CN105445277B - 一种fpc表面质量视觉智能检测方法 - Google Patents

一种fpc表面质量视觉智能检测方法 Download PDF

Info

Publication number
CN105445277B
CN105445277B CN201510775840.XA CN201510775840A CN105445277B CN 105445277 B CN105445277 B CN 105445277B CN 201510775840 A CN201510775840 A CN 201510775840A CN 105445277 B CN105445277 B CN 105445277B
Authority
CN
China
Prior art keywords
fpc
image
defect
profile
outside
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
Application number
CN201510775840.XA
Other languages
English (en)
Other versions
CN105445277A (zh
Inventor
孙国栋
赵大兴
杨林杰
张杨
梅术正
王璜
艾成汉
王博
林松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201510775840.XA priority Critical patent/CN105445277B/zh
Publication of CN105445277A publication Critical patent/CN105445277A/zh
Application granted granted Critical
Publication of CN105445277B publication Critical patent/CN105445277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8845—Multiple wavelengths of illumination or detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's

Landscapes

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种FPC表面质量视觉智能检测方法，采用窗口为3×3中值滤波器对FPC图像进行处理；采用RGB颜色空间，在B通道提取片体的轮廓并对片体与背景进行分割；以FPC轮廓设计区域掩膜，从而产生内外两个图像掩膜，分别用内外掩模与原图像进行数学运算，得到内外感兴趣区域图像，采用RGB颜色空间投影阈值算法对压点与划伤进行识别，得到轮廓内部缺陷和轮廓外部缺陷；最后进行缺陷识别与分类；本发明的有益效果是提供了一种FPC表面质量视觉智能检测方法，检测效率高，能准确判断FPC表面是否有质量缺陷。

Description

一种FPC表面质量视觉智能检测方法
技术领域
本发明属于电路板制造技术领域，涉及一种FPC表面质量视觉智能检测方法。
背景技术
柔性印刷电路板(Flexible Printed Circuit，FPC)是以聚酰亚胺或聚酯薄膜为基材制成的一种具有高度可靠性、绝佳的可挠性印刷电路，FPC技术作为一种特殊的电子互连技术，有着十分显著的优越性。它具有轻、薄、短、小、结构灵活的特点，除可静态弯曲外，还能作动态弯曲、卷曲和折叠等，广泛地应用于航天、军事、移动终端、手机、数码相机等多个领域。随着计算机图像处理与识别技术的迅猛发展，使得基于机器视觉的FPC在线缺陷检测成为可能，并越来越受到人们的重视，渐渐成为质量检测的一种趋势。但是，目前FPC的自动检测系统的研究仍然停留在一个相对初期的水平，大多数FPC生产企业为节约生产成本，仍主要依靠人眼辅助光学设备来检测产品质量，但长时间、高度集中观察图像给检测人员带来了极大的精神疲劳，难以保证产品质量。而随着沿海等地区人力成本的不断上升以及招工困难的问题，使得FPC质检自动化迫在眉睫。
发明内容
本发明的目的在于提供一种FPC表面质量视觉智能检测方法，解决了目前FPC检测主要依靠人工，效率低，成本高，检测效果差的问题。
本发明所采用的技术方案是按照以下步骤进行：
步骤1：对采集的FPC图像进行图像预处理；采用窗口为3×3中值滤波器对FPC图像进行处理；
步骤2：FPC轮廓提取；采用RGB颜色空间，在B通道提取片体的轮廓并对片体与背景进行分割；
步骤3：掩膜设计；将提取的FPC轮廓以像素精度画在另一幅由内存开辟的与采集图像相同大小且像素灰度全为0的图像上，作为缺陷识别掩膜的母体，分别填充掩膜母体轮廓内部与外部区域，从而产生内外两个图像掩膜，分别用内外掩膜与原图像进行数学运算，得到内外感兴趣区域图像，以FPC轮廓为界，内掩膜与采集图像处理后使FPC轮廓内部的图像得以全部保留，外部被忽略，若与外模板作用，处理效果正好相反；
步骤4：缺陷提取；采用RGB颜色空间投影阈值算法对压点与划伤进行识别，得到轮廓内部缺陷和轮廓外部缺陷；
步骤5：缺陷识别与分类；
依据内部缺陷的几何特征将其区分为压点与划伤，采用缺陷轮廓面积Scon与其最小外接矩形面积Srect的比值来描述这种区分，将其定义为填充度，如下式所示；
R＝Scon/Srect
压点的填充度R比较大，实验发现都在0.7以上，而划伤成条状，填充度R较小，均在0.3以下；综合以上分析，缺陷分类准则为：
(1)若轮廓外部有宽度大于限定阈值Tw的白色区域，则为溢胶；
(2)若轮廓内部存在面积大于限定阈值Ts的白色区域，依据式R＝Scon/Srect计算该区域的轮廓填充度R，若R>0.5，则为压点；否则为划伤。
进一步，所述步骤4中，缺陷提取的方法为对轮廓内部感兴趣区域图像提取R通道的图像，选择阈值Th＝60对其二值化处理；对轮廓外部感兴趣区域图像变换到HSV颜色空间，提取H通道的图像，对其作阈值化处理，取阈值区间的中值TH＝195。
进一步，所述组合光源上端为红色同轴光源，中间为白色环形光源，下端为白色条形光源。
本发明的有益效果是提供了一种FPC表面质量视觉智能检测方法，检测效率高，能准确判断FPC表面是否有质量缺陷。
附图说明
图1从左至右是正常和含有三种缺陷的FPC在光源下经预滤波后的图像；
图2(a)采用otsu阈值对图像进行分割；
图2(b)片体轮廓图像；
图3左为内掩膜图像，右为外掩膜图像；
图4为FPC各特征在H空间的分布图；
图5为FPC三种缺陷的识别效果图，从左至右依次为压点、划伤、溢胶。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明FPC表面质量视觉智能检测方法步骤如下：
步骤1：对采集的FPC图像进行图像预处理；图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性，而图像增强是图像预处理的主要手段。根据FPC质检的实际需求，需消除因光照不均匀等原因产生的噪声，所以需要对图像进行增强处理。在线缺陷检测系统中遇到的大多是高斯噪声与椒盐噪声，特别是椒盐噪声会对缺陷的后续识别产生致命影响。本发明采用基于中值滤波的自适应滤波器。中值滤波是一种非线性滤波器，对椒盐噪声具有良好的滤波效果，且同时为保留图像的细节信息，故采用窗口为3×3中值滤波器对FPC图像进行处理，图1从左至右是正常和含有三种缺陷的FPC在特殊设计的组合光源下经预滤波后的图像。
步骤2：FPC轮廓提取
提取FPC轮廓是其缺陷识别算法中的一个重要环节。轮廓可以把视场图像分割成内外两部分，使识别中内外空间区域的缺陷特征互不干扰，并行处理；可以通过缺陷在轮廓内外的空间信息来区分其所属类型。当内外区域的不同缺陷呈现相同描述特征时，轮廓成为区分的最佳标准。提取轮廓采用RGB颜色空间，该空间中，任一颜色在红、绿、蓝三个不同通道的分量不同，这也是彩色图像特征识别的基础。在组合光源下，片体的各部分因材质不同其颜色特征存在明显差异。由于镜面反射，片体具有明显不同于其他区域的颜色特征，其颜色在RGB通道所占分量分别约为0.005(R)、0.47(G)和0.98(B)。实验数据表明，片体颜色在B通道的分量最大，故在该通道提取片体的轮廓。由于在B通道背景与前景差别很大，采用otsu阈值对图像进行分割如图2(a)，片体轮廓图像如图2(b)所示。
步骤3：掩膜设计
掩膜可以控制任意形状的感兴趣区域。其原理是用预先制作的感兴趣区掩膜与待处理图像进行数学运算，经过运算以后，感兴趣区域内图像特征保持不变，而区域外的图像将会被屏蔽。本发明以FPC轮廓设计区域掩膜，并将其用到缺陷识别算法中。具体实现为：将提取的FPC轮廓以像素精度画在另一幅由内存开辟的与采集图像相同大小且像素灰度全为0的图像上，作为缺陷识别掩膜的母体，分别填充掩膜母体轮廓内部与外部区域，从而产生内外两个图像掩膜，分别用内外掩膜与原图像进行数学运算，就可以得到内外感兴趣区域图像。以FPC的轮廓为界，内掩膜与采集图像处理后可使FPC轮廓内部的图像得以全部保留，外部被忽略(处理中灰度值为0)。若与外模板作用，处理效果正好相反，提取的内外掩膜如图3所示。
步骤4：缺陷提取，采用RGB颜色空间投影阈值算法对压点与划伤进行识别，得到轮廓内部缺陷和轮廓外部缺陷；
在组合光源下，压点和划伤呈白色，组合光源上端为红色同轴光源，中间为白色环形光源，下端为白色条形光源。基于缺陷的颜色特征，采用RGB颜色空间投影阈值算法对压点与划伤进行识别，并引入向量空间理论对缺陷识别算法进行解释。RGB颜色空间以一个单位长度的立方体来表示，过原点的三条边r、g、b构成了颜色空间的单位正交基，设C为可见光谱里面的任一种颜色，其可以等价为RGB颜色空间的任一向量c，则有：
其中，λr、λg、λb分别表示向量c在颜色空间r、g、b三个正交基上的分量。设白色与浅蓝色光谱对应的RGB颜色空间向量分别为w、b。对于向量w，有λr:λg:λb＝1:1:1，向量b有λr＝0，λg:λb＝0.5:1。为了使白色的压点、划伤缺陷与蓝色片体在向量空间具有较大区分度，可将w和b向量向r轴投影，b在r轴的投影为一个点，则br＝0；而w在r轴的投影为一定长度的线段，由投影几何关系可知向量间夹角余弦值约为0.8，故wr＝0.8×|w|，定义向量w和b在r轴投影分量比值η来描述这种区分度，如下式所示：
η＝wr/br
理论上br趋近于0，则区分度η趋近无穷大，说明在r通道压点、划伤特征与背景才具有最大的区分度，同时CCD传感器对红外光较其他光谱更敏感，因此r轴投影的区分效果最理想。其流程如下：首先把实时采集并预处理后的图像与内部掩膜进行数学运算，得到轮廓内部感兴趣区域图像，然后提取R通道的图像，选择阈值Th＝60对其二值化处理。
FPC上，胶体呈粉色，在RGB颜色空间用向量p表示，其对应的λr、λg、λb都有一定分量，p不能用RGB颜色空间中的任意两个正交基完全线性表示，故单纯在RGB颜色空间胶体难以取得较好的提取效果，于是选择HSV颜色空间。将彩色图像从RGB空间转换到HSV空间，能够有效地提取出更加丰富的彩色图像颜色信息，特别是其色调分量(H)能够描述不同波段的颜色光谱的变化信息，该分量不易受到光照条件变化的影响，其描述特征具有很强的鲁棒性。基于色调分量良好的描述特性，经过大量实验比对发现，H分量更适合分离胶体与其他图像特征。各特征在HSV颜色空间的色调H离散分布如图4所示，将颜色空间模型的连续角度参数离散成0到255的数值区间。片体的分布区间为[130-140]，背景约为[160-171]，胶体为[220-234]。从数据可以看出，胶体颜色与其他颜色特征在HSV的H通道具有很大的区分度，当阈值TH∈[175-215]任意一个值，都可以将胶体提取出来。其流程如下：通过预处理图像与外部掩膜的数学运算，得到轮廓外部感兴趣区域图像；然后将其变换到HSV颜色空间，提取H通道的图像，对其作阈值化处理，取阈值区间的中值TH＝195。
步骤5：缺陷识别与分类
进行缺陷种类数据统计是工业生产一个重要的环节，通过该数据反馈，可以更好地指导生产，改进加工工艺。经过缺陷提取算法处理后的图像若无以上特征，则FPC没有这三种缺陷，否则存在。以FPC轮廓为界，依据缺陷的空间信息可把缺陷分为内部缺陷和外部缺陷。溢胶全部在轮廓外侧属于外部缺陷，压点与划伤为内部缺陷。检测要求对内部缺陷作进一步分类，依据内部缺陷的几何特征将其区分为压点与划伤，且采用缺陷轮廓面积Scon与其最小外接矩形面积Srect的比值来描述这种区分，将其定义为填充度，如下式所示：
R＝Scon/Srect
压点的填充度R比较大，实验发现都在0.7以上，而划伤成条状，填充度R较小，均在0.3以下。综合以上分析，缺陷分类准则为：
(1)若轮廓外部有宽度大于限定阈值Tw的白色区域，则为溢胶。
(2)若轮廓内部存在面积大于限定阈值Ts的白色区域，依据式R＝Scon/Srect计算该区域的轮廓填充度R。若R>0.5，则为压点；否则为划伤。
本文取Tw＝3，Ts＝5，单位为像素，按照上述分类准则，内部缺陷的轮廓及其对应的最小外接矩形如图5所示。其中，图5(a)的R＝0.95；图5(b)两处缺陷的R值分别为0.04和0.78；图5(c)为溢胶效果图，其缺陷位置均在轮廓之外。
以上所述只是该发明的具体实施方式，上述举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了本说明书后可以对上述的具体实施方式做修改或变形，而不背离本发明的实质和范围。

Claims (3)

1.一种FPC表面质量视觉智能检测方法，其特征在于按照以下步骤进行：
步骤1：对采集的FPC图像进行图像预处理；采用窗口为3×3中值滤波器对FPC图像进行处理；
步骤2：FPC轮廓提取；采用RGB颜色空间，在B通道提取片体的轮廓并对片体与背景进行分割；
步骤3：掩膜设计；将提取的FPC轮廓以像素精度画在另一幅由内存开辟的与采集图像相同大小且像素灰度全为0的图像上，作为缺陷识别掩膜的母体，分别填充掩膜母体轮廓内部与外部区域，从而产生内外两个图像掩膜，分别用内外掩模与原图像进行数学运算，得到内外感兴趣区域图像，以FPC轮廓为界，内掩膜与采集图像处理后使FPC轮廓内部的图像得以全部保留，外部被忽略，若与外模板作用，处理效果正好相反；
步骤4：缺陷提取；在组合光源下，压点和划伤呈白色，采用RGB颜色空间投影阈值算法对压点与划伤进行识别，得到轮廓内部缺陷和轮廓外部缺陷；
步骤5：缺陷识别与分类；
依据内部缺陷的几何特征将其区分为压点与划伤，采用缺陷轮廓面积Scon与其最小外接矩形面积Srect的比值来描述这种区分，将其定义为填充度，如下式所示：
R＝Scon/Srect
压点的填充度R比较大，实验发现都在0.7以上，而划伤成条状，填充度R较小，均在0.3以下；综合以上分析，缺陷分类准则为：
(1)若轮廓外部有宽度大于限定阈值Tw的白色区域，则为溢胶；
(2)若轮廓内部存在面积大于限定阈值Ts的白色区域，依据式R＝Scon/Srect计算该区域的轮廓填充度R，若R>0.5，则为压点；否则为划伤。
2.按照权利要求1所述一种FPC表面质量视觉智能检测方法，其特征在于：所述步骤4中，缺陷提取的方法为对轮廓内部感兴趣区域图像提取R通道的图像，选择阈值Th＝60对其二值化处理；对轮廓外部感兴趣区域图像变换到HSV颜色空间，提取H通道的图像，对其作阈值化处理，取阈值区间的中值TH＝195。
3.按照权利要求1所述一种FPC表面质量视觉智能检测方法，其特征在于：所述组合光源上端为红色同轴光源，中间为白色环形光源，下端为白色条形光源。
CN201510775840.XA 2015-11-12 2015-11-12 一种fpc表面质量视觉智能检测方法 Active CN105445277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510775840.XA CN105445277B (zh) 2015-11-12 2015-11-12 一种fpc表面质量视觉智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510775840.XA CN105445277B (zh) 2015-11-12 2015-11-12 一种fpc表面质量视觉智能检测方法

Publications (2)

Publication Number Publication Date
CN105445277A CN105445277A (zh) 2016-03-30
CN105445277B true CN105445277B (zh) 2018-02-06

Family

ID=55555727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510775840.XA Active CN105445277B (zh) 2015-11-12 2015-11-12 一种fpc表面质量视觉智能检测方法

Country Status (1)

Country Link
CN (1) CN105445277B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107796825B (zh) * 2016-09-01 2021-01-05 宁波舜宇光电信息有限公司 器件检测方法
CN107315012B (zh) * 2017-06-22 2019-10-18 福建省万龙新材料科技有限公司 聚晶金刚石复合片端面崩角的智能检测方法
CN107345916B (zh) * 2017-07-25 2020-01-10 深圳市杰恩世智能科技有限公司 一种基于固定轮廓的平面外观检测方法
CN109724994A (zh) * 2017-10-30 2019-05-07 东莞理工学院 基于aoi技术的fpc金手指表面缺陷检测系统及方法
CN108254380B (zh) * 2018-01-03 2023-02-10 浙江涵普电力科技有限公司 基于数字图像处理的pcb电路板模板比对方法
CN108596232B (zh) * 2018-04-16 2022-03-08 杭州睿珀智能科技有限公司 一种基于形状和颜色特征的鞋垫自动分类方法
CN109239102B (zh) * 2018-08-21 2021-04-09 南京理工大学 一种基于cnn的柔性电路板外观缺陷检测方法
CN111260603B (zh) * 2018-11-30 2024-02-02 金风科技股份有限公司 识别风力发电机组叶片尖端的方法及装置
CN109613003A (zh) * 2018-12-12 2019-04-12 江西理工大学 一种外观质量检测装置及方法
CN109741324B (zh) * 2019-01-10 2020-12-04 惠科股份有限公司 一种检测方法、检测装置及终端设备
CN110095472B (zh) * 2019-05-08 2019-12-13 湖北工业大学 基于hdri的高反光金属表面缺陷检测方法及系统
CN110268420B (zh) * 2019-05-09 2023-07-28 京东方科技集团股份有限公司 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品
CN110276761A (zh) * 2019-06-18 2019-09-24 福州数据技术研究院有限公司 一种基于otsu阈值的肝部组织病理图像分割方法
CN110555829B (zh) * 2019-08-12 2021-07-16 华南理工大学 一种用于芯片点胶情况的检测方法
CN111028186B (zh) * 2019-11-25 2023-07-04 泰康保险集团股份有限公司 一种图像增强方法和装置
CN111389765A (zh) * 2020-03-31 2020-07-10 上海电气集团股份有限公司 一种产品表面质量检测方法、装置及产品分拣系统
CN112326671A (zh) * 2020-11-05 2021-02-05 菲特（天津）检测技术有限公司 一种基于机器视觉的金属板材表面缺陷检测方法
CN112561991B (zh) * 2020-11-20 2024-04-09 西安石油大学 基于surf特征提取和颜色分割的液位计图像识别方法
CN112964724B (zh) * 2021-02-01 2024-02-20 苏州百迈半导体技术有限公司 一种多目标多区域视觉检测方法及检测系统
CN113658092A (zh) * 2021-05-13 2021-11-16 湖南莱塞智能装备有限公司 一种基于图像处理的铝电解电容缺陷检测方法
CN113298769B (zh) * 2021-05-20 2023-01-24 佛山职业技术学院 Fpc软排线外观缺陷检测方法、系统和介质
CN113313679A (zh) * 2021-05-21 2021-08-27 浙江大学 基于多源域深度迁移多光源集成的轴承表面缺陷检测方法
CN113820331A (zh) * 2021-09-06 2021-12-21 深圳格兰达智能装备股份有限公司 一种三维缺陷检测装置
CN116930192B (zh) * 2023-07-26 2024-02-09 常州润来科技有限公司 一种高精度铜管缺陷检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4249966B2 (ja) * 2001-09-27 2009-04-08 省栄株式会社 プリント配線基板の検査方法及び検査装置
JP2015021797A (ja) * 2013-07-17 2015-02-02 トヨタ自動車株式会社 基板上のコーティング剤塗布状態の検査装置及び検査方法
CN104614386A (zh) * 2015-02-12 2015-05-13 江苏宇迪光学股份有限公司 一种镜片疵病类型的识别方法
CN104677914A (zh) * 2015-03-10 2015-06-03 华中科技大学 一种芯片连晶缺陷识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4249966B2 (ja) * 2001-09-27 2009-04-08 省栄株式会社 プリント配線基板の検査方法及び検査装置
JP2015021797A (ja) * 2013-07-17 2015-02-02 トヨタ自動車株式会社 基板上のコーティング剤塗布状態の検査装置及び検査方法
CN104614386A (zh) * 2015-02-12 2015-05-13 江苏宇迪光学股份有限公司 一种镜片疵病类型的识别方法
CN104677914A (zh) * 2015-03-10 2015-06-03 华中科技大学 一种芯片连晶缺陷识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Aerial Image Mask Inspection System for Extreme Ultraviolet Lithography;Hiroo Kinoshita 等;《Japanese Journal of Applied Physics》;20070920;第46卷(第9B期);第6113-6117页 *
FPC的图像采集与表面曲向消除方法;陈旭文 等;《电子测量与仪器学报》;20150630;第29卷(第6期);第895-900页 *
Optimal unsharp mask for image sharpening and noise removal;Sang Ho Kim 等;《Journal of Electronic Imaging》;20050630;第14卷(第2期);第023005-1至023005-13页 *

Also Published As

Publication number Publication date
CN105445277A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN105445277B (zh) 一种fpc表面质量视觉智能检测方法
CN107578418B (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
CN108108761B (zh) 一种基于深度特征学习的快速交通信号灯检测方法
CN107705288B (zh) 伪目标运动强干扰下的危险气体泄漏红外视频检测方法
CN106023257B (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN111047655B (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN108280823A (zh) 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统
CN107945184A (zh) 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法
CN112819793A (zh) 一种集装箱残损识别方法、装置、设备和可读存取介质
CN106096603A (zh) 一种融合多特征的动态火焰检测方法及装置
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN106228541A (zh) 视觉检测中屏幕定位的方法及装置
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN108154496B (zh) 一种适用于电力作业机器人的电力设备外观变化识别方法
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN111738984B (zh) 基于分水岭和种子填充的皮肤图像斑点评估方法及系统
Wang et al. Machine vision-based conveyor belt tear detection in a harsh environment
Mukhopadhyay et al. Comparing shape descriptor methods for different color space and lighting conditions
CN115393290A (zh) 边缘缺陷检测方法、装置及设备
CN113205136A (zh) 一种用于电源适配器外观缺陷的实时高精度检测方法
CN110728061B (zh) 基于朗伯体反射建模的陶瓷表面气孔检测方法
CN114092441A (zh) 一种基于双重神经网络的产品表面缺陷检测方法及系统
CN111415372A (zh) 一种基于hsi颜色空间和上下文信息的运动目标归并方法
Irfanullah et al. An efficient approach for sky detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant