CN113409295A - 一种基于cell的边缘缺陷检测方法 - Google Patents
一种基于cell的边缘缺陷检测方法 Download PDFInfo
- Publication number
- CN113409295A CN113409295A CN202110737272.XA CN202110737272A CN113409295A CN 113409295 A CN113409295 A CN 113409295A CN 202110737272 A CN202110737272 A CN 202110737272A CN 113409295 A CN113409295 A CN 113409295A
- Authority
- CN
- China
- Prior art keywords
- defect
- cell
- edge
- product
- horizontal
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 42
- 238000005516 engineering process Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于CELL的边缘缺陷检测方法，包括：收集历史检测CELL产品累积的数据样本，得到数据标注样本；将数据标注样本输入深度卷积神经网络中进行模型训练，训练出一个稳定收敛的分割模型；捕捉待测CELL产品的产品图像，通过分割模型分割出产品图像中的缺陷坐标位置和mark坐标位置，将缺陷坐标位置输出；调取待测CELL产品的产品图像，将有限个边缘点进行直线拟合，分别得到水平拟合线和垂直拟合线；根据mark坐标位置，分别对拟合出来的水平拟合线和垂直拟合线进行间距测量，得到间距参数输出。本发明建立了分割模型，能够对输入的产品图像中的缺陷进行分割，能够同步对CELL产品的缺陷以及边距进行测量，提升检测效率，缺陷和边距检测精度高。
Description
技术领域
本发明涉及CELL边缘缺陷检测技术领域，尤其涉及一种基于CELL的边缘缺陷检测方法。
背景技术
机器视觉是工业质量检测中非常常见的一项技术手段，主要通过相机对工业产品进行拍照，然后通过图像处理技术对产品图片进行分析，从而通过产品的成像观察真实的生产过程中，产品是否存在有缺陷和问题。本发明介绍了一种基于传统算法和深度学习算法混合处理的CELL边缘检测技术，从而弥补传统算法鲁棒性差，参数多的困境。
很长一段时间，机器视觉的应用手段都是利用传统的图像处理技术对图像进行定量化分析，判断缺陷是否存在。由于在工业生产过程中，对产品质量检测大部分都有实时性的要求，软件与图像处理算法也需要具备实时处理的能力，这对图像处理技术带来了很大挑战，因为有效并鲁棒的图像处理算法大多都需要复杂的计算过程。所以在工业产品质量检测领域中使用图像处理技术，大部分只能用传统并朴素的图像处理算法进行产品缺陷甄别，这其中包括：对图像数据滤波去噪，图像二值化，连通区域分析，边缘提取，形态学分析等等。这些技术手段的目的都是先将一张图像从嘈杂的纹理进行有效的降噪分离，然后可以提取出感兴趣的图像信息，从而判断感兴趣信息的内容。
因为图像处理检测技术会检测出很多待判定的缺陷信息，这些缺陷很有可能是由于算法的局限性导致的误检测，大量的误检测对于最终产品质量的判别带来了困扰，所以往往在通过图像处理技术判定为准缺陷后，还需要再次利用模式识别技术对所有缺陷进行分类判断，以便有效的过滤掉那些误报的缺陷。在过去的几十年中，模式识别的理论与应用已经非常成熟，主要流程就是收集一些希望识别和分类的训练数据，对这些数据进行特征提取，然后训练出来一个分类器，从而可以对未知的样本进行分类。模式识别技术的最大困扰就是需要人手动的进行特征提取与总结，但是人非常总结出那些与人类感知相似的抽象特征，仅仅能提取那些非常容易量化的指标。对于缺陷分类问题来说，特征往往就是缺陷的长宽，灰度值，对比度，占空比，面积等等，这些特征仅仅能对常规正常形态的缺陷进行分类判断，很难具备非常强的鲁棒性，例如人眼可以将两个长宽比区别很大，但属于同类的缺陷很容易归属在一类，但是如果交给机器，可能根据总结出来的特征就会被判别为两种不同的类别。
综合上述图像处理和模式识别存在的问题，所以大多数机器视觉检测算法系统都会根据不同的检测产品进行阈值调节，以便适应于每一种产品的不同缺陷属性。自从2012年AlexNet深度神经网络对ImageNet超大的数据集的分类效果率先达到70％以上的正确率的时候，深度学习技术正是迎来了人工智能技术上的革命。通过深度卷积神经网络可以训练出不同类型的模型，例如：分割，目标检测，分类等等。所以长期被算法鲁棒性困扰的图像处理与模式识别技术可以在很大程度上被深度学习所替代。深度学习可以通过海量样本对标注的数据进行拟合，最终训练出来的模型具有非常良好的鲁棒性，对样本数据的光照差异，数据分辨率，旋转缩放等等都具有非常好的推广能力。利用深度学习进行图像的分割与目标检测可以非常好的对图像数据进行处理，无论在稳定性和鲁棒性都要远远优异与传统基于规则的图像处理和模式识别技术，可以精准的定位缺陷位置，降低误报的概率。伴随着GPU技术的不断发展，利用深度学习技术处理图像数据的速度也完全可以适应工业要求的实时性，所以利用深度学习技术解决工业产品质量检测可以大幅度降低开发难度，同时可以很好的提升算法的鲁棒性和检测精度。
发明内容
本发明为了解决上述技术问题提供一种能够同时对CELL产品的缺陷和边距进行测量的基于CELL边缘缺陷检测方法，以解决上述至少一项技术问题。
本发明解决上述技术问题的技术方案如下：
一种基于CELL的边缘检测方法，所述检测方法包括如下步骤：
S1：收集历史检测CELL产品累积的数据样本，标注所述数据样本中的目标缺陷，得到数据标注样本；
S2：将所述数据标注样本输入深度卷积神经网络中进行模型训练，训练出一个稳定收敛的分割模型；
S3：捕捉待测CELL产品的产品图像，将所述产品图像作为所述深度卷积神经网络的输入，通过所述分割模型分割出所述产品图像中的缺陷坐标位置和mark坐标位置，将所述缺陷坐标位置输出；
S4:调取待测CELL产品的产品图像，利用水平投影和垂直投影检测到所述产品图像边缘的有限个边缘点，将有限个所述边缘点进行直线拟合，分别得到水平拟合线和垂直拟合线；
S5：根据步骤S3得到的mark坐标位置，分别对拟合出来的水平拟合线和垂直拟合线进行间距测量，得到间距参数输出。
本发明中mark为在CELL产品表面固定印刷的mark标志图案。
本发明的有益效果是：本发明建立了分割模型，能够对输入的产品图像中的缺陷进行分割，能够同步对CELL产品的缺陷以及边距进行测量，提升检测效率，缺陷和边距检测精度高。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步的，步骤S1中，所述目标缺陷包括：表面缺陷、拐角缺陷和mark边距缺陷，其中，表面缺陷和mark边距缺陷均采用轮廓标注，拐角缺陷采用填充标注。
采用上述进一步方案的有益效果是：表面缺陷包括CELL产品表面的脏点、破裂、划伤等缺陷，拐角缺陷是产品拐角处的破损缺失缺陷，mark边距缺陷是产品边缘距离mark边距大于公差的缺陷，对目标缺陷进行分类标注，能够有利于通过深度卷积神经网络训练出分割效率高的分割模型，缺陷检测更精确。
进一步的，步骤S3中，所述分割模型采用深度可分离卷积特征抽取的deeplabV3+网络，deeplabV3+网络的编码器采用加深的xception模型。
采用上述进一步方案的有益效果是：采用深度可分离卷积特征抽取的deeplabV3+网络，能够进行有效的特征抽取，在参数上大幅度缩小卷积方式。
进一步的，步骤S4中，有限个所述边缘点采用间歇采样的方式检测得到。
采用上述进一步方案的有益效果是：采用间歇采样可以有效的保证直线的拟合，同时减少边缘点的采集耗时。
进一步的，步骤S4中，采用水平投影和垂直投影检测图像的目标边缘点后，通过RANSAC算法过滤其中的噪声外边缘点，得到内边缘点，将内边缘点进行直线拟合。
采用上述进一步方案的有益效果是：采用RANSAC算法能够过滤边缘点中的噪声点，能够避免噪声外边缘点柜直线和产生干扰。
进一步的，步骤S4中，在得到水平拟合线和垂直拟合线后对产品图像进行旋转校正，包括：
测量水平拟合线与水平线之间的夹角β；
β≠0°时，根据夹角β值，旋转所述产品图像，使得水平拟合线与水平线重合或平行。
采用上述进一步方案的有益效果是：能够通过测量水平拟合线与水平线之间的夹角，能够对图像进行旋转，能够配合分割模型分割得到的mark坐标测量边距，边距测量更准确。
附图说明
图1为本发明检测方法的流程图；
图2为本发明脏点缺陷提取结果图；
图3为本发明拐角缺失缺陷填充提取结果图；
图4为本发明mark边距测量结果图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例
如图1所示，本发明的核心是提供一种基于CELL的边缘缺陷检测方法，检测方法包括如下步骤：
收集历史检测CELL产品累积的数据样本，标注数据样本中的目标缺陷，得到数据标注样本；标注是将需要利用分割模型分割的缺陷和目标进行数据表述，标注的对象是各类缺陷和产品表面固定印刷的mark标志图案；目标缺陷包括：表面缺陷、拐角缺陷和mark边距缺陷，其中，表面缺陷和mark边距缺陷均采用轮廓标注，拐角缺陷采用填充标注；如图2所示，对表面缺陷中的脏点进行轮廓标注；如图3所示，对拐角缺陷的确实进行填充标注，根据图3对于拐角处的缺失缺陷，采用完整填充的方式，对缺陷进行标注。
将数据标注样本输入深度卷积神经网络中进行模型训练，训练出一个稳定收敛的分割模型。
捕捉待测CELL产品的产品图像，将产品图像作为深度卷积神经网络的输入，通过分割模型分割出产品图像中的缺陷坐标位置和mark坐标位置，将缺陷坐标位置输出，mark坐标位置作为边距测量使用；分割模型采用deeplabV3+网络，deeplabV3+网络的编码器采用加深的xception模型。
如图4所示，调取待测CELL产品的产品灰度图像，利用水平投影和垂直投影间歇检测采集到产品图像边缘的有限个边缘点，通过RANSAC算法过滤其中的噪声外边缘点，得到内边缘点，将内边缘点进行直线拟合，分别得到水平拟合线和垂直拟合线；有限个边缘点采用间歇采样的方式检测得到。由于产品的灰度图像在采集过程中可能会因相机的旋转，使得采集的产品灰度图像存在偏移，将得到水平拟合线和垂直拟合线后对产品图像进行旋转校正，包括：测量水平拟合线与水平线之间的夹角β；β≠0°时，根据夹角β值，旋转产品图像，使得水平拟合线与水平线重合或平行。
根据mark坐标位置，分别对拟合出来的水平拟合线和垂直拟合线进行间距测量，得到间距参数输出。
本发明通过分割模型能够对产品的图像进行处理，得到两个结果输出，两个结果分别是缺陷位置和MARK的间距参数，有利于丰富CELL边缘检测的效率。
在本发明的描述中，需要理解的是，术语“中心”、“长度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“内”、“外”、“周侧”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例，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 (6)
1.一种基于CELL的边缘缺陷检测方法，其特征在于，所述检测方法包括如下步骤：
S1：收集历史检测CELL产品累积的数据样本，标注所述数据样本中的目标缺陷，得到数据标注样本；
S2：将所述数据标注样本输入深度卷积神经网络中进行模型训练，训练出一个稳定收敛的分割模型；
S3：捕捉待测CELL产品的产品图像，将所述产品图像作为所述深度卷积神经网络的输入，通过所述分割模型分割出所述产品图像中的缺陷坐标位置和mark坐标位置，将所述缺陷坐标位置输出；
S4:调取待测CELL产品的产品图像，利用水平投影和垂直投影检测到所述产品图像边缘的有限个边缘点，将有限个所述边缘点进行直线拟合，分别得到水平拟合线和垂直拟合线；
S5：根据步骤S3得到的mark坐标位置，分别对拟合出来的水平拟合线和垂直拟合线进行间距测量，得到间距参数输出。
2.根据权利要求1所述一种基于CELL的边缘缺陷检测方法，其特征在于，步骤S1中，所述目标缺陷包括：表面缺陷、拐角缺陷和mark边距缺陷，其中，表面缺陷和mark边距缺陷均采用轮廓标注，拐角缺陷采用填充标注。
3.根据权利要求1所述一种基于CELL的边缘缺陷检测方法，其特征在于，步骤S3中，所述分割模型采用deeplabV3+网络，deeplabV3+网络的编码器采用加深的xception模型。
4.根据权利要求1所述一种基于CELL的边缘缺陷检测方法，其特征在于，步骤S4中，有限个所述边缘点采用间歇采样的方式检测得到。
5.根据权利要求1所述一种基于CELL的边缘缺陷检测方法，其特征在于，步骤S4中，采用水平投影和垂直投影检测图像的目标边缘点后，通过RANSAC算法过滤其中的噪声外边缘点，得到内边缘点，将内边缘点进行直线拟合。
6.根据权利要求1所述一种基于CELL的边缘缺陷检测方法，其特征在于，步骤S4中，在得到水平拟合线和垂直拟合线后对产品图像进行旋转校正，包括：
测量水平拟合线与水平线之间的夹角β；
β≠0°时，根据夹角β值，旋转所述产品图像，使得水平拟合线与水平线重合或平行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110737272.XA CN113409295B (zh) | 2021-06-30 | 2021-06-30 | 一种基于cell的边缘缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110737272.XA CN113409295B (zh) | 2021-06-30 | 2021-06-30 | 一种基于cell的边缘缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113409295A true CN113409295A (zh) | 2021-09-17 |
| CN113409295B CN113409295B (zh) | 2024-03-29 |
Family
ID=77680523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110737272.XA Active CN113409295B (zh) | 2021-06-30 | 2021-06-30 | 一种基于cell的边缘缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409295B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0582618A (ja) * | 1991-09-20 | 1993-04-02 | Nippon Steel Corp | 画像データ欠陥検出装置 |
| JPH08101139A (ja) * | 1994-09-30 | 1996-04-16 | Omron Corp | 欠陥検査装置および方法 |
| JPH1187446A (ja) * | 1997-07-04 | 1999-03-30 | Hitachi Ltd | パターン欠陥検査装置及びパターン欠陥検査方法 |
| US20140270397A1 (en) * | 2013-03-15 | 2014-09-18 | Yoshinori SOCHI | Apparatus, system, and method of inspecting image, and recording medium storing image inspection control program |
| CN104484870A (zh) * | 2014-11-25 | 2015-04-01 | 北京航空航天大学 | 校验飞机定位方法 |
| US20150214000A1 (en) * | 2012-08-30 | 2015-07-30 | Hitachi High-Technologies Corporation | Defect observation system and defect observation method |
| US20150262350A1 (en) * | 2014-03-11 | 2015-09-17 | Boe Technology Group Co., Ltd. | Marking apparatus and marking method for display panel |
| US20160019682A1 (en) * | 2013-03-29 | 2016-01-21 | Hitachi High-Technologies Corporation | Defect inspection method and defect inspection device |
| CN106500633A (zh) * | 2016-12-29 | 2017-03-15 | 苏州逸美德科技有限公司 | 一种平整度检测方法 |
| CN107208996A (zh) * | 2014-12-12 | 2017-09-26 | 沃思测量技术股份有限公司 | 用于测量工件的特征的方法和设备 |
| CN107742288A (zh) * | 2017-10-11 | 2018-02-27 | 成都国铁电气设备有限公司 | 一种受电弓打弓缺陷检测方法及系统 |
| CN109829948A (zh) * | 2018-12-13 | 2019-05-31 | 昂纳自动化技术（深圳）有限公司 | 摄像机标定板、标定方法以及摄像机 |
| CN110906875A (zh) * | 2019-11-26 | 2020-03-24 | 湖北工业大学 | 一种孔径测量的视觉处理方法 |
| CN111127429A (zh) * | 2019-12-24 | 2020-05-08 | 魏志康 | 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法 |
| CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
| CN111582294A (zh) * | 2019-03-05 | 2020-08-25 | 慧泉智能科技（苏州）有限公司 | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 |
| CN112330678A (zh) * | 2021-01-07 | 2021-02-05 | 中科慧远视觉技术(北京)有限公司 | 产品边缘缺陷检测方法 |
-
2021
- 2021-06-30 CN CN202110737272.XA patent/CN113409295B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0582618A (ja) * | 1991-09-20 | 1993-04-02 | Nippon Steel Corp | 画像データ欠陥検出装置 |
| JPH08101139A (ja) * | 1994-09-30 | 1996-04-16 | Omron Corp | 欠陥検査装置および方法 |
| JPH1187446A (ja) * | 1997-07-04 | 1999-03-30 | Hitachi Ltd | パターン欠陥検査装置及びパターン欠陥検査方法 |
| US20150214000A1 (en) * | 2012-08-30 | 2015-07-30 | Hitachi High-Technologies Corporation | Defect observation system and defect observation method |
| US20140270397A1 (en) * | 2013-03-15 | 2014-09-18 | Yoshinori SOCHI | Apparatus, system, and method of inspecting image, and recording medium storing image inspection control program |
| US20160019682A1 (en) * | 2013-03-29 | 2016-01-21 | Hitachi High-Technologies Corporation | Defect inspection method and defect inspection device |
| US20150262350A1 (en) * | 2014-03-11 | 2015-09-17 | Boe Technology Group Co., Ltd. | Marking apparatus and marking method for display panel |
| CN104484870A (zh) * | 2014-11-25 | 2015-04-01 | 北京航空航天大学 | 校验飞机定位方法 |
| CN107208996A (zh) * | 2014-12-12 | 2017-09-26 | 沃思测量技术股份有限公司 | 用于测量工件的特征的方法和设备 |
| CN106500633A (zh) * | 2016-12-29 | 2017-03-15 | 苏州逸美德科技有限公司 | 一种平整度检测方法 |
| CN107742288A (zh) * | 2017-10-11 | 2018-02-27 | 成都国铁电气设备有限公司 | 一种受电弓打弓缺陷检测方法及系统 |
| CN109829948A (zh) * | 2018-12-13 | 2019-05-31 | 昂纳自动化技术（深圳）有限公司 | 摄像机标定板、标定方法以及摄像机 |
| CN111582294A (zh) * | 2019-03-05 | 2020-08-25 | 慧泉智能科技（苏州）有限公司 | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 |
| CN110906875A (zh) * | 2019-11-26 | 2020-03-24 | 湖北工业大学 | 一种孔径测量的视觉处理方法 |
| CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
| CN111127429A (zh) * | 2019-12-24 | 2020-05-08 | 魏志康 | 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法 |
| CN112330678A (zh) * | 2021-01-07 | 2021-02-05 | 中科慧远视觉技术(北京)有限公司 | 产品边缘缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张冬妍: "改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用", 东北林业大学学报, pages 80 - 83 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113409295B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
| Zhou et al. | Automated visual inspection of glass bottle bottom with saliency detection and template matching | |
| CN108776140B (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及系统 | |
| CN111751253B (zh) | 一种混凝土骨料检测模型的形成方法及质量检测方法 | |
| CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
| CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
| CN106969708B (zh) | 一种骨料形态质量的检测装置和方法 | |
| CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN110490826B (zh) | 一种照相机中雾滴样本图像处理方法 | |
| CN109993099A (zh) | 一种基于机器视觉的车道线提取识别方法 | |
| CN107796826B (zh) | 基于齿心距离曲线分析的微型双联齿轮断齿缺陷检测方法 | |
| CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
| CN103454285A (zh) | 基于机器视觉的传动链条质量检测系统 | |
| CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN109886954B (zh) | 一种印刷品缺陷检测方法 | |
| CN114549446B (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
| CN114549441B (zh) | 基于图像处理的吸管缺陷检测方法 | |
| WO2021109011A1 (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
| CN114486732B (zh) | 一种基于线扫描三维的瓷砖缺陷在线检测方法 | |
| CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
| CN110096980A (zh) | 字符检测识别系统 | |
| CN109583295A (zh) | 一种基于卷积神经网络的转辙机缺口自动检测方法 | |
| CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |