CN109507192A - 一种基于机器视觉的磁芯表面缺陷检测方法 - Google Patents

一种基于机器视觉的磁芯表面缺陷检测方法 Download PDF

Info

Publication number
CN109507192A
CN109507192A CN201811301846.3A CN201811301846A CN109507192A CN 109507192 A CN109507192 A CN 109507192A CN 201811301846 A CN201811301846 A CN 201811301846A CN 109507192 A CN109507192 A CN 109507192A
Authority
CN
China
Prior art keywords
image
defect
gray
magnetic core
picture
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
CN201811301846.3A
Other languages
English (en)
Other versions
CN109507192B (zh
Inventor
范洪辉
李佳伟
朱洪锦
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.)
Sanluoxuan Big Data Technology Kunshan Co ltd
Original Assignee
Jiangsu University of Technology
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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN201811301846.3A priority Critical patent/CN109507192B/zh
Publication of CN109507192A publication Critical patent/CN109507192A/zh
Application granted granted Critical
Publication of CN109507192B publication Critical patent/CN109507192B/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
    • G01N21/9501—Semiconductor wafers
    • 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

  • 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 Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及缺陷检测技术领域，尤其是一种基于机器视觉的磁芯表面缺陷检测方法，其步骤为：通过彩色CCD工业相机采集待检测磁芯的十张图片；对采集到的图进进行灰度处理，转换为单通道的灰度图像；用图像质量评价函数对灰度处理之后的图片进行评价，选出最佳测试图片；用伽马变换对图像进行对比增强处理；用OSTU算法获得二值图；用4连通区域法提取出缺陷的轮廓；用最小外接矩形绘制出缺陷的轮廓，并计算其面积；将计算出的矩形面积与设定的阈值进行比较，大于阈值则将矩形的顶点坐标记录下来，否则忽略不计；在原图像中绘出缺陷的最小外接矩形；将缺陷信息和图片上传到数据库，本发明检测精度更高、灵活性更加好、更加具有智能性。

Description

一种基于机器视觉的磁芯表面缺陷检测方法
技术领域
本发明涉及缺陷检测技术领域，具体领域为一种基于机器视觉的磁芯表面缺陷检测方法。
背景技术
磁芯在生产过程中由于生产工艺或生产环境的原因造成如：划痕、擦伤、缺口等表面缺陷。这些磁芯表面缺陷会使产品的强度变差、电气特性降低、甚至严重的会造成很大的安全隐患。当前对于磁芯的质量检测，通常是依赖人工通过眼镜观察表面缺陷。
传统的人工检测主要有以下缺点：1.人眼的空间分辨率有限，难以分辨细小的裂痕。2.人工检测容易受主观意识影响，检测的准确率难以保障。3.人工检测的效率低，无法实现产品质量的信息化管理。
发明内容
本发明的目的在于提供一种基于机器视觉的磁芯表面缺陷检测方法，以解决现有技术中人工操作误差大，效率低的问题。
为实现上述目的，本发明提供如下技术方案：一种基于机器视觉的磁芯表面缺陷检测方法，其步骤为：
1)通过彩色CCD工业相机采集待检测磁芯的十张图片；
2)对采集到的图进进行灰度处理，转换为单通道的灰度图像；
3)用图像质量评价函数对灰度处理之后的图片进行评价，选出最佳测试图片；
4)用3x3的中值滤波对选出的最佳测试图片进行去噪声处理；
5)用伽马变换对图像进行对比增强处理；
6)用OSTU算法获得二值图；
7)用4连通区域法提取出缺陷的轮廓；；
8)用最小外接矩形绘制出缺陷的轮廓，并计算其面积；
9)将计算出的矩形面积与设定的阈值进行比较，大于阈值则将矩形的顶点坐标记录下来，否则忽略不计；
10)在原图像中绘出缺陷的最小外接矩形；
11)将缺陷信息和图片上传到数据库。
优选的，所述的CCD工业相机为彩色工业相机。
优选的，根据步骤1)至3)，每次采集10张图片(I0…I9)，进行灰度处理，再通过图像质量评价函数选出最佳测试图片Ibest。
优选的，所述的图像质量评价函数为：
IGray＝0.30*R+0.59*G+0.11*B (1)
f＝∑x∑y(|f(x，y)-f(x-1，y)|+|f(x，y)-f(x+1，y)|+|f(t，y)-
f(x，y-1)|+|f(x，y)-f(x，y+1)|) (2)
公式1：单通道灰度化公式，IGray灰度化之后的图像，R、G、B彩色图像的三通道值；
公式2：图像质量评价函数，f(x，y)为图像在点(x，y)处的灰度值，f(x，y-1)、f(x，y+1)、f(x-1，y)、f(x+1，y)分别为点(x，y)上下左右点处的灰度值，f为图像质量值，f值越大图像质量越好。
优选的，根据步骤4)至步骤5)对选出的最佳测试图片用3x3的中值滤波滤除噪声，再用伽马变换对图像进行对比增强处理，得到图像I′best。
优选的，根据步骤6)至步骤9)对图像增强之后的图像I′best用OTSU算法，得到二值化图像I″best，并利用4连通域法提取出缺陷的外部轮廓，再用最小外接矩形框定出来，并计算其面积S1…n，最后与设定的阈值δ进行比较，记录下符合条件的矩形顶点坐标p1..m。
优选的，计算公式为：
u＝w0*u0+w1*u1 (3)
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u) (4)
S1...n＝L*W (6)
公式3：w0，u0当前阈值下前景的平均灰度值；w1，u1当前阈值下背景的平均灰度值；u为图像的总平均灰度；
公式4：g为前景与背景图像的方差，当方差g为最大时候的灰度值th为最佳阈值；
公式5：I″best为二值图，A为图像像素灰度值，th为最佳阈值；
公式6：S1…n为最小矩形面积，L为矩形的长，W为矩形的宽。
优选的，根据步骤10)至步骤11)在原图像中用最小外接矩形绘制出每个缺陷所在的位置，且把检测到缺陷的数量、面积和图片信息上传到数据库。
与现有技术相比，本发明的有益效果是：相比于传统的人工检测、机械检测等，本检测方法的检测精度更高、灵活性更加好、更加具有智能性，本检测方法包括磁芯表面缺陷检测和保存缺陷信息及图片到数据库两个部分，首先采集需要检测的磁芯图片(每次采集十张)，对采集到的图片转换成单通道的灰度图像，然后进行图像质量评价，选出最佳测试图片。对选择出来的图片进行3X3的中值滤波，图像增强处理，再通过OTSU算法(最佳类间方差)获得二值化图像，然后通过4连通区域法提取出缺陷的轮廓，并用最小外接矩形框定出来并计算其面积，如果其面积大于阈值(不固定，可以灵活变动)，则将外界最小矩形的顶点坐标记录下来，再在原图像中画出缺陷的最小外接矩形，指出缺陷所在位置。最后，将缺陷信息和图片上传到数据库；
1.能够准确快速的定位缺陷的位置，提高了检测精度和效率；
2.能够灵活控制检测的精度，方便生产的需求，更加智能；
3.可以将缺陷信息和图片上传到数据库，方便对产品质量进行监管和查询；
4.避免了因为人为因素的干扰，降低了生产的成本。
附图说明
图1为本发明的流程图；
图2是本发明的选择出来的最佳测试灰度图片；
图3是本发明的3X3中值滤波的结果；
图4是本发明的伽马变换的结果；
图5是本发明的OSTU二值化结果；
图6是本发明的用4连通域法获得的轮廓图；
图7是本发明的检测到的缺陷信息；
图8是本发明的表面缺陷检测结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1至8，本发明提供一种技术方案：一种基于机器视觉的磁芯表面缺陷检测方法，其步骤为：
1)通过彩色CCD工业相机采集待检测磁芯的十张图片；
2)对采集到的图进进行灰度处理，转换为单通道的灰度图像；
3)用图像质量评价函数对灰度处理之后的图片进行评价，选出最佳测试图片；
4)用3x3的中值滤波对选出的最佳测试图片进行去噪声处理；
5)用伽马变换对图像进行对比增强处理；
6)用OSTU算法获得二值图；
7)用4连通区域法提取出缺陷的轮廓；；
8)用最小外接矩形绘制出缺陷的轮廓，并计算其面积；
9)将计算出的矩形面积与设定的阈值进行比较，大于阈值则将矩形的顶点坐标记录下来，否则忽略不计；
10)在原图像中绘出缺陷的最小外接矩形；
11)将缺陷信息和图片上传到数据库。
所述的CCD工业相机为彩色工业相机。
根据步骤1)至3)，每次采集10张图片(I0…I9)，进行灰度处理，再通过图像质量评价函数选出最佳测试图片Ibest。
所述的图像质量评价函数为：
IGray＝0.30*R+0.59*G+0.11*B (1)
＝∑x∑y)|f(x，y)-f(x-1，y)|+|f(x，y)-f(x+1，y)|+|f(x，y)-
f(x，y-1)|+|f(x，y)-f(x，y+1)|) (2)
公式1：单通道灰度化公式，IGray灰度化之后的图像，R、G、B彩色图像的三通道值；
公式2：图像质量评价函数，f(x，y)为图像在点(x，y)处的灰度值，f(x，y-1)、f(x，y+1)、f(x-1，y)、f(x+1，y)分别为点(x，y)上下左右点处的灰度值，f为图像质量值，f值越大图像质量越好。
根据步骤4)至步骤5)对选出的最佳测试图片用3x3的中值滤波滤除噪声，再用伽马变换对图像进行对比增强处理，得到图像I′best。
根据步骤6)至步骤9)对图像增强之后的图像I′best用OTSU算法，得到二值化图像I″best，并利用4连通域法提取出缺陷的外部轮廓，再用最小外接矩形框定出来，并计算其面积S1…n，最后与设定的阈值δ进行比较，记录下符合条件的矩形顶点坐标p1..m。计算公式为：
u＝w0*u0+w1*u1 (3)
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u) (4)
S1...n＝L*W (6)
公式3：w0，u0当前阈值下前景的平均灰度值；w1，u1当前阈值下背景的平均灰度值；u为图像的总平均灰度；
公式4：g为前景与背景图像的方差，当方差g为最大时候的灰度值th为最佳阈值；
公式5：I″best为值图，A为图像像素灰度值，th为最佳阈值；
公式6：S1…n为最小矩形面积，L为矩形的长，W为矩形的宽。
根据步骤10)至步骤11)在原图像中用最小外接矩形绘制出每个缺陷所在的位置，且把检测到缺陷的数量、面积和图片信息上传到数据库。
通过本技术方案，1)通过彩色CCD工业相机采集待检测磁芯的十张图片；
2)对采集到的图进进行灰度处理，转换为单通道的灰度图像；
3)用图像质量评价函数对灰度处理之后的图片进行评价，选出如图2所示的最佳测试图片；
4)用3X3的中值滤波对选出的最佳测试图片进行去噪声处理，获得如图3所示的滤波图像；
5)用伽马变换对图像进行对比增强处理，获得如图4所示的增强图像；
6)用OSTU算法获得如图5所示的二值图，其中白色区域就是缺陷；
7)用4连通区域法提取出缺陷的轮廓，获得的结果如图6所示；
8)用最小外接矩形绘制出缺陷的轮廓，并计算其面积；
9)将计算出的矩形面积与设定的阈值进行比较，大于阈值则将矩形的顶点坐标记录下来，否则忽略不计，获得的结果如图7所示；
10)在原图像中绘出缺陷的最小外接矩形，指出缺陷所在的位置，获得结果如图8所示；
11)将缺陷信息和图片上传到数据库。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于机器视觉的磁芯表面缺陷检测方法，其特征在于：其步骤为：
1)通过彩色CCD工业相机采集待检测磁芯的十张图片；
2)对采集到的图进进行灰度处理，转换为单通道的灰度图像；
3)用图像质量评价函数对灰度处理之后的图片进行评价，选出最佳测试图片；
4)用3x3的中值滤波对选出的最佳测试图片进行去噪声处理；
5)用伽马变换对图像进行对比增强处理；
6)用OSTU算法获得二值图；
7)用4连通区域法提取出缺陷的轮廓；；
8)用最小外接矩形绘制出缺陷的轮廓，并计算其面积；
9)将计算出的矩形面积与设定的阈值进行比较，大于阈值则将矩形的顶点坐标记录下来，否则忽略不计；
10)在原图像中绘出缺陷的最小外接矩形；
11)将缺陷信息和图片上传到数据库。
2.根据权利要求1所述的一种基于机器视觉的磁芯表面缺陷检测方法，其特征在于：所述的CCD工业相机为彩色工业相机。
3.根据权利要求2所述的一种基于机器视觉的磁芯表面缺陷检测方法，其特征在于：根据步骤1)至3)，每次采集10张图片(I0…I9)，进行灰度处理，再通过图像质量评价函数选出最佳测试图片Ibest。
4.根据权利要求3所述的一种基于机器视觉的磁芯表面缺陷检测方法，其特征在于：所述的图像质量评价函数为：
IGray＝0.30*R+0.59*G+0.11*B (1)
f＝∑x∑y(|f(x，y)-f(x-1，y)|+|f(x，y)-f(x+1，y)|+|f(x，y)-f(x，y-1)|+|f(x，y)-f(x，y+1)|) (2)
公式1：单通道灰度化公式，IGray灰度化之后的图像，R、G、B彩色图像的三通道值；
公式2：图像质量评价函数，f(x，y)为图像在点(x，y)处的灰度值，f(x，y-1)、f(x，y+1)、f(x-1，y)、f(x+1，y)分别为点(x，y)上下左右点处的灰度值，f为图像质量值，f值越大图像质量越好。
5.根据权利要求1所述的一种基于机器视觉的磁芯表面缺陷检测方法，其特征在于：根据步骤4)至步骤5)对选出的最佳测试图片用3x3的中值滤波滤除噪声，再用伽马变换对图像进行对比增强处理，得到图像I′best。
6.根据权利要求5所述的一种基于机器视觉的磁芯表面缺陷检测方法，其特征在于：根据步骤6)至步骤9)对图像增强之后的图像I′best用OTSU算法，得到二值化图像I″best，并利用4连通域法提取出缺陷的外部轮廓，再用最小外接矩形框定出来，并计算其面积S1…n，最后与设定的阈值δ进行比较，记录下符合条件的矩形顶点坐标p1..m。
7.根据权利要求6所述的一种基于机器视觉的磁芯表面缺陷检测方法，其特征在于：计算公式为：
u＝w0*u0+w1*u1 (3)
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u) (4)
S1...n＝L*W (6)
公式3：w0，u0当前阈值下前景的平均灰度值；w1，u1当前阈值下背景的平均灰度值；u为图像的总平均灰度；
公式4：g为前景与背景图像的方差，当方差g为最大时候的灰度值th为最佳阈值；
公式5：I″best为二值图，A为图像像素灰度值，th为最佳阈值；
公式6：S1…n为最小矩形面积，L为矩形的长，W为矩形的宽。
8.根据权利要求1所述的一种基于机器视觉的磁芯表面缺陷检测方法，其特征在于：根据步骤10)至步骤11)在原图像中用最小外接矩形绘制出每个缺陷所在的位置，且把检测到缺陷的数量、面积和图片信息上传到数据库。
CN201811301846.3A 2018-11-02 2018-11-02 一种基于机器视觉的磁芯表面缺陷检测方法 Active CN109507192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811301846.3A CN109507192B (zh) 2018-11-02 2018-11-02 一种基于机器视觉的磁芯表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811301846.3A CN109507192B (zh) 2018-11-02 2018-11-02 一种基于机器视觉的磁芯表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN109507192A true CN109507192A (zh) 2019-03-22
CN109507192B CN109507192B (zh) 2021-07-02

Family

ID=65747479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811301846.3A Active CN109507192B (zh) 2018-11-02 2018-11-02 一种基于机器视觉的磁芯表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109507192B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870461A (zh) * 2019-03-29 2019-06-11 深圳市阿赛姆电子有限公司 一种电子元器件质量检测***
CN110186929A (zh) * 2019-04-24 2019-08-30 南京邮电大学 一种实时的产品瑕疵定位方法
CN110336931A (zh) * 2019-06-14 2019-10-15 国网电力科学研究院武汉南瑞有限责任公司 一种低压电流互感器霉菌试验结果的评价方法
CN110415195A (zh) * 2019-08-08 2019-11-05 中国矿业大学(北京) 一种高温锻件图像预处理组合方法
CN110470670A (zh) * 2019-08-26 2019-11-19 浙江华是科技股份有限公司 一种基于图像处理的磁芯缺陷检测***及方法
CN110514664A (zh) * 2019-08-20 2019-11-29 北京信息科技大学 一种筒子纱纱杆定位检测机器人及方法
CN110689520A (zh) * 2019-08-26 2020-01-14 浙江华是科技股份有限公司 一种基于ai的磁芯产品缺陷检测***及方法
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及***
CN113706525A (zh) * 2021-10-20 2021-11-26 武汉飞恩微电子有限公司 一种基于图像处理的印刷电路板贴片缺陷智能识别方法
CN114581415A (zh) * 2022-03-08 2022-06-03 成都数之联科技股份有限公司 Pcb缺陷的检测方法、装置、计算机设备及存储介质
CN115358998A (zh) * 2022-08-22 2022-11-18 法博思(宁波)半导体设备有限公司 一种随机阵列图片中点坐标的获取方法及***
CN115445953A (zh) * 2022-06-28 2022-12-09 中机智能装备创新研究院(宁波)有限公司 一种油管的良品检测方法及检测装置
CN116228590A (zh) * 2023-03-22 2023-06-06 新创碳谷集团有限公司 一种火焰视觉检测噪声点消除方法、设备及存储介质
CN116718607A (zh) * 2023-06-13 2023-09-08 通用技术齐齐哈尔二机床有限责任公司 一种基于视觉监测的纤维料带在线质量监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204614A (zh) * 2016-07-21 2016-12-07 湘潭大学 一种基于机器视觉的工件外观缺陷检测方法
CN106338520A (zh) * 2016-09-18 2017-01-18 南京林业大学 一种表板为拼板的多层实木复合地板表面缺陷的识别方法
CN107486415A (zh) * 2017-08-09 2017-12-19 中国计量大学 基于机器视觉的篾片缺陷在线检测***及检测方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204614A (zh) * 2016-07-21 2016-12-07 湘潭大学 一种基于机器视觉的工件外观缺陷检测方法
CN106338520A (zh) * 2016-09-18 2017-01-18 南京林业大学 一种表板为拼板的多层实木复合地板表面缺陷的识别方法
CN107870172A (zh) * 2017-07-06 2018-04-03 黎明职业大学 一种基于图像处理的布匹疵点检测方法
CN107486415A (zh) * 2017-08-09 2017-12-19 中国计量大学 基于机器视觉的篾片缺陷在线检测***及检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵磊等: "基于机器视觉的密封件表面缺陷检测研究", 《电子设计工程》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870461A (zh) * 2019-03-29 2019-06-11 深圳市阿赛姆电子有限公司 一种电子元器件质量检测***
CN109870461B (zh) * 2019-03-29 2020-04-24 泗阳恒润电子有限公司 一种电子元器件质量检测***
CN110186929A (zh) * 2019-04-24 2019-08-30 南京邮电大学 一种实时的产品瑕疵定位方法
CN110336931A (zh) * 2019-06-14 2019-10-15 国网电力科学研究院武汉南瑞有限责任公司 一种低压电流互感器霉菌试验结果的评价方法
CN110415195A (zh) * 2019-08-08 2019-11-05 中国矿业大学(北京) 一种高温锻件图像预处理组合方法
CN110514664A (zh) * 2019-08-20 2019-11-29 北京信息科技大学 一种筒子纱纱杆定位检测机器人及方法
CN110470670A (zh) * 2019-08-26 2019-11-19 浙江华是科技股份有限公司 一种基于图像处理的磁芯缺陷检测***及方法
CN110689520A (zh) * 2019-08-26 2020-01-14 浙江华是科技股份有限公司 一种基于ai的磁芯产品缺陷检测***及方法
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及***
CN113706525A (zh) * 2021-10-20 2021-11-26 武汉飞恩微电子有限公司 一种基于图像处理的印刷电路板贴片缺陷智能识别方法
CN113706525B (zh) * 2021-10-20 2022-02-15 武汉飞恩微电子有限公司 一种基于图像处理的印刷电路板贴片缺陷智能识别方法
CN114581415A (zh) * 2022-03-08 2022-06-03 成都数之联科技股份有限公司 Pcb缺陷的检测方法、装置、计算机设备及存储介质
CN115445953A (zh) * 2022-06-28 2022-12-09 中机智能装备创新研究院(宁波)有限公司 一种油管的良品检测方法及检测装置
CN115445953B (zh) * 2022-06-28 2024-04-05 中国机械总院集团宁波智能机床研究院有限公司 一种油管的良品检测方法及检测装置
CN115358998A (zh) * 2022-08-22 2022-11-18 法博思(宁波)半导体设备有限公司 一种随机阵列图片中点坐标的获取方法及***
CN116228590A (zh) * 2023-03-22 2023-06-06 新创碳谷集团有限公司 一种火焰视觉检测噪声点消除方法、设备及存储介质
CN116228590B (zh) * 2023-03-22 2024-01-26 新创碳谷集团有限公司 一种火焰视觉检测噪声点消除方法、设备及存储介质
CN116718607A (zh) * 2023-06-13 2023-09-08 通用技术齐齐哈尔二机床有限责任公司 一种基于视觉监测的纤维料带在线质量监测方法
CN116718607B (zh) * 2023-06-13 2024-01-26 通用技术齐齐哈尔二机床有限责任公司 一种基于视觉监测的纤维料带在线质量监测方法

Also Published As

Publication number Publication date
CN109507192B (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN109507192A (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN109490316B (zh) 一种基于机器视觉的表面缺陷检测算法
CN105158258B (zh) 一种基于计算机视觉的竹条表面缺陷检测方法
CN114170208A (zh) 一种基于人工智能的纸制品缺陷检测方法
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN109087363B (zh) 一种基于hsv颜色空间的污水排放检测方法
CN109166111B (zh) 一种电子墨水屏缺陷检测方法及***
CN113252568A (zh) 基于机器视觉的镜片表面缺陷检测方法、***、产品、终端
CN113706566B (zh) 一种基于边缘检测的加香喷雾性能检测方法
CN115330784A (zh) 一种布匹表面缺陷检测方法
CN112730251B (zh) 一种用于屏幕颜色缺陷检测的装置及方法
CN110096980A (zh) 字符检测识别***
CN111047556A (zh) 一种带钢表面缺陷检测方法及装置
CN104809725A (zh) 一种布匹缺陷视觉识别检测装置和方法
CN104637067A (zh) 一种纹理表面的缺陷检测方法
CN104198325A (zh) 基于计算机视觉的烟丝中梗丝比例测定方法
CN109859132A (zh) 一种基于增强图像识别技术的产品质量在线检测方法
CN109064439B (zh) 基于分区的单侧入光式导光板暗影缺陷提取方法
CN110310275A (zh) 一种基于图像处理的链式传送带缺陷检测方法
CN110378887A (zh) 屏幕缺陷检测方法、装置及***、计算机设备及介质
CN110007493A (zh) 液晶显示屏中碎亮点检测方法
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和***
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN117115171B (zh) 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221227

Address after: 215300 Station D-21, Room B103, Zone C, No. 55, Xiaxi Street, Kunshan Development Zone, Suzhou, Jiangsu Province

Patentee after: SANLUOXUAN BIG DATA TECHNOLOGY (KUNSHAN) Co.,Ltd.

Address before: 213001 No. 1801 Wu Cheng Road, Changzhou, Jiangsu

Patentee before: JIANGSU University OF TECHNOLOGY