CN108956616B - 一种基于图像的工件缺陷检测方法 - Google Patents
一种基于图像的工件缺陷检测方法 Download PDFInfo
- Publication number
- CN108956616B CN108956616B CN201810547875.1A CN201810547875A CN108956616B CN 108956616 B CN108956616 B CN 108956616B CN 201810547875 A CN201810547875 A CN 201810547875A CN 108956616 B CN108956616 B CN 108956616B
- Authority
- CN
- China
- Prior art keywords
- image
- workpiece
- white
- difference
- template
- 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.)
- Expired - Fee Related
Links
- 230000007547 defect Effects 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000013519 translation Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 6
- XOOUIPVCVHRTMJ-UHFFFAOYSA-L zinc stearate Chemical compound [Zn+2].CCCCCCCCCCCCCCCCCC([O-])=O.CCCCCCCCCCCCCCCCCC([O-])=O XOOUIPVCVHRTMJ-UHFFFAOYSA-L 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
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
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8858—Flaw counting
-
- 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
- G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
-
- 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
- G01N2021/888—Marking defects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- 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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像的工件缺陷检测方法,包括对模板工件图像和待测工件图像提取工件最小外接矩形区域并进行粗匹配;提取模板工件图像和待测工件图像中的所有白色联通区域,将不符合条件的白色联通区域进行滤除;将待测工件图像和模板工具图像中的所有白色联通区域进行配对并进行平移校正,表示出差异区域;筛选所有差异区域,将筛选后的结果作为缺陷在待测工件图像上进行标记,输出完成缺陷标记的待测工件图像,并提示缺陷数量;还包括采用行列滤波方法筛选所有差异区域。本发明方法提高了缺陷检测的准确度,降低了缺陷检测的总耗时;本发明能满足多种类型待测工件与模板工件图像的高精度匹配,在缺陷检测上有较高的准确率。
Description
技术领域
本发明涉及一种基于图像的工件缺陷检测方法,属于智能检测技术领域。
背景技术
随着科技的发展和生产规模的不断扩大,工业生产对工件质量要求也越来越高,包括检测的实时性和准确性都有了更高的指标。相比于传统检测技术,智能检测技术具有实时、快速、非接触的检测优势,成为目前检测技术的主要发展方向。
例如汽车保险盒用于安装汽车保险丝,是汽车电器线路的保护装置,当汽车线路出故障时可判断问题所在。保险盒的传统检测方法依靠人工检测,检测难度大,误检率与漏检率高,检测耗时长,每个工件检测时间在五分钟左右,难以达到生产要求。
在已经公开的专利文件中,专利申请号201710074962.5、专利名称为一种基于机器视觉的工件缺陷检测方法,其使用了最多将图像分为九大块后再进行匹配校正的方法,单块图像最多能包含五十个白色区域。每对白色区域的校正移动矢量相互独立,采用此专利方法则大块中每对白色区域校正矢量皆一致,因此会造成额外的校正误差,降低匹配精度,容易检测到额外的缺陷,导致误检率上升。同时,原方法为了提高匹配精度,采用的匹配算法多使用卷积方法,线性度差,耗时较长。
总的来说,现有技术中采用的方法时将待检工件图像作为一个整体检测,没有充分考虑到每个区域的差异性,因此检测精度不高,容易误检和漏检,同时单个工件检测时长过长,实时性差。
发明内容
本发明所要解决的技术问题是提高基于机器视觉的工件缺陷检测的精度,提供一种待检测工件内部缺陷检测方法,通过对模板和待测工件图像中逐个白色区域进行匹配校正,采用线性匹配校正方法,在准确率和实时性方面均超越传统方法。
为解决上述技术问题,本发明提供一种基于图像的工件缺陷检测方法,包括以下步骤:
(a)读取已二值化的模板工件图像MA和待测工件图像MB;
(b)确定模板工件图像MA和待测工件图像MB的上下左右边界,根据边界重新确定模板工件图像MA和待测工件图像MB,完成对模板工件图像MA和待测工件图像MB的粗匹配;
(c)提取模板工件图像MA和待测工件图像MB中的所有白色联通区域,将不符合条件的白色联通区域进行滤除;
(d)将模板工件图像MA和待测工件图像MB中的所有白色联通区域进行配对并校正,标示出差异区域;
(e)筛选所有差异区域,将筛选后的结果作为缺陷在待测工件图像上进行标记,输出完成缺陷标记的待测工件图像,并提示缺陷数量。
进一步地,步骤(b)中对模板工件图像MA和待测工件图像MB进行粗匹配具体包括:
(b1)分别获得MA和MB在上下左右距离边界最近的白点,经过所述白点构造MA和MB各自的最小外接矩形轮廓;
(b2)分别求模板工件图像最小外接矩形轮廓与待测工件图像的最小外接矩形轮廓的横向边长差值和纵向边长差值,只要一个差值大于阈值则直接判定待测工件为不合格工件;
(b3)对MA和MB粗匹配:若两个差值均小于等于阈值,分别获取求模板工件图像的外接矩形与待测工件图像外接矩形时使用的所有八个白点坐标,根据这八个白点坐标求最小外接矩形框的坐标,以该最小外接矩形框的坐标分别对MA与MB进行提取,完成对MA与MB的粗匹配。
进一步地,步骤(c)具体包括:对MA和MB中每个白色联通区域的面积进行计算,保留区域面积大于预先设定阈值的白色联通区域,并对保留下来的白色联通区域轮廓上所有点的坐标进行保存。
进一步地,步骤(d)具体包括:
(d1)确定MB中的所有白色联通区域的中心坐标,检测每个中心坐标是否位于模板工件图像MA的某一白色联通区域,若是则两个白色联通区域配对,找到所有配对的MA和MB的白色联通区域;
(d2)提取第i个配对的MA的白色联通区域的外接矩形区域内的图像Mai和待测工件图像MB的白色联通区域的外接矩形区域内的图像Mbi;以模板工件图像MA上的第i个配对的白色联通区域的中心坐标为原点,以单个像素为x轴和y轴长度单位建立二维坐标系,其中i为MA和MB的白色联通区域的配对的序号,i=1,2……R,R为配对总数;
(d3)在预先设定的正方形区域中,以单个像素为单位移动Mai和Mbi至遍历完整个正方形区域,每平移一次将Mai和Mbi进行异或比对统计差异图中差异点总数;
(d4)递归调用步骤(d2)~(d3)至遍历MA和MB所有配对的白色联通区域
(d5)以差异点总数最小时的平移位置为模板工件图像MA和待测工件图像MB校正时应该平移到的位置对MA和MB进行平移校正,保存差异点总数最小时的差异图;
(d6)针对模板工件图像和待测工件图像中的未配对白色联通区域,整个白色联通区域均是差异图。
更进一步地,确定白色联通区域的中心坐标包括先确定白色联通区域的最小外接矩形区域,所述最小外接矩形区域的中心坐标作为白色联通区域的中心坐标。
进一步地,步骤(e)具体包括:
(e1)将差异图中的所有差异区域进行提取,对差异区域进行行列滤波:当差异区域某一行连续的差异点数超过阈值时,差异区域某一列连续的差异点数超过阈值,保留该差异区域,删除其他不满足条件的差异区域;
(e2)所有保留下来的差异区域均为检测出的缺陷,将缺陷在待测工件图像上进行标记,输出完成缺陷标记的待测工件图像,并提示缺陷数量。
本发明所达到的有益效果:本发明首先对待测工件图像与模板工件图像进行粗匹配,再对经过粗匹配的待测工件图像与模板工件图像进行白色区域提取,对白色区域进行筛选和配对,将配对的白色区域进行精匹配并校正,将最后检测的缺陷在待测工件图像上显示,提高了缺陷检测的准确度,降低了缺陷检测的总耗时。本发明能满足多种类型待测工件与模板工件图像的高精度匹配,在缺陷检测上有较高的准确率。
附图说明
图1是本发明方法流程示意图;
图2(a)是二值化工件图像;
图2(b)是确定边界后的工件图像;
图3是八个白点及最小外接矩形框示意图;
图4(a)是MA的部分区域图像;
图4(b)是MB的部分区域图像;
图5(a)是MA部分区域图像提取外接矩形区域示意图;
图5(b)是MB部分区域图像提取区域中心坐标示意图;
图6(a)是MA仅外接矩形区域示意图;
图6(b)是MB仅白色联通区域中心坐标示意图;
图7是判断MB白色联通区域中心坐标与MA外接矩形区域位置关系示意图;
图8(a)是未滤波差异图;
图8(b)是已滤波差异图;
图9是对差异图显示滤波模板进行滤波的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
(a)读取已二值化的模板工件图像MA和待测工件图像MB,如图2所示;
(b)确定模板工件图像MA和待测工件图像MB的上下左右边界,根据边界重新确定模板工件图像MA和待测工件图像MB,完成对模板工件图像MA和待测工件图像MB的粗匹配。
具体的,分别获得MA和MB在上下左右距离边界最近的白点,经过所述白点构造MA和MB各自的最小外接矩形轮廓,如图2(b)所示;根据图2(a)的四个白点确定图2(b)中的边界位置,使工件图像正好处在边界区域中。
分别求模板工件图像最小外接矩形轮廓与待测工件图像的最小外接矩形轮廓的横向边长差值和纵向边长差值,只要一个差值大于阈值则直接判定待测工件为不合格工件;
对MA和MB粗匹配:若两个差值均小于等于阈值,分别获取求模板工件图像的外接矩形与待测工件图像外接矩形时使用的所有八个白点坐标,根据这八个白点坐标求最小外接矩形框的坐标,如图3所示。
(c)提取模板工件图像MA和待测工件图像MB中的所有白色联通区域,
将不符合条件的白色联通区域进行滤除,优选地,对MA和MB中每个白色联通区域的面积进行计算,保留区域面积大于预先设定阈值的白色联通区域,并对保留下来的白色联通区域轮廓上所有点的坐标进行保存。
(d)将待测工件图像MA和模板工具图像MB中的所有白色联通区域进行配对并进行平移校正,表示出差异区域,具体包括:
(d1)确定MB中的所有白色联通区域的中心坐标,如图5(b)所示,检测每个中心坐标是否位于模板工件图像MA的某一白色联通区域,若是则两个白色联通区域配对,找到所有配对的MA和MB的白色联通区域;
(d2)提取第i个配对的MA的白色联通区域的外接矩形区域内的图像Mai和待测工件图像MB的白色联通区域的外接矩形区域内的图像Mbi;以模板工件图像MA上的第i个配对的白色联通区域的中心坐标为原点,以单个像素为x轴和y轴长度单位建立二维坐标系,其中i为MA和MB的白色联通区域的配对的序号,i=1,2……R,R为配对总数;
(d3)在预先设定的正方形区域中,以单个像素为单位移动Mai和Mbi至遍历完整个正方形区域,每平移一次将Mai和Mbi进行异或比对统计差异图中差异点总数;
(d4)递归调用步骤(d2)~(d3)至遍历MA和MB所有配对的白色联通区域
(d5)当差异点总数最小时的平移位置代表图像校正时应该平移到的位置,对MA和MB进行平移校正,保存差异点总数最小时的差异图;
(d6)针对模板工件图像和待测工件图像中的未配对白色联通区域,整个白色联通区域均是差异图。
优选地,确定白色联通区域的中心坐标包括先确定白色联通区域的最小外接矩形区域,所述最小外接矩形区域的中心坐标作为白色联通区域的中心坐标。
在一个实施例中,步骤(d3)通过移动模板工件图像中心,带动模板工件整体图像平移,分别将模板工件图像中心移动到以[-5,5]为左上角点、[5,-5]为右下角点的正方形区域中的所有整数坐标点;
为了方便说明具体实施例,图4(a)示出了MA中的部分区域图像;图4(b)示出了MB中的部分区域图像,对图4(a)的白色联通区域提取外接矩形区域,提取过程如图5(a)所述,提取结果如图6(a)所示;对图4(b)的白色联通区域提取中心坐标,如图5(b)所示,提取结果如图6(b)所示;其次判断图4(b)中白色联通区域中心坐标是否位于图4(a)图像中的某一白色联通区域,结果如图7所示。
图8(a)为MA部分区域图像和MB部分区域图像未经平移校正直接异或得到的差异图像,图8(b)为MA部分区域图像和MB部分区域图像经平移校正后异或得到的差异图像。
(e)筛选所有差异区域,将筛选后的结果作为缺陷在待测工件图像上进行标记,输出完成缺陷标记的待测工件图像,并提示缺陷数量。
具体包括:
(e1)将差异图中的所有差异区域进行提取,对差异区域进行行列滤波:当差异区域某一行连续的差异点数超过阈值时,差异区域某一列连续的差异点数超过阈值,保留该差异区域,删除其他不满足条件的差异区域;
(e2)所有保留下来的差异区域均为检测出的缺陷,将缺陷在待测工件图像上进行标记,输出完成缺陷标记的待测工件图像,并提示缺陷数量。
对差异图像行滤波、列滤波,结果如图9所示。图9中,对于各缺陷区域进行滤波,四块区域中均能包含“一”“|”型模板,属于缺陷。对于其他缺陷区域,无法包含“一”“|”型模板,故滤除。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于图像的工件缺陷检测方法,其特征在于,包括以下步骤:
(a)读取已二值化的模板工件图像MA和待测工件图像MB;
(b)确定模板工件图像MA和待测工件图像MB的上下左右边界,根据边界重新确定模板工件图像MA和待测工件图像MB,完成对模板工件图像MA和待测工件图像MB的粗匹配;
(c)提取模板工件图像MA和待测工件图像MB中的所有白色联通区域,将不符合条件的白色联通区域进行滤除;
(d)将模板工件图像MA和待测工件图像MB中的所有白色联通区域进行配对并进行平移校正,标示出差异区域;
(e)筛选所有差异区域,将筛选后的结果作为缺陷在待测工件图像上进行标记,输出完成缺陷标记的待测工件图像,并提示缺陷数量;
步骤(d)具体包括:
(d1)确定MB中的所有白色联通区域的中心坐标,检测每个中心坐标是否位于模板工件图像MA的某一白色联通区域,若是则两个白色联通区域配对,找到所有配对的MA和MB的白色联通区域;
(d2)提取第i个配对的MA的白色联通区域的外接矩形区域内的图像Mai和待测工件图像MB的白色联通区域的外接矩形区域内的图像Mbi;以模板工件图像MA上的第i个配对的白色联通区域的中心坐标为原点,以单个像素为x轴和y轴长度单位建立二维坐标系,其中i为MA和MB的白色联通区域的配对的序号,i=1,2……R,R为配对总数;
(d3)在预先设定的正方形区域中,以单个像素为单位移动Mai和Mbi至遍历完整个正方形区域,每平移一次将Mai和Mbi进行异或比对统计差异图中差异点总数;
(d4)递归调用步骤(d2)~(d3)至遍历MA和MB所有配对的白色联通区域;
(d5)以差异点总数最小时的平移位置为模板工件图像MA和待测工件图像MB校正时应该平移到的位置,对MA和MB进行平移校正,保存差异点总数最小时的差异图;
(d6)针对模板工件图像和待测工件图像中的未配对白色联通区域,整个白色联通区域均是差异图。
2.根据权利要求1所述的基于图像的工件缺陷检测方法,其特征是,步骤(b)中对模板工件图像MA和待测工件图像MB进行粗匹配具体包括:
(b1)分别获得MA和MB在上下左右距离边界最近的白点,经过所述白点构造MA和MB各自的最小外接矩形轮廓;
(b2)分别求模板工件图像最小外接矩形轮廓与待测工件图像的最小外接矩形轮廓的横向边长差值和纵向边长差值,只要一个差值大于阈值则直接判定待测工件为不合格工件;
(b3)对MA和MB粗匹配:若两个差值均小于等于阈值,分别获取求模板工件图像的外接矩形与待测工件图像外接矩形时使用的所有八个白点坐标,根据这八个白点坐标求最小外接矩形框的坐标,以该最小外接矩形框的坐标分别对MA与MB进行提取,完成对MA与MB的粗匹配。
3.根据权利要求1所述的基于图像的工件缺陷检测方法,其特征是,步骤(c)具体包括:对MA和MB中每个白色联通区域的面积进行计算,保留区域面积大于预先设定阈值的白色联通区域,并对保留下来的白色联通区域轮廓上所有点的坐标进行保存。
4.根据权利要求1所述的基于图像的工件缺陷检测方法,其特征是:
确定白色联通区域的中心坐标包括先确定白色联通区域的最小外接矩形区域,所述最小外接矩形区域的中心坐标作为白色联通区域的中心坐标。
5.根据权利要求1所述的基于图像的工件缺陷检测方法,其特征是:
步骤(e)中筛选所有差异区域的过程中采用行列滤波方法。
6.根据权利要求5所述的基于图像的工件缺陷检测方法,其特征是:
行列滤波方法是当差异区域某一行连续的差异点数超过阈值时,差异区域某一列连续的差异点数超过阈值,保留该差异区域,删除其他不满足条件的差异区域。
7.根据权利要求5所述的基于图像的工件缺陷检测方法,其特征是:
所述预先设定的正方形为对角坐标为[-5,5]为左上角点、[5,-5]为右下角点的正方形区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810547875.1A CN108956616B (zh) | 2018-05-31 | 2018-05-31 | 一种基于图像的工件缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810547875.1A CN108956616B (zh) | 2018-05-31 | 2018-05-31 | 一种基于图像的工件缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108956616A CN108956616A (zh) | 2018-12-07 |
CN108956616B true CN108956616B (zh) | 2021-02-02 |
Family
ID=64492821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810547875.1A Expired - Fee Related CN108956616B (zh) | 2018-05-31 | 2018-05-31 | 一种基于图像的工件缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108956616B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870459B (zh) * | 2019-02-21 | 2021-07-06 | 武汉光谷卓越科技股份有限公司 | 无砟轨道的轨道板裂缝检测方法 |
CN112147147B (zh) * | 2019-06-26 | 2023-12-22 | 杭州海康机器人股份有限公司 | 边缘缺陷检测方法和边缘缺陷检测装置以及质量检测设备 |
CN110853091A (zh) * | 2019-10-25 | 2020-02-28 | 北京航空航天大学 | 一种发动机保险丝绕向缺陷图像识别方法与*** |
CN113129299A (zh) * | 2021-05-07 | 2021-07-16 | 广东拓斯达科技股份有限公司 | 模板确定方法、装置、计算机设备及存储介质 |
CN115690101A (zh) * | 2022-12-29 | 2023-02-03 | 摩尔线程智能科技(北京)有限责任公司 | 缺陷检测方法、装置、电子设备、存储介质和程序产品 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000030652A (ja) * | 1998-07-10 | 2000-01-28 | Hitachi Ltd | 試料の観察方法およびその装置 |
CN103018260B (zh) * | 2011-09-27 | 2015-01-21 | 中芯国际集成电路制造(上海)有限公司 | 缺陷检测方法 |
KR102009740B1 (ko) * | 2012-12-07 | 2019-08-13 | 엘지디스플레이 주식회사 | 표시패널 검사 장치 및 그 방법 |
CN104677914B (zh) * | 2015-03-10 | 2017-03-08 | 华中科技大学 | 一种芯片连晶缺陷识别方法 |
CN105092598B (zh) * | 2015-09-28 | 2018-02-06 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及*** |
CN105894036B (zh) * | 2016-04-19 | 2019-04-09 | 武汉大学 | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 |
CN106855520B (zh) * | 2017-02-10 | 2020-05-29 | 南京航空航天大学 | 一种基于机器视觉的工件缺陷检测方法 |
-
2018
- 2018-05-31 CN CN201810547875.1A patent/CN108956616B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108956616A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108956616B (zh) | 一种基于图像的工件缺陷检测方法 | |
CN108132017B (zh) | 一种基于激光视觉***的平面焊缝特征点提取方法 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN104915963B (zh) | 一种用于plcc元件的检测与定位方法 | |
CN106650697B (zh) | 一种仪表刻度识别方法 | |
CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
CN100461820C (zh) | 图像处理装置及图像处理中的登录数据生成方法 | |
CN107063458B (zh) | 基于机器视觉的瓷砖色度分块检测方法 | |
CN109447939B (zh) | 基于混合光谱视觉的熔池成形前焊缝宽度预测方法 | |
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 | |
CN112613429A (zh) | 一种基于机器视觉适用于多视角图像指针式仪表读数方法 | |
CN113340909B (zh) | 一种基于机器视觉的胶线缺陷检测方法 | |
CN110473174B (zh) | 一种基于图像计算铅笔精确数目的方法 | |
CN113538603B (zh) | 一种基于阵列产品的光学检测方法、***和可读存储介质 | |
CN109300125A (zh) | 一种复杂环境下城轨列车受电弓滑板图像提取算法 | |
CN109883396B (zh) | 一种基于图像处理技术的水准泡刻线宽度测量方法 | |
CN105719306A (zh) | 一种高分辨率遥感影像中的建筑物快速提取方法 | |
CN102854195B (zh) | 彩色滤光片上缺陷坐标的检测方法 | |
CN113658092A (zh) | 一种基于图像处理的铝电解电容缺陷检测方法 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
CN111968079B (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
CN108256385A (zh) | 基于视觉的前方车辆检测方法 | |
CN114140466B (zh) | 基于图像处理的植物根系测量方法、***及装置 | |
CN111369529B (zh) | 一种物品丢失、遗留检测方法及其*** | |
CN115861274A (zh) | 一种融合三维点云与二维图像的裂缝检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210202 |
|
CF01 | Termination of patent right due to non-payment of annual fee |