[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN109916906A - 缺陷检测装置及方法 - Google Patents

缺陷检测装置及方法 Download PDF

Info

Publication number
CN109916906A
CN109916906A CN201811636492.8A CN201811636492A CN109916906A CN 109916906 A CN109916906 A CN 109916906A CN 201811636492 A CN201811636492 A CN 201811636492A CN 109916906 A CN109916906 A CN 109916906A
Authority
CN
China
Prior art keywords
image
defect
shooting
defects detection
detecting device
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
Application number
CN201811636492.8A
Other languages
English (en)
Other versions
CN109916906B (zh
Inventor
宋德王
李在旻
秋渊学
李锡中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Leren Co
Original Assignee
Leren Co
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 Leren Co filed Critical Leren Co
Publication of CN109916906A publication Critical patent/CN109916906A/zh
Application granted granted Critical
Publication of CN109916906B publication Critical patent/CN109916906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提出缺陷检测装置及方法，根据一实施例，缺陷检测装置包括：存储部，储存预定的一个标准图像和，拍摄检验对象获得的至少一个拍摄图像；以及控制部，运算标准图像和各拍摄图像的差异，生成对应各个拍摄图像的差分对象，将标准图像、各拍摄图像和各差分图像合成，生成对应各拍摄图像的至少一个彩色图像，利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个。

Description

缺陷检测装置及方法
技术领域
本发明说明书中公开的多个实施例涉及缺陷检测装置及方法，具体是，利用检验对象的拍摄图像检测对象中包括的缺陷时，利用可提升缺陷检测性能的图像处理方法进行缺陷训练和实施检测的缺陷检测装置及方法。
背景技术
对品质统一的量产产品的不良与否进行检测的方式有多种。如包装纸或标签纸等印刷品或印制电路板或已组装完的电路等电子产品生产工艺上的中间或最终生产产品等，对实际样子或形状相同的生产产品积极应用图像分析技术，以减少检测不良所需的时间和劳力的同时提升检测品质。
目前是利用人工智能的图像分析技术检测产品不良，从而获得降低误检或过检率等的技术成果。
如上所述，利用人工智能的图像分析技术检测产品缺陷的通常方法是，利用充分数量的正常及/或不良产品的图像学习判定缺陷所需的模型以后，利用学习模型判定检验对象的图像正常或不良与否。但利用现有的这种缺陷训练和检测方式无法将各种缺陷全部识别出来，进而导致整体缺陷检测性能不良的问题。
例如，根据现有的印制电路板的缺陷检测方法，如图1所示利用将生产的印制电路板拍摄获取的拍摄图像10学习模型，标记有缺陷11的位置，对有缺陷的区域和背景区域进行训练，进而缺陷检测模型学习无缺陷的背景区域和有缺陷的区域，之后输入检验对象的拍摄图像时，可以输出该拍摄图像包括缺陷与否。
但这种现有对印制电路板的缺陷检测方法是，对断开(OPEN；电路模式应连接着的区域连接断开而发生的缺陷)或短路(SHORT；不应该相互连接的电路模式相互连接而发生的缺陷)等结构的缺陷检出率不高，应该有孔(HOLE)的位置漏孔的缺陷或电路模式和模式之间的间隔保持得不充分而发生的空间(SPACE)未达缺陷等无法检测不到。
利用人工智能的图像分析技术检测产品缺陷的另一种方法是，利用充分数量的正常及/或不良产品的拍摄图像以及预先设定的标准图像生成差分(Difference)图像，利用差分图像使模型学习以后，利用学习的模型判定检验对象的图像正常或不良与否。但即便通过这样的方式，结构缺陷的检测率仍然未能得到充分提升，因差分图像的一部分区域颜色或亮度与背景或边缘部分相似而缺陷检测率降低。
相关的先有技术文献即韩国注册专利第10-1128322号涉及印制电路板的光学检验装置及方法，对于将标准PCB模式图像和拍摄PCB模式图像比较判定不良与否的技术进行叙述。但先有技术仅仅是将标准图像和拍摄的图像亮度模式与数值比较后判定正常或不良与否，难以检测出细小的缺陷，也不能辨别缺陷的种类或正确位置。因此需要一种可以解决上述问题的技术。
上述背景技术是发明人为了获得本发明而拥有或者在获得本发明的过程中掌握的技术信息，并非是申请本发明之间已向普通公众公开的公知技术。
发明内容
技术问题
本说明书中公开的实施例的目的在于提供一种缺陷检测装置及方法。
本说明书中公开的实施例的目的在于利用3通道的彩色图像提升检验对象的缺陷检测性能。
本说明书中公开的实施例的目的在于通过对检测出的缺陷类型的学习，判定缺陷的类型。
本发明中公开的实施例的目的在于，利用根据缺陷位置分别学习的缺陷检测模型而提升缺陷检测和分类的准确性。
技术方案
为解决所述问题，本发明所采用的技术方案是，根据一实施例作为检测检验对象缺陷的装置，包括：存储部，储存预定的一个标准图像和，拍摄检验对象获得的至少一个拍摄图像；以及控制部，运算所述标准图像和各拍摄图像的差异，生成对应各拍摄图像的差分对象，将所述标准图像、各拍摄图像和各差分图像合成，生成对应各拍摄图像的至少一个彩色图像，利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个。
为解决所述技术问题，本发明所采用的技术方案是，根据一实施例作为通过缺陷检测装置实施的检测检验对象缺陷的方法，包括：获得拍摄检验对象生成的至少一个拍摄图像的步骤；利用各拍摄图像和预定的一个标准图像之间的差异生成对应各个拍摄图像的差分图像的步骤；将所述标准图像、各个拍摄图像和各个差分图像合成而生成对应各个拍摄图像的至少一个彩色图像的步骤；以及利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个的步骤。
进一步为解决所述技术问题，本发明所采用的技术方案是，根据另一实施例，记录实施缺陷检测方法的程序的计算机可读记录介质中所述缺陷检测方法包括：获得拍摄检验对象生成的至少一个拍摄图像的步骤；利用各拍摄图像和预定的一个标准图像之间的差异生成对应各个拍摄图像的差分图像的步骤；将所述标准图像、各个拍摄图像和各个差分图像合成而生成对应各个拍摄图像的至少一个彩色图像的步骤；以及利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个的步骤。
为解决所述技术问题，本发明所采用的技术方案是，根据另一实施例，通过缺陷检测装置实施并为实施缺陷检测方法而储存在介质中的计算机程序中，所述缺陷检测方法包括：获得拍摄检验对象生成的至少一个拍摄图像的步骤；利用各拍摄图像和预定的一个标准图像之间的差异生成对应各个拍摄图像的差分图像的步骤；将所述标准图像、各个拍摄图像和各个差分图像合成而生成对应各个拍摄图像的至少一个彩色图像的步骤；以及利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个的步骤。
有益效果
根据上述的技术方案之一，可以提出缺陷检测装置和方法。
根据上述的技术方案之一，利用3通道彩色图像而提升检验对象的缺陷检测性能。
根据上述的技术方案一，可以提供学习检测的缺陷类型而判定缺陷类型的缺陷检测装置及方法。
根据上述的技术方案之一，利用根据缺陷位置分别学习的缺陷检测模型而提升缺陷检测及分类的准确性。
通过公开实施例可获得的效果并不限于以上效果，根据以下记载本领域普通技术人员可以清楚地了解到未涉及的其它效果。
附图说明
图1是图示标记缺陷位置的印制电路板的拍摄图像一例的例示图；
图2是说明一实施例的缺陷检测装置结构的框图；
图3是图示一实施例的缺陷检测装置中用于缺陷检测的基准图像、拍摄图像以及差分图像的一例的例示图；
图4是图示一实施例的检测装置中利用基准图像和拍摄图像以及差分图像生成的彩色图像的一例的例示图；
图5是说明一实施例的对缺陷检测装置中检测的缺陷类型进行学习的过程的例示图；
图6和图7是图示一实施例的缺陷检测方法的步骤流程图。
符号说明
100：缺陷检测装置；
110：输入输出部；
120：存储部；
130：通信部；
140：控制部；
200：拍摄装置。
具体实施方式
下面将结合附图详细描述各种实施例。以下说明的实施例是也可以修改成其它不同形态实现。为了更加明确说明，对于以下实施例所属技术领域的普通技术人员已广泛知晓的内容不再详细说明。图中省略与实施例说明无关的部分，对说明书中类似的部分使用了类似的图号。
说明书中描述某个构件“连接”于其它构件是，不仅表示直接连接，中间还会存在其它构件。说明书中描述某个构成“包括”某个构件时，在没有特别相反的描述的前提下，并不是指排除其它构件，而是说明还可以包括其它构件。
下面结合附图详述多个实施例。
说明之前先定义下面使用的用语。
“拍摄图像”是将检验对象直接拍摄获得的图像。以下以印制电路板作为“检验对象”进行说明，但只要是如电子产品的中间或最终产物或包装纸或标签纸等印刷品等，生产时已具有预定的一定模式的产品皆可。拍摄图像并不限于简单的利用可视光线拍摄的图像，也可以是根据检测对象的种类或性质利用X射线或红外线等各种光学拍摄方式获得的图像。
“标准图像”是图示检验对象需具备的理想模式的图像，是各个检验对象拍摄图像的实际标准，任何检验对象的拍摄图像与标准图像一起用来生成后述的差分图像。
“差分图像”是利用上述的拍摄图像和标准图像生成的图像，利用拍摄图像和标准图像之差运算。例如，对于二值图像，差分对象可以仅通过两个图像的各像素值之差来生成，对于非二值图像，可以直接利用各像素值之差或者利用与阈值比较的结果获得。在此像素值是图像中包括的各像素的亮度值，可以具有8比特值即0至255中一个值。差分图像不仅可以通过上述的简单减法运算获得，也可以按需给拍摄图像或标准图像的值赋予加权值，或者将各像素值之差利用两个以上的阈值转换成多个级别值而获得。如上所述，一实施例中，差分图像只要是可以适当弥补运算方式中检验对象种类或性质的，通过任何运算方式的皆可。进一步为了获得差分图像，可以经过至少对拍摄图像和标准图像之一的预处理过程。
拍摄图像为多个时，差分图像会生成与各拍摄图像对应的数量。
下面“彩色图像”是将拍摄图像、标准图像和差分图像分别作为彩色通道的图像。为了形成彩色图像，形成各图像通道的拍摄图像、标准图像和差分图像可以分别以8比特灰度图像形成。为此，根据需求，后述的缺陷检测装置是拍摄图像、标准图像和差分图像不是8比特灰度图像时，可以转换成8比特灰度图像。此时8比特灰度图像是指各像素值具有8比特的值即0至255中一个亮度值的1通道图像。就是说，没有彩色通道，是以具有0至255中一个亮度值的像素构成的图像。
另外彩色图像可以以将由上述的8比特灰度图像形成的拍摄图像、标准图像和差分图像分别作为不同彩色通道的3通道24比特图像形成。例如，标准图像可以形成红色(RED)通道、拍摄图像可以形成绿色(GREEN)通道，差分图像可以形成蓝色(BLUE)通道，各通道的各像素值可以显示彩色图像各像素的相应颜色的亮度值。此时拍摄图像是多个，故彩色图像可以与各个拍摄图像和差分图像对应地生成。
此时彩色图像用于一实施例的缺陷检测装置和方法中缺陷检测模型的学习。此外利用检测对象的拍摄图像最终生成的彩色图像还可以用于利用学习的缺陷检测模型检测实际检验对象所具有缺陷。
除了以上定义的用语之外其它需要说明的用语是在下面分别进行说明。
图2是说明一实施例的缺陷检测装置的结构的框图。
缺陷检测装置100是用于检测检验对象缺陷所需学习以及利用学习的模型检测缺陷的装置。
所述缺陷检测装置100可以由电子终端实现或者服务器-客户端系统(或云系统)实现，所述系统可以包括安装与用户的交互所需的网上服务应用程序的电子终端。
该电子终端10是可以以通过网络(N)连接远程服务器，或者可与其它终端和服务器连接的计算机，或便携式终端、电视机、可穿戴设备(Wearable Device)等实现。在此计算机例如包括装载网络浏览器(WEB Browser)的笔记本电脑、台式计算机(desktop)、便携式电脑(laptop)等，便携式终端是如可以保证便携性和移动性的无线通信装置，可以包括PCS(Personal Communication System)、PDC(Personal Digital Cellular)、PHS(PersonalHandyphone System)、PDA(Personal Digital Assistant)、GSM(Global System forMobile communications)、IMT(International Mobile Telecommunication)-2000、CDMA(Code Division Multiple Access)-2000、W-CDMA(W-Code Division Multiple Access)、Wibro(Wireless Broadband Internet)、智能手机(Smart Phone)、移动WiMAX(MobileWorldwide Interoperability for Microwave Access)等所有种类的基于手持式(Handheld)的无线通信装置。电视机是可以包括IPTV(Internet Protocol Television)、网络TV(Internet Television)、无线电视、有线电视等。进一步可穿戴设备是如表、眼镜、饰品、服装、鞋等人体可以直接穿戴的信息处理装置，直接或通过其它信息处理装置经过网络连接到远程服务器或连接其它终端。
一实施例的缺陷检测装置100包括输入输出部110、存储部120、通信部130和控制部140中至少一部分。
输入输出部110可以包括用来获得检测检验对象缺陷所需的学习过程或缺陷检测过程中需求的用户输入或者被选择所需文件而需要的输入部和，用来显示操作执行结果或缺陷检测装置100状态等信息的输出部。例如，输入输出部110可以包括接收用户输入的操作面板(operation panel)以及显示画面的显示面板(display panel)等。
具体是，输入部可以包括如键盘、物理按钮、触摸屏、摄像头或麦克风等各种形态的接收用户输入的装置。输出部可以包括显示面板或扬声器等。但并不限于此，输入输出部110可以包括各种支持输入输出的结构。
缺陷检测装置100可以包括存储部120。存储部120可以暂存学习缺陷检测模型所需的多个拍摄图像和标准图像，至少可以暂存利用这些生成的差分图像。进一步，至少可以暂存拍摄图像和标准图像以及利用差分图像获得的彩色图像。存储部120利用彩色图像学习缺陷检测模型的过程中，将已学习的模型在每次被执行学习时更新储存。存储部120可以将各缺陷检测模型分别区分成独立的检测文件储存。
存储部120储存的彩色图像中会标记出缺陷位置，用以学习过程。
缺陷检测装置100还可以包括通信部130。
通信部130可以与其它装置或网络实施有无线通信。为此，通信部130可以包括支持各种有无线通信方法中至少一个的通信模块。例如，通信模块可以以芯片组(chipset)的形态实现。
通信部130支持的无线通信例如是Wi-Fi(Wireless Fidelity)、Wi-Fi Direct、蓝牙(Bluetooth)、UWB(Ultra Wide Band)或者NFC(Near Field Communication)等。通信部130支持的有线通信例如是USB或者HDMI(High Definition Multimedia Interface)等。
尤其通信部130可以与拍摄装置200通信从拍摄装置200接收拍摄图像。此时拍摄装置200例如是具备摄像头等光学仪器的装置。此时拍摄装置200可以是只可拍摄可见光光谱内波长的光的装置，也可以是可以拍摄红外线或X射线等其它波长的光的装置。
控制部140控制缺陷检测装置100的整体动作，可以包括CPU等处理器。控制部140例如为了执行与通过输入输出部110接收的用户输入对应的动作，可以控制缺陷检测装置100中包括的其它结构。
例如，控制部140可以使存储部120中存储的程序运行，或者读取储存于存储部120的文件，或者将新文档存到存储部120。
根据本说明书中记载的一实施例，控制部140可以获得拍摄图像。拍摄图像如上所述是拍摄检验对象获得的图像，是通过上述的拍摄装置200生成并传递到缺陷检测装置100的。此时拍摄图像可以包括将多个检验对象分别拍摄的多个图像。
控制部140如图3所示，可以利用标准图像(a)和各个拍摄图像(b)生成对应各个拍摄图像的差分图像(c)。在此差分图像(c)如上所述，是由控制部140利用拍摄图像(b)和标准图像(a)之差运算而算出。
例如，标准图像(a)可以在存储部120预先储存为8比特的灰度图像，控制部140可以将各个拍摄图像(b)转换成8比特的灰度图像。控制部140从标准图像(a)的各个像素值中减掉各个拍摄图像(b)的各像素值，将以算出的各值作为像素值的8比特灰度图像生成为差分图像(c)。
控制部140通过减法运算以上的追加运算，例如实施对标准图像(a)或拍摄图像(b)的像素值赋予已设定的加权值，或者将用减法运算算出的值与一个以上的阈值比较将各像素值与多个已设定的级别值对应等运算而生成差分图像(c)。
进而控制部140如图4所示，可以利用经过上述过程生成的标准图像(c)、各个拍摄图像(b)以及对应各拍摄图像(b)的差分图像(c)获得彩色图像(d)。此时彩色图像(d)也可以按与各拍摄图像(b)对应的数量生成。
具体是，控制部140可以生成将标准图像(a)、各拍摄图像(b)和对应各个拍摄图像(b)的差分对象(c)作为彩色通道的3通道的彩色图像(d)。此时各个拍摄图像(b)、标准图像(a)和对应各个拍摄图像的差分图像(c)如上所述，可以以8比特的灰度图像形成，其中一部分不符合8比特的灰度图像时，控制部140转换成8比特灰度图像进行彩色图像(d)的生成准备。
然后控制部140生成将各个8比特灰度图像分别作为红、绿、蓝通道的3通道24比特彩色图像(d)。进而生成的彩色图像(d)可以成为将各拍摄图像(b)、标准图像(a)和对应各拍摄图像(b)的差分图像(c)的各像素值作为彩色图像(d)各像素的红、绿、蓝色亮度值的图像。根据实施例，包括标准图像(a)、各拍摄图像(b)以及对应各拍摄图像(b)的差分图像(c)的三个图像可以以与上述的红、绿、蓝不同顺序分别形成相互不同的彩色通道。
控制部140利用如上所述生成的一个以上的彩色图像(d)实施缺陷检测模型的学习。此时控制部140首先为了能从彩色图像(d)中一次性检测缺陷可疑位置，实施缺陷检测模型的学习。
此时控制部140为实施缺陷检测模型的学习而利用的学习对象彩色图像(d)可以分别被标记有缺陷的缺陷位置。为此，缺陷检测装置100可以将学习对象即各个彩色图像(d)中包括的缺陷位置信息从用户通过输入输出部110输入而接收，或者通过其它装置通过通信部130接收已标记缺陷位置的彩色图像(d)。
控制部140可以实施学习标记缺陷位置的学习对象彩色图像(d)而一次性辨别可疑缺陷位置的学习。具体是，控制部140可以实施用于辨别缺陷可疑位置的缺陷检测模型的学习，例如，控制部140可以利用机器技术进一步例如利用深度学习技术实施由人工神经网构成的缺陷检测模型的学习。控制部140将3通道24比特的彩色图像(d)的各像素值作为输入变量，通过将缺陷可疑位置的信息作为结果值求出缺陷检测模型常数值的过程实施缺陷检测模型的学习。
进而缺陷检测模型是可在彩色图像(d)中找到缺陷可疑位置地被学习。
此时通过控制部140学习的缺陷检测模型可以具有如根据RGB值限定在特定范围内的相邻像素形成的样子、面积、与周边像素值的相对关系等检测缺陷可疑位置的特性。例如，图4中图示的例示中，将彩色图像(d)中包含的黄色点分别标记为缺陷位置以后，利用这些图像实施缺陷检测模型的学习。此时黄色点例如可以显示印制电路板中漏孔缺陷，缺陷检测模型是通过学习可以学习这些漏孔缺陷的共同颜色、大小、样子、位置特性等。进一步，除了漏孔缺陷之外，学习包括其它类型缺陷的多个彩色图像(d)时，缺陷检测模型学习到各种类型的缺陷而检测出缺陷可疑位置。
控制部140利用以缺陷可疑位置为中心将一定区域裁剪制作的裁剪图像追加实施缺陷检测模型的学习。
例如，如图5所示，控制部140可以将彩色图像(d)的一定区域裁剪后生成裁剪图片(e)。此时裁剪图像(e)例如是以缺陷可疑位置为中心的已设定大小的区域图像。
控制部140从包含缺陷的学习对象彩色图像(d)中以缺陷位置为中心获得裁剪图像(e)以后，利用该裁剪图像(e)实施缺陷检测模型的学习。此时裁剪图像(e)上可以标出缺陷与否及/或缺陷类型。具体是，如图5所示，该裁剪图像(e)的缺陷为过检的非缺陷时，使用户选择“0.通过”，是缺陷则根据该缺陷类型选择“1.RC”、“2.凸块”、“3.短路”等多个缺陷类型选择按钮(CLS)中的一个，使裁剪图像(e)的缺陷与否或缺陷类型被标记。利用如上所述被标记缺陷与否或缺陷类型的裁剪图像(e)可以进一步实施缺陷检测模型的学习。
进而缺陷检测模型不仅学习得可以更准确地判定缺陷与否，还可以辨别缺陷类型。
图5中图示的例中，裁剪图像(e)中包含的缺陷是漏孔缺陷，故用户可以选择“9.漏孔”按钮，进而控制部140将该裁剪图像(e)标记成漏孔而实施缺陷检测模型的学习。
此时为检测缺陷可疑位置而学习彩色图像的缺陷检测模型和，为检测缺陷与否及/或缺陷类型而学习裁剪图像的缺陷检测模型是可以分别以不同的检测模型构成。
根据一实施例的缺陷检测装置100可以根据缺陷可疑位置具有不同标准地实施缺陷检测模型的学习。例如，检测印制电路板的缺陷时，对于印制电路板的外廓容许某种程度的缺陷，但对电路区域按严格标准辨别缺陷。
控制部140根据对应彩色图像(d)的印制电路板的实际结构，将彩色图像(d)分成多个区域。例如，将彩色图像(d)区域预先分成外廓、网目(Mesh)、电路、压焊、焊垫等多个区域以后，可以辨别检测的缺陷可疑位置对应哪个区域。此时控制部140为了按区分的各区域将缺陷检测标准不同地设置，可以按区域分别实施相互不同的检测模型的学习，各区域的不同检测模型是以相互不同的检测文档形态存到存储部120。
控制部140利用缺陷可疑位置的裁剪图像(e)实施与将该缺陷可疑位置包括的区域对应的缺陷检测模型的学习。
由此根据包括缺陷可疑位置的区域对应哪个区域学习不同的缺陷检测模型，因此可以根据缺陷可疑位置设置不同的检测标准。
另外，控制部140利用如上所述学习的缺陷检测模型实施缺陷检测。为此缺陷检测装置100可以获得为了辨别实际缺陷与否而拍摄对象的拍摄图像(b)。缺陷检测装置100重新如图3所示，利用所获得的拍摄图像(b)和标准图像(a)的差异，生成差分图像(c)。
缺陷检测装置100如图4所示，可以生成将拍摄图像(b)、各标准图像(a)和差分图像(c)作为RGB通道的3通道24比特的彩色图像(d)。
然后控制部140利用已学习的缺陷检测模型辨别彩色图像(d)中包括的缺陷与否和缺陷类型。此时控制部140首先可从彩色图像(d)中提取缺陷可疑位置。为了检测缺陷可疑位置，可以利用学习彩色图像的缺陷检测模型。
然后控制部140检测到缺陷检测位置时，以该缺陷检测位置为中心获得差分图像(e)。此外控制部140利用缺陷检测模型辨别差分图像(e)的缺陷与否及/或缺陷类型。此时为了辨别缺陷与否及/或缺陷类型，可以利用学习差分图像的缺陷检测模型。
进一步，根据包括缺陷可疑位置的区域分别学习的多个检测模型作为各个检测文档被分别储存时，控制部140利用与检测的缺陷可疑位置对应的检测模型读取差分图像(e)。
随之正确辨别有无缺陷或缺陷类型，根据位置上的相对标准精细分类检测对象有无缺陷。
图6至图7是说明一实施例的缺陷检测方法的顺序图。
图6至图7中图示的实施例的缺陷检测方法包括图1或图2中图示的缺陷检测装置100中按时序列处理的步骤。下面即便是省略的内容，但以上关于图1或图2中图示的缺陷检测装置100叙述的内容也可以适用到图6至图7中图示的实施例的缺陷检测方法。
如图6所示，一实施列的缺陷检测方法中缺陷检测装置100可以获得直接拍摄检验对象而获取的拍摄图像。缺陷检测装置100直接包括拍摄手段而获得拍摄图像，或者从包括拍摄手段的其它拍摄装置200接收拍摄图像(S610)。
缺陷检测装置100算出标准图像和拍摄图像的差异而获得差分图像(S620)。
然后缺陷检测装置100将标准图像和各个拍摄图像以及对应各拍摄图像的差分图像分别转换成8比特灰度图像(S630)。标准图像、拍摄图像、差分图像中至少一部分已生成或转换成8比特灰度图像时，对于该图像可以不实施转换程序。例如，标准图像可能已储存为8比特灰度图像，拍摄图像也是在拍摄装置200中已转换成8比特灰度图像被传递。
进一步标准图像和拍摄图像已经是8比特灰度图像的状态下进行运算，进而差分图像也可以生成为8比特灰度图像。
然后缺陷检测装置100可以生成将各个灰度图像作为红、绿、蓝通道的3通道24比特的彩色图像(S640)。例如，拍摄图像可以形成彩色图像红色通道，标准图像可以形成绿色通道，差分图像可以形成蓝色通道，进而彩色图像可以形成对于各像素均具备红、绿、蓝亮度值的图像。
缺陷检测装置100利用如此生成的彩色图像实施缺陷检测模型的学习，或者对已学习的缺陷检测模型输入该彩色图像而检测缺陷与否(S650)。
如上所述，以利用红、绿、蓝3通道的彩色图像判定缺陷与否而通过灰度图像判定缺陷与否，缺陷和背景之间的亮度差不大，因此解决无法正确读取的问题。
另一方面，在上述的缺陷检测方法中，作为可以进一步提升缺陷检测性能的具体学习或缺陷检测方法，根据其它实施例的缺陷检测方法中缺陷检测装置100首先可以确认彩色图像中缺陷可疑位置(S710)。为此各个学习对象彩色图像中已标记缺陷可疑位置，可以利用彩色图像使缺陷检测模型检测出缺陷可疑位置地学习。
缺陷检测装置100可以获得对应缺陷可疑位置的裁剪图像(S720)。实施缺陷检测模型的学习时，裁剪图像可以被设定为在彩色图像中被用户选择的区域。或者利用预先可检测缺陷可疑位置地学习的缺陷检测模型先检测出缺陷可疑位置以后，以缺陷可疑位置为中心获得裁剪图像。
随之缺陷检测装置100利用获得的裁剪图像学习缺陷与否或类型，或者检测出缺陷。
为此根据实施例，缺陷检测装置100可以选择对应缺陷位置的检测文件(S730)。按区域利用不同的检测模型时，缺陷检测装置100调出与缺陷位置所属区域对应的检测模型被储存的检测文档，利用调出的检测文档的检测模型学习裁剪图像或者分析裁剪图像而判定缺陷(S740)。
实施缺陷检测模型的学习时，缺陷检测装置100利用对应缺陷可疑位置的检测模型学习对应缺陷可疑位置的裁剪图像。此时各裁剪对象中可以标记缺陷与否及/或缺陷类型，基此于，与该缺陷可疑位置对应的检测模型可以学习缺陷与否或类型。
利用缺陷检测模型判定检验对象的缺陷时，缺陷检测装置100调出对应缺陷可疑位置的检测文档判定缺陷与否，并将以缺陷可疑位置为中心获得的裁剪图像输入到缺陷检测模型而判定缺陷与否或缺陷类型。
如上所述，缺陷检测装置100可以利用彩色图像实施检测缺陷可疑位置的学习，利用以缺陷可疑位置为中心获得的裁剪图像实施学习具体缺陷与否或类型的两步骤学习。检测缺陷时，缺陷检测装置100也可以实施先利用彩色图像提取缺陷可疑位置以后，以提取的缺陷可疑位置为中心获得裁剪图像后判定具体缺陷与否或类型的两步骤检测过程。
进一步，缺陷检测装置100实施根据缺陷位置不同的检测模型的学习，进而根据印制电路板等检验对象的特性，对每个缺陷可疑位置建立不同的判定标准，用此灵活且合理地实施缺陷检测。
以上实施例中使用的所谓“～部”的用语是指软件或FPGA(field programmablegate array)或者ASIC等硬件构成要素，“～部”执行某种角色。但“～部”的意义并不限于软件或硬件。“～部”可以在可处理的存储介质上配置，也可以使一个或其以上的多个处理器再生地配置。作为一例，“～部”包括软件构成要素、面向对象软件构成要素、类构成要素和任务构成要素等多个构成要素、多个处理器、多个函数、多个属性、多个程序、多个子程序、程序专利代码的多个段、多个驱动器、固件、微代码、电路、数据、数据库、多个数据结构、多个表格、多个阵列及多个变量。
多个构成要素和多个“～部”中提供的功能是，可与更少数的构成要素和多个“～部”结合，或者与追加的多个构成要素和“～部”分离。
不仅如此，多个构成要素和多个“～部”是可以使设备或安全多媒体卡内的一个或其以上的多个CPU再生地实现。
根据图6和图7说明的实施例的缺陷检测方法是可以以储存可在计算机上运行的命令的数据并且可以用计算机读取的介质形态实现。命令和数据可以储存为程序代码形态，通过处理器处理时生成既定的程度模块而执行既定的运行。计算机可读介质是计算机可以访问的任意可用介质，包括易失性和非易失性介质、分离型和非分离型介质。计算机可读介质可以包括计算机记录介质。计算机记录介质包括计算机可读命令、数据结构、程序模块或者其它以数据等信息存储为目的的任意方法或技术实现的易失性和非易失性、分离型和非分离型介质。例如，计算机记录介质可能是HDD和SSD等磁性存储介质，CD、DVD和蓝光光碟等光学记录介质，或者通过网络可以访问的服务器中包括的存储器。
通过图6和图7说明的实施例的缺陷检测方法可以通过包括可用计算机运行的命令的计算机程序(或者计算机程序产品)实现。计算机程序包括通过处理器处理的可编程的命令，可以用高级编程语言(High-level Programming Language)、面向对象编程语言(Object-oriented Programming Language)、汇编语言或机械语言等实现。计算机程序可以记录在计算机可读记录介质(例如存储器、硬盘、磁/光介质或SSD(Solid-State Drive))上。
进而通过图6和图7说明的实施例的缺陷检测方法可以通过如上所述的计算机程序在计算设备上运行而实现。计算设备包括处理器、存储器、存储装置、与存储器和高速扩展端口连接的高速接口、与低速总线和存储装置连接的低速接口中的至少一部分。所述成分分别利用各种总线相互连接，可以安装在通用母板或者用其它适当方式装配。
处理器可在计算设备内处理命令，所述命令例如是，如连接高速接口上的显示器，为了显示在外部输入输出设备上提供GUI(Graphic User Interface)所需的图形信息而储存在存储器或存储装置上的命令。另一实施例是，多个处理器及(或者)多个总线可以适当地与多个存储器和存储形态一起被使用。处理器可以用由包括独立的多个模拟及(或)数字处理器的多个芯片组成的芯片组实现。
存储器是在计算设备内存储信息。一例是，存储器可以由易失性存储单元或其集合组成。另一例是，存储器可以由非易失性存储单元或其集合组成。存储器也可以是磁或光盘等其它形态的计算机可读介质。
存储装置可以给计算设备提供大容量储存空间。存储装置可以是计算机可读介质，或者包括这些介质组成。例如，可以包括SAN(Storage Area Network)内的多个装置或其它组件，可以是硬盘驱动器、硬盘装置、光盘装置或磁带装置、闪存、与其类似的其它半导体存储设备或设备阵列。
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述的技术方案进行修改，而这些修改，并不使相应技术方案的本质脱离本发明各实施例所述技术方案的范围。例如，描述单一型的各个构成要素可以分散实施，同样描述为分散的构成要素也可以以结合形态实现。
本发明的保护范围应根据下述的权利要求范围进行解释，而且在其同等范围内的任何变更或修改等应都属于本发明的权利要求范围。

Claims (14)

1.一种缺陷检测装置，其特征在于，
作为检测检验对象的缺陷的装置，包括：
存储部，储存预定的一个标准图像和，拍摄检验对象获得的至少一个拍摄图像；以及
控制部，运算所述标准图像和各拍摄图像的差异，生成对应各拍摄图像的差分对象，将所述标准图像、各拍摄图像和各差分图像合成，生成对应各拍摄图像的至少一个彩色图像，利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个。
2.根据权利要求1所述的缺陷检测装置，其特征在于，
所述控制部将所述标准图像和所述各拍摄图像，以及对应所述各拍摄图像生成的差分图像形成为8比特灰度图像。
3.根据权利要求2所述的缺陷检测装置，其特征在于，
所述控制部生成将以8比特灰度图像形成的所述标准图像和所述各拍摄图像，以及对应各个拍摄图像生成的差分图像作为相互不同的3个彩色通道的3通道24比特彩色图像。
4.根据权利要求1所述的缺陷检测装置，其特征在于，
所述控制部是，利用所述彩色图像实施缺陷检测模型的学习时，在所述彩色图像中可检测出缺陷可疑位置地第一次实施缺陷检测模型的学习，利用缺陷可疑位置的一定区域图像裁剪获得的裁剪图像可辨别缺陷与否或缺陷类型地第二次实施缺陷检测模型学习。
5.根据权利要求4所述的缺陷检测装置，其特征在于，
所述存储部是，储存使学习根据位置不同的缺陷检测模型所需的各个检测文档；
所述控制部是，利用与所述彩色对象的缺陷可疑位置对应的检测文档实施所述裁剪图像的学习。
6.根据权利要求1所述的缺陷检测装置，其特征在于，
所述控制部是，利用彩色图像实施缺陷检测时，从所述彩色图像中检测缺陷可疑位置，利用将检测出的缺陷可疑位置的一定区域图像裁剪而获得裁剪图像实施缺陷与否或缺陷类型的判定。
7.根据权利要求6所述的缺陷检测装置，其特征在于，
所述存储部是，储存利用根据位置不同的缺陷检测模型实施缺陷检测的各个检测文档；
所述控制部是，利用对应检测出的缺陷可疑位置的检测文档判定所述裁剪图像的缺陷与否或缺陷类型。
8.一种缺陷检测方法，其特征在于，
作为通过缺陷检测装置检测检验对象的缺陷的方法，包括：
获得拍摄检验对象生成的至少一个拍摄图像的步骤；
利用各拍摄图像和预定的一个标准图像之间的差异生成对应各个拍摄图像的差分图像的步骤；
将所述标准图像、各个拍摄图像和各个差分图像合成而生成对应各个拍摄图像的至少一个彩色图像的步骤；以及
利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个的步骤。
9.根据权利要求8所述的缺陷检测方法，其特征在于，
所述彩色图像的生成步骤包括：
将所述标准图像和所述各个拍摄图像，以及对应所述各个拍摄图像生成的差分图像形成为各8比特灰度图像的步骤；以及
生成将以8比特灰度图像形成的所述标准图像和所述各拍摄图像，以及对应所述各个拍摄图像生成的差分图像作为相互不同的3个彩色通道的3通道24比特彩色图像的步骤。
10.根据权利要求9所述的缺陷检测方法，其特征在于，
利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个的步骤包括：
从所述彩色图像中检测缺陷可疑位置的步骤；
将检测的缺陷可疑位置的一定区域图像裁剪而获得裁剪图像的步骤；
利用所述裁剪图像实施缺陷与否或缺陷类型学习或判定的步骤。
11.根据权利要求10所述的缺陷检测方法，其特征在于，
利用生成的彩色图像实施缺陷检测模型的学习或缺陷检测中至少一个的步骤包括：
实施利用所述彩色图像检测缺陷可疑位置所需学习的步骤。
12.根据权利要求10所述的缺陷检测方法，其特征在于，
所述缺陷检测方法是，
还包括：保持根据位置不同的缺陷检测模型的步骤；
利用所述裁剪图像实施缺陷与否或缺陷类型学习或判定的步骤包括：利用与检测的缺陷可疑位置对应的缺陷检测模型实施利用所述裁剪图像的缺陷与否或缺陷类型的学习或判定的步骤。
13.一种记录权利要求8所述方法的实施程序的计算机可读记录介质。
14.一种通过缺陷检测装置实施且为实施权利要求8所述方法而储存在介质中的计算机程序。
CN201811636492.8A 2018-10-11 2018-12-29 缺陷检测装置及方法 Active CN109916906B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180120853A KR102175286B1 (ko) 2018-10-11 2018-10-11 결함 검출 장치 및 방법
KR10-2018-0120853 2018-10-11

Publications (2)

Publication Number Publication Date
CN109916906A true CN109916906A (zh) 2019-06-21
CN109916906B CN109916906B (zh) 2022-10-14

Family

ID=66959925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811636492.8A Active CN109916906B (zh) 2018-10-11 2018-12-29 缺陷检测装置及方法

Country Status (3)

Country Link
KR (1) KR102175286B1 (zh)
CN (1) CN109916906B (zh)
TW (1) TWI718573B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110487803A (zh) * 2019-08-20 2019-11-22 Oppo（重庆）智能科技有限公司 红外发光元件的缺陷检测方法和装置
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
CN110763699A (zh) * 2019-10-12 2020-02-07 广州兴森快捷电路科技有限公司 线路板的内层互连缺陷的分析方法及线路板
CN111008961A (zh) * 2019-11-25 2020-04-14 深圳供电局有限公司 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN111507975A (zh) * 2020-04-23 2020-08-07 西南交通大学 一种牵引变电所户外绝缘子异常检测方法
CN112184689A (zh) * 2020-10-12 2021-01-05 罗建华 一种半导体器件检测方法、装置、智能终端及存储介质
CN112394071A (zh) * 2019-08-16 2021-02-23 乐人株式会社 基板缺陷检查装置及方法
JP2021089219A (ja) * 2019-12-05 2021-06-10 東洋製罐グループホールディングス株式会社 画像検査システム、及び画像検査方法
CN113111828A (zh) * 2021-04-23 2021-07-13 中国科学院宁波材料技术与工程研究所 一种轴承三维缺陷检测方法及系统
CN113516612A (zh) * 2020-04-13 2021-10-19 阿里巴巴集团控股有限公司 数据处理方法、装置、设备和存储介质
JP2021180309A (ja) * 2020-05-15 2021-11-18 清華大学Tsinghua University 深層学習に基づく２次元ｐｃｂ外観欠陥のリアルタイム自動検出方法
WO2022009009A1 (en) * 2020-07-08 2022-01-13 International Business Machines Corporation Printed circuit board assembly defect detection
CN114299056A (zh) * 2021-12-31 2022-04-08 中国联合网络通信集团有限公司 图像的瑕疵点的识别方法、瑕疵图像识别模型训练方法
CN114862856A (zh) * 2022-07-07 2022-08-05 成都数之联科技股份有限公司 一种面板缺陷区域识别方法、装置、电子设备及介质
CN115115625A (zh) * 2022-08-26 2022-09-27 聊城市正晟电缆有限公司 基于图像处理的电缆生产异常检测方法
US20220392190A1 (en) * 2019-11-06 2022-12-08 Fuji Corporation Image processing device, component mounting system, and image processing method

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10977509B2 (en) 2017-03-27 2021-04-13 Samsung Electronics Co., Ltd. Image processing method and apparatus for object detection
TWI770561B (zh) * 2020-07-22 2022-07-11 鴻海精密工業股份有限公司 產品瑕疵檢測方法、電腦裝置及儲存介質
CN112085722B (zh) * 2020-09-07 2024-04-09 凌云光技术股份有限公司 一种训练样本图像获取方法及装置
KR102505484B1 (ko) * 2020-12-18 2023-03-03 한국공학대학교산학협력단 딥러닝 기반의 타이어 외관 결함 검출 방법 및 장치
KR102394093B1 (ko) * 2021-09-13 2022-05-04 오병후 헬기블레이드의 엑스레이 촬영 이미지를 이용한 불량판독방법
KR102471441B1 (ko) 2021-12-20 2022-11-28 주식회사 아이코어 딥 러닝을 기반으로 고장을 검출하는 비전 검사 시스템
CN114466183B (zh) * 2022-02-21 2024-09-24 江东电子材料有限公司 基于特征光谱的铜箔瑕疵检测方法、装置和电子设备
WO2024049201A1 (ko) * 2022-08-31 2024-03-07 주식회사 엘지에너지솔루션 배터리 전극 검사 장치 및 방법
KR102610783B1 (ko) * 2022-11-03 2023-12-07 시냅스이미징(주) Cad 영상을 활용한 전처리가 구현된 딥러닝 검사시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010085679A2 (en) * 2009-01-26 2010-07-29 Kla-Tencor Corporation Systems and methods for detecting defects on a wafer
JP2014092402A (ja) * 2012-11-01 2014-05-19 Mitsubishi Electric Corp 表示装置の欠陥検査方法
CN105894514A (zh) * 2016-04-06 2016-08-24 广东工业大学 一种基于gpu并行运算的印刷品缺陷检测方法及系统
CN108596892A (zh) * 2018-04-23 2018-09-28 西安交通大学 一种基于改进LeNet-5模型的焊缝缺陷识别方法
CN108896550A (zh) * 2018-03-30 2018-11-27 湖北工程学院 面膜印刷质量检测方法和系统
CN109084957A (zh) * 2018-08-31 2018-12-25 华南理工大学 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3344338B2 (ja) * 1997-12-25 2002-11-11 日本電気株式会社 画像の欠陥検出装置及びその欠陥検出方法
US7067763B2 (en) * 2002-05-17 2006-06-27 Gsi Group Corporation High speed, laser-based marking method and system for producing machine readable marks on workpieces and semiconductor devices with reduced subsurface damage produced thereby
US7917554B2 (en) * 2005-08-23 2011-03-29 Ricoh Co. Ltd. Visibly-perceptible hot spots in documents
US9241731B2 (en) * 2012-04-09 2016-01-26 Ethicon Endo-Surgery, Inc. Rotatable electrical connection for ultrasonic surgical instruments
CN103234476B (zh) * 2013-04-01 2014-04-02 廖怀宝 物体二维轮廓识别方法
JP6395481B2 (ja) * 2014-07-11 2018-09-26 キヤノン株式会社 画像認識装置、方法及びプログラム
JP2016212539A (ja) 2015-05-01 2016-12-15 富士通株式会社 情報処理装置、欠陥箇所判定プログラム、および欠陥箇所判定方法
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010085679A2 (en) * 2009-01-26 2010-07-29 Kla-Tencor Corporation Systems and methods for detecting defects on a wafer
JP2014092402A (ja) * 2012-11-01 2014-05-19 Mitsubishi Electric Corp 表示装置の欠陥検査方法
CN105894514A (zh) * 2016-04-06 2016-08-24 广东工业大学 一种基于gpu并行运算的印刷品缺陷检测方法及系统
CN108896550A (zh) * 2018-03-30 2018-11-27 湖北工程学院 面膜印刷质量检测方法和系统
CN108596892A (zh) * 2018-04-23 2018-09-28 西安交通大学 一种基于改进LeNet-5模型的焊缝缺陷识别方法
CN109084957A (zh) * 2018-08-31 2018-12-25 华南理工大学 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其系统

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112394071A (zh) * 2019-08-16 2021-02-23 乐人株式会社 基板缺陷检查装置及方法
CN112394071B (zh) * 2019-08-16 2024-04-09 乐人株式会社 基板缺陷检查装置及方法
CN110487803A (zh) * 2019-08-20 2019-11-22 Oppo（重庆）智能科技有限公司 红外发光元件的缺陷检测方法和装置
CN110763699A (zh) * 2019-10-12 2020-02-07 广州兴森快捷电路科技有限公司 线路板的内层互连缺陷的分析方法及线路板
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
US20220392190A1 (en) * 2019-11-06 2022-12-08 Fuji Corporation Image processing device, component mounting system, and image processing method
CN111008961A (zh) * 2019-11-25 2020-04-14 深圳供电局有限公司 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN111008961B (zh) * 2019-11-25 2021-10-19 深圳供电局有限公司 一种输电线路设备缺陷检测方法及其系统、设备、介质
JP2021089219A (ja) * 2019-12-05 2021-06-10 東洋製罐グループホールディングス株式会社 画像検査システム、及び画像検査方法
CN113516612A (zh) * 2020-04-13 2021-10-19 阿里巴巴集团控股有限公司 数据处理方法、装置、设备和存储介质
CN111507975A (zh) * 2020-04-23 2020-08-07 西南交通大学 一种牵引变电所户外绝缘子异常检测方法
JP7347836B2 (ja) 2020-05-15 2023-09-20 清華大学 深層学習に基づく２次元ｐｃｂ外観欠陥のリアルタイム自動検出方法
JP2021180309A (ja) * 2020-05-15 2021-11-18 清華大学Tsinghua University 深層学習に基づく２次元ｐｃｂ外観欠陥のリアルタイム自動検出方法
TWI796681B (zh) * 2020-05-15 2023-03-21 清華大學 基於深度學習的二維ｐｃｂ外觀缺陷實時自動檢測之方法
WO2022009009A1 (en) * 2020-07-08 2022-01-13 International Business Machines Corporation Printed circuit board assembly defect detection
US11423577B2 (en) 2020-07-08 2022-08-23 International Business Machines Corporation Printed circuit board assembly defect detection
GB2612503A (en) * 2020-07-08 2023-05-03 Ibm Printed circuit board assembly defect detection
CN112184689B (zh) * 2020-10-12 2024-06-25 罗建华 一种半导体器件检测方法、装置、智能终端及存储介质
CN112184689A (zh) * 2020-10-12 2021-01-05 罗建华 一种半导体器件检测方法、装置、智能终端及存储介质
CN113111828A (zh) * 2021-04-23 2021-07-13 中国科学院宁波材料技术与工程研究所 一种轴承三维缺陷检测方法及系统
CN114299056A (zh) * 2021-12-31 2022-04-08 中国联合网络通信集团有限公司 图像的瑕疵点的识别方法、瑕疵图像识别模型训练方法
CN114862856A (zh) * 2022-07-07 2022-08-05 成都数之联科技股份有限公司 一种面板缺陷区域识别方法、装置、电子设备及介质
CN115115625B (zh) * 2022-08-26 2022-11-04 聊城市正晟电缆有限公司 基于图像处理的电缆生产异常检测方法
CN115115625A (zh) * 2022-08-26 2022-09-27 聊城市正晟电缆有限公司 基于图像处理的电缆生产异常检测方法

Also Published As

Publication number Publication date
KR20200046137A (ko) 2020-05-07
CN109916906B (zh) 2022-10-14
TWI718573B (zh) 2021-02-11
TW202014985A (zh) 2020-04-16
KR102175286B1 (ko) 2020-11-06

Similar Documents

Publication Publication Date Title
CN109916906A (zh) 缺陷检测装置及方法
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
US10127689B2 (en) Mobile user interface design testing tool
CN108764270B (zh) 一种利用卷积神经网络集成的信息隐藏检测方法
CN104596929A (zh) 确定空气质量的方法及设备
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
EP4163889A1 (en) System for counting quantity of game tokens
CN107491771A (zh) 人脸检测方法和装置
CN109871895A (zh) 电路板的缺陷检测方法和装置
CN109754444B (zh) 图像着色方法和装置
TW202001699A (zh) 利用人工智慧的瑕疵檢測系統及其方法
CN109948637A (zh) 对象检测装置、对象检测方法及计算机可读介质
CN114549390A (zh) 电路板检测方法、电子装置及存储介质
CN114461986A (zh) 一种训练识别标识模型的方法、图像识别的方法和装置
CN104657989B (zh) 基于图像对目标对象进行测量的方法和装置
Kamal et al. IOT Automation with Segmentation Techniques for Detection of Plant Seedlings in Agriculture
CN110321944A (zh) 一种基于接触网画质评估的深度神经网络模型的构建方法
TWI830815B (zh) 使用者終端故障檢測方法、裝置、電腦裝置及存儲介質
CN110310341A (zh) 颜色算法中默认参数的生成方法、装置、设备和存储介质
CN112989312B (zh) 验证码的识别方法、装置、电子设备和存储介质
CN108921138A (zh) 用于生成信息的方法和装置
CN118115835A (zh) 导光板缺陷小样本数据扩充方法、系统、设备及存储介质
CN114120382A (zh) 一种人脸识别系统的测试方法、装置、电子设备及介质
US20160086377A1 (en) Determining an image target's suitability for color transfer in an augmented reality environment
CN114046882A (zh) 一种获取光学设备的颜色测试信息的方法与设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40009201

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant