CN117705815B - 一种基于机器视觉的印刷缺陷检测方法 - Google Patents
一种基于机器视觉的印刷缺陷检测方法 Download PDFInfo
- Publication number
- CN117705815B CN117705815B CN202410168019.0A CN202410168019A CN117705815B CN 117705815 B CN117705815 B CN 117705815B CN 202410168019 A CN202410168019 A CN 202410168019A CN 117705815 B CN117705815 B CN 117705815B
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- gray
- image
- enhancement
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000007639 printing Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- G06T7/136—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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于机器视觉的印刷缺陷检测方法,涉及印刷缺陷检测技术领域,拍摄需要检测的印刷图像,通过计算特征阈值对印刷图像进行特征区域提取;计算特征区域的图像的像素增强信息,保留像素增强信息大于等于增强值的分界值的像素点;利用保留的像素点构成的增强像素点集合进行缺陷检测,判断缺陷区域,解决了现有技术中印刷缺陷检测精度不高的技术问题,从而实现了基于机器视觉对印刷品质量的把控,进而提高了印刷品质量检测的准确度。
Description
技术领域
本发明涉及印刷缺陷检测技术领域,尤其涉及一种基于机器视觉的印刷缺陷检测方法。
背景技术
随着工业生产的发展,印刷品在我们日常生活中扮演着重要的角色。然而,不可避免地,印刷品会出现各种各样的缺陷,如色差、漏印、欠墨、切割不准确等。这些缺陷不仅影响了印刷品的质量,也会给工厂带来损失,同时也降低了消费者的满意度。为了解决这个问题,印刷缺陷检测技术是印刷识别技术领域检测印刷质量的一项重要标准, 人工质检存在劳动强度大、成本高、产品质量受个人主观影响大等缺点。随着机器视觉技术在工业生产中应用增多,使用机器视觉技术代替人工视觉进行检测能够有效的提高生产效率和产品质量。机器视觉印刷缺陷检测是指利用计算机视觉技术对印刷品进行自动检测和分类,以找出缺陷并进行修复。这种技术可以大大提高工作效率和准确性,同时也减少了对人力资源的依赖。目前,机器视觉印刷缺陷检测已经被广泛应用于印刷品制造和质量控制领域。
发明内容
为了解决上述技术问题,本发明提出了一种基于机器视觉的印刷缺陷检测方法,包括如下步骤:
S1、拍摄需要检测的印刷图像,通过确定图像分割的特征阈值对印刷图像进行特征区域提取;
S2、计算特征区域的图像的像素增强信息,保留像素增强信息大于等于增强值的分界值的像素点;
S3、将保留的像素增强信息大于等于增强值的分界值的像素点,作为增强像素点集合{P}进行缺陷检测,通过提取模板图像目标区域的像素点形成目标像素点集合{Q},将增强像素点集合内的每个像素点的灰度与目标像素点集合内的每个像素点的灰度做减运算, 形成差值图,根据差值图中对应位置的像素点映射的值判断缺陷区域。
进一步地,步骤S2中,特征区域的图像的像素增强信息为:
;
其中,为坐标/>对应的灰度值,/>为坐标/>对应的梯度值,/>为像素点灰度值最大值,/>为图像素点灰度值最小值,/>为特征区域的图像的像素点标准灰度差值,/>为质量指标。
进一步地,剔除像素增强信息小于增强值的分界值的像素点,保留像素增强信息/>大于等于增强值的分界值的像素点;所述增强值的分界值利用聚类算法,根据像素增强信息数据的分布数量进行自定义。
进一步地,差值图的灰度差值为;
;
其中,表示增强像素点集合内的每个像素点的灰度;/>表示目标像素点集合内的每个像素点的灰度。
进一步地,当时,差值图中对应位置的像素点映射为0;
当时,差值图中对应位置的像素点映射为255;
所述差值图中,像素点为0的位置是正常区域,像素点为255的位置为缺陷区域。
进一步地,步骤S1中,设图像分割的特征阈值为G,根据特征阈值进行分割:
;
其中,为像素点(x,y)对应的灰度值,G为特征阈值,/>分别代表两个灰度级别,根据特征阈值G将图像的特征区域从背景区域分割出来。
进一步地,通过遍历0~255所有G的值,以其中使类间方差最大的G值为最佳特征阈值,类间方差为:
;
式中,为整幅印刷图像的平均灰度值,像素点属于级别区间/>的概率为/>,使类间方差最大的G值为特征阈值,/>为从0~G的灰度级的像素平均灰度值。
相比于现有技术,本发明具有如下有益技术效果:
拍摄需要检测的印刷图像,通过计算特征阈值对印刷图像进行特征区域提取;计算特征区域的图像的像素增强信息,保留像素增强信息大于等于增强值的分界值的像素点;利用保留的像素点构成的增强像素点集合进行缺陷检测,判断缺陷区域。提高了缺陷的识别精度,从而实现了基于机器视觉对印刷品质量的把控,进而提高了印刷品质量检测的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于机器视觉的印刷缺陷检测方法的流程图;
图2为本发明的不同等级的图像质量下的质量指标值的统计表示意图;
图3为本发明的关键缺陷所在窗口示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述***中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的基于机器视觉的印刷缺陷检测方法的流程图,包括如下步骤:
S1、拍摄需要检测的印刷图像,通过确定图像分割的特征阈值对印刷图像进行特征区域提取。
为了给印刷图像进行分割,要先找到图像的特征阈值,设图像分割的特征阈值为G,根据特征阈值进行分割的公式如下:
;
其中,为印刷图像中像素点的坐标,/>为坐标/>对应的灰度值,G为特征阈值,图像像素点的灰度值范围为C=(0~255),其中0为最暗灰度值,255代表最亮的灰度值,/>分别代表一个灰度级别区间,特征阈值G为链接前景区域和背景区域灰度直方图中的波谷点。
选取特征阈值之后,将图像的前景区域从背景区域分割出来,前景区域即图像的特征区域出来。
设一幅印刷图像的大小为,使用/>表示印刷图像中不同的灰度级,L为该印刷图像中最大的灰度级,以/>表示灰度级为/>的像素量,则印刷图像中的像素总数为/>,对灰度直方图进行归一化处理,并计算灰度级为/>的像素量概率密度公式如下:
;
选取一个特征阈值G,,使用特征阈值G将图像阈值化处理分为 />和两个灰度级别区间,将灰度级别属于区间/>的像素区域作为特征区域,将灰度级别属于区间/>的像素区域作为前景区域,每个区域分别由[0,G]和[G+1,L-1]范围内的所有像素组成。
特征阈值找到之后,以此为标准,对比图像中所有像素点的灰度值;像素点属于级别区间和/>的概率/>和/>分别为:
;
;
和/>的平均灰度值/>和/>分别为:
;
;
从0~G的灰度级的像素平均灰度值为:
;
整幅印刷图像的平均灰度值为:
;
所以有
=/>;
;
类间方差公式:
;
因此,可以通过遍历0~255所有G的值,以其中使类间方差最大的G值为最佳特征阈值。
S2、计算特征区域的图像的像素增强信息,保留像素增强信息大于等于增强值的分界值的像素点。
质量指标公式如下:
;
D1,D2分别为直方图中的两个波峰值;g1,g2分别为两个峰值所对应的灰度值,d3为两个峰之间的谷值,fc为图像像素点标准灰度差值,有公式如下:
;
其中,为第二个峰的平均灰度,/>为第二个峰各个点的灰度值,n为第二个峰的像素点总量。如图2所示,为不同等级的图像质量下的质量指标/>值的统计表示意图。
将特征区域的图像的像素增强信息通过公式进行计算:
;
其中,为坐标/>对应的灰度值,/>为坐标/>对应的梯度值,/>为像素点灰度值最大值,/>为图像素点灰度值最小值,/>为特征区域的图像的像素点标准灰度差值。
剔除像素增强信息小于增强值的分界值的像素点,保留像素增强信息大于等于增强值的分界值的像素点。
增强值的分界值的确定采用常规的聚类算法,根据像素增强信息数据的分布数量进行自定义。具体地,基于距离分界值的聚类算法中,根据对待分类模式样本集以最大距离选取新的聚类中心,以最小距离原则进行模式归类,通过这样的方法来设置分界值,使得在分界值范围内,各类中心之间的距离最小化。不同的聚类算法有不同的参数选择,而具体的方法选择取决于实际的数据分布。
S3、利用保留的像素点构成的增强像素点集合进行缺陷检测,判断缺陷区域。
将保留的像素增强信息大于等于增强值的分界值的像素点,作为增强像素点集合{P}进行缺陷检测,具体步骤如下:
通过提取模板图像目标区域的像素点形成目标像素点集合{Q},模板图像为要检测的目标的标准图像。
将增强像素点集合内的每个像素点的灰度与目标像素点集合内的每个像素点的灰度做减运算, 形成差值图。
;
其中,表示增强像素点集合内的每个像素点的灰度;/>表示目标像素点集合内的每个像素点的灰度;/>表示差值图的灰度差值。
当时,差值图中对应位置的像素点映射为0。
当时,差值图中对应位置的像素点映射为255。
该差值图中,像素点为0的位置是正常区域,像素点为255的位置则判断为缺陷区域。
在优选实施例中,可进一步地获取缺陷区域中每个像素点的灰度差异值进行像素点质量检测。
构建m×m大小的窗口,获取窗口中每个像素点的灰度差异值:
;
其中,an为窗口中第n个像素点的灰度差异值,gn为窗口中第n个像素点的灰度值;为窗口内所有像素点的灰度值的均值;pn为窗口中第n个像素点所在窗口内像素点的个数;m×m为窗口大小;当第n个像素点与所在窗口内所有像素点的灰度值的均值的差异越大,第n个像素点与其窗口内其余像素点越不相似,此时第n个像素点的灰度差异越大,证明该像素点存在坏点风险越大,设定检测阈值,当第n个像素点的灰度差异值an大于检测阈值时,则判定该像素点质量不合格。
通过智能优化算法迭代更新总缺陷识别目标函数Fh,使总缺陷识别目标函数Fh最小化,直至达到收敛精度,反演出关键缺陷的信息。
通过智能优化算法迭代更新,计算总缺陷识别目标函数Fh的约束条件R,约束条件R使总缺陷识别目标函数Fh最小化:
R = argmin{Fh}
;
式中,whn为第h个窗口内的第n个像素点的权重系数,N为第h个窗口内的像素点总数,为第h个窗口中每个像素点的灰度差异值。
由于与/>窗口大小m×m和窗口的序号h相关联,通过使总缺陷识别目标函数Fh最小化直至达到收敛精度,即得到最优的窗口大小m×m,得到关键缺陷的窗口的序号,如图3所示。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于机器视觉的印刷缺陷检测方法,其特征在于,包括如下步骤:
S1、拍摄需要检测的印刷图像,通过确定图像分割的特征阈值对印刷图像进行特征区域提取;
S2、计算特征区域的图像的像素增强信息,保留像素增强信息大于等于增强值的分界值的像素点;
特征区域的图像的像素增强信息为:
;
其中,为坐标/>对应的灰度值,/>为坐标/>对应的梯度值,/>为像素点灰度值最大值,/>为图像素点灰度值最小值,/>为特征区域的图像的像素点标准灰度差值,/>为质量指标;
质量指标公式如下:
;
D1,D2分别为直方图中的两个波峰值;g1,g2分别为两个峰值所对应的灰度值,d3为两个峰之间的谷值,为特征区域的图像的像素点标准灰度差值;
S3、将保留的像素增强信息大于等于增强值的分界值的像素点,作为增强像素点集合{P},通过提取模板图像目标区域的像素点形成目标像素点集合{Q},将增强像素点集合内的每个像素点的灰度与目标像素点集合内的每个像素点的灰度做减运算, 形成差值图,根据差值图中对应位置的像素点映射的值判断缺陷区域。
2.根据权利要求1所述的印刷缺陷检测方法,其特征在于,剔除像素增强信息小于增强值的分界值的像素点,保留像素增强信息/>大于等于增强值的分界值的像素点;所述增强值的分界值利用聚类算法,根据像素增强信息数据的分布数量进行自定义。
3.根据权利要求1所述的印刷缺陷检测方法,其特征在于,步骤S3中,差值图的灰度差值为;
;
其中,表示增强像素点集合内的每个像素点的灰度;/>表示目标像素点集合内的每个像素点的灰度。
4.根据权利要求3所述的印刷缺陷检测方法,其特征在于,
当时,差值图中对应位置的像素点映射为0;
当时,差值图中对应位置的像素点映射为255;
所述差值图中,像素点为0的位置是正常区域,像素点为255的位置为缺陷区域。
5.根据权利要求1所述的印刷缺陷检测方法,其特征在于,步骤S1中,设图像分割的特征阈值为G,根据特征阈值进行分割:
;
其中,为像素点(x,y)对应的灰度值,G为特征阈值,/>分别代表两个灰度级别,根据特征阈值G将图像的特征区域从背景区域分割出来。
6.根据权利要求5所述的印刷缺陷检测方法,其特征在于,通过遍历0~255所有G的值,以其中使类间方差最大的G值为最佳特征阈值,类间方差为:
;
式中,为整幅印刷图像的平均灰度值,像素点属于级别区间/>的概率为/>,使类间方差最大的G值为特征阈值,/>为从0~G的灰度级的像素平均灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168019.0A CN117705815B (zh) | 2024-02-06 | 2024-02-06 | 一种基于机器视觉的印刷缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410168019.0A CN117705815B (zh) | 2024-02-06 | 2024-02-06 | 一种基于机器视觉的印刷缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117705815A CN117705815A (zh) | 2024-03-15 |
CN117705815B true CN117705815B (zh) | 2024-05-28 |
Family
ID=90144720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410168019.0A Active CN117705815B (zh) | 2024-02-06 | 2024-02-06 | 一种基于机器视觉的印刷缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117705815B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934456B (zh) * | 2024-03-20 | 2024-05-28 | 大连建峰印业有限公司 | 一种基于图像处理的包装盒印刷质量检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108248214A (zh) * | 2017-12-27 | 2018-07-06 | 天津滨海环球印务有限公司 | 一种印刷企业用的oee测量*** |
CN111986190A (zh) * | 2020-08-28 | 2020-11-24 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN113449664A (zh) * | 2021-07-06 | 2021-09-28 | 河南慧联世安信息技术有限公司 | 一种火灾现场火情监测***和监测方法 |
CN113763397A (zh) * | 2021-09-03 | 2021-12-07 | 国网山东省电力公司电力科学研究院 | 复合绝缘子故障检测方法及*** |
KR20220091107A (ko) * | 2020-12-23 | 2022-06-30 | 부경대학교 산학협력단 | 정확도가 향상된 용접 비드 검출 장치 및 방법 |
CN115376131A (zh) * | 2022-08-24 | 2022-11-22 | 西南交通大学 | 一种点状编码标志的设计与识别方法 |
CN115409745A (zh) * | 2022-10-31 | 2022-11-29 | 深圳市亿康医疗技术有限公司 | 一种应用于放疗准备的ct图像的增强方法 |
CN116612111A (zh) * | 2023-07-14 | 2023-08-18 | 城资泰诺(山东)新材料科技有限公司 | 一种高强度复合材料加工质量检测方法 |
CN117495852A (zh) * | 2023-12-29 | 2024-02-02 | 天津中荣印刷科技有限公司 | 一种基于图像分析的数字印刷质量检测方法 |
-
2024
- 2024-02-06 CN CN202410168019.0A patent/CN117705815B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108248214A (zh) * | 2017-12-27 | 2018-07-06 | 天津滨海环球印务有限公司 | 一种印刷企业用的oee测量*** |
CN111986190A (zh) * | 2020-08-28 | 2020-11-24 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
KR20220091107A (ko) * | 2020-12-23 | 2022-06-30 | 부경대학교 산학협력단 | 정확도가 향상된 용접 비드 검출 장치 및 방법 |
CN113449664A (zh) * | 2021-07-06 | 2021-09-28 | 河南慧联世安信息技术有限公司 | 一种火灾现场火情监测***和监测方法 |
CN113763397A (zh) * | 2021-09-03 | 2021-12-07 | 国网山东省电力公司电力科学研究院 | 复合绝缘子故障检测方法及*** |
CN115376131A (zh) * | 2022-08-24 | 2022-11-22 | 西南交通大学 | 一种点状编码标志的设计与识别方法 |
CN115409745A (zh) * | 2022-10-31 | 2022-11-29 | 深圳市亿康医疗技术有限公司 | 一种应用于放疗准备的ct图像的增强方法 |
CN116612111A (zh) * | 2023-07-14 | 2023-08-18 | 城资泰诺(山东)新材料科技有限公司 | 一种高强度复合材料加工质量检测方法 |
CN117495852A (zh) * | 2023-12-29 | 2024-02-02 | 天津中荣印刷科技有限公司 | 一种基于图像分析的数字印刷质量检测方法 |
Non-Patent Citations (2)
Title |
---|
Low-contrast image enhancement using spatial contextual similarity histogram computation and color reconstruction;Kankanala Srinivas等;《Journal of the Franklin Institute》;20201011;第357卷;13941–13963 * |
基于机器视觉的食品包装印刷缺陷检测关键技术研究及应用;何昊;《硕士电子期刊》;20230215;7-8、14-15、30-33、56-57 * |
Also Published As
Publication number | Publication date |
---|---|
CN117705815A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与*** | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN110838126B (zh) | 细胞图像分割方法、装置、计算机设备和存储介质 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN115690108A (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及*** | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及*** | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN117911408B (zh) | 一种道路路面施工质量检测方法及*** | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及*** | |
CN116385434B (zh) | 一种用于预制梁裂缝的智能检测方法 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及*** | |
CN116030396A (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN116258864B (zh) | 一种村庄规划建设大数据管理*** | |
CN116228776B (zh) | 一种机电设备焊接缺陷识别方法及*** | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115880683A (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN115761211A (zh) | 一种基于rgb图像与热成像耦合的石化企业泵房设备温度监测方法及装置 |
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 |