CN112215792A - 片材的数量计算方法 - Google Patents
片材的数量计算方法 Download PDFInfo
- Publication number
- CN112215792A CN112215792A CN202010401276.6A CN202010401276A CN112215792A CN 112215792 A CN112215792 A CN 112215792A CN 202010401276 A CN202010401276 A CN 202010401276A CN 112215792 A CN112215792 A CN 112215792A
- Authority
- CN
- China
- Prior art keywords
- value
- elements
- sheets
- array
- threshold
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007635 classification algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 33
- 125000006850 spacer group Chemical group 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000010750 BS 2869 Class C2 Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种片材的数量计算方法,系应用于一片材堆,包含下列步骤:接收所述片材堆的一影像;由所述影像中沿一第一影像轴向之取得多个像素的灰阶值,以形成一维的一第一阵列;以一第一阈值将所述第一阵列的所述多个第一元素进行二值化,以形成一维的一第二阵列;取得所述第二阵列中两个第二数值之第二元素之间所出现的第一数值之第二元素的数量,以形成一第三阵列;以一第二阈值将所述第三阵列之元素分为一第一类与一第二类;计算属于所述第一类之第三元素的数量,并定义为第一片材的数量。
Description
技术领域
本发明系与片材数量计算有关;特别是指一种使用影像辨识计算交错排列之两种片材的数量计算方法。
背景技术
随着科技的进步,工业制造已经迈入自动化制造的时代,对于片材的制造厂而言,在片材制造完成之后,必须计算所制造的片材的数量。以晶片的制造厂为例,晶片系由一晶锭经切割后形成多片晶片,在切割完成后,会经过数片的程序。目前晶片的数量之计算是由数片机进行,现有的数片机以影像辨识的方式计算晶片的数量。
为避免晶片之间相互磨擦,制造厂会在晶片之间加入一间隔片材,例如间隔纸。因此,数片机所辨识的影像中便具有晶片及间隔片材,然而,数片机由影像中计算晶片数量时,时常会有将间隔片材误判为晶片的情形,如此一来,数片机所计算的数量将会与实际晶片的数量有所差异,导致片数统计不准确。换言之,现有的数片机,只能针对单一片材的数量进行计算,对于不同厚度的片材无法区分出差异,若应用于晶片与间隔机之计算中,所计算的晶片片数与实际的晶片片数之误差约为10-30%。
发明内容
有鉴于此,本发明之目的在于提供一种片材的数量计算方法,可以准确计算交错排列之片材的数量。
缘以达成上述目的,本发明提供的一种片材的数量计算方法,应用于一片材堆,所述片材堆包含有沿一轴向交错排列的多个第一片材与多个第二片材,每一个所述第二片材与每一个所述第一片材相邻,且各所述第一片材的厚度大于各所述第二片材的厚度;所述片材的数量计算方法系由一影像处理模块所执行,包含下列步骤:
A.接收所述片材堆的一影像;
B.由所述影像中沿着对应所述轴向的一第一影像轴向之取得多个像素的灰阶值,以形成一维的一第一阵列,所述第一阵列包含有多个第一元素(element),所述多个第一元素的数值分别为所述多个灰阶值;
C.以一第一阈值将所述第一阵列的所述多个第一元素进行二值化,以形成一维的一第二阵列,所述多个第二阵列包含有多个第二元素,且各所述第二元素的数值为一第一数值与一第二数值中的一个,且所述第一数值大于所述第二数值;
D.取得所述第二阵列中两个所述第二数值之第二元素之间所出现的所述第一数值之第二元素的数量,以形成一第三阵列,所述第三阵列包含多个元素,所述多个元素包含多个第三元素,且各所述第三元素的数值为所出现的所述第一数值之第二元素的数量;
E.以一第二阈值将所述第三阵列之元素分为一第一类与一第二类,其中,属于所述第一类之第三元素之数值不小于所述第二阈值;
F.计算属于所述第一类之第三元素的数量,并定义为所述多个第一片材的数量。
本发明之效果在于,可以对厚度不同的第一片材与第二片材进行分类,准确计算出片材的数量。有效修正两种不同厚度的堆叠片材的数量计算所产生的误差。
附图说明
图1为本发明一优选实施例之影像辨识系统的示意图。
图2为本发明上述优选实施例之片材堆的示意图。
图3为本发明上述优选实施例之片材的数量计算方法流程图。
图4为本发明上述优选实施例之摄影模块所取得的影像。
图5为本发明上述优选实施例之像素阵列的示意图。
图6为本发明上述优选实施例之第一阵列的示意图。
图7为本发明上述优选实施例之第一阵列的示意图。
图8为本发明上述优选实施例之第二阵列的示意图。
图9为本发明上述优选实施例之第三阵列的示意图。
图10为本发明上述优选实施例之第三阵列的第四元素示意图。
图11为本发明上述优选实施例之第三阵列分类的示意图。
具体实施方式
为能更清楚地说明本发明,兹举优选实施例并配合附图详细说明如后。请参图1所示,为本发明一优选实施例之片材的数量计算方法所使用的影像辨识系统,包含一摄影模块10与一影像处理模块20,其中:
所述摄影模块10用以对一片材堆30取像,请配合图2,所述片材堆30包含有沿一轴向X交错排列的多个以晶片32为例的第一片材与多个以间隔片材34为例的第二片材,每一个所述第二片材34与每一个所述晶片32相邻,且各所述晶片32的厚度大于各所述间隔片材34的厚度。各所述晶片32及各所述间隔片材34各具有一侧边朝向所述摄影模块。本实施例中,各所述第一片材是以晶片32为例,各所述第二片材是以间隔片材34为例,但不以此为限,亦可以是所述第一片材为厚度相对较大的间隔片材34,所述第二片材为厚度相对较小的晶片32。
所述影像处理模块20电性连接所述摄影模块10,所述影像处理模块用以执行本实施例的片材的数量计算方法,所述数量计算方法包含图3所示之下列步骤:
步骤S01:接收所述片材堆30的一影像。本实施例中,所述影像处理模块20自所述摄影模块10接收所述片材堆的影像,如图4所示,所述影像40中具有所述片材堆30的影像。所接收的所述影像上定义有相垂直的一第一影像轴向D1与一第二影像轴向D2,所述第一影像轴向D1是对应所述多个晶片32与所述多个间隔片材34所排列的所述轴向X,所述第二影像轴向D2是对应各所述晶片32与各所述间隔片材34的侧边之长轴向。
步骤S02:由所述影像40中沿着所述第一影像轴向D1取得多个像素的灰阶值,以形成一维的一第一阵列,所述第一阵列包含有多个第一元素(element),所述多个第一元素的数值分别为所述多个灰阶值。
本实施例中,请配合图4,所述影像处理模块20系将所述影像40在所述第二影像轴向D2上依序区分为一第一区域402、一第二区域404及一第三区域406,所述第二区域404位于所述第一区域402与所述第三区域406之间。沿着所述第二影像轴向D2上,所述第二区域404之像素的数量占所述第一区域402至所述第三区域406之像素总数量的30~50%之间。沿着所述第二影像轴向D2上,所述第一区域402与所述第三区域406的像素数量的比值为0.9~1.1之间,本实施例中比值为1,亦即像素数量相等,换言之,第二区域404为所述影像40的中段之区域。所述影像处理模块20由所述影像40中取所述第二区域404作为一目标区域,所述第二区域404沿所述第一影像轴向D1上具有并列的多个垂直像素组,再由所述第二区域404中沿所述第一影像轴向D1计算各所述垂直像素组之灰阶值的平均,以取得所述第一影像轴向D1之所述多个像素的灰阶值,形成所述第一阵列。
举例而言,所述第二区域404的像素在第二影像轴向D2上为400个,在第一影像轴向D1上为1000个,形成图5所示400×1000的二维像素阵列50,像素阵列50之各垂直像素组502的每一个元素的数值即为对应之像素的灰阶值。亦即,所述第二区域404在所述第一影像轴向D1上具有并列的1000组垂直像素组502,且各所述垂直像素组502的像素数量为400个。所述影像处理模块20计算各所述垂直像素组502之灰阶值的平均,形得到如图6所示之1×1000的第一阵列A1,所述第一阵列A1中的各所述第一元素A11即为图5之各所述垂直像素组502之灰阶值的平均。
步骤S03:以一第一阈值将所述第一阵列A1的所述多个第一元素A11进行二值化,以形成一维的一第二阵列,所述多个第二阵列包含有多个第二元素,且各所述第二元素的数值为一第一数值与一第二数值中的一个,且所述第一数值大于所述第二数值。
举例而言,以图7所示之第一阵列A1为例,所述影像处理模块20依第一阈值(例如20)对所述多个第一元素A11进行分类,大于所述第一阈值之第一元素A11则设定为第一数值(例如255,代表全白),小于所述第一阈值之第一元素A11则设定为第二数值(例如0,代表全黑),藉此,形成图8所示之第二阵列A2,所述多个第二元素A21的数值为第一数值或第二数值,成为二值化的阵列。
本实施例中,步骤S03还包含一第一阈值设定步骤,用以设定所述第一阈值,所述第一阈值设定步骤可为预先在所述影像处理模块20中设定所述第一阈值,亦可为由所述多个第一元素A11进行统计而得到所述第一阈值。本实施例中,所述第一阈值设定步骤系使用一分类算法对所述多个第一元素A11进行统计,进而得到所述第一阈值,如此,可形成浮动的第一阈值,换言之,可以针对每一批的片材堆30自动产生对应的第一阈值,使用者无需手动重新设定第一阈值。更详而言,系使用分类算法将所述多个第一元素A11分为两类,且计算各所述类之第一元素A11的平均值,其中一个所述类的平均值大于另一个所述类的平均值。
所述分类算法可例如是k-平均算法(k-means)。k-平均算法系随机将所述多个第一元素A11分为两类,重复多次计算平均值及以平均值为基准对第一元素分类,直到前一次之平均值与本次的平均值收敛为一致为止,终而将所述多个第一元素A11分为两类。
接着,取平均值较大的一个所述类的第一元素中的数值最小者,定义为一第一预定值,及取平均值较小的另一个所述类的第一元素中的数值最大者,定义为一第二预定值;设定所述第一阈值为所述第一预定值及所述第二预定值之间的一数值。本实施例中,所述第一阈值为所述第一预定值与所述第二预定值的平均值。
步骤S04:取得所述第二阵列A2中两个所述第二数值之第二元素A21之间所出现的所述第一数值之第二元素A21的数量,以形成一第三阵列,所述第三阵列包含多个元素,所述多个元素包含多个第三元素,且各所述第三元素的数值为所出现的所述第一数值之第二元素的数量。
举例而言,在第二阵列A2中的第二元素A21为连续排列,代表第一影像轴向D1上的像素,因此,所述多个第二元素A21中,出现在两个第二数值(例如0)的第二元素A21之间的第一数值(例如255)的第二元素A21,即是代表为晶片32或间隔片材34之像素。换言之,在两个第二数值的第二元素A21之间,第一数值之第二元素A21的数量即是对应晶片32或间隔片材34的厚度。所述影像处理模块20记录于图9所示之第三阵列A3中,各所述第三元素A31的数值即是对应由所述影像40中所辨识之晶片32或间隔片材34的厚度。所述多个第三元素A31的数量(例如49个)即是对应由所述影像40中所辨识之所述多个晶片32与所述多个间隔片材34的片数。
此外,在本实施例中,包含在所述第三阵列A3中加入等同于所述多个第三元素A31的数量的多个第四元素,各所述第四元素之数值小于所述多个第三元素A31中的任一者的数值。如图10所示,系加入49个第四元素A32,且各所述第四元素A32的数值以零为例。亦即第三阵列A3之元素包含图9所示之第三元素A31及图10所示之第四元素A32。
步骤S05:以一第二阈值将所述第三阵列A3之元素分为一第一类与一第二类,其中,属于所述第一类的第三元素A31之数值不小于所述第二阈值。
举例而言,以图9与图10所示之第三阵列A3为例,所述影像处理模块20依第二阈值(例如6)对所述第三阵列A3之元素进行分类,如图11所示,大于或等于所述第二阈值之元素则为规类为第一类C1,小于所述第二阈值之元素则规类为第二类C2。
本实施例中,步骤S05还包含一第二阈值设定步骤,用以设定所述第二阈值,所述第二阈值设定步骤可为预先在所述影像处理模块20中设定所述第二阈值,亦可为由所述第三阵列A3的元素中进行统计而得到所述第二阈值,如此,可形成浮动的第二阈值,换言之,可以针对每一批的片材堆30自动产生对应的第二阈值,使用者无需手动重新设定第一阈值。本实施例中,所述第二阈值设定步骤系使用一分类算法对所述第三阵列A3的元素进行统计,进而得到所述第二阈值。更详而言,系使用分类算法将所述第三阵列A3的元素分为两类,且计算各所述类之元素的平均值,其中一个所述类的平均值大于另一个所述类的平均值。
所述分类算法可例如是k-平均算法(k-means)。k-平均算法系随机将所述第三阵列A3的元素分为两类,重复多次计算平均值及以平均值为基准对所述第三阵列A3的元素分类,直到前一次之平均值与本次的平均值收敛为一致为止,终而将所述第三阵列A3的元素分为两类。
接着,取平均值较大的一个所述类的所述第三阵列A3之元素中的数值最小者,定义为一第一预定值,及取平均值较小的另一个所述类的所述第三阵列A3之元素中的数值最大者,定义为一第二预定值;设定所述第二阈值为所述第一预定值及所述第二预定值之间的一数值。本实施例中,所述第二阈值为所述第一预定值与所述第二预定值的平均值。
步骤S06:计算属于所述第一类C1之第三元素A31的数量,并定义为所述多个晶片32的数量。
请配合图11,在第一类C1中的第三元素A31的数量即是所计算的所述多个晶片32的数量(例如24个)。藉此,所述影像处理模块20即可估算得到所述多个晶片32的数量。而间隔片材34的数量则为所有的第三元素A31的数量减去所计算之晶片32的数量(例如间隔片材34为25个),或者是第二类C2中元素的数量减去第四元素A32的数量(即数值非零的元素的数量)。
上述中,在步骤S04加入所述多个第四元素A32的目的是为了降低之分类算法之平均值,让步骤S05之分类可以更明显。实务上,亦可不加入所述多个第四元素A32,而在步骤S05中只对所述多个第三元素A31分类。
据上所述,本发明片材的数量计算方法,可以对厚度不同的第一片材与第二片材进行分类,准确计算出片材的数量。本发明并不限定于计算晶片的数量,只要是厚度不同且相交错排列的两种片材皆可使用本发明之计算方法计算片材的数量。本发明片材的数量计算方法用于晶片与间隔片材之计算时,所计算的晶片数量与实际的晶片数量之误差小于1%,小于现有的数片机之误差(10-30%),有效修正两种不同厚度的堆叠片材的数量计算所产生的误差。
以上所述仅为本发明优选可行实施例而已,举凡应用本发明说明书及申请专利范围所为之等效变化,理应包含在本发明之专利范围内。
附图标记说明
[本发明]
10摄影模块
20影像处理模块
30片材堆
32晶片
34间隔片材
40影像
402第一区域
404第二区域
406第三区域
50像素阵列
502垂直像素组
A1第一阵列
A11第一元素
A2第二阵列
A21第二元素
A3第三阵列
A31第三元素
A32第四元素
C1第一类
C2第二类
D1第一影像轴向
D2第二影像轴向
X轴向
S01~S06步骤
Claims (14)
1.一种片材的数量计算方法,其特征在于,应用于一片材堆,所述片材堆包含有沿一轴向交错排列的多个第一片材与多个第二片材,每一个所述第二片材与每一个所述第一片材相邻,且各所述第一片材的厚度大于各所述第二片材的厚度;所述片材的数量计算方法系由一影像处理模块所执行,包含下列步骤:
A.接收所述片材堆的一影像;
B.由所述影像中沿着对应所述轴向的一第一影像轴向之取得多个像素的灰阶值,以形成一维的一第一阵列,所述第一阵列包含有多个第一元素,所述多个第一元素的数值分别为所述多个灰阶值;
C.以一第一阈值将所述第一阵列的所述多个第一元素进行二值化,以形成一维的一第二阵列,所述多个第二阵列包含有多个第二元素,且各所述第二元素的数值为一第一数值与一第二数值中的一个,且所述第一数值大于所述第二数值;
D.取得所述第二阵列中两个所述第二数值之第二元素之间所出现的所述第一数值之第二元素的数量,以形成一第三阵列,所述第三阵列包含多个元素,所述多个元素包含多个第三元素,且各所述第三元素的数值为所出现的所述第一数值之第二元素的数量;
E.以一第二阈值将所述第三阵列之元素分为一第一类与一第二类,其中,属于所述第一类之第三元素之数值不小于所述第二阈值;
F.计算属于所述第一类之第三元素的数量,并定义为所述多个第一片材的数量。
2.如权利要求1所述的片材的数量计算方法,其中,步骤C中包含有一第一阈值设定步骤,用以设定所述第一阈值。
3.如权利要求2所述的片材的数量计算方法,其中,所述第一阈值设定步骤包含:
使用一分类算法将所述多个第一元素分为两类,且计算各所述类的第一元素的平均值,其中一个所述类的平均值大于另一个所述类的平均值;
取平均值较大的一个所述类的第一元素中的数值最小者,为一第一预定值,及取平均值较小的另一个所述类的第一元素中的数值最大者,为一第二预定值;
设定所述第一阈值为介于所述第一预定值及所述所述第二预定值之间的一数值。
4.如权利要求3所述的片材的数量计算方法,其中,所述第一阈值为所述第一预定值与所述第二预定值的平均值。
5.如权利要求3所述的片材的数量计算方法,其中,所述分类算法为k-平均算法。
6.如权利要求1所述的片材的数量计算方法,其中,步骤E中包含有一第二阈值设定步骤,用以设定所述第二阈值。
7.如权利要求6所述的片材的数量计算方法,其中,所述第二阈值设定步骤包含:
使用一分类算法将所述第三阵列之元素分为两类,且计算各所述类之元素的平均值,其中一个所述类的平均值大于另一个所述类的平均值;
取平均值较大的一个所述类的所述第三阵列之元素中的数值最小者,为一第一预定值,及取平均值较小的另一个所述类的所述第三阵列之元素中的数值最大者,为一第二预定值;
设定所述第二阈值为所述第一预定值及所述第二预定值之间的一数值。
8.如权利要求7所述的片材的数量计算方法,其中,所述第二阈值为所述第一预定值与所述第二预定值的平均值。
9.如权利要求7所述的片材的数量计算方法,其中,所述分类算法为k-平均算法。
10.如权利要求7所述的片材的数量计算方法,其中,步骤D中包含在所述第三阵列中加入等同于所述多个第三元素的数量的多个第四元素,各所述第四元素之数值小于所述多个第三元素中的任一者的数值。
11.如权利要求10所述的片材的数量计算方法,其中,各所述第四元素的数值为零。
12.如权利要求1所述的片材的数量计算方法,其中,步骤B中包含由所述影像中取垂直于所述第一影像轴向的一第二影像轴向上的一目标区域,所述目标区域沿所述第一影像轴向上具有并列的多个垂直像素组;由所述目标区域中沿所述第一影像轴向计算各所述垂直像素组之灰阶值的平均,以取得所述第一影像轴向之所述多个像素的灰阶值,形成所述第一阵列。
13.如权利要求12所述的片材的数量计算方法,其中,所述目标区域为所述影像中在所述第二影像轴向上的一中段之区域。
14.如权利要求13所述的片材的数量计算方法,其中,步骤B中系所述影像于所述第二影像轴向上依序区分为一第一区域、一第二区域及一第三区域,所述第二区域构成所述目标区域;沿着所述第二影像轴向上,所述第二区域之像素的数量占所述第一区域至所述第三区域之像素总数量的30~50%之间。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108124616A TWI723460B (zh) | 2019-07-12 | 2019-07-12 | 片材之數量計算方法 |
TW108124616 | 2019-07-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215792A true CN112215792A (zh) | 2021-01-12 |
CN112215792B CN112215792B (zh) | 2024-01-19 |
Family
ID=74059081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010401276.6A Active CN112215792B (zh) | 2019-07-12 | 2020-05-13 | 片材的数量计算方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11094052B2 (zh) |
CN (1) | CN112215792B (zh) |
TW (1) | TWI723460B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW578118B (en) * | 2002-03-06 | 2004-03-01 | Chunghwa Telecom Co Ltd | Method and device for capturing license plate area from the vehicle image and correcting license plate oblique |
CN1485802A (zh) * | 2002-09-25 | 2004-03-31 | 中华电信股份有限公司 | 以多重笔书厚度型样比对为基础的影像中字串撷取方法 |
CN1808497A (zh) * | 2005-01-21 | 2006-07-26 | 建兴电子科技股份有限公司 | 影像处理单元及其影像处理方法 |
JP2010193084A (ja) * | 2009-02-17 | 2010-09-02 | Riso Kagaku Corp | 画像処理装置及び画像処理方法 |
CN104880389A (zh) * | 2015-04-01 | 2015-09-02 | 江苏大学 | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 |
CN109341626A (zh) * | 2018-10-24 | 2019-02-15 | 中国铁道科学研究院集团有限公司标准计量研究所 | 直线度计算方法、截面最大直径与最小直径之差计算方法 |
WO2019104627A1 (zh) * | 2017-11-30 | 2019-06-06 | 深圳配天智能技术研究院有限公司 | 一种图像的灰阶分类方法、装置以及可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5534690A (en) * | 1995-01-19 | 1996-07-09 | Goldenberg; Lior | Methods and apparatus for counting thin stacked objects |
FR2854476B1 (fr) * | 2003-04-30 | 2005-07-01 | Datacard Inc | Dispositif de comptage de produits empiles |
US10169660B1 (en) * | 2014-12-19 | 2019-01-01 | Amazon Technologies, Inc. | Counting inventory items using image analysis |
EP3286697A1 (en) * | 2015-04-21 | 2018-02-28 | Das-Nano, S.L. | Counting stacked planar substrates |
-
2019
- 2019-07-12 TW TW108124616A patent/TWI723460B/zh active
-
2020
- 2020-05-13 CN CN202010401276.6A patent/CN112215792B/zh active Active
- 2020-06-23 US US16/909,129 patent/US11094052B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW578118B (en) * | 2002-03-06 | 2004-03-01 | Chunghwa Telecom Co Ltd | Method and device for capturing license plate area from the vehicle image and correcting license plate oblique |
CN1485802A (zh) * | 2002-09-25 | 2004-03-31 | 中华电信股份有限公司 | 以多重笔书厚度型样比对为基础的影像中字串撷取方法 |
CN1808497A (zh) * | 2005-01-21 | 2006-07-26 | 建兴电子科技股份有限公司 | 影像处理单元及其影像处理方法 |
JP2010193084A (ja) * | 2009-02-17 | 2010-09-02 | Riso Kagaku Corp | 画像処理装置及び画像処理方法 |
CN104880389A (zh) * | 2015-04-01 | 2015-09-02 | 江苏大学 | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 |
WO2019104627A1 (zh) * | 2017-11-30 | 2019-06-06 | 深圳配天智能技术研究院有限公司 | 一种图像的灰阶分类方法、装置以及可读存储介质 |
CN109341626A (zh) * | 2018-10-24 | 2019-02-15 | 中国铁道科学研究院集团有限公司标准计量研究所 | 直线度计算方法、截面最大直径与最小直径之差计算方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI723460B (zh) | 2021-04-01 |
CN112215792B (zh) | 2024-01-19 |
TW202103053A (zh) | 2021-01-16 |
US11094052B2 (en) | 2021-08-17 |
US20210012481A1 (en) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9098775B2 (en) | Multi-class identifier, method, and computer-readable recording medium | |
US8326037B1 (en) | Methods and apparatus for locating an object in an image | |
EP3239929B1 (en) | Image processing apparatus, image processing method and program | |
US8660350B2 (en) | Image segmentation devices and methods based on sequential frame image of static scene | |
US20080279460A1 (en) | Scene Classification Apparatus and Scene Classification Method | |
US20170353611A1 (en) | Image reading apparatus, image forming apparatus, image reading method, and non-transitory storage medium | |
JP2010123090A (ja) | 文字列認識方法及び文字列認識装置 | |
US10275682B2 (en) | Information processing apparatus, information processing method, and storage medium | |
CN111814736B (zh) | 快递面单信息的识别方法、装置、设备及存储介质 | |
CN110223269A (zh) | 一种fpc缺陷检测方法和装置 | |
CN116368375A (zh) | 缺陷检查装置、缺陷检查方法以及制造方法 | |
US11861451B2 (en) | Method for chip collection and method for chip positioning | |
EP3014528B1 (en) | Determining barcode locations in documents | |
CN112215792B (zh) | 片材的数量计算方法 | |
CN106096713B (zh) | 一种基于空间和灰度特征的粗精二级纸张计数方法 | |
CN111968115B (zh) | 基于栅格化图像处理方法的骨科耗材检测方法及系统 | |
CN116797598B (zh) | 基于图像特征的养殖饲料质量精细化检测方法 | |
CN112084804B (zh) | 针对信息缺失条形码智能获取补足像素的工作方法 | |
US20070201743A1 (en) | Methods and systems for identifying characteristics in a digital image | |
US10223568B2 (en) | Barcode decoding method | |
US20180173946A1 (en) | Learning device, paper sheet identification device, and paper sheet identification method | |
US20080279456A1 (en) | Scene Classification Apparatus and Scene Classification Method | |
CN115601564B (zh) | 基于图像识别的胶体轮廓检测方法及系统 | |
CN115588145A (zh) | 基于无人机的河道垃圾漂浮识别方法及系统 | |
CN112884767B (zh) | 图像拟合方法 |
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 |