CN112069974B - 一种识别元器件缺损的图像识别方法及其系统 - Google Patents
一种识别元器件缺损的图像识别方法及其系统 Download PDFInfo
- Publication number
- CN112069974B CN112069974B CN202010907371.3A CN202010907371A CN112069974B CN 112069974 B CN112069974 B CN 112069974B CN 202010907371 A CN202010907371 A CN 202010907371A CN 112069974 B CN112069974 B CN 112069974B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- sub
- matrix
- images
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别元器件缺损的图像识别方法，所述元器件图像识别方法，依次包括如下步骤：图像采集；图像预处理；缺损图像识别定位；识别结果显示。本发明还公开一种实施识别元器件缺损的图像识别系统，所述系统包括：图像采集模块、图像预处理模块、缺损图像识别定位模块及识别结果显示模块。本发明采用的偏振成像技术能够有效的消除由于材料反射光造成识别程序的失效，该图像识别系统的使用环境更为广泛；由于采用全局卷积算法处理，避免了传统字符识别匹配算法的复杂性，该识别算法具有更高的效率，具有较高的识别效率；采用分区域识别技术，所以不仅能够对图像的整体是否存在缺陷做出判断，还能给出缺损区域的位置以及缺损程度。
Description
技术领域
本发明涉及一种图像识别方法及其系统，尤其涉及一种识别元器件缺损的图像识别方法及其系统。
背景技术
随着现代工业对电子元器件的需要量日益增加，使得种类繁多元器件需要大规模批量生产，这也对元器件的智能检测提出更高的要求。如对电子元器件的外部结构是否存在缺陷的检测，标识牌是否存在印刷残缺的检测等。同时由于电子元器件尺寸的微小，传统的人工检测标刻在电子元器件上的标识缺损存在效率低下，漏检测高等问题，直接限制的产品的品质和生产效率。因此实现电子元器件标识缺陷的图像智能识别至关重要。由于电子元器件的外壳材料种类繁多，其中部分材料对光的反射尤为严重，这对图像识别造成很大的影响；其次同一生产线不同批次的产品外部结构各异，单一固定的图像识别模式很难满足生产线上对产品标识检测的要求；再次，电子元器件标识存在图标、字母、数字、标记符等，传统的图像识别匹配很难同时满足识别的准确度、智能性、高效性。所以设计一种快速准确定位、智能识别元器件缺陷和元器件标识缺陷的图像识别系统对提高产品检测效率，减少误判率，减少用人成本尤为重要。
发明内容
本发明正是针对现有技术的不足，提出一种能够快速准确识别电子元器件标识缺陷的图像识别系统，以提高工业生产的效率和降低系统的漏检率。
为解决上述问题，本发明所采取的技术方案如下：
一种识别元器件缺损的图像识别方法，所述元器件图像识别方法，依次包括如下步骤：
Step1.图像采集
采用偏振成像技术，同时获得0°、45°、90°、135°四个偏振角度下元器件标识成像，将图像灰度化后比较各图像的统计直方图，根据直方图统计选择灰度分布在低值范围内的图像作为图像处理图像；
Step2.图像预处理
对图像进行高斯滤波并二值化处理，采用特定大小的卷积内核对其进行卷积计算，并将卷积结果与设定的阈值比较：将大于阈值的像素点值设定为1，将小于阈值的像素点值设定为0；N×N大小的卷积内核如下所示：
Step3.缺损图像识别定位
包括如下步骤：
Step3.1图像区域分割
将Step2中处理的图形矩阵进行列项求和后，进行归一化处理得到行矩阵A，设定阈值0.1，找出归一化矩阵A中接近0.1的数值的位置；
Step3.2标准件预学习
将经过Step1采集到的标准件图像进行Step2、Step3.1步骤操作，得到标准件各子图像；再分别对各子图像进行腐蚀处理得到各子图像的几何结构骨干，保存各个区域所在的行、列索引，以及相应的图像几何结构骨干；
Step3.3图像匹配识别模块
将待检测的元器件经过Step1、Step2、Step3.1中所述方法进行处理后，得到检测件各子图像，逐个子图像区域与Step3.2中获得的标准件对应区域的几何结构骨干矩阵进行卷积计算，将卷积结果矩阵中最大值与几何结构骨干矩阵中非零元素个数的比值θ，1减去该比值θ即为图像的缺损度ρ，即1-θ＝ρ，保存各子图像的缺损度ρ数值；
Step4.识别结果显示
预设最大图像缺损度ρ的数值，若待测件经过上述Step1～Step3处理后得到任意缺损度大于预设最大图像缺损度后，向串口发送指令；发送指令后再在显示屏幕上显示该子图像，并显示相应的缺损度ρ；若存在多个不合格子图像，则分行显示；若待测件所有子图像的缺损度都小于预设最大图像缺损度，则显示该待测产品正常。
作为上述技术方案的改进，采用5×5内核，阈值设定为15的计算结果，对图形进行孤立点处理得到无噪点图像。
作为上述技术方案的改进，采用21×21内核，阈值设定为60，对图形进行孤立点处理得到无噪点图像。
作为上述技术方案的改进，在Step2中，卷积计算过程如下：
现有N×N二维矩阵A和M×M(M为奇数，设M＝2l+1)二维卷积核矩阵B，设g为A和B的卷积计算结果，则计算过程如下：
(1)根据卷积矩阵B((2l+1)×(2l+1))扩展矩阵A得C：
(2)则A和B的卷积定义为
其中i＝1,2,3...N，j＝1,2,3...N例：
作为上述技术方案的改进，步骤Step3.1中，找出归一化矩阵A中接近0.1的数值的位置，具体操作为：
①将A中相邻两个元素与0.1比较，若其中一个元素大于0.1，一个元素小于0.1，则保存该相邻元素中前一个元素的位置信息作为列索引；采用该运算方法得到数据点；
②获得位置信息后，以这些列索引将图像划分为若干子图像；获得子图像后，分别对子图像进行列项求和，并做作归一化处理得到行矩阵B，将B中相邻两个元素与0.1比较，若其中一个元素大于0.1，一个元素小于0.1，则保存该相邻元素中前一个元素的位置信息作为行索引；采用该运算方法得到数据点；
③在得到子图像后，重复①、②步骤，采用上述相同的操作可以对各子图像进行再次分割，得到整体图像的子图像分割。
一种实施识别元器件缺损的图像识别系统，所述系统包括：图像采集模块、图像预处理模块、缺损图像识别定位模块及识别结果显示模块。
本发明与现有技术相比较，本发明的实施效果如下：
(1)本发明采用的偏振成像技术能够有效的消除由于材料反射光造成识别程序的失效，该图像识别系统的使用环境更为广泛；
(2)其次该图像识别系统具有标准件图像预学习能力，能够通过对不同批次产品标准件图像预学习后，对该类产品进行检测，具有很好的适应性；
(3)再次，由于采用全局卷积算法处理，避免了传统字符识别匹配算法的复杂性，该识别算法具有更高的效率，并且对各种复杂结构的图标，字母，字符混合情况下，依然具有较高的识别效率；
(4)最后，采用分区域识别技术，所以不仅能够对图像的整体是否存在缺陷做出判断，还能给出缺损区域的位置以及缺损程度，为生产过程中寻找出现故障的相应环节提供参考数据。
附图说明
图1为本发明所述元器件图像识别系统的流程示意图；
图2为本发明所述元器件偏振成像；
图3为本发明所述偏振图像直方图；
图4为本发明所述高斯滤波并二值化处理图像；
图5为本发明所述5×5卷积内核、阈值为15的处理图像；
图6为本发明所述21×21卷积内核、阈值为60的处理图像；
图7为本发明所述同行元素求和归一化；
图8为本发明所述寻找阈值附近点位置；
图9为本发明所述图像行区域划分结果；
图10为本发明所述字母E图像腐蚀结果。
具体实施方式
下面将结合具体的实施例来说明本发明的内容。
如图1所示，为本发明所述元器件图像识别系统的流程示意图，本发明所述元器件图像识别方法，依次包括：
Step1.图像采集
采用偏振成像技术，同时获得0°、45°、90°、135°四个偏振角度下元器件标识成像，如图2所示，将图像灰度化后比较各图像的统计直方图，如图3所示，根据直方图统计选择灰度分布在低值范围内的图像作为图像处理图像，如图3中的d所示。
Step2.图像预处理
对图像进行高斯滤波并二值化处理，处理后可得如图4中结果，通过图4可以看出图中依然存在很多孤立噪点，而采用高斯滤波无法消除，对此需要采用特定大小的卷积内核对其进行卷积计算，并将卷积结果与设定的阈值比较：将大于阈值的像素点值设定为1，将小于阈值的像素点值设定为0。N×N大小的卷积内核如下所示：
本申请涉及到的卷积计算过程如下：
现有N×N二维矩阵A和M×M(M为奇数，设M＝2l+1)二维卷积核矩阵B，设g为A和B的卷积计算结果，则计算过程如下：
(1)根据卷积矩阵B((2l+1)×(2l+1))扩展矩阵A得C：
(2)则A和B的卷积定义为
其中i＝1,2,3...N，j＝1,2,3...N例：
如图5所示，当采用5×5内核，阈值设定为15的计算结果。如图6所示，当采用21×21内核，阈值设定为60，其计算结果如图6所示。最后采用21×21内核，阈值设定为60，对图形进行孤立点处理得到无噪点图像。
Step3.缺损图像识别定位
包括如下步骤：
Step3.1图像区域分割
将Step2中处理的图形矩阵进行列项求和后，进行归一化处理得到行矩阵A，如图7所示，图7显示的是图像6所有行项求和归一化矩阵A的分布图，设定阈值0.1，找出归一化矩阵A中接近0.1的数值的位置；
具体操作为：
①将A中相邻两个元素与0.1比较，若其中一个元素大于0.1，一个元素小于0.1，则保存该相邻元素中前一个元素的位置信息作为列索引；采用该运算方法得到数据点，如图8中箭头所示。
②获得位置信息后，以这些列索引将图像划分为若干子图像，如图9所示；获得子图像后，分别对子图像进行列项求和，并做作归一化处理得到行矩阵B，将B中相邻两个元素与0.1比较，若其中一个元素大于0.1，一个元素小于0.1，则保存该相邻元素中前一个元素的位置信息作为行索引；采用该运算方法得到数据点；
③在得到子图像后，重复①、②步骤，采用上述相同的操作可以对各子图像进行再次分割，得到整体图像的子图像分割；
Step3.2标准件预学习
将经过Step1采集到的标准件图像进行Step2、Step3.1步骤操作，得到标准件各子图像；再分别对各子图像进行腐蚀处理得到各子图像的几何结构骨干，保存各个区域所在的行、列索引，以及相应的图像几何结构骨干。如图10中所示，图10(a)是子图像E的子图像，图10(b)子图像E腐蚀后的几何结构骨干。
Step3.3图像匹配识别模块
将待检测的元器件经过Step1、Step2、Step3.1中所述方法进行处理后，得到检测件各子图像，逐个子图像区域与Step3.2中获得的标准件对应区域的几何结构骨干矩阵进行卷积计算，将卷积结果矩阵中最大值与几何结构骨干矩阵中非零元素个数的比值θ，1减去该比值θ即为图像的缺损度ρ，即1-θ＝ρ，保存各子图像的缺损度ρ数值。
Step4.识别结果显示
预设最大图像缺损度ρ的数值，若待测件经过上述Step1～Step3处理后得到任意缺损度大于预设最大图像缺损度后，向串口发送指令；发送指令后再在显示屏幕上显示该子图像，并显示相应的缺损度ρ；若存在多个不合格子图像，则分行显示；若待测件所有子图像的缺损度都小于预设最大图像缺损度，则显示该待测产品正常。
本发明所述元器件图像识别系统，包括：图像采集模块、图像预处理模块、缺损图像识别定位模块及识别结果显示模块。
所述图像采集模块执行Step1.图像采集步骤；所述图像预处理模块执行Step2.图像预处理步骤；所述缺损图像识别定位模块执行Step3.缺损图像识别定位步骤；所述识别结果显示模块执行Step4.识别结果显示步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。
Claims (6)
1.一种识别元器件缺损的图像识别方法，其特征是，依次包括如下步骤：
Step1.图像采集
采用偏振成像技术，同时获得0°、45°、90°、135°四个偏振角度下元器件标识成像，将图像灰度化后比较各图像的统计直方图，根据直方图统计选择灰度分布在0-100内的图像作为图像处理图像；
Step2.图像预处理
对图像进行高斯滤波并二值化处理，采用特定大小的卷积内核对其进行卷积计算，并将卷积结果与设定的阈值比较：将大于阈值的像素点值设定为1，将小于阈值的像素点值设定为0；N×N大小的卷积内核如下所示：
Step3.缺损图像识别定位
包括如下步骤：
Step3.1图像区域分割
设定阈值0.1，将卷积结果进行列项求和后，进行归一化处理得到行矩阵P，将归一化处理后的行矩阵P中的数值与阈值0.1进行对比，获得位置信息；
Step3.2标准件预学习
将经过Step1采集到的标准件图像进行Step2、Step3.1步骤操作，得到标准件各子图像；再分别对各子图像进行腐蚀处理得到各子图像的几何结构骨干，保存各个区域所在的行、列索引，以及相应的图像几何结构骨干；
Step3.3图像匹配识别模块
待测元器件经过Step1、Step2、Step3.1处理后，得到待测元器件各子图像，逐个子图像区域与Step3.2中获得的标准件对应区域的几何结构骨干矩阵进行卷积计算，获得卷积结果矩阵中最大值与几何结构骨干矩阵中非零元素个数的比值θ，1减去该比值θ即为图像的缺损度ρ，即1-θ＝ρ，保存各子图像的缺损度ρ数值；
Step4.识别结果显示
预设最大图像缺损度ρ的数值，若待测元器件经过上述Step1～Step3处理后得到任意缺损度大于预设最大图像缺损度后，向串口发送指令；发送指令后再在显示屏幕上显示该子图像，并显示相应的缺损度ρ；若存在多个不合格子图像，则分行显示；若待测件所有子图像的缺损度都小于预设最大图像缺损度，则显示该待测元器件正常。
2.如权利要求1所述的一种识别元器件缺损的图像识别方法，其特征是，采用5×5内核，阈值设定为15的计算结果，对图形进行孤立点处理得到无噪点图像。
3.如权利要求1所述的一种识别元器件缺损的图像识别方法，其特征是，采用21×21内核，阈值设定为60，对图形进行孤立点处理得到无噪点图像。
4.如权利要求1所述的一种识别元器件缺损的图像识别方法，其特征是，在Step2中，卷积计算过程如下：
现有N×N二维矩阵A和M×M二维卷积核矩阵B，其中，M为奇数，表示为M＝2l+1，设g为二维矩阵A和二维卷积核矩阵B的卷积计算结果，则计算过程如下：
(1)根据二维卷积核矩阵B扩展二维矩阵A得到矩阵C：
(2)则A和B的卷积定义为
其中i＝1,2,3...N，j＝1,2,3...N。
5.如权利要求1所述的一种识别元器件缺损的图像识别方法，其特征是，步骤Step3.1中，将归一化处理后的行矩阵P中的数值与阈值0.1进行对比，获得位置信息作为列索引，具体操作为：
①将卷积结果中相邻两个元素与0.1比较，若其中一个元素大于0.1，一个元素小于0.1，则保存该相邻两个元素中前一个元素的位置信息作为列索引；采用该运算方法得到数据点；
②获得位置信息后，以这些列索引将图像划分为若干子图像；获得子图像后，分别对子图像进行列项求和，并做作归一化处理得到行矩阵P，将行矩阵P中相邻两个元素与0.1比较，若其中一个元素大于0.1，一个元素小于0.1，则保存该相邻两个元素中前一个元素的位置信息作为行索引；采用该运算方法得到数据点；
③在得到子图像后，重复①、②步骤，采用上述相同的操作可以对各子图像进行再次分割，得到整体图像的子图像分割。
6.一种实施权利要求1～5中任一所述的识别元器件缺损的图像识别方法的图像识别系统，其特征是，所述系统包括：图像采集模块、图像预处理模块、缺损图像识别定位模块及识别结果显示模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010907371.3A CN112069974B (zh) | 2020-09-02 | 2020-09-02 | 一种识别元器件缺损的图像识别方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010907371.3A CN112069974B (zh) | 2020-09-02 | 2020-09-02 | 一种识别元器件缺损的图像识别方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112069974A CN112069974A (zh) | 2020-12-11 |
| CN112069974B true CN112069974B (zh) | 2023-04-18 |
Family
ID=73666612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010907371.3A Active CN112069974B (zh) | 2020-09-02 | 2020-09-02 | 一种识别元器件缺损的图像识别方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069974B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362318B (zh) * | 2021-06-29 | 2023-09-01 | 百度在线网络技术（北京）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN116503401B (zh) * | 2023-06-26 | 2023-09-22 | 成都数联云算科技有限公司 | 一种pcb连板目标检测方法、装置、设备和介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102630299A (zh) * | 2009-10-30 | 2012-08-08 | 住友化学株式会社 | 缺陷检查用图像处理装置和缺陷检查用图像处理方法 |
| CN106709521A (zh) * | 2016-12-26 | 2017-05-24 | 深圳极视角科技有限公司 | 基于卷积神经网络和动态跟踪的火焰预警方法和系统 |
| CN107945158A (zh) * | 2017-11-15 | 2018-04-20 | 上海摩软通讯技术有限公司 | 一种检测镜头脏污的方法及装置 |
| CN107993225A (zh) * | 2017-11-28 | 2018-05-04 | 电子科技大学 | 一种磁光涡流成像检测的缺陷识别方法 |
| CN108319920A (zh) * | 2018-02-05 | 2018-07-24 | 武汉武大卓越科技有限责任公司 | 一种基于线扫描三维点云的路面标线检测及参数计算方法 |
| KR101895873B1 (ko) * | 2017-06-15 | 2018-09-06 | 주식회사 에스엠비나 | 직물원단 검단방법 및 장치 |
| CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| CN109492569A (zh) * | 2018-10-31 | 2019-03-19 | 国家电网有限公司 | 一种电缆线绝缘层缺损检测方法和装置 |
| CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
| CN111127384A (zh) * | 2018-10-15 | 2020-05-08 | 华东交通大学 | 基于偏振成像的强反射工件视觉测量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872304B (zh) * | 2019-01-17 | 2022-12-02 | 京东方科技集团股份有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
-
2020
- 2020-09-02 CN CN202010907371.3A patent/CN112069974B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102630299A (zh) * | 2009-10-30 | 2012-08-08 | 住友化学株式会社 | 缺陷检查用图像处理装置和缺陷检查用图像处理方法 |
| CN106709521A (zh) * | 2016-12-26 | 2017-05-24 | 深圳极视角科技有限公司 | 基于卷积神经网络和动态跟踪的火焰预警方法和系统 |
| KR101895873B1 (ko) * | 2017-06-15 | 2018-09-06 | 주식회사 에스엠비나 | 직물원단 검단방법 및 장치 |
| CN107945158A (zh) * | 2017-11-15 | 2018-04-20 | 上海摩软通讯技术有限公司 | 一种检测镜头脏污的方法及装置 |
| CN107993225A (zh) * | 2017-11-28 | 2018-05-04 | 电子科技大学 | 一种磁光涡流成像检测的缺陷识别方法 |
| CN108319920A (zh) * | 2018-02-05 | 2018-07-24 | 武汉武大卓越科技有限责任公司 | 一种基于线扫描三维点云的路面标线检测及参数计算方法 |
| CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
| CN111127384A (zh) * | 2018-10-15 | 2020-05-08 | 华东交通大学 | 基于偏振成像的强反射工件视觉测量方法 |
| CN109492569A (zh) * | 2018-10-31 | 2019-03-19 | 国家电网有限公司 | 一种电缆线绝缘层缺损检测方法和装置 |
| CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
Non-Patent Citations (5)
| Title |
|---|
| A fast and robust convolutional neural network-based defect detection model in product quality control;Tian Wang 等;《Int J Adv Manuf Technol》;20170815;第3465-3471页 * |
| Visual-Based Defect Detection and Classfication Approaches for Industrial Applications—A SURVEY;Tamás Czimmermann 等;《sensors》;20200306;第1-25页 * |
| 基于图像处理的电梯曳引机和钢丝故障检测;韦松伯;《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》;20170315;第2017年卷(第03期);第C038-2350页 * |
| 基于局部特征的目标识别技术研究;曹健 等;《计算机工程》;20100531;第36卷(第10期);第203-205页 * |
| 基于深度神经网络的太阳能电池组件缺陷检测算法研究;刘怀广 等;《应用光学》;20200331;第41卷(第2期);第327-336页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112069974A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
| CN108345881B (zh) | 一种基于计算机视觉的文档质量检测方法 | |
| EP1678659B1 (en) | Method and image processing device for analyzing an object contour image, method and image processing device for detecting an object, industrial vision apparatus, smart camera, image display, security system, and computer program product | |
| CN112069974B (zh) | 一种识别元器件缺损的图像识别方法及其系统 | |
| US11410409B2 (en) | Image classification system and method, classification data creation system and method, and storage medium | |
| CN108108753B (zh) | 一种基于支持向量机的复选框选择状态的识别方法及装置 | |
| CN111179250B (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
| Park et al. | MarsNet: multi-label classification network for images of various sizes | |
| CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
| CN112560538B (zh) | 一种根据图像冗余信息快速定位受损qr码的方法 | |
| CN113538603B (zh) | 一种基于阵列产品的光学检测方法、系统和可读存储介质 | |
| CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
| CN110781913A (zh) | 一种拉链布带缺陷检测方法 | |
| CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
| CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
| CN115661148A (zh) | 一种晶圆晶粒排列检测方法及系统 | |
| CN110969612B (zh) | 二维码印刷缺陷检测方法 | |
| CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
| CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
| CN114677373A (zh) | 一种印刷品内容检错方法、装置、电子设备及介质 | |
| CN112907510B (zh) | 一种表面缺陷检测方法 | |
| CN113192061B (zh) | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 | |
| CN115131355A (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
| Dong | A pixel-wise framework based on convolutional neural network for surface defect detection |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |