CN114022415B - 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法 - Google Patents
一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法 Download PDFInfo
- Publication number
- CN114022415B CN114022415B CN202111204952.1A CN202111204952A CN114022415B CN 114022415 B CN114022415 B CN 114022415B CN 202111204952 A CN202111204952 A CN 202111204952A CN 114022415 B CN114022415 B CN 114022415B
- Authority
- CN
- China
- Prior art keywords
- cluster
- pixel
- pixel points
- pixel point
- clustering
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (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)
- Testing Of Optical Devices Or Fibers (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Liquid Crystal (AREA)
Abstract
本发明提供了一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法,首先,获取液晶屏RGB三通道图像,还包括S1.获取所述图像各像素点的灰度值及r、g、b通道值,将图像转化为灰度图;S2.对灰度图中的每个像素点进行遍历计算,通过多模态与多尺度的特征提取核,生成每个所述像素点的特征向量;S3.根据所述特征向量聚类的结果以及聚类后集群中的像素点的坐标分布情况以判断液晶屏是否存在缺陷;采用本方法不需要对缺陷样本进行收集,在算法落地应用中更具备开展实施性,且由于参数的规模小,有效的提高缺陷检测算法的效率;另与传统的局部像素值等算法比较,本方法所提供的缺陷检测更具备全面性。
Description
技术领域
本发明涉及液晶屏检测技术领域,具体而言,涉及一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法。
背景技术
移动技术设备快速发展,比如手机、VR(Virtual Reality,虚拟现实) 设备等,都少不了显示屏。而在生产中,显示屏的缺陷检测是必不可少的步骤。液晶显示屏幕缺陷有很多类型,检测起来难度非常大。
对此,较为传统的检测方法是人工检测,这对检测员的要求较高,且长期采用人工进行缺陷检测,对检测员的眼睛会造成极大的伤害,比如视力下降;此外,检测员长期工作,疲劳时会造成漏检,导致不良品流入市场的几率增加。
为应对人工检测的不足,又提出有基于图像分析开展的缺陷分析方法;如公开号为CN109242829A的中国发明专利基于小样本深度学习的液晶屏缺陷检测方法、***及装置,其通过采集缺陷样本训练缺陷检测模型,但是,缺陷的发生是未知的,那么缺陷成像后的颜色特征、像素大小、形态都是未知的,因此即使可以基于小样本训练得出缺陷检测模型,该模型的泛化能力是有限的;又如公开号为CN104978748A的中国发明专利一种基于局部像素值的液晶屏缺陷检测方法,其通过局部像素的计算探测缺陷,但是局部像素计算的前提是将图像分割为网状的像素块进行局部观测,但若缺陷面积较大时,在局部网状像素块中是无法观测异常的。
鉴于现有技术还存在诸多缺陷,我们分析了液晶屏视觉检测的难点,主要包括缺陷大小没有规律,区别微弱;缺陷形态(如缺陷颜色、缺陷轮廓、缺陷曲折)表现无规律;同一液晶屏出现的缺陷类型可能存在多种;本发明针对上述检测难点,提出一种新的液晶屏缺陷检测方法,以期解决上述问题的同时能够做到更好精准度的缺陷检测。
发明内容
本发明的目的在于提供一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法,其不需要对缺陷样本进行收集,在算法落地应用中更具备开展实施性,且由于参数的规模小,有效的提高缺陷检测算法的效率;另与传统的局部像素值等算法比较,本方法所提供的缺陷检测更具备全面性。
本发明的实施例通过以下技术方案实现:
第一方面,提供一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法,首先,获取液晶屏的RGB三通道图像,还包括如下步骤:
S1.获取所述图像各像素点的灰度值及r、g、b通道值,将所述图像转化为灰度图;
S2.对所述灰度图中的每个所述像素点进行遍历计算,通过多模态与多尺度的特征提取核,生成每个所述像素点的特征向量;
S3.根据所述特征向量聚类的结果将像素点分出两个第一集群,对集群进行过滤处理生成第二集群,若生成第二集群且第二集群中的像素点数量大于第一阈值时,则可能存在缺陷;若未生成第二集群,且所述两个第一集群间的像素点差值大于第二阈值,则可能存在缺陷;在可能存在缺陷的情况下,判断第一集群中像素点较小的一个第一集群或第二集群的像素点坐标分布是否离散,若离散则判断为无缺陷,否则判断为有缺陷。
进一步的,所述对所述灰度图中的每个所述像素点进行遍历计算具体包括:
所述特征提取核为m*m大小的二维矩阵fm*m;
其中,所述矩阵乘法运算即特征提取核二维矩阵与局部图像区域矩阵相乘,如下式(1),
所述矩阵减法运算即通过特征提取核二维矩阵减去局部图像区域矩阵,如下式(2),
进一步的,所述通过多模态与多尺度的特征提取核,生成像素点的特征向量具体为:
进一步的,所述S3具体包括:
S31.选取一所述像素点作为聚类初始中心,遍历图像的其他所有像素点,计算所述聚类初始中心与所述其他所有像素点的特征向量欧氏距离;
S32.筛选出与所述聚类初始中心特征向量欧氏距离最大的两个像素点作为第二聚类中心a和b;
S33.分别计算各所述像素点与所述第二聚类中心a和第二聚类中心b间的特征向量欧氏距离,并将所有所述像素点进行归类,获得与第二聚类中心a一类的第一集群A,以及与第二聚类中心b一类的第一集群B;
S34.对所述第一集群A与第一集群B进行滤波处理,生成第二集群C,并根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷;
S35.根据所述S34的判断结果结合所述第一集群A、第一集群B和第二集群C中的像素点坐标分布是否离散判断是否存在缺陷。
进一步的,所述S33中的所述将所有所述像素点进行归类具体为:
当所述像素点与第二聚类中心a的特征向量欧氏距离大于该像素点与第二聚类中心b的特征向量欧氏距离时,该像素点被归为第一集群A,否则归为第一集群B。
进一步的,所述S34中的所述滤波处理具体为:
计算第一集群A中的所有像素点与第二聚类中心a之间的特征向量欧氏距离,并计算获取特征向量欧氏距离均值dA,将与第二聚类中心a之间的特征向量欧氏距离大于j*dA的像素点从第一集群A中删除,并添加到第二集群C中,其中j为常数项。
进一步的,所述根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷具体为:
当生成第二集群C时,且第二集群C中的像素点数量大于5,则判定可能存在缺陷;
当未生成第二集群C时,判断第一集群A与第一集群B的像素点数量差是否大于图像总像素点数量的1/3,若大于1/3,则判定可能存在缺陷。
进一步的,所述S35具体为:
在出现第二集群C且第二集群C中的像素点数量大于5的情况下,计算第二集群C中的像素点的坐标分布是否离散;在没有出现第二集群C的情况下,选取第一集群A、第一集群B中像素点数量少的集群并定义为集群Q,计算所述集群Q中像素点的像素坐标分布是否离散;若像素点坐标呈离散分布,则判断无缺陷,若像素点坐标分布在独立可聚合的区域,则判定发生缺陷。
进一步的,所述像素点的坐标分布是否离散具体为:
设定像素点坐标分布距离阈值d,所述距离阈值其中Iw表示图像像素宽,Ih表示图像像素高;对所述集群Q或第二集群C中的像素点依次进行遍历,计算所述集群Q或第二集群C中两两像素点的坐标分布距离值dP,若dP≤d,则该两像素点为同类像素点坐标聚类集,获取新聚类的坐标分布集群的总数量 Nd;
预设第三阈值T,T=k*Nt,其中,k为常数项,Nt为所述集群Q或第二集群C的像素点总数量,当Nd≥T时,认为所述集群Q或第二集群C的像素点坐标分布是离散的,判断为无缺陷;否则认为坐标分布在独立可聚合的区域,判断为有缺陷。
第二方面,提供一种电子设备,包括存储器与处理器;
所述存储器存储有计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如上述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法。
本发明实施例的技术方案至少具有如下优点和有益效果:
(1)与现有的基于小样本的深度学习技术方案相比,其不需要对缺陷样本进行收集,在算法落地应用中更具备开展实施性,且由于参数的规模小,有效的提高缺陷检测算法的效率;
(2)与传统的局部像素值等算法比较,使缺陷检测更具备全面性,可用于对液晶屏的曲折缺陷以及大面积缺陷的检测。
附图说明
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
第一方面,提供一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法,首先,获取液晶屏RGB三通道图像,还包括如下步骤:
S1.获取所述图像各像素点的灰度值及r、g、b通道值,将所述图像转化为灰度图。
RGB三通道图像转化为灰度图的通用公式如下,
通常来说,液晶屏的RGB三通道图像为液晶屏显示单一色彩时的图像。
S2.对所述灰度图中的每个所述像素点进行遍历计算,通过多模态与多尺度的特征提取核,生成每个所述像素点的特征向量。
所述特征提取核为m*m大小的二维矩阵fm*m;
其中,所述矩阵乘法运算即特征提取核二维矩阵与局部图像区域矩阵相乘,如下式(1),
所述矩阵减法运算即通过特征提取核二维矩阵减去局部图像区域矩阵,如下式(2),
S3.根据所述特征向量聚类的结果将像素点分出两个第一集群,对集群进行过滤处理生成第二集群,若生成第二集群且第二集群中的像素点数量大于第一阈值时,则可能存在缺陷;若未生成第二集群,且所述两个第一集群间的像素点差值大于第二阈值,则可能存在缺陷;在可能存在缺陷的情况下,判断第一集群中像素点较小的一个第一集群或第二集群的像素点坐标分布是否离散,若离散则判断为无缺陷,否则判断为有缺陷。
具体的,所述S3包括:
S31.选取一所述像素点作为聚类初始中心,遍历图像的其他所有像素点,计算所述聚类初始中心与所述其他所有像素点的特征向量欧氏距离;
S32.筛选出与所述聚类初始中心特征向量欧氏距离最大的两个像素点作为第二聚类中心a和b;
S33.分别计算各所述像素点与所述第二聚类中心a和第二聚类中心b间的特征向量欧氏距离,并将所有所述像素点进行归类,获得与第二聚类中心a一类的第一集群A,以及与第二聚类中心b一类的第一集群B;
需要说明的是,像素点的归类方法具体为,当所述像素点与第二聚类中心a的特征向量欧氏距离大于该像素点与第二聚类中心b的特征向量欧氏距离时,该像素点被归为第一集群A,否则归为第一集群B。
S34.对所述第一集群A与第一集群B进行滤波处理,生成第二集群C,并根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷;
此处的滤波处理具体为,计算第一集群A中的所有像素点与第二聚类中心a之间的特征向量欧氏距离,并计算获取特征向量欧氏距离均值dA,将与第二聚类中心a之间的特征向量欧氏距离大于j*dA的像素点从第一集群A中删除,并添加到第二集群C中,其中j为常数项。
在一具体实施例中,j的取值为2,需要说明的是,常数项j的取值可根据不同的待测液晶屏图像进行调整,在多次实验中,我们发现,j的取值在2左右是效果最好的区段,其中取值为2作为最优选。
所述根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷具体为:
当生成第二集群C时,且第二集群C中的像素点数量大于5,则判定可能存在缺陷;需要说明的是,根据待测液晶屏图像的不同,该处的取值5 可以有所变动。
当未生成第二集群C时,判断第一集群A与第一集群B的像素点数量差是否大于图像总像素点数量的1/3,若大于1/3,则判定可能存在缺陷。
S35.根据所述S34的判断结果结合所述第一集群A、第一集群B和第二集群C中的像素点坐标分布是否离散判断是否存在缺陷。
具体的,S35为:
在出现第二集群C且第二集群C中的像素点数量大于5的情况下,计算第二集群C中的像素点的坐标分布是否离散;在没有出现第二集群C的情况下,选取第一集群A、第一集群B中像素点数量少的集群并定义为集群Q,计算所述集群Q中像素点的像素坐标分布是否离散;若像素点坐标呈离散分布,则判断无缺陷,若像素点坐标分布在独立可聚合的区域,则判定发生缺陷。
具体的,像素点的坐标分布是否离散具体为,设定像素点坐标分布距离阈值d,所述距离阈值其中Iw表示图像像素宽,Ih表示图像像素高;对所述集群Q或第二集群C中的像素点依次进行遍历,计算所述集群Q或第二集群C中两两像素点的坐标分布距离值dP,若dP≤d,则该两像素点为同类像素点坐标聚类集,获取新聚类的坐标分布集群的总数量Nd;
预设第三阈值T,T=k*Nt,其中,k为常数项,Nt为所述集群Q或第二集群C的像素点总数量,当Nd≥T时,认为所述集群Q或第二集群C的像素点坐标分布是离散的,判断为无缺陷;否则认为坐标分布在独立可聚合的区域,判断为有缺陷。
需要说明的是,常数项k的取值也可以根据待测液晶屏图像的不同进行变动,通过大量的实验发现,其优选取值范围为0.15~0.35。
第二方面,提供一种电子设备,包括存储器与处理器;
所述存储器存储有计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如上述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法。
采用本发明所记载的技术方案能够较现有技术带来如下的进步效果,
(1)与现有的基于小样本的深度学习技术方案相比,其不需要对缺陷样本进行收集,在算法落地应用中更具备开展实施性,且由于参数的规模小,有效的提高缺陷检测算法的效率;
(2)与传统的局部像素值等算法比较,使缺陷检测更具备全面性,可用于对液晶屏的曲折缺陷以及大面积缺陷的检测。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法,首先,获取液晶屏RGB三通道图像,其特征在于,还包括如下步骤:
S1.获取所述图像各像素点的r、g、b通道值,将所述图像转化为灰度图并获取所述图像各像素点的灰度值;
S2.对所述灰度图中的每个所述像素点进行遍历计算,通过多模态与多尺度的特征提取核,生成所述像素点的特征向量;
S3.根据所述特征向量聚类的结果将像素点分出两个第一集群,对集群进行过滤处理生成第二集群,若生成第二集群且第二集群中的像素点数量大于第一阈值时,则可能存在缺陷;若未生成第二集群,且所述两个第一集群间的像素点数量差值大于第二阈值,则可能存在缺陷;在可能存在缺陷的情况下,判断第一集群中像素点数量较小的一个第一集群或第二集群的像素点坐标分布是否离散,若离散则判断为无缺陷,否则判断为有缺陷;
具体包括,S31.选取一所述像素点作为聚类初始中心,遍历图像的其他所有像素点,计算所述聚类初始中心与所述其他所有像素点的特征向量欧氏距离;
S32.筛选出与所述聚类初始中心特征向量欧氏距离最大的两个像素点作为第二聚类中心a和b;
S33.分别计算各所述像素点与所述第二聚类中心a和第二聚类中心b间的特征向量欧氏距离,并将所有所述像素点进行归类,获得与第二聚类中心a一类的第一集群A,以及与第二聚类中心b一类的第一集群B,具体为,当所述像素点与第二聚类中心a的特征向量欧氏距离大于该像素点与第二聚类中心b的特征向量欧氏距离时,该像素点被归为第一集群A,否则归为第一集群B;
S34.对所述第一集群A与第一集群B进行滤波处理,生成第二集群C,具体为计算第一集群A中的所有像素点与第二聚类中心a之间的特征向量欧氏距离,并计算获取特征向量欧氏距离均值dA,将与第二聚类中心a之间的特征向量欧氏距离大于j*dA的像素点从第一集群A中删除,并添加到第二集群C中,其中j为常数项;并根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷;
S35.根据所述S34的判断结果结合所述第一集群A、第一集群B和第二集群C中的像素点坐标分布是否离散判断是否存在缺陷。
4.根据权利要求1所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法,其特征在于,所述根据是否生成第二集群C以及第二集群C所包含的像素点数量判断是否可能存在缺陷具体为:
当生成第二集群C时,且第二集群C中的像素点数量大于5,则判定可能存在缺陷;
当未生成第二集群C时,判断第一集群A与第一集群B的像素点数量差是否大于图像总像素点数量的1/3,若大于1/3,则判定可能存在缺陷。
5.根据权利要求4所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法,其特征在于,所述S35具体为:
在出现第二集群C且第二集群C中的像素点数量大于5的情况下,计算第二集群C中的像素点的坐标分布是否离散;在没有出现第二集群C的情况下,选取第一集群A、第一集群B中像素点数量少的集群并定义为集群Q,计算所述集群Q中像素点的像素坐标分布是否离散;若像素点坐标呈离散分布,则判断无缺陷,若像素点坐标分布在独立可聚合的区域,则判定发生缺陷。
6.根据权利要求5所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法,其特征在于,所述像素点的坐标分布是否离散具体为:
设定像素点坐标分布距离阈值d,所述距离阈值其中Iw表示图像像素宽,Ih表示图像像素高;对所述集群Q或第二集群C中的像素点依次进行遍历,计算所述集群Q或第二集群C中两两像素点的坐标分布距离值dP,若dP≤d,则该两像素点为同类像素点坐标聚类集,获取新聚类的坐标分布集群的总数量Nd;
预设第三阈值T,T=k*Nt,其中,k为常数项,Nt为所述集群Q或第二集群C的像素点总数量,当Nd≥T时,认为所述集群Q或第二集群C的像素点坐标分布是离散的,判断为无缺陷;否则认为坐标分布在独立可聚合的区域,判断为有缺陷。
7.一种电子设备,其特征在于,包括存储器与处理器;
所述存储器存储有计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如权利要求1-6任一项所述的基于单像素特征聚类建立集群的液晶屏缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204952.1A CN114022415B (zh) | 2021-10-15 | 2021-10-15 | 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204952.1A CN114022415B (zh) | 2021-10-15 | 2021-10-15 | 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114022415A CN114022415A (zh) | 2022-02-08 |
CN114022415B true CN114022415B (zh) | 2022-06-28 |
Family
ID=80056283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111204952.1A Active CN114022415B (zh) | 2021-10-15 | 2021-10-15 | 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022415B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082722B (zh) * | 2022-08-22 | 2022-11-01 | 四川金信石信息技术有限公司 | 基于正向样本的设备缺陷检测方法、***、终端及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009607A (zh) * | 2019-03-25 | 2019-07-12 | 深圳市洲明科技股份有限公司 | 显示屏坏点检测方法、装置、计算机设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR102576277B1 (ko) * | 2018-05-02 | 2023-09-08 | 삼성디스플레이 주식회사 | 불량 검출 장치 및 방법 |
CN110021023A (zh) * | 2019-03-05 | 2019-07-16 | 西安工程大学 | 一种电子布疵点分割方法 |
CN110954553B (zh) * | 2019-10-10 | 2022-02-18 | 段美华 | 一种镜片光学检测*** |
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 |
CN111612757B (zh) * | 2020-05-18 | 2023-07-18 | 苏州精濑光电有限公司 | 一种屏幕裂纹的检测方法、装置、设备及存储介质 |
CN111815630B (zh) * | 2020-08-28 | 2020-12-15 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN112419229A (zh) * | 2020-10-15 | 2021-02-26 | 合肥联宝信息技术有限公司 | 一种显示屏线状缺陷检测方法、装置及存储介质 |
-
2021
- 2021-10-15 CN CN202111204952.1A patent/CN114022415B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009607A (zh) * | 2019-03-25 | 2019-07-12 | 深圳市洲明科技股份有限公司 | 显示屏坏点检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114022415A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650770B (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
CN107845087A (zh) | 液晶面板亮度不均匀缺陷的检测方法和*** | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN110599552B (zh) | 一种基于计算机视觉的pH试纸检测方法 | |
KR100772506B1 (ko) | 영상처리를 이용한 지질재료 분류 방법 및 그 장치 | |
CN109410192B (zh) | 一种多纹理分级融合的织物缺陷检测方法及其装置 | |
CN104616275A (zh) | 一种缺陷检测方法和装置 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN111209876A (zh) | 一种漏油缺陷检测方法及*** | |
CN111640104B (zh) | 一种螺钉装配的视觉检测方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
US20200096454A1 (en) | Defect detection system for aircraft component and defect detection method for aircraft component | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测***和方法 | |
CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
CN116309191B (zh) | 基于图像增强的瓦斯巡检智能显示方法 | |
AU2018207032A1 (en) | Logo detection video analytics | |
CN114022415B (zh) | 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法 | |
CN112419229A (zh) | 一种显示屏线状缺陷检测方法、装置及存储介质 | |
CN111368756A (zh) | 一种基于可见光的明火烟雾快速识别方法和*** | |
Kuo et al. | Automated inspection of micro-defect recognition system for color filter | |
CN110349133B (zh) | 物体表面缺陷检测方法、装置 |
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 |