CN117152141A - 缺陷检测方法、装置、计算机设备、存储介质和产品 - Google Patents

缺陷检测方法、装置、计算机设备、存储介质和产品 Download PDF

Info

Publication number
CN117152141A
CN117152141A CN202311415138.3A CN202311415138A CN117152141A CN 117152141 A CN117152141 A CN 117152141A CN 202311415138 A CN202311415138 A CN 202311415138A CN 117152141 A CN117152141 A CN 117152141A
Authority
CN
China
Prior art keywords
defect
defect detection
optical image
determining
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.)
Pending
Application number
CN202311415138.3A
Other languages
English (en)
Inventor
赵玥
罗军
王之哲
路国光
恩云飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202311415138.3A priority Critical patent/CN117152141A/zh
Publication of CN117152141A publication Critical patent/CN117152141A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请涉及一种缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取待检测电子元器件的光学图像；利用缺陷检测模型对所述光学图像进行缺陷检测，得到所述光学图像中的缺陷检测框的缺陷位置及缺陷类型；基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息；根据所述缺陷分布信息、所述缺陷位置及所述缺陷类型，得到所述待检测电子元器件的缺陷检测结果。采用本方法能够提高电子元器件缺陷检测的全面性。

Description

缺陷检测方法、装置、计算机设备、存储介质和产品
技术领域
本申请涉及电子元器件检测技术领域，特别是涉及一种缺陷检测方法、装置、计算机设备、存储介质和产品。
背景技术
随着社会智能化需求的不断加大，电子元器件扮演了越来越重要的角色，为了保证生产出的电子元器件符合市场需求，需要对电子元器件进行缺陷检测。
传统技术中，基于深度学习的目标检测模型对元器件缺陷进行缺陷检测，然而，目前的缺陷检测仅能识别出缺陷位置和缺陷类型，因此，目前的缺陷检测不够全面。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高缺陷检测全面性的缺陷检测方法、装置、计算机设备、计算机可读存储介质和产品。
第一方面，本申请提供了一种缺陷检测方法。所述方法包括：
获取待检测电子元器件的光学图像；
利用缺陷检测模型对所述光学图像进行缺陷检测，得到所述光学图像中的缺陷检测框的缺陷位置及缺陷类型；
基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息；
根据所述缺陷分布信息、所述缺陷位置及所述缺陷类型，得到所述待检测电子元器件的缺陷检测结果。
在其中一个实施例中，所述基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息，包括：
确定所述缺陷检测框中缺陷区域中的像素点的第一数量与所述光学图像中像素点的第二数量之间的第一比值；
根据所述第一比值确定所述光学图像中的所述缺陷区域的占比；所述缺陷分布信息包括所述占比。
在其中一个实施例中，所述基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息，包括：
确定在第一方向上所述缺陷区域中的像素点的第三数量与所述光学图像中像素点的第四数量的第二比值；
确定在第二方向上所述缺陷区域中的像素点的第五数量与所述光学图像中像素点的第六数量的第三比值；
根据所述第二比值和所述光学图像在第一方向上的尺寸，确定所述缺陷区域在第一方向上的第一尺寸，以及根据所述第三比值和所述光学图像在第二方向上的尺寸，确定所述缺陷区域在第二方向上的第二尺寸；
根据所述第一尺寸和所述第二尺寸，确定所述缺陷区域的尺寸信息；所述缺陷分布信息包括所述尺寸信息。
在其中一个实施例中，所述方法还包括：
确定各候选缺陷检测模型的平均精确率；
将最大的平均精确率对应的候选缺陷检测模型作为所述缺陷检测模型。
在其中一个实施例中，所述确定各候选缺陷检测模型的平均精确率，包括：
针对各所述候选缺陷检测模型，确定所述候选缺陷检测模型对各预设缺陷类型的预测精确率；
将所述候选缺陷检测模型对各预设缺陷类型的预测精确率的平均值作为所述平均精确率。
在其中一个实施例中，所述方法还包括：
根据所述缺陷检测结果确定所述待检测电子元器件的状态；所述状态包括失效状态和未失效状态；
确定所述缺陷类型对应的状态为失效状态的待检测电子元器件的数量与总数量的第四比值；所述总数量为待检测电子元器件集合中存在缺陷的电子元器件的数量；
根据所述第四比值确定所述缺陷类型的权重；所述权重用于表征所述缺陷类型对待检测电子元器件的失效影响程度。
第二方面，本申请还提供了一种缺陷检测装置。所述装置包括：
光学图像获取模块，用于获取待检测电子元器件的光学图像；
缺陷检测模块，用于利用缺陷检测模型对所述光学图像进行缺陷检测，得到所述光学图像中的缺陷检测框的缺陷位置及缺陷类型；
缺陷分布信息获取模块，用于基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息；
缺陷检测结果获取模块，用于根据所述缺陷分布信息、所述缺陷位置及所述缺陷类型，得到所述待检测电子元器件的缺陷检测结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面，本申请还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
上述缺陷检测方法、装置、计算机设备、存储介质和产品，由于缺陷分布信息是基于缺陷检测框和光学图像得到的，能较为全面地反映缺陷的具体信息，因此，根据缺陷分布信息、缺陷位置及缺陷类型得到的缺陷检测结果也就较为全面、具体，进而能提高缺陷检测的全面性。
附图说明
图1为一个实施例中缺陷检测方法的应用环境图；
图2为一个实施例中缺陷检测方法的流程示意图；
图3为一个实施例中光学图像中的缺陷检测框的缺陷位置及缺陷类型的示意图；
图4为一个实施例中实现对缺陷的定量表征的流程示意图；
图5为一个实施例中U-Net模型的基本框架图；
图6为一个实施例中基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息的流程示意图；
图7为另一个实施例中基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息的流程示意图；
图8为一个实施例中一种获取缺陷检测模型的方法的流程示意图；
图9为一个实施例中确定各候选缺陷检测模型的平均精确率的流程示意图；
图10为一个实施例中一阶段目标检测模型的框架的示意图；
图11为一个实施例中两阶段目标检测模型的框架的示意图；
图12为一个实施例中一种确定缺陷类型的权重的方法的流程示意图；
图13为一个示例性的实施例中一种缺陷检测方法的流程示意图；
图14为一个示例性的实施例中一种缺陷检测方法的技术流程图；
图15为一个实施例中一种缺陷检测装置的示意图；
图16为一个实施例中服务器的内部结构图；
图17为一个实施例中终端的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的缺陷检测方法，可以应用于如图1所示的应用环境中。其中，该应用环境包括计算机设备102，计算机设备102获取待检测电子元器件的光学图像；利用缺陷检测模型对光学图像进行缺陷检测，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型；基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息；根据缺陷分布信息、缺陷位置及缺陷类型，得到待检测电子元器件的缺陷检测结果。其中，计算机设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。计算机设备102还可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种缺陷检测方法，以该方法应用于图1中的计算机设备102为例进行说明，包括以下步骤：
步骤202，获取待检测电子元器件的光学图像。
可选地，通过显微设备获取待检测电子元器件的光学图像。这里的显微设备可以是光学显微镜，本实施例对此不作限定。
其中，光学图像可以为采用显微设备采集的初始光学图像，或者为对初始光学图像进行预处理后得到的光学图像。
可以采用中值滤波算法、Retinex算法对光学图像进行预处理。对初始光学图像进行预处理的过程如下：
首先，使用中值滤波算法对光学图像进行处理，得到中值滤波后的光学图像。中值滤波算法是一种非线性平滑算法，它的原理是将光学图像中的每一个像素点的灰度值设置为该像素点某邻域窗口内的所有像素点灰度值的中值。中值的确定方法是：选取光学图像中像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值进行排序，然后将位于中间位置的像素值作为该像素点的像素值。
然后，使用Retinex算法对中值滤波后的光学图像进行图像增强，得到图像增强后的光学图像。Retinex算法的原理是，光学图像中的全部像素点的值的动态范围大小由入射光决定，光学图像的内在固有属性由待检测电子元器件本身的反射系数决定。因此将光学图像划分为反射图像和照度图像两部分，通过降低或者消除反射图像受低照度图像的影响，以实现光学图像的增强。如此，经过中值滤波算法、Retinex算法的处理，得到预处理后的光学图像。
步骤204，利用缺陷检测模型对光学图像进行缺陷检测，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型。
这里的缺陷检测模型可以是基于深度学习算法构建的模型，缺陷检测模型可以包括但不限于R-CNN模型、Fast R-CNN模型、YOLO模型。
其中，缺陷位置表征了缺陷在待检测电子元器件的位置信息，缺陷类型表征了待检测电子元器件存在的缺陷所属类型。
将预处理后的光学图像输入至缺陷检测模型中，经过缺陷检测模型的计算处理，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型。如图3所示，展示了光学图像中的缺陷检测框的缺陷位置及缺陷类型。
图3中，外观目检表示对待检测电子元器件的外观进行缺陷检测，内部目检表示对待检测电子元器件的内部进行缺陷检测，图示中的方框即为光学图像中的缺陷检测框。
步骤206，基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息。
其中，缺陷分布信息表征了缺陷区域的结构特征，缺陷区域的结构特征包括缺陷区域的尺寸、面积、占比等信息。
可选地，如图4所示，首先，利用ROI（region of interest，感兴趣区域）算法从光学图像中提取出缺陷检测框；然后，对缺陷检测框进行二值化处理，得到二值化后的缺陷检测框；再对二值化后的缺陷检测框进行图像分割，得到缺陷区域；最后，根据缺陷区域的像素信息与光学图像的像素信息之间的比值关系，确定缺陷检测框中的缺陷分布信息，以实现对缺陷区域的定量表征。这里使用U-Net模型进行图像分割，U-Net模型的基本框架如图5所示。这里的缺陷分布信息可以是缺陷区域的尺寸、面积、占比信息，本实施例对此不作限定。
结合图5说明U-Net模型的原理，U-Net模型可以分为三个部分：特征提取部分、跳跃连接部分和上采样部分。U-Net模型的基本流程是：先使用左边的编码器，通过收缩路径的方式对输入的图像进行下采样提取特征，从而得到每个阶段的特征信息，然后利用右边和其对称解码器，通过扩张路径的方式来进行上采样还原。其中，下采样的具体步骤为：
第一步，利用两个3x3的卷积层提取输入图像的特征。
第二步，再对第一步中提取特征后的图像进行最大池化下采样，池化层大小为2x2，步长为2。
第三步，重复第一步和第二步，直到达到预设轮次，得到下采样的特征图。
在跳跃连接部分，U-Net模型有四个跳跃连接操作，目的是使深层和浅层的特征信息融合起来，使得模型能够充分利用数据集，并一定程度上避免了由于池化操作而导致的浅层特征的损失以及过拟合现象。
上采样的具体步骤为：
第一步，利用2x2的卷积核对下采样得到的特征图进行反卷积，得到上采样的特征图。
第二步，把下采样得到的特征图裁减成与上采样的特征图相同大小的特征图，将该特征图与上采样得到的特征图进行组合，得到组合后的特征图。
第三步，利用两个3x3卷积层对组合后的特征图进行特征提取。
第四步，重复第一步到第三步，直到达到预设轮次，得到上采样的特征图。
第五步，使用1x1卷积将上采样的特征图中每个特征对应的特征向量映射到对应的缺陷类型中。
步骤208，根据缺陷分布信息、缺陷位置及缺陷类型，得到待检测电子元器件的缺陷检测结果。
可选地，根据缺陷分布信息、缺陷位置及缺陷类型，利用专家系统进行判断，得到待检测电子元器件的缺陷检测结果。这里的专家系统是种人工判断的系统。这里的缺陷检测结果可以是待检测电子元器件失效，也可以待检测电子元器件未失效。
上述缺陷检测方法中，通过获取待检测电子元器件的光学图像；利用缺陷检测模型对光学图像进行缺陷检测，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型；基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息；根据缺陷分布信息、缺陷位置及缺陷类型，得到待检测电子元器件的缺陷检测结果。其中，缺陷分布信息是基于缺陷检测框和光学图像得到的，能较为全面地反映缺陷的具体信息，因此，根据缺陷分布信息、缺陷位置及缺陷类型得到的缺陷检测结果也就较为全面、具体，进而能提高缺陷检测的全面性。
在一个实施例中，基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息，流程如图6所示，包括：
步骤602，确定缺陷检测框中缺陷区域中的像素点的第一数量与光学图像中像素点的第二数量之间的第一比值。
其中，第一数量表征了缺陷检测框中缺陷区域的像素点数量，第二数量表征了光学图像的像素点数量。
可选地，假设第一数量为10，第二数量为100，计算得到第一数量与第二数量的比值为0.1，即第一比值为0.1。
步骤604，根据第一比值确定光学图像中的缺陷区域的占比；缺陷分布信息包括占比。
可选地，假设第一数量为10，第二数量为100，计算得到第一比值为0.1，那么缺陷检测框的占比即为0.1。
本实施例中，确定缺陷检测框中缺陷区域中的像素点的第一数量与光学图像中像素点的第二数量之间的第一比值；根据第一比值确定光学图像中的缺陷区域的占比；缺陷分布信息包括占比。其中，根据第一比值确定光学图像中的缺陷区域的占比，相比传统方法中只得到缺陷类型及缺陷位置，所获取的缺陷信息更全面，提高了缺陷检测的全面性。
在一个实施例中，基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息，流程如图7所示，包括：
步骤702，确定在第一方向上缺陷区域中的像素点的第三数量与光学图像中像素点的第四数量的第二比值。
其中，第三数量表征了缺陷检测框中缺陷区域在第一方向上的像素点数量，第四数量表征了光学图像在第一方向上的像素点数量。
可选地，假设第三数量为20，第四数量为200，计算得到第三数量与第四数量的比值为0.1，即第二比值为0.1。
步骤704，确定在第二方向上缺陷区域中的像素点的第五数量与光学图像中像素点的第六数量的第三比值。
其中，第五数量表征了缺陷检测框中缺陷区域在第二方向上的像素点数量，第六数量表征了光学图像在第二方向上的像素点数量。
可选地，假设第五数量为10，第六数量为100，计算得到第五数量与第六数量的比值为0.1，即第三比值为0.1。
步骤706，根据第二比值和光学图像在第一方向上的尺寸，确定缺陷区域在第一方向上的第一尺寸，以及根据第三比值和光学图像在第二方向上的尺寸，确定缺陷区域在第二方向上的第二尺寸。
一种可能的实现方式中，将第二比值和光学图像在第一方向上的尺寸进行乘法运算得到第一乘积结果，将第一乘积结果作为缺陷区域在第一方向上的第一尺寸；将第三比值和光学图像在第二方向上的尺寸进行乘法运算得到第二乘积结果，将第二乘积结果作为缺陷区域在第二方向上的第二尺寸。例如，假设第二比值为0.1，光学图像在第一方向上的尺寸为5cm，那么缺陷区域在第一方向上的第一尺寸为5x0.1=0.5cm；假设第二比值为0.2，光学图像在第二方向上的尺寸为3cm，那么缺陷区域在第二方向上的第二尺寸为3x0.2=0.6cm。
另一种可能的实现方式中，将第一乘积结果乘以第一预设系数的结果作为缺陷区域在第一方向上的第一尺寸，以及将第二乘积结果乘以第二预设系数的结果作为缺陷区域在第二方向上的第二尺寸。
步骤708，根据第一尺寸和第二尺寸，确定缺陷区域的尺寸信息；缺陷分布信息包括尺寸信息。
可选地，将第一尺寸作为缺陷区域在第一方向上的尺寸信息，将第二尺寸作为缺陷区域在第二方向上的尺寸信息。
本实施例中，确定在第一方向上缺陷区域中的像素点的第三数量与光学图像中像素点的第四数量的第二比值；确定在第二方向上缺陷区域中的像素点的第五数量与光学图像中像素点的第六数量的第三比值；根据第二比值和光学图像在第一方向上的尺寸，确定缺陷区域在第一方向上的第一尺寸，以及根据第三比值和光学图像在第二方向上的尺寸，确定缺陷区域在第二方向上的第二尺寸；根据第一尺寸和第二尺寸，确定缺陷区域的尺寸信息；缺陷分布信息包括尺寸信息。其中，第一尺寸反映了缺陷区域在第一方向上的尺寸大小，第二尺寸反映了缺陷区域在第二方向上的尺寸大小，通过第一尺寸及第二尺寸能较为全面地反映缺陷区域的尺寸信息，进而使缺陷检测更为全面。
在一个实施例中，提供了一种获取缺陷检测模型的方法，流程如图8所示，方法包括：
步骤802，确定各候选缺陷检测模型的平均精确率。
其中，平均精确率反映了各候选缺陷检测模型进行缺陷检测时的检测精度。
可选地，构建待检测电子元器件的光学图像的测试数据集，对该测试数据集进行标注，得到标注数据集。标注的依据如表1、表2所示。
表1
表2
将测试数据集输入至各候选缺陷检测模型中，得到测试数据集对应的缺陷检测框样本的缺陷预测结果，缺陷预测结果包括缺陷位置样本和缺陷类型样本；再根据缺陷预测结果和标注数据集进行误差计算，得到各候选缺陷检测模型对各缺陷类型的精确率。
一种可能的实现方式中，对各候选缺陷检测模型中各缺陷类型的精确率进行加权求和，得到各候选缺陷检测模型的平均精确率。例如，候选缺陷检测模型1的缺陷预测结果中包括对缺陷类型1及缺陷类型2的缺陷预测结果，候选缺陷检测模型1对缺陷类型1的精确率为0.7，候选缺陷检测模型1对缺陷类型2的精确率为0.9，缺陷类型1对应的权重系数1为0.4，缺陷类型2对应的权重系数2为0.6，那么候选缺陷检测模型1的平均精确率为0.7x0.4+0.9x0.6=0.82。
步骤804，将最大的平均精确率对应的候选缺陷检测模型作为缺陷检测模型。
可选地，假设各候选缺陷检测模型分别为模型一、模型二、模型三，模型一、模型二、模型三的平均精确率为0.5、0.4、0.7，对模型一、模型二、模型三的平均精确率进行比较，可知，模型三的平均精确率最大，那么，就将模型三作为缺陷检测模型。
本实施例中，通过确定各候选缺陷检测模型的平均精确率；将最大的平均精确率对应的候选缺陷检测模型作为缺陷检测模型。其中，将最大的平均精确率对应的候选缺陷检测模型作为缺陷检测模型，基于该缺陷检测模型得到的光学图像中的缺陷检测框的缺陷位置及缺陷类型是更精确的，基于更精确的缺陷检测框的缺陷位置及缺陷类型得到的缺陷检测结果也就更精确。
在一个实施例中，确定各候选缺陷检测模型的平均精确率，流程如图9所示，包括：
步骤902，针对各候选缺陷检测模型，确定候选缺陷检测模型对各预设缺陷类型的预测精确率。
其中，候选缺陷检测模型对各预设缺陷类型的预测精确率表征了候选缺陷检测模型对各预设缺陷类型的预测精度。候选缺陷检测模型包括Faster R-CNN、YOLO-v4、YOLO-X、YOLO-v5以及SSD五种模型作为。其中，YOLO-v4、YOLO-X、YOLO-v5以及SSD模型不包括区域建议网络，为一阶段目标检测模型，Faster R-CNN模型包括区域建议网络，为两阶段目标检测模型。一阶段目标检测模型的框架如图10所示，两阶段目标检测模型的框架如图11所示。
图10中，一阶段目标检测模型对待检测电子元器件的光学图像进行特征抽取、回归后，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型。
图11中，两阶段目标检测模型先利用区域建议网络提取出待检测电子元器件的光学图像中的感兴趣区域图像，再对感兴趣区域图像进行特征抽取、分类 、回归后，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型。
可选地，例如，以Faster R-CNN模型为例，预设缺陷类型为凹坑，Faster R-CNN模型对有凹坑缺陷的待检测电子元器件进行10次缺陷检测，有8次检测为凹坑，其余2次检测为划痕，那么，Faster R-CNN模型对凹坑缺陷的预测精确率为8/10=0.8。
步骤904，将候选缺陷检测模型对各预设缺陷类型的预测精确率的平均值作为平均精确率。
可选地，使用公式（1）计算候选缺陷检测模型对各预设缺陷类型的预测精确率的平均值，公式（1）如下：
(1)
公式（1）中，N为预设缺陷类型的数量，表示候选缺陷检测模型对第n个预设缺陷类型的预测精确率，m mAP 为候选缺陷检测模型对各预设缺陷类型的预测精确率的平均值，即m mAP 为平均精确率。
本实施例中，针对各候选缺陷检测模型，确定候选缺陷检测模型对各预设缺陷类型的预测精确率；将候选缺陷检测模型对各预设缺陷类型的预测精确率的平均值作为平均精确率。其中，预测精确率的平均值反映了候选缺陷检测模型对所有预设缺陷类型的预测精确度，将预测精确率的平均值作为评价指标能科学、合理地筛选出预测精确度较高的缺陷检测模型，进而，基于预测精确度较高的缺陷检测模型进行检测，得到的光学图像中的缺陷检测框的缺陷位置及缺陷类型的精度也就较高。
在一个实施例中，提供了一种确定缺陷类型的权重的方法，流程如图12所示，方法还包括：
步骤1220，根据缺陷检测结果确定待检测电子元器件的状态；状态包括失效状态和未失效状态。
可选地，以表1中的缺陷描述为依据，若缺陷检测结果为凹坑，且该凹坑的深度为引线厚度的60%，此时，判定待检测电子元器件的状态为失效；若缺陷检测结果为毛刺，且该毛刺的高度超过引线厚度的70%，此时，判定待检测电子元器件的状态为失效；若缺陷检测结果为划痕，且该划痕使得引线暴露出的基底金属的面积为引线表面积的1%，此时，判定待检测电子元器件的状态为未失效。
步骤1240，确定缺陷类型对应的状态为失效状态的待检测电子元器件的数量与总数量的第四比值；总数量为待检测电子元器件集合中存在缺陷的电子元器件的数量。
可选地，若待检测电子元器件集合中存在缺陷的电子元器件的数量为4，其中，凹坑缺陷类型对应状态为失效状态的待检测电子元器件的数量为2，那么凹坑缺陷类型对应状态为失效状态的待检测电子元器件的数量与总数量的比值为2/4=0.5。
步骤1260，根据第四比值确定缺陷类型的权重；权重用于表征缺陷类型对待检测电子元器件的失效影响程度。
可选地，若待检测电子元器件集合中存在缺陷的电子元器件的数量为4，其中，凹坑缺陷类型对应状态为失效状态的待检测电子元器件的数量为2，那么，第四比值为2/4=0.5，即凹坑缺陷类型的权重为0.5。
本实施例中，通过根据缺陷检测结果确定待检测电子元器件的状态；状态包括失效状态和未失效状态；确定缺陷类型对应的状态为失效状态的待检测电子元器件的数量与总数量的第四比值；总数量为待检测电子元器件集合中存在缺陷的电子元器件的数量；根据第四比值确定缺陷类型的权重；权重用于表征缺陷类型对待检测电子元器件的失效影响程度。其中，根据缺陷检测结果确定待检测电子元器件的状态，因为缺陷检测结果能较为准确、全面地反映待检测电子元器件的缺陷信息，所以基于该缺陷信息得到的待检测电子元器件的状态也较为准确、全面，因此，基于待检测电子元器件的状态得到的缺陷类型的权重也较为准确、全面，进而，就可以根据缺陷类型的权重全面地了解各缺陷类型对待检测电子元器件的失效影响程度。
在一个示例性的实施例中，提供了一种缺陷检测方法，流程如图13所示，包括：
步骤1301，获取待检测电子元器件的光学图像。
步骤1302，针对各候选缺陷检测模型，确定候选缺陷检测模型对各预设缺陷类型的预测精确率。
步骤1303，将候选缺陷检测模型对各预设缺陷类型的预测精确率的平均值作为平均精确率。
步骤1304，将最大的平均精确率对应的候选缺陷检测模型作为缺陷检测模型。
步骤1305，利用缺陷检测模型对光学图像进行缺陷检测，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型。
步骤1306，确定缺陷检测框中缺陷区域中的像素点的第一数量与光学图像中像素点的第二数量之间的第一比值。
步骤1307，根据第一比值确定光学图像中的缺陷区域的占比；缺陷分布信息包括占比。
步骤1308，确定在第一方向上缺陷区域中的像素点的第三数量与光学图像中像素点的第四数量的第二比值。
步骤1309，确定在第二方向上缺陷区域中的像素点的第五数量与光学图像中像素点的第六数量的第三比值。
步骤1310，根据第二比值和光学图像在第一方向上的尺寸，确定缺陷区域在第一方向上的第一尺寸，以及根据第三比值和光学图像在第二方向上的尺寸，确定缺陷区域在第二方向上的第二尺寸。
步骤1311，根据第一尺寸和第二尺寸，确定缺陷区域的尺寸信息；缺陷分布信息包括尺寸信息。
步骤1312，根据缺陷分布信息、缺陷位置及缺陷类型，得到待检测电子元器件的缺陷检测结果。
步骤1313，根据缺陷检测结果确定待检测电子元器件的状态；状态包括失效状态和未失效状态。
步骤1314，确定缺陷类型对应的状态为失效状态的待检测电子元器件的数量与总数量的第四比值；总数量为待检测电子元器件集合中存在缺陷的电子元器件的数量。
步骤1315，根据第四比值确定缺陷类型的权重；权重用于表征缺陷类型对待检测电子元器件的失效影响程度。
对步骤1301-1315进行简化，得到该缺陷检测方法的技术流程图，如图14所示。图14中，缺陷检测模型包括Faster R-CNN、YOLO-v4、YOLO-X、YOLO-v5以及SSD五种候选缺陷检测模型，缺陷分布信息包括缺陷的尺寸、面积、占比信息。
上述缺陷检测方法中，缺陷分布信息是基于缺陷检测框和光学图像得到的，能较为全面地反映缺陷的具体信息，因此，根据缺陷分布信息、缺陷位置及缺陷类型得到的缺陷检测结果也就较为全面、具体，进而能提高缺陷检测的全面性。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的缺陷检测方法的缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个缺陷检测装置实施例中的具体限定可以参见上文中对于缺陷检测方法的限定，在此不再赘述。
在一个实施例中，如图15所示，提供了一种缺陷检测装置1500，包括：光学图像获取模块1520、缺陷检测模块1540、缺陷分布信息获取模块1560和缺陷检测结果获取模块1580，其中：
光学图像获取模块1520，用于获取待检测电子元器件的光学图像；
缺陷检测模块1540，用于利用缺陷检测模型对光学图像进行缺陷检测，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型；
缺陷分布信息获取模块1560，用于基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息；
缺陷检测结果获取模块1580，用于根据缺陷分布信息、缺陷位置及缺陷类型，得到待检测电子元器件的缺陷检测结果。
在一个实施例中，缺陷分布信息获取模块1560，还用于：确定缺陷检测框中缺陷区域中的像素点的第一数量与光学图像中像素点的第二数量之间的第一比值；根据第一比值确定光学图像中的缺陷区域的占比；缺陷分布信息包括占比。
在一个实施例中，缺陷分布信息获取模块1560，还用于：确定在第一方向上缺陷区域中的像素点的第三数量与光学图像中像素点的第四数量的第二比值；确定在第二方向上缺陷区域中的像素点的第五数量与光学图像中像素点的第六数量的第三比值；根据第二比值和光学图像在第一方向上的尺寸，确定缺陷区域在第一方向上的第一尺寸，以及根据第三比值和光学图像在第二方向上的尺寸，确定缺陷区域在第二方向上的第二尺寸；根据第一尺寸和第二尺寸，确定缺陷区域的尺寸信息；缺陷分布信息包括尺寸信息。
在一个实施例中，缺陷检测模块1540，还用于：确定各候选缺陷检测模型的平均精确率；将最大的平均精确率对应的候选缺陷检测模型作为缺陷检测模型。
在一个实施例中，缺陷检测模块1540，还用于：针对各候选缺陷检测模型，确定候选缺陷检测模型对各预设缺陷类型的预测精确率；将候选缺陷检测模型对各预设缺陷类型的预测精确率的平均值作为平均精确率。
在一个实施例中，缺陷检测结果获取模块1580，还用于：根据缺陷检测结果确定待检测电子元器件的状态；状态包括失效状态和未失效状态；确定缺陷类型对应的状态为失效状态的待检测电子元器件的数量与总数量的第四比值；总数量为待检测电子元器件集合中存在缺陷的电子元器件的数量；根据第四比值确定缺陷类型的权重；权重用于表征缺陷类型对待检测电子元器件的失效影响程度。
上述缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种缺陷检测方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种缺陷检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图16和图17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测电子元器件的光学图像；
利用缺陷检测模型对光学图像进行缺陷检测，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型；
基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息；
根据缺陷分布信息、缺陷位置及缺陷类型，得到待检测电子元器件的缺陷检测结果。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测电子元器件的光学图像；
利用缺陷检测模型对光学图像进行缺陷检测，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型；
基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息；
根据缺陷分布信息、缺陷位置及缺陷类型，得到待检测电子元器件的缺陷检测结果。
在一个实施例中，提供了一种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上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待检测电子元器件的光学图像；
利用缺陷检测模型对光学图像进行缺陷检测，得到光学图像中的缺陷检测框的缺陷位置及缺陷类型；
基于缺陷检测框和光学图像，确定缺陷检测框中的缺陷分布信息；
根据缺陷分布信息、缺陷位置及缺陷类型，得到待检测电子元器件的缺陷检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种缺陷检测方法，其特征在于，所述方法包括：
获取待检测电子元器件的光学图像；
利用缺陷检测模型对所述光学图像进行缺陷检测，得到所述光学图像中的缺陷检测框的缺陷位置及缺陷类型；
基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息；
根据所述缺陷分布信息、所述缺陷位置及所述缺陷类型，得到所述待检测电子元器件的缺陷检测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息，包括：
确定所述缺陷检测框中缺陷区域中的像素点的第一数量与所述光学图像中像素点的第二数量之间的第一比值；
根据所述第一比值确定所述光学图像中的所述缺陷区域的占比；所述缺陷分布信息包括所述占比。
3.根据权利要求2所述的方法，其特征在于，所述基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息，包括：
确定在第一方向上所述缺陷区域中的像素点的第三数量与所述光学图像中像素点的第四数量的第二比值；
确定在第二方向上所述缺陷区域中的像素点的第五数量与所述光学图像中像素点的第六数量的第三比值；
根据所述第二比值和所述光学图像在第一方向上的尺寸，确定所述缺陷区域在第一方向上的第一尺寸，以及根据所述第三比值和所述光学图像在第二方向上的尺寸，确定所述缺陷区域在第二方向上的第二尺寸；
根据所述第一尺寸和所述第二尺寸，确定所述缺陷区域的尺寸信息；所述缺陷分布信息包括所述尺寸信息。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
确定各候选缺陷检测模型的平均精确率；
将最大的平均精确率对应的候选缺陷检测模型作为所述缺陷检测模型。
5.根据权利要求4所述的方法，其特征在于，所述确定各候选缺陷检测模型的平均精确率，包括：
针对各所述候选缺陷检测模型，确定所述候选缺陷检测模型对各预设缺陷类型的预测精确率；
将所述候选缺陷检测模型对各预设缺陷类型的预测精确率的平均值作为所述平均精确率。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据所述缺陷检测结果确定所述待检测电子元器件的状态；所述状态包括失效状态和未失效状态；
确定所述缺陷类型对应的状态为失效状态的待检测电子元器件的数量与总数量的第四比值；所述总数量为待检测电子元器件集合中存在缺陷的电子元器件的数量；
根据所述第四比值确定所述缺陷类型的权重；所述权重用于表征所述缺陷类型对待检测电子元器件的失效影响程度。
7.一种缺陷检测装置，其特征在于，所述装置包括：
光学图像获取模块，用于获取待检测电子元器件的光学图像；
缺陷检测模块，用于利用缺陷检测模型对所述光学图像进行缺陷检测，得到所述光学图像中的缺陷检测框的缺陷位置及缺陷类型；
缺陷分布信息获取模块，用于基于所述缺陷检测框和所述光学图像，确定所述缺陷检测框中的缺陷分布信息；
缺陷检测结果获取模块，用于根据所述缺陷分布信息、所述缺陷位置及所述缺陷类型，得到所述待检测电子元器件的缺陷检测结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202311415138.3A 2023-10-30 2023-10-30 缺陷检测方法、装置、计算机设备、存储介质和产品 Pending CN117152141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311415138.3A CN117152141A (zh) 2023-10-30 2023-10-30 缺陷检测方法、装置、计算机设备、存储介质和产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311415138.3A CN117152141A (zh) 2023-10-30 2023-10-30 缺陷检测方法、装置、计算机设备、存储介质和产品

Publications (1)

Publication Number Publication Date
CN117152141A true CN117152141A (zh) 2023-12-01

Family

ID=88901099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311415138.3A Pending CN117152141A (zh) 2023-10-30 2023-10-30 缺陷检测方法、装置、计算机设备、存储介质和产品

Country Status (1)

Country Link
CN (1) CN117152141A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881424A (zh) * 2021-01-13 2021-06-01 广东省特种设备检测研究院珠海检测院 Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统
CN112950560A (zh) * 2021-02-20 2021-06-11 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）） 电子元器件缺陷检测方法、装置及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112881424A (zh) * 2021-01-13 2021-06-01 广东省特种设备检测研究院珠海检测院 Ai+荧光渗透小型管件表面缺陷检测及质量分级方法与系统
CN112950560A (zh) * 2021-02-20 2021-06-11 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）） 电子元器件缺陷检测方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李青: "《平板显示基板玻璃技术概论》", 河北科学技术出版社, pages: 85 - 86 *

Similar Documents

Publication Publication Date Title
CN107909564B (zh) 一种基于深度学习的全卷积网络图像裂纹检测方法
CN108765506B (zh) 基于逐层网络二值化的压缩方法
CN109840556B (zh) 一种基于孪生网络的图像分类识别方法
JP2024509411A (ja) 欠陥検出方法、装置及びシステム
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
KR102450131B1 (ko) 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템
CN113421263B (zh) 零件缺陷检测方法、设备、介质及计算机程序产品
CN114331985A (zh) 电子元器件划痕缺陷检测方法、装置和计算机设备
CN111192279B (zh) 基于边缘检测的物体分割方法、电子终端及存储介质
CN114418937B (zh) 路面裂缝检测方法以及相关设备
CN112686896B (zh) 基于分割网络的频域空间结合的玻璃缺陷检测方法
CN114898357A (zh) 缺陷识别方法、装置、电子设备及计算机可读存储介质
CN117576108B (zh) 晶圆缺陷检测的可视化优化方法、装置和计算机设备
CN113221855A (zh) 基于尺度敏感损失与特征融合的小目标检测方法和系统
CN117152141A (zh) 缺陷检测方法、装置、计算机设备、存储介质和产品
Xiong et al. Attention u-net with feature fusion module for robust defect detection
CN116051959A (zh) 一种目标检测方法、装置
Zhu et al. Surface defect detection of sawn timbers based on efficient multilevel feature integration
Ardiyanto Edge devices-oriented surface defect segmentation by GhostNet Fusion Block and Global Auxiliary Layer
CN117853482B (zh) 一种基于多尺度的复合材料缺陷检测方法和设备
CN116091486B (zh) 表面缺陷检测方法、装置、电子设备及存储介质
CN117197653A (zh) 基于深度学习的滑坡灾害识别方法及系统
CN117668686A (zh) 产品检测模型训练方法、产品检测方法、装置和存储介质
CN115661465A (zh) 图像的多标签分割方法、装置、计算机设备及存储介质
CN118277271A (zh) 异常定位方法、装置、计算机设备和存储介质

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