CN111062919B - 一种轴承套圈外观缺陷检测方法 - Google Patents
一种轴承套圈外观缺陷检测方法 Download PDFInfo
- Publication number
- CN111062919B CN111062919B CN201911270154.1A CN201911270154A CN111062919B CN 111062919 B CN111062919 B CN 111062919B CN 201911270154 A CN201911270154 A CN 201911270154A CN 111062919 B CN111062919 B CN 111062919B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- bearing ring
- area
- appearance
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000008447 perception Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种轴承套圈外观缺陷检测方法，可包括以下步骤：S1、使用多层感知神经网络算法对轴承套圈外观图像进行识别，若检测到缺陷，则直接判定为NG，否则进入步骤S2；S2、使用分割法对轴承套圈外观图像进行识别，若检测到缺陷，则判定为NG，否则判定为OK。采用本发明方法，缺陷检测准确性高，能够解决产品自身表面光泽度存在差异以及不同设备加工产品之间的差异引起的兼容性问题。
Description
技术领域
本发明涉及轴承套圈生产领域，具体地涉及一种轴承套圈外观缺陷检测方法。
背景技术
现有轴承套圈套圈外观缺陷检测方法采用传统图像处理方法(区域分割法)进行，这种方法对于一些特殊缺陷(例如磕碰伤，轻微铁锈，印伤，夹伤，轻微车刀纹轻微铁钉等)的识别效果较差，经常漏检，无法兼容产品的多样性(产品自身表面光泽度存在差异以及不同设备加工产品之间的差异)，稳定性不理想。
发明内容
本发明旨在提供一种轴承套圈外观缺陷检测方法，以解决上述问题。为此，本发明采用的具体技术方案如下：
一种轴承套圈外观缺陷检测方法，可包括以下步骤：
S1、使用多层感知神经网络算法对轴承套圈外观图像进行识别，若检测到缺陷，直接判定为该轴承套圈为NG，否则进入步骤S2；
S2、使用分割法对轴承套圈外观图像进行识别，若检测到缺陷，则判定为NG，否则判定为OK。
进一步地，步骤S1具体包括以下过程：
S11、对传入的轴承套圈外观图像进行增强预处理；
S12、获取图像特征信息；
S13、调用多层感知神经网络模型对图像进行识别；
S14、对识别结果进行处理：若识别结果为OK，进入步骤S2；若识别结果为NG，保存原图和检测结果图片，以便后续查看分析。
进一步地，所述方法还包括步骤S0、训练多层感知神经网络模型，该步骤根据需要进行，具体地包括以下过程：
S01、读入轴承套圈外观样本图像，包括OK样本图像和NG样本图像；
S02、对图像进行增强预处理，增加图像对比度；
S03、创建多层感知神经网络模型句柄；
S04、获取图像特征信息：对图像进行多次比例缩放并获取特征信息；
S05、把图像特征及类别ID添加到模型句柄；
S06、开始训练模型，训练完成后清除模型句柄。
进一步地，所述方法还包括在进行步骤S2之前对区域分割法中的相关参数进行设置的步骤，该步骤根据需要进行，具体为：
1、框选要检测的区域，点击确认后，自动记录参数A1并保存；
2、设置区域精准提取参数A2，导入图片，拖动滑块，从交互界面观察到准确度很高的时候，点击写入，自动记录并保存该参数A2；
3、对精准提取的区域再次进行区域细分化，设置好相应参数A3，其中区域细分为倒角、端面、内倒角和内壁；
4、设置好各种缺陷的相关参数范围阈值，包括缺陷最小宽度、缺陷最小高度、缺陷最小面积、缺陷最小灰度值、缺陷最大宽度、最大高度、最大面积和最大灰度值。
进一步地，步骤S2具体包括以下过程：
S21、对传入的图像进行数据转换；
S22、自动按之前设置的参数A1限定大致检测范围；
S23、根据设置的参数A2，精准提取检测区域参考点；
S24、根据设置的参数A3再次对精准区域进行细分化；
S25、对原始图像进行预处理，增加图像对比度；
S26、根据细分化的区域一一抠图，裁切出需要检测的部分；
S27、根据设置的区域分割数量n，自动形成n个小的区域；
S28、对n个小的区域求交集，得到所需检测区域；
S29、循环对图像进行检测，识别缺陷，具体为：
S291、求各个区域的直方图信息；
S292、根据当前区域的直方图均差判断该区域是否有缺陷；
S293、若有缺陷，再根据当前区域的最小灰度值作为下限，下限再加上一个常量作为上限，进行二值化并根据设置的大小范围，筛选出缺陷；
S294、再次求出缺陷的坐标及大小；
S295、根据求出的坐标标识出缺陷位置及缺陷面积；
S296、如果没有缺陷，进入下一个循环，检测下一个区域；
S297、输出识别结果，若检测到缺陷，则判定为NG，并保存原图和检测结果图片，以便后续查看分析；否则判定为OK。
本发明采用上述技术方案，具有的有益效果是：采用本发明方法，缺陷检测准确性高，能够解决产品自身表面光泽度存在差异以及不同设备加工产品之间的差异引起的兼容性问题。
附图说明
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
图1是本发明方法的总体流程图；
图2是本发明方法的训练多层感知神经网络模型的流程图；
图3是本发明方法的采用多层感知神经网络算法识别缺陷的流程图；
图4是本发明方法的采用区域分割法识别缺陷的流程图；
图5是轴承套圈采用本发明方法检测的结果示意图。
具体实施方式
现结合附图和具体实施方式对本发明进一步说明。
如图1至4所示，一种轴承套圈外观缺陷检测方法，可包括以下步骤：
S1、使用多层感知神经网络算法对轴承套圈外观图像进行识别，若检测到缺陷，则直接判定为NG(不好，不良品)，否则进入步骤S2。步骤S1具体包括以下过程：
S11、对传入的轴承套圈外观图像进行增强预处理，提高图像对比度，以便于缺陷与背景形成明显的色差，方便后续步骤的特征提取；
S12、获取图像特征信息，其中图像特征信息包括缺陷高度，宽度，半径，面积，灰度，圆度，矩形度，轮廓，形状，纹理等等；
S13、调用多层感知神经网络模型对图像进行识别；
S14、对识别结果进行处理：若识别结果为OK(好，良品)，进入步骤S2；若识别结果为NG，保存原图和检测结果图片，以便后续查看分析。
应该指出，在进行图像检测之前，需要对多层感知神经网络模型进行训练。即，所述方法还包括步骤S0、训练多层感知神经网络模型，该步骤根据需要进行，例如，轴承套圈外观样本图像增加时需要重新进行训练，以确保结果正确。
具体地包括以下过程：
S01、读入轴承套圈外观样本图像，包括OK样本图像和NG样本图像；
S02、对图像进行增强预处理，增加图像对比度；
S03、创建多层感知神经网络模型句柄；
S04、获取图像特征信息：对图像进行多次比例缩放并获取特征信息；
S05、把图像特征及类别ID添加到模型句柄；
S06、开始训练模型，训练完成后清除模型句柄
S2、使用分割法对轴承套圈外观图像进行识别，若检测到缺陷，则判定为NG，否则判定为OK。图5示出了检测出加工不良的轴承套圈。
应该指出，所述方法还包括在进行步骤S2之前对区域分割法中的相关参数进行设置的步骤，该步骤根据需要进行，例如，根据不同产品尺寸、不同加工设备加工的产品(表面光泽度不同)等对其中的一些参数进行相应改变，具体为：
1、框选要检测的区域，点击确认后，自动记录参数A1并保存；
2、设置区域精准提取参数A2，导入图片，拖动滑块，从交互界面观察到准确度很高的时候，点击写入，自动记录并保存该参数A2；
3、对精准提取的区域再次进行区域细分化，设置好相应参数A3，其中区域可以细分为倒角、端面、内倒角和内壁等；
4、设置好各种缺陷的相关参数范围阈值，可包括缺陷最小宽度、缺陷最小高度、缺陷最小面积、缺陷最小灰度值、缺陷最大宽度、最大高度、最大面积和最大灰度值等。
进一步地，步骤S2具体包括以下过程：
S21、对相机采集的数据流进行转换，获得BMP格式数字图像存入内存中；
S22、自动按之前设置的参数A1限定大致检测范围；
S23、根据设置的参数A2，精准提取检测区域参考点；
S24、根据设置的参数A3再次对精准区域进行细分化；
S25、对原始图像进行预处理，增加图像对比度；
S26、根据细分化的区域一一抠图，裁切出需要检测的部分；
S27、根据设置的区域分割数量n，自动形成n个小的区域，其中，n可根据实际需要确定，针对圆形产品，n通常取6的倍数，因采用的等分，所以必须要能被360整除，针对矩形产品，n必须要是4的倍数，因算法内部纵向分割固定为4；
S28、对n个小的区域求交集，得到所需检测区域；
S29、循环对图像进行检测，输出识别结果，具体为：
S291、求各个区域的直方图信息；
S292、根据当前区域的直方图均差判断该区域是否有缺陷，这个均差参数可以根据实际需求来灵活设置，比如要检测很轻微的缺陷，可以设置的很小，最小为0，只检测比较明显的缺陷，则可以设置大一点，最大为255，正常检测一般设置在20左右；
S293、若有缺陷，再根据当前区域的最小灰度值作为下限，下限再加上一个常量作为上限，进行二值化并根据设置的大小范围，筛选出缺陷；
S294、再次求出缺陷的坐标及大小；
S295、根据求出的坐标标识出缺陷位置及缺陷面积；
S296、如果没有缺陷，进入下一个循环，检测下一个区域；
S297、所有区域检测完后，输出识别结果，若检测到缺陷，则判定为NG，并保存原图和检测结果图片，以便后续查看分析；否则判定为OK。
内部测试比较结果
测试对象：100个产品，其中，OK 80个，特殊缺陷5个，其他自然缺陷15个。
传统算法检测结果：OK 90个，NG 10个，其中，特殊缺陷漏检3个，自然缺陷漏检7个。
本发明方法检测结果：OK 80个，NG 20个，所有缺陷全部检出。
另外改变分割区域数量(24个改为12个)：OK 84个，NG 16个，其中特殊缺陷全部检出，自然缺陷4个漏检。
综上所述，多层感知神经网络算法与分割法配合使用，效果理想，根据不同产品，设置不同分割数量即可达到想要的效果。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (3)
1.一种轴承套圈外观缺陷检测方法，其特征在于，所述方法包括以下步骤：
S1、使用多层感知神经网络算法对轴承套圈外观图像进行识别，若检测到缺陷，则直接判定为NG，否则进入步骤S2；
S2、使用分割法对轴承套圈外观图像进行识别，若检测到缺陷，则判定为NG，否则判定为OK；
其中，所述方法还包括在进行步骤S2之前对区域分割法中的相关参数进行设置的步骤，该步骤具体为：
1）、框选要检测的区域，点击确认后，自动记录参数A1并保存；
2）、设置区域精准提取参数A2，导入图片，拖动滑块，点击写入，自动记录并保存该参数A2；
3）、对精准提取的区域再次进行区域细分化，设置好相应参数A3，其中区域细分为倒角、端面、内倒角和内壁；
4）、设置好各种缺陷的相关参数范围阈值，包括缺陷最小宽度、缺陷最小高度、缺陷最小面积、缺陷最小灰度值、缺陷最大宽度、最大高度、最大面积和最大灰度值；
其中，步骤S2具体包括以下过程：
S21、对传入的图像进行数据转换；
S22、自动按之前设置的参数A1限定检测范围；
S23、根据设置的参数A2，精准提取检测区域参考点；
S24、根据设置的参数A3再次对精准区域进行细分化；
S25、对原始图像进行预处理，增加图像对比度；
S26、根据细分化的区域一一抠图，裁切出需要检测的部分；
S27、根据设置的区域分割数量n，自动形成n个小的区域；
S28、对n个小的区域求交集，得到所需检测区域；
S29、循环对图像进行检测，输出识别结果，具体为：
S291、求各个区域的直方图信息；
S292、根据当前区域的直方图均差判断该区域是否有缺陷；
S293、若有缺陷，再根据当前区域的最小灰度值作为下限，下限再加上一个常量作为上限，进行二值化并根据设置的大小范围，筛选出缺陷；
S294、再次求出缺陷的坐标及大小；
S295、根据求出的坐标标识出缺陷位置及缺陷面积；
S296、若没有缺陷，进入下一个循环，检测下一个区域；
S297、输出识别结果，若检测到缺陷，则判定为NG，并保存原图和检测结果图片，以便后续查看分析；否则判定为OK。
2.如权利要求1所述的轴承套圈外观缺陷检测方法，其特征在于，步骤S1具体包括以下过程：
S11、对传入的轴承套圈外观图像进行增强预处理；
S12、获取图像特征信息；
S13、调用多层感知神经网络模型对图像进行识别；
S14、对识别结果进行处理：若识别结果为OK，进入步骤S2；若识别结果为NG，保存原图和检测结果图片，以便后续查看分析。
3.如权利要求2所述的轴承套圈外观缺陷检测方法，其特征在于，所述方法还包括步骤S0、训练多层感知神经网络模型，该步骤具体地包括以下过程：
S01、读入轴承套圈外观样本图像，包括OK样本图像和NG样本图像；
S02、对图像进行增强预处理，增加图像对比度；
S03、创建多层感知神经网络模型句柄；
S04、获取图像特征信息：对图像进行多次比例缩放并获取特征信息；
S05、把图像特征及类别ID添加到模型句柄；
S06、开始训练模型，训练完成后清除模型句柄。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911270154.1A CN111062919B (zh) | 2019-12-12 | 2019-12-12 | 一种轴承套圈外观缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911270154.1A CN111062919B (zh) | 2019-12-12 | 2019-12-12 | 一种轴承套圈外观缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062919A CN111062919A (zh) | 2020-04-24 |
| CN111062919B true CN111062919B (zh) | 2023-11-03 |
Family
ID=70300651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911270154.1A Active CN111062919B (zh) | 2019-12-12 | 2019-12-12 | 一种轴承套圈外观缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062919B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112858329A (zh) * | 2020-12-31 | 2021-05-28 | 慈溪迅蕾轴承有限公司 | 一种轴承异型环的影像检测方法 |
| CN113532327B (zh) * | 2021-07-15 | 2023-09-12 | 合肥图迅电子科技有限公司 | 基于条纹投影3d成像的料盘内芯片形态的检测方法 |
| CN116136393B (zh) * | 2023-03-02 | 2023-07-28 | 宁波川原精工机械有限公司 | 轴承套圈内圈检测***及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2761476A1 (fr) * | 1997-03-28 | 1998-10-02 | Lorraine Laminage | Procede d'inspection de surface d'une bande en defilement par classification prealable d'irregularite de surface detectee |
| JP2006292593A (ja) * | 2005-04-12 | 2006-10-26 | Nippon Steel Corp | 疵検出装置、疵検出方法、コンピュータプログラム及び記録媒体 |
| CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
| CN102074031A (zh) * | 2011-01-13 | 2011-05-25 | 广东正业科技股份有限公司 | 一种印刷电路板外观检查机的建标方法 |
| CN102157024A (zh) * | 2011-05-03 | 2011-08-17 | 西安印钞有限公司 | 一种大张检查机机检数据在线二次检测核查的***及方法 |
| WO2016201947A1 (zh) * | 2015-06-16 | 2016-12-22 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| CN107895362A (zh) * | 2017-10-30 | 2018-04-10 | 华中师范大学 | 一种微型接线端子质量检测的机器视觉方法 |
| CN108734709A (zh) * | 2018-05-29 | 2018-11-02 | 西安工程大学 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
| CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
| CN109816644A (zh) * | 2019-01-16 | 2019-05-28 | 大连理工大学 | 一种基于多角度光源影像的轴承缺陷自动检测*** |
| CN109978875A (zh) * | 2019-04-03 | 2019-07-05 | 无锡立赫智能科技有限公司 | 一种电容器外观缺陷识别方法及识别装置 |
| CN110542689A (zh) * | 2019-10-10 | 2019-12-06 | 韦士肯(厦门)智能科技有限公司 | 一种轴承套圈影像检测装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5174535B2 (ja) * | 2008-05-23 | 2013-04-03 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及びその装置 |
-
2019
- 2019-12-12 CN CN201911270154.1A patent/CN111062919B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2761476A1 (fr) * | 1997-03-28 | 1998-10-02 | Lorraine Laminage | Procede d'inspection de surface d'une bande en defilement par classification prealable d'irregularite de surface detectee |
| JP2006292593A (ja) * | 2005-04-12 | 2006-10-26 | Nippon Steel Corp | 疵検出装置、疵検出方法、コンピュータプログラム及び記録媒体 |
| CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
| CN102074031A (zh) * | 2011-01-13 | 2011-05-25 | 广东正业科技股份有限公司 | 一种印刷电路板外观检查机的建标方法 |
| CN102157024A (zh) * | 2011-05-03 | 2011-08-17 | 西安印钞有限公司 | 一种大张检查机机检数据在线二次检测核查的***及方法 |
| WO2016201947A1 (zh) * | 2015-06-16 | 2016-12-22 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| CN107895362A (zh) * | 2017-10-30 | 2018-04-10 | 华中师范大学 | 一种微型接线端子质量检测的机器视觉方法 |
| CN108734709A (zh) * | 2018-05-29 | 2018-11-02 | 西安工程大学 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
| CN109447977A (zh) * | 2018-11-02 | 2019-03-08 | 河北工业大学 | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 |
| CN109816644A (zh) * | 2019-01-16 | 2019-05-28 | 大连理工大学 | 一种基于多角度光源影像的轴承缺陷自动检测*** |
| CN109978875A (zh) * | 2019-04-03 | 2019-07-05 | 无锡立赫智能科技有限公司 | 一种电容器外观缺陷识别方法及识别装置 |
| CN110542689A (zh) * | 2019-10-10 | 2019-12-06 | 韦士肯(厦门)智能科技有限公司 | 一种轴承套圈影像检测装置 |
Non-Patent Citations (2)
| Title |
|---|
| Component surface defect detection based on image segmentation method;Renwei L, Dong Y.;2016 Chinese Control and Decision Conference (CCDC);第5093-5096页 * |
| 基于改进Niblack算法的轴承滚子表面缺陷检测;陈金贵, 陈昊, 张奔;组合机床与自动化加工技术(第12期);第82-85+97页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062919A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062919B (zh) | 一种轴承套圈外观缺陷检测方法 | |
| CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
| JP6879431B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| CN114937055A (zh) | 基于人工智能的图像自适应分割方法与*** | |
| CN113344857B (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
| JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
| CN108921160B (zh) | 一种图书识别方法、电子设备及存储介质 | |
| CN112991305A (zh) | 一种喷漆面板表面缺陷的视觉检测方法 | |
| CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
| JP2010244372A (ja) | 帳票認識方法および装置 | |
| CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
| JP2016099126A (ja) | 鋼材成分識別装置及びそのプログラム | |
| US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
| CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
| US20050271260A1 (en) | Device, method and program for removing pores | |
| CN109063708B (zh) | 基于轮廓提取的工业图像特征识别方法及*** | |
| KR102602167B1 (ko) | 딥러닝 기반의 mlcc 적층 얼라인먼트 검사 시스템 및 방법 | |
| JP4459945B2 (ja) | 抽出色範囲設定方法 | |
| CN111898605A (zh) | 基于图像ocr识别的机顶盒信息检测方法及*** | |
| JP7209278B2 (ja) | 鋼材成分識別装置、鋼材成分識別方法、及び鋼材成分識別プログラム | |
| JP7058009B2 (ja) | 鋼材成分識別装置及びそのプログラム | |
| JP4494424B2 (ja) | プログラム及び検査装置 | |
| JP7058008B2 (ja) | 鋼材成分識別装置及びそのプログラム | |
| CN117798087B (zh) | 基于外观缺陷检测的锂电池视觉分拣***及终端 | |
| CN113255657B (zh) | 票据表面刮痕检测方法、装置、电子设备、机器可读介质 |
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: 20230626 Address after: 215000 North 2nd Floor, Building 3, Listing Science and Technology Innovation Park, No. 19 Yong'an Road, High tech Zone, Suzhou City, Jiangsu Province Applicant after: Suzhou weishiken Testing Technology Co.,Ltd. Address before: 361000 room 3011, Xuanye building, Pioneer Park, torch hi tech Zone, Xiamen City, Fujian Province Applicant before: VSCAN (XIAMEN) INTELLIGENT TECHNOLOGY CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |