CN109300127B - 缺陷检测方法、装置、计算机设备及存储介质 - Google Patents
缺陷检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109300127B CN109300127B CN201811110575.3A CN201811110575A CN109300127B CN 109300127 B CN109300127 B CN 109300127B CN 201811110575 A CN201811110575 A CN 201811110575A CN 109300127 B CN109300127 B CN 109300127B
- Authority
- CN
- China
- Prior art keywords
- gaussian
- target
- image
- defect
- current
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 330
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000004744 fabric Substances 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种缺陷检测方法,该方法包括:获取待检测的目标主体对应的目标图像,对所述目标图像进行高斯差分处理得到高斯差分图像,当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置,根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。此外,还提出了一种缺陷检测装置、计算机设备及存储介质。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种缺陷检测方法、装置、计算机设备及存储介质。
背景技术
在工业生产中,需要对生产出的产品进行缺陷检测,比如,在纺织业生产出布匹后,需要检测布匹中是否存在瑕疵或缺陷,便于及时修补,提高布匹质量。传统的缺陷检测方法虽然有很多种,但是要么检测效果不佳,要么计算量大,效率低。因此,亟需要提出一种效率高且效果佳的缺陷检测方法。
发明内容
基于此,有必要针对上述问题,提供一种效率高且效果佳的缺陷检测方法、装置、计算机设备及存储介质。
第一方面,本发明实施例提供一种缺陷检测方法,所述方法包括:
获取待检测的目标主体对应的目标图像;
对所述目标图像进行高斯差分处理得到高斯差分图像;
当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;
根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
在其中一个实施例中,所述对所述目标图像进行高斯差分处理得到高斯差分图像,包括:获取第一高斯核和第二高斯核;采用所述第一高斯核对所述目标图像进行滤波处理,得到第一高斯滤波图像;采用所述第二高斯核对所述目标图像进行滤波处理,得到第二高斯滤波图像;根据所述第一高斯滤波图像和第二高斯滤波图像进行差分得到所述高斯差分图像。
在其中一个实施例中,所述根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息,包括:计算两两缺陷之间的交集面积和两两缺陷之间的并集面积;根据所述两两缺陷之间的交集面积和对应的两两缺陷之间的并集面积计算得到两两缺陷之间的重合度;当所述两两缺陷之间的重合度大于预设阈值时,则将相应的两个缺陷进行合并。
在其中一个实施例中,所述目标主体为布匹,所述目标图像为布匹图像。
在其中一个实施例中,所述获取第一高斯核和第二高斯核,包括:获取两个初始高斯核,将所述两个初始高斯核分别作为当前第一高斯核和当前第二高斯核;根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像;根据所述当前高斯差分图像确定所述目标主体中存在的缺陷,计算各个缺陷对应的当前缺陷总面积;当所述当前缺陷总面积小于预设的面积阈值时,则更新所述当前第一高斯核和当前第二高斯核,进入根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像的步骤,直到当前缺陷总面积不小于预设的面积阈值时停止,将不小于预设的面积阈值的当前缺陷总面积作为目标缺陷总面积;将所述目标缺陷总面积对应的两个高斯核分别作为目标第一高斯核和目标第二高斯核。
在其中一个实施例中,在所述对所述目标图像进行高斯差分处理得到高斯差分图像之前,还包括:对所述目标图像进行灰度处理,得到灰度目标图像;所述对所述目标图像进行高斯差分处理得到高斯差分图像,包括:对所述灰度目标图像进行高斯差分处理得到高斯差分图像。
第二方面,本发明实施例提供一种布匹缺陷检测装置,所述装置包括:
图像获取模块,用于获取待检测的目标主体对应的目标图像;
差分处理模块,用于对所述目标图像进行高斯差分处理得到高斯差分图像;
位置获取模块,用于当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;
缺陷确定模块,用于根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
在一个实施例中,差分处理模块还用于获取第一高斯核和第二高斯核,采用所述第一高斯核对所述目标图像进行滤波处理,得到第一高斯滤波图像,采用所述第二高斯核对所述目标图像进行滤波处理,得到第二高斯滤波图像,根据所述第一高斯滤波图像和第二高斯滤波图像进行差分得到所述高斯差分图像。
在一个实施例中,缺陷确定模块,用于计算两两缺陷之间的交集面积和两两缺陷之间的并集面积;根据所述两两缺陷之间的交集面积和对应的两两缺陷之间的并集面积计算得到两两缺陷之间的重合度;当所述两两缺陷之间的重合度大于预设阈值时,则将相应的两个缺陷进行合并。
在一个实施例中,所述目标主体为布匹,所述目标图像为布匹图像。
在一个实施例中,差分处理模块还用于获取两个初始高斯核,将所述两个初始高斯核分别作为当前第一高斯核和当前第二高斯核;根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像;根据所述当前高斯差分图像确定所述目标主体中存在的缺陷,计算各个缺陷对应的当前缺陷总面积;当所述当前缺陷总面积小于预设的面积阈值时,则更新所述当前第一高斯核和当前第二高斯核,进入根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像的步骤,直到当前缺陷总面积不小于预设的面积阈值时停止,将不小于预设的面积阈值的当前缺陷总面积作为目标缺陷总面积;将所述目标缺陷总面积对应的两个高斯核分别作为目标第一高斯核和目标第二高斯核。
在一个实施例中,上述缺陷检测装置还包括:灰度处理模块,用于对所述目标图像进行灰度处理,得到灰度目标图像;所述差分处理模块还用于对所述灰度目标图像进行高斯差分处理得到高斯差分图像。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取待检测的目标主体对应的目标图像;
对所述目标图像进行高斯差分处理得到高斯差分图像;
当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;
根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取待检测的目标主体对应的目标图像;
对所述目标图像进行高斯差分处理得到高斯差分图像;
当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;
根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
上述缺陷检测方法、装置、计算机设备及存储介质,通过对目标图像进行高斯差分处理得到高斯差分图像,然后根据高斯差分图像确定目标主体中存在多个缺陷时,获取每个缺陷在目标图像中的位置,然后根据每个缺陷的位置计算两两缺陷之间的重合度,然后根据重合度进行缺陷合并,并确定与目标主体对应的合并后的目标缺陷信息。上述缺陷检测方法先通过高斯差分对图像进行处理,当确定有多个缺陷时,根据重合度进行合并,得到目标缺陷信息,该方法不仅加快了检测处理的时间,提高了效率,而且能够更加准确地检测出目标主体的缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为一个实施例中缺陷检测方法的流程图;
图2为一个实施例中定位出各个缺陷的位置及大小的示意图;
图3为一个实施例中对目标图像进行高斯差分处理的方法流程图;
图4为一个实施例中DOG函数的三维示意图;
图5为一个实施例中根据重合度进行缺陷合并的方法流程图;
图6为一个实施例中交集面积和并集面积的示意图;
图7A为一个实施例中布匹图像的示意图;
图7B为一个实施例中高斯差分处理后的示意图;
图7C为一个实施例中根据高斯差分图像定位缺陷的示意图;
图8为一个实施例中缺陷检测方法的流程示意图;
图9为一个实施例中缺陷检测装置的结构框图;
图10为另一个实施例中缺陷检测装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,提出了一种缺陷检测方法,该方法既可以用于终端,也可以应用于服务器,本实施例以应用于终端举例说明。该缺陷检测方法具体包括以下步骤:
步骤102,获取待检测的目标主体对应的目标图像。
其中,目标主体是指待检测缺陷的目标物,目标图像是指目标主体的图像。目标图像可以为彩色图像,也可以为灰色图像,还可以为二值化图像。目标主体可以是布匹、也可以薄膜,还可以是玻璃等。目标图像的获取可以是通过调用终端中的摄像头实时对目标主体进行拍摄得到的,也可以是从已存储的相册中获取的。
步骤104,对目标图像进行高斯差分处理得到高斯差分图像。
其中,高斯差分(DOG,Difference of Gaussian)是指采用高斯差分算子对目标图像进行处理的算法。高斯差分算子是一种增强算法,通过将目标图像分别与两个不同标准差的高斯核进行卷积运算,得到两个高斯滤波图像,然后将两个高斯滤波图像进行差分得到高斯差分图像。在一个实施例中,高斯差分图像中显示的高频部分就是检测到的有缺陷的地方,低频部分代表正常,没有缺陷,所以通过得到的高斯差分图像就可以得到目标主体中是否存在缺陷,以及缺陷位置和个数。
步骤106,根据高斯差分图像判断目标主体中是否存在多个缺陷,若是,则进入步骤108,若否,则结束。
其中,缺陷是指目标主体中存在的瑕疵。根据高斯差分图像定位出目标主体中的缺陷,以及缺陷位置和个数。为了减少后续计算的复杂度以及提高缺陷分类的效率,如果目标主体中存在多个缺陷时,需要进一步对得到的缺陷进行处理,如果目标主体中不存在缺陷或者只存在一个缺陷,则不需要进一步处理。
步骤108,获取每个缺陷在目标图像中的位置。
其中,当目标主体中存在多个缺陷时,获取每个缺陷在目标图像中的位置,缺陷的位置可以由缺陷边缘的边缘点的坐标来定位,通过边缘点的坐标可以准确地定位出缺陷的大小和位置。如图2所示,为一个实施例中,定位出的各个缺陷的位置以及大小的示意图。
步骤110,根据每个缺陷的位置计算两两缺陷之间的重合度,根据重合度进行缺陷合并,确定与目标主体对应的合并后的目标缺陷信息。
其中,重合度是指缺陷与缺陷之间的重合比例。缺陷合并是指将多个缺陷定位成一个缺陷。目标缺陷信息是指最终定位出的目标主体中包含的缺陷信息,包括缺陷个数及位置。由于通过高斯差分处理后,同一个缺陷可能会被分成多个小缺陷,导致后续计算复杂度增加。所以为了减少后续计算的复杂度,在得到多个缺陷时,通过计算两两缺陷之间的重合度,然后根据重合度将多个小缺陷合并为一个缺陷,合并的过程是指将多个小缺陷认为是同一个缺陷,即认为多个小缺陷构成一个缺陷,从而大大减少了后续算法处理的时间,同时也方便定位或者分类处理。
在一个实施例中,重合度可以根据两两缺陷之间的重合面积与标准重合面积的比值来确定,比如,假设标准重合面积设置为一个常数,在得到两两缺陷之间的重合面积后,将重合面积与该常数的比值作为重合度。在另一个实施例中,重合度的计算也可以是根据两两缺陷之间的重合面积与两两缺陷之间不重合面积的比值来确定。
上述缺陷检测方法,通过对目标图像进行高斯差分处理得到高斯差分图像,然后根据高斯差分图像确定目标主体中存在多个缺陷时,获取每个缺陷在目标图像中的位置,然后根据每个缺陷的位置计算两两缺陷之间的重合度,然后根据重合度进行缺陷合并,并确定与目标主体对应的合并后的目标缺陷信息。上述缺陷检测方法先通过高斯差分对图像进行处理,当确定有多个缺陷时,根据重合度进行合并,得到目标缺陷信息,该方法不仅加快了检测处理的时间,提高了效率,而且能够更加准确地检测出目标主体的缺陷。
如图3所示,在一个实施例中,对目标图像进行高斯差分处理得到高斯差分图像,包括:
步骤104A,获取第一高斯核和第二高斯核。
其中,第一高斯核与第二高斯核不同,即第一高斯核对应的标准差与第二高斯核对应的标准差不同。在一个实施例中,预先设置第一高斯核和第二高斯核,便于后续进行高斯滤波处理。不同的高斯核对应不同的高斯模板,即不同的高斯参数。在另一个实施例中,可以自适应地选择第一高斯核和第二高斯核,便于更好地进行高斯差分计算。
步骤104B,采用第一高斯核对目标图像进行滤波处理,得到第一高斯滤波图像。
其中,滤波处理是指高斯滤波处理,高斯滤波可以采用低通滤波器,两个高斯滤波器相减得到的带通滤波器只允许两个高斯滤波之间的部分频段通过,而阻止其它频率的波段通过。不同的高斯滤波器对应的高斯核不同。采用第一高斯核对目标图像进行滤波处理,即通过将目标图像与第一高斯核进行卷积运算得到第一高斯滤波图像。在一个实施例中,DOG(高斯差分)算法高斯函数定义为:
其中,σ1表示方差,下标1用来区分不同的方差,x,y分别代表横坐标和纵坐标。高斯滤波的公式表示为:g1(x,y)=Gσ1(x,y)*f(x,y),其中,g1(x,y)表示第一高斯滤波图像,f(x,y)表示目标图像。
步骤104C,采用第二高斯核对目标图像进行滤波处理,得到第二高斯滤波图像。
其中,采用第二高斯核与目标图像进行卷积运算(滤波处理)得到第二高斯滤波图像。相应的高斯滤波可以表示为:g2(x,y)=Gσ2(x,y)*f(x,y),σ2表示方差,下标2用来区分不同的方差。
步骤104D,根据第一高斯滤波图像和第二高斯滤波图像进行差分得到高斯差分图像。
其中,在得到第一高斯滤波图像和第二高斯滤波图像后,通过将得到的两幅高斯滤波图像相减得到:g1(x,y)-g2(x,y)=Gσ1(x,y)*f(x,y)-Gσ2(x,y)*f(x,y)=DOG*f(x,y)。即相应的DOG表示为:DOG=Gσ1(x,y)-Gσ2(x,y)。如图4所示,为一个实施例中,DOG函数的三维示意图。
如图5所示,在一个实施例中,根据每个缺陷的位置计算两两缺陷之间的重合度,根据重合度进行缺陷合并,确定与目标主体对应的合并后的目标缺陷信息,包括:
步骤110A,计算两两缺陷之间的交集面积和两两缺陷之间的并集面积。
其中,当目标主体中存在多个缺陷时,根据每个缺陷的位置和大小计算两两缺陷之间的交集面积,以及两两缺陷之间的并集面积。如图6所示,为一个实施例中,交集面积和并集面积的示意图,图中A表示一个缺陷,B表示另一个缺陷,交集面积即A∩B的面积,并集面积为A的面积+B的面积-交集面积。
步骤110B,根据两两缺陷之间的交集面积和相应的两两缺陷之间的并集面积计算得到两两缺陷之间的重合度。
其中,重合度采用交集面积与并集面积的比值来计算。计算两两缺陷之间的交集面积和两两缺陷之间的并集面积,将两两缺陷之间的交集面积与相应的并集面积的比值作为两两缺陷之间的重合度。比如,如果存在三个缺陷A、B、C,那么分别计算A和B、A和C、B和C之间的交集面积和并集面积,其中,A和B的重合度等于A和B的交集面积与A和B的并集面积的比值。在一个实施例中,采用以下公式进行表示:重合度=A∩B的面积/(A的面积+B的面积-A∩B的面积)。
步骤110C,当两两缺陷之间的重合度大于预设阈值时,则将相应的两个缺陷进行合并。
其中,预先设置重合度对应的预设阈值,计算得到两两缺陷之间的重合度后,判断重合度是否大于预设阈值,若是,则说明两者可以认为是同一个缺陷,那么将相应的两个缺陷进行合并,若否,则结束。
在一个实施例中,目标主体为布匹,目标图像为布匹图像。首先对布匹图像进行高斯差分处理得到布匹对应的高斯差分图像,根据高斯差分图像确定布匹中存在的缺陷,当缺陷有多个时,根据两两缺陷之间的重合度进行合并,得到合并后的目标缺陷信息。如图7A所示,为一个实施例中,布匹图像的示意图,如图7B所示,为经过高斯差分处理后得到的高斯差分图像的示意图,图7C为根据高斯差分图像定位缺陷的示意图。
在一个实施例中,获取第一高斯核和第二高斯核,包括:获取两个初始高斯核,将两个初始高斯核分别作为当前第一高斯核和当前第二高斯核;根据当前第一高斯核和当前第二高斯核对目标图像进行差分处理得到当前高斯差分图像;根据当前高斯差分图像确定目标主体中存在的缺陷,计算各个缺陷对应的当前缺陷总面积;当当前缺陷总面积小于预设的面积阈值时,则更新当前第一高斯核和当前第二高斯核,进入根据当前第一高斯核和当前第二高斯核对目标图像进行差分处理得到当前高斯差分图像的步骤,直到当前缺陷总面积不小于预设的面积阈值时停止,将不小于预设的面积阈值的当前缺陷总面积作为目标缺陷总面积;将目标缺陷总面积对应的两个高斯核分别作为目标第一高斯核和目标第二高斯核。
其中,为了能够自适应地选取合适的第一高斯核和第二高斯核,通过获取两个初始高斯核,初始高斯核可以预先设置,将两个初始高斯核分别作为当前第一高斯核和当前第二高斯核,然后根据当前第一高斯核和第二高斯核进行差分处理得到当前高斯差分图像,然后根据当前高斯差分图像确定目标主体中存在的缺陷,计算所有缺陷对应的当前缺陷总面积,将当前缺陷总面积与预设的面积阈值进行比较,如果小于预设面积阈值,则说明当前第一高斯核和当前第二高斯核不适合,按照预先的规则更新当前第一高斯核和当前第二高斯核,然后继续计算相应的当前缺陷总面积,直到当前缺陷总面积不小于预设阈值时停止,并将相应的两个高斯核分别作为目标第一高斯核和目标第二高斯核。
在一个实施例中,在对目标图像进行高斯差分处理得到高斯差分图像之前,还包括:对目标图像进行灰度处理,得到灰度目标图像;对目标图像进行高斯差分处理得到高斯差分图像,包括:对灰度目标图像进行高斯差分处理得到高斯差分图像。
其中,在对目标图像进行处理之前,首先需要将目标图像进行灰度处理,得到相应的灰度目标图像,然后对灰度目标图像进行高斯差分处理得到高斯差分图像。
如图8所示,在一个实施例中,缺陷检测方法的流程示意图。首先,对目标图像进行灰度处理,得到灰度目标图像,然后将灰度目标图像分别用不同的高斯核进行高斯滤波处理得到第一高斯图像和第二高斯图像,之后,根据第一高斯图像和第二高斯图像进行差分得到高斯差分图像,根据高斯差分图像确定了多个缺陷后,计算两两缺陷之间的重合度,然后根据重合度将两两缺陷合并为一个缺陷。
如图9所示,在一个实施例中,提出了一种缺陷检测装置,该装置包括:
图像获取模块902,用于获取待检测的目标主体对应的目标图像;
差分处理模块904,用于对所述目标图像进行高斯差分处理得到高斯差分图像;
位置获取模块906,用于当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;
缺陷确定模块908,用于根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
在一个实施例中,差分处理模块还用于获取第一高斯核和第二高斯核,采用所述第一高斯核对所述目标图像进行滤波处理,得到第一高斯滤波图像,采用所述第二高斯核对所述目标图像进行滤波处理,得到第二高斯滤波图像,根据所述第一高斯滤波图像和第二高斯滤波图像进行差分得到所述高斯差分图像。
在一个实施例中,缺陷确定模块,用于计算两两缺陷之间的交集面积和两两缺陷之间的并集面积;根据所述两两缺陷之间的交集面积和对应的两两缺陷之间的并集面积计算得到两两缺陷之间的重合度;当所述两两缺陷之间的重合度大于预设阈值时,则将相应的两个缺陷进行合并。
在一个实施例中,所述目标主体为布匹,所述目标图像为布匹图像。
在一个实施例中,差分处理模块还用于获取两个初始高斯核,将所述两个初始高斯核分别作为当前第一高斯核和当前第二高斯核;根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像;根据所述当前高斯差分图像确定所述目标主体中存在的缺陷,计算各个缺陷对应的当前缺陷总面积;当所述当前缺陷总面积小于预设的面积阈值时,则更新所述当前第一高斯核和当前第二高斯核,进入根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像的步骤,直到当前缺陷总面积不小于预设的面积阈值时停止,将不小于预设的面积阈值的当前缺陷总面积作为目标缺陷总面积;将所述目标缺陷总面积对应的两个高斯核分别作为目标第一高斯核和目标第二高斯核。
如图10所示,在一个实施例中,上述缺陷检测装置还包括:
灰度处理模块903,用于对所述目标图像进行灰度处理,得到灰度目标图像;
所述差分处理模块还用于对所述灰度目标图像进行高斯差分处理得到高斯差分图像。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器,也可以是终端。如图11所示,该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现缺陷检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行缺陷检测方法。本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的缺陷检测方法可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该缺陷检测装置的各个程序模块。比如,图像获取模块902、差分处理模块904和位置获取模块906。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:获取待检测的目标主体对应的目标图像;对所述目标图像进行高斯差分处理得到高斯差分图像;当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
在一个实施例中,所述对所述目标图像进行高斯差分处理得到高斯差分图像,包括:获取第一高斯核和第二高斯核;采用所述第一高斯核对所述目标图像进行滤波处理,得到第一高斯滤波图像;采用所述第二高斯核对所述目标图像进行滤波处理,得到第二高斯滤波图像;根据所述第一高斯滤波图像和第二高斯滤波图像进行差分得到所述高斯差分图像。
在一个实施例中,所述根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息,包括:计算两两缺陷之间的交集面积和两两缺陷之间的并集面积;根据所述两两缺陷之间的交集面积和对应的两两缺陷之间的并集面积计算得到两两缺陷之间的重合度;当所述两两缺陷之间的重合度大于预设阈值时,则将相应的两个缺陷进行合并。
在一个实施例中,所述目标主体为布匹,所述目标图像为布匹图像。
在一个实施例中,所述获取第一高斯核和第二高斯核,包括:获取两个初始高斯核,将所述两个初始高斯核分别作为当前第一高斯核和当前第二高斯核;根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像;根据所述当前高斯差分图像确定所述目标主体中存在的缺陷,计算各个缺陷对应的当前缺陷总面积;当所述当前缺陷总面积小于预设的面积阈值时,则更新所述当前第一高斯核和当前第二高斯核,进入根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像的步骤,直到当前缺陷总面积不小于预设的面积阈值时停止,将不小于预设的面积阈值的当前缺陷总面积作为目标缺陷总面积;将所述目标缺陷总面积对应的两个高斯核分别作为目标第一高斯核和目标第二高斯核。
在一个实施例中,在所述对所述目标图像进行高斯差分处理得到高斯差分图像之前,所述计算机程序被所述处理器执行时还用于实现以下步骤:对所述目标图像进行灰度处理,得到灰度目标图像;所述对所述目标图像进行高斯差分处理得到高斯差分图像,包括:对所述灰度目标图像进行高斯差分处理得到高斯差分图像。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:获取待检测的目标主体对应的目标图像;对所述目标图像进行高斯差分处理得到高斯差分图像;当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
在一个实施例中,所述对所述目标图像进行高斯差分处理得到高斯差分图像,包括:获取第一高斯核和第二高斯核;采用所述第一高斯核对所述目标图像进行滤波处理,得到第一高斯滤波图像;采用所述第二高斯核对所述目标图像进行滤波处理,得到第二高斯滤波图像;根据所述第一高斯滤波图像和第二高斯滤波图像进行差分得到所述高斯差分图像。
在一个实施例中,所述根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息,包括:计算两两缺陷之间的交集面积和两两缺陷之间的并集面积;根据所述两两缺陷之间的交集面积和对应的两两缺陷之间的并集面积计算得到两两缺陷之间的重合度;当所述两两缺陷之间的重合度大于预设阈值时,则将相应的两个缺陷进行合并。
在一个实施例中,所述目标主体为布匹,所述目标图像为布匹图像。
在一个实施例中,所述获取第一高斯核和第二高斯核,包括:获取两个初始高斯核,将所述两个初始高斯核分别作为当前第一高斯核和当前第二高斯核;根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像;根据所述当前高斯差分图像确定所述目标主体中存在的缺陷,计算各个缺陷对应的当前缺陷总面积;当所述当前缺陷总面积小于预设的面积阈值时,则更新所述当前第一高斯核和当前第二高斯核,进入根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像的步骤,直到当前缺陷总面积不小于预设的面积阈值时停止,将不小于预设的面积阈值的当前缺陷总面积作为目标缺陷总面积;将所述目标缺陷总面积对应的两个高斯核分别作为目标第一高斯核和目标第二高斯核。
在一个实施例中,在所述对所述目标图像进行高斯差分处理得到高斯差分图像之前,所述计算机程序被所述处理器执行时还用于实现以下步骤:对所述目标图像进行灰度处理,得到灰度目标图像;所述对所述目标图像进行高斯差分处理得到高斯差分图像,包括:对所述灰度目标图像进行高斯差分处理得到高斯差分图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种缺陷检测方法,其特征在于,所述方法包括:
获取待检测的目标主体对应的目标图像;
获取两个初始高斯核,将所述两个初始高斯核分别作为当前第一高斯核和当前第二高斯核;
根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像;
根据所述当前高斯差分图像确定所述目标主体中存在的缺陷,计算各个缺陷对应的当前缺陷总面积;
当所述当前缺陷总面积小于预设的面积阈值时,则进入根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像的步骤,直到当前缺陷总面积不小于预设的面积阈值时停止,将不小于预设的面积阈值的当前缺陷总面积作为目标缺陷总面积;
将所述目标缺陷总面积对应的两个高斯核分别作为目标第一高斯核和目标第二高斯核;
采用所述第一高斯核对所述目标图像进行滤波处理,得到第一高斯滤波图像;
采用所述第二高斯核对所述目标图像进行滤波处理,得到第二高斯滤波图像;
根据所述第一高斯滤波图像和第二高斯滤波图像进行差分得到所述高斯差分图像;
当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;
根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
2.根据权利要求1所述的方法,其特征在于,所述根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息,包括:
计算两两缺陷之间的交集面积和两两缺陷之间的并集面积;
根据所述两两缺陷之间的交集面积和对应的两两缺陷之间的并集面积计算得到两两缺陷之间的重合度;
当所述两两缺陷之间的重合度大于预设阈值时,则将相应的两个缺陷进行合并。
3.根据权利要求1所述的方法,其特征在于,所述目标主体为布匹,所述目标图像为布匹图像。
4.根据权利要求1所述的方法,其特征在于,在所述对所述目标图像进行高斯差分处理得到高斯差分图像之前,还包括:
对所述目标图像进行灰度处理,得到灰度目标图像;
所述对所述目标图像进行高斯差分处理得到高斯差分图像,包括:
对所述灰度目标图像进行高斯差分处理得到高斯差分图像。
5.一种缺陷检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待检测的目标主体对应的目标图像;
差分处理模块,用于
获取两个初始高斯核,将所述两个初始高斯核分别作为当前第一高斯核和当前第二高斯核;
根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像;
根据所述当前高斯差分图像确定所述目标主体中存在的缺陷,计算各个缺陷对应的当前缺陷总面积;
当所述当前缺陷总面积小于预设的面积阈值时,则进入根据所述当前第一高斯核和所述当前第二高斯核对所述目标图像进行差分处理得到当前高斯差分图像的步骤,直到当前缺陷总面积不小于预设的面积阈值时停止,将不小于预设的面积阈值的当前缺陷总面积作为目标缺陷总面积;
将所述目标缺陷总面积对应的两个高斯核分别作为目标第一高斯核和目标第二高斯核;
采用所述第一高斯核对所述目标图像进行滤波处理,得到第一高斯滤波图像;
采用所述第二高斯核对所述目标图像进行滤波处理,得到第二高斯滤波图像;
根据所述第一高斯滤波图像和第二高斯滤波图像进行差分得到所述高斯差分图像;
位置获取模块,用于当根据所述高斯差分图像确定所述目标主体中存在多个缺陷时,获取每个缺陷在所述目标图像中的位置;
缺陷确定模块,用于根据每个缺陷的位置计算两两缺陷之间的重合度,根据所述重合度进行缺陷合并,确定与所述目标主体对应的合并后的目标缺陷信息。
6.根据权利要求5所述的装置,其特征在于,所述差分处理模块还用于获取第一高斯核和第二高斯核,采用第一高斯核对所述目标图像进行滤波处理,得到第一高斯滤波图像,采用第二高斯核对所述目标图像进行滤波处理,得到第二高斯滤波图像,根据所述第一高斯滤波图像和第二高斯滤波图像进行差分得到所述高斯差分图像。
7.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811110575.3A CN109300127B (zh) | 2018-09-21 | 2018-09-21 | 缺陷检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811110575.3A CN109300127B (zh) | 2018-09-21 | 2018-09-21 | 缺陷检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109300127A CN109300127A (zh) | 2019-02-01 |
CN109300127B true CN109300127B (zh) | 2021-02-05 |
Family
ID=65163875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811110575.3A Active CN109300127B (zh) | 2018-09-21 | 2018-09-21 | 缺陷检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109300127B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768357B (zh) * | 2019-03-29 | 2024-03-01 | 银河水滴科技(北京)有限公司 | 一种图像检测的方法及装置 |
CN110161045A (zh) * | 2019-05-17 | 2019-08-23 | 深圳新视智科技术有限公司 | 表面缺陷检测***和方法 |
CN110208284B (zh) * | 2019-05-27 | 2021-09-17 | 武汉中导光电设备有限公司 | 一种多通道缺陷合并分析的方法及*** |
CN112801930A (zh) * | 2019-10-28 | 2021-05-14 | 上海铼钠克数控科技股份有限公司 | 基于机器视觉的织物的背光经纬瑕疵检测方法和设备 |
CN114387248B (zh) * | 2022-01-12 | 2022-11-25 | 苏州天准科技股份有限公司 | 一种硅料熔化度监测方法、存储介质、终端和拉晶设备 |
CN117351011B (zh) * | 2023-12-04 | 2024-03-12 | 歌尔股份有限公司 | 屏幕缺陷检测方法、设备和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134211A (zh) * | 2014-07-23 | 2014-11-05 | 西安工程大学 | 一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法 |
CN104463232A (zh) * | 2014-12-30 | 2015-03-25 | 中山大学 | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
CN105184777A (zh) * | 2015-08-18 | 2015-12-23 | 西安工程大学 | 一种基于图像分解的印花图案织物瑕疵检测方法 |
CN103871053B (zh) * | 2014-02-25 | 2017-02-01 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
-
2018
- 2018-09-21 CN CN201811110575.3A patent/CN109300127B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871053B (zh) * | 2014-02-25 | 2017-02-01 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
CN104134211A (zh) * | 2014-07-23 | 2014-11-05 | 西安工程大学 | 一种基于高斯滤波器多分辨率滤波的带钢缺陷检测方法 |
CN104463232A (zh) * | 2014-12-30 | 2015-03-25 | 中山大学 | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
CN105184777A (zh) * | 2015-08-18 | 2015-12-23 | 西安工程大学 | 一种基于图像分解的印花图案织物瑕疵检测方法 |
Non-Patent Citations (1)
Title |
---|
Halcon学习笔记之缺陷检测(二);梦游太空2000;《https://www.cnblogs.com/sleepwalker/p/3625449.html》;20140326 * |
Also Published As
Publication number | Publication date |
---|---|
CN109300127A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300127B (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN107403424B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
CN110349145B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
CN109543662B (zh) | 基于区域提议的目标检测方法、***、装置和存储介质 | |
US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
CN114902279A (zh) | 基于机器视觉的自动化缺陷检测 | |
CN113516661B (zh) | 基于特征融合的缺陷检测方法及装置 | |
CN114299066B (zh) | 基于显著性特征预提取与图像分割的缺陷检测方法和装置 | |
CN108280829A (zh) | 焊缝图像识别方法、计算机装置及计算机可读存储介质 | |
CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN110738237A (zh) | 缺陷分类的方法、装置、计算机设备和存储介质 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN112668462B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
TW201606854A (zh) | 用於晶粒對資料庫光罩檢查之自動校準樣本選擇 | |
CN113012157A (zh) | 一种设备缺陷视觉检测方法及*** | |
CN113487607A (zh) | 基于多视场图像的缺陷检测方法及装置 | |
CN113570003B (zh) | 基于注意力机制的特征融合缺陷检测方法及装置 | |
CN113781393A (zh) | 屏幕缺陷检测方法、装置、设备及存储介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN112418196A (zh) | 人群数量预测方法、装置、计算机设备及存储介质 | |
CN115861153A (zh) | 图像检测方法、计算机装置及存储介质 | |
CN112669300A (zh) | 瑕疵检测方法及装置、计算机设备和存储介质 | |
CN115861315B (zh) | 缺陷检测方法和装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190628 Address after: 518000 Shenzhen City, Guangdong Province, Luohu District, Liantang Street, Pengxing Community, Pengxing Road, No. 2 Pengji Industrial Zone, 710 buildings, six floors Applicant after: Shenzhen Xinshizhi Technology Co., Ltd. Address before: 518000 6th Floor, 710 Building, Liantang Pengji Industrial Zone, Luohu District, Shenzhen City, Guangdong Province Applicant before: Zhongxing new Communication Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |