CN116703930A - 一种汽车后视镜模具成型检测方法 - Google Patents
一种汽车后视镜模具成型检测方法 Download PDFInfo
- Publication number
- CN116703930A CN116703930A CN202310993049.0A CN202310993049A CN116703930A CN 116703930 A CN116703930 A CN 116703930A CN 202310993049 A CN202310993049 A CN 202310993049A CN 116703930 A CN116703930 A CN 116703930A
- Authority
- CN
- China
- Prior art keywords
- window
- rearview mirror
- distance
- automobile rearview
- degree
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000000465 moulding Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种汽车后视镜模具成型检测方法，包括：采集汽车后视镜图像，进行灰度化处理，对灰度图像进行Harris角点检测，对汽车后视镜图像的灰度图像进行分割，根据窗口内角点的棋盘距离变化情况获取中心角点，分析窗口与窗口间中心角点的权重关系来自适应获取窗口程度确定目标缺陷区域并进行伪彩色标记处理。本发明通过获取灰度图像中Harris算子在目标区域和边缘噪声区域间的角点间差异情况，并获取角点位置通过自适应的棋盘距离对目标区域进行判断，可以准确的得到目标缺陷区域，避免边缘噪声区域对目标区域的干扰。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种汽车后视镜模具成型检测方法。
背景技术
汽车后视镜模型加工生产过程中会对后视镜模型表面进行一系列的机加工操作，在后视镜表面加工过程中难免会产生刮蹭等表面缺陷，通常是由人工检测后视镜是否有缺陷产生，传统的人工检测方式有着低效、耗时等问题，而数字图像处理中传统的角点检测方式有着检测精度低的缺点，会将图像中的噪声点或者后视镜的边缘等检测为目标缺陷，难以满足数字化工厂自动化的生产需求。
本发明通过图像处理技术，利用改进后的Harris角点算子对后视镜模具进行模具成型检测，根据角点在各个区域的检测目标变化程度，对目标区域进行自适应棋盘距离进行刮蹭判断。通过改进角点检测方法可以有效地发现后视镜模型表面的缺陷问题，确保模型的质量和性能符合标准和要求。
发明内容
本发明提供一种汽车后视镜模具成型检测方法，以解决现有的问题。
本发明的一种汽车后视镜模具成型检测方法采用如下技术方案：
本发明一个实施例提供了一种汽车后视镜模具成型检测方法，该方法包括以下步骤：
获取汽车后视镜图像的灰度图像和灰度图像中的所有角点，并预设窗口对灰度图像进行分割得到若干汽车后视镜灰度图像的窗口；
根据窗口内任意两个角点的位置信息得到两个角点间的距离，根据平均距离得到窗口内角点间的距离程度，根据距离程度得到窗口的参考角点；
获取窗口内角点的密集程度，根据窗口内任意两个参考角点的位置信息得到两个参考角点间的距离，根据参考角点间的距离得到窗口内参考角点距离相关程度；
根据窗口内角点的密集程度和窗口内参考角点距离相关程度得到汽车后视镜灰度图像的窗口程度，根据汽车后视镜灰度图像的窗口程度得到自适应识别的角点窗口；
将自适应识别的角点窗口作为汽车后视镜图像的缺陷区域窗口，将所有缺陷区域窗口构成的区域作为目标缺陷区域。
进一步地，所述根据平均距离得到窗口内角点间的距离程度，包括的具体步骤如下：
其中，表示窗口内第/>个角点与第/>个角点间的棋盘距离程度，/>表示窗口内第/>个角点与第/>个角点间的棋盘距离，/>表示窗口内角点的平均棋盘距离，/>表示窗口内角点的总个数，/>表示窗口内角点的棋盘距离总个数。
进一步地，所述根据距离程度得到窗口的参考角点，包括的具体步骤如下：
获取窗口内所有角点间的棋盘距离程度，预设k值，将棋盘距离程度最小的k个棋盘距离程度对应的角点作为窗口的参考角点。
进一步地，所述根据参考角点间的距离得到窗口内参考角点距离相关程度，包括的具体步骤如下：
其中，表示窗口内所有参考角点间的棋盘距离中第/>个棋盘距离，/>为窗口内参考角点间的棋盘距离总个数，/>表示第/>个棋盘距离在所有参考角点间的棋盘距离中的占比，表示窗口内参考角点距离相关程度。
进一步地，所述根据窗口内角点的密集程度和窗口内参考角点距离相关程度得到汽车后视镜灰度图像的窗口程度，包括的具体步骤如下：
其中，表示汽车后视镜灰度图像的窗口程度，/>表示窗口内参考角点距离相关程度，/>表示窗口内角点的密集程度，/>表示自然常数为底的指数函数。
本发明的技术方案的有益效果是：本发明利用图像处理技术，通过对获取的汽车后视镜模具图像进行处理，通过获取灰度图像中Harris算子在目标区域和边缘噪声区域间的角点间差异情况，并获取角点位置通过自适应的棋盘距离对目标区域进行判断，以及结合原始图像灰度值区域变化情况分析目标缺陷区域概率，可以准确的得到目标缺陷区域，避免边缘噪声区域对目标区域的干扰，最终通过对目标区域进行伪彩色处理，便于后续工作人员对缺陷的定位和观察。
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为本发明一个实施例所提供的一种汽车后视镜模具成型检测方法的步骤流程图；
图2为本发明所提供的汽车后视镜模具灰度参考图。
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模具成型检测方法，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，一个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模具成型检测方法的具体方案。
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模具成型检测方法的步骤流程图，该方法包括以下步骤：
步骤S001、采集汽车后视镜图像，进行灰度化处理，对灰度图像进行Harris角点检测。
需要说明的是，本实施例是通过图像处理技术对汽车后视镜模具进行检测，首先采集汽车后视镜图像。
具体的，利用工业相机对生产成型的汽车后视镜进行拍摄，得到汽车后视镜图像，进一步地，对汽车后视镜图像进行灰度化处理，得到汽车后视镜图像的灰度图像，再对灰度图像进行Harris角点检测，得到灰度图像中的所有角点。
需要说明的是，汽车后视镜划痕是由加工过程中后视镜碰到障碍物产生的刮蹭等表面缺陷。在灰度图像中，刮蹭区域的表面纹理特征会和周围正常区域会产生灰度值的差异，请参阅图2，图2为本实施例的汽车后视镜模具的灰度参考图，图2中主要包含三个区域，黑色的背景区域、正常的汽车后视镜模具区域以及刮蹭区域，对于明显的刮蹭区域可通过边缘检测等方法来进行缺陷检测，本实施例中主要处理分析的刮蹭区域为轻微刮蹭，由于刮蹭区域不明显，但刮蹭区域的表面纹理特征会和周围正常区域会产生灰度值的差异，且刮蹭区域经过角点检测角点分布密集，而后视镜边缘和噪声也会产生一定的干扰角点，在传统的Harris角点检测并不能判断角点是属于目标缺陷还是干扰源等，所以通过对Harris算子进行自适应棋盘距离进行调整来识别目标区域。
至此，得到了灰度图像中的所有角点。
步骤S002、对汽车后视镜图像的灰度图像进行分割。
需要说明的是，通过对汽车后视镜图像的灰度图像进行瓦片分割处理，选用等大小的瓦片窗口分析窗口内角点的分布情况，获取分割窗口内角点的信息对目标区域进行判断分析。
具体的，对汽车后视镜图像的灰度图像进行坐标系处理，以灰度图像的左上角为坐标原点，从左到右为X轴，从上到下为Y轴建立坐标系，预设初始窗口大小为，利用初始窗口对灰度图像进行分割，得到若干/>大小的窗口，同时对若干/>大小的窗口按照从左到右，从上到下的顺序对若干/>大小的窗口进行编号处理。需要说明的是，本实施例中利用初始窗口对灰度图像中的元素进行分割操作时，可能会超出灰度图像的边界，此时本实施例利用二次线性插值的方法将灰度图像超出边界的部分进行插值填充数据。
至此，得到了若干大小的窗口，同时完成对窗口的排序。
步骤S003、根据窗口内角点的棋盘距离变化情况获取参考角点。
需要说明的是，根据窗口内所有的角点分布情况对角点间的距离情况进行判断。在Harris角点检测中，角点的定位往往与灰度图像中的像素点的灰度梯度变化有着极其重要的联系，若窗口处于目标缺陷区域，其缺陷的灰度梯度变化较为剧烈而在窗口中存在的角点往往较为密集，然而图像中经常会存在一些随机的噪声源或者图像中后视镜自身的边缘出现一些伪角点这些都不属于检测的目标区域。通过自适应的棋盘距离对角点检测内的伪角点和噪声干扰源等角点进行筛选获取真正的目标缺陷区域。
进一步需要说明的是，由于在图像中缺陷目标区域分布在后视镜的光洁表面区域，其目标区域的像素点的灰度梯度变化较为剧烈，且目标区域的角点数量的密集程度较高。而图像中的边缘噪声区域的像素点的梯度变化也较为剧烈但噪声是随机分布的所以窗口内角点数量的密集程度较小。通过两者之间的角点的差异性的分析，利用分割窗口对角点的所在区域进行后续的棋盘距离识别处理获取目标区域的优选程度。
需要说明的是，根据窗口内角点的差异性分布情况，利用棋盘距离对图像中的窗口内的角点进行检测，当窗口内出现角点时需要对角点进行标记然后识别窗口内角点的密集程度和棋盘距离，在刮蹭目标区域内角点往往在窗口内处于密集状态较高且棋盘距离较近，而边缘的一些噪声源往往较为离散且噪声源的角点密集状态较低且棋盘距离较远。
具体的，以任意一个窗口为例，根据窗口内任意两个角点的位置信息得到两个角点间的棋盘距离，具体如下：
其中，表示窗口内任意两个角点间的棋盘距离，/>和/>表示窗口内任意两个角点的坐标，/>表示取最大值，/>表示取绝对值。
进一步地，根据两个角点间的棋盘距离得到平均棋盘距离，具体如下：
其中，表示窗口内角点的平均棋盘距离，/>表示窗口内第/>个角点与第/>个角点间的棋盘距离，且/>，/>表示窗口内角点的总个数，/>表示窗口内角点的棋盘距离总个数。
进一步地，根据平均棋盘距离得到棋盘距离程度，具体如下：
其中，表示窗口内第/>个角点与第/>个角点间的棋盘距离程度，/>表示窗口内第/>个角点与第/>个角点间的棋盘距离，/>表示窗口内角点的平均棋盘距离，/>表示窗口内角点的总个数，/>表示窗口内角点的棋盘距离总个数。获取窗口内所有角点间的棋盘距离程度，将棋盘距离程度最小的k个棋盘距离程度对应的角点作为窗口的参考角点，本实施例中以k=5为例进行叙述。
需要说明的是，通过Harris角点检测后图像中角点的位置分布情况，利用自适应棋盘距离对目标区域进行识别。当角点间的棋盘距离关联程度越高时，则说明该区域的目标程度越大，当角点间的棋盘距离关联程度越小时，则说明该区域的目标程度越小，属于干扰源等概率越大。
具体的，根据窗口内角点的数量得到窗口内角点的密集程度，具体如下：
其中，表示窗口内角点的密集程度，/>表示窗口内角点的数量。需要说明的是，当窗口内角点的密集程度/>越大时，则属于刮蹭缺陷角点窗口的概率越大，当窗口内角点的密集程度/>越小时，则属于孤立干扰源角点窗口的概率越大。
至此，得到了中心角点和窗口内角点的密集程度。
步骤S004、分析窗口内参考角点的权重关系来自适应获取窗口程度确定目标缺陷区域并进行伪彩色标记处理。
需要说明的是，根据灰度图像中可以看出一些噪声干扰源等边缘信息也被识别为角点，但这些角点所在位置并不属于目标区域，在窗口中干扰源的角点往往较少且距离往往与目标缺陷区域较远。而缺陷在原始图像中表现为一片区域，目标缺陷区域的中心角点间的距离相近且较为密集。
具体的，根据窗口内任意两个参考角点的位置信息得到两个参考角点间的棋盘距离，具体如下：
其中，表示窗口内任意两个参考角点间的棋盘距离，/>和/>表示任意两个参考角点的坐标，/>表示取最大值，/>表示取绝对值。同理，获取窗口内所有参考角点间的棋盘距离，并将所有参考角点间的棋盘距离建立集合/>，/>表示所有参考角点间的棋盘距离中第/>个棋盘距离，/>为参考角点间的棋盘距离总个数。
进一步地，根据参考角点间的棋盘距离得到参考角点距离相关程度，具体如下：
其中，表示窗口内所有参考角点间的棋盘距离中第/>个棋盘距离，/>为窗口内参考角点间的棋盘距离总个数，/>表示第/>个棋盘距离在所有参考角点间的棋盘距离中的占比，表示窗口内参考角点距离相关程度。需要说明的是，当参考角点距离相关程度/>越趋于0时，则/>越趋近于0或者1，当/>越趋近于0，说明参考角点间的棋盘距离都很小，说明参考角点比较集中，由于目标缺陷区域的角点间的距离相近且较为密集，因此当/>越趋近于0可以反映目标缺陷区域的角点的集中关系，当/>越趋近于1，说明所有参考角点间的棋盘距离中也很小，只有极少数参考角点间的棋盘距离较大，因此在一定程度上也说明角点比较集中，则集合内参考角点的属于目标缺陷区域的角点概率越大，属于干扰源角点的概率越小。
进一步地，根据窗口内角点的密集程度和窗口内参考角点距离相关程度得到汽车后视镜灰度图像的窗口程度，根据窗口程度得到自适应棋盘识别的角点窗口，具体如下：
其中，表示汽车后视镜灰度图像的窗口程度，/>表示窗口内参考角点距离相关程度，/>表示窗口内角点的密集程度，/>表示自然常数为底的指数函数，用于归一化。需要说明的是，当窗口程度越大时，则属于目标缺陷的角点窗口概率越大。进一步地，取/>对应的窗口作为自适应棋盘识别的角点窗口，获取所有自适应棋盘识别的角点窗口。
进一步地，将所有自适应棋盘识别的角点窗口构成的区域作为目标缺陷区域，对目标缺陷区域进行伪彩色处理，通过伪彩色处理可以有效地识别汽车后视镜图像中的缺陷区域，增强了图像的对比度，改善了显示缺陷区域效果。
至此，完成了对汽车后视镜模具成型检测。
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 (10)
1.一种汽车后视镜模具成型检测方法，其特征在于，该方法包括以下步骤：
获取汽车后视镜图像的灰度图像和灰度图像中的所有角点，并预设窗口对灰度图像进行分割得到若干汽车后视镜灰度图像的窗口；
根据窗口内任意两个角点的位置信息得到两个角点间的距离，根据平均距离得到窗口内角点间的距离程度，根据距离程度得到窗口的参考角点；
获取窗口内角点的密集程度，根据窗口内任意两个参考角点的位置信息得到两个参考角点间的距离，根据参考角点间的距离得到窗口内参考角点距离相关程度；
根据窗口内角点的密集程度和窗口内参考角点距离相关程度得到汽车后视镜灰度图像的窗口程度，根据汽车后视镜灰度图像的窗口程度得到自适应识别的角点窗口；
将自适应识别的角点窗口作为汽车后视镜图像的缺陷区域窗口，将所有缺陷区域窗口构成的区域作为目标缺陷区域。
2.根据权利要求1所述一种汽车后视镜模具成型检测方法，其特征在于，所述汽车后视镜图像的灰度图像和灰度图像中的所有角点的具体获取方法如下：
利用工业相机对生产成型的汽车后视镜进行拍摄，得到汽车后视镜图像，进一步地，对汽车后视镜图像进行灰度化处理，得到汽车后视镜图像的灰度图像，再对灰度图像进行Harris角点检测，得到灰度图像中的所有角点。
3.根据权利要求1所述一种汽车后视镜模具成型检测方法，其特征在于，所述预设窗口对灰度图像进行分割得到若干汽车后视镜灰度图像的窗口，包括的具体步骤如下：
对汽车后视镜图像的灰度图像进行坐标系处理，以灰度图像的左上角为坐标原点，从左到右为X轴，从上到下为Y轴建立坐标系，预设初始窗口大小为，利用初始窗口对灰度图像进行分割，得到若干/>大小的窗口。
4.根据权利要求1所述一种汽车后视镜模具成型检测方法，其特征在于，所述根据平均距离得到窗口内角点间的距离程度，包括的具体步骤如下：
其中，表示窗口内第/>个角点与第/>个角点间的棋盘距离程度，/>表示窗口内第/>个角点与第/>个角点间的棋盘距离，/>表示窗口内角点的平均棋盘距离，/>表示窗口内角点的总个数，/>表示窗口内角点的棋盘距离总个数。
5.根据权利要求4所述一种汽车后视镜模具成型检测方法，其特征在于，所述窗口内角点的平均棋盘距离的具体获取方法如下：
获取窗口内所有角点间的棋盘距离，以及窗口内角点的棋盘距离总个数，将窗口内所有角点间的棋盘距离相加与窗口内角点的棋盘距离总个数的比值记为窗口内角点的平均棋盘距离。
6.根据权利要求1所述一种汽车后视镜模具成型检测方法，其特征在于，所述根据距离程度得到窗口的参考角点，包括的具体步骤如下：
获取窗口内所有角点间的棋盘距离程度，预设k值，将棋盘距离程度最小的k个棋盘距离程度对应的角点作为窗口的参考角点。
7.根据权利要求1所述一种汽车后视镜模具成型检测方法，其特征在于，所述窗口内角点的密集程度的具体获取方法如下：
获取窗口内角点的数量，获取窗口内像素点的总数量，将窗口内角点的数量与窗口内像素点的总数量记为窗口内角点的密集程度。
8.根据权利要求1所述一种汽车后视镜模具成型检测方法，其特征在于，所述根据参考角点间的距离得到窗口内参考角点距离相关程度，包括的具体步骤如下：
其中，表示窗口内所有参考角点间的棋盘距离中第/>个棋盘距离，/>为窗口内参考角点间的棋盘距离总个数，/>表示第/>个棋盘距离在所有参考角点间的棋盘距离中的占比，/>表示窗口内参考角点距离相关程度。
9.根据权利要求1所述一种汽车后视镜模具成型检测方法，其特征在于，所述根据窗口内角点的密集程度和窗口内参考角点距离相关程度得到汽车后视镜灰度图像的窗口程度，包括的具体步骤如下：
其中，表示汽车后视镜灰度图像的窗口程度，/>表示窗口内参考角点距离相关程度，/>表示窗口内角点的密集程度，/>表示自然常数为底的指数函数。
10.根据权利要求1所述一种汽车后视镜模具成型检测方法，其特征在于，所述根据汽车后视镜灰度图像的窗口程度得到自适应识别的角点窗口，包括的具体步骤如下：
取属于预设阈值区间对应的窗口作为自适应棋盘识别的角点窗口，/>表示汽车后视镜灰度图像的窗口程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993049.0A CN116703930B (zh) | 2023-08-09 | 2023-08-09 | 一种汽车后视镜模具成型检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310993049.0A CN116703930B (zh) | 2023-08-09 | 2023-08-09 | 一种汽车后视镜模具成型检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703930A true CN116703930A (zh) | 2023-09-05 |
| CN116703930B CN116703930B (zh) | 2023-10-31 |
Family
ID=87843705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310993049.0A Active CN116703930B (zh) | 2023-08-09 | 2023-08-09 | 一种汽车后视镜模具成型检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703930B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
| CN103674961A (zh) * | 2012-09-14 | 2014-03-26 | 株式会社其恩斯 | 外观检查设备、外观检查方法以及程序 |
| CN110276750A (zh) * | 2019-06-17 | 2019-09-24 | 浙江大学 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
| EP3556576A1 (en) * | 2018-04-18 | 2019-10-23 | Bridgestone Europe NV/SA | Process and system for the detection of defects in a tyre |
| CN112052782A (zh) * | 2020-08-31 | 2020-12-08 | 安徽江淮汽车集团股份有限公司 | 基于环视的停车位识别方法、装置、设备及存储介质 |
| WO2021138990A1 (zh) * | 2020-01-10 | 2021-07-15 | 大连理工大学 | 一种棋盘格亚像素级角点自适应检测的方法 |
| CN113592826A (zh) * | 2021-08-02 | 2021-11-02 | 佛山名奥弹簧开发有限公司 | 一种线材表面缺陷的识别方法及*** |
| US20220148213A1 (en) * | 2020-01-10 | 2022-05-12 | Dalian University Of Technology | Method for fully automatically detecting chessboard corner points |
| CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及*** |
| CN115984271A (zh) * | 2023-03-20 | 2023-04-18 | 山东鑫科来信息技术有限公司 | 基于角点检测的金属毛刺识别方法 |
-
2023
- 2023-08-09 CN CN202310993049.0A patent/CN116703930B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
| CN103674961A (zh) * | 2012-09-14 | 2014-03-26 | 株式会社其恩斯 | 外观检查设备、外观检查方法以及程序 |
| EP3556576A1 (en) * | 2018-04-18 | 2019-10-23 | Bridgestone Europe NV/SA | Process and system for the detection of defects in a tyre |
| CN110276750A (zh) * | 2019-06-17 | 2019-09-24 | 浙江大学 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
| WO2021138990A1 (zh) * | 2020-01-10 | 2021-07-15 | 大连理工大学 | 一种棋盘格亚像素级角点自适应检测的方法 |
| US20220148213A1 (en) * | 2020-01-10 | 2022-05-12 | Dalian University Of Technology | Method for fully automatically detecting chessboard corner points |
| CN112052782A (zh) * | 2020-08-31 | 2020-12-08 | 安徽江淮汽车集团股份有限公司 | 基于环视的停车位识别方法、装置、设备及存储介质 |
| CN113592826A (zh) * | 2021-08-02 | 2021-11-02 | 佛山名奥弹簧开发有限公司 | 一种线材表面缺陷的识别方法及*** |
| CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及*** |
| CN115984271A (zh) * | 2023-03-20 | 2023-04-18 | 山东鑫科来信息技术有限公司 | 基于角点检测的金属毛刺识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| JYOTI MALIK.ET AL: ""Harris Operator Corner Detection using Sliding Window Method"", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》, vol. 22, no. 1, XP055818185, DOI: 10.5120/2546-3489 * |
| 刘志文等: ""机器视觉技术在注塑成型加工中的研究进展"", 《塑料工业》, vol. 49, no. 10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703930B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
| CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
| CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
| CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
| CN116310360A (zh) | 一种电抗器表面缺陷检测方法 | |
| CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
| CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及*** | |
| CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
| CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
| CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
| CN115063421A (zh) | 极片区域检测方法及***及装置及介质及缺陷检测方法 | |
| CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
| CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
| CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
| CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
| CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
| CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
| CN115290663A (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
| CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
| CN115272319B (zh) | 一种矿石粒度检测方法 | |
| CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN116740061A (zh) | 一种爆珠生产质量视觉检测方法 |
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 |