CN112862744A - 一种基于超声图像的电容内部缺陷智能检测方法 - Google Patents
一种基于超声图像的电容内部缺陷智能检测方法 Download PDFInfo
- Publication number
- CN112862744A CN112862744A CN202011285928.0A CN202011285928A CN112862744A CN 112862744 A CN112862744 A CN 112862744A CN 202011285928 A CN202011285928 A CN 202011285928A CN 112862744 A CN112862744 A CN 112862744A
- Authority
- CN
- China
- Prior art keywords
- capacitor
- capacitance
- defect
- image
- support vector
- 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
- 239000003990 capacitor Substances 0.000 title claims abstract description 102
- 230000007547 defect Effects 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012706 support-vector machine Methods 0.000 claims abstract description 18
- 230000002950 deficient Effects 0.000 claims abstract description 12
- 238000003672 processing method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- -1 bubbles Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明是一种结合了图像处理方法和支持向量机的监督学习方法的电容内部缺陷的智能检测方法,包括了分割多电容排列图、预处理单个电容图像、训练模型、分类检测,缺陷定位及缺陷大小计算。该方法在使用图像处理方法的基础上,采用了支持向量机的监督学习方法,提高了缺陷电容检测的准确率,降低了缺陷电容的漏检率,还可以检测人眼辨别困难的、小缺陷的电容,同时,可以对电容内部缺陷大小进行定量分析,实现电容缺陷等级分类。
Description
技术领域
本发明属于计算机智能检测领域,尤其涉及一种基于超声图像的电容内部缺陷智能检测方法。
背景技术
随着电子信息产业的蓬勃发展,作为电子信息产业基础的电子元器件产业也获得了高速的发展。在电子元器件企业进行大规模生产时,电子元器件的质量很大程度上影响了企业的投资回报率,所以对电子元器件进行质量检测是非常有必要的。而传统的人工检测方法需要用人眼去辨别电容的超声图像,在面临数量极其庞大的电子元器件时,传统的人工检测方法不仅需要耗费巨大的人工成本,还无法保证检测的效率与准确率,因此十分有必要提供一种能够智能检测电子元器件质量的方法。
本发明不涉及电容电气性能的检测,仅针对电容内部的物理缺陷,如气泡、孔洞、裂纹、杂质等进行判断检测。与本发明类似的现有技术与产品有:论文“基于机器视觉的电容器表面缺陷检测系统的研究与开发”针对电容表面缺陷,研发了机器视觉检测系统,采用图像处理技术进行电容表面缺陷检测。论文“电容器内部缺陷检测,X-ray提供安全智能解决方案”采用X-ray对电容器的内部缺陷进行实时成像,根据图像,通过人工观看的方式对被检测的电容器缺陷进行判定,达到检测目的。论文“机器视觉在电容器外观缺陷检测中的应用”采用图像处理技术,提取缺陷特征实现电容器外观缺陷检测。发明专利“一种电解电容器外观缺陷检测装置”采用图像处理技术提高检测效率。发明专利“电容器缺陷的快速在线检测方法”根据频谱图所示谐振峰值的大小判别被测电容器的优劣,属于电容电气性能的检测。
上述同类技术或产品,共同点是采用了不同的成像手段对电容表面或内部进行成像,生成图像,然后针对图像进行处理和分析,从而检测缺陷电容。在对图像进行分析与处理中,存在两种方法,一种是通过人工肉眼观看、根据经验判断电容缺陷,另一种是通过计算机图像分析检测电容缺陷。前一种方法存在人员疲倦、经验差异等因素导致电容缺陷检测准确率低的问题,并且不能对缺陷大小进行定量判断。后一种方法虽然采用了图像处理技术,但并没有采用智能分析方法,也难以提高电容缺陷检测的准确率,特别是在实际生产检测过程,对图像背景复杂、噪声大、缺陷小的电容图难以提高检测准确率。
本发明主要针对超声波对电容内部成像的图像,采用图像处理与智能分析的方法进行缺陷智能检测方法,可以提高电容内部缺陷检测的准确率,并且对小尺寸电容内部的小缺陷都能到达很高的检测准确率,还可以对电容内部缺陷进行定量分析,确实电容缺陷等级。
发明内容
本发明提供了一种结合了图像处理方法和支持向量机的监督学习方法的电容内部缺陷的智能检测方法,包括以下主要步骤:
步骤1,将超声扫描成像的包含2000个电容的多电容排列图分割为单个电容图像。
本步骤主要包括:
步骤1.1,首先对多电容排列图进行预处理,包括灰度处理,二值化处理及中值滤波,然后对多电容排列预处理图进行外轮廓检测,使得既能在多电容排列图中忽略每个电容的内部缺陷轮廓,又能够在多电容排列图中找出每个电容的电容轮廓。
步骤1.2,计算得出多电容排列图中所有外轮廓的最小正外接矩形。
步骤1.3,根据不同型号电容的尺寸,对最小外接矩形进行过滤,剔除明显不是电容的干扰分割区。
步骤1.4,以筛选后的多电容排列图中的所有最小外接矩形为分割边界,对多电容排列原始图进行分割处理,从而得到所有单个电容图像。
步骤1.5,判断单个电容图像中的电容摆放位置,针对没有水平摆放的电容,则根据其最小斜外接矩形的中心点及旋转角度信息得到旋转矩阵算子,并利用该算子将电容水平摆正,以利于智能分析。
步骤2,对分割出的单个电容图像进行尺寸归一化处理,灰度处理及二值化处理。
本步骤主要包括:
步骤2.1,将所有单个电容图像的长宽都缩放到归一化尺寸W和H,得到单个电容图像的归一化图像。
步骤2.2,利用空间映射的方法将归一化图像的颜色模式由RGB模式转换为灰度模式。
步骤2.3,利用最大类间方差法OTSU对电容灰度图像进行二值化处理。
步骤3,在预处理后的所有单个电容图像中,分别筛选出一定数量的正常样本和缺陷样本,采用支持向量机的监督学习方法训练模型。
本步骤主要包括:
步骤3.1,首先根据样本类型设置目标值labeli,如果为正常样本则将label设置为0,如果为缺陷样本则将label设置为1,然后遍历每一个样本图像的所有像素点,并将像素点的编号设置为特征索引indexi,将像素点的RGB值设置为特征值valuei。
步骤3.2,当处理完所有样本图像后,将得到的数据进行归一化以得到最终的训练数据。
步骤3.3,使用支持向量机的监督学习方法来训练电容分类模型。
步骤4,根据支持向量机的监督学习方法,使用电容分类训练模型对多电容排列图中的电容进行分类检测,得到电容缺陷预测结果。
步骤5,根据电容图中的轮廓层级关系对电容缺陷预测结果进行二次筛选,确定有缺陷的电容,并对该电容进行缺陷定位及缺陷大小计算。
本步骤主要包括:
步骤5.1,对电容缺陷预测结果中每一个单个电容图像进行轮廓检测,获得所有轮廓,再根据轮廓层级关系进行缺陷定位。
步骤5.2,计算得出缺陷的实际尺寸,并根据该尺寸对缺陷电容进行缺陷等级分类。
本发明的有益效果是:在使用图像处理方法的基础上,采用了支持向量机的监督学习方法,提高了缺陷电容检测的准确率,降低了缺陷电容的漏检率,还可以检测人眼辨别困难的、小缺陷的电容,同时,可以对电容内部缺陷大小进行定量分析,实现电容缺陷等级分类。
附图说明
图1示出了本发明一种基于超声图像的电容内部缺陷智能检测方法的训练过程的流程图;
图2示出了本发明一种基于超声图像的电容内部缺陷智能检测方法的检测过程的流程图;
图3示出了本发明实例的包含多个电容的多电容排列图;
图4示出了本发明实例涉及到的双线性插值法;
图5示出了本发明实例的部分缺陷样本;
图6示出了本发明实例的最终检测结果。
具体实施方式
下面结合附图和实施例对本发明优先实施方式进一步说明。
图1所示的流程图给出了本发明训练过程的具体过程,图2所示的流程图给出了本发明检测过程的具体过程:
步骤1,将超声扫描成像的包含2000个电容的多电容排列图(如图3所示)分割为单个电容图像。
步骤1.1,首先对多电容排列图进行预处理,包括灰度处理,二值化处理及中值滤波,然后对多电容排列预处理图进行外轮廓检测,使得既能在多电容排列图中忽略每个电容的内部缺陷轮廓,又能够在多电容排列图中找出每个电容的电容轮廓。
步骤1.2,计算得出多电容排列图中所有外轮廓的最小正外接矩形。
步骤1.3,根据不同型号电容的尺寸,对最小外接矩形进行过滤,剔除明显不是电容的干扰分割区。
步骤1.4,以筛选后的多电容排列图中的所有最小外接矩形为分割边界,对多电容排列原始图进行分割处理,从而得到所有单个电容图像。
步骤1.5,判断单个电容图像中的电容摆放位置,针对没有水平摆放的电容,则根据其最小斜外接矩形的中心点及旋转角度信息得到旋转矩阵算子,并利用该算子将电容水平摆正,以利于智能分析。
步骤2,对分割出的单个电容图像进行预处理,其中包括尺寸归一化,灰度处理及二值化处理。
步骤2.1,将所有单个电容图像的长宽都缩放到归一化尺寸W和H,得到单个电容图像的归一化图像。其中涉及的算法为双线性插值法,如图4所示,首先在x方向上进行两次线性插值计算(如公式1所示),然后在y方向上进行一次插值计算(如公式2所示)。
步骤2.2,利用空间映射的方法将归一化图像的颜色模式由RGB模式转换为灰度模式。,其映射公式如公式3所示。
RGB[A]to Gray:Y←0.299·R+0.587·G+0.114·B 公式3
步骤2.3,利用最大类间方差法OTSU对电容灰度图像进行二值化处理。其中,二值化的原理如公式4所示,dst(x,y)为目标像素值,src(x,y)为源像素值,thresh为阈值,当源像素值大于阈值时,将目标像素值设置为maxval,否则设置为0。
最大类间方差法OTSU的原理如公式5所示,M×N表示图像大小,N0表示灰度值小于阈值thresh的像素个数,N1表示灰度值大于阈值thresh的像素个数,μ表示整幅图像的平均灰度,g表示类间方差,使得类间方差g最大的阈值thresh即为通过OTSU方法求得的阈值。
ω0=N0/M×N
ω1=N1/M×N
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2
g=ω0ω1(μ0-μ1)^2 公式5
步骤3,在预处理后的所有单个电容图像中,分别筛选出一定数量的正常样本和缺陷样本(部分缺陷样本如图5所示),采用支持向量机的监督学习方法训练模型。
步骤3.1,首先根据样本类型设置目标值labeli,如果为正常样本则将label设置为0,如果为缺陷样本则将label设置为1,然后遍历每一个样本图像的所有像素点,并将像素点的编号设置为特征索引indexi,将像素点的RGB值设置为特征值valuei。
步骤3.2,当处理完所有样本图像后,将得到的数据进行归一化以得到最终的训练数据。
步骤3.3,使用支持向量机的监督学习方法来训练电容分类模型。由训练数据求解分类模型的最优化问题如公式6所示,其中w表示超平面的法向量,b表示超平面的截距。
s.t.yi(ωTxi+b)≥1,i=1,2,...,n 公式6
将该最优化问题的有约束的原始目标函数转换为无约束的新构造的拉格朗日目标函数如公式7所示,其中αi是拉格朗日乘子。
则将原本不易求解的最优化问题则转化为容易求解的最优化问题,如公式9所示,其中d为分类间隔。
利用KKT条件将该优化问题转化为对偶问题,并最终通过SMO算法求解对偶问题中的拉格朗日乘子,从而计算得出电容分类的模型。
步骤4,根据支持向量机的监督学习方法,使用电容分类训练模型对多电容排列图中的电容进行分类检测,得到电容缺陷预测结果。当电容的检测数据对应的目标函数值小于-1时,则认为该待检测数据与负样本的分类相同;当检测数据对应的目标函数值大于1时,则认为该待检测数据与正样本的分类相同。同时支持异常值惩罚因子C,即允许分类不完全严格。
步骤5,根据电容图中的轮廓层级关系对电容缺陷预测结果进行二次筛选,确定有缺陷的电容,并对该电容进行缺陷定位及缺陷大小计算。
步骤5.1,对电容缺陷预测结果中每一个单个电容图像进行轮廓检测,获得所有轮廓,再根据轮廓层级关系进行缺陷定位。
步骤5.2,计算得出缺陷的实际尺寸,并根据该尺寸对缺陷电容进行缺陷等级分类。最终的检测结果如图6所示,绿色的框表示检测结果为正常电容,其他颜色的框表示检测结果为不同等级的缺陷电容。其中,黄色表示缺陷≤0.25mm的缺陷电容;橙色表示缺陷≤0.50mm的缺陷电容,用红色表示缺陷≤1.00mm的缺陷电容,用深红色表示缺陷≤1.50mm的缺陷电容,用紫色表示缺陷≤2.00mm的缺陷电容,用深蓝色表示缺陷≤2.50mm的缺陷电容。
Claims (5)
1.一种结合了图像处理方法和支持向量机的监督学习方法的电容内部缺陷的智能检测方法,其特征在于该方法包括以下步骤:
步骤1,将超声扫描成像的包含2000个电容的多电容排列图分割为单个电容图像。
步骤2,对分割出的单个电容图像进行尺寸归一化处理,灰度处理及二值化处理。
步骤3,在预处理后的所有单个电容图像中,分别筛选出一定数量的正常样本和缺陷样本,采用支持向量机的监督学习方法训练模型。
步骤4,根据支持向量机的监督学习方法,使用电容分类训练模型对多电容排列图中的电容进行分类检测,得到电容缺陷预测结果。
步骤5,根据电容图中的轮廓层级关系对电容缺陷预测结果进行二次筛选,确定有缺陷的电容,并对该电容进行缺陷定位及缺陷大小计算。
2.根据权利要求1所述的结合了图像处理方法和支持向量机的监督学习方法的电容内部缺陷的智能检测方法的步骤1的特征在于进一步包括:
步骤1.1,首先对多电容排列图进行预处理,包括灰度处理,二值化处理及中值滤波,然后对多电容排列预处理图进行外轮廓检测,使得既能在多电容排列图中忽略每个电容的内部缺陷轮廓,又能够在多电容排列图中找出每个电容的电容轮廓。
步骤1.2,计算得出多电容排列图中所有外轮廓的最小正外接矩形。
步骤1.3,根据不同型号电容的尺寸,对最小外接矩形进行过滤,剔除明显不是电容的干扰分割区。
步骤1.4,以筛选后的多电容排列图中的所有最小外接矩形为分割边界,对多电容排列原始图进行分割处理,从而得到所有单个电容图像。
步骤1.5,判断单个电容图像中的电容摆放位置,针对没有水平摆放的电容,则根据其最小斜外接矩形的中心点及旋转角度信息得到旋转矩阵算子,并利用该算子将电容水平摆正,以利于智能分析。
3.根据权利要求1所述的结合了图像处理方法和支持向量机的监督学习方法的电容内部缺陷的智能检测方法的步骤2的特征在于进一步包括:
步骤2.1,将所有单个电容图像的长宽都缩放到归一化尺寸W和H,得到单个电容图像的归一化图像。
步骤2.2,利用空间映射的方法将归一化图像的颜色模式由RGB模式转换为灰度模式。
步骤2.3,利用最大类间方差法OTSU对电容灰度图像进行二值化处理。
4.根据权利要求1所述的结合了图像处理方法和支持向量机的监督学习方法的电容内部缺陷的智能检测方法的步骤3的特征在于进一步包括:
步骤3.1,首先根据样本类型设置目标值labeli,如果为正常样本则将label设置为0,如果为缺陷样本则将label设置为1,然后遍历每一个样本图像的所有像素点,并将像素点的编号设置为特征索引indexi,将像素点的RGB值设置为特征值valuei。
步骤3.2,当处理完所有样本图像后,将得到的数据进行归一化以得到最终的训练数据。
步骤3.3,使用支持向量机的监督学习方法来训练电容分类模型。
5.根据权利要求1所述的结合了图像处理方法和支持向量机的监督学习方法的电容内部缺陷的智能检测方法的步骤5的特征在于进一步包括:
步骤5.1,对电容缺陷预测结果中每一个单个电容图像进行轮廓检测,获得所有轮廓,再根据轮廓层级关系进行缺陷定位。
步骤5.2,计算得出缺陷的实际尺寸,并根据该尺寸对缺陷电容进行缺陷等级分类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/122861 WO2021109011A1 (zh) | 2019-12-04 | 2019-12-04 | 一种基于超声图像的电容内部缺陷智能检测方法 |
CNPCT/CN2019/122861 | 2019-12-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862744A true CN112862744A (zh) | 2021-05-28 |
CN112862744B CN112862744B (zh) | 2023-03-14 |
Family
ID=75996335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011285928.0A Active CN112862744B (zh) | 2019-12-04 | 2020-11-17 | 一种基于超声图像的电容内部缺陷智能检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112862744B (zh) |
WO (1) | WO2021109011A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641337A (zh) * | 2022-12-23 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 一种线状缺陷检测方法、装置、介质、设备及系统 |
CN117952926A (zh) * | 2024-01-25 | 2024-04-30 | 邯郸市奥能电子股份有限公司 | 陶瓷电容的缺陷检测方法、装置、终端及存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822867A (zh) * | 2021-09-24 | 2021-12-21 | 东莞市诺丽电子科技有限公司 | 一种列车外观异常检测方法及列车外观异常检测系统 |
CN114842273B (zh) * | 2022-06-21 | 2022-10-14 | 苏州康代智能科技股份有限公司 | Pcb缺陷检测模型的评估方法、评估装置及训练方法 |
CN116008294B (zh) * | 2022-12-13 | 2024-03-08 | 无锡微准科技有限公司 | 一种基于机器视觉的键帽表面颗粒缺陷检测方法 |
CN116304645B (zh) * | 2023-05-24 | 2023-08-15 | 奥谱天成(厦门)光电有限公司 | 一种基于模态分解的重叠峰提取的方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015146689A1 (ja) * | 2014-03-25 | 2015-10-01 | Ntn株式会社 | 軸受部品の内部欠陥検査装置および内部欠陥検査方法 |
US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
CN106934803A (zh) * | 2017-03-13 | 2017-07-07 | 珠海格力智能装备有限公司 | 电子器件表面缺陷的检测方法及装置 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN108362746A (zh) * | 2018-02-01 | 2018-08-03 | 中国石油大学(华东) | 基于单对电极电容成像检测技术提离效应的缺陷判别方法 |
CN108711154A (zh) * | 2018-08-24 | 2018-10-26 | 深圳市诚捷智能装备股份有限公司 | 电容器缺陷检测方法、电容器缺陷检测系统及电容器组立捺印连体机 |
CN108872250A (zh) * | 2018-07-23 | 2018-11-23 | 广州超音速自动化科技股份有限公司 | 锂电池极耳焊反检测方法及极耳焊接检测系统 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN109298031A (zh) * | 2017-08-04 | 2019-02-01 | 燕山大学 | 航天隔热复合材料粘接缺陷检测方法 |
CN109541032A (zh) * | 2018-12-03 | 2019-03-29 | 国网上海市电力公司 | 一种片式元器件检测方法及系统 |
CN109978875A (zh) * | 2019-04-03 | 2019-07-05 | 无锡立赫智能科技有限公司 | 一种电容器外观缺陷识别方法及识别装置 |
CN110333240A (zh) * | 2019-07-03 | 2019-10-15 | 珠海格力智能装备有限公司 | 电容外观的检测方法及装置、存储介质和处理器 |
CN110349125A (zh) * | 2019-06-17 | 2019-10-18 | 武汉大学 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
CN110363746A (zh) * | 2019-06-13 | 2019-10-22 | 西安交通大学 | 一种基于卷积神经网络的超声无损检测信号分类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570511B (zh) * | 2016-11-02 | 2021-04-09 | 上海大学 | 基于计算机视觉的键盘字符缺陷在线检测系统和方法 |
US10417524B2 (en) * | 2017-02-16 | 2019-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Deep active learning method for civil infrastructure defect detection |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
CN109658376A (zh) * | 2018-10-24 | 2019-04-19 | 哈尔滨工业大学 | 一种基于图像识别的表面缺陷识别方法 |
-
2019
- 2019-12-04 WO PCT/CN2019/122861 patent/WO2021109011A1/zh active Application Filing
-
2020
- 2020-11-17 CN CN202011285928.0A patent/CN112862744B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015146689A1 (ja) * | 2014-03-25 | 2015-10-01 | Ntn株式会社 | 軸受部品の内部欠陥検査装置および内部欠陥検査方法 |
US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
CN106934803A (zh) * | 2017-03-13 | 2017-07-07 | 珠海格力智能装备有限公司 | 电子器件表面缺陷的检测方法及装置 |
CN109298031A (zh) * | 2017-08-04 | 2019-02-01 | 燕山大学 | 航天隔热复合材料粘接缺陷检测方法 |
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN108362746A (zh) * | 2018-02-01 | 2018-08-03 | 中国石油大学(华东) | 基于单对电极电容成像检测技术提离效应的缺陷判别方法 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN108872250A (zh) * | 2018-07-23 | 2018-11-23 | 广州超音速自动化科技股份有限公司 | 锂电池极耳焊反检测方法及极耳焊接检测系统 |
CN108711154A (zh) * | 2018-08-24 | 2018-10-26 | 深圳市诚捷智能装备股份有限公司 | 电容器缺陷检测方法、电容器缺陷检测系统及电容器组立捺印连体机 |
CN109541032A (zh) * | 2018-12-03 | 2019-03-29 | 国网上海市电力公司 | 一种片式元器件检测方法及系统 |
CN109978875A (zh) * | 2019-04-03 | 2019-07-05 | 无锡立赫智能科技有限公司 | 一种电容器外观缺陷识别方法及识别装置 |
CN110363746A (zh) * | 2019-06-13 | 2019-10-22 | 西安交通大学 | 一种基于卷积神经网络的超声无损检测信号分类方法 |
CN110349125A (zh) * | 2019-06-17 | 2019-10-18 | 武汉大学 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
CN110333240A (zh) * | 2019-07-03 | 2019-10-15 | 珠海格力智能装备有限公司 | 电容外观的检测方法及装置、存储介质和处理器 |
Non-Patent Citations (2)
Title |
---|
XUEQIN ZHANG等: ""Modeling and simulation of inner defect in impulse storage capacitor"" * |
姚晓飞: ""基于机器视觉的电容屏非可视区引线缺陷检测方法研究"" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641337A (zh) * | 2022-12-23 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 一种线状缺陷检测方法、装置、介质、设备及系统 |
CN117952926A (zh) * | 2024-01-25 | 2024-04-30 | 邯郸市奥能电子股份有限公司 | 陶瓷电容的缺陷检测方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112862744B (zh) | 2023-03-14 |
WO2021109011A1 (zh) | 2021-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN106650770B (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
WO2019104767A1 (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
GB2569751A (en) | Static infrared thermal image processing-based underground pipe leakage detection method | |
CN113505865B (zh) | 一种基于卷积神经网络的片材表面缺陷图像识别处理方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN112927223A (zh) | 一种基于红外热成像仪的玻璃幕墙检测方法 | |
CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
CN115131336B (zh) | 一种显示屏四色背景画面下的暗线缺陷检测方法 | |
CN116740449A (zh) | 基于ai计算机视觉技术的刨花形态检测方法及系统 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 |
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 |