CN107590511A - 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 - Google Patents
一种缺陷识别方法以及用于自动检查机的缺陷识别系统 Download PDFInfo
- Publication number
- CN107590511A CN107590511A CN201710763132.3A CN201710763132A CN107590511A CN 107590511 A CN107590511 A CN 107590511A CN 201710763132 A CN201710763132 A CN 201710763132A CN 107590511 A CN107590511 A CN 107590511A
- Authority
- CN
- China
- Prior art keywords
- defect
- defects
- picture
- type
- identified
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种缺陷识别方法，包括以下步骤：步骤S1：建立已知缺陷数据的标准样本数据库；步骤S2：将待识别的缺陷图片与所述标准样本数据库中的已知缺陷数据进行对比分析，判定缺陷的类型。本发明还提供一种用于自动检查机的缺陷识别系统。本发明中的缺陷识别方法及系统实现了对于缺陷类型的识别；这种方式对于大部分的膜上异物、膜下异物，假缺陷，膜层变形及脱落等都能进行很好的识别分析，对于缺陷的识别以及后续的改善能起到极大的提升作用。
Description
技术领域
本发明涉及检测领域，具体涉及一种缺陷识别方法以及用于自动检查机的缺陷识别系统。
背景技术
在在TFT-LCD生产工艺中，需要对其中的玻璃基板存在的可能的缺陷进行检查。在现有技术中，通常采用全数检查机(AOI)对其中存在的各类微观缺陷进行检查。玻璃基板在进入检查单元后，检查系统通过透射和反射检查方式对玻璃基板上膜层的白缺陷和黑缺陷进行检查，检查出微观缺陷的大小(size)和数量，并且得到缺陷的微观图片；微观图片一般都可以反馈到检查结果当中。
但是现有技术中的检查机存在一定的技术问题，目前现有的检查技术无法进行对缺陷类别进行分类统计以及自动分析，一般都需要通过人员再对检查结果中的微观图片逐一进行肉眼识别，然后进行人为的判断和分析，从而实现对于缺陷类别的甄别。这种方式对于缺陷的统计及改善一般滞后性很大，且工作量极为繁重，也存在一定误判，不利于生产线的运营及产品良率的提升。
发明内容
为了解决现有技术中的技术问题，本发明公开一种缺陷识别方法，包括以下步骤：
步骤S1：建立已知缺陷数据的标准样本数据库；
步骤S2：将待识别的缺陷图片与所述标准样本数据库中的已知缺陷数据进行对比分析，判定缺陷的类型。
作为对步骤S1的进一步的改进，在本发明的一个实施中，所述步骤S1包括以下子步骤：
步骤S11：对首次出现的缺陷的基准画像照片进行人工判定，确定缺陷类型，并对人工判定的缺陷类型进行记忆保存；
步骤S12：对所述基准画像照片进行处理，过滤掉照片中正常区域的画像，保留照片中缺陷区域的画像，得到缺陷图样；
步骤S13：对所述缺陷图样进行灰度处理，得到只留下具有缺陷个体特征的灰度图像；
步骤S14：将所述灰度图像与所述人工判定的缺陷类型进行匹配，保存记忆，建立已知缺陷的标准样本数据库。
作为对步骤S2的进一步的改进，在本发明的一个实施中，所述步骤S2包括以下子步骤：
步骤S21：对待识别的缺陷图片进行灰度处理；
步骤S22：将灰度处理后的缺陷图片与所述标准样本数据库中的已知缺陷进行对比，得到匹配度；
步骤S23：根据所述匹配度，确定所述待识别的缺陷图片的缺陷类型。
在本发明的一个实施中，优选的，所述的灰度处理包括对缺陷图样依次进行的固定景深处理、灰度差异对比和平滑拟合处理操作。
在本发明的一个实施中，优选的，所述步骤S22中，所述相似度为待识别的缺陷图片中的缺陷与标准样本数据库中的缺陷在形貌和图片灰度上的相似度。
在本发明的一个实施中，优选的，所述缺陷的类型包括膜上异物、膜下异物、膜层脱落和/或假缺陷。
本发明的另一方面，还公开了一种用于自动检查机的缺陷识别系统，其特征在于，包括：
数据库单元，所述数据库单元用于建立已知缺陷的标准样本数据库；
缺陷判定单元，所述缺陷判定单元用于将待识别的缺陷图片与标准样本数据库中的已知缺陷数据的进行对比分析，判定缺陷的类型。
作为对缺陷识别系统的进一步改进，所述数据库单元包括：
标准缺陷模块，所述标准缺陷模块用于将首次出现的缺陷的基准画像照片进行人工判定，确定缺陷类型，并对人工判定的缺陷类型进行记忆保存；
缺陷图样模块，所述缺陷图样模块用于对所述基准画像照片进行处理，过滤掉所述基准画像照片中的正常区域的画像，保留照片中缺陷区域的画像，得到缺陷图样；
灰度处理模块，所述灰度处理模块用于对所述缺陷图样进行灰度处理，得到只留下具有缺陷个体特征的灰度图像；
数据库模块，所述数据库模块用于将所述灰度图像与所述人工判定的缺陷类型进行匹配，保存记忆，建立已知缺陷的标准样本数据库。
作为对缺陷识别系统的进一步改进，所述缺陷判定单元包括：
待识别的缺陷图片处理模块，所述待识别的缺陷图片处理模块用于对待识别的缺陷图片进行灰度处理；
对比模块，所述对比模块用于将灰度处理后的缺陷图片与所述标准样本数据中的已知缺陷进行对比，得到匹配度；
缺陷类型确定模块，所述缺陷类型确定模块根据所述匹配度，确定所述待识别的缺陷图片的缺陷类型。
作为对缺陷识别系统的进一步改进，所述的灰度处理包括对缺陷图样依次进行的固定景深处理、灰度差异对比和平滑拟合处理操作。
本发明中的缺陷识别方法及用于自动检查机的缺陷识别系统，通过缺陷标准样本数据库识别对比的方式对检查到的缺陷的进行匹配度对比来甄别缺陷的种类，由此来判断和分析缺陷类别，从而实现了对于缺陷类型的识别；这种方式对于大部分的膜上异物、膜下异物，假缺陷，膜层变形及脱落等都能进行很好的识别分析，对于缺陷的识别以及后续的改善能起到极大的提升作用。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1是本发明第一实施例中的缺陷识别方法的流程图；
图2是本发明第二实施例中的缺陷识别方法中的步骤S1的流程图；
图3是本发明第二实施例中的多种缺陷的处理过程图；
图4是与图3对应的逻辑图；
图5a是本发明第二实施例中的膜上异物缺陷的灰度处理过程图；
图5b是本发明第二实施例中的膜下异物缺陷的灰度处理过程图；
图5c是本发明第二实施例中的膜层脱落缺陷的灰度处理过程图；
图5d是本发明第二实施例中的假缺陷的灰度处理过程图；
图6是本发明第三实施例中的缺陷识别方法中的步骤S2的流程图；
图7是本发明第四实施例中的用于自动检查机的缺陷识别系统的结构框图；
图8是本发明第四实施例中的数据库单元的结构框图；
图9是本发明第四实施例中的缺陷判定单元的结构框图。
在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例。
具体实施方式
下面将结合附图对本发明作进一步说明。
图1是本发明第一实施例中的缺陷识别方法的流程图；如图1所示，本实施例中的缺陷识别方法包括以下步骤：
步骤S1：建立已知缺陷数据的标准样本数据库；
步骤S2：将待识别的缺陷图片与所述标准样本数据库中的已知缺陷数据进行对比分析，判定缺陷的类型。
本实施例中的缺陷识别方法可以通过待识别的缺陷图片与样本数据库中的已知数据的对比来确定缺陷的类型，因此，节约了人力成本，并且由于自动判断可以使得对于缺陷的统计及改善更加有利，利于生产线的运营及产品良率的提升。
在第一实施例的基础上，对其中的步骤S1进行具体的改进，如图2所示，为本发明第二实施例中的缺陷识别方法中的步骤S1的流程图。在本实施例中，步骤S1包括以下子步骤：
步骤S11：对首次出现的缺陷的基准画像照片进行人工判定，确定缺陷类型，并对人工判定的缺陷类型进行记忆保存；
步骤S12：对所述基准画像照片进行处理，过滤掉照片中正常区域的画像，保留照片中缺陷区域的画像，得到缺陷图样；
步骤S13：对所述缺陷图样进行平灰度处理，得到只留下具有缺陷个体特征的灰度图像；
步骤S14：将所述灰度图像与所述人工判定的缺陷类型进行匹配，保存记忆，建立已知缺陷的标准样本数据库。
为了方便对于本实施中建立标准样本数据库的建立方法的理解，下面结合图3和图4进行进一步的说明。
具体的，将每款产品首次投入的微观缺陷的类型进行记忆保存，对初始缺陷判定基准的确立，先采取用人工判定的结果进行识别保存。如图3所示，该照片为对同时存在多个缺陷的图片的处理过程图，其中最左侧的图片为基准画像照片，其中明显有多个缺陷；人工对缺陷类型进行判定。
然后，对图3中最左侧的基准画像照片进行处理，过滤掉照片中正常区域的画像，保留照片中缺陷区域的画像，得到缺陷图样对于各类缺陷的识别首先过滤掉正常区域的画像，只留下缺陷图样，经过这样的过滤处理得到如图3中的中间的图片。
接着，对所述缺陷图样进行灰度处理，得到只留下具有缺陷个体特征的灰度图像。具体的，在本实施中，其中的灰度处理包括对图3中中间的图片依次进行的固定景深处理、灰度差异对比和平滑拟合处理等操作，最终得到如图3中最右侧的图中所示的灰度图像。由图3中最右侧的图片可以看出，其中仅仅留下了缺陷的灰度图片，其中包括不同的缺陷(在图3最右侧图片中，其中白色的为白缺陷，黑色的为黑缺陷)。其中白缺陷灰度和黑缺陷灰度和正常区域差异较大，具体的可以用图4中的逻辑图来表示(图4中的“辉度”与本申请中其他部分的“灰度”含义形同的)。
最后将得到的灰度图像与人工判定的缺陷类型进行匹配，保存记忆，这样就建立起了已知缺陷的标准样本数据库。在数据库建立过程中，在缺陷首次出现时，根据步骤S11至步骤S14进行处理，将其保存记忆，最终得到众多已知缺陷的标准样本数据库。在已知缺陷的标准样本数据库建立之后，各微观缺陷种类主要类型能够清晰的被识别。
在实际生产中，常见的缺陷一般包括膜上异物、膜下异物、膜层脱落和假缺陷等，为了方便读者的理解，现在对上述四种缺陷进行简单的介绍，具体如图5a至图5d所示。在图图5a至图5d四组图片中，每组中分别展示三张图片。
其中图5a为膜上异物缺陷的灰度处理过程图，膜上异物缺陷为微观黑缺陷，在三幅图片中，在人工判定该最左侧的照片中的缺陷为为膜上异物后，中间的图片为过滤掉照片中正常区域的画像，保留照片中缺陷区域的画像，得到缺陷图样；最右侧的图片为进行灰度处理之后的膜上异物缺陷灰度图像，将灰度处理后的膜上异物缺陷灰度图像录入到标准样本数据库中；在后续步骤S2中得到的对应处理后的灰度差及形貌类似的画像都可归为膜上异物缺陷类型。图5b是本发明第二实施例中的膜下异物缺陷的灰度处理过程图，图5c是本发明第二实施例中的膜层脱落缺陷的灰度处理过程图，图5d是本发明第二实施例中的假缺陷的灰度处理过程图；其中膜下异物缺陷为微观黑缺陷，膜层脱落为微观白缺陷。图5b至图5c处理过程与图5a相同，在此不再赘述。
在第一实施例和第二实施例的基础上，对其中的步骤S2进行具体的描述，如图6所示为本发明第三实施例中步骤S2的流程图，在本实施例中步骤S2包括以下子步骤：
步骤S21：对待识别的缺陷图片进行灰度处理；
步骤S22：将灰度处理后的缺陷图片与所述标准样本数据库中的已知缺陷进行对比，得到匹配度；
步骤S23：根据所述匹配度，确定所述待识别的缺陷图片的缺陷类型。
在本实施中，灰度处理过程与实施二中相似，只是需要将得到的缺陷图片与标准数据库中的已知缺陷的灰度进行对比，根据灰度以及形态上的匹配程度来判定待识别的缺陷的类型。
优选的，由于每同一类型的两个缺陷在形貌及图片灰度上不可能完全一样，可以通过设置匹配阈值进行准确的判定，一般在匹配度大于80％时既可以进行缺陷类别的确认，这样可以很大程度的省去后期还需要再次进行人工判定分析的工作，系统实时自动的对各类异物进行分类及异物类别数据报告的产出，还有利于产线人员及时作出对策，对产品良率的提高也有极大的帮助作用。
本发明的第四实施针对的是用于自动检查机的缺陷识别系统，如图7所述示，本实施例中的缺陷识别系统包括：数据库单元1，所述数据库单元1用于建立已知缺陷的标准样本数据库；缺陷判定单元2，所述缺陷判定单元2用于将待识别的缺陷图片与标准样本数据库中的已知缺陷数据的进行对比分析，判定缺陷的类型。
优选的，如图8所示，其中的数据库单元1包括：标准缺陷模块11，所述标准缺陷模块11用于将首次出现的缺陷的基准画像照片进行人工判定，确定缺陷类型，并对人工判定的缺陷类型进行记忆保存；缺陷图样模块12，所述缺陷图样模块12用于对所述基准画像照片进行处理，过滤掉所述基准画像照片中的正常区域的画像，保留照片中缺陷区域的画像，得到缺陷图样；灰度处理模块13，所述灰度处理模块13用于对所述缺陷图样进行灰度处理，得到只留下具有缺陷个体特征的灰度图像；数据库模块14，所述数据库模块用于将所述灰度图像与所述人工判定的缺陷类型进行匹配，保存记忆，建立已知缺陷的标准样本数据库。
优选的，其中的缺陷判定单元2包括：待识别的缺陷图片处理模块21，所述待识别的缺陷图片处理模块21用于对待识别的缺陷图片进行灰度处理；对比模块22，所述对比模块22用于将灰度处理后的缺陷图片与所述标准样本数据中的已知缺陷进行对比，得到匹配度；缺陷类型确定模块23，所述缺陷类型确定模块23根据所述匹配度，确定所述待识别的缺陷图片的缺陷类型。
进一步的，本实施例中的缺陷识别系统可以直接集成于目前的全数检查机(AOI)上，它是通过缺陷数据库识别对比的方式对检查到的缺陷的进行匹配度对比来甄别缺陷的种类，由此来判断和分析缺陷类别，这种方式对于大部分的膜上异物、膜下异物，假缺陷，膜层变形及脱落等都能进行很好的识别分析；更进一步的，集成了该缺陷识别系统的全数检查机能够实时计算出各种缺陷的占比和密度，这对于生产线的人员的人力投入和负担的降低以及缺陷的改善能起到极大的作用。
本实施例中的缺陷识别系统的设计主要通过是对检出的缺陷与已知的数据库中的缺陷检出图片样本进行相似度匹配对比，由于同一类型的两个缺陷在形貌及图片灰度上不可能完全一样，可以通过设置匹配阈值进行准确的判定，一般在匹配度大于80％时既可以进行缺陷类别的确认，这样可以很大程度的省去后期还需要再次进行人工判定分析的工作，另外，缺陷识别系统系统还可以设置报告输出单元，用于实时自动的对各类缺陷进行分类以及缺陷类别数据报告的产出，这样的方式更有利于生产线人员及时作出对策，对产品良率的提高也有极大的帮助作用。
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。
Claims (10)
1.一种缺陷识别方法，其特征在于，包括以下步骤：
步骤S1：建立已知缺陷数据的标准样本数据库；
步骤S2：将待识别的缺陷图片与所述标准样本数据库中的已知缺陷数据进行对比分析，判定缺陷的类型。
2.根据权利要求1所述的缺陷识别方法，其特征在于，所述步骤S1包括以下子步骤：
步骤S11：对首次出现的缺陷的基准画像照片进行人工判定，确定缺陷类型，并对人工判定的缺陷类型进行记忆保存；
步骤S12：对所述基准画像照片进行处理，过滤掉照片中正常区域的画像，保留照片中缺陷区域的画像，得到缺陷图样；
步骤S13：对所述缺陷图样进行灰度处理，得到只留下具有缺陷个体特征的灰度图像；
步骤S14：将所述灰度图像与所述人工判定的缺陷类型进行匹配，保存记忆，建立已知缺陷的标准样本数据库。
3.根据权利要求2所述的缺陷识别方法，其特征在于，所述步骤S2包括以下子步骤：
步骤S21：对待识别的缺陷图片进行灰度处理；
步骤S22：将灰度处理后的缺陷图片与所述标准样本数据库中的已知缺陷进行对比，得到匹配度；
步骤S23：根据所述匹配度，确定所述待识别的缺陷图片的缺陷类型。
4.根据权利要求2或3所述的缺陷识别方法，其特征在于，所述的灰度处理包括对缺陷图样依次进行的固定景深处理、灰度差异对比和平滑拟合处理操作。
5.根据权利要求3所述的缺陷识别方法，其特征在于，所述步骤S22中，所述相似度为待识别的缺陷图片中的缺陷与标准样本数据库中的缺陷在形貌和图片灰度上的相似度。
6.根据权利要求1所述的缺陷识别方法，其特征在于，所述缺陷的类型包括膜上异物、膜下异物、膜层脱落和/或假缺陷。
7.一种用于自动检查机的缺陷识别系统，其特征在于，包括：
数据库单元，所述数据库单元用于建立已知缺陷的标准样本数据库；
缺陷判定单元，所述缺陷判定单元用于将待识别的缺陷图片与标准样本数据库中的已知缺陷数据的进行对比分析，判定缺陷的类型。
8.根据权利要求7所述的用于自动检查机的缺陷识别系统，其特征在于，所述数据库单元包括：
标准缺陷模块，所述标准缺陷模块用于将首次出现的缺陷的基准画像照片进行人工判定，确定缺陷类型，并对人工判定的缺陷类型进行记忆保存；
缺陷图样模块，所述缺陷图样模块用于对所述基准画像照片进行处理，过滤掉所述基准画像照片中的正常区域的画像，保留照片中缺陷区域的画像，得到缺陷图样；
灰度处理模块，所述灰度处理模块用于对所述缺陷图样进行灰度处理，得到只留下具有缺陷个体特征的灰度图像；
数据库模块，所述数据库模块用于将所述灰度图像与所述人工判定的缺陷类型进行匹配，保存记忆，建立已知缺陷的标准样本数据库。
9.根据权利要求8所述的用于自动检查机的缺陷识别系统，其特征在于，所述缺陷判定单元包括：
待识别的缺陷图片处理模块，所述待识别的缺陷图片处理模块用于对待识别的缺陷图片进行灰度处理；
对比模块，所述对比模块用于将灰度处理后的缺陷图片与所述标准样本数据中的已知缺陷进行对比，得到匹配度；
缺陷类型确定模块，所述缺陷类型确定模块根据所述匹配度，确定所述待识别的缺陷图片的缺陷类型。
10.根据权利要求8或9所述的用于自动检查机的缺陷识别系统，其特征在于，所述的灰度处理包括对缺陷图样依次进行的固定景深处理、灰度差异对比和平滑拟合处理操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710763132.3A CN107590511A (zh) | 2017-08-30 | 2017-08-30 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710763132.3A CN107590511A (zh) | 2017-08-30 | 2017-08-30 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107590511A true CN107590511A (zh) | 2018-01-16 |
Family
ID=61050315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710763132.3A Pending CN107590511A (zh) | 2017-08-30 | 2017-08-30 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107590511A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727887A (zh) * | 2018-12-29 | 2019-05-07 | 上海华力微电子有限公司 | 晶圆的晶边缺陷的监控方法 |
| CN111539954A (zh) * | 2020-05-25 | 2020-08-14 | 国网湖南省电力有限公司 | 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、系统及介质 |
| CN111862074A (zh) * | 2020-07-30 | 2020-10-30 | 国网湖南省电力有限公司 | 一种电缆阻水缓冲层缺陷识别方法及装置 |
| CN112241699A (zh) * | 2020-10-13 | 2021-01-19 | 无锡先导智能装备股份有限公司 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
| CN113269727A (zh) * | 2021-05-08 | 2021-08-17 | 深圳市深视创新科技有限公司 | 透明玻璃材质缺陷视觉检测方法 |
| CN113837528A (zh) * | 2021-08-04 | 2021-12-24 | 山西光兴光电科技有限公司 | 用于判定造成基板玻璃表面缺陷的工位位置的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982155A (zh) * | 2012-11-29 | 2013-03-20 | 上海华力微电子有限公司 | 基于图形识别的缺陷检索系统及方法 |
| CN103185730A (zh) * | 2011-12-28 | 2013-07-03 | 敖翔科技股份有限公司 | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 |
| US20150131890A1 (en) * | 2013-11-11 | 2015-05-14 | Christopher J. Rourk | Coin grading system and method |
| CN104766086A (zh) * | 2015-04-15 | 2015-07-08 | 湖南师范大学 | 一种公路标识的监管方法和系统 |
| CN106204598A (zh) * | 2016-07-13 | 2016-12-07 | 东方晶源微电子科技（北京）有限公司 | 在自动缺陷分类流程中管理缺陷的方法及系统 |
| CN106568783A (zh) * | 2016-11-08 | 2017-04-19 | 广东工业大学 | 一种五金零件缺陷检测系统及方法 |
| CN106770321A (zh) * | 2016-12-08 | 2017-05-31 | 广东工业大学 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
-
2017
- 2017-08-30 CN CN201710763132.3A patent/CN107590511A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103185730A (zh) * | 2011-12-28 | 2013-07-03 | 敖翔科技股份有限公司 | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 |
| CN102982155A (zh) * | 2012-11-29 | 2013-03-20 | 上海华力微电子有限公司 | 基于图形识别的缺陷检索系统及方法 |
| US20150131890A1 (en) * | 2013-11-11 | 2015-05-14 | Christopher J. Rourk | Coin grading system and method |
| CN104766086A (zh) * | 2015-04-15 | 2015-07-08 | 湖南师范大学 | 一种公路标识的监管方法和系统 |
| CN106204598A (zh) * | 2016-07-13 | 2016-12-07 | 东方晶源微电子科技（北京）有限公司 | 在自动缺陷分类流程中管理缺陷的方法及系统 |
| CN106568783A (zh) * | 2016-11-08 | 2017-04-19 | 广东工业大学 | 一种五金零件缺陷检测系统及方法 |
| CN106770321A (zh) * | 2016-12-08 | 2017-05-31 | 广东工业大学 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727887A (zh) * | 2018-12-29 | 2019-05-07 | 上海华力微电子有限公司 | 晶圆的晶边缺陷的监控方法 |
| CN109727887B (zh) * | 2018-12-29 | 2021-06-15 | 上海华力微电子有限公司 | 晶圆的晶边缺陷的监控方法 |
| CN111539954A (zh) * | 2020-05-25 | 2020-08-14 | 国网湖南省电力有限公司 | 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、系统及介质 |
| CN111539954B (zh) * | 2020-05-25 | 2024-01-23 | 国网湖南省电力有限公司 | 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、系统及介质 |
| CN111862074A (zh) * | 2020-07-30 | 2020-10-30 | 国网湖南省电力有限公司 | 一种电缆阻水缓冲层缺陷识别方法及装置 |
| CN111862074B (zh) * | 2020-07-30 | 2023-11-24 | 国网湖南省电力有限公司 | 一种电缆阻水缓冲层缺陷识别方法及装置 |
| CN112241699A (zh) * | 2020-10-13 | 2021-01-19 | 无锡先导智能装备股份有限公司 | 物体缺陷类别识别方法、装置、计算机设备和存储介质 |
| CN113269727A (zh) * | 2021-05-08 | 2021-08-17 | 深圳市深视创新科技有限公司 | 透明玻璃材质缺陷视觉检测方法 |
| CN113837528A (zh) * | 2021-08-04 | 2021-12-24 | 山西光兴光电科技有限公司 | 用于判定造成基板玻璃表面缺陷的工位位置的方法 |
| CN113837528B (zh) * | 2021-08-04 | 2024-03-22 | 山西光兴光电科技有限公司 | 用于判定造成基板玻璃表面缺陷的工位位置的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107590511A (zh) | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 | |
| CN104094118B (zh) | 通过显微图像自动识别全血样品中血小板的方法和设备 | |
| CN100561186C (zh) | 用于纺织品色牢度色差评级的测试方法和装置 | |
| DE60225354T2 (de) | Verfahren und vorrichtung zur herstellung eines referenzbildes bei einer prüfvorrichtung für glasflaschen | |
| CN106568783A (zh) | 一种五金零件缺陷检测系统及方法 | |
| CN107328776A (zh) | 一种免疫层析试纸卡的快速检测方法 | |
| CN109946303A (zh) | 检查装置和方法 | |
| CN110161233B (zh) | 一种免疫层析试纸卡的快速定量检测方法 | |
| DE112016004097T5 (de) | Waferinspektionsverfahren und Waferinspektionsvorrichtung | |
| CN108038838A (zh) | 一种棉麻纤维种类自动检测方法和系统 | |
| KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
| TWI715051B (zh) | 機器學習方法及應用機器學習方法的自動光學檢測設備 | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| DE112016004547T5 (de) | Vorrichtung zum inspizieren einer hinteren oberfläche eines epitaxialwafers und verfahren zum inspizieren einer hinteren oberfläche eines epitaxialwafers unter verwendung derselben | |
| CN107563427A (zh) | 用于油画的著作权鉴定的方法以及相应的使用 | |
| CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
| CN108802052A (zh) | 一种关于拉链缺陷的检测系统及其检测方法 | |
| CN106706644A (zh) | 一种镜片疵病的检测方法 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN111161233A (zh) | 一种用于冲孔皮革缺陷检测方法及系统 | |
| CN109685756A (zh) | 影像特征自动辨识装置、系统及方法 | |
| CN103268492A (zh) | 一种玉米籽粒类型识别方法 | |
| JPH08189904A (ja) | 表面欠陥検出装置 | |
| Xu et al. | Fiber-image analysis part I: Fiber-image enhancement | |
| CN106370673A (zh) | 一种镜片疵病自动检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20180116 |