 电子部件测试设备和方法 | |
| JP2002310917A (ja) | 欠陥検出方法及び装置 | |
| CN114037682A (zh) | 一种光学元件表面疵病二维自动检测方法 | |
| CN112987356A (zh) | 液晶面板底部异物误检滤除方法及装置 | |
| CN113781407A (zh) | 螺钉检测方法、装置和计算机可读存储介质 | |
| CN117309892B (zh) | 一种电池蓝膜的缺陷检测方法、装置及系统和光源控制器 | |
| JP2002310939A (ja) | 気泡検査装置 | |
| CN111815705A (zh) | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 | |
| CN112782176A (zh) | 一种产品外观检测方法及装置 |
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 |