CN111060519A - Led支架缺陷判定方法及系统 - Google Patents
Led支架缺陷判定方法及系统 Download PDFInfo
- Publication number
- CN111060519A CN111060519A CN201911395306.0A CN201911395306A CN111060519A CN 111060519 A CN111060519 A CN 111060519A CN 201911395306 A CN201911395306 A CN 201911395306A CN 111060519 A CN111060519 A CN 111060519A
- Authority
- CN
- China
- Prior art keywords
- detected
- image
- target
- sub
- attribute information
- 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
Images
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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种LED支架缺陷判定方法及系统。所述方法包括:获取LED支架的待测图像;根据待测目标在所述待测图像中LED支架的位置信息,对待测图像进行分割,并得到至少一个第一待测子图像;采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数;根据匹配系数判断所述LED支架中的待测目标是否基本正常;若判定LED支架基本正常,根据LED支架对应的待测图像的灰度值,对LED支架对应的待测图像进行分割,并得到至少一个第二待测子图像;对每个第二待测子图像进行连通域分析,并得到相应的待测目标的属性信息;根据待测目标的属性信息判定所述LED支架是否存在缺陷。本发明能够精准快速的对LED支架上的待测目标进行判定,并能够节省劳动力。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种LED支架缺陷判定方法及系统。
背景技术
LED(Light Emitting Diode,发光二极管)在现代生活中必不可少,电视机屏幕、手机屏幕、汽车灯等等,都有LED的身影。而LED支架是LED灯珠的载具,即LED支架是LED灯珠在封装之前的底基座,在LED支架的基础上,将芯片固定进去,焊上正负电极,再用封装胶对LED灯珠进行封装,以将LED灯珠固定在LED支架上的安装孔上。因此LED支架上的安装孔出现不良,会使得LED灯珠也不能正常发挥作用。
而现有的LED支架一般需要安装很多个LED灯珠,为提高LED灯珠的安装效率,需要保证安装孔注入的封装胶的形状统一。目前大多是采用人工检测的方法,对LED支架上的每个安装孔进行校验,以提高产品合格率。而人工检测缺点较多,如强度大有害身体,高强度工作使得视力下降严重,无法长时间坚持;工作效能低,单位时间检测强度有限,且长时间准确率波动大,以及人工成本高,人工检验有上限,产能提升需要大量人员等。
发明内容
为解决上述问题,本发明提供的LED支架缺陷判定方法及系统,能够精准快速的对LED支架上的待测目标进行判定,并能够节省劳动力。
第一方面,本发明提供一种LED支架缺陷判定方法,包括:
获取LED支架的待测图像,所述待测图像中包含至少一个待测目标;
根据待测目标在所述待测图像中LED支架的位置信息,对所述待测图像进行分割,并得到至少一个第一待测子图像,其中,每个第一待测子图像中包含至少一个待测目标;
采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,其中,所述匹配系数用于表示相应的第一待测子图像与所述面板图像的相似程度;
根据所述匹配系数判断所述LED支架中的待测目标是否基本正常;
若判定所述LED支架中的待测目标基本正常,根据所述LED支架对应的待测图像的灰度值,对所述LED支架对应的待测图像进行分割,并得到至少一个第二待测子图像,其中,每个第二待测子图像中包含至少一个待测目标;
对每个第二待测子图像进行连通域分析,并得到相应的待测目标的属性信息;
根据所述待测目标的属性信息判定所述LED支架是否存在缺陷。
可选地,所述根据所述匹配系数判断所述LED支架中的待测目标是否基本正常包括:
若所述匹配系数小于预设的第一阈值,判定所述LED支架中的待测目标存在缺陷;
若所述匹配系数大于或等于预设的第一阈值,判定所述LED支架中的待测目标基本正常。
可选地,所述模板图像的尺寸小于所述第一待测子对象尺寸;
所述采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,包括:
根据预设的步长,使用预设的模板图像遍历每个第一待测子图像,并在每个第一待测子图像上得到至少一预备匹配系数,将数值最大的预备匹配系数作为相应的匹配系数。
可选地,所述方法还包括:
根据正常的LED支架,获取所述模板图像,所述模板图像中包含至少一正常的样本目标;
对所述模板图像进行连通域分析,并得到相应的样本目标的属性信息;
存储所述样本目标的属性信息。
可选地,所述根据所述待测目标的属性信息判定所述LED支架是否存在缺陷,包括:
将待测目标的属性信息与样本目标的属性信息进行对比,得到对比系数,所述对比系数用于表示待测目标的属性信息与样本目标的属性信息;
若所述对比系数小于预设的第二阈值,判定所述LED支架中的待测目标存在缺陷;
若所述对比系数大于或等于预设的第二阈值,判定所述LED支架中的待测目标正常。
第二方面,本发明提供一种LED支架缺陷判定系统,包括:
第一获取模块,被配置为获取LED支架的待测图像,所述待测图像中包含至少一个待测目标;
第一分割模块,被配置为根据待测目标在所述待测图像中LED支架的位置信息,对所述待测图像进行分割,并得到至少一个第一待测子图像,其中,每个第一待测子图像中包含至少一个待测目标;
匹配模块,被配置为采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,其中,所述匹配系数用于表示相应的第一待测子图像与所述面板图像的相似程度;
判断模块,被配置为根据所述匹配系数判断所述LED支架中的待测目标是否基本正常;
第二分割模块,被配置为在判定所述LED支架中的待测目标基本正常时,根据所述LED支架对应的待测图像的灰度值,对所述LED支架对应的待测图像进行分割,并得到至少一个第二待测子图像,其中,每个第二待测子图像中包含至少一个待测目标;
第一分析模块,被配置为对每个第二待测子图像进行连通域分析,并得到相应的待测目标的属性信息;
判定模块,被配置为根据所述待测目标的属性信息判定所述LED支架是否存在缺陷。
可选地,所述判断模块包括:
第一判定子模块,被配置为若所述匹配系数小于预设的第一阈值,判定所述LED支架中的待测目标存在缺陷;
第二判定子模块,被配置为若所述匹配系数大于或等于预设的第一阈值,判定所述LED支架中的待测目标基本正常。
可选地,所述模板图像的尺寸小于所述第一待测子对象尺寸;
所述匹配模块,进一步被配置为根据预设的步长,使用预设的模板图像遍历每个第一待测子图像,并在每个第一待测子图像上得到至少一预备匹配系数,将数值最大的预备匹配系数作为相应的匹配系数。
可选地,所述系统还包括:
第二获取模块,被配置为根据正常的LED支架,获取所述模板图像,所述模板图像中包含至少一正常的样本目标;
第二分析模块,被配置为对所述模板图像进行连通域分析,并得到相应的样本目标的属性信息;
存储模块,被配置为存储所述样本目标的属性信息。
可选地,所述判定模块包括:
对比子模块,被配置为将待测目标的属性信息与样本目标的属性信息进行对比,得到对比系数,所述对比系数用于表示待测目标的属性信息与样本目标的属性信息;
第三判定子模块,被配置为若所述对比系数小于预设的第二阈值,判定所述LED支架中的待测目标存在缺陷;
第四判定子模块,被配置为若所述对比系数大于或等于预设的第二阈值,判定所述LED支架中的待测目标正常。
本发明实施例提供的LED支架缺陷判定方法及系统,能够根据待测目标在所述待测图像中LED支架的位置信息,对待测图像中的待测目标进行分割,并采用预设的模板图像对每个第一待测子图像进行匹配,根据匹配的结果判定所述待测目标是否基本正常,并在此之后根据待测图像的灰度值,对待测图像中的待测目标进行分割,并通过连通域分析的方法对每个第二待测子图像进行分析,根据分析的结果判定基本正常的待测目标是否存在缺陷,如此先根据待测目标在所述待测图像中LED支架的位置信息进行判定能够避免连通域分析的方法对光敏感程度低的缺陷,进而能够提高判定的准确率,提高系统的鲁棒性。
附图说明
图1为本申请实施例的LED支架缺陷判定方法的示意性流程图;
图2为本申请实施例的在待测图像中LED支架与待测目标位置关系的示意性结构图;
图3为本申请实施例的NCC算法原理的示意性原理图;
图4为本申请实施例的第二待测图像的示意性结构图;
图5为本申请实施例的Blob分析的效果图;
图6为本申请实施例的LED支架缺陷判定方法的示意性流程图;
图7为本申请实施例的LED支架缺陷判定系统的示意性结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一方面,本发明提供一种LED支架缺陷判定方法,参见图1,图1示出了根据本申请一实施例的LED支架缺陷判定方法的示意性流程图,所述方法包括步骤S101至步骤S107,如下:
步骤S101:获取LED支架的待测图像,所述待测图像中包含至少一个待测目标。
在本实施例中,每个LED支架上排列有64个待测目标,即所述待测图像中包含64个待测目标,且所述待测目标为LED支架上用于固定LED灯珠的封装胶。
步骤S102:根据待测目标在所述待测图像中LED支架的位置信息,对所述待测图像进行分割,并得到至少一个第一待测子图像,其中,每个第一待测子图像中包含至少一个待测目标。
在本实施例中,参见图2,图2示出了根据本申请一实施例的在待测图像中LED支架与待测目标位置关系的示意性结构图,每个LED支架上的待测目标都是根据预设的规则排布在相应的LED支架上的;根据预设的待测目标在所述待测图像中LED支架的位置信息,对待测图像进行分割,使得每个第一待测子图像中包含一个待测目标。其中,图2中的黑色部分为LED支架,每个方格即为一个第一待测子图像,且每个方格中的白色部分即为待测目标。
步骤S103:采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,其中,所述匹配系数用于表示相应的第一待测子图像与所述面板图像的相似程度。
在本实施例中,通过NCC(normalized cross correlation)算法,归一化互相关匹配算法中的find_ncc_model算子以得到匹配系数。
在一种可选的实施例中,所述模板图像的尺寸小于所述第一待测子对象尺寸。所述采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,包括:根据预设的步长,使用预设的模板图像遍历每个第一待测子图像,并在每个第一待测子图像上得到至少一预备匹配系数,将数值最大的预备匹配系数作为相应的匹配系数。
具体的,参见图3,图3示出了根据本申请一实施例的NCC算法原理的示意性原理图,例如,存在两幅图像J和K,分别为待测图像和模板图像,K的尺寸n×m应小于J的尺寸N×M(n≤N,m≤M)。匹配方法是,将J在K上进行水平和垂直方向移动,遍历整个J,计算每个位置上的NCC系数,即预备匹配系数,NCC系数最大值即为匹配系数。其中,K在J上移动可以得到被K覆盖、即二者重叠的子图像Q,图3中的(X,Y)表示子图像Q左上点在J中的坐标。K遍历的范围1≤x≤M-m,1≤y≤N-n。
步骤S104:根据所述匹配系数判断所述LED支架中的待测目标是否基本正常。
在一种可选的实施例中,所述根据所述匹配系数判断所述LED支架中的待测目标是否基本正常包括:若所述匹配系数小于预设的第一阈值,判定所述LED支架中的待测目标存在缺陷;若所述匹配系数大于或等于预设的第一阈值,判定所述LED支架中的待测目标基本正常。
在本实施例中,所述第一阈值为0.8;若所述匹配系数小于0.8,则判定所述LED支架中的待测目标存在缺陷;若所述匹配系数大于或等于0.8,则判定所述LED支架中的待测目标基本正常。
步骤S105:若判定所述LED支架中的待测目标基本正常,根据所述LED支架对应的待测图像的灰度值,对所述LED支架对应的待测图像进行分割,并得到至少一个第二待测子图像,其中,每个第二待测子图像中包含至少一个待测目标。
在本实施例中,在该步骤中共得到64个第二待测子图像,其中,参见图4,图4示出了根据本申请一实施例的第二待测图像的示意性结构图,图4中的黑色部分为背景区域,其他部分为样本区域。每个第二待测子图像中包含一个待测目标。
步骤S106:对每个第二待测子图像进行连通域分析,并得到相应的待测目标的属性信息。
在本实施例中,参见图5,图5示出了根据本申请一实施例的Blob分析的效果图,其中,图5中的白色长条形内的黑色部分为样本区域,白色长条形外的黑色部分为背景区域。通过Blob分析的方法对每个第二待测子图像进行连通域分析,具体的,通过Blob分析方法中的快速阈值全局分割算子将待测图像中灰度值g满足MinGray<=g<=MaxGray的区域聚合为一个样本区域,并分离样品区域与背景区域,其中,MinGray为128,MaxGray为255。之后采用Connection算子进行连通域的分析,将待测图像中不连通的噪点与样本区域分离,以得到纯净的样本区域,该样本区域即为待测目标在第二待测子图像中的图像。
步骤S107:根据所述待测目标的属性信息判定所述LED支架是否存在缺陷。
在本实施例中,所述待测目标的属性信息包括:待测目标的面积、长度、宽度、矩形度等几何特征。
在一种可选的实施例中,所述根据所述待测目标的属性信息判定所述LED支架是否存在缺陷,包括:
将待测目标的属性信息与样本目标的属性信息进行对比,得到对比系数,所述对比系数用于表示待测目标的属性信息与样本目标的属性信息。若所述对比系数小于预设的第二阈值,判定所述LED支架中的待测目标存在缺陷。若所述对比系数大于或等于预设的第二阈值,判定所述LED支架中的待测目标正常。
在本实施例中,所述样本目标的属性信息包括:样本目标的面积、长度、宽度、矩形度等几何特征。由于待测目标的几何特征较多,本申请不对第二阈值进行限定,可根据实际工况进行设置。
在一种可选的实施例中,所述方法还包括:
根据正常的LED支架,获取所述模板图像,所述模板图像中包含至少一正常的样本目标。对所述模板图像进行连通域分析,并得到相应的样本目标的属性信息。存储所述样本目标的属性信息。
在本实施例中,同样采用NCC算法获得模板图像,并通过Blob分析的方法获得样本目标的属性信息。存储所述样本目标的属性信息能够便于系统快捷高效的执行步骤S107。
所述LED支架缺陷判定方法能够根据待测目标在所述待测图像中LED支架的位置信息,对待测图像中的待测目标进行分割,并采用预设的模板图像对每个第一待测子图像进行匹配,根据匹配的结果判定所述待测目标是否基本正常,并在此之后根据待测图像的灰度值,对待测图像中的待测目标进行分割,并通过连通域分析的方法对每个第二待测子图像进行分析,根据分析的结果判定基本正常的待测目标是否存在缺陷,如此先根据待测目标在所述待测图像中LED支架的位置信息进行判定能够避免连通域分析的方法对光敏感程度低的缺陷,进而能够提高判定的准确率,提高系统的鲁棒性。
第二方面,本发明提供一种LED支架缺陷判定方法,参见图6,图6示出了根据本申请一实施例的LED支架缺陷判定方法的示意性流程图,所述方法包括步骤S601至步骤S608,如下:
步骤S601:获取LED支架的待测图像,所述待测图像中包含至少一个待测目标。
步骤S602:根据待测目标在所述待测图像中LED支架的位置信息,对所述待测图像进行分割,并得到至少一个第一待测子图像,其中,每个第一待测子图像中包含一个待测目标。
步骤S603:根据预设的步长,通过NCC算法使用预设的模板图像遍历每个第一待测子图像,并在每个第一待测子图像上得到至少一预备匹配系数,将数值最大的预备匹配系数作为相应的匹配系数。
步骤S604:根据所述匹配系数判断所述LED支架中的待测目标是否基本正常。
步骤S605:若判定所述LED支架中的待测目标基本正常,根据所述LED支架对应的待测图像的灰度值,对所述LED支架对应的待测图像进行分割,并得到至少一个第二待测子图像,其中,每个第二待测子图像中包含一个待测目标。
步骤S606:采用Blob分析的方法对每个第二待测子图像进行连通域分析,并得到相应的待测目标的属性信息。
步骤S607:将待测目标的属性信息与样本目标的属性信息进行对比,得到对比系数,所述对比系数用于表示待测目标的属性信息与样本目标的属性信息。
步骤S608:对比第二阈值与所述对比系数,若所述对比系数小于预设的第二阈值,判定所述LED支架中的待测目标存在缺陷,若所述对比系数大于或等于预设的第二阈值,判定所述LED支架中的待测目标正常。
本申请通过在Blob分析的基础上,增加归一化互相关匹配算法对LED支架缺陷的判定,相对于现有的识别方法,本申请的识别准确率能够达到99.9%,同时,漏检率能够减少到了0%。具体的,所述LED支架缺陷判定方法能够根据待测目标在所述待测图像中LED支架的位置信息,对待测图像中的待测目标进行分割,并通过NCC算法采用预设的模板图像对每个第一待测子图像进行匹配,根据匹配的结果判定所述待测目标是否基本正常,并在此之后根据待测图像的灰度值,对待测图像中的待测目标进行分割,并通过Blob分析的方法对每个第二待测子图像进行分析,根据分析的结果判定基本正常的待测目标是否存在缺陷,如此先根据待测目标在所述待测图像中LED支架的位置信息进行判定能够避免连通域分析的方法对光敏感程度低的缺陷,进而能够提高判定的准确率,提高系统的鲁棒性,减少漏检率。
第三方面,本发明提供一种LED支架缺陷判定系统700,参见图7,图7示出了根据本申请一实施例的LED支架缺陷判定系统的示意性结构图,所述系统包括:
第一获取模块701,被配置为获取LED支架的待测图像,所述待测图像中包含至少一个待测目标。
第一分割模块702,被配置为根据待测目标在所述待测图像中LED支架的位置信息,对所述待测图像进行分割,并得到至少一个第一待测子图像,其中,每个第一待测子图像中包含至少一个待测目标。
匹配模块703,被配置为采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,其中,所述匹配系数用于表示相应的第一待测子图像与所述面板图像的相似程度。
判断模块704,被配置为根据所述匹配系数判断所述LED支架中的待测目标是否基本正常。
第二分割模块705,被配置为在判定所述LED支架中的待测目标基本正常时,根据所述LED支架对应的待测图像的灰度值,对所述LED支架对应的待测图像进行分割,并得到至少一个第二待测子图像,其中,每个第二待测子图像中包含至少一个待测目标。
第一分析模块706,被配置为对每个第二待测子图像进行连通域分析,并得到相应的待测目标的属性信息。
判定模块707,被配置为根据所述待测目标的属性信息判定所述LED支架是否存在缺陷。
在一种可选的实施例中,所述判断模块704包括:
第一判定子模块,被配置为若所述匹配系数小于预设的第一阈值,判定所述LED支架中的待测目标存在缺陷。
第二判定子模块,被配置为若所述匹配系数大于或等于预设的第一阈值,判定所述LED支架中的待测目标基本正常。
在一种可选的实施例中,所述模板图像的尺寸小于所述第一待测子对象尺寸。
所述匹配模块703,进一步被配置为根据预设的步长,使用预设的模板图像遍历每个第一待测子图像,并在每个第一待测子图像上得到至少一预备匹配系数,将数值最大的预备匹配系数作为相应的匹配系数。
在一种可选的实施例中,所述系统还包括:
第二获取模块,被配置为根据正常的LED支架,获取所述模板图像,所述模板图像中包含至少一正常的样本目标。
第二分析模块,被配置为对所述模板图像进行连通域分析,并得到相应的样本目标的属性信息。
存储模块,被配置为存储所述样本目标的属性信息。
在一种可选的实施例中,所述判定模块707包括:
对比子模块,被配置为将待测目标的属性信息与样本目标的属性信息进行对比,得到对比系数,所述对比系数用于表示待测目标的属性信息与样本目标的属性信息。
第三判定子模块,被配置为若所述对比系数小于预设的第二阈值,判定所述LED支架中的待测目标存在缺陷。
第四判定子模块,被配置为若所述对比系数大于或等于预设的第二阈值,判定所述LED支架中的待测目标正常。
所述LED支架缺陷判定系统能够根据待测目标在所述待测图像中LED支架的位置信息,对待测图像中的待测目标进行分割,并采用预设的模板图像对每个第一待测子图像进行匹配,根据匹配的结果判定所述待测目标是否基本正常,并在此之后根据待测图像的灰度值,对待测图像中的待测目标进行分割,并通过连通域分析的方法对每个第二待测子图像进行分析,根据分析的结果判定基本正常的待测目标是否存在缺陷,如此先根据待测目标在所述待测图像中LED支架的位置信息进行判定能够避免连通域分析的方法对光敏感程度低的缺陷,进而能够提高判定的准确率,提高系统的鲁棒性。
以上所述,仅为本发明的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种LED支架缺陷判定方法,其特征在于,包括:
获取LED支架的待测图像,所述待测图像中包含至少一个待测目标;
根据待测目标在所述待测图像中LED支架的位置信息,对所述待测图像进行分割,并得到至少一个第一待测子图像,其中,每个第一待测子图像中包含至少一个待测目标;
采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,其中,所述匹配系数用于表示相应的第一待测子图像与所述面板图像的相似程度;
根据所述匹配系数判断所述LED支架中的待测目标是否基本正常;
若判定所述LED支架中的待测目标基本正常,根据所述LED支架对应的待测图像的灰度值,对所述LED支架对应的待测图像进行分割,并得到至少一个第二待测子图像,其中,每个第二待测子图像中包含至少一个待测目标;
对每个第二待测子图像进行连通域分析,并得到相应的待测目标的属性信息;
根据所述待测目标的属性信息判定所述LED支架是否存在缺陷。
2.根据权利要求1所述的方法,其特征在于,所述根据所述匹配系数判断所述LED支架中的待测目标是否基本正常包括:
若所述匹配系数小于预设的第一阈值,判定所述LED支架中的待测目标存在缺陷;
若所述匹配系数大于或等于预设的第一阈值,判定所述LED支架中的待测目标基本正常。
3.根据权利要求1或2所述的方法,其特征在于,所述模板图像的尺寸小于所述第一待测子对象尺寸;
所述采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,包括:
根据预设的步长,使用预设的模板图像遍历每个第一待测子图像,并在每个第一待测子图像上得到至少一预备匹配系数,将数值最大的预备匹配系数作为相应的匹配系数。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据正常的LED支架,获取所述模板图像,所述模板图像中包含至少一正常的样本目标;
对所述模板图像进行连通域分析,并得到相应的样本目标的属性信息;
存储所述样本目标的属性信息。
5.根据权利要求4所述的方法,其特征在于,所述根据所述待测目标的属性信息判定所述LED支架是否存在缺陷,包括:
将待测目标的属性信息与样本目标的属性信息进行对比,得到对比系数,所述对比系数用于表示待测目标的属性信息与样本目标的属性信息;
若所述对比系数小于预设的第二阈值,判定所述LED支架中的待测目标存在缺陷;
若所述对比系数大于或等于预设的第二阈值,判定所述LED支架中的待测目标正常。
6.一种LED支架缺陷判定系统,其特征在于,包括:
第一获取模块,被配置为获取LED支架的待测图像,所述待测图像中包含至少一个待测目标;
第一分割模块,被配置为根据待测目标在所述待测图像中LED支架的位置信息,对所述待测图像进行分割,并得到至少一个第一待测子图像,其中,每个第一待测子图像中包含至少一个待测目标;
匹配模块,被配置为采用预设的模板图像对每个第一待测子图像进行匹配,并得到相应的匹配系数,其中,所述匹配系数用于表示相应的第一待测子图像与所述面板图像的相似程度;
判断模块,被配置为根据所述匹配系数判断所述LED支架中的待测目标是否基本正常;
第二分割模块,被配置为在判定所述LED支架中的待测目标基本正常时,根据所述LED支架对应的待测图像的灰度值,对所述LED支架对应的待测图像进行分割,并得到至少一个第二待测子图像,其中,每个第二待测子图像中包含至少一个待测目标;
第一分析模块,被配置为对每个第二待测子图像进行连通域分析,并得到相应的待测目标的属性信息;
判定模块,被配置为根据所述待测目标的属性信息判定所述LED支架是否存在缺陷。
7.根据权利要求6所述的系统,其特征在于,所述判断模块包括:
第一判定子模块,被配置为若所述匹配系数小于预设的第一阈值,判定所述LED支架中的待测目标存在缺陷;
第二判定子模块,被配置为若所述匹配系数大于或等于预设的第一阈值,判定所述LED支架中的待测目标基本正常。
8.根据权利要求6或7所述的系统,其特征在于,所述模板图像的尺寸小于所述第一待测子对象尺寸;
所述匹配模块,进一步被配置为根据预设的步长,使用预设的模板图像遍历每个第一待测子图像,并在每个第一待测子图像上得到至少一预备匹配系数,将数值最大的预备匹配系数作为相应的匹配系数。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括:
第二获取模块,被配置为根据正常的LED支架,获取所述模板图像,所述模板图像中包含至少一正常的样本目标;
第二分析模块,被配置为对所述模板图像进行连通域分析,并得到相应的样本目标的属性信息;
存储模块,被配置为存储所述样本目标的属性信息。
10.根据权利要求9所述的系统,其特征在于,所述判定模块包括:
对比子模块,被配置为将待测目标的属性信息与样本目标的属性信息进行对比,得到对比系数,所述对比系数用于表示待测目标的属性信息与样本目标的属性信息;
第三判定子模块,被配置为若所述对比系数小于预设的第二阈值,判定所述LED支架中的待测目标存在缺陷;
第四判定子模块,被配置为若所述对比系数大于或等于预设的第二阈值,判定所述LED支架中的待测目标正常。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395306.0A CN111060519A (zh) | 2019-12-30 | 2019-12-30 | Led支架缺陷判定方法及系统 |
PCT/CN2020/086824 WO2021134996A1 (zh) | 2019-12-30 | 2020-04-24 | Led支架缺陷判定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395306.0A CN111060519A (zh) | 2019-12-30 | 2019-12-30 | Led支架缺陷判定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111060519A true CN111060519A (zh) | 2020-04-24 |
Family
ID=70304673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911395306.0A Pending CN111060519A (zh) | 2019-12-30 | 2019-12-30 | Led支架缺陷判定方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111060519A (zh) |
WO (1) | WO2021134996A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI788002B (zh) * | 2021-09-09 | 2022-12-21 | 英業達股份有限公司 | 用於檢測電路板上發光二極體之檢測系統 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995223A (zh) * | 2009-08-25 | 2011-03-30 | 比亚迪股份有限公司 | 一种芯片外观检测方法及系统 |
CN106056597A (zh) * | 2016-05-26 | 2016-10-26 | 广州视源电子科技股份有限公司 | 物体视觉检测方法及装置 |
US20170248567A1 (en) * | 2012-12-31 | 2017-08-31 | Omni Medsci, Inc. | Short-wave infrared super-continuum lasers and similar light sources for detecting physiological parameters |
CN109829914A (zh) * | 2019-02-26 | 2019-05-31 | 视睿(杭州)信息科技有限公司 | 检测产品缺陷的方法和装置 |
CN110555829A (zh) * | 2019-08-12 | 2019-12-10 | 华南理工大学 | 一种用于芯片点胶情况的检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6950123B2 (en) * | 2002-03-22 | 2005-09-27 | Intel Corporation | Method for simultaneous visual tracking of multiple bodies in a closed structured environment |
US20040100563A1 (en) * | 2002-11-27 | 2004-05-27 | Sezai Sablak | Video tracking system and method |
CN103076345A (zh) * | 2013-01-16 | 2013-05-01 | 东莞市三姆森光电科技有限公司 | 一种ito导电玻璃的检测方法及其全自动光学检测系统 |
JP2015177510A (ja) * | 2014-03-18 | 2015-10-05 | 株式会社リコー | カメラシステム、画像処理方法及びプログラム |
CN104700085B (zh) * | 2015-03-10 | 2018-02-27 | 华中科技大学 | 一种基于模板匹配的芯片定位方法 |
CN107543828B (zh) * | 2017-08-25 | 2020-09-11 | 广东工业大学 | 一种工件表面缺陷检测方法及系统 |
CN109839385B (zh) * | 2019-03-04 | 2021-11-16 | 佛山市南海区广工大数控装备协同创新研究院 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
CN109884070B (zh) * | 2019-03-08 | 2020-06-09 | 武汉大学 | 一种基于机器视觉的铝铝泡罩包装药片缺陷检测方法 |
-
2019
- 2019-12-30 CN CN201911395306.0A patent/CN111060519A/zh active Pending
-
2020
- 2020-04-24 WO PCT/CN2020/086824 patent/WO2021134996A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995223A (zh) * | 2009-08-25 | 2011-03-30 | 比亚迪股份有限公司 | 一种芯片外观检测方法及系统 |
US20170248567A1 (en) * | 2012-12-31 | 2017-08-31 | Omni Medsci, Inc. | Short-wave infrared super-continuum lasers and similar light sources for detecting physiological parameters |
CN106056597A (zh) * | 2016-05-26 | 2016-10-26 | 广州视源电子科技股份有限公司 | 物体视觉检测方法及装置 |
CN109829914A (zh) * | 2019-02-26 | 2019-05-31 | 视睿(杭州)信息科技有限公司 | 检测产品缺陷的方法和装置 |
CN110555829A (zh) * | 2019-08-12 | 2019-12-10 | 华南理工大学 | 一种用于芯片点胶情况的检测方法 |
Non-Patent Citations (2)
Title |
---|
宋露露等: "《LED封装检测与应用》", 30 November 2011, 华中科技大学出版社 * |
温兆麟等: "用快速归一化互相关进行缺陷检测", 《广州航海高等专科学校学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI788002B (zh) * | 2021-09-09 | 2022-12-21 | 英業達股份有限公司 | 用於檢測電路板上發光二極體之檢測系統 |
Also Published As
Publication number | Publication date |
---|---|
WO2021134996A1 (zh) | 2021-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8902053B2 (en) | Method and system for lane departure warning | |
CN109886298B (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
CN109752392B (zh) | 一种pcb板缺陷类型检测系统和方法 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN101995223B (zh) | 一种芯片外观检测方法及系统 | |
CN111970506B (zh) | 镜头脏污检测方法、装置和设备 | |
CN110781839A (zh) | 一种基于滑窗的大尺寸图像中小目标识别方法 | |
CN109100363A (zh) | 一种贴合异物缺陷与灰尘的区分方法及系统 | |
CN114240944B (zh) | 一种基于点云信息的焊接缺陷检测方法 | |
CN113781537B (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
CN103630544A (zh) | 一种视觉在线检测系统 | |
CN106022379A (zh) | 检测屏幕新旧度的方法和装置 | |
CN113269769A (zh) | 一种基于图像配准的缺陷检测方法、系统及设备 | |
CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
CN111060519A (zh) | Led支架缺陷判定方法及系统 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
CN113032272A (zh) | 自动泊车系统试验评价方法、装置、设备及存储介质 | |
CN110969135B (zh) | 自然场景中的车标识别方法 | |
KR20140087606A (ko) | 평판디스플레이의 얼룩 검사 방법 및 장치 | |
CN109584212B (zh) | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 | |
CN105448095A (zh) | 一种黄标车检测方法和装置 | |
Powell et al. | Automated road distress detection | |
CN111598033A (zh) | 货物的定位方法、装置、系统及计算机可读存储介质 | |
US10241000B2 (en) | Method for checking the position of characteristic points in light distributions |
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: 20200424 |