CN108986086A - 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 - Google Patents
印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 Download PDFInfo
- Publication number
- CN108986086A CN108986086A CN201810727496.0A CN201810727496A CN108986086A CN 108986086 A CN108986086 A CN 108986086A CN 201810727496 A CN201810727496 A CN 201810727496A CN 108986086 A CN108986086 A CN 108986086A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- display panel
- original image
- typographical display
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000007641 inkjet printing Methods 0.000 title claims abstract description 34
- 230000007547 defect Effects 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000002950 deficient Effects 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims 1
- 238000007639 printing Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置。该方法包括如下步骤:待测面板图像的分块获取;当接收到原始图像,对所述原始图像进行预处理;当接收到预处理的原始图像,对同一面板的所有分块图像进行拼接;当接受到拼接后的原始图像,对图像进行分割;当接收到分割后的原始图像,用机器学习中的分类器对图像进行分类,如果没有缺陷则进入后续工艺,如果有则给出提示;当接收到分类后提示有缺陷像素的原始图像,对所述图像缺陷像素进行定位及细分类,并对其类别及数量进行统计分析指明相应缺陷的解决方法。本发明旨在解决人工检测及分类存在的时间长、效率低、检测结果易受人的主观因素影响、一致性差的问题。
Description
技术领域
本发明涉及印刷显示面板检测装置,确切地说,是一种印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置。
背景技术
有机发光二极管(Organic-Emitting Diode,OLED)显示器、量子点发光二极管(Quantum Dot Light Emitting Diodes,QLED)显示器以及印刷电润湿(ElectrowettingDisplay,EWD)显示器等印刷显示面板由于其主动发光、低功耗、宽视角、低成本、易于实现柔性显示等优点受到显示界越来越多的关注,代表了未来显示技术的发展方向。但由于印刷显示面板工艺繁琐复杂,使得产品不可避免的出现各种缺陷,从而限制了印刷精度与工艺稳定性,最终导致了其极低的产品良率,限制了其工业量产的规模。因此对喷墨打印制程后面板的缺陷检测能够有效控制缺陷面板流入后续工序而导致的产品良率的降低和成本损失。
长期以来,OLED、QLED及印刷电润湿显示等印刷显示面板喷墨打印制程缺陷像素的检测都是采用人工的方式进行。但打印像素缺陷通常小于0.001,且其灰度与背景相近,对比度极低,人为检查并分类这样的缺陷意味着OLED、QLED及印刷电润湿显示等印刷显示面板的质量和测量标准都不能得到保证。
发明内容
本发明的目的在于提供一种印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置,旨在解决人工检测及分类喷嘴喷射方向偏离、卫星墨滴、定位不准、墨滴偏大、成膜均匀性差这几类典型缺陷的时间长、效率低、检测结果易受人的主观因素影响、一致性差的问题。
为实现上述目的,本发明的技术方案是:一种印刷显示面板喷墨打印像素缺陷检测与分类方法,包括如下步骤:
步骤S1、将喷墨打印后的印刷显示面板放在检测平台上,分块获取待检测印刷显示面板的原始图像;
步骤S2、对步骤S1接收到的分块原始图像进行预处理;
步骤S3、对预处理后且同一印刷显示面板的所有分块原始图像进行拼接;
步骤S4、对拼接后的原始图像进行分割,获取检测目标;
步骤S5、对分割后的原始图像,采用机器学习中的分类器对图像进行二分类,若无缺陷像素则进行后续工艺,若有则执行步骤S6;
步骤S6、对分类后提示有缺陷像素的原始图像,进行缺陷像素的定位及细分类,并对其类别及数量进行统计分析指明相应缺陷的解决方法。
在本发明一实施例中,所述步骤S2中预处理方式为对分块原始图像进行灰度直方图均衡化来提高图像亮度,增强细节。
在本发明一实施例中,所述步骤S3中拼接方式包括图像特征点匹配、坐标变换和图像融合,所述图像特征点匹配是对预处理后的分块原始图像进行梯度特征提取及配对,所述坐标变换是根据两幅待拼接的分块原始图像的坐标系之间的关系,通过矩阵乘法将二者的坐标***一成一个,所述图像融合是将不同来源的相同对象的图像数据进行空间上配准,然后通过算法将各个图像所有信息互补,有效结合,拼接为一幅图像,方便后续对整个印刷显示面板缺陷的分类及统计。
在本发明一实施例中,所述步骤S4的具体实现过程为:利用改进的K-均值聚类算法对拼接后的原始图像进行分割,最终得到图像的发光材料打印区和bank背景区。
在本发明一实施例中,所述步骤S5的具体实现过程为:对分割后的原始图像,采用机器学习中的SVM分类器及方向梯度直方图特征对图像进行二分类,若无缺陷像素则进入后续工艺,若有则执行步骤S6。
1.在本发明一实施例中,所述步骤S6的具体实现过程为:对分类后提示有缺陷像素的原始图像,利用坐标变换定位缺陷像素的实际位置,利用概率神经网络模型对图像纹理特征训练实现缺陷像素的细分类,并对其进行统计分析最终指明相应缺陷的解决方法。
本发明还提供了一种印刷显示面板喷墨打印像素缺陷检测与分类装置,包括:
喷墨打印机,用于将发光材料等打印到印刷显示面板的bank里,为缺陷像素检测提供检测对象;
可移动检测平台,用于固定喷墨打印后的印刷显示面板,并能够按照预设步长移动印刷显示面板;
相机,设置于所述印刷显示面板上方,用于分块采集待测图像;
计算机,与所述相机连接,用于控制所述相机分块采集待测图像,并对接收到的分块待测图像进行分析并输出分析结果。
在本发明一实施例中,所述计算机对所述待测图像进行分析并输出分析结果的具体实现步骤如下:
步骤S01、对接收到的分块待测图像进行预处理;
步骤S02、对预处理后且同一印刷显示面板的所有分块待测图像进行拼接;
步骤S03、对拼接后的待测图像进行分割,获取检测目标;
步骤S04、对分割后的待测图像,采用机器学习中的分类器对图像进行二分类,若无缺陷则进行后续工艺,若有则执行步骤S05;
步骤S05、对分类后提示有缺陷像素的待测图像,进行缺陷像素的定位及细分类,并对其类别及数量进行统计分析指明相应缺陷的解决方法。
相较于现有技术,本发明具有以下有益效果:本发明方法能够自动、便捷地对喷墨打印面板缺陷进行检测分类,克服了传统直接利用打印区面积进行细分类的旋转不变性及尺度不变性差及采用最小二乘法及插值算法对纹理特征进行参数拟合分类的鲁棒性差的缺点,解决人工检测时间长、效率低、检测结果易受人的主观因素影响、一致性差的问题。在印刷显示面板喷墨打印制程中就将喷嘴喷射方向偏离、卫星墨滴、定位不准、墨滴偏大、成膜均匀性差这几类缺陷检测定位并解决,防止缺陷过多的印刷面板流入后续蒸镀等工艺环节,提高产品质量及良率,减少后续加工成本。
附图说明
图1 为本发明所述印刷显示面板喷墨打印像素缺陷检测与分类方法的实现流程图。
图2 为本发明所述印刷显示面板喷墨打印像素缺陷检测与分类的装置的实现流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种印刷显示面板喷墨打印像素缺陷检测与分类方法,包括如下步骤:
步骤S1、将喷墨打印后的印刷显示面板放在检测平台上,分块获取待检测印刷显示面板的原始图像;
步骤S2、对步骤S1接收到的分块原始图像进行预处理;
步骤S3、对预处理后且同一印刷显示面板的所有分块原始图像进行拼接;
步骤S4、对拼接后的原始图像进行分割,获取检测目标;
步骤S5、对分割后的原始图像,采用机器学习中的SVM分类器对图像进行二分类,若无缺陷像素则进行后续工艺,若有则执行步骤S6;
步骤S6、对分类后提示有缺陷像素的原始图像,进行缺陷像素的定位及细分类,并对其类别及数量进行统计分析指明相应缺陷的解决方法。
所述步骤S2中预处理方式为对分块原始图像进行灰度直方图均衡化来提高图像亮度,增强细节。
所述步骤S3中拼接方式包括图像特征点匹配、坐标变换和图像融合,所述图像特征点匹配是对预处理后的分块原始图像进行梯度特征提取及配对,所述坐标变换是根据两幅待拼接的分块原始图像的坐标系之间的关系,通过矩阵乘法将二者的坐标***一成一个,所述图像融合是将不同来源的相同对象的图像数据进行空间上配准,然后通过算法将各个图像所有信息互补,有效结合,拼接为一幅图像,方便后续对整个印刷显示面板缺陷的分类及统计。
所述步骤S4的具体实现过程为:利用改进的K-均值聚类算法对拼接后的原始图像进行分割,最终获取图像的发光材料打印区和bank背景区。
所述步骤S5的具体实现过程为:对分割后的原始图像,采用机器学习中的支持向量机结合方向梯度直方图特征对图像进行二分类,若无缺陷则进入后续工艺,若有则执行步骤S6。
所述步骤S6的具体实现过程为:对分类后提示有缺陷的原始图像,利用坐标变换定位图像缺陷像素实际位置,利用概率神经网络模型对图像纹理特征训练实现缺陷像素的细分类,并对其进行统计分析最终指明相应缺陷的解决方法。
本发明还提供了一种印刷显示面板喷墨打印像素缺陷检测与分类装置,包括:
喷墨打印机,用于将发光材料等打印到印刷显示面板的bank里,为缺陷像素检测提供检测对象;
可移动检测平台,用于固定喷墨打印后的印刷显示面板,并能够按照预设步长移动印刷显示面板;
相机,设置于所述印刷显示面板上方,用于分块采集待测图像;
计算机,与所述相机连接,用于控制所述相机分块采集待测图像,并对接收到的分块待测图像进行分析并输出分析结果。
所述计算机对所述待测图像进行分析并输出分析结果的具体实现步骤如下:
步骤S01、对接收到的分块待测图像进行预处理;
步骤S02、对预处理后且同一印刷显示面板的所有分块待测图像进行拼接;
步骤S03、对拼接后的待测图像进行分割,获取检测目标;
步骤S04、对分割后的待测图像,采用机器学习中的SVM分类器对图像进行二分类,若无缺陷像素则进行后续工艺,若有则执行步骤S05;
步骤S05、对分类后提示有缺陷像素的待测图像,进行缺陷像素的定位及细分类,并对其类别及数量进行统计分析指明相应缺陷的解决方法。
上述步骤S01至步骤S05的具体实现过程参见上文方法中的描述,此处不再赘述。
以下为本发明的具体实现过程。
如图1所示,为本发明实施例提供的一种印刷显示面板喷墨打印像素缺陷检测与分类方法的实现流程图,具体实现如下:
在步骤S101中,用高分辨率工业CCD相机分区获取待检测的印刷显示面板图像;
在本实施例中,计算机控制启动CCD相机分区采集喷墨打印制程后的印刷显示面板,并将图像传到计算机内。
在步骤S102中,当接收到原始图像时,对所述图像进行预处理;
在本实施例中由于光照不均、图像对比度低及图像传播过程中的噪声干扰会影响获取的原始图像的质量,因此当进行预处理时,采用灰度直方图均衡化,提高图像亮度,增强细节,将堆积过密的图像某处的灰度数据平均分布于整个定义域上,使其达到图像熵值最大。
在步骤S103中,当接收到预处理后原始图像时,对所述原始图像进行拼接;
在本实施例中,优选的采用基于特征点匹配的全景图像拼接算法,首先提取两幅待拼接的图像的梯度特征,构成特征描述子进行配对,然后根据两幅待拼接图像的坐标系之间的关系,通过矩阵乘法将二者的坐标***一成一个,从而将不同来源的相同对象的图像数据进行空间上配准,最终将各个图像所有信息互补,有效结合,拼接为一幅图像。
在步骤S104中,当接收到拼接后的原始图像时,对所述原始图像进行分割;
在本实施例中,所述拼接后的原始图像进行分割是利用改进的K-均值聚类算法实现,具体将所述拼接后图像从RGB颜色空间转换到Lab颜色空间,对b值进行聚类,并且通过b值的概率分布直方图峰值,确定初始聚类中心,然后通过最小欧氏距离法不断对聚类中心进行迭代更新,直至达到预设的收敛条件,分割完成,最终获得喷墨打印墨迹的聚类及bank背景的聚类。
在步骤S105中,当接收到分割后的原始图像,对所述原始图像进行粗分类;
在本实施例中,所述对分割后的原始图像进行二分类是先分类采集足够打印有缺陷像素和无缺陷像素的样本图像,分类提取图像的Hog特征进行训练,生成相应的SVM分类器,然后利用此分类器对所述分割后的原始图像提取Hog特征后进行分类。如果没有缺陷像素则进入后续工艺,如果有则给出提示。
在步骤S106中,当接受到有提示缺陷像素的面板图像,对所述原始图像进行细分类并统计定位;
在本实施例中,对所述二分类后提示有缺陷像素的喷墨打印面板进行细分类是通过计算分割目标的灰度共生矩阵的能量、熵、一致性及相关性来描述其纹理特性,利用概率神经网络模型对图像纹理特征训练实现缺陷的细分类,将缺陷详细分类为墨滴过大、喷嘴偏移和均匀性差,同时对其统计分析。
在本实施例中,对所述细分类的缺陷像素的实际定位采用的是首先进行相机标定,获得所需内参矩阵、外参矩阵及畸变系数,然后通过乘相关参数矩阵将图像像素坐标变换到图像物理坐标系,再到相机坐标系,最终转换到世界坐标系,实现缺陷像素的现实定位,指明相应的缺陷解决方法。
如图2所示,为本发明实施例提供的一种印刷显示面板喷墨打印像素缺陷检测与分类装置的实现流程图,具体实现如下:
喷墨打印机201,用于将发光材料等打印到显示面板的bank里,为缺陷像素检测提供检测对象;
机械移动装置202,用于根据所给步进移动打印面板,方便后续对整张基板缺陷的分类及统计;
高分辨率工业CCD相机203,设置在可移动装置上方,且其相对印刷显示面板的距离可调,用于图像信息的采集;
计算机204与所述相机203电连接,通过显卡读取所述相机203的图像信息,并对所采集图像进行数学分析并输出分析结果。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种印刷显示面板喷墨打印像素缺陷检测与分类方法,其特征在于,包括如下步骤:
步骤S1、将喷墨打印后的印刷显示面板放在检测平台上,分块获取待检测印刷显示面板的原始图像;
步骤S2、对步骤S1接收到的分块原始图像进行预处理;
步骤S3、对预处理后且同一印刷显示面板的所有分块原始图像进行拼接;
步骤S4、对拼接后的原始图像进行分割,获取检测目标;
步骤S5、对分割后的原始图像,采用机器学习中的分类器对打印像素图像进行二分类,若无缺陷则进行后续工艺,若有则执行步骤S6;
步骤S6、对分类后提示有缺陷像素的原始图像,进行缺陷像素的定位及细分类,并对缺陷类别及数量进行统计分析指明相应缺陷的解决方法。
2.根据权利要求1所述的印刷显示面板喷墨打印像素缺陷检测与分类方法,其特征在于,所述步骤S2中预处理方式为对分块原始图像进行灰度直方图均衡化来提高图像亮度,增强细节。
3.根据权利要求1所述的印刷显示面板喷墨打印像素缺陷检测与分类方法,其特征在于,所述步骤S3中拼接方式包括图像特征点匹配、坐标变换和图像融合,所述图像特征点匹配是对预处理后的分块原始图像进行梯度特征提取及配对,所述坐标变换是根据两幅待拼接的分块原始图像的坐标系之间的关系,通过矩阵乘法将二者的坐标***一成一个,所述图像融合是将不同来源的相同对象的图像数据进行空间上配准,然后通过算法将各个图像所有信息互补,有效结合,拼接为一幅图像,方便后续对整张印刷显示面板缺陷的分类及统计。
4.根据权利要求1所述的印刷显示面板喷墨打印像素缺陷检测与分类方法,其特征在于,所述步骤S4的具体实现过程为:利用改进的K-均值聚类算法对拼接后的原始图像进行分割,最终得到图像的发光材料打印区和bank背景区。
5.根据权利要求1所述的印刷显示面板喷墨打印像素缺陷检测与分类方法,其特征在于,所述步骤S5的具体实现过程为:对分割后的原始图像,采用机器学习中的SVM分类器及方向梯度直方图特征对图像进行二分类,若无缺陷像素则进入后续工艺,若有则执行步骤S6。
6.根据权利要求1所述的印刷显示面板喷墨打印像素缺陷检测与分类方法,其特征在于,所述步骤S6的具体实现过程为:对分类后提示有缺陷像素的原始图像,利用坐标变换定位缺陷像素的实际位置,利用概率神经网络模型对图像纹理特征训练实现缺陷像素的细分类,并对其进行统计分析最终指明相应缺陷的解决方法。
7.一种印刷显示面板喷墨打印像素缺陷检测与分类装置,其特征在于,包括:
喷墨打印机,用于将发光材料打印到印刷显示面板的bank里,为缺陷像素检测提供检测对象;
可移动检测平台,用于固定喷墨打印后的印刷显示面板,并能够按照预设步长移动印刷显示面板;
相机,设置于所述印刷显示面板上方,用于分块采集待测图像;
计算机,与所述相机连接,用于控制所述相机分块采集待测图像,并对接收到的分块待测图像进行分析并输出分析结果。
8.根据权利要求7所述的印刷显示面板喷墨打印像素缺陷检测与分类装置,其特征在于,所述计算机对所述待测图像进行分析并输出分析结果的具体实现步骤如下:
步骤S01、对接收到的分块待测图像进行预处理;
步骤S02、对预处理后且同一印刷显示面板的所有分块待测图像进行拼接;
步骤S03、对拼接后的待测图像进行分割,获取检测目标;
步骤S04、对分割后的待测图像,采用机器学习中的分类器对像素图像进行二分类,若无缺陷则进行后续工艺,若有则执行步骤S05;
步骤S05、对分类后提示有缺陷像素的待测图像,进行缺陷像素的定位及细分类,并对其类别及数量进行统计分析指明相应缺陷的解决方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810727496.0A CN108986086A (zh) | 2018-07-05 | 2018-07-05 | 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810727496.0A CN108986086A (zh) | 2018-07-05 | 2018-07-05 | 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108986086A true CN108986086A (zh) | 2018-12-11 |
Family
ID=64536946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810727496.0A Pending CN108986086A (zh) | 2018-07-05 | 2018-07-05 | 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986086A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658403A (zh) * | 2018-12-18 | 2019-04-19 | 福州大学 | 一种彩色电润湿显示单元缺陷识别方法及其装置 |
CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
CN109903287A (zh) * | 2019-03-29 | 2019-06-18 | 北京百度网讯科技有限公司 | 质量检测方法及装置 |
CN110077126A (zh) * | 2019-05-31 | 2019-08-02 | 西北工业大学 | 人工智能辅助印刷电子技术自引导优化提升方法 |
CN110428409A (zh) * | 2019-07-31 | 2019-11-08 | 海南喜福家具制造有限公司 | 家具质检方法及*** |
CN110940670A (zh) * | 2019-11-25 | 2020-03-31 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测***及其实现方法 |
CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
CN111260621A (zh) * | 2020-01-14 | 2020-06-09 | 湖南大学 | 一种印制电路板表面缺陷定位与识别方法 |
CN111376590A (zh) * | 2018-12-29 | 2020-07-07 | Tcl集团股份有限公司 | 一种喷墨打印设备及其喷墨打印方法和装置 |
CN111430577A (zh) * | 2020-03-31 | 2020-07-17 | 深圳市华星光电半导体显示技术有限公司 | 均一性计算方法、装置、控制器及存储介质 |
CN112083895A (zh) * | 2019-06-14 | 2020-12-15 | 苏州美一杯信息科技有限公司 | 食品定制化打印***及其控制方法 |
CN112164042A (zh) * | 2020-09-22 | 2021-01-01 | 华中科技大学 | 三维砂型打印铺砂过程中缺陷自动识别方法及*** |
CN113139507A (zh) * | 2021-05-12 | 2021-07-20 | 保定金迪地下管线探测工程有限公司 | 一种排水管道缺陷照片自动截取方法及其*** |
CN114226262A (zh) * | 2020-09-09 | 2022-03-25 | 宜谷京科技实业有限公司 | 瑕疵检测方法、瑕疵分类方法及其*** |
CN114332547A (zh) * | 2022-03-17 | 2022-04-12 | 浙江太美医疗科技股份有限公司 | 医学目标分类方法和装置、电子设备和存储介质 |
CN114998278A (zh) * | 2022-06-16 | 2022-09-02 | 福州大学 | 基于特征金字塔网络fpn的nled/qled/oled像素缺陷检测方法及*** |
CN116643423A (zh) * | 2023-07-24 | 2023-08-25 | 广东灿达股份有限公司 | 一种液晶面板故障检测***及检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN103733322A (zh) * | 2011-06-17 | 2014-04-16 | 弗劳恩霍弗实用研究促进协会 | 提供裂纹检测用预测模型的方法和检测半导体结构上的裂纹的方法 |
CN104392432A (zh) * | 2014-11-03 | 2015-03-04 | 深圳市华星光电技术有限公司 | 基于方向梯度直方图的显示面板缺陷检测方法 |
US20150221076A1 (en) * | 2014-02-06 | 2015-08-06 | Kla-Tencor Corporation | Defect detection and classification based on attributes determined from a standard reference image |
CN105184793A (zh) * | 2015-09-02 | 2015-12-23 | 广东电网有限责任公司汕尾供电局 | 一种电能表样品外观及pcb板元件检测方法 |
CN107169953A (zh) * | 2017-04-07 | 2017-09-15 | 西安电子科技大学 | 基于hog特征的桥梁混凝土表面裂缝检测方法 |
CN107967681A (zh) * | 2017-11-24 | 2018-04-27 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
-
2018
- 2018-07-05 CN CN201810727496.0A patent/CN108986086A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103733322A (zh) * | 2011-06-17 | 2014-04-16 | 弗劳恩霍弗实用研究促进协会 | 提供裂纹检测用预测模型的方法和检测半导体结构上的裂纹的方法 |
CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
US20150221076A1 (en) * | 2014-02-06 | 2015-08-06 | Kla-Tencor Corporation | Defect detection and classification based on attributes determined from a standard reference image |
CN104392432A (zh) * | 2014-11-03 | 2015-03-04 | 深圳市华星光电技术有限公司 | 基于方向梯度直方图的显示面板缺陷检测方法 |
CN105184793A (zh) * | 2015-09-02 | 2015-12-23 | 广东电网有限责任公司汕尾供电局 | 一种电能表样品外观及pcb板元件检测方法 |
CN107169953A (zh) * | 2017-04-07 | 2017-09-15 | 西安电子科技大学 | 基于hog特征的桥梁混凝土表面裂缝检测方法 |
CN107967681A (zh) * | 2017-11-24 | 2018-04-27 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
汪志亮等: "面向OLED屏像素缺陷检测的新方法", 《计算机工程与应用》 * |
郑钢丰: "《柱状杆结构中的逆散射理论与缺陷形状重构》", 30 September 2011 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658403B (zh) * | 2018-12-18 | 2022-05-17 | 福州大学 | 一种彩色电润湿显示单元缺陷识别方法及其装置 |
CN109658403A (zh) * | 2018-12-18 | 2019-04-19 | 福州大学 | 一种彩色电润湿显示单元缺陷识别方法及其装置 |
CN111376590A (zh) * | 2018-12-29 | 2020-07-07 | Tcl集团股份有限公司 | 一种喷墨打印设备及其喷墨打印方法和装置 |
CN111376590B (zh) * | 2018-12-29 | 2021-07-27 | Tcl科技集团股份有限公司 | 一种喷墨打印设备及其喷墨打印方法和装置 |
CN109741347B (zh) * | 2018-12-30 | 2021-03-16 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
CN109903287A (zh) * | 2019-03-29 | 2019-06-18 | 北京百度网讯科技有限公司 | 质量检测方法及装置 |
CN110077126A (zh) * | 2019-05-31 | 2019-08-02 | 西北工业大学 | 人工智能辅助印刷电子技术自引导优化提升方法 |
CN112083895A (zh) * | 2019-06-14 | 2020-12-15 | 苏州美一杯信息科技有限公司 | 食品定制化打印***及其控制方法 |
CN110428409B (zh) * | 2019-07-31 | 2023-07-04 | 海南广营喜福科技有限公司 | 家具质检方法及*** |
CN110428409A (zh) * | 2019-07-31 | 2019-11-08 | 海南喜福家具制造有限公司 | 家具质检方法及*** |
CN110940670B (zh) * | 2019-11-25 | 2023-04-28 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测***及其实现方法 |
CN110940670A (zh) * | 2019-11-25 | 2020-03-31 | 佛山缔乐视觉科技有限公司 | 基于机器视觉的柔印标签印刷首稿检测***及其实现方法 |
CN111044522B (zh) * | 2019-12-14 | 2022-03-11 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
CN111044522A (zh) * | 2019-12-14 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 缺陷检测方法、装置及终端设备 |
CN111260621A (zh) * | 2020-01-14 | 2020-06-09 | 湖南大学 | 一种印制电路板表面缺陷定位与识别方法 |
CN111260621B (zh) * | 2020-01-14 | 2023-05-09 | 湖南大学 | 一种印制电路板表面缺陷定位与识别方法 |
CN111430577A (zh) * | 2020-03-31 | 2020-07-17 | 深圳市华星光电半导体显示技术有限公司 | 均一性计算方法、装置、控制器及存储介质 |
CN111430577B (zh) * | 2020-03-31 | 2022-05-31 | 深圳市华星光电半导体显示技术有限公司 | 均一性计算方法、装置、控制器及存储介质 |
CN114226262A (zh) * | 2020-09-09 | 2022-03-25 | 宜谷京科技实业有限公司 | 瑕疵检测方法、瑕疵分类方法及其*** |
CN112164042A (zh) * | 2020-09-22 | 2021-01-01 | 华中科技大学 | 三维砂型打印铺砂过程中缺陷自动识别方法及*** |
CN113139507A (zh) * | 2021-05-12 | 2021-07-20 | 保定金迪地下管线探测工程有限公司 | 一种排水管道缺陷照片自动截取方法及其*** |
CN113139507B (zh) * | 2021-05-12 | 2022-06-17 | 保定金迪地下管线探测工程有限公司 | 一种排水管道缺陷照片自动截取方法及其*** |
CN114332547A (zh) * | 2022-03-17 | 2022-04-12 | 浙江太美医疗科技股份有限公司 | 医学目标分类方法和装置、电子设备和存储介质 |
CN114998278A (zh) * | 2022-06-16 | 2022-09-02 | 福州大学 | 基于特征金字塔网络fpn的nled/qled/oled像素缺陷检测方法及*** |
CN116643423A (zh) * | 2023-07-24 | 2023-08-25 | 广东灿达股份有限公司 | 一种液晶面板故障检测***及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986086A (zh) | 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置 | |
CN108548820A (zh) | 化妆品纸质标签缺陷检测方法 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及*** | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN109117885B (zh) | 一种基于深度学习的邮票识别方法 | |
CN108304785A (zh) | 基于自建神经网络的交通标志检测与识别方法 | |
CN108334881A (zh) | 一种基于深度学习的车牌识别方法 | |
CN104881665A (zh) | 一种芯片字符识别与校验方法及装置 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和*** | |
CN108416765A (zh) | 一种字符缺陷自动检测方法和*** | |
CN110910372B (zh) | 基于深度卷积神经网络的匀光板缺陷检测方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及*** | |
CN107240112A (zh) | 一种复杂场景下个体x角点提取方法 | |
CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN115728309A (zh) | 一种喷墨打印线路缺陷识别方法及工艺调控方法 | |
CN114577805A (zh) | 一种MiniLED背光面板缺陷检测方法及装置 | |
Suh et al. | Fusion of global-local features for image quality inspection of shipping label | |
CN111179423B (zh) | 基于二维红外图像的三维红外图像生成方法 | |
CN110400320B (zh) | 一种电润湿缺陷像素的分割方法 | |
Brumm et al. | A deep learning approach for the classification task of gravure printed patterns | |
CN110298347B (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
CN116482104B (zh) | 热转印胶片检测方法 | |
CN107545565A (zh) | 一种太阳能网版检测方法 | |
CN108734158B (zh) | 一种实时列车车号识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |