CN113450302A - 基于机器学习极耳检测方法、装置及计算机可读存储介质 - Google Patents

基于机器学习极耳检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113450302A
CN113450302A CN202010214657.3A CN202010214657A CN113450302A CN 113450302 A CN113450302 A CN 113450302A CN 202010214657 A CN202010214657 A CN 202010214657A CN 113450302 A CN113450302 A CN 113450302A
Authority
CN
China
Prior art keywords
tab
risk
detected
image
fracture
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
CN202010214657.3A
Other languages
English (en)
Inventor
马威
叶建欢
姚明高
张火先
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.)
Dongguan Nvt Technology Co Ltd
Original Assignee
Dongguan Nvt 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 Dongguan Nvt Technology Co Ltd filed Critical Dongguan Nvt Technology Co Ltd
Priority to CN202010214657.3A priority Critical patent/CN113450302A/zh
Publication of CN113450302A publication Critical patent/CN113450302A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于机器学习极耳检测方法、装置及计算机可读存储介质，所述极耳检测方法包括：获取极耳断裂及有断裂风险时的各风险图像特征，基于机器学习各所述风险图像特征；获取待检极耳的图像；分析处理所述图像，与所述风险图像特征对比以得出所述待检极耳的断裂判断结果。

Description

基于机器学习极耳检测方法、装置及计算机可读存储介质
技术领域
本申请涉及电池的检测领域，具体涉及基于机器学习的极耳的检测方法、装置及计算机可读存储介质。
背景技术
当前，在电池组装过程中，极耳经过裁切、整形、激光焊机、弯折等工序后，会存在极耳断裂的问题，极耳断裂会直接导致产品报废，如果流出至客户端会导致严重的品质事件。目前采用在装配工序通过人工抽检的方法，以检出极耳断裂的不良品，但这种方法速度慢、效率低、检出率低，无法保证百分百检出极耳断裂的不良品。
发明内容
有鉴于此，有必要提供一种极耳的检测方法、装置及计算机可读存储介质。
一种基于机器学习的极耳检测方法，包括如下步骤：
获取极耳断裂的各风险图像特征，基于机器学习各所述风险图像特征；
获取待检极耳的图像；
分析处理所述图像，与所述风险图像特征对比以得出所述待检极耳的断裂判断结果。在一些实施例中，所述极耳检测方法还包括：建立与各所述风险图像特征对应的风险原因及改善方案模型。
在一些实施例中，所述极耳检测方法还包括：所述判断结果为极耳已断裂或存在断裂风险时，向改善极耳断裂的改善设备或操作员反馈所述待检极耳的风险图像特征、与所述风险图像特征对应的风险原因及改善方案。
在一些实施例中，所述极耳检测方法还包括：利用所述改善设备对断裂或存在断裂风险的极耳进行自动调整改善以使所述极耳达到合格标准；或通过所述操作员对断裂或存在断裂风险的极耳进行辅助调整改善以使所述极耳达到合格标准。
在一些实施例中，所述极耳检测方法还包括利用一识码机构识别所述待检极耳对应的电池上的识别码，记录并储存所述识别码及所述待检极耳断裂的判断结果、风险图像特征、风险原因及改善方案。
在一些实施例中，所述获取待检极耳的图像的步骤还包括：获取极耳未断裂及无断裂风险时的对照图；所述分析处理所述图像的步骤还包括与所述对照图对比得出所述待检极耳的断裂判断结果。
在一些实施例中，所述极耳检测方法还包括：将所述判断结果为极耳已断裂的所述待检极耳移至不合格产品区；将所述判断结果为有断裂风险的所述待检极耳移至复检区。
在一些实施例中，所述获取待检极耳的图像的步骤，在所述待检极耳的可能导致断裂的加工工序之后进行。
一种极耳检测装置，包括：
摄像机构，用于拍摄待检极耳，以获取所述待检极耳的图像；
处理器，与所述摄像机构电连接，且用于存储极耳断裂的各风险图像特征；及用于基于机器学习各所述风险图像特；及分析处理所述图像以得出所述待检极耳的断裂判断结果；并在执行存储器中存储的计算机程序时实现上述检测方法。
一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述所述检测方法。
上述基于机器学习极耳检测方法、装置及计算机可读存储介质通过基于机器学习各极耳的风险图像特征，然后依此对获取待检极耳的图像进行处理分析得出断裂判断结果，并且通过基于机器学习风险图像特征，实现自主学习极耳断裂的风险图像特征，使极耳检测智能化、检测精准度高。
附图说明
图1为本申请的极耳检测装置在一实施例中的功能模块图。
图2为本申请的极耳检测装置中反馈系统的功能模块图。
图3为本申请的极耳检测方法在一实施例中的流程图。
主要元件符号说明
极耳检测装置 100
摄像机构 10
处理器 20
存储器 30
极耳检测程序 301
反馈系统 40
显示机构 41
报警机构 43
识码机构 50
光源机构 60
调节机构 70
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
本申请的一些实施方式提出一种基于机器学习的极耳检测方法，包括如下步骤：
获取极耳断裂的各风险图像特征，基于机器学习各所述风险图像特征；
获取待检极耳的图像；
分析处理所述图像，与所述风险图像特征对比以得出所述待检极耳的断裂判断结果。
上述极耳的检测方法通过基于机器学习各极耳的风险图像特征，然后依此对获取待检极耳的图像进行处理分析得出断裂判断结果并且通过基于机器学习风险图像特征，实现自主学习极耳断裂的风险图像特征，使极耳检测智能化、检测精准度高。
请参阅图1，本申请的一实施例提出一种极耳检测装置100。所述极耳检测装置100包括摄像机构10、处理器20、存储器30和反馈系统40。所述极耳检测装置100应用于加工设备，并在所述加工设备的可能导致极耳断裂的所有加工工序之后进行极耳检测的工作。
所述极耳检测装置100独立于所述加工设备，可以理解，在其他实施例中，所述极耳检测装置100也可以为包含在所述加工设备内的一个机构。
所述摄像机构10用于拍摄待检极耳(图未示)，以获取所述待检极耳的图像。
所述存储器30存有可在所述处理器20上运行的极耳检测程序301。所述处理器20执行所述极耳检测程序301时实现极耳检测方法实施例方式中的步骤，例如图3所示的步骤S101-S107。
所述处理器20与所述摄像机构10电连接，且用于存储极耳的各风险图像特征、与各所述风险图像特征对应的风险原因及改善方案模型；及用于基于机器学习所述风险图像特征；及用于分析处理所述摄像机构10获取的图像，以得出所述待检极耳的断裂判断结果；并在执行存储器30中存储的计算机程序时实现极耳检测方法实施例方式中的步骤，例如图3所示的步骤S101-S107。
所述反馈系统40与所述处理器20电连接，且用于当所述处理器20判断的结果为极耳已断裂或有断裂风险时，反馈所述待检极耳的风险图像特征、与所述风险图像特征对应的风险原因及改善方案；否则，用于反馈所述待检极耳为合格品。
可以理解，在其他实施例中，所述反馈系统40也可以省略。所述处理器20也可以省略存储与各所述风险图像特征对应的风险原因及改善方案模型的功能。
图3为本申请一些实施方式中极耳检测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
一种极耳检测方法，包括：
S101：获取极耳断裂的各风险图像特征，基于机器学习各所述风险图像特征。
所述风险图像特征包括极耳已经断裂及未断裂但有断裂风险时的图像特征。例如，所述风险图像特征可以为极耳上有折痕、褶皱、凹坑等不良特征时对应的图像特征。
S102：建立与各所述风险图像特征对应的风险原因及改善方案模型。
所述处理器20储存极耳的各风险图像特征，及与所述风险图像特征对应的风险原因及改善方案。
所述处理器20还储存有极耳未断裂、无断裂风险时的合格图像特征。
S103：对所述待检极耳对应电池上的识别码进行扫码并储存所述识别码。
所述极耳检测装置100还包括识码机构50。所述识码机构50用于识别所述待检极耳对应的电池上的识别码，并反馈所述识别码至所述处理器20。所述处理器20还用于储存所述识别码。
所述识别码为二位码，但不限于此。例如，在其他实施例中，所述识别码也可以为条形码。
S104：获取待检极耳的图像。
利用所述摄像机构10拍摄所述待检极耳，具体地，所述摄像机构10拍摄所述待检极耳相对的正面和反面，但不限于此。例如，在其他实施例中，所述摄像机构10也可以获取所述待检极耳的单面图像。
所述处理器20能够获取所述摄像机构10拍摄所述待检极耳的图像。
所述极耳检测装置100还包括光源机构60。所述光源机构60与所述处理器20电信连接。所述处理器20在所述摄像机构10运行前控制所述光源机构60运行。所述光源机构60用于向所述待检极耳投射光线，使所述待检极耳上形成均匀的发光面，以提高所述摄像机构10的成像效果。可以理解，在其他实施例中，所述光源机构60也可以省略。
S105：分析处理所述图像，与所述风险图像特征对比以得出所述待检极耳的断裂判断结果。
所述处理器20存储有极耳的风险图像特征和极耳合格时的合格图像特征。所述处理器20依据所述风险图像特征和所述合格图像特征，对所述待检极耳的图像对比分析得出所述极耳的断裂判断结果。可以理解，在其他实施例中，所述处理器20也可以省略储存所述合格图像特征，依据所述风险图像特征对所述待检极耳的断裂情况进行判断。
S106：反馈断裂判断结果、断裂原因和改善方案。
所述判断结果为已断裂或有断裂风险时，通过所述反馈系统40向改善极耳断裂的改善设备或操作员反馈所述待检极耳的风险图像特征、与所述风险图像特征对应的风险原因及改善方案；否则，通过所述反馈系统40反馈所述待检极耳为合格品。
所述改善方案包括对褶皱、折痕等风险特征的消除或改善、对已断裂极耳的处理方案等。例如，将所述判断结果为已断裂的所述待检极耳移至不合格产品区；将所述判断结果为有断裂风险的所述待检极耳移至复检区；对已断裂或有断裂风险的极耳进行标记。
请参阅图2，所述反馈系统40包括显示机构41和报警机构43。
所述显示机构41用于当所述判断结果为已断裂或有断裂风险时显示所述待检极耳的图像、风险原因及改善方案，否则，所述显示机构显示所述待检极耳为合格品。
所述报警机构43用于当所述判断结果为已断裂或有断裂风险时，向改善极耳断裂的改善设备或操作员发出报警提示信号，通过所述改善设备对极耳进行自动调整改善以使所述极耳达到合格标准，或根据改善方案对已断裂的极耳作报废处理。通过所述操作员对极耳进行辅助调整改善以使所述极耳达到合格标准，或根据所述改善方案对已断裂的极耳作报废处理。
当所述处理器20分析所述待检极耳的图像得出所述极耳的图像特征与所述风险图像特征和所述合格图像特征不一致时，通过所述反馈系统40反馈所述待检极耳需要复检，并通过复检得出极耳的新风险图像特征或新合格图像特征。基于机器学习，所述处理器20学习并储存所述新风险图像特征、所述新合格图像特征及与所述新风险图像特征对应的风险原因及改善方案。
复检可以采用人工完成，或借助其他仪器检查极耳并进行判断。
S107：储存所述待检极耳的断裂判断结果及处理方案。
所述处理器20还用于记录并储存与所述识别码对应的所述待检极耳断裂的判断结果、风险图像特征、风险原因及改善方案，使所述极耳的断裂情况可以追溯，根据所述处理器20储存的关于极耳断裂数据进一步分析极耳良率，风险原因的比例等。例如，当风险图像特征对应的断裂原因中折痕的比例高时，可以针对折痕原因进行分析，进而改善加工设备。
可以理解，在其他实施例中，也可以在所述加工设备上每个可能导致极耳断裂的加工工序之后进行极耳检测的工作，以统计每个加工工序导致极耳已断裂或有断裂风险的比例。
所述极耳检测装置100还包括调节机构70。所述调节机构70与所述处理器20电连接。所述处理器20控制所述调节机构70调节所述摄像机构10和所述识码机构50的位置，以改变所述摄像机构10和所述识码机构50分别与所述待检极耳的相对位置，进而提高成像效果及扫码准确率。可以理解，在其他实施例中，所述调节机构70也可以省略。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器20执行时实现上述极耳检测方法。此处所述的计算机可读存储介质可以是硬盘、光盘、磁带、U盘、闪存盘等可被计算机读取的存储介质。所述计算机可读存储介质中存储有可以实现上述极耳检测方法的程序。
本申请一实施例提供的基于机器学习极耳检测方法通过基于机器学习各极耳的风险图像特征，并建立与各所述风险图像特征对应的风险原因及改善方案模型，并依此对获取待检极耳的图像进行处理分析得出断裂判断结果，最后反馈断裂判断结果并向改善设备或操作员给出风险原因及相应的改善方案，所述极耳检测方法具有学习和反馈机制，使极耳检测与断裂改善形成有效的作业闭环，消除极耳断裂风险带来的隐患。
本申请提供的基于机器学习极耳检测方法、装置及计算机可读存储介质通过基于机器学习各极耳的风险图像特征，然后依此对获取待检极耳的图像进行处理分析得出断裂判断结果，并且通过基于机器学习风险图像特征，实现自主学习极耳断裂的风险图像特征，使极耳检测智能化、检测精准度高。
以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和实质。

Claims (10)

1.一种基于机器学习的极耳检测方法，其特征在于，包括如下步骤：
获取极耳断裂的各风险图像特征，基于机器学习各所述风险图像特征获取待检极耳的图像；
分析处理所述图像，与所述风险图像特征对比以得出所述待检极耳的断裂判断结果。
2.如权利要求1所述的基于机器学习的极耳检测方法，其特征在于，还包括：建立与各所述风险图像特征对应的风险原因及改善方案模型。
3.如权利要求2所述的基于机器学习的极耳检测方法，其特征在于，还包括：所述判断结果为所述待检极耳已断裂或有断裂风险时，向改善极耳断裂的改善设备或操作员反馈所述待检极耳的风险图像特征、与所述风险图像特征对应的风险原因及改善方案。
4.如权利要求3所述的基于机器学习的极耳检测方法，其特征在于，还包括：利用所述改善设备对已断裂或存在断裂风险的极耳进行自动调整改善以使所述极耳达到合格标准；或通过所述操作员对已断裂或存在断裂风险的极耳进行辅助调整改善以使所述极耳达到合格标准。
5.如权利要求2所述的基于机器学习的极耳检测方法，其特征在于，还包括利用一识码机构识别所述待检极耳对应的电池上的识别码，记录并储存所述识别码及所述待检极耳断裂的判断结果、风险特征、风险原因及改善方案。
6.如权利要求1所述的基于机器学习的极耳检测方法，其特征在于，所述获取待检极耳的图像的步骤还包括：获取极耳未断裂及无断裂风险时的对照图；所述分析处理所述图像的步骤还包括与所述对照图对比得出所述待检极耳的断裂判断结果。
7.如权利要求1所述的基于机器学习的极耳检测方法，其特征在于，还包括：将所述判断结果为极耳已断裂的所述待检极耳移至不合格产品区；将所述判断结果为有断裂风险的所述待检极耳移至复检区。
8.如权利要求1所述的基于机器学习的极耳检测方法，其特征在于：所述获取待检极耳的图像的步骤，在所述待检极耳的可能导致断裂的加工工序之后进行。
9.一种极耳检测装置，其特征在于，包括：
摄像机构，用于拍摄待检极耳，以获取所述待检极耳的图像；
处理器，与所述摄像机构电连接，且用于存储极耳断裂的各风险图像特征；及用于基于机器学习各所述风险图像特征；及分析处理所述图像以得出所述待检极耳的断裂判断结果；并在执行存储器中存储的计算机程序时实现如权利要求1至8中任一项所述检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述检测方法。
CN202010214657.3A 2020-03-24 2020-03-24 基于机器学习极耳检测方法、装置及计算机可读存储介质 Pending CN113450302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010214657.3A CN113450302A (zh) 2020-03-24 2020-03-24 基于机器学习极耳检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010214657.3A CN113450302A (zh) 2020-03-24 2020-03-24 基于机器学习极耳检测方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113450302A true CN113450302A (zh) 2021-09-28

Family

ID=77806687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010214657.3A Pending CN113450302A (zh) 2020-03-24 2020-03-24 基于机器学习极耳检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113450302A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115326832A (zh) * 2022-09-01 2022-11-11 上海晶盟硅材料有限公司 晶圆包装的自动检测方法以及自动检测装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886500A (zh) * 2017-10-13 2018-04-06 北京邮电大学 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN110132980A (zh) * 2019-05-13 2019-08-16 无锡先导智能装备股份有限公司 电池检测系统、电池制造设备及电池检测方法
CN110135521A (zh) * 2019-05-28 2019-08-16 陕西何止网络科技有限公司 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统
CN110567974A (zh) * 2019-09-30 2019-12-13 华中科技大学 一种基于云端人工智能表面缺陷检测系统
CN110688389A (zh) * 2019-08-30 2020-01-14 国网重庆市电力公司璧山供电分公司 变电站二次设备缺陷云管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886500A (zh) * 2017-10-13 2018-04-06 北京邮电大学 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN110132980A (zh) * 2019-05-13 2019-08-16 无锡先导智能装备股份有限公司 电池检测系统、电池制造设备及电池检测方法
CN110135521A (zh) * 2019-05-28 2019-08-16 陕西何止网络科技有限公司 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统
CN110688389A (zh) * 2019-08-30 2020-01-14 国网重庆市电力公司璧山供电分公司 变电站二次设备缺陷云管理系统
CN110567974A (zh) * 2019-09-30 2019-12-13 华中科技大学 一种基于云端人工智能表面缺陷检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡玥红: "基于机器视觉的锂电池极片缺陷检测研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115326832A (zh) * 2022-09-01 2022-11-11 上海晶盟硅材料有限公司 晶圆包装的自动检测方法以及自动检测装置

Similar Documents

Publication Publication Date Title
CN110349145B (zh) 缺陷检测方法、装置、电子设备以及存储介质
CN111242904A (zh) 一种光纤端面检测方法和装置
CN111815555A (zh) 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置
CN110135225B (zh) 样本标注方法及计算机存储介质
CA2671278C (en) Laser welding quality evaluation method and apparatus therefor
CN113470005B (zh) 一种圆柱电池盖帽的焊点检测装置和焊点检测方法
CN105575149A (zh) 一种路线指示装置及方法
CN115661160B (zh) 一种面板缺陷检测方法及系统及装置及介质
CN116978834B (zh) 一种用于晶圆生产的智能监测预警系统
CN113450302A (zh) 基于机器学习极耳检测方法、装置及计算机可读存储介质
CN111652879B (zh) 一种打标字符质量检测系统及方法
CN112304969A (zh) 显示模块检测设备、方法、装置及系统和存储介质
CN112461846A (zh) 工件缺陷检测方法及装置
US20160239722A1 (en) An Apparatus and Method for Identifying Plant Varieties from Leaf Samples Taken Whilst in the Field
CN102841102A (zh) 一种损伤阈值测量中微小尺度损伤点的识别方法及装置
CN110376211B (zh) 一种湿法涂胶的合成革卷边在线检测装置及方法
CN116563277A (zh) 一种基于机器视觉的铜复铝表面缺陷检测方法及系统
US20220343113A1 (en) Automatic model reconstruction method and automatic model reconstruction system for component recognition model
CN116258703A (zh) 缺陷检测方法、装置、电子设备及计算机可读存储介质
CN111563869A (zh) 用于摄像模组质检的污点测试方法
CN114674833A (zh) 链条检测设备及检测方法
TWI749714B (zh) 瑕疵檢測方法、瑕疵分類方法及其系統
CN115100102A (zh) 镀膜镜片的缺陷检测方法、装置、设备及可读存储介质
CN112132139A (zh) 字符识别方法和装置
CN114494103A (zh) 缺陷检测方法及检测装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210928

WD01 Invention patent application deemed withdrawn after publication