CN112802022B - 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 - Google Patents
智能检测缺陷玻璃图像的方法、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN112802022B CN112802022B CN202110398702.XA CN202110398702A CN112802022B CN 112802022 B CN112802022 B CN 112802022B CN 202110398702 A CN202110398702 A CN 202110398702A CN 112802022 B CN112802022 B CN 112802022B
- Authority
- CN
- China
- Prior art keywords
- image
- glass
- processing
- defective
- defect
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 217
- 230000002950 deficient Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims description 23
- 238000012545 processing Methods 0.000 claims abstract description 93
- 230000007547 defect Effects 0.000 claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000003706 image smoothing Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 abstract description 25
- 238000001514 detection method Methods 0.000 abstract description 20
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/13—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
- G06T7/136—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
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
本申请是关于一种智能检测缺陷玻璃图像的方法。该方法包括：获取待测玻璃的拍摄图像；对该拍摄图像进行图像预处理，得到预处理图像；对该预处理图像进行图像分割处理，得到第一玻璃图像；若该第一玻璃图像存在图像缺陷，则对该第一玻璃图像进行闭操作处理，得到第二玻璃图像；将该第二玻璃图像与该第一玻璃图像相减，得到表示缺陷形状的缺陷玻璃图像。本申请提供的方案，通过自动化对切割玻璃边缘图像进行检测，避免了由人工测量引起的误差，能够提升玻璃生产线的产品检测效率，进而降低因切割不平导致有缺陷的玻璃产品流入市场的风险，提高产品质量。
Description
技术领域
本申请涉及缺陷玻璃图像检测技术领域，尤其涉及一种自动检测缺陷玻璃图像的方法、电子设备以及存储介质。
背景技术
玻璃已经有几千年的历史，是高科技领域内用途最广泛的人造材料之一。在屏幕显示行业，将液晶通过高温高压的方式，夹层封装在玻璃内形成的高科技光电玻璃产品——液晶玻璃。如今，液晶玻璃广泛地用作电子设备的调光器件，与彩膜通过成盒工艺后再贴附上、下偏光板，底部加上背光可构成液晶显示器（Liquid Crystal Display，简称LCD），是目前显示设备的重要器件。
在薄膜晶体管液晶显示器（Thin film transistor liquid crystal display，简称TFT-LCD）行业中，因为生产大尺寸的玻璃基板能有效提升大屏幕液晶面板的良率以及产出率，同时降低生产成本，所以在生产过程中总会把玻璃基板做大，然后再根据实际生产需求进行切割，切割后的玻璃的四条边要求是直线，这是玻璃生产过程中重要的管控参数；玻璃基板在切割过程中由于更换精切刀轮和运动，边部切割直线性会存在波动，会出现边部局部位置凸起或凹陷，造成破片、欠磨、烧边、裂纹等现象，严重影响产品质量。
目前缺陷玻璃的测量方式往往是通过人员操作游标卡尺或者二次元影像测量仪来测量，根据四边直线性测量数据进行调整，应用这两种方法使整个调整过程较繁琐，检测时间较长，可操作性差，测量数据不准确，且不便缺陷数据保存，不利于数据回溯。
发明内容
为克服相关技术中存在的问题，本申请提供一种智能检测缺陷玻璃图像的方法，该方法通过对待检测玻璃边缘进行图像提取，自动化对切割玻璃边缘图像进行处理分类，进而提取出缺陷玻璃图像，提高玻璃检测效率的同时，能准确确定玻璃图像的缺陷类型。
本申请第一方面提供一种智能检测缺陷玻璃图像的方法，包括：
获取待测玻璃的拍摄图像；对该拍摄图像进行图像预处理，得到预处理图像；对该预处理图像进行图像分割处理，得到第一玻璃图像，该第一玻璃图像为该预处理图像的二值化图像；若该第一玻璃图像存在图像缺陷，则对该第一玻璃图像进行闭操作处理，得到第二玻璃图像，该第二玻璃图像为无缺陷连通玻璃图像；将该第二玻璃图像与该第一玻璃图像相减，得到表示缺陷形状的缺陷玻璃图像。
在一种实施方法中，对该拍摄图像进行图像预处理，包括：
对该拍摄图像依次进行图像数字化处理、图像几何变换处理、图像归一化处理、图像平滑处理、图像复原处理以及图像增强处理；其中，该图像数字化处理用于获取计算机能够处理的数据图像，该图像几何变换处理用于修正该拍摄图像的随机误差，该图像归一化处理用于消除该拍摄图像的不变性质，该图像平滑处理用于消除该拍摄图像的噪声，该图像复原处理用于校正该拍摄图像的图像退化，该图像增强处理用于增强该拍摄图像视觉效果。
在一种实施方法中，对该预处理图像进行图像分割处理，包括：
对该预处理图像依次进行二值化处理和分割处理；其中，该二值化处理为将该预处理图像的像素点的灰度值设置为0或255；该分割处理为通过公式二进行灰度阈值分割；
公式二：
其中
表示该预处理图像的图像元素集合；
表示背景图像的图像
元素集合；T表示图像灰度阈值，x表示像素点的横坐标，y表示像素点的纵坐标。
在一种实施方法中，该得到第一玻璃图像之后，包括：
获取标准图像，通过公式一计算该第一玻璃图像与该标准图像的相关系数；若该相关系数大于或等于系数阈值，则确定该第一玻璃图像存在图像缺陷；
公式一：
其中，NCC表示图像相关系数；
表示图像元素集合
；
表示图像元素
集合t；n表示向量维数；
表示图像元素集合
的标准差；
表示图像元素集合t的标准
差；
表示图像元素集合
的均值；
表示图像元素集合t的均值，x表示像素点的横坐标，
y表示像素点的纵坐标。
在一种实施方法中，对该第一玻璃图像进行闭操作处理，包括：
对该第一玻璃图像依次进行图像膨胀处理和图像腐蚀处理；其中，基于公式四对该第一玻璃图像进行图像膨胀处理，得到膨胀玻璃图像；
公式三：
通过公式三对该膨胀玻璃图像进行图像腐蚀处理，得到该第二玻璃图像；
公式四：
A表示图像元素集合，B表示移动图像元素集合，Z表示该移动图像元素集合的移动距离。
在一种实施方法中，将该第二玻璃图像与该第一玻璃图像相减，包括：
通过公式五，将该第二玻璃图像减去该第一玻璃图像；
公式五：
其中，
表示缺陷玻璃图像的图像元素集合
，
表示第二玻璃图像
的图像元素集合
，
表示第一玻璃图像的图像元素集合
，x表示像素点的横坐标，
y表示像素点的纵坐标。
在一种实施方法中，该得到表示缺陷形状的缺陷玻璃图像之后，包括：
以该缺陷玻璃图像的中心点为坐标原点建立笛卡尔直角坐标系，提取该缺陷玻璃图像的像素点坐标，得到坐标集合，该坐标集合为该缺陷玻璃图像的全部像素点的坐标集合。
在一种实施方法中，该得到坐标集合之后，还包括：
利用卷积神经网络对该缺陷玻璃图像进行缺陷分类，得到该缺陷玻璃图像的缺陷类型，其中，该卷积神经网络为对缺陷图像的缺陷类型进行分类的网络模型。
在一种实施方法中，该得到该缺陷玻璃图像的缺陷类型之后，还包括：
基于无线网络，将该缺陷类型和该缺陷玻璃图像传送至CIM计算机集成制造***和云端数据库。
本申请第二方面提供一种电子设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请第三方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
通过自动化对切割玻璃边缘图像进行检测，避免了由人工测量引起的误差，能够提升玻璃生产线的产品检测效率，进而降低因切割不平导致有缺陷的玻璃产品流入市场的风险，提高产品质量。
本申请的技术方案，还可以：
通过进一步分析计算确定玻璃缺陷的类型以及缺陷在玻璃上的位置信息，及时对切割玻璃的工具进行更换或调整，从源头避免玻璃切割产生缺陷；同时，将玻璃缺陷的类型以及缺陷在玻璃上的位置信息上传到数据中心形成云端大数据，遇到相同情况时，比对拍摄的图像，缩减检测过程，快速得出检测结果，提高工作效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的智能检测缺陷玻璃图像的方法的流程示意图；
图2是本申请实施例示出的智能检测缺陷玻璃图像的确定图像存在图像缺陷的方法流程示意图；
图3是本申请实施例示出的智能检测缺陷玻璃图像的检测缺陷类型的方法流程示意图；
图4是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
针对上述问题，本申请实施例提供一种智能检测缺陷玻璃图像的方法，通过自动化对切割玻璃边缘图像进行检测，避免了由人工测量引起的误差，能够提升玻璃生产线的产品检测效率，进而降低因切割不平导致有缺陷的玻璃产品流入市场的风险，提高产品质量。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的智能检测缺陷玻璃图像的方法的流程示意图。
参见图1，本申请实施例中智能检测缺陷玻璃图像的方法一个实施例（实施例一）包括。
101、获取待测玻璃的拍摄图像；
在本实施例中，获取待测玻璃的拍摄图像中，所述待测玻璃为已经切割分离之后的玻璃，且每张玻璃均有对应的产品序列号；为了提高玻璃出厂的产品质量，因此需要对切割面的玻璃进行检测，并且记录切割面的信息；例如，通过读码器识别玻璃产品的产品序列号，利用图像传感器获取切割后的玻璃边缘图像（即，待测玻璃的拍摄图像）；其中，所述待测玻璃为规则矩形面板，有四个切割面，需要对每个切割面进行检测，每个切割面需要获取两张图像，分别为切割面的长两侧的图像；所以，所述待测玻璃的拍摄图像一般为8张图像，每张图像均具有对应的序列号，确保更好区分后续检测到的图像，做到数据可追溯。
102、对所述拍摄图像进行图像预处理，得到预处理图像；
在本实施例中，由于所述拍摄图像存在许多影响判断缺陷的信息，因此需要对所述拍摄图像进行图像预处理，去除与判断缺陷的无关信息，便于进入下一步工艺；一般情况下，获取最终图像的类型不同，对进行图像预处理去除的信息也不同，在本例中，进行图像预处理的目的是为了去除与缺陷图像所有的无关信息，具体包括：对所述拍摄图像依次进行图像数字化处理、图像几何变换处理、图像归一化处理、图像平滑处理、图像复原处理以及图像增强处理；
其中，所述图像数字化处理是用于获取计算机能够处理的数据图像，如，所述拍摄图像的原始灰度值一般为空间变量的连续函数，因此，可以在所述拍摄图像的像素点的空间点阵上，对图像灰度采样并加以量化，这样就可以得到计算机能够处理的数字图像；
所述图像几何变换处理是用于修正所述拍摄图像的随机误差，在所述得到计算机能够处理的数字图像之后，需要进一步对所述数字图像进行修正；如，对于所述数字图像由于自然条件或者拍摄设备而引起的误差，可以通过模型表示，并且通过几何变换来消除，如通过把所述数字图像和已知正确几何位置的图像相比较，用一定数量的控制点解双变量多项式函数组可以达到变换的目的；其中，所述数据图像（Image Data）是指用数值表示的各像素（Pixel）的灰度值的集合。
所述图像归一化处理是用于消除所述拍摄图像的不变性质，所述拍摄图像的面积、周长等性质，对于坐标旋转来说就具有不变的性质，在特定情况下，特定的因素或变换会对拍摄图像的性质造成影响，为了避免该影响，本例通过归一化处理消除或减弱所述拍摄图像的不变性质，从而提高检测图像的质量，值得注意的是，本例中采用的归一化处理为灰度归一化，所述灰度变换归一化是利用灰度拉伸的方法将原图像中的灰度分布扩展到具有整个灰度级的图像；
所述图像平滑处理用于消除所述拍摄图像的噪声，消除所述拍摄图像的噪声是为了避免图像轮廓或线条变得模糊不清，从而提高检测图像的质量，在实际应用中，图像平滑处理的方法有中值法、局部求平均法、k 近邻平均法和空间频率域带通滤波法等，在本例中，可以使用其中的任一方法处理；
所述图像复原处理用于校正所述拍摄图像的图像退化，目的是为了保证所述拍摄图像在检测时的图像质量，从而提升图像检测的准确度；例如，设计一个合适的复原滤波器（即实现逆滤波过程）来实现图像的复原，假设f（x，y）表示的是一幅静止、二维的图像，它在外部噪声n（x，y）的干扰作用之下，在经过***h（x，y）之后，退化成为g（x，y），复原后的图像为f（x，y）；当对于原始图像缺乏必需的先验知识时，采用就退化过程建立一个模型，首先对其进行一个大概的描述，然后在复原的过程根据具体的情况进行逐步合理的修正，逐步消除误差影响；当我们对原始图像具有足够的先验知识时，我们这时候则直接针对原始图像建立一个精确的数学模型，然后再对退化图像进行复原处理。
所述图像增强处理是用于增强所述拍摄图像视觉效果，在实际处理中，对图像中的信息有选择地加强和抑制，以达到改善图像的视觉效果的目的，或将图像转变为更适合于机器处理的形式，以便于数据抽取或识别；例如，一个图像增强***可以通过高通滤波器来突出图像的轮廓线，从而使机器能够测量轮廓线的形状和周长，图像增强技术有多种方法，具体有反差展宽、对数变换、密度分层、空域法和直方图均衡等方法，在实际应用时，上述方法都可用于改变图像灰调和突出细节，在本例中，采用空域法对所述拍摄图像进行增强视觉效果。
103、对所述预处理图像进行图像分割处理，得到第一玻璃图像，所述第一玻璃图像为所述预处理图像的二值化图像；
在本实施例中，所述预处理图像是指所述拍摄图像预处理之后得到的图像；在得到预处理图像之后，为了进一步划分图像，使得缺陷部分的图像更加明显，能够区分出缺陷部分的图像，需要对预处理图像进行图像分割处理；所述图像分割处理是指对所述预处理图像依次进行二值化处理和分割处理；其中，二值化处理是将图像上的像素点的灰度值设置为0或255，目的就是将整个图像呈现出明显的黑白效果，使图像中数据量大为减少，进而凸显出目标的轮廓；在二值化处理完之后再进行分割处理，所述分割处理是指设定阈值对二值化处理之后的图像进行分割；例如，将灰度值阈值参数设置为40，若灰度值大于40则分割为目标玻璃缺陷图像的灰度值，若灰度值小于40则分割为背景图像的灰度值，在分割处理完毕后即可得到玻璃的二值化图像（即，第一玻璃图像）。
值得注意的是，所述分割处理存在标准的表达式，公式二；在实际应用中，在进行阈值分割处理时，是根据公式二进行处理，以下为公式二的表达式：
其中，
表示需要分割的图像元素集合；
表示背景图像的图像元
素集合；T表示可自定义设定的图像灰度阈值，x表示像素点的横坐标，y表示像素点的纵坐
标。
104、若所述第一玻璃图像存在图像缺陷，则对所述第一玻璃图像进行闭操作处理，得到第二玻璃图像，所述第二玻璃图像为无缺陷连通玻璃图像；
在本实施例中，当所述第一玻璃图像（即，二值化图像）存在图像缺陷时，由于二值化图像并不能直接确定出缺陷部分的图像，因此需要进一步操作，才能确定出缺陷部分的图像；在图像分割处理之后，缺陷部分为的灰度值为空白状态，为了使得空白部分成为图像，需要对第一玻璃图像进行闭操作处理，所述闭操作处理是指对第一玻璃图像先进行像素膨胀，再进行像素腐蚀；闭操作通常用于弥补狭窄的间断和长细的鸿沟，消除较小的空洞，并填补轮廓线中的断裂；闭操作之后可以将许多靠近的图块相连，该种图块相连称为一个无突起的连通域，也就是将图像中空白部分填充，得到无缺陷图像；
在闭操作处理中，膨胀是指在二值化图像中“加长”或“***”的操作，这种特殊的操作由一个称为结构元素的集合控制（即，另一个图像元素集合），计算时结构元素往往用0和1的矩阵表示，且结构元素的原点必须明确标明，确定结构元素之后，将该结构元素的原点平移过整个二值化图像区域，得到膨胀之后的图像；值得注意的是，在进行图像膨胀处理时，是基于公式四处理，以下为公式三的表达式：
在闭操作处理中，腐蚀是指在膨胀之后的图像上，将连通域的边缘和突起部分进行削平，最后得到的是一个无突起的连通域的二值化图像；像膨胀过程相似，腐蚀过程是由一个结构元素控制，由该结构元素在整个二值化图像中的突起区域平移的过程，腐蚀完成之后得到无突起连通域的无缺陷连通玻璃图像；值得注意的是，在进行图像腐蚀处理时，是基于公式三处理，以下为公式四的表达式：
其中，在公式三和公式四中，A表示二值化图像的元素集合，B表示另一个图像的元素集合，Z表示所述移动图像元素集合的移动距离。
105、将所述第二玻璃图像与所述第一玻璃图像相减，得到表示缺陷形状的缺陷玻璃图像。
在本实施例中，在得到所述第二玻璃图像（即，无缺陷连通玻璃图像）之后，为了获得缺陷玻璃图像，还需要进一步处理，才能获得目标图像；即，将所述第二玻璃图像与所述第一玻璃图像（即，二值化图像）相减，才能得到表示缺陷形状的缺陷玻璃图像；其中，将所述第二玻璃图像与所述第一玻璃图像（即，二值化图像）相减是指根据公式五将所述第二玻璃图像减去所述第一玻璃图像，即第二玻璃图像对应的像素减去第一玻璃图像对应的像素；
公式五：
其中，
表示缺陷玻璃图像的图像元素集合
，
表示第二玻璃图像
的图像元素集合
，
表示第一玻璃图像的图像元素集合
，x表示像素点的横坐
标，y表示像素点的纵坐标。
图2是本申请实施例示出的智能检测缺陷玻璃图像的确定图像存在图像缺陷的方法流程示意图。
参见图2，本申请实施例中智能检测缺陷玻璃图像的方法的第二个实施例（实施例二）包括。
201、获取标准图像，基于公式一计算所述第一玻璃图像与所述标准图像的相关系数；
在本实施例中，标准图像是指有缺陷的玻璃图像，这种图像是根据客户对图像的质量要求而确定；想要确定所述第一玻璃图像（即，二值化图像）是否为有缺陷图像，就需要计算标准图像与所述第一玻璃图像（即，二值化图像）的相关系数，根据相关系数的大小进而确定是否为缺陷图像；在实际应用中，相关系数是根据公式一计算，以下为公式一的表达式：
其中，NCC表示标准图像与第一玻璃图像的相关系数；
表示第一玻璃图像
的元素集合；
表示标准图像的元素集合；n表示向量维数；
表示第一玻璃图像的
元素集合
的标准差；
表示标准图像的元素集的合标准差；
表示第一玻璃图像的元素
集合的均值；
表示标准图像的元素集合的均值，x表示像素点的横坐标，y表示像素点的纵
坐标。
202、若所述相关系数大于或等于系数阈值，则确定所述第一玻璃图像存在图像缺陷。
在本实施例中，计算出相关系数之后，需要通过比较系数阈值确定第一玻璃图像（即，二值化图像）是否为图像缺陷，若所述相关系数大于或等于系数阈值则确定第一玻璃图像为有缺陷的玻璃图像，即第一玻璃图存在图像缺陷；若所述相关系数小于系数阈值则确定第一玻璃图像为及格的玻璃图像，即第一玻璃图不存在图像缺陷，属于合格产品；其中，所述系数阈值是可以根据客户的要求而更改，对产品的质量越高，所述系数阈值就越高，对产品的质量越低，所述系数阈值就越低。
在实际应用中，所述系数阈值可根据经验值确定，所述经验值是历史玻璃图像检测过程中次数出现最多次的阈值；值得注意的是，系数阈值以及相关系数的数值在0至100之间，例如，假设玻璃图像检测次数出现最多的系数阈值为70，则确定经验值为70，若客户没有要求，则以经验值为所述系数阈值，当计算出来的相关系数大于或等于70时，确定第一玻璃图像为有缺陷的玻璃图像；当计算出来的相关系数小于70时，确定第一玻璃图像为及格的玻璃图像。
图3是本申请实施例示出的智能检测缺陷玻璃图像的检测缺陷类型的方法流程示意图。
参见图3，本申请实施例中智能检测缺陷玻璃图像的方法的第三个实施例（实施例三）包括。
301、以所述缺陷玻璃图像的中心点为坐标原点建立笛卡尔直角坐标系，提取所述缺陷玻璃图像的像素点坐标，得到坐标集合，所述坐标集合为所述缺陷玻璃图像的全部像素点的坐标集合；
在本实施例中，为了方便确定缺陷图像的缺陷位置，需要对缺陷图像进行定位，对缺陷图像定位是用于快速寻找到玻璃产品的缺陷位置，方便实现实体修复以及查找确定造成玻璃切割边缘的缺陷原因，降低切割玻璃的产品出错率；通过传感器获取的图像为矩形图像，在矩形图像中有四个角，以对角连线的交点为中心点，在本例中，该中心点设定为笛卡尔直角坐标系的坐标原点，根据坐标原点，可以确定所述矩形图像中的所有像素（Pixel）的坐标位置，根据像素每英寸（Pixels Per Inch）可以确定像素点到坐标原点的距离，即可以确定缺陷图像中的像素的坐标位置；值得注意的是，每个缺陷图像存在N个像素点，因此所述缺陷玻璃图像的像素点坐标为集合坐标，根据所述集合坐标的任一个坐标即可确定所述缺陷玻璃图像对应的玻璃产品切割面缺陷的位置。
其中，笛卡尔坐标系（Cartesian coordinates）就是直角坐标系和斜角坐标系的统称，相交于原点的两条数轴，构成了平面放射坐标系；像素（中文全称为图像元素）为分辨率的尺寸单位，是指基本原色素及其灰度的基本编码，构成数码影像的基本单元，通常以像素每英寸PPI(pixels per inch)为单位来表示影像分辨率的大小。
302、利用卷积神经网络对所述缺陷玻璃图像进行缺陷分类，得到所述缺陷玻璃图像的缺陷类型，其中，所述卷积神经网络为对缺陷图像的缺陷类型进行分类的网络模型；
在本实施例中，得到缺陷玻璃图像以及坐标集合之后，为了确定缺陷玻璃图像是哪一种缺陷类型，还需要进一步分析确定；知道缺陷玻璃图像的缺陷类型可以更快地确认导致该种缺陷出现的原因，在玻璃切割中，切割刀、切割位置、切割时间均有可能造成切割缺陷出现，所以确定缺陷类型成为了必要的检测步骤；本例中，确定缺陷类型是通过卷积神经网络分析确定的，将所述缺陷玻璃图像传输到卷积神经网络，即可以分析得出缺陷类型。
值得注意的是，所述卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络；所述卷积神经网络根据缺陷玻璃图像构建不同的特征向量（通过对不同缺陷种类的特征）进行分析；其中，提取的特质包括：缺陷玻璃图像的长、宽、对比度、灰度、纹理特征、熵、梯度等，经过利用卷积神经网络多维度识别后，可以得出缺陷类型。
303、基于无线网络，将所述缺陷类型和所述缺陷玻璃图像传送至CIM计算机集成制造***和云端数据库。
在本实施例中，在得到缺陷玻璃图像的缺陷类型和缺陷玻璃图像的坐标集合之后，为了保存并记录检测数据，需要将玻璃图像的序列号、缺陷类型、缺陷玻璃图像传和坐标集合等信息传输送至CIM计算机集成制造***以及云端数据库；其中，所述数据传输是利用5G无线网络将检测信息上传到工厂CIM***和云端数据库。
值得注意的是，在本实施例中还包括，将所获取的缺陷玻璃图像基于终端设备处理识别显示出相关信息，便于操作人员监控，减少人力成本；其中，终端设备还可以通过5G传输设备连接多个移动终端设备。相关信息传输至云端数据库之后，可以增加大数据平台的数据样本（即，增加卷积神经网络的训练样本），并且通过大数据平台数据分析处理，当大数据平台接收到相同相关信息时，直接反馈出检测图像的结果，达到缩减检测时间的效果，提高工作效率；同时，根据缺陷玻璃图像的测量检测数据分析处理得出的结果，可以根据检测结果通知上游切割设备的操作人员更换切割齿轮，减少不良发生，优化生产。
其中，CIM计算机集成制造***（Computer Integrated Manu-facturing）包括生产计划和控制、计算机辅助设计、计算机辅助工艺规划、计算机辅助制造、计算机辅助质量管理之间信息技术上的协同工作，能够为生产产品所必需的各种技术功能和管理功能应实理由集成的***；5G无线网络传输能够高速、低延时地传输数据，提高工作效率；云端数据库用于存储、比较切割后的玻璃缺陷图像信息，能够加速优化检测速度。
与前述应用功能实现方法实施例相对应，本申请还提供了一种电子设备及相应的实施例（实施例四）。
图4是本申请实施例示出的电子设备的结构示意图。
参见图4，电子设备1000包括存储器1010和处理器1020。
处理器1020可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1010可以包括各种类型的存储单元，例如***内存、只读存储器（ROM），和永久存储装置。其中，ROM可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。***内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（DRAM，SRAM，SDRAM，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片（CD）、只读数字多功能光盘（例如DVD-ROM，双层DVD-ROM）、只读蓝光光盘、超密度光盘、闪存卡（例如SD卡、min SD卡、Micro-SD卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减， 本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有可执行代码（或计算机程序、或计算机指令代码），当所述可执行代码（或计算机程序、或计算机指令代码）被电子设备（或电子设备、服务器等）的处理器执行时，使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是，结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本申请的多个实施例的***和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种智能检测缺陷玻璃图像的方法，其特征在于：
获取待测玻璃的拍摄图像；
对所述拍摄图像进行图像预处理，得到预处理图像；对所述预处理图像进行图像分割处理，包括：对所述预处理图像依次进行二值化处理和分割处理；其中，所述二值化处理为将所述预处理图像的像素点的灰度值设置为0或255；所述分割处理为通过公式二进行灰度阈值分割；公式二：
其中
表示所述预处理图像的图像元素集合；
表示背景图像的图像元素集合；T表示图像灰度阈值，x表示像素点的横坐标，y表示像素点的纵坐标；
对所述预处理图像进行图像分割处理，得到第一玻璃图像，所述第一玻璃图像为所述预处理图像的二值化图像；其中，在图像分割处理之后，缺陷部分的灰度值为空白状态；
获取标准图像，通过公式一计算所述第一玻璃图像与所述标准图像的相关系数，所述标准图像是指有缺陷的玻璃图像；
若所述相关系数大于或等于系数阈值，则确定所述第一玻璃图像存在图像缺陷；
公式一：
其中，NCC表示图像相关系数；
表示图像元素集合
表示图像元素集合t；n表示向量维数；
表示图像元素集合
的标准差；
表示图像元素集合t的标准差；
表示图像元素集合
的均值；
表示图像元素集合t的均值，x表示像素点的横坐标，y表示像素点的纵坐标；
若所述第一玻璃图像存在图像缺陷，则对所述第一玻璃图像进行闭操作处理，得到第二玻璃图像，所述第二玻璃图像为无缺陷连通玻璃图像；
将所述第二玻璃图像与所述第一玻璃图像相减，得到表示缺陷形状的缺陷玻璃图像；
以所述缺陷玻璃图像的中心点为坐标原点建立笛卡尔直角坐标系，提取所述缺陷玻璃图像的像素点坐标，得到坐标集合，所述坐标集合为所述缺陷玻璃图像的全部像素点的坐标集合；利用卷积神经网络对所述缺陷玻璃图像进行缺陷分类，得到所述缺陷玻璃图像的缺陷类型，其中，所述卷积神经网络为对缺陷图像的缺陷类型进行分类的网络模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述拍摄图像进行图像预处理，包括：
对所述拍摄图像依次进行图像数字化处理、图像几何变换处理、图像归一化处理、图像平滑处理、图像复原处理以及图像增强处理；
其中，所述图像数字化处理用于获取计算机能够处理的数据图像，所述图像几何变换处理用于修正所述拍摄图像的随机误差，所述图像归一化处理用于消除所述拍摄图像的不变性质，所述图像平滑处理用于消除所述拍摄图像的噪声，所述图像复原处理用于校正所述拍摄图像的图像退化，所述图像增强处理用于增强所述拍摄图像视觉效果。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一玻璃图像进行闭操作处理，包括：
对所述第一玻璃图像依次进行图像膨胀处理和图像腐蚀处理；
其中，基于公式四对所述第一玻璃图像进行图像膨胀处理，得到膨胀玻璃图像；
公式三：
通过公式三对所述膨胀玻璃图像进行图像腐蚀处理，得到所述第二玻璃图像；
公式四：
A表示图像元素集合，B表示移动图像元素集合，Z表示所述移动图像元素集合的移动距离。
4.根据权利要求1所述的方法，其特征在于，所述将所述第二玻璃图像与所述第一玻璃图像相减，包括：
通过公式五，将所述第二玻璃图像减去所述第一玻璃图像；
公式五：
其中，
表示缺陷玻璃图像的图像元素集合
表示第二玻璃图像的图像元素集合
表示第一玻璃图像的图像元素集合
，x表示像素点的横坐标，y表示像素点的纵坐标。
5.根据权利要求1所述的方法，其特征在于，所述得到所述缺陷玻璃图像的缺陷类型之后，还包括：
基于无线网络，将所述缺陷类型和所述缺陷玻璃图像传送至CIM计算机集成制造***和云端数据库。
6.一种电子设备，其特征在于，包括：
处理器；以及，
储存器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。
7.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110398702.XA CN112802022B (zh) | 2021-04-14 | 2021-04-14 | 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110398702.XA CN112802022B (zh) | 2021-04-14 | 2021-04-14 | 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112802022A CN112802022A (zh) | 2021-05-14 |
| CN112802022B true CN112802022B (zh) | 2021-10-29 |
Family
ID=75811381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110398702.XA Active CN112802022B (zh) | 2021-04-14 | 2021-04-14 | 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112802022B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764804B (zh) * | 2022-06-16 | 2022-09-20 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
| CN115610739B (zh) * | 2022-09-26 | 2023-05-16 | 江阴瑞兴塑料玻璃制品有限公司 | 玻璃贴膜机械气泡状态检测平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1482579A (zh) * | 2002-09-13 | 2004-03-17 | ��ʿͨ��ʽ���� | 图像缺陷检查装置和图像缺陷检查方法 |
| CN102020036A (zh) * | 2010-11-02 | 2011-04-20 | 昆明理工大学 | 一种条烟外包装透明纸缺陷的视觉检测方法 |
| 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 |
| CN107169967A (zh) * | 2017-07-07 | 2017-09-15 | 哈尔滨理工大学 | 一种基于图像处理的金刚石锯片裂纹检测方法 |
| CN112184744A (zh) * | 2020-11-29 | 2021-01-05 | 惠州高视科技有限公司 | 显示屏边缘缺陷检测方法和装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060029257A1 (en) * | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
| JP6346439B2 (ja) * | 2013-01-07 | 2018-06-20 | キヤノン株式会社 | 撮像装置及びその制御方法 |
| CN106780438B (zh) * | 2016-11-11 | 2020-09-25 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及*** |
| CN111583258B (zh) * | 2020-05-28 | 2024-03-15 | 常州节卡智能装备有限公司 | 缺陷检测方法、装置、***及存储介质 |
-
2021
- 2021-04-14 CN CN202110398702.XA patent/CN112802022B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1482579A (zh) * | 2002-09-13 | 2004-03-17 | ��ʿͨ��ʽ���� | 图像缺陷检查装置和图像缺陷检查方法 |
| CN102020036A (zh) * | 2010-11-02 | 2011-04-20 | 昆明理工大学 | 一种条烟外包装透明纸缺陷的视觉检测方法 |
| 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 |
| CN107169967A (zh) * | 2017-07-07 | 2017-09-15 | 哈尔滨理工大学 | 一种基于图像处理的金刚石锯片裂纹检测方法 |
| CN112184744A (zh) * | 2020-11-29 | 2021-01-05 | 惠州高视科技有限公司 | 显示屏边缘缺陷检测方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 形态学图像处理基本运算;汪为巍著;《膨胀土裂隙演化三维分布特征及微观结构分形规律研究》;20190331;第30-31页 * |
| 相似度计算;徐光柱等著;《实用性目标检测与跟踪算法原理与应用》;20150630;第73页 * |
| 腐蚀与膨胀;赵小川著;《MATLAB图像处理 程序实现与模块化仿真 第2版》;20181231;第120-121页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112802022A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110286126B (zh) | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 | |
| US10330608B2 (en) | Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools | |
| CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| JP4657869B2 (ja) | 欠陥検出装置、イメージセンサデバイス、イメージセンサモジュール、画像処理装置、デジタル画像品質テスタ、欠陥検出方法、欠陥検出プログラム、およびコンピュータ読取可能な記録媒体 | |
| WO2019188040A1 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和*** | |
| CN112802022B (zh) | 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 | |
| US9846929B2 (en) | Fast density estimation method for defect inspection application | |
| CN107239742B (zh) | 一种仪表指针刻度值计算方法 | |
| CN107515227A (zh) | 基于缺陷无损的图像压缩方法及显示面板缺陷检测*** | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| WO2021046726A1 (zh) | 用于检测机械设备零部件的方法和装置 | |
| CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
| TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 | |
| CN112488998A (zh) | 一种基于条纹投影的苹果果梗和花萼检测方法 | |
| CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
| CN117495856B (zh) | 基于深度学习的晶圆表面检测方法、装置、设备和介质 | |
| CN112102254A (zh) | 基于机器视觉的木材表面缺陷检测方法与*** | |
| CN117269179A (zh) | 基于机器视觉的隐形眼镜边缘缺陷的高精度检测方法和*** | |
| CN110490865B (zh) | 基于螺柱高反光特性的螺柱点云分割方法 | |
| CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
| CN114187269B (zh) | 小零器件表面缺陷边缘快速检测方法 | |
| TWI757590B (zh) | 輝度均勻檢測系統及輝度均勻檢測方法 | |
| CN113870328A (zh) | 一种液体异物视觉检测方法及*** | |
| CN113570524A (zh) | 一种用于高反光噪声深度图像的修复方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 215163 rooms 101, 102, 901 and 902, floor 1, building 11, 198 Jialingjiang Road, high tech Zone, Suzhou City, Jiangsu Province Applicant after: Gaoshi Technology (Suzhou) Co.,Ltd. Address before: 516000 west side of the fourth floor, building CD, science and technology entrepreneurship center, No.2, South Huatai Road, Huinan hi tech Industrial Park, huiao Avenue, Huicheng District, Huizhou City, Guangdong Province Applicant before: HUIZHOU GOVION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 215129 Rooms 101, 102, 901, 902, Floor 9, Building 11, No. 198, Jialing River Road, High tech Zone, Suzhou City, Jiangsu Province Patentee after: Gaoshi Technology (Suzhou) Co.,Ltd. Address before: 215163 rooms 101, 102, 901 and 902, floor 1, building 11, 198 Jialingjiang Road, high tech Zone, Suzhou City, Jiangsu Province Patentee before: Gaoshi Technology (Suzhou) Co.,Ltd. |