CN110517265B - 一种产品表面缺陷的检测方法、装置及存储介质 - Google Patents

一种产品表面缺陷的检测方法、装置及存储介质 Download PDF

Info

Publication number
CN110517265B
CN110517265B CN201910831247.0A CN201910831247A CN110517265B CN 110517265 B CN110517265 B CN 110517265B CN 201910831247 A CN201910831247 A CN 201910831247A CN 110517265 B CN110517265 B CN 110517265B
Authority
CN
China
Prior art keywords
detected
image
product
images
target
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
CN201910831247.0A
Other languages
English (en)
Other versions
CN110517265A (zh
Inventor
孟凡武
许一尘
王立忠
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910831247.0A priority Critical patent/CN110517265B/zh
Publication of CN110517265A publication Critical patent/CN110517265A/zh
Application granted granted Critical
Publication of CN110517265B publication Critical patent/CN110517265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种产品表面缺陷的检测方法、装置及存储介质，该方法包括：获取包含有待检测产品的目标图像，其中，所述待检测产品表面具有多个待检测对象；对所述目标图像进行处理，获得多张待检测图像，其中，每张待检测图像中包括待检测产品的单个待检测对象；分别计算每张待检测图像对应的d个不变矩，并根据每张待检测图像的d个不变矩与预先获得的标准产品图像对应的d个标准不变矩，对所述待检测产品进行表面缺陷检测。本申请实施例针对表面具有多个待检测对象的被加工产品能够实现快速、简便的表面缺陷检测，不需要人工逐个进行辨认，检测效率更高。

Description

一种产品表面缺陷的检测方法、装置及存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种产品表面缺陷的检测方法、装置及存储介质。
背景技术
现有的被加工产品表面的缺陷检测大多采取人工逐个仔细观察的方法，当发现产品表面具有缺陷时，及时将缺陷产品拿出，将其归入加工失败区域。对于表面光滑的产品，在光线的反射下，出现缺陷的部分与非缺陷的部分差别较大，人工易于分辨，但是具有一定纹理变化的产品，比如表面具有多个需观察的对象，人工辨认难度加大，并且密集的对象会加快眼睛疲劳，增加工作难度。
发明内容
本申请实施例的目的在于提供一种产品表面缺陷的检测方法、装置及存储介质，通过拍摄有待检测产品的图像能够实现表面缺陷的快速检测，从而解决上述技术问题。
第一方面，本申请实施例提供一种产品表面缺陷的检测方法，所述方法包括：获取包含有待检测产品的目标图像，其中，所述待检测产品表面具有多个待检测对象；对所述目标图像进行处理，获得多张待检测图像，其中，每张待检测图像中包括待检测产品的单个待检测对象；分别计算每张待检测图像对应的d个不变矩，并根据每张待检测图像的d个不变矩与预先获得的标准产品图像对应的d个标准不变矩，对所述待检测产品进行表面缺陷检测，其中，d为正整数。
上述方案中，对于表面具有多个待检测对象的待检测产品，首先得到包括单个待检测对象的待检测图像，然后利用表征图像几何特征的不变矩对待检测图像中是否存在缺陷进行判别。本方案以待检测图像的结构变化为依据，能够根据图像将有缺陷的产品直接挑选出来，相较于人工检测的方式更加快速和简便，检测效率明显更高，同时，该方法可以无需知道造成缺陷的原因以及缺陷的种类、形状、大小等预信息，即可直接检测产品的缺陷，通用性强。
在一种可能的实施方式中，所述多个待检测对象的形状相同，根据每张待检测图像的d个不变矩与预先获得的标准产品图像对应的d个标准不变矩，对所述待检测产品进行表面缺陷检测，包括：分别计算每张待检测图像的d个不变矩相对于所述d个标准不变矩的方差；若所述多张待检测图像中的任一张待检测图像的方差大于第一阈值，则确定所述待检测产品存在表面缺陷。
方差表示待检测图像的不变矩相对于标准不变矩的偏离程度，当任一张待检测图像的方差大于第一阈值，表明其中待检测对象与无表面缺陷的对象具有明显差别，即可确定该待检测产品存在缺陷。
在一种可能的实施方式中，所述多个待检测对象的形状相同，所述对所述目标图像进行处理，获得多张待检测图像，包括：对所述目标图像进行阈值分割，获得K1个连通区域，并从所述K1个连通区域中确定出满足第一预设要求的K2个连通区域，其中，所述第一预设要求与所述连通区域的形状参数相关，K1、K2为正整数，且K1>K2；确定K2个连通区域中每一连通区域的质心，并根据每一质心映射至所述目标图像的位置，得到K2张目标分割图像；从所述K2张目标分割图像中确定出满足第二预设要求的K3张待检测图像，其中，第二预设要求与所述目标分割图像的纹理信息相关，K3为正整数，且K2>K3。
上述方案中，通过设置第一预设要求，能够滤除与待检测对象形成的连通区域形状差别较大的连通区域，达到初步筛除的作用，通过设置第二预设要求，能够滤除与待检测对象纹理差别较大的图像，达到二次筛除的作用，最终逐步分离出待检测对象所对应的待检测图像。
在一种可能的实施方式中，所述对所述目标图像进行阈值分割，获得K1个连通区域，包括：对所述目标图像进行滤波，获得滤波后的灰度图像；根据所述灰度图像中每一像素点的灰度值与第二阈值的大小关系，得到所述目标图像的二值图像，其中，所述第二阈值为预设系数与所述灰度图像中的最大灰度值的乘积，待检测产品上的单个待检测对象在所述二值图像中形成连通区域；获取所述二值图像中的K1个连通区域。
通过对目标图像的滤波、二值化处理，能够得到待检测产品中待检测对象形成的多个连通区域。
在一种可能的实施方式中，所述从所述K1个连通区域中确定出满足第一预设要求的K2个连通区域，包括：计算所述K1个连通区域中每一连通区域的面积，以及与所述连通区域具有相同标准二阶中心距的椭圆的离心率；从所述K1个连通区域中确定出满足如下要求的K2个连通区域：所述连通区域的面积位于第一阈值范围内且所述连通区域对应的离心率不小于第三阈值。
连通区域的面积与对应的离心率作为初步筛选连通区域的特征描述子，通过设置面积与离心率的阈值，能够排除与待检测对象面积差距过大、且形状明显不同的连通区域，两个参数彼此互补，共同决定连通区域的筛选条件。
在一种可能的实施方式中，所述根据每一质心映射至所述目标图像的位置，得到K2张目标分割图像，包括：以K2个连通区域的质心为中心对所述目标图像进行分割，得到K2张原始分割图像；计算每一张原始分割图像的梯度方向直方图，所述梯度方向直方图表示所述原始分割图像在不同梯度方向上的像素点个数的统计；确定所述梯度方向直方图中像素点个数最多的梯度方向，并根据所述梯度方向和预设旋转方向矫正所述待检测对象在所述原始分割图像中的角度，获得矫正后的分割图像；以矫正后的分割图像的质心为中心分别对每一张矫正后的分割图像进行裁剪，得到K2张目标分割图像。
上述方案中，首先分割得到K2张尺寸较大的原始分割图像，并根据原始分割图像的梯度方向的分布对原始分割图像进行角度矫正，使得待检测对象在图像中的角度、大小和形状趋于一致，角度矫正后采用尺寸较小的矩形框对图像进行裁剪，由于待检测对象在角度矫正后位于图像的中心，因此能够用最小的矩形框将待检测对象裁剪出来，最小地引入非待检测对象的成分，减小噪声影响。
在一种可能的实施方式中，所述从所述K2张目标分割图像中确定出满足第二预设要求的K3张待检测图像，包括：计算所述目标分割图像的梯度方向直方图，所述梯度方向直方图表示所述目标分割图像在不同梯度方向上的像素点个数的统计；计算每张目标分割图像的梯度方向直方图相对于预先获得的标准产品图像对应的标准梯度方向直方图的方差；从所述K2张目标分割图像中确定出满足如下要求的K3张待检测图像：所述目标分割图像对应的方差小于第四阈值。
上述方案利用梯度方向直方图能够将多张目标分割图像中包括待检测对象的图像与包括非待检测对象的图像区别开来，当目标分割图像获得的方差不小于第四阈值，则表明该目标分割图像的纹理信息与实际待检测对象的纹理具有明显差别，因此该目标分割图像将被剔除，最终留下满足要求的K3张目标分割图像。
在一种可能的实施方式中，所述分别计算每张待检测图像对应的d个不变矩，包括：分别计算每张待检测图像沿水平方向和沿竖直方向上的二阶梯度，并利用hu不变矩计算所述二阶梯度的多个不变矩，每张待检测图像获得共D个不变矩，其中，D为正整数，且D>d；利用主成分分析算法确定所述D个不变矩的主成分，获得d个不变矩。
二阶梯度的作用在于将待检测图像中变化平滑的区域归零，同时突出待检测图像中突变的部分，由于产品的表面缺陷一般都是突兀的，如果产品表面具有缺陷，那么待检测图像在经过二阶梯度计算后缺陷部分将被突出出来，从而使得不变矩的值将与无表面缺陷的标准不变矩的值差距较大，进而易于判别该待检测图像中是否存在缺陷，此外，利用PCA算法，将原本的D个不变矩降维到d个，其一能够起到降维、减少特征参数的作用，使得最终获得的d个不变矩能够更加准确反映待检测图像的结构变化，其二能够减小计算量，提高算法速度。
在一种可能的实施方式中，所述多个待检测对象为所述待检测产品表面的多个形状相同的凸起。比如，待检测产品为波纹管，波纹管上的单个波纹凸起于产品表面。
第二方面，本申请实施例提供一种产品表面缺陷的检测装置，所述装置包括：获取模块，用于获取包含有待检测产品的目标图像，其中，所述待检测产品表面具有多个待检测对象；图像检测模块，用于对所述目标图像进行处理，获得多张待检测图像，其中，每张待检测图像中包括待检测产品的单个待检测对象；缺陷检测模块，用于分别计算每张待检测图像对应的d个不变矩，并根据每张待检测图像的d个不变矩与预先获得的标准产品图像对应的d个标准不变矩，对所述待检测产品进行表面缺陷检测。
第三方面，本申请实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面或第一方面中任一种可能的实施方式所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。
图1为本申请实施例提供的产品表面缺陷的检测方法的流程图；
图2为本申请的检测方法中步骤102的具体流程图；
图3为本申请的检测方法中步骤103的具体流程图；
图4为本申请的检测方法中步骤1021-1023的具体流程图；
图5为本申请实施例提供的产品表面缺陷的检测***的示意图；
图6为本申请实施例提供的产品表面缺陷的检测装置的示意图；
图7为本申请实施例提供的电子设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本申请实施例介绍一种产品表面缺陷的检测方法，请参照图1，该方法包括如下步骤：
步骤101：获取包含有待检测产品的目标图像。
本实施例中，待检测产品是指表面具有多个待检测对象的被加工产品，例如，待检测对象可以是，产品表面喷印的多个图案，或者，由于产品表面的周期性起伏变化，在表面形成的多个凸起或者凹陷区域。一种可能的待检测产品为波纹管，波纹管表面具有多个形状相同的波纹，其中，单个波纹可以作为一个待检测对象，因此波纹管产品可以使用本实施例提供的方法来检测其表面缺陷。
步骤102：对该目标图像进行处理，获得多张待检测图像。
本实施例中，每张待检测图像中包括待检测产品的单个待检测对象，比如波纹管上的单个波纹的图像。
在一种实施方式中，参照图2，步骤102可以包括如下步骤：
步骤1021：对目标图像进行阈值分割，获得K1个连通区域，并从K1个连通区域中确定出满足第一预设要求的K2个连通区域。
本实施例在对目标图像进行阈值分割后，得到对应的二值图像，每个待检测对象在该二值图像中将会形成特定形状的连通区域，提取二值图像中的连通区域，共得到K1个连通区域。
待检测产品上的多个待检测对象形状相同，因此在二值图像中形成的连通区域具有相似的形状。K1个连通区域中除待检测对象的连通区域以外，还包含有非待检测对象的干扰区域，因此，通过设置与连通区域的形状参数相关的第一预设要求，能够区分出待检测对象与非待检测对象，将与待检测对象的连通区域差别较大的干扰区域滤除，最终获得K2个连通区域，即达到初步筛除的作用。
步骤1022：确定K2个连通区域中每一连通区域的质心，并根据每一质心映射至目标图像的位置，得到K2张目标分割图像。
经过步骤1021后，连通区域由初始的K1个变化为K2个。分别确定K2个连通区域中每一连通区域的质心，并将质心点映射至目标图像中，然后以每一质心点为中心分别对目标图像进行分割，得到K2张目标分割图像；其中，部分目标分割图像中包括待检测产品上的单个待检测对象，另一部分目标分割图像中包括待检测产品上的非待检测对象，也就是说，有非待检测对象的干扰图像混入在K2张目标分割图像中，步骤1023用于从K2张目标分割图像中筛选出包括待检测对象的图像。
步骤1023：从K2张目标分割图像中确定出满足第二预设要求的K3张待检测图像。
对于K2张目标分割图像，由于待检测对象与非待检测对象在图像中的纹理显然是不相同的，通过设置与目标分割图像的纹理信息相关的第二预设要求，即可将与待检测对象的纹理差别较大的干扰图像进行滤除，达到二次筛除的作用，最终得到K3张真正用于缺陷检测的待检测图像。
上述步骤1021-1023中，K1、K2、K3均为正整数，且K1>K2>K3。
在步骤102之后，执行步骤103：分别计算每张待检测图像对应的d个不变矩，并根据每张待检测图像的d个不变矩与标准产品图像对应的d个标准不变矩，对待检测产品进行表面缺陷检测。
d个不变矩的计算过程为：分别计算每张待检测图像沿水平方向和沿竖直方向上的二阶梯度，并利用hu不变矩计算该二阶梯度的多个不变矩，即在水平方向和竖直方向分别得到b个不变矩，每张待检测图像获得共d个不变矩，d＝2b。或者，另一种计算过程为：在水平方向和竖直方向分别计算得到C个不变矩，每张待检测图像获得共D个不变矩，D＝2C，其中，b、d、C、D均为正整数，且D>d；利用主成分分析(Principal Component Analysis，PCA)算法确定该D个不变矩的主成分，获得d个不变矩。由于待检测产品得到的D个不变矩中的部分不变矩参数可能实际带来的作用较低，甚至还可能对后续计算造成干扰，利用PCA算法，将原本的D个不变矩降维到d个，其一能够起到降维、减少特征参数的作用，使得最终获得的d个不变矩能够更加准确反映待检测图像的结构变化，其二能够减小计算量，提高算法速度。
本实施例中二阶梯度的作用在于将待检测图像中变化平滑的区域归零，同时突出待检测图像中突变的部分，由于产品的表面缺陷一般都是突兀的，如果产品表面具有缺陷，那么待检测图像在经过二阶梯度计算后缺陷部分将被突出出来，而不变矩能够表征图像的几何特征，从而使得不变矩的值将与无表面缺陷的标准不变矩的值差距较大，进而易于判别该待检测图像中是否存在缺陷。
在一种实施方式中，参照图3，步骤103包括：
步骤1031：分别计算每张待检测图像的d个不变矩相对于d个标准不变矩的方差。
d个标准不变矩是根据预先获得的标准产品图像得到，标准产品是指与待检测产品同一批次、同一型号的无表面缺陷的被加工产品，标准产品图像与目标图像是在同一检测环境中拍摄获得。对标准产品图像执行与目标图像相同的前述步骤，得到K3张标准待检测图像，每张标准待检测图像共得到d个不变矩，然后计算每一不变矩的平均值，得到d个标准不变矩。
d个不变矩相对于d个标准不变矩的方差为：
Figure BDA0002190777740000091
其中，mp表示该待检测图像对应的第p个不变矩，Mp表示标准产品图像对应的第p个标准不变矩。
步骤1032：若多张待检测图像中的任一张待检测图像的方差大于第一阈值，则确定待检测产品存在表面缺陷。
K3张待检测图像共得到K3个方差σ1，设置阈值t1，当K3个方差中的任一个方差大于阈值t1，则表明该待检测产品表面具有缺陷。可选的，当发现某一待检测产品出现表面缺陷时，可以将检测结果及时发送至对应的工作人员的终端，提醒工作人员进行核实。为便于工作人员快速、准确的对缺陷区域进行观察，在获得待检测图像的同时，将记录每一待检测图像中待检测对象对应于目标图像中的位置，当某一待检测图像的方差大于阈值t1时，将在目标图像中标注出存在表面缺陷的待检测对象的位置，节约工作人员的观察时间，从而提高工作效率。
需要说明的是，本方案计算不变矩与标准不变矩的方差，实质上是想确定两者的偏差程度，因此，实际上步骤1031并不一定是计算方差，其他任一能够表征这一偏差程度的指标均可应用于本实施例的上述计算当中。
应理解，本实施例提供的方法也可用于形状不同的多个待检测对象的检测，比如，在获得K3张待检测图像的同时，记录下每一张待检测图像的编号，该编号能够表征其中待检测对象对应于目标图像中的位置，在计算待检测图像对应的d个不变矩与d个标准不变矩的方差时，不同待检测图像所采用的d个标准不变矩并非是完全相同的，而是根据待检测图像的编号查找到标准产品图像中对应编号的标准待检测图像，并根据该标准待检测图像的d个不变矩得到d个标准不变矩。
可选的，参照图4，以下介绍一种步骤1021-1023的具体实施方式，以实现对待检测图像的获取，包括如下步骤：
步骤201：对目标图像进行滤波，获得滤波后的灰度图像。
例如，利用Gabor滤波器对目标图像进行滤波，Gabor滤波器的参数配置如下：波长λ设置为一个待检测对象在图像中水平长度的像素大小，比如，波纹管的一节波纹在水平方向是32个像素，则波长设置为32；其余参数(比如方向、方差系数、长宽比、相位偏移等)可以根据实际需求进行设置，本实施例不做限定。
步骤202：根据灰度图像中每一像素点的灰度值与第二阈值的大小关系，得到目标图像的二值图像。
对滤波后的灰度图像Imggb(i,j)进行阈值分割处理，得到一张二值图像Img(i,j)，二值图像获取公式如下：
Figure BDA0002190777740000101
其中，Imggb(i,j)表示图像中第i行第j列的像素点的灰度值，阈值t2＝q*max(Imggb(i,j))，max(Imggb(i,j))为该灰度图像中的最大灰度值，q的取值范围为0至1，在一种实施方式中，取0.3-0.5中的任意数值。
步骤203：获取二值图像中的K1个连通区域。
步骤204：计算K1个连通区域中每一连通区域的面积，以及与该连通区域具有相同标准二阶中心距的椭圆的离心率。
步骤205：从K1个连通区域中确定出连通区域的面积位于第一阈值范围内且连通区域对应的离心率不小于第三阈值的K2个连通区域。
连通区域的面积与对应的离心率作为初步筛选连通区域的特征描述子。相同形状的待检测对象在滤波、二值化后，连通区域的面积以及与该连通区域具有相同标准二阶中心矩的椭圆的离心率会在一定范围内波动，但总体应当相差不大。面积与离心率是两个互补的形状参数，能够分别衡量连通区域的大小和形状，通过设置面积的阈值范围，可以排除与待检测对象面积差距过大的连通区域，同时，连通区域的离心率需不小于设定的第三阈值，比如波纹管的单个波纹是一个偏扁状的形状，那么第三阈值可以设置为稍微大一点的数值，最终，同时满足面积和离心率要求的连通区域被筛选出来，得到K2个满足要求的连通区域。
第一阈值范围和第三阈值是根据目标图像的滤波、二值化处理后的具体情况决定，可以根据当前目标图像的处理结果或者标准产品图像的处理结果确定面积与离心率的阈值。在一种实施方式中，第一阈值范围设置为50-1000，离心率的第三阈值设置为0.95，即面积大于1000或者小于50的连通区域被判别为非待检测对象的区域，相同的，离心率小于0.95的连通区域也被判别为非待检测对象的区域。
步骤206：以K2个连通区域的质心为中心对目标图像进行分割，得到K2张原始分割图像。
该实施方式中，在得到目标分割图像之前，首先将目标图像分割为尺寸相同的K2张图像，即采用第一尺寸的矩形框以连通区域的质心为中心框选出图像区域，矩形框的尺寸大小应当能够框选出待检测产品的至少两个待检测对象，即得到K2张原始分割图像；但需注意，矩形框的尺寸也不能过大，如果框选太多个待检测对象，相邻原始分割图像中将包含较多重复部分，同时，位于边缘的待检测对象对应的矩形框将会框选太多非待检测对象的区域，不利于后续梯度方向直方图的应用。
步骤207：计算每一张原始分割图像的梯度方向直方图，并确定梯度方向直方图中像素点个数最多的梯度方向。
计算每一张原始分割图像中每一像素点的梯度方向，并按照预先划分的梯度方向的区间对每一区间内的像素点个数进行统计，得到梯度方向直方图，比如，梯度方向从-180°至180°进行划分，每隔10°划分出一个梯度方向的区间，梯度方向的划分数量越多，分辨能力就越高。然后，确定像素点个数最多的区间内的任一梯度方向为该梯度方向直方图的主梯度方向。
步骤208：根据该梯度方向和预设旋转方向矫正待检测对象在原始分割图像中的角度，获得矫正后的分割图像。
根据确定的主梯度方向和预设旋转方向对原始分割图像进行角度矫正，也就是将待检测对象在原始分割图像中的角度“正”过来，最终使得待检测对象在图像中的角度、大小和形状趋于一致，便于后续计算。
需要注意，本实施例在上述角度矫正过程中，并非是将整幅目标图像进行旋转，而是采用离散方式进行图像旋转。离散方式是指将待检测产品的目标图像分割成单个的、独立的原始分割图像，并对多张离散的原始分割图像分别进行旋转，这样处理的目的在于，对整幅图像进行处理无疑会降慢图像的计算和旋转速度，离散的多个原始分割图像由于区域小，使得直方图的计算以及图像的旋转也会更快，从而能够提升角度矫正的速度。进一步的，由于本实施例对待检测对象进行了角度旋转，使得待检测对象位于矫正后的分割图像的中心，因此在步骤209中能够用最小的矩形框将待检测对象裁剪出来，最小地引入非待检测对象的成分，减小噪声影响。
步骤209：以矫正后的分割图像的质心为中心分别对每一张矫正后的分割图像进行裁剪，得到K2张目标分割图像。
对旋转后的图像进行裁剪，即采用第二尺寸的矩形框以分割图像的质心为中心框选出图像区域，矩形框的尺寸大小应当能够框选出待检测产品的单个待检测对象，最终得到K2张目标分割图像。
应理解，上述步骤206-209仅是获得目标分割图像的一种可能的实施方式，实际应用中，可以通过调整拍摄目标图像的相机，使待检测产品的待检测对象在成像时能够直接与目标图像的水平方向平行或者垂直，那么可以省略上述的角度矫正步骤，即直接采用第二尺寸的矩形框，以K2个连通区域的质心为中心分割得到K2张目标分割图像。
步骤210：计算目标分割图像的梯度方向直方图，并计算每张目标分割图像的梯度方向直方图相对于标准梯度方向直方图的方差。
计算梯度方向直方图的步骤与上述步骤207相同，在此不重复赘述，最终统计得到目标分割图像在不同梯度方向上的像素点个数。梯度方向直方图将-180°至180°划分为N个梯度方向的区间。
目标分割图像的梯度方向直方图相对于标准梯度方向直方图的方差为：
Figure BDA0002190777740000131
其中，nq为目标分割图像的梯度方向直方图中第q个梯度方向区间对应的像素点个数，Nq为标准产品图像的标准梯度方向直方图中第q个梯度方向区间对应的像素点个数。标准梯度方向直方图是对标准产品图像执行与目标图像相同的前述步骤，得到K3张标准目标分割图像，每张标准目标分割图像获得一个梯度方向直方图，然后计算每一梯度方向区间的像素点个数的均值后得到。
步骤211：从K2张目标分割图像中确定出方差小于第四阈值的K3张目标分割图像，得到K3张待检测图像。
这一步骤的目的是将获得的多张目标分割图像中包括待检测对象的图像与包括非待检测对象的图像区别开来，而用于区分的特征描述子为图像中梯度方向的分布，当目标分割图像获得的方差不小于第四阈值，则表明该目标分割图像的纹理信息与实际待检测对象的纹理具有明显差别，因此该目标分割图像将被剔除，最终留下满足要求的K3张目标分割图像，即得到用于最终缺陷检测的K3张待检测图像。
本实施例中，梯度方向能够很好地描述目标分割图像中的纹理信息，同时对于光线的变化能够具有很好的鲁棒性。在实际拍摄待检测产品的环境中，无法保证具有很好的光照条件，因此得到的目标图像中多个待检测对象很可能处于部分明亮、部分灰暗的状态，但由于待检测对象的形状、纹理是相同的，因此多个待检测对象的梯度方向的分布是变化不大的，从而能够保证上述方法的可靠性和准确性。
应理解，上述步骤201-211仅提供了一种可能的实施方式，除了上述方案以外，也不排除还可以通过其他方式实现对待检测图像的获取。比如，可以使用基于模板匹配的方法，即使用一张待检测图像的模板对目标图像进行相关计算，从目标图像中搜索与待检测图像相似的目标，并对相关计算后的值进行阈值处理获得对应的二值图像，然后可再对其进行连通区域的筛选与图像的分割，从而得到待检测图像。
本实施例提供的产品表面缺陷的检测方法能够用于对待检测产品生产线上的在线缺陷检测，即在加工完成某一产品以后，实时拍摄该产品的图像并实时获得该产品的检测结果，此外，也可用于某一产品的离线检测，即在获得一张待检测产品的目标图像以后，对该产品的表面缺陷进行检测。
本实施例提供的检测方法具有如下特点：实际情况中，产品的表面缺陷可能有多种不同的缺陷种类，形状不同、大小各异，但是均会破坏产品原本的纹理信息，使得存在缺陷的待检测对象与其他无缺陷的对象具有明显差别，本实施例以待检测图像的结构变化为依据，能够将有缺陷的产品直接挑选出来，因此并不需要知道造成缺陷的原因以及缺陷的种类、形状、大小等预信息，即可直接选出有缺陷的产品，通用性较强。
参照图5，本实施例还提供一种产品表面缺陷的检测***300，用于实现前述实施例的检测方法。检测***300包括处理终端301以及多个相机302，每一相机302分别设置在待检测产品周围，用于拍摄待检测产品不同表面的目标图像，使得到的多张目标图像能够完整反映待检测产品的表面信息。每一相机302分别与处理终端301通信连接，处理终端301接收多个相机302拍摄的多张目标图像，并分别对每一张目标图像执行上述方法实施例中的检测步骤，若其中任一张目标图像表明该待检测产品存在表面缺陷，即可输出该产品具有缺陷的检测结果。处理终端301可以是笔记本电脑、平板电脑、台式计算机、服务器等具有图像处理能力的计算设备中的任意一种。
基于同一发明构思，参照图6，本申请实施例中还提供一种产品表面缺陷的检测装置400，该装置包括：
获取模块401，用于获取包含有待检测产品的目标图像，其中，所述待检测产品表面具有多个待检测对象；
图像检测模块402，用于对所述目标图像进行处理，获得多张待检测图像，其中，每张待检测图像中包括待检测产品的单个待检测对象；
缺陷检测模块403，用于分别计算每张待检测图像对应的d个不变矩，并根据每张待检测图像的d个不变矩与预先获得的标准产品图像对应的d个标准不变矩，对所述待检测产品进行表面缺陷检测。
可选的，所述多个待检测对象的形状相同，缺陷检测模块403具体用于：分别计算每张待检测图像的d个不变矩相对于所述d个标准不变矩的方差；若所述多张待检测图像中的任一张待检测图像的方差大于第一阈值，则确定所述待检测产品存在表面缺陷。
可选的，所述多个待检测对象的形状相同，图像检测模块402具体用于：对所述目标图像进行阈值分割，获得K1个连通区域，并从所述K1个连通区域中确定出满足第一预设要求的K2个连通区域，其中，所述第一预设要求与所述连通区域的形状参数相关，K1、K2为正整数，且K1>K2；确定K2个连通区域中每一连通区域的质心，并根据每一质心映射至所述目标图像的位置，得到K2张目标分割图像；从所述K2张目标分割图像中确定出满足第二预设要求的K3张待检测图像，其中，第二预设要求与所述目标分割图像的纹理信息相关，K3为正整数，且K2>K3。
可选的，图像检测模块402具体用于：对所述目标图像进行滤波，获得滤波后的灰度图像；根据所述灰度图像中每一像素点的灰度值与第二阈值的大小关系，得到所述目标图像的二值图像，其中，所述第二阈值为预设系数与所述灰度图像中的最大灰度值的乘积，待检测产品上的单个待检测对象在所述二值图像中形成连通区域；获取所述二值图像中的K1个连通区域。
可选的，图像检测模块402具体用于：计算所述K1个连通区域中每一连通区域的面积，以及与所述连通区域具有相同标准二阶中心距的椭圆的离心率；从所述K1个连通区域中确定出满足如下要求的K2个连通区域：所述连通区域的面积位于第一阈值范围内且所述连通区域对应的离心率不小于第三阈值。
可选的，图像检测模块402具体用于：以K2个连通区域的质心为中心对所述目标图像进行分割，得到K2张原始分割图像；计算每一张原始分割图像的梯度方向直方图，所述梯度方向直方图表示所述原始分割图像在不同梯度方向上的像素点个数的统计；确定所述梯度方向直方图中像素点个数最多的梯度方向，并根据所述梯度方向和预设旋转方向矫正所述待检测对象在所述原始分割图像中的角度，获得矫正后的分割图像；以矫正后的分割图像的质心为中心分别对每一张矫正后的分割图像进行裁剪，得到K2张目标分割图像。
可选的，图像检测模块402具体用于：计算所述目标分割图像的梯度方向直方图，所述梯度方向直方图表示所述目标分割图像在不同梯度方向上的像素点个数的统计；计算每张目标分割图像的梯度方向直方图相对于预先获得的标准产品图像对应的标准梯度方向直方图的方差；从所述K2张目标分割图像中确定出满足如下要求的K3张待检测图像：所述目标分割图像对应的方差小于第四阈值。
可选的，缺陷检测模块403具体用于：分别计算每张待检测图像沿水平方向和沿竖直方向上的二阶梯度，并利用hu不变矩计算所述二阶梯度的多个不变矩，每张待检测图像获得共D个不变矩，其中，D为正整数，且D>d；利用主成分分析算法确定所述D个不变矩的主成分，获得d个不变矩。
可选的，所述多个待检测对象为所述待检测产品表面的多个形状相同的凸起，比如，待检测产品为波纹管，波纹管上的单个波纹凸起于产品表面，波纹管上的单个波纹作为一个待检测对象。
上述提供的检测装置与前一方法实施例的基本原理及产生的技术效果相同，为简要描述，本实施例部分未提及之处，可参考上述的方法实施例中的相应内容，在此不做赘述。
本申请实施例还提供一种存储介质，该存储介质上存储有程序，当该程序被处理器运行时执行如本申请上述实施例提供的产品表面缺陷的检测方法的步骤。
请参阅图7，本实施例提供一种电子设备500，包括处理器501和存储器502，存储器502中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器501加载并执行，以实现上述实施例提供的产品表面缺陷的检测方法。电子设备500还可以包括通信总线503，其中，处理器501和存储器502通过通信总线503完成相互间的通信。存储器502可以包括高速随机存取存储器(作为缓存)，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。通信总线503是连接所描述的元素的电路并且在这些元素之间实现传输。例如，处理器501通过通信总线503从其它元素接收到命令，解码接收到的命令，根据解码的命令执行计算或数据处理。
电子设备500可以对应于上述产品表面缺陷的检测***中的处理终端，用于对获取的目标图像进行图像处理，以实现对待检测产品表面缺陷的检测。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种产品表面缺陷的检测方法，其特征在于，所述方法包括：
获取包含有待检测产品的目标图像，其中，所述待检测产品表面具有多个待检测对象；
对所述目标图像进行处理，获得多张待检测图像，其中，每张待检测图像中包括待检测产品的单个待检测对象，所述多个待检测对象的形状相同；
所述对所述目标图像进行处理，获得多张待检测图像，包括：
对所述目标图像进行阈值分割，获得K1个连通区域，并从所述K1个连通区域中确定出满足第一预设要求的K2个连通区域，其中，所述第一预设要求与所述连通区域的形状参数相关，K1、K2为正整数，且K1>K2；确定K2个连通区域中每一连通区域的质心，并根据每一质心映射至所述目标图像的位置，得到K2张目标分割图像；从所述K2张目标分割图像中确定出满足第二预设要求的K3张待检测图像，其中，第二预设要求与所述目标分割图像的纹理信息相关，K3为正整数，且K2>K3；
分别计算每张待检测图像对应的d个不变矩，并根据每张待检测图像的d个不变矩与预先获得的标准产品图像对应的d个标准不变矩，对所述待检测产品进行表面缺陷检测，分别计算每张待检测图像的d个不变矩相对于所述d个标准不变矩的方差；若所述多张待检测图像中的任一张待检测图像的方差大于第一阈值，则确定所述待检测产品存在表面缺陷，其中，d为正整数，第一阈值范围设置为50-1000。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行阈值分割，获得K1个连通区域，包括：
对所述目标图像进行滤波，获得滤波后的灰度图像；
根据所述灰度图像中每一像素点的灰度值与第二阈值的大小关系，得到所述目标图像的二值图像，其中，所述第二阈值为预设系数与所述灰度图像中的最大灰度值的乘积，待检测产品上的单个待检测对象在所述二值图像中形成连通区域；
获取所述二值图像中的K1个连通区域。
3.根据权利要求1所述的方法，其特征在于，所述从所述K1个连通区域中确定出满足第一预设要求的K2个连通区域，包括：
计算所述K1个连通区域中每一连通区域的面积，以及与所述连通区域具有相同标准二阶中心距的椭圆的离心率；
从所述K1个连通区域中确定出满足如下要求的K2个连通区域：所述连通区域的面积位于第一阈值范围内且所述连通区域对应的离心率不小于第三阈值。
4.根据权利要求1所述的方法，其特征在于，所述根据每一质心映射至所述目标图像的位置，得到K2张目标分割图像，包括：
以K2个连通区域的质心为中心对所述目标图像进行分割，得到K2张原始分割图像；
计算每一张原始分割图像的梯度方向直方图，所述梯度方向直方图表示所述原始分割图像在不同梯度方向上的像素点个数的统计；
确定所述梯度方向直方图中像素点个数最多的梯度方向，并根据所述梯度方向和预设旋转方向矫正所述待检测对象在所述原始分割图像中的角度，获得矫正后的分割图像；
以矫正后的分割图像的质心为中心分别对每一张矫正后的分割图像进行裁剪，得到K2张目标分割图像。
5.根据权利要求1所述的方法，其特征在于，所述从所述K2张目标分割图像中确定出满足第二预设要求的K3张待检测图像，包括：
计算所述目标分割图像的梯度方向直方图，所述梯度方向直方图表示所述目标分割图像在不同梯度方向上的像素点个数的统计；
计算每张目标分割图像的梯度方向直方图相对于预先获得的标准产品图像对应的标准梯度方向直方图的方差；
从所述K2张目标分割图像中确定出满足如下要求的K3张待检测图像：所述目标分割图像对应的方差小于第四阈值。
6.根据权利要求1所述的方法，其特征在于，所述分别计算每张待检测图像对应的d个不变矩，包括：
分别计算每张待检测图像沿水平方向和沿竖直方向上的二阶梯度，并利用hu不变矩计算所述二阶梯度的多个不变矩，每张待检测图像获得共D个不变矩，其中，D为正整数，且D>d；
利用主成分分析算法确定所述D个不变矩的主成分，获得d个不变矩。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述多个待检测对象为所述待检测产品表面的多个形状相同的凸起。
8.一种产品表面缺陷的检测装置，其特征在于，所述装置包括：
获取模块，用于获取包含有待检测产品的目标图像，其中，所述待检测产品表面具有多个待检测对象；
图像检测模块，用于对所述目标图像进行处理，获得多张待检测图像，其中，每张待检测图像中包括待检测产品的单个待检测对象，所述多个待检测对象的形状相同；在所述对所述目标图像进行处理，获得多张待检测图像中，所述图像检测模块具体用于：对所述目标图像进行阈值分割，获得K1个连通区域，并从所述K1个连通区域中确定出满足第一预设要求的K2个连通区域，其中，所述第一预设要求与所述连通区域的形状参数相关，K1、K2为正整数，且K1>K2；确定K2个连通区域中每一连通区域的质心，并根据每一质心映射至所述目标图像的位置，得到K2张目标分割图像；从所述K2张目标分割图像中确定出满足第二预设要求的K3张待检测图像，其中，第二预设要求与所述目标分割图像的纹理信息相关，K3为正整数，且K2>K3；
缺陷检测模块，用于分别计算每张待检测图像对应的d个不变矩，并根据每张待检测图像的d个不变矩与预先获得的标准产品图像对应的d个标准不变矩，对所述待检测产品进行表面缺陷检测，分别计算每张待检测图像的d个不变矩相对于所述d个标准不变矩的方差；若所述多张待检测图像中的任一张待检测图像的方差大于第一阈值，则确定所述待检测产品存在表面缺陷，其中，d为正整数，第一阈值范围设置为50-1000。
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
CN201910831247.0A 2019-09-04 2019-09-04 一种产品表面缺陷的检测方法、装置及存储介质 Active CN110517265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910831247.0A CN110517265B (zh) 2019-09-04 2019-09-04 一种产品表面缺陷的检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910831247.0A CN110517265B (zh) 2019-09-04 2019-09-04 一种产品表面缺陷的检测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110517265A CN110517265A (zh) 2019-11-29
CN110517265B true CN110517265B (zh) 2022-03-01

Family

ID=68629640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910831247.0A Active CN110517265B (zh) 2019-09-04 2019-09-04 一种产品表面缺陷的检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110517265B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127571B (zh) * 2019-12-03 2023-12-29 歌尔股份有限公司 一种小样本缺陷分类方法和装置
CN111598832A (zh) * 2020-04-01 2020-08-28 江门荣信电路板有限公司 一种槽孔缺陷标注方法、装置和存储介质
CN111693533B (zh) * 2020-06-11 2023-01-20 南通通富微电子有限公司 工件表面质量的检测方法及检测装置、外观机
TWI743837B (zh) * 2020-06-16 2021-10-21 緯創資通股份有限公司 訓練資料增量方法、電子裝置與電腦可讀取記錄媒體
CN112001841A (zh) * 2020-07-14 2020-11-27 歌尔股份有限公司 图像待检测区域提取方法、装置和产品缺陷检测***
CN112001902A (zh) * 2020-08-19 2020-11-27 上海商汤智能科技有限公司 缺陷检测方法和相关装置、设备、存储介质
CN114419039B (zh) * 2022-03-28 2022-06-24 武汉市融科优品装饰材料有限公司 一种基于模板匹配的装饰墙纸缺陷检测方法
CN115880288B (zh) * 2023-02-21 2023-11-14 深圳市兆兴博拓科技股份有限公司 电子元件焊接的检测方法、***及计算机设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508110B (zh) * 2011-10-10 2014-07-09 上海大学 基于纹理的绝缘子缺陷诊断方法
KR101361922B1 (ko) * 2012-10-19 2014-02-21 서울여자대학교 산학협력단 산업용 ｃｔ 영상에서 밝기값 및 형태 정보를 이용한 기공결함 자동검출시스템 및그 제어방법
CN106778734B (zh) * 2016-11-10 2020-04-21 华北电力大学（保定） 一种基于稀疏表示的绝缘子掉串缺陷检测方法
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN107301422A (zh) * 2017-05-24 2017-10-27 广西师范大学 一种基于颜色特征和Hu矩的竹条颜色分类方法和***
CN109493339B (zh) * 2018-11-20 2022-02-18 北京嘉恒中自图像技术有限公司 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法
CN109785285B (zh) * 2018-12-11 2023-08-08 西安工程大学 一种基于椭圆特征拟合的绝缘子破损检测方法

Also Published As

Publication number Publication date
CN110517265A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110517265B (zh) 一种产品表面缺陷的检测方法、装置及存储介质
WO2022042579A1 (zh) 一种用于lcd屏幕的缺陷检测方法、装置
CN113109368B (zh) 玻璃裂纹检测方法、装置、设备及介质
CN111879735B (zh) 一种基于图像的大米外观品质检测方法
CN113608378B (zh) 一种基于lcd制程的全自动缺陷检测方法和***
CN110660072B (zh) 一种直线边缘的识别方法、装置、存储介质及电子设备
CN116703909B (zh) 一种电源适配器生产质量智能检测方法
CN108710852B (zh) 一种限定拍摄深度的粒度分布图像识别方法及***
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测***
EP2973223B1 (en) Enhanced analysis for image-based serpentine belt wear evaluation
CN110807354B (zh) 一种工业流水线产品计数方法
CN114821274A (zh) 一种用于识别分合指示牌的状态的方法和设备
CN113902652A (zh) 散斑图像校正方法、深度计算方法、装置、介质及设备
CN116612125B (zh) 基于人工智能的食药品胶囊质量检测方法
CN112950594A (zh) 产品表面缺陷的检测方法、设备及存储介质
CN115690747B (zh) 车辆盲区检测模型测试方法、装置、电子设备及存储介质
CN117274211A (zh) 一种屏幕缺陷检测方法、装置、终端设备及存储介质
CN114092385A (zh) 基于机器视觉的工业机械故障检测方法及装置
CN113409297A (zh) 骨料体积计算方法、粒形级配数据生成方法、***和设备
CN117974646B (zh) 一种光纤表面涂覆质量视觉检测方法
CN108765365A (zh) 一种转子绕线图像合格性检测方法
CN117876376B (zh) 高速率多功能连接器质量视觉检测方法
CN110660073B (zh) 一种直线边缘识别设备
CN115471469A (zh) 砂石规格机器视觉检测方法、***、电子设备及存储介质
CN116503371A (zh) 用于检测光伏玻璃正反面的方法

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