在工业制造过程中，总会有各种生产缺陷。以前大多数的产品检测都是用肉眼检查的，随着机器视觉技术的发展，使用机器代替人眼检测已成为未来的发展趋势。机器视觉检测技术可用于产品表面缺陷检测，尺寸检测等。检测内容包括：1、表面检测：污点,划痕,浅坑,浅瘤,边缘缺陷,图案缺陷等。2、尺寸测量:内圈直径,外圈直径,偏心度,高度,厚度等。在快速，准确，有效地分析缺陷类型的基础上，还克服了人眼的疲劳、准确性低、效率
转载
2024-02-22 18:40:36
198阅读
该论文发自Information Sciences，属于ccf b的文献，主要贡献是针对自己收集的LELP数据集利用DNN网络进行训练，达到了接近0.97的准确度。文章概括D4Net的优点在于提出了一个数据集LELP，这个数据集是关于蕾丝的大图案变形图片，共有50种图案，66580张图片，远远超过了其他的数据集，它的表现也很好。但是问题出现在，为什么D4Net在MVTec AD中Recall的表现
在工业领域，表面检测是一个非常广泛的应用领域。在halcon中，使用增强的光度立体视觉方法，三维表面检测被加强。利用阴影可方便快速的检测物体表面的缺口或凹痕。 使用光度立体视觉方法可在复杂图像中轻松找到表面缺陷 。药片包装的背面，不平整并且还有很多文字。此示例便是使用光度立体法，检测药片包装背面的缺陷。示例代码如下：* 该示例通过使用光度立体技术检测药片包装背面的缺陷
* 输入是4张不同
自行拍摄鸡蛋破损照片，简述拍摄照片时应注意的事项（包括相机角度，背景设置，光线环境，拍摄距离等）；简述图片预处理和瑕疵检测时的考虑与方案设计。1.拍照注意事项 ①相机角度尽量在鸡蛋的正上方约15cm处； ②调整镜头，使鸡蛋位于拍摄图像中心； ③背景颜色为黑色； ④背景需展平且干净，不可有褶皱或其他干扰色点； ⑤不宜在灯光正下方拍摄，易存在阴影； ⑥在光源照射下，不要使背景过亮或过暗，拍摄时易反光或
缺陷识别简介：这个项目是我的本科毕业设计，主要针对传送带上的木质圆形工件的缺陷识别和分类，并且进行工件的计数和缺陷工件的计数。这里我主要是识别污渍和划痕缺陷类型污渍：划痕：最后的成果sum:为工件的总个数scratch_num:为含有划痕工件的总个数blot_num:为含有污渍工件的总个数黄颜色圈住的缺陷为划痕蓝颜色圈住的缺陷为污渍简单思路通过边缘检测，得到每个工件的坐标，并计算出工件的中心来标记
转载
2023-10-10 11:01:20
490阅读
文章目录1 前言+ 2 开发简介+ 3 识别原理+3.1 传统图像识别原理+ 3.2 深度学习水果识别4 数据集+ 5 部分关键代码+5.1 处理训练集的数据结构+ 5.2 模型网络结构+ 5.3 训练模型6 识别效果+ 7 最后 2 开发简介深度学习作为机器学习领域内新兴并且蓬勃发展的一门学科， 它不仅改变着传统的机器学习方法， 也影响着我们对人类感知的理解， 已经在图像识别和语音识别
# Python 瑕疵检测
在软件开发过程中，瑕疵检测是非常重要的一环。Python 作为一种非常流行的程序设计语言，也需要进行瑕疵检测来确保代码的质量和稳定性。本文将介绍 Python 中常见的瑕疵检测方法，并提供代码示例来帮助读者更好地理解。
## 什么是瑕疵检测？
瑕疵检测是指在代码编写阶段或代码运行阶段，通过各种手段发现代码中可能存在的错误或问题。通过瑕疵检测，可以及时发现并修复代码
原创
2024-05-18 04:48:49
100阅读
纸张瑕疵在线检测仪专业检测技术帮助企业加快生产——无锡赛默斐视专业视觉检测技术在纸张的生产过程中，应当采取一定的措施检测并剔除含有腐纸浆团等瑕疵的纸张，保证纸张的品质。由于纸张中的瑕疵，传统的人眼检测无法适应高速生产线，而且容易漏检给企业造成损失。所以赛默斐视通过技术进行纸张表面瑕疵检测为纸张质量检测提供了很好的方案。我公司赛默斐视自主研发设计的“纸张表面缺陷检测系统”可根据用户需求实现完全定制，
转载
2024-03-03 15:32:18
17阅读
一：神经元模型
# 神经元模型：神经元模型用公式表示为：：?(∑????? + ?)， 其中 f 表示为激活函数，神经网络是以神经元为基本单位构成# 激活函数：引入非线性激活因素，提高模型的表达能力常用的激活函数有
# 激活函数relu
tf.nn.relu()
# 激活函数sigmold
tf.nn.sigmold()
# 激活函数t
长期以来，织物瑕疵检测都由人工视觉完成。这种方法具有许多弊端。首先，它的自动化程度极低，人工验布的速度一般在20米/分。其次，人工视觉检测不是一种客观一致的评价方法，它的检测结果受工人疲惫、紧张等主观因素的影响，因而经常会产生误检和漏检。织物质量控制是织物生产厂商所面临的最重要也是最基本的问题，其对于降低成本，提高产品的最终质量，进而在国际市场竞争中取得优势非常重要。纺织生产厂对坯布检测的主要目的
转载
2023-10-11 15:09:45
124阅读
# 工件瑕疵检测 Python 实现指南
在现代工业生产中，工件瑕疵检测至关重要，它不仅提高了产品质量，还能有效降低次品率。本篇文章将通过逐步细化的方式，教会你如何使用 Python 实现工件瑕疵检测。我们将从流程概述开始，逐步深入到每一个具体的步骤，包括代码示例和注释。
## 一、工件瑕疵检测流程
以下是工件瑕疵检测的步骤概述：
| 步骤编号 | 步骤名称 | 描述
现实中图像经常出现划伤或者被噪声腐蚀或者有污渍点，对于这类图像可以通过修复(inpainting)相关的算法来说恢复损害的图像。一般情况下这些算法都是基于污染区域的周围已知的颜色和结构，通过繁殖和混合重新生成填充污染区域。OpenCV中实现的图像修复算法有两种。基于Navier-Stokes的修复方法基于图像梯度的快速匹配方法又称(Telea法)对应的两个枚举类型分别如下：CV_INPAINT_N
转载
2024-05-08 14:10:16
51阅读
一、简介二、源代码%*********初始化********clc; clear all; close a
原创
2022-04-08 09:23:08
375阅读
一、简介二、源代码%*********初始化********clc; clear all; close all;%*********图像预处理********I=imread('11.jpg');%读入标准模板图像J=rgb2gray(I);%转化为灰度图片subplot(241),imshow(I);title('原图');%显示图片K=imread('qx1.jpg');M=rgb2gray(K);subplot(242),imshow(K);title('缺陷图');%***
原创
2021-11-08 11:09:12
206阅读
点赞
一、简介二、源代码%*********初始化********clc; clear all; close all;%*********图像预处理********I=imread('11.jpg');%读入标准模板图像J=rgb2gray(I);%转化为灰度图片subplot(241),imshow(I);title('原图');%显示图片K=imread('qx1.jpg');M=rgb2gray(K);subplot(242),imshow(K);title('缺陷图');%***
原创
2021-11-08 11:12:06
177阅读
一、简介1 Gabor滤波器2 Gabor函数结合代码分析：二、源代码function varargout = bupi(varargin)% BUPI MATLAB code for bupi.fig% BUPI, by itself, creates a new BUPI or raises the existing% singleton*.%% H = BUPI returns the handle to a new BUPI or the ha
原创
2021-11-08 11:32:55
293阅读
一、简介1 Gabor滤波器2 Gabor函数结合代码分析：二、源代码function varargout = bupi(varargin)% BUPI MATLAB code for bupi.fig% BUPI, by itself, creates a new BUPI or raises the existing% singleton*.%% H = BUPI returns the handle to a new BUPI or the ha
原创
2021-11-08 10:08:41
196阅读
一、简介1 Gabor滤波器2 Gabor函数结合代码分析：二、源代码function varargout = bupi(varargin)% BUPI MATLAB code for bupi.fig% BUPI, by itself, creates a new BUPI or raises the existing% singleton*.%% H = BUPI returns the handle to a new BUPI or the ha
原创
2022-04-08 13:34:57
463阅读
文章目录1. 提取指定位置的像素RGB值(BGR)2. 修改指定像素的BGR值2.1 修改一个像素2.2 修改一个区域的像素3. 图像的创建3.1 创建纯黑/白图像3.2 创建黑白相间图像3.3 创建彩色图像3.4 随机颜色图像（雪花点图）4. 图像的拼接水平拼接 hstack()垂直拼接 vstack() 正文开始！首先准备一张图片，用于代码的示例， 这里我选择使用这只cat图（忽略这个去不掉
转载
2024-04-23 13:15:51
252阅读
前言此文针对《halcon机器视觉实例1》中遗留问题的进阶。
照例不喜欢贴代码，而是阐述见解。
本文还是以官方例程为例--find_scratches_bandpass_fft。
其实就是通过快速傅里叶变换来检测划痕。正文先前是通过均值滤波+动态阈值分割提取的特征。
其实就是通过灰度值平均后，与原图的比较来凸显特征。
这种方式其实对噪声的去除效果有限。对比如下：第一张图是非fft的，第二张是fft
转载
2024-04-04 11:31:44
714阅读
