CN113706468A - 基于bp神经网络的玻璃缺陷检测方法 - Google Patents
基于bp神经网络的玻璃缺陷检测方法 Download PDFInfo
- Publication number
- CN113706468A CN113706468A CN202110852729.1A CN202110852729A CN113706468A CN 113706468 A CN113706468 A CN 113706468A CN 202110852729 A CN202110852729 A CN 202110852729A CN 113706468 A CN113706468 A CN 113706468A
- Authority
- CN
- China
- Prior art keywords
- glass
- target
- centroid
- pixel
- target region
- 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
Links
- 239000011521 glass Substances 0.000 title claims abstract description 237
- 230000007547 defect Effects 0.000 title claims abstract description 221
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims description 11
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 abstract description 62
- 229910052697 platinum Inorganic materials 0.000 abstract description 29
- 239000000758 substrate Substances 0.000 abstract description 17
- 238000000034 method Methods 0.000 abstract description 16
- 238000003709 image segmentation Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000006124 Pilkington process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000087 laser glass Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000536 complexating effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010309 melting process Methods 0.000 description 1
- 239000005304 optical glass Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20081—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明实施方式提供一种基于BP神经网络的玻璃缺陷检测方法,涉及玻璃缺陷检测技术领域。方法包括:获取待检测玻璃图像;从待检测玻璃图像中提取包括玻璃缺陷的目标图像;从目标图像中提取玻璃缺陷的特征参数;以玻璃缺陷的特征参数为输入,经玻璃缺陷检测模型识别待检测玻璃的缺陷类型;玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。本发明上述技术方案通过采集玻璃基板的图像并提取玻璃缺陷的特征参数,利用经包括不同玻璃缺陷的图像样本训练后的BP神经网络识别玻璃缺陷的类型,对不同类别的铂金缺陷的分类适用性强,大幅提升了玻璃基板中常见缺陷的识别准确率。
Description
技术领域
本发明涉及玻璃缺陷检测技术领域,具体地涉及一种基于BP神经网络的玻璃缺陷检测方法。
背景技术
玻璃基板缺陷的准确分类对及时改进调整生产工艺参数、对策缺陷、提高良品率具有重要的意义。显示用玻璃基板的主要生产方式有两种:溢流法和浮法。两种工艺过程不同,所用生产设备、材料、工艺流程不尽相同,因此夹杂在玻璃基板中的缺陷类型有所差异。
基板玻璃生产过程中,往往通过铂金通道对窑炉熔化的高温玻璃液进行澄清、均化,减少气泡、减轻条纹,调整温度、粘度,使之满足成型工艺要求,并控制进入成型区的玻璃液流量。而铂金缺陷是该工艺过程中品质管控的重要和关键缺陷之一。根据铂金缺陷的形貌和产生机理,一般分为规则形铂金(三角形、正六边形)、不规则形铂金(也称颗粒状铂金)和针状铂金。尤其是针状铂金缺陷,尺寸极小,长度在几十μm至一百多μm,直径小于1μm,现有技术目前难以对上述铂金缺陷进行准确识别。
发明内容
本发明实施方式的目的是提供一种于BP神经网络的玻璃缺陷检测方法,以解决现有技术目前难以对玻璃基板的铂金缺陷进行准确识别的问题。
为了实现上述目的,在本发明的第一方面,提供一种基于BP神经网络的玻璃缺陷检测方法,包括:
获取待检测玻璃图像;
从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像;
从所述目标图像中提取玻璃缺陷的特征参数;
以所述玻璃缺陷的特征参数为输入,经玻璃缺陷检测模型识别待检测玻璃的缺陷类型;所述玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。
可选地,从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像,包括:
检测所述待检测玻璃图像中所有玻璃缺陷的第一玻璃缺陷边缘;
对于每个玻璃缺陷:
获取属于所述第一玻璃缺陷边缘的所有像素的灰度值并计算所述第一玻璃缺陷边缘的灰度值均值及标准差;
以所述灰度值均值与所述标准差的差值作为所述分割阈值;
依据所述分割阈值对所述第一玻璃缺陷边缘进行阈值分割以提取所述玻璃缺陷的第二玻璃缺陷边缘,以第二玻璃缺陷边缘围合形成的区域作为目标区域;
以包括所述目标区域的图像作为包括玻璃缺陷的目标图像。
可选地,从所述目标图像中提取玻璃缺陷的特征参数,包括:
基于所述目标图像建立像素坐标系;
获取所述目标图像中所有目标区域的像素的坐标;
依据每个目标区域的像素的坐标确定每个目标区域的第一形心,以及依据所有目标区域的像素的坐标确定所有目标区域的第二形心,所述第二形心为所有目标区域的共同形心;
获取每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值;
依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数。
可选地,依据所有目标区域的像素的坐标确定所有目标区域的第二形心,包括:
依据所有目标区域的像素的坐标确定所有目标区域的像素中,在所述像素坐标系中最上端的第一像素、在所述像素坐标系中最下端的第二像素、在所述像素坐标系中最左端的第三像素及在所述像素坐标系中最右端的第四像素;
以所述第一像素、第二像素、第三像素及第四像素围合形成的区域的形心作为第二形心。
可选地,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:
通过以下公式确定玻璃缺陷的特征参数:
其中,Xn为第n个目标区域的第一形心的横坐标,Yn为第n个目标区域的第一形心的纵坐标,Xc为第二形心的横坐标;Yc为第二形心的纵坐标,Sn为第n个目标区域的面积,Sc为所有目标区域的总面积,N为目标区域的数量。
可选地,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:
通过以下公式确定玻璃缺陷的特征参数:
其中,Pn为第n个目标区域的周长。
可选地,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:
计算所有目标区域的面积的标准差;
以所有目标区域的面积的标准差作为玻璃缺陷的特征参数。
可选地,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:
比较所有目标区域内的所有像素的灰度值,确定所有像素的灰度值的最大值及所有像素的灰度值的最小值;
以所有像素的灰度值的最大值与所有像素的灰度值的最小值的差作为玻璃缺陷的特征参数。
可选地,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:
通过以下公式确定玻璃缺陷的特征参数:
其中,Gn为目标区域中第n个像素的灰度值,Gc为目标区域的第一形心处的像素的灰度值。
可选地,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:
通过以下公式确定玻璃缺陷的特征参数:
E′=P(x)×log2P(x);
其中,P(x)为灰度值为x的像素出现的概率,Mx为灰度值为x的像素的数量,M为目标区域内像素的总数量。
在本发明的第二方面,提供一种基于BP神经网络的玻璃缺陷检测装置,包括:
图像采集模块,被配置为获取待检测玻璃图像;
图像处理模块,被配置为从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像;
特征提取模块,被配置为从所述目标图像中提取玻璃缺陷的特征参数;
缺陷检测模块,被配置为以所述玻璃缺陷的特征参数为输入,经玻璃缺陷检测模型识别待检测玻璃的缺陷类型;所述玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。
本发明上述技术方案通过采集玻璃基板的图像并提取玻璃缺陷的特征参数,利用经包括不同玻璃缺陷的图像样本训练后的BP神经网络识别玻璃缺陷的类型,对不同类别的铂金缺陷的分类适用性强,大幅提升了玻璃基板中常见缺陷的识别准确率。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明优选实施方式提供的基于BP神经网络的玻璃缺陷检测方法的方法流程图;
图2是本发明优选实施方式提供的经初次图像分割得到的气泡图像;
图3是本发明优选实施方式提供的经第二次图像分割得到的气泡图像;
图4是本发明优选实施方式提供的经图像分割后的污渍样本图像示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1所示,在本实施方式的第一方面,提供一种基于BP神经网络的玻璃缺陷检测方法,包括:
S100、获取待检测玻璃图像;
S200、从待检测玻璃图像中提取包括玻璃缺陷的目标图像;
S300、从目标图像中提取玻璃缺陷的特征参数;
S400、以玻璃缺陷的特征参数为输入,经玻璃缺陷检测模型识别待检测玻璃的缺陷类型;玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。
如此,本实施方式通过采集玻璃基板的图像并提取玻璃缺陷的特征参数,利用经包括不同玻璃缺陷的图像样本训练后的BP神经网络识别玻璃缺陷的类型,对不同类别的铂金缺陷的分类适用性强,大幅提升了玻璃基板中常见缺陷的识别准确率。
具体的,目前玻璃基板的主要生产方式包括溢流法及浮法,由于两种工艺过程不同,导致夹杂在玻璃基板中的缺陷类型有所差异。此外,在激光玻璃中,铂金在玻璃溶制过程中仍会有溶解,而使玻璃中含有Pt离子,甚至含有Pt颗粒,虽然足够小的Pt颗粒并不影响使用,但实验表明,激光玻璃中含有Pt颗粒是很危险的。因此,准确识别玻璃基板的缺陷类型对于品质管控具有重要意义。本实施方式中,预先获取一定数量的不同类型的玻璃缺陷图像作为BP神经网络的训练样本,例如,粘附缺陷(ADG)33张、气泡33张、规则形铂金24张、颗粒状铂金35张、污渍34张、针状铂金19张总计178张缺陷图像作为训练样本,并将所有训练样本分为三组,其中,第一组随机选择143张用于BP神经网络的训练,剩余的35张作为第二组用于测试BP神经网络的泛化能力,再从143张训练样本中随机选择35张作为第三组,将第二组与第三组训练样本用于验证BP神经网络的分类准确性,经训练后即得到玻璃缺陷检测模型,其中,训练过程为现有技术,此处不再赘述。由于玻璃基板的尺寸很大,例如,G5玻璃基板尺寸为1100mm×1300mm,G6为1500mm×1850mm,而缺陷尺寸为十几μm到几十μm,缺陷占图像的面积在亿分之一数量级,若不对目标图像进行提取,则摄像头采集到的待检测玻璃图像中几乎全是不需处理的背景,造成大量的无效运算量,从而无法保证在线检测的实时性和可靠性,因此,需要对获取到的待检测玻璃图像进行图像分割,提取玻璃缺陷的目标图像,再基于提取到的目标图像提取玻璃缺陷的特征参数来作为玻璃缺陷检测模型的输入。要提高玻璃缺陷检测模型的分类准确性,关键在于特征的选择,合适的特征可在计算量和分类效果之间取得平衡,并具有良好的泛化能力。本实施方式根据玻璃基板的常见缺陷,选择以下两类特征作为玻璃缺陷检测模型的输入,其中,一类为与玻璃缺陷形状相关的特征,即与灰度无关的特征;另一类为与玻璃缺陷灰度相关的特征。为了达到良好的适用性,本实施方式中每一种选取的特征均要求与玻璃缺陷的尺寸、方向及照度无关。这样,通过提取与玻璃缺陷形状相关的特征参数以及与玻璃缺陷灰度相关的特征参数,能够有效提高玻璃缺陷检测模型对待检测玻璃图像的缺陷类型的分类准确性。
虽然在获取到待检测玻璃图像后对图像进行滤波等预处理能够去除大部分来源于噪声的干扰,但是玻璃缺陷还存在于背景中并未被分离出来,因此,需要对待检测玻璃图像进行准确的图像分割以提取玻璃缺陷的目标图像,则在步骤S200中,从待检测玻璃图像中提取包括玻璃缺陷的目标图像,包括:
检测待检测玻璃图像中所有玻璃缺陷的第一玻璃缺陷边缘;
对于每个玻璃缺陷:获取属于第一玻璃缺陷边缘的所有像素的灰度值并计算第一玻璃缺陷边缘的灰度值均值及标准差;以灰度值均值与标准差的差值作为分割阈值;依据分割阈值对第一玻璃缺陷边缘进行阈值分割以提取玻璃缺陷的第二玻璃缺陷边缘,以第二玻璃缺陷边缘围合形成的区域作为目标区域;
以包括目标区域的图像作为包括玻璃缺陷的目标图像。
由于玻璃缺陷的尺寸很小,为了准确对待检测玻璃图像进行图像分割以提高提取玻璃缺陷的目标图像的准确率,本实施方式采用二次分割的方法对待检测玻璃图像进行图像分割,以提取所有玻璃缺陷的玻璃缺陷边缘。首先,如图2所示,采用边缘检测算子对待检测玻璃图像进行初次图像分割,例如Canny算子对待检测玻璃图像进行玻璃缺陷的初次边缘检测,初次边缘检测需要保证尽可能准确的捕获图像中尽可能多的边缘,因此,初次边缘检测时的边缘检测要求较低的漏检率,可以适当的保留一些噪声点,其中,Canny算子边缘检测为现有技术,此处对其检测过程不再赘述。当检出玻璃缺陷的边缘后,找到边缘在高度与宽度方向的边界,把玻璃缺陷图像从待检测玻璃图像中分割出来,形成初始目标图像。由于光照条件、干扰等因素的存在,还需要对初始目标图像进行滤波,经过图像分割,初始目标图像的像素数量通常很低,往往在几十个Pixel,因此,可以采用高运算量的滤波方式,以达到良好的效果,本实施方式采用频域滤波,通过快速傅里叶变换,去掉频域图像中低频部分后,再经傅里叶逆变换,得到滤波后的初始目标图像。由于玻璃缺陷类型较多,反光条件不同,造成玻璃缺陷的灰度值范围很大,通过传统的固定阈值、自适应阈值等方法无法取的好的分割效果,为了解决该问题,本实施方式采用边缘处像素灰度均值为自动阈值的方式对初始目标图像进行第二次图像分割,以在第一玻璃缺陷边缘的基础上进一步精确提取玻璃缺陷的第二玻璃缺陷边缘。具体的,如图3所示,对于经初次边缘检测提取到的每个玻璃缺陷,获取所有属于该玻璃缺陷的第一玻璃缺陷边缘的像素的灰度值,比较各像素的灰度值,剔除所有灰度值中的最大值及最小值,对剩余像素灰度值求平均得到灰度值均值,并计算剩余像素灰度值的标准差,以得到的灰度值均值减去标准差作为分割的阈值,从而能够达到良好的适应性,在第一玻璃缺陷边缘的基础上精确的进行边缘再提取,以达到精确提取玻璃缺陷的第二玻璃缺陷边缘的目的。为了便于进行特征参数的提取,对于提取到的每个玻璃缺陷,即每个第二玻璃缺陷边缘围合形成的区域,均作为单独的目标区域,确定包括所有检测到的目标区域的图像为包括玻璃缺陷的目标图像。
特征参数的选择对于提高基于特征提取的BP神经网络的玻璃缺陷分类的准确率具有重要影响,如何选择特征参数,直接影响玻璃缺陷检测模型分类结果的准确率,因此,从目标图像中提取玻璃缺陷的特征参数,包括:
基于目标图像建立像素坐标系;获取目标图像中所有目标区域的像素的坐标;依据每个目标区域的像素的坐标确定每个目标区域的第一形心,以及依据所有目标区域的像素的坐标确定所有目标区域的第二形心,第二形心为所有目标区域的共同形心;获取每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值;依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数。
可以理解的,本实施方式中,目标区域的像素包括目标区域边缘及目标区域内的所有像素,目标区域的第一形心为目标区域的几何中心,所有目标区域的第二形心为所有目标区域的共同形心,例如第二形心可以但不限于是所有目标区域的第一形心围合形成的区域的形心。通过目标区域内的像素即可计算每个目标区域的面积,从而计算所有目标区域的面积;通过目标区域边缘的像素即可计算目标区域的周长,从而计算所有目标区域的周长。这样,通过确定的第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定的玻璃缺陷的特征参数与玻璃缺陷的尺寸、方向及照度均无关,能够达到良好的适用性。
依据所有目标区域的像素的坐标确定所有目标区域的第二形心,包括:依据所有目标区域的像素的坐标确定所有目标区域的像素中,在像素坐标系中最上端的第一像素、在像素坐标系中最下端的第二像素、在像素坐标系中最左端的第三像素及在像素坐标系中最右端的第四像素;以第一像素、第二像素、第三像素及第四像素围合形成的区域的形心作为第二形心。本实施方式中,第一像素、第二像素、第三像素及第四像素围合形成的区域为第一像素与第三像素连接,第三像素与第二像素连接,第二像素与第四像素连接,第四像素与第一像素连接后形成的区域,该区域的几何中心即第二形心。如图4所示为经图像分割后的污渍样本图像,图4中,污渍样本图像包括4个目标区域,三角形为各目标区域的第二形心,圆形为各目标区域的第一形心。
本实施方式中,与玻璃缺陷形状相关的特征参数包括离散度S,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括通过以下公式确定玻璃缺陷的特征参数:
其中,Xn为第n个目标区域的第一形心的横坐标,Yn为第n个目标区域的第一形心的纵坐标,Xc为第二形心的横坐标;Yc为第二形心的纵坐标,Sn为第n个目标区域的面积,Sc为所有目标区域的总面积,N为目标区域的数量。
本实施方式中,与玻璃缺陷形状相关的特征参数还包括总周长的平方除以总面积E,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括通过以下公式确定玻璃缺陷的特征参数:
其中,Pn为第n个目标区域的周长。
本实施方式中,与玻璃缺陷形状相关的特征参数还包括面积标准差,则依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:计算所有目标区域的面积的标准差;以所有目标区域的面积的标准差作为玻璃缺陷的特征参数。
本实施方式中,与玻璃缺陷灰度值相关的特征参数包括最大灰度值与最小灰度值之差,则依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:比较所有目标区域内的所有像素的灰度值,确定所有像素的灰度值的最大值及所有像素的灰度值的最小值;以所有像素的灰度值的最大值与所有像素的灰度值的最小值的差作为玻璃缺陷的特征参数。
本实施方式中,与玻璃缺陷灰度值相关的特征参数还包括以形心处灰度值为中值的标准差Std,则依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括通过以下公式确定玻璃缺陷的特征参数:
其中,Gn为目标区域中第n个像素的灰度值,Gc为目标区域的第一形心处的像素的灰度值。
本实施方式中,与玻璃缺陷灰度值相关的特征参数还包括灰度熵E′,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括通过以下公式确定玻璃缺陷的特征参数:
E′=P(x)×log2P(x);
其中,P(x)为灰度值为x的像素出现的概率,Mx为灰度值为x的像素的数量,M为目标区域内像素的总数量。
本实施方式中,BP神经网络结构包括输入层、第一隐藏层、第二隐藏层及输出层。对于隐藏层的选择为:若选择1个隐藏层则不能适应玻璃缺陷特征的非线性,若选择更多的隐藏层,则模型难以训练,过拟合将造成泛化能力下降,因此,本实施方式选择2个隐藏层用于分类。
本实施方式选取的特征参数为11个,包括与玻璃缺陷形状相关的特征6个,与灰度相关的特征5个。其中,与玻璃缺陷形状相关的特征为:离散度、总周长的平方除以总面积、面积标准差、平均形心位置与图形中央的距离的平方除以总面积、不变矩及偏心率标准差;与灰度相关的特征为:最大灰度值与最小灰度值之差、以形心处灰度值为中值的标准差、灰度熵、灰度值均值以及以灰度值均值为中值的标准差。其中,平均形心位置与图形中央的距离的平方除以总面积、不变矩、偏心率标准差、灰度值均值以及以灰度值均值为中值的标准差5个特征为常用特征,此处不再赘述。由于输入为11个,因此,输入层神经元数量为11个;由于缺陷类别为粘附缺陷、气泡、规则形铂金、颗粒状铂金、污渍及针状铂金6个类别,因此,输出层神经元数量为6个,输出范围为0-1,对应属于该类别的概率;各层均采用tansig激活函数。
在生产线采集实际生产中的缺陷图片总计178张作为训练样本,包括粘附缺陷33张、气泡33张、规则形铂金24张、颗粒状铂金35张、污渍34张及针状铂金19张。将所有训练样本分为三组,第一组随机选择143张用于BP神经网络的训练,剩余的35张作为第二组用于测试BP神经网络的泛化能力,再从143张训练样本中随机选择35张作为第三组,将第二组与第三组训练样本用于验证BP神经网络的分类准确性。经过42次迭代训练,网络达到较好的效果,误差为0.065。为选择合适的隐藏层神经元数量,考虑到神经网络权值初始值为随机值,设置76%的准确率为阈值进行重复训练直至第二组和第三组样本准确率均超过阈值为止。不同神经元数量的组合,其结果如表1所示。
表1
根据实验结果,考虑到计算量,第一隐藏层和第二隐藏层神经元数量以16至24个为最佳,在准确率和泛化能力间取得了平衡。
以第一隐藏层和第二隐藏层神经元数量为【2416】个为例,对178个样本进行分类,各个种类的缺陷准确率统计结果如表2所示。
表2
BP神经网络过度追求准确率将造成过拟合,制约了网络的泛化能力。为了在具有良好泛化能力的前提下,提高分类准确率,本实施方式还采用了多网络合并结果的方法。从概率上讲,如果是三个完全相互独立的分类器,分类准确率分别P1、P2、P3,则结果合并的准确率如表3所示。
表3
如表3所示,当P1、P2、P3均大于50%时,若网络Net1、Net2及Net3中的至少2个网络对某一缺陷的识别结果为“√”,则合并结果为“√”,例如,若Net1及Net2对某一缺陷图片的识别结果为气泡,Net3对同一缺陷图片的识别结果为污渍,则合并结果为气泡。经过实验,当P1、P2、P3均大于50%时,合并结果P将大于P1、P2、P3。然而实际的BP神经网络并非完全独立的,为实现更高的相互独立性,3个BP神经网络采取了不同的隐藏层数量,分别为【2416】、【2020】、【2016】,其单独分类的准确率以及合并后的准确率如表4所示。
表4
三网合并后对178个样本进行分类,综合准确率为90.5%,高于单网86.5%的最高综合准确率,在ADG、颗粒状铂金缺陷上有明显提升,证明三网合并对准确率的提升有所帮助。
综上所述,本实施方式基于不同缺陷形状和灰度特征的差异,选择6个与玻璃缺陷形状相关的特征参数以及5个与灰度相关的特征参数,经训练后的BP神经网络进行分类,可实现86.5%的综合准确率,且网络具有良好的泛化能力。同时,本实施方式选取的特征参数对不同的铂金缺陷有很好的适应性,有效解决了规则形铂金、颗粒状铂金及针状铂金的分类问题,三类缺陷分类准确率可达91.7%、88.6%和89.5%;同时也解决了玻璃表面污渍缺陷的准确分类问题,适用于光电显示用玻璃及光学玻璃的制造。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种基于BP神经网络的玻璃缺陷检测方法,其特征在于,包括:
获取待检测玻璃图像;
从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像;
从所述目标图像中提取玻璃缺陷的特征参数;
以所述玻璃缺陷的特征参数为输入,经玻璃缺陷检测模型识别待检测玻璃的缺陷类型;所述玻璃缺陷检测模型通过多个包括玻璃缺陷的玻璃图像样本对BP神经网络进行训练后得到。
2.根据权利要求1所述的基于BP神经网络的玻璃缺陷检测方法,其特征在于,从所述待检测玻璃图像中提取包括玻璃缺陷的目标图像,包括:
检测所述待检测玻璃图像中所有玻璃缺陷的第一玻璃缺陷边缘;
对于每个玻璃缺陷:
获取属于所述第一玻璃缺陷边缘的所有像素的灰度值并计算所述第一玻璃缺陷边缘的灰度值均值及标准差;
以所述灰度值均值与所述标准差的差值作为分割阈值;
依据所述分割阈值对所述第一玻璃缺陷边缘进行阈值分割以提取所述玻璃缺陷的第二玻璃缺陷边缘,以第二玻璃缺陷边缘围合形成的区域作为目标区域;
以包括所述目标区域的图像作为包括玻璃缺陷的目标图像。
3.根据权利要求2所述的基于BP神经网络的玻璃缺陷检测方法,其特征在于,从所述目标图像中提取玻璃缺陷的特征参数,包括:
基于所述目标图像建立像素坐标系;
获取所述目标图像中所有目标区域的像素的坐标;
依据每个目标区域的像素的坐标确定每个目标区域的第一形心,以及依据所有目标区域的像素的坐标确定所有目标区域的第二形心,所述第二形心为所有目标区域的共同形心;
获取每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值;
依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数。
4.根据权利要求3所述的基于BP神经网络的玻璃缺陷检测方法,其特征在于,依据所有目标区域的像素的坐标确定所有目标区域的第二形心,包括:
依据所有目标区域的像素的坐标确定所有目标区域的像素中,在所述像素坐标系中最上端的第一像素、在所述像素坐标系中最下端的第二像素、在所述像素坐标系中最左端的第三像素及在所述像素坐标系中最右端的第四像素;
以所述第一像素、第二像素、第三像素及第四像素围合形成的区域的形心作为第二形心。
7.根据权利要求3所述的基于BP神经网络的玻璃缺陷检测方法,其特征在于,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:
计算所有目标区域的面积的标准差;
以所有目标区域的面积的标准差作为玻璃缺陷的特征参数。
8.根据权利要求3所述的基于BP神经网络的玻璃缺陷检测方法,其特征在于,依据第一形心、第二形心、每个目标区域的面积、所有目标区域的总面积、每个目标区域的周长、所有目标区域的总周长以及目标区域内每个像素的灰度值中的至少一者确定玻璃缺陷的特征参数,包括:
比较所有目标区域内的所有像素的灰度值,确定所有像素的灰度值的最大值及所有像素的灰度值的最小值;
以所有像素的灰度值的最大值与所有像素的灰度值的最小值的差作为玻璃缺陷的特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110852729.1A CN113706468A (zh) | 2021-07-27 | 2021-07-27 | 基于bp神经网络的玻璃缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110852729.1A CN113706468A (zh) | 2021-07-27 | 2021-07-27 | 基于bp神经网络的玻璃缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706468A true CN113706468A (zh) | 2021-11-26 |
Family
ID=78650598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110852729.1A Pending CN113706468A (zh) | 2021-07-27 | 2021-07-27 | 基于bp神经网络的玻璃缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706468A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898166A (zh) * | 2022-07-13 | 2022-08-12 | 合肥工业大学 | 一种基于演进因果模型的检测玻璃洁净度的方法 |
CN116664586A (zh) * | 2023-08-02 | 2023-08-29 | 长沙韶光芯材科技有限公司 | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 |
Citations (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08249468A (ja) * | 1995-03-14 | 1996-09-27 | Fuji Xerox Co Ltd | 画像処理装置 |
CN1405717A (zh) * | 2002-11-13 | 2003-03-26 | 中国农业大学 | 种子粒距检测中序列图像拼接方法 |
CN1844900A (zh) * | 2006-04-10 | 2006-10-11 | 浙江大学 | 基于激光图像的水果表面缺陷检测方法及装置 |
JP2010025758A (ja) * | 2008-07-18 | 2010-02-04 | Olympus Corp | 画像処理装置および画像処理方法 |
CN102401638A (zh) * | 2010-09-15 | 2012-04-04 | 东北林业大学 | 微小物体表面积周长并行精密测量系统 |
CN102728658A (zh) * | 2012-06-07 | 2012-10-17 | 华中科技大学 | 一种用于确定叶片加工弯曲度误差的方法 |
US8458623B1 (en) * | 2012-04-13 | 2013-06-04 | International Business Machines Corporation | Mitigation of mask defects by pattern shifting |
CN105160692A (zh) * | 2015-04-09 | 2015-12-16 | 南京信息工程大学 | 加门限的滑动窗口一阶矩质心计算方法 |
CN105220230A (zh) * | 2014-07-02 | 2016-01-06 | 王博仲 | 用于人工长晶的熔汤表面流速测定方法及长晶设备 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN105447851A (zh) * | 2015-11-12 | 2016-03-30 | 刘新辉 | 一种玻璃面板的音孔缺陷检测方法及系统 |
CN105447854A (zh) * | 2015-11-12 | 2016-03-30 | 程涛 | 一种小尺寸玻璃面板表面缺陷检测方法及系统 |
CN105651582A (zh) * | 2015-12-30 | 2016-06-08 | 芜湖东旭光电装备技术有限公司 | 一种玻璃针状缺陷反射电镜样品的制作方法 |
CN105957023A (zh) * | 2016-04-19 | 2016-09-21 | 南京工程学院 | 一种基于色度空间变换的激光线条纹图像增强和去噪方法 |
CN106409711A (zh) * | 2016-09-12 | 2017-02-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测系统及方法 |
CN106645180A (zh) * | 2017-02-06 | 2017-05-10 | 东旭科技集团有限公司 | 检查基板玻璃缺陷的方法、现场终端及服务器 |
CN106841403A (zh) * | 2017-01-23 | 2017-06-13 | 天津大学 | 一种基于神经网络的声学玻璃缺陷检测方法 |
CN106996937A (zh) * | 2017-06-15 | 2017-08-01 | 福州东旭光电科技有限公司 | 一种玻璃基板内缺陷检测方法及装置 |
CN107122734A (zh) * | 2017-04-25 | 2017-09-01 | 武汉理工大学 | 一种基于机器视觉和机器学习的运动车辆检测算法 |
JP2017174297A (ja) * | 2016-03-25 | 2017-09-28 | 隆夫 西谷 | 画像処理装置および画像処理方法 |
CN108152291A (zh) * | 2017-11-30 | 2018-06-12 | 清华大学 | 基于熔池动态特征的端缝焊接未熔合缺欠实时检测方法 |
CN108573498A (zh) * | 2018-03-08 | 2018-09-25 | 李绪臣 | 基于无人机的行驶车辆即时跟踪系统 |
CN109668909A (zh) * | 2017-10-13 | 2019-04-23 | 南京敏光视觉智能科技有限公司 | 一种玻璃缺陷检测方法 |
CN109886960A (zh) * | 2019-03-27 | 2019-06-14 | 中建材凯盛机器人(上海)有限公司 | 基于机器视觉的玻璃边缘缺陷检测的方法 |
CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN110554065A (zh) * | 2019-09-02 | 2019-12-10 | 蚌埠中光电科技有限公司 | 一种玻璃基板内部缺陷处理及成分分析的方法 |
CN110567976A (zh) * | 2019-08-30 | 2019-12-13 | 中国地质大学(武汉) | 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法 |
US20200005463A1 (en) * | 2017-03-27 | 2020-01-02 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image segmentation |
CN110675368A (zh) * | 2019-08-31 | 2020-01-10 | 中山大学 | 一种融合图像分割与分类的细胞图像语义分割方法 |
CN110924687A (zh) * | 2019-11-04 | 2020-03-27 | 北京城建设计发展集团股份有限公司 | 基于形心跟踪和缝宽控制的预制装配式构件张拉方法 |
CN111080582A (zh) * | 2019-12-02 | 2020-04-28 | 易思维(杭州)科技有限公司 | 工件内外表面缺陷检测方法 |
CN111145674A (zh) * | 2019-12-27 | 2020-05-12 | 上海辛格林纳新时达电机有限公司 | 显示面板的检测方法、电子设备和存储介质 |
CN111323435A (zh) * | 2020-04-03 | 2020-06-23 | 湖南讯目科技有限公司 | 一种平板玻璃缺陷检测装置 |
KR102129069B1 (ko) * | 2019-06-05 | 2020-07-01 | 세종대학교산학협력단 | 스캐닝 홀로그램 기반 자동광학검사 장치 및 방법 |
CN111546335A (zh) * | 2020-04-28 | 2020-08-18 | 西安航天精密机电研究所 | 一种异形导管机器人自动抓取的视觉定位方法 |
CN112540093A (zh) * | 2020-11-10 | 2021-03-23 | 河北光兴半导体技术有限公司 | 玻璃类产品深度信息的精确定位装置及其方法 |
CN212843449U (zh) * | 2020-09-03 | 2021-03-30 | 厦门市三安集成电路有限公司 | 一种载台平行度检测仪 |
CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
CN113145577A (zh) * | 2021-04-30 | 2021-07-23 | 河北光兴半导体技术有限公司 | 玻管缺陷检测系统及其清洁装置 |
-
2021
- 2021-07-27 CN CN202110852729.1A patent/CN113706468A/zh active Pending
Patent Citations (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08249468A (ja) * | 1995-03-14 | 1996-09-27 | Fuji Xerox Co Ltd | 画像処理装置 |
CN1405717A (zh) * | 2002-11-13 | 2003-03-26 | 中国农业大学 | 种子粒距检测中序列图像拼接方法 |
CN1844900A (zh) * | 2006-04-10 | 2006-10-11 | 浙江大学 | 基于激光图像的水果表面缺陷检测方法及装置 |
JP2010025758A (ja) * | 2008-07-18 | 2010-02-04 | Olympus Corp | 画像処理装置および画像処理方法 |
CN102401638A (zh) * | 2010-09-15 | 2012-04-04 | 东北林业大学 | 微小物体表面积周长并行精密测量系统 |
US8458623B1 (en) * | 2012-04-13 | 2013-06-04 | International Business Machines Corporation | Mitigation of mask defects by pattern shifting |
CN102728658A (zh) * | 2012-06-07 | 2012-10-17 | 华中科技大学 | 一种用于确定叶片加工弯曲度误差的方法 |
CN105220230A (zh) * | 2014-07-02 | 2016-01-06 | 王博仲 | 用于人工长晶的熔汤表面流速测定方法及长晶设备 |
CN105160692A (zh) * | 2015-04-09 | 2015-12-16 | 南京信息工程大学 | 加门限的滑动窗口一阶矩质心计算方法 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN105447851A (zh) * | 2015-11-12 | 2016-03-30 | 刘新辉 | 一种玻璃面板的音孔缺陷检测方法及系统 |
CN105447854A (zh) * | 2015-11-12 | 2016-03-30 | 程涛 | 一种小尺寸玻璃面板表面缺陷检测方法及系统 |
CN105651582A (zh) * | 2015-12-30 | 2016-06-08 | 芜湖东旭光电装备技术有限公司 | 一种玻璃针状缺陷反射电镜样品的制作方法 |
JP2017174297A (ja) * | 2016-03-25 | 2017-09-28 | 隆夫 西谷 | 画像処理装置および画像処理方法 |
CN105957023A (zh) * | 2016-04-19 | 2016-09-21 | 南京工程学院 | 一种基于色度空间变换的激光线条纹图像增强和去噪方法 |
CN106409711A (zh) * | 2016-09-12 | 2017-02-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测系统及方法 |
CN106841403A (zh) * | 2017-01-23 | 2017-06-13 | 天津大学 | 一种基于神经网络的声学玻璃缺陷检测方法 |
CN106645180A (zh) * | 2017-02-06 | 2017-05-10 | 东旭科技集团有限公司 | 检查基板玻璃缺陷的方法、现场终端及服务器 |
US20200005463A1 (en) * | 2017-03-27 | 2020-01-02 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image segmentation |
CN107122734A (zh) * | 2017-04-25 | 2017-09-01 | 武汉理工大学 | 一种基于机器视觉和机器学习的运动车辆检测算法 |
CN106996937A (zh) * | 2017-06-15 | 2017-08-01 | 福州东旭光电科技有限公司 | 一种玻璃基板内缺陷检测方法及装置 |
CN109668909A (zh) * | 2017-10-13 | 2019-04-23 | 南京敏光视觉智能科技有限公司 | 一种玻璃缺陷检测方法 |
CN108152291A (zh) * | 2017-11-30 | 2018-06-12 | 清华大学 | 基于熔池动态特征的端缝焊接未熔合缺欠实时检测方法 |
CN108573498A (zh) * | 2018-03-08 | 2018-09-25 | 李绪臣 | 基于无人机的行驶车辆即时跟踪系统 |
CN109886960A (zh) * | 2019-03-27 | 2019-06-14 | 中建材凯盛机器人(上海)有限公司 | 基于机器视觉的玻璃边缘缺陷检测的方法 |
KR102129069B1 (ko) * | 2019-06-05 | 2020-07-01 | 세종대학교산학협력단 | 스캐닝 홀로그램 기반 자동광학검사 장치 및 방법 |
CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN110567976A (zh) * | 2019-08-30 | 2019-12-13 | 中国地质大学(武汉) | 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法 |
CN110675368A (zh) * | 2019-08-31 | 2020-01-10 | 中山大学 | 一种融合图像分割与分类的细胞图像语义分割方法 |
CN110554065A (zh) * | 2019-09-02 | 2019-12-10 | 蚌埠中光电科技有限公司 | 一种玻璃基板内部缺陷处理及成分分析的方法 |
CN110924687A (zh) * | 2019-11-04 | 2020-03-27 | 北京城建设计发展集团股份有限公司 | 基于形心跟踪和缝宽控制的预制装配式构件张拉方法 |
CN111080582A (zh) * | 2019-12-02 | 2020-04-28 | 易思维(杭州)科技有限公司 | 工件内外表面缺陷检测方法 |
CN111145674A (zh) * | 2019-12-27 | 2020-05-12 | 上海辛格林纳新时达电机有限公司 | 显示面板的检测方法、电子设备和存储介质 |
CN111323435A (zh) * | 2020-04-03 | 2020-06-23 | 湖南讯目科技有限公司 | 一种平板玻璃缺陷检测装置 |
CN111546335A (zh) * | 2020-04-28 | 2020-08-18 | 西安航天精密机电研究所 | 一种异形导管机器人自动抓取的视觉定位方法 |
CN212843449U (zh) * | 2020-09-03 | 2021-03-30 | 厦门市三安集成电路有限公司 | 一种载台平行度检测仪 |
CN112540093A (zh) * | 2020-11-10 | 2021-03-23 | 河北光兴半导体技术有限公司 | 玻璃类产品深度信息的精确定位装置及其方法 |
CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
CN113145577A (zh) * | 2021-04-30 | 2021-07-23 | 河北光兴半导体技术有限公司 | 玻管缺陷检测系统及其清洁装置 |
Non-Patent Citations (8)
Title |
---|
JING YANG等: "A Method for Wafer Defect Detection Using Spatial Feature Points Guided Affine Iterative Closest Point Algorithm", 《IEEE ACCESS》, vol. 8, 27 April 2020 (2020-04-27), pages 79056, XP011786584, DOI: 10.1109/ACCESS.2020.2990535 * |
XIAOLONG BAI等: "Saliency-Based Defect Detection in Industrial Images by Using Phase Spectrum", 《 IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 10, no. 4, 22 September 2014 (2014-09-22), pages 2135, XP011563681, DOI: 10.1109/TII.2014.2359416 * |
YEPING PENG等: "Automated Product Boundary Defect Detection Based on Image Moment Feature Anomaly", 《IEEE ACCESS》, vol. 7, 14 April 2019 (2019-04-14), pages 52731 * |
史进伟等: "基于BP神经网络的枪弹外观缺陷识别与分类", 《中国测试》, vol. 39, no. 04, 31 July 2013 (2013-07-31), pages 26 - 30 * |
李文飞等: "基于机器视觉的绝缘毯缺陷检测与识别研究", 《软件》, vol. 42, no. 6, 30 June 2021 (2021-06-30), pages 1 - 4 * |
李青等: "基于云计算的基板玻璃缺陷神经网络分类模型研究", 《计算机与数字工程》, vol. 45, no. 7, 20 July 2017 (2017-07-20), pages 1373 - 1376 * |
李青等: "平板显示基板玻璃中的固态缺陷", 《材料导报》, vol. 31, no. 1, 31 May 2017 (2017-05-31), pages 108 - 112 * |
王耀君等: "高强盖板玻璃表面(AG)处理工艺应用", 《玻璃》, vol. 48, no. 3, 25 March 2021 (2021-03-25), pages 31 - 33 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898166A (zh) * | 2022-07-13 | 2022-08-12 | 合肥工业大学 | 一种基于演进因果模型的检测玻璃洁净度的方法 |
CN116664586A (zh) * | 2023-08-02 | 2023-08-29 | 长沙韶光芯材科技有限公司 | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 |
CN116664586B (zh) * | 2023-08-02 | 2023-10-03 | 长沙韶光芯材科技有限公司 | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845087B (zh) | 液晶面板亮度不均匀缺陷的检测方法和系统 | |
TWI798329B (zh) | 基板之缺陷檢查裝置、基板之缺陷檢查方法及記錄媒體 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN113706468A (zh) | 基于bp神经网络的玻璃缺陷检测方法 | |
CN113724231B (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 | |
CN115249246B (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN104867144B (zh) | 基于混合高斯模型的ic元件焊点缺陷检测方法 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN108985337A (zh) | 一种基于图像深度学习的产品表面划痕检测方法 | |
CN113658131A (zh) | 一种基于机器视觉巡游式环锭纺断纱检测方法 | |
KR100868884B1 (ko) | 유리 기판 유리 불량 정보 시스템 및 분류 방법 | |
CN107480678A (zh) | 一种棋盘识别方法和识别系统 | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
CN114627089A (zh) | 缺陷识别方法、装置、计算机设备及计算机可读存储介质 | |
CN108520260A (zh) | 瓶装口服液中可见异物的识别方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
CN116503340A (zh) | 一种micro oled面板缺陷检测方法、装置以及设备 | |
TW202034421A (zh) | 濾色器檢查裝置、檢查裝置、濾色器檢查方法及檢查方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
CN115035118B (zh) | 一种基于识别模型的pcb生产线残缺检测方法及系统 | |
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 |