CN114324382A - 面板端子清洁度检测方法及面板端子清洁度检测装置 - Google Patents
面板端子清洁度检测方法及面板端子清洁度检测装置 Download PDFInfo
- Publication number
- CN114324382A CN114324382A CN202011062665.7A CN202011062665A CN114324382A CN 114324382 A CN114324382 A CN 114324382A CN 202011062665 A CN202011062665 A CN 202011062665A CN 114324382 A CN114324382 A CN 114324382A
- Authority
- CN
- China
- Prior art keywords
- cleanliness
- panel terminal
- water drop
- image
- cleanliness detection
- 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
- 230000003749 cleanliness Effects 0.000 title claims abstract description 334
- 238000001514 detection method Methods 0.000 title claims abstract description 315
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 271
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 59
- 238000004140 cleaning Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005501 phase interface Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本公开是关于一种面板端子清洁度检测方法、面板端子清洁度检测装置以及计算机可读存储介质。面板端子清洁度检测方法包括：采集面板端子在指定滴水区域处滴下水滴的水滴图像。调用预先训练的清洁度检测模型，将水滴图像输入至清洁度检测模型得到面板端子的清洁度检测结果。通过本公开提供的面板端子清洁度检测方法，可以根据采集的水滴图像检测面板端子的清洁度，无需借助其他辅助仪器，进而有助于促进检测进程，提高检测效率。
Description
技术领域
本公开涉及终端技术领域，尤其涉及一种面板端子清洁度检测方法、面板端子清洁度检测装置以及计算机可读存储介质。
背景技术
在终端屏幕模组工艺中，面板(panel)端子是否清洁干净对面板制作的合格程度有着巨大的影响。工艺生产线上的绑定(Bonding)工艺不合格，通常是因为面板端子的清洁效果不佳而导致的。因此，在面板制程中，面板端子的清洁度是重点检测的项目之一。
相关技术中，面板端子的清洁度是通过水滴角测试仪进行检测的。在测量的过程中，需要将面板单独放置在水滴角测试仪上进行检测，检测效率低，且无法检测所有的面板端子。
发明内容
为克服相关技术中存在的问题，本公开提供一种面板端子清洁度检测方法、面板端子清洁度检测装置以及计算机可读存储介质。
根据本公开实施例的第一方面，提供一种面板端子清洁度检测方法，包括：采集面板端子在指定滴水区域处滴下水滴的水滴图像。调用预先训练的清洁度检测模型，将所述水滴图像输入至所述清洁度检测模型得到所述面板端子的清洁度检测结果。
在一实施例中，所述面板端子清洁度检测方法还包括：获取所述面板端子的多个清洁度检测结果。若所述多个清洁度检测结果中包括有一个或多个检测结果为清洁不合格，则确定所述面板端子的清洁度检测结果为清洁不合格。若所述多个清洁度检测结果中的全部检测结果为清洁合格，则确定所述面板端子的清洁度检测结果为清洁合格。
在另一实施例中，所述清洁度检测模型采用下述方式预先训练得到：在面板端子的指定滴水区域处滴下多个水滴。针对所述多个水滴分别采集水滴图像，并通过水滴角测试仪测试所述多个水滴所对应的水滴角度，基于所述水滴角度确定面板端子清洁度检测结果。对采集的多个水滴图像标记清洁度检测结果，得到图像样本。基于所述图像样本训练得到清洁度检测模型，所述清洁度检测模型的输入为水滴图像。
在又一实施例中，所述基于所述图像样本训练得到清洁度检测模型，包括：按照第一比例，在所述图像样本中随机抽取水滴图像作为训练样本集。将所述训练样本集输入至卷积神经网络模型进行训练优化得到初始清洁度检测模型。将所述图像样本中除所述训练样本集以外的其他图像样本作为测试样本集，对所述初始清洁度检测模型进行验证，得到最终的清洁度检测模型。
在又一实施例中，采集水滴图像，包括：通过在面板端子产线侧方设置的一个或多个图像采集装置，采集水滴的侧面图像。
在又一实施例中，所述在面板端子在指定滴水区域处滴下多个水滴，包括：通过在面板端子产线垂直上方固定安装的一个或多个滴水针头，在所述面板端子的指定滴水区域滴下多个水滴。
根据本公开实施例的第二方面，提供一种面板端子清洁度检测方法包括：采集面板端子在指定滴水区域处滴下水滴的水滴图像。对所述水滴图像进行图像解析，得到所述水滴图像的特征参数。根据所述特征参数，得到所述面板端子的清洁度检测结果。
在一实施例中，所述特征参数包括以下至少之一：所述水滴图像中水滴的截面信息、所述水滴的形状和所述水滴的边缘轮廓。
在另一实施例中，所述根据所述特征参数，得到所述面板端子的清洁度检测结果，包括：根据预设对应关系，得到所述特征参数对应的所述清洁度检测结果，其中，所述预设对应关系用于表征多个预设的特征参数和多个预设的面板的清洁度检测结果之间的对应关系。
在又一实施例中，所述多个预设的特征参数包括第一特征参数，所述清洁度检测结果包括第一清洁度检测结果，通过以下方式确定所述预设对应关系：获取第一面板在指定滴水区域处滴下水滴的水滴图像所对应的第一特征参数。通过水滴角测试仪确定所述第一面板对应的清洁度检测结果，作为所述第一清洁度检测结果。建立所述第一特征参数和所述第一清洁度检测结果之间的对应关系。
根据本公开实施例的第三方面，提供一种面板端子清洁度检测装置，包括：采集单元，用于采集面板端子在指定滴水区域处滴下水滴的水滴图像。检测单元，用于调用预先训练的清洁度检测模型，将所述水滴图像输入至所述清洁度检测模型得到所述面板端子的清洁度检测结果。
在一实施例中，所述面板端子清洁度检测装置还包括：获取单元，用于获取所述面板端子的多个清洁度检测结果。若所述多个清洁度检测结果中包括有一个或多个检测结果为清洁不合格，则确定所述面板端子的清洁度检测结果为清洁不合格。若所述多个清洁度检测结果中的全部检测结果为清洁合格，则确定所述面板端子的清洁度检测结果为清洁合格。
在另一实施例中，所述面板端子清洁度检测装置还包括训练单元，用于：在面板端子的指定滴水区域处滴下多个水滴。针对所述多个水滴分别采集水滴图像，并通过水滴角测试仪测试所述多个水滴所对应的水滴角度，基于所述水滴角度确定面板端子清洁度检测结果。对采集的多个水滴图像标记清洁度检测结果，得到图像样本。基于所述图像样本训练得到清洁度检测模型，所述清洁度检测模型的输入为水滴图像。
在又一实施例中，所述训练单元还用：按照第一比例，在所述图像样本中随机抽取水滴图像作为训练样本集。将所述训练样本集输入至卷积神经网络模型进行训练优化得到初始清洁度检测模型。将所述图像样本中除所述训练样本集以外的其他图像样本作为测试样本集，对所述初始清洁度检测模型进行验证，得到最终的清洁度检测模型。
在又一实施例中，所述采集单元还用于：通过在面板端子产线侧方设置的一个或多个图像采集装置，采集水滴的侧面图像。
在又一实施例中，所述训练单元还用于：通过在面板端子产线垂直上方固定安装的一个或多个滴水针头，在所述面板端子的指定滴水区域滴下多个水滴。
根据本公开实施例的第四方面，提供一种面板端子清洁度检测装置包括：图像采集单元，用于采集面板端子在指定滴水区域处滴下水滴的水滴图像。特征提取单元，用于对所述水滴图像进行图像解析，得到所述水滴图像的特征参数。清洁度检测单元，用于根据所述特征参数，得到所述面板端子的清洁度检测结果。
在一实施例中，所述特征参数包括以下至少之一：所述水滴图像中水滴的截面信息、所述水滴的形状和所述水滴的边缘轮廓。
在另一实施例中，所述清洁度检测单元还用于：根据预设对应关系，得到所述特征参数对应的所述清洁度检测结果，其中，所述预设对应关系用于表征多个预设的特征参数和多个预设的面板的清洁度检测结果之间的对应关系。
在又一实施例中，所述多个预设的特征参数包括第一特征参数，所述清洁度检测结果包括第一清洁度检测结果所述清洁度检测单元还用于：获取第一面板在指定滴水区域处滴下水滴的水滴图像所对应的第一特征参数。通过水滴角测试仪确定所述第一面板对应的清洁度检测结果，作为所述第一清洁度检测结果。建立所述第一特征参数和所述第一清洁度检测结果之间的对应关系。
根据本公开实施例的第五方面，提供一种面板端子清洁度检测装置，包括：存储器，用于存储指令；以及处理器，用于调用所述存储器存储的指令执行上述任意一种所述的面板端子清洁度检测方法。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，其中存储有指令，所述指令被处理器执行时，执行上述任意一种所述的面板端子清洁度检测方法。
本公开的实施例提供的技术方案可以包括以下有益效果：通过本公开提供的面板端子清洁度检测方法，可以根据采集的水滴图像检测面板端子的清洁度，无需借助其他辅助仪器，进而有助于促进检测进程，提高检测效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种角度示意图。
图2是根据一示例性实施例示出的一种面板端子清洁度检测方法的流程图。
图3是根据一示例性实施例示出的一种位置示意图。
图4是根据一示例性实施例示出的另一种面板端子清洁度检测方法的流程图。
图5是根据一示例性实施例示出的一种清洁度检测模型的训练方法的流程图。
图6是根据一示例性实施例示出的另一种清洁度检测模型的训练方法流程图。
图7是根据一示例性实施例示出的另一种面板端子清洁度检测方法的流程图。
图8是根据一示例性实施例示出的一种面板端子清洁度检测装置的框图。
图9是根据一示例性实施例示出的另一种面板端子清洁度检测装置框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中，检测面板端子的清洁度时，可以通过面板端子上的水滴角确定面板端子的清洁度是否合格。如图1所示的角度示意图，水滴角(接触角)θ是气-液相界面与固-液相界面之间的夹角。水滴角θ可以用于显示固体表面湿度的尺度，低接触角表示湿度高，表面易粘贴。高接触水滴角表示表面显示疏水性，表面有机污染较重或表面附着力差。
相关技术中，检测面板端子的清洁度需要通过水滴角测试仪进行检测。在检测前，从面板端子产线上随机抽取部分带有端子的面板作为检测集。检测时，将检测集中的面板放置在水滴角测试仪的样品台上，基于高亮度LED背景光源系统，检测样品台上的在面板端子指定滴水区的水滴角，进而确定面板端子的清洁度。通过该方法进行检测，需要中断终端屏幕模组工艺，并将部分带有端子的面板从生产线上移出后再放置在专业的设备上，检测耗时长，检测效率低。且检测的过程中只能抽检，无法对生产线上的所有面板进行检测。
有鉴于此，本公开提供一种面板端子清洁度检测方法，能够通过训练后得到的清洁度检测模型，根据采集的面板端子带有水滴的水滴图像，确定面板端子的清洁度。进而在检测时，无需借助额外附加设备便可进行检测，方便快捷，有助于提高检测效率。
图2是根据一示例性实施例示出的一种面板端子清洁度检测方法的流程图，如图2所示，面板端子清洁度检测方法包括以下步骤S11和步骤S12。
在步骤S11中，采集面板端子在指定滴水区域处滴下水滴的水滴图像。
在本公开实施例中，为便于通过滴水法确定面板端子的清洁度，先将水滴滴在面板端子上的指定滴水区域中，并采集该水滴图像，便于清洁度检测模型能够根据水滴图像中的水滴与指定滴水区域之间形成的水滴角，确定面板端子是否清洁。
在一示例中，为便于采集水滴图像，可在面板端子产线侧方设置图像采集装置。通过该图像采集装置，采集面板端子上带有水滴的侧面图像，例如：图1所示的侧面图像。图像采集装置可以包括：CCD相机(charge couple device camera)或者CMOS(ComplementaryMetal-Oxide-Semiconductor)相机，在本公开中不进行限定。在一例中，为便于提高检测准确度，防止图像漏采集或者拍摄图像不清晰等原因导致采集失败，可在面板端子产线侧方设置多个图像采集装置，进而可以根据获取的多张采集的水滴图像中，选择清晰度最佳或者最为合适的水滴图像作为输入至清洁度检测模型的水滴图像。
在另一示例中，为便于提高检测准确度，将滴水滴的针头垂直固定安装在面板端子产线的上方，进而有助于将水滴通过滴水针头准确落在面板端子的指定滴水区域中，得到成型的水滴。在一例中，为便于准确的检测出面板端子的清洁度，避免出现误检测的情况，可以在面板端子产线垂直上方安装多个滴水针头，进而在指定滴水区域中滴落多个水滴，从而便于图像采集装置能够针对同一面板端子获取多张水滴图像，以防止误检测。
在一实施例中场景中，面板端子、滴水滴的针头和图像采集装置的放置位置，可以如图3所示的位置示意图。在面板端子1的指定滴水区域2的垂直上方固定安置滴水滴的针头3，在面板端子1的侧面设置图像采集装置4。进而通过图像采集装置4，能够采集到面板端子1的指定滴水区域2带有滴水滴的针头3滴落水滴的水滴图像。
在步骤S12中，调用预先训练的清洁度检测模型，将水滴图像输入至清洁度检测模型得到面板端子的清洁度检测结果。
在本公开实施例中，通过清洁度检测模型，能够根据输入的水滴图像中水滴落在面板端子上形成的水滴角，确定面板端子的清洁度检测结果。其中，清洁度检测结果包括：清洁合格或清洁不合格。进而有助于快速完成清洁度检测，加快检测速率。且无须将面板端子转移至其他检测设备中进行检测，方便快捷。
通过上述实施例，能够在检测面板端子的清洁度时，无需将面板端子转移至其他设备中，通过采集该面板端子的水滴图像便可以确定清洁度检测结果。进而简化检测过程，加快检测速率，促进清洁度检测的进程。从而有助于对面板端子产线上的所有面板端子进行清洁度检测，实现百分百全检。
在实际应用中，在面板端子产线上，面板端子的清洁度检测可能需要经过多次检测，例如：在面板端子表面未处理前检测、在面板端子经过耐磨若干次实验后检测或者成品进入下一工艺前检测。因此，为便于提高检测的精确度，使得到的检测结果更具有说服力，本公开还提供另一种面板端子清洁度检测方法。
图4是根据一示例性实施例示出的另一种面板端子清洁度检测方法的流程图，如图4所示，面板端子清洁度检测方法包括以下步骤S21至步骤S242。
在步骤S21中，采集面板端子在指定滴水区域处滴下水滴的水滴图像。
在步骤S22中，调用预先训练的清洁度检测模型，将所述水滴图像输入至所述清洁度检测模型得到所述面板端子的清洁度检测结果。
在步骤S23中，获取面板端子的多个清洁度检测结果。
在本公开实施例中，为便于提高面板端子的清洁度检测结果，对该面板端子进行多次清洁度检测，并获取其进行多次清洁度检测的清洁度检测结果，以避免出现误检测的情况。多个清洁度检测结果可以包括：在同一工艺环节中，针对采集的多张水滴图像进行清洁度检测得到的清洁度检测结果。或者在多个环节中，针对分别采集的水滴图像进行清洁度检测得到的清洁度检测结果。进而便于根据获取的多个清洁度检测结果确定最终的清洁度检测结果，从而提升面板端子的清洁度检测的准确度，有利于提升终端屏幕组装整体的合格率。
在步骤S241中，若多个清洁度检测结果中包括有一个或多个检测结果为清洁不合格，则确定面板端子的清洁度检测结果为清洁不合格。
在本公开实施例中，根据获取的多个清洁度检测结果，若出现一个检测结果不合格或者多个检测结果不合格的，则表明该面板端子存在不符合清洁度合格标准的地方，存在误检测的情况。故，将该面板端子的清洁度检测结果确定为清洁不合格，以提高检测结果的准确性，降低误判的可能性。
在步骤S242中，若多个清洁度检测结果中的全部检测结果为清洁合格，则确定面板端子的清洁度检测结果为清洁合格。
在本公开实施例中，根据获取的多个清洁度检测结果，若得到的检测结果全部为清洁合格，则表明该面板端子的清洁度是符合清洁度合格标准的，不存在误检测的情况。故将该面板端子的清洁度检测结果确定为清洁合格。
通过上述实施例，能够基于多次的清洁度检测结果确定该面板端子的清洁度，进而提高检测结果的准确度，降低出现误检测的可能，使检测结果更具有说服力。
本公开实施例以下将对清洁度检测模型的训练过程进行说明。
图5是根据一示例性实施例示出的一种清洁度检测模型的训练方法流程图，如图5所示，清洁度检测模型的训练方法，包括以下步骤S31至步骤S34。
在步骤S31中，在面板端子的指定滴水区域处滴下多个水滴。
在本公开实施例中，在面板端子的指定区域处滴下多滴水滴，进而便于针对同一面板端子获取多个水滴图像，从而便于得到准确的检测结果。
在步骤S32中，针对多个水滴分别采集水滴图像，并通过水滴角测试仪测试多个水滴所对应的水滴角度，基于水滴角度确定面板端子清洁度检测结果。
在本公开实施例中，根据水滴的位置，分别采集各水滴在面板端子上的水滴图像，进而便于在训练清洁度检测模型的过程中，清洁度检测模型能够区分哪种水滴图像符合清洁合格或者哪种水滴图像符合清洁不合格。水滴图像采集完成后，通过水滴角测试仪测量，分别确定各水滴在面板端子上的水滴角度，并确定该水滴角度是否属于指定的清洁合格角度范围，以便确定各水滴图像对应的清洁度检测结果。进而在训练清洁度检测模型的过程中，能够通过带有标记的水滴图像训练清洁度检测模型。若测量的水滴角度属于该指定的清洁合格角度范围，则表示该面板端子清洁度合格。若测量的水滴角度不属于该指定的清洁合格角度范围，则表示该面板端子清洁度不合格。在一实施场景中，指定的清洁合格角度范围为小于或等于20°。若确定的水滴角度小于或等于20°，则该清洁面板的清洁度合格。若确定的水滴角度大于20°，则该清洁面板的清洁度不合格。
在步骤S33中，对采集的多个水滴图像标记清洁度检测结果，得到图像样本。
在本公开实施例中，将通过水滴角测试仪得到的清洁度检测结果分别标记在对应的水滴图像中，进而得到带有标记结果的图像样本，从而在训练清洁度检测模型时，能够根据标记的检测结果训练或者调试清洁度检测模型，得到合格的清洁度检测模型。例如：针对一张水滴图像，该水滴图像中的水滴通过水滴角测试仪进行测量时，确定的水滴角度为15°，指定的清洁合格角度范围为小于或等于20°，则该水滴图像对应的清洁度检测结果为清洁度合格。进而将该水滴图像标记为清洁度合格。
在步骤S34中，基于图像样本训练得到清洁度检测模型。
在本公开实施例中，将带有标记的图像样本输入至清洁度检测模型中，并根据标记的检测结果训练该清洁度检测模型，进而得到训练好的清洁度检测模型。在训练的过程中，是将水滴图像作为清洁度检测模型的输入，将清洁度检测结果作为清洁度检测模型的输出。其中，清洁度检测结果包括：清洁合格或清洁不合格。进而能够得到通过水滴图像便可以确定水滴端子是否清洁度合格的模型，使检测面板端子的清洁度更为方便、快捷。便于在实际应用中，能够针对面板端子线上的面板端子进行实时检测，提高检测效率，进而有助于保障面板端子的清洁效果的同时，有利于后续制程工艺良率的提升。
在一实施例中，为便于训练清洁度检测模型，预先获取具有足够数量的图像样本的训练样本集，进而使得到的清洁度检测模型更成熟，更准确。可以将带有标记的图像样本按照第一比例进行抽取，将一部分划分为训练样本集，另一部分作为测试样本集。在训练时，将训练样本集中的各图像样本输入至卷积神经网络模型中进行训练，调试卷积神经网络中的参数，优化卷积神经网络模型，进而得到初始清洁度检测模型。将测试样本集输入至该初始清洁度检测模型中，将输出的检测结果与实际标注的检测结果进行对比，验证初始清洁度检测模型是否训练完全，是否需要进行调试，从而最终得到合适的、准确度合格、成熟度高的、通过验证的清洁度检测模型。其中，第一比例可以包括：7:3或者8:2，在本公开中不进行限定。
在一示例中，清洁度检测模型可以采用任意一种能够进行图像处理和分类的神经网络模型进行训练，进而能够根据获得的图像样本进行分类，从而确定清洁度检测结果。
在另一示例中，神经网络模型可以采用Alexnet框架，并设置相应的模型参数以及网络层数等。通过使用以Alexnet为框架的神经网络模型，能够基于其使用的线性整流函数(Rectified Linear Unit，ReLU)进行线性修正，进而避免梯度爆炸或者梯度消失，能够保证活跃度分散的同时降低模型整体的计算成本。例如：通过随机失活(dropout)将神经网络中的隐含层的部分权重或输出随机归零，降低节点间的相互依赖性，从而实现神经网络的正则化，避免过拟合的现象，增强泛化能力。
在一实施场景中，基于试产过程中的面板端子产线上的面板端子作为训练清洁度检测模型的训练对象。
如图6所示的另一种清洁度检测模型的训练方法流程图。如图6所示，清洁度检测模型的训练方法，包括以下步骤S41至步骤S46。
在步骤S41中，在面板端子产线垂直上方固定安装滴水针头，在面板端子产线侧方设置CCD相机。
在步骤S42中，采集水滴图像，并基于水滴角测试仪的测量结果标记该水滴图像，得到图像样本。
在步骤S43中，随机抽取70％的图像样本作为训练样本集，将剩余30％的图像样本作为测试样本集。
在步骤S44中，构建以Alexnet为框架的深度神经网络模型，并设置相应网络参数。
在步骤S45中，将训练样本集输入至深度神经网络模型中进行训练以及优化，得到初始清洁度检测模型。
在步骤S46中，将测试样本集输入至初始清洁度检测模型中进行验证，得到最终的清洁度检测模型。
通过上述实施例，能够在实际应用中，实现在面板端子产线上进行线上的实时检测，无需将面板端子转移至其他设备中进行检测，进而简化检测过程，提高检测效率，有利于将实现线上面板端子的百分百全检。从而有助于保证面板端子清洁度的同时，提升后续制程工艺良率，且避免人为干预，防止二次污染。
基于相同的构思，本公开实施例还提供另一种面板端子清洁度检测方法。
图7是根据一示例性实施例示出的另一种面板端子清洁度检测方法的流程图，如图7所示，面板端子清洁度检测方法包括以下步骤S51至步骤S53。
在步骤S51中，采集面板端子在指定滴水区域处滴下水滴的水滴图像。
在步骤S52中，对水滴图像进行图像解析，得到水滴图像的特征参数。
在本公开实施例中，将获取的水滴图像进行图像解析，确定该水滴图像上的水滴形状、水滴所在位置以及水滴与该面板端子形成的水滴角等水滴与面板端子之间的信息，得到该水滴图像的特征参数，以便清洁度检测模型能够根据获取的特征参数确定该面板端子的清洁度状况，从而确定该水滴图像对应的面板端子的清洁度是否合格。例如：根据水滴形状可以确定该水滴在面板端子中形成的状态，进而清洁度检测模型便可以通过该水滴形状对应的特征参数，确定该水滴在该面板端子上形成的水滴角是否满足清洁度合格的条件。
在一实施例中，特征参数可以包括以下任意一种：水滴图像中水滴的截面信息、水滴的形状和水滴的边缘轮廓。其中，水滴的截面信息可以包括：水滴的高度和长度、以及水滴的圆弧状态。获取的特征参数越多，越能清晰地表达水滴图像中所反映的面板端子的清洁度情况，从而使得到的清洁度检测结果更贴近面板端子通过水滴角测试仪得到的清洁度检测结果。
在步骤S53中，根据特征参数，得到面板端子的清洁度检测结果。
在本公开实施例中，根据获取的特征参数，确定该特征参数对应的水滴图像是否符合清洁度合格的要求，进而得到该面板端子的清洁度检测结果。其中，清洁度检测结果包括：清洁度合格或者清洁度不合格。
在一实施例中，可以根据表征多个预设的特征参数和多个预设的面板的清洁度检测结果之间的对应关系，得到特征参数对应的清洁度检测结果。进而在进行清洁度检测时，能够快速区分当前获取的特征参数对应的面板端子的清洁度是否合格，从而提高检测效率。例如：通过特征参数区间与清洁度检测结果之间的对应关系，若得到的特征参数属于该特征参数区间，则表征该特征参数对应的面板端子的清洁度与清洁度合格相对应，进而得到该面板端子的清洁度合格的清洁度检测结果。若得到的特征参数不属于该特征参数区间，则表征该特征参数对应的面板端子的清洁度与清洁度不合格相对应，进而得到该面板清洁度不合格的清洁度检测结果。在一实施场景中，若预设的多个特征参数与面板端子的清洁度检测结果之间的对应关系为：特征参数小于20°的水滴角与清洁度合格相对应。若获取的水滴角为15°，则该水滴角对应的面板端子与清洁度合格相对应。若获取的水滴角为25°，则该水滴角对应的面板端子与清洁度不合格相对应。
在另一实施例中，为保证预设对应关系的可靠性和准确性，可以结合水滴角测试仪进行确定。获取第一面板在指定滴水区域处滴下水滴的水滴图像，并将该水滴图像对应的特征参数作为第一特征参数。通过水滴角测试仪测试该第一面板上的水滴角，进而得到第一面板对应的清洁度检测结果，作为第一清洁度检测结果。从而得到第一特征参数与第一清洁度检测结果之间的对应关系。例如：第一清洁度检测结果为清洁度合格，则第一特征参数与清洁度合格相对应。若第一清洁度检测结果为强度不合格，则第一特征参数与清洁度不合格相对应。从而根据获取的多个面板的特征参数和强度检测结果之间的对应关系，确定预设对应关系。
通过上述实施例，可以基于水滴图像中的特征参数，确定水滴图像对应的面板端子清洁度是否合格，进而无需借助其他辅助仪器，促进检测进程，提高检测效率，从而有助于实现实时检测。
基于相同的构思，本公开实施例还提供一种面板端子清洁度检测装置。
可以理解的是，本公开实施例提供的面板端子清洁度检测装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
图8是根据一示例性实施例示出的一种面板端子清洁度检测装置框图。参照图8，该面板端子清洁度检测装置100包括采集单元101和检测单元102。
采集单元101，用于采集面板端子在指定滴水区域处滴下水滴的水滴图像。
检测单元102，用于调用预先训练的清洁度检测模型，将水滴图像输入至清洁度检测模型得到面板端子的清洁度检测结果。
在一实施例中，面板端子清洁度检测装置还包括：获取单元103，用于获取面板端子的多个清洁度检测结果。若多个清洁度检测结果中包括有一个或多个检测结果为清洁不合格，则确定面板端子的清洁度检测结果为清洁不合格。若多个清洁度检测结果中的全部检测结果为清洁合格，则确定面板端子的清洁度检测结果为清洁合格。
在另一实施例中，所述面板端子清洁度检测装置还包括训练单元，用于：在面板端子的指定滴水区域处滴下多个水滴。针对多个水滴分别采集水滴图像，并通过水滴角测试仪测试多个水滴所对应的水滴角度，基于水滴角度确定面板端子清洁度检测结果。对采集的多个水滴图像标记清洁度检测结果，得到图像样本。基于图像样本训练得到清洁度检测模型，清洁度检测模型的输入为水滴图像。
在又一实施例中，所述训练单元还用：按照第一比例，在图像样本中随机抽取水滴图像作为训练样本集。将训练样本集输入至卷积神经网络模型进行训练优化得到初始清洁度检测模型。将图像样本中除训练样本集以外的其他图像样本作为测试样本集，对初始清洁度检测模型进行验证，得到最终的清洁度检测模型。
在又一实施例中，采集单元101还用于：通过在面板端子产线侧方设置的一个或多个图像采集装置，采集水滴的侧面图像。
在又一实施例中，所述训练单元还用于：通过在面板端子产线垂直上方固定安装的一个或多个滴水针头，在面板端子的指定滴水区域滴下多个水滴。
基于相同的构思，本公开实施例还提供另一种面板端子清洁度检测装置。
图9是根据一示例性实施例示出的另一种面板端子清洁度检测装置框图。参照图9，该面板端子清洁度检测装置200包括图像采集单元201，特征提取单元202和清洁度检测单元203。
图像采集单元201，用于采集面板端子在指定滴水区域处滴下水滴的水滴图像。
特征提取单元202，用于对水滴图像进行图像解析，得到水滴图像的特征参数。
清洁度检测单元203，用于根据特征参数，得到面板端子的清洁度检测结果。
在一实施例中，特征参数包括以下至少之一：水滴图像中水滴的截面信息、水滴的形状和水滴的边缘轮廓。
在另一实施例中，清洁度检测单元203还用于：根据预设对应关系，得到特征参数对应的清洁度检测结果，其中，预设对应关系用于表征多个预设的特征参数和多个预设的面板的清洁度检测结果之间的对应关系。
在又一实施例中，清洁度检测单元203还用于：获取第一面板在指定滴水区域处滴下水滴的水滴图像所对应的第一特征参数。通过水滴角测试仪确定第一面板对应的清洁度检测结果，作为第一清洁度检测结果。建立第一特征参数和第一清洁度检测结果之间的对应关系。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
进一步的，在示例性实施例中，面板端子清洁度检测装置可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。例如，面板端子清洁度检测装置包括：存储器，用于存储指令；以及处理器，用于调用所述存储器存储的指令执行上述任意一种实施例提供的面板端子清洁度检测方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由卷面板端子清洁度检测装置的处理器执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
进一步可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，除非有特殊说明，“连接”包括两者之间不存在其他构件的直接连接，也包括两者之间存在其他元件的间接连接。
进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (22)
1.一种面板端子清洁度检测方法，其特征在于，所述面板端子清洁度检测方法包括：
采集面板端子在指定滴水区域处滴下水滴的水滴图像；
调用预先训练的清洁度检测模型，将所述水滴图像输入至所述清洁度检测模型得到所述面板端子的清洁度检测结果。
2.根据权利要求1所述的面板端子清洁度检测方法，其特征在于，所述面板端子清洁度检测方法还包括：
获取所述面板端子的多个清洁度检测结果；
若所述多个清洁度检测结果中包括有一个或多个检测结果为清洁不合格，则确定所述面板端子的清洁度检测结果为清洁不合格；
若所述多个清洁度检测结果中的全部检测结果为清洁合格，则确定所述面板端子的清洁度检测结果为清洁合格。
3.根据权利要求1所述的面板端子清洁度检测方法，其特征在于，所述清洁度检测模型采用下述方式预先训练得到：
在面板端子的指定滴水区域处滴下多个水滴；
针对所述多个水滴分别采集水滴图像，并通过水滴角测试仪分别测试所述多个水滴所对应的水滴角度，基于所述水滴角度确定面板端子清洁度检测结果；
对采集的多个水滴图像分别标记对应的清洁度检测结果，得到图像样本；
基于所述图像样本训练得到清洁度检测模型，所述清洁度检测模型的输入为水滴图像。
4.根据权利要求3所述的面板端子清洁度检测方法，其特征在于，所述基于所述图像样本训练得到清洁度检测模型，包括：
按照第一比例，在所述图像样本中随机抽取水滴图像作为训练样本集；
将所述训练样本集输入至卷积神经网络模型进行训练得到初始清洁度检测模型；
将所述图像样本中除所述训练样本集以外的其他图像样本作为测试样本集，对所述初始清洁度检测模型进行验证，得到所述清洁度检测模型。
5.根据权利要求1-4中任一项所述的面板端子清洁度检测方法，其特征在于，采集水滴图像，包括：
通过在面板端子产线侧方设置的一个或多个图像采集装置，采集水滴的侧面图像。
6.根据权利要求3或4所述的面板端子清洁度检测方法，其特征在于，所述在面板端子在指定滴水区域处滴下多个水滴，包括：
通过在面板端子产线垂直上方固定安装的一个或多个滴水针头，在所述面板端子的指定滴水区域滴下多个水滴。
7.一种面板端子清洁度检测方法，其特征在于，所述面板端子清洁度检测方法包括：
采集面板端子在指定滴水区域处滴下水滴的水滴图像；
对所述水滴图像进行图像解析，得到所述水滴图像的特征参数；
根据所述特征参数，得到所述面板端子的清洁度检测结果。
8.根据权利要求7所述的面板端子清洁度检测方法，其特征在于，所述特征参数包括以下至少之一：所述水滴图像中水滴的截面信息、所述水滴的形状和所述水滴的边缘轮廓。
9.根据权利要求7或8所述的面板端子清洁度检测方法，其特征在于，所述根据所述特征参数，得到所述面板端子的清洁度检测结果，包括：
根据预设对应关系，得到所述特征参数对应的所述清洁度检测结果，其中，所述预设对应关系用于表征多个预设的特征参数和多个预设的面板的清洁度检测结果之间的对应关系。
10.根据权利要求9所述的面板端子清洁度检测方法，其特征在于，所述多个预设的特征参数包括第一特征参数，所述清洁度检测结果包括第一清洁度检测结果，通过以下方式确定所述预设对应关系：
获取第一面板在指定滴水区域处滴下水滴的水滴图像所对应的第一特征参数；
通过水滴角测试仪确定所述第一面板对应的清洁度检测结果，作为所述第一清洁度检测结果；
建立所述第一特征参数和所述第一清洁度检测结果之间的对应关系。
11.一种面板端子清洁度检测装置，其特征在于，所述面板端子清洁度检测装置包括：
采集单元，用于采集面板端子在指定滴水区域处滴下水滴的水滴图像；
检测单元，用于调用预先训练的清洁度检测模型，将所述水滴图像输入至所述清洁度检测模型得到所述面板端子的清洁度检测结果。
12.根据权利要求11所述的面板端子清洁度检测装置，其特征在于，所述面板端子清洁度检测装置还包括：
获取单元，用于获取所述面板端子的多个清洁度检测结果；
若所述多个清洁度检测结果中包括有一个或多个检测结果为清洁不合格，则确定所述面板端子的清洁度检测结果为清洁不合格；
若所述多个清洁度检测结果中的全部检测结果为清洁合格，则确定所述面板端子的清洁度检测结果为清洁合格。
13.根据权利要求11所述的面板端子清洁度检测装置，其特征在于，所述面板端子清洁度检测装置还包括训练单元，用于：
在面板端子的指定滴水区域处滴下多个水滴；
针对所述多个水滴分别采集水滴图像，并通过水滴角测试仪测试所述多个水滴所对应的水滴角度，基于所述水滴角度确定面板端子清洁度检测结果；
对采集的多个水滴图像标记清洁度检测结果，得到图像样本；
基于所述图像样本训练得到清洁度检测模型，所述清洁度检测模型的输入为水滴图像。
14.根据权利要求13所述的面板端子清洁度检测装置，其特征在于，所述训练单元还用于：
按照第一比例，在所述图像样本中随机抽取水滴图像作为训练样本集；
将所述训练样本集输入至卷积神经网络模型进行训练优化得到初始清洁度检测模型；
将所述图像样本中除所述训练样本集以外的其他图像样本作为测试样本集，对所述初始清洁度检测模型进行验证，得到最终的清洁度检测模型。
15.根据权利要求11-14中任一项所述的面板端子清洁度检测装置，其特征在于，所述采集单元还用于：
通过在面板端子产线侧方设置的一个或多个图像采集装置，采集水滴的侧面图像。
16.根据权利要求13或14所述的面板端子清洁度检测装置，其特征在于，所述训练单元还用于：
通过在面板端子产线垂直上方固定安装的一个或多个滴水针头，在所述面板端子的指定滴水区域滴下多个水滴。
17.一种面板端子清洁度检测装置，其特征在于，所述面板端子清洁度检测装置包括：
图像采集单元，用于采集面板端子在指定滴水区域处滴下水滴的水滴图像；
特征提取单元，用于对所述水滴图像进行图像解析，得到所述水滴图像的特征参数；
清洁度检测单元，用于根据所述特征参数，得到所述面板端子的清洁度检测结果。
18.根据权利要求17所述的面板端子清洁度检测装置，其特征在于，所述特征参数包括以下至少之一：所述水滴图像中水滴的截面信息、所述水滴的形状和者所述水滴的边缘轮廓。
19.根据权利要求17或18所述的面板端子清洁度检测装置，其特征在于，所述清洁度检测单元还用于：
根据预设对应关系，得到所述特征参数对应的所述清洁度检测结果，其中，所述预设对应关系用于表征多个预设的特征参数和多个预设的面板的清洁度检测结果之间的对应关系。
20.根据权利要求19所述的面板端子清洁度检测装置，其特征在于，所述多个预设的特征参数包括第一特征参数，所述清洁度检测结果包括第一清洁度检测结果，所述清洁度检测单元还用于：
获取第一面板在指定滴水区域处滴下水滴的水滴图像所对应的第一特征参数；
通过水滴角测试仪确定所述第一面板对应的清洁度检测结果，作为所述第一清洁度检测结果；
建立所述第一特征参数和所述第一清洁度检测结果之间的对应关系。
21.一种面板端子清洁度检测装置，其特征在于，所述面板端子清洁度检测装置包括：
存储器，用于存储指令；以及
处理器，用于调用所述存储器存储的指令执行如权利要求1-6中任意一项所述的面板端子清洁度检测方法或权利要求7-10中任意一项所述的面板端子清洁度检测方法。
22.一种计算机可读存储介质，其中存储有指令，其特征在于，所述指令被处理器执行时，执行如权利要求1-6中任意一项所述的面板端子清洁度检测方法或权利要求7-10中任意一项所述的面板端子清洁度检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011062665.7A CN114324382A (zh) | 2020-09-30 | 2020-09-30 | 面板端子清洁度检测方法及面板端子清洁度检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011062665.7A CN114324382A (zh) | 2020-09-30 | 2020-09-30 | 面板端子清洁度检测方法及面板端子清洁度检测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114324382A true CN114324382A (zh) | 2022-04-12 |
Family
ID=81031640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011062665.7A Pending CN114324382A (zh) | 2020-09-30 | 2020-09-30 | 面板端子清洁度检测方法及面板端子清洁度检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114324382A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359121A (zh) * | 2022-08-17 | 2022-11-18 | 湖南大学无锡智能控制研究院 | 一种激光雷达遮挡判断与清洗方法及装置 |
| CN116175632A (zh) * | 2023-04-23 | 2023-05-30 | 微网优联科技(成都)有限公司 | 一种pcba板上电检测用抓取装置 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0588383A (ja) * | 1991-09-30 | 1993-04-09 | Mita Ind Co Ltd | ドラムの洗浄度評価方法 |
| US20050170097A1 (en) * | 2004-01-20 | 2005-08-04 | Beauchamp Phillip J. | Method and apparatus for evaluating panel drip tests |
| RU54677U1 (ru) * | 2006-01-10 | 2006-07-10 | Институт систем обработки изображений Российской академии наук (ИСОИ РАН) | Устройство контроля чистоты поверхности подложки |
| JP2006308503A (ja) * | 2005-05-02 | 2006-11-09 | Fujinon Sano Kk | 被測定体の清浄度測定方法 |
| CN1881021A (zh) * | 2005-06-15 | 2006-12-20 | Nec液晶技术株式会社 | 液晶显示面板的制造装置及其制造方法 |
| CN2858078Y (zh) * | 2005-08-03 | 2007-01-17 | 湖南大学 | 多视觉空瓶检测机器人 |
| CN101539502A (zh) * | 2009-04-30 | 2009-09-23 | 清华大学 | 一种固体表面液滴接触角的测量方法及装置 |
| JP2014052752A (ja) * | 2012-09-06 | 2014-03-20 | Canon Inc | 画像表示装置 |
| CN105442297A (zh) * | 2016-01-08 | 2016-03-30 | 南京苏曼等离子科技有限公司 | 智能化大气压下均匀放电低温等离子体织物处理设备及方法 |
| US20160140735A1 (en) * | 2014-11-13 | 2016-05-19 | Sam Houston State University | Portable contact angle measuring kit |
| CN106546601A (zh) * | 2016-10-14 | 2017-03-29 | 南京理工大学 | 基于低秩约束的光伏面板清洁度检测方法 |
| CN107203780A (zh) * | 2017-05-11 | 2017-09-26 | 南京瑞麒凰电子科技有限公司 | 基于深度学习的玻璃清洁度的检测方法及装置 |
| CN208171798U (zh) * | 2018-05-03 | 2018-11-30 | 宜宾腾卓智能科技有限公司 | 一种手机玻璃表面的洁净检验装置 |
| CN108956384A (zh) * | 2018-05-30 | 2018-12-07 | 陕西科技大学 | 一种同步测量液体表面张力系数和接触角的光学方法 |
| CN109752389A (zh) * | 2017-11-07 | 2019-05-14 | 隆基绿能科技股份有限公司 | 片材表面洁净度测量方法 |
| CN109781584A (zh) * | 2019-03-15 | 2019-05-21 | 宁波石墨烯创新中心有限公司 | 流平性检测方法及流平性检测装置 |
| US20190316736A1 (en) * | 2018-04-11 | 2019-10-17 | Airgas, Inc. | Method to evaluate cylinder cleanliness |
| CN110487812A (zh) * | 2019-07-23 | 2019-11-22 | 北京首钢股份有限公司 | 一种对钢包的洁净度进行评判的方法及装置 |
| CN210572024U (zh) * | 2019-07-16 | 2020-05-19 | 北京石墨烯研究院 | 一种评估石墨烯洁净度的装置 |
| US20200232895A1 (en) * | 2019-01-22 | 2020-07-23 | Ford Global Technologies, Llc | Hydrophobic coating characterization |
| CN111627004A (zh) * | 2020-05-25 | 2020-09-04 | 广东智源机器人科技有限公司 | 餐具的清洁度的检测方法、检测设备、存储介质与处理器 |
-
2020
- 2020-09-30 CN CN202011062665.7A patent/CN114324382A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0588383A (ja) * | 1991-09-30 | 1993-04-09 | Mita Ind Co Ltd | ドラムの洗浄度評価方法 |
| US20050170097A1 (en) * | 2004-01-20 | 2005-08-04 | Beauchamp Phillip J. | Method and apparatus for evaluating panel drip tests |
| JP2006308503A (ja) * | 2005-05-02 | 2006-11-09 | Fujinon Sano Kk | 被測定体の清浄度測定方法 |
| CN1881021A (zh) * | 2005-06-15 | 2006-12-20 | Nec液晶技术株式会社 | 液晶显示面板的制造装置及其制造方法 |
| CN2858078Y (zh) * | 2005-08-03 | 2007-01-17 | 湖南大学 | 多视觉空瓶检测机器人 |
| RU54677U1 (ru) * | 2006-01-10 | 2006-07-10 | Институт систем обработки изображений Российской академии наук (ИСОИ РАН) | Устройство контроля чистоты поверхности подложки |
| CN101539502A (zh) * | 2009-04-30 | 2009-09-23 | 清华大学 | 一种固体表面液滴接触角的测量方法及装置 |
| JP2014052752A (ja) * | 2012-09-06 | 2014-03-20 | Canon Inc | 画像表示装置 |
| US20160140735A1 (en) * | 2014-11-13 | 2016-05-19 | Sam Houston State University | Portable contact angle measuring kit |
| CN105442297A (zh) * | 2016-01-08 | 2016-03-30 | 南京苏曼等离子科技有限公司 | 智能化大气压下均匀放电低温等离子体织物处理设备及方法 |
| CN106546601A (zh) * | 2016-10-14 | 2017-03-29 | 南京理工大学 | 基于低秩约束的光伏面板清洁度检测方法 |
| CN107203780A (zh) * | 2017-05-11 | 2017-09-26 | 南京瑞麒凰电子科技有限公司 | 基于深度学习的玻璃清洁度的检测方法及装置 |
| CN109752389A (zh) * | 2017-11-07 | 2019-05-14 | 隆基绿能科技股份有限公司 | 片材表面洁净度测量方法 |
| US20190316736A1 (en) * | 2018-04-11 | 2019-10-17 | Airgas, Inc. | Method to evaluate cylinder cleanliness |
| CN208171798U (zh) * | 2018-05-03 | 2018-11-30 | 宜宾腾卓智能科技有限公司 | 一种手机玻璃表面的洁净检验装置 |
| CN108956384A (zh) * | 2018-05-30 | 2018-12-07 | 陕西科技大学 | 一种同步测量液体表面张力系数和接触角的光学方法 |
| US20200232895A1 (en) * | 2019-01-22 | 2020-07-23 | Ford Global Technologies, Llc | Hydrophobic coating characterization |
| CN109781584A (zh) * | 2019-03-15 | 2019-05-21 | 宁波石墨烯创新中心有限公司 | 流平性检测方法及流平性检测装置 |
| CN210572024U (zh) * | 2019-07-16 | 2020-05-19 | 北京石墨烯研究院 | 一种评估石墨烯洁净度的装置 |
| CN110487812A (zh) * | 2019-07-23 | 2019-11-22 | 北京首钢股份有限公司 | 一种对钢包的洁净度进行评判的方法及装置 |
| CN111627004A (zh) * | 2020-05-25 | 2020-09-04 | 广东智源机器人科技有限公司 | 餐具的清洁度的检测方法、检测设备、存储介质与处理器 |
Non-Patent Citations (4)
| Title |
|---|
| 付贵权;杨永跃;王俊明;: "基于机器视觉的洗涤清洁度判识", 现代显示, no. 1, pages 52 - 54 * |
| 易聪之;吕海兵;赵松楠;晏良宏;袁晓东;: "光学元件表面接触角测量的影响因素分析", 化学工程与装备, no. 08, pages 1 - 3 * |
| 熊艳;贾志海;蔡小舒;: "图像分析法测量液滴接触角", 计测技术, no. 02, pages 9 - 11 * |
| 王晓辉;李军建;杨威;李建祥;: "接触角的图像处理与检测", 光电子技术, no. 01, pages 14 - 19 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359121A (zh) * | 2022-08-17 | 2022-11-18 | 湖南大学无锡智能控制研究院 | 一种激光雷达遮挡判断与清洗方法及装置 |
| CN115359121B (zh) * | 2022-08-17 | 2023-05-12 | 湖南大学无锡智能控制研究院 | 一种激光雷达遮挡判断与清洗方法及装置 |
| CN116175632A (zh) * | 2023-04-23 | 2023-05-30 | 微网优联科技(成都)有限公司 | 一种pcba板上电检测用抓取装置 |
| CN116175632B (zh) * | 2023-04-23 | 2023-07-11 | 微网优联科技(成都)有限公司 | 一种pcba板上电检测用抓取装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10542651B2 (en) | Inspection apparatus and quality control system for surface mounting line | |
| CN102508110B (zh) | 基于纹理的绝缘子缺陷诊断方法 | |
| CN109886298A (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
| CN101103246B (zh) | 自动判别系统 | |
| CN108109137A (zh) | 车辆部件的机器视觉检测系统及方法 | |
| CN104729426B (zh) | 基于机器视觉的角钢自动在线检测系统及方法 | |
| CN101706458A (zh) | 高分辨率印刷电路板自动检测系统及检测方法 | |
| CN104977313A (zh) | 一种焊缝x射线图像缺陷检测与识别方法和装置 | |
| TWI707137B (zh) | 智能產線監測系統及監測方法 | |
| CN114324382A (zh) | 面板端子清洁度检测方法及面板端子清洁度检测装置 | |
| CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
| CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
| WO2024055796A1 (zh) | 一种缺陷检测系统、方法、装置、电子设备及存储介质 | |
| CN106623493A (zh) | 一种钢带冲孔连续加工的检测方法 | |
| CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
| CN206470205U (zh) | 机器视觉焊锡辅助检测系统 | |
| CN117542301A (zh) | 一种显示屏的检测方法及系统 | |
| CN116758060B (zh) | 一种电池片立式花篮视觉检测系统 | |
| CN117686516A (zh) | 基于机器视觉的芯片外观缺陷自动检测系统 | |
| CN105424708B (zh) | 玻璃保险丝管可熔体质量缺陷检测方法 | |
| CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
| CN108335283A (zh) | 一种自动检测分类玻璃缺陷的方法 | |
| CN204630546U (zh) | 一种风电设备紧固件的在线自学习视觉化检测系统 | |
| CN114663341A (zh) | 一种光学镜头眩光缺陷定量检测方法 | |
| CN114565883A (zh) | 一种设备的运行故障用图形识别算法 |
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 |