缺陷检测 订阅
缺陷检测通常是指对物品表面缺陷的检测,表面缺陷检测是采用先进的机器视觉检测技术,对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。 展开全文
缺陷检测通常是指对物品表面缺陷的检测,表面缺陷检测是采用先进的机器视觉检测技术,对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。
信息
外文名
defect detection
检测项目
产品缺陷,产品尺寸,产品形状
中文名
缺陷检测
缺陷检测软件简介
当前,国内外很多软件企业开发了不少该类检测软件,该系统可根据设定的技术指标要求自动进行检测,并对有缺陷部位进行标识,还可以根据需要自动分拣、剔除。以表面缺陷检测系统为例对该系统做简要说明:
收起全文
精华内容
下载资源
问答
  • Halcon缺陷检测实例转OpenCV实现(一)---网格缺陷检测 Halcon缺陷检测实例转OpenCV实现(二)---PCB印刷缺陷检测 Halcon缺陷检测实例转OpenCV实现(三)---凸缺陷检测 Halcon缺陷检测实例转OpenCV实现(四)---同颜色...

    图片


        Halcon缺陷检测实例转OpenCV实现(一)---网格缺陷检测

        Halcon缺陷检测实例转OpenCV实现(二)---PCB印刷缺陷检测

        Halcon缺陷检测实例转OpenCV实现(三)---凸缺陷检测

        Halcon缺陷检测实例转OpenCV实现(四)---同颜色药片缺陷检测

        Halcon缺陷检测实例转OpenCV实现(五)---混合颜色药片缺陷检测


        本期文章继续介绍缺陷检测专题的第六个案例,用OpenCV实现Halcon中一个瓶口缺陷检测的实例,前面案例链接如上↑↑↑。

        Halcon中对应的例子为inspect_bottle_mouth.hdev,用于检测酒瓶瓶口是否出现破损等缺陷情形,检测效果如下:

       (1) 正常情瓶口完整,无破损

    图片

       (2) 异常情况包含不同情况的破损

    图片

    图片

    图片

        Halcon实例主要步骤包含五步,分别是:

    • 使用阈值处理和形态学粗定位品口位置;

    • XLD轮廓拟合最近似的圆形区域作为瓶口的轮廓;

    • 极坐标变换,转换到水平或垂直方向进行处理;

    • 均值滤波图与原图做差分,根据阈值提取;

    • 将绘制的缺陷部分通过反极坐标变换投影到原图上。


        具体的实现代码大家有兴趣看下Halcon的实例代码,这里有几个重要步骤需要对比说明:

        (1) 瓶口轮廓粗定位,OpenCV实现是根据瓶口部分区域为黑色且明显易于提取所以选择了HSV提取黑色轮廓的方法,然后通过计算轮廓的最小外接圆来近似,大部分效果还可以,如下:

    图片

    但有一些情况圆边上多出一部分杂讯,如下:

    图片

    Halcon中通过拟合圆算子可以过滤,OpenCV中需要自己写

    图片

        (2) 所以,第一步和第二步这里直接同霍夫圆变换来替换(最重要的就是参数要设置合适):

    •  
    •  
    •  
    •  
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)gray = cv2.medianBlur(gray,3)circles = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,100,\         param1=200,param2=30,minRadius=150,maxRadius=500)

    图片

    我测试了一下,16张测试图,效果都不错,暂时采用它。
        (3) 第三步,极坐标变换。这里的重点就是基于上一步骤要准确找到圆,将圆心作为极坐标变换的中心。

    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    x = circles[0][i][0] - circles[0][i][2]y = circles[0][i][1] - circles[0][i][2]w = h = 2 * circles[0][i][2]center = (circles[0][i][0], circles[0][i][1])radius = circles[0][i][2]
    ROI = img[y:y+h,x:x+w].copy()cv2.imshow('ROI',ROI)trans_center = (center[0]-x, center[1]-y)polarImg = cv2.warpPolar(ROI,(300,600),trans_center,radius,cv2.INTER_LINEAR + cv2.WARP_POLAR_LINEAR)cv2.imshow('polarImg',polarImg)

    变换前:

    图片

    变换后:

    图片

        (3) 均值滤波做差分,注意这里的均值滤波核大小,一般我们都是设置(3,3)或(5,5)等,这里物体垂直方向较长,参考Halcon例子中设置为(3, 501),看效果:

    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    blur = cv2.blur(gray,(3,501))cv2.imshow('blur',blur)diff = cv2.absdiff(gray,blur)cv2.imshow('diff',diff)cv2.imwrite("diff.png",diff)ret,thres = cv2.threshold(diff,55,255,cv2.THRESH_BINARY)thres = cv2.medianBlur(thres, 3)
    contours2,hierarchy2 = cv2.findContours(thres, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)for cnt2 in contours2:  (x2, y2, w2, h2) = cv2.boundingRect(cnt2)    #print(x, y, w, h)  if w2 > 13:    cv2.drawContours(polarImg,cnt2,-1,(0,0,255),2)    isNG = True

    图片

    然后做差分,阈值处理,绘制轮廓:

    图片

    图片

        (4) 反极坐标变换,结果投影到原图:

    图片

        (5) 最后把ROI图贴到结果图中:

    图片

    完整测试效果见下面视频:

    https://www.bilibili.com/video/BV1Qv41147uV/

    核心代码上面已展示,如果对完整源码感兴趣,欢迎加入知识星球获取和讨论,感谢。

    展开全文
  • 芯片缺陷检测项目

    万次阅读 多人点赞 2017-12-21 16:11:21
    Tips:需要了解项目细节或者相关技术支持,以下是联系方式。 邮箱:740595707@qq.com Github源码:... ... 机器视觉项目----芯片缺陷检测 01 应用与背景 封装体检测的内容包括(括...

    Tips:需要了解项目细节或者相关技术支持,以下是联系方式。

    邮箱:740595707@qq.com

     Github源码:https://github.com/dlphay/halcon_dlphay

     (源码中去掉了部分核心代码,需要核心代码通过邮箱联系)

    机器视觉项目----芯片缺陷检测

    01 应用与背景

    封装体检测的内容包括(括号内数字为检测编号):刮痕(00)、污迹(01)、破损(02)、未灌满(03)、
    外溢(04)共 5 项检测内容。
    印记检测的内容包括(括号内数字为检测编号):错字(10)、偏移(11)、漏印(12)、多印(13)、
    模糊(14)、倾斜(15)、位移(16)、断字(17)、双层印(18)、无字模(19)共 10 项检测内容。
    管脚检测的内容包括(括号内数字为检测编号):管脚缺失(20)、管脚破损(21)、管脚间距(22)、
    管脚宽度(23)、管脚弯曲度(24)、管脚跨距(25)、管脚长度差异(26)、管脚站立高(27)、管脚共面
    度(28)、管脚倾斜(29)共 10 项检测内容。
    注:第(27)、(28)项未检测。 

     

     

     

     

     

    02 优势对比

     

     

     

     

    03 涉及视觉算法

    04 注意事项

    05 系统方案

    详细请参考csdn链接:http://blog.csdn.net/dlphay/article/details/71191600

     

    06 系统模块

    NON_RETURN INIT_CAMERA_WINDOW(Hlong lWWindowID);
    NON_RETURN INIT_OCR_CLASS_SVM(NON_FLAG);
    NON_RETURN ACTION_NCC_MODEL(NON_FLAG);
    NON_RETURN ACTION_FIND_OBJECT_YES_OR_NO(NON_FLAG);
    NON_RETURN ACTION_CONFIRM_OBJECT(NON_FLAG);
    NON_RETURN INIT_LOCATION_CHAR_AND_LOGO(NON_FLAG);
    NON_RETURN INIT_LOCATION_PIN(NON_FLAG);
    NON_RETURN INIT_FONT_PIN(NON_FLAG);
    NON_RETURN ACTION_MEASURE_PIN(NON_FLAG);
    NON_RETURN ACTION_BACKUP_DATA_PIN(NON_FLAG);
    NON_RETURN ACTION_CALCULATE_RESULT_OF_PIN(NON_FLAG);
    NON_RETURN DISPLAY_RESULT_OF_ALL(NON_FLAG);
    NON_RETURN CLOSE_MEASURE_PIN(NON_FLAG);
    NON_RETURN GET_CROP_IMAGE_ACTION(NON_FLAG);
    NON_RETURN OCR_CORE_PRE_PROCESSING(NON_FLAG);
    NON_RETURN OCR_ORDER_SELECTED_REGION(NON_FLAG);
    NON_RETURN OCR_DO_OCR_CLASS_SVM(NON_FLAG);
    NON_RETURN DISPLAY_OCR_RESULT(NON_FLAG);
    NON_RETURN INIT_TRAIN_OCV_ACTION(NON_FLAG);
    NON_RETURN ACTION_TRAIN_OCV_VARMODEL(NON_FLAG);
    NON_RETURN ACTION_OCV_CORE(NON_FLAG);
    NON_RETURN CLEAR_OCV_MODELDATA(NON_FLAG);
    NON_RETURN INIT_TRAIN_OCV_ACTION_CAPSULE(NON_FLAG);
    NON_RETURN ACTION_TRAIN_OCV_VARMODEL_CAPSULE(NON_FLAG);
    NON_RETURN ACTION_OCV_CORE_CAPSULE(NON_FLAG);
    NON_RETURN CLEAR_OCV_MODELDATA_CAPSULE(NON_FLAG);
    NON_RETURN INIT_CAMERA_WINDOW(Hlong lWWindowID);
    NON_RETURN INIT_OCR_CLASS_SVM(NON_FLAG);
    NON_RETURN ACTION_NCC_MODEL(NON_FLAG);
    NON_RETURN ACTION_FIND_OBJECT_YES_OR_NO(NON_FLAG);
    NON_RETURN ACTION_CONFIRM_OBJECT(NON_FLAG);
    NON_RETURN INIT_LOCATION_CHAR_AND_LOGO(NON_FLAG);
    NON_RETURN INIT_LOCATION_PIN(NON_FLAG);
    NON_RETURN INIT_FONT_PIN(NON_FLAG);
    NON_RETURN ACTION_MEASURE_PIN(NON_FLAG);
    NON_RETURN ACTION_BACKUP_DATA_PIN(NON_FLAG);
    NON_RETURN ACTION_CALCULATE_RESULT_OF_PIN(NON_FLAG);
    NON_RETURN DISPLAY_RESULT_OF_ALL(NON_FLAG);
    NON_RETURN CLOSE_MEASURE_PIN(NON_FLAG);
    NON_RETURN GET_CROP_IMAGE_ACTION(NON_FLAG);
    NON_RETURN OCR_CORE_PRE_PROCESSING(NON_FLAG);
    NON_RETURN OCR_ORDER_SELECTED_REGION(NON_FLAG);
    NON_RETURN OCR_DO_OCR_CLASS_SVM(NON_FLAG);
    NON_RETURN DISPLAY_OCR_RESULT(NON_FLAG);
    NON_RETURN INIT_TRAIN_OCV_ACTION(NON_FLAG);
    NON_RETURN ACTION_TRAIN_OCV_VARMODEL(NON_FLAG);
    NON_RETURN ACTION_OCV_CORE(NON_FLAG);
    NON_RETURN CLEAR_OCV_MODELDATA(NON_FLAG);
    NON_RETURN INIT_TRAIN_OCV_ACTION_CAPSULE(NON_FLAG);
    NON_RETURN ACTION_TRAIN_OCV_VARMODEL_CAPSULE(NON_FLAG);
    NON_RETURN ACTION_OCV_CORE_CAPSULE(NON_FLAG);
    NON_RETURN CLEAR_OCV_MODELDATA_CAPSULE(NON_FLAG);

    07 流程图


     

    08结果展示


     

     

     

     

    展开全文
  • 缺陷检测数据集

    2018-11-15 20:05:20
    缺陷检测数据集,用于训练缺陷检测神经网络。从https://github.com/sundyCoder/DEye下载
  • 路面缺陷检测算法演示 车载相机或智能手机拍摄地面,对其进行分析识别,及时预警需要修补的道路.这项技术在道路维护管养中可发挥重要作用

    路面缺陷检测算法演示

    车载相机或智能手机拍摄地面,对其进行分析识别,及时预警需要修补的道路.这项技术在道路维护管养中可发挥重要作用

    展开全文
  • Halcon缺陷检测实例转OpenCV实现(一)---网格缺陷检测 Halcon缺陷检测实例转OpenCV实现(二)--- PCB印刷缺陷检测 Halcon缺陷检测实例转OpenCV实现(三)-凸缺陷​​检测 Halcon缺陷检测实例转OpenCV实现(四...

    图片


        Halcon缺陷检测实例转OpenCV实现(一)---网格缺陷检测

        Halcon缺陷检测实例转OpenCV实现(二)--- PCB印刷缺陷检测

        Halcon缺陷检测实例转OpenCV实现(三)-凸缺陷​​检测

        Halcon缺陷检测实例转OpenCV实现(四)---同色药片缺陷检测


        本期文章继续介绍缺陷检测专题的第五个案例,用OpenCV实现Halcon中一个混合颜色缺陷检测的实例,前面案例链接如上↑↑↑

        Halcon中对应的例子为check_blister_mixed.hdev,用于检测替换包装中是否有错的替换或漏装的替代,检测效果如下:

       (1)正常情况黄色胶囊3个,红色和绿色胶囊各6个

    图片

       (2 )异常情况包括漏装,少装和错装

    图片

    图片

    图片

    图片

        Halcon实例中使用GMM分类方法来实现,GMM(高斯混合模型)常用图像分割分类,某些常见的运动物体检测中的前景和背景分割等,如下:

    图片

        使用OpenCV实现方法我们用简单的HSV颜色提取和轮廓分析即可,毕竟这个实例中颜色只有3种,我们可以避免准备和训练样本的步骤。当然,如果有更多的颜色或形状的胶囊混合,也可以加一个CNN分类网络来做每一个ROI的识别。我们这里只介绍HSV颜色提取方法,步骤也简单:

        (1)设置黄色,红色,绿色的HSV值范围(记得用我上篇文章给大家的工具或自己写个滑动条调试工具),能区分颜色的同时,不要将几种颜色替换;

        (2)按照上篇文章的方法,将分割成分段的ROI,然后提取对应的颜色轮廓比对;

        (3)比对颜色是否对应,同时轮廓的宽高是否满足要求,然后将每个满足要求的颜色轮廓计数,最后做结果确定即可。

        如下是核心代码和运行效果:

        (1)HSV颜色取值范围:

    lower_yellow = np.array([0,40,40])upper_yellow = np.array([50,255,255])
    lower_red = np.array([0,10,10])upper_red = np.array([10,255,255])
    lower_green = np.array([20,60,50])upper_green = np.array([80,255,255])

        (2)颜色轮廓提取:

    hsv_roi=cv2.cvtColor(small_roi,cv2.COLOR_BGR2HSV)mask_yellow = cv2.inRange(hsv_roi,lower_yellow,upper_yellow)mask_red = cv2.inRange(hsv_roi,lower_red,upper_red)mask_green = cv2.inRange(hsv_roi,lower_green,upper_green)mask_yellow = cv2.medianBlur(mask_yellow, 3)#中值滤波mask_red = cv2.medianBlur(mask_red, 3)#中值滤波mask_green = cv2.medianBlur(mask_green, 3)#中值滤波

        (3)单个胶囊判断与最终结果判断逻辑:

    isRed = isGreen = False    if check_yellow:        #cv2.imshow("mask_yellow",mask_yellow)        contours2,hierarchy2 = cv2.findContours(mask_yellow, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)           for cnt2 in contours2:          (x2, y2, w2, h2) = cv2.boundingRect(cnt2)          if w2 > 5 and h2 > 5:            cv2.rectangle(img,(x1,y1),(x1+width+5,y1+height+13),(32,165,218),2)            yellow_num = yellow_num + 1            break##          else:##            cv2.rectangle(img,(x1,y1),(x1+width+5,y1+height+13),(0,0,255),2)##            isNG = True        if(len(contours2) < 1):          cv2.rectangle(img,(x1,y1),(x1+width+5,y1+height+13),(0,0,255),4)          isNG = True            if check_red:        contours2,hierarchy2 = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)           #cv2.imshow("mask_red",mask_red)            for cnt2 in contours2:          (x2, y2, w2, h2) = cv2.boundingRect(cnt2)          if w2 > 30 and w2 < 60 and h2 > 20 and h2 < 45:            cv2.rectangle(img,(x1,y1),(x1+width+5,y1+height+13),(34,34,178),2)            red_num = red_num + 1            isRed = True            break
        if check_green:        #cv2.imshow("mask_green",mask_green)        contours2,hierarchy2 = cv2.findContours(mask_green, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)           for cnt2 in contours2:          (x2, y2, w2, h2) = cv2.boundingRect(cnt2)          #print(x2, y2, w2, h2)          if w2 > 30 and w2 < 60 and h2 > 20 and h2 < 45:            cv2.rectangle(img,(x1,y1),(x1+width+5,y1+height+13),(35,142,107),2)            green_num = green_num + 1            isGreen = True            break    if not isRed and not isGreen and i>0:      cv2.rectangle(img,(x1,y1),(x1+width+5,y1+height+13),(0,0,255),4)      isNG = True        cv2.putText(img,str(index), (x1,y1), font, 0.7, (255,0,0), 2)     #cv2.imshow("img",img)    #cv2.waitKey()if yellow_num != 3:  isNG = True  cv2.putText(img,"yellow pillow : %d"%yellow_num, (10,20), font, 0.7, (0,0,255), 2)else:  cv2.putText(img,"yellow pillow : %d"%yellow_num, (10,20), font, 0.7, (255,255,0), 2)      if red_num != 6:  isNG = True  cv2.putText(img,"red pillow : %d"%red_num, (10,40), font, 0.7, (0,0,255), 2)else:  cv2.putText(img,"red pillow : %d"%red_num, (10,40), font, 0.7, (255,255,0), 2)      if green_num != 6:  isNG = True  cv2.putText(img,"green pillow : %d"%green_num, (10,60), font, 0.7, (0,0,255), 2)else:  cv2.putText(img,"green pillow : %d"%green_num, (10,60), font, 0.7, (255,255,0), 2)print("yellow=%d,red=%d,green=%d"%(yellow_num,red_num,green_num))

        运行效果:

    图片

    图片

    图片

    图片

    图片

    图片

    核心代码上面已展示,如果对完整原始码作者,欢迎加入知识星球获取,感谢。

    展开全文
  • Halcon缺陷检测实例转OpenCV实现(一)---网格缺陷检测 Halcon缺陷检测实例转OpenCV实现(二)---PCB印刷缺陷检测 本期文章继续介绍缺陷检测专题的第三个案例,用OpenCV实现Halcon中一个物体凸缺陷检测的实例,前两个...
  • 不同于经典计算机视觉任务中的 ImageNet、PASCAL VOC2007/2012 和 COCO 等数据集,表面缺陷检测并没有一个统一的,大规模的数据集,不同的缺陷检测数据集,在 样本数量,正负样本比例,复杂度 等方面都有很大的不同...
  • 后面连续几周将开启缺陷检测专题模式,敬请关注!本期来用OpenCV实现Halcon中一个简单的网格缺陷检测实例。 Halcon中对应的例子为novelty_detection_dyn_threshold.hdev,如下: 属于Blob分析中的一个缺陷检测...
  • 后面连续几周将开启缺陷检测专题模式,这是第二篇,上篇链接如下,敬请关注! Halcon缺陷检测实例转OpenCV实现(一)---网格缺陷检测 本期来用OpenCV实现Halcon中一个简单的PCB印刷缺陷检测实例。 Halcon中对应的...
  • 缺陷检测开源工具

    千次阅读 2020-02-02 16:18:15
    来源:缺陷检测开源工具 一、DEye下载链接:https://github.com/sundyCoder/DEye介绍:Defect Eye是一个基于tensorflow1.4的开源软件库,主要用于表面缺陷检查。该应用领域涵盖了制造环境中的各种应用,包括加工工具...
  • 焊点缺陷检测

    千次阅读 2018-06-04 15:21:28
    一、焊点缺陷检测系统描述 系统采用进口高分辨率CCD相机,可以快速获取汽车温度传感器塑料件电阻焊接部分的图像,通过图像识别、分析和计算,采用灰度对比提取检测温度传感器塑料件电阻焊接部分少锡、多锡、焊锡...
  • 在工业领域,划痕缺陷检测技术主要应用于汽车、3C、冶金等行业,主要用于对物体表面划痕的识别和检测。目前,大多数厂家仍然依靠人工测试。由于检测要求高,工人在长时间工作时容易出现视觉疲劳等因素。检测精度普遍...
  • 总结|深度学习实现缺陷检测

    千次阅读 2020-02-02 16:30:48
    前言缺陷检测是工业上非常重要的一个应用,由于缺陷多种多样,传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移,复用性不大,要求区分工况,这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好...
  • 使用深度学习 进行缺陷检测 链接: 千顺智能. 数据库– GRIMA database http://dmery.ing.puc.cl/index.php/material/gdxray/ steel surface defects – Micro surface defect database faculty.neu.edu....
  • 深度学习实现缺陷检测算法汇总

    万次阅读 多人点赞 2020-02-17 16:51:08
    来源:总结|深度学习实现缺陷检测 前言 缺陷检测是工业上非常重要的一个应用,由于缺陷多种多样,传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移,复用性不大,要求区分工况,这会浪费大量的人力成本。深度...
  • 最近,有许多朋友都在关注缺陷检测领域,今天来看看缺陷检测。 目前, 基于机器视觉的表面 缺陷装备已经在各工业领域广泛替代人工肉眼检测,包括3C、汽车、家电、机械制造、半导体及电子、化工、医药、航空航天、...
  • 不均匀表面刮伤检测,产品上凹坑检测,电路板短路,断路检测,化妆品标签褶皱检测,刀口破损缺陷检测等。halcon源码,自学参考借鉴,不能直接用于商用
  • OpenCV缺陷检测

    万次阅读 2018-12-06 18:34:30
    OpenCV缺陷检测代码: // An highlighted block #include "head.h" int main() { Mat img = imread("image/1204.bmp"); //assert(im.data); if (!img.data) { cout &lt;&lt; "...
  • halcon - 缺陷检测的示例代码解析

    千次阅读 2019-04-27 23:08:20
    此次缺陷检测的应用范围,包括PCB线路板线路的缺陷检测、工件表面光滑度缺陷检测、饼干是否完整的缺陷检测、网格表面网孔是否完整的缺陷检测、药片包装背面的缺陷检测、皮革表面纹理的缺陷检测。 1. 检测-PCB板...
  • tiny YOLO v3做缺陷检测实战

    万次阅读 多人点赞 2018-12-14 21:28:01
    前言:接触yolo网络是在七月份,当时...九月份用tiny-yolo v3做了一个缺陷检测的实验,效果出乎意料,准确率和召回率“满分”!!过了三个月才想着把以前的实验总结一下,真不应该。下面从头开始说明怎么在自己的数...
  • 汇总|缺陷检测数据集

    千次阅读 2020-02-02 16:26:13
    来源:汇总|缺陷检测数据集 一、弱监督学习下的工业光学检测(DAGM 2007)数据下载链接:https://hci.iwr.uni-heidelberg.de/node/3616数据集介绍: 主要针对纹理背景上的杂项缺陷。 较弱监督的训练数据。...
  • 线缆表面缺陷检测

    千次阅读 2018-06-04 15:25:41
    一、样品二、要求1、线缆表面缺陷检测:1)、脱料、划伤破裂、突出的皮层、斑点凸起、凹陷、叠接等缺陷,2)、线缆变细,变粗等,3)、灵敏度参数可调。2、字符印刷质量检测1)、线缆表面字符印刷质量检测2)、对线缆长度...
  • 基于频域的缺陷检测

    千次阅读 2019-06-15 18:50:42
    基于频域的缺陷检测,是比较难理解的一部分,在纯看理论无法理解的情况下,可以通过先学习一些示例的学习,再回过头去重新理解理论。 基于频域的缺陷检测示例解析: 缺陷-傅里叶变换之划痕检测 ...
  • GAN用于(无缺陷样本)产品表面缺陷检测

    万次阅读 热门讨论 2018-11-14 16:30:26
    还有以前写的误删的原版:GAN用于表面缺陷检测 今年的一篇会议论文,很不错的一个论文,作者使用GAN做无缺陷样本表面缺陷检测,效果还不错。 本人水平有限,表述不清楚或错误的地方请指出,一起进步! 前言 ...
  • 集成电路芯片缺陷检测

    千次阅读 2020-10-12 07:09:46
    图像预处理: 上面是图像处理的基本流程,分别为待检测的图片。 预处理步骤一: 首先做灰度处理: ...然后做如果是清晰的照片,那么可以自动加入噪声进行检测系统的滤波效果,...缺陷检测: 首先需要对芯片的管脚...
  • 光源与缺陷检测

    2021-02-06 13:20:26
    文章目录外观检测难点一、光源选择针对不同类型的外观缺陷检测光源方案二、部分特种光源1.交叉线形光源2.平面无影光源2.平面条纹光源总结 外观检测难点 产品的多样性,经常使外观检测陷入困境; 产品的外观缺陷...
  • 一篇文章,感兴趣的可以看一下,基于OpenCV的木材表面缺陷检测系统
  • 基于OpenCV和分水岭算法,对电路板进行缺陷检测。效果还可以,提供给大家学习。
  • Python opencv缺陷检测

    多人点赞 热门讨论 2021-04-22 17:52:31
    利用opencv或其他工具编写程序实现缺陷检测。 实现过程 # -*- coding: utf-8 -*- ''' 作者 : 丁毅 开发时间 : 2021/4/21 15:30 ''' import cv2 import numpy as np from PIL import Image, ImageDraw, ImageFont ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 106,886
精华内容 42,754
关键字:

缺陷检测