CN109472773B - 一种针对led的缺陷检测方法 - Google Patents
一种针对led的缺陷检测方法 Download PDFInfo
- Publication number
- CN109472773B CN109472773B CN201811150222.6A CN201811150222A CN109472773B CN 109472773 B CN109472773 B CN 109472773B CN 201811150222 A CN201811150222 A CN 201811150222A CN 109472773 B CN109472773 B CN 109472773B
- Authority
- CN
- China
- Prior art keywords
- image
- led
- area
- gray
- glue
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 239000003292 glue Substances 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000002845 discoloration Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000002950 deficient Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004026 adhesive bonding Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种针对LED的缺陷检测方法。本发明根据梯度图零点拟合荧光胶区域轮廓的方法对LED图像进行处理和运算,能够很好的完成对LED的胶内异物、胶内气泡、胶变色缺陷的检测,并且能够减少运算区域、加快处理速度。
Description
技术领域
本发明涉及机器视觉检测技术领域,更具体地,涉及一种针对LED的缺陷检测方法。
背景技术
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的缺陷进行检测,其中包括胶内异物、胶内气泡、胶变色等。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,LED内的异物尺寸>0.2mm,即视为缺陷产品。面对这种细微的缺陷尺寸,同时还有胶内气泡、胶变色等缺陷需要检查,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。
通过机器视觉检测的方法,面对胶内异物、胶内气泡、胶变色等使荧光胶品质降低的缺陷,为提高检测准确率和速度,降低成本,必须解决的问题是:如何同时获取胶内异物、胶内气泡、胶变色的特征,以减少检测的工位,以及选择的算法如何同时处理胶内异物、胶内气泡、胶变色等缺陷,并且保证高准确率。
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及实现上述目的,提供一种针对LED的缺陷检测方法。本发明对LED图像进行处理和运算,能够很好的完成对LED的胶内异物、胶内气泡、胶变色缺陷的检测。
为解决上述技术问题,本发明采用的技术方案是:一种针对LED的缺陷检测方法,其中,包括如下步骤:
S1.获取LED图像,将LED图像转为灰度图,并且进行均值去噪,去除高斯噪声;在灰度图下,异物、气泡、变色等影响荧光胶品质的缺陷都与异物具有相似的特征,方便统一处理。
S2.对LED图像设置45°和135°两个方向的灰度搜索线,得到灰度变化曲线图,根据灰度变化曲线图得到四个灰度梯度变化图;
S3.根据灰度梯度变化图,获取四个梯度图上接近最值点的零点坐标;梯度图零点位置代表荧光胶区域的轮廓位置,荧光胶区域是一个圆,根据梯度图的零点坐标,转化回LED图像中的坐标,利用最小二乘法拟合出准确的荧光胶区域轮廓;其公式为:
(x-xc)2+(y-yc)2=r2 (1)
其中,式(1)是圆形荧光胶区域轮廓的方程,(xc,yc)是圆心坐标,(xi,yi)是梯度图零点坐标,式(2)中δ是误差的平方和,最小二乘法通过寻找使误差的平方和δ最小的圆心(xc,yc)与半径r,来获取圆的方程;
S4.根据式(1),生成大小、位置自适应掩膜图像,大小与步骤S1的灰度图一致,由掩膜限定处理运算区域,该掩膜根据式(1)的位置、大小而变化,确保运算区域为LED图像中的荧光胶区域;生成的掩膜图像为:
其中,M(x,y)是掩膜图像的灰度值,(x,y)为像素点坐标;
S5.对LED图像通过直方图均衡化进行图像增强,然后计算图像的一阶差分图,其公式为:
其中,I(x,y)表示直方图均衡化后的LED图像,Gx(x,y)和Gy(x,y)是x方向和y方向的一阶差分图,G(x,y)是一阶差分结果图;
S6.由于缺陷存在于荧光胶区域内,因此将掩膜图像M(x,y)覆盖到一阶差分结果图G(x,y),覆盖后,G(x,y)只保留M(x,y)灰度值非0的位置点,得到掩膜后图像G'(x,y),M(x,y)中灰度值为0的区域,在G'(x,y)中保持为0;
S7.对G'(x,y)中的无掩膜覆盖区域进行基于大津法的自动阈值分割,得到分割阈值T和二值化图像G”(x,y),G”(x,y)包含胶内异物、胶内气泡、胶变色等缺陷信息;大津法将图像分为前景和背景两类,分割阈值为T,其基本公式为:
D=ω0*ω1*(μ0-μ1)2 (7)
其中,灰度值小于等于T、大于T的像素数占待分割图像总像素数的比例分别为ω0、ω1,对应的灰度平均值分别为μ0、μ1,D是类间方差值,大津法的算法思想是通过遍历图像,寻找出使D最大的值T,作为图像的分割阈值;
S8.对G”(x,y)进行连通域搜索,计算出各区域的面积,得到最大的区域面积areamax,如果areamax和T超过设定的阈值,则判断当前LED是缺陷产品。
与现有技术相比,本发明的有益效果:
本发明在寻找荧光胶区域轮廓时,根据灰度梯度图的零点坐标,通过最小二乘法能够拟合出准确的轮廓位置,并且基于此,设置位置、大小自适应掩膜,在保证处理的区域为荧光胶区域的同时,减少了运算区域、加快了处理速度。
本发明根据梯度图零点拟合荧光胶区域轮廓的方法更准确,鲁棒性高,对异物、气泡、变色等影响荧光胶品质的缺陷能够准确地检测出来,经过掩膜处理,检测速度超过100个/秒,满足生产要求。
附图说明
图1是本发明的方法操作流程图。
图2(a)是本发明中获取的不存在缺陷的LED的图像。
图2(b)是本发明中获取的存在缺陷的LED的图像。
图3(a)是本发明中不存在缺陷的LED图像的灰度搜索线。
图3(b)是本发明中存在缺陷的LED图像的灰度搜索线。
图4(a)是本发明中不存在缺陷的LED图像四条搜索线处的灰度梯度变化曲线图。
图4(b)是本发明中存在缺陷的LED图像四条搜索线处的灰度梯度变化曲线图。
图5(a)是本发明中不存在缺陷的LED图像由最小二乘法拟合的荧光胶区域轮廓图。
图5(b)是本发明中存在缺陷的LED图像由最小二乘法拟合的荧光胶区域轮廓图。
图6是本发明中LED图像生成的自适应掩膜图像。
图7(a)是本发明中不存在缺陷的LED图像进行图像增强和一阶差分后的图像G(x,y)。
图7(b)是本发明中存在缺陷的LED图像进行图像增强和一阶差分后的图像G(x,y)。
图8(a)是本发明中不存在缺陷的LED图像将掩膜覆盖至一阶差分图得到的掩膜后图像G'(x,y)。
图8(b)是本发明中存在缺陷的LED图像将掩膜覆盖至一阶差分图得到的掩膜后图像G'(x,y)。
图9(a)是本发明中不存在缺陷的LED图像对荧光胶区域进行自动阈值分割后得到的二值化图像G”(x,y)。
图9(b)是本发明中存在缺陷的LED图像对荧光胶区域进行自动阈值分割后得到的二值化图像G”(x,y)。
图10(a)是本发明中不存在缺陷的LED图像经过算法处理后的结果图。
图10(b)是本发明中存在缺陷的LED图像经过算法处理后的结果图。
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10所示,一种针对LED的缺陷检测方法,其中,包括如下步骤:
S1.获取LED图像,将LED图像转为灰度图,并且进行均值去噪,去除高斯噪声;在灰度图下,异物、气泡、变色等影响荧光胶品质的缺陷都与异物具有相似的特征,方便统一处理。
S2.对LED图像设置45°和135°两个方向的灰度搜索线,得到灰度变化曲线图,根据灰度变化曲线图得到四个灰度梯度变化图;
S3.根据灰度梯度变化图,获取四个梯度图上接近最值点的零点坐标;梯度图零点位置代表荧光胶区域的轮廓位置,荧光胶区域是一个圆,根据梯度图的零点坐标,转化回LED图像中的坐标,利用最小二乘法拟合出准确的荧光胶区域轮廓;其公式为:
(x-xc)2+(y-yc)2=r2 (1)
其中,式(1)是圆形荧光胶区域轮廓的方程,(xc,yc)是圆心坐标,(xi,yi)是梯度图零点坐标,式(2)中δ是误差的平方和,最小二乘法通过寻找使误差的平方和δ最小的圆心(xc,yc)与半径r,来获取圆的方程;
S4.根据式(1),生成大小、位置自适应掩膜图像,大小与步骤S1的灰度图一致,由掩膜限定处理运算区域,该掩膜根据式(1)的位置、大小而变化,确保运算区域为LED图像中的荧光胶区域;生成的掩膜图像为:
其中,M(x,y)是掩膜图像的灰度值,(x,y)为像素点坐标;
S5.对LED图像通过直方图均衡化进行图像增强,然后计算图像的一阶差分图,其公式为:
其中,I(x,y)表示直方图均衡化后的LED图像,Gx(x,y)和Gy(x,y)是x方向和y方向的一阶差分图,G(x,y)是一阶差分结果图;
S6.由于缺陷存在于荧光胶区域内,因此将掩膜图像M(x,y)覆盖到一阶差分结果图G(x,y),覆盖后,G(x,y)只保留M(x,y)灰度值非0的位置点,得到掩膜后图像G'(x,y),M(x,y)中灰度值为0的区域,在G'(x,y)中保持为0;
S7.对G'(x,y)中的无掩膜覆盖区域进行基于大津法的自动阈值分割,得到分割阈值T和二值化图像G”(x,y),G”(x,y)包含胶内异物、胶内气泡、胶变色等缺陷信息;大津法将图像分为前景和背景两类,分割阈值为T,其基本公式为:
D=ω0*ω1*(μ0-μ1)2 (7)
其中,灰度值小于等于T、大于T的像素数占待分割图像总像素数的比例分别为ω0、ω1,对应的灰度平均值分别为μ0、μ1,D是类间方差值,大津法的算法思想是通过遍历图像,寻找出使D最大的值T,作为图像的分割阈值;
S8.对G”(x,y)进行连通域搜索,计算出各区域的面积,得到最大的区域面积areamax,如果areamax和T超过设定的阈值,则判断当前LED是缺陷产品。经过实验,正常LED的阈值T>42,异物尺寸>0.2mm时,area>20,因此设定和的范围在[20,200]、[42,100],如果和超过设定的阈值,则判断当前LED是缺陷产品,如图10所示是处理结果图。
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 (1)
1.一种针对LED的缺陷检测方法,其特征在于,包括如下步骤:
S1.获取LED图像,将LED图像转为灰度图,并且进行均值去噪,去除高斯噪声;
S2.对LED图像设置45°和135°两个方向的灰度搜索线,得到灰度变化曲线图,根据灰度变化曲线图得到四个灰度梯度变化图;
S3.根据灰度梯度变化图,获取四个梯度图上接近最值点的零点坐标;梯度图零点位置代表荧光胶区域的轮廓位置,荧光胶区域是一个圆,根据梯度图的零点坐标,转化回LED图像中的坐标,利用最小二乘法拟合出准确的荧光胶区域轮廓;其公式为:
(x-xc)2+(y-yc)2=r2 (1)
其中,式(1)是圆形荧光胶区域轮廓的方程,(xc,yc)是圆心坐标,(xi,yi)是梯度图零点坐标,式(2)中δ是误差的平方和,最小二乘法通过寻找使误差的平方和δ最小的圆心(xc,yc)与半径r,来获取圆的方程;
S4.根据式(1),生成大小、位置自适应掩膜图像,大小与步骤S1的灰度图一致,由掩膜限定处理运算区域,该掩膜根据式(1)的位置、大小而变化,确保运算区域为LED图像中的荧光胶区域;生成的掩膜图像为:
其中,M(x,y)是掩膜图像的灰度值,(x,y)为像素点坐标;
S5.对LED图像通过直方图均衡化进行图像增强,然后计算图像的一阶差分图,其公式为:
其中,I(x,y)表示直方图均衡化后的LED图像,Gx(x,y)和Gy(x,y)是x方向和y方向的一阶差分图,G(x,y)是一阶差分结果图;
S6.由于缺陷存在于荧光胶区域内,因此将掩膜图像M(x,y)覆盖到一阶差分结果图G(x,y),覆盖后,G(x,y)只保留M(x,y)灰度值非0的位置点,得到掩膜后图像G'(x,y),M(x,y)中灰度值为0的区域,在G'(x,y)中保持为0;
S7.对G'(x,y)中的无掩膜覆盖区域进行基于大津法的自动阈值分割,得到分割阈值T和二值化图像G”(x,y),G”(x,y)包含胶内异物、胶内气泡、胶变色这些缺陷信息;大津法将图像分为前景和背景两类,分割阈值为T,其基本公式为:
D=ω0*ω1*(μ0-μ1)2 (7)
其中,灰度值小于等于T、大于T的像素数占待分割图像总像素数的比例分别为ω0、ω1,对应的灰度平均值分别为μ0、μ1,D是类间方差值,大津法的算法思想是通过遍历图像,寻找出使D最大的值T,作为图像的分割阈值;
S8.对G”(x,y)进行连通域搜索,计算出各区域的面积,得到最大的区域面积areamax,如果areamax和T超过设定的阈值,则判断当前LED是缺陷产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150222.6A CN109472773B (zh) | 2018-09-29 | 2018-09-29 | 一种针对led的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150222.6A CN109472773B (zh) | 2018-09-29 | 2018-09-29 | 一种针对led的缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472773A CN109472773A (zh) | 2019-03-15 |
CN109472773B true CN109472773B (zh) | 2020-05-05 |
Family
ID=65664761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811150222.6A Active CN109472773B (zh) | 2018-09-29 | 2018-09-29 | 一种针对led的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472773B (zh) |
Families Citing this family (6)
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 |
CN110108715B (zh) * | 2019-05-06 | 2022-03-04 | 哈尔滨理工大学 | 一种透明平行平板的缺陷检测方法 |
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 |
CN113252625B (zh) * | 2021-04-27 | 2022-08-16 | 歌尔光学科技有限公司 | 一种具有荧光效应的胶水的胶路检测方法 |
CN115439476B (zh) * | 2022-11-07 | 2023-03-14 | 成都博视广达科技有限责任公司 | 基于图像分析的丝印缺陷检测方法及装置 |
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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002140713A (ja) * | 2000-11-02 | 2002-05-17 | Omron Corp | 画像処理方法およびその装置 |
CN102087226A (zh) * | 2009-12-04 | 2011-06-08 | 三星Led株式会社 | Led测试装置及其测试方法 |
US8004564B1 (en) * | 2006-07-19 | 2011-08-23 | Flir Systems, Inc. | Automated systems and methods for testing infrared cameras |
CN104599280A (zh) * | 2015-02-02 | 2015-05-06 | 武汉大学 | 一种道路裂缝交叉点提取方法及系统 |
CN105911508A (zh) * | 2015-03-08 | 2016-08-31 | 李勇 | 电表缺陷智能化检测设备 |
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 |
CN108022233A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳高精数控智能技术股份有限公司 | 一种基于改进型Canny算子的工件边缘提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413288B (zh) * | 2013-08-27 | 2015-10-21 | 南京大学 | 一种lcd总体检测缺陷方法 |
CN108571928A (zh) * | 2018-04-13 | 2018-09-25 | 桂林电子科技大学 | 一种基于机器视觉的夹片锚具尺寸缺陷检测方法 |
-
2018
- 2018-09-29 CN CN201811150222.6A patent/CN109472773B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002140713A (ja) * | 2000-11-02 | 2002-05-17 | Omron Corp | 画像処理方法およびその装置 |
US8004564B1 (en) * | 2006-07-19 | 2011-08-23 | Flir Systems, Inc. | Automated systems and methods for testing infrared cameras |
CN102087226A (zh) * | 2009-12-04 | 2011-06-08 | 三星Led株式会社 | Led测试装置及其测试方法 |
CN104599280A (zh) * | 2015-02-02 | 2015-05-06 | 武汉大学 | 一种道路裂缝交叉点提取方法及系统 |
CN105911508A (zh) * | 2015-03-08 | 2016-08-31 | 李勇 | 电表缺陷智能化检测设备 |
CN108022233A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳高精数控智能技术股份有限公司 | 一种基于改进型Canny算子的工件边缘提取方法 |
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的轴承滚动体缺陷检测算法研究;崔明等;《组合机床与自动化加工技术》;20151130(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109472773A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472773B (zh) | 一种针对led的缺陷检测方法 | |
CN110610496B (zh) | 一种对光照变化鲁棒的荧光胶缺陷分割方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN116363133A (zh) | 基于机器视觉的照明器配件缺陷检测方法 | |
US11313806B2 (en) | Defect inspection method and defect inspection device | |
CN113221889B (zh) | 一种芯片字符抗干扰识别方法及装置 | |
CN103473778B (zh) | 一种led发光芯片插偏缺陷的检测方法 | |
US9025853B2 (en) | Method for determining markings in relief on the outer surface of the sidewall of a tyre | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN110930390A (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN111583216A (zh) | Pcba电路板的缺陷检测方法 | |
CN115330760B (zh) | 一种二极管引脚缺陷识别方法 | |
CN113643371B (zh) | 一种飞行器模型表面标记点的定位方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN111665251A (zh) | 一种表面缺陷视觉检测方法 | |
CN110954553A (zh) | 一种镜片光学检测系统 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN115049736A (zh) | 用于电缆表面缺陷精准定位的方法 | |
CN115272376A (zh) | 基于机器视觉的浮动打磨头控制方法 | |
CN111210405A (zh) | 一种基于红外成像的挥发性有机物泄露检测方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
US10365207B2 (en) | Method of automatically modifying imaging range in biological sample microscopic imaging | |
CN104573635B (zh) | 一种基于三维重建的微小高度识别方法 | |
CN108416790B (zh) | 一种用于工件破损率的检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |