CN113516619A - 一种基于图像处理技术的产品表面瑕疵识别方法 - Google Patents

一种基于图像处理技术的产品表面瑕疵识别方法 Download PDF

Info

Publication number
CN113516619A
CN113516619A CN202110386182.0A CN202110386182A CN113516619A CN 113516619 A CN113516619 A CN 113516619A CN 202110386182 A CN202110386182 A CN 202110386182A CN 113516619 A CN113516619 A CN 113516619A
Authority
CN
China
Prior art keywords
product
image
flaw
point
calculating
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
Application number
CN202110386182.0A
Other languages
English (en)
Other versions
CN113516619B (zh
Inventor
张全友
冯永
寇琼洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Xuchang University
Original Assignee
Chongqing University
Xuchang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University, Xuchang University filed Critical Chongqing University
Priority to CN202110386182.0A priority Critical patent/CN113516619B/zh
Publication of CN113516619A publication Critical patent/CN113516619A/zh
Application granted granted Critical
Publication of CN113516619B publication Critical patent/CN113516619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T7/60—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
    • G06T7/70—Determining position or orientation of objects or cameras
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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 Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像处理技术的产品表面瑕疵识别方法，首先在产品流水线上设置产品检测点，利用高清摄像机对监测点处的产品进行拍摄，获得产品的图像；其次，基于得到的产品图像，对图片进行灰度操作得到灰度图像；再次次针对灰度图像利用瑕疵点识别算法计算并输出瑕疵点面积和图像上的中心点坐标；最后根据输出值触发激光打标机，对产品进行激光打标签，标识出不合格字样。本发明提出的基于计算机处理的瑕疵识别方法，能够很好的识别出产品表面瑕疵点，而对达到产品质量要求表面光滑的产品不生成误判现象。可以解决工业生产中检验汽车配件是否合格问题，提高工业生产效率，节约成本，并适于推广到工厂流水线产品检测上。

Description

一种基于图像处理技术的产品表面瑕疵识别方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于图像处理技术的产品表面瑕疵识别方法。
背景技术
在汽车配件生产过程中，多采用人肉眼识别汽车配件表面瑕疵。而依靠人工方法检测的误检率高，检测的准确率受工人主观判断和疲劳度影响，为提高检测的准确率，采用机器视觉替代传统人类视觉检测的方法，成为发展趋势。
在实际工作中，产品的瑕疵点属于图像的局部特征，图像局部特征值不随图片的旋转、平移、仿射等变化而变化。目前在局部特征检测方面主要的算法有AKAZE、KAZE、BRISK或SIFT等算法。都是二进制描述符算法，每种算法都有自己的优缺点。AKAZE和KAZE是非线性算法，在处理图片方面花费的时间比较长，不适合在工业流水线上采用。BRISK或SIFT算法是线性算法，处理速度较快，但从多次实验结果的图片上分析来看，容易把非瑕疵的部分作为特征识别出来，造成判断错误的概率增大。
此外，产品表面的纹理是物品表面特有的特征，可以利用纹理研究图像的空间依赖关系，分析物体表面特征。目前，纹理检测算法有Tamura纹理分析法，Gabor小波的纹理特征提取法，LBP纹理统计特征提取等方法。在实验过程中，通过构建GABOR滤波器，对瑕疵产品表面图像进行多次实验进行验证，原始图片左图original经过GABOR滤波器处理后，得到gabor图片，从图片上看，产品纹理相似度极大，无法通过图像的纹理分析识别产品瑕疵。
发明内容
针对上述存在的问题，本发明提供一种基于图像处理技术的产品表面瑕疵识别方法，能够快速识别出产品表面瑕疵点，而对达到产品质量要求表面光滑的产品不生成误判现象。
实现本发明目的的技术解决方案为：
一种基于图像处理技术的产品表面瑕疵识别方法，其特征在于，包括以下步骤：
步骤1：在产品流水线上设置产品检测点，利用高清摄像机对监测点处的产品进行拍摄，获得产品的图像；
步骤2：基于得到的产品图像，对图片进行灰度操作得到灰度图像；
步骤3：针对灰度图像利用瑕疵点识别算法计算并输出瑕疵点面积和图像上的中心点坐标；
步骤4：根据输出值触发激光打标机，对产品进行激光打标签，标识出不合格字样。
进一步地，步骤3所述的瑕疵点识别算法的具体操作步骤包括：
步骤31：对输入的灰度图像进行归一量化处理；
步骤32：设置高斯滤波器尺度大小，利用高斯滤波器进行高斯卷积操作，对归一量化处理后的图像进行降噪处理；
步骤33：对降噪后的不同尺度图像做二值化操作，像素大于设置的获取图像像素角点的阈值minThreshold时，获取图像像素角点，过滤掉图像中非瑕疵点的像素值；
步骤34：对得到的多个处理后的二值化图片，利用OpenCV的库函数findContours()计算得到多个连通域，并计算每一个连通域的中心坐标和半径；
步骤35：根据步骤34得到的中心坐标和半径，若像素叠加或连接，则全部放在一起构成一个大的连通域，最终在像素级别上划分出多个连通区域；
步骤36：判断两个连通区域边缘点之间的距离，判断是否这两个连通区域归为一个group，若是，则作为一个块，否则视为分离的连通区域；
步骤37：计算所述每个块大小，对于值大于设置的阈值时，则将该块特征视为产品瑕疵点。
进一步地，所述高斯滤波器尺度值设置为5。
本方法与现有技术相比，具有以下有益效果：
本发明提出的基于图像处理技术的产品表面瑕疵识别方法，通过本发明中提出的瑕疵点识别算法，能够很好地识别出瑕疵点个数，达到准确无误，解决工业生产中检验汽车配件是否合格问题，避免人工检测花费时间长，检错误率高，从而提高工业生产效率，节约成本，并适于推广到工厂流水线产品检测上。
附图说明
图1为本发明中瑕疵点识别算法处理流程示意图；
图2为本发明中产品表面纹理处理效果；
图3为本发明中特征值检测算法实验结果比较图；
图4(a)-(b)为本发明实施例中样品1处理后的效果图；
图5(a)-(b)为本发明实施例中样品2处理后的效果图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
本发明提出的一种基于图像处理技术的产品表面瑕疵识别方法，其操作步骤包括：
一种基于图像处理技术的产品表面瑕疵识别方法，包括以下步骤：
步骤1：在产品流水线上设置产品检测点，根据流水线速度，设定相机采集样本间隔时间并利用高清摄像机对监测点处的产品进行拍摄，获得产品的图像；
步骤2：基于得到的产品图像，将其存入计算机中，并对图片进行灰度操作得到灰度图像；
步骤3：针对灰度图像利用瑕疵点识别算法计算并输出瑕疵点面积和图像上的中心点坐标；
步骤4：根据输出值触发激光打标机，对产品进行激光打标签，标识出不合格字样。
优选地，参考附图1可以看出，所述瑕疵点识别算法的操作步骤包括：
步骤31：对输入的灰度图像进行归一量化处理，处理后的灰度图像特征具有对平移、旋转、缩放等仿射变换具有不变特性；
步骤32：设置高斯滤波器尺度大小，利用高斯滤波器进行高斯卷积操作，对归一量化处理后的图像进行降噪处理；
步骤33：对降噪后的不同尺度图像做多次二值化操作，当像素大于所设置的图像像素角点(特征值)的阈值minThreshold时，获取图像像素角点(特征值)；
优选地，minThreshold的值设置为0.0001；
步骤34：对处理后的二值化图片，使用findContours函数方法生成多个连通域，并计算每一个连通域的中心；
所述的findContours函数是用于识别目标的轮廓的函数方法，其是OpenCV的库函数，通过设置该库函数的参数，得到多个连通域；该findContours函数的原型为findContours(image,contours,hierarchy,mode,method,offset＝Point())，本申请中各参数的输入为：
image：输入的是处理过的二值化图像；
contours：是Point点构成的点的集合的向量，每一组Point点集就是一个轮廓，有多少轮廓，向量contours就有多少元素；
hierarchy：向量的元素和轮廓向量contours内的元素是一一对应的，默认值-1；
mode：为轮廓的检索模式，其可选值为：CV_RETR_EXTERNAL、CV_RETR_LIST、CV_RETR_CCOMP、CV_RETR_TREE，本申请中该参数设置为CV_RETR_EXTERNAL；
method：用于定义轮廓的近似方法，其可选取值为：CV_CHAIN_APPROX_NONE、CV_CHAIN_APPROX_SIMPLE、CV_CHAIN_APPROX_TC89_L1、CV_CHAIN_APPROX_TC89_KCOS，本申请中该参数设置为CV_CHAIN_APPROX_NONE；
point：所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值；
步骤35：步骤34中经过多次二值化操作后得到的二值化图像中，有值的则认为像素连通，可以构成一个像素连通区域，每个区域都有一个中心坐标和半径，根据该中心坐标和半径，若像素叠加或连接则全部放在一起构成一个大的连通区域，最终在像素级别上划分出多个连通区域；
经步骤35处理后，瑕疵点在像素级别上由多个连通像素构成；
步骤36：在图像坐标上，判断两个连通区域边缘点之间的距离，如果最近距离小于minDist(指识别出的瑕疵点轮廓上的最近距离)，则认为其连续，由此判断这两个连通区域是否归为一个group，若是，则作为一个块，否则视为分离的连通区域；
步骤37：计算所述每个块大小，对于值大于设置的阈值threshold时，则将该块特征视为产品瑕疵点，在本申请中阈值threshold的值为1280。
实施例
1、实验环境
操作***：WIN 10；开发平台：Python3.8+Opencv+Jupyternotebook；
CPU：四核Core(TM)_i7、GeForce RTX2060SUPER。
2、性能分析与对比效果
参照技术方案中的步骤1-4进行实验，通过结果比较该发明算法和局部特征识别算法、纹理提取算法。在提取瑕疵点特征方面，局部特征识别算法提取特征值过多，如表1所示，会把一些非产品瑕疵点也作为特征提取出。再结合参考附图3，图上的彩色小圈或者点就是识别出来的特征值，从图上可以看出，从当前一些主流的局部特征值提取算法的实验结果看，其提取瑕疵点特征方面，局部特征识别算法提取特征值过多，无法正确识别瑕疵点。由于产品上的瑕疵点纹理与背景纹理极相似，纹理算法提取瑕疵点特征十分困难，无法识别出产品瑕疵点，如图2所示。
表1：该发明算法与特征值算法提取特征点比较
Figure BDA0003013980220000071
表1中的样本1是一张分辨率665×1037，24位真彩色，大小92.9K的摄像机采集图片，如附图4(a)所示。经过处理后，得到附图4(b)的效果，通过计算机程序标注，图片中红色圆圈为产品的瑕疵点。
样本2是一张分辨率4032×3024，24位真彩色，大小1.16M的摄像机采集图片，如附图5(a)所示。经过该发明算法处理后，得到附图5(b)的效果。通过计算机程序标注，图片中红色圆圈为产品的瑕疵点。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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 (3)

1.一种基于图像处理技术的产品表面瑕疵识别方法，其特征在于，包括以下步骤：
步骤1：在产品流水线上设置产品检测点，利用高清摄像机对监测点处的产品进行拍摄，获得产品的图像；
步骤2：基于得到的产品图像，对图片进行灰度操作得到灰度图像；
步骤3：针对灰度图像利用瑕疵点识别算法计算并输出瑕疵点面积和图像上的中心点坐标；
步骤4：根据输出值触发激光打标机，对产品进行激光打标签，标识出不合格字样。
2.根据权利要求1所述的一种基于图像处理技术的产品表面瑕疵识别方法，其特征在于，步骤3所述的瑕疵点识别算法的具体操作步骤包括：
步骤31：对输入的灰度图像进行归一量化处理；
步骤32：设置高斯滤波器尺度大小，利用高斯滤波器进行高斯卷积操作，对归一量化处理后的图像进行降噪处理；
步骤33：对降噪后的不同尺度图像做二值化操作，像素大于设置的获取图像像素角点的阈值minThreshold时，获取图像像素角点，过滤掉图像中非瑕疵点的像素值；
步骤34：对得到的多个处理后的二值化图片，利用OpenCV的库函数findContours()计算得到多个连通域，并计算每一个连通域的中心坐标和半径；
步骤35：根据步骤34得到的中心坐标和半径，若像素叠加或连接，则全部放在一起构成一个大的连通域，最终在像素级别上划分出多个连通区域；
步骤36：判断两个连通区域边缘点之间的距离，判断是否这两个连通区域归为一个group，若是，则作为一个块，否则视为分离的连通区域；
步骤37：计算所述每个块大小，对于值大于设置的阈值时，则将该块特征视为产品瑕疵点。
3.根据权利要求2所述的一种基于图像处理技术的产品表面瑕疵识别方法，其特征在于，所述高斯滤波器尺度值设置为5。
CN202110386182.0A 2021-04-09 2021-04-09 一种基于图像处理技术的产品表面瑕疵识别方法 Active CN113516619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386182.0A CN113516619B (zh) 2021-04-09 2021-04-09 一种基于图像处理技术的产品表面瑕疵识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386182.0A CN113516619B (zh) 2021-04-09 2021-04-09 一种基于图像处理技术的产品表面瑕疵识别方法

Publications (2)

Publication Number Publication Date
CN113516619A true CN113516619A (zh) 2021-10-19
CN113516619B CN113516619B (zh) 2023-03-17

Family

ID=78062565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386182.0A Active CN113516619B (zh) 2021-04-09 2021-04-09 一种基于图像处理技术的产品表面瑕疵识别方法

Country Status (1)

Country Link
CN (1) CN113516619B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486903A (zh) * 2021-12-06 2022-05-13 浙江大学台州研究院 一种灰度自适应的卷材检测***及装置、算法
WO2023102952A1 (zh) * 2021-12-06 2023-06-15 浙江大学台州研究院 一种实时检测的卷材检测装置、***及方法
CN116630325A (zh) * 2023-07-25 2023-08-22 苏州赫芯科技有限公司 基于电路板的uv胶检测方法、设备和存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060067571A1 (en) * 2004-09-29 2006-03-30 Dainippon Screen Mfg. Co., Ltd. Defect detection apparatus and defect detection method
US20100128966A1 (en) * 2008-11-25 2010-05-27 Hideaki Abe Pattern shape evaluation method and pattern shape evaluation apparatus utilizing the same
CN104240252A (zh) * 2014-09-22 2014-12-24 电子科技大学 一种机器视觉棒材高温钢坯表面裂纹检测算法
CN106683099A (zh) * 2016-11-17 2017-05-17 南京邮电大学 一种产品表面缺陷检测方法
CN108154510A (zh) * 2018-01-17 2018-06-12 深圳市亿图视觉自动化技术有限公司 产品表面缺陷检测方法、装置及计算机可读存储介质
CN108596880A (zh) * 2018-04-08 2018-09-28 东南大学 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN108760747A (zh) * 2018-04-28 2018-11-06 浙江大学 一种3d打印模型表面缺陷视觉检测方法
CN109738450A (zh) * 2019-01-09 2019-05-10 合肥联宝信息技术有限公司 笔记本键盘的检测方法和装置
JP2019078640A (ja) * 2017-10-25 2019-05-23 Ｊｆｅスチール株式会社 表面欠陥検出方法及び表面欠陥検出装置
CN109949291A (zh) * 2019-03-19 2019-06-28 苏州润智和智能科技有限公司 一种汽车铸铝件x射线图像的缺陷检测方法
CN110473201A (zh) * 2019-09-10 2019-11-19 江南大学 一种刹车片表面缺陷的自动检测方法及装置
JP2019200775A (ja) * 2018-05-10 2019-11-21 国立大学法人岩手大学 表面欠陥検査装置及び表面欠陥検査方法
CN110503633A (zh) * 2019-07-29 2019-11-26 西安理工大学 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法
CN110672620A (zh) * 2019-10-08 2020-01-10 英特尔产品（成都）有限公司 芯片缺陷检测方法及***
CN111325728A (zh) * 2020-02-19 2020-06-23 南方科技大学 产品缺陷检测方法、装置、设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060067571A1 (en) * 2004-09-29 2006-03-30 Dainippon Screen Mfg. Co., Ltd. Defect detection apparatus and defect detection method
US20100128966A1 (en) * 2008-11-25 2010-05-27 Hideaki Abe Pattern shape evaluation method and pattern shape evaluation apparatus utilizing the same
CN104240252A (zh) * 2014-09-22 2014-12-24 电子科技大学 一种机器视觉棒材高温钢坯表面裂纹检测算法
CN106683099A (zh) * 2016-11-17 2017-05-17 南京邮电大学 一种产品表面缺陷检测方法
JP2019078640A (ja) * 2017-10-25 2019-05-23 Ｊｆｅスチール株式会社 表面欠陥検出方法及び表面欠陥検出装置
CN108154510A (zh) * 2018-01-17 2018-06-12 深圳市亿图视觉自动化技术有限公司 产品表面缺陷检测方法、装置及计算机可读存储介质
CN108596880A (zh) * 2018-04-08 2018-09-28 东南大学 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN108760747A (zh) * 2018-04-28 2018-11-06 浙江大学 一种3d打印模型表面缺陷视觉检测方法
JP2019200775A (ja) * 2018-05-10 2019-11-21 国立大学法人岩手大学 表面欠陥検査装置及び表面欠陥検査方法
CN109738450A (zh) * 2019-01-09 2019-05-10 合肥联宝信息技术有限公司 笔记本键盘的检测方法和装置
CN109949291A (zh) * 2019-03-19 2019-06-28 苏州润智和智能科技有限公司 一种汽车铸铝件x射线图像的缺陷检测方法
CN110503633A (zh) * 2019-07-29 2019-11-26 西安理工大学 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法
CN110473201A (zh) * 2019-09-10 2019-11-19 江南大学 一种刹车片表面缺陷的自动检测方法及装置
CN110672620A (zh) * 2019-10-08 2020-01-10 英特尔产品（成都）有限公司 芯片缺陷检测方法及***
CN111325728A (zh) * 2020-02-19 2020-06-23 南方科技大学 产品缺陷检测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
兰叶深等: "基于视觉显著性的轴承表面缺陷检测算法的研究", 《自动化应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486903A (zh) * 2021-12-06 2022-05-13 浙江大学台州研究院 一种灰度自适应的卷材检测***及装置、算法
WO2023102952A1 (zh) * 2021-12-06 2023-06-15 浙江大学台州研究院 一种实时检测的卷材检测装置、***及方法
CN114486903B (zh) * 2021-12-06 2024-05-14 浙江大学台州研究院 一种灰度自适应的卷材检测***及装置、算法
CN116630325A (zh) * 2023-07-25 2023-08-22 苏州赫芯科技有限公司 基于电路板的uv胶检测方法、设备和存储介质
CN116630325B (zh) * 2023-07-25 2023-10-13 苏州赫芯科技有限公司 基于电路板的uv胶检测方法、设备和存储介质

Also Published As

Publication number Publication date
CN113516619B (zh) 2023-03-17

Similar Documents

Publication Publication Date Title
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN111292305B (zh) 一种改进型yolo-v3的金属加工表面缺陷检测方法
CN108898610B (zh) 一种基于mask-RCNN的物体轮廓提取方法
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN111383209B (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN111582294B (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
Martins et al. Automatic detection of surface defects on rolled steel using computer vision and artificial neural networks
Chen et al. Is overfeat useful for image-based surface defect classification tasks?
Mujeeb et al. Unsupervised surface defect detection using deep autoencoders and data augmentation
CN114972326A (zh) 热收缩管扩管工艺的次品识别方法
CN106709524B (zh) 一种电气工程图中的元件符号检测与识别方法
CN111652085A (zh) 基于2d与3d特征结合的物体识别方法
JP2013167596A (ja) 欠陥検査装置、欠陥検査方法及びプログラム
CN111402238A (zh) 一种通过机器视觉实现的缺陷标识***
Huang et al. Implementation of workpiece recognition and location based on opencv
Ghosh et al. Counterfeit IC detection by image texture analysis
CN110288040B (zh) 一种基于拓扑验证的图像相似评判方法及设备
CN116128873A (zh) 一种基于图像识别的轴承保持器检测方法、设备及介质
Fang et al. Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm
CN114863464A (zh) 一种pid图纸图件信息的二阶识别方法
CN115082449B (zh) 一种电子元器件缺陷检测方法
CN116433978A (zh) 一种高质量瑕疵图像自动生成与自动标注方法及装置
CN115471684A (zh) 注塑工件模板匹配方法、电子设备及存储介质
CN114354631A (zh) 一种基于视觉的阀门毛坯表面缺陷检测方法

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