CN115330766A - 一种电容阳极铝箔化成质量缺陷识别方法 - Google Patents
一种电容阳极铝箔化成质量缺陷识别方法 Download PDFInfo
- Publication number
- CN115330766A CN115330766A CN202211248163.2A CN202211248163A CN115330766A CN 115330766 A CN115330766 A CN 115330766A CN 202211248163 A CN202211248163 A CN 202211248163A CN 115330766 A CN115330766 A CN 115330766A
- Authority
- CN
- China
- Prior art keywords
- gray scale
- defect
- gray
- value
- aluminum foil
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 117
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 51
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 51
- 239000011888 foil Substances 0.000 title claims abstract description 51
- 239000003990 capacitor Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 239000013078 crystal Substances 0.000 claims abstract description 11
- 238000012512 characterization method Methods 0.000 claims abstract description 10
- 238000001035 drying Methods 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 238000002425 crystallisation Methods 0.000 description 4
- 230000008025 crystallization Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06T5/90—Dynamic range modification of images or parts thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种电容阳极铝箔化成质量缺陷识别方法。该方法包括：获取阳极铝箔化成处理后表面的灰度图，获得灰度图的判断值；所述判断值大于判断阈值的灰度图为缺陷灰度图；得到一个灰阶对应的多个分布中心；基于每个第一连线上每个灰阶的像素点出现的概率得到每个第一连线的灰阶熵；获得每个灰阶的中心连线灰阶熵；根据每个灰阶的中心连线灰阶熵和每个灰阶的像素点出现的概率计算缺陷灰度图的缺陷类别表征值；根据缺陷灰度图的缺陷类别表征值判断电容阳极铝箔化成的缺陷类别。本发明可以对化成膜结晶粗大疏松缺陷以及化成膜干燥挂灰缺陷进行区分识别，可以提高铝箔化成工艺过程质量缺陷的排除效率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种电容阳极铝箔化成质量缺陷识别方法。
背景技术
电容器是一种储存电能的装置，其本身被应用在现代生产生活中的各个方面，而铝箔作为电容器阳极的一种常见材料，其质量的好坏，直接影响到电容器的储能效果，若阳极铝箔质量不佳，则电容器可能会发生漏电，导致电能被浪费。
现有电解电容器技术中，为了使阳极铝箔具有更好的储能效果、更长的寿命、更小的体积，需要提高阳极铝箔的静电容量。而提高阳极铝箔静电容量的方式一般为将铝箔经腐蚀工艺去除表面污渍并形成致密微孔，增加阳极铝箔的比表面积，再经化成工艺将腐蚀后铝箔表面形成氧化膜。而化成工艺步骤会形成各种各样的缺陷，常见的缺陷有化成膜结晶粗大、疏松以及化成膜干燥挂灰。化成膜结晶粗大疏松的宏观表现为铝箔表面化成膜上具有亮点，而化成膜干燥挂灰的宏观表现为铝箔表面化成膜在干燥后存在白色粉末。这两种缺陷的宏观表现相似，现有的对铝箔表面化成质量缺陷进行识别的方式主要依赖人工目视检测，这种方式成本高且识别结果不稳定，而现有图像处理技术一般利用阈值分割的方式来识别铝箔表面缺陷，但由于上述两种缺陷的宏观表现相似，利用阈值分割方法仅能识别出铝箔表面存在该两种缺陷，但不能有效的精确区分识别二者。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种电容阳极铝箔化成质量缺陷识别方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种电容阳极铝箔化成质量缺陷识别方法：获取阳极铝箔化成处理后表面的灰度图，对灰度图的进行灰阶的划分；基于每个灰阶的灰阶数，以及属于每个灰阶的像素点的数量与像素点总数量的比值获得灰度图的判断值；设定判断阈值，所述判断值大于判断阈值的灰度图为缺陷灰度图；
将缺陷灰度图中属于一个灰阶的相邻的像素点进行合并获得多个像素区域，将每个像素区域的中心点作为一个分布中心，得到一个灰阶对应的多个分布中心；将一个灰阶对应的多个分布中心中任意两个分布中心进行连线，得到第一连线；基于每个第一连线上每个灰阶的像素点出现的概率得到每个第一连线的灰阶熵；一个灰阶对应的所有第一连线的灰阶熵的均值为该灰阶的中心连线灰阶熵；
根据每个灰阶的中心连线灰阶熵和每个灰阶的像素点出现的概率计算缺陷灰度图的缺陷类别表征值；根据缺陷灰度图的缺陷类别表征值判断电容阳极铝箔化成的缺陷类别。
优选地，对灰度图的进行灰阶的划分包括：对灰度图上像素点的灰度值进行归一化，根据归一化后的灰度值进行灰阶的划分，其中，
为第1灰阶，
为第2灰阶，以此类推，
为第10灰阶。
优选地，判断值为：
其中，Q为灰度图的判断值；
表示第k灰阶；
表示属于第k灰阶的像素点出现的概率。
优选地，每个第一连线的灰阶熵为：
其中，
表示第k灰阶对应的分布中心a和分布中心b组成的第一连线的灰阶熵；
表示第k灰阶对应的分布中心a和分布中心b组成的第一连线上灰阶为s的像素点出现的概率；
表示自然对数函数。
优选地，缺陷类别表征值为：
其中，
表示缺陷灰度图的缺陷类别表征值；
表示第
灰阶；
属于第k个灰阶的像素点出现的概率；
表示第k个灰阶的中心连线灰阶熵。
优选地，根据缺陷灰度图的缺陷类别表征值判断电容阳极铝箔化成的缺陷类别包括：
设定缺陷类别判断阈值，若缺陷类别表征值小于缺陷类别判断阈值，则判定电容阳极铝箔化成的缺陷类型为化成膜结晶粗大疏松，若缺陷类别表征值大于等于缺陷类别判断阈值，则判定电容阳极铝箔化成的缺陷类型为化成膜干燥挂灰缺陷。
本发明实施例至少具有如下有益效果：本发明通过对灰度图中灰阶的分析得到了存在缺陷的缺陷灰度图；将缺陷灰度图中属于一个灰阶的相邻的像素点进行合并获得多个像素区域，将每个像素区域的中心点作为一个分布中心，得到一个灰阶对应的多个分布中心；将一个灰阶对应的多个分布中心中任意两个分布中心进行连线，得到第一连线；基于每个第一连线上每个灰阶的像素点出现的概率得到每个第一连线的灰阶熵；一个灰阶对应的所有第一连线的灰阶熵的均值为该灰阶的中心连线灰阶熵；根据每个灰阶的中心连线灰阶熵和每个灰阶的像素点出现的概率计算缺陷灰度图的缺陷类别表征值；根据缺陷灰度图的缺陷类别表征值判断电容阳极铝箔化成的缺陷类别。本发明可以对化成膜结晶粗大疏松缺陷以及化成膜干燥挂灰缺陷进行区分识别，可以提高铝箔化成工艺过程质量缺陷的排除效率。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种电容阳极铝箔化成质量缺陷识别方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种电容阳极铝箔化成质量缺陷识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文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。
下面结合附图具体的说明本发明所提供的一种电容阳极铝箔化成质量缺陷识别方法的具体方案。
实施例：
本发明的主要应用场景为：电容器作为一种常用的储能的装置，如果阳极的铝箔质量不佳，就会出现电容器漏电的现象，因此需要对电容器阳极铝箔化成的质量缺陷进行识别，达到其品控的目的。
请参阅图1，其示出了本发明实施例提供的一种电容阳极铝箔化成质量缺陷识别方法的方法流程图，该方法包括以下步骤：
步骤S1，获取阳极铝箔化成处理后表面的灰度图，对灰度图的进行灰阶的划分；基于每个灰阶的灰阶数，以及属于每个灰阶的像素点的数量与像素点总数量的比值获得灰度图的判断值；设定判断阈值，所述判断值大于判断阈值的灰度图为缺陷灰度图。
利用工业相机获取阳极铝箔化成处理后表面的灰度图，获取灰度图后，将图像灰阶进行划分，对于获取的灰度图，将图像上各像素点的灰度值进行归一化，并将归一化后的灰度值进行灰阶的划分，由于归一化后的图像上像素点的灰度值得取值范围为
。则将
区间均匀分成10份，其中，
为第1灰阶，
为第2灰阶，以此类推，
为第10灰阶。统计灰度图上灰度值属于第
灰阶的像素点的个数占图像上总像素点个数的占比，记为
，计算存在化成膜结晶粗大疏松或化成膜干燥挂灰缺陷的判断值
，也即是灰度图存在缺陷的判断值，方式如下：
则
越大，说明图像上存在高灰度值的可能越大，也即可能存在缺陷的概率越大，且
为归一化数值，设定
的判断阈值为0.3，若
大于0.3则判断存在化成膜结晶粗大疏松或化成膜干燥挂灰缺陷，进行后续的操作，存在缺陷的灰度图为缺陷灰度图；k也表示灰阶数，越大表示其内的像素点的灰度值越大。
步骤S2，将缺陷灰度图中属于一个灰阶的相邻的像素点进行合并获得多个像素区域，将每个像素区域的中心点作为一个分布中心，得到一个灰阶对应的多个分布中心；将一个灰阶对应的多个分布中心中任意两个分布中心进行连线，得到第一连线；基于每个第一连线上每个灰阶的像素点出现的概率得到每个第一连线的灰阶熵；一个灰阶对应的所有第一连线的灰阶熵的均值为该灰阶的中心连线灰阶熵。
对于缺陷灰度图上处于相同灰度阶的像素点，其可能分布在图像上的不同位置，而寻找处于相同灰阶的像素点的分布中心，需要先将处于相同灰度阶的像素点进行基于位置进行合并。具体方式如下：
对于缺陷灰度图上处于第k灰阶的像素点进行相邻合并，也即若两个像素点都处于第k灰阶则将二者合并为一个像素区域，并继续寻找与这个像素区域相邻的同处于第k灰阶的其他像素区域继续合并，直到所有的像素区域之间互不相邻，停止连接。以各像素区域的区域重心点作为对应的分布中心。
至此，可以这种方式获取图像上处于第
灰阶的所有像素点在图像上对应的多个分布中心。
将第
灰阶对应的所有分布中心中的任意两个分布中心进行连线，获得第一连线，每个灰阶对应多个第一连线。基于每个第一连线上每个灰阶的像素点的数量和出现的概率得到每个第一连线的灰阶熵，熵值越大，说明在这两个分布中心之间存在的灰阶种类以及出现数量越复杂。而计算所有两两分布中心之间对应的中心连线灰阶熵并求均值，则可以说明第
灰阶对应的多个分布中心之间的连线上各像素点的灰阶种类以及数量是均衡分布的，也即什么灰度值都有。
则一个第一连线的灰阶熵为：
其中，
表示第k灰阶对应的分布中心a和分布中心b组成的第一连线的灰阶熵；
表示第k灰阶对应的分布中心a和分布中心b组成的第一连线上灰阶为s的像素点出现的概率；
表示自然对数函数。
最后计算第k灰阶的中心连线灰阶熵：
其中，
表示第k灰阶的中心连线灰阶熵；
第k灰阶对应的分布中心的数量。
至此可以得到缺陷灰度图中所有灰阶的中心连线灰阶熵。
步骤S3，根据每个灰阶的中心连线灰阶熵和每个灰阶的像素点出现的概率计算缺陷灰度图的缺陷类别表征值；根据缺陷灰度图的缺陷类别表征值判断电容阳极铝箔化成的缺陷类别。
对于已经确定图像上存在化成膜结晶粗大疏松或化成膜干燥挂灰缺陷，要想区分二者就需要对二者的宏观特征进行分析，而二者的宏观特征在灰度值上较为相似，要想判断二者就需要根据不同灰阶的分布特征来判断缺陷类别。
对于化成膜结晶粗大疏松缺陷来说，其本质上是由不均匀结晶导致，因此，结晶粗大处的高灰阶点较为集中，两个高灰阶点分布中心之间的连线上的其他像素点的灰阶大多是背景灰阶，且无论灰阶大小，其对应的中心连线灰阶熵均较小。
基于上述逻辑描述，计算缺陷灰度图的缺陷类别表征值
：
其中，
表示缺陷灰度图的缺陷类别表征值；
表示第
灰阶；
属于第k个灰阶的像素点出现的概率；
表示第k个灰阶的中心连线灰阶熵。
为归一化的数值。其越趋近于1，越说明图像上灰阶较大的像素点的分布特征符合化成膜干燥挂灰缺陷的特征。反之符合化成膜结晶粗大疏松缺陷的特征。
设定缺陷类别判断阈值，优选地，缺陷类别判断阈值的取值为0.5，若缺陷类别表征值小于0.5，则判定电容阳极铝箔化成的缺陷类型为化成膜结晶粗大疏松，若缺陷类别表征值大于等于0.5，则判定电容阳极铝箔化成的缺陷类型为化成膜干燥挂灰缺陷。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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 (5)
1.一种电容阳极铝箔化成质量缺陷识别方法，其特征在于，该方法包括：
获取阳极铝箔化成处理后表面的灰度图，对灰度图的进行灰阶的划分；基于每个灰阶的灰阶数，以及属于每个灰阶的像素点的数量与像素点总数量的比值获得灰度图的判断值；设定判断阈值，所述判断值大于判断阈值的灰度图为缺陷灰度图；
将缺陷灰度图中属于一个灰阶的相邻的像素点进行合并获得多个像素区域，将每个像素区域的中心点作为一个分布中心，得到一个灰阶对应的多个分布中心；将一个灰阶对应的多个分布中心中任意两个分布中心进行连线，得到第一连线；基于每个第一连线上每个灰阶的像素点出现的概率得到每个第一连线的灰阶熵；一个灰阶对应的所有第一连线的灰阶熵的均值为该灰阶的中心连线灰阶熵；
根据每个灰阶的中心连线灰阶熵和每个灰阶的像素点出现的概率计算缺陷灰度图的缺陷类别表征值；根据缺陷灰度图的缺陷类别表征值判断电容阳极铝箔化成的缺陷类别；
所述缺陷类别表征值为：
其中，
表示缺陷灰度图的缺陷类别表征值；
表示第
灰阶；
属于第k个灰阶的像素点出现的概率；
表示第k个灰阶的中心连线灰阶熵。
2.根据权利要求1所述的一种电容阳极铝箔化成质量缺陷识别方法，其特征在于，所述对灰度图的进行灰阶的划分包括：对灰度图上像素点的灰度值进行归一化，根据归一化后的灰度值进行灰阶的划分，其中，
为第1灰阶，
为第2灰阶，以此类推，
为第10灰阶。
3.根据权利要求1所述的一种电容阳极铝箔化成质量缺陷识别方法，其特征在于，所述判断值为：
其中，Q为灰度图的判断值；
表示第k灰阶；
表示属于第k灰阶的像素点出现的概率。
4.根据权利要求1所述的一种电容阳极铝箔化成质量缺陷识别方法，其特征在于，所述每个第一连线的灰阶熵为：
其中，
表示第k灰阶对应的分布中心a和分布中心b组成的第一连线的灰阶熵；
表示第k灰阶对应的分布中心a和分布中心b组成的第一连线上灰阶为s的像素点出现的概率；
表示自然对数函数。
5.根据权利要求1所述的一种电容阳极铝箔化成质量缺陷识别方法，其特征在于，所述根据缺陷灰度图的缺陷类别表征值判断电容阳极铝箔化成的缺陷类别包括：
设定缺陷类别判断阈值，若缺陷类别表征值小于缺陷类别判断阈值，则判定电容阳极铝箔化成的缺陷类型为化成膜结晶粗大疏松，若缺陷类别表征值大于等于缺陷类别判断阈值，则判定电容阳极铝箔化成的缺陷类型为化成膜干燥挂灰缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248163.2A CN115330766B (zh) | 2022-10-12 | 2022-10-12 | 一种电容阳极铝箔化成质量缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248163.2A CN115330766B (zh) | 2022-10-12 | 2022-10-12 | 一种电容阳极铝箔化成质量缺陷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115330766A true CN115330766A (zh) | 2022-11-11 |
| CN115330766B CN115330766B (zh) | 2023-04-11 |
Family
ID=83913338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211248163.2A Active CN115330766B (zh) | 2022-10-12 | 2022-10-12 | 一种电容阳极铝箔化成质量缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330766B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106097361A (zh) * | 2016-06-20 | 2016-11-09 | 昆山国显光电有限公司 | 一种缺陷区域检测方法及装置 |
| CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
| CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及*** |
| CN115082483A (zh) * | 2022-08-23 | 2022-09-20 | 启东金耀億华玻纤材料有限公司 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
-
2022
- 2022-10-12 CN CN202211248163.2A patent/CN115330766B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106097361A (zh) * | 2016-06-20 | 2016-11-09 | 昆山国显光电有限公司 | 一种缺陷区域检测方法及装置 |
| CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及*** |
| CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
| CN115082483A (zh) * | 2022-08-23 | 2022-09-20 | 启东金耀億华玻纤材料有限公司 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115330766B (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115937216A (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
| CN111415343B (zh) | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 | |
| CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| CN114494256A (zh) | 基于图像处理的电线生产缺陷检测方法 | |
| CN114581692B (zh) | 一种基于智能图形识别的防振锤故障检测方法及*** | |
| CN115314714A (zh) | 一种用于焊缝图像存储的数据压缩方法 | |
| CN104537650A (zh) | 一种铝电解电容器的极性方向判定方法及装置 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN116363140B (zh) | 一种中硼硅玻璃缺陷的检测方法、***、装置及存储介质 | |
| CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
| CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及*** | |
| CN115272347A (zh) | 一种轴承缺陷识别方法 | |
| CN116416268B (zh) | 基于递归二分法的锂电池极片边缘位置检测方法及装置 | |
| CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN114897881B (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
| CN114998187A (zh) | 一种玻璃纤维隔板缺陷检测方法及*** | |
| CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
| CN107862689A (zh) | 皮革表面明显破损自动识别方法及计算机可读存储介质 | |
| CN115511907A (zh) | 一种用于led屏幕的划痕检测方法 | |
| CN115330766B (zh) | 一种电容阳极铝箔化成质量缺陷识别方法 | |
| CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
| CN106204889B (zh) | 一种纸币荧光区域的定位方法和装置 | |
| CN116168288A (zh) | 一种基于红外图像的分布式光伏电站光伏阵列分割方法、***、设备以及存储介质 | |
| CN111192264A (zh) | 一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法 | |
| CN113205136A (zh) | 一种用于电源适配器外观缺陷的实时高精度检测方法 |
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 |