因为手机镜头的端面区域和凸台区域存在一定的高度差,现有技术中需要拍摄两张图像并进行两次算法检测,导致检测速度慢、cpu负载高。而本发明的端面和凸台检测方法有效地解决了这一问题,具体来说,根据本发明的一种实施方式,本发明的端面和凸台检测方法需要对端面和凸台按照如下公式的模板匹配获得r(x,y)值时得到两组值(x1,y1,phi1;x2,y2,phi2)分别代表定位的x坐标、y坐标和角度:
之后对凸台图片进行仿射变换后与端面图片对齐,
由于CNN强大的特征提取能力,采用基于CNN的分类网络目前已成为表面缺陷分类中的模式一般来说,现
有表面缺陷分类的网络常常采用计算机视觉中现成的网络结构,包括AlexNet, VGG, GoogL eNet,ResNet,
SENet, ShuteNet,MobileNet等。利用分类网络结合上滑动窗口的方式可以实现缺陷的定位。
Deep learning-based crack damage detection using convolutional neural networks
表面瑕疵检测是精密零部件质量检测环节极其重要的步骤,检测过程中涉及平面度、是否存在瑕疵、边框整齐度、工件表面亮度等方面。具体测量对象随着精密制造业的发展也在不断的完善和丰富中。表面瑕疵检测设备凝聚了机器视觉领域的多项先进技术成果,并融入了多项创新的检测理念,既可以和现有生产线无缝对接检测。苏州宣雄智能科技有限公司苏州宣雄智能科技有限公司一、成本低。机器视觉检测系统大大降低了厂的成本。
二、准确率高。通过机器视觉检测设备,可以每周7天,每天24小时不间断地生产高质量的产品,避免出现产品召回,产品责任索赔和图像损
坏等。.
三、安全性高。安全生产,产品可靠,机器视觉保证了生产过程中以及终产品的安全性。
苏州宣雄智能科技有限公司 苏州宣雄智能科技有限公司 苏州宣雄智能科技有限公司