CN113780488A - 基于位置聚合程度的刮伤与擦伤缺陷检测方法 - Google Patents

基于位置聚合程度的刮伤与擦伤缺陷检测方法 Download PDF

Info

Publication number
CN113780488A
CN113780488A CN202111347290.3A CN202111347290A CN113780488A CN 113780488 A CN113780488 A CN 113780488A CN 202111347290 A CN202111347290 A CN 202111347290A CN 113780488 A CN113780488 A CN 113780488A
Authority
CN
China
Prior art keywords
scratch
sample data
clustering
data
class
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
CN202111347290.3A
Other languages
English (en)
Inventor
邱增帅
周佩涵
王罡
潘正颐
侯大为
倪文渊
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.)
Changzhou Weiyizhi Technology Co Ltd
Original Assignee
Changzhou Weiyizhi 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 Changzhou Weiyizhi Technology Co Ltd filed Critical Changzhou Weiyizhi Technology Co Ltd
Priority to CN202111347290.3A priority Critical patent/CN113780488A/zh
Publication of CN113780488A publication Critical patent/CN113780488A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及工业质检的领域，尤其涉及基于位置聚合程度的刮伤与擦伤缺陷检测方法，其步骤为：S100、获取相机扫描识别后并经过集成算法检测到的刮伤与擦伤缺陷数据,将其作为样本数据；S200、将样本数据进行中心标准化处理，以便于不同物理量之间能够进行比较和加权；S300、对数据进行K‑均值法聚类算法；S400、评价聚类结果；S500、以不同的K值为聚类数，重复步骤三及步骤四，得到n*2/3‑1个轮廓系数，以轮廓系数分别确定刮伤与擦伤。本发明与集成算法协同合作，叠加在集成算法之后，采用基于位置聚合程度的刮伤与擦伤缺陷检测技术对特殊缺陷特殊处理，提高了执行效率，且准确率高。

Description

基于位置聚合程度的刮伤与擦伤缺陷检测方法
技术领域
本发明涉及工业质检的领域，尤其涉及基于位置聚合程度的刮伤与擦伤缺陷检测方法。
背景技术
在现有的工业质检技术当中，工件的缺陷检测通常是将工件固定在检验机台上，由工业相机在不同尺寸的视野下，按照特定轨迹依次进行扫描识别（相机只能识别异常，但不能判断异常原因），并通过集成算法对扫描识别出的缺陷进行类别检测，其中大部分缺陷可以被正确识别并检测出其所属缺陷类别。
工业质检标准当中，由于相机移动轨迹固定的原因，密集但不连续的缺陷会被相机分别扫描识别成多个相似的其他缺陷。擦伤缺陷属于密集但可能不连续的缺陷类型，其形态与刮伤缺陷相似。在这种影响下，单独对比时集成算法很难将缺陷区分开，也会将原本是一处的擦伤缺陷误判为多个距离紧密的刮伤缺陷，这就导致检测结果与实际工业质检标准间存在偏差。
如图1中是使用工业相机拍摄的某一个工件部位，其中多个黑色矩形框是工业相机标注的单个缺陷，白色线段是集成算法对缺陷进行描边并加强轮廓。图中可以明显看出标注处理后的缺陷部位很难准确判断缺陷所属类型，左上角和右上角两块缺陷紧密聚集的区域是两处擦伤缺陷（工业质检标准），图中两处擦伤缺陷的下方两处缺陷是2条刮伤缺陷（工业质检标准），由于每一条伤痕缺陷都被分开标注处理，这可能导致检出结果有偏差。
因此需要一种在不更改现有相机扫描方式的前提下，提高设备检测刮伤与擦伤缺陷准确率的方法。
发明内容
本发明要解决的技术问题是：为了解决现有技术的工业质检标准当中，由于相机移动轨迹固定的原因，密集但不连续的缺陷会被相机分别扫描识别成多个相似的其他缺陷，擦伤缺陷属于密集但可能不连续的缺陷类型，其形态与刮伤缺陷相似，在这种影响下，集成算法会将原本是一处的擦伤缺陷误判为多个距离紧密的刮伤缺陷，这就导致检测结果与实际工业质检标准间存在偏差的技术问题，本发明提供一种能够提高检测刮伤缺陷与擦伤缺陷准确率的基于位置聚合程度的刮伤与擦伤缺陷检测方法。
本发明解决其技术问题所采用的技术方案是：一种基于位置聚合程度的刮伤与擦伤缺陷检测方法，其步骤为：
S100、获取相机扫描识别后并经过集成算法检测到的刮伤与擦伤缺陷数据,将其作为样本数据，获取样本数据后，对样本数据集进行一致性检查和缺失值、异常值处理；
S200、将样本数据进行中心标准化处理，以便于不同物理量之间能够进行比较和加权；
S300、对数据进行K-均值法聚类算法；
S400、评价聚类结果；
S500、以不同的K值为聚类数，重复步骤三及步骤四，得到n*2/3-1个轮廓系数，以轮廓系数分别确定刮伤与擦伤。
本发明与集成算法协同合作，叠加在集成算法之后，采用基于位置聚合程度的刮伤与擦伤缺陷检测技术对特殊缺陷特殊处理，在满足工业现场动态需求的情况下，提高了执行效率，降低已有相机移动轨迹和集成算法的训练成本和影响，不需要耗费大量人工，且准确率高，可以适用样本量大的情况，并辅助完成对多缺陷的缺陷精准检测及划分。
进一步，为了提高对样本数据检测的准确率和提高执行效率，步骤100中，获取样本数据后，对样本数据集进行一致性检查和缺失值、异常值处理。
进一步，为了提高了后续检测步骤的准确性，减少由于物理量单位和取值范围不同造成后续步骤结果的偏差，提高对样本数据检测的准确率，步骤200中，将样本数据进行中心标准化处理后，去除物理量之间的单位限制，转化为无量纲的纯数值数据。
进一步，步骤200中，中心标准化处理公式如下，对某特征物理量序列
Figure 104328DEST_PATH_IMAGE001
进行标准化转换，计算公式可以如下：
Figure 926790DEST_PATH_IMAGE002
。
n表示数据样本量，x表示某个特征物理量，xi为某特征物理量数值，
Figure 380774DEST_PATH_IMAGE003
，
Figure 517357DEST_PATH_IMAGE004
，s表示标准差，
Figure 373187DEST_PATH_IMAGE005
为 中心标准化转换后的物理量，i为取值范围在[1,n]的正整数。
进一步，为了能够更好的区分检测刮伤缺陷与擦伤缺陷检测，步骤S300中，对样本数据进行K-均值法聚类之前确定聚类数K，聚类方法如下，
随机选定两个初始样本作为聚类的中心；
计算其余每个样本数据到两个聚类中心的欧式距离，每个样本数据的所属类别与欧式距离最近的聚类中心类别一致，这样就将样本数据分成了A、B两类；
对A类、B两类重新计算各自的聚类中心。
进一步，为了计算得出聚类数K，评价步骤S300的聚类效果，步骤S400中，计算A类、B两类中，各自类别内彼此的欧式距离即类内距离；
计算A类、B两类中，各自类别间彼此的欧式距离即类间距离；
获得轮廓系数，计算样本数据中所有样本的轮廓系数平均值，即为A类、B类的整体轮廓系数。
进一步，为了不影响集成算法的其他缺陷检出结果，只单独对刮伤与擦伤缺陷进行再次检测判断，提升效率的同时，减少了人工参与的成本，步骤S500后，选择轮廓系数最大的K取值，进行K均值聚类算法；
聚类结束后，K类中样本量为1时，其类别判断为刮伤缺陷，K类中样本量大于等于2时， 其类别判断为擦伤缺陷。
本发明的有益效果是，本发明充分迎合了工业现场相机特定移动轨迹和庞大的集成算法导致刮伤与擦伤缺陷类别检测不准确的情况，本发明将相机标注的每一处缺陷都作为一条数据，使用这些样本数据进行不同类别数的K均值聚类，以轮廓系数作为评价标准，选出聚类效果比较好的类别数进行聚类，这样在聚类结束后，每个类别都是一处缺陷，数据量为1的类别数是刮伤缺陷，数据量大于等于2的类别数则是擦伤缺陷，以此来达到刮伤缺陷与擦伤缺陷分类的目的，极大地降低了现有集成算法的训练成本和影响，在不破坏集成算法的前提下提升了工业现场准确率及执行效率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是现有技术中工业相机拍摄并由集成算法识别描边缺陷示意图。
图2是本发明中K=2时，K均值聚类结果示意图。
图3是本发明中K=3时，K均值聚类结果示意图。
图4是本发明中K=4时，K均值聚类结果示意图。
图5是本发明不同K值的K均值聚类轮廓系数示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1-图5所示，是本发明最优实施例。
实施例一
如图2所示，一种基于位置聚合程度的刮伤与擦伤缺陷检测方法，其步骤为：
S100、获取相机扫描识别后并经过集成算法检测到的刮伤与擦伤缺陷数据,将其作为样本数据（样本数据中没有缺陷类别标签，无法完全信赖集成算法的检测结果）；
获取样本数据后，对样本数据集进行一致性检查和缺失值、异常值处理，检查数据有无缺失，若缺失则删除此条样本数据，检查数值是否在实际物理量取值范围之内，若超出范围则删除此条样本数据。删除缺失和/超出范围的样本数据的原因是：一条样本数据中，若出现部分数据缺失或数值取值超出实际范围，则说明这是一条无效样本数据，直接删除，数据缺失导致无法进行该数据的后续处理，超出取值范围说明此处数值是错误的，因此，删除缺失和/超出范围的样本数据可以减少后续不必要的工作步骤。
S200、将样本数据进行中心标准化处理，以便于不同物理量之间能够进行比较和加权；
对进行中心标准化处理的样本数据，去除物理量之间的单位限制，转化为无量纲的纯数值数据，以便于不同物理量之间能够进行比较和加权。
中心标准化处理公式如下：对某特征物理量序列
Figure 366551DEST_PATH_IMAGE006
进行标准化转换，计算公式可以如下：
Figure 58563DEST_PATH_IMAGE007
。
其中n表示数据样本量，x表示某个特征物理量，xi为某特征物理量数值，
Figure 251034DEST_PATH_IMAGE008
，
Figure 712103DEST_PATH_IMAGE009
，s表示标准差，
Figure 876368DEST_PATH_IMAGE010
为中心标准化转换后的物理量，i为取值范围在[1,n]的正整数。
因此，中心标准化后的某特征物理量序列为
Figure 304944DEST_PATH_IMAGE011
，去除标准差s为0的特征物理量，标准差为0表示该特征物理量在数据集中每一条数据上的 表现相同（数值保持不变），则该物理量为冗余特征，做删除处理。
S300、对数据进行K-均值法聚类算法；
对样本数据进行K-均值法聚类之前确定聚类数K，在不确定最佳聚类数K的情况下，先选择聚类数为2类（即K = 2）进行K均值法聚类，将这两类分别命名为A类、B类，上述的聚类方法如下，
S310、随机选定两个初始样本作为聚类的中心；
S320、计算其余每个样本数据到两个聚类中心的欧式距离，每个样本数据的所属类别与欧式距离最近的聚类中心类别一致，计算每个样本数据到指定聚类中心的欧氏距离，这样每个样本数据都会得到两个欧氏距离，每个样本数据选取各自距离最近的聚类中心，以这个聚类中心的类别为各自样本的类别，这样就将样本数据分成了A、B两类，例如某一样本数据距离B类的聚类中心更近，这个样本数据就属于B类；若此样本数据距离A类的聚类中心更近，这个样本数据就属于A类。
欧氏距离（Euclidean Distance）计算方法：
Figure 783330DEST_PATH_IMAGE012
；
其中，p为样本数据的特征个数（l = 1, 2, ...,p，l为正整数），d (U, V)为样本
Figure 161222DEST_PATH_IMAGE013
到样本
Figure 948918DEST_PATH_IMAGE014
的欧式距离。
S330、对A类、B两类重新计算各自的聚类中心；
计算A类中样本数据在各特征物理量下的均值，以各特征物理量均值产生的数据为A类中心；计算B类中样本数据在各特征物理量下的均值，以各特征物理量均值产生的数据为B类中心。
某物理量均值计算方法：
假设某特征物理量序列为
Figure 349943DEST_PATH_IMAGE015
，则A类样本数据 在该物理量下的均值表示为
Figure 694337DEST_PATH_IMAGE016
，
Figure 113686DEST_PATH_IMAGE017
为某特征物理量中心标准化转换 后A类样本数据的第j个值，j为取值范围在
Figure 823016DEST_PATH_IMAGE018
的正整数。B类样本数据在该物理量下 的均值表示为
Figure 773655DEST_PATH_IMAGE019
，
Figure 840181DEST_PATH_IMAGE020
为某特征物理量中心标准化转换后B类样本数据的 第m个值，m为取值范围在
Figure 130348DEST_PATH_IMAGE021
的正整数，且
Figure 259847DEST_PATH_IMAGE022
。
S400、评价聚类结果；
计算A、B两类中，各自类别内彼此的欧式距离即类内距离，表示为a(i)。计算公式如下：
以A类中某样本
Figure 697781DEST_PATH_IMAGE023
为例，
Figure 321661DEST_PATH_IMAGE024
；
Figure 715602DEST_PATH_IMAGE025
是除
Figure 829051DEST_PATH_IMAGE023
以外的其他A类样本，
Figure 691965DEST_PATH_IMAGE026
表示
Figure 103224DEST_PATH_IMAGE023
与
Figure 430300DEST_PATH_IMAGE025
之间的欧氏距 离。
Figure 386755DEST_PATH_IMAGE027
越小，表示样本
Figure 989162DEST_PATH_IMAGE023
越应该被分到A类当中，也称作
Figure 17161DEST_PATH_IMAGE023
的类内不相似度。同理， 以B类中某样本
Figure 136426DEST_PATH_IMAGE028
为例，
Figure 778629DEST_PATH_IMAGE029
，
Figure 350556DEST_PATH_IMAGE030
是除
Figure 916667DEST_PATH_IMAGE031
以外的 其他B类样本，
Figure 405286DEST_PATH_IMAGE032
表示
Figure 969122DEST_PATH_IMAGE033
与
Figure 90662DEST_PATH_IMAGE034
之间的欧氏距离。
Figure 647414DEST_PATH_IMAGE035
越小，表示样本
Figure 741272DEST_PATH_IMAGE033
越应该被分到B类当中，也称作
Figure 538327DEST_PATH_IMAGE033
的类内不相似度。
计算A、B两类中，各自类别间彼此的欧式距离即类间距离，表示为b(i)。计算公式如下：
以A类中某样本
Figure 354621DEST_PATH_IMAGE023
为例，
Figure 200217DEST_PATH_IMAGE023
与B类的平均类间距离是
Figure 210899DEST_PATH_IMAGE036
；
Figure 365805DEST_PATH_IMAGE033
是B类中第m个样本，
Figure 399620DEST_PATH_IMAGE037
表示
Figure 298175DEST_PATH_IMAGE023
与
Figure 163363DEST_PATH_IMAGE033
之间的欧氏距 离，m为取值范围在
Figure 239903DEST_PATH_IMAGE038
的正整数。假设存在第三类C类样本，
Figure 10282DEST_PATH_IMAGE023
与C类的平均类间 距离可同理得出。则
Figure 463260DEST_PATH_IMAGE023
与其他非本类的类间距离取min（
Figure 372835DEST_PATH_IMAGE023
与B类的平均类间距离，
Figure 682593DEST_PATH_IMAGE023
与C类的平均类间距离），即两者的最小值作为
Figure 691001DEST_PATH_IMAGE039
。
采用轮廓系数作为评价聚类的标准，公式如下：
Figure 931358DEST_PATH_IMAGE040
；
其中，
Figure 771138DEST_PATH_IMAGE041
表示取a(i)和b(i)中最大值，s(i)的取值范围是[-1,1]， 轮廓系数越接近1，该聚类数的聚类效果越好。以A类中某样本
Figure 189481DEST_PATH_IMAGE023
为例，则
Figure 934452DEST_PATH_IMAGE023
的轮廓系 数是
Figure 525970DEST_PATH_IMAGE042
。
计算样本数据中所有样本的轮廓系数平均值，那么此平均值就是样本数据聚类为A、B两类的整体轮廓系数。
S500、以不同的K值为聚类数，重复步骤三及步骤四，得到n*2/3-1个轮廓系数，以轮廓系数分别确定刮伤与擦伤；
以不同的K值为聚类数（K = 2，3，4，……，n*2/3，n为样本个数，n*2/3向上取整)，重复步骤三及步骤四，这样就得到了n*2/3-1个轮廓系数（n*2/3向上取整），选择轮廓系数最大的K取值作为最佳聚类数进行K均值聚类。聚类结束后，K类中样本量为1的类别判断为刮伤缺陷，样本量大于等于2的类别判断为擦伤缺陷。
由于刮伤与擦伤的缺陷非常相似，区别在于刮伤是单独一条伤痕，而擦伤缺陷是多条伤痕紧密但可能不连续的聚集在一起。
因此，聚类后样本量不为1的类别属于擦伤，并且符合擦伤的形态。这样，基于位置聚合程度的刮伤与擦伤缺陷就可以被检测出，且该方法叠加在集成算法之后，不影响集成算法的其他缺陷检出结果，只单独对刮伤与擦伤缺陷进行再次检测判断。提升效率的同时，减少了人工参与的成本。
实施例二，是在实施例一的基础上作的改进。
如图3为K=3时的检测结果，其余检测步骤与上述实施例的步骤相同，在此不再赘述。
如图4为K=4时的检测结果，其余检测步骤与上述实施例的步骤相同，在此不再赘述。
如图2、3和4所示，左上、右上两块具有多条紧密但可能不连续的伤痕的区域内的伤痕都为擦伤，下方两块具有单独一条伤痕的缺陷是两条刮伤，这说明每个附图中一共有四处缺陷，两处擦伤，两处刮伤。K = 2时，划分出两个区域，有一处擦伤被单独区分开；K =3时，有两处擦伤被单独区分开，但是两处刮伤并未被区分开；K = 4时，两处擦伤和两处刮伤都被完整的单独的区分开。因此，区分的意义就是将每一处缺陷都单独进行分析，提高检测的准确率。
如图5所示，图中K分别等于2、3、4、5、6时，K均值聚类的轮廓系数示意图。图中可以明显看出K=2时，聚类效果较差；当K=4时，聚类效果呈现比较好的状态，轮廓系数最高。因此，选择将样本数据聚类为4类，且聚类后的每个类的样本量，都符合擦伤与刮伤分布形态，即说明基于位置聚合程度的刮伤与擦伤缺陷检测技术可以在不更改现有相机扫描方式的前提下，有效地提高设备检测刮伤与擦伤缺陷准确率，克服现阶段依赖人工核查相机拍摄结果的桎梏。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种基于位置聚合程度的刮伤与擦伤缺陷检测方法，其步骤为：
S100、获取相机扫描识别后并经过集成算法检测到的刮伤与擦伤缺陷数据,将其作为样本数据，获取样本数据后，对样本数据集进行一致性检查和缺失值、异常值处理；
S200、将样本数据进行中心标准化处理，以便于不同物理量之间能够进行比较和加权；
S300、对数据进行K-均值法聚类算法；
S400、评价聚类结果；
S500、以不同的K值为聚类数，重复步骤三及步骤四，得到n*2/3-1个轮廓系数，以轮廓系数分别确定刮伤与擦伤：选择轮廓系数最大的K取值，进行K均值聚类算法，聚类结束后，K类中样本量为1时， 其类别判断为刮伤缺陷，K类中样本量大于等于2时，其类别判断为擦伤缺陷。
2.如权利要求1所述的基于位置聚合程度的刮伤与擦伤缺陷检测方法，其特征在于：
步骤200中，将样本数据进行中心标准化处理后，去除物理量之间的单位限制，转化为无量纲的纯数值数据。
3.如权利要求2所述的基于位置聚合程度的刮伤与擦伤缺陷检测方法，其特征在于：步 骤200中，中心标准化处理公式如下，对某特征物理量序列
Figure 426266DEST_PATH_IMAGE001
进行 标准化转换，计算公式可以如下：
Figure 552223DEST_PATH_IMAGE002
，
n表示数据样本量，x表示某个特征物理量，xi为某特征物理量数值，
Figure 374685DEST_PATH_IMAGE003
，
Figure 704035DEST_PATH_IMAGE004
，s表示标准差，
Figure 715985DEST_PATH_IMAGE005
为 中心标准化转换后的物理量，i为取值范围在[1,n]的正整数。
4.如权利要求1所述的基于位置聚合程度的刮伤与擦伤缺陷检测方法，其特征在于：
步骤S300中，对样本数据进行K-均值法聚类之前确定聚类数K，聚类方法如下，
随机选定两个初始样本作为聚类的中心；
计算其余每个样本数据到两个聚类中心的欧式距离，每个样本数据的所属类别与欧式距离最近的聚类中心类别一致，这样就将样本数据分成了A、B两类；
对A类、B两类重新计算各自的聚类中心。
5.如权利要求1所述的基于位置聚合程度的刮伤与擦伤缺陷检测方法，其特征在于：
步骤S400中，计算A类、B两类中，各自类别内彼此的欧式距离即类内距离；
计算A类、B两类中，各自类别间彼此的欧式距离即类间距离；
获得轮廓系数，计算样本数据中所有样本的轮廓系数平均值，即为A类、B类的整体轮廓系数。
CN202111347290.3A 2021-11-15 2021-11-15 基于位置聚合程度的刮伤与擦伤缺陷检测方法 Pending CN113780488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111347290.3A CN113780488A (zh) 2021-11-15 2021-11-15 基于位置聚合程度的刮伤与擦伤缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111347290.3A CN113780488A (zh) 2021-11-15 2021-11-15 基于位置聚合程度的刮伤与擦伤缺陷检测方法

Publications (1)

Publication Number Publication Date
CN113780488A true CN113780488A (zh) 2021-12-10

Family

ID=78873947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111347290.3A Pending CN113780488A (zh) 2021-11-15 2021-11-15 基于位置聚合程度的刮伤与擦伤缺陷检测方法

Country Status (1)

Country Link
CN (1) CN113780488A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187586A (zh) * 2022-09-06 2022-10-14 常州微亿智造科技有限公司 工件过切与磕伤缺陷的自适应检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109449093A (zh) * 2018-10-24 2019-03-08 武汉新芯集成电路制造有限公司 晶圆检测方法
CN112001409A (zh) * 2020-07-01 2020-11-27 中国电力科学研究院有限公司 一种基于K-means聚类算法的配电网线损异常诊断方法和系统
CN112819756A (zh) * 2021-01-15 2021-05-18 江苏理工学院 Pcb板表面缺陷检测装置及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109449093A (zh) * 2018-10-24 2019-03-08 武汉新芯集成电路制造有限公司 晶圆检测方法
CN112001409A (zh) * 2020-07-01 2020-11-27 中国电力科学研究院有限公司 一种基于K-means聚类算法的配电网线损异常诊断方法和系统
CN112819756A (zh) * 2021-01-15 2021-05-18 江苏理工学院 Pcb板表面缺陷检测装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢笑蕾等: "基于混合模型与流形调节的晶圆表面缺陷识别", 《计算机集成制造系统》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187586A (zh) * 2022-09-06 2022-10-14 常州微亿智造科技有限公司 工件过切与磕伤缺陷的自适应检测方法

Similar Documents

Publication Publication Date Title
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN115294113B (zh) 一种木饰面板质量检测方法
CN109977808B (zh) 一种晶圆表面缺陷模式检测与分析方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN114723704B (zh) 一种基于图像处理的纺织品质量评估方法
CN107085846B (zh) 工件表面缺陷图像识别方法
CN107622277B (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN111369516A (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
CN110781913B (zh) 一种拉链布带缺陷检测方法
CN114926410A (zh) 制动盘外观缺陷检测方法
CN113109240B (zh) 一种计算机实施的粮食不完善粒测定方法和系统
CN118247331B (zh) 一种基于图像识别的零件尺寸自动检测方法及系统
CN111950654B (zh) 基于svm分类的魔方色块颜色还原方法
CN117798087B (zh) 基于外观缺陷检测的锂电池视觉分拣系统及终端
CN115994907A (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN115082472A (zh) 一种轮毂模具浇注成型产品的质量检测方法及系统
CN115294109A (zh) 基于人工智能的实木板材生产缺陷识别系统、电子设备
CN113808129B (zh) 易混淆缺陷的有效检测方法
CN113780488A (zh) 基于位置聚合程度的刮伤与擦伤缺陷检测方法
CN117350967A (zh) 一种基于光学检测晶圆外观缺陷检测系统及其方法
US6920241B1 (en) System and method for bundled location and regional inspection

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: 20211210

RJ01 Rejection of invention patent application after publication