CN117291874B - 用于铜公测量的自动分中方法及其系统 - Google Patents

用于铜公测量的自动分中方法及其系统 Download PDF

Info

Publication number
CN117291874B
CN117291874B CN202311127185.8A CN202311127185A CN117291874B CN 117291874 B CN117291874 B CN 117291874B CN 202311127185 A CN202311127185 A CN 202311127185A CN 117291874 B CN117291874 B CN 117291874B
Authority
CN
China
Prior art keywords
copper
feature
training
center point
profile
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
Application number
CN202311127185.8A
Other languages
English (en)
Other versions
CN117291874A (zh
Inventor
叶志林
陈金
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.)
Shenzhen Zhongwei Precision Technology Co ltd
Original Assignee
Shenzhen Zhongwei Precision 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 Shenzhen Zhongwei Precision Technology Co ltd filed Critical Shenzhen Zhongwei Precision Technology Co ltd
Priority to CN202311127185.8A priority Critical patent/CN117291874B/zh
Publication of CN117291874A publication Critical patent/CN117291874A/zh
Application granted granted Critical
Publication of CN117291874B publication Critical patent/CN117291874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • 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
    • G06T2207/30136—Metal
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种用于铜公测量的自动分中方法及其系统，其获取由光学传感器采集的待测铜公图像；对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征；以及，基于所述铜公轮廓特征，确定中心点。这样，可以保证每个铜公测量后都是绝对中心，避免了分中的不准确性导致的重新测量操作，从而提高了测量的效率和精准度。

Description

用于铜公测量的自动分中方法及其系统
技术领域
本发明涉及智能化自动分中技术领域，尤其涉及一种用于铜公测量的自动分中方法及其系统。
背景技术
铜公是一种具有标准尺寸和形状的金属工具，通常由铜制成，它被广泛应用于工业生产中，用于检查零件的尺寸、直线度、平行度、垂直度等几何特征，以确保产品的质量和符合设计要求。铜公测量是一种常用的质量控制手段，能够帮助生产厂商确保产品质量和一致性。
雷顿三次元测铜公是一种用于测量铜公尺寸和形状的设备。在传统方案中，通常通过手动分中将铜公放置在测量平台上。手动分中是指通过手动操作将铜公放置在测量平台上，并使用接触感知来确定铜公的中心位置。然而，随着时间的推移，旧雷顿机台控制器会逐渐老化，接触感知灵敏度下降，导致手动分中时接触力度不均，从而造成分中偏中的情况，使得测量结果产生偏差，需要重新分中及重新测量，影响检测的效率和准确性。
因此，期望一种优化的用于铜公测量的自动分中方案。
发明内容
本发明实施例提供一种用于铜公测量的自动分中方法及其系统，其获取由光学传感器采集的待测铜公图像；对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征；以及，基于所述铜公轮廓特征，确定中心点。这样，可以保证每个铜公测量后都是绝对中心，避免了分中的不准确性导致的重新测量操作，从而提高了测量的效率和精准度。
本发明实施例还提供了一种用于铜公测量的自动分中方法，其包括：
获取由光学传感器采集的待测铜公图像；
对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征；以及
基于所述铜公轮廓特征，确定中心点。
本发明实施例还提供了一种用于铜公测量的自动分中系统，其包括：
图像获取模块，用于获取由光学传感器采集的待测铜公图像；
图像特征分析模块，用于对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征；以及
中心点确定模块，用于基于所述铜公轮廓特征，确定中心点。
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。在附图中：
图1A、1B和1C为改善前手动分中测数报告图。
图1D、1E和1F为改善后使用自动分中的测数报告图。
图2为本发明实施例中提供的一种用于铜公测量的自动分中方法的流程图。
图3为本发明实施例中提供的一种用于铜公测量的自动分中方法的系统架构的示意图。
图4为本发明实施例中提供的一种用于铜公测量的自动分中方法中步骤120的子步骤的流程图。
图5为本发明实施例中提供的一种用于铜公测量的自动分中系统的框图。
图6为本发明实施例中提供的一种用于铜公测量的自动分中方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
铜公是一种具有标准尺寸和形状的金属工具，通常由铜制成，在工业生产中被广泛应用，用于检查零件的尺寸、直线度、平行度、垂直度等几何特征，以确保产品的质量和符合设计要求。铜公通常采用柱形或圆柱形的形状，具有精确的尺寸和表面特征。它们可以具有不同的直径、长度和几何特征，以适应不同类型的测量需求。
在使用铜公进行测量时，工作人员将铜公放置在需要测量的零件或设备上，并使用测量工具(如千分尺、投影仪或三次元测量机)来测量铜公的特征。通过与铜公进行比较，可以确定零件的尺寸和形状是否符合要求。铜公的几何特征和尺寸是根据国际标准或特定行业标准来定义的，确保测量的准确性和可比性。
铜公测量是一种常用的质量控制手段，能够帮助生产厂商确保产品质量和一致性，在制造过程中起到重要的作用，可以帮助检测和纠正生产中的偏差，确保产品符合设计要求并满足客户的需求。铜公测量通常与其他质量控制方法和工具结合使用，以实现全面的质量管理。
雷顿三次元测铜公是一种用于测量铜公尺寸和形状的设备，是由雷顿(Leitz)公司开发和制造的。雷顿三次元测铜公主要用于测量铜公的尺寸、形状和几何特征，以确保产品的质量和符合设计要求，可以测量铜公的直线度、平行度、垂直度等参数，提供准确的测量结果。
雷顿三次元测铜公采用三次元测量技术，结合高精度的测量传感器和先进的数据处理算法，能够实现对铜公的全面测量和分析，可以通过非接触式的测量方式获取铜公的表面数据，并将其转化为数字化的三维模型。雷顿三次元测铜公具有高精度的测量能力，通常能够实现亚微米级的测量精度，可以检测微小的尺寸差异和形状偏差，帮助生产厂商及时发现和解决问题，提高产品的质量和一致性。雷顿三次元测铜公通常配备了自动化功能，如自动分中、自动测量和数据分析等。这些功能可以提高测量的效率和准确性，减少人工操作的干扰和误差。雷顿三次元测铜公通常配套专业的测量软件，提供友好的用户界面和丰富的功能选项。用户可以通过软件进行测量参数的设置、数据的处理和分析，生成测量报告等。
雷顿三次元测铜公是一种高精度、全面的铜公测量设备，广泛应用于工业生产中的质量控制和检测领域。能够帮助生产厂商确保产品质量和一致性，提高生产效率和减少测量误差。
手动分中是一种用于测量和校准工具或工件的过程，通常用于工业制造和质量控制领域。手动分中主要用于确定工具或工件的几何特征和尺寸，以确保其符合设计要求和质量标准。通过手动操作，将被测量的工具或工件放置在分中设备上，并使用测量工具(如千分尺、游标卡尺等)进行测量和校准。
手动分中的测量过程通常由操作人员手动操作测量工具来测量工具或工件的尺寸和特征。这可能涉及到测量长度、直径、角度、平行度、垂直度等参数，具体取决于所测量的工具或工件的要求。手动分中的测量精度和准确性取决于操作人员的技能和经验，以及所使用的测量工具的精度。由于手动操作的限制，手动分中的测量结果可能会受到人为误差的影响，因此需要经过经验丰富的操作人员进行准确的测量和校准。手动分中广泛应用于制造业和质量控制领域，用于测量和校准各种工具、零件和组件，可以用于检查和验证产品的尺寸、形状、位置和相对关系，确保产品的质量和一致性。
然而，随着时间的推移，旧雷顿机台控制器会逐渐老化，接触感知灵敏度下降，导致手动分中时接触力度不均，从而造成分中偏中的情况，使得测量结果产生偏差，需要重新分中及重新测量，影响检测的效率和准确性。
因此，在本申请中提供一种优化的用于铜公测量的自动分中方案。
在本申请的一个实施例中，提供一种雷顿三坐标自动分中编程改善方法。应可以理解，在改善前，如图1A、1B和1C所示，，雷顿三次元测铜公都是用手动分中，手动分中都是靠接触感知来打点的，因旧雷顿机台控制器老化，接触感知灵敏度下降，人为手动分中容易造成接触力度不均，容易造成分中偏中，在实际测量中有百分之60的人为分中偏中0.004左右，百分之15的人为分中偏中0.005～0.01，当重点铜公偏中超过0.004以上，需要重新分中及重新测量。复测率在百分之10左右，对检测效率影响很大。
进一步地，如图1D、1E和1F所示，本申请提供的改善方案为：对铜公编程外挂的POS文件重新编辑，在文件最后增加自动分中代码，后续每个铜公编程，都会自动增加一段自动分中代码，当测量铜公时，三次元自动运行分中，保证每个铜公测量后都是绝对中心。避免了分中不准重新测量。
针对上述技术问题，本申请的技术构思为对铜公编程外挂的POS文件重新编辑，在文件最后增加自动分中程序。这样，在测量铜公时，都会进行自动分中，以保证每个铜公测量后都是绝对中心，避免了分中的不准确性导致的重新测量操作，从而提高了测量的效率和精准度。
在本发明的一个实施例中，图2为本发明实施例中提供的一种用于铜公测量的自动分中方法的流程图。图3为本发明实施例中提供的一种用于铜公测量的自动分中方法的系统架构的示意图。如图2和图3所示，根据本发明实施例的用于铜公测量的自动分中方法100，包括：110，获取由光学传感器采集的待测铜公图像；120，对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征；以及，130，基于所述铜公轮廓特征，确定中心点。
在所述步骤110中，确保光学传感器的位置和角度正确，以获得清晰且准确的铜公图像。确保铜公表面干净，无杂质或污渍，以避免影响图像分析的准确性。其中，通过光学传感器采集图像，可以实时获取铜公的外观特征。还可以消除人为因素的影响，提高测量的准确性和一致性。
在所述步骤120中，使用图像处理算法和技术，如边缘检测、二值化、形态学操作等，提取铜公的轮廓特征。针对铜公的形状和尺寸特点，选择合适的图像处理方法，以确保准确提取铜公的轮廓。其中，通过图像特征分析，可以自动提取铜公的轮廓，准确捕捉其形状和尺寸信息。还可以快速、准确地获取铜公的相关特征，提高测量效率和准确性。
在所述步骤130中，根据铜公的轮廓特征，计算出铜公的几何中心点。考虑到铜公可能存在不规则形状或边缘不完整的情况，选择适当的算法来确定中心点。其中，确定铜公的中心点，可以提供关于铜公位置和对称性的重要信息。中心点的准确确定有助于进一步分析和测量铜公的其他特征，如直径、圆度等。
通过上述步骤，一方面，可以提高测量的自动化程度，减少人工操作的需求，提高生产效率。一方面，可以通过图像处理和分析技术，提高测量的准确性和一致性。另一方面，可以实时获取铜公的尺寸和形状信息，帮助制造商进行质量控制和检测。再一方面，可以应用于大规模生产，快速测量和评估铜公的特征，提高生产效率和产品质量。
具体地，在所述步骤110中，获取由光学传感器采集的待测铜公图像。在本申请的技术方案中，首先，获取由光学传感器采集的待测铜公图像。通过光学传感器采集的图像，可以提供待测铜公的准确外观信息，包括其形状、边缘轮廓等，这些信息是确定铜公中心点的基础。
待测铜公图像可以用于图像特征分析，通过对图像进行处理和分析，可以提取铜公的轮廓特征，这些特征可以用于计算铜公的中心点。待测铜公图像可以帮助确定铜公在图像中的位置和方向，通过图像处理和模式识别技术，可以识别铜公的位置并进行定位，从而为后续的中心点计算提供准确的参考。光学传感器采集的图像可以提供高分辨率和清晰度，有助于准确测量铜公的形状和尺寸，通过对图像进行分析和处理，可以减少人为误差和主观因素的影响，提高测量的精度和准确性。
获取由光学传感器采集的待测铜公图像是自动分中方法中关键的一步，为后续的图像特征分析和中心点确定提供了必要的信息和基础，有助于实现准确的铜公测量和分析。
具体地，在所述步骤120中，对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征。图4为本发明实施例中提供的一种用于铜公测量的自动分中方法中步骤120的子步骤的流程图。如图4所示，对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征，包括：121，计算所述待测铜公图像的轮廓点分布直方图；122，在所述轮廓点分布直方图指定第一中心点以得到标识有第一中心点的轮廓点分布直方图；123，通过基于深度神经网络模型的特征提取器对所述标识有第一中心点的轮廓点分布直方图进行特征提取以得到铜公轮廓特征矩阵；124，对所述铜公轮廓特征矩阵进行空间维度强化以得到所述铜公轮廓特征。
其中，所述深度神经网络模型为卷积神经网络模型。
首先，计算待测铜公图像的轮廓点分布直方图。轮廓点分布直方图可以提供有关铜公轮廓形状和边缘分布的信息，通过直方图分析，可以了解铜公轮廓的整体形态、尺寸以及边缘的特征。
然后，在轮廓点分布直方图中指定第一中心点，以得到标识有第一中心点的轮廓点分布直方图。通过指定第一中心点，可以更准确地定位铜公的中心位置，标识有第一中心点的直方图可以提供关于铜公中心位置的定量信息。
接着，通过基于深度神经网络模型的特征提取器对标识有第一中心点的轮廓点分布直方图进行特征提取，以得到铜公轮廓特征矩阵。基于深度神经网络模型的特征提取器可以学习和提取铜公轮廓的高级特征，铜公轮廓特征矩阵可以表示铜公轮廓的关键特征，如形状、曲率等，为后续的分析和测量提供基础。
最后，对铜公轮廓特征矩阵进行空间维度强化，以得到铜公轮廓特征。空间维度强化可以进一步提取和突出铜公轮廓的重要特征，强化后的铜公轮廓特征可以更准确地描述铜公的形状和边缘特征，为后续的中心点确定提供更可靠的依据。
通过上述步骤，可以提取和分析铜公轮廓的形状、尺寸和边缘特征，为测量和分析提供准确的基础数据。借助深度神经网络模型的特征提取器，可以学习和提取更高级别的铜公轮廓特征。通过空间维度强化，可以突出铜公轮廓的关键特征，提高测量的准确性和可靠性。还可以用于后续的中心点确定、尺寸测量、形状分析等，从而实现自动化的铜公测量和质量控制。
应可以理解，在铜公测量中，铜公的形状是非常重要的，因为它直接影响到测量结果的准确性和可靠性。轮廓点分布直方图是以目标形状的最小外接圆为特征提取区域，以若干轮廓采样点分布为统计对象，以目标形状质心为圆心建立极坐标下的轮廓点分布直方图。因此，在本申请的技术方案中，进一步计算所述待测铜公图像的轮廓点分布直方图。通过计算所述待测铜公图像的轮廓点分布直方图，可以帮助识别铜公的轮廓特征，以获得关于铜公形状的信息，例如曲线的曲率、凹凸性等，这些信息有利于后续的特征提取和分类过程。并且，通过计算所述轮廓点分布直方图不仅能有效地进行形状检索且算法运行时间更低。
轮廓点分布直方图是一种用于描述待测铜公图像轮廓特征的统计工具，通过对待测铜公的轮廓进行采样，并统计每个采样点的分布情况，生成一个直方图，以展示轮廓点在不同位置的分布密度。
通过观察直方图的形状，可以了解铜公的整体形态特征。例如，如果直方图呈现出对称的形状，可能表示铜公具有对称的形状特征。通过分析直方图的峰值和谷底，可以推测铜公轮廓的曲率变化情况，峰值表示曲率较高的区域，而谷底表示曲率较低的区域。这些信息可以用于判断铜公的凹凸性和曲线特征。
直方图的柱状高度表示轮廓点在不同位置的分布密度，较高的柱状表示该位置附近有更多的轮廓点，反之则表示轮廓点较少。通过观察直方图的变化，可以了解铜公轮廓在不同位置上的密度分布情况。
轮廓点分布直方图的计算可以帮助识别铜公的轮廓特征，并提供关于铜公形状的信息。由于直方图是一种简化的统计表示形式，可以有效地进行形状检索，并且在算法运行时间上相对较低。因此，轮廓点分布直方图在铜公图像处理和特征提取中具有广泛的应用价值。
然后，由于在铜公测量中，准确确定铜公的中心位置非常重要，其会直接影响到测量结果的准确性。通过计算铜公图像的轮廓点分布直方图，可以获得关于铜公形状的信息。然而，仅仅通过轮廓点分布直方图可能无法准确确定铜公的中心位置，因为轮廓点的分布可能存在多个峰值，其中可能没有准确的中心点。为了解决这个问题，自动分中算法引入了指定第一中心点的步骤。具体来说，通过预先设定一个初始中心点，然后在所述轮廓点分布直方图中选择与初始中心点最接近的峰值点作为铜公的中心点。这样做的目的是通过引入先验信息，提高中心位置的准确性。接着，一旦确定了第一中心点，可以将其标识在所述轮廓点分布直方图上，得到标识有第一中心点的轮廓点分布直方图。这样的标识可以帮助进一步分析和处理，以便于后续判断第一中心点是否为真实中心点，从而更准确地进行自动分中。
进一步地，再将所述标识有第一中心点的轮廓点分布直方图通过基于卷积神经网络模型的特征提取器中进行特征挖掘，以提取出所述标识有第一中心点的轮廓点分布直方图中有关于铜公的形状特征分布信息，以此来更准确地进行铜公的轮廓形状特征的表达，从而得到铜公轮廓特征矩阵。
卷积神经网络(CNN)模型可以学习和提取更高级别的特征，通过多层卷积和池化操作，可以捕捉轮廓点分布直方图中更复杂的形状特征。这些高级特征可以更全面地描述铜公的轮廓形状。
CNN模型可以通过局部感受野和权重共享的方式，考虑轮廓点分布直方图中各个位置点的上下文信息，这使得特征提取器能够更好地理解铜公轮廓形状的全局结构和局部细节，提高特征的表达能力。CNN模型中的激活函数和非线性层可以对特征进行非线性映射，从而更好地捕捉轮廓点分布直方图中的形状特征，有助于提高铜公轮廓特征的表达能力和区分度。通过卷积和池化操作，CNN模型可以对特征进行降维，从而减少特征的维度，有助于减少特征的冗余性，提高特征的紧凑性和效率。CNN模型在大规模数据集上进行训练，具有较强的鲁棒性和泛化能力。通过使用CNN模型进行特征提取，可以减少对手工设计特征的依赖，提高铜公轮廓特征的鲁棒性和泛化能力。
基于卷积神经网络模型的特征提取器可以更准确地挖掘标识有第一中心点的轮廓点分布直方图中与铜公形状特征相关的信息，并生成更具描述能力的铜公轮廓特征矩阵。这将为后续的铜公测量和形状分析提供更可靠和有效的特征表示。
在本申请的一个实施例中，对所述铜公轮廓特征矩阵进行空间维度强化以得到所述铜公轮廓特征，包括：将所述铜公轮廓特征矩阵通过空间注意力模块以得到空间维度强化铜公轮廓特征矩阵作为所述铜公轮廓特征。
接着，考虑到在铜公测量和自动分中过程中，铜公的形状特征对于检测的准确性是非常重要的。然而，仅仅通过所述卷积神经网络提取的特征提取可能无法充分捕捉到铜公形状中的重要细节和空间结构。也就是说，在实际进行第一中心点的检测过程中，在进行铜公的轮廓形状特征提取时，需要更加关注于空间位置上有关于铜公的空间特征信息。因此，在本申请的技术方案中，进一步将所述铜公轮廓特征矩阵通过空间注意力模块中进行空间特征增强处理，从而得到空间维度强化铜公轮廓特征矩阵。所述空间注意力模块是一种用于增强特征表示的技术，它可以根据输入的特征图自适应地学习到不同空间位置的重要性权重。通过引入所述空间注意力模块，可以使网络更加关注铜公轮廓特征矩阵中的重要空间区域，提高对铜公形状中的细节和空间结构的感知能力，进而提高测量的准确性和鲁棒性，以更准确地判断铜公的中心位置是否准确。
应可以理解，空间注意力模块是一种用于增强特征表示的模块，可以在特征矩阵的空间维度上进行加权调节，以提取和强化特定位置的信息。通过引入空间注意力模块，可以使模型更加关注铜公轮廓特征矩阵中重要的空间位置，从而提高铜公轮廓特征的表达能力和判别能力。
首先，通过一个小型的卷积操作，将输入的铜公轮廓特征矩阵进行特征转换，得到一个新的特征表示。这个特征转换操作可以帮助模型更好地理解和提取铜公轮廓特征矩阵中的信息。然后，为了引入空间维度的信息，通常会对每个位置进行编码，这可以通过添加位置编码向量或者使用卷积操作来实现。位置编码可以帮助模型学习到不同位置之间的关系和重要性。接着，在空间注意力模块中，关键的步骤是计算每个位置的注意力权重。这可以通过使用注意力机制来实现，例如自注意力机制(self-attention)或者卷积注意力机制(convolutional attention)，注意力权重表示每个位置在特征表示中的重要程度。最后，通过将注意力权重与特征表示相乘，可以将注意力权重应用于特征矩阵，从而强化特定位置的信息。这个特征融合操作可以使模型更加关注铜公轮廓特征矩阵中具有重要性的位置，提高特征的判别能力。
通过引入空间注意力模块，可以对铜公轮廓特征矩阵进行空间维度的强化，使模型能够更加准确地捕捉铜公形状的关键特征。空间注意力模块可以帮助模型自动学习到不同位置的重要性，并将注意力集中在最相关的位置上，从而提高铜公轮廓特征的表达能力和区分度。
具体地，在所述步骤130中，基于所述铜公轮廓特征，确定中心点，包括：将所述空间维度强化铜公轮廓特征矩阵通过分类器以得到分类结果，所述分类结果用于表示第一中心点是否为中心点。
通过使用空间注意力模块增强特征表示，可以使分类器更加关注铜公轮廓特征矩阵中重要的空间位置，有助于提高分类器对于第一中心点是否为中心点的判别能力，从而提高分类的准确性。
空间注意力模块可以根据输入的铜公轮廓特征矩阵自适应地学习到不同位置的重要性。这使得分类器能够根据具体的铜公形状和结构，对不同位置的特征进行灵活的调节和利用，提高分类的鉴别能力。
继而，再将所述空间维度强化铜公轮廓特征矩阵通过分类器以得到分类结果，所述分类结果用于表示第一中心点是否为中心点。也就是说，利用经过空间特征增强后的有关于铜公的形状轮廓特征分布信息来进行分类处理，从而进行中心点的准确性检测。
在本申请的一个实施例中，所述用于铜公测量的自动分中方法，还包括训练步骤：用于对所述基于卷积神经网络模型的特征提取器、所述空间注意力模块和所述分类器进行训练。所述训练步骤，包括：获取训练数据，所述训练数据包括训练待测铜公图像，以及，所述第一中心点是否为中心点的真实值；计算所述训练待测铜公图像的训练轮廓点分布直方图；在所述训练轮廓点分布直方图指定第一中心点以得到标识有第一中心点的训练轮廓点分布直方图；将所述标识有第一中心点的训练轮廓点分布直方图通过所述基于卷积神经网络模型的特征提取器以得到训练铜公轮廓特征矩阵；将所述训练铜公轮廓特征矩阵通过所述空间注意力模块以得到训练空间维度强化铜公轮廓特征矩阵；将所述训练空间维度强化铜公轮廓特征矩阵通过所述分类器以得到分类损失函数值；基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于卷积神经网络模型的特征提取器、所述空间注意力模块和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，对所述训练空间维度强化铜公轮廓特征矩阵展开后得到的空间维度强化铜公轮廓特征向量进行权重空间的细粒度密度预测搜索优化。
特别地，在本申请的技术方案中，将所述标识有第一中心点的轮廓点分布直方图通过基于卷积神经网络模型的特征提取器以得到铜公轮廓特征矩阵时，会对所述标识有第一中心点的轮廓点分布直方图的源图像语义进行基于所述卷积神经网络模型的二维卷积核的局部关联特征编码，以得到所述铜公轮廓特征矩阵的每个位置的特征值，并且，再通过空间注意力模块，可以对于所述铜公轮廓特征矩阵的某些空间位置上的特征值进行注意力强化，以便于强化空间维度上的局部图像语义特征分布，这样，所述空间维度强化铜公轮廓特征矩阵的整体特征分布会在空间的行和列维度上具有多维度的空间上下文关联分布，并且，如上所述，所述空间维度强化铜公轮廓特征矩阵的每个特征值都会具有对应的注意力强化的局部关联编码特征表达，也就是，所述空间维度强化铜公轮廓特征矩阵具有多维度空间上下文下的超分辨率表达特性，这会影响通过分类器进行分类时的训练效率。
因此，在将所述空间维度强化铜公轮廓特征矩阵通过分类器进行分类器的训练时，在每次迭代中，对所述空间维度强化铜公轮廓特征矩阵展开后得到的空间维度强化铜公轮廓特征向量，例如记为Vc，进行权重空间的细粒度密度预测搜索优化，表示为：在所述训练过程的每一轮迭代中，以如下优化公式对所述训练空间维度强化铜公轮廓特征矩阵展开后得到的空间维度强化铜公轮廓特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练空间维度强化铜公轮廓特征矩阵；其中，所述优化公式为：
其中，是M1和M2分别是上次和本次迭代的权重矩阵，Vc是所述训练空间维度强化铜公轮廓特征向量，和/>分别表示特征向量V1和V2的全局均值，且Vb是偏置向量，⊙表示按位置点乘，/>表示向量加法，/>表示矩阵乘法，min(·)表示最小值，V'c是所述优化训练空间维度强化铜公轮廓特征向量。
这里，针对所述空间维度强化铜公轮廓特征向量在多维度上下文下的超分辨率表达特性，所述权重空间的细粒度密度预测搜索优化可以通过所述空间维度强化铜公轮廓特征向量的投影的向量空间的前馈序列化映射，在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时，降低权重搜索空间内的所述空间维度强化铜公轮廓特征向量的表示的总序列复杂性(overall sequential complexity)，从而提升训练效率。这样，能够在进行铜公测量时进行自动分中，以保证每个铜公测量后都是绝对中心，避免了分中的不准确性导致的重新测量操作，从而提高了测量的效率和精准度。
综上，基于本发明实施例的用于铜公测量的自动分中方法100被阐明，其对铜公编程外挂的POS文件重新编辑，在文件最后增加自动分中程序。这样，在测量铜公时，都会进行自动分中，以保证每个铜公测量后都是绝对中心，避免了分中的不准确性导致的重新测量操作，从而提高了测量的效率和精准度。
图5为本发明实施例中提供的一种用于铜公测量的自动分中系统的框图。如图5所示，所述用于铜公测量的自动分中系统，包括：图像特征分析模块220，用于对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征；以及，中心点确定模块230，用于基于所述铜公轮廓特征，确定中心点。
在所述用于铜公测量的自动分中系统中，所述图像特征分析模块，包括：直方图计算单元，用于计算所述待测铜公图像的轮廓点分布直方图；第一中心点指定单元，用于在所述轮廓点分布直方图指定第一中心点以得到标识有第一中心点的轮廓点分布直方图；特征提取单元，用于通过基于深度神经网络模型的特征提取器对所述标识有第一中心点的轮廓点分布直方图进行特征提取以得到铜公轮廓特征矩阵；空间维度强化单元，用于对所述铜公轮廓特征矩阵进行空间维度强化以得到所述铜公轮廓特征。
本领域技术人员可以理解，上述用于铜公测量的自动分中系统中的各个步骤的具体操作已经在上面参考图1到图4的用于铜公测量的自动分中方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的用于铜公测量的自动分中系统100可以实现在各种终端设备中，例如用于铜公测量的自动分中的服务器等。在一个示例中，根据本发明实施例的用于铜公测量的自动分中系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于铜公测量的自动分中系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于铜公测量的自动分中系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于铜公测量的自动分中系统100与该终端设备也可以是分立的设备，并且该用于铜公测量的自动分中系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图6为本发明实施例中提供的一种用于铜公测量的自动分中方法的应用场景图。如图6所示，在该应用场景中，首先，获取由光学传感器采集的待测铜公图像(例如，如图6中所示意的C)；然后，将获取的待测铜公图像输入至部署有用于铜公测量的自动分中算法的服务器(例如，如图6中所示意的S)中，其中所述服务器能够基于用于铜公测量的自动分中算法对所述待测铜公图像进行处理，以确定中心点。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种用于铜公测量的自动分中方法，其特征在于，包括：
获取由光学传感器采集的待测铜公图像；
对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征；以及
基于所述铜公轮廓特征，确定中心点；
其中，对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征，包括：
计算所述待测铜公图像的轮廓点分布直方图；
在所述轮廓点分布直方图指定第一中心点以得到标识有第一中心点的轮廓点分布直方图；
通过基于深度神经网络模型的特征提取器对所述标识有第一中心点的轮廓点分布直方图进行特征提取以得到铜公轮廓特征矩阵；
对所述铜公轮廓特征矩阵进行空间维度强化以得到所述铜公轮廓特征；
其中，所述深度神经网络模型为卷积神经网络模型；
其中，对所述铜公轮廓特征矩阵进行空间维度强化以得到所述铜公轮廓特征，包括：将所述铜公轮廓特征矩阵通过空间注意力模块以得到空间维度强化铜公轮廓特征矩阵作为所述铜公轮廓特征；
其中，基于所述铜公轮廓特征，确定中心点，包括：将所述空间维度强化铜公轮廓特征矩阵通过分类器以得到分类结果，所述分类结果用于表示第一中心点是否为中心点。
2.根据权利要求1所述的用于铜公测量的自动分中方法，其特征在于，还包括训练步骤：用于对所述基于卷积神经网络模型的特征提取器、所述空间注意力模块和所述分类器进行训练。
3.根据权利要求2所述的用于铜公测量的自动分中方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括训练待测铜公图像，以及，所述第一中心点是否为中心点的真实值；
计算所述训练待测铜公图像的训练轮廓点分布直方图；
在所述训练轮廓点分布直方图指定第一中心点以得到标识有第一中心点的训练轮廓点分布直方图；
将所述标识有第一中心点的训练轮廓点分布直方图通过所述基于卷积神经网络模型的特征提取器以得到训练铜公轮廓特征矩阵；
将所述训练铜公轮廓特征矩阵通过所述空间注意力模块以得到训练空间维度强化铜公轮廓特征矩阵；
将所述训练空间维度强化铜公轮廓特征矩阵通过所述分类器以得到分类损失函数值；
基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于卷积神经网络模型的特征提取器、所述空间注意力模块和所述分类器进行训练，其中，在训练过程的每一轮迭代中，对所述训练空间维度强化铜公轮廓特征矩阵展开后得到的空间维度强化铜公轮廓特征向量进行权重空间的细粒度密度预测搜索优化。
4.根据权利要求3所述的用于铜公测量的自动分中方法，其特征在于，在训练过程的每一轮迭代中，以如下优化公式对所述训练空间维度强化铜公轮廓特征矩阵展开后得到的空间维度强化铜公轮廓特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练空间维度强化铜公轮廓特征矩阵；
其中，所述优化公式为：其中，是 />和/>分别是上次和本次迭代的权重矩阵，/>是所述训练空间维度强化铜公轮廓特征向量，/>和分别表示特征向量/>和/>的全局均值，且/>是偏置向量，/>表示按位置点乘，/>表示向量加法，/>表示矩阵乘法，/>表示最小值，/>是所述优化训练空间维度强化铜公轮廓特征向量。
5.一种用于铜公测量的自动分中系统，其特征在于，包括：
图像获取模块，用于获取由光学传感器采集的待测铜公图像；
图像特征分析模块，用于对所述待测铜公图像进行图像特征分析以得到铜公轮廓特征；以及
中心点确定模块，用于基于所述铜公轮廓特征，确定中心点；
其中，所述图像特征分析模块，包括：
直方图计算单元，用于计算所述待测铜公图像的轮廓点分布直方图；
第一中心点指定单元，用于在所述轮廓点分布直方图指定第一中心点以得到标识有第一中心点的轮廓点分布直方图；
特征提取单元，用于通过基于深度神经网络模型的特征提取器对所述标识有第一中心点的轮廓点分布直方图进行特征提取以得到铜公轮廓特征矩阵；
空间维度强化单元，用于对所述铜公轮廓特征矩阵进行空间维度强化以得到所述铜公轮廓特征；
其中，所述深度神经网络模型为卷积神经网络模型；
其中，所述空间维度强化单元，用于：将所述铜公轮廓特征矩阵通过空间注意力模块以得到空间维度强化铜公轮廓特征矩阵作为所述铜公轮廓特征；
其中，所述中心点确定模块，用于：将所述空间维度强化铜公轮廓特征矩阵通过分类器以得到分类结果，所述分类结果用于表示第一中心点是否为中心点。
CN202311127185.8A 2023-09-04 2023-09-04 用于铜公测量的自动分中方法及其系统 Active CN117291874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311127185.8A CN117291874B (zh) 2023-09-04 2023-09-04 用于铜公测量的自动分中方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311127185.8A CN117291874B (zh) 2023-09-04 2023-09-04 用于铜公测量的自动分中方法及其系统

Publications (2)

Publication Number Publication Date
CN117291874A CN117291874A (zh) 2023-12-26
CN117291874B true CN117291874B (zh) 2024-05-28

Family

ID=89257999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311127185.8A Active CN117291874B (zh) 2023-09-04 2023-09-04 用于铜公测量的自动分中方法及其系统

Country Status (1)

Country Link
CN (1) CN117291874B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1954099A (zh) * 2004-03-17 2007-04-25 肯尼科特犹他州铜冶公司 通过特别低总线电压供能的无线电解池监控
CN202622411U (zh) * 2012-04-13 2012-12-26 璇瑰塑胶工业(深圳)有限公司 数控机床铜公夹具
CN108429834A (zh) * 2018-03-30 2018-08-21 广东欧珀移动通信有限公司 显示屏组件及移动终端
CN108647799A (zh) * 2018-03-06 2018-10-12 河海大学 基于分汊河道引调水预测上游河道顶托天数的方法
CN110899874A (zh) * 2019-11-29 2020-03-24 东莞市闻誉实业有限公司 铜工标准定制夹具、铜工加工方法及铜工应用方法
CN213437671U (zh) * 2020-05-11 2021-06-15 西安昆仑汽车电子有限公司 一种注塑机球头喷嘴新型维修装置
CN213661678U (zh) * 2020-12-11 2021-07-09 深圳市众为精密科技有限公司 一种应用于5g手机的铝合金复杂异形曲面精密结构件
CN217667087U (zh) * 2022-07-12 2022-10-28 珠海市勇诚五金塑胶有限公司 一种五金结构件焊接螺柱工装
CN218673405U (zh) * 2022-11-22 2023-03-21 三威实业（珠海）有限公司 一种用于装夹铜公四角检测的检测结构
CN116167989A (zh) * 2023-02-10 2023-05-26 昇兴博德新材料温州有限公司 铝杯的智能化生产方法及其系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080316503A1 (en) * 2004-09-08 2008-12-25 Smarsh Steven G Automated Inspection Comparator/Shadowgraph System

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1954099A (zh) * 2004-03-17 2007-04-25 肯尼科特犹他州铜冶公司 通过特别低总线电压供能的无线电解池监控
CN202622411U (zh) * 2012-04-13 2012-12-26 璇瑰塑胶工业(深圳)有限公司 数控机床铜公夹具
CN108647799A (zh) * 2018-03-06 2018-10-12 河海大学 基于分汊河道引调水预测上游河道顶托天数的方法
CN108429834A (zh) * 2018-03-30 2018-08-21 广东欧珀移动通信有限公司 显示屏组件及移动终端
CN110899874A (zh) * 2019-11-29 2020-03-24 东莞市闻誉实业有限公司 铜工标准定制夹具、铜工加工方法及铜工应用方法
CN213437671U (zh) * 2020-05-11 2021-06-15 西安昆仑汽车电子有限公司 一种注塑机球头喷嘴新型维修装置
CN213661678U (zh) * 2020-12-11 2021-07-09 深圳市众为精密科技有限公司 一种应用于5g手机的铝合金复杂异形曲面精密结构件
CN217667087U (zh) * 2022-07-12 2022-10-28 珠海市勇诚五金塑胶有限公司 一种五金结构件焊接螺柱工装
CN218673405U (zh) * 2022-11-22 2023-03-21 三威实业（珠海）有限公司 一种用于装夹铜公四角检测的检测结构
CN116167989A (zh) * 2023-02-10 2023-05-26 昇兴博德新材料温州有限公司 铝杯的智能化生产方法及其系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
自行车外胎花粒成形铜公的多轴加工;匡和碧;;CAD/CAM与制造业信息化;20140217(第Z1期);论文全文 *
面向曲面零件的在线检测系统误差补偿技术研究;陈岳坪;邓海祥;高健;杨泽鹏;;湘潭大学自然科学学报;20120615(第02期);论文全文 *

Also Published As

Publication number Publication date
CN117291874A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN109658398B (zh) 一种基于三维测量点云的零件表面缺陷识别与评估方法
CN109115812A (zh) 一种焊缝底片缺陷识别方法及系统
US8103376B2 (en) System and method for the on-machine 2-D contour measurement
KR20200137219A (ko) 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치
CN115496746A (zh) 基于图像和点云数据融合的板材表面缺陷检测方法和系统
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN102609712A (zh) 用于移动机器人的类圆形指针式仪表读数方法
CN108008006B (zh) 一种焊缝缺陷检测方法、装置、设备及系统
CN110766095A (zh) 基于图像灰度特征的缺陷检测方法
CN113222982A (zh) 基于改进的yolo网络的晶圆表面缺陷检测方法及系统
CN113487533A (zh) 一种基于机器学习的零件装配质量数字化检测系统及方法
CN117372433B (zh) 厚度参数的控制方法、装置、设备及存储介质
CN115147363A (zh) 一种基于深度学习算法的影像缺陷检测和分类方法及系统
CN115082472A (zh) 一种轮毂模具浇注成型产品的质量检测方法及系统
CN115599844A (zh) 一种飞机翼面连接件错装漏装可视化检测方法
CN117589109B (zh) 石英中心托盘制作工艺的质量检测与控制方法
CN111091534A (zh) 一种基于目标检测的pcb板缺陷检测与定位方法
CN117291874B (zh) 用于铜公测量的自动分中方法及其系统
CN116728162A (zh) 金属件自动加工方法及其系统
CN116079498A (zh) 一种刀具异常信号的识别方法
CN111189396B (zh) 一种基于神经网络的增量绝对光栅尺的位移检测方法
Sahoo et al. An effective quality inspection system using image processing techniques
CN118212294B (zh) 基于三维视觉引导的自动化方法及系统
CN116626166B (zh) 一种基于改进YOLOv5金属焊缝缺陷检测方法
TWI850888B (zh) 量測輔助系統及方法

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