CN116612116A - 一种基于深度学习图像分割的晶体外观缺陷检测方法 - Google Patents
一种基于深度学习图像分割的晶体外观缺陷检测方法 Download PDFInfo
- Publication number
- CN116612116A CN116612116A CN202310882779.3A CN202310882779A CN116612116A CN 116612116 A CN116612116 A CN 116612116A CN 202310882779 A CN202310882779 A CN 202310882779A CN 116612116 A CN116612116 A CN 116612116A
- Authority
- CN
- China
- Prior art keywords
- image
- crystal appearance
- detected
- crystal
- segmentation
- 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
- 239000013078 crystal Substances 0.000 title claims abstract description 233
- 230000007547 defect Effects 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000003709 image segmentation Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 89
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06V10/70—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
-
- 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
-
- 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
本发明涉及图像识别技术领域,尤其涉及一种基于深度学习图像分割的晶体外观缺陷检测方法,包括:利用待检测晶体外观图像建立图像分割模型;利用所述待检测晶体外观图像带入图像分割模型得到待检测晶体外观分割图像;利用所述待检测晶体外观分割图像得到晶体外观缺陷检测结果,对于缺陷如划痕、脏污以及凹陷等,通过灰度突变计算出轮廓面积;对于具有相同轮廓的目标,通过模板特征匹配进行检测;对于晶体上Lid(晶体上盖板)偏移,通过边缘测量识别。利用该方法突破了传统视觉在灰度接近、轮廓模糊、随机的背景变化等缺陷瓶颈,极大的提高了检测精度。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种基于深度学习图像分割的晶体外观缺陷检测方法。
背景技术
随着电子产品封装小型化的不断发展,基础工业的“精密化”发展并没有质的提升,造成在外观检测特征上的尺寸偏差、色差、批次等不稳定以及工厂生产过程中对晶体造成的损伤,给标准化工厂生产带来了不确定性。出现以上现象,使用传统的工业视觉检测方法误判概率较高,甚至出现对于一些特征无法进行检测,只能人工进行目检,造成生产成本上升,降低了产品品质和生产效率。
现有的特征检测的方法大多基于特征的轮廓或者颜色的模板匹配算法,基于模板算法原理,目标特征图像和预制模板图像越接近,检查效果越好,检测结果得分越高,反之检测效果越差,检测结果得分越低。所以在实际生产中需要给出合适的检测结果阈值,但随着产品状态的波动,阈值不能实时调整,使生产管控处于风险的边缘。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习图像分割的晶体外观缺陷检测方法,通过对待测晶体实时图像基于深度学习进行处理后得到缺陷检测结果。
为实现上述目的,本发明提供了一种基于深度学习图像分割的晶体外观缺陷检测方法,包括:
利用待检测晶体外观图像建立图像分割模型;
利用所述待检测晶体外观图像带入图像分割模型得到待检测晶体外观分割图像;
利用所述待检测晶体外观分割图像得到晶体外观缺陷检测结果。
优选的,所述利用待检测晶体外观图像建立图像分割模型包括:
利用所述待检测晶体外观图像获取待检测晶体外观区域轮廓图像;
利用所述待检测晶体外观图像和与其对应的待检测晶体外观区域轮廓图像建立训练集;
利用待检测晶体外观图像作为输入,所述待检测晶体外观图像对应的待检测晶体外观区域轮廓图像作为输出,基于机器学习算法进行训练得到图像分割模型。
优选的,利用所述待检测晶体外观分割图像得到晶体外观缺陷检测结果包括:
利用所述待检测晶体外观分割图像基于灰度分析得到晶体外观缺陷面积;
利用所述待检测晶体外观分割图像进行特征匹配得到晶体外观缺陷特征匹配结果;
利用所述待检测晶体外观分割图像进行边缘测量得到晶体外观缺陷边缘测量结果;
利用所述晶体外观缺陷面积、晶体外观缺陷特征匹配结果与晶体外观缺陷边缘测量结果作为晶体外观缺陷检测结果。
进一步的,利用所述待检测晶体外观分割图像基于灰度分析得到晶体外观缺陷面积包括:
利用所述待检测晶体外观分割图像进行二值化处理得到待检测晶体外观分割灰度图像;
获取待检测晶体外观分割灰度图像中灰度值大于0的区域作为晶体外观缺陷面积。
进一步的,利用所述待检测晶体外观分割图像进行特征匹配得到晶体外观缺陷特征匹配结果包括:
利用所述晶体外观缺陷面积作为晶体外观缺陷匹配模板;
判断所述待检测晶体外观分割图像中是否存在与晶体外观缺陷匹配模板对应的待检测晶体外观分割图像区域,若是,则利用所述待检测晶体外观分割图像区域作为晶体外观缺陷特征匹配结果,否则,放弃处理。
进一步的,利用所述待检测晶体外观分割图像进行边缘测量得到晶体外观缺陷边缘测量结果包括:
利用所述待检测晶体外观分割图像根据晶体外观缺陷匹配模板进行模板定位获取待检测晶体外观分割图像的测量区域ROI;
根据所述待检测晶体外观分割图像的测量区域ROI得到晶体外观缺陷边缘测量结果。
进一步的,利用所述待检测晶体外观分割图像根据晶体外观缺陷匹配模板进行模板定位获取待检测晶体外观分割图像的测量区域ROI包括:
其中,(X,Y)为待检测晶体外观分割图像的定位中心坐标,Angle为待检测晶体的角度,(Result.X,Result.Y)为模板定位结果坐标,Result.R为模板定位结果角度,(CenterX,CenterY)为待检测晶体外观分割图像的测量区域中心坐标,Width与Height为待检测晶体外观分割图像的测量区域范围,Angle’为待检测晶体外观分割图像的测量区域角度。
进一步的,根据所述待检测晶体外观分割图像的测量区域ROI得到晶体外观缺陷边缘测量结果包括:
利用所述待检测晶体外观分割图像的测量区域ROI得到待检测晶体外观分割灰度图像;
根据所述待检测晶体外观分割灰度图像基于灰度变化顺序进行检索处理得到待检测晶体外观分割灰度图像的最大间距;
根据所述待检测晶体外观分割灰度图像的最大间距作为晶体外观缺陷边缘测量结果;
其中,灰度变化顺序为先由黑至白后,再由白至黑。
与最接近的现有技术相比,本发明具有的有益效果:
基于深度学习图像分割,通过收集大量图片,通过训练得出模型数据,对任意需要检测的图片检测时,只输出包含检测目前特征的黑白图片,摒弃晶体表面材质和颜色对检测效果的干扰,另也可以针对细小特征进行检测。同时抛弃了传统的阈值方式,模型统一化管理,大大提高了检测精度以及检测兼容性。
附图说明
图1是本发明提供的一种基于深度学习图像分割的晶体外观缺陷检测方法的流程图;
图2是本发明提供的一种基于深度学习图像分割的晶体外观缺陷检测方法的具体实施流程图;
图3是本发明提供的一种基于深度学习图像分割的晶体外观缺陷检测方法的具体实施灰度突变分析缺陷面积示意图;
图4是本发明提供的一种基于深度学习图像分割的晶体外观缺陷检测方法的具体实施轮廓特征示意图;
图5是本发明提供的一种基于深度学习图像分割的晶体外观缺陷检测方法的具体实施检测区域示意图;
图6是本发明提供的一种基于深度学习图像分割的晶体外观缺陷检测方法的具体实施边缘宽度示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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它实施例,都属于本发明保护的范围。
实施例
本发明提供了一种基于深度学习图像分割的晶体外观缺陷检测方法,如图1所示,包括:
S1、利用待检测晶体外观图像建立图像分割模型;
S2、利用所述待检测晶体外观图像带入图像分割模型得到待检测晶体外观分割图像;
S3、利用所述待检测晶体外观分割图像得到晶体外观缺陷检测结果。
S1具体包括:
S1-1、利用所述待检测晶体外观图像获取待检测晶体外观区域轮廓图像;
S1-2、利用所述待检测晶体外观图像和与其对应的待检测晶体外观区域轮廓图像建立训练集;
S1-3、利用待检测晶体外观图像作为输入,所述待检测晶体外观图像对应的待检测晶体外观区域轮廓图像作为输出,基于机器学习算法进行训练得到图像分割模型。
S3具体包括:
S3-1、利用所述待检测晶体外观分割图像基于灰度分析得到晶体外观缺陷面积;
S3-2、利用所述待检测晶体外观分割图像进行特征匹配得到晶体外观缺陷特征匹配结果;
S3-3、利用所述待检测晶体外观分割图像进行边缘测量得到晶体外观缺陷边缘测量结果;
S3-4、利用所述晶体外观缺陷面积、晶体外观缺陷特征匹配结果与晶体外观缺陷边缘测量结果作为晶体外观缺陷检测结果。
S3-1具体包括:
S3-1-1、利用所述待检测晶体外观分割图像进行二值化处理得到待检测晶体外观分割灰度图像;
S3-1-2、获取待检测晶体外观分割灰度图像中灰度值大于0的区域作为晶体外观缺陷面积。
S3-2具体包括:
S3-2-1、利用所述晶体外观缺陷面积作为晶体外观缺陷匹配模板;
S3-2-2、判断所述待检测晶体外观分割图像中是否存在与晶体外观缺陷匹配模板对应的待检测晶体外观分割图像区域,若是,则利用所述待检测晶体外观分割图像区域作为晶体外观缺陷特征匹配结果,否则,放弃处理。
S3-3具体包括:
S3-3-1、利用所述待检测晶体外观分割图像根据晶体外观缺陷匹配模板进行模板定位获取待检测晶体外观分割图像的测量区域ROI;
S3-3-2、根据所述待检测晶体外观分割图像的测量区域ROI得到晶体外观缺陷边缘测量结果。
S3-3-1具体包括:
其中,(X,Y)为待检测晶体外观分割图像的定位中心坐标,Angle为待检测晶体的角度,(Result.X,Result.Y)为模板定位结果坐标,Result.R为模板定位结果角度,(CenterX,CenterY)为待检测晶体外观分割图像的测量区域中心坐标,Width与Height为待检测晶体外观分割图像的测量区域范围,Angle’为待检测晶体外观分割图像的测量区域角度。
S3-3-2具体包括:
S3-3-2-1、利用所述待检测晶体外观分割图像的测量区域ROI得到待检测晶体外观分割灰度图像;
S3-3-2-2、根据所述待检测晶体外观分割灰度图像基于灰度变化顺序进行检索处理得到待检测晶体外观分割灰度图像的最大间距;
S3-3-2-3、根据所述待检测晶体外观分割灰度图像的最大间距作为晶体外观缺陷边缘测量结果;
其中,灰度变化顺序为先由黑至白后,再由白至黑。
本实施例中,一种基于深度学习图像分割的晶体外观缺陷检测方法,如图2所示,在实际应用中,具体包括:
步骤S100,收集待检测的原始图片,人工标注检测轮廓,训练得到模型文件。
在实际生产中,需要对某一检测项,收集带有当前检测特征的原始图集,人工对检测特征进行标注。
步骤S200,获取待检测的任意图片,通过图像分割,获取分割结果。
步骤S210,基于分割结果图像,通过灰度突变分析缺陷面积(如图3所示)。
在实际生产中,使用任意待检测的原始图像,基于S200获取的灰度图像,如图3所示,统计像素灰度大于0的数据。
步骤S220,基于分割结果图像,通过特征匹配识别相同轮廓特征(如图4所示)。
在实际生产中,首先选择一块ROI(检测区域)作为模板图像,生成基于灰度值的模板,然后将检测图像与模板图像进行匹配。
步骤S230,基于分割结果图像,通过边缘测量,获取Lid偏移数据。
在实际生产中,使用模板特征匹配,获取晶体在图像中的中心XY值,以及角度。
X=Result.X
Y=Result.Y
Angle=Result.R
其中Result表示模板定位的结果;
X、Y和Angle表示模板定位后晶体在图像中的中心XY值,以及晶体角度。
步骤S231,获取边缘检测区域(8点),通过晶体位置,修正检测区域。
绘制测测量区域的ROI(检测区域,如图5所示,各方框内为边缘检测区域)。
具体的,需要获取的初始参数为:
ROI.CenterX
ROI.CenterY
ROI.Width
ROI.Height
ROI.Angle
ROI.X
ROI.Y
其中CenterX与CenterY为检测区域的中心点,Width与Height为检测区域的范围,Angle为绘制检测区域时的角度, X与Y为区域中心与晶体中心差值。
位置修正方法如下:
CenterX=ROI.X * Cos(Angle2)-ROI.Y * Sin(Angle2)+X2
CenterY=ROI.Y * Cos(Angle2)+ROI.X * Sin(Angle2)+Y2
其中CenterX与CenterY为修正之后的检测区域中心,X2、Y2与Angle2为晶体定位后的中心点与角度。
步骤S232, 基于图像分割灰度图像,查找边缘宽度(如图6所示)。
具体的,通过在区域中查找灰度变化区域,检索由黑到白,由白到黑,求出最大间距。
步骤S233,分别对对比数据进行比对,计算LID(晶体上盖板)偏移大小。
具体的,通过得到的数据,分别对其对边做差值,差值越大,则LID(晶体上盖板)偏移越大。
本实施例中,一种基于深度学习图像分割的晶体外观缺陷检测方法,通过深度学习图像分割,建立分割模型,减少生产过程中对模板的操作,减少产品本身(材质、颜色)与光源的影响,进一步提高检测精度,对传统无法检出的划痕、脏污和凹陷等均可以精确检出。传统LID偏移检测及其依赖于光源,本发明对此项提出更优的检测方案,使其对光源的依赖程度大大降低,本发明可基于同一硬件配置,减少成本。使其生产管控更稳定,更可控。
本实施例中,一种基于深度学习图像分割的晶体外观缺陷检测方法,适用于利用获取任意待检测的初始图像,收集待检测初始图像,建立分割模型,基于分割模型获取具有检测特征的灰度图像。①获取检测区域,通过计算图像中的灰度数据,利用灰度数据确定图像中缺陷的面积大小(例如:划痕,脏污和凹陷等)。②获取检测区域,通过模板特征比对方式检测具有相同特征的特征(如:晶体表面的字符)。③获取检测区域,利用模板比对获取晶体在图像中的位置,分别对需要检测的边缘(晶体基座与上盖板边缘)绘制检测区域,通过晶体在图像中的位置,通过位置修正计算在当前图像中边缘检测区域的坐标,在边缘检测区域中通过边缘查找,获取当前边缘的最大宽度,对比对边的边缘宽度,计算Lid(晶体上盖板)偏移数据。
本实施例中,一种基于深度学习图像分割的晶体外观缺陷检测方法,基于深度学习图像分割,通过深度学习图像分割避免晶体表面的颜色和材质的不同对检测效果造成影响,只提取需要检测的特征信息,形成只包含检测特征的黑白图像。
1.晶体表面划痕、脏污和凹陷检测:
获取任意待检测的原始图像,使用深度学习图像分割,输出只包含检测特征的黑白图像。
如果没有不良轮廓(划痕,脏污,和凹陷),图像灰度数据平均值等于0。平均灰度数值大于0则有不良轮廓存在,统计灰度像素面积数据。
2. 晶体LID(晶体上盖板)偏移检测:
获取任意待检测的原始图像,使用深度学习图像分割,输出只包含检测特征的黑白图像。
使用模板特征比对,提取原始图片中晶体的位置信息,通过晶体在图像中的中心位置坐标及角度,计算晶体边缘所在位置。根据边缘坐标,计算绘制检测区域。
晶体边缘检测区域采用8点测量,即每边选取两点,以提高检测精度。
在边缘检测区域中,使用边缘查找,通过两条直线最大坐标间距,取得边缘宽度,采用对边对比,比对边缘数据。
3.晶体表面字符检测:
收集需要检测的字符信息,人工对字符轮廓进行标注,通过深度学习图像分割输出带字符特征的黑白图像。
基于深度学习图像分割得出的黑白图像,使用模板特征比对对字符进行判断。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于深度学习图像分割的晶体外观缺陷检测方法,其特征在于,包括:
利用待检测晶体外观图像建立图像分割模型;
利用所述待检测晶体外观图像带入图像分割模型得到待检测晶体外观分割图像;
利用所述待检测晶体外观分割图像得到晶体外观缺陷检测结果。
2.如权利要求1所述的一种基于深度学习图像分割的晶体外观缺陷检测方法,其特征在于,所述利用待检测晶体外观图像建立图像分割模型包括:
利用所述待检测晶体外观图像获取待检测晶体外观区域轮廓图像;
利用所述待检测晶体外观图像和与其对应的待检测晶体外观区域轮廓图像建立训练集;
利用待检测晶体外观图像作为输入,所述待检测晶体外观图像对应的待检测晶体外观区域轮廓图像作为输出,基于机器学习算法进行训练得到图像分割模型。
3.如权利要求1所述的一种基于深度学习图像分割的晶体外观缺陷检测方法,其特征在于,利用所述待检测晶体外观分割图像得到晶体外观缺陷检测结果包括:
利用所述待检测晶体外观分割图像基于灰度分析得到晶体外观缺陷面积;
利用所述待检测晶体外观分割图像进行特征匹配得到晶体外观缺陷特征匹配结果;
利用所述待检测晶体外观分割图像进行边缘测量得到晶体外观缺陷边缘测量结果;
利用所述晶体外观缺陷面积、晶体外观缺陷特征匹配结果与晶体外观缺陷边缘测量结果作为晶体外观缺陷检测结果。
4.如权利要求3所述的一种基于深度学习图像分割的晶体外观缺陷检测方法,其特征在于,利用所述待检测晶体外观分割图像基于灰度分析得到晶体外观缺陷面积包括:
利用所述待检测晶体外观分割图像进行二值化处理得到待检测晶体外观分割灰度图像;
获取待检测晶体外观分割灰度图像中灰度值大于0的区域作为晶体外观缺陷面积。
5.如权利要求4所述的一种基于深度学习图像分割的晶体外观缺陷检测方法,其特征在于,利用所述待检测晶体外观分割图像进行特征匹配得到晶体外观缺陷特征匹配结果包括:
利用所述晶体外观缺陷面积作为晶体外观缺陷匹配模板;
判断所述待检测晶体外观分割图像中是否存在与晶体外观缺陷匹配模板对应的待检测晶体外观分割图像区域,若是,则利用所述待检测晶体外观分割图像区域作为晶体外观缺陷特征匹配结果,否则,放弃处理。
6.如权利要求5所述的一种基于深度学习图像分割的晶体外观缺陷检测方法,其特征在于,利用所述待检测晶体外观分割图像进行边缘测量得到晶体外观缺陷边缘测量结果包括:
利用所述待检测晶体外观分割图像根据晶体外观缺陷匹配模板进行模板定位获取待检测晶体外观分割图像的测量区域ROI;
根据所述待检测晶体外观分割图像的测量区域ROI得到晶体外观缺陷边缘测量结果。
7.如权利要求6所述的一种基于深度学习图像分割的晶体外观缺陷检测方法,其特征在于,利用所述待检测晶体外观分割图像根据晶体外观缺陷匹配模板进行模板定位获取待检测晶体外观分割图像的测量区域ROI包括: 其中,(X,Y)为待检测晶体外观分割图像的定位中心坐标,Angle为待检测晶体的角度,(Result.X,Result.Y)为模板定位结果坐标,Result.R为模板定位结果角度,(CenterX,CenterY)为待检测晶体外观分割图像的测量区域中心坐标,Width与Height为待检测晶体外观分割图像的测量区域范围,Angle’为待检测晶体外观分割图像的测量区域角度。
8.如权利要求6所述的一种基于深度学习图像分割的晶体外观缺陷检测方法,其特征在于,根据所述待检测晶体外观分割图像的测量区域ROI得到晶体外观缺陷边缘测量结果包括:
利用所述待检测晶体外观分割图像的测量区域ROI得到待检测晶体外观分割灰度图像;
根据所述待检测晶体外观分割灰度图像基于灰度变化顺序进行检索处理得到待检测晶体外观分割灰度图像的最大间距;
根据所述待检测晶体外观分割灰度图像的最大间距作为晶体外观缺陷边缘测量结果;
其中,灰度变化顺序为先由黑至白后,再由白至黑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882779.3A CN116612116A (zh) | 2023-07-19 | 2023-07-19 | 一种基于深度学习图像分割的晶体外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882779.3A CN116612116A (zh) | 2023-07-19 | 2023-07-19 | 一种基于深度学习图像分割的晶体外观缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116612116A true CN116612116A (zh) | 2023-08-18 |
Family
ID=87678616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882779.3A Pending CN116612116A (zh) | 2023-07-19 | 2023-07-19 | 一种基于深度学习图像分割的晶体外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612116A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576508A (zh) * | 2009-05-27 | 2009-11-11 | 华南理工大学 | 芯片外观缺陷自动检测装置及检测方法 |
CN109308700A (zh) * | 2017-07-27 | 2019-02-05 | 南京敏光视觉智能科技有限公司 | 一种基于印刷品字符的视觉识别缺陷检测方法 |
CN114202543A (zh) * | 2022-02-18 | 2022-03-18 | 成都数之联科技股份有限公司 | Pcb板脏污缺陷检测方法、装置、设备及介质 |
CN114897858A (zh) * | 2022-05-24 | 2022-08-12 | 内蒙古大学 | 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 |
CN115018846A (zh) * | 2022-08-09 | 2022-09-06 | 东声(苏州)智能科技有限公司 | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 |
CN115760782A (zh) * | 2022-11-16 | 2023-03-07 | 华南理工大学 | 一种基于机器视觉的模内贴标偏移缺陷识别方法 |
-
2023
- 2023-07-19 CN CN202310882779.3A patent/CN116612116A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576508A (zh) * | 2009-05-27 | 2009-11-11 | 华南理工大学 | 芯片外观缺陷自动检测装置及检测方法 |
CN109308700A (zh) * | 2017-07-27 | 2019-02-05 | 南京敏光视觉智能科技有限公司 | 一种基于印刷品字符的视觉识别缺陷检测方法 |
CN114202543A (zh) * | 2022-02-18 | 2022-03-18 | 成都数之联科技股份有限公司 | Pcb板脏污缺陷检测方法、装置、设备及介质 |
CN114897858A (zh) * | 2022-05-24 | 2022-08-12 | 内蒙古大学 | 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 |
CN115018846A (zh) * | 2022-08-09 | 2022-09-06 | 东声(苏州)智能科技有限公司 | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 |
CN115760782A (zh) * | 2022-11-16 | 2023-03-07 | 华南理工大学 | 一种基于机器视觉的模内贴标偏移缺陷识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111474184B (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN111161243A (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN111982910B (zh) | 一种基于人工缺陷仿真的弱监督机器视觉检测方法及系统 | |
CN107871137B (zh) | 一种基于图像识别的物料匹配方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN115170669A (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN112233116A (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
CN115078365A (zh) | 一种软包装印刷质量缺陷检测方法 | |
CN114862855A (zh) | 基于模板匹配的纺织品缺陷检测方法及系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN116485764A (zh) | 一种结构表面缺陷识别方法、系统、终端及介质 | |
CN113591507A (zh) | 一种鲁棒的二维码DataMatrix定位方法及系统 | |
CN106951902B (zh) | 一种图像二值化处理方法及装置 | |
CN116612116A (zh) | 一种基于深度学习图像分割的晶体外观缺陷检测方法 | |
CN115457563A (zh) | 一种零漏检兼低误识的船体水尺读取方法 | |
CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
CN114266748B (zh) | 一种轨交检修领域工艺板表面完整性判定的方法及装置 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 |
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 |