CN117252878A - 一种纳米压印模具的图像缺陷检测方法 - Google Patents
一种纳米压印模具的图像缺陷检测方法 Download PDFInfo
- Publication number
- CN117252878A CN117252878A CN202311535530.1A CN202311535530A CN117252878A CN 117252878 A CN117252878 A CN 117252878A CN 202311535530 A CN202311535530 A CN 202311535530A CN 117252878 A CN117252878 A CN 117252878A
- Authority
- CN
- China
- Prior art keywords
- pixel
- working image
- image
- representing
- latest
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- 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)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种纳米压印模具的图像缺陷检测方法，属于图像处理技术领域，包括以下步骤：S1、采集纳米压印模具的当前工作图像，并在数据库中为纳米压印模具的当前工作图像匹配标准工作图像；S2、对当前工作图像进行更新，得到最新工作图像；S3、将最新工作图像与标准工作图像进行对比，确定最新工作图像的异常区域，将最新工作图像的异常区域作为纳米压印模具的缺陷区域。本发明公开了一种纳米压印模具的图像缺陷检测方法，在进行缺陷检测前，通过图像匹配约束条件为纳米压印模具的当前工作图像匹配最适合用于缺陷比对的历史工作图像，可以提高缺陷检测效率。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种纳米压印模具的图像缺陷检测方法。
背景技术
纳米压印技术具有高分辨率、工艺过程简单、超低成本、高生产率等优点，被广泛应用于半导体等微纳制造领域。纳米压印技术常用的纳米压印模具在工作过程中因自身或外力影响，可能会出现缺点，例如，麻点和凹陷等，常见于模具表面。纳米压印模具的缺陷会进而导致加工的产品质量不过关。而现有纳米压印模具的图像缺陷检测方法通常采用人为观察，其不稳定且不精确。
发明内容
本发明为了解决以上问题，提出了一种纳米压印模具的图像缺陷检测方法。
本发明的技术方案是：一种纳米压印模具的图像缺陷检测方法包括以下步骤：
S1、采集纳米压印模具的当前工作图像，并在数据库中为纳米压印模具的当前工作图像匹配标准工作图像；
S2、对当前工作图像进行更新，得到最新工作图像；
S3、将最新工作图像与标准工作图像进行对比，确定最新工作图像的异常区域，将最新工作图像的异常区域作为纳米压印模具的缺陷区域。
进一步地，S1包括以下子步骤：
S11、从数据库中获取若干张不存在缺陷的历史工作图像；
S12、构建图像匹配约束条件，将所有符合图像匹配约束条件的历史工作图像作为匹配图像集合；
S13、计算匹配图像集合中各张历史工作图像与当前工作图像的匹配相似度，将相似度最大的历史工作图像作为标准工作图像。
上述进一步方案的有益效果是：在本发明中，数据库中存在多张无缺陷且当前工作图像拍摄内容相似的历史工作图像，可以用于与当前工作图像进行比对，从数据库中如何挑选最合适的历史工作图像与当前工作图像完成后续步骤的图像分析至关重要，标准工作图像的准确选择可以提高检测准确性。本发明从图像的尺寸和像素点密度等出发，确定最佳标准工作图像，提高检测效率和检测准确率。
进一步地，S12中，图像匹配约束条件的表达式为：；式中，a0表示当前工作图像的长，b0表示当前工作图像的宽，a表示历史工作图像的长，b表示历史工作图像的宽，M表示当前工作图像的像素点个数，N表示历史工作图像的像素点个数。
进一步地，S13中，匹配图像集合中历史工作图像与当前工作图像的匹配相似度S的计算公式为：；式中，a0表示当前工作图像的长，b0表示当前工作图像的宽，a表示历史工作图像的长，b表示历史工作图像的宽，M表示当前工作图像的像素点个数，N表示历史工作图像的像素点个数，s0表示当前工作图像中单位面积的像素点个数，s表示历史工作图像中单位面积的像素点个数。
进一步地，S2包括以下子步骤：
S21、提取当前工作图像中各个像素点的像素值，生成像素值序列；
S22、生成像素值序列的像素权重；
S23、根据像素值序列的像素权重，确定最新工作图像中各个像素点的像素值。
上述进一步方案的有益效果是：在本发明中，标准工作图像为纳米压印模具不存在缺陷时的图像，所以不需要进行工作系数计算，而当前工作图像可能为纳米压印模具存在缺陷时的图像，因此需对当前工作图像的像素点进行更新处理，提高图像质量，保证与标准工作图像进行对比的准确性。
进一步地，S22中，像素值序列的像素权重ω的计算公式为：；式中，pk-1表示像素值序列中第k-1个像素值，pk表示像素值序列中第k个像素值，pk+1表示像素值序列中第k+1个像素值，K表示像素值序列的像素值个数。
进一步地，S23中，最新工作图像中第j个像素点的像素值Pj的计算公式为：；式中，p＇表示像素值序列的中位数，p＇＇表示像素值序列的众数，ρ表示最新工作图像中第j个像素点在当前工作图像中对应像素点的像素值。
进一步地，S3包括以下子步骤：
S31、为最新工作图像生成第一像素矩阵，为标准工作图像生成第二像素矩阵；
S32、根据第一像素矩阵和第二像素矩阵，确定像素异常阈值；
S33、将最新工作图像中小于像素异常阈值的像素值对应的像素点顺时针连接，作为最新工作图像的异常区域，将最新工作图像的异常区域作为纳米压印模具的缺陷区域。
上述进一步方案的有益效果是：在本发明中，对最新工作图像和标准工作图像进行分块处理，第一矩形块对应左上，第二矩形块对应右上，第三矩形块对应左下，第四矩形块对应右下。各个矩形块的像素值均值可以反映该部分的像素情况，再对各个矩形块的像素值均值做平均运算，可以生成3×3的像素矩阵，由像素矩阵确定一个筛选异常像素点的异常阈值，可以快速确定异常区域，该异常区域对应的纳米压印模具部分即为缺点区域。
进一步地，S31中，为最新工作图像生成第一像素矩阵的具体方法为：将最新工作图像均匀划分为四个矩形块，并确定各个矩形块中所有像素点的像素值均值，生成第一像素矩阵X，其表达式为：；式中，d1表示最新工作图像的第一矩形块中所有像素点的像素值均值，d2表示最新工作图像的第二矩形块中所有像素点的像素值均值，d3表示最新工作图像的第三矩形块中所有像素点的像素值均值，d4表示最新工作图像的第四矩形块中所有像素点的像素值均值；
S31中，为标准工作图像生成第二像素矩阵的具体方法为：将标准工作图像均匀划分为四个矩形块，并确定各个矩形块中所有像素点的像素值均值，生成第二像素矩阵Y，其表达式为：；式中，D1表示标准工作图像的第一矩形块中所有像素点的像素值均值，D2表示标准工作图像的第二矩形块中所有像素点的像素值均值，D3表示标准工作图像的第三矩形块中所有像素点的像素值均值，D4表示标准工作图像的第四矩形块中所有像素点的像素值均值。
进一步地，S32中，像素异常阈值η的计算公式为：；式中，X表示第一像素矩阵，Y表示第二像素矩阵，λ1表示第一像素矩阵的特征值，λ2表示第二像素矩阵的特征值，I表示单位矩阵。
本发明的有益效果是：本发明公开了一种纳米压印模具的图像缺陷检测方法，在进行缺陷检测前，通过图像匹配约束条件为纳米压印模具的当前工作图像匹配最适合用于缺陷比对的历史工作图像，可以提高缺陷检测效率；另外，通过对标准工作图像和最新工作图像进行分块及矩阵生成操作，确定一个准确的像素异常阈值，可以精准提取异常像素点，快速确定纳米压印模具的缺陷所在区域，便于运维人员排查，提高模具工作安全性。
附图说明
图1为纳米压印模具的图像缺陷检测方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种纳米压印模具的图像缺陷检测方法，包括以下步骤：
S1、采集纳米压印模具的当前工作图像，并在数据库中为纳米压印模具的当前工作图像匹配标准工作图像；
S2、对当前工作图像进行更新，得到最新工作图像；
S3、将最新工作图像与标准工作图像进行对比，确定最新工作图像的异常区域，将最新工作图像的异常区域作为纳米压印模具的缺陷区域。
在本发明实施例中，S1包括以下子步骤：
S11、从数据库中获取若干张不存在缺陷的历史工作图像；
S12、构建图像匹配约束条件，将所有符合图像匹配约束条件的历史工作图像作为匹配图像集合；
S13、计算匹配图像集合中各张历史工作图像与当前工作图像的匹配相似度，将相似度最大的历史工作图像作为标准工作图像。
在本发明中，数据库中存在多张无缺陷且当前工作图像拍摄内容相似的历史工作图像，可以用于与当前工作图像进行比对，从数据库中如何挑选最合适的历史工作图像与当前工作图像完成后续步骤的图像分析至关重要，标准工作图像的准确选择可以提高检测准确性。本发明从图像的尺寸和像素点密度等出发，确定最佳标准工作图像，提高检测效率和检测准确率。
在本发明实施例中，S12中，图像匹配约束条件的表达式为：；式中，a0表示当前工作图像的长，b0表示当前工作图像的宽，a表示历史工作图像的长，b表示历史工作图像的宽，M表示当前工作图像的像素点个数，N表示历史工作图像的像素点个数。
在本发明实施例中，S13中，匹配图像集合中历史工作图像与当前工作图像的匹配相似度S的计算公式为：；式中，a0表示当前工作图像的长，b0表示当前工作图像的宽，a表示历史工作图像的长，b表示历史工作图像的宽，M表示当前工作图像的像素点个数，N表示历史工作图像的像素点个数，s0表示当前工作图像中单位面积的像素点个数，s表示历史工作图像中单位面积的像素点个数。
在本发明实施例中，S2包括以下子步骤：
S21、提取当前工作图像中各个像素点的像素值，生成像素值序列；
S22、生成像素值序列的像素权重；
S23、根据像素值序列的像素权重，确定最新工作图像中各个像素点的像素值。
在本发明中，标准工作图像为纳米压印模具不存在缺陷时的图像，所以不需要进行工作系数计算，而当前工作图像可能为纳米压印模具存在缺陷时的图像，因此需对当前工作图像的像素点进行更新处理，提高图像质量，保证与标准工作图像进行对比的准确性。
在本发明实施例中，S22中，像素值序列的像素权重ω的计算公式为：；式中，pk-1表示像素值序列中第k-1个像素值，pk表示像素值序列中第k个像素值，pk+1表示像素值序列中第k+1个像素值，K表示像素值序列的像素值个数。
在本发明实施例中，S23中，最新工作图像中第j个像素点的像素值Pj的计算公式为：；式中，p＇表示像素值序列的中位数，p＇＇表示像素值序列的众数，ρ表示最新工作图像中第j个像素点在当前工作图像中对应像素点的像素值。
在本发明实施例中，S3包括以下子步骤：
S31、为最新工作图像生成第一像素矩阵，为标准工作图像生成第二像素矩阵；
S32、根据第一像素矩阵和第二像素矩阵，确定像素异常阈值；
S33、将最新工作图像中小于像素异常阈值的像素值对应的像素点顺时针连接，作为最新工作图像的异常区域，将最新工作图像的异常区域作为纳米压印模具的缺陷区域。
在本发明中，对最新工作图像和标准工作图像进行分块处理，第一矩形块对应左上，第二矩形块对应右上，第三矩形块对应左下，第四矩形块对应右下。各个矩形块的像素值均值可以反映该部分的像素情况，再对各个矩形块的像素值均值做平均运算，可以生成3×3的像素矩阵，由像素矩阵确定一个筛选异常像素点的异常阈值，可以快速确定异常区域，该异常区域对应的纳米压印模具部分即为缺点区域。
在本发明实施例中，S31中，为最新工作图像生成第一像素矩阵的具体方法为：将最新工作图像均匀划分为四个矩形块，并确定各个矩形块中所有像素点的像素值均值，生成第一像素矩阵X，其表达式为：；式中，d1表示最新工作图像的第一矩形块中所有像素点的像素值均值，d2表示最新工作图像的第二矩形块中所有像素点的像素值均值，d3表示最新工作图像的第三矩形块中所有像素点的像素值均值，d4表示最新工作图像的第四矩形块中所有像素点的像素值均值；
S31中，为标准工作图像生成第二像素矩阵的具体方法为：将标准工作图像均匀划分为四个矩形块，并确定各个矩形块中所有像素点的像素值均值，生成第二像素矩阵Y，其表达式为：；式中，D1表示标准工作图像的第一矩形块中所有像素点的像素值均值，D2表示标准工作图像的第二矩形块中所有像素点的像素值均值，D3表示标准工作图像的第三矩形块中所有像素点的像素值均值，D4表示标准工作图像的第四矩形块中所有像素点的像素值均值。
在本发明实施例中，S32中，像素异常阈值η的计算公式为：；式中，X表示第一像素矩阵，Y表示第二像素矩阵，λ1表示第一像素矩阵的特征值，λ2表示第二像素矩阵的特征值，I表示单位矩阵。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种纳米压印模具的图像缺陷检测方法，其特征在于，包括以下步骤：
S1、采集纳米压印模具的当前工作图像，并在数据库中为纳米压印模具的当前工作图像匹配标准工作图像；
S2、对当前工作图像进行更新，得到最新工作图像；
S3、将最新工作图像与标准工作图像进行对比，确定最新工作图像的异常区域，将最新工作图像的异常区域作为纳米压印模具的缺陷区域。
2.根据权利要求1所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S1包括以下子步骤：
S11、从数据库中获取若干张不存在缺陷的历史工作图像；
S12、构建图像匹配约束条件，将所有符合图像匹配约束条件的历史工作图像作为匹配图像集合；
S13、计算匹配图像集合中各张历史工作图像与当前工作图像的匹配相似度，将相似度最大的历史工作图像作为标准工作图像。
3.根据权利要求2所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S12中，图像匹配约束条件的表达式为：；式中，a0表示当前工作图像的长，b0表示当前工作图像的宽，a表示历史工作图像的长，b表示历史工作图像的宽，M表示当前工作图像的像素点个数，N表示历史工作图像的像素点个数。
4.根据权利要求2所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S13中，匹配图像集合中历史工作图像与当前工作图像的匹配相似度S的计算公式为：；式中，a0表示当前工作图像的长，b0表示当前工作图像的宽，a表示历史工作图像的长，b表示历史工作图像的宽，M表示当前工作图像的像素点个数，N表示历史工作图像的像素点个数，s0表示当前工作图像中单位面积的像素点个数，s表示历史工作图像中单位面积的像素点个数。
5.根据权利要求1所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S2包括以下子步骤：
S21、提取当前工作图像中各个像素点的像素值，生成像素值序列；
S22、生成像素值序列的像素权重；
S23、根据像素值序列的像素权重，确定最新工作图像中各个像素点的像素值。
6.根据权利要求5所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S22中，像素值序列的像素权重ω的计算公式为：；式中，pk-1表示像素值序列中第k-1个像素值，pk表示像素值序列中第k个像素值，pk+1表示像素值序列中第k+1个像素值，K表示像素值序列的像素值个数。
7.根据权利要求5所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S23中，最新工作图像中第j个像素点的像素值Pj的计算公式为：；式中，p＇表示像素值序列的中位数，p＇＇表示像素值序列的众数，ρ表示最新工作图像中第j个像素点在当前工作图像中对应像素点的像素值。
8.根据权利要求1所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S3包括以下子步骤：
S31、为最新工作图像生成第一像素矩阵，为标准工作图像生成第二像素矩阵；
S32、根据第一像素矩阵和第二像素矩阵，确定像素异常阈值；
S33、将最新工作图像中小于像素异常阈值的像素值对应的像素点顺时针连接，作为最新工作图像的异常区域，将最新工作图像的异常区域作为纳米压印模具的缺陷区域。
9.根据权利要求8所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S31中，为最新工作图像生成第一像素矩阵的具体方法为：将最新工作图像均匀划分为四个矩形块，并确定各个矩形块中所有像素点的像素值均值，生成第一像素矩阵X，其表达式为：；式中，d1表示最新工作图像的第一矩形块中所有像素点的像素值均值，d2表示最新工作图像的第二矩形块中所有像素点的像素值均值，d3表示最新工作图像的第三矩形块中所有像素点的像素值均值，d4表示最新工作图像的第四矩形块中所有像素点的像素值均值；
所述S31中，为标准工作图像生成第二像素矩阵的具体方法为：将标准工作图像均匀划分为四个矩形块，并确定各个矩形块中所有像素点的像素值均值，生成第二像素矩阵Y，其表达式为：；式中，D1表示标准工作图像的第一矩形块中所有像素点的像素值均值，D2表示标准工作图像的第二矩形块中所有像素点的像素值均值，D3表示标准工作图像的第三矩形块中所有像素点的像素值均值，D4表示标准工作图像的第四矩形块中所有像素点的像素值均值。
10.根据权利要求8所述的纳米压印模具的图像缺陷检测方法，其特征在于，所述S32中，像素异常阈值η的计算公式为：；式中，X表示第一像素矩阵，Y表示第二像素矩阵，λ1表示第一像素矩阵的特征值，λ2表示第二像素矩阵的特征值，I表示单位矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311535530.1A CN117252878B (zh) | 2023-11-17 | 2023-11-17 | 一种纳米压印模具的图像缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311535530.1A CN117252878B (zh) | 2023-11-17 | 2023-11-17 | 一种纳米压印模具的图像缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252878A true CN117252878A (zh) | 2023-12-19 |
| CN117252878B CN117252878B (zh) | 2024-02-02 |
Family
ID=89128054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311535530.1A Active CN117252878B (zh) | 2023-11-17 | 2023-11-17 | 一种纳米压印模具的图像缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252878B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455221A (zh) * | 2023-12-25 | 2024-01-26 | 青岛可颂食品有限公司 | 一种适用于烘焙奶油的加工流程管理系统 |
| CN118010759A (zh) * | 2024-04-08 | 2024-05-10 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印图像的检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102279191A (zh) * | 2010-06-13 | 2011-12-14 | 中钞特种防伪科技有限公司 | 周期性纹理图像中缺陷的检测方法和装置 |
| CN104076040A (zh) * | 2014-07-02 | 2014-10-01 | 中广核工程有限公司 | 核电站混凝土建筑物缺陷检测方法、设备及系统 |
| CN107248159A (zh) * | 2017-08-04 | 2017-10-13 | 河海大学常州校区 | 一种基于双目视觉的金属工件缺陷检测方法 |
| CN108764312A (zh) * | 2018-05-17 | 2018-11-06 | 河海大学 | 基于ds优化多指标大坝缺陷图像检测方法 |
| CN110189300A (zh) * | 2019-04-22 | 2019-08-30 | 中国科学院微电子研究所 | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 |
| CN112819812A (zh) * | 2021-02-25 | 2021-05-18 | 西安铂力特增材技术股份有限公司 | 基于图像处理的粉末床缺陷检测方法 |
| CN113674273A (zh) * | 2021-09-16 | 2021-11-19 | 深圳市光明顶照明科技有限公司 | 一种基于产品缺陷的光学检测方法、系统和可读存储介质 |
| CN114994176A (zh) * | 2022-05-25 | 2022-09-02 | 大连外国语大学 | 一种基于超声阈值成像的孔缺陷精准测量方法 |
| CN115035122A (zh) * | 2022-08-12 | 2022-09-09 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
| CN115205318A (zh) * | 2022-09-16 | 2022-10-18 | 中天科技海缆股份有限公司 | 一种海缆表面缺陷识别的方法及系统 |
| CN116912242A (zh) * | 2023-09-12 | 2023-10-20 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆缺陷定位方法 |
-
2023
- 2023-11-17 CN CN202311535530.1A patent/CN117252878B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102279191A (zh) * | 2010-06-13 | 2011-12-14 | 中钞特种防伪科技有限公司 | 周期性纹理图像中缺陷的检测方法和装置 |
| CN104076040A (zh) * | 2014-07-02 | 2014-10-01 | 中广核工程有限公司 | 核电站混凝土建筑物缺陷检测方法、设备及系统 |
| CN107248159A (zh) * | 2017-08-04 | 2017-10-13 | 河海大学常州校区 | 一种基于双目视觉的金属工件缺陷检测方法 |
| CN108764312A (zh) * | 2018-05-17 | 2018-11-06 | 河海大学 | 基于ds优化多指标大坝缺陷图像检测方法 |
| CN110189300A (zh) * | 2019-04-22 | 2019-08-30 | 中国科学院微电子研究所 | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 |
| CN112819812A (zh) * | 2021-02-25 | 2021-05-18 | 西安铂力特增材技术股份有限公司 | 基于图像处理的粉末床缺陷检测方法 |
| CN113674273A (zh) * | 2021-09-16 | 2021-11-19 | 深圳市光明顶照明科技有限公司 | 一种基于产品缺陷的光学检测方法、系统和可读存储介质 |
| CN114994176A (zh) * | 2022-05-25 | 2022-09-02 | 大连外国语大学 | 一种基于超声阈值成像的孔缺陷精准测量方法 |
| CN115035122A (zh) * | 2022-08-12 | 2022-09-09 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
| CN115205318A (zh) * | 2022-09-16 | 2022-10-18 | 中天科技海缆股份有限公司 | 一种海缆表面缺陷识别的方法及系统 |
| CN116912242A (zh) * | 2023-09-12 | 2023-10-20 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印晶圆缺陷定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张芳健;陈新度;王晗;姚洪辉;高梦阳;李逸;: "基于机器视觉的热转印胶片缺陷检测", 组合机床与自动化加工技术, no. 01 * |
| 高晓蕾 ，陈艺勤，郑梦洁 ，段辉高: "大面积纳米压印技术及其器件应用", 光学精密工程, vol. 30, no. 5 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455221A (zh) * | 2023-12-25 | 2024-01-26 | 青岛可颂食品有限公司 | 一种适用于烘焙奶油的加工流程管理系统 |
| CN117455221B (zh) * | 2023-12-25 | 2024-03-26 | 青岛可颂食品有限公司 | 一种适用于烘焙奶油的加工流程管理系统 |
| CN118010759A (zh) * | 2024-04-08 | 2024-05-10 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印图像的检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252878B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117252878B (zh) | 一种纳米压印模具的图像缺陷检测方法 | |
| CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
| CN111860596B (zh) | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 | |
| CN117635565B (zh) | 一种基于图像识别的半导体表面缺陷检测系统 | |
| CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
| CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 | |
| CN108241925A (zh) | 一种基于离群点检测的离散制造机械产品质量溯源方法 | |
| CN113297885A (zh) | 基于卷积神经网络的皮带机表面状态检测方法及装置 | |
| CN116978834A (zh) | 一种用于晶圆生产的智能监测预警系统 | |
| CN117372431B (zh) | 一种纳米压印模具的图像检测方法 | |
| CN114800041A (zh) | 一种刀具状态监测方法及其监测装置 | |
| CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
| AU2021101715A4 (en) | A transfer learning based model for fatigue crack initiation sites detection | |
| CN113936291A (zh) | 一种基于机器视觉的铝模板质检、回收方法 | |
| CN117571312A (zh) | 面向噪声标签工业场景的旋转机械故障诊断方法 | |
| CN117309891A (zh) | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 | |
| CN116309597B (zh) | 一种药盒混装缺陷的视觉在线检测方法及装置 | |
| CN110298399B (zh) | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 | |
| CN112559591A (zh) | 一种用于冷轧辊制造过程的离群检测系统及其检测方法 | |
| CN115100451B (zh) | 一种用于液压泵漏油监控的数据扩充方法 | |
| Cao et al. | Wafer surface defect detection based on improved YOLOv3 network | |
| CN116206148A (zh) | 一种装修废弃物智能检测识别分类方法 | |
| CN113362296B (zh) | 一种隧道裂缝提取方法及系统 | |
| CN109190489A (zh) | 一种基于修复自动编码器残差的异常人脸检测方法 | |
| CN114841971A (zh) | 金属块凹坑缺陷检测方法、系统及装置 |
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 |