[發明專利]利用可變擴散板的光學系統在審
| 申請號: | 202110379215.9 | 申請日: | 2021-04-08 |
| 公開(公告)號: | CN113514467A | 公開(公告)日: | 2021-10-19 |
| 發明(設計)人: | 宋基永;趙訓民;林鐘奎 | 申請(專利權)人: | 康耐視公司 |
| 主分類號: | G01N21/88 | 分類號: | G01N21/88;G01N21/01 |
| 代理公司: | 北京清亦華知識產權代理事務所(普通合伙) 11201 | 代理人: | 宋融冰 |
| 地址: | 美國馬*** | 國省代碼: | 暫無信息 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 利用 可變 擴散 光學系統 | ||
1.一種缺陷檢查裝置,用于判斷檢查對象物體是否存在異常,其特征在于,
包括:
照明系統,設置有光源及可變擴散器,上述光源通過向上述檢查對象物體照射光來造影,上述可變擴散器位于上述光源與檢查對象物體之間,能夠調節向檢查對象物體透射的光的擴散度;以及
一個以上的處理器,以上述檢查對象物體的特性為基礎,控制上述可變擴散器。
2.根據權利要求1所述的缺陷檢查裝置,其特征在于,能夠根據上述處理器的電信號調節通過上述可變擴散器的光的擴散度。
3.根據權利要求1所述的缺陷檢查裝置,其特征在于,上述可變擴散器包括根據上述處理器的電信號調節透明度的液晶膜。
4.根據權利要求1所述的缺陷檢查裝置,其特征在于,上述可變擴散器為根據上述處理器的控制信號調節配置狀態的擴散器。
5.根據權利要求1所述的缺陷檢查裝置,其特征在于,上述處理器控制上述可變擴散器,使得上述可變擴散器根據檢查對象物體的表面特征,向檢查對象物體的表面的各個區域透射擴散度不同的光。
6.根據權利要求1所述的缺陷檢查裝置,其特征在于,
還包括用于獲取圖像數據的拍攝部,
上述處理器從所獲取的上述圖像數據識別檢查對象物體,以所識別的物體為基礎,確定向檢查對象物體透射的光的擴散度,并根據所確定的上述光的擴散度控制上述可變擴散器。
7.根據權利要求1所述的缺陷檢查裝置,其特征在于,
還包括用于獲取圖像數據的拍攝部,
上述處理器從所獲取的上述圖像數據識別檢查對象物體表面的光反射率,以所識別的上述檢查對象物體表面的光反射率為基礎確定向上述檢查對象物體透射的光的擴散度,并根據所確定的上述光的擴散度控制上述可變擴散器。
8.根據權利要求1所述的缺陷檢查裝置,其特征在于,
還包括用于獲取圖像數據的拍攝部,
上述處理器從通過上述拍攝部獲取的圖像數據識別檢查對象物體,
在上述檢查對象物體表面的至少一區域所需的光的擴散度與剩余其他區域不同的情況下,控制上述可變擴散器,使得上述可變擴散器具有兩個以上的互不相同的透明度。
9.根據權利要求8所述的缺陷檢查裝置,其特征在于,上述處理器控制上述可變擴散器,使得上述可變擴散器所包含的兩個以上的區域具有互不相同的透明度。
10.根據權利要求8所述的缺陷檢查裝置,其特征在于,上述處理器依次控制上述可變擴散器,使得上述可變擴散器具有互不相同的兩個以上的透明度。
11.根據權利要求1所述的缺陷檢查裝置,其特征在于,
還包括:
拍攝部,用于獲取圖像數據;以及
存儲器,存儲基于深度學習的模型,
上述處理器利用上述基于深度學習的模型所包含的一個以上的子模型判斷上述圖像數據所包含的檢查對象物體是否存在缺陷,
上述一個以上的子模型對上述可變擴散器所具有的互不相同的透明度分別進行學習。
12.根據權利要求11所述的缺陷檢查裝置,其特征在于,
在上述處理器中,
在上述可變擴散器未使所透射的光擴散的情況下,向上述基于深度學習的模型的第一子模型輸入所獲取的非擴散光圖像數據,由此判斷上述圖像數據所包含的檢查對象物體是否存在缺陷,
在上述可變擴散器使所透射的光擴散的情況下,向上述基于深度學習的模型的第二子模型輸入所獲取的擴散光圖像數據,由此判斷上述圖像數據所包含的檢查對象物體是否存在缺陷。
13.一種存儲有計算機程序的計算機可讀存儲介質,其特征在于,若在根據權利要求1所述的缺陷檢查裝置的一個以上的處理器運行上述計算機程序,則執行用于判斷檢查對象物體是否存在缺陷的動作。
14.一種用于檢查檢查對象物體是否存在異常的方法,其特征在于,在根據權利要求1所述的缺陷檢查裝置中執行。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于康耐視公司,未經康耐視公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110379215.9/1.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:一種柔性發熱布及其制備方法
- 下一篇:基于邊緣場和深度學習的檢查方法





