CN109615606B - 一种柔性ic基板点线面缺陷的快速分类方法 - Google Patents
一种柔性ic基板点线面缺陷的快速分类方法 Download PDFInfo
- Publication number
- CN109615606B CN109615606B CN201811328664.5A CN201811328664A CN109615606B CN 109615606 B CN109615606 B CN 109615606B CN 201811328664 A CN201811328664 A CN 201811328664A CN 109615606 B CN109615606 B CN 109615606B
- Authority
- CN
- China
- Prior art keywords
- image
- line
- defect
- area
- point
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种柔性IC基板点线面缺陷的快速分类方法,包括,根据点线面缺陷图像检测步骤,得到缺陷检测结果;采用点线面智能分类步骤,对缺陷检测结果进行分类,得到分类结果。本发明解决了柔性IC基板点线面缺陷快速分类难题,为生产过程品质监控提供科学依据。
Description
技术领域
本发明涉及柔性IC基板缺陷检测领域,具体涉及一种柔性IC基板点线面缺陷的快速分类方法。
背景技术
柔性集成电路基板(Flexible Printed IntegratedCircuit Substrates,简称FICS),基于柔性电路板(Flexible Printed Circuit Board,简称FPC),是一种在聚酰亚胺柔性基板材料表面使用铜箔腐蚀形成线路的印刷线路基板。柔性IC基板具有重量轻、体积小、高密度和可弯曲等特点,在航天、军事、移动终端等领域得到非常广泛的应用。
随着人们对电子产品微型化的要求,柔性IC基板线路越来越精细,其制造过程中产生的外观缺陷也越来越复杂,其制造过程中质量和缺陷的控制也越来越严格。目前,由不同生产工序产生的不同类别的基板缺陷达到近百种,常见的缺陷也达到十余种,严重影响了产品质量。由于缺陷种类过多,造成检测难度加大。
针对印刷电路板的缺陷检测算法研究较为广泛,但大部分研究针对特定的缺陷,算法适用性不高。目前,生产现场采用机器视觉初检确定缺陷位置,再采用人工细检的方法对柔性IC基板进行缺陷检测,劳动量大。采用算法对缺陷模式进行初步判定,辅助人工检测,对提高生产效率具有极大的改善。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种柔性IC基板点线面缺陷的快速分类方法,解决了柔性IC基板缺陷模式快速分类的检测难题。
本发明采用如下技术特征:
一种柔性IC基板点线面缺陷的快速分类方法,包括:
根据点线面缺陷图像检测步骤,得到缺陷检测结果;
采用点线面智能分类步骤,对缺陷检测结果进行分类,得到分类结果。
所述根据点线面缺陷图像检测步骤,具体为:
依次采集单幅柔性IC基板图像,通过图像拼接得到整块IC基板图像,选取无缺陷的标准基板图像建立匹配模板,将待检测IC基板图像与匹配模板进行匹配得到缺陷检测结果。
所述依次采集单幅柔性IC基板图像,通过图像拼接得到整块IC基板图像,具体为:
采用“Z”字型方法获取单幅柔性IC基板图像,所采集的图像需保留50%的重叠区域;
采用相位相关法,检测两幅待拼接图像之间的相对位移,通过相对位移对准图像,得到拼接图像;
对拼接重叠边界进行图像融合,通过计算两幅图像重叠区域的加权平均值,然后对拼接图像边界进行融合得到整块IC基板图像。
所述将待检测IC基板图像与匹配模板进行得到检测结果,具体为:
将拼接好的待检测IC基板图像与标准模板进行Mark点对准,求待检测图像与标准模板图像灰度值之差的绝对值,若其阈值大于设定阈值,则置1,否则置0;
运用形态学开运算,保留面积区域大于设定值S的连通域,所获得的N个连通域即为缺陷检测结果,通过二值图像的连通域信息得到缺陷的形状,大小和位置信息。
所述采用点线面智能分类步骤,对缺陷检测结果进行分类,得到分类结果,具体为:
提取缺陷的面积、周长及体态比特征,将提取的m维形状特征输入训练好的模糊分类器内,得到分类结果。
所述模糊分类器的设计过程如下:
对训练数据进行预处理,具体将缺陷检测结果的面积、周长及体态比特征进行倍率归一化处理;
建立三个IF-THEN模糊规则,具体为:
(1)IF面积S比较小AND周长C比较小AND体态比T比较小,THEN属于点缺陷;
(2)IF面积S比较大AND周长C比较大AND体态比T很大,THEN属于线缺陷;
(3)IF面积S很大AND周长C很大AND体态比T比较大,THEN属于面缺陷;
设置输入隶属度函数,采用S型和高斯函数组合;
设置输出隶属度函数,采用三角形和∑函数组合;
确认隶属度函数参数,由三个模糊规则得,模糊运算的结果为:
Q(v)=maxr(Qi(v))=maxr{mins{μi(z),μo(z,v)}}
其中,r={1,2,3},s={S,C,T},z表示特征参数的输入值,μi(z)是在特定输入下由输入隶属度函数得到的标量值,μo(z,v)是在特定输入下由输出隶属度函数得到的标量值,Qi(v)表示由模糊规则和一个特定输入导致的模糊输出;Q(v)为最终的模糊输出结果;
采用重心法进行去模糊,得到最终结果:
其中K为模糊规则数。
所述将提取的m维形状特征输入训练好的模糊分类器内,得到分类结果,具体为:
将缺陷的面积、周长及体态比特征分别输入确定的隶属度函数,得到μi(z),计算μi(z)与μo(z,v)并集,即取最小值,得到由规则产生的模糊输出Qi(v);
取Qi(v)的与集,即取最大值,得到最终的模糊输出Q(v);
采用重心法进行去模糊化,得到分类结果。
所述分类结果是将缺陷结果按照面积、形状划分为点、线及面类型,其中短路、开路、针孔、多铜、残铜、线路异物、缺口划分为点缺陷类型,过蚀刻、欠蚀刻、划痕、折痕、线伤、线路锯齿划分为线缺陷,大面积的铜面异色、线路氧化、脏污划分为面缺陷。
所述面积特征,周长特征及体态比特征,具体为:
计算连通域的像素个数Si,为面积特征参数;
计算连通域进行边缘检测,得到轮廓特征,该轮廓特征为周长特征参数;
每个连通域求最下外接矩形,计算外接矩形的体态比Ti=ai/bi,其中ai、bi分别为第i个区域最小外接矩形的长和宽。
本发明的有益效果:
(1)将缺陷类型划分为点、线及面类型,对缺陷的分类检测有利于提高检测效率。
(2)点线面缺陷检测步骤能快速定位到缺陷位置,极大的提高了检测速度。
(3)点线面智能分类步骤包括形状特征提取、模糊分类器设计与点线面缺陷快速分类三个部分。模糊分类器具有计算简单,分类有效的特点。
(4)本发明方法具有检测速度快的优点,解决了柔性IC基板点线面缺陷快速分类难题,为生产过程品质监控提供科学依据。
附图说明
图1是本发明的工作流程图;
图2是本发明输入隶属度函数坐标图;
图3是本发明输出隶属度函数坐标图;
图4是本发明模糊分类的流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1-图4所示,一种柔性IC基板点线面缺陷的快速分类方法,包括如下步骤:
S1根据点线面缺陷图像检测步骤,得到缺陷检测结果,具体为:
S1.1依次采集单幅柔性IC基板图像,通过图像拼接得到整块IC基板图像,具体为:
S1.1.1采用“Z”字型方法获取单幅柔性IC基板图像,为图像拼接提供先验信息,使图像采集与后续的拼接更为高效,所采集的图像需保留50%的重叠区域,以保证图像拼接算法的精度;
S1.1.2采用相位相关法,检测两幅待拼接图像之间的相对位移,通过相对位移对准图像,得到拼接图像;
首先对两幅待拼接的图像求快速傅里叶变换F1,F2。其中,长为M,宽为N的图像f(x,y)的离散傅里叶变换F(u,v)为:
由位移定理得,若两幅图像f1(x,y)和f2(x,y)只存在平移运动(x0,y0),即f2(x,y)=f1(x-x0,y-y0),则f1和f2的傅里叶变换F1,F2的关系为:
接着通过F1,F2求两幅图像的互功率谱并求其逆变换,得到脉冲图像δ;两幅图像的互功率谱R(u,v)及其离散傅里叶逆变换为:
最后检测脉冲图像δ中峰值位置的2r邻域,获得两幅图像的相对位移Δx、Δy:
对拼接重叠边界进行图像融合,通过计算两幅图像重叠区域的加权平均对拼接图像边界进行融合,消除因两幅图像灰度不一致产生的裂缝。则融合后的图像g(x,y为:
S1.2选取无缺陷的标准基板图像建立匹配模板,将待检测IC基板图像与匹配模板进行匹配得到缺陷检测结果,具体为:
S1.2.1在同一批次的柔性IC基板中,选取生产符合标准且无缺陷的基板,采用***对整张基板进行图像采集与拼接融合,将拼接好的图像作为标准模板保存;
S1.2.2对于待检测柔性IC基板,采用整张基板进行图像采集与拼接融合,将拼接好的待检图像与标准模板图像的Mark点对准,求待检图像与标准模板图像灰度值之差的绝对值,若其阈值大于阈值G,则置1,否则置0。本实施例中,G=50,设置分割阈值可减少因光线变化对检测结果产生的影响。
S1.2.3运用形态学开运算,滤除小面积区域噪声。保留面积区域大于S的连通域,即为缺陷初步检测结果。本实施例中,先采用半径为5的元素对图像进行开运算,再去掉面积区域小于S=150的连通域。
S2采用点线面智能分类步骤,对缺陷检测结果进行分类,得到分类结果,具体为:
S2.1提取缺陷的面积、周长及体态比特征,具体如下:
计算第i个连通域的像素个数Si,为面积特征参数;
对连通域进行边缘检测,得到轮廓特征,计算第i个轮廓的像素个数Ci,为周长特征参数;
每个连通域求最下外接矩形,计算外接矩形的体态比Ti=ai/bi,其中ai、bi分别为第i个区域最小外接矩形的长和宽。
S2.2将提取的m维形状特征输入训练好的模糊分类器内,得到分类结果,本实施例中m维为三维。
所述模糊分类器的设计方法如下:
对训练数据进行预处理,具体将缺陷检测结果的面积、周长及体态比特征进行倍率归一化处理;
建立三个IF-THEN模糊规则,具体为:
(1)IF面积S比较小AND周长C比较小AND体态比T比较小,THEN属于点缺陷;
(2)IF面积S比较大AND周长C比较大AND体态比T很大,THEN属于线缺陷;
(3)IF面积S很大AND周长C很大AND体态比T比较大,THEN属于面缺陷;
设置输入隶属度函数,采用S型和高斯函数组合;
本实例中,i=1时,表示输入为面积的隶属度函数,a1=20,a2=50,a3=100,a4=150,b=20,c=75。i=2时,表示输入为周长的隶属度函数,a1=6,a2=12,a3=20,a4=25,b=4,c=16。i=3时,表示输入为体态比的隶属度函数,a1=1,a2=3,a3=5,a4=7,b=1,c=4。
设置输出隶属度函数,采用三角形和∑函数组合;
本实例中,b1=1,b2=1.5,b3=2,b4=2.5,b5=3,d=1。
确认隶属度函数参数,由三个模糊规则得,模糊运算的结果为:
Q(v)=maxr(Qi(v))=maxr{mins{μi(z),μo(z,v)}}
其中,r={1,2,3},s={S,C,T},z表示特征参数的输入值,μi(z)是在特定输入下由输入隶属度函数得到的标量值,μo(z,v)是在特定输入下由输出隶属度函数得到的标量值,Qi(v)表示由模糊规则和一个特定输入导致的模糊输出;Q(v)为最终的模糊输出结果;
采用重心法进行去模糊,得到最终结果:
其中K为模糊规则数。
所述S2中,对缺陷检测结果的具体分类过程:
提取的三个特征参数分别输入由确定的隶属度函数,得到μi(z),计算μi(z)与μo(z,v)并集,即取最小值,得到由规则Ri产生的模糊输出Qi(v)。
.取Qi(v)的与集,即取最大值,得到最终的模糊输出Q(v);
去模糊化,得到最终的模糊输出Q(v)。
本实例中,输入参数为(110,22.5,3.5),得到模糊输出如图4所示,去模糊后最终判定为面缺陷。
本发明将柔性IC基板几种常见缺陷按照面积、形状,分别划分为点、线、面类型。短路、开路、针孔、多铜、残铜、线路异物、缺口划分为点缺陷,过蚀刻、欠蚀刻、划痕、折痕、线伤、线路锯齿划分为线缺陷,大面积的铜面异色、线路氧化、脏污划分为面缺陷。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种柔性IC基板点线面缺陷的快速分类方法,其特征在于,包括:
根据点线面缺陷图像检测步骤,得到缺陷检测结果;
采用点线面智能分类步骤,对缺陷检测结果进行分类,得到分类结果;
所述根据点线面缺陷图像检测步骤,具体为:
依次采集单幅柔性IC基板图像,通过图像拼接得到整块IC基板图像,选取无缺陷的标准基板图像建立匹配模板,将待检测IC基板图像与匹配模板进行匹配得到缺陷检测结果;
所述依次采集单幅柔性IC基板图像,通过图像拼接得到整块IC基板图像,具体为:
采用“Z”字型方法获取单幅柔性IC基板图像,所采集的图像需保留50%的重叠区域;
采用相位相关法,检测两幅待拼接图像之间的相对位移,通过相对位移对准图像,得到拼接图像;
对拼接重叠边界进行图像融合,通过计算两幅图像重叠区域的加权平均值,然后对拼接图像边界进行融合得到整块IC基板图像;
所述将待检测IC基板图像与匹配模板进行得到检测结果,具体为:
将拼接好的待检测IC基板图像与标准模板进行Mark点对准,求待检测图像与标准模板图像灰度值之差的绝对值,若其阈值大于设定阈值,则置1,否则置0;
运用形态学开运算,保留面积区域大于设定值S的连通域,所获得的N个连通域即为缺陷检测结果,通过二值图像的连通域信息得到缺陷的形状,大小和位置信息;
所述采用点线面智能分类步骤,对缺陷检测结果进行分类,得到分类结果,具体为:
提取缺陷的面积、周长及体态比特征,将提取的m维形状特征输入训练好的模糊分类器内,得到分类结果;
所述模糊分类器的设计过程如下:
对训练数据进行预处理,具体将缺陷检测结果的面积、周长及体态比特征进行倍率归一化处理;
建立三个IF-THEN模糊规则,具体为:
(1)IF面积S比较小AND周长C比较小AND体态比T比较小,THEN属于点缺陷;
(2)IF面积S比较大AND周长C比较大AND体态比T很大,THEN属于线缺陷;
(3)IF面积S很大AND周长C很大AND体态比T比较大,THEN属于面缺陷;
设置输入隶属度函数,采用S型和高斯函数组合;
设置输出隶属度函数,采用三角形和∑函数组合;
确认隶属度函数参数,由三个模糊规则得,模糊运算的结果为:
Q(v)=maxr(Qi(v))=maxr{mins{μi(z),μo(z,v)}}
其中,r={1,2,3},s={S,C,T},z表示特征参数的输入值,μi(z)是在特定输入下由输入隶属度函数得到的标量值,μo(z,v)是在特定输入下由输出隶属度函数得到的标量值,Qi(v)表示由模糊规则和一个特定输入导致的模糊输出;Q(v)为最终的模糊输出结果;
采用重心法进行去模糊,得到最终结果:
其中K为模糊规则数;
将提取的m维形状特征输入训练好的模糊分类器内,得到分类结果,具体为:
将缺陷的面积、周长及体态比特征分别输入确定的隶属度函数,得到μi(z),计算μi(z)与μo(z,v)并集,即取最小值,得到由规则产生的模糊输出Qi(v);
取Qi(v)的与集,即取最大值,得到最终的模糊输出Q(v);
采用重心法进行去模糊化,得到分类结果。
2.根据权利要求1所述的快速分类方法,其特征在于,所述分类结果是将缺陷结果按照面积、形状划分为点、线及面类型,其中短路、开路、针孔、多铜、残铜、线路异物、缺口划分为点缺陷类型,过蚀刻、欠蚀刻、划痕、折痕、线伤、线路锯齿划分为线缺陷,大面积的铜面异色、线路氧化、脏污划分为面缺陷。
3.根据权利要求1所述的快速分类方法,其特征在于,计算连通域的像素个数Si,为面积特征参数;
计算连通域进行边缘检测,得到轮廓特征,该轮廓特征为周长特征参数;
每个连通域求最下外接矩形,计算外接矩形的体态比Ti=ai/bi,其中ai、bi分别为第i个区域最小外接矩形的长和宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811328664.5A CN109615606B (zh) | 2018-11-09 | 2018-11-09 | 一种柔性ic基板点线面缺陷的快速分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811328664.5A CN109615606B (zh) | 2018-11-09 | 2018-11-09 | 一种柔性ic基板点线面缺陷的快速分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615606A CN109615606A (zh) | 2019-04-12 |
CN109615606B true CN109615606B (zh) | 2023-01-06 |
Family
ID=66003729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811328664.5A Active CN109615606B (zh) | 2018-11-09 | 2018-11-09 | 一种柔性ic基板点线面缺陷的快速分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615606B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814917B (zh) * | 2020-08-28 | 2020-11-24 | 成都千嘉科技有限公司 | 一种存在模糊态的字轮图像数字识别方法 |
CN115994882A (zh) * | 2021-10-18 | 2023-04-21 | 长鑫存储技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN114022439B (zh) * | 2021-11-01 | 2024-06-25 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005083843A (ja) * | 2003-09-08 | 2005-03-31 | Dainippon Screen Mfg Co Ltd | 欠陥検出装置、クラスタ生成装置、欠陥分類装置、欠陥検出方法、クラスタ生成方法およびプログラム |
CN101819162A (zh) * | 2010-05-13 | 2010-09-01 | 山东大学 | 空瓶瓶壁缺陷检测方法及装置 |
CN102043945A (zh) * | 2010-11-23 | 2011-05-04 | 聊城大学 | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 |
CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN107784323A (zh) * | 2017-10-16 | 2018-03-09 | 武汉科技大学 | 基于局部不相关约束的带钢表面缺陷图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2427489B1 (es) * | 2013-04-17 | 2014-07-08 | Foxtenn Bgreen, S. L. | Método y sistema para juzgar si un elemento esférico bota dentro o fuera de unas zonas de juego |
-
2018
- 2018-11-09 CN CN201811328664.5A patent/CN109615606B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005083843A (ja) * | 2003-09-08 | 2005-03-31 | Dainippon Screen Mfg Co Ltd | 欠陥検出装置、クラスタ生成装置、欠陥分類装置、欠陥検出方法、クラスタ生成方法およびプログラム |
CN101819162A (zh) * | 2010-05-13 | 2010-09-01 | 山东大学 | 空瓶瓶壁缺陷检测方法及装置 |
CN102043945A (zh) * | 2010-11-23 | 2011-05-04 | 聊城大学 | 基于车辆实时跟踪和二进指数分类车牌字符识别的方法 |
CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN107784323A (zh) * | 2017-10-16 | 2018-03-09 | 武汉科技大学 | 基于局部不相关约束的带钢表面缺陷图像分类方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的OLED缺陷检测***设计;李桂锋;《中国优秀硕士学位论文全文数据库(电子期刊)·信息科技辑》;20111215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109615606A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615606B (zh) | 一种柔性ic基板点线面缺陷的快速分类方法 | |
Tsai et al. | Defect detection in electronic surfaces using template-based Fourier image reconstruction | |
Tang et al. | FingerNet: An unified deep network for fingerprint minutiae extraction | |
CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
WO2011074014A2 (en) | A system for lip corner detection using vision based approach | |
CN107369176B (zh) | 一种柔性ic基板氧化面积检测***及方法 | |
CN105447489B (zh) | 一种图片ocr识别***的字符与背景粘连噪声消除方法 | |
CN112435272B (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN115147448A (zh) | 面向自动化焊接的图像增强与特征提取方法 | |
CN115272312B (zh) | 基于机器视觉的塑料手机外壳缺陷检测方法 | |
Pawade et al. | Comparative study of different paper currency and coin currency recognition method | |
Nejati et al. | License plate recognition based on edge histogram analysis and classifier ensemble | |
CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
CN109001213B (zh) | 一种卷到卷超薄柔性ic基板外观检测方法 | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN114092440A (zh) | 基于视觉的印刷电路板非标准元件识别定位方法及*** | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
Li et al. | Localizing components on printed circuit boards using 2d information | |
CN117197700A (zh) | 智能化无人巡检接触网缺陷识别*** | |
Wang et al. | Fingerprint image segmentation by energy of Gaussian-Hermite moments | |
CN109003268B (zh) | 一种超薄柔性ic基板外观颜色检测方法 | |
Gim et al. | A novel framework for white blood cell segmentation based on stepwise rules and morphological features | |
CN113591923A (zh) | 基于图像特征提取与模板匹配的发动机摇臂零件分类方法 | |
Khan et al. | Detection of blur and non-blur regions using frequency-based multi-level fusion transformation and classification via KNN matting | |
Fu | Automatic license plate recognition using neural network and signal processing |
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 |