CN117740673A - 一种工件表面缺陷检测系统 - Google Patents
一种工件表面缺陷检测系统 Download PDFInfo
- Publication number
- CN117740673A CN117740673A CN202311516192.7A CN202311516192A CN117740673A CN 117740673 A CN117740673 A CN 117740673A CN 202311516192 A CN202311516192 A CN 202311516192A CN 117740673 A CN117740673 A CN 117740673A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- subunit
- image
- calibration
- repair
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000033001 locomotion Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008439 repair process Effects 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000003068 static effect Effects 0.000 abstract description 5
- 238000009966 trimming Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本说明书实施例提供了一种工件表面缺陷检测系统,包括标定模块、采集模块、振动检测模块和处理模块;标定模块用于对标准工件标定得到标定图像,采集模块用于采集待测工件的运动图像、距离参数、振动幅度和运动速度;振动检测模块用于检测待测工件的振动幅度;处理模块用于对三个模块得到的待测工件数据进行处理后,利用修整模型根据距离参数、振动幅度、偏移角度和运动速度对运动图像进行修正得到修图图像,对所述待测工件进行缺陷检测。本发明能够最大程度上还原工件在静止情况下的图像,实现了工件异常运动状态下高精度表面缺陷检测。
Description
技术领域
本文件涉及机器视觉及检测技术领域,尤其涉及一种工件表面缺陷检测系统。
背景技术
为了保证工件的良品率,工件在加工完毕后,需要对工件表面的划痕、缺陷、异物遮挡、颜色污染、孔洞等缺陷进行检测,在传统工艺中,利用人工对工件表面进行缺陷检测,存在检测效率和检测精度低的缺陷。在现有的缺陷检测中,大多采用机器视觉技术对工件表面缺陷进行检测,有效提升了缺陷检测的检测效率和检测精度。进行缺陷检测的工件一般是放置在传动机构上,利用传动机构的输送带带动工件移动至采集装置处,利用采集装置采集工件表面图像以进行缺陷检测,当传动机构发生故障时,工件的运动状态发生变化,工件可能在竖直方向上抖动以及水平面各方向上移动,此时采集装置采集到的工件表面图像模糊不清,无法用于缺陷检测,因此现有的缺陷检测系统无法满足工件异常运动状态下的高精度表面缺陷检测。
发明内容
本说明书一个或多个实施例提供了一种工件表面缺陷检测系统,包括:
标定模块,设置于输送带的标定工位,用于对标准工件进行标定,得到标定图像,所述标定图像中包括若干第一标定特征点;
采集模块,设置于输送带的采样工位,用于在待测工件运动至采样工位时,对所述待测工件的运动参数及运动图像进行采集,所述运动参数包括待测工件与输送带上端面的距离参数和待测工件沿输送带运动方向的运动速度,所述运动图像包括若干第二标定特征点;
振动检测模块,包括振动传感元件,所述振动传感元件设置于待测工件上,用于实时检测并采集待测工件上的振动幅度;
处理模块,连接所述标定模块、采集模块和振动监测模块,用于对三个模块得到的待测工件数据进行处理后,对所述待测工件进行缺陷检测;
所述处理模块具体包括分析单元、修复单元和识别单元:
所述分析单元,用于分析所述运动图像与标定图像中第一标定特征点与第二标定特征点连接形成的特征边线之间的夹角,得到所述待测工件在水平方向上的偏移角度;
所述修复单元,与所述分析单元连接,用于将所述运动图像、偏移角度、振动幅度、距离参数和运动速度输入预先训练完毕的修复模型中,得到修复图像;
所述识别单元,与所述修复单元连接,用于对所述修复图像进行缺陷检测,得到所述待测工件的缺陷检测结果。
进一步地,所述标定模块具体用于:采集标准工件的标准图像,通过OpenCV算法识别标准图像中若干第一标定特征点,得到标定图像。
进一步地,所述采集模块包括多个激光测距传感器、非接触式测速仪和高速摄像头;
所述激光测距传感器固定设置在采样工位的上端,用于在待测工件运动到采样工位时采集当前激光测距传感器与所述待测工件上端面的测试距离,得到所述待测工件与输送带上端面的距离参数;
所述非接触式测速仪设置在输送带的侧端,用于在待测工件运动到采样工位时采集所述待测工件沿输送带运动方向的运动速度;
所述高速摄像头设置在所述采样工位对应的输送带的上方,用于采集所述待测工件运动至当前采样工位时的运动图像。
进一步地,所述分析单元具体包括计算子单元和分析子单元;
所述计算子单元具体用于:基于同一直角坐标系,分别将所述标定图像和运动图像中处于同一直线上的第一标定特征点和第二标定特征点进行连接,得到特征边线;
所述分析子单元具体用于:与所述计算子单元连接,分析所述标定图像和运动图像中同一特征边线之间的夹角大小,取所有夹角大小的均值作为运动图像相对于标定图像的偏移角度。
进一步地,所述修复单元具体包括存储子单元和训练子单元;
所述存储子单元具体用于:存储若干原始数据,所述原始数据被预先按一定比例划分为训练集和测试集;所述原始数据包括若干标准图像、若干修复参数和若干训练图像,所述修复参数包括历史偏移角度、历史振动幅度、历史距离参数和历史运动速度;
所述训练子单元具体用于:连接所述存储子单元,以所述训练集中的标准图像和修复参数为输入,训练图像为输出,训练初始模型,训练完成后得到修复模型;其中,所述初始模型为BP神经网络模型。
进一步地,所述存储子单元为非易失性存储器。
进一步地,所述训练集和测试集的比例为6:1。
进一步地,所述修复单元还包括测试子单元和优化子单元;
所述测试子单元具体用于:连接所述训练子单元和存储子单元,将所述测试集中的标准图像和相应的若干修复参数输入训练完成的鞋服模型,得到若干修复图像;
所述优化子单元具体用于:计算测试子单元得到的各修复图像与测试集中相应的训练图像的综合相似度,若所述综合相似度不大于预设阈值,则调整所述修复模型的参数并重新进行训练,直到所述综合相似度大于预设阈值。
进一步地,所述修复子单元还包括矫正子单元,所述矫正子单元具体用于:
与所述训练子单元连接,用于根据各所述距离参数处理得到当前待测工件的滞空翻转角度,并根据所述滞空翻转角度对所述修复模型的参数进行调整,以得到矫正过后的所述修复模型。
进一步地,所述高速摄像头的型号为phantom v641;所述振动传感元件的型号为BL25-29。
采用本发明实施例,首先对标准工件标定得到标定图像,从标定图像中获取得到标定特征点,并在待测工件运动至采样工位时,采集待测工件的运动图像、距离参数、振动幅度和运动速度,对运动图像及标定图像中各标定特征点分析得到偏移角度,利用修复模型根据距离参数、振动幅度、偏移角度和运动速度对运动图像进行修正得到修复图像,修复图像最大程度上还原工件在静止情况下的图像,对修复图像进行缺陷检测,实现了待测工件异常运动状态下高精度表面缺陷检测。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本说明书一个或多个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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例提供的一种工件表面缺陷检测系统的组成示意图。
附图标记:1、标定模块;2、采集模块;3、振动检测模块;4、处理模块;41、分析单元;411、计算子单元;412、分析子单元;42、修复单元;421、存储子单元;422、训练子单元;423、测试子单元;424、优化子单元;425、矫正子单元;43、识别单元。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
本发明实施例提供了一种工件表面缺陷检测系统,图1为本说明书一个或多个实施例提供的一种工件表面缺陷检测系统的组成示意图,如图1所示,根据本发明实施例的工件表面缺陷检测系统具体包括:
标定模块1,设置于输送带的标定工位,用于对标准工件进行标定,得到标定图像,所述标定图像中包括若干第一标定特征点。
标定工位可以固定工件的位置,因此标准工件和待测工件的标定图像中特征点的位置是一致的,区别在于标准工件的表面不包含缺陷,标定模块1具体用于:采集标准工件的标准图像,并通过OpenCV算法识别标准图像中若干第一标定特征点,得到标定图像。
采集模块2,设置于输送带的采样工位,用于在待测工件运动至采样工位时,对所述待测工件的运动参数及运动图像进行采集,所述运动参数包括待测工件与输送带上端面的距离参数和待测工件沿输送带运动方向的运动速度,所述运动图像包括若干第二标定特征点。
所述采集模块2包括多个激光测距传感器、非接触式测速仪和高速摄像头;
所述激光测距传感器均固定设置在采样工位的上端,用于在待测工件运动到采样工位时采集当前激光测距传感器与所述待测工件上端面的测试距离,得到所述待测工件与输送带上端面的距离参数;
具体的,由于各激光测距传感器距离输送带上端面的距离是固定距离,因此当待测工件运动至采样工位时若因传送机构故障而与输送带上端面脱离时,通过激光测距传感器采集此时激光测距传感器距离工件上端面的测试距离,然后用固定距离分别与各测试距离做差即可得到距离参数;
所述非接触式测速仪设置在输送带的侧端,用于在待测工件运动到采样工位时采集所述待测工件沿输送带运动方向的运动速度;
所述高速摄像头设置在所述采样工位对应的输送带的上方,用于采集所述待测工件运动至当前采样工位时的运动图像。
本实施例中,采用的高速摄像头的型号为phantom v641。
振动检测模块3,包括振动传感元件,所述振动传感元件设置于待测工件上,用于实时检测并采集待测工件上的振动幅度;本实施例中,采用的振动传感元件的型号可以为BL25-29。
处理模块4,为智能终端,连接所述标定模块1、采集模块2和振动监测模块3,用于对三个模块得到的待测工件数据进行处理后,对所述待测工件进行缺陷检测;具体的:
所述处理模块具体包括分析单元41、修复单元42和识别单元43:
所述分析单元41,用于分析所述运动图像与标定图像中第一标定特征点与第二标定特征点连接形成的特征边线之间的夹角,得到所述待测工件在水平方向上的偏移角度。
分析单元41具体包括计算子单元411和分析子单元422;
计算子单元411具体用于:基于同一直角坐标系,分别将所述标定图像和运动图像中处于同一直线上的第一标定特征点和第二标定特征点进行连接,得到特征边线;
分析子单元412具体用于:与所述计算子单元连接,分析所述标定图像和运动图像中同一特征边线之间的夹角大小,取所有夹角大小的均值作为运动图像相对于标定图像的偏移角度。
本实施例中,为了计算运动图像与标定图像在水平方向上的偏移角度,需要先将标定图像和运动图像设置在同一直角坐标系中,然后将处于同一直线上的各标定特征点连接形成特征边线,在标定图像和运动图像中可能存在若干组特征边线,分析子单元412在分析得到偏移角度的过程中,计算各组特征边线之间的夹角的均值作为偏移角度,取均值的操作能使得偏移角度更能从整体上反映出运动图像与标定图像在水平方向上的角度偏差量。
修复单元42与所述分析单元41连接,用于将所述运动图像、偏移角度、振动幅度、距离参数和运动速度输入预先训练完毕的修复模型中,得到修复图像。
修复单元42具体包括存储子单元421和训练子单元422;
存储子单元421具体用于:存储若干原始数据,所述原始数据被预先按一定比例划分为训练集和测试集;所述原始数据包括若干标准图像、若干修复参数和若干训练图像,所述修复参数包括历史偏移角度、历史振动幅度、历史距离参数和历史运动速度;
训练子单元422具体用于:连接所述存储子单元,以所述训练集中的标准图像和修复参数为输入,训练图像为输出,训练初始模型,训练完成后得到修复模型。
本实施例中,初始模型为BP神经网络模型,BP神经网络模型的突出优点就是具有很强的非线性映射能力和柔性的网络结构,网络的中间层数、各层的神经元个数可根据具体情况任意设定,并且随着结构的差异其性能也有所不同。存储子单元421可以为非易失性存储器,非易失性存储器中存储有若干组原始数据。其中,修复参数包括历史偏移角度、历史振动幅度、历史距离参数和历史运动速度,均由采集模块2和振动检测模块3在历史时刻采集到的实际数据,具有真实性。训练子单元422利用训练集中的数据重新训练初始模型,将其训练成修复模型,该修复模型可以实现根据输入的偏移角度、振动幅度、距离参数和运动速度对运动图像进行修正得到修正图像,得到的修正图像滤除了工件异常运动状态下水平方向上的偏移量、竖直方向上的振动与偏移量的影响,因此能够最大程度上还原工件在静止情况下的图像,与识别单元43配合能够实现工件异常运动状态下高精度表面缺陷检测。
对初始模型进行训练时,原始数据按照6:1的比例划分训练集与测试集,在保证训练量的同时,具备足够的用于测试模型精度的数据,能够有效提升模型的预测精度。
所述修复单元还包括测试子单元423和优化子单元424;
测试子单元423具体用于:连接所述训练子单元422和存储子单元421,将所述测试集中的标准图像和相应的若干修复参数输入训练完成的修复模型,得到若干修复图像;
优化子单元424具体用于:计算测试子单元得到的各修复图像与测试集中相应的训练图像的综合相似度,若所述综合相似度不大于预设阈值,则调整所述修复模型的参数并重新进行训练,直到所述综合相似度大于预设阈值。
具体地,本实施例中,为了保证修复模型的预测精度,将测试集中的标准图像及相应的若干修复参数输入修复模型得到若干张修复图像,然后计算各张修复图像与测试集中相应的各张训练图像的图像相似度,求均值得到综合相似度,该综合相似度可以从整体上反映修复模型在当前状态下的预测精度。其中相似度阈值可以为95%,当综合相似度大于95%的时候,表明当前状态下的预测精度足够高,因此可以作为修复模型输出;当综合相似度不大于95%的时候,表明当前状态下的预测精度不足,需要对模型进行优化后重新训练,直至优化完毕的修复模型的预测精度符合上述精度需求,则可以输出,通过上述设置保证了修复模型的预测精度。
所述修复单元42还包括矫正子单元425,所述矫正子单元425具体用于:
与所述训练子单元422连接,用于根据距离参数处理得到当前待测工件的滞空翻转角度,并根据所述滞空翻转角度对所述修复模型的输入层与隐藏层之间的权重参数进行调整,以得到矫正过后的所述修复模型;所述距离参数包括待测工件上各点与输送带上端面之间的点位距离。
具体地,本实施例中,激光测距传感器有多个,均设置在采样工位的上端固定位置,由于各激光测距传感器距离输送带上端面的位置是固定距离,因此当运动至采样工位的工件因传送机构故障而与输送带上端面脱离时,通过采集此时激光测距传感器距离工件上端面的测试距离,固定距离与其中测试距离做差即可得到距离参数:包括待测工件上各点与输送带上端面之间的点位距离。当运动至采样工位的工件因传送机构故障而与输送带上端面脱离时,滞空的工件大概率无法与输送带的上端面保持平行,因此滞空的工件与输送带的上端面之间存在滞空翻转角度,该滞空翻转角度也会对修复模型对运动图像的修复造成影响,导致最终修复得到的修复图像与静止状态下的图像之间的相似度降低。为了滤除工件的滞空翻转角度的影响,在计算得到多个点位距离后,根据各激光测距传感器在水平面上之间的分布位置,以及相应的点位距离,在三维坐标系中可以计算得到滞空的工件与水平面之间的偏移角度,由于输送带的上端面与水平面是平行的,因此该偏移角度可以作为滞空翻转角度。利用滞空翻转角度进一步矫正修复模型,使得最终得到的修复模型不受到工件的滞空翻转角度的影响,因而预测精度进一步提升,进而对工件表面缺陷检测的精度进一步提升。
识别单元43,与所述修复单元42连接,用于对所述修复图像进行缺陷检测,得到所述待测工件的缺陷检测结果。
本发明有益效果如下:
本发明通过对标准工件标定得到标定图像,从标定图像中获取得到标定特征点,并在待测的工件运动至采样工位时,采集工件的运动图像、距离参数、振动幅度和运动速度,对运动图像及标定图像中各标定特征点分析得到偏移角度,利用修整模型根据距离参数、振动幅度、偏移角度和运动速度对运动图像进行修正得到修图图像,该修复图像与原始的运动图像相比,滤除了工件异常运动状态下水平方向上的偏移量、竖直方向上的振动与偏移量的影响,能够最大程度上还原工件在静止情况下的图像,进而实现了工件异常运动状态下高精度表面缺陷检测。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种工件表面缺陷检测系统,其特征在于,包括:
标定模块,设置于输送带的标定工位,用于对标准工件进行标定,得到标定图像,所述标定图像中包括若干第一标定特征点;
采集模块,设置于输送带的采样工位,用于在待测工件运动至采样工位时,对所述待测工件的运动参数及运动图像进行采集,所述运动参数包括待测工件与输送带上端面的距离参数和待测工件沿输送带运动方向的运动速度,所述运动图像包括若干第二标定特征点;
振动检测模块,包括振动传感元件,所述振动传感元件设置于待测工件上,用于实时检测并采集待测工件上的振动幅度;
处理模块,连接所述标定模块、采集模块和振动监测模块,用于对三个模块得到的待测工件数据进行处理后,对所述待测工件进行缺陷检测;
所述处理模块具体包括分析单元、修复单元和识别单元:
所述分析单元,用于分析所述运动图像与标定图像中第一标定特征点与第二标定特征点连接形成的特征边线之间的夹角,得到所述待测工件在水平方向上的偏移角度;
所述修复单元,与所述分析单元连接,用于将所述运动图像、偏移角度、振动幅度、距离参数和运动速度输入预先训练完毕的修复模型中,得到修复图像;
所述识别单元,与所述修复单元连接,用于对所述修复图像进行缺陷检测,得到所述待测工件的缺陷检测结果。
2.根据权利要求1所述的系统,其特征在于,所述标定模块具体用于:采集标准工件的标准图像,通过OpenCV算法识别标准图像中若干第一标定特征点,得到标定图像。
3.根据权利要求1所述的系统,其特征在于,所述采集模块包括多个激光测距传感器、非接触式测速仪和高速摄像头;
所述激光测距传感器固定设置在采样工位的上端,用于在待测工件运动到采样工位时采集当前激光测距传感器与所述待测工件上端面的测试距离,得到所述待测工件与输送带上端面的距离参数;
所述非接触式测速仪设置在输送带的侧端,用于在待测工件运动到采样工位时采集所述待测工件沿输送带运动方向的运动速度;
所述高速摄像头设置在所述采样工位对应的输送带的上方,用于采集所述待测工件运动至当前采样工位时的运动图像。
4.根据权利要求1所述的系统,其特征在于,所述分析单元具体包括计算子单元和分析子单元;
所述计算子单元具体用于:基于同一直角坐标系,分别将所述标定图像和运动图像中处于同一直线上的第一标定特征点和第二标定特征点进行连接,得到特征边线;
所述分析子单元具体用于:与所述计算子单元连接,分析所述标定图像和运动图像中同一特征边线之间的夹角大小,取所有夹角大小的均值作为运动图像相对于标定图像的偏移角度。
5.根据权利要求1所述的系统,其特征在于,所述修复单元具体包括存储子单元和训练子单元;
所述存储子单元具体用于:存储若干原始数据,所述原始数据被预先按一定比例划分为训练集和测试集;所述原始数据包括若干标准图像、若干修复参数和若干训练图像,所述修复参数包括历史偏移角度、历史振动幅度、历史距离参数和历史运动速度;
所述训练子单元具体用于:连接所述存储子单元,以所述训练集中的标准图像和修复参数为输入,训练图像为输出,训练初始模型,训练完成后得到修复模型;其中,所述初始模型为BP神经网络模型。
6.根据权利要求5所述的系统,其特征在于,所述存储子单元为非易失性存储器。
7.根据权利要求5所述的系统,其特征在于,所述训练集和测试集的比例为6:1。
8.根据权利要求5所述的系统,其特征在于,所述修复单元还包括测试子单元和优化子单元;
所述测试子单元具体用于:连接所述训练子单元和存储子单元,将所述测试集中的标准图像和相应的若干修复参数输入训练完成的鞋服模型,得到若干修复图像;
所述优化子单元具体用于:计算测试子单元得到的各修复图像与测试集中相应的训练图像的综合相似度,若所述综合相似度不大于预设阈值,则调整所述修复模型的参数并重新进行训练,直到所述综合相似度大于预设阈值。
9.根据权利要求5所述的系统,其特征在于,所述修复子单元还包括矫正子单元,所述矫正子单元具体用于:
与所述训练子单元连接,用于根据各所述距离参数处理得到当前待测工件的滞空翻转角度,并根据所述滞空翻转角度对所述修复模型的参数进行调整,以得到矫正过后的所述修复模型。
10.根据权利要求3所述的系统,其特征在于,所述高速摄像头的型号为phantom v641;所述振动传感元件的型号为BL25-29。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311516192.7A CN117740673A (zh) | 2023-11-13 | 2023-11-13 | 一种工件表面缺陷检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311516192.7A CN117740673A (zh) | 2023-11-13 | 2023-11-13 | 一种工件表面缺陷检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117740673A true CN117740673A (zh) | 2024-03-22 |
Family
ID=90251567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311516192.7A Pending CN117740673A (zh) | 2023-11-13 | 2023-11-13 | 一种工件表面缺陷检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117740673A (zh) |
-
2023
- 2023-11-13 CN CN202311516192.7A patent/CN117740673A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255787B (zh) | 基于深度学习和图像处理技术的丝锭划痕检测系统及方法 | |
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN108931531B (zh) | 一种织物疵点自动检测方法、系统和计算机可读存储介质 | |
CN102095733B (zh) | 一种基于机器视觉对瓶盖表面瑕疵的智能检测方法 | |
CN106568783B (zh) | 一种五金零件缺陷检测系统及方法 | |
CN103808734B (zh) | 汽车零配件全自动检测设备 | |
CN111696077A (zh) | 一种基于WaferDet网络的晶圆缺陷检测方法 | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
CN113112501B (zh) | 一种基于深度学习的车载轨道巡检装置及方法 | |
CN111591715A (zh) | 一种皮带纵向撕裂检测方法及装置 | |
CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 | |
CN111398287A (zh) | 一种电池极片划痕检测系统及检测方法 | |
CN103207186A (zh) | 自动验布机疵点检测识别方法及其系统 | |
CN113375566B (zh) | 物体尺寸的精确测量方法及系统 | |
CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN105574845A (zh) | 一种多相机阵列烟标叠层数量测量方法及装置 | |
CN116465315B (zh) | 一种网版质量自动化检测方法及系统 | |
CN113343834A (zh) | 基于机器视觉和激光线的皮带跑偏诊断方法 | |
CN117740673A (zh) | 一种工件表面缺陷检测系统 | |
CN109622926A (zh) | 一种面向铸锭过程的锭块边缘检测方法 | |
CN114549403A (zh) | 一种机械零部件侧剖面多单体智能精密几何圆心检测方法 | |
Ye et al. | Automatic optical apparatus for inspecting bearing assembly defects | |
CN115575407B (zh) | 一种应用于轨道与隧道的检测方法 | |
CN117169282B (zh) | 药品包装用复合膜的质量检测方法与系统 |
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 |