CN109859174B - 一种基于经验模态分解与回归模型的oled缺陷检测方法 - Google Patents

一种基于经验模态分解与回归模型的oled缺陷检测方法 Download PDF

Info

Publication number
CN109859174B
CN109859174B CN201910019842.4A CN201910019842A CN109859174B CN 109859174 B CN109859174 B CN 109859174B CN 201910019842 A CN201910019842 A CN 201910019842A CN 109859174 B CN109859174 B CN 109859174B
Authority
CN
China
Prior art keywords
oled
image
sub
frequency
directions
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
CN201910019842.4A
Other languages
English (en)
Other versions
CN109859174A (zh
Inventor
叶国良
叶俊良
郭建文
罗阳
梁经伦
张兵
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.)
Dongguan University of Technology
Original Assignee
Dongguan 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 Dongguan University of Technology filed Critical Dongguan University of Technology
Priority to CN201910019842.4A priority Critical patent/CN109859174B/zh
Publication of CN109859174A publication Critical patent/CN109859174A/zh
Application granted granted Critical
Publication of CN109859174B publication Critical patent/CN109859174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Electroluminescent Light Sources (AREA)

Abstract

本发明公开了一种基于经验模态分解与回归模型的OLED缺陷检测方法,所述方法包括如下步骤:采集OLED图像,并对OLED图像进行强度信号分析;采用自回归模型的经验模态分解方法对OLED图像强度信号按照x和y方向进行线信号分解,根据得到的频谱数据计算OLED图像中的OLED子图像x和y方向的边长;将OLED图像的左上角顶点作为原点,利用OLED子图x和y方向的边长定义OLED图像的切割网格;并对OLED图像进行切割,得到矩形OLED发光图像阵列;计算矩形OLED发光图像阵列中OLED元件的位置偏移值,根据所述位置偏移值调整OLED子图像与切割网格对齐;选取OLED子图像模板,将OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较来判断OLED有无缺陷。本发明准确性高、检测效率高。

Description

一种基于经验模态分解与回归模型的OLED缺陷检测方法
技术领域
本发明涉及图像处理领域,更具体地,涉及一种基于经验模态分解与回归模型的OLED缺陷检测方法。
背景技术
OLED(有机发光二极管)显示器已应用于大屏幕电视,电脑显示器,手机屏幕等。OLED(有机发光二极管)的缺陷检测对OLED面板制造的质量控制起着重要的作用。在显示像素中可能存在包括芯片和裂纹的缺陷,这不仅影响显示性能,而且还会降低产品的使用寿命。因此,在制造阶段的缺陷检测是十分重要的,这样就可以在形成成品之前丢弃有缺陷的电路。使用人眼的视觉检查可能是准确的,但它是非常耗时和依赖人力的,并且由于人类视觉方面存在的缺陷,以及人情绪变化等引起的主观影响,会产生对检测结果不可靠的影响。
以重复结构纹理为背景的自动缺陷检测一直以来都是对识别前的纹理特征进行分析。奇异值分解,回归诊断,主成分分析,小波变换和独立分量分析一直应用于通过从图像中提取特征或重建图像来分析纹理图像,以消除重复图像和保留异常。为了识别缺陷,在以前的研究中已经研究了诸如用于图像分割的模糊最小-最大神经网络(FMMIS),优化支持向量机(OSVM)和模糊支持向量数据描述(FSVDD)的计算智能技术。它们被证明优于其他常规分类器,例如常见的神经网络和支持向量机(SVM)。然而,这些类型的分类器需要手动标记数据集(缺陷和非缺陷)用于模型训练,并且由于高计算复杂度他们通常都是十分耗时的(大约几秒钟来检测有缺陷的LCD图像)。由于重复结构纹理的存在,传统的基于阈值分割和边缘检测的缺陷检测方法是不可靠的。
发明内容
本发明为克服上述现有技术中对OLED制造缺陷检测可靠性差,耗时效率低的缺陷,提供一种基于经验模态分解与回归模型的OLED缺陷检测方法。
本发明旨在至少在一定程度上解决上述技术问题。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
一种基于经验模态分解与回归模型的OLED缺陷检测方法,所述方法包括如下步骤:
S1:采集OLED图像,并对OLED图像进行强度信号分析,得到OLED图像强度信号数据;
S2:采用自回归模型的经验模态分解方法对OLED图像强度信号按照x和y方向进行线信号分解,所述线信号分解为按照x和y方向进行分解,其中OLED图像水平方向作为x方向,OLED图像竖直方向作为y方向,得到OLED图像x和y方向不同频率的强度信号分量,去除所述x和y方向不同频率的强度信号分量中的高频和低频分量,得到OLED图像x方向和y方向的最终频谱数据,根据x方向和y方向的最终频谱数据计算OLED图像中的OLED子图x方向的边长和y方向的边长;
S3:将OLED图像的左上角顶点作为原点,利用OLED子图x方向的边长和y方向的边长定义OLED图像的切割网格;
S4:使用切割网格将OLED图像进行分割,得到矩形OLED发光图像阵列;所述OLED发光图像阵列由OLED子图像组成,所述OLED子图像均为矩形;
S5:使用2D图像的互相关算法对矩形OLED发光图像阵列中OLED元件的位置偏移值进行计算,根据OLED元件的位置偏移值的大小调整OLED子图像,使得OLED子图像与切割网格对齐;
S6:在矩形OLED发光图像阵列中选取OLED子图像模板,将OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较来判断OLED有无缺陷。本发明中去除强度信号中高频和低频分量,提高了对OLED发光子图像的周期估计的准确性。使用的2D图像互相关算法可以调整图像的比对,从而显着提高匹配性能。
进一步地,所述OLED子图像模板通过将矩形OLED发光图像阵列中的全部OLED子图像通过加权求平均方法得到。
进一步地,步骤S2所述采用自回归模型的经验模态分解方法对OLED图像强度信号进行分解,并计算OLED图像中的OLED子图像x方向的边长和y方向的边长具体过程如下:
S2.1:首先将OLED图像强度信号按照x和y向分解成固定数量的固有模态函数,分解公式如下:
Figure GDA0002590139440000031
其中,t是离散时间指数,y(t)是原始信号,xi是固有模态函数,rn是残差,每个固有模态函数表示不同频率的OLED图像强度信号分量,去除固有模态函数中的低频和高频分量;
S2.2:使用自回归模型表示去除了低频和高频分量的所有OLED图像强度信号分量,从而得到OLED图像x和y方向最终频谱数据,公示如下:
Figure GDA0002590139440000032
其中,ak是自回归模型的系数,e(t)是白噪声,q是自回归模型的阶数;
S2.3:将x方向和y方向的最终频谱数据中最强频率窗口中频率峰值对应的频率作为OLED子图像在x方向和y方向重复出现的频率分别记为fx,fy
S2.4:分别用OLED图像中x方向的像素总数Px和y方向的像素总数Py除以对应的OLED子图像重复出现频率fx,fy,分别得到OLED子图像在x方向的边长wx和y方向的边长wy,计算公式如下:
Figure GDA0002590139440000033
Figure GDA0002590139440000034
其中,x方向的像素总数Px为图像x方向的宽度,y方向的像素总数Py为y方向的高度。
进一步地,步骤S3所述切割网格的定义过程如下:
将OLED子图像在x方向的边长wx和y方向的边长wy分别作为切割网格的子网格的x和y方向上子网格的长度,切割网格在x方向和y方向上的每个子网格的交互点坐标由如下公式定义:
gx(m)=wu+mwx
gy(n)=wl+nwy
其中m的取值是从0到M的自然数,n的取值是从0到N的自然数,M是x方向的子网格数,N是y方向的子网格数,wx和wy分别是x和y方向上子网格的长度,单位为像素,wu和wl分别是从子网格到OLED图像的上边缘和左边缘的距离;其中,wu和wl表示如下:
wu=duPx
wl=dlPy
M和N的计算公式如下:
Figure GDA0002590139440000041
Figure GDA0002590139440000042
其中,du和dl是的x方向OLED图像顶部边缘和y方向OLED图像左边缘切割网格的归一化距离;dx和dy是子网格在x和y方向上的归一化长度;floor{}表示向下取整运算。
进一步地,当切割网格从OLED图像的左上角顶点作为坐标的原点开始定义,则du=0且dl=0。若选择OLED图像的左上角其他点作为坐标原点,则du和dl根据位置偏移的大小进行调整。
进一步地,当切割网格从OLED图像的左上角顶点作为坐标的原点开始定义,则du=0且dl=0,切割网格从OLED图像的坐标原点进行图像切割。本发明选择OLED图像的左上角顶点作为坐标的原点,作为优选方案,可以简化计算,提高计算效率。
进一步地,OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较来判断OLED有无缺陷的具体过程为:
将OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较像素的差值是否在预设值的范围内,若像素差值在预设值的范围内则判定当前OLED子图像对应的OLED无缺陷,若像素差值不在预设值的范围内则判定当前OLED子图像对应的OLED有缺陷。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过经验模态分解将OLED图像的强度信号分解,去除强度信号中高频和低频分量,提高了对OLED发光子图像的周期估计的准确性;使用2D互相关算法来调整分割后OLED发光子图像的对准,提高了缺陷检测的准确性,本发明可靠性高,检测效率高。
附图说明
图1为方法流程图。
图2为OLED原图像。
图3为OLED原图像经过切割网格切割后的图像。
图4为检测结果图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于经验模态分解与回归模型的OLED缺陷检测方法,所述方法包括如下步骤:
S1:采集OLED图像(如图2所示),并对OLED图像进行强度信号分析,得到OLED图像强度信号数据;
S2:采用自回归模型的经验模态分解方法对OLED图像强度信号按照x和y方向进行线信号分解,所述线信号分解为按照x和y方向进行分解,其中OLED图像水平方向作为x方向,OLED图像竖直方向作为y方向,得到OLED图像x和y方向不同频率的强度信号分量,去除所述x和y方向不同频率的强度信号分量中的高频和低频分量,得到OLED图像x方向和y方向的最终频谱数据,根据x方向和y方向的最终频谱数据计算OLED图像中的OLED子图x方向的边长和y方向的边长;
步骤S2具体过程如下:
S2.1:首先将OLED图像强度信号按照x和y向分解成固定数量的固有模态函数,分解公式如下:
Figure GDA0002590139440000051
其中,t是离散时间指数,y(t)是原始信号,xi是固有模态函数,rn是残差。每个固有模态函数表示不同频率的OLED图像强度信号分量,去除固有模态函数中的低频和高频分量;
S2.2:使用自回归模型表示去除了低频和高频分量的所有OLED图像强度信号分量,从而得到OLED图像x和y方向最终频谱数据,公示如下:
Figure GDA0002590139440000052
其中,ak是自回归模型的系数,e(t)是白噪声,q是自回归模型的阶数;
S2.3:将x方向和y方向的最终频谱数据中最强频率窗口中频率峰值对应的频率作为OLED子图像在x方向和y方向重复出现的频率分别记为fx,fy
S2.4:分别用OLED图像中x方向的像素总数Px和y方向的像素总数Py除以对应的OLED子图像重复出现频率fx,fy,分别得到OLED子图像在x方向的边长wx和y方向的边长wy,计算公式如下:
Figure GDA0002590139440000061
Figure GDA0002590139440000062
其中,x方向的像素总数Px为图像x方向的宽度,y方向的像素总数Py为y方向的高度。
S3:将OLED图像的左上角顶点作为原点,利用OLED子图x方向的边长和y方向的边长定义OLED图像的切割网格;
步骤S3所述切割网格的定义过程如下:
将OLED子图像在x方向的边长wx和y方向的边长wy分别作为切割网格的子网格的x和y方向上子网格的长度,切割网格在x方向和y方向上的每个子网格的交互点坐标由如下公式定义:
gx(m)=wu+mwx
gy(n)=wl+nwy
其中m的取值是从0到M的自然数,n的取值是从0到N的自然数,M是x方向的子网格数,N是y方向的子网格数,wx和wy分别是x和y方向上子网格的长度,单位为像素,wu和wl分别是从子网格到OLED图像的上边缘和左边缘的距离;其中,wu和wl表示如下:
wu=duPx
wl=dlPy
M和N的计算公式如下:
Figure GDA0002590139440000063
Figure GDA0002590139440000071
其中,du和dl是的x方向OLED图像顶部边缘和y方向OLED图像左边缘切割网格的归一化距离;dx和dy是子网格在x和y方向上的归一化长度;floor{}表示向下取整运算。
如图3所示为经过切割网格切割后的OLED图像,S4:使用切割网格将OLED图像进行分割,得到矩形OLED发光图像阵列;所述OLED发光图像阵列由OLED子图像组成,所述OLED子图像均为矩形;
S5:使用2D图像的互相关算法对矩形OLED发光图像阵列中OLED元件的位置偏移值进行计算,根据OLED元件的位置偏移值的大小调整OLED子图像,使得OLED子图像与切割网格对齐。
切割网格从OLED图像的左上角顶点作为坐标的原点开始定义时,则du=0且dl=0。若选择OLED图像的左上角其他点作为坐标原点,则du和dl根据位置偏移的大小进行调整。
当切割网格从OLED图像的左上角顶点作为坐标的原点开始定义,则du=0且dl=0,切割网格从OLED图像的坐标原点进行图像切割。本发明选择OLED图像的左上角顶点作为坐标的原点,作为优选方案,可以简化计算,提高计算效率。
S6:在矩形OLED发光图像阵列中选取OLED子图像模板,本发明所述所述OLED子图像模板通过将矩形OLED发光图像阵列中的全部OLED子图像通过加权求平均方法得到。将OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较来判断OLED有无缺陷。
OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较来判断OLED有无缺陷的具体过程为:
将OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较像素的差值是否在预设值的范围内,若像素差值在预设值的范围内则判定当前OLED子图像对应的OLED无缺陷,若像素差值不在预设值的范围内则判定当前OLED子图像对应的OLED有缺陷。检测结果如图4所示。
本发明中去除强度信号中高频和低频分量,提高了对OLED发光子图像的周期估计的准确性。使用的2D图像互相关算法可以调整图像的比对,从而显着提高匹配性能。
本发明技术方案的有益效果是:
本发明通过经验模态分解将OLED图像的强度信号分解,去除强度信号中高频和低频分量,提高了对OLED发光子图像的周期估计的准确性;使用2D互相关算法来调整分割后OLED发光子图像的对准,提高了缺陷检测的准确性,本发明可靠性高,检测效率高。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为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 (7)

1.一种基于经验模态分解与回归模型的OLED缺陷检测方法,其特征在于,所述方法包括如下步骤:
S1:采集OLED图像,并对OLED图像进行强度信号分析,得到OLED图像强度信号数据;
S2:采用自回归模型的经验模态分解方法对OLED图像强度信号按照x和y方向进行线信号分解,其中OLED图像水平方向作为x方向,OLED图像竖直方向作为y方向,得到OLED图像x和y方向不同频率的强度信号分量,去除所述x和y方向不同频率的强度信号分量中的高频和低频分量,得到OLED图像x方向和y方向的最终频谱数据,根据x方向和y方向的最终频谱数据计算OLED图像中的OLED子图x方向的边长和y方向的边长;
S3:将OLED图像的左上角顶点作为原点,利用OLED子图x方向的边长和y方向的边长定义OLED图像的切割网格;
S4:使用切割网格将OLED图像进行分割,得到矩形OLED发光图像阵列;所述OLED发光图像阵列由OLED子图像组成,所述OLED子图像均为矩形;
S5:使用2D图像的互相关算法对矩形OLED发光图像阵列中OLED元件的位置偏移值进行计算,根据OLED元件的位置偏移值的大小调整OLED子图像,使得OLED子图像与切割网格对齐;
S6:在矩形OLED发光图像阵列中选取OLED子图像模板,将OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较来判断OLED有无缺陷。
2.根据权利要求1所述的一种基于经验模态分解与回归模型的OLED缺陷检测方法,其特征在于,所述OLED子图像模板通过将矩形OLED发光图像阵列中的全部OLED子图像通过加权求平均方法得到。
3.根据权利要求1所述的一种基于经验模态分解与回归模型的OLED缺陷检测方法,其特征在于,步骤S2所述采用自回归模型的经验模态分解方法对OLED图像强度信号进行分解,并计算OLED图像中的OLED子图像x方向的边长和y方向的边长具体过程如下:
S2.1:首先将OLED图像强度信号按照x和y向分解成固定数量的固有模态函数,分解公式如下:
Figure FDA0002590139430000021
其中,t是离散时间指数,y(t)是原始信号,xi是固有模态函数,rn是残差,每个固有模态函数表示不同频率的OLED图像强度信号分量,去除固有模态函数中的低频和高频分量;
S2.2:使用自回归模型表示去除了低频和高频分量的所有OLED图像强度信号分量,从而得到OLED图像x和y方向最终频谱数据,公示如下:
Figure FDA0002590139430000022
其中,ak是自回归模型的系数,e(t)是白噪声,q是自回归模型的阶数;
S2.3:将x方向和y方向的最终频谱数据中最强频率窗口中频率峰值对应的频率作为OLED子图像在x方向和y方向重复出现的频率分别记为fx,fy
S2.4:分别用OLED图像中x方向的像素总数Px和y方向的像素总数Py除以对应的OLED子图像重复出现频率fx,fy,分别得到OLED子图像在x方向的边长wx和y方向的边长wy,计算公式如下:
Figure FDA0002590139430000023
Figure FDA0002590139430000024
其中,x方向的像素总数Px为图像x方向的宽度,y方向的像素总数Py为y方向的高度。
4.根据权利要求1-3任一项所述的一种基于经验模态分解与回归模型的OLED缺陷检测方法,其特征在于,步骤S3所述切割网格的定义过程如下:
将OLED子图像在x方向的边长wx和y方向的边长wy分别作为切割网格的子网格的x和y方向上子网格的长度,切割网格在x方向和y方向上的每个子网格的交互点坐标由如下公式定义:
gx(m)=wu+mwx
gy(n)=wl+nwy
其中m的取值是从0到M的自然数,n的取值是从0到N的自然数,M是x方向的子网格数,N是y方向的子网格数,wx和wy分别是x和y方向上子网格的长度,单位为像素,wu和wl分别是从子网格到OLED图像的上边缘和左边缘的距离;其中,wu和wl表示如下:
wu=duPx
wl=dlPy
M和N的计算公式如下:
Figure FDA0002590139430000031
Figure FDA0002590139430000032
其中,du和dl是的x方向OLED图像顶部边缘和y方向OLED图像左边缘切割网格的归一化距离;dx和dy是子网格在x和y方向上的归一化长度;floor{}表示向下取整运算。
5.根据权利要求4所述的一种基于经验模态分解与回归模型的OLED缺陷检测方法,其特征在于,当切割网格从OLED图像的左上角顶点作为坐标的原点开始定义时,则du=0且dl=0。
6.根据权利要求5所述的一种基于经验模态分解与回归模型的OLED缺陷检测方法,其特征在于,当切割网格从OLED图像的左上角顶点作为坐标的原点开始定义,则du=0且dl=0,切割网格从OLED图像的坐标原点进行图像切割。
7.根据权利要求1所述的一种基于经验模态分解与回归模型的OLED缺陷检测方法,其特征在于,OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较来判断OLED有无缺陷的具体过程为:
将OLED子图像模板与矩形OLED发光图像阵列中OLED子图像逐一比较像素的差值是否在预设值的范围内,若像素差值在预设值的范围内则判定当前OLED子图像对应的OLED无缺陷,若像素差值不在预设值的范围内则判定当前OLED子图像对应的OLED有缺陷。
CN201910019842.4A 2019-01-09 2019-01-09 一种基于经验模态分解与回归模型的oled缺陷检测方法 Active CN109859174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910019842.4A CN109859174B (zh) 2019-01-09 2019-01-09 一种基于经验模态分解与回归模型的oled缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910019842.4A CN109859174B (zh) 2019-01-09 2019-01-09 一种基于经验模态分解与回归模型的oled缺陷检测方法

Publications (2)

Publication Number Publication Date
CN109859174A CN109859174A (zh) 2019-06-07
CN109859174B true CN109859174B (zh) 2020-09-25

Family

ID=66894272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910019842.4A Active CN109859174B (zh) 2019-01-09 2019-01-09 一种基于经验模态分解与回归模型的oled缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109859174B (zh)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6362634B1 (en) * 2000-01-14 2002-03-26 Advanced Micro Devices, Inc. Integrated defect monitor structures for conductive features on a semiconductor topography and method of use
US8660848B1 (en) * 2010-08-20 2014-02-25 Worcester Polytechnic Institute Methods and systems for detection from and analysis of physical signals
CN102184529B (zh) * 2011-05-12 2012-07-25 西安电子科技大学 基于经验模态分解的边缘检测方法
CN105489517B (zh) * 2014-09-15 2018-07-31 上海和辉光电有限公司 一种检测掩模缺陷的方法
CN104849628B (zh) * 2015-04-24 2017-11-14 国网四川省电力公司电力科学研究院 一种电缆附件故障分析检测方法
CN105844657B (zh) * 2016-04-26 2018-07-17 江南大学 基于二维经验模态分解的双通道织物疵点检测方法
CN106156503B (zh) * 2016-07-05 2018-10-19 中国矿业大学 一种锚固系统内部缺陷分布的多尺度熵表征方法
CN106289774B (zh) * 2016-07-26 2019-03-22 北京工业大学 一种滚动轴承故障识别与趋势预测方法
EP3301461A1 (en) * 2016-09-28 2018-04-04 Siemens Aktiengesellschaft Method for detection of harmonics of a univariate signal
CN107192554A (zh) * 2017-05-19 2017-09-22 西安理工大学 一种风电机组滚动轴承的振动故障诊断方法
CN107748734B (zh) * 2017-10-31 2021-08-27 电子科技大学 一种解析-经验模态分解方法
CN108241850A (zh) * 2017-12-08 2018-07-03 浙江工业大学 一种基于hht的控制阀气密性故障诊断方法
CN108458875A (zh) * 2018-04-10 2018-08-28 上海应用技术大学 一种回转窑托轮轴承的故障诊断方法

Also Published As

Publication number Publication date
CN109859174A (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
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
CN108346141B (zh) 单边侧入光式导光板缺陷提取方法
Saad et al. A DCT statistics-based blind image quality index
CN115115644B (zh) 一种基于人工智能的车辆焊接缺陷检测方法
CN109671058B (zh) 一种大分辨率图像的缺陷检测方法及系统
CN111474177A (zh) 基于计算机视觉的液晶屏幕背光异物缺陷检测方法
CN113554631B (zh) 一种基于改进网络的芯片表面缺陷检测方法
JP2020106467A (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
US20130170733A1 (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
CN110047063B (zh) 一种物料掉落的检测方法、装置、设备及存储介质
JP2014178229A (ja) 教師データ作成方法、画像分類方法および画像分類装置
CN108510476A (zh) 一种基于机器视觉的手机屏线路检测方法
CN113034464B (zh) 一种多背景下的液晶显示器缺陷视觉实时检测方法
CN115170669A (zh) 基于边缘特征点集配准的识别定位方法及系统、存储介质
JP2013156094A (ja) 画像検査方法および画像検査装置
CN107490582A (zh) 一种流水线工件检测系统
CN115601355A (zh) 一种产品表面缺陷检测与分类方法、装置及存储介质
JP2003271927A (ja) 欠陥検査方法
CN115917595A (zh) 表面缺陷检测系统
CN115311282A (zh) 基于图像增强的晶圆缺陷检测方法
CN109859174B (zh) 一种基于经验模态分解与回归模型的oled缺陷检测方法
CN117237344B (zh) 基于机器视觉的电子雾化器芯片外观质量检测方法
CN114155197A (zh) 一种元器件缺陷检测的方法及装置
CN113145473A (zh) 一种水果智能分拣系统及方法

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