CN111311576B - 基于点云信息的缺陷检测方法 - Google Patents
基于点云信息的缺陷检测方法 Download PDFInfo
- Publication number
- CN111311576B CN111311576B CN202010093446.9A CN202010093446A CN111311576B CN 111311576 B CN111311576 B CN 111311576B CN 202010093446 A CN202010093446 A CN 202010093446A CN 111311576 B CN111311576 B CN 111311576B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- cloud data
- defect
- normal
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于点云信息的缺陷检测方法，包括：对被测物表面的点云数据进行数据处理，获取各点的法向量及主曲率；根据点云数据坐标的所在位置，将点云数据分割成n块局部点云；计算其中一块局部点云的特征数；根据特征数标记缺陷点或正常点；重复，直到遍历完所有点云数据；根据各点被标记的类型，得出被测物表面是否存在缺陷及缺陷存在的位置；本方法将点云数据分割提高缺陷检测的精确度；设计多次分割，对缺陷点重复筛查，有效防止误检；适用于排查产品表面是否存在鼓包、凹坑等形变类缺陷，并能进行实时缺陷定位。
Description
技术领域
本发明涉及缺陷检测领域，具体涉及一种基于点云信息的缺陷检测方法。
背景技术
产品表面缺陷的识别与定位是产品制造过程中十分重要的环节，传统的检测方法有两种：人工检测和图像识别；其中，人工检测是以目视、触摸的方式实现，存在检测时间长、检出效率低和检测结果易受工人水平影响等缺点，该方法一般为抽检，一旦发生漏检将使得包含缺陷的产品进入下一生产环节，影响产品质量，可见，人工检测的方式难以满足现代工业生产检测的需求。图像识别是基于图像对比度实现缺陷分析的方法，该方法对被测物所处环境要求较高，且当产品表面存在鼓包、凹坑等形变类缺陷时检测灵敏度低。故此，对于表面存在鼓包、凹坑等形变类缺陷的产品，现有方法不能提供有效的自动化检测方式。
发明内容
针对上述问题，本发明提出一种基于点云信息的缺陷检测方法，其能对表面存在鼓包、凹坑的产品实现高准确度的实时检测。
一种基于点云信息的缺陷检测方法，包括以下步骤：
1)对被测物表面的点云数据进行数据处理，获取各点的法向量及主曲率；
2)根据点云数据的X、Y轴坐标所在的位置，将点云数据分割成n块局部点云；n取值为正整数；
3)选取其中一块局部点云记为第一点云；求取所述第一点云中各点主曲率的平均值，记为均值A；再利用均值A分别与第一点云中各点的法向量作内积运算，得到各点的内积值；对各点的内积值进行差分或卷积运算，将计算结果的绝对值记为各点的特征数；
若某点的特征数大于阈值I则将该点记为缺陷点，否则，记为正常点；
4)若n＝1，直接进行步骤5)；
否则去除所述第一点云，对剩余的局部点云，重复步骤3)，直到遍历完所有点云数据；
5)将步骤2)～4)进行多次，每次分割得到的局部点云块数互不相同，在进行完最后一次后，判断同一点在多次分割过程中被记录为缺陷点的概率；
若概率大于预设概率B，则保持该点为缺陷点，否则将该点记为正常点；
遍历点云数据中的各点，再次标记每个点的类型，根据各点被标记的类型，得出被测物表面是否存在缺陷及缺陷存在的位置。
进一步，步骤2)～4)进行2～6次。
进一步，预设概率B取值30％～70％。
优选，所述阈值I＝3δ，δ表示当前块第一点云数据中各点特征数的标准差。。
优选，当被测物表面存在棱边、孔等曲率变化较大的特征时，在步骤1)之前，首先利用以下方式对初始点云数据进行筛选：
将初始点云数据与标准数据进行模板匹配，得到棱边、孔特征区域上的点并剔除，将剩余的点云记为被测物表面的点云数据，进行步骤1)。
所述标准数据通过被测物的数模得到；
优选，步骤1)获取各点法向量及主曲率的方法为：
在获取被测物表面的点云数据后，随机选取一点记为点C，利用kd树查找点C周围的10-40个点记为近邻点，根据最小二乘法将近邻点坐标拟合出第一平面，所述第一平面法向量记为点C的法向量初始值，利用加权平均对法向量初始值进行修正，得到最终的法向量；
利用点C及其法向量、其中一个近邻点及其法向量构造近似三角形，根据正弦定理得出点C的法截线的法曲率的近似表达式；
构造Weingarten矩阵，计算出其特征值和特征向量；利用特征值和特征向量求出点C的主曲率；
采用相同方法，遍历点云数据中的各点，获得各点法向量及主曲率。
本发明方法通过获取被测物表面点云，基于点云分析得出被测物表面有无鼓包、凹坑等形变类缺陷，若存在，识别其具体存在的位置；将点云数据分割为局部区域，对局部区域进行识别；能够进一步提高缺陷检测的精确度；设计多次分割，对缺陷点重复筛查，根据出现的概率滤除误检点，有效防止误检；本方法缩短了检测时间，适用于对各类产品的质量检测。
附图说明
图1为实施例中冲压件表面点云法向量分布示意图；
图2为实施例中法向量与主曲率均值内积的示意图；
图3为实施例中对内积进行卷积运算后得到的示意图；
图4为实施例中缺陷检测结果示意图。
具体实施方式
以下结合附图和具体实施方式对本发明的技术方案进行详细描述。
冲压件制造是现代工业生产中的重要一环，因其具有成本低、效率高、互换性好等突出优点，被广泛应用于汽车制造、电器电子、仪器仪表等大批量生产行业，极大的提高了生产质量和生产效率。
冲压件在制造、搬运过程中，会产生碰撞，造成鼓包、凹坑等缺陷；本实施例具体阐述针对包含此类缺陷的冲压件表面检测过程：
一种基于点云信息的缺陷检测方法，包括以下步骤：
1)对冲压件表面的点云数据进行数据处理，获取各点的法向量(如图1所示)及主曲率；
2)根据点云数据的X、Y轴坐标所在的位置，将点云数据分割成n块局部点云；n取值为正整数；
3)选取其中一块局部点云记为第一点云；求取第一点云中各点主曲率的平均值，记为均值A；再利用均值A分别与第一点云中各点的法向量作内积运算，得到各点的内积值(如图2所示)；对各点的内积值进行差分或卷积运算(如图3所示)，将计算结果的绝对值记为各点的特征数；
若某点的特征数大于阈值I则将该点记为缺陷点，否则，记为正常点；
4)若n＝1，直接进行步骤5)；
否则去除第一点云，对剩余的局部点云，重复步骤3)，直到遍历完所有点云数据；
5)根据各点被标记的类型，得出冲压件表面是否存在缺陷及缺陷存在的位置(如图4所示)。
其中，步骤1)获取各点法向量及主曲率的方法为：
在获取冲压件表面的点云数据后，随机选取一点记为点C，利用kd树查找点C周围的10-40个点记为近邻点，根据最小二乘法将近邻点坐标拟合出第一平面，第一平面法向量记为点C的法向量初始值，利用加权平均对法向量初始值进行修正，得到最终的法向量；
利用点C及其法向量、其中一个近邻点及其法向量构造近似三角形，根据正弦定理得出点C的法截线的法曲率的近似表达式；
构造Weingarten矩阵，计算出其特征值和特征向量；利用特征值和特征向量求出点C的主曲率；
采用相同方法，遍历点云数据中的各点，获得各点法向量及主曲率。
具体实施本方案时，步骤2)～4)可以只进行1次，也可以进行多次(2～6次)，每次分割得到的局部点云块数互不相同；
本实施例中，为了得到更为准确的检测结果，将步骤2)～4)的过程进行了3次，具体为：
第一次：
2)根据点云数据的X、Y轴坐标所在的位置，将点云数据整体作为一块(n＝1)局部点云；
3)选取其中局部点云记为第一点云；求取第一点云中各点主曲率的平均值，记为均值A；再利用均值A分别与第一点云中各点的法向量作内积运算，得到各点的内积值；对各点的内积值进行差分或卷积运算，将计算结果的绝对值记为各点的特征数；
若某点的特征数大于阈值I则将该点记为缺陷点，否则，记为正常点；
4)直接进行步骤5)根据各点被标记的类型，得出冲压件表面是否存在缺陷及缺陷存在的位置；
第二次：
2)根据点云数据的X、Y轴坐标所在的位置，将点云数据分割成4块局部点云；
3)选取其中局部点云记为第一点云；求取第一点云中各点主曲率的平均值，记为均值A；再利用均值A分别与第一点云中各点的法向量作内积运算，得到各点的内积值；对各点的内积值进行差分或卷积运算，将计算结果的绝对值记为各点的特征数；
若某点的特征数大于阈值I则将该点记为缺陷点，否则，记为正常点；
4)去除第一点云，对剩余的局部点云，重复步骤3)，直到遍历完所有点云数据；
第三次：
2)根据点云数据的X、Y轴坐标所在的位置，将点云数据分割成9块局部点云；
3)选取其中局部点云记为第一点云；求取第一点云中各点主曲率的平均值，记为均值A；再利用均值A分别与第一点云中各点的法向量作内积运算，得到各点的内积值；对各点的内积值进行差分或卷积运算，将计算结果的绝对值记为各点的特征数；
若某点的特征数大于阈值I则将该点记为缺陷点，否则，记为正常点；
4)去除第一点云，对剩余的局部点云，重复步骤3)，直到遍历完所有点云数据；
当步骤2)～4)进行完第三次后，执行步骤5)：
判断同一点在3次分割过程中被记录为缺陷点的概率；
若概率大于预设概率B，则保持该点为缺陷点，否则将该点记为正常点；
遍历点云数据中的各点，再次标记每个点的类型，根据各点被标记的类型，得出冲压件表面是否存在缺陷及缺陷存在的位置。
其中，预设概率B取值30％～70％，本实施例取值为50％；阈值I＝3δ，δ表示当前块第一点云数据中各点特征数的标准差。
本实施例中，由于冲压件表面存在棱边、孔等曲率变化较大的特征，所以在步骤1)之前，首先利用以下方式对初始点云数据进行筛选：
将初始点云数据与标准数据进行模板匹配，得到棱边、孔特征区域上的点并剔除，将剩余的点云记为冲压件表面的点云数据，进行步骤1)。
标准数据通过冲压件的数模得到。
前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并不想要成为毫无遗漏的，也不是想要把本发明限制为所公开的精确形式，显然，根据上述教导很多改变和变化都是可能的。选择示例性实施方案并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员能够实现并利用本发明的各种示例性实施方案及其不同选择形式和修改形式。本发明的范围旨在由所附权利要求书及其等价形式所限定。
Claims (6)
1.一种基于点云信息的缺陷检测方法，其特征在于，包括以下步骤：
1)对被测物表面的点云数据进行数据处理，获取各点的法向量及主曲率；
2)根据点云数据坐标的所在位置，将点云数据分割成n块局部点云；n取值为正整数；
3)选取其中一块局部点云记为第一点云；求取所述第一点云中各点主曲率的平均值，记为均值A；再利用均值A分别与第一点云中各点的法向量作内积运算，得到各点的内积值；对各点的内积值进行差分或卷积运算，将计算结果的绝对值记为各点的特征数；
若某点的特征数大于阈值I则将该点记为缺陷点，否则，记为正常点；
4)若n＝1，直接进行步骤5)；
否则去除所述第一点云，对剩余的局部点云，重复步骤3)，直到遍历完所有点云数据；
5)将步骤2)～4)进行多次，每次分割得到的局部点云块数互不相同，在进行完最后一次后，判断同一点在多次分割过程中被记录为缺陷点的概率；
若概率大于预设概率B，则保持该点为缺陷点，否则将该点记为正常点；
遍历点云数据中的各点，再次标记每个点的类型，根据各点被标记的类型，得出被测物表面是否存在缺陷及缺陷存在的位置。
2.如权利要求1所述基于点云信息的缺陷检测方法，其特征在于：步骤2)～4)进行2～6次。
3.如权利要求1所述基于点云信息的缺陷检测方法，其特征在于：预设概率B取值30％～70％。
4.如权利要求1所述基于点云信息的缺陷检测方法，其特征在于：所述阈值I＝3δ，δ表示当前块第一点云数据中各点特征数的标准差。
5.如权利要求1所述基于点云信息的缺陷检测方法，其特征在于：当被测物表面存在棱边、孔特征时，在步骤1)之前，首先利用以下方式对初始点云数据进行筛选：
将初始点云数据与标准数据进行模板匹配，得到棱边、孔特征区域上的点并剔除，将剩余的点云记为被测物表面的点云数据，进行步骤1)。
6.如权利要求1所述基于点云信息的缺陷检测方法，其特征在于：步骤1)获取各点法向量及主曲率的方法为：
在获取被测物表面的点云数据后，随机选取一点记为点C，利用kd树查找点C周围的10-40个点记为近邻点，根据最小二乘法将近邻点坐标拟合出第一平面，所述第一平面法向量记为点C的法向量初始值，利用加权平均对法向量初始值进行修正，得到最终的法向量；
利用点C及其法向量、其中一个近邻点及其法向量构造近似三角形，根据正弦定理得出点C的法截线的法曲率的近似表达式；
构造Weingarten矩阵，计算出其特征值和特征向量；利用特征值和特征向量求出点C的主曲率；
采用相同方法，遍历点云数据中的各点，获得各点法向量及主曲率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093446.9A CN111311576B (zh) | 2020-02-14 | 2020-02-14 | 基于点云信息的缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093446.9A CN111311576B (zh) | 2020-02-14 | 2020-02-14 | 基于点云信息的缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111311576A CN111311576A (zh) | 2020-06-19 |
| CN111311576B true CN111311576B (zh) | 2023-06-02 |
Family
ID=71154631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010093446.9A Active CN111311576B (zh) | 2020-02-14 | 2020-02-14 | 基于点云信息的缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311576B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116553B (zh) * | 2020-07-23 | 2022-05-10 | 哈尔滨岛田大鹏工业股份有限公司 | 一种基于k-d树的无源三维点云模型缺陷识别方法 |
| CN112489025A (zh) * | 2020-12-07 | 2021-03-12 | 南京钢铁股份有限公司 | 一种连铸坯表面凹坑缺陷识别方法 |
| CN112884057B (zh) * | 2021-03-04 | 2022-03-18 | 晶仁光电科技(苏州)有限公司 | 基于点云数据的三维曲面质量分类方法、***及存储介质 |
| CN113313712B (zh) * | 2021-07-30 | 2021-11-09 | 季华实验室 | 一种电池涂胶缺陷检测方法、装置、电子设备及存储介质 |
| CN114037675B (zh) * | 2021-11-05 | 2022-12-06 | 南京航空航天大学 | 一种飞机样板缺陷检测方法及装置 |
| CN117056749B (zh) * | 2023-10-12 | 2024-02-06 | 深圳市信润富联数字科技有限公司 | 点云数据处理方法、装置、电子设备及可读存储介质 |
| CN117387531A (zh) * | 2023-12-04 | 2024-01-12 | 中铁四局集团第二工程有限公司 | 隧道初支平整度检测方法及其*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565081A (zh) * | 2012-01-12 | 2012-07-11 | 北京化工大学 | 基于圆结构光视觉检测三维数据点的管道缺陷检测方法 |
| WO2018036138A1 (zh) * | 2016-08-24 | 2018-03-01 | 大连理工大学 | 一种面向数字摄影获得的薄壁壳实测三维形貌点云数据处理方法 |
| CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10157964B4 (de) * | 2001-11-26 | 2011-06-22 | Siemens AG, 80333 | Verfahren zur Optimierung einer Oberflächengüte eines zu fertigenden Werkstücks anhand von CNC-Programmdaten |
| CN101751695B (zh) * | 2008-12-10 | 2012-05-23 | 中国科学院自动化研究所 | 点云数据的主曲率和主方向估计方法 |
| US10115035B2 (en) * | 2015-01-08 | 2018-10-30 | Sungkyunkwan University Foundation For Corporation Collaboration | Vision system and analytical method for planar surface segmentation |
| CN105354829A (zh) * | 2015-10-08 | 2016-02-24 | 西北农林科技大学 | 一种自适应的点云数据分割方法 |
| CN105737787A (zh) * | 2016-01-29 | 2016-07-06 | 广东工业大学 | 一种基于平均曲率差值比的水火弯板曲面成形评价方法 |
| CN108010036B (zh) * | 2017-11-21 | 2020-01-21 | 江南大学 | 一种基于rgb-d相机的物体对称轴检测方法 |
| CN108961271B (zh) * | 2018-06-27 | 2022-01-07 | 西安工程大学 | 一种彩色3d点云超体素凹凸分割算法 |
| CN109767463B (zh) * | 2019-01-09 | 2021-04-13 | 重庆理工大学 | 一种三维点云自动配准方法 |
| CN110033447B (zh) * | 2019-04-12 | 2022-11-08 | 东北大学 | 一种基于点云方法的高铁重轨表面缺陷检测方法 |
-
2020
- 2020-02-14 CN CN202010093446.9A patent/CN111311576B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102565081A (zh) * | 2012-01-12 | 2012-07-11 | 北京化工大学 | 基于圆结构光视觉检测三维数据点的管道缺陷检测方法 |
| WO2018036138A1 (zh) * | 2016-08-24 | 2018-03-01 | 大连理工大学 | 一种面向数字摄影获得的薄壁壳实测三维形貌点云数据处理方法 |
| CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王颖 ; 吴峰 ; 付国平 ; .基于散乱三维点云的缺陷检测和三维重构方法.应用光学.2016,(第03期),402-406. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111311576A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311576B (zh) | 基于点云信息的缺陷检测方法 | |
| JP6598162B2 (ja) | 線形クラスタリングに基づくマルチタイプのｂｇａチップの視覚識別方法 | |
| CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
| CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
| CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
| CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
| CN113239930B (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
| JP2021180309A (ja) | 深層学習に基づく２次元ｐｃｂ外観欠陥のリアルタイム自動検出方法 | |
| CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及*** | |
| CN111126446B (zh) | 一种机器人视觉工业产品缺陷图像数据增广方法 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| US9142014B2 (en) | System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering | |
| CN111103307A (zh) | 一种基于深度学习的pcb板缺陷检测方法 | |
| CN113781391A (zh) | 图像缺陷检测方法以及相关设备 | |
| TW201606854A (zh) | 用於晶粒對資料庫光罩檢查之自動校準樣本選擇 | |
| CN115861351A (zh) | 边缘检测方法、缺陷检测方法及检测装置 | |
| Chavan et al. | Quality control of PCB using image processing | |
| KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
| CN112085708A (zh) | 产品外轮廓中的直线边缘的缺陷检测方法及设备 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN109584208B (zh) | 一种针对工业结构缺陷智能识别模型的检验方法 | |
| CN114581415A (zh) | Pcb缺陷的检测方法、装置、计算机设备及存储介质 | |
| CN116523922B (zh) | 一种轴承表面缺陷识别方法 | |
| JP2019194549A (ja) | タイヤ金型サイドプレートの検査方法 | |
| JP4462037B2 (ja) | 半導体ウェハ間の共通欠陥判別方法 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee after: Yi Si Si (Hangzhou) Technology Co.,Ltd. Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |