CN117152161B - 一种基于图像识别的刨花板质量检测方法及系统 - Google Patents
一种基于图像识别的刨花板质量检测方法及系统 Download PDFInfo
- Publication number
- CN117152161B CN117152161B CN202311434100.0A CN202311434100A CN117152161B CN 117152161 B CN117152161 B CN 117152161B CN 202311434100 A CN202311434100 A CN 202311434100A CN 117152161 B CN117152161 B CN 117152161B
- Authority
- CN
- China
- Prior art keywords
- image
- quality
- module
- detection
- shaving board
- 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 63
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 239000002245 particle Substances 0.000 claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000013441 quality evaluation Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000001303 quality assessment method Methods 0.000 claims description 21
- 238000003708 edge detection Methods 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000002950 deficient Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims 1
- 239000002023 wood Substances 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B27—WORKING OR PRESERVING WOOD OR SIMILAR MATERIAL; NAILING OR STAPLING MACHINES IN GENERAL
- B27N—MANUFACTURE BY DRY PROCESSES OF ARTICLES, WITH OR WITHOUT ORGANIC BINDING AGENTS, MADE FROM PARTICLES OR FIBRES CONSISTING OF WOOD OR OTHER LIGNOCELLULOSIC OR LIKE ORGANIC MATERIAL
- B27N3/00—Manufacture of substantially flat articles, e.g. boards, from particles or fibres
- B27N3/02—Manufacture of substantially flat articles, e.g. boards, from particles or fibres from particles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/38—Collecting or arranging articles in groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T7/11—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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/143—Finished product quality control
-
- 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
- G06T2207/30161—Wood; Lumber
-
- 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
- G06V2201/06—Recognition of objects for industrial automation
Abstract
本发明公开了一种基于图像识别的刨花板质量检测方法及系统,涉及木板工业中的刨花板生产领域,其中方法包括:图像采集模块捕捉刨花板的图像,并将图像传送至图像处理模块;图像处理模块对图像进行预处理;特征提取模块从预处理后的图像中提取关键特征;质量评估模块利用卷积神经网络对提取的特征进行分析,以评估刨花板的质量。该模块能够检测表面色差、裂纹、凹陷问题;如果检测到质量问题,报警控制模块将发出报警信号,并自动控制生产线将不良板材传送至设定垛机;检测结果和图像数据将存储到数据库中,以供后续分析、追溯和质量报告生成。本发明能够有效提高刨花板质量检测的效率和准确率,提高生产效益。
Description
技术领域
本发明涉及木板工业中的刨花板生产领域,特别是涉及一种基于图像识别技术进行刨花板质量检测的方法及系统。
背景技术
刨花板是一种常见的建筑和家具制造材料,它们通常用于地板、墙壁、家具制造等各种应用。然而,刨花板的质量直接影响着最终产品的性能和外观。因此,在刨花板的生产过程中,质量控制变得至关重要。
传统的刨花板质量检测通常由工人进行人工目视检查。这种方法存在一些严重的问题:(1)效率低下:人工检查速度慢,无法满足高速生产线的需求,容易成为生产过程的瓶颈;(2)主观性强:不同的检查员可能对刨花板质量有不同的判断标准,导致质量评估不一致;(3)容易出错:人工检查容易疲劳,可能会错过一些微小的缺陷或不一致之处;(4)无法实时监控:人工检查无法实时监控生产线,因此不能及时发现并纠正质量问题;(5)成本高昂:需要大量的人力资源,增加了生产成本。
随着计算机视觉和图像处理技术的迅猛发展,图像识别技术在工业领域的应用变得越来越普遍。这些技术包括物体检测、特征提取、模式识别和深度学习等,已经在自动化检测和质量控制方面取得了显著的成就。在刨花板生产中,图像识别技术具有巨大的潜力:(1)自动化检测:图像识别系统可以在高速生产线上自动捕捉和分析刨花板的图像,无需人工干预,提高了检测的效率和一致性。(2)准确性:利用图像识别,系统可以精确地检测刨花板的各种质量问题,包括表面缺陷、尺寸偏差等。(3)实时监控:图像识别系统可以实时监控生产线上的每块刨花板,及时发现并报告质量问题,使生产过程更加可控。(4)数据记录和分析:图像识别系统可以将检测结果和图像数据存储在数据库中,以供后续分析、追溯和质量报告生成。(5)成本降低:与人工检查相比,图像识别系统虽然需要一定的投资,但可以大大降低长期运营成本,提高生产效益。
发明内容
随着木材工业的发展,刨花板在建筑和家具制造领域的应用越来越广泛,因此,确保刨花板的质量至关重要。传统的人工检查方法效率低下、主观性强,容易出错。本发明通过引入图像识别技术,能够自动、高效、准确地检测刨花板的质量,提高生产效率和质量一致性。
第一方面,本申请提供一种基于图像识别的刨花板质量检测方法,采用如下的技术方案:
图像采集模块捕捉刨花板的图像,并将图像传送至图像处理模块;
图像处理模块对图像进行预处理,包括去噪、图像增强、边缘检测;
特征提取模块从预处理后的图像中提取关键特征,包括纹理、颜色、裂纹、凹陷;
质量评估模块利用卷积神经网络对提取的特征进行分析,以评估刨花板的质量。该模块能够检测表面缺陷、尺寸偏差、裂纹、色差问题;
如果检测到质量问题,报警控制模块将发出报警信号,并自动控制生产线将不良板材传送至设定垛机;
检测结果和图像数据将存储到数据库中,以供后续分析、追溯和质量报告生成。
通过采用上述技术方案,该方法由多个模块组成,每个模块负责实现一个特定的功能。图像采集模块由高分辨率工业摄像机、补光灯、网络组成,分别部署于刨花板生产线上部和下部,同时对刨花板的正反面进行快速的图像捕捉,并将图像传送至图像处理模块。
图像处理模块负责对捕捉到的刨花板图像进行预处理,以提高后续分析的准确性。其包括图像去噪、图像增强、边缘检测三个部分。
图像去噪是图像处理的第一步,旨在减少图像中的随机噪声,从而提高图像的质量。首先通过应用噪声检测算法,识别图像中的噪声点;一旦噪声点被检测到,采用高斯滤波去除噪声;同时利用直方图均衡化方法,提高图像的对比度和可视化质量。
图像增强是为了突出图像中的特征和细节,以便更好地进行后续分析。采用的图像增强方法包括:(1)对比度增强,通过调整图像的亮度和对比度,使图像中的细节更加清晰可见;(2)锐化处理,锐化滤波增强图像的边缘,使板材的边界更加清晰;(3)色彩增强,根据需要对图像的颜色通道进行增强,以突出特定颜色信息,识别板材上的瑕疵颜色;(4)直方图均衡化,进一步提高图像的对比度,确保图像的不同区域具有相似的亮度分布。
边缘检测是为了检测图像中的异常部位的边界和轮廓,这对于后续特征提取非常重要。边缘检测包括:(1)灰度化,将彩色图像转换为灰度图像,简化处理过程;(2)梯度计算,利用梯度算子计算图像中每个像素点的梯度值和方向;(3)阈值处理,应用阈值处理,将梯度值高于某个阈值的像素点标记为边缘点,其他点则标记为非边缘点;(4)边缘连接,通过连接相邻的边缘点,形成完整的边缘线。
经过上述步骤的图像处理后,得到了经过去噪、增强和边缘检测的图像,该图像将被传递给特征提取模块进行后续的特征分析和质量评估。这个经过处理的图像将有助于特征提取模块更精确地识别刨花板的质量问题,如裂纹、凹陷、颜色异常。
特征提取模块负责从经过图像处理的刨花板图像中提取关键特征,以用于后续的质量评估。以下是特征提取模块的具体步骤,包括裂纹、凹陷和颜色异常的特征提取:
裂纹是刨花板质量问题中的常见缺陷之一,因此需要针对裂纹进行特征提取。裂纹检测的具体步骤为:(1)边缘检测:使用边缘检测算法识别图像中的边缘。(2) 区域分割:采用分割算法将图像划分为小区域。(3)裂纹检测:通过分析区域内的像素强度差异和纹理不连续性,来实现对每个区域进行裂纹检测。 (4)裂纹特征提取:对检测到的裂纹,提取相关特征,如长度、宽度、方向。
凹陷是一种刨花板质量问题,它可能导致表面不平整或凹陷区域的尺寸不合格。凹陷检测的具体步骤为:(1)区域分割:与裂纹检测类似,将图像划分为小区域。(2)凹陷检测:对每个区域进行凹陷检测。采用像素强度分析,检测图像中的凹陷区域。(3)凹陷特征提取:对检测到的凹陷,提取相关特征,如深度、面积、位置。
颜色异常通常涉及到图像中的颜色偏移、异色斑点或不均匀的颜色分布。颜色异常检测的具体步骤为:(1)颜色空间转换:将图像从RGB颜色空间转换为其他颜色空间。(2)颜色分析:分析图像中的颜色分布,检测颜色异常区域。采用聚类算法来识别颜色异常。(3)颜色异常特征提取:对检测到的颜色异常区域,提取相关特征,如异常像素数量、颜色偏移程度。
经过上述步骤的特征提取后,得到了关于裂纹、凹陷和颜色异常的特征信息。这些特征信息将被传递给质量评估模块进行后续的质量评估。特征提取模块的任务是为质量评估提供有关刨花板表面缺陷和异常的详细信息,以帮助系统准确识别质量问题。
质量评估模块通过训练的卷积神经网络模型,根据从图像中提取的特征来评估刨花板的质量。模块的输出结果将决定刨花板是正常还是存在质量问题,为生产流程提供及时的反馈和控制。以下是质量评估模块的具体步骤:
特征输入,从特征提取模块接收裂纹、凹陷和颜色异常特征数据。这些特征数据包括特征值、位置信息。
数据预处理,对特征数据进行归一化,以确保不同特征具有相同的权重和尺度。这可以防止某些特征对评估结果的影响过大。
模型训练,基于卷积神经网络对已标记的训练数据进行训练。训练数据包括特征数据和相应的质量标签包括正常、缺陷数据。
质量评估分为三个步骤包括:(1)模型预测,使用训练好的模型对输入的刨花板特征进行预测。该模型包含了对裂纹、凹陷和颜色的分类任务的训练参数。将经过预处理的实时图像传递给模型作为输入。模型会执行前向传播,分析图像的特征并返回分类结果。针对裂纹、凹陷和颜色分类任务,模型会输出多个概率值,每个值代表一个类别。(2)阈值设置,根据质量评估的需求,设置合适的阈值,将模型输出的预测值与阈值进行比较。(3)判定结果,根据模型输出和阈值比较的结果,判定刨花板的质量。如果预测值高于阈值,则判定为正常;如果低于阈值,则判定为缺陷。
质量报告生成,根据质量评估的结果,生成质量报告。报告包括刨花板的质量状况、检测到的缺陷类型、位置信息。根据质量评估结果触发报警,通知相关人员和自动收集缺陷板材。
报警控制模块将根据质量评估模块输入的信号进行预警和控制,如果检测到质量问题,将触发声光电报警装置通知质量检测人员,同时向不良板材收集垛机发出控制信号,当不良板材传动到收集垛机,垛机自动打开并收集不良板材。
数据库存储模块,将检测结果和图像数据存储到数据库中,以供后续分析、追溯和质量报告生成。
第二方面,本申请提供了一种基于图像识别的刨花板质量检测系统,采用如下的技术方案:
图像采集模块:用于捕捉刨花板的图像。使用两台工业摄像机,分别安装于刨花板流水线顶部和底部,并各自配备补光灯增强拍照清晰度。
图像处理模块:负责对捕捉到的刨花板图像进行预处理,以提高后续分析的准确性。预处理包括去噪、增强、边缘检测。
特征提取模块:从预处理后的图像中提取关键特征,包括纹理、颜色、裂纹、凹陷,这些特征将用于后续的质量评估。
质量评估模块:采用卷积神经网络机器学习训练的模型,对提取的特征进行分析,以评估刨花板的质量。该模块能够检测表面缺陷、颜色偏差、裂纹问题。
报警控制模块:如果检测到刨花板存在质量问题,系统将发出报警信号,通知相关人员和自动收集缺陷板材,以避免次品产品的生产。
数据库存储模块:将检测结果和图像数据存储到数据库中,以供后续分析、追溯和质量报告生成。
用户交互模块:提供用户友好的界面,用于操作员监控生产过程、查看质量报告、质量分析和进行系统设置。
综上所述本申请包括以下至少一种有益技术效果:
1. 一种基于图像识别的刨花板质量检测方法,其特征在于包括图像采集、图像处理、特征提取、质量评估等步骤。
2. 一种基于图像识别的刨花板质量检测系统,包括图像采集模块、图像处理模块、特征提取模块、质量评估模块、报警控制模块、数据库存储模块和用户交互模块。
3. 本申请提供的基于图像识别的刨花板质量检测方法可有效提高刨花板质量检测的准确率,所采用的质量评估模型检测准确率超过98%,整体性能符合生产线的要求。
附图说明
图1是本申请实施例中一种基于图像识别的刨花板质量检测方法的流程图。
图2是本申请实施例采用的质量评估模型训练检测结果图。
图3是本申请实施例中一种基于图像识别的刨花板质量检测系统的结构框图。
附图标记说明:201、图像采集模块;202、图像处理模块;203、特征提取模块;204、质量评估模块;205、报警控制模块;206、数据库存储模块;207、用户交互模块。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
本申请实施例公开一种基于图像识别的刨花板质量检测方法,该方法通过图像采集模块捕捉刨花板的图像,并将图像传送至图像处理模块;图像处理模块对图像进行预处理,包括去噪、图像增强、边缘检测。特征提取模块从预处理后的图像中提取关键特征,包括纹理、颜色、裂纹、凹陷。质量评估模块利用深度神经网络对提取的特征进行分析,以评估刨花板的质量,该模块能够检测表面缺陷、尺寸偏差、裂纹、色差问题。如果检测到质量问题,报警控制模块将发出报警信号,通知操作员并自动收集不良板材。最后将检测结果和图像数据存储到数据库中,以供后续分析、追溯和质量报告生成。
如图1所示,该方法包括以下步骤:
S100,捕获刨花板的图像。
首先在刨花板质量检测流水线的顶部和底部各安装一台工业摄像机和补光灯,顶部摄像机拍摄刨花板正面,底部摄像机拍摄刨花板反面。安装位置的选择要确保能够最大程度地覆盖所有刨花板,同时避免阴影和反光问题;同时配置摄像机参数,包括曝光时间、光圈大小、白平衡,以适应不同光照条件和刨花板的表面特性。
其次为实时图像捕获,启动摄像机使其连续捕获刨花板表面的图像。捕获速度与生产线的速度相匹配,确保每块刨花板都能被准确地记录;将捕获到的图像实时存储到图像处理设备中,以便后续的图像处理和分析。
S200,对捕获的刨花板图像进行处理。
图像处理将生成经过预处理的图像,这些图像清晰、去噪、对比度增强,并突出了刨花板的特征。这有助于后续的特征提取模块更准确地分析图像,以评估刨花板的质量。
首先对图像进行去噪处理,从图像采集模块接收捕获到的刨花板图像,并将其转换为灰度图像,以简化处理过程。同时采用高斯滤波,对图像进行去噪处理,以减少图像中的随机噪声。
其次对图像进行增强处理,通过直方图均衡化增强图像的对比度;根据光照条件的变化,对图像进行亮度调整,以确保图像中的物体清晰可见;根据事先设定的标准,对图像进行颜色校正,以确保颜色一致性。
最后对图像进行边缘检测,使用Canny边缘检测方法,识别刨花板的轮廓和边缘特征;对边缘检测后的图像进行形态学操作,包括去除小的不连续区域,并进一步增强图像中的特征。最后进行图像校正,如果刨花板在图像中存在畸变,进行图像校正以恢复图像的准确尺寸和形状。
S300,从预处理的图像中提取特征值。
特征值提取是一个关键步骤,它旨在从预处理后的刨花板图像中提取具有代表性的特征,以用于后续的质量评估。以下是特征值提取的详细步骤:
采用局部二值模式(LBP)特征提取方法。利用LBP算法,将图像分成小的局部块,然后对每个块中的像素进行二进制编码。统计每个块中不同LBP编码的直方图,并将直方图作为特征。LBP特征可用于描述刨花板表面的纹理细节,从而提取刨花板颜色、裂纹、凹陷等缺陷的特征。
其中采用颜色直方图特征提取方法,将刨花板图像从RGB颜色空间转换为HSV颜色空间,然后计算每个颜色通道的直方图。对于HSV颜色空间,分别计算色相通道、饱和度通道和明度通道的颜色直方图。然后从颜色直方图中提取颜色特征,特征包括颜色直方图中各通道的均值、颜色直方图中各通道的方差、识别颜色直方图中的主要峰值或集群、颜色直方图中不同颜色的分布情况。
对刨花板凹陷、裂纹区域进行直方图提取,使用灰度图像的像素强度值作为直方图的X轴,像素的数量作为Y轴,提取的凹陷、裂纹特征包括直方图的平均像素强度值、直方图的像素强度值的方差、直方图的像素强度值的偏度、直方图的像素强度值的峰度,描述强度分布的平峰或陡峰情况。同时根据提取的特征值对凹陷、裂纹类型进行分类,从而检测凹陷或裂纹异常。
特征选择和降维,对于从图像中提取的众多特征,进行特征选择以筛选最具代表性的特征。使用统计分析、信息增益方法来选择最相关的特征。同时采用主成分分析(PCA)方法,将特征空间降低到更低维度,以减少计算复杂度并提高模型的泛化性能。
S400,对刨花板进行质量评估。
质量评估过程通过深度神经网络,根据从图像中提取的特征来评估刨花板的质量。该模块的输出结果将决定刨花板是正常还是存在质量问题,为生产流程提供及时的反馈和控制。以下是质量评估的具体步骤:
首先接收经过预处理的特征值,这些特征包括纹理、颜色、形状、边缘多种类型的信息。创建一个包含已知刨花板质量标签的数据集,标签包含不同类型的刨花板缺陷,这个数据集将用于训练和测试机器学习模型。将数据集划分为训练集和测试集,采用80/20的比例,其中一部分用于训练模型,另一部分用于评估模型性能。
采用卷积神经网络(CNN)机器学习模型,同时对特征进行标准化,以确保不同特征的尺度一致,防止某些特征对模型的影响过大。使用训练集中的图像特征和相应的标签进行训练。模型将学习如何从特征中识别不同质量的刨花板。
对模型性能进行评估,使用测试集上的图像特征,对训练好的模型进行性能评估,设定的评估指标包括准确度、F1分数。
质量评估和缺陷检测,将刨花板图像传递给训练好的机器学习模型,模型会根据特征分析输出一个质量评分。评分大于等于阈值95%为合格产品,小于阈值95%为不良产品,同时可以对阈值进行设定。检测到不良产品时将发出预警和控制信号。
质量报告生成,根据质量评估的结果,生成质量报告。报告包括刨花板的质量状况、检测到的缺陷类型、位置信息。
S500,发现质量问题发出预警控制信号。
当检测到质量问题,将触发声光电报警装置通知质量检测人员,同时向不良板材收集垛机发出控制信号,当不良板材传动到收集垛机,垛机自动打开并收集不良板材。
S600,相关数据进行存储。
将检测结果和图像数据存储到数据库中,以供后续分析、追溯和质量报告生成。
本申请实施例采用的质量评估模型训练检测结果如图2所示:
基于卷积神经网络机器学习模型检测准确率超过98%,经实际生产应用符合工业大规模生产要求。
基于上述方法,本申请实施例还公开一种基于图像识别的刨花板质量检测系统。
结合图3,该系统包括以下模块:
图像采集模块201:用于捕捉刨花板的图像。使用两台工业摄像机,分别安装于刨花板流水线顶部和底部,并各自配备补光灯增强拍照清晰度,调整照摄像机的位置、角度、光照、速度参数与刨花板流水线环境匹配,使其自动拍照。
图像处理模块202:接收到图像采集模块201捕捉到的刨花板图像,并进行预处理,以提高后续分析的准确性。预处理包括去噪、增强、边缘检测。
特征提取模块203:接收到图像处理模块202预处理后的图像,从预处理后的图像中提取关键特征,包括纹理、颜色、裂纹、凹陷,这些特征将用于后续的质量评估。
质量评估模块204:基于特征提取模块203的特征提取,采用卷积神经网络机器学习进行训练生成的模型,对提取的特征进行分析,以评估刨花板的质量。该模块能够检测表面缺陷、颜色偏差、裂纹、不规范尺寸问题。当检测到不良时将发出预警和控制信号。
报警控制模块205:接收到质量评估模块204发出的预警控制信号,如果检测到刨花板存在质量问题,系统将发出报警信号,通知相关人员和自动收集缺陷板材,以避免次品产品的生产。
数据库存储模块206:将图像采集模块201捕获的图像、质量评估模块204生成的检测结果存储到数据库中,以供后续分析、追溯和质量报告生成。
用户交互模块207:对图像采集模块201、质量评估模块204、报警控制模块205的相关设备参数进行配置。同时提供用户友好的界面,用于操作员监控生产过程、查看质量报告、质量分析。
本具体实施方式的实施例均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (5)
1.一种基于图像识别的刨花板质量检测方法,其特征在于,包括:
图像采集模块捕捉刨花板的图像,并将图像传送至图像处理模块;图像处理模块对图像进行预处理,包括去噪、图像增强、边缘检测;特征提取模块从预处理后的图像中提取关键特征,包括纹理、颜色、裂纹、凹陷;质量评估模块利用卷积神经网络对提取的特征进行分析,以评估刨花板的质量,该模块能够检测表面色差、裂纹、凹陷问题;如果检测到质量问题,报警控制模块将发出报警信号,并自动控制生产线将不良板材传送至设定垛机;检测结果和图像数据将存储到数据库中,以供后续分析、追溯和质量报告生成;
特征提取负责从经过图像处理的刨花板图像中提取关键特征,包括裂纹、凹陷和颜色异常的特征提取;裂纹特征提取的具体步骤包括边缘检测、区域分割、裂纹检测、裂纹特征提取步骤;凹陷特征提取具体步骤包括区域分割、凹陷检测、凹陷特征提取三个步骤;颜色异常特征提取包括颜色空间转换、颜色分析、颜色异常特征提取步骤;
裂纹检测的具体步骤为:(1)边缘检测:使用边缘检测算法识别图像中的边缘;(2)区域分割:采用分割算法将图像划分为小区域;(3)裂纹检测:通过分析区域内的像素强度差异和纹理不连续性,来实现对每个区域进行裂纹检测;(4)裂纹特征提取:对检测到的裂纹,提取相关特征,长度、宽度、方向;
凹陷检测的具体步骤为:(1)区域分割:与裂纹检测类似,将图像划分为小区域;(2)凹陷检测:对每个区域进行凹陷检测,采用像素强度分析,检测图像中的凹陷区域;(3)凹陷特征提取:对检测到的凹陷,提取相关特征,深度、面积、位置;
颜色异常检测的具体步骤为:(1)颜色空间转换:将图像从RGB颜色空间转换为其他颜色空间;(2)颜色分析:分析图像中的颜色分布,检测颜色异常区域,采用聚类算法来识别颜色异常;(3)颜色异常特征提取:对检测到的颜色异常区域,提取相关特征,异常像素数量、颜色偏移程度;
质量评估分为三个步骤包括:(1)模型预测:使用训练好的模型对输入的刨花板特征进行预测,该模型包含了对裂纹、凹陷和颜色的分类任务的训练参数;将经过预处理的实时图像传递给模型作为输入,模型会执行前向传播,分析图像的特征并返回分类结果,针对裂纹、凹陷和颜色分类任务,模型会输出多个概率值,每个值代表一个类别;(2)阈值设置:根据质量评估的需求,设置合适的阈值,将模型输出的预测值与阈值进行比较;(3)判定结果,根据模型输出和阈值比较的结果,判定刨花板的质量,如果预测值高于阈值,则判定为正常;如果低于阈值,则判定为缺陷。
2.根据权利要求1所述的基于图像识别的刨花板质量检测方法,其特征在于,图像采集模块包括:
由高分辨率工业摄像机、补光灯、网络组成,分别部署于刨花板生产线顶部和底部,同时对刨花板的正反面进行快速的图像捕捉,并将图像传送至图像处理模块。
3.根据权利要求1所述的基于图像识别的刨花板质量检测方法,其特征在于,质量评估模块包括:
质量评估模块通过训练好的卷积神经网络模型对刨花板的质量进行评估,该模型将输出一个预测值,表示刨花板的质量;在阈值大于95%的条件下,根据模型输出预测值和阈值比较的结果,大于阈值则判定为质量正产;如果低于阈值,则判定为缺陷;同时根据质量评估的结果,生成质量报告;报告包括刨花板的质量状况、检测到的缺陷类型、位置信息。
4.根据权利要求1所述的基于图像识别的刨花板质量检测方法,其特征在于,报警控制模块包括:
根据质量评估模块输入的信号进行预警和控制,如果检测到质量问题,将触发声光电报警装置通知质量检测人员,同时向不良板材收集垛机发出控制信号,当不良板材传动到收集垛机,垛机自动打开并收集不良板材。
5.一种基于图像识别的刨花板质量检测系统,应用于权利要求1所述的一种基于图像识别的刨花板质量检测方法,其特征在于,包括:
图像采集模块201:用于捕捉刨花板的图像,使用两台工业摄像机,分别安装于刨花板流水线顶部和底部,并各自配备补光灯增强拍照清晰度;
图像处理模块202:接收到图像采集模块201捕捉到的刨花板图像,并进行预处理,预处理包括去噪、增强、边缘检测;
特征提取模块203:接收到图像处理模块202预处理后的图像,从预处理后的图像中提取关键特征,包括纹理、颜色、裂纹、凹陷,这些特征将用于后续的质量评估;
质量评估模块204:基于特征提取模块203的特征提取,采用卷积神经网络机器学习进行训练生成的模型,对提取的特征进行分析,以评估刨花板的质量,该模块能够检测表面缺陷、颜色偏差、裂纹、尺寸不规范问题,当检测到不良时将发出预警和控制信号;
报警控制模块205:接收到质量评估模块204发出的预警控制信号,如果检测到刨花板存在质量问题,系统将发出报警信号,通知相关人员和自动收集缺陷板材,以避免次品产品的生产;
数据库存储模块206:将图像采集模块201捕获的图像、质量评估模块204生成的检测结果存储到数据库中,以供后续分析、追溯和质量报告生成;
用户交互模块207:对图像采集模块201、质量评估模块204、报警控制模块205的相关设备参数进行配置,同时提供用户友好的界面,用于操作员监控生产过程、查看质量报告、质量分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434100.0A CN117152161B (zh) | 2023-11-01 | 2023-11-01 | 一种基于图像识别的刨花板质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434100.0A CN117152161B (zh) | 2023-11-01 | 2023-11-01 | 一种基于图像识别的刨花板质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152161A CN117152161A (zh) | 2023-12-01 |
CN117152161B true CN117152161B (zh) | 2024-03-01 |
Family
ID=88885275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311434100.0A Active CN117152161B (zh) | 2023-11-01 | 2023-11-01 | 一种基于图像识别的刨花板质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152161B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409332B (zh) * | 2023-12-15 | 2024-03-19 | 江苏保龙机电制造有限公司 | 基于大数据处理的长材刨花外观数据检测系统及方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101444923A (zh) * | 2007-11-27 | 2009-06-03 | 刘丽阁 | 一种木材下料加工设备及加工方法 |
JP2010197177A (ja) * | 2009-02-24 | 2010-09-09 | Panasonic Electric Works Co Ltd | 外観検査方法および外観検査装置 |
CN204884054U (zh) * | 2015-08-19 | 2015-12-16 | 常山正丽机电有限公司 | 质量动态实时监控报警系统 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
CN108051449A (zh) * | 2018-01-30 | 2018-05-18 | 华中农业大学 | 基于形态学边缘检测的咸鸭蛋表面裂纹在线视觉检测方法 |
CN108943179A (zh) * | 2018-08-22 | 2018-12-07 | 慧泉智能科技(苏州)有限公司 | 一种针对木材表面缺陷的最优切割方法 |
CN212952904U (zh) * | 2020-07-29 | 2021-04-13 | 国机智能科技有限公司 | 一种不良板材剔除装置 |
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
CN114565600A (zh) * | 2022-03-09 | 2022-05-31 | 华电河南新能源发电有限公司 | 一种太阳能光伏面板表面缺陷检测方法 |
KR20230013206A (ko) * | 2021-07-15 | 2023-01-26 | 주식회사 씨피에스 | 인공지능을 이용하여 위험도를 평가하는 용접 검사 시스템 및 그 방법 |
CN116309375A (zh) * | 2023-02-23 | 2023-06-23 | 南京林业大学 | 实木板材双面缺陷检测及智能加工坐标确定方法 |
CN116434206A (zh) * | 2023-03-20 | 2023-07-14 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种基于机器视觉技术的棉花质量性状检测方法 |
CN116610816A (zh) * | 2023-05-31 | 2023-08-18 | 山东迪特智联信息科技有限责任公司 | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 |
WO2023168972A1 (zh) * | 2022-03-09 | 2023-09-14 | 三门三友科技股份有限公司 | 一种基于线阵相机的铜表面缺陷检测方法及装置 |
CN116758491A (zh) * | 2023-08-18 | 2023-09-15 | 苏州博创熠鑫智造科技有限责任公司 | 应用于3d打印的打印监控图像分析方法及系统 |
CN116824483A (zh) * | 2023-05-30 | 2023-09-29 | 苏州智颂智能装备有限公司 | 基于排列组合最优解的木材最大价值锯切算法 |
CN116840240A (zh) * | 2023-07-18 | 2023-10-03 | 襄阳群龙汽车部件股份有限公司 | 电源分配器视觉检测系统 |
KR20230139166A (ko) * | 2022-03-25 | 2023-10-05 | 주식회사 우드앤소프트 | 목재 제품의 불량 검사 방법 |
CN116862845A (zh) * | 2023-06-15 | 2023-10-10 | 深圳市山本光电股份有限公司 | 一种增光膜质量评估系统 |
-
2023
- 2023-11-01 CN CN202311434100.0A patent/CN117152161B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101444923A (zh) * | 2007-11-27 | 2009-06-03 | 刘丽阁 | 一种木材下料加工设备及加工方法 |
JP2010197177A (ja) * | 2009-02-24 | 2010-09-09 | Panasonic Electric Works Co Ltd | 外観検査方法および外観検査装置 |
CN204884054U (zh) * | 2015-08-19 | 2015-12-16 | 常山正丽机电有限公司 | 质量动态实时监控报警系统 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
CN108051449A (zh) * | 2018-01-30 | 2018-05-18 | 华中农业大学 | 基于形态学边缘检测的咸鸭蛋表面裂纹在线视觉检测方法 |
CN108943179A (zh) * | 2018-08-22 | 2018-12-07 | 慧泉智能科技(苏州)有限公司 | 一种针对木材表面缺陷的最优切割方法 |
CN212952904U (zh) * | 2020-07-29 | 2021-04-13 | 国机智能科技有限公司 | 一种不良板材剔除装置 |
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
KR20230013206A (ko) * | 2021-07-15 | 2023-01-26 | 주식회사 씨피에스 | 인공지능을 이용하여 위험도를 평가하는 용접 검사 시스템 및 그 방법 |
CN114565600A (zh) * | 2022-03-09 | 2022-05-31 | 华电河南新能源发电有限公司 | 一种太阳能光伏面板表面缺陷检测方法 |
WO2023168972A1 (zh) * | 2022-03-09 | 2023-09-14 | 三门三友科技股份有限公司 | 一种基于线阵相机的铜表面缺陷检测方法及装置 |
KR20230139166A (ko) * | 2022-03-25 | 2023-10-05 | 주식회사 우드앤소프트 | 목재 제품의 불량 검사 방법 |
CN116309375A (zh) * | 2023-02-23 | 2023-06-23 | 南京林业大学 | 实木板材双面缺陷检测及智能加工坐标确定方法 |
CN116434206A (zh) * | 2023-03-20 | 2023-07-14 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种基于机器视觉技术的棉花质量性状检测方法 |
CN116824483A (zh) * | 2023-05-30 | 2023-09-29 | 苏州智颂智能装备有限公司 | 基于排列组合最优解的木材最大价值锯切算法 |
CN116610816A (zh) * | 2023-05-31 | 2023-08-18 | 山东迪特智联信息科技有限责任公司 | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 |
CN116862845A (zh) * | 2023-06-15 | 2023-10-10 | 深圳市山本光电股份有限公司 | 一种增光膜质量评估系统 |
CN116840240A (zh) * | 2023-07-18 | 2023-10-03 | 襄阳群龙汽车部件股份有限公司 | 电源分配器视觉检测系统 |
CN116758491A (zh) * | 2023-08-18 | 2023-09-15 | 苏州博创熠鑫智造科技有限责任公司 | 应用于3d打印的打印监控图像分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
彭煜 ; 肖书浩 ; 阮金华 ; 汤勃 ; .基于Faster R-CNN的刨花板表面缺陷检测研究.组合机床与自动化加工技术.2020,(03),96-99. * |
龙永红 ; 吴敏 ; .基于共生矩阵和颜色特征的泡罩包装缺陷检测.湖南大学学报(自然科学版).2005,(06),67-70. * |
Also Published As
Publication number | Publication date |
---|---|
CN117152161A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN111915572B (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 | |
CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及系统 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN114897908B (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统 | |
CN107153067A (zh) | 一种基于matlab的零件表面缺陷检测方法 | |
KR100868884B1 (ko) | 유리 기판 유리 불량 정보 시스템 및 분류 방법 | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
CN115294089A (zh) | 一种基于改进YOLOv5的钢材表面缺陷检测方法 | |
CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
Tang et al. | Surface inspection system of steel strip based on machine vision | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 | |
RU2426069C1 (ru) | Способ неразрушающего контроля качества поверхности рельсов | |
CN113919396A (zh) | 一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法 | |
CN112767365A (zh) | 一种探伤方法 |
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 |