KCG-VISION：缺陷检测

最新推荐文章于 2025-05-20 16:41:41 发布
最新推荐文章于 2025-05-20 16:41:41 发布
阅读量1.8k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 图像处理|OpenCV|Halcon KCG-VISION(一款快速开发机器视觉的软件) 文章标签： KCG-VISION 缺陷检测 机器视觉 智能相机 特征差分
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/KayChanGEEK/article/details/93469562
博客介绍了使用KCG-VISION进行图像缺陷检测的过程。新建工程“Image_Diff”，目的是在存在平移旋转差异的标准图像和缺陷图像中找到缺陷位置，给出了相关算子脚本，运行差分后白色区域即为缺陷位置。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

新建工程

新建工程"Image_Diff"，其过程或下载软件可以参考《KCG-VISION：获取图片》。

实验目的

一张标准图像，一张缺陷图像，并且这两张图像存在平移旋转的差异，找到缺陷位置。

标准图像

缺陷图像

相关算子

最终的算子脚本如下图：

运行效果

差分后，白色的为缺陷位置。

 

 

产品缺陷检测：尺寸测量与质量控制_（1）.产品缺陷检测概述
zhubeibei168的博客
12-27 1155
产品缺陷检测是指在生产过程中，通过各种方法和技术对产品进行检测，以发现和识别可能存在的缺陷，确保产品的质量和性能符合标准。产品缺陷检测是质量控制的重要组成部分，广泛应用于制造业、电子行业、汽车工业等多个领域。传统的缺陷检测方法主要依赖人工目视检查，但这种方法效率低下且容易出错。随着计算机视觉技术的发展，自动化的缺陷检测系统逐渐成为主流，显著提高了检测的准确性和效率。
缺陷检测数据集
11-15
缺陷检测数据集，用于训练缺陷检测神经网络。从https://github.com/sundyCoder/DEye下载
缺陷检测
zyb的博客
04-08 3693
基本框架如下： 1.图像处理 图像增强 图像滤波（高斯滤波、均值滤波、中值滤波） 直方图均衡化 伽马变化 图像分割 基于阈值的分割 基于区域的分割 基于形态学分水岭的分割 2.特征提取 几何特征（区域周长、面积大小、位置、缺陷质心） 形状特征（矩形度、细长度、圆形度、致密度、不变矩、偏心率） 颜色特征（颜色直方图、颜色聚合向量、颜色矩） 纹理特征（统计法_直方图、频谱法_傅里叶） 灰度特征（灰度直方图信息_方差、均值、熵） 缺陷图像的特征提取实现了从图像空间到特征空间的转换.
什么是缺陷检测？计算机视觉任务缺陷检测的几种方法
OpenCVtuxiang的博客
05-20 1181
缺陷检测是计算机视觉和工业自动化中的关键任务，旨在自动识别产品或材料中的缺陷，如裂纹、划痕、污点等，以实现质量控制、过程自动化和制造智能化。其核心任务包括分类、定位和识别缺陷类型。常见缺陷类型因行业而异，如半导体中的划痕、金属中的裂纹等。技术流程包括图像采集、预处理、特征提取、分类与判断及结果输出。检测方法从传统图像处理、基于机器学习发展到基于深度学习，模型如Faster R-CNN、YOLO等提高了检测精度和适应性。应用场景广泛，包括工业质检、食品分拣、纺织检测等。随着技术进步，缺陷检测正变得更加智能和精
缺陷检测1
whaosoft143ai的博客
10-20 492
这次是带来的焊件的缺陷检测 也可以叫瑕疵检测 都是工业相关哦焊接缺陷是指焊接零件表面出现不规则、不连续的现象。焊接接头的缺陷可能会导致组件报废、维修成本高昂，在工作条件下的组件的性能显着下降，在极端情况下还会导致灾难性故障，并造成财产和生命损失。此外，由于焊接技术固有的弱点和金属特性，在焊接中总是存在某些缺陷。不可能获得完美的焊接，因此评估焊接质量非常重要。可以通过图像来检测焊接中的缺陷，并精确测量每个缺陷的严重性，这将有助于并避免上述危险情况的出现。
（六）缺陷检测综述
hpguo_cm的博客
09-24 501
系列文章目录 [1] 机器视觉表面缺陷检测综述
KCG-VISION.zip
06-19
KCG-VISION是本人开发的一个快速开发传统机器视觉的集成软件，集成了一些常用图像处理的算法，让这些算法可以可视化操作，可以利用GUI进行图像的分析，快速验证你的想法，提高开发测试的效率。
KCG-VISION：快速开发传统机器视觉集成软件
- KCG-VISION是一个集成软件，涉及到软件开发知识，包括需求分析、设计、编程、测试等环节。 - 软件的开发需要遵循一定的流程，例如瀑布模型、敏捷开发模型等。 2. **快速开发框架**： - 快速开发框架是指能够...
论文浅尝 | KM-BART：用于视觉常识生成的知识增强多模态BART
开放知识图谱
05-29 1083
笔记整理：陈子强，天津大学硕士动机视觉语言模型早期集中在纯理解任务（例如，VQA视觉问答），尽管在理解任务上取得了先进的性能，却很少关注多模态生成任务。当前的预训练任务例如，掩码语言模型（MLM）和掩码区域模型（MRM）使得模型能够在视觉和语言特征之间建立对齐，这种特征对齐无法提高模型的多模态常识推理能力。亮点KM-BART的亮点主要包括：1.作者扩展了BART模型来处理...
方向 时间 车牌号 交叉口 3 2024-04-03T14:39:08.632 AF5B7CEM 环西路-纬中路 1 2024-04-03T17:45:32.316 BK2IA84 环西路-纬中路 3 2024-04-03T15:09:04.087 AF4EC7FK 环西路-纬中路 2 2024-04-03T11:49:03.665 AF4MBB6 环西路-纬中路 3 2024-04-01T11:47:49.391 CBA7KCG 环西路-纬中路 2 2024-04-03T18:19:15.892 AFB9CO6 环西路-纬中路 1 2024-04-01T20:30:49.650 AF25DA6M 环西路-纬中路 4 2024-04-01T15:43:28.564 AF8CB6CM 环西路-纬中路 在python中实现以下内容，在C:\Users\38984\Desktop\E题\附件2.csv 文件中， 首先统计第一列为1，2，3，4的个数然后在统计第一列数据中统计第二列五月一日数据再从数据中 注意日期格式转换统计
最新发布
07-10
根据用户需求，我们需要完成两个主要任务： 1. 统计CSV文件第一列中数值1,2,3,4出现的次数。 2. 从数据中筛选出第二列日期为5月1日的数据（注意日期格式可能是中文的“五月一日”或类似格式）。...
缺陷检测（图像处理部分）
qq_60609496的博客
08-04 1万+
零件缺陷检测相关论文
3D缺陷检测（1）
u012254599的博客
09-26 1371
产品异常产生缺陷，缺陷检测检出产品是否存在缺陷，即使识别次品，避免造成更大的损失。内部缺陷：气泡，孔洞，内部裂纹（检测技术：x射线，超声波，机械应力波）外部缺陷：刮痕，破损，脏污（检测技术 2D（图像处理，滤波，分割），3D（点云，深度图））例如：环形3D结构光，不同高度具有不同的颜色，依赖光源的稳定性，均匀性等。3D的数据，点云和深度图。主要以PCB检测为例，比如少锡、多锡、虚焊。通过检测爬锡高度，或者爬坡角度等指标，卡控不良。缺陷检测的准确率很重要，漏检容易造成很严重的问题。
0020_缺陷检测（1）
ymj7150697的专栏
10-11 2243
常见缺陷的分类： 1. 外部边缘的：凸凹缺陷 2. 内部的：污点、内部凸凹点、瑕疵、孔洞、破损、烫伤、侵染等 3. 划痕 缺陷检测的处理步骤： 1.打光： 划痕的打光： 低角度环形光；划痕打白，背景打暗 同轴光 条光对打 凸点：一定角度的光，凸点亮 凹点：垂直光，凹点暗 2. 缺陷检测处理的6种方法： blob分析+特征 blob分析+特征+差分 频...
KCG-VISION：简介(一款快速开发机器视觉的软件)
楷尘·极客
06-19 5712
前言 KCG-VISION是本人开发的一个快速开发传统机器视觉的集成软件，集成了一些常用图像处理的算法，让这些算法可以可视化操作，可以利用GUI进行图像的分析，快速验证你的想法，提高开发测试的效率。 主界面简介 主界面如下图所示，主要由菜单栏和图片显示框和算子编辑框和输出窗口及其状态栏组成。 菜单栏介绍 文件：包括新建工程，打开工程，保存工程和关闭软件。 编辑：包括算子编辑区的...
表面缺陷检测：机器视觉检测技术
热门推荐
cszn6666的博客
08-02 2万+
导读：传统的工业生产制造，由于科学技术的限制仍然主要采用人工检测的方法去检测产品表面的缺陷，这种方法由于人工的限制和技术的落后，不仅检测产品的速度慢、效率低下，而且在检测的过程中容易出错，从而导致了检测结果的不精确。   当今社会，随着计算机技术，人工智能等科学技术的出现和发展，以及研究的深入，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，大大提高了生产作业的效率，避免了因作业...
制造业中的微小缺陷检测——应用场景分析与算法选择(YoloV8/CANet)
知来者逆的博客
10-24 8892
在制造业中，小缺陷的检测是一个具有挑战性的问题，因为它们通常具有较少的像素覆盖，缺乏足够的关注和语义信息。现有的卷积检测方法忽视了上下文的长程依赖，并且缺乏自适应融合策略来利用异构特征。 深度学习方法在检测小缺陷时通常表现较差，因为少数像素的覆盖缺乏细节，如异常值、边缘和纹理，导致语义不足和感知困难。此外，来自实际工业环境的图像通常受到背景光反射、模糊和污垢等污染，使得难以从背景中区分轮廓并专注于小缺陷。
基于X射线无损检测的高分辨率 PCBA装配缺陷检测系统
知来者逆的博客
01-12 2288
一些研究者提出了改进模板匹配的 PCB 缺陷多级检测算法，以提高 PCB 缺陷检测的准确性。但是，这也带来了在缺陷与模板差异较大时检测准确度降低的问题。还有基于加速鲁棒特征和随机森林的机器学习方法，可以在没有正常图像的情况下对 PCB 进行缺陷检测，但无法处理不同尺度的缺陷和复杂多变的外部光照环境。另外，基于残差学习的思想设计的方法利用图像下采样方法对图像感受野进行扩大，提高去噪效率，解决了 PCB 图像检测清晰度不够的问题。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值