CN112598632A - 一种压接连接器接触件外观检测方法及装置 - Google Patents
一种压接连接器接触件外观检测方法及装置 Download PDFInfo
- Publication number
- CN112598632A CN112598632A CN202011492715.5A CN202011492715A CN112598632A CN 112598632 A CN112598632 A CN 112598632A CN 202011492715 A CN202011492715 A CN 202011492715A CN 112598632 A CN112598632 A CN 112598632A
- Authority
- CN
- China
- Prior art keywords
- image
- contact
- module
- feature map
- target 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 15
- 238000007373 indentation Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012797 qualification Methods 0.000 abstract description 8
- 241000282414 Homo sapiens Species 0.000 abstract description 7
- 238000002788 crimping Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种压接连接器接触件外观检测方法及装置,其中,所述方法包括:对输入的接触件图像进行预处理,得到目标图像;识别所述目标图像中的待检测区域;筛选所述待检测区域中的特征图;将所述特征图与对应模板阈值进行比对,以确定所述特征图是否合格。本发明公开的压接连接器接触件外观检测方法,能够提升接触件合格判定的效率,同时还可节省大量的人力资源。
Description
技术领域
本发明属于计算机视觉检测技术领域,尤其涉及一种压接连接器接触件外观检测方法及装置。
背景技术
目前压接型连接器的装联占到了电缆网产品中的主导地位。
通常来说,一个型号所需要的压接端子数量是巨大的。但目前,压接型连接器压接接触件的合格判定基本全部依靠人工目视检验,过程中难免有疏漏及失误;另外,人工检验需要休息时间,从检验的质量和所需要的时间上都降低了电缆网产品生产的效率。常用压接型电连接器所使用的接触件需要与导线之间进行压接处理后装入连接器。接触件的压接质量将直接决定压接连接器对接后的性能,不合格的压接件装入电连接器之后,在后续的对接使用等过程中,会导致电性能不合格、产生多余物等风险,对相关设备会形成严重威胁。
发明内容
本发明要解决的技术问题为:传统的压接连接器接触件外观检测方式效率低、且占用大量人力资源。
为了解决上述技术问题,本发明公开了一种压接连接器接触件外观检测方法,其中,所述方法包括:
对输入的接触件图像进行预处理,得到目标图像;
识别所述目标图像中的待检测区域;
筛选所述待检测区域中的特征图;
将所述特征图与对应模板阈值进行比对,以确定所述特征图是否合格。
可选地,所述对输入的接触件图像进行预处理,得到目标图像的步骤,包括:
对输入的接触件图像进行均值滤波处理,得到第一图像;
对所述第一图像进行灰度处理,得到目标图像。
可选地,识别所述目标图像中的待检测区域的步骤,包括:
将所述目标图像按照预设比例分割成网格图像;
以网格为预测单位,分别预测各所述预测单位中的多个边界框;
对于每个所述边界框,计算所包含物体边界框的置信度,并计算所包含的目标属于预设类别的可能性。
可选地,将所述特征图与对应模板阈值进行比对,以确定所述特征图是否合格的步骤,包括:
在所述特征图为观察孔内特征图的情况下,采用图像直方图表征所述特征图的像素分布;
确定所述图像直方图与对应模板阈值的匹配度;
在所述匹配度高于预设匹配度的情况下,确定所述观察孔内存在线芯;
依据所述接触件图像的分辨率放大倍数、预设的接触件参照尺寸,确定每度量比的像素值;
依据所述每度量比的像素值,确定压痕位置及线芯长度值;
依据所述压痕位置和所述线芯长度值,判定所述特征图是否合格。
为了解决上述技术问题,本发明还公开了一种压接连接器接触件外观检测装置,包括:
预处理模块,用于对输入的接触件图像进行预处理,得到目标图像;
识别模块,用于识别所述目标图像中的待检测区域;
筛选模块,用于筛选所述待检测区域中的特征图;
比对模块,用于将所述特征图与对应模板阈值进行比对,以确定所述特征图是否合格。
可选地,所述预处理模块包括:
第一子模块,用于对输入的接触件图像进行均值滤波处理,得到第一图像;
第二子模块,用于对所述第一图像进行灰度处理,得到目标图像。
可选地,所述识别模块包括:
第三子模块,用于将所述目标图像按照预设比例分割成网格图像;
第四子模块,用于以网格为预测单位,分别预测各所述预测单位中的多个边界框;
第五子模块,用于对于每个所述边界框,计算所包含物体边界框的置信度,并计算所包含的目标属于预设类别的可能性。
可选地,比对模块包括:
第六子模块,用于在所述特征图为观察孔内特征图的情况下,采用图像直方图表征所述特征图的像素分布;
第七子模块,用于确定所述图像直方图与对应模板阈值的匹配度;
第八子模块,用于在所述匹配度高于预设匹配度的情况下,确定所述观察孔内存在线芯;
第九子模块,用于依据所述接触件图像的分辨率放大倍数、预设的接触件参照尺寸,确定每度量比的像素值;
第十子模块,用于依据所述每度量比的像素值,确定压痕位置及线芯长度值;
第十一子模块,用于依据所述压痕位置和所述线芯长度值,判定所述特征图是否合格。
本发明具有以下优点:
本发明实施例公开了一种压接连接器接触件外观检测方法及装置,对输入的接触件图像进行预处理,得到目标图像;识别目标图像中的待检测区域;筛选待检测区域中的特征图;将特征图与对应模板阈值进行比对,以确定特征图是否合格,该方案可以对电连接器压接接触件的合格性进行非接触式判断,通过计算机视觉的方法能够提升接触件合格判定的效率,同时还可节省大量的人力资源。
附图说明
图1为本发明实施例的一种压接连接器接触件外观检测方法的步骤流程图;
图2压接连接器接触件外观示意图;
图3为均值滤波原理示意图;
图4通过卷积神经网络对压接接触件特征训练过程示意图;
图5为本发明实施例的一种压接连接器接触件外观检测装置的结构示意图。
具体实施方式
下面根据具体的实施例,结合附图针对本发明进行详细说明。应当理解,此处所述的具体实施例仅用于解释本发明,并不用于限定本发明。
计算机视觉的检测控制技术是智能制造装备环境感知和自主控制这一技术难题的关键。计算机视觉技术目的是替人眼、人脑、人手来进行检测、测量、分析、判断和决策控制的智能测控技术,是人类模仿自身视觉感知能力实现自动化测量和控制的重要手段与其他检测控制技术相比,机器视觉检测控制技术的优势在于非接触式,可以极大的保证产品自身属性不被改变,非常适合航天工业这种对产品质量要求严苛的***。
利用计算机视觉技术在工业生产中进行目标检测已经是非常成熟的应用领域。智能化的辅助甚至是替代人工判断装配件的状态可以很大程度提升加工制造效率,降低人工低效所带来的高成本问题。
工业目标检测来源于计算机视觉技术的目标检测分支方向。目标检测任务是用矩形框圈定图像中目标出现的区域,并识别目标类别,包括定位和分类两部分。目标检测方法是使用滑动窗口方式实现对图像逐区域检测,特征提取主要依靠人工设计。随着深度学习技术的飞速发展,目标检测在深度学习的支持下大大提升了检测的精度以及准确率。
在选用计算机视觉技术来对压接连接器接触件外观进行检测判定时,目前的工业目标检测方法并不能直接适用。直接进行应用将存在如下问题:
问题一:光照条件不确定性
问题二:被测压接件角度不确定性
问题三:压接接触件特征提取
问题四:尺寸度量问题
针对压接型连接器接触件外观的特征,本次设计拟采用如下技术方案实现前述问题的解决。
(1)光照条件不确定性
针对这一问题,由于生产环境的干扰光源较多,在电缆网车间的生产现场无法避免光照亮度不一致问题,会导致图像中包含噪声干扰,所以需要对图像以预先的处理才能保证后续流程。本申请拟采用均值滤波的方法对输入的图像进行预先处理。均值滤波是一种空间域滤波方法,即不通过傅里叶变化等方法的计算直接对图像的像素点进行处理。该方法能够很好的将一些像素数值波动较大的像素点平滑到和周围像素信息相似,达到滤波效果。另外,对输入的图像进行通道数的变换,将包含RGB(红、绿、蓝三个通道的颜色)信息的图像转换为单通道的灰度值图像。通过灰度信息的转换,可以大大降低光源的待处理图像的影响。
(2)被测压接件角度不确定性
由于在拍摄待测压接接触件时,在拍摄角度上会有小范围的变化,虽然这种变化对人眼的判断干扰不大,但是对机器视觉来说,特征已经发生了明显的变化。本申请拟采用深度学习的方式对图像处理区域的定位。传统的模式识别对压接连接器的定位需要在图像上以固定大小的窗口滑动进行检测,当窗口滑动至目标区域时,对特征进行提取比对,便得出检测结果。传统方法的计算量很大,并且对于窗口的尺寸,需要前提假设目标的宽高等特征不变才能实现,这对于接触件的检测来说增加了很多不必要的运算成本并且准确率相对较低。通过对神经网络进行特征训练,可以在待测图片经过预处理后,准确的搜索定位至被测区域,减少运算成本。本申请主要针对图2所示的压接连接器接触件,经过神经网络的训练后,输入图像可以提取出图中三个特征的对应区域(其中0<a<1mm)。
(3)压接接触件特征提取
与(2)神经网络输出结果相结合,对本申请中需要检测已经筛选后的特征区域进行分别检测判断;其中,压痕位置及图2中a的大小属于同一种检测问题,将在本(4)中进行详细叙述。对于观察孔中的线芯是否可见问题,本申请将对特征筛选后的图像片段进一步分割,后根据观察孔内的空间直方图特征,与预先设置好的模板进行匹配,当相似度超过预设匹配度后,便可判定为合格。所以,本申请针对性选取压接接触件的边缘特征提取算法,将图像准确分割后输入直方图比对计算模块。
(4)尺寸度量问题
对于压接接触件的压痕位置以及线芯长度合格的判定问题,需要以硬件拍摄平台为基础,对相机的标定、分辨率进行试验。经过硬件参数的确认,可以将图片中的尺寸与现实尺寸以固定比例进行转换,这种方式也是目前二维图片尺寸度量的主要方式,在定位换算精确地情况下,可以将误差控制在0.1mm内。
图1为本发明实施例提供的一种压接连接器接触件外观检测方法的步骤流程图。
本发明实施例提供的压接连接器接触件外观检测方法包括以下步骤:
步骤101:对输入的接触件图像进行预处理,得到目标图像。
在一种可选地实施例中,对输入的接触件图像进行预处理,得到目标图像的方式为:首先,对输入的接触件图像进行均值滤波处理,得到第一图像;其次,对第一图像进行灰度处理,得到目标图像。接触件图像即待检测的压接连接器接触件图像。
在实际实现过程中,可将接触件图像即待测图像以矩阵存储的方式读入处理主机,以便后续模块可以遍历到图像中的每一个像素点。之后利用均值滤波方法对待测图像进行平滑处理。均值滤波可以将输入待检测图像中的高频噪声,将一些不必要的噪点滤除。本申请实施例中,基本实现原理即以固定大小的“窗口”在待测图像上“滑动”,以窗口内像素的均值来替代原有中心像素的值。经过对样本图像的分析,本申请实施例中,选用5x5大小窗口进行遍历操作,如图3中的均值滤波原理示意图所示,可以最大限度保留压接接触件边缘特征。
得到均值滤波后的图像,对其进行灰度化处理。灰度图像即图像的通道数变为1,并且每个像素点的动态值范围处在0~255取值范围内。该转换可简化图片中的纹理信息,由于在对压接连接器接触件外观进行检测时,所要提取的接触件特征与纹理信息无关,所以进行简化后可以减小后期的运算成本。
步骤102:识别目标图像中的待检测区域。
在一种可选地识别目标图像中的待检测区域的方式如下:
首先,将目标图像按照预设比例分割成网格图像;其次,以网格为预测单位,分别预测各预测单位中的多个边界框;最后,对于每个边界框,计算所包含物体边界框的置信度,并计算所包含的目标属于预设类别的可能性。
在实际实现过程中,在对图像预处理之后,需要将图像定位在接触件需要检测的区域,本申请实施例中引用深度学***均分解成一张有13x13网格的图片。这169个单元会根据原图的大小而改变。例如,对于一张416x416像素的图片,每个图片单元的大小是32x32像素。处理图片时,会以图片单元为单位,预测单位中的多个边界框。对于每个边界框,这个网络会计算所包含物体的边界框的置信度,同时计算所包含的目标是属于一个特定类别的可能性大小。非最大抑制可以消除低置信度的边界框,以及把同时包围着单个物体的多个高置信度的边界框消除到只剩下一个。
步骤103:筛选待检测区域中的特征图。
将待检测区域进行进一步分割确定特征图。本申请实施例中采用的方法属于区域生长法,因为经前述步骤的定位,压接接触件特征区域即待检测区域边缘保持明显,具体为:压接接触件观察孔内像素特征的均匀性实现图像分割,用8邻域生长方法和阈值终止规则,以接触件特征图内最大面积的观察孔部分作为检测区域。设检测区域的随机种子像素点为X,若X∈T的邻域图像块与多类别相交,则x∈Am。具体表达式如下述公式所示:
其中,x为随机种子像素点,y为待测区域内像素点,Am为所要检测的集合,g为灰度值。
步骤104:将特征图与对应模板阈值进行比对,以确定特征图是否合格。
在一种可选地实施例中,将特征图与对应模板阈值进行比对,以确定特征图是否合格的方式包括如下子步骤:
子步骤一:在特征图为观察孔内特征图的情况下,采用图像直方图表征所述特征图的像素分布;其次,确定所述图像直方图与对应模板阈值的匹配度;
在步骤二:在匹配度高于预设匹配度的情况下,确定观察孔内存在线芯;
子步骤三:依据接触件图像的分辨率放大倍数、预设的接触件参照尺寸,确定每度量比的像素值;
子步骤四:依据每度量比的像素值,确定压痕位置及线芯长度值;
子步骤五:依据压痕位置和线芯长度值,判定特征图是否合格。
在实际实现过程中,对于分割得到的观察孔内特征图,利用图像直方图反映其像素分部统计,并与提前设置的模板阈值进行比对,当相似度达到预设匹配度如80%以上时,即可认为接触件观察孔内有线芯存在。另外,压痕及线芯长度,需要以硬件设备所输入图像的分辨率放大倍数,通过提前测定好的接触件参照为标准,换算每度量比的像素值,可得到压痕位置及线芯长度值,并判定是否符合规范。
本申请实施例提供的压接连接器接触件外观检测方法,本发明实施例公开了一种压接连接器接触件外观检测方法及装置,对输入的接触件图像进行预处理,得到目标图像;识别目标图像中的待检测区域;筛选待检测区域中的特征图;将特征图与对应模板阈值进行比对,以确定特征图是否合格,该方案可以对电连接器压接接触件的合格性进行非接触式判断,通过计算机视觉的方法能够提升接触件合格判定的效率,同时还可节省大量的人力资源。
图5为本发明实施例提供的一种压接连接器接触件外观检测方法的步骤流程图。
本发明实施例提供的压接连接器接触件外观检测装置包括以下模块:
预处理模块501,用于对输入的接触件图像进行预处理,得到目标图像;
识别模块502,用于识别所述目标图像中的待检测区域;
筛选模块503,用于筛选所述待检测区域中的特征图;
比对模块504,用于将所述特征图与对应模板阈值进行比对,以确定所述特征图是否合格。
可选地,所述预处理模块包括:
第一子模块,用于对输入的接触件图像进行均值滤波处理,得到第一图像;
第二子模块,用于对所述第一图像进行灰度处理,得到目标图像。
可选地,所述识别模块包括:
第三子模块,用于将所述目标图像按照预设比例分割成网格图像;
第四子模块,用于以网格为预测单位,分别预测各所述预测单位中的多个边界框;
第五子模块,用于对于每个所述边界框,计算所包含物体边界框的置信度,并计算所包含的目标属于预设类别的可能性。
可选地,所述比对模块包括:
第六子模块,用于在所述特征图为观察孔内特征图的情况下,采用图像直方图表征所述特征图的像素分布;
第七子模块,用于确定所述图像直方图与对应模板阈值的匹配度;
第八子模块,用于在所述匹配度高于预设匹配度的情况下,确定所述观察孔内存在线芯;
第九子模块,用于依据所述接触件图像的分辨率放大倍数、预设的接触件参照尺寸,确定每度量比的像素值;
第十子模块,用于依据所述每度量比的像素值,确定压痕位置及线芯长度值;
第十一子模块,用于依据所述压痕位置和所述线芯长度值,判定所述特征图是否合格。
本发明实施例公开了一种压接连接器接触件外观检测装置,对输入的接触件图像进行预处理,得到目标图像;识别目标图像中的待检测区域;筛选待检测区域中的特征图;将特征图与对应模板阈值进行比对,以确定特征图是否合格,该装置可以对电连接器压接接触件的合格性进行非接触式判断,通过计算机视觉的方法能够提升接触件合格判定的效率,同时还可节省大量的人力资源。
需要说明的是,以上说明仅是本发明的优选实施方式,应当理解,对于本领域技术人员来说,在不脱离本发明技术构思的前提下还可以做出若干改变和改进,这些都包括在本发明的保护范围内。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。
Claims (8)
1.一种压接连接器接触件外观检测方法,其特征在于,包括:
对输入的接触件图像进行预处理,得到目标图像;
识别所述目标图像中的待检测区域;
筛选所述待检测区域中的特征图;
将所述特征图与对应模板阈值进行比对,以确定所述特征图是否合格。
2.根据权利要求1所述的方法,其特征在于,所述对输入的接触件图像进行预处理,得到目标图像的步骤,包括:
对输入的接触件图像进行均值滤波处理,得到第一图像;
对所述第一图像进行灰度处理,得到目标图像。
3.根据权利要求1所述的方法,其特征在于,识别所述目标图像中的待检测区域的步骤,包括:
将所述目标图像按照预设比例分割成网格图像;
以网格为预测单位,分别预测各所述预测单位中的多个边界框;
对于每个所述边界框,计算所包含物体边界框的置信度,并计算所包含的目标属于预设类别的可能性。
4.根据权利要求1所述的方法,其特征在于,将所述特征图与对应模板阈值进行比对,以确定所述特征图是否合格的步骤,包括:
在所述特征图为观察孔内特征图的情况下,采用图像直方图表征所述特征图的像素分布;
确定所述图像直方图与对应模板阈值的匹配度;
在所述匹配度高于预设匹配度的情况下,确定所述观察孔内存在线芯;
依据所述接触件图像的分辨率放大倍数、预设的接触件参照尺寸,确定每度量比的像素值;
依据所述每度量比的像素值,确定压痕位置及线芯长度值;
依据所述压痕位置和所述线芯长度值,判定所述特征图是否合格。
5.一种压接连接器接触件外观检测装置,其特征在于,包括:
预处理模块,用于对输入的接触件图像进行预处理,得到目标图像;
识别模块,用于识别所述目标图像中的待检测区域;
筛选模块,用于筛选所述待检测区域中的特征图;
比对模块,用于将所述特征图与对应模板阈值进行比对,以确定所述特征图是否合格。
6.根据权利要求5所述的装置,其特征在于,所述预处理模块包括:
第一子模块,用于对输入的接触件图像进行均值滤波处理,得到第一图像;
第二子模块,用于对所述第一图像进行灰度处理,得到目标图像。
7.根据权利要求5所述的装置,其特征在于,所述识别模块包括:
第三子模块,用于将所述目标图像按照预设比例分割成网格图像;
第四子模块,用于以网格为预测单位,分别预测各所述预测单位中的多个边界框;
第五子模块,用于对于每个所述边界框,计算所包含物体边界框的置信度,并计算所包含的目标属于预设类别的可能性。
8.根据权利要求5所述的装置,其特征在于,比对模块包括:
第六子模块,用于在所述特征图为观察孔内特征图的情况下,采用图像直方图表征所述特征图的像素分布;
第七子模块,用于确定所述图像直方图与对应模板阈值的匹配度;
第八子模块,用于在所述匹配度高于预设匹配度的情况下,确定所述观察孔内存在线芯;
第九子模块,用于依据所述接触件图像的分辨率放大倍数、预设的接触件参照尺寸,确定每度量比的像素值;
第十子模块,用于依据所述每度量比的像素值,确定压痕位置及线芯长度值;
第十一子模块,用于依据所述压痕位置和所述线芯长度值,判定所述特征图是否合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492715.5A CN112598632A (zh) | 2020-12-16 | 2020-12-16 | 一种压接连接器接触件外观检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492715.5A CN112598632A (zh) | 2020-12-16 | 2020-12-16 | 一种压接连接器接触件外观检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112598632A true CN112598632A (zh) | 2021-04-02 |
Family
ID=75196636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011492715.5A Pending CN112598632A (zh) | 2020-12-16 | 2020-12-16 | 一种压接连接器接触件外观检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598632A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106663A (zh) * | 2013-02-19 | 2013-05-15 | 公安部第三研究所 | 计算机***中基于图像处理实现sim卡缺陷检测的方法 |
US20130195365A1 (en) * | 2012-02-01 | 2013-08-01 | Sharp Laboratories Of America, Inc. | Edge based template matching |
CN104050745A (zh) * | 2013-03-13 | 2014-09-17 | 苏州日宝科技有限责任公司 | 一种基于图像识别的高速硬币清分技术 |
CN106291494A (zh) * | 2016-07-21 | 2017-01-04 | 深圳大学 | 基于微分特征增强的sar欺骗干扰目标标识方法及*** |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN109429473A (zh) * | 2017-08-28 | 2019-03-05 | 株洲中车时代电气股份有限公司 | 电路板中带极性电子元器件的自动检查方法及装置 |
CN109948501A (zh) * | 2019-03-13 | 2019-06-28 | 东华大学 | 一种监控视频中人员和安全帽的检测方法 |
CN109974582A (zh) * | 2019-04-04 | 2019-07-05 | 江南大学 | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 |
CN110321853A (zh) * | 2019-07-05 | 2019-10-11 | 杭州巨骐信息科技股份有限公司 | 基于视频智能检测的分布式电缆防外破*** |
CN110793966A (zh) * | 2019-11-07 | 2020-02-14 | 哈尔滨工业大学 | 航空电连接器接触件缩针自动化检测装置及其检测方法 |
CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
CN111665267A (zh) * | 2020-06-16 | 2020-09-15 | 沈阳兴华航空电器有限责任公司 | 一种坑压式接触件压接质量的可视化检测方法 |
CN111768378A (zh) * | 2020-06-29 | 2020-10-13 | 广东电网有限责任公司 | 一种压接金具带电检测方法及装置 |
CN111783524A (zh) * | 2020-05-19 | 2020-10-16 | 普联国际有限公司 | 一种场景变换检测方法、装置、存储介质及终端设备 |
-
2020
- 2020-12-16 CN CN202011492715.5A patent/CN112598632A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130195365A1 (en) * | 2012-02-01 | 2013-08-01 | Sharp Laboratories Of America, Inc. | Edge based template matching |
CN103106663A (zh) * | 2013-02-19 | 2013-05-15 | 公安部第三研究所 | 计算机***中基于图像处理实现sim卡缺陷检测的方法 |
CN104050745A (zh) * | 2013-03-13 | 2014-09-17 | 苏州日宝科技有限责任公司 | 一种基于图像识别的高速硬币清分技术 |
CN106291494A (zh) * | 2016-07-21 | 2017-01-04 | 深圳大学 | 基于微分特征增强的sar欺骗干扰目标标识方法及*** |
CN106600600A (zh) * | 2016-12-26 | 2017-04-26 | 华南理工大学 | 基于特征匹配的晶圆缺陷检测方法 |
CN109429473A (zh) * | 2017-08-28 | 2019-03-05 | 株洲中车时代电气股份有限公司 | 电路板中带极性电子元器件的自动检查方法及装置 |
CN109948501A (zh) * | 2019-03-13 | 2019-06-28 | 东华大学 | 一种监控视频中人员和安全帽的检测方法 |
CN109974582A (zh) * | 2019-04-04 | 2019-07-05 | 江南大学 | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 |
CN110321853A (zh) * | 2019-07-05 | 2019-10-11 | 杭州巨骐信息科技股份有限公司 | 基于视频智能检测的分布式电缆防外破*** |
CN110793966A (zh) * | 2019-11-07 | 2020-02-14 | 哈尔滨工业大学 | 航空电连接器接触件缩针自动化检测装置及其检测方法 |
CN111242123A (zh) * | 2020-01-07 | 2020-06-05 | 西安交通大学 | 一种基于红外图像的电力设备故障诊断方法 |
CN111783524A (zh) * | 2020-05-19 | 2020-10-16 | 普联国际有限公司 | 一种场景变换检测方法、装置、存储介质及终端设备 |
CN111665267A (zh) * | 2020-06-16 | 2020-09-15 | 沈阳兴华航空电器有限责任公司 | 一种坑压式接触件压接质量的可视化检测方法 |
CN111768378A (zh) * | 2020-06-29 | 2020-10-13 | 广东电网有限责任公司 | 一种压接金具带电检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
STEFANO GHIDONI 等: "Self-learning visual inspection system for cable crimping machines", 《2011 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》, 18 August 2011 (2011-08-18), pages 1 - 4 * |
卢山: "EWIS的端接技术", 《飞机设计》, vol. 40, no. 1, 29 February 2020 (2020-02-29), pages 66 - 69 * |
李天建;: "基于机器人视觉的汽车零配件表面缺陷检测算法研究与实现", 《沈阳大学学报(自然科学版)》, vol. 25, no. 06, 15 December 2013 (2013-12-15), pages 476 - 480 * |
李瑞: "压接质量及导线的X射线数字成像缺陷检测", 《中国优秀硕士学位论文全文数据库基础科学辑》, 15 April 2019 (2019-04-15), pages 005 - 71 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN109671058B (zh) | 一种大分辨率图像的缺陷检测方法及*** | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及*** | |
CN116721107B (zh) | 一种电缆生产质量智能监控*** | |
JP2021515885A (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测***与方法 | |
Huang et al. | Obstacle distance measurement under varying illumination conditions based on monocular vision using a cable inspection robot | |
CN113344852A (zh) | 一种电力场景通用物品的目标检测方法、装置及存储介质 | |
CN115917595A (zh) | 表面缺陷检测*** | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及*** | |
CN111242026A (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及*** | |
CN115620061A (zh) | 一种基于图像识别技术的五金零件缺陷检测方法及*** | |
CN112862744A (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN116543247A (zh) | 基于光度立体表面重建的数据集制作方法及验证*** | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及*** | |
CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 |
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 |