CN113658092A - 一种基于图像处理的铝电解电容缺陷检测方法 - Google Patents
一种基于图像处理的铝电解电容缺陷检测方法 Download PDFInfo
- Publication number
- CN113658092A CN113658092A CN202110520114.9A CN202110520114A CN113658092A CN 113658092 A CN113658092 A CN 113658092A CN 202110520114 A CN202110520114 A CN 202110520114A CN 113658092 A CN113658092 A CN 113658092A
- Authority
- CN
- China
- Prior art keywords
- image
- electrolytic capacitor
- region
- defects
- aluminum electrolytic
- 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
- 239000003990 capacitor Substances 0.000 title claims abstract description 141
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 120
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 120
- 230000007547 defect Effects 0.000 title claims abstract description 99
- 238000012545 processing Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 41
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 230000002950 deficient Effects 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 230000010287 polarization Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 229910044991 metal oxide Inorganic materials 0.000 description 4
- 150000004706 metal oxides Chemical class 0.000 description 4
- 238000012634 optical imaging Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000004049 embossing Methods 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000126 substance Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明针对电解电容的缺陷检测效率低,检测不全面的问题,公开了一种基于图像处理的铝电解电容缺陷检测方法,包括以下步骤:S1:获取铝电解电容的图像并进行预处理;S2:将预处理后的图像提取感兴趣区域ROG;S3:对提取的感兴趣区域进行图像转换处理后与预设的基准比较判断铝电解电容的缺陷。本发明通过获取铝电解电容的图像并进行预处理,通过提取感兴趣区域并与预设基准比较进行缺陷检测,本方法计算量小,流程简单,检测效率高。
Description
技术领域
本发明涉及图像检测技术领域,更具体地,涉及一种基于图像处理的铝电解电容缺陷检测方法。
背景技术
铝电解电容在机器设备日益精细化的今天,具有着良好的发展前景和巨大的发展空间,铝电解电容由铝筒做负极,铝带做正极,内部装有电解质,其主要由铝壳、电解质液体、套管、胶塞、引脚等部分组成。在生产制造过程中,需要对铝电解电容的外观进行检测,其中关于其铝壳的缺陷检测项目主要包括:顶部铝壳是否鼓包、防爆阀是否漏液,铝壳是否凹伤等。目前,铝电解电容的检测以人工目检为主,在进行大工作量的人工检测工序时,极易出现误检和漏检的情况;
在现有技术中,公开号为CN111008960A中国发明专利,于2020年4月14日公开了一种通过机器视觉的铝电解电容底部外观检测方法,但依据该方法进行的电容底部自动检测大多依赖于对目标图像区域的面积阈值进行计算和比对,此方法对预设面积阈值的精准度要求较高,局限性比较大;并且其并未对所截取的目标区域图像进行更为精细处理,检测过程中计算量较大,检测的缺陷较为单一。
发明内容
本发明为解决上述现有技术中对电解电容的缺陷检测效率低,检测不全面的问题,提供一种基于图像处理的铝电解电容缺陷检测方法。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
一种基于图像处理的铝电解电容缺陷检测方法,包括以下步骤:
S1:获取铝电解电容的图像并进行预处理;
S2:将预处理后的图像提取感兴趣区域ROG;
S3:对提取的感兴趣区域进行图像转换处理后与预设的基准比较判断铝电解电容的缺陷。
进一步的,所述电解电容的缺陷包括:电容铝壳缺陷、电容套管缺陷、电容胶塞缺陷、电容引针缺陷。
进一步的,电容铝壳缺陷检测的具体步骤为:
获取电容的铝壳图像并进行预处理,铝壳图像的预处理依次包括:灰度图处理、均值滤波、HSV颜色空间转换、形态学开运算处理;
在预处理后的在HSV颜色空间内将铝壳颜色及其他颜色进行分离,提取检测区域轮廓,对检测区域轮廓进行像素遍历,提取感兴趣区域轮廓,确定感兴趣区域;
对感兴趣区域进行通道分解,并进行图像像素填充,之后对所述感兴趣区域内图像以及预设基准图像进行直方图计算及归一化处理,计算两者相似度,并将相似度与预设的阈值进行比较判断出电容铝壳缺陷。
进一步的,所述电容铝壳缺陷包括有:铝壳顶部冲凸瑕疵、防爆阀漏液瑕疵、套管包过度瑕疵、光头瑕疵、裸品瑕疵、打折瑕疵、凹伤瑕疵。
进一步的,电容套管缺陷检测的具体步骤为:
将采集的套管图像进行预处理,得到第一提取图像和第二提取图像,所述第一提取图像为铝电解电容本体侧面视图;所述第二提取图像为铝电解电容顶部圆图像,所述预处理依次包括:二值化处理、均值滤波处理、形态学处理;
对第一提取图像进行截图,提取第一图像感兴趣区域,计算所述第一提取图像轮廓内接的最小矩形,并赋值给该最小矩形中心点对齐的像素点;对最小矩形的中心点运用欧氏距离算法,得出该中心点对齐的像素点与矩最小形边缘像素点的欧氏距离,将该欧氏距离与基准图像中心点相对应的欧氏距离进行对比,用于判断被检测电容是否存在套管混尺寸瑕疵;
对提取图像二进行截图,提取第二图像感兴趣区域,对第二图像感兴趣区域的HSV通道图像以及基准图像进行直方图计算及归一化处理,计算两者相似度并与预设的相似度阈值比较,判断出电容套管是否存在顶部光头瑕疵或顶部套管起翘瑕疵。
进一步的,电容胶塞缺陷检测的具体步骤为:
采集电容胶塞图像并进行预处理,所述预处理依次包括:灰度化处理、几何变换、图像增强;
对预处理后的图像的HSV通道图像进行像素遍历,进行多边形轮廓运算,并在HSV颜色空间内对胶塞所对应的特定颜色进行分离,提取包含胶塞轮廓的图像感兴趣区域;
对提取的所述图像感兴趣区域进行遍历和阈值二值化处理,并进行轮廓树查找,根据分离出的特定颜色,查找到胶塞对应的像素区域,对该区域面积进行整合计算,将计算面积与预设的面积阈值进行对比,根据对比结果判断出被检测铝电解电容是否存在胶塞缺陷。
进一步的,所述胶塞缺陷包括有:破损瑕疵、缺少胶塞瑕疵、胶塞鼓起瑕疵。
进一步的,电容引针缺陷检测的具体步骤为:
获取铝电解电容本体的侧面图像进行并预处理,所述预处理依次包括:灰度化、去噪声、边缘提取、图像增强;
对预处理后的图像的HSV通道图像遍历,在HSV颜色空间内对特定颜色进行分离,提取图像感兴趣区域;所述图像感兴趣区域设置为包覆套管及引针轮廓的最小正矩形;
对提取的图像感兴趣区域采用霍夫变换,将所述图像感兴趣区域内各像素坐标转换至霍夫参数空间,确定构成感兴趣区域图像上的像素坐标值,之后进行坐标系变换,将感兴趣区域图像中所有像素坐标值变换成参数空间的曲线,在参数空间内找到通过同一点的最多的曲线,判断图像内是否存在直线,从而判断被检测铝电解电容是否存在引针瑕疵。
进一步的,所述引针瑕疵包括:偏极瑕疵和引针反极瑕疵。
进一步的,在对铝电解电容本体的侧面图像进行并预处理中还包括:根据采集的图像的轮廓创建轮廓树,进行轮廓树状结构遍历,所述轮廓既包括内嵌轮廓,又包括同级轮廓。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过获取铝电解电容的图像并进行预处理,通过提取感兴趣区域并与预设基准比较进行缺陷检测,本方法计算量小,流程简单,检测效率高。
附图说明
图1为本发明方法流程图。
图2为顶部冲凸瑕疵铝电解电容与正品对比图。
图3为混尺寸瑕疵的铝电解电容与正品对比图。
图4为胶塞破损的铝电解电容与正品电容对比图。
图5为引针偏极、反极瑕疵铝电解电容与正品对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于图像处理的铝电解电容缺陷检测方法流程图。
实施例1
本实施例中,利用电解电容的铝壳图像对铝壳进行缺陷检测,具体流程如下:
图2示出了顶部冲凸瑕疵铝电解电容与正品对比图。
S1:将采集的电解电容的铝壳图像进行预处理
本发明实施例中,通过机器视觉产品将被摄取目标转换为图像信号,传送给专用的图像处理***,得到被摄目标的形态信息,并根据像素分别和亮度、颜色等信息,转变为数字化信号;本实施例中通过工业光学成像***采集图像,主要使用CCD与CMOS两种图像传感器进行图像摄取;具体的,本实施例中,将光源置于倒置的铝电解电容的正下方,且工业相机与光源、铝电解电容设置在同一直线上,由此可采集铝壳顶部的彩色图像。
采集之后的图像由图像处理软件进行预处理,预处理的流程依次为灰度化、几何变换、图像增强;具体而言,图像预处理首先将采集的彩色图像进行转灰度处理,并对灰度图像进行滤波,消除噪声;之后再进行二值化处理,对二值化处理后的图像像素点的灰度值范围进行设置,起到一个对较黑色区域进行剔除的作用,再对该灰度图像进行形态学开运算,即先进行腐蚀再进行膨胀,这样可以消除图像上的小物体,在纤细处分离物体,并消除平滑较大的边界的同时不明显改变其体积。
本实施例中,将采集图像由RGB通道转为HSV通道,便于后续算子进行通道选择和判断,具体的转换公式如下:
S2:在预处理后的在HSV颜色空间内将铝壳颜色及其他颜色进行分离,提取检测区域轮廓,对检测区域轮廓进行像素遍历,提取感兴趣区域轮廓,确定感兴趣区域。
图像经过预处理,消除无关信息后,需要提取感兴趣区域(region of interest,感兴趣区域)特征,对原图像提取感兴趣区域特征可以减少图像处理时间,增加精度。
S201:根据图像像素查找边缘轮廓;
基于预处理图像像素,在图像性区域和另一个属性区域的交接处查找到铝电解电容顶部圆的图像轮廓,此时该顶部圆轮廓既包括外环的套管轮廓以及内环的铝壳轮廓。
轮廓检测的具体原理如下:
每次行扫描,遇到以下两种情况,确定外边界(outer boeder)和孔边界(holeborder):
(1)f(i,j-1)=0,f(i,j)=1;//f(i,j)是外边界的起始点
(2)f(i,j)>=1,f(i,j+1)=0;//f(i,j)是孔边界的起始点
然后给它编号(编号唯一,由NBD指定)
在这里分配一个唯一的标示符给新发现的边界,叫做NBD。初始时NBD=1,每次发现一个新边界加1。在这个过程中,遇到f(p,q)=1,f(p,q+1)=0时,将f(p,q)置为-NBD,即为右边边界的终止点。
以上即为对输入的数字二值图像进行拓扑分析,确定二值图像边界的围绕关系,即确定外边界、孔边界以及它们的层次关系,这些边界和原图的区域具有一一对应关系,外边界对应像素值为1的连通区域,孔边界对应像素值为0的区域,因此我们就可以用边界来表示原图,确定这些边界的包含关系以及只找到最外层的边界,如此即可确定轮廓。
S202:对该圆轮廓图像识别表格轮廓;
在步骤S201中查找的轮廓是一个具有相同灰度值的边界的形状,存储形状边界上所有的(x,y)坐标类型可形成表格,即划分出H通道、S通道、V通道内的灰度值数值大小,根据数值大小可确定图像轮廓上的冗余点,算法遍历将轮廓上的冗余点去掉,压缩轮廓,从而节省内存开支。
S203:运用图像几何处理像素坐标;
运用图像数组存放上述图像数据,二维数组的行对应图像的高,二维数组的列对应图像的宽,二维数组的元素对应图像的像素,二维数组元素的值就是像素的灰度值,故像素的横坐标u(u对应x)与纵坐标v(v对应y)分别是在其图像数组中所在的列数与所在行数。
S204:原图像提取感兴趣区域轮廓
根据步骤S203中的图像数组确定前述步骤中得到的包含外环的套管轮廓以及内环的铝壳轮廓的电容顶部圆轮廓上各像素点坐标,由此通过数学偏移加减,进行与、或运算,得到仅包括内环铝壳轮廓的图像,即感兴趣区域轮廓。
S3:对感兴趣区域进行通道分解,并进行图像像素填充,之后对所述感兴趣区域内图像以及预设基准图像进行直方图计算及归一化处理,计算两者相似度,并将相似度与预设的阈值进行比较判断出电容铝壳缺陷。
在步骤S1中将图像转化成HSV色域图像,即将图像分割为3个单通道图像,包括H通道图像、S通道图像、V通道图像;并同时对基准图像进行直方图计算。
对图像分离出来的色域通道,进行H通道的直方图与基准图像的直方图归一到相同尺度空间,直方图统计了每一个像素强度值所具有的像素个数,计算两者直方图之间的距离而得到两直方图的相似程度,进而比较图像的相似度。
基于上述的检测方法对具体的铝壳顶部冲凸瑕疵进行检测,冲凸瑕疵是指铝壳表面凸起或者凸起至开裂,具体步骤如下:
CCD摄像***采取的待检测品顶部圆的彩色图像后,将彩色图像进行预处理处理:将彩色图像进行灰度转换,并对灰度图像进行滤波,消除噪声,对二值化处理后的图像像素点的灰度值范围进行设置,起到一个对较黑色区域进行剔除的作用,再对该灰度图像进行形态学开运算,即先进行腐蚀再进行膨胀,这样可以消除图像上的小物体,在纤细处分离物体,并消除平滑较大的边界的同时不明显改变其体积。
之后,基于预处理图像像素,在图像性区域和另一个属性区域的交接处查找到铝电解电容顶部圆的图像轮廓,即找出电容外圆的最优半径,去掉背景,截取外圆轮廓,此时该顶部圆轮廓既包括外环的套管轮廓以及内圆的铝壳轮廓。
然后,从上述提取的顶部圆轮廓中提取感兴趣区域,遍历像素点,通过数学偏移加减,进行与、或运算,提取感兴趣区域区域,即内圆的铝壳轮廓,将该感兴趣区域图像计算直方图图像,并与正品图像的直方图图像进行比对,如图所示;之后可通过计算两者直方图的重合度,可将两者直方图归一至同一个坐标系内进行比较,计算各点之间的距离,即得到两直方图的重合度,而据此比较图像的相似度,当两直方图的重合度落入某合理范围时,即可判断所检测的电容铝壳顶部无瑕疵,达到合格标准,反之,则代表其为瑕疵品;而本实施例中因为是对具体的铝壳冲凸缺陷进行检测,正品铝壳其颜色比较均匀,故其H通道直方图内的曲线为平缓曲线,故当检测品H通道直方图图像为起伏变化剧烈的图像,并经计算后与正品H通道直方图重合度不符合要求时,即表示该检测品为瑕疵品。
在一个具体的实施例中,基于上述检测方法对具体的铝壳防爆阀漏液瑕疵进行检测,防爆阀漏液瑕疵是指电容顶部铝壳表面漏液以及脏污面积过大,其检测方法如下:
CCD摄像***采取的待检测品顶部圆的彩色图像后,将彩色图像进行预处理处理,将彩色图像进行灰度转换,并对灰度图像进行滤波,消除噪声,再对该灰度图像进行形态学开运算,这样可以消除图像上的小物体,以便更好地提取图像特征。
基于预处理图像像素,在图像性区域和另一个属性区域的交接处查找到铝电解电容顶部圆的图像轮廓,即找出电容外圆的最优半径,去掉背景,截取外圆轮廓;之后将图像由BGR格式转换为RGB格式,并算法遍历设置圆内感兴趣区域,遍历像素点,访问,赋值圆内像素点,从原图抠取电容本体的图片,去除了不必要的噪声干扰及区域;在已经提取出来的取电容本体图像中,为了让特征更明显,感兴趣区域取内部中圆,如图所示;将图像resize后,分离为RGB三个通道,再计算RGB每个通道的直方图相似度值,以每个通道的直方图与正品RGB色域下每个通道的直方图进行重合度比对,判断检测产品是否存在表面漏液瑕疵。
实施例2
图3示出了混尺寸瑕疵的铝电解电容与正品对比图。
本实施例中,利用电解电容的套管图像对套管进行缺陷检测,具体流程如下:
S1:将采集的套管图像进行预处理,得到第一提取图像和第二提取图像,所述第一提取图像为铝电解电容本体侧面视图;所述第二提取图像为铝电解电容顶部圆图像,所述预处理依次包括:二值化处理、均值滤波处理、形态学处理;
本发明实施例中,通过机器视觉产品将被摄取目标转换为图像信号,传送给专用的图像处理***,得到被摄目标的形态信息,并根据像素分别和亮度、颜色等信息,转变为数字化信号;本实施例中通过工业光学成像***采集图像,主要使用CCD与CMOS两种图像传感器进行图像摄取;具体的,包括光源与工业相机;所述光源置于铝电解电容的侧方,工业相机与光源、铝电解电容设置在同一直线上。
本实施例中第一提取图像为铝电解电容侧面视图。
采集之后的图像由图像处理软件进行预处理,预处理的流程依次为:利用预设的灰度值范围对采集的套管的彩色图像进行二值化处理,该步中将处在阈值内的像素值设置为白色(255),而不在阈值区间的像素值设置为黑色(0),得到初步提取图像,之后对图像进行滤波处理以及数学形态学算法;预处理过程中,在图像内预设一个给定像素的矩阵,该矩阵可以是任意形状的,一般情况下为正方形、圆形或菱形,其结构元素中有一个中心点。
S2:对第一提取图像进行截图,提取第一图像感兴趣区域,计算所述第一提取图像轮廓内接的最小矩形,并赋值给该最小矩形中心点对齐的像素点;对最小矩形的中心点运用欧氏距离算法,得出该中心点对齐的像素点与矩最小形边缘像素点的欧氏距离,将该欧氏距离与基准图像中心点相对应的欧氏距离进行对比,用于判断被检测电容是否存在套管混尺寸瑕疵;
本实施例中运用boundingrect函数对第一提取图像进行截图,提取图像感兴趣区域,该函数的作用是计算轮廓的垂直边界最小矩形,而该矩形是与图像上下边界平行的,故对图像提取的感兴趣区域设置为得到包覆此轮廓的最小正矩形。
本实施例中,主要对于混尺寸瑕疵进行判定,混尺寸瑕疵即检测目标中同时包括两种规格大小不同的电容,需对其中一种进行剔除,需判断检测目标与基准图像在尺寸上的差异,故采用欧氏距离算法;计算欧氏距离的前提是归一化,即使得没有可比性的数据变得具有可比性,同时又保持相比较的两个数据之间的相对关系,这一一来,可以将图像感兴趣区域上各点与最小正矩形中心点的欧氏距离与基准图像模板上各点与其最小正矩形中心点的欧氏距离进行比较,根据数值的大小,判断两者之差是否落在合格标准范围之内,如果差值过大或过小,均可判定该图像感兴趣区域对应的套管存在缺陷;同理,也可通过归一化缩放,将图像感兴趣区域与基准图像在同一张图上做出来,这样既可根据图上的相对位置判定套管是否存在瑕疵。
利用上述检测方法对套管发生具体的混尺寸瑕疵进行检测,混尺寸瑕疵是指检测品中混入了不同规格的铝电解电容,需要对其进行剔除,其具体检测方法如下:
CCD摄像***采取的铝电解电容侧面的彩色图像后,将彩色图像进行预处理处理,将彩色图像进行灰度转换,消除混杂的噪声,以便更好提取图像特征。彩色图像进行一系列的算法预处理后,找出电容外轮廓,去掉背景,截取电容本体轮廓。
在已经提取出来的电容本体轮廓中,取图像HSV范围进行判断,并通过数学公式获取最内接矩形,即只包含电容,不包含针脚的矩形轮廓图像,即为图像感兴趣区域。
对电容本体轮廓图像进行排序计算中间点欧式距离,根据电容本体轮廓图像提供的像素度量比例,对图像感兴趣区域内最小矩形的中心点运用欧氏距离算法,得出该中心点对齐的像素点与矩形边界像素点的欧氏距离,将该欧氏距离与基准图像中心点对应的欧氏距离进行对比,计算检测品与正品的尺寸偏差,根据预设的尺寸偏差范围,判断检测品是否存在混尺寸瑕疵。
一个具体的实施例中利用上述方法对顶部光头、顶部套管过包、顶部套管起翘这些套管瑕疵进行检测,并且本实施例中所得到的初步提取图像为铝电解电容顶部圆图像;
具体流程为:在得到第一提取图像之后,首先根据图像像素查找边缘轮廓,基于预处理图像像素,在图像性区域和另一个属性区域的交接处查找到套管的图像轮廓;查找的轮廓是一个具有相同灰度值的边界的形状,存储形状边界上所有的(x,y)坐标类型可形成表格,即划分出H通道、S通道、V通道内的灰度值数值大小,根据数值大小可确定图像轮廓上的冗余点,算法遍历将轮廓上的冗余点去掉,压缩轮廓,从而节省内存开支;再运用图像数组存放上述图像数据,二维数组的行对应图像的高,二维数组的列对应图像的宽,二维数组的元素对应图像的像素,二维数组元素的值就是像素的灰度值,故像素的横坐标u(u对应x)与纵坐标v(v对应y)分别是在其图像数组中所在的列数与所在行数;根据图像数组确定前述步骤中得到的套管轮廓各像素点坐标,由此通过数学偏移加减,进行与、或运算,得到仅包括套管轮廓的图像,即感兴趣区域轮廓。
上述在提取图像感兴趣区域过程中,将图像感兴趣区域转化成HSV色域图像,即将图像分割为3个单通道图像,包括H通道图像、S通道图像、V通道图像;本实施例中对图像感兴趣区域进行直方图计算,并同时对基准图像进行直方图计算;然后将HSV通道的直方图与基准图像的直方图归一到相同尺度空间,计算两者直方图各点之间的距离而得到两直方图的相似程度,进而比较图像的相似度,以判断套管是否存在瑕疵。
实施例3
图4示出了胶塞破损的铝电解电容与正品电容对比图。
本实施例对电解电容胶塞进行缺陷检测,具体流程如下:
S1:采集电容胶塞图像并进行预处理,所述预处理依次包括:灰度化处理、几何变换、图像增强;
本发明实施例中,通过机器视觉产品将被摄取目标转换为图像信号,传送给专用的图像处理***,得到被摄目标的形态信息,并根据像素分别和亮度、颜色等信息,转变为数字化信号;本实施例中通过工业光学成像***采集图像,主要使用CCD与CMOS两种图像传感器进行图像摄取;具体的,本实施例中,光源、工业相机均与铝电解电容的胶塞面呈45°设置,且工业相机设置在光源的延长线上。
采集之后的图像由图像处理软件进行预处理,预处理的流程依次为灰度化、几何变换、图像增强;之后本实施例中采用数学拟合方法对采集的图像继续处理,该方法主要是将一个连续光滑曲线折线化,对图像轮廓点进行多变形拟合,其原理是用另一条顶点较少的曲线来逼近一条曲线或者多边形,这样两条曲线之间的距离小于或等于指定的精度;采取数学拟合算法的目的在于:由于对胶塞面进行图像采集时,会同时拍摄到引脚的图像,引脚的图像会对胶塞圈的图像造成干扰,故采用数学拟合算法将引脚图像对胶塞图像的干扰降到最小,将采集的引脚曲线与胶塞轮廓拟合。
S2:对预处理后的图像的HSV通道图像进行像素遍历,进行多边形轮廓运算,并在HSV颜色空间内对胶塞所对应的特定颜色进行分离,提取包含胶塞轮廓的图像感兴趣区域;
图像经过预处理,消除无关信息后,需要提取感兴趣区域特征,对原图像提取感兴趣区域特征可以减少图像处理时间,增加精度,其大致方法为通过边缘查找轮廓,识别表格轮廓,建立数学偏移坐标,提取特征区域,具体步骤如下:
基于预处理图像像素,在图像性区域和另一个属性区域的交接处查找到铝电解电容底部圆的图像轮廓,此时该底部圆轮廓既包括外环的套管轮廓以及内环的胶塞轮廓;以上查找的轮廓是一个具有相同灰度值的边界的形状,存储形状边界上所有的(x,y)坐标类型可形成表格,即划分出H通道、S通道、V通道内的灰度值数值大小,根据数值大小可确定图像轮廓上的冗余点,算法遍历将轮廓上的冗余点去掉,压缩轮廓,从而节省内存开支;运用图像数组存放上述图像数据,二维数组的行对应图像的高,二维数组的列对应图像的宽,二维数组的元素对应图像的像素,二维数组元素的值就是像素的灰度值,故像素的横坐标u(u对应x)与纵坐标v(v对应y)分别是在其图像数组中所在的列数与所在行数;根据上述的图像数组确定前述步骤中得到的包含外环的套管轮廓以及内环的胶塞的电容顶部圆轮廓上各像素点坐标,由此通过数学偏移加减,进行与、或运算,得到仅包括胶塞轮廓的图像,即感兴趣区域轮廓;本实施例中对图像感兴趣区域进行提取的区域设置为得到包裹此轮廓的最小正矩形。
S3:对提取的所述图像感兴趣区域进行遍历和阈值二值化处理,并进行轮廓树查找,根据分离出的特定颜色,查找到胶塞对应的像素区域,对该区域面积进行整合计算,将计算面积与预设的面积阈值进行对比,根据对比结果判断出被检测铝电解电容是否存在胶塞缺陷。
本实施例中,需要检测的缺陷主要包括胶塞破损、缺少胶塞,当出现这些瑕疵时,采集的图像上会出现与胶塞颜色色差较大的露出区域,这些瑕疵的表现形式均可为胶塞对应的像素区域面积发生变化;故本实施例中采用轮廓面积法,遍历预处理后的感兴趣区域图像,并进行阈值二值化处理后,再进行轮廓树查找,查找到胶塞对应的全部像素区域,并整合计算这些区域的面积,最后将总面积与预设的阈值面积进行对比,从而判断该感兴趣区域所对应的胶塞是否具有缺陷。
在一个具体的实施例中利用上述方法对具体的胶塞破损瑕疵进行检测,胶塞破损瑕疵是其具体方法如下:
CCD摄像***采取的彩色图像后;将彩色图像进行预处理处理,将彩色图像进行HSV转换;彩色图像进行一系列的算法预处理后,找出电容最大面积圆,去掉背景,拟合圆形,提取不连续的特征,遍历像素点,找到最优外圆半径,赋值圆内像素点,从原图抠取电容本体的图片,去除了不必要的噪声干扰及区域等;
对于已经提取出来的感兴趣区域,为了让对比更明显,感兴趣区域取特征圆环,进行图像亮度增强,图像进行转灰度及中值滤波等一系列预处理像素增强处理,如图所示,图中因胶塞破损而露出的区域与胶塞部分存在明显色差,之后对提取的所述图像感兴趣区域进行遍历和阈值二值化处理,并进行轮廓树查找,查找到胶塞对应的全部像素区域,将这些像素区域的面积进行整合计算,将计算面积与预设的面积阈值进行对比,判断检测品是否为瑕疵品。
在一个具体的实施例中利用上述方法对具体的缺少胶塞的瑕疵进行检测,其具体方法为:
CCD摄像***采取的彩色图像后,如图所示;将彩色图像进行预处理处理,将彩色图像进行HSV转换;彩色图像进行一系列的算法预处理后,找出电容最大面积圆,去掉背景,拟合圆形,提取不连续的特征,遍历像素点,找到最优外圆半径,赋值圆内像素点,从原图抠取电容本体的图片,去除了不必要的噪声干扰及区域等;已经提取出来的电容本体轮廓中,为了让对比更明显,感兴趣区域这块取特征圆环,分离为内外圆环,图像进行位运算,内圆和外圆先减运算,得到内圆轮廓感兴趣区域;本实施例中感兴趣区域均为电容内部填充物的图像。
对提取的所述图像感兴趣区域进行遍历和阈值二值化处理,并进行轮廓树查找,查找到内部填充物对应的全部像素区域,将这些像素区域的面积进行整合计算,将计算面积与预设的面积阈值进行对比,如果计算面积大于面积阈值,即代表该检测品为完全的缺少胶塞的瑕疵,并非胶塞破损或胶塞鼓起。
实施例4
图5示出了为引针偏极、反极瑕疵铝电解电容与正品对比图。
本实施例中对电解电容的引针缺陷进行检测,具体流程如下:
S1:获取铝电解电容本体的侧面图像进行并预处理,所述预处理依次包括:灰度化、去噪声、边缘提取、图像增强;
本发明实施例中,通过机器视觉产品将被摄取目标转换为图像信号,传送给专用的图像处理***,得到被摄目标的形态信息,并根据像素分别和亮度、颜色等信息,转变为数字化信号;本实施例中通过工业光学成像***采集图像,主要使用CCD与CMOS两种图像传感器进行图像摄取;具体的,光源置于铝电解电容的两侧,铝电解电容与两侧的光源的连线的延长线上均设有工业相机,由此可采集铝电解电容整体的彩色图像,如图所示;
采集之后的图像由图像处理软件进行预处理,预处理的流程依次为灰度化、去噪声、边缘提取、图像增强;之后,本实施例中根据采集的图像的轮廓创建轮廓树,进行轮廓树状结构遍历,如图2所示,因铝电解电容圆柱面上包括两个色彩不同的区域,故该图像的轮廓既包括内嵌轮廓,又包括同级轮廓,轮廓树状结构遍历算法可使特征轮廓实现树状内嵌,以便于提供序号,为之后的选取感兴趣区域而进行的数学偏移提供基图。
S2:对预处理后的图像的HSV通道图像遍历,在HSV颜色空间内对特定颜色进行分离,提取图像感兴趣区域;所述图像感兴趣区域设置为包覆套管及引针轮廓的最小正矩形;
图像经过预处理,消除无关信息后,需要提取感兴趣区域特征,对原图像提取感兴趣区域特征可以减少图像处理时间,增加精度,其大致方法为通过边缘查找轮廓,识别表格轮廓,建立数学偏移坐标,提取特征区域,具体步骤如下:
基于预处理图像像素,在图像性区域和另一个属性区域的交接处查找到铝电解铝电解电容整体轮廓;以上查找的轮廓是一个具有相同灰度值的边界的形状,存储形状边界上所有的(x,y)坐标类型可形成表格,即划分出H通道、S通道、V通道内的灰度值数值大小,根据数值大小可确定图像轮廓上的冗余点,算法遍历将轮廓上的冗余点去掉,压缩轮廓,从而节省内存开支;运用图像数组存放上述图像数据,二维数组的行对应图像的高,二维数组的列对应图像的宽,二维数组的元素对应图像的像素,二维数组元素的值就是像素的灰度值,故像素的横坐标u(u对应x)与纵坐标v(v对应y)分别是在其图像数组中所在的列数与所在行数;根据上述的图像数组确定前述步骤中得到的铝电解电容整体轮廓上各像素点坐标,由此通过数学偏移加减,进行与、或运算,得到仅包括套管及引针轮廓的图像,即感兴趣区域轮廓;本实施例中对图像感兴趣区域进行提取的区域设置为得到包裹此轮廓的最小正矩形,如图所示;
S3:对提取的图像感兴趣区域采用霍夫变换,将所述图像感兴趣区域内各像素坐标转换至霍夫参数空间,确定构成感兴趣区域图像上的像素坐标值,之后进行坐标系变换,将感兴趣区域图像中所有像素坐标值变换成参数空间的曲线,在参数空间内找到通过同一点的最多的曲线,判断图像内是否存在直线,从而判断被检测铝电解电容是否存在引针瑕疵。
本实施例中,需要检测的缺陷主要包括引针反极和引针偏极,这些缺陷的表现形式可通过检测感兴趣区域图像空间是否存在直线而得出,铝电解电容圆柱面的套管上主要分为两块颜色不同的区域,其中范围较小的区域即为该电解电容的负极端,而该区域与另一大范围区域之间由两条直线隔开,引针的引针在该区域内则代表引针焊接位置正确,否则则代表偏极或反极,故在检测时,电容两引针均按要求固定后,负极端将对准工业相机,工业相机采集的图像内如果能包含上述的两条直线,则代表电容引针焊接物质无瑕疵;若只包含一条直线,则代表电容引针偏极;若不包含直线,则代表电容引针反极。
图像空间中的直线与参数空间中的点是一一对应的,参数空间中的直线与图像空间中的点也是一一对应的,即图像空间中的每条直线在参数空间中都对应着单独一个点来表示,图像空间中的直线上任何一部分线段在参数空间对应的是同一个点;
故本实施例中确定构成感兴趣区域图像上的像素坐标值,之后进行坐标系变换,将感兴趣区域图像中所有像素坐标值变换成参数空间的曲线,在参数空间内检测曲线的交点即可确定图像空间内是否存在直线,从而判断电容引针是否存在缺陷;如图4所示,本实施例中,进行坐标系变化y=kx+b,变成b=-xk+y,这样表示为过点(k,b)的直线束,x-y空间的直线上每一个点在k-b坐标系中都表现为经过(k,b)的直线;找到所有点的问题,转变为寻找直线的问题,对于图像中的每一个点,在k-b坐标系中对应着很多的直线,找到直线的交点,就对应着找到图像中的直线;具体而言,算法运算准备两个容器,一个CImg用来展示hough-space概况,一个数组hough-space用来储存voting的值,用图像空间的边缘数据点计算参数空间中的参考点的可能轨迹,并在一个累加器中给计算出参考点的计数,最后选出峰值,将峰值表明在图像空间上一共线点较多的直线上,对直线个数进行判断。
在一个具体的实施例中利用上述方法对具体的引针偏极、引针反极瑕疵进行检测,具体方法如下:
CCD摄像***采取的彩色图像后,如图所示;将彩色图像进行预处理处理,将彩色图像进行HSV转换;彩色图像进行一系列的算法预处理,去掉背景,提取不连续的特征,遍历像素点,从原图抠取电容本体的图片,去除了不必要的噪声干扰及区域等;已经提取出来的电容本体轮廓中,感兴趣区域取包裹此轮廓的最小正矩形,如图所示。
之后确定构成感兴趣区域图像上的像素坐标值,之后进行坐标系变换,将感兴趣区域图像中所有像素坐标值变换成参数空间的曲线,在参数空间内检测曲线的交点即可确定图像空间内是否存在直线以及存在几条直线,以此判断电容引针是否存在引针偏极或引针反极的缺陷。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,包括以下步骤:
S1:获取铝电解电容的图像并进行预处理;
S2:将预处理后的图像提取感兴趣区域;
S3:对提取的感兴趣区域进行图像转换处理后与预设的基准比较判断铝电解电容的缺陷。
2.根据权利要求1所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,所述电解电容的缺陷包括:电容铝壳缺陷、电容套管缺陷、电容胶塞缺陷、电容引针缺陷。
3.根据权利要求2所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,电容铝壳缺陷检测的具体步骤为:
获取电容的铝壳图像并进行预处理,铝壳图像的预处理依次包括:灰度图处理、均值滤波、HSV颜色空间转换、形态学开运算处理;
在预处理后的在HSV颜色空间内将铝壳颜色及其他颜色进行分离,提取检测区域轮廓,对检测区域轮廓进行像素遍历,提取感兴趣区域轮廓,确定感兴趣区域;
对感兴趣区域进行通道分解,并进行图像像素填充,之后对所述感兴趣区域内图像以及预设基准图像进行直方图计算及归一化处理,计算两者相似度,并将相似度与预设的阈值进行比较判断出电容铝壳缺陷。
4.根据权利要求3所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,其特征在于,所述电容铝壳缺陷包括有:铝壳顶部冲凸瑕疵、防爆阀漏液瑕疵、套管包过度瑕疵、光头瑕疵、裸品瑕疵、打折瑕疵、凹伤瑕疵。
5.根据权利要求1所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,电容套管缺陷检测的具体步骤为:
将采集的套管图像进行预处理,得到第一提取图像和第二提取图像,所述第一提取图像为铝电解电容本体侧面视图;所述第二提取图像为铝电解电容顶部圆图像,所述预处理依次包括:二值化处理、均值滤波处理、形态学处理;
对第一提取图像进行截图,提取第一图像感兴趣区域,计算所述第一提取图像轮廓内接的最小矩形,并赋值给该最小矩形中心点对齐的像素点;对最小矩形的中心点运用欧氏距离算法,得出该中心点对齐的像素点与矩最小形边缘像素点的欧氏距离,将该欧氏距离与基准图像中心点相对应的欧氏距离进行对比,用于判断被检测电容是否存在套管混尺寸瑕疵;
对提取图像二进行截图,提取第二图像感兴趣区域,对第二图像感兴趣区域的HSV通道图像以及基准图像进行直方图计算及归一化处理,计算两者相似度并与预设的相似度阈值比较,判断出电容套管是否存在顶部光头瑕疵或顶部套管起翘瑕疵。
6.根据权利要求2所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,电容胶塞缺陷检测的具体步骤为:
采集电容胶塞图像并进行预处理,所述预处理依次包括:灰度化处理、几何变换、图像增强;
对预处理后的图像的HSV通道图像进行像素遍历,进行多边形轮廓运算,并在HSV颜色空间内对胶塞所对应的特定颜色进行分离,提取包含胶塞轮廓的图像感兴趣区域;
对提取的所述图像感兴趣区域进行遍历和阈值二值化处理,并进行轮廓树查找,根据分离出的特定颜色,查找到胶塞对应的像素区域,对该区域面积进行整合计算,将计算面积与预设的面积阈值进行对比,根据对比结果判断出被检测铝电解电容是否存在胶塞缺陷。
7.根据权利要求6所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,所述胶塞缺陷包括有:破损瑕疵、缺少胶塞瑕疵、胶塞鼓起瑕疵。
8.根据权利要求2所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,电容引针缺陷检测的具体步骤为:
获取铝电解电容本体的侧面图像进行并预处理,所述预处理依次包括:灰度化、去噪声、边缘提取、图像增强;
对预处理后的图像的HSV通道图像遍历,在HSV颜色空间内对特定颜色进行分离,提取图像感兴趣区域;所述图像感兴趣区域设置为包覆套管及引针轮廓的最小正矩形;
对提取的图像感兴趣区域采用霍夫变换,将所述图像感兴趣区域内各像素坐标转换至霍夫参数空间,确定构成感兴趣区域图像上的像素坐标值,之后进行坐标系变换,将感兴趣区域图像中所有像素坐标值变换成参数空间的曲线,在参数空间内找到通过同一点的最多的曲线,判断图像内是否存在直线,从而判断被检测铝电解电容是否存在引针瑕疵。
9.根据权利要求8所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,所述引针瑕疵包括:偏极瑕疵和引针反极瑕疵。
10.根据权利要求8所述的一种基于图像处理的铝电解电容缺陷检测方法,其特征在于,在对铝电解电容本体的侧面图像进行并预处理中还包括:根据采集的图像的轮廓创建轮廓树,进行轮廓树状结构遍历,所述轮廓既包括内嵌轮廓,又包括同级轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520114.9A CN113658092A (zh) | 2021-05-13 | 2021-05-13 | 一种基于图像处理的铝电解电容缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520114.9A CN113658092A (zh) | 2021-05-13 | 2021-05-13 | 一种基于图像处理的铝电解电容缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658092A true CN113658092A (zh) | 2021-11-16 |
Family
ID=78476909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110520114.9A Pending CN113658092A (zh) | 2021-05-13 | 2021-05-13 | 一种基于图像处理的铝电解电容缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658092A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272768A (zh) * | 2020-02-28 | 2020-06-12 | 苏州杰锐思智能科技股份有限公司 | 一种陶瓷管检测方法 |
CN114882043A (zh) * | 2022-07-12 | 2022-08-09 | 南通三信塑胶装备科技股份有限公司 | 基于图像处理的注塑件缺陷定位方法及*** |
CN115330765A (zh) * | 2022-10-12 | 2022-11-11 | 南通新诚电子有限公司 | 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法 |
CN117607591A (zh) * | 2023-11-28 | 2024-02-27 | 浙江中泽电气有限公司 | 一种超级电容的工装设备管理方法及*** |
CN117911792A (zh) * | 2024-03-15 | 2024-04-19 | 垣矽技术(青岛)有限公司 | 一种电压基准源芯片生产用引脚检测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
CN109900711A (zh) * | 2019-04-02 | 2019-06-18 | 天津工业大学 | 基于机器视觉的工件缺陷检测方法 |
CN110605248A (zh) * | 2019-10-24 | 2019-12-24 | 绵阳高新区资江电子元件有限公司 | 一种用于铝电解电容生产的套管在线检测装置 |
CN111008960A (zh) * | 2019-11-22 | 2020-04-14 | 广州大学 | 基于机器视觉的铝电解电容底部外观检测方法及装置 |
CN112365448A (zh) * | 2020-10-20 | 2021-02-12 | 天津大学 | 一种经编织造过程中的织物疵点检测方法 |
-
2021
- 2021-05-13 CN CN202110520114.9A patent/CN113658092A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105445277A (zh) * | 2015-11-12 | 2016-03-30 | 湖北工业大学 | 一种fpc表面质量视觉智能检测方法 |
CN109900711A (zh) * | 2019-04-02 | 2019-06-18 | 天津工业大学 | 基于机器视觉的工件缺陷检测方法 |
CN110605248A (zh) * | 2019-10-24 | 2019-12-24 | 绵阳高新区资江电子元件有限公司 | 一种用于铝电解电容生产的套管在线检测装置 |
CN111008960A (zh) * | 2019-11-22 | 2020-04-14 | 广州大学 | 基于机器视觉的铝电解电容底部外观检测方法及装置 |
CN112365448A (zh) * | 2020-10-20 | 2021-02-12 | 天津大学 | 一种经编织造过程中的织物疵点检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272768A (zh) * | 2020-02-28 | 2020-06-12 | 苏州杰锐思智能科技股份有限公司 | 一种陶瓷管检测方法 |
CN114882043A (zh) * | 2022-07-12 | 2022-08-09 | 南通三信塑胶装备科技股份有限公司 | 基于图像处理的注塑件缺陷定位方法及*** |
CN114882043B (zh) * | 2022-07-12 | 2022-09-06 | 南通三信塑胶装备科技股份有限公司 | 基于图像处理的注塑件缺陷定位方法及*** |
CN115330765A (zh) * | 2022-10-12 | 2022-11-11 | 南通新诚电子有限公司 | 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法 |
CN117607591A (zh) * | 2023-11-28 | 2024-02-27 | 浙江中泽电气有限公司 | 一种超级电容的工装设备管理方法及*** |
CN117607591B (zh) * | 2023-11-28 | 2024-05-10 | 浙江中泽电气有限公司 | 一种超级电容的工装设备管理方法及*** |
CN117911792A (zh) * | 2024-03-15 | 2024-04-19 | 垣矽技术(青岛)有限公司 | 一种电压基准源芯片生产用引脚检测*** |
CN117911792B (zh) * | 2024-03-15 | 2024-06-04 | 垣矽技术(青岛)有限公司 | 一种电压基准源芯片生产用引脚检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113658092A (zh) | 一种基于图像处理的铝电解电容缺陷检测方法 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN110261410A (zh) | 一种玻璃透镜缺陷的检测装置及方法 | |
CN113658131B (zh) | 一种基于机器视觉巡游式环锭纺断纱检测方法 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
WO2022110219A1 (zh) | 一种显示面板的检测方法、装置及*** | |
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 | |
CN109166111B (zh) | 一种电子墨水屏缺陷检测方法及*** | |
CN110097596A (zh) | 一种基于opencv的目标检测*** | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN106815830B (zh) | 图像的缺陷检测方法 | |
CN106529551B (zh) | 面向包装行业的类圆对象智能识别计数检测方法 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN111798423B (zh) | 一种混凝土裂缝图片拼接与检测方法 | |
CN114387269B (zh) | 一种基于激光的纤维丝缺损检测方法 | |
CN109387524A (zh) | 基于线性偏振光的螺纹缺陷检测方法及装置 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN116012292A (zh) | 一种基于机器视觉的晶圆外观缺陷检测方法 | |
CN114897881A (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
CN112750113A (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 | |
CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 | |
CN112418210A (zh) | 一种杆塔巡检信息智能分类方法 |
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 |