CN111896556A - 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** - Google Patents
一种基于机器视觉的玻璃瓶底缺陷检测方法及*** Download PDFInfo
- Publication number
- CN111896556A CN111896556A CN202010773562.5A CN202010773562A CN111896556A CN 111896556 A CN111896556 A CN 111896556A CN 202010773562 A CN202010773562 A CN 202010773562A CN 111896556 A CN111896556 A CN 111896556A
- Authority
- CN
- China
- Prior art keywords
- area
- texture
- rectangular
- region
- annular
- 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
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器视觉的玻璃瓶底缺陷检测方法及***,其方法为:步骤1,获取瓶底图像,定位与提取瓶底区域,并将瓶底区域划分为三个子区域:中心圆平面区域、环形平面区域和环形纹理区域;步骤2,采用基于显著性检测的方法对中心圆平面区域进行缺陷检测并标记;步骤3,采用基于多尺度滤波的方法对环形平面区域进行缺陷检测并标记;步骤4,采用基于模板匹配的方法对环形纹理区域进行缺陷检测并标记;步骤5,将步骤2至4得到的已标记好缺陷的中心圆平面区域、环形平面区域和环形纹理区域进行融合,得到标记有所有缺陷的瓶底图像。本发明对瓶底的缺陷检测精度更高、执行速度更快。
Description
技术领域
本发明属于工业自动化视觉检测技术领域,特别涉及一种基于机器视觉的玻璃瓶底缺陷检测方法及***。
背景技术
玻璃瓶是一种传统的包装容器,因为其密封性能好、制造成本低、可回收使用等方面的优点,在食品饮料行业广泛应用,尤其在啤酒饮料行业中使用量巨大,据2016年玻璃行业报告中的统计数据,仅中国每年用于啤酒包装的玻璃瓶就超过500亿个,其中约80%的瓶子是回收旧瓶,质量参差不齐,尤其在玻璃瓶的底部可能存在烟头、玻璃渣、透明薄膜和其他脏污等,加之玻璃瓶在运输和生产过程中易发生摩擦、碰撞而造成瓶底破损,回收这些存在异物、脏污或缺陷的玻璃瓶进行灌装生产,可能会导致泄漏甚至***的情况,危及生产线和消费者安全,因此,在玻璃瓶进行灌装前必须进行空瓶质量检测。
玻璃瓶一般分成瓶底、瓶身和瓶口三个部分分别进行检测,其中,瓶底由于缺陷种类多、存在纹理区域干扰、瓶底透光不均等方面的问题造成瓶底缺陷检测困难,采用传统的人工检测方法进行检测,存在效率低、主观性强、易疲劳等一系列的缺点,而基于机器视觉的检测技术已广泛应用于医药、食品等行业产品的质量检测中,其也为玻璃瓶瓶底缺陷检测提供一个更好的解决方式。
目前,虽然国外的海富、克朗斯公司、国内的山东明佳、广州万世德、大恒图像、湖南大学、山东大学、山东科技大学等单位均已研制出基于机器视觉的玻璃瓶检测***,但是与玻璃瓶瓶底缺陷检测直接相关的研究文献仍然较少,尤其是有关玻璃瓶瓶底防滑纹区域的缺陷检测方法几乎没有。国外,Hajime等在美国发明专利《bottle bottom inspectionapparatus》中介绍了一种基于机器视觉的检测***,对成像机构和硬件结构进行了详细描述,但未对其检测方法进行说明。Shafait等人在论文《fault detection andlocalization in empty water bottles through machine vision》中首先使采用Hough圆检测实现空矿泉水瓶瓶底定位检测,随后通过双阈值实现缺陷区域提取,该方法简单、执行速度快,但其对图像灰度变化敏感。国内,段峰、王耀南等人最先展开啤酒空瓶检测***的研究,提出环形边缘检测法、模板匹配法、多神经网络法等三种瓶底缺陷检测法,前两种方法检测速度快,但效果不理想,后者抗干扰能力强,但前期样本采集、神经网络训练工作量大、时间长。马思乐等人在论文《Research on Bottom Detection in IntelligentEmpty Bottle Inspection System》中首先采用最小二乘法对啤酒瓶瓶底进行定位,随后使用离散傅里叶变换检测瓶底缺陷。范涛、朱青等在论文《空瓶检测机器人瓶底缺陷检测方法研究》中利用瓶底防滑纹的几何特征,提出了一种改进的基于变权重随机圆拟合的瓶底定位算法,首先采用重心法对瓶底圆心进行快速预定位,再采用变权重随机圆拟合法实现瓶底精定位,然后检测瓶底图像疑似缺陷区域,并提取区域面积、轮廓长度、圆形度、灰度方差和灰度均值等特征,最后采用支持向量机算法进行分类决策检测出缺陷,该方法定位精度高、执行速度快,但缺陷检测正确率仍有进一步提升空间,且并未深入研究防滑纹区域缺陷检测方法。
如上所述的玻璃瓶瓶底缺陷检测方法仍然存在两个共同问题:(1)虽然已实现瓶底的高速高精度定位,但是当瓶底图像中灰度值分布不均匀、缺陷灰度值变化范围大或防滑纹区域存在异物或脏污时,仍无法实现瓶底区域尤其是瓶底防滑纹区域的高速高精度缺陷检测;(2)虽然已利用防滑纹的特性信息进行了瓶底定位,但是并没有研究针对防滑纹区域的缺陷进行检测的方法,因此,防滑纹区域的缺陷仍然存在着易漏检的问题。
发明内容
本发明提供一种基于机器视觉的玻璃瓶底缺陷检测方法及***,对瓶底的缺陷检测精度更高、执行速度更快。
为实现上述技术目的,本发明采用如下技术方案:
一种基于机器视觉的玻璃瓶底缺陷检测方法,包括以下步骤:
步骤1,获取瓶底图像,定位与提取瓶底区域,并将瓶底区域划分为三个子区域:中心圆平面区域、环形平面区域和环形纹理区域;
步骤2,采用基于显著性检测的方法对中心圆平面区域进行缺陷检测并标记;
步骤3,采用基于多尺度滤波的方法对环形平面区域进行缺陷检测并标记;
步骤4,采用基于模板匹配的方法对环形纹理区域进行缺陷检测并标记;
步骤5,将步骤2至4得到的已标记好缺陷的中心圆平面区域、环形平面区域和环形纹理区域进行融合,得到标记有所有缺陷的瓶底图像。
进一步的,步骤1中,定位与提取瓶底区域并划分为三个子区域的方法为:
步骤1.1,采用圆检测方法定位并提取圆形的瓶底区域;
步骤1.2,以瓶底区域的圆心为瓶底中心,将瓶底区域分成中心圆平面区域和环形区域;
步骤1.3,将环形区域径向展开,然后对展开图像进行边缘检测并筛选防滑纹边缘,并采用多项式拟合对所得防滑纹边缘进行拟合得到纹理区域中线,将纹理区域中线分别向上和向下移动等长距离,由纹理区域中线移动得到的两条曲线与展开图像的边界所围成的区域即为环形纹理区域,展开图像中位于纹理区域上方的区域即为环形平面区域。
进一步的,步骤2中,采用基于显著性检测方法对中心圆平面区域进行缺陷检测的方法为:
步骤2.1,采用超像素分割方法将中心圆平面区域分割为若干子区域;
步骤2.2,对划分为若干子区域的中心圆平面区域进行显著性检测,得到相应的显著图;
步骤2.3,计算中心圆平面区域中每个子区域的面积和显著值;若子区域的面积和显著值均大于相应的预设阈值,则标记该子区域为缺陷区域。
进一步的,步骤2.1中,采用超像素分割方法将中心圆平面区域分割为若干子区域的方法为:
步骤2.1.1,对中心圆平面区域进行边缘检测;
步骤2.1.2,针对步骤2.1.1得到的每个边缘结果,均以当前边缘为种子点,进行区域生长,
步骤2.1.3,计算步骤2.1.2得到的每个区域生长结果的面积,并将面积小于设定阈值的区域合并到灰度值相差最小的邻接区域。
进一步的,步骤3中,采用基于多尺度滤波的方法对环形平面区域进行缺陷检测的方法为:
步骤3.1,将环形平面区域沿径向展开,并缩放为矩形平面区域;
步骤3.2,将矩形平面区域沿竖直方向进行投影灰度均值,得到矩形平面区域每一列的像素均值,所有列像素均值构成矩形平面区域的一维像素均值信号;
步骤3.3,对步骤3.2得到的像素均值信号进行一系列多尺度滤波,得到不同尺度对应的滤波值信号;
步骤3.4,对矩形平面区域的每一列:均计算所有尺度的滤波值与像素均值的差值绝对值,并取每一列最大的差值绝对值一起构成最大值信号;
步骤3.5,对矩形平面区域的每一列,若其最大的差值绝对值大于给定的阈值,则矩形平面区域的该列像素属于缺陷区域。
进一步的,步骤4中,采用基于模板匹配的方法对环形纹理区域进行缺陷检测的方法为:
步骤4.1,将环形纹理区域沿径向展开,并缩放为矩形纹理区域;
步骤4.2,将矩形纹理区域沿竖直方向进行投影灰度均值,得到矩形纹理区域每一列的像素均值,所有列像素均值构成矩形纹理区域的一维像素均值信号并滤波处理;
步骤4.3,搜索步骤4.2得到的像素均值信号中的极大值位置,其中每相邻两个极大值位置之间的距离大于给定的阈值;
步骤4.4,以矩形纹理区域的像素均值的每相邻两个极大值之间的区域均作为1个处理单元,计算每个处理单元的宽度,并统计每个宽度的频次,提取宽度频次最高的所有处理单元进行均值计算得到纹理模板;
步骤4.5,计算矩形纹理区域相对于纹理模板的相关系数曲线,并进行滤波处理;
步骤4.6,对矩形纹理区域的每一列,若其滤波处理后的相关系数大于给定的阈值,则矩形纹理区域该列像素属于缺陷区域。
进一步的,步骤4.5计算矩形纹理区域相对于纹理模板的相关系数曲线的方法为:
式中,R(x,y)为矩形纹理区域在点(x,y)相对于纹理模板的相关系数,TW和TH分别代表纹理模板的宽度和高度,(x,y)表示矩形纹理区域中每次用于与纹理模板进行匹配的矩形子图像的中心点坐标,(i,j)表示矩形纹纹理模板中的像素点坐标,IAT(i+x,j+y)表示矩形纹理区域在坐标点(i+x,j+y)的像素值,表示矩形纹理区域中每次用于与纹理模板进行匹配的矩形子图像的平均值,T(i,j)表示矩形纹纹理模板中的像素值,表示纹理模板的平均值。
本发明还提供一种基于机器视觉的玻璃瓶底缺陷检测***,所述***部件包括:工控机、电气控制机构、输送机构、光电传感器、PLC控制器、面光源、工业相机和电磁阀;
所述工控机包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述任一方法技术方案;
所述电气控制机构用于实现对输送机构的速度检测、运动控制和玻璃瓶次品分拣,所述输送机构用于夹紧和输送玻璃瓶;
所述光电传感器用于在检测玻璃瓶时生成电信号并发送给PLC控制器;
所述PLC控制器用于在接收到光电传感器的电信号时,产生两个触发信号分别发送给面光源和工业相机;
所述面光源用于在接收到PLC控制器发送的触发信号时,点亮面光源为玻璃瓶的瓶底提供光源;
所述工业相机用于在接收到PLC控制器发送的触发信号时,获取玻璃瓶的瓶底图像并发送给工控机;
所述工控机用于根据接收到的瓶底图像对相应玻璃瓶进行缺陷检测,并在缺陷检测不合格时发送次品剔除信号给PLC控制器;
所述PLC控制器用于在接收到次品剔除信号时,触发电磁阀以将对应不合格的玻璃瓶从生产线剔除。
有益效果
与现有技术相比,本发明的优点在于:
(1)检测精度更高、执行速度更快。传统瓶底检测方法存在当瓶底图像中灰度值分布不均匀、缺陷灰度值变化范围大或防滑纹区域存在异物或脏污时无法实现瓶底区域的高速高精度缺陷检测的问题,而且没有研究针对防滑纹区域的缺陷进行检测的方法,本发明将瓶底区域划分为瓶底中心平面、环形平面和环形纹理三个检测区域分别进行缺陷检测,针对每个检测区域,根据不同区域的图像特征,采用各自适应的缺陷检测方法分别进行检测,能更精确高效地检测到缺陷。
(2)对于瓶底中心平面区域,缺陷检测结果更加精准。因为在对中心圆平面区域的缺陷检测过程中,采用一种边缘检测和区域生长相结合的方法来分割缺陷区域和正常区域,其中,边缘检测可以有效检测缺陷轮廓,区域生长可以使得缺陷区域和背景区域尽可能的分别聚类,两种结合使缺陷和背景区域的分割更加准确。同时,根据“缺陷区域通常在某一局部区域范围内是突出而明显的”这个缺陷先验知识,采用显著性检测的缺陷检测进一步突出缺陷与背景这一局部差异,进一步保障了瓶底中心平面区域的缺陷检测精准度。
(3)对于瓶底环形平面区域,实现了缺陷高速高精度缺陷检测。采用径向方向的灰度投影,将环形平面区域图像转换为一个一维信号,在该信号上,缺陷区域也存在“缺陷区域通常在某一局部区域范围内是突出而明显的”这一现象,而一维信号的多尺度滤波可以很好反映出数据与其局部数据差异程度,本发明采用基于多尺度滤波的缺陷检测方法,使得缺陷更加突出明显,该方法简单、高效、易实施。
(4)降低了防滑纹区域缺陷检测的漏检率。因为传统的瓶底缺陷检测方法中没有对防滑纹区域单独进行缺陷检测,因此,在该区域存在缺陷漏检率高的问题,本发明对纹理区域单独处理,先获取纹理模板,再采用模板匹配的方法将瓶底环形纹理区域图像转换为一个一维信号,随后,采用与瓶底环形平面区域相同的缺陷检测方法获取缺陷,有效克服了径向方向灰度差异对缺陷检测的影响,提高了防滑纹区域缺陷检测的正确率。
附图说明
图1为本发明实施例所述方法的流程图;
图2为本发明实施例所述方法步骤1进行区域划分的示意图;
图3为本发明实施例所述方法步骤2对中心圆平面区域进行缺陷检测的流程图;
图4为本发明实施例所述方法步骤3对环形平面区域进行缺陷检测的流程图;
图5为本发明实施例所述方法步骤4对环形纹理区域进行缺陷检测的流程图;
图6为本发明实施例所述方法对玻璃瓶瓶底的最终缺陷检测结果示意图;
图7为本发明实施例所述检测***的电气连接图;
图8为本发明实施例所述检测***的结构原理图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本发明提供一种基于机器视觉的玻璃瓶底缺陷检测方法实施例,包括以下步骤:
步骤1,获取瓶底图像,定位与提取瓶底区域,并将瓶底区域划分为三个子区域:中心圆平面区域、环形平面区域和环形纹理区域。
其中,定位与提取瓶底区域并划分为三个子区域的方法,如图2所示,包括:
步骤1.1,采用圆检测方法定位并提取圆形的瓶底区域,如图2(a)所示;具体可采用霍夫圆检测方法、最小二乘圆检测方法或者随机圆检测方法中的任意一种圆检测方法实现;
步骤1.2,以瓶底区域的圆心(如图2(a)中的“+”所示)为瓶底中心,将瓶底区域分成中心圆平面区域(如图2(b)所示)和环形区域(如图2(c)所示);考虑到玻璃瓶瓶底一般由平面区域和防滑纹区域组成,因此可以根据瓶底结构特征将瓶底区域分成中心圆平面区域和环形区域。比如可根据中心平面的半径先验知识,适当缩小一定半径得到中心圆平面区域,其余部分则为包括环形平面和环形纹理的环形区域,这样相当于在简易得到的中心圆平面区域与纹理之间留出了一个中间区域,即环形平面区域,以单独进行缺陷处理,可以进一步提高缺陷检测的正确率。
步骤1.3,将环形区域径向展开,然后对展开图像(如图2(d)所示)进行边缘检测并筛选防滑纹边缘,并采用多项式拟合对所得防滑纹边缘进行拟合得到纹理区域中线,将纹理区域中线分别向上和向下移动等长距离(具体的距离根据同类玻璃瓶瓶底的纹理先验高度进行预先设置),由纹理区域中线移动得到的两条曲线与展开图像的边界所围成的区域即为环形纹理区域(如图2(f)所示),展开图像中位于纹理区域上方的区域即为环形平面区域(如图2(e)所示);
其中,筛选防滑纹边缘时,具体可根据边缘的长度和最小外接矩阵的高宽比,从展开图像的边缘检测结果中筛选出防滑纹边缘。
步骤2,采用基于显著性检测的方法对中心圆平面区域进行缺陷检测并标记,具体的缺陷检测方法如图3所示,包括:
步骤2.1,采用超像素分割方法将中心圆平面区域分割为若干子区域,具体方法为:
步骤2.1.1,对中心圆平面区域进行边缘检测;
步骤2.1.2,为了获取缺陷和背景的完整区域,针对步骤2.1.1得到的每个边缘结果,均以当前边缘为种子点,通过将当前生长点与种子点的相似度与给定的相似度阈值比较进行区域生长;直至所有区域都被处理完成;
步骤2.1.3,计算步骤2.1.2得到的每个区域生长结果的面积,并将面积小于设定阈值的区域合并到灰度值相差最小的邻接区域。这样背景区域就会成为一体的区域,缺陷区域也会尽量聚在一起。
步骤2.2,对划分为若干子区域的中心圆平面区域进行显著性检测,得到相应的显著图;
在该步骤2.2中,具体采用测地线距离显著性检测方法获得显著图:以步骤2.1得到的各子区域为基本处理单元构建无向权重图;然后以面积最大的子区域作为源节点,其他子区域作为目标节点,计算每个目标节点到源节点的测地线距离,该测地线距离即为对应子区域的显著值。
步骤2.3,计算中心圆平面区域中每个子区域的面积和显著值;若子区域的面积和显著值均大于相应的预设阈值,则标记该子区域为缺陷区域。
步骤3,采用基于多尺度滤波的方法对环形平面区域进行缺陷检测并标记,具体的缺陷检测方法如图4所示,包括:
步骤3.1,将环形平面区域沿径向展开,并缩放为矩形平面区域(如图4(a)所示);
步骤3.2,将矩形平面区域沿竖直方向进行投影灰度均值,得到矩形平面区域每一列的像素均值,所有列像素均值构成矩形平面区域的一维像素均值信号(如图4(b)所示);
步骤3.3,对步骤3.2得到的像素均值信号进行一系列多尺度滤波,得到不同尺度对应的滤波值信号(如图4(c)所示);
步骤3.4,对矩形平面区域的每一列:均计算所有尺度的滤波值与像素均值的差值绝对值(如图4(d)所示),并取每一列所有尺度中最大的差值绝对值一起构成最大值信号;
步骤3.5,对矩形平面区域的每一列,若其最大的差值绝对值大于给定的阈值(如图4(f)所示),则矩形平面区域的该列像素属于缺陷区域(如图4(g)所示)。
步骤4,采用基于模板匹配的方法对环形纹理区域进行缺陷检测并标记,具体的缺陷检测方法如图5所示,包括:
步骤4.1,将环形纹理区域沿径向展开,并缩放为矩形纹理区域(如图5(b)所示);
步骤4.2,将矩形纹理区域沿竖直方向进行投影灰度均值,得到矩形纹理区域每一列的像素均值,所有列像素均值构成矩形纹理区域的一维像素均值信号(如图5(c)中的实线所示),再对矩形纹理区域的该一维像素均值信号进行滤波得到如图5(c)中的虚线所示的滤波后的一维像素均值信号;
步骤4.3,搜索步骤4.2得到的滤波后的一维像素均值信号中的极大值位置(如图5(d)所示),其中每相邻两个极大值位置之间的距离大于给定的阈值;
步骤4.4,以矩形纹理区域的像素均值的每相邻两个极大值之间的区域均作为1个处理单元,计算每个处理单元的宽度,并统计每个宽度的频次,提取宽度频次最高的所有处理单元(如图5(e)所示)进行均值计算得到纹理模板(如图5(f)所示);
步骤4.5,计算矩形纹理区域相对于纹理模板的相关系数曲线(如图5(g)所示),并进行滤波处理;
在该步骤4.5中,计算矩形纹理区域相对于纹理模板的相关系数曲线的方法为:
式中,R(x,y)为矩形纹理区域在点(x,y)相对于纹理模板的相关系数,TW和TH分别代表纹理模板的宽度和高度,(x,y)表示矩形纹理区域中每次用于与纹理模板进行匹配的矩形子图像的中心点坐标,(i,j)表示矩形纹纹理模板中的像素点坐标,IAT(i+x,j+y)表示矩形纹理区域在坐标点(i+x,j+y)的像素值,表示矩形纹理区域中每次用于与纹理模板进行匹配的矩形子图像的平均值,T(i,j)表示矩形纹纹理模板中的像素值,表示纹理模板的平均值。
步骤4.6,对矩形纹理区域的每一列,若其滤波处理后的相关系数大于给定的阈值,则矩形纹理区域该列像素属于缺陷区域(如图5(h)所示)。
步骤5,将步骤2至4得到的已标记好缺陷的中心圆平面区域、环形平面区域和环形纹理区域进行融合,得到标记有所有缺陷的瓶底图像,如图6所示)。
本发明还提供一种基于机器视觉的玻璃瓶底缺陷检测工控机,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述方法实施例所述的方法。
本发明还提供一种基于机器视觉的玻璃瓶底缺陷检测***,如图7、8所示,包括上述实施例所述的工控机1,还包括:电气控制机构2、输送机构3、光电传感器4、PLC控制器5、面光源6、工业相机7和电磁阀8;
所述电气控制机构2,包括电机、变频器和旋转编码器等,用于实现对输送机构的速度检测、运动控制和玻璃瓶次品分拣等功能;
所述输送机构3用于夹紧玻璃瓶0以使瓶底悬空并输送玻璃瓶0;
所述光电传感器4用于在检测玻璃瓶0时生成电信号并发送给PLC控制器5;
所述PLC控制器5用于在接收到光电传感器的电信号时,产生两个触发信号分别发送给面光源6和工业相机7;
所述面光源6用于在接收到PLC控制器5发送的触发信号时,点亮面光源5为玻璃瓶0的瓶底提供光源;
所述工业相机7安装在面光源6的正上方,用于在接收到PLC控制器5发送的触发信号时,获取玻璃瓶0的瓶底图像并发送给工控机1;
所述工控机1用于根据接收到的瓶底图像对相应玻璃瓶进行缺陷检测,并在缺陷检测不合格时发送次品剔除信号给PLC控制器5;
所述PLC控制器5用于在接收到次品剔除信号时,触发电磁阀8以将对应不合格的玻璃瓶从生产线剔除。
为了防止液体和其他留物掉落到面光源6上,在面光源6的上方安装了一块与面光源成一定倾斜角度的保护玻璃10;另外,为避免外界光线影响相机的成像效果,还可将相机封装在一个内表面被涂成黑色的黑箱体中。
本实施例的缺陷检测***的处理流程为:当被检测玻璃瓶0传送至光电传感器4位置时,光电传感器4被触发产生一个有效信号,PLC控制器5检测到这个有效信号后,产生两个触发信号,一个用于触发点亮平面光源6,另一个用于触发相机7获取瓶底图像,最后,工控机7从相机缓存中读入获取的瓶底图像,运行瓶底图像处理算法,输出瓶底检测结果,如果瓶底不合格,工控机1发送次瓶剔除信号给PLC控制器5,PLC控制器5接受到次品剔除信号之后,触发电磁阀8控制击出器将瓶底不合格的玻璃瓶从生产线剔除。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (8)
1.一种基于机器视觉的玻璃瓶底缺陷检测方法,其特征在于,包括以下步骤:
步骤1,获取瓶底图像,定位与提取瓶底区域,并将瓶底区域划分为三个子区域:中心圆平面区域、环形平面区域和环形纹理区域;
步骤2,采用基于显著性检测的方法对中心圆平面区域进行缺陷检测并标记;
步骤3,采用基于多尺度滤波的方法对环形平面区域进行缺陷检测并标记;
步骤4,采用基于模板匹配的方法对环形纹理区域进行缺陷检测并标记;
步骤5,将步骤2至4得到的已标记好缺陷的中心圆平面区域、环形平面区域和环形纹理区域进行融合,得到标记有所有缺陷的瓶底图像。
2.根据权利要求1所述的方法,其特征在于,步骤1中,定位与提取瓶底区域并划分为三个子区域的方法为:
步骤1.1,采用圆检测方法定位并提取圆形的瓶底区域;
步骤1.2,以瓶底区域的圆心为瓶底中心,将瓶底区域分成中心圆平面区域和环形区域;
步骤1.3,将环形区域径向展开,然后对展开图像进行边缘检测并筛选防滑纹边缘,并采用多项式拟合对所得防滑纹边缘进行拟合得到纹理区域中线,将纹理区域中线分别向上和向下移动等长距离,由纹理区域中线移动得到的两条曲线与展开图像的边界所围成的区域即为环形纹理区域,展开图像中位于纹理区域上方的区域即为环形平面区域。
3.根据权利要求1所述的方法,其特征在于,步骤2中,采用基于显著性检测方法对中心圆平面区域进行缺陷检测的方法为:
步骤2.1,采用超像素分割方法将中心圆平面区域分割为若干子区域;
步骤2.2,对划分为若干子区域的中心圆平面区域进行显著性检测,得到相应的显著图;
步骤2.3,计算中心圆平面区域中每个子区域的面积和显著值;若子区域的面积和显著值均大于相应的预设阈值,则标记该子区域为缺陷区域。
4.根据权利要求1所述的方法,其特征在于,步骤2.1中,采用超像素分割方法将中心圆平面区域分割为若干子区域的方法为:
步骤2.1.1,对中心圆平面区域进行边缘检测;
步骤2.1.2,针对步骤2.1.1得到的每个边缘结果,均以当前边缘为种子点,进行区域生长,
步骤2.1.3,计算步骤2.1.2得到的每个区域生长结果的面积,并将面积小于设定阈值的区域合并到灰度值相差最小的邻接区域。
5.根据权利要求1所述的方法,其特征在于,步骤3中,采用基于多尺度滤波的方法对环形平面区域进行缺陷检测的方法为:
步骤3.1,将环形平面区域沿径向展开,并缩放为矩形平面区域;
步骤3.2,将矩形平面区域沿竖直方向进行投影灰度均值,得到矩形平面区域每一列的像素均值,所有列像素均值构成矩形平面区域的一维像素均值信号;
步骤3.3,对步骤3.2得到的像素均值信号进行一系列多尺度滤波,得到不同尺度对应的滤波值信号;
步骤3.4,对矩形平面区域的每一列:均计算所有尺度的滤波值与像素均值的差值绝对值,并取每一列最大的差值绝对值一起构成最大值信号;
步骤3.5,对矩形平面区域的每一列,若其最大的差值绝对值大于给定的阈值,则矩形平面区域的该列像素属于缺陷区域。
6.根据权利要求1所述的方法,其特征在于,步骤4中,采用基于模板匹配的方法对环形纹理区域进行缺陷检测的方法为:
步骤4.1,将环形纹理区域沿径向展开,并缩放为矩形纹理区域;
步骤4.2,将矩形纹理区域沿竖直方向进行投影灰度均值,得到矩形纹理区域每一列的像素均值,所有列像素均值构成矩形纹理区域的一维像素均值信号并滤波处理;
步骤4.3,搜索步骤4.2得到的像素均值信号中的极大值位置,其中每相邻两个极大值位置之间的距离大于给定的阈值;
步骤4.4,以矩形纹理区域的像素均值的每相邻两个极大值之间的区域均作为1个处理单元,计算每个处理单元的宽度,并统计每个宽度的频次,提取宽度频次最高的所有处理单元进行均值计算得到纹理模板;
步骤4.5,计算矩形纹理区域相对于纹理模板的相关系数曲线,并进行滤波处理;
步骤4.6,对矩形纹理区域的每一列,若其滤波处理后的相关系数大于给定的阈值,则矩形纹理区域该列像素属于缺陷区域。
8.一种基于机器视觉的玻璃瓶底缺陷检测***,其特征在于,所述***部件包括:工控机、电气控制机构、输送机构、光电传感器、PLC控制器、面光源、工业相机和电磁阀;
所述工控机包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行如权利要求1-7任一所述的方法;
所述电气控制机构用于实现对输送机构的速度检测、运动控制和玻璃瓶次品分拣,所述输送机构用于夹紧和输送玻璃瓶;
所述光电传感器用于在检测玻璃瓶时生成电信号并发送给PLC控制器;
所述PLC控制器用于在接收到光电传感器的电信号时,产生两个触发信号分别发送给面光源和工业相机;
所述面光源用于在接收到PLC控制器发送的触发信号时,点亮面光源为玻璃瓶的瓶底提供光源;
所述工业相机用于在接收到PLC控制器发送的触发信号时,获取玻璃瓶的瓶底图像并发送给工控机;
所述工控机用于根据接收到的瓶底图像对相应玻璃瓶进行缺陷检测,并在缺陷检测不合格时发送次品剔除信号给PLC控制器;
所述PLC控制器用于在接收到次品剔除信号时,触发电磁阀以将对应不合格的玻璃瓶从生产线剔除。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010773562.5A CN111896556B (zh) | 2020-08-04 | 2020-08-04 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
PCT/CN2021/075699 WO2022027949A1 (zh) | 2020-08-04 | 2021-02-07 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010773562.5A CN111896556B (zh) | 2020-08-04 | 2020-08-04 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111896556A true CN111896556A (zh) | 2020-11-06 |
CN111896556B CN111896556B (zh) | 2021-05-28 |
Family
ID=73245426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010773562.5A Active CN111896556B (zh) | 2020-08-04 | 2020-08-04 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111896556B (zh) |
WO (1) | WO2022027949A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160259A (zh) * | 2021-04-30 | 2021-07-23 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
CN114660071A (zh) * | 2022-03-17 | 2022-06-24 | 湖南大学 | 一种玻纤厚蒙皮结构内部缺陷检测方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN116912820A (zh) * | 2023-09-13 | 2023-10-20 | 青岛君盛食品股份有限公司 | 一种婴幼儿食品安全视觉检测方法 |
CN118089605A (zh) * | 2024-04-26 | 2024-05-28 | 北京奥博泰科技有限公司 | 一种平面玻璃面形检测方法及*** |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170228B (zh) * | 2022-02-14 | 2022-04-19 | 西南石油大学 | 一种计算机图像边缘检测方法 |
CN114219805B (zh) * | 2022-02-22 | 2022-05-13 | 武汉旺佳玻璃制品有限公司 | 一种玻璃缺陷智能检测方法 |
CN114580522B (zh) * | 2022-02-28 | 2023-08-11 | 中国科学院西安光学精密机械研究所 | 一种基于最小二乘圆拟合法对多光学目标进行识别的方法 |
CN114595757B (zh) * | 2022-03-04 | 2024-05-10 | 浙江科技学院 | 一种用于灌装输液瓶生产的质量检测*** |
CN114638822B (zh) * | 2022-03-31 | 2022-12-13 | 扬州市恒邦机械制造有限公司 | 一种利用光学手段的汽车盖板表面质量检测方法及*** |
CN114565771B (zh) * | 2022-04-29 | 2022-07-26 | 广东粤港澳大湾区硬科技创新研究院 | 一种道路两侧设施的缺陷检测方法及装置 |
CN114923408B (zh) * | 2022-04-29 | 2024-01-30 | 沈阳工业大学 | 一种基于机器视觉的超微量胶滴形状参数检测装置及方法 |
CN115035107B (zh) * | 2022-08-10 | 2022-11-08 | 山东正阳机械股份有限公司 | 基于图像处理的车桥齿轮做工误差检测方法 |
CN115147409B (zh) * | 2022-08-30 | 2022-11-29 | 深圳市欣冠精密技术有限公司 | 基于机器视觉的手机壳生产品质检测方法 |
CN115272341B (zh) * | 2022-09-29 | 2022-12-27 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
CN115330793B (zh) * | 2022-10-13 | 2023-01-31 | 济宁市兖州区恒升机械有限公司 | 一种基于图像处理的液压硬管连接管接头质量检测方法 |
CN115439476B (zh) * | 2022-11-07 | 2023-03-14 | 成都博视广达科技有限责任公司 | 基于图像分析的丝印缺陷检测方法及装置 |
CN115792194A (zh) * | 2022-11-11 | 2023-03-14 | 山东大学 | 一种评估混凝土引气剂相容性与引气质量的装置和方法 |
CN115526889B (zh) * | 2022-11-24 | 2023-03-03 | 江苏太湖锅炉股份有限公司 | 基于图像处理的锅炉压力管道的无损检测方法 |
CN115937199B (zh) * | 2023-01-06 | 2023-05-23 | 山东济宁圣地电业集团有限公司 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
CN115797361B (zh) * | 2023-02-13 | 2023-06-27 | 山东淼泰建筑科技有限公司 | 一种铝模板表面缺陷检测方法 |
CN116030061B (zh) * | 2023-03-29 | 2023-08-22 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
CN116109634B (zh) * | 2023-04-12 | 2023-06-16 | 苏州誉阵自动化科技有限公司 | 基于大数据处理的圆状物外观数据检测***及方法 |
CN116152237B (zh) * | 2023-04-18 | 2023-07-04 | 中铁四局集团有限公司 | 一种钢轨剥落掉块检测方法及*** |
CN116205911B (zh) * | 2023-04-27 | 2023-07-18 | 济南市莱芜区综合检验检测中心 | 基于机器视觉的皮革制体育用品外观缺陷检测方法 |
CN116309589B (zh) * | 2023-05-22 | 2023-08-01 | 季华实验室 | 钣金件表面缺陷检测方法、装置、电子设备及存储介质 |
CN116452580B (zh) * | 2023-06-13 | 2023-09-01 | 山东古天电子科技有限公司 | 一种笔记本外观质量检测方法 |
CN116452589B (zh) * | 2023-06-16 | 2023-10-20 | 山东伟国板业科技有限公司 | 基于图像处理的人造板表面缺陷智能检测方法 |
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*** |
CN116485801B (zh) * | 2023-06-26 | 2023-09-12 | 山东兰通机电有限公司 | 基于计算机视觉的胶管质量在线检测方法及*** |
CN116503403B (zh) * | 2023-06-27 | 2023-09-01 | 无锡斯达新能源科技股份有限公司 | 基于图像处理的金属切削刀头的缺陷检测方法 |
CN116580021B (zh) * | 2023-07-03 | 2023-09-22 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116630308B8 (zh) * | 2023-07-20 | 2023-10-27 | 山东华太新能源电池有限公司 | 用于电池焊接异常检测的数据增强*** |
CN116894832B (zh) * | 2023-07-27 | 2024-01-26 | 山东明佳科技有限公司 | 一种乳玻瓶瓶颈裂纹的检测方法、***、设备和存储介质 |
CN116703900B (zh) * | 2023-08-03 | 2023-10-20 | 山东明佳科技有限公司 | 乳玻瓶瓶口裂纹的图像检测方法、***、设备和存储介质 |
CN116703922B (zh) * | 2023-08-08 | 2023-10-13 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及*** |
CN117023955B (zh) * | 2023-08-09 | 2024-03-12 | 盐城汇达玻璃仪器有限公司 | 一种计量用玻璃仪器自动化生产设备 |
CN116721103B (zh) * | 2023-08-10 | 2023-10-27 | 山东明佳科技有限公司 | 乳玻瓶内底净度的图像检测方法、***、设备和存储介质 |
CN116883402B (zh) * | 2023-09-07 | 2023-11-21 | 山东大昌纸制品有限公司 | 基于计算机视觉的瓦楞纸生产质量实时检测方法 |
CN116883401B (zh) * | 2023-09-07 | 2023-11-10 | 天津市生华厚德科技有限公司 | 一种工业产品生产质量检测*** |
CN116883415B (zh) * | 2023-09-08 | 2024-01-05 | 东莞市旺佳五金制品有限公司 | 基于图像数据的薄壁锌合金压铸件质量检测方法 |
CN116935039B (zh) * | 2023-09-15 | 2023-12-29 | 深圳市泽信智能装备有限公司 | 基于机器视觉的新能源电池焊接缺陷检测方法 |
CN116934752B (zh) * | 2023-09-18 | 2023-12-08 | 山东国泰民安玻璃科技有限公司 | 一种基于人工智能的玻璃检测方法及*** |
CN116934763B (zh) * | 2023-09-19 | 2023-12-08 | 阿普塔恒煜(威海)医疗器材有限公司 | 一种基于视觉特征的医用橡胶胶塞缺陷检测方法 |
CN116977335B (zh) * | 2023-09-22 | 2023-12-12 | 山东贞元汽车车轮有限公司 | 一种用于机械零件表面点蚀缺陷的智能检测方法 |
CN117011297B (zh) * | 2023-10-07 | 2024-02-02 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117173188B (zh) * | 2023-11-03 | 2024-01-26 | 泸州通鑫显示科技有限公司 | 一种玻璃瘢痕识别方法 |
CN117197133B (zh) * | 2023-11-06 | 2024-01-30 | 湖南睿图智能科技有限公司 | 一种复杂工业环境下视觉机器人的控制***及方法 |
CN118071689B (zh) * | 2024-01-29 | 2024-07-30 | 江苏森标科技有限公司 | 一种基于机器视觉的光伏电池片丝网印刷缺陷检测方法 |
CN117853481B (zh) * | 2024-03-04 | 2024-05-24 | 枣庄矿业集团新安煤业有限公司 | 一种零速度乘人装置的直线导轨表面缺陷测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040263620A1 (en) * | 2003-06-30 | 2004-12-30 | Diehr Richard D. | Container inspection machine |
JP2011133254A (ja) * | 2009-12-22 | 2011-07-07 | Kirin Techno-System Co Ltd | 異物検査装置 |
CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
CN111330874A (zh) * | 2020-04-17 | 2020-06-26 | 广州番禺职业技术学院 | 药瓶底部区域污染或杂物缺陷检测装置及其检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103523491B (zh) * | 2013-09-27 | 2016-09-21 | 清华大学 | 瓶口定位方法 |
CN105046697B (zh) * | 2015-07-06 | 2017-07-28 | 湖南大学 | 一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法 |
CN106546605B (zh) * | 2016-10-26 | 2019-07-16 | 湖南大学 | 一种利用4圆周定位和迟滞阈值的啤酒瓶口缺陷检测方法 |
CN106981060A (zh) * | 2017-02-27 | 2017-07-25 | 湖南大学 | 一种智能空瓶检测机器人瓶底定位方法 |
CN108389179B (zh) * | 2018-01-15 | 2020-10-13 | 湖南大学 | 一种基于机器视觉的罐盖表面缺陷检测方法 |
CN111896556B (zh) * | 2020-08-04 | 2021-05-28 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
-
2020
- 2020-08-04 CN CN202010773562.5A patent/CN111896556B/zh active Active
-
2021
- 2021-02-07 WO PCT/CN2021/075699 patent/WO2022027949A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040263620A1 (en) * | 2003-06-30 | 2004-12-30 | Diehr Richard D. | Container inspection machine |
JP2011133254A (ja) * | 2009-12-22 | 2011-07-07 | Kirin Techno-System Co Ltd | 異物検査装置 |
CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
CN111330874A (zh) * | 2020-04-17 | 2020-06-26 | 广州番禺职业技术学院 | 药瓶底部区域污染或杂物缺陷检测装置及其检测方法 |
Non-Patent Citations (3)
Title |
---|
张钰萍: "罐盖表面缺陷视觉图像检测算法与***", 《CNKI中国优秀硕士学位论文全文数据库》 * |
肖泽一: "饮料生产线金属罐盖表面缺陷检测方法研究", 《CNKI中国优秀硕士学位论文全文数据库》 * |
范涛: "空瓶检测机器人的啤酒瓶底缺陷图像识别方法", 《CNKI中国优秀硕士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
CN113160259A (zh) * | 2021-04-30 | 2021-07-23 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN113160259B (zh) * | 2021-04-30 | 2024-01-30 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN114660071A (zh) * | 2022-03-17 | 2022-06-24 | 湖南大学 | 一种玻纤厚蒙皮结构内部缺陷检测方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN116912820A (zh) * | 2023-09-13 | 2023-10-20 | 青岛君盛食品股份有限公司 | 一种婴幼儿食品安全视觉检测方法 |
CN116912820B (zh) * | 2023-09-13 | 2023-12-12 | 青岛君盛食品股份有限公司 | 一种婴幼儿食品安全视觉检测方法 |
CN118089605A (zh) * | 2024-04-26 | 2024-05-28 | 北京奥博泰科技有限公司 | 一种平面玻璃面形检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2022027949A1 (zh) | 2022-02-10 |
CN111896556B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111896556B (zh) | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN108389179B (zh) | 一种基于机器视觉的罐盖表面缺陷检测方法 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN107945192B (zh) | 一种托盘纸箱垛型实时检测方法 | |
CN109839385B (zh) | 一种自适应的pcb板缺陷视觉定位检测及分类*** | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN111462066B (zh) | 一种基于机器视觉的螺纹参数检测方法 | |
CN109242858B (zh) | 基于自适应模板匹配的织物印花循环图案基元分割方法 | |
CN110569857A (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
CN110976338A (zh) | 一种基于机器视觉的试纸分拣***及分拣方法 | |
CN106529551B (zh) | 面向包装行业的类圆对象智能识别计数检测方法 | |
CN103345743A (zh) | 一种用于电池尾端智能探伤的图像分割算法 | |
CN112345534A (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及*** | |
CN112164050A (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
CN112338898B (zh) | 物体分选***的图像处理方法、装置及物体分选*** | |
CN117132655A (zh) | 基于机器视觉的灌装桶口位置测量方法 | |
CN117214178A (zh) | 一种用于包装生产线上包装件外观缺陷智能识别方法 | |
CN115239595A (zh) | 一种包装印刷品二维码合格性检测方法 | |
CN112651936B (zh) | 基于图像局部熵的钢板表面缺陷图像分割方法及*** | |
CN112288372B (zh) | 一种可同时识别一维条码和三段码字符的快递单识别方法 |
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 |