CN111932515A - 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 - Google Patents
产品残留类缺陷的短路检测方法及系统及缺陷分类系统 Download PDFInfo
- Publication number
- CN111932515A CN111932515A CN202010796484.0A CN202010796484A CN111932515A CN 111932515 A CN111932515 A CN 111932515A CN 202010796484 A CN202010796484 A CN 202010796484A CN 111932515 A CN111932515 A CN 111932515A
- Authority
- CN
- China
- Prior art keywords
- area
- short circuit
- defect
- standard
- pixel
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种产品残留类缺陷的短路检测方法及系统及缺陷分类系统,涉及智能制造与人工智能技术领域,本发明利用缺陷区域内特征的等级轮廓关系,判断缺陷区域内是否存在像素区域内的短路现象,本发明能够放大缺陷区域得到标准区域,并判断标准区域内是否存在像素区域内的短路现象,本发明能够判断是否发生跨像素区域短路;本发明能够检测残留类缺陷是否造成短路,以及分析造成何种短路,大幅提升ADC模型对于特定短路缺陷的识别准确率。
Description
技术领域
本发明涉及智能制造与人工智能技术领域,具体地,涉及一种产品残留类缺陷的短路检测方法及系统及缺陷分类系统。
背景技术
工业制造特别是电子制造过程中会产生各种各样的缺陷。工业2.0时代,越来越多的电子制造商开始采用人工智能ADC(自动缺陷分类系统)来取代人力进行缺陷分类,目前人工智能主流的目标检测模型对阵列面板刻蚀过程中残留类缺陷能很好识别,但是对该类缺陷是否造成短路却难以判断。
发明内容
本发明提供了一种产品残留类缺陷的短路检测方法及系统及缺陷分类系统,能够对残留类缺陷是否造成短路进行检测,以及造成何种短路进行分析,大幅提升ADC模型对于特定短路缺陷的识别准确率。
为实现上述目的,本发明一方面提供了一种产品残留类缺陷的短路检测方法,所述方法包括:
采集具有缺陷区域的产品检测输出图,预处理缺陷区域;
二值化预处理后的缺陷区域,提取二值化后的缺陷区域内特征的等级轮廓关系;
利用缺陷区域内特征的等级轮廓关系,判断缺陷区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
若缺陷区域内不存在像素区域内的短路现象,则放大缺陷区域得到标准区域,预处理标准区域,二值化预处理后的标准区域,提取二值化后的标准区域内特征的等级轮廓关系;利用标准区域内特征的等级轮廓关系,判断标准区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
若标准区域内不存在像素区域内的短路现象,则比较产品检测输出图中标准区域横轴方向左右两侧区域的面积,选取面积较大的区域作为对照区域;
预处理标准区域和对照区域,二值化预处理后的标准区域和对照区域,提取二值化后的标准区域和对照区域的轮廓信息;
利用标准区域和对照区域的轮廓信息分别计算标准区域和对照区域的最大轮廓面积;判断标准区域的最大轮廓面积与对照区域的最大轮廓面积比值是否大于或等于阈值,若大于或等于阈值则判断为发生跨像素区域短路,若小于阈值则判断未短路并结束检测。
其中,本发明的原理为:本发明研究发现目前人工智能主流的目标检测模型对阵列面板刻蚀过程中残留类缺陷能很好识别,但却难以判断该类缺陷是否造成短路,原因是因为短路的缺陷特征是一种强业务特征且和背景的走线相关,一般深度学习特征提取很难提取到这种特殊的和背景相关的特征。本发明采用图像处理方法,分析判断阵列面板工艺制程中残留引起的短路,分析残留类缺陷是否造成短路,以及造成何种短路,大幅提升ADC模型对于特定短路缺陷的识别准确率。
优选的,预处理缺陷区域包括但不限于:缺陷区域灰度化、缺陷区域降噪、缺陷区域归一化和缺陷区域对比度增强中的一种或几种。其中,灰度化:降低图像的通道数,便于二值化处理;降噪:去掉图像中因为拍摄产生的一些非缺陷噪声;归一化:因为每个拍摄图片的条件不同,导致图片的曝光,亮度分布不一致,归一化是为了让每张图片保持亮度分布保持相对统一,便于后续处理;对比度增强:增强图片亮暗对比度,便于二值化分割。
优选的,若缺陷区域内的轮廓存在闭环,则判断存在像素区域内的短路现象,否则判断不存在像素区域内的短路现象。如果区域内如果不存在闭环,则所有轮廓为相同等级,且都没有父子关系,如果存在闭环,则肯定存在一对成父子关系的轮廓。产品检测输出图由若干个像素区域组成,像素区域为产品检测输出图中的最小组成单元。
优选的,若缺陷区域不存在像素区域内的短路现象,则放大缺陷区域,即将缺席区域扩充为横向或纵向至少包含2个像素区域,得到标准区域。放大缺陷区域的目的是增加后续判断跨像素短路检测的精度,因为如果有跨像素短路存在,则缺陷区域导致的连通区域面积就会成倍增加。将缺陷区域扩充为横向或纵向至少包含2个像素区域的目的是尽可能涵盖两个完整的子像素区,保证精度的同时兼顾计算效率,1个子像素区精度不够,3个子像素区会降低计算效率。
优选的,判断标准区域的最大轮廓面积与对照区域的最大轮廓面积比值是否大于或等于1.6。如果存在跨像素短路,那么相当于将两个像素的线路都连通,线路的轮廓面积应该会是原来的2倍,但是因为缺陷也会占据一定轮廓面积,所以总的轮廓面积是低于2的,这里1.6倍是经验数值,可以根据不同的面板或是工艺流程进行调整。
优选的,本方法中采用的二值化方式为OTSU二值化,能有效分离前景和背景。
优选的,本方法利用openCV或matlab输出图像轮廓并生成等级轮廓关系。
另一方面,本发明还提供了一种产品残留类缺陷的短路检测系统,所述系统包括:
缺陷区域预处理单元,用于采集具有缺陷区域的产品检测输出图,预处理缺陷区域;
缺陷区域处理单元,用于二值化预处理后的缺陷区域,提取二值化后的缺陷区域内特征的等级轮廓关系;
像素区域内短路判断单元,用于利用缺陷区域内特征的等级轮廓关系,判断缺陷区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
标准区域内短路判断单元,用于若缺陷区域内不存在像素区域内的短路现象,则放大缺陷区域得到标准区域,预处理标准区域,二值化预处理后的标准区域,提取二值化后的标准区域内特征的等级轮廓关系;利用标准区域内特征的等级轮廓关系,判断标准区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
对照区域获得单元,用于若标准区域内不存在像素区域内的短路现象,则比较产品检测输出图中标准区域横轴方向左右两侧区域的面积,选取面积较大的区域作为对照区域;
对照区域处理单元,用于预处理标准区域和对照区域,二值化预处理后的标准区域和对照区域,提取二值化后的标准区域和对照区域的轮廓信息;
跨像素区域短路判断单元,用于利用标准区域和对照区域的轮廓信息分别计算标准区域和对照区域的最大轮廓面积;判断标准区域的最大轮廓面积与对照区域的最大轮廓面积比值是否大于或等于阈值,若大于或等于阈值则判断为发生跨像素区域短路,若小于阈值则判断未短路并结束检测。
本发明还提供了一种产品自动缺陷分类系统,所述系统包括:
输入单元,用于输入产品缺陷信息;
分析单元,用于基于产品缺陷信息分析产品缺陷类型,当产品的缺陷类型为残留类缺陷时,则采用所述产品残留类缺陷的短路检测方法检测是否存在短路现象;
输出单元,用于输出产品缺陷类型及短路检测结果。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明中的技术方案能够智能化的检测残留类缺陷是否造成短路,以及分析造成何种短路,大幅提升ADC模型对于特定短路缺陷的识别准确率;相较于现如今依靠大量人力来进行短路判断的方式,该检测模块能大幅提升短路检测准确率,稳定性以及效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1是本发明中目标检测模型输出的缺陷区域示意图;
图2是本发明中像素区域和缺陷区域示意图;
图3是本发明中等级轮廓关系示意图;
图4是本发明中标准区域位置示意图;
图5是本发明中对照区域位置示意图;
图6是本发明中产品残留类缺陷的短路检测系统的组成示意图;
图7是本发明中产品自动缺陷分类系统的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
本发明实施例一以面板加工制造过程中产生的缺陷进行举例介绍,其他类似领域以及相识产品的加工制造缺陷均在本发明的保护范围内,本发明实施例不对具体的产品对象进行限定。
本发明实施例提出了一种基于OpenCV的用于面板阵列制程中残留类缺陷的短路检测方法,大幅提升ADC模型对于特定短路缺陷的识别准确率。其中,OpenCV是一种开源的计算机视觉软件库,被大量用于传统图像处理以及机器学习之中,也可采用其他开源软件或是商业软件如matlab提供类似方法,本发明实施例不对具体的应用软件或工具进行限定。
其中,本实施例中用于残留类缺陷的短路检测方法,包括步骤:
步骤1:提取目标检测模型输出的缺陷区域(如图1所示),并对该区域进行包括灰度化,fastNLMeansDenoising降噪、归一化、对比度增强;灰度化:降低图像的通道数,便于二值化处理;降噪:去掉图像中因为拍摄产生的一些非缺陷噪声;归一化:因为每个拍摄图片的条件不同,导致图片的曝光,亮度分布不一致,归一化是为了让每张图片保持亮度分布保持相对统一,便于后续处理;对比度增强:增强图片亮暗对比度,便于二值化分割。
其中,目标检测模型可以为Faster-RCNN或Cascade-RCNN或YOLO或SSD,本发明实施例不对具体的目标检测模型类型进行限定。
步骤2:对缺陷区域进行OTSU二值化,并提取缺陷区域内特征的等级轮廓关系,依靠轮廓等级关系(例如特征轮廓存在父子关系),判断缺陷区域内的轮廓是否存在闭环,即像素区域内的短路现象;如果存在则直接返回短路结果,检测结束;如果区域内不存在闭环,则所有轮廓为相同等级,且都没有父子关系,如果存在闭环,则肯定存在一对成父子关系的轮廓。
其中,OTSU二值化就是一种自动选取阈值的高效二值化分割算法,常用的二值化算法之一,能有效的将前景和背景进行分离。
经过二值化以后,利用openCV(一种开源的图像处理库)中的方法cv2.findContours输出图像轮廓,并生成等级轮廓关系;(等级轮廓关系是指比如:一个图中有两个圆,其中一个圆在另一个圆的内部,那么通过这种方式生成的两个圆的轮廓,外部圆的轮廓等级就比内部的圆会高,外部与内部为父子关系),下面提供一张图示来展示这种关系,请参考图3。
其中,解释像素区域:像素区域为面板中的最小发光单元,即图像中最小的周期单元,下图2为简易示意图,说明像素区域和缺陷区域:
请参考图3,对等级轮廓进行说明:以下图3中,每一个图形的编号的右边括号内为轮廓等级,比如,轮廓0,7,8都为等级0,轮廓1为等级1(因为其在轮廓0之中)依次类推。
步骤3:若缺陷区域内不存在闭环,则对缺陷区域进行放大,请参考图4,扩充为横向或纵向至少包含2个像素区域,并命名为“标准区域”,并对该“标准区域”重复步骤1,以及步骤2,判断“标准区域”内是否存在像素区域内短路现象;如果存在则直接返回短路结果,检测结束;
其中,放大区域的目的是增加后续判断跨像素短路检测的精度,因为如果有跨像素短路存在,则缺陷区域导致的连通区域面积就会成倍增加。
其中,扩充为横向或纵向至少包含2个像素区域的目的是尽可能涵盖两个完整的子像素区,保证精度的同时兼顾计算效率,1个子像素区精度不够,3个子像素区会降低计算效率。
步骤4,若标准区域内不存在像素内短路现象,则选取“标准区域”外横轴方向的最大区域,将该区域命名为“对照区域”如图5所示:得到标准区域以后,查看图中和标准区域并排的左边和右边哪边面积更大则取哪边为对照区域。
步骤5:对“标准区域”以及“对照区域”进行步骤1中的处理,并进行OTSU二值化以及提取轮廓信息,并分别输出“标准区域”以及“对照区域”的最大轮廓的面积;
步骤6:如果“标准区域”的最大轮廓面积大于1.6倍(可根据不同情况进行调整)的“对照区域”,则判定为发生“跨像素短路”,因为残留将像素相连接,导致轮廓面积大幅度增加;如果低于1.6倍,那么返回“未短路”,检测结束。如果存在跨像素短路,那么相当于将两个像素的线路都连通,线路的轮廓面积应该会是原来的2倍,但是因为缺陷也会占据一定轮廓面积,所以总的轮廓面积是低于2的,这里1.6倍是经验数值,可以根据不同的面板或是工艺流程进行调整。
实施例二
请参考图6,本发明实施例二提供了一种产品残留类缺陷的短路检测系统,所述系统包括:
缺陷区域预处理单元,用于采集具有缺陷区域的产品检测输出图,预处理缺陷区域;
缺陷区域处理单元,用于二值化预处理后的缺陷区域,提取二值化后的缺陷区域内特征的等级轮廓关系;
像素区域内短路判断单元,用于利用缺陷区域内特征的等级轮廓关系,判断缺陷区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
标准区域内短路判断单元,用于若缺陷区域内不存在像素区域内的短路现象,则放大缺陷区域得到标准区域,预处理标准区域,二值化预处理后的标准区域,提取二值化后的标准区域内特征的等级轮廓关系;利用标准区域内特征的等级轮廓关系,判断标准区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
对照区域获得单元,用于若标准区域内不存在像素区域内的短路现象,则比较产品检测输出图中标准区域横轴方向左右两侧区域的面积,选取面积较大的区域作为对照区域;
对照区域处理单元,用于预处理标准区域和对照区域,二值化预处理后的标准区域和对照区域,提取二值化后的标准区域和对照区域的轮廓信息;
跨像素区域短路判断单元,用于利用标准区域和对照区域的轮廓信息分别计算标准区域和对照区域的最大轮廓面积;判断标准区域的最大轮廓面积与对照区域的最大轮廓面积比值是否大于或等于阈值,若大于或等于阈值则判断为发生跨像素区域短路,若小于阈值则判断未短路并结束检测。
实施例三
请参考图7,本发明实施例三提供了本发明还提供了一种产品自动缺陷分类系统,所述系统包括:
输入单元,用于输入产品缺陷信息;
分析单元,用于基于产品缺陷信息分析产品缺陷类型,当产品的缺陷类型为残留类缺陷时,则采用所述产品残留类缺陷的短路检测方法检测是否存在短路现象;
输出单元,用于输出产品缺陷类型及短路检测结果。
实施例四
本发明实施例四提供了一种产品残留类缺陷的短路检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述产品残留类缺陷的短路检测方法的步骤。
本发明实施例四提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述产品残留类缺陷的短路检测方法的步骤。
所述产品残留类缺陷的短路检测装置可以是桌上型计算机、笔记本、掌上电脑以及云端服务器等计算设备。所述装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述装置还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(ApplicationSpecific Integrated Circuit)、现成可编程门阵列(Fieldprogrammable gate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述产品残留类缺陷的短路检测装置的控制中心,利用各种接口和线路连接整个装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现所述产品残留类缺陷的短路检测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述产品残留类缺陷的短路检测装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种产品残留类缺陷的短路检测方法,其特征在于,所述方法包括:
采集具有缺陷区域的产品检测输出图,预处理缺陷区域;
二值化预处理后的缺陷区域,提取二值化后的缺陷区域内特征的等级轮廓关系;
利用缺陷区域内特征的等级轮廓关系,判断缺陷区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
若缺陷区域内不存在像素区域内的短路现象,则放大缺陷区域得到标准区域,预处理标准区域,二值化预处理后的标准区域,提取二值化后的标准区域内特征的等级轮廓关系;利用标准区域内特征的等级轮廓关系,判断标准区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
若标准区域内不存在像素区域内的短路现象,则比较产品检测输出图中标准区域横轴方向左右两侧区域的面积,选取面积较大的区域作为对照区域;
预处理标准区域和对照区域,二值化预处理后的标准区域和对照区域,提取二值化后的标准区域和对照区域的轮廓信息;
利用标准区域和对照区域的轮廓信息分别计算标准区域和对照区域的最大轮廓面积;判断标准区域的最大轮廓面积与对照区域的最大轮廓面积比值是否大于或等于阈值,若大于或等于阈值则判断为发生跨像素区域短路,若小于阈值则判断未短路并结束检测。
2.根据权利要求1所述的产品残留类缺陷的短路检测方法,其特征在于,预处理缺陷区域包括但不限于:缺陷区域灰度化、缺陷区域降噪、缺陷区域归一化和缺陷区域对比度增强中的一种或几种。
3.根据权利要求1所述的产品残留类缺陷的短路检测方法,其特征在于,若缺陷区域内的轮廓存在闭环,则判断存在像素区域内的短路现象,否则判断不存在像素区域内的短路现象。
4.根据权利要求1所述的产品残留类缺陷的短路检测方法,其特征在于,产品检测输出图由若干个像素区域组成,像素区域为产品检测输出图中的最小组成单元。
5.根据权利要求1所述的产品残留类缺陷的短路检测方法,其特征在于,放大缺陷区域为将缺席区域扩充为横向或纵向至少包含2个像素区域,得到标准区域。
6.根据权利要求1所述的产品残留类缺陷的短路检测方法,其特征在于,判断标准区域的最大轮廓面积与对照区域的最大轮廓面积比值是否大于或等于设定阈值。
7.根据权利要求1所述的产品残留类缺陷的短路检测方法,其特征在于,本方法中采用的二值化方式为OTSU二值化。
8.根据权利要求1所述的产品残留类缺陷的短路检测方法,其特征在于,本方法利用openCV或matlab输出图像轮廓并生成等级轮廓关系。
9.一种产品残留类缺陷的短路检测系统,其特征在于,所述系统包括:
缺陷区域预处理单元,用于采集具有缺陷区域的产品检测输出图,预处理缺陷区域;
缺陷区域处理单元,用于二值化预处理后的缺陷区域,提取二值化后的缺陷区域内特征的等级轮廓关系;
像素区域内短路判断单元,用于利用缺陷区域内特征的等级轮廓关系,判断缺陷区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
标准区域内短路判断单元,用于若缺陷区域内不存在像素区域内的短路现象,则放大缺陷区域得到标准区域,预处理标准区域,二值化预处理后的标准区域,提取二值化后的标准区域内特征的等级轮廓关系;利用标准区域内特征的等级轮廓关系,判断标准区域内是否存在像素区域内的短路现象,若存在像素区域内的短路现象,则返回短路结果并结束检测;
对照区域获得单元,用于若标准区域内不存在像素区域内的短路现象,则比较产品检测输出图中标准区域横轴方向左右两侧区域的面积,选取面积较大的区域作为对照区域;
对照区域处理单元,用于预处理标准区域和对照区域,二值化预处理后的标准区域和对照区域,提取二值化后的标准区域和对照区域的轮廓信息;
跨像素区域短路判断单元,用于利用标准区域和对照区域的轮廓信息分别计算标准区域和对照区域的最大轮廓面积;判断标准区域的最大轮廓面积与对照区域的最大轮廓面积比值是否大于或等于阈值,若大于或等于阈值则判断为发生跨像素区域短路,若小于阈值则判断未短路并结束检测。
10.一种产品自动缺陷分类系统,其特征在于,所述系统包括:
输入单元,用于输入产品缺陷信息;
分析单元,用于基于产品缺陷信息分析产品缺陷类型,当产品的缺陷类型为残留类缺陷时,则采用权利要求1-8中任意一种产品残留类缺陷的短路检测方法检测是否存在短路现象;
输出单元,用于输出产品缺陷类型及短路检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796484.0A CN111932515B (zh) | 2020-08-10 | 2020-08-10 | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796484.0A CN111932515B (zh) | 2020-08-10 | 2020-08-10 | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932515A true CN111932515A (zh) | 2020-11-13 |
CN111932515B CN111932515B (zh) | 2022-04-29 |
Family
ID=73308151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010796484.0A Active CN111932515B (zh) | 2020-08-10 | 2020-08-10 | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932515B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023029491A1 (zh) * | 2021-09-02 | 2023-03-09 | 成都数联云算科技有限公司 | 面板阵列短路检测方法、装置、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0455867A2 (en) * | 1990-05-07 | 1991-11-13 | Esm International, Inc. | Sorting machine incorporating photo site processing |
CN1697995A (zh) * | 2003-05-09 | 2005-11-16 | 奥林巴斯株式会社 | 缺陷修正装置及其缺陷修正方法 |
CN104297254A (zh) * | 2014-10-08 | 2015-01-21 | 华南理工大学 | 一种基于混合法的印刷电路板缺陷检测方法及系统 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN107067434A (zh) * | 2017-04-25 | 2017-08-18 | 西安电子科技大学 | 基于Hadoop的集成电路短路关键面积提取方法 |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
CN108896278A (zh) * | 2018-05-23 | 2018-11-27 | 精锐视觉智能科技(深圳)有限公司 | 一种滤光片丝印缺陷检测方法、装置及终端设备 |
CN109100370A (zh) * | 2018-06-26 | 2018-12-28 | 武汉科技大学 | 一种基于投影法和连通域分析的pcb板缺陷检测方法 |
CN109142393A (zh) * | 2018-09-03 | 2019-01-04 | 佛亚智能装备(苏州)有限公司 | 一种缺陷分类方法、装置及系统 |
US20190362480A1 (en) * | 2018-05-22 | 2019-11-28 | Midea Group Co., Ltd. | Methods and system for improved quality inspection |
CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
-
2020
- 2020-08-10 CN CN202010796484.0A patent/CN111932515B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0455867A2 (en) * | 1990-05-07 | 1991-11-13 | Esm International, Inc. | Sorting machine incorporating photo site processing |
CN1697995A (zh) * | 2003-05-09 | 2005-11-16 | 奥林巴斯株式会社 | 缺陷修正装置及其缺陷修正方法 |
CN104297254A (zh) * | 2014-10-08 | 2015-01-21 | 华南理工大学 | 一种基于混合法的印刷电路板缺陷检测方法及系统 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN107067434A (zh) * | 2017-04-25 | 2017-08-18 | 西安电子科技大学 | 基于Hadoop的集成电路短路关键面积提取方法 |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
US20190362480A1 (en) * | 2018-05-22 | 2019-11-28 | Midea Group Co., Ltd. | Methods and system for improved quality inspection |
CN108896278A (zh) * | 2018-05-23 | 2018-11-27 | 精锐视觉智能科技(深圳)有限公司 | 一种滤光片丝印缺陷检测方法、装置及终端设备 |
CN109100370A (zh) * | 2018-06-26 | 2018-12-28 | 武汉科技大学 | 一种基于投影法和连通域分析的pcb板缺陷检测方法 |
CN109142393A (zh) * | 2018-09-03 | 2019-01-04 | 佛亚智能装备(苏州)有限公司 | 一种缺陷分类方法、装置及系统 |
CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
苑玮琦等: "基于骨架特征的柔性电路板缺陷检测方法", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023029491A1 (zh) * | 2021-09-02 | 2023-03-09 | 成都数联云算科技有限公司 | 面板阵列短路检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111932515B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
Yan et al. | A multistage adaptive thresholding method | |
CN106446896B (zh) | 一种字符分割方法、装置及电子设备 | |
CN111968095B (zh) | 一种产品表面缺陷检测方法及系统及装置及介质 | |
Mukherjee et al. | Enhancement of image resolution by binarization | |
Sridevi et al. | A survey on monochrome image segmentation methods | |
CN110502977B (zh) | 一种建筑物变化分类检测方法、系统、装置及存储介质 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN115880520A (zh) | 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统 | |
CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
CN111783524A (zh) | 一种场景变换检测方法、装置、存储介质及终端设备 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
Chen et al. | Segmentation of overlapping cervical cells with mask region convolutional neural network | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111932515B (zh) | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN113537253B (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
CN113378847B (zh) | 字符分割方法、系统、计算机设备和存储介质 | |
CN112329572B (zh) | 一种基于边框和闪光点的快速静态活体检测方法及装置 | |
CN110580706A (zh) | 一种视频背景模型的提取方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 610042 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Applicant after: Chengdu shuzhilian Technology Co.,Ltd. Address before: No.2, floor 4, building 1, Jule road crossing, Section 1, West 1st ring road, Wuhou District, Chengdu City, Sichuan Province 610041 Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |