CN113808136B - 一种基于最近邻算法的液晶屏幕缺陷检测方法和*** - Google Patents
一种基于最近邻算法的液晶屏幕缺陷检测方法和*** Download PDFInfo
- Publication number
- CN113808136B CN113808136B CN202111374008.0A CN202111374008A CN113808136B CN 113808136 B CN113808136 B CN 113808136B CN 202111374008 A CN202111374008 A CN 202111374008A CN 113808136 B CN113808136 B CN 113808136B
- Authority
- CN
- China
- Prior art keywords
- corner
- image
- defect
- liquid crystal
- nearest neighbor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Liquid Crystal (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于最近邻算法的液晶屏幕缺陷检测方法和***。该方法包括以下步骤:根据采集到的已知无缺陷液晶屏幕的图像计算图像的角点信息;根据所述角点信息计算非缺陷角点位置的统计特性;根据所述非缺陷角点位置的统计特性,利用最近邻算法计算待检测屏幕的缺陷位置。完成对液晶屏幕的缺陷检测。本发明基于视觉图像处理技术,通过最近邻算法实现对液晶屏幕的缺陷检测,精度高,速度快,鲁棒性好。
Description
技术领域
本发明涉及计算机视觉检测技术领域,尤其涉及一种基于最近邻算法的液晶屏幕缺陷检测方法和***。
背景技术
计算机视觉技术具有非接触性,经济性,灵活性和集成性等优点,在工业测试与在线检测领域具有广泛的应用前景。在目前液晶面板行业对液晶面板的缺陷检测是质量把控不可或缺的关键步骤之一。
现已有与本发明最相近似的解决方案是一种液晶屏幕缺陷视觉检测方法及装置,通过计算模板图像与待检测图像的灰度值匹配度来进行缺陷检测。例如,中国发明专利申请号CN201410546795.6涉及一种液晶屏幕缺陷视觉检测方法及装置, 根据待测样品按键排布情况,调整矩阵电磁开关按钮盘按钮位置,使其与待测样品按键排布相吻合;离线采集各个按钮所对应的模板图像,并进行编号存储;根据所述各种组合工作状态,控制矩阵电磁开关按钮盘按钮按下待测样品的相应按键;实时采集待测样品每个按键按下时所对应的液晶屏幕图像,并分别选取一帧图像进行预处理;对预处理后的图像与模板图像进行模板匹配计算,得到缺陷视觉检测结果。
上述现有技术的主要缺点是在硬件***设计复杂,精度不高,对不同屏幕制程上的差异要求高,成本高等问题。
发明内容
为解决以上问题,针对硬件***设计复杂,精度不高这个缺点,本发明通过对液晶屏幕进行取图,利用视觉图像处理技术,通过计算非缺陷区域的统计特性,利用最近邻算法的思想,实现了液晶屏幕缺陷的检测。
具体的,本发明提供了一种基于最近邻算法的液晶屏幕缺陷检测方法,包括以下步骤:
根据采集到的已知无缺陷液晶屏幕的图像计算图像的角点信息;
根据所述角点信息计算非缺陷角点位置的统计特性;
根据所述非缺陷角点位置的统计特性,利用最近邻算法计算待检测屏幕的缺陷位置。
基于上述目的,本发明还提出了一种基于最近邻算法的液晶屏幕缺陷检测***,包括:
角点计算模块,用于根据采集到的已知无缺陷液晶屏幕的图像计算图像的角点信息;
非缺陷统计特性模块,用于根据所述角点信息计算非缺陷角点位置的统计特性;
缺陷位置计算模块,用于根据所述非缺陷角点位置的统计特性,利用最近邻算法计算待检测屏幕的缺陷位置。
本发明的有益效果是通过对液晶屏幕进行拍照取图,利用视觉图像处理技术,通过查找角点的统计特性到特性表中的最近距离,实现了基于统计特性最近邻思想的缺陷检测方法。在液晶检测行业有着极大的应用价值。精度高,速度快,鲁棒性好。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的基于最近邻算法的液晶屏幕缺陷检测方法的流程图。
图2为本发明的统计特性表构建的实现过程图;
图3为本发明的示例效果图;
图4示出根据本发明实施例的基于最近邻算法的液晶屏幕缺陷检测***的构成图。
图5示出了本发明一实施例所提供的一种电子设备的结构示意图;
图6示出了本发明一实施例所提供的一种存储介质的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1示出根据本发明实施例的基于最近邻算法的液晶屏幕缺陷检测方法的流程图。包括以下步骤:
1. 根据采集到的已知无缺陷液晶屏幕图像计算图像的角点信息,角点计算方法包括:基于Harris角点算法,基于FAST的角点检测算法,基于SIFT的角点检测算法,基于SURF的角点检测算法。
2. 对于非缺陷的角点,并以角点为中心挖出n×n大小的角点区域图像,并计算其角点的统计特性,其中统计特性包括:
角点区域图像的平均灰度值,计算公式如下:
其中i,j,表示角点区域图像的横纵坐标,n为角点区域图像的宽高,f(i,j)表示角点区域图像在坐标(i,j)的灰度值。
角点区域图像的均方差,计算公式如下:
角点区域图像的沿X方向一阶偏导数后图像的灰度值总和,其中沿X方向一阶导的计算公式如下:
其中x,y,表示角点区域图像的横纵坐标,f(x,y)表示角点区域图像在坐标(x,y)处的灰度值。
角点区域图像的沿Y方向一阶偏导数后图像的灰度值总和,其中沿Y方向一阶导的计算公式如下:
角点区域图像的二阶导数后的灰度值总和,二阶导通过拉普拉斯算子计算,其中拉普拉斯算子公式为:
其中:
计算每个非缺陷角点的5个所述统计特性,做归一化,并记录下来,构成统计特性表,如图2所示,计算每个小块的统计特性并归一化,其中D1,D2,D3,D4真正的缺陷角点,不参与统计特性的计算。其中归一化公式如下:
其中r(x)为计算出来的统计特性,min(r)表示5个特性中的最小值,max(r)表示5个特性中的最大值,norm(x)为归一化后的值。
3.利用近邻算法计算新来待检测屏幕的缺陷位置,包括:
其中近邻算法的距离计算公式采用欧式距离,公式如下:
在对待检测屏幕计算角点的5个所述统计特性的值后,根据上述欧式距离计算公式,找出距离最近的一个的非缺陷的角点区域,若该距离小于等于阈值T,则认为该角点为正常角点,不是缺陷角点。若该距离大于阈值T,则认为该角点为缺陷角点。
本发明的有益效果是通过对液晶屏幕进行拍照取图,利用视觉图像处理技术,通过查找角点的统计特性到特性表中的最近距离,实现了基于统计特性最近邻思想的缺陷检测方法。在液晶检测行业有着极大的应用价值。
申请实施例提供了一种基于最近邻算法的液晶屏幕缺陷检测***,该***用于执行上述实施例所述的基于最近邻算法的液晶屏幕缺陷检测方法,如图4所示,该***包括:
角点计算模块501,用于根据采集到的已知无缺陷液晶屏幕的图像计算图像的角点信息;
非缺陷统计特性模块502,用于根据所述角点信息计算非缺陷角点位置的统计特性;
缺陷位置计算模块503,用于根据所述非缺陷角点位置的统计特性,利用最近邻算法计算待检测屏幕的缺陷位置。
本发明的上述实施例提供的基于最近邻算法的液晶屏幕缺陷检测***与本发明实施例提供的基于最近邻算法的液晶屏幕缺陷检测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本发明实施方式还提供一种与前述实施方式所提供的基于最近邻算法的液晶屏幕缺陷检测方法对应的电子设备,以执行上基于最近邻算法的液晶屏幕缺陷检测方法。本发明实施例不做限定。
请参考图5,其示出了本发明的一些实施方式所提供的一种电子设备的示意图。如图5所示,所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本发明前述任一实施方式所提供的基于最近邻算法的液晶屏幕缺陷检测方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本发明实施例任一实施方式揭示的所述基于最近邻算法的液晶屏幕缺陷检测方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本发明实施例提供的电子设备与本发明实施例提供的基于最近邻算法的液晶屏幕缺陷检测方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本发明实施方式还提供一种与前述实施方式所提供的基于最近邻算法的液晶屏幕缺陷检测方法对应的计算机可读存储介质,请参考图6,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的基于最近邻算法的液晶屏幕缺陷检测方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本发明的上述实施例提供的计算机可读存储介质与本发明实施例提供的基于最近邻算法的液晶屏幕缺陷检测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备有固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器( DSP )来实现根据本发明实施例的虚拟机的创建***中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者***程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干***的单元权利要求中,这些***中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于最近邻算法的液晶屏幕缺陷检测方法,其特征在于,包括以下步骤:
根据采集到的已知无缺陷液晶屏幕的图像计算图像的角点信息;
根据所述角点信息计算非缺陷角点位置的统计特性,包括:
对于非缺陷的角点,并以角点为中心挖出n×n大小的角点区域图像,并计算其角点的统计特性,其中统计特性包括:
角点区域图像的平均灰度值;
角点区域图像的均方差;
角点区域图像的沿X方向一阶偏导数后图像的灰度值总和;
角点区域图像的沿Y方向一阶偏导数后图像的灰度值总和;
角点区域图像的二阶导数后的灰度值总和;
计算每个非缺陷角点的5个所述统计特性,做归一化,并记录构成统计特性表;
根据所述非缺陷角点位置的统计特性,利用最近邻算法计算待检测屏幕的缺陷位置,包括:在对待检测屏幕计算角点的5个所述统计特性的值后,根据欧式距离计算公式,找出距离最近的一个非缺陷的角点区域,若该距离小于等于阈值,则认为该角点为正常角点,不是缺陷角点;若该距离大于阈值,则认为该角点为缺陷角点。
2.根据权利要求1所述的一种基于最近邻算法的液晶屏幕缺陷检测方法,其特征在于,所述根据采集到的已知无缺陷液晶屏幕的图像计算图像的角点信息时,角点计算方法包括:基于Harris角点算法、基于FAST的角点检测算法、基于SIFT的角点检测算法、或基于SURF的角点检测算法。
8.一种基于最近邻算法的液晶屏幕缺陷检测***,其特征在于,包括:
角点计算模块,用于根据采集到的已知无缺陷液晶屏幕的图像计算图像的角点信息;
非缺陷统计特性模块,用于根据所述角点信息计算非缺陷角点位置的统计特性,包括:
对于非缺陷的角点,并以角点为中心挖出n×n大小的角点区域图像,并计算其角点的统计特性,其中统计特性包括:
角点区域图像的平均灰度值;
角点区域图像的均方差;
角点区域图像的沿X方向一阶偏导数后图像的灰度值总和;
角点区域图像的沿Y方向一阶偏导数后图像的灰度值总和;
角点区域图像的二阶导数后的灰度值总和;
计算每个非缺陷角点的5个所述统计特性,做归一化,并记录构成统计特性表;
缺陷位置计算模块,用于根据所述非缺陷角点位置的统计特性,利用最近邻算法计算待检测屏幕的缺陷位置,包括:在对待检测屏幕计算角点的5个所述统计特性的值后,根据欧式距离计算公式,找出距离最近的一个非缺陷的角点区域,若该距离小于等于阈值,则认为该角点为正常角点,不是缺陷角点;若该距离大于阈值,则认为该角点为缺陷角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374008.0A CN113808136B (zh) | 2021-11-19 | 2021-11-19 | 一种基于最近邻算法的液晶屏幕缺陷检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374008.0A CN113808136B (zh) | 2021-11-19 | 2021-11-19 | 一种基于最近邻算法的液晶屏幕缺陷检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808136A CN113808136A (zh) | 2021-12-17 |
CN113808136B true CN113808136B (zh) | 2022-02-22 |
Family
ID=78938405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374008.0A Active CN113808136B (zh) | 2021-11-19 | 2021-11-19 | 一种基于最近邻算法的液晶屏幕缺陷检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808136B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103913468A (zh) * | 2014-03-31 | 2014-07-09 | 湖南大学 | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020097395A1 (en) * | 2000-09-11 | 2002-07-25 | Peter Smith | System and method for testing liquid crystal displays and similar devices |
US20050286753A1 (en) * | 2004-06-25 | 2005-12-29 | Triant Technologies Inc. | Automated inspection systems and methods |
CN104568986A (zh) * | 2015-01-26 | 2015-04-29 | 中国科学院半导体研究所 | 基于surf算法的遥控器面板印刷缺陷自动检测方法 |
CN104978748B (zh) * | 2015-07-06 | 2018-01-12 | 电子科技大学 | 一种基于局部像素值的液晶屏缺陷检测方法 |
CN108846831B (zh) * | 2018-05-28 | 2021-09-28 | 中冶南方工程技术有限公司 | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 |
CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
CN112348773B (zh) * | 2020-09-28 | 2022-09-23 | 歌尔股份有限公司 | 屏幕缺陷检测方法、装置和电子设备 |
-
2021
- 2021-11-19 CN CN202111374008.0A patent/CN113808136B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103913468A (zh) * | 2014-03-31 | 2014-07-09 | 湖南大学 | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113808136A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815630B (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
JP5739522B2 (ja) | 全体画像内で注意の焦点に関する画像データを処理するためのシステムと方法 | |
JP2019109563A (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
US20140376802A1 (en) | Wafer Inspection Using Free-Form Care Areas | |
CN111915549A (zh) | 瑕疵检测方法、电子装置及计算机可读存储介质 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN113822893B (zh) | 一种基于纹理特征的液晶面板***电路检测方法和*** | |
CN113822883B (zh) | 一种基于寻找晶圆直边的晶圆对位方法和*** | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN113808108B (zh) | 一种印刷膜缺陷视觉检测方法和*** | |
CN115909157A (zh) | 一种基于机器视觉的识别检测方法、装置、设备及介质 | |
Huang et al. | Texture surface defect detection of plastic relays with an enhanced feature pyramid network | |
CN114219802A (zh) | 一种基于图像处理的蒙皮连接孔孔位检测方法 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
JP2014126445A (ja) | 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム | |
CN113808136B (zh) | 一种基于最近邻算法的液晶屏幕缺陷检测方法和*** | |
Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails | |
CN113902742B (zh) | 一种基于tft-lcd检测缺陷真假判定方法和*** | |
CN113592859B (zh) | 一种基于深度学习的用于显示面板缺陷的分类方法 | |
CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
CN114445405B (zh) | 一种圆孔均匀性检测的方法和*** | |
CN112666733B (zh) | Lcd灰阶画面下线型缺陷检测方法、电子设备及存储介质 | |
WO2022201968A1 (ja) | 情報処理装置、制御プログラム、および制御方法 | |
TWI843045B (zh) | 影像處理與檢測方法、電腦裝置及儲存介質 | |
CN117871416A (zh) | 一种晶粒坐标排序方法及*** |
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 |