CN116596929A - 一种汽车后视镜生产质量监控*** - Google Patents
一种汽车后视镜生产质量监控*** Download PDFInfo
- Publication number
- CN116596929A CN116596929A CN202310875882.5A CN202310875882A CN116596929A CN 116596929 A CN116596929 A CN 116596929A CN 202310875882 A CN202310875882 A CN 202310875882A CN 116596929 A CN116596929 A CN 116596929A
- Authority
- CN
- China
- Prior art keywords
- degree
- lamp strip
- small lamp
- abnormal
- image
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 8
- 230000011218 segmentation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理领域,具体涉及一种汽车后视镜生产质量监控***,包括:图像数据采集和预处理模块,用于采集图像并预处理获得灯带图像;图像异常检测模块,用于根据每个小灯条连通域的中心点得到相邻小灯条连通域中心点之间距离的异常程度,记为第一异常程度;根据第一异常程度和相邻小灯条连通域中心点连线与小灯条方向的夹角得到任意一个小灯条连通域中心点的异常程度,记为第二异常程度;根据第二异常程度得到每个小灯条连通域的相对异常程度,记为第三异常程度;划痕判断模块,用于根据第三异常程度和预设阈值进行划痕的判断。本发明用图像数据处理获得每个小灯条中心点的异常程度,使得对划痕的判断更加准确。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种汽车后视镜生产质量监控***。
背景技术
在汽车零部件的生产和组装过程中,可能会造成对汽车后视镜外壳的转向灯的磨损或者有一些划痕,即存在一些质量问题和外观缺陷,影响汽车的整体质量和正常销售。后视镜灯带区域位于车辆头部后视镜外壳上,在车辆转向时会对车前方的行人以及汽车给出一个信号,因此,后视镜外壳的转向灯也就非常重要,其中,后视镜外壳的转向灯里面是一排排的灯带组成的。由于后视镜外壳的转向灯带容易因外界因素造成损伤,后视镜外壳转向灯表面划痕是最常见的外观质量问题。
由于在检测过程中,转向灯灯带附近的灰度图中划痕与转向灯灰度值相近,难以分辨。所以通过视觉检测转向灯的各个灯条连通域,来判断后视镜是否存在外观质量缺陷。
发明内容
本发明提供一种汽车后视镜生产质量监控***,以解决现有的问题。
本发明的一种汽车后视镜生产质量监控***采用如下技术方案:
本发明一个实施例提供了一种汽车后视镜生产质量监控***,该***包括:
图像数据采集和预处理模块,用于采集图像并对图像进行预处理,获得一个灯带图像;
图像异常检测模块,用于根据灯带图像获取每个小灯条连通域的中心点,根据每个小灯条连通域的中心点得到相邻小灯条连通域中心点之间距离的异常程度,记为第一异常程度;根据小灯条连通域的中心点获得相邻小灯条连通域中心点连线与小灯条方向的夹角,根据第一异常程度和相邻小灯条连通域中心点连线与小灯条方向的夹角得到任意一个小灯条连通域中心点的异常程度,记为第二异常程度;根据第二异常程度得到每个小灯条连通域的相对异常程度,记为第三异常程度;
划痕判断模块,用于对第三异常程度进行归一化得到归一化后的第三异常程度,根据归一化后的第三异常程度和预设阈值对灯带图像进行划痕的判断。
进一步地,所述第一异常程度的具体获取公式为:
式中,将第z个小灯条连通域与相邻的下一个小灯条连通域组合记为目标组合,表示除目标组合外的其他每相邻两个小灯条连通域的中心点之间距离的方差,/>表示所有每相邻两个小灯条连通域的中心点之间距离的方差,/>表示目标组合中相邻的两个小灯条连通域的中心点之间距离的异常程度,即第一异常程度。
进一步地,所述相邻小灯条连通域中心点连线与小灯条方向的夹角的具体获取方法为:
小灯条方向是指小灯条连通域最小外接矩形长轴所在的方向,最后获得相邻小灯条连通域中心点连线与小灯条方向的夹角。
进一步地,所述第二异常程度的具体获取公式为:
式中,表示灯带图像中第y块的异常程度,记为第二异常程度,/>表示第y块内第x个小灯条连通域中心点与其相邻的小灯条连通域中心点之间距离的异常程度,/>表示第y块内第x个小灯条连通域中心点与其相邻的小灯条连通域中心点连线与第x个小灯条方向的夹角,n表示任意一块中小灯条连通域的个数。
进一步地,所述第三异常程度的具体获取公式为:
式中,表示灯带图像中第y块的相对异常程度,记为第三异常程度,/>表示灯带图像中第y块条的异常程度,/>表示灯带图像中第w块的异常程度,/>表示预设块的个数。
进一步地,所述划痕的判断具体操作为:
对第三异常程度进行线性归一化处理,归一化后获得每块的相对异常程度,记为一组相对异常数据;当相对异常数据中存在大于预设阈值的数据存在时,判断为后视镜外壳的转向灯上存在划痕。
本发明的技术方案的有益效果是:本申请相对于现有技术的好处在于:能够根据灯条之间的距离异常程度判断区域内划痕存在概率,并且构建置信度对其进行优化处理,准确判断灯带区域内划痕缺陷的存在。
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,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地介绍,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他的附图。
图1为本发明一种汽车后视镜生产质量监控***的***框图;
图2为本发明一种汽车后视镜生产质量监控***的灯带示意图;
图3为本发明一种汽车后视镜生产质量监控***的小灯条分块示意图;
图4为本发明一种汽车后视镜生产质量监控***的划痕示意图。
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汽车后视镜生产质量监控***,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汽车后视镜生产质量监控***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种汽车后视镜生产质量监控***的***框图,该***包括:
模块S001:图像数据采集和预处理模块,用于采集图像并对图像进行预处理,获得一个灯带图像。
由于本实施例检测是在安装后视镜的过程中,出现的划痕,所以在后视镜安装后,将整个汽车停放在指定检测区域,这样在汽车质量检测过程中,调整环境光至均匀程度,减少环境光照对检测的影响。图像采集时背景颜色与白色灯带颜色做区分,选用深色背景便于后续去掉背景,分离出反光镜灯带区域,利用固定相机采集图像。
将采集到的图像进行灰度化处理得到灰度图像。在此时的图像中,通过Otsu算法获取灯带连通域,与原图像相乘可提取出灯带区域图像,用于后续图像识别和处理,如图2所示。
灯带区域较长,其纹理特性也会导致其表面反光不均匀,单一阈值分割会导致部分图像分割不完全。所以对图像进行分块,对每一个块单独处理,可减少反光对图像分析的影响,得到较为理想的二值分割效果。
因为是根据小灯条连通域的完整性来判断是否存在划痕,需要在分块过程中尽可能保持小灯条连通域的完整,所以选择垂直于灯带方向进行分块。对原灰度图像Otsu算法处理后得到灯带连通域,取灯带连通域的左上和右上两点做直线,由此来描述灯带的延伸方向。预设块数阈值为a,其中本实施例以a=4为例进行叙述,本实施例不进行具体限定,其中a可根据具体实施情况而定,垂直于此条直线将图像平均分为a块,用于后续图像处理分析。如图3所示。
对图像进行分块后,因为在单块区域内光照强度较为均匀,故可利用单一阈值对图像进行二值化分割,此处利用大津法分别对每块区域图像求取最佳分割阈值,并对对应的灯带区域进行二值化处理。
预设面积阈值为d,其中本实施例以d=10为例进行叙述,本实施例不进行具体限定,其中d可根据具体实施情况而定。为减少部分噪点对图像分析的影像,去除连通域面积小于图像中最大连通域面积1/d的连通域。
在汽车反光镜转向灯灯带上的划痕,会将灯带上的竖状小灯条连通域分割为两个连通域,故可由此判断是否存在划痕,如图4所示,θ表示角度。
至此,得到二值图像和预处理后的灯带图像。
模块S002:图像异常检测模块,用于根据灯带图像获取每个小灯条连通域的中心点,根据每个小灯条连通域的中心点得到相邻小灯条连通域中心点之间距离的异常程度,记为第一异常程度;根据小灯条连通域的中心点获得相邻小灯条连通域中心点连线与小灯条方向的夹角,根据第一异常程度和相邻小灯条连通域中心点连线与小灯条方向的夹角得到任意一个小灯条连通域中心点的异常程度,记为第二异常程度;根据第二异常程度得到每个小灯条连通域的相对异常程度,记为第三异常程度。
需要说明的是,在二值图像中,划痕会使得单个小灯条连通域断开,被分为两个连通域,导致小灯条连通域中心点偏移。故分析得到单个小灯条连通域中心点的异常程度。在得到单点的异常程度之后,依据小灯条相邻连通域中心点的连线方向作为权值,计算整块的异常程度。根据块与块之间的差异性得到划痕存在区域。因此,本实施例对灯带图像进行处理,获得每块的相对异常程度的过程。
进一步需要说明的是,通过去除任意相邻两个中心点之间的距离判断在方差中的权重变化,得到方差权重,方差权重越高,则相邻两个中心点间的距离越为异常。阈值分割后,任意相邻两个小灯条连通域的中心点之间距离与所有相邻小灯条中心点之间的平均距离的差值较大,在所有相邻小灯条中心点之间的距离方差的计算过程中,所占的权重较高,所以该相邻中心点较为异常。若在所有相邻中心点间距离方差的计算过程中排除其中一个连通域中心点与其相邻的中心点之间的距离,将计算结果与所有相邻中心点间距离方差进行比较,即可判断任意一个连通域中心点与其相邻的中心点之间的距离对所有相邻中心点间距离方差的影响大小。排除任意一个连通域中心点与其相邻的中心点之间的距离后,所有相邻中心点间距离方差的值变化幅度的越大,说明此中心点与相邻中心点之间距离的异常程度越大。
将任意两个相邻的小灯条连通域记为目标组合,在本实施例中,将第z个小灯条连通域与第z+1个小灯条连通域记为目标组合,则目标组合中两个连通域的中心点的欧式距离可以记为。
获取所有相邻小灯条连通域中心点的欧式距离,这些欧式距离的方差记为;
除去目标组合之外,获取剩余的相邻小灯条连通域中心点的欧式距离,这些欧式距离的方差记为。
则目标组合中的两个相邻的小灯条连通域的异常程度为:
式中,表示除目标组合外其他每相邻两个小灯条连通域对应的中心点之间的欧氏距离的方差,/>表示所有相邻两个小灯条连通域的中心点之间欧氏距离的方差,/>表示目标组合中两个相邻的小灯条连通域之间距离的异常程度。
同理,得到所有相邻小灯条连通域中心点之间距离的异常程度。
其中,当的值越大,说明该中心点与其相邻的中心点间的距离越偏离正常值,划痕存在的概率越高。
需要说明的是,根据相邻小灯条连通域中心点的异常程度,将相邻两个小灯条连通域之间连线的方向作为权值,计算得到整个小灯条连通域中心点的异常程度。
进一步需要说明的是,小灯条连通域的方向垂直于灯带方向,且小灯条连通域均匀分布,所以相邻小灯条连通域中心点连线的方向应与灯带方向相同,当小灯条的连通域中心点因为划痕的缘故发生偏移时,相邻小灯条连通域中心点连线的方向会发生改变,故小灯条连通域中心点连线的方向与灯条的方向的夹角可计算出此中心点异常程度的置信度,作为整个小灯条连通域中心点异常程度计算的权值。其中,由于上述是确定出了小灯条的方向,然后在通过相邻中心点的坐标确定连线,最后确定出相邻中心点的连线与小灯条的方向的夹角。
下面以预设的任意一块为例进行叙述。
则预设块的异常程度为:
式中,表示灯带图像中第y块的异常程度,/>表示第y块内第x个小灯条连通域中心点与其相邻的小灯条连通域中心点之间距离的异常程度,/>表示第y块内第x个小灯条连通域中心点与其相邻的小灯条连通域中心点连线与第x个小灯条方向的夹角,n表示第y块内小灯条连通域的个数。其中小灯条方向是指小灯条连通域最小外接矩形长轴所在的方向。
同理,得到所有预设块的异常程度。后续根据分析每块的异常程度来判断划痕。
其中,当的值越大,小灯条内存在划痕的概率越高;当/>的值越大,即夹角越大时,小灯条连通域中心点的异常程度置信度越高;/>表示第y块内第x个小灯条连通域中心点异常程度的置信度,即将第x个小灯条连通域中心点与其相邻的小灯条连通域中心点连线,与灯带的方向的夹角的正弦函数值,作为对应的第x个小灯条连通域对应的异常程度的调节系数,即表示对应的置信度,此在第x个小灯条连通域中心点连线的方向与灯带的方向的夹角为0时,异常置信度最小为0,当第x个小灯条连通域中心点连线的方向与灯带的方向的夹角为90°时,异常置信度最大为1。
需要说明的是,得到每块的异常程度后,根据块与块之间异常程度的差异性,计算每个块的相对异常值。正常区域的异常程度较小且相近,异常区域的异常程度相对正常区域的异常程度较大且离散。
则每块的相对异常程度为:
式中,表示灯带图像中第y块的相对异常程度,/>表示灯带图像中第y块的异常程度,/>表示灯带图像中第w块的异常程度,/>表示预设的块数。
其中,描述了/>到/>的数值大小距离之和,/>则表示了/>到所有块异常程度的距离之和,此块的异常程度越高,则越偏离正常区域的异常程度,相对异常程度就越大,当/>的值越大,内部存在划痕异常的概率越大。
基于此,每块的相对异常程度即为第三异常程度。
模块S003:划痕判断模块,用于对第三异常程度进行归一化得到归一化后的第三异常程度,根据归一化后的第三异常程度和预设阈值对灯带图像进行划痕的判断。
预设一个阈值b,其中本实施例以b=0.5为例进行叙述,本实施例不进行具体限定,其中b可根据具体实施情况而定。
对划痕的第三异常程度根据图像块的第三异常程度进行线性归一化处理,归一化后获得所有块的第三异常程度,记为一组相对异常数据;当这组相对异常数据中存在大于阈值b的数据存在时,判断为后视镜外壳的转向灯上存在划痕,需要进行更换。
以上所述仅为本发明的较佳实施例而已,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 (6)
1.一种汽车后视镜生产质量监控***,其特征在于,该***包括:
图像数据采集和预处理模块,用于采集图像并对图像进行预处理,获得一个灯带图像;
图像异常检测模块,用于根据灯带图像获取每个小灯条连通域的中心点,根据每个小灯条连通域的中心点得到相邻小灯条连通域中心点之间距离的异常程度,记为第一异常程度;根据小灯条连通域的中心点获得相邻小灯条连通域中心点连线与小灯条方向的夹角,根据第一异常程度和相邻小灯条连通域中心点连线与小灯条方向的夹角得到任意一个小灯条连通域中心点的异常程度,记为第二异常程度;根据第二异常程度得到每个小灯条连通域的相对异常程度,记为第三异常程度;
划痕判断模块,用于对第三异常程度进行归一化得到归一化后的第三异常程度,根据归一化后的第三异常程度和预设阈值对灯带图像进行划痕的判断。
2.根据权利要求1所述一种汽车后视镜生产质量监控***,其特征在于,所述第一异常程度的具体获取公式为:
式中,将第z个小灯条连通域与其相邻的小灯条连通域组合记为目标组合,表示除目标组合外的其他每相邻两个小灯条连通域的中心点之间距离的方差,/>表示所有每相邻两个小灯条连通域的中心点之间距离的方差,/>表示目标组合中相邻的两个小灯条连通域的中心点之间距离的异常程度,即第一异常程度。
3.根据权利要求1所述一种汽车后视镜生产质量监控***,其特征在于,所述相邻小灯条连通域中心点连线与小灯条方向的夹角的具体获取方法为:
小灯条方向是指小灯条连通域最小外接矩形长轴所在的方向,最后获得相邻小灯条连通域中心点连线与小灯条方向的夹角。
4.根据权利要求1所述一种汽车后视镜生产质量监控***,其特征在于,所述第二异常程度的具体获取公式为:
式中,表示灯带图像中第y块的异常程度,记为第二异常程度,/>表示第y块内第x个小灯条连通域中心点与其相邻的小灯条连通域中心点之间距离的异常程度,/>表示第y块内第x个小灯条连通域中心点与其相邻的小灯条连通域中心点连线,与第x个小灯条方向的夹角,n表示任意一块中小灯条连通域的个数。
5.根据权利要求1所述一种汽车后视镜生产质量监控***,其特征在于,所述第三异常程度的具体获取公式为:
式中,表示灯带图像中第y块的相对异常程度,记为第三异常程度,/>表示灯带图像中第y块条的异常程度,/>表示灯带图像中第w块的异常程度,/>表示预设块的个数。
6.根据权利要求1所述一种汽车后视镜生产质量监控***,其特征在于,所述划痕的判断具体操作为:
对第三异常程度进行线性归一化处理,归一化后获得每块的相对异常程度,记为一组相对异常数据;当相对异常数据中存在大于预设阈值的数据存在时,判断为后视镜外壳的转向灯上存在划痕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875882.5A CN116596929B (zh) | 2023-07-18 | 2023-07-18 | 一种汽车后视镜生产质量监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875882.5A CN116596929B (zh) | 2023-07-18 | 2023-07-18 | 一种汽车后视镜生产质量监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596929A true CN116596929A (zh) | 2023-08-15 |
CN116596929B CN116596929B (zh) | 2023-10-20 |
Family
ID=87599490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310875882.5A Active CN116596929B (zh) | 2023-07-18 | 2023-07-18 | 一种汽车后视镜生产质量监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596929B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003130806A (ja) * | 2001-10-29 | 2003-05-08 | National Institute Of Advanced Industrial & Technology | 表面傷等の検出方法及び装置 |
CN102735695A (zh) * | 2012-06-04 | 2012-10-17 | 华中科技大学 | 一种镜片瑕疵快速检测方法及装置 |
JP2016212060A (ja) * | 2015-05-13 | 2016-12-15 | 国立大学法人岐阜大学 | 鏡面検査装置 |
CN110038822A (zh) * | 2019-04-20 | 2019-07-23 | 东莞中科蓝海智能视觉科技有限公司 | 反光圆环件的视觉检测方法 |
CN114486939A (zh) * | 2022-04-08 | 2022-05-13 | 欧普康视科技股份有限公司 | 一种镜片划痕检测***及方法 |
CN216926601U (zh) * | 2021-11-12 | 2022-07-08 | 宁波知日智能设备有限公司 | 一种汽车后视镜的全自动检测设备 |
CN115049638A (zh) * | 2022-07-21 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置 |
US20230024259A1 (en) * | 2021-07-20 | 2023-01-26 | United Microelectronics Corp. | Wafer backside defect detection method and wafer backside defect detection apparatus |
CN116205903A (zh) * | 2023-03-28 | 2023-06-02 | 上汽大众汽车有限公司 | 一种车身面漆缺陷检测方法 |
-
2023
- 2023-07-18 CN CN202310875882.5A patent/CN116596929B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003130806A (ja) * | 2001-10-29 | 2003-05-08 | National Institute Of Advanced Industrial & Technology | 表面傷等の検出方法及び装置 |
CN102735695A (zh) * | 2012-06-04 | 2012-10-17 | 华中科技大学 | 一种镜片瑕疵快速检测方法及装置 |
JP2016212060A (ja) * | 2015-05-13 | 2016-12-15 | 国立大学法人岐阜大学 | 鏡面検査装置 |
CN110038822A (zh) * | 2019-04-20 | 2019-07-23 | 东莞中科蓝海智能视觉科技有限公司 | 反光圆环件的视觉检测方法 |
US20230024259A1 (en) * | 2021-07-20 | 2023-01-26 | United Microelectronics Corp. | Wafer backside defect detection method and wafer backside defect detection apparatus |
CN216926601U (zh) * | 2021-11-12 | 2022-07-08 | 宁波知日智能设备有限公司 | 一种汽车后视镜的全自动检测设备 |
CN114486939A (zh) * | 2022-04-08 | 2022-05-13 | 欧普康视科技股份有限公司 | 一种镜片划痕检测***及方法 |
CN115049638A (zh) * | 2022-07-21 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置 |
CN116205903A (zh) * | 2023-03-28 | 2023-06-02 | 上汽大众汽车有限公司 | 一种车身面漆缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
王昌书等: "一种基于机器视觉的曲面玻璃划痕缺陷检测方法", 自动化技术与应用, no. 01 * |
郑文斌等: "汽车玻璃黑边区域划痕的视觉检测技术", 福建工程学院学报, no. 01 * |
郝磊等: "基于线激光和CCD组合测量的动车车轴表面划痕检测分析", 电子测量技术, no. 13 * |
Also Published As
Publication number | Publication date |
---|---|
CN116596929B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及*** | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及*** | |
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
US9224052B2 (en) | Method for in-image periodic noise pixel inpainting | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN115984271B (zh) | 基于角点检测的金属毛刺识别方法 | |
CN116311079B (zh) | 基于计算机视觉的民用安防工程监测方法 | |
CN115018853A (zh) | 基于图像处理的机械组件缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
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 | |
CN116012357A (zh) | 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法 | |
CN117252882B (zh) | 一种气缸盖质量检测方法及*** | |
CN116110053A (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN110954553A (zh) | 一种镜片光学检测*** | |
CN117173661A (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
CN116758045A (zh) | 一种半导体发光二极管的表面缺陷检测方法及*** | |
CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN116596929B (zh) | 一种汽车后视镜生产质量监控*** |
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 |