CN110672617B - 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 - Google Patents
基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 Download PDFInfo
- Publication number
- CN110672617B CN110672617B CN201910867828.XA CN201910867828A CN110672617B CN 110672617 B CN110672617 B CN 110672617B CN 201910867828 A CN201910867828 A CN 201910867828A CN 110672617 B CN110672617 B CN 110672617B
- Authority
- CN
- China
- Prior art keywords
- area
- defects
- defect
- cover plate
- mobile phone
- 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
- 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
- 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
- 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
- G06T2207/20081—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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法,包括如下步骤:采集手机屏图像;读取相关参数信息;视窗检测;对手机盖板丝印区轮廓进行大缺陷提取;分割检测区域为丝印区、孔与字符区、光带区与干扰区;获取各区域的缺陷;修正手机盖板的轮廓,获取崩边的缺陷信息;利用神经网络分类器,把缺陷进行点状、线状和面状缺陷的分类;根据缺陷定义的标准进行对缺陷的筛选;利用深度学习对线缺陷、IR孔缺陷和字符缺陷进行深层缺陷分类,线缺陷分类包括毛丝和划痕、IR孔缺陷等;统计各类缺陷的形貌信息。本发明能实现多种型号的通用性应用,针对不同的检测标准进行在线调整,能快速准确提取麻点、毛丝、划痕和脏污等缺陷。
Description
技术领域
本发明涉及视觉检测领域,具体涉及一种基于机器视觉的智能手机玻璃盖板丝印区缺陷视觉检测方法。
背景技术
玻璃盖板具备高硬度、高强度、耐划伤、高透过率及优异的抗冲击等性能,广泛应用于智能手机、平板电脑等领域,其应用背景十分广阔,然而,在生产工艺或者运输过程中会在玻璃盖板上产生一些缺陷,降低了产品的品质,这些缺陷包括麻点、划痕、脏污、崩边、毛丝和灰尘等缺陷,在成品前,需要检测识别这些缺陷,再按照不同缺陷的特性采用对应的工艺进行修复或者直接报废,以免这些不良品流入市场。
目前,玻璃盖板的缺陷检测采用人工检测和AOI检测(AutomatedOpticalInspection,自动光学检测),而人工无法实现精准测量,使用专业快速的检测设备能让检测结果更加稳定可靠;机器视觉不会出现疲劳误差,与此相反,即使产品是完全相同,人眼每次检测产品时都会有细微的不同;自动检测设备能够承担多个人的任务,检测效率高。尽管AOI设备的优势甚多,但是仍然存在较多的困难需要攻关,如检测标准的设定,设备的可靠性十分依赖于程序的编程,需要解决产品的通用性等问题。
发明内容
针对上述技术问题,本发明旨在提供一种基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法,用于检测手机盖板丝印区的缺陷。其主要特点在于能实现多种型号的通用性应用,能有效屏蔽干扰区域,根据不同的检测标准,来准确提取缺陷,并采用分类器与深度学习结合的方法,有效的识别缺陷的种类,获取缺陷的形貌信息。
本发明的目的至少通过如下技术方案之一实现。
基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法,包括步骤:
采集手机玻璃盖板图像;
读取相关参数信息,包括外轮廓的模板信息、全局阈值上下限、手机盖板的尺寸信息、干扰区信息、盖板的种类、丝印区的平均灰度值、像素当量、孔与字符等模板信息和丝印区缺陷筛选标准信息;
视窗检测,检测手机盖板是否超出窗口,如果在窗口范围内,则继续进行后续的操作,否则结束检测,输出报错信息;
对手机盖板丝印区轮廓进行大缺陷提取;
分割检测区域,包括丝印区、孔与字符区、光带区与干扰区;
获取各检测区域的缺陷;
修正手机盖板的轮廓,获取崩边的缺陷信息;
利用神经网络分类器,把缺陷进行点状、线状和面状缺陷的分类;
根据缺陷定义的标准进行对缺陷的筛选;
利用深度学习对线状缺陷、IR孔缺陷和字符缺陷进行深层缺陷分类,其中线状缺陷分类包括毛丝和划痕、IR孔缺陷和字符缺陷分类包括崩边和内部缺陷;
统计各类缺陷的形貌信息,包括面积、位置、长度、宽度、最小外接圆、最大内接圆和外接椭圆,让缺陷的特征更加数字化,直观化,也为缺陷的筛选提供一定的依据。
进一步地,所述采集手机玻璃盖板图像具体采用16K的线阵相机分别对上半片与下半片的手机盖板进行图像采集,每次拍摄时图像尺寸超过整个手机屏的1/2,所述16K的线阵相机图像分辨率为40000×16384,检测精度达0.005mm。
进一步地,所述视窗检测的步骤具体包括:
预先制作一个比视窗小1~10个像素的检测框架,然后利用全局阈值初步把手机盖板的区域筛选出来,接着先判断该区域是否存在,然后再判断该区域跟所述检测框架的区域是否有交集,若有交集则表示超出了视窗,需要重新放置。
进一步地,所述利用全局阈值初步把手机盖板的区域筛选出来的步骤具体是利用单通道的图像的灰度值在0~255之间的特性,设定一个在0~255范围内的数值,把图像分为两个部分,即可屏蔽图像中不需要的区域。
进一步地,其特征在于,所述对手机盖板丝印区轮廓进行大缺陷提取包括以下步骤:
利用所采的标准的手机盖板图像,通过全局阈值分割提取手机盖板的轮廓区域,制作手机盖板的标准模板;通过手动框选目标区域,利用局部的阈值分别分割出孔区域和字符区域,制作为孔的标准模板和字符的标准模板,把所有标准模板保存为模板文件;
在线检测时,利用模板匹配法,对检测中的手机盖板的图像通过同样的方式提取出来的轮廓与所述标准的模板进行匹配,设定匹配分数阈值,若匹配分数达到该阈值,则获取匹配对应的位置信息和旋转信息,反之,则结束检测并输出报错信息;
利用获取的信息,把标准模板仿射变换至对应的坐标和旋转角度,与检测中的手机盖板的图片的轮廓进行对比,利用布尔运算,可以获得两者之间的差异,当该差异区域的最小外接圆达到了大缺陷的最低标准时,即输出大缺陷信息,结束检测。
进一步地,所述模板匹配法是具体是利用输入的模板,在测试图像中逐个像素平移和设定一定搜索角度范围内寻找与之重叠质量系数最高的位置和偏转角度,并记录下该信息。
进一步地,所述分割检测区域,包括丝印区、孔与字符区、光带区与干扰区具体包括以下步骤:
采用模板匹配的方式获取孔与字符区,逐个区域找到后,再利用仿射变换的方式把所述孔标准模板和字符的标准模板分别移动到对应的位置,在原图上获取该区域的图像,利用对应的灰度值阈值提取原图像上的对应的真实区域,从而更加精确地获取孔和字符的区域;
获取光带区,先利用手机盖板的轮廓的最小外接矩,获得与水平方向偏差的角度,再利用仿射变换把轮廓校正,根据读取的信息中的干扰区信息的光带区的高度和厚度,以轮廓的顶边为起点,创造一个以高度的数值作为长、以轮廓的宽度为宽的矩形;把该矩形与轮廓做交集,得到顶部的轮廓,再根据获取的光带区的厚度的信息,利用区域膨胀操作获得光带区,最后,反仿射变换回原来的位置;
去除重叠区,根据校正后的轮廓,以顶边为起点,制作一个按照手机盖板的长度的一半作为长、手机盖板的宽为宽的矩形,与轮廓做交集,获得上半片的轮廓区域,最后,反仿射变换回原来的位置;
获取干扰区,根据读取的信息中的干扰区信息的内框和外框的厚度分别对内框和外框的轮廓进行区域膨胀,获得内框和外框的干扰区;
获取丝印区,在原始位置的轮廓区域中去除包括光带区、干扰区、孔和字符区,即可得到丝印区,用于更好的提取丝印区的缺陷。
进一步地,所述获取各检测区域的缺陷具体包括以下步骤:
提取丝印区的缺陷,根据读取信息中的平均灰度值,在这基础上加20~40的灰度值,即可提取丝印区的缺陷,该灰度值可由用户设定,默认值为30;提取光带区的缺陷,根据读取信息中的平均灰度值,在这基础上加40~60的灰度值,就可以提取光带区的反光带区域,该灰度值可由用户设定,优选为50;为了完整的提取光带,需要对断断续续的区域进行闭运算,连接相近的区域,避免误检;根据每个区域的最小外接矩形的长,筛选出最大的,就是光带的实际区域,把光带区减去该区域就可以得到非干扰的区域,以平均灰度值的基础上加上20~40的灰度值,即可提取光带区存在的缺陷,该灰度值可由用户设定,优选为30;
合并所有提取的缺陷。
进一步地,所述修正手机盖板的轮廓,获取崩边的缺陷信息具体包括步骤:
在校正后的轮廓的基础上,分割成外框和内框轮廓,首先利用长为30~100个像素,宽为1~5个像素的长条矩形进行开运算,可以去除小于0~100个像素的垂直方向的边缘凸起;再利用长为1~5个像素,宽为30~100个像素的长条矩形进行开运算,可以去除小于0~100个像素的水平方向的边缘凸起;用该两种形状的矩形,分别进行闭运算,可以分别填补小于0~100个像素的垂直方向的边缘凹坑和水平方向的边缘凹坑;
处理垂直和水平的边缘后,还需要处理圆弧的部分,创建轮廓的最小正外接矩,与原轮廓做差运算,再以半径为20~30个像素的圆做开运算,获得圆弧的区域,以该区域为基础,创建最小正外接矩,以矩形的长的0.2倍作为圆形开运算的半径,去除圆弧部分的凸起的部分;再以同样的方式做闭运算,填补圆弧的凹坑部分;
把修正后的垂直、水平和圆弧部分的轮廓合并,构成一个修正好的轮廓,内框和外框轮廓经过同样的处理后,得到完整的轮廓,最后,反仿射变换回原来的位置;
将得到的修正轮廓与原来的检测轮廓进行布尔运算,即可得到边缘的崩边的缺陷信息。
进一步地,所述利用神经网络分类器,把缺陷进行点状、线状和面状缺陷的分类具体包括以下步骤:
利用提取的样本缺陷,获得包括缺陷的等效椭圆长轴半径长度、等效椭圆短轴半径长度、圆度、最大直径、最大内接矩形宽度、最小外接圆半径、最大内接圆半径、紧密度、轮廓线总长、凸性、矩形度、蓬松度、长轴与短轴的比值特征组成的特征向量,把每个样本缺陷的特征向量组按点线面状的种类标签好,组成一个样本库;
利用样本库,输入到神经网络模型中,训练一个能识别缺陷的点线面状的神经网络分类器;
在线检测时,直接把提取得到的缺陷,逐个输入到所述神经网络分类器中,识别出所述缺陷属于点线面的哪一种类。
进一步地,当缺陷提取自丝印区时,在利用神经网络分类器,把缺陷进行点状、线状和面状缺陷的分类之前,还包括步骤:
实现聚类处理,将丝印区中各个区域进行连接,得到连通域特征,即将聚类半径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。
进一步地,所述根据缺陷定义的标准进行对缺陷的筛选具体包括步骤:
针对点状不良:
若D<0.1mm,则忽略;
若0.1mm≤D≤0.2mm,d≥10mm,2个以内则表示手机屏为良品,3个以内则表示手机屏为不良品;
若D>0.2mm,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;
针对线状不良:
若W<0.02mm,作为良品处理;
若0.02mm≤W≤0.05mm,d≥5mm,L≤3,2个以内则表示手机屏为良品,3个以内则表示手机屏为不良品;
若W>0.05mm或L>3mm,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;
针对面状不良:
若D>0.5mm或S>0.2mm 2,表示手机屏为不良品;
其中,D为面状缺陷最大内接圆直径,S为面状缺陷面积。
进一步地,所述利用深度学习对线状缺陷、IR孔缺陷和字符缺陷进行深层缺陷分类具体包括步骤:
选取预处理模型,所述预处理模型是由HALCON软件所提供的pretrained_dl_classifier_enhanced.hdl模型;
若缺陷的最小正外接矩的宽或者长小于标准的素材尺寸,则把小于的那部分用比缺陷的最小正外接矩大2~20个像素的框的灰度值平均值填充,主要是为了提取缺陷附近的平均灰度值作为填充值;若大于就保持不变;通过镜像、旋转和改变图片的亮度,扩充缺陷素材的样本量;然后进行图像预处理,主要包括图像通道的标准化、图像尺寸的归一化、把样本按种类打好标签;
调整深度学习参数,把准备好的样本输入到预训练模型中,开始离线训练;
获得训练好的深度学习分类器后,直接把缺陷或者整个IR孔的图像和字符图像逐个输入到对应的分类器中,即可识别该缺陷属于哪一类,或者IR和字符中的缺陷存在与否。
相比现有技术,本发明的有益效果包括:
能够实现多种型号的通用性应用,能有效屏蔽干扰区域,根据不同的检测标准,来准确提取缺陷,并采用分类器与深度学习结合的方法,有效的识别缺陷的种类,获取缺陷的形貌信息。
通过区域分块方法提高了缺陷提取的准确性,避免了光带区和过渡带的干扰;
通过边缘修正,在边缘检测时,能够避免由于图像分辨率较大,导致模板匹配的轻微偏差,仍会出现比较大的偏差,能够准确提取崩边缺陷;
利用传统的神经网络分类器与深度学习分类器相结合进行缺陷识别,能够结合实际,在时间成本较小的情况下仍能高效识别缺陷的种类;
整个缺陷检测方法的通用性较强,能根据不同产品进行调整,也可以适应不同的检测标准,修改参数方便。
附图说明
图1是本发明实施例的视窗检测示意图。
图2是本发明实施例的圆弧修正流程示意图。
图3是本发明实施例的丝印区缺陷提取情况示意图。
图4是本发明实施例的缺陷种类示意图。
图5是本发明实施例的IR孔缺陷分类示意图。
图6是本发明实施例的线状缺陷分类示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法,包括如下步骤:
S1、采集手机玻璃盖板图像:采用16K的线阵相机分别对上半片与下半片的手机盖板进行图像采集,尺寸大概控制在整个手机屏的2/3,图像分辨率为40000×16384,检测精度可达0.005mm。
S2、读取相关参数信息,包括外轮廓的模板信息、全局阈值上下限、手机盖板的尺寸信息、干扰区信息、盖板的种类、丝印区的平均灰度值、像素当量、孔与字符等模板信息和丝印区缺陷筛选标准信息。
S3、视窗检测,检测手机盖板是否超出窗口,如果在窗口范围内,则继续进行后续的操作,否则结束检测,输出报错信息,该检测方法的具体实施为:预先制作一个比视窗小1~10个像素的检测框架,然后利用全局阈值初步把手机盖板的区域筛选出来,接着先判断该区域是否存在,然后再判断该区域跟所述检测框架的区域是否有交集,若有交集则表示超出了视窗,需要重新放置。所述利用全局阈值初步把手机盖板的区域筛选出来的步骤具体是利用单通道的图像的灰度值在0~255之间的特性,设定一个在0~255范围内的数值,把图像分为两个部分,即可屏蔽图像中不需要的区域。
S4、对手机盖板丝印区轮廓进行大缺陷提取,具体包括步骤:
S41、利用所采的标准的手机盖板图像,通过全局阈值分割提取手机盖板的轮廓区域,制作手机盖板的标准模板;通过手动框选目标区域,利用局部的阈值分别分割出孔区域和字符区域,制作为孔的标准模板和字符的标准模板,把所有标准模板保存为模板文件;
S42、在线检测时,利用模板匹配法,对检测中的手机盖板的图像通过同样的方式提取出来的轮廓与所述标准的模板进行匹配,设定匹配分数阈值,若匹配分数达到该阈值,则获取匹配对应的位置信息和旋转信息,反之,则结束检测并输出报错信息;其中,所述模板匹配法是具体是利用输入的模板,在测试图像中逐个像素平移和设定一定搜索角度范围内寻找与之重叠质量系数最高的位置和偏转角度,并记录下该信息。
S43、利用获取的信息,把标准模板仿射变换至对应的坐标和旋转角度,与检测中的手机盖板的图片的轮廓进行对比,利用布尔运算,可以获得两者之间的差异,当该差异区域的最小外接圆达到了大缺陷的最低标准时,即输出大缺陷信息,结束检测。
S5、分割检测区域,包括丝印区、孔与字符区、光带区与干扰区,具体包括步骤:
S51、孔与字符的区域的获取方式采用模板匹配的方式,逐个区域找到后,再利用仿射变换的方式把把所述的孔的标准模板和字符的标准模板分别移动到对应的位置,在原图上获取该区域的图像,利用对应的灰度值阈值来提取原图像上的对应的真实区域,这样可以更加精确的获取孔和字符的区域。
S52、获取光带区,由于光带区处于手机盖板的顶部,需要先利用手机盖板的轮廓的最小外接矩,可以获得与水平方向偏差的角度,再利用仿射变换把轮廓校正,根据读取的信息中的干扰区信息的光带区的高度和厚度,以轮廓的顶边为起点,创造一个以高度的数值作为长,以轮廓的宽度为宽的矩形。把该矩形与轮廓做交集,可以得到顶部的轮廓,再根据获取的光带区的厚度的信息,利用区域膨胀操作获得光带区,最后,反仿射变换回原来的位置。
S53、去除重叠区,由于采图时,对一个手机盖板是分别采上下半片,每张图片大概是整个手机屏的2/3,因此会有重叠的部分,需要去除,以免重检。根据校正后的轮廓,以顶边为起点,制作一个按照手机盖板的长度的一半作为长,手机盖板的宽为宽的矩形,与轮廓做交集,获得上半片的轮廓区域,最后,反仿射变换回原来的位置。
S54、获取干扰区,由于图片的成像在手机盖板的边缘会存在过渡带,会对丝印区的缺陷提取造成影响,需要屏蔽该区域,故根据读取的信息中的干扰区信息的内框和外框的厚度分别对内框和外框的轮廓进行区域膨胀,获得内框和外框的干扰区。
S55、获取丝印区,在原始位置的轮廓区域中去除包括光带区、干扰区、孔和字符区,便可以得到一个纯净的丝印区,可以更好的提取丝印区的缺陷。
S6、获取各检测区域的缺陷,具体包括步骤:
S61、提取丝印区的缺陷,根据读取信息中的平均灰度值,在这基础上加30的灰度值,就可以提取丝印区的缺陷。
S62、提取光带区的缺陷,根据读取信息中的平均灰度值,在这基础上加40~60的灰度值,就可以提取光带区的反光带区域,为了完整的提取光带,需要对断断续续的区域进行闭运算,连接相近的区域,避免误检;根据每个区域的最小外接矩的长,筛选出最大的,就是光带的实际区域,把光带区减去该区域就可以得到非干扰的区域,以平均灰度值的基础上加上20~40的灰度值,就可以提取光带区存在的缺陷。
S63、合并所有提取的缺陷。
S7、修正手机盖板的轮廓,获取崩边的缺陷信息,包括以下步骤:
S71、在校正后的轮廓的基础上,分割成外框和内框轮廓,首先利用长为30~100个像素,宽为1~5个像素的长条矩形进行开运算,可以去除小于0~100个像素的垂直方向的边缘凸起;再利用长为1~5个像素,宽为30~100个像素的长条矩形进行开运算,可以去除小于0~100个像素的水平方向的边缘凸起;用该两种形状的矩形,分别进行闭运算,可以分别填补小于0~100个像素的垂直方向的边缘凹坑和水平方向的边缘凹坑。所述的开运算是一个先腐蚀后膨胀的过程,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。所述的闭运算是一个先膨胀后腐蚀的过程。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。
S72、处理垂直和水平的边缘后,还需要处理圆弧的部分,如图2圆弧修正流程示意图所示,创建轮廓的最小正外接矩,与原轮廓做差运算,再以半径为20~30个像素的圆做开运算,这样可以获得圆弧的区域,以该区域为基础,创建最小正外接矩,以矩形的长的0.2倍作为圆形开运算的半径,这样是为了防止半径过大,破坏了原始轮廓的形状,这样就可以去除圆弧部分的凸起的部分;再以同样的方式做闭运算,可以填补圆弧的凹坑部分。
S73、把修正后的垂直、水平和圆弧部分的轮廓合并,构成一个修正好的轮廓,内框和外框轮廓经过同样的处理后,得到完整的轮廓,最后,反仿射变换回原来的位置。
S74、将得到的修正轮廓与原来的检测轮廓进行布尔运算,即可得到边缘的崩边的缺陷信息。
S8、利用神经网络分类器,把缺陷进行点状、线状和面状缺陷的分类,
如图3所示为丝印区缺陷提取情况示意图,如图4所示为缺陷种类示意图,把提取的到的丝印区缺陷,按照丝印区的缺陷分类流程,包括以下步骤:
S81、实现聚类处理,将各个区域进行连接,得到连通域特征;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。
S82、利用提取的样本缺陷,获得缺陷的等效椭圆长轴半径长度、等效椭圆短轴半径长度、圆度、最大直径、最大内接矩形宽度、最小外接圆半径、最大内接圆半径、紧密度、轮廓线总长、凸性、矩形度、蓬松度、长轴与短轴的比值等特征组成特征向量,把每个样本缺陷的特征向量组按点线面状的种类标签好,组成一个样本库
S83、利用样本库,输入到神经网络模型中,训练一个能识别缺陷的点线面状的神经网络分类器。
S84、在线检测时,可以直接把提取得到的缺陷,逐个输入到神经网络分类器中,便可以识别出该缺陷属于点线面的哪一种类。
其中,所述的神经网络分类器具有对周围环境的自适应或学习的能力。当给人工神经网络以输入-输出模式时,它可以通过自我调整使误差达到最小,即通过训练进行学习。对于某些难以参数化的因素,可以通过训练,自动总结规律。在输入输出模式中混入错误信息,对整体不会带来严重的影响。与传统的经验曲线拟合模型相比,人工神经网络对噪声和不完整信息的敏感度要低。人工神经网络有较好的外推性,即从训练中,从部分样本中学到的知识推广到全体样本。人工神经网络的训练可能要花费大量的时间,但训练一旦完成,就能够从给定的输入很快地计算出结果。
S9、根据缺陷定义的标准进行对缺陷的筛选,包括以下步骤:
针对点状不良:
若D<0.1mm,则忽略;
若0.1mm≤D≤0.2mm,d≥10mm,2个以内则表示手机屏为良品,3个以内则表示手机屏为不良品;
若D>0.2mm,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;
针对线状不良:
若W<0.02mm,作为良品处理;
若0.02mm≤W≤0.05mm,d≥5mm,L≤3,2个以内则表示手机屏为良品,3个以内则表示手机屏为不良品;
若W>0.05mm或L>3mm,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;
针对面状不良:
若D>0.5mm或S>0.2mm 2,表示手机屏为不良品;
其中,D为面状缺陷最大内接圆直径,S为面状缺陷面积。
崩边的缺陷分类包括,首先通过之前获得的IR孔和字符的区域,进行裁剪原图,获得对应的图像后,需要与线状缺陷分类的操作一样,输入到对应的深度学习分类器中。
S10、所述利用深度学习对线状缺陷、IR孔缺陷和字符缺陷进行深层缺陷分类由于这些缺陷处于的背景十分复杂或者形状相似,利用传统的神经网络分类器是难以识别出来的,采用深度学习能够自动学习样本的主要特征,能准确的把上面所述的难题解决,但是时间代价相比于传统的分类器较大,因此用来处理后者无法有效处理的问题上比较贴合实际。其中线状缺陷分类包括毛丝和划痕、IR孔缺陷和字符缺陷分类包括崩边和内部缺陷,具体包括步骤:
S101、选取预处理模型,该模型是由HALCON软件所提供的pretrained_dl_classifier_enhanced.hdl模型,该模型是为了提高训练学习的速率,并且可以直接调用,无需理解其模型结构。其中该模型规定采用224×224的图像样本,而且提供分类数量,训练集、验证集、测试数据集的权重,网络权重,学习率,迭代期,batch size的大小,学习率更新期限和学习率更新倍率的参数进行设置,方便调整分类器的识别率。
S102、由于缺陷的尺寸大小不一,为了避免在缩放的过程中导致缺陷失真,需要特殊处理,若缺陷的最小正外接矩的宽或者长小于标准的素材尺寸,把小于的那部分,用比缺陷的最小正外接矩大2~20个像素的框的灰度值平均值填充,主要是为了提取缺陷附近的平均灰度值作为填充值;若大于就保持不变;通过镜像,旋转和改变图片的亮度,可以扩充缺陷素材的样本量;然后图像预处理,主要是图像通道的标准化,图像尺寸的归一化。把样本按种类打好标签。
S103、调整深度学习参数,把准备好的样本输入到预训练模型中,开始离线训练。具体参数设置如表1所示:
表1缺陷分类深度学习参数设置
S104、获得训练好的深度学习分类器后,直接把缺陷或者整个IR孔的图像和字符图像逐个输入到对应的分类器中,便可以识别该缺陷属于哪一类,或者IR和字符中的缺陷存在与否。如图5所示为IR孔分类情况示意图,图6所示为线状缺陷分类示意图。
其中,所述的深度学习是为了弥补神经网络分类器的不足,把缺陷更具体的进行分类,深度学习能做缺陷图像的灰度值提取有效的特征进行分类,这样就可以区分一些形状相似但实际是非同类的缺陷。深度学习相比于机器学习的最大特点是,机器学习需要经过多步的特征提取,再输入到一个model里训练出一个function,需要寻找最优的特征组合,适应性差;而深度学习可以自动学习有效的特征信息,相当于多个function的嵌套,能描述的信息的复杂度高,适应性更强。
S11、统计各类缺陷的形貌信息,包括面积、位置、长度、宽度、最小外接圆、最大内接圆和外接椭圆,让缺陷的特征更加数字化,直观化,也为缺陷的筛选提供一定的依据。
本发明具有如下优点:
能够实现多种型号的通用性应用,能有效屏蔽干扰区域,根据不同的检测标准,来准确提取缺陷,并采用分类器与深度学习结合的方法,有效的识别缺陷的种类,获取缺陷的形貌信息。
通过区域分块方法提高了缺陷提取的准确性,避免了光带区和过渡带的干扰;
通过边缘修正,在边缘检测时,能够避免由于图像分辨率较大,导致模板匹配的轻微偏差,仍会出现比较大的偏差,能够准确提取崩边缺陷;
利用传统的神经网络分类器与深度学习分类器相结合进行缺陷识别,能够结合实际,在时间成本较小的情况下仍能高效识别缺陷的种类;
整个缺陷检测方法的通用性较强,能根据不同产品进行调整,也可以适应不同的检测标准,修改参数方便。
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 (6)
1.基于机器视觉的智能手机玻璃盖板缺陷检测方法,其特征在于,包括步骤:采用16K的线阵相机采集手机玻璃盖板图像;
读取相关参数信息,包括外轮廓的模板信息、全局阈值上下限、手机盖板的尺寸信息、干扰区信息、盖板的种类、丝印区的平均灰度值、像素当量、孔与字符模板信息和丝印区缺陷筛选标准信息;
视窗检测,预先制作一个比视窗小1~10个像素的检测框架,然后利用全局阈值初步把手机盖板的区域筛选出来,接着先判断该区域是否存在,然后再判断该区域跟所述检测框架的区域是否有交集,若有交集则表示超出了视窗,需要调整手机盖板的放置位置;
对手机盖板丝印区轮廓进行缺陷提取包括以下步骤:
利用所采的标准的手机盖板图像,通过全局阈值分割提取手机盖板的轮廓区域,制作手机盖板的标准模板;通过手动框选目标区域,利用局部的阈值分别分割出孔区域和字符区域,制作为孔的标准模板和字符的标准模板,把所有标准模板保存为模板文件;
在线检测时,利用模板匹配法,对检测中的手机盖板的图像通过同样的方式提取出来的轮廓与所述标准的模板进行匹配,设定匹配分数阈值,若匹配分数达到该阈值,则获取匹配对应的位置信息和旋转信息,反之,则结束检测并输出报错信息;
利用获取的信息,把标准模板仿射变换至对应的坐标和旋转角度,与检测中的手机盖板的图片的轮廓进行对比,利用布尔运算,可以获得两者之间的差异,当该差异区域的最小外接圆达到了相应缺陷的最低标准时,即输出相应缺陷信息,结束检测;
分割检测区域形成丝印区、孔与字符区、光带区与干扰区,具体包括以下步骤:
采用模板匹配的方式获取孔与字符区,逐个区域找到后,再利用仿射变换的方式把所述孔的标准模板和字符的标准模板分别移动到对应的位置,在原图上获取该区域的图像,利用对应的灰度值阈值提取原图像上的对应的真实区域;
获取光带区,先利用手机盖板的轮廓的最小外接矩,获得与水平方向偏差的角度,再利用仿射变换把轮廓校正,根据读取的信息中的干扰区信息的光带区的高度和厚度,以轮廓的顶边为起点,创造一个以高度的数值作为长、以轮廓的宽度为宽的矩形;把该矩形与轮廓做交集,得到顶部的轮廓,再根据获取的光带区的厚度的信息,利用区域膨胀操作获得光带区,最后,反仿射变换回原来的位置;
去除重叠区,根据校正后的轮廓,以顶边为起点,制作一个按照手机盖板的长度的一半作为长、手机盖板的宽为宽的矩形,与轮廓做交集,获得上半片的轮廓区域,最后,反仿射变换回原来的位置;
获取干扰区,根据读取的信息中的干扰区信息的内框和外框的厚度分别对内框和外框的轮廓进行区域膨胀,获得内框和外框的干扰区;
获取丝印区,在原始位置的轮廓区域中去除包括光带区、干扰区、孔和字符区,即可得到丝印区,用于更好的提取丝印区的缺陷;
获取各检测区域的缺陷,包括以下步骤:
提取丝印区的缺陷,根据读取信息中的平均灰度值,在这基础上加20~40的灰度值,即可提取丝印区的缺陷,该灰度值可由用户设定,默认值为30;提取光带区的缺陷,根据读取信息中的平均灰度值,在这基础上加40~60的灰度值,就可以提取光带区的反光带区域,该灰度值可由用户设定;为了完整的提取光带,需要对断断续续的区域进行闭运算,连接相近的区域,避免误检;根据每个区域的最小外接矩形的长,筛选出最大的,就是光带的实际区域,把光带区减去该区域就可以得到非干扰的区域,以平均灰度值的基础上加上20~40的灰度值;合并所有提取的缺陷;
修正手机盖板的轮廓,获取崩边的缺陷信息具体包括步骤:
在校正后的轮廓的基础上,分割成外框和内框轮廓:首先利用长为30~100个像素,宽为1~5个像素的长条矩形进行开运算,去除小于0~100中任意一个数值像素的垂直方向的边缘凸起;再利用长为1~5个像素,宽为30~100个像素的长条矩形进行开运算,去除小于0~100中任意一个数值像素的水平方向的边缘凸起;用该两种形状的矩形,分别进行闭运算,分别填补小于0~100中任意一个数值像素的垂直方向的边缘凹坑和水平方向的边缘凹坑;
处理垂直和水平的边缘后,还需要处理圆弧的部分:创建轮廓的最小正外接矩,与原轮廓做差运算,再以半径为20~30个像素的圆做开运算,获得圆弧的区域,以该区域为基础,创建最小正外接矩形,以最小正外接矩形的长的0.2倍作为圆形开运算的半径,去除圆弧部分的凸起的部分;再以同样的方式做闭运算,填补圆弧的凹坑部分;
把修正后的垂直、水平和圆弧部分的轮廓合并,构成一个修正好的轮廓,内框和外框轮廓经过同样的处理后,得到完整的轮廓,最后,反仿射变换回原来的位置;
将得到的修正轮廓与原来的检测轮廓进行布尔运算,即可得到边缘的崩边的缺陷信息;
利用神经网络分类器,把缺陷进行点状、线状和面状缺陷的分类,包括以下步骤:利用提取的样本缺陷,获得包括缺陷的等效椭圆长轴半径长度、等效椭圆短轴半径长度、圆度、最大直径、最大内接矩形宽度、最小外接圆半径、最大内接圆半径、紧密度、轮廓线总长、凸性、矩形度、蓬松度、长轴与短轴的比值特征组成的特征向量,把每个样本缺陷的特征向量组按点线面状的种类标签好,组成一个样本库;
利用样本库,输入到神经网络模型中,训练一个能识别缺陷的点线面状的神经网络分类器;
在线检测时,直接把提取得到的缺陷,逐个输入到所述神经网络分类器中,识别出所述缺陷属于点线面的哪一种类;
根据缺陷定义的标准进行对缺陷的筛选,针对点状不良:
若D<0.1mm,则忽略;
若0.1mm≤D≤0.2mm,d≥10mm,2个以内则表示手机屏为良品,3个以内则表示手机屏为不良品;
若D>0.2mm,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;
针对线状不良:
若W<0.02mm,作为良品处理;
若0.02mm≤W≤0.05mm,d≥5mm,L≤3,2个以内则表示手机屏为良品,3个以内则表示手机屏为不良品;
若W>0.05mm或L>3mm,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;
针对面状不良:
若D>0.5mm或S>0.2mm2,表示手机屏为不良品;
其中,D为面状缺陷最大内接圆直径,S为面状缺陷面积;
利用深度学习对线状缺陷、IR孔缺陷和字符缺陷进行深层缺陷分类,其中线状缺陷分类包括毛丝和划痕、IR孔缺陷和字符缺陷分类包括崩边和内部缺陷,具体包括步骤:
选取预处理模型,所述预处理模型是由HALCON软件所提供的pretrained_dl_classifier_enhanced.hdl模型;
若缺陷的最小正外接矩的宽或者长小于标准的素材尺寸,则把小于的那部分用比缺陷的最小正外接矩大2~20个像素的框的灰度值平均值填充;若大于就保持不变;通过镜像、旋转和改变图片的亮度,扩充缺陷素材的样本量;然后进行图像预处理,包括图像通道的标准化、图像尺寸的归一化、把样本按种类打好标签;
调整深度学习参数,把准备好的样本输入到预训练模型中,开始离线训练;
获得训练好的深度学习分类器后,直接把缺陷或者整个IR孔的图像和字符图像逐个输入到对应的分类器中,即可识别该缺陷属于哪一类,或者IR孔和字符中的缺陷存在与否;
统计各类缺陷的形貌信息,包括面积、位置、长度、宽度、最小外接圆、最大内接圆和外接椭圆。
2.根据权利要求1所述基于机器视觉的智能手机玻璃盖板缺陷检测方法,其特征在于,所述采集手机玻璃盖板图像具体采用16K的线阵相机分别对上半片与下半片的手机盖板进行图像采集,拍摄时图像尺寸超过整个手机屏的1/2。
3.根据权利要求1所述基于机器视觉的智能手机玻璃盖板缺陷检测方法,其特征在于,所述视窗检测的步骤具体包括:预先制作一个比视窗小2~5个像素的检测框架,然后利用全局阈值初步把手机盖板的区域筛选出来,接着先判断该区域是否存在,然后再判断该区域跟所述检测框架的区域是否有交集,若有交集则表示超出了视窗,需要调整手机盖板的放置位置。
4.根据权利要求3所述基于机器视觉的智能手机玻璃盖板缺陷检测方法,其特征在于,所述利用全局阈值初步把手机盖板的区域筛选出来的步骤具体是利用单通道的图像的灰度值在0~255之间的特性,设定一个在0~255范围内的数值,把图像分为两个部分,即可屏蔽图像中不需要的区域。
5.根据权利要求4所述基于机器视觉的智能手机玻璃盖板缺陷检测方法,其特征在于,所述模板匹配法是具体是利用输入的模板,在测试图像中逐个像素平移和设定搜索角度范围,在搜索角度范围内寻找与之重叠的质量系数最高的位置和偏转角度,并记录下重叠的质量系数最高的位置和偏转角度。
6.根据权利要求5所述基于机器视觉的智能手机玻璃盖板缺陷检测方法,其特征在于,当缺陷提取自丝印区时,在利用神经网络分类器,把缺陷进行点状、线状和面状缺陷的分类之前,还包括步骤:实现聚类处理,将丝印区中各个区域进行连接,得到连通域特征,即将聚类半径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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910867828.XA CN110672617B (zh) | 2019-09-14 | 2019-09-14 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910867828.XA CN110672617B (zh) | 2019-09-14 | 2019-09-14 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110672617A CN110672617A (zh) | 2020-01-10 |
CN110672617B true CN110672617B (zh) | 2022-06-14 |
Family
ID=69078147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910867828.XA Active CN110672617B (zh) | 2019-09-14 | 2019-09-14 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110672617B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292302B (zh) * | 2020-01-21 | 2022-12-27 | 上海万物新生环保科技集团有限公司 | 屏幕检测方法及装置 |
CN111325717B (zh) * | 2020-01-21 | 2023-08-29 | 上海万物新生环保科技集团有限公司 | 手机缺陷位置识别方法及设备 |
CN111275697B (zh) * | 2020-02-10 | 2022-04-22 | 西安交通大学 | 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法 |
CN111612781B (zh) * | 2020-05-27 | 2023-07-14 | 歌尔光学科技有限公司 | 一种屏幕缺陷检测方法、装置及头戴显示设备 |
CN111812120B (zh) * | 2020-07-17 | 2021-08-17 | 常熟理工学院 | 一种翻转式的镜片缺陷检测装置和方法 |
CN111932515B (zh) * | 2020-08-10 | 2022-04-29 | 成都数之联科技股份有限公司 | 产品残留类缺陷的短路检测方法及***及缺陷分类*** |
CN112017232B (zh) * | 2020-08-31 | 2024-03-15 | 浙江水晶光电科技股份有限公司 | 图像内圆形图案的定位方法、装置及设备 |
CN112215827A (zh) * | 2020-10-20 | 2021-01-12 | 中广核核电运营有限公司 | 电迁移区域检测方法、装置、计算机设备和存储介质 |
CN112394064B (zh) * | 2020-10-22 | 2021-10-29 | 高视科技(苏州)有限公司 | 一种屏幕缺陷检测的点线测量方法 |
CN112184706B (zh) * | 2020-10-29 | 2024-03-05 | 广东省电子技术研究所 | 片式电阻丝印外观检测方法、装置、电子设备和存储介质 |
CN112630222B (zh) * | 2020-11-24 | 2022-12-06 | 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 |
CN113109348B (zh) * | 2021-03-12 | 2022-03-29 | 华南理工大学 | 一种基于机器视觉的桨影移印缺陷识别方法 |
CN113218970A (zh) * | 2021-03-17 | 2021-08-06 | 上海师范大学 | 一种基于x射线的bga封装质量自动检测方法 |
CN113063731B (zh) * | 2021-03-24 | 2023-01-20 | 上海晨兴希姆通电子科技有限公司 | 用于转盘式玻璃盖板丝印的检测***及其检测方法 |
CN113147176B (zh) * | 2021-04-06 | 2021-11-02 | 东莞先知大数据有限公司 | 丝印环节操作规范检测方法 |
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 |
CN113916893A (zh) * | 2021-09-29 | 2022-01-11 | 逸美德科技股份有限公司 | 模切产品缺陷的检测方法 |
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*** |
CN115266732B (zh) * | 2022-07-29 | 2024-05-28 | 河海大学常州校区 | 基于机器视觉的碳纤维丝束缺陷检测方法 |
CN116630332B (zh) * | 2023-07-26 | 2023-09-26 | 山东华航高分子材料有限公司 | 一种基于图像处理的pvc塑料管口缺陷检测方法 |
CN116778263B (zh) * | 2023-08-22 | 2023-11-14 | 四川坤鸿电子科技有限公司 | 分拣设备控制方法、电子设备和计算机可读介质 |
CN117623735B (zh) * | 2023-12-01 | 2024-05-14 | 广东雅诚德实业有限公司 | 高强度抗污日用陶瓷的生产方法 |
CN117720262B (zh) * | 2023-12-26 | 2024-05-07 | 徐州宇辰玻璃科技有限公司 | 一种智能化玻璃成型装置及其成型检测方法 |
CN117474923B (zh) * | 2023-12-27 | 2024-03-19 | 苏州镁伽科技有限公司 | 膜片图像的处理方法和膜片缺陷检测方法及其*** |
CN117783155B (zh) * | 2024-02-23 | 2024-04-26 | 江苏华鸥玻璃有限公司 | 一种基于机器视觉的玻璃仪器缺陷检测***及方法 |
CN118067728B (zh) * | 2024-04-19 | 2024-07-09 | 深圳市博硕科技股份有限公司 | 一种摄像头保护盖自动化摆盘的检测***及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067570A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for inspecting pattern |
JP2006284447A (ja) * | 2005-04-01 | 2006-10-19 | Sony Corp | 欠陥検査装置及び欠陥検査方法 |
CN108548820A (zh) * | 2018-03-28 | 2018-09-18 | 浙江理工大学 | 化妆品纸质标签缺陷检测方法 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN109215026A (zh) * | 2018-09-29 | 2019-01-15 | 广东工业大学 | 一种基于机器视觉的高速准确led缺陷检测方法 |
CN109724988A (zh) * | 2019-02-01 | 2019-05-07 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于多模板匹配的pcb板缺陷定位方法 |
CN109767445A (zh) * | 2019-02-01 | 2019-05-17 | 佛山市南海区广工大数控装备协同创新研究院 | 一种高精度的pcb缺陷智能检测方法 |
CN109829876A (zh) * | 2018-05-30 | 2019-05-31 | 东南大学 | 基于机器视觉的链板缺陷在线检测装置及方法 |
CN109934811A (zh) * | 2019-03-08 | 2019-06-25 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
CN110567965A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种智能手机玻璃盖板边缘视觉缺陷检测方法 |
-
2019
- 2019-09-14 CN CN201910867828.XA patent/CN110672617B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067570A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for inspecting pattern |
JP2006284447A (ja) * | 2005-04-01 | 2006-10-19 | Sony Corp | 欠陥検査装置及び欠陥検査方法 |
CN108548820A (zh) * | 2018-03-28 | 2018-09-18 | 浙江理工大学 | 化妆品纸质标签缺陷检测方法 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN109829876A (zh) * | 2018-05-30 | 2019-05-31 | 东南大学 | 基于机器视觉的链板缺陷在线检测装置及方法 |
CN109215026A (zh) * | 2018-09-29 | 2019-01-15 | 广东工业大学 | 一种基于机器视觉的高速准确led缺陷检测方法 |
CN109724988A (zh) * | 2019-02-01 | 2019-05-07 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于多模板匹配的pcb板缺陷定位方法 |
CN109767445A (zh) * | 2019-02-01 | 2019-05-17 | 佛山市南海区广工大数控装备协同创新研究院 | 一种高精度的pcb缺陷智能检测方法 |
CN109934811A (zh) * | 2019-03-08 | 2019-06-25 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
CN109934809A (zh) * | 2019-03-08 | 2019-06-25 | 深慧视(深圳)科技有限公司 | 一种纸质标签字符缺陷检测方法 |
CN110567965A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种智能手机玻璃盖板边缘视觉缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的手机屏幕缺陷检测研究;欧阳健燊;《中国知网硕士数据库》;20201231;11-48 * |
Also Published As
Publication number | Publication date |
---|---|
CN110672617A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110672617B (zh) | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 | |
CN112949564B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN109724990A (zh) | 一种包装盒标签中喷码区域的快速定位与检测方法 | |
CN107610111B (zh) | 一种基于深度学习的焊点图像检测方法 | |
CN103093215B (zh) | 人眼定位方法及装置 | |
CN111931776B (zh) | 一种基于深度学习的双指针仪表读数方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
CN105894036A (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN115018853A (zh) | 基于图像处理的机械组件缺陷检测方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN113222938A (zh) | 芯片缺陷检测方法及***与计算机可读存储介质 | |
CN109993154A (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN110567965A (zh) | 一种智能手机玻璃盖板边缘视觉缺陷检测方法 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN115018846A (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及*** |
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 |