CN104318256A - 基于计算机软件实现玻璃缺陷自动检测分类的方法 - Google Patents
基于计算机软件实现玻璃缺陷自动检测分类的方法 Download PDFInfo
- Publication number
- CN104318256A CN104318256A CN201410657983.6A CN201410657983A CN104318256A CN 104318256 A CN104318256 A CN 104318256A CN 201410657983 A CN201410657983 A CN 201410657983A CN 104318256 A CN104318256 A CN 104318256A
- Authority
- CN
- China
- Prior art keywords
- glass
- defect
- classification
- computer software
- neural network
- 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
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
-
- 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
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Abstract
本发明涉及一种基于计算机软件实现玻璃缺陷自动检测分类的方法,其中包括:检测软件根据设定的分割阈值对玻璃的图像进行划分,并得到数个划分对象;检测软件通过神经网络分类算法对各个划分对象进行处理,并提取得到各个划分对象对应的数个缺陷特征值;检测软件通过神经网络分类算法对各个划分对象所对应的缺陷特征值进行分析,并得到该划分对象缺陷类别。采用本发明的基于计算机软件实现玻璃缺陷自动检测分类的方法,适用于电子玻璃及其他玻璃的自动化生产的操作,提高玻璃检验效率,保证玻璃出厂品质,节省人力成本,加快企业的自动化进程,有利于玻璃自动检测系统的大规模推广,具有更加广泛的应用范围。
Description
技术领域
本发明涉及视觉图像检测领域,尤其涉及玻璃质量检测领域,具体是指一种基于计算机软件实现玻璃缺陷自动检测分类的方法。
背景技术
近年来,随着市场对玻璃产品需求的迅速增长,玻璃产品的生产无论从质量、品种,还是生产工艺都发生了质的变化。特别是现在生产技术的不断发展,高端产品对玻璃基板的质量要求越来越高,尤其是电子玻璃,玻璃上会存在气泡、划伤、凹坑等各种各样的缺陷,因此全面保证玻璃质量提高其等级就显得尤其重要。
目前,电子玻璃的缺陷检测主要是利用人工在线检测,人工的检验精度低,漏检率高,人工检测易受检测人员主观因素的影响,容易对玻璃缺陷造成漏检,尤其是畸变较小的缺陷漏检,工人容易视觉疲劳,尤其上夜班,稳定性不高,而且人力成本大。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种结合图像处理技术和神经网络分类算法,实现玻璃缺陷精准地自动检测,提高检验精度和检验效率的基于计算机软件实现玻璃缺陷自动检测分类的方法。
为了实现上述目的,本发明的基于计算机软件实现玻璃缺陷自动检测分类的方法具有如下构成:
该基于计算机软件实现玻璃缺陷自动检测分类的方法,其主要特点是,所述的方法包括以下步骤:
(1)检测软件根据设定的分割阈值对玻璃的图像进行划分,并得到数个划分对象;
(2)所述的检测软件通过神经网络分类算法对各个划分对象进行处理,并提取得到各个划分对象对应的数个缺陷特征值;
(3)所述的检测软件通过神经网络分类算法对各个划分对象所对应的缺陷特征值进行分析,并得到该划分对象缺陷类别。
进一步地,所述的步骤(1)之前,还包括以下步骤:
(0.1)所述的检测软件通过训练样本进行所述的神经网络分类算法的学习;
(0.2)所述的检测软件通过测试样本进行测试,并判断测试结果是否达到测试阈值;
(0.3)如果判断结果为所述的测试结果达到所述的测试阈值,则继续步骤(1),否则返回上述步骤(0.1)。
进一步地,所述的步骤(3)之后,还包括以下步骤:
(4)所述的检测软件判断分析得到的缺陷类别结果是否达到分类阈值,如果是,则继续步骤(1),否则继续步骤(0.1)。
更进一步地,所述的神经网络分类算法的学习包括神经网络结构的学习和连接权值的学习。
更进一步地,所述的步骤(0.1)和(0.2)之间,还包括以下步骤:
(0.1.1)所述的检测软件采用协同进化算法协作优化神经网络结构和连接权值。
更进一步地,所述的协同进化算法为合作型协同进化算法。
更进一步地,所述的训练样本为所述的玻璃的各个缺陷对应的数个样本的集合,所述的测试样本为所述的玻璃的各个缺陷对应的随机样本的集合。
其中,所述的缺陷特征值包括周长特征值、面积特征值、致密性特征值、灰度中值特征值、灰度均值特征值、最大灰度级特征值,最小灰度级特征值,所述的玻璃为电子玻璃。
采用了本发明的基于计算机软件实现玻璃缺陷自动检测分类的方法,根据检测玻璃尺寸的不同,更改不同尺寸对应的参数,可以检测不同类型的电子玻璃,适合电子玻璃的自动化生产的操作,特别适用于连续不间断作业场合、自动化生产要求高、检测精度要求高、稳定性要求高的工况;同时,检测精度能够达到0.05mm,漏检率在0.5%以内,提高玻璃检验效率,保证玻璃出厂品质,节省人力成本,加快企业的自动化进程,有利于玻璃自动检测系统的大规模推广,具有更加广泛的应用范围。
附图说明
图1为本发明的基于计算机软件实现玻璃缺陷自动检测分类的方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的技术内容,特举以下实施例详细说明。应理解,实施例仅是用于说明本发明,而不是对本发明的限制。
请参阅图1,在一种实施方式中,本发明的基于计算机软件实现玻璃缺陷自动检测分类的方法包括以下步骤:
(1)检测软件根据设定的分割阈值对玻璃的图像进行划分,并得到数个划分对象;
(2)所述的检测软件通过神经网络分类算法对各个划分对象进行处理,并提取得到各个划分对象对应的数个缺陷特征值;
(3)所述的检测软件通过神经网络分类算法对各个划分对象所对应的缺陷特征值进行分析,并得到该划分对象缺陷类别。
在一种优选的实施方式中,所述的步骤(1)之前,还包括以下步骤:
(0.1)所述的检测软件通过训练样本进行所述的神经网络分类算法的学习;
(0.2)所述的检测软件通过测试样本进行测试,并判断测试结果是否达到测试阈值;
(0.3)如果判断结果为所述的测试结果达到所述的测试阈值,则继续步骤(1),否则返回上述步骤(0.1)。
在一种优选的实施方式中,所述的步骤(3)之后,还包括以下步骤:
(4)所述的检测软件判断分析得到的缺陷类别结果是否达到分类阈值,如果是,则继续步骤(1),否则继续步骤(0.1)。
在一种更优选的实施方式中,所述的神经网络分类算法的学习包括神经网络结构的学习和连接权值的学习。
在一种更优选的实施方式中,所述的步骤(0.1)和(0.2)之间,还包括以下步骤:
(0.1.1)所述的检测软件采用协同进化算法协作优化神经网络结构和连接权值。
在一种更优选的实施方式中,所述的协同进化算法为合作型协同进化算法。
在一种更优选的实施方式中,所述的训练样本为所述的玻璃的各个缺陷对应的数个样本的集合,所述的测试样本为所述的玻璃的各个缺陷对应的随机样本的集合。
其中,所述的缺陷特征值包括周长特征值、面积特征值、致密性特征值、灰度中值特征值、灰度均值特征值、最大灰度级特征值,最小灰度级特征值,所述的玻璃为电子玻璃。
在实际应用中,需结合图像采集技术和计算机软件,包括玻璃图像的获取,阈值分割,缺陷定位,特征值提取,并采用神经网络技术进行缺陷学习与缺陷估测,因此,结合以下较佳的实施例进行详细阐述:
首先,进行神经网络的学习。
由于电子玻璃若存在缺陷,玻璃上会存在气泡、划伤、锡点等各种各样鲜明的缺陷特征,根据每种缺陷的特征可以发现,气泡呈椭圆型,划伤是一根细长的线,图像上的锡点缺陷相较于玻璃无缺陷部分在亮度上存在较大差异(很亮或很暗),根据每种缺陷的特点,设计对应的特征值就可以很容易地对缺陷进行分类,其它缺陷分类亦同,所以,在检测软件正常的情况下,检测软件上的计算机软件在使用前会建立两个缺陷库样本(即训练样本和测试样本),设计特征值,进行软件的学习,保证在装置运行后能够准确进行缺陷分类,具体如下:
1、准备两个缺陷库样本,具体为训练样本和测试样本,其中,训练样本中每种缺陷大概100个样本,测试样本是随机选取的缺陷样片,覆盖每种缺陷。
2、通过训练样本进行神经网络学习,包括神经网络结构和连接权值的学习,同时,还可以采用合作型协同进化算法,不断的协作优化神经网络结构和连接权值。神经网络学习结束后,使用测试样本进行测试,分类缺陷,验证学习的准确性,如准确性较低,则再选择更多的训练样本进行学习,直到测试的准确率达到指定要求。
3、当检测软件的计算机软件将神经网络分类算法成功置入后,对所有被划分出来的划分对象的特征值进行判定和缺陷分类。
然后,获取被测玻璃的图像。
电子玻璃的常规尺寸为14×16英寸,采用红色、蓝色两种LED光源,采用两个16K相机,相机工作距离为50CM,分辨为0.013mm/Pixel。
其次,进行缺陷的检测。
玻璃的缺陷部分在图像上的亮度将低于或高于正常玻璃背景图像亮度,采用阈值分割,将缺陷对象在玻璃图像上划分出来(即划分图像得到划分对象),因此可定位缺陷在玻璃图像上的位置。
根据每类缺陷具体特征特点,总结一系列明显区分其它缺陷的特征值,取得每类缺陷特征值的并集作为固定数量的特征值库,如缺陷的周长、面积、致密性、灰度中值、灰度均值、最大灰度级,最小灰度级等,根据每种特征值的计算公式,将玻璃的图像上的所有被划分出的划分对象进行特征值提取,特征值提取按照特征值库进行提取。
最后,进行缺陷的分类。
此外,在装置运行后,可以设置一个分类阈值,判断缺陷分类的准确性,例如对该玻璃进行二次缺陷分类,对比两次分类结果的重合率是否达到分类阈值,或者进行人工检测,确定该缺陷分类的结果是否达到分类阈值。实际生产测试中,生产商都有检验员(专门负责玻璃检验),检验员判断检测软件获得的缺陷类别是否正确,以检验员判断机器是否分类正确进一步缺陷分类还不准确,如果缺陷分类还不准确,可能因为样本学习少,无需离线,可以更新训练样本和测试样本,并继续在线学习,一边检测玻璃,一边学习,使用新的学习成果检测后面的玻璃,直到分类准确度达到一定程度后为止。
本发明的基于计算机软件实现玻璃缺陷自动检测分类的方法具有以下特点:
1)计算机软件运行算法的平均时间为60ms,与现有技术相比,检测分类的效率大大提高,平均每3秒检测一片玻璃;
2)能够提取出多种需要的特征值,每个缺陷最多可提取80个特征值,且特征值的精度高;
3)能够有效的分辨出气泡、划伤、沾锡、锡灰、磨伤、凹坑和灰尘等缺陷类别,利用每种缺陷特有的特征进行分辨,准确率达到99%以上。
采用了本发明的基于计算机软件实现玻璃缺陷自动检测分类的方法,根据检测玻璃尺寸的不同,更改不同尺寸对应的参数,可以检测不同类型的电子玻璃,适合电子玻璃的自动化生产的操作,特别适用于连续不间断作业场合、自动化生产要求高、检测精度要求高、稳定性要求高的工况;同时,检测精度能够达到0.05mm,漏检率在0.5%以内,提高玻璃检验效率,保证玻璃出厂品质,节省人力成本,加快企业的自动化进程,有利于玻璃自动检测系统的大规模推广,具有更加广泛的应用范围。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (9)
1.一种基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的方法包括以下步骤:
(1)检测软件根据设定的分割阈值对玻璃的图像进行划分,并得到数个划分对象;
(2)所述的检测软件通过神经网络分类算法对各个划分对象进行处理,并提取得到各个划分对象对应的数个缺陷特征值;
(3)所述的检测软件通过神经网络分类算法对各个划分对象所对应的缺陷特征值进行分析,并得到该划分对象缺陷类别。
2.根据权利要求1所述的基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的步骤(1)之前,还包括以下步骤:
(0.1)所述的检测软件通过训练样本进行所述的神经网络分类算法的学习;
(0.2)所述的检测软件通过测试样本进行测试,并判断测试结果是否达到测试阈值;
(0.3)如果判断结果为所述的测试结果达到所述的测试阈值,则继续步骤(1),否则返回上述步骤(0.1)。
3.根据权利要求2所述的基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的步骤(3)之后,还包括以下步骤:
(4)所述的检测软件判断分析得到的缺陷类别结果是否达到分类阈值,如果是,则继续步骤(1),否则继续步骤(0.1)。
4.根据权利要求3所述的基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的神经网络分类算法的学习包括神经网络结构的学习和连接权值的学习。
5.根据权利要求4所述的基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的步骤(0.1)和(0.2)之间,还包括以下步骤:
(0.1.1)所述的检测软件采用协同进化算法协作优化神经网络结构和连接权值。
6.根据权利要求5所述的基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的协同进化算法为合作型协同进化算法。
7.根据权利要求6所述的基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的训练样本为所述的玻璃的各个缺陷对应的数个样本的集合,所述的测试样本为所述的玻璃的各个缺陷对应的随机样本的集合。
8.根据权利要求1至7中任一项所述的基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的缺陷特征值包括周长特征值、面积特征值、致密性特征值、灰度中值特征值、灰度均值特征值、最大灰度级特征值,最小灰度级特征值。
9.根据权利要求8所述的基于计算机软件实现玻璃缺陷自动检测分类的方法,其特征在于,所述的玻璃为电子玻璃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410657983.6A CN104318256A (zh) | 2014-11-17 | 2014-11-17 | 基于计算机软件实现玻璃缺陷自动检测分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410657983.6A CN104318256A (zh) | 2014-11-17 | 2014-11-17 | 基于计算机软件实现玻璃缺陷自动检测分类的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104318256A true CN104318256A (zh) | 2015-01-28 |
Family
ID=52373485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410657983.6A Pending CN104318256A (zh) | 2014-11-17 | 2014-11-17 | 基于计算机软件实现玻璃缺陷自动检测分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318256A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645180A (zh) * | 2017-02-06 | 2017-05-10 | 东旭科技集团有限公司 | 检查基板玻璃缺陷的方法、现场终端及服务器 |
CN107316047A (zh) * | 2016-04-27 | 2017-11-03 | 佳能株式会社 | 图像处理装置、图像处理方法以及存储介质 |
CN108226182A (zh) * | 2018-01-25 | 2018-06-29 | 东莞市科隆威自动化设备有限公司 | 太阳能电池片印刷检测装置 |
CN108765391A (zh) * | 2018-05-19 | 2018-11-06 | 科立视材料科技有限公司 | 一种基于深度学习的平板玻璃异物影像分析方法 |
CN108876761A (zh) * | 2017-05-11 | 2018-11-23 | 欧姆龙株式会社 | 图像处理装置、电脑可读取记录媒体、图像处理系统 |
CN109035226A (zh) * | 2018-07-12 | 2018-12-18 | 武汉精测电子集团股份有限公司 | 基于LSTM模型的Mura缺陷检测方法 |
CN110083719A (zh) * | 2019-03-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于深度学习的工业制品病疵检测方法 |
CN112037222A (zh) * | 2020-11-04 | 2020-12-04 | 武汉精测电子集团股份有限公司 | 一种神经网络模型的自动更新方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609485A (zh) * | 2009-07-24 | 2009-12-23 | 西安电子科技大学 | 基于迁移核匹配追踪的医学影像诊断系统及诊断方法 |
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
CN102254224A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN102567391A (zh) * | 2010-12-20 | 2012-07-11 | 中国移动通信集团广东有限公司 | 一种分类预测混合模型的建立方法及装置 |
CN103258214A (zh) * | 2013-04-26 | 2013-08-21 | 南京信息工程大学 | 基于图像块主动学习的遥感图像分类方法 |
CN103344651A (zh) * | 2013-05-08 | 2013-10-09 | 中北大学 | 基于相位图像处理的玻璃缺陷检测方法 |
CN103345643A (zh) * | 2013-06-13 | 2013-10-09 | 南京信息工程大学 | 一种遥感图像分类方法 |
US20130266214A1 (en) * | 2012-04-06 | 2013-10-10 | Brighham Young University | Training an image processing neural network without human selection of features |
-
2014
- 2014-11-17 CN CN201410657983.6A patent/CN104318256A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609485A (zh) * | 2009-07-24 | 2009-12-23 | 西安电子科技大学 | 基于迁移核匹配追踪的医学影像诊断系统及诊断方法 |
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
CN102567391A (zh) * | 2010-12-20 | 2012-07-11 | 中国移动通信集团广东有限公司 | 一种分类预测混合模型的建立方法及装置 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN102254224A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统 |
US20130266214A1 (en) * | 2012-04-06 | 2013-10-10 | Brighham Young University | Training an image processing neural network without human selection of features |
CN103258214A (zh) * | 2013-04-26 | 2013-08-21 | 南京信息工程大学 | 基于图像块主动学习的遥感图像分类方法 |
CN103344651A (zh) * | 2013-05-08 | 2013-10-09 | 中北大学 | 基于相位图像处理的玻璃缺陷检测方法 |
CN103345643A (zh) * | 2013-06-13 | 2013-10-09 | 南京信息工程大学 | 一种遥感图像分类方法 |
Non-Patent Citations (3)
Title |
---|
周宇恒: "BP网络泛化能力的改进方法", 《兵工自动化》 * |
王进烤: "基于神经网络或算法的误差演算", 《电子世界》 * |
陈天宝: "基于BP网络的浮法玻璃缺陷分类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316047A (zh) * | 2016-04-27 | 2017-11-03 | 佳能株式会社 | 图像处理装置、图像处理方法以及存储介质 |
CN107316047B (zh) * | 2016-04-27 | 2021-07-27 | 佳能株式会社 | 图像处理装置、图像处理方法以及存储介质 |
CN106645180A (zh) * | 2017-02-06 | 2017-05-10 | 东旭科技集团有限公司 | 检查基板玻璃缺陷的方法、现场终端及服务器 |
CN108876761A (zh) * | 2017-05-11 | 2018-11-23 | 欧姆龙株式会社 | 图像处理装置、电脑可读取记录媒体、图像处理系统 |
CN108876761B (zh) * | 2017-05-11 | 2022-05-27 | 欧姆龙株式会社 | 图像处理装置、电脑可读取记录媒体、图像处理系统 |
CN108226182A (zh) * | 2018-01-25 | 2018-06-29 | 东莞市科隆威自动化设备有限公司 | 太阳能电池片印刷检测装置 |
CN108765391A (zh) * | 2018-05-19 | 2018-11-06 | 科立视材料科技有限公司 | 一种基于深度学习的平板玻璃异物影像分析方法 |
CN109035226A (zh) * | 2018-07-12 | 2018-12-18 | 武汉精测电子集团股份有限公司 | 基于LSTM模型的Mura缺陷检测方法 |
CN109035226B (zh) * | 2018-07-12 | 2021-11-23 | 武汉精测电子集团股份有限公司 | 基于LSTM模型的Mura缺陷检测方法 |
CN110083719A (zh) * | 2019-03-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于深度学习的工业制品病疵检测方法 |
CN112037222A (zh) * | 2020-11-04 | 2020-12-04 | 武汉精测电子集团股份有限公司 | 一种神经网络模型的自动更新方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318256A (zh) | 基于计算机软件实现玻璃缺陷自动检测分类的方法 | |
CN101915769B (zh) | 一种印刷电路板中带电阻元件的自动光学检测方法 | |
CN105405142B (zh) | 一种玻璃面板的边缺陷检测方法及系统 | |
CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN102221556B (zh) | 基于机器视觉的小型连接件外观缺陷在线检测装置与方法 | |
CN107084991A (zh) | 基于机器视觉的石英棒气泡检测及品质分级方法 | |
KR20180004046A (ko) | 검사 장치 및 방법 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN106651857B (zh) | 一种印刷电路板贴片缺陷检测方法 | |
CN109726730B (zh) | 自动光学检测图像分类方法、系统及计算机可读介质 | |
CN103308523B (zh) | 多尺度瓶口缺陷检测方法及装置 | |
CN103207186A (zh) | 自动验布机疵点检测识别方法及其系统 | |
CN109983482A (zh) | 已学习模型生成方法、已学习模型生成装置、信号数据判别方法、信号数据判别装置以及信号数据判别程序 | |
CN111652883B (zh) | 基于深度学习的玻璃表面缺陷检测方法 | |
CN104867144A (zh) | 基于混合高斯模型的ic元件焊点缺陷检测方法 | |
CN101995412A (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN111986195A (zh) | 一种外观缺陷检测方法及系统 | |
CN114972342B (zh) | 一种变速箱齿轮表面缺陷检测方法 | |
CN103245666B (zh) | 一种蓄电池极板外观缺陷自动检测方法 | |
CN113111903A (zh) | 智能产线监测系统及监测方法 | |
CN104359925A (zh) | 实现电子玻璃缺陷自动检测的系统 | |
CN108335283A (zh) | 一种自动检测分类玻璃缺陷的方法 | |
CN103903002A (zh) | 环境亮度检测方法和系统 | |
CN110687120A (zh) | 法兰外观质量检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150128 |