CN112465787A - 基于深度学习的数字微镜高亮缺陷检测方法 - Google Patents

基于深度学习的数字微镜高亮缺陷检测方法 Download PDF

Info

Publication number
CN112465787A
CN112465787A CN202011393074.8A CN202011393074A CN112465787A CN 112465787 A CN112465787 A CN 112465787A CN 202011393074 A CN202011393074 A CN 202011393074A CN 112465787 A CN112465787 A CN 112465787A
Authority
CN
China
Prior art keywords
digital micromirror
defect
micromirror device
highlight
deep learning
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
Application number
CN202011393074.8A
Other languages
English (en)
Inventor
牛斌
张福民
关小梅
曲兴华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202011393074.8A priority Critical patent/CN112465787A/zh
Publication of CN112465787A publication Critical patent/CN112465787A/zh
Pending legal-status Critical Current

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/741—Circuitry for compensating brightness variation in the scene by increasing the dynamic range of the image compared to the dynamic range of the electronic image sensors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/70—SSIS architectures; Circuits associated therewith
    • H04N25/76—Addressed sensors, e.g. MOS or CMOS sensors
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20208—High dynamic range [HDR] image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Light Control Or Optical Switches (AREA)
  • Image Analysis (AREA)

Abstract

基于深度学习的数字微镜高亮缺陷检测方法，属于视觉检测技术领域，解决了高亮工件表面缺陷识别效率低下的问题。本发明所述的方法建立在数字微镜器件计算成像系统之上，高亮缺陷表面的强反射光线经过空间光调制器即数字微镜器件的光强调制之后进入相机CMOS面成像，数字微镜器件的光强调制使用自适应光强调制方法，得到高亮缺陷的高动态范围图像，通过采集多幅图像制作高动态范围图像数据集，结合深度学习目标检测框架Mask RCNN，使用GPU训练神经网络，最终实现高亮缺陷的快速检测和分割，弥补了单独使用数字微镜器件或者深度学习网络的不足，提高了检测效率。

Description

基于深度学习的数字微镜高亮缺陷检测方法
技术领域
本发明涉及视觉检测技术领域，特别涉及一种基于深度学习的数字微镜高亮缺陷检测方法。
技术背景
传统的基于数字微镜器件的计算成像系统通过反射式空间光调制器能够实现高动态范围成像，提高成像清晰度，但系统不具备检测和识别缺陷像素坐标和缺陷种类的能力，而深度学习算法作为计算机视觉领域的重要研究方向，很难单纯在软件上对高亮的缺陷图像进行分类和分割，通过基于数字微镜器件的计算成像系统制作高动态范围图像数据集，将二者结合，能够实现高亮工件表面缺陷的智能定位、分类和分割，其可应用于普通低动态相机无法正常检测识别缺陷的工业领域。
发明内容
本发明的目的在于提出了一种基于深度学习的数字微镜高亮缺陷检测方法，该方法基于数字微镜器件计算成像系统来实现。该发明有利于提高高亮工件表面缺陷的检测效率。
本发明所述的基于深度学习的数字微镜高亮缺陷检测方法，是基于数字微镜器件计算成像系统来实现的。
所述计算成像系统包括灰度CMOS相机1、双向远心镜头2、全内反射棱镜3、数字微镜器件4、双胶合消色差透镜5、高亮缺陷样品6、处理器7。
数字微镜器件4是一种反射式空间光调制器，有0°、+12°、-12°三个状态(+12°为开启状态，-12°为关闭状态)。
高亮缺陷样品6的反射光线经过双胶合消色差透镜5后在全内反射棱镜3的全反射下成像在数字微镜器件4的镜面上，数字微镜器件由数百万个可编程控制的微镜所组成，通过设计合适的掩模控制反射光光强，经调制后的光强经过双向远心镜头2会聚到灰度CMOS相机1的传感器上，双向远心镜头2能够在一定的成像范围内保证放大倍率的稳定。
处理器7为采用]GTX 2080TI图像处理器的计算机，保证能够实现高分辨率高动态范围图像和庞大数据集下的神经网络训练工作。
所述方法包括：
步骤1、将高亮缺陷样品6放在计算成像系统双胶合消色差透镜5的视野内，调整好样品到透镜的距离，像距和物距的比值为透镜的放大倍数；
步骤2、数字微镜器件4处于完全开启状态，灰度CMOS相机1采集设计好的数字微镜器件棋盘格图案，提取棋盘格角点坐标，获取数字微镜和CMOS像素之间的映射关系矩阵；
步骤3、数字微镜器件4处于完全开启状态，灰度CMOS相机1采集高亮缺陷图片，提取高亮区域，设计合适的数字微镜器件掩模；
步骤4、通过掩模控制数字微镜器件4的开启关闭周期，灰度CMOS相机1采集得到高动态范围图像数据集；
步骤5、通过高动态范围图像数据集训练目标检测神经网络，得到高亮缺陷下的神经网络检测模型，验证得到高亮缺陷的Mask以及定位框像素坐标。
步骤2中数字微镜和CMOS像素之间的非线性映射关系采用梯度下降法求得，相比于之前的最小二乘法，拟合精度更高，拟合结果更加稳定，其拟合关系式为：
Figure BSA0000226494550000021
其中(u，v)为CMOS像素坐标系，(x，y)为数字微镜坐标系，a和b为拟合系数。
步骤3中所述的数字微镜器件的掩模生成算法改用线性变换或者指数变换的方式生成，包括以下步骤：
步骤3.1、灰度CMOS相机1采集高亮缺陷图片；
步骤3.2、对高亮缺陷图片进行灰度取反操作，然后对图像的灰度值进行线性变换或者指数变化等图像增强算法处理，选取合适的变换参数；
步骤3.3、将掩模导入到数字微镜器件，数字微镜按照一定周期偏转，灰度CMOS相机1采集到高动态范围图像数据集。
本发明为基于深度学习的数字微镜高亮缺陷检测方法。具体的有益效果是：
本发明所述的基于深度学习的数字微镜高亮缺陷检测方法，将深度学习算法应用到数字微镜器件计算成像系统中，目标检测框架以Mask RCNN为基础，使用采集到的高动态范围图像为数据集，检测缺陷种类为掉角(Drop horn)和划痕(Scratch)，神经网络会对高亮缺陷的Mask以及定位框像素坐标进行标注，以采用到的缺陷检测识别的正确率来判断神经网络的性能，训练集识别正确率为99.5％，测试集识别正确率为90.0％。本发明将深度学习目标检测框架应用在具体的复杂的工业场景中，弥补了基于数字微镜器件的计算成像系统检测效率低的问题，实现了高亮工件表面缺陷智能定位、分类和分割。
附图说明
图1为实施例提及的基于数字微镜器件的计算成像系统光路结构图。
图2为实施例提及的数字微镜和CMOS像素之间的拟合坐标精度示意图，横坐标为棋盘格角点个数，纵坐标为拟合误差值。
图3为实施例提及的基于迭代算法生成的数字微镜掩模图案，该实施例采用的是普通铝制工件，表面有一定的纹路。
图4为基于图像增强算法生成的掩模图案，该实施例采用的是普通铝制工件，表面有一定的纹路。
图5为实施例中提及的高亮工件表面图像，该实施例采用的是普通铝制工件，表面有一定的纹路。
图6为经过数字微镜系统恢复后的工件表面图像，该实施例采用的是普通铝制工件，表面有一定的纹路。
图7为实施例中提及的神经网络训练过程中总体损失值变化曲线。
图8为实施例中提及的训练后Mask RCNN目标检测框架对高亮缺陷工件的检测结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本实施例所述的基于深度学习的数字微镜高亮缺陷检测方法，其基于数字微镜器件计算成像系统实现。该系统包括灰度CMOS相机1、双向远心镜头2、全内反射棱镜3、数字微镜器件4、双胶合消色差透镜5、高亮缺陷样品6、处理器7。
图1为所述的基于数字微镜器件的计算成像系统，高亮缺陷样品6的反射光线经过双胶合消色差透镜5后在全内反射棱镜3的全反射下成像在数字微镜器件4的镜面上，数字微镜器件由数百万个可编程控制的微镜所组成，通过设计合适的掩模控制反射光光强，经调制后的光强经过双向远心镜头2会聚到灰度CMOS相机1的传感器上，双向远心镜头2能够在一定的成像范围内保证放大倍率的稳定。
处理器7为采用GTX 2080TI图像处理器的计算机，保证能够实现高分辨率高动态范围图像和庞大数据集下的神经网络训练工作。
所述方法包括：
步骤1、将高壳缺陷样品6放在计算成像系统双胶合消色差透镜5的视野内，调整好样品到透镜的距离，像距和物距的比值为透镜的放大倍数；
步骤2、数字微镜器件4处于完全开启状态，灰度CMOS相机1采集设计好的数字微镜器件棋盘格图案，提取棋盘格角点坐标，获取数字微镜和CMOS像素之间的映射关系矩阵；
步骤3、数字微镜器件4处于完全开启状态，灰度CMOS相机1采集高亮缺陷图片，提取高亮区域，设计合适的数字微镜器件掩模；
步骤4、通过掩模控制数字微镜器件4的开启关闭周期，灰度CMOS相机1采集得到高动态范围图像数据集；
步骤5、通过高动态范围图像数据集训练目标检测神经网络，得到高亮缺陷下的神经网络检测模型，验证得到高亮缺陷的Mask以及定位框像素坐标。
图2为步骤2中所述的数字微镜和CMOS像素之间的非线性映射关系拟合后的棋盘格角点像素坐标误差值，其拟合关系式为：
Figure BSA0000226494550000031
数字微镜和CMOS像素坐标之间拟合误差保持在0.5像素单元之内。
图4为步骤3中所述使用线性变换或者指数变换的方式生成的数字微镜器件掩模图案，包括以下步骤：
步骤3.1、灰度CMOS相机1采集高亮缺陷图片；
步骤3.2、对高亮缺陷图片进行灰度取反操作，然后对图像的灰度值进行线性变换或者指数变化等图像增强算法处理，选取合适的变换参数；
步骤3.3、将掩模导入到数字微镜器件，数字微镜按照一定周期偏转，灰度CMOS相机1采集到高动态范围图像数据集。
本实施例所述的基于深度学习的数字微镜高亮缺陷检测方法，将深度学习算法应用到数字微镜器件计算成像系统中，目标检测框架以Mask RCNN为基础，使用采集到的高动态范围图像为数据集，检测缺陷种类为掉角(Drop horn)和划痕(Scratch)，神经网络会对高亮缺陷的Mask以及定位框像素坐标进行标注，以采用到的缺陷检测识别的正确率来判断神经网络的性能，训练集识别正确率为99.5％，测试集识别正确率为90.0％。
本实施例所提及的深度学习目标检测框架Mask RCNN是基于Windows平台下Python编写的TensorFlow框架训练实现的，训练过程中的总损失函数值曲线如图7中所示。
本实施例所述的深度学习神经网络可以实现高亮工件表面缺陷智能定位、分类和分割，并且在训练集和测试集上做了验证，图像大小为2048×1536，每张图片的检测时间大概为4秒，图8中所示为神经网络检测结果，缺陷种类为掉角(Drop horn)，方框两角点的像素坐标为(752 748 911 927)。
虽然在本文中选取了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实中。

Claims (7)

1.基于深度学习的数字微镜高亮缺陷检测方法，其特征在于，所述方法基于数字微镜器件的计算成像系统来采集高动态范围图像数据集；
所述计算成像系统包括灰度CMOS相机(1)、双向远心镜头(2)、全内反射棱镜(3)、数字微镜器件(4)、双胶合消色差透镜(5)、高亮缺陷样品(6)、处理器(7)；
数字微镜器件(4)是一种反射式空间光调制器，有0°、+12°、-12°三个状态(+12°为开启状态，-12°为关闭状态)；
高亮缺陷样品(6)为钕铁硼材料，材料表面在强光照射下存在漫反射以及镜面反射光，缺陷处反射光以镜面反射为主；
高亮缺陷样品(6)的反射光线经过双胶合消色差透镜(5)后在全内反射棱镜(3)的全反射下成像在数字微镜器件(4)的镜面上，数字微镜器件由数百万个可编程控制的微镜所组成，通过设计合适的掩模控制反射光光强，经调制后的光强经过双向远心镜头(2)会聚到灰度CMOS相机(1)的传感器上，双向远心镜头(2)能够在一定的成像范围内保证放大倍率的稳定；
处理器(7)为采用GTX 2080TI图像处理器的计算机，保证能够实现高分辨率高动态范围图像和庞大数据集下的神经网络训练工作；
所述方法包括：
步骤1、将高亮缺陷样品(6)放在计算成像系统双胶合消色差透镜(5)的视野内，调整好样品到透镜的距离，像距和物距的比值为透镜的放大倍数；
步骤2、数字微镜器件(4)处于完全开启状态，灰度CMOS相机(1)采集设计好的数字微镜器件棋盘格图案，提取棋盘格角点坐标，获取数字微镜和CMOS像素之间的映射关系矩阵；
步骤3、数字微镜器件(4)处于完全开启状态，灰度CMOS相机(1)采集高亮缺陷图片，提取高亮区域，设计合适的数字微镜器件掩模图案；
步骤4、通过掩模控制数字微镜器件(4)的开启关闭周期，灰度CMOS相机(1)采集得到高动态范围图像数据集；
步骤5、通过高动态范围图像数据集训练目标检测神经网络，得到高亮缺陷下的神经网络检测模型，验证得到高亮缺陷的Mask以及定位框像素坐标。
2.根据权利要求1所述的一种基于深度学习的数字微镜高亮缺陷检测方法，其特征在于，在光路中加入了全内反射棱镜(3)，在折叠光路的同时最大程度的保证了光利用效率。
3.根据权利要求1所述的一种基于深度学习的数字微镜高亮缺陷检测方法，其特征在于，数字微镜和CMOS像素之间的非线性映射关系采用梯度下降法求得，相比于之前的最小二乘法，拟合精度更高，拟合结果更加稳定，其拟合关系式为：
Figure FSA0000226494540000011
其中(u，v)为CMOS像素坐标系，(x，y)为数字微镜坐标系，a和b为拟合系数。
4.根据权利要求1所述的一种基于深度学习的数字微镜高亮缺陷检测方法，其特征在于，数字微镜器件的掩模生成算法改用线性变换或者指数变换的方式生成，相比于之前的迭代算法，节省了运算时间，包括以下步骤：
步骤4.1、灰度CMOS相机(1)采集高亮缺陷图片；
步骤4.2、对高亮缺陷图片进行灰度取反操作，然后对图像的灰度值进行线性变换或者指数变化等图像增强算法处理，选取合适的变换参数；
步骤4.3、将掩模导入到数字微镜器件，数字微镜按照一定周期偏转，灰度CMOS相机(1)采集到高动态范围图像数据集。
5.根据权利要求1所述的一种基于深度学习的数字微镜高亮缺陷检测方法，其特征在于，将深度学习算法应用到数字微镜器件计算成像系统中，目标检测框架以Mask RCNN为基础，使用采集到的高动态范围图像为数据集，检测缺陷种类为掉角(Drop horn)和划痕(Scratch)，神经网络会对高亮缺陷的Mask以及定位框像素坐标进行标注，以采用到的缺陷检测识别的正确率来判断神经网络的性能，训练集识别正确率为99.5％，测试集识别正确率为90.0％。
6.根据权利要求3所述的数字微镜和CMOS像素单元之间的映射关系矩阵采用梯度下降法求取，基于Python的TensorFlow框架实现。
7.根据权利要求5所述的深度学习目标检测框架Mask RCNN基于Windows平台下Python编写的TensorFlow框架实现。
CN202011393074.8A 2020-12-03 2020-12-03 基于深度学习的数字微镜高亮缺陷检测方法 Pending CN112465787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011393074.8A CN112465787A (zh) 2020-12-03 2020-12-03 基于深度学习的数字微镜高亮缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011393074.8A CN112465787A (zh) 2020-12-03 2020-12-03 基于深度学习的数字微镜高亮缺陷检测方法

Publications (1)

Publication Number Publication Date
CN112465787A true CN112465787A (zh) 2021-03-09

Family

ID=74805618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011393074.8A Pending CN112465787A (zh) 2020-12-03 2020-12-03 基于深度学习的数字微镜高亮缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112465787A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466229A (zh) * 2021-06-29 2021-10-01 天津大学 一种基于合成条纹的数字微镜相机像素级坐标映射方法
CN113674231A (zh) * 2021-08-11 2021-11-19 宿迁林讯新材料有限公司 基于图像增强的轧制过程中氧化铁皮检测方法与系统
CN114018926A (zh) * 2022-01-04 2022-02-08 天津大学四川创新研究院 一种基于灰阶的数字微镜调光模板制作方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013186475A (ja) * 2012-03-09 2013-09-19 Philloptics Co Ltd デジタルマイクロミラー装置用ミラー不良検出装置
CN106679591A (zh) * 2016-12-30 2017-05-17 合肥工业大学 一种基于数字微镜的高反光表面三维测量装置及方法
CN107607040A (zh) * 2017-08-11 2018-01-19 天津大学 一种适用于强反射表面的三维扫描测量装置及方法
CN109814328A (zh) * 2019-03-28 2019-05-28 京东方科技集团股份有限公司 虚拟掩膜板、掩膜板及其制作方法
CN111260626A (zh) * 2020-01-15 2020-06-09 佛山科学技术学院 一种基于深度学习的工件磨损检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013186475A (ja) * 2012-03-09 2013-09-19 Philloptics Co Ltd デジタルマイクロミラー装置用ミラー不良検出装置
CN106679591A (zh) * 2016-12-30 2017-05-17 合肥工业大学 一种基于数字微镜的高反光表面三维测量装置及方法
CN107607040A (zh) * 2017-08-11 2018-01-19 天津大学 一种适用于强反射表面的三维扫描测量装置及方法
CN109814328A (zh) * 2019-03-28 2019-05-28 京东方科技集团股份有限公司 虚拟掩膜板、掩膜板及其制作方法
CN111260626A (zh) * 2020-01-15 2020-06-09 佛山科学技术学院 一种基于深度学习的工件磨损检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI SHAO ET AL.: "A Method for Identifying Defects on Highly Reflective Roller Surface Based on Image Library Matching", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466229A (zh) * 2021-06-29 2021-10-01 天津大学 一种基于合成条纹的数字微镜相机像素级坐标映射方法
CN113674231A (zh) * 2021-08-11 2021-11-19 宿迁林讯新材料有限公司 基于图像增强的轧制过程中氧化铁皮检测方法与系统
CN113674231B (zh) * 2021-08-11 2022-06-07 宿迁林讯新材料有限公司 基于图像增强的轧制过程中氧化铁皮检测方法与系统
CN114018926A (zh) * 2022-01-04 2022-02-08 天津大学四川创新研究院 一种基于灰阶的数字微镜调光模板制作方法

Similar Documents

Publication Publication Date Title
CN112465787A (zh) 基于深度学习的数字微镜高亮缺陷检测方法
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
TWI238366B (en) Image processing method for appearance inspection
CN105352437B (zh) 板卡位置检测方法及装置
US20170277979A1 (en) Identifying defect on specular surfaces
CN115791822A (zh) 晶圆表面缺陷的视觉检测算法及检测系统
KR20050013570A (ko) 패턴 검사 방법
CN111507976A (zh) 基于多角度成像的缺陷检测方法及系统
CN111986170A (zh) 一种基于深度神经网络Mask R-CNN的缺陷检测算法
CN111474179A (zh) 镜片表面清洁度检测装置及方法
CN114742818A (zh) 一种基于工业面阵摄像头视觉缺陷检测系统及其检测方法
CN114719749A (zh) 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统
CN113409234A (zh) 卷积神经网络(cnn)算法支持的晶片的最小监督自动检查(ai)
CN116739991A (zh) 基于深度学习的液晶显示屏表面缺陷检测方法及电子装置
CN115775236A (zh) 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及系统
CN115752969A (zh) 一种铝箔封口密封性检测方法及系统和设备
CN117593264A (zh) 一种改进的联合YOLOv5和知识蒸馏的汽车发动机缸孔内壁检测方法
Yang et al. Surface defects evaluation system based on electromagnetic model simulation and inverse-recognition calibration method
CN113327295A (zh) 一种基于级联全卷积神经网络的机器人快速抓取方法
CN117252817A (zh) 一种透明导电薄膜玻璃表面缺陷检测方法及系统
KR20220062328A (ko) 웨이퍼 검사 방법 및 시스템
US20230016057A1 (en) Method for generating and recognizing deformable of fiducial markers based on artificial intelligence in end-to-end manner and system thereof
TW200842339A (en) Mura detection method and system
CN114596271A (zh) 一种高反光表面腐蚀特征提取方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210309