CN113252695B - 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 - Google Patents
一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 Download PDFInfo
- Publication number
- CN113252695B CN113252695B CN202110663171.2A CN202110663171A CN113252695B CN 113252695 B CN113252695 B CN 113252695B CN 202110663171 A CN202110663171 A CN 202110663171A CN 113252695 B CN113252695 B CN 113252695B
- Authority
- CN
- China
- Prior art keywords
- image
- plastic package
- film
- plastic
- package film
- 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
- 239000004033 plastic Substances 0.000 title claims abstract description 177
- 239000012785 packaging film Substances 0.000 title claims abstract description 63
- 229920006280 packaging film Polymers 0.000 title claims abstract description 63
- 230000007547 defect Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 48
- 239000000463 material Substances 0.000 claims abstract description 32
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 239000010408 film Substances 0.000 claims description 113
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 230000002950 deficient Effects 0.000 claims description 15
- 239000002985 plastic film Substances 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 229920006255 plastic film Polymers 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000007306 turnover Effects 0.000 claims description 9
- 239000010409 thin film Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000007621 cluster analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002990 reinforced plastic Substances 0.000 description 2
- 239000002313 adhesive film Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
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
- G01N21/8851—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
- 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
- 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
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (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图像处理的塑封薄膜缺陷检测方法及检测装置,其检测方法包括以下步骤,将包裹塑封薄膜的物料输送至摄像头图像采集区域;进行实时图像采集;塑封薄膜区域定位,塑封薄膜的截取;图像增强;同时通过两种方法对塑封薄膜进行特征提取和结果分析,根据两种方法的分析结果进行判断该塑封薄膜是否存在破损,若两种方法中至少有一种分析结果表明塑封薄膜存在破损则判断该塑封薄膜存在破损,否则判断该塑封薄膜不存在破损,本发明结合两种方法判断塑封薄膜是否存在破损,可以有效的减少塑封薄膜缺陷的漏检率,对发现的缺陷进行报警,避免由于塑封膜缺陷漏检引起产品质量下降。
Description
技术领域
本发明涉及一种基于图像处理的塑封薄膜缺陷检测方法及检测装置。
背景技术
塑封薄膜又称塑封膜,护卡膜,过胶膜。用来将物体进行塑封的材料,一般含塑胶成分。塑封膜可以有效的保护物体,防止污渍、灰尘附着在物体表面。
基于人眼的塑封薄膜缺陷检测和基于机器视觉的塑封薄膜缺陷检测对有缺陷的塑封薄膜,单一的的特征提取和检测分析方法对塑封薄膜缺陷检出是有一定概率的,容易出现漏检,塑封膜缺陷漏检引起产品质量下降,且当图像中有过多的噪声时,提取的边缘信息会有很多大误差,噪声的边缘检测出来会误当成塑封薄膜的边缘。
发明内容
本发明的目的在于提供一种基于图像处理的塑封薄膜缺陷检测方法及检测装置,以解决现有技术中基于人眼的塑封薄膜缺陷检测和基于机器视觉的塑封薄膜缺陷检测对有缺陷的塑封薄膜,单一的特征提取和检测分析方法对塑封薄膜缺陷检出是有一定概率的,容易出现漏检,塑封膜缺陷漏检引起产品质量下降,且当图像中有过多的噪声时,提取的边缘信息会有很多大误差,噪声的边缘检测出来会误当成塑封薄膜的边缘的问题。
所述的一种基于图像处理的塑封薄膜缺陷检测方法,包括以下步骤,
S1、将包裹塑封薄膜的物料通过塑封薄膜输送装置输送至摄像头图像采集区域;
S2、通过摄像头图像采集模块对物料进行实时图像采集;
S3、塑封薄膜区域定位,使用自适应阈值分割对摄像头采集的图像进行分割,获取塑封薄膜在原图中的位置;
S4、塑封薄膜的截取,将从原图中得到塑封薄膜区域透射到新图片上获取塑封薄膜图,去除背景环境;
S5、图像增强,使用均值滤波对塑封薄膜图进行去除光照处理,并用直方图均衡化增强图像对比度;
S6、同时通过两种方法对增强后的塑封薄膜图进行特征提取和结果分析,结合两种方法的分析结果判断该塑封薄膜是否存在破损,若两种方法中至少有一种分析结果表明塑封薄膜存在破损则判断该塑封薄膜存在破损,否则判断该塑封薄膜不存在破损,第一种方法是采用基于位平面分解对图像边缘特征通过Sobel算子进行Sobel边缘特征提取,然后采用无监督的K-means聚类分析方法进行分析,第二种方法是采用像素直方图特征对图像边缘特征进行提取,并对像素直方图特征通过PCA主成分分析法进行统计,然后采用支持向量机进行分析;
S7、对存在破损塑封薄膜的物料进行剔除。
优选的,所述第一种方法中是将塑封薄膜图像进行位平面分解,将塑封薄膜图像分为8个位平面二值图像,然后选取图像的高4位的4个位平面图像进行重新编码合成新的塑封薄膜图像,舍弃低4位的4份位平面图像,通过Sobel算子提取图像的边缘信息,对增强后的图像使用Sobel算子进行边缘特征提取,然后使用K-means聚类分析方法对来自不同塑封薄膜图片的Sobel边缘特征进行聚类,若不同边缘塑封薄膜图片边缘特征远离聚类中心则该塑封薄膜存在破损,若不同边缘塑封薄膜图片边缘特征靠近聚类中心则该塑封薄膜是良好的。
优选的,所述第二种方法中是对塑封薄膜进行打光,并通过塑封薄膜图像像素直方图特征进行统计,统计出来的信息采用PCA主成分分析方法进行统计,去除像素直方图特征中的无效信息,保留有效的像素直方图给支持向量机进行分析,若其像素直方图特征不一样则该塑封薄膜存在破损,若塑封薄膜图像像素直方图特征是有规律的则该塑封薄膜是良好的。
其中,[u,v,w]是原图的坐标,[a11...a33]是透射变化矩阵,上式将坐标[u,v,w]变成[x',y',w']。
然后通过公式,
所述的一种基于图像处理的塑封薄膜缺陷检测装置,包括塑封薄膜物料输送模块、摄像头图像采集模块、光源补偿模块、翻转机构、塑封薄膜图像处理模块和次品剔除模块;
所述摄像头采集模块用于采集物料的实时图像,所述摄像头采集模块由若干个高速工业面阵相机组成;
所述塑封薄膜物料输送模块用于将包裹塑封薄膜的物料输送至所述高速工业面阵相机的摄像头图像采集区域;
所述光源补偿模块用于所述高速工业面阵相机的光源补偿;
所述翻转机构用于将包裹塑封薄膜的物料翻转,供所述高速工业面阵相机拍摄物料另一侧的塑封膜;
所述塑封图像处理模块包括图像预处理、塑封薄膜定位、塑封薄膜聚类和塑封薄膜缺陷判断、对采集的塑封薄膜图片进行分析、发现有缺陷的塑封薄膜;
所述次品剔除模块用于将有缺陷的塑封薄膜包裹的产品从产线上剔除。
优选的,所述塑封薄膜物料输送模块、所述摄像头图像采集模块、所述光源补偿模块、所述翻转机构、所述塑封薄膜图像处理模块和所述次品剔除模块皆与电源供应模块电性连接。
本发明有下列优点:结合基于位平面分解对图像边缘特征通过Sobel算子进行Sobel边缘特征提取再采用无监督的K-means聚类分析方法进行分析和塑封薄膜图像像素直方图特征统计出来的信息采用PCA主成分分析方法进行统计再给支持向量机进行分析的两种方法判断塑封薄膜是否存在缺陷,其中一种方法中的图像的Sobel算子是基于一阶导数的边缘检测算子,通过Sobel算子可以获取图像的边缘信息,Sobel算子容易受图像噪声,当图像中有过多的噪声时,sobel算子提取的边缘信息会有很多大误差,为了减少图像噪声对sobel算子提取的特征的影响,这里采用舍弃低4位的4份位平面图像,因为高4位的4张位平面图像里的噪声较少,而低4位的4个位平面图像虽然有塑封薄膜的边缘信息,但是也有许多白噪声,因此只选用高4位位平面图像合成塑封薄膜图像合成图像可以降低图像里的噪声对后续sobel的特征提取的影响,避免将噪声的边缘检测出来,误当成塑封薄膜的边缘,去除的低4位4份位平面信息,只保留高4位的4个位平面信息的塑封薄膜图像进行sobel特征提取,提取获得的特征会比对原图进行sobel特征提取的效果更好,结合两种方法对塑封薄膜图进行特征提取和结果分析,本发明可以有效的减少塑封薄膜缺陷的漏检率,对发现的缺陷进行报警,避免由于塑封膜缺陷漏检引起产品质量下降。
附图说明
图1为本发明中检测方法的流程图。
图2为本发明中的塑封薄膜的原图。
图3为本发明中的高位位平面塑封薄膜图。
图4为本发明中的低位位平面塑封薄膜图。
图5为好的塑封薄膜未经位平面分解后Sobel边缘特征图。
图6为好的塑封薄膜经位平面分解后Sobel边缘特征图。
图7为坏的塑封薄膜未经位平面分解后Sobel边缘特征图。
图8为坏的塑封薄膜经位平面分解后Sobel边缘特征图。
图9为好的塑封薄膜图像特征图。
图10为好的塑封薄膜像素值分布图。
图11为坏的塑封薄膜图像特征图。
图12为坏的塑封薄膜像素值分布图。
具体实施方式
下面对照附图,通过对实施例的描述,对本发明具体实施方式作进一步详细的说明,以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1-12所示,本发明提供了一种基于图像处理的塑封薄膜缺陷检测方法,包括以下步骤,
S1、将包裹塑封薄膜的物料通过塑封薄膜输送装置输送至摄像头图像采集区域;
S2、通过摄像头图像采集模块对物料进行实时图像采集;
S3、塑封薄膜区域定位,使用自适应阈值分割对摄像头采集的图像进行分割,获取塑封薄膜在原图中的位置;
S4、塑封薄膜的截取,将从原图中得到塑封薄膜区域透射到新图片上获取塑封薄膜图,去除背景环境;
S5、图像增强,使用均值滤波对塑封薄膜图进行去除光照处理,并用直方图均衡化增强图像对比度;
S6、同时通过两种方法对对增强后的塑封薄膜图进行特征提取和结果分析,结合两种方法的分析结果判断该塑封薄膜是否存在破损,若两种方法中至少有一种分析结果表明塑封薄膜存在破损则判断该塑封薄膜存在破损,否则判断该塑封薄膜不存在破损,第一种方法是采用基于位平面分解对图像边缘特征通过Sobel算子进行Sobel边缘特征提取,然后采用无监督的K-means聚类分析方法进行分析,第二种方法是采用像素直方图特征对图像边缘特征进行提取,并对像素直方图特征通过PCA主成分分析法进行统计,然后采用支持向量机进行分析;
S7、对存在破损塑封薄膜的物料进行剔除。
所述第一种方法中是将塑封薄膜图像进行位平面分解,将塑封薄膜图像分为8个位平面二值图像,然后选取图像的高4位的4个位平面图像进行重新编码合成新的塑封薄膜图像,舍弃低4位的4份位平面图像,通过Sobel算子提取图像的边缘信息,对增强后的图像使用Sobel算子进行边缘特征提取,然后使用K-means聚类分析方法对来自不同塑封薄膜图片的Sobel边缘特征进行聚类,若不同边缘塑封薄膜图片边缘特征远离聚类中心则该塑封薄膜存在破损,若不同边缘塑封薄膜图片边缘特征靠近聚类中心则该塑封薄膜是良好的,其中,图像的Sobel算子是基于一阶导数的边缘检测算子,通过Sobel算子可以获取图像的边缘信息,Sobel算子容易受图像噪声,当图像中有过多的噪声时,sobel算子提取的边缘信息会有很多大误差,为了减少图像噪声对sobel算子提取的特征的影响,这里采用舍弃低4位的4份位平面图像,因为高4位的4张位平面图像里的噪声较少,而低4位的4个位平面图像虽然有塑封薄膜的边缘信息,但是也有许多白噪声,因此只选用高4位位平面图像合成塑封薄膜图像合成图像可以降低图像里的噪声对后续sobel的特征提取的影响,避免将噪声的边缘检测出来,误当成塑封薄膜的边缘,去除的低4位4份位平面信息,只保留高4位的4个位平面信息的塑封薄膜图像进行sobel特征提取,提取获得的特征会比对原图进行sobel特征提取的效果更好,K-means聚类分析方法采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。该算法认为类簇是由距离靠近的对象组成的,因此把得到紧凑且独立的簇作为最终目标,对增强后的图像使用Sobel算子进行边缘特征提取获取到图像特征 ,然后使用K-means聚类分析方法对来自不同塑封薄膜图片的Sobel边缘特征进行聚类,如果哪一张图片的边缘特征远离聚类中心,则认为该塑封薄膜存在破损。
所述第二种方法中是对塑封薄膜进行打光,并通过塑封薄膜图像像素直方图特征进行统计,统计出来的信息采用PCA主成分分析方法进行统计,去除像素直方图特征中的无效信息,保留有效的像素直方图给支持向量机进行分析,若其像素直方图特征不一样则该塑封薄膜存在破损,若塑封薄膜图像像素直方图特征是有规律的则该塑封薄膜是良好的,对塑封薄膜进行打光,良好的无破损的塑封薄膜图像像素直方图特征是有规律的,本方法对像素直方图特征进行PCA提取,PCA是一种特征提取手段,像素值分布特征统计出来的信息并不都是有效信息,如果将所有信息都给支持向量机去学***面不稳定,在进行塑封薄膜分析时,导致塑封薄膜误检。因此为了减少像素直方图特征中的无效信息,采用PCA主成分分析法对像素直方图特征进行统计,去除像素直方图特征中的无效的信息,保留有效的像素直方图特征给支持向量机进行分类。
其中,[u,v,w]是原图的坐标,[a11...a33]是透射变化矩阵,上式将坐标[u,v,w]变成[x',y',w']。
然后通过公式,
所述的一种基于图像处理的塑封薄膜缺陷检测装置,包括塑封薄膜物料输送模块、摄像头图像采集模块、光源补偿模块、翻转机构、塑封薄膜图像处理模块和次品剔除模块;
所述摄像头采集模块用于采集物料的实时图像,所述摄像头采集模块由若干个高速工业面阵相机组成;
所述塑封薄膜物料输送模块用于将包裹塑封薄膜的物料输送至所述高速工业面阵相机的摄像头图像采集区域;
所述光源补偿模块用于所述高速工业面阵相机的光源补偿;
所述翻转机构用于将包裹塑封薄膜的物料翻转,供所述高速工业面阵相机拍摄物料另一侧的塑封膜;
所述塑封图像处理模块包括图像预处理、塑封薄膜定位、塑封薄膜聚类和塑封薄膜缺陷判断、对采集的塑封薄膜图片进行分析、发现有缺陷的塑封薄膜;
所述次品剔除模块用于将有缺陷的塑封薄膜包裹的产品从产线上剔除。
优选的,所述塑封薄膜物料输送模块、所述摄像头图像采集模块、所述光源补偿模块、所述翻转机构、所述塑封薄膜图像处理模块和所述次品剔除模块皆与电源供应模块电性连接。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进,或未经改进将本发明构思和技术方案直接应用于其它场合的,均在本发明保护范围之内。
Claims (7)
1.一种基于图像处理的塑封薄膜缺陷检测方法,其特征在于:包括以下步骤,
S1、将包裹塑封薄膜的物料通过塑封薄膜输送装置输送至摄像头图像采集区域;
S2、通过摄像头图像采集模块对物料进行实时图像采集;
S3、塑封薄膜区域定位,使用自适应阈值分割对摄像头采集的图像进行分割,获取塑封薄膜在原图中的位置;
S4、塑封薄膜的截取,将从原图中得到塑封薄膜区域透射到新图片上获取塑封薄膜图,去除背景环境;
S5、图像增强,使用均值滤波对塑封薄膜图进行去除光照处理,并用直方图均衡化增强图像对比度;
S6、同时通过两种方法对增强后的图像进行特征提取和结果分析,结合两种方法的分析结果判断该塑封薄膜是否存在破损,若两种方法中至少有一种分析结果表明塑封薄膜存在破损则判断该塑封薄膜存在破损,否则判断该塑封薄膜不存在破损,第一种方法是采用基于位平面分解对图像边缘特征通过Sobel算子进行Sobel边缘特征提取,然后采用无监督的K-means聚类分析方法进行分析,第二种方法是采用像素直方图特征对增强后图像的边缘特征进行提取,并对像素直方图特征通过PCA主成分分析法进行统计,然后采用支持向量机进行分析;
S7、对存在破损塑封薄膜的物料进行剔除;
所述第一种方法中是将增强后的图像进行位平面分解,将塑封薄膜图像分为8个位平面二值图像,然后选取图像的高4位的4个位平面图像进行重新编码合成新的塑封薄膜图像,舍弃低4位的4份位平面图像,对重构后的图像使用Sobel算子进行边缘特征提取,然后使用K-means聚类分析方法对来自不同塑封薄膜图片的Sobel边缘特征进行聚类,若不同边缘塑封薄膜图片边缘特征远离聚类中心则该塑封薄膜存在破损,若不同边缘塑封薄膜图片边缘特征靠近聚类中心则该塑封薄膜是良好的。
2.根据权利要求1所述的一种基于图像处理的塑封薄膜缺陷检测方法,其特征在于:所述第二种方法中是对塑封薄膜进行打光,并通过塑封薄膜图像像素直方图特征进行统计,统计出来的信息采用PCA主成分分析方法进行统计,去除像素直方图特征中的无效信息,保留有效的像素直方图给支持向量机进行分析,若其像素直方图特征不一样则该塑封薄膜存在破损,若塑封薄膜图像像素直方图特征是有规律的则该塑封薄膜是良好的。
6.一种基于图像处理的塑封薄膜缺陷检测装置,其特征在于:包括塑封薄膜物料输送模块、摄像头图像采集模块、光源补偿模块、翻转机构、塑封薄膜图像处理模块和次品剔除模块;所述塑封薄膜缺陷检测装置应用如权利要求1-5中任一所述的一种基于图像处理的塑封薄膜缺陷检测方法;
所述摄像头采集模块用于采集物料的实时图像,所述摄像头采集模块由若干个高速工业面阵相机组成;
所述塑封薄膜物料输送模块用于将包裹塑封薄膜的物料输送至所述高速工业面阵相机的摄像头图像采集区域;
所述光源补偿模块用于所述高速工业面阵相机的光源补偿;
所述翻转机构用于将包裹塑封薄膜的物料翻转,供所述高速工业面阵相机拍摄物料另一侧的塑封膜;
所述塑封图像处理模块包括图像预处理、塑封薄膜定位、塑封薄膜聚类和塑封薄膜缺陷判断、对采集的塑封薄膜图片进行分析、发现有缺陷的塑封薄膜;
所述次品剔除模块用于将有缺陷的塑封薄膜包裹的产品从产线上剔除。
7.根据权利 要求6所述的一种基于图像处理的塑封薄膜缺陷检测装置,其特征在于:所述塑封薄膜物料输送模块、所述摄像头图像采集模块、所述光源补偿模块、所述翻转机构、所述塑封薄膜图像处理模块和所述次品剔除模块皆与电源供应模块电性连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663171.2A CN113252695B (zh) | 2021-06-16 | 2021-06-16 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110663171.2A CN113252695B (zh) | 2021-06-16 | 2021-06-16 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113252695A CN113252695A (zh) | 2021-08-13 |
CN113252695B true CN113252695B (zh) | 2021-09-28 |
Family
ID=77188049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110663171.2A Active CN113252695B (zh) | 2021-06-16 | 2021-06-16 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113252695B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744213A (zh) * | 2021-08-23 | 2021-12-03 | 上海明略人工智能(集团)有限公司 | 餐品摆盘整齐度检测方法、***、计算机设备和存储介质 |
CN114742749B (zh) * | 2022-02-27 | 2023-04-18 | 扬州盛强薄膜材料有限公司 | 基于图像处理的pvc薄膜质量检测方法 |
CN115684176B (zh) * | 2022-10-24 | 2024-07-12 | 浙江荣图智能科技有限公司 | 一种薄膜表面缺陷在线视觉检测*** |
CN117152161B (zh) * | 2023-11-01 | 2024-03-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403704A (zh) * | 2007-12-07 | 2009-04-08 | 东华大学 | 氟塑料薄膜在线疵点检测***和方法 |
CN102192908A (zh) * | 2010-03-15 | 2011-09-21 | 株式会社日立高新技术 | 多晶硅薄膜检查方法及其装置 |
CN102680478A (zh) * | 2012-04-25 | 2012-09-19 | 华南农业大学 | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 |
CN104142349A (zh) * | 2014-07-28 | 2014-11-12 | 云南省机械研究设计院 | 一种检测外包装透明薄膜热封缺陷的方法 |
CN104751147A (zh) * | 2015-04-16 | 2015-07-01 | 成都汇智远景科技有限公司 | 一种图像识别方法 |
CN104792794A (zh) * | 2015-04-28 | 2015-07-22 | 武汉工程大学 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN109101976A (zh) * | 2018-07-10 | 2018-12-28 | 温州大学 | 一种灭弧栅片表面缺陷的检测方法 |
CN111307820A (zh) * | 2020-03-24 | 2020-06-19 | 江苏马格仕机械有限公司 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN111709905A (zh) * | 2020-03-27 | 2020-09-25 | 南京智慧基础设施技术研究院有限公司 | 一种基于图像检测裂缝的分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3496559B2 (ja) * | 1999-01-06 | 2004-02-16 | 日本電気株式会社 | 画像特徴量生成装置、並びに画像特徴量生成方法 |
CN103761524B (zh) * | 2014-01-17 | 2016-11-16 | 电子科技大学 | 一种基于图像的线性目标识别与提取方法 |
-
2021
- 2021-06-16 CN CN202110663171.2A patent/CN113252695B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403704A (zh) * | 2007-12-07 | 2009-04-08 | 东华大学 | 氟塑料薄膜在线疵点检测***和方法 |
CN102192908A (zh) * | 2010-03-15 | 2011-09-21 | 株式会社日立高新技术 | 多晶硅薄膜检查方法及其装置 |
CN102680478A (zh) * | 2012-04-25 | 2012-09-19 | 华南农业大学 | 一种基于机器视觉的机械零部件表面缺陷检测方法及装置 |
CN104142349A (zh) * | 2014-07-28 | 2014-11-12 | 云南省机械研究设计院 | 一种检测外包装透明薄膜热封缺陷的方法 |
CN104751147A (zh) * | 2015-04-16 | 2015-07-01 | 成都汇智远景科技有限公司 | 一种图像识别方法 |
CN104792794A (zh) * | 2015-04-28 | 2015-07-22 | 武汉工程大学 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN109101976A (zh) * | 2018-07-10 | 2018-12-28 | 温州大学 | 一种灭弧栅片表面缺陷的检测方法 |
CN111307820A (zh) * | 2020-03-24 | 2020-06-19 | 江苏马格仕机械有限公司 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
CN111709905A (zh) * | 2020-03-27 | 2020-09-25 | 南京智慧基础设施技术研究院有限公司 | 一种基于图像检测裂缝的分析方法 |
Non-Patent Citations (2)
Title |
---|
K-Means聚类算法研究综述;杨俊闯、赵超;《计算机工程与应用》;20191231;第55卷(第23期);第7-14、63页 * |
自动光学(视觉)检测技术及其在缺陷检测中的应用综述;卢荣胜等;《光学学报》;20180831;第38卷(第8期);第0815002-1至0815002-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113252695A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113252695B (zh) | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
WO2022088620A1 (zh) | 相机镜头的状态检测方法、装置、设备及存储介质 | |
CN111738342B (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
US20070110309A1 (en) | Shadow detection in images | |
CN115063421B (zh) | 极片区域检测方法及***及装置及介质及缺陷检测方法 | |
CN111179302B (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及*** | |
CN110032946B (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
CN108710837A (zh) | 吸烟行为识别方法、装置、计算机设备和存储介质 | |
CN110599516A (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、***及电子设备 | |
CN114820626B (zh) | 一种汽车前脸零件配置智能检测方法 | |
Vargas et al. | A shadow removal algorithm for vehicle detection based on reflectance ratio and edge density | |
CN112802015A (zh) | 基于模板匹配的工业颗粒连片制品图像切割方法、装置 | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
CN111882575A (zh) | 一种视频图像去噪和前景分割方法和装置 | |
CN109102500A (zh) | 一种芯片封装缺陷的自动识别*** | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN110929788A (zh) | 食材识别方法、装置、存储介质及电子设备 | |
CN115672778A (zh) | 一种智能视觉识别*** | |
Roy et al. | Dehazing technique for natural scene image based on color analysis and restoration with road edge detection |
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: 20231129 Address after: 9/F, Henan Enterprise Alliance Building, No. 238, Mingli Road, Longzihu, Zhengdong New District, Zhengzhou City, Henan Province, 450000 Patentee after: Henan Qidi Ruishi Intelligent Technology Co.,Ltd. Address before: 201210 unit 02, 6 / F, building 5, No. 666 shengxia road and No. 122 Yindong Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Patentee before: Shanghai Qidi Ruishi Intelligent Technology Co.,Ltd. |