CN112014413A - 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 - Google Patents
一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 Download PDFInfo
- Publication number
- CN112014413A CN112014413A CN202010774089.2A CN202010774089A CN112014413A CN 112014413 A CN112014413 A CN 112014413A CN 202010774089 A CN202010774089 A CN 202010774089A CN 112014413 A CN112014413 A CN 112014413A
- Authority
- CN
- China
- Prior art keywords
- image
- big data
- detection
- camera
- mobile phone
- 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 97
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 239000011521 glass Substances 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 31
- 239000004973 liquid crystal related substance Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 description 15
- 238000001914 filtration Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 239000006059 cover glass Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- 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
- 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
- G01N2021/889—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 providing a bare video image, i.e. without visual measurement aids
-
- 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
- G01N2021/8893—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 providing a video image and a processed signal for helping visual decision
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开的属于检测设备技术领域，具体为一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，其包括：通过摄像头设定参数，并拍摄手机玻璃盖板的视频图像，并且将图像传输到云端大数据模块和检测设备内，检测设备检测视频图像，同时云端大数据接收到摄像头上传的视频图像进行比对，当没有检测到相同图像时。该基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，能够将拍摄的图像和检测结果发送到大数据平台中，填充大数据平台的数据样本，并能够通过大数据平台中的数据，当连接有平台的设备遭遇相同情况时，通过比对拍摄的图像，缩减检测过程，快速得出检测结果，提高工作效率。
Description
技术领域
本发明涉及检测设备技术领域，具体为一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法。
背景技术
近年来，在5G、无线充电等技术推动下，非金属手机盖板成为主流。其中玻璃盖板有较好的力学性能和光学性能，且成本相比于陶瓷材料较低，因此备受3C产品企业青睐。然而，实际生产制造、运输等过程中，不可避免会产生麻点、划痕、脏污、崩边等缺陷。及时在生产工艺过程进行缺陷检测，可以避免工艺浪费，监控产品生产品质，从而保证高品质产品生产同时，节约生产成本。
目前，国内许多盖板玻璃生产厂商，仍然大量的采用人工目检的方式。机器视觉检测技术相比于人工目检过程检测效率更高、成本更低，检测标准更稳定。但是现有的设备往往每次检测需要计算检测结果，多次检测到同样的缺陷时依旧不能够很快的得到检测结果，不具有学习能力，工作效率不高。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，其包括以下步骤：
S1：通过摄像头设定参数，并拍摄手机玻璃盖板的视频图像，并且将图像传输到云端大数据模块和检测设备内；
S2：检测设备检测视频图像，同时云端大数据接收到摄像头上传的视频图像进行比对；
S3：当没有检测到相同图像时，检测设备根据视频图像进行检测，并得到检测结果，并将检测结果数据发送到云端大数据模块中，存储在云端服务器内；
S4：当检测到相同图像时，检测模块直接调取云端大数据模块中的检测结果，将检测结果发送到控制器内；
S5：通过控制器发送到显示终端上查看检测结果。
作为本发明所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法的一种优选方案，其中：包括摄像头、检测设备、云端大数据模块、云端服务器、控制器和显示终端，所述摄像头电性连接有检测设备，所述摄像头和检测设备信号连接有云端大数据模块，所述云端大数据模块信号连接有云端服务器，所述检测设备电性连接有控制器，所述控制器电性连接有显示终端。
作为本发明所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法的一种优选方案，其中：所述步骤S1中摄像头是用12K的线阵相机拍摄图像，其水平/垂直分辨率为12288px*1px。
作为本发明所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法的一种优选方案，其中：所述步骤S2中的检测设备包括以下程序流程：
(1)对采集的图像进行预处理除去干扰信号，提取原始的液晶显示图像；
(2)进而对图像进二值化处理分割出液晶缺陷部分与正常部分，然而二值化将会使得缺陷边缘锐化甚至将整体的缺陷部分分开，造成对缺陷区域信息提取错误，因此需要进一步对缺陷部分边缘进行填充还原缺陷部分；
(3)最后对图像的区域信息提取并进一步判断图像中存在的缺陷类型与数量并输出检测结果。
作为本发明所述的基于机器视觉的手机玻璃盖板视窗区缺陷检测方法的一种优选方案，其中：所述显示终端为工作台或台式电脑。
与现有技术相比：通过摄像头设定参数，并拍摄手机玻璃盖板的视频图像，并且将图像传输到云端大数据模块和检测设备内，检测设备检测视频图像，同时云端大数据接收到摄像头上传的视频图像进行比对，当没有检测到相同图像时，检测设备根据视频图像进行检测，并得到检测结果，并将检测结果数据发送到云端大数据模块中，存储在云端服务器内，当检测到相同图像时，检测模块直接调取云端大数据模块中的检测结果，将检测结果发送到控制器内，通过控制器发送到显示终端上查看检测结果，该基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，能够将拍摄的图像和检测结果发送到大数据平台中，填充大数据平台的数据样本，并能够通过大数据平台中的数据，当连接有平台的设备遭遇相同情况时，通过比对拍摄的图像，缩减检测过程，快速得出检测结果，提高工作效率。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明的系统框图；
图2为本发明的步骤流程图；
图3为本发明检测设备的程序框图。
图中：100摄像头、200检测设备、300云端大数据模块、400云端服务器、500控制器、600显示终端。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
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的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
本发明提供一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，能够将拍摄的图像和检测结果发送到大数据平台中，填充大数据平台的数据样本，并能够通过大数据平台中的数据，当连接有平台的设备遭遇相同情况时，通过比对拍摄的图像，缩减检测过程，快速得出检测结果，提高工作效率，请参阅图1、图2和图3，包括：摄像头100、检测设备200、云端大数据模块300、云端服务器400、控制器500、显示终端600；
请再次参阅图1和图2，一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，包括以下步骤：
S1：通过摄像头100设定参数，并拍摄手机玻璃盖板的视频图像，并且将图像传输到云端大数据模块300和检测设备200内；
S2：检测设备200检测视频图像，同时云端大数据接收到摄像头100上传的视频图像进行比对；
S3：当没有检测到相同图像时，检测设备200根据视频图像进行检测，并得到检测结果，并将检测结果数据发送到云端大数据模块300中，存储在云端服务器400内；
S4：当检测到相同图像时，检测模块直接调取云端大数据模块300中的检测结果，将检测结果发送到控制器500内；
S5：通过控制器500发送到显示终端600上查看检测结果。
请再次参阅图1和图2，包括摄像头100、检测设备200、云端大数据模块300、云端服务器400、控制器500和显示终端600，所述摄像头100电性连接有检测设备200，所述摄像头100和检测设备200信号连接有云端大数据模块300，所述云端大数据模块300信号连接有云端服务器400，所述检测设备200电性连接有控制器500，所述控制器500电性连接有显示终端600，具体的，所述摄像头100电性输出连接有检测设备200，所述摄像头100和检测设备200双向信号连接有云端大数据模块300，所述云端大数据模块300信号输出连接有云端服务器400，所述检测设备200电性输出连接有控制器500，所述控制器500电性输出连接有显示终端600，摄像头100用于拍摄视频图像信息，检测设备200用于提供根据图像检测屏幕缺陷的功能，云端大数据模块300用于提供大数据信息，云端服务器400用于存储信息，控制器500用于将检测结果发送到显示终端600上，显示终端600用于提供显示功能；
请再次参阅图1和图2，所述步骤S1中摄像头100是用12K的线阵相机拍摄图像，其水平/垂直分辨率为12288px*1px。
请再次参阅图1、图2和图3，所述步骤S2中的检测设备200包括以下程序流程：
(1)对采集的图像进行预处理除去干扰信号，提取原始的液晶显示图像；
(2)进而对图像进二值化处理分割出液晶缺陷部分与正常部分，然而二值化将会使得缺陷边缘锐化甚至将整体的缺陷部分分开，造成对缺陷区域信息提取错误，因此需要进一步对缺陷部分边缘进行填充还原缺陷部分；
(3)最后对图像的区域信息提取并进一步判断图像中存在的缺陷类型与数量并输出检测结果。
液晶缺陷的采集图像取决于采集硬件平台，采集平台的摄像头性能以及平台的光照传输线路等因素也将极大的影响采集的图像质量，以TFT-LCD为例，由于TFT-LCD本身产生纹理干扰,使用摄像机拍摄屏幕时，采集的图像将会有明显的条纹干扰，因此在模拟缺陷采集图像时需要考虑为缺陷添加条纹背景。
以一般的块缺陷为例，首先生成原始的块缺陷图像并进一步生成纹理背景图像,最后通过对两幅图像的拟合从而产生模拟的采集块缺陷图像；
研究发现，Gabor滤波器是一种非常理想的方向滤波器，尤其在处理带很强方向性的纹理图像时具有明显优势。与此同时，在生物学领域研究中也发现该滤波器与人眼的视觉特性相似，可以很好的模拟人眼来进行图像分析。同时，Gabor变换在著名的二维测不准定理(测不准定理是指不可能同时在频域和时域获得任意精度的测量)的约束下，已经被证明是对信号空间域和频率域的最佳描述。目前，Gabor滤波器已经成功运用到图像处理中的多个领域，包括边缘检测、图像编码、纹理提取、人脸识别、手写数字设别和图像恢复等。基于Gabor变换的种种优点，本设计用基于Gabor滤波器组的算法实现图像的背景抑制。本章在分析Gabor滤波原理的基础上，通过合理设计实值Gabor滤波器来完成图像的背景抑制，为实现后续液晶缺陷的正确分割提供必要条件。
本次方案由16个Gabor滤波通道组成的Gabor滤波组来实现TFT-LCD屏的多尺度多方向滤波。Gabor滤波组分别由4个滤波中心频率和4个滤波方向不同组合而成。同时，采用空域模板卷积方式来实现实值Gabor滤波。
在此选取之前生成的模拟采集图像进行滤波，同时使用中值滤波对模拟采集图像滤波进行比较，可见Gabor滤波器可以有效地滤除纹理背景较好保留原有的缺陷信息。
阈值分割法分为全局阈值法和局部阈值分割法。局部阈值分割法是将原始图像划分成较小的图像，并对每个子图像选取相应的阈值。全局阈值分割方法在图像处理中应用比较多，它在整幅图像内采用固定的阈值分割图像。经典的阈值选取以灰度直方图为处理对象。根据阈值选择方法的不同，可以分为模态方法、迭代式阈值选择等方法。这些方法都是以图像的直方图为研究对象来确定分割的阈值的。另外还有类间方差阈值分割法、二维最大熵分割法、模糊阈值分割法、共生矩阵分割法、区域生长法等等。通常，在图像处理中首选的方法是使用一种能基于图像数据自动地选择阈值的算法。
使用对比度较低的模拟图像进行边缘改进全阈值分割仿真，同时使用Otsu全阈值直接分割检验边缘改进全阈值的效果。对图像分别进行边缘改进全阈值分割与直接Otsu全阈值分割输出结果，直接对整幅图直方图进行全阈值选择将无法使缺陷与背景分割。
边缘改进全阈值对虽然可以有效的对图像进行缺陷与背景的分割，但同时也将会造成缺陷边缘的锐化与分离。原本是一个整体的缺陷部分边缘有部分单元与本体分开这将会对之后的区域识别与信息的提取造成错误。为确保对缺陷识别的准确性，需要对边缘进行填充一确保分割部分的完整性。对分割图像进行取反，使缺陷部分为白色部分，背景显示为黑色部分，先对图像进行边缘提取，再进一步对边缘进行填充最后与原始图像叠加，完成对边缘的平滑与复原。
液晶的缺陷识别包括缺陷数量、缺陷位置以及缺陷类型的识别，这就需要提取二值化后图像区域的信息比如区域的像素个数区域中心坐标等信息。这里调用Matlab提供的bwlabel与regionprops函数提取信息。函数bwlabel语法规则为：L＝bwlabel(BW,n)，函数功能：对连通对象进行标注，bwlabel主要对二维二值图像中各个分离部分进行标注(多维用bwlabeln，用法类似)。L＝bwlabel(BW,n)表示返回和BW相同大小的数组L。L中包含了连通对象的标注。参数n为4或8，分别对应4邻域和8邻域，默认值为8。函数regionprops语法规则为：STATS＝regionprops(L,properties)，该函数用来测量标注矩阵L中每一个标注区域的一系列属性。L中不同的正整数元素对应不同的区域，例如：L中等于整数1的元素对应区域1；L中等于整数2的元素对应区域2；以此类推。返回值STATS是一个长度为max(L(:))的结构数组，结构数组的相应域定义了每一个区域相应属性下的度量。Properties可以是由逗号分割的字符串列表、包含字符串的单元数组、单个字符串'all'或者'basic'。如果properties等于字符串'all'，则表4.1中的度量数据都将被计算；如果properties等于字符串'basic'，则属性：'Area'，'Centroid'和'BoundingBox'将被计算。通过对区域的属性信息加以判断，便可以实现对缺陷的检测识别，如点缺陷区域的像素点数占图像整体比例极小，而线缺陷的区域长宽比例大，块缺陷的面积是所有缺陷中最大的。
请再次参阅图1和图2，所述显示终端600为工作台或台式电脑。
实施例：通过摄像头100设定参数，并拍摄手机玻璃盖板的视频图像，并且将图像传输到云端大数据模块300和检测设备200内，检测设备200检测视频图像，同时云端大数据接收到摄像头100上传的视频图像进行比对，当没有检测到相同图像时，检测设备200根据视频图像进行检测，并得到检测结果，并将检测结果数据发送到云端大数据模块300中，存储在云端服务器400内，当检测到相同图像时，检测模块直接调取云端大数据模块300中的检测结果，将检测结果发送到控制器500内，通过控制器500发送到显示终端600上查看检测结果。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (5)
1.一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，其特征在于，包括以下步骤：
S1：通过摄像头(100)设定参数，并拍摄手机玻璃盖板的视频图像，并且将图像传输到云端大数据模块(300)和检测设备(200)内；
S2：检测设备(200)检测视频图像，同时云端大数据接收到摄像头(100)上传的视频图像进行比对；
S3：当没有检测到相同图像时，检测设备(200)根据视频图像进行检测，并得到检测结果，并将检测结果数据发送到云端大数据模块(300)中，存储在云端服务器(400)内；
S4：当检测到相同图像时，检测模块直接调取云端大数据模块(300)中的检测结果，将检测结果发送到控制器(500)内；
S5：通过控制器(500)发送到显示终端(600)上查看检测结果。
2.根据权利要求1所述的一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，其特征在于，包括摄像头(100)、检测设备(200)、云端大数据模块(300)、云端服务器(400)、控制器(500)和显示终端(600)，所述摄像头(100)电性连接有检测设备(200)，所述摄像头(100)和检测设备(200)信号连接有云端大数据模块(300)，所述云端大数据模块(300)信号连接有云端服务器(400)，所述检测设备(200)电性连接有控制器(500)，所述控制器(500)电性连接有显示终端(600)。
3.根据权利要求1所述的一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，其特征在于，所述步骤S1中摄像头(100)是用12K的线阵相机拍摄图像，其水平/垂直分辨率为12288px*1px。
4.根据权利要求1所述的一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，其特征在于，所述步骤S2中的检测设备(200)包括以下程序流程：
(1)对采集的图像进行预处理除去干扰信号，提取原始的液晶显示图像；
(2)进而对图像进二值化处理分割出液晶缺陷部分与正常部分，然而二值化将会使得缺陷边缘锐化甚至将整体的缺陷部分分开，造成对缺陷区域信息提取错误，因此需要进一步对缺陷部分边缘进行填充还原缺陷部分；
(3)最后对图像的区域信息提取并进一步判断图像中存在的缺陷类型与数量并输出检测结果。
5.根据权利要求2所述的一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法，其特征在于，所述显示终端(600)为工作台或台式电脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010774089.2A CN112014413A (zh) | 2020-08-04 | 2020-08-04 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010774089.2A CN112014413A (zh) | 2020-08-04 | 2020-08-04 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112014413A true CN112014413A (zh) | 2020-12-01 |
Family
ID=73499981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010774089.2A Pending CN112014413A (zh) | 2020-08-04 | 2020-08-04 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112014413A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113552138A (zh) * | 2021-08-25 | 2021-10-26 | 浙江盘盘科技有限公司 | 一种基于计算机视觉的电缆盘具质量检测系统 |
| CN113554637A (zh) * | 2021-07-30 | 2021-10-26 | 上海集成电路制造创新中心有限公司 | 相机盖板的脏污检测方法及检测装置 |
| CN114998189A (zh) * | 2022-04-15 | 2022-09-02 | 电子科技大学 | 一种彩色显示点缺陷检测方法 |
| CN116095099A (zh) * | 2023-01-20 | 2023-05-09 | 广东省中山市质量计量监督检测所 | 一种基于机器视觉的机械零件质检系统 |
| CN117541531A (zh) * | 2023-09-28 | 2024-02-09 | 苏州梅曼智能科技有限公司 | 一种基于人工智能的晶圆视觉检测监管反馈系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006038775A (ja) * | 2004-07-29 | 2006-02-09 | Pioneer Electronic Corp | フラットパネルディスプレイ用透明基板の画像検査装置及び画像検査方法 |
| CN103149346A (zh) * | 2012-12-25 | 2013-06-12 | 中国神华能源股份有限公司 | 隧道混凝土检测分析系统及方法 |
| US20150226675A1 (en) * | 2014-02-12 | 2015-08-13 | ASA Corporation | Apparatus and Method for Photographing Glass in Multiple Layers |
| CN106546603A (zh) * | 2016-10-29 | 2017-03-29 | 图麟信息科技（上海）有限公司 | 一种tp、玻璃盖板的工业视觉检测装置及检测方法 |
| CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
| CN111289536A (zh) * | 2020-04-07 | 2020-06-16 | 深圳回收宝科技有限公司 | 一种电子设备屏幕的缺陷检测装置 |
-
2020
- 2020-08-04 CN CN202010774089.2A patent/CN112014413A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006038775A (ja) * | 2004-07-29 | 2006-02-09 | Pioneer Electronic Corp | フラットパネルディスプレイ用透明基板の画像検査装置及び画像検査方法 |
| CN103149346A (zh) * | 2012-12-25 | 2013-06-12 | 中国神华能源股份有限公司 | 隧道混凝土检测分析系统及方法 |
| US20150226675A1 (en) * | 2014-02-12 | 2015-08-13 | ASA Corporation | Apparatus and Method for Photographing Glass in Multiple Layers |
| CN106546603A (zh) * | 2016-10-29 | 2017-03-29 | 图麟信息科技（上海）有限公司 | 一种tp、玻璃盖板的工业视觉检测装置及检测方法 |
| CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
| CN111289536A (zh) * | 2020-04-07 | 2020-06-16 | 深圳回收宝科技有限公司 | 一种电子设备屏幕的缺陷检测装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554637A (zh) * | 2021-07-30 | 2021-10-26 | 上海集成电路制造创新中心有限公司 | 相机盖板的脏污检测方法及检测装置 |
| CN113554637B (zh) * | 2021-07-30 | 2022-06-07 | 上海集成电路制造创新中心有限公司 | 相机盖板的脏污检测方法及检测装置 |
| CN113552138A (zh) * | 2021-08-25 | 2021-10-26 | 浙江盘盘科技有限公司 | 一种基于计算机视觉的电缆盘具质量检测系统 |
| CN114998189A (zh) * | 2022-04-15 | 2022-09-02 | 电子科技大学 | 一种彩色显示点缺陷检测方法 |
| CN114998189B (zh) * | 2022-04-15 | 2024-04-16 | 电子科技大学 | 一种彩色显示点缺陷检测方法 |
| CN116095099A (zh) * | 2023-01-20 | 2023-05-09 | 广东省中山市质量计量监督检测所 | 一种基于机器视觉的机械零件质检系统 |
| CN116095099B (zh) * | 2023-01-20 | 2023-09-12 | 广东省中山市质量计量监督检测所 | 一种基于机器视觉的机械零件质检系统 |
| CN117541531A (zh) * | 2023-09-28 | 2024-02-09 | 苏州梅曼智能科技有限公司 | 一种基于人工智能的晶圆视觉检测监管反馈系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112014413A (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
| CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
| CN110766679B (zh) | 镜头脏污检测方法、装置及终端设备 | |
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
| CN103164692B (zh) | 一种基于计算机视觉的特种车辆仪表自动识别系统及方法 | |
| KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
| CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
| CN112348765A (zh) | 数据增强方法、装置、计算机可读存储介质及终端设备 | |
| CN115908269A (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
| CN111259908A (zh) | 基于机器视觉的钢卷号识别方法、系统、设备及存储介质 | |
| CN112052730B (zh) | 一种3d动态人像识别监控设备及方法 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及系统 | |
| CN102496032B (zh) | 一种电气设备x射线数字图片处理算法支持系统 | |
| CN117011250A (zh) | 缺陷检测方法、装置及存储介质 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN116363516A (zh) | 基于边缘辅助自适应的遥感图像变化检测方法 | |
| CN111598955A (zh) | 一种基于摄影测量的移动终端智能基坑监测系统及方法 | |
| CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
| WO2015031350A1 (en) | Systems and methods for memory utilization for object detection | |
| WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 | |
| CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
| CN113469087B (zh) | 建筑图纸中的图框检测方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201201 |