CN116952958B - 缺陷检测方法、装置、电子设备及存储介质 - Google Patents
缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116952958B CN116952958B CN202311197704.8A CN202311197704A CN116952958B CN 116952958 B CN116952958 B CN 116952958B CN 202311197704 A CN202311197704 A CN 202311197704A CN 116952958 B CN116952958 B CN 116952958B
- Authority
- CN
- China
- Prior art keywords
- scratch
- detected
- image
- pixel
- plate 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
- 238000001514 detection method Methods 0.000 title claims abstract description 160
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/18—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring depth
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G01N2021/8854—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
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种缺陷检测方法、装置、电子设备及存储介质。该方法包括:获取待检测板材图像;将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果;在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置;对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果。上述技术方案,实现了板材划痕的自动检测以及划痕深度的自动检测,提升了划痕检测的完整性,为判断划痕严重程度提供了重要参考。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种缺陷检测方法、装置、电子设备及存储介质。
背景技术
在板材生产和质量控制过程中,缺陷检测是一个非常重要的环节。近年来,随着计算机视觉和图像处理技术的快速发展,越来越多的自动化划痕检测方法被提出。
目前,基于图像处理的表面缺陷检测方法,往往只能进行外观上的缺陷检测,无法准确获取划痕的实际深度,导致无法判断划痕严重程度,划痕检测不完整。
发明内容
本发明提供了一种缺陷检测方法、装置、电子设备及存储介质,以实现自动检测划痕以及划痕深度的自动检测,提升划痕检测的完整性。
根据本发明的一方面,提供了一种缺陷检测方法,包括:
获取待检测板材图像;
将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果;
在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置;
对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果。
根据本发明的另一方面,提供了一种缺陷检测装置,包括:
板材图像获取模块,用于获取待检测板材图像;
板材划痕检测模块,用于将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果;
划伤极值点确定模块,用于在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置;
划痕深度测量模块,用于对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的缺陷检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的缺陷检测方法。
本发明实施例的技术方案,通过获取待检测板材图像,进而将待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果,实现了划痕的自动检测;进而在划痕检测结果为划伤的情况下,对待检测板材的划痕最深处进行深度测量,得到划痕最深处的划痕深度测量结果。上述技术方案,实现了板材划痕的自动检测以及划痕深度的自动检测,提升了划痕检测的完整性,为判断划痕严重程度提供了重要参考。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种缺陷检测方法的流程图;
图2为本发明实施例提供的一种划痕检测模型的原理图;
图3是根据本发明实施例二提供的一种缺陷检测方法的流程图;
图4为本发明实施例提供的一种SVM分类模型的原理图;
图5为本发明实施例提供的亮暗划伤像素极值点的结果示意图;
图6是根据本发明实施例三提供的一种缺陷检测方法的流程图;
图7为本发明实施例提供的测厚仪与相机装置安装原理图;
图8为本发明实施例提供的划伤像素极值点附近厚度的分布图;
图9是根据本发明实施例四提供的一种缺陷检测方法的流程图;
图10是根据本发明实施例五提供的一种缺陷检测装置的结构示意图;
图11是实现本发明实施例的缺陷检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种缺陷检测方法的流程图,本实施例可适用于自动检测划痕以及划痕深度的情况,该方法可以由缺陷检测装置来执行,该缺陷检测装置可以采用硬件和/或软件的形式实现,该缺陷检测装置可配置于计算机终端中。如图1所示,该方法包括:
S110、获取待检测板材图像。
本实施例中,待检测板材图像是指相机对待检测板材拍摄得到的图像,其数量可以为一张或多张,在此不做限定。
示例性的,电子设备可以接收设置于板材产线上的相机实时拍摄的一张或多张待检测板材图像。
S120、将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果。
本实施例中,可以将待检测板材图作为划痕检测模型的输入,以输入至预先训练完成的划痕检测模型,划痕检测模型预测得到各种分类类别的概率,进而将概率值最大的分类类别作为划痕检测结果,并输出。其中,划痕检测结果是指检测结果的分类类别,例如划痕检测结果可以为划伤、异物或背景等类别。
示例性的,图2为本发明实施例提供的一种划痕检测模型的原理图,神经网络可以为mobilenetv2网络结构的模型。具体而言,将待检测板材图输入至mobilenetv2网络结构的划痕检测模型,划痕检测模型预测得到的分类类别为:划伤类别概率为0.91,异物类别概率为0.08,背景类别概率为0.01;进而对各分类类别概率值进行比较,将概率值最大的划伤类别作为划痕检测结果。
可选的,划痕检测模型的训练步骤包括:获取缺陷样本数据集,其中,缺陷样本数据集包括板材样本图像以及板材样本图像对应的标签信息;基于板材样本图像以及板材样本图像对应的标签信息对神经网络进行训练,得到划痕检测模型。
S130、在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置。
需要说明的是,划痕检测结果为划伤,表明待检测板材中存在划痕,需要进一步对待检测板材进行划痕深度检测。其中,划伤像素极值点是指划伤区域中像素值最大或最小的像素点,表征划痕深度的极值点,即划痕最深处。划伤像素极值点的位置是指划伤最深处的实际物理坐标。
具体的,可以对待检测板材图像中各像素点的像素值进行比较,将最大或最小像素值对应的像素点作为划伤像素极值点。
S140、对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果。
具体的,可以通过测厚仪对待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果,其中,测厚仪设置在板材产线上。
需要说明的是,本实施例的技术方案将划痕检测以及划痕深度检测集成在一起,简化了系统的构建和操作流程,提升了应用的便利性。
本发明实施例的技术方案,通过获取待检测板材图像,进而将待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果,实现了划痕的自动检测;进而在划痕检测结果为划伤的情况下,对待检测板材的划痕最深处进行深度测量,得到划痕最深处的划痕深度测量结果。上述技术方案,实现了板材划痕的自动检测以及划痕深度的自动检测,提升了划痕检测的完整性,为判断划痕严重程度提供了重要参考。
实施例二
图3为本发明实施例二提供的一种缺陷检测方法的流程图,本实施例的方法与上述实施例中提供的缺陷检测方法中各个可选方案可以结合。本实施例提供的缺陷检测方法进行了进一步优化。可选的,确定待检测板材图像中的划伤像素极值点的位置,包括:对待检测板材图像进行划痕类型检测,得到待检测板材图像对应的划痕类型;基于待检测板材图像对应的划痕类型对应的划伤像素极值点确定方式,确定待检测板材图像中的划伤像素极值点的位置。
如图3所示,该方法包括:
S210、获取待检测板材图像。
S220、将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果。
S230、在所述划痕检测结果为划伤的情况下,对待检测板材图像进行划痕类型检测,得到所述待检测板材图像对应的划痕类型。
其中,划痕类型可以包括但不限于暗划伤、亮划伤等类型。
具体的,可以通过分类模型对待检测板材图像进行划痕类型检测,得到待检测板材图像对应的划痕类型,其中,分类模型可以为逻辑回归、朴素贝叶斯或决策树等模型,在此不做限定。
可选的,对待检测板材图像进行划痕类型检测,得到待检测板材图像对应的划痕类型,包括:基于二分类模型,对待检测板材图像进行划痕类型检测,得到待检测板材图像对应的划痕类型。
示例性的,图4为本发明实施例提供的一种SVM分类模型的原理图。具体而言,可以通过支持向量机(Support Vector Machine,SVM)分类模型对待检测板材图像进行划痕类型检测,得到待检测板材图像对应的划痕类型。
S240、基于所述待检测板材图像对应的划痕类型对应的划伤像素极值点确定方式,确定所述待检测板材图像中的划伤像素极值点的位置。
需要说明的是,不同类型的划痕在像素值的表现上存在差异,例如暗划伤的像素值小于正常板材区域的像素值,而亮划伤的像素值大于正常板材区域的像素值。基于上述划痕特性,可以根据待检测板材图像对应的划痕类型选取对应的划伤像素极值点确定方式,从待检测板材图像中确定出划伤像素极值点坐标,并通过坐标系转化得到划伤像素极值点的实际物理坐标。
可选的,待检测板材图像对应的划痕类型包括暗划伤类型和亮划伤类型;相应的,基于待检测板材图像对应的划痕类型对应的划伤像素极值点确定方式,确定待检测板材图像中的划伤像素极值点的位置,包括:对于暗划伤类型的待检测板材图像,对待检测板材图像进行掩膜处理,得到待检测板材图像对应的掩膜图像;对待检测板材图像对应的掩膜图像进行连通域处理,得到待检测板材图像对应的连通区域图,针对待检测板材图像对应的连通区域图,获取各连通区域的暗划伤区域像素值;将各连通区域的暗划伤区域像素值中像素值最小值对应的像素点坐标作为第一目标像素坐标,对第一目标像素坐标进行坐标系转换,得到待检测板材图像中的划伤像素极值点的位置;或者,
对于亮划伤类型的待检测板材图像,对待检测板材图像进行掩膜处理,得到待检测板材图像对应的掩膜图像;对待检测板材图像对应的掩膜图像进行连通域处理,得到待检测板材图像对应的连通区域图,针对待检测板材图像对应的连通区域图,获取各连通区域的亮划伤区域像素值;将各连通区域的亮划伤区域像素值中像素值最大值对应的像素点坐标作为第二目标像素坐标,对第二目标像素坐标进行坐标系转换,得到待检测板材图像中的划伤像素极值点的位置。
其中,暗划伤区域像素值是指连通区域在原始的待检测板材图像中对应的暗划伤区域的像素值。同理,亮划伤区域像素值是指连通区域在原始的待检测板材图像中对应的亮划伤区域的像素值。
示例性的,图5为本发明实施例提供的亮暗划伤像素极值点的结果示意图。具体而言,针对暗划伤类型的待检测板材图像,确定划伤像素极值点的位置的公式如下:
;
;
;
其中,表示暗划伤区域分割阈值,/>表示暗划伤的掩膜,表示根据/>获得的各连通区域的暗划伤区域像素值,/>表示暗划伤区域像素最小值坐标,f表示相机坐标系到物理坐标系转换函数,表示暗划伤极值点的物理坐标。
针对亮划伤类型的待检测板材图像,确定划伤像素极值点的位置的公式如下:
其中,表示亮划伤区域分割阈值,/>表示亮划伤的掩膜,表示根据/>获得的各连通区域的亮划伤区域像素值,/>表示亮划伤区域像素最大值坐标,f表示相机坐标系到物理坐标系转换函数,表示亮划伤极值点的物理坐标。
S250、对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果。
本发明实施例的技术方案,通过对待检测板材图像进行划痕类型检测,得到待检测板材图像对应的划痕类型,进而根据待检测板材图像对应的划痕类型对应的划伤像素极值点确定方式确定待检测板材图像中的划伤像素极值点的位置,实现了划痕分类处理,使确定更具针对性,提升了划伤像素极值点的位置的准确性。
实施例三
图6为本发明实施例三提供的一种缺陷检测方法的流程图,本实施例的方法与上述实施例中提供的缺陷检测方法中各个可选方案可以结合。本实施例提供的缺陷检测方法进行了进一步优化。可选的,所述对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果,包括:在待检测板材的划伤像素极值点运动至测厚仪检测范围的情况下,获取通过测厚仪检测得到的划痕深度测量结果。
如图6所示,该方法包括:
S310、获取待检测板材图像。
S320、将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果。
S330、在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置。
S340、在待检测板材的划伤像素极值点运动至测厚仪检测范围的情况下,获取通过测厚仪检测得到的划痕深度测量结果。
示例性的,图7为本发明实施例提供的测厚仪与相机装置安装原理图。其中,1表示相机,2表示测厚仪,测厚仪与相机之间距离可以为L,3表示运输带,4表示辊轮,5表示板材,当相机检测的划伤极值点物理坐标运行了L距离到测厚仪底下时,启动测厚仪对该划伤极值点物理坐标进行深度测量。
可选的,在对待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果之后,还包括:对划痕深度测量结果进行缺陷等级判断,得到待检测板材图像对应的划痕等级。
其中,划伤等级用于表征划伤严重程度,可以包括但不限于严重划伤、轻微划伤等。需要说明的是,通过上述技术方案,能够快速地对板材进行深浅划痕的复判,提高检测效率,并降低人为因素引起的错误。
示例性的,图8为本发明实施例提供的划伤像素极值点附近厚度的分布图。在图8中,直虚线表示划痕深度阈值,该划痕深度阈值可以根据检测需要自定义设置。例如可以根据下面公式进行判定划痕等级:
;
其中,表示划痕深度阈值,g(x)表示划痕深度测量结果,x表示表示板材宽度方向的移动距离,status为1表示严重划伤等级,status为0表示轻微划伤等级。
本发明实施例的技术方案,通过在待检测板材的划伤像素极值点运动至测厚仪检测范围的情况下,获取通过测厚仪检测得到的划痕深度测量结果,实现了划痕最深处的深度的自动测量,提升了划痕深度的检测效率。
实施例四
图9为本发明实施例四提供的一种缺陷检测方法的流程图,本实施例的方法为上述实施例中提供的缺陷检测方法的优选示例。如图9所示,该方法包括:
获取待检测板材图像,对待检测板材图像进行分割检测,得到待检测板材图像对应的缺陷待选区域图像。其中,分割检测包括目标检测和图像分割,目标检测和图像分割实现具体算法在此不做限定。
进而将待检测板材图像对应的缺陷待选区域图像输入至预先训练完成的划痕检测模型,得到划痕检测结果。
在划痕检测结果为划伤的情况下,通过SVM二分类模型对待检测板材图像进行划痕类型检测。在划痕类型为暗划伤的情况下,确定暗划伤区域像素最小值坐标,并转换为物理坐标;在划痕类型为亮划伤的情况下,确定亮划伤区域最大值坐标,并转换为物理坐标。
进而通过测厚仪测量划伤像素极值点的物理坐标处的深度值,得到划痕深度测量结果。若划痕深度测量结果大于深度阈值,则判定划痕等级为轻微划伤,若划痕深度测量结果小于等于深度阈值,则判定划痕等级为严重划伤。
本发明实施例的技术方案,实现了板材划痕的自动检测以及划痕深度的自动检测,提升了划痕检测的完整性,为判断划痕严重程度提供了重要参考。
实施例五
图10为本发明实施例五提供的一种缺陷检测装置的结构示意图。如图10所示,该装置包括:
板材图像获取模块510,用于获取待检测板材图像;
板材划痕检测模块520,用于将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果;
划伤极值点确定模块530,用于在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置;
划痕深度测量模块540,用于对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果。
本发明实施例的技术方案,通过获取待检测板材图像,进而将待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果,实现了划痕的自动检测;进而在划痕检测结果为划伤的情况下,对待检测板材的划痕最深处进行深度测量,得到划痕最深处的划痕深度测量结果。上述技术方案,实现了板材划痕的自动检测以及划痕深度的自动检测,提升了划痕检测的完整性,为判断划痕严重程度提供了重要参考。
在一些可选的实施方式中,划伤极值点确定模块530,包括:
划痕类型检测单元,用于对待检测板材图像进行划痕类型检测,得到所述待检测板材图像对应的划痕类型;
划伤像素极值点确定单元,用于基于所述待检测板材图像对应的划痕类型对应的划伤像素极值点确定方式,确定所述待检测板材图像中的划伤像素极值点的位置。
在一些可选的实施方式中,划痕类型检测单元,还可以用于:
基于二分类模型,对待检测板材图像进行划痕类型检测,得到所述待检测板材图像对应的划痕类型。
在一些可选的实施方式中,所述待检测板材图像对应的划痕类型包括暗划伤类型和亮划伤类型;
相应的,划伤像素极值点确定单元,还可以用于:
对于暗划伤类型的待检测板材图像,对待检测板材图像进行掩膜处理,得到待检测板材图像对应的掩膜图像;对待检测板材图像对应的掩膜图像进行连通域处理,得到待检测板材图像对应的连通区域图,针对待检测板材图像对应的连通区域图,获取各连通区域的暗划伤区域像素值;将各连通区域的暗划伤区域像素值中像素值最小值对应的像素点坐标作为第一目标像素坐标,对第一目标像素坐标进行坐标系转换,得到待检测板材图像中的划伤像素极值点的位置;或者,
对于亮划伤类型的待检测板材图像,对待检测板材图像进行掩膜处理,得到待检测板材图像对应的掩膜图像;对待检测板材图像对应的掩膜图像进行连通域处理,得到待检测板材图像对应的连通区域图,针对待检测板材图像对应的连通区域图,获取各连通区域的亮划伤区域像素值;将各连通区域的亮划伤区域像素值中像素值最大值对应的像素点坐标作为第二目标像素坐标,对第二目标像素坐标进行坐标系转换,得到待检测板材图像中的划伤像素极值点的位置。
在一些可选的实施方式中,划痕深度测量模块540,还可以用于:
在待检测板材的划伤像素极值点运动至测厚仪检测范围的情况下,获取通过测厚仪检测得到的划痕深度测量结果。
在一些可选的实施方式中,所述划痕检测模型的训练步骤包括:
获取缺陷样本数据集,其中,所述缺陷样本数据集包括板材样本图像以及板材样本图像对应的标签信息;
基于所述板材样本图像以及板材样本图像对应的标签信息对神经网络进行训练,得到划痕检测模型。
在一些可选的实施方式中,缺陷检测装置,还包括:
缺陷等级判断模块,用于对所述划痕深度测量结果进行缺陷等级判断,得到所述待检测板材图像对应的划痕等级。
本发明实施例所提供的缺陷检测装置可执行本发明任意实施例所提供的缺陷检测方法,具备执行方法相应的功能模块和有益效果。
实施例六
图11示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图11所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。I/O接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如缺陷检测方法,该方法包括:
获取待检测板材图像;
将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果;
在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置;
对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果。
在一些实施例中,缺陷检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的缺陷检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行缺陷检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (6)
1.一种缺陷检测方法,其特征在于,包括:
获取待检测板材图像;
将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果;
在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置;
对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果;
所述确定所述待检测板材图像中的划伤像素极值点的位置,包括:
对待检测板材图像进行划痕类型检测,得到所述待检测板材图像对应的划痕类型;
基于所述待检测板材图像对应的划痕类型对应的划伤像素极值点确定方式,确定所述待检测板材图像中的划伤像素极值点的位置;
所述对待检测板材图像进行划痕类型检测,得到所述待检测板材图像对应的划痕类型,包括:
基于二分类模型,对待检测板材图像进行划痕类型检测,得到所述待检测板材图像对应的划痕类型;
所述待检测板材图像对应的划痕类型包括暗划伤类型和亮划伤类型;
相应的,基于所述待检测板材图像对应的划痕类型对应的划伤像素极值点确定方式,确定所述待检测板材图像中的划伤像素极值点的位置,包括:
对于暗划伤类型的待检测板材图像,对待检测板材图像进行掩膜处理,得到待检测板材图像对应的掩膜图像;对待检测板材图像对应的掩膜图像进行连通域处理,得到待检测板材图像对应的连通区域图,针对待检测板材图像对应的连通区域图,获取各连通区域的暗划伤区域像素值;将各连通区域的暗划伤区域像素值中像素值最小值对应的像素点坐标作为第一目标像素坐标,对第一目标像素坐标进行坐标系转换,得到待检测板材图像中的划伤像素极值点的位置;
或者,对于亮划伤类型的待检测板材图像,对待检测板材图像进行掩膜处理,得到待检测板材图像对应的掩膜图像;对待检测板材图像对应的掩膜图像进行连通域处理,得到待检测板材图像对应的连通区域图,针对待检测板材图像对应的连通区域图,获取各连通区域的亮划伤区域像素值;将各连通区域的亮划伤区域像素值中像素值最大值对应的像素点坐标作为第二目标像素坐标,对第二目标像素坐标进行坐标系转换,得到待检测板材图像中的划伤像素极值点的位置;
所述对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果,包括:
在待检测板材的划伤像素极值点运动至测厚仪检测范围的情况下,获取通过测厚仪检测得到的划痕深度测量结果。
2.根据权利要求1所述的方法,其特征在于,所述划痕检测模型的训练步骤包括:
获取缺陷样本数据集,其中,所述缺陷样本数据集包括板材样本图像以及板材样本图像对应的标签信息;
基于所述板材样本图像以及板材样本图像对应的标签信息对神经网络进行训练,得到划痕检测模型。
3.根据权利要求1-2中任一项所述的方法,其特征在于,在所述对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果之后,还包括:
对所述划痕深度测量结果进行缺陷等级判断,得到所述待检测板材图像对应的划痕等级。
4.一种缺陷检测装置,其特征在于,包括:
板材图像获取模块,用于获取待检测板材图像;
板材划痕检测模块,用于将所述待检测板材图像输入至预先训练完成的划痕检测模型,得到划痕检测结果;
划伤极值点确定模块,用于在所述划痕检测结果为划伤的情况下,确定所述待检测板材图像中的划伤像素极值点的位置;
划痕深度测量模块,用于对所述待检测板材图像中的划伤像素极值点的位置进行深度测量,得到划痕深度测量结果;
划伤极值点确定模块,包括:
划痕类型检测单元,用于对待检测板材图像进行划痕类型检测,得到所述待检测板材图像对应的划痕类型;
划伤像素极值点确定单元,用于基于所述待检测板材图像对应的划痕类型对应的划伤像素极值点确定方式,确定所述待检测板材图像中的划伤像素极值点的位置;
划痕类型检测单元,还用于:
基于二分类模型,对待检测板材图像进行划痕类型检测,得到所述待检测板材图像对应的划痕类型;
所述待检测板材图像对应的划痕类型包括暗划伤类型和亮划伤类型;
相应的,划伤像素极值点确定单元,还用于:
对于暗划伤类型的待检测板材图像,对待检测板材图像进行掩膜处理,得到待检测板材图像对应的掩膜图像;对待检测板材图像对应的掩膜图像进行连通域处理,得到待检测板材图像对应的连通区域图,针对待检测板材图像对应的连通区域图,获取各连通区域的暗划伤区域像素值;将各连通区域的暗划伤区域像素值中像素值最小值对应的像素点坐标作为第一目标像素坐标,对第一目标像素坐标进行坐标系转换,得到待检测板材图像中的划伤像素极值点的位置;或者,
对于亮划伤类型的待检测板材图像,对待检测板材图像进行掩膜处理,得到待检测板材图像对应的掩膜图像;对待检测板材图像对应的掩膜图像进行连通域处理,得到待检测板材图像对应的连通区域图,针对待检测板材图像对应的连通区域图,获取各连通区域的亮划伤区域像素值;将各连通区域的亮划伤区域像素值中像素值最大值对应的像素点坐标作为第二目标像素坐标,对第二目标像素坐标进行坐标系转换,得到待检测板材图像中的划伤像素极值点的位置;
划痕深度测量模块,还用于:
在待检测板材的划伤像素极值点运动至测厚仪检测范围的情况下,获取通过测厚仪检测得到的划痕深度测量结果。
5.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的缺陷检测方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-3中任一项所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311197704.8A CN116952958B (zh) | 2023-09-18 | 2023-09-18 | 缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311197704.8A CN116952958B (zh) | 2023-09-18 | 2023-09-18 | 缺陷检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116952958A CN116952958A (zh) | 2023-10-27 |
CN116952958B true CN116952958B (zh) | 2023-12-29 |
Family
ID=88460408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311197704.8A Active CN116952958B (zh) | 2023-09-18 | 2023-09-18 | 缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116952958B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455897B (zh) * | 2023-11-30 | 2024-04-30 | 魅杰光电科技(上海)有限公司 | 一种晶圆划痕检测方法、装置、设备及存储介质 |
CN117710366B (zh) * | 2024-02-02 | 2024-05-14 | 杭州百子尖科技股份有限公司 | 用于保温杯的质检方法、装置和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017210558B3 (de) * | 2017-06-22 | 2018-11-08 | PDR-Team GmbH | Verfahren und Vorrichtung zur Vermessung von Karosserieschäden |
CN110706224A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学院自动化研究所 | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 |
CN111445471A (zh) * | 2020-06-16 | 2020-07-24 | 杭州百子尖科技股份有限公司 | 基于深度学习和机器视觉的产品表面缺陷检测方法及装置 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
CN112734760A (zh) * | 2021-03-31 | 2021-04-30 | 惠州高视科技有限公司 | 半导体bump缺陷检测方法、电子设备及存储介质 |
CN113610774A (zh) * | 2021-07-16 | 2021-11-05 | 广州大学 | 一种玻璃划痕缺陷检测方法、系统、装置及存储介质 |
CN113763355A (zh) * | 2021-09-07 | 2021-12-07 | 创新奇智(青岛)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
CN114331985A (zh) * | 2021-12-21 | 2022-04-12 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件划痕缺陷检测方法、装置和计算机设备 |
CN114519704A (zh) * | 2022-02-11 | 2022-05-20 | 苏州翰泽精密机械有限公司 | 一种通讯电器金属零部件表面划痕缺陷检测方法 |
CN115082431A (zh) * | 2022-07-20 | 2022-09-20 | 惠州威尔高电子有限公司 | 一种pcb板表面缺陷检测方法 |
CN115861291A (zh) * | 2023-01-06 | 2023-03-28 | 曲阜天博汽车电器有限公司 | 基于机器视觉的贴片电路板生产缺陷检测方法 |
WO2023087741A1 (zh) * | 2021-11-18 | 2023-05-25 | 上海商汤智能科技有限公司 | 缺陷检测方法及装置、电子设备、存储介质及计算机程序产品 |
CN116228686A (zh) * | 2023-02-06 | 2023-06-06 | 厦门特仪科技有限公司 | 一种基于轻量级网络的划痕缺陷检测方法、装置以及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10330608B2 (en) * | 2012-05-11 | 2019-06-25 | Kla-Tencor Corporation | Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools |
-
2023
- 2023-09-18 CN CN202311197704.8A patent/CN116952958B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017210558B3 (de) * | 2017-06-22 | 2018-11-08 | PDR-Team GmbH | Verfahren und Vorrichtung zur Vermessung von Karosserieschäden |
CN110706224A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学院自动化研究所 | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
CN111445471A (zh) * | 2020-06-16 | 2020-07-24 | 杭州百子尖科技股份有限公司 | 基于深度学习和机器视觉的产品表面缺陷检测方法及装置 |
CN112734760A (zh) * | 2021-03-31 | 2021-04-30 | 惠州高视科技有限公司 | 半导体bump缺陷检测方法、电子设备及存储介质 |
CN113610774A (zh) * | 2021-07-16 | 2021-11-05 | 广州大学 | 一种玻璃划痕缺陷检测方法、系统、装置及存储介质 |
CN113763355A (zh) * | 2021-09-07 | 2021-12-07 | 创新奇智(青岛)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
WO2023087741A1 (zh) * | 2021-11-18 | 2023-05-25 | 上海商汤智能科技有限公司 | 缺陷检测方法及装置、电子设备、存储介质及计算机程序产品 |
CN114331985A (zh) * | 2021-12-21 | 2022-04-12 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件划痕缺陷检测方法、装置和计算机设备 |
CN114519704A (zh) * | 2022-02-11 | 2022-05-20 | 苏州翰泽精密机械有限公司 | 一种通讯电器金属零部件表面划痕缺陷检测方法 |
CN115082431A (zh) * | 2022-07-20 | 2022-09-20 | 惠州威尔高电子有限公司 | 一种pcb板表面缺陷检测方法 |
CN115861291A (zh) * | 2023-01-06 | 2023-03-28 | 曲阜天博汽车电器有限公司 | 基于机器视觉的贴片电路板生产缺陷检测方法 |
CN116228686A (zh) * | 2023-02-06 | 2023-06-06 | 厦门特仪科技有限公司 | 一种基于轻量级网络的划痕缺陷检测方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116952958A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN112581463A (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN115272291A (zh) | 一种贴膜的缺陷检测方法、装置、设备及存储介质 | |
CN115272290A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN117521768A (zh) | 一种图像搜索模型的训练方法、装置、设备及存储介质 | |
CN115700758A (zh) | 一种精子活性的检测方法、装置、设备及存储介质 | |
CN117689660B (zh) | 基于机器视觉的保温杯温度质检方法 | |
CN116823924B (zh) | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 | |
CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
CN117007611B (zh) | 片状材料的周期性缺陷检测方法、装置、设备以及介质 | |
CN115542100B (zh) | 绝缘子故障检测方法、装置、设备及介质 | |
CN117115568B (zh) | 数据筛选方法、装置、设备及存储介质 | |
CN117710366B (zh) | 用于保温杯的质检方法、装置和存储介质 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN116952166B (zh) | 汽车门把手总成的零件检测方法、装置、设备及介质 | |
CN117333487B (zh) | 一种痘痘分级方法、装置、设备及存储介质 | |
CN117275006A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN117197051A (zh) | 一种缺陷分级方法、装置、电子设备及存储介质 | |
CN118014971A (zh) | 光伏组件的表面缺陷检测方法、装置、设备及存储介质 | |
CN117611529A (zh) | 一种移动计算机外壳检测方法、装置、设备及存储介质 | |
CN115880237A (zh) | 一种车用钢板合格检测方法、装置、设备及存储介质 | |
CN118037683A (zh) | 一种极片缺陷确定方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |