WO2023134789A1 - Procédé d'inspection automatique pour dispositif transporteur de type à courroie - Google Patents

Procédé d'inspection automatique pour dispositif transporteur de type à courroie Download PDF

Info

Publication number
WO2023134789A1
WO2023134789A1 PCT/CN2023/085832 CN2023085832W WO2023134789A1 WO 2023134789 A1 WO2023134789 A1 WO 2023134789A1 CN 2023085832 W CN2023085832 W CN 2023085832W WO 2023134789 A1 WO2023134789 A1 WO 2023134789A1
Authority
WO
WIPO (PCT)
Prior art keywords
defect area
edge
suspected defect
sequence
pixels
Prior art date
Application number
PCT/CN2023/085832
Other languages
English (en)
Chinese (zh)
Inventor
周军
Original Assignee
苏州德斯米尔智能科技有限公司
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 苏州德斯米尔智能科技有限公司 filed Critical 苏州德斯米尔智能科技有限公司
Publication of WO2023134789A1 publication Critical patent/WO2023134789A1/fr

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the invention relates to the technical field of image processing, in particular to an automatic detection method for belt conveying equipment.
  • Conveyor belt is widely used in industrial production. It is a mechanized and automatic conveying tool for material handling system. It has the characteristics of efficient transportation and easy use, which can greatly save labor costs. Friction causes excessive tension on the conveyor belt, and it is in a state of heavy load for a long time, resulting in abnormal conditions such as cracks on the surface of the conveyor belt. In severe cases, the conveyor belt will be pulled horizontally and affect safe production. .
  • the existing technology is to determine the Hough transform threshold corresponding to each suspected crack connected domain according to the acquisition reliability value of the local area image of the conveyor belt and the number of tear pixels corresponding to each suspected crack connected domain, and then determine whether each suspected crack connected domain is is the crack area, so as to judge whether there are cracks in the conveyor belt.
  • This method obtains the suspected defect area by segmenting the suspected defect area, and then performs Hough line detection on the suspected defect area to obtain the crack; but this method does not take into account the conveyor belt.
  • pollutants with characteristics similar to cracks will be formed on the surface, resulting in inaccurate identification of crack defects, resulting in inaccurate detection of conveyor belt cracks.
  • the invention provides an automatic detection method for belt conveying equipment to solve the problem of inaccurate detection of cracks in existing conveyor belts.
  • An automatic detection method for belt conveying equipment of the present invention adopts the following technical scheme:
  • S5. Determine whether the suspected defective region is a real defective region according to the expansion degree of the edge pixel points of each suspected defective region and the edge burr rate corresponding to the suspected defective region.
  • the feature quantity of each pixel is determined as follows:
  • the eigenvalue of each pixel is obtained.
  • D ij represents the feature distance between two adjacent pixel points i, j, W 1 and W 2 both represent the assigned weight, Represents the Euclidean distance between two pixels, Q 1 represents the characteristic quantity of pixel i in the Hessian matrix, Q 2 represents the characteristic quantity of pixel j in the Hessian matrix,
  • edge burr rate of the suspected defect area is determined as follows:
  • the edge burr rate of the suspected defect area is obtained by accumulating and averaging the feature distances.
  • grayscale sequence of multiple circles of pixels around the edge of the suspected defect area is determined as follows:
  • the mutation degree of the gray sequence is determined as follows:
  • the cumulative sum is averaged to obtain the mutation degree of the gray sequence.
  • the expansion degree of the edge pixels of the suspected defect area is determined as follows:
  • the cumulative sum is averaged to obtain the mutation degree of the gray sequence
  • the method for judging whether the suspected defect area is a real defect area is:
  • the degree of abnormality of the suspected defect area is obtained according to the expansion degree of the edge pixel points of each suspected defect area and the edge burr rate of the corresponding suspected defect area;
  • the suspected defective area is determined as follows:
  • segmentation threshold of the Otsu threshold segmentation method to segment the grayscale image, divide the grayscale image into multiple regions, obtain all regions smaller than the segmentation threshold, and use all regions smaller than the segmentation threshold as suspected defect regions.
  • the present invention obtains the suspected defect area by using the Otsu threshold segmentation method, narrows the scope of identifying crack defects, and judges the suspected defect area, improves the detection efficiency and ensures the accuracy of detection; Secondly, the present invention obtains the burr ratio and the expansion degree of the edge pixels in the suspected defect area, wherein, if there is a crack in the conveying process of the conveyor belt, the burr rate and the expansion degree of the crack area will be relatively large. Therefore, the combination of the burr rate and The degree of expansion judges whether the suspected defect area is a real defect area, making the final result more accurate.
  • Fig. 1 is the structural representation of the embodiment of a kind of automatic detection method for belt conveying equipment of the present invention
  • Fig. 2 is a schematic diagram of an image acquisition device in an embodiment of an automatic detection method for belt conveyor equipment according to the present invention.
  • An embodiment of an automatic detection method for belt conveying equipment of the present invention includes:
  • the specific steps to obtain the grayscale image of the surface of the conveyor belt when it is started are as follows: as shown in Figure 2, set up a camera directly above one side of the conveyor belt, and use the camera to collect multiple images of the conveyor belt surface, and the aspect ratio of the collected images is 4:3 , converting each conveyor belt surface image into a grayscale image to obtain multiple grayscale images, and the present invention takes one of the grayscale images as an example.
  • the specific steps to obtain the suspected defect area are: divide the grayscale image into N areas, and label each area.
  • the label sequence is ⁇ N 1 , N 2 ,...,N n ⁇ .
  • the purpose of labeling is to facilitate subsequent defects. location determination.
  • the Hessian matrix of each pixel and further obtain the two eigenvectors of the Hessian matrix And the corresponding eigenvalues ⁇ 1 , ⁇ 2 ; because in the Hessian matrix, the largest eigenvalue and its eigenvector represent the maximum curvature and curvature direction of the curve, and the smallest eigenvalue represents the minimum curvature and curvature direction of the curve, which can be Reflect the texture trend within the neighborhood of the pixel point; therefore, according to the two eigenvalues and eigenvectors of each pixel point as the feature quantity of the pixel point, the feature quantity of the pixel point can be expressed as
  • the specific steps for obtaining the characteristic distance between adjacent pixels on the edge of each suspected defect area are: using the feature quantity of each pixel to obtain the characteristic distance between adjacent pixels on the edge of each suspected defect area, specifically expressed The formula is:
  • the degree of change of the edge is represented according to the characteristic distance between adjacent edge pixels, because if the edge is more uneven, the distance between two adjacent pixels will be farther, so the eigenvalue in the Hessian matrix
  • the characteristic distance of edge similar points is a comprehensive characteristic value; the characteristic distance of two adjacent edge pixels is calculated according to the spatial distance of the pixel point and the characteristic distance in the Hessian matrix.
  • the characteristic distance D ij is larger, then Indicates that the larger the span between two adjacent pixels, the more uneven the edge here, the greater the possibility of burrs, and when the value of
  • the specific steps to obtain the edge burr rate of the suspected defect area are: to obtain the number of edge pixels of each suspected defect area, according to the characteristic distance between adjacent pixels on the edge of each suspected defect area and the corresponding suspected defect area The number of edge pixels is used to obtain the edge burr rate corresponding to the suspected defect area, and the specific expression is:
  • D ij represents the characteristic distance between pixel points i and j
  • n represents the number of edge pixels of the suspected defect area t
  • J t represents the edge burr rate of the t-th suspected defect area.
  • this formula calculates the average value of the feature distance between two points. If there are more burrs on the edge, then J t is larger, that is, the formula calculates the average value of two adjacent pixel points in the suspected defect area to represent the The burrs on the edge of the suspected defect area, so the value change of J t can reflect the burr rate of the edge.
  • the specific steps to obtain the grayscale sequence of the edge pixels of each suspected defect area and the multi-circle pixels around the edge are as follows: first obtain the grayscale sequence ⁇ pw 1 , pw 2 , ..., pw n of the edge pixels of the suspected defective pixel area ⁇ , and then the pixels of the s circle extending outward along the edge, the grayscale sequence is ⁇ pr 1 , pr 2 , ..., pr m ⁇ s .
  • s s ⁇ , d i represents the i-th
  • the logic of the above expression is: when the distance between pixels of the same gray level is 0, the conveyor belt will no longer expand, that is The pixels in this circle are cut-off pixels.
  • the gray-scale sequence composed of the edge pixels of each suspected defect area is the first ring gray-scale sequence, and there are s gray-scale sequences in total.
  • the specific steps for obtaining the mutation degree of the corresponding gray-scale sequence by using the gray-scale value of the pixel in each gray-scale sequence are: obtaining the gray-scale mean value of the pixel in each gray-scale sequence, and according to the gray value of the pixel in each gray-scale sequence Gray value, the gray value of each pixel to get the degree of mutation of each gray sequence, the specific expression is:
  • B s represents the mutation degree of the sth gray-scale sequence
  • q represents the number of pixels in the sth grayscale sequence.
  • the formula is transformed from the variance formula, and the average value of the difference between the gray value of the pixel point of the gray scale sequence and the gray scale mean value is used to reflect the degree of dispersion of the gray value in the gray scale sequence, that is, to represent each The degree of mutation of the grayscale sequence.
  • the specific steps to obtain the mutation degree of the corresponding gray-scale sequence by using the gray-scale value of the pixel in each gray-scale sequence are: according to the gray-scale value of the pixel in each gray-scale sequence, obtain the sudden change of the gray-scale value in each gray-scale sequence
  • the number of pixels D s according to the number D s of gray-scale mutation pixels in each gray-scale sequence and the mutation degree B s of each gray-scale sequence, the expansion degree of the edge pixels of the suspected defect area is obtained, and the specific expression
  • the formula is as follows:
  • D s represents the number of gray-scale mutation pixels in each gray-scale sequence
  • B s represents the mutation degree of the s-th gray-scale sequence
  • s represents the s-th gray-scale sequence
  • Kz represents the edge of the suspected defect area The degree of dilation of pixels.
  • the diffusion degree of the edge is obtained according to the number of pixels with gray-scale mutations and the degree of gray-scale mutation in each gray-scale sequence, because the more gray-scale mutation points appear on the edge, the greater the degree of gray-scale change, indicating that The edge pixels of this area have changed during the movement, so it is possible to judge the abnormality of this area.
  • the suspected defect area is more likely to be a real defect area.
  • S5. Determine whether the suspected defective region is a real defective region according to the expansion degree of the edge pixel points of each suspected defective region and the edge burr rate corresponding to the suspected defective region.
  • the abnormal degree of the suspected defect area is obtained, and the specific expression is as follows:
  • ⁇ indicates the abnormality degree of the tth suspected defect area
  • Kz indicates the expansion degree of the edge pixel of the tth suspected defect area
  • Jt indicates the edge burr rate of the tth suspected defect area.
  • the hyperbolic tangent function is used to normalize it according to the proportional logic relationship, that is, Jy,
  • the bigger Kz is, the bigger th(Jy) and th(Kz) are within 0-1
  • the Euclidean formula is used to integrate the two normalized characteristic parameter values to obtain the abnormal degree of suspected crack defects in this area.
  • the abnormal degree of the suspected defect area is obtained, and the abnormal degree threshold is set, which is set according to the specific situation.
  • the present invention does not give empirical reference values.
  • the suspected defect area is a real defect area, and the real defect area is mapped to the grayscale image to obtain the crack area on the conveyor belt.
  • the present invention obtains the suspected defect area by using the Otsu threshold segmentation method, narrows the scope of identifying crack defects, and judges the suspected defect area, improves the detection efficiency and ensures the accuracy of detection; Secondly, the present invention obtains the burr ratio and the expansion degree of the edge pixels in the suspected defect area, wherein, if there is a crack in the conveying process of the conveyor belt, the burr rate and the expansion degree of the crack area will be relatively large. Therefore, the combination of the burr rate and The degree of expansion judges whether the suspected defect area is a real defect area, making the final result more accurate.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

La présente invention se rapporte au domaine technique du traitement d'image, et concerne en particulier un procédé d'inspection automatique pour un dispositif transporteur de type à courroie, comprenant les étapes consistant à : obtenir des zones de défaut suspectées ; en fonction de distances de caractéristiques entre des points de pixel adjacents sur des bords de chaque zone de défaut suspectée, obtenir des taux de bavure de bord correspondant aux zones de défaut suspectées ; obtenir une séquence d'échelle de gris de points de pixel de bord et de points de pixel multi-cercle périphériques de bord de chaque zone de défaut suspectée ; utiliser des valeurs d'échelle de gris des points de pixel dans chaque séquence d'échelle de gris pour obtenir un degré de mutation de la séquence d'échelle de gris correspondante ; en fonction du degré de mutation de chaque séquence d'échelle de gris et du nombre de points de mutation d'échelle de gris, obtenir un degré d'expansion des points de pixel de bord de chaque zone de défaut suspectée ; et en fonction du degré d'expansion des points de pixel de bord de chaque zone de défaut suspectée et du taux de bavure de bord de la zone de défaut suspectée correspondante, déterminer si la zone de défaut suspectée est une zone de défaut réelle. La présente invention augmente la précision d'inspection des fissures d'une courroie transporteuse.
PCT/CN2023/085832 2022-10-25 2023-04-03 Procédé d'inspection automatique pour dispositif transporteur de type à courroie WO2023134789A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211308242.8 2022-10-25
CN202211308242.8A CN115375688B (zh) 2022-10-25 2022-10-25 一种用于带式输送设备的自动检测方法

Publications (1)

Publication Number Publication Date
WO2023134789A1 true WO2023134789A1 (fr) 2023-07-20

Family

ID=84074296

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/085832 WO2023134789A1 (fr) 2022-10-25 2023-04-03 Procédé d'inspection automatique pour dispositif transporteur de type à courroie

Country Status (3)

Country Link
CN (1) CN115375688B (fr)
LU (1) LU504264B1 (fr)
WO (1) WO2023134789A1 (fr)

Cited By (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630815A (zh) * 2023-07-25 2023-08-22 济南玖通志恒信息技术有限公司 一种智慧农业病虫害检测方法
CN116630315A (zh) * 2023-07-24 2023-08-22 山东东阿亿福缘阿胶制品有限公司 基于计算机视觉的饮料包装缺陷智能检测方法
CN116630329A (zh) * 2023-07-26 2023-08-22 山东山森数控技术有限公司 用于多轴多通道数控系统的在线视觉检测方法
CN116664569A (zh) * 2023-07-31 2023-08-29 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN116682107A (zh) * 2023-08-03 2023-09-01 山东国宏生物科技有限公司 基于图像处理的大豆视觉检测方法
CN116681695A (zh) * 2023-07-27 2023-09-01 山东阁林板建材科技有限公司 一种抗变形模板端面的质量检测方法
CN116721106A (zh) * 2023-08-11 2023-09-08 山东明达圣昌铝业集团有限公司 一种基于图像处理的型材瑕疵视觉检测方法
CN116735612A (zh) * 2023-08-15 2023-09-12 山东精亿机械制造有限公司 一种精密电子元器件焊接缺陷检测方法
CN116740057A (zh) * 2023-08-11 2023-09-12 深圳市鹏基精密工业有限公司 一种圆柱形工件毛刺在线检测方法及系统
CN116740056A (zh) * 2023-08-10 2023-09-12 梁山水泊胶带股份有限公司 用于整芯高花纹输送带涂覆层的缺陷检测方法
CN116883407A (zh) * 2023-09-08 2023-10-13 山东省永星食品饮料有限公司 基于人工智能的瓶装水杂质检测方法
CN116883415A (zh) * 2023-09-08 2023-10-13 东莞市旺佳五金制品有限公司 基于图像数据的薄壁锌合金压铸件质量检测方法
CN116912254A (zh) * 2023-09-14 2023-10-20 山东博诚电气有限公司 基于数据增强预处理的电缆缺陷识别方法
CN116912261A (zh) * 2023-09-15 2023-10-20 张家港市神舟机械有限公司 一种塑料模具注塑表面缺陷检测方法
CN116958136A (zh) * 2023-09-19 2023-10-27 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法
CN116958144A (zh) * 2023-09-20 2023-10-27 东莞市南谷第电子有限公司 一种新能源连接线表面瑕疵区域快速定位方法及系统
CN116993726A (zh) * 2023-09-26 2023-11-03 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN116993722A (zh) * 2023-09-26 2023-11-03 山东奥斯登房车有限公司 一种拖挂式房车车身缺陷视觉检测方法
CN116993966A (zh) * 2023-09-27 2023-11-03 诺伯特智能装备（山东）有限公司 一种铸件打磨视觉智能定位方法及系统
CN117058130A (zh) * 2023-10-10 2023-11-14 威海威信光纤科技有限公司 一种光纤拉丝表面涂覆质量视觉检测方法
CN116740065B (zh) * 2023-08-14 2023-11-21 山东伟国板业科技有限公司 基于大数据的人造板瑕疵品快速溯源方法及系统
CN117115153A (zh) * 2023-10-23 2023-11-24 威海坤科流量仪表股份有限公司 基于视觉辅助的印制线路板质量智能检测方法
CN117197741A (zh) * 2023-09-12 2023-12-08 杭州万禾电力科技有限公司 基于人工智能的开关柜运行异常监测方法
CN117218549A (zh) * 2023-11-07 2023-12-12 山东力加力钢结构有限公司 一种公路桥梁的状态评估方法及系统
CN117237333A (zh) * 2023-11-07 2023-12-15 江苏森力威冶金设备有限公司 一种不锈钢材料表面酸洗程度检测方法
CN117314912A (zh) * 2023-11-29 2023-12-29 山东贞元汽车车轮有限公司 一种焊管表面焊接缺陷视觉检测方法及系统
CN117314920A (zh) * 2023-11-30 2023-12-29 江苏高特高金属科技有限公司 一种金属管道x光焊缝表面焊瘤检测方法
CN117437233A (zh) * 2023-12-21 2024-01-23 山东润通齿轮集团有限公司 一种基于图像处理的齿轮缺陷检测方法及系统
CN117455916A (zh) * 2023-12-25 2024-01-26 山东太阳耐磨件有限公司 一种钢板表面缺陷视觉检测方法
CN117455908A (zh) * 2023-12-22 2024-01-26 山东济矿鲁能煤电股份有限公司阳城煤矿 一种皮带机跑偏视觉检测方法及系统
CN117455800A (zh) * 2023-12-22 2024-01-26 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法
CN117557566A (zh) * 2024-01-12 2024-02-13 深圳博上科技有限公司 基于图像特征的电子烟发热丝质量智能检测方法
CN117593303A (zh) * 2024-01-18 2024-02-23 浙江锦德光电材料有限公司 一种量子点光学膜的缺陷检测方法及系统
CN117611583A (zh) * 2024-01-22 2024-02-27 张家港飞腾复合新材料股份有限公司 基于人工智能的铝复合板缺陷检测方法及系统
CN117635604A (zh) * 2024-01-23 2024-03-01 华航检测认证(青岛)有限公司 一种建筑工程钢结构焊接质量检测方法
CN117689659A (zh) * 2024-02-02 2024-03-12 深圳市未尔科技有限公司 一种基于平板电子产品的生产质量监控方法
CN117723548A (zh) * 2023-12-14 2024-03-19 东莞市毅廷音响科技有限公司 一种汽车喇叭生产质量检测方法
CN117764992A (zh) * 2024-02-22 2024-03-26 山东乔泰管业科技有限公司 基于图像处理的塑料管材质量检测方法
CN117764952A (zh) * 2023-12-25 2024-03-26 卡尔德线缆(东莞)有限公司 一种视觉机器人用高速线缆质量检测方法
CN117788464A (zh) * 2024-02-26 2024-03-29 卡松科技股份有限公司 一种工业齿轮油杂质视觉检测方法
CN117876360A (zh) * 2024-03-08 2024-04-12 卡松科技股份有限公司 基于图像处理的润滑油油质智能检测方法
CN117893532A (zh) * 2024-03-14 2024-04-16 山东神力索具有限公司 基于图像处理的模锻索具用模具裂纹缺陷检测方法
CN117893541A (zh) * 2024-03-18 2024-04-16 济南玖通志恒信息技术有限公司 一种基于边缘检测的果树叶部花叶病分析方法
CN117975374A (zh) * 2024-03-29 2024-05-03 山东天意机械股份有限公司 一种双皮墙自动化生产线智能视觉监控方法
CN117974644A (zh) * 2024-03-29 2024-05-03 山东中泰药业有限公司 一种胶囊药品质量视觉检测方法
CN118014988A (zh) * 2024-03-28 2024-05-10 浙江康鹏半导体有限公司 一种砷化镓衬底晶片缺陷智能检测方法
CN118071753A (zh) * 2024-04-24 2024-05-24 森骏卓越精密智造(深圳)有限公司 一种注塑模具表面缺陷视觉检测方法
CN118096736A (zh) * 2024-04-23 2024-05-28 山东德源电力科技股份有限公司 用于集中器终端生产的外壳表面缺陷检测方法
CN118134924A (zh) * 2024-05-07 2024-06-04 浙江富昌机械有限公司 基于图像处理的硬胶囊填充机剔除废囊智能检测方法
CN118135337A (zh) * 2024-05-06 2024-06-04 江苏裕荣光电科技有限公司 基于特征抽取的电缆温度异常识别方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375688B (zh) * 2022-10-25 2023-04-28 苏州德斯米尔智能科技有限公司 一种用于带式输送设备的自动检测方法
CN115861291B (zh) * 2023-01-06 2023-05-09 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN116091499B (zh) * 2023-04-07 2023-06-20 山东中胜涂料有限公司 一种涂料生产异常识别系统
CN116503397B (zh) * 2023-06-26 2023-09-01 山东天通汽车科技股份有限公司 基于图像数据的车内传输带缺陷检测方法
CN116630332B (zh) * 2023-07-26 2023-09-26 山东华航高分子材料有限公司 一种基于图像处理的pvc塑料管口缺陷检测方法
CN117611589B (zh) * 2024-01-24 2024-04-12 深圳市格瑞邦科技有限公司 一种平板电脑质量检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190228515A1 (en) * 2018-01-22 2019-07-25 Boe Technology Group Co., Ltd. Method and apparatus for detecting defects, and computer readable storage medium
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114972357A (zh) * 2022-08-03 2022-08-30 南通恒立机械设备有限公司 一种基于图像处理的轧辊表面缺陷检测方法及系统
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法
CN115375688A (zh) * 2022-10-25 2022-11-22 苏州德斯米尔智能科技有限公司 一种用于带式输送设备的自动检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998198A (zh) * 2022-04-24 2022-09-02 南通夏克塑料包装有限公司 一种注塑件表面缺陷识别方法
CN114937039B (zh) * 2022-07-21 2022-10-25 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190228515A1 (en) * 2018-01-22 2019-07-25 Boe Technology Group Co., Ltd. Method and apparatus for detecting defects, and computer readable storage medium
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114972357A (zh) * 2022-08-03 2022-08-30 南通恒立机械设备有限公司 一种基于图像处理的轧辊表面缺陷检测方法及系统
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法
CN115375688A (zh) * 2022-10-25 2022-11-22 苏州德斯米尔智能科技有限公司 一种用于带式输送设备的自动检测方法

Cited By (93)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630315A (zh) * 2023-07-24 2023-08-22 山东东阿亿福缘阿胶制品有限公司 基于计算机视觉的饮料包装缺陷智能检测方法
CN116630315B (zh) * 2023-07-24 2023-09-29 山东东阿亿福缘阿胶制品有限公司 基于计算机视觉的饮料包装缺陷智能检测方法
CN116630815B (zh) * 2023-07-25 2023-09-22 济南玖通志恒信息技术有限公司 一种智慧农业病虫害检测方法
CN116630815A (zh) * 2023-07-25 2023-08-22 济南玖通志恒信息技术有限公司 一种智慧农业病虫害检测方法
CN116630329A (zh) * 2023-07-26 2023-08-22 山东山森数控技术有限公司 用于多轴多通道数控系统的在线视觉检测方法
CN116630329B (zh) * 2023-07-26 2023-09-29 山东山森数控技术有限公司 用于多轴多通道数控系统的在线视觉检测方法
CN116681695B (zh) * 2023-07-27 2023-12-01 山东阁林板建材科技有限公司 一种抗变形模板端面的质量检测方法
CN116681695A (zh) * 2023-07-27 2023-09-01 山东阁林板建材科技有限公司 一种抗变形模板端面的质量检测方法
CN116664569A (zh) * 2023-07-31 2023-08-29 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN116664569B (zh) * 2023-07-31 2023-10-10 山东正华建筑科技有限公司 一种焊瘤缺陷检测方法
CN116682107A (zh) * 2023-08-03 2023-09-01 山东国宏生物科技有限公司 基于图像处理的大豆视觉检测方法
CN116682107B (zh) * 2023-08-03 2023-10-10 山东国宏生物科技有限公司 基于图像处理的大豆视觉检测方法
CN116740056A (zh) * 2023-08-10 2023-09-12 梁山水泊胶带股份有限公司 用于整芯高花纹输送带涂覆层的缺陷检测方法
CN116740056B (zh) * 2023-08-10 2023-11-07 梁山水泊胶带股份有限公司 用于整芯高花纹输送带涂覆层的缺陷检测方法
CN116740057A (zh) * 2023-08-11 2023-09-12 深圳市鹏基精密工业有限公司 一种圆柱形工件毛刺在线检测方法及系统
CN116721106A (zh) * 2023-08-11 2023-09-08 山东明达圣昌铝业集团有限公司 一种基于图像处理的型材瑕疵视觉检测方法
CN116740057B (zh) * 2023-08-11 2023-12-01 深圳市鹏基精密工业有限公司 一种圆柱形工件毛刺在线检测方法及系统
CN116721106B (zh) * 2023-08-11 2023-10-20 山东明达圣昌铝业集团有限公司 一种基于图像处理的型材瑕疵视觉检测方法
CN116740065B (zh) * 2023-08-14 2023-11-21 山东伟国板业科技有限公司 基于大数据的人造板瑕疵品快速溯源方法及系统
CN116735612B (zh) * 2023-08-15 2023-11-07 山东精亿机械制造有限公司 一种精密电子元器件焊接缺陷检测方法
CN116735612A (zh) * 2023-08-15 2023-09-12 山东精亿机械制造有限公司 一种精密电子元器件焊接缺陷检测方法
CN116883407B (zh) * 2023-09-08 2023-11-24 山东省永星食品饮料有限公司 基于人工智能的瓶装水杂质检测方法
CN116883407A (zh) * 2023-09-08 2023-10-13 山东省永星食品饮料有限公司 基于人工智能的瓶装水杂质检测方法
CN116883415A (zh) * 2023-09-08 2023-10-13 东莞市旺佳五金制品有限公司 基于图像数据的薄壁锌合金压铸件质量检测方法
CN116883415B (zh) * 2023-09-08 2024-01-05 东莞市旺佳五金制品有限公司 基于图像数据的薄壁锌合金压铸件质量检测方法
CN117197741B (zh) * 2023-09-12 2024-02-13 杭州万禾电力科技有限公司 基于人工智能的开关柜运行异常监测方法
CN117197741A (zh) * 2023-09-12 2023-12-08 杭州万禾电力科技有限公司 基于人工智能的开关柜运行异常监测方法
CN116912254B (zh) * 2023-09-14 2023-12-08 山东博诚电气有限公司 基于数据增强预处理的电缆缺陷识别方法
CN116912254A (zh) * 2023-09-14 2023-10-20 山东博诚电气有限公司 基于数据增强预处理的电缆缺陷识别方法
CN116912261A (zh) * 2023-09-15 2023-10-20 张家港市神舟机械有限公司 一种塑料模具注塑表面缺陷检测方法
CN116912261B (zh) * 2023-09-15 2023-12-08 张家港市神舟机械有限公司 一种塑料模具注塑表面缺陷检测方法
CN116958136A (zh) * 2023-09-19 2023-10-27 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法
CN116958136B (zh) * 2023-09-19 2024-01-30 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法
CN116958144B (zh) * 2023-09-20 2024-01-12 东莞市南谷第电子有限公司 一种新能源连接线表面瑕疵区域快速定位方法及系统
CN116958144A (zh) * 2023-09-20 2023-10-27 东莞市南谷第电子有限公司 一种新能源连接线表面瑕疵区域快速定位方法及系统
CN116993722B (zh) * 2023-09-26 2023-12-08 山东奥斯登房车有限公司 一种拖挂式房车车身缺陷视觉检测方法
CN116993726A (zh) * 2023-09-26 2023-11-03 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN116993722A (zh) * 2023-09-26 2023-11-03 山东奥斯登房车有限公司 一种拖挂式房车车身缺陷视觉检测方法
CN116993726B (zh) * 2023-09-26 2023-12-19 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN116993966A (zh) * 2023-09-27 2023-11-03 诺伯特智能装备（山东）有限公司 一种铸件打磨视觉智能定位方法及系统
CN116993966B (zh) * 2023-09-27 2023-12-12 诺伯特智能装备（山东）有限公司 一种铸件打磨视觉智能定位方法及系统
CN117058130B (zh) * 2023-10-10 2024-01-09 威海威信光纤科技有限公司 一种光纤拉丝表面涂覆质量视觉检测方法
CN117058130A (zh) * 2023-10-10 2023-11-14 威海威信光纤科技有限公司 一种光纤拉丝表面涂覆质量视觉检测方法
CN117115153A (zh) * 2023-10-23 2023-11-24 威海坤科流量仪表股份有限公司 基于视觉辅助的印制线路板质量智能检测方法
CN117115153B (zh) * 2023-10-23 2024-02-02 威海坤科流量仪表股份有限公司 基于视觉辅助的印制线路板质量智能检测方法
CN117237333A (zh) * 2023-11-07 2023-12-15 江苏森力威冶金设备有限公司 一种不锈钢材料表面酸洗程度检测方法
CN117218549B (zh) * 2023-11-07 2024-03-05 山东力加力钢结构有限公司 一种公路桥梁的状态评估方法及系统
CN117237333B (zh) * 2023-11-07 2024-02-20 江苏森力威冶金设备有限公司 一种不锈钢材料表面酸洗程度检测方法
CN117218549A (zh) * 2023-11-07 2023-12-12 山东力加力钢结构有限公司 一种公路桥梁的状态评估方法及系统
CN117314912A (zh) * 2023-11-29 2023-12-29 山东贞元汽车车轮有限公司 一种焊管表面焊接缺陷视觉检测方法及系统
CN117314912B (zh) * 2023-11-29 2024-01-30 山东贞元汽车车轮有限公司 一种焊管表面焊接缺陷视觉检测方法及系统
CN117314920A (zh) * 2023-11-30 2023-12-29 江苏高特高金属科技有限公司 一种金属管道x光焊缝表面焊瘤检测方法
CN117314920B (zh) * 2023-11-30 2024-02-02 江苏高特高金属科技有限公司 一种金属管道x光焊缝表面焊瘤检测方法
CN117723548A (zh) * 2023-12-14 2024-03-19 东莞市毅廷音响科技有限公司 一种汽车喇叭生产质量检测方法
CN117437233A (zh) * 2023-12-21 2024-01-23 山东润通齿轮集团有限公司 一种基于图像处理的齿轮缺陷检测方法及系统
CN117437233B (zh) * 2023-12-21 2024-03-26 山东润通齿轮集团有限公司 一种基于图像处理的齿轮缺陷检测方法及系统
CN117455800A (zh) * 2023-12-22 2024-01-26 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法
CN117455908B (zh) * 2023-12-22 2024-04-09 山东济矿鲁能煤电股份有限公司阳城煤矿 一种皮带机跑偏视觉检测方法及系统
CN117455908A (zh) * 2023-12-22 2024-01-26 山东济矿鲁能煤电股份有限公司阳城煤矿 一种皮带机跑偏视觉检测方法及系统
CN117455800B (zh) * 2023-12-22 2024-03-15 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法
CN117455916A (zh) * 2023-12-25 2024-01-26 山东太阳耐磨件有限公司 一种钢板表面缺陷视觉检测方法
CN117764952B (zh) * 2023-12-25 2024-05-14 卡尔德线缆(东莞)有限公司 一种视觉机器人用高速线缆质量检测方法
CN117764952A (zh) * 2023-12-25 2024-03-26 卡尔德线缆(东莞)有限公司 一种视觉机器人用高速线缆质量检测方法
CN117455916B (zh) * 2023-12-25 2024-03-15 山东太阳耐磨件有限公司 一种钢板表面缺陷视觉检测方法
CN117557566B (zh) * 2024-01-12 2024-04-12 深圳博上科技有限公司 基于图像特征的电子烟发热丝质量智能检测方法
CN117557566A (zh) * 2024-01-12 2024-02-13 深圳博上科技有限公司 基于图像特征的电子烟发热丝质量智能检测方法
CN117593303A (zh) * 2024-01-18 2024-02-23 浙江锦德光电材料有限公司 一种量子点光学膜的缺陷检测方法及系统
CN117593303B (zh) * 2024-01-18 2024-04-09 浙江锦德光电材料有限公司 一种量子点光学膜的缺陷检测方法及系统
CN117611583A (zh) * 2024-01-22 2024-02-27 张家港飞腾复合新材料股份有限公司 基于人工智能的铝复合板缺陷检测方法及系统
CN117611583B (zh) * 2024-01-22 2024-04-19 张家港飞腾复合新材料股份有限公司 基于人工智能的铝复合板缺陷检测方法及系统
CN117635604A (zh) * 2024-01-23 2024-03-01 华航检测认证(青岛)有限公司 一种建筑工程钢结构焊接质量检测方法
CN117635604B (zh) * 2024-01-23 2024-04-05 华航检测认证(青岛)有限公司 一种建筑工程钢结构焊接质量检测方法
CN117689659A (zh) * 2024-02-02 2024-03-12 深圳市未尔科技有限公司 一种基于平板电子产品的生产质量监控方法
CN117689659B (zh) * 2024-02-02 2024-04-19 深圳市未尔科技有限公司 一种基于平板电子产品的生产质量监控方法
CN117764992A (zh) * 2024-02-22 2024-03-26 山东乔泰管业科技有限公司 基于图像处理的塑料管材质量检测方法
CN117764992B (zh) * 2024-02-22 2024-04-30 山东乔泰管业科技有限公司 基于图像处理的塑料管材质量检测方法
CN117788464A (zh) * 2024-02-26 2024-03-29 卡松科技股份有限公司 一种工业齿轮油杂质视觉检测方法
CN117788464B (zh) * 2024-02-26 2024-04-30 卡松科技股份有限公司 一种工业齿轮油杂质视觉检测方法
CN117876360A (zh) * 2024-03-08 2024-04-12 卡松科技股份有限公司 基于图像处理的润滑油油质智能检测方法
CN117893532A (zh) * 2024-03-14 2024-04-16 山东神力索具有限公司 基于图像处理的模锻索具用模具裂纹缺陷检测方法
CN117893532B (zh) * 2024-03-14 2024-05-24 山东神力索具有限公司 基于图像处理的模锻索具用模具裂纹缺陷检测方法
CN117893541A (zh) * 2024-03-18 2024-04-16 济南玖通志恒信息技术有限公司 一种基于边缘检测的果树叶部花叶病分析方法
CN117893541B (zh) * 2024-03-18 2024-05-28 济南玖通志恒信息技术有限公司 一种基于边缘检测的果树叶部花叶病分析方法
CN118014988B (zh) * 2024-03-28 2024-06-07 浙江康鹏半导体有限公司 一种砷化镓衬底晶片缺陷智能检测方法
CN118014988A (zh) * 2024-03-28 2024-05-10 浙江康鹏半导体有限公司 一种砷化镓衬底晶片缺陷智能检测方法
CN117975374A (zh) * 2024-03-29 2024-05-03 山东天意机械股份有限公司 一种双皮墙自动化生产线智能视觉监控方法
CN117974644A (zh) * 2024-03-29 2024-05-03 山东中泰药业有限公司 一种胶囊药品质量视觉检测方法
CN117974644B (zh) * 2024-03-29 2024-06-11 山东中泰药业有限公司 一种胶囊药品质量视觉检测方法
CN118096736A (zh) * 2024-04-23 2024-05-28 山东德源电力科技股份有限公司 用于集中器终端生产的外壳表面缺陷检测方法
CN118071753A (zh) * 2024-04-24 2024-05-24 森骏卓越精密智造(深圳)有限公司 一种注塑模具表面缺陷视觉检测方法
CN118135337A (zh) * 2024-05-06 2024-06-04 江苏裕荣光电科技有限公司 基于特征抽取的电缆温度异常识别方法
CN118135337B (zh) * 2024-05-06 2024-07-05 江苏裕荣光电科技有限公司 基于特征抽取的电缆温度异常识别方法
CN118134924A (zh) * 2024-05-07 2024-06-04 浙江富昌机械有限公司 基于图像处理的硬胶囊填充机剔除废囊智能检测方法

Also Published As

Publication number Publication date
LU504264B1 (en) 2023-07-31
CN115375688A (zh) 2022-11-22
CN115375688B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
WO2023134789A1 (fr) Procédé d'inspection automatique pour dispositif transporteur de type à courroie
CN115239735B (zh) 基于计算机视觉的通信柜表面缺陷检测方法
CN116703907B (zh) 一种基于机器视觉的汽车铸件表面缺陷检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN114972356B (zh) 塑料制品表面缺陷检测识别方法及系统
CN116503397B (zh) 基于图像数据的车内传输带缺陷检测方法
CN114693610A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质
CN115953398B (zh) 一种用于带钢表面的缺陷识别方法
CN115063423A (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN114820612B (zh) 基于机器视觉的轧辊表面缺陷检测方法及系统
CN116091504A (zh) 基于图像处理的连接管连接头质量检测方法
CN116563279B (zh) 基于计算机视觉的量测开关检测方法
CN101995412A (zh) 一种鲁棒的玻璃划伤缺陷检测方法及其装置
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN115511842A (zh) 一种基于机器视觉的电缆绝缘表皮破损检测方法
CN115797361B (zh) 一种铝模板表面缺陷检测方法
CN115631146A (zh) 一种基于图像的受电弓碳滑条缺损缺陷检测方法
CN114612403A (zh) 一种上料皮带破损缺陷智能检测方法及系统
CN117333727A (zh) 一种基于可视化图像处理技术的输送带磨损区域识别分析系统
CN115159027B (zh) 一种皮带撕裂监测方法
CN107024416A (zh) 结合相似性和不连续性的准圆形颗粒平均尺寸检测方法
CN115018792A (zh) 基于计算机视觉技术的拉深件起皱检测方法
Yao et al. Automated detection and identification of area-based distress in concrete pavements
CN115049641A (zh) 一种用于机械零件异常检测的电数据处理方法及系统
CN114972353A (zh) 一种金属高压特种管件质量评估方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23740129

Country of ref document: EP

Kind code of ref document: A1