CN115063618A - 一种基于模板匹配的缺陷定位方法、系统、设备及介质 - Google Patents
一种基于模板匹配的缺陷定位方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115063618A CN115063618A CN202210984441.4A CN202210984441A CN115063618A CN 115063618 A CN115063618 A CN 115063618A CN 202210984441 A CN202210984441 A CN 202210984441A CN 115063618 A CN115063618 A CN 115063618A
- Authority
- CN
- China
- Prior art keywords
- template
- matching
- picture
- defect
- bbox
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 claims description 29
- 238000002372 labelling Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000000873 masking effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于模板匹配的缺陷定位方法、系统、设备及介质,涉及缺陷定位技术领域,所述方法首先基于面板图片获取目标框Bbox;然后基于面板图片获取匹配模板T;然后对匹配模板T上的线路进行掩膜处理,得到掩膜模板m;然后基于面板图片获取若干候选框I,基于匹配模板T对候选框I进行相似度匹配;最后基于掩膜模板m获取候选框I上线路与目标框Bbox的相交位置。本发明基于目标检测将面板图片上存在的缺陷检测出来并获取目标框Bbox,并且基于图像处理技术进行模板匹配,识别到面板图片中的各种线路区域,然后计算目标框Bbox与各种线路区域的交集即可判断缺陷落在哪种线路背景上,便于后续进行缺陷等级判定。
Description
技术领域
本发明涉及缺陷定位技术领域,具体而言,涉及一种基于模板匹配的缺陷定位方法、系统、设备及介质。
背景技术
面板加工工厂在生产面板过程中会产生很多缺陷,然而整个面板的生产工艺流程复杂、生产周期长,从基板到生产加工完毕常常需要较长的时间,因此在每个工艺段产生的缺陷都需要时刻监控,避免缺陷流入下一道制程造成良率的降低。缺陷检测过程需要检测出缺陷并判断缺陷类型,传统的缺陷检测依赖人工判图,人工成本高,并且由于人工的主观性和疲惫工作状态,导致判图准确率不高。
目前很多面板生产厂商引入了智能化缺陷检测系统,用于替代人工检测,这些系统通常基于深度学习的目标检测算法,能够对历史的缺陷样本进行学习,建立缺陷目标检测模型,最终实现对生产的面板进行实时检测,及时发现面板生产过程中出现的缺陷。但是这样的方法一般只能将面板的缺陷检出,而面板生产过程中常常需要判断缺陷落在什么样的背景上,落在不同的背景上需要判定不同的缺陷严重等级,从而指导后续面板返修,因此,由于现有的缺陷检测系统只能进行缺陷检测,不能进行缺陷背景定位,无法满足面板加工需求。
发明内容
为了解决现有的缺陷检测系统只能对面板图片进行缺陷检测,不能进行缺陷背景定位的问题,本发明实施例提供了一种基于模板匹配的缺陷定位方法、系统、设备及介质。
在第一方面,本发明实施例中提供一种基于模板匹配的缺陷定位方法,所述方法包括以下步骤:
基于面板图片获取目标框Bbox,所述目标框Bbox包含缺陷的位置坐标信息;
基于面板图片获取匹配模板T,所述匹配模板T包含线路的周期性元素信息;
对匹配模板T上的线路进行掩膜处理,得到掩膜模板m;
基于面板图片获取若干候选框I,并且基于匹配模板T对候选框I进行相似度匹配,筛选出部分候选框I;
基于掩膜模板m获取所述筛选后的候选框I上的线路,获取该线路与目标框Bbox的相交位置,所述相交位置即为缺陷的背景位置。
于上述实施例中,本发明基于目标检测将面板图片上存在的缺陷检测出来并获取目标框Bbox,并且基于图像处理技术进行模板匹配,识别到面板图片中的各种线路区域,然后计算目标框Bbox与各种线路区域的交集即可判断缺陷落在哪种线路背景上。
作为本申请一些可选实施方式,为了快速定位目标框Bbox的位置信息,所述目标框Bbox的坐标表示为:Bbox=[x1,y1,x2,y2];
其中,(x1,y1)为目标框Bbox的左下角点坐标,(x2,y2)为目标框Bbox的右上角点坐标。
作为本申请一些可选实施方式,为了降低模板匹配维护成本和模板匹配时间,需要将匹配模板T设置为单通道图,具体的,获取匹配模板T的流程如下:
对面板图片进行图像轮廓识别处理、图像截取处理,得到初始模板;
对初始模板进行二值化处理、边缘轮廓提取处理,得到匹配模板T。
作为本申请一些可选实施方式,为了区分匹配模板T上不同的线路,具体的,获取掩膜模板m的流程如下:
对匹配模板T中不同的线路分别进行多边形标注,得到若干不同的多边形标注区域;
设置一个与匹配模板T尺寸相同的黑色背景图M0,并且在黑色背景图M0上对应不同的多边形标注区域填充不同的像素值P1、P2至Pn,得到掩膜模板m。
作为本申请一些可选实施方式,为了快速进行初步定位,需要获取若干候选框I,具体地,获取若干候选框I的流程如下:
对面板图片进行边缘轮廓提取处理,并且获取面板图片的左下角像素点;
将面板图片的左下角像素点作为左下角点坐标,以左下角坐标为参照点获取一个与匹配模板T尺寸相同的候选框I,其中,匹配模板T的宽度为w,高度为h;
将候选框I依次向右/向上平移一个像素,获取若干候选框I。
作为本申请一些可选实施方式,对候选框I进行相似度匹配的流程如下:
依次计算若干候选框I与匹配模板T的相似度R(x,y),所述候选框I的坐标表示为:I=[x,y,x+w,y+h];
其中,(x,y)为候选框I的左下角点坐标,(x+w,y+h)为候选框I的右上角点坐标;
如果相似度R(x,y)大于匹配度阈值t,则对应的候选框I与匹配模板T匹配,其中,匹配度阈值t为预设值。
作为本申请一些可选实施方式,为了快速进行缺陷背景定位,基于图像处理技术进行模板匹配,获取线路与目标框Bbox的相交位置,具体地,获取线路与目标框Bbox的相交位置的流程如下:
设置一个与面板图片尺寸相同的黑色背景图M1,在黑色背景图M1上使用掩膜模板m替代匹配的候选框I;
设置一个与面板图片尺寸相同的黑色背景图M2,在黑色背景图M2对应目标框Bbox的区域填充像素值P,其中,像素值P依次与不同线路的像素值P1、P2至Pn相同;
将黑色背景图M1的像素值除以多边形标注区域的像素值;
将黑色背景图M2的像素值除以多边形标注区域的像素值;
将经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M3;选取图片M3中像素值为2的位置为线路与目标框Bbox的相交位置。
与此同时,获取线路与目标框Bbox的相交位置,还可以采用以下流程:
设置一个与面板图片尺寸相同的黑色背景图M1,在黑色背景图M1上使用掩膜模板m替代匹配的候选框I;
设置一个与面板图片尺寸相同的黑色背景图M2,在黑色背景图M2对应目标框Bbox的区域填充像素值P,其中,像素值P依次与不同线路的像素值P1、P2至Pn相同;
将黑色背景图M1的像素值减去多边形标注区域的像素值;
将黑色背景图M2的像素值减去多边形标注区域的像素值;
将经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M4;选取图片M4中像素值为0的位置为线路与目标框Bbox的相交位置。
在第二方面,本发明提供一种基于模板匹配的缺陷定位系统,所述系统包括:
缺陷获取单元,所述缺陷检测单元基于面板图片获取目标框Bbox,所述目标框Bbox包含缺陷的位置坐标信息;
模板获取单元,所述模板获取单元基于面板图片获取匹配模板T,所述匹配模板T包含线路的周期性元素信息;
掩膜处理单元,所述掩膜处理单元对匹配模板T上的线路进行掩膜处理,得到掩膜模板m;
相似度匹配单元,所述相似度匹配单元基于面板图片获取若干候选框I,并且基于匹配模板T对候选框I进行相似度匹配,筛选出部分候选框I;
缺陷背景位置定位单元,所述缺陷背景位置定位单元基于掩膜模板m获取所述筛选后的候选框I上的线路,获取该线路与目标框Bbox的相交位置,所述相交位置即为缺陷的背景位置。
在第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于模板匹配的缺陷定位方法。
在第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于模板匹配的缺陷定位方法。
本发明的有益效果如下:本发明基于目标检测将面板图片上存在的缺陷检测出来并获取目标框Bbox,并且基于图像处理技术进行模板匹配,识别到面板图片中的各种线路区域,然后计算目标框Bbox与各种线路区域的交集即可判断缺陷落在哪种线路背景上,便于后续进行缺陷等级判定。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明所述基于模板匹配的缺陷定位方法的步骤图。
图2是本发明所述面板图片示例图。
图3是本发明从图2中截取初始模板的示例图。
图4是本发明对图3中初始模板进行二值化处理得到匹配模板T的示例图。
图5是本发明对图3中初始模板进行多边形标注处理得到多边形标注的示例图。
图6是本发明对图5中多边形标注进行掩膜处理得到掩膜模板m的示例图。
图7是本发明所述缺陷对应目标框Bbox的示意图。
图8是本发明对图7中缺陷进行线路相交定位的示例图。
图9是本发明所述基于模板匹配的缺陷定位系统的框图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
同样应当理解的是,为了简化本发明揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
实施例1
本发明提供一种基于模板匹配的缺陷定位方法,请参阅图1,为基于模板匹配的缺陷定位方法的步骤图,所述方法包括以下步骤:
(1)基于面板图片获取目标框Bbox,所述目标框Bbox包含缺陷的位置坐标信息;
(2)基于面板图片获取匹配模板T,所述匹配模板T包含不同线路的周期性元素信息;
(3)对匹配模板T上不同的线路分别进行掩膜处理,得到掩膜模板m;
(4)基于面板图片获取若干候选框I,并且基于匹配模板T对候选框I进行相似度匹配,筛选出部分候选框I;
(5)基于掩膜模板m获取所述筛选后的候选框I上的线路,获取该线路与目标框Bbox的相交位置,所述相交位置即为缺陷的背景位置。
于本发明实施例中,所述步骤(1)和步骤(3)中涉及到的面板图片为同一张待检测的存在缺陷的面板图片,所述步骤(2)中涉及到的面板图片为一张不存在缺陷的面板图片或者为步骤(1)和步骤(3)中涉及到的面板图片,优选地,所述步骤(2)中涉及到的面板图片为一张不存在缺陷的面板图片。
于本发明实施例中,步骤(1)为了快速定位目标框Bbox的位置信息,所述目标框Bbox包括左下角点坐标(x1,y1)和右上角点坐标(x2,y2),通过两个角点可以唯一确定一个矩形框;其中,目标框Bbox的位置信息为:Bbox=[x1,y1,x2,y2],请参阅图7,为缺陷对应目标框Bbox的示意图。
此外,所述目标框Bbox还可以分别包括左上角点坐标(x3,y3)和右下角点坐标位(x4,y4),通过两个角点可以唯一确定一个矩形框;其中,缺陷对应的目标框Bbox的位置信息为:Bbox=[x3,y3,x4,y4];所述目标框Bbox还可以分别包括圆心信息(centerx1,centery1)和圆半径信息r1,通过圆心和半径可以唯一确定一个圆形框。
于本发明实施例中,模板匹配通常使用灰度图作为匹配对象,即匹配模板T为灰度图,但是面板工厂由于拍照机台的调试,同种产品的图片常常存在多种颜色的图片,因此在灰度值上会有较大差异,如果采用灰度图做匹配,每种颜色需要维护一个模板,维护成本太高,并且模板匹配时匹配时间成本更高,因此需要将初始模板从三通道的彩色图转换为单通道图,并且使用多级边缘检测算法(canny算法)提取图像中的边缘轮廓得到最终的匹配模板T。
具体的,步骤(2)获取匹配模板T的流程如下:
(1.1)对面板图片进行图像轮廓识别处理、图像截取处理,得到初始模板,请参阅图2,为面板图片示例图,请参阅图3,为从图2中截取初始模板的示例图;
(1.2)对初始模板进行二值化处理、边缘轮廓提取处理,得到匹配模板T,请参阅图4,为对图3中初始模板进行二值化处理得到匹配模板T的示例图;
于本发明实施例中,步骤(3)获取掩膜模板m的流程如下:
(2.1)对匹配模板T中不同的线路分别进行多边形标注,得到若干不同的多边形标注区域;
(2.2)设置一个与匹配模板T尺寸相同的黑色背景图M0,并且在黑色背景图M0上对应不同的多边形标注区域填充不同的像素值P1、P2至Pn,得到掩膜模板m。
即对匹配模板T中不同的线路构造一个掩膜,用于区分不同线路,请参阅图5,为对图3中初始模板进行多边形标注处理得到多边形标注的示例图,对图中两种线路line1和line2分别用两种多边形标注,记作points1和points2,然后以一个和匹配模板T相同尺寸的像素值为0的黑色背景图作为黑色背景图M0,将黑色背景图M0上points1和points2对应的多边形内以不同的像素值填充,例如points1填充255像素值,points2 填充200像素值,即可得到能区分两种线路的掩膜模板m,请参阅图6,为对图5中多边形标注进行掩膜处理得到掩膜模板m的示例图。
于本发明实施例中,步骤(4)获取若干候选框I的流程如下:
(3.1)对面板图片进行边缘轮廓提取处理,并且获取面板图片的左下角像素点;
(3.2)将面板图片的左下角像素点作为左下角点坐标,获取一个与匹配模板T尺寸相同的候选框I,其中,匹配模板T的宽度为w,高度为h;
(3.2)将候选框I依次向右/向上平移一个像素,获取若干候选框I。
于本发明实施例中,步骤(4)对候选框I进行相似度匹配的流程如下:
(4.1)依次计算若干候选框I与匹配模板T的相似度R(x,y),其中,候选框I的坐标表示为:I=[x,y,x+w,y+h];
其中,(x,y)为候选框I的左下角点坐标,(x+w,y+h)为候选框I的右上角点坐标,相似度R(x,y)的取值范围再0~1之间,并且匹配度越高相似度R(x,y)越接近1;
(4.2)如果相似度R(x,y)大于匹配度阈值t,则对应的候选框I与匹配模板T匹配,其中,匹配度阈值t为预设值,因此可以获取多张与匹配模板T近似的候选框I。
于本发明实施例中,所述相似度R(x,y)可以采用余弦相似度计算方法、哈希计算方法、直方图计算方法以及皮尔逊相关系数计算方法等,优选地,所述相似度R(x,y)采用皮尔逊相关系数计算方法获取。
于本发明实施例中,步骤(5)获取候选框I上的线路与目标框Bbox的相交位置的流程如下:
(5.1)设置一个与面板图片尺寸相同的黑色背景图M1,在黑色背景图M1上使用掩膜模板m替代匹配的候选框I;
(5.2)设置一个与面板图片尺寸相同的黑色背景图M2,在黑色背景图M2对应目标框Bbox的区域填充像素值P,其中,像素值P依次与不同线路的像素值P1、P2至Pn相同;
(5.3)将黑色背景图M1的像素值除以多边形标注区域的像素值;
(5.4)将黑色背景图M2的像素值除以多边形标注区域的像素值;
(5.5)将经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M3;选取图片M3中像素值为2的位置为线路与目标框Bbox的相交位置。
请参阅图8,为对图7中缺陷进行线路相交定位的示例图,即当缺陷与线路存在相交时,此时判断缺陷与哪种线路相交时,将黑色背景图M1与黑色背景图M2中像素值减去255或者200(即points1填充的255像素值,points2 填充的200像素值),此时线路区域与目标框Bbox的区域像素取值均为0,即黑色背景图M1与黑色背景图M2对应像素值叠加,得到图片M3,若M3=M1+M2中存在取值为0的像素,则此位置即为缺陷与线路相交的位置,所述线路为对应像素值为255或者像素值为200的线路。
例如,当判断缺陷是否与线路line1相交时(线路line1进行掩膜处理时填充的像素值位255),黑色背景图M2对应目标框Bbox的区域预先填充的像素值P为255;将黑色背景图M1的像素值除以像素值255,同时也将黑色背景图M2的像素值除以像素值255,然后经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M3;如果图片M3中存在像素值为2的位置,则对应的位置即线路line1与缺陷的相交位置。
同理,当判断缺陷是否与线路line2相交时(线路line2进行掩膜处理时填充的像素值位200),黑色背景图M2对应目标框Bbox的区域预先填充的像素值P为200;则将黑色背景图M1的像素值除以像素值200,同时也将黑色背景图M2的像素值除以像素值200,然后经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M3;如果图片M3中存在像素值为2的位置,则对应的位置即线路line2与缺陷的相交位置。
于本发明实施例中,目标框Bbox可以通过智能化缺陷检测系统获取,所述智能化缺陷检测系统可以为ADC(Automatic Defect Classification,自动缺陷分类)系统,其中,所述ADC系统采用深度学习算法Faster R-CNN建立相应的识别模型,进行图像检测识别。
实施例2
本发明提供一种基于模板匹配的缺陷定位方法,本发明提供一种基于模板匹配的缺陷定位方法,请参阅图1,所述方法包括以下步骤:
(1)基于面板图片获取目标框Bbox,所述目标框Bbox包含缺陷的位置坐标信息;
(2)基于面板图片获取匹配模板T,所述匹配模板T包含线路的周期性元素信息;
(3)对匹配模板T上的线路进行掩膜处理,得到掩膜模板m;
(4)基于面板图片获取若干候选框I,并且基于匹配模板T对候选框I进行相似度匹配,筛选出部分候选框I;
(5)基于掩膜模板m获取所述筛选后的候选框I上的线路,获取该线路与目标框Bbox的相交位置,所述相交位置即为缺陷的背景位置。
于本发明实施例中,所述步骤(1)和步骤(3)中涉及到的面板图片为同一张待检测的存在缺陷的面板图片,所述步骤(2)中涉及到的面板图片为一张不存在缺陷的面板图片或者为步骤(1)和步骤(3)中涉及到的面板图片,优选地,所述步骤(2)中涉及到的面板图片为一张不存在缺陷的面板图片。
于本发明实施例中,步骤(1)为了快速定位目标框Bbox的位置信息,所述目标框Bbox包括左下角点坐标(x1,y1)和右上角点坐标(x2,y2),通过两个角点可以唯一确定一个矩形框;其中,目标框Bbox的位置信息为:Bbox=[x1,y1,x2,y2],请参阅图7,为在面板图片中获取目标框Bbox的示例图。
此外,所述目标框Bbox还可以分别包括左上角点坐标(x3,y3)和右下角点坐标位(x4,y4),通过两个角点可以唯一确定一个矩形框;其中,缺陷对应的目标框Bbox的位置信息为:Bbox=[x3,y3,x4,y4];所述目标框Bbox还可以分别包括圆心信息(centerx1,centery1)和圆半径信息r1,通过圆心和半径可以唯一确定一个圆形框。
于本发明实施例中,模板匹配通常使用灰度图作为匹配对象,即匹配模板T为灰度图,但是面板工厂由于拍照机台的调试,同种产品的图片常常存在多种颜色的图片,因此在灰度值上会有较大差异,如果采用灰度图做匹配,每种颜色需要维护一个模板,维护成本太高,并且模板匹配时匹配时间成本更高,因此需要将初始模板从三通道的彩色图转换为单通道的灰度图,并且使用多级边缘检测算法(canny算法)提取图像中的边缘轮廓得到最终的匹配模板T。
具体的,步骤(2)获取匹配模板T的流程如下:
(1.1)对面板图片进行图像轮廓识别处理、图像截取处理,得到初始模板,请参阅图2,为在面板图片中获取初始模板,请参阅图3,为初始模板的示例图;
(1.2)对初始模板进行二值化处理、边缘轮廓提取处理,得到匹配模板T,请参阅图4,为单通道的匹配模板T的示例图;
于本发明实施例中,步骤(3)获取掩膜模板m的流程如下:
(2.1)对匹配模板T中不同的线路分别进行多边形标注,得到若干不同的多边形标注区域;
(2.2)设置一个与匹配模板T尺寸相同的黑色背景图M0,并且在黑色背景图M0上对应不同的多边形标注区域填充不同的像素值P1、P2至Pn,得到掩膜模板m。
即对匹配模板T中不同的线路构造一个掩膜,用于区分不同线路,请参阅图5,为在匹配模板T或者初始模板上进行多边形标注的示例图,对图中两种线路line1和line2分别用两种多边形标注,记作points1和points2,然后以一个和匹配模板T相同尺寸的像素值为0的黑色背景图作为黑色背景图M0,将黑色背景图M0上points1和points2对应的多边形内以不同的像素值填充,例如points1填充255像素值,points2 填充200像素值,即可得到能区分两种线路的掩膜模板m,请参阅图6,为掩膜模板m的示例图。
于本发明实施例中,步骤(4)获取若干候选框I的流程如下:
(3.1)对面板图片进行边缘轮廓提取处理,并且获取面板图片的左下角像素点;
(3.2)将面板图片的左下角像素点作为左下角点坐标,获取一个与匹配模板T尺寸相同的候选框I,其中,匹配模板T的宽度为w,高度为h;
(3.2)将候选框I依次向右/向上平移一个像素,获取若干候选框I。
于本发明实施例中,步骤(4)对候选框I进行相似度匹配的流程如下:
(4.1)依次计算若干候选框I与匹配模板T的相似度R(x,y),其中,候选框I的坐标表示为:I=[x,y,x+w,y+h];
其中,(x,y)为候选框I的左下角点坐标,(x+w,y+h)为候选框I的右上角点坐标,相似度R(x,y)的取值范围再0~1之间,并且匹配度越高相似度R(x,y)越接近1;
(4.2)如果相似度R(x,y)大于匹配度阈值t,则对应的候选框I与匹配模板T匹配,其中,匹配度阈值t为预设值,因此可以获取多张与匹配模板T近似的候选框I。
于本发明实施例中,所述相似度R(x,y)可以采用余弦相似度计算方法、哈希计算方法、直方图计算方法以及皮尔逊相关系数计算方法等,优选地,所述相似度R(x,y)采用皮尔逊相关系数计算方法获取。
于本发明实施例中,步骤(5)获取候选框I上的线路与目标框Bbox的相交位置的流程如下:
(5.1)设置一个与面板图片尺寸相同的黑色背景图M1,在黑色背景图M1上使用掩膜模板m替代匹配的候选框I;
(5.2)设置一个与面板图片尺寸相同的黑色背景图M2,在黑色背景图M2对应目标框Bbox的区域填充像素值P,其中,像素值P依次与不同线路的像素值P1、P2至Pn相同;
(5.3)将黑色背景图M1的像素值减去多边形标注区域的像素值;
(5.4)将黑色背景图M2的像素值减去多边形标注区域的像素值;
(5.5)将经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M4;选取图片M4中像素值为0的位置为线路与目标框Bbox的相交位置。
请参阅图8,为对图7中缺陷进行线路相交定位的示例图,即当缺陷与线路存在相交时,此时判断缺陷与哪种线路相交时,将黑色背景图M1与黑色背景图M2中像素值减去255或者200(即points1填充的255像素值,points2 填充的200像素值),此时线路区域与目标框Bbox的区域像素取值均为0,即黑色背景图M1与黑色背景图M2对应像素值叠加,得到图片M3,若M3=M1+M2中存在取值为0的像素,则此位置即为缺陷与线路相交的位置,所述线路为对应像素值为255或者像素值为200的线路。
例如,当判断缺陷是否与线路line1相交时(线路line1进行掩膜处理时填充的像素值位255),黑色背景图M2对应目标框Bbox的区域预先填充的像素值P为255;则将黑色背景图M1的像素值减去像素值255,同时也将黑色背景图M2的像素值减去像素值255,然后经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M4;如果图片M4中存在像素值为0的位置,则对应的位置即线路line1与缺陷的相交位置。
同理,当判断缺陷是否与线路line2相交时(线路line2进行掩膜处理时填充的像素值位200),黑色背景图M2对应目标框Bbox的区域预先填充的像素值P为200;则将黑色背景图M1的像素值减去像素值200,同时也将黑色背景图M2的像素值减去像素值200,然后经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M4;如果图片M4中存在像素值为0的位置,则对应的位置即线路line2与缺陷的相交位置。
于本发明实施例中,目标框Bbox通过智能化缺陷检测系统获取,所述智能化缺陷检测系统可以为ADC(Automatic Defect Classification,自动缺陷分类)系统,其中,所述ADC系统采用深度学习算法Faster R-CNN建立相应的识别模型,进行图像检测识别。
实施例3
本发明提供一种基于模板匹配的缺陷定位系统,请参阅图9,为基于模板匹配的缺陷定位系统的框图,所述系统包括:
缺陷获取单元,所述缺陷检测单元基于面板图片获取目标框Bbox,所述目标框Bbox包含缺陷的位置坐标信息;
模板获取单元,所述模板获取单元基于面板图片获取匹配模板T,所述匹配模板T包含线路的周期性元素信息;
掩膜处理单元,所述掩膜处理单元对匹配模板T上的线路进行掩膜处理,得到掩膜模板m;
相似度匹配单元,所述相似度匹配单元基于面板图片获取若干候选框I,并且基于匹配模板T对候选框I进行相似度匹配,筛选出部分候选框I;
缺陷背景位置定位单元,所述缺陷背景位置定位单元基于掩膜模板m获取所述筛选后的候选框I上的线路,获取该线路与目标框Bbox的相交位置,所述相交位置即为缺陷的背景位置。
所述系统基于目标检测将面板图片上存在的缺陷检测出来并获取目标框Bbox,并且基于像处理技术进行模板匹配,识别到面板图片中的各种线路区域,然后计算目标框Bbox与各种线路区域的交集即可判断缺陷落在哪种线路背景上,便于后续进行缺陷等级判定。
实施例4
本发明提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行实施例1或2所述的一种基于模板匹配的缺陷位置定位方法。
本实施例提供的计算机设备可以实现执行实施例1或2所述的方法,为避免重复,在此不再赘述。
实施例5
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1或2所述的一种基于模板匹配的缺陷位置定位方法。
本实施例提供的计算机可读存储介质可以实现执行实施例1或2所述的方法,为避免重复,在此不再赘述。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Field programmablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中印制电路板缺陷检测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
基于模板匹配的缺陷定位系统如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于模板匹配的缺陷定位方法,其特征在于,所述方法包括以下步骤:
基于面板图片获取目标框Bbox,所述目标框Bbox包含缺陷的位置坐标信息;
基于面板图片获取匹配模板T,所述匹配模板T包含线路的周期性元素信息;
对匹配模板T上的线路进行掩膜处理,得到掩膜模板m;
基于面板图片获取若干候选框I,并且基于匹配模板T对候选框I进行相似度匹配,筛选出部分候选框I;
基于掩膜模板m获取筛选后的候选框I上的线路,获取该线路与目标框Bbox的相交位置,所述相交位置即为缺陷的背景位置。
2.根据权利要求1所述的一种基于模板匹配的缺陷定位方法,其特征在于,所述目标框Bbox的坐标表示为:Bbox=[x1,y1,x2,y2];
其中,(x1,y1)为目标框Bbox的左下角点坐标,(x2,y2)为目标框Bbox的右上角点坐标。
3.根据权利要求1所述的一种基于模板匹配的缺陷定位方法,其特征在于,获取匹配模板T的流程如下:
对面板图片进行图像轮廓识别处理、图像截取处理,得到初始模板;
对初始模板进行二值化处理、边缘轮廓提取处理,得到匹配模板T。
4.根据权利要求3所述的一种基于模板匹配的缺陷定位方法,其特征在于,获取掩膜模板m的流程如下:
对匹配模板T中不同的线路分别进行多边形标注,得到若干不同的多边形标注区域;
设置一个与匹配模板T尺寸相同的黑色背景图M0,并且在黑色背景图M0上对应不同的多边形标注区域填充不同的像素值P1、P2至Pn,得到掩膜模板m。
5.根据权利要求4所述的一种基于模板匹配的缺陷定位方法,其特征在于,获取若干候选框I的流程如下:
对面板图片进行边缘轮廓提取处理,并且获取面板图片的左下角像素点;
将面板图片的左下角像素点作为左下角点坐标,以左下角点坐标为参照点获取一个与匹配模板T尺寸相同的候选框I,其中,匹配模板T的宽度为w,高度为h;
将候选框I依次向右/向上平移一个像素,获取若干候选框I。
6.根据权利要求5所述的一种基于模板匹配的缺陷定位方法,其特征在于,对候选框I进行相似度匹配的流程如下:
依次计算若干候选框I与匹配模板T的相似度R(x,y),所述候选框I的坐标表示为:I=[x,y,x+w,y+h];
其中,(x,y)为候选框I的左下角点坐标,(x+w,y+h)为候选框I的右上角点坐标;
如果相似度R(x,y)大于匹配度阈值t,则对应的候选框I与匹配模板T匹配,其中,匹配度阈值t为预设值。
7.根据权利要求6所述的一种基于模板匹配的缺陷定位方法,其特征在于,获取线路与目标框Bbox的相交位置的流程如下:
设置一个与面板图片尺寸相同的黑色背景图M1,在黑色背景图M1上使用掩膜模板m替代匹配的候选框I;
设置一个与面板图片尺寸相同的黑色背景图M2,在黑色背景图M2对应目标框Bbox的区域填充像素值P,其中,像素值P依次与不同线路的像素值P1、P2至Pn相同;
将黑色背景图M1的像素值除以多边形标注区域的像素值;
将黑色背景图M2的像素值除以多边形标注区域的像素值;
将经过像素处理之后的黑色背景图M1和黑色背景图M2进行像素值叠加,得到图片M3;选取图片M3中像素值为2的位置为线路与目标框Bbox的相交位置。
8.一种基于模板匹配的缺陷定位系统,其特征在于,所述系统包括:
缺陷获取单元,所述缺陷检测单元基于面板图片获取目标框Bbox,所述目标框Bbox包含缺陷的位置坐标信息;
模板获取单元,所述模板获取单元基于面板图片获取匹配模板T,所述匹配模板T包含线路的周期性元素信息;
掩膜处理单元,所述掩膜处理单元对匹配模板T上的线路进行掩膜处理,得到掩膜模板m;
相似度匹配单元,所述相似度匹配单元基于面板图片获取若干候选框I,并且基于匹配模板T对候选框I进行相似度匹配,筛选出部分候选框I;
缺陷背景位置定位单元,所述缺陷背景位置定位单元基于掩膜模板m获取所述筛选后的候选框I上的线路,获取该线路与目标框Bbox的相交位置,所述相交位置即为缺陷的背景位置。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述一种基于模板匹配的缺陷定位方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述一种基于模板匹配的缺陷定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210984441.4A CN115063618B (zh) | 2022-08-17 | 2022-08-17 | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210984441.4A CN115063618B (zh) | 2022-08-17 | 2022-08-17 | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063618A true CN115063618A (zh) | 2022-09-16 |
CN115063618B CN115063618B (zh) | 2022-11-11 |
Family
ID=83208062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210984441.4A Active CN115063618B (zh) | 2022-08-17 | 2022-08-17 | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063618B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309574A (zh) * | 2023-05-19 | 2023-06-23 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、系统、设备及存储介质 |
CN116757973A (zh) * | 2023-08-23 | 2023-09-15 | 成都数之联科技股份有限公司 | 一种面板产品自动修补方法、系统、设备及存储介质 |
CN117670876A (zh) * | 2024-01-31 | 2024-03-08 | 成都数之联科技股份有限公司 | 一种面板缺陷严重程度判级方法、系统、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109724988A (zh) * | 2019-02-01 | 2019-05-07 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于多模板匹配的pcb板缺陷定位方法 |
CN111353983A (zh) * | 2020-02-28 | 2020-06-30 | 腾讯科技(深圳)有限公司 | 缺陷检测识别方法、装置、计算机可读介质及电子设备 |
CN112147147A (zh) * | 2019-06-26 | 2020-12-29 | 杭州海康机器人技术有限公司 | 边缘缺陷检测方法和边缘缺陷检测装置以及质量检测设备 |
CN114037700A (zh) * | 2021-12-31 | 2022-02-11 | 成都数联云算科技有限公司 | 面板缺陷检测方法、装置、电子设备及存储介质 |
US20220101577A1 (en) * | 2020-09-28 | 2022-03-31 | Adobe Inc. | Transferring hairstyles between portrait images utilizing deep latent representations |
CN114266773A (zh) * | 2022-03-02 | 2022-04-01 | 成都数联云算科技有限公司 | 显示面板缺陷定位方法、装置、设备及存储介质 |
CN114862817A (zh) * | 2022-05-24 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种电路板金手指区域缺陷检测方法及系统及装置及介质 |
-
2022
- 2022-08-17 CN CN202210984441.4A patent/CN115063618B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109724988A (zh) * | 2019-02-01 | 2019-05-07 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于多模板匹配的pcb板缺陷定位方法 |
CN112147147A (zh) * | 2019-06-26 | 2020-12-29 | 杭州海康机器人技术有限公司 | 边缘缺陷检测方法和边缘缺陷检测装置以及质量检测设备 |
CN111353983A (zh) * | 2020-02-28 | 2020-06-30 | 腾讯科技(深圳)有限公司 | 缺陷检测识别方法、装置、计算机可读介质及电子设备 |
US20220101577A1 (en) * | 2020-09-28 | 2022-03-31 | Adobe Inc. | Transferring hairstyles between portrait images utilizing deep latent representations |
CN114037700A (zh) * | 2021-12-31 | 2022-02-11 | 成都数联云算科技有限公司 | 面板缺陷检测方法、装置、电子设备及存储介质 |
CN114266773A (zh) * | 2022-03-02 | 2022-04-01 | 成都数联云算科技有限公司 | 显示面板缺陷定位方法、装置、设备及存储介质 |
CN114862817A (zh) * | 2022-05-24 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种电路板金手指区域缺陷检测方法及系统及装置及介质 |
Non-Patent Citations (7)
Title |
---|
XINCHENG ZHANG等: "Zipper classification and defect detection based on computer vision", 《2020 39TH CHINESE CONTROL CONFERENCE (CCC)》 * |
孙鸽等: "基于机器视觉的螺纹钢表面缺陷检测方法", 《计算机系统应用》 * |
方育柯等: "基于选择性集成的最大化软间隔算法", 《软件学报》 * |
方育柯等: "面向泛半导体行业的制程优化关键技术及应用", 《信息科技-无线电电子学》 * |
明月清风_@: "halcon——缺陷检测常用方法总结(模板匹配(定位)+差分)", 《HTTPS://BLOG.CSDN.NET/QQ_44386034/ARTICLE/DETAILS/125637835》 * |
林选伟: "基于视觉注意机制的钢板表面缺陷区域检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
梅梦丽: "基于背景连通域的印刷线路板缺陷定位及识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309574A (zh) * | 2023-05-19 | 2023-06-23 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、系统、设备及存储介质 |
CN116309574B (zh) * | 2023-05-19 | 2023-08-18 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、系统、设备及存储介质 |
CN116757973A (zh) * | 2023-08-23 | 2023-09-15 | 成都数之联科技股份有限公司 | 一种面板产品自动修补方法、系统、设备及存储介质 |
CN116757973B (zh) * | 2023-08-23 | 2023-12-01 | 成都数之联科技股份有限公司 | 一种面板产品自动修补方法、系统、设备及存储介质 |
CN117670876A (zh) * | 2024-01-31 | 2024-03-08 | 成都数之联科技股份有限公司 | 一种面板缺陷严重程度判级方法、系统、设备及存储介质 |
CN117670876B (zh) * | 2024-01-31 | 2024-05-03 | 成都数之联科技股份有限公司 | 一种面板缺陷严重程度判级方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115063618B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115063618B (zh) | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN109285181B (zh) | 用于识别图像的方法和装置 | |
CN110288612B (zh) | 铭牌定位与校正方法及设备 | |
CN110135225B (zh) | 样本标注方法及计算机存储介质 | |
CN108734161B (zh) | 冠字号区域的识别方法、装置、设备及存储介质 | |
CN115272199A (zh) | 一种pcb载板缺陷检测方法、系统、电子设备及介质 | |
CN117576106B (zh) | 管道缺陷检测方法及系统 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
US9824289B2 (en) | Exploiting color for license plate recognition | |
CN111126266B (zh) | 文本处理方法、文本处理系统、设备及介质 | |
CN111178357A (zh) | 车牌识别方法、系统、设备和存储介质 | |
CN112419207A (zh) | 一种图像矫正方法及装置、系统 | |
CN115861327A (zh) | 一种pcb颜色变化缺陷检测方法、装置、设备及介质 | |
CN112434585A (zh) | 一种车道线的虚实识别方法、系统、电子设备及存储介质 | |
CN114445498A (zh) | 深度相机标定方法、系统、设备及介质 | |
CN109141457B (zh) | 导航评估方法、装置、计算机设备和存储介质 | |
KR102026280B1 (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 | |
CN114627113A (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
CN114067328A (zh) | 识别文本的方法、装置和电子设备 | |
CN113902890A (zh) | 用于视觉概念检测的自监督数据增强方法、系统、设备 | |
CN114627114B (zh) | 产品缺陷严重程度测量方法及系统及装置及介质 | |
CN117011596B (zh) | 结构运动视觉测量的圆识别及圆心定位方法和装置 | |
CN112215032A (zh) | 图像中的目标识别方法、装置、电子设备及程序介质 | |
CN108345893A (zh) | 一种直线检测方法、装置、计算机存储介质及终端 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220916 Assignee: Chengdu Shuzhi Innovation Lean Technology Co.,Ltd. Assignor: Chengdu shuzhilian Technology Co.,Ltd. Contract record no.: X2024510000014 Denomination of invention: A defect localization method, system, equipment, and medium based on template matching Granted publication date: 20221111 License type: Common License Record date: 20240723 |