CN108510476A - 一种基于机器视觉的手机屏线路检测方法 - Google Patents
一种基于机器视觉的手机屏线路检测方法 Download PDFInfo
- Publication number
- CN108510476A CN108510476A CN201810209018.0A CN201810209018A CN108510476A CN 108510476 A CN108510476 A CN 108510476A CN 201810209018 A CN201810209018 A CN 201810209018A CN 108510476 A CN108510476 A CN 108510476A
- Authority
- CN
- China
- Prior art keywords
- circuit
- image
- mobile phone
- defect
- phone screen
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007689 inspection Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000003628 erosive effect Effects 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000004069 differentiation Effects 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Abstract
本发明涉及一种基于机器视觉的手机屏线路检测方法，包括以下步骤：S1)、通过检测装置采集待检测的手机屏线路图像；S2)、对采集的待检测的手机屏线路图像进行二值化处理；S3)、对二值化处理后的手机屏线路图像K进行连通域的查找与标记；S4)、采用Blob分析方法对标记后的手机屏线路图像进行除噪声处理；S5)、对去噪后的线路图像进行断路缺陷、微断路缺陷、以及短路缺陷检测；S6)、判别和定位手机屏线路中的侧蚀缺陷。本发明检测成本低，实用性强、检测效率高，检测一件线路图仅需50ms左右的时间，另外，该方法还具有较高的稳定性，以及较低的漏检率，通过对线路的断路缺陷、微断路缺陷、短路缺陷、侧蚀缺陷进行同时检测，提高了电路检测的准确性。
Description
技术领域
本发明涉及一种机器视觉技术领域，尤其是一种基于机器视觉的手机屏线路检测方法。
背景技术
机器视觉，顾名思义就是使机器具有像人一样的视觉功能，从而实现各种检测、判断、识别、测量等功能。机器视觉系统一般由摄像机、图像采集卡、计算机、光源等组成，其工作原理是：在一定光照条件下，用摄像机把三维场景的被摄取目标图像采集到计算机内部形成原始图像；然后，运用图像处理技术对原始图像进行预处理以改善图像质量，分割图形，提取特征要素，构成对图像的描述；最后，采用模式识别技术进行特征分类，并根据预设条件输出结果。
传统线路检测方法有模板比较法和频谱法。模板比较法通常用于PCB板的检测，就是将参考的标准图像与待检测的图像进行对比，这种方法虽然简单，但是针对不同的产品需要事先建立不同的标准模板，同时要求高精度的图像配准，并且不能检测出所有的缺陷。频谱法是将图像从空域变换到频域进行处理，通过构造某种滤波器，滤除某个频段或某个方向的信息，从而检测出缺陷。此方法虽然达到检测的效果，但是计算量大，时间消耗长，不适合在实际生产中应用。
手机触摸屏生产过程中，需要对触摸屏线路进行检测，以防止线路出现短路、断路、微断等缺陷，与PCB板相比，手机屏线路的检测精度要求更高，因此应用于PCB板的线路检测算法不能直接套用在手机屏的检测上的，需要为其开发相应的检测算法，常见的手机屏线路缺陷有，线路上点状、条状、块状异物，使得线路断路、凸点异物引起的断路；线路区域金属残留、ITO残留导致的短路现象；金属侧蚀严重，实际线宽小于设计值的一半；线路被划伤导致一条或多条线路被划伤导致断线等。
而现阶段，对于手机触摸屏线路的检测主要是依赖人工完成，进行检测时，其主要是采用抽检的方式进行检测，检测结果得不到保证，容易出现严重的漏检和误检等，另外，其主要是通过将检测目标件放在显微镜下直接由人眼进行检测，这种检测方式存在检测效率低，而且人工成本大、劳动强度高等缺陷。
发明内容
针对现有技术的不足，本发明提供一种基于机器视觉的手机屏线路检测方法。
本发明的技术方案为：一种基于机器视觉的手机屏线路检测方法，包括以下步骤：
S1)、通过检测装置采集待检测的手机屏线路图像；
S2)、对采集的待检测的手机屏线路图像进行二值化处理；
S3)、对二值化处理后的手机屏线路图像K进行连通域的查找与标记；
S4)、采用Blob分析方法对标记后的手机屏线路图像进行除噪声处理；
S5)、对去噪后的线路图像进行断路缺陷、微断路缺陷、以及短路缺陷检测；
S6)、判别和定位手机屏线路中的侧蚀缺陷。
进一步的，上述技术方案中，步骤S1)中，检测装置为CMOS相机，该相机的像素至少为400万，分辨率至少为2048像素×2048像素。
进一步的，上述技术方案中，步骤S2)中，对手机屏线路图像进行二值化处理采用的是最大类方差算法。
进一步的，上述技术方案中，步骤S3)中，对图像连通区域的查找与标记采用的是广度优先搜索算法，具体包括以下步骤：
S301)、建立一个与目标图像K尺寸大小一样的标记数组，用于搜索过程中像素的标记，对该标记数组全部初始化为0；
S302)、按行依次扫描目标图像K的每一个像素，当遇到一个白色像素点p时，根据标记数组判定该像素是否被搜索过，如果已经被搜索过则不作任何处理，然后继续后续扫描；如果没有被搜索过则表明遇到一个新的连通域；
S303)、以白色像素点p为起点，使用广度优先搜索算法找到该连通域的所有像素，同时将标记数组中与已搜索像素相关的元素设置为1；
S304)、然后从白色像素点p的下一像素点开始继续扫描，重复以上步骤S302)和S303)，直至遍历完整个目标图像K。
进一步的，上述技术方案中，步骤S5)中，所述断路缺陷、微断路缺陷、以及短路缺陷检测具体为：
S501)、将每个连通域的端点作为特征点，以此特征点的位置为中心，新建一个比最大缺陷大的局部矩形区域；
对局部矩形区域内的图像提取连通区域，得到各线路的连通域Mi，各连通区域Mi与由矩形四条边构成的连通域N进行交运算，计算每条线路的连通域Mi与矩形连通域N相交得到的区域个数；
若线路没有断，则所有线路连通域Mi与矩形连通域N相交后得到的区域个数为2个；若某条线路发生断路或存在断线，则存在缺陷的线路相关连通域Mj与N相交后得到的区域个数为1个；因此，若Mj的个数超过1个，说明这些连通域是因为某线路发生断路缺陷而产生的；
S502)、计算断线缺陷的外接矩形的长宽比R，选取一个阈值Rs作为判断断路缺陷和微断缺陷的分类界限，若R≥Rs，则为微断缺陷，若R＜Rs，则是断路缺陷；
S503)、对短路检测，将步骤S4)中去噪后的线路图像取反，然后按照步骤S501)、S502)检测线路，若为断路缺陷，则为短路缺陷。
进一步的，上述技术方案中，步骤S6)中，将去噪后的线路图像做形态学闭运算使得线路的轮廓闭合，然后将闭运算后的图像与去噪后的线路图像做差得到侧蚀区域，当侧蚀部分的宽度超过线路宽度的1/2，则为侧蚀缺陷。
进一步的，侧蚀线路的线宽采用基于法线的快速线宽检测算法计算得到，具体为：
a)、以侧蚀区域重心位置坐标为中心，新建矩形图像区域，提取矩形内部线路的骨架，最终得到线宽为一个像素点的图像；
b)、得到了单像素点的图像，即线路上的中心线后，对中心线上的每个像素点逐个计算法线方向，并统计法线方向上像素点的个数，并记每条法线长度di，然后求取平均值，得到线路宽为dline，统计线宽时，分别沿法线的两个方向统计连续的线路像素数量，遇到非线路像素时终止，将两部分的像素点数量相加；
c)、按照步骤a)、b)计算得到侧蚀区域的宽度ddef，若线宽比则为侧蚀缺陷。
进一步的，提取矩形内部线路的骨架采用的是Hilditch算法。
本发明的有益效果为：检测成本低，实用性强，基本上一个人即可完成所有的线路的检测工作，进一步降低了人工成本，而且检测一件线路图仅需50ms左右的时间，并且可多个线路同时进行检测，进一步提高了线路的检测效率，另外，该方法还具有较高的稳定性，以及较低的漏检率，进一步提高了线路检测的有效性，并且还可用于不同手机屏线路的检测，适用范围广泛，通过对线路的断路缺陷、微断路缺陷、短路缺陷、侧蚀缺陷进行同时检测，进一步提高了电路检测的准确性，通过采用广度优先搜索算法，只需遍历一次图像，具有极高的效率，能极大的提高检测效率和缩短检测时间，通过采用Hilditch算法，有效的保证了侧蚀检测的准确性和可靠性。
附图说明
图1为本发明的流程框架图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
如图1所示，一种基于机器视觉的手机屏线路检测方法，包括以下步骤：
S1)、通过相机采集待检测的手机屏线路图像，其中，相机采用面阵400万像素的CMOS相机，分辨率至少为2048像素×2048像素，每个像素尺寸为5.5um×5.5um。镜头采用OPTART-M2-65镜头，其工作距离为65mm；
S2)、采用最大类方差算法对采集的待检测的手机屏线路图像进行二值化处理；
S3)、采用广度优先搜索算法对二值化处理后的手机屏线路图像K进行连通域的查找与标记，具体包括以下步骤：
S301)、建立一个与目标图像K尺寸大小一样的标记数组，用于搜索过程中像素的标记，对该标记数组全部初始化为0；
S302)、按行依次扫描目标图像K的每一个像素，当遇到一个白色像素点p时，根据标记数组判定该像素是否被搜索过，如果已经被搜索过则不作任何处理，然后继续后续扫描；如果没有被搜索过则表明遇到一个新的连通域；
S303)、以白色像素点p为起点，使用广度优先搜索算法找到该连通域的所有像素，同时将标记数组中与已搜索像素相关的元素设置为1；
S304)、然后从白色像素点p的下一像素点开始继续扫描，重复以上步骤S302)和S303)，直至遍历完整个目标图像K；
S4)、采用Blob分析方法对标记后的手机屏线路图像进行除噪声处理；
S5)、对去噪后的线路图像进行断路缺陷、微断路缺陷、以及短路缺陷检测，具体为：
S501)、将每个连通域的端点作为特征点，以此特征点的位置为中心，新建一个比最大缺陷大的局部矩形区域；
对局部矩形区域内的图像提取连通区域，得到各线路的连通域Mi，各连通区域Mi与由矩形四条边构成的连通域N进行交运算，计算每条线路的连通域Mi与矩形连通域N相交得到的区域个数；
若线路没有断，则所有线路连通域Mi与矩形连通域N相交后得到的区域个数为2个；若某条线路发生断路或存在断线，则存在缺陷的线路相关连通域Mj与N相交后得到的区域个数为1个；因此，若Mj的个数超过1个，说明这些连通域是因为某线路发生断路缺陷而产生的；
S502)、计算断线缺陷的外接矩形的长宽比R，选取一个阈值Rs作为判断断路缺陷和微断缺陷的分类界限，若R≥Rs，则为微断缺陷，若R＜Rs，则是断路缺陷；
S503)、对短路检测，将步骤S4)中去噪后的线路图像取反，然后按照步骤S501)、S502)检测线路，若为断路缺陷，则为短路缺陷；
S6)、判别和定位手机屏线路中的侧蚀缺陷，具体为，将去噪后的线路图像做形态学闭运算使得线路的轮廓闭合，然后将闭运算后的图像与去噪后的线路图像做差得到侧蚀区域，当侧蚀部分的宽度超过线路宽度的1/2，则为侧蚀缺陷，其中，侧蚀线路的线宽采用基于法线的快速线宽检测算法计算得到，具体为：
a)、以侧蚀区域重心位置坐标为中心，新建矩形图像区域，提取矩形内部线路的骨架，最终得到线宽为一个像素点的图像，其中，提取矩形内部线路的骨架采用Hilditch算法；
b)、得到了单像素点的图像，即线路上的中心线后，对中心线上的每个像素点逐个计算法线方向，并统计法线方向上像素点的个数，并记每条法线长度di，然后求取平均值，得到线路宽为dline，统计线宽时，分别沿法线的两个方向统计连续的线路像素数量，遇到非线路像素时终止，将两部分的像素点数量相加；
c)、按照步骤a)、b)计算得到侧蚀区域的宽度ddef，若线宽比则为侧蚀缺陷。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种基于机器视觉的手机屏线路检测方法，其特征在于，包括以下步骤：
S1)、通过检测装置采集待检测的手机屏线路图像；
S2)、对采集的待检测的手机屏线路图像进行二值化处理；
S3)、对二值化处理后的手机屏线路图像K进行连通域的查找与标记；
S4)、采用Blob分析方法对标记后的手机屏线路图像进行除噪声处理；
S5)、对去噪后的线路图像进行断路缺陷、微断路缺陷、以及短路缺陷检测；
S6)、判别和定位手机屏线路中的侧蚀缺陷。
2.根据权利要求1所述的一种基于机器视觉的手机屏线路检测方法，其特征在于：步骤S1)中，检测装置为相机。
3.根据权利要求1所述的一种基于机器视觉的手机屏线路检测方法，其特征在于：步骤S2)中，对手机屏线路图像进行二值化处理采用的是最大类方差算法。
4.根据权利要求1所述的一种基于机器视觉的手机屏线路检测方法，其特征在于：步骤S3)中，对图像连通区域的查找与标记采用的是广度优先搜索算法，具体包括以下步骤：
S301)、建立一个与目标图像K尺寸大小一样的标记数组，用于搜索过程中像素的标记，对该标记数组全部初始化为0；
S302)、按行依次扫描目标图像K的每一个像素，当遇到一个白色像素点p时，根据标记数组判定该像素是否被搜索过，如果已经被搜索过则不作任何处理，然后继续后续扫描；如果没有被搜索过则表明遇到一个新的连通域；
S303)、以白色像素点p为起点，使用广度优先搜索算法找到该连通域的所有像素，同时将标记数组中与已搜索像素相关的元素设置为1；
S304)、然后从白色像素点p的下一像素点开始继续扫描，重复以上步骤S302)和S303)，直至遍历完整个目标图像K。
5.根据权利要求1所述的一种基于机器视觉的手机屏线路检测方法，其特征在于：步骤S5)中，所述断路缺陷、微断路缺陷、以及短路缺陷检测具体为：
S501)、将每个连通域的端点作为特征点，以此特征点的位置为中心，新建一个比最大缺陷大的局部矩形区域；
对局部矩形区域内的图像提取连通区域，得到各线路的连通域Mi，各连通区域Mi与由矩形四条边构成的连通域N进行交运算，计算每条线路的连通域Mi与矩形连通域N相交得到的区域个数；
若线路没有断线，则所有线路连通域Mi与矩形连通域N相交后得到的区域个数为2个；若某条线路发生断路或存在断线，则存在缺陷的线路相关连通域Mj与N相交后得到的区域个数为1个；
S502)、计算断线缺陷的外接矩形的长宽比R，选取一个阈值Rs作为判断断路缺陷和微断缺陷的分类界限，若R≥Rs，则为微断缺陷，若R＜Rs，则是断路缺陷；
S503)、对短路检测，将步骤S4)中去噪后的线路图像取反，然后按照步骤S501)、S502)检测线路，若为断路缺陷，则为短路缺陷。
6.根据权利要求1所述的一种基于机器视觉的手机屏线路检测方法，其特征在于：步骤S6)中，将去噪后的线路图像做形态学闭运算使得线路的轮廓闭合，然后将闭运算后的图像与去噪后的线路图像做差得到侧蚀区域，当侧蚀部分的宽度超过线路宽度的1/2，则为侧蚀缺陷。
7.根据权利要求6所述的一种基于机器视觉的手机屏线路检测方法，其特征在于：侧蚀线路的线宽采用基于法线的快速线宽检测算法计算得到，具体为：
a)、以侧蚀区域重心位置坐标为中心，新建矩形图像区域，提取矩形内部线路的骨架，最终得到线宽为一个像素点的图像；
b)、得到了单像素点的图像，即线路上的中心线后，对中心线上的每个像素点逐个计算法线方向，并统计法线方向上像素点的个数，并记每条法线长度di，然后求取平均值，得到线路宽为dline，统计线宽时，分别沿法线的两个方向统计连续的线路像素数量，遇到非线路像素时终止，将两部分的像素点数量相加；
c)、按照步骤a)、b)计算得到侧蚀区域的宽度ddef，若线宽比则为侧蚀缺陷。
8.根据权利要求7所述的一种基于机器视觉的手机屏线路检测方法，其特征在于：提取矩形内部线路的骨架采用的是Hilditch算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810209018.0A CN108510476B (zh) | 2018-03-14 | 2018-03-14 | 一种基于机器视觉的手机屏线路检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810209018.0A CN108510476B (zh) | 2018-03-14 | 2018-03-14 | 一种基于机器视觉的手机屏线路检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108510476A true CN108510476A (zh) | 2018-09-07 |
| CN108510476B CN108510476B (zh) | 2022-03-15 |
Family
ID=63377611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810209018.0A Expired - Fee Related CN108510476B (zh) | 2018-03-14 | 2018-03-14 | 一种基于机器视觉的手机屏线路检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108510476B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684894A (zh) * | 2018-11-07 | 2019-04-26 | 国网新疆电力有限公司电力科学研究院 | 基于特征选择和lm-bp神经网络的条形码辨识方法 |
| 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 |
| CN111353983A (zh) * | 2020-02-28 | 2020-06-30 | 腾讯科技（深圳）有限公司 | 缺陷检测识别方法、装置、计算机可读介质及电子设备 |
| CN111476795A (zh) * | 2020-02-27 | 2020-07-31 | 浙江工业大学 | 一种基于广度优先搜索的二值图标记方法 |
| CN112116591A (zh) * | 2020-11-18 | 2020-12-22 | 惠州高视科技有限公司 | 一种用于检测蚀刻电路通断路的方法 |
| CN112763511A (zh) * | 2020-12-24 | 2021-05-07 | 深圳市华星光电半导体显示技术有限公司 | 显示面板的线路缺陷的检测方法 |
| CN113610761A (zh) * | 2021-07-06 | 2021-11-05 | 上海望友信息科技有限公司 | 判断断头线的方法、装置、电子设备及存储介质 |
| CN116091503A (zh) * | 2023-04-10 | 2023-05-09 | 成都数之联科技股份有限公司 | 一种面板异物缺陷的判别方法、装置、设备及介质 |
| CN116152225A (zh) * | 2023-04-04 | 2023-05-23 | 深圳市柯达科电子科技有限公司 | 一种电感触摸屏生产工艺调节方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101354624A (zh) * | 2008-05-15 | 2009-01-28 | 中国人民解放军国防科学技术大学 | 一种四路摄像头协同工作的表面计算平台及多触点检测方法 |
| US20110274353A1 (en) * | 2010-05-07 | 2011-11-10 | Hailong Yu | Screen area detection method and screen area detection system |
| US20130329158A1 (en) * | 2011-02-22 | 2013-12-12 | Sharp Kabushiki Kaisha | Active matrix substrate, display device, and short circuit defect correction method for active matrix substrate |
| CN105092598A (zh) * | 2015-09-28 | 2015-11-25 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统 |
| CN106127751A (zh) * | 2016-06-20 | 2016-11-16 | 北京小米移动软件有限公司 | 图像检测方法、装置以及系统 |
| CN107678192A (zh) * | 2017-07-16 | 2018-02-09 | 中科院成都信息技术股份有限公司 | 一种基于机器视觉的Mura缺陷检测方法及系统 |
-
2018
- 2018-03-14 CN CN201810209018.0A patent/CN108510476B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101354624A (zh) * | 2008-05-15 | 2009-01-28 | 中国人民解放军国防科学技术大学 | 一种四路摄像头协同工作的表面计算平台及多触点检测方法 |
| US20110274353A1 (en) * | 2010-05-07 | 2011-11-10 | Hailong Yu | Screen area detection method and screen area detection system |
| US20130329158A1 (en) * | 2011-02-22 | 2013-12-12 | Sharp Kabushiki Kaisha | Active matrix substrate, display device, and short circuit defect correction method for active matrix substrate |
| CN105092598A (zh) * | 2015-09-28 | 2015-11-25 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统 |
| CN106127751A (zh) * | 2016-06-20 | 2016-11-16 | 北京小米移动软件有限公司 | 图像检测方法、装置以及系统 |
| CN107678192A (zh) * | 2017-07-16 | 2018-02-09 | 中科院成都信息技术股份有限公司 | 一种基于机器视觉的Mura缺陷检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李昌海: "基于AOI的LCD线路缺陷检测系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684894A (zh) * | 2018-11-07 | 2019-04-26 | 国网新疆电力有限公司电力科学研究院 | 基于特征选择和lm-bp神经网络的条形码辨识方法 |
| 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 |
| CN111476795A (zh) * | 2020-02-27 | 2020-07-31 | 浙江工业大学 | 一种基于广度优先搜索的二值图标记方法 |
| CN111353983A (zh) * | 2020-02-28 | 2020-06-30 | 腾讯科技（深圳）有限公司 | 缺陷检测识别方法、装置、计算机可读介质及电子设备 |
| CN111353983B (zh) * | 2020-02-28 | 2023-05-23 | 腾讯科技（深圳）有限公司 | 缺陷检测识别方法、装置、计算机可读介质及电子设备 |
| CN112116591A (zh) * | 2020-11-18 | 2020-12-22 | 惠州高视科技有限公司 | 一种用于检测蚀刻电路通断路的方法 |
| CN112116591B (zh) * | 2020-11-18 | 2021-03-30 | 惠州高视科技有限公司 | 一种用于检测蚀刻电路通断路的方法 |
| CN112763511A (zh) * | 2020-12-24 | 2021-05-07 | 深圳市华星光电半导体显示技术有限公司 | 显示面板的线路缺陷的检测方法 |
| CN113610761A (zh) * | 2021-07-06 | 2021-11-05 | 上海望友信息科技有限公司 | 判断断头线的方法、装置、电子设备及存储介质 |
| CN113610761B (zh) * | 2021-07-06 | 2023-11-17 | 上海望友信息科技有限公司 | 判断断头线的方法、装置、电子设备及存储介质 |
| CN116152225A (zh) * | 2023-04-04 | 2023-05-23 | 深圳市柯达科电子科技有限公司 | 一种电感触摸屏生产工艺调节方法及系统 |
| CN116091503A (zh) * | 2023-04-10 | 2023-05-09 | 成都数之联科技股份有限公司 | 一种面板异物缺陷的判别方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108510476B (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510476A (zh) | 一种基于机器视觉的手机屏线路检测方法 | |
| CN111986190B (zh) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 | |
| CN110070524A (zh) | 一种智能终端面板视觉故障检测系统 | |
| CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
| CN104749184B (zh) | 自动光学检测方法和系统 | |
| CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
| CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
| CN108982512A (zh) | 一种基于机器视觉的电路板检测系统及其方法 | |
| CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
| CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
| CN108288264A (zh) | 一种广角摄像头模组脏污测试方法 | |
| CN109060842A (zh) | 基于曲面拟合校正的柑橘表面缺陷检测方法、计算机程序 | |
| CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
| CN107480678A (zh) | 一种棋盘识别方法和识别系统 | |
| CN114399507B (zh) | 一种手机外观质量检测方法、装置、电子设备及存储介质 | |
| CN105404900A (zh) | 一种并排二极管的定位方法及装置 | |
| CN113283439A (zh) | 基于图像识别的智能计数方法、装置及系统 | |
| CN113176275A (zh) | 一种用于显示面板复检的方法、装置及系统 | |
| JPH05215547A (ja) | ステレオ画像間対応点決定方法 | |
| CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
| CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 | |
| CN116245793A (zh) | 基于视觉的色环电阻阻值检测方法 | |
| JPH03175343A (ja) | 外観検査による欠陥抽出方法 | |
| Gao et al. | Development of OLED panel defect detection system through improved Otsu algorithm | |
| JP3753234B2 (ja) | 欠陥検出方法 |
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 | ||
| 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: 20220315 |