基于机器视觉的牙刷偏毛散毛检测

2023-10-12 13:40

本文主要是介绍基于机器视觉的牙刷偏毛散毛检测,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

你知道吗?牙刷在勒梅尔森—麻省理工发明指数中,被获选为"美国人生活不可或缺的发明"第一位。

作为生活中是最为常见的清洁用品之一,牙刷的好坏,往往是由刷毛决定的。而牙刷在自动化生产过程中,由于毛刷植入、切毛、打磨都是由机械统一来完成的,刷孔中不可避免的会出现稀毛,掉洞,毛偏,长毛,卷毛,毛型切偏,毛撕裂等各种各样的缺陷。在出厂检测时这些缺陷会直接导致产品质量不过关,降低企业生产合格率,所以这些缺陷的检出尤为重要。

牙刷刷毛智能视觉检测解决方案

项目背景

牙刷检测

目前,牙刷刷毛越来越趋向于毛束多、毛束密、毛束细、毛束软的方向发展,而在生产制造过程中稀毛、掉洞等缺陷需要检测精度小于1mm,以往人工检测已经无法满足高效化生产检测。

项目难点

稀毛检测时,虽然技术要求是7根,但实际验收时是2-3根就需要判断出不合格,并且稀毛和合格产品的辨识度不高,表面很不规则。缺陷位置不固定,空间环境也不允许架设多个光源。

刷毛缺陷检测

牙刷刷毛智能视觉检测系统

牙刷刷毛缺陷检测

根据牙刷生产合作企业提出的刷毛视觉检测需求,维视智造推出了牙刷刷毛智能视觉检测解决方案。该方案在VisionBank人工智能视觉系统基础上开发,通过游程掩摸(算法学习)等技术,实现对不良品快速精准检测。

 

视觉检测系统

项目过程&优势

客户寻找了国内外多家机器视觉领域中的知名品牌,在牙刷植毛测试中均未能达到检测要求。经过多次和客户的沟通、现场测试以及技术开发,维视智造依托VisionBank人工智能视觉系统的学习算法优势,给客户提供的牙刷刷毛智能视觉检测解决方案成功地满足了检测精度小于0.1mm,漏检率低于0.2%,误检率少于4%的要求。

牙刷刷毛视觉检测解决方案

检测偏毛、散毛

检测偏毛、散毛、搞毛

检测偏毛、散毛、搞毛

检测稀毛

检测稀毛

在项目交付环节,我们对500个产品进行测试检测,检出率和误检率均达到客户的验收要求,并且检测精度从客户要求的0.1mm提高到0.05mm。

机器视觉系统

丨深耕智能视觉系统,助力合作客户快速发展

2020年因为前半年疫情影响,虽然使众多制造业企业受到影响,但也加快了制造业企业智能化生产改造进程。维视智造充分发挥十多年工业视觉项目经验,今年先后推出口罩生产检测、PCBA元器件检测,光伏接线盒机器人焊接检测等智能视觉解决方案,成功助力合作企业实现产能快速调配,柔性制造,智能化生产。

 

这篇关于基于机器视觉的牙刷偏毛散毛检测的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/196226

相关文章

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

基于 YOLOv5 的积水检测系统:打造高效智能的智慧城市应用

在城市发展中,积水问题日益严重,特别是在大雨过后,积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术,我们能够智能化地检测和识别积水区域,减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统,结合深度学习和直观的图形界面,为用户提供高效的解决方案。 源码地址: PyQt5+YoloV5 实现积水检测系统 预览: 项目背景

JavaFX应用更新检测功能(在线自动更新方案)

JavaFX开发的桌面应用属于C端,一般来说需要版本检测和自动更新功能,这里记录一下一种版本检测和自动更新的方法。 1. 整体方案 JavaFX.应用版本检测、自动更新主要涉及一下步骤: 读取本地应用版本拉取远程版本并比较两个版本如果需要升级,那么拉取更新历史弹出升级控制窗口用户选择升级时,拉取升级包解压,重启应用用户选择忽略时,本地版本标志为忽略版本用户选择取消时,隐藏升级控制窗口 2.

【机器学习】高斯网络的基本概念和应用领域

引言 高斯网络(Gaussian Network)通常指的是一个概率图模型,其中所有的随机变量(或节点)都遵循高斯分布 文章目录 引言一、高斯网络(Gaussian Network)1.1 高斯过程(Gaussian Process)1.2 高斯混合模型(Gaussian Mixture Model)1.3 应用1.4 总结 二、高斯网络的应用2.1 机器学习2.2 统计学2.3

计算机视觉工程师所需的基本技能

一、编程技能 熟练掌握编程语言 Python:在计算机视觉领域广泛应用,有丰富的库如 OpenCV、TensorFlow、PyTorch 等,方便进行算法实现和模型开发。 C++:运行效率高,适用于对性能要求严格的计算机视觉应用。 数据结构与算法 掌握常见的数据结构(如数组、链表、栈、队列、树、图等)和算法(如排序、搜索、动态规划等),能够优化代码性能,提高算法效率。 二、数学基础

[数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):2757 标注数量(xml文件个数):2757 标注数量(txt文件个数):2757 标注类别数:4 标注类别名称:["Platelets","RBC","WBC","sickle cell"] 每个类别标注的框数: