CN114654315A - 一种圆锥滚子基面磨削不良的机器视觉检测***及方法 - Google Patents
一种圆锥滚子基面磨削不良的机器视觉检测***及方法 Download PDFInfo
- Publication number
- CN114654315A CN114654315A CN202210144693.6A CN202210144693A CN114654315A CN 114654315 A CN114654315 A CN 114654315A CN 202210144693 A CN202210144693 A CN 202210144693A CN 114654315 A CN114654315 A CN 114654315A
- Authority
- CN
- China
- Prior art keywords
- image
- base surface
- neural network
- grinding
- roller base
- 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
- 238000000227 grinding Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 230000007547 defect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B5/00—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor
- B24B5/02—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor involving centres or chucks for holding work
- B24B5/14—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor involving centres or chucks for holding work for grinding conical surfaces, e.g. of centres
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种圆锥滚子基面磨削不良的机器视觉检测***及方法,属于圆锥滚子磨削技术领域,***包括平行光源、面阵相机和上位机,方法包括面阵相机采集滚子基面的图像;对原始数据集中的图像进行区域分割和尺寸调整;对处理后的数据集进行标注得到训练数据集;建立包括多层神经网络结构的卷积神经网络,基于训练数据集对神经网络进行训练;检测时用面阵相机采集滚子基面的图像;对原始图像进行区域分割和尺寸调整;将合规子图像输入到训练后的卷积神经网络中,获得最后一层神经网络结构的输出值,对磨削不良进行判别。本发明具有检测效率高、检测精度高的优点,能解决人工检测手段效率低、人力成本高、易漏检的问题,提高生产效率和生产质量。
Description
技术领域
本发明涉及圆锥滚子磨削技术领域,具体涉及一种圆锥滚子基面磨削不良的机器视觉检测***及方法。
背景技术
圆锥滚子在进行基面磨削加工时,按照固定姿态(如小端在前大端在后)将滚子一个个推进磨削区。若圆锥滚子未以正确姿态进入磨削区,就会造成基面欠磨、漏磨等缺陷,统称为磨削不良。圆锥滚子基面磨削不良属于一种很严重的缺陷,会影响滚子的工作性能,严重时会造成安全事故。因此,圆锥滚子基面磨削不良的检测是非常重要的一项要求。
目前而言,针对圆锥滚子基面磨削不良的检测仍以人工检测为主。对于较为明显、较大面积的磨削不良,通常在常规可见光源照射下,肉眼可以直接观测到;但对于较为微弱、较小面积的基面磨削不良,常规条件下人工肉眼难以分辨,需要借助于高分辨率的检测仪器进行观测。针对基面磨削不良的人工检测存在效率低、精度低、可靠性低的问题。
因此,如何提高圆锥滚子基面磨削不良的检测准确率,是亟需解决的问题。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种圆锥滚子基面磨削不良的机器视觉检测***及方法,以解决如何提高圆锥滚子基面磨削不良的检测准确率的问题。
本发明的技术方案如下:一种圆锥滚子基面磨削不良的机器视觉检测方法,包括以下步骤:
步骤1:挑选合格滚子和包含基面磨削不良的缺陷滚子,分别放置到面阵相机下,在平行光源的照射下,采集滚子基面的原始图像,图像分辨率为1920×1080像素,得到原始数据集;
步骤2:对原始数据集中的图像进行区域分割,得到基面区域子图像;对子图像进行尺寸调整,变换为300×300像素,得到合规子图像;对处理后的数据集进行标注,得到训练数据集;
步骤3:针对磨削不良数据和合格数据建立包括多层神经网络结构的卷积神经网络,基于训练数据集对神经网络进行训练;
步骤4:针对待检测滚子,用所述面阵相机采集滚子基面的图像;对原始图像进行区域分割和尺寸调整,得到基面区域的合规子图像;
步骤5:将合规子图像输入到训练后的卷积神经网络中,获得最后一层神经网络结构的输出值,进而对磨削不良进行判别。
所述步骤1和步骤4中的区域分割,目的是从包含滚子基面和背景区域的原始图像中,提取包含滚子基面区域的最小水平外接矩形区域,从而得到基面区域子图像,具体为:
1)由于所述平行光源的照射,滚子基面区域亮度大于背景区域亮度,对原始图像I按照公式1进行二值化,得到二值化图Ib,其中h为二值化阈值,根据图像实际情况进行选取;
2)在二值化图Ib中寻找面积最大的连通域Cmax,该连通域对应的区域即为滚子基面区域;
3)计算Cmax的最小水平外接矩形R,该矩形满足下述条件:包含连通域Cmax的所有像素的面积最小的水平矩形;
4)提取原始图像I中矩形R所包围的区域,即为滚子基面区域子图像。
步骤2所述的标注,指根据该图像对应的滚子类型(合格滚子或磨削不良滚子)对图像进行人工分类,这些类别已知的图像组成后续步骤神经网络训练的数据集。
所述卷积神经网络包含14层神经元,分别由1个输入卷积层、3个残差连接模块和1个输出全连接层构成。其中输入卷积层的卷积核大小为7×7,步长为2,激活函数采用ReLU(Rectified Linear Units, 修正线性单元);残差连接模块每个包含4层卷积层,卷积核大小均为3×3,步长为1,激活函数采用ReLU;输出全连接层的神经元个数为2,代表分类结果为合格与磨削不良。
卷积神经网络训练时采用交叉熵损失函数,使用随机梯度下降法作为优化算法,每次训练的学习率小于或等于前一次训练的学习率,卷积神经网络在训练时,采用所述训练数据集多次训练,按照设定的学习率调整所述神经网络的参数,从而得到训练后的神经网络。
针对经过标注的基面磨削不良和正常图像,建立多层卷积神经网络,基于训练数据集对卷积神经网络的训练,使神经网络的输出符合实际标注的结果,从而可以利用训练好的卷积神经网络对基面磨削不良进行检测。
一种圆锥滚子基面磨削不良的机器视觉检测***,包括平行光源、面阵相机和上位机;所述平行光源发射出平行度高的多束蓝色光线;用于照亮滚子基面区域并使其和背景区域形成明显的亮暗对比;所述面阵相机用于拍摄圆锥滚子基面,并将圆锥滚子的基面图像发送至上位机;所述上位机用于运行滚子基面子图像的提取与合规处理算法,通过深度学习模型检测所述圆锥滚子基面的磨削不良。
本发明采用深度学习模型检测圆锥滚子基面的磨削不良,具有检测效率高、检测精度高的显著优点,能够有效解决目前人工检测手段效率低、人力成本高、易漏检的问题,提高生产效率和生产质量。
附图说明
图1为本发明方法的流程图;
图2为磨削不良的原始图像;
图3为基面区域的子图像。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,一种圆锥滚子基面磨削不良的机器视觉检测方法,其特征在于包括以下步骤:
步骤1:挑选合格滚子和包含基面磨削不良的缺陷滚子,分别放置到所述面阵相机下,在所述平行光源的照射下,采集滚子基面的原始图像,图像分辨率为1920*1080像素,得到原始数据集;
步骤2:对原始数据集中的图像进行区域分割,得到基面区域子图像;对子图像进行尺寸调整,变换为300×300像素,得到合规子图像;对处理后的数据集进行标注,得到训练数据集;
步骤3:针对磨削不良数据和合格数据建立包括多层神经网络结构的卷积神经网络,基于训练数据集对神经网络进行训练;
步骤4:针对待检测滚子,用所述面阵相机采集滚子基面的图像;对原始图像进行区域分割和尺寸调整,得到基面区域的合规子图像;
步骤5:将合规子图像输入到训练后的卷积神经网络中,获得最后一层神经网络结构的输出值,进而对磨削不良进行判别。
所述步骤1和步骤4中的区域分割,目的是从包含滚子基面和背景区域的原始图像中,提取包含滚子基面区域的最小水平外接矩形区域,从而得到基面区域子图像,具体为:
1)由于所述平行光源的照射,滚子基面区域亮度大于背景区域亮度,对原始图像I按照公式1进行二值化,得到二值化图Ib,其中h为二值化阈值,根据图像实际情况进行选取;
2)在二值化图Ib中寻找面积最大的连通域Cmax,该连通域对应的区域即为滚子基面区域;
3)计算Cmax的最小水平外接矩形R,该矩形满足下述条件:包含连通域Cmax的所有像素的面积最小的水平矩形;
4)提取原始图像I中矩形R所包围的区域,即为滚子基面区域子图像。
步骤2所述的标注,指根据该图像对应的滚子类型(合格滚子或磨削不良滚子)对图像进行人工分类,这些类别已知的图像组成后续步骤神经网络训练的数据集。
步骤3所述的卷积神经网络包含14层神经元,分别由1个输入卷积层、3个残差连接模块和1个输出全连接层构成。其中输入卷积层的卷积核大小为7×7,步长为2,激活函数采用ReLU(Rectified Linear Units, 修正线性单元);残差连接模块每个包含4层卷积层,卷积核大小均为3×3,步长为1,激活函数采用ReLU;输出全连接层的神经元个数为2,代表分类结果为合格与磨削不良。
卷积神经网络训练时采用交叉熵损失函数,使用随机梯度下降法作为优化算法。每次训练的学习率小于或等于前一次训练的学习率。卷积神经网络在训练时,采用所述训练数据集多次训练,按照设定的学习率调整所述神经网络的参数,从而得到训练后的神经网络。
针对经过标注的基面磨削不良和正常图像,建立多层卷积神经网络,基于训练数据集对卷积神经网络的训练,使神经网络的输出符合实际标注的结果,从而可以利用训练好的卷积神经网络对基面磨削不良进行检测。
一种圆锥滚子基面磨削不良的机器视觉检测***,包括平行光源、面阵相机和上位机;
所述平行光源发射出平行度高的多束蓝色光线;用于照亮滚子基面区域并使其和背景区域形成明显的亮暗对比,能够形成良好的照射效果;
所述面阵相机用于拍摄圆锥滚子基面,并将圆锥滚子的基面图像发送至上位机;
所述上位机用于运行滚子基面子图像的提取与合规处理算法,通过深度学习模型检测所述圆锥滚子基面的磨削不良。
本发明采用深度学习模型检测圆锥滚子基面的磨削不良,具有检测效率高、检测精度高的显著优点,能够有效解决目前人工检测手段效率低、人力成本高、易漏检的问题,提高生产效率和生产质量。
Claims (9)
1.一种圆锥滚子基面磨削不良的机器视觉检测方法,其特征在于包括以下步骤:
步骤1:挑选合格滚子和包含基面磨削不良的缺陷滚子,分别放置到面阵相机下,在平行光源的照射下,采集滚子基面的原始图像,得到原始数据集;
步骤2:对原始数据集中的图像进行区域分割,得到基面区域子图像;对子图像进行尺寸调整,得到合规子图像;对处理后的数据集进行标注,得到训练数据集;
步骤3:针对磨削不良数据和合格数据建立包括多层神经网络结构的卷积神经网络,基于训练数据集对神经网络进行训练;
步骤4:针对待检测滚子,用所述面阵相机采集滚子基面的图像;对原始图像进行区域分割和尺寸调整,得到基面区域的合规子图像;
步骤5:将合规子图像输入到训练后的卷积神经网络中,获得最后一层神经网络结构的输出值,进而对磨削不良进行判别。
2.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法,其特征在于:所述步骤1和步骤4中的区域分割,目的是从包含滚子基面和背景区域的原始图像中,提取包含滚子基面区域的最小水平外接矩形区域,从而得到基面区域子图像,具体为:
1)由于所述平行光源的照射,滚子基面区域亮度大于背景区域亮度,对原始图像I按照公式1进行二值化,得到二值化图Ib,其中h为二值化阈值,根据图像实际情况进行选取;
2)在二值化图Ib中寻找面积最大的连通域Cmax,该连通域对应的区域即为滚子基面区域;
3)计算Cmax的最小水平外接矩形R,该矩形满足下述条件:包含连通域Cmax的所有像素的面积最小的水平矩形;
4)提取原始图像I中矩形R所包围的区域,即为滚子基面区域子图像。
3.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法,其特征在于:步骤2所述的标注,指根据该图像对应的滚子类型对图像进行人工分类,这些类别已知的图像组成后续步骤神经网络训练的数据集。
4.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法,其特征在于:所述的卷积神经网络包含14层神经元,分别由1个输入卷积层、3个残差连接模块和1个输出全连接层构成,其中输入卷积层的卷积核大小为7×7,步长为2,激活函数采用ReLU;残差连接模块每个包含4层卷积层,卷积核大小均为3×3,步长为1,激活函数采用ReLU;输出全连接层的神经元个数为2,代表分类结果为合格与磨削不良。
5.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法,其特征在于:卷积神经网络训练时采用交叉熵损失函数,使用随机梯度下降法作为优化算法,每次训练的学习率小于或等于前一次训练的学习率,卷积神经网络在训练时,采用所述训练数据集多次训练,按照设定的学习率调整所述神经网络的参数,从而得到训练后的神经网络。
6.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法,其特征在于:针对经过标注的基面磨削不良和正常图像,建立多层卷积神经网络,基于训练数据集对卷积神经网络的训练,使神经网络的输出符合实际标注的结果,从而利用训练好的卷积神经网络对基面磨削不良进行检测。
7.如权利要求1所述的一种圆锥滚子基面磨削不良的机器视觉检测方法,其特征在于:所述滚子基面的原始图像的分辨率为1920×1080像素,所述合规子图像的分辨率为300×300像素。
8.一种圆锥滚子基面磨削不良的机器视觉检测***,其特征在于:包括平行光源、面阵相机和上位机;
所述平行光源用于照亮滚子基面区域并使其和背景区域形成明显的亮暗对比;
所述面阵相机用于拍摄圆锥滚子基面,并将圆锥滚子的基面图像发送至上位机;
所述上位机用于运行滚子基面子图像的提取与合规处理算法,通过深度学习模型检测所述圆锥滚子基面的磨削不良。
9.如权利要求8所述的一种圆锥滚子基面磨削不良的机器视觉检测***,其特征在于:所述平行光源发射出平行度高的多束蓝色光线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210144693.6A CN114654315A (zh) | 2022-02-17 | 2022-02-17 | 一种圆锥滚子基面磨削不良的机器视觉检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210144693.6A CN114654315A (zh) | 2022-02-17 | 2022-02-17 | 一种圆锥滚子基面磨削不良的机器视觉检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114654315A true CN114654315A (zh) | 2022-06-24 |
Family
ID=82026892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210144693.6A Pending CN114654315A (zh) | 2022-02-17 | 2022-02-17 | 一种圆锥滚子基面磨削不良的机器视觉检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114654315A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103264019A (zh) * | 2013-04-25 | 2013-08-28 | 洛阳久德轴承模具技术有限公司 | 圆锥滚子表面缺陷检测*** |
CN104655635A (zh) * | 2013-11-25 | 2015-05-27 | 刘晶 | 轴承防尘盖表面缺陷自动检测仪 |
CN110927171A (zh) * | 2019-12-09 | 2020-03-27 | 中国科学院沈阳自动化研究所 | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 |
CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、***及设备 |
CN111402196A (zh) * | 2020-02-10 | 2020-07-10 | 浙江工业大学 | 一种基于对抗生成网络的轴承滚子图像生成方法 |
CN111507990A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种基于深度学习的隧道表面缺陷分割方法 |
CN111660147A (zh) * | 2020-06-28 | 2020-09-15 | 上海理工大学 | 圆锥滚子球基面磨削工艺参数优化方法 |
CN111861990A (zh) * | 2020-06-10 | 2020-10-30 | 宜通世纪物联网研究院(广州)有限公司 | 一种产品不良外观检测的方法、***及存储介质 |
-
2022
- 2022-02-17 CN CN202210144693.6A patent/CN114654315A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103264019A (zh) * | 2013-04-25 | 2013-08-28 | 洛阳久德轴承模具技术有限公司 | 圆锥滚子表面缺陷检测*** |
CN104655635A (zh) * | 2013-11-25 | 2015-05-27 | 刘晶 | 轴承防尘盖表面缺陷自动检测仪 |
CN110927171A (zh) * | 2019-12-09 | 2020-03-27 | 中国科学院沈阳自动化研究所 | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 |
CN110974214A (zh) * | 2019-12-20 | 2020-04-10 | 华中科技大学 | 一种基于深度学习的自动心电图分类方法、***及设备 |
CN111402196A (zh) * | 2020-02-10 | 2020-07-10 | 浙江工业大学 | 一种基于对抗生成网络的轴承滚子图像生成方法 |
CN111507990A (zh) * | 2020-04-20 | 2020-08-07 | 南京航空航天大学 | 一种基于深度学习的隧道表面缺陷分割方法 |
CN111861990A (zh) * | 2020-06-10 | 2020-10-30 | 宜通世纪物联网研究院(广州)有限公司 | 一种产品不良外观检测的方法、***及存储介质 |
CN111660147A (zh) * | 2020-06-28 | 2020-09-15 | 上海理工大学 | 圆锥滚子球基面磨削工艺参数优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测***及方法 | |
CN101424645B (zh) | 基于机器视觉的焊球表面缺陷检测装置与方法 | |
CN108492291B (zh) | 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN109919908B (zh) | 发光二极管芯片缺陷检测的方法和装置 | |
CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
CN109142383B (zh) | 一种基于形态学的字符缺陷检测方法 | |
CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
CN104881665A (zh) | 一种芯片字符识别与校验方法及装置 | |
CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及*** | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
CN112200790A (zh) | 布料缺陷检测方法、设备和介质 | |
CN105277560A (zh) | 一种织物起球等级评价分析方法及装置 | |
KR20210086303A (ko) | 딥러닝 기반 패턴 검사 장치 및 그 장치를 이용한 검사 방법 | |
CN114549414A (zh) | 一种针对轨道数据的异常变化检测方法及*** | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
CN117455917A (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN114654315A (zh) | 一种圆锥滚子基面磨削不良的机器视觉检测***及方法 | |
CN114120318B (zh) | 一种基于集成决策树的暗场图像目标点精确提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220624 |