CN107490582B - 一种流水线工件检测*** - Google Patents

一种流水线工件检测*** Download PDF

Info

Publication number
CN107490582B
CN107490582B CN201710855820.2A CN201710855820A CN107490582B CN 107490582 B CN107490582 B CN 107490582B CN 201710855820 A CN201710855820 A CN 201710855820A CN 107490582 B CN107490582 B CN 107490582B
Authority
CN
China
Prior art keywords
crack
image
workpiece
workpiece surface
detection
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.)
Active
Application number
CN201710855820.2A
Other languages
English (en)
Other versions
CN107490582A (zh
Inventor
黄信文
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.)
Nanjing Guangquan Technology Co.,Ltd.
Original Assignee
Nanjing Guangquan 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 Nanjing Guangquan Technology Co ltd filed Critical Nanjing Guangquan Technology Co ltd
Priority to CN201710855820.2A priority Critical patent/CN107490582B/zh
Publication of CN107490582A publication Critical patent/CN107490582A/zh
Application granted granted Critical
Publication of CN107490582B publication Critical patent/CN107490582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种流水线工件检测***，其特征在于，包括：传送装置，用于通过传送带将所述工件传送到检测区域；图像采集模块，用于拍摄检测区域内工件表面图像；图像处理模块，与所述图像采集模块连接，用于对拍摄得到的工件表面图像进行增强、检测处理，以及裂纹特征提取；统计分析模块，与所述图像处理模块连接，用于裂纹分析，并得出相应的工件表面检测结果；显示模块：与所述统计分析模块连接，用于显示所述工件表面检测结果。本发明对加工好的工件逐一进行外观检测，消除了人工检测的诸多缺陷，提高产品检测的工作效率，增强企业生产效率和经济效益。

Description

一种流水线工件检测***
技术领域
本发明涉及自动化工件检测设备领域，特别涉及一种流水线工件检测***。
背景技术
在机械流水线生产中，加工好的机械工件通常要进行最后一道工序，即外观检测，看是否符合生产要求。但是现有技术一般采用人工检验机械工件的外观质量，占用大量人力，而且由于受到个人的视力、情绪、疲劳、光线等因素的影响，造成检验效率低，分选差异大，降低企业生产效率和经济效益，影响机械行业的市场竞争力。而采用进口设备价格高昂，而且售后维修周期长，一旦出现故障问题将会严重影响企业的正常生产。
发明内容
针对上述问题，本发明旨在提供一种道路裂缝检测装置。
本发明的目的采用以下技术方案来实现：
一种流水线工件检测***，包括：
传送装置，用于通过传送带将所述工件传送到检测区域；
图像采集模块，用于拍摄检测区域内工件表面图像；
图像处理模块，与所述图像采集模块连接，用于对拍摄得到的工件表面图像进行增强、检测处理，以及裂纹特征提取；
统计分析模块，与所述图像处理模块连接，用于裂纹分析，并得出相应的工件表面检测结果；
显示模块：与所述统计分析模块连接，用于显示所述工件表面检测结果。
优选地，所述图像采集装置包括CCD摄像头和用于承载、调节所述CCD摄像头拍摄位置的机械臂。
优选地，所述图像处理模块包括依次连接的亮度校正单元、去噪滤波处理单元、图像增强单元和裂纹检测分割单元，其中：
亮度校正单元，用于对所述工件表面图像进行光线不均匀校正，去除图像中的阴影部分，获取亮度校正后的工件表面图像；
去噪滤波处理单元，用于对所述亮度校正后的工件表面图像进行去噪滤波处理，获取去噪后的工件表面图像；
图像增强单元，用于对所述去噪后的工件表面图像进行增强处理，获取增强后的工件表面图像；
裂纹检测分割单元，用于对所述增强后的工件表面图像进行裂纹边缘检测和裂纹分割处理，获取分割后的工件表面裂纹图像。
优选地，所述统计分析模块，包括裂纹识别单元，检测结果生成单元，其中：
裂纹识别单元，用于对所述分割后的工件表面裂纹图像进行裂纹识别，获取裂纹识别结果；
检测结果生成单元，用于根据所述裂纹识别结果生成工件表面检测结果并将其发送至所述显示模块。
本发明的有益效果为：本发明设置于机械流水线的最后一道工序上，对加工好的工件逐一进行外观检测，得出该工件是否存在表面缺陷，消除了人工检测的诸多缺陷，提高产品检测的工作效率，增强企业生产效率和经济效益。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图；
图2为本发明图像处理模块的框架结构图；
图3为本发明统计分析模块的框架结构图。
附图标记：
图像采集模块1、图像处理模块2、统计分析模块3、显示模块4、亮度校正单元20、去噪滤波处理单元21、图像增强单元22、裂纹检测分割单元23、裂纹识别单元30和检测结果生成单元31
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见附图1，一种流水线工件检测***，包括：
传送装置，用于通过传送带将所述工件传送到检测区域；
图像采集模块1，用于拍摄检测区域内工件表面图像；
图像处理模块2，与所述图像采集模块1连接，用于对拍摄得到的工件表面图像进行增强、检测处理，以及裂纹特征提取；
统计分析模块3，与所述图像处理模块2连接，用于裂纹分析，并得出相应的工件表面检测结果；
显示模块4：与所述统计分析模块3连接，用于显示所述工件表面检测结果。
优选地，所述图像采集装置1包括CCD摄像头和用于承载、调节所述CCD摄像头拍摄位置的机械臂。
优选地，参见附图2，所述图像处理模块2包括依次连接的亮度校正单元20、去噪滤波处理单元21、图像增强单元22和裂纹检测分割单元23，其中：
亮度校正单元20，用于对所述工件表面图像进行光线不均匀校正，去除图像中的阴影部分，获取亮度校正后的工件表面图像；
去噪滤波处理单元21，用于对所述亮度校正后的工件表面图像进行去噪滤波处理，获取去噪后的工件表面图像；
图像增强单元22，用于对所述去噪后的工件表面图像进行增强处理，获取增强后的工件表面图像；
裂纹检测分割单元23，用于对所述增强后的工件表面图像进行裂纹边缘检测和裂纹分割处理，获取分割后的工件表面裂纹图像。
优选地，参见附图3，所述统计分析模块3，包括裂纹识别单元30，检测结果生成单元31，其中：
裂纹识别单元30，用于对所述分割后的工件表面裂纹图像进行裂纹识别，获取裂纹识别结果；
检测结果生成单元31，用于根据所述裂纹识别结果生成工件表面检测结果并将其发送至所述显示模块。
本发明上述实施例，将本发明设置于机械流水线的最后一道工序上，对加工好的工件逐一进行外观检测，得出该工件是否存在表面缺陷，消除了人工检测的诸多缺陷，提高产品检测的工作效率，增强企业生产效率和经济效益。
优选地，所述亮度校正单元用于对所述工件表面图像进行光线不均匀校正，去除图像中的阴影部分，获取亮度校正后的工件表面图像，具体为：
(1)对工件表面图像采用灰度形态闭合运算，去掉图像中的表面裂纹，并采用二维高斯平滑方法进行平滑处理，获取平滑工件图像；
(2)根据亮度的不同将所述平滑工件图像划分成不同亮度等级区域{Pk|k＝1,2,…,U,…,K}，使区域Pk包含亮度值Y∈(Tk-1,Tk]的所有像素，其中Tk表示设定的亮度阈值，K表示划分的亮度等级的数量，有0≤T1≤T2≤…≤TK-1≤255，T0＝0，TK＝255，其中不同亮度阈值Tk的设置应使得每个亮度等级区域Pk所包含的像素点的数量相同；
(3)选取U个亮度等级较低的区域C＝{Ck＝Pk|k＝1,2,…,U}作为阴影区域，其余K-U个亮度等级较高的区域V＝{Vk＝Pk|k＝U+1,U+2,…,K}作为非阴影区域，并将所述阴影区域和非阴影区域对应到工件表面图像中；
(4)对工件表面图像进行亮度补偿，采用的自定义亮度补偿函数为：
Figure BDA0001414055950000041
式中，Y′(i,j)表示亮度补偿后像素点(i,j)的亮度值，Y(i,j)表示原始图像中像素点(i,j)的亮度值，σC和σV分别表示阴影区域和非阴影区域的像素点亮度值的标准方差，
Figure BDA0001414055950000042
和
Figure BDA0001414055950000043
分别表示阴影区域和非阴影区域的平均亮度值。
本优选实施例，采用上述的方法对工件表面图像进行光线不匀校正和亮度补偿处理，对工件表面图像按照不同亮度等级划分成不同的区域，准确地获取阴影区域，通过对亮度阴影区域进行亮度补偿校正，能够有效地去除图像中的阴影部分，消除了阴影部分对之后工件表面检测的影响，提高了***的准确性和适应性。
优选地，所述裂纹检测分割单元，用于对所述增强后的工件表面图像进行裂纹边缘检测和裂纹分割处理，获取分割后的工件表面裂纹图像，具体为：
(1)对增强后的工件表面图像Ez进行轮廓结构元素腐蚀运算，获取腐蚀后的图像Ef，其中
Figure BDA0001414055950000044
Figure BDA0001414055950000045
表示腐蚀运算符号，e表示设定的结构元素的轮廓；
(2)对增强后的工件表面图像Ez进行轮廓结构元素膨胀运算，获取膨胀后的图像Ep，其中
Figure BDA0001414055950000046
Figure BDA0001414055950000047
表示膨胀运算符号，e表示设定的结构元素的轮廓；
(3)获取增强后的工件表面图像Ez中每个像素点的对于背景亮度的突变值，其中采用的突变值获取函数为：
Figure BDA0001414055950000048
式中，
Figure BDA0001414055950000049
表示像素点(i,j)对于背景亮度的突变值，Ez(i,j)表示增强后的工件表面图像像素点(i,j)的灰度值，Ef(i,j)表示腐蚀后的图像像素点(i,j)的灰度值，Ep(i,j)表示膨胀后的图像像素点(i,j)的灰度值；
(4)获取增强后的工件表面图像Ez中每个像素点的可分辨亮度差阈值，其中采用自定义的可分辨亮度差阈值函数为：
Figure BDA0001414055950000051
式中，Δε(i,j)表示可分辨亮度差阈值，Y(i,j)表示像素点(i,j)的背景亮度值，λ、μ、θ分别为设定的可分辨亮度差阈值模型的参数，y1和y2分别表示低暗区域和高亮区域的亮度阈值；
(5)对增强后的工件表面图像进行边缘检测，采用的边缘检测函数为：
Figure BDA0001414055950000052
式中，ξ(i,j)表示图像像素点(i,j)的边缘检测结果，
Figure BDA0001414055950000053
表示像素点(i,j)对于背景亮度的突变值，Δε(i,j)表示可分辨亮度差阈值模型；
(6)将符合ξ(i,j)＝1的像素点标记为边缘像素点，并根据所述边缘像素点对工件裂纹部分进行分割。
本优选实施例，采用上述的方法进行里裂纹分割，首先在待处理图像中获取每个像素点的亮度突变值和可分辨亮度差阈值，将其进行比较从而获取图像中的裂纹边缘点，依此准确地将裂纹部分分割出来，准确性高，为之后***对工件表面的裂纹识别奠定了基础。
优选地，所述裂纹识别单元，用于对所述分割后的工件表面裂纹图像进行裂纹识别，获取裂纹识别结果，具体为：
(1)对分割后的工件表面裂纹图像进行二值化处理，其中工件裂纹部分用白色像素表示，即B(i,j)＝1；其余背景区域用黑色像素表示，即B(i,j)＝0；
(2)统计分割后的工件表面裂纹图像中工件裂纹部分像素点的数目
Figure BDA0001414055950000054
其中H×L表示分割后的工件表面裂纹图像的尺寸大小，如果kc＝0，则表示工件表面图像中不存在裂纹目标；否则，则认为工件表面图像存在裂纹目标；
(3)对裂纹目标类型进行识别，具体为：
(31)根据工件裂纹部分获取裂纹目标的几何质心坐标(ic,jc)，以(ic,jc)为中心，取边长为2r+1的正方形区域，计正方形区域内的裂纹区域像素点数目为kz；
(32)如果
Figure BDA0001414055950000055
则计算裂纹分布因子
Figure BDA0001414055950000056
否则，取r＝r+10，并跳转至步骤(31)；
(33)对裂纹分布因子ζs进行判断，若裂纹分布因子小于设定的第一阈值Φ1，则可以认为裂纹目标为条状裂纹；若裂纹分布因子在设定的第一阈值Φ1与第二阈值Φ2之间，则可以认为裂纹目标为块状裂纹；裂纹分布因子大于设定的第二阈值Φ2，则可以认为裂纹目标为网状裂纹；其中Φ1<Φ2。
本优选实施例，采用上述的方法进行裂纹识别，首先计算裂纹部分的裂纹分布因子作为裂纹分布的特征值，然后根据裂纹分布因子准确地判断出裂纹所属的种类，适应性强，能够适用于***对工件表面裂纹的实时判断。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.一种流水线工件检测***，其特征在于，包括：
传送装置，用于通过传送带将所述工件传送到检测区域；
图像采集模块，用于拍摄检测区域内工件表面图像；
图像处理模块，与所述图像采集模块连接，用于对拍摄得到的工件表面图像进行增强、检测处理，以及裂纹特征提取；
统计分析模块，与所述图像处理模块连接，用于裂纹分析，并得出相应的工件表面检测结果；
显示模块：与所述统计分析模块连接，用于显示所述工件表面检测结果；
其中，所述图像采集装置包括CCD摄像头和用于承载、调节所述CCD摄像头拍摄位置的机械臂；
其中，所述图像处理模块包括依次连接的亮度校正单元、去噪滤波处理单元、图像增强单元和裂纹检测分割单元，其中：
亮度校正单元，用于对所述工件表面图像进行光线不均匀校正，去除图像中的阴影部分，获取亮度校正后的工件表面图像；
去噪滤波处理单元，用于对所述亮度校正后的工件表面图像进行去噪滤波处理，获取去噪后的工件表面图像；
图像增强单元，用于对所述去噪后的工件表面图像进行增强处理，获取增强后的工件表面图像；
裂纹检测分割单元，用于对所述增强后的工件表面图像进行裂纹边缘检测和裂纹分割处理，获取分割后的工件表面裂纹图像；
其中，所述统计分析模块，包括裂纹识别单元，检测结果生成单元，其中：
裂纹识别单元，用于对所述分割后的工件表面裂纹图像进行裂纹识别，获取裂纹识别结果；
检测结果生成单元，用于根据所述裂纹识别结果生成工件表面检测结果并将其发送至所述显示模块；
其中，所述亮度校正单元具体为：
(1)对工件表面图像采用灰度形态闭合运算，去掉图像中的表面裂纹，并采用二维高斯平滑方法进行平滑处理，获取平滑工件图像；
(2)根据亮度的不同将所述平滑工件图像划分成不同亮度等级区域{Pk|k＝1,2,…,U,…,K}，使区域Pk包含亮度值Y∈(Tk-1,Tk]的所有像素，其中Tk表示设定的亮度阈值，K表示划分的亮度等级的数量，有0≤T1≤T2≤…≤TK-1≤255，T0＝0，TK＝255，其中不同亮度阈值Tk的设置应使得每个亮度等级区域Pk所包含的像素点的数量相同；
(3)选取U个亮度等级较低的区域C＝{Ck＝Pk|k＝1,2,...,U}作为阴影区域，其余K-U个亮度等级较高的区域V＝{Vk＝Pk|k＝U+1,U+2,…,K}作为非阴影区域，并将所述阴影区域和非阴影区域对应到工件表面图像中；
(4)对工件表面图像进行亮度补偿，采用的自定义亮度补偿函数为：
Figure FDA0002579091490000021
式中，Y′(i,j)表示亮度补偿后像素点(i,j)的亮度值，Y(i,j)表示原始图像中像素点(i,j)的亮度值，σC和σV分别表示阴影区域和非阴影区域的像素点亮度值的标准方差，
Figure FDA0002579091490000022
和
Figure FDA0002579091490000023
分别表示阴影区域和非阴影区域的平均亮度值。
2.根据权利要求1所述的一种流水线工件检测***，其特征在于，所述裂纹检测分割单元，用于对所述增强后的工件表面图像进行裂纹边缘检测和裂纹分割处理，获取分割后的工件表面裂纹图像，具体为：
(1)对增强后的工件表面图像Ez进行轮廓结构元素腐蚀运算，获取腐蚀后的图像Ef，其中
Figure FDA0002579091490000024
Figure FDA0002579091490000025
表示腐蚀运算符号，e表示设定的结构元素的轮廓；
(2)对增强后的工件表面图像Ez进行轮廓结构元素膨胀运算，获取膨胀后的图像Ep，其中
Figure FDA0002579091490000026
Figure FDA0002579091490000027
表示膨胀运算符号，e表示设定的结构元素的轮廓；
(3)获取增强后的工件表面图像Ez中每个像素点的对于背景亮度的突变值，其中采用的突变值获取函数为：
Figure FDA0002579091490000028
式中，
Figure FDA0002579091490000029
表示像素点(i,j)对于背景亮度的突变值，Ez(i,j)表示增强后的工件表面图像像素点(i,j)的灰度值，Ef(i,j)表示腐蚀后的图像像素点(i,j)的灰度值，Ep(i,j)表示膨胀后的图像像素点(i,j)的灰度值；
(4)获取增强后的工件表面图像Ez中每个像素点的可分辨亮度差阈值，其中采用自定义的可分辨亮度差阈值函数为：
Figure FDA00025790914900000210
式中，Δε(i,j)表示可分辨亮度差阈值，Y(i,j)表示像素点(i,j)的背景亮度值，λ、μ、θ分别为设定的可分辨亮度差阈值模型的参数，y1和y2分别表示低暗区域和高亮区域的亮度阈值；
(5)对增强后的工件表面图像进行边缘检测，采用的边缘检测函数为：
Figure FDA0002579091490000031
式中，ξ(i,j)表示图像像素点(i,j)的边缘检测结果，
Figure FDA0002579091490000032
表示像素点(i,j)对于背景亮度的突变值，Δε(i,j)表示可分辨亮度差阈值模型；
(6)将符合ξ(i,j)＝1的像素点标记为边缘像素点，并根据所述边缘像素点对工件裂纹部分进行分割。
3.根据权利要求2所述的一种流水线工件检测***，其特征在于，所述裂纹识别单元，用于对所述分割后的工件表面裂纹图像进行裂纹识别，获取裂纹识别结果，具体为：
(1)对分割后的工件表面裂纹图像进行二值化处理，其中工件裂纹部分用白色像素表示，即B(i,j)＝1；其余背景区域用黑色像素表示，即B(i,j)＝0；
(2)统计分割后的工件表面裂纹图像中工件裂纹部分像素点的数目
Figure FDA0002579091490000033
其中H×L表示分割后的工件表面裂纹图像的尺寸大小，如果kc＝0，则表示工件表面图像中不存在裂纹目标；否则，则认为工件表面图像存在裂纹目标；
(3)对裂纹目标类型进行识别，具体为：
(31)根据工件裂纹部分获取裂纹目标的几何质心坐标(ic,jc)，以(ic,jc)为中心，取边长为2r+1的正方形区域，计正方形区域内的裂纹区域像素点数目为kz，其中ic和jc分别表示裂纹目标的几何质心的横坐标和纵坐标，r表示边长设定参数；
(32)如果
Figure FDA0002579091490000034
则计算裂纹分布因子
Figure FDA0002579091490000035
否则，取r＝r+10，并跳转至步骤(31)；
(33)对裂纹分布因子ζs进行判断，若裂纹分布因子小于设定的第一阈值Φ1，则可以认为裂纹目标为条状裂纹；若裂纹分布因子在设定的第一阈值Φ1与第二阈值Φ2之间，则可以认为裂纹目标为块状裂纹；裂纹分布因子大于设定的第二阈值Φ2，则可以认为裂纹目标为网状裂纹；其中Φ1<Φ2。
CN201710855820.2A 2017-09-20 2017-09-20 一种流水线工件检测*** Active CN107490582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710855820.2A CN107490582B (zh) 2017-09-20 2017-09-20 一种流水线工件检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710855820.2A CN107490582B (zh) 2017-09-20 2017-09-20 一种流水线工件检测***

Publications (2)

Publication Number Publication Date
CN107490582A CN107490582A (zh) 2017-12-19
CN107490582B true CN107490582B (zh) 2021-03-16

Family

ID=60651819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710855820.2A Active CN107490582B (zh) 2017-09-20 2017-09-20 一种流水线工件检测***

Country Status (1)

Country Link
CN (1) CN107490582B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108362705A (zh) * 2018-02-05 2018-08-03 中达电通股份有限公司 一种牙刷刷毛数量检测装置及其检测方法
CN108663484A (zh) * 2018-05-09 2018-10-16 安徽知之信息科技有限公司 一种电动汽车覆盖件的表面质量检测流水线
CN108764105B (zh) * 2018-05-22 2022-03-22 广东美的智能机器人有限公司 流水线工件识别方法、服务器及终端
CN113822945A (zh) * 2021-09-28 2021-12-21 天津朗硕机器人科技有限公司 一种基于双目视觉的工件识别和定位方法
CN114723701B (zh) * 2022-03-31 2023-04-18 厦门力和行自动化有限公司 基于计算机视觉的齿轮缺陷检测方法和***
CN114719749B (zh) * 2022-04-06 2023-07-14 重庆大学 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及***
CN115452844B (zh) * 2022-11-11 2023-02-03 广东海洋大学 一种基于机器视觉的注塑件检测方法及***
CN116485350B (zh) * 2023-06-20 2023-09-01 山东鲁玻玻璃科技有限公司 基于图像识别的中硼硅玻璃智能化生产***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253050A (zh) * 2011-03-14 2011-11-23 广州市盛通建设工程质量检测有限公司 基于机器视觉的磁瓦表面缺陷自动检测方法与装置
CN202075755U (zh) * 2011-05-03 2011-12-14 西安理工大学 一种工件表面微裂纹视觉检测装置
CN103872983B (zh) * 2014-04-04 2016-05-25 天津市鑫鼎源科技发展有限公司 太阳能电池表面缺陷检测方法

Also Published As

Publication number Publication date
CN107490582A (zh) 2017-12-19

Similar Documents

Publication Publication Date Title
CN107490582B (zh) 一种流水线工件检测***
CN114937055B (zh) 基于人工智能的图像自适应分割方法与***
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN109816652B (zh) 一种基于灰度显著性的复杂铸件缺陷识别方法
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN115222733B (zh) 基于图像识别的金属构件表面缺陷检测方法
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及***
CN108876768B (zh) 导光板暗影缺陷检测方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN114881915A (zh) 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
Samarawickrama et al. Matlab based automated surface defect detection system for ceremic tiles using image processing
CN112258444A (zh) 一种电梯钢丝绳检测方法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN115684176A (zh) 一种薄膜表面缺陷在线视觉检测***
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN113298769A (zh) Fpc软排线外观缺陷检测方法、***和介质
CN111539927A (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN114581805A (zh) 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法
CN114332081B (zh) 基于图像处理的纺织品表面异常判定方法
CN110516725B (zh) 基于机器视觉的木板条纹间距和颜色的检测方法
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210226

Address after: 211100 Shang Shan District, Tangshan industrial concentration area, Jiangning District, Nanjing, Jiangsu

Applicant after: Nanjing Guangquan Technology Co.,Ltd.

Address before: 518000 B356, 2124 Li Wan mansion, Nanhai street, Nanshan District, Shenzhen, Guangdong.

Applicant before: SHENZHEN SHENGDA MACHINERY DESIGN Co.,Ltd.

GR01 Patent grant
GR01 Patent grant