CN113484329A - 基于机器视觉的注塑件缺陷检测方法及*** - Google Patents
基于机器视觉的注塑件缺陷检测方法及*** Download PDFInfo
- Publication number
- CN113484329A CN113484329A CN202111045519.8A CN202111045519A CN113484329A CN 113484329 A CN113484329 A CN 113484329A CN 202111045519 A CN202111045519 A CN 202111045519A CN 113484329 A CN113484329 A CN 113484329A
- Authority
- CN
- China
- Prior art keywords
- line
- hole
- center point
- injection molding
- point
- 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
- 238000001746 injection moulding Methods 0.000 title claims abstract description 46
- 230000007547 defect Effects 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003466 welding Methods 0.000 claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012768 molten material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000243 solution Substances 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的注塑件缺陷检测方法及***,该方法包括:获取注塑件图像,并获取注塑件图像中的孔洞边缘和疑似熔接痕的线条;对于每个疑似熔接痕的线条,结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕;其中,所述偏差值越小,线条越指向孔洞中心点。本发明可有效区分熔接痕和划痕,使检测结果中只包括熔接痕,提高了熔接痕的检测精度。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于机器视觉的注塑件缺陷检测方法及***。
背景技术
注塑行业中熔接痕为常见得一种产品缺陷,其不仅对产品的外观会造成影响,也会对产品的强度造成影响,这两种影响会使注塑件的产品价值大打折扣。现有技术中检测熔接痕的办法通常为边缘检测等常规图像处理技术,将注塑件表面的异常线条全部检测出来,其能检测出熔接痕,但也会将一些如注塑件表面划痕等不同于熔接痕的缺陷检测出来。划痕与熔接痕对注塑件质量的影响不同:划痕会影响美观性,但不会影响使用,对于一些不注重外观的注塑件不算缺陷;而熔接痕不仅会影响美观,还会使注塑件在熔接痕处易断裂,影响注塑件强度。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于机器视觉的注塑件缺陷检测方法及***,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于机器视觉的注塑件缺陷检测方法,该方法包括以下具体步骤:
获取注塑件图像,并获取注塑件图像中的孔洞边缘和疑似熔接痕的线条;
对于每个疑似熔接痕的线条,结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕;其中,基于线条的端点计算线条与孔洞间的距离;一个线条指向一个孔洞中心点的偏差值的获取具体为:确定基准点,所述基准点为线条两个端点中与该孔洞距离较小的端点;计算线条上每个点与基准点连线斜率的斜率均值,过基准点,生成斜率为斜率均值的直线,该孔洞中心点到所述直线的距离表征线条指向该孔洞中心点的偏差值;所述偏差值越小,线条越指向孔洞中心点。
进一步地,对于一个线条和一个孔洞,孔洞中心点到线条对应的直线的距离越小,线条指向该孔洞中心点的偏差值越小,说明该线条越可能是由于该孔洞导致产生的熔接痕。
进一步地,对注塑件图像进行边缘检测后再进行霍夫变换,获取孔洞边缘和疑似熔接痕的线条。
第二方面,本发明另一个实施例提供了一种基于机器视觉的注塑件缺陷检测***,该***具体包括:
图像处理模块,用于获取注塑件图像,并获取注塑件图像中的孔洞边缘和疑似熔接痕的线条;
熔接痕判断模块,用于对于每个疑似熔接痕的线条,结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕;其中,基于线条的端点计算线条与孔洞间的距离;一个线条指向一个孔洞中心点的偏差值的获取具体为:确定基准点,所述基准点为线条两个端点中与该孔洞距离较小的端点;计算线条上每个点与基准点连线斜率的斜率均值,过基准点,生成斜率为斜率均值的直线,该孔洞中心点到所述直线的距离表征线条指向该孔洞中心点的偏差值;所述偏差值越小,线条越指向孔洞中心点。
进一步地,对于一个线条和一个孔洞,孔洞中心点到线条对应的直线的距离越小,线条指向该孔洞中心点的偏差值越小,说明该线条越可能是由于该孔洞导致产生的熔接痕。
进一步地,对注塑件图像进行边缘检测后再进行霍夫变换,获取孔洞边缘和疑似熔接痕的线条。
本发明实施例至少具有如下有益效果:对于每个疑似熔接痕的线条,本发明结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕;因此,本发明可有效区分熔接痕和划痕,使检测结果中只包括熔接痕,提高了熔接痕的检测精度,有助于后续注塑件质量的评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明方法实施例的实施流程图。
图2为本发明实施例中注塑件图像的边缘检测结果图。
图3为本发明实施例中对边缘检测结果图进行霍夫变换后的图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于机器视觉的注塑件缺陷检测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
在注塑件生产过程中,由于熔融料温度控制不当,或熔融塑料流在模具腔中由于遇到嵌件或孔洞而以多股形式汇合时不能完全熔合进而产生熔接痕。由于熔接痕为熔融料不完全融合所致,因此,注塑件易在熔接痕处产生应力集中,产生断裂,进而影响注塑件的强度。进而,本发明的目的是利用机器视觉技术对注塑件表面图像进行处理,进行注塑件表面熔接痕的检测。
本发明实施例以下面的应用场景为例对本发明进行说明:
该应用场景为:在注塑件成品质检流水线上设置相机对含孔洞的注塑件表面进行图像采集,对采集到的图像进行处理,检测注塑件表面是否存在熔接痕缺陷。
参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的注塑件缺陷检测方法的实施流程图,该方法包括以下步骤:
步骤S1,获取注塑件图像,并获取注塑件图像中的孔洞边缘和疑似熔接痕的线条。
对某一塑料注塑件的注塑件图像进行边缘检测后再进行霍夫变换,获取孔洞边缘和疑似熔接痕的线条;具体地,将获取的待检测注塑件的RGB图像转换为灰度图后,对其进行边缘检测,如图2所示,得到注塑件图像的边缘检测结果图;优选地,利用canny算子进行边缘检测;对边缘检测结果图进行霍夫变换,如图3所示,得到孔洞边缘和疑似熔接痕的线条。
步骤S2,对于每个疑似熔接痕的线条,结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕;其中,所述偏差值越小,线条越指向孔洞中心点。
根据注塑过程中熔接痕形成的原理,可知熔接痕往往出现在孔洞附近,且熔接痕沿着孔洞中心向外发散。因此需要从熔接痕与孔洞之间特有的分布关系来判断疑似熔接痕的线条是否为熔接痕。
(a)对于每个疑似熔接痕的线条,计算该线条与各个孔洞间的距离。
基于线条的端点计算线条与孔洞间的距离,具体地,每个线条有两个端点,对于线条Lp,计算线条Lp的两个端点分别到孔洞Q1边缘上每个边缘点的距离,选择其中的最小值dp1,再计算线条Lp的两个端点分别到孔洞Q2边缘上每个边缘点的距离,选择其中的最小值dp2,以此类推,获取线条Lp的两个端点与各个孔洞间的最小距离,得到dp1,dp2,……,dpk,共k个最小距离,k表示共有k个孔洞;其中,所述距离为欧式距离。
基于线条Lp的两个端点与各个孔洞间的最小距离,计算线条Lp与各个孔洞间的接近程度,以孔洞Q1为例,说明线条Lp接近孔洞Q1的接近程度dT p1:dT p1=dp/dp1,其中,dp=dp1+dp2+,……,+dpk,最小值dp2越小,说明线条Lp越接近孔洞Q1,相应的接近程度dT p1的值越大;同理,可得到线条Lp分别与k个孔洞间的接近程度dT p1,dT p2,dT p3,……,dT pk;为了后续更好的判断线条是否为熔接痕,此处对k个接近程度进行归一化处理,具体地:Dpi=dTpi/(dT p1+dT p2+dT p3+……+dT pk),Dpi表示线条Lp与第i个孔洞间的接近程度dT pi归一化后的结果,i的取值范围为[1,k]。
(b)基于熔接痕的形成过程可知,熔接痕是从孔洞边缘开始沿着孔洞半径方向向外延伸,最后停止;因此,对于每个疑似熔接痕的线条,计算该线条指向各个孔洞中心点的偏差值。
具体地,一个线条指向一个孔洞中心点的偏差值的获取具体为:
确定基准点,所述基准点为线条两个端点中与该孔洞距离较小的端点;计算线条上每个点与基准点连线斜率的斜率均值,过基准点,生成斜率为斜率均值的直线,生成的直线为该线条对应的直线,该孔洞中心点到所述直线的距离表征线条指向该孔洞中心点的偏差值zp;偏差值越小,说明该线条的延伸方向与某一半径方向越接近。对于线条Lp,按照上述方法可得到线条Lp分别指向k个孔洞中心点的偏差值zp1,zp2,……,zpk。
对于线条Lp,基于k个偏差值计算对于线条Lp分别指向k个孔洞中心点的偏差程度,zT p1=zp/zpi,其中,zp=zp1+zp2+,……,+zpk,zT p1表示线条Lp指向第i个孔洞中心点的偏差程度,偏差值zpi越小,说明线条Lp越指向第i个孔洞中心点,相应的偏差程度zT p1的值越大,i的取值范围为[1,k];同理,对k个偏差程度进行归一化处理,具体地:Zpi=zT pi/(zT p1+zT p2+zT p3+……+zT pk),Zpi表示线条Lp指向第i个孔洞中心点的偏差程度zT p1归一化后的结果。
(c)对于线条Lp,结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕。对于一个线条和一个孔洞,孔洞中心点到线条对应的直线的距离越小,线条指向该孔洞中心点的偏差值越小,说明该线条越可能是由于该孔洞导致产生的熔接痕。
优选地,对于线条Lp,根据线条Lp分别与k个孔洞间的接近程度和线条Lp分别指向k个孔洞中心点的偏差程度判断线条Lp是否为熔接痕;具体地,根据线条Lp与第i个孔洞间的接近程度Dpi和线条Lp指向第i个孔洞中心点的偏差程度Zpi计算线条Lp与第i个孔洞的匹配程度Mpi:
进一步地,对于线条Lp,可得到线条Lp分别与k个孔洞的匹配程度,基于k个匹配程度中的匹配程度最小值和匹配程度最小值计算线条Lp为熔接痕的概率Φp,具体地,Φp=max{Mp1,Mp2,……,Mpk}-min{Mp1,Mp2,……,Mpk},当概率Φp大于预设概率阈值时,线条Lp为熔接痕。
注塑件图像中包括W个线条,则每个线条都对应一个概率Φ,则X=∑W p=1Φp,当X大于等于孔洞个数k时,注塑件不合格,反之,注塑件合格。
基于与上述方法实施例相同的构思,本发明一个实施例提供了一种基于机器视觉的注塑件缺陷检测***,该***包括:
图像处理模块,用于获取注塑件图像,并获取注塑件图像中的孔洞边缘和疑似熔接痕的线条;
熔接痕判断模块,用于对于每个疑似熔接痕的线条,结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕;其中,基于线条的端点计算线条与孔洞间的距离;一个线条指向一个孔洞中心点的偏差值的获取具体为:确定基准点,所述基准点为线条两个端点中与该孔洞距离较小的端点;计算线条上每个点与基准点连线斜率的斜率均值,过基准点,生成斜率为斜率均值的直线,该孔洞中心点到所述直线的距离表征线条指向该孔洞中心点的偏差值;所述偏差值越小,线条越指向孔洞中心点。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于机器视觉的注塑件缺陷检测方法,其特征在于,该方法包括:
获取注塑件图像,并获取注塑件图像中的孔洞边缘和疑似熔接痕的线条;
对于每个疑似熔接痕的线条,结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕;其中,基于线条的端点计算线条与孔洞间的距离;一个线条指向一个孔洞中心点的偏差值的获取具体为:确定基准点,所述基准点为线条两个端点中与该孔洞距离较小的端点;计算线条上每个点与基准点连线斜率的斜率均值,过基准点,生成斜率为斜率均值的直线,该孔洞中心点到所述直线的距离表征线条指向该孔洞中心点的偏差值;所述偏差值越小,线条越指向孔洞中心点。
2.如权利要求1所述的方法,其特征在于,对于一个线条和一个孔洞,孔洞中心点到线条对应的直线的距离越小,线条指向该孔洞中心点的偏差值越小,说明该线条越可能是由于该孔洞导致产生的熔接痕。
3.如权利要求1所述的方法,其特征在于,对注塑件图像进行边缘检测后再进行霍夫变换,获取孔洞边缘和疑似熔接痕的线条。
4.一种基于机器视觉的注塑件缺陷检测***,其特征在于,该***包括:
图像处理模块,用于获取注塑件图像,并获取注塑件图像中的孔洞边缘和疑似熔接痕的线条;
熔接痕判断模块,用于对于每个疑似熔接痕的线条,结合该线条与各个孔洞间的距离和该线条指向各个孔洞中心点的偏差值判断该线条是否为熔接痕;其中,基于线条的端点计算线条与孔洞间的距离;一个线条指向一个孔洞中心点的偏差值的获取具体为:确定基准点,所述基准点为线条两个端点中与该孔洞距离较小的端点;计算线条上每个点与基准点连线斜率的斜率均值,过基准点,生成斜率为斜率均值的直线,该孔洞中心点到所述直线的距离表征线条指向该孔洞中心点的偏差值;所述偏差值越小,线条越指向孔洞中心点。
5.如权利要求4所述的***,其特征在于,对于一个线条和一个孔洞,孔洞中心点到线条对应的直线的距离越小,线条指向该孔洞中心点的偏差值越小,说明该线条越可能是由于该孔洞导致产生的熔接痕。
如权利要求4所述的***,其特征在于,对注塑件图像进行边缘检测后再进行霍夫变换,获取孔洞边缘和疑似熔接痕的线条。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045519.8A CN113484329B (zh) | 2021-09-07 | 2021-09-07 | 基于机器视觉的注塑件缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045519.8A CN113484329B (zh) | 2021-09-07 | 2021-09-07 | 基于机器视觉的注塑件缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113484329A true CN113484329A (zh) | 2021-10-08 |
CN113484329B CN113484329B (zh) | 2021-11-16 |
Family
ID=77947259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111045519.8A Active CN113484329B (zh) | 2021-09-07 | 2021-09-07 | 基于机器视觉的注塑件缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113484329B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936000A (zh) * | 2021-12-16 | 2022-01-14 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
-
2021
- 2021-09-07 CN CN202111045519.8A patent/CN113484329B/zh active Active
Non-Patent Citations (2)
Title |
---|
毛霆: "塑料注射成形产品质量智能检测技术研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
鲁晓梅: "塑件熔接线计算机模拟及实验验证", 《模具工业》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936000A (zh) * | 2021-12-16 | 2022-01-14 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
CN113936000B (zh) * | 2021-12-16 | 2022-03-15 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113484329B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861317B (zh) | 基于机器视觉的塑胶模具生产缺陷检测方法 | |
CN113484329B (zh) | 基于机器视觉的注塑件缺陷检测方法及*** | |
US5537490A (en) | Line image processing method | |
CN115049653A (zh) | 基于计算机视觉的集成电路板质量检测*** | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN114565614B (zh) | 基于机器视觉的注塑件表面缺陷分析方法与*** | |
CN103886597A (zh) | 一种基于边缘检测与拟合曲线聚类的圆检测方法 | |
CN114387233A (zh) | 一种基于机器视觉的砂型缺陷检测方法及*** | |
CN113935999B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN110434090A (zh) | 一种胡萝卜表面瑕疵检测方法 | |
CN106383121B (zh) | 一种可自适应多品牌的视觉检测方法及*** | |
CN113077437B (zh) | 工件质量检测方法及其*** | |
KR101730133B1 (ko) | 사출성형 플라스틱의 검사방법 | |
CN116205922B (zh) | 一种基于钢材内部缺陷数据挖掘的冶炼控制方法及*** | |
CN110954553A (zh) | 一种镜片光学检测*** | |
CN114998341B (zh) | 一种基于模板匹配的齿轮缺陷检测方法及*** | |
CN115797361A (zh) | 一种铝模板表面缺陷检测方法 | |
CN114187267B (zh) | 基于机器视觉的冲压件缺陷检测方法 | |
CN117237354B (zh) | 一种纺织衣物疵点视觉检测方法 | |
CN105300280B (zh) | 连接器尺寸视觉测量方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN109242819B (zh) | 一种基于图像处理的表面擦伤缺陷联通的算法 | |
CN114445483B (zh) | 基于图像金字塔的注塑件质量分析方法 | |
CN114937015A (zh) | 一种锂电池极片制造中智能视觉识别方法和*** | |
CN115578390A (zh) | 一种用于除氧器的焊接控制方法 |
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 |