CN113643233A - 油性涂层检测方法、系统及设备、计算机可读存储介质 - Google Patents
油性涂层检测方法、系统及设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN113643233A CN113643233A CN202110749173.3A CN202110749173A CN113643233A CN 113643233 A CN113643233 A CN 113643233A CN 202110749173 A CN202110749173 A CN 202110749173A CN 113643233 A CN113643233 A CN 113643233A
- Authority
- CN
- China
- Prior art keywords
- scratch
- coating
- connected domain
- width
- defect
- 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
- 239000011248 coating agent Substances 0.000 title claims abstract description 147
- 238000000576 coating method Methods 0.000 title claims abstract description 147
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 152
- 238000007790 scraping Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000000463 material Substances 0.000 claims description 30
- 230000007797 corrosion Effects 0.000 claims description 22
- 238000005260 corrosion Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011179 visual inspection Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请公开了一种油性涂层检测方法、系统及设备、计算机可读存储介质，涉及图像处理技术领域，其中油性涂层检测方法，包括：采集初始图像；预处理所述初始图像，得到待检测涂层区域；根据所述待检测涂层区域，得到若干第一连通域信息和若干第二连通域信息；根据两个相邻所述第一连通域信息的宽的比值得到刮裂特征值；若所述刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷；根据同一所述第二连通域信息的宽和高，得到刮痕特征值；若所述刮痕特征值大于刮痕阈值，则判定为刮痕缺陷。根据本申请的油性涂层检测方法，能够实现自动缺陷检测，减少误检漏检，提高检测效率。
Description
技术领域
本申请涉及图像处理技术领域，特别涉及一种油性涂层检测方法、系统及设备、计算机可读存储介质。
背景技术
涂布机的涂布质量直接影响锂电池的品质，涂布机涂布时，上面的油性涂层会出现各种各样的瑕疵缺陷，如果不能及时发现缺陷并处理，这不但会影响成品的质量问题，还会造成不必要的浪费。目前，现场工人是通过目测的方式来找出严重瑕疵并及时停机处理，这种检测方式检测效率较低，不利于流水线上的作业处理，且不可避免人眼目测所带来的偶然误判和漏判。
发明内容
本申请的目的在于至少解决现有技术中存在的技术问题之一，提供一种油性涂层检测方法、系统及设备、计算机可读存储介质，能够实现自动缺陷检测，减少误检漏检，提高检测效率。
根据本申请第一方面实施例的油性涂层检测方法，包括：
采集初始图像；
预处理所述初始图像，得到待检测涂层区域；
根据所述待检测涂层区域，得到若干第一连通域信息和若干第二连通域信息；
根据两个相邻所述第一连通域信息的宽的比值得到刮裂特征值；
若所述刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷；
根据同一所述第二连通域信息的宽和高，得到刮痕特征值；
若所述刮痕特征值大于刮痕阈值，则判定为刮痕缺陷。
根据本申请实施例的油性涂层检测方法，至少具有如下技术效果：通过图像处理视觉检测技术对采集到的初始图像自动检测，无需人工操作，用于检测给极片涂的油性涂层是否产生瑕疵，去除人工观看的环节，减少误检漏检，提升检测效率，从而提高产品的质量。
根据本申请的一些实施例，所述预处理所述初始图像，得到待检测涂层区域，包括：
对所述初始图像依次进行二值化、连通域处理，得到处理图像；
获取所述初始图像对应的涂布宽度；
根据所述涂布宽度，从所述处理图像中提取所述待检测涂层区域。
根据本申请的一些实施例，所述根据所述待检测涂层区域，得到若干第一连通域信息和若干第二连通域信息，包括：
根据第一固定阈值，对所述待检测涂层区域进行分割得到第一二值图像；
对所述第一二值图像进行腐蚀膨胀处理，得到第一腐蚀膨胀图；
对所述第一腐蚀膨胀图进行连通域处理，得到若干第一连通域信息。
根据本申请的一些实施例，所述根据所述待检测涂层区域，得到第一连通域信息和第二连通域信息，还包括：
根据第二固定阈值，对所述待检测涂层区域进行分割得到第二二值图像；
对所述第二二值图像进行腐蚀膨胀处理，得到第二腐蚀膨胀图；
对所述第二腐蚀膨胀图进行连通域处理，得到若干第二连通域信息。
根据本申请的一些实施例，所述根据两个相邻所述第一连通域信息的宽的比值得到刮裂特征值，包括：
将每个所述第一连通域信息横向等分截断，得到若干第一等分区域；
分别获取相邻两个所述第一连通域信息在每一横向等分截断对应的两个所述第一等分区域的宽的比值，得到若干宽度比值；
将若干宽度比值作为所述刮裂特征值；
对应的，所述若所述刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷，包括：
将每一所述宽度比值分别与所述刮裂阈值比较；
若每一所述宽度比值均小于或等于所述刮裂阈值，则判定为刮裂缺陷。
根据本申请的一些实施例，所述刮痕阈值包括比值门限、门限宽值以及门限高值；所述若所述刮痕特征值大于刮痕阈值，则判定为刮痕缺陷，包括：
将所述刮痕特征值的高与所述门限高值比较，得到第一比值；
将所述刮痕特征值的宽与所述门限宽值比较，得到第二比值；
将所述刮痕特征值的高与宽的比值与所述比值门限比较，得到第三比值；
若所述第一比值、所述第二比值、所述第三比值均表示不在对应的门限值内，则判定为刮痕缺陷。
根据本申请的一些实施例，所述采集初始图像之后，还包括：
加载深度学习模型；
获取图像尺寸信息、第一执行度和第二执行度；
将所述图像尺寸信息、所述第一执行度和所述第二执行度输入所述深度学习模型，得到干料缺陷信息与气泡缺陷信息。
根据本申请第二方面实施例的油性涂层检测系统，包括：
相机取流模块，用于采集初始图像；
算法处理模块，用于对涂层的刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷等进行检测；
通信管理模块，用于控制所述算法处理模块对不同缺陷进行检测以及系统的停机处理；
参数管理模块，用于设置涂层区域信息以及刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷等缺陷的判断标准。
根据本申请第三方面实施例的电子设备，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如上述第一方面所述的油性涂层检测方法。
根据本申请第四方面实施例的所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述第一方面所述的油性涂层检测方法。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请进一步地说明；
图1为本申请实施例的油性涂层检测方法的流程示意图；
图2为本申请另一实施例的油性涂层检测系统的示意图；
图3为本申请另一实施例的电子设备的示意图。
具体实施方式
本部分将详细描述本申请的具体实施例，本申请之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本申请的每个技术特征和整体技术方案，但其不能理解为对本申请保护范围的限制。
在本申请的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
涂布机的涂布质量直接影响锂电池的品质，涂布机涂布时，上面的油性涂层会出现各种各样的瑕疵缺陷，例如因涂料搅拌不均匀导致的气泡缺陷，因涂料存在颗粒导致的干料缺陷，因干料缺陷严重导致的刮痕缺陷，因刮痕缺陷严重导致的刮裂缺陷。如果不能及时发现缺陷并处理，这不但会影响成品的质量问题，还会造成不必要的浪费。目前，现场工人是通过目测的方式来找出严重瑕疵并及时停机处理，这种检测方式检测效率较低，不利于流水线上的作业处理，且不可避免人眼目测所带来的偶然误判和漏判。
基于此，本申请实施例提供了油性涂层检测方法、系统及设备、计算机可读存储介质，能够实现自动缺陷检测，减少误检漏检，提高检测效率。在锂电池极片油性涂层涂布场景中，充分利用了油性涂层的材料特性，通过现场观察，了解油性涂层的制作工艺和缺陷产生的前因后果，通过图像处理视觉检测技术对相机采集到的图片自动检测，无需人工操作，用于解决在生产流水线上涂布机给极片涂的油性涂层是否产生瑕疵，去除人工观看的环节，能够及时检测出涂布瑕疵并向系统反馈，提升停机的效率，减少因缺陷产生的废料，从而提高产品的质量。
下面参考附图描述根据本申请实施例的油性涂层检测方法。
如图1所示，根据本申请第一方面实施例的油性涂层检测方法，至少包括以下步骤：
S100：采集初始图像；
S200：预处理初始图像，得到待检测涂层区域；
S300：根据待检测涂层区域，得到若干第一连通域信息和若干第二连通域信息；
S400：根据两个相邻第一连通域信息的宽的比值得到刮裂特征值；
S500：若刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷；
S600：根据同一第二连通域信息的宽和高，得到刮痕特征值；
S700：若刮痕特征值大于刮痕阈值，则判定为刮痕缺陷。
在一些实施例中，步骤S100：采集初始图像；具体地，通过图像采集单元对油性涂层进行采集，得到涂层正面黑白图，即初始图像。
步骤S200：预处理初始图像，得到待检测涂层区域；具体地，对初始图像，即步骤S100中采集的涂层正面黑白图进行预处理，其中预处理包括二值化和连通域检测，根据宽度等信息得到感兴趣区域，即待检测涂层区域，其中宽度即涂层的涂布宽度。进一步地，在本实施例中，待检测涂层区域包括两个，分别用ROIl[x0,x1]，ROIr[x2,x3]表示；下标l和r分别代表涂层左边区域的待检测涂层区域和涂层右边区域的待检测涂层区域，x0和x1分别表示涂层左侧待检测涂层区域的左边界在涂层正面黑白图的x轴坐标和右边界在涂层正面黑白图的x轴坐标，x2和x3分别表示涂层右侧待检测涂层区域的左边界在涂层正面黑白图的x轴坐标和右边界在涂层正面黑白图的x轴坐标。
步骤S300：根据待检测涂层区域，得到若干第一连通域信息和若干第二连通域信息；具体地，对步骤S200中得到的两个待检测涂层区域分别进行缺陷检测，以其中一个待检测涂层区域为例，根据刮裂缺陷的特征，设置第一固定阈值，根据第一固定阈值对待检测涂层区域进行固定阈值分割、腐蚀膨胀、连通域等处理，得到若干第一连通域信息，stats1(i,x,y,w,h,c)(i＝1,2,3,...)，其中，x、y为坐标位置，w为宽，h为高，c为质心；根据刮痕缺陷的特征，设置第二固定阈值，根据第二固定阈值对待检测涂层区域进行固定阈值分割、腐蚀膨胀、连通域等处理，得到若干第二连通域信息，stats2(i,x,y,w,h,c)(i＝1,2,3,...)，其中，x、y为坐标位置，w为宽，h为高，c为质心。
步骤S400：根据两个相邻第一连通域信息的宽的比值得到刮裂特征值；步骤S500：若刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷；具体地，在本实施例中，检测刮裂特征值时，采用背光源获取图像，当存在刮裂缺陷时，刮裂缺陷的截面为朝下的喇叭口，根据这一特征，设置刮裂阈值，若刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷，并发出警报及控制涂布机停机；否则进行刮痕缺陷检测。
步骤S600：根据同一第二连通域信息的宽和高，得到刮痕特征值；步骤S700：若刮痕特征值大于刮痕阈值，则判定为刮痕缺陷；具体地，根据刮痕缺陷的特点，设置刮痕阈值，并根据同一第二连通域信息的宽和高的比值得到刮裂特征值，若刮裂特征值大于刮痕阈值，则判定为刮痕缺陷，若1米内连续出现刮痕缺陷，则发出警报并控制涂布机停机；否则进行干料检测和气泡检测。
根据本申请实施例的油性涂层检测方法，通过图像处理视觉检测技术对采集到的初始图像自动检测，无需人工操作，用于检测给极片涂的油性涂层是否产生瑕疵，去除人工观看的环节，减少误检漏检，提升检测效率，从而提高产品的质量。
在本申请的一些具体实施例中，步骤S100：采集初始图像之后，还包括干料缺陷与气泡缺陷检测，其中干料缺陷与气泡缺陷检测至少包括以下步骤：
加载深度学习模型；
获取图像尺寸信息、第一执行度和第二执行度；
将图像尺寸信息、第一执行度和第二执行度输入深度学习模型，得到干料缺陷信息与气泡缺陷信息。
在一些实施例中，在步骤S700之后，若刮裂缺陷和刮痕缺陷检测均通过，则进行干料缺陷与气泡缺陷检测：加载深度学习模型，具体地，深度学习模型为YOLOv5，其中该模型已预先通过大量的涂层图像进行训练。获取图像尺寸信息、第一执行度和第二执行度，具体地，根据图片大小，设置长和宽均为img_size＝640，设置第一执行度conf_th＝0.3，第二执行度iou_th＝0.6。将图像尺寸信息、第一执行度和第二执行度输入深度学习模型，得到干料缺陷信息与气泡缺陷信息，具体地，将图片尺寸(即长和宽均为img_size＝640)和第一执行度conf_th＝0.3及第二执行度iou_th＝0.6输入训练好的YOLOv5模型中，通过训练好的YOLOv5模型得到干料缺陷和气泡缺陷的坐标信息和尺寸信息，其中尺寸信息包括宽和高。若1米内出现干料缺陷或气泡缺陷的缺陷达到3次，则发出警报并控制涂布机停机；否则继续下一轮的缺陷检测。
在步骤S100之后，根据采集的初始图像，依次进行刮裂缺陷、刮痕缺陷、干料缺陷，气泡缺陷的检测，当前缺陷检测通过后，进行下一缺陷的检测，若上述四类缺陷检测均通过，则重复步骤S100至S700，以及上述干料缺陷与气泡缺陷检测相关步骤，进行下一轮的缺陷检测。
在其他实施例中，还可以在步骤S100之后，同时进行刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷的检测，当其中任一缺陷不符合质量要求时，则发出警报并控制涂布机停机；若四项缺陷检测均通过，则继续下一轮的缺陷检测。
在本申请的一些具体实施例中，步骤S200：预处理初始图像，得到待检测涂层区域，至少包括以下步骤：
对初始图像依次进行二值化、连通域处理，得到处理图像；
获取初始图像对应的涂布宽度；
根据涂布宽度，从处理图像中提取待检测涂层区域。
在一些实施例中，对采集到的初始图像，即涂层正面黑白图进行二值化和连通域处理，得到处理图像；再根据初始图像对应的实际涂层的涂布宽度，从处理图像中提取待检测涂层区域，具体的，待检测涂层区域包括两个，分别用ROIl[x0,x1]，ROIr[x2,x3]表示。通过上述方法，能够更加准确地提取初始图像中与实际涂布涂层对应的待检测涂层区域。
在本申请的一些具体实施例中，步骤S300：根据待检测涂层区域，得到若干第一连通域信息和若干第二连通域信息，至少包括以下步骤：
根据第一固定阈值，对待检测涂层区域进行分割得到第一二值图像；
对第一二值图像进行腐蚀膨胀处理，得到第一腐蚀膨胀图；
对第一腐蚀膨胀图进行连通域处理，得到若干第一连通域信息。
在一些实施例中，针对刮裂缺陷检测，根据区分前景背景的最优效果以及刮痕缺陷对应的图像特征，设置第一固定阈值Tscrape1＝200；根据第一固定阈值Tscrape1＝200分别对两个待检测涂层区域进行固定阈值分割得到第一二值图像，分别为D1l[x0,x1]和D1r[x2,x3]；再分别对两个第一二值图像D1l[x0,x1]和D1r[x2,x3]分别进行腐蚀和膨胀，得到两个第一腐蚀图DO1l[x0,x1]和DO1r[x2,x3]；最后分别进行连通域处理得到若干第一连通域信息stats1(i,x,y,w,h,c)(i＝1,2,3,...)，其中，x、y为坐标位置，w为宽，h为高，c为质心。
在本申请的一些具体实施例中，步骤S300：根据待检测涂层区域，得到第一连通域信息和第二连通域信息，至少还包括以下步骤：
根据第二固定阈值，对待检测涂层区域进行分割得到第二二值图像；
对第二二值图像进行腐蚀膨胀处理，得到第二腐蚀膨胀图；
对第二腐蚀膨胀图进行连通域处理，得到若干第二连通域信息。
在一些实施例中，针对刮痕缺陷检测，为消除干扰项，设置第二固定阈值Tscrape2＝15；根据第二固定阈值Tscrape2＝15分别对两个待检测涂层区域进行固定阈值分割得到第二二值图像，分别为D2l[x0,x1]和D2r[x2,x3]；再分别对两个第二二值图像D2l[x0,x1]和D2r[x2,x3]分别进行腐蚀和膨胀，得到两个第二腐蚀图DO2l[x0,x1]和DO2r[x2,x3]；最后分别进行连通域处理得到若干第一连通域信息stats2(i,x,y,w,h,c)(i＝1,2,3,...)，其中，x、y为坐标位置，w为宽，h为高，c为质心。
在本申请的一些具体实施例中，步骤S400：根据两个相邻第一连通域信息的宽的比值得到刮裂特征值，至少包括以下步骤：
将每个第一连通域信息横向等分截断，得到若干第一等分区域；
分别获取相邻两个第一连通域信息在每一横向等分截断对应的两个第一等分区域的宽的比值，得到若干宽度比值；
将若干宽度比值作为刮裂特征值；
对应的，步骤S500：若刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷，至少包括以下步骤：
将每一宽度比值分别与刮裂阈值比较；
若每一宽度比值均小于或等于刮裂阈值，则判定为刮裂缺陷。
在一些实施例中，将每个第一连通域信息横向等分截断，得到若干第一等分区域；具体地，将每个第一连通域信息stats1(i,x,y,w,h,c)(i＝1,2,3,...)横向等分截断为三份，得到三份第一等分区域stats1(i,x,y,w,h,c,j)(j＝0,1,2)；其中，横向等分截断还可以为一等分、五等分、七等分、九等分，横向等分截断分数越多越精准，但计算复杂度也越高，在本实施例中取三等分为例，在此不做具体限定。
分别获取相邻两个第一连通域信息在每一横向等分截断对应的两个第一等分区域的宽的比值，得到若干宽度比值；具体地，对于每对相邻的第一连通域信息，将每个第一连通域信息对应的三份第一等分区域stats1(i,x,y,w,h,c,j)(j＝0,1,2)分别进行连通域处理得到各区域的宽stats1(i,x,y,w,h,c,j)[1,2]，其中1表示连通域，2表示该连通域的宽；再根据相邻两个第一连通域信息在每一横向等分截断对应的两个第一等分区域的宽的比值，得到对应的三个宽度比值Ri1＝stats1(i,x,y,w,h,c,j)[1,2]/stats1(i+1,x,y,w,h,c,j)[1,2]，即刮痕特征值。
对应地，将每一宽度比值分别与刮裂阈值比较，具体地，将每一宽度比值Ri1于刮裂阈值比较，根据刮裂缺陷设置刮裂阈值th1＝0.67。若每一宽度比值均小于或等于刮裂阈值，则判定为刮裂缺陷；具体地，若每一宽度比值Ri1均满足Ri 1<＝th1，则检测判定为刮裂缺陷，控制系统发出警报并控制涂布机停机；否则进入刮痕缺陷检测。
容易想到的是，在与刮裂阈值比较时，可以是每对相邻的第一连通域信息对应的宽度比值与其比较，也可以是多对相邻的第一连通域信息对应的宽度比值的集合与其比较。
通过上述方法，充分利用刮裂缺陷的特征提取特征值，同时将进行横向等分截断进行多次阈值对比，提升检测的准确性。
在本申请的一些具体实施例中，刮痕阈值包括比值门限、门限宽值以及门限高值；步骤S700：若刮痕特征值大于刮痕阈值，则判定为刮痕缺陷，至少包括以下步骤：
将刮痕特征值的高与门限高值比较，得到第一比值；
将刮痕特征值的宽与门限宽值比较，得到第二比值；
将刮痕特征值的高与宽的比值与比值门限比较，得到第三比值；
若第一比值、第二比值、第三比值均表示不在对应的门限值内，则判定为刮痕缺陷。
在一些实施例中，在步骤S700之前，步骤S600：根据同一第二连通域信息的宽和高，得到刮痕特征值，至少包括以下步骤：将每个第二连通域信息横向等分截断，得到若干第二等分区域；具体地，将每个第二连通域信息stats2i,x,y,w,h,c)(i＝1,2,3,...)横向等分截断为三份，得到三份第二等分区域stats2(i,x,y,w,h,c,j)(j＝0,1,2)；将三份第二等分区域stats2(i,x,y,w,h,c,j)(j＝0,1,2)分别进行连通域处理得到各区域的宽stats2(i,x,y,w,h,c,j)[1,2]和高stats2(i,x,y,w,h,c,j)[1,3]，其中1表示连通域，2表示该连通域的宽，3表示该连通域的高；进一步地，对于中间有断点的刮痕，先对其进行闭运算，然后再对其进行连通域处理得到各区域的宽和高；将各区域的宽stats2(i,x,y,w,h,c,j)[1,2]作为刮痕特征值的宽，将各区域的高stats2(i,x,y,w,h,c,j)[1,3]作为刮痕特征值的高，将同一第二连通域的各区域的高和宽的比值Ri2＝stats(i,x,y,w,h,c,j)[1,3]/stats(i,x,y,w,h,c,j)[1,2]作为刮痕特征值的高与宽的比值。
刮痕阈值包括比值门限、门限宽值以及门限高值，具体地，根据刮痕缺陷的特征，将比值门限设置为th2＝5，门宽宽值设置为50，门限高值设置为200。在步骤S700中，具体地，若刮痕特征值的宽stats2(i,x,y,w,h,c,j)[1,2]小于门限宽值50，刮痕特征值的高stats2(i,x,y,w,h,c,j)[1,3]大于门限高值200，刮痕特征值的高与宽的比值Ri2大于比值门限，即Ri2＞th2，以上三者均满足，则检测判断为刮痕缺陷，当1米内连续出现刮痕缺陷，则控制系统发出警报并控制涂布机停机；否则进入干料检测。
通过上述方法，充分利用刮痕缺陷的特征提取特征值，同时将进行横向等分截断进行多次阈值对比，提升检测的准确性。
根据本申请第二方面实施例的油性涂层检测系统，包括：
相机取流模块，用于采集初始图像；
算法处理模块，用于对涂层的刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷等进行检测；
通信管理模块，用于控制算法处理模块对不同缺陷进行检测以及系统的停机处理；
参数管理模块，用于设置涂层区域信息以及刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷等缺陷的判断标准。
如图2所示，在一些实施例中，提供了一种油性涂层检测系统，用于自动检测油性涂层的缺陷，包括：
相机取流模块，用于采集初始图像，具体地，在涂布机正常生产过程中，相机采集图像需根据涂布机大辊运行速度带动编码器运动，从而发送脉冲到相机进行实时图像采集；
通信管理模块，用于控制算法处理模块对不同缺陷进行检测以及系统的停机处理，具体地，涂布机运行状态需要系统发送信息后获取，根据不同的状态控制算法处理模块的运行和涂布机的停机处理；
算法处理模块，用于对涂层的刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷等进行检测，具体地，采用上述第一方面的油性涂层检测方法对涂覆的刮裂、刮痕、干料和气泡缺陷进行检测，并将结果反馈到前端界面、数据存储模块以及信号模块进行处理；
参数管理模块，用于设置涂层区域信息以及刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷等缺陷的判断标准，具体地，操作人员能够通过参数管理模块设置涂覆区域位置，设置刮裂、刮痕、干料和气泡缺陷判断停机的各缺陷标准；
日志管理模块，按天存储缺陷信息和系统出现异常信息以及其它关键信息；
数据存储模块，按天存储缺陷具体信息(包括时间、缺陷类型、缺陷坐标信息、缺陷大小、是否停机)。
在其他实施例中，本申请还提供了一种油性涂层的缺陷自动检测方法，该系统检测算法，由参数设置单元，采集图像单元、检测单元和数据存储单元组成。
参数设置单元通过设置不同缺陷尺寸大小，不同判断标准得到生产想要的缺陷结果，通过缺陷结果及时处理现场问题。
采集图像单元通过高精度的工业线扫相机实时采集油性涂层图像，为后续系统检测提供原始图像。
检测单元通过计算机视觉图像处理技术、深度学习技术对采集到的原始图像做检测分析，首先判断图像内是否有缺陷，在有缺陷的情况下判断缺陷属于哪种类型。
数据存储单元通过系统存储功能，将检测为缺陷的信息(时间、结果图、缺陷信息(位置、缺陷尺寸、缺陷类别))存储到本地，供员工查询。
根据本申请实施例的第三方面，提供了一种电子设备，该电子设备700可以是任意类型的智能终端，如手机、平板电脑、个人计算机等。
如图3所示，根据本申请的一些实施例，该电子设备800包括：一个或多个处理器801和存储器802，图3中以一个处理器801为例。
处理器801和存储器802可以通过总线或其他方式进行通信连接，图3以通过总线连接为例。
存储器802作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及单元，如本申请实施例中的电子设备800对应的程序指令/单元。处理器801通过运行存储在存储器802中的非暂态软件程序、指令以及单元，从而执行各种功能应用以及数据处理，即实现上述方法实施例的油性涂层检测方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据程序指令/单元创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备800。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器802中，当被一个或者多个处理器801执行时，执行上述任意方法实施例中的油性涂层检测方法。例如，执行以上描述的图1中的方法步骤S100至S700。
本申请实施例的第三方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器801执行，例如，被图3中的一个处理器801执行，可使得上述一个或多个处理器801执行上述方法实施例中的油性涂层检测方法，例如，执行以上描述的图1中的方法步骤S100至S700。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行的多种变化、修改、替换和变型，均应包含在本申请的保护范围之内。
Claims (10)
1.一种油性涂层检测方法，其特征在于，包括：
采集初始图像；
预处理所述初始图像，得到待检测涂层区域；
根据所述待检测涂层区域，得到若干第一连通域信息和若干第二连通域信息；
根据两个相邻所述第一连通域信息的宽的比值得到刮裂特征值；
若所述刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷；
根据同一所述第二连通域信息的宽和高，得到刮痕特征值；
若所述刮痕特征值大于刮痕阈值，则判定为刮痕缺陷。
2.根据权利要求1所述的油性涂层检测方法，其特征在于，所述预处理所述初始图像，得到待检测涂层区域，包括：
对所述初始图像依次进行二值化、连通域处理，得到处理图像；
获取所述初始图像对应的涂布宽度；
根据所述涂布宽度，从所述处理图像中提取所述待检测涂层区域。
3.根据权利要求1所述的油性涂层检测方法，其特征在于，所述根据所述待检测涂层区域，得到若干第一连通域信息和若干第二连通域信息，包括：
根据第一固定阈值，对所述待检测涂层区域进行分割得到第一二值图像；
对所述第一二值图像进行腐蚀膨胀处理，得到第一腐蚀膨胀图；
对所述第一腐蚀膨胀图进行连通域处理，得到若干第一连通域信息。
4.根据权利要求3所述的油性涂层检测方法，其特征在于，所述根据所述待检测涂层区域，得到第一连通域信息和第二连通域信息，还包括：
根据第二固定阈值，对所述待检测涂层区域进行分割得到第二二值图像；
对所述第二二值图像进行腐蚀膨胀处理，得到第二腐蚀膨胀图；
对所述第二腐蚀膨胀图进行连通域处理，得到若干第二连通域信息。
5.根据权利要求1或3所述的油性涂层检测方法，其特征在于，所述根据两个相邻所述第一连通域信息的宽的比值得到刮裂特征值，包括：
将每个所述第一连通域信息横向等分截断，得到若干第一等分区域；
分别获取相邻两个所述第一连通域信息在每一横向等分截断对应的两个所述第一等分区域的宽的比值，得到若干宽度比值；
将若干宽度比值作为所述刮裂特征值；
对应的，所述若所述刮裂特征值小于或等于刮裂阈值，则判定为刮裂缺陷，包括：
将每一所述宽度比值分别与所述刮裂阈值比较；
若每一所述宽度比值均小于或等于所述刮裂阈值，则判定为刮裂缺陷。
6.根据权利要求1或4所述的油性涂层检测方法，其特征在于，所述刮痕阈值包括比值门限、门限宽值以及门限高值；所述若所述刮痕特征值大于刮痕阈值，则判定为刮痕缺陷，包括：
将所述刮痕特征值的高与所述门限高值比较，得到第一比值；
将所述刮痕特征值的宽与所述门限宽值比较，得到第二比值；
将所述刮痕特征值的高与宽的比值与所述比值门限比较，得到第三比值；
若所述第一比值、所述第二比值、所述第三比值均表示不在对应的门限值内，则判定为刮痕缺陷。
7.根据权利要求1所述的油性涂层检测方法，其特征在于，所述采集初始图像之后，还包括：
加载深度学习模型；
获取图像尺寸信息、第一执行度和第二执行度；
将所述图像尺寸信息、所述第一执行度和所述第二执行度输入所述深度学习模型，得到干料缺陷信息与气泡缺陷信息。
8.一种油性涂层检测系统，其特征在于，包括：
相机取流模块，用于采集初始图像；
算法处理模块，用于对涂层的刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷进行检测；
通信管理模块，用于控制所述算法处理模块对不同缺陷进行检测以及系统的停机处理；
参数管理模块，用于设置涂层区域信息以及刮裂缺陷、刮痕缺陷、干料缺陷和气泡缺陷等缺陷的判断标准。
9.一种电子设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如权利要求1至7任一项所述的油性涂层检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的油性涂层检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110749173.3A CN113643233B (zh) | 2021-07-01 | 2021-07-01 | 油性涂层检测方法、系统及设备、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110749173.3A CN113643233B (zh) | 2021-07-01 | 2021-07-01 | 油性涂层检测方法、系统及设备、计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113643233A true CN113643233A (zh) | 2021-11-12 |
| CN113643233B CN113643233B (zh) | 2024-05-24 |
Family
ID=78416494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110749173.3A Active CN113643233B (zh) | 2021-07-01 | 2021-07-01 | 油性涂层检测方法、系统及设备、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643233B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118794951A (zh) * | 2024-08-01 | 2024-10-18 | 潍坊亚贝涂料有限公司 | 一种环保涂料检测方法及系统 |
| TWI869276B (zh) * | 2024-04-30 | 2025-01-01 | 香港商永道無線射頻標籤(香港)有限公司 | 檢測塗膠缺陷的處理系統與方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101105459A (zh) * | 2007-05-15 | 2008-01-16 | 广州市万世德包装机械有限公司 | 一种空瓶瓶口缺陷的检测方法及装置 |
| JP2008281580A (ja) * | 2008-06-26 | 2008-11-20 | Olympus Corp | 欠陥分類装置 |
| CN101995223A (zh) * | 2009-08-25 | 2011-03-30 | 比亚迪股份有限公司 | 一种芯片外观检测方法及系统 |
| US20130236086A1 (en) * | 2012-03-09 | 2013-09-12 | National Applied Research Laboratories | Method of Inspecting Chip Defects |
| US20160021750A1 (en) * | 2014-07-16 | 2016-01-21 | International Business Machines Corporation | Multi-stacked electronic device with defect-free solder connection |
| WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
| CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
| GB201705052D0 (en) * | 2017-03-29 | 2017-05-10 | Redlux Ltd | Inspection of components for imperfections |
| US20180225816A1 (en) * | 2017-02-07 | 2018-08-09 | Xerox Corporation | System and method for detecting defects in an image |
| CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
| CN110766684A (zh) * | 2019-10-30 | 2020-02-07 | 江南大学 | 一种基于机器视觉的定子表面缺陷检测系统及检测方法 |
| CN111179243A (zh) * | 2019-12-25 | 2020-05-19 | 武汉昕竺科技服务有限公司 | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 |
| CN111223080A (zh) * | 2020-01-02 | 2020-06-02 | 长江存储科技有限责任公司 | 一种晶元的检测方法和装置、电子设备、存储介质 |
| CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
| CN111627009A (zh) * | 2020-05-27 | 2020-09-04 | 歌尔股份有限公司 | 一种屏幕检测方法、装置及头戴显示设备 |
| CN111882541A (zh) * | 2020-07-28 | 2020-11-03 | 广州柔视智能科技有限公司 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
| CN112102278A (zh) * | 2020-09-11 | 2020-12-18 | 天津科技大学 | 一种基于计算机视觉的金属工件加工面缺陷检测方法 |
| CN112541884A (zh) * | 2020-10-30 | 2021-03-23 | 浙江大华技术股份有限公司 | 缺陷检测方法及设备、计算机可读存储介质 |
-
2021
- 2021-07-01 CN CN202110749173.3A patent/CN113643233B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101105459A (zh) * | 2007-05-15 | 2008-01-16 | 广州市万世德包装机械有限公司 | 一种空瓶瓶口缺陷的检测方法及装置 |
| JP2008281580A (ja) * | 2008-06-26 | 2008-11-20 | Olympus Corp | 欠陥分類装置 |
| CN101995223A (zh) * | 2009-08-25 | 2011-03-30 | 比亚迪股份有限公司 | 一种芯片外观检测方法及系统 |
| US20130236086A1 (en) * | 2012-03-09 | 2013-09-12 | National Applied Research Laboratories | Method of Inspecting Chip Defects |
| US20160021750A1 (en) * | 2014-07-16 | 2016-01-21 | International Business Machines Corporation | Multi-stacked electronic device with defect-free solder connection |
| WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
| CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
| US20180225816A1 (en) * | 2017-02-07 | 2018-08-09 | Xerox Corporation | System and method for detecting defects in an image |
| GB201705052D0 (en) * | 2017-03-29 | 2017-05-10 | Redlux Ltd | Inspection of components for imperfections |
| CN110163842A (zh) * | 2019-04-15 | 2019-08-23 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
| CN110766684A (zh) * | 2019-10-30 | 2020-02-07 | 江南大学 | 一种基于机器视觉的定子表面缺陷检测系统及检测方法 |
| CN111179243A (zh) * | 2019-12-25 | 2020-05-19 | 武汉昕竺科技服务有限公司 | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 |
| CN111223080A (zh) * | 2020-01-02 | 2020-06-02 | 长江存储科技有限责任公司 | 一种晶元的检测方法和装置、电子设备、存储介质 |
| CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
| CN111627009A (zh) * | 2020-05-27 | 2020-09-04 | 歌尔股份有限公司 | 一种屏幕检测方法、装置及头戴显示设备 |
| CN111882541A (zh) * | 2020-07-28 | 2020-11-03 | 广州柔视智能科技有限公司 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
| CN112102278A (zh) * | 2020-09-11 | 2020-12-18 | 天津科技大学 | 一种基于计算机视觉的金属工件加工面缺陷检测方法 |
| CN112541884A (zh) * | 2020-10-30 | 2021-03-23 | 浙江大华技术股份有限公司 | 缺陷检测方法及设备、计算机可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| PETER LIN; NA CAI; SANGKEE EAH; OLIVER D. PATTERSON; WEIHONG GAO: "E-beam mechanics and net connectivity for interlayer short detection: DI: Defect inspection and reduction", 《2017 28TH ANNUAL SEMI ADVANCED SEMICONDUCTOR MANUFACTURING CONFERENCE (ASMC)》 * |
| 郭全民;张海先: "基于图像处理技术的混凝土路面裂缝检测方法", 传感器与微系统, no. 004 * |
| 马丽莎: "基于数字图像处理的路面裂缝识别方法研究", 《CNKI》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI869276B (zh) * | 2024-04-30 | 2025-01-01 | 香港商永道無線射頻標籤(香港)有限公司 | 檢測塗膠缺陷的處理系統與方法 |
| CN118794951A (zh) * | 2024-08-01 | 2024-10-18 | 潍坊亚贝涂料有限公司 | 一种环保涂料检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113643233B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115131283B (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
| CN101620060B (zh) | 颗粒大小分布自动检测方法 | |
| CN107886500A (zh) | 一种基于机器视觉和机器学习的产品生产监控方法及系统 | |
| CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
| CN109507192A (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
| CN105891233A (zh) | 基于机器视觉的镜片表面缺陷智能检测系统及其实现方法 | |
| CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
| CN114897908B (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统 | |
| CN113643233A (zh) | 油性涂层检测方法、系统及设备、计算机可读存储介质 | |
| CN111339907A (zh) | 一种基于图像识别技术的排污识别方法及装置 | |
| CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
| CN113192037A (zh) | 一种皮带机监测方法、系统、介质及电子终端 | |
| CN110458144A (zh) | 物体区域入侵检测方法、系统、装置及可读存储介质 | |
| CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
| CN118229629A (zh) | 一种大尺寸液晶屏边缘检测方法、系统、设备及介质 | |
| CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
| CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
| CN116152201A (zh) | 一种石膏板质量检测方法、装置、介质 | |
| CN113781513B (zh) | 一种电厂供水管道泄漏检测方法及系统 | |
| CN118966893A (zh) | 智能电子产品质量安全风险监测与控制系统 | |
| CN117259035B (zh) | 一种基于机器视觉的离心机自动控制系统及方法 | |
| CN117710313A (zh) | 一种基于图像检测的缺陷识别处理方法及存储介质 | |
| CN112330633A (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 | |
| Aydin et al. | A vision based inspection system using gaussian mixture model based interactive segmentation | |
| Huang et al. | Research on detection method of sheet surface defects based on machine vision |
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 |