CN117911792B - 一种电压基准源芯片生产用引脚检测系统 - Google Patents
一种电压基准源芯片生产用引脚检测系统 Download PDFInfo
- Publication number
- CN117911792B CN117911792B CN202410299886.8A CN202410299886A CN117911792B CN 117911792 B CN117911792 B CN 117911792B CN 202410299886 A CN202410299886 A CN 202410299886A CN 117911792 B CN117911792 B CN 117911792B
- Authority
- CN
- China
- Prior art keywords
- gray
- class
- sub
- contour
- abnormal
- 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
- 238000004519 manufacturing process Methods 0.000 title claims description 14
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000009826 distribution Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种电压基准源芯片生产用引脚检测系统,属于图像处理技术领域,本发明采集电压基准源芯片的引脚图像后,对图像进行灰度处理,减少图像数据量,再对灰度图进行分类和去噪,分类用于凸显出各个区域的形状,去噪用于滤除噪点,保留去噪后的每个类的边缘像素点,得到灰度轮廓,再对灰度轮廓进行等分,对每个子轮廓进行提取轮廓向量,减少数据量,且凸显轮廓的形状特点,计算出子轮廓差距系数,初步筛选出异常子轮廓,即进行了异常区域的初筛,然后根据异常子轮廓与存储子轮廓的差距,从异常子轮廓中找到具体的异常位置。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种电压基准源芯片生产用引脚检测系统。
背景技术
在电压基准源芯片的生产过程中,技术人员难以逐一对芯片的引脚进行检查,因此,现有在芯片生产中使用的引脚检测系统基于机器视觉技术,用于自动检测芯片引脚的缺陷。现有主要通过卷积神经网络对引脚图像进行目标识别或者缺陷识别,但是卷积神经网络存在大量的卷积层和池化层,计算量大,运算时间长,导致识别时间长,难以满足检测生产过程中电压基准源芯片引脚速度。
发明内容
针对现有技术中的上述不足,本发明提供的一种电压基准源芯片生产用引脚检测系统解决了现有技术通过卷积神经网络对引脚进行检测,存在识别时间长的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种电压基准源芯片生产用引脚检测系统,包括:图像采集单元、灰度处理单元、分类去噪单元、轮廓提取单元、异常区域筛选单元和异常定位单元;
所述图像采集单元用于采集电压基准源芯片的引脚图像;
所述灰度处理单元用于将引脚图像灰度处理,得到灰度图;
所述分类去噪单元用于对灰度图进行分类,并去噪,得到去噪后的多个类;
所述轮廓提取单元用于保留去噪后的每个类的边缘像素点,得到灰度轮廓;
所述异常区域筛选单元用于将灰度轮廓进行等分,得到M个子轮廓,对每个子轮廓提取轮廓向量,并计算子轮廓差距系数,在子轮廓差距系数大于差距阈值时,对应子轮廓为异常子轮廓,其中,M为正整数;
所述异常定位单元用于根据异常子轮廓与存储子轮廓的差距,得到异常位置。
本发明的有益效果为:本发明采集电压基准源芯片的引脚图像后,对图像进行灰度处理,减少图像数据量,再对灰度图进行分类和去噪,分类用于凸显出各个区域的形状,去噪用于滤除噪点,保留去噪后的每个类的边缘像素点,得到灰度轮廓,再对灰度轮廓进行等分,对每个子轮廓进行提取轮廓向量,减少数据量,且凸显轮廓的形状特点,计算出子轮廓差距系数,初步筛选出异常子轮廓,即进行了异常区域的初筛,然后根据异常子轮廓与存储子轮廓的差距,从异常子轮廓中找到具体的异常位置;本发明通过对灰度轮廓等分,逐一对每个轮廓进行对比,减少数据量,减少计算复杂度,无需卷积神经网络对引脚进行检测,计算过程简单,识别时间短。
进一步地,所述分类去噪单元包括:分类子单元、重复子单元、噪声类筛选子单元和去噪子单元;
所述分类子单元用于取灰度图上任一像素点,作为原始中心点,计算原始中心点的邻域范围内的像素点与原始中心点的灰度相似度;判断邻域范围内是否存在相似度大于相似门限的像素点,若是,则将对应的邻域范围内的像素点作为新的中心点,将相似度大于相似门限的像素点和原始中心点归为一类,并从新的中心点的新邻域范围内找相似度大于相似门限的像素点,归为该类中,直到该类中无法增加新的像素点,若否,则原始中心点为一类;
所述重复子单元用于重复分类子单元的过程,直到灰度图上所有像素点均有对应的类;
所述噪声类筛选子单元用于筛选出像素点数量小于数量门限的类,得到噪声类;
所述去噪子单元用于根据噪声类的邻近类分布情况,对噪声类进行去噪,得到去噪后的多个类。
上述进一步地方案的有益效果为:本发明通过中心点与邻域范围内像素点的灰度相似情况,找到属于同等灰度范围的像素点,并归为一类,又从新的中心点出发,继续寻找同等灰度范围的像素点,直到该类中无法增加新的像素点,该类分类完成,若是邻域范围内不存在与中心点灰度相似的像素点,则该中心点分为一类,再重新选择灰度图上未分类的像素点,重复分类子单元的过程,找到新的类,直到灰度图上所有像素点均有对应的类,分类完成,筛选出像素点数量小于数量门限的类,作为噪声类,对其进行去噪处理,滤除噪声点。
进一步地,所述去噪子单元具体为:根据噪声类中每个像素点与邻近类的距离,在距离最近的邻近类存在一个时,则将噪声类中该像素点归为距离最近的邻近类,且赋予噪声类中该像素点新的灰度值,新的灰度值为距离最近的邻近类的灰度平均值;在距离最近的邻近类存在多个时,以噪声类中该像素点为中心,将噪声类中该像素点归为在中心CC范围内面积占比最大的邻近类,且赋予噪声类中该像素点新的灰度值,新的灰度值为面积占比最大的邻近类的灰度平均值,其中,C为正整数。
上述进一步地方案的有益效果为:本发明中依次对比噪声类中每个像素点,在只存在一个距离最近的邻近类时,即只有一个类与噪声类中该像素点接触,将噪声类中该像素点归为邻近类,并赋予新的灰度值;在存在多个距离最近的邻近类时,即有多个类与噪声类中该像素点接触,以噪声类中该像素点为中心,找到在此处面积占比最高的邻近类,将噪声类中该像素点归为面积占比最高的邻近类,并赋予新的灰度值,从而滤除各个噪点。
进一步地,所述轮廓向量为,其中,I为轮廓向量,xo为横坐标均值元素,yo为纵坐标均值元素,xd为横坐标分布元素,yd为纵坐标分布元素,ho为灰度均值元素,hd为灰度分布元素。
进一步地,所述横坐标均值元素xo的计算公式为:,
所述纵坐标均值元素yo的计算公式为:,
其中,xi为子轮廓上第i个像素点的横坐标,yi为子轮廓上第i个像素点的纵坐标,i为正整数,N为子轮廓上像素点的数量。
进一步地,所述横坐标分布元素xd的计算公式为:,
所述纵坐标分布元素yd的计算公式为:,其中,| |为绝对值运算。
上述进一步地方案的有益效果为:本发明通过横坐标分布元素xd和纵坐标分布元素yd反应出每个子轮廓横坐标和纵坐标的波动情况。
进一步地,所述灰度均值元素ho的计算公式为:,
所述灰度分布元素hd的计算公式为:,其中,hi为子轮廓上第i个像素点的灰度值。
进一步地,所述计算子轮廓差距系数的公式为:,其中,r为子轮廓差距系数,Ij为轮廓向量I中第j个元素,Rj为存储轮廓向量中第j个元素,存储标准向量为采集引脚合格的电压基准源芯片的引脚图像对应的轮廓向量,j为正整数。
上述进一步地方案的有益效果为:本发明中将灰度轮廓等分,便于分区对比,提取出横坐标均值元素xo、纵坐标均值元素yo、横坐标分布元素xd、纵坐标分布元素yd、灰度均值元素ho和灰度分布元素hd;通过xo、yo、xd、yd、ho和hd凸显轮廓结构特点,实现多维度轮廓差距对比,找到异常的子轮廓。
进一步地,所述异常定位单元具体为:将异常子轮廓与存储子轮廓按相同像素点位置进行灰度值相减,得到灰度差值图像,设置LL大小的滑动块,滑动块在灰度差值图像上滑动,每滑动一次,计算一个异常系数,在异常系数大于异常门限时,该滑动块下的区域为异常位置,L为滑动块的长度。
进一步地,计算异常系数的公式为:,,/>,其中,ab为异常系数,e为自然常数,| |为绝对值运算,dL为滑动块的灰度波动系数,do为灰度差值图像的灰度波动系数,gn为滑动块下第n个像素点的灰度值,gk为灰度差值图像上第k个像素点的灰度值,K为灰度差值图像上像素点的数量,n和k为正整数。
上述进一步地方案的有益效果为:本发明将异常子轮廓与存储子轮廓按相同像素点位置进行灰度值相减,设置LL大小的滑动块,每滑动一次,计算一个异常系数,由于细微缺陷在局部,因此,本发明计算出滑动块下的灰度波动系数与灰度差值图像上灰度波动系数,从而衡量出该滑动块下灰度的异常情况,从而确定异常位置。
附图说明
图1为一种电压基准源芯片生产用引脚检测系统的系统框图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种电压基准源芯片生产用引脚检测系统,包括:图像采集单元、灰度处理单元、分类去噪单元、轮廓提取单元、异常区域筛选单元和异常定位单元;
所述图像采集单元用于采集电压基准源芯片的引脚图像;
所述灰度处理单元用于将引脚图像灰度处理,得到灰度图;
所述分类去噪单元用于对灰度图进行分类,并去噪,得到去噪后的多个类;
所述轮廓提取单元用于保留去噪后的每个类的边缘像素点,得到灰度轮廓;
所述异常区域筛选单元用于将灰度轮廓进行等分,得到M个子轮廓,对每个子轮廓提取轮廓向量,并计算子轮廓差距系数,在子轮廓差距系数大于差距阈值时,对应子轮廓为异常子轮廓,其中,M为正整数;
所述异常定位单元用于根据异常子轮廓与存储子轮廓的差距,得到异常位置。
所述分类去噪单元包括:分类子单元、重复子单元、噪声类筛选子单元和去噪子单元;
所述分类子单元用于取灰度图上任一像素点,作为原始中心点,计算原始中心点的邻域范围内的像素点与原始中心点的灰度相似度;判断邻域范围内是否存在相似度大于相似门限的像素点,若是,则将对应的邻域范围内的像素点作为新的中心点,将相似度大于相似门限的像素点和原始中心点归为一类,并从新的中心点的新邻域范围内找相似度大于相似门限的像素点,归为该类中,直到该类中无法增加新的像素点,若否,则原始中心点为一类;
所述重复子单元用于重复分类子单元的过程,直到灰度图上所有像素点均有对应的类;
所述噪声类筛选子单元用于筛选出像素点数量小于数量门限的类,得到噪声类;
所述去噪子单元用于根据噪声类的邻近类分布情况,对噪声类进行去噪,得到去噪后的多个类。
在本实施例中,原始中心点的邻域范围和新的中心点的新邻域范围中邻域均指与中心点接触的其他像素点。
本发明通过中心点与邻域范围内像素点的灰度相似情况,找到属于同等灰度范围的像素点,并归为一类,又从新的中心点出发,继续寻找同等灰度范围的像素点,直到该类中无法增加新的像素点,该类分类完成,若是邻域范围内不存在与中心点灰度相似的像素点,则该中心点分为一类,再重新选择灰度图上未分类的像素点,重复分类子单元的过程,找到新的类,直到灰度图上所有像素点均有对应的类,分类完成,筛选出像素点数量小于数量门限的类,作为噪声类,对其进行去噪处理,滤除噪声点。
所述去噪子单元具体为:根据噪声类中每个像素点与邻近类的距离,在距离最近的邻近类存在一个时,则将噪声类中该像素点归为距离最近的邻近类,且赋予噪声类中该像素点新的灰度值,新的灰度值为距离最近的邻近类的灰度平均值;在距离最近的邻近类存在多个时,以噪声类中该像素点为中心,将噪声类中该像素点归为在中心CC范围内面积占比最大的邻近类,且赋予噪声类中该像素点新的灰度值,新的灰度值为面积占比最大的邻近类的灰度平均值,其中,C为正整数,C大于等于3。
本发明中依次对比噪声类中每个像素点,在只存在一个距离最近的邻近类时,即只有一个类与噪声类中该像素点接触,将噪声类中该像素点归为邻近类,并赋予新的灰度值;在存在多个距离最近的邻近类时,即有多个类与噪声类中该像素点接触,以噪声类中该像素点为中心,找到在此处面积占比最高的邻近类,将噪声类中该像素点归为面积占比最高的邻近类,并赋予新的灰度值,从而滤除各个噪点。
所述轮廓向量为,其中,I为轮廓向量,xo为横坐标均值元素,yo为纵坐标均值元素,xd为横坐标分布元素,yd为纵坐标分布元素,ho为灰度均值元素,hd为灰度分布元素。
所述横坐标均值元素xo的计算公式为:,
所述纵坐标均值元素yo的计算公式为:,其中,xi为子轮廓上第i个像素点的横坐标,yi为子轮廓上第i个像素点的纵坐标,i为正整数,N为子轮廓上像素点的数量。
本发明中横坐标均值元素xo和纵坐标均值元素yo反应出每个子轮廓的几何中心位置,以及反应每个子轮廓的位置分布情况。
所述横坐标分布元素xd的计算公式为:,
所述纵坐标分布元素yd的计算公式为:,其中,| |为绝对值运算。
本发明通过横坐标分布元素xd和纵坐标分布元素yd反应出每个子轮廓横坐标和纵坐标的波动情况。
所述灰度均值元素ho的计算公式为:,
所述灰度分布元素hd的计算公式为:,其中,hi为子轮廓上第i个像素点的灰度值。
所述计算子轮廓差距系数的公式为:,其中,r为子轮廓差距系数,Ij为轮廓向量I中第j个元素,Rj为存储轮廓向量中第j个元素,存储标准向量为采集引脚合格的电压基准源芯片的引脚图像对应的轮廓向量,j为正整数。
本发明中将灰度轮廓等分,便于分区对比,提取出横坐标均值元素xo、纵坐标均值元素yo、横坐标分布元素xd、纵坐标分布元素yd、灰度均值元素ho和灰度分布元素hd;通过xo、yo、xd、yd、ho和hd凸显轮廓结构特点,实现多维度轮廓差距对比,找到异常的子轮廓。
所述异常定位单元具体为:将异常子轮廓与存储子轮廓按相同像素点位置进行灰度值相减,得到灰度差值图像,设置LL大小的滑动块,滑动块在灰度差值图像上滑动,每滑动一次,计算一个异常系数,在异常系数大于异常门限时,该滑动块下的区域为异常位置,L为滑动块的长度。
在本发明中,存储子轮廓来源为:将采集引脚合格的电压基准源芯片的引脚图像按本发明所记载的灰度化、分类、去噪、提取灰度轮廓、并等分处理后的子轮廓,存储子轮廓与异常子轮廓为电压基准源芯片的同一成像区域。
在本实施例中,门限和阈值根据实验和需求进行具体设置。
计算异常系数的公式为:,,/>,
其中,ab为异常系数,e为自然常数,| |为绝对值运算,dL为滑动块的灰度波动系数,do为灰度差值图像的灰度波动系数,gn为滑动块下第n个像素点的灰度值,gk为灰度差值图像上第k个像素点的灰度值,K为灰度差值图像上像素点的数量,n和k为正整数。
本发明将异常子轮廓与存储子轮廓按相同像素点位置进行灰度值相减,设置LL大小的滑动块,每滑动一次,计算一个异常系数,由于细微缺陷在局部,因此,本发明计算出滑动块下的灰度波动系数与灰度差值图像上灰度波动系数,从而衡量出该滑动块下灰度的异常情况,从而确定异常位置。
本发明采集电压基准源芯片的引脚图像后,对图像进行灰度处理,减少图像数据量,再对灰度图进行分类和去噪,分类用于凸显出各个区域的形状,去噪用于滤除噪点,保留去噪后的每个类的边缘像素点,得到灰度轮廓,再对灰度轮廓进行等分,对每个子轮廓进行提取轮廓向量,减少数据量,且凸显轮廓的形状特点,计算出子轮廓差距系数,初步筛选出异常子轮廓,即进行了异常区域的初筛,然后根据异常子轮廓与存储子轮廓的差距,从异常子轮廓中找到具体的异常位置;本发明通过对灰度轮廓等分,逐一对每个轮廓进行对比,减少数据量,减少计算复杂度,无需卷积神经网络对引脚进行检测,计算过程简单,识别时间短。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种电压基准源芯片生产用引脚检测系统,其特征在于,包括:图像采集单元、灰度处理单元、分类去噪单元、轮廓提取单元、异常区域筛选单元和异常定位单元;
所述图像采集单元用于采集电压基准源芯片的引脚图像;
所述灰度处理单元用于将引脚图像灰度处理,得到灰度图;
所述分类去噪单元用于对灰度图进行分类,并去噪,得到去噪后的多个类;
所述轮廓提取单元用于保留去噪后的每个类的边缘像素点,得到灰度轮廓;
所述异常区域筛选单元用于将灰度轮廓进行等分,得到M个子轮廓,对每个子轮廓提取轮廓向量,并计算子轮廓差距系数,在子轮廓差距系数大于差距阈值时,对应子轮廓为异常子轮廓,其中,M为正整数;
所述异常定位单元用于根据异常子轮廓与存储子轮廓的差距,得到异常位置;
所述轮廓向量为,其中,I为轮廓向量,xo为横坐标均值元素,yo为纵坐标均值元素,xd为横坐标分布元素,yd为纵坐标分布元素,ho为灰度均值元素,hd为灰度分布元素;
所述横坐标均值元素xo的计算公式为:
,
所述纵坐标均值元素yo的计算公式为:
,
其中,xi为子轮廓上第i个像素点的横坐标,yi为子轮廓上第i个像素点的纵坐标,i为正整数,N为子轮廓上像素点的数量;
所述横坐标分布元素xd的计算公式为:
,
所述纵坐标分布元素yd的计算公式为:
,
其中,| |为绝对值运算;
所述灰度均值元素ho的计算公式为:
,
所述灰度分布元素hd的计算公式为:
,
其中,hi为子轮廓上第i个像素点的灰度值;
所述计算子轮廓差距系数的公式为:
,
其中,r为子轮廓差距系数,Ij为轮廓向量I中第j个元素,Rj为存储轮廓向量中第j个元素,存储标准向量为采集引脚合格的电压基准源芯片的引脚图像对应的轮廓向量,j为正整数。
2.根据权利要求1所述的电压基准源芯片生产用引脚检测系统,其特征在于,所述分类去噪单元包括:分类子单元、重复子单元、噪声类筛选子单元和去噪子单元;
所述分类子单元用于取灰度图上任一像素点,作为原始中心点,计算原始中心点的邻域范围内的像素点与原始中心点的灰度相似度;判断邻域范围内是否存在相似度大于相似门限的像素点,若是,则将对应的邻域范围内的像素点作为新的中心点,将相似度大于相似门限的像素点和原始中心点归为一类,并从新的中心点的新邻域范围内找相似度大于相似门限的像素点,归为该类中,直到该类中无法增加新的像素点,若否,则原始中心点为一类;
所述重复子单元用于重复分类子单元的过程,直到灰度图上所有像素点均有对应的类;
所述噪声类筛选子单元用于筛选出像素点数量小于数量门限的类,得到噪声类;
所述去噪子单元用于根据噪声类的邻近类分布情况,对噪声类进行去噪,得到去噪后的多个类。
3.根据权利要求2所述的电压基准源芯片生产用引脚检测系统,其特征在于,所述去噪子单元具体为:根据噪声类中每个像素点与邻近类的距离,在距离最近的邻近类存在一个时,则将噪声类中该像素点归为距离最近的邻近类,且赋予噪声类中该像素点新的灰度值,新的灰度值为距离最近的邻近类的灰度平均值;在距离最近的邻近类存在多个时,以噪声类中该像素点为中心,将噪声类中该像素点归为在中心CC范围内面积占比最大的邻近类,且赋予噪声类中该像素点新的灰度值,新的灰度值为面积占比最大的邻近类的灰度平均值,其中,C为正整数。
4.根据权利要求1所述的电压基准源芯片生产用引脚检测系统,其特征在于,所述异常定位单元具体为:将异常子轮廓与存储子轮廓按相同像素点位置进行灰度值相减,得到灰度差值图像,设置LL大小的滑动块,滑动块在灰度差值图像上滑动,每滑动一次,计算一个异常系数,在异常系数大于异常门限时,该滑动块下的区域为异常位置,L为滑动块的长度。
5.根据权利要求4所述的电压基准源芯片生产用引脚检测系统,其特征在于,计算异常系数的公式为:
,
,
,
其中,ab为异常系数,e为自然常数,| |为绝对值运算,dL为滑动块的灰度波动系数,do为灰度差值图像的灰度波动系数,gn为滑动块下第n个像素点的灰度值,gk为灰度差值图像上第k个像素点的灰度值,K为灰度差值图像上像素点的数量,n和k为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410299886.8A CN117911792B (zh) | 2024-03-15 | 2024-03-15 | 一种电压基准源芯片生产用引脚检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410299886.8A CN117911792B (zh) | 2024-03-15 | 2024-03-15 | 一种电压基准源芯片生产用引脚检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117911792A CN117911792A (zh) | 2024-04-19 |
CN117911792B true CN117911792B (zh) | 2024-06-04 |
Family
ID=90692851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410299886.8A Active CN117911792B (zh) | 2024-03-15 | 2024-03-15 | 一种电压基准源芯片生产用引脚检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911792B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0549351A2 (en) * | 1991-12-26 | 1993-06-30 | Canon Kabushiki Kaisha | Image processing method and apparatus |
CN102436647A (zh) * | 2011-11-14 | 2012-05-02 | 江苏技术师范学院 | 一种自适应灰度映射的图像增强方法 |
WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
CN111260629A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 基于图像处理的受电弓结构异常检测算法 |
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN113658092A (zh) * | 2021-05-13 | 2021-11-16 | 湖南莱塞智能装备有限公司 | 一种基于图像处理的铝电解电容缺陷检测方法 |
WO2021244138A1 (zh) * | 2020-06-04 | 2021-12-09 | Oppo广东移动通信有限公司 | 表盘生成方法、装置、电子设备和计算机可读存储介质 |
CN114842213A (zh) * | 2022-05-16 | 2022-08-02 | 北斗星通智联科技有限责任公司 | 一种障碍物轮廓检测方法、装置、终端设备和存储介质 |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115690047A (zh) * | 2022-10-31 | 2023-02-03 | 三峡大学 | 一种基于异常点检测的前列腺超声图像分割方法及装置 |
CN116403094A (zh) * | 2023-06-08 | 2023-07-07 | 成都菁蓉联创科技有限公司 | 一种嵌入式图像识别方法及系统 |
CN117036310A (zh) * | 2023-08-17 | 2023-11-10 | 山东卓业医疗科技有限公司 | 一种dicom影像外围轮廓的识别提取方法 |
CN117173187A (zh) * | 2023-11-03 | 2023-12-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测系统 |
EP4295760A1 (en) * | 2022-06-21 | 2023-12-27 | Origin Wireless, Inc. | Method, apparatus, and system for wireless motion monitoring based on classified sliding time windows |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240064691A1 (en) * | 2020-02-13 | 2024-02-22 | Yuqian HU | Method, apparatus, and system for wireless proximity detection |
-
2024
- 2024-03-15 CN CN202410299886.8A patent/CN117911792B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0549351A2 (en) * | 1991-12-26 | 1993-06-30 | Canon Kabushiki Kaisha | Image processing method and apparatus |
CN102436647A (zh) * | 2011-11-14 | 2012-05-02 | 江苏技术师范学院 | 一种自适应灰度映射的图像增强方法 |
WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
CN111260629A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 基于图像处理的受电弓结构异常检测算法 |
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
WO2021244138A1 (zh) * | 2020-06-04 | 2021-12-09 | Oppo广东移动通信有限公司 | 表盘生成方法、装置、电子设备和计算机可读存储介质 |
CN113658092A (zh) * | 2021-05-13 | 2021-11-16 | 湖南莱塞智能装备有限公司 | 一种基于图像处理的铝电解电容缺陷检测方法 |
CN114842213A (zh) * | 2022-05-16 | 2022-08-02 | 北斗星通智联科技有限责任公司 | 一种障碍物轮廓检测方法、装置、终端设备和存储介质 |
EP4295760A1 (en) * | 2022-06-21 | 2023-12-27 | Origin Wireless, Inc. | Method, apparatus, and system for wireless motion monitoring based on classified sliding time windows |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115690047A (zh) * | 2022-10-31 | 2023-02-03 | 三峡大学 | 一种基于异常点检测的前列腺超声图像分割方法及装置 |
CN116403094A (zh) * | 2023-06-08 | 2023-07-07 | 成都菁蓉联创科技有限公司 | 一种嵌入式图像识别方法及系统 |
CN117036310A (zh) * | 2023-08-17 | 2023-11-10 | 山东卓业医疗科技有限公司 | 一种dicom影像外围轮廓的识别提取方法 |
CN117173187A (zh) * | 2023-11-03 | 2023-12-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测系统 |
Non-Patent Citations (3)
Title |
---|
杨军.边界扫描测试技术的分析与研究.CNKI优秀硕士学士论文全文库.2011,全文. * |
石澄贤 ; 王洪元 ; 王平安 ; 夏德深 ; .先验形状力场参数活动轮廓模型及其医学图像分割.计算机研究与发展.2006,(第12期),全文. * |
蒋建东 ; 陈培余 ; 童一珏 ; WILLEM Hoogmoed ; .基于机器视觉的轻触开关引脚缺陷检测算法研究.浙江工业大学学报.2015,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117911792A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN107622277B (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN109886937B (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
CN116309537A (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN111968171A (zh) | 基于人工智能的飞机油量测量方法及系统 | |
CN115496692A (zh) | 一种润滑油磨粒图像增强方法 | |
CN108205657A (zh) | 视频镜头分割的方法、存储介质和移动终端 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN115375629A (zh) | 一种lcd屏幕中线缺陷检测及缺陷信息提取方法 | |
CN116823725A (zh) | 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN114445369A (zh) | 基于3d成像技术的接触网分段绝缘器识别方法和装置 | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN113689383A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN117911792B (zh) | 一种电压基准源芯片生产用引脚检测系统 | |
CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN110610214A (zh) | 基于dcnn的晶圆图故障模式识别方法及系统 | |
CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 | |
CN118096739B (zh) | 一种基于图像处理的金属锻件表面缺陷检测方法 |
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 |