CN116754567B - 铜箔材料的周期性缺陷检测方法、装置及设备 - Google Patents
铜箔材料的周期性缺陷检测方法、装置及设备 Download PDFInfo
- Publication number
- CN116754567B CN116754567B CN202311041309.0A CN202311041309A CN116754567B CN 116754567 B CN116754567 B CN 116754567B CN 202311041309 A CN202311041309 A CN 202311041309A CN 116754567 B CN116754567 B CN 116754567B
- Authority
- CN
- China
- Prior art keywords
- defect
- current
- center coordinates
- container
- detected
- 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 510
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 82
- 239000011889 copper foil Substances 0.000 title claims abstract description 82
- 239000000463 material Substances 0.000 title claims abstract description 80
- 230000000737 periodic effect Effects 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Biochemistry (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种铜箔材料的周期性缺陷检测方法、装置及设备,属于电数字数据处理技术领域,方法通过采集铜箔材料的当前待检测图像;确定当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;基于当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储当前缺陷中心坐标于第一容器中;若连续存储当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定铜箔材料存在周期性缺陷,采用本发明的方法,将当前缺陷中心坐标连续存储于第一容器的次数达到预设次数,表明当前缺陷中心坐标为周期性缺陷所导致的,使得最终确定周期性缺陷的结果更加准确、简单且高效。
Description
技术领域
本发明涉及电数字数据处理技术领域,尤其涉及一种铜箔材料的周期性缺陷检测方法、装置及设备。
背景技术
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,比如在铜箔检测过程中,由于运送铜箔的辊轴粘上异物,导致铜箔表面出现凸起,而这种凸起是存在一定的周期性的。
因此,如何对周期性缺陷进行检测成为了本领域技术人员亟需解决的技术问题。
发明内容
本发明提供一种铜箔材料的周期性缺陷检测方法、装置及设备,用以解决现有技术中铜箔材料无法进行周期性缺陷检测的问题。
本发明提供一种铜箔材料的周期性缺陷检测方法,包括:
采集铜箔材料的当前待检测图像;
确定所述当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;
基于所述当前缺陷类型、所述当前缺陷中心坐标、所述当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储所述当前缺陷中心坐标于第一容器中;
若连续存储所述当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定所述铜箔材料存在周期性缺陷。
根据本发明提供的一种铜箔材料的周期性缺陷检测方法,所述基于所述当前缺陷类型、所述当前缺陷中心坐标、所述当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储所述当前缺陷中心坐标于第一容器中,包括:
若所述当前缺陷类型与上一次采集的历史缺陷类型相同,则比较所述当前缺陷中心坐标中横坐标与上一次采集的历史缺陷中心坐标中横坐标的横坐标差值,比较所述当前缺陷面积与上一次采集的历史缺陷面积的面积差值;
若所述横坐标差值在横坐标误差范围之内,且所述面积差值在面积误差范围之内,则比较所述当前缺陷中心坐标中纵坐标与上一次采集的历史缺陷中心坐标中纵坐标的纵坐标差值;
若所述纵坐标差值在纵坐标误差范围之内,则存储所述当前缺陷中心坐标于第一容器中。
根据本发明提供的一种铜箔材料的周期性缺陷检测方法,所述存储所述当前缺陷中心坐标于第一容器中,包括:
存储所述当前缺陷中心坐标于第二容器中;
比较所述第二容器中的所述当前缺陷中心坐标与第一容器中的已存储缺陷中心坐标;
若所述第一容器中存在与所述当前缺陷中心坐标不相同的已存储缺陷中心坐标,则清除所述第一容器中的所述已存储缺陷中心坐标,并将所述当前缺陷中心坐标由所述第二容器转移至所述第一容器中进行存储。
根据本发明提供的一种铜箔材料的周期性缺陷检测方法,所述将所述当前缺陷中心坐标由所述第二容器转移至所述第一容器中之后,还包括:
对所述第一容器中的当前缺陷中心坐标进行排序;
基于所述排序的结果,确定所述当前缺陷中心坐标连续存储于所述第一容器中的次数。
根据本发明提供的一种铜箔材料的周期性缺陷检测方法,所述确定所述当前待检测图像中的当前缺陷类型,包括:
输入所述当前待检测图像至缺陷分类器,通过所述缺陷分类器抽象出缺陷本身的高维特征;
基于所述高维特征,确定当前缺陷类型。
根据本发明提供的一种铜箔材料的周期性缺陷检测方法,所述确定所述当前待检测图像中的当前缺陷中心坐标,包括:
基于卷积神经网络中的卷积层和滑动卷积核,对所述当前待检测图像进行卷积操作,提取出所述当前待检测图像的像素坐标,所述像素坐标包括像素横坐标和像素纵坐标;
以所述像素横坐标乘以横向分辨率得到缺陷横坐标,以所述像素纵坐标乘以纵向分辨率与所述当前待检测图像的编码器行乘以纵向分辨率的和作为缺陷纵坐标。
根据本发明提供的一种铜箔材料的周期性缺陷检测方法,所述确定所述当前待检测图像中的当前缺陷面积,包括:
基于卷积神经网络中的卷积层和滑动卷积核,对所述当前待检测图像进行卷积操作,提取出缺陷图像的像素个数;
以所述像素个数乘以实际分辨率得到缺陷面积。
根据本发明提供的一种铜箔材料的周期性缺陷检测方法,所述采集铜箔材料的当前待检测图像,包括:
配置图像采集设备参数,所述图像采集设备包括相机,所述图像采集设备参数包括:相机的序列号、相机的类型和相机的配置文件中的至少一种;
当所述图像采集设备参数包括:相机的序列号、相机的类型和相机的配置文件时,基于所述相机的序列号、所述相机的类型和所述相机的配置文件与所述相机建立数据交互连接。
本发明还提供一种铜箔材料的周期性缺陷检测装置,包括:
采集模块,用于采集铜箔材料的当前待检测图像;
第一确定模块,用于确定所述当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;
存储模块,用于基于所述当前缺陷类型、所述当前缺陷中心坐标、所述当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储所述当前缺陷中心坐标于第一容器中;
第二确定模块,用于若连续存储所述当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定所述铜箔材料存在周期性缺陷。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述铜箔材料的周期性缺陷检测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述铜箔材料的周期性缺陷检测方法。
本发明提供的一种铜箔材料的周期性缺陷检测方法、装置及设备,方法通过采集铜箔材料的当前待检测图像;确定当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;基于当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储当前缺陷中心坐标于第一容器中;若连续存储当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定铜箔材料存在周期性缺陷,采用本发明的方法,将当前缺陷中心坐标连续存储于第一容器的次数达到预设次数,表明当前缺陷中心坐标为周期性缺陷所导致的,使得最终确定周期性缺陷的结果更加准确、简单且高效。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1是本发明实施例提供的铜箔材料的周期性缺陷检测方法的流程示意图;
图2是本发明实施例提供的铜箔材料的周期性缺陷检测装置的结构示意图;
图3是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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作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。
下面结合图1-图3描述本发明的一种铜箔材料的周期性缺陷检测方法、装置及设备。
图1是本发明实施例提供的铜箔材料的周期性缺陷检测方法的流程示意图。
如图1所示,本发明实施例提供的一种铜箔材料的周期性缺陷检测方法,执行主体可以是机器视觉控制系统,方法主要包括以下步骤:
101、采集铜箔材料的当前待检测图像。
在一个具体的实现过程中,以铜箔材料为例进行说明,首先采集铜箔材料的当前待检测图像,定义本次采集的图像为当前待检测图像。采集的方式可以是通过图像采集设备,例如可以是摄像机,只要能够有效地采集得到铜箔材料的当前待检测图像即可。固定的周期性缺陷的特点是缺陷中心坐标和面积大致相等,缺陷类型相同,连续出现并且本次采集的当前缺陷与上次采集的历史缺陷出现的周期性缺陷的距离保持一定。即每间隔一定时长便会出现一次相同的缺陷,该类缺陷即为周期性缺陷。
采集的流程可以是按照一定的时间间隔进行采集,也就是在采集铜箔材料的当前待检测图像之前,还包括:确定铜箔材料的辊轴转动一周的所需时长,以所需时长为时间间隔采集铜箔材料的当前待检测图像。在辊轴每转动一周进行一次图像采集,能够确保采集到每个周期内的缺陷,同时不会进行重复采集,确保了最终缺陷检测的准确性。
102、确定当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积。
通过图像采集设备采集到当前待检测图像之后,对当前待检测图像进行分析处理,识别出当前待检测图像中所有的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积,例如,可以是通过神经网络模型的方式识别当前待检测图像,输入当前待检测图像至缺陷识别模型,输出当前缺陷类型、当前缺陷中心坐标和当前缺陷面积,其中,缺陷识别模型是基于当前缺陷类型、当前缺陷中心坐标和当前缺陷面积和缺陷类型样本、缺陷中心坐标样本和缺陷面积样本进行训练得到的。
识别待检测图像还可以是采用图像识别处理的方式进行识别,在本实施例中不进行明确限定,只要能够有效地识别出待检测图像中的所有当前缺陷类型、当前缺陷中心坐标和当前缺陷面积即可。
103、基于当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储当前缺陷中心坐标于第一容器中。
在进行周期性缺陷检测的过程中,是一直不断地进行图像采集,得到不同时刻对应的当前待检测图像的,本次采集到的待检测图像定义为当前待检测图像,则上一次采集的待检测图像定义为历史待检测图像,其中,当前与上一次间隔一个采样时长,即上一次采集和当前采集为相邻的两次采集。对应于上一次采集的待检测图像,得到的为历史缺陷类型、历史缺陷中心坐标和历史缺陷面积。
需说明的是,在整个的周期性缺陷检测的过程中,任一时刻采集的待检测图像识别得到的均可以作为当前缺陷类型、当前缺陷中心坐标、当前缺陷面积。同样,任一时刻采集待检测图像相对于下一时刻采集的待检测图像的分析结果便是历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系。而针对第一次采集待检测图像而言,则没有对应的上一次采集的历史缺陷类型、历史缺陷中心坐标和历史缺陷面积,若是进行比较,则认为上一次的历史缺陷类型、历史缺陷中心坐标和历史缺陷面积均为零。
其中,当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,主要包括当前缺陷类型与历史缺陷类型相同,当前缺陷中心坐标与历史缺陷中心坐标相同、当前缺陷面积与历史缺陷面积相同,三者均相同,还包括三者均不相同或者是部分相同多种关系。而在本实施例中选择将三者均相同的情况作为周期性缺陷判定的条件,选择将对应的当前缺陷中心坐标存储于第一容器中。关于“当前缺陷类型与历史缺陷类型相同,当前缺陷中心坐标与历史缺陷中心坐标相同,当前缺陷面积与历史缺陷面积相同”中的相同,除了完全一致外,还包括若是差距在误差范围之内,也认定为相同。
104、若连续存储当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定铜箔材料存在周期性缺陷。
通过当前缺陷类型、当前缺陷中心坐标和当前缺陷面积,确定出需要将当前缺陷中心坐标存储于第一容器中之后,表明相邻的两次采集得到的缺陷存在一定的相似性。因此,为了进一步验证,该缺陷是否为周期性缺陷,记录连续存储于第一容器中的次数,若是连续存储当前缺陷中心坐标于第一容器中的次数达到预设次数(例如5次),表明此时造成的缺陷就是周期性缺陷。表明在铜箔材料的缺陷是由于辊轴上的固定异物所导致的。
连续出现相同的缺陷中心坐标,便能够很好地表明周期性缺陷,与偶尔出现或者是间断性出现缺陷相比,通过连续性判断,能够确保周期性缺陷判定的准确度。并且,在确定出存在周期性缺陷之后,还能够快速地定位出导致铜箔材料出现缺陷的原因,能够及时地进行异常调整,提高铜箔材料的生产效率,提升铜箔材料的产品质量。
本实施例提供的一种铜箔材料的周期性缺陷检测方法,通过采集铜箔材料的当前待检测图像;确定当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;基于当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储当前缺陷中心坐标于第一容器中;若连续存储当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定铜箔材料存在周期性缺陷,采用本发明的方法,将当前缺陷中心坐标连续存储于第一容器的次数达到预设次数,表明当前缺陷中心坐标为周期性缺陷所导致的,使得最终确定周期性缺陷的结果更加准确、简单且高效。
进一步的,在上述实施例的基础上,本实施例中的基于当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储当前缺陷中心坐标于第一容器中,包括:若当前缺陷类型与上一次采集的历史缺陷类型相同,则比较当前缺陷中心坐标中横坐标与上一次采集的历史缺陷中心坐标中横坐标的横坐标差值,比较当前缺陷面积与上一次采集的历史缺陷面积的面积差值;若横坐标差值在横坐标误差范围之内,且面积差值在面积误差范围之内,则比较当前缺陷中心坐标中纵坐标与上一次采集的历史缺陷中心坐标中纵坐标的纵坐标差值;若纵坐标差值在纵坐标误差范围之内,则存储当前缺陷中心坐标于第一容器中。
具体的,当前缺陷中心坐标包括当前缺陷横坐标和当前缺陷纵坐标,历史缺陷中心坐标包括历史缺陷横坐标和历史缺陷纵坐标。在得到当前缺陷类型、当前缺陷中心坐标和当前缺陷面积之后,比较当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的大小。
首先,判断当前缺陷类型与历史缺陷类型是否相同,若是当前缺陷类型与上一次采集的历史缺陷类型相同之后,便需要比较当前缺陷中心坐标中横坐标与上一次采集的历史缺陷中心坐标中横坐标的横坐标差值,如公式(1):
(1);
其中,LastRectX表示历史缺陷横坐标,RectX表示当前缺陷横坐标,/>表示横坐标误差范围,/>可根据实际情形进行人为调整。
若是在横坐标误差范围之内,则认为当前缺陷横坐标与历史缺陷横坐标相同。
同理,比较当前缺陷面积与上一次采集的历史缺陷面积的面积差值,如公式(2):
(2);
其中,A表示面积差值,表示历史缺陷面积,/>表示当前缺陷面积,表示面积误差范围,/>可根据实际情形进行人为调整。
若是在横坐标误差范围之内,则认为当前缺陷面积与历史缺陷横面积相同。
通过公式(1)和公式(2)确定出面积差值和横坐标差值均满足条件之后,则毕竟当前缺陷中心坐标中纵坐标(当前缺陷纵坐标)与上一次采集的历史缺陷中心坐标中纵坐标(历史缺陷纵坐标)的纵坐标差值,例如,通过公式(3):
(3);
其中,表示纵坐标差值,/>表示历史缺陷纵坐标,/>表示当前缺陷纵坐标,/>表示是不同型号辊轴的周长,/>表示纵坐标误差范围,可根据实际情形进行人为调整。
通过公式(3)确定出纵坐标差值在纵坐标误差范围之内之后,表明此时的当前缺陷中心坐标与历史缺陷中心坐标相同,此时可以认定当前缺陷类型和历史缺陷类型是由于同一原因造成的,因此,选择将当前缺陷中心坐标存储于第一容器中。
通过两次采集得到的缺陷类型、缺陷横坐标、缺陷纵坐标和缺陷面积的相互比较,能够在一定程度上确定造成两次缺陷是否为同一原因。
进一步的,在上述实施例的基础上,本实施例中的存储当前缺陷中心坐标于第一容器中,包括:存储当前缺陷中心坐标于第二容器中;比较第二容器中的当前缺陷中心坐标与第一容器中的已存储缺陷中心坐标;若第一容器中存在与当前缺陷中心坐标不相同的已存储缺陷中心坐标,则清除第一容器中的已存储缺陷中心坐标,并将当前缺陷中心坐标由第二容器转移至第一容器中进行存储。
其中,将当前缺陷中心坐标由第二容器转移至第一容器中之后,还包括:对第一容器中的当前缺陷中心坐标进行排序;基于排序的结果,确定当前缺陷中心坐标连续存储于第一容器中的次数。
具体的,将当前缺陷中心坐标存储于第一容器中的作用是为了通过确定第一容器中缺陷中心坐标的数量,来判断是否存在周期性缺陷。因此,首先需要将当前中心坐标存储于第二容器中,然后去比较存储于第二容器中的当前中心坐标与已经存储于第一容器中的缺陷中心坐标的关系,包括横坐标的关系和纵坐标的关系等。可以是将第二容器中的当前缺陷中心坐标与第一容器中已存储的缺陷中心坐标进行逐个比对,若是在第一容器中已存储的缺陷中心坐标均与当前中心坐标相同,则直接将第二容器中的当前缺陷中心坐标转移至第一容器中进行存储。若是在第一容器中存在与第二容器中的当前缺陷中心坐标不相同的坐标时,则直接将第一容器中的已存储缺陷中心坐标清除,表明两种缺陷为不同的缺陷。然后将第二容器中的当前缺陷中心坐标存储于第一容器中。
将当前缺陷中心坐标存储于第一容器之后,对第一容器中的全部数据进行排序,并将第二容器清空。排序的方式可以是按照时间进行排序,基于排序的结果,确定当前缺陷中心坐标连续存储于第一容器中的次数,若是将当前缺陷中心坐标连续存储于第一容器中,表明造成当前缺陷的原因是因为某一特定因素导致的,因此,该缺陷则为周期性缺陷。
通过确定将当前缺陷中心坐标连续存储于第一容器中的次数,能够确保及时的发型周期性缺陷并且能够保证周期性缺陷确定的精准度。
进一步的,在上述实施例的基础上,本实施例中确定当前待检测图像中的当前缺陷类型,包括:输入当前待检测图像至缺陷分类器,通过缺陷分类器抽象出缺陷本身的高维特征;基于高维特征,确定当前缺陷类型。
具体的,缺陷类型主要包括蚊虫、划痕、黑点、白点等缺陷类型,通过神经网络模型的方式,利用多次卷积提取缺陷中的抽象特征,在综合各个抽象特征来判断该缺陷的类别,能够保证当前缺陷类型识别的准确性。
而确定当前待检测图像中的当前缺陷中心坐标,包括:基于卷积神经网络中的卷积层和滑动卷积核,对当前待检测图像进行卷积操作,提取出当前待检测图像的像素坐标,像素坐标包括像素横坐标和像素纵坐标;以像素横坐标乘以横向分辨率得到缺陷横坐标,以像素纵坐标乘以纵向分辨率与当前待检测图像的编码器行乘以纵向分辨率的和作为缺陷纵坐标。
而确定当前待检测图像中的当前缺陷面积,包括:基于卷积神经网络中的卷积层和滑动卷积核,对当前待检测图像进行卷积操作,提取出缺陷图像的像素个数;以像素个数乘以实际分辨率得到缺陷面积。
具体的,通过像素的方式确定得到的缺陷中心坐标和缺陷面积,能够保证计算结果的准确度,保证最终的缺陷检测效果的准确度。
进一步的,在上述实施例的基础上,本实施例中的采集铜箔材料的当前待检测图像,包括:配置图像采集设备参数,图像采集设备包括相机,图像采集设备参数包括:相机的序列号、相机的类型和相机的配置文件中的至少一种;当图像采集设备参数包括:相机的序列号、相机的类型和相机的配置文件时,基于相机的序列号、相机的类型和相机的配置文件与相机建立数据交互连接。
具体的,采集铜箔材料的当前待检测图像,可以采用相机,例如利用CCD(chargecoupled device)相机采集当前待检测图像,进行图像采集之前,需要配置CCD相机的参数,包括相机的序列号、相机的类型和相机的配置文件,基于相机的参数完成与相机的接口连接,确保能够与相机之间进行有效地数据交互通信,确定能够有效地分析处理CCD相机采集的待检测图像,同时也能够保证能够准确的拍摄到铜箔材料的待检测图像。在相机配置完成之后,便可以按照预设时间间隔对铜箔材料进行拍照采集。
基于同一总的发明构思,本发明还保护一种铜箔材料的周期性缺陷检测装置,下面对本发明提供的铜箔材料的周期性缺陷检测装置进行描述,下文描述的铜箔材料的周期性缺陷检测装置与上文描述的铜箔材料的周期性缺陷检测方法可相互对应参照。
图2是本发明实施例提供的铜箔材料的周期性缺陷检测装置的结构示意图。
如图2所示,本发明实施例提供的一种铜箔材料的周期性缺陷检测装置,包括:
采集模块201,用于采集铜箔材料的当前待检测图像;
第一确定模块202,用于确定当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;
存储模块203,用于基于当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储当前缺陷中心坐标于第一容器中;
第二确定模块204,用于若连续存储当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定铜箔材料存在周期性缺陷。
本实施例提供的一种铜箔材料的周期性缺陷检测装置,通过采集铜箔材料的当前待检测图像;确定当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;基于当前缺陷类型、当前缺陷中心坐标、当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储当前缺陷中心坐标于第一容器中;若连续存储当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定铜箔材料存在周期性缺陷,采用本发明的方法,将当前缺陷中心坐标连续存储于第一容器的次数达到预设次数,表明当前缺陷中心坐标为周期性缺陷所导致的,使得最终确定周期性缺陷的结果更加准确、简单且高效。
进一步的,本实施例中的存储模块203,具体用于:
若所述当前缺陷类型与上一次采集的历史缺陷类型相同,则比较所述当前缺陷中心坐标中横坐标与上一次采集的历史缺陷中心坐标中横坐标的横坐标差值,比较所述当前缺陷面积与上一次采集的历史缺陷面积的面积差值;
若所述横坐标差值在横坐标误差范围之内,且所述面积差值在面积误差范围之内,则比较所述当前缺陷中心坐标中纵坐标与上一次采集的历史缺陷中心坐标中纵坐标的纵坐标差值;
若所述纵坐标差值在纵坐标误差范围之内,则存储所述当前缺陷中心坐标于第一容器中。
进一步的,本实施例中的存储模块203,具体用于:
存储所述当前缺陷中心坐标于第二容器中;
比较所述第二容器中的所述当前缺陷中心坐标与第一容器中的已存储缺陷中心坐标;
若所述第一容器中存在与所述当前缺陷中心坐标不相同的已存储缺陷中心坐标,则清除所述第一容器中的所述已存储缺陷中心坐标,并将所述当前缺陷中心坐标由所述第二容器转移至所述第一容器中进行存储。
进一步的,本实施例中的存储模块203,具体还用于:
对所述第一容器中的当前缺陷中心坐标进行排序;
基于所述排序的结果,确定所述当前缺陷中心坐标连续存储于所述第一容器中的次数。
进一步的,本实施例中的第一确定模块202,具体还用于:
输入所述当前待检测图像至缺陷分类器,通过所述缺陷分类器抽象出缺陷本身的高维特征;
基于所述高维特征,确定当前缺陷类型。
进一步的,本实施例中的第一确定模块202,具体还用于:
基于卷积神经网络中的卷积层和滑动卷积核,对所述当前待检测图像进行卷积操作,提取出所述当前待检测图像的像素坐标,所述像素坐标包括像素横坐标和像素纵坐标;
以所述像素横坐标乘以横向分辨率得到缺陷横坐标,以所述像素纵坐标乘以纵向分辨率与所述当前待检测图像的编码器行乘以纵向分辨率的和作为缺陷纵坐标。
进一步的,本实施例中的第一确定模块202,具体还用于:
基于卷积神经网络中的卷积层和滑动卷积核,对所述当前待检测图像进行卷积操作,提取出缺陷图像的像素个数;
以所述像素个数乘以实际分辨率得到缺陷面积。
进一步的,本实施例中的采集模块201,具体用于:
配置图像采集设备参数,所述图像采集设备包括相机,所述图像采集设备参数包括:相机的序列号、相机的类型和相机的配置文件中的至少一种;
当所述图像采集设备参数包括:相机的序列号、相机的类型和相机的配置文件时,基于所述相机的序列号、所述相机的类型和所述相机的配置文件与所述相机建立数据交互连接。
图3是本发明实施例提供的电子设备的结构示意图。
如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行铜箔材料的周期性缺陷检测方法,该方法包括:采集铜箔材料的当前待检测图像;确定所述当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;基于所述当前缺陷类型、所述当前缺陷中心坐标、所述当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储所述当前缺陷中心坐标于第一容器中;若连续存储所述当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定所述铜箔材料存在周期性缺陷。
此外,上述的存储器330中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的铜箔材料的周期性缺陷检测方法,该方法包括:采集铜箔材料的当前待检测图像;确定所述当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;基于所述当前缺陷类型、所述当前缺陷中心坐标、所述当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储所述当前缺陷中心坐标于第一容器中;若连续存储所述当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定所述铜箔材料存在周期性缺陷。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (6)
1.一种铜箔材料的周期性缺陷检测方法,其特征在于,包括:
采集铜箔材料的当前待检测图像;
确定所述当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;
所述确定所述当前待检测图像中的当前缺陷类型,包括:输入所述当前待检测图像至缺陷分类器,通过所述缺陷分类器抽象出缺陷本身的高维特征;基于所述高维特征,确定当前缺陷类型;
所述确定所述当前待检测图像中的当前缺陷中心坐标,包括:基于卷积神经网络中的卷积层和滑动卷积核,对所述当前待检测图像进行卷积操作,提取出所述当前待检测图像的像素坐标,所述像素坐标包括像素横坐标和像素纵坐标;以所述像素横坐标乘以横向分辨率得到缺陷横坐标,以所述像素纵坐标乘以纵向分辨率与所述当前待检测图像的编码器行乘以纵向分辨率的和作为缺陷纵坐标;
所述确定所述当前待检测图像中的当前缺陷面积,包括:基于卷积神经网络中的卷积层和滑动卷积核,对所述当前待检测图像进行卷积操作,提取出缺陷图像的像素个数;以所述像素个数乘以实际分辨率得到缺陷面积;
基于所述当前缺陷类型、所述当前缺陷中心坐标、所述当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储所述当前缺陷中心坐标于第一容器中,包括:若所述当前缺陷类型与上一次采集的历史缺陷类型相同,则比较所述当前缺陷中心坐标中横坐标与上一次采集的历史缺陷中心坐标中横坐标的横坐标差值,比较所述当前缺陷面积与上一次采集的历史缺陷面积的面积差值;若所述横坐标差值在横坐标误差范围之内,且所述面积差值在面积误差范围之内,则比较所述当前缺陷中心坐标中纵坐标与上一次采集的历史缺陷中心坐标中纵坐标的纵坐标差值;若所述纵坐标差值在纵坐标误差范围之内,则存储所述当前缺陷中心坐标于第一容器中;
若连续存储所述当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定所述铜箔材料存在周期性缺陷。
2.根据权利要求1所述的铜箔材料的周期性缺陷检测方法,其特征在于,所述存储所述当前缺陷中心坐标于第一容器中,包括:
存储所述当前缺陷中心坐标于第二容器中;
比较所述第二容器中的所述当前缺陷中心坐标与第一容器中的已存储缺陷中心坐标;
若所述第一容器中存在与所述当前缺陷中心坐标不相同的已存储缺陷中心坐标,则清除所述第一容器中的所述已存储缺陷中心坐标,并将所述当前缺陷中心坐标由所述第二容器转移至所述第一容器中进行存储。
3.根据权利要求2所述的铜箔材料的周期性缺陷检测方法,其特征在于,所述将所述当前缺陷中心坐标由所述第二容器转移至所述第一容器中之后,还包括:
对所述第一容器中的当前缺陷中心坐标进行排序;
基于所述排序的结果,确定所述当前缺陷中心坐标连续存储于所述第一容器中的次数。
4.根据权利要求1-3任一项所述的铜箔材料的周期性缺陷检测方法,其特征在于,所述采集铜箔材料的当前待检测图像,包括:
配置图像采集设备参数,所述图像采集设备包括相机,所述图像采集设备参数包括:相机的序列号、相机的类型和相机的配置文件中的至少一种;
当所述图像采集设备参数包括:相机的序列号、相机的类型和相机的配置文件时,基于所述相机的序列号、所述相机的类型和所述相机的配置文件与所述相机建立数据交互连接。
5.一种铜箔材料的周期性缺陷检测装置,其特征在于,包括:
采集模块,用于采集铜箔材料的当前待检测图像;
第一确定模块,用于确定所述当前待检测图像中的当前缺陷类型、当前缺陷中心坐标和当前缺陷面积;具体用于:输入所述当前待检测图像至缺陷分类器,通过所述缺陷分类器抽象出缺陷本身的高维特征;基于所述高维特征,确定当前缺陷类型;基于卷积神经网络中的卷积层和滑动卷积核,对所述当前待检测图像进行卷积操作,提取出所述当前待检测图像的像素坐标,所述像素坐标包括像素横坐标和像素纵坐标;以所述像素横坐标乘以横向分辨率得到缺陷横坐标,以所述像素纵坐标乘以纵向分辨率与所述当前待检测图像的编码器行乘以纵向分辨率的和作为缺陷纵坐标;基于卷积神经网络中的卷积层和滑动卷积核,对所述当前待检测图像进行卷积操作,提取出缺陷图像的像素个数;以所述像素个数乘以实际分辨率得到缺陷面积;
存储模块,用于基于所述当前缺陷类型、所述当前缺陷中心坐标、所述当前缺陷面积和上一次采集的历史缺陷类型、历史缺陷中心坐标、历史缺陷面积的关系,存储所述当前缺陷中心坐标于第一容器中;具体用于:若所述当前缺陷类型与上一次采集的历史缺陷类型相同,则比较所述当前缺陷中心坐标中横坐标与上一次采集的历史缺陷中心坐标中横坐标的横坐标差值,比较所述当前缺陷面积与上一次采集的历史缺陷面积的面积差值;若所述横坐标差值在横坐标误差范围之内,且所述面积差值在面积误差范围之内,则比较所述当前缺陷中心坐标中纵坐标与上一次采集的历史缺陷中心坐标中纵坐标的纵坐标差值;若所述纵坐标差值在纵坐标误差范围之内,则存储所述当前缺陷中心坐标于第一容器中;
第二确定模块,用于若连续存储所述当前缺陷中心坐标于第一容器中的次数达到预设次数,则确定所述铜箔材料存在周期性缺陷。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至4任一项所述铜箔材料的周期性缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041309.0A CN116754567B (zh) | 2023-08-18 | 2023-08-18 | 铜箔材料的周期性缺陷检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041309.0A CN116754567B (zh) | 2023-08-18 | 2023-08-18 | 铜箔材料的周期性缺陷检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116754567A CN116754567A (zh) | 2023-09-15 |
CN116754567B true CN116754567B (zh) | 2023-11-10 |
Family
ID=87959491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311041309.0A Active CN116754567B (zh) | 2023-08-18 | 2023-08-18 | 铜箔材料的周期性缺陷检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116754567B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117607164B (zh) * | 2024-01-22 | 2024-04-16 | 钛玛科(北京)工业科技有限公司 | 基于分时打光和虚拟工位的铜箔缺陷检测方法及装置 |
Citations (8)
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 |
JP2011089834A (ja) * | 2009-10-21 | 2011-05-06 | Mec:Kk | 欠陥検査装置および欠陥検査方法 |
CN105572143A (zh) * | 2015-12-17 | 2016-05-11 | 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 |
CN111754470A (zh) * | 2020-06-11 | 2020-10-09 | 厦门雨程户外运动用品有限公司 | 自动验布方法、装置、自动验布机和存储介质 |
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 |
CN114494142A (zh) * | 2021-12-28 | 2022-05-13 | 深圳科瑞技术股份有限公司 | 一种基于深度学习的移动终端中框缺陷检测方法及装置 |
CN116519708A (zh) * | 2023-03-28 | 2023-08-01 | 钛玛科(北京)工业科技有限公司 | 一种卷材表面缺陷的检测方法和装置 |
CN116559183A (zh) * | 2023-07-11 | 2023-08-08 | 钛玛科(北京)工业科技有限公司 | 一种提高缺陷判定效率的方法及系统 |
-
2023
- 2023-08-18 CN CN202311041309.0A patent/CN116754567B/zh active Active
Patent Citations (8)
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 |
JP2011089834A (ja) * | 2009-10-21 | 2011-05-06 | Mec:Kk | 欠陥検査装置および欠陥検査方法 |
CN105572143A (zh) * | 2015-12-17 | 2016-05-11 | 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 |
CN111754470A (zh) * | 2020-06-11 | 2020-10-09 | 厦门雨程户外运动用品有限公司 | 自动验布方法、装置、自动验布机和存储介质 |
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 |
CN114494142A (zh) * | 2021-12-28 | 2022-05-13 | 深圳科瑞技术股份有限公司 | 一种基于深度学习的移动终端中框缺陷检测方法及装置 |
CN116519708A (zh) * | 2023-03-28 | 2023-08-01 | 钛玛科(北京)工业科技有限公司 | 一种卷材表面缺陷的检测方法和装置 |
CN116559183A (zh) * | 2023-07-11 | 2023-08-08 | 钛玛科(北京)工业科技有限公司 | 一种提高缺陷判定效率的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116754567A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN116754567B (zh) | 铜箔材料的周期性缺陷检测方法、装置及设备 | |
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN112862770B (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN111062938B (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN116416268B (zh) | 基于递归二分法的锂电池极片边缘位置检测方法及装置 | |
CN110763700A (zh) | 一种半导体元器件缺陷检测方法和设备 | |
CN113012157A (zh) | 一种设备缺陷视觉检测方法及系统 | |
CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN115511834A (zh) | 电芯对齐度检测方法、控制器、检测系统以及存储介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN114881984A (zh) | 一种大米加工精度的检测方法、装置、电子设备及介质 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN114187269A (zh) | 小零器件表面缺陷边缘快速检测方法 | |
CN110070520B (zh) | 基于深度神经网络的路面裂缝检测模型构建及检测方法 | |
CN111610205A (zh) | 一种金属零部件x光图像缺陷检测装置 |
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 |