CN109215026B - 一种基于机器视觉的高速准确led缺陷检测方法 - Google Patents

一种基于机器视觉的高速准确led缺陷检测方法 Download PDF

Info

Publication number
CN109215026B
CN109215026B CN201811151980.XA CN201811151980A CN109215026B CN 109215026 B CN109215026 B CN 109215026B CN 201811151980 A CN201811151980 A CN 201811151980A CN 109215026 B CN109215026 B CN 109215026B
Authority
CN
China
Prior art keywords
image
led
roi
gaussian
layers
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
CN201811151980.XA
Other languages
English (en)
Other versions
CN109215026A (zh
Inventor
高健
罗瑞荣
郑卓鋆
周浩源
胡浩晖
张揽宇
陈新
贺云波
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.)
Guangdong University of Technology
Original Assignee
Guangdong 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201811151980.XA priority Critical patent/CN109215026B/zh
Publication of CN109215026A publication Critical patent/CN109215026A/zh
Application granted granted Critical
Publication of CN109215026B publication Critical patent/CN109215026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

一种基于机器视觉的高速准确LED缺陷检测方法，其中，包括如下步骤：S1.分别获取LED的正面和背面图像；S2.对LED的正面图像进行金字塔分解，得到N层高斯金字塔；S3.对N层高斯金字塔进行均值滤波，将像素领域内灰度的均值作为该像素的灰度值，去除高斯噪声；S4.对均值滤波后的N层高斯金字塔复制，分别用于定位LED并且获取旋转角度和对LED进行纠偏并且裁剪出只包含LED的感兴趣区域(ROI)图像；S5.对只包含LED的ROI图像进行灰度和梯度特征分析，检测是否存在胶量缺陷，若不存在，则进行步骤S6；S6.将LED的正面图像更换为LED的背面图像重复步骤S2、步骤S3、步骤S4，获取只包含LED的ROI图像，对ROI图像作掩膜处理并提取特征，通过特征对比筛选出具有缺陷的LED。

Description

一种基于机器视觉的高速准确LED缺陷检测方法
技术领域
本发明涉及机器视觉检测技术领域，更具体地，涉及一种基于机器视觉的高速准确LED缺陷检测方法。
背景技术
我国是照明产品生产大国，在全球占据了相当大份额的白炽灯、节能灯等照明产品的市场，但从2012年起，国家已经开始逐步淘汰白炽灯，截至2016年底，我国全面禁止15W以上普通照明白炽灯的进口和销售。与此同时，国家大力推广高效节能的LED光源，并且在全球市场中推广与销售。由此可见，LED有着极好的发展前景。
LED属于半导体照明器件，其生产过程是在一片半导体发光器件外涂覆某种颜色的荧光胶，根据光色的混合原理，半导体发光器件通电后，LED可以发出特定颜色的色光。但是荧光胶涂覆厚度不均匀、夹带异物、荧光胶变色、半导体发光器件引脚通电失败等均会影响LED的发光效果，导致LED光效低、色度不均、热量难以散失、寿命短，甚至不能发光等问题。
在LED涂覆荧光胶之后、包装销售之前，需要对每个LED的正面和背面的缺陷进行检测，包括荧光胶胶量、引脚翘起和引脚缺失等。目前广泛使用的检测方法是人工目检，由人工在短时间内快速检查所有缺陷。而每个LED的尺寸仅有2*2*1mm，胶量高度比正常胶量±0.1mm以上，就视为缺陷产品。面对这种细微的缺陷尺寸，同时还有背面引脚缺陷需要检查，要快速筛选出缺陷产品，人工目检往往容易出错，速度慢，而且成本较高，并不能满足生产效率越来越高的要求。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于机器视觉的高速准确LED缺陷检测方法。本发明使用两个用于获取图像的CCD相机，结合特定照明光源，用于获取LED的正面和背面图像进行处理和运算，完成LED的缺陷检测，检测速度快、准确率高且抗干扰性好。
为解决上述技术问题，本发明采用的技术方案是：一种基于机器视觉的高速准确LED缺陷检测方法，其中，包括如下步骤：
S1.通过两个CCD相机分别获取LED的正面图像和背面图像；
S2.对LED的正面图像进行金字塔分解，得到N层高斯金字塔；
S3.对N层高斯金字塔进行均值滤波，将像素领域内灰度的均值作为该像素的灰度值，去除高斯噪声，为查找LED边缘做准备；
S4.对均值滤波后的N层高斯金字塔复制，分别用于定位LED并且获取旋转角度和对LED进行纠偏并且裁剪出只包含LED的感兴趣区域(ROI)图像；
S5.对只包含LED的ROI图像进行灰度和梯度特征分析，检测是否存在胶量缺陷，若存在，则筛选出存在胶量缺陷的LED，若不存在，则进行步骤S6；
S6.将LED的正面图像更换为LED的背面图像重复步骤S2、步骤S3、步骤S4的操作，获取只包含LED的感兴趣区域(ROI)图像，对ROI图像作掩膜处理并提取特征，通过特征对比筛选出具有缺陷的LED。
进一步的，所述步骤S4具体包括如下步骤：
S41.将N层高斯金字塔复制，得到相同的两份N层高斯金字塔；
S42.对复制后的其中一份N层高斯金字塔采用全局阈值分割进行二值化，以缩短定位LED的时间，并将二值化后的N层高斯金字塔进行形态学闭运算，它的基本公式如下：
Figure BDA0001818146660000021
该式表示用B来腐蚀A后，得到的结果是B完全包括在A中时B的原点位置的集合；
S43.获取形态学闭运算后的N层高斯金字塔中LED区域的最小外接矩形，并且计算其旋转角度；
S44.利用获取的旋转角度对另外一份N层高斯金字塔进行图像旋转；
S45.利用获取的最小外界矩形尺寸和中心对旋转后的N层高斯金字塔进行图像裁剪，获得只包含LED的感兴趣区域(ROI)图像。
进一步的，所述步骤S5具体包括如下步骤：
S51.计算ROI图像中荧光胶区域的轮廓位置和特征，得到圆形荧光胶区域中心、直径、梯度变化图；其方法是以ROI图像的45°和135°两条对角线为方向设置搜索线，根据每条搜索线的灰度值变化图计算对应的灰度梯度图，根据梯度图得到四个梯度变化最值、最值对应的波长；
S52.将四个最值点的坐标平均值作为圆形荧光胶区域的中心，比较荧光胶区域与ROI图像的中心坐标，计算出荧光胶区域的中心坐标偏离值，根据梯度变化最值、最值对应的波长之和和偏离值大小，判断出是否存在胶量缺陷，并有效筛选出存在胶量缺陷的LED。
进一步的，所述步骤S6具体包括如下步骤：
S61.分别在背面图像的只包含LED的ROI图像中获取每个引脚的位置，根据引脚位置，在ROI图像中设置掩膜，覆盖引脚以外的部分，使引脚位置作为处理运算区域，减少运算量；如下式所示：
Figure BDA0001818146660000031
其中，I'(x,y)是掩膜后图像的灰度值，I(x,y)是ROI图像的灰度值；
S62.对掩膜后的图像进行全局阈值分割，得到包含引脚信息的二值化图像；对二值化图像进行连通域分析，获取每个引脚的面积和矩形度；由于实际中同向相邻的两个引脚尺寸相同，因此将同向相邻的引脚矩形度作差，若引脚面积和矩形度差值不在设定阈值范围内，则判断LED具有引脚翘起或引脚缺失缺陷，从而将具有缺陷的LED筛选出来。
与现有技术相比，本发明的有益效果：
本发明通过两个相机分别获取LED的正面和背面图像，基于金字塔加速处理，针对正面的图像，通过检测LED荧光胶区域的轮廓特征，将高度方向的胶量缺陷转化为平面的缺陷问题；针对背面的图像，通过设置图像掩膜减少运算区域，准确提取出LED引脚的特征，最终判断LED是否为良品。该方法准确有效，耗时短，避免了使用人工目检带来的检测结果不确定、成本高等问题。
本发明的LED缺陷检测方法通过采用机器视觉检测方案，经过金字塔加速、掩膜处理等，大大加快LED的处理速度，准确率高，符合生产要求，而且能够在LED快速运动时进行检测，实现了检测过程的自动化，提高生产效率，避免了小尺寸LED只能使用人眼目检产生的问题，降低LED的生产成本。
附图说明
图1是本发明的方法操作流程图。
图2是本发明中CCD相机获取的LED的正面图像。
图3是本发明步骤S42中对高斯金字塔进行形态学处理后的图像。
图4(a)是本发明步骤S45中不存在胶量缺陷的LED经过图像旋转和图像裁剪得到的只包含LED的感兴趣区域(ROI)图像。
图4(b)是本发明步骤S45中存在胶量缺陷的LED经过图像旋转和图像裁剪得到的只包含LED的感兴趣区域(ROI)图像。
图5(a)是本发明步骤S51中不存在胶量缺陷的LED计算ROI图像的灰度梯度的搜索图。
图5(b)是本发明步骤S51中存在胶量缺陷的LED计算ROI图像的灰度梯度的搜索图。
图6(a)是本发明步骤S51中不存在胶量缺陷的LED所述的四条搜索线处的灰度梯度变化曲线图。
图6(b)是本发明步骤S51中存在胶量缺陷的LED所述的四条搜索线处的灰度梯度变化曲线图。
图7(a)是本发明不存在胶量缺陷的LED正面图像经过算法处理的结果图。图7(b)是本发明存在胶量缺陷的LED正面图像经过算法处理的结果图。
图8是本发明中CCD相机获取的LED的背面图像。
图9(a)是本发明步骤S6不存在缺陷的LED经过图像旋转和图像裁剪获取的只包含LED的感兴趣区域(ROI)图像。
图9(b)是本发明步骤S6存在缺陷的LED经过图像旋转和图像裁剪获取的只包含LED的感兴趣区域(ROI)图像。
图10(a)是本发明步骤S61中不存在缺陷的LED在ROI图像中设置掩膜后的图像。
图10(b)是本发明步骤S61中存在缺陷的LED在ROI图像中设置掩膜后的图像。
图11(a)是本发明步骤S62中不存在缺陷的LED阈值处理后的二值化图像。
图11(b)是本发明步骤S62中存在缺陷的LED阈值处理后的二值化图像。
图12(a)是本发明不存在缺陷的LED背面图像经过算法处理的结果图。
图12(b)是本发明存在缺陷的LED背面图像经过算法处理的结果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
如图1到图12所示，一种基于机器视觉的高速准确LED缺陷检测方法，其中，包括如下步骤：
S1.通过两个CCD相机分别获取LED的正面图像和背面图像；
S2.对LED的正面图像进行金字塔分解，得到N层高斯金字塔；
S3.对N层高斯金字塔进行均值滤波，将像素领域内灰度的均值作为该像素的灰度值，去除高斯噪声，为查找LED边缘做准备；
S4.对均值滤波后的N层高斯金字塔复制，分别用于定位LED并且获取旋转角度和对LED进行纠偏并且裁剪出只包含LED的感兴趣区域(ROI)图像。具体的，包括如下步骤：
S41.将N层高斯金字塔复制，得到相同的两份N层高斯金字塔；
S42.对复制后的其中一份N层高斯金字塔采用全局阈值分割进行二值化，以缩短定位LED的时间，并将二值化后的N层高斯金字塔进行形态学闭运算，它的基本公式如下：
Figure BDA0001818146660000051
该式表示用B来腐蚀A后，得到的结果是B完全包括在A中时B的原点位置的集合；
S43.获取形态学闭运算后的N层高斯金字塔中LED区域的最小外接矩形，并且计算其旋转角度；
S44.利用获取的旋转角度对另外一份N层高斯金字塔进行图像旋转；
S45.利用获取的最小外界矩形尺寸和中心对旋转后的N层高斯金字塔进行图像裁剪，获得只包含LED的感兴趣区域(ROI)图像。
S5.对只包含LED的ROI图像进行灰度和梯度特征分析，检测是否存在胶量缺陷，若存在，则筛选出存在胶量缺陷的LED，若不存在，则进行步骤S6。具体的，包括如下步骤：
S51.计算ROI图像中荧光胶区域的轮廓位置和特征，得到圆形荧光胶区域中心、直径、梯度变化图；其方法是以ROI图像的45°和135°两条对角线为方向设置搜索线，根据每条搜索线的灰度值变化图计算对应的灰度梯度图，根据梯度图得到四个梯度变化最值、最值对应的波长；
S52.将四个最值点的坐标平均值作为圆形荧光胶区域的中心，比较荧光胶区域与ROI图像的中心坐标，计算出荧光胶区域的中心坐标偏离值，根据梯度变化最值、最值对应的波长之和和偏离值大小，判断出是否存在胶量缺陷，并有效筛选出存在胶量缺陷的LED。
S6.将LED的正面图像更换为LED的背面图像重复步骤S2、步骤S3、步骤S4的操作，获取只包含LED的感兴趣区域(ROI)图像，对ROI图像作掩膜处理并提取特征，通过特征对比筛选出具有缺陷的LED。具体的，包括如下步骤：
S61.分别在背面图像的只包含LED的ROI图像中获取每个引脚的位置，根据引脚位置，在ROI图像中设置掩膜，覆盖引脚以外的部分，使引脚位置作为处理运算区域，减少运算量；如下式所示：
Figure BDA0001818146660000061
其中，I'(x,y)是掩膜后图像的灰度值，I(x,y)是ROI图像的灰度值；
S62.对掩膜后的图像进行全局阈值分割，得到包含引脚信息的二值化图像；对二值化图像进行连通域分析，获取每个引脚的面积和矩形度；由于实际中同向相邻的两个引脚尺寸相同，因此将同向相邻的引脚矩形度作差，若引脚面积和矩形度差值不在设定阈值范围内，则判断LED具有引脚翘起或引脚缺失缺陷，从而将具有缺陷的LED筛选出来。
显然，本发明的上述实施例仅仅是为了清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于机器视觉的高速准确LED缺陷检测方法，其特征在于，包括如下步骤：
S1.通过两个CCD相机分别获取LED的正面图像和背面图像；
S2.对LED的正面图像进行金字塔分解，得到N层高斯金字塔；
S3.对N层高斯金字塔进行均值滤波，将像素邻域内灰度的均值作为该像素的灰度值，去除高斯噪声，为查找LED边缘做准备；
S4.对均值滤波后的N层高斯金字塔复制，分别用于定位LED并且获取旋转角度和对LED进行纠偏并且裁剪出只包含LED的感兴趣区域(ROI)图像；
S5.对只包含LED的ROI图像进行灰度和梯度特征分析，检测是否存在胶量缺陷，若存在，则筛选出存在胶量缺陷的LED，若不存在，则进行步骤S6；
S6.将LED的正面图像更换为LED的背面图像重复步骤S2、步骤S3、步骤S4的操作，获取只包含LED的感兴趣区域(ROI)图像，对ROI图像作掩膜处理并提取特征，通过特征对比筛选出具有缺陷的LED；
所述步骤S4具体包括如下步骤：
S41.将N层高斯金字塔复制，得到相同的两份N层高斯金字塔；
S42.对复制后的其中一份N层高斯金字塔采用全局阈值分割进行二值化，以缩短定位LED的时间，并将二值化后的N层高斯金字塔进行形态学闭运算；
S43.获取形态学闭运算后的N层高斯金字塔中LED区域的最小外接矩形，并且计算其旋转角度；
S44.利用获取的旋转角度对另外一份N层高斯金字塔进行图像旋转；
S45.利用获取的最小外接矩形尺寸和中心对旋转后的N层高斯金字塔进行图像裁剪，获得只包含LED的感兴趣区域(ROI)图像。
2.根据权利要求1所述的一种基于机器视觉的高速准确LED缺陷检测方法，其特征在于，所述步骤S5具体包括如下步骤：
S51.计算ROI图像中荧光胶区域的轮廓位置和特征，得到圆形荧光胶区域中心、直径、梯度变化图；其方法是以ROI图像的45°和135°两条对角线为方向设置搜索线，根据每条搜索线的灰度值变化图计算对应的灰度梯度图，根据梯度图得到四个梯度变化最值、最值对应的波长；
S52.将四个最值点的坐标平均值作为圆形荧光胶区域的中心，比较荧光胶区域与ROI图像的中心坐标，计算出荧光胶区域的中心坐标偏离值，根据梯度变化最值、最值对应的波长之和和偏离值大小，判断出是否存在胶量缺陷，并有效筛选出存在胶量缺陷的LED。
3.根据权利要求1所述的一种基于机器视觉的高速准确LED缺陷检测方法，其特征在于，所述步骤S6具体包括如下步骤：
S61.分别在背面图像的只包含LED的ROI图像中获取每个引脚的位置，根据引脚位置，在ROI图像中设置掩膜，覆盖引脚以外的部分，使引脚位置作为处理运算区域，减少运算量；如下式所示：
Figure FDA0003371306780000021
其中，I'(x,y)是掩膜后图像的灰度值，I(x,y)是ROI图像的灰度值；
S62.对掩膜后的图像进行全局阈值分割，得到包含引脚信息的二值化图像；对二值化图像进行连通域分析，获取每个引脚的面积和矩形度；由于实际中同向相邻的两个引脚尺寸相同，因此将同向相邻的引脚矩形度作差，若引脚面积和矩形度差值不在设定阈值范围内，则判断LED具有引脚翘起或引脚缺失缺陷，从而将具有缺陷的LED筛选出来。
CN201811151980.XA 2018-09-29 2018-09-29 一种基于机器视觉的高速准确led缺陷检测方法 Active CN109215026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811151980.XA CN109215026B (zh) 2018-09-29 2018-09-29 一种基于机器视觉的高速准确led缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811151980.XA CN109215026B (zh) 2018-09-29 2018-09-29 一种基于机器视觉的高速准确led缺陷检测方法

Publications (2)

Publication Number Publication Date
CN109215026A CN109215026A (zh) 2019-01-15
CN109215026B true CN109215026B (zh) 2022-02-11

Family

ID=64982511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811151980.XA Active CN109215026B (zh) 2018-09-29 2018-09-29 一种基于机器视觉的高速准确led缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109215026B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610496B (zh) * 2019-04-24 2023-09-26 广东工业大学 一种对光照变化鲁棒的荧光胶缺陷分割方法
CN110363227B (zh) * 2019-06-24 2023-04-18 广东工业大学 一种基于流形学习的led分类方法
CN111652221B (zh) * 2019-06-29 2022-11-01 浙江大学 一种用于usb插头表面缺陷检测的roi提取方法和系统
CN110426395B (zh) * 2019-07-02 2022-02-11 广州大学 一种太阳能el电池硅片表面检测方法及装置
CN110672617B (zh) * 2019-09-14 2022-06-14 华南理工大学 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法
CN114022403A (zh) * 2020-07-16 2022-02-08 京东方科技集团股份有限公司 检测显示面板不良的方法及装置
CN112129700B (zh) * 2020-09-01 2024-03-01 真贺科技(江苏)有限公司 一种柔性电路板的图像检测方法及检测装置
CN112232348B (zh) * 2020-09-07 2021-10-01 华南师范大学 一种基于机器视觉的甲骨文识别方法及系统
CN112634203B (zh) * 2020-12-02 2024-05-31 富联精密电子(郑州)有限公司 图像检测方法、电子设备及计算机可读存储介质
CN112540068B (zh) * 2020-12-09 2021-11-23 北京航空航天大学 三维空间多项容错早期缺陷检测表征方法
CN113102297B (zh) * 2021-04-09 2022-03-08 中国大恒(集团)有限公司北京图像视觉技术分公司 一种并联机器人快速分拣瑕疵工件的方法
CN113450336B (zh) * 2021-07-01 2022-10-25 维柯基科技(上海)有限公司 一种多孔荧光微阵列图像的处理方法、装置、计算机设备及计算机可读存储介质
CN114354494A (zh) * 2021-12-31 2022-04-15 苏州高视半导体技术有限公司 一种led半导体封装点胶缺陷检测装置及检测方法
CN115578380B (zh) * 2022-11-18 2023-03-17 菲特（天津）检测技术有限公司 一种基于机器视觉的泡罩缺陷通用检测方法
CN116894841B (zh) * 2023-09-08 2023-11-28 山东天鼎舟工业科技有限公司 一种变速箱合金壳体质量视觉检测方法
CN117252876B (zh) * 2023-11-17 2024-02-09 江西斯迈得半导体有限公司 一种led支架缺陷检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102042812A (zh) * 2010-09-15 2011-05-04 苏州凌创电子系统有限公司 一种机器视觉检测方法
CN103134785A (zh) * 2013-02-07 2013-06-05 华南理工大学 一种基于机器视觉的荧光粉涂覆表面缺陷检测系统及方法
CN203587523U (zh) * 2013-09-30 2014-05-07 嘉兴奥途智能科技有限公司 电子元器件外观缺陷检测装置
CN104374551A (zh) * 2014-11-24 2015-02-25 深圳科瑞技术股份有限公司 一种led发光均匀性检测方法及其系统
CN104680495A (zh) * 2015-03-17 2015-06-03 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法
CN107063458A (zh) * 2017-02-07 2017-08-18 泉州装备制造研究所 基于机器视觉的瓷砖色度分块检测方法
WO2017180176A1 (en) * 2016-04-15 2017-10-19 Brebenel Nicolae Led lighting system and device
CN207779370U (zh) * 2017-11-17 2018-08-28 四川施克电器有限公司 一种高效灯泡合格率检测装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101856533B1 (ko) * 2011-03-28 2018-05-14 삼성전자주식회사 발광소자 검사 장치 및 그 검사 방법
CN104122509A (zh) * 2013-04-25 2014-10-29 朱高伟 发光灯管检测装置
CN105067638B (zh) * 2015-07-22 2018-01-09 广东工业大学 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN107967681B (zh) * 2017-11-24 2020-04-21 常熟理工学院 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102042812A (zh) * 2010-09-15 2011-05-04 苏州凌创电子系统有限公司 一种机器视觉检测方法
CN103134785A (zh) * 2013-02-07 2013-06-05 华南理工大学 一种基于机器视觉的荧光粉涂覆表面缺陷检测系统及方法
CN203587523U (zh) * 2013-09-30 2014-05-07 嘉兴奥途智能科技有限公司 电子元器件外观缺陷检测装置
CN104374551A (zh) * 2014-11-24 2015-02-25 深圳科瑞技术股份有限公司 一种led发光均匀性检测方法及其系统
CN104680495A (zh) * 2015-03-17 2015-06-03 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法
WO2017180176A1 (en) * 2016-04-15 2017-10-19 Brebenel Nicolae Led lighting system and device
CN107063458A (zh) * 2017-02-07 2017-08-18 泉州装备制造研究所 基于机器视觉的瓷砖色度分块检测方法
CN207779370U (zh) * 2017-11-17 2018-08-28 四川施克电器有限公司 一种高效灯泡合格率检测装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A vision-based LED defect auto-recognition system;Der-Baau Perng et al;《Nondestructive Testing and Evaluation, 2014》;20141231;第29卷(第4期);全文 *
LED荧光粉涂覆质量视觉检测系统的研究与实现;孙敬萍;《中国优秀硕士学位论文全文数据库信息科技辑》;20160315(第03期);第14-18、22、34-45页 *
基于视觉仿生机理的铜带表面缺陷检测;张学武 等;《中国图像图形学报》;20110430;第16卷(第04期);第593-599页 *

Also Published As

Publication number Publication date
CN109215026A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109215026B (zh) 一种基于机器视觉的高速准确led缺陷检测方法
CN109829914B (zh) 检测产品缺陷的方法和装置
LU504271B1 (en) Method for Defect Detection of LED Wick
CN110610496B (zh) 一种对光照变化鲁棒的荧光胶缺陷分割方法
US8908957B2 (en) Method for building rule of thumb of defect classification, and methods for classifying defect and judging killer defect based on rule of thumb and critical area analysis
CN104700085B (zh) 一种基于模板匹配的芯片定位方法
CN109472773B (zh) 一种针对led的缺陷检测方法
CN115791822A (zh) 晶圆表面缺陷的视觉检测算法及检测系统
TWI618925B (zh) Defect inspection method and defect inspection system
US11313806B2 (en) Defect inspection method and defect inspection device
CN114445348B (zh) 基于光学手段的新材料水泵缺陷检测方法及系统
CN111666824A (zh) 移动机器人的基于颜色属性和机器学习的指示灯识别方法
CN114136975A (zh) 一种微波裸芯片表面缺陷智能检测系统和方法
CN112489037A (zh) 缺陷检测及相关模型的训练方法、电子设备和存储装置
EP4226225A1 (en) A line clearance system
CN114577805A (zh) 一种MiniLED背光面板缺陷检测方法及装置
CN115165899A (zh) 采用光学手段的led芯片焊接质量检测方法
CN115866502A (zh) 一种麦克风零件表面缺陷在线检测流程
KR20100121250A (ko) 큐에프엔 반도체 패키지의 외형 결함 검사를 위한 비전 시스템 및 이를 이용한 결함 분류 방법
CN111739022B (zh) 一种基于图像检测的晶圆计数方法及系统
CN113916893A (zh) 模切产品缺陷的检测方法
CN113192061A (zh) Led封装外观检测图像的提取方法、装置、电子设备和存储介质
CN111707672A (zh) 风电回转支撑件表面缺陷检测方法
CN112262313B (zh) 异物检查装置及异物检查方法
KR101681947B1 (ko) Ｔｆｔ기판의 결점 분류 방법 및 장치

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