CN114037682A - 一种光学元件表面疵病二维自动检测方法 - Google Patents
一种光学元件表面疵病二维自动检测方法 Download PDFInfo
- Publication number
- CN114037682A CN114037682A CN202111316062.XA CN202111316062A CN114037682A CN 114037682 A CN114037682 A CN 114037682A CN 202111316062 A CN202111316062 A CN 202111316062A CN 114037682 A CN114037682 A CN 114037682A
- Authority
- CN
- China
- Prior art keywords
- scratch
- optical element
- image
- defect
- defects
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 86
- 230000003287 optical effect Effects 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000003384 imaging method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 30
- 238000003705 background correction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 102100023185 Transcriptional repressor scratch 1 Human genes 0.000 claims description 4
- 101710171414 Transcriptional repressor scratch 1 Proteins 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004377 microelectronic Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement 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
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004304 visual acuity Effects 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
- G06T3/053—Detail-in-context presentations
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N2021/9511—Optical elements other than lenses, e.g. mirrors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种光学元件表面疵病二维自动检测方法,该方法包括以下步骤:1)使用显微成像头对光学元件表面缺陷进行扫描,完成高速图像采集和拼接处理;2)使用表面缺陷智能识别分析法和数据处理系统进行缺陷智能识别和量化分析,得到缺陷二维尺寸数据、位置信息;3)并结合缺陷检测国际ISO标准和国家GB标准对光学元件缺陷等级进行评定。本发明采用了显微成像原理、表面疵病智能识别和量化分析技术,实现了光学元件表面疵病数字化、自动化和标准化检测。
Description
技术领域
本发明涉及光学元件缺陷检测领域,特别是涉及一种光学元件表面疵病的二维自动检测方法。
背景技术
以高性能光学系统为核心的激光系统、微电子装备、航空航天等国家重大应用需求牵引先进光学制造技术持续发展,超精密光学制造为当前国内外前沿研究方向。超精密光学元件表面缺陷成为关键参数之一。
在光学元件制造、镀膜、装配、运输等各个环节中,都有可能会产生一些失误、碰撞,导致光学元件表面会出现一些损伤。表面缺陷作为评价光学元件加工质量的重要评价指标之一,随着微电子装备、航空航天等领域的发展,对光学元件表面缺陷数字化定量检测提出更高的技术要求,对于工艺优化改进和质量控制至关重要。然而,如何实现光学元件表面缺陷的快速检测一直是待解决的关键问题。
对于目前的检测方法来说,主要采用人工目视对比法和成像检测法结合相应的缺陷检测标准进行光学元件表面缺陷检测。其中,由于目视法的检测结果受限于人眼分辨能力和检测人员的主观判断,检测结果可靠性较低,因而对尺寸较小、对比度较差的缺陷难以给出准确的测量结果,而成像检测法可通过图像处理技术进行表面缺陷的量化评估。因此,显微成像检测法成为光学元件表面缺陷定量检测的主要手段。
发明内容
本发明的目的是为了克服现有技术所存在的不足,提供一种光学元件表面疵病二维自动检测方法,其具体步骤包括:
步骤1:初始化光学元件表面缺陷检测装置,将待测光学元件放置于检测平台;
步骤2:使用检测装置的显微成像头对所述待测光学元件表面进行扫描和拼接处理,从而获取待测光学元件表面缺陷的二维灰度图像;
步骤3:对步骤2得到的二维灰度图像进行背景不均匀矫正处理;
步骤4:对步骤3得到的图像进行二值化处理;
步骤5:对所述二值化图像进行骨架提取;
步骤6:求骨架主路经:提取出单个骨架的所有端点,由于所有的分支端点基本位于划痕的两侧,划痕的主路径上的首尾端点之间的距离最长,依据这一特性找到主路径上的首尾端点;
步骤7:找到主路径上的端点后,若划痕连续,则直接进行划痕尺寸计算,若划痕间断则需要采用断点连接法将划痕断裂处连接起来,形成完整的划痕;
步骤8:对连接好的区域进行缺陷识别;
步骤9:结合缺陷检测标准对所述识别的缺陷等级进行评定。
由此,实现了一种光学元件表面疵病二维自动检测方法。
进一步的,在步骤2中,所述使用显微成像头对待测光学元件表面进行扫描拼接的过程中,使用基于特征的图像拼接方法扩展检测范围,以实现大口径的所述光学元件表面缺陷的扫描拼接成像。
进一步的,在步骤3中,所述矫正处理方法为:
(1)式中,f为显微成像头采集到的二维灰度图像;b为结构元素;m为背景矫正后的灰度图像。
进一步的,步骤4中,使用Otsu方法计算阈值k:
(2)式中,m为背景矫正后的灰度图像;g为二值化处理后的图像;(x,y)表示图像中的任意像素坐标位置;k为判定阈值;当m(x,y)≥k时有g(x,y)=1,表明(x,y)对应的像素位置存在缺陷。
进一步的,所述步骤5中,对骨架进行提取的操作包括:
对图像中某一点P1的3×3的区域的其他各点标记为P2,…,P9;设1表示黑色,0表示白色,如果P1=1,且同时满足以下4个条件,则删除P1;对图像中每一点重复该步骤,直到所有的点都不可删除为止;
式中,NZ(P)表示P点的8邻域中1的数目;Z0(P)表示从P为中心,顺时针相邻像素点出现0到1跳变的累计次数。
进一步的,所述步骤6中,所寻找的骨架主路径上的首尾端点需要满足的条件是:
骨架的端点的八邻域只有一个像素值为1,或者该点八邻域只有两个像素值为1且该两个像素相邻,或者该点八邻域有三个像素值为1且该三个像素在同一行或同一列。
进一步的,步骤7中,进行断点连接前,需要先判断两条划痕是否为同一划痕,判断两条划痕是否是同一划痕的两个条件是斜率方向和划痕相距的距离:
设两条划痕分别为第一划痕和第二划痕,θ1为第一划痕所对应的角度,θ3为第二划痕所对应的角度,而θ2为划痕1和划痕2中间连线的角度;
设角度阈值为Δθ,若θ1,θ2,θ3三者满足以下条件:
且划痕之间连线L的长度小于两条划痕中最长的那条,
则判断两条划痕为同一划痕,需要断点连接。
进一步的,在步骤8中,使用连通区域特征分类和最小外接矩形来识别缺陷,得到缺陷二维尺寸数据、位置信息。
进一步的,步骤9中,所述标准为国际ISO标准和国家GB标准;
对缺陷进行等级评定过程中,采用长划痕和级数换算的评定功能。
本发明所述的一种光学元件表面疵病二维自动检测方法,使用表面缺陷识别分析方法实现了光学元件表面缺陷的数字化、自动化和标准化检测。
本发明提出一种基形态学处理的方法,主要使用连通区域特征分类和最小外接矩形来识别缺陷,得到缺陷二维尺寸数据、位置信息。此方法适用于多种类型的缺陷,并能有效的测量出缺陷的尺寸信息,判断镜片表面质量等级更加准确。
本发明在步骤9中可增加长划痕、级数换算等评定功能,使缺陷等级评定更全面,以适应各类图纸缺陷等级的要求。
本发明具有以下有益效果:
本发明基于显微成像检测法,通过高分辨力相机扫描成像实现光学元件缺陷图像的快速采集,使用表面缺陷智能识别分析方法和数据处理系统进行缺陷智能识别和量化分析,实现了光学元件表面疵病数字化、自动化和标准化检测。
附图说明
图1是本发明提出的一种光学元件表面疵病二维自动检测方法的流程图;
图2是实施例中所述检测装置示意图;
图3是实施例中所述断点连接法流程图;
图4是实施例中所述缺陷识别法流程图;
图5是实施例中通过所述方法最终得到的光学元件表面缺陷检测结果;
图6是本发明图像中某一点3×3的区域示意图;
图7-1至图7-3是本发明图像骨架主路径上的首尾端点示意图;
图8-1至图8-3是本发明断点连接示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明,有必要指出的是所述实施例只是用于对本发明的进一步描述,而并不意味着是对本发明保护范围的任何限定。
本发明提出的一种光学元件表面疵病二维自动检测方法,其实现流程如图1所示。具体包含以下步骤:
第一步,放置好被测件,控制运动台移动到待测区域;设置扫描参数,包括扫描方式、范围、步长、速度等参数;
第二步,通过移动显微成像头实现光学元件表面各个位置的缺陷图像采集,结合图像拼接技术得到完整的光学元件二维灰度图像;
第三步,采集到的二维灰度图像进行背景不均匀矫正处理;
第四步,使用Otsu算法对图像进行二值化处理;
第五步,对二值化图像进行骨架提取处理;
第六步,提取出单个骨架的所有的端点,依据主路径上的首尾端点之间的距离最长这一特性找到主路径上的首尾端点;
第七步,找到主路径端点后,若划痕连续,则直接进行划痕尺寸计算。若划痕间断则需要断点连接算法将划痕断裂处连接起来,形成完整的划痕;
第八步,对连接好的区域进行缺陷识别,得到划痕和麻点的尺寸和位置信息;
第九步,结合缺陷检测国际ISO标准和国家GB标准对光学元件缺陷等级进行评定,从而得到所述光学元件表面的缺陷二维检测结果。
实施例:
本实施例结合图2到图5,对本发明的具体实施方式进行举例说明。
图2为检测装置示意图。在初始化检测设备后,将待测光学元件4放置于检测平台5上;控制X、Y方向导轨6移动到待测区域;控制Z方向导轨8使显微成像系统移到焦点位置,显微成像系统包括CCD相机1、配套镜头2、组合光源3;控制偏摆台7调整工件台达到水平状态。
检测开始,首先设置扫描参数,包括扫描方式、范围、步长、速度等参数;使用显微成像头对待测光学元件表面进行扫描成像,经过图像拼接后,得到待测光学元件二维灰度图像。
为了从背景中提取目标更加准确,需对图像进行背景不均匀矫正处理,避免由于背景干扰和光照不均匀而产生的二值化分割错误。具体处理方法为:
式中,f为显微成像头采集到的二维灰度图像;b为结构元素;m为背景矫正后的灰度图像。
对背景处理后的图像进行图像分割处理,采用Otsu自适应阈值分割算法,该算法使图像类间方差最大来保证二值图包含尽量多的缺陷信息。计算阈值k:
式中,m为背景矫正后的灰度图像;g为二值化处理后的图像;(x,y)表示图像中的任意像素坐标位置;k为判定阈值;当m(x,y)≥k时有g(x,y)=1,表明(x,y)对应的像素位置存在缺陷;当m(x,y)<k时有g(x,y)=0,表明(x,y)对应的像素位置为背景。Otsu算法的阈值计算步骤如下:
令{0,1,2,…,L-1}表示一幅大小为M×N像素的图像中的L个不同的灰度级,ni表示灰度级为i的像素数。图像中像素总数为MN=n0+n1+n2+…+nL-1;计算输入图像的归一化直方图。使用pi,i=0,1,2,…,L-1表示该直方图的各个分量,设阈值Δk,0≤Δk≤L-1,由此有:
计算累积和:
计算累计均值:
计算全局灰度平均值:
计算类间方差:
对二值化处理后的图像进行骨架提取处理。对图像中某一点3×3的区域,对其中各点标记名称P1,P2,…,P9,如图6所示。
规定1表示黑色,0表示白色,如果P1=1,同时满足以下4个条件,则删除P1。对图像中每一点重复这一步骤,直到所有的点都不可删除为止。
式中,NZ(P)表示P点的8领域中1的数目;Z0(P)表示从P为中心,顺时针相邻像素点出现0到1跳变的累计次数。
提取出单个骨架的所有的端点,由于所有的分支端点基本位于划痕的两侧,划痕的主路径上的首尾端点之间的距离最长,依据这一特性可以找到主路径上的首尾端点。
骨架的端点需要满足该点八邻域只有一个像素值为1,或者该点八邻域只有两个像素值为1且该两个像素相邻,或者该点八邻域有三个像素值为1且该三个像素在同一行或同一列上,如图7-1至图7-3所示。
找到主路径端点后,若划痕连续,则不需要断点连接即可进行划痕尺寸计算。若划痕间断则需要断点连接算法将划痕断裂处连接起来,形成完整的划痕。算法流程如图3所示。
判断两条划痕是否是同一划痕的主要两个条件是斜率方向和划痕相距的距离。如图8-1至图8-3所示,θ1为划痕1所对应的角度,θ3为划痕2所对应的角度,而θ2为划痕1和划痕2中间连线的角度。
设角度阈值为Δθ,θ1,θ2,θ3三者需要满足的条件如下:
图8-3中依据的是划痕之间连线L的长度小于两条划痕中最长的那条。根据以上条件判断两条划痕是否需要断点连接。
对连接好的区域进行缺陷识别。本发明提出一种形态学处理的算法,主要使用连通区域特征分类和最小外接矩形来识别缺陷,得到缺陷二维尺寸数据、位置信息。此方法适用于多种类型的划痕,并能有效的测量出缺陷的尺寸信息,判断镜片表面质量等级更加准确。算法流程如图4所示。
最后,结合缺陷检测国际ISO标准和国家GB标准对光学元件缺陷等级进行评定,级数A的计算公式为:
其中,R表示麻点半径。
从而得到所述光学元件表面的缺陷二维检测结果,如图5所示。由此,实现了一种光学元件表面疵病二维自动检测方法。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (10)
1.一种光学元件表面疵病二维自动检测方法,其特征在于,所述方法包括以下步骤:
步骤1:初始化光学元件表面缺陷检测装置,将待测光学元件放置于检测平台;
步骤2:使用所述检测装置的显微成像头对所述待测光学元件表面进行扫描和拼接处理,从而获取待测光学元件表面缺陷的二维灰度图像;
步骤3:对步骤2得到的二维灰度图像进行背景不均匀矫正处理;
步骤4:对步骤3得到的图像进行二值化处理;
步骤5:对所述二值化图像进行骨架提取;
步骤6:求骨架主路经:提取出单个骨架的所有端点,由于所有的分支端点基本位于划痕的两侧,划痕的主路径上的首尾端点之间的距离最长,依据这一特性找到主路径上的首尾端点;
步骤7:找到主路径上的端点后,若划痕连续,则直接进行划痕尺寸计算,若划痕间断则需要采用断点连接法将划痕断裂处连接起来,形成完整的划痕;
步骤8:对连接好的区域进行缺陷识别;
步骤9:结合缺陷检测标准对所述识别的缺陷等级进行评定;
由此,实现了一种光学元件表面疵病二维自动检测方法。
2.根据权利要求1所述的一种光学元件表面疵病二维自动检测方法,其特征在于,在步骤2中,所述使用显微成像头对待测光学元件表面进行扫描拼接的过程中,使用基于特征的图像拼接方法扩展检测范围,以实现大口径的所述光学元件表面缺陷的扫描拼接成像。
6.根据权利要求1所述的一种光学元件表面疵病二维自动检测方法,其特征在于,所述步骤6中,所寻找的骨架主路径上的首尾端点需要满足的条件是:
骨架的端点的八邻域只有一个像素值为1,或者该点八邻域只有两个像素值为1且该两个像素相邻,或者该点八邻域有三个像素值为1且该三个像素在同一行或同一列。
8.根据权利要求1所述的一种光学元件表面疵病二维自动检测方法,其特征在于,在步骤8中,使用连通区域特征分类和最小外接矩形来识别缺陷,得到缺陷二维尺寸数据、位置信息。
9.根据权利要求1所述的一种光学元件表面疵病二维自动检测方法,其特征在于,步骤9中,所述标准为国际ISO标准和国家GB标准。
10.根据权利要求1所述的一种光学元件表面疵病二维自动检测方法,其特征在于,步骤9中,对缺陷进行等级评定过程中,采用长划痕和级数换算的评定功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111316062.XA CN114037682A (zh) | 2021-11-08 | 2021-11-08 | 一种光学元件表面疵病二维自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111316062.XA CN114037682A (zh) | 2021-11-08 | 2021-11-08 | 一种光学元件表面疵病二维自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037682A true CN114037682A (zh) | 2022-02-11 |
Family
ID=80136802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111316062.XA Pending CN114037682A (zh) | 2021-11-08 | 2021-11-08 | 一种光学元件表面疵病二维自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037682A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861315A (zh) * | 2023-02-27 | 2023-03-28 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156884A (zh) * | 2011-04-25 | 2011-08-17 | 中国科学院自动化研究所 | 一种直线段检测和提取方法 |
CN102314609A (zh) * | 2011-09-13 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多边形图像的骨架提取方法及装置 |
CN104657706A (zh) * | 2015-01-27 | 2015-05-27 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
CN105740807A (zh) * | 2016-01-28 | 2016-07-06 | 武汉大学 | 一种基于数学形态学的遥感图像提取连续河流骨架线方法 |
CN106056671A (zh) * | 2016-05-20 | 2016-10-26 | 西安电子科技大学 | 一种等高线断线连接方法 |
CN109934811A (zh) * | 2019-03-08 | 2019-06-25 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
US20190277778A1 (en) * | 2018-03-06 | 2019-09-12 | Rolls-Royce Plc | Surface or interface defect detection |
US20200232934A1 (en) * | 2019-01-17 | 2020-07-23 | Applied Materials Israel, Ltd. | Multi-perspective wafer analysis |
CN111583235A (zh) * | 2020-05-09 | 2020-08-25 | 中南大学 | 蜂窝规整度检测的分支点识别顶点提取方法及其系统 |
CN111983030A (zh) * | 2020-08-20 | 2020-11-24 | 南京中车浦镇城轨车辆有限责任公司 | 基于超声相控阵的摩擦焊焊缝缺陷定量检测方法和系统 |
CN113012103A (zh) * | 2021-02-07 | 2021-06-22 | 电子科技大学 | 一种大口径望远镜镜片表面疵病定量检测方法 |
-
2021
- 2021-11-08 CN CN202111316062.XA patent/CN114037682A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156884A (zh) * | 2011-04-25 | 2011-08-17 | 中国科学院自动化研究所 | 一种直线段检测和提取方法 |
CN102314609A (zh) * | 2011-09-13 | 2012-01-11 | 中国科学院地理科学与资源研究所 | 一种多边形图像的骨架提取方法及装置 |
CN104657706A (zh) * | 2015-01-27 | 2015-05-27 | 北京大学 | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 |
CN105740807A (zh) * | 2016-01-28 | 2016-07-06 | 武汉大学 | 一种基于数学形态学的遥感图像提取连续河流骨架线方法 |
CN106056671A (zh) * | 2016-05-20 | 2016-10-26 | 西安电子科技大学 | 一种等高线断线连接方法 |
US20190277778A1 (en) * | 2018-03-06 | 2019-09-12 | Rolls-Royce Plc | Surface or interface defect detection |
US20200232934A1 (en) * | 2019-01-17 | 2020-07-23 | Applied Materials Israel, Ltd. | Multi-perspective wafer analysis |
CN109934811A (zh) * | 2019-03-08 | 2019-06-25 | 中国科学院光电技术研究所 | 一种基于深度学习的光学元件表面缺陷检测方法 |
CN111583235A (zh) * | 2020-05-09 | 2020-08-25 | 中南大学 | 蜂窝规整度检测的分支点识别顶点提取方法及其系统 |
CN111983030A (zh) * | 2020-08-20 | 2020-11-24 | 南京中车浦镇城轨车辆有限责任公司 | 基于超声相控阵的摩擦焊焊缝缺陷定量检测方法和系统 |
CN113012103A (zh) * | 2021-02-07 | 2021-06-22 | 电子科技大学 | 一种大口径望远镜镜片表面疵病定量检测方法 |
Non-Patent Citations (9)
Title |
---|
LI XIAOPING: "A New Method of Breakpoint Connection for Human Skeleton Image", pages 1 - 13 * |
TONGJIE Y 等: "A fast parallel algorithm for thinning digital patterns", pages 236 - 239 * |
ZHAO JIANHU 等: "A new method of breakpoint connection using curve features for contour vectorization", vol. 18, no. 09, pages 79 - 82 * |
于广婷 等: "光学图像中一种新的边界断点连接方法", vol. 31, no. 04, pages 1264 - 1266 * |
冯凯萍 等: "一种新的光学元件表面划痕检测算法", vol. 14, no. 01, pages 230 - 232 * |
吴庆垚: "基于线特征的双向匹配的掌纹识别研究", no. 08, pages 138 - 855 * |
迈克老狼2012: "OpenCV学习(15)细化算法(3)", pages 1 - 4 * |
马晓路 等: "《MATLAB图像处理从入门到精通》", vol. 1, 西南交通大学出版社, pages: 140 - 142 * |
黄成龙: "多品种水稻数字化考种关键技术研究", no. 07, pages 047 - 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861315A (zh) * | 2023-02-27 | 2023-03-28 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
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 | |
CN102393397B (zh) | 一种磁瓦表面缺陷检测系统及其检测方法 | |
CN109993154B (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN114820439A (zh) | 基于aoi的pcb裸板缺陷的检测系统及方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN113970560B (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN112200790A (zh) | 布料缺陷检测方法、设备和介质 | |
CN115953550A (zh) | 针对线结构光扫描的点云离群点剔除系统及方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
US6382510B1 (en) | Automatic inspection system using barcode localization and method thereof | |
CN114037682A (zh) | 一种光学元件表面疵病二维自动检测方法 | |
CN117197108A (zh) | 光学变焦图像质量评估方法、系统、计算机装置及介质 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN115388785A (zh) | 一种基于视觉的柔性线束的测量方法及系统 | |
CN112257514B (zh) | 一种用于设备故障巡检的红外视觉智检的拍摄方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220211 |