CN117541579B - 一种封装支架缺陷检测方法及系统 - Google Patents
一种封装支架缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117541579B CN117541579B CN202410020938.3A CN202410020938A CN117541579B CN 117541579 B CN117541579 B CN 117541579B CN 202410020938 A CN202410020938 A CN 202410020938A CN 117541579 B CN117541579 B CN 117541579B
- Authority
- CN
- China
- Prior art keywords
- area
- defect
- cup
- pollution
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 263
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000005286 illumination Methods 0.000 claims description 93
- 238000010586 diagram Methods 0.000 claims description 75
- 230000011218 segmentation Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000011109 contamination Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000003707 image sharpening Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005538 encapsulation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000000306 component Substances 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000011179 visual inspection Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种封装支架缺陷检测方法及系统，包括采集不同光场下的封装支架的图像信息，以得到支架明场图像以及支架暗场图像；运算后得到理想明场图像以及理想暗场图像，框选杯口圆区域中出的杯口圆特征区域，并框选出污染缺陷区域中的污染缺陷特征区域；基于差分模块对杯口单元模块区域以及污染缺陷模块区域进行拟合，以得到封装支架以及本体的划痕区域；对杯口坐标的位置以及污染缺陷坐标的位置进行标记，以分别得到杯口参考区域以及污染缺陷参考区域，并基于彩色图像分割算法对杯口参考区域以及污染缺陷参考区域进行分割，以得到封装支架以及本体的破损污染区域。本发明能够避免反光影响支架检测，并且检测具有一致性。
Description
技术领域
本发明涉及封装支架缺陷检测技术领域，特别涉及一种封装支架缺陷检测方法及系统。
背景技术
随着全球信息技术产业的高速发展，LED 芯片已广泛应用于指示器、标识、照明以及生物检测等众多领域，芯片封装是否符合质量要求直接影响到成品的外观和使用效果。二极管封装支架作为二极管器件的核心部件，对二极管的使用寿命、工作性能及可靠性都有重要影响，所以封装支架在出厂前需要对其进行严格的质量检测。
现有技术当中，封装支架的尺寸较小，生产过程中容易产生缺陷，在检查封装支架时通常是以人工抽检的方式为主，人工采用AOI设备或者是采用显微镜目检封装支架的缺陷，并且封装支架表面会有反光等情况，会导致检测不够准确，并且检测效率低的同时也难以保障检测一致性，从而限制了封装支架产业的进一步发展。
发明内容
基于此，本发明的目的是提供一种封装支架缺陷检测方法及系统，以至少解决上述现有技术当中的不足。
第一方面，本发明提供一种封装支架缺陷检测方法，所述方法包括：
采集不同光场下的封装支架的图像信息，以得到明场照明图像以及暗场照明图像，并对所述明场照明图像以及所述暗场照明图像进行预处理，得到支架明场图像以及支架暗场图像；
依次对所述支架明场图像以及所述支架暗场图像进行开运算及闭运算，得到理想明场图像以及理想暗场图像，并基于所述理想明场图像提取所述封装支架的杯口圆区域，基于所述理想暗场图像提取所述封装支架的污染缺陷区域；
框选所述杯口圆区域中出的杯口圆特征区域，并框选出所述污染缺陷区域中的污染缺陷特征区域；
腐蚀所述杯口圆特征区域以分离得到杯口单元模块区域，并获取所述杯口单元模块区域的杯口坐标，腐蚀所述污染缺陷特征区域以分离得到污染缺陷模块区域，并获取污染缺陷坐标；
基于差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行拟合，以得到所述封装支架的杯口划痕区域以及所述封装支架的本体划痕区域；
对所述杯口坐标的位置以及所述污染缺陷坐标的位置进行标记，以分别得到杯口参考区域以及污染缺陷参考区域，并基于彩色图像分割算法对所述杯口参考区域以及所述污染缺陷参考区域进行分割，以得到所述封装支架的杯口破损污染区域以及所述封装支架本体破损污染区域。
与现有技术相比，本发明的有益效果是：通过明场照明图像以及暗场照明图像，避免反光影响图像上的特征显示，使得封装支架的杯口以及本体上的划痕、破损以及污染等特征能够被更好的显示在图像上，并且通过差分模块可以得到封装支架的杯口划痕区域以及本体上的划痕区域，通过图像分割算法可以得到封装杯口以及本体上的破损污染区域，从而能够有效的检测到封装支架上的缺陷，并且相比人工具有更好的检测效率以及一致性。
进一步的，所述并对所述明场照明图像以及所述暗场照明图像进行预处理，得到支架明场图像以及支架暗场图像的步骤包括：
采用中值滤波对所述明场照明图像以及所述暗场照明图像进行滤波处理，得到滤波后的明场照明图像以及滤波后的暗场照明图像；
依次对所述滤波后的明场照明图像以及所述滤波后的暗场照明图像进行直方图均衡化处理以及图像锐化处理，以得到处理后的明场照明图像以及处理后的暗场照明图像；
对所述处理后的明场照明图像以及所述暗场照明图像矫正，以得到所述支架明场图像以及所述支架暗场图像。
进一步的，所述依次对所述支架明场图像以及所述支架暗场图像进行开运算及闭运算的步骤包括：
基于结构元素的分解对所述支架明场图像以及所述支架暗场图像进行开运算；
基于结构元素的分解对所述支架明场图像以及所述支架暗场图像进行闭运算，以填充所述支架明场图像以及所述支架暗场图像。
进一步的，所述并基于所述理想明场图像提取所述封装支架的杯口圆区域，基于所述理想暗场图像提取所述封装支架的污染缺陷区域的步骤包括：
二值化处理所述理想明场图像得到二值化理想明场图像，对所述二值化理想明场图像进行黑白调换，以对所述二值化理想明场图像的进行增强得到增强二值化理想明场图像，并对所述增强二值化理想明场图像与所述二值化理想明场图像进行差值运算得到杯口圆区域；
采用regionprops函数定位所述理想暗场图像的污染缺陷区域，并对所述污染缺陷区域进行标注。
进一步的，所述框选所述杯口圆区域中出的杯口圆特征区域，并框选出所述污染缺陷区域中的污染缺陷特征区域的步骤包括：
将所述杯口圆区域转换为杯口先验框图，并将所述污染缺陷区域转换为污染缺陷区域先验框图；
按照线性变化改变所述杯口先验框图以及所述污染缺陷区域先验框图的大小，以分别获取杯口圆特征区域以及污染缺陷特征区域。
进一步的，所述按照线性变化改变所述杯口先验框图以及所述污染缺陷先验框图的大小的表达式分别为：
；
；
式中，表示所述杯口先验框图与所述杯口圆区域实际尺寸的比例，/>、/>分别表示所述杯口先验框图与所述杯口圆区域比例的最小值、所述杯口先验框图与所述杯口圆区域比例的最大值，m表示不同分辨率的所述杯口圆区域的个数，/>表示所述污染缺陷区域与所述污染缺陷先验框图的实际比例尺寸，/>、/>分别表示所述污染缺陷区域与所述污染缺陷先验框图的比例的最小值、所述污染缺陷区域与所述污染缺陷先验框图比例的最大值，n表示不同分辨率的所述污染缺陷区域的个数。
进一步的，所述腐蚀所述杯口圆特征区域以分离得到杯口单元模块区域，并获取所述杯口单元模块区域的杯口坐标，腐蚀所述污染缺陷特征区域以分离得到污染缺陷模块区域，并获取所述污染缺陷坐标的步骤包括：
采用形态学处理将所述杯口圆特征区域以及所述污染缺陷特征区域分别腐蚀成杯口最小连通域以及污染缺陷连通域，并基于闭运算清理所述杯口最小连通域以及所述污染缺陷连通域中的纹理轮廓，以分离出所述杯口单元模块区域以及所述污染缺陷模块区域；
寻找所述杯口单元模块区域以及所述污染缺陷模块区域的边缘区域，以得到杯口边缘区域以及污染缺陷模块边缘区域；
获取所述杯口边缘区域以及所述污染缺陷模块边缘区域的边缘数据，以得到杯口边缘数据以及污染缺陷边缘数据；
基于所述杯口边缘数据、所述污染缺陷边缘数据分别获取所述杯口单元模块区域的杯口坐标、所述污染缺陷模块区域的污染缺陷坐标。
进一步的，所述基于差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行拟合的步骤包括：
获取所述封装支架的杯口圆的半径大小、所述杯口圆的底部宽度以及所述封装支架的尺寸大小；
采用最小二乘法拟合所述杯口圆的半径、所述杯口圆的底部宽度以及所述封装支架的尺寸得到差分模块；
基于所述差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行对准搜索。
进一步的，所述并基于彩色图像分割算法对所述杯口参考区域以及所述污染缺陷参考区域进行分割的步骤包括：
计算所述杯口参考区域以及所述污染缺陷参考区域中所有点的平均向量以及协方差矩阵的值，以得到杯口区域分割阈值以及污染缺陷区域分割阈值；
基于所述杯口区域分割阈值以及HIS 彩色图像模型对所述杯口参考区域进行分割，并基于所述污染缺陷区域分割阈值以及所述HIS 彩色图像模型对所述污染缺陷参考区域进行分割。
第二方面，本发明还提供一种封装支架缺陷检测系统，所述系统包括：
采集模块，用于采集不同光场下的封装支架的图像信息，以得到明场照明图像以及暗场照明图像，并对所述明场照明图像以及所述暗场照明图像进行预处理，得到支架明场图像以及支架暗场图像；
运算模块，用于依次对所述支架明场图像以及所述支架暗场图像进行开运算及闭运算，得到理想明场图像以及理想暗场图像，并基于所述理想明场图像提取所述封装支架的杯口圆区域，基于所述理想暗场图像提取所述封装支架的污染缺陷区域；
框选模块，用于框选所述杯口圆区域中出的杯口圆特征区域，并框选出所述污染缺陷区域中的污染缺陷特征区域；
腐蚀模块，用于腐蚀所述杯口圆特征区域以分离得到杯口单元模块区域，并获取所述杯口单元模块区域的杯口坐标，腐蚀所述污染缺陷特征区域以分离得到污染缺陷模块区域，并获取污染缺陷坐标；
拟合模块，用于基于差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行拟合，以得到所述封装支架的杯口划痕区域以及所述封装支架的本体划痕区域；
标记模块，用于对所述杯口坐标的位置以及所述污染缺陷坐标的位置进行标记，以分别得到杯口参考区域以及污染缺陷参考区域，并基于彩色图像分割算法对所述杯口参考区域以及所述污染缺陷参考区域进行分割，以得到所述封装支架的杯口破损区域以及所述封装支架本体破损区域。
附图说明
图1为本发明第一实施例中的封装支架缺陷检测方法的流程图；
图2为本发明第一实施例中的暗场采集图像信息的示意图；
图3为本发明第一实施例中的明场采集图像信息的示意图；
图4为本发明第一实施例中的差分模块的搜索示意图；
图5为本发明第二实施例中的封装支架缺陷检测系统的结构框图。
主要元件符号说明：
11、采集模块；
12、运算模块；
13、框选模块；
14、腐蚀模块；
15、拟合模块；
16、标记模块。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的封装支架缺陷检测方法，所述方法包括步骤S1至步骤S6：
S1，采集不同光场下的封装支架的图像信息，以得到明场照明图像以及暗场照明图像，并对所述明场照明图像以及所述暗场照明图像进行预处理，得到支架明场图像以及支架暗场图像；
可以理解的是，在通过相机采集封装支架的图像信息时，封装支架的表面会产生反光等问题，通过暗场照明的方式可以使得封装支架的划痕区域能够较好的呈现，而通过明场照明的方式可以使得污染缺陷更够较好的呈现；
进一步的，请参阅图2，所示为暗场采集图像信息的示意图，当圆环形光源放置得较低时，根据光线入射角等于反射角的原理，除了少量漫反射光外，大部分光线都无法直接射入镜头而形成暗场，另外请参阅图3，所示为明场采集图像信息的示意图，当圆环形光源放置得较高时，金属表面产生的大量镜面反射能够成功进入镜头，呈现出明亮的效果，金属表面的污染缺陷对光线有吸收作用， 从而呈现出与其他正常区域不同的颜色。
具体的，所述步骤S1包括步骤S11至步骤S13：
S11，采用中值滤波对所述明场照明图像以及所述暗场照明图像进行滤波处理，得到滤波后的明场照明图像以及滤波后的暗场照明图像；
需要解释的是，明场照明图像以及暗场照明图像中的噪声一般都为椒盐噪声，也叫脉冲噪声，而采用中值滤波能够实现明场照明图像以及暗场照明图像的去噪平滑，具体的，中值滤波选择明场照明图像以及暗场照明图像中的一个中心点坐标的掩模，根据掩模的灰度值排列的顺序，每一个掩模中间值即为中心点坐标的邻域的新值，最后将窗口一步步的移动直到覆盖整张明场照明图像以及暗场照明图像，得到滤波后的明场照明图像以及滤波后的暗场照明图像。
S12，依次对所述滤波后的明场照明图像以及所述滤波后的暗场照明图像进行直方图均衡化处理以及图像锐化处理，以得到处理后的明场照明图像以及处理后的暗场照明图像；
可以理解的是，在去噪之后，明场照明图像以及暗场照明图像的边缘会出现不同程度的模糊现象，因此在本实施例中，通过直方图均衡化处理调整明场照明图像以及暗场照明图像的亮度，进一步通过图像锐化来增强明场照明图像以及暗场照明图像的边缘轮廓，提高图像的对比度。
S13，对所述处理后的明场照明图像以及所述暗场照明图像矫正，以得到所述支架明场图像以及所述支架暗场图像；
可以理解的是，在图像采集的过程中，可能要调整成像平台来实现明场和暗场效应，因此图像可能与水平线偏移一定角度，因此需要对明场照明图像以及暗场照明图像进行旋转矫正，以矫正图像的便宜角度，从而可以得到支架明场图像以及支架暗场图像。
S2，依次对所述支架明场图像以及所述支架暗场图像进行开运算及闭运算，得到理想明场图像以及理想暗场图像，并基于所述理想明场图像提取所述封装支架的杯口圆区域，基于所述理想暗场图像提取所述封装支架的污染缺陷区域；
具体的，所述步骤S2包括步骤S21值步骤S24：
S21，基于结构元素的分解对所述支架明场图像以及所述支架暗场图像进行开运算；
S22，基于结构元素的分解对所述支架明场图像以及所述支架暗场图像进行闭运算，以填充所述支架明场图像以及所述支架暗场图像；
可以理解的是，因为对图像进行形态学处理往往需要重复的用到腐蚀运算和膨胀运算，所以按照执腐蚀和膨胀的不同步骤就形成了开运算和闭运算，开运算就是集合运算，闭运算与开运算的效果相反，闭运算在运算过程中填充某些细小的缺口或者缝隙，在本实施例中，基于MATLAB软件进行实现；
值得说明的是，在膨胀和腐蚀的过程中都会运用到结构元素的分解，在本实施例中，在MATLAB中运用函数形成的结构元素执行分解操作，从而能够得到理想明场图像以及理想暗场图像；
S23，二值化处理所述理想明场图像得到二值化理想明场图像，对所述二值化理想明场图像进行黑白调换，以对所述二值化理想明场图像的进行增强得到增强二值化理想明场图像，并对所述增强二值化理想明场图像与所述二值化理想明场图像进行差值运算得到杯口圆区域；
可以理解的是，二值化理想明场图像杯口圆呈现的是白色，无法执行填充孔洞的操作，因此需要对二值化理想明场图像进行黑白调换，并对二值化理想明场图像进行腐蚀，以增强二值化理想明场图像的缺陷区域的形状特征，然后在形态学处理的基础上填充空洞，并于原图像进行插值运算完成杯口圆与封装支架背景的分割，从而可以得到杯口圆区域；
值得说明的是，在得到杯口圆区域之后，可以通过bwareaopen 函数操作去除杯口圆区域之外的多余区域。
S24，采用regionprops函数定位所述理想暗场图像的污染缺陷区域，并对所述污染缺陷区域进行标注；
需要解释的是，regionprops函数是用来度量图像区域属性，从而能够定位到理想暗场图像的污染缺陷区域，并对污染缺陷区域进行标注，可以得到封装支架的污染缺陷区域。
S3，框选所述杯口圆区域中出的杯口圆特征区域，并框选出所述污染缺陷区域中的污染缺陷特征区域；
具体的，所述步骤S3包括步骤S31值步骤S32：
S31，将所述杯口圆区域转换为杯口先验框图，并将所述污染缺陷区域转换为污染缺陷区域先验框图；
可以理解的是，杯口先验框图与污染缺陷框图，就是杯口圆区域转换成杯口圆区域的矩形框图，污染缺陷区域转换为污染缺陷的矩形框图。
S32，按照线性变化改变所述杯口先验框图以及所述污染缺陷区域先验框图的大小，以分别获取杯口圆特征区域以及污染缺陷特征区域；
按照线性变化改变杯口先验框图以及所述污染缺陷先验框图的大小的表达式分别为：
；
；
式中，表示所述杯口先验框图与所述杯口圆区域实际尺寸的比例，/>、/>分别表示所述杯口先验框图与所述杯口圆区域比例的最小值、所述杯口先验框图与所述杯口圆区域比例的最大值，m表示不同分辨率的所述杯口圆区域的个数，/>表示所述污染缺陷区域与所述污染缺陷先验框图的实际比例尺寸，/>、/>分别表示所述污染缺陷区域与所述污染缺陷先验框图的比例的最小值、所述污染缺陷区域与所述污染缺陷先验框图比例的最大值，n表示不同分辨率的所述污染缺陷区域的个数；
可以理解的是，杯口先验框图与污染缺陷先验框图可以先按照线性尺度进行扩大，扩大倍数为100倍，得到新的尺度比例，目的是为了防止实际计算时尺度不为整数，杯口先验框图与污染缺陷先验框图扩大之后的表达式分别为：
；
；
通过扩大之后尺度比例的增长步长也会发生相应的改变，重新计算得到各个特征图的比例，以得到杯口先验框图与污染缺陷先验框图的尺寸。
S4，腐蚀所述杯口圆特征区域以分离得到杯口单元模块区域，并获取所述杯口单元模块区域的杯口坐标，腐蚀所述污染缺陷特征区域以分离得到污染缺陷模块区域，并获取污染缺陷坐标；
具体的，所述步骤S4包括步骤S41至步骤S44：
S41，采用形态学处理将所述杯口圆特征区域以及所述污染缺陷特征区域分别腐蚀成杯口最小连通域以及污染缺陷连通域，并基于闭运算清理所述杯口最小连通域以及所述污染缺陷连通域中的纹理轮廓，以分离出所述杯口单元模块区域以及所述污染缺陷模块区域；
值得说明的是，在该步骤中，只需要保留单元模块的基本轮廓。
S42，寻找所述杯口单元模块区域以及所述污染缺陷模块区域的边缘区域，以得到杯口边缘区域以及污染缺陷模块边缘区域；
S43，获取所述杯口边缘区域以及所述污染缺陷模块边缘区域的边缘数据，以得到杯口边缘数据以及污染缺陷边缘数据；
需要解释的是，在具体实施时，可以通过在杯口最小连通域以及污染缺陷连通域上绘制最小外接圆，然后根据最小外接圆寻找杯口最小连通域以及污染缺陷连通域的边界，以得到杯口边缘区域以及污染缺陷模块边缘区域。
S44，基于所述杯口边缘数据、所述污染缺陷边缘数据分别获取所述杯口单元模块区域的杯口坐标、所述污染缺陷模块区域的污染缺陷坐标；
可以理解的是，通过在最小外接圆上建立坐标系，从而能够得到杯口单元模块区域的杯口坐标以及污染缺陷模块区域的污染缺陷坐标。
S5，基于差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行拟合，以得到所述封装支架的杯口划痕区域以及所述封装支架的本体划痕区域；
具体的，所述步骤S5包括步骤S51至步骤S53：
S51，获取所述封装支架的杯口圆的半径大小、所述杯口圆的底部宽度以及所述封装支架的尺寸大小；
S52，采用最小二乘法拟合所述杯口圆的半径、所述杯口圆的底部宽度以及所述封装支架的尺寸得到差分模块；
可以理解的是，在具体实施时，封装支架具有杯口圆的半径、杯口圆的底部宽度以及所述封装支架的尺寸的三种参数，在本实施例中，封装支架的尺寸为封装支架的长宽，运用最小二乘法将三种参数与封装支架的杯口单元模块区域以及污染缺陷模块区域进行拟合，可以得到差分模块；
S53，基于所述差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行对准搜索；
需要解释的是，通过差分模块对杯口单元模块区域以及污染缺陷模块进行对准搜索，从而可以得到相似度检测，差分模块在杯口单元模块区域以及污染缺陷模块区域上依次滑动搜索，搜索缺陷示意图，如图4所示，在检测的过程中，差分模块与无缺陷的模块相似度大致相同，而对于有划痕缺陷的模块会将划痕缺陷与背景分离出来，从而能够得到封装支架的杯口划痕区域以及封装支架的本体划痕区域。
S6，对所述杯口坐标的位置以及所述污染缺陷坐标的位置进行标记，以分别得到杯口参考区域以及污染缺陷参考区域，并基于彩色图像分割算法对所述杯口参考区域以及所述污染缺陷参考区域进行分割，以得到所述封装支架的杯口破损污染区域以及所述封装支架本体破损污染区域；
需要解释的是，封装支架的破损污染主要是模具温度过高、模具浇口堵塞或者蚀刻过程中操作不当造成的破损，而通过标记杯口坐标的位置以及污染缺陷坐标的位置，可以得到封装支架的破损污染的模块，也就是封装支架上的破损污染的模块的大致位置；
具体的，所述步骤S6包括步骤S61至步骤S62：
S61，计算所述杯口参考区域以及所述污染缺陷参考区域中所有点的平均向量以及协方差矩阵的值，以得到杯口区域分割阈值以及污染缺陷区域分割阈值；
需要解释的是，在得到分割阈值之前，需要计算杯口参考区域以及污染缺陷区域中所有点的平均向量以及协方差矩阵的值，杯口参考区域的平均向量的表达式为：
；
式中，X表示杯口参考区域的平均向量，X1、X2、X3、…、Xn分别表示杯口参考区域的第一个点的向量、杯口参考区域的第二个点的向量、杯口参考区域的第三个点的向量、杯口参考区域的第n个点的向量；
污染缺陷区域的平均向量的表达式为：
；
式中，P表示污染缺陷区域的平均向量，、/>、/>、…、/>分别表示污染缺陷区域的第一个点的向量、污染缺陷区域的第二个点的向量、污染缺陷区域的第三个点的向量、污染缺陷区域的第m个点的向量；
值得说明的是，通过得到的杯口区域分割阈值以及污染缺陷区域分割阈值，可以有效避免图像过度分割。
S62，基于所述杯口区域分割阈值以及HIS 彩色图像模型对所述杯口参考区域进行分割，并基于所述污染缺陷区域分割阈值以及所述HIS 彩色图像模型对所述污染缺陷参考区域进行分割；
可以理解的是，通过杯口区域分割阈值以及HIS 彩色图像模型对杯口参考区域进行分割，杯口区域分割阈值可以避免HIS 彩色图像模型过度对杯口参考区域进行分割，污染缺陷区域分割阈值以及HIS 彩色图像模型对污染缺陷参考区域进行分割，污染缺陷区域阈值可以避免对污染缺陷参考区域过度分割，从而能够有效的区分出封装支架的杯口破损污染区域以及封装支架本体破损污染区域；
值得说明的是，HIS 彩色图像模型以 H 分量为分割依据分割中高饱和图像区域，H表示色调，及 I 分量为依据分割低饱和图像区域，I表示亮度，S表示饱和度，能够实现彩色图像的快速分割。
综上，本发明上述实施例当中的封装支架缺陷检测方法，通过明场照明图像以及暗场照明图像，避免反光影响图像上的特征显示，使得封装支架的杯口以及本体上的划痕、破损以及污染等特征能够被更好的显示在图像上，并且通过差分模块可以得到封装支架的杯口划痕区域以及本体上的划痕区域，通过图像分割算法可以得到封装杯口以及本体上的破损污染区域，从而能够有效的检测到封装支架上的缺陷，并且相比人工具有更好的检测效率以及一致性。
实施例二
请参阅图5，所示为本发明第二实施例中的封装支架缺陷检测系统，所述系统包括：
采集模块11，用于采集不同光场下的封装支架的图像信息，以得到明场照明图像以及暗场照明图像，并对所述明场照明图像以及所述暗场照明图像进行预处理，得到支架明场图像以及支架暗场图像；
运算模块12，用于依次对所述支架明场图像以及所述支架暗场图像进行开运算及闭运算，得到理想明场图像以及理想暗场图像，并基于所述理想明场图像提取所述封装支架的杯口圆区域，基于所述理想暗场图像提取所述封装支架的污染缺陷区域；
框选模块13，用于框选所述杯口圆区域中出的杯口圆特征区域，并框选出所述污染缺陷区域中的污染缺陷特征区域；
腐蚀模块14，用于腐蚀所述杯口圆特征区域以分离得到杯口单元模块区域，并获取所述杯口单元模块区域的杯口坐标，腐蚀所述污染缺陷特征区域以分离得到污染缺陷模块区域，并获取污染缺陷坐标；
拟合模块15，用于基于差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行拟合，以得到所述封装支架的杯口划痕区域以及所述封装支架的本体划痕区域；
标记模块16，用于对所述杯口坐标的位置以及所述污染缺陷坐标的位置进行标记，以分别得到杯口参考区域以及污染缺陷参考区域，并基于彩色图像分割算法对所述杯口参考区域以及所述污染缺陷参考区域进行分割，以得到所述封装支架的杯口破损区域以及所述封装支架本体破损区域。
在一些可选实施例中，所述采集模块11包括：
滤波处理单元，用于采用中值滤波对所述明场照明图像以及所述暗场照明图像进行滤波处理，得到滤波后的明场照明图像以及滤波后的暗场照明图像；
增强处理单元，用于依次对所述滤波后的明场照明图像以及所述滤波后的暗场照明图像进行直方图均衡化处理以及图像锐化处理，以得到处理后的明场照明图像以及处理后的暗场照明图像；
矫正单元，用于对所述处理后的明场照明图像以及所述暗场照明图像矫正，以得到所述支架明场图像以及所述支架暗场图像。
在一些可选实施例中，所述运算模块12包括：
第一运算单元，用于基于结构元素的分解对所述支架明场图像以及所述支架暗场图像进行开运算；
第二运算单元，用于基于结构元素的分解对所述支架明场图像以及所述支架暗场图像进行闭运算，以填充所述支架明场图像以及所述支架暗场图像；
二值化单元，用于二值化处理所述理想明场图像得到二值化理想明场图像，对所述二值化理想明场图像进行黑白调换，以对所述二值化理想明场图像的进行增强得到增强二值化理想明场图像，并对所述增强二值化理想明场图像与所述二值化理想明场图像进行差值运算得到杯口圆区域；
定位单元，用于采用regionprops函数定位所述理想暗场图像的污染缺陷区域，并对所述污染缺陷区域进行标注。
在一些可选实施例中，所述框选模块13包括：
转换单元，用于将所述杯口圆区域转换为杯口先验框图，并将所述污染缺陷区域转换为污染缺陷区域先验框图；
第一获取单元，用于按照线性变化改变所述杯口先验框图以及所述污染缺陷区域先验框图的大小，以分别获取杯口圆特征区域以及污染缺陷特征区域；
所述按照线性变化改变所述杯口先验框图以及所述污染缺陷先验框图的大小的表达式分别为：
；
；
式中，表示所述杯口先验框图与所述杯口圆区域实际尺寸的比例，/>、/>分别表示所述杯口先验框图与所述杯口圆区域比例的最小值、所述杯口先验框图与所述杯口圆区域比例的最大值，m表示不同分辨率的所述杯口圆区域的个数，/>表示所述污染缺陷区域与所述污染缺陷先验框图的实际比例尺寸，/>、/>分别表示所述污染缺陷区域与所述污染缺陷先验框图的比例的最小值、所述污染缺陷区域与所述污染缺陷先验框图比例的最大值，n表示不同分辨率的所述污染缺陷区域的个数。
在一些可选实施例中，所述腐蚀模块14包括：
腐蚀单元，用于采用形态学处理将所述杯口圆特征区域以及所述污染缺陷特征区域分别腐蚀成杯口最小连通域以及污染缺陷连通域，并基于闭运算清理所述杯口最小连通域以及所述污染缺陷连通域中的纹理轮廓，以分离出所述杯口单元模块区域以及所述污染缺陷模块区域；
寻找单元，用于寻找所述杯口单元模块区域以及所述污染缺陷模块区域的边缘区域，以得到杯口边缘区域以及污染缺陷模块边缘区域；
第二获取单元，用于获取所述杯口边缘区域以及所述污染缺陷模块边缘区域的边缘数据，以得到杯口边缘数据以及污染缺陷边缘数据；
第三获取单元，用于基于所述杯口边缘数据、所述污染缺陷边缘数据分别获取所述杯口单元模块区域的杯口坐标、所述污染缺陷模块区域的污染缺陷坐标。
在一些可选实施例中，所述拟合模块15包括：
第四获取单元，用于获取所述封装支架的杯口圆的半径大小、所述杯口圆的底部宽度以及所述封装支架的尺寸大小；
拟合单元，用于采用最小二乘法拟合所述杯口圆的半径、所述杯口圆的底部宽度以及所述封装支架的尺寸得到差分模块；
搜索单元，用于基于所述差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行对准搜索。
在一些可选实施例中，所述标记模块16包括：
计算单元，用于计算所述杯口参考区域以及所述污染缺陷参考区域中所有点的平均向量以及协方差矩阵的值，以得到杯口区域分割阈值以及污染缺陷区域分割阈值；
分割单元，用于基于所述杯口区域分割阈值以及HIS 彩色图像模型对所述杯口参考区域进行分割，并基于所述污染缺陷区域分割阈值以及所述HIS 彩色图像模型对所述污染缺陷参考区域进行分割。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
本发明实施例所提供的封装支架缺陷检测系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种封装支架缺陷检测方法，其特征在于，所述方法包括：
采集不同光场下的封装支架的图像信息，以得到明场照明图像以及暗场照明图像，并对所述明场照明图像以及所述暗场照明图像进行预处理，得到支架明场图像以及支架暗场图像；
依次对所述支架明场图像以及所述支架暗场图像进行开运算及闭运算，得到理想明场图像以及理想暗场图像，并基于所述理想明场图像提取所述封装支架的杯口圆区域，基于所述理想暗场图像提取所述封装支架的污染缺陷区域；
框选所述杯口圆区域中出的杯口圆特征区域，并框选出所述污染缺陷区域中的污染缺陷特征区域；
所述框选所述杯口圆区域中出的杯口圆特征区域，并框选出所述污染缺陷区域中的污染缺陷特征区域的步骤包括：
将所述杯口圆区域转换为杯口先验框图，并将所述污染缺陷区域转换为污染缺陷区域先验框图；
按照线性变化改变所述杯口先验框图以及所述污染缺陷区域先验框图的大小，以分别获取杯口圆特征区域以及污染缺陷特征区域；
其中，所述杯口先验框图为所述杯口圆区域的矩形框图，所述污染缺陷框图为污染缺陷的矩形框图；
腐蚀所述杯口圆特征区域以分离得到杯口单元模块区域，并获取所述杯口单元模块区域的杯口坐标，腐蚀所述污染缺陷特征区域以分离得到污染缺陷模块区域，并获取污染缺陷坐标；
基于差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行拟合，以得到所述封装支架的杯口划痕区域以及所述封装支架的本体划痕区域；
对所述杯口坐标的位置以及所述污染缺陷坐标的位置进行标记，以分别得到杯口参考区域以及污染缺陷参考区域，并基于彩色图像分割算法对所述杯口参考区域以及所述污染缺陷参考区域进行分割，以得到所述封装支架的杯口破损污染区域以及所述封装支架本体破损污染区域。
2.根据权利要求1所述的封装支架缺陷检测方法，其特征在于，所述并对所述明场照明图像以及所述暗场照明图像进行预处理，得到支架明场图像以及支架暗场图像的步骤包括：
采用中值滤波对所述明场照明图像以及所述暗场照明图像进行滤波处理，得到滤波后的明场照明图像以及滤波后的暗场照明图像；
依次对所述滤波后的明场照明图像以及所述滤波后的暗场照明图像进行直方图均衡化处理以及图像锐化处理，以得到处理后的明场照明图像以及处理后的暗场照明图像；
对所述处理后的明场照明图像以及所述暗场照明图像矫正，以得到所述支架明场图像以及所述支架暗场图像。
3.根据权利要求1所述的封装支架缺陷检测方法，其特征在于，所述依次对所述支架明场图像以及所述支架暗场图像进行开运算及闭运算的步骤包括：
基于结构元素的分解对所述支架明场图像以及所述支架暗场图像进行开运算；
基于结构元素的分解对所述支架明场图像以及所述支架暗场图像进行闭运算，以填充所述支架明场图像以及所述支架暗场图像。
4.根据权利要求1所述的封装支架缺陷检测方法，其特征在于，所述并基于所述理想明场图像提取所述封装支架的杯口圆区域，基于所述理想暗场图像提取所述封装支架的污染缺陷区域的步骤包括：
二值化处理所述理想明场图像得到二值化理想明场图像，对所述二值化理想明场图像进行黑白调换，以对所述二值化理想明场图像的进行增强得到增强二值化理想明场图像，并对所述增强二值化理想明场图像与所述二值化理想明场图像进行差值运算得到杯口圆区域；
采用regionprops函数定位所述理想暗场图像的污染缺陷区域，并对所述污染缺陷区域进行标注。
5.根据权利要求1所述的封装支架缺陷检测方法，其特征在于，所述按照线性变化改变所述杯口先验框图以及所述污染缺陷先验框图的大小的表达式分别为：
；
；
式中，表示所述杯口先验框图与所述杯口圆区域实际尺寸的比例，/>、/>分别表示所述杯口先验框图与所述杯口圆区域比例的最小值、所述杯口先验框图与所述杯口圆区域比例的最大值，m表示不同分辨率的所述杯口圆区域的个数，/>表示所述污染缺陷区域与所述污染缺陷先验框图的实际比例尺寸，/>、/>分别表示所述污染缺陷区域与所述污染缺陷先验框图的比例的最小值、所述污染缺陷区域与所述污染缺陷先验框图比例的最大值，n表示不同分辨率的所述污染缺陷区域的个数。
6.根据权利要求1所述的封装支架缺陷检测方法，其特征在于，所述腐蚀所述杯口圆特征区域以分离得到杯口单元模块区域，并获取所述杯口单元模块区域的杯口坐标，腐蚀所述污染缺陷特征区域以分离得到污染缺陷模块区域，并获取所述污染缺陷坐标的步骤包括：
采用形态学处理将所述杯口圆特征区域以及所述污染缺陷特征区域分别腐蚀成杯口最小连通域以及污染缺陷连通域，并基于闭运算清理所述杯口最小连通域以及所述污染缺陷连通域中的纹理轮廓，以分离出所述杯口单元模块区域以及所述污染缺陷模块区域；
寻找所述杯口单元模块区域以及所述污染缺陷模块区域的边缘区域，以得到杯口边缘区域以及污染缺陷模块边缘区域；
获取所述杯口边缘区域以及所述污染缺陷模块边缘区域的边缘数据，以得到杯口边缘数据以及污染缺陷边缘数据；
基于所述杯口边缘数据、所述污染缺陷边缘数据分别获取所述杯口单元模块区域的杯口坐标、所述污染缺陷模块区域的污染缺陷坐标。
7.根据权利要求1所述的封装支架缺陷检测方法，其特征在于，所述基于差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行拟合的步骤包括：
获取所述封装支架的杯口圆的半径大小、所述杯口圆的底部宽度以及所述封装支架的尺寸大小；
采用最小二乘法拟合所述杯口圆的半径、所述杯口圆的底部宽度以及所述封装支架的尺寸得到差分模块；
基于所述差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行对准搜索。
8.根据权利要求1所述的封装支架缺陷检测方法，其特征在于，所述并基于彩色图像分割算法对所述杯口参考区域以及所述污染缺陷参考区域进行分割的步骤包括：
计算所述杯口参考区域以及所述污染缺陷参考区域中所有点的平均向量以及协方差矩阵的值，以得到杯口区域分割阈值以及污染缺陷区域分割阈值；
基于所述杯口区域分割阈值以及HIS 彩色图像模型对所述杯口参考区域进行分割，并基于所述污染缺陷区域分割阈值以及所述HIS 彩色图像模型对所述污染缺陷参考区域进行分割。
9.一种封装支架缺陷检测系统，其特征在于，所述系统包括：
采集模块，用于采集不同光场下的封装支架的图像信息，以得到明场照明图像以及暗场照明图像，并对所述明场照明图像以及所述暗场照明图像进行预处理，得到支架明场图像以及支架暗场图像；
运算模块，用于依次对所述支架明场图像以及所述支架暗场图像进行开运算及闭运算，得到理想明场图像以及理想暗场图像，并基于所述理想明场图像提取所述封装支架的杯口圆区域，基于所述理想暗场图像提取所述封装支架的污染缺陷区域；
框选模块，用于框选所述杯口圆区域中出的杯口圆特征区域，并框选出所述污染缺陷区域中的污染缺陷特征区域；
所述框选模块包括：
转换单元，用于将所述杯口圆区域转换为杯口先验框图，并将所述污染缺陷区域转换为污染缺陷区域先验框图；
第一获取单元，用于按照线性变化改变所述杯口先验框图以及所述污染缺陷区域先验框图的大小，以分别获取杯口圆特征区域以及污染缺陷特征区域，其中，所述杯口先验框图为所述杯口圆区域的矩形框图，所述污染缺陷框图为污染缺陷的矩形框图；
腐蚀模块，用于腐蚀所述杯口圆特征区域以分离得到杯口单元模块区域，并获取所述杯口单元模块区域的杯口坐标，腐蚀所述污染缺陷特征区域以分离得到污染缺陷模块区域，并获取污染缺陷坐标；
拟合模块，用于基于差分模块对所述杯口单元模块区域以及所述污染缺陷模块区域进行拟合，以得到所述封装支架的杯口划痕区域以及所述封装支架的本体划痕区域；
标记模块，用于对所述杯口坐标的位置以及所述污染缺陷坐标的位置进行标记，以分别得到杯口参考区域以及污染缺陷参考区域，并基于彩色图像分割算法对所述杯口参考区域以及所述污染缺陷参考区域进行分割，以得到所述封装支架的杯口破损区域以及所述封装支架本体破损区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410020938.3A CN117541579B (zh) | 2024-01-08 | 2024-01-08 | 一种封装支架缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410020938.3A CN117541579B (zh) | 2024-01-08 | 2024-01-08 | 一种封装支架缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541579A CN117541579A (zh) | 2024-02-09 |
| CN117541579B true CN117541579B (zh) | 2024-04-26 |
Family
ID=89796148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410020938.3A Active CN117541579B (zh) | 2024-01-08 | 2024-01-08 | 一种封装支架缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541579B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013190386A (ja) * | 2012-03-15 | 2013-09-26 | Toppan Printing Co Ltd | 欠陥検査装置 |
| CN106340007A (zh) * | 2016-06-13 | 2017-01-18 | 吉林大学 | 一种基于图像处理的车身漆膜缺陷检测识别方法 |
| CN111951291A (zh) * | 2020-08-13 | 2020-11-17 | 哈尔滨商业大学 | 基于多结构形态学与fodpso混合处理的红外图像边缘检测方法 |
| CN112184692A (zh) * | 2020-10-13 | 2021-01-05 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
| CN114705686A (zh) * | 2022-03-21 | 2022-07-05 | 佛山科学技术学院 | 圆柱锅表面缺陷检测方法、系统、控制器及工控机 |
| CN116993659A (zh) * | 2023-05-23 | 2023-11-03 | 盐城工学院 | 基于数学形态学方法的x光图像缺陷提取方法 |
-
2024
- 2024-01-08 CN CN202410020938.3A patent/CN117541579B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013190386A (ja) * | 2012-03-15 | 2013-09-26 | Toppan Printing Co Ltd | 欠陥検査装置 |
| CN106340007A (zh) * | 2016-06-13 | 2017-01-18 | 吉林大学 | 一种基于图像处理的车身漆膜缺陷检测识别方法 |
| CN111951291A (zh) * | 2020-08-13 | 2020-11-17 | 哈尔滨商业大学 | 基于多结构形态学与fodpso混合处理的红外图像边缘检测方法 |
| CN112184692A (zh) * | 2020-10-13 | 2021-01-05 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
| CN114705686A (zh) * | 2022-03-21 | 2022-07-05 | 佛山科学技术学院 | 圆柱锅表面缺陷检测方法、系统、控制器及工控机 |
| CN116993659A (zh) * | 2023-05-23 | 2023-11-03 | 盐城工学院 | 基于数学形态学方法的x光图像缺陷提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541579A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
| CN108776140B (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及系统 | |
| CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
| CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
| CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
| CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
| CN114140679B (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
| CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
| CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
| CN115791822A (zh) | 晶圆表面缺陷的视觉检测算法及检测系统 | |
| CN111598856A (zh) | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 | |
| CN111476758B (zh) | Amoled显示屏的缺陷检测方法、装置、计算机设备及存储介质 | |
| CN116542976B (zh) | 一种模切件缺陷的视觉检测系统 | |
| CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
| CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
| CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN113916893A (zh) | 模切产品缺陷的检测方法 | |
| CN117541579B (zh) | 一种封装支架缺陷检测方法及系统 |
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 |