CN116559183B - 一种提高缺陷判定效率的方法及系统 - Google Patents
一种提高缺陷判定效率的方法及系统 Download PDFInfo
- Publication number
- CN116559183B CN116559183B CN202310843335.9A CN202310843335A CN116559183B CN 116559183 B CN116559183 B CN 116559183B CN 202310843335 A CN202310843335 A CN 202310843335A CN 116559183 B CN116559183 B CN 116559183B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- defects
- preset
- acquired image
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 422
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013077 target material Substances 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000000737 periodic effect Effects 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims description 28
- 239000000463 material Substances 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000012797 qualification Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010301 surface-oxidation reaction Methods 0.000 description 1
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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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
- G01N2021/8858—Flaw counting
-
- 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
- G01N2021/8861—Determining coordinates 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
- G01N2021/887—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing the measurements made in two or more directions, angles, positions
-
- 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
- G01N2021/8887—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 based on image processing techniques
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种提高缺陷判定效率的方法及系统,属于缺陷检测技术领域,其方法包括:设置检测软件加载的相机参数,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和预设高度进行划分;获取每张采集图像中每个划分区域的缺陷数量和区域面积,得到第一判定结果;在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果;基于第一判定结果和第二判定结果对目标材料表面进行周期性缺陷和密集型缺陷的判定,解决了对于周期性、密集型缺陷判定确缺乏简单高效的方法的问题。
Description
技术领域
本发明涉及缺陷检测技术领域,特别涉及一种提高缺陷判定效率的方法及系统。
背景技术
目前,近年来依靠机器视觉表面检测系统开始应用到材料表面的检测中,主要是利用相机获取工件表面的二维和三维图像,经过处理和分析,得到工件表面信息,以实现对工件表面缺陷的检测,在产品出厂前,根据检测结果将有缺陷的产品进行剔除,以此来提高产品的出厂质量。在生产过程中,缺陷是不可避免的,比如在轧制过程中,铝板带箔表面的一层保护膜会被轧辊磨掉,并重新形成新的保护膜,这种过程与表面氧化腐蚀形成的腐蚀坑类似,因此轧制时容易产生表面缺陷,另外,由于轧辊与铝板带箔表面的摩擦力存在周期性变化,在轧制时如果不能很好地将该摩擦力转化成滑动摩擦,也容易产生周期性缺陷,在检测系统中,对于缺陷的检出有着成熟的方法,但是对于周期性、密集型缺陷判定确缺乏简单高效的方法。
因此,本发明提出一种提高缺陷判定效率的方法及系统。
发明内容
本发明提供一种提高缺陷判定效率的方法及系统,通过设置检测软件加载的相机参数,根据相机参数对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和高度进行划分,获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果,在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的缺陷中心坐标进行位置比较,获取第二判定结果,对目标材料表面进行周期性缺陷以及密集型缺陷的判定,解决了背景技术中对于周期性、密集型缺陷判定确缺乏简单高效的方法的问题。
本发明提出一种提高缺陷判定效率的方法及系统,该方法包括:
步骤1:设置检测软件加载的相机参数,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和预设高度进行划分;
步骤2:获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果;
步骤3:在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果;
步骤4:基于所述第一判定结果和第二判定结果对目标材料表面进行周期性缺陷以及密集型缺陷的判定。
优选的,设置检测软件加载的相机参数,包括:
获取相机的当前焦距信息,同时采集当前拍摄环境中在当前焦距信息的图像数据;
对所述图像数据进行解析,根据解析结果确定在当前焦距信息下采集图像的亮度数据和图像清晰度;
确定亮度数据和图像清晰度是否满足预设图像合格判定需求,若是,根据当前焦距信息设置第一相机参数,若否,调节相机的当前焦距信息,生成目标焦距信息;
根据目标焦距信息设置第二相机参数。
优选的,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和预设高度进行划分,包括:
基于所述相机参数设置图像连续采集参数,基于所述图像连续采集参数对目标材料表面进行连续图像采集,得到多张第一图像;
对所述多张第一图像进行预处理,获取灰度值大于等于预设阈值的多张第二图像;
获取每张第二图像的目标高度和目标宽度,且基于预设算法将每张第二图像按照预设宽度和高度进行划分。
优选的,获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果,包括:
将每张采集图像划分为多个等面积图像区域,获取每个划分区域的图像信息;
对每张采集图像中每个划分区域的图像信息基于预设缺陷标识算法进行初次缺陷检测,获取检测结果;
根据每张采集图像中每个划分区域的长度和宽度计算出该划分区域的区域面积;
根据检测结果确定每个划分区域的缺陷分布图,根据缺陷分布图和预设缺陷特征确定每个划分区域中的真实缺陷和非真实缺陷,统计真实缺陷的缺陷数量。
优选的,根据缺陷分布图和预设缺陷特征确定每个划分区域中的真实缺陷和非真实缺陷,包括:
根据缺陷分布图获取每个缺陷在划分区域中的位置区域;
根据每个缺陷在划分区域中的位置区域获取该缺陷的当前缺陷特征;
将每个缺陷的当前缺陷特征和预设缺陷特征进行比较以确定材料表面严谨度;
确定每个划分区域中每个缺陷的材料表面严谨度是否合格,若是,确认其为非真实缺陷,否则,确认其为真实缺陷。
优选的,在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果,包括:
获取每张图像上的所有缺陷中心坐标并进行标定;
将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行距离计算;
若第一缺陷中心坐标和第二缺陷中心坐标距离小于预设距离,则判断为同一位置;
将缺陷坐标存入到新的相同矢量容器中;
将新的相同矢量容器中的数据和原先相同矢量容器中的数据进行比较,若原先相同矢量容器的数据中存在与新的相同矢量容器的数据不连续的数据,则将不连续的数据删除;
将新的相同矢量容器中的数据存入到原先相同矢量容器中,并将存入后的矢量容器中的数据从大到小依次排列;
根据排列结果确定是否连续出现5个相同的点,若存在,则判断为周期性缺陷。
优选的,还包括:
制定目标材料表面曲线图谱;
获取单个缺陷的属性信息、缺陷名称以及所属类别;
基于所述曲线图谱和单个缺陷的属性信息、缺陷名称以及所属类别获取每个缺陷的几何特征;
基于单个缺陷的几何特征来确定每个缺陷的缺陷严重等级,并根据各单个缺陷的缺陷严重等级对缺陷进行分类;
统计各类缺陷中缺陷严重等级高的缺陷数量,若大于该类设定的对应预设阈值,则判定目标材料不及格。
优选的,对每张采集图像中每个划分区域的图像信息基于预设缺陷标识算法进行初次缺陷检测,获取检测结果,包括:
根据预设缺陷标识算法获取识别因子;
提取每张采集图像中每个划分区域的图像的图像帧,获取划分区域的多个帧图像;
确定每个帧图像的图像分辨率,选择图像分辨率最大的目标帧图像作为每个划分区域的待识别图像;
基于所述识别因子确定目标缺陷的目标像素点特征,同时,提取每个划分区域的待识别图像的当前像素点特征;
将目标像素点特征和当前像素点特征进行空间重叠映射,获取映射结果;
根据所述映射结果获取每个划分区域的待识别图像中被判定为存在缺陷的第一像素点;
对第一像素点进行标注,根据标注结果确定标注形态;
将所述标注形态进行三维模拟,获得三维模拟图,将所述三维模拟图与不同缺陷的预设纹理模拟图进行匹配,获得所述三维模拟图与不同缺陷的预设纹理模拟图之间的目标相似度;
将所述目标相似度大于预设相似度的目标纹理模拟图进行统计;
获取每张目标纹理模拟图的形态记忆,根据形态记忆获取缺陷形态特征;
基于缺陷形态特征确定每张采集图像中每个划分区域的存在缺陷。
一种提高缺陷判定效率的系统,包括:
划分模块:设置检测软件加载的相机参数,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和高度进行划分;
第一判定模块:获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果;
第二判定模块:在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果;
第三判定模块:基于所述第一判定结果和第二判定结果对目标材料表面进行周期性缺陷以及密集型缺陷的判定。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种提高缺陷判定效率的方法的流程图;
图2为本发明实施例中一种提高缺陷判定效率的系统的结构图;
图3为本发明实施例中提高密集型缺陷判定效率的结构图;
图4为本发明实施例中提高周期性缺陷判定效率的结构图;
图5为本发明实施例中将目标材料表面图像均分成3等份后的横纵坐标示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供一种提高缺陷判定效率的方法,如图1所示,该方法包括:
步骤1:设置检测软件加载的相机参数,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和高度进行划分;
步骤2:获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果;
步骤3:在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果;
步骤4:基于所述第一判定结果和第二判定结果对目标材料表面进行周期性缺陷以及密集型缺陷的判定。
该实施例中,相机参数可以是对比度,对比度过大,图像就会显得很刺眼,对比度越小,不同颜色之间的反差就越小。
也可以是曝光度,曝光量越大,画面越亮。
该实施例中,预设宽度是5厘米。
该实施例中,预设高度是3厘米。
该实施例中,缺陷数量是在每个区域中缺陷的具体个数,比如是10个。
该实施例中,区域面积是指将每张图像分为多个区域,且每个区域的面积相等,为15平方厘米。
该实施例中,第一判定结果是指区域内缺陷的密集性,比如每个区域的面积是15平方厘米,在A区域内缺陷所占的面积是3平方厘米,那么A区域内缺陷的密集性是3÷15×100%=20%。
该实施例中,第一缺陷中心坐标是指最后一张图像上所有缺陷的中心坐标。
该实施例中,第二缺陷中心坐标是指除了最后一张图像上,其余每张图像上所有缺陷的中心坐标。
该实施例中,第二判定结果是指每个“相同”缺陷坐标出现次数大于等于预设值,就为周期性缺陷,其中,预设值可以为5。
其中,“相同”缺陷坐标是指坐标距离在一定范围内,就可以归属为相同坐标。
上述技术方案的有益效果是:通过采集目标材料表面的图像并将每张图像划分为多个区域,对每个区域进行密集型缺陷的判定,同时将最后一张图像上的缺陷中心坐标和其余图像上的缺陷中心坐标进行周期性缺陷的判定,可以利用简单有效的方法来提高对目标材料的缺陷判定效率。
实施例2:
本发明提供一种提高缺陷判定效率的方法,设置检测软件加载的相机参数,包括:
获取相机的当前焦距信息,同时采集当前拍摄环境中在当前焦距信息的图像数据;
对所述图像数据进行解析,根据解析结果确定在当前焦距信息下采集图像的亮度数据和图像清晰度;
确定亮度数据和图像清晰度是否满足预设图像合格判定需求,若是,根据当前焦距信息设置第一相机参数,若否,调节相机的当前焦距信息,生成目标焦距信息;
根据目标焦距信息设置第二相机参数。
该实施例中,焦距信息是指相机透镜中心到光聚集之焦点的距离,焦距越长,远处的被摄体显得越大,视角越窄;焦距越短,被摄体显得越小,拍摄视野越广。
该实施例中,拍摄环境可以是露天、工厂仓库内、工厂车间内。
该实施例中,图像数据包括:像素的清晰度、亮度、灰度值。
该实施例中,第一相机参数是指采集的图像的亮度数据和图像清晰度都达到预设要求,根据当前的焦距设置相机参数。
其中,合格判定需求的亮度数据可以是40,若是室外,则图像清晰度是1080P,若是室内,则图像清晰度是720P。
该实施例中,第二相机参数是指采集的图像的亮度数据和图像清晰度未达到合格判定需求,则需要重新调整相机的焦距,比如预设要求的焦距是100mm,但当前的焦距是90mm,就需要调节焦距到100mm。
上述技术方案的有益效果是:通过对在当前焦距下采集的图形数据进行解析,确定图像的亮度数据和图像清晰度,根据确定结果设置相机参数,可以使拍摄出来的图像更加清晰,避免出现由于相机参数设置的原因而导致图像中的缺陷不明显或未拍摄到。
实施例3:
本发明提供一种提高缺陷判定效率的方法,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和预设高度进行划分,包括:
基于所述相机参数设置图像连续采集参数,基于所述图像连续采集参数对目标材料表面进行连续图像采集,得到多张第一图像;
对所述多张第一图像进行预处理,获取灰度值大于等于预设阈值的多张第二图像;
获取每张第二图像的目标高度和目标宽度,且基于预设算法将每张第二图像按照预设宽度和高度进行划分。
该实施例中,相机参数可以是对比度,对比度过大,图像就会显得很刺眼,对比度越小,不同颜色之间的反差就越小。
也可以是曝光度,曝光量越大,画面越亮。
该实施例中,预设宽度是5厘米。
该实施例中,预设高度是3厘米。
该实施例中,灰度值是指是指图像中每个像素的亮度值,通常用0到255的整数表示。
该实施例中,预设阈值是100。
上述技术方案的有益效果是:通过对目标材料表面采集是图像进行预处理,获取灰度值大于等于预设阈值的第二图像,并将第二图像按照预设宽度和预设高度进行划分为多个区域,可以方便对目标材料表面的缺陷进行观察。
实施例4:
本发明提供一种提高缺陷判定效率的方法,获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果,包括:
将每张采集图像划分为多个等面积图像区域,获取每个划分区域的图像信息;
对每张采集图像中每个划分区域的图像信息基于预设缺陷标识算法进行初次缺陷检测,获取检测结果;
根据每张采集图像中每个划分区域的长度和宽度计算出该划分区域的区域面积;
根据检测结果确定每个划分区域的缺陷分布图,根据缺陷分布图和预设缺陷特征确定每个划分区域中的真实缺陷和非真实缺陷,统计真实缺陷的缺陷数量。
该实施例中,预设缺陷标识算法是一种使用图像处理技术检测缺陷的算法,可以帮助分析图像中的缺陷,并确定缺陷的位置,比如,基于图像信息进行缺陷检测的,是图像处理算法。
该实施例中,初次缺陷检测是确定缺陷在区域内的位置和分布情况,但不能确定每个缺陷是否为真实缺陷。
该实施例中,缺陷分布图是指图像内每个区域的缺陷是怎么分布的,比如A区域有5个缺陷,分别在A区域的左上方和右上方,而B区域有3个缺陷,分别在B区域的左上方和正中间位置。
该实施例中,预设缺陷特征是指缺陷的灰度值特征、纹理特征,一般图像的纹理特征与图像灰度特征有关,可由灰度特征组成。
其中,预设缺陷特征的灰度值特征是大于等于第一预设阈值和材料表面严谨度的差值。
该实施例中,真实缺陷是指待测缺陷内各点的灰度值是否大于等于第一预设阈值和材料表面严谨度的差值,将灰度值大于等于差值的点作为目标点,若目标点的数量大于等于预设第二预设阈值,则判断待检测缺陷不是真实缺陷,否则确定待测缺陷是真实缺陷。
由灰度特征可以确定纹理特征,判断缺陷的真实性,从而可以确定材料表面的纹理分布。
其中,第一预设阈值可以是5,材料表面严谨度是8,差值为3.
第二预设阈值是50个。
上述技术方案的有益效果是:获取每个划分区域的图像信息,对区域进行初次缺陷检测,计算出每个区域的面积,根据缺陷面积和预设缺陷特征,统计真实缺陷的缺陷数量,可以快速获取到每个区域的真实缺陷数量,从而判断该区域的缺陷是否为密集型缺陷。
实施例5:
本发明提供一种提高缺陷判定效率的方法,根据缺陷分布图和预设缺陷特征确定每个划分区域中的真实缺陷和非真实缺陷,包括:
根据缺陷分布图获取每个缺陷在划分区域中的位置区域;
根据每个缺陷在划分区域中的位置区域获取该缺陷的当前缺陷特征;
将每个缺陷的当前缺陷特征和预设缺陷特征进行比较以确定材料表面严谨度;
确定每个划分区域中每个缺陷的材料表面严谨度是否合格,若是,确认其为非真实缺陷,否则,确认其为真实缺陷。
该实施例中,位置区域是指缺陷在在区域中的位置,比如在区域的正中间。
该实施例中,当前缺陷特征可以是缺陷是椭圆形的,缺陷的图像灰度值。
该实施例中,表面严谨度比如当前缺陷的图像灰度值是30,预设缺陷的图像灰度值是20,那么材料表面严谨度就为(30-20)÷20=0.5。
该实施例中,合格值为1。
上述技术方案的有益效果是:通过获取每个缺陷的当前缺陷特征,并和预设缺陷特征进行比较,确定材料表面严谨度,可以精准的判断每个缺陷是否为真实缺陷,避免对缺陷数量的统计出现误差,从而影响对密集型缺陷的判断。
实施例6:
本发明提供一种提高缺陷判定效率的方法,在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果,包括:
获取每张图像上的所有缺陷中心坐标并进行标定;
将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行距离计算;
若第一缺陷中心坐标和第二缺陷中心坐标距离小于预设距离,则判断为同一位置;
将缺陷坐标存入到新的相同矢量容器中;
将新的相同矢量容器中的数据和原先相同矢量容器中的数据进行比较,若原先相同矢量容器的数据中存在与新的相同矢量容器的数据不连续的数据,则将不连续的数据删除;
将新的相同矢量容器中的数据存入到原先相同矢量容器中,并将存入后的矢量容器中的数据从大到小依次排列;
根据排列结果确定是否连续出现5个相同的点,若存在,则判断为周期性缺陷。
该实施例中,缺陷中心坐标是指缺陷最中间位置的坐标,也就是缺陷到左右两边的距离相等,到上下两边的距离相等,比如缺陷是正圆形,缺陷内会存在无数个点,圆心位置的坐标就为缺陷中心坐标。
该实施例中,第一缺陷中心坐标是指最后一张图像上所有缺陷的中心坐标。
该实施例中,第二缺陷中心坐标是指除了最后一张图像上,其余每张图像上所有缺陷的中心坐标。
该实施例中,比如第一缺陷中心坐标是(3,4),第二缺陷中心坐标是(3,3),那么距离就为1。
该实施例中,预设距离为2。
该实施例中,将第二缺陷中心坐标(3,3)存入到新的相同矢量容器中,若原先相同矢量容器中的数据含有(8,9),那么(8,9)就为不连续数据,将其删除。
上述技术方案的有益效果是:通过将第一缺陷中心坐标和第二缺陷中心坐标进行距离计算,并存入到新的相同矢量容器中,删除不连续的数据,将存入后的矢量容器中的数据从大到小依次排列,判断相同点出现的频次,可以简单快速的确定缺陷是否为周期性缺陷,及时对材料进行修整,提高了判断周期性缺陷的效率。
实施例7:
本发明提供一种提高缺陷判定效率的方法,还包括:
制定目标材料表面曲线图谱;
获取单个缺陷的属性信息、缺陷名称以及所属类别;
基于所述曲线图谱和单个缺陷的属性信息、缺陷名称以及所属类别获取每个缺陷的几何特征;
基于单个缺陷的几何特征来确定每个缺陷的缺陷严重等级,并根据各单个缺陷的缺陷严重等级对缺陷进行分类;
统计各类缺陷中缺陷严重等级高的缺陷数量,若大于该类设定的对应预设阈值,则判定目标材料不及格。
该实施例中,材料表面曲线图谱是可以反映出目标材料表面的缺陷宽度和深度。
该实施例中,缺陷的属性可以是缺陷的起源、缺陷优先级。
该实施例中,缺陷类别可以是裂纹型缺陷、变形型缺陷。
该实施例中,几何特征可以是椭圆、正圆、不规则图形。
该实施例中,缺陷严重等级可以分为:致命的,严重的,一般的,微小的。
该实施例中,比如在微小的缺陷严重等级中,也会分为A、B、C三种等级,A为严重的,比如为10个,该类缺陷严重等级高的缺陷数量的预设阈值为8个,10>8,那么判定目标材料不合格。
上述技术方案的有益效果是:通过曲线图谱和单个缺陷的属性信息、缺陷名称以及所属类别获取每个缺陷的几何特征,从而确定每个缺陷的缺陷严重等级,统计每类等级中缺陷严重等级高的缺陷数量,可以快速判断目标材料的合格性。
实施例8:
本发明提供一种提高缺陷判定效率的方法,对每张采集图像中每个划分区域的图像信息基于预设缺陷标识算法进行初次缺陷检测,获取检测结果,包括:
根据预设缺陷标识算法获取识别因子;
提取每张采集图像中每个划分区域的图像的图像帧,获取划分区域的多个帧图像;
确定每个帧图像的图像分辨率,选择图像分辨率最大的目标帧图像作为每个划分区域的待识别图像;
基于所述识别因子确定目标缺陷的目标像素点特征,同时,提取每个划分区域的待识别图像的当前像素点特征;
将目标像素点特征和当前像素点特征进行空间重叠映射,获取映射结果;
根据所述映射结果获取每个划分区域的待识别图像中被判定为存在缺陷的第一像素点;
对第一像素点进行标注,根据标注结果确定标注形态;
将所述标注形态进行三维模拟,获得三维模拟图,将所述三维模拟图与不同缺陷的预设纹理模拟图进行匹配,获得所述三维模拟图与不同缺陷的预设纹理模拟图之间的目标相似度;
将所述目标相似度大于预设相似度的目标纹理模拟图进行统计;
获取每张目标纹理模拟图的形态记忆,根据形态记忆获取缺陷形态特征;
基于缺陷形态特征确定每张采集图像中每个划分区域的存在缺陷。
该实施例中,识别因子是指缺陷的识别参数的描述因子,比如描述缺陷的形状、缺陷的规格大小。
该实施例中,图像分辨率是指图像中存储的信息量,是每英寸图像内有多少个像素点,分辨率越高,代表图像越清晰。
该实施例中,图像帧是指一瞬间一个划分区域的一张照片,由于将每张图像划分为多个区域,所以每个区域每个瞬间都会有图像帧,这些图像帧组成了多个帧图像。
该实施例中,识别因子可以识别出来缺陷的显示特征,将显示特征代入到像素里就是缺陷的像素点特征。
该实施例中,待识别图像是指图像分辨率最大的目标帧图像。
该实施例中,目标像素点特征是指像素点的显示特征,比如是目标像素点的显示取值范围是10-15,当前像素点的显示取值范围为11。
该实施例中,空间重叠映射是指在同个像素空间内进行同个像素点的重叠映射,也就是目标像素点特征和当前像素点特征进行重叠映射后,当前像素点和目标像素点出现偏差,那么就判定该像素点所处的划分区域的待识别图像存在缺陷。
该实施例中,第一像素点是指存在缺陷的缺陷像素点。
该实施例中,标注形态是指缺陷的形状,比如说椭圆、正圆。
该实施例中,三维模拟是指缺陷在三维图上如何显示的,可以观察出缺陷的立体形状,获取缺陷的长、宽和深度。
该实施例中,预设纹理模拟图是指每个缺陷预先设置的标准纹理显示图,反映了表面结构组织排列的重要信息。
该实施例中,目标相似度是指三维模拟图与不同缺陷的预设纹理模拟图之间的相似度。
该实施例中,预设相似度是85%。
该实施例中,形态记忆是指比如出现裂缝缺陷,沿着裂缝是如何往外扩散的。
该实施例中,缺陷形态特征是指比如裂缝往外扩散,最终会形成的缺陷形态,可以是多个裂缝,也可以是凹陷的坑。
上述技术方案的有益效果是:通过获取每个划分区域的待识别图像当前像素点特征和目标缺陷的目标像素点特征,进行空间重叠映射,获取存在缺陷的第一像素点并进行标注,构建缺陷三维模拟并确定和预设纹理模拟图的相似度,可以提高识别精度,使识别结果更加精准。
实施例9:
一种提高缺陷判定效率的系统,如图2所示,包括:
划分模块:设置检测软件加载的相机参数,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和高度进行划分;
第一判定模块:获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果;
第二判定模块:在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果;
第三判定模块:基于所述第一判定结果和第二判定结果对目标材料表面进行周期性缺陷以及密集型缺陷的判定。
上述技术方案的有益效果是:通过采集目标材料表面的图像并将每张图像划分为多个区域,对每个区域进行密集型缺陷的判定,同时将最后一张图像上的缺陷中心坐标和其余图像上的缺陷中心坐标进行周期性缺陷的判定,可以利用简单有效的方法来提高对目标材料的缺陷判定效率。
周期性缺陷判断的过程:
首先设置检测系统软件加载的相机参数,通过相机参数,相机参数包括相机的序列号,相机的类型,相机的配置文件,实现检测系统与相机的接口连接;
检测系统软件加载相机成功以后,开始采集图像,并进行检测;
判断是否在“相同”位置上:当开始检测时,系统会由算法给出本张图片上所有的缺陷中心坐标和上一次图像上的缺陷中心坐标。将本张图像上的缺陷坐标逐一与上一次缺陷坐标进行比较,计算距离D,公式如下:
;
LastRectX、LastRectY代表上一张图像上的缺陷横纵坐标,RectX、RectY代表本次缺陷横纵图像坐标。D<用户设定的参数时,就认为是在同一位置上,同时将本张图像上的缺陷坐标替换成上一张图像的缺陷坐标,公式如下:
;将符合条件的坐标放入到NewSameVector容器中,同时将判断标识InsertNewSameVector设为1。
去除不连续坐标:如果SameVector容器中的某一缺陷坐标与NewSameVector中的不相同,去掉此坐标。
将NewSameVector容器中的数据全部放入SameVector中,将SameVector中数据进行排序,并将NewSameVector清空。
在SameVector存在数据且InsertNewSameVector=1的条件下,如果连续出现5次以上“相同”的缺陷坐标,则判断无周期性缺陷。
密集型缺陷判断的过程:
(1)首先设置检测系统软件加载的相机参数,通过相机参数,相机参数包括相机的序列号,相机的类型,相机的配置文件,实现检测系统与相机的接口连接;
(2)检测系统软件加载相机成功以后,开始采集图像,并进行检测;
(3)由算法得出每个图像的高度和宽度,均分成几等份,可由外部用户设定,在此以均分成3等分为例,公式如下:
ImgSplitX、ImgSplitY是图像宽度ImgW和高度ImgH三等分后的横纵坐标,如图5所示。
(4) 判断每个缺陷属于哪个小区域
(5)每个缺陷坐标大于外部规定的数量,判定为密集型缺陷。
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 (8)
1.一种提高缺陷判定效率的方法,其特征在于,该方法包括:
步骤1:设置检测软件加载的相机参数,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和预设高度进行划分;
步骤2:获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果;
步骤3:在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果;
步骤4:基于所述第一判定结果和第二判定结果对目标材料表面进行周期性缺陷以及密集型缺陷的判定;
其中,步骤3,包括:
获取每张图像上的所有缺陷中心坐标并进行标定;
将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行距离计算;
若第一缺陷中心坐标和第二缺陷中心坐标距离小于预设距离,则判断为同一位置;
将缺陷坐标存入到新的相同矢量容器中;
将新的相同矢量容器中的数据和原先相同矢量容器中的数据进行比较,若原先相同矢量容器的数据中存在与新的相同矢量容器的数据不连续的数据,则将不连续的数据删除;
将新的相同矢量容器中的数据存入到原先相同矢量容器中,并将存入后的矢量容器中的数据从大到小依次排列;
根据排列结果确定是否连续出现5个相同的点,若存在,则判断为周期性缺陷。
2.根据权利要求1所述的提高缺陷判定效率的方法,其特征在于,设置检测软件加载的相机参数,包括:
获取相机的当前焦距信息,同时采集当前拍摄环境中在当前焦距信息的图像数据;
对所述图像数据进行解析,根据解析结果确定在当前焦距信息下采集图像的亮度数据和图像清晰度;
确定亮度数据和图像清晰度是否满足预设图像合格判定需求,若是,根据当前焦距信息设置第一相机参数,若否,调节相机的当前焦距信息,生成目标焦距信息;
根据目标焦距信息设置第二相机参数。
3.根据权利要求2所述的提高缺陷判定效率的方法,其特征在于,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和预设高度进行划分,包括:
基于所述相机参数设置图像连续采集参数,基于所述图像连续采集参数对目标材料表面进行连续图像采集,得到多张第一图像;
对所述多张第一图像进行预处理,获取灰度值大于等于预设阈值的多张第二图像;
获取每张第二图像的目标高度和目标宽度,且基于预设算法将每张第二图像按照预设宽度和高度进行划分。
4.根据权利要求1所述的提高缺陷判定效率的方法,其特征在于,获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果,包括:
将每张采集图像划分为多个等面积图像区域,获取每个划分区域的图像信息;
对每张采集图像中每个划分区域的图像信息基于预设缺陷标识算法进行初次缺陷检测,获取检测结果;
根据每张采集图像中每个划分区域的长度和宽度计算出该划分区域的区域面积;
根据检测结果确定每个划分区域的缺陷分布图,根据缺陷分布图和预设缺陷特征确定每个划分区域中的真实缺陷和非真实缺陷,统计真实缺陷的缺陷数量。
5.根据权利要求4所述的提高缺陷判定效率的方法,其特征在于,根据缺陷分布图和预设缺陷特征确定每个划分区域中的真实缺陷和非真实缺陷,包括:
根据缺陷分布图获取每个缺陷在划分区域中的位置区域;
根据每个缺陷在划分区域中的位置区域获取该缺陷的当前缺陷特征;
将每个缺陷的当前缺陷特征和预设缺陷特征进行比较以确定材料表面严谨度;
确定每个划分区域中每个缺陷的材料表面严谨度是否合格,若是,确认其为非真实缺陷,否则,确认其为真实缺陷。
6.根据权利要求1所述的提高缺陷判定效率的方法,其特征在于,还包括:
制定目标材料表面曲线图谱;
获取单个缺陷的属性信息、缺陷名称以及所属类别;
基于所述曲线图谱和单个缺陷的属性信息、缺陷名称以及所属类别获取每个缺陷的几何特征;
基于单个缺陷的几何特征来确定每个缺陷的缺陷严重等级,并根据各单个缺陷的缺陷严重等级对缺陷进行分类;
统计各类缺陷中缺陷严重等级高的缺陷数量,若大于该类设定的对应预设阈值,则判定目标材料不及格。
7.根据权利要求1所述的提高缺陷判定效率的方法,其特征在于,对每张采集图像中每个划分区域的图像信息基于预设缺陷标识算法进行初次缺陷检测,获取检测结果,包括:
根据预设缺陷标识算法获取识别因子;
提取每张采集图像中每个划分区域的图像的图像帧,获取划分区域的多个帧图像;
确定每个帧图像的图像分辨率,选择图像分辨率最大的目标帧图像作为每个划分区域的待识别图像;
基于所述识别因子确定目标缺陷的目标像素点特征,同时,提取每个划分区域的待识别图像的当前像素点特征;
将目标像素点特征和当前像素点特征进行空间重叠映射,获取映射结果;
根据所述映射结果获取每个划分区域的待识别图像中被判定为存在缺陷的第一像素点;
对第一像素点进行标注,根据标注结果确定标注形态;
将所述标注形态进行三维模拟,获得三维模拟图,将所述三维模拟图与不同缺陷的预设纹理模拟图进行匹配,获得所述三维模拟图与不同缺陷的预设纹理模拟图之间的目标相似度;
将所述目标相似度大于预设相似度的目标纹理模拟图进行统计;
获取每张目标纹理模拟图的形态记忆,根据形态记忆获取缺陷形态特征;
基于缺陷形态特征确定每张采集图像中每个划分区域的存在缺陷。
8.一种提高缺陷判定效率的系统,其特征在于,包括:
划分模块:设置检测软件加载的相机参数,根据相机参数,对目标材料表面进行连续图像采集,并将每张采集图像按照预设宽度和高度进行划分;
第一判定模块:获取每张采集图像中每个划分区域的缺陷数量以及区域面积,得到第一判定结果;
第二判定模块:在每张采集图像上标定所有缺陷中心坐标,并依据连续采集顺序,将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行位置比较,获取第二判定结果;
第三判定模块:基于所述第一判定结果和第二判定结果对目标材料表面进行周期性缺陷以及密集型缺陷的判定;
其中,所述第二判定模块,用于:
获取每张图像上的所有缺陷中心坐标并进行标定;
将最后一张采集图像上的第一缺陷中心坐标依次与按照采集顺序所对应的剩余每张采集图像的第二缺陷中心坐标进行距离计算;
若第一缺陷中心坐标和第二缺陷中心坐标距离小于预设距离,则判断为同一位置;
将缺陷坐标存入到新的相同矢量容器中;
将新的相同矢量容器中的数据和原先相同矢量容器中的数据进行比较,若原先相同矢量容器的数据中存在与新的相同矢量容器的数据不连续的数据,则将不连续的数据删除;
将新的相同矢量容器中的数据存入到原先相同矢量容器中,并将存入后的矢量容器中的数据从大到小依次排列;
根据排列结果确定是否连续出现5个相同的点,若存在,则判断为周期性缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843335.9A CN116559183B (zh) | 2023-07-11 | 2023-07-11 | 一种提高缺陷判定效率的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843335.9A CN116559183B (zh) | 2023-07-11 | 2023-07-11 | 一种提高缺陷判定效率的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116559183A CN116559183A (zh) | 2023-08-08 |
CN116559183B true CN116559183B (zh) | 2023-11-03 |
Family
ID=87498636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310843335.9A Active CN116559183B (zh) | 2023-07-11 | 2023-07-11 | 一种提高缺陷判定效率的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116559183B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058090A (zh) * | 2023-08-11 | 2023-11-14 | 曲靖阳光新能源股份有限公司 | 用于检测单晶硅片缺陷的方法和装置 |
CN116727665B (zh) * | 2023-08-14 | 2023-10-13 | 山西康腾威机械制造有限公司 | 一种自动化合金制造系统 |
CN116754567B (zh) * | 2023-08-18 | 2023-11-10 | 钛玛科(北京)工业科技有限公司 | 铜箔材料的周期性缺陷检测方法、装置及设备 |
CN117250209B (zh) * | 2023-11-14 | 2024-02-27 | 长沙和捷实业有限公司 | 一种管道连接环自动光学筛选图像处理系统及方法 |
CN117250208B (zh) * | 2023-11-20 | 2024-02-06 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004245720A (ja) * | 2003-02-14 | 2004-09-02 | Mitsubishi Rayon Co Ltd | 欠陥検査装置および欠陥検査方法 |
CN101432864A (zh) * | 2006-04-27 | 2009-05-13 | 夏普株式会社 | 缺陷分布分类方法及系统、故障源设备确定方法及系统、计算机程序、以及存储介质 |
JP2011128030A (ja) * | 2009-12-18 | 2011-06-30 | Sharp Corp | 欠陥検査装置、及び欠陥情報管理方法 |
RU2688239C1 (ru) * | 2018-08-07 | 2019-05-21 | Акционерное общество "Гознак" (АО "Гознак") | Способ видеоконтроля качества повтора квазиидентичных объектов на основе скоростных алгоритмов сравнения плоских периодических структур рулонного полотна |
CN111299318A (zh) * | 2020-03-02 | 2020-06-19 | 马鞍山钢铁股份有限公司 | 一种热轧板带产品表面质量的自动判定方法 |
CN113933312A (zh) * | 2021-09-30 | 2022-01-14 | 杭州百子尖科技股份有限公司 | 表面缺陷的周期性规律实时判定方法 |
CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
CN115064457A (zh) * | 2022-05-10 | 2022-09-16 | 长江存储科技有限责任公司 | 用于晶圆的信息处理方法、电子设备及存储介质 |
CN115526820A (zh) * | 2021-06-24 | 2022-12-27 | 中国联合网络通信集团有限公司 | 工件检测方法及设备 |
CN116228678A (zh) * | 2023-01-31 | 2023-06-06 | 广东科信电子有限公司 | 芯片封装缺陷自动识别和处理方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5695924B2 (ja) * | 2010-02-01 | 2015-04-08 | 株式会社ニューフレアテクノロジー | 欠陥推定装置および欠陥推定方法並びに検査装置および検査方法 |
CN105572143B (zh) * | 2015-12-17 | 2018-05-25 | 湖北第二师范学院 | 压延过程中压延材料表面周期性缺陷的检测方法 |
CN107085846B (zh) * | 2017-05-08 | 2020-01-03 | 湘潭大学 | 工件表面缺陷图像识别方法 |
CN108645867B (zh) * | 2018-05-25 | 2021-09-07 | 哈尔滨工业大学 | 大口径光学晶体表面微缺陷的快速寻位与批量检测方法 |
CN113034442B (zh) * | 2021-03-04 | 2023-10-13 | 北京科技大学设计研究院有限公司 | 一种基于缺陷分布图谱的热轧带钢表面质量分级方法 |
CN114359250B (zh) * | 2021-12-29 | 2023-04-18 | 上海赛美特软件科技有限公司 | 确定晶圆缺陷形状的方法、装置、电子设备和存储介质 |
CN114926671A (zh) * | 2022-06-16 | 2022-08-19 | 福州大学 | 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统 |
-
2023
- 2023-07-11 CN CN202310843335.9A patent/CN116559183B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004245720A (ja) * | 2003-02-14 | 2004-09-02 | Mitsubishi Rayon Co Ltd | 欠陥検査装置および欠陥検査方法 |
CN101432864A (zh) * | 2006-04-27 | 2009-05-13 | 夏普株式会社 | 缺陷分布分类方法及系统、故障源设备确定方法及系统、计算机程序、以及存储介质 |
JP2011128030A (ja) * | 2009-12-18 | 2011-06-30 | Sharp Corp | 欠陥検査装置、及び欠陥情報管理方法 |
RU2688239C1 (ru) * | 2018-08-07 | 2019-05-21 | Акционерное общество "Гознак" (АО "Гознак") | Способ видеоконтроля качества повтора квазиидентичных объектов на основе скоростных алгоритмов сравнения плоских периодических структур рулонного полотна |
CN111299318A (zh) * | 2020-03-02 | 2020-06-19 | 马鞍山钢铁股份有限公司 | 一种热轧板带产品表面质量的自动判定方法 |
CN115526820A (zh) * | 2021-06-24 | 2022-12-27 | 中国联合网络通信集团有限公司 | 工件检测方法及设备 |
CN113933312A (zh) * | 2021-09-30 | 2022-01-14 | 杭州百子尖科技股份有限公司 | 表面缺陷的周期性规律实时判定方法 |
CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
CN115064457A (zh) * | 2022-05-10 | 2022-09-16 | 长江存储科技有限责任公司 | 用于晶圆的信息处理方法、电子设备及存储介质 |
CN116228678A (zh) * | 2023-01-31 | 2023-06-06 | 广东科信电子有限公司 | 芯片封装缺陷自动识别和处理方法 |
Non-Patent Citations (1)
Title |
---|
基于计算机图像处理技术的皮革表面缺陷检测研究现状及展望;韦华;《中国皮革》;第52卷(第07期);18-21 * |
Also Published As
Publication number | Publication date |
---|---|
CN116559183A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN111161243B (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN113688807A (zh) | 一种自适应缺陷检测方法、装置、识别系统及存储介质 | |
CN113608378B (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
JP2013238449A (ja) | ひび割れ検出方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN115078365A (zh) | 一种软包装印刷质量缺陷检测方法 | |
CN116523923A (zh) | 一种电池外壳缺陷识别方法 | |
CN112581452A (zh) | 工业配件表面缺陷检测方法、系统、智能设备和存储介质 | |
CN116630304A (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
CN113808104B (zh) | 一种基于分块的金属表面缺陷检测方法及系统 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
CN112837285B (zh) | 一种板面图像的边缘检测方法及装置 | |
CN113591548B (zh) | 靶环识别方法及系统 | |
CN113409297A (zh) | 骨料体积计算方法、粒形级配数据生成方法、系统和设备 |
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 |