CN113008793A - 一种基于机器视觉的微纳结构缺陷检测方法 - Google Patents

一种基于机器视觉的微纳结构缺陷检测方法 Download PDF

Info

Publication number
CN113008793A
CN113008793A CN202110224361.4A CN202110224361A CN113008793A CN 113008793 A CN113008793 A CN 113008793A CN 202110224361 A CN202110224361 A CN 202110224361A CN 113008793 A CN113008793 A CN 113008793A
Authority
CN
China
Prior art keywords
micro
image
nano structure
trend
projection
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
CN202110224361.4A
Other languages
English (en)
Inventor
王景彬
王健
邓晔
米松
张龙龙
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.)
Tiandy Technologies Co Ltd
Original Assignee
Tiandy Technologies Co Ltd
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 Tiandy Technologies Co Ltd filed Critical Tiandy Technologies Co Ltd
Priority to CN202110224361.4A priority Critical patent/CN113008793A/zh
Publication of CN113008793A publication Critical patent/CN113008793A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于机器视觉的微纳结构缺陷检测方法，包括如下步骤：S1、对输入的图像进行OTSU二值化处理；S2、对二值图像水平和垂直投影；S3、定位水平、垂直投影的波峰、波谷位置；S4、根据波谷和波峰位置，得到微纳结构的宽高尺寸；S5、进行局部自差，并对差图进行二值化处理；S6、遍历二值图中所有的白色团块，并根据设定阈值判断检测区域内是否存在异常。本发明所述的基于机器视觉的微纳结构缺陷检测方法根据检测结构规律排列的特征，采用局部自差的方法，能够快速且准确的将异常部位检测出来，而不受外部的光源与前端图像处理的影响。

Description

一种基于机器视觉的微纳结构缺陷检测方法
技术领域
本发明属于视频监控技术领域，尤其是涉及一种基于机器视觉的微纳结构缺陷检测方法。
背景技术
随着社会的进步与发展，工业生产逐渐进入到自动化时代。在生产过程中，涌现了大量的替代传统人工检测的工业检测任务与需求，其中，微纳结构的缺陷检测尤为困难，需要大量的人工和精细的设备进行检测，迫切地需要一种高效、自动化的检测算法应用到该领域，替代繁琐的人工操作。
发明内容
有鉴于此，本发明旨在提出一种基于机器视觉的微纳结构缺陷检测方法，以解决目前微纳结构的缺陷检测较为困难，通常需要大量的人工和精细的设备进行检测的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于机器视觉的微纳结构缺陷检测方法，包括如下步骤：
S1、对输入的图像进行OTSU二值化处理；
S2、对二值图像水平和垂直投影；
S3、定位水平、垂直投影的波峰、波谷位置；
S4、根据波谷和波峰位置，得到微纳结构的宽高尺寸；
S5、进行局部自差，并对差图进行二值化处理；
S6、遍历二值图中所有的白色团块，并根据设定阈值判断检测区域内是否存在异常。
进一步的，所述步骤S1中，根据最佳阈值进行二值化处理，最佳阈值的计算方法如下：
设Th为前景和背景的分割阈值，前景点数占图像比例为Wf，前景的平均灰度为Gf；背景点数占的比例为Wb，背景的平均灰度为Gb，从最小灰度值到最大灰度值遍历Th，当Th使得公式Wf*(Gf-p)^2+Wb*(Gb-p)^2为最大的时候，此时的Th为OTSU分割出的最佳阈值，其中，公式中p为输入图像I的平均灰度。
进一步的，所述步骤S2的具体方法如下：
设输入图像为I，x为水平坐标，y为垂直坐标，宽高为(W,H)；
Figure BDA0002956464170000021
Figure BDA0002956464170000022
进一步的，所述步骤S3的具体方法如下：
S301、投影曲线表示为M＝[M1,M2,…,MN]，其中M1,M2,…,MN为投影值，计算M的一阶差分向量Diffm:
Diffm(i)＝M(i+1)–M(i)，其中i∈1，2，…,N-1，(式1)
S302、计算Diffm的符号运算分量Trend:
Trend(i)＝sign(Diffm(i))，其中i∈1，2，…,N，Sign(x)为：
Figure BDA0002956464170000023
S303、从尾部遍历Trend向量进行如下操作：
if Trend(i)＝0且Trend(i+1)≥0，则Trend(i)＝1(式3.2)
if Trend(i)＝0且Trend(i+1)<0，则Trend(i)＝-1(式3.1)
其中i∈1，2，…,N-1.
S304、计算Trend向量的一阶差分向量R＝Diff(Trend)，方法同步骤S301；若R(i)＝-2，则i+1为投影向量M的一个峰值位，对应的峰值为M(i+1)；若R(i)＝2，则i+1位投影向量M的一个波谷位，对应的波谷为M(i+1)。
进一步的，所述步骤S4的具体方法如下：
在选择波谷/波峰位置时，设置波谷阈值Thlow或波峰阈值Thhigh
当位置i的投影值M(i)<Thlow时，则i为波谷；
当位置i的投影值当M(i)>Thhigh时，则i为波峰；
设水平投影积分图中相邻的波谷位置分别为h1，h2；
则微纳结构的宽度：w＝h2–h1其中，h2>h1；
记垂直投影积分图中相邻的波谷位置分别为v1，v2；
则微纳结构的宽度：h＝v2–v1，其中v2>v1。
进一步的，所述步骤S5的具体方法如下：
根据步骤S4计算得到的微纳结构宽高(w,h)，将检测区域进行水平平移w像素或者垂直平移h像素，得到平移检测图像S，再利用平移检测图像S与输入的图像I做差，得到差图D，再利用OTSU算法找出二值化阈值，得到二值化后的差图。
进一步的，所述步骤S6的具体方法如下：
利用8邻域方法遍历二值图中所有的白色团块，求出图像中的团块数量N，设团块大小阈值为Thlump，二值图中联通的白色区域像素数为S(i)，其中i＝1,2,…,N，
若S(i)>＝Thlump,则检测区域内有异常；
若S(i)<Thlump,则检测区域正常。
相对于现有技术，本发明所述的基于机器视觉的微纳结构缺陷检测方法具有以下优势：
本发明所述的基于机器视觉的微纳结构缺陷检测方法基于显微摄像的微纳结构高清图，进行数字图像处理，完成结构中缺陷检测、分割；本方法根据检测结构规律排列的特征，采用局部自差的方法，能够快速且准确的将异常部位检测出来，而不受外部的光源与前端图像处理的影响。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的输入的图像(原图)；
图2为本发明实施例所述的OTSU二值化后的图像；
图3为本发明实施例所述的垂直水平投影图；
图4为本发明实施例所述的平移图像S；
图5为本发明实施例所述的差图D的图像；
图6为本发明实施例所述的差图二值化图像；
图7为本发明实施例所述的基于机器视觉的微纳结构缺陷检测方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图3所示，一种基于机器视觉的微纳结构缺陷检测方法，包括如下步骤：
S1、最大类间方差(OTSU)二值化图像
记Th为前景和背景的分割阈值，前景点数占图像比例为Wf，前景的平均灰度为Gf；背景点数占的比例为Wb，背景的平均灰度为Gb，从最小灰度值到最大灰度值遍历Th(8bit图像Th从0～255遍历)。当Th使得Wf*(Gf-p)^2+Wb*(Gb-p)^2为最大的时候，其中p为输入的图像I(如图1所示)的平均灰度，此时的Th为OTSU分割出的最佳阈值，OTSU二值化的图像如图2所示。
S2、二值化图像水平、垂直方向投影(如图3所示)
设输入的图像为I，x为水平坐标，y为垂直坐标，宽高为(W,H)，
Figure BDA0002956464170000051
Figure BDA0002956464170000052
S3、定位水平、垂直投影的波峰、波谷位置
曲线的峰值点，满足一阶导数为0，并且满足二阶导数为负；而波谷点，则满足一阶导数为0，二阶导数为正
S301、假设投影曲线可以表示为M＝[M1,M2,…,MN]，其中M1,M2,…,MN为投影值。计算M的一阶差分向量Diffm:
Diffm(i)＝M(i+1)–M(i)，其中i∈1，2，…,N-1， (式1)
S302、计算Diffm的符号运算分量Trend:
Trend(i)＝sign(Diffm(i))，其中i∈1，2，…,N，Sign(x)为：
Figure BDA0002956464170000061
S303、从尾部遍历Trend向量进行如下操作：
if Trend(i)＝0且Trend(i+1)≥0，则Trend(i)＝1 (式3.2)
if Trend(i)＝0且Trend(i+1)<0，则Trend(i)＝-1 (式3.1)
其中i∈1，2，…,N-1.
S304、计算Trend向量的一阶差分向量R＝Diff(Trend)，方法同步骤S301；若R(i)＝-2，则i+1为投影向量M的一个峰值位，对应的峰值为M(i+1)；若R(i)＝2，则i+1位投影向量M的一个波谷位，对应的波谷为M(i+1)。
S4、根据波谷或波峰位置，求得微纳结构的宽高尺寸
为了找准微纳结构的宽高，在选择波谷(波峰)位置时，设置波谷阈值Thlow或波峰阈值Thhigh
当位置i的投影值M(i)<Thlow时，则i为波谷；
当位置i的投影值当M(i)>Thhigh时，则i为波峰。
记水平投影积分图中相邻的波谷位置分别为h1，h2
则微纳结构的宽度：w＝h2–h1其中，h2>h1
记垂直投影积分图中相邻的波谷位置分别为v1，v2
则微纳结构的宽度：h＝v2–v1，其中v2>v1
S5、局部自差，并进行二值化处理
按照S4中计算得到的宽高(w,h)，将检测区域进行水平(或垂直平移h)平移w像素，得到平移检测图像S(如图4所示)。再利用平移检测图像S与检测图像I做差，得到差图D(如图5所示)，再利用OTSU算法找出二值化阈值，得到二值化后的差图(如图6所示)。
S6、利用8邻域方法遍历二值图中所有的白色团块，求出图像中的团块数量N，记团块大小阈值为Thlump，二值图中联通的白色区域像素数为S(i)，其中i＝1,2,…,N，
若S(i)>＝Thlump,则检测区域内有异常。
若S(i)<Thlump,则检测区域正常.
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于机器视觉的微纳结构缺陷检测方法，其特征在于,包括如下步骤：
S1、对输入的图像进行OTSU二值化处理；
S2、对二值图像水平和垂直投影；
S3、定位水平、垂直投影的波峰、波谷位置；
S4、根据波谷和波峰位置，得到微纳结构的宽高尺寸；
S5、进行局部自差，并对差图进行二值化处理；
S6、遍历二值图中所有的白色团块，并根据设定阈值判断检测区域内是否存在异常。
2.根据权利要求1所述的基于机器视觉的微纳结构缺陷检测方法，其特征在于：所述步骤S1中，根据最佳阈值进行二值化处理，最佳阈值的计算方法如下：
设Th为前景和背景的分割阈值，前景点数占图像比例为Wf，前景的平均灰度为Gf；背景点数占的比例为Wb，背景的平均灰度为Gb，从最小灰度值到最大灰度值遍历Th，当Th使得公式Wf*(Gf-p)^2+Wb*(Gb-p)^2为最大的时候，此时的Th为OTSU分割出的最佳阈值，其中，公式中p为输入图像I的平均灰度。
3.根据权利要求1所述的基于机器视觉的微纳结构缺陷检测方法，其特征在于，所述步骤S2的具体方法如下：
设输入图像为I，x为水平坐标，y为垂直坐标，宽高为(W,H)；
垂直投影高度
Figure FDA0002956464160000011
水平投影高度
Figure FDA0002956464160000012
4.根据权利要求1所述的基于机器视觉的微纳结构缺陷检测方法，其特征在于：所述步骤S3的具体方法如下：
S301、投影曲线表示为M＝[M1,M2,…,MN]，其中M1,M2,…,MN为投影值，计算M的一阶差分向量Diffm:
Diffm(i)＝M(i+1)–M(i)，其中i∈1，2，…,N-1， (式1)
S302、计算Diffm的符号运算分量Trend:
Trend(i)＝sign(Diffm(i))，其中i∈1，2，…,N，Sign(x)为：
Figure FDA0002956464160000021
S303、从尾部遍历Trend向量进行如下操作：
if Trend(i)＝0且Trend(i+1)≥0，则Trend(i)＝1 (式3.2)
if Trend(i)＝0且Trend(i+1)<0，则Trend(i)＝-1 (式3.1)
其中i∈1，2，…,N-1.
S304、计算Trend向量的一阶差分向量R＝Diff(Trend)，方法同步骤S301；若R(i)＝-2，则i+1为投影向量M的一个峰值位，对应的峰值为M(i+1)；若R(i)＝2，则i+1位投影向量M的一个波谷位，对应的波谷为M(i+1)。
5.根据权利要求4所述的基于机器视觉的微纳结构缺陷检测方法，其特征在于，所述步骤S4的具体方法如下：
在选择波谷/波峰位置时，设置波谷阈值Thlow或波峰阈值Thhigh
当位置i的投影值M(i)<Thlow时，则i为波谷；
当位置i的投影值当M(i)>Thhigh时，则i为波峰；
设水平投影积分图中相邻的波谷位置分别为h1，h2；
则微纳结构的宽度：w＝h2–h1其中，h2>h1；
记垂直投影积分图中相邻的波谷位置分别为v1，v2；
则微纳结构的宽度：h＝v2–v1，其中v2>v1。
6.根据权利要求1所述的基于机器视觉的微纳结构缺陷检测方法，其特征在于，所述步骤S5的具体方法如下：
根据步骤S4计算得到的微纳结构宽高(w,h)，将检测区域进行水平平移w像素或者垂直平移h像素，得到平移检测图像S，再利用平移检测图像S与输入的图像I做差，得到差图D，再利用OTSU算法找出二值化阈值，得到二值化后的差图。
7.根据权利要求1所述的基于机器视觉的微纳结构缺陷检测方法，其特征在于，所述步骤S6的具体方法如下：
利用8邻域方法遍历二值图中所有的白色团块，求出图像中的团块数量N，设团块大小阈值为Thlump，二值图中联通的白色区域像素数为S(i)，其中i＝1,2,…,N，
若S(i)>＝Thlump,则检测区域内有异常；
若S(i)<Thlump,则检测区域正常。
CN202110224361.4A 2021-03-01 2021-03-01 一种基于机器视觉的微纳结构缺陷检测方法 Pending CN113008793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110224361.4A CN113008793A (zh) 2021-03-01 2021-03-01 一种基于机器视觉的微纳结构缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110224361.4A CN113008793A (zh) 2021-03-01 2021-03-01 一种基于机器视觉的微纳结构缺陷检测方法

Publications (1)

Publication Number Publication Date
CN113008793A true CN113008793A (zh) 2021-06-22

Family

ID=76386930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110224361.4A Pending CN113008793A (zh) 2021-03-01 2021-03-01 一种基于机器视觉的微纳结构缺陷检测方法

Country Status (1)

Country Link
CN (1) CN113008793A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843602A (zh) * 2022-03-25 2023-10-03 广州镭晨智能装备科技有限公司 一种缺陷检测方法及视觉检测设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4032237A (en) * 1976-04-12 1977-06-28 Bell Telephone Laboratories, Incorporated Stereoscopic technique for detecting defects in periodic structures
EP0694876A1 (fr) * 1993-02-17 1996-01-31 Centre Technique Industriel dit: INSTITUT TEXTILE DE FRANCE Procédé d'aquisition et de traitement de l'image d'un article plan, du type étoffe de tissu, en vue de la détection de défauts de fabrication
CN102279191A (zh) * 2010-06-13 2011-12-14 中钞特种防伪科技有限公司 周期性纹理图像中缺陷的检测方法和装置
US20140307932A1 (en) * 2013-04-10 2014-10-16 Battelle Memorial Institute Method of assessing heterogeneity in images
US20150153560A1 (en) * 2012-07-03 2015-06-04 Carl Zeiss Microscopy Gmbh Method for preparing for and carrying out the acquisition of image stacks of a sample from various orientation angles
CN109859231A (zh) * 2019-01-17 2019-06-07 电子科技大学 一种基于光学图像的叶面积指数提取阈值分割方法
CN110503633A (zh) * 2019-07-29 2019-11-26 西安理工大学 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4032237A (en) * 1976-04-12 1977-06-28 Bell Telephone Laboratories, Incorporated Stereoscopic technique for detecting defects in periodic structures
EP0694876A1 (fr) * 1993-02-17 1996-01-31 Centre Technique Industriel dit: INSTITUT TEXTILE DE FRANCE Procédé d'aquisition et de traitement de l'image d'un article plan, du type étoffe de tissu, en vue de la détection de défauts de fabrication
CN102279191A (zh) * 2010-06-13 2011-12-14 中钞特种防伪科技有限公司 周期性纹理图像中缺陷的检测方法和装置
US20150153560A1 (en) * 2012-07-03 2015-06-04 Carl Zeiss Microscopy Gmbh Method for preparing for and carrying out the acquisition of image stacks of a sample from various orientation angles
US20140307932A1 (en) * 2013-04-10 2014-10-16 Battelle Memorial Institute Method of assessing heterogeneity in images
CN109859231A (zh) * 2019-01-17 2019-06-07 电子科技大学 一种基于光学图像的叶面积指数提取阈值分割方法
CN110503633A (zh) * 2019-07-29 2019-11-26 西安理工大学 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孟琪等: "基于颜色特征及投影变换的集装箱标识符分割", 《信息技术与信息化》 *
石伟: "基于机器视觉的纸张计数方法研究及其应用", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
苗永菲等: "基于机器视觉的玻璃缺陷检测技术", 《电子设计工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843602A (zh) * 2022-03-25 2023-10-03 广州镭晨智能装备科技有限公司 一种缺陷检测方法及视觉检测设备
CN116843602B (zh) * 2022-03-25 2024-05-14 广州镭晨智能装备科技有限公司 一种缺陷检测方法及视觉检测设备

Similar Documents

Publication Publication Date Title
CN117351008B (zh) 一种智能手机面板表面缺陷检测方法
CN111758024B (zh) 一种缺陷检测方法及装置
CN103185730B (zh) 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN109214996B (zh) 一种图像处理方法及装置
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
CN115457063A (zh) Pcb板圆孔的边缘提取方法、装置、设备及存储介质
CN112085709A (zh) 一种图像对比方法及设备
CN115620061A (zh) 一种基于图像识别技术的五金零件缺陷检测方法及系统
CN111383178A (zh) 一种图像增强方法、装置及终端设备
CN113008793A (zh) 一种基于机器视觉的微纳结构缺陷检测方法
CN112419274A (zh) 一种锡膏检测方法、系统、电子设备及介质
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN105761256A (zh) 图像的亚像素边缘直线获取方法及装置
US11151724B2 (en) Automatic detecting method and automatic detecting apparatus using the same
CN117745743B (zh) 印制电路板切割路径的自动生成方法及装置
CN109255311B (zh) 一种基于图像的信息识别方法及系统
CN117036364B (zh) 图像处理方法及装置、存储介质、计算设备
CN114140416A (zh) 一种基于机器视觉的玻璃边缘检测方法和系统
CN116758423A (zh) 一种基于白点率法的输电线路异物检测方法
CN112132799A (zh) 基于facanny算法的pcb标记点边缘反光图像检测方法
CN109671081B (zh) 一种基于fpga查找表的坏簇统计方法及装置
CN108898584B (zh) 一种基于图像分析的全自动贴面电容装焊极性判别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210622

RJ01 Rejection of invention patent application after publication