基于视觉的乳品包装日期喷码缺陷检测技术

基于生产日期喷码人工检测缺陷劳动强度大、智能化水平低、效率低等问题,开发基于机器视觉的乳品生产日期喷码缺陷检测系统。该系统采用CCD相机、计算机、光源等搭建硬件平台,利用中值滤波、二值化、图像分割、模板匹配等图像处理技术,实现了对生产日期缺码、模糊码等缺陷检测。试验结果表明,该系统能够准确识别出生产日期有缺陷的产品,达到预期的检测效果。     

基于机器视觉的食品瓶罐包装缺陷检测研究进展

根据近年文献资料,介绍了机器视觉技术在食品瓶罐包装缺陷检测上的应用和发展,概述瓶罐包装缺陷检测系统的硬件结构和检测流程;梳理并分析基于图像处理技术和基于深度学习方法在食品瓶罐包装缺陷检测领域取得的研究成果,探讨分类网络模型和目标检测网络模型两种技术在该领域的优势和不足,并对未来的发展进行了展望,为智能瓶罐包装检测的创新和发展提供参考。     

机器视觉自动检测纸张表面缺陷质量分析研究

针对传统的纸张表面缺陷检测算法容易受复杂背景干扰的问题,提出一种机器视觉自动检测纸张间相对均匀的表面缺陷检测方法。主要分析了纸张表面各个环节中可能会出现的缺陷识别分类与缺陷类型等算法。根据目前的机器视觉自动检测技术,对已有的表面识别算法进行了分析。将通道注意力信息与空间注意力机制进行融合,设计出新的注意力机制模型,对纸张表面缺陷进行分类,此方法提升了模型算法的缺陷识别准确率,在纸张表面缺陷检测上,用过分析和总结机器视觉自动检测在纸张表面缺陷的应用,提高了纸张检测的准确率和效率,所述方法具有较强工程可行性和推广价值。     

基于机器视觉的人体尺寸识别系统

提出了一种基于机器视觉的人体尺寸识别系统的技术思路,系统将机器终端获取的人体图像信息,利用图像处理技术和人体关键尺寸的生理位置特征,实现人体关键尺寸的识别。该系统中需要获取人体正面的手臂水平图像以及人体侧面图像,2张图像必须在同一相对位置下获取,以保证参考点的一致,在参考被测用户的实际身高下,系统通过计算可实时给出被测用户的颈部、胸部、腰部、臀部等的正侧面宽度,同时给出各对应部分的所在位置。这种模式可以给出用户的基本尺寸信息,从而可以为用户实现模拟试衣等仪器提供软件支持。     

基于机器视觉的纽扣缺陷检测技术研究

利用机器视觉和深度学习算法对纽扣缺陷进行检测。首先对纽扣图像滤波去噪处理,提取轮廓并获取图像特征;接着对图像阈值分割,对二值图像标记连通域,完成纽扣区域分割及轮廓提取,通过轮廓数目判断是否存在多孔、少孔和外形轮廓缺陷;最后使用YOLOv4算法训练纽扣缺陷类型,实现四眼塑料纽扣缺陷检测。验证结果表明纽扣缺陷检测精度达到了95.5%,单个纽扣平均检测时间为0.89s,满足工程应用需求。     

基于机器视觉的接装纸缺陷检测装置

为解决因接装纸质量缺陷造成卷接烟支废品率高等问题,基于机器视觉原理设计了接装纸缺陷检测装置。该装置主要由图像采集、图像处理、光源、报警及剔除等部分组成,在接装纸自动拼接器下方加装相机及照明系统对接装纸进行外观检测,并将检测结果输送至控制系统,完成对缺陷接装纸的剔除。利用定制的有缺陷标记的接装纸,测试机器视觉装置对刀丝缺陷和烫金缺陷的检测率,并与人工检测方式对比烟支外观不合格检出率。结果表明:采用机器视觉检测装置,较好地解决了卷烟生产中接装纸缺陷漏检、误检以及检测效率低等问题,刀丝缺陷检出率达100%,烫金缺陷检出率达96%,对不合格烟支的检出率显著高于人工检测水平,有效提升了卷烟产品品质。      

基于机器视觉的加工面缺陷检测方法

针对生产过程中对产品检测提出的新要求,介绍一种基于机器视觉的加工面缺陷检测方法。它利用小波变换对图像进行多尺度分析,然后对反映纹理特征的分量进行处理,达到增强非纹理性质的特征的目的,从而检测出掩埋于加工纹理背景中的细小裂纹和缺陷。此方法的研究与实现,可在线检测系统实施过程中有效提取掩埋于高强度纹理背景中的图像奇异特征,从而保证检测过程准确、高效地进行。     

基于计算机视觉的香菇缺陷检测

传统人工检测鲜香菇表面缺陷方法通常效率较低,且易造成视觉疲劳,不能满足现代化工业需求。本研究尝试采用计算机视觉技术检测鲜香菇表面缺陷。首先,香菇样本RGB图像被获取,抽取B分量图像构建掩模用于G分量图像去背景。然后,去背景后的G分量图像进行边缘亮度补偿及缺陷提取。随后,对缺陷标记、提取特征参数及参数选择。为了避开成像系统及环境光的干扰,试验选用缺陷区域总面积与香菇图像总面积的比值作为识别正常香菇与缺陷菇的衡量指标。最后,一个全局阈值0.0035被用于所有被研究样本。结果表明,该识别算法识别正常菇和缺陷菇准确率分别为94%和97.3%,所有样本分类精度达到96.5%。     

基于机器视觉的零部件尺寸检测技术

在工业生产中,基于零部件尺寸的几何特征和面阵式CCD获取的零部件图像,利用基于HALCON软件的数字图像处理技术,采用灰度变换、高斯滤波、降噪、标定等一系列的图像分析处理技术实现了对零部件尺寸进行精确检测。并开发设计了一种自动检测及分拣系统,实现了对零部件的精确检测。经过大量的实验结果表明,在误差允许范围内采用机器视觉的检测方法可以实现对零部件尺寸基本参数快速准确的测量并能稳定的实现自动化生产。     

基于机器视觉的香蕉果肉缺陷预测方法

针对香蕉内部果肉缺陷难以预测的问题,运用机器视觉技术对香蕉果皮与果肉进行图像识别,对识别参数进行数据拟合得到果肉缺陷的预测模型。将采集到的图像灰度化并进行滤波去噪,通过双阀值二值化和形态学分析对图像进行识别处理,提取香蕉果皮、香蕉果肉、香蕉果皮黑斑与香蕉果肉缺陷。计算提取区域的像素点总数,将其作为区域面积。分别用香蕉果皮总面积/香蕉果肉总面积与果皮黑斑面积/果肉缺陷面积之比来定义香蕉果皮黑斑度与果肉缺陷度。运用多项式拟合法,根据训练样本得出果肉缺陷预测函数,对预测函数进行残差分析。通过预测模型对香蕉划分等级,总准确率达到88.9%,与通过香蕉果皮进行等级划分其他方法相比,试验所得模型的预测准确率较高,表明通过香蕉果肉进行预测的方法具有一定的优越性。     

基于灰度共生矩阵参数的柳杉材表面节疤缺陷识别

本研究利用木材表面纹理特征和色彩统计特征开发了柳杉(Cryptomeria japonica L.f.)锯材表面活节和死节的机器视觉自动识别系统。该系统由3部分组成:CCD工业摄像图像采集硬件系统、缺陷自动检出的图像处理模块和基于识别规则的缺陷识别模块。通过对空间灰度共生矩阵参数Contrast运用大津自动阈值分割算法检出潜在缺陷区域,结果表明提案的缺陷检出算法可有效提取柳杉材表面的缺陷区域。根据活节和死节的表面色彩统计直方图确立了区分活节和死节的阈值并构建了活节和死节的识别规则,结果表明基于色彩统计特征的识别规则可有效地识别活节和死节。为了验证系统的识别精度,随机从工厂现场抽取并检测了含有单个和/或多个缺陷的试件156块(共含有94个活节和86个死节),结果表明,活节和死节的正确检出率分别为94.7%和97.6%,活节和死节的正确识别率分别为96.6%和98.8%,整个系统的准确识别率为93.9%。系统的识别精度表明,基于表面纹理特征可实现对柳杉锯材表面节疤缺陷的有效识别,胜任生产线对于缺陷检测精度的要求。     

基于图像传感技术的娃娃菜外观品质检测

目的 设计一套基于图像传感技术分析娃娃菜外观品质如尺寸、重量、瑕疵点等的检测方法.方法 搭建一套图像采集平台拍摄娃娃菜不同侧面,应用图像处理技术,分割出娃娃菜图像区域,并数字化其区域特征信息(包括:投影面积、尺寸、瑕疵点面积等).结果 建立合格娃娃菜的侧面投影面积与重量真实值间的线性关系,其相关系数为0.938,均方根...     

面向织物疵点检测的图像处理技术研究进展

随着对纺织工业产品质量要求的提高以及传统疵点检测方法存在局限性,基于图像处理技术的织物疵点自动检测技术得到了快速的发展。为提高图像处理技术的应用效率,实现纺织行业的数字化与智能制造,介绍了织物图像的预处理技术,对织物疵点检测的主流方法进行了总结,包括基于结构、统计、频谱、模型和学习的方法,并对这些方法的检测原理做了概括,分析了其优缺点与适用范围;介绍了现有成品检测设备,对比分析了仪器和系统处理技术的优缺点;最后,梳理分析了现有的图像处理技术在纺织工业应用中所面临的难题,并提出了对未来发展的构想。     

基于机器视觉的坯布自动检测技术

针对我国纺织品检测大多采用人工检测,检测速度低,误检率、漏检率高等问题,提出了实现织物疵点检测自动化、鲁棒性的设计理念。介绍了目前国内外在织物检测方面的主要识别方法以及织物自动检测系统的研究成果,阐述了机器视觉软、硬件技术的发展现状及目前机器视觉技术在纺织检测应用中存在的问题;分析并提出研制分布式的、面向高速生产线的鲁棒机器视觉检测技术是适合我国坯布自动检测系统的研究方向。     

基于机器视觉的板栗实时分级系统

研究了一种基于机器视觉的板栗实时分级系统。板栗由皮带输送到摄像区域，利用红外传感器的触发脉冲控制图像采集卡动态采集板栗图像。图像处理和模式识别结果用于控制电磁阀的开启，利用气流将板栗按照大小等级进行分类。     

基于机器视觉的折页错位检测应用探讨

为实时监测折页加工过程,用CMOS摄像头组装了一个简易的折页机视觉系统,进行折页错位误差的检测。为最大限度地利用现有摄像头的性能,提高检测的精度和速度,仅检测折页后幅面的一部分。同时,对软件检测折页错位,采用了基于特征点和直线相交两种方法,进行了折页错位检测实验。得到在计算机主频2.8GHz、内存2MB,摄像头分辨率640pixel×480pixel、帧率50f/s的条件下,两种方法的处理时间分别约为150ms和430ms。从实验效果看,该系统可分辨0.5mm的折页错位误差,表明机器视觉可用于折页错位实时检验,基于直线相交的方法抗干扰性好,但处理时间稍长,有进一步改进的余地。     

基于机器视觉的猴头菇品质快速无损检测与分级

传统的猴头菇品质检测与分级主要依靠人工分拣来完成,其主观性强、精度相差大、效率低,浪费了大量人力物力资源。鉴于此,为了实现猴头菇的快速无损等级评估,该研究引入机器视觉技术,提出了一种猴头菇品质的快速无损检测与分级方法,设计一套基于机器视觉的猴头菇品质快速无损检测与智能分级设备,并通过图像处理和软件设计开发一套猴头菇智能快速无损检测分级系统。通过加色法混色模型（RGB）对猴头菇的颜色特征的快速检测与等级的判定;采用图像阈值分割和Canny边缘检测,实现猴头菇完整度的判定;使用最小外接圆法对猴头菇的大小进行实时计算,完成猴头菇直径大小的判别;基于Microsoft Visual Studio 2017平台开发一套猴头菇品质快速无损检测可视化平台。试验证明,基于机器视觉的猴头菇品质快速无损检测与分级系统检测准确率达到97.07%,速度达到人工的5倍多。验证了系统的可靠性和可行性,为食品工业的智能化生产和加工提供了技术支撑,推动了机器视觉技术在食品行业的应用。