CN112991305A - 一种喷漆面板表面缺陷的视觉检测方法 - Google Patents
一种喷漆面板表面缺陷的视觉检测方法 Download PDFInfo
- Publication number
- CN112991305A CN112991305A CN202110312469.9A CN202110312469A CN112991305A CN 112991305 A CN112991305 A CN 112991305A CN 202110312469 A CN202110312469 A CN 202110312469A CN 112991305 A CN112991305 A CN 112991305A
- Authority
- CN
- China
- Prior art keywords
- image
- curve
- defect
- value
- formula
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011179 visual inspection Methods 0.000 title claims description 7
- 239000003973 paint Substances 0.000 title description 8
- 238000005507 spraying Methods 0.000 title description 4
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000002146 bilateral effect Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- NTSBMKIZRSBFTA-AIDOXSFESA-N Digoxigenin bisdigitoxoside Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2C[C@@H]3[C@]([C@@H]4[C@H]([C@]5(CC[C@@H]([C@@]5(C)[C@H](O)C4)C=4COC(=O)C=4)O)CC3)(C)CC2)C[C@@H]1O NTSBMKIZRSBFTA-AIDOXSFESA-N 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010147 laser engraving Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000007591 painting process Methods 0.000 description 1
- 230000037303 wrinkles Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了喷漆面板表面缺陷进行视觉检测的方法，包括如下步骤：获取待测键帽所采集的图像作为待测图像，对待测图像进行灰度化处理后，采用改进空间域的基于双边滤波canny算法获取缺陷轮廓；对缺陷、阴影和噪声点的特征进行区分，确定键帽可疑瑕疵的位置坐标，分割出可疑缺陷区域；对可疑缺陷区域提取中心行灰度曲线及其所有极大极小值点，对灰度曲线进行离散化；采用最小二乘法拟合曲线，得到拟合结果；计算拟合曲线的曲率，取最大值作为该样本图像的特征值；选取曲率阈值，判定是否为伪缺陷图像。本发明的优点是：利用改进空间域的双边滤波处理，通过阈值分割和形态学相结合的方法，大大降低了键帽表面检验的误判率和漏检率。
Description
技术领域
本发明涉及柔性自动化生产设备的视觉检测技术领域，具体涉及一种基于形态学图像处理、双边滤波的特征提取和伪缺陷剔除，对于喷漆面板表面缺陷进行视觉检测的方法。
背景技术
键盘是最常用也是最主要的输入设备，通过键盘可以将英文字母、数字、标点符号等输入到计算机中，从而向计算机发出命令、输入数据等。不仅如此，举凡日常生活所接触的消费性电子产品或者工业界使用的大型加工设备，皆需设有按键结构作为输入装置，以操作上述电子产品与加工设备。在生产时，装载在制具上的键盘键帽在进行激光镭雕和表面喷漆过程中，偶尔会出现漆层堆积、皱纹、翘起、太厚，存在凹坑、漆点等问题，这些存在缺陷瑕疵的键帽直接导致所生产的整个键盘为不良品。目前完全采用传统的机器视觉检测误判率和漏检率居高不下，国内针对键帽喷漆后的表面检测，大都采取机器视觉检测和人工目测检测相结合的方法。检测效率低、检测误差大，从而导致装配效率低、产品不良率高的问题。
发明内容
为解决上述问题，本发明提供一种基于形态学图像处理、双边滤波的特征提取和伪缺陷剔除，对于喷漆面板表面缺陷进行视觉检测的方法，以解决现有技术中采用机器视觉检测和人工目测检测相结合带来的误判率和漏检率高的问题。
为实现上述目的，本发明提供如下技术方案：
一种喷漆面板表面缺陷的视觉检测方法，包括如下步骤：
S10、获取待测键帽所采集的图像作为待测图像，对待测图像进行灰度化处理后，采用改进空间域的基于双边滤波canny算法获取缺陷轮廓；
S20、采用阈值分割和形态学相结合的方法，对缺陷、阴影和噪声点的特征进行区分，确定键帽可疑瑕疵的位置坐标，分割出可疑缺陷区域；
S30、对可疑缺陷区域提取中心行灰度曲线；
S40、提取灰度曲线所有极大极小值点，对灰度曲线进行离散化；
S50、采用最小二乘法拟合曲线，根据拟合曲线方程，得到拟合结果；
S60、计算拟合曲线的曲率，取最大值作为该样本图像的特征值；
S70、选取曲率阈值，判定是否为伪缺陷图像。
进一步的技术方案：
在步骤S10中，对待测键帽所采集的16位RGB图像，进行灰度化处理，并提取缺陷轮廓的二值化图像，所述改进空间域的基于双边滤波canny算法公式为：
式(1)中ω(i,j,k,l)为定义域和值域核函数；f(i,j)，f(k,l)分别为定义域和值域像素值，δr为值域差参数，p为滤波窗口参数，满足式(2)
在步骤S10的成像过程中，针对图像出现的噪声点，根据键帽表面缺陷统计的特征，还包括选取合适的结构元素对图像进行膨胀处理的步骤；
输入图像为f(x,y)，结构元素为B(i,j)，则形态学膨胀定义如式(3)
(fΘB)(x，y)＝min{f(x+i，y+i)-B(i，j)|(x+i，y+i)∈Df，(i，j)∈DB} (3)
式(3)中Df为图像大小，DB为结构元素大小。
在步骤S40中，提取灰度曲线所有极大极小值点，得到曲线的各个点为(x1,y1),(x2,y2),…,(xn,yn),x,y分别为各点的像素位置和像素值，记曲线点集C，有
m＝(yi-yi-1)(yi-yi+1) (4)
式(4)中，yi为C集合中第i个点的像素值，当m＞0时，所对应的点(xi,yi)为极值点，将其存入极值点集合M中。
在步骤S50中，曲线极值点集合M中有m个点，记为(ti,yi),j＝1,2,…,m，通过这些数据，寻找一个m次的近似多项式：
式(5)中，ψk(t)＝tk，k＝1,2,…,m，求系数a0,a1,…,am，使误差的差平方和
最小，则P(t)为最小二乘拟合多项式，去驻点方程为
即
利用内积的定义式，式(8)可写成
根据式(9)，可解出ak的值，代入多项式P(t)中，可得到拟合结果。
在步骤S60中，计算拟合曲线的最大曲率，
根据式(10)计算拟合曲线上每一个点的曲率，取最大值作为该样本图像的特征值。
优选地，
对经过膨胀处理的图像按列进行扫描编码，标记连通区域，计算每个标签对应的连通区域面积，保留在阈值范围内的连通块，删掉其余的连通块，得到缺陷掩模图像，将掩模图像与待测键帽所采集的16位RGB图像相乘，成功分割出可疑缺陷区域。
与现有技术相比，本发明的有益效果是：
本发明提供的喷漆面板表面缺陷的视觉检测方法，利用改进空间域的双边滤波处理，通过阈值分割和形态学相结合的方法，可以准确分割出凹坑、漆点等此类缺陷的可疑区域，再通过筛选原则剔除伪缺陷，大大降低了键帽表面检验的误判率和漏检率。
附图说明
图1是本发明实施例中一种喷漆面板表面缺陷的视觉检测方法的流程图。
图2为本发明实施例中存在缺陷的键帽图像。
图3为本发明实施例中键帽缺陷的掩模图像。
图4为本发明实施例中分割出来的缺陷区域图像。
图5为本发明实施例中凹孔缺陷的灰度曲线图。
图6为本发明实施例中伪缺陷的灰度曲线图。
图7为本发明实施例中真伪缺陷特征曲率的差异对比图。
具体实施方式
下面采用具体实施例进一步说明本发明的内容。
键帽上的凹坑、漆点等此类缺陷目标在整个键帽所采集的图像中所占的像元很少，并且信噪比低，背景区域和缺陷区域颜色相近，灰度值区分不明显，因此我们要采取有效的算法，突出缺陷特征，削弱背景特征。基于此，本发明提供了一种喷漆面板表面缺陷的视觉检测方法，包括如下步骤：
S10、获取待测键帽所采集的图像作为待测图像，对待测图像进行灰度化处理后，采用改进空间域的基于双边滤波canny算法获取缺陷轮廓；在该步骤中，对待测键帽所采集的16位RGB图像，首先进行灰度化处理，并提取缺陷轮廓的二值化图像，所述改进空间域的基于双边滤波canny算法公式为：
式(1)中ω(i,j,k,l)为定义域和值域核函数；f(i,j)，f(k,l)分别为定义域和值域像素值，δr为值域差参数，p为滤波窗口参数，满足式(2)
改进后的算法可以通过更改参数来调整滤波窗口的大小，进一步降低噪声影响，保持细节。
S20、采用阈值分割和形态学相结合的方法，对缺陷、阴影和噪声点的特征进行区分，确定键帽可疑瑕疵的位置坐标，分割出可疑缺陷区域；
在步骤S10的成像过程中，由于相机噪声、光照不均或键帽上表面的细小灰尘等因素的影响，图像会出现噪声点。根据键帽表面缺陷统计的特征，选取合适的结构元素对图像进行膨胀处理；
输入图像为f(x,y)，结构元素为B(i,j)，则形态学膨胀定义如式(3)
(fΘB)(x，y)＝min{f(x+i，y+i)-B(i，j)|(x+i，y+i)∈Df，(i，j)∈DB} (3)
式(3)中Df为图像大小，DB为结构元素大小。
对经过膨胀处理的图像按列进行扫描编码，标记连通区域，计算每个标签对应的连通区域面积，保留在阈值范围内的连通块，删掉其余的连通块，得到缺陷掩模图像，如图3所示，将掩模图像与图2(存在缺陷的键帽图像)相乘，成功分割出可疑缺陷区域，如图4所示。
S30、对可疑缺陷区域提取中心行灰度曲线；在此步骤中，对可疑区域提取中心行灰度曲线，选取一凹孔和一伪缺陷为例，提取中心行灰度曲线，图5为凹孔缺陷的灰度曲线，图6为伪缺陷的灰度曲线。
S40、提取灰度曲线所有极大极小值点，对灰度曲线进行离散化；
在步骤S40中，提取灰度曲线所有极大极小值点，得到曲线的各个点为(x1,y1),(x2,y2),…,(xn,yn),x,y分别为各点的像素位置和像素值，记曲线点集C，有
m＝(yi-yi-1)(yi-yi+1) (4)
式(4)中，yi为C集合中第i个点的像素值，当m＞0时，所对应的点(xi,yi)为极值点，将其存入极值点集合M中。
S50、采用最小二乘法拟合曲线，根据拟合曲线方程，得到拟合结果；
在步骤S50中，曲线极值点集合M中有m个点，记为(ti,yi),j＝1,2,…,m，通过这些数据，寻找一个m次的近似多项式：
式(5)中，ψk(t)＝tk，k＝1,2,…,m，求系数a0,a1,…,am，使误差的差平方和
最小，则P(t)为最小二乘拟合多项式，去驻点方程为
即
利用内积的定义式，式(8)可写成
根据式(9)，可解出ak的值，代入多项式P(t)中，可得到拟合结果。
S60、计算拟合曲线的曲率，取最大值作为该样本图像的特征值；
在步骤S60中，计算拟合曲线的最大曲率，
根据式(10)计算拟合曲线上每一个点的曲率，取最大值作为该样本图像的特征值。
S70、选取曲率阈值，判定是否为伪缺陷图像。
步骤S70中，真伪缺陷区域的特征曲率有着较为明显的差别，如图7所示。选取适宜的曲率阈值，将特征值在曲率阈值以下的判定为伪缺陷。
本发明的喷漆面板表面缺陷的视觉检测方法，通过阈值分割和形态学相结合的方法，可以准确分割出比如凹孔和漆点等此类缺陷的可疑区域，再通过筛选原则剔除伪缺陷，大大降低了键帽表面检验的误判率和漏检率。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (7)
1.一种喷漆面板表面缺陷的视觉检测方法，其特征在于：包括如下步骤：
S10、获取待测键帽所采集的图像作为待测图像，对待测图像进行灰度化处理后，采用改进空间域的基于双边滤波canny算法获取缺陷轮廓；
S20、采用阈值分割和形态学相结合的方法，对缺陷、阴影和噪声点的特征进行区分，确定键帽可疑瑕疵的位置坐标，分割出可疑缺陷区域；
S30、对可疑缺陷区域提取中心行灰度曲线；
S40、提取灰度曲线所有极大极小值点，对灰度曲线进行离散化；
S50、采用最小二乘法拟合曲线，根据拟合曲线方程，得到拟合结果；
S60、计算拟合曲线的曲率，取最大值作为该样本图像的特征值；
S70、选取曲率阈值，判定是否为伪缺陷图像。
2.根据权利要求1所述的一种喷漆面板表面缺陷的视觉检测方法，其特征在于：在步骤S10中，对待测键帽所采集的16位RGB图像，进行灰度化处理，并提取缺陷轮廓的二值化图像，所述改进空间域的基于双边滤波canny算法公式为：
式(1)中ω(i,j,k,l)为定义域和值域核函数；f(i,j)，f(k,l)分别为定义域和值域像素值，δr为值域差参数，p为滤波窗口参数，满足式(2)
3.根据权利要求1所述的一种喷漆面板表面缺陷的视觉检测方法，其特征在于：在步骤S10的成像过程中，针对图像出现的噪声点，根据键帽表面缺陷统计的特征，还包括选取合适的结构元素对图像进行膨胀处理的步骤；
输入图像为f(x,y)，结构元素为B(i,j)，则形态学膨胀定义如式(3)
(fΘB)(x，y)＝min{f(x+i，y+i)-B(i，j)|(x+i，y+i)∈Df，(i，j)∈DB} (3)
式(3)中Df为图像大小，DB为结构元素大小。
4.根据权利要求1所述的一种喷漆面板表面缺陷的视觉检测方法，其特征在于：在步骤S40中，提取灰度曲线所有极大极小值点，得到曲线的各个点为(x1,y1),(x2,y2),…,(xn,yn),x,y分别为各点的像素位置和像素值，记曲线点集C，有
m＝(yi-yi-1)(yi-yi+1) (4)
式(4)中，yi为C集合中第i个点的像素值，当m＞0时，所对应的点(xi,yi)为极值点，将其存入极值点集合M中。
5.根据权利要求1所述的一种喷漆面板表面缺陷的视觉检测方法，其特征在于：在步骤S50中，曲线极值点集合M中有m个点，记为(ti,yi),j＝1,2,…,m，通过这些数据，寻找一个m次的近似多项式：
式(5)中，ψk(t)＝tk，k＝1,2,…,m，求系数a0,a1,…,am，使误差的差平方和
最小，则P(t)为最小二乘拟合多项式，去驻点方程为
即
利用内积的定义式，式(8)可写成
根据式(9)，可解出ak的值，代入多项式P(t)中，可得到拟合结果。
6.根据权利要求1所述的一种喷漆面板表面缺陷的视觉检测方法，其特征在于：在步骤S60中，计算拟合曲线的最大曲率，
根据式(10)计算拟合曲线上每一个点的曲率，取最大值作为该样本图像的特征值。
7.根据权利要求3所述的一种喷漆面板表面缺陷的视觉检测方法，其特征在于：对经过膨胀处理的图像按列进行扫描编码，标记连通区域，计算每个标签对应的连通区域面积，保留在阈值范围内的连通块，删掉其余的连通块，得到缺陷掩模图像，将掩模图像与待测键帽所采集的16位RGB图像相乘，成功分割出可疑缺陷区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110312469.9A CN112991305A (zh) | 2021-03-24 | 2021-03-24 | 一种喷漆面板表面缺陷的视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110312469.9A CN112991305A (zh) | 2021-03-24 | 2021-03-24 | 一种喷漆面板表面缺陷的视觉检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112991305A true CN112991305A (zh) | 2021-06-18 |
Family
ID=76333282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110312469.9A Pending CN112991305A (zh) | 2021-03-24 | 2021-03-24 | 一种喷漆面板表面缺陷的视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991305A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
| CN115032202A (zh) * | 2022-08-10 | 2022-09-09 | 山东唐乐生物科技股份有限公司 | 一种甜菊糖苷产品的残留杂质去除方法 |
| CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及*** |
| CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
| CN116008294A (zh) * | 2022-12-13 | 2023-04-25 | 无锡微准科技有限公司 | 一种基于机器视觉的键帽表面颗粒缺陷检测方法 |
| CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
| CN117333490A (zh) * | 2023-12-01 | 2024-01-02 | 南京安盛电子有限公司 | 一种基于视觉识别的灌封变压器检测方法及*** |
| CN118015005A (zh) * | 2024-04-10 | 2024-05-10 | 合肥工业大学 | 一种基于机器视觉的泛碱检测方法及便携式检测装置 |
-
2021
- 2021-03-24 CN CN202110312469.9A patent/CN112991305A/zh active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240888B (zh) * | 2021-12-17 | 2022-09-20 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
| CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** |
| CN115115613B (zh) * | 2022-07-26 | 2023-04-07 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及*** |
| CN115115613A (zh) * | 2022-07-26 | 2022-09-27 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及*** |
| CN115032202B (zh) * | 2022-08-10 | 2022-11-08 | 山东唐乐生物科技股份有限公司 | 一种甜菊糖苷产品的残留杂质去除方法 |
| CN115032202A (zh) * | 2022-08-10 | 2022-09-09 | 山东唐乐生物科技股份有限公司 | 一种甜菊糖苷产品的残留杂质去除方法 |
| CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
| CN116008294A (zh) * | 2022-12-13 | 2023-04-25 | 无锡微准科技有限公司 | 一种基于机器视觉的键帽表面颗粒缺陷检测方法 |
| CN116008294B (zh) * | 2022-12-13 | 2024-03-08 | 无锡微准科技有限公司 | 一种基于机器视觉的键帽表面颗粒缺陷检测方法 |
| CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
| CN117095009B (zh) * | 2023-10-20 | 2024-01-12 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
| CN117333490A (zh) * | 2023-12-01 | 2024-01-02 | 南京安盛电子有限公司 | 一种基于视觉识别的灌封变压器检测方法及*** |
| CN117333490B (zh) * | 2023-12-01 | 2024-01-30 | 南京安盛电子有限公司 | 一种基于视觉识别的灌封变压器检测方法及*** |
| CN118015005A (zh) * | 2024-04-10 | 2024-05-10 | 合肥工业大学 | 一种基于机器视觉的泛碱检测方法及便携式检测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991305A (zh) | 一种喷漆面板表面缺陷的视觉检测方法 | |
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
| CN108345881B (zh) | 一种基于计算机视觉的文档质量检测方法 | |
| EP1400922B1 (en) | Print inspection method | |
| CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN108346141B (zh) | 单边侧入光式导光板缺陷提取方法 | |
| CN115601364A (zh) | 基于图像分析的金手指电路板检测方法 | |
| CN107490582B (zh) | 一种流水线工件检测*** | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| 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 | |
| JP4060558B2 (ja) | 欠陥検査方法及びその装置 | |
| CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
| CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
| JP2018096908A (ja) | 検査装置及び検査方法 | |
| CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
| JP2005172559A (ja) | パネルの線欠陥検出方法及び装置 | |
| CN113781406A (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
| CN115205223A (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
| CN115078365A (zh) | 一种软包装印刷质量缺陷检测方法 | |
| JP2006292593A (ja) | 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 | |
| CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其*** | |
| KR101677070B1 (ko) | 형태학적 영상 처리와 레이블링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
| JP3589424B1 (ja) | 基板検査装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210618 |