CN114354631A - 一种基于视觉的阀门毛坯表面缺陷检测方法 - Google Patents
一种基于视觉的阀门毛坯表面缺陷检测方法 Download PDFInfo
- Publication number
- CN114354631A CN114354631A CN202210030525.4A CN202210030525A CN114354631A CN 114354631 A CN114354631 A CN 114354631A CN 202210030525 A CN202210030525 A CN 202210030525A CN 114354631 A CN114354631 A CN 114354631A
- Authority
- CN
- China
- Prior art keywords
- valve blank
- image
- valve
- vision
- blank
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000013074 reference sample Substances 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000004519 grease Substances 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000011179 visual inspection Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 229910001369 Brass Inorganic materials 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 239000010951 brass Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007517 polishing process Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005488 sandblasting Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000004506 ultrasonic cleaning Methods 0.000 description 1
Images
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
- G01N21/8851—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种基于视觉的阀门毛坯表面缺陷检测方法，属于视觉检测技术领域。本发明包括如下步骤：步骤S1，阀门毛坯表面的处理以及阀门毛坯三维的参样图片预处理；步骤S2，获取阀门毛坯表面的高动态图形信息；步骤S3，利用图像处理算法对高动态图形进行处理，提取阀门毛坯图像的特征信息；步骤S4，将阀门毛坯图像的特征信息与预处理后的参样图片进行逐一对比识别，以及对阀门毛坯表面缺陷进行检测；步骤S5，将识别不合格品及表面缺陷的阀门毛坯进行分拣处理。本发明能识别阀门毛坯形体问题以及表面缺陷问题，能分拣出大部分的发明毛坯缺陷，减少不合格品流入下一道工艺环节，减少生产工艺浪费，同时提高阀门毛坯的检测效率，降低检测成本。
Description
技术领域
本发明属于视觉检测技术领域，具体是涉及一种基于视觉的阀门毛坯表面缺陷检测方法。
背景技术
视觉检测是指通过机器视觉将检测产品目标转化为图像信息，并传送给设定的图像处理系统分析处理，根据被检测目标图像的大小、亮暗、颜色差异、轮廓等各种信息，转化成数字化信息；图像系统对输入的信息进行特定运算，分析出目标特征，接着以判断结果进行信号或设备动作的输出。
机器视觉检测相比人工视觉检测，具有效率高，识别精度高，持续工作耐力性好，且能应用在危险的工作场合，以及人工视觉无法检测目标特征的场合中。随着摄像处理系统和计算机算法技术的发展，视觉检测针对不同目标特征设定不同的视觉检测方法，在各行各业应用广泛。
在阀门行业，阀门毛坯是制造阀门部件的前期物料，阀门毛坯常通过红冲或铸造成型，存在冷隔、气孔、裂纹以及飞边、缺料等问题，在毛坯阶段无法排除缺陷，将会造成后期加工工艺的浪费以及不合格品的流入。人工检测费时费力，效率低下，且容易产生检测疲劳，使得缺陷品流入下一环节。
阀门毛坯是立体结构，在流水线检测台上，阀门毛坯不同形态角度、不同位置，均对现有传统的平面产品视觉检测方式提出了新的挑战。
发明内容
本发明主要是解决上述现有技术所存在的技术问题，提供一种基于视觉的阀门毛坯表面缺陷检测方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于视觉的阀门毛坯表面缺陷检测方法，包括如下步骤：
步骤S1，阀门毛坯表面的处理以及阀门毛坯三维的参样图片预处理；
步骤S2，获取阀门毛坯表面的高动态图形信息；
步骤S3，利用图像处理算法对高动态图形进行处理，提取阀门毛坯图像的特征信息；
步骤S4，将阀门毛坯图像的特征信息与预处理后的参样图片进行逐一对比识别，以及对阀门毛坯表面缺陷进行检测；
步骤S5，将识别不合格品及表面缺陷的阀门毛坯进行分拣处理。
作为优选，步骤S1具体包括如下步骤：
步骤a，消除阀门毛坯表面色差、油脂、及杂质，形成统一的表面金属色；
步骤b，对阀门毛坯的三维形态在不同角度下进行连续的帧记录，并对帧记录进行预处理，形成参样图片。
作为优选，所述阀门毛坯的三维形态分别沿X轴、Y轴、Z轴进行连续帧记录。
作为优选，所述帧记录的预处理为对连续帧记录图片逐一进行图像二值化处理，将阈值下的像素灰度设定为统一的特定值。
作为优选，所述阀门毛坯放置在流水线的单色传送带上，穿过光源和工业CCD或CMOS摄像头，从而获取阀门毛坯表面的高动态图形信息。
作为优选，所述阀门毛坯图像进行图像二值化处理，并引入动态阈值分割的0tsu算法，将阀门毛坯图像分成目标和背景两个区域，计算目标和背景区域的最大类间方差。
作为优选，所述阀门毛坯图像经处理后，提取阀门毛坯的边缘轮廓，并与参样图片的轮廓进行逐一对比识别。
作为优选，所述阀门毛坯的边缘轮廓通过Canny边缘检测算法提取。
作为优选，所述阀门毛坯图像经处理后，采用快速傅里叶变换方法和R-FCN算法对阀门毛坯表面缺陷特征信息进行匹配提取和缺陷分类处理。
作为优选，还包括对缺陷灰度特征或/和缺陷纹理特征信息的提取。
本发明具有的有益效果：本发明能识别阀门毛坯的飞边过大、变形、缺料等形体问题，以及冷隔、裂纹等表面缺陷问题，能分拣出大部分的发明毛坯缺陷，减少不合格品流入下一道工艺环节，减少生产工艺浪费，同时提高阀门毛坯的检测效率，降低检测成本，应用在阀门管道等金属加工行业效益明显，具有市场推广价值。
附图说明
图1是本发明阀门毛坯在流水线上的一种传送状态图；
图2是本发明梯度计算模板图。
图中：1、阀门毛坯；2、单色传送带；3、光源；4、CMOS摄像头；5、阀门毛坯图像；6、参样图片。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：一种基于视觉的阀门毛坯表面缺陷检测方法，包括如下步骤：
步骤S1，阀门毛坯1表面的处理以及阀门毛坯1三维的参样图片6预处理；
步骤S2，获取阀门毛坯1表面的高动态图形信息；
步骤S3，利用图像处理算法对高动态图形进行处理，提取阀门毛坯图像5的特征信息；
步骤S4，将阀门毛坯图像5的特征信息与预处理后的参样图片6进行逐一对比识别，以及对阀门毛坯1表面缺陷进行检测；
步骤S5，将识别不合格品及表面缺陷的阀门毛坯1进行分拣处理。
其中，步骤S1具体包括如下步骤：
步骤a，消除阀门毛坯1表面色差、油脂、及杂质，形成统一的表面金属色；
步骤b，对阀门毛坯1的三维形态在不同角度下进行连续的帧记录，并对帧记录进行预处理，形成参样图片6。
阀门毛坯1通过红冲、铸造或锻造成型后，阀门毛坯1表面或多或少带有润滑脂、浅层黑皮、浮杂颗粒等，形成的表面杂色或发黑会严重影响视觉对阀门毛坯1的判断。为提高检测识别率，首先对阀门毛坯1进行抛砂或酸洗或水抛处理，以消除表面色差、油脂、及杂质，形成统一的表面金属色，如黄铜本色或不锈钢本色。抛砂工艺是采用细小钢球对阀门毛坯1表面进行冲击，去除表面浮杂及油脂、黑皮。水抛与抛砂工艺相近，是物理表面处理工艺，酸洗是化学表面处理。
抛砂、酸洗、水抛处理会对阀门毛坯1表面形成凹凸皮纹，但对视觉判断影响不大，是一种较为理想的处理工艺。也可采用超声波清洗，对阀门毛坯1表面保护好，但流痕、附着颗粒等清洗效果一般，后期存在较多的视觉误判。
不同于平面或规格视角结构，阀门毛坯1是立体的，在流水线上呈现不同的立体形态及摆放角度，同时阀门毛坯1量大，无法逐一规则摆放，且随着流水线运转的震动，摆放规则的阀门毛坯1也会产生立体形态及摆放角度的变化，加大了视觉判断的难度。
为此，本发明创新采用参样图片库，预先对阀门毛坯1的三维形态在不同角度下进行连续的帧记录，并对帧记录进行预处理，形成参样图片6。其中，阀门毛坯1的三维形态是依据标准尺寸的阀门毛坯1，并通过三维软件绘制而成。
所述阀门毛坯1的三维形态分别沿X轴、Y轴、Z轴进行连续帧记录，形成阀门毛坯立体形态图库。如，阀门毛坯1的三维形态先沿X轴每旋转0.5度或1度后进行标准照片的导出，旋转360度；接着沿Y轴每旋转0.5度或1度后进行标准照片的导出，旋转360度；再沿Z轴每旋转0.5度或1度后进行标准照片的导出，旋转360度；旋转角度精度的控制根据精度及识别度实施。在连续帧记录过程中，也可以按照对轴或特定角度导出相应的标准照片。
同时，对输出的帧记录标准照片进行预处理，形成参样图片6。预处理主要涉及照片的滤波去噪、图像二值化处理以及图像形态分析处理等，标准照片的图片噪点一般较少，能去除背景图片，根据情况可减少滤波去噪的过程。所述帧记录的预处理为对连续帧记录图片逐一进行图像二值化处理，将阈值下的像素灰度设定为统一的特定值。
图像二值化是通过将某一阈值下的像素灰度设定为统一的特定值，为后续边缘检测、图像分析处理提供基础，同时也降低图像后续算法处理的复杂程度。
在步骤S2中，如图1所示，所述阀门毛坯1放置在流水线的单色传送带2上，穿过选定的光源3和工业CCD或CMOS摄像头4，从而获取阀门毛坯1表面的高动态图形信息。单色传送带2可选择绿色、蓝色、红色等，尤其是绿色，相比金属阀门的黄铜本色或不锈钢色相差大，颜色单一，图像处理噪声少。
在步骤S3中，阀门毛坯图像5在进行图像二值化处理过程中，引入动态阈值分割的Otsu算法，将阀门毛坯图像5分成目标和背景两个区域。Otsu算法即最大类间方差算法，将阀门毛坯图像5分成目标和背景两个区域，采用不同的二值化阈值，计算目标和背景区域的最大类间方差，其方差越大说明目标与背景之间的差别越大，分割的效果越理想，且错分概率也越小。采用遍历的完成时，得到的像素类间方差最大值作为图像全局阀值的最佳值。
在轮廓提取方面，阀门毛坯图像5经过图像处理后，需要对阀门毛坯图像5中的目标对象区域进行提取，根据阀门毛坯1成型工艺和表面缺陷情况，采用边缘检测提取目标对象区域的边缘，并利用轮廓表示算法得到目标最大的外界图形，之后再依据要求的尺寸截取目标对象区域。为平衡边缘精确定位和噪声抑制，采用具有自适应的Canny边缘检测算法，能增强对多响应边缘的抑制，减少边缘的漏检率，从而提高边缘定位精度。
假设原图像为I(x，y)，有限差分梯度为S(x，y)，利用Canny边缘检测算法中的Sobel算子，对图像进行高斯平滑滤波器卷积操作：
S(x，y)＝G(x，y，σ)*I(x，y)；
其中，σ为高斯滤波器的平滑程度参数，当σ取值较大时，可以抑制噪声，但边缘定位精度较低，而当σ取值较小时，边缘定位精度较高，但抑制噪声能力降低。因此，需要根据图像噪声情况设置其取值大小。
同时，采用4个梯度计算模板，如图2所示，计算出当前像素点灰度值在4个梯度合成横竖两个方向上的总梯度，计算如下：
从而，可计算出当前灰度值的像素点梯度幅值S(x，y)和梯度角度θ(x，y)；
在计算过程中可能会出现边缘断开或假象边缘的现象，还需设置高阈值TH和低阈值TL的两个滞后阀值来进行调整，当被检测的像素点梯度值大于TH，则该像素点处在边缘，而当像素点梯度值小于TL，则该像素点为非边缘。同时，利用非极大值抑制将非边缘的像素点灰度值置0，保留幅值最大的点作为边缘细化的像素点，实现边缘轮廓精准定位和提取。
阀门毛坯图像5处理后，提取阀门毛坯1边缘轮廓，并与参样图片6的轮廓进行逐一对比识别，主要识别阀门毛坯1的飞边过大、变形、缺料等形体异常。
同时，阀门毛坯图像5处理后，采用快速傅里叶变换方法和R-FCN算法对阀门毛坯1表面缺陷特征信息进行匹配提取和缺陷分类处理。
经过图像阀值分割和边缘轮廓提取后，阀门毛坯图像5阀值分割为不同区域，包含有一定量的假目标和噪声，对应得到的图像需要进行二次处理，以便提取真实的缺陷特征区域。由于阀门毛坯1可能存在冷隔、裂纹、气孔等多种现象，需先对表面缺陷几何特征进行取决，因此，采用快速傅里叶变换将目标图像与模板进行图像匹配，把目标几何空域图像变换到模板中的频域字符区域，经匹配完成后再反变换到几何空域。假设坐标系中，阀门毛坯图像5f1(x，y)经过移动得到图像f1(x，y)，其平移量为(x0，y0)，转动角度为α，则其对应的傅里叶变换域关系和f1、及f1的互功率谱分别为：F2(u，v)＝|F1((ucosα+vsinα)，(-usinα+vcosα))|；
然后，根据求出的匹配图像进行反变换，将得到的结果与阀门毛坯图像5进行比较，提取缺陷的几何特征信息。
同时，为了表面缺陷特征提取信息的全面，还可以对缺陷灰度特征或/和缺陷纹理特征信息进行提取。缺陷灰度特征可以通过图像灰度直方图中的灰度均值、灰度方差和灰度熵的特征进行提取；缺陷文理特征可以通过图像灰度共生矩阵中对比度、相关性和熵的特征进行提取。
另外，根据缺陷的特征和分拣预期目标需选取合适的缺陷分类算法进行处理。R-FCN作为全卷积网络结构，具有目标识别速度快，准确度高，且目标分类更为精细的特点。
本发明通过参样图片6与阀门毛坯图像5的特征信息进行重叠分析对比，能较好的识别阀门毛坯1的飞边过大、变形、缺料等形体异常；将阀门毛坯1放置在流水线的单色传送带2上，能有效降低图像的噪点，对比度明显，引入动态阈值分割的0tsu算法，能有效分割阀门毛坯1目标和背景；采用Canny边缘检测算法对图像进行运行后，其算法能很好检测出边缘，并具有鲁棒性能。厂家现场检测结果显示，对3000个阀门毛坯1样品进行缺陷检测，采用上述检测方法的缺陷检出率高于常规检测方法，达到85％，检测效率提高一倍以上。
综上所述，本发明能识别阀门毛坯的飞边过大、变形、缺料等形体问题，以及冷隔、裂纹等表面缺陷问题，能分拣出大部分的发明毛坯缺陷，减少不合格品流入下一道工艺环节，减少生产工艺浪费，同时提高阀门毛坯的检测效率，降低检测成本，应用在阀门管道等金属加工行业效益明显，具有市场推广价值。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均应认为属于本发明的保护范围。
Claims (10)
1.一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，包括如下步骤：
步骤S1，阀门毛坯表面的处理以及阀门毛坯三维的参样图片预处理；
步骤S2，获取阀门毛坯表面的高动态图形信息；
步骤S3，利用图像处理算法对高动态图形进行处理，提取阀门毛坯图像的特征信息；
步骤S4，将阀门毛坯图像的特征信息与预处理后的参样图片进行逐一对比识别，以及对阀门毛坯表面缺陷进行检测；
步骤S5，将识别不合格品及表面缺陷的阀门毛坯进行分拣处理。
2.根据权利要求1所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，步骤S1具体包括如下步骤：
步骤a，消除阀门毛坯表面色差、油脂、及杂质，形成统一的表面金属色；
步骤b，对阀门毛坯的三维形态在不同角度下进行连续的帧记录，并对帧记录进行预处理，形成参样图片。
3.根据权利要求2所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，所述阀门毛坯的三维形态分别沿X轴、Y轴、Z轴进行连续帧记录。
4.根据权利要求2所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，所述帧记录的预处理为对连续帧记录图片逐一进行图像二值化处理，将阈值下的像素灰度设定为统一的特定值。
5.根据权利要求1所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，所述阀门毛坯放置在流水线的单色传送带上，穿过光源和工业CCD或CMOS摄像头，从而获取阀门毛坯表面的高动态图形信息。
6.根据权利要求1所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，所述阀门毛坯图像进行图像二值化处理，并引入动态阈值分割的Otsu算法，将阀门毛坯图像分成目标和背景两个区域，计算目标和背景区域的最大类间方差。
7.根据权利要求1所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，所述阀门毛坯图像经处理后，提取阀门毛坯的边缘轮廓，并与参样图片的轮廓进行逐一对比识别。
8.根据权利要求7所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，所述阀门毛坯的边缘轮廓通过Canny边缘检测算法提取。
9.根据权利要求1所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，所述阀门毛坯图像经处理后，采用快速傅里叶变换方法和R-FCN算法对阀门毛坯表面缺陷特征信息进行匹配提取和缺陷分类处理。
10.根据权利要求9所述一种基于视觉的阀门毛坯表面缺陷检测方法，其特征在于，还包括对缺陷灰度特征或/和缺陷纹理特征信息的提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030525.4A CN114354631A (zh) | 2022-01-12 | 2022-01-12 | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030525.4A CN114354631A (zh) | 2022-01-12 | 2022-01-12 | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114354631A true CN114354631A (zh) | 2022-04-15 |
Family
ID=81109128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210030525.4A Pending CN114354631A (zh) | 2022-01-12 | 2022-01-12 | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114354631A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612471A (zh) * | 2022-05-10 | 2022-06-10 | 佛山市阿瑞斯数字设备有限公司 | 一种复杂纹理瓷砖表面缺陷检测方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070280501A1 (en) * | 2006-05-31 | 2007-12-06 | The Boeing Company | Method and System for Two-Dimensional and Three-Dimensional Inspection of a Workpiece |
| CN103229045A (zh) * | 2010-10-08 | 2013-07-31 | 比利时胶囊公司 | 取得三维物体表面的二维图像的设备与方法 |
| CN104368541A (zh) * | 2014-11-19 | 2015-02-25 | 合肥安晶龙电子有限公司 | 色选机成像装置 |
| CN104609102A (zh) * | 2015-01-13 | 2015-05-13 | 山东农业大学 | 动态玉米种子图像采集传送带 |
| JP2016090401A (ja) * | 2014-11-05 | 2016-05-23 | 古河電気工業株式会社 | 外観検査装置、外観検査システム、及び外観検査方法 |
| CN107309182A (zh) * | 2017-07-30 | 2017-11-03 | 韩岳炀 | 一种色选机成像装置 |
| CN108184108A (zh) * | 2018-01-12 | 2018-06-19 | 盎锐（上海）信息科技有限公司 | 基于3d成像的图像生成方法及装置 |
| US20180350057A1 (en) * | 2017-06-06 | 2018-12-06 | Nuflare Technology, Inc. | Inspection method and inspection system |
| CN109523541A (zh) * | 2018-11-23 | 2019-03-26 | 五邑大学 | 一种基于视觉的金属表面细微缺陷检测方法 |
| CN109737877A (zh) * | 2019-03-15 | 2019-05-10 | 定襄县格美莱智能科技有限公司 | 零件毛坯检测系统及方法 |
| CN110108712A (zh) * | 2019-04-20 | 2019-08-09 | 东莞中科蓝海智能视觉科技有限公司 | 多功能视觉缺陷检测系统 |
| KR102177726B1 (ko) * | 2019-05-15 | 2020-11-12 | 한국기계연구원 | 가공품 검사 장치 및 검사 방법 |
| CN112037203A (zh) * | 2020-08-31 | 2020-12-04 | 济南大学 | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 |
| WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
| CN112304958A (zh) * | 2020-11-25 | 2021-02-02 | 四川晶剑电子材料有限公司 | 基于机器视觉的铜带表面缺陷检测方法及系统 |
| CN113567448A (zh) * | 2021-07-16 | 2021-10-29 | 深圳市万物互联科技发展有限公司 | 一种用于工业产品的三维视觉物体检测的方法和装置 |
| CN215263198U (zh) * | 2021-05-28 | 2021-12-21 | 星河电路（福建）有限公司 | 一种pcb板缺陷检测装置 |
-
2022
- 2022-01-12 CN CN202210030525.4A patent/CN114354631A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070280501A1 (en) * | 2006-05-31 | 2007-12-06 | The Boeing Company | Method and System for Two-Dimensional and Three-Dimensional Inspection of a Workpiece |
| CN103229045A (zh) * | 2010-10-08 | 2013-07-31 | 比利时胶囊公司 | 取得三维物体表面的二维图像的设备与方法 |
| JP2016090401A (ja) * | 2014-11-05 | 2016-05-23 | 古河電気工業株式会社 | 外観検査装置、外観検査システム、及び外観検査方法 |
| CN104368541A (zh) * | 2014-11-19 | 2015-02-25 | 合肥安晶龙电子有限公司 | 色选机成像装置 |
| CN104609102A (zh) * | 2015-01-13 | 2015-05-13 | 山东农业大学 | 动态玉米种子图像采集传送带 |
| US20180350057A1 (en) * | 2017-06-06 | 2018-12-06 | Nuflare Technology, Inc. | Inspection method and inspection system |
| CN107309182A (zh) * | 2017-07-30 | 2017-11-03 | 韩岳炀 | 一种色选机成像装置 |
| CN108184108A (zh) * | 2018-01-12 | 2018-06-19 | 盎锐（上海）信息科技有限公司 | 基于3d成像的图像生成方法及装置 |
| CN109523541A (zh) * | 2018-11-23 | 2019-03-26 | 五邑大学 | 一种基于视觉的金属表面细微缺陷检测方法 |
| CN109737877A (zh) * | 2019-03-15 | 2019-05-10 | 定襄县格美莱智能科技有限公司 | 零件毛坯检测系统及方法 |
| CN110108712A (zh) * | 2019-04-20 | 2019-08-09 | 东莞中科蓝海智能视觉科技有限公司 | 多功能视觉缺陷检测系统 |
| KR102177726B1 (ko) * | 2019-05-15 | 2020-11-12 | 한국기계연구원 | 가공품 검사 장치 및 검사 방법 |
| WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
| CN112037203A (zh) * | 2020-08-31 | 2020-12-04 | 济南大学 | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 |
| CN112304958A (zh) * | 2020-11-25 | 2021-02-02 | 四川晶剑电子材料有限公司 | 基于机器视觉的铜带表面缺陷检测方法及系统 |
| CN215263198U (zh) * | 2021-05-28 | 2021-12-21 | 星河电路（福建）有限公司 | 一种pcb板缺陷检测装置 |
| CN113567448A (zh) * | 2021-07-16 | 2021-10-29 | 深圳市万物互联科技发展有限公司 | 一种用于工业产品的三维视觉物体检测的方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 徐伟峰等: "基于机器视觉的接头组件表面缺陷检测系统研究", 《机床与液压》, vol. 48, no. 16, 31 August 2020 (2020-08-31), pages 72 - 77 * |
| 段春梅等: "基于机器视觉的瓷砖素坯表面缺陷无损检测算法研究", 智能计算机与应用, vol. 07, no. 03, 30 June 2017 (2017-06-30), pages 37 - 40 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612471A (zh) * | 2022-05-10 | 2022-06-10 | 佛山市阿瑞斯数字设备有限公司 | 一种复杂纹理瓷砖表面缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
| CN109872300B (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
| CN106404793B (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
| CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
| CN115684176B (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
| CN107490582B (zh) | 一种流水线工件检测系统 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN112669265B (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
| CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
| CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
| CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
| CN113077437B (zh) | 工件质量检测方法及其系统 | |
| CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
| CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
| CN111667475A (zh) | 一种基于机器视觉的大枣分级检测方法 | |
| CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
| CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
| CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
| CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 | |
| CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
| CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
| CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 |
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 |