TWI807624B - 用於百格測試的附著力分析方法及系統 - Google Patents

用於百格測試的附著力分析方法及系統 Download PDF

Info

Publication number
TWI807624B
TWI807624B TW111104152A TW111104152A TWI807624B TW I807624 B TWI807624 B TW I807624B TW 111104152 A TW111104152 A TW 111104152A TW 111104152 A TW111104152 A TW 111104152A TW I807624 B TWI807624 B TW I807624B
Authority
TW
Taiwan
Prior art keywords
image
area
peeling
tested
frames
Prior art date
Application number
TW111104152A
Other languages
English (en)
Other versions
TW202331226A (zh
Inventor
袁廖杰
高鼎揚
賴宏忠
陳俞賓
朱官權
陳彥任
Original Assignee
友達光電股份有限公司
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 友達光電股份有限公司 filed Critical 友達光電股份有限公司
Priority to TW111104152A priority Critical patent/TWI807624B/zh
Priority to CN202210624481.8A priority patent/CN114998263A/zh
Application granted granted Critical
Publication of TWI807624B publication Critical patent/TWI807624B/zh
Publication of TW202331226A publication Critical patent/TW202331226A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Mechanical Treatment Of Semiconductor (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一種用於百格測試的附著力分析方法及系統。在本揭露中，利用物件識別模型來找出待測圖像中的剝落區域，並且利用語意分割模型來識別待測圖像中的刮痕區域而獲得處理後影像。接著，於處理後影像中取出與剝落區域對應的裁切區域，結合剝落區域與裁切區域而獲得結合影像，並基於結合影像計算剝落比例。

Description

用於百格測試的附著力分析方法及系統
本發明是有關於一種分析方法及系統，且特別是有關於一種於百格測試的附著力分析方法及系統。
百格測試是鍍膜附著力的一種評估方式，因方便操作與觀察容易而廣泛運用於業界中。測試方法為利用百格刀在受測物件上刮出刻痕，接著，透過膠帶緊密貼附於百格位置後，再以瞬間力道將膠帶撕起，以受測物上的塗料的脫落程度來判斷鍍膜的附著力好壞。
傳統附著力的分析是由測試人員利用顯微鏡檢視樣本表面的格狀區域，來評估塗佈表面的附著力。例如，透過相機來拍攝膠帶黏貼前與後兩張照片，再透過對兩張圖片相減求差，來找出兩張照片相異處，即為剝落區域。然，倘若膠帶黏貼前與黏貼後兩者的拍攝光源不同或者顯微鏡的放大倍率不同，則在後續對兩張圖片相減時會產生誤判的情形。此外，樣本的電路圖紋亦會造成判定的干擾。此外，還可透過人工目視來判斷剝落狀況。然， 人為主觀判定百格的剝落狀況，缺乏客觀的統一標準，並且倘若剝落區域太小或不明顯，也會造成使用者的判定困難。而在找尋最嚴重剝落處需多次來回移動玻璃片，徒增時間成本。此外，拍照設備需額外借用單眼相機，借用與歸還需增加不必要的的時間成本。而測試結果與拍攝圖片儲存於測試人員的個人電腦中，亦導致資料雜亂、難以整理。
本發明提供一種用於百格測試的附著力分析方法及系統，可大幅節省時間成本，並客觀進行高效判定。
本發明的用於百格測試的附著力分析方法，利用電子裝置來執行，所述附著力分析方法包括：利用物件識別模型來找出待測圖像中的剝落區域；利用語意分割模型來識別待測圖像中的刮痕區域而獲得處理後影像；於處理後影像中取出與剝落區域對應的裁切區域；結合剝落區域與裁切區域而獲得結合影像；以及基於結合影像計算剝落比例。
在本發明的一實施例中，上述附著力分析方法更包括：自影像訊號中擷取多個幀；利用拉普拉斯算子自所述幀中刪除失焦的幀；以及在判定未失焦的幀中刪除像素重複的幀，將保留的每一幀作為待測圖像。
在本發明的一實施例中，上述附著力分析方法更包括：對待測圖像執行去模糊化處理，以將經去模糊化處理後的待測圖 像輸入至物件識別模型與語意分割模型。
在本發明的一實施例中，結合剝落區域與裁切區域而獲得結合影像的步驟包括：利用邊緣偵測模型對剝落區域進行邊緣偵測，而獲得邊緣影像；以及結合邊緣影像與裁切區域而獲得結合影像。
在本發明的一實施例中，基於結合影像計算剝落比例的步驟包括：對結合影像執行黑白反轉處理，而獲得反轉影像；對反轉影像執行邊緣增強處理，而獲得加強影像；利用邊緣偵測演算法在加強影像中找剝落塊輪廓；基於剝落塊輪廓來計算剝落面積；以及基於剝落面積以及待測圖像的總面積，計算剝落比例。
本發明的附著力分析系統，包括：顯微鏡，具有影像擷取裝置，透過影像擷取裝置來拍攝置於顯微鏡上的待測物而獲得影像訊號；以及電子裝置，自影像擷取裝置接收影像訊號。所述電子裝置經配置以自影像訊號中獲得多個待測圖像，並分別針對各待測圖像執行下述動作：利用物件識別模型來找出待測圖像中的剝落區域；利用語意分割模型來識別待測圖像中的刮痕區域而獲得處理後影像；於處理後影像中取出與剝落區域對應的裁切區域；結合剝落區域與裁切區域而獲得結合影像；以及基於結合影像計算剝落比例。
基於上述，本揭露提供一種用於百格測試的附著力分析方法及系統，以自動化取代人工，並建立客觀評斷標準。據此，大幅節省時間成本，並客觀進行高效判定。
110:電子裝置
111:處理器
113:儲存元件
120:顯微鏡
121:影像擷取裝置
200:使用者介面
201~209:工作框
400、600、B、T:待測圖像
410:剝落塊
420:刮痕區域
610、620、920、1020、T2:處理後影像
901:物件框
910、1010、T1:識別後影像
930、1030:判定結果影像
A:影像訊號
B1~Bn:候選圖像
b1:剝落區域
b2:裁切區域
b3:邊緣影像
b4:結合影像
b5:反轉影像
b6:加強影像
b7:輪廓影像
b8:最終影像
M1:物件識別模型
M2:語意分割模型
S305~S320:附著力分析的步驟
S505~S525:附著力分析的步驟
圖1是依照本發明一實施例的附著力分析系統的方塊圖。
圖2是依照本發明一實施例的使用者介面的示意圖。
圖3是依照本發明一實施例的附著力分析的架構圖。
圖4是依照本發明一實施例的待測圖像的示意圖。
圖5是依照本發明一實施例的用於百格測試的附著力分析方法的流程圖。
圖6是依照本發明一實施例的使用不同演算法的語意分割模型所獲得的結果的示意圖。
圖7是依照本發明一實施例的獲得結合影像之前的影像處理流程的示意圖。
圖8是依照本發明一實施例的計算剝落面積的示意圖。
圖9是依照本發明一實施例的分析示意圖。
圖10是依照本發明另一實施例的分析示意圖。
圖11是依照本發明一實施例的準確率比較示意圖。
圖1是依照本發明一實施例的附著力分析系統的方塊圖。請參照圖1，附著力分析系統包括電子裝置110以及顯微鏡120。電子裝置110包括處理器111與儲存元件113。顯微鏡120 中安裝有影像擷取裝置121。
處理器111例如為中央處理單元(Central Processing Unit，CPU)、物理處理單元(Physics Processing Unit，PPU)、可程式化之微處理器(Microprocessor)、嵌入式控制晶片、數位訊號處理器(Digital Signal Processor，DSP)、特殊應用積體電路(Application Specific Integrated Circuits，ASIC)或其他類似裝置。
儲存元件113例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory，RAM)、唯讀記憶體(Read-Only Memory，ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合。儲存元件113中包括一或多個程式碼片段，上述程式碼片段在被安裝後，會由處理器111來執行。在一實施例中，儲存元件113還儲存有一使用者介面，以在顯示器(未繪示)中顯示使用者介面供使用者來使用。
影像擷取裝置121例如是採用電荷耦合元件(Charge coupled device，CCD)鏡頭、互補式金氧半電晶體(Complementary metal oxide semiconductor transistors，CMOS)鏡頭的攝影機、照相機等。透過影像擷取裝置121來拍攝設置在顯微鏡120的載物台上的待測物(例如：經百格測試的玻璃)。
圖2是依照本發明一實施例的使用者介面的示意圖。請參照圖2，使用者介面200包括多個工作框201~209。工作框201用以進行圖像的瀏覽、選擇以及儲存。例如，在工作框201的左欄中顯示多個圖像供使用者瀏覽，使用者可透過單擊滑鼠左鍵在 這些圖像中進行選擇。在工作框201的右欄中可顯示被選擇的待測圖像的檔名，使用者可透過雙擊滑鼠左鍵來儲存被選擇的圖像。工作框203用以供使用者輸入待測物(例如為採樣玻璃)的資料，以利建檔。工作框205可及時觀看影像擷取裝置121的錄影畫面，並且兼作為呈現被選擇的待測圖像，並在待測圖像中反應分析結果。工作框207提供了去模蝴化與視覺化的工具並且顯示分析後的圖像資訊以及判定結果。工作框209包括5個操作鈕，用以控制錄影、停止、快照、儲存以及瀏覽資料庫。
圖3是依照本發明一實施例的附著力分析的架構圖。請參照圖3，首先，將影像訊號A輸入至電子裝置110，由處理器111自影像訊號A中來擷取多個幀。例如，在影像擷取裝置121不動的情況下，移動待測物，確保影像擷取裝置121能拍攝到待測物的每一處，進而獲得影像訊號A。
接著，在步S305中，由處理器111刪除失焦的幀。例如，利用拉普拉斯算子(Laplacian operator)來計算出每一幀的變異數，將變異數與一設定閾值(例如12)進行比對，將變異數小於12的幀刪除。所述設定閾值可基於專案中的全部圖片進行測試結果來決定。
之後，在步驟S310中，由處理器111在判定未失焦的幀中刪除像素重複的幀，藉此來獲得多個候選圖像B1~Bn。每一個候選圖像B1~Bn中沒有重複的區域。由於在自影像訊號A獲得多個幀的過程中，可能會在時間序列中相鄰的兩個幀中包括重複 的區域，因此，在步驟S310中，可透過像素比對的動作在兩個幀中判斷是否包括重複的像素。例如，可先依照時間序列來取出兩個相鄰的幀f1、f2，倘若這兩個幀f1、f2包括相同的像素，則將時間序列在後的幀f2刪除，之後依照時間序列往下取下一幀f3，判斷幀f3是否具有與幀f1相同的像素。倘若幀f3與幀f1並未包括相同的像素，保留幀f1(候選圖片)，並繼續將幀f3與幀f4進行比對，以此類推來檢查完每一幀。
在獲得候選圖像B1~Bn之後，逐一將每一個候選圖像作為待測圖像B，並將待測圖像B分別輸入物件識別模型M1以及語意分割(semantic segmentation)模型M2，以分別找出待測圖像B中的剝落區域以及刮痕區域。另外，在取出待測圖像B之後，還可進一步對待測圖像B執行去模糊化處理，以將經去模糊化處理後的待測圖像B輸入至物件識別模型M1與語意分割模型M2。去模糊化處理可採用DeblurGAN-v2或MPRNet等演算法。
圖4是依照本發明一實施例的待測圖像的示意圖。請參照圖4，透過物件識別模型M1可在待測圖像B中找出剝落塊410，透過語意分割模型M2可在待測圖像B中分離出刀片刮過的刮痕區域420，以優化剝落區域的面積計算。
返回圖3，在找出待測圖像B中的剝落區域以及刮痕區域之後，進一步在步驟S315中進行附著力分析，以計算剝落區域的剝落比例。並且，在步驟S320中，獲得分析結果。例如，根據剝落比例來判斷待測圖像的等級。按照ASTM(American Society for Testing and Materials)標準，等級可分為1B~5B。等級5B表示完全沒有剝落，等級4B表示剝落比例小於或等於5%，等級3B表示剝落比例大於5%，且未大於15%，等級2B表示剝落比例大於15%，且未大於35%，等級1B表示剝落比例大於35%，且未大於65%，等級0B表示剝落比例大於65%。
底下再舉一實施例來說明附著力分析的詳細流程。圖5是依照本發明一實施例的用於百格測試的附著力分析方法的流程圖。請參照圖3及圖5，在步驟S505中，處理器111利用物件識別模型M1來找出待測圖像中的剝落區域。所述物件識別模型M1可採用下述其中一種演算法，R-CNN(Region Based Convolutional Neural Networks，區域卷積神經網路)、YOLO(You Only Look Once)、SSD(Single Shot MultiBox Detector)、EfficientDet、CenterNet、Swin transformer(Swin轉換器)。
在透過物件識別模型M1於待測圖像中檢測到的可能為剝落區域的多個預測邊界框之後，對每一個預測邊界框計算IOU(Intersection over Union，交併比)值。IOU值是預測邊界框和參考邊界框的交集和聯集之間的比率。如果IOU值大於一個閾值(例如0.5)，則將此預測邊界框判定為剝落區域，反之，則忽略此預測邊界框。
另一方面，在步驟S510中，處理器111利用語意分割模型M2來識別待測圖像中的刮痕區域而獲得處理後影像。所述語意分割模型M2可採用下述其中一種演算法，FCN(Fully Convolutional Networks，全卷積神經網路)、U-Net、DeepLab、ReNet、ReSeg、GAN(Generative Adversarial Networks，生成對抗網路)、HRNet(High-Resolution Net)、OCRNet(object-context representation Net)。
圖6是依照本發明一實施例的使用不同演算法的語意分割模型所獲得的結果的示意圖。在本實施例中，針對採用一般CNN(例如U-Net)的語意分割模型M2，以及採用GAN(例如pix2pix)的語意分割模型M2的結果進行比對。
處理後影像610為使用U-Net的語意分割模型M2對待測圖像600進行分析所獲得。由處理後影像610可知，採用U-Net的語意分割模型M2在百格測試的效果不理想。原因推測可能是刮痕區域除了邊緣處之外並無明顯特徵，U-Net可能認定其為單一顏色區塊，造成預測嚴重失準。
處理後影像620為使用GAN的語意分割模型M2對待測圖像600進行分析所獲得。由處理後影像620可知，採用GAN的語意分割模型M2的效果比採用U-Net語意分割模型M2的效果還佳。原因推測是GAN具有判別器，能判斷生成的處理後影像620是否與待測圖像600有外觀上的相似性。
返回圖5，在步驟S515中，處理器111於處理後影像中取出與剝落區域對應的裁切區域。在步驟S520中，處理器111結合剝落區域與裁切區域而獲得結合影像。並且，在步驟S525中，處理器111基於結合影像計算剝落比例。
底下再舉例來進一步說明步驟S515~步驟S525。圖7是依照本發明一實施例的獲得結合影像之前的影像處理流程的示意圖。圖8是依照本發明一實施例的計算剝落面積的示意圖。
請參照7，待測圖像T經由物件識別模型M1獲得識別後影像T1，在識別後影像T1中利用物件框來標示出剝落處。之後，在識別後影像T1中進行物件框處裁切，藉此獲得物件框所框選的剝落區域b1。並且，待測圖像T經由語意分割模型M2獲得處理後影像T2。接著，基於識別後影像T1的物件框所框選的座標範圍，在處理後影像T2中取出與剝落區域b1對應的裁切區域b2。
而為了使後續結果更為精準，可進一步利用邊緣偵測模型M3對剝落區域b1進行邊緣偵測而獲得邊緣影像b3。邊緣偵測模型M3例如採用Canny邊緣檢測演算法。之後，結合邊緣影像b3與裁切區域b2來獲得結合影像b4(如圖8所示)，以在結合影像b4中來計算剝落面積，進而獲得剝落比例。而為了在準確地計算剝落面積，還可針對結合影像b4執行下述處理。
參照圖8，在結合邊緣影像b3與裁切區域b2來獲得結合影像b4之後，對結合影像b4執行黑白反轉處理，而獲得反轉影像b5。接著，對反轉影像b5執行邊緣增強處理，而獲得加強影像b6。然後，利用邊緣偵測演算法在加強影像b6中找剝落塊輪廓，而獲得輪廓影像b7。之後，基於輪廓影像b7中的剝落塊輪廓來獲得最終影像b8，藉此計算最終影像b8中的黑色區塊的像素數量作為剝落面積。而後，基於剝落面積以及待測圖像的總面積，計算 剝落比例(剝落面積/總面積)。例如，假設待測圖像的總面積為800×600，剝落面積的像素數量為6704，則剝落比例為6704/(800×600)。基此，處理器111可根據剝落比例來判定等級。
底下再舉兩個實施例來說明套用上述附著力分析系統所獲得的分析結果。圖9是依照本發明一實施例的分析示意圖。圖10是依照本發明另一實施例的分析示意圖。
在圖9所示的實施例包括經由物件識別模型M1獲得的識別後影像910(包括框選出剝落區域的物件框901)以及經由語意分割模型M2獲得的處理後影像920。基於識別後影像910以及處理後影像920獲得最終的判定結果影像930，其剝落比例為1.026%，判定為等級4B。
在圖10所示的實施例包括經由物件識別模型M1獲得的識別後影像1010(未偵測到剝落區域)以及經由語意分割模型M2獲得的處理後影像1020。基於識別後影像1010以及處理後影像1020獲得最終的判定結果影像1030。判定結果影像1030未包括任何剝落，判定為等級5B。
圖11是依照本發明一實施例的準確率比較示意圖。在圖11中，橫軸表示預測等級，縱軸表示為實際等級，圖中的數量為預測等級與實際等級的判斷數量。在此實施例中，以預測等級為1B而言，共有37個待測圖像的預測等級為1B，而實際等級為1B的判斷數量為34，實際等級為2B~5B的數量則皆為0。圖11中預測等級與實際等級相符的數量共198(34+30+35+32+67)，全數 進行預測的數量共216個，由此可知，所述實施例所揭露的智能分析的準確率已達91.7%(198/216)。
綜上所述，本揭露提供一種用於百格測試的附著力分析方法及系統，以自動化取代人工，並建立客觀評斷標準。據此，大幅節省時間成本，並客觀進行高效判定。並且，提供資料整理、視覺化工具，並提供直覺流暢的操作體驗，以提升使用者體驗。
S505~S525:附著力分析方法的步驟

Claims (10)

  1. 一種用於百格測試的附著力分析方法，利用一電子裝置來執行，該附著力分析方法包括：利用一物件識別模型來找出一待測圖像中的一剝落區域；利用一語意分割模型來識別該待測圖像中的一刮痕區域而獲得一處理後影像；於該處理後影像中取出與該剝落區域對應的一裁切區域；結合該剝落區域與該裁切區域而獲得一結合影像；以及基於該結合影像計算一剝落比例。
  2. 如請求項1所述的附著力分析方法，更包括：自一影像訊號中擷取多個幀；利用一拉普拉斯算子自該些幀中刪除失焦的幀；以及在判定未失焦的幀中刪除像素重複的幀，將保留的每一幀作為該待測圖像。
  3. 如請求項1所述的附著力分析方法，更包括：對該待測圖像執行一去模糊化處理，以將經該去模糊化處理後的該待測圖像輸入至該物件識別模型與該語意分割模型。
  4. 如請求項1所述的附著力分析方法，其中結合該剝落區域與該裁切區域而獲得該結合影像的步驟包括：利用一邊緣偵測模型對該剝落區域進行邊緣偵測，而獲得一邊緣影像；以及結合該邊緣影像與該裁切區域而獲得該結合影像。
  5. 如請求項1所述的附著力分析方法，其中基於該結合影像計算該剝落比例的步驟包括：對該結合影像執行一黑白反轉處理，而獲得一反轉影像；對該反轉影像執行一邊緣增強處理，而獲得一加強影像；利用一邊緣偵測演算法在該加強影像中找一剝落塊輪廓；基於該剝落塊輪廓來計算一剝落面積；以及基於該剝落面積以及該待測圖像的一總面積，計算該剝落比例。
  6. 一種附著力分析系統，包括：一顯微鏡，具有一影像擷取裝置，透過該影像擷取裝置來拍攝置於該顯微鏡上的一待測物而獲得一影像訊號；以及一電子裝置，自該影像擷取裝置接收該影像訊號，該電子裝置經配置以自該影像訊號中獲得多個待測圖像，並分別針對每一該些待測圖像執行下述動作：利用一物件識別模型來找出每一該些待測圖像中的一剝落區域；利用一語意分割模型來識別每一該些待測圖像中的一刮痕區域而獲得一處理後影像；於該處理後影像中取出與該剝落區域對應的一裁切區域；結合該剝落區域與該裁切區域而獲得一結合影像；以及基於該結合影像計算一剝落比例。
  7. 如請求項6所述的附著力分析系統，其中該電子裝置經配置以：自該影像訊號中擷取多個幀；利用一拉普拉斯算子自該些幀中刪除失焦的幀；以及在判定未失焦的幀中刪除像素重疊的幀，將保留的每一幀作為每一該些待測圖像。
  8. 如請求項6所述的附著力分析系統，其中該電子裝置經配置以：對每一該些待測圖像執行一去模糊化處理，以將經該去模糊化處理後的該待測圖像輸入至該物件識別模型與該語意分割模型。
  9. 如請求項6所述的附著力分析系統，其中該電子裝置經配置以：利用一邊緣偵測模型對該剝落區域進行邊緣偵測，而獲得一邊緣影像；以及結合該邊緣影像與該裁切區域而獲得該結合影像。
  10. 如請求項6所述的附著力分析系統，其中該電子裝置經配置以：對該結合影像執行一黑白反轉處理，而獲得一反轉影像；對該反轉影像執行一邊緣增強處理，而獲得一加強影像；利用一邊緣偵測演算法在該加強影像中找一剝落塊輪廓；基於該剝落塊輪廓來計算一剝落面積；以及 基於該剝落面積以及該待測圖像的一總面積，計算該剝落比例。
TW111104152A 2022-01-28 2022-01-28 用於百格測試的附著力分析方法及系統 TWI807624B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW111104152A TWI807624B (zh) 2022-01-28 2022-01-28 用於百格測試的附著力分析方法及系統
CN202210624481.8A CN114998263A (zh) 2022-01-28 2022-06-02 用于百格测试的附着力分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111104152A TWI807624B (zh) 2022-01-28 2022-01-28 用於百格測試的附著力分析方法及系統

Publications (2)

Publication Number Publication Date
TWI807624B true TWI807624B (zh) 2023-07-01
TW202331226A TW202331226A (zh) 2023-08-01

Family

ID=83030372

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111104152A TWI807624B (zh) 2022-01-28 2022-01-28 用於百格測試的附著力分析方法及系統

Country Status (2)

Country Link
CN (1) CN114998263A (zh)
TW (1) TWI807624B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655489A (zh) * 2009-09-08 2010-02-24 吉林大学 利用Photoshop测定涂层附着力和涂层生锈面积的方法
CN202533373U (zh) * 2012-03-28 2012-11-14 苏州恒耀智能设备有限公司 百格视觉检测系统
US20170323435A1 (en) * 2014-09-08 2017-11-09 Hitachi High-Technologies Corporation Defect quantification method, defect quantification device, and defect evaluation value display device
CN211402097U (zh) * 2019-11-27 2020-09-01 山东理工大学 一种涂层附着力检测装置
US20210181087A1 (en) * 2017-10-23 2021-06-17 Compagnie Generale Des Etablissements Michelin Method for estimating an adhesion grade between the rubber composition and the reinforcing plies of a test specimen representative of a tire to be characterized

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655489A (zh) * 2009-09-08 2010-02-24 吉林大学 利用Photoshop测定涂层附着力和涂层生锈面积的方法
CN202533373U (zh) * 2012-03-28 2012-11-14 苏州恒耀智能设备有限公司 百格视觉检测系统
US20170323435A1 (en) * 2014-09-08 2017-11-09 Hitachi High-Technologies Corporation Defect quantification method, defect quantification device, and defect evaluation value display device
US20210181087A1 (en) * 2017-10-23 2021-06-17 Compagnie Generale Des Etablissements Michelin Method for estimating an adhesion grade between the rubber composition and the reinforcing plies of a test specimen representative of a tire to be characterized
CN211402097U (zh) * 2019-11-27 2020-09-01 山东理工大学 一种涂层附着力检测装置

Also Published As

Publication number Publication date
CN114998263A (zh) 2022-09-02
TW202331226A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN107256225B (zh) 一种基于视频分析的热度图生成方法及装置
JP6089886B2 (ja) 領域分割方法および検査装置
JP2024509411A (ja) 欠陥検出方法、装置及びシステム
CN106960175B (zh) 基于深度卷积神经网络的第一视角动态手势检测方法
WO2017120796A1 (zh) 路面病害的检测方法及其装置、电子设备
JP2007114843A (ja) 良否判定装置
WO2022267300A1 (zh) 用于自动提取图像中目标区域的方法、系统及存储介质
Pagaduan et al. iblurdetect: Image blur detection techniques assessment and evaluation study
CN114078127B (zh) 物件的缺陷检测及计数方法、装置、设备和存储介质
JP2019164450A (ja) 画像処理方法、コンピュータプログラムおよび記録媒体
Kim Image enhancement using patch-based principal energy analysis
TWI807624B (zh) 用於百格測試的附著力分析方法及系統
CN117788444A (zh) Smt贴片偏移检测方法、装置及视觉检测系统
Abadi et al. Digital Image Processing for Height Measurement Application Based on Python OpenCV and Regression Analysis
TWM606740U (zh) 瑕疵檢測系統
Prabha et al. Defect detection of industrial products using image segmentation and saliency
JP2008129864A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
Quan et al. A depth enhancement strategy for kinect depth image
Amjed et al. A robust geometric skin colour face detection method under unconstrained environment of smartphone database
Liu et al. A scalable automated system to measure user experience on smart devices
CN111291800A (zh) 房屋装修类型分析方法、系统、电子设备及可读存储介质
WO2023171184A1 (ja) 動画像集約装置、動画像集約方法、及び動画像集約プログラム
Fritz et al. Semantic analysis of human visual attention in mobile eye tracking applications
Hong et al. Stain defect detection for mobile phone camera modules
EP3680816A1 (en) Visual object insertion classification for videos