s11、在所述镜头的端面或凸台上制作模板图像获得端面图片和凸台图片,并进行匹配定位;
s12、对所述凸台图片进行仿射变换后与端面图片对齐;
s13、根据自定义的核提取所述端面图片的高频分量;
s14、利用加权平均值算法叠加所述端面图片和所述凸台图片获得融合图片;
s15、依照所述融合图片进行缺陷检测。
我们是一群由杭州电子科技大学赵巨峰带领的台湾研发及业务团队根据本发明的一个方面,在所述步骤s33中,对所述检测图片进行分割的方法包括全局阈值分割方法、动态阈值分割方法或均值阈值分割方法。
本发明的镜头缺陷检测方法,能够对镜头进行的检测,包括对镜头端面和凸台的缺陷检测、对镜片区域内尘、内脏、脱模、毛丝等缺陷检测、对镜片、胶水、镜筒伤的检测和对镜头上表面和下表面的检测。并且检测方法具有高精度、的优点。
目标定位是计算机视觉领域中基本的任务之一,同时它也是和传统意 义上缺陷检测接近的任务,其期的是获
得目标的位置和类别信息。目前, 基于深度学习的目标检测方法层出不穷,-般来说, 基于深度学习的缺陷
检测网络从结构.上可以划分为:以Faster R-CNN为代表的两阶段(two stage)网络和以SSD或YOLO为代表的一
阶段(one stage)网络。两者的主要差异在于两阶段网络需要首先生成可能包含缺陷的候选框(proal),然后在
进一步进行目标检测。-阶段网络直接利用网络中提取的特征来预测缺陷的位置和类别。
以上信息由专业从事ocr字符检测批发的宣雄于2024/5/24 5:55:42发布
转载请注明来源:http://m.tz1288.com/qynews/szxxznlj-2757721463.html