CN113838043A - 金属箔材制造中基于机器视觉的质量分析方法 - Google Patents
金属箔材制造中基于机器视觉的质量分析方法 Download PDFInfo
- Publication number
- CN113838043A CN113838043A CN202111164209.8A CN202111164209A CN113838043A CN 113838043 A CN113838043 A CN 113838043A CN 202111164209 A CN202111164209 A CN 202111164209A CN 113838043 A CN113838043 A CN 113838043A
- Authority
- CN
- China
- Prior art keywords
- metal foil
- product
- area
- calculating
- module
- 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
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 81
- 239000002184 metal Substances 0.000 title claims abstract description 81
- 239000011888 foil Substances 0.000 title claims abstract description 68
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 230000007547 defect Effects 0.000 claims abstract description 22
- 230000002950 deficient Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004949 mass spectrometry Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 8
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000037303 wrinkles Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种金属箔材制造中基于机器视觉的质量分析方法。适用于产品质量检测领域。本发明所采用的技术方案是：一种金属箔材制造中基于机器视觉的质量分析方法，其特征在于：S1、获取产品的正、反面图像；S2、计算产品的正、反面图像上各金属箔材区边缘的最大拟合直线方程；S3、对于金属箔材区内的每个像素，将其与整个金属区的平均灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；S4、基于瑕疵点像素计算出每个瑕疵的连通区域面积大小尺寸；S5、把每个检测到的瑕疵图片及相应的面积大小尺寸，输入CNN智能分类器识别每个瑕疵的类别；S6、根据瑕疵的类别和数量，对金属箔材质量判等打标。
Description
技术领域
本发明涉及一种金属箔材制造中基于机器视觉的质量分析方法。适用于产品质量检测领域。
背景技术
金属箔材广泛应用于包装，锂电池基材等行业，对产品的质量要去日益增长，其质量控制涉及表面平整均匀性，还涉及针孔、压印、起皱、脏污、暗斑等瑕疵的检测控制。
目前，传统量测方式是需要产线低速运行，用人眼的方式检测各种缺陷，检测精度低，速度慢；而且由于金属箔材高亮反光，人眼易疲劳导致漏检误检，影响产品质量。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种金属箔材制造中基于机器视觉的质量分析方法。
本发明所采用的技术方案是：一种金属箔材制造中基于机器视觉的质量分析方法，其特征在于：
S1、获取产品的正、反面图像；
S2、计算产品的正、反面图像上各金属箔材区边缘的最大拟合直线方程；
S3、对于金属箔材区内的每个像素，将其与整个金属区的平均灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；
S4、基于瑕疵点像素计算出每个瑕疵的连通区域面积大小尺寸；
S5、把每个检测到的瑕疵图片及相应的面积大小尺寸，输入CNN智能分类器识别每个瑕疵的类别；
S6、根据瑕疵的类别和数量，对金属箔材质量判等打标。
步骤S2包括：
S21、通过图像金字塔算法找到产品正、反面图像上金属箔材区两边大概位置区域；
S22、在大概位置区域内，做一次中值滤波，去除噪声信号；
S23、使用Prewitt算子计算出金属区X和Y方向的边缘图像；
S24、用X和Y方向边缘值计算出每个像素点的梯度方向及导数；
S25、根据梯度方向及导数，剔除边缘响应小的像素，留下连续的边缘响应最大的骨架线；
S26、基于骨架线采用Hough变换计算出边缘点的最大拟合直线方程。
还包括：
根据金属箔材区两边的直线方程计算出产品的宽度，并与标准值比较，给出尺寸判等结果。
一种金属箔材制造中基于机器视觉的质量分析装置，其特征在于，包括：
图像获取模块，用于获取产品的正、反面图像；
边缘拟合模块，用于计算产品的正、反面图像上各金属箔材区边缘的最大拟合直线方程；
瑕疵点识别模块，用于对于金属箔材区内的每个像素，将其与整个金属区的平均灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；
瑕疵尺寸计算模块，用于基于瑕疵点像素计算出每个瑕疵的连通区域面积大小尺寸；
瑕疵分类模块，用于把每个检测到的瑕疵图片及相应的面积大小尺寸，输入CNN智能分类器识别每个瑕疵的类别；
质量判等模块，用于根据瑕疵的类别和数量，对金属箔材质量判等打标。
所述边缘拟合模块，包括：
区域查找模块，用于通过图像金字塔算法找到产品正、反面图像上金属箔材区两边大概位置区域；
去噪模块，用于在大概位置区域内，做一次中值滤波，去除噪声信号；
边缘图像计算模块，用于使用Prewitt算子计算出金属区X和Y方向的边缘图像；
梯度及导数计算模块，用于利用X和Y方向边缘值计算出每个像素点的梯度方向及导数；
像素剔除模块，用于根据梯度方向及导数，剔除边缘响应小的像素，留下连续的边缘响应最大的骨架线；
边缘点拟合模块，用于基于骨架线采用Hough变换计算出边缘点的最大拟合直线方程。
还包括：
宽度判等模块，用于根据金属箔材区两边的直线方程计算出产品的宽度，并与标准值比较，给出尺寸判等结果。
一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述金属箔材制造中基于机器视觉的质量分析方法的步骤。
一种数据处理设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述金属箔材制造中基于机器视觉的质量分析方法的步骤。
一种基于机器视觉的产品质量检测***，其特征在于，包括：
工业相机Ⅰ，用于采集产品正面图像；
工业相机Ⅱ，用于采集产品反面图像；
编码器，该编码器与产品接触，用于获取产品的传送距离，并在产品每传送一定距离后为相机Ⅰ、Ⅱ提供图像采集触发信号；
光源，用于照亮所述工业相机下放的金属箔材产品；
数据处理设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，所述计算机程序被执行时实现所述金属箔材制造中基于机器视觉的质量分析方法的步骤。
本发明的有益效果是：本发明通过将金属箔材区内像素点与整个金属区的平均灰阶值作比较，将差异大于设定阈值的标记为瑕疵点像素，通过瑕疵点像素计算瑕疵面积，基于瑕疵图像及瑕疵面积进行瑕疵分类，根据瑕疵的类别和数量对金属箔材质量判等打标，可自动实现产品质量检测，提高整体效率，保障产品质量。
附图说明
图1为实施例一种金属箔材制造中基于机器视觉的质量分析方法的步骤流程示意图。
图2为实施例一种金属箔材制造中基于机器视觉的质量分析装置的模块框图。
具体实施方式
本实施例为一种金属箔材制造中基于机器视觉的质量分析方法，具体包括以下步骤：
S1、获取产品的正、反面图像；
S2、计算产品的正、反面图像上各金属箔材区边缘的最大拟合直线方程；
S3、对于金属箔材区图像的每个像素，和整个金属区的平均灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；
S4、基于瑕疵点像素用blob计算出每个瑕疵的连通区域面积大小尺寸。
S5、把每个检测到的瑕疵图片及相应的面积大小尺寸，输入CNN智能分类器识别每个瑕疵的类别；
S6、根据瑕疵的类别和数量，对金属箔材质量判等打标。
本实施例中计算产品的正、反面图像上各金属箔材区边缘的最大拟合直线方程，包括：
S21、通过图像金字塔算法找到产品正、反面图像上金属箔材两边大概位置区域；
S22、在大概位置区域内，做一次中值滤波，去除噪声信号；
S23、使用Prewitt算子计算出金属箔材区X和Y方向的边缘图像；
S24、用X和Y方向边缘值计算出每个像素点的梯度方向及导数；
S25、根据梯度方向及导数，剔除边缘响应小的像素，留下连续的边缘响应最大的骨架线；
S26、基于骨架线采用Hough变换计算出边缘点的最大拟合直线方程。
本实施例中金属箔材制造中基于机器视觉的质量分析方法，还包括：根据金属箔材两边的边缘直线方程计算出产品的宽度，并与标准值比较，给出尺寸判等结果。
本实施例还提供一种金属箔材制造中基于机器视觉的质量分析装置，包括：图像获取模块、边缘拟合模块、宽度判等模块、瑕疵点识别模块、瑕疵尺寸计算模块、瑕疵分类模块和质量判等模块等。
本例中图像获取模块用于获取产品的正、反面图像；边缘拟合模块用于计算产品的正、反面图像上各金属箔材区边缘的最大拟合直线方程；宽度判等模块用于根据金属箔材区两边的直线方程计算出产品的宽度，并与标准值比较，给出尺寸判等结果；瑕疵点识别模块用于对于金属箔材区内的每个像素，将其与整个金属区的平均灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；瑕疵尺寸计算模块用于基于瑕疵点像素计算出每个瑕疵的连通区域面积大小尺寸；瑕疵分类模块用于把每个检测到的瑕疵图片及相应的面积大小尺寸，输入CNN智能分类器识别每个瑕疵的类别；质量判等模块，用于根据瑕疵的类别和数量，对金属箔材质量判等打标。
本实施例中边缘拟合模块，包括：区域查找模块、去噪模块、边缘图像计算模块、梯度及导数计算模块、像素剔除模块和边缘点拟合模块。
本例中区域查找模块用于通过图像金字塔算法找到产品正、反面图像上金属箔材区两边大概位置区域；去噪模块用于在大概位置区域内，做一次中值滤波，去除噪声信号；边缘图像计算模块用于使用Prewitt算子计算出金属区X和Y方向的边缘图像；梯度及导数计算模块用于利用X和Y方向边缘值计算出每个像素点的梯度方向及导数；像素剔除模块用于根据梯度方向及导数，剔除边缘响应小的像素，留下连续的边缘响应最大的骨架线；边缘点拟合模块用于基于骨架线采用Hough变换计算出边缘点的最大拟合直线方程。
本实施例还提供一种存储介质，其上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本实施例中金属箔材制造中基于机器视觉的质量分析方法的步骤。
本实施例还提供一种基于机器视觉的产品质量检测***，包括：工业相机Ⅰ、工业相机Ⅱ、编码器、光源和数据处理设备等。
本例中工业相机Ⅰ用于采集产品正面图像；工业相机Ⅱ用于采集产品反面图像；编码器该编码器与产品接触，用于获取产品的传送距离，并在产品每传送一定距离后为相机Ⅰ、Ⅱ提供图像采集触发信号；光源用于照亮所述工业相机下放的金属箔材产品；数据处理设备具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本实施例中金属箔材制造中基于机器视觉的质量分析方法的步骤。
Claims (9)
1.一种金属箔材制造中基于机器视觉的质量分析方法，其特征在于：
S1、获取产品的正、反面图像；
S2、计算产品的正、反面图像上各金属箔材区边缘的最大拟合直线方程；
S3、对于金属箔材区内的每个像素，将其与整个金属区的平均灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；
S4、基于瑕疵点像素计算出每个瑕疵的连通区域面积大小尺寸；
S5、把每个检测到的瑕疵图片及相应的面积大小尺寸，输入CNN智能分类器识别每个瑕疵的类别；
S6、根据瑕疵的类别和数量，对金属箔材质量判等打标。
2.根据权利要求1所述的金属箔材制造中基于机器视觉的质量分析方法，其特征在于，步骤S2包括：
S21、通过图像金字塔算法找到产品正、反面图像上金属箔材区两边大概位置区域；
S22、在大概位置区域内，做一次中值滤波，去除噪声信号；
S23、使用Prewitt算子计算出金属区X和Y方向的边缘图像；
S24、用X和Y方向边缘值计算出每个像素点的梯度方向及导数；
S25、根据梯度方向及导数，剔除边缘响应小的像素，留下连续的边缘响应最大的骨架线；
S26、基于骨架线采用Hough变换计算出边缘点的最大拟合直线方程。
3.根据权利要求1或2所述的金属箔材制造中基于机器视觉的质量分析方法，其特征在于，还包括：
根据金属箔材区两边的直线方程计算出产品的宽度，并与标准值比较，给出尺寸判等结果。
4.一种金属箔材制造中基于机器视觉的质量分析装置，其特征在于，包括：
图像获取模块，用于获取产品的正、反面图像；
边缘拟合模块，用于计算产品的正、反面图像上各金属箔材区边缘的最大拟合直线方程；
瑕疵点识别模块，用于对于金属箔材区内的每个像素，将其与整个金属区的平均灰阶值作比较，对差异大于设定阈值的标记为瑕疵点像素；
瑕疵尺寸计算模块，用于基于瑕疵点像素计算出每个瑕疵的连通区域面积大小尺寸；
瑕疵分类模块，用于把每个检测到的瑕疵图片及相应的面积大小尺寸，输入CNN智能分类器识别每个瑕疵的类别；
质量判等模块，用于根据瑕疵的类别和数量，对金属箔材质量判等打标。
5.根据权利要求4所述的金属箔材制造中基于机器视觉的质量分析装置，其特征在于，所述边缘拟合模块，包括：
区域查找模块，用于通过图像金字塔算法找到产品正、反面图像上金属箔材区两边大概位置区域；
去噪模块，用于在大概位置区域内，做一次中值滤波，去除噪声信号；
边缘图像计算模块，用于使用Prewitt算子计算出金属区X和Y方向的边缘图像；
梯度及导数计算模块，用于利用X和Y方向边缘值计算出每个像素点的梯度方向及导数；
像素剔除模块，用于根据梯度方向及导数，剔除边缘响应小的像素，留下连续的边缘响应最大的骨架线；
边缘点拟合模块，用于基于骨架线采用Hough变换计算出边缘点的最大拟合直线方程。
6.根据权利要求4或5所述的金属箔材制造中基于机器视觉的质量分析装置，其特征在于，还包括：
宽度判等模块，用于根据金属箔材区两边的直线方程计算出产品的宽度，并与标准值比较，给出尺寸判等结果。
7.一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～3任意一项所述金属箔材制造中基于机器视觉的质量分析方法的步骤。
8.一种数据处理设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～3任意一项所述金属箔材制造中基于机器视觉的质量分析方法的步骤。
9.一种基于机器视觉的产品质量检测***，其特征在于，包括：
工业相机Ⅰ，用于采集产品正面图像；
工业相机Ⅱ，用于采集产品反面图像；
编码器，该编码器与产品接触，用于获取产品的传送距离，并在产品每传送一定距离后为相机Ⅰ、Ⅱ提供图像采集触发信号；
光源，用于照亮所述工业相机下放的金属箔材产品；
数据处理设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，所述计算机程序被执行时实现权利要求1～3任意一项所述金属箔材制造中基于机器视觉的质量分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111164209.8A CN113838043A (zh) | 2021-09-30 | 2021-09-30 | 金属箔材制造中基于机器视觉的质量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111164209.8A CN113838043A (zh) | 2021-09-30 | 2021-09-30 | 金属箔材制造中基于机器视觉的质量分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113838043A true CN113838043A (zh) | 2021-12-24 |
Family
ID=78967947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111164209.8A Pending CN113838043A (zh) | 2021-09-30 | 2021-09-30 | 金属箔材制造中基于机器视觉的质量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113838043A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114466183A (zh) * | 2022-02-21 | 2022-05-10 | 江东电子材料有限公司 | 基于特征光谱的铜箔瑕疵检测方法、装置和电子设备 |
| CN115049644A (zh) * | 2022-08-12 | 2022-09-13 | 山东三微新材料有限公司 | 一种基于铝管表面瑕疵识别的温度控制方法及*** |
| CN117351001A (zh) * | 2023-11-16 | 2024-01-05 | 肇庆市大正铝业有限公司 | 一种再生铝合金模板表面缺陷识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测*** |
| CN108459027A (zh) * | 2018-03-21 | 2018-08-28 | 华北电力大学 | 一种基于图像处理的风力发电机叶片表面缺陷检测方法 |
| CN108846831A (zh) * | 2018-05-28 | 2018-11-20 | 中冶南方工程技术有限公司 | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 |
| CN109472783A (zh) * | 2018-10-31 | 2019-03-15 | 湘潭大学 | 一种泡沫镍表面缺陷提取及分类方法 |
| CN112098428A (zh) * | 2020-09-04 | 2020-12-18 | 杭州百子尖科技股份有限公司 | 片状建材制造中基于机器视觉的智能瑕疵识别*** |
| CN112215825A (zh) * | 2020-10-19 | 2021-01-12 | 杭州百子尖科技股份有限公司 | 新能源电池制造中基于机器视觉的质量分析方法及*** |
| CN113030093A (zh) * | 2020-12-30 | 2021-06-25 | 凌云光技术股份有限公司 | 一种电池隔膜表面缺陷检测方法和*** |
-
2021
- 2021-09-30 CN CN202111164209.8A patent/CN113838043A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测*** |
| CN108459027A (zh) * | 2018-03-21 | 2018-08-28 | 华北电力大学 | 一种基于图像处理的风力发电机叶片表面缺陷检测方法 |
| CN108846831A (zh) * | 2018-05-28 | 2018-11-20 | 中冶南方工程技术有限公司 | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 |
| CN109472783A (zh) * | 2018-10-31 | 2019-03-15 | 湘潭大学 | 一种泡沫镍表面缺陷提取及分类方法 |
| CN112098428A (zh) * | 2020-09-04 | 2020-12-18 | 杭州百子尖科技股份有限公司 | 片状建材制造中基于机器视觉的智能瑕疵识别*** |
| CN112215825A (zh) * | 2020-10-19 | 2021-01-12 | 杭州百子尖科技股份有限公司 | 新能源电池制造中基于机器视觉的质量分析方法及*** |
| CN113030093A (zh) * | 2020-12-30 | 2021-06-25 | 凌云光技术股份有限公司 | 一种电池隔膜表面缺陷检测方法和*** |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114466183A (zh) * | 2022-02-21 | 2022-05-10 | 江东电子材料有限公司 | 基于特征光谱的铜箔瑕疵检测方法、装置和电子设备 |
| CN115049644A (zh) * | 2022-08-12 | 2022-09-13 | 山东三微新材料有限公司 | 一种基于铝管表面瑕疵识别的温度控制方法及*** |
| CN117351001A (zh) * | 2023-11-16 | 2024-01-05 | 肇庆市大正铝业有限公司 | 一种再生铝合金模板表面缺陷识别方法 |
| CN117351001B (zh) * | 2023-11-16 | 2024-05-28 | 肇庆市大正铝业有限公司 | 一种再生铝合金模板表面缺陷识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113838043A (zh) | 金属箔材制造中基于机器视觉的质量分析方法 | |
| CN111507976B (zh) | 基于多角度成像的缺陷检测方法及*** | |
| CN103913468A (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
| JP6264132B2 (ja) | 車体塗装面の検査装置および検査方法 | |
| CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
| CN106501272B (zh) | 机器视觉焊锡定位检测*** | |
| CN110763700A (zh) | 一种半导体元器件缺陷检测方法和设备 | |
| CN113658155A (zh) | 一种基于光度立体的物体表面瑕疵检测分析方法及装置 | |
| CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
| CN108986055B (zh) | 一种鸡蛋蛋壳表面细微裂纹的视觉检测方法 | |
| CN116539641A (zh) | 光伏玻璃组件二道铺设后外观检测方法 | |
| CN111951218A (zh) | 一种混合深度学习模型的口红质检*** | |
| CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
| CN113139943B (zh) | 开口圆环工件外观缺陷检测方法、***及计算机存储介质 | |
| CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及*** | |
| CN107248151B (zh) | 一种基于机器视觉的液晶片智能检测方法及*** | |
| CN109785290A (zh) | 基于局部光照归一化的钢板缺陷检测方法 | |
| TWI822968B (zh) | 濾色器檢查裝置、檢查裝置、濾色器檢查方法及檢查方法 | |
| CN111833350A (zh) | 机器视觉检测方法与*** | |
| KR101637977B1 (ko) | 레이저 비전 시스템을 이용한 용접 조인트의 특징점 검출 방법 | |
| CN112837285B (zh) | 一种板面图像的边缘检测方法及装置 | |
| CN108401142B (zh) | 一种流水线上的工件计数装置及方法 | |
| Ye et al. | Automatic optical apparatus for inspecting bearing assembly defects | |
| Lin et al. | Computer-aided transmitted deformation inspection system for see-through glass products | |
| CN108764252B (zh) | 基于机器视觉的装饰合金片的正反面识别方法 |
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 |