CN117078601A - 一种兴趣区碎片化工业视觉检测方法及系统 - Google Patents

一种兴趣区碎片化工业视觉检测方法及系统 Download PDF

Info

Publication number
CN117078601A
CN117078601A CN202310925195.XA CN202310925195A CN117078601A CN 117078601 A CN117078601 A CN 117078601A CN 202310925195 A CN202310925195 A CN 202310925195A CN 117078601 A CN117078601 A CN 117078601A
Authority
CN
China
Prior art keywords
coordinate system
col
row
workpiece
image
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
CN202310925195.XA
Other languages
English (en)
Inventor
张承宁
许焙元
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 Weishi Intelligent Technology Co ltd
Original Assignee
Ningbo Weishi Intelligent 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 Ningbo Weishi Intelligent Technology Co ltd filed Critical Ningbo Weishi Intelligent Technology Co ltd
Priority to CN202310925195.XA priority Critical patent/CN117078601A/zh
Publication of CN117078601A publication Critical patent/CN117078601A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及一种兴趣区碎片化工业视觉检测方法,其特征在于包括如下步骤:步骤1、离线构建步骤,获得初始坐标系与工件坐标系的转换矩阵M1以及工件坐标系与离线兴趣区集合R1的转换矩阵集合M2;步骤2、在线构建步骤,基于一级坐标系和转换矩阵M1,将离线二级定位框P1逆映射得到待测工件实时二级定位框P2′;利用P2′建立二级坐标系,利用二级坐标系以及转换矩阵集合M2,将离线兴趣区集合R1逆映射得到待测工件的实时兴趣区集合R2′;步骤3、根据实时兴趣区集合R2′,实时场景灰度图像进行剪裁操作。与现有技术相比,本发明可以快速计算实时兴趣区集合R2′,且每次实时场景灰度图像获取后都进行一次独立的定位,受其他因素影响小,定位精度高。

Description

一种兴趣区碎片化工业视觉检测方法及系统
技术领域
本发明涉及工业视觉检测领域,尤其是涉及一种兴趣区碎片化工业视觉检测方法级系统。
背景技术
工业视觉检测在劳动密集型生产领域有着广泛的应用需求。在视觉检测过程中,有效检出是此类设备的重要功能。传统的视觉检测在方法上大都采用单一兴趣区的检测方式。这些方法在一定程度上是可以解决缺陷检出的问题,但是往往会带来漏判率和过杀率偏高等问题,造成生产资料的浪费。现代视觉检测过程中,要求检测设备能够把控漏判率和过杀率控制在一个相对较低的水平,不能造成大量的次品混入良品或良品报废情况。
单一兴趣区检测方式,在定位方式上有多种方法。比如,基于模板匹配的兴趣区定位方式,这往往会带来几个问题:第一,模板匹配带来的耗时问题较为突出;第二,单一兴趣区的图像冗余问题始终存在,方法设计难以达到最优,检测指标不达标;第三,冗余数据会给检测算法带来较为严重的耗时。以上这些问题,对于机台的使用来说令需求方难以接受。
综上所述,寻求一种准确、快速地工业视觉检测方法是一个亟待解决的问题。
发明内容
本发明所要解决的第一个技术问题是针对上述现有技术提供一种能够快速、准确地对缺陷高效检出的兴趣区碎片化工业视觉检测方法。
本发明所要解决的第二个技术问题是针对上述现有技术提供一种能够快速、准确地对缺陷高效检出的兴趣区碎片化工业视觉检测系统。
本发明解决上述第一个技术问题所采用的技术方案为:一种兴趣区碎片化工业视觉检测方法,其特征在于包括如下步骤:
步骤1、离线构建步骤,具体包括:
步骤1.1、获取包含有标准工件图像的离线场景灰度图像;
步骤1.2、从所述包含有标准工件图像的离线场景灰度图像中确定粗定位的一级特征目标物,建立初始坐标系A(row,col);
步骤1.3、基于所建立的初始坐标系A(row,col),在所述包含有标准工件图像的离线场景灰度图像中对标准工件图像中二级特征目标物进行确定,然后建立离线二级定位框P1,利用离线二级定位框P1建立工件坐标系B(row,col);
步骤1.4、计算出初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1;
步骤1.6、基于工件坐标系B(row,col),在所述包含有标准工件图像的离线场景灰度图像中对标准工件的离线兴趣区集合R1进行确定,然后计算工件坐标系B(row,col)与离线兴趣区集合R1的转换矩阵集合M2;
步骤2、在线构建步骤,具体包括:
步骤2.1、获取包含有待测工件图像的实时场景灰度图像;
步骤2.2、从所述包含有待测工件图像的实时场景灰度图像中确定粗定位的一级特征目标物,建立一级坐标系A′(row,col);
步骤2.3、基于所建立的一级坐标系A′(row,col)和转换矩阵M1,将离线二级定位框P1逆映射得到待测工件实时二级定位框P2′;
步骤2.4、利用待测工件实时二级定位框P2′建立二级坐标系B′(row,col);
步骤2.5、利用二级坐标系B′(row,col)以及转换矩阵集合M2,将离线兴趣区集合R1逆映射得到待测工件的实时兴趣区集合R2′;
步骤3、根据实时兴趣区集合R2′,对包含有待测工件图像的实时场景灰度图像进行剪裁操作。
作为改进,所述步骤3中,对包含有待测工件图像的实时场景灰度图像进行剪裁操作时,按以下情况分别处理:
实时兴趣区内部灰度均匀且灰度跨度小于预设阈值,选择全局分割操作流程;
实时兴趣区内部跨度大于等于预设阈值,选择图像平场校正或局部分割方式;
实时兴趣区内部灰度构成具备明显方向性,选择图像卷积或图像滤波分割方式。
再改进,所述步骤1.3和步骤2.4中,采用基于sobel微分的过渡点算法建立工件坐标系B(row,col)和二级坐标系B′(row,col)。
再改进,步骤1.3中,工件坐标系B(row,col)的建立方法具体包括:
A、将包含有标准工件图像的离线场景灰度图像表示为A,预设卷积模板设为X,Y,横向边缘图像表示为:Ax=X·A,纵向边缘图像可以表示为:Ay=Y·A;
其中,预设卷积模板X,Y的表达式如下:
B、过渡点计算:离线二级定位框P1的中线由该定位框四个角点坐标求出,中线表示为L,图像A在离线二级定位框P1内的子图表示为ASUB,对ASUB进行sobel卷积得到边缘ASUBX,将离线二级定位框P1的中线L与边缘ASUBX进行直线交点计算,得到过渡点;
C、将过渡点形成点集合,横向的点集进行最小二乘法拟合,构成工件坐标系B(row,col)的X坐标轴,纵向的点集进行最小二乘法拟合,构成工件坐标系B(row,col)的Y坐标轴,最后形成工件坐标系B(row,col)。
再改进,在步骤1和步骤2执行前,先进行机电稳像,再获取包含有标准工件图像的离线场景灰度图像和获取包含有待测工件图像的实时场景灰度图像。
再改进,所述步骤1.4中,采用笛卡尔坐标系转换方式计算出初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1,具体包括如下步骤:
将初始坐标系A(row,col)的齐次坐标表达为(x,y,1),将工件坐标系B(row,col)的齐次坐标表达为(x’,y’,1),则存在转换关系:
式中,θ是工件坐标系B(row,col)相对于初始坐标系A(row,col)的旋转角,△x,△y是工件坐标系B(row,col)相对于初始坐标系A(row,col)在x方向上的平移量和y方向上的平移量;
利用上述转换关系计算出初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1。
再改进,所述一级特征目标物包含以下特征之一或任意组合:圆、腰型孔、镂空长边;对任意一个一级特征目标物所在位置实施矩形构造操作,设定基于灰度上升或灰度下降的过渡点,并以此定义为初始坐标系A(row,col)或一级坐标系A′(row,col)的原点,根据构建的矩形相对离线场景灰度图像中水平方向实时场景灰度图像的倾斜角信息和原点信息,分别构建初始坐标系A(row,col)或一级坐标系A′(row,col)的法向轴和切向轴,从而建立初始坐标系A(row,col)或一级坐标系A′(row,col)。
本发明解决上述第二个技术问题所采用的技术方案为:一种兴趣区碎片化工业视觉检测系统,其特征在于:用于放置标准工件或待测工件的检测设备,安装在检测设备上工业相机,以及与工业相机的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,且能被处理器读取并执行,所述计算机程序被处理器执行时实现上述兴趣区碎片化工业视觉检测方法。
与现有技术相比,本发明的优点在于:通过离线构建过程,计算并保存初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1,构建工件坐标系B(row,col)与离线兴趣区集合R1的转换矩阵集合M2;在具体的在线构建步骤中,可以快速计算实时兴趣区集合R2′,且每次实时场景灰度图像获取后都进行一次独立的定位,受其他因素影响小,定位精度高,改变了单一兴趣区带来的冗余信息和检测算法设计困难的问题。
附图说明
图1为本发明实施例中兴趣区碎片化工业视觉检测方法流程图;
图2为本发明实施例中离线场景灰度图像中一级特征目标物选取和过渡点计算图;
图3为本发明实施例中离线构建过程中初始坐标系的建立图;
图4为本发明实施例中离线构建过程中初始坐标系的法向轴和切向轴的框构建和过渡点计算图;
图5为本发明实施例中离线构建过程中工件坐标系建立图;
图6为本发明实施例中离线构建过程中的离线兴趣区集合构建;
图7为本发明实施例在线构建过程中的一级特征目标物选取和过渡点计算示意图;
图8为本发明实施例在线构建过程中的利用一级坐标系反变换计算得出二级坐标系的示意图;
图9为本发明实施例在线构建过程中利用二级坐标系反变换计算得出实时兴趣区集合示意图;
图10为本发明实施例中对包含有待测工件图像的实时场景灰度图像进行剪裁操作后的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明的一种兴趣区碎片化工业视觉检测方法及系统进行说明,所用检测场景为引线框架的工业视觉检测的例子。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的兴趣区碎片化工业视觉检测方法,如图1所示,包括以下步骤:
S100,基于机电稳像,获取包含有标准引线框架图像的离线场景灰度图像;本步骤中,可使用检测设备上安装的工业相机获取所在场景中含有标准引线框架的单通道灰度图像,以便下一步继续对图像中的图案进行提取、分析等操作。
S200,从所述包含有标准引线框架图像的离线场景灰度图像中确定粗定位的一级特征目标物,建立初始坐标系A(row,col);基于所建立的初始坐标系A(row,col),在所述包含有标准引线框架图像的离线场景灰度图像中对标准引线框架图像中二级特征目标物进行确定,然后建立离线二级定位框P1,利用离线二级定位框P1建立工件坐标系B(row,col),计算出初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1;基于工件坐标系B(row,col),在所述包含有标准工件图像的离线场景灰度图像中对标准工件的离线兴趣区集合R1进行确定,然后计算工件坐标系B(row,col)与离线兴趣区集合R1的转换矩阵集合M2;
S300,基于机电稳像,获取包含有待测引线框架图像的实时场景灰度图像;从所述包含有待测引线框架图像的实时场景灰度图像中确定粗定位的一级特征目标物,建立一级坐标系A′(row,col);基于所建立的一级坐标系A′(row,col)和转换矩阵M1,将离线二级定位框P1逆映射得到待测工件实时二级定位框P2′;利用待测工件实时二级定位框P2′建立二级坐标系B′(row,col);利用二级坐标系B′(row,col)以及转换矩阵集合M2,将离线兴趣区集合R1逆映射得到待测工件的实时兴趣区集合R2′;
S400,根据实时兴趣区集合R2′,对包含有待测引线框架图像的实时场景灰度图像进行剪裁操作,对于剪裁图像,对包含有待测引线框架图像的实时场景灰度图像进行剪裁操作时,按以下情况分别处理:
实时兴趣区内部灰度均匀且灰度跨度小于预设阈值,选择全局分割操作流程;
实时兴趣区内部跨度大于等于预设阈值,选择图像平场校正或局部分割方式;
实时兴趣区内部灰度构成具备明显方向性,选择图像卷积或图像滤波分割方式。
具体的,步骤S2包括以下步骤:
S2-1,对包含有标准引线框架图像的离线场景灰度图像中的一级特征目标物进行确定,构建针对一级特征目标物的矩形框,对矩形框内的子图进行裁剪;这里的一级特征目标物可以为包含以下特征之一或任意组合:圆、腰型孔、镂空长边;
S2-2,对于包含一级特征目标物的裁剪子图矩形框,利用基于灰度上升或灰度下降的过渡点计算方法,获得过度点,将该过度点此定义为初始坐标系A(row,col)的原点,根据裁剪子图矩形框相对离线场景灰度图像中水平方向的倾斜角信息以及原点信息,构建初始坐标系A(row,col)的法向轴和切向轴,从而建立初始坐标系A(row,col);
S2-3,在所述包含有标准工件图像的离线场景灰度图像中对标准工件图像中二级特征目标物进行确定,然后建立离线二级定位框P1,对离线二级定位框P1内的子图进行裁剪;
S2-4,对于包含二次特征目标物的三个位置不同的裁剪子图,得到离线二级定位框P1,利用灰度上升或灰度下降的过渡点计算方法,获得三个离线二级定位框的过渡点,利用这三个过渡点构建工件坐标系B(row,col),具体的,将包含有标准工件图像的离线场景灰度图像表示为A,预设卷积模板设为X,Y,横向边缘图像表示为:Ax=X·A,纵向边缘图像可以表示为:Ay=Y·A;
其中,预设卷积模板X,Y的表达式如下:
离线二级定位框p1的中线由该定位框四个角点坐标求出,中线表示为L,图像A在离线二级定位框P1内的子图表示为ASUB,对ASUB进行sobel卷积得到边缘ASUBX,将离线二级定位框P1的中线L与边缘ASUBX进行直线交点计算,得到过渡点;
C、将过渡点形成点集合,横向的点集进行最小二乘法拟合,构成工件坐标系B(row,col)的X坐标轴,纵向的点集进行最小二乘法拟合,构成工件坐标系B(row,col)的Y坐标轴,最后形成工件坐标系B(row,col)。
S2-5,计算得出初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1;
S2-6,以类为准则,基于工件坐标系B(row,col),在所述包含有标准工件图像的离线场景灰度图像中对标准工件的离线兴趣区集合R1进行确定,然后计算工件坐标系B(row,col)与离线兴趣区集合R1的转换矩阵集合M2。
如图2所示,为求取初始坐标系所选初始目标物的示意图。其中左侧为某工件的灰度图像;右侧为初始目标物与初始框的关系图。显然,此处选定一个框位于工件本身和背景的交界处,箭头符号意味着采用是positive的方式进行的过渡点计算。
如图3所示,以该点为基础来构建初始坐标系,黑色坐标系示意图即为该初始坐标系。
如图4所示,基于初始坐标系,构建三个框,位于各自二级特征物前景与背景的交界处,箭头符号意味着采用是positive的方式进行的过渡点计算,得出初始坐标系与三个框之间的转换关系M1。
如图5所示,以此3点为基础来构建工件坐标系,灰色坐标系示意图即为该工件坐标系。
如图6所示,右侧框部分所示为某类检测需求下的兴趣区的框集合,计算得出工件坐标系与兴趣区的转换关系M2。
如图7所示,实时图的初始坐标系建立,利用的是初始特征物框。
如图8所示,实时图的工件坐标系建立,利用的是初始坐标系和二级特征物框的转换关系M1。
如图9所示,实时图的兴趣区的反变换运算,利用的是工件坐标系和兴趣区的变换关系M2。
本系统能够对工件检测中的兴趣区进行碎片化,精确定位,并基于类的方式检测。且本系统的硬件构成简单,只需要将工业相机安装在检测机台的合适位置即可。所述上位机可采用普通的具有计算功能的设备,如一般的计算机,或者能够对图像进行处理的单片机等。而工业相机的位置可根据实际运行场景的不同设置在设备的顶部或者下部。
较佳地,在其他实施例中,还可以设置与工业相机100相配套的LED光源。LED光源也安装在所述设备之上,一般与工业相机100的位置较近,以便工业相机能够获取更加清晰的场景图像。
其中,安装在设备工业相机可以为面阵摄像头、线扫摄像头、USB接口摄像头、1394接口摄像头、网口通讯摄像头或者网络摄像头。可根据上位机的接口及成本需求选择合适的工业相机100,只要能够完成获取场景图像即可。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。

Claims (8)

1.一种兴趣区碎片化工业视觉检测方法,其特征在于包括如下步骤:
步骤1、离线构建步骤,具体包括:
步骤1.1、获取包含有标准工件图像的离线场景灰度图像;
步骤1.2、从所述包含有标准工件图像的离线场景灰度图像中确定粗定位的一级特征目标物,建立初始坐标系A(row,col);
步骤1.3、基于所建立的初始坐标系A(row,col),在所述包含有标准工件图像的离线场景灰度图像中对标准工件图像中二级特征目标物进行确定,然后建立离线二级定位框P1,利用离线二级定位框P1建立工件坐标系B(row,col);
步骤1.4、计算出初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1;
步骤1.5、基于工件坐标系B(row,col),在所述包含有标准工件图像的离线场景灰度图像中对标准工件的离线兴趣区集合R1进行确定,然后计算工件坐标系B(row,col)与离线兴趣区集合R1的转换矩阵集合M2;
步骤2、在线构建步骤,具体包括:
步骤2.1、获取包含有待测工件图像的实时场景灰度图像;
步骤2.2、从所述包含有待测工件图像的实时场景灰度图像中确定粗定位的一级特征目标物,建立一级坐标系A′(row,col);
步骤2.3、基于所建立的一级坐标系A′(row,col)和转换矩阵M1,将离线二级定位框p1逆映射得到待测工件实时二级定位框p2′;
步骤2.4、利用待测工件实时二级定位框P2′建立二级坐标系B′(row,col);
步骤2.5、利用二级坐标系B′(row,col)以及转换矩阵集合M2,将离线兴趣区集合R1逆映射得到待测工件的实时兴趣区集合R2′;
步骤3、根据实时兴趣区集合R2′,对包含有待测工件图像的实时场景灰度图像进行剪裁操作。
2.根据权利要求1所述的兴趣区碎片化工业视觉检测方法,其特征在于:所述步骤3中,对包含有待测工件图像的实时场景灰度图像进行剪裁操作时,按以下情况分别处理:
实时兴趣区内部灰度均匀且灰度跨度小于预设阈值,选择全局分割操作流程;
实时兴趣区内部跨度大于等于预设阈值,选择图像平场校正或局部分割方式;
实时兴趣区内部灰度构成具备明显方向性,选择图像卷积或图像滤波分割方式。
3.根据权利要求1所述的兴趣区碎片化工业视觉检测方法,其特征在于:所述步骤1.3和步骤2.4中,采用基于sobel微分的过渡点算法建立工件坐标系B(row,col)和二级坐标系B′(row,col)。
4.根据权利要求3所述的兴趣区碎片化工业视觉检测方法,其特征在于:步骤1.3中,工件坐标系B(row,col)的建立方法具体包括:
A、将包含有标准工件图像的离线场景灰度图像表示为A,预设卷积模板设为X,Y,横向边缘图像表示为:Ax=X·A,纵向边缘图像可以表示为:Ay=Y·A;
其中,预设卷积模板X,Y的表达式如下:
B、过渡点计算:离线二级定位框P1的中线由该定位框四个角点坐标求出,中线表示为L,图像A在离线二级定位框P1内的子图表示为ASUB,对ASUB进行sobel卷积得到边缘ASUBX,将离线二级定位框P1的中线L与边缘ASUBX进行直线交点计算,得到过渡点;
C、将过渡点形成点集合,横向的点集进行最小二乘法拟合,构成工件坐标系B(row,col)的X坐标轴,纵向的点集进行最小二乘法拟合,构成工件坐标系B(row,col)的Y坐标轴,最后形成工件坐标系B(row,col)。
5.根据权利要求1所述的兴趣区碎片化工业视觉检测方法,其特征在于:在步骤1和步骤2执行前,先进行机电稳像,再获取包含有标准工件图像的离线场景灰度图像和获取包含有待测工件图像的实时场景灰度图像。
6.根据权利要求1所述的兴趣区碎片化工业视觉检测方法,其特征在于:所述步骤1.4中,采用笛卡尔坐标系转换方式计算出初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1,具体包括如下步骤:
将初始坐标系A(row,col)的齐次坐标表达为(x,y,1),将工件坐标系B(row,col)的齐次坐标表达为(x’,y’,1),则存在转换关系:
式中,θ是工件坐标系B(row,col)相对于初始坐标系A(row,col)的旋转角,△x,△y是工件坐标系B(row,col)相对于初始坐标系A(row,col)在x方向上的平移量和y方向上的平移量;
利用上述转换关系计算出初始坐标系A(row,col)与工件坐标系B(row,col)的转换矩阵M1。
7.根据权利要求1所述的兴趣区碎片化工业视觉检测方法,其特征在于:所述一级特征目标物包含以下特征之一或任意组合:圆、腰型孔、镂空长边;对任意一个一级特征目标物所在位置实施矩形构造操作,设定基于灰度上升或灰度下降的过渡点,并以此定义为初始坐标系A(row,col)或一级坐标系A′(row,col)的原点,根据构建的矩形相对离线场景灰度图像中水平方向实时场景灰度图像的倾斜角信息和原点信息,分别构建初始坐标系A(row,col)或一级坐标系A′(row,col)的法向轴和切向轴,从而建立初始坐标系A(row,col)或一级坐标系A′(row,col)。
8.一种兴趣区碎片化工业视觉检测系统,其特征在于:用于放置标准工件或待测工件的检测设备,安装在检测设备上工业相机,以及与工业相机的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,且能被处理器读取并执行,所述计算机程序被处理器执行时实现上述权利要求1所述的兴趣区碎片化工业视觉检测方法。
CN202310925195.XA 2023-07-26 2023-07-26 一种兴趣区碎片化工业视觉检测方法及系统 Pending CN117078601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310925195.XA CN117078601A (zh) 2023-07-26 2023-07-26 一种兴趣区碎片化工业视觉检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310925195.XA CN117078601A (zh) 2023-07-26 2023-07-26 一种兴趣区碎片化工业视觉检测方法及系统

Publications (1)

Publication Number Publication Date
CN117078601A true CN117078601A (zh) 2023-11-17

Family

ID=88707031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310925195.XA Pending CN117078601A (zh) 2023-07-26 2023-07-26 一种兴趣区碎片化工业视觉检测方法及系统

Country Status (1)

Country Link
CN (1) CN117078601A (zh)

Similar Documents

Publication Publication Date Title
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
CN108562250B (zh) 基于结构光成像的键盘键帽平整度快速测量方法与装置
CN111879241A (zh) 基于机器视觉的手机电池尺寸测量方法
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
US11120545B2 (en) Method for measuring hole provided in workpiece
JP5123244B2 (ja) 形状欠損検査装置、形状モデリング装置および形状欠損検査プログラム
CN110211047B (zh) 机器视觉螺纹参数测量的图像旋转方法
CN117058411B (zh) 电池棱边外形瑕疵识别方法、装置、介质和设备
CN113888510A (zh) 检测方法、检测装置、检测设备及计算机可读存储介质
CN117495856A (zh) 基于深度学习的晶圆表面检测方法、装置、设备和介质
CN111341686B (zh) 一种检测晶圆缺陷的方法及装置
CN110310239B (zh) 一种基于特性值拟合消除光照影响的图像处理方法
CN117474839A (zh) 工件缺陷检测方法、装置、电子设备及存储介质
CN108416790A (zh) 一种用于工件破损率的检测方法
CN112837285B (zh) 一种板面图像的边缘检测方法及装置
CN117078601A (zh) 一种兴趣区碎片化工业视觉检测方法及系统
CN115980063A (zh) 工件表面瑕疵检测方法及装置
CN110021027B (zh) 一种基于双目视觉的切边点计算方法
CN114511522A (zh) 一种荧光免疫法、胶体金法试剂自动判定方法
CN113989482A (zh) 一种基于图像处理的光学合像水平仪自动读数识别方法
CN114120320A (zh) 一种图像多目标信息识别方法、系统及介质
TWI573098B (zh) Wafer defect detection method
CN117495846B (zh) 图像检测方法、装置、电子设备及存储介质
CN112419297B (zh) 一种螺栓松动检测方法、装置、设备及存储介质
CN117690846B (zh) 太阳能硅片视觉检测方法、装置、设备及存储介质

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