CN117952963A - 一种基于轮廓匹配的光伏连接器故障检测方法 - Google Patents

一种基于轮廓匹配的光伏连接器故障检测方法 Download PDF

Info

Publication number
CN117952963A
CN117952963A CN202410342603.3A CN202410342603A CN117952963A CN 117952963 A CN117952963 A CN 117952963A CN 202410342603 A CN202410342603 A CN 202410342603A CN 117952963 A CN117952963 A CN 117952963A
Authority
CN
China
Prior art keywords
image
photovoltaic connector
contour
pixel
detected
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
Application number
CN202410342603.3A
Other languages
English (en)
Inventor
林敏�
卢杭杰
吴精益
卢锞沣
文向明
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.)
Zhejiang Minghe New Energy Technology Co ltd
Original Assignee
Zhejiang Minghe New Energy 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 Zhejiang Minghe New Energy Technology Co ltd filed Critical Zhejiang Minghe New Energy Technology Co ltd
Priority to CN202410342603.3A priority Critical patent/CN117952963A/zh
Publication of CN117952963A publication Critical patent/CN117952963A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/443—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 by matching or filtering
    • 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
    • G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H02S40/34—Electrical components comprising specially adapted electrical connection means to be structurally associated with the PV module, e.g. junction boxes
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种基于轮廓匹配的光伏连接器故障检测方法，首先对待检测的光伏连接器图像进行预处理，得到检测的光伏连接器的预处理图像；然后基于像素匹配阈值对该像素进行二值化处理，得到预处理图像对应的二值化图像；再然后，确定出二值化图像的边界轮廓并基于边界轮廓的拓扑关系确定出主体轮廓；最后，比较主体轮廓特征点与预设故障图像特征点的距离确定待检测的光伏连接器的故障类型。本发明可以高效、精准的完成光伏连接器故障检测，避免了人工检测过程中由于视觉疲劳导致出错的问题。

Description

一种基于轮廓匹配的光伏连接器故障检测方法
技术领域
本发明属于光伏发电系统中光伏连接器领域，尤其涉及一种基于轮廓匹配的光伏连接器故障检测方法。
背景技术
随着近年光伏产业的迅猛发展，光伏连接器作为光伏系统的“生命线”，其连接太阳能电池板和电源装置，使得太阳能可以有效地转化为直流电，是确保电流从组件稳定传输到其他设备的重要载体。当光伏连接器发生故障时，不仅会引起发电效率下降，严重时连接器甚至会发热烧毁，进而引起大面积的火灾。
现有技术中，通过质检人员肉眼观察光伏连接器表面情况，存在存在工作量大，人力资源消耗大，容易出现漏检等缺点；而基于机器视觉深度学习的方法，存在算法复杂且训练周期长，对上位机等硬件设备性能要求高等特点。
发明内容
针对上述现有技术中的不足，本发明提供一种基于轮廓匹配的光伏连接器故障检测方法，应对光伏连接器人工检测工作量大的问题，使用工业CCD相机采集获取光伏连接器图像，针对采集获取的光伏连接器图像提取轮廓，最后将提取的轮廓与预设的光伏连接器故障轮廓进行并对并通过比对结果得到最终光伏连接器故障的类型。
本发明目的在于提供一种基于轮廓匹配的光伏连接器故障检测方法,以解决提高故障检测的速度和准确率并实现多维度检测的技术问题。
为解决上述技术问题，本发明所采用的的具体技术方案如下：
一种基于轮廓匹配的光伏连接器故障检测方法，包括步骤：
S1、获取待检测光伏连接器图像；
S2、根据待检测光伏连接器图像得到待检测光伏连接器轮廓；
S3、根据检测到的光伏连接器轮廓判断光伏连接器故障类型。
进一步的，步骤S1中所述获取待检测光伏连接器图像，包括使用工业CCD相机采集获取待检测光伏连接器图像。
进一步的，步骤S1中所述获取待检测光伏连接器图像，包括采集获取待检测光伏连接器图像后对图像进行数字化预处理运算。
进一步的，所述对采集获取待检测光伏连接器图像进行数字化预处理运算，包括滤波去噪，图像对比度增强、二值化阈值分割。
进一步的，所述图像对比度增强采用的是Sin增强方式，公式如下：
；
其中，为变换前像素点/>的灰度，g(x,y)为变换前像素点/>的灰度，a为变换前图像的最低灰度值，b为变换前图像的最高灰度值。
进一步的，所述二值化阈值分割采用改进后的OSTU二值化方法，其具体方法如下：
对于对比度增强后待检测光伏连接器图像，若其像素点的灰度值为/>，那么该图像的平均灰度值T的计算公式如下：
;
其中，m和n分别为待检测光伏连接器图像的长宽的像素点个数。根据T把图像所有像素分为两类，小于等于T的像素集合为，大于T的所有的像素的集合为/>，分别计算出/>和/>中的像素平均值/>和/>，最后在区间/>中使用OSTU算法搜索最佳分隔阈值Q。
进一步的，步骤S2中得到待检测光伏连接器轮廓，包括以下步骤：
S2.1、获取二值化图像的像素尺寸，建立定位坐标系并标记二值化图像上的像素点；
S2.2、识别二值化图像中所有像素点的灰度值，灰度值为0和1的像素点分别记为0像素和1像素；
通过对0像素和1像素将二值化像素点进行区分并将二值化图像的最上行，最下行，最左行，最右行定义为二值化图像的框架；
S2.3、将1像素组成的连通区域记作1连通域，用于表示二值化图像中的图像，将0像素组成的连通区域记作0连通域，用于表示二值化图像中的背景或孔洞；
如果0连通域包含了框架，则该0连通域为背景，反之则该0连通域为孔洞；
S2.4、如果1连通域中的1像素的4连通场景中存在0像素，则认定此像素为边界点；
S2.5、根据所述多个连续的边界点构成的图像轮廓，获取所述边界点的坐标组成边界点数据。
进一步的，步骤S3中判断光伏连接器故障类型还包括以下步骤：
S3.1、提取主体轮廓每个方向上边界上的多个特征点；
S3.2、对比轮廓对应边界上特征点的坐标与预设边界对应坐标点的距离；
主体轮廓边界上第n个特征点坐标与预设边界上第n个点坐标/>与距离/>的计算公式如下：
；
S3.3、据坐标距离判断待检测光伏连接器的故障类型。
令则对于第m种故障类型图像距离和最小所对应的故障类型即是所识别的故障类型，其中，
。
本发明的有益效果在于：基于改进的OSTU二值化方法对带检测的光伏连接器图像进行二值化处理并得到相应的二值化图像；然后，确定出二值化图像的边界轮廓并基于边界轮廓的拓扑关系确定出主体轮廓；最后，比较主体轮廓特征点与预设故障图像特征点的距离确定待检测的光伏连接器的故障类型。相对于人工检测或者基于深度学习的机器视觉检测方法，本申请能够更加快速准确地检测出光伏连接器的故障。
附图说明
图1为本发明的一种基于轮廓匹配的光伏连接器故障检测方法的流程图；
图2为本发明的一种基于轮廓匹配的光伏连接器故障检测方法的轮廓识别流程图；
图3为本发明的一种基于轮廓匹配的光伏连接器故障检测方法的坐标系建立的流程图；
图4为本发明的一种基于轮廓匹配的光伏连接器故障检测方法的获取主体轮廓边界点坐标的流程图；
图5为本发明的一种基于轮廓匹配的光伏连接器故障检测方法的故障类型判断的流程图。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于轮廓匹配的光伏连接器故障检测方法做进一步详细的描述。
如图1所示，一种基于轮廓匹配的光伏连接器故障检测方法，包括以下步骤：
S1、获取待检测光伏连接器图像；
进一步的，步骤S1中所述获取待检测光伏连接器图像，包括使用工业CCD相机采集获取待检测光伏连接器图像。
进一步的，步骤S1中所述获取待检测光伏连接器图像，包括采集获取待检测光伏连接器图像后对图像进行数字化预处理运算。
进一步的，所述对采集获取待检测光伏连接器图像进行数字化预处理运算，包括滤波去噪，图像对比度增强、二值化阈值分割。
进一步的，所述图像对比度增强采用的是Sin增强方式，公式如下：
；
其中，为变换前像素点/>的灰度，g(x,y)为变换前像素点/>的灰度，a为变换前图像的最低灰度值，b为变换前图像的最高灰度值。
进一步的，所述二值化阈值分割采用改进后的OSTU二值化方法，其具体方法如下：
对于对比度增强后待检测光伏连接器图像，若其像素点的灰度值为/>，那么该图像的平均灰度值T的计算公式如下：
;
其中，m和n分别为待检测光伏连接器图像的长宽的像素点个数。根据T把图像所有像素分为两类，小于等于T的像素集合为，大于T的所有的像素的集合为/>，分别计算出/>和/>中的像素平均值/>和/>，最后在区间/>中使用OSTU算法搜索最佳分隔阈值Q。本申请采用改进后的OSTU二值化方法获取待检测光伏连接器的二值化图像，避免了在整个灰度级上搜索最佳阈值，从而进一步提高了故障检测的效率。
S2、根据待检测光伏连接器图像得到待检测光伏连接器轮廓；
S3、根据检测到的光伏连接器轮廓判断光伏连接器故障类型。
如图2所示，在本实施例中，所述根据待检测光伏连接器图像得到待检测光伏连接器轮廓，包括以下步骤：
S2.1、获取二值化图像的像素尺寸，建立定位坐标系并标记二值化图像上的像素点；
S2.2、识别二值化图像中所有像素点的灰度值，灰度值为0和1的像素点分别记为0像素和1像素；
通过对0像素和1像素将二值化像素点进行区分并将二值化图像的最上行，最下行，最左行，最右行定义为二值化图像的框架；
S2.3、将1像素组成的连通区域记作1连通域，用于表示二值化图像中的图像，将0像素组成的连通区域记作0连通域，用于表示二值化图像中的背景或孔洞；
如果0连通域包含了框架，则该0连通域为背景，反之则该0连通域为孔洞；
S2.4、如果1连通域中的1像素的4连通场景中存在0像素，则认定此像素为边界点；
S2.5、所述多个连续的边界点构成的图像轮廓，所述边界点的坐标组成边界点数据。
如图3所示，在本实施例中，所述建立定位坐标系并标记二值化图像上的像素点，包括以下步骤：
S2.1.1、选取二值化图像一角作为原点；
S2.1.2、二值化图像中像素点以行数x以及列数y为坐标轴；
S2.1.3、坐标表示二值化图像中第x行，第y列的像素点。
如图4所示，在本实施例中，所述根据多个连续的边界点构成的图像轮廓，获取所述边界点的坐标组成边界点数据，包括以下步骤：
S2.5.1、若存在1连通域，且所述1连通域的外围环绕着0连通域，则1连通域的和0连通域交界处的图像轮廓为连通域的父轮廓；
S2.5.2、若存在1连通域，且所述1连通域的环绕着0连通域，则1连通域的和0连通域交界处的图像轮廓为连通域的子轮廓；
S2.5.3、通过判断边界轮廓是否存在父轮廓，若不存在父轮廓，则判断该轮廓为二值化图像的主体轮廓，该轮廓上的边界点的坐标为边界点数据。
如图5所示，在本实施例中，所述根据检测到的光伏连接器轮廓判断光伏连接器故障类型，包括以下步骤：
S3.1、提取主体轮廓每个方向上边界上的多个特征点；
S3.2、对比轮廓对应边界上特征点的坐标与预设边界对应坐标点的距离；
主体轮廓边界上第n个特征点坐标与预设边界上第n个点坐标/>与距离/>的计算公式如下：
；
S3.3、根据坐标距离判断待检测光伏连接器的故障类型。
令则对于第m种故障类型图像距离和最小所对应的故障类型即是所识别的故障类型，其中，
。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (9)

1.一种基于轮廓匹配的光伏连接器故障检测方法，其特征在于，包括以下步骤：
S1、获取待检测光伏连接器图像；
S2、根据待检测光伏连接器图像得到待检测光伏连接器轮廓；
S3、根据检测到的光伏连接器轮廓判断光伏连接器故障类型；
所述根据检测到的光伏连接器轮廓判断光伏连接器故障类型，包括以下步骤：
S3.1、提取主体轮廓每个方向上边界上的多个特征点；
S3.2、对比轮廓对应边界上特征点的坐标与预设边界对应坐标点的距离；
S3.3、据坐标距离判断待检测光伏连接器的故障类型。
2.根据权利要求1所述的基于轮廓匹配的光伏连接器故障检测方法，其特征在于，所述获取待检测光伏连接器图像，包括采集获取待检测光伏连接器图像后对图像进行数字化预处理运算。
3.根据权利要求2所述的基于轮廓匹配的光伏连接器故障检测方法，其特征在于，所述对采集获取待检测光伏连接器图像进行数字化预处理运算，包括滤波去噪，图像对比度增强、二值化阈值分割。
4.根据权利要求3所述的基于轮廓匹配的光伏连接器故障检测方法，其特征在于，所述图像对比度增强采用的是Sin增强方式。
5.根据权利要求3所述的基于轮廓匹配的光伏连接器故障检测方法，其特征在于，所述二值化阈值分割采用改进后的OSTU二值化方法。
6.根据权利要求1所述的基于轮廓匹配的光伏连接器故障检测方法，其特征在于，所述得到待检测光伏连接器轮廓，包括以下步骤：
S2.1、获取二值化图像的像素尺寸，建立定位坐标系并标记二值化图像上的像素点；
S2.2、识别二值化图像中所有像素点的灰度值，灰度值为0和1的像素点分别记为0像素和1像素；
通过对0像素和1像素将二值化像素点进行区分并将二值化图像的最上行，最下行，最左行，最右行定义为二值化图像的框架；
S2.3、将1像素组成的连通区域记作1连通域，用于表示二值化图像中的图像，将0像素组成的连通区域记作0连通域，用于表示二值化图像中的背景或孔洞；
如果0连通域包含了框架，则该0连通域为背景，反之则该0连通域为孔洞；
S2.4、如果1连通域中的1像素的4连通场景中存在0像素，则认定此像素为边界点；
S2.5、根据多个连续的边界点构成的图像轮廓，获取所述边界点的坐标组成边界点数据。
7.根据权利要求6所述的基于轮廓匹配的光伏连接器故障检测方法，其特征在于，所述建立定位坐标系并标记二值化图像上的像素点，包括以下步骤：
S2.1.1、选取二值化图像一角作为原点；
S2.1.2、二值化图像中像素点以行数x以及列数为坐标轴；
S2.1.3、坐标表示二值化图像中第x行，第y列的像素点。
8.根据权利要求6所述的基于轮廓匹配的光伏连接器故障检测方法，其特征在于，所述根据多个连续的边界点构成的图像轮廓，获取所述边界点的坐标组成边界点数据，包括以下步骤：
S2.5.1、若存在1连通域，且所述1连通域的外围环绕着0连通域，则1连通域的和0连通域交界处的图像轮廓为连通域的父轮廓；
S2.5.2、若存在1连通域，且所述1连通域的环绕着0连通域，则1连通域的和0连通域交界处的图像轮廓为连通域的子轮廓；
S2.5.3、通过判断边界轮廓是否存在父轮廓，若不存在父轮廓，则判断该轮廓为二值化图像的主体轮廓，该轮廓上的边界点的坐标为边界点数据。
9.根据权利要求1所述的基于轮廓匹配的光伏连接器故障检测方法，其特征在于，所述步骤S1中所述获取待检测光伏连接器图像，包括使用工业CCD相机采集获取待检测光伏连接器图像。
CN202410342603.3A 2024-03-25 2024-03-25 一种基于轮廓匹配的光伏连接器故障检测方法 Pending CN117952963A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410342603.3A CN117952963A (zh) 2024-03-25 2024-03-25 一种基于轮廓匹配的光伏连接器故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410342603.3A CN117952963A (zh) 2024-03-25 2024-03-25 一种基于轮廓匹配的光伏连接器故障检测方法

Publications (1)

Publication Number Publication Date
CN117952963A true CN117952963A (zh) 2024-04-30

Family

ID=90801660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410342603.3A Pending CN117952963A (zh) 2024-03-25 2024-03-25 一种基于轮廓匹配的光伏连接器故障检测方法

Country Status (1)

Country Link
CN (1) CN117952963A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920038A (zh) * 2021-09-13 2022-01-11 环盛智能(深圳)有限公司 一种割轮廓提取方法、装置系统及介质
CN115184368A (zh) * 2022-09-07 2022-10-14 枣庄市胜达精密铸造有限公司 一种铸件缺陷检测控制系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920038A (zh) * 2021-09-13 2022-01-11 环盛智能(深圳)有限公司 一种割轮廓提取方法、装置系统及介质
CN115184368A (zh) * 2022-09-07 2022-10-14 枣庄市胜达精密铸造有限公司 一种铸件缺陷检测控制系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王家晨: "X射线焊缝图像缺陷自动检测算法研究", 中国优秀硕士学位论文全文数据库, 15 November 2018 (2018-11-15) *
雷旭升, 李晶晶, 郭克信, 杜玉虎: "一种小型无人旋翼机高度信息融合方法", 航空航天科学与工程, vol. 34, no. 4, 31 July 2012 (2012-07-31), pages 2 - 3 *

Similar Documents

Publication Publication Date Title
CN108305243B (zh) 一种基于深度学习的磁瓦表面缺陷检测方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN111369516B (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
CN107328787A (zh) 一种基于深度卷积神经网络的金属板带表面缺陷检测系统
CN113658131B (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN110335233B (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN110942457A (zh) 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN111915509A (zh) 基于图像处理去阴影优化的保护压板状态辨识方法
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN117876308A (zh) 基于图像分析的光伏板检测方法
CN112712058A (zh) 一种字符识别提取方法
CN114758125A (zh) 基于深度学习的齿轮表面缺陷检测方法与系统
CN114004777A (zh) 柔性屏的断裂线检测方法及装置、计算机设备及介质
CN108898584B (zh) 一种基于图像分析的全自动贴面电容装焊极性判别方法
CN112419225A (zh) 一种基于引脚分割的sop型芯片检测方法及系统
CN117952963A (zh) 一种基于轮廓匹配的光伏连接器故障检测方法
CN114266719B (zh) 一种基于霍夫变换的产品检测方法
CN112288372B (zh) 一种可同时识别一维条码和三段码字符的快递单识别方法
CN115797324A (zh) 一种玻璃瓶口缺陷检测方法、装置、电子设备以及存储介质
CN113837206A (zh) 一种基于机器学习svm的图像角点检测方法
CN114299020A (zh) 一种基于机器视觉的滑板车显示屏缺陷检测方法及其系统

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