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

CN112033965B - 基于差分图像分析的3d弧形表面缺陷检测方法 - Google Patents

基于差分图像分析的3d弧形表面缺陷检测方法 Download PDF

Info

Publication number
CN112033965B
CN112033965B CN202010926916.5A CN202010926916A CN112033965B CN 112033965 B CN112033965 B CN 112033965B CN 202010926916 A CN202010926916 A CN 202010926916A CN 112033965 B CN112033965 B CN 112033965B
Authority
CN
China
Prior art keywords
image
gray
point
standard
region
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
Application number
CN202010926916.5A
Other languages
English (en)
Other versions
CN112033965A (zh
Inventor
潘坤
郭右利
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.)
Dalian Naishi Technology Co ltd
Original Assignee
Dalian Naishi Technology Co ltd
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 Dalian Naishi Technology Co ltd filed Critical Dalian Naishi Technology Co ltd
Priority to CN202010926916.5A priority Critical patent/CN112033965B/zh
Publication of CN112033965A publication Critical patent/CN112033965A/zh
Application granted granted Critical
Publication of CN112033965B publication Critical patent/CN112033965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及机器视觉图像分析技术领域，提供一种基于差分图像分析的3D弧形表面缺陷检测方法，包括：步骤100，获取标准图像；步骤200，分别以K1、K2、K3…Kn为曝光参数，对待测件进行图像采集；步骤300，将K1对应的待测件图像进行Q1区域图像提取，获得Q1区域内每个点的灰度值；步骤400，计算待测件和标准合格件的灰度校正系数；步骤500，对待测件和标准合格件进行差分图像分析，得出所有点的灰度差分值；当点的灰度差分值大于阈值时，判断该点为缺陷点；步骤600，重复步骤300‑500，将所有区域内的缺陷点都分析出来，并将缺陷的位置信息进行标记。本发明能够实现缺陷定位，提高弧形表面缺陷检测效率。

Description

基于差分图像分析的3D弧形表面缺陷检测方法
技术领域
本发明涉及机器视觉图像分析技术领域，尤其涉及一种基于差分图像分析的3D弧形表面缺陷检测方法。
背景技术
平面表面缺陷检测在机器视觉领域内不是难题，有多种简易的检测方式，但当工件表面是3D弧形表面时，其缺陷想要一次性快速完成检测却比较困难。
目前，对于弧形表面的缺陷检测是通过多相机加上结构光来进行的，通过360°环形光源照射结合相机取图或者是工件自身旋转再结合线阵或面阵相机采集图像，后期还需对大量图像进行拼接处理，整个过程处理起来比较复杂且繁琐，而且分析区域依然会存在盲区漏检的情况。无法采用单光源、单相机检测出当前待检品表面的所有缺陷，从而造成漏检的现象。
发明内容
本发明主要解决现有技术的弧形表面的缺陷检测处理起来比较复杂且繁琐，分析区域会存在盲区漏检的技术问题，提出一种基于差分图像分析的3D弧形表面缺陷检测方法，通过将不同曝光值下采集的检测图像中的正常曝光区域与标准图像下相同区域的灰度值进行差分计算，从而实现缺陷定位，提高弧形表面缺陷检测效率。
本发明提供了一种基于差分图像分析的3D弧形表面缺陷检测方法，包括以下过程：
步骤100，获取标准图像；
步骤101，获取标准合格件的平面图像；
步骤102，将相机拍摄的平面图像，以图片中心作为参考点从内向外划分为n块区域，形成标准图像区域划分；其中，n＝2，3，4，…n；每个区域分别标记为Q1,Q2,Q3…Qn；
步骤103，以K1作为工业相机的曝光参数对标准合格件进行图像采集，使得图像中的Q1区域全部为正常曝光水平，此时将Q1区域的灰度图保存为UQ1，其余区域的图像删除，得到Q1区域的灰度值集QS1，QS1＝{x11，x12，x13…,xij}；
步骤104，分别以K2、K3、…Kn作为相机曝光参数对标准合格件进行图像采集，通过上述的处理方式，获取到对应Q2、Q3、…Qn区域的局部正常曝光灰度图UQ2、UQ3、…UQn以及灰度值QS2、QS3、…QSn；
步骤105，合并Q1,Q2,Q3…Qn，得到全区域范围下的正常曝光灰度图Z，作为标准图像；Z＝UQ1∪UQ2∪UQ3∪…UQn；
步骤200，分别以K1、K2、K3…Kn为曝光参数，对待测件进行图像采集，分别得到n幅待测件图像；
步骤300，将K1对应的待测件图像进行Q1区域图像提取，获得Q1区域内每个点的灰度值QW1＝{y11，y12，y13…yij}；
步骤400，计算待测件和标准合格件的灰度校正系数；
步骤500，对待测件和标准合格件进行差分图像分析，得出所有点的灰度差分值；当点的灰度差分值大于阈值时，判断该点为缺陷点；
步骤600，重复步骤300-500，将所有区域内的缺陷点都分析出来，并将缺陷的位置信息进行标记，将所有点的灰度差分值以灰度图的形式在同一张图内显示出来，得到待测件的缺陷特征图。
进一步的，步骤400中，通过以下公式得到灰度校正系数：
其中，ns表示灰度校正系数；QW1表示区域内每个点的灰度值；QS1表示灰度图UQ1内所有点的灰度值集。
进一步的，步骤500中，通过以下公式对待测件和标准合格件进行差分图像分析：
Δt＝QS1-nsQW1
其中，Δt表示灰度差分值。
本发明提供的一种基于差分图像分析的3D弧形表面缺陷检测方法，首先取得当前检测件的标准灰度图像(后简称标准图像)，然后再进行待测件的图像采集、差分处理以及缺陷特征提取。与现有技术相比具有以下优点：
1、仅需普通工业相机和LED光源即可实现3D弧形表面缺陷检测，成本较低，检测速度快、检测效率高。本发明克服了现有技术无法采用单光源、单相机检测出当前待检品表面的所有缺陷，从而造成漏检的现象。从成本的角度，本发明的主要硬件装置仅利用单光源单相机，实现了快速检测缺陷的目的，能有效降低成本。
2、无需对相机位置或者光源亮度及安装位置进行调整即可完成3D弧形表面的缺陷检测，结构非常简单。
3、通过系统内部的自动参数设置及后期的差分图像计算算法解决了待检品的全表面范围(正对相机的采集视场)的检测，没有检测盲区。
4、适用于表面具有漫反射属性的金属(非镜面)或非金属物体3D弧形表面缺陷检测。
附图说明
图1是本发明提供的基于差分图像分析的3D弧形表面缺陷检测方法的实现流程图；
图2是本发明提供的基于差分图像分析的3D弧形表面缺陷检测方法的检测原理示意图；
图3是标准图像区域划分示意图；
图4是Q1区域的灰度值集的示意图；
图5是Q1区域内每个点的灰度值的示意图；
图6是特定曝光参数(范围值)下的可见特征和不可见特征图像；
图7是采用与图6不同曝光参数(范围值)下的可见特征和不可见特征图像；
图8是图6与图7图像分别与标准图做差分处理后的特征合成图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
图1为本发明实施例提供的基于差分图像分析的3D弧形表面缺陷检测方法的实现流程图。如图1所示，本发明实施例提供的基于差分图像分析的3D弧形表面缺陷检测方法，包括：
步骤100，获取标准图像。本步骤包括以下过程：
步骤101，获取标准合格件的平面图像。
本步骤将光源固定安装在工业相机附近的某个位置，以实际应用为准；选取表面无任何缺陷的标准合格件，正放置于工业相机和光源的下方，整个采集过程，光源亮度恒定，通过改变相机快门时间来控制不同的曝光量，获取标准合格件的平面图像。
步骤102，将相机拍摄的平面图像，以图片中心作为参考点从内向外划分为n块区域，形成标准图像区域划分。
本步骤一共划分n块区域(n＝2，3，4，…n)，从内往外进行划分，划分后的图像即为标准图像。被划分的区域其外廓形状可以是不仅仅限于圆形、椭圆形、矩形、梯形和正方形等规则形状，也可以是按相机采集待测件表面的曝光图中的有效光效边界作为区域划分边界形状来划分，划分区域的面积或者某个方向的尺寸是否等分不做特定要求，以实际需要为准。本实施例将以圆环形非等分的划分区域作为展示。
为了简单描述本发明的原理，本实施例中n取3，实际取值视具体检测效果来定。见图2和3所示，图2中1表示工业相机，2表示光源，3表示标准合格件或待测件，4表示工控机。工件表面被采集的图像是个圆形区域，从内往外划分为3个部分，每个区域分别标记为Q1,Q2,Q3。
步骤103，以K1作为工业相机的曝光参数对标准合格件进行图像采集，使得图像中的Q1区域全部为正常曝光水平，此时将Q1区域的灰度图保存为UQ1，其余区域的图像删除，得到Q1区域的灰度值集。
将UQ1内所有点(每个点即为CCD传感器上的一个相元)的灰度值集QS1，QS1＝{x11，x12，x13…,xij}如图4所示，其中，x11，x12，x13…表示对应像元的标准参考灰度值。参数K1的取值使得：QS1∈[P,Q]。其中，[P,Q]为自定义的正常曝光水平下的灰度值范围，K1的取值需要经过多次的曝光测试和计算。
步骤104，分别以K2、K3作为相机曝光参数对标准合格件进行图像采集，通过上述的处理方式，获取到对应Q2、Q3区域的局部正常曝光灰度图UQ2、UQ3，灰度值QS2、QS3以及参数K2、K3；
步骤105，合并UQ1,UQ2,UQ3，全区域范围下的正常曝光灰度图Z，作为标准图像；Z＝UQ1∪UQ2∪UQ3。
步骤200，分别以K1、K2、K3为曝光参数，对待测件进行图像采集，分别得到三幅待测件图像。
步骤300，将K1对应的待测件图像进行Q1区域图像提取，获得Q1区域内每个点(像元)的灰度值QW1＝{y11，y12，y13…yij}，如图5所示。
步骤400，计算待测件和标准合格件的灰度校正系数ns。
由于待测件与标准合格件的表面反射特性不会完全一致，在同样的K1曝光参数下，待测件的表面灰度水平和标准合格件会有细微的差别，因此，本步骤对步骤300中的区域内每个点的灰度值进行校正，通过以下公式得到灰度校正系数：
其中，ns表示灰度校正系数；QW1表示区域内每个点的灰度值；QS1表示灰度图UQ1内所有点的灰度值集。
步骤500，对待测件和标准合格件进行差分图像分析，得出所有点的灰度差分值；当点的灰度差分值大于阈值时，判断该点为缺陷点。
将QW1与QS1进行差分处理，利用以下公式对区域内每个点的灰度值QW1与灰度值集QS1中的同样点位上的灰度做差分处理：
Δt＝QS1-nsQW1
对于Q1区域每个点的差分计算如下：
Δt11＝x11-nsy11
Δt12＝x12-nsy12
……
Δtij＝xij-nsyij
由此，得出所有点的灰度差分值Δtij，正常区域的Δtij近乎为0，不会大于20。而出现缺陷的区域，其部分点的Δtij值会出现明显异常，往往会大于50甚至100以上。所以此时，我们可以根据多件待测件的实际表面物理特性来反复测试并规定一个判断阈值p，约定当Δtij＞p时，此Δtij所对应的点Ai即为缺陷点。
步骤600，重复步骤300-500，将所有区域内的缺陷点都分析出来，并将缺陷的位置信息进行标记，将所有点的灰度差分值Δtij以灰度图的形式在同一张图内显示出来，即得到当前待测件的缺陷特征图。
通过执行上述的步骤100至步骤600，本发明实施例提供的基于图形图像分析的3D弧面缺陷检测方法，通过比较待测件在不同曝光值下的灰度值图像，与标准无缺陷灰度值图像，从而获得差分值，使所反映的缺陷特征更加精准，为后续缺陷检测提供准确的数据基础。
下面对本实施例的检测方法进一步说明：
由于单次曝光时无法使得全局图像都达到正常曝光，待测件表面上所有的缺陷无法一次性在单张图像中得到全部体现，如图6，图7中的方框1，2，3区域。具体实现原理如下：
如图2所示，在Q1区域，由于相机光源的位置导致光源光线反射入图像采集装置较多，而边缘部分由于部分光线未能反射到相机的CCD范围内，从而导致以K1为曝光参数来采集的全局图像中Q1区域为正常曝光，而Q2、Q3区域为欠曝的状态，如图6所示。在正常曝光的区域内如果存在着划痕或凹坑等缺陷(见图6中方框1和2，1，2号有灰度差异、缺陷明显，但3号无灰度差异、缺陷看不见；通过与标准图像Q1区域的灰度值QS1做差分(定义为计算1)，是可以很容易的识别出缺陷特征，因为无缺陷区域在做灰度差分时，其值等于或接近于0，而有缺陷的区域在做灰度差分时，差值是远大于0的，一般处于50到200之间。
同时，在图6中可看到，Q2区域内的灰度值很低，在方框3内存在一处缺陷但却不可见(因为缺陷和无缺陷区域的灰度非常接近)，此时需要以K2作为曝光参数对Q2区域进行正常曝光取图，使得方框3的区域得到正常曝光而大幅度提升了灰度值，但缺陷区域由于灰度提升很低与周边形成了反差而凸显出来，如图7所示，1、2号无灰度差异、缺陷不可见，3号有灰度差异、缺陷明显可见；将Q2区的灰度值与标准图像的QS2进行对应区域的差分处理(定义为计算2)，即可得出方框3内的缺陷特征点。但此时Q1区域过曝了，缺陷灰度值与周围正常区域基本一致，无差异体现。
Q3区域的分析采取与前述一样的方式，其中的差分处理定义为计算3。
因此，Q1,Q2,Q3区域经过上述的计算1、2、3的分别处理，可以得出全局范围内所有的缺陷特征信息，见图8所示。
本发明在固定光源和图像采集系统的搭配下，检测系统通过调整图像采集器(工业相机)的曝光参数来分多次采集待检品的表面图像，对这些图像进行灰度处理后利用差分图像处理算法(与标准灰度图做差分)提取图像的特征数据，然后根据特征数据进行表面缺陷的判定与定位，整个过程中，光源和相机都是固定不动的。此方法对于弧形表面的缺陷检测有着重要意义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部技术特征进行等同替换，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。

Claims (1)

1.一种基于差分图像分析的3D弧形表面缺陷检测方法，其特征在于，包括以下过程：
步骤100，获取标准图像；
步骤101，获取标准合格件的平面图像；
步骤102，将相机拍摄的平面图像，以图片中心作为参考点从内向外划分为n块区域，形成标准图像区域划分；其中，n＝2，3，4，…n；每个区域分别标记为Q1,Q2,Q3…Qn；
步骤103，以K1作为工业相机的曝光参数对标准合格件进行图像采集，使得图像中的Q1区域全部为正常曝光水平，此时将Q1区域的灰度图保存为UQ1，其余区域的图像删除，得到Q1区域的灰度值集QS1，QS1＝{x11，x12，x13…,xij}；
步骤104，分别以K2、K3、…Kn作为相机曝光参数对标准合格件进行图像采集，按照上述步骤103中处理Q1区域相同的处理方式，获取到对应Q2、Q3、…Qn区域的局部正常曝光灰度图UQ2、UQ3、…UQn以及灰度值QS2、QS3、…QSn；
步骤105，合并Q1,Q2,Q3…Qn，得到全区域范围下的正常曝光灰度图Z，作为标准图像；Z＝UQ1∪UQ2∪UQ3∪…UQn；
步骤200，分别以K1、K2、K3…Kn为曝光参数，对待测件进行图像采集，分别得到n幅待测件图像；
步骤300，将K1对应的待测件图像进行Q1区域图像提取，获得Q1区域内每个点的灰度值QW1＝{y11，y12，y13…yij}；
步骤400，计算待测件和标准合格件的灰度校正系数；
步骤400中，通过以下公式得到灰度校正系数：
其中，ns表示灰度校正系数；QW1表示区域内每个点的灰度值；QS1表示灰度图UQ1内所有点的灰度值集；
步骤500，对待测件和标准合格件进行差分图像分析，得出所有点的灰度差分值；当点的灰度差分值大于阈值时，判断该点为缺陷点；
步骤500中，通过以下公式对待测件和标准合格件进行差分图像分析：
Δt＝QS1-nsQW1
其中，Δt表示灰度差分值；
步骤600，重复步骤300-500，将所有区域内的缺陷点都分析出来，并将缺陷的位置信息进行标记，将所有点的灰度差分值以灰度图的形式在同一张图内显示出来，得到待测件的缺陷特征图。
CN202010926916.5A 2020-09-07 2020-09-07 基于差分图像分析的3d弧形表面缺陷检测方法 Active CN112033965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010926916.5A CN112033965B (zh) 2020-09-07 2020-09-07 基于差分图像分析的3d弧形表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010926916.5A CN112033965B (zh) 2020-09-07 2020-09-07 基于差分图像分析的3d弧形表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112033965A CN112033965A (zh) 2020-12-04
CN112033965B true CN112033965B (zh) 2024-02-20

Family

ID=73583849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010926916.5A Active CN112033965B (zh) 2020-09-07 2020-09-07 基于差分图像分析的3d弧形表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112033965B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112730424A (zh) * 2020-12-11 2021-04-30 上海大学 一种航空插头针脚缺陷检测装置及方法
CN112763502B (zh) * 2020-12-29 2024-03-12 华侨大学 一种弧面光泽均匀性检测方法
CN112819717A (zh) * 2021-01-29 2021-05-18 山东建筑大学 一种刨花板图像灰度值校正方法及装置
CN113674273B (zh) * 2021-09-16 2021-12-31 深圳市光明顶照明科技有限公司 一种基于产品缺陷的光学检测方法、系统和可读存储介质
CN114594102B (zh) * 2022-03-29 2023-02-28 吉安易巴克电子科技有限公司 一种基于机器视觉的数据线接口自动检测方法
CN115308216B (zh) * 2022-10-12 2023-03-10 山东创新精密科技有限公司 在线检测铝型材表面缺陷的装置及方法
CN116223515B (zh) * 2023-05-05 2023-07-11 成都中航华测科技有限公司 一种用于电路板测试过程的导电图形缺陷检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021628A (zh) * 2015-07-19 2015-11-04 中北大学 一种用于光纤倒像器表面缺陷的检测方法
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040027618A1 (en) * 2002-06-03 2004-02-12 Fuji Photo Film Co., Ltd. Image defect detecting method
CN108387587B (zh) * 2018-01-22 2020-07-31 京东方科技集团股份有限公司 缺陷检测方法及缺陷检测设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105021628A (zh) * 2015-07-19 2015-11-04 中北大学 一种用于光纤倒像器表面缺陷的检测方法
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
粉末冶金齿轮的视觉缺陷检测方法研究;李凯;王化明;沈玮;郭交通;朱银龙;范志成;;机械制造与自动化;20190420(第02期);全文 *

Also Published As

Publication number Publication date
CN112033965A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN112033965B (zh) 基于差分图像分析的3d弧形表面缺陷检测方法
CN111047568B (zh) 一种漏汽缺陷检测识别方法及系统
CN109525840B (zh) 一种成像芯片上微弱缺陷的检测方法
CN111025701B (zh) 一种曲面液晶屏幕检测方法
CN105812790B (zh) 图像传感器感光面与光轴垂直度的评测方法及光学测试卡
CN111325717B (zh) 手机缺陷位置识别方法及设备
CN108416817B (zh) 一种残影校正系数自动获得方法
CN108445010B (zh) 自动光学检测方法及装置
JP2023024482A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
WO2004083901A2 (en) Detection of macro-defects using micro-inspection inputs
JP2023534175A (ja) Ｌｆａ試験片のニューラル・ネットワーク分析
EP4010873B1 (en) Use of an hdr image in a visual inspection process
CN113808104B (zh) 一种基于分块的金属表面缺陷检测方法及系统
CN110225335A (zh) 相机稳定性评估方法及装置
CN114428110A (zh) 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统
CN117011300B (zh) 一种实例分割与二次分类相结合的微小缺陷检测方法
JP2005283197A (ja) 画面のスジ欠陥検出方法及び装置
CN117495791A (zh) 一种表面缺陷定位方法
JP2004134861A (ja) 解像度評価方法、解像度評価プログラム、および光学機器
WO2019126916A1 (zh) 一种测试方法、装置及终端
US20230138331A1 (en) Motion in images used in a visual inspection process
Rosenberger Multispectral edge detection algorithms for industrial inspection tasks
JP4405407B2 (ja) 欠陥検査装置
JP3745075B2 (ja) 膜厚測定装置
CN111062887A (zh) 基于改进的Retinex算法的图像清晰度判定方法

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