CN115330806A - 基于计算机视觉的led背光异物缺陷检测方法 - Google Patents
基于计算机视觉的led背光异物缺陷检测方法 Download PDFInfo
- Publication number
- CN115330806A CN115330806A CN202211267806.8A CN202211267806A CN115330806A CN 115330806 A CN115330806 A CN 115330806A CN 202211267806 A CN202211267806 A CN 202211267806A CN 115330806 A CN115330806 A CN 115330806A
- Authority
- CN
- China
- Prior art keywords
- discontinuous
- led backlight
- pixel point
- sequence
- coding
- 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
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
- G06T9/00—Image coding
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及人工智能领域,具体涉及一种基于计算机视觉的LED背光异物缺陷检测方法,获取LED背光屏表面图像灰度的分界值,将表面图像中的像素点的灰度值序列分为连续行程和不连续行程,根据不连续行程中像素点的关联性获取的不连续行程的一阶差分序列,根据不连续行程中相邻像素点的灰度差值、连续相同的灰度差值的个数、第一个连续相同灰度差值对应的灰度值、连续相同差值之后出现的第一个不同差值对应的灰度值得到不连续行程及其一阶差分序列的编码方式,对LED背光屏多尺度图像压缩,根据图像中每行编码长度得到LED背光屏存在缺陷的概率,根据概率判断LED表面是否存在缺陷,方法精准、高效。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种基于计算机视觉的LED背光异物缺陷检测方法。
背景技术
LED属于半导体照明器件,其生产过程是在一片半导体发光器件外涂覆某种颜色的荧光胶,根据光色的混合原理,半导体发光器件通电后,LED可以发出特定颜色的色光。但是荧光胶涂覆厚度不均匀、夹带异物、荧光胶变色、半导体发光器件引脚通电失败等均会影响LED的发光效果,导致LED光效低、色度不均、热量难以散失、寿命短,甚至不能发光等问题。
在LED涂覆荧光胶之后、包装销售之前,需要对每个LED的缺陷进行检测,其中包括胶内异物、胶内气泡、胶变色等。目前广泛使用的检测方法是人工目检,由人工在短时间内快速检查所有缺陷。人工目检往往容易出错,速度慢,而且成本较高,并不能满足生产效率越来越高的要求。通过机器视觉检测的方法(例如阈值分割,边缘检测),面对胶内异物、胶内气泡、胶变色等使荧光胶品质降低的缺陷,需要提取不同的缺陷特征进行缺陷检测,并且对于空域特征不明显的缺陷如胶内气泡检测效果较差,系统的鲁棒性与泛化能力均较差。
发明内容
本发明提供一种基于计算机视觉的LED背光异物缺陷检测方法,解决效率低、成本高的问题,采用如下技术方案:
S1:获取待检测LED背光屏表面图像;
S4:根据每一行像素点中的每个不连续行程编码中像素点的灰度值计算每个不连续行程编码的关联性;
S5:将关联性小于等于阈值的不连续行程编码作为第二目标编码,根据关联性大于阈值的不连续行程编码中相邻灰度值差异得到不连续行程编码的差分序列,利用和灰度值差异对不连续行程编码的差分序列进行二次编码得到第三目标编码;
S6:获取每行像素点中的目标编码,所述目标编码包括第一目标编码、第二目标编码、第三目标编码;
S7:对LED背光屏表面图像进行多尺度金字塔下采样,并按照S2-S6的方法获取每种尺度下采样图像中的目标编码;
S8:根据相邻尺度的下采样图像中每行像素点的目标编码长度,得到LED背光屏表面图像中存在缺陷的概率,根据概率判断LED表面是否存在缺陷。
所述初步编码方法为:
所述每个不连续行程编码的关联性的计算方法为:
二次编码方式为:
其中,为不连续行程编码,d为灰度值差值,x为连续的灰度值差值相同的d值的个数,为差值序列中第一个连续相同差值所对应的灰度值,为连续相同差值后出现的第一个不同差值所对应的灰度值,为不连续行程中的第N个像素点对应的灰度值;
将编码后的差分序列作为第三目标编码。
所述LED背光屏存在缺陷的概率的计算方法为:
所述根据概率判断LED表面是否存在缺陷的方法为:
当LED背光屏存在缺陷的概率P大于等于0.3时,LED背光屏存在缺陷。
本发明的有益效果是:获取LED背光屏表面图像灰度的分界值,利用分界值将表面图像中的像素点的灰度值序列分为连续行程和不连续行程;根据不连续行程中像素点的关联性获取的不连续行程的一阶差分序列;根据不连续行程中相邻像素点的灰度差值、连续相同的灰度差值的个数、第一个连续相同灰度差值对应的灰度值、连续相同差值之后出现的第一个不同差值对应的灰度值得到不连续行程及其一阶差分序列的编码方式对LED背光屏表面图像的多尺度图像进行压缩,根据压缩后图像中每行的编码长度,得到LED背光屏存在缺陷的概率,根据概率判断LED表面是否存在缺陷;通过压缩的方式进行缺陷检测,可以快速确定缺陷存在与否,解决传统针对单种缺陷进行检测时泛化能力弱的问题,并对传统游程编码进行改进,通过对不连续游程进行标记,通过对不连续游程进行一阶差分操作,增大了压缩率;通过对差分序列进行判断,计算获取最优的压缩率,增大压缩率,使其适应快速生产的产线,同时根据编码差异区域定位缺陷位置;方法精准、高效。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于计算机视觉的LED背光异物缺陷检测方法流程示意图;
图2是本发明的一种基于计算机视觉的LED背光异物缺陷检测方法中的LED背光屏表面示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种基于计算机视觉的LED背光异物缺陷检测方法的实施例,如图1所示,包括:
S1:获取待检测LED背光屏表面图像;
该步骤的目的是,获取LED背光屏图像并进行预处理。
本实施例首先布置相机,获取LED背光屏表面图像,如图2所示,需要对LED背光屏表面缺陷进行检测并定位,需要先获取LED背光屏表面灰度图像,采集到的图像中往往存在LED背光屏之外的背景,该背景会干扰后续缺陷检测及定位的准确性,故需对背景进行去除。
为了去除背景对后续缺陷检测的干扰,本发明首先采用DNN技术来识别图像中的LED背光屏。
该DNN网络的相关内容如下:使用的数据集为本发明所述采集过程得到的待检测LED背光屏表面图像数据集,待检测LED背光屏的样式类型为多种多样的;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,属于待检测LED背光屏的标注为1;网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
该步骤的目的是,将背光屏表面的像素点灰度值序列进行划分。
该步骤的目的是对每个连续行程像素点序列和每个不连续行程像素点序列进行初步编码。
其中,初步编码方法为:
S4:根据每一行像素点中的每个不连续行程编码中像素点的灰度值计算每个不连续行程编码的关联性;
该步骤的目的是,计算每个不连续行程编码中像素点的关联性。因为,传统压缩方法例如游程编码是将一行或一列中灰度值相同的相邻像素点个数用一个计数值表示其行程,接着记录灰度值,例如数字串:3、0、0、0、0、0、0、0、1、1、1、1、1、2、2、2经过游程编码后表示为:(1,3)(7,0)(5,1)(3,2),但当图像中相同像素灰度值连续出现的个数不多时,此时运用游程编码时会造成数据膨胀的现象,即编码后的编码长度长于原始数据,例如数字串为:8、0、2、2、5、5、5经过游程编码后表示为:(1,8)(1,0)(2,2)(3,5),因此通过获取图像中像素点间的关联性对传统游程编码进行改进,以此在压缩速率快的情况下增加压缩率,使其适应快速生产的产线。
其中,每个不连续行程编码的关联性的计算方法为:
S5:将关联性小于等于阈值的不连续行程编码作为第二目标编码,根据关联性大于阈值的不连续行程编码中相邻灰度值差异得到不连续行程编码的差分序列,利用和灰度值差异对不连续行程编码的差分序列进行二次编码得到第三目标编码;
该步骤的目的是根据S4中的关联性对不连续行程编码进一步处理。需要说明的是,对于正常的LED背光屏,即使像素点间存在灰度差异,但此类差异通常均匀且相同,故对于正常的LED背光屏因为位姿或者类型而导致的图像像素点灰度值出现的不连续行程,还可以进行进一步的压缩,不连续行程中像素点灰度值的关联性越大,即对该不连续行程进行进一步压缩的必要性越大。
其中,获取关联性大于阈值的不连续行程的一阶差分序列的方法为:
序列中,表示不连续行程,d表示灰度值差值,x表示连续的差值相同的d值的个数,表示差值序列中第一个连续相同差值所对应的灰度值,表示连续相同差值后出现的第一个不同差值所对应的灰度值,表示不连续行程中的第N个像素点对应的灰度值,并将编码后的差分序列作为第三目标编码。
解码时的对应方式为:
例如:原始像素点灰度为[1、3、5、7、9、13、12],初步编码压缩为[(107)1、3、5、7、9、13、12],获取一阶差分序列为[2、2、2、2、4、1],对它的一阶差分序列进行二次编码后为:[(107)2、4、1,13,12]。
S6:获取每行像素点中的目标编码,所述目标编码包括第一目标编码、第二目标编码、第三目标编码;
该步骤的目的是获取图像中的所有目标编码。
本步骤获取图像中的所有目标编码的方法为S2-S6获得。
S7:对LED背光屏表面图像进行多尺度金字塔下采样,并按照S2-S6的方法获取每种尺度下采样图像中的目标编码;
该步骤的目的是,对LED背光屏表面图像进行多尺度金字塔下采样并获取目标编码。
其中,获取下采样图像方法为多尺度金字塔下采样,可获得LED背光屏表面图像的多尺度下采样图像。
S8:根据相邻尺度的下采样图像中每行像素点的目标编码长度,得到LED背光屏表面图像中存在缺陷的概率,根据概率判断LED表面是否存在缺陷。
该步骤的目的是,根据LED背光屏表面图像的多尺度图像的目标编码长度,根据图像中每行的目标编码长度,得到LED背光屏存在缺陷的概率。
其中,LED背光屏存在缺陷的概率的计算方法为:
式中,表示缺陷概率,表示图像的行数,L表示原图像中第行的编码长度,表示下次样后图像的行数,表示下次样后图像中第行的编码长度, 为超参数,经验值,也可通过相邻尺度的下采样图像中对应行的目标编码长度来计算P。
其中,概率判断LED表面是否存在缺陷的方法为:
当缺陷概率P大于等于0.3时,判定该LED背光屏存在缺陷。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于计算机视觉的LED背光异物缺陷检测方法,其特征在于,包括:
S1:获取待检测LED背光屏表面图像;
S4:根据每一行像素点中的每个不连续行程编码中像素点的灰度值计算每个不连续行程编码的关联性;
S5:将关联性小于等于阈值的不连续行程编码作为第二目标编码,根据关联性大于阈值的不连续行程编码中相邻灰度值差异得到不连续行程编码的差分序列,利用和灰度值差异对不连续行程编码的差分序列进行二次编码得到第三目标编码;
S6:获取每行像素点中的目标编码,所述目标编码包括第一目标编码、第二目标编码、第三目标编码;
S7:对LED背光屏表面图像进行多尺度金字塔下采样,并按照S2-S6的方法获取每种尺度下采样图像中的目标编码;
S8:根据相邻尺度的下采样图像中每行像素点的目标编码长度,得到LED背光屏表面图像中存在缺陷的概率,根据概率判断LED表面是否存在缺陷。
7.根据权利要求6所述的一种基于计算机视觉的LED背光异物缺陷检测方法,其特征在于,所述根据概率判断LED表面是否存在缺陷的方法为:
当LED背光屏存在缺陷的概率P大于等于0.3时,LED背光屏存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211267806.8A CN115330806B (zh) | 2022-10-17 | 2022-10-17 | 一种led背光异物缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211267806.8A CN115330806B (zh) | 2022-10-17 | 2022-10-17 | 一种led背光异物缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330806A true CN115330806A (zh) | 2022-11-11 |
CN115330806B CN115330806B (zh) | 2023-03-24 |
Family
ID=83915393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211267806.8A Active CN115330806B (zh) | 2022-10-17 | 2022-10-17 | 一种led背光异物缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330806B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385438A (zh) * | 2023-06-05 | 2023-07-04 | 济南科汛智能科技有限公司 | 一种核磁共振肿瘤区域提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114298948A (zh) * | 2021-12-08 | 2022-04-08 | 南京理工大学 | 基于PSPNet-RCNN的球机监控异常检测方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114820610A (zh) * | 2022-06-29 | 2022-07-29 | 数聚(山东)医疗科技有限公司 | 基于图像处理的新材料医疗器械缺陷检测方法 |
CN114998215A (zh) * | 2022-04-29 | 2022-09-02 | 南通云翔机械制造有限责任公司 | 一种缝纫机表面喷漆异常检测方法及系统 |
-
2022
- 2022-10-17 CN CN202211267806.8A patent/CN115330806B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN114298948A (zh) * | 2021-12-08 | 2022-04-08 | 南京理工大学 | 基于PSPNet-RCNN的球机监控异常检测方法 |
CN113934190A (zh) * | 2021-12-17 | 2022-01-14 | 武汉春田纸品包装有限公司 | 一种基于机器视觉的瓦楞纸板生产质量调控方法 |
CN114445387A (zh) * | 2022-01-29 | 2022-05-06 | 泗阳富艺木业股份有限公司 | 一种基于机器视觉的纤维板质量分类方法 |
CN114998215A (zh) * | 2022-04-29 | 2022-09-02 | 南通云翔机械制造有限责任公司 | 一种缝纫机表面喷漆异常检测方法及系统 |
CN114820610A (zh) * | 2022-06-29 | 2022-07-29 | 数聚(山东)医疗科技有限公司 | 基于图像处理的新材料医疗器械缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
曾毅等: "基于BP神经网络和均值差分的TFT-LCD MURA缺陷检测方法", 《湖南理工学院学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385438A (zh) * | 2023-06-05 | 2023-07-04 | 济南科汛智能科技有限公司 | 一种核磁共振肿瘤区域提取方法 |
CN116385438B (zh) * | 2023-06-05 | 2023-08-11 | 济南科汛智能科技有限公司 | 一种核磁共振肿瘤区域提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115330806B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109879005B (zh) | 皮带撕裂检测装置及方法 | |
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
CN115345885B (zh) | 一种金属健身器材外观质量检测方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN115330806B (zh) | 一种led背光异物缺陷检测方法 | |
CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
CN111899288A (zh) | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 | |
CN111861990B (zh) | 一种产品不良外观检测的方法、系统及存储介质 | |
CN110648310A (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN113379833B (zh) | 一种基于神经网络的图像可见水印的定位和分割方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN111008632A (zh) | 一种基于深度学习的车牌字符分割方法 | |
CN114708325A (zh) | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 | |
CN109178831B (zh) | 一种皮带机纵向撕裂检测方法 | |
CN114972894A (zh) | 一种基于计算机视觉的cpp薄膜缺陷分类方法 | |
CN116433668A (zh) | 一种智能液压油管漏油检测方法 | |
CN115294097A (zh) | 基于机器视觉的纺织品表面疵点检测方法 | |
CN109657682B (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
CN112884741B (zh) | 一种基于图像相似性对比的印刷表观缺陷检测方法 | |
CN111401139B (zh) | 基于字符图像智能识别获得矿山井下设备位置的方法 | |
CN117854402A (zh) | 显示屏的异常显示检测方法、装置、终端设备 | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN114743170B (zh) | 一种基于ai算法的自动驾驶场景标注方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |