CN114943738A - 一种基于视觉识别的传感器封装固化胶缺陷识别方法 - Google Patents
一种基于视觉识别的传感器封装固化胶缺陷识别方法 Download PDFInfo
- Publication number
- CN114943738A CN114943738A CN202210877519.2A CN202210877519A CN114943738A CN 114943738 A CN114943738 A CN 114943738A CN 202210877519 A CN202210877519 A CN 202210877519A CN 114943738 A CN114943738 A CN 114943738A
- Authority
- CN
- China
- Prior art keywords
- image
- curing adhesive
- defect
- sample
- sensor
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 54
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 50
- 239000000853 adhesive Substances 0.000 title claims abstract description 43
- 230000001070 adhesive effect Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000007 visual effect Effects 0.000 title claims abstract description 16
- 238000003331 infrared imaging Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 239000003292 glue Substances 0.000 description 10
- 239000000243 solution Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005316 response function Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉识别的传感器封装固化胶缺陷识别方法,具体涉及图像数据处理技术领域,通过对红外成像设备获取传感器芯片配件图像进行预处理,对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合,通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域,相较于传统识别方式而言,该方案对可疑区域的图像特征作进一步分析,最后确定是否为缺陷,提高对可疑区域中缺陷判断的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,更具体地说,本发明涉及一种基于视觉识别的传感器封装固化胶缺陷识别方法。
背景技术
进气压力传感器种类较多,有压敏电阻式、电容式等,由于压敏电阻式具有响应时间快、检测精度高、尺寸小且安装灵活等优点,因而被广泛用于D型喷射***中,压力传感器对于压力的测量采用的是压力芯片,而压力芯片在可发生压力形变的硅膜片上集成的惠斯通电桥,压力芯片是压力传感器的核心,各大生产压力传感器的厂商都有各自的压力芯片,有的是传感器厂商直接生产,有的是委外生产的专用芯片(ASC),再者就是直接购买芯片专业厂家的通用芯片。
目前基于传感器封装固化胶缺陷识别技术中,部分缺陷识别仍然需要依靠人工检查,工作效率低,漏检概率高,也部分存在基于机器视觉对工件等物体进行缺陷识别,主要针对固化胶的封装的量及外形框架进行图像数据处理,并且进行权限识别验证,然而这种方式效率低下,难以对传感器芯片的构架与封胶形态进行差异化对比,且传感器芯片及封胶构造体型小,针对细小的缺陷难以进行图像数据的准确识别,极大限制了其扩展性,因此需一种基于视觉识别的传感器封装固化胶缺陷识别方法来解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明提供了一种基于视觉识别的传感器封装固化胶缺陷识别方法,本发明所要解决的技术问题是:针对固化胶的封装的量及外形框架进行图像数据处理,并且进行权限识别验证,然而这种方式效率低下,难以对传感器芯片的构架与封胶形态进行差异化对比,且传感器芯片及封胶构造体型小,针对细小的缺陷难以进行图像数据的准确识别,极大限制了其扩展性的问题。
为实现上述目的,本发明提供如下技术方案:一种基于视觉识别的传感器封装固化胶缺陷识别方法,包括以下步骤:
S1、通过红外成像设备获取传感器芯片配件图像,根据获取的传感器芯片配件图像判断是否创建模板库,若是,则设定传感器芯片配件图像中各个检测点的坐标值,截取对应检测对象的图像,并且对图像进行预处理操作,作为传感器封装的检测模板库;
S2、在对检测的图像进行预处理完成后,提取传感器封装固化胶的识别图像,通过对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合;
S3、建立标准样片的全幅画模板,用于通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,并且对可疑区域进行识别;
S4、在对可疑区域进行识别结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域。
作为本发明的进一步方案:所述S1中对图像预处理的具体操作步骤如下:
S101、通过对红外成像设备获取的配件图像进行伽马校正,调整图像的光照条件;
S102、其次对直方图均衡化后的图像进行同态滤波,剔除不必要的背景干扰,通过使用矩阵模板法,将检测的区域进行标记显露,未检测的区域进行覆盖。
作为本发明的进一步方案:所述S2中对传感器封装固化胶的识别中,识别结果以图像识别结果或文字识别结果的形式进行输出。
作为本发明的进一步方案:所述S3中具体实施步骤如下:
S301、首先获取合格传感器封装固化胶的图像,且分为多个区域依次获取,通过图像拼接的方式制作标准样片的全幅模板,在进行图像拼接的过程中,首先对图像进行角点提取,通过Foerstner特征点检测法来提取两幅待拼接图像中的角点,设计平滑矩阵Q:
通过在矩阵Q的基础上,从图像上计算各向同性的非均匀区域,设定不均匀度H和同向性K分别为:
提取出图像中H及K大于设定阈值的点作为候选点P,进行优化处理,角点响应函数模块CRF定义为:
其中,R为高斯均值滤波器,该公式用于平均边缘角点至边缘方向的距离和局部角点到梯度方向的距离,角点响应函数模块CRF的局部极小值所在的点即为角点。
S302、其次进行标准样片区域图像的配准工作,使传感器芯片配件图像和封装固化胶图像之间相互重叠的部分坐标点对准,随机抽样单一像素点通过角点匹配算法得到两幅图像中角点之间的关系,所述匹配算法包括以下步骤:
首先确定两幅图像角点附近的灰度值相关性,并且通过归一化互关方式使角点匹配完成角点之间的初始匹配。
S303、针对S303计算所得到的单应性矩阵,形成多个样片区域位置及区域的分布并且进行图像融合,去除图像中的冗余信息,通过加权平均法对图像重叠区域中的像素值进行计算,其次通过分配权值来计算拼接后图像重叠区域的像素值,让图像重叠部分的像素值逐渐过渡,使图像中的拼接缝隙被消除。
作为本发明的进一步方案:所述S4中获取待检样片的可疑区域具体实施步骤如下:
S401通过归一化互关方式将模板图像在目标图像中逐行逐列移动,通过计算两幅图像中邻域像素灰度值的相似性来完成匹配;
S402、设单应性矩阵T为检样片中的模板,大小为m×n,I为模板移动时标准样片中被覆盖的区域,归一化互关匹配度量R为:
作为本发明的进一步方案:所述中的六类可疑区域图像特征值作为训练集
输入至SVM分类器进行训练,通过决策树分类法,且具体分类项包含引线污染、金属缺失、虚
焊、划伤、引线弯曲和合格,SVM用于分类缺陷的决策函数定义为:
式中,yi为第i个训练样本xi的分类标签,αi和b分别为拉格朗日系数和阈值,N为训练样本数量。
作为本发明的进一步方案:所述分类缺陷的决策函数定义后,通过高斯核函数作为核函数,对原数据进行映射,使其在高维空间中线性可分,设定Q(α)为分类器模型,K(xi,xj)为高斯核函数,则分类器整体与约束条件为:
式中C为惩罚因子,通过求解上式的最优问题,得到各项参数最优值,进而进一步降低误检率。
本发明的有益效果在于:通过红外成像设备获取传感器芯片配件图像,并且针对图像进行预处理,提取传感器封装固化胶的识别图像,对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合,通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,对样片全幅图像的融合结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域,相较于传统识别方式而言,该方案对可疑区域的图像特征作进一步分析,最后确定是否为缺陷,提高对可疑区域中缺陷判断的准确性。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
一种基于视觉识别的传感器封装固化胶缺陷识别方法,包括以下步骤:
S1、通过红外成像设备获取传感器芯片配件图像,根据获取的传感器芯片配件图像判断是否创建模板库,若是,则设定传感器芯片配件图像中各个检测点的坐标值,截取对应检测对象的图像,并且对图像进行预处理操作,作为传感器封装的检测模板库;
S2、在对检测的图像进行预处理完成后,提取传感器封装固化胶的识别图像,通过对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合;
S3、建立标准样片的全幅画模板,用于通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,并且对可疑区域进行识别;
S4、在对可疑区域进行识别结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域。
S1中对图像预处理的具体操作步骤如下:
S101、通过对红外成像设备获取的配件图像进行伽马校正,调整图像的光照条件;
S102、其次对直方图均衡化后的图像进行同态滤波,剔除不必要的背景干扰,通过使用矩阵模板法,将检测的区域进行标记显露,未检测的区域进行覆盖。
S2中对传感器封装固化胶的识别中,识别结果以图像识别结果或文字识别结果的形式进行输出。
S3中具体实施步骤如下:
S301、首先获取合格传感器封装固化胶的图像,且分为多个区域依次获取,通过图像拼接的方式制作标准样片的全幅模板,在进行图像拼接的过程中,首先对图像进行角点提取,通过Foerstner特征点检测法来提取两幅待拼接图像中的角点,设计平滑矩阵Q:
通过在矩阵Q的基础上,从图像上计算各向同性的非均匀区域,设定不均匀度H和同向性K分别为:
提取出图像中H及K大于设定阈值的点作为候选点P,进行优化处理,角点响应函数模块CRF定义为:
其中,R为高斯均值滤波器,该公式用于平均边缘角点至边缘方向的距离和局部角点到梯度方向的距离,角点响应函数模块CRF的局部极小值所在的点即为角点。
S302、其次进行标准样片区域图像的配准工作,使传感器芯片配件图像和封装固化胶图像之间相互重叠的部分坐标点对准,随机抽样单一像素点通过角点匹配算法得到两幅图像中角点之间的关系,匹配算法包括以下步骤:
首先确定两幅图像角点附近的灰度值相关性,并且通过归一化互关方式使角点匹配完成角点之间的初始匹配。
S303、针对S303计算所得到的单应性矩阵,形成多个样片区域位置及区域的分布并且进行图像融合,去除图像中的冗余信息,通过加权平均法对图像重叠区域中的像素值进行计算,其次通过分配权值来计算拼接后图像重叠区域的像素值,让图像重叠部分的像素值逐渐过渡,使图像中的拼接缝隙被消除。
S4中获取待检样片的可疑区域具体实施步骤如下:
S401通过归一化互关方式将模板图像在目标图像中逐行逐列移动,通过计算两幅图像中邻域像素灰度值的相似性来完成匹配;
S402、设单应性矩阵T为检样片中的模板,大小为m×n,I为模板移动时标准样片中被覆盖的区域,归一化互关匹配度量R为:
式中,yi为第i个训练样本xi的分类标签,αi和b分别为拉格朗日系数和阈值,N为训练样本数量。
分类缺陷的决策函数定义后,通过高斯核函数作为核函数,对原数据进行映射,使其在高维空间中线性可分,设定Q(α)为分类器模型,K(xi,xj)为高斯核函数,则分类器整体与约束条件为:
式中C为惩罚因子,通过求解上式的最优问题,得到各项参数最优值,进而进一步降低误检率。
综上可知,本发明:通过红外成像设备获取传感器芯片配件图像,并且针对图像进行预处理,提取传感器封装固化胶的识别图像,对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合,通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,对样片全幅图像的融合结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域,相较于传统识别方式而言,该方案对可疑区域的图像特征作进一步分析,最后确定是否为缺陷,提高对可疑区域中缺陷判断的准确性。
最后应说明的几点是:虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明的基础上,以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于,包括以下步骤:
S1、通过红外成像设备获取传感器芯片配件图像,根据获取的传感器芯片配件图像判断是否创建模板库,若是,则设定传感器芯片配件图像中各个检测点的坐标值,截取对应检测对象的图像,并且对图像进行预处理操作,作为传感器封装的检测模板库;
S2、在对检测的图像进行预处理完成后,提取传感器封装固化胶的识别图像,通过对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合;
S3、建立标准样片的全幅画模板,用于通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,并且对可疑区域进行识别;
S4、在对可疑区域进行识别结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域。
2.根据权利要求1所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于:所述S1中对图像预处理的具体操作步骤如下:
S101、通过对红外成像设备获取的配件图像进行伽马校正,调整图像的光照条件;
S102、其次对直方图均衡化后的图像进行同态滤波,剔除不必要的背景干扰,通过使用矩阵模板法,将检测的区域进行标记显露,未检测的区域进行覆盖。
3.根据权利要求1所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于:所述S2中对传感器封装固化胶的识别中,识别结果以图像识别结果或文字识别结果的形式进行输出。
9.根据权利要求8所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于:所述分类缺陷的决策函数定义后,通过高斯核函数作为核函数,对原数据进行映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210877519.2A CN114943738A (zh) | 2022-07-25 | 2022-07-25 | 一种基于视觉识别的传感器封装固化胶缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210877519.2A CN114943738A (zh) | 2022-07-25 | 2022-07-25 | 一种基于视觉识别的传感器封装固化胶缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943738A true CN114943738A (zh) | 2022-08-26 |
Family
ID=82910448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210877519.2A Pending CN114943738A (zh) | 2022-07-25 | 2022-07-25 | 一种基于视觉识别的传感器封装固化胶缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943738A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309597A (zh) * | 2023-05-23 | 2023-06-23 | 成都工业学院 | 一种药盒混装缺陷的视觉在线检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102500A (zh) * | 2018-08-03 | 2018-12-28 | 深圳凯达通光电科技有限公司 | 一种芯片封装缺陷的自动识别*** |
CN109801267A (zh) * | 2018-12-27 | 2019-05-24 | 北京航天福道高技术股份有限公司 | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 |
CN112419260A (zh) * | 2020-11-19 | 2021-02-26 | 深圳虹星智能有限公司 | 一种pcb文字区域缺陷检测方法 |
CN112508826A (zh) * | 2020-11-16 | 2021-03-16 | 哈尔滨工业大学(深圳) | 一种基于特征配准及梯度形状匹配融合的印刷品缺陷检测方法 |
CN113834825A (zh) * | 2021-11-29 | 2021-12-24 | 新恒汇电子股份有限公司 | 高精度uv固化胶封装质量自动检测设备及方法 |
CN113850809A (zh) * | 2021-12-01 | 2021-12-28 | 武汉飞恩微电子有限公司 | 一种贴片电阻的保护膜外观缺陷检测方法 |
CN114136975A (zh) * | 2021-11-04 | 2022-03-04 | 上海精密计量测试研究所 | 一种微波裸芯片表面缺陷智能检测***和方法 |
-
2022
- 2022-07-25 CN CN202210877519.2A patent/CN114943738A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102500A (zh) * | 2018-08-03 | 2018-12-28 | 深圳凯达通光电科技有限公司 | 一种芯片封装缺陷的自动识别*** |
CN109801267A (zh) * | 2018-12-27 | 2019-05-24 | 北京航天福道高技术股份有限公司 | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 |
CN112508826A (zh) * | 2020-11-16 | 2021-03-16 | 哈尔滨工业大学(深圳) | 一种基于特征配准及梯度形状匹配融合的印刷品缺陷检测方法 |
CN112419260A (zh) * | 2020-11-19 | 2021-02-26 | 深圳虹星智能有限公司 | 一种pcb文字区域缺陷检测方法 |
CN114136975A (zh) * | 2021-11-04 | 2022-03-04 | 上海精密计量测试研究所 | 一种微波裸芯片表面缺陷智能检测***和方法 |
CN113834825A (zh) * | 2021-11-29 | 2021-12-24 | 新恒汇电子股份有限公司 | 高精度uv固化胶封装质量自动检测设备及方法 |
CN113850809A (zh) * | 2021-12-01 | 2021-12-28 | 武汉飞恩微电子有限公司 | 一种贴片电阻的保护膜外观缺陷检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309597A (zh) * | 2023-05-23 | 2023-06-23 | 成都工业学院 | 一种药盒混装缺陷的视觉在线检测方法及装置 |
CN116309597B (zh) * | 2023-05-23 | 2023-08-01 | 成都工业学院 | 一种药盒混装缺陷的视觉在线检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108982508B (zh) | 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 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及*** | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN109993094A (zh) | 基于机器视觉的材料缺陷智能检测***及方法 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN111967498A (zh) | 基于毫米波雷达和视觉融合的夜间目标检测和跟踪方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN111461113B (zh) | 一种基于变形平面物体检测网络的大角度车牌检测方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及*** | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
CN111242026A (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的***及方法 | |
CN112766273A (zh) | 一种车牌识别方法 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN115311250A (zh) | 基于深度学习和时空特征融合的烟支外观检测方法 | |
CN114943738A (zh) | 一种基于视觉识别的传感器封装固化胶缺陷识别方法 | |
CN116862910A (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN111754502A (zh) | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 | |
CN115937518A (zh) | 一种基于多源图像融合的路面病害识别方法及*** | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN113538342B (zh) | 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN117197682B (zh) | 一种长波红外遥感影像进行盲元检测与去除的方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220826 |
|
RJ01 | Rejection of invention patent application after publication |