CN113870217A - 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 - Google Patents
一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 Download PDFInfo
- Publication number
- CN113870217A CN113870217A CN202111133008.1A CN202111133008A CN113870217A CN 113870217 A CN113870217 A CN 113870217A CN 202111133008 A CN202111133008 A CN 202111133008A CN 113870217 A CN113870217 A CN 113870217A
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- area
- vision
- pixel
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000005452 bending Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004080 punching Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009966 trimming 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开是关于一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪，涉及视觉检测技术领域。标准图像获取，采集产品处于合格状态的图像；检测区域获取，选定要检测的区域；图像获取，采集需要判断是否发生边缘变化的产品的图像；边缘提取，提取检测区域内待测产品的边缘；边缘点提取，提取边缘上的特征点；偏移量计算，计算待测产品边缘特征点与标准图像边缘特征点的偏移量。选定标准图像和提取并记录标准图像中的边缘，通过比较检测边缘与标准图像边缘得到偏移情况，而非将标准边缘设定为固定值，这样做在更换不同型号产品后，通过选定标准图仍可以进行准确检测；选取边缘上的特征点，既反映了边缘的位置信息，缩短了检测时间，提高效率。
Description
技术领域
本发明公开涉及视觉检测技术领域，尤其涉及一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪。
背景技术
冲压工艺是一种金属加工方法，它是建立在金属塑性变形的基础上，利用模具和冲压设备对板料施加压力，使板料产生塑性变形或分离，从而获得具有一定形状、尺寸和性能的零件。冲压成形工艺在汽车车身制造工艺中占有重要的地位，尤其是汽车车身的大型覆盖件，因大多形状复杂，结构尺寸大，有些还是空间曲面，并且对表面质量要求高，所以冲压加工方法来制作这些零件是效率极高的。
冲压工序可分为四个基本工序：
1)冲裁：使板料实现分离的冲压工序(包括冲孔、落料、修边、剖切等)。
2)弯曲：将板料沿弯曲线弯成一定的角度和形状的冲压工序。
3)拉深：将平面板料变成各种开口空心零件，或把空心件的形状、尺寸作进一步改变的冲压工序。
4)精冲：冲制精度较高的产品，对于尺寸、表面光量带要求高的产品，通过精冲模具达到图纸要求的工序。
其中弯曲工序会导致冲压板料的大幅度形变，这是就要求冲压模具和板料有很高的匹配度。在修模和生产过程中，随时检测每一次冲压时板料的偏移情况，有助于分析弯曲工序的工作状态，以便于及时发现加工误差和潜在隐患。
当前，虽然存在冲压板料边缘实时监控的需求，却缺乏相关的实时监控的方法和产品。而且冲压设备由于工作原理问题，往往不能加装传感器进行边缘检测。因此当前急需一种在不干扰原有冲压生产线情况下，实现有效实时监控冲压加工前后板料偏移状态，及时发现加工误差与潜在隐患的检测方法与产品。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种基于机器视觉的边缘偏移视觉测量方法,并以此方法构建测量***。所述技术方案如下：
测量***由拍摄单元、控制单元、数据处理单元、算法识别单元构成；拍摄单元，用于对冲压生产线中的板料边缘进行图像拍摄；控制单元，以PLC控制单元为主，与拍摄单元连接，用于对拍摄单元图像拍摄中光源开关(控制光源的亮灭)、拍摄角度、镜头对焦进行控制；数据处理单元，与控制单元、拍摄单元连接，用于存储拍摄单元所采集的图像并对图像进行处理，将图像检测结果发送或进行信息的传输；算法识别单元，与数据处理单元连接，用于对数据处理单元处理的图像进行检测与标定，获取冲压加工中板料的实际偏移量。
该基于机器视觉的边缘偏移视觉测量方法包括以下步骤：
标准图像获取，采集产品处于合格状态的图像；
检测区域获取，选定要检测的区域；
图像获取，采集需要判断是否发生边缘变化的产品的图像；
边缘提取，提取检测区域内待测产品的边缘；
边缘点提取，提取边缘上的特征点；
偏移量计算，计算待测产品边缘特征点与标准图像边缘特征点的偏移量。
在一个实施例中，标准图像获取，具体包括以下步骤：
通过拍摄单元包括采用矩阵相机和镜头组成的拍摄模组，以及聚光光源模组；模具在冲压时的板料位于准确位置的状态作为比对基准，取图获得标准图像。
在一个实施例中，检测区域获取，具体包括以下步骤：
S1，在标准图像上选四个点，记录四个点坐标；
S2，使用四个点坐标做以四个点为顶点四边形，得到的四边形为检测区域。
在一个实施例中，边缘提取，具体包括以下步骤：
S1，从图像中截取只包含有检测区域的图像；
S2，对图像进行阈值的分割处理，得到二值化图像；
S3，对二值化图像进行形态学处理，得到边缘区域；
S4，使用亚像素边缘提取算子提取边缘区域图像的亚像素边缘轮廓；
S5，筛选亚像素边缘轮廓，得到检测边缘。
在一个实施例中，对图像进行阈值的分割处理，具体包括以下步骤：
S1，计算检测区域内图像灰度的均值；
S2，使用图像的均值乘以系数K得到阈值，K默认为0.9。
在一个实施例中，二值化图像进行形态学处理，具体包括以下步骤：
S1，对二值化图像进行开运算；
S2，对开运算得到的区域进行闭运算；
S3，对闭运算得到的区域断开连通域；
S4，对断开的区域按照面积进行排序；
S5，选取面积最大的区域；
S6，判断选取的最大面积区域是否为唯一值，如果是，则选取成功；
S7，填充选取区域内的空白部分；
S8，对填充后的区域进行膨胀操作，得到膨胀后的区域；
S9，对填充后的区域进行腐蚀操作，得到腐蚀后的区域；
S10，将膨胀后的区域与腐蚀后的区域做差，得到边缘区域；
S11，截取图像中仅包含边缘区域的部分图像。
在一个实施例中，筛选亚像素边缘轮廓，具体包括以下步骤：
S1，获取亚像素边缘轮廓的长度；
S2，对轮廓长度按照升序进行排序；
S3，选取序列的最后一位所对应的轮廓即最长轮廓，得到检测边缘；
S4，判断所选取的轮廓是否为唯一值，如果是，则选取成功。
在一个实施例中，边缘点提取，具体包括以下步骤：
S1，在选定区域的外接矩形范围内，做横竖相交的网格；
S2，选取轮廓与网格坐标的交点作为特征点；
S3，以数组的形式记录特征点的横纵坐标。
在一个实施例中，偏移量计算，具体步骤包括以下步骤：
S1，计算待测图像特征点与标准图像特征点两点之间的距离；
S2，对得到的距离求取均值，得到边缘轮廓的像素偏移量；
S3，实际偏移量＝像素偏移量×单像素精度×标定系数，单像素精度为相机视野与对应的像素个数的比值，标定系数由精度更高得测量工具标定获得。
本发明的另一目的在于提供一种根据所述基于机器视觉的边缘偏移视觉测量方法获得的图像检测仪。
本发明公开的实施例提供的技术方案具有以下有益效果：
计算像素点之间的欧式距离可以得到边缘之间更准确的位置信息，而计算像素点间的曼哈顿距离计算速度更快；
选定标准图像和提取并记录标准图像中的边缘，通过比较检测边缘与标准图像边缘得到偏移情况，而非将标准边缘设定为固定值，这样做在更换不同型号产品后，通过选定标准图仍可以进行准确检测；
同一个产品可以同时选取多个检测区域，得到不同检测区域内产品轮廓偏移信息；
选取边缘上的特征点，既反映了边缘的位置信息，又减少了计算量，缩短了检测时间，提高效率。
当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明提供的基于机器视觉的边缘偏移视觉测量方法流程图。
图2是本发明提供的边缘检测流程图。
图3是本发明提供的相机接受到触发信号后拍摄单元采集到的图像效果图。
图4是本发明提供的冲压加工后，板料的偏移量检测效果图。
图5是本发明提供的冲压加工后，板料的偏移与标准图进行偏移对比图。
图6是本发明提供的冲压加工后，板料的偏移量数据统计图。
图7是本发明提供的基于机器视觉的边缘偏移视觉测量方法的构建的视觉测量***图。
图8是本发明提供测量***实物结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。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。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本发明所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本发明所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，本发明公开实施例所提供的一种基于机器视觉的边缘偏移视觉测量方法包括以下步骤：
标准图像获取步骤，采集产品处于合格状态的图像；
检测区域获取步骤，选定要检测的区域；
图像获取步骤，采集需要判断是否发生边缘变化的产品的图像；
边缘提取步骤，提取检测区域内待测产品的边缘；
边缘点提取步骤，提取边缘上的特征点；
偏移量计算步骤，计算待测产品边缘特征点与标准图像边缘特征点的偏移量。
(1)选定标准图像和提取并记录标准图像中的边缘，通过比较检测边缘与标准图像边缘得到偏移情况，而非将标准边缘设定为固定值，这样做在更换不同型号产品后，通过选定标准图仍可以进行准确检测；(2)同一个产品可以同时选取多个检测区域，得到不同检测区域内产品轮廓偏移信息；(3)选取边缘上的特征点，既反映了边缘的位置信息，又减少了计算量，缩短了检测时间，提高效率。
边缘点提取步骤具体包括以下步骤：
S1，在选定区域的外接矩形范围内，做横竖相交的网格；
S2，选取轮廓与网格坐标的交点作为特征点；
S3，以数组的形式记录特征点的横纵坐标；
有益效果为：使用轮廓与网格坐标交点来确定特征点的方法，解决了不同长度轮廓在进行距离计算时像素点对应的问题。
偏移量计算步骤包括以下步骤：
S1，计算待测图像特征点与标准图像特征点两点之间的距离；
S2，对得到的距离求取均值，得到边缘轮廓的像素偏移量；
S3，实际偏移量＝像素偏移量×单像素精度×标定系数，单像素精度为相机视野与对应的像素个数的比值，标定系数由精度更高得测量工具标定获得；
下面结合具体实施例对本发明技术方案作进一步描述。
实施例
拍摄单元包括采用高精度矩阵相机和镜头组成的拍摄模组。模具在冲压时的板料位于准确位置的状态作为比对基准，取图获得标准图像；
在标准图像中选取四个点，以选择的四个点为顶点做四边形确定为检测区域，并且在后续冲压过程中实时监测该区域内的边缘。对于同一型号的模具，可选区多个检测区域同时监测；
提取标准图像中检测区域内的边缘轮廓，进而提取特征点，并以坐标数组形式进行记录，作为基准位置；
拍摄模组的高精度矩阵相机接收到机床开模合模的触发信号后，根据触发信号拍摄生产过程中的板料图片，得到检测图像。图3即为相机接受到触发信号后每一模所采集到的图像效果图；
提取检测图像中检测区域内的轮廓和特征点，计算与基准位置之间的距离的均值，得到偏移量，图4即为检测图像特征点与标准图像特征点的距离。
检测区域获取步骤具体包括以下步骤：
S1，在标准图像上选四个点，记录四个点坐标；
S2，使用四个点坐标做以四个点为顶点四边形，得到的四边形为检测区域；
有益效果为：使用任意的四个点做四边形获取检测区域的方法，相较于标准的矩形，更灵活自由，适用于更多类型的检测边缘，减少了不必要非检测区域的干扰。
具体的，边缘提取如图2所示，包括以下步骤：
S1，从图像中截取只包含有检测区域的图像；
S2，对图像进行阈值的分割处理，得到二值化图像；
S3，对二值化图像进行形态学处理，得到边缘区域；
S4，使用亚像素边缘提取算子提取边缘区域图像的亚像素边缘轮廓；
S5，筛选亚像素边缘轮廓，得到检测边缘；
在边缘提取过程中，(1)只对检测区域内图像进行处理，排除了不相干区域的干扰；(2)边缘提取前先进行边缘区域寻找，缩小提取范围，提高提取精度；(3)亚像素边缘轮廓提取，使分辨率小于一个像素，检测精度达到亚像素级别。
筛选亚像素边缘轮廓步骤具体包括以下步骤：
S1，获取亚像素边缘轮廓的长度；
S2，对轮廓长度按照升序进行排序；
S3，选取序列的最后一位所对应的轮廓即最长轮廓，得到检测边缘；
S4，判断所选取的轮廓是否为唯一值，如果是，则选取成功；
有益效果为：亚像素定位得到的目标定位精度高于整像素级的定位精度，提高了分辨率。提取出轮廓后进行按照一定的规则进行筛选非常必要，最长轮廓的筛选规则大大提高了方法的鲁棒性。
对图像进行阈值的分割处理步骤具体包括以下步骤：
S1，计算检测区域内图像灰度的均值；
S2，使用图像的均值乘以系数K得到阈值，K默认为0.9；
用区域内图像灰度均值乘以系数K得到的分割阈值，使得该检测方法对于不同亮暗程度的边缘均可以完成轮廓提取，增加了***的鲁棒性。
其中，二值化图像进行形态学处理步骤具体包括以下步骤：
S1，对二值化图像进行开运算；
S2，对开运算得到的区域进行闭运算；
S3，对闭运算得到的区域断开连通域；
S4，对断开的区域按照面积进行排序；
S5，选取面积最大的区域；
S6，判断选取的最大面积区域是否为唯一值，如果是，则选取成功；
S7，填充选取区域内的空白部分；
S8，对填充后的区域进行膨胀操作，得到膨胀后的区域；
S9，对填充后的区域进行腐蚀操作，得到腐蚀后的区域；
S10，将膨胀后的区域与腐蚀后的区域做差，得到边缘区域；
S11，截取图像中仅包含边缘区域的部分图像；
通过二值化图像进行形态学处理，(1)开运算滤波器可除去孤立的小点、边缘上的毛刺，断开二值化分割后仍有粘连的区域；(2)闭运算滤波器可弥合小的缝隙和孔洞，而区域的位置形状保持不变。
在得到检测区域内的轮廓后，在选定区域的外接矩形范围内，做横竖相交的网格，选取轮廓与网格坐标的交点作为特征点，以数组的形式记录特征点的横纵坐标；
计算偏移量：计算待测图像特征点与标准图像特征点两点之间的距离，对得到的距离求取均值，得到边缘轮廓的像素偏移量，实际偏移量＝像素偏移量×单像素精度×标定系数，单像素精度(mm/pix)＝单方向视场大小(mm)/相机单方向分辨率(pix)，标定系数由精度更高得测量工具标定获得。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (10)
1.一种基于机器视觉的边缘偏移视觉测量方法，其特征在于，该基于机器视觉的边缘偏移视觉测量方法包括以下步骤：
标准图像获取，采集产品处于合格状态的图像；
检测区域获取，选定要检测的区域；
图像获取，采集需要判断是否发生边缘变化的产品的图像；
边缘提取，提取检测区域内待测产品的边缘；
边缘点提取，提取边缘上的特征点；
偏移量计算，计算待测产品边缘特征点与标准图像边缘特征点的偏移量。
2.根据权利要求1所述的基于机器视觉的边缘偏移视觉测量方法，其特征在于，标准图像获取，具体包括以下步骤：
通过拍摄单元包括采用矩阵相机和镜头组成的拍摄模组，以及聚光光源模组；模具在冲压时的板料位于准确位置的状态作为比对基准，取图获得标准图像。
3.根据权利要求1所述的基于机器视觉的边缘偏移视觉测量方法，其特征在于，检测区域获取，具体包括以下步骤：
S1，在标准图像上选四个点，记录四个点坐标；
S2，使用四个点坐标做以四个点为顶点四边形，得到的四边形为检测区域。
4.根据权利要求1所述的基于机器视觉的边缘偏移视觉测量方法，其特征在于，边缘提取，具体包括以下步骤：
S1，从图像中截取只包含有检测区域的图像；
S2，对图像进行阈值的分割处理，得到二值化图像；
S3，对二值化图像进行形态学处理，得到边缘区域；
S4，使用亚像素边缘提取算子提取边缘区域图像的亚像素边缘轮廓；
S5，筛选亚像素边缘轮廓，得到检测边缘。
5.根据权利要求4所述的基于机器视觉的边缘偏移视觉测量方法，其特征在于，对图像进行阈值的分割处理，具体包括以下步骤：
S1，计算检测区域内图像灰度的均值；
S2，使用图像的均值乘以系数K得到阈值，K默认为0.9。
6.根据权利要求4所述的基于机器视觉的边缘偏移视觉测量方法，其特征在于，二值化图像进行形态学处理，具体包括以下步骤：
S1，对二值化图像进行开运算；
S2，对开运算得到的区域进行闭运算；
S3，对闭运算得到的区域断开连通域；
S4，对断开的区域按照面积进行排序；
S5，选取面积最大的区域；
S6，判断选取的最大面积区域是否为唯一值，如果是，则选取成功；
S7，填充选取区域内的空白部分；
S8，对填充后的区域进行膨胀操作，得到膨胀后的区域；
S9，对填充后的区域进行腐蚀操作，得到腐蚀后的区域；
S10，将膨胀后的区域与腐蚀后的区域做差，得到边缘区域；
S11，截取图像中仅包含边缘区域的部分图像。
7.根据权利要求4所述的基于机器视觉的边缘偏移视觉测量方法，其特征在于，筛选亚像素边缘轮廓，具体包括以下步骤：
S1，获取亚像素边缘轮廓的长度；
S2，对轮廓长度按照升序进行排序；
S3，选取序列的最后一位所对应的轮廓即最长轮廓，得到检测边缘；
S4，判断所选取的轮廓是否为唯一值，如果是，则选取成功。
8.根据权利要求1所述的基于机器视觉的边缘偏移视觉测量方法，其特征在于，边缘点提取，具体包括以下步骤：
S1，在选定区域的外接矩形范围内，做横竖相交的网格；
S2，选取轮廓与网格坐标的交点作为特征点；
S3，以数组的形式记录特征点的横纵坐标。
9.根据权利要求1所述的基于机器视觉的边缘偏移视觉测量方法，其特征在于，偏移量计算，具体步骤包括以下步骤：
S1，计算待测图像特征点与标准图像特征点两点之间的距离；
S2，对得到的距离求取均值，得到边缘轮廓的像素偏移量；
S3，实际偏移量＝像素偏移量×单像素精度×标定系数，单像素精度为相机视野与对应的像素个数的比值，标定系数由精度更高得测量工具标定获得。
10.一种根据权利要求1-9任意一项所述基于机器视觉的边缘偏移视觉测量方法获得的图像检测仪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111133008.1A CN113870217A (zh) | 2021-09-27 | 2021-09-27 | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111133008.1A CN113870217A (zh) | 2021-09-27 | 2021-09-27 | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113870217A true CN113870217A (zh) | 2021-12-31 |
Family
ID=78990785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111133008.1A Pending CN113870217A (zh) | 2021-09-27 | 2021-09-27 | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113870217A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092695A (zh) * | 2022-01-21 | 2022-02-25 | 武汉精立电子技术有限公司 | 一种基于分割模型的roi提取方法及装置 |
| CN115069878A (zh) * | 2022-08-22 | 2022-09-20 | 南京恩瑞享精密模具有限公司 | 适用于高精度汽车修边模具的数据处理方法及*** |
| CN116468729A (zh) * | 2023-06-20 | 2023-07-21 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、***及计算机 |
| CN116523882A (zh) * | 2023-05-05 | 2023-08-01 | 苏州如涵科技有限公司 | 一种基于视觉的光学目标区域准确率检测方法与*** |
| CN116681675A (zh) * | 2023-06-07 | 2023-09-01 | 深圳鑫振华光电科技有限公司 | 一种基于大数据分析的自动化控制***及方法 |
| CN117152415A (zh) * | 2023-09-01 | 2023-12-01 | 北京奥乘智能技术有限公司 | 药品包装的标记物检测方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737377A (zh) * | 2012-05-14 | 2012-10-17 | 上海瑞伯德智能***科技有限公司 | 改进的亚像素边缘提取方法 |
| CN104981105A (zh) * | 2015-07-09 | 2015-10-14 | 广东工业大学 | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 |
| CN107945192A (zh) * | 2017-12-14 | 2018-04-20 | 北京信息科技大学 | 一种托盘纸箱垛型实时检测方法 |
| US20190197340A1 (en) * | 2016-01-15 | 2019-06-27 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
| CN111879241A (zh) * | 2020-06-24 | 2020-11-03 | 西安交通大学 | 基于机器视觉的手机电池尺寸测量方法 |
-
2021
- 2021-09-27 CN CN202111133008.1A patent/CN113870217A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737377A (zh) * | 2012-05-14 | 2012-10-17 | 上海瑞伯德智能***科技有限公司 | 改进的亚像素边缘提取方法 |
| CN104981105A (zh) * | 2015-07-09 | 2015-10-14 | 广东工业大学 | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 |
| US20190197340A1 (en) * | 2016-01-15 | 2019-06-27 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
| CN107945192A (zh) * | 2017-12-14 | 2018-04-20 | 北京信息科技大学 | 一种托盘纸箱垛型实时检测方法 |
| CN111879241A (zh) * | 2020-06-24 | 2020-11-03 | 西安交通大学 | 基于机器视觉的手机电池尺寸测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁利利等: "基于Sobel算子边缘检测和数学形态学的车牌定位算法", 现代电子技术, 15 July 2015 (2015-07-15) * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092695A (zh) * | 2022-01-21 | 2022-02-25 | 武汉精立电子技术有限公司 | 一种基于分割模型的roi提取方法及装置 |
| CN115069878A (zh) * | 2022-08-22 | 2022-09-20 | 南京恩瑞享精密模具有限公司 | 适用于高精度汽车修边模具的数据处理方法及*** |
| CN115069878B (zh) * | 2022-08-22 | 2022-11-18 | 南京恩瑞享精密模具有限公司 | 适用于高精度汽车修边模具的数据处理方法及*** |
| CN116523882A (zh) * | 2023-05-05 | 2023-08-01 | 苏州如涵科技有限公司 | 一种基于视觉的光学目标区域准确率检测方法与*** |
| CN116523882B (zh) * | 2023-05-05 | 2023-11-24 | 苏州如涵科技有限公司 | 一种基于视觉的光学目标区域准确率检测方法与*** |
| CN116681675A (zh) * | 2023-06-07 | 2023-09-01 | 深圳鑫振华光电科技有限公司 | 一种基于大数据分析的自动化控制***及方法 |
| CN116468729A (zh) * | 2023-06-20 | 2023-07-21 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、***及计算机 |
| CN116468729B (zh) * | 2023-06-20 | 2023-09-12 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、***及计算机 |
| CN117152415A (zh) * | 2023-09-01 | 2023-12-01 | 北京奥乘智能技术有限公司 | 药品包装的标记物检测方法、装置、设备及存储介质 |
| CN117152415B (zh) * | 2023-09-01 | 2024-04-23 | 北京奥乘智能技术有限公司 | 药品包装的标记物检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113870217A (zh) | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 | |
| US11310467B2 (en) | Object inspection system and method for inspecting an object | |
| CN108592788B (zh) | 一种面向喷涂生产线的3d智能相机***与工件在线测量方法 | |
| CN108562250B (zh) | 基于结构光成像的键盘键帽平整度快速测量方法与装置 | |
| CN111062940B (zh) | 一种基于机器视觉的螺钉定位与识别方法 | |
| CN111126174A (zh) | 一种用于机器人抓取零件的视觉检测方法 | |
| CN113405530B (zh) | 冲压工艺板料偏移视觉测量***、方法、设备、生产线、终端 | |
| CN102441581A (zh) | 基于机器视觉的型钢断面尺寸在线检测的装置及方法 | |
| CN109978940B (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
| CN112419429B (zh) | 一种基于多视角的大型工件表面缺陷检测标定方法 | |
| CN114279357A (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及*** | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN104316033A (zh) | 汽车零部件视觉检测*** | |
| CN106355590B (zh) | 一种基于图像作差的模具残留物视觉检测方法及装置 | |
| CN114235837A (zh) | 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备 | |
| CN113222955A (zh) | 一种基于机器视觉的齿轮尺寸参数自动测量方法 | |
| CN113822810A (zh) | 一种基于机器视觉的三维空间中工件的定位方法 | |
| CN113269729B (zh) | 一种基于深度图像对比的装配体多视角检测方法和*** | |
| CN114040116A (zh) | 塑胶模材良品监测反馈*** | |
| CN112819935A (zh) | 基于双目立体视觉实现工件三维重建的方法 | |
| CN116823708A (zh) | 基于机器视觉的pc构件边模识别与定位研究 | |
| CN110111317A (zh) | 一种基于机器人智能末端的点胶质量视觉检测方法 | |
| Spence et al. | Automotive sheet metal and grid digitizing solutions | |
| Wang et al. | A detection system of tool parameter using machine vision | |
| CN108898590B (zh) | 一种应用于产品外形视觉检测的自身特征提取方法 |
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 |