CN110211182B - 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 - Google Patents
一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 Download PDFInfo
- Publication number
- CN110211182B CN110211182B CN201910472031.XA CN201910472031A CN110211182B CN 110211182 B CN110211182 B CN 110211182B CN 201910472031 A CN201910472031 A CN 201910472031A CN 110211182 B CN110211182 B CN 110211182B
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- template
- matching
- liquid crystal
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000004973 liquid crystal related substance Substances 0.000 title claims abstract description 24
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 3
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000003252 repetitive effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法,属于工业液晶屏幕生产过程中的快速定位装配领域。该方法分为三个步骤,分别为图像预处理、目标图像识别、目标图像定位。图像预处理通过滤波、图像增强、阈值分割、图像形态学运算等处理,将待匹配识别的标记分割出来;目标图像识别对感兴趣区域ROI识别、ROI的提取,ROI的识别基于灰度匹配算法进行识别匹配,其中匹配方法为平方差匹配法,识别后对匹配所得ROI进行提取;目标图像定位,对提取到的ROI进行轮廓提取,选择出面积的最大轮廓,然后对轮廓进行最小外接旋转矩形贴合,得到待定位中心点的位置,以及十字标记的旋转角度。该技术与现有的人工装配液晶背光屏和简单机械装配具有速度快、准确率高的优点。
Description
技术领域
本发明涉及一种基于CCD相机的液晶背光视觉定位方法,适用于工业液晶屏幕生产过程中的快速定位装配领域。
背景技术
随着电子技术的迅速发展,背光液晶屏集微电子技术、计算机技术、信息处理于一体,以其色彩鲜艳、动态范围广、亮度高、清晰度高、工作电压低、功耗小和工作稳定可靠等优点,成为最具优势的新一代显示媒体。市场对液晶背光显示器的需求也越来越大,但是同时这也给液晶背光显示屏的工业生产及装配带来了更大的压力。国外日本东芝垄断着高精度的定位技术;国内将背光部分集成电路与液晶屏组装在一起的方法较为传统,许多手机液晶玻璃的装配中液晶玻璃与IC的装配用的人工装配,需要训练有素的操作人员,存在效率低、成本高的问题,依靠机械组装方式也只能单一地完成预编程赋予的动作指令,即被操作物体的原始位置和终止位置是严格限定的,只是完成固定的点到点的动作,很难满足现代柔性生产线的要求,准确率也无法得到保证。为了解决这个问题,计算机视觉的方法给我们提供了很多思路,计算机视觉系统最基本的特点就是提高生产的灵活性和自动化程度。在大批量重复性工业生产过程中,用机器视觉检测方法可以大大提高生产的效率和自动化程度。本发明针对当前视觉定位方法存在的受光照影响大,对硬件设备要求高,定位的准确率不高且速度慢的问题,提出了一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法,用有效的图像预处理(CLAHE图像增强)解决了受光照影响大的问题,利用粗细定位相结合的方式提高了定位准确率。
发明内容
目前许多手机液晶玻璃的装配中液晶玻璃与IC的装配用的人工装配以及简单的机械组装,不仅耗时长,准确率也不能保证,本发明公开了一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法,该方法包括图像预处理、目标图像识别和目标图像定位三个步骤,其中:
S-1:图像预处理:对亮度不均和对比度低的原模板图像和原待匹配图像进行滤波去噪、自适应直方图增强算法运算、图像二值化和形态学处理处理得到清晰的模板图像和清晰的待匹配图像;其中清晰的模板图像为十字标点的中心对称图形;
S-2:目标图像识别:将清晰的模板图像采用平均差匹配法在清晰的待匹配图像上滑动并进行计算,得到清晰的模板图像在清晰的待匹配图像上的感兴趣区域ROI;
S-3:目标图像定位,包括提取轮廓和最小外接旋转矩形拟合;
S-3-1:提取轮廓:在所述感兴趣区域ROI提取轮廓,计算所提取轮廓面积,以所述轮廓面积为指标进行排序,得到面积最大的轮廓;
S-3-2:最小外接旋转矩形拟合:按照直接计算面积方法得到最大的轮廓的最小外接矩形,进一步得到最小面积矩形在感兴趣区域ROI的清晰的待匹配图像中心坐标(u0,v0)和角度β,β为得到的最小外接旋转矩形距离x轴最清晰的待匹配图像近的边与x轴的夹角;
S-3-3:拟合得到的外接矩形近似为正方形、得到十字标点在图像矩阵中的位置(x,y)和目标与模板之间旋转的角度φ,具体关系如下:
其中,(x0,y0)是在目标识别模块中得到的ROI区域的左上角坐标,φ的正负代表旋转方向,负表示待匹配图像中的十字标点相较于模板向右旋转,正表示待匹配图像中的十字标点相较于模板向左旋转。
进一步地:所述滤波去噪过程如下:
设置一个大小为m1×m1的核(kernel),如下:
将所述核在原模板图像和原待匹配图像上滑动并进行运算,输出结果即为m1×m1窗口中的像素值的平均值,完成原模板图像和原待匹配图像的滤波去噪,得到滤波模板图像和滤波待匹配图像。
进一步地:所述直方图均衡化处理步骤如下:
计算待匹配图像f(x,y)的各灰度级中像素出现的概率p(i)。
上式中,n是图像中像素的总和,i是当前灰度级的像素个数,L是图像中可能的灰度级总数。
计算p(i)的累计概率函数c(i),c即为图像的累计归一化直方图
将c(i)缩放至0~255范围内,得到:
y(i)=255×c(i)
y(i)是直方图均衡化之后新图像的灰度值,至此完成对矩形图像的直方图均衡化。
进一步地:所述平方差匹配法计算如下:
对其展开后可以得到:
即:
其中:(x,y)是匹配图像中像素点的坐标;(x′,y′)是模板图像中像素点的坐标;
T是清晰模板图像;
I是清晰待匹配图像;
R是匹配后的结果为灰度图像。
由于采用了上述技术方案,本发明提供的一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法,该方法包括图像预处理、目标图像识别和目标图像定位三个步骤,其中目标图像定位,对提取到的ROI进行轮廓提取,选择出面积的最大轮廓,然后对轮廓进行最小外接旋转矩形贴合,得到待定位中心点的位置,以及十字标记的旋转角度。该技术快速的定位出液晶玻璃和IC上的十字标记的中心坐标点的坐标位置以及旋转角度,直接得到标点的位置坐标和角度信息可直接供后续PLC工作,降低生产成本,提高生产效率,与现有的人工装配液晶背光屏和简单机械装配相比具有速度快(可控制在10ms以内)、准确率高(定位准确率高达99%+)的优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种实施例的基于CCD相机的液晶背光视觉定位流程图;
图2为图像经过测试选择的最佳模板;
图3为图像经过预处理后的效果图;
图4为最小外接矩形对十字标记贴合后的效果图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
下面结合附图对本发明一种实施例做进一步说明。
图1为本发明一种实施例的基于CCD相机的液晶背光视觉定位流程图,具体实施包括以下步骤:
S1:图像样本库的建立。为保证图像样本的普适性,图像样本库应该包含具有代表性的足够的图像样本。
光照、十字标记的位置,十字标记旋转角度等因素都会影响图像的质量。其中光照分为三种情况,分别为弱、种、强三种不同光照条件下的样本;十字标记的位置分为九种情况,分别在图像的四个顶点、四边的中点,以及图像的中心;十字旋转角度不同分为90度、左倾45度、右倾45度三种。因此一共有81种类别的图像样本,每一种样本拍摄10张,建立以一个810张图像样本的图像样本库。
S2:模板图像的选取
S2-1:模板图像的选取将直接影响基于灰度匹配的效果即ROI的识别,待匹配物体为十字标记,故分别截取CCD相机拍摄的图像中不同旋转角度的十字标记作为模板。
S2-2:对各个模板与样本图像库中的样本进行算法测试,选择出最佳模板。
S3:图像预处理,以下仅以“模板图像”为例,,对输入的模板图像进行滤波去噪处理。
S3-1:设置一个大小为m1×m1的核(kernel),如下:
S3-2:将步骤3-1所述的核在原模板图像上滑动并进行运算,输出结果即为m1×m1窗口中的像素值的平均值,完成原模板图像的滤波去噪,得到滤波模板图,对待匹配图像进行同样的。
S4:对步骤3完成的滤波后的模板图像和滤波待匹配图像进行限制对比度的直方图均衡化处理,以滤波后的模板图像为例,对待滤波后匹配图像进行同样的操作。
S4-1:设置两个参数,一是用于设置限制的对比度,二是用于设置直方图均衡的网格大小m2×m2。
S4-2:分别根据步骤1中设置的参数将被分成相同大小的矩形。
S4-3:对步骤2分得的一个矩形框进行直方图均衡化处理。详细步骤如下:
S4-3-1:计算每个矩形滤波模板图像f(x,y)的各灰度级中像素出现的概率p(i)。
上式中,n是滤波模板图像中像素的总和,i是当前灰度级的像素个数,L是图像中可能的灰度级总数。
S4-3-2:计算p(i)的累计概率函数c(i),c即为滤波模板图像的累计归一化直方图
S4-3-3:将c(i)缩放至0~255范围内,公式如下:
y(i)=255×c(i)
至此完成对矩形滤波模板图像的直方图均衡化,得到直方图均衡化模板图像。
S4-4:根据步骤4-1中设置的要限制的对比度,对步骤4-3得到的超过限制值的部分进行处理。
S4-5:重复步骤4-3和4-4,逐行计算得到整幅滤波图像的限制对比度的自适应直方图均衡化图像。
S5:对步骤4完成的直方图均衡化模板图像进行阈值分割,将模板图像转化为二值图,对待匹配图像进行同样的操作。
S5-1:对比度增强后的模板图像包含L个灰度级,灰度值为i的像素点个数为Ni,像素总点数为:
N=N0+N1+N2+...+NL-1
计算灰度值为i的点的概率为:
S5-2:根据期望公式,图像灰度的均值为:
S5-3:按直方图均衡化模板图像的灰度特性,使用阈值T将直方图均衡化模板图像分成目标c0和背景c1两类,则ω0(T)和ω1(T)分别表示阈值为T时,c0和c1发生的概率,即:
ω1(T)=1-ω0(T)
S5-4:计算直方图中阈值为T的类间方差,定义为:
S5-5:计算最优阈值,定义为类间方差最大时对应的T值,即:
S5-6:将直方图均衡化模板图像转化为二值图,即:i>T*时,i=255;i<T*时,i=0;
S6:对S5得到的二值图进行闭运算处理,来改善模板图像质量。
S6-1:定义一个大小为m3×m3卷积核(kernel)。
S6-2:将步骤6-1中的卷积核对改善质量的模板图像进行闭运算,最终得到如图2所示的图像。
注:模板图像预处理参数的设置以及优化。模板图像预处理种需要设置的参数有:滤波去噪算法参数的设置、限制对比度的自适应直方图对比度增强算法参数的设置、图像闭运算参数的设置,预处理的目的是为了分割出十字标记,因此预处理算法中的参数设置应该以图像预处理完成后的图像中十字标记的分割质量作为标准。利用样本库中的样本来不断调试这三个参数得出最佳的参数设置。
S7:利用模板匹配进行十字标点的识别(粗定位)。
S7-1:模板图像在输入图像(大图)上滑动,并在每一个位置对模板图像和与其对应的输入图像的子区域进行运算比较。
S7-2:将模板图像与原图上的像素点进行运算,运算的方法为平方差匹配法。
其原理为:
对其展开后可以得到:
即:
上述公式中:其中:(x,y)是匹配图像中像素点的坐标;(x′,y′)是模板图像中像素点的坐标;
T是清晰模板图像;
I是清晰待匹配图像;
R是匹配后的结果为灰度图像;
x′∈(0,w-1),y′∈(0,h-1)。
S7-3:返回一张灰度图。输入图像的大小是(W×H),模板图像的大小是(w×h),输出的结果就是大小为(W-w+1,H-h+1)的灰度图,每一个像素值表示了此区域与模板图像的匹配程度。
S7-4:步骤7-2中第三个式子的第一项(模板图像T的能量)是一个常数,第三项(图像I局部的能量)也可以近似一个常数,剩下的第二项越大相似度越大,所以平方差匹配的值越小匹配效果越好最好的匹配为0,值越大匹配越差。在S7-3结束后即可找到其中的最小值的位置,该位置就是目标区域左上角的点。
S7-5:已知模板大小,在步骤7-4中得到了目标区域左上角的位置坐标,即可找到感兴趣区域ROI,ROI(与模板大小相同的矩形区域)的左上角的坐标(x0,y0),因此RIO区域的右下角坐标为(x0+w,y0+h),然后进行ROI的提取,完成标点的识别。
S8:利用轮廓提取及最小外接旋转矩形拟合的方法标记点定位(细定位)
S8-1:细定位。细定位只在粗定位提取出的ROI进行操作,包括两个步骤:提取轮廓和最小外接旋转矩形拟合。
S8-1-1:在粗定位得到的ROI区域进行提取轮廓,计算轮廓的面积,并以此为指标进行排序,选取最大面积轮廓。
S8-1-2:按照直接计算方法计算某个轮廓区域的外接矩形,并记录外接矩形的面积,获取该矩形记为外接矩形RectMin,并将得到的面积值赋给变量AreaMin,设置旋转角度α=0°。
S8-1-3:对轮廓区域进行旋转一个角度θ,按照步骤8-1-2求取旋转后的最小外接矩形RectTmp,获得其面积值赋给变量AreaTmp;
S8-1-4:设置旋转角α=α+θ,比较AreaTmp和AreaMin的大小,将小面积赋值给AreaMin,并将此时的旋转角赋值给β=α,矩形信息赋给RectMin=RectTmp;
S8-1-5:循环执行步骤8-1-3和8-1-4的过程,最终获取一个最小的外接矩形RectMin以及与之相对应的旋转角度α;
S8-1-6:将计算得出的矩形RectMin反旋转一个角度β,获得最小外接矩形。
S8-2:得到最小旋转矩形后,可得到矩形的中心坐标(u0,v0)和返回的角度β,则可得到标点在模板图像矩阵中的位置(x,y)和目标与模板之间旋转的角度φ,其中:
注:φ的正负代表旋转方向。(感兴趣区域的左上角(xO,yO)。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法,其特征在于:该方法包括以下步骤:
S-1:图像预处理:对亮度不均和对比度低的原模板图像和原待匹配图像进行滤波去噪、自适应直方图增强算法运算、图像二值化和形态学处理处理得到清晰的模板图像和清晰的待匹配图像;其中清晰的模板图像为十字标点的中心对称图形;
S-2:目标图像识别:将清晰的模板图像采用平方差匹配法在清晰的待匹配图像上滑动并进行计算,得到清晰的模板图像在清晰的待匹配图像上的感兴趣区域ROI;
S-3:目标图像定位,包括提取轮廓和最小外接旋转矩形拟合;
S-3-1:提取轮廓:在所述感兴趣区域ROI提取轮廓,计算所提取轮廓面积,以所述轮廓面积为指标进行排序,得到面积最大的轮廓;
S-3-2:最小外接旋转矩形拟合:按照直接计算面积方法得到最大的轮廓的最小外接矩形,进一步得到最小面积矩形在感兴趣区域ROI的清晰的待匹配图像中心坐标(u0,v0)和角度β,β为得到的最小外接旋转矩形距离x轴最清晰的待匹配图像近的边与x轴的夹角;
S-3-3:拟合得到的外接矩形近似为正方形、得到十字标点在图像矩阵中的位置(x,y)和目标与模板之间旋转的角度φ,具体关系如下:
其中,(x0,y0)是在目标识别模块中得到的ROI区域的左上角坐标,φ的正负代表旋转方向,负表示待匹配图像中的十字标点相较于模板向右旋转,正表示待匹配图像中的十字标点相较于模板向左旋转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910472031.XA CN110211182B (zh) | 2019-05-31 | 2019-05-31 | 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910472031.XA CN110211182B (zh) | 2019-05-31 | 2019-05-31 | 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211182A CN110211182A (zh) | 2019-09-06 |
CN110211182B true CN110211182B (zh) | 2023-03-31 |
Family
ID=67790075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910472031.XA Expired - Fee Related CN110211182B (zh) | 2019-05-31 | 2019-05-31 | 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211182B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062287A (zh) * | 2019-12-09 | 2020-04-24 | 北京工业大学 | 一种基于机器视觉的旋帽定心及其一字槽角度识别的方法 |
CN111178210B (zh) * | 2019-12-21 | 2022-11-29 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种十字标记的图像识别及对准方法 |
CN111241332B (zh) * | 2020-01-17 | 2023-08-18 | 珠海博明视觉科技有限公司 | 一种通过自动识别工件搜索其对应测量程序的方法 |
CN111242116B (zh) * | 2020-01-21 | 2022-11-08 | 上海万物新生环保科技集团有限公司 | 屏幕定位方法及装置 |
CN111189854B (zh) * | 2020-04-13 | 2020-08-07 | 征图新视(江苏)科技股份有限公司 | 玻璃盖板自动检测系统缺陷分层检测方法 |
CN111563883B (zh) * | 2020-04-22 | 2023-05-05 | 惠州旭鑫智能技术有限公司 | 屏幕视觉定位方法、定位设备及存储介质 |
CN112344905A (zh) * | 2020-10-28 | 2021-02-09 | 孝感华中精密仪器有限公司 | 一种路基沉降检测装置以及延长其电池更换周期的方法 |
CN113111941B (zh) * | 2021-04-13 | 2023-11-24 | 浙江理工大学 | 一种基于彩色图和矢量图的织物图案匹配方法及系统 |
CN113344964B (zh) * | 2021-06-23 | 2024-02-23 | 江苏三恒科技股份有限公司 | 一种基于图像处理的矿井机器人落石监测预警方法 |
CN113894481B (zh) * | 2021-09-09 | 2023-05-09 | 中国科学院自动化研究所 | 复杂空间曲线焊缝的焊接位姿调整方法及装置 |
CN113643371B (zh) * | 2021-10-13 | 2022-01-25 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种飞行器模型表面标记点的定位方法 |
CN115002433A (zh) * | 2022-06-02 | 2022-09-02 | 海信视像科技股份有限公司 | 投影设备及roi特征区域选取方法 |
CN114266748B (zh) * | 2021-12-22 | 2024-04-30 | 四川艾德瑞电气有限公司 | 一种轨交检修领域工艺板表面完整性判定的方法及装置 |
CN116543188B (zh) * | 2023-07-06 | 2023-10-13 | 深圳市睿达科技有限公司 | 一种基于灰度匹配的机器视觉匹配方法及系统 |
CN117173389B (zh) * | 2023-08-23 | 2024-04-05 | 无锡芯智光精密科技有限公司 | 一种基于轮廓匹配的固晶机视觉定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633507A (zh) * | 2017-09-02 | 2018-01-26 | 南京理工大学 | 基于轮廓检测和特征匹配的lcd缺陷检测方法 |
CN108875668A (zh) * | 2018-06-28 | 2018-11-23 | 东北大学 | 一种基于多特征和级联分类器的行人检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09212647A (ja) * | 1996-02-02 | 1997-08-15 | Fuji Photo Film Co Ltd | 画像処理装置 |
US7672540B2 (en) * | 2005-07-13 | 2010-03-02 | Siemens Medical Solutions USA, Inc, | Nonrigid registration of cardiac perfusion MR images using adaptive local template matching |
JP5076972B2 (ja) * | 2008-02-29 | 2012-11-21 | 大日本印刷株式会社 | 目標物検出システム |
CN104463866B (zh) * | 2014-12-04 | 2018-10-09 | 无锡日联科技有限公司 | 一种基于轮廓随机采样的局部形状匹配方法 |
CN107123188B (zh) * | 2016-12-20 | 2020-05-12 | 北京联合众为科技发展有限公司 | 基于模板匹配算法和边缘特征的伤票识别与定位方法 |
CN107292868B (zh) * | 2017-05-31 | 2020-03-13 | 瑞达昇医疗科技(大连)有限公司 | 一种视盘定位方法及装置 |
-
2019
- 2019-05-31 CN CN201910472031.XA patent/CN110211182B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633507A (zh) * | 2017-09-02 | 2018-01-26 | 南京理工大学 | 基于轮廓检测和特征匹配的lcd缺陷检测方法 |
CN108875668A (zh) * | 2018-06-28 | 2018-11-23 | 东北大学 | 一种基于多特征和级联分类器的行人检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110211182A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211182B (zh) | 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
Phansalkar et al. | Adaptive local thresholding for detection of nuclei in diversity stained cytology images | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN110111330B (zh) | 手机屏幕检测方法 | |
CN113298809B (zh) | 基于深度学习和超像素分割的复材超声图像缺陷检测方法 | |
CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN109886914B (zh) | 基于局部亮度不变性先验的纸张缺陷检测方法 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN114580559A (zh) | 一种基于单目视觉系统的测速方法 | |
WO2021227289A1 (zh) | 一种基于深度学习的复杂背景低质量二维条码检测方法 | |
Mu et al. | A novel Shi-Tomasi corner detection algorithm based on progressive probabilistic hough transform | |
CN109271882B (zh) | 一种区分颜色的手写体汉字提取方法 | |
Luo et al. | Improved Harris corner detection algorithm based on canny edge detection and Gray difference preprocessing | |
Wang et al. | Vehicle license plate recognition based on wavelet transform and vertical edge matching | |
CN117611551B (zh) | 基于物联网的显示屏异常检测方法及系统 | |
CN107248151B (zh) | 一种基于机器视觉的液晶片智能检测方法及系统 | |
Han et al. | A combined approach for the binarization of historical Tibetan document images | |
CN113763404A (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
CN107578393B (zh) | 一种基于人工交互的航拍图像亮度调节方法 | |
Zhang et al. | A LCD screen Mura defect detection method based on machine vision | |
CN111932469B (zh) | 显著性权重的快速曝光图像融合方法、装置、设备和介质 |
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 |
Granted publication date: 20230331 |
|
CF01 | Termination of patent right due to non-payment of annual fee |