CN113706537A - 一种基于机器视觉的不规则工件检测方法 - Google Patents
一种基于机器视觉的不规则工件检测方法 Download PDFInfo
- Publication number
- CN113706537A CN113706537A CN202111263791.3A CN202111263791A CN113706537A CN 113706537 A CN113706537 A CN 113706537A CN 202111263791 A CN202111263791 A CN 202111263791A CN 113706537 A CN113706537 A CN 113706537A
- Authority
- CN
- China
- Prior art keywords
- bubble
- detection
- image
- workpiece
- bubbles
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 230000001788 irregular Effects 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000007689 inspection Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002791 soaking 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/06—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by observing bubbles in a liquid pool
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于机器视觉的不规则工件检测方法，通过获取不规则工件图像，进行边缘检测，将工件图像边缘转换到极坐标系下，通过霍夫变换，将极坐标系在不同θ连线在水平方向上的交集作为新的二维平面，根据二维平面内所有连线交点的信息增益判断交点得到漏检点，根据漏检点得到漏检区域，对该工件进行气泡检测，若漏检区域无气泡，则该工件不存在缺陷，若漏检区域有气泡，则获取漏检区域内气泡的边缘区域，根据气泡的边缘区域分析相邻帧和单帧图像中所有的气泡的体积和位置变化，确定漏检缺陷的准确位置，基于机器视觉，综合分析，更加准确的定位不规则检测工件的缺陷位置，检测精度高、实用性强。
Description
技术领域
本申请涉及气密性检测领域，具体涉及一种基于机器视觉的不规则工件的检测方法。
背景技术
目前，气密性检测实验中所用技术已经出现很多方法，比如：气泡检测法，气压检测法、化学气体失踪法等，气泡检测法是目前最为经济实用的方法，在检测前通过对工件进行提前充气或者在检测过程中充气的方法，得到气密性检测的气泡，通过工件泡入水中来观测水中的气泡来判断工件的气密性，然而，在气密性检测时，如果遇到不规则工件的话，单纯的进行水中气泡检测，容易造成漏检、错检的情况。由于工件的不规则，在一些背部角点处的缺陷气泡溢出后无法上浮出水面，一般的附着到工件背部，不易检测。
发明内容
本发明提供一种基于机器视觉的不规则工件检测方法，以解决现有的检测工件的不规则形状分析可能存在的漏检、错检的问题，采用如下技术方案：
步骤一：获取不规则工件图像，进行边缘检测，将工件图像边缘转换到极坐标系下，通过霍夫变换，将极坐标系中不同角度的连线在水平方向上的交集作为新的二维平面，根据二维平面内所有连线交点的信息增益判断交点是否为漏检点；
步骤二：根据漏检点得到漏检区域，对该工件进行气泡检测，若漏检区域无气泡，则该工件不存在缺陷，若漏检区域有气泡，则获取漏检区域内气泡的边缘区域，根据气泡的边缘区域分析相邻帧和单帧图像中所有的气泡的体积和位置变化，确定漏检缺陷的准确位置。
所述判断交点是否为漏检点方法为：
通过边缘检测得到检测工件图像中的所有边缘线，建立图像坐标系，得到图像中检测工件的边缘直线；
将直线映射到极坐标系下，通过一阶霍夫变换公式
，得到每条
直线的对应的
,则极坐标系中保留的每个点都对应图像中的一条边缘线，
原点到
直线的距离；
不同θ对应的边缘连线在水平方向上交集长度为新的二维平面；
在二维平面中的交点在霍夫空间中对应点的信息增益为
，
初始值为0，当二维平面内部上经过交点的连线每多一条，信息增益增加1，最终得
到新的二维平面内部所有连线交点的信息增益
，
表示交点下标；
将信息增益最大的交点作为漏检点。
所述气泡的边缘区域获取方法为：
以漏检点为中心，以最小边缘线长度为半径划分搜索区域，得到初始搜索区域，作为漏检区域；
计算漏检区域内的灰度差异值，确定气泡的梯度边缘，梯度的方向为气泡的边缘区域。
所述漏检缺陷的准确位置获取步骤如下：
获取单帧检测工件图像，通过图像中所有附着气泡的体积，进行相关性搜索，以任意一个气泡的中心点为起始点，以5个像素点为半径进行聚类，当第一次聚类到的气泡中心点中对应的气泡体积与初始气泡比等于0.8时，说明该气泡与初始气泡为同一缺陷点产生；
根据搜索到的气泡中心点为下一聚类中心，继续搜索得到其他气泡中心点，同样比较气泡与聚类中心的体积比，体积比满足阈值时，即为同一缺陷点产生；
根据聚类到的所有气泡根据体积变化梯度下降方向来确定附着气泡移动轨迹，根据最小气泡点的位置确定缺陷产生的位置；
根据相邻帧图像进行验证分析，对搜索半径进行优化。
所述搜索半径进行优化的方法为：
根据当前帧图像中气泡所在位置与前一帧图像中气泡所在位置的距离进行气泡图像匹配，且当前帧图像中气泡与前一帧图像中气泡气泡体积比接近于1的气泡视为相同气泡；
根据相同气泡间的移动方向，验证单帧图像中聚类搜索得到的气泡移动轨迹，当轨迹近似一致时，聚类搜索半径可行；
当轨迹和移动方向存在的夹角大于阈值
时，更新半径
的大小，利用更新后的
搜索半径对气泡移动轨迹进行更新，同时更新搜索半径
。
所述气泡检测方法为：
利用正视相机得到工件未充气时的检测池的RGB图像,进行进行灰度化处理，通过图像锐化增强图像的边缘对比度，然后进行图像去噪得到背景图；
对检测工件进行充气，进行气密性检测，同样通过上述处理得到检测池内部图；
将充气后得到的检测池内部图和背景图作差，得到气泡图像；
根据气泡图像判断工件缺陷位置和大小。
所述判断工件缺陷位置和大小方法为：
对气泡图像进行灰度阈值分割，得到气泡所存在的像素点，通过边缘像素点连线得到气泡轮廓，通过多帧叠加得到气泡的连通域，根据连通域的位置确定工件的缺陷位置，根据连通域宽度确定工件缺陷的大小。
本发明的有益效果是：
（1）通过对工件结构的检测，来确定气密性检测方法，避免因工件结构不规则造成存在漏检问题，提高***的检测精度和泛化能力。
（2）通过对不规则区域内气泡的结构特性，得到针对气泡特性的气密性检测方法，能够解决现有技术中常规检测方法不能检测的问题。
（3）通过不规则区域中气泡时域上的运动轨迹和空域的气泡分布，检测不规则区域的存在的漏检缺陷的位置，确保得到更加准确的缺陷位置。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于机器视觉的不规则工件检测方法流程图。
图2是本发明的一种基于机器视觉的不规则工件检测方法中的漏检点判断示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于机器视觉的不规则工件检测方法的实施例，如图1所示，包括：
步骤一：获取不规则工件图像，进行边缘检测，将工件图像边缘转换到极坐标系下，通过霍夫变换，将极坐标系中不同角度的连线在水平方向上的交集作为新的二维平面，根据二维平面内所有连线交点的信息增益判断交点是否为漏检点；
该步骤的目的是，通过不规则工件的实时姿态，确定不规则工件是否存在漏检点，完成不规则工件的精细化气密性检测，因为当工件时属于不规则工件时，仅通过传统的气泡检测，误检的可能性是很大的，通常不规则工件的内部结构处，出现缺陷时会因为工件的压力，造成气泡并不能上浮，而是仅仅贴在工件边缘处，所以针对不规则工件，需要进一步分析检测，得到更加准确的检测结果。
其中，漏检点判断如图2所示，方法如下：
（1）通过边缘检测得到工件图像中的所有边缘线，建立图像坐标系，得到图像中工件的边缘直线；
（2）将直线映射到极坐标系下，通过一阶霍夫变换公式
，得到每
条直线的对应的
,即极坐标系中保留的每个点都对应图像中的一条边缘线，保留的每
个点是每个边缘像素点在极坐标中对应的是多个正弦曲线，同一条直线的边缘像素点对应
的正弦曲线在极坐标中相交到一个点，这个点代表的就是图像坐标系中的一条边缘直线，
为原点到直线的距离；
（3）将极坐标系中存在的点中
相同的点进行相连，得到图像中的二维平面，当被
检测工件全部为规则工件，即矩形工件时，此时极坐标系中应该为两个平行直线，平行线之
间的水平距离
表示工件在图像中的二维平面的宽度，连线在水平方向上交集长度
表示二维平面的大小，不同θ连线在水平方向上交集长度为新的二维平面；
（4）根据边缘交集得到的新的二维平面中，新出现的交点可能在边缘线中的某一
点上，此时，霍夫空间中对应点的信息增益为
，
初始值为0，当新
的二维平面内部上经过交点的连线每多一条，信息增益增加1，最终得到新的二维平面内部
所有连线交点的信息增益
，
表示交点下标；
（5）通过不同
的坐标点的连线在图像坐标系中对应的是一个交点，其中信息增益
最大的交点即为漏检点。
步骤二：根据漏检点得到漏检区域，对该工件进行气泡检测，若漏检区域无气泡，则该工件不存在缺陷，若漏检区域有气泡，则获取漏检区域内气泡的边缘区域，根据气泡的边缘区域分析相邻帧和单帧图像中所有的气泡的体积和位置变化，确定漏检缺陷的准确位置。
该步骤的目的是根据步骤一中检测到的漏检点确定漏检区域，对漏检区域内进行进一步的气泡检测，确定工件完全不存在缺陷。如果漏检点区域出现了气泡，通过分析确定最终缺陷位置。
其中，气泡检测方法步骤为：
首先，本实施例针对的具体场景为气密性检测池，在气密性检测池中放入未充气
的检测工件，利用正视相机拍摄气密性检测池的图像，再将图像进行灰度化处理，可以减少
模型的计算复杂度，再通过图像锐化增强图像的边缘对比度，接着将图像中存在噪声点去
除，最终得到背景图像
，进行图像预处理的目的是提高图像之间的对比度，从而提高图
像检测的准确率，同时减少噪声点可能对检测造成的干扰。
然后对检测工件进行充气，进行气密性检测，同样通过上述图像预处理得到充气
后的检测池内部图像
；
再将充气后的图像
与背景图像
进行帧间作差，将所有充气后的图像
去
除背景的干扰，保留可能存在气泡的图像
；
最后对气泡图像
进行灰度阈值分割，得到气泡所存在的像素点，通过边缘像素
点连线得到气泡轮廓，此处可直接采用Canny算子边缘检测，通过多帧叠加得到气泡的连通
域，根据连通域的位置确定工件的缺陷位置，其中，连通域的宽度反映了工件缺陷的大小；
需要说明的是，当前通过背景作差得到的气泡区域图像，仅仅是工件上方出现的气泡图像，当工件上方为出现气泡时，说明工件时完好的，至此，基于规则形状的工件气密性检测完成。
其中，漏检缺陷位置按照如下方法确定：
（1）以漏检点为中心，以最小边缘线长度为半径划分搜索区域，得到初始搜索区域，作为漏检区域；
（2）计算搜索区域内的灰度差异值，确定气泡的梯度边缘，梯度的方向一般指向气泡的边缘区域，根据梯度的大小不确定，具体跟缺陷的位置有关；
（3）得到气泡边缘区域轮廓后，相邻帧和单帧图像中所有的附着气泡进行分析，根据气泡的体积和位置变化，确定漏检缺陷的准确位置，为了确保相邻帧图像的参考价值，本实施例中相机图像采样频率调整为：2帧/1s。
进一步说明，相邻帧和单帧图像中所有的附着气泡进行分析具体步骤为：
（1）获取单帧工件图像，通过图像中所有附着气泡的体积，进行相关性搜索，以任意一个气泡的中心点为起始点，以5个像素点为半径进行聚类，当第一次聚类到的气泡中心点中对应的气泡体积与初始气泡比等于0.8时，说明该气泡与初始气泡为同一缺陷点产生，其中，气泡中心点通过气泡边缘梯度最大的点来获得，气泡体积通过半椭圆近似计算；
（2）根据搜索到的气泡中心点为下一聚类中心，继续搜索得到其他气泡中心点，同样比较气泡与聚类中心的体积比，体积比满足阈值时，即为同一缺陷点产生，直到聚类不再产生新的气泡中心点为止；
（3）根据聚类到的所有气泡根据体积变化梯度下降方向来确定附着气泡移动轨迹，根据最小气泡点的位置确定缺陷产生的位置；
（4）根据相邻帧图像进行验证分析，并对搜索半径进行优化。
进一步说明，如何对搜索半径进行优化，步骤如下：
由于图像中气泡没有识别标签，所以，根据当前帧图像中气泡所在位置与前一帧
图像中气泡所在位置的距离进行比较气泡图像匹配，将气泡体积比接近于1的气泡视为相
同气泡，根据相同气泡间的移动方向，验证单帧图像中聚类搜索得到的气泡移动轨迹，当轨
迹近似一致时，聚类搜索半径可行，当轨迹和移动方向存在的夹角
时，需要更新半径
的大小，保证得到更精确的气泡移动轨迹，其中阈值
，更新后的搜索半径
。
本实施例可应用于气密性检测场景，主要针对不规则检测工件可能存在漏检、错检的问题，基于机器视觉，通过综合分析工件结构检测、气泡结构特性、运动轨迹和分布情况更加准确的定位检测工件的缺陷位置，解决了常规方法中不能检测到的问题，提高了检测精度，实用性强。
以上所述仅为本发明的较佳实施例而已，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 (6)
1.一种基于机器视觉的不规则工件检测方法，其特征在于，包括：
步骤一：获取不规则工件图像；
通过边缘检测得到检测工件图像中的所有边缘线，建立图像坐标系，得到图像中检测工件的边缘直线；
将直线映射到极坐标系下，通过一阶霍夫变换公式
，得到每条直线的对应的
,则极坐标系中保留的每个点都对应图像中的一条边缘线，
原点到直线的距离；
不同
对应的边缘连线在水平方向上交集作为新的二维平面；
在二维平面中，交点在霍夫空间中对应点的信息增益为
，
初始值为0，当二维平面内部上经过交点的连线每多一条，信息增益增加1，最终得到新的二维平面内部所有连线交点的信息增益
，
表示交点下标；
将信息增益最大的交点作为漏检点；
步骤二：根据漏检点得到漏检区域，对该工件进行气泡检测，若漏检区域无气泡，则该工件不存在缺陷，若漏检区域有气泡，则获取漏检区域内气泡的边缘区域，根据气泡的边缘区域分析相邻帧和单帧图像中所有的气泡的体积和位置变化，确定漏检缺陷的准确位置。
2.根据权利要求1所述的一种基于机器视觉的不规则工件检测方法，其特征在于，所述气泡的边缘区域获取方法为：
以漏检点为中心，以最小边缘线长度为半径划分搜索区域，得到初始搜索区域，作为漏检区域；
计算漏检区域内的灰度差异值，确定气泡的梯度边缘，梯度的方向为气泡的边缘区域。
3.根据权利要求1所述的一种基于机器视觉的不规则工件检测方法，其特征在于，所述漏检缺陷的准确位置获取步骤如下：
获取单帧检测工件图像，通过图像中所有附着气泡的体积，进行相关性搜索，以任意一个气泡的中心点为起始点，以5个像素点为半径进行聚类，当第一次聚类到的气泡中心点中对应的气泡体积与初始气泡比等于0.8时，该气泡与初始气泡为同一缺陷点产生；
搜索到的气泡中心点作为下一聚类中心，继续搜索得到其他气泡中心点，比较气泡与聚类中心的体积比，体积比满足阈值时，即为同一缺陷点产生；
根据聚类到的所有气泡根据体积变化梯度下降方向来确定附着气泡移动轨迹，根据最小气泡点的位置确定缺陷产生的位置；
根据相邻帧图像进行验证分析，对搜索半径进行优化。
4.根据权利要求3所述的一种基于机器视觉的不规则工件检测方法，其特征在于，所述搜索半径进行优化的方法为：
根据当前帧图像中气泡所在位置与前一帧图像中气泡所在位置的距离进行气泡图像匹配，且当前帧图像中气泡与前一帧图像中气泡气泡体积比接近于1的气泡视为相同气泡；
根据相同气泡间的移动方向，验证单帧图像中聚类搜索得到的气泡移动轨迹，当轨迹近似一致时，聚类搜索半径可行；
当轨迹和移动方向存在的夹角大于阈值
时，更新半径
的大小，利用更新后的搜索半径对气泡移动轨迹进行更新，同时更新搜索半径
。
5.根据权利要求1所述的一种基于机器视觉的不规则工件检测方法，其特征在于，所述气泡检测方法为：
利用正视相机得到工件未充气时的检测池的RGB图像,进行进行灰度化处理，通过图像锐化增强图像的边缘对比度，然后进行图像去噪得到背景图；
对检测工件进行充气，进行气密性检测，同样通过上述处理得到检测池内部图；
将充气后得到的检测池内部图和背景图作差，得到气泡图像；
根据气泡图像判断工件缺陷位置和大小。
6.根据权利要求5所述的一种基于机器视觉的不规则工件检测方法，其特征在于，所述判断工件缺陷位置和大小方法为：
对气泡图像进行灰度阈值分割，得到气泡所存在的像素点，通过边缘像素点连线得到气泡轮廓，通过多帧叠加得到气泡的连通域，根据连通域的位置确定工件的缺陷位置，根据连通域宽度确定工件缺陷的大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111263791.3A CN113706537B (zh) | 2021-10-28 | 2021-10-28 | 一种基于机器视觉的不规则工件检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111263791.3A CN113706537B (zh) | 2021-10-28 | 2021-10-28 | 一种基于机器视觉的不规则工件检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706537A true CN113706537A (zh) | 2021-11-26 |
| CN113706537B CN113706537B (zh) | 2022-02-25 |
Family
ID=78647336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111263791.3A Expired - Fee Related CN113706537B (zh) | 2021-10-28 | 2021-10-28 | 一种基于机器视觉的不规则工件检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706537B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252015A (zh) * | 2021-12-27 | 2022-03-29 | 同济大学 | 回转运动物***移的非接触式测量方法 |
| CN115018833A (zh) * | 2022-08-05 | 2022-09-06 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
| CN115063429A (zh) * | 2022-08-18 | 2022-09-16 | 山东安德机械科技有限公司 | 一种用于机械配件的质量检测方法 |
| CN115082485A (zh) * | 2022-08-23 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种注塑制品表面气泡缺陷检测方法及*** |
| CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
| CN115880305A (zh) * | 2023-03-08 | 2023-03-31 | 中国计量大学现代科技学院 | 轴类零件表面缺陷视觉检测方法及装置 |
| CN117409006A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 气泡轮廓检测方法、膜层修复方法、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166098A (zh) * | 2018-07-18 | 2019-01-08 | 上海理工大学 | 基于图像处理的工件毛刺检测方法 |
| CN112729691A (zh) * | 2020-12-14 | 2021-04-30 | 李小红 | 一种基于人工智能的批量工件气密检测方法 |
-
2021
- 2021-10-28 CN CN202111263791.3A patent/CN113706537B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166098A (zh) * | 2018-07-18 | 2019-01-08 | 上海理工大学 | 基于图像处理的工件毛刺检测方法 |
| CN112729691A (zh) * | 2020-12-14 | 2021-04-30 | 李小红 | 一种基于人工智能的批量工件气密检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘尧等: "基于深度学***尺自动矫正***研究", 《机电工程》 * |
| 王新新等: "TFT-LCD缺陷检测***的研究", 《电子测量与仪器学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252015A (zh) * | 2021-12-27 | 2022-03-29 | 同济大学 | 回转运动物***移的非接触式测量方法 |
| CN114252015B (zh) * | 2021-12-27 | 2022-08-12 | 同济大学 | 回转运动物***移的非接触式测量方法 |
| CN115018833A (zh) * | 2022-08-05 | 2022-09-06 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
| CN115018833B (zh) * | 2022-08-05 | 2022-11-04 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
| CN115063429A (zh) * | 2022-08-18 | 2022-09-16 | 山东安德机械科技有限公司 | 一种用于机械配件的质量检测方法 |
| CN115063429B (zh) * | 2022-08-18 | 2022-11-11 | 山东安德机械科技有限公司 | 一种用于机械配件的质量检测方法 |
| CN115082485A (zh) * | 2022-08-23 | 2022-09-20 | 南通华烨塑料工业有限公司 | 一种注塑制品表面气泡缺陷检测方法及*** |
| CN115082485B (zh) * | 2022-08-23 | 2023-08-29 | 广东欧达雅包装制品有限公司 | 一种注塑制品表面气泡缺陷检测方法及*** |
| CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
| CN115880305A (zh) * | 2023-03-08 | 2023-03-31 | 中国计量大学现代科技学院 | 轴类零件表面缺陷视觉检测方法及装置 |
| CN117409006A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 气泡轮廓检测方法、膜层修复方法、电子设备及存储介质 |
| CN117409006B (zh) * | 2023-12-15 | 2024-04-05 | 深圳市什方智造科技有限公司 | 气泡轮廓检测方法、膜层修复方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706537B (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113706537B (zh) | 一种基于机器视觉的不规则工件检测方法 | |
| CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
| Lin et al. | Detection of a casting defect tracked by deep convolution neural network | |
| CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
| CN107798326B (zh) | 一种轮廓视觉检测方法 | |
| CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
| CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
| CN103425988B (zh) | 一种具有圆弧几何基元的实时定位与匹配方法 | |
| CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
| CN112037203A (zh) | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及*** | |
| CN103955939A (zh) | 三维扫描***中点云拼接用边界特征点配准方法 | |
| CN104809736B (zh) | 基于先验知识的医学断层图像闭合骨骼轮廓计算方法 | |
| CN101533466B (zh) | 一种眼睛定位图像处理方法 | |
| CN106778737A (zh) | 一种车牌矫正方法、装置和一种视频采集装置 | |
| CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
| CN106683076A (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
| CN107388991B (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
| CN104517276A (zh) | 一种棋盘格角点检测方法 | |
| CN115184380B (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
| CN106897990A (zh) | 轮胎模具的字符缺陷检测方法 | |
| CN106682674B (zh) | 一种基于智能巡检机器人的指针式仪表自动读数方法 | |
| CN115330802B (zh) | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 | |
| CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
| CN106815830B (zh) | 图像的缺陷检测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230215 Address after: 226000 No. 66, Jingjing Road, Huilong Town, Qidong City, Nantong City, Jiangsu Province Patentee after: NANTONG LANGGAO PETROCHEMICAL EQUIPMENT Co.,Ltd. Address before: 226000 No. 28, Kaixuan Road, Qidong Economic Development Zone, Nantong City, Jiangsu Province Patentee before: Jiangsu Qili Forging Equipment Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220225 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |