CN113824951A - 一种摄像头模组视觉检测*** - Google Patents

一种摄像头模组视觉检测*** Download PDF

Info

Publication number
CN113824951A
CN113824951A CN202111102506.XA CN202111102506A CN113824951A CN 113824951 A CN113824951 A CN 113824951A CN 202111102506 A CN202111102506 A CN 202111102506A CN 113824951 A CN113824951 A CN 113824951A
Authority
CN
China
Prior art keywords
camera module
image
images
lifting
translation
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
Application number
CN202111102506.XA
Other languages
English (en)
Inventor
荣锦
孙宇晨
邓根瑜
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.)
Suzhou Kaishihong Technology Co ltd
Original Assignee
Suzhou Kaishihong Technology Co ltd
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 Suzhou Kaishihong Technology Co ltd filed Critical Suzhou Kaishihong Technology Co ltd
Priority to CN202111102506.XA priority Critical patent/CN113824951A/zh
Publication of CN113824951A publication Critical patent/CN113824951A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种摄像头模组视觉检测***，包括图像采集单元、预处理单元、图像分割处理单元以及检测单元；所述图像采集单元能够对摄像头模组进行多角度采集图像；所述预处理单元，用于提取摄像头模组图像；图像分割处理单元，用于对摄像头模组图像进行分割，将摄像头模组图像分割成若干个摄像头模组局部图像；本发明通过图像采集单元能够对摄像头模组进行多角度采集图像，并对多角度摄像头模组图像进行分割，将摄像头模组图像分割成若干个摄像头模组局部图像，并标记，随后通过检测单元对不同角度下分割后摄像头模组局部图像匹配对应，并进行视觉缺陷检测，输出检测结果；大大提高摄像头模组检测效率和检测效果。

Description

一种摄像头模组视觉检测***
技术领域
本发明涉及摄像头检测技术领域，具体是一种摄像头模组视觉检测***。
背景技术
摄像头可分为数字摄像头和模拟摄像头两大类。数字摄像头可以将视频采集设备产生的模拟视频信号转换成数字信号，进而将其储存在计算机里。模拟摄像头捕捉到的视频信号必须经过特定的视频捕捉卡将模拟信号转换成数字模式，并加以压缩后才可以转换到计算机上运用。数字摄像头可以直接捕捉影像，然后通过串、并口或者USB接口传到计算机里。电脑市场上的摄像头基本以数字摄像头为主，而数字摄像头中又以使用新型数据传输接口的USB数字摄像头为主，市场上可见的大部分都是这种产品。除此之外还有一种与视频采集卡配合使用的产品，但还不是主流。由于个人电脑的迅速普及，模拟摄像头的整体成本较高，而且不能满足BSV液晶拼接屏接口等原因，USB接口的传输速度远远高于串口、并口的速度，因此市场USB接口的数字摄像头；
传统的摄像头模组外观检测主要采用人工检测，近些年，随着技术发展，应用机器视觉进行检测，然而目前的摄像头模组的机器视觉检测大多采用单一的图像进行视觉检测，在检测要求高时，效率低下。
发明内容
本发明所要解决的技术问题是：摄像头模组检测效率低且效果不理想；
本发明提供如下技术方案：
一种摄像头模组视觉检测***，包括图像采集单元、预处理单元、图像分割处理单元以及检测单元；
所述图像采集单元能够对摄像头模组进行多角度采集图像；
所述预处理单元，用于提取摄像头模组图像；
图像分割处理单元，用于对摄像头模组图像进行分割，将摄像头模组图像分割成若干个摄像头模组局部图像，并标记；
检测单元，用于不同角度下摄像头模组图像的摄像头模组局部图像匹配对应，并进行视觉缺陷检测，输出检测结果。
作为本发明的进一步技术方案：所述图像采集单元采集的多角度摄像头模组图像精度按顺序逐渐增高。
作为本发明的再进一步技术方案：所述预处理单元剔除摄像头模组图像外的图像。
作为本发明的再进一步技术方案：所述图像分割处理单元分割多角度摄像头模组图像时，摄像头模组图像精度越高，分割尺寸越小。
作为本发明的再进一步技术方案：所述检测单元对多角度摄像头模组图像检测顺序按照从摄像头模组图像精度由低到高的顺序。
作为本发明的再进一步技术方案：所述检测单元为基于深度学习的视觉检测单元，包括数据层、卷积神经网络层、计算机视觉层以及缺陷识别层。
作为本发明的再进一步技术方案：所述图像采集单元包括镜头支架，镜头支架上安装有多个镜头，多个镜头中心对称布置在镜头支架上，多个镜头的精度依次增高。
作为本发明的再进一步技术方案：所述图像采集单元还包括升降机构以及平移机构；
升降机构包括升降支架、升降滑轨、升降滑块、升降齿条、升降齿轮以及升降电机；
所述镜头支架固定在升降滑块上，升降滑块与升降滑轨滑动配合，升降滑块顶端连接升降齿条，升降齿轮和升降电机安装在升降支架上，升降电机的输出轴与升降齿轮的轮轴传动连接，升降齿轮与升降齿条啮合传动；
所述平移机构包括平移支架、平移滑轨、平移滑块以及平移气缸；
所述平移滑轨固定在平移支架下；
平移滑块与平移滑轨滑动配合；
升降支架固定在平移滑块下侧；
平移气缸固定在平移支架上与平移滑块固定连接；
平移气缸驱动平移滑块沿平移滑轨移动；
上述摄像头模组视觉检测***的检测方法，包括如下步骤：
S1、获取摄像头模组的多角度图像；
S2、对摄像头模组的多角度图像分别进行预处理，获取摄像头模组范围内的图像；
S3、对经过预处理后的摄像头模组的多角度图像分别分割成若干局部图像；
S4、按多角度图像的精度由低到高的顺序进行视觉缺陷检测；
S5、当低精度图像的局部图像视觉检测到缺陷时，对相应缺陷位置的高精度图像的局部图像进行视觉检测，并输出结果。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过图像采集单元能够对摄像头模组进行多角度采集图像，并对多角度摄像头模组图像进行分割，将摄像头模组图像分割成若干个摄像头模组局部图像，并标记，随后通过检测单元对不同角度下分割后摄像头模组局部图像匹配对应，并进行视觉缺陷检测，输出检测结果；大大提高摄像头模组检测效率和检测效果。
2、本发明中所述图像分割处理单元分割多角度摄像头模组图像时，摄像头模组图像精度越高，分割尺寸越小，所述检测单元对多角度摄像头模组图像检测顺序按照从摄像头模组图像精度由低到高的顺序，方便根据检测等级要求，调整检测，提高检测效率。
3、本发明进一步设计所述图像采集单元，通过升降机构和平移机构驱动镜头支架调整位置，方便对输送带上的不同位置的摄像头模组进行图像采集，方便摄像头模组的管理。
附图说明
图1为一种摄像头模组视觉检测***的结构框图；
图2为一种摄像头模组视觉检测***中图像采集单元的结构示意图；
图3为一种摄像头模组视觉检测方法示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1-3，一种摄像头模组视觉检测***，包括图像采集单元100、预处理单元200、图像分割处理单元300以及检测单元400；
所述图像采集单元100包括镜头支架101，对准传输带500上的摄像头模组600，镜头支架101上安装有多个镜头102，多个镜头102中心对称布置在镜头支架101上，多个镜头102的精度依次增高；
还包括升降机构103以及平移机构104；
升降机构103包括升降支架1031、升降滑轨1032、升降滑块1033、升降齿条1034、升降齿轮1035以及升降电机1036；
所述镜头支架101固定在升降滑块1033上，升降滑块1033与升降滑轨1032滑动配合，升降滑块1033顶端连接升降齿条1034，升降齿轮1035和升降电机1036安装在升降支架1031上，升降电机1036的输出轴与升降齿轮1035的轮轴传动连接，升降齿轮1035与升降齿条1034啮合传动；
所述平移机构104包括平移支架1041、平移滑轨1042、平移滑块1043以及平移气缸1044；
所述平移滑轨1042固定在平移支架1041下；
平移滑块1043与平移滑轨1042滑动配合；
升降支架1041固定在平移滑块1043下侧；
平移气缸1044固定在平移支架1041上与平移滑块1043固定连接；
平移气缸1044驱动平移滑块1043沿平移滑轨1042移动；
所述预处理单元200，所述预处理单元200对摄像头模组图像进行裁剪，剔除摄像头模组图像外的图像，提取摄像头模组图像；
图像分割处理单元300，用于对摄像头模组图像进行分割，将摄像头模组图像分割成若干个摄像头模组局部图像，并标记；所述图像分割处理单元300分割多角度摄像头模组图像时，摄像头模组图像精度越高，分割尺寸越小。
所述检测单元400为基于深度学习的视觉检测单元，包括数据层、卷积神经网络层、计算机视觉层以及缺陷识别层；用于不同角度下摄像头模组图像的摄像头模组局部图像匹配对应，并进行视觉缺陷检测，输出检测结果；所述检测单元400对多角度摄像头模组图像检测顺序按照从摄像头模组图像精度由低到高的顺序。
上述摄像头模组视觉检测***的检测方法，包括如下步骤：
S1、获取摄像头模组的多角度图像；
S2、对摄像头模组的多角度图像分别进行预处理，获取摄像头模组范围内的图像；
S3、对经过预处理后的摄像头模组的多角度图像分别分割成若干局部图像；
S4、按多角度图像的精度由低到高的顺序进行视觉缺陷检测；
S5、当低精度图像的局部图像视觉检测到缺陷时，对相应缺陷位置的高精度图像的局部图像进行视觉检测，并输出结果。
本发明的工作原理是：
本发明通过图像采集单元100能够对摄像头模组600进行多角度采集图像，并对多角度摄像头模组600图像进行分割，将摄像头模组600屏幕图像分割成若干个摄像头模组600屏幕局部图像，并标记，随后通过检测单元400对不同角度下分割后摄像头模组局部图像匹配对应，并进行视觉缺陷检测，输出检测结果；大大提高摄像头模组检测效率和检测效果。
本发明中所述图像分割处理单元300分割多角度摄像头模组图像时，摄像头模组600图像精度越高，分割尺寸越小，所述检测单元400对多角度摄像头模组图像检测顺序按照从摄像头模组图像精度由低到高的顺序，方便根据检测等级要求，调整检测，提高检测效率。
本发明进一步设计所述图像采集单元100，通过升降机构103和平移机构104驱动镜头支架101调整位置，方便对输送带500上的不同位置的摄像头模组600进行图像采集，方便摄像头模组600的管理。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (10)

1.一种摄像头模组视觉检测***，其特征在于，包括图像采集单元、预处理单元、图像分割处理单元以及检测单元；
所述图像采集单元能够对摄像头模组进行多角度采集图像；
所述预处理单元，用于提取摄像头模组图像；
图像分割处理单元，用于对摄像头模组图像进行分割，将摄像头模组图像分割成若干个摄像头模组局部图像，并标记；
检测单元，用于不同角度下摄像头模组图像的摄像头模组局部图像匹配对应，并进行视觉缺陷检测，输出检测结果。
2.根据权利要求1所述摄像头模组视觉检测***，其特征在于，所述图像采集单元采集的多角度摄像头模组图像精度按顺序逐渐增高。
3.根据权利要求2所述摄像头模组视觉检测***，其特征在于，所述预处理单元剔除摄像头模组图像外的图像。
4.根据权利要求3所述摄像头模组视觉检测***，其特征在于，所述图像分割处理单元分割多角度摄像头模组图像时，摄像头模组图像精度越高，分割尺寸越小。
5.根据权利要求4所述摄像头模组视觉检测***，其特征在于，所述检测单元对多角度摄像头模组图像检测顺序按照从摄像头模组图像精度由低到高的顺序。
6.根据权利要求5所述摄像头模组视觉检测***，其特征在于，所述检测单元为基于深度学习的视觉检测单元，包括数据层、卷积神经网络层、计算机视觉层以及缺陷识别层。
7.根据权利要求6所述摄像头模组视觉检测***，其特征在于，所述图像采集单元包括镜头支架，镜头支架上安装有多个镜头，多个镜头中心对称布置在镜头支架上。
8.根据权利要求7所述摄像头模组视觉检测***，其特征在于，所述多个镜头的精度依次增高。
9.根据权利要求7所述摄像头模组视觉检测***，其特征在于，所述图像采集单元还包括升降机构以及平移机构；
升降机构包括升降支架、升降滑轨、升降滑块、升降齿条、升降齿轮以及升降电机；
所述镜头支架固定在升降滑块上，升降滑块与升降滑轨滑动配合，升降滑块顶端连接升降齿条，升降齿轮和升降电机安装在升降支架上，升降电机的输出轴与升降齿轮的轮轴传动连接，升降齿轮与升降齿条啮合传动；
所述平移机构包括平移支架、平移滑轨、平移滑块以及平移气缸；
所述平移滑轨固定在平移支架下；
平移滑块与平移滑轨滑动配合；
升降支架固定在平移滑块下侧；
平移气缸固定在平移支架上与平移滑块固定连接；
平移气缸驱动平移滑块沿平移滑轨移动。
10.一种摄像头模组视觉检测***的检测方法，其特征在于，包括如下步骤：
S1、获取摄像头模组的多角度图像；
S2、对摄像头模组的多角度图像分别进行预处理，获取摄像头模组范围内的图像；
S3、对经过预处理后的摄像头模组的多角度图像分别分割成若干局部图像；
S4、按多角度图像的精度由低到高的顺序进行视觉缺陷检测；
S5、当低精度图像的局部图像视觉检测到缺陷时，对相应缺陷位置的高精度图像的局部图像进行视觉检测，并输出结果。
CN202111102506.XA 2021-09-20 2021-09-20 一种摄像头模组视觉检测*** Pending CN113824951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111102506.XA CN113824951A (zh) 2021-09-20 2021-09-20 一种摄像头模组视觉检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111102506.XA CN113824951A (zh) 2021-09-20 2021-09-20 一种摄像头模组视觉检测***

Publications (1)

Publication Number Publication Date
CN113824951A true CN113824951A (zh) 2021-12-21

Family

ID=78922659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111102506.XA Pending CN113824951A (zh) 2021-09-20 2021-09-20 一种摄像头模组视觉检测***

Country Status (1)

Country Link
CN (1) CN113824951A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114125404A (zh) * 2022-01-25 2022-03-01 济南慧智机器人科技有限公司 一种佐料盒呼叫报警装置
CN114677757A (zh) * 2022-03-18 2022-06-28 吉林云帆智能工程有限公司 一种轨道车辆行车手语识别算法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966454A (zh) * 2017-12-25 2018-04-27 陕西科技大学 一种基于fpga的端塞缺陷检测装置及检测方法
CN109406527A (zh) * 2018-09-06 2019-03-01 华南理工大学 一种***模组镜头精细外观缺陷检测***及方法
CN109752394A (zh) * 2019-01-28 2019-05-14 凌云光技术集团有限责任公司 一种显示屏缺陷高精度检测方法及***
CN110415214A (zh) * 2019-06-26 2019-11-05 北京迈格威科技有限公司 摄像头模组的外观检测方法、装置、电子设备及存储介质
CN110738644A (zh) * 2019-10-10 2020-01-31 清华大学 一种基于深度学习的汽车涂装表面缺陷检测方法及***
CN111257340A (zh) * 2020-03-27 2020-06-09 河海大学常州校区 一种精密相机模组的表面缺陷检测装置
CN111429376A (zh) * 2020-03-30 2020-07-17 北京芯龙德大数据科技有限公司 高低精度融合的高效数字图像处理方法
CN113327241A (zh) * 2021-06-16 2021-08-31 南昌航空大学 一种轴承端面的表面缺陷视觉检测方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966454A (zh) * 2017-12-25 2018-04-27 陕西科技大学 一种基于fpga的端塞缺陷检测装置及检测方法
CN109406527A (zh) * 2018-09-06 2019-03-01 华南理工大学 一种***模组镜头精细外观缺陷检测***及方法
CN109752394A (zh) * 2019-01-28 2019-05-14 凌云光技术集团有限责任公司 一种显示屏缺陷高精度检测方法及***
CN110415214A (zh) * 2019-06-26 2019-11-05 北京迈格威科技有限公司 摄像头模组的外观检测方法、装置、电子设备及存储介质
CN110738644A (zh) * 2019-10-10 2020-01-31 清华大学 一种基于深度学习的汽车涂装表面缺陷检测方法及***
CN111257340A (zh) * 2020-03-27 2020-06-09 河海大学常州校区 一种精密相机模组的表面缺陷检测装置
CN111429376A (zh) * 2020-03-30 2020-07-17 北京芯龙德大数据科技有限公司 高低精度融合的高效数字图像处理方法
CN113327241A (zh) * 2021-06-16 2021-08-31 南昌航空大学 一种轴承端面的表面缺陷视觉检测方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114125404A (zh) * 2022-01-25 2022-03-01 济南慧智机器人科技有限公司 一种佐料盒呼叫报警装置
CN114677757A (zh) * 2022-03-18 2022-06-28 吉林云帆智能工程有限公司 一种轨道车辆行车手语识别算法

Similar Documents

Publication Publication Date Title
CN206114546U (zh) 一种印刷缺陷视觉检测***
CN113824951A (zh) 一种摄像头模组视觉检测***
CN110174065B (zh) 基于正交双目机器视觉的水果大小无损检测方法
CN105044114A (zh) 一种电解电容外观包装缺陷图像检测***与方法
CN107894431A (zh) 一种基于机器视觉的两节式胶囊药板质检装置及方法
CN201218723Y (zh) 光电非接触式图像检测装置
CN108982512A (zh) 一种基于机器视觉的电路板检测***及其方法
CN104889075A (zh) 一种滚子外观缺陷视觉检测装置
CN110044909B (zh) 一种基于图像处理的电机转子焊点缺陷检测装置及方法
CN107238955B (zh) 液晶模组屏检测***
CN108229370A (zh) 一种基于货物图像识别技术的仓库货物智能识别***
CN210071686U (zh) 基于正交双目机器视觉的水果分级装置
CN206772843U (zh) 结合ccd线扫描相机与深度学习的缺陷分类检测***
CN110346379B (zh) 一种轴承缺陷探伤装置及轴承缺陷探伤方法
CN204789357U (zh) 一种电解电容外观包装缺陷图像检测***
CN102141379A (zh) 新型玻璃瓶罐检测装置
CN106248680A (zh) 一种基于机器视觉的电机换向器质量检测***及检测方法
CN205721986U (zh) 一种线缆表观缺陷检测和字符识别装置
CN204440490U (zh) 一种基于压缩感知的轴套类零件表面缺陷在线检测装置
CN114280073A (zh) 激光和相机复合检测方式的瓷砖缺陷检测装置及分级方法
CN111330874A (zh) 药瓶底部区域污染或杂物缺陷检测装置及其检测方法
CN111141741B (zh) 一种可识别打印机标签缺陷的检测装置
CN105738376B (zh) 一种采用接触式图像传感器的自动验布机
US20180176549A1 (en) Multi-view-angle image capturing device and multi-view-angle image inspection apparatus using the same
CN214151768U (zh) 物料管理***

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
CB03 Change of inventor or designer information

Inventor after: Deng Genyu

Inventor before: Rong Jin

Inventor before: Sun Yuchen

Inventor before: Deng Genyu

CB03 Change of inventor or designer information