CN111784666A - 基于学习记忆的led灯珠缺陷检测方法 - Google Patents
基于学习记忆的led灯珠缺陷检测方法 Download PDFInfo
- Publication number
- CN111784666A CN111784666A CN202010618469.7A CN202010618469A CN111784666A CN 111784666 A CN111784666 A CN 111784666A CN 202010618469 A CN202010618469 A CN 202010618469A CN 111784666 A CN111784666 A CN 111784666A
- Authority
- CN
- China
- Prior art keywords
- led lamp
- color
- lamp bead
- learning
- memory
- 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
- 239000011324 bead Substances 0.000 title claims abstract description 89
- 230000007547 defect Effects 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 230000015654 memory Effects 0.000 title claims abstract description 37
- 230000005055 memory storage Effects 0.000 claims abstract description 27
- 238000002360 preparation method Methods 0.000 claims abstract description 8
- 238000005286 illumination Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0078—Testing material properties on manufactured objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了基于学习记忆的LED灯珠缺陷检测方法，包括样本LED灯珠的准备，图样采集学习，三维建模、记忆存储和色系对比，其中，样本LED灯珠的准备，图样采集学习，三维建模、记忆存储均为检测的学习记忆阶段，色系对比是将待检测LED灯珠与形成记忆的样本LED灯珠对比；本发明采用样本学习的方式，通过光学和色彩对比的方式检测缺陷是直接的，并且针对LED灯珠存在的微小的缺损、分层等质量缺陷无法定量的问题，并且这种缺陷肉眼无法准确识别，可以大大提高灯珠的检测效率，并且可以完成全检，而不是抽检，保证成品的出厂质量，还可以有效的避免批量问题的产生。
Description
技术领域
本发明涉及LED灯珠检测技术领域，尤其涉及基于学习记忆的LED灯珠缺陷检测方法。
背景技术
我国现有技术中，对于LED灯珠缺陷的检测方式主要以人工目检为主，这种方式准确率浮动较大，效率较低。为了提高LED灯珠检测的效率和准确性，采用从大量数据中自动提取LED灯珠缺陷特征的方式来检测LED灯珠缺陷的检测仪器，由于LED灯珠属于较小的元器件，且易发生缺损、分层等难以定量的缺陷，单纯采用目测或者平面的检测方法，不能对LED灯珠的整体质量有效的把控，这使得LED灯珠的质量不稳定，并且在生产中容易出现批量的质量问题，当出现批量的质量问题时再通过专用的检测设备对LED灯珠做全面的检测，已经造成成本的增加并且增加了废品率，为了解决这一问题，需要一个具有智能的能够在产品不断更新换代的情况下可以通过对样品的学习，对颜色的记忆，对位置的准确标记从而使每一个LED灯珠均可以经过检测，进行全方位的检测，准确的建模并且与样本进行对比，从而获取LED灯珠的缺陷位置，有效的提高检测的效率。
发明内容
本发明旨在提供克服上述问题或者至少部分地解决上述问题的基于学习记忆的LED灯珠缺陷检测方法，以解决LED灯珠存在的肉眼无法目测的缺陷的问题。
为达到上述目的，本发明的技术方案具体是这样实现的：
本发明的提供了基于学习记忆的LED灯珠缺陷检测方法，包括样本LED灯珠的准备，图样采集学习，三维建模、记忆存储和色系对比，其中，样本 LED灯珠的准备，图样采集学习，三维建模、记忆存储均为检测的学习记忆阶段，色系对比是将待检测LED灯珠与形成记忆的样本LED灯珠对比，具体检测和学习记忆方法如下：
样本LED灯珠准备：在成套产品中质选一批质量完整的LED灯珠作为样本；
图样采集：图样采集包括学习阶段的图样采集和检测阶段的图样采集，学习阶段图样采集摄取的是样本LED灯珠颜色样本，而检测阶段图样采集摄取的是待检测LED灯珠的颜色样本；
三维建模：三维建模包括色系生成、色系分解和色系处理，三者之间的关系是相互交叉的；
记忆存储：记忆存储不仅是对现有的存储，还对未被存储的色系经过两次采集出现相同的RGB数值定义为新的色系；
光照选择：在进行LED灯珠检测时，灯珠所处的外部环境的光照条件进行选择，并且在该光照条件下调取学习记忆阶段采集的RGB色系；
色系对比：将待检测的LED灯珠摄取的色系与学习记忆阶段同样采用单色的提取和位置的标记方式；
缺陷判断：对于灯珠缺陷的判断主要是对颜色差异的判断，采用三次采集限度，三次采集均不能与记忆存储数值相同则判断该点位缺陷位置；
判断反馈：反馈的阶段始终与缺陷判断同时进行，并且将缺陷的出现反馈至记忆存储和图样摄取中。
作为本发明进一步的方案，所述三维建模的具体过程如下：
色系生成：通过图样的采集对LED灯珠的样本颜色进行采集，对灯珠进行立体的数据采集；
色系分解：将采集生成的颜色根据单一颜色的RGB数值进行标记和归类，标记包括面的标记和位置的标记使生成的色系可以在空间中有效的表达，通过空间的算法对生成的颜色位置准确的标记，并且通过RGB的数值标记确；
色系处理：分解成单一的色系和进行位置标记后对单一颜色的位置以二进制的方式进行数据的处理，数据处理包括对单一颜色的学习认定，并且对学习的单一颜色归类，归类的同时对RGB数值进行对比。
作为本发明进一步的方案，所述LED灯珠的整体结构由其外部结构和透过外部延伸至内部的结构组成。
作为本发明进一步的方案，该学习记忆方法采用RGB数值作为存储介质，采用笛卡尔坐标系作为定位点获取空间位置。
作为本发明进一步的方案，该样本LED灯珠学习过程如下：
选择目标Z，并且确定其对应的颜色标准值为B；
选择既定位置i，确定目标的颜色阈值，并且在记忆存储功能中通过 RGB数值标记该颜色；
以背景色为纯白色对采集的矩阵点进行灰度还原，通过RGB的数值形成数字模型。
作为本发明进一步的方案，采集的RGB数值和位置以当前光照条件为大框架存储，在检测时先调用相同光照条件，再完成RGB数值和标记点位置的对应。
本发明提供了基于学习记忆的LED灯珠缺陷检测方法，有益效果在于：本发明采用样本学习的方式，采用对大量标准的样本的立体结构进行扫描，并且通过颜色识别的方式，利用RGB的数值特点进行单一颜色的标记，并且通过数学建模的方式，定位选取位置的点和该点的面，逐一放大的形式建立完整的三维数字模型，通过对三维数字模型的对比判断待检测灯珠是否存在于样本学习记忆中的缺陷部分，并且可以准确的将该位置标记，最终完成待检测LED灯珠的缺陷检测，这种通过光学和色彩对比的方式检测缺陷是直接的，并且针对LED灯珠存在的微小的缺损、分层等质量缺陷无法定量的问题，并且这种缺陷肉眼无法准确识别，可以大大提高灯珠的检测效率，并且可以完成全检，而不是抽检，保证成品的出厂质量，还可以有效的避免批量问题的产生。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域的普通技术人员来讲，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附图。
图1为本发明实施例提供的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1，本发明实施例提供的基于学习记忆的LED灯珠缺陷检测方法，包括样本LED灯珠的准备，图样采集学习，三维建模、记忆存储和色系对比，其中，样本LED灯珠的准备，图样采集学习，三维建模、记忆存储均为检测的学习记忆阶段，色系对比是将待检测LED灯珠与形成记忆的样本LED灯珠对比，从而判断待检测LED灯珠是否存在缺陷，具体检测和学习记忆方法如下：
样本LED灯珠准备：在成套产品中质选一批质量完整，但是形态颜色有区分的LED灯珠作为样本，样本的量越大，对学习记忆越有效；
图样采集：图样采集包括学习阶段的图样采集和检测阶段的图样采集，学习阶段图样采集摄取的是样本LED灯珠颜色样本，而检测阶段图样采集摄取的是待检测LED灯珠的颜色样本；
三维建模：三维建模包括色系生成、色系分解和色系处理，三者之间的关系是相互交叉的，
色系生成：通过图样的采集对LED灯珠的样本颜色进行采集，颜色的采集是360度全方位的，即在立体的六个面上对灯珠进行颜色的采集，对灯珠进行立体的数据采集；
色系分解：将采集生成的颜色根据单一颜色的RGB数值进行标记和归类，标记包括面的标记和位置的标记使生成的色系可以在空间中有效的表达，通过空间的算法对生成的颜色位置准确的标记，并且通过RGB的数值标记，使采集的颜色和位置精确；
色系处理：分解成单一的色系和进行位置标记后对单一颜色的位置以二进制的方式进行数据的处理，数据处理包括对单一颜色的学习认定，并且对学习的单一颜色归类，归类的同时对RGB数值进行对比，将存在差异的RGB数值再次返回到图样采集中再次采集，两次采集的数据一样，则标记为采集的数据，两次采集的数据不一样再进行一次采集，直到出现两个相同的RGB数值为止，这样的学习方式可以使处理器具有更强的辨别能力，避免单次的错误记忆导致整个学习体系中出现错误，有效的提高学习的准确性；
记忆存储：记忆存储不仅是对现有的存储，还对未被存储的色系经过两次采集出现相同的RGB数值定义为新的色系，这种方式可以更好的实现智能化，使处理器不仅仅具有现有存在的颜色体系，还可以在出现新的色系学习中自主分别颜色的类别，通过RGB的三色数值更好的确定色系的颜色类别，进行有效的记忆，形成长期的记忆存储；
光照选择：在进行LED灯珠检测时，灯珠所处的外部环境的光照条件进行选择，这种外部环境在学习记忆阶段均已录入在存储中，选择一个大的光照条件并且在该光照条件下调取学习记忆阶段采集的RGB色系，这种方式可以有效的避免在不同光照情况下产生的色差，从而导致摄取LED灯珠时存在色差和反光，进而使采集的RGB的数值准确，无法与现有的已知的色系记忆中提取，导致对缺陷的错误提示；
色系对比：将待检测的LED灯珠摄取的色系与学习记忆阶段同样采用单色的提取和位置的标记方式，对于相同的位置采用取中点的方式定位标记，并且在记忆存储中调取该位置的色系RGB数值进行对比，这种点对点的对比方式使模型更加精确，并且可以准确的标记处缺陷的位置，辅助质检人员对缺陷进行处理；
缺陷判断：对于灯珠缺陷的判断主要是对颜色差异的判断，即在正常情况下，待检测的灯珠所采集的数值与记忆存储中的数值完全相同，出现差异的色系，对待检测灯珠二次摄取，如果采集的数值与第一次采集的数值相同，与记忆存储中的数值不同，则标记该点为缺陷位置，如果采集的数值与第一次采集的数值不同，与记忆存储中的数值相同，则判断该位置没有缺陷，如果采集的数值与第一次采集的沪指和记忆存储中的数值均不相同，则再次进行采集，三次采集都不能与记忆存储数值相同则判断该点位缺陷位置，限制采集的次数是提高检测效率，如果无休止的采集，将会导致检测效率的低下；
判断反馈：反馈的阶段始终与缺陷判断同时进行，并且将缺陷的出现反馈至记忆存储和图样摄取中，判断的反馈在图样摄取中有逻辑次数限制，判断反馈在记忆存储中仅作为缺点判断结果的反馈，两条线的走向设置有不同的功能，避免相互交集产生数据的交叉混乱，提高检测的质量。
优选的，LED灯珠的整体结构性能由其外部结构和透过外部延伸至内部的结构共同完成，因此，对LED灯珠的缺陷检测可以采用获取颜色，并形成三维模型的形式，三维模型建立在笛卡尔坐标系中，并且分别为X、Y、Z轴，因此，在算法中采用六个面的方式采集，设定学习的每一个点区域为K，则K的集合为{Kclam}＝{Kj/(XiYi)}*{Kj/(XiZi)}*{Kj/(ZiYi)}为投影后坐标的标定点，这样的采集方式使LED灯珠在立体投影的面上均可以形成完整的坐标，在其平面内的采集是充分的，并且可以使颜色的样本趋于全面化，这样的采集方式在比对中使待检的LED灯珠在投影面上形成矩阵，矩阵的距离算法为： D(a,b)＝max{ΔX,ΔY,ΔZ}＝max{|Xa-Xb|,|Ya-Yb|,|Za-Zb|}，由此，中心点的颜色为：
并且通过系统化的处理可以标记每个矩阵即K的位置，当出现颜色变化时，矩阵的对比作用可以精确到具体的位置，提示操作人员，避免盲目的比对，造成人员的疲劳，矩阵集合形成的扩大的面积对比算法为： Si(X,Y,Z)＝{(X,Y,Z)/X∈{Xcl},Y∈{Yacm},Z∈{Yacm}}，对于N个目标，每个目标确定其在LED灯珠中达到预定位置Ni(i＝1、2、......递增)，则颜色学习的过程如下：选择目标Z，并且确定其对应的颜色标准值为B；选择既定位置i，确定目标的颜色阈值，并且在记忆存储功能中标记该颜色，通过人工的方式将该标点确定为某一认知的颜色，例如红黄蓝，并且将该颜色标记的位置RGB的值量化，例如雪白色RHB值为(R：255，G：250，B：250)，花白色RHB值为 (R：255，G：250，B：240)，古董白色RHB值为(R：250，G：235，B： 215)，象牙白RHB值为(R：250，G：255，B：240)，黄褐色RHB值为 (R：240，G：230，B：140)，棕色RHB值为(R：128，G：42，B：42)等，通过RGB值的录入，可以使处理器具有相对于人眼更加智能，并且更加精确的颜色判断能力，应用在LED灯珠的检验上不仅仅是对颜色的校准，还可以对缺陷通过颜色的不规则的变化及时的发现，RGB的标准数值是收录在处理器中的，在标准LED灯珠的摄入中即使该检测方法形成学习的作用；以背景色为纯白色对采集的矩阵点进行灰度还原，即在一个新的纯白色的背景下重建模型，通过 RGB的数值形成数字模型，一方面通过采集的RGB数值与样本数据对比，另一方面可以对重建的数字模型与已经存在的标准数字模型进行匹配度的对比，完成双重学习和对比。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (6)
1.基于学习记忆的LED灯珠缺陷检测方法，其特征在于，包括样本LED灯珠的准备，图样采集学习，三维建模、记忆存储和色系对比，其中，样本LED灯珠的准备，图样采集学习，三维建模、记忆存储均为检测的学习记忆阶段，色系对比是将待检测LED灯珠与形成记忆的样本LED灯珠对比，具体检测和学习记忆方法如下：
样本LED灯珠准备：在成套产品中质选一批质量完整的LED灯珠作为样本；
图样采集：图样采集包括学习阶段的图样采集和检测阶段的图样采集，学习阶段图样采集摄取的是样本LED灯珠颜色样本，而检测阶段图样采集摄取的是待检测LED灯珠的颜色样本；
三维建模：三维建模包括色系生成、色系分解和色系处理，三者之间的关系是相互交叉的；
记忆存储：记忆存储不仅是对现有的存储，还对未被存储的色系经过两次采集出现相同的RGB数值定义为新的色系；
光照选择：在进行LED灯珠检测时，灯珠所处的外部环境的光照条件进行选择，并且在该光照条件下调取学习记忆阶段采集的RGB色系；
色系对比：将待检测的LED灯珠摄取的色系与学习记忆阶段同样采用单色的提取和位置的标记方式；
缺陷判断：对于灯珠缺陷的判断主要是对颜色差异的判断，采用三次采集限度，三次采集均不能与记忆存储数值相同则判断该点位缺陷位置；
判断反馈：反馈的阶段始终与缺陷判断同时进行，并且将缺陷的出现反馈至记忆存储和图样摄取中。
2.根据权利要求1所述的基于学习记忆的LED灯珠缺陷检测方法，其特征在于，所述三维建模的具体过程如下：
色系生成：通过图样的采集对LED灯珠的样本颜色进行采集，对灯珠进行立体的数据采集；
色系分解：将采集生成的颜色根据单一颜色的RGB数值进行标记和归类，标记包括面的标记和位置的标记使生成的色系可以在空间中有效的表达，通过空间的算法对生成的颜色位置准确的标记，并且通过RGB的数值标记确；
色系处理：分解成单一的色系和进行位置标记后对单一颜色的位置以二进制的方式进行数据的处理，数据处理包括对单一颜色的学习认定，并且对学习的单一颜色归类，归类的同时对RGB数值进行对比。
3.根据权利要求2所述的基于学习记忆的LED灯珠缺陷检测方法，其特征在于，所述LED灯珠的整体结构由其外部结构和透过外部延伸至内部的结构组成。
4.根据权利要求3所述的基于学习记忆的LED灯珠缺陷检测方法，其特征在于，该学习记忆方法采用RGB数值作为存储介质，采用笛卡尔坐标系作为定位点获取空间位置。
5.根据权利要求4所述的基于学习记忆的LED灯珠缺陷检测方法，其特征在于，该样本LED灯珠学习过程如下：
选择目标Z，并且确定其对应的颜色标准值为B；
选择既定位置i，确定目标的颜色阈值，并且在记忆存储功能中通过RGB数值标记该颜色；
以背景色为纯白色对采集的矩阵点进行灰度还原，通过RGB的数值形成数字模型。
6.根据权利要求5所述的基于学习记忆的LED灯珠缺陷检测方法，其特征在于，采集的RGB数值和位置以当前光照条件为大框架存储，在检测时先调用相同光照条件，再完成RGB数值和标记点位置的对应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010618469.7A CN111784666A (zh) | 2020-06-30 | 2020-06-30 | 基于学习记忆的led灯珠缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010618469.7A CN111784666A (zh) | 2020-06-30 | 2020-06-30 | 基于学习记忆的led灯珠缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111784666A true CN111784666A (zh) | 2020-10-16 |
Family
ID=72761630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010618469.7A Pending CN111784666A (zh) | 2020-06-30 | 2020-06-30 | 基于学习记忆的led灯珠缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784666A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294117A (zh) * | 2022-10-08 | 2022-11-04 | 深圳市天成照明有限公司 | Led灯珠的缺陷检测方法及相关装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050271261A1 (en) * | 2004-06-08 | 2005-12-08 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for detecting defects of pattern on object |
| US20150146964A1 (en) * | 2013-11-27 | 2015-05-28 | Industrial Technology Research Institute | Inspection apparatus, method, and computer program product for machine vision inspection |
| CN105096305A (zh) * | 2014-09-25 | 2015-11-25 | 天津航天中为数据系统科技有限公司 | 绝缘子状态分析的方法及装置 |
| KR101802431B1 (ko) * | 2017-07-03 | 2017-11-29 | 케이맥(주) | 유기발광소자의 불량 검출 방법 및 장치 |
| CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
| CN207263660U (zh) * | 2017-08-14 | 2018-04-20 | 深圳市炫硕智造技术有限公司 | Led灯珠检测装置 |
| CN108629247A (zh) * | 2017-03-24 | 2018-10-09 | 上海传英信息技术有限公司 | 一种基于人脸眼纹认证的方法和系统 |
| CN208721366U (zh) * | 2018-08-31 | 2019-04-09 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选系统 |
| CN109829895A (zh) * | 2019-01-09 | 2019-05-31 | 武汉精立电子技术有限公司 | 一种基于gan的aoi缺陷检测方法 |
| EP3540688A1 (en) * | 2018-03-14 | 2019-09-18 | OMRON Corporation | Defect inspection device, defect inspection method, and program |
| CN110455815A (zh) * | 2019-09-05 | 2019-11-15 | 西安多维机器视觉检测技术有限公司 | 一种电子元器件外观缺陷检测的方法及系统 |
-
2020
- 2020-06-30 CN CN202010618469.7A patent/CN111784666A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050271261A1 (en) * | 2004-06-08 | 2005-12-08 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for detecting defects of pattern on object |
| US20150146964A1 (en) * | 2013-11-27 | 2015-05-28 | Industrial Technology Research Institute | Inspection apparatus, method, and computer program product for machine vision inspection |
| CN105096305A (zh) * | 2014-09-25 | 2015-11-25 | 天津航天中为数据系统科技有限公司 | 绝缘子状态分析的方法及装置 |
| CN108629247A (zh) * | 2017-03-24 | 2018-10-09 | 上海传英信息技术有限公司 | 一种基于人脸眼纹认证的方法和系统 |
| KR101802431B1 (ko) * | 2017-07-03 | 2017-11-29 | 케이맥(주) | 유기발광소자의 불량 검출 방법 및 장치 |
| CN207263660U (zh) * | 2017-08-14 | 2018-04-20 | 深圳市炫硕智造技术有限公司 | Led灯珠检测装置 |
| CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
| EP3540688A1 (en) * | 2018-03-14 | 2019-09-18 | OMRON Corporation | Defect inspection device, defect inspection method, and program |
| CN208721366U (zh) * | 2018-08-31 | 2019-04-09 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选系统 |
| CN109829895A (zh) * | 2019-01-09 | 2019-05-31 | 武汉精立电子技术有限公司 | 一种基于gan的aoi缺陷检测方法 |
| CN110455815A (zh) * | 2019-09-05 | 2019-11-15 | 西安多维机器视觉检测技术有限公司 | 一种电子元器件外观缺陷检测的方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 柳锋;李俊峰;戴文战;: "基于深度学习语义分割的导光板缺陷检测方法", 计算机系统应用 * |
| 项宇杰;陈月芬;卢卫国;潘佳浩;: "基于深度卷积神经网络的木材表面缺陷检测系统设计", 系统仿真技术 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294117A (zh) * | 2022-10-08 | 2022-11-04 | 深圳市天成照明有限公司 | Led灯珠的缺陷检测方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
| AU2022200171B2 (en) | Colony contrast gathering | |
| CA2985854C (en) | A method and system for automated microbial colony counting from streaked sample on plated media | |
| CN107064170B (zh) | 一种检测手机外壳轮廓度缺陷方法 | |
| CN109239076B (zh) | 一种基于机器视觉的缝纫线迹缺陷检测方法 | |
| CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
| CN105957082A (zh) | 一种基于面阵相机的印刷质量在线监测方法 | |
| CN109916913A (zh) | 一种基于机器视觉的智能制造产品识别与检测方法 | |
| CN114820627A (zh) | 一种基于光学手段的纺织品质量检测方法 | |
| CN111784666A (zh) | 基于学习记忆的led灯珠缺陷检测方法 | |
| CN110319933A (zh) | 一种基于cam02-ucs色貌模型的光源光谱优化方法 | |
| CN107121063A (zh) | 检测工件的方法 | |
| JP2022514427A (ja) | バクテリアコロニーのバクテリア増殖を監視しコロニーバイオマスを予測するシステム及び方法 | |
| CN117350975A (zh) | 一种生成优化图像的模型建立的方法 | |
| CN118096678A (zh) | 晶圆检测方法、装置、计算机设备及可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220331 Address after: Building C, No.888, Huanhu West 2nd Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Shenlan Intelligent Technology (Shanghai) Co.,Ltd. Address before: 635711 6 / F, building 1, Dazhou Zhizao garden, standard plant, Qihe Road, Dazhou Economic Development Zone, Dazhou City, Sichuan Province Applicant before: Shenlan Technology (Dazhou) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |