CN114486916A - 基于机器视觉的手机玻璃盖板缺陷检测方法 - Google Patents
基于机器视觉的手机玻璃盖板缺陷检测方法 Download PDFInfo
- Publication number
- CN114486916A CN114486916A CN202210096653.9A CN202210096653A CN114486916A CN 114486916 A CN114486916 A CN 114486916A CN 202210096653 A CN202210096653 A CN 202210096653A CN 114486916 A CN114486916 A CN 114486916A
- Authority
- CN
- China
- Prior art keywords
- image
- mobile phone
- cover plate
- glass cover
- phone glass
- 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 64
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 239000011521 glass Substances 0.000 title claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000013136 deep learning model Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 36
- 230000010363 phase shift Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 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
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于机器视觉的手机玻璃盖板缺陷检测方法，包括步骤：S1：利用条纹结构光光源和相机采集手机玻璃盖板的样本图像；S2：对所采集的多帧的所述样本图像进行图像融合；S3：对融合后的图像进行阈值分割，获得二值化图像；S4：对阈值分割后的所述二值化图像进行缺陷提取；S5：基于一卷积神经网络训练获得一深度学习模型并利用所述深度学习模型对所述样本图像进行分类。本发明的一种基于机器视觉的手机玻璃盖板缺陷检测方法，以解决现有技术存在的效率低、可用性差、检测精度及检测准确率低等问题。
Description
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种基于机器视觉的手机玻璃盖板缺陷检测方法。
背景技术
手机玻璃盖板是智能手机的最上层部件，并且直接与用户进行接触和信息传输。在其生产和制造的过程中可能会出现各种类型的缺陷情况，针对手机玻璃盖板产品的缺陷检测是手机生产流程中的重要一环。目前手机玻璃盖板的缺陷检测主要采取人工进行肉眼检测的方法，极度缺乏稳定可靠且能够落地应用的自动化检测技术。而现有的机器视觉检测方案，在图像获取技术层面，主要是使用低角度光源、同轴光源等常规的单一视觉光源。在算法设计层面，主要是依靠经典的图像处理算法，如二值化、形态学分析及模板匹配等。
传统的人工视觉检测方法成本较高，完全取决于质检员主观的视觉感受去判断缺陷，检测精度无法量化，工作流程并不稳定可靠，容易出现失误。同时会对工人的视力造成严重影响，而且效率低下。传统的机器视觉检测技术，图像获取系统结构设计单一，不易取得高质量的原始图像，从而难以满足复杂的高精度检测需求。传统的图像处理算法不够灵活，鲁棒性相对较差，容易出现缺陷漏检或分类错误的情况。
发明内容
针对上述现有技术中的不足，本发明提供一种基于机器视觉的手机玻璃盖板缺陷检测方法，以解决现有技术存在的效率低、可用性差、检测精度及检测准确率低等问题。
为了实现上述目的，本发明提供一种基于机器视觉的手机玻璃盖板缺陷检测方法，包括步骤：
S1：利用条纹结构光光源和相机采集手机玻璃盖板的样本图像；
S2：对所采集的多帧的所述样本图像进行图像融合；
S3：对融合后的图像进行阈值分割，获得二值化图像；
S4：对阈值分割后的所述二值化图像进行缺陷提取；
S5：基于一卷积神经网络训练获得一深度学习模型并利用所述深度学习模型对所述样本图像进行分类。
优选地，所述S1步骤进一步包括步骤：
S11：根据实际检测精度需求进行相机和镜头的选型；
S12：根据所述相机的视野将单个目标的所述手机玻璃盖板平均分成M个区域块；
S13：对于每个所述区域块，设定结构光移相或变频N-1次，每次移相或变频时通过所述相机获取一张照片，此时获取的所述照片对应各子区域块；
S14：再将每个所述子区域块的N张照片分别按照P种方式进行融合，每个所述子区域块有P张照片；
S15：每个所述手机玻璃盖板对应得到M×P张照片，将这M×P张照片再进行拼接或直接用于后续的图像预处理及缺陷检测，M、N和P为大于等于1的自然数。
优选地，所述S2步骤中，通过移相迭代法、模板差分法或快速傅里叶变换法对所采集的多帧的所述样本图像进行图像融合。
优选地，所述移相迭代法中：
条纹光栅板中单组黑白条纹的宽度为条纹结构光的一个周期宽度为WT，伺服电机控制下的条纹结构光移相N次刚好完成一个周期的移动，每次移动的距离为DS＝WT/N，移相迭代法的表示公式为：
其中f(i，j)n、f(i，j)n+1分别为第n次和第n+1次移动对应得到的图像位于(i，j)处的像素值，二者最大值保存为结果图像中相应像素的值F(i，j)n；n＞1时将最新的结果图像与下一次移动所得图像之间求得所有像素的最大值，如此迭代至所有图像遍历完成；
取最小值之后的融合图像F(i，j)nmin：
优选地，所述模板差分法包括公式：
其中f(i，j)n和g(i，j)n分别表示条纹结构光第n次移动下采集的检测工件图像和模板图像位于(i，j)处的像素值，二者的差分运算结果为图像中相应像素的值G(i，j)n。
优选地，所述快速傅里叶变换法中：
将条纹结构光背景下的一组周期图像与相对应的模板图像分别通过快速傅里叶变换得到相应的频域图像，二者的公共部分作为背景区域，差异的部分为缺陷部分；将这两张频域图作差得到缺陷区域对应的频域图；差分频谱图仍包含一些周期性的残留背景噪声，在频域内使用一个高通滤波器对频域图像进行滤波，削弱低频的残留条纹背景区域，增强高频缺陷区域的特征；最后再将处理后的差分频域图通过傅里叶逆变换还原到时域状态，得到仅含缺陷部分的图像；将该组图像再次利用所述移相迭代法和所述模板差分法进行融合。
优选地，所述S3步骤中：
基于积分图运算实现图像的局部自适应阈值分割，所述积分图运算包括公式：I(x，y)＝f(x，y)+I(x-1，y)+I(x，y-1)-I(x-1，y-1)；利用所述积分图运算进行局部像素求和的公式为
式中图像积分图内每个点的值I(x，y)对应着原始图像中该点f(x，y)左上角的所有像素灰度值之和；基于积分图的局部阈值分割法表示公式为：
其中f(x，y)为原始图像中像素的灰度值，c表示所选取邻域的像素个数总和，常数t为可调节的参数；当该式成立时，积分图阈值分割将二值化图像对应的像素值置为255，否则置为0。
优选地，所述S4步骤中：
从所述二值化图像中查找闭合轮廓，根据所述闭合轮廓的最小外界矩形面积大小筛选出可能为缺陷的感兴趣区域图像。
优选地，所述S5步骤中：所述卷积神经网络采用Inception-Resnet-V2神经网络。
优选地，所述S5步骤中：
根据检测缺陷类别的任务需求制作相应的数据集，搭建基于所述卷积神经网络的深度学习模型并进行训练；当所述深度学习模型的分类准确率达到所需程度，将经过缺陷提取输出的图像传给所述深度学习模型的输入，所述深度学习模型最后输出该图像属于的缺陷类别。
本发明由于采用了以上技术方案，使其具有以下有益效果：
本发明基于条纹结构光光源，通过条纹结构光光源周期性地移相使得可能存在的缺陷都有机会出现在条纹光的黑白边界处，实现更佳的成像效果，缺陷特征更清晰，同时保留了更多的缺陷图像信息，克服了该领域现有视觉检测技术的漏检问题。通过移相迭代法和模板差分法完成算法的前期处理，结合基于积分图运算的自适应局部阈值分割，进而实现缺陷的提取。通过制作专门的缺陷数据集，使用Inception-Resnet-V2深度学习模型完成缺陷的分类，克服了该领域现有视觉检测技术的缺陷分类准确率较低的问题。
基于条纹结构光光源对表面缺陷的成像优势，通过多帧图像融合技术得以保留和提取更多的缺陷图像特征信息，可以降低漏检率。
通过基于积分图运算的阈值分割算法，可以大大降低图像二值化的算法耗时。在Inteli5处理器下，对于采集的5张尺寸为1000×800的图像，将同为局部自适应阈值分割法的高斯自适应阈值分割算法与本技术方案提出使用的积分图自适应阈值分割法对比运算耗时，如下表所示，可看出效率提升了20倍以上。
相比传统图像处理算法仅依靠人工特征设计，本发明通过采用更加智能化的深度学习模型算法，可以大大提高缺陷的分类准确率。
总体来说，本发明通过比人工检测更加高效高精的机器视觉检测方法，可以大幅提升产线的工作效率，降低成本，同时更能保证检测流程的可靠性。
附图说明
图1为本发明实施例的基于机器视觉的手机玻璃盖板缺陷检测方法的系统结构示意图；
图2为本发明实施例的待检样品区域划分示意图。
具体实施方式
下面根据附图图1和图2，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1和图2本发明实施例的一种基于机器视觉的手机玻璃盖板缺陷检测方法，包括步骤：
步骤一：采集手机玻璃盖板的样本图像。实施例整体硬件系统结构如图1所示，包括相机5、镜头6、待检手机玻璃盖板1、透明载具2、条纹结构光光源3、光源控制器4、图像采集卡7及工业计算机8，相机5采用工业相机。
以单块手机玻璃盖板1视野165mm×78mm和系统最小检测要求精度为10μm为例，将单片手机玻璃盖板1划分为4×2个子区域块，如图2所示。平均每个子区域块视野大小为42mm×42mm，对于其中每个子区域，设置条纹结构光移相9次刚好移动完一个黑白条纹周期，可得到10张条纹结构光背景下的图像。使得可能存在的缺陷有可能出现在黑白条纹的交界处，从而尽可能地保留更多的缺陷信息。
步骤二：对所采集的多帧的样本图像进行图像融合。
移相迭代法对多帧图像进行融合的表示公式为：
模板差分法的运算表示公式为：
将条纹结构光背景下的图像与相对应的模板图像通过快速傅里叶变换得到相应的频域图像。二者的公共部分即相当于背景区域，差异的部分为缺陷部分，缺陷部分在频域中表现为一条倾斜的亮线。将这两张频域结果图作差可得到仅缺陷区域对应的频域图，对差分频谱图进行滤波，实现削弱低频、增强高频的效果，最后再将处理后的差分频域图通过傅里叶逆变换还原到时域状态，得到仅含缺陷部分的图像。
步骤三：对融合后的图像进行阈值分割。
基于积分图的局部自适应阈值分割法表示公式为：
其中f(x，y)为原图像中某像素的灰度值，c表示所选取邻域的像素个数总和，常数t为可调节的参数。当该式成立时，积分图阈值分割将二值化图像对应的像素值置为255，否则置为0。本示例设c＝9，t＝0.6。
步骤四：对阈值分割后的二值化图像进行缺陷提取。
对经过积分图阈值分割后的二值化图像查找轮廓，根据图像中存在的轮廓最小外界矩形面积大小筛选出可能为缺陷的感兴趣区域(ROI)图像。
步骤五：基于Inception-Resnet-V2神经网络训练模型和对缺陷图像分类。
Inception-Resnet-V2神经网络，输入图像尺寸设计为299×299，其后分别接上Stem模块、5个Inception-resnet-A模块、Reduction-A模块、10个Inception-resnet-B模块、Reduction-B模块和5个Inception-resnet-C模块，卷积模块组之后分别是平均池化层、Dropout层和Softmax层，Softmax层的维度即为需要进行分类的类别数，其大小即取决于需检测的手机玻璃盖板1缺陷类别数。以凹凸点、黑点、气泡、划伤、毛刷印、橘纹、崩边以及正常等8种样本类别为例，Softmax层的维度设置为8。每种类别需至少制作500张以上规模数量的训练数据集，对Inception-Resnet-V2模型进行训练，进而得到可用的缺陷分类器。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (10)
1.一种基于机器视觉的手机玻璃盖板缺陷检测方法，包括步骤：
S1：利用条纹结构光光源和相机采集手机玻璃盖板的样本图像；
S2：对所采集的多帧的所述样本图像进行图像融合；
S3：对融合后的图像进行阈值分割，获得二值化图像；
S4：对阈值分割后的所述二值化图像进行缺陷提取；
S5：基于一卷积神经网络训练获得一深度学习模型并利用所述深度学习模型对所述样本图像进行分类。
2.根据权利要求1所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述S1步骤进一步包括步骤：
S11：根据实际检测精度需求进行所述相机和镜头的选型；
S12：根据所述相机的视野将单个目标的所述手机玻璃盖板平均分成M个区域块；
S13：对于每个所述区域块，设定结构光移相或变频N-1次，每次移相或变频时通过所述相机获取一张照片，此时获取的所述照片对应各子区域块；
S14：再将每个所述子区域块的N张照片分别按照P种方式进行融合，每个所述子区域块有P张照片；
S15：每个所述手机玻璃盖板对应得到M×P张照片，将这M×P张照片再进行拼接或直接用于后续的图像预处理及缺陷检测，M、N和P为大于等于1的自然数。
3.根据权利要求1所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述S2步骤中，通过移相迭代法、模板差分法或快速傅里叶变换法对所采集的多帧的所述样本图像进行图像融合。
4.根据权利要求3所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述移相迭代法中：
条纹光栅板中单组黑白条纹的宽度为条纹结构光的一个周期宽度为WT，伺服电机控制下的条纹结构光移相N次刚好完成一个周期的移动，每次移动的距离为DS＝WT/N，移相迭代法的表示公式为：
其中f(i，j)n、f(i，j)n+1分别为第n次和第n+1次移动对应得到的图像位于(i，j)处的像素值，二者最大值保存为结果图像中相应像素的值F(i，j)n；n＞1时将最新的结果图像与下一次移动所得图像之间求得所有像素的最大值，如此迭代至所有图像遍历完成；
取最小值之后的融合图像F(i，j)nmin：
5.根据权利要求3所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述模板差分法包括公式：
其中f(i，j)n和g(i，j)n分别表示条纹结构光第n次移动下采集的检测工件图像和模板图像位于(i，j)处的像素值，二者的差分运算结果为图像中相应像素的值G(i，j)n。
6.根据权利要求3所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述快速傅里叶变换法中：
将条纹结构光背景下的一组周期图像与相对应的模板图像分别通过快速傅里叶变换得到相应的频域图像，二者的公共部分作为背景区域，差异的部分为缺陷部分；将这两张频域图作差得到缺陷区域对应的频域图；差分频谱图仍包含一些周期性的残留背景噪声，在频域内使用一个高通滤波器对频域图像进行滤波，削弱低频的残留条纹背景区域，增强高频缺陷区域的特征；最后再将处理后的差分频域图通过傅里叶逆变换还原到时域状态，得到仅含缺陷部分的图像；将该组图像再次利用所述移相迭代法和所述模板差分法进行融合。
7.根据权利要求1所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述S3步骤中：
基于积分图运算实现图像的局部自适应阈值分割，所述积分图运算包括公式：I(x，y)＝f(x，y)+I(x-1，y)+I(x，y-1)-I(x-1，y-1)；利用所述积分图运算进行局部像素求和的公式为
式中图像积分图内每个点的值I(x，y)对应着原始图像中该点f(x，y)左上角的所有像素灰度值之和；基于积分图的局部阈值分割法表示公式为：
其中f(x，y)为原始图像中像素的灰度值，c表示所选取邻域的像素个数总和，常数t为可调节的参数；当该式成立时，积分图阈值分割将二值化图像对应的像素值置为255，否则置为0。
8.根据权利要求1所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述S4步骤中：
从所述二值化图像中查找闭合轮廓，根据所述闭合轮廓的最小外界矩形面积大小筛选出可能为缺陷的感兴趣区域图像。
9.根据权利要求1所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述S5步骤中：所述卷积神经网络采用Inception-Resnet-V2神经网络。
10.根据权利要求9所述的基于机器视觉的手机玻璃盖板缺陷检测方法，其特征在于，所述S5步骤中：
根据检测缺陷类别的任务需求制作相应的数据集，搭建基于所述卷积神经网络的深度学习模型并进行训练；当所述深度学习模型的分类准确率达到所需程度，将经过缺陷提取输出的图像传给所述深度学习模型的输入，所述深度学习模型最后输出该图像属于的缺陷类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210096653.9A CN114486916A (zh) | 2022-01-26 | 2022-01-26 | 基于机器视觉的手机玻璃盖板缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210096653.9A CN114486916A (zh) | 2022-01-26 | 2022-01-26 | 基于机器视觉的手机玻璃盖板缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114486916A true CN114486916A (zh) | 2022-05-13 |
Family
ID=81475802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210096653.9A Pending CN114486916A (zh) | 2022-01-26 | 2022-01-26 | 基于机器视觉的手机玻璃盖板缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114486916A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116778263A (zh) * | 2023-08-22 | 2023-09-19 | 四川坤鸿电子科技有限公司 | 分拣设备控制方法、电子设备和计算机可读介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0886633A (ja) * | 1994-09-14 | 1996-04-02 | Nissan Motor Co Ltd | 表面欠陥検査装置 |
| JP2005283197A (ja) * | 2004-03-29 | 2005-10-13 | Seiko Epson Corp | 画面のスジ欠陥検出方法及び装置 |
| US20100290694A1 (en) * | 2007-04-13 | 2010-11-18 | Dubois Frederic | Method and Apparatus for Detecting Defects in Optical Components |
| JP2015001406A (ja) * | 2013-06-13 | 2015-01-05 | 富士通株式会社 | 表面検査方法、表面検査装置、および表面検査プログラム |
| JP2015206701A (ja) * | 2014-04-22 | 2015-11-19 | キヤノン株式会社 | 光学検査方法、光学検査装置、および光学部材の製造方法 |
| CN109507198A (zh) * | 2018-12-14 | 2019-03-22 | 航天科工智能机器人有限责任公司 | 基于快速傅里叶变换和线性高斯的口罩检测系统及方法 |
| CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
| CN111693549A (zh) * | 2020-05-14 | 2020-09-22 | 西安电子科技大学 | 一种手机盖板玻璃缺陷检测与分类方法 |
| CN113487569A (zh) * | 2021-07-06 | 2021-10-08 | 东南大学 | 基于频域和空域结合的复杂背景图像缺陷检测方法及系统 |
-
2022
- 2022-01-26 CN CN202210096653.9A patent/CN114486916A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0886633A (ja) * | 1994-09-14 | 1996-04-02 | Nissan Motor Co Ltd | 表面欠陥検査装置 |
| JP2005283197A (ja) * | 2004-03-29 | 2005-10-13 | Seiko Epson Corp | 画面のスジ欠陥検出方法及び装置 |
| US20100290694A1 (en) * | 2007-04-13 | 2010-11-18 | Dubois Frederic | Method and Apparatus for Detecting Defects in Optical Components |
| JP2015001406A (ja) * | 2013-06-13 | 2015-01-05 | 富士通株式会社 | 表面検査方法、表面検査装置、および表面検査プログラム |
| JP2015206701A (ja) * | 2014-04-22 | 2015-11-19 | キヤノン株式会社 | 光学検査方法、光学検査装置、および光学部材の製造方法 |
| CN109507198A (zh) * | 2018-12-14 | 2019-03-22 | 航天科工智能机器人有限责任公司 | 基于快速傅里叶变换和线性高斯的口罩检测系统及方法 |
| CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
| CN111693549A (zh) * | 2020-05-14 | 2020-09-22 | 西安电子科技大学 | 一种手机盖板玻璃缺陷检测与分类方法 |
| CN113487569A (zh) * | 2021-07-06 | 2021-10-08 | 东南大学 | 基于频域和空域结合的复杂背景图像缺陷检测方法及系统 |
Non-Patent Citations (11)
| Title |
|---|
| 刘志鹏 等: "基于机器视觉的BGA焊盘缺陷检测", 北京信息科技大学学报, vol. 31, no. 6 * |
| 卢荣胜;吴昂;张腾达;王永红;: "自动光学(视觉)检测技术及其在缺陷检测中的应用综述", 光学学报, no. 08 * |
| 吴闯 等: "基于轮廓修补和的手机玻璃盖板表面缺陷检测", 软件工程, vol. 23, no. 7 * |
| 吴闯;于大泳;: "基于轮廓修补和图像差分的手机玻璃盖板表面缺陷检测", 软件工程, no. 07 * |
| 孙灿;邓小颖;李扬;朱金荣;: "基于改进Inception-ResNet-v2的PCB缺陷检测", 信息技术, no. 09 * |
| 彭赶;张平;潘奕创;: "基于机器视觉的手机屏幕缺陷检测系统研究", 自动化技术与应用, no. 09 * |
| 李长有;刘遵;李帅涛;: "小型平板玻璃表面缺陷检测系统", 计算机应用, no. 2 * |
| 柳锋;李俊峰;戴文战;: "基于深度学习语义分割的导光板缺陷检测方法", 计算机系统应用, no. 06 * |
| 简川霞 等: "手机玻璃屏表面缺陷视觉检测方法研究", 包装工程, vol. 39, no. 5 * |
| 董蓉 等: "应用积分图的织物瑕疵检测快速算法", 纺织学报, vol. 37, no. 11, pages 141 - 147 * |
| 高如新;任晓朵;吴献;魏爱权;: "基于图像处理的手机屏幕缺陷检测系统研究", 测控技术, no. 04 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116778263A (zh) * | 2023-08-22 | 2023-09-19 | 四川坤鸿电子科技有限公司 | 分拣设备控制方法、电子设备和计算机可读介质 |
| CN116778263B (zh) * | 2023-08-22 | 2023-11-14 | 四川坤鸿电子科技有限公司 | 分拣设备控制方法、电子设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
| CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
| CN111429403B (zh) | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 | |
| CN109801286B (zh) | 一种lcd导光板的表面缺陷检测方法 | |
| CN113505865B (zh) | 一种基于卷积神经网络的片材表面缺陷图像识别处理方法 | |
| CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
| CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN111523540A (zh) | 基于深度学习的金属表面缺陷检测方法 | |
| CN112396575A (zh) | 基于影像的分类系统 | |
| CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
| CN107895371B (zh) | 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
| CN116071327A (zh) | 一种基于深度神经网络的工件缺陷检测方法 | |
| CN115439456A (zh) | 一种病理图像中对象检测识别方法及装置 | |
| CN114486916A (zh) | 基于机器视觉的手机玻璃盖板缺陷检测方法 | |
| CN116681879B (zh) | 一种光学图像边界层转捩位置的智能判读方法 | |
| CN113298857A (zh) | 一种基于神经网络融合策略的轴承缺陷检测方法 | |
| CN112750113A (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
| CN116485787A (zh) | 一种数据线成型外模外观缺陷检测方法 | |
| CN116385293A (zh) | 基于卷积神经网络的雾天自适应目标检测方法 | |
| CN115393290A (zh) | 边缘缺陷检测方法、装置及设备 | |
| CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及系统 | |
| CN112734742B (zh) | 用于提高工业质检准确率的方法和系统 |
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 |