CN116542976B - 一种模切件缺陷的视觉检测系统 - Google Patents
一种模切件缺陷的视觉检测系统 Download PDFInfo
- Publication number
- CN116542976B CN116542976B CN202310820025.5A CN202310820025A CN116542976B CN 116542976 B CN116542976 B CN 116542976B CN 202310820025 A CN202310820025 A CN 202310820025A CN 116542976 B CN116542976 B CN 116542976B
- Authority
- CN
- China
- Prior art keywords
- suspected
- indentation
- indentation area
- die
- pixel
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000005520 cutting process Methods 0.000 title abstract description 12
- 230000000007 visual effect Effects 0.000 title abstract description 6
- 238000007373 indentation Methods 0.000 claims abstract description 174
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000011179 visual inspection Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 7
- 230000003014 reinforcing effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012851 printed packaging material Substances 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000013441 quality evaluation 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
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种模切件缺陷的视觉检测系统,包括:图像采集处理模块,二值化处理得到疑似压痕区域和背景区域;压痕概率计算模块,根据疑似压痕区域边界上像素点的梯度方向得到疑似压痕区域边界的平均梯度方向近似度,进而得到疑似压痕区域的异常概率;像素点增强必要性模块,根据疑似压痕区域的异常概率和疑似压痕区域的灰度值波动得到疑似压痕区域中像素点的增强必要性;图像增强模块,根据增强权重对模切件的灰度图进行增强。本发明利用压痕附近的灰度变化和连续性的特点,通过对图像不同像素点所属区域进行不同程度的增强,使得压痕部分在图像中的显示更加明显,有利于压痕部分的识别与分割。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种模切件缺陷的视觉检测系统。
背景技术
在传统定义中,模切为印刷包装材料模内冲孔和压痕加工的总称。为满足需求,将不同种的材料通过各种方式加工成为所需形状的零部件。随着电子技术的进步,模切件被越来越多的领域所需要,而形式上也向着高精度软性产品模切的方向发展。但因为材料的性质以及高精度的要求,在模切件的生产过程中存在许多质量缺陷,例如产品表面折痕、压痕、划伤、刮花以及颜色的差异等。
本发明针对模切件加工过程中的可能出现的压痕缺陷,在直接获取到的模切件图像中,因压痕有小范围、低对比度的性质,在图像处理的过程中,难以识别到压痕缺陷。利用大津算法阈值分割图像,提取压痕区域,因压痕范围较小,所以无法将压痕完全分割。故本发明通过对图像增强处理,使得压痕区域更加明显,从而有利于压痕的完整分割和识别。
发明内容
本发明提供一种模切件缺陷的视觉检测系统,以解决现有的问题。
本发明的一种模切件缺陷的视觉检测系统采用如下技术方案:
本发明一个实施例提供了一种模切件缺陷的视觉检测系统,该系统包括以下模块:
图像采集处理模块,对模切件的灰度图进行二值化处理得到疑似压痕区域和背景区域;
压痕概率计算模块,获取疑似压痕区域和背景区域的平均灰度值差异,根据疑似压痕区域边界上像素点的梯度方向得到疑似压痕区域边界的平均梯度方向近似度,根据平均灰度值差异和平均梯度方向近似度得到疑似压痕区域的异常概率;
像素点增强必要性模块,根据疑似压痕区域的异常概率和疑似压痕区域的灰度值波动得到疑似压痕区域中像素点的增强必要性;
图像增强模块,根据疑似压痕区域中像素点的增强必要性得到疑似压痕区域中每个像素点的增强权重,根据增强权重对模切件的灰度图进行增强得到增强后的模切件灰度图;
压痕缺陷检测模块,对增强后的模切件灰度图阈值分割得到压痕缺陷区域。
进一步地,所述根据疑似压痕区域边界上像素点的梯度方向得到疑似压痕区域边界的平均梯度方向近似度,包括的具体步骤如下:
获取疑似压痕区域边界上像素点的梯度方向,以疑似压痕区域边界上任意一个像素点开始按照顺时针的顺序依次得到疑似压痕区域边界上所有像素点的梯度方向,将疑似压痕区域边界上任意一个像素点记为第个像素点;
获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
以此类推,获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
直至获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度,共得到/>个梯度方向近似度,/>为疑似压痕区域边界上像素点的总个数,a为预设参数,将/>个梯度方向近似度的均值,作为疑似压痕区域边界的平均梯度方向近似度。
进一步地,所述根据平均灰度值差异和平均梯度方向近似度得到疑似压痕区域的异常概率,包括的具体步骤如下:
其中,为疑似压痕区域的异常概率,/>为疑似压痕区域边界上像素点的总个数,为疑似压痕区域边界上第i个像素点的梯度值,/>为疑似压痕区域和背景区域的平均灰度值的差值绝对值,/>为疑似压痕区域边界的平均梯度方向近似度。
进一步地,所述根据疑似压痕区域的异常概率和疑似压痕区域的灰度值波动得到疑似压痕区域中像素点的增强必要性,包括的具体步骤如下:
其中,为去掉疑似压痕区域中第/>个像素点的灰度值后计算疑似压痕区域灰度值方差的结果,记为除去第/>个像素点后疑似压痕区域的灰度值波动,/>为整个疑似压痕区域像素点灰度值方差的结果,记为整个疑似压痕区域的灰度值波动,/>为疑似压痕区域的异常概率,/>为疑似压痕区域中第/>个像素点的增强必要性。
进一步地,所述根据疑似压痕区域中像素点的增强必要性得到疑似压痕区域中每个像素点的增强权重,包括的具体步骤如下:
获取模切件的灰度图中所有疑似压痕区域,将任意一个疑似压痕区域记为第一疑似压痕区域,获取第一疑似压痕区域中所有像素点的增强必要性,对其进行归一化,将归一化后的结果作为第一疑似压痕区域中每个像素点的增强权重,获取模切件的灰度图中所有疑似压痕区域中每个像素点的增强权重,背景区域中每个像素点的增强权重为预设权重阈值。
进一步地,所述根据增强权重对模切件的灰度图进行增强得到增强后的模切件灰度图,包括的具体步骤如下:
其中,为模切件的灰度图上第/>行/>列的像素点的增强权重,/>为模切件的灰度图上第/>行/>列的像素点的原灰度值,/>为模切件的灰度图上第/>行/>列的像素点增强后的灰度值,通过对模切件的灰度图中所有像素点进行处理,得到增强后的模切件灰度图。
本发明的技术方案的有益效果是:利用压痕附近的灰度变化和连续性的特点,通过对图像不同像素点所属区域进行不同程度的增强,使得压痕部分在图像中的显示更加明显,有利于压痕部分的识别与分割。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种模切件缺陷的视觉检测系统的系统框架图。
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模切件缺陷的视觉检测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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模切件缺陷的视觉检测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种模切件缺陷的视觉检测系统的系统框架图,该系统包括以下模块:
图像采集处理模块:
需要说明的是,本实施例主要目的是对模切件的压痕缺陷进行检测,因此首先需要获取模切件的图像。
具体的,在模切件生产线上布置固定相机用于采集图像,使用白色的传送带输送模切件,白色传送带作为图像采集的背景,利于模切件主体的分割提取,环境光照保持均匀,尽量避免反光问题,对模切件的俯视图图像进行采集得到模切件的RGB图像。
进一步地,对采集的RGB图像进行灰度化处理,得到模切件的灰度图,对灰度图利用大津算法进行阈值分割得到二值化图像,二值化图像中像素点的灰度值为0或者1,将二值化图像中像素点灰度值为1构成的区域作为模切件的疑似压痕区域,将二值化图像中像素点灰度值为0构成的区域作为背景区域,将二值化图像与灰度图中对应像素点的像素值进行相乘,将背景区域去除得到模切件图像。
至此,得到了模切件图像。
压痕概率计算模块:
需要说明的是,在模切件灰度图像中,由于压痕的原因,会使得疑似压痕处区域显示为较暗区域。在疑似压痕处区域的边界处,由于灰度值变化较大,所以梯度值较大。通过计算疑似压痕区域边界上像素点的梯度值与疑似压痕区域和背景区域的平均灰度值差异判断疑似压痕区域的异常概率,由于疑似压痕区域中属于压痕的像素点灰度值和背景区域的像素点灰度值相差很大,因此根据去掉疑似压痕区域中像素点的灰度值后疑似压痕区域灰度值方差的结果与整个疑似压痕区域像素点灰度值方差的结果以及疑似压痕区域的异常概率得到像素点增强的必要性。
具体的,以模切件图像中任意一个疑似压痕区域为例进行分析,获取疑似压痕区域和背景区域的平均灰度值差值,利用现有sobel算法获取疑似压痕区域边界上像素点的梯度方向,以疑似压痕区域边界上任意一个像素点开始按照顺时针的顺序依次得到疑似压痕区域边界上所有像素点的梯度方向;将疑似压痕区域边界上任意一个像素点记为第个像素点;
获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
以此类推,获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
直至获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度,共得到/>个梯度方向近似度,/>为疑似压痕区域边界上像素点的总个数,a为预设参数,将/>个梯度方向近似度的均值,作为疑似压痕区域边界的平均梯度方向近似度。
需要说明的是,第像素点和第/>个像素点相同,本实施例以预设参数a=5为例进行叙述。
进一步地,根据平均灰度值差值和平均梯度方向近似度得到疑似压痕区域的异常概率,具体如下:
其中,为疑似压痕区域的异常概率,/>为疑似压痕区域边界上像素点的总个数,为疑似压痕区域边界上第i个像素点的梯度值,其值越接近于/>,此区域是压痕区域的概率越大;/>为疑似压痕区域和背景区域的平均灰度值的差值绝对值,用于判断在疑似压痕区域边界处的梯度变化情况;/>为疑似压痕区域边界的平均梯度方向近似度。
至此,得到了疑似压痕区域的异常概率。
像素点增强必要性模块:
需要说明压痕相对附近区域,亮度较高,故在压痕处灰度值较大,在整个疑似压痕区域灰度值的方差计算中,所占的权重较高,在疑似压痕区域灰度值方差计算过程中,排除当前像素点,将排出后所得的方差计算结果与整个疑似压痕区域灰度值的方差做差,即可得到当前像素点灰度梯度在整个疑似压痕区域灰度值的方差计算中的权重,权重越大,此像素点属于压痕的概率越高。结合压痕区域存在为压痕的概率,计算像素点增强必要性。
具体的,根据疑似压痕区域的异常概率和疑似压痕区域的灰度值波动得到疑似压痕区域中像素点的增强必要性,具体如下:
其中,为去掉疑似压痕区域中第/>个像素点的灰度值后计算疑似压痕区域灰度值方差的结果,记为除去第/>个像素点后疑似压痕区域的灰度值波动,/>为整个疑似压痕区域像素点灰度值方差的结果,记为整个疑似压痕区域的灰度值波动,/>为疑似压痕区域的异常概率,/>为疑似压痕区域中第/>个像素点的增强必要性。
至此,得到了疑似压痕区域中像素点的增强必要性。
图像增强模块:
需要说明的是,疑似压痕区域外的模切件部分,判定为背景区域,故采取压缩灰度值的处理方式。对于疑似压痕区域,根据各个像素点增强的必要性及对应的像素点灰度值,进行线性增强。
具体的,获取模切件的灰度图中所有疑似压痕区域,将任意一个疑似压痕区域记为第一疑似压痕区域,获取第一疑似压痕区域中所有像素点的增强必要性,对其进行归一化,将归一化后的结果作为第一疑似压痕区域中每个像素点的增强权重,获取模切件的灰度图中所有疑似压痕区域中每个像素点的增强权重,背景区域中每个像素点的增强权重为预设权重阈值,本实例以预设权重阈值为进行叙述,实施时可以根据具体情况进行调整。
进一步地,根据增强权重对模切件的灰度图进行增强得到增强后的模切件灰度图,具体如下:
其中,为模切件的灰度图上第/>行/>列的像素点的增强权重,/>为模切件的灰度图上第/>行/>列的像素点的原灰度值,/>为模切件的灰度图上第/>行/>列的像素点增强后的灰度值,通过对模切件的灰度图中所有像素点进行处理,得到增强后的模切件灰度图。
至此,在像素点原灰度值的基础上根据像素点增强的必要性得到增强后的模切件灰度图。
压痕缺陷检测模块:
增强后的模切件灰度图,压痕及其附近的灰度值被拉伸,其余部分的灰度值被压缩处理,便于缺陷检测。利用大津算法对增强后的模切件灰度图进行阈值分割,获取其对应的二值图,此时,压痕可以被很好的分割出来,二值图中标记为1的区域为压痕缺陷区域。后续可以根据压痕区域进行质量评估,来判断模切件的生产效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种模切件缺陷的视觉检测系统,其特征在于,该系统包括以下模块:
图像采集处理模块,对模切件的灰度图进行二值化处理得到疑似压痕区域和背景区域;
压痕概率计算模块,获取疑似压痕区域和背景区域的平均灰度值差异,根据疑似压痕区域边界上像素点的梯度方向得到疑似压痕区域边界的平均梯度方向近似度,根据平均灰度值差异和平均梯度方向近似度得到疑似压痕区域的异常概率;
像素点增强必要性模块,根据疑似压痕区域的异常概率和疑似压痕区域的灰度值波动得到疑似压痕区域中像素点的增强必要性;
图像增强模块,根据疑似压痕区域中像素点的增强必要性得到疑似压痕区域中每个像素点的增强权重,根据增强权重对模切件的灰度图进行增强得到增强后的模切件灰度图;
压痕缺陷检测模块,对增强后的模切件灰度图阈值分割得到压痕缺陷区域;
所述根据疑似压痕区域边界上像素点的梯度方向得到疑似压痕区域边界的平均梯度方向近似度,包括的具体步骤如下:
获取疑似压痕区域边界上像素点的梯度方向,以疑似压痕区域边界上任意一个像素点开始按照顺时针的顺序依次得到疑似压痕区域边界上所有像素点的梯度方向,将疑似压痕区域边界上任意一个像素点记为第个像素点;
获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
以此类推,获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度;
直至获取第个像素点到第/>个像素点之间的所有像素点的梯度方向,利用方差计算公式计算第/>个像素点到第/>个像素点之间的梯度方向得到梯度方向近似度,共得到/>个梯度方向近似度,/>为疑似压痕区域边界上像素点的总个数,a为预设参数,将/>个梯度方向近似度的均值,作为疑似压痕区域边界的平均梯度方向近似度。
2.根据权利要求1所述一种模切件缺陷的视觉检测系统,其特征在于,所述根据平均灰度值差异和平均梯度方向近似度得到疑似压痕区域的异常概率,包括的具体步骤如下:
其中,为疑似压痕区域的异常概率,/>为疑似压痕区域边界上像素点的总个数,/>为疑似压痕区域边界上第i个像素点的梯度值,/>为疑似压痕区域和背景区域的平均灰度值的差值绝对值,/>为疑似压痕区域边界的平均梯度方向近似度。
3.根据权利要求1所述一种模切件缺陷的视觉检测系统,其特征在于,所述根据疑似压痕区域的异常概率和疑似压痕区域的灰度值波动得到疑似压痕区域中像素点的增强必要性,包括的具体步骤如下:
其中,为去掉疑似压痕区域中第/>个像素点的灰度值后计算疑似压痕区域灰度值方差的结果,记为除去第/>个像素点后疑似压痕区域的灰度值波动,/>为整个疑似压痕区域像素点灰度值方差的结果,记为整个疑似压痕区域的灰度值波动,/>为疑似压痕区域的异常概率,/>为疑似压痕区域中第/>个像素点的增强必要性。
4.根据权利要求1所述一种模切件缺陷的视觉检测系统,其特征在于,所述根据疑似压痕区域中像素点的增强必要性得到疑似压痕区域中每个像素点的增强权重,包括的具体步骤如下:
获取模切件的灰度图中所有疑似压痕区域,将任意一个疑似压痕区域记为第一疑似压痕区域,获取第一疑似压痕区域中所有像素点的增强必要性,对其进行归一化,将归一化后的结果作为第一疑似压痕区域中每个像素点的增强权重,获取模切件的灰度图中所有疑似压痕区域中每个像素点的增强权重,背景区域中每个像素点的增强权重为预设权重阈值。
5.根据权利要求1所述一种模切件缺陷的视觉检测系统,其特征在于,所述根据增强权重对模切件的灰度图进行增强得到增强后的模切件灰度图,包括的具体步骤如下:
其中,为模切件的灰度图上第/>行/>列的像素点的增强权重,/>为模切件的灰度图上第/>行/>列的像素点的原灰度值,/>为模切件的灰度图上第/>行/>列的像素点增强后的灰度值,通过对模切件的灰度图中所有像素点进行处理,得到增强后的模切件灰度图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310820025.5A CN116542976B (zh) | 2023-07-06 | 2023-07-06 | 一种模切件缺陷的视觉检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310820025.5A CN116542976B (zh) | 2023-07-06 | 2023-07-06 | 一种模切件缺陷的视觉检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542976A CN116542976A (zh) | 2023-08-04 |
CN116542976B true CN116542976B (zh) | 2023-09-08 |
Family
ID=87454572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310820025.5A Active CN116542976B (zh) | 2023-07-06 | 2023-07-06 | 一种模切件缺陷的视觉检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542976B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173188B (zh) * | 2023-11-03 | 2024-01-26 | 泸州通鑫显示科技有限公司 | 一种玻璃瘢痕识别方法 |
CN117252872B (zh) * | 2023-11-16 | 2024-03-12 | 深圳市华海电子科技有限公司 | 一种手机屏幕缺陷视觉检测方法及系统 |
CN117437236B (zh) * | 2023-12-21 | 2024-03-01 | 中国人民解放军总医院第一医学中心 | 一种胃肠镜图像异常检测方法及系统 |
CN117455916B (zh) * | 2023-12-25 | 2024-03-15 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117830298B (zh) * | 2024-03-01 | 2024-05-07 | 苏州翰微材料科技有限公司 | 一种航空发动机涡轮导向叶片缺陷视觉检测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5875040A (en) * | 1995-12-04 | 1999-02-23 | Eastman Kodak Company | Gradient based method for providing values for unknown pixels in a digital image |
KR100760251B1 (ko) * | 2006-05-23 | 2007-09-19 | 주식회사 메디슨 | 초음파 영상 처리 시스템 및 방법 |
JP2009205224A (ja) * | 2008-02-26 | 2009-09-10 | Dainippon Printing Co Ltd | 画像処理方法及びその方法を用いた画像処理装置 |
JP2016126446A (ja) * | 2014-12-26 | 2016-07-11 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN115063424A (zh) * | 2022-08-18 | 2022-09-16 | 南通永安纺织有限公司 | 基于计算机视觉的纺织纱管纱线检测方法 |
CN115082457A (zh) * | 2022-08-16 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种纤维改性塑料的配料混合效果评估方法 |
CN115375588A (zh) * | 2022-10-25 | 2022-11-22 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115861291A (zh) * | 2023-01-06 | 2023-03-28 | 曲阜天博汽车电器有限公司 | 基于机器视觉的贴片电路板生产缺陷检测方法 |
CN116030058A (zh) * | 2023-03-29 | 2023-04-28 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5765026B2 (ja) * | 2011-04-06 | 2015-08-19 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
-
2023
- 2023-07-06 CN CN202310820025.5A patent/CN116542976B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5875040A (en) * | 1995-12-04 | 1999-02-23 | Eastman Kodak Company | Gradient based method for providing values for unknown pixels in a digital image |
KR100760251B1 (ko) * | 2006-05-23 | 2007-09-19 | 주식회사 메디슨 | 초음파 영상 처리 시스템 및 방법 |
JP2009205224A (ja) * | 2008-02-26 | 2009-09-10 | Dainippon Printing Co Ltd | 画像処理方法及びその方法を用いた画像処理装置 |
JP2016126446A (ja) * | 2014-12-26 | 2016-07-11 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN115082457A (zh) * | 2022-08-16 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种纤维改性塑料的配料混合效果评估方法 |
CN115063424A (zh) * | 2022-08-18 | 2022-09-16 | 南通永安纺织有限公司 | 基于计算机视觉的纺织纱管纱线检测方法 |
CN115375588A (zh) * | 2022-10-25 | 2022-11-22 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115861291A (zh) * | 2023-01-06 | 2023-03-28 | 曲阜天博汽车电器有限公司 | 基于机器视觉的贴片电路板生产缺陷检测方法 |
CN116030058A (zh) * | 2023-03-29 | 2023-04-28 | 无锡斯达新能源科技股份有限公司 | 一种用于抛光垫表面粗糙度的质量评价方法 |
Non-Patent Citations (1)
Title |
---|
红外与可见光图像匹配共性特征增强的新方法;王鲲鹏 等;计算机工程与应用;第46卷(第36期);206-209 * |
Also Published As
Publication number | Publication date |
---|---|
CN116542976A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116542976B (zh) | 一种模切件缺陷的视觉检测系统 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN108445011B (zh) | 一种基于深度学习的瑕疵检测系统及方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN115035122B (zh) | 基于人工智能的集成电路晶圆表面缺陷检测方法 | |
EP3176751A1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
Song et al. | Micro surface defect detection method for silicon steel strip based on saliency convex active contour model | |
CN111079955A (zh) | 一种基于x射线成像的gis设备缺陷检测方法 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
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 | |
CN112365475A (zh) | 一种基于图像处理方式的输电线路覆冰监测方法及系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN116542975A (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
CN116523922B (zh) | 一种轴承表面缺陷识别方法 | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
CN112712058A (zh) | 一种字符识别提取方法 | |
CN113538323A (zh) | 基于深度学习的缺陷检测方法和系统 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 |
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 |