CN105631458A - 一种电子元件样本标注方法及装置 - Google Patents
一种电子元件样本标注方法及装置 Download PDFInfo
- Publication number
- CN105631458A CN105631458A CN201510980802.8A CN201510980802A CN105631458A CN 105631458 A CN105631458 A CN 105631458A CN 201510980802 A CN201510980802 A CN 201510980802A CN 105631458 A CN105631458 A CN 105631458A
- Authority
- CN
- China
- Prior art keywords
- electronic component
- component sample
- image
- matching
- sample
- 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.)
- Granted
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 9
- 238000010168 coupling process Methods 0.000 claims description 61
- 238000005859 coupling reaction Methods 0.000 claims description 61
- 230000008878 coupling Effects 0.000 claims description 59
- 238000000034 method Methods 0.000 claims description 54
- 230000013011 mating Effects 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种电子元件样本标注方法,包括:获取待标注的N个电子元件样本的图像;其中,N≥1;将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值;根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中标注出所需的电子元件样本。相应的,本发明还公开了一种电子元件样本标注装置。采用本发明实施例,能够提高电子元件样本的标注效率。
Description
技术领域
本发明涉及自动光学检测领域,尤其涉及一种电子元件样本标注方法及装置。
背景技术
自动光学检测(AOI,AutomatedOpticalInspection)为工业自动化有效的检测方法,使用机器视觉作为检测标准技术,大量应用于LCD/TFT、晶体管与PCB工业制程上。自动光学检测是工业制程中常见的代表性手法,利用光学方式取得成品的表面状态,以影像处理来检出异物或图案异常等瑕疵。
对电子元件样本进行识别和标注对自动光学检测系统来说越来越重要,识别并标注出的电子元件样本,不但可以用来作为训练模型,提高(有极性)电子元件的极性识别效果,也可以用来检测电子元件的漏件情况(电子元件的漏件是一种二分类识别情况)。
目前,现有技术中最常见的电子元件样本标注方法是通过全人工识别标注方法,即人工遍历所有待识别的电子元件样本,并对每个电子元件样本进行识别,进而标注标签。这种全人工的标注方法速度慢、效率低,及其耗时耗力。
发明内容
本发明实施例提出一种电子元件样本标注方法及装置,能够提高电子元件样本的标注效率。
本发明实施例提供一种电子元件样本标注方法,包括:
获取待标注的N个电子元件样本的图像;其中,N≥1;
将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值;
根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本。
进一步地,所述将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值,具体包括:
将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值;
计算最小的M个第一匹配值的平均值;其中,M≥1;
判断所述平均值是否小于预设的阈值;
若是,则将所述每个电子元件样本的第一匹配值作为其匹配度值;
若否,则将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值。
进一步地,所述将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值,具体包括:
采用模板匹配算法,将所述每个电子元件样本的图像与所述模板图像进行匹配,计算获得所述每个电子元件样本的第一匹配值。
进一步地,所述将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值,具体包括:
采用纹理信息匹配算法,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,计算获得所述每个电子元件样本的第二匹配值;
计算所述每个电子元件样本的所述第一匹配值和所述第二匹配值的平均值,并将计算获得的平均值作为所述电子元件样本的匹配度值。
进一步地,所述根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本,具体包括:
根据所述匹配度值对所述N个电子元件样本进行升序排列,并按照排列顺序将N个电子元件样本划分为P组;P≥1;
分别对每组电子元件样本进行识别,并对识别出的所需的电子元件样本进行标注。
相应的,本发明实施例还提供一种电子元件样本标注装置,包括:
样本图像获取模块,用于获取待识别的N个电子元件样本的图像;其中,N≥1;
匹配模块,用于将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值;以及,
识别标注模块,用于根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本。
进一步地,所述匹配模块具体包括:
第一匹配单元,用于将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值;
计算单元,用于计算最小的M个第一匹配值的平均值;其中,M≥1;
判断单元,用于判断所述平均值是否小于预设的阈值;
匹配度值获取单元,用于在所述判断单元判定为是时,将所述每个电子元件样本的第一匹配值作为其匹配度值;以及,
第二匹配单元,用于在所述判断单元判定为否时,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值。
进一步地,所述第一匹配单元具体用于采用模板匹配算法,将所述每个电子元件样本的图像与所述模板图像进行匹配,计算获得所述每个电子元件样本的第一匹配值。
进一步地,所述第二匹配度单元具体包括:
匹配值计算子单元,用于采用纹理信息匹配算法,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,计算获得所述每个电子元件样本的第二匹配值;以及,
匹配度值获取子单元,用于计算所述每个电子元件样本的所述第一匹配值和所述第二匹配值的平均值,并将计算获得的平均值作为所述电子元件样本的匹配度值。
进一步地,所述识别标注模块具体包括:
排序单元,用于根据所述匹配度值对所述N个电子元件样本进行升序排列,并按照排列顺序将N个电子元件样本划分为P组;以及,
识别标注单元,用于分别对每组电子元件样本进行识别,并对识别出的所需的电子元件样本进行标注。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的电子元件样本标注方法及装置,能够将每个电子元件样本的图像与模板图像进行匹配,并根据匹配后每个电子元件样本的匹配度信息对所有电子元件样本进行排序,从而从排序后的电子元件样本中快速标注出所需的电子元件样本,提高电子元件样本的标注效率。
而且,在对每个电子元件样本的图像进行匹配时,先进行模板匹配,在模板匹配的结果未达到预期效果时,再进行纹理信息匹配,以提高匹配度的准确性,进而提高排序的准确性,从而提高电子元件样本的标注效率。
附图说明
图1是本发明提供的电子元件样本标注方法的一个实施例的流程示意图;
图2是本发明提供的电子元件样本标注方法中步骤S2的一个实施例的流程示意图;
图3是本发明提供的电子元件样本标注装置的一个实施例的结构示意图;
图4是本发明提供的电子元件样本标注装置中匹配模块的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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作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。
参见图1,本发明提供的电子元件样本标注方法的一个实施例的流程示意图,包括:
S1、获取待标注的N个电子元件样本的图像;其中,N≥1;
S2、将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值;
S3、根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本。
需要说明的是,待标注的N个电子元件样本的图像为待标注的样本数据库中所有的电子元件样本的图像。在获取N个电子元件样本的图像后,分别将每个电子元件样本的图像与模板图像进行匹配,从而获得每个电子元件样本的匹配度值Qi。其中,模板图像为所需电子元件样本的图像,即正样本图像,而i为每个电子元件样本的图像保存在样本数据库中的id,即每个电子元件样本的图像的文件名。在获取匹配度值后,按照匹配度值的大小对N个电子元件样本进行排序,并对排序后的N个电子元件样本进行识别和标注,获得正样本。另外,在对N个电子元件样本进行排序后,还可提供人工进行目检识别,通过人工点击选择电子元件样本的图像,将该电子元件样本标注为正样本,而其余未选择的电子元件样本则自动标注为负样本。按照每个电子元件样本与正样本模板的匹配度进行排序,进而从排序后的电子元件样本中识别并标注出正样本,有效提高电子元件样本的标注效率。
进一步地,如图2所示,所述将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值,具体包括:
S21、将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值;
S22、计算最小的M个第一匹配值的平均值;其中,M≥1;
S23、判断所述平均值是否小于预设的阈值;若是,则执行步骤S24,若否,执行步骤S25;
S24、将所述每个电子元件样本的第一匹配值作为其匹配度值;
S25、将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值。
需要说明的是,在获取匹配度值时,先将每个电子元件样本的图像与模板图像进行一级匹配,获得每个电子元件样本的第一匹配值Si。在一个优选地实施方式中,计算最小的M个第一匹配值的平均值,并将该平均值与阈值进行比较以判断N个电子元件样本是否需要进行二次匹配。若平均值小于阈值,则说明匹配度较差的M个电子元件样本具有较少正样本或没有正样本,可直接将第一匹配值Si作为电子元件样本的匹配度值Qi;若平均值小于阈值,则说明匹配度较差的M个电子元件样本大部分为正样本,一级匹配未达到预期的匹配效果,需对N个电子元件样本进行二次匹配,从而根据二次匹配结果获取电子元件样本的匹配度值Qi。
在另一个优选地实施方式中,将第一匹配值最小的M个电子元件样本的图像以子图的方式显示在一张图片上,并通过人工目检该图片中为正样本的子图片的数量来判断N个电子元件样本是否需要进行二次匹配。若人工目检出该图片中包含较少的正样本子图片或没有正样本子图片,则可直接将第一匹配值Si作为电子元件样本的匹配度值Qi;若人工目检出该图片中包含大部分的正样本子图片,则说明一级匹配未达到预期的匹配效果,需对N个电子元件样本进行二次匹配,从而根据二次匹配结果获取电子元件样本的匹配度值Qi。
进一步地,所述将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值,具体包括:
采用模板匹配算法,将所述每个电子元件样本的图像与所述模板图像进行匹配,计算获得所述每个电子元件样本的第一匹配值。
进一步地,所述将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值,具体包括:
采用纹理信息匹配算法,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,计算获得所述每个电子元件样本的第二匹配值;
计算所述每个电子元件样本的所述第一匹配值和所述第二匹配值的平均值,并将计算获得的平均值作为所述电子元件样本的匹配度值。
需要说明的是,在二次匹配中,采用LBP(LocalBinaryPatterns,局部二值模式)特征匹配方法,即纹理信息匹配算法来将每个电子元件样本的图像与模板图像进行匹配,计算获得每个电子元件样本的相似度Di。
其中,LBP特征匹配方法为直方图相交法,由于根据该方法计算出的相似度Di为0时,表示两个图像完全相似,相似度Di为1时,表示两个图像完全不相似,即两个图像越相似,相似度Di越小,则还需根据相似度Di计算获得每个电子元件样本的第二匹配值Li=1-Di。最后,求取第一匹配值Si和第二匹配值Li的平均值,获得每个电子元件样本的匹配度值Qi。
进一步地,所述根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本,具体包括:
根据所述匹配度值对所述N个电子元件样本进行升序排列,并按照排列顺序将N个电子元件样本划分为P组;P≥1;
分别对每组电子元件样本进行识别,并对识别出的所需的电子元件样本进行标注。
其中,一般按照匹配度值的大小从小到大对N个电子元件样本进行排序,再按照顺序将N个电子元件样本划分为P组,并分别对每组电子元件样本进行识别和标注。另外,还可将每组电子元件样本的图像以子图片的形式组合在一张大图里,并分别将每张大图提供给人工进行目检识别。在识别过程中,组别靠前的电子元件样本中具有的正样本较少,组别靠后的电子元件样本中具有的正样本较多,从而能实现对电子元件样本的快速识别,识别后,对识别出的正样本进行标注,而未被标注的电子元件样本则自动标注为负样本,从而提高所需电子元件样本的标注效率。
本发明实施例提供的电子元件样本标注方法,能够将每个电子元件样本的图像与模板图像进行匹配,并根据匹配后每个电子元件样本的匹配度信息对所有电子元件样本进行排序,从而从排序后的电子元件样本中快速标注出所需的电子元件样本,提高电子元件样本的标注效率。而且,在对每个电子元件样本的图像进行匹配时,先进行模板匹配,在模板匹配的结果未达到预期效果时,再进行纹理信息匹配,以提高匹配度的准确性,进而提高排序的准确性,从而提高电子元件样本的标注效率。
相应的,本发明还提供一种电子元件样本标注装置,能够实现上述实施例中的电子元件样本标注方法的所有流程。
参见图3,是本发明提供的电子元件样本标注装置的一个实施例的结构示意图,包括:
样本图像获取模块1,用于获取待识别的N个电子元件样本的图像;其中,N≥1;
匹配模块2,用于将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值;以及,
识别标注模块3,用于根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本。
进一步地,如图4所示,所述匹配模块2具体包括:
第一匹配单元21,用于将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值;
计算单元22,用于计算最小的M个第一匹配值的平均值;其中,M≥1;
判断单元23,用于判断所述平均值是否小于预设的阈值;
匹配度值获取单元24,用于在所述判断单元判定为是时,将所述每个电子元件样本的第一匹配值作为其匹配度值;以及,
第二匹配单元25,用于在所述判断单元判定为否时,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值。
进一步地,所述第一匹配单元具体用于采用模板匹配算法,将所述每个电子元件样本的图像与所述模板图像进行匹配,计算获得所述每个电子元件样本的第一匹配值。
进一步地,所述第二匹配度单元具体包括:
匹配值计算子单元,用于采用纹理信息匹配算法,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,计算获得所述每个电子元件样本的第二匹配值;以及,
匹配度值获取子单元,用于计算所述每个电子元件样本的所述第一匹配值和所述第二匹配值的平均值,并将计算获得的平均值作为所述电子元件样本的匹配度值。
进一步地,所述识别标注模块具体包括:
排序单元,用于根据所述匹配度值对所述N个电子元件样本进行升序排列,并按照排列顺序将N个电子元件样本划分为P组;以及,
识别标注单元,用于分别对每组电子元件样本进行识别,并对识别出的所需的电子元件样本进行标注。
本发明实施例提供的电子元件样本识别装置,能够将每个电子元件样本的图像与模板图像进行匹配,并根据匹配后每个电子元件样本的匹配度信息对所有电子元件样本进行排序,从而从排序后的电子元件样本中快速标注出所需的电子元件样本,提高电子元件样本的标注效率。而且,在对每个电子元件样本的图像进行匹配时,先进行模板匹配,在模板匹配的结果未达到预期效果时,再进行纹理信息匹配,以提高匹配度的准确性,进而提高排序的准确性,从而提高电子元件样本的标注效率。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电子元件样本标注方法,其特征在于,包括:
获取待标注的N个电子元件样本的图像;其中,N≥1;
将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值;
根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本。
2.如权利要求1所述的电子元件样本标注方法,其特征在于,所述将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值,具体包括:
将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值;
计算最小的M个第一匹配值的平均值;其中,M≥1;
判断所述平均值是否小于预设的阈值;
若是,则将所述每个电子元件样本的第一匹配值作为其匹配度值;
若否,则将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值。
3.如权利要求2所述的电子元件样本标注方法,其特征在于,所述将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值,具体包括:
采用模板匹配算法,将所述每个电子元件样本的图像与所述模板图像进行匹配,计算获得所述每个电子元件样本的第一匹配值。
4.如权利要求2所述的电子元件样本标注方法,其特征在于,所述将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值,具体包括:
采用纹理信息匹配算法,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,计算获得所述每个电子元件样本的第二匹配值;
计算所述每个电子元件样本的所述第一匹配值和所述第二匹配值的平均值,并将计算获得的平均值作为所述电子元件样本的匹配度值。
5.如权利要求1至4任一项所述的电子元件样本标注方法,其特征在于,所述根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本,具体包括:
根据所述匹配度值对所述N个电子元件样本进行升序排列,并按照排列顺序将N个电子元件样本划分为P组;P≥1;
分别对每组电子元件样本进行识别,并对识别出的所需的电子元件样本进行标注。
6.一种电子元件样本标注装置,其特征在于,包括:
样本图像获取模块,用于获取待标注的N个电子元件样本的图像;其中,N≥1;
匹配模块,用于将每个电子元件样本的图像与模板图像进行匹配,获得所述每个电子元件样本的匹配度值;以及,
识别标注模块,用于根据所述匹配度值对所述N个电子元件样本进行排序,并从排序后的所述N个电子元件样本中识别并标注出所需的电子元件样本。
7.如权利要求6所述的电子元件样本标注装置,其特征在于,所述匹配模块具体包括:
第一匹配单元,用于将所述每个电子元件样本的图像与所述模板图像进行匹配,获得所述每个电子元件样本的第一匹配值;
计算单元,用于计算最小的M个第一匹配值的平均值;其中,M≥1;
判断单元,用于判断所述平均值是否小于预设的阈值;
匹配度值获取单元,用于在所述判断单元判定为是时,将所述每个电子元件样本的第一匹配值作为其匹配度值;以及,
第二匹配单元,用于在所述判断单元判定为否时,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,获得所述每个电子元件样本的匹配度值。
8.如权利要求7所述的电子元件样本标注装置,其特征在于,所述第一匹配单元具体用于采用模板匹配算法,将所述每个电子元件样本的图像与所述模板图像进行匹配,计算获得所述每个电子元件样本的第一匹配值。
9.如权利要求7所述的电子元件样本标注装置,其特征在于,所述第二匹配度单元具体包括:
匹配值计算子单元,用于采用纹理信息匹配算法,将所述每个电子元件样本的图像与所述模板图像进行二次匹配,计算获得所述每个电子元件样本的第二匹配值;以及,
匹配度值获取子单元,用于计算所述每个电子元件样本的所述第一匹配值和所述第二匹配值的平均值,并将计算获得的平均值作为所述电子元件样本的匹配度值。
10.如权利要求6至9任一项所述的电子元件样本标注装置,其特征在于,所述识别标注模块具体包括:
排序单元,用于根据所述匹配度值对所述N个电子元件样本进行升序排列,并按照排列顺序将N个电子元件样本划分为P组;以及,
识别标注单元,用于分别对每组电子元件样本进行识别,并对识别出的所需的电子元件样本进行标注。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510980802.8A CN105631458B (zh) | 2015-12-22 | 2015-12-22 | 一种电子元件样本标注方法及装置 |
PCT/CN2016/096888 WO2017107533A1 (zh) | 2015-12-22 | 2016-08-26 | 一种电子元件样本标注方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510980802.8A CN105631458B (zh) | 2015-12-22 | 2015-12-22 | 一种电子元件样本标注方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105631458A true CN105631458A (zh) | 2016-06-01 |
CN105631458B CN105631458B (zh) | 2018-05-22 |
Family
ID=56046370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510980802.8A Active CN105631458B (zh) | 2015-12-22 | 2015-12-22 | 一种电子元件样本标注方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105631458B (zh) |
WO (1) | WO2017107533A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017107533A1 (zh) * | 2015-12-22 | 2017-06-29 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
CN107958454A (zh) * | 2017-12-04 | 2018-04-24 | 江苏维普光电科技有限公司 | 基于精密平台进行掩膜版图像的快速匹配方法及系统 |
CN112990366A (zh) * | 2021-04-23 | 2021-06-18 | 视睿(杭州)信息科技有限公司 | 目标标注方法及装置 |
CN117152157A (zh) * | 2023-10-31 | 2023-12-01 | 南通三喜电子有限公司 | 基于人工智能的电子元件识别方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705630A (zh) * | 2019-09-27 | 2020-01-17 | 聚时科技(上海)有限公司 | 半监督学习式目标检测神经网络训练方法、装置及应用 |
CN111429512B (zh) * | 2020-04-22 | 2023-08-25 | 北京小马慧行科技有限公司 | 图像处理方法和装置、存储介质及处理器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140369593A1 (en) * | 2012-03-08 | 2014-12-18 | Kla-Tencor Corporation | Detection of thin lines for selective sensitivity during reticle inspection using processed images |
CN104463178A (zh) * | 2014-12-29 | 2015-03-25 | 广州视源电子科技股份有限公司 | 电子元件识别方法和系统 |
CN104730074A (zh) * | 2015-03-05 | 2015-06-24 | 广州视源电子科技股份有限公司 | 一种金针类元件的引脚检测方法及装置 |
CN105139399A (zh) * | 2015-08-25 | 2015-12-09 | 广州视源电子科技股份有限公司 | 一种二极管极性检测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH074934A (ja) * | 1993-02-12 | 1995-01-10 | General Electric Co <Ge> | 結晶性物体の分級・選別 |
JP4926116B2 (ja) * | 2008-04-16 | 2012-05-09 | 株式会社日立ハイテクノロジーズ | 画像検査装置 |
CN102938077A (zh) * | 2012-10-25 | 2013-02-20 | 渭南师范学院 | 基于双阈值二值化的在线式aoi图像检索方法 |
CN105631458B (zh) * | 2015-12-22 | 2018-05-22 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
-
2015
- 2015-12-22 CN CN201510980802.8A patent/CN105631458B/zh active Active
-
2016
- 2016-08-26 WO PCT/CN2016/096888 patent/WO2017107533A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140369593A1 (en) * | 2012-03-08 | 2014-12-18 | Kla-Tencor Corporation | Detection of thin lines for selective sensitivity during reticle inspection using processed images |
CN104463178A (zh) * | 2014-12-29 | 2015-03-25 | 广州视源电子科技股份有限公司 | 电子元件识别方法和系统 |
CN104730074A (zh) * | 2015-03-05 | 2015-06-24 | 广州视源电子科技股份有限公司 | 一种金针类元件的引脚检测方法及装置 |
CN105139399A (zh) * | 2015-08-25 | 2015-12-09 | 广州视源电子科技股份有限公司 | 一种二极管极性检测方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017107533A1 (zh) * | 2015-12-22 | 2017-06-29 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
CN107958454A (zh) * | 2017-12-04 | 2018-04-24 | 江苏维普光电科技有限公司 | 基于精密平台进行掩膜版图像的快速匹配方法及系统 |
CN112990366A (zh) * | 2021-04-23 | 2021-06-18 | 视睿(杭州)信息科技有限公司 | 目标标注方法及装置 |
CN112990366B (zh) * | 2021-04-23 | 2021-09-07 | 视睿(杭州)信息科技有限公司 | 目标标注方法及装置 |
CN117152157A (zh) * | 2023-10-31 | 2023-12-01 | 南通三喜电子有限公司 | 基于人工智能的电子元件识别方法 |
CN117152157B (zh) * | 2023-10-31 | 2023-12-29 | 南通三喜电子有限公司 | 基于人工智能的电子元件识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017107533A1 (zh) | 2017-06-29 |
CN105631458B (zh) | 2018-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631458A (zh) | 一种电子元件样本标注方法及装置 | |
CN111474184B (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN108961236B (zh) | 电路板缺陷检测方法及装置 | |
WO2021051885A1 (zh) | 目标标注的方法及装置 | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN107862690B (zh) | 一种基于特征点匹配的电路板元器件定位方法和定位装置 | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
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 | |
CN102938077A (zh) | 基于双阈值二值化的在线式aoi图像检索方法 | |
CN104850832B (zh) | 一种基于分级迭代的大规模图像样本标注方法及系统 | |
CN103308523B (zh) | 多尺度瓶口缺陷检测方法及装置 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
US8315457B2 (en) | System and method for performing multi-image training for pattern recognition and registration | |
CN105139399A (zh) | 一种二极管极性检测方法及装置 | |
CN113850799B (zh) | 一种基于YOLOv5的微量DNA提取工作站工件检测方法 | |
CN111126143A (zh) | 一种基于深度学习的运动评判指导方法及系统 | |
CN113628159A (zh) | 一种基于深度学习网络全自动训练方法、装置及存储介质 | |
CN113597614A (zh) | 图像处理方法和装置、电子设备及存储介质 | |
CN113780484A (zh) | 工业产品缺陷检测方法和装置 | |
CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN105699386B (zh) | 一种采用接触式图像传感器的自动验布标记方法 | |
CN114332435A (zh) | 一种基于三维重建的图像标注方法及装置 |
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 |