汽車安全帶扣缺陷檢測(cè)系統(tǒng)設(shè)計(jì)分析

隨著機(jī)器視覺(jué)檢測(cè)技術(shù)的快速發(fā)展，自動(dòng)化缺陷檢測(cè)系統(tǒng)在工業(yè)領(lǐng)域得到了快速普及。而受到現(xiàn)有技術(shù)條件的制約，機(jī)器視覺(jué)檢測(cè)技術(shù)在具有規(guī)則外形，或者表面較為平整的工件上有著良好的表現(xiàn)，而針對(duì)體積較小且表面不規(guī)則的零件，機(jī)器視覺(jué)檢測(cè)技術(shù)的應(yīng)用具有一定的局限性

。而汽車安全帶扣表面結(jié)構(gòu)較為復(fù)雜，現(xiàn)有的機(jī)器視覺(jué)檢測(cè)技術(shù)對(duì)于安全帶扣表面的凹坑以及裂紋無(wú)法做到精準(zhǔn)捕捉。針對(duì)這一問(wèn)題，相關(guān)工作人員嘗試對(duì)缺陷檢測(cè)算法進(jìn)行優(yōu)化，加強(qiáng)缺陷檢測(cè)系統(tǒng)對(duì)于數(shù)字圖像的處理能力，提高在線檢測(cè)的時(shí)效性。

1 圖像預(yù)處理

1.1 灰度化處理

工業(yè)照相機(jī)所采集的圖像通常為三通道彩色圖片，此類圖片具有R、G、B三個(gè)分量，每一個(gè)分量的取值范圍為0～255，圖像上的每一個(gè)像素點(diǎn)，均由R、G、B三種顏色組成。在檢測(cè)安全帶扣表面缺陷以及幾何分量時(shí)，不考慮其圖像顏色特征，因此可以將圖片進(jìn)行灰度化處理，達(dá)到過(guò)濾圖像噪聲以及無(wú)用信息的效果，提高缺陷檢測(cè)效率，為后續(xù)的圖像處理工作奠定良好的基礎(chǔ)。本次設(shè)計(jì)的缺陷檢測(cè)系統(tǒng)采用圖像灰度處理技術(shù)，將圖像每一個(gè)像素點(diǎn)的R、G、B分量進(jìn)行加權(quán)平均，得到像素點(diǎn)對(duì)應(yīng)的灰度值，計(jì)算公式為：

gray=0.299×R+0.587×G+0.114×B

(1)

1.2 仿射變化

對(duì)圖像進(jìn)行灰度化處理之后，需要利用仿射變化將每一個(gè)像素點(diǎn)進(jìn)行線性轉(zhuǎn)化以及平移，將其投射到另一個(gè)向量空間中，其轉(zhuǎn)化公式如下：

(2)

分析公式(2)可以發(fā)現(xiàn)，借助仿射運(yùn)算法則對(duì)灰度化圖像中的像素點(diǎn)進(jìn)行位置轉(zhuǎn)變，在不改變圖形形狀的情況下，根據(jù)實(shí)際需要對(duì)灰度圖像進(jìn)行五種轉(zhuǎn)變：①平移；②縮放；③剪切；④翻轉(zhuǎn)；⑤旋轉(zhuǎn)。其中旋轉(zhuǎn)與平移是直接對(duì)圖像進(jìn)行仿射變化，從類型上看屬于剛性變換?？s放則是按比例將圖像放大或者縮小，翻轉(zhuǎn)是以圖像的某一個(gè)點(diǎn)為基點(diǎn)，圍繞該點(diǎn)將圖像旋轉(zhuǎn)一個(gè)角度。以上五種轉(zhuǎn)變中，非平移仿射轉(zhuǎn)變可以用下面的矩陣表示

。

(3)

不同的變換方式所對(duì)應(yīng)的

、

、

、

數(shù)值不同，灰度圖像經(jīng)過(guò)變換之后其原點(diǎn)坐標(biāo)位置保持不變，這種變換方式被稱為線性變換，為了滿足缺陷檢測(cè)需求，需要增加矩陣維度，將平移變換包含在內(nèi)。

(4)

變換矩陣擁有統(tǒng)一的描述方式，其仿射變換會(huì)根據(jù)約束量的不同而發(fā)生變化。借助仿射變換矩陣，可以對(duì)灰度圖像進(jìn)行非線性或者線性變換，根據(jù)后續(xù)檢測(cè)需求對(duì)圖像進(jìn)行調(diào)整，降低后續(xù)圖像識(shí)別及判斷工作的難度。圖1為灰度圖像仿生變換示意圖。

1.3 圖像濾波

目前常用的圖像濾波方式包括均值濾波、中值濾波、高斯濾波以及雙邊濾波等?？紤]到安全帶扣圖像特點(diǎn)，本次設(shè)計(jì)使用雙邊濾波技術(shù)對(duì)圖像進(jìn)行降噪處理。

1.4.2 動(dòng)態(tài)閾值分割法

雙邊濾波的計(jì)算原理是借助加權(quán)平均法，在確保圖像邊緣不變的情況下進(jìn)行濾波，經(jīng)過(guò)雙邊濾波所得到的灰度圖像像素值代表該像素的強(qiáng)度，這種濾波方式涉及像素之間的歐式距離以及像素輻射差異，是對(duì)于像素相似度以及像素空間鄰近度的一種折中處理，其計(jì)算公式為：

節(jié)奏管理，是管理工作中的一種藝術(shù)，其含義屬于抽象概念，其實(shí)質(zhì)是按時(shí)間節(jié)點(diǎn)有序地對(duì)項(xiàng)目的實(shí)施進(jìn)行管理。不僅是工程施工中需要節(jié)奏的管理，各個(gè)行業(yè)均適合應(yīng)用節(jié)奏化的管理。

歐米茄腕表之所以能夠獲得至臻天文臺(tái)認(rèn)證，源于品牌的先鋒精神，不斷挑戰(zhàn)制表極限及對(duì)機(jī)心工藝革新的不懈追求。

(5)

公式(5)中，

代表輸入的圖像，

代表經(jīng)過(guò)濾波處理的圖像，

代表空域高斯函數(shù)標(biāo)準(zhǔn)差，

代表搜索窗口，利用雙邊濾波公式對(duì)灰度圖像進(jìn)行降噪，如果安全帶扣表面存在缺陷，在光照作用下其灰度值要高于背景灰度值，利用雙邊濾波法能夠有效處理灰度圖像上的白點(diǎn)以及臟污

。

1.4 圖像分割

目前常用的基于全局值域的圖像分割方式，包括直方圖法、動(dòng)態(tài)閾值分割法、自動(dòng)閾值分割法等。本次設(shè)計(jì)中為了提高圖像分割準(zhǔn)確性，組合使用直方圖法、動(dòng)態(tài)閾值分割法。

1.4.1 直方圖法

在圖像識(shí)別系統(tǒng)中，圖像邊緣特征檢測(cè)十分重要，所謂的邊緣特征即圖像灰度值產(chǎn)生劇烈變化的區(qū)域。使用一階導(dǎo)數(shù)得到圖像邊緣亮度梯度變化數(shù)值，一階導(dǎo)數(shù)的峰值代表灰度圖的邊緣，以圖像邊緣特征為基礎(chǔ)對(duì)待檢測(cè)圖像進(jìn)行分割。如果安全帶扣工件表面存在凹坑以及劃痕，則缺陷部位的邊緣特征會(huì)十分明顯，缺陷檢測(cè)系統(tǒng)會(huì)快速識(shí)別含有缺陷圖像特征的圖像，判斷該工件存在質(zhì)量缺陷

。

第三步，利用find_shape_model算子檢索待檢測(cè)圖像，輸出匹配模板個(gè)數(shù)以及位置信息。

3)Whatarethe difficultiesin writing an application letter?

實(shí)際采集圖像過(guò)程中，無(wú)法確保目標(biāo)對(duì)象具有規(guī)則的外形以及穩(wěn)定的光照環(huán)境，這種情況下堅(jiān)持使用固定全局閾值對(duì)圖像進(jìn)行分割，無(wú)法照顧到圖像的整體情況。此時(shí)就要使用動(dòng)態(tài)閾值分割法，依據(jù)子圖像在圖像整體中的位置以及其亮度分布，為每一個(gè)子圖像分配相對(duì)應(yīng)的閾值，確保每一個(gè)子圖像都擁有獨(dú)立的自適應(yīng)閾值，強(qiáng)化對(duì)于圖像特征的提取，這種圖像分割技術(shù)對(duì)于圖像噪聲具有良好的抵抗能力，在處理光照不均勻圖像時(shí)能夠發(fā)揮出理想效果，但對(duì)于設(shè)備的性能要求較高。在實(shí)際使用過(guò)程中，根據(jù)圖像的實(shí)際情況，靈活選擇直方圖法或動(dòng)態(tài)閾值分割法對(duì)圖像進(jìn)行分割。

2 安全帶扣表面缺陷分析

能夠影響安全帶扣缺陷檢測(cè)效果的因素有很多，例如檢測(cè)系統(tǒng)的穩(wěn)定性檢測(cè)時(shí)效性，在眾多影響因素中，缺陷檢測(cè)算法是提升檢測(cè)準(zhǔn)確率的直接影響因素，也是確保缺陷檢測(cè)工作能夠穩(wěn)定運(yùn)行的基礎(chǔ)。實(shí)際開(kāi)展缺陷檢測(cè)工作時(shí)，想要提升缺陷檢測(cè)準(zhǔn)確率，就必然需要處理更多的數(shù)據(jù)，數(shù)據(jù)體量的急劇膨脹使得對(duì)線檢測(cè)系統(tǒng)對(duì)于算法的要求變得更高，需要對(duì)缺陷檢測(cè)算法進(jìn)行精簡(jiǎn)，在確保檢測(cè)準(zhǔn)確度的前提下提高檢測(cè)效率，在檢測(cè)速度與檢測(cè)精度之間尋找平衡

。

安全帶扣表面所存在的缺陷主要以凸起、凹坑、毛刺、裂紋等為主，設(shè)計(jì)人員基于安全帶扣缺陷大小以及類型特點(diǎn)，綜合考慮圖像處理方式以及安全帶扣質(zhì)量要求等因素，科學(xué)配置函數(shù)及相關(guān)參數(shù)，并對(duì)缺陷檢測(cè)算法進(jìn)行優(yōu)化。在實(shí)際開(kāi)展區(qū)縣檢測(cè)工作過(guò)程中，可以將安全帶扣表面缺陷大致分為兩類，凸塊缺口缺陷以及凹坑劃痕缺陷。

2.1 凸塊、缺口缺陷檢測(cè)

得到圖像邊緣灰度值的梯度方向與幅值之后，將梯度強(qiáng)度未達(dá)到峰值的像素點(diǎn)設(shè)置為0，得到完整的邊緣輪廓，設(shè)定低閾值

1與高閾值

2，將灰度值大于

2的點(diǎn)標(biāo)記為缺陷強(qiáng)邊緣，將灰度值低于

1的點(diǎn)標(biāo)定為圖像背景，進(jìn)而確定缺陷邊緣輪廓。

但我們也應(yīng)注意，一方面，文辭、曲律并非戲曲審美的新鮮元素，在元代以來(lái)的多種對(duì)元曲成就有所標(biāo)舉的曲論中，均是重要的審美構(gòu)成與評(píng)價(jià)標(biāo)準(zhǔn)，其于嘉、萬(wàn)時(shí)期的抬升，有著承應(yīng)元人藝術(shù)審美因子的性質(zhì)。另一方面，文辭、音律一直是文人曲學(xué)的主要審美構(gòu)成，因此這些藝術(shù)性要素的抬升，也實(shí)則是明代戲曲文人化發(fā)展脈絡(luò)的重要表現(xiàn)。

2.1.1 基于圖像灰度值進(jìn)行模板匹配

對(duì)工業(yè)照相機(jī)拍攝的圖像進(jìn)行灰度化處理之后，提取模板圖像灰度值，比較待檢測(cè)圖像灰度值與模板灰度值之間的差異，如果數(shù)值差異在差異閾值范圍內(nèi)代表頭像匹配成功，如果由于圖像噪聲較多，導(dǎo)致待檢測(cè)圖像特征不清晰，可以將圖像的灰度測(cè)證作為匹配目標(biāo)進(jìn)行模板匹配，通過(guò)特定的算法得出原始圖像與待檢測(cè)圖像的相似度，待檢測(cè)圖像中的每一個(gè)像素點(diǎn)均包含了圖像的一部分信息，因此通過(guò)比較待檢測(cè)圖像與原始圖像的灰度值，就可以得到二者灰度值相似度信息，鎖定相似度最高的像素點(diǎn)區(qū)域。

與核形石、藻疊層的對(duì)比發(fā)現(xiàn)，生物鮞層的形成過(guò)程為：當(dāng)鮞粒變大，不能懸浮時(shí)，相互的碰撞、摩擦就少了，微生物就較長(zhǎng)時(shí)間的附著其上。有微生物的參與，低能鮞層的生長(zhǎng)較快，所以形成的層理較厚，且富含有機(jī)質(zhì)。

入組及排除標(biāo)準(zhǔn)[3]：均符合糖尿病臨床診斷標(biāo)準(zhǔn)；均知曉本次實(shí)驗(yàn)；對(duì)本次實(shí)驗(yàn)所用藥物無(wú)過(guò)敏史；排除惡性腫瘤、酮癥酸中毒、心力衰竭、急性感染、自身免疫性疾病、精神疾病等患者。本研究經(jīng)醫(yī)院倫理委員會(huì)同意批準(zhǔn)。

這種模板匹配方式過(guò)程較為簡(jiǎn)單，無(wú)需預(yù)處理緩解且具有很高的準(zhǔn)確度，但是這種模板匹配方式對(duì)于待檢測(cè)圖像的質(zhì)量要求較高，如果待檢測(cè)圖像不清晰或者存在大量噪聲，會(huì)嚴(yán)重影響匹配精度，因此這種匹配方式在實(shí)際運(yùn)用過(guò)程中具有一定的局限性。

2.1.2 基于圖像形狀進(jìn)行模板匹配

將表1的數(shù)據(jù)代入公式(1)即可得到各評(píng)價(jià)指標(biāo)的云模型參數(shù)，取k為0.01。運(yùn)用正態(tài)云發(fā)生器分別對(duì)上述10個(gè)評(píng)價(jià)指標(biāo)生成相對(duì)應(yīng)的綜合云模型，并選取其中結(jié)構(gòu)面的傾角指標(biāo)和mrqd指標(biāo)的云模型，分別如圖1和圖2所示。

通過(guò)對(duì)拍攝圖像進(jìn)行特征提取，確定待檢測(cè)圖像輪廓并創(chuàng)建形狀模板。這種匹配方式的優(yōu)勢(shì)在于對(duì)于環(huán)境變化的適應(yīng)性較高，特別是待檢測(cè)圖像在仿射變化時(shí)出現(xiàn)縮放、位移等情況時(shí)，可以借助形狀模板對(duì)待檢測(cè)圖像進(jìn)行精準(zhǔn)判斷。實(shí)際工作中為了進(jìn)一步提高模板匹配精度，可以利用多個(gè)形狀模板反復(fù)確認(rèn)圖像是否與模板相匹配，條件允許的情況下還可以將完整的圖像作為模板，擴(kuò)大特征提取范圍。本次設(shè)計(jì)中，相關(guān)工作人員采用基于形狀的模板技術(shù)，對(duì)安全帶扣表面缺陷進(jìn)行粗檢，完成圖像邊緣檢測(cè)之后對(duì)待檢測(cè)圖像進(jìn)行形狀匹配，低于設(shè)定匹配分?jǐn)?shù)的圖像會(huì)被認(rèn)為帶有缺陷(如圖2所示)。

2.1.3 形狀匹配具體 流程

步驟一：對(duì)缺陷檢測(cè)處理流程進(jìn)行簡(jiǎn)化，將待檢測(cè)圖像的局部作為模板，確定待檢測(cè)圖像的模板區(qū)域，并在確保工件位置擺放正確的前提下，對(duì)其進(jìn)行仿射變換，利用gen_rectangle算子，生成矩形區(qū)域，再利用reduce_domain算子，沿著矩形區(qū)域的邊緣將原圖中待檢測(cè)區(qū)域的局部裁剪下來(lái)，得到有關(guān)在檢測(cè)圖像的矩形ROI區(qū)域(感興趣區(qū)域)。

步驟二：在得到ROI區(qū)域之后，運(yùn)用create_shape_madel算子創(chuàng)建形狀模板，由于汽車安全帶扣件缺陷檢測(cè)臺(tái)采用水平傳送方式，因此圖像僅為水平方向位移，在不借助其他算子的情況下就可以得到形狀模板。

（4）統(tǒng)計(jì)落入網(wǎng)格u′中數(shù)據(jù)點(diǎn)的數(shù)量，判斷其是否滿足 density（u′）≥ τ，若滿足則將網(wǎng)格 u′標(biāo)記為稠密網(wǎng)格，考察其余稀疏網(wǎng)格單元。圖3為在二維空間中使用滑動(dòng)網(wǎng)格方法進(jìn)行網(wǎng)格修正。

2.2 劃痕、凹陷缺陷檢測(cè)

2.2.1 缺陷特征

直方圖法的計(jì)算原理是以圖像的灰度直方圖為基礎(chǔ)計(jì)算圖像灰度的波峰與波谷，根據(jù)波峰波谷數(shù)據(jù)的大小確定最佳閾值，這種方法在背景灰度與目標(biāo)灰度差異較大的情況下能夠發(fā)揮出理想的效果，如果圖像受到噪聲以及光源的影響而出現(xiàn)多個(gè)波峰，其處理圖像細(xì)節(jié)的能力就會(huì)減弱。

2.2.2 邊緣檢測(cè)

在介紹第一份報(bào)紙《中國(guó)日?qǐng)?bào)》時(shí)，“資產(chǎn)階級(jí)民權(quán)思想”翻譯成了“civil rights thoughts”，而“civil rights thoughts”只是民權(quán)思想的意思。專有名詞的錯(cuò)譯可能會(huì)導(dǎo)致外國(guó)游客誤解原文意思，不利于達(dá)到向外國(guó)人傳達(dá)正確紅色文化信息的目的性?！百Y產(chǎn)階級(jí)民權(quán)思想”應(yīng)該翻譯成“Bourgeois civil rights thoughts”。

對(duì)灰度圖進(jìn)行雙邊濾波之后，得到較為光滑的待檢測(cè)灰度圖G

與G

，此時(shí)利用canny算子對(duì)待檢測(cè)圖像的灰度值方向以及幅值進(jìn)行計(jì)算。使用一階有限差分公式計(jì)算P與Q(偏導(dǎo)數(shù)陣列)。

′(

,

)≈

=[

(

+1,

)-

(

,

)+

(

+1,

+1)-

(

,

+1)]

2

′ (

,

)≈

=

(

,

+1)-

(

,

)+

(

+1,

+1)-

(

+1,

)]

2

(6)

凸塊、缺口缺陷是安全帶扣件表面常見(jiàn)的一種問(wèn)題，設(shè)計(jì)人員嘗試創(chuàng)建一套基于模板匹配的缺陷識(shí)別方法。在提取圖像特征時(shí)，利用不同的工業(yè)相機(jī)對(duì)同一個(gè)工件進(jìn)行圖像采集，或者利用一臺(tái)工業(yè)相機(jī)針對(duì)某一個(gè)工件，在不同的環(huán)境以及時(shí)間采集多組圖像。得到圖像之后，利用缺陷檢測(cè)算法對(duì)圖像進(jìn)行比較，尋找不同圖像中所擁有的相同特征。

2

2

3 形態(tài)學(xué)處理

爬坡高度h=5 m、混合物流速Vm=6 m/s、泥漿體積分?jǐn)?shù)Cv=20%工況下，爬坡管段部分截面處混合物切向速度云圖和矢量圖見(jiàn)圖5，其中圖5a)～圖5f)分別為彎頭1入口、彎頭1出口、彎頭2入口、彎頭2出口、X=5D和X=20D處的截面。速度云圖與矢量圖相對(duì)應(yīng)，云圖反映垂直主流動(dòng)方向的分速度數(shù)值大小，矢量圖反映分速度的方向和相對(duì)大小，明顯出現(xiàn)疊加于主流之上的流動(dòng)，這稱為二次流現(xiàn)象，在管道內(nèi)橫截面內(nèi)形成反向的渦流，渦核的位置在管道截面中對(duì)稱分布。[12]

確定待檢測(cè)圖像的邊緣輪廓之后，部分圖像中依然存在噪聲，因此需要圖像進(jìn)行形態(tài)學(xué)處理。常見(jiàn)的形態(tài)學(xué)處理方式包括腐蝕、膨脹以及開(kāi)閉運(yùn)算，本次設(shè)計(jì)中主要使用膨脹法對(duì)圖像進(jìn)行處理。該方式以圖像的二值圖作為基礎(chǔ)，對(duì)存在噪聲的區(qū)域進(jìn)行放大并加粗，以圖像的結(jié)構(gòu)元素為基礎(chǔ)靈活調(diào)整圖像的碰撞程度，其公式為：

(7)

公式(7)中，B為結(jié)構(gòu)元素，當(dāng)該元素平移至點(diǎn)z之后，若圖像A中有任意一個(gè)像素點(diǎn)與B點(diǎn)重合，則對(duì)該像素點(diǎn)進(jìn)行膨脹，通過(guò)這種方式避免圖像邊緣亮度過(guò)高而影響缺陷檢測(cè)精度。

3.假設(shè)單件化妝品的不含稅價(jià)為P,買家購(gòu)買套裝相對(duì)于分別購(gòu)買套裝內(nèi)所含產(chǎn)品的可享優(yōu)惠率為R，則套裝化妝品的不含稅價(jià)為2P（1-R）。令，P≤2000，2P（1-R）>2000。 根據(jù)自網(wǎng)易考拉中選取的100組不參與活動(dòng)打折的單件和套裝化妝品樣本，以“優(yōu)惠率=[單件價(jià)-(套裝價(jià)/套裝所含件數(shù))]/單件價(jià)”計(jì)算得知，優(yōu)惠率R大多集中在0.15%-1.75%。

2.2.4 特征提取

在平時(shí)學(xué)習(xí)數(shù)學(xué)知識(shí)內(nèi)容的時(shí)候，作為高中生的我們不可能面面俱到理解掌握所有的數(shù)學(xué)課本知識(shí)，具體而言，我們可能當(dāng)時(shí)在學(xué)習(xí)某一知識(shí)點(diǎn)的時(shí)候就沒(méi)有理解透徹；還可能理解學(xué)習(xí)了某些知識(shí)內(nèi)容，但是經(jīng)過(guò)一段時(shí)間以后又遺忘了；等等。鑒于此，在平時(shí)學(xué)習(xí)過(guò)程中，我們就需要時(shí)時(shí)對(duì)自己一段時(shí)間的學(xué)習(xí)情況進(jìn)行反思總結(jié)，從而在及時(shí)進(jìn)行查漏補(bǔ)缺過(guò)程中助力自身數(shù)學(xué)綜合能力穩(wěn)步提升。

針對(duì)完成預(yù)處理以及差分運(yùn)算的圖像，要對(duì)其表面存在的缺陷進(jìn)行標(biāo)定，同時(shí)消除圖像過(guò)亮的邊緣以及圖像噪聲，突出圖像特征，以此來(lái)定位安全帶扣工件表面缺陷具體位置。

步驟一：對(duì)待檢測(cè)圖像進(jìn)行裁剪，通過(guò)形態(tài)學(xué)計(jì)算(本文中采用膨脹法)得到具體的缺陷檢測(cè)范圍。

步驟二：對(duì)ROI圖像進(jìn)行閾值分割，運(yùn)用median_image算子分割圖像的缺陷特征，并將灰度值補(bǔ)償值調(diào)整為30，將亮度高于參考圖的區(qū)域標(biāo)記為缺陷檢測(cè)區(qū)域。

第三步：提取缺陷特征。使用connection算法將圖像劃分為若干個(gè)連通域，再以連通域的面積特征為基礎(chǔ)，選出缺陷特征像素點(diǎn)數(shù)量超過(guò)25個(gè)的區(qū)域，將其標(biāo)記為“缺陷區(qū)域”，利用這種方式判定安全帶扣是否存在缺陷

。

3 結(jié)語(yǔ)

為了保障駕駛員以及乘客的生命安全，需要對(duì)安全帶扣質(zhì)量進(jìn)行嚴(yán)格把關(guān)，基于機(jī)器人視覺(jué)檢測(cè)技術(shù)，對(duì)安全帶扣表面缺陷檢測(cè)模式進(jìn)行升級(jí)，提升檢測(cè)工作效率以及進(jìn)度，實(shí)現(xiàn)對(duì)于安全帶扣工件生產(chǎn)質(zhì)量的嚴(yán)格把控。

[1]楊利,陳柳松,謝永超.基于機(jī)器視覺(jué)的芯片引腳缺陷檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制,2021,29(07):16-20.

[2]劉國(guó)華,孫寶佳.基于機(jī)器人視覺(jué)的坩堝缺陷檢測(cè)系統(tǒng)[J].機(jī)械設(shè)計(jì),2019,36(02):40-45.

[3]李天建.基于機(jī)器人視覺(jué)的汽車零配件表面缺陷檢測(cè)算法研究與實(shí)現(xiàn)[J].沈陽(yáng)大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,25(06):476-480.

[4]宋國(guó)榮,劉興奇,王洋,吳斌,何存富.視覺(jué)化機(jī)器人遠(yuǎn)程監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制,2013,21(10):2689-2691.

[5]李天建.汽車零配件表面缺陷檢測(cè)算法研究與實(shí)現(xiàn)[J].福建工程學(xué)院學(xué)報(bào),2013,11(04):364-368.

[6]李見(jiàn)為.自動(dòng)視覺(jué)檢測(cè)中的啟發(fā)式圖象預(yù)處理方法[J].光電工程,1995(03):36-42.