CN117314843A - 基于图像处理的干电池负极盖瑕疵检测与识别方法 - Google Patents
基于图像处理的干电池负极盖瑕疵检测与识别方法 Download PDFInfo
- Publication number
- CN117314843A CN117314843A CN202311187981.0A CN202311187981A CN117314843A CN 117314843 A CN117314843 A CN 117314843A CN 202311187981 A CN202311187981 A CN 202311187981A CN 117314843 A CN117314843 A CN 117314843A
- Authority
- CN
- China
- Prior art keywords
- image
- battery
- outer ring
- inner ring
- area
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000007547 defect Effects 0.000 claims description 15
- 230000002950 deficient Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000000919 ceramic Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000011179 visual inspection Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003466 welding 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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
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 Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的干电池负极盖瑕疵检测与识别方法,包括:对相机进行标定与图像校正;利用相机拍摄电池图像,采用中值滤波来预处理将要进行电池定位的初始图像;对预处理后的图像进行处理,实现对电池图像的定位;对电池区域进行分割,分割为内圆、内环、外环三部分;对分割后的各个部分的图像进行图像增强;对图像增强后的图像进行瑕疵检测与识别。本发明能够提取电池负极面的特征并有效识别出典型瑕疵,分为坑孔、漏液、划痕三类。
Description
技术领域
本发明属于计算机视觉的图像处理领域,具体为一种基于图像处理的干电池负极盖瑕疵检测与识别方法。
背景技术
电池生产过程中,为保证产品质量,必须对电池进行瑕疵检测。表面瑕疵不仅破坏电池的美感,还可能对电池的性能造成严重损害。如果缺乏有效的瑕疵检测系统,会导致电池质量等级的错误分级;同时,若未检测出瑕疵而出现电池质量问题,则可能引发安全事故。随着消费水平的不断提高,消费者对于产品的外观、质量越来越关注,生产高质量、高可靠性的产品已是大势所趋。对于电池的瑕疵检测,目前有三种检测方案:人工目检、基于图像处理的检测、基于深度学习的检测。
传统上,电池生产线采用人工目检方式进行密封电池的质量检测和分类。然而,人工目检存在以下不足:劳动强度大、检测稳定性及一致性较差;自动化程度低、生产效率低;难以形成精益化生产;人力成本高昂且存在招工难、用工难、培训难等问题。因此,基于图像处理的检测和基于深度学习的检测逐步替代了人工目检。
基于图像处理的检测,通过手动提取特征与图像处理,可以高效稳定地检测出电池的瑕疵,如坑孔、漏液、划痕、污染或异物、氧化或腐蚀、焊接不良等问题。图像处理具有成熟稳定、可解释性、计算效率高、工程实现简单等优势,既能够满足实时性要求,又能够较好地适应各种复杂的工况环境。
基于深度学习的检测以使用神经网络为主,通过使用多层卷积层、归一化层、激活函数层提取检测对象的特征,通过全连接层识别区分瑕疵。基于深度学习的检测与基于图像处理的检测的不同之处在于,不需要进行人工提取瑕疵特征,可以自动学习检测对象特征,但其缺点在于只能学习到所训练样本的特征,无法处理样本外的瑕疵特征。同时,基于深度学习的检测需要大量样本训练,同时需要较高的硬件要求,然而人工标注费时且成本昂贵,若标注样本不精确则会影响训练。
发明内容
本发明提出了一种基于图像处理的干电池负极盖瑕疵检测与识别方法。
实现本发明目的的技术方案为:一种基于图像处理的干电池负极盖瑕疵检测与识别方法,具体步骤为:
步骤1:对相机进行标定与图像校正;
步骤2:利用相机拍摄电池图像,采用中值滤波来预处理将要进行电池定位的初始图像;
步骤3:对预处理后的图像进行处理,实现对电池图像的定位;
步骤4:对电池区域进行分割,分割为内圆、内环、外环三部分;
步骤5:对分割后的各个部分的图像进行图像增强;
步骤6:对图像增强后的图像进行瑕疵检测与识别。
优选地,对相机进行标定与图像校正的具体方法为:
拍摄若干张陶瓷标定板不同方向的图像;
采用Harris角点检测算法获取陶瓷标定板角点的位置,并对初始整数角点坐标进行子像素精度优化,得到所有角点的精确的位置坐标,同时计算出相机的内部参数与畸变参数;
使用OpenCV中的不动点迭代去畸变,将畸变图像校正到正确位置。
优选地,对预处理后的图像进行处理,实现对电池图像的定位的具体方法为:
将预处理后的图像使用大津阈值分割为二值化图像,其中电池为分割出来的白色的圆,背景为黑色;
对二值化的图像进行水平和垂直投影,将水平方向与垂直方向上白色像素峰值最大处所在直线的相交点作为电池中心。
优选地,对二值化图像分别进行水平和垂直投影,像素峰值的计算公式如下:
其中Vp(j)表示二值化图像在第j列的垂直投影像素峰值,Hp(i)表示二值化图像在第i行的水平投影像素峰值,b(i,j)表示图像二值化之后的像素值,W和H分别为原始成像图片的宽高。
优选地,对电池区域进行分割的具体方法为:
使用掩膜根据半径分割出内圆、内环、外环三个区域,内圆、内环、外环的分割公式为:
其中,inside_circle、inside_ring、outside_ring分别为内圆、内环、外环,w、h分别为去除无用背景后的电池图片的宽高,r1、r2分别为内环的内径与外径,r为电池的半径也即外环的外径,*为矩阵元素乘积符号,mask(i,j,r)为二值化图像任意一像素点坐标p(i,j)的掩膜,inverse_mask(i,j,r)为反转的mask。
优选地,掩膜公式如下:
其中,r为掩膜区域的半径,d(c,p(i,j))为计算电池中心到像素点p(i,j)的欧氏距离,若小于等于半径则p(i,j)属于mask,应保留,否则应剔除。
优选地,内圆坑孔、油污与划痕的识别方法为:
使用种子填充算法检测内圆二值化图像连通域区域,将图像中每个像素点八邻域内相邻的像素值相同的点划分为同一个连通区域,并用相同的标记值进行标记;
选取第二大的连通区域进行阈值判断,若其面积大于指定坑孔面积阈值则为坑孔或油污,若其面积大于指定划痕面积且长宽比超过指定阈值则为划痕。
优选地,内环、外环瑕疵的识别方法为:
取出内环的二值图,从圆心处引出两条平行线,且两条平行线的间距略大于锁孔的间距,绕圆心一圈投影,将像素峰值最小的区域确定为锁孔区域,将锁孔区域排除;
采用以下两种方式判断内环、外环是否为瑕疵,当任意一种有瑕疵,即判定为有瑕疵:
将内环、外环的二值图圆环拉直为矩形带,计算矩形带中每行像素的方差,若方差大于一定阈值,则判定为有瑕疵;
对内环、外环的灰度图拉直为矩形带,使用卷积核计算每行像素的平均梯度,若平均梯度超过指定阈值,则判定为有瑕疵。
本发明与现有技术相比,其显著优点为:本发明从成像到图像预处理,再到瑕疵的检测与识别,识别准确率高、硬件成本低、处理速度高效,能够投入大规模的电池生产。本发明能够提取电池负极面的特征并有效识别出典型瑕疵,分为坑孔、漏液、划痕三类;同时,还能检测与识别出对于目前已有电池检测方案未能检测与识别的不明显瑕疵。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明的流程图。
图2为电池图像分割的三个区域的示意图。
图3为电池中心定位图像。
图4为射线寻找半径的示意图。
具体实施方式
一种基于图像处理的干电池负极盖瑕疵检测与识别方法,包括从流水线现场拍摄的图像中精确定位并分割出电池负极盖图像,主要步骤为相机标定与图像校正、图像预处理、电池图像定位,而后分离电池可能出现瑕疵的三个区域:内圆、内环和外环,如图2所示识别。对分割好的负极盖图像使用图像处理技术对电池负极盖进行检测与识别。具体步骤为:
步骤1:对相机进行标定与图像校正;
进一步的实施例或者,通过标定参照物,由相机成像,并通过数字图像处理的方法,以及后期的空间算术运算计算相机的内参和外参。在某些实施例中,选取陶瓷标定板为参照物。
进一步的实施例中,对相机进行标定与图像校正的具体步骤为:
首先,拍摄多张陶瓷标定板不同方向的图像,确保标定板呈现完整且边缘清晰。
然后,采用Harris角点检测算法获取陶瓷标定板角点的位置,并对初始整数角点坐标进行子像素精度的优化,最终得到所有角点的精确的位置坐标,同时计算出相机的内部参数与畸变参数。
最后,使用OpenCV中的不动点迭代去畸变,即可将畸变图像校正到正确位置。
步骤2:利用相机拍摄电池图像,采用中值滤波来预处理将要进行电池定位的初始图像,消除噪声干扰,并保留边缘特征。中值滤波公式如下:
g(x,y)=Median{f(i,j),(i,j∈W)}#(6-1)
其中g(x,y)为处理后的像素值,f(i,j)为处理前像素的灰度值,W为中值滤波模板,使用的大小为3×3。
步骤3:对电池图像进行定位;
为了解决电池在相机画幅中位置不确定的问题,通常可以采用圆形霍夫变换或模板匹配的方法来定位电池。然而,在电池产线上,由于转台旋转速度和摄像机延迟等因素的影响,传统的方法可能无法满足时间效率要求。根据对大量电池样本的观察,发现电池图像具有以下特征:(1)尽管受外力影响,电池图像大致呈现在一个区域内;(2)电池在成像中的亮度明显高于转盘,因为电池的反射率高于转盘的反射率;(3)电池图像大致呈现规则的圆形。
本发明对图像进行处理从而实现电池定位,具体方法为:
将预处理后的图像使用大津(OTSU)阈值分割为二值化图像,其中电池为分割出来的白色的圆,背景为黑色。
通过二值化后的图像中分离出电池图像。电池的图像几乎为一个圆,故对其二值化的图像进行水平和垂直投影后,会在圆心处产生明显的峰值,水平方向与垂直方向上白色像素峰值最大处所在直线的相交点为圆心,即为电池中心,如图3所示。此方法相比霍夫变换和模板匹配更简单、更直观,适用于具有明显对称性的圆面物体,且该方法实现简单,无需大量计算与参数调整。二值化图像分别进行水平和垂直投影,像素峰值的计算公式如下:
其中Vp(j)表示二值化图像在第j列的垂直投影像素峰值,Hp(i)表示二值化图像在第i行的水平投影像素峰值,b(i,j)表示图像二值化之后的像素值,W和H分别为原始成像图片的宽高。
然后,确定图片中的电池中心位置后,还需要计算出电池外接圆的半径,以便于对电池和背景进行分离,对此本发明使用了一种基于统计的投票法,找出半径的最大可能长度,具体步骤为:从图像两侧发射出512道射线,找到该射线的阶跃区域计算其到上述电池中心的距离,对上述距离进行统计学分析即可得到电池的外接圆半径,如图4所示。若统计出的半径不符合规格的误差,则该电池属于不合格,不进入后续瑕疵的检测与识别。
最后,根据电池的中心坐标与半径,生成一个方形掩膜来分离电池与绝大多数无用的背景,掩膜内的像素保留,掩膜外的像素丢弃,最终得到最小的内接圆的方形电池图片,后续对此图片进行区域分割与相关检测算法。
步骤4:对电池区域进行分割;
由于电池在内圆、内环、外环有各自的特征,且瑕疵在这三个区域有对应的分布形式,故为提高识别准确率将电池图片进行区域分割,分为内圆、内环、外环三部分,后续再对这三部分分别检测与识别。电池的生产符合一定规格,其内圆、内环、外环三个区域相对电池中心的位置基本固定,即相对电池中心的半径基本固定,使用掩膜根据半径分割出内圆、内环、外环三个区域,掩膜公式如下:
其中,mask(i,j,r)为坐标p(i,j)的掩膜,r为掩膜区域的半径,d(c,p(i,j))为计算电池中心到像素点p(i,j)的欧氏距离,若小于等于半径则p(i,j)属于mask,应保留,否则应剔除;inverse_mask(i,j,r)为反转的mask,实现的功能与mask相反,若大于半径则p(i,j)属于inverse_mask,否则应剔除。
内圆、内环、外环的分割公式为下:
其中,inside_circle、inside_ring、outside_ring分别为内圆、内环、外环,w、h分别为去除无用背景后的电池图片的宽高,遍历图片的每个像素点,r1、r2分别为内环的内径与外径,r为电池的半径也即外环的外径,*为矩阵元素乘积符号。由此,可以分割出内圆、内环、外环的图像,后续对其进行检测与识别。
步骤5:对分割后的各个图像进行图像增强,使用傅里叶高通滤波保留边缘特征,抑制纹理特征,从而使边缘特征更加清晰和突出,便于后续的检测与识别。
步骤6:对图像增强后的图像进行瑕疵检测与识别。
对于电池负极盖上的内圆,其出现的瑕疵多数为坑孔、油污与划痕,故将内圆图像通过大津阈值分割算法转为二值化的图像,若电池内圆内无坑孔、油污、划痕,则应为一副纯白的内圆图像,否则至少会出现带有黑色像素的区域,但黑色像素也可能是成像或图像增强后经大津阈值分割算法出现的,故需超过一定的阈值才可判别为坑孔、油污、划痕。本发明使用种子填充算法检测连通域区域,将图像中特定的种子点周围的像素扩展为一个连通区域,并用相同的标记值进行标记。白色背景一定为最大的连通区域,故选取第二大的连通区域进行阈值判断,若其面积大于指定坑孔面积阈值则为坑孔或油污,若其面积大于指定划痕面积且长宽比超过指定阈值则为划痕。
电池内环与外环一般会有小的瑕疵,少数会出现坑孔与油污,同时,对于一个合格的电池其表面纹理一定为均匀的,因此检测电池内环与外环图像的同一周向像素的均匀性判别是否有瑕疵,并且使用二值图和灰度图进行检测。内环与外环两者的检测方式是一致的,但内环具有锁孔,锁孔的二值图为黑色会干扰瑕疵的检测,故需要先单独处理。取出内环的二值图,从圆心处引出两条平行线,其间距略大于锁孔的间距,绕圆心一圈投影,像素峰值最小的区域为锁孔区域,将其排除,不考虑在检测的范围内。因内环、外环的宽度不大,对内环、外环的二值图可以将其圆环拉直近似为矩形带,计算矩形带中每行像素的方差,若方差大于一定阈值,则判定为有瑕疵。实际中可能还会出现瑕疵不明显,导致二值化的图片未能分割出瑕疵,故还需对内环、外环的灰度图进行判别。灰度图同样对内环、外环拉直为矩形带,使用卷积核计算每行像素的平均梯度,若平均梯度超过指定阈值,则判定为有瑕疵。两种方式任意一种判定为有瑕疵即表示有瑕疵。
本发明能够提供一套高效、完整的电池负极盖瑕疵的检测与识别流程,从成像到图像预处理,再到瑕疵的检测与识别,识别准确率高、硬件成本低、处理速度高效,能够投入大规模的电池生产。本发明能够提取电池负极面的特征并有效识别出典型瑕疵,分为坑孔、漏液、划痕三类;同时,还能检测与识别出对于目前已有电池检测方案未能检测与识别的不明显瑕疵。
本发明考虑实际电池的生产环境,基于图像处理的检测已经能够胜任生产要求,同时所需硬件成本低,检测与识别的准确率高。
Claims (8)
1.一种基于图像处理的干电池负极盖瑕疵检测与识别方法,其特征在于,具体步骤为:
步骤1:对相机进行标定与图像校正;
步骤2:利用相机拍摄电池图像,采用中值滤波来预处理将要进行电池定位的初始图像;
步骤3:对预处理后的图像进行处理,实现对电池图像的定位;
步骤4:对电池区域进行分割,分割为内圆、内环、外环三部分;
步骤5:对分割后的各个部分的图像进行图像增强;
步骤6:对图像增强后的图像进行瑕疵检测与识别。
2.根据权利要求1所述的基于图像处理的干电池负极盖瑕疵检测与识别方法,其特征在于,对相机进行标定与图像校正的具体方法为:
拍摄若干张陶瓷标定板不同方向的图像;
采用Harris角点检测算法获取陶瓷标定板角点的位置,并对初始整数角点坐标进行子像素精度优化,得到所有角点的精确的位置坐标,同时计算出相机的内部参数与畸变参数;
使用OpenCV中的不动点迭代去畸变,将畸变图像校正到正确位置。
3.根据权利要求1所述的基于图像处理的干电池负极盖瑕疵检测与识别方法,其特征在于,对预处理后的图像进行处理,实现对电池图像的定位的具体方法为:
将预处理后的图像使用大津阈值分割为二值化图像,其中电池为分割出来的白色的圆,背景为黑色;
对二值化的图像进行水平和垂直投影,将水平方向与垂直方向上白色像素峰值最大处所在直线的相交点作为电池中心。
4.根据权利要求3所述的基于图像处理的干电池负极盖瑕疵检测与识别方法,其特征在于,对二值化图像分别进行水平和垂直投影,像素峰值的计算公式如下:
其中Vp(j)表示二值化图像在第j列的垂直投影像素峰值,Hp(i)表示二值化图像在第i行的水平投影像素峰值,b(i,j)表示图像二值化之后的像素值,W和H分别为原始成像图片的宽高。
5.根据权利要求1所述的基于图像处理的干电池负极盖瑕疵检测与识别方法,其特征在于,对电池区域进行分割的具体方法为:
使用掩膜根据半径分割出内圆、内环、外环三个区域,内圆、内环、外环的分割公式为:
其中,inside_circle、inside_ring、outside_ring分别为内圆、内环、外环,w、h分别为去除无用背景后的电池图片的宽高,r1、r2分别为内环的内径与外径,r为电池的半径也即外环的外径,*为矩阵元素乘积符号,mask(i,j,r)为二值化图像任意一像素点坐标p(i,j)的掩膜,inverse_mask(i,j,r)为反转的mask。
6.根据权利要求5所述的基于图像处理的干电池负极盖瑕疵检测与识别方法,其特征在于,掩膜公式如下:
其中,r为掩膜区域的半径,d(c,p(i,j))为计算电池中心到像素点p(i,j)的欧氏距离,若小于等于半径则p(i,j)属于mask,应保留,否则应剔除。
7.根据权利要求1所述的基于图像处理的干电池负极盖瑕疵检测与识别方法,其特征在于,内圆坑孔、油污与划痕的识别方法为:
使用种子填充算法检测内圆二值化图像连通域区域,将图像中每个像素点八邻域内相邻的像素值相同的点划分为同一个连通区域,并用相同的标记值进行标记;
选取第二大的连通区域进行阈值判断,若其面积大于指定坑孔面积阈值则为坑孔或油污,若其面积大于指定划痕面积且长宽比超过指定阈值则为划痕。
8.根据权利要求1所述的基于图像处理的干电池负极盖瑕疵检测与识别方法,其特征在于,内环、外环瑕疵的识别方法为:
取出内环的二值图,从圆心处引出两条平行线,且两条平行线的间距略大于锁孔的间距,绕圆心一圈投影,将像素峰值最小的区域确定为锁孔区域,将锁孔区域排除;
采用以下两种方式判断内环、外环是否为瑕疵,当任意一种有瑕疵,即判定为有瑕疵:
将内环、外环的二值图圆环拉直为矩形带,计算矩形带中每行像素的方差,若方差大于一定阈值,则判定为有瑕疵;
对内环、外环的灰度图拉直为矩形带,使用卷积核计算每行像素的平均梯度,若平均梯度超过指定阈值,则判定为有瑕疵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311187981.0A CN117314843A (zh) | 2023-09-14 | 2023-09-14 | 基于图像处理的干电池负极盖瑕疵检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311187981.0A CN117314843A (zh) | 2023-09-14 | 2023-09-14 | 基于图像处理的干电池负极盖瑕疵检测与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314843A true CN117314843A (zh) | 2023-12-29 |
Family
ID=89285802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311187981.0A Pending CN117314843A (zh) | 2023-09-14 | 2023-09-14 | 基于图像处理的干电池负极盖瑕疵检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314843A (zh) |
-
2023
- 2023-09-14 CN CN202311187981.0A patent/CN117314843A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
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 | |
WO2020248439A1 (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN109886954B (zh) | 一种印刷品缺陷检测方法 | |
CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及系统 | |
CN115290663A (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN116012292A (zh) | 一种基于机器视觉的晶圆外观缺陷检测方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116704516A (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN114998356A (zh) | 一种基于图像处理的车桥缺陷检测方法 | |
CN117333467B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
CN114092682A (zh) | 基于机器学习的小金具类缺陷检测算法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及系统 |
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 |