CN116703862A - 一种用于视觉检测的智能大数据监管系统及方法 - Google Patents

一种用于视觉检测的智能大数据监管系统及方法 Download PDF

Info

Publication number
CN116703862A
CN116703862A CN202310673448.9A CN202310673448A CN116703862A CN 116703862 A CN116703862 A CN 116703862A CN 202310673448 A CN202310673448 A CN 202310673448A CN 116703862 A CN116703862 A CN 116703862A
Authority
CN
China
Prior art keywords
detection
product
products
image
data
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
CN202310673448.9A
Other languages
English (en)
Inventor
陈力
夏林文
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.)
Jiangsu Toon Vision Technology Co ltd
Original Assignee
Jiangsu Toon Vision Technology 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 Jiangsu Toon Vision Technology Co ltd filed Critical Jiangsu Toon Vision Technology Co ltd
Priority to CN202310673448.9A priority Critical patent/CN116703862A/zh
Publication of CN116703862A publication Critical patent/CN116703862A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及视觉检测技术领域，具体为一种用于视觉检测的智能大数据监管系统及方法，包括：产品数据采集模块、数据库、检测数据分析模块、视觉检测监管模块和产品检测模块，通过产品数据采集模块采集进行视觉检测过的产品的历史检测数据，将采集到的全部数据传输到数据库，通过数据库存储采集到的全部数据，通过检测数据分析模块分析历史检测数据，设置对产品图像进行预处理的必要程度参考值，通过视觉检测监管模块分析对当前产品图像进行预处理的必要程度并选择出目标产品，通过产品检测模块对当前产品进行视觉检测，加快了对产品进行视觉检测时的特征提取速度，进一步提高了视觉检测效率。

Description

一种用于视觉检测的智能大数据监管系统及方法
技术领域
本发明涉及视觉检测技术领域，具体为一种用于视觉检测的智能大数据监管系统及方法。
背景技术
视觉检测指的是通过机器视觉产品，即图像摄取装置将被摄取目标转换成图像，传送给专用的图像处理系统，图像处理系统进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作，在检测缺陷应用方面，通过与存在缺陷的被摄取目标特征进行比对来对产品进行缺陷检测，在防止缺陷产品被配送到消费者的方面有着不可估量的价值；
然而，在对产品进行视觉检测时，仍存在一些问题：产品有特定的缺陷检测区域，在采集到产品图像后，现有的方式是直接将采集到的产品图像传送给图像处理系统来进行缺陷检测，直接传送的图像中可能存在大面积的不必要检测的区域，直接传送图像而未预先剔除不必要检测的区域，尤其是面对大量产品的缺陷检测工作，无法加快特征提取速度以进一步提高视觉检测效率。
所以，人们需要一种用于视觉检测的智能大数据监管系统及方法来解决上述问题。
发明内容
本发明的目的在于提供一种用于视觉检测的智能大数据监管系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种用于视觉检测的智能大数据监管系统，所述系统包括：产品数据采集模块、数据库、检测数据分析模块、视觉检测监管模块和产品检测模块；
所述产品数据采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述检测数据分析模块的输入端，所述检测数据分析模块的输出端连接所述视觉检测监管模块的输入端，所述视觉检测监管模块的输出端连接所述产品检测模块的输入端；
所述产品数据采集模块用于采集进行视觉检测过的产品的历史检测数据，将采集到的全部数据传输到所述数据库；
所述数据库用于存储采集到的全部数据；
所述检测数据分析模块用于分析历史检测数据，设置对产品图像进行预处理的必要程度参考值；
所述视觉检测监管模块用于分析对当前产品图像进行预处理的必要程度并选择出目标产品；
所述产品检测模块用于对当前产品进行视觉检测。
进一步的，所述产品数据采集模块包括检测数据采集单元、检测点位置采集单元和产品数量采集单元；
所述检测数据采集单元、检测点位置采集单元和产品数量采集单元的输出端连接所述数据库的输入端；
所述检测数据采集单元用于采集以往进行视觉检测过的产品的检测点数量数据以及拍摄到的不同类型产品的图像数据；
所述检测点位置采集单元用于以拍摄的图像中心为原点建立二维坐标系，采集所有检测点的位置坐标信息；
所述产品数量采集单元用于采集以往检测过的不同类型产品的数量信息，同一类型产品的检测点数量以及检测点位置都相同。
进一步的，所述检测数据分析模块包括历史数据分析单元和参考数据设置单元；
所述历史数据分析单元的输入端连接所述数据库的输出端，所述历史数据分析单元的输出端连接所述参考数据设置单元的输入端；
所述历史数据分析单元用于调取以往用于视觉检测时拍摄的产品图像数据和检测点位置坐标信息，划定不同类型产品的最小有效检测区域，最小有效检测区域覆盖对应产品的所有检测点，预估不同类型产品的无效检测区域面积；
所述参考数据设置单元用于依据无效检测区域面积以及历史检测数据分析在拍摄产品图像后对图像进行预处理的必要程度，设置在拍摄产品图像后对图像进行预处理的必要程度参考值。
进一步的，所述视觉检测监管模块包括产品图像拍摄单元、处理必要性分析单元和目标产品选择单元；
所述产品图像拍摄单元的输出端连接所述处理必要性分析单元的输入端，所述处理必要性分析单元和参考数据设置单元的输出端连接所述目标产品选择单元的输入端；
所述产品图像拍摄单元用于对当前产品进行图像拍摄；
所述处理必要性分析单元用于分析在对当前产品的图像进行预处理的必要程度；
所述目标产品选择单元用于比较对当前产品的图像进行预处理的必要程度和必要程度参考值，若必要程度超出参考值，选择当前产品为目标产品；否则，直接对当前产品的图像进行特征提取，与缺陷产品的特征进行匹配，对当前产品进行缺陷检测。
进一步的，所述产品检测模块包括图像预处理单元和视觉检测单元；
所述图像预处理单元的输入端连接所述目标产品选择单元的输出端，所述图像预处理单元的输出端连接所述视觉检测单元的输入端；
所述图像预处理单元用于对目标产品图像中的最小有效检测区域进行截取；
所述视觉检测单元用于利用图像处理系统对截取到的图像进行特征提取，与缺陷产品的特征进行匹配，对目标产品进行缺陷检测。
一种用于视觉检测的智能大数据监管方法，包括以下步骤：
S1：采集进行视觉检测过的产品的历史检测数据；
S2：预估不同类型产品的无效检测区域面积；
S3：依据无效检测区域面积以及历史检测数据设置对产品图像进行预处理的必要程度参考值；
S4：分析对当前产品图像进行预处理的必要程度并选择出目标产品；
S5：对当前产品进行视觉检测。
进一步的，在步骤S1中：采集到以往进行视觉检测过的不同类型产品的检测点数量集合为E＝{E1，E2，…，Em}，检测点数量均大于1，其中，共采集了m种不同类型的产品的数据，采集到以往检测对应类型产品时需要检测的每种类型产品的总数集合为B＝{B1，B2，…，Bm}，采集对m种产品进行视觉检测时拍摄的产品图像，以拍摄的图像中心为原点建立二维坐标系，采集所有检测点的位置坐标信息。
进一步的，在步骤S2中：调取对m种产品进行视觉检测时拍摄的产品图像以及检测点的位置坐标信息，获取到拍摄的图像面积为X，利用随机增量法得到覆盖随机一种产品所有检测点的最小有效检测区域为：以(a，b)为圆心、ri为半径的圆形区域，得到m种产品的最小有效检测区域半径集合为r＝{r1，r2，…，ri，…，rm}，根据公式Zi＝X-π*ri 2预估随机一种产品的无效检测区域面积Zi，其中，X>π*ri 2，通过相同计算方式得到m种产品的无效检测区域面积集合为Z＝{Z1，Z2，…，Zi，…，Zm}；
此处的随机增量法是用于寻找能够覆盖平面上一群点的最小圆的算法，随机增量算法是计算几何的一个重要算法，本质是将一个问题化为规模刚好小一层的子问题，具备算法时间复杂度低的效果，将随机增量法应用于解决最小圆覆盖问题，能够有效降低寻找覆盖所有检测点的最小圆的时间复杂度；
通过大数据技术采集已经完成视觉检测的不同产品的检测点信息，划分覆盖产品所有检测点的最小圆的目的在于判断在对对应产品进行检测时不必要检测的区域，即无效检测区域面积，将无效检测区域面积作为设置对当前产品图像进行预处理的判断依据之一，有利于挑选出合适的产品，并对产品图像进行预处理，只传送有效检测区域图像，有利于加快图像特征提取的速度。
进一步的，在步骤S3中：根据下列公式计算对随机一种产品图像进行预处理的必要程度Wi：
其中，Ei表示随机一种产品的检测点数量，Bi表示以往检测随机一种产品时需要检测的对应类型产品的总数，得到对m种产品图像进行预处理的必要程度集合为W＝{W1，W2，…，Wi，…，Wm}，将m种产品按必要程度从小到大的顺序进行排列，将排列好的产品分为k组，对前一组产品图像进行预处理的必要程度均小于后一组，获取到按随机一种分组方式分组后，k组产品对应的必要程度均值集合为M＝{M1，M2，…，Me，…，Mk}，根据公式计算随机一种分组方式的优度Fj，其中，Me表示按随机一种分组方式分组后第e组产品对应的必要程度均值，e＝1,2,…,k，j＝1,2,…,g，共有g种分组方式，通过相同计算方式得到g种分组方式的优度集合为F＝{F1，F2，…，Fj，…，Fg}，获取优度最大的分组方式的分组结果：获取到对应分组结果中每组产品对应的必要程度均值集合为M’＝{M1’，M2’，…，Mk’}，设置对产品图像进行预处理的必要程度参考值为Mk’；
将历史数据作为判断对当前产品图像进行预处理的参考数据，为了在采集到的历史数据中筛选出有参考价值的数据，计算对以往检测过的随机一种产品图像进行预处理的必要程度，在计算过程中，结合无效检测区域面积、当时检测时需要检测的产品数量以及检测点数量分析必要程度，加入需要检测的产品数量参数分析的目的在于对于需要检测数量不多的产品，剔除无效检测区域对于整体上加快所有产品视觉检测速度的效果不明显，意味着对图像进行预处理的必要性低，提高了设置的必要程度参考值的参考价值，通过分组的方式选择出整体上必要程度最高的产品，获取对应分组方式的分组结果，从其中寻找参考值，有利于进一步提高设置的必要程度参考值的参考价值。
进一步的，在步骤S4-S5中：获取到当前产品需要检测的数量为c，采集当前产品的图像，获取到当前产品的检测点数量为H，得到当前产品的最小有效检测区域半径为R，根据公式计算对当前产品图像进行预处理的必要程度w，比较w和Mk ’：若w≤Mk ’，直接对当前产品的图像进行特征提取，与缺陷产品的特征进行匹配，对当前产品进行缺陷检测；若w>Mk ’，选择当前产品为目标产品，对目标产品图像进行预处理：截取目标产品图像中的最小有效检测区域，将截取到的图像传输到图像处理系统中，利用图像处理系统对截取到的图像进行特征提取，与缺陷产品的特征进行匹配，对目标产品进行缺陷检测；
在对当前产品进行视觉检测时进行数据监管和分析，分析对当前产品图像进行预处理的必要程度，并与参考值进行必要，判断是否需要对当前产品图像进行预处理，有利于在必要时预先剔除不必要检测的区域，加快了特征提取速度，进一步提高了视觉检测效率。
与现有技术相比，本发明所达到的有益效果是：
本发明通过大数据技术采集已经完成视觉检测的不同产品的检测点信息，划分覆盖产品所有检测点的最小圆，判断在对对应产品进行检测时不必要检测的区域，即无效检测区域面积，将随机增量法应用于解决最小圆覆盖问题，能够有效降低寻找覆盖所有检测点的最小圆的时间复杂度，将无效检测区域面积作为设置对当前产品图像进行预处理的判断依据之一，有利于挑选出合适的产品，并对产品图像进行预处理，只传送有效检测区域图像，加快了图像特征提取的速度；
将历史数据作为判断对当前产品图像进行预处理的参考数据，为了在采集到的历史数据中筛选出有参考价值的数据，计算对以往检测过的随机一种产品图像进行预处理的必要程度，在计算过程中，结合无效检测区域面积、当时检测时需要检测的产品数量以及检测点数量分析必要程度，加入需要检测的产品数量参数分析，提高了设置的必要程度参考值的参考价值，通过分组的方式选择出整体上必要程度最高的产品，获取对应分组方式的分组结果，从其中寻找参考值，有利于进一步提高设置的必要程度参考值的参考价值；
在对当前产品进行视觉检测时进行数据监管和分析，分析对当前产品图像进行预处理的必要程度，并与参考值进行必要，判断是否需要对当前产品图像进行预处理，有利于在必要时预先剔除不必要检测的区域，加快了特征提取速度，进一步提高了视觉检测效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种用于视觉检测的智能大数据监管系统的结构图；
图2是本发明一种用于视觉检测的智能大数据监管方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1-图2和具体实施例对本发明作进一步的说明。
实施例一：
如图1所示，本实施例提供了一种用于视觉检测的智能大数据监管系统，系统包括：产品数据采集模块、数据库、检测数据分析模块、视觉检测监管模块和产品检测模块；
产品数据采集模块的输出端连接数据库的输入端，数据库的输出端连接检测数据分析模块的输入端，检测数据分析模块的输出端连接视觉检测监管模块的输入端，视觉检测监管模块的输出端连接产品检测模块的输入端；
产品数据采集模块用于采集进行视觉检测过的产品的历史检测数据，将采集到的全部数据传输到数据库；
数据库用于存储采集到的全部数据；
检测数据分析模块用于分析历史检测数据，设置对产品图像进行预处理的必要程度参考值；
视觉检测监管模块用于分析对当前产品图像进行预处理的必要程度并选择出目标产品；
产品检测模块用于对当前产品进行视觉检测。
产品数据采集模块包括检测数据采集单元、检测点位置采集单元和产品数量采集单元；
检测数据采集单元、检测点位置采集单元和产品数量采集单元的输出端连接数据库的输入端；
检测数据采集单元用于采集以往进行视觉检测过的产品的检测点数量数据以及拍摄到的不同类型产品的图像数据，在对产品进行视觉检测时由于检测内容的不同可能会有多个检测点，例如：在对PCB裸板进行视觉检测时，需要检测多个元件位置是否正确、线路的通断、元件形状错误等；
检测点位置采集单元用于以拍摄的图像中心为原点建立二维坐标系，采集所有检测点的位置坐标信息；
产品数量采集单元用于采集以往检测过的不同类型产品的数量信息，同一类型产品的检测点数量以及检测点位置都相同。
检测数据分析模块包括历史数据分析单元和参考数据设置单元；
历史数据分析单元的输入端连接数据库的输出端，历史数据分析单元的输出端连接参考数据设置单元的输入端；
历史数据分析单元用于调取以往用于视觉检测时拍摄的产品图像数据和检测点位置坐标信息，划定不同类型产品的最小有效检测区域，最小有效检测区域覆盖对应产品的所有检测点，预估不同类型产品的无效检测区域面积；
参考数据设置单元用于依据无效检测区域面积以及历史检测数据分析在拍摄产品图像后对图像进行预处理的必要程度，设置在拍摄产品图像后对图像进行预处理的必要程度参考值。
视觉检测监管模块包括产品图像拍摄单元、处理必要性分析单元和目标产品选择单元；
产品图像拍摄单元的输出端连接处理必要性分析单元的输入端，处理必要性分析单元和参考数据设置单元的输出端连接目标产品选择单元的输入端；
产品图像拍摄单元用于对当前产品进行图像拍摄；
处理必要性分析单元用于分析在对当前产品的图像进行预处理的必要程度；
目标产品选择单元用于比较对当前产品的图像进行预处理的必要程度和必要程度参考值，若必要程度超出参考值，选择当前产品为目标产品；否则，直接对当前产品的图像进行特征提取，与缺陷产品的特征进行匹配，对当前产品进行缺陷检测。
产品检测模块包括图像预处理单元和视觉检测单元；
图像预处理单元的输入端连接目标产品选择单元的输出端，图像预处理单元的输出端连接视觉检测单元的输入端；
图像预处理单元用于对目标产品图像中的最小有效检测区域进行截取；
视觉检测单元用于利用图像处理系统对截取到的图像进行特征提取，与缺陷产品的特征进行匹配，对目标产品进行缺陷检测。
实施例二：
如图2所示，本实施例提供了一种用于视觉检测的智能大数据监管方法，其基于实施例中的数据监管系统实现，具体包括以下步骤：
S1：采集进行视觉检测过的产品的历史检测数据，采集到以往进行视觉检测过的不同类型产品的检测点数量集合为E＝{E1，E2，…，Em}，检测点数量均大于1，其中，共采集了m种不同类型的产品的数据，采集到以往检测对应类型产品时需要检测的每种类型产品的总数集合为B＝{B1，B2，…，Bm}，采集对m种产品进行视觉检测时拍摄的产品图像，以拍摄的图像中心为原点建立二维坐标系，采集所有检测点的位置坐标信息；
例如：共采集了7种不同类型的产品的数据，采集到以往进行视觉检测过的7种产品的检测点数量集合为E＝{E1，E2，E3，E4，E5，E6，E7}＝{2，5，4，3，7，8，5}，以往检测7种产品时需要检测的每种产品的总数集合为B＝{B1，B2，B3，B4，B5，B6，B7}＝{100，200，50，70，36，90，120}，采集对7种产品进行视觉检测时拍摄的产品图像；
S2：预估不同类型产品的无效检测区域面积，调取对7种产品进行视觉检测时拍摄的产品图像以及检测点的位置坐标信息，获取到拍摄的图像面积为X＝1200，单位为：平方毫米，利用随机增量法得到覆盖随机一种产品所有检测点的最小有效检测区域为：以(a，b)＝(10，10)为圆心、ri＝10为半径的圆形区域，得到7种产品的最小有效检测区域半径集合为r＝{r1，r2，r3，r4，r5，r6，r7}＝{10，15，18，9，12，7，19}，单位为：平方毫米，根据公式Zi＝X-π*ri 2预估随机一种产品的无效检测区域面积Zi，其中，X>π*ri 2，通过相同计算方式得到m种产品的无效检测区域面积集合为Z＝{Z1，Z2，Z3，Z4，Z5，Z6，Z7}＝{886，493，182，946，748，1046，66}；
S3：依据无效检测区域面积以及历史检测数据设置对产品图像进行预处理的必要程度参考值，根据公式计算对随机一种产品图像进行预处理的必要程度Wi，其中，Ei表示随机一种产品的检测点数量，Bi表示以往检测随机一种产品时需要检测的对应类型产品的总数，得到对m种产品图像进行预处理的必要程度集合为W＝{W1，W2，W3，W4，W5，W6，W7}＝{7.8，21.8，1.6，8.8，8.3，33.3，1.7}，将m种产品按必要程度从小到大的顺序进行排列，将排列好的产品分为k＝3组，对前一组产品图像进行预处理的必要程度均小于后一组，获取到按随机一种分组方式分组后，k组产品对应的必要程度均值集合为M＝{M1，M2，M3}＝{2.45，8.3，27.55}，根据公式/>计算随机一种分组方式的优度Fj＝10.7，其中，Me表示按随机一种分组方式分组后第e组产品对应的必要程度均值，e＝1,2,…,k，j＝1,2,…,g，共有g种分组方式，通过相同计算方式得到g种分组方式的优度集合为F＝{F1，F2，…，Fj，…，Fg}，获取到优度最大的分组方式的分组结果为：{1.6，1.7}、{7.8，8.3，8.8}、{21.8，33.3}，获取到对应分组结果中每组产品对应的必要程度均值集合为M’＝{M1 ’，M2 ’，M3 ’}＝{2.45，8.3，27.55}，设置对产品图像进行预处理的必要程度参考值为M3 ’＝27.55；
S4：分析对当前产品图像进行预处理的必要程度并选择出目标产品；
S5：对当前产品进行视觉检测，获取到当前产品需要检测的数量为c，采集当前产品的图像，获取到当前产品的检测点数量为H，得到当前产品的最小有效检测区域半径为R，根据公式计算对当前产品图像进行预处理的必要程度w，比较w和Mk ’：若w≤Mk ’，直接对当前产品的图像进行特征提取，与缺陷产品的特征进行匹配，对当前产品进行缺陷检测；若w>Mk ’，选择当前产品为目标产品，对目标产品图像进行预处理：截取目标产品图像中的最小有效检测区域，将截取到的图像传输到图像处理系统中，利用图像处理系统对截取到的图像进行特征提取，与缺陷产品的特征进行匹配，对目标产品进行缺陷检测；
例如：获取到当前产品需要检测的数量为178，采集当前产品的图像，获取到当前产品的检测点数量为4，利用随机增量法得到当前产品的最小有效检测区域半径为5，得到对当前产品图像进行预处理的必要程度w≈35.26>27.55，w>M3 ’，选择当前产品为目标产品，对目标产品图像进行预处理：截取目标产品图像中的最小有效检测区域，将截取到的图像传输到图像处理系统中，利用图像处理系统对截取到的图像进行特征提取，与缺陷产品的特征进行匹配，对目标产品进行缺陷检测。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (10)

1.一种用于视觉检测的智能大数据监管系统，其特征在于：所述系统包括：产品数据采集模块、数据库、检测数据分析模块、视觉检测监管模块和产品检测模块；
所述产品数据采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述检测数据分析模块的输入端，所述检测数据分析模块的输出端连接所述视觉检测监管模块的输入端，所述视觉检测监管模块的输出端连接所述产品检测模块的输入端；
所述产品数据采集模块用于采集进行视觉检测过的产品的历史检测数据，将采集到的全部数据传输到所述数据库；
所述数据库用于存储采集到的全部数据；
所述检测数据分析模块用于分析历史检测数据，设置对产品图像进行预处理的必要程度参考值；
所述视觉检测监管模块用于分析对当前产品图像进行预处理的必要程度并选择出目标产品；
所述产品检测模块用于对当前产品进行视觉检测。
2.根据权利要求1所述的一种用于视觉检测的智能大数据监管系统，其特征在于：所述产品数据采集模块包括检测数据采集单元、检测点位置采集单元和产品数量采集单元；
所述检测数据采集单元、检测点位置采集单元和产品数量采集单元的输出端连接所述数据库的输入端；
所述检测数据采集单元用于采集以往进行视觉检测过的产品的检测点数量数据以及拍摄到的不同类型产品的图像数据；
所述检测点位置采集单元用于以拍摄的图像中心为原点建立二维坐标系，采集所有检测点的位置坐标信息；
所述产品数量采集单元用于采集以往检测过的不同类型产品的数量信息，同一类型产品的检测点数量以及检测点位置都相同。
3.根据权利要求1所述的一种用于视觉检测的智能大数据监管系统，其特征在于：所述检测数据分析模块包括历史数据分析单元和参考数据设置单元；
所述历史数据分析单元的输入端连接所述数据库的输出端，所述历史数据分析单元的输出端连接所述参考数据设置单元的输入端；
所述历史数据分析单元用于调取以往用于视觉检测时拍摄的产品图像数据和检测点位置坐标信息，划定不同类型产品的最小有效检测区域，最小有效检测区域覆盖对应产品的所有检测点，预估不同类型产品的无效检测区域面积；
所述参考数据设置单元用于依据无效检测区域面积以及历史检测数据分析在拍摄产品图像后对图像进行预处理的必要程度，设置在拍摄产品图像后对图像进行预处理的必要程度参考值。
4.根据权利要求3所述的一种用于视觉检测的智能大数据监管系统，其特征在于：所述视觉检测监管模块包括产品图像拍摄单元、处理必要性分析单元和目标产品选择单元；
所述产品图像拍摄单元的输出端连接所述处理必要性分析单元的输入端，所述处理必要性分析单元和参考数据设置单元的输出端连接所述目标产品选择单元的输入端；
所述产品图像拍摄单元用于对当前产品进行图像拍摄；
所述处理必要性分析单元用于分析在对当前产品的图像进行预处理的必要程度；
所述目标产品选择单元用于比较对当前产品的图像进行预处理的必要程度和必要程度参考值，若必要程度超出参考值，选择当前产品为目标产品；否则，直接对当前产品的图像进行特征提取，与缺陷产品的特征进行匹配，对当前产品进行缺陷检测。
5.根据权利要求4所述的一种用于视觉检测的智能大数据监管系统，其特征在于：所述产品检测模块包括图像预处理单元和视觉检测单元；
所述图像预处理单元的输入端连接所述目标产品选择单元的输出端，所述图像预处理单元的输出端连接所述视觉检测单元的输入端；
所述图像预处理单元用于对目标产品图像中的最小有效检测区域进行截取；
所述视觉检测单元用于利用图像处理系统对截取到的图像进行特征提取，与缺陷产品的特征进行匹配，对目标产品进行缺陷检测。
6.一种用于视觉检测的智能大数据监管方法，其特征在于：包括以下步骤：
S1：采集进行视觉检测过的产品的历史检测数据；
S2：预估不同类型产品的无效检测区域面积；
S3：依据无效检测区域面积以及历史检测数据设置对产品图像进行预处理的必要程度参考值；
S4：分析对当前产品图像进行预处理的必要程度并选择出目标产品；
S5：对当前产品进行视觉检测。
7.根据权利要求6所述的一种用于视觉检测的智能大数据监管方法，其特征在于：在步骤S1中：采集到以往进行视觉检测过的不同类型产品的检测点数量集合为E＝{E1，E2，…，Em}，检测点数量均大于1，其中，共采集了m种不同类型的产品的数据，采集到以往检测对应类型产品时需要检测的每种类型产品的总数集合为B＝{B1，B2，…，Bm}，采集对m种产品进行视觉检测时拍摄的产品图像，以拍摄的图像中心为原点建立二维坐标系，采集所有检测点的位置坐标信息。
8.根据权利要求7所述的一种用于视觉检测的智能大数据监管方法，其特征在于：在步骤S2中：调取对m种产品进行视觉检测时拍摄的产品图像以及检测点的位置坐标信息，获取到拍摄的图像面积为X，利用随机增量法得到覆盖随机一种产品所有检测点的最小有效检测区域为：以(a，b)为圆心、ri为半径的圆形区域，得到m种产品的最小有效检测区域半径集合为r＝{r1，r2，…，ri，…，rm}，根据公式Zi＝X-π*ri 2预估随机一种产品的无效检测区域面积Zi，其中，X>π*ri 2，通过相同计算方式得到m种产品的无效检测区域面积集合为Z＝{Z1，Z2，…，Zi，…，Zm}。
9.根据权利要求8所述的一种用于视觉检测的智能大数据监管方法，其特征在于：在步骤S3中：根据下列公式计算对随机一种产品图像进行预处理的必要程度Wi：
其中，Ei表示随机一种产品的检测点数量，Bi表示以往检测随机一种产品时需要检测的对应类型产品的总数，得到对m种产品图像进行预处理的必要程度集合为W＝{W1，W2，…，Wi，…，Wm}，将m种产品按必要程度从小到大的顺序进行排列，将排列好的产品分为k组，对前一组产品图像进行预处理的必要程度均小于后一组，获取到按随机一种分组方式分组后，k组产品对应的必要程度均值集合为M＝{M1，M2，…，Me，…，Mk}，根据公式 计算随机一种分组方式的优度Fj，其中，Me表示按随机一种分组方式分组后第e组产品对应的必要程度均值，e＝1,2,…,k，j＝1,2,…,g，共有g种分组方式，通过相同计算方式得到g种分组方式的优度集合为F＝{F1，F2，…，Fj，…，Fg}，获取优度最大的分组方式的分组结果：获取到对应分组结果中每组产品对应的必要程度均值集合为M’＝{M1 ’，M2 ’，…，Mk ’}，设置对产品图像进行预处理的必要程度参考值为Mk ’。
10.根据权利要求9所述的一种用于视觉检测的智能大数据监管方法，其特征在于：在步骤S4-S5中：获取到当前产品需要检测的数量为c，采集当前产品的图像，获取到当前产品的检测点数量为H，得到当前产品的最小有效检测区域半径为R，根据公式 计算对当前产品图像进行预处理的必要程度w，比较w和Mk ’：若w≤Mk ’，直接对当前产品的图像进行特征提取，与缺陷产品的特征进行匹配，对当前产品进行缺陷检测；若w>Mk ’，选择当前产品为目标产品，对目标产品图像进行预处理：截取目标产品图像中的最小有效检测区域，将截取到的图像传输到图像处理系统中，利用图像处理系统对截取到的图像进行特征提取，与缺陷产品的特征进行匹配，对目标产品进行缺陷检测。
CN202310673448.9A 2023-06-08 2023-06-08 一种用于视觉检测的智能大数据监管系统及方法 Pending CN116703862A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310673448.9A CN116703862A (zh) 2023-06-08 2023-06-08 一种用于视觉检测的智能大数据监管系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310673448.9A CN116703862A (zh) 2023-06-08 2023-06-08 一种用于视觉检测的智能大数据监管系统及方法

Publications (1)

Publication Number Publication Date
CN116703862A true CN116703862A (zh) 2023-09-05

Family

ID=87840488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310673448.9A Pending CN116703862A (zh) 2023-06-08 2023-06-08 一种用于视觉检测的智能大数据监管系统及方法

Country Status (1)

Country Link
CN (1) CN116703862A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649204A (zh) * 2023-12-14 2024-03-05 广东图灵智新技术有限公司 一种智能机器人的视觉检测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649204A (zh) * 2023-12-14 2024-03-05 广东图灵智新技术有限公司 一种智能机器人的视觉检测系统及方法
CN117649204B (zh) * 2023-12-14 2024-04-26 广东图灵智新技术有限公司 一种智能机器人的视觉检测系统及方法

Similar Documents

Publication Publication Date Title
CN111650204B (zh) 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN101510374B (zh) 一种基于历史数据及遥感数据的土地利用图自动更新方法
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN116703862A (zh) 一种用于视觉检测的智能大数据监管系统及方法
CN114459372B (zh) 一种钢架构钢柱形变损坏在线智能预警方法
CN116051551B (zh) 基于图像处理的显示屏缺陷检测方法及相关装置
CN115797811B (zh) 一种基于视觉的农产品检测方法及系统
CN107220969A (zh) 产品灯位的测试方法及检测系统
CN113139541B (zh) 一种基于深度学习的配电柜表盘数码管视觉识别方法
CN111033563A (zh) 一种免疫层析检测的图像分析方法以及系统
CN111695493A (zh) 一种输电线路隐患的检测方法及系统
CN116866512A (zh) 一种光伏电站巡检系统及其运行方法
CN117114420B (zh) 一种基于图像识别的工贸安全事故风险管控系统和方法
CN114140793A (zh) 一种用于端子排和端子排接线的匹配方法及装置
CN117372812A (zh) 基于网络学习的电池ct图像极片对齐度智能识别方法
CN107247871A (zh) 项目检测时间核查预警方法及装置
CN111429411B (zh) 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法
CN115861895A (zh) 一种磷酸铁锂生产现场的物料追踪方法及系统
CN115713720A (zh) 一种基于视频图像的智能分析方法
CN112582292B (zh) 用于芯片生产机台的零部件异常自动侦测方法、存储介质、终端
CN115326832A (zh) 晶圆包装的自动检测方法以及自动检测装置
CN112037158B (zh) 一种基于页岩气田生产设备图像增强标注方法
US20230117395A1 (en) Gas inspection management system, gas inspection management method, and program
CN113012137A (zh) 一种面板缺陷检查方法、系统、终端设备及存储介质
CN108447107B (zh) 用于生成视频的方法和装置

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