CN2729708Y - 光滑表面疵病的自动化检测*** - Google Patents
光滑表面疵病的自动化检测*** Download PDFInfo
- Publication number
- CN2729708Y CN2729708Y CN 200420037022 CN200420037022U CN2729708Y CN 2729708 Y CN2729708 Y CN 2729708Y CN 200420037022 CN200420037022 CN 200420037022 CN 200420037022 U CN200420037022 U CN 200420037022U CN 2729708 Y CN2729708 Y CN 2729708Y
- Authority
- CN
- China
- Prior art keywords
- defect
- scanning
- light source
- image
- smooth surface
- 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.)
- Expired - Lifetime
Links
- 230000007547 defect Effects 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 239000013307 optical fiber Substances 0.000 claims abstract description 11
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 7
- 230000003321 amplification Effects 0.000 claims abstract description 4
- 238000005286 illumination Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000000879 optical micrograph Methods 0.000 claims description 8
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 239000000835 fiber Substances 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 2
- 150000002367 halogens Chemical class 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract description 21
- 238000011156 evaluation Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 8
- 230000003796 beauty Effects 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 239000004429 Calibre Substances 0.000 description 3
- 101000857682 Homo sapiens Runt-related transcription factor 2 Proteins 0.000 description 3
- 102100025368 Runt-related transcription factor 2 Human genes 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000005304 optical glass Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本实用新型公开了一种光滑表面疵病的自动化检测***。依次具有光学显微变焦***、光源、扫描工作台以及图像采集与数据处理***,光学显微变焦***依次具有CCD、可变焦的显微放大***,光源依次具有白炽灯光源、多方位角排布的光纤、柯拉照明头、光纤角度可调架,扫描工作台依次具有子孔径扫描的X、Y工作台驱动电路,X、Y方向扫描的电机、X、Y扫描工作台、在扫描工作台内即被检面的下部设有暗背景,图像采集与数据处理***具有监控器、图像采集***、计算机、计算机数字化模式处理***。本实用新型采用了客观的数字化评价***,对疵病检测的准确度远远高于目视的主观观察;采用了自动化的扫描及数据处理方法,被测件为大口径时,大大提高了检测的工作效率。
Description
技术领域
本实用新型涉及一种光滑表面疵病的自动化检测***。
背景技术
在光学工程、大规模集成电路制造、精密机械等相关产业及国防高科技领域,对一些高精度的光学、金属等材料的表面的疵病有严格的要求,特别对一些用于光学***中的高精度的光学元件表面的疵病更具有严格的控制,必须根据国内外的疵病工程标准对光学元件的光滑表面进行疵病检测,因为疵病的散射将大大消耗光能量及降低光学元件的激光损伤阈值,造成光学元件的新的损伤,破坏膜层,严重影响光学***的正常运行。目前在我国,对疵病检测都是采用目视的方法,将白炽灯聚于被检元件表面,人眼利用透射和反射方法逐个小区域的观察由表面疵病产生的散射光像,最终作出一个人为主观大致定量的结论,判定其是否为合格产品,这样人为的目视观察评估由于主观因素介入导致检测的准确度低;同时对大口径元件检测,目视观察效率低。疵病国际标准与被检表面密切相关的标准有:5/N×A;LN”×A”;EA,其中N×A表征缺陷的数目及面积的平方根;LN”×A”表示划痕符号、允许长度及宽度;EA表示破边及边缘碎片的延伸度。由于疵病的尺度可以从几微米如麻点到几十微米的如划痕宽度等,必须借助光学显微***进行放大检测,显微***的视场不可能很大,而现在被检元件的检测的口径往往可以是几百毫米甚至更大。
国内外对精密的光滑表面疵病检测有许多方法,大多是根据疵病对光的不同的散射特性来判别:最基本及常用的是目视法,通过目视或放大镜观察,疵病由不同方法而呈亮象或暗象;还有高通滤波成像法,即采用特殊光栏,使具有高频成份的疵病散射光成像,可观察暗背景上亮象;各种基于全积分散射技术TIS(Total Integral Scatter,TIS)扫描散射显微镜利用小口径激光束及半球收集散射光检测表面,且数字化。除光散射成像外,还有利用疵病的激光衍射谱图识别进行扫描成像;激光干涉成像的轮廓仪等。这些方法有借鉴之处,但针对解决大口径表面疵病的数字化评价***均有许多不足:目视观察的不确定性、低效;检测装置光源及***与国际标准的不统一;太小的检测口径;疵病无法精确定标等等。因此如何根据国际ISO10110-7的疵病工程标准对大口径元件进行一个精确、定量、高效客观的自动化的检测和数字化评价,确实是相关产业一个所需迫切解决的问题。
参考文献
1)Jukka Livarinen,“Surface defect detection with histogram-based texturefeatures”,SPIE vol.4197,P140-145,(2000)
2)Jrg Steinert,Stefan Gliech,“Advanced methods for Surface and subsurfacedefect characterization of optical components”,SPIE vol.4099,P290-298,(2000)
3)J.M.Elson,H.E.Bennett,and J.M.Bennett,“Scattering from optical surface”,inApplied Optics and Optical Engineering,vol.VII,P191-244,Chapter 7.R.R.Shannonand J.C.Wyant,e d.Academic Press,New York(1979)
发明内容
本实用新型的目的是提供一种光滑表面疵病的自动化检测***。
光滑表面疵病的自动化检测***依次具有光学显微变焦***、光源、扫描工作台以及图像采集与数据处理***,光学显微变焦***依次具有CCD、可变焦的显微放大***,光源依次具有白炽灯光源、多方位角排布的光纤、柯拉照明头、光纤角度可调架,扫描工作台依次具有子孔径扫描的X、Y工作台驱动电路,X、Y方向扫描的电机、X、Y扫描工作台、在扫描工作台内即被检面的下部设有暗背景,图像采集与数据处理***具有监控器、图像采集***、计算机、计算机数字化模式处理***。
本实用新型的优点:本实用新型根据光滑表面的疵病工程标准,建立了适合于大口径子孔径扫描散射光反射式成像的数字化检测方法及***:采用了多光纤冷光源柯拉照明方式,被检元件检测中不受热无形变、成像清晰可有效接受表面疵病散射光,获得理想的易于图像数据处理的疵病图像;开发了针对疵病散射图像的基于数学形态学模式识别的数学模型及分类评估、可精确定标疵病尺度的方法及软件体系;采用了客观的数字化评价***,对疵病检测的准确度远远高于目视的主观观察;采用了自动化的扫描及数据处理方法,被测件为大口径时,大大提高了检测的工作效率。本实用新型是一个全新的可以对不同口径元件的表面进行一个精确、定量、高效客观的自动化的检测和数字化评价的***。
附图说明
图1是光滑表面疵病的自动化检测***框图;
图2是光滑表面疵病图像数字化检测的模式识别及处理方法流程图;
图3是大口径检测时X、Y方向子孔径扫描示意图。
具体实施方式
光滑表面疵病的自动化检测***依次具有光学显微变焦***、光源、扫描工作台以及图像采集与数据处理***,光学显微变焦***依次具有CCD1、可变焦显微放大***2,光源依次具有白炽灯光源8、多方位角排布的光纤9、柯拉照明头5、光纤角度可调架3,扫描工作台依次具有子孔径扫描的X、Y工作台驱动电路14、15,X、Y方向扫描的电机16、17、X、Y扫描工作台18、在扫描工作台内设有暗背景7,图像采集与数据处理***具有监控器11、图像采集***10、计算机12、计算机数字化模式处理***13。
白炽灯光源8为卤素灯并采用柯拉照明。计算机数字化模式处理***13如附图2为:图像输入、利用中值滤波抑制随机脉冲噪声;利用快捷的灰度线性变换有效的提取目标特征图像;实现图像分割及二值化;去除冗余信息;采用形态学细化的腐蚀运算使线条细化便于随后的线条跟踪;建立疵病标准库;进行归类评价及定标。多方位角排布的光纤9为:多方位角冷光源的列阵排布。
光滑表面疵病的自动化检测***的光学测量原理
本实用新型根据工程标准疵病均应采用散射光检测的前提,建立适合大口径与孔径扫描散射成像检测的***。如附图1所示为检测装置的***布局,计算机对疵病的模式识别方法和过程在下部分所述。被测元件6安置在一个可以将大口径分割成若干的子孔径扫描的X、Y工作台18上,在被测元件下部是暗背景7,扫描可以由计算机12进行控制。光纤光源9用可调架3以特定的的角度照射被检元件,入射光经位于光学***物面上的下表面或上表面反射后从另一端出射,该表面疵病边缘诱发的散射光4成α角反射后经可变焦显微放大***2收集并成像于CCD1上。图像一路经监控器11供检测时监控,另一路经图像采集***10将采集到的图像数据送入计算机模式处理***13。由光学散射光成像理论可知,由此构成暗背景上亮疵病散射光反射式的成像图像,由于该α角与疵病边缘沟槽角度等性质有密切关系,所以采用多光纤多方位角的布局,与光轴成角α入射到被检面,这样可以保证不管疵病的边缘沟槽角度如何变化,均可以得到疵病的清晰的表面散射光的反射图像。实现计算机对疵病图像处理的数字化评价,非常关键的一点就是必须获得可以适合于计算机模式识别的疵病图像。当被测面为大口径时,计算机12控制可以进行子孔径扫描的X、Y工作台的驱动电路14、15,使X、Y电机16、17驱动工作台18进行X、Y方向的多个子孔径扫描,从而可以获得全口径的疵病图像数据。
疵病图像模式识别及特征提取数学模型
本实用新型建立了对疵病图像基于数学形态学的模式识别的数学模型和处理软件,建立了一个完整的数字化标准的评估体系。其主要完成了对疵病图像信息的识别处理及特征提取;疵病的分类评估及定标。
(1)实现疵病图像模式识别数学模型及特征提取方法
本实用新型中建立的疵病图像模式识别模型是数字化评价的关键环节。如从疵病图像中提取与缺陷划痕有关的信息,利用数字形态学进行图像分割,特征(如疵病形状、大小、长、面积等)提取,线条跟踪等多种图像处理工作。利用数学形态学的处理方法,对二值化图像进行最佳处理,完成疵病的识别,附图2即为实现疵病图像模式识别数学模型及特征提取方法流程图。
·中值滤波
由于一些随机的***中各环节产生的脉冲噪声,为了去除一些不属于疵病的噪声,利用中值滤波或其它滤波方法,对噪声进行有效的抑制。
·灰度线性变换
要将疵病特征与背景分离开来,其必须利用图像分割。采用一个快捷的处理方法即灰度线性变换。输出和输入灰度满足:
G出=aiG入 i=1,2,...,n (1)
式中ai为变换值,ai>1即灰度拉伸,对比度增强。灰度线性变换可以分段进行,使疵病特征与背景的灰度大大拉开,有效的提取了目标特征图像。
·图像分割及二值化
图像分割是一个非常重要的图像分析技术。经灰度拉伸后,两者灰度基本分离,直方图必呈“L”型,即背景的灰度值概率远大于疵病目标的灰度值。利用并形区域分割算法中的最优阈值搜寻法。该数据模型是根据已知图像概率密度分布函数表达形式,当背景与疵病目标的概率密度分别为pb,po,可解得使目标分割总误差概率最小的最优阈值T:
式中μb,μ0分别为背景及目标的平均光学密度;σ即为噪声的标准偏差,以T作为分割背景与目标的分界线,对图像利用该方法,使背景和目标最佳分割。
二值化是基于图像分割的基础上,将背景与目标依最值阈值T为界,分别将背景及目标设为0和1(这样有利于加快形态学中的处理速度),二值化可使算法的实现大为简单,并对下面去除冗余信息,应用形态学对图像进行特征提取提供了基础。
·去除冗余信息
大口径扫描检测,具有成百上千个子孔径。每个子孔径中是否存在疵病信息,予以筛选进行下一步运算。缺陷在孔径中随机分布,在二值化后对每个连通区域计算区域大小(即对目标象素求和),判定某个子孔径内是否有缺陷或小到可以忽略不计,以加快后续的运算速度。
·形态学细化
形态学细化是一种主要的图像处理方法,对上述的二值化图像,采用形态学的腐蚀运算与击中击不中运算,进行细化,便于随后的线条跟踪,以进行长度计算。疵病标准中对线条长度L有特别的容限要求。
对一帧二值化的疵病图像A,设定结构元素为S其对A的腐蚀E,数学表达为:
E=AS={(x,y)|Sx,yA} (3)
而E通常是结构元素原点位置的集合。通过位移运算比较适合程序实现。通过腐蚀运算可使线条变细。但是,当腐蚀到一定深度时,会使线条较狭窄部分腐蚀掉,将同一线条分为二段。因此为了弥补其不足,保持目标线条的连通性,正确反映被检面线条长度及元件的合理性(如线条长超过40mm,则不合格,而分离成二条线条时产生误检)。对腐蚀运算进行改进即先进行判断,再进行腐蚀保持原线条连通性采用细化方法,其数学定义为
式中
是击中击不中运算,其定义为:
式中S是由两个不相交的结构元素S1,S2组成,
A为A的补集。上式中击中击不中变换能保持目标线条的连通性。在具体程序实施时,设置了判断条件,符合则剥离,否则则保留。经细化后,将不同粗细线条细化为一条单个象素宽的线条,可以计算划痕的实际长度。
·线条跟踪
经细化后已经去掉了与划痕线条长度无关的信息,使所检测的划痕清晰可见。“1”为目标,“0”为无信息。因此,在程序处理中,在与目标象素1至8邻域方向探索。设定优先级,记录探索轨迹,将线条全部搜索完毕。在运行时,可利用多种限制方法来完成线条跟踪记录,而线条的起始与终点的行进路线即为线条长度L。
对于以A表征边缘碎片鉴别,是以被检面的物理孔径边缘为界,孔径有固定大小,由计算机预先存储及辅之以扫描确定,也可利用前述的根据边缘灰度特征做图像分割等方法得到。
(2)子孔径扫描体系
大口径元件的表面疵病检测,是对全孔径逐步施行子孔径扫描,最后图像处理时施行拼接。建立了如附图3所示的利用XY两个方向的平移来获得表面的子孔径扫描,其中A11,A12等是子孔径,目前直线移导***的移动定位已达到微米、亚微米的定位精度(即小于CCD的一个象素值)。同时对于透镜的子孔径扫描,可以利用被检面(球心)绕子午面及弧矢面的偏摆扫描,对球面进行全孔径成像。
(3)疵病宽度标准比对及评价
本实用新型检测***产生的图像是以暗背景上的亮象来检测,因此,为了正确评定疵病的实际尺寸大小,可以设定一组疵病标准刻线进行实际的检测定标。
疵病标准的基底与宽度选择:
由于测量用一可变焦光学显微***,因为每次放大倍数不同,所以要正确将象面尺寸转换至物面实际尺寸,即求出一个正确的放大倍数,使检测的图像与标准尺度可一致。因此采用了光学玻璃基底,光刻出不同宽度的划痕刻线,宽度从几微米至几十微米(长度一致);从抛光等工艺可知,微粒在表面上划出的道子,一般是“V”状,而沿着边缘产生的散射光就是CCD象面上形成的亮目标象。这些宽度是利用台阶仪、轮廓仪等设备、精确求取。在检测时,将该标准板作为库函数存贮供定标时调用对比。
在建立标准划痕刻线中,根据不同被测目标,适当选择不同反射率的基片。经分析研究,用本***的反射式暗场照明图像的定标比透射式的图像对比好,且通过刻线定标,完全可以保证其检测的准确性,且适合于任意反射元件表面。
疵病的评价及分类:
疵病的分类是建立在图像模式识别的基础上,经过扫描及一系列图像处理及定标已经建立了全孔径内的各类划痕、缺陷、碎边等不同疵病的几何形状的数据库。根据行业的工程标准,将识别的疵病的象素数进行数学计算,计算划痕的长度和宽度、麻点面积的平方根、破边的长度等。
本实用新型根据国际疵病工程标准,建立了新颖的适合于大口径、高精度表面的扫描散射成像检测***;建立了一个能全面、科学的评价大口径检测扫描成像的数学模型及图像处理的模式识别软件体系;可以大大促进国内外表面疵病评价向数字化标准方向发展。
实施例1
本实用新型的光滑表面疵病的自动化检测方法及***如附图1所示,当被检表面口径较小时,被测元件6安置在工作台18上,在被测元件下部是暗背景7。可调整架3使光纤光源(光源为白炽灯并可以进行光强调节)9以特定的的角度照射被检元件,入射光经位于光学***物面上的表面反射后从另一端出射,而表面疵病边缘诱发的部分散射光则成α角反射后被可变焦光学显微放大***2收集并成像于CCD1上。图像一路经监控器11供检测时监控,另一路经图像采集***10将采集到的图像数据送入计算机模式处理***13,经计算机进行疵病图像一系列模式识别数字化处理、并与标准的刻线进行比对。
实施例2
当被检表面口径较大时,采用的光滑表面疵病的自动化检测***如附图1所示,被测元件的安放及调整如实施例1。当被测面为大口径时,可以进行如附图3所示的扫描方式,计算机12控制子孔径扫描的X、Y工作台的驱动电路14、15,使X、Y电机16、17驱动工作台18进行X、Y方向的多个子孔径扫描,从而可以获得全口径的疵病图像数据。并根据各扫描孔径的坐标完成子孔径拼接。大口径检测必须由多个子孔径拼接组成,因此数据量非常大,为了压缩数据量,可以去掉无疵病信息的子孔径,同时满足疵病测量的精确性与处理速度之间的需求。最终同样可以进行并得到与实施例1相同的测量结果。
Claims (4)
1、一种光滑表面疵病的自动化检测***,其特征在于:它依次具有光学显微变焦***、光源、扫描工作台以及图像采集与数据处理***,光学显微变焦***依次具有CCD(1)、可变焦光学显微放大***(2),光源依次具有白炽灯光源(8)、多方位角排布的光纤(9)、柯拉照明头(5)、光纤角度可调架(3),扫描工作台依次具有子孔径扫描的X、Y工作台驱动电路(14)、(15),X、Y方向扫描的电机(16)、(17)、X、Y扫描工作台(18)、位于扫描工作台上的被检面(6)及下部设有的暗背景(7),图像采集与数据处理***具有监控器(11)、图像采集***(10)、计算机(12)、计算机疵病的数字化模式处理***(13)。
2、根据权利要求1所述的一种光滑表面疵病的自动化检测***,其特征在于所述的白炽灯光源(8)为卤素灯并采用柯拉照明。
3、根据权利要求1所述的一种光滑表面疵病的自动化检测***,其特征在于所述的计算机数字化模式处理***(13)为:图像输入、利用中值滤波抑制随机脉冲噪声;利用快捷的灰度线性变换有效的提取目标特征图像;实现图像分割及二值化;去除冗余信息;采用形态学细化的腐蚀运算使线条细化便于随后的线条跟踪;建立疵病标准库;进行归类评价及定标。
4、根据权利要求1所述的一种光滑表面疵病的自动化检测***,其特征在于所述的多方位角排布的光纤(9)为:多方位角冷光源的列阵排布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200420037022 CN2729708Y (zh) | 2004-06-22 | 2004-06-22 | 光滑表面疵病的自动化检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200420037022 CN2729708Y (zh) | 2004-06-22 | 2004-06-22 | 光滑表面疵病的自动化检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN2729708Y true CN2729708Y (zh) | 2005-09-28 |
Family
ID=35048483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200420037022 Expired - Lifetime CN2729708Y (zh) | 2004-06-22 | 2004-06-22 | 光滑表面疵病的自动化检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN2729708Y (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1313821C (zh) * | 2004-04-09 | 2007-05-02 | 浙江大学 | 光滑表面疵病的自动化检测方法及其*** |
CN104165894A (zh) * | 2014-06-23 | 2014-11-26 | 中国计量学院 | 一种用于曲面工件表面缺陷的检测装置 |
CN104215646A (zh) * | 2014-09-18 | 2014-12-17 | 浙江大学 | 大口径球面光学元件表面疵病检测***及其方法 |
CN107449782A (zh) * | 2017-08-15 | 2017-12-08 | 杭州晶耐科光电技术有限公司 | 手机外壳侧边表面缺陷数字化定量检测*** |
WO2020248345A1 (zh) * | 2019-06-14 | 2020-12-17 | 浙江大学 | 一种基于分治思想的疵病宽度实时溯源方法 |
-
2004
- 2004-06-22 CN CN 200420037022 patent/CN2729708Y/zh not_active Expired - Lifetime
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1313821C (zh) * | 2004-04-09 | 2007-05-02 | 浙江大学 | 光滑表面疵病的自动化检测方法及其*** |
CN104165894A (zh) * | 2014-06-23 | 2014-11-26 | 中国计量学院 | 一种用于曲面工件表面缺陷的检测装置 |
CN104165894B (zh) * | 2014-06-23 | 2017-08-08 | 中国计量学院 | 一种用于曲面工件表面缺陷的检测装置 |
CN104215646A (zh) * | 2014-09-18 | 2014-12-17 | 浙江大学 | 大口径球面光学元件表面疵病检测***及其方法 |
CN104215646B (zh) * | 2014-09-18 | 2016-06-29 | 浙江大学 | 大口径球面光学元件表面疵病检测***及其方法 |
CN107449782A (zh) * | 2017-08-15 | 2017-12-08 | 杭州晶耐科光电技术有限公司 | 手机外壳侧边表面缺陷数字化定量检测*** |
WO2020248345A1 (zh) * | 2019-06-14 | 2020-12-17 | 浙江大学 | 一种基于分治思想的疵病宽度实时溯源方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1313821C (zh) | 光滑表面疵病的自动化检测方法及其*** | |
CN111855664B (zh) | 一种可调节隧道病害三维检测*** | |
CN108332689B (zh) | 一种检测表面粗糙度和表面损伤的光学测量***及方法 | |
CN110378879A (zh) | 一种桥梁裂缝检测方法 | |
CN110163853A (zh) | 一种边缘缺陷的检测方法 | |
CN101670533A (zh) | 基于工件加工表面图像分析的刀具磨损状态评价方法 | |
CN110161035B (zh) | 基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 | |
JPH10506461A (ja) | 顕微鏡スライドガラスのカバーガラスを検出するための方法と装置 | |
Wang et al. | Intelligent prediction of wear location and mechanism using image identification based on improved Faster R-CNN model | |
CN1869667A (zh) | 一种检测印刷电路板缺陷的轮廓分析方法 | |
Liu et al. | Microscopic scattering imaging measurement and digital evaluation system of defects for fine optical surface | |
CN102636496B (zh) | 光学表面疵病暗场检测中疵病宽度标定标准化方法 | |
CN102176228A (zh) | 一种用于识别多个指针式仪表表盘信息的机器视觉方法 | |
CN108154498A (zh) | 一种裂缝缺陷检测***及其实现方法 | |
CN101701799B (zh) | 微钻机器视觉检测***及其方法 | |
CN102175692A (zh) | 织物坯布疵点快速检测***及方法 | |
CN113421230B (zh) | 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法 | |
CN101477062A (zh) | 橡胶基材料中短纤维细观结构参数的识别方法及装置 | |
CN106441107A (zh) | 钢轨磨耗自动检测方法 | |
CN101793840A (zh) | 钻石切工参数测量方法及测量装置 | |
CN106274979A (zh) | 钢轨磨耗自动检测装置 | |
CN101806750A (zh) | 一种自动检测煤岩参数的方法及其专用设备 | |
Su et al. | A cascaded combination method for defect detection of metal gear end-face | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN109816627A (zh) | 平面玻璃元件油墨区弱小缺陷目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
AV01 | Patent right actively abandoned |
Effective date of abandoning: 20040622 |
|
C25 | Abandonment of patent right or utility model to avoid double patenting |