CN110349125A - 一种基于机器视觉的led芯片外观缺陷检测方法及系统 - Google Patents
一种基于机器视觉的led芯片外观缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN110349125A CN110349125A CN201910519660.3A CN201910519660A CN110349125A CN 110349125 A CN110349125 A CN 110349125A CN 201910519660 A CN201910519660 A CN 201910519660A CN 110349125 A CN110349125 A CN 110349125A
- Authority
- CN
- China
- Prior art keywords
- support vector
- led chip
- image
- vector cassification
- cassification model
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000007547 defect Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- G01N21/9501—Semiconductor wafers
-
- 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
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/0002—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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/136—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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的LED芯片外观缺陷检测方法及系统,首先采集LED芯片图像;然后对LED芯片图像进行去燥平滑预处理,并进行单颗LED芯片的分割;接着支持向量机分类模型训练;最后利用训练好的支持向量机分类模型检测出外观有缺陷的LED芯片。本发明可使LED芯片外观缺陷检测工序实现自动化,提高缺陷检测的检测效率、检测准确率及检测一致性,最终提高LED芯片产品质量。
Description
技术领域
本发明属于图像识别技术领域,涉及一种LED芯片外观缺陷检测方法及系统,具体涉及一种基于机器视觉的LED芯片外观缺陷检测方法及系统;可以快速准确的检测出外观有缺陷的LED芯片。
背景技术
半导体照明用LED芯片在各生产工序的生产过程中,由于异物污染或生产故障,容易导致LED芯片引入不同种类的缺陷,造成LED芯片的功能故障以及产品质量的下降。为保证产品质量,就需要通过外观检测将有缺陷的LED芯片及时发现并从生产线上挑选出来,以提高产品质量。传统的LED芯片外观检测工艺以人工检测方法为主,自动化程度较差,检测效率低,并且容易造成误检和漏检,也无法及时将检测数据送入生产数据库进行质量管理。随着LED芯片产业规模的不断扩大、检测精度要求的不断提高以及人工成本的不断上涨,目前的人工检测方法已无法满足LED芯片大规模封装要求。
发明内容
为了解决上述技术问题,本发明提供了一种基于机器视觉的LED芯片外观缺陷检测方法及系统。
本发明的方法所采用的技术方案是:一种基于机器视觉的LED芯片外观缺陷检测方法,其特征在于,包括以下步骤:
步骤1:采集LED芯片图像;
步骤2:对LED芯片图像进行去燥平滑预处理,并进行单颗LED芯片的分割;
步骤3:支持向量机分类模型训练;
首先利用伽马变换对单颗LED芯片图像进行图像增强,并通过制作LED芯片数据集进行支持向量机分类模型训练,通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练;
步骤4:利用训练好的支持向量机分类模型检测出外观有缺陷的LED芯片。
作为优选,步骤2的具体实现包括以下子步骤:
步骤2.1:使用高斯滤波对原始LED芯片图像进行滤波去燥;
步骤2.2:对高斯滤波后的LED芯片图像进行灰度化处理,分析图像灰度化后的灰度直方图,根据灰度直方图选取合适阈值,完成图像二值化处理;
步骤2.3:基于LED芯片二值化图像,通过图像腐蚀及图像膨胀操作实现开运算形态学处理;
步骤2.4:根据图像形态学处理得到的LED芯片图像,通过阈值分割及边界分割方法分割出单颗LED芯片。
作为优选,步骤3的具体实现包括以下子步骤:
步骤3.1:利用伽马变换对单颗LED芯片图像进行图像增强;
步骤3.2:数据集制作;
人工将获取的LED单颗芯片图像分为合格芯片及不合格芯片两类,存储于不同数据集,完成芯片数据集制作;
步骤3.3:将已制作的数据集传入支持向量机分类模型,提取并学习数据集中数据特征,通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练。
作为优选,步骤4中,将LED芯片数据传递给支持向量机分类模型,通过支持向量机分类模型最终实现芯片的判断。
本发明的系统所采用的技术方案是:一种基于机器视觉的LED芯片外观缺陷检测系统,其特征在于:包括图像采集模块、图像预处理及分割模块、支持向量机分类模型训练模块、外观缺陷检测模块;
所述图像采集模块,用于采集LED芯片图像;
所述图像预处理及分割模块,用于对LED芯片图像进行去燥平滑预处理,并进行单颗LED芯片的分割;
所述支持向量机分类模型训练,用于支持向量机分类模型训练;
首先利用伽马变换对单颗LED芯片图像进行图像增强,并通过制作LED芯片数据集进行支持向量机分类模型训练,通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练;
所述外观缺陷检测模块,用于利用训练好的支持向量机分类模型检测出外观有缺陷的LED芯片。
本发明可使LED外观缺陷检测工序实现自动化,提高缺陷检测的检测效率、检测准确率及检测一致性,最终提高LED芯片产品质量。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例中采集的LED芯片图像;
图3为本发明实施例中LED芯片图像预处理各步骤效果图。
图4为本发明实施例中图像增强效果图及数据集制作示意图;
图5为本发明实施例中检测结果。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种基于机器视觉的LED芯片外观缺陷检测方法,包括以下步骤:
步骤1:采集LED芯片图像;
本实施例在光源系统的照射下,通过工业相机采集正版LED芯片表面图像,通过图像采集卡讲图像的数字化信号存入计算机内存中,得到整版LED芯片图像,如附图2。
步骤2:对LED芯片图像进行去燥平滑预处理,并进行单颗LED芯片的分割;
本实施例中,当芯片表面存在多胶少胶、异物污染等缺陷时,LED芯片图像经过一系列图像预处理算法后,分割出单颗LED芯片;
请见图3,本实施例中步骤2的具体实现包括以下子步骤:
步骤2.1:使用高斯滤波对原始LED芯片图像进行滤波去燥;附图3中的a图像表示LED芯片原始图像,b表示高斯滤波后的图像。
步骤2.2:对高斯滤波后的LED芯片图像进行灰度化处理,分析图像灰度化后的灰度直方图,根据灰度直方图选取合适阈值,完成图像二值化处理;附图3中c为LED芯片灰度化处理后图像,d为芯片图像二值化处理效果。
步骤2.3:基于LED芯片二值化图像,通过图像腐蚀及图像膨胀操作实现开运算形态学处理;附图3中e为图像腐蚀处理效果图,f为图像膨胀操作处理后的效果图
步骤2.4:根据图像形态学处理得到的LED芯片图像,通过阈值分割及边界分割方法分割出单颗LED芯片;分割结果如附图3中g所示。
步骤3:支持向量机分类模型训练;
首先利用伽马变换对单颗LED芯片图像进行图像增强,并通过制作LED芯片数据集进行支持向量机分类模型训练,通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练;
本实施例通过图像增强,提高单颗LED芯片的图像特征,并制作图像芯片数据集,训练支持向量机模型。
请见图4,本实施例中步骤3的具体实现包括以下子步骤:
步骤3.1:利用伽马变换对单颗LED芯片图像进行图像增强;图像增强结果如附图4中a所示;
步骤3.2:数据集制作;
本实施例中,人工将获取的LED单颗芯片图像分为合格芯片及不合格芯片两类,存储于不同数据集,完成芯片数据集制作;制作的合格芯片数据集及不合格芯片数据集分别如附图4中b、c所示。
步骤3.3:将已制作的数据集传入支持向量机分类模型,提取并学习数据集中数据特征,通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练。
本实施例中,数据特征包括灰度值分布、检测的图像边缘等,学习的方式是首先设定分类模型(实质是一种分类函数),对数据集中数据进行分类,通过对比分类结果和数据集原本数据标签(合格或者不合格),并反馈给数据模型(优化分类函数),通过相应算法优化模型(优化函数),从而进行学习。
本实施例中,调整支持向量机分类模型结构主要通过选取不同的核函数进行实现。支持向量机模型参数调整包括C参数和γ参数,通过不同参数值的测试结果选取合适参数。
本实施例中,训练方式首先设置好相应参数,将数据集传递给分类模型,进行模型优化学习,当模型优化到最佳后,保存相应的优化模型,完成训练。
步骤4:利用训练好的支持向量机分类模型检测出外观有缺陷的LED芯片;
请见图5,本实施例将图像采集系统新获取的LED芯片进行图像预处理及单颗芯片分割后,将芯片数据传递给支持向量机分类模型,通过支持向量机分类模型实现芯片最终实现芯片的判断。LED芯片的部分判别结果如附图4所示,其中左上角有OK标注的为合格芯片。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (8)
1.一种基于机器视觉的LED芯片外观缺陷检测方法,其特征在于,包括以下步骤:
步骤1:采集LED芯片图像;
步骤2:对LED芯片图像进行去燥平滑预处理,并进行单颗LED芯片的分割;
步骤3:支持向量机分类模型训练;
首先利用伽马变换对单颗LED芯片图像进行图像增强,并通过制作LED芯片数据集进行支持向量机分类模型训练,通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练;
步骤4:利用训练好的支持向量机分类模型检测出外观有缺陷的LED芯片。
2.根据权利要求1所述的基于机器视觉的LED芯片外观缺陷检测方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:使用高斯滤波对原始LED芯片图像进行滤波去燥;
步骤2.2:对高斯滤波后的LED芯片图像进行灰度化处理,分析图像灰度化后的灰度直方图,根据灰度直方图选取合适阈值,完成图像二值化处理;
步骤2.3:基于LED芯片二值化图像,通过图像腐蚀及图像膨胀操作实现开运算形态学处理;
步骤2.4:根据图像形态学处理得到的LED芯片图像,通过阈值分割及边界分割方法分割出单颗LED芯片。
3.根据权利要求1所述的基于机器视觉的LED芯片外观缺陷检测方法,其特征在于,步骤3的具体实现包括以下子步骤:
步骤3.1:利用伽马变换对单颗LED芯片图像进行图像增强;
步骤3.2:数据集制作;
人工将获取的LED单颗芯片图像分为合格芯片及不合格芯片两类,存储于不同数据集,完成芯片数据集制作;
步骤3.3:将已制作的数据集传入支持向量机分类模型,提取并学习数据集中数据特征,通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练。
4.根据权利要求3所述的基于机器视觉的LED芯片外观缺陷检测方法,其特征在于:步骤3.3中,数据特征包括灰度值分布、检测的图像边缘;学习的方式是首先设定分类函数,对数据集中数据进行分类,通过对比分类结果和数据集原本数据标签,并反馈给优化分类函数,通过相应算法优化函数,从而进行学习。
5.根据权利要求3所述的基于机器视觉的LED芯片外观缺陷检测方法,其特征在于:步骤3.3中,调整支持向量机分类模型结构通过选取不同的核函数进行实现,支持向量机模型参数调整包括C参数和γ参数,通过不同参数值的测试结果选取合适参数。
6.根据权利要求3所述的基于机器视觉的LED芯片外观缺陷检测方法,其特征在于:步骤3.3中,训练方式首先设置好相应参数,将数据集传递给支持向量机分类模型,进行支持向量机分类模型优化学习,当支持向量机分类模型优化到最佳后,保存相应的优化模型,完成训练。
7.根据权利要求1-6任意一项所述的基于机器视觉的LED芯片外观缺陷检测方法,其特征在于:步骤4中,将LED芯片数据传递给支持向量机分类模型,通过支持向量机分类模型最终实现芯片的判断。
8.一种基于机器视觉的LED芯片外观缺陷检测系统,其特征在于:包括图像采集模块、图像预处理及分割模块、支持向量机分类模型训练模块、外观缺陷检测模块;
所述图像采集模块,用于采集LED芯片图像;
所述图像预处理及分割模块,用于对LED芯片图像进行去燥平滑预处理,并进行单颗LED芯片的分割;
所述支持向量机分类模型训练,用于支持向量机分类模型训练;
首先利用伽马变换对单颗LED芯片图像进行图像增强,并通过制作LED芯片数据集进行支持向量机分类模型训练,通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练;
所述外观缺陷检测模块,用于利用训练好的支持向量机分类模型检测出外观有缺陷的LED芯片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519660.3A CN110349125A (zh) | 2019-06-17 | 2019-06-17 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519660.3A CN110349125A (zh) | 2019-06-17 | 2019-06-17 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110349125A true CN110349125A (zh) | 2019-10-18 |
Family
ID=68182065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910519660.3A Pending CN110349125A (zh) | 2019-06-17 | 2019-06-17 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349125A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992353A (zh) * | 2019-12-13 | 2020-04-10 | 哈尔滨工业大学 | 基于智能感知的芯片涂层薄膜质量检测方法 |
CN111145164A (zh) * | 2019-12-30 | 2020-05-12 | 上海感图网络科技有限公司 | 一种基于人工智能的ic芯片缺陷检测方法 |
CN112862744A (zh) * | 2019-12-04 | 2021-05-28 | 电子科技大学 | 一种基于超声图像的电容内部缺陷智能检测方法 |
CN112991340A (zh) * | 2020-05-08 | 2021-06-18 | 视睿(杭州)信息科技有限公司 | 基于多通道特征的工业颗粒连片制品图像切割方法、装置 |
CN113130016A (zh) * | 2020-06-04 | 2021-07-16 | 北京世纪金光半导体有限公司 | 基于人工智能的晶片质量分析评价系统 |
CN113781484A (zh) * | 2021-11-12 | 2021-12-10 | 聚时科技(江苏)有限公司 | 半导体芯片结构缺陷检测方法 |
CN114311572A (zh) * | 2021-12-31 | 2022-04-12 | 深圳市新科聚合网络技术有限公司 | Smd led注塑支架在线检测装置及其检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
CN104198497A (zh) * | 2014-09-12 | 2014-12-10 | 苏州大学 | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
-
2019
- 2019-06-17 CN CN201910519660.3A patent/CN110349125A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
CN104198497A (zh) * | 2014-09-12 | 2014-12-10 | 苏州大学 | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
Non-Patent Citations (3)
Title |
---|
宣卫芳等: "《装备与自然环境试验 提高篇》", 30 November 2011 * |
谢飞: "基于计算机视觉的自动光学检测关键技术与应用研究", 《中国博士学位论文全文数据库信息科技辑》 * |
韩九强等: "《数字图像处理 基于XAVIS组态软件》", 30 September 2018 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862744A (zh) * | 2019-12-04 | 2021-05-28 | 电子科技大学 | 一种基于超声图像的电容内部缺陷智能检测方法 |
CN112862744B (zh) * | 2019-12-04 | 2023-03-14 | 电子科技大学 | 一种基于超声图像的电容内部缺陷智能检测方法 |
CN110992353A (zh) * | 2019-12-13 | 2020-04-10 | 哈尔滨工业大学 | 基于智能感知的芯片涂层薄膜质量检测方法 |
CN111145164A (zh) * | 2019-12-30 | 2020-05-12 | 上海感图网络科技有限公司 | 一种基于人工智能的ic芯片缺陷检测方法 |
CN112991340A (zh) * | 2020-05-08 | 2021-06-18 | 视睿(杭州)信息科技有限公司 | 基于多通道特征的工业颗粒连片制品图像切割方法、装置 |
CN113130016A (zh) * | 2020-06-04 | 2021-07-16 | 北京世纪金光半导体有限公司 | 基于人工智能的晶片质量分析评价系统 |
CN113130016B (zh) * | 2020-06-04 | 2024-02-02 | 北京星云联众科技有限公司 | 一种基于人工智能的晶片质量分析评价方法 |
CN113781484A (zh) * | 2021-11-12 | 2021-12-10 | 聚时科技(江苏)有限公司 | 半导体芯片结构缺陷检测方法 |
CN114311572A (zh) * | 2021-12-31 | 2022-04-12 | 深圳市新科聚合网络技术有限公司 | Smd led注塑支架在线检测装置及其检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN109454006B (zh) | 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法 | |
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN109550712A (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
CN102095731A (zh) | 在纸张缺陷视觉检测中识别不同缺陷类型的系统及方法 | |
CN110335262A (zh) | 一种机器视觉中印刷品缺陷自动分类方法 | |
CN108230315A (zh) | 一种基于机器视觉的口罩带缺失检测方法 | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
CN106846313A (zh) | 工件表面缺陷检测方法和装置 | |
CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
Ji et al. | Apple grading method based on features of color and defect | |
CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
CN112258459A (zh) | 一种基于集成深度学习的锂电池瑕疵检测方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN111458269A (zh) | 一种外周血淋巴微核细胞图像人工智能识别方法 | |
CN114445365A (zh) | 基于深度学习算法的钞票印刷质量检查方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |