CN115330765A - 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法 - Google Patents

用于铝电解电容阳极箔生产的腐蚀缺陷识别方法 Download PDF

Info

Publication number
CN115330765A
CN115330765A CN202211248125.7A CN202211248125A CN115330765A CN 115330765 A CN115330765 A CN 115330765A CN 202211248125 A CN202211248125 A CN 202211248125A CN 115330765 A CN115330765 A CN 115330765A
Authority
CN
China
Prior art keywords
area
region
value
matching
obtaining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211248125.7A
Other languages
English (en)
Inventor
戴皓月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NANTONG XINCHENG ELECTRONICS CO Ltd
Original Assignee
NANTONG XINCHENG ELECTRONICS CO Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NANTONG XINCHENG ELECTRONICS CO Ltd filed Critical NANTONG XINCHENG ELECTRONICS CO Ltd
Priority to CN202211248125.7A priority Critical patent/CN115330765A/zh
Publication of CN115330765A publication Critical patent/CN115330765A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Fixed Capacitors And Capacitor Manufacturing Machines (AREA)

Abstract

本发明涉及数据处理领域，具体涉及用于铝电解电容阳极箔生产的腐蚀缺陷识别方法，获取电容目标图像；获得电容目标图像上的铆钉初始区域和铝片初始区域，通过两区域匹配得到阴阳极区域，然后根据阴极区域的灰度顺序分块计算与阳极区域灰度顺序的匹配，进而得到每个区域的异常区域；并计算各异常区域的色调匹配率、偏差性和跳变性，进而得到腐蚀缺陷的概率；根据所述的腐蚀缺陷的概率与设定阈值的大小，判断电容的可用性；即本发明的方案能够对电容进行可用性的判断。

Description

用于铝电解电容阳极箔生产的腐蚀缺陷识别方法
技术领域
本发明涉及数据处理领域，具体为用于铝电解电容阳极箔生产的腐蚀缺陷识别方法。
背景技术
在空调电路板中，经常性出现电解电容腐蚀失效问题，其中400V以上电解铝电解电容失效尤为突出，综合其失效原因，主要表现为高温符合下阳极腐蚀严重造成电容失效。所述阳极腐蚀：是指电容在一定负荷条件下，经过一段时间，阳极引出条与盖板组件的铝铆钉逐渐被电化学腐蚀，从而导致产品失效的现象；现有方法采用色调识别，然后连通域分析的方法对该腐蚀缺陷进行识别，当腐蚀缺陷较为严重时，该方法的检测精度较高，但当腐蚀后的断开的两段铝片的距离较近时，一方面铝片有一定程度的反光，呈现部分电解液（固态）的色调，同时铝片上沾染有电解液，导致传统方法难以识别。
发明内容
为了解决上述技术问题，本发明的目的在于提供用于铝电解电容阳极箔生产的腐蚀缺陷识别方法，所采用的技术方案具体如下：
本发明提供的用于铝电解电容阳极箔生产的腐蚀缺陷识别方法，包括以下步骤：
获取电容目标图像；
获得电容目标图像上的铆钉初始区域和铝片初始区域，通过两区域匹配得到阴阳极区域，然后根据阴极区域的灰度顺序分块计算与阳极区域灰度顺序的匹配，进而得到每个区域的异常区域；并计算各异常区域的色调匹配率、偏差性和跳变性，进而得到腐蚀缺陷的概率；
根据所述的腐蚀缺陷的概率与设定阈值的大小，判断电容的可用性；
其中，所述阴阳极区域的获取过程为：
通过盖板组件区域的亮度区域检测得到铆钉初始区域，通过电解液色调区域的亮度区域检测得到铝片初始区域，通过区域匹配得到匹配关系，进而通过区域生长的方法得到阴阳极区域。
优选地，得到每个区域的异常区域的具体过程为：
对阳极箔区域和阴极箔区域分别通过细化操作得到每个区域的中心线，将中心线上每个点所在行像素对应灰度值的均值作为该点的灰度值，进而得到中心点灰度值序列，首先计算得到阴极箔区域的中心点灰度值序列，通过otsu多阈值分割对所述中心点灰度值序列进行分割，得到不同的分割类别，其中同一个类别中像素点的灰度值相近；计算每个分割类别的像素均值，得到中心点类别灰度值序列；通过KM匹配算法，对中心点类别灰度值序列与中心点灰度值序列进行匹配，将未匹配成功的分割类别对应行区域作为异常区域。
优选地，所述色调匹配率为：
将盖板区域的色调均值记为h1，将电解液区域的色调均值记为h2，将每个异常区域的色调均值为h表示，计算h与h1和h2的相近程度，将较大的相近程度作为色调匹配率。
优选地，所述跳变性为异常区域中的中心点灰度值序列中的对应灰度值与序列中相邻元素的差值的均值；
所述偏差性为先通过主成分分析的方法计算得到异常区域的两个邻域区域的主方向，得到两个邻域区域的主方向后，计算主方向差值与平均差值的比值，所述平均差值是指阳极箔区域中相邻区域的主方向差值的均值；将所述比值的归一化值作为偏差性。
优选地，腐蚀缺陷的概率为获取偏差性与跳变性中较大者，计算较大者与所述色调匹配率的乘积，将该乘积作为腐蚀缺陷的概率。
本发明的有益效果：
本发明的方案通过铆钉区域和铝片区域的匹配计算得到阳极箔和阴极箔区域，避免了传统的相似性聚类过程中的受相似性噪声影响较大的问题，得到的区域的完整性和可靠性更高。
根据阳极箔和阴极箔区域的相似性对阳极箔的异常区域进行计算，避免了不同电容中的色调值不同的问题，适用性更强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1是电解电容内部正常图像；
图2是电解电容内部腐蚀图；
图3是本发明的用于铝电解电容阳极箔生产的腐蚀缺陷识别方法的流程图；
图4是铆钉和铝片区域的匹配关系示意图；
图5是左侧为阴极箔区域的中心点灰度值序列以及右侧为阳极箔区域的中心点灰度值序列的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提出了用于铝电解电容阳极箔生产的腐蚀缺陷识别方法；首先检测得到阳极区域和阴极区域的铝片，根据两个区域的灰度值对称性，通过阴极区域的灰度值分布对阳极区域的灰度值分布计算得到灰度异常区域，结合断裂区域的色调特征和灰度跳变性得到该异常区域为腐蚀缺陷的概率。
具体地，本发明提出的用于铝电解电容阳极箔生产的腐蚀缺陷识别方法的实施例，请参阅图3所示，包括以下步骤：
步骤1，获取电容目标图像。
本实施例中，由于本发明的目的是对电容阳极箔的腐蚀缺陷进行检测，因此首先需要获得电容阳极箔的图像，为了减少非电容区域的影响，首先通过语义分割网络对电容区域进行识别，所述语义分割网络的训练过程如下：
本发明采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下：
1）使用的数据集为侧俯视采集的电容图像数据集，电容的样式为多种多样的。
2）需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于电容的标注为1。
3）网络的任务是分类，所有使用的loss函数为交叉熵损失函数。
本实施例中，通过语义分割得到的0-1掩膜图像与原图像相乘，得到的图像中只含有电容的图像，去除了背景的干扰。
步骤2，获得电容目标图像上的铆钉初始区域和铝片初始区域，通过区域匹配得到阴阳极区域，然后根据阴极区域的灰度顺序分块计算与阳极区域灰度顺序的匹配，进而对每个区域的异常区域进行计算，通过所述异常区域的色调匹配率和跳变性，识别得到腐蚀缺陷。
本实施例中，识别得到腐蚀缺陷的过程如下：
（1）通过盖板组件区域的亮度区域检测得到铆钉初始区域，通过电解液色调区域的亮度区域检测得到铝片初始区域，通过区域匹配得到匹配关系，进而通过区域生长的方法得到阴阳极区域。
（2）根据阴极区域的灰度顺序分块计算与阳极区域的灰度顺序的匹配，进而得到每个区域的异常区域。
（3）根据每个异常区域的色调匹配率和邻域灰度跳变性识别得到腐蚀缺陷。上述步骤（1）中，得到铆钉区域的具体过程如下：
如图1和图2所示，铆钉区域位于盖板上，而盖板的灰度值较小，铆钉由于是铝制品，灰度值较大，因此可以通过计算较小灰度值区域内部的较大灰度值得到铆钉区域。所述铆钉区域为阴阳极区域的两个铆钉。
本实施例中，首先将RGB图像转化为灰度图，然后通过otsu阈值分割得到分割阈值k,将小于阈值k的灰度值认为是较小灰度值，对每个灰度值分别进行连通域分析，得到每个灰度值在图像上的连通域，统计得到每个区域的面积，将最大面积对应连通域作为盖板区域。
得到盖板区域后，将盖板区域中的大于K的灰度值对应像素点作为前景像素点，即得到了铆钉区域。得到铆钉区域后，对该区域采用形态学腐蚀算法去掉区域中的零散像素点，得到完整的铆钉区域。
其中，铝片区域是指电解液中的铝片，该区域的计算过程如下：
首先将RGB图像转化为HIS图像，取其中的H通道，即色调图像，用h1表示电解液区域的色调值，h1可以提前得到，是一个先验值，在色调图像中，将色调值为h1的像素点区域作为电解液像素点，通过连通域分析，得到电解液区域。然后得到该区域内的零散像素点（非电解液像素点）对应的每个灰度级，对每个灰度级进行连通域分析，得到每个灰度级的连通域，称之为灰度级连通域，将最大灰度级连通域作为电解液中的铝片区域。得到铝片区域后，对该区域采用形态学腐蚀算法去掉区域中的零散像素点，得到完整的铝片区域。
通过上述计算得到了两个铆钉区域和两个铝片区域，然后需要分别得到阳极箔和阴极箔区域，所述阳极箔是指从盖板上的阳极铆钉开始到电解液部分的铝片，阴极箔是指从盖板上的阴极铆钉开始到电解液部分的铝片。由于所述阳极箔和阴极箔区域都是铝片材质，容易反光导致带有电解液区域的色调，因此通过常规方法计算得到的区域可能不完整或错误。基于此，首先通过计算铆钉区域和铝片区域的对应关系，计算得到属于同一个箔的铆钉区域和铝片区域。
上述中获取的对应关系的具体过程如下：
首先计算得到每个区域的连通域中心点，计算铆钉区域和铝片区域的所有一对一匹配关系中，最大平行方向对应匹配作为对应关系，如图4所示，用a、b表示铆钉区域，用c、d表示铝片区域，其中的一种匹配方法为图4中的匹配方法，另一种匹配方法为a-d,c-b，每种匹配方法中有两种对应关系，每种对应关系可以计算得到一个连通域中心点连线，对于每种匹配方法，计算两条中心点连线方向的相似性，用较大方向值与较小方向值的比值作为所述相似性，将较大相似性对应的匹配关系作为对应关系，所述对应关系中的铆钉区域和铝片区域属于同一个箔区域。
通过对应关系的计算得到阳极箔和阴极箔区域上的铆钉区域和铝片区域后，以两个区域的边界像素点作为种子点，通过区域生长的方法得到完整的阳极箔区域和阴极箔区域。
上述步骤（2）中得到每个区域的异常区域的具体过程为：
首先对阳极箔区域和阴极箔区域分别通过细化操作得到每个区域的中心线，将中心线上每个点所在行像素对应灰度值的均值作为该点的灰度值，进而可以得到中心点灰度值序列，首先计算得到阴极箔区域的中心点灰度值序列，通过otsu多阈值分割对所述中心点灰度值序列进行分割，得到分割类别，其中同一个类别中像素点的灰度值相近，例如：中心点灰度值序列为：[236 235 236 50 49 51 256 257 255],通过otsu多阈值分割得到三个类别：[236 235 236]、[50 49 51]、[256 257 255]。
得到阴极箔区域的中心点灰度值序列后，计算每个类别均值作为该类别的灰度值，进而得到中心点类别灰度值序列，通过相同的方法可以得到阴极箔区域的中心点灰度值序列，计算两个序列中的对应关系，通过KM匹配计算，将其中的没有匹配上的灰度值类别对应行区域作为异常区域。
上述实施例中的KM匹配的计算过程如下：
如图5所示，左侧为阴极箔区域的中心点灰度值序列，右侧为阳极箔区域的中心点灰度值序列，将每个灰度值作为节点，将节点灰度值的相似度，即较小灰度值与较大灰度值的比值作为所述相似度，通过KM匹配计算得到匹配结果，将所述匹配结果中不存在对应关系的节点对应灰度值对应的行区域作为异常区域。
需要说明的是，在电容中，由于阳极的温度较高，往往是阳极被腐蚀，而阴极是正常的，没有被腐蚀。由于阳极区域和阴极区域的对称性较大，且材质相同，均是铝片，因此灰度分布相近，即灰度值的种类相近，例如：阴极区域主要有50、100、150三种灰度值，如果不存在腐蚀缺陷，则阳极区域的灰度值和阴极区域的灰度值相近，但每个区域的面积长度可能不同，如图2所示，阴极区域和阳极区域的灰度值相近，但每个灰度级的分布面积不同，因此首先分别计算得到阴极区域的灰度顺序，进而得到阳极区域的对应灰度值匹配区域，将阳极区域中的灰度匹配性较小区域作为异常区域，所述异常区域为腐蚀区域的概率较大。
上述步骤（3）中识别得到腐蚀缺陷的具体过程为：
获取盖板区域和电解液区域，将盖板区域的色调均值记为h1，将电解液区域的色调均值记为h2，将每个异常区域的色调均值为h表示，计算h与h1和h2的较大的相近程度，例如：h和h1的比值为0.9，h和h2的比值为0.6，则将比值0.9作为概率值p1；所述灰度跳变性是指异常区域对应灰度值与相邻两个灰度值的差异性，所述差异性越大，灰度跳变性越大，将该异常区域对应灰度值（所述灰度值是指中心点灰度值序列中的对应灰度值）与序列中相邻元素的差值均值作为概率值p2；通过主成分分析的方法计算得到异常区域相邻区域的方向值的偏差性，所述偏差性越大，异常区域为腐蚀区域的概率越大，所述偏差性的计算过程如下：首先通过主成分分析的方法计算得到异常区域的两个邻域区域的主方向，所述主方向的计算过程如下：
获取连通域内像素的坐标，利用PCA算法获得这些数据的主成分方向，可获得K个主成分方向，每个主成分方向都是一个2维的单位向量，每个主成分方向对应一个特征值。本发明获取特征值最大的主成分方向，将其称为连通域主方向，表示这些数据投影方差最大的方向，即这些数据的主要分布方向。
得到两个邻域区域的主方向后，计算主方向差值与平均差值的比值，所述平均差值是指阳极箔区域中相邻区域的主方向差值的均值；将所述比值的归一化值作为概率值p3。
步骤3，根据所述的腐蚀缺陷的概率与设定阈值的大小，判断电容的可用性。
本实施例中，由于p2和p3是从同一个方面不同角度进行的计算，两者的关联度较大，因此不能直接相乘，将p2和p3中的较大值与p1的乘积作为该异常区域为腐蚀区域的概率p，将p值大于设定阈值0.7，则认为腐蚀严重，则电容不可用。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (4)

1.用于铝电解电容阳极箔生产的腐蚀缺陷识别方法，其特征在于，包括以下步骤：
获取电容目标图像；
获得电容目标图像上的铆钉初始区域和铝片初始区域，通过两区域匹配得到阴阳极区域，然后根据阴极区域的灰度顺序分块计算与阳极区域灰度顺序的匹配，进而得到每个区域的异常区域；并计算各异常区域的色调匹配率、偏差性和跳变性，进而得到腐蚀缺陷的概率；
根据所述的腐蚀缺陷的概率与设定阈值的大小，判断电容的可用性；
其中，所述阴阳极区域的获取过程为：
通过盖板组件区域的亮度区域检测得到铆钉初始区域，通过电解液色调区域的亮度区域检测得到铝片初始区域，通过区域匹配得到匹配关系，进而通过区域生长的方法得到阴阳极区域；
得到每个区域的异常区域的具体过程为：
对阳极箔区域和阴极箔区域分别通过细化操作得到每个区域的中心线，将中心线上每个点所在行像素对应灰度值的均值作为该点的灰度值，进而得到中心点灰度值序列，首先计算得到阴极箔区域的中心点灰度值序列，通过otsu多阈值分割对所述中心点灰度值序列进行分割，得到不同的分割类别，其中同一个类别中像素点的灰度值相近；计算每个分割类别的像素均值，得到中心点类别灰度值序列；通过KM匹配算法，对中心点类别灰度值序列与中心点灰度值序列进行匹配，将未匹配成功的分割类别对应行区域作为异常区域。
2.根据权利要求1所述的用于铝电解电容阳极箔生产的腐蚀缺陷识别方法，其特征在于，所述色调匹配率为：
将盖板区域的色调均值记为h1，将电解液区域的色调均值记为h2，将每个异常区域的色调均值为h表示，计算h与h1和h2的相近程度，将较大的相近程度作为色调匹配率。
3.根据权利要求1所述的用于铝电解电容阳极箔生产的腐蚀缺陷识别方法，其特征在于，所述跳变性为异常区域中的中心点灰度值序列中的对应灰度值与序列中相邻元素的差值的均值；
所述偏差性为先通过主成分分析的方法计算得到异常区域的两个邻域区域的主方向，得到两个邻域区域的主方向后，计算主方向差值与平均差值的比值，所述平均差值是指阳极箔区域中相邻区域的主方向差值的均值；将所述比值的归一化值作为偏差性。
4.根据权利要求1所述的用于铝电解电容阳极箔生产的腐蚀缺陷识别方法，其特征在于，腐蚀缺陷的概率为获取偏差性与跳变性中较大者，计算较大者与所述色调匹配率的乘积，将该乘积作为腐蚀缺陷的概率。
CN202211248125.7A 2022-10-12 2022-10-12 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法 Pending CN115330765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211248125.7A CN115330765A (zh) 2022-10-12 2022-10-12 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211248125.7A CN115330765A (zh) 2022-10-12 2022-10-12 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法

Publications (1)

Publication Number Publication Date
CN115330765A true CN115330765A (zh) 2022-11-11

Family

ID=83914794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211248125.7A Pending CN115330765A (zh) 2022-10-12 2022-10-12 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115330765A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115157A (zh) * 2023-10-23 2023-11-24 湖南隆深氢能科技有限公司 基于pem电解槽的缺陷检测方法、系统、终端设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2681947A1 (fr) * 1991-10-01 1993-04-02 Micro Controle Procede de classification automatique de defauts sur des micro-circuits.
CN111242972A (zh) * 2019-12-23 2020-06-05 中国电子科技集团公司第十四研究所 一种在线跨尺度多流体目标匹配跟踪方法
CN113658092A (zh) * 2021-05-13 2021-11-16 湖南莱塞智能装备有限公司 一种基于图像处理的铝电解电容缺陷检测方法
CN114577906A (zh) * 2022-02-23 2022-06-03 韶关东阳光自动化设备有限公司 一种阳性腐蚀箔微穿孔缺陷超声导波检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2681947A1 (fr) * 1991-10-01 1993-04-02 Micro Controle Procede de classification automatique de defauts sur des micro-circuits.
CN111242972A (zh) * 2019-12-23 2020-06-05 中国电子科技集团公司第十四研究所 一种在线跨尺度多流体目标匹配跟踪方法
CN113658092A (zh) * 2021-05-13 2021-11-16 湖南莱塞智能装备有限公司 一种基于图像处理的铝电解电容缺陷检测方法
CN114577906A (zh) * 2022-02-23 2022-06-03 韶关东阳光自动化设备有限公司 一种阳性腐蚀箔微穿孔缺陷超声导波检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115157A (zh) * 2023-10-23 2023-11-24 湖南隆深氢能科技有限公司 基于pem电解槽的缺陷检测方法、系统、终端设备及介质
CN117115157B (zh) * 2023-10-23 2024-02-06 湖南隆深氢能科技有限公司 基于pem电解槽的缺陷检测方法、系统、终端设备及介质

Similar Documents

Publication Publication Date Title
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
Jung Efficient background subtraction and shadow removal for monochromatic video sequences
CN115147414A (zh) 一种双极型功率晶体管表面击穿缺陷检测方法
Chen et al. Indoor and outdoor people detection and shadow suppression by exploiting HSV color information
CN115330760B (zh) 一种二极管引脚缺陷识别方法
US8300937B2 (en) Image segmentation method and system based on region features of pixels
CN115330765A (zh) 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法
Shi et al. Adaptive graph cut based binarization of video text images
CN112508913A (zh) 基于图像检测的电缆截面边沿检测方法
US8280157B2 (en) Methods and systems for refining text detection in a digital image
CN115439411A (zh) 电路板元器件极性的检测方法、装置、介质和电子设备
CN117705815B (zh) 一种基于机器视觉的印刷缺陷检测方法
CN117078678B (zh) 基于图像识别的废硅片形状检测方法
CN110633635A (zh) 一种基于roi的交通标志牌实时检测方法及系统
CN114926661B (zh) 一种纺织品表面颜色数据处理、识别方法及系统
CN115082449B (zh) 一种电子元器件缺陷检测方法
CN115880285A (zh) 一种铝电解电容器引出线异常识别方法
CN115761211A (zh) 一种基于rgb图像与热成像耦合的石化企业泵房设备温度监测方法及装置
US20230351603A1 (en) Chrominance Component-Based Image Segmentation Method and System, Image Segmentation Device, and Readable Storage Medium
CN111145219B (zh) 一种基于Codebook原理的高效视频移动目标检测方法
CN113763358A (zh) 基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统
Ju et al. Lip segmentation with muti-scale features based on fully convolution network
Zheng et al. Adaptive skin detection under unconstrained lighting conditions using a bigaussian model and illumination estimation
Shatnawi Bees algorithm and support vector machine for Malaysian license plate recognition

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
TA01 Transfer of patent application right

Effective date of registration: 20230612

Address after: Room 801, Building 9, Zone 5, Linhe Street, Economic and Technological Development Zone, Changchun City, Jilin Province, 130000

Applicant after: Changchun Ruijiu Technology Co.,Ltd.

Address before: 226000 No. 36, Guangzhou Road, Nantong economic and Technological Development Zone, Jiangsu, China

Applicant before: Nantong Xincheng Electronics Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230728

Address after: 226000 No. 36, Guangzhou Road, Nantong economic and Technological Development Zone, Jiangsu, China

Applicant after: Nantong Xincheng Electronics Co.,Ltd.

Address before: Room 801, Building 9, Zone 5, Linhe Street, Economic and Technological Development Zone, Changchun City, Jilin Province, 130000

Applicant before: Changchun Ruijiu Technology Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20221111

RJ01 Rejection of invention patent application after publication