CN117593303B - 一种量子点光学膜的缺陷检测方法及系统 - Google Patents
一种量子点光学膜的缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117593303B CN117593303B CN202410075804.1A CN202410075804A CN117593303B CN 117593303 B CN117593303 B CN 117593303B CN 202410075804 A CN202410075804 A CN 202410075804A CN 117593303 B CN117593303 B CN 117593303B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- target
- preset
- film image
- pixel
- 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 150
- 239000012788 optical film Substances 0.000 title claims abstract description 84
- 239000002096 quantum dot Substances 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 239000010408 film Substances 0.000 claims abstract description 148
- 230000002159 abnormal effect Effects 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 17
- 230000005856 abnormality Effects 0.000 description 9
- 230000002950 deficient Effects 0.000 description 9
- 230000004075 alteration Effects 0.000 description 8
- 239000003086 colorant Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/30—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像灰度增强技术领域,具体涉及一种量子点光学膜的缺陷检测方法及系统,该方法包括:获取待检测量子点光学膜对应的目标膜图像,对目标膜图像进行预设数量次不同尺寸的分割;确定每个像素点在每次分割时每个预设通道下的异常得分;确定每个像素点在每个预设通道下的缺陷异常权重;根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强;根据所有像素点对应的目标灰度值,对目标膜图像中的所有像素点进行聚类,并根据得到的目标聚类簇集合,对待检测量子点光学膜进行缺陷检测。本发明通过对图像中的像素点进行灰度增强,提高了像素点聚类效果和对生产量子光学膜进行缺陷检测的准确度。
Description
技术领域
本发明涉及图像灰度增强技术领域,具体涉及一种量子点光学膜的缺陷检测方法及系统。
背景技术
相较于传统光学膜,量子点光学膜的色域更广泛,并且对颜色的过滤效果更好,使得其展示的颜色更纯净,因此在一些高端显示器上量子点光学膜被广泛应用。在生产量子光学膜的过程中,往往需要对其进行缺陷检测。在进行缺陷检测过程中往往会对图像中的像素点进行聚类,将特征相似的像素点聚集为同一个聚类簇,便于后续判断聚类簇是否为缺陷聚类簇,以实现缺陷检测。目前,对图像中的像素点进行聚类时,通常采用的方式可以为:根据采集图像中像素点的像素值,对图像中的像素点进行聚类。
然而,当根据采集的量子点光学膜图像中像素点的像素值,对像素点进行聚类时,经常会存在如下技术问题:
由于量子点光学膜的缺陷区域与未发生缺陷的正常区域之间的色差往往并不明显,比如,划痕缺陷与正常区域之间的色差比较相近,所以拍摄到图像中缺陷区域与正常区域之间的像素差异相对较小,因此根据采集的量子点光学膜图像中像素点的像素值,对像素点进行聚类时,往往难以将缺陷区域与正常区域准确地划分,从而导致像素点聚类效果较差,进而导致对生产量子光学膜进行缺陷检测的准确度较差。
发明内容
为了解决由于像素点聚类效果较差而导致的对生产量子光学膜进行缺陷检测的准确度较差的技术问题,本发明提出了一种量子点光学膜的缺陷检测方法及系统。
第一方面,本发明提供了一种量子点光学膜的缺陷检测方法,该方法包括:
获取待检测量子点光学膜对应的目标膜图像,对所述目标膜图像进行预设数量次不同尺寸的分割,得到分割区域;
根据所述目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,确定每个像素点在每次分割时每个预设通道下的异常得分;
根据每个像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,确定每个像素点在每个预设通道下的缺陷异常权重;
根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强,得到每个像素点对应的目标灰度值;
根据所述目标膜图像中所有像素点对应的目标灰度值,对所述目标膜图像中的所有像素点进行聚类,得到目标聚类簇集合;
根据所述目标聚类簇集合,对所述待检测量子点光学膜进行缺陷检测。
可选地,所述根据每个像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,确定每个像素点在每个预设通道下的缺陷异常权重,包括:
将所述目标膜图像中任意一个像素点,确定为标记像素点,对所述标记像素点在预设数量次分割时每个预设通道下的异常得分进行排序,得到所述标记像素点在每个预设通道下的异常得分序列;
以所述标记像素点在每个预设通道下的异常得分序列的序号为横坐标,以所述标记像素点在每个预设通道下的异常得分序列中的异常得分为纵坐标,作所述标记像素点在每个预设通道下的异常得分序列对应的拟合曲线,记为所述标记像素点在每个预设通道下的异常得分曲线;
将所述标记像素点在每个预设通道下的异常得分曲线中,所有异常得分所在的坐标点在该异常得分曲线上斜率的方差,确定为所述标记像素点在每个预设通道下的异常置信度;
根据所述标记像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,以及所述标记像素点在每个预设通道下的异常置信度,确定所述标记像素点在每个预设通道下的缺陷异常权重。
可选地,像素点在预设通道下的缺陷异常权重对应的公式为:
;其中,wij是目标膜图像中第i个像素点在第j个预设通道下的缺陷异常权重;i是目标膜图像中像素点的序号;j是预设通道的序号;norm( )是归一化函数;exp( )是以自然常数为底的指数函数;εij是目标膜图像中第i个像素点在第j个预设通道下的异常置信度;n是预设数量;k是分割的序号;Dijk是目标膜图像中第i个像素点在第k次分割时第j个预设通道下的异常得分;εijk是目标膜图像中第i个像素点对应的预设邻域内所有像素点在第k次分割时第j个预设通道下的异常得分的方差。
可选地,所述根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强,得到每个像素点对应的目标灰度值,包括:
将所述目标膜图像中任意一个像素点,确定为标记像素点,根据所述标记像素点在每个预设通道下的缺陷异常权重和通道值,确定所述标记像素点在每个预设通道下的目标调整值;
根据所述标记像素点在所有预设通道下的目标调整值,确定所述标记像素点对应的目标灰度值。
可选地,像素点对应的目标灰度值对应的公式为:
;/>;其中,gi是目标膜图像中第i个像素点对应的目标灰度值;i是目标膜图像中像素点的序号;j是预设通道的序号;M是预设通道的数量;wij是目标膜图像中第i个像素点在第j个预设通道下的缺陷异常权重;wi是目标膜图像中第i个像素点在所有预设通道下的缺陷异常权重的累加值;Tij是目标膜图像中第i个像素点在第j个预设通道下的通道值;/>是目标膜图像中第i个像素点在第j个预设通道下的目标调整值。
可选地,所述根据所述目标膜图像中所有像素点对应的目标灰度值,对所述目标膜图像中的所有像素点进行聚类,得到目标聚类簇集合,包括:
根据所述目标膜图像中任意两个像素点对应的目标灰度值,确定这两个像素点之间的初始聚类距离;
对两个像素点之间的初始聚类距离进行修正,得到这两个像素点之间的修正聚类距离;
根据所述目标膜图像中像素点之间的修正聚类距离,对所述目标膜图像中的所有像素点进行聚类,并将聚类得到的每个聚类簇,确定为目标聚类簇,得到目标聚类簇集合。
可选地,两个像素点之间的修正聚类距离对应的公式为:
Lit=Δgit×(1+norm(|εi-εt|));Δgit=|gi-gt|;i≠t;其中,Lit是目标膜图像中第i个像素点和第t个像素点之间的修正聚类距离;i和t是目标膜图像中像素点的序号;Δgit是目标膜图像中第i个像素点和第t个像素点之间的初始聚类距离;norm( )是归一化函数;||是取绝对值函数;εi是目标膜图像中第i个像素点对应的预设邻域内所有像素点对应的目标灰度值的方差;εt是目标膜图像中第t个像素点对应的预设邻域内所有像素点对应的目标灰度值的方差;gi是目标膜图像中第i个像素点对应的目标灰度值;gt是目标膜图像中第t个像素点对应的目标灰度值。
可选地,所述根据所述目标聚类簇集合,对所述待检测量子点光学膜进行缺陷检测,包括:
当所述目标聚类簇集合中目标聚类簇的数量大于预设阈值时,将每个目标聚类簇中所有像素点对应的目标灰度值的方差,确定为每个目标聚类簇对应的目标代表方差,并将目标代表方差最大的目标聚类簇,确定为缺陷聚类簇。
可选地,所述根据所述目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,确定每个像素点在每次分割时每个预设通道下的异常得分,包括:
根据所述目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,通过孤立森林算法,确定每个像素点在每次分割时每个预设通道下的异常得分。
第二方面,本发明提供了一种量子点光学膜的缺陷检测系统,包括处理器和存储器,上述处理器用于处理存储在上述存储器中的指令以实现上述的一种量子点光学膜的缺陷检测方法。
本发明具有如下有益效果:
本发明的一种量子点光学膜的缺陷检测方法,通过对图像中的像素点进行灰度增强,从而实现了对待检测量子点光学膜的缺陷检测,解决了由于像素点聚类效果较差而导致的对生产量子光学膜进行缺陷检测的准确度较差的技术问题,提高了像素点聚类效果和对生产量子光学膜进行缺陷检测的准确度。首先,由于目标膜图像中包含了待检测量子点光学膜的信息特征,所以获取目标膜图像,可以便于后续对待检测量子点光学膜进行缺陷检测。其次,对目标膜图像进行预设数量次不同尺寸的分割,可以便于后续对不同尺寸的分割区域进行分析。然后,基于目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,量化的每个像素点在每次分割时每个预设通道下的异常得分可以表征每个像素点在每次分割时每个预设通道下的异常情况,其值越大往往说明该像素点越可能在该预设通道下发生了异常。接着,综合考虑像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,可以提高像素点在每个预设通道下的缺陷异常权重确定的准确度,并且缺陷异常权重越大,往往说明该像素点在对应预设通道下越可能存在异常。之后,综合考虑像素点在所有预设通道下的缺陷异常权重和通道值,对像素点进行灰度增强,量化了像素点对应的目标灰度值,进而可以放大缺陷区域与正常区域之间的灰度差异,使缺陷区域与正常区域之间的色差明显,从而便于后续对待检测量子点光学膜进行缺陷检测。而后,基于目标膜图像中所有像素点对应的目标灰度值,可以实现对目标膜图像中的所有像素点的聚类,其次,相较于根据目标膜图像中像素点的像素值,对目标膜图像中的像素点进行聚类,本发明量化了多个与缺陷相关的特征,比如,异常得分和缺陷异常权重等,放大了缺陷区域与正常区域之间的灰度差异,使缺陷区域与正常区域之间的色差明显,进而可以相对比较准确地划分缺陷区域和正常区域,从而可以提高聚类效果,进而可以提高对待检测量子点光学膜进行缺陷检测的准确度。最后,基于目标聚类簇集合,实现了对待检测量子点光学膜的缺陷检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明的一种量子点光学膜的缺陷检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
一种量子点光学膜的缺陷检测方法及系统实施例:
本发明提供了一种量子点光学膜的缺陷检测方法,该方法包括以下步骤:
获取待检测量子点光学膜对应的目标膜图像,对目标膜图像进行预设数量次不同尺寸的分割,得到分割区域;
根据目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,确定每个像素点在每次分割时每个预设通道下的异常得分;
根据每个像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,确定每个像素点在每个预设通道下的缺陷异常权重;
根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强,得到每个像素点对应的目标灰度值;
根据目标膜图像中所有像素点对应的目标灰度值,对目标膜图像中的所有像素点进行聚类,得到目标聚类簇集合;
根据目标聚类簇集合,对待检测量子点光学膜进行缺陷检测。
下面对上述各个步骤进行详细展开:
参考图1,示出了本发明的一种量子点光学膜的缺陷检测方法的一些实施例的流程。该量子点光学膜的缺陷检测方法,包括以下步骤:
步骤S1,获取待检测量子点光学膜对应的目标膜图像,对目标膜图像进行预设数量次不同尺寸的分割,得到分割区域。
在一些实施例中,可以获取待检测量子点光学膜对应的目标膜图像,对上述目标膜图像进行预设数量次不同尺寸的分割,得到分割区域。
其中,待检测量子点光学膜可以是待进行缺陷检测的量子点光学膜。量子点光学膜的缺陷可以是划痕缺陷。量子点光学膜可以是采用量子点材料制作的光学薄膜。目标膜图像可以是待检测量子点光学膜的图像。预设数量可以是预先设置的数量。例如,预设数量可以为5。
需要说明的是,由于目标膜图像中包含了待检测量子点光学膜的信息特征,所以获取目标膜图像,可以便于后续对待检测量子点光学膜进行缺陷检测。其次,对目标膜图像进行预设数量次不同尺寸的分割,可以便于后续对不同尺寸的分割区域进行分析。
作为示例,本步骤可以包括以下步骤:
第一步,获取待检测量子点光学膜对应的目标膜图像。
例如,可以通过可见光摄像头,拍摄待检测量子点光学膜的RGB(Red Green Blue,颜色系统)图像,作为目标膜图像。
需要说明的是,为了减少采集图像时受到的光线干扰,在进行目标膜图像采集时,可以将目标膜图像放置于无影灯下进行图像采集。
第二步,对目标膜图像进行预设数量次不同尺寸的分割,得到分割区域。
例如,若预设数量为3,则对目标膜图像进行第1次分割时,可以将目标膜图像等分为2个区域,作为初始区域,得到2个初始区域;对目标膜图像进行第2次分割时,可以将目标膜图像等分为4个区域,作为参考区域,得到4个参考区域;对目标膜图像进行第3次分割时,可以将目标膜图像等分为8个区域,作为候选区域,得到8个候选区域;将得到的每个初始区域、参考区域和候选区域,均作为分割区域,此时共得到14个分割区域。
步骤S2,根据目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,确定每个像素点在每次分割时每个预设通道下的异常得分。
在一些实施例中,可以根据上述目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,确定每个像素点在每次分割时每个预设通道下的异常得分。
其中,预设通道可以是预先设置的通道。例如,可以有3个预设通道,分别可以为R通道、G通道和B通道。R通道下的通道值,又称R通道值和R值。G通道下的通道值,又称G通道值和G值。B通道下的通道值,又称B通道值和B值。
需要说明的是,基于目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,量化的每个像素点在每次分割时每个预设通道下的异常得分可以表征每个像素点在每次分割时每个预设通道下的异常情况,其值越大往往说明该像素点越可能在该预设通道下发生了异常。
作为示例,可以根据上述目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,通过孤立森林算法,确定每个像素点在每次分割时每个预设通道下的异常得分。
例如,以第一次分割得到的一个分割区域为例,若预设通道为R通道,则可以将该分割区域内所有像素点对应的RGB值中的R值为特征值输入到孤立森林算法中,此时得到的该分割区域内每个像素点的异常得分,即该像素点在第一次分割时R通道下的异常得分。
步骤S3,根据每个像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,确定每个像素点在每个预设通道下的缺陷异常权重。
在一些实施例中,可以根据每个像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,确定每个像素点在每个预设通道下的缺陷异常权重。
其中,预设邻域可以是预先设置的邻域。例如,预设邻域可以是八邻域。
需要说明的是,综合考虑像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,可以提高像素点在每个预设通道下的缺陷异常权重确定的准确度,并且缺陷异常权重越大,往往说明该像素点在对应预设通道下越可能存在异常。
作为示例,本步骤可以包括以下步骤:
第一步,将上述目标膜图像中任意一个像素点,确定为标记像素点,对上述标记像素点在预设数量次分割时每个预设通道下的异常得分进行排序,得到上述标记像素点在每个预设通道下的异常得分序列。
其中,异常得分序列中异常得分的数量等于预设数量。异常得分序列可以是按照异常得分从小到大的顺序进行排序得到的序列。
第二步,以上述标记像素点在每个预设通道下的异常得分序列的序号为横坐标,以上述标记像素点在每个预设通道下的异常得分序列中的异常得分为纵坐标,作上述标记像素点在每个预设通道下的异常得分序列对应的拟合曲线,记为上述标记像素点在每个预设通道下的异常得分曲线。
第三步,将上述标记像素点在每个预设通道下的异常得分曲线中,所有异常得分所在的坐标点在该异常得分曲线上斜率的方差,确定为上述标记像素点在每个预设通道下的异常置信度。
第四步,根据上述标记像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,以及上述标记像素点在每个预设通道下的异常置信度,确定上述标记像素点在每个预设通道下的缺陷异常权重。
例如,确定像素点在预设通道下的缺陷异常权重对应的公式可以为:
;其中,wij是目标膜图像中第i个像素点在第j个预设通道下的缺陷异常权重。i是目标膜图像中像素点的序号。j是预设通道的序号。norm( )是归一化函数。exp( )是以自然常数为底的指数函数。εij是目标膜图像中第i个像素点在第j个预设通道下的异常置信度。n是预设数量。k是分割的序号。Dijk是目标膜图像中第i个像素点在第k次分割时第j个预设通道下的异常得分。εijk是目标膜图像中第i个像素点对应的预设邻域内所有像素点在第k次分割时第j个预设通道下的异常得分的方差。
需要说明的是,颜色在不同通道下的表现能力往往不一致,色差在不同通道下的差异的明显情况往往也是不一致的,所以量化的像素点在预设通道下的缺陷异常权重可以表征该像素点在预设通道下的缺陷表现情况。当Dijk越大时,往往说明第i个像素点在第k次分割时第j个预设通道下的表现能力越好,往往说明越应该放大第i个像素点在第j个预设通道下的特征。当εijk越小时,往往说明第i个像素点对应的预设邻域内所有像素点在第k次分割时第j个预设通道下的表现能力越相近。缺陷区域一般是呈现块状的,其上通道值异常程度较大的像素点分布往往比较聚集稳定。当Dijk×exp(-εijk)越大时,往往说明第i个像素点在第k次分割时第j个预设通道下的表现能力越好,并且在第j个预设通道下第i个像素点与周围像素点通道值异常程度越相近;往往说明第i个像素点所在区域上通道值异常程度较大的像素点分布比较聚集稳定,往往说明第i个像素点越可能是缺陷像素点。当εij越小时,往往说明第i个像素点在不同分割时第j个预设通道下的异常得分的变化越稳定,往往说明异常得分的置信度越高。因此,当wij越大时,往往说明第i个像素点在第j个预设通道下,其表现能力越好、其与周围像素点通道值异常程度越相近、并且其异常得分的变化程度越小;往往说明第i个像素点在第j个预设通道越可能存在比较明显的缺陷异常特征,往往说明为了增大缺陷与正常之间的色差越应该放大第i个像素点在第j个预设通道下的特征。
步骤S4,根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强,得到每个像素点对应的目标灰度值。
在一些实施例中,可以根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强,得到每个像素点对应的目标灰度值。
需要说明的是,综合考虑像素点在所有预设通道下的缺陷异常权重和通道值,对像素点进行灰度增强,量化了像素点对应的目标灰度值,进而可以放大缺陷区域与正常区域之间的灰度差异,使缺陷区域与正常区域之间的色差明显,从而便于后续对待检测量子点光学膜进行缺陷检测。
作为示例,本步骤可以包括以下步骤:
第一步,将上述目标膜图像中任意一个像素点,确定为标记像素点,根据上述标记像素点在每个预设通道下的缺陷异常权重和通道值,确定上述标记像素点在每个预设通道下的目标调整值。
第二步,根据上述标记像素点在所有预设通道下的目标调整值,确定上述标记像素点对应的目标灰度值。
例如,确定像素点对应的目标灰度值对应的公式可以为:
;/>;其中,gi是目标膜图像中第i个像素点对应的目标灰度值。i是目标膜图像中像素点的序号。j是预设通道的序号。M是预设通道的数量。wij是目标膜图像中第i个像素点在第j个预设通道下的缺陷异常权重。wi是目标膜图像中第i个像素点在所有预设通道下的缺陷异常权重的累加值。Tij是目标膜图像中第i个像素点在第j个预设通道下的通道值。/>是目标膜图像中第i个像素点在第j个预设通道下的目标调整值。
需要说明的是,当wij越大时,往往说明第i个像素点在第j个预设通道越可能存在比较明显的缺陷异常特征,往往说明为了增大缺陷与正常之间的色差越应该放大第i个像素点在第j个预设通道下的特征。因此,gi可以表征放大了缺陷与正常之间的色差之后,得到的第i个像素点的灰度值。
步骤S5,根据目标膜图像中所有像素点对应的目标灰度值,对目标膜图像中的所有像素点进行聚类,得到目标聚类簇集合。
在一些实施例中,可以根据上述目标膜图像中所有像素点对应的目标灰度值,对上述目标膜图像中的所有像素点进行聚类,得到目标聚类簇集合。
需要说明的是,基于目标膜图像中所有像素点对应的目标灰度值,可以实现对目标膜图像中的所有像素点的聚类,可以相对比较准确地划分缺陷区域和正常区域,从而可以提高聚类效果。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述目标膜图像中任意两个像素点对应的目标灰度值,确定这两个像素点之间的初始聚类距离。
第二步,对两个像素点之间的初始聚类距离进行修正,得到这两个像素点之间的修正聚类距离。
例如,确定两个像素点之间的修正聚类距离对应的公式可以为:
Lit=Δgit×(1+norm(|εi-εt|));Δgit=|gi-gt|;i≠t;其中,Lit是目标膜图像中第i个像素点和第t个像素点之间的修正聚类距离。i和t是目标膜图像中像素点的序号。Δgit是目标膜图像中第i个像素点和第t个像素点之间的初始聚类距离。norm( )是归一化函数。||是取绝对值函数。εi是目标膜图像中第i个像素点对应的预设邻域内所有像素点对应的目标灰度值的方差。εt是目标膜图像中第t个像素点对应的预设邻域内所有像素点对应的目标灰度值的方差。gi是目标膜图像中第i个像素点对应的目标灰度值。gt是目标膜图像中第t个像素点对应的目标灰度值。
需要说明的是,当|εi-εt|越小时,往往说明第i个像素点和第t个像素点周围的灰度分布越相近,往往说明第i个像素点和第t个像素点越应该聚为一类。当Δgit越小时,往往说明第i个像素点和第t个像素点修正后的灰度值越相近,往往说明第i个像素点和第t个像素点越应该聚为一类。因此,当Lit越小时,往往说明第i个像素点和第t个像素点越应该聚为一类,并且可以实现缺陷区域和正常区域的划分。
第三步,根据上述目标膜图像中像素点之间的修正聚类距离,对上述目标膜图像中的所有像素点进行聚类,并将聚类得到的每个聚类簇,确定为目标聚类簇,得到目标聚类簇集合。
例如,可以将像素点之间的修正聚类距离作为聚类距离,通过迭代自组织聚类算法,对目标膜图像中的所有像素点进行聚类,并将聚类得到的每个聚类簇,确定为目标聚类簇,将所有目标聚类簇组合为目标聚类簇集合。
步骤S6,根据目标聚类簇集合,对待检测量子点光学膜进行缺陷检测。
在一些实施例中,可以根据上述目标聚类簇集合,对上述待检测量子点光学膜进行缺陷检测。
作为示例,当上述目标聚类簇集合中目标聚类簇的数量大于预设阈值时,将每个目标聚类簇中所有像素点对应的目标灰度值的方差,确定为每个目标聚类簇对应的目标代表方差,并将目标代表方差最大的目标聚类簇,确定为缺陷聚类簇。其中,预设阈值可以是预先设置的阈值。例如,预设阈值可以为3。缺陷聚类簇所在的区域往往是检测得到的缺陷区域。
需要说明的是,目标聚类簇越多,往往说明待检测量子点光学膜越可能存在缺陷,并且由于量子点光学膜上正常未发生缺陷的区域内的灰度分布往往比较均匀,相较于正常未发生缺陷的区域,缺陷区域内的灰度分布往往相对比较离散不均匀,因此目标代表方差越大的目标聚类簇中的像素点越可能是缺陷像素点。
基于与上述方法实施例相同的发明构思,本发明提供了一种量子点光学膜的缺陷检测系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,上述计算机程序被处理器执行时实现一种量子点光学膜的缺陷检测方法的步骤。
综上,相较于根据目标膜图像中像素点的像素值,对目标膜图像中的像素点进行聚类,本发明量化了多个与缺陷相关的特征,比如,异常得分和缺陷异常权重等,放大了缺陷区域与正常区域之间的灰度差异,使缺陷区域与正常区域之间的色差明显,进而可以相对比较准确地划分缺陷区域和正常区域,从而可以提高聚类效果,进而可以提高对待检测量子点光学膜进行缺陷检测的准确度。
至此,本发明完成。
一种用于量子点光学膜缺陷检测的聚类方法实施例:
在对量子光学膜进行缺陷检测过程中往往会对图像中的像素点进行聚类,将特征相似的像素点聚集为同一个聚类簇,便于后续判断聚类簇是否为缺陷聚类簇,以实现缺陷检测。目前,对图像中的像素点进行聚类时,通常采用的方式可以为:根据采集图像中像素点的像素值,对图像中的像素点进行聚类。
然而,当根据采集的量子点光学膜图像中像素点的像素值,对像素点进行聚类时,经常会存在如下技术问题:
由于量子点光学膜的缺陷区域与未发生缺陷的正常区域之间的色差往往并不明显,比如,划痕缺陷与正常区域之间的色差比较相近,所以拍摄到图像中缺陷区域与正常区域之间的像素差异相对较小,因此根据采集的量子点光学膜图像中像素点的像素值,对像素点进行聚类时,往往难以将缺陷区域与正常区域准确地划分,从而导致像素点聚类效果较差。
为了解决像素点聚类效果较差的技术问题,本发明的目的在于提供一种用于量子点光学膜缺陷检测的聚类方法,所采用的技术方案具体如下:
步骤S1,获取待检测量子点光学膜对应的目标膜图像,对目标膜图像进行预设数量次不同尺寸的分割,得到分割区域。
步骤S2,根据目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,确定每个像素点在每次分割时每个预设通道下的异常得分。
步骤S3,根据每个像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,确定每个像素点在每个预设通道下的缺陷异常权重。
步骤S4,根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强,得到每个像素点对应的目标灰度值。
步骤S5,根据目标膜图像中所有像素点对应的目标灰度值,对目标膜图像中的所有像素点进行聚类,得到目标聚类簇集合。
本发明实施例提供的一种用于量子点光学膜缺陷检测的聚类方法具有如下技术效果:
本发明的一种用于量子点光学膜缺陷检测的聚类方法,通过对图像中的像素点进行灰度增强,从而实现了对像素点的聚类,解决了像素点聚类效果较差的技术问题,提高了像素点聚类效果。首先,由于目标膜图像中包含了待检测量子点光学膜的信息特征,所以获取目标膜图像,可以便于后续对待检测量子点光学膜进行缺陷检测。其次,对目标膜图像进行预设数量次不同尺寸的分割,可以便于后续对不同尺寸的分割区域进行分析。然后,基于目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,量化的每个像素点在每次分割时每个预设通道下的异常得分可以表征每个像素点在每次分割时每个预设通道下的异常情况,其值越大往往说明该像素点越可能在该预设通道下发生了异常。接着,综合考虑像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,可以提高像素点在每个预设通道下的缺陷异常权重确定的准确度,并且缺陷异常权重越大,往往说明该像素点在对应预设通道下越可能存在异常。之后,综合考虑像素点在所有预设通道下的缺陷异常权重和通道值,对像素点进行灰度增强,量化了像素点对应的目标灰度值,进而可以放大缺陷区域与正常区域之间的灰度差异,使缺陷区域与正常区域之间的色差明显,从而便于后续对待检测量子点光学膜进行缺陷检测。而后,基于目标膜图像中所有像素点对应的目标灰度值,可以实现对目标膜图像中的所有像素点的聚类,其次,相较于根据目标膜图像中像素点的像素值,对目标膜图像中的像素点进行聚类,本发明量化了多个与缺陷相关的特征,比如,异常得分和缺陷异常权重等,放大了缺陷区域与正常区域之间的灰度差异,使缺陷区域与正常区域之间的色差明显,进而可以相对比较准确地划分缺陷区域和正常区域,从而可以提高聚类效果。
其中,步骤S1-S5在上述一种量子点光学膜的缺陷检测方法及系统实施例中已给出了详细说明,不再赘述。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种量子点光学膜的缺陷检测方法,其特征在于,包括以下步骤:
获取待检测量子点光学膜对应的目标膜图像,对所述目标膜图像进行预设数量次不同尺寸的分割,得到分割区域;
根据所述目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,确定每个像素点在每次分割时每个预设通道下的异常得分;
根据每个像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,确定每个像素点在每个预设通道下的缺陷异常权重;
根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强,得到每个像素点对应的目标灰度值;
根据所述目标膜图像中所有像素点对应的目标灰度值,对所述目标膜图像中的所有像素点进行聚类,得到目标聚类簇集合;
根据所述目标聚类簇集合,对所述待检测量子点光学膜进行缺陷检测;
所述根据每个像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,确定每个像素点在每个预设通道下的缺陷异常权重,包括:
将所述目标膜图像中任意一个像素点,确定为标记像素点,对所述标记像素点在预设数量次分割时每个预设通道下的异常得分进行排序,得到所述标记像素点在每个预设通道下的异常得分序列;
以所述标记像素点在每个预设通道下的异常得分序列的序号为横坐标,以所述标记像素点在每个预设通道下的异常得分序列中的异常得分为纵坐标,作所述标记像素点在每个预设通道下的异常得分序列对应的拟合曲线,记为所述标记像素点在每个预设通道下的异常得分曲线;
将所述标记像素点在每个预设通道下的异常得分曲线中,所有异常得分所在的坐标点在该异常得分曲线上斜率的方差,确定为所述标记像素点在每个预设通道下的异常置信度;
根据所述标记像素点与其对应的预设邻域内所有像素点在预设数量次分割时每个预设通道下的异常得分,以及所述标记像素点在每个预设通道下的异常置信度,确定所述标记像素点在每个预设通道下的缺陷异常权重;
像素点在预设通道下的缺陷异常权重对应的公式为:
;其中,wij是目标膜图像中第i个像素点在第j个预设通道下的缺陷异常权重;i是目标膜图像中像素点的序号;j是预设通道的序号;norm( )是归一化函数;exp( )是以自然常数为底的指数函数;εij是目标膜图像中第i个像素点在第j个预设通道下的异常置信度;n是预设数量;k是分割的序号;Dijk是目标膜图像中第i个像素点在第k次分割时第j个预设通道下的异常得分;εijk是目标膜图像中第i个像素点对应的预设邻域内所有像素点在第k次分割时第j个预设通道下的异常得分的方差。
2.根据权利要求1所述的一种量子点光学膜的缺陷检测方法,其特征在于,所述根据每个像素点在所有预设通道下的缺陷异常权重和通道值,对每个像素点进行灰度增强,得到每个像素点对应的目标灰度值,包括:
将所述目标膜图像中任意一个像素点,确定为标记像素点,根据所述标记像素点在每个预设通道下的缺陷异常权重和通道值,确定所述标记像素点在每个预设通道下的目标调整值;
根据所述标记像素点在所有预设通道下的目标调整值,确定所述标记像素点对应的目标灰度值。
3.根据权利要求2所述的一种量子点光学膜的缺陷检测方法,其特征在于,像素点对应的目标灰度值对应的公式为:
;/>;其中,gi是目标膜图像中第i个像素点对应的目标灰度值;i是目标膜图像中像素点的序号;j是预设通道的序号;M是预设通道的数量;wij是目标膜图像中第i个像素点在第j个预设通道下的缺陷异常权重;wi是目标膜图像中第i个像素点在所有预设通道下的缺陷异常权重的累加值;Tij是目标膜图像中第i个像素点在第j个预设通道下的通道值;/>是目标膜图像中第i个像素点在第j个预设通道下的目标调整值。
4.根据权利要求1所述的一种量子点光学膜的缺陷检测方法,其特征在于,所述根据所述目标膜图像中所有像素点对应的目标灰度值,对所述目标膜图像中的所有像素点进行聚类,得到目标聚类簇集合,包括:
根据所述目标膜图像中任意两个像素点对应的目标灰度值,确定这两个像素点之间的初始聚类距离;
对两个像素点之间的初始聚类距离进行修正,得到这两个像素点之间的修正聚类距离;
根据所述目标膜图像中像素点之间的修正聚类距离,对所述目标膜图像中的所有像素点进行聚类,并将聚类得到的每个聚类簇,确定为目标聚类簇,得到目标聚类簇集合。
5.根据权利要求4所述的一种量子点光学膜的缺陷检测方法,其特征在于,两个像素点之间的修正聚类距离对应的公式为:
Lit=Δgit×(1+norm(|εi-εt|));Δgit=|gi-gt|;i≠t;其中,Lit是目标膜图像中第i个像素点和第t个像素点之间的修正聚类距离;i和t是目标膜图像中像素点的序号;Δgit是目标膜图像中第i个像素点和第t个像素点之间的初始聚类距离;norm( )是归一化函数;||是取绝对值函数;εi是目标膜图像中第i个像素点对应的预设邻域内所有像素点对应的目标灰度值的方差;εt是目标膜图像中第t个像素点对应的预设邻域内所有像素点对应的目标灰度值的方差;gi是目标膜图像中第i个像素点对应的目标灰度值;gt是目标膜图像中第t个像素点对应的目标灰度值。
6.根据权利要求1所述的一种量子点光学膜的缺陷检测方法,其特征在于,所述根据所述目标聚类簇集合,对所述待检测量子点光学膜进行缺陷检测,包括:
当所述目标聚类簇集合中目标聚类簇的数量大于预设阈值时,将每个目标聚类簇中所有像素点对应的目标灰度值的方差,确定为每个目标聚类簇对应的目标代表方差,并将目标代表方差最大的目标聚类簇,确定为缺陷聚类簇。
7.根据权利要求1所述的一种量子点光学膜的缺陷检测方法,其特征在于,所述根据所述目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,确定每个像素点在每次分割时每个预设通道下的异常得分,包括:
根据所述目标膜图像中每个像素点在每次分割下所属分割区域内所有像素点在每个预设通道下的通道值,通过孤立森林算法,确定每个像素点在每次分割时每个预设通道下的异常得分。
8.一种量子点光学膜的缺陷检测系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-7中任一项所述的一种量子点光学膜的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410075804.1A CN117593303B (zh) | 2024-01-18 | 2024-01-18 | 一种量子点光学膜的缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410075804.1A CN117593303B (zh) | 2024-01-18 | 2024-01-18 | 一种量子点光学膜的缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593303A CN117593303A (zh) | 2024-02-23 |
CN117593303B true CN117593303B (zh) | 2024-04-09 |
Family
ID=89911955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410075804.1A Active CN117593303B (zh) | 2024-01-18 | 2024-01-18 | 一种量子点光学膜的缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593303B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN108195841A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于gfv-sift特征的振动环境注塑模具异常缺陷检测方法 |
KR102184780B1 (ko) * | 2019-12-24 | 2020-11-30 | 한화에어로스페이스 주식회사 | 그래핀의 합성 품질을 검사하는 방법 및 시스템 |
WO2021161646A1 (ja) * | 2020-02-14 | 2021-08-19 | 株式会社ブイ・テクノロジー | 欠陥検出装置、欠陥検出方法、欠陥修正装置 |
CN113689428A (zh) * | 2021-10-25 | 2021-11-23 | 江苏南通元辰钢结构制造有限公司 | 基于图像处理的机械零件应力腐蚀检测方法及系统 |
WO2021248915A1 (zh) * | 2020-06-10 | 2021-12-16 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及系统 |
CN114627125A (zh) * | 2022-05-17 | 2022-06-14 | 南通剑烽机械有限公司 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
CN115423813A (zh) * | 2022-11-05 | 2022-12-02 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
CN115558430A (zh) * | 2022-09-27 | 2023-01-03 | 浙江锦德光电材料有限公司 | 一种高雾无溶剂型贴合胶和基于其的高辉度量子点复合膜 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116703251A (zh) * | 2023-08-08 | 2023-09-05 | 德润杰(山东)纺织科技有限公司 | 基于人工智能的胶圈生产质量检测方法 |
KR20230144770A (ko) * | 2022-04-08 | 2023-10-17 | 주식회사 씨브이아이 | 광학필름 검사 방법 |
CN116993744A (zh) * | 2023-09-28 | 2023-11-03 | 张家港思复安全科技有限公司 | 一种基于阈值分割的焊缝缺陷检测方法 |
CN117333489A (zh) * | 2023-12-01 | 2024-01-02 | 苏州普洛泰科精密工业有限公司 | 一种薄膜破损检测装置及检测系统 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008041749A (ja) * | 2006-08-02 | 2008-02-21 | Tokyo Seimitsu Co Ltd | 画像欠陥検査装置 |
EP4322106A4 (en) * | 2022-06-30 | 2024-02-28 | Contemporary Amperex Technology Co., Limited | METHOD AND DEVICE FOR ERROR DETECTION |
-
2024
- 2024-01-18 CN CN202410075804.1A patent/CN117593303B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN108195841A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于gfv-sift特征的振动环境注塑模具异常缺陷检测方法 |
KR102184780B1 (ko) * | 2019-12-24 | 2020-11-30 | 한화에어로스페이스 주식회사 | 그래핀의 합성 품질을 검사하는 방법 및 시스템 |
WO2021161646A1 (ja) * | 2020-02-14 | 2021-08-19 | 株式会社ブイ・テクノロジー | 欠陥検出装置、欠陥検出方法、欠陥修正装置 |
WO2021248915A1 (zh) * | 2020-06-10 | 2021-12-16 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及系统 |
CN113689428A (zh) * | 2021-10-25 | 2021-11-23 | 江苏南通元辰钢结构制造有限公司 | 基于图像处理的机械零件应力腐蚀检测方法及系统 |
KR20230144770A (ko) * | 2022-04-08 | 2023-10-17 | 주식회사 씨브이아이 | 광학필름 검사 방법 |
CN114627125A (zh) * | 2022-05-17 | 2022-06-14 | 南通剑烽机械有限公司 | 一种基于光学手段的不锈钢压片机表面质量评估方法 |
CN115558430A (zh) * | 2022-09-27 | 2023-01-03 | 浙江锦德光电材料有限公司 | 一种高雾无溶剂型贴合胶和基于其的高辉度量子点复合膜 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115423813A (zh) * | 2022-11-05 | 2022-12-02 | 江苏惠汕新能源集团有限公司 | 焊管表面焊接缺陷检测方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116703251A (zh) * | 2023-08-08 | 2023-09-05 | 德润杰(山东)纺织科技有限公司 | 基于人工智能的胶圈生产质量检测方法 |
CN116993744A (zh) * | 2023-09-28 | 2023-11-03 | 张家港思复安全科技有限公司 | 一种基于阈值分割的焊缝缺陷检测方法 |
CN117333489A (zh) * | 2023-12-01 | 2024-01-02 | 苏州普洛泰科精密工业有限公司 | 一种薄膜破损检测装置及检测系统 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
基于微焦点X射线的SMT焊点缺陷检测仿真;王付军;刘兰英;;计算机仿真;20200915(09);正文全文 * |
基于灰度直方图拟合曲线的数字图像多阈值分割技术研究;梁忠伟;叶邦彦;彭锐涛;徐兰英;;现代制造工程;20070918(09);正文全文 * |
玻璃表面缺陷检测系统研究;张彩霞;陈晓荣;徐云洁;卫志豪;周书辰;;包装工程;20200710(13);正文全文 * |
用于光学薄膜缺陷检测的快速图像分割算法;钟球盛;李静蓉;胡广华;;机电工程;20111020(10);正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117593303A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Granitto et al. | Weed seeds identification by machine vision | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN115797342B (zh) | 一种工业控制电容触摸lcd显示总成缺陷检测方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN117611583B (zh) | 基于人工智能的铝复合板缺陷检测方法及系统 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN114878595B (zh) | 一种书本印刷质量检测方法 | |
CN116758074B (zh) | 一种多光谱食品图像智能增强方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117252882A (zh) | 一种气缸盖质量检测方法及系统 | |
CN117058147A (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN117557820A (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN116385434A (zh) | 一种用于预制梁裂缝的智能检测方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116563312A (zh) | 一种用于双屏机显示图像分割方法 | |
CN117152159B (zh) | 一种复杂布料印花瑕疵检测方法及系统 | |
CN117593303B (zh) | 一种量子点光学膜的缺陷检测方法及系统 | |
CN112862721B (zh) | 基于暗通道与Retinex的地下管道图像去雾方法 | |
CN117252786A (zh) | 一种基因检测数据增强处理方法 | |
CN116703894A (zh) | 一种锂电池隔膜质量检测系统 | |
CN117074318A (zh) | 一种快照-马赛克式多光谱成像型作物生长传感装置串扰信息去除方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
CN111896109B (zh) | 一种基于数码相机原始响应值的光谱重建方法 | |
CN114387182A (zh) | 一种摄像模组镜头阴影校正指标超标检测方法及系统 |
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 | ||
GR01 | Patent grant |