CN117862068A - 一种瑕疵产品分拣程序验证方法、设备及存储介质 - Google Patents
一种瑕疵产品分拣程序验证方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117862068A CN117862068A CN202410181363.3A CN202410181363A CN117862068A CN 117862068 A CN117862068 A CN 117862068A CN 202410181363 A CN202410181363 A CN 202410181363A CN 117862068 A CN117862068 A CN 117862068A
- Authority
- CN
- China
- Prior art keywords
- image
- sorting
- flaw
- product
- algorithm
- 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
- 230000002950 deficient Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 239000003086 colorant Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 239000000872 buffer Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 8
- 239000000047 product Substances 0.000 description 80
- 238000005457 optimization Methods 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明公开了一种瑕疵产品分拣程序验证方法、设备及存储介质，包括如下步骤：S1、利用摄像头捕获待检测产品的图像，S2、通过计算机视觉算法对捕获的图像进行预处理，包括去噪、对比度调整和边缘增强，S3、利用图像识别技术从预处理后的图像中提取产品特征，包括形状、尺寸、颜色和纹理，S4、将提取的特征与预设的瑕疵特征标准进行比对，以识别出瑕疵产品，S5、根据识别结果，控制自动化分拣系统将瑕疵产品从生产线上分离出来。本发明具备高效率、高精度、灵活性高、可拓展的优点。
Description
技术领域
本发明涉及产品分拣技术领域，尤其涉及一种瑕疵产品分拣程序验证方法、设备及存储介质。
背景技术
在当前的工业生产中，产品质量控制尤为重要，特别是对于瑕疵产品的识别与分拣。传统的瑕疵识别方法主要依赖人工视觉检查，这种方法在一定程度上有效，但存在效率低下、准确性不稳定等缺陷。随着技术的发展，一些自动化设备被引入以提高检测效率，但这些设备通常只能识别特定类型的瑕疵，缺乏灵活性和适应性。
此外，大多数现有的自动化系统无法同时处理大量数据，导致在实际应用中难以适应快速变化的生产需求。例如，对于不同类型的产品，传统系统可能需要重新配置或升级，这不仅增加了成本，还影响了生产效率。
另一个问题是，现有技术往往缺乏有效的数据分析能力。在生产过程中，能够收集和分析大量数据对于优化生产流程、提高产品质量和降低成本至关重要。然而，许多现有的自动化系统并未充分利用这些数据进行实时优化和调整。
因此，现有技术的主要缺陷在于：效率不高、灵活性和适应性差、缺乏有效的数据驱动优化机制。针对这些问题，需要一种新的方法来提高瑕疵产品分拣的效率和准确性，同时具有更好的灵活性和扩展性，能够有效利用生产数据进行优化。因此，如何提供一种瑕疵产品分拣程序验证方法是本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于提出一种基于计算机视觉的瑕疵产品分拣程序验证方法。本发明充分利用了计算机视觉技术和机器学习算法，实现了对制造过程中产品的自动瑕疵检测和分拣。具备高效率、高精度、灵活性高、可拓展的优点。
根据本发明实施例的一种瑕疵产品分拣程序验证方法、设备及存储介质，包括如下步骤：
S1、利用摄像头捕获待检测产品的图像；
S2、通过计算机视觉算法对捕获的图像进行预处理，包括去噪、对比度调整和边缘增强；
S3、利用图像识别技术从预处理后的图像中提取产品特征，包括形状、尺寸、颜色和纹理；
S4、将提取的特征与预设的瑕疵特征标准进行比对，以识别出瑕疵产品；
S5、根据识别结果，控制自动化分拣系统将瑕疵产品从生产线上分离出来。
可选的，所述S1具体包括：
S11、选用具备高分辨率和动态范围的摄像头，在预设光照条件下捕获待检测产品的连续图像；
S12、所述摄像头安装在可调节的支架上，从不同角度捕获产品图像；
S13、摄像头与图像处理单元连接，图像处理单元负责实时接收、处理和缓存从摄像头传输的图像数据；
S14、在捕获图像时，应用高动态范围成像技术，通过调整曝光参数优化图像亮度，增强产品的细节可视性：
其中，Lmax表示图像中的最大亮度值，Lmin表示最小亮度值。
可选的，所述S2具体包括：
S21、使用去噪算法对捕获的产品图像进行降噪处理：
D(I)＝Io-N；
其中，Io代表原始图像，N代表估计的噪声；
S22、进行动态对比度调整：
其中，α为对比度调整系数，为图像的平均亮度；
S23、利用边缘增强算法：
其中，β为边缘增强系数，为图像的梯度；
S24、采用质量评估算法对预处理的图像进行评估：
其中，Fi(I)代表第i个质量评估指标，wi为其权重；
S25、采用自适应算法对图像进行局部处理：
其中，Gj(I)是针对图像I的第j个局部特性的处理函数，hj(I)为相应的处理系数。
可选的，所述S3具体包括：
S31、采用深度学习算法对预处理后的图像进行特征提取，提取的特征包括形状、尺寸、颜色和纹理；
S32、对于形状特征，采用轮廓检测算法：
其中，I为图像，为二阶导数，用于识别边界和轮廓；
S33、尺寸特征提取通过测量检测到的轮廓的几何参数来实现，包括长度、宽度和面积；
S34、颜色特征提取利用颜色直方图技术：
其中，C代表颜色空间，p(c)为颜色c在图像中的概率分布；
S35、纹理特征提取通过分析图像的局部变化，使用灰度共生矩阵(GLCM)：
T(I)＝GLCM(I,θ,d)；
其中，θ和d分别表示灰度共生矩阵的方向和距离参数；
S36、将提取的这些特征组合，形成一个综合特征向量用于后续的瑕疵识别。
可选的，所述S4具体包括：
S41、建立一个瑕疵特征数据库，其中存储了各类产品的瑕疵特征标准，包括预定义的形状、尺寸、颜色和纹理异常模式；
S42、采用模式识别算法对提取的特征向量与瑕疵特征数据库中的标准进行匹配：
其中，F为特征向量，D为数据库中的瑕疵标准，wi为权重；
S43、设置阈值τ来确定产品是否有瑕疵，若M(F,D)>τ，则判定产品存在瑕疵；
S44、对于识别为瑕疵的产品，记录其特征向量和相应的瑕疵类型，以供后续分析和过程优化之用；
S45、周期性地更新瑕疵特征数据库，以包含新出现的瑕疵类型和模式，确保识别算法的准确性和适应性。
可选的，所述S5具体包括：
S51、根据识别结果，生成分拣指令，其中指令包括产品的位置信息和瑕疵类型；
S52、将分拣指令传输至自动化分拣系统的控制单元；
S53、自动化分拣系统根据接收到的指令，激活相应的机械臂或其他分拣装置；
S54、机械臂或分拣装置根据产品的位置信息精确定位并移除瑕疵产品：
P(x,y)＝Fd(x,y)×Am；
其中，P(x,y)代表在坐标(x,y)处的分拣动作，Fd为瑕疵检测函数，Am为分拣机械臂的动作函数；
S55、记录分拣操作的相关数据，如瑕疵产品类型、分拣时间和分拣效率，以便进行后续的数据分析和系统优化。
可选的，一种瑕疵产品分拣设备，包括：
S71、摄像头模块，用于捕获待检测产品的图像，该摄像头具备高分辨率和动态范围，能够在不同光照条件下清晰捕获产品图像；
S72、图像处理单元，连接摄像头模块，负责接收、处理和缓存捕获的图像数据，执行去噪、对比度调整和边缘增强等预处理操作；
S73、特征提取模块，用于从预处理后的图像中提取产品特征，如形状、尺寸、颜色和纹理，采用深度学习或其他图像识别技术实现；
S74、瑕疵识别单元，对比提取的特征与预设的瑕疵特征标准，通过模式识别算法确定产品是否存在瑕疵；
S75、分拣控制系统，根据瑕疵识别结果，生成分拣指令并控制分拣机械臂执行分离瑕疵产品的操作；
S76、数据记录与分析模块，用于记录分拣操作的相关数据，并进行数据分析，以优化设备性能和分拣效率。
可选的，一种瑕疵产品分拣系统所使用的存储介质，包括：
S81、存储有用于瑕疵产品分拣程序的软件代码，该代码负责指导系统完成产品的图像捕获、图像处理、特征提取、瑕疵识别和分拣控制等步骤；
S82、包含一个瑕疵特征数据库，存储多种产品的瑕疵特征信息，包括形状、尺寸、颜色、纹理等异常模式的数据和参数；
S83、存储用于图像处理的算法库，其中包括去噪、对比度调整、边缘增强等图像预处理算法的代码和参数；
S84、包含用于特征提取和瑕疵识别的机器学习模型和算法，如深度学习网络、模式识别算法等；
S85、存储自动化分拣系统的控制算法，包括分拣机械臂的运动控制、精准定位和操作指令生成等；
S86、包含数据记录和分析模块的软件代码，用于记录分拣过程中的数据，进行数据分析和系统性能优化。
本发明的有益效果是：
本发明充分利用了计算机视觉技术和机器学习算法，实现了对制造过程中产品的自动瑕疵检测和分拣。具备高效率、高精度、灵活性高、可拓展的优点。提高了分拣的安全性、准确性和效率，显著优化了生产流程。
附图说明
附图用于提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1展示了本发明提出的基于计算机视觉的瑕疵产品分拣程序验证方法的整体流程图；
图2详细描述了摄像头捕获待检测产品图像的步骤；
图3展示了图像预处理的过程，包括去噪、对比度调整和边缘增强；
图4阐述了图像特征提取的具体操作，包括形状、尺寸、颜色和纹理的提取；
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
参考图1-图4，一种瑕疵产品分拣程序验证方法、设备及存储介质，包括如下步骤：
S1、利用摄像头捕获待检测产品的图像；
本实施方式中，S1具体包括：
S11、选用具备高分辨率和动态范围的摄像头，在预设光照条件下捕获待检测产品的连续图像；
S12、所述摄像头安装在可调节的支架上，从不同角度捕获产品图像；
S13、摄像头与图像处理单元连接，图像处理单元负责实时接收、处理和缓存从摄像头传输的图像数据；
S14、在捕获图像时，应用高动态范围成像技术，通过调整曝光参数优化图像亮度，增强产品的细节可视性：
其中，Lmax表示图像中的最大亮度值，Lmin表示最小亮度值。
S2、通过计算机视觉算法对捕获的图像进行预处理，包括去噪、对比度调整和边缘增强；
本实施方式中，S2具体包括：
S21、使用去噪算法对捕获的产品图像进行降噪处理：
D(I)＝Io-N；
其中，Io代表原始图像，N代表估计的噪声；
S22、进行动态对比度调整：
其中，α为对比度调整系数，为图像的平均亮度；
S23、利用边缘增强算法：
其中，β为边缘增强系数，为图像的梯度；
S24、采用质量评估算法对预处理的图像进行评估：
其中，Fi(I)代表第i个质量评估指标，wi为其权重；
S25、采用自适应算法对图像进行局部处理：
其中，Gj(I)是针对图像I的第j个局部特性的处理函数，hj(I)为相应的处理系数。
S3、利用图像识别技术从预处理后的图像中提取产品特征，包括形状、尺寸、颜色和纹理；
本实施方式中，S3具体包括：
S31、采用深度学习算法对预处理后的图像进行特征提取，提取的特征包括形状、尺寸、颜色和纹理；
S32、对于形状特征，采用轮廓检测算法：
其中，I为图像，为二阶导数，用于识别边界和轮廓；
S33、尺寸特征提取通过测量检测到的轮廓的几何参数来实现，包括长度、宽度和面积；
S34、颜色特征提取利用颜色直方图技术：
其中，C代表颜色空间，p(c)为颜色c在图像中的概率分布；
S35、纹理特征提取通过分析图像的局部变化，使用灰度共生矩阵(GLCM)：
T(I)＝GLCM(I,θ,d)；
其中，θ和d分别表示灰度共生矩阵的方向和距离参数；
S36、将提取的这些特征组合，形成一个综合特征向量用于后续的瑕疵识别。
S4、将提取的特征与预设的瑕疵特征标准进行比对，以识别出瑕疵产品；
本实施方式中，S4具体包括：
S41、建立一个瑕疵特征数据库，其中存储了各类产品的瑕疵特征标准，包括预定义的形状、尺寸、颜色和纹理异常模式；
S42、采用模式识别算法对提取的特征向量与瑕疵特征数据库中的标准进行匹配：
其中，F为特征向量，D为数据库中的瑕疵标准，wi为权重；
S43、设置阈值τ来确定产品是否有瑕疵，若M(F,D)>τ，则判定产品存在瑕疵；
S44、对于识别为瑕疵的产品，记录其特征向量和相应的瑕疵类型，以供后续分析和过程优化之用；
S45、周期性地更新瑕疵特征数据库，以包含新出现的瑕疵类型和模式，确保识别算法的准确性和适应性。
S5、根据识别结果，控制自动化分拣系统将瑕疵产品从生产线上分离出来。
本实施方式中，S5具体包括：
S51、根据识别结果，生成分拣指令，其中指令包括产品的位置信息和瑕疵类型；
S52、将分拣指令传输至自动化分拣系统的控制单元；
S53、自动化分拣系统根据接收到的指令，激活相应的机械臂或其他分拣装置；
S54、机械臂或分拣装置根据产品的位置信息精确定位并移除瑕疵产品：
P(x,y)＝Fd(x,y)×Am；
其中，P(x,y)代表在坐标(x,y)处的分拣动作，Fd为瑕疵检测函数，Am为分拣机械臂的动作函数；
S55、记录分拣操作的相关数据，如瑕疵产品类型、分拣时间和分拣效率，以便进行后续的数据分析和系统优化。
本实施方式中，一种瑕疵产品分拣设备，包括：
S71、摄像头模块，用于捕获待检测产品的图像，该摄像头具备高分辨率和动态范围，能够在不同光照条件下清晰捕获产品图像；
S72、图像处理单元，连接摄像头模块，负责接收、处理和缓存捕获的图像数据，执行去噪、对比度调整和边缘增强等预处理操作；
S73、特征提取模块，用于从预处理后的图像中提取产品特征，如形状、尺寸、颜色和纹理，采用深度学习或其他图像识别技术实现；
S74、瑕疵识别单元，对比提取的特征与预设的瑕疵特征标准，通过模式识别算法确定产品是否存在瑕疵；
S75、分拣控制系统，根据瑕疵识别结果，生成分拣指令并控制分拣机械臂执行分离瑕疵产品的操作；
S76、数据记录与分析模块，用于记录分拣操作的相关数据，并进行数据分析，以优化设备性能和分拣效率。
本实施方式中，一种瑕疵产品分拣系统所使用的存储介质，包括：
S81、存储有用于瑕疵产品分拣程序的软件代码，该代码负责指导系统完成产品的图像捕获、图像处理、特征提取、瑕疵识别和分拣控制等步骤；
S82、包含一个瑕疵特征数据库，存储多种产品的瑕疵特征信息，包括形状、尺寸、颜色、纹理等异常模式的数据和参数；
S83、存储用于图像处理的算法库，其中包括去噪、对比度调整、边缘增强等图像预处理算法的代码和参数；
S84、包含用于特征提取和瑕疵识别的机器学习模型和算法，如深度学习网络、模式识别算法等；
S85、存储自动化分拣系统的控制算法，包括分拣机械臂的运动控制、精准定位和操作指令生成等；
S86、包含数据记录和分析模块的软件代码，用于记录分拣过程中的数据，进行数据分析和系统性能优化。
实施例1：
在某电子产品制造厂，为了提高生产线上瑕疵产品的检测和分拣效率，实施了一种基于计算机视觉的瑕疵产品分拣程序。该厂主要生产高精度电子组件，其中任何微小的瑕疵都可能影响最终产品的性能。在传统的生产流程中，瑕疵产品的检测依赖于工人的目视检查，这不仅效率低下，而且由于疲劳和主观判断的影响，检测结果的准确性和一致性难以保证。
为了解决这一问题，该厂引入了本发明的瑕疵产品分拣系统。系统首先通过高分辨率摄像头捕获待检测产品的图像。通过先进的图像处理算法，包括去噪、对比度调整和边缘增强，系统预处理这些图像以准备后续分析。随后，特征提取模块通过机器学习技术从预处理后的图像中提取产品的关键特征，如形状、尺寸、颜色和纹理。
实施该系统后，生产线上的数据显示，瑕疵识别的准确性提高了30％，同时检测速度提高了50％。例如，在一次连续8小时的运行测试中，系统成功地从数千个产品中识别出了99.8％的瑕疵产品，而传统方法的识别率仅为70％。此外，由于系统的自动化特性，原本需要三名工人完成的检测任务现在仅需一人进行监控，大大减少了劳动力成本。
表1：传统方法与本发明方法的对比
| 对比项 | 传统方法 | 本发明方法 |
| 瑕疵识别准确性 | 70％ | 99.8％ |
| 检测速度 | 基准速度 | 提高50％ |
| 工人需求 | 3人 | 1人 |
| 持续运行效率 | 低(易受疲劳影响) | 高(自动化持续运行) |
| 成本效益 | 较低 | 高 |
通过表1：传统方法与本发明方法的对比展示了在实施本发明的瑕疵产品分拣系统后，与传统人工检测方法相比，在瑕疵识别准确性、检测速度、工人需求、持续运行效率和成本效益方面的显著改进。特别是在瑕疵识别的准确性和检测速度方面，本发明方法带来了显著的优势。
通过这一实施例，本发明证明了其在提高生产效率、准确性以及降低成本方面的显著优势。与传统的人工检测方法相比，本发明大大提高了瑕疵产品检测的自动化程度和准确性，保证了电子组件的质量标准，同时为制造厂带来了经济效益和竞争优势。
Claims (8)
1.一种瑕疵产品分拣程序验证方法，其特征在于，包括以下步骤：
S1、利用摄像头捕获待检测产品的图像；
S2、通过计算机视觉算法对捕获的图像进行预处理，包括去噪、对比度调整和边缘增强；
S3、利用图像识别技术从预处理后的图像中提取产品特征，包括形状、尺寸、颜色和纹理；
S4、将提取的特征与预设的瑕疵特征标准进行比对，以识别出瑕疵产品；
S5、根据识别结果，控制自动化分拣系统将瑕疵产品从生产线上分离出来。
2.根据权利要求1所述的瑕疵产品分拣程序验证方法，其特征在于，所述S1具体包括：
S11、选用具备高分辨率和动态范围的摄像头，在预设光照条件下捕获待检测产品的连续图像；
S12、所述摄像头安装在可调节的支架上，从不同角度捕获产品图像；
S13、摄像头与图像处理单元连接，图像处理单元负责实时接收、处理和缓存从摄像头传输的图像数据；
S14、在捕获图像时，应用高动态范围成像技术，通过调整曝光参数优化图像亮度，增强产品的细节可视性：
其中，Lmax表示图像中的最大亮度值，Lmin表示最小亮度值。
3.根据权利要求1所述的瑕疵产品分拣程序验证方法，其特征在于，所述S2具体包括：
S21、使用去噪算法对捕获的产品图像进行降噪处理：
D(I)＝Io-N；
其中，Io代表原始图像，N代表估计的噪声；
S22、进行动态对比度调整：
其中，α为对比度调整系数，为图像的平均亮度；
S23、利用边缘增强算法：
其中，β为边缘增强系数，为图像的梯度；
S24、采用质量评估算法对预处理的图像进行评估：
其中，Fi(I)代表第i个质量评估指标，wi为其权重；
S25、采用自适应算法对图像进行局部处理：
其中，Gj(I)是针对图像I的第j个局部特性的处理函数，hj(I)为相应的处理系数。
4.根据权利要求1所述的瑕疵产品分拣程序验证方法，其特征在于，所述S3具体包括：
S31、采用深度学习算法对预处理后的图像进行特征提取，提取的特征包括形状、尺寸、颜色和纹理；
S32、对于形状特征，采用轮廓检测算法：
其中，I为图像，为二阶导数，用于识别边界和轮廓；
S33、尺寸特征提取通过测量检测到的轮廓的几何参数来实现，包括长度、宽度和面积；
S34、颜色特征提取利用颜色直方图技术：
其中，C代表颜色空间，p(c)为颜色c在图像中的概率分布；
S35、纹理特征提取通过分析图像的局部变化，使用灰度共生矩阵(GLCM)：
T(I)＝GLCM(I,θ,d)；
其中，θ和d分别表示灰度共生矩阵的方向和距离参数；
S36、将提取的这些特征组合，形成一个综合特征向量用于后续的瑕疵识别。
5.根据权利要求1所述的瑕疵产品分拣程序验证方法，其特征在于，所述S4具体包括：
S41、建立一个瑕疵特征数据库，其中存储各类产品的瑕疵特征标准，包括预定义的形状、尺寸、颜色和纹理异常模式；
S42、采用模式识别算法对提取的特征向量与瑕疵特征数据库中的标准进行匹配：
其中，F为特征向量，D为数据库中的瑕疵标准，wi为权重；
S43、设置阈值τ来确定产品是否有瑕疵，若M(F,D)>τ，则判定产品存在瑕疵；
S44、对于识别为瑕疵的产品，记录其特征向量和相应的瑕疵类型；
S45、周期性地更新瑕疵特征数据库，包含新出现的瑕疵类型和模式。
6.根据权利要求1所述的瑕疵产品分拣程序验证方法，其特征在于，所述S5具体包括：
S51、根据识别结果，生成分拣指令，包括产品的位置信息和瑕疵类型；
S52、将分拣指令传输至自动化分拣系统的控制单元；
S53、自动化分拣系统根据接收到的指令，激活相应的机械臂；
S54、机械臂根据产品的位置信息定位并移除瑕疵产品：
P(x,y)＝Fd(x,y)×Am；
其中，P(x,y)代表在坐标(x,y)处的分拣动作，Fd为瑕疵检测函数，Am为分拣机械臂的动作函数；
S55、记录分拣操作的分拣出的瑕疵产品类型、分拣时间和分拣效率。
7.一种瑕疵产品分拣设备，其特征在于，包括：
S71、摄像头模块具备高分辨率和动态范围，能够在不同光照条件下清晰捕获产品图像；
S72、图像处理单元接收、处理和缓存捕获的图像数据，执行去噪、对比度调整和边缘增强等预处理操作；
S73、特征提取模块从预处理后的图像中提取产品形状、尺寸、颜色和纹理特征；
S74、瑕疵识别单元，对比提取的特征与预设的瑕疵特征标准，通过模式识别算法确定产品是否存在瑕疵；
S75、分拣控制系统，根据瑕疵识别结果，生成分拣指令并控制分拣机械臂执行分离瑕疵产品的操作；
S76、数据记录与分析模块记录分拣操作的相关数据。
8.一种瑕疵产品分拣系统所使用的存储介质，其特征在于，包括以下内容：
S81、存储用于瑕疵产品分拣程序的软件代码，分拣程序的软件代码负责指导系统完成产品的图像捕获、图像处理、特征提取、瑕疵识别和分拣控制步骤；
S82、包含一个瑕疵特征数据库，存储多种产品的瑕疵特征信息，包括形状、尺寸、颜色、纹理异常模式的数据和参数；
S83、存储用于图像处理的算法库，其中包括去噪、对比度调整、边缘增强、图像预处理算法的代码和参数；
S84、包含用于特征提取和瑕疵识别的机器学习模型和算法；
S85、存储自动化分拣系统的控制算法，包括分拣机械臂的运动控制、精准定位和操作指令生成；
S86、包含数据记录和分析模块的软件代码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410181363.3A CN117862068A (zh) | 2024-02-18 | 2024-02-18 | 一种瑕疵产品分拣程序验证方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410181363.3A CN117862068A (zh) | 2024-02-18 | 2024-02-18 | 一种瑕疵产品分拣程序验证方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117862068A true CN117862068A (zh) | 2024-04-12 |
Family
ID=90586815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410181363.3A Pending CN117862068A (zh) | 2024-02-18 | 2024-02-18 | 一种瑕疵产品分拣程序验证方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117862068A (zh) |
-
2024
- 2024-02-18 CN CN202410181363.3A patent/CN117862068A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
| CN115351598A (zh) | 一种数控机床轴承检测方法 | |
| CN107085846B (zh) | 工件表面缺陷图像识别方法 | |
| CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| WO2004012148A1 (en) | Image processing method for appearance inspection | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN110490842A (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
| CN116542984A (zh) | 五金件缺陷检测方法、装置、计算机设备及存储介质 | |
| CN116309277A (zh) | 基于深度学习的钢材检测方法及系统 | |
| CN117173187B (zh) | 一种阀门故障智能检测系统 | |
| CN112985515B (zh) | 一种产品紧固件装配合格性检测方法、系统及存储介质 | |
| CN114627122A (zh) | 一种缺陷检测方法及装置 | |
| CN112561885B (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
| Tolba et al. | A self-organizing feature map for automated visual inspection of textile products | |
| CN117862068A (zh) | 一种瑕疵产品分拣程序验证方法、设备及存储介质 | |
| CN116523871A (zh) | 一种加工件缺陷检测方法、装置、电子设备及存储介质 | |
| CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
| CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN115457323A (zh) | 基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |