CN108593660A - 一种冲压铝板缺陷自动检测装置及方法 - Google Patents

一种冲压铝板缺陷自动检测装置及方法 Download PDF

Info

Publication number
CN108593660A
CN108593660A CN201810396506.7A CN201810396506A CN108593660A CN 108593660 A CN108593660 A CN 108593660A CN 201810396506 A CN201810396506 A CN 201810396506A CN 108593660 A CN108593660 A CN 108593660A
Authority
CN
China
Prior art keywords
geometric
module
aluminium sheet
perimeter
image
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.)
Granted
Application number
CN201810396506.7A
Other languages
English (en)
Other versions
CN108593660B (zh
Inventor
赵翠芳
马加成
陈愉
赵天
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 Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
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 Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN201810396506.7A priority Critical patent/CN108593660B/zh
Publication of CN108593660A publication Critical patent/CN108593660A/zh
Application granted granted Critical
Publication of CN108593660B publication Critical patent/CN108593660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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

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

Abstract

本发明涉及一种冲压铝板缺陷自动检测装置及方法，属于铝板缺陷检测技术领域。本发明的检测装置包括传送带、光源、摄像机、工控机和服务器；检测方法分训练和检测两个过程。训练时，工控机分别读取标准和带缺陷铝板图像并将其二值化，完成图像分割，提取每个几何图形的Hu矩作为输入，标记已知的缺陷情况作为输出，训练SVM分类器，将得到的分类参数上传至服务器并按铝板型号进行存储。检测时，工控机从服务器下载某铝板型号SVM分类参数，读取待检测铝板图像并将其二值化，完成图像分割，提取每个几何图形的Hu矩输入SVM分类器，判定检测结果，保存缺陷信息并上传至服务器保存。

Description

一种冲压铝板缺陷自动检测装置及方法
技术领域
本发明涉及一种冲压铝板缺陷自动检测装置及方法，属于铝板缺陷检测技术领域。
背景技术
冲压铝板是靠压力机和模具对板材施加外力，使之产生塑性变形，从而获得所需形状和尺寸的冲压件。
冲压铝板表面几何图形缺陷检测在铝板生产的过程中是一个重要的环节。因此，发展一种快速、高效、可靠、实时的缺陷检测方法已经成为必然。
国内目前针对于冲压铝板的检测方式主要通过肉眼人工检测的方式。肉眼检测容易出现较高的误检和漏检率，由于铝板使用纯铝或铝合金材料通过压力加工制成，其表面反光率较高，容易造成工人视觉疲劳，尤其是现在生产线速度越来越快，这种检测方式很难达到生产要求。
发明内容
本发明的目的是为了解决传统采用肉眼人工检测方法检测冲压铝板缺陷时，误检率和漏检率较高、易造成工人视觉疲劳、检测效率不高等问题，提供一种冲压铝板缺陷自动检测装置及其方法，
本发明的目的是通过以下技术方案实现的：
本发明的一种冲压铝板缺陷自动检测装置，包括传送带、光源、摄像机、工控机和服务器；
其中，工控机包括图像采集模块、图像二值化模块、图像分割模块、粗分类模块、Hu矩计算模块、SVM分类器；
图像采集模块用于接收摄像头采集的数字图像；
图像二值化模块用于将数字图像进行二值化转换；
图像分割模块将二值图像中相邻等值像素点记为同一簇，将每一簇分割成一个几何图形；
粗分类模块计算分割后的每个几何图形的周长，将从标准冲压铝板图像中提取的几何图形按周长标定标准几何图形，即将周长差值在设定比较阈值内的几何图形归为同一类，按照这一类的平均周长进行标定；将从其他冲压铝板图像中提取的几何图形，分别与标准几何图形的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形记为同一类；
Hu矩计算模块用于计算每一个几何图形的Hu矩；
SVM分类器分为训练和检测两部分：训练时根据已知的Hu矩输入值和已知的缺陷输出值(0为正常，1为缺陷)得到SVM分类参数；检测时根据输入的Hu矩进行二分类判别，以此来判定铝板表面是否存在缺陷(0为正常，1为缺陷)；
图像采集模块的输出端与二值化模块的输入端数据线连接，二值化模块的输出端与图像分割模块的输入端数据线连接，图像分割模块的输出端与粗分类模块的输入端数据线连接，粗分类模块的输出端与Hu矩计算模块的输入端数据线连接，Hu矩计算模块的输出端与SVM分类器的输入端数据线连接；
服务器用于存储工控机上传的SVM的分类参数和缺陷检测结果；
光源和摄像机设置在传送带的正上方，摄像机的摄像头对准传送带的传送通道，摄像机的数字图像输出端与工控机内的图像采集模块的输入端相连，工控机内的SVM分类器与服务器相连。
采用上述检测装置进行冲压铝板缺陷检测的具体过程如下：
1)首先将标准冲压铝板放在传送带上，工控机中的图像采集模块接收摄像机采集的标准冲压铝板的数字图像，并传输至工控机内的二值化模块；
2)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给分割模块；
3)图像分割模块将接收到的二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个几何图形，并通过数据线传送给粗分类模块；
4)粗分类模块计算每个几何图形的周长，按周长标定标准几何图形，即将周长差值在设定比较阈值内的几何图形归为同一类，并按照这一类的平均周长进行标定；再通过数据线将所有几何图形传输给Hu矩计算模块；
5)Hu矩计算模块提取并计算每个几何图形的Hu矩，并按几何图形的周长信息分类进行存储；
6)选取带典型缺陷的冲压铝板放在传送带上，工控机中的图像采集模块接收摄像机采集的数字图像，并传输至工控机内的二值化模块；
7)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给分割模块；
8)图像分割模块将接收到的二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个几何图形，并通过数据线传送给粗分类模块；
9)粗分类模块计算分割后的每个几何图形的周长，将每个几何图形分别与各个标准几何图形的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形记为同一类；通过数据线将所有几何图形传输给Hu矩计算模块；
10)Hu矩计算模块提取并计算每个几何图形的Hu矩，并按几何图形的周长信息分类进行存储；
11)重复3次以上6)～10)步的操作，最后将从标准冲压铝板数字图像和带典型缺陷的冲压铝板数字图像中所提取的所有几何图形的Hu矩作为输入，已知的几何图像缺陷情况作为输出，训练SVM二分类分类器，得到SVM分类参数，并按当前冲压铝板型号标注存储对应SVM参数，同时上传SVM参数到服务器保存；
12)从服务器下载某型号冲压铝板SVM参数到工控机的SVM模块；
13)将待测同型号冲压铝板放在传送带上，工控机中的图像采集模块接收摄像机采集的数字图像，并传输至工控机内的二值化模块；
14)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给分割模块；
15)图像分割模块将接收到的待检测二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个待检测几何图形，并通过数据线传送给粗分类模块；
16)粗分类模块计算分割后的每个几何图形的周长，将每个几何图形分别与各个标准几何图形类型的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形类型记为同一类；通过数据线将所有几何图形传输给Hu矩计算模块；
17)Hu矩计算模块提取并计算每个几何图形的Hu矩，并将所有Hu矩输入已训练好的SVM分类器中进行判别，给出是否有缺陷的结果并保存，同时将结果上传到服务器保存；
18)重复以上13)～17)步的操作，完成同型号剩余冲压铝板的缺陷检测。
有益效果
本发明的检测装置及方法填补国内铝板生产线对冲压铝板表面几何缺陷检测的技术空白，适合生产线上批量流水检测冲压铝板表面几何图形缺陷。
附图说明
图1是本发明检测装置的连接结构示意图；
图2是本发明中各功能模块的连接结构图；
图中，1-传送带；2-光源；3-摄像机；4-工控机；5-服务器；6-检测铝板。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步描述。
实施例
采用本发明的冲压铝板缺陷自动检测装置及其方法对某批次加工后的冲压铝板进行检测，其检测装置，如图1所示，包括传送带1、光源2、摄像机3、工控机4和服务器5；
其中，工控机4包括图像采集模块、图像二值化模块、图像分割模块、粗分类模块、Hu矩计算模块、SVM分类器；
图像采集模块通过千兆网网口接收摄像头采集的数字图像；
图像二值化模块用于将数字图像进行二值化转换；
图像分割模块将二值图像中相邻等值像素点记为同一簇，将每一簇分割成一个几何图形；
粗分类模块计算分割后的每个几何图形的周长，将从标准冲压铝板图像中提取的几何图形按周长标定标准几何图形，即将周长差值在设定比较阈值内的几何图形归为同一类，按照这一类的平均周长进行标定；将从其他冲压铝板图像中提取的几何图形，分别与标准几何图形的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形记为同一类；
Hu矩计算模块用于计算每一个几何图形的Hu矩；
SVM分类器分为训练和检测两部分：训练时根据已知的Hu矩输入值和已知的缺陷输出值(0为正常，1为缺陷)得到SVM分类参数；检测时根据输入的Hu矩进行二分类判别，以此来判定铝板表面是否存在缺陷(0为正常，1为缺陷)；
图像采集模块的输出端与二值化模块的输入端数据线连接，二值化模块的输出端与图像分割模块的输入端数据线连接，图像分割模块的输出端与粗分类模块的输入端数据线连接，粗分类模块的输出端与Hu矩计算模块的输入端数据线连接，Hu矩计算模块的输出端与SVM分类器的输入端数据线连接；
服务器用于存储工控机上传的SVM的分类参数和缺陷检测结果；
光源2和摄像机3设置在传送带1的正上方，摄像机3的摄像头对准传送带1的传送通道，服务器5与工控机4通过网络连接，可根据实际情况摆放，摄像机的数字图像输出端与工控机4内的图像采集模块的输入端相连，工控机4内的SVM分类器与服务器5数据线相连，如图2所示；
采用上述检测装置进行冲压铝板缺陷检测的具体过程如下：
1)将标准冲压铝板放在传送带1上，工控机4中的图像采集模块通过千兆网网口接收摄像机3采集的标准冲压铝板的数字图像，并传输至工控机内的二值化模块；
2)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给分割模块；
3)图像分割模块将接收到的二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个几何图形，并通过数据线传送给粗分类模块；
4)粗分类模块计算每个几何图形的周长，设定周长比较阈值为5按周长标定标准几何图形，即将周长差值在设定比较阈值内的几何图形归为同一类，并按照这一类的平均周长进行标定；再通过数据线将所有几何图形传输给Hu矩计算模块；
5)Hu矩计算模块提取并计算每个几何图形的Hu矩，并按几何图形的周长信息分类进行存储；
6)选取带典型缺陷的冲压铝板放在传送带1上，工控机4中的图像采集模块通过千兆网网口接收摄像机3采集的数字图像，并传输至工控机内的二值化模块；
7)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给分割模块；
8)图像分割模块将接收到的二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个几何图形，并通过数据线传送给粗分类模块；
9)粗分类模块计算分割后的每个几何图形的周长，设定周长比较阈值为5，将每个几何图形分别与各个标准几何图形的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形记为同一类；通过数据线将所有几何图形传输给Hu矩计算模块；
10)Hu矩计算模块提取并计算每个几何图形的Hu矩，并按几何图形的周长信息分类进行存储；
11)重复4次6)～10)步的操作，最后将从标准冲压铝板数字图像和带典型缺陷的冲压铝板数字图像中所提取的所有几何图形的Hu矩作为输入，已知的几何图形缺陷情况作为输出(0为正常，1为缺陷)，训练SVM二分类分类器，得到SVM分类参数，并按当前冲压铝板型号标注存储对应SVM参数，同时上传SVM参数到服务器5保存；
12)从服务器5下载某型号冲压铝板SVM参数到工控机的SVM模块；
13)将待测同型号冲压铝板放在传送带1上，工控机4中的图像采集模块通过千兆网网口接收摄像机3采集的数字图像，并传输至工控机内的二值化模块；
14)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给分割模块；
15)图像分割模块将接收到的二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个几何图形，并通过数据线传送给粗分类模块；
16)粗分类模块计算分割后的每个几何图形的周长，设定周长比较阈值为5，将每个几何图形分别与各个标准几何图形类型的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形类型记为同一类；通过数据线将所有几何图形传输给Hu矩计算模块；
17)Hu矩计算模块提取并计算每个几何图形的Hu矩，并将所有Hu矩输入SVM分类器中进行判别(输出0为正常，1为缺陷)，给出是否有缺陷的结果并保存，同时将结果上传至服务器5；
18)重复上以13)～17)步的操作，完成同型号剩余冲压铝板的缺陷检测。
通过人工校验方式验证上述检测方法检测准确可靠。

Claims (2)

1.一种冲压铝板缺陷自动检测装置，其特征是：包括传送带、光源、摄像机、工控机和服务器；
其中，工控机包括图像采集模块、图像二值化模块、图像分割模块、粗分类模块、Hu矩计算模块、SVM分类器；
图像采集模块用于接收摄像头采集的数字图像；
图像二值化模块用于将数字图像进行二值化转换；
图像分割模块将二值图像中相邻等值像素点记为同一簇，将每一簇分割成一个几何图形；
粗分类模块计算分割后的每个几何图形的周长，将从标准冲压铝板图像中提取的几何图形按周长标定标准几何图形，即将周长差值在设定比较阈值内的几何图形归为同一类，按照这一类的平均周长进行标定；将从其他冲压铝板图像中提取的几何图形，分别与标准几何图形的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形记为同一类；
Hu矩计算模块用于计算每一个几何图形的Hu矩；
SVM分类器分为训练和检测两部分：训练时根据已知的Hu矩输入值和已知的缺陷输出值(0为正常，1为缺陷)得到SVM分类参数；检测时根据输入的Hu矩进行二分类判别，以此来判定铝板表面是否存在缺陷(0为正常，1为缺陷)；
图像采集模块的输出端与二值化模块的输入端数据线连接，二值化模块的输出端与图像分割模块的输入端数据线连接，图像分割模块的输出端与粗分类模块的输入端数据线连接，粗分类模块的输出端与Hu矩计算模块的输入端数据线连接，Hu矩计算模块的输出端与SVM分类器的输入端数据线连接；
服务器用于存储工控机上传的SVM的分类参数和缺陷检测结果；
光源和摄像机设置在传送带的正上方，摄像机的摄像头对准传送带的传送通道，摄像机的数字图像输出端与工控机内的图像采集模块的输入端相连，工控机内的SVM分类器与服务器相连。
2.一种采用如权利要求1所述装置自动检测冲压铝板缺陷的方法，其特征及具体步骤如下：
1)将标准冲压铝板放在传送带上，工控机中的图像采集模块接收摄像机采集的标准冲压铝板的数字图像，并传输至工控机内的二值化模块；
2)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给图像分割模块；
3)图像分割模块将接收到的二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个几何图形，并通过数据线传送给粗分类模块；
4)粗分类模块计算每个几何图形的周长，按周长标定标准几何图形，即将周长差值在设定比较阈值内的几何图形归为同一类，并按照这一类的平均周长进行标定；再通过数据线将所有几何图形传输给Hu矩计算模块；
5)Hu矩计算模块提取并计算每个几何图形的Hu矩，并按几何图形的周长信息分类进行存储；
6)选取带典型缺陷的冲压铝板放在传送带上，工控机中的图像采集模块接收摄像机采集的数字图像，并传输至工控机内的二值化模块；
7)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给图像分割模块；
8)图像分割模块将接收到的二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个几何图形，并通过数据线传送给粗分类模块；
9)粗分类模块计算分割后的每个几何图形的周长，将每个几何图形分别与各个标准几何图形类型的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形类型记为同一类；通过数据线将所有几何图形传输给Hu矩计算模块；
10)Hu矩计算模块提取并计算每个几何图形的Hu矩，并按几何图形的周长信息分类进行存储；
11)重复3次以上6)～10)步的操作，最后将从标准冲压铝板数字图像和带典型缺陷的冲压铝板数字图像中所提取的所有几何图形的Hu矩作为输入，已知的几何图形缺陷情况作为输出(0为正常，1为缺陷)，训练SVM二分类分类器，得到SVM分类参数，并按当前冲压铝板型号标注存储对应SVM参数，同时上传SVM参数至服务器保存；
12)从服务器下载某型号冲压铝板SVM参数到工控机的SVM模块；
13)将待测同型号冲压铝板放在传送带上，工控机中的图像采集模块接收摄像机采集的数字图像，并传输至工控机内的二值化模块；
14)二值化模块对接收的数字图像进行二值化转换，并通过数据线将二值化图像传输给图像分割模块；
15)图像分割模块将接收到的待检测二值化图像中相邻的等值像素点标记为同一簇，将每一簇分割成一个待检测几何图形，并通过数据线传送给粗分类模块；
16)粗分类模块计算分割后的每个几何图形的周长，将每个几何图形分别与各个标准几何图形类型的周长进行比较，将与周长差值在设定比较阈值内的几何图形与相应标准几何图形类型记为同一类；通过数据线将所有几何图形传输给Hu矩计算模块；
17)Hu矩计算模块提取并计算每个几何图形的Hu矩，并将所有Hu矩输入SVM分类器中进行判别(输出0为正常，1为缺陷)，给出是否有缺陷的结果并保存，同时将结果上传至服务器保存；
18)重复以上13)～17)步的操作，完成同型号剩余冲压铝板的缺陷检测。
CN201810396506.7A 2018-04-19 2018-04-19 一种冲压铝板缺陷自动检测装置及方法 Active CN108593660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810396506.7A CN108593660B (zh) 2018-04-19 2018-04-19 一种冲压铝板缺陷自动检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810396506.7A CN108593660B (zh) 2018-04-19 2018-04-19 一种冲压铝板缺陷自动检测装置及方法

Publications (2)

Publication Number Publication Date
CN108593660A true CN108593660A (zh) 2018-09-28
CN108593660B CN108593660B (zh) 2021-08-17

Family

ID=63610989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810396506.7A Active CN108593660B (zh) 2018-04-19 2018-04-19 一种冲压铝板缺陷自动检测装置及方法

Country Status (1)

Country Link
CN (1) CN108593660B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615610A (zh) * 2018-11-13 2019-04-12 浙江师范大学 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法
CN110263630A (zh) * 2019-05-10 2019-09-20 中国地质大学（武汉） 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156726A (zh) * 2014-08-19 2014-11-19 大连理工大学 一种基于几何形状特征的工件识别方法及装置
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN105139027A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 胶囊头缺陷检测方法和装置
CN107389701A (zh) * 2017-08-22 2017-11-24 西北工业大学 一种基于图像的pcb表观缺陷自动检测***及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156726A (zh) * 2014-08-19 2014-11-19 大连理工大学 一种基于几何形状特征的工件识别方法及装置
CN104794491A (zh) * 2015-04-28 2015-07-22 重庆大学 基于预分类的模糊聚类钢板表面缺陷检测方法
CN105139027A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 胶囊头缺陷检测方法和装置
CN107389701A (zh) * 2017-08-22 2017-11-24 西北工业大学 一种基于图像的pcb表观缺陷自动检测***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615610A (zh) * 2018-11-13 2019-04-12 浙江师范大学 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法
CN110263630A (zh) * 2019-05-10 2019-09-20 中国地质大学（武汉） 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备

Also Published As

Publication number Publication date
CN108593660B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN110390691B (zh) 一种基于深度学习的矿石尺度测量方法及应用***
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
CN109376792B (zh) 基于多通道残差神经网络的光伏电池外观缺陷分类方法
CN109724984B (zh) 一种基于深度学习算法的缺陷检测识别装置和方法
WO2023168972A1 (zh) 一种基于线阵相机的铜表面缺陷检测方法及装置
CN107966454A (zh) 一种基于fpga的端塞缺陷检测装置及检测方法
CN105044122A (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测***及检测方法
CN113109348B (zh) 一种基于机器视觉的桨影移印缺陷识别方法
CN110163852B (zh) 基于轻量化卷积神经网络的输送带实时跑偏检测方法
CN205538710U (zh) 一种基于机器视觉的电感质量自动检测***
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN110349125A (zh) 一种基于机器视觉的led芯片外观缺陷检测方法及***
CN117635565B (zh) 一种基于图像识别的半导体表面缺陷检测***
CN108593660A (zh) 一种冲压铝板缺陷自动检测装置及方法
CN106645180A (zh) 检查基板玻璃缺陷的方法、现场终端及服务器
CN104132945A (zh) 一种基于光纤传导的棒材表面质量在线视觉检测装置
CN113222938A (zh) 芯片缺陷检测方法及***与计算机可读存储介质
WO2023134286A1 (zh) 一种阴极铜在线质量自动检测分类方法
CN106872473A (zh) 一种基于机器视觉的马铃薯缺陷检测识别***设计
WO2023168984A1 (zh) 一种基于面阵相机的阴极铜质量检测方法及***
CN111968082A (zh) 一种基于机器视觉的产品包装缺陷检测识别方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN207222383U (zh) 木板分拣***
CN117409005B (zh) 基于图像的收板机用不良品检测***及方法
CN111680738A (zh) 一种用于苹果品质检测的筛选装置及其检测方法

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
GR01 Patent grant
GR01 Patent grant