CN105894036B - 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 - Google Patents

一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 Download PDF

Info

Publication number
CN105894036B
CN105894036B CN201610244670.7A CN201610244670A CN105894036B CN 105894036 B CN105894036 B CN 105894036B CN 201610244670 A CN201610244670 A CN 201610244670A CN 105894036 B CN105894036 B CN 105894036B
Authority
CN
China
Prior art keywords
image
feature
pixel
glass
detection
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 - Fee Related
Application number
CN201610244670.7A
Other languages
English (en)
Other versions
CN105894036A (zh
Inventor
种衍文
邓科
冯宗伟
黄简峰
潘少明
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201610244670.7A priority Critical patent/CN105894036B/zh
Publication of CN105894036A publication Critical patent/CN105894036A/zh
Application granted granted Critical
Publication of CN105894036B publication Critical patent/CN105894036B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G01N2021/888—Marking defects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，解决了在手机屏幕玻璃自动化生产过程中如何快速、准确识别缺陷屏幕玻璃、以及对缺陷分类的问题；本发明在生产过程中解决了人工检测费时、费力、效率低下的问题，借助本算法对流水线上的手机屏幕玻璃进行拍照、检测，将大大加快生产效率、提高产品质量。

Description

一种应用于手机屏幕缺陷检测的图像特征模板匹配方法
技术领域
本发明属于手机屏幕生产过程中的玻璃质量检测领域，具体涉及一种基于图像特征的模板匹配方法。
背景技术
近些年来，电子产品已经逐渐融入了我们日常生活的每一个角落，最具代表性的就是手机。屏幕相对于手机，不仅仅影响着产品的外观，更加影响的是产品的使用体验和使用寿命，不合格的屏幕会破坏玻璃制品的光学均一性，降低产品的使用价值。虽然我国是世界第一大手机生产基地的，但是很大程度上只是代加工的工厂，很多核心技术都为外国厂商所垄断。传统的检测玻璃质量的方法是采用人工检测的方法，这种方法很容易受到人为主观因素的影响而造成错检或漏检，并且效率低下，根本不适应现代化大生产的需要。因此，开发出一套实时性、稳定性、精确度、适用性、可靠性都很好，而且成本低廉的玻璃缺陷在线检测设备，尤其是研制具有自主知识产权的玻璃缺陷在线检测设备，意义重大。本算法主要利用计算机视觉领域内的特征匹配的思想，对待测手机屏幕的高清图像进行特征提取，将提取到的特征与标准手机屏幕玻璃图像的特征进行匹配，根据匹配度的高低来判别待测玻璃是否存在缺陷，以及存在何种缺陷、缺陷所在位置、总的缺陷数量、此块玻璃是否可以回收等，完成缺陷检测。
发明内容
本发明的目的在于提出了一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，解决了在手机屏幕玻璃自动化生产过程中如何快速、准确识别缺陷屏幕玻璃、以及对缺陷分类的问题。为了解决生产过程中人工检测费时、费力、效率低下的问题，借助本算法对流水线上的手机屏幕玻璃进行拍照、检测，将大大加快生产效率、提高产品质量。
本发明的的技术方案是：一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，包括如下步骤：
步骤1：图像预处理；所述的图像预处理包括对图像进行二值化处理和降噪处理，将预处理后的透光图像标记为图像I，将预处理后的反光图像标记为J；然后进行边、面判定，玻璃面特征检测进入步骤2，玻璃边特征检测进入步骤3；
步骤2：玻璃面特征检测；寻找图像I中将要用来进行匹配的连通域信息，所述的连通域信息同时包括连通域的面积、外接矩形、圆形度、长宽比、数目；将其作为面特征进行保存，然后进入步骤4；
步骤3：玻璃边特征检测；将图像J按照预先标定的范围大小分割成图像块，计算图像块中的每个连通域的中心线，统计中心线上每个像素处的法线方向的宽度，将其作为边特征保存；
步骤4：模板匹配；将面特征和边特征分别与按照步骤1至步骤3的方法处理过的标准图像特征进行匹配，对不能匹配的特征按其特征信息进行分类；
步骤5：异常标记：对可回收玻片进行异常位置标记，方便进行回收处理。
进一步的，所述的步骤1中，采用中值滤波对滤除图像的椒盐噪声进行降噪处理，在去除噪声的同时保护图像的边缘；采用高斯滤波抑制服从正态分布的噪声。
进一步的，所述的步骤2中的玻璃面特征检测，使用的是直接扫描的方法；对于四邻域的情况，考察每个前景点的左边、上边两个点的情况：
步骤2.1、如果左边和上边都有标记过的前景点，则选择二者标号更小的作为当前点的标记，并将之前所有的大号改成小号；
步骤2.2、如果只有左边是标记过的点，则选择将当前点和其左边点标号一致；
步骤2.3、如果只有上边是标记过的点，则选择将上边的点标号一致；
步骤2.4、如果左边和上边都没有标记过的点，则当前点新开一个标号；
对寻找到的每个连通域的信息，同时包括面积、外接矩形、圆形度、长宽比、数目作为面特征进行保存，然后去除寻找到的面积最大的连通域；所述的面积最大的连通域就是屏幕本身。
进一步的，所述的步骤3中玻璃边特征检测包括如下步骤：
步骤3.1对图像中玻璃所在位置进行一个预定位；采用预先保存范围坐标的方法，缩小操作像素的范围；
步骤3.2选用Laplace函数求图像的边缘，在图像中的边缘区域，像素值会发生巨变，根据以下公式求得的laplace(I)值即求得该点像素与边缘的相互关系，如果为正则在边缘线暗的一边，如果为负则在边缘线亮的一边；将Laplace函数计算值为0的标记为边缘；其中laplace(I)表示像素I处的函数值，为求偏导；f[x,y]表示像素I(x，y)处的像素值：
步骤3.3统计每个图像块中每条边缘的中心线，统计每条中心线每个像素处的法线方向的宽度，将每一处像素的宽度信息作为边特征保存，用于后期的模板匹配操作。
进一步的，所述的步骤4中，对于面特征，直接比对连通域信息，将不能匹配的连通域框选出来，呈现在图像上，即完成了面检测的输出；对于边特征，需要比对每一处像素法线方向上的宽度，如果误差在阈值之外，这个像素即为异常点。
进一步的，所述的步骤5中，异常标记选用DBSCAN具有噪声的基于密度的聚类方法，对所有图像块异常像素进行标记，根据聚类后的区域信息输出是否存在边异常或异常的数量的判定，至此完成了屏幕玻璃边异常的判定。
与现有的技术相比，本发明是一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，具有以下优点：
(1)在本发明的技术方案中，利用图像特征标定量、定性的准化手机屏幕玻璃的特征信息，图像特征不仅简单可得，而且可以特定、准确的区分表示每一幅图片。
(2)在本发明的技术方案中，由于采集的特征信息丰富，使得后面可以很方便的利用模板匹配得到检测结果，使得该校验方法抗干扰能力(鲁棒性)强，准确性高。
(3)在本发明的技术方案中，处理对象只是不同光照、不同角度拍摄到的手机屏幕照片，极大的节约了检测成本。
附图说明
图1是本发明手机屏幕异常检测流程图；
图2是本发明面检测异常实例图；
图3是本发明线检测异常实例图(部分线)；
图4是本发明线检测异常实例的局部放大图；
具体实施方式
下面结合附图及实施例，对本发明进行进一步详细说明。
图2、图3是同一块屏幕按照面检测和线检测的要求分别拍摄的照片，其中图2是手机屏幕玻璃上半部分1/4透光拍摄的异常影像、处理后的效果图，上面既有点状缺陷异常，也有块状缺陷异常，还有线状缺陷异常，基本囊括了所有面上的异常；图3是手机屏幕玻璃下半部分1/4反光拍摄的部分边异常影像以及分块处理的原图、处理后的图像，图4是本发明线检测异常实例的局部放大图；由于光的反射原理，可以很清晰的反映出在切割玻璃时在边上留下的倒边不良、沙边等异常。将图2中的屏幕原图标记为I，将图3中的屏幕原图标记为J。
如图1，一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，包括如下步骤：
步骤1：图像预处理；所述的图像预处理包括对图像进行二值化处理和降噪处理，将预处理后的透光图像标记为图像I，将预处理后的反光图像标记为J；然后进行边、面判定，玻璃面特征检测进入步骤2，玻璃边特征检测进入步骤3；
二值化的目的主要是为了方便方便提取图像中的信息，在利用计算机识别时增加识别速率。由于在图像生成、传输过程中不可避免的会产生一些噪声，因此需要进行降噪处理，排除无关噪声产生的干扰。在这里我们选择中值滤波器和高斯滤波器的结合使用。其中，中值滤波对滤除图像的椒盐噪声效果明显，可以在去除噪声的同时保护图像的边缘，获得满意的复原效果，而高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程，对于抑制服从正态分布的噪声非常有效。
步骤2：玻璃面特征检测；寻找图像I中将要用来进行匹配的连通域信息，所述的连通域信息同时包括连通域的面积、外接矩形、圆形度、长宽比、数目；将其作为面特征进行保存，然后进入步骤4；
所述的步骤2中的玻璃面特征检测，需要寻找图像I中的连通域，这里我们使用的是直接扫描(四邻域)的方法。对于四邻域的情况，主要是考察每个前景点的左边、上边两个点的情况：
步骤2.1、如果左边和上边都有标记过的前景点，则选择二者标号更小的作为当前点的标记，并将之前所有的大号改成小号；
步骤2.2、如果只有左边是标记过的点，则将当前点和其左边点标号一致；
步骤2.3、如果只有上边是标记过的点，则和上边的点标号一致；
步骤2.4、如果左边和上边都没有标记过的点，则当前点新开一个标号；
对寻找到的每个连通域的信息(面积、外接矩形、圆形度、长宽比、数目)进行保存，然后去除寻找到的面积最大的连通域，因为最大的肯定是玻璃的边缘，不予考虑，将剩下的连通域信息进行写文件操作，用作后期的模板匹配操作。
步骤3：玻璃边特征检测；将图片J按照预先标定的范围大小分割成小图，计算小图中的每个连通域的中心线，统计中心线上每个像素处的法线方向的宽度，将其作为边特征保存；
步骤3.1对图像中玻璃所在位置进行一个预定位；采用预先保存范围坐标的方法，缩小操作像素的范围；
步骤3.2选用Laplace函数求图像的边缘，在图像中的边缘区域，像素值会发生巨变，根据以下公式求得的laplace(I)值即求得该点像素与边缘的相互关系，如果为正则在边缘线暗的一边，如果为负则在边缘线亮的一边；将Laplace函数计算值为0的标记为边缘；其中laplace(I)表示像素I处的函数值，为求偏导；f[x,y]表示像素I(x，y)处的像素值；
步骤3.3统计每个图像块中每条边缘的中心线，统计每条中心线每个像素处的法线方向的宽度，将每一处像素的宽度信息作为边特征保存，用于后期的模板匹配操作。
步骤4：模板匹配；将面特征和边特征分别与按照步骤1-步骤3方法处理过的标准图像特征进行匹配，对不能匹配的特征按其特征信息进行分类；
所述的步骤4中，对于面特征，直接比对连通域信息，将不能匹配的连通域框选出来，呈现在图像上，即完成了面检测的输出；对于边特征，需要比对每一处像素法线方向上的宽度，如果误差在阈值之外，这个像素即为异常点。
步骤5：异常标记：对可回收玻片进行异常位置标记，方便进行回收处理。
关于异常像素的聚类，我们选用的是DBSCAN(Density-Based SpatialClustering of Applications with Noise，具有噪声的基于密度的聚类方法)方法。该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。
该方法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。但是由于它直接对整个数据库进行操作且进行聚类时使用了一个全局性的表征密度的参数，因此也具有两个比较明显的弱点：
(1)当数据量增大时，要求较大的内存支持I/O消耗也很大；
(2)当空间聚类的密度不均匀、聚类间距差相差很大时，聚类质量较差。
DBSCAN算法的目的在于过滤低密度区域，发现稠密度样本点。跟传统的基于层次的聚类和划分聚类的凸形聚类簇不同，该算法可以发现任意形状的聚类簇，与传统的算法相比它有如下优点：
(1)与K-MEANS比较起来，不需要输入要划分的聚类个数；
(2)聚类簇的形状没有偏倚；
(3)可以在需要时输入过滤噪声的参数；
当完成了所有图像块异常像素的标记后，根据聚类后的区域信息即可以输出是否存在边异常或异常的数量的判定，至此完成了屏幕玻璃边异常的判定。
以上所具体描述的，是一种应用于手机玻璃屏幕缺陷检测的图像特征模板匹配方法。文中对本发明的原理，技术方案和实施方式进行了详细的阐述，以上具体实施步骤内容只是为了帮助理解，并不限定本发明的保护范围，本发明适用于基于图像特征进行手机屏幕缺陷检测的场合，凡在本发明的核心思想和原则之内，做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，其特征在于，包括如下步骤：
步骤1：图像预处理；所述的图像预处理包括对图像进行二值化处理和降噪处理，将预处理后的透光图像标记为图像I，将预处理后的反光图像标记为J；然后进行边、面判定，玻璃面特征检测进入步骤2，玻璃边特征检测进入步骤3；
步骤2：玻璃面特征检测；寻找图像I中将要用来进行匹配的连通域信息，所述的连通域信息同时包括连通域的面积、外接矩形、圆形度、长宽比、数目；将其作为面特征进行保存，然后进入步骤4；
步骤3：玻璃边特征检测；将图像J按照预先标定的范围大小分割成图像块，计算图像块中的每个连通域的中心线，统计中心线上每个像素处的法线方向的宽度，将其作为边特征保存；
步骤4：模板匹配；将面特征和边特征分别与按照步骤1至步骤3的方法处理过的标准图像特征进行匹配，对不能匹配的特征按其特征信息进行分类；
步骤5：异常标记：对可回收玻片进行异常位置标记，方便进行回收处理。
2.根据权利要求1所述的一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，其特征在于：所述的步骤1中，采用中值滤波对滤除图像的椒盐噪声进行降噪处理，在去除噪声的同时保护图像的边缘；采用高斯滤波抑制服从正态分布的噪声。
3.根据权利要求1所述的一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，其特征在于：所述的步骤2中的玻璃面特征检测，使用的是直接扫描的方法；对于四邻域的情况，考察每个前景点的左边、上边两个点的情况：
步骤2.1、如果左边和上边都有标记过的前景点，则选择二者标号更小的作为当前点的标记，并将之前所有的大号改成小号；
步骤2.2、如果只有左边是标记过的点，则选择将当前点和其左边点标号一致；
步骤2.3、如果只有上边是标记过的点，则选择将上边的点标号一致；
步骤2.4、如果左边和上边都没有标记过的点，则当前点新开一个标号；
对寻找到的每个连通域的信息，同时包括面积、外接矩形、圆形度、长宽比、数目作为面特征进行保存，然后去除寻找到的面积最大的连通域；所述的面积最大的连通域就是屏幕本身。
4.根据权利要求1所述的一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，其特征在于：所述的步骤3中玻璃边特征检测包括如下步骤：
步骤3.1对图像中玻璃所在位置进行一个预定位；采用预先保存范围坐标的方法，缩小操作像素的范围；
步骤3.2选用Laplace函数求图像的边缘，在图像中的边缘区域，像素值会发生巨变，根据以下公式求得的laplace(I)值即求得该点像素与边缘的相互关系，如果为正则在边缘线暗的一边，如果为负则在边缘线亮的一边；将Laplace函数计算值为0的标记为边缘；其中laplace(I)表示像素I处的函数值，为求偏导；f[x,y]表示像素I(x，y)处的像素值：
步骤3.3统计每个图像块中每条边缘的中心线，统计每条中心线每个像素处的法线方向的宽度，将每一处像素的宽度信息作为边特征保存，用于后期的模板匹配操作。
5.根据权利要求1所述的一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，其特征在于：所述的步骤4中，对于面特征，直接比对连通域信息，将不能匹配的连通域框选出来，呈现在图像上，即完成了面检测的输出；对于边特征，需要比对每一处像素法线方向上的宽度，如果误差在阈值之外，这个像素即为异常点。
6.根据权利要求1所述的一种应用于手机屏幕玻璃缺陷检测的图像特征模板匹配方法，其特征在于：所述的步骤5中，异常标记选用DBSCAN具有噪声的基于密度的聚类方法，对所有图像块异常像素进行标记，根据聚类后的区域信息输出是否存在边异常或异常的数量的判定，至此完成了屏幕玻璃边异常的判定。
CN201610244670.7A 2016-04-19 2016-04-19 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 Expired - Fee Related CN105894036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610244670.7A CN105894036B (zh) 2016-04-19 2016-04-19 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610244670.7A CN105894036B (zh) 2016-04-19 2016-04-19 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法

Publications (2)

Publication Number Publication Date
CN105894036A CN105894036A (zh) 2016-08-24
CN105894036B true CN105894036B (zh) 2019-04-09

Family

ID=56705051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610244670.7A Expired - Fee Related CN105894036B (zh) 2016-04-19 2016-04-19 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法

Country Status (1)

Country Link
CN (1) CN105894036B (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106770372B (zh) * 2016-11-29 2019-07-26 中国科学院自动化研究所 基于显微视觉的白玻表面缺陷检测方法
CN106815830B (zh) * 2016-12-13 2020-01-03 中国科学院自动化研究所 图像的缺陷检测方法
CN106936965A (zh) * 2017-02-28 2017-07-07 深圳市友机机科技有限公司 手机屏幕状况图像分析方法与手机屏幕分析装置
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
CN108132256A (zh) * 2017-12-29 2018-06-08 哈尔滨理工大学 一种焊接质量机器视觉高精度检测方法
CN108665458B (zh) * 2018-05-17 2022-02-01 杭州智谷精工有限公司 透明体表面缺陷提取及识别方法
CN108956616B (zh) * 2018-05-31 2021-02-02 南京航空航天大学 一种基于图像的工件缺陷检测方法
CN110021004A (zh) * 2018-08-23 2019-07-16 永康市缘匠贸易有限公司 玻璃成品轮廓识别机构
CN109389150B (zh) * 2018-08-28 2022-04-05 东软集团股份有限公司 图像一致性比对方法、装置、存储介质及电子设备
CN110006350B (zh) * 2018-09-19 2021-08-20 核工业华东二六三工程勘察院 基于激光束发射的厚度测量平台
CN109712137A (zh) * 2018-12-29 2019-05-03 英特尔产品（成都）有限公司 基于图像处理的芯片测试座检测
CN109859262B (zh) * 2019-01-21 2021-02-09 厦门大学 一种手机屏幕Mark点定位方法及系统
CN109884070B (zh) * 2019-03-08 2020-06-09 武汉大学 一种基于机器视觉的铝铝泡罩包装药片缺陷检测方法
CN112255973A (zh) * 2019-07-02 2021-01-22 库卡机器人(广东)有限公司 工业生产系统中的目标检测方法、检测终端及存储介质
CN110796646A (zh) * 2019-10-28 2020-02-14 上海悦易网络信息技术有限公司 一种电子设备屏幕区域瑕疵检测方法与设备
CN110827248A (zh) * 2019-10-28 2020-02-21 上海悦易网络信息技术有限公司 一种电子设备屏幕区域识别方法与设备
CN111178147B (zh) * 2019-12-06 2023-11-28 中国平安财产保险股份有限公司 屏幕破碎分级方法、装置、设备及计算机可读存储介质
CN113066043B (zh) * 2019-12-31 2023-08-04 上海晨兴希姆通电子科技有限公司 缺陷检测方法及装置、计算机可读存储介质
CN111259843B (zh) * 2020-01-21 2021-09-03 敬科(深圳)机器人科技有限公司 基于视觉稳定特征分类配准的多媒体导航仪测试方法
CN111292302B (zh) * 2020-01-21 2022-12-27 上海万物新生环保科技集团有限公司 屏幕检测方法及装置
CN113111696A (zh) * 2020-05-22 2021-07-13 合肥工业大学 一种小尺寸液晶屏微观识别分类集成系统及其方法
CN111612781B (zh) * 2020-05-27 2023-07-14 歌尔光学科技有限公司 一种屏幕缺陷检测方法、装置及头戴显示设备
CN111751236A (zh) * 2020-07-01 2020-10-09 武汉钢铁有限公司 一种钢轨洛氏硬度自动检测方法
CN113160110A (zh) * 2020-12-17 2021-07-23 郑州金惠计算机系统工程有限公司 一种工业数据异常检测方法、装置、终端设备及存储介质
CN114998216A (zh) * 2022-05-06 2022-09-02 湖北文理学院 透明件表面缺陷快速检测方法及装置
CN115049657A (zh) * 2022-08-15 2022-09-13 启东晶尧光电科技有限公司 一种玻璃缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102305798A (zh) * 2011-08-02 2012-01-04 上海交通大学 基于机器视觉的玻璃缺陷的检测与分类方法
CN104406988A (zh) * 2014-11-18 2015-03-11 浙江大学 一种玻璃内部缺陷的检测方法
CN105405142A (zh) * 2015-11-12 2016-03-16 冯平 一种玻璃面板的边缺陷检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102305798A (zh) * 2011-08-02 2012-01-04 上海交通大学 基于机器视觉的玻璃缺陷的检测与分类方法
CN104406988A (zh) * 2014-11-18 2015-03-11 浙江大学 一种玻璃内部缺陷的检测方法
CN105405142A (zh) * 2015-11-12 2016-03-16 冯平 一种玻璃面板的边缺陷检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Defect inspection and extraction of the mobile phone cover glass based on the principal components analysis;di li et al;《the international journal of advanced manufacturing technology》;20140525;第73卷(第9-12期);第1605-1614页
Study on Various Glass Defect Using Glass Edge Detection Methods;Sumeet Singh Tiwana et al;《international journal of computer science and mobile computing》;20130531;第2卷(第5期);第82-85页
基于机器视觉的影像测量仪自动寻边技术研究;陈晓红 等;《组合机床与自动化加工技术》;20130228(第2期);第103-106、110页

Also Published As

Publication number Publication date
CN105894036A (zh) 2016-08-24

Similar Documents

Publication Publication Date Title
CN105894036B (zh) 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法
Li et al. Wavelet-based defect detection in solar wafer images with inhomogeneous texture
CN114140679B (zh) 一种缺陷融合方法、装置、识别系统及存储介质
CN111833306B (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN115082419A (zh) 一种吹塑箱包生产缺陷检测方法
CN108896278A (zh) 一种滤光片丝印缺陷检测方法、装置及终端设备
CN107016394B (zh) 一种交叉纤维特征点匹配方法
CN109449093A (zh) 晶圆检测方法
Ma Defect detection and recognition of bare PCB based on computer vision
CN110473201A (zh) 一种刹车片表面缺陷的自动检测方法及装置
CN106780464A (zh) 一种基于改进阈值分割的织物疵点检测方法
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN111681213A (zh) 一种基于深度学习的导光板线划伤缺陷检测方法
Lin et al. Surface defect detection of machined parts based on machining texture direction
Li et al. A method of surface defect detection of irregular industrial products based on machine vision
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
Chiu et al. An innovative blemish detection system for curved LED lenses
Lee 16‐4: Invited Paper: Region‐Based Machine Learning for OLED Mura Defects Detection
Luo et al. Adaptive canny and semantic segmentation networks based on feature fusion for road crack detection
Lin et al. Detection of surface flaws on textured LED lenses using wavelet packet transform based partial least squares techniques
Li et al. Surface Defect Detection of Seals Based on K‐Means Clustering Algorithm and Particle Swarm Optimization
JP2004296592A (ja) 欠陥分類装置、欠陥分類方法およびプログラム

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190409

Termination date: 20200419