CN101619964A - 一种基于工艺匹配的微小型结构件快速显微检测方法及装置 - Google Patents
一种基于工艺匹配的微小型结构件快速显微检测方法及装置 Download PDFInfo
- Publication number
- CN101619964A CN101619964A CN200910085601A CN200910085601A CN101619964A CN 101619964 A CN101619964 A CN 101619964A CN 200910085601 A CN200910085601 A CN 200910085601A CN 200910085601 A CN200910085601 A CN 200910085601A CN 101619964 A CN101619964 A CN 101619964A
- Authority
- CN
- China
- Prior art keywords
- edge
- micro
- image
- point
- quick
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明为一种基于工艺匹配的微小型结构件边缘快速显微检测方法及装置,检测装置如图1所示。该方法在传统边缘识别的基础上加入了加工工艺信息和边缘统计特性。以显微光学检测技术为基础,针对不同加工工艺微小型零件边缘特性,利用数理统计的方法分别对其边缘过渡区域进行拟合,建立不同工艺微小型零件的边缘过渡区域数学模型,通过对数学模型的分析,精确识别和定位出边缘点的位置。该方法考虑了微小型零件的实际加工情况,加入统计学思想,考虑了边缘相邻小区域的相关性,有效去除边缘附近的随机噪声,精度达到亚像素级,使显微图像边缘检测结果更精确。随着高技术产品向微型化发展的趋势日益加快,且各种微加工技术的出现,微小型结构件的需求日益增多,且形状越来越复杂,本发明的应用前景和社会经济效益是可观的。
Description
技术领域
本发明涉及一种基于工艺匹配的微小型结构件快速显微检测方法及装置,属于精密仪器制造及测量技术领域,特别是一种能够根据微小型结构件制造的相关工艺方法和边缘物理特征识别边缘光学特征并确定几何边缘的方法及装置。
背景技术
随着微型机械的发展,对微机械量和几何量的检测要求也越来越高。显微视觉测量方法辅助以精密的机械移动可以覆盖0.1μm~10mm的区间,几乎可以覆盖整个微机械几何量测量区间,基本能够满足微小型结构件检测的需要。其中边缘识别技术一直是视觉检测的重点,直接影响测量结果的精确性。经典的边缘识别方法主要是考察图像的每个像素在某个领域内的灰度变化,利用边缘邻近一阶或二阶方向导数变化规律来检测边缘。显微图像与普通图像相比更多受到成像设备、聚光照明***和客观条件的限制,噪声较多、边缘轮廓等细节往往比较模糊,因此在显微图像测量中找的合适的边缘识别算法显得更重要。
在零件制造中,不同工艺会出现不同的加工特性,如激光打孔的孔周围会出现火山口现象,冲压的底面边缘会出现飞边现象等。微小型零件由于结构小,这种由加工工艺造成的边缘特性就更为明显,基于现有技术很难较好的去除微小型零件中这种加工特性对边缘带来的影响。因此,若在微小型零件显微视觉检测中不考虑加工工艺影响,只采用传统边缘识别方法,很难在显微图像中识别出真正的微小结构件边缘。
宏观图像中传统使用的二值化、平滑和锐化等处理过程都会使显微图像边缘丢失信息,导致测量上的偏差。二值化的方法容易得到单一的边缘,但显微图像边缘复杂且存在大量阴影,往往阈值很难确定,得到的边缘点位置偏差较大;显微图像中的噪声一般比较大,往往成黑斑或亮斑形态,而非宏观图像中分散、独立的噪声点,因此使用宏观图像中的平滑方法很难去除显微图像中成斑状的噪声,并且平滑后模糊了边缘信息,使之后提取的边缘不够准确;若直接对显微图像用宏观图像处理学中的边缘检测算子提取边缘,提取的边缘不连续、不单一,给后面的精密测量带来问题,而且识别的边缘往往带有显微图像中斑状噪声的边缘。
发明内容
为了克服上述已有边缘检测方法和技术存在的局限和不足,本发明提出一种基于工艺匹配的微小型结构件边缘快速显微检测方法及装置。该方法在传统边缘识别的基础上加入了加工工艺信息和边缘统计特性。以显微光学检测技术为基础,针对不同加工工艺微小型零件边缘特性,利用数理统计的方法分别对其边缘过渡区域进行拟合,建立不同工艺微小型零件的边缘过渡区域数学模型,通过对数学模型的分析,精确识别和定位出边缘点的位置。该方法考虑了微小型零件的实际加工情况,加入统计学思想,考虑了边缘相邻小区域的相关性,有效去除边缘附近的随机噪声,精度达到亚像素级,使显微图像边缘检测结果更精确。
本发明的技术解决方案是:一种基于工艺匹配的微小型结构件边缘快速显微检测方法,包括以下步骤:
(1)提取显微图像边缘过渡区:据显微图像边缘区域从背景到被测零件表面或从被测零件表面到背景的灰度值变化量L对图像灰度值进行特殊的剪切操作,并对剪切后的图像求梯度和有效平均梯度,得到的EAG与剪切值L有关,可认为是L的函数EAG(L)。对应的高端和低端EAG可分别记为EAGhigh(L)和EAGlow(L),对其求极值点得出Lhigh和Llow,这两个极值点就被认为是过渡区对应的边界灰度值,由这两个灰度值在图像中分出的区域就是边缘过渡区。
(2)进行边缘过渡区域建模:先对边缘过渡区域各像素点的灰度值进行相关性运算,再对相关性运算后的数据利用最小二乘思想建立边缘过渡区回归模型,具体采用参数个数可选择、拟合效果更好的多项式回归模型。
(3)利用样本相关系数r衡量模型拟合的性能。
本发明还提供了一种基于工艺匹配的微小型结构件边缘快速显微检测装置,包括机械传动模块、成像***模块和图像识别测量模块三部分组成。机械传动模块在硬件主要有X、Y水平工作台,Z方向工作台,伺服电机以及运动控制卡等组成。成像***模块主要由光源、显微镜头、数字CCD相机和一台高性能计算机组成。图像处理模块主要包括图像预处理、边缘检测、几何量测量模块。
本发明具有以下特点和良好的效果:
基于工艺匹配的边缘识别技术是区别现有技术的创新点之一。该技术通过对不同工件的边缘过渡区进行提取,建立不同工件边缘过渡区的数学模型,再从数学模型中根据加工特性确定边缘点精确位置。该算法思想上考虑了实际加工特性的影响,算法上加入统计学方法,通过建立过渡区数学模型使边缘检测结果达到亚象素级。
基于工艺匹配的几何测量是创新点之二。为了提高微小型结构件视觉测量结果的准确度,研究微小型结构件的直线、圆等几何要素的测量方法,指出不同的测量方法对微小型结构件测量结果的准确度影响较大,在尺寸、形状误差、位置误差测量时应该选取不同的测量方法。提出一种直线、圆最小包容区域以及最小外接圆的快速搜索算法,该检测算法利用凸包原理,排除不相关运算数据点,减少运算量。
快速边缘技术是创新点之三。快速边缘检测技术是利用神经网络对工艺匹配的边缘检测结果进行训练,通过训练好的网络进行边缘识别。
附图说明:
图1为检测***硬件构成。
图2为精研磨边缘特性,图2a)边缘光学特征的多项式拟合曲线,图2b)导数曲线。
图3为1mm量块,图3a)剖面灰度图,图3b)左侧过渡区,图3c)右侧过渡区。
图4为冲压边缘特性,图4a)边缘光学特征的多项式拟合曲线,图4b)导数曲线。
图5冲压边缘,图5a)sobel边缘,图5b)canny边缘,图5c)内边缘,图5d)中边缘,图5e)外边缘。
图6为线切割边缘特性,图6a)边缘光学特征的多项式拟合曲线,图6b)导数曲线。
图7为基于工艺匹配的神经网络快速边缘识别结果,图7a)量块边缘识别结果,图7b)LIGA零件边缘识别结果,图7c)线切割零件边缘识别结果,图7d)冲压零件边缘识别结果。
图8为图数据凹点。
图9直线最小包容区域。
图10基于工艺匹配的几何量快速检测算法,图10a)最大内接圆,图10b最小外接圆),图10c)最小包容区域圆,图10d)最小包容区域直线。
图11为圆最小包容区域。
图12为***模型
具体实施方式
下面结合附图对本发明作进一步详细的说明:
(1)微小型结构件与显微装置的安装方式实施说明:
视觉***:
***结构如图1所示。检测***由平行光照明***、工具显微镜、CCD摄像机、图像采集卡、工作台、电机、光栅尺、PMAC卡、计算机以及相应的图像处理软件组成。微小型零件完全在显微镜的视场范围内时,直接采用图像测量的方法,微小型零件超出显微镜的视场范围时,采用图像测量和机械式测量相结合的方法,图像测量的尺寸加上光栅尺读出的数值,即为零件的实际尺寸。
成像***分辨率:像元数为200万,物理放大倍率为1.5-9倍,成像***物理分辨率最高可达0.45微米。光源照射方式采用背光和直向型。
运动***采用步进电机与光栅尺反馈的全闭环控制***方式,位置反馈元件的分辨率可待0.05微米。
(2)精研磨1mm量块验证工艺匹配边缘识别实施说明:
对哈尔滨量具刃具集团责任有限公司生产的精研磨零级1mm标准量块进行了边缘识别,其多项式拟合曲线(图2a)。对图2a中拟合的多项式分别求一阶导数和二阶导数,一阶导数绝对值最大值点、二阶导数过零点即为边缘精确位置,计算得出该边缘点位置为5.2,如图2b所示。
通过对零级精度1mm标准量块进行了测量,本文方法得出的结果与量块标准值比较,可实现对本文边缘识别方法进行验证。使用固定放大倍率的显微成像***,经过校正1mm对应760pix,即显微图像中量块宽度为760pix。从图像中取量块一个垂直边缘的剖面,其灰度值如图3a所示,放大左右侧边缘过渡区分别如图3b和3c所示,分别对左右边缘拟合求导确定边缘位置,得出该量块宽度为760.3pix,即用显微视觉测量方法得出1mm标准量块宽带为1.000395mm,则测量误差在0.5μm之内。该实验表明,本文所述的通过对边缘过渡区拟合多项式、求导数确定边缘的方法结果准确、精度较高。
冲压加工边缘工艺匹配边缘识别实施说明:冲压边缘由于加工特性影响,在微小尺寸零件底面边缘处有明显飞边,其多项式拟合曲线(图4a)和一、二阶导数曲线如图4b所示。由于冲压方法加工零件的底面边缘有一个压边,若采用常规的图像边缘检测算子检测出的边缘不单一、不易识别,图5a和图5b分别为采用sobel算子和canny算子检测的边缘。利用工艺匹配边缘识别算法分析冲压工艺边缘过渡区拟合的多项式(如图4b)可分为三段斜坡区域,使用本文边缘识别方法分别计算出三个边缘位置,分别记作内、中和外边缘,如图5c、5d、5e所示,测量时可根据该工件的应用要求选择不同边缘。从上述结果中可看出,针对冲压这种有明显边缘加工特性的复杂边缘,本文的边缘识别方法比传统梯度算子要好很多,而且识别出的边缘具有加工特性,对下一步的测量提供了更多的信息。
线切割加工边缘识别实施说明:线切割加工的零件边缘过渡区重合性较差、规律性少,但总体还属于单一的斜坡型边缘。其显微图像和边缘特性如图6所示。
(3)基于工艺匹配的神经网络快速边缘识别
将工艺匹配的边缘检测结果作为训练样本,***采用BP神经网络进行训练,实现快速边缘检测。检测结果如图7所示。
(4)基于工艺匹配的快速几何量测量
1)基于工艺匹配的几何量测量
a)圆直径测量:对于微小型结构件,只能实现轴孔类件的间隙配合安装。在检定孔类零件时,实际尺寸应取其所能装配的最大理想轴的轴径,对应于最大内接圆的直径;在检定轴类零件时,实际尺寸应取其所能装配的最小理想孔的孔径,对应于最小外接拟合圆的直径。上述原则亦符合大尺寸轴孔类零件的光滑极限量规的检定原则。因此在进行圆直径测量时,要根据被测圆为轴还是孔,分别选择最小外接圆和最大内接圆的直径作为测量结果。最小二乘法不应用于高精度的测量。
b)圆度误差测量:最小包容区域法满足最小条件,所求的的圆度误差数值最小,但由于约束条件复杂,导致求解方法和搜索方法复杂。最小二乘法、最小外接圆法、最大内接圆法的检定数值通常大于最小包容区域法,但所检定结果不会导致零件的误收。在实际应用中由于最小二乘法求解简单,被广泛应用于各种圆度误差检定设备,但如果要精确获得圆度误差值应采用最小包容区域法。
c)圆心位置:圆心作为中心基准要素应采用中心原则——以其最小包容区域的中心要素作为理想基准要素。最小包容区域法的内圆与数据点有2个切点,外圆与数据点有两个切点;最小外接圆与数据点有三个切点,而以最小外接圆的圆心所做的内圆与数据点有一个切点;最大内接圆与数据点有三个切点,而以最大内接圆的圆心所做的外圆与数据点有一个切点;最小二乘圆的内圆和外圆都与数据点有一个切点。因此四种方法所确定的圆心位置必然不相同,只有最小包容区域法满足中心要素的中心原则,因此其他三种方法的所获得的圆心位置存在位置误差。可见在圆的精密测量过程中,最小二乘法不再适用。
d)直线度误差测量:只有最小区域法满足直线度的检定定义,满足误差最小条件,所检测的误差值最小,对于两端点法和最小二乘法,虽然存在检定误差,不会导致误收,即不会将不合格的工件检定为合格,在实际中广泛应用。
e)直线位置基准:直线作为轮廓要素应满足体外原则——以其最小包容区域的体外要素作为理想基准要素。最小包容区域的一条包容线与数据点有两个切点,而最小二乘法、两端点法的两条包容线与数据点都只有一个切点,因此三种方法所确定的直线不重合,只有最小包容区域法满足最小条件,使用其它两种方法会导致基准建立不准确。
2)基于数据凸包的快速几何量测量
凸包问题是属于计算几何里常见的问题,它定义为:对于平面上的离散点集,求一个最小的凸多边形把所有点包含在里面,即从这些点当中找出将来构成凸包边界的点有哪些。
1)基于点集凸包的直线最小区域搜算法
如图8所示按照最小区域法的评定准则,三点g、k、l不可能过数据凹点B,即三点都为最小外接凸多边形的顶点,且g、l两点的为凸多边形的一边。
搜索算法:
a)数据点排序
b)数据凹点去除
依次检查链表中相邻的三个点Qi-1、Qi、Qi+1(i=1,…,n-1),按式(2)通过计算s判定值,判断Qi点是否为凹点。如果Qi为凹点,删除掉该点,并退回到链表中的前一个点Qi-1,即检查点Qi-2,Qi-1,Qi+1,直至数组Q的点全部为数据凸点。
c)数据点g、k、l判定
依次连接Q数组的相邻点和首尾点,搜索离凸多边形的每条边距离最远的点,记录距离d,最后找到数组d中的最小值dmin,其对应凸多边形的一边和另一个顶点分别对应于g、l两点和k点,dmin值为直线度误差。
如图9所示最后搜索到点c对应于k点,边ab的两端点为g、l点,直线度误差为2.497。数据搜索量由原来的C21 3,变为6×4=24次,任务量变为原来的2%,速度大幅度提升。
2)基于点集凸包的圆最小包容区域搜索算法
按照最小区域的判定准则,最小包容区域的外接圆所过的两个点必定不是数据凹点,同时内外4个切点相间分布是指4个切点构成的凸4边形。
搜索算法:
步骤1:搜索数据集P的外接凸多边形Q,取外接凸多边形的两个顶点作为外切点b、d;
步骤2:在所有数据点P中选取另外两点a、c作为内切点,与步骤1找到的两个外切点按内a-外b-内c-外d的顺序排列,判断该四边形是否为凸四边形;如果满足执行步骤3,不满足则执行步骤2重新找两个内切点;如果都不满足,转到步骤1重新找两个外切点。
步骤3:求出两个同心圆的圆心,即两线段ac、bd的中垂线的交点o。
步骤4:判断其余点是否在同心圆环中。如果是,则找到满足条件的4个切点a、b、c、d,退出搜索。如果不满足,则转到步骤2,重新2个内切点,如果所有的内切点都不满足则转到步骤1,重新找2个外切点。
如图11所示,找到最小包容法的4个切点a、b、c、d,圆心为o,圆度误差为1.233,数据搜索时间大大降低。
同理,可以证明最小外接圆的三个切点为凸多边形Q的顶点。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1、一种基于工艺匹配的微小型结构件边缘快速显微检测方法,其特征在于该方法包括以下步骤:
(1)提取显微图像边缘过渡区:据显微图像边缘区域从背景到被测零件表面或从被测零件表面到背景的灰度值变化量L对图像灰度值进行特殊的剪切操作,并对剪切后的图像求梯度和有效平均梯度,得到的EAG与剪切值L有关,可认为是L的函数EAG(L);对应的高端和低端EAG可分别记为EAGhigh(L)和EAGlow(L),对其求极值点得出Lhigh和Llow,这两个极值点就被认为是过渡区对应的边界灰度值,由这两个灰度值在图像中分出的区域就是边缘过渡区;
(2)进行边缘过渡区域建模:先对边缘过渡区域各像素点的灰度值进行相关性运算,再对相关性运算后的数据利用最小二乘思想建立边缘过渡区回归模型,具体采用参数个数可选择、拟合效果更好的多项式回归模型;
(3)利用样本相关系数r衡量模型拟合的性能。
2、一种基于工艺匹配的微小型结构件边缘快速显微检测装置,包括机械传动模块、成像***模块和图像识别测量模块三部分;机械传动模块的硬件主要由X、Y水平工作台,Z方向工作台,步进电机以及运动控制卡等组成;成像***模块主要由光源、显微镜头、数字CCD相机和一台高性能计算机组成,图像处理模块主要包括图像预处理、边缘检测、几何量测量模块。
3、根据权利要求1所述的基于工艺匹配的微小型结构件边缘快速显微检测方法,其特征在于(1)基于工艺匹配的神经网络快速边缘识别:将工艺匹配的边缘检测结果作为训练样本,***采用BP神经网络进行训练,实现快速边缘检测;(2)采用基于数据凸包的几何量快速检测算法,对于平面上的各几何量的离散点集,求一个最小的凸多边形把所有点包含在里面(即从这些点当中找出将来构成凸包边界的点有哪些),直线以圆的最小包容区域以及最小外接圆的控制点从凸包上选取,求取直线的最小包用区域(直线度)、圆的最小包容区域(圆度)以及最小外接圆(直径)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910085601A CN101619964A (zh) | 2009-05-26 | 2009-05-26 | 一种基于工艺匹配的微小型结构件快速显微检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910085601A CN101619964A (zh) | 2009-05-26 | 2009-05-26 | 一种基于工艺匹配的微小型结构件快速显微检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101619964A true CN101619964A (zh) | 2010-01-06 |
Family
ID=41513315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910085601A Pending CN101619964A (zh) | 2009-05-26 | 2009-05-26 | 一种基于工艺匹配的微小型结构件快速显微检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101619964A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101972928A (zh) * | 2010-08-19 | 2011-02-16 | 北京理工大学 | 一种用于微小型结构件的自动对位装配*** |
CN102589453A (zh) * | 2011-12-16 | 2012-07-18 | 中国计量学院 | 轴类工件外径影像测量装置及其测量方法 |
CN103344183A (zh) * | 2013-07-25 | 2013-10-09 | 中国科学院自动化研究所 | 一种糖块尺寸检测装置及方法 |
CN104959971A (zh) * | 2015-07-17 | 2015-10-07 | 北京理工大学 | 一种面向微米级软管与微球组件的装配*** |
CN105387808A (zh) * | 2014-08-29 | 2016-03-09 | 斯克林集团公司 | 边缘位置检测装置及边缘位置检测方法 |
CN105405141A (zh) * | 2015-11-11 | 2016-03-16 | 佛山轻子精密测控技术有限公司 | 一种自动识别工件凹凸台边缘的方法 |
CN108550157A (zh) * | 2018-04-04 | 2018-09-18 | 安徽海青智能科技有限公司 | 一种教学板书的无遮挡处理方法 |
CN108573653A (zh) * | 2017-03-13 | 2018-09-25 | 腾讯科技(深圳)有限公司 | 电子地图生成方法及装置 |
CN108931204A (zh) * | 2017-05-23 | 2018-12-04 | 丰田自动车株式会社 | 三维曲面上的凹凸形状测定方法 |
CN111189396A (zh) * | 2019-11-19 | 2020-05-22 | 广东工业大学 | 一种基于神经网络的增量绝对光栅尺的位移检测方法 |
CN111223081A (zh) * | 2020-01-02 | 2020-06-02 | 天津瑟威兰斯科技有限公司 | 基于深度学习的零件开孔识别与检测方法及*** |
CN114117315A (zh) * | 2021-11-16 | 2022-03-01 | 武汉铁路职业技术学院 | 基于最小包容区域的直线度估算方法及*** |
CN115026839A (zh) * | 2022-07-29 | 2022-09-09 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
-
2009
- 2009-05-26 CN CN200910085601A patent/CN101619964A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101972928A (zh) * | 2010-08-19 | 2011-02-16 | 北京理工大学 | 一种用于微小型结构件的自动对位装配*** |
CN101972928B (zh) * | 2010-08-19 | 2011-11-02 | 北京理工大学 | 一种用于微小型结构件的自动对位装配*** |
CN102589453A (zh) * | 2011-12-16 | 2012-07-18 | 中国计量学院 | 轴类工件外径影像测量装置及其测量方法 |
CN103344183A (zh) * | 2013-07-25 | 2013-10-09 | 中国科学院自动化研究所 | 一种糖块尺寸检测装置及方法 |
CN105387808A (zh) * | 2014-08-29 | 2016-03-09 | 斯克林集团公司 | 边缘位置检测装置及边缘位置检测方法 |
CN105387808B (zh) * | 2014-08-29 | 2018-06-08 | 斯克林集团公司 | 边缘位置检测装置及边缘位置检测方法 |
CN104959971A (zh) * | 2015-07-17 | 2015-10-07 | 北京理工大学 | 一种面向微米级软管与微球组件的装配*** |
CN105405141A (zh) * | 2015-11-11 | 2016-03-16 | 佛山轻子精密测控技术有限公司 | 一种自动识别工件凹凸台边缘的方法 |
CN105405141B (zh) * | 2015-11-11 | 2018-05-29 | 佛山轻子精密测控技术有限公司 | 一种自动识别工件凹凸台边缘的方法 |
CN108573653A (zh) * | 2017-03-13 | 2018-09-25 | 腾讯科技(深圳)有限公司 | 电子地图生成方法及装置 |
CN108573653B (zh) * | 2017-03-13 | 2022-01-04 | 腾讯科技(深圳)有限公司 | 电子地图生成方法及装置 |
CN108931204A (zh) * | 2017-05-23 | 2018-12-04 | 丰田自动车株式会社 | 三维曲面上的凹凸形状测定方法 |
CN108550157A (zh) * | 2018-04-04 | 2018-09-18 | 安徽海青智能科技有限公司 | 一种教学板书的无遮挡处理方法 |
CN108550157B (zh) * | 2018-04-04 | 2021-10-15 | 哈工产教融合科技(深圳)有限公司 | 一种教学板书的无遮挡处理方法 |
CN111189396A (zh) * | 2019-11-19 | 2020-05-22 | 广东工业大学 | 一种基于神经网络的增量绝对光栅尺的位移检测方法 |
CN111189396B (zh) * | 2019-11-19 | 2022-06-03 | 广东工业大学 | 一种基于神经网络的增量绝对光栅尺的位移检测方法 |
CN111223081A (zh) * | 2020-01-02 | 2020-06-02 | 天津瑟威兰斯科技有限公司 | 基于深度学习的零件开孔识别与检测方法及*** |
CN114117315A (zh) * | 2021-11-16 | 2022-03-01 | 武汉铁路职业技术学院 | 基于最小包容区域的直线度估算方法及*** |
CN114117315B (zh) * | 2021-11-16 | 2023-07-18 | 武汉铁路职业技术学院 | 基于最小包容区域的直线度估算方法及*** |
CN115026839A (zh) * | 2022-07-29 | 2022-09-09 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
CN115026839B (zh) * | 2022-07-29 | 2024-04-26 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101619964A (zh) | 一种基于工艺匹配的微小型结构件快速显微检测方法及装置 | |
CN100547351C (zh) | 一种机器视觉定位方法 | |
CN102589435B (zh) | 噪声环境下激光束中心高效精确检测方法 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN111537517A (zh) | 一种无人智能化冲压缺陷识别方法 | |
CN106204610A (zh) | 基于图像处理的轴孔装配自动对中*** | |
CN109115800B (zh) | 一种产品毛刺的快速检测及长度精确测量方法 | |
CN106814083A (zh) | 滤波片缺陷检测***及其检测方法 | |
CN108088381B (zh) | 一种基于图像处理的非接触式微小间隙宽度测量方法 | |
CN103499296A (zh) | 基于机器视觉的批量零件自动检测***及方法 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测***及方法 | |
CN109990711B (zh) | 一种冲孔镀镍钢带的外观质量检测方法 | |
CN111062940A (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
CN113034482A (zh) | 基于机器视觉和机器学习的表面粗糙度检测方法 | |
CN109974648A (zh) | 基于坐标值的微小孔几何精度评定方法 | |
CN117085969B (zh) | 人工智能工业视觉检测方法、装置、设备及存储介质 | |
CN112345540B (zh) | 一种基于圆形结构光检测内孔过盈配合表面拆卸损伤的检测方法 | |
Mileski et al. | Development of a computer vision-based system for part referencing in CNC machining centers | |
CN111815575A (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
Wang et al. | A micro cutter auto-alignment system with on-machine positioning error measurement and compensation methods | |
CN114998417A (zh) | 基于二次曲线不变量的薄壁冲压件孔组尺寸测量方法 | |
Zou et al. | Laser-based precise measurement of tailor welded blanks: a case study | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
CN114862816A (zh) | 毛刺检测方法、***和计算机可读存储介质 | |
US9703017B2 (en) | Optical lens, lens unit, imaging module, electronic device, optical lens production method, lens mold, and shape correction method for lens mold |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100106 |