CN110766672B - 电极脏污检测方法 - Google Patents
电极脏污检测方法 Download PDFInfo
- Publication number
- CN110766672B CN110766672B CN201911001832.4A CN201911001832A CN110766672B CN 110766672 B CN110766672 B CN 110766672B CN 201911001832 A CN201911001832 A CN 201911001832A CN 110766672 B CN110766672 B CN 110766672B
- Authority
- CN
- China
- Prior art keywords
- electrode
- image
- self
- graph data
- quotient graph
- 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
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
- G06T7/10—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
- 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种电极脏污检测方法。包括:对电极图像进行预处理,获得电极灰度图像;根据形态学算子模板集合中的模板,对电极灰度图像进行开运算、闭运算,获取电极前景图像、电极背景图像;利用电极前景图像、电极背景图像进行自商图运算,得到初始自商图数据;步骤四,建立最佳自商图数据选取模型,获取最佳自商图数据,对最佳自商图数据进行离差标准化处理;对标准化后的自商图数据进行阈值化处理,获取连通域图像;对连通域图像提取外层轮廓并填充得到遮罩数据,将遮罩数据与连通域图像进行异或运算得到脏污分割结果。利用本发明,可以实现电极脏污分割,对光照变化适应性强,降低手工调参工作量,计算效率高,检测精度高。
Description
技术领域
本发明涉及电极检测技术领域,具体涉及一种电极的缺陷检测方法。
背景技术
电极是一种靠电极两端穿插为梳状的传感器元件,通常将电极两极通入方波,用于基于电抗的计算。电极在生产时需要检查并清洁,但有些情况下电极在使用中无法进行很好的封装,例如玻璃基板等。由于一般的脏都能够吸收部分电磁波,因此电极在无保护措施的情况下一旦接触到脏污,会出现短路、信号衰减等问题。
目前,用于检测脏污的方法包括两种。一种是围绕液晶面板等产品的MURA(显示不均匀)检测需求设计的,需要提供暗室、平行光源、条状光源等对光源具有特殊要求的环境。由于电极尺寸微小,摆放位置多样,有些情况需要在线监测或在维护时借助仪器进行检测。电极缺陷检测不只是生产时的流程,而是常见的设备自维护流程,因此,检测设备需要是一个独立的图像处理模块,甚至是一种手持设备,直接导致光源不可控,影响MURA检测方法的精度。
另一种脏污检测是基于离散傅里叶变换DFT并设计陷波器来提取特征的。该检测方法先计算频谱,然后目测频谱的响应亮斑来手工设计陷波遮罩。该过程存在过多的固定参数,且需要频繁调试,对于电极检测而言,专门根据各种工况取设计专用的算法意义不大。一般的检测设备是直接拍照,因此采集的图像大都不一样,导致手工参数需要重新调整,如陷波位置等,再者,若图像输入大小有小幅的变化,则陷波位置很有可能与频谱的响应位置有偏差,从而引入其他的规律性纹理。此外,DFT对于电极这种粗线条强边缘的图像有一定限制,一般用DFT等频域滤波方法的场景是存在较低幅值、较高频率的纹理的。对于梳状电极等类似元件,由于存在明显的阶跃型边界,亮度变化较大,在DFT频谱中难以寻找纹理对应的频率位置,也难以完全消除所有相关的频率响应。而且,电极梯度根据不同型号方向变化较多,导致陷波位置不一样。因此,难以使用手工设计陷波器的方法进行处理。
受使用方式的影响,基于专用光源的MURA和DFT方法限制了检测的可行性。因此,现有电极元件脏污检测技术存在对光源要求高、特征提取方法手工调参工作量大、检测方法计算量大、检测精度不高的问题。
发明内容
本发明提供了一种电极脏污检测方法,该方法实现了电极脏污分割,对光照变化适应性强,降低手工调参工作量,计算效率高,检测精度高。
一种电极脏污检测方法,该方法包括:
步骤一,对相机获得的电极图像进行预处理,获得电极灰度图像;
步骤二,构建形态学算子模板集合,根据集合中的模板,依次对电极灰度图像进行开运算、闭运算,获取形态学算子模板对应的电极前景图像、电极背景图像;
步骤三,利用形态学算子模板对应的电极前景图像、电极背景图像进行自商图运算,消除光照不均匀,得到初始自商图数据;
步骤四,建立最佳自商图数据选取模型,对初始自商图数据进行处理,获取最佳自商图数据,对最佳自商图数据进行离差标准化处理,得到电极自商图数据;
步骤五,对电极自商图数据进行阈值化处理,对阈值化结果进行连通域检测分析,获取连通域图像;
步骤六,对连通域图像进行轮廓分析,提取外层轮廓并填充得到遮罩数据,将遮罩数据与连通域图像进行异或运算得到脏污分割结果。
步骤一具体为:相机获取的电极图像为彩色图像,预处理为灰度化处理,灰度化方法具体为:根据电极图像的RGB数据,使用暗通道先验的方式得到对比度较强的电极灰度图像I:I(x,y)=min(R(x,y),G(x,y),B(x,y)),其中,I(x,y)是电极灰度图像I在位置(x,y)处的值,R(x,y),G(x,y),B(x,y)分别代表位置(x,y)处像素的红、绿、蓝通道分量值。
形态学算子模板集合包括十字模板、各向一致模板、空洞模板。
自商图运算具体为:
其中,F(x,y),B(x,y)分别为电极前景图像、电极背景图像在位置(x,y)处的值,SQI(x,y)为初始自商图数据在位置(x,y)处的值。
最佳自商图数据选取模型为:对初始自商图数据进行中值计算;选取中值最大的初始自商图数据为最佳自商图数据。
阈值化处理的阈值确定方法为:采用最大类间方差法确定分割阈值。
本发明的有益效果在于:
1、本发明对获取的电极前景图像和电极背景图像进行自商图计算,消除光照不均匀影响,对光照变化适应性强;
2、本发明利用形态学算子模板集合获取电极前景图像、电极背景图像,无需手工设计特征提取参数,降低手工调参工作量;
3、本发明中自商图计算是唯一的浮点型计算步骤,提高计算速度,降低计算时间,计算效率高;
4、本发明利用形态学算子模板集合以及最佳自商图数据选取模型,可以获取最佳的自商图数据,检测精度高。
附图说明
图1为电极脏污检测过程图;
图2为各形态学算子模板下获取的电极前景图像和电极背景图像示意图;
图3为电极脏污分割结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种电极脏污检测方法。本发明适用面阵相机,对捕捉的电极图像提取亮度信息,通过形态学算子模板集合进行滤波,进而提取电极区域和周边区域,通过自商图像的方式提高响应精度,从而提供准确的分割结果。下面通过具体实施例来进行说明。电极脏污检测过程图如图1所示。
实施例一:
电极脏污检测方法包括:
步骤一,对相机获得的电极图像进行预处理,获得电极灰度图像。
对图像进行预处理,若图像为彩色图像,根据经验,一般的电极部分颜色为FPC黄色、金属银色,而背景一般为黑色或者电路板绿色、红色、黄色、蓝色。因此,当遇到彩色图像时,使用暗通道先验的方式,对三通道对应位置分量取最小值,得到对比度较强的图像I:
I(x,y)=min(R(x,y),G(x,y),B(x,y))
其中,I(x,y)是电极灰度图像I在位置(x,y)处的值,R(x,y),G(x,y),B(x,y)分别代表位置(x,y)处像素的红、绿、蓝通道分量值
步骤二,构建形态学算子模板集合,根据集合中的模板,依次对电极灰度图像进行开运算、闭运算,获取形态学算子模板对应的电极前景图像、电极背景图像。
考虑到电极设计时的对称性,形态学算子模板集合包括不同尺寸的十字模板KX、各向一致模板KR、空洞模板KQ。以模板尺寸3x3为例,对于栅格型电极,有十字模板:对于V字型电极,有各向一致模板:对于蛇形电极,有空洞模板:模板尺寸可以采用3x3,5x5。进一步地,也可以增加模板尺寸7x7的模板,以此类推。
依次对电极灰度图像进行开运算、闭运算的方法如下:内循环以十字模板、各向一致模板、空洞模板的顺序,外循环以模板尺寸由小到大的顺序,依次对电极灰度图像进行开、闭运算,获取电极前景图像、电极背景图像。
图像的开运算、闭运算基于最大值、最小值滤波器完成,具体实现方法如下:
以3x3的模板使用最大值滤波器举例。对某一像素位置(x,y),KR在其周围形成3X3大小的窗口。在KR不为零的部分进行以(x,y)为中心,3x3邻域像素采样,对获取的像素值进行排序得到最大值max(I(x,y)*KR)和最小值min(I(x,y)*KR),其中,最大值即为该像素位置的经过最大值滤波的像素值IMax(x,y)、最小值即为该像素位置的经过最小值滤波的像素值IMin(x,y):
IMax(x,y)=max(I(x,y)*KR)=max(I(x-1,y-1),……,I(x+1,y+1))
IMin(x,y)=min(I(x,y)*KR)=min(I(x-1,y-1),……,I(x+1,y+1))
开运算和闭运算是通过控制最大值滤波、最小值滤波的顺序来实现的,能够保持轮廓的原始位置。开运算为先进行最小值滤波,再进行最大值滤波,效果是使得局部最大部分闭合。闭运算先进行最大值滤波,再进行最小值滤波,效果反之。通过开运算,得到电极背景图像B,通过闭运算得到电极前景图像F,即电极区域。开、闭运算后的结果如图1所示。
步骤三,利用形态学算子模板对应的电极前景图像、电极背景图像进行自商图运算,消除光照不均匀,得到初始自商图数据。
形态学滤波的对于电极这种特征是一种比较适用的方法,但由于视角、电极间隔等因素还是需要不断调试来确定参数,因此使用形态学滤波的方法同样存在手工设计的问题。同时,形态学滤波方法难以消除采集图像时的光照不均匀现象。
SQI是自商图像的缩写,分子图像与分母图像逐点相除即可,是一种灵活的高通滤波器。SQI的数据有以下特征:分子和分母都带有低频信息时,由于除法和做差的区别,导致低频信息的幅值会在无限接近于1的附近,而高频一般是分子和分母的差异,会以倍数关系远离1。因此,SQI能够消除光照不均匀现象,同时强化高频特征。SQI是以倍数来描述高频信息的,能够防止整数量化时出现灰阶丢失过多的问题,也无需再手工设计灰度映射曲线,如伽马变换等。得到的SQI图像能够直接进行阈值化处理。
各形态学算子模板对应的电极前景图像、电极背景图像得到的初始自商图数据如图2所示,横向表示模板尺寸,大小分别为3X3、5X5;纵向表示十字模板、各向一致模板、空洞模板。初始自商图数据SQI的计算过程:以使用SIMD指令为例,实施者可以将电极前景图像作为分母,电极背景图像作为分子,进行RSQRT计算。首先进行逐点相除,再对结果进行RSQRT。可以借助SIMD加速。
F(x,y),B(x,y)分别为电极前景图像、电极背景图像在位置(x,y)处的值,SQI(x,y)为初始自商图数据在位置(x,y)处的值。RSQRT为取倒数并开方,即是RISC和CISC常备的SIMD指令集内容,可以在相同的指令周期中同时实现开方的幅值调节效果。此处进行开方的意义在于提高脏污的对比度。实施者也可使用原样的SQI算式:由于SQI已经拉伸了对比度,实施者可以根据现实情况选择不开方或根据相机的特性或脏污的特性采用其它递增的映射函数进行处理,如等。实施者通过上述等式可自行选择实施方法,但围绕的核心内容是使用电极背景图像与电极前景图像相除的自商图计算。此步骤是本发明唯一浮点计算步骤,从整体上提高了方法的计算效率。
步骤四,建立最佳自商图数据选取模型,对初始自商图数据进行处理,获取最佳自商图数据,对最佳自商图数据进行离差标准化处理,得到电极自商图数据。
由于消除了光照不均匀问题,因此亮部的灰阶可以由中值表示。对初始自商图数据SQI进行中值计算,即对整个图像的像素灰度进行排序,取中值M:
M=MEDIAN(sort(SQI))
其中,sort()是排序函数,MEDIAN()用于找出排序结果的中值。当图像像素个数为奇数时,MEDIAN()返回中间元素的值;当图像像素个数为偶数时,MEDIAN()返回中间两个元素的平均值。根据步骤三获取的各个模板的初始自商图数据分别计算各模板对应的中值M。
参见图2的逐行变化,由于规律性的纹理响应不一样,所提取的前景、背景的纯净度不一样,因此SQI的强度不一样。形态学滤波是基于逻辑判断的非线性滤波,在选择最佳结构的过程中,一旦形态学算子模板能够有效提取特征,则SQI的响应变为平坦的亮区域,即当前中值与前一个选项的中值能够相差数倍。当纹理和模板匹配时,中值会显著变大,对应区域的差异极大,可以得到质量较高的SQI图像。而且,一旦形态模板与电极空隙的纹理相匹配,图像的中值几乎不发生变化。从最稀疏、最小的模板开始寻找,当得到的中值最大时,即可认为所选的结构是最佳的。
最佳自商图数据选取模型为:当下一个M’比当前M小时,认为当前结构为最佳结构。当下一个M’比当前M的值更大,且低于阈值T=5,则停止搜索并认为当前K是最佳选项。其中,阈值T为经验值,可以作为控制图像质量的选项,阈值更高则稳定性更佳,但计算量更大。由此,可以获得最大中值对应的自商图数据,即最佳自商图数据。
对最佳自商图数据进行离差标准化,方便将图像量化至整数范围。SQI图像的分布是围绕1的,因此为了与可视化的[0,1]值域相匹配,对整幅图像进行离差标准化:SQI=MinMaxNormalize(SQI)。由此,得到电极自商图数据。
步骤五,对电极自商图数据进行阈值化处理,对阈值化结果进行连通域检测分析,获取连通域图像。
在量化到整数范围后,对电极自商图数据SQI进行最大类间方差法OTSU阈值化。此时的SQI,脏污特征被明显放大,且亮部平坦区域接近中值。直方图是尖峰陡峭的,对于自动阈值化而言是鲁棒的。
步骤六,对连通域图像进行轮廓分析,提取外层轮廓并填充得到遮罩数据,将遮罩数据与连通域图像进行异或运算得到脏污分割结果。
对连通域图像CONNEC进行轮廓分析,提取连通域最外层轮廓。对轮廓内部进行纯色填充得到遮罩MASK,填充FILL UP的效果如图1所示。将遮罩数据MASK与连通域图像CONNEC逐点进行异或运算:
至此,得到了脏污的分割结果。图3中由左至右分别表示电极图像、自商图数据、脏污分割结果图。
本发明提取的处理方法具有较低的计算量,同时方便实施者使用大部分处理器具备的SIMD指令集进行加速。实施者可以使用本发明的方法,将检测功能集成至手持设备或低功耗仪器中,同时无需使用特种光源。
以上实施例仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (3)
1.一种电极脏污检测方法,其特征在于,该方法包括:
步骤一,对相机获得的电极图像进行预处理,获得电极灰度图像;
步骤二,构建形态学算子模板集合,形态学算子模板集合包括不同尺寸的十字模板、各向一致模板、空洞模板,根据集合中的模板,内循环以十字模板、各向一致模板、空洞模板的顺序,外循环以模板尺寸由小到大的顺序,对电极灰度图像进行开运算获取形态学算子模板对应的电极背景图像,对电极灰度图像进行闭运算获取形态学算子模板对应的电极前景图像;
步骤三,利用形态学算子模板对应的电极前景图像、电极背景图像进行自商图运算,消除光照不均匀,得到初始自商图数据;自商图运算具体为:
其中,F(x,y),B(x,y)分别为电极前景图像、电极背景图像在位置(x,y)处的值,SQI(x,y)为初始自商图数据在位置(x,y)处的值;
步骤四,建立最佳自商图数据选取模型,最佳自商图数据选取模型为:对初始自商图数据进行中值计算;选取中值最大的初始自商图数据为最佳自商图数据;对最佳自商图数据进行离差标准化处理,得到电极自商图数据;
步骤五,对电极自商图数据进行阈值化处理,对阈值化结果进行连通域检测分析,获取连通域图像;
步骤六,对连通域图像进行轮廓分析,提取外层轮廓并填充得到遮罩数据,将遮罩数据与连通域图像进行异或运算得到脏污分割结果。
2.如权利要求1所述的电极脏污检测方法,其特征在于,所述步骤一具体为:相机获取的电极图像为彩色图像,所述预处理为灰度化处理,灰度化方法具体为:根据电极图像的RGB数据,使用暗通道先验的方式得到对比度较强的电极灰度图像I:I(x,y)=min(R(x,y),G(x,y),B(x,y)),其中,I(x,y)是电极灰度图像I在位置(x,y)处的值,R(x,y),G(x,y),B(x,y)分别代表位置(x,y)处像素的红、绿、蓝通道分量值。
3.如权利要求1所述的电极脏污检测方法,其特征在于,所述阈值化处理的阈值确定方法为:采用最大类间方差法确定分割阈值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702877.0A CN111833338A (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
CN201911001832.4A CN110766672B (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
CN202010702878.5A CN111833339A (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911001832.4A CN110766672B (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702877.0A Division CN111833338A (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
CN202010702878.5A Division CN111833339A (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766672A CN110766672A (zh) | 2020-02-07 |
CN110766672B true CN110766672B (zh) | 2020-11-20 |
Family
ID=69331520
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911001832.4A Active CN110766672B (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
CN202010702878.5A Withdrawn CN111833339A (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
CN202010702877.0A Withdrawn CN111833338A (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702878.5A Withdrawn CN111833339A (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
CN202010702877.0A Withdrawn CN111833338A (zh) | 2019-10-21 | 2019-10-21 | 电极脏污检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN110766672B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7159758B1 (en) * | 2003-06-26 | 2007-01-09 | Emc Corporation | Circuit board processing techniques using solder fusing |
CN105181706A (zh) * | 2015-09-23 | 2015-12-23 | 电子科技大学 | 一种基板上的贴片电阻不良缺陷检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7075642B2 (en) * | 2003-02-24 | 2006-07-11 | Intel Corporation | Method, structure, and apparatus for Raman spectroscopy |
CN103872983B (zh) * | 2014-04-04 | 2016-05-25 | 天津市鑫鼎源科技发展有限公司 | 太阳能电池表面缺陷检测方法 |
CN104102903A (zh) * | 2014-07-14 | 2014-10-15 | 杭州电子科技大学 | 一种基于src的二次人脸识别方法 |
CN108830838A (zh) * | 2018-05-28 | 2018-11-16 | 江苏大学 | 一种亚像素级的pcb板残缺基准点检测方法 |
CN110012287B (zh) * | 2019-02-16 | 2019-11-05 | 深圳市创生达电子有限公司 | 基于视网膜感知的数字相机影像传感器的脏污自检方法 |
CN110132978A (zh) * | 2019-04-28 | 2019-08-16 | 无锡和博永新科技有限公司 | 电阻片整片检测装置及检测方法 |
-
2019
- 2019-10-21 CN CN201911001832.4A patent/CN110766672B/zh active Active
- 2019-10-21 CN CN202010702878.5A patent/CN111833339A/zh not_active Withdrawn
- 2019-10-21 CN CN202010702877.0A patent/CN111833338A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7159758B1 (en) * | 2003-06-26 | 2007-01-09 | Emc Corporation | Circuit board processing techniques using solder fusing |
CN105181706A (zh) * | 2015-09-23 | 2015-12-23 | 电子科技大学 | 一种基板上的贴片电阻不良缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111833338A (zh) | 2020-10-27 |
CN110766672A (zh) | 2020-02-07 |
CN111833339A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN107316077B (zh) | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN109993797B (zh) | 门窗位置检测方法及装置 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN110378902B (zh) | 一种高噪声背景下的划痕检测方法 | |
CN107123124B (zh) | 视网膜图像分析方法、装置和计算设备 | |
Bibiloni et al. | A real-time fuzzy morphological algorithm for retinal vessel segmentation | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN113592782B (zh) | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN109064439B (zh) | 基于分区的单侧入光式导光板暗影缺陷提取方法 | |
CN116664457B (zh) | 一种用于增强去噪的图像处理方法 | |
CN114998664A (zh) | 一种多光学平台的海水中微塑料快速检测方法及检测装置 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN108830851B (zh) | 一种lcd粗糙斑缺陷检测方法 | |
Guarneri et al. | 3D remote colorimetry and watershed segmentation techniques for fresco and artwork decay monitoring and preservation | |
Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
Pollatou | An automated method for removal of striping artifacts in fluorescent whole-slide microscopy | |
CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
CN110766672B (zh) | 电极脏污检测方法 | |
CN113008524B (zh) | 屏幕漏光检测方法及装置 | |
JP3854585B2 (ja) | 液晶パネルの表示欠陥検出方法及び表示欠陥検査装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201028 Address after: Room 403, North R & D building, Central Europe Industrial Park, Jingba Road, Dongtai Economic Development Zone, Yancheng City, Jiangsu Province 224200 Applicant after: Yancheng Zhaoyang Industrial Design Co., Ltd Address before: No. 3A16 and 3a17, building 1, incubation, University Science Park, No. 11, Changchun Road, high tech Industrial Development Zone, Zhongyuan District, Zhengzhou City, Henan Province Applicant before: Zhengzhou Maitou Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |