CN107248151B - 一种基于机器视觉的液晶片智能检测方法及*** - Google Patents
一种基于机器视觉的液晶片智能检测方法及*** Download PDFInfo
- Publication number
- CN107248151B CN107248151B CN201710260493.6A CN201710260493A CN107248151B CN 107248151 B CN107248151 B CN 107248151B CN 201710260493 A CN201710260493 A CN 201710260493A CN 107248151 B CN107248151 B CN 107248151B
- Authority
- CN
- China
- Prior art keywords
- liquid crystal
- image
- detected
- crystal wafer
- standard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Liquid Crystal (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于机器视觉的液晶片智能检测方法及***,方法包括分别获取标准的液晶片和待检测液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,并将两者图像通过投影算法进行配准,最后将两者图像作差,得出两者图像的不同区域,从而对其进行检测判断。***包括标准图像获取单元、标准图像二值化单元、待检测图像获取单元、待检测图像二值化单元、图像配准单元和检测判断单元。本发明通过对待检测液晶片二值化图像与标准液晶片二值化模板图像进行像素点的对比从而检测液晶片的质量,有效提高液晶片检测过程中的检测效率,降低漏检误检率并降低人工成本,提高生产节拍。本发明可广泛应用于液晶片检测中。
Description
技术领域
本发明涉及液晶片检测技术领域,尤其涉及一种基于机器视觉的液晶片智能检测方法及***。
背景技术
机器视觉是一项综合技术,包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术(图像增强和分析算法、图像卡、I/O卡等)。一个典型的机器视觉应用***包括图像捕捉、光源***、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。
机器视觉***的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合,常用机器视觉来替代人工视觉;同时在大批量工业生产过程中,用人工视觉检查产品质量效率低且精度不高,用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成,是实现计算机集成制造的基础技术。
液晶片智能检测技术现代亟需的一种检测技术,在传统的检测方法中,液晶片的质量检测主要依赖工人人眼检测,但是由于工人自身的主观性和视觉疲劳性,就使得这种检测方法存在着检测标准受个人主观因素影响,漏检误检率高,人工成本高等缺点。
发明内容
为了解决上述技术问题,本发明的目的是提供一种能提高检测效率,且能降低漏检误检率的一种基于机器视觉的液晶片智能检测方法及***。
本发明所采取的技术方案是:
一种基于机器视觉的液晶片智能检测方法,包括以下步骤:
获取标准液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到标准液晶片未夹紧图像和标准液晶片夹紧图像;
对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像;
获取待检测液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到待检测液晶片未夹紧图像和待检测液晶片夹紧图像;
对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像;
将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准;
将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断。
作为所述的一种基于机器视觉的液晶片智能检测方法的进一步改进,所述的对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像,这一步骤具体包括:
对标准液晶片未夹紧图像和标准液晶片夹紧图像进行高斯滤波;
对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像;
将标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像作差,得到标准液晶片二值化模板图像。
作为所述的一种基于机器视觉的液晶片智能检测方法的进一步改进,所述的对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像,这一步骤具体包括:
对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行高斯滤波;
对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到待检测液晶片未夹紧二值化图像和待检测液晶片夹紧二值化图像;
将待检测液晶片未夹紧二值化图像和待检测液晶片夹紧二值化图像作差,得到待检测液晶片二值化图像。
作为所述的一种基于机器视觉的液晶片智能检测方法的进一步改进,所述的将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准,这一步骤具体包括:
对待检测液晶片二值化图像与标准液晶片二值化模板图像分别建立高斯金字塔,得到待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像;
对待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像通过投影算法从上到下逐层进行配准。
作为所述的一种基于机器视觉的液晶片智能检测方法的进一步改进,所述的将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断,这一步骤具体包括:
将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出差异点数量,并进行显示;
判断差异点数量是否大于预设的检测阈值,若是,则表示当前的待检测液晶片不合格;反之,则表示待检测液晶片合格。
作为所述的一种基于机器视觉的液晶片智能检测方法的进一步改进,所述的区域化自动阈值分割算法中最佳阈值的计算公式为:
其中,t表示分割的阈值,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,当以上表达式值最大的t,即为分割图像的最佳阈值。
本发明所采用的另一技术方案是:
一种基于机器视觉的液晶片智能检测***,包括:
标准图像获取单元,用于获取标准液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到标准液晶片未夹紧图像和标准液晶片夹紧图像;
标准图像二值化单元,用于对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像;
待检测图像获取单元,用于获取待检测液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到待检测液晶片未夹紧图像和待检测液晶片夹紧图像;
待检测图像二值化单元,用于对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像;
图像配准单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准;
检测判断单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断。
作为所述的一种基于机器视觉的液晶片智能检测***的进一步改进,所述的标准图像二值化单元包括:
滤波单元,用于对标准液晶片未夹紧图像和标准液晶片夹紧图像进行高斯滤波;
自动阈值单元,用于对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像;
作差单元,用于将标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像作差,得到标准液晶片二值化模板图像。
作为所述的一种基于机器视觉的液晶片智能检测***的进一步改进,所述的图像配准单元包括:
金字塔建立单元,用于对待检测液晶片二值化图像与标准液晶片二值化模板图像分别建立高斯金字塔,得到待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像;
投影配准单元,用于对待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像通过投影算法从上到下逐层进行配准。
作为所述的一种基于机器视觉的液晶片智能检测***的进一步改进,所述的检测判断单元包括:
差异点计算单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出差异点数量,并进行显示;
差异判断单元,用于判断差异点数量是否大于预设的检测阈值,若是,则表示当前的待检测液晶片不合格;反之,则表示待检测液晶片合格。
本发明的有益效果是:
本发明一种基于机器视觉的液晶片智能检测方法及***通过对待检测液晶片二值化图像与标准液晶片二值化模板图像进行像素点的对比从而检测液晶片的质量,有效提高液晶片检测过程中的检测效率,降低漏检误检率并降低人工成本,提高生产节拍。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明:
图1是本发明一种基于机器视觉的液晶片智能检测方法的步骤流程图;
图2是本发明一种基于机器视觉的液晶片智能检测方法中标准液晶片图像二值化的步骤流程图;
图3是本发明一种基于机器视觉的液晶片智能检测方法中待检测液晶片图像二值化的步骤流程图;
图4是本发明一种基于机器视觉的液晶片智能检测方法中配准的步骤流程图;
图5是本发明一种基于机器视觉的液晶片智能检测方法中检测判断的步骤流程图;
图6是本发明一种基于机器视觉的液晶片智能检测***的模块方框图。
具体实施方式
参考图1,本发明一种基于机器视觉的液晶片智能检测方法,包括以下步骤:
获取标准液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到标准液晶片未夹紧图像和标准液晶片夹紧图像;
对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像;
获取待检测液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到待检测液晶片未夹紧图像和待检测液晶片夹紧图像;
对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像;
将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准;
将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断。
参考图2,进一步作为优选的实施方式,所述的对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像,这一步骤具体包括:
对标准液晶片未夹紧图像和标准液晶片夹紧图像进行高斯滤波;
对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像;
将标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像作差,得到标准液晶片二值化模板图像。
参考图3,进一步作为优选的实施方式,所述的对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像,这一步骤具体包括:
对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行高斯滤波;
对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到待检测液晶片未夹紧二值化图像和待检测液晶片夹紧二值化图像;
将待检测液晶片未夹紧二值化图像和待检测液晶片夹紧二值化图像作差,得到待检测液晶片二值化图像。
参考图4,进一步作为优选的实施方式,所述的将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准,这一步骤具体包括:
对待检测液晶片二值化图像与标准液晶片二值化模板图像分别建立高斯金字塔,得到待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像;
对待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像通过投影算法从上到下逐层进行配准。
参考图5,进一步作为优选的实施方式,所述的将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断,这一步骤具体包括:
将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出差异点数量,并进行显示;
判断差异点数量是否大于预设的检测阈值,若是,则表示当前的待检测液晶片不合格;反之,则表示待检测液晶片合格。
进一步作为优选的实施方式,所述的区域化自动阈值分割算法中最佳阈值的计算公式为:
其中,t表示分割的阈值,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,当以上表达式值最大的t,即为分割图像的最佳阈值。
参考图6,本发明一种基于机器视觉的液晶片智能检测***,包括:
标准图像获取单元,用于获取标准液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到标准液晶片未夹紧图像和标准液晶片夹紧图像;
标准图像二值化单元,用于对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像;
待检测图像获取单元,用于获取待检测液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到待检测液晶片未夹紧图像和待检测液晶片夹紧图像;
待检测图像二值化单元,用于对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像;
图像配准单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准;
检测判断单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断。
进一步作为优选的实施方式,所述的标准图像二值化单元包括:
滤波单元,用于对标准液晶片未夹紧图像和标准液晶片夹紧图像进行高斯滤波;
自动阈值单元,用于对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像;
作差单元,用于将标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像作差,得到标准液晶片二值化模板图像。
进一步作为优选的实施方式,所述的图像配准单元包括:
金字塔建立单元,用于对待检测液晶片二值化图像与标准液晶片二值化模板图像分别建立高斯金字塔,得到待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像;
投影配准单元,用于对待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像通过投影算法从上到下逐层进行配准。
进一步作为优选的实施方式,所述的检测判断单元包括:
差异点计算单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出差异点数量,并进行显示;
差异判断单元,用于判断差异点数量是否大于预设的检测阈值,若是,则表示当前的待检测液晶片不合格;反之,则表示待检测液晶片合格。
本发明具体实施例中,搭建由检测柜、人机交互显示器、相机底架、1#相机、2#相机、相机架、1#液晶片夹具和2#液晶片夹具构成的检测平台。相机和液晶片夹具分别固定于平台之上,并保持相对位置固定,在检测柜上固定相机底架,相机支架;固定液晶片夹具使得两个夹具与检测柜中心线对齐;在相机底架末端固定计算机人机交互显示器;在相机支架上安装1#相机和2#相机,安装相机与计算机通讯连接线及夹具气路,调整相机位置和焦距使得1#相机视角完全覆盖1#夹具,2#相机视角完全覆盖2#夹具,夹具下方液晶片检测电路上电,并且使得图像最清晰,然后固定相机位置。
S1、取一片标准液晶片产品,放入1#夹具,气动回路关闭保持夹具未夹紧状态,驱动1#相机获取此状态下图像,得到标准未夹紧图像,然后打开气动回路,1#夹具保持夹紧状态,同时检测电路通电,液晶片显示图像时1#驱动相机,获取标准夹紧图像。
S2:将得到的两幅图像进行高斯滤波,然后运用区域化自动阈值分割算法进行对图片进行二值化处理获得二值化图片,最后对处理后的两幅图像作差得到标准液晶片二值化模板图像;
为适应图像处理的要求,消除图像数字化时所混入的噪声。在得到采集的图像时首先要对图像进行高斯滤波,二维高斯函数可以表达为:
其中μ为峰值(峰值对应位置),σ代表标准差(变量x和变量y各有一个均值,也各有一个标准差);
将图像滤波处理后,需要对图像进行二值化处理,具体实现方法为自动阈值分割算法,由于在工业实际应用过程中,采集到的图像可能会因为光源照射不均、外界环境干扰等因素的影响而导致亮度不均,本发明中的自动阈值分割算法可以根据图像亮度的不同将采集到的图像自动的划分为N个区域,然后在利用自动阈值分割的算法分别求每个区域的阈值,进而实现图像的二值化;
设灰度图像灰度级是L,则灰度范围为[0,L-1],利用自动阈值分割算法计算图像的最佳阈值为:
其中,t表示分割的阈值,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,当以上表达式值最大的t,即为分割图像的最佳阈值。
S3:取待检测液晶片产品,放入1#夹具,气动回路关闭保持1#夹具未夹紧状态,驱动1#相机获取待检测未夹紧图像,然后打开气动回路,1#夹具保持夹紧状态,同时检测电路通电,液晶片显示图像时1#驱动相机,获取待检测夹紧图像;进行相同过程应用于2#夹具和2#相机。将所获取的图像数字化存储于计算机内,由计算机经过二值化处理,得到了待检测液晶片二值化图像,该过程和步骤S3的过程相同。
S4:将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准;
S41:对待检测液晶片二值化图像与标准液晶片二值化模板图像分别建立高斯金字塔,得到待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像,获取低分辨率图像。本实施例中为了提高信息的识别率,利用高斯金字塔模型多尺度表达的特性,对输入的图片建立三层且平滑系数为0.5的高斯金字塔模型,高斯金字塔中不同组次上的图像具有不同的尺寸和分辨率,接近底层的图像尺寸相对较大,反映了图像中小尺度细节;而随着层次向上移动,图像的尺寸和分辨率都相对降低,这样仅描述了图像中目标的主要信息;
S42:对待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像通过投影算法从上到下逐层进行配准。首先对搜索金字塔的最上层即最粗糙层,对最粗糙层进行匹配,生成移动图像和固定图像的XY梯度图以及两者间的差分,然后利用最小二乘法配准拟合得到最佳变化系数。记录下当前搜索结果,在对下一层图像进行搜索时以这个结果为中心进行搜索,同时不停修正前一层高斯图像的结构,重复该步骤至原始图像即最大尺度层。
S5:将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出差异点数量,并显示在人机交互显示器界面。根据检测的精度要求的不同预设合理的检测阈值,判断差异点数量是否大于预设的检测阈值,若是,则表示当前的待检测液晶片不合格;反之,则表示待检测液晶片合格。
从上述内容可知,本发明一种基于机器视觉的液晶片智能检测方法及***通过对待检测液晶片二值化图像与标准液晶片二值化模板图像进行像素点的对比从而检测液晶片的质量,有效提高液晶片检测过程中的检测效率,降低漏检误检率并降低人工成本,提高生产节拍。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于机器视觉的液晶片智能检测方法,其特征在于,包括以下步骤:
获取标准液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到标准液晶片未夹紧图像和标准液晶片夹紧图像;
对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像;
获取待检测液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到待检测液晶片未夹紧图像和待检测液晶片夹紧图像;
对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像;
将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准;
将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断;
所述的对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像,这一步骤具体包括:
对标准液晶片未夹紧图像和标准液晶片夹紧图像进行高斯滤波;
对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像;
将标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像作差,得到标准液晶片二值化模板图像;
所述的对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像,这一步骤具体包括:
对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行高斯滤波;
对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到待检测液晶片未夹紧二值化图像和待检测液晶片夹紧二值化图像;
将待检测液晶片未夹紧二值化图像和待检测液晶片夹紧二值化图像作差,得到待检测液晶片二值化图像。
2.根据权利要求1所述的一种基于机器视觉的液晶片智能检测方法,其特征在于:所述的将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准,这一步骤具体包括:
对待检测液晶片二值化图像与标准液晶片二值化模板图像分别建立高斯金字塔,得到待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像;
对待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像通过投影算法从上到下逐层进行配准。
3.根据权利要求1所述的一种基于机器视觉的液晶片智能检测方法,其特征在于:所述的将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断,这一步骤具体包括:
将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出差异点数量,并进行显示;
判断差异点数量是否大于预设的检测阈值,若是,则表示当前的待检测液晶片不合格;反之,则表示待检测液晶片合格。
5.一种基于机器视觉的液晶片智能检测***,其特征在于,包括:
标准图像获取单元,用于获取标准液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到标准液晶片未夹紧图像和标准液晶片夹紧图像;
标准图像二值化单元,用于对标准液晶片未夹紧图像和标准液晶片夹紧图像进行处理,得到标准液晶片二值化模板图像;
待检测图像获取单元,用于获取待检测液晶片在夹持装置未夹紧状态下的图像和在夹紧状态下的图像,得到待检测液晶片未夹紧图像和待检测液晶片夹紧图像;
待检测图像二值化单元,用于对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像;
图像配准单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像通过投影算法进行配准;
检测判断单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出两者图像的不同,并对其进行检测判断;所述的标准图像二值化单元包括:
滤波单元,用于对标准液晶片未夹紧图像和标准液晶片夹紧图像进行高斯滤波;
自动阈值单元,用于对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像;
作差单元,用于将标准液晶片未夹紧二值化图像和标准液晶片夹紧二值化图像作差,得到标准液晶片二值化模板图像;
所述的对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行处理,得到待检测液晶片二值化图像,具体包括:
对待检测液晶片未夹紧图像和待检测液晶片夹紧图像进行高斯滤波;
对高斯滤波处理后得到的两个图像通过区域化自动阈值分割算法进行二值化处理,得到待检测液晶片未夹紧二值化图像和待检测液晶片夹紧二值化图像;
将待检测液晶片未夹紧二值化图像和待检测液晶片夹紧二值化图像作差,得到待检测液晶片二值化图像。
6.根据权利要求5所述的一种基于机器视觉的液晶片智能检测***,其特征在于:所述的图像配准单元包括:
金字塔建立单元,用于对待检测液晶片二值化图像与标准液晶片二值化模板图像分别建立高斯金字塔,得到待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像;
投影配准单元,用于对待检测液晶片多层金字塔图像和标准液晶片多层金字塔图像通过投影算法从上到下逐层进行配准。
7.根据权利要求5所述的一种基于机器视觉的液晶片智能检测***,其特征在于:所述的检测判断单元包括:
差异点计算单元,用于将待检测液晶片二值化图像与标准液晶片二值化模板图像作差,得出差异点数量,并进行显示;
差异判断单元,用于判断差异点数量是否大于预设的检测阈值,若是,则表示当前的待检测液晶片不合格;反之,则表示待检测液晶片合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710260493.6A CN107248151B (zh) | 2017-04-20 | 2017-04-20 | 一种基于机器视觉的液晶片智能检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710260493.6A CN107248151B (zh) | 2017-04-20 | 2017-04-20 | 一种基于机器视觉的液晶片智能检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248151A CN107248151A (zh) | 2017-10-13 |
CN107248151B true CN107248151B (zh) | 2020-12-22 |
Family
ID=60016405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710260493.6A Active CN107248151B (zh) | 2017-04-20 | 2017-04-20 | 一种基于机器视觉的液晶片智能检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248151B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960169A (zh) * | 2018-07-12 | 2018-12-07 | 杭州电子科技大学 | 基于计算机视觉的仪器设备状态在线监测方法及*** |
CN113552136A (zh) * | 2021-07-30 | 2021-10-26 | 广州中国科学院先进技术研究所 | 一种具有隔振能力的高温锻件视觉检测*** |
CN113570605B (zh) * | 2021-09-28 | 2021-12-31 | 深圳市绘晶科技有限公司 | 一种基于液晶显示面板的缺陷检测方法和*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5038048A (en) * | 1988-12-23 | 1991-08-06 | Hitachi, Ltd. | Defect detection system and method for pattern to be inspected utilizing multiple-focus image signals |
CN1678036A (zh) * | 2004-03-31 | 2005-10-05 | 株式会社岛津制作所 | 射线照相装置和射线检测信号处理方法 |
CN1801433A (zh) * | 2006-01-11 | 2006-07-12 | 彩虹集团电子股份有限公司 | 一种等离子显示屏缺陷检查方法 |
JP2010071892A (ja) * | 2008-09-19 | 2010-04-02 | Toray Ind Inc | パターン検査方法およびパターン検査装置 |
CN102053093A (zh) * | 2010-11-08 | 2011-05-11 | 北京大学深圳研究生院 | 一种晶圆表面切割芯片的表面缺陷检测方法 |
CN102095733A (zh) * | 2011-03-02 | 2011-06-15 | 上海大学 | 一种基于机器视觉对瓶盖表面瑕疵的智能检测方法 |
CN102509300A (zh) * | 2011-11-18 | 2012-06-20 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及*** |
CN103439348A (zh) * | 2013-08-16 | 2013-12-11 | 中国科学院半导体研究所 | 基于差影法的遥控器按键缺陷检测方法 |
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN104792794A (zh) * | 2015-04-28 | 2015-07-22 | 武汉工程大学 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
CN105069790A (zh) * | 2015-08-06 | 2015-11-18 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
CN105976389A (zh) * | 2016-05-20 | 2016-09-28 | 南京理工大学 | 一种手机底板连接器缺陷检测方法 |
CN106169431A (zh) * | 2016-07-06 | 2016-11-30 | 江苏维普光电科技有限公司 | 基于gpu的掩膜版和晶圆缺陷检测方法 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
-
2017
- 2017-04-20 CN CN201710260493.6A patent/CN107248151B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5038048A (en) * | 1988-12-23 | 1991-08-06 | Hitachi, Ltd. | Defect detection system and method for pattern to be inspected utilizing multiple-focus image signals |
CN1678036A (zh) * | 2004-03-31 | 2005-10-05 | 株式会社岛津制作所 | 射线照相装置和射线检测信号处理方法 |
CN1801433A (zh) * | 2006-01-11 | 2006-07-12 | 彩虹集团电子股份有限公司 | 一种等离子显示屏缺陷检查方法 |
JP2010071892A (ja) * | 2008-09-19 | 2010-04-02 | Toray Ind Inc | パターン検査方法およびパターン検査装置 |
CN102053093A (zh) * | 2010-11-08 | 2011-05-11 | 北京大学深圳研究生院 | 一种晶圆表面切割芯片的表面缺陷检测方法 |
CN102095733A (zh) * | 2011-03-02 | 2011-06-15 | 上海大学 | 一种基于机器视觉对瓶盖表面瑕疵的智能检测方法 |
CN102509300A (zh) * | 2011-11-18 | 2012-06-20 | 深圳市宝捷信科技有限公司 | 一种缺陷检测方法及*** |
CN103439348A (zh) * | 2013-08-16 | 2013-12-11 | 中国科学院半导体研究所 | 基于差影法的遥控器按键缺陷检测方法 |
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN104792794A (zh) * | 2015-04-28 | 2015-07-22 | 武汉工程大学 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
CN105069790A (zh) * | 2015-08-06 | 2015-11-18 | 潍坊学院 | 一种齿轮外观缺陷快速影像检测方法 |
CN105976389A (zh) * | 2016-05-20 | 2016-09-28 | 南京理工大学 | 一种手机底板连接器缺陷检测方法 |
CN106169431A (zh) * | 2016-07-06 | 2016-11-30 | 江苏维普光电科技有限公司 | 基于gpu的掩膜版和晶圆缺陷检测方法 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
《Design of Machine Vision Applications in Detection of Defects in High-Speed Bar Copper》;Lei Wang;《2010 International Conference on E-Product E-Service and E-Entertainment》;20101231;第1-4页 * |
《OLED panel defect detection using local inlier-outlier ratios and modified LBP》;Vishwanath A. Sindagi等;《2015 14th IAPR International Conference on Machine Vision Applications (MVA)》;20150522;第214-217页 * |
《一种基于线阵CCD技术印刷电路板胶片的尺寸及缺陷在线检测方法》;叶亭等;《光学与光电技术》;20080430;第6卷(第2期);第74-77页 * |
《基于机器视觉的磁钢片缺陷检测研究》;周江等;《机电工程》;20141231;第31卷(第12期);第1541-1546页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107248151A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN104749184B (zh) | 自动光学检测方法和*** | |
CN102253048B (zh) | 可用于多种产品检测的机器视觉检测方法及*** | |
GB2569751A (en) | Static infrared thermal image processing-based underground pipe leakage detection method | |
CN107248151B (zh) | 一种基于机器视觉的液晶片智能检测方法及*** | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN109916914B (zh) | 一种产品缺陷检测方法及装置 | |
CN114494045A (zh) | 一种基于机器视觉的大型直齿轮几何参数测量***及方法 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN104749801B (zh) | 高精度自动光学检测方法和*** | |
CN110111330A (zh) | 手机屏幕检测方法 | |
CN111242888A (zh) | 一种基于机器视觉的图像处理方法及*** | |
CN109387524A (zh) | 基于线性偏振光的螺纹缺陷检测方法及装置 | |
CN107818583A (zh) | 十字中心检测方法及装置 | |
JP2005345290A (ja) | 筋状欠陥検出方法及び装置 | |
CN112837285B (zh) | 一种板面图像的边缘检测方法及装置 | |
CN111815705B (zh) | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 | |
CN114998571A (zh) | 基于固定尺寸标志物的图像处理及颜色检测方法 | |
JP3127598B2 (ja) | 画像中の濃度変動構成画素抽出方法および濃度変動塊判定方法 | |
CN110992428B (zh) | 一种摄像头一致性的智能检测方法和检测装置 | |
JP2007285868A (ja) | 輝度勾配検出方法、欠陥検出方法、輝度勾配検出装置および欠陥検出装置 | |
Gao et al. | Development of OLED panel defect detection system through improved Otsu algorithm | |
CN114187269A (zh) | 小零器件表面缺陷边缘快速检测方法 | |
CN111062887A (zh) | 基于改进的Retinex算法的图像清晰度判定方法 | |
Li et al. | Research on robot vision detection method for scratch defects of flat glass based on area array CCD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |