CN113379729A - 一种图像微小异常检测方法、装置及计算机可读存储介质 - Google Patents

一种图像微小异常检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113379729A
CN113379729A CN202110752675.1A CN202110752675A CN113379729A CN 113379729 A CN113379729 A CN 113379729A CN 202110752675 A CN202110752675 A CN 202110752675A CN 113379729 A CN113379729 A CN 113379729A
Authority
CN
China
Prior art keywords
picture
sample
detected
image
abnormality
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
Application number
CN202110752675.1A
Other languages
English (en)
Other versions
CN113379729B (zh
Inventor
刘明华
苏冰
展华益
游忍
张欢欢
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.)
Sichuan Cric Technology Co ltd
Original Assignee
Sichuan Cric Technology 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 Sichuan Cric Technology Co ltd filed Critical Sichuan Cric Technology Co ltd
Priority to CN202110752675.1A priority Critical patent/CN113379729B/zh
Publication of CN113379729A publication Critical patent/CN113379729A/zh
Application granted granted Critical
Publication of CN113379729B publication Critical patent/CN113379729B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明公开了一种图像微小异常检测方法、装置及计算机可读存储介质，其中图像微小异常检测方法包括：采集待检测样品图片；对所述待检测样品图片进行异常预处理，抑制待检测样品图片中的微小异常，得到预处理图片；将所述预处理图片输入图像重建模型，得到重建图片；将所述待检测样品图片与重建图片输入判断模型，计算待检测样品图片与重建图片的差异，判断待检测样品图片是否有异常，如果有异常输出异常所在区域。本发明对于产品表面微小异常通过预处理后再经过图像重建，增大了原始图像中微小异常与重构图像中微小异常的差异，能更准确地检测出微小异常。此外，相比现有通过网络学习的异常检测方法，本发明所需的训练样本量大大减小。

Description

一种图像微小异常检测方法、装置及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像微小异常检测方法、装置及计算机可读存储介质，适用于工业检测领域的产品表面异常检测场景。
背景技术
在传统工业制造业生产场景中，质检是生产流程中的关键环节，比如在冰箱、电视、汽车、印刷线路板、芯片和液晶显示器等领域中，对产品的表面状态进行检测是对产品质量进行控制的一种重要手段，判断产品是否存在异常，并根据检测结果对产品做相应的处理。
产品的表面异常种类众多，例如划痕、污点、磕碰等等，这些缺陷都是需要检出的。传统的零件生产中的检测环节一般通过人工检测的方式进行，这增加了人力负担，并且很多细微的异常通过人很难检测出来。因此，通过计算机视觉系统检测产品表面缺陷，以代替人工检测是目前本领域需要解决的问题。
在现有技术中，CN 111935480 A(一种用于图像获取装置的检测方法及相关装置)，提出了基于第一预设异常的异常检测方法，对异常图像信息中的第一预设异常的位置、第一预设异常的大小、第一预设异常的数量以及第一预设异常的异常程度中的至少一者进行标注。但是在实际情况中，很多异常难以进行预设。CN 111260620 A(图像异常检测方法、装置和电子设备)，提供一种图像异常检测方法、装置和电子设备，该方法利用两个编码层得到两个重构图像，然后计算两个重构图像之间的距离得到异常，但是难以检测微小异常。CN 112560970 A(基于自编码的异常图片检测方法、系统、设备及存储介质)，该方法基于自编码方法进行异常检测，直接对原始图像进行异常检测，难以检测微小的异常。
总之，现有技术存在对产品表面微小异常检测精度不高的问题。
发明内容
本发明提供了一种图像微小异常检测方法、装置及计算机可读存储介质，以解决现有技术中对产品表面微小异常检测精度不高的问题。
本发明采用的技术方案是：提供一种图像微小异常检测方法，包括：
采集待检测样品图片；
对所述待检测样品图片进行异常预处理，抑制待检测样品图片中的微小异常，得到预处理图片；
将所述预处理图片输入图像重建模型，得到重建图片；
将所述待检测样品图片与重建图片输入判断模型，计算待检测样品图片与重建图片的差异，判断待检测样品图片是否有异常，如果有异常输出异常所在区域。
作为图像微小异常检测方法的一种优选方式，所述对所述待检测样品图片进行异常预处理的方法包括：
图像模糊处理、图像去噪、形态学操作处理、降低分辨率中的至少一种。
作为图像微小异常检测方法的一种优选方式，所述图像重建模型包括：
自编码模型、可逆神经网络、GAN网络中的至少一种。
作为图像微小异常检测方法的一种优选方式，所述判断待检测样品图片是否有异常的方法包括：
用判断模型计算待检测样品图片和重建图片每个对应像素的差异；
如果差异值超过设定阈值，则判定待检测样品图片有异常，异常区域为超过阈值的像素区域；如果差异值没有超过阈值t，则待检测样品图片没有异常。
作为图像微小异常检测方法的一种优选方式，所述阈值t的确定方法如下：
将训练样本图片输入图像重建模型，从t＝0.5开始，每次增加0.5，一直到t＝0.95。t的不同取值将对应不同的准确率，取准确率最高的那个t值作为t的最后取值。
作为图像微小异常检测方法的一种优选方式，所述将所述预处理图片输入图像重建模型之前还包括：
获取训练样本图片，以及训练图像重建模型，所述训练样本图片为不含有异常的图片；
作为图像微小异常检测方法的一种优选方式，所述训练图像重建模型的方法包括：
用不含有异常的训练样本图片训练所述图像重建模型，得到训练后的图像重建模型。
作为图像微小异常检测方法的一种优选方式，所述用不含有异常的训练样本图片训练所述图像重建模型，得到训练后的图像重建模型的方法包括：
构建Auto Encoder模型；
将训练样本图片通过图像高斯模糊处理并用形态学操作中的膨胀腐蚀对图像进一步处理，抑制微小异常，得到预处理训练样本图片；
利用预处理训练样本图片训练Auto Encoder，得到训练后的图像重建模型。
本发明还提供一种图像微小异常检测装置，包括：
图像采集模块，用于采集待检测样品图片以及训练样本图片；
异常预处理模块，用于对所述待检测样品图片进行异常预处理，抑制待检测样品图片中的微小异常，得到预处理图片；
图像重建模块，用于不含有异常的训练样本图片训练所述图像重建模型，得到训练后的图像重建模型，以及将所述预处理图片输入图像重建模型，得到重建图片；
判断模块，用于将所述待检测样品图片与重建图片输入判断模型，计算待检测样品图片与重建图片的差异，判断待检测样品图片是否有异常，如果有异常输出异常所在区域。
本发明还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的图像微小异常检测方法的各个步骤。
本发明的有益效果是：本发明对于产品表面微小异常通过预处理后再经过图像重建，增大了原始图像中微小异常与重构图像中微小异常的差异，能更准确地检测出微小异常。此外，相比现有通过网络学习的异常检测方法，本发明所需的训练样本量大大减小。
附图说明
图1为本发明公开的图像微小异常检测方法流程示意图。
图2为本发明公开的图像微小异常检测装置结构框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步详细描述，但本发明的实施方式不限于此。
实施例1：
参见图1，一种图像微小异常检测方法，包括如下步骤：
S1：采集训练样本图片以及待检测样品图片。
具体的，在实际的生产制造场景中，用图像采集系统采集大量产品表面样本图片，包含正常样本图片和异常样本图片，其中正常样本图片作为训练样本图片，异常样本图片作为待检测样品图片。对于训练样本图片，不需要进行标记。
S2：对待检测样品图片进行异常预处理，抑制待检测样品图片中的微小异常，得到预处理图片。
具体的，对待检测样品图片进行异常预处理的方法包括：图像模糊处理、图像去噪、形态学操作处理、降低分辨率中的至少一种。
例如，用3x3的高斯核对图像进行模糊处理并用形态学操作中的膨胀腐蚀对图像进一步处理。
S3：将所述预处理图片输入图像重建模型，得到重建图片。
其中，所述图像重建模型包括：自编码模型、可逆神经网络、GAN网络中的至少一种；
进一步地，将所述预处理图片输入图像重建模型之前，还包括：
用不含有异常的训练样本训练所述图像重建模型，得到训练后的图像重建模型。
示例性的，图像重建模型采用AutoEncoder模型，训练方法如下所示：
a.构建一个AutoEncoder模型；
b.将训练样本图片通过图像高斯模糊处理并用形态学操作中的膨胀腐蚀对图像进一步处理，抑制微小异常，得到预处理训练样本图片；
c.利用预处理训练样本图片训练AutoEncoder，得到训练后的图像重建模型。
S4：将所述待检测样品图片与重建图片输入判断模型，计算待检测样品图片与重建图片的差异，判断待检测样品图片是否有异常，如果有异常输出异常所在区域。
具体步骤如下：
a.用判断模型计算待检测样品图片和重建图片每个对应像素的差异。
b.如果差异值超过一定阈值t，则判定待检测图片有异常，异常区域为超过阈值的像素区域，否则待检测图片没有异常。
c.如果有异常，输出异常所在区域。
其中，t的值由如下方法确定：将训练样本图片输入图像重建模型，从t＝0.5开始，每次增加0.5，一直到t＝0.95。t的不同取值将对应不同的准确率，取准确率最高的那个t值作为t的最后取值。
进一步的，所述的判断模型包括但不限于欧式距离模型。
本实施例中，判断模型采用欧式距离模型。异常判定的具体步骤如下：
A.计算待检测样品图片和重建图片每个对应像素的欧式距离。
B.判断所有像素的欧式距离是否超过t，如果超过t则判定待检测图片有异常，异常区域即像素所在区域，否则没有异常。
C.当出现异常时，输出该像素所在的区域。
实施例2
参见图2，一种图像微小异常检测装置，包括：
图像采集模块100，用于采集待检测样品图片以及训练样本图片；
异常预处理模块200，用于对所述待检测样品图片进行异常预处理，抑制待检测样品图片中的微小异常，得到预处理图片；
图像重建模块300，用于不含有异常的训练样本图片训练所述图像重建模型，得到训练后的图像重建模型，以及将所述预处理图片输入图像重建模型，得到重建图片；
判断模块400，用于将所述待检测样品图片与重建图片输入判断模型，计算待检测样品图片与重建图片的差异，判断待检测样品图片是否有异常，如果有异常输出异常所在区域。
实施例3
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如实施例1中所述的图像微小异常检测方法的各个步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对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精神和范围。

Claims (10)

1.一种图像微小异常检测方法，其特征在于，包括：
采集待检测样品图片；
对所述待检测样品图片进行异常预处理，抑制待检测样品图片中的微小异常，得到预处理图片；
将所述预处理图片输入图像重建模型，得到重建图片；
将所述待检测样品图片与重建图片输入判断模型，计算待检测样品图片与重建图片的差异，判断待检测样品图片是否有异常，如果有异常输出异常所在区域。
2.根据权利要求1所述的图像微小异常检测方法，其特征在于，所述对所述待检测样品图片进行异常预处理的方法包括：
图像模糊处理、图像去噪、形态学操作处理、降低分辨率中的至少一种。
3.根据权利要求2所述的图像微小异常检测方法，其特征在于，所述图像重建模型包括：
自编码模型、可逆神经网络、GAN网络中的至少一种。
4.根据权利要求2所述的图像微小异常检测方法，其特征在于，所述判断待检测样品图片是否有异常的方法包括：
用判断模型计算待检测样品图片和重建图片每个对应像素的差异；
如果差异值超过设定阈值，则判定待检测样品图片有异常，异常区域为超过阈值的像素区域；如果差异值没有超过阈值t，则待检测样品图片没有异常。
5.根据权利要求4所述的图像微小异常检测方法，其特征在于，所述阈值t的确定方法如下：
将训练样本图片输入图像重建模型，从t＝0.5开始，每次增加0.5，一直到t＝0.95，t的不同取值将对应不同的准确率，取准确率最高的那个t值作为t的最后取值。
6.根据权利要求1-5中任意一项所述的图像微小异常检测方法，其特征在于，所述将所述预处理图片输入图像重建模型之前还包括：
获取训练样本图片，以及训练图像重建模型，所述训练样本图片为不含有异常的图片。
7.根据权利要求6所述的图像微小异常检测方法，其特征在于，所述训练图像重建模型的方法包括：
用不含有异常的训练样本图片训练所述图像重建模型，得到训练后的图像重建模型。
8.根据权利要求7所述的图像微小异常检测方法，其特征在于，所述用不含有异常的训练样本图片训练所述图像重建模型，得到训练后的图像重建模型的方法包括：
构建Auto Encoder模型；
将训练样本图片通过图像高斯模糊处理并用形态学操作中的膨胀腐蚀对图像进一步处理，抑制微小异常，得到预处理训练样本图片；
利用预处理训练样本图片训练Auto Encoder，得到训练后的图像重建模型。
9.一种图像微小异常检测装置，其特征在于，包括：
图像采集模块，用于采集待检测样品图片以及训练样本图片；
异常预处理模块，用于对所述待检测样品图片进行异常预处理，抑制待检测样品图片中的微小异常，得到预处理图片；
图像重建模块，用于不含有异常的训练样本图片训练所述图像重建模型，得到训练后的图像重建模型，以及将所述预处理图片输入图像重建模型，得到重建图片；
判断模块，用于将所述待检测样品图片与重建图片输入判断模型，计算待检测样品图片与重建图片的差异，判断待检测样品图片是否有异常，如果有异常输出异常所在区域。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至8中任一项所述的图像微小异常检测方法的各个步骤。
CN202110752675.1A 2021-07-02 2021-07-02 一种图像微小异常检测方法、装置及计算机可读存储介质 Active CN113379729B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110752675.1A CN113379729B (zh) 2021-07-02 2021-07-02 一种图像微小异常检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110752675.1A CN113379729B (zh) 2021-07-02 2021-07-02 一种图像微小异常检测方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113379729A true CN113379729A (zh) 2021-09-10
CN113379729B CN113379729B (zh) 2023-07-25

Family

ID=77580950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110752675.1A Active CN113379729B (zh) 2021-07-02 2021-07-02 一种图像微小异常检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113379729B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170227A (zh) * 2022-02-11 2022-03-11 北京阿丘科技有限公司 产品表面缺陷检测方法、装置、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833220A (zh) * 2017-11-28 2018-03-23 河海大学常州校区 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
CN110108754A (zh) * 2019-04-25 2019-08-09 四川沐迪圣科技有限公司 基于结构化稀疏分解的光激励红外热成像缺陷检测方法
CN110619618A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
EP3617943A1 (en) * 2018-08-30 2020-03-04 Topcon Corporation Multivariate and multi-resolution retinal image anomaly detection system
CN111507975A (zh) * 2020-04-23 2020-08-07 西南交通大学 一种牵引变电所户外绝缘子异常检测方法
CN111598881A (zh) * 2020-05-19 2020-08-28 西安电子科技大学 基于变分自编码器的图像异常检测方法
CN111667462A (zh) * 2020-05-12 2020-09-15 常熟理工学院 一种焊接缺陷中弱小目标的自动检测方法与系统
CN112233073A (zh) * 2020-09-30 2021-01-15 国网山西省电力公司大同供电公司 一种变电设备红外热成像异常实时检测方法
CN112419318A (zh) * 2020-12-17 2021-02-26 深圳市华汉伟业科技有限公司 一种基于多路级联反馈的异常检测方法及装置、存储介质
CN112837295A (zh) * 2021-02-01 2021-05-25 北京工业大学 一种基于生成对抗网络的橡胶手套缺陷检测方法
CN112967251A (zh) * 2021-03-03 2021-06-15 网易（杭州）网络有限公司 图片检测方法、图片检测模型的训练方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833220A (zh) * 2017-11-28 2018-03-23 河海大学常州校区 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
CN110619618A (zh) * 2018-06-04 2019-12-27 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
EP3617943A1 (en) * 2018-08-30 2020-03-04 Topcon Corporation Multivariate and multi-resolution retinal image anomaly detection system
CN110108754A (zh) * 2019-04-25 2019-08-09 四川沐迪圣科技有限公司 基于结构化稀疏分解的光激励红外热成像缺陷检测方法
CN111507975A (zh) * 2020-04-23 2020-08-07 西南交通大学 一种牵引变电所户外绝缘子异常检测方法
CN111667462A (zh) * 2020-05-12 2020-09-15 常熟理工学院 一种焊接缺陷中弱小目标的自动检测方法与系统
CN111598881A (zh) * 2020-05-19 2020-08-28 西安电子科技大学 基于变分自编码器的图像异常检测方法
CN112233073A (zh) * 2020-09-30 2021-01-15 国网山西省电力公司大同供电公司 一种变电设备红外热成像异常实时检测方法
CN112419318A (zh) * 2020-12-17 2021-02-26 深圳市华汉伟业科技有限公司 一种基于多路级联反馈的异常检测方法及装置、存储介质
CN112837295A (zh) * 2021-02-01 2021-05-25 北京工业大学 一种基于生成对抗网络的橡胶手套缺陷检测方法
CN112967251A (zh) * 2021-03-03 2021-06-15 网易（杭州）网络有限公司 图片检测方法、图片检测模型的训练方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵春东;朱奎锋;苏艳杰;陈俭永;张东洋;陈晓艳;: "一种提高晶粒表面缺陷检测准确性的方法研究", 传感技术学报, no. 07, pages 89 - 95 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170227A (zh) * 2022-02-11 2022-03-11 北京阿丘科技有限公司 产品表面缺陷检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113379729B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN109870461B (zh) 一种电子元器件质量检测系统
CN109345528B (zh) 一种基于人眼视觉特性的显示屏缺陷检测方法及装置
CN109472271B (zh) 印刷电路板图像轮廓提取方法及装置
CN109752392B (zh) 一种pcb板缺陷类型检测系统和方法
CN103369347A (zh) 相机瑕疵缺陷检测
CN113034488B (zh) 一种喷墨印刷品的视觉检测方法
CN106548111A (zh) 一种二维码外观缺陷检测方法及装置
CN113205474A (zh) 屏幕检测和屏幕检测模型训练方法、装置及设备
CN101487934B (zh) 光学检测装置及光学检测方法
CN103927749A (zh) 图像处理方法、装置和自动光学检测机
CN117274252B (zh) 基于标识解析的钢铁产品表面瑕疵检测系统
CN112288741A (zh) 一种基于语义分割的产品表面缺陷检测方法、系统
CN114757913A (zh) 一种显示屏缺陷检测方法
CN113838043A (zh) 金属箔材制造中基于机器视觉的质量分析方法
CN107944444A (zh) 一种瓶装液体异物检测方法及系统
CN113379729B (zh) 一种图像微小异常检测方法、装置及计算机可读存储介质
Yeh et al. A wavelet-based approach in detecting visual defects on semiconductor wafer dies
CN113066088A (zh) 工业检测中的检测方法、检测装置和存储介质
CN113538603A (zh) 一种基于阵列产品的光学检测方法、系统和可读存储介质
US5881164A (en) Image data processing method and image data processing apparatus
JP4163199B2 (ja) 検査装置、検査方法
CN112950598A (zh) 工件的瑕疵检测方法、装置、设备及存储介质
CN108280825A (zh) 一种液晶显示屏边缘缺口检测方法
KR20060130109A (ko) 기판 검사 장치
CN115546140A (zh) 一种显示面板检测方法、系统及电子装置

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