样品缺陷检测

最新推荐文章于 2024-09-10 17:04:53 发布
最新推荐文章于 2024-09-10 17:04:53 发布
阅读量207 收藏
点赞数
分类专栏： 机器视觉 文章标签： 视觉检测 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/L0214_520/article/details/124979992
版权
该案例详述了一种通过计算机视觉技术进行样品缺陷检测的方法。使用白色环形灯、工业500万像素镜头和形状匹配、相似度检测算法来确保样品无缺失和缺料。通过对检测位置的精确配准，即使存在微小偏差也能准确识别结果，从而实现高效的质量控制。
摘要由CSDN通过智能技术生成

检测实现功能

本案例实现通过“相识度检测”检测样品是否缺失，缺料。如图所示；检测标准为：样品无缺失，缺料。

检测系统需求分析

 1.为了将面板表面上的污点打亮，这里选用白色环形灯，相机从上往下垂直拍摄，产品置于平行背光源上

2.为了检测达到足够分辨率，这里选用工业500

最低0.47元/天 解锁文章
小奥机器
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
使用OpenCV检测锯齿或阶梯状（缺口、残缺）特征
thequitesunshine007的博客
07-13 2613
使用OpenCV检测锯齿或阶梯状（缺口、残缺）特征
工业无监督缺陷检测，提升缺陷检测能力，解决缺陷样品少、不平衡等问题（二）
06-15 1400
工业缺陷检测问题点：1）对于未知的缺陷检测能力不佳，经常会遇到明显的缺陷（但从未出现过的缺陷）存在着漏判的问题点；2）工业界存在着大量良品，极度缺乏不良图片，这导致算法性能大幅度下降；解决方案：有监督检测（yolov8、yolov5等目标检测算法）+无监督异常检测方案
halcon 缺陷检测 缺料混料检测
廷益_飞鸟的博客
03-24 1098
图片资源 链接：https://pan.baidu.com/s/1o9H1G_D2yVyIyMeflOEPfA 提取码：s8sh 处理流程 1、设置检查区域 设置形状模板 2、组合模板、循环读取模板 3、获取盘盒区域与位置 4、搜索模板组 5、循环找到的模板 6、统计各个产品的个数并对比 7、旋转模板位置、计算种类角度并排序 8、与标准排序做对比 9、显示个数与排序情况 （都正确 说明没有缺料、混料（排序正确）） 完整代码 * 每盒包含 * 奶酪口味cream(Sahne)4个, * 火腿口味h.
用视觉算法判断是否有物品遗留的思路是什么
weixin_35754676的博客
01-13 291
用视觉算法判断是否有物品遗留的思路可以使用深度学习技术，如卷积神经网络 (CNN) 或递归神经网络 (RNN)。通常需要先收集大量有标记的图像数据，用来训练算法。训练好的算法可以通过检测图像中物品的形状、颜色、位置等特征来判断是否有物品遗留。 ...
图像中搜索圆（特别是残缺的圆）
十方御道的博客
12-18 2781
 类似于下面的图像，寻找残缺的圆，用hough变换的话，反正我是搞不出来，自己写了一个，已知圆的大概半径，在图像上面遍历，对遍历的结果打分，分数最高的就是搜寻的圆，将对应的轮廓点拟合圆，即可求得  以下是代码，亲自试了，可用： #include <string> #include <cxcore.h> #include <cv.h> #include ...
样品多缺陷检测
mooklab的博客
03-17 520
样品多缺陷检测 ——模板匹配、斑点检测与相似度检测的调用 样品多缺陷检测 一、检测实现功能 本案例实现检测用户样品几个不同位置是否有缺陷，每个位置调用不同算法来检测样品是否合格。 二、检测系统需求分析 ①、为了获得最优的打光效果，这里选两个同轴光源垂直向下打光； ②、为了达到检测要求，这里选用500W黑白网口相机，工业高像素级25mm定焦镜头； 三、检测具体步骤 对样品需检测区域1使用模板匹配（可以检测顺便作位置配准），并设置模板待用。如...
样品缺陷检测—模板匹配与像素统计的调用
mooklab的博客
03-16 794
样品缺陷检测 ——模板匹配与像素统计的调用 样品缺陷检测 一、检测实现功能 本案例实现检测金属样品是否有缺陷，通过统计检测区域灰度值大小从而判断产品是否合格。 二、检测系统需求分析 ①、为了获得最优的打光效果，这里选同轴光源垂直向下打光； ②、为了达到检测要求，这里选用500W黑白网口相机，工业高像素级25mm定焦镜头； 三、检测具体步骤 首先选择一个合格样品进行模板匹配，并设置模板待用。如下图： 框选模板区域并添加测试，如下图：...
当下晶圆缺陷检测检测现状
qq_36786800的博客
01-18 1417
KLA公司是世界半导体检测设备巨头，也是半导体检测设备光机设备的行业标杆，具有极大的参考价值，大多数设备都用到了深度学习。
HSG金属表面缺陷检测
MechMaster
07-08 775
HSG金属表面缺陷检测。
工业无监督缺陷检测，提升缺陷检测能力，解决缺陷样品少、不平衡等问题
06-06 1369
针对无监督异常检测进行研究，从而提升工业缺陷检测能力。yolov8、yolov5等前沿先进目标检测算法在工业界的广泛应用，同时也取得了一定效果，但同时存在着一些问题点：1）对于未知的缺陷检测能力不佳，经常会遇到明显的缺陷（但从未出现过的缺陷）存在着漏判的问题点；2）工业界存在着大量良品，极度缺乏不良图片，这导致yolo等算法性能大幅度下降；
视觉检测中的深度学习应用
weixin_58566539的博客
09-10 454
深度学习通过使用复杂的神经网络模型，尤其是卷积神经网络（CNNs），在图像分类、物体检测、图像分割等任务中取得了显著进展。深度学习中的目标检测算法，如 YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）、Faster R-CNN，通过结合区域提议网络（RPN）和分类网络，实现了高效的物体检测。未来，随着计算能力的提升和算法的进一步优化，深度学习将继续引领视觉检测技术的创新，为各行各业带来更多的便利和效益。
计算机视觉 第七章图像搜索
最新发布
qq_53034510的博客
09-10 409
这里，对图像进行索引就是从这些图像中 提取描述子，利用词汇将描述子转换成视觉单词，并保存视觉单词及对应图像的单词 直方图。这里，我们用BoW 来表示整个图像，不过这里介绍的过程是通用的，可以应用 于寻找相似的物体、相似的脸、相似的颜色等，它完全取决于图像及所用的描述子。通常，数据集（或语料 库）中一个单词的重要性与它在文档中出现的次数成正比，而与它在语料库中出现 的次数成反比。imlist包含的是图像的文件名，运行下面的代码，可以得到每幅 图像提取出的描述子，并将每幅图像的描述子保存在一个文件中。
Opencv实现提取卡号（数字识别）
2401_84670644的博客
09-03 1152
接下来，你可能会想要使用这些数字模板与输入图像中的数字进行匹配，以确定输入图像中每个数字的具体值。这通常涉及到模板匹配技术，如使用。库来解析命令行输入，确保用户提供了输入图像和模板图像的路径。函数读取模板图像的路径，并显示原始图像。自定义的myutils库。
[数据集][目标检测]西红柿缺陷检测数据集VOC+YOLO格式17318张3类别
FL1623863129的博客
09-05 595
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["Bad","Good","Unripe"]图片数量(jpg文件个数)：17318。标注数量(xml文件个数)：17318。标注数量(txt文件个数)：17318。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
[数据集][目标检测]人脸口罩佩戴目标检测数据集VOC+YOLO格式8068张3类别
FL1623863129的博客
09-06 478
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["face_with_mask","face_without_mask","mask"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。face_with_mask 框数 = 4429。图片数量(jpg文件个数)：8068。标注数量(xml文件个数)：8068。标注数量(txt文件个数)：8068。
目标检测-YOLOv3
午夜的行人
09-06 672
YOLOv3 (You Only Look Once, Version 3) 是 YOLO 系列目标检测模型的第三个版本，相较于 YOLOv2 有了显著的改进和增强，尤其在检测速度和精度上表现优异。YOLOv3 的设计目标是在保持高速的前提下提升检测的准确性和稳定性。下面是对 YOLOv3 改进和优势的介绍，以及 YOLOv3 核心部分的代码展示。
自动缺陷检测算法：从污点到IR滤光片检测
"这篇文档详细介绍了缺陷检测算法在检测模组内部Sensor或IR滤光片上的污点，包括污点测试的基本算法、取值框设置、测试环境与标准，以及SFR和EIAJ测试原理的提及。" 缺陷检测算法是针对电子设备中的图像传感器或...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值