CN115953373B - 玻璃缺陷检测方法、装置、电子设备及存储介质 - Google Patents
玻璃缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115953373B CN115953373B CN202211667060.XA CN202211667060A CN115953373B CN 115953373 B CN115953373 B CN 115953373B CN 202211667060 A CN202211667060 A CN 202211667060A CN 115953373 B CN115953373 B CN 115953373B
- Authority
- CN
- China
- Prior art keywords
- edge
- glass
- image
- coordinate
- detected
- 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 181
- 230000007547 defect Effects 0.000 title claims abstract description 114
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000013145 classification model Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 24
- 238000003384 imaging method Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012163 sequencing technique Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Y02P40/00—Technologies relating to the processing of minerals
- Y02P40/50—Glass production, e.g. reusing waste heat during processing or shaping
- Y02P40/57—Improving the yield, e-g- reduction of reject rates
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了一种玻璃缺陷检测方法、装置、电子设备及存储介质,该方法包括:根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定缺陷特征点,缺陷特征点包括位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点;确定第一特征点和第二特征点的连线为第一目标直线,确定第一特征点和第三特征点的连线为第二目标直线;判断第一目标直线和第二目标直线的夹角是否超过角度阈值;若第一目标直线和第二目标直线的夹角超过角度阈值,则待检测玻璃存在缺陷;第一特征点与第三特征点的第一坐标相同。通过上述方法实现玻璃缺陷简单有效的判断,提高了缺陷检测效率。
Description
技术领域
本申请涉及质量检测领域,具体而言,涉及一种玻璃缺陷检测方法、装置、电子设备及存储介质。
背景技术
在玻璃的生产过程中,由于生产技术水平和生产环境的限制,玻璃不可避免的会存在一些缺陷,玻璃缺陷的大小影响玻璃的质量等级,因此玻璃缺陷的判断对于整个玻璃生产和调整工艺有着重要指导作用。目前常见的玻璃缺陷的判断主要是基于深度学习的分类模型或目标检测模型进行判断,无论是基于深度学习的分类模型或目标检测模型都需要大量的玻璃缺陷样本,进行重复的模型训练,缺陷检测流程复杂,且受样本数量的影响较大。
发明内容
有鉴于此,本申请实施例的目的在于提供一种玻璃缺陷检测方法、装置、电子设备及存储介质,提供一种简洁有效的缺陷判断机制,能够提高缺陷判断的效率和准确性。
第一方面,本申请实施例提供了一种玻璃缺陷检测方法,包括:根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定缺陷特征点,所述缺陷特征点包括位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及所述边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点;确定所述第一特征点和所述第二特征点的连线为第一目标直线,确定所述第一特征点和所述第三特征点的连线为第二目标直线;判断所述第一目标直线和所述第二目标直线的夹角是否超过角度阈值;若所述第一目标直线和所述第二目标直线的夹角超过所述角度阈值,确定所述待检测玻璃存在缺陷。
在上述实现过程中,通过根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定出部分特征点,并基于特征点确定出该边缘轮廓相应的边缘轮廓在没有发生成像扭曲时的标准图像所在直线和该边缘轮廓在发生成像扭曲时的实际图像所在直线,并基于该标准图像所在直线和实际图像所在直线之间的角度判断该待检测玻璃成像扭曲的程度是否超出阈值,若超出阈值,则确定该待检测玻璃存在缺陷。整个判断过程仅需要确定各像素点坐标值、第一目标直线和第二目标直线的角度值,便可以实现对待检测玻璃的缺陷进行判断。整个判断过程简单、明了,提高了玻璃缺陷检测的效率。
在一个实施例中,所述第一特征点为所述第一边缘中第一坐标值较小的极点,所述第二特征点为所述第二边缘中第一坐标值较大的极点;其中,所述第一特征点与所述第三特征点的第一坐标相同。
在上述实现过程中,通过将第一边缘中的像素点的第一坐标值进行排序后便可以确定出第一边缘中第一坐标值较小的极点,以及通过将第二边缘中的像素点的第一坐标值进行排序后便可以确定出第二边缘中第一坐标值较大的极点。通过简单的坐标值排序就能确定出第一特征点和第二特征点,降低了第一特征点和第二特征点的确定难度,提高了第一特征点和第二特征点确定效率。
在一个实施例中,所述确定所述待检测玻璃存在缺陷之后,所述方法还包括:将所述待检测玻璃的边缘轮廓图像输入分类模型中,以通过所述分类模型确定所述待检测玻璃的缺陷类型。
在上述实现过程中,通过设置分类模型,将存在缺陷的边缘轮廓图像输入到分类模型中,以确定存在缺陷的玻璃的缺陷类型,以便于后续根据具体的缺陷类型进行进一步处理,以及时发现生产流程中的问题,及时进行调整,减少缺陷玻璃的产生,提高了该玻璃生产的质量。
在一个实施例中,所述将所述待检测玻璃的边缘轮廓图像输入分类模型中,以通过所述分类模型确定所述待检测玻璃的缺陷类型,包括:提取所述待检测玻璃的边缘轮廓图像的局部特征;提取所述局部特征中的区域信息;根据所述区域信息建立所述局部特征与整体特征的关联关系,并利用分类器对所述待检测玻璃进行缺陷分类。
在上述实现过程中,通过对边缘轮廓图像的局部特征进行进一步提取,可以获得该边缘轮廓图像的各个局部特征信息,以通过该边缘轮廓图像的局部特征和整体特征的关联关系实现对该边缘轮廓图像进行分类。这种通过局部和整体之间的关联关系来确定分类的方法,能够提高分类精度,进而提高缺陷分类的准确性。
在一个实施例中,所述根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及所述边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点之前,所述方法还包括:建立所述待检测玻璃的边缘轮廓图像的图像坐标系;确定所述待检测玻璃的边缘轮廓图像中各轮廓像素点在所述图像坐标系中的轮廓像素点的坐标值;将所述轮廓像素点的坐标值按照预设规则进行排序。
在上述实现过程中,通过在该边缘轮廓图像上建立图像坐标系,进而可以确定出边缘轮廓像素点在该边缘轮廓图像中的坐标值,通过对各个像素点的坐标值进行排序后,能够清晰明了的确定出该缺陷特征点,提高了缺陷特征点确定的效率。
在一个实施例中,所述将所述轮廓像素点的坐标值按照预设规则进行排序之后,所述方法还包括:判断所述边缘轮廓图像第一边缘的第一坐标较大值和所述边缘轮廓图像第二边缘的第一坐标较大值是否相等,或判断所述边缘轮廓图像第一边缘的第一坐标较小值和所述边缘轮廓图像第二边缘的第一坐标较小值是否相等;若所述边缘轮廓图像第一边缘的第一坐标较大值和所述边缘轮廓图像第二边缘的第一坐标较大值相等,或所述边缘轮廓图像第一边缘的第一坐标较小值和所述边缘轮廓图像第二边缘的第一坐标较小值相等,则确定所述待检测玻璃不存在缺陷。
在上述实现过程中,在确定出第一边缘和第二边缘的各个像素点的坐标值后,通过根据第一边缘和第二边缘第一坐标最大值或第一坐标最小值的关系先初步判断待检测玻璃是否可能存在缺陷。在确定出该待检测玻璃不存在缺陷时,继续判断下一边缘轮廓图像,该当前边缘轮廓图像判断完成,减少了对不存在缺陷的待检测玻璃的边缘轮廓图像的缺陷检测流程,提高了缺陷检测效率。
在一个实施例中,所述根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及所述边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点之前,所述方法还包括:处理待检测玻璃的图像,以去除所述待检测玻璃的图像噪点;对所述待检测玻璃的图像进行阈值分割提取所述待检测玻璃的图像中的边缘轮廓,以获得待检测玻璃的边缘轮廓图像。
在上述实现过程中,通过对待检测玻璃的图像进行图像噪点去除,阈值分割等处理,能够提取到较为准确、清晰的边缘轮廓,进而获得清晰的边缘轮廓图像,提高了该边缘轮廓图像的清晰度。
第二方面,本申请实施例还提供一种玻璃缺陷检测装置,包括:第一确定模块,用于根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及所述边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点;第二确定模块,用于确定所述第一特征点和所述第二特征点的连线为第一目标直线,确定所述第一特征点和所述第三特征点的连线为第二目标直线;判断模块,用于判断所述第一目标直线和所述第二目标直线的夹角是否超过角度阈值;第三确定模块,用于若所述第一目标直线和所述第二目标直线的夹角超过所述角度阈值,确定所述待检测玻璃存在缺陷;其中,所述第一特征点与所述第三特征点的第一坐标相同。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中的方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式中玻璃缺陷检测方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的玻璃缺陷检测方法的流程图;
图2为本申请实施例提供的边缘轮廓贯穿整个边缘轮廓图的边缘轮廓图像;
图3为本申请实施例提供的边缘轮廓未贯穿整个边缘轮廓图的边缘轮廓图像;
图4为本申请实施例提供的边缘轮廓为一条图像的边缘轮廓图像;
图5为本申请实施例提供的边缘轮廓贯穿整个边缘轮廓图长度方向的边缘轮廓图像;
图6为本申请实施例提供的玻璃缺陷检测装置的功能模块示意图;
图7为本申请实施例提供的电子设备的方框示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了方便理解,下面对本申请的玻璃缺陷类型进行解释说明。
玻璃成像扭曲:在制作过程中,存在两片玻璃基材进行配对处理时,可能会产生两片玻璃基材均向中间框的一侧弯曲的情况,在本场景称为成像扭曲。
随着半导体、电子设备等行业的快速发展,玻璃能够应用的场景越来越多,因此对玻璃的需求也越来越大。玻璃的质量直接影响相应的半导体材料或电子设备的质量,因此,玻璃的质量检测是玻璃生产环节中较为重要的一环。目前玻璃缺陷的检测基本上都是基于神经网络和深度学习实现,十分依赖样本数量,而且模型的构建也比较复杂,整个判断机制复杂且准确性较低。
有鉴于此,本申请发明人经过长期研究,提出一种玻璃缺陷检测方法,通过根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定出特征点,并基于特征点确定出玻璃边缘轮廓的实际轮廓线和标准轮廓线,根据标准轮廓线和实际轮廓线之间的夹角与角度阈值之间的关系,判断待检测玻璃是否存在缺陷。整个判断过程简单,且判断结果不受其他因素影响,判断结果准确性较高。
请参阅图1,是本申请实施例提供的玻璃缺陷检测方法的流程图。下面将对图1所示的具体流程进行详细阐述。
步骤201,根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定缺陷特征点。
其中,缺陷特征点包括位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点。
这里的第一边缘和第二边缘可以是该边缘轮廓图像中边缘轮廓在轮廓宽度方向的边缘。该第一边缘和第二边缘为该边缘轮廓上相对设置的两个边缘。如图2所示,图2中示出该边缘轮廓图像中,边缘轮廓贯穿整个边缘轮廓图,则该第一边缘和第二边缘分别为边缘轮廓图像宽度方向上的两条边缘。或如图3所示,图3中示出该边缘轮廓图像中,边缘轮廓未贯穿整个边缘轮廓图,则该第一边缘和第二边缘分别为边缘轮廓图像中边缘轮廓在轮廓宽度方向上的两条边缘。
可以理解地,在第一边缘和第二边缘上,该边缘轮廓均存在多个像素点。其中,第一特征点为第一边缘的两侧的像素点,第二特征点为第二边缘的两侧的像素点。
如图2所示,若待检测玻璃存在成像扭曲等缺陷,则该边缘轮廓图像中的边缘轮廓不再是直线,而是会像图2或图3所示存在一定的倾斜。该第三特征点则为该边缘轮廓中的“拐点”,即曲率发生突变的点。
上述的第一特征点与第三特征点的第一坐标相同。例如,如图2或图3所示,若第一特征点为P11,则第三特征点则为P31。若第一特征点为P12,则第三特征点则为P32。
步骤202,确定第一特征点和第二特征点的连线为第一目标直线,确定第一特征点和第三特征点的连线为第二目标直线。
可以理解地,第三特征点为该轮廓边缘的“拐点”,则该第一特征点和第三特征点的连线为该边缘轮廓未发生成像扭曲情况下该边缘轮廓图像中的边缘轮廓的标准图像,该第二特征点和第三特征点的连线为该边缘轮廓发生成像扭曲情况后该边缘轮廓图像中的边缘轮廓扭曲后的实际图像。
由于该第一特征点与第三特征点的第一坐标相同,则该第一目标直线最多包括两条。由于第二特征点和第三特征点可以分别确定两个点,则该第二目标直线最多可以包括四条。
示例性地,如图2或图3所示,该第一目标直线可以是P11-P31或P12-P32。该第二目标直线可以是P21-P31、P22-P31、P21-P32、P22-P32中的任意一条。
由于玻璃有一定的厚度,在获取该玻璃边缘图像时,通常会获取到该玻璃厚度方向上的两条边缘,则待检测玻璃的边缘轮廓图像中边缘轮廓通常为两条平行的图像。而在一些特殊角度,获取到该玻璃厚度方向上的两条边缘正好重合,则待检测玻璃的边缘轮廓图像中边缘轮廓为一条图像。
在一些实施例中,如图4所示,该待检测玻璃的边缘轮廓图像中边缘轮廓为一条图像,则该第一特征点可以直接确定为在第一边缘的像素点,该第二特征点可以直接确定为在第二边缘的像素点,该第三特征点为该边缘轮廓中的“拐点”。该第一目标直线和第二目标直线均为一条。
步骤203,判断第一目标直线和第二目标直线的夹角是否超过角度阈值。
这里的角度阈值根据该玻璃的实际要求提前设置,该角度阈值可以根据实际选择的第一目标直线和第二目标直线的实际情况进行调整。例如,如图2或图3所示,若第一目标直线为P11-P31,第二目标直线为P21-P31,则该角度阈值为S1。若第一目标直线为P11-P31,第二目标直线为P22-P32,则该角度阈值为S2。若第一目标直线为P11-P31,第二目标直线为P22-P31,则该角度阈值为S3。若第一目标直线为P11-P31,第二目标直线为P21-P32,则该角度阈值为S4。其中,该S1、S2、S3以及S4可以是彼此互不相同的值,也可以是部分相同的值,S1、S2、S3以及S4的值可以根据待检测玻璃的型号、标准等实际情况进行调整,本申请不做具体限制。
可以理解地,玻璃在进行检测时,允许该边缘轮廓在一定范围内存在扭曲的瑕疵,但是该瑕疵不能超过一定的范围。一旦该瑕疵超过一定的范围则可以确定该玻璃存在缺陷,则认定该玻璃生产不合格。
步骤204,若第一目标直线和第二目标直线的夹角超过角度阈值,确定待检测玻璃存在缺陷。
若第一目标直线和第二目标直线的夹角在角度阈值范围内,则确定待检测玻璃不存在缺陷。
在上述实现过程中,通过根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定出部分特征点,并基于特征点确定出该边缘轮廓相应的边缘轮廓在没有发生成像扭曲时的标准图像所在直线和该边缘轮廓在发生成像扭曲时的实际图像所在直线,并基于该标准图像所在直线和实际图像所在直线之间的角度判断该待检测玻璃成像扭曲的程度是否超出阈值,若超出阈值,则确定该待检测玻璃存在缺陷。整个判断过程仅需要确定各像素点坐标值、第一目标直线和第二目标直线的角度值,便可以实现对待检测玻璃的缺陷进行判断。整个判断过程简单、明了,提高了玻璃缺陷检测的效率。
在一种可能的实现方式中,第一特征点为第一边缘中第一坐标值较小的极点,第二特征点为第二边缘中第一坐标值较大的极点。
这里的第一坐标值为该轮廓边缘宽度方向的坐标值。例如,如图2、图3以及图4所示,该第一坐标值为横坐标。如图5所示,该第一坐标值为纵坐标。
上述的第一边缘中第一坐标值较小的极点可以是第一边缘中第一坐标值最小的极点(如图2中的P11)。第二边缘中第一坐标值较大的极点可以是第二边缘中第一坐标值最大的极点(如图2中的P22)。
在一些实施例中,在确定出第一边缘中的像素点的坐标值后,对该第一边缘中的像素点的第一坐标值进行排序,以确定出该第一边缘中第一坐标值较小的极点。同样,在确定出第二边缘中的像素点的坐标值后,对该第二边缘中的像素点的第一坐标值进行排序,以确定出该第二边缘中第一坐标值较大的极点。
在上述实现过程中,通过将第一边缘中的像素点的第一坐标值进行排序后便可以确定出第一边缘中第一坐标值较小的极点,以及通过将第二边缘中的像素点的第一坐标值进行排序后便可以确定出第二边缘中第一坐标值较大的极点。通过简单的坐标值排序就能确定出第一特征点和第二特征点,降低了第一特征点和第二特征点的确定难度,提高了第一特征点和第二特征点确定效率。
在一种可能的实现方式中,步骤204之后,该方法还包括:将待检测玻璃的边缘轮廓图像输入分类模型中,以通过分类模型确定待检测玻璃的缺陷类型。
这里的分类模型可以是近邻分类器、跨物种语义级别图像分类模型、细粒度图像分类模型、多标签图像分类模型等。该分类模型具体类型可以根据实际情况进行选择,本申请不做具体限制。
上述的玻璃缺陷类型可以包括成像扭曲、人为损坏等。
可以理解地,若确定出待检测玻璃的缺陷类型为成像扭曲,则发送报警信息,以供工作人员根据该报警信息对玻璃的制作流程进行检测与调整,以防止继续生成存在成像扭曲的玻璃。
若确定出待检测玻璃的缺陷类型为人为损坏,则将该人为损坏的玻璃送入不合格区。
在上述实现过程中,通过设置分类模型,将存在缺陷的边缘轮廓图像输入到分类模型中,以确定存在缺陷的玻璃的缺陷类型,以便于后续根据具体的缺陷类型进行进一步处理,以及时发现生产流程中的问题,及时进行调整,减少缺陷玻璃的产生,提高了该玻璃生产的质量。
在一种可能的实现方式中,将待检测玻璃的边缘轮廓图像输入分类模型中,以通过分类模型确定所述待检测玻璃的缺陷类型,包括:提取待检测玻璃的边缘轮廓图像的局部特征;提取局部特征中的区域信息;根据区域信息建立局部特征与整体特征的关联关系,并利用分类器对待检测玻璃进行缺陷分类。
这里的待检测玻璃的边缘轮廓图像的局部特征可以通过R-CNN、Pose-normalizedCNN或Edge Box Crop等算法提取。
上述的区域信息可以在进行局部特征提取时同时提取,也可以根据通过卷积特征提取等其他算法进一步进行提取。该区域信息的提取可以根据实际情况进行调整,本申请不做具体限制。
在上述实现过程中,通过对边缘轮廓图像的局部特征进行进一步提取,可以获得该边缘轮廓图像的各个局部特征信息,以通过该边缘轮廓图像的局部特征和整体特征的关联关系实现对该边缘轮廓图像进行分类。这种通过局部和整体之间的关联关系来确定分类的方法,能够提高分类精度,进而提高缺陷分类的准确性。
在一种可能的实现方式中,步骤201之前,该方法还包括:建立待检测玻璃的边缘轮廓图像的图像坐标系;确定待检测玻璃的边缘轮廓图像中各轮廓像素点在图像坐标系中的轮廓像素点的坐标值;将轮廓像素点的坐标值按照预设规则进行排序。
这里的图像坐标系可以以该边缘轮廓图像的左上角为原点,以像素为单位建立直角坐标系。也可以以该边缘轮廓图像的左下角为原点,以像素为单位建立直角坐标系。还可以以该边缘轮廓图像的右上角为原点,以像素为单位建立直角坐标系等。该图像坐标系的建立可以根据实际情况进行调整,本申请不做具体限制。
上述的预设规则可以是所有像素点的坐标值按照从小到大排序,也可以是所有像素点的坐标值按照从大到小排序,也可以是第一边缘和第二边缘的像素点的坐标值分别按照从小到大排序,还可以是第一边缘和第二边缘的像素点的坐标值分别按照从大到小排序。该预设规则可以根据实际情况进行调整,本申请不做具体限制。
由于本申请的特征点的选取仅需要根据第一坐标值的大小确定,该将轮廓像素点的坐标值按照预设规则进行排序可以是将轮廓像素点的第一坐标值按照预设规则进行排序。
在上述实现过程中,通过在该边缘轮廓图像上建立图像坐标系,进而可以确定出边缘轮廓像素点在该边缘轮廓图像中的坐标值,通过对各个像素点的坐标值进行排序后,能够清晰明了的确定出该缺陷特征点,提高了缺陷特征点确定的效率。
在一种可能的实现方式中,将轮廓像素点的坐标值按照预设规则进行排序之后,该方法还包括:判断边缘轮廓图像第一边缘的第一坐标较大值和边缘轮廓图像第二边缘的第一坐标较大值是否相等,或判断边缘轮廓图像第一边缘的第一坐标较小值和边缘轮廓图像第二边缘的第一坐标较小值是否相等;若边缘轮廓图像第一边缘的第一坐标较大值和边缘轮廓图像第二边缘的第一坐标较大值相等,或边缘轮廓图像第一边缘的第一坐标较小值和边缘轮廓图像第二边缘的第一坐标较小值相等,则确定待检测玻璃不存在缺陷。
可以理解地,若该边缘轮廓图像第一边缘的第一坐标较大值和边缘轮廓图像第二边缘的第一坐标较大值相等或第一边缘的第一坐标较小值和第二边缘的第一坐标较小值相等,则说明该边缘轮廓图像中的边缘轮廓为直线,没有发生扭曲,则可以直接确定出该待检测玻璃未发生缺陷。
在一些实施例中,在轮廓像素点的坐标值按照预设规则进行排序后,直接根据第一边缘和第二边缘的各个像素点的坐标值的排序判断第一边缘第一坐标较大值和第二边缘坐标较大值是否相同,或第一边缘第一坐标较小值和第二边缘第一坐标较小值是否相同来初步判断出可能存在缺陷的边缘轮廓图像。在判断出该待检测玻璃不存在缺陷时,当前的边缘轮廓图像已判断完成,继续判断下一边缘轮廓图像。
在上述实现过程中,在确定出第一边缘和第二边缘的各个像素点的坐标值后,通过根据第一边缘和第二边缘第一坐标最大值或第一坐标最小值的关系先初步判断待检测玻璃是否可能存在缺陷。在确定出该待检测玻璃不存在缺陷时,继续判断下一边缘轮廓图像,该当前边缘轮廓图像判断完成,减少了对不存在缺陷的待检测玻璃的边缘轮廓图像的缺陷检测流程,提高了缺陷检测效率。
在一种可能的实现方式中,步骤201之前,该方法还包括:处理待检测玻璃的图像,以去除待检测玻璃的图像噪点;对待检测玻璃的图像进行阈值分割提取待检测玻璃的图像中的边缘轮廓,以获得待检测玻璃的边缘轮廓图像。
这里的待检测玻璃图像可以通过灰阶处理、轻微模糊化、二值化、再膨胀腐蚀等方式进行处理,以去除待检测玻璃的图像噪点。
上述的待检测玻璃的图像中的边缘轮廓可以通过一阶或二阶微分实现,该一阶边缘检测算子可以是Roberts算子、Prewitt算子、LOG算子、Canny算子或Sobel算子等。该二阶算子可以是Laplacian算子等。
在上述实现过程中,通过对待检测玻璃的图像进行图像噪点去除,阈值分割等处理,能够提取到较为准确、清晰的边缘轮廓,进而获得清晰的边缘轮廓图像,提高了该边缘轮廓图像的清晰度。
基于同一申请构思,本申请实施例中还提供了与玻璃缺陷检测方法对应的玻璃缺陷检测装置,由于本申请实施例中的装置解决问题的原理与前述的玻璃缺陷检测方法实施例相似,因此本实施例中的装置的实施可以参见上述方法的实施例中的描述,重复之处不再赘述。
请参阅图6,是本申请实施例提供的玻璃缺陷检测装置的功能模块示意图。本实施例中的玻璃缺陷检测装置中的各个模块用于执行上述方法实施例中的各个步骤。玻璃缺陷检测装置包括第一确定模块301、第二确定模块302、判断模块303、第三确定模块304;其中,
第一确定模块301用于根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及所述边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点。
第二确定模块302用于确定所述第一特征点和所述第二特征点的连线为第一目标直线,确定所述第一特征点和所述第三特征点的连线为第二目标直线。
判断模块303用于判断所述第一目标直线和所述第二目标直线的夹角是否超过角度阈值。
第三确定模块304用于若所述第一目标直线和所述第二目标直线的夹角超过所述角度阈值,确定所述待检测玻璃存在缺陷;其中,所述第一特征点与所述第三特征点的第一坐标相同。
一种可能的实施方式中,该玻璃缺陷检测装置还包括分类模块,用于:将所述待检测玻璃的边缘轮廓图像输入分类模型中,以通过所述分类模型确定所述待检测玻璃的缺陷类型。
一种可能的实施方式中,分类模块,还用于:提取所述待检测玻璃的边缘轮廓图像的局部特征;提取所述局部特征中的区域信息;根据所述区域信息建立所述局部特征与整体特征的关联关系,并利用分类器对所述待检测玻璃进行缺陷分类。
一种可能的实施方式中,该玻璃缺陷检测装置还包括建立模块,用于:建立所述待检测玻璃的边缘轮廓图像的图像坐标系;确定所述待检测玻璃的边缘轮廓图像中各轮廓像素点在所述图像坐标系中的轮廓像素点的坐标值;将所述轮廓像素点的坐标值按照预设规则进行排序。
一种可能的实施方式中,判断模块303,还用于判断所述边缘轮廓图像第一边缘的第一坐标较大值和所述边缘轮廓图像第二边缘的第一坐标较大值是否相等,或判断所述边缘轮廓图像第一边缘的第一坐标较小值和所述边缘轮廓图像第二边缘的第一坐标较小值是否相等;若所述边缘轮廓图像第一边缘的第一坐标较大值和所述边缘轮廓图像第二边缘的第一坐标较大值相等,或所述边缘轮廓图像第一边缘的第一坐标较小值和所述边缘轮廓图像第二边缘的第一坐标较小值相等,则确定所述待检测玻璃不存在缺陷。
一种可能的实施方式中,该玻璃缺陷检测装置还包括图像处理模块,用于:处理待检测玻璃的图像,以去除所述待检测玻璃的图像噪点;对所述待检测玻璃的图像进行阈值分割提取所述待检测玻璃的图像中的边缘轮廓,以获得待检测玻璃的边缘轮廓图像。
为便于对本实施例进行理解,下面对执行本申请实施例所公开的玻璃缺陷检测方法的电子设备进行详细介绍。
如图7所示,是电子设备的方框示意图。电子设备100可以包括存储器111、处理器113。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子设备100的结构造成限定。例如,电子设备100还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。
上述的存储器111与处理器113相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中,存储器111可以是,但不限于,随机存取存储器(Random Access Memory,简称RAM),只读存储器(Read Only Memory,简称ROM),可编程只读存储器(ProgrammableRead-Only Memory,简称PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,简称EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中,或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113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(digital signalprocessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(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申请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。
本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述玻璃缺陷检测方法的实现过程。
此外,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的玻璃缺陷检测方法的步骤。
本申请实施例所提供的玻璃缺陷检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的玻璃缺陷检测方法的步骤,具体可参见上述方法实施例,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,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装置、方法和计算机程序产品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方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。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动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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种玻璃缺陷检测方法,其特征在于,包括:
建立所述待检测玻璃的边缘轮廓图像的图像坐标系;
确定所述待检测玻璃的边缘轮廓图像中各轮廓像素点在所述图像坐标系中的轮廓像素点的坐标值;
将所述轮廓像素点的坐标值按照预设规则进行排序;
判断所述边缘轮廓图像第一边缘的第一坐标较大值和所述边缘轮廓图像第二边缘的第一坐标较大值是否相等,或判断所述边缘轮廓图像第一边缘的第一坐标较小值和所述边缘轮廓图像第二边缘的第一坐标较小值是否相等;
若所述边缘轮廓图像第一边缘的第一坐标较大值和所述边缘轮廓图像第二边缘的第一坐标较大值相等,或所述边缘轮廓图像第一边缘的第一坐标较小值和所述边缘轮廓图像第二边缘的第一坐标较小值相等,则确定所述待检测玻璃不存在缺陷;
当初步判断所述待检测玻璃存在缺陷时,继续根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定缺陷特征点,所述缺陷特征点包括位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及所述边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点;
确定所述第一特征点和所述第二特征点的连线为第一目标直线,确定所述第一特征点和所述第三特征点的连线为第二目标直线;
判断所述第一目标直线和所述第二目标直线的夹角是否超过角度阈值;
若所述第一目标直线和所述第二目标直线的夹角超过所述角度阈值,确定所述待检测玻璃存在缺陷。
2.根据权利要求1所述的方法,其特征在于,所述第一特征点为所述第一边缘中第一坐标值较小的极点,所述第二特征点为所述第二边缘中第一坐标值较大的极点;
其中,所述第一特征点与所述第三特征点的第一坐标相同。
3.根据权利要求1所述的方法,其特征在于,所述确定所述待检测玻璃存在缺陷之后,所述方法还包括:
将所述待检测玻璃的边缘轮廓图像输入分类模型中,以通过所述分类模型确定所述待检测玻璃的缺陷类型。
4.根据权利要求3所述的方法,其特征在于,所述将所述待检测玻璃的边缘轮廓图像输入分类模型中,以通过所述分类模型确定所述待检测玻璃的缺陷类型,包括:
提取所述待检测玻璃的边缘轮廓图像的局部特征;
提取所述局部特征中的区域信息;
根据所述区域信息建立所述局部特征与整体特征的关联关系,并利用分类器对所述待检测玻璃进行缺陷分类。
5.根据权利要求1-4任意一项所述的方法,其特征在于,所述根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及所述边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点之前,所述方法还包括:
处理待检测玻璃的图像,以去除所述待检测玻璃的图像噪点;
对所述待检测玻璃的图像进行阈值分割提取所述待检测玻璃的图像中的边缘轮廓,以获得待检测玻璃的边缘轮廓图像。
6.一种玻璃缺陷检测装置,其特征在于,包括:
建立模块,用于建立所述待检测玻璃的边缘轮廓图像的图像坐标系;确定所述待检测玻璃的边缘轮廓图像中各轮廓像素点在所述图像坐标系中的轮廓像素点的坐标值;将所述轮廓像素点的坐标值按照预设规则进行排序;
判断模块,用于判断所述边缘轮廓图像第一边缘的第一坐标较大值和所述边缘轮廓图像第二边缘的第一坐标较大值是否相等,或判断所述边缘轮廓图像第一边缘的第一坐标较小值和所述边缘轮廓图像第二边缘的第一坐标较小值是否相等;若所述边缘轮廓图像第一边缘的第一坐标较大值和所述边缘轮廓图像第二边缘的第一坐标较大值相等,或所述边缘轮廓图像第一边缘的第一坐标较小值和所述边缘轮廓图像第二边缘的第一坐标较小值相等,则确定所述待检测玻璃不存在缺陷;
第一确定模块,用于当初步判断所述待检测玻璃存在缺陷时,继续根据待检测玻璃的边缘轮廓图像中各轮廓像素点的坐标值确定位于边缘轮廓图像第一边缘的第一特征点和位于边缘轮廓图像中第二边缘的第二特征点,以及所述边缘轮廓图像中轮廓像素点的曲率发生突变的第三特征点;
第二确定模块,用于确定所述第一特征点和所述第二特征点的连线为第一目标直线,确定所述第一特征点和所述第三特征点的连线为第二目标直线;
所述判断模块,还用于判断所述第一目标直线和所述第二目标直线的夹角是否超过角度阈值;
第三确定模块,用于若所述第一目标直线和所述第二目标直线的夹角超过所述角度阈值,确定所述待检测玻璃存在缺陷;
其中,所述第一特征点与所述第三特征点的第一坐标相同。
7.一种电子设备,其特征在于,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的方法的步骤。
8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211667060.XA CN115953373B (zh) | 2022-12-22 | 2022-12-22 | 玻璃缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211667060.XA CN115953373B (zh) | 2022-12-22 | 2022-12-22 | 玻璃缺陷检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953373A CN115953373A (zh) | 2023-04-11 |
CN115953373B true CN115953373B (zh) | 2023-12-15 |
Family
ID=87290749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211667060.XA Active CN115953373B (zh) | 2022-12-22 | 2022-12-22 | 玻璃缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953373B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245877B (zh) * | 2023-05-08 | 2023-11-03 | 济南达宝文汽车设备工程有限公司 | 一种基于机器视觉的料框检测方法及*** |
CN117491391B (zh) * | 2023-12-29 | 2024-03-15 | 登景(天津)科技有限公司 | 基于芯片计算的玻璃基板光三维健康检测方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
CN113034447A (zh) * | 2021-03-10 | 2021-06-25 | 歌尔股份有限公司 | 一种边缘缺陷检测方法和装置 |
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN114627092A (zh) * | 2022-03-23 | 2022-06-14 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
WO2022170562A1 (zh) * | 2021-02-10 | 2022-08-18 | 中国科学院深圳先进技术研究院 | 一种消化内镜导航方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7352901B2 (en) * | 2000-10-23 | 2008-04-01 | Omron Corporation | Contour inspection method and apparatus |
-
2022
- 2022-12-22 CN CN202211667060.XA patent/CN115953373B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
WO2022170562A1 (zh) * | 2021-02-10 | 2022-08-18 | 中国科学院深圳先进技术研究院 | 一种消化内镜导航方法和*** |
CN113034447A (zh) * | 2021-03-10 | 2021-06-25 | 歌尔股份有限公司 | 一种边缘缺陷检测方法和装置 |
CN113450307A (zh) * | 2021-05-12 | 2021-09-28 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
CN114627092A (zh) * | 2022-03-23 | 2022-06-14 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
3维灰度矩阵的钢板缺陷图像识别;兰红;方治屿;;中国图象图形学报(06);全文 * |
基于局部灰度分析的红外图像轮廓跟踪算法;夏涛;陈海清;黄士科;;红外与激光工程(02);全文 * |
自然场景中基于局部轮廓特征的对象识别方法;朱铭武;韩军;陆冬明;班孝坤;;计算机工程与应用(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115953373A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN111815630B (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及*** | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN112862770A (zh) | 一种基于人工智能的缺陷分析诊断***、方法、装置 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和*** | |
CN108107611B (zh) | 一种自适应缺陷检测方法、装置及电子设备 | |
US20190164009A1 (en) | Method and system for visual change detection using multi-scale analysis | |
CN110728659A (zh) | 缺陷合并的方法、装置、计算机设备及存储介质 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN115909157A (zh) | 一种基于机器视觉的识别检测方法、装置、设备及介质 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
WO2020175666A1 (ja) | カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 | |
CN117495856B (zh) | 基于深度学习的晶圆表面检测方法、装置、设备和介质 | |
CN113870754B (zh) | 一种面板检测电子信号缺陷判定的方法和*** | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及*** |
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 |