CN112508043A - 基于模具应力感受器的屏幕缘外弧缺陷检测的方法 - Google Patents
基于模具应力感受器的屏幕缘外弧缺陷检测的方法 Download PDFInfo
- Publication number
- CN112508043A CN112508043A CN202110072222.4A CN202110072222A CN112508043A CN 112508043 A CN112508043 A CN 112508043A CN 202110072222 A CN202110072222 A CN 202110072222A CN 112508043 A CN112508043 A CN 112508043A
- Authority
- CN
- China
- Prior art keywords
- stress
- screen
- receptor
- edge
- outer arc
- 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
Images
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种本发明的基于模具应力感受器的屏幕缘外弧缺陷检测的方法,包括步骤如下:步骤一:使用合格屏幕制作应力感受器模具;步骤二:将被检产品屏幕边缘与应力感受器的应力感受面相配合,产生应力分布图;步骤三:使用卷积神经网络对应力分布图进行特征提取;步骤四:使用基于卷积神经网络的目标检测技术对提取到的缺陷特征加以分类与回归,最终在缺陷位置产生标注框和置信度概率值。本发明能够避免使用光学方法检测与曲面屏幕弧面部分产生的光学效应导致的精度下降,有效提高检测效率和精度。
Description
技术领域
本发明涉及一种曲面OLED屏幕边缘外弧的缺陷检测,更具体的说,是涉及一种基于模具应力感受器的屏幕缘外弧缺陷检测的方法。
背景技术
曲面屏幕产品边缘材质为光学玻璃面板,截面形状为弧面。传统缺陷检测方法基于反射光或透射光光强检测原理,容易受到屏幕边缘材质的光学性质多影响,使用传统平面光学感受器拍摄曲面屏幕边缘,需要矫正畸变后再对图像进行检测,畸变矫正过程需要使用插值填充空出的像素,插值计算通过相邻像素值产生,容易削弱缺陷特征并产生误差。
专利申请号为201611207618.0,名称为曲面电子显示屏用弧形玻璃面板缺陷检测方法,利用周期条纹结构光对带弧边的玻璃面板曲率较大的部分进行高精度检测。该方法将两组周期性条纹结构光投射在弧形玻璃表面,与屏幕短边平行。通过检测周期性条纹结构光的梯度数据,使用均值以及标准差确定阈值,对含有却显得高频信息进行提取。最终整合不同区域的缺陷分布情况,完成检测。该方法将结构光照明技术用于电子显示屏玻璃面板缺陷检测领域,克服了传统检测方法无法对带弧边的玻璃面板曲率较大的弧边进行高精度检测的缺点,对于带弧边的玻璃面板可以同时高精度检测双侧弧边和中间平面部分的缺陷。但是结构光分布容易被屏幕外边缘透镜反射、折射,最终导致测量出现偏差。
发明内容
本发明的目的是针对现有产品存在的不足,而提供一种有效提高检测效率、避免使用光学方法检测与曲面屏幕弧面部分产生的光学效应导致的精度下降的基于模具应力感受器的屏幕缘外弧缺陷检测的方法。
本发明的基于模具应力感受器的屏幕缘外弧缺陷检测的方法,包括步骤如下:
步骤一:使用合格屏幕制作应力感受器模具;
步骤二:将被检产品屏幕边缘与应力感受器的应力感受面相配合,产生应力分布图;
步骤三:使用卷积神经网络对应力分布图进行特征提取;
步骤四:使用基于卷积神经网络的目标检测技术对提取到的缺陷特征加以分类与回归,最终在缺陷位置产生标注框和置信度概率值。
进一步的,所述应力分布图对应于实数矩阵,可将其等同为单通道灰度图像。
进一步的,所述步骤四中的目标检测技术,使用卷积神经网络提取特征,检测头部用作缺陷位置回归计算与分类。
本发明的有益效果:能够避免使用光学方法检测与曲面屏幕弧面部分产生的光学效应导致的精度下降,有效提高检测效率和精度。
附图说明
图1为本发明的结构示意图;
图中:被检产品1、应力感受器2、应力感受面3。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明的基于模具应力感受器的屏幕缘外弧缺陷检测的方法,包括步骤如下:
步骤一:使用合格屏幕制作应力感受器模具;
步骤二:将被检产品1屏幕边缘与应力感受器2的应力感受面3相配合,产生应力分布图;
步骤三:使用卷积神经网络对应力分布图进行特征提取;
步骤四:使用基于卷积神经网络的目标检测技术对提取到的缺陷特征加以分类与回归,最终在缺陷位置产生标注框和置信度概率值。
所述应力分布图对应于实数矩阵,可将其等同为单通道灰度图像,所述步骤四中的目标检测技术,使用卷积神经网络提取特征,检测头部用作缺陷位置回归计算与分类。
检测时,将被检产品屏幕边缘铲平其外延部分与应力感受器相配合,产生应力分布图。如若被检产品外弧含有瑕疵,导致外模具不平整,则会在应力图上产生不均匀的应力分布,通过对不均匀应力分布的特征提取与检测,既可完成屏幕外弧缺陷检测。
对于本领域的普通技术人员而言,具体实施例只是对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (3)
1.一种基于模具应力感受器的屏幕缘外弧缺陷检测的方法,其特征是,包括步骤如下:
步骤一:使用合格屏幕制作应力感受器模具;
步骤二:将被检产品(1)屏幕边缘与应力感受器(2)的应力感受面(3)相配合,产生应力分布图;
步骤三:使用卷积神经网络对应力分布图进行特征提取;
步骤四:使用基于卷积神经网络的目标检测技术对提取到的缺陷特征加以分类与回归,最终在缺陷位置产生标注框和置信度概率值。
2.根据权利要求1所述的基于模具应力感受器的屏幕缘外弧缺陷检测的方法,其特征是,所述应力分布图对应于实数矩阵,可将其等同为单通道灰度图像。
3.根据权利要求1所述的基于模具应力感受器的屏幕缘外弧缺陷检测的方法,其特征是,所述步骤四中的目标检测技术,使用卷积神经网络提取特征,检测头部用作缺陷位置回归计算与分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072222.4A CN112508043A (zh) | 2021-01-20 | 2021-01-20 | 基于模具应力感受器的屏幕缘外弧缺陷检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072222.4A CN112508043A (zh) | 2021-01-20 | 2021-01-20 | 基于模具应力感受器的屏幕缘外弧缺陷检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508043A true CN112508043A (zh) | 2021-03-16 |
Family
ID=74952610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110072222.4A Pending CN112508043A (zh) | 2021-01-20 | 2021-01-20 | 基于模具应力感受器的屏幕缘外弧缺陷检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508043A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103019478A (zh) * | 2012-12-14 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 基于曲面显示的触控装置和触控检测方法 |
CN107677402A (zh) * | 2017-08-22 | 2018-02-09 | 洛阳兰迪玻璃机器股份有限公司 | 一种玻璃板应力在线检测方法 |
CN207704327U (zh) * | 2017-12-28 | 2018-08-07 | 上海传英信息技术有限公司 | 一种具有曲面玻璃盖板的智能终端 |
CN110083270A (zh) * | 2019-04-30 | 2019-08-02 | 歌尔股份有限公司 | 一种电子设备及其控制方法 |
CN111386449A (zh) * | 2019-03-22 | 2020-07-07 | 合刃科技(深圳)有限公司 | 曲面检材的应力分析系统 |
CN211454566U (zh) * | 2019-12-31 | 2020-09-08 | 深圳瑞湖科技有限公司 | 应力感应组件及曲面屏 |
-
2021
- 2021-01-20 CN CN202110072222.4A patent/CN112508043A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103019478A (zh) * | 2012-12-14 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 基于曲面显示的触控装置和触控检测方法 |
CN107677402A (zh) * | 2017-08-22 | 2018-02-09 | 洛阳兰迪玻璃机器股份有限公司 | 一种玻璃板应力在线检测方法 |
CN207704327U (zh) * | 2017-12-28 | 2018-08-07 | 上海传英信息技术有限公司 | 一种具有曲面玻璃盖板的智能终端 |
CN111386449A (zh) * | 2019-03-22 | 2020-07-07 | 合刃科技(深圳)有限公司 | 曲面检材的应力分析系统 |
CN110083270A (zh) * | 2019-04-30 | 2019-08-02 | 歌尔股份有限公司 | 一种电子设备及其控制方法 |
CN211454566U (zh) * | 2019-12-31 | 2020-09-08 | 深圳瑞湖科技有限公司 | 应力感应组件及曲面屏 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN102288613B (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN104101611A (zh) | 一种类镜面物体表面光学成像装置及其成像方法 | |
CN110959114A (zh) | 缺陷检查方法及缺陷检查装置 | |
CN113643268B (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN112085651B (zh) | 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法 | |
CN111551350A (zh) | 一种基于U_Net网络的光学镜片表面划痕检测方法 | |
CN117132844B (zh) | 一种基于图像处理的光伏板裂纹与划痕的分类方法 | |
CN103698337A (zh) | 一种扁平酒瓶标签粘贴缺陷自动检测方法 | |
CN115359237B (zh) | 一种基于图形识别的齿轮断齿识别方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN114219805A (zh) | 一种玻璃缺陷智能检测方法 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
Chen et al. | Automatic defect detection system based on deep convolutional neural networks | |
CN111968079B (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
CN107656387B (zh) | 一种液晶屏对位偏移缺陷检测方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN114494169A (zh) | 基于机器视觉的工业柔性物体检测方法 | |
CN112508043A (zh) | 基于模具应力感受器的屏幕缘外弧缺陷检测的方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN112881428A (zh) | 一种基于激光测距的曲面屏幕边缘外弧缺陷检测的方法 | |
CN109387525A (zh) | 一种膜上膜内缺陷的判定方法 | |
CN110400320B (zh) | 一种电润湿缺陷像素的分割方法 |
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 |