CN110570393A - 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 - Google Patents
一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 Download PDFInfo
- Publication number
- CN110570393A CN110570393A CN201910702333.1A CN201910702333A CN110570393A CN 110570393 A CN110570393 A CN 110570393A CN 201910702333 A CN201910702333 A CN 201910702333A CN 110570393 A CN110570393 A CN 110570393A
- Authority
- CN
- China
- Prior art keywords
- area
- defect
- mobile phone
- defects
- detection
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- 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
- 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
- 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
- G06T7/10—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,包括如下步骤:步骤一、采集手机屏图像;步骤二、对手机屏幕区进行粗检;步骤三、通过阈值分割算法提取手机屏图像的缺陷;步骤四、利用聚类算法将密集点簇区域的散点进行连接;步骤五、利用神经网络分类器进行缺陷的分类;步骤六、提取缺陷区域的面积、长度和半径,依据检测标准进行比对;步骤七、利用深度学习分类器对缺陷进行再分类;步骤八、统计各类缺陷信息和数量。本发明检测算法遵循先粗检、后精检的原则,既能快速准确提取出各种不同型号的手机玻璃盖板屏幕区麻点、划痕、脏污、毛丝等缺陷,同时也能针对不同产品视窗区检测标准调整检测精度。
Description
技术领域
本发明涉及视觉检测领域,尤其涉及一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法。
背景技术
近年来,在5G、无线充电等技术推动下,非金属手机盖板成为主流。其中玻璃盖板有较好的力学性能和光学性能,且成本相比于陶瓷材料较低,因此备受3C产品企业青睐。然而,实际生产制造、运输等过程中,不可避免会产生麻点、划痕、脏污、崩边等缺陷。及时在生产工艺过程进行缺陷检测,可以避免工艺浪费,监控产品生产品质,从而保证高品质产品生产同时,节约生产成本。
目前,国内许多盖板玻璃生产厂商,仍然大量的采用人工目检的方式。机器视觉检测技术相比于人工目检过程检测效率更高、成本更低,检测标准更稳定。当前,国内许多检测设备厂商相继进行玻璃检测算法研发,但仍然存在检测过程不稳定、漏检或过检率较高等问题。
深度学习技术已经在语音识别、目标跟踪、安全监控等领域取得了广泛的应用。在机器视觉方面,深度学习在缺陷分类、定位等方面也有较大的潜力。
发明内容
为解决以上问题,本发明提供一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,本发明适用于手机玻璃盖板中间视窗区缺陷检测,将传统检测算法与深度学习技术相结合,既能快速准确提取出各种不同型号2D或2.5D手机玻璃盖板屏幕区麻点、划痕、脏污等缺陷,同时也能针对不同产品屏幕视窗区检测标准调整检测精度。
本发明至少通过如下技术方案之一实现。
一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,包括如下步骤:
步骤一、采集手机屏图像;
步骤二、对手机屏幕区进行粗检;
步骤三、通过阈值分割算法提取手机屏图像的缺陷;
步骤四、利用聚类算法将手机屏视窗区域上的密集点簇区域的散点进行连接;
步骤五、提取缺陷的连通域特征,将连通域特征输入到神经网络分类器,利用神经网络分类器进行点状、线状和面状缺陷的分类;
步骤六、对分出的点状、线状缺陷和面状缺陷区域,提取缺陷区域的面积、长度和半径,依据检测标准进行比对;
步骤七、利用深度学习分类器对已经分类出来的缺陷进行再分类,分类得到划痕、漂浮毛丝、浅色脏污、深色脏污四类缺陷;
步骤八、统计各类缺陷信息和数量。
进一步的,步骤一是用16K的线阵相机进行手机屏进行图像采集,图像分辨率为40000×16384,检测精度为0.005mm。
进一步的,在进行粗检之前,选取一张无缺陷的良品手机屏图片,框选出手机屏幕区作为标准模板的感兴趣区域(ROI),离线保存标准模板文件;所述标准模板包括形状匹配模板和标准区域模板,其中,形状匹配模板主要用于与待检测图像中的手机屏进行匹配,获取得到待检测图像中手机屏的位置信息;标准区域模板主要用于与待检测图像中提取出的手机屏幕区域对齐检出缺陷;
步骤二的对手机屏幕区进行粗检包括以下步骤:
(1)、在线检测时,读取形状匹配模板,采用基于形状的模板匹配算法,匹配获取待检测图像中手机屏的位置信息和角度信息;
(2)、利用阈值分割算法分割出待检测图像中手机屏视窗区域,通过获取得到的位置和角度信息,创建仿射变换矩阵;读取视窗区域的标准区域模板,利用区域仿射变换将读取的标准区域模板和待检测的视窗区域对齐;
对齐后的标准区域模板和待检测的视窗区域经过布尔运算检出是否存在缺陷;布尔运算即对区域的交、并、补运算。
进一步的,步骤三提取手机屏图像的缺陷包括以下步骤:
1)、使用中值滤波进行图像预处理,以降低噪声;
2)、将待检测的视窗区域即屏幕区切分为m×n个区域;
3)、利用高斯滤波增强算法对切分后的每个区域进行图像增强,高斯滤波增强算法为:
img_enhanced=round((orig-mean_gauss)*factor)+orig (1)
公式(1)中,mean_gauss代表对图片进行高斯滤波,orig代表每幅图对应的灰度值,factor为增强因子,img_enhanced为增强后输出图像的灰度值; round()函数为取整函数;
4)、通过阈值分割算法对增强后的图片提取出手机屏视窗区域的缺陷。
进一步的,步骤四所述的聚类算法是只对满足聚类条件的密集点区域进行连接,不满足聚类条件的区域不进行聚类连接;
所述聚类条件为:
a.聚类半径为R的圆形密集点区域;
b.在圆形区域中,密集点区域面积大于密集点最小区域的面积S的区域总个数大于聚类个数N;
在半径为R的圆形区域内,若满足密集点区域面积大于设定的密集点区域最小面积S的区域个数大于N,则认为该密集点区域为密集点簇区域;利用形态学膨胀、腐蚀运算将该区域的散点连接成一个区域。
进一步的,所述神经网络分类器用于对点状缺陷、线状缺陷和面状缺陷的分类;
神经网络分类器包括输入层、中间层及隐藏层;其中,输入层中神经元的个数与输入特征向量的维度相同,输出层中神经元的个数与分类输出类别相同。隐藏层把输入数据的特征,抽象到另一个维度空间,来展现其更抽象化的特征,这些特征能更好的进行线性划分。隐藏层能够提高网络的精度和表达能力。
神经网络分类器进行缺陷分类主要分为两部分内容:离线训练和在线检测;
在将缺陷进行分类之前,将步骤五提取的缺陷的连通域特征作为缺陷数据集;数据集保存的连通域特征分为三类,第一类为面积、中心、宽和高的基础特征;第二类为外接圆半径、圆度、紧密的形状特征;第三类为二阶矩和三阶矩的几何矩特征;
离线训练:设置训练参数,所述训练参数包括优化算法、学习率、学习策略、初始化策略,对缺陷数据集进行离线训练,前向传播计算损失函数,反向传播更新权重。直至损失函数达到收敛状态;离线保存训练后的神经网络分类器;
在线检测:提取缺陷的连通域特征,读取训练好的神经网络分类器,将提取的缺陷连通域特征输入分类器,得到缺陷分类结果。
进一步的,步骤六中所述的缺陷区域的面积是通过统计连通域中的像素个数获取,用于面状类的缺陷标准比对;缺陷区域的长度通过缺陷区域骨架化获取,用于线状类的缺陷长度标准比对;缺陷区域的半径为缺陷区域的最小外接圆半径,用于缺陷半径标准的比对。
进一步的,步骤六的检测标准为:
1)点状不良
D<0.1mm,忽略;
0.1mm≤D≤0.2mm,d≥10mm,半径为d区域范围内缺陷个数在2个以内,则表示手机屏为良品,缺陷个数大于2个则表示手机屏为不良品;
D>0.2mm,NG,表示手机屏为不良品;
其中,D为点状缺陷最小外接圆直径,d为点与点之间距离;
2)线状不良
W<0.02mm,该缺陷忽略不计;
0.02mm≤W≤0.05mm,d≥5mm,L≤3,2个以内可以忽略该缺陷,则表示手机屏为良品;3个以内表示手机屏为不良品;
W>0.05mm或L>3mm,NG,表示手机屏为不良品;
其中,W为线状缺陷宽度,L为线状缺陷长度,d为不同线状缺陷间距;
3)面状不良
D>0.5mm或S>0.2mm2
其中,D为面状缺陷最大内接圆直径,S为面状缺陷面积。
进一步的,所述深度学习分类器为卷积神经网络模型,该卷积神经网络模型主要包含输入层、卷积层、池化层、全连接层和输出层,其中,输入层、卷积层、池化层、全连接层和输出层依次连接;卷积层完成特征提取操作,将最后一层池化层的缺陷特征转化为一组向量作为全连接层的输入,全连接层的缺陷特征输入到输出层完成分类的任务;
深度学习分类器进行缺陷分类主要分为两部分内容:离线训练和在线检测;
在进行缺陷分类前先制作不同类型缺陷的数据集,利用镜像、旋转对数据集中的缺陷图片进行增强;
采用牛津大学视觉几何组(Visual Geometry Group)的VGG16卷积神经网络模型,设置模型结构参数、训练参数;
离线训练时,利用预训练模型对数据集进行迁移训练;训练结束后,将深度学习分类器离线保存;
在线检测时,截取待分类缺陷区域对应的图片,将图片作为深度学习分类器的输入,对缺陷的进行分类。
进一步的,对算法参数和检测标准制作参数配置文件。参数可根据检测需求灵活调整,适用于不同型号手机玻璃盖板产品视窗区检测。
算法参数主要为各种检测算法中的关键参数,如阈值分割算法中的阈值、分块个数和聚类算法中的聚类半径等。
检测标准参数主要为点状、线状、面状检测标准中涉及的缺陷半径、长度、宽度、个数等根据检测要求设定的标准参数。
进一步的,本发明遵循“先粗检、后精检”的原则。通过粗检过程,首先能对视窗区严重缺陷进行检测,通过精检过程,实现点状线状面状缺陷的分类。针对难以区分的划痕、漂浮毛丝、浅色脏污和深色脏污,采用深度学习分类器实现缺陷再分类。
本发明的有益效果为:通过离线创建模板与在线检测的方式相结合,检测算法的通用性高,可适用于不同型号手机玻璃盖板的检测;遵循“先粗检,后精检”的原则,算法检测效率高;传统检测算法与深度学习技术相结合,对划痕、毛丝、深色脏污、浅色脏污等难以区分缺陷具有较好的分类效果;对算法参数和检测标准参数制作了参数配置文件,检测精度灵活可调。
附图说明
图1是本发明一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法的检测流程示意流程图;
图2是本发明视窗区分块示意图;
图3是本发明聚类条件示意图;
图4是本发明聚类效果示意图;
图5是本发明神经网络分类器分类示意图;
图6是本发明神经网络分类器结构图;
图7a是本发明划痕的缺陷示意图;
图7b是本发明漂浮毛丝的缺陷示意图;
图7c是本发明浅色脏污的缺陷示意图;
图7d是本发明深色脏污的缺陷示意图;
图8是本发明卷积神经网络模型结构示意图;
图9是本发明检测结果示意图;
图10是本发明检测结果示意图。
具体实施方式
下面结合具体实施例对本发明作进一步具体详细描述。
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,主要粗检和精检两部分内容。粗检过程包括标准模板制作、模板匹配、仿射变换和区域比对四个关键步骤,若有严重缺陷,则进行下一步的精检。精检部分主要实现缺陷的提取和分类。待检测图像的屏幕区感兴趣区域(ROI)可以根据粗检过程匹配的位置和角度信息获取。缺陷提取过程包括图像预处理、图像分块、图像增强和阈值分割四部分。缺陷分类前,对提取得到的缺陷区域进行聚类处理;采用神经网络分类器将缺陷分为点状、线状和面状缺陷,并与对应的点状、线状、面状检测标准进行比对。采用深度学习分类器对难以区分的划伤、漂浮毛丝、浅色脏污、深色脏污进行缺陷再分类。最后,统计缺陷面积、位置、长度、宽度最小外接圆、最大内接圆等信息。
一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,包括以下步骤:
步骤一、采用16K的线阵相机采集手机屏图像,图像分辨率为40000× 16384,检测精度可达0.005mm。
步骤二、对手机屏幕区进行粗检;
在进行粗检之前,选取一张无缺陷的良品手机屏图片,框选出手机屏幕区作为标准模板的感兴趣区域(ROI)。所述标准模板主要是分为两部分:形状匹配模板和标准区域模板。其中,形状匹配模板主要用于形状匹配模板主要用于与待检测图像中的手机屏进行匹配,获取得到待检测图像中手机屏的位置信息;标准区域模板主要用于与待检测图像中提取出的手机屏幕区域对齐,检出严重缺陷。离线保存标准模板文件。
在线检测时,读取形状匹配模板,采用基于形状的模板匹配算法,匹配获取待检测图像中手机屏的位置信息和角度信息。
利用阈值分割算法分割出待检测图像中手机屏视窗区域,通过获取得到的位置和角度信息,创建仿射变换矩阵;读取视窗区域的标准区域模板,利用区域仿射变换将读取的标准区域模板和待检测的视窗区域对齐;。
对齐后的标准区域模板和待检测的视窗区域经过布尔运算检出是否存在严重缺陷。
步骤三、通过阈值分割算法提取手机屏图像的缺陷,具体包括以下步骤:
1)、使用中值滤波对图像预处理降低噪声。
如图2所示,将图片的检测区域即屏幕区切分为m×n个区域(8×6共48 个区域);由于图片尺寸较大,将屏幕区进行分块检测。分块检测一方面可以避免算法全局参数带来的缺陷漏检问题,另一方面,开启多线程,对各个小块进行并行检测,可以有效的提高检测效率。
由于图片尺寸非常大,在缺陷提取过程中若直接用一些全局参数,如全局阈值,很容易受到光照不均等问题影响,带来缺陷漏检的问题。不同缺陷的成像对比度不同,有些缺陷,例如浅划伤成像对比度非常低,无法直接通过阈值得到,需要利用图像增强等算法进行增强。本实施例采用高斯滤波增强算法通过将图片进行高斯滤波,将滤波后的图像与原图作差达到待检测缺陷增强的效果,增强效果可以通过滤波模板大小、增强因子进行控制。可知,高斯增强可以进行局部增强,算法相较于傅里叶变换和小波变换消耗时间短,且增强效果较好。
利用高斯滤波增强算法对每个区域进行图像增强,高斯滤波增强算法为:
img_enhanced=round((orig-mean_gauss)*factor)+orig (1)
公式(1)中,mean_gauss代表对图片进行高斯滤波,orig代表每幅图对应的灰度值,factor为增强因子,img_enhanced为增强后输出图像的灰度值; round()函数为取整函数。
增强后的图片,缺陷对比度得到较大的提升。
4)、通过阈值分割算法提取出缺陷。
步骤四、如图3和图4所示,利用聚类算法将密集点簇进行连接,具体的,将聚类半径R个像素范围内,面积大于S个像素,且小缺陷区域个数大于N个的所有区域进行聚类连接,本实施例中R=50,S=15,N=50。即在半径为50个像素的圆形区域内,若满足面积大于设定的最小面积15个像素的区域个数大于 50,则认为该部分区域为密集点簇区域。利用形态学闭运算将该区域的散点连接成一个大区域。
步骤五、提取缺陷的连通域特征,将连通域特征输入到神经网络分类器,利用神经网络分类器进行点状、线状和面状缺陷的分类,如图5所示。
所述连通域特征分为:基础特征、形状特征和几何矩特征;具体如表1所示。
表1连通域特征
所述神经网络分类器进行缺陷分类主要分为两部分内容:离线训练和在线检测。
在将缺陷进行分类之前,将步骤五提取的缺陷的连通域特征作为缺陷数据集;数据集保存的连通域特征分为三类,第一类为面积、中心、宽和高的基础特征;第二类为外接圆半径、圆度、紧密的形状特征;第三类为二阶矩和三阶矩的几何矩特征。本实施例中一共选取了共22维特征。
神经网络分类器包括输入层、中间层及隐藏层;其中,输入层中神经元的个数与输入特征向量的维度相同,输出层中神经元的个数与分类输出类别相同。隐藏层把输入数据的特征,抽象到另一个维度空间,来展现其更抽象化的特征,这些特征能更好的进行线性划分。隐藏层能够提高网络的精度和表达能力。如图6所示,为神经网络分类器的结构示意图,由22个输入层,10个隐藏层,2 个输出层构成,激活函数选用ReLU激活函数;
离线训练:设置训练参数,所述训练参数包括优化算法、学习率、学习策略、初始化策略。优化算法选取动量梯度下降法,根据经验选取学习率为0.005,动量系数为0.9。权重和偏置的初始化为很小的随机数,如均值为0,方差为0.01 的高斯分布。迭代次数为2000次,每500次改变一次学习率,迭代目标为0.1。对缺陷数据集进行离线训练,前向传播计算损失函数,反向传播更新权重。直至损失函数达到收敛状态;离线保存训练后的神经网络分类器;
在线检测:提取缺陷的连通域特征,读取训练好的神经网络分类器,将提取的缺陷连通域特征输入分类器,得到缺陷分类结果。
步骤六、对分出的点状、线状和面状缺陷区域,分别提取缺陷区域的面积、长度和半径,依据检测标准进行比对;
缺陷区域的面积通过统计连通域中的像素个数获取,用于面状类的缺陷标准比对;缺陷区域的长度通过将缺陷区域骨架化获取,用于线状类的缺陷长度标准比对;缺陷区域的半径为缺陷区域的最小外接圆半径,用于缺陷半径标准的比对。
依据检测标准进行比对,检测标准如下:
1)点状不良
D<0.1mm,忽略;
0.1mm≤D≤0.2mm,d≥10mm,半径为d区域范围内缺陷个数在2个以内则表示手机屏为良品,缺陷个数大于2个则表示手机屏为不良品;
D>0.2mm,NG表示手机屏为不良品;
其中,D为点状缺陷最小外接圆直径,d为点与点之间距离;
2)线状不良
W<0.02mm,忽略,不是缺陷;
0.02mm≤W≤0.05mm,d≥5mm,L≤3,2个以内可以忽略,不是缺陷;3个以内 NG表示手机屏为不良品;
W>0.05mm或L>3mm,NG表示手机屏为不良品;
其中,W为线状缺陷宽度,L为线状缺陷长度,d为不同线状缺陷间距;
3)面状不良
D>0.5mm或S>0.2mm2
其中,D为面状缺陷最大内接圆直径,S为面状缺陷面积。
步骤七、利用深度学习分类器对已经分类出来的缺陷进行再分类。分类得到图7a的划痕、图7b的浮毛丝、图7c的浅色脏污和图7d的深色脏污四类缺陷;
所述深度学习分类器为卷积神经网络模型,如图8所示,该卷积神经网络模型主要包含输入层、卷积层、池化层、全连接层和输出层,其中,输入层、卷积层、池化层、卷积层、池化层、全连接层和输出层依次连接;卷积层完成特征提取操作,将最后一层池化层转化为一组向量作为全连接层的输入,全连接层到输出层完成分类的任务。
深度学习分类器进行缺陷分类主要分为两部分内容:离线训练和在线检测。
制作划痕、漂浮毛丝、浅色脏污、深色脏污四类缺陷的数据集。利用镜像、旋转等方式对数据集进行增强。本实施例中每类原始素材为500张,经增强10 倍后每类缺陷素材为5000张。
采用基于卷积神经网络的深度学习分类器,设置模型结构参数、训练参数。离线训练时,利用预训练模型对数据集进行迁移训练。训练结束后,将深度学习分类器离线保存。本实施例中采用牛津大学视觉几何组(Visual Geometry Group)的VGG16卷积神经网络模型,由13个卷积层、5个池化层、3个全连接层构成。采用GPU进行并使用卷积神经网络预训练模型进行迁移训练,训练迭代次数为20000次,每32张图片为一个批次,图片初始学习率为0.005,每 5000次改变一次学习率。
在线检测时,截取待分类缺陷区域对应的图片,将图片作为深度学习分类器的输入,得到缺陷的分类信息。采用CPU进行测试,测试图片改为单张图片进行前向传播计算。
步骤八、统计各类缺陷信息。
本发明通过粗检过程,首先能对视窗区严重缺陷进行检测,通过精检过程,实现点状、线状、面状缺陷的分类。针对难以区分的划痕、漂浮毛丝、浅色脏污和深色脏污,也能实现准确的辨别。如图9和图10所示为检测结果示意图。
本发明的实施方式并不受上述实施例的限制,其他任何未背离本发明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 (10)
1.一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,包括如下步骤:
步骤一、采集手机屏图像;
步骤二、对手机屏幕区进行粗检;
步骤三、通过阈值分割算法提取手机屏图像的缺陷;
步骤四、利用聚类算法将手机屏视窗区域上的密集点簇区域的散点进行连接;
步骤五、提取缺陷的连通域特征,将连通域特征输入到神经网络分类器,利用神经网络分类器进行点状、线状和面状缺陷的分类;
步骤六、对分出的点状、线状和面状缺陷区域,分别提取缺陷区域的面积、长度和半径,依据检测标准进行比对;
步骤七、利用深度学习分类器对已经分类出来的缺陷进行再分类,分类得到划痕、漂浮毛丝、浅色脏污、深色脏污四类缺陷;
步骤八、统计各类缺陷信息和数量。
2.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,步骤一是用16K的线阵相机进行手机屏进行图像采集,图像分辨率为40000×16384,检测精度为0.005mm。
3.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,在进行粗检之前,选取一张无缺陷的良品手机屏图片,框选出手机屏幕区作为标准模板的感兴趣区域(ROI),离线保存标准模板文件;所述标准模板包括形状匹配模板和标准区域模板,其中,形状匹配模板主要用于与待检测图像中的手机屏进行匹配,获取得到待检测图像中手机屏的位置信息;标准区域模板主要用于与待检测图像中提取出的手机屏幕区域对齐检出缺陷;
步骤二的对手机屏幕区进行粗检包括以下步骤:
(1)在线检测时,读取形状匹配模板,采用基于形状的模板匹配算法,匹配获取待检测图像中手机屏的位置信息和角度信息;
(2)利用阈值分割算法分割出待检测图像中手机屏视窗区域,通过获取得到的位置和角度信息,创建仿射变换矩阵;读取视窗区域的标准区域模板,利用区域仿射变换将读取的标准区域模板和待检测的视窗区域对齐;
对齐后的标准区域模板和待检测的视窗区域经过布尔运算检出是否存在缺陷。
4.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,步骤三提取手机屏图像的缺陷包括以下步骤:
1)、使用中值滤波进行图像预处理,以降低噪声;
2)、将待检测的视窗区域即屏幕区切分为m×n个区域;
3)、利用高斯滤波增强算法对切分后的每个区域进行图像增强,高斯滤波增强算法为:
img_enhanced=round((orig-mean_gauss)*factor)+orig (1)
公式(1)中,mean_gauss代表对图片进行高斯滤波,orig代表每幅图对应的灰度值,factor为增强因子,img_enhanced为增强后输出图像的灰度值;round()函数为取整函数;
4)、通过阈值分割算法对增强后的图片提取出手机屏视窗区域的缺陷。
5.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,步骤四所述的聚类算法是只对满足聚类条件的密集点区域进行连接,不满足聚类条件的区域不进行聚类连接;
所述聚类条件为:
a.聚类半径为R的圆形密集点区域;
b.在圆形区域中,密集点区域面积大于密集点最小区域的面积S的区域总个数大于聚类个数N;
在半径为R的圆形区域内,若满足密集点区域面积大于设定的密集点区域最小面积S的区域个数大于N,则认为该密集点区域为密集点簇区域;利用形态学膨胀和腐蚀运算将该区域的散点连接成一个区域。
6.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,步骤五所述的神经网络分类器用于对点状缺陷、线状缺陷和面状缺陷的分类;
神经网络分类器包括输入层、中间层及隐藏层;其中,输入层中神经元的个数与输入特征向量的维度相同,输出层中神经元的个数与分类输出类别相同;
神经网络分类器进行缺陷分类主要分为两部分内容:离线训练和在线检测;
在将缺陷进行分类之前,将步骤五提取的缺陷的连通域特征作为缺陷数据集;数据集保存的连通域特征分为三类,第一类为面积、中心、宽和高的基础特征;第二类为外接圆半径、圆度、紧密的形状特征;第三类为二阶矩和三阶矩的几何矩特征;
离线训练:设置训练参数,所述训练参数包括优化算法、学习率、学习策略、初始化策略,对缺陷数据集进行离线训练,前向传播计算损失函数,反向传播更新权重,直至损失函数达到收敛状态;离线保存训练后的神经网络分类器;
在线检测:提取缺陷的连通域特征,读取训练好的神经网络分类器,将提取的缺陷连通域特征输入分类器,得到缺陷分类结果。
7.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,步骤六中所述的缺陷区域的面积是通过统计连通域中的像素个数获取,用于面状类的缺陷标准比对;缺陷区域的长度通过缺陷区域骨架化获取,用于线状类的缺陷长度标准比对;缺陷区域的半径为缺陷区域的最小外接圆半径,用于缺陷半径标准的比对。
8.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,步骤六的检测标准为:
1)点状不良
D<0.1mm,忽略;
0.1mm≤D≤0.2mm,d≥10mm,半径为d区域范围内缺陷个数在2个以内,则表示手机屏为良品,缺陷个数大于2个则表示手机屏为不良品;
D>0.2mm,NG,表示手机屏为不良品;
其中,D为点状缺陷最小外接圆直径,d为点与点之间距离;
2)线状不良
W<0.02mm,该缺陷忽略不计;
0.02mm≤W≤0.05mm,d≥5mm,L≤3,2个以内忽略该缺陷,则表示手机屏为良品;3个以内表示手机屏为不良品;
W>0.05mm或L>3mm,NG,表示手机屏为不良品;
其中,W为线状缺陷宽度,L为线状缺陷长度,d为不同线状缺陷间距;
3)面状不良
D>0.5mm或S>0.2mm2
其中,D为面状缺陷最大内接圆直径,S为面状缺陷面积。
9.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,所述的深度学习分类器为卷积神经网络模型,该卷积神经网络模型主要包含输入层、卷积层、池化层、全连接层和输出层,其中,输入层、卷积层、池化层、全连接层和输出层依次连接;卷积层完成特征提取操作,将最后一层池化层的缺陷特征转化为一组向量作为全连接层的输入,全连接层的缺陷特征输入到输出层完成分类的任务;
深度学习分类器进行缺陷分类主要分为两部分内容:离线训练和在线检测;
在进行缺陷分类前先制作不同类型缺陷的数据集,利用镜像、旋转对数据集中的缺陷图片进行增强;
离线训练时,利用预训练模型对数据集进行迁移训练;训练结束后,将深度学习分类器离线保存;
在线检测时,截取待分类缺陷区域对应的图片,将图片作为深度学习分类器的输入,对缺陷的进行分类。
10.根据权利要求1所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法,其特征在于,对算法参数和检测标准制作参数配置文件;所述算法参数包括阈值分割算法中的阈值、分块个数和聚类算法中的聚类半径;检测标准参数主要为点状、线状、面状检测标准中涉及的缺陷半径、长度、宽度和个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702333.1A CN110570393B (zh) | 2019-07-31 | 2019-07-31 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702333.1A CN110570393B (zh) | 2019-07-31 | 2019-07-31 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570393A true CN110570393A (zh) | 2019-12-13 |
CN110570393B CN110570393B (zh) | 2023-06-23 |
Family
ID=68773378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910702333.1A Active CN110570393B (zh) | 2019-07-31 | 2019-07-31 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570393B (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060520A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与*** |
CN111145258A (zh) * | 2019-12-31 | 2020-05-12 | 南京埃斯顿机器人工程有限公司 | 一种工业机器人多种汽车玻璃自动化上下料的方法 |
CN111179241A (zh) * | 2019-12-25 | 2020-05-19 | 成都数之联科技有限公司 | 一种面板缺陷检测和分类方法及*** |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
CN111474181A (zh) * | 2020-03-31 | 2020-07-31 | 成都数之联科技有限公司 | 一种成盒制程阶段的面板缺陷检测及分类*** |
CN111696106A (zh) * | 2020-07-31 | 2020-09-22 | 上海帆声图像科技有限公司 | 一种显示设备的屏幕质量检测方法、装置及*** |
CN111693549A (zh) * | 2020-05-14 | 2020-09-22 | 西安电子科技大学 | 一种手机盖板玻璃缺陷检测与分类方法 |
CN111709919A (zh) * | 2020-06-01 | 2020-09-25 | 深圳市深视创新科技有限公司 | 玻璃缺陷视觉检测算法 |
CN111798443A (zh) * | 2020-07-16 | 2020-10-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种利用pcb缺陷检测***进行缺陷定位和可视化的方法 |
CN111912759A (zh) * | 2020-07-15 | 2020-11-10 | 天津日博工业技术有限公司 | 一种防水透气膜的透气量测试方法 |
CN111982910A (zh) * | 2020-07-06 | 2020-11-24 | 华南理工大学 | 一种基于人工缺陷仿真的弱监督机器视觉检测方法及*** |
CN112014413A (zh) * | 2020-08-04 | 2020-12-01 | 贵州乐道科技有限公司 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN112268909A (zh) * | 2020-10-20 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 电池极片表面缺陷和均匀度检测的参数调控方法及*** |
CN112634258A (zh) * | 2020-12-30 | 2021-04-09 | 凌云光技术股份有限公司 | 一种基于aoi的缺陷检测的自动分类分级方法和装置 |
CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
CN112651972A (zh) * | 2020-11-11 | 2021-04-13 | 北京平恒智能科技有限公司 | 使用双定位的整体约束的定位方法 |
CN112834518A (zh) * | 2021-01-06 | 2021-05-25 | 优刻得科技股份有限公司 | 颗粒缺陷检测方法、***、设备和介质 |
CN112926438A (zh) * | 2021-02-22 | 2021-06-08 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN112926439A (zh) * | 2021-02-22 | 2021-06-08 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
CN113237888A (zh) * | 2021-05-21 | 2021-08-10 | 哈尔滨工业大学 | 大口径光学元件损伤点在线与离线暗场图像匹配方法 |
CN113298765A (zh) * | 2021-05-19 | 2021-08-24 | 广东工业大学 | 基于图像处理及深度学习的玻璃面板表面缺陷检测方法 |
CN113504238A (zh) * | 2021-06-04 | 2021-10-15 | 广东华中科技大学工业技术研究院 | 一种玻璃表面缺陷采集装置及检测方法 |
CN113538417A (zh) * | 2021-08-24 | 2021-10-22 | 安徽顺鼎阿泰克科技有限公司 | 基于多角度和目标检测的透明容器缺陷检测方法及装置 |
CN113609897A (zh) * | 2021-06-23 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 缺陷的检测方法和缺陷的检测*** |
CN113657174A (zh) * | 2021-07-21 | 2021-11-16 | 北京中科慧眼科技有限公司 | 一种车辆伪3d信息检测方法、装置与自动驾驶*** |
CN113777033A (zh) * | 2021-08-18 | 2021-12-10 | 长沙长泰机器人有限公司 | 一种基于机器视觉的生条缺陷检测方法和装置 |
CN113850773A (zh) * | 2021-09-18 | 2021-12-28 | 联想(北京)有限公司 | 一种检测方法、装置、设备及计算机可读存储介质 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别***及存储介质 |
CN114372980A (zh) * | 2022-03-21 | 2022-04-19 | 视睿(杭州)信息科技有限公司 | 一种工业缺陷检测方法及*** |
CN114441547A (zh) * | 2022-04-11 | 2022-05-06 | 深圳市睿阳精视科技有限公司 | 一种智能家电盖板缺陷检测方法 |
CN114486916A (zh) * | 2022-01-26 | 2022-05-13 | 上海电机学院 | 基于机器视觉的手机玻璃盖板缺陷检测方法 |
CN114577816A (zh) * | 2022-01-18 | 2022-06-03 | 广州超音速自动化科技股份有限公司 | 一种氢燃料双极板检测方法 |
WO2022172468A1 (ja) * | 2021-02-12 | 2022-08-18 | オムロン株式会社 | 画像検査装置、画像検査方法及び学習済みモデル生成装置 |
CN117495856A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市壹倍科技有限公司 | 基于深度学习的晶圆表面检测方法、装置、设备和介质 |
CN117808737A (zh) * | 2023-11-02 | 2024-04-02 | 江阴市精成数控有限公司 | 轴承缺陷管理*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
US20070177136A1 (en) * | 2006-01-23 | 2007-08-02 | Hiroyuki Nakano | Apparatus and method for inspecting defects |
CN106127779A (zh) * | 2016-06-29 | 2016-11-16 | 上海晨兴希姆通电子科技有限公司 | 基于视觉识别的缺陷检测方法及*** |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN108280822A (zh) * | 2017-12-20 | 2018-07-13 | 歌尔科技有限公司 | 屏幕划痕的检测方法及装置 |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN108961238A (zh) * | 2018-07-02 | 2018-12-07 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN109598692A (zh) * | 2017-09-28 | 2019-04-09 | 南京敏光视觉智能科技有限公司 | 一种基于局部对比度显著性区域检测的缺陷检测方法 |
US20190197679A1 (en) * | 2017-12-25 | 2019-06-27 | Utechzone Co., Ltd. | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof |
CN110018178A (zh) * | 2019-04-28 | 2019-07-16 | 华南理工大学 | 一种手机曲面玻璃典型缺陷在线检测装置与方法 |
-
2019
- 2019-07-31 CN CN201910702333.1A patent/CN110570393B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
US20070177136A1 (en) * | 2006-01-23 | 2007-08-02 | Hiroyuki Nakano | Apparatus and method for inspecting defects |
CN106127779A (zh) * | 2016-06-29 | 2016-11-16 | 上海晨兴希姆通电子科技有限公司 | 基于视觉识别的缺陷检测方法及*** |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN107123107A (zh) * | 2017-03-24 | 2017-09-01 | 广东工业大学 | 基于神经网络深度学习的布匹缺陷检测方法 |
CN109598692A (zh) * | 2017-09-28 | 2019-04-09 | 南京敏光视觉智能科技有限公司 | 一种基于局部对比度显著性区域检测的缺陷检测方法 |
CN108280822A (zh) * | 2017-12-20 | 2018-07-13 | 歌尔科技有限公司 | 屏幕划痕的检测方法及装置 |
US20190197679A1 (en) * | 2017-12-25 | 2019-06-27 | Utechzone Co., Ltd. | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof |
CN108961238A (zh) * | 2018-07-02 | 2018-12-07 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN110018178A (zh) * | 2019-04-28 | 2019-07-16 | 华南理工大学 | 一种手机曲面玻璃典型缺陷在线检测装置与方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG,Z ET,AL.: "Specular refelction Surface Defects Detecion by using Deep Learning", 《3RD INTERNATIONAL CONFERENCE ON INFORMATION SYSTEM AND DATA MINING(ICISDM)》 * |
熊红林等: "基于多尺度卷积神经网络的玻璃表面缺陷检测方法", 《计算机集成制造***》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179241A (zh) * | 2019-12-25 | 2020-05-19 | 成都数之联科技有限公司 | 一种面板缺陷检测和分类方法及*** |
CN111060520A (zh) * | 2019-12-30 | 2020-04-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与*** |
CN111145258B (zh) * | 2019-12-31 | 2023-06-02 | 南京埃斯顿机器人工程有限公司 | 一种工业机器人多种汽车玻璃自动化上下料的方法 |
CN111145258A (zh) * | 2019-12-31 | 2020-05-12 | 南京埃斯顿机器人工程有限公司 | 一种工业机器人多种汽车玻璃自动化上下料的方法 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
CN111474181A (zh) * | 2020-03-31 | 2020-07-31 | 成都数之联科技有限公司 | 一种成盒制程阶段的面板缺陷检测及分类*** |
CN111693549A (zh) * | 2020-05-14 | 2020-09-22 | 西安电子科技大学 | 一种手机盖板玻璃缺陷检测与分类方法 |
CN111693549B (zh) * | 2020-05-14 | 2021-08-20 | 西安电子科技大学 | 一种手机盖板玻璃缺陷检测与分类方法 |
CN111709919A (zh) * | 2020-06-01 | 2020-09-25 | 深圳市深视创新科技有限公司 | 玻璃缺陷视觉检测算法 |
CN111982910A (zh) * | 2020-07-06 | 2020-11-24 | 华南理工大学 | 一种基于人工缺陷仿真的弱监督机器视觉检测方法及*** |
CN111912759A (zh) * | 2020-07-15 | 2020-11-10 | 天津日博工业技术有限公司 | 一种防水透气膜的透气量测试方法 |
CN111798443A (zh) * | 2020-07-16 | 2020-10-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种利用pcb缺陷检测***进行缺陷定位和可视化的方法 |
CN111696106A (zh) * | 2020-07-31 | 2020-09-22 | 上海帆声图像科技有限公司 | 一种显示设备的屏幕质量检测方法、装置及*** |
CN112014413A (zh) * | 2020-08-04 | 2020-12-01 | 贵州乐道科技有限公司 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN112268909A (zh) * | 2020-10-20 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 电池极片表面缺陷和均匀度检测的参数调控方法及*** |
CN112268909B (zh) * | 2020-10-20 | 2023-10-31 | 中国科学院合肥物质科学研究院 | 电池极片表面缺陷和均匀度检测的参数调控方法及*** |
CN112651972A (zh) * | 2020-11-11 | 2021-04-13 | 北京平恒智能科技有限公司 | 使用双定位的整体约束的定位方法 |
CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
CN112634258A (zh) * | 2020-12-30 | 2021-04-09 | 凌云光技术股份有限公司 | 一种基于aoi的缺陷检测的自动分类分级方法和装置 |
CN112834518A (zh) * | 2021-01-06 | 2021-05-25 | 优刻得科技股份有限公司 | 颗粒缺陷检测方法、***、设备和介质 |
WO2022172468A1 (ja) * | 2021-02-12 | 2022-08-18 | オムロン株式会社 | 画像検査装置、画像検査方法及び学習済みモデル生成装置 |
CN112926438A (zh) * | 2021-02-22 | 2021-06-08 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN112926439A (zh) * | 2021-02-22 | 2021-06-08 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN112926438B (zh) * | 2021-02-22 | 2024-04-05 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
CN113298765A (zh) * | 2021-05-19 | 2021-08-24 | 广东工业大学 | 基于图像处理及深度学习的玻璃面板表面缺陷检测方法 |
CN113298765B (zh) * | 2021-05-19 | 2023-11-07 | 广东工业大学 | 基于图像处理及深度学习的玻璃面板表面缺陷检测方法 |
CN113237888A (zh) * | 2021-05-21 | 2021-08-10 | 哈尔滨工业大学 | 大口径光学元件损伤点在线与离线暗场图像匹配方法 |
CN113504238A (zh) * | 2021-06-04 | 2021-10-15 | 广东华中科技大学工业技术研究院 | 一种玻璃表面缺陷采集装置及检测方法 |
CN113504238B (zh) * | 2021-06-04 | 2023-12-22 | 广东华中科技大学工业技术研究院 | 一种玻璃表面缺陷采集装置及检测方法 |
CN113609897A (zh) * | 2021-06-23 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 缺陷的检测方法和缺陷的检测*** |
CN113657174A (zh) * | 2021-07-21 | 2021-11-16 | 北京中科慧眼科技有限公司 | 一种车辆伪3d信息检测方法、装置与自动驾驶*** |
CN113777033A (zh) * | 2021-08-18 | 2021-12-10 | 长沙长泰机器人有限公司 | 一种基于机器视觉的生条缺陷检测方法和装置 |
CN113538417A (zh) * | 2021-08-24 | 2021-10-22 | 安徽顺鼎阿泰克科技有限公司 | 基于多角度和目标检测的透明容器缺陷检测方法及装置 |
CN113850773A (zh) * | 2021-09-18 | 2021-12-28 | 联想(北京)有限公司 | 一种检测方法、装置、设备及计算机可读存储介质 |
CN114581742A (zh) * | 2021-10-26 | 2022-06-03 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
CN114140679B (zh) * | 2021-10-26 | 2022-07-01 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别***及存储介质 |
CN114581742B (zh) * | 2021-10-26 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别***及存储介质 |
CN114577816A (zh) * | 2022-01-18 | 2022-06-03 | 广州超音速自动化科技股份有限公司 | 一种氢燃料双极板检测方法 |
CN114486916A (zh) * | 2022-01-26 | 2022-05-13 | 上海电机学院 | 基于机器视觉的手机玻璃盖板缺陷检测方法 |
CN114372980A (zh) * | 2022-03-21 | 2022-04-19 | 视睿(杭州)信息科技有限公司 | 一种工业缺陷检测方法及*** |
CN114441547A (zh) * | 2022-04-11 | 2022-05-06 | 深圳市睿阳精视科技有限公司 | 一种智能家电盖板缺陷检测方法 |
CN117808737A (zh) * | 2023-11-02 | 2024-04-02 | 江阴市精成数控有限公司 | 轴承缺陷管理*** |
CN117808737B (zh) * | 2023-11-02 | 2024-05-14 | 江阴市精成数控有限公司 | 轴承缺陷管理*** |
CN117495856A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市壹倍科技有限公司 | 基于深度学习的晶圆表面检测方法、装置、设备和介质 |
CN117495856B (zh) * | 2023-12-29 | 2024-03-22 | 深圳市壹倍科技有限公司 | 基于深度学习的晶圆表面检测方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110570393B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570393B (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
Chen et al. | A light-weighted CNN model for wafer structural defect detection | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108648168A (zh) | Ic晶圆表面缺陷检测方法 | |
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
Ming et al. | A comprehensive review of defect detection in 3C glass components | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN107622277B (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN112219221B (zh) | 用于3d图像分割和分析的***和方法 | |
CN109001212A (zh) | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 | |
CN108169236A (zh) | 一种基于视觉的金属表面缺陷检测方法 | |
CN109472783B (zh) | 一种泡沫镍表面缺陷提取及分类方法 | |
CN115496746A (zh) | 基于图像和点云数据融合的板材表面缺陷检测方法和*** | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
Saeedi et al. | Measurement and inspection of electrical discharge machined steel surfaces using deep neural networks | |
CN109840899A (zh) | 一种基于深度卷积神经网络的粗糙度等级识别方法 | |
CN117911792B (zh) | 一种电压基准源芯片生产用引脚检测*** | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN114565607A (zh) | 基于神经网络的织物缺陷图像分割方法 | |
CN106770372B (zh) | 基于显微视觉的白玻表面缺陷检测方法 | |
CN116823827A (zh) | 一种基于图像处理的矿石粉碎效果评价方法 |
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 |