CN110866911B - 表盘缺陷检测方法、装置、图像处理设备及存储介质 - Google Patents
表盘缺陷检测方法、装置、图像处理设备及存储介质 Download PDFInfo
- Publication number
- CN110866911B CN110866911B CN201911114254.5A CN201911114254A CN110866911B CN 110866911 B CN110866911 B CN 110866911B CN 201911114254 A CN201911114254 A CN 201911114254A CN 110866911 B CN110866911 B CN 110866911B
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- area
- dial
- areas
- 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 47
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000001131 transforming effect Effects 0.000 claims abstract 2
- 230000009466 transformation Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明实施例提出一种表盘缺陷检测方法、装置、图像处理设备及存储介质,涉及计算机视觉技术领域。该方法及装置通过对获取的原始图像进行预处理得到预处理图像,然后基于预存储的第一标准图像,对预处理图像进行几何变换得到变换图像,接着基于预存储的第二标准图像,从变换图像中定位得到目标图像区域,接着根据目标图像区域得到归一化特征,最后对归一化特征进行分类以确定原始图像是否包含缺陷。通过上述方法实现对表盘缺陷的自动检测,既能有效减少人为检测导致的误检、漏检等情况,还能减少人力成本,并提高检测效率。
Description
技术领域
本发明涉及计算机视觉技术领域,具体而言,涉及一种表盘缺陷检测方法、装置、图像处理设备及存储介质。
背景技术
表计作为变电站中重要的仪器仪表,传递着变电站设备的运行状态、温度高低、油位多少等信息。由于变电站设备之间的相互影响,再加上水雾天、雷雨天、暴晒天等气候作用,日常越久,许多变电站表盘或多或少都有不同程度的破损。
传统表计的巡视通常采取人工观察的方式,工作效率低,人力成本高,检查不及时。大多数运维人员依靠自身的主观工作经验,进行现场表计缺陷检测,漏检、误检在所难免。
发明内容
有鉴于此,本发明的目的在于提供一种表盘缺陷检测方法、装置、图像处理设备及存储介质。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,实施例提供一种表盘缺陷检测方法,所述表盘缺陷检测方法包括:
对获取的原始图像进行预处理得到预处理图像;
基于预存储的第一标准图像,对所述预处理图像进行几何变换得到变换图像;
基于预存储的第二标准图像,从所述变换图像中定位得到目标图像区域;
根据所述目标图像区域得到归一化特征;
对所述归一化特征进行分类以确定所述原始图像是否包含缺陷。
第二方面,实施例提供一种表盘缺陷检测装置,所述表盘缺陷检测装置包括:
预处理模块,用于对获取的原始图像进行预处理得到预处理图像;
修正模块,用于基于预存储的第一标准图像,对所述预处理图像进行几何变换得到变换图像;
定位模块,用于基于预存储的第二标准图像,从所述变换图像中定位得到目标图像区域;
特征提取模块,用于根据所述目标图像区域得到归一化特征;
分类模块,用于对所述归一化特征进行分类以确定所述原始图像是否包含缺陷。
第三方面,实施例提供一种图像处理设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现前述实施方式任一所述的方法。
第四方面,实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的表盘缺陷检测方法。
本发明实施例提供的表盘缺陷检测方法、装置、图像处理设备及存储介质,通过对获取的原始图像进行预处理得到预处理图像,然后基于预存储的第一标准图像,对预处理图像进行几何变换得到变换图像,接着基于预存储的第二标准图像,从变换图像中定位得到目标图像区域,接着根据目标图像区域得到归一化特征,最后对归一化特征进行分类以确定原始图像是否包含缺陷。通过上述方法实现对表盘缺陷的自动检测,既能有效减少人为检测导致的误检、漏检等情况,还能减少人力成本,并提高检测效率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对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发明的某些实施例,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示出了本发明实施例提供的图像处理设备的方框示意图。
图2示出了本发明实施例提供的表盘缺陷检测方法的流程图。
图3示出了本发明实施例提供的表盘缺陷检测方法进一步的流程图。
图4示出了本发明实施例提供的表盘缺陷检测装置的功能模块图。
图标:100-图像处理设备;110-存储器;120-处理器;130-通信单元;200-表盘缺陷检测装置;210-预处理模块;220-修正模块;230-定位模块;240-特征提取模块;250-分类模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“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。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1,是图像处理设备100的方框示意图。所述图像处理设备100包括存储器110、处理器120及通信单元130。所述存储器110、处理器120以及通信单元130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。所述存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。
通信单元130用于通过所述网络建立所述图像处理设备100与其它通信终端之间的通信连接,并用于通过所述网络收发数据。
应当理解的是,图1所示的结构仅为图像处理设备100的结构示意图,所述图像处理设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
第一实施例
本发明提供了一种表盘缺陷检测方法,应用于上述图像处理设备100。请参阅图2,为本发明提供的表盘缺陷检测方法的流程图。该表盘缺陷检测方法包括:
S201,对获取的原始图像进行预处理得到预处理图像。
其中,获取的原始图像可以为照相机、摄像头等照相设备所拍摄的图像,且该原始图像中至少包含一个表计。
请参阅图3,为本发明提供的表盘缺陷检测方法进一步的流程图。该S201包括:
S2011,利用直方图均衡化算法对原始图像进行均衡化处理得到均衡化图像。
最后将所得的变换函数的各灰度级值转化成标准的灰度级值,即按靠近原则近似得到与原图像灰度级相同的标准灰度级中。此时获得的既是均衡化后的图像存在的灰度级值,其对应的像素个数不为零;而对于那些在变换过程中“被丢失了的”灰度级,将其像素个数设为零,从而得到均衡化图像。
通过对原始图像的像素灰度作映射变换,使得变换后的图像灰度直方图是均匀分布的,从而增加了像素灰度值的动态范围,达到增强图像对比度的效果。
S2012,对均衡化图像进行坐标转换得到HSI色彩空间下的第一转换图像。
可以理解地,均衡化图像原本是RGB(Red、Green、Blue)颜色空间下的图像。在本实施例中,需要将均衡化图像由RGB颜色空间转换至HIS(Hue、Saturation、Intensity)色彩空间,得到第一转换图像。
S2013,对第一转换图像包括的I通道图像进行中值滤波处理以得到预处理图像。
通过对I通道图像进行中值滤波处理,并保持其他通道图像不变,从而得到预处理图像,既不会损失原始图像的色彩,又能使得到的预处理图像对比度较高,便于后续进行特征提取。
S202,基于预存储的第一标准图像,对预处理图像进行几何变换得到变换图像。
其中,第一标准图像实际上为包含了表计的外壳、表盘等整个轮廓部分的图像。此外,为了便于后续进行检测,该第一标准图像包括的表计最好可以处于正面。
请继续参阅图3,该S202包括:
S2021,利用快速特征点提取和描述算法提取第一标准图像的第一角点以及变换图像的第二角点。
其中,利用快速特征点提取和描述(Oriented FAST and Rotated BRIEF,ORB)算法可以快速提取第一标准图像中的ORB角点(第一角点)以及变换图像中的ORB角点(第二角点)。
S2022,对第一角点及第二角点进行匹配以确定预处理图像与变换图像之间的几何变换关系。
S2023,根据几何变换关系对预处理图像进行几何变换得到变换图像。
可以理解地,通过S2021~S2023,实现对预处理图像的几何变换,达到修正预处理图像中表计的角度的效果,有利于后续进行破损检测,从而得到准确的检测结果。
S203,基于预存储的第二标准图像,从变换图像中定位得到目标图像区域。
需要说明的是,目标图像区域即为变换图像中包含表盘的区域,且变换图像中可以存在多个目标图像区域。而第二标准图像作为辅助定位变换图像中包含表盘的区域的图像,第二标准图像即为表盘的图像。
请继续参阅图3,该S203包括:
S2031,以第二标准图像为基准,以预设定的第一步长遍历变换图像以使变换图像的多个区域依次成为第一待识别区域。
S2032,从多个第一待识别区域中确定第二待识别区域。
具体地,需要先计算所述第二标准图像与每个所述第一待识别区域的相关性系数,然后将所述相关性系数大于或等于预设定的阈值的第一待识别区域确定为第二待识别区域。
具体地,相关性系数可利用以下算式进行计算:其中,r(H,M)为相关性系数,Cov(H,M)为第二待识别区域H和第二标准图像M的协方差,Var(H)为第二待识别区域H的方差,Var(M)为第二标准图像M的方差。
可以理解地,相关性系数越高,则表明两个图像的相似度越大。因而,当某一相关性系数大于或等于预设定的阈值时,便表明该相关性系数对应的第一待识别区域很可能是表盘所在区域,因此将其确定为第二待识别区域,便于进一步处理。
需要说明的是,若变换图像中包含多个表盘,则第二待识别区域的数量也可以为多个。
S2033,对每个第二待识别区域进行扩展。
例如,可以对每个第二待识别区域在上、下、左、右四个方向进行扩展(如5、6、7等任意数量个像素)。
S2034,以第二标准图像为基准,以预设定的第二步长遍历扩展后的每个第二待识别区域以使扩展后的第二待识别区域的多个区域依次成为第三待识别区域。
需要说明的是,第二步长最好小于第一步长,即第二次以较小的步长遍历扩展后的每个第二待识别区域,从而能够更准确地识别出扩展后的每个第二待识别区域中是否包含表盘。
S2035,从每个扩展后的第二待识别区域包括的多个第三待识别区域中确定目标图像区域。
具体地,计算第二标准图像与每个第三待识别区域的相关性系数,将每个扩展后的第二待识别区域中相关性系数最大的第三待识别区域确定为目标图像区域。
S204,根据目标图像区域得到归一化特征。
请继续参阅图3,该S204包括:
S2041,利用方向梯度直方图算法(Histogram of Oriented Gradient,HOG)从目标图像区域中提取方向梯度直方图(HOG)特征。
S2042,根据主成分分析算法对方向梯度直方图特征进行降维操作。
由于HOG特征的维度会随着图像的大小变化而变化,其表达的特征数量大并且冗余性高,因此可采用主成分分析算法(PrincipalComponentAnalysis,PCA)对HOG特征进行降维。
假设HOG特征为x=(x1,x2,...,xD)T,D为特征维数,降维操作后的新特征为y=(y1,y2,...,yD)T,P(P≤D)为新特征维数,则HOG特征与新特征关系:
其中,aDp为映射变换系数,组合为样本特征主分量ai=(ai1,ai2,…,aiD)T,i∈{1,2,…,P},组合为主分量矩阵A=(a1,a2,…,ap)T,则可记为:
x=Ay。其中,|ai|=1,表示每个PCA主分量ai长度为1;ai Taj=0(i≠j,i、j=1,2,…P)表示主分量间内积为0;cov(yi,yj)=0,表示新特征具有无关性;var(y1)≥var(y1)≥...≥var(yP),表示新特征方差具有递减性。
此外,该主分量矩阵A可通过样本特征xq(q=1,2,...n)的协方差矩阵Σ特征值λi与特征向量ai(i=1,2,...,P)确定:
(Σ-λiI)ai=0
S2043,对进行降维操作后的方向梯度直方图特征进行归一化处理得到归一化特征。
通过对降维操作后的方向梯度直方图特征进行归一化处理,可使得归一化特征被限定在一定的范围内(比如[0,1]或者[-1,1]),从而消除奇异样本数据导致的不良影响。
S205,对归一化特征进行分类以确定原始图像是否包含缺陷。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种表盘缺陷检测装置200的实现方式,可选地,该表盘缺陷检测装置200可以采用上述图1所示的图像处理设备100的器件结构。进一步地,请参阅图4,图4为本发明实施例提供的一种表盘缺陷检测装置200的功能模块图。需要说明的是,本实施例所提供的表盘缺陷检测装置200,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该表盘缺陷检测装置200包括:预处理模块210、修正模块220、定位模块230、特征提取模块240以及分类模块250。
其中,预处理模块210用于对获取的原始图像进行预处理得到预处理图像。
具体地,预处理模块210用于利用直方图均衡化算法对原始图像进行均衡化处理得到均衡化图像,然后对均衡化图像进行坐标转换得到HSI色彩空间下的第一转换图像,最后对第一转换图像包括的I通道图像进行中值滤波处理以得到预处理图像。
可以理解地,在一种可选的实施方式中,该预处理模块210可用于执行S201、S2011、S2012以及S2013。
修正模块220用于基于预存储的第一标准图像,对预处理图像进行几何变换得到变换图像。
具体地,修正模块220用于利用快速特征点提取和描述算法提取第一标准图像的第一角点以及变换图像的第二角点,然后对第一角点及第二角点进行匹配以确定预处理图像与变换图像之间的几何变换关系,最后根据几何变换关系对预处理图像进行几何变换得到变换图像。
可以理解地,在一种可选的实施方式中,该预处理模块210可用于执行S202、S2021、S2022以及S2023。
定位模块230用于基于预存储的第二标准图像,从变换图像中定位得到目标图像区域。
具体地,定位模块230用于以第二标准图像为基准,以预设定的第一步长遍历变换图像以使变换图像的多个区域依次成为第一待识别区域,然后从多个第一待识别区域中确定第二待识别区域,并对每个第二待识别区域进行扩展,接着以第二标准图像为基准,以预设定的第二步长遍历扩展后的每个第二待识别区域以使扩展后的第二待识别区域的多个区域依次成为第三待识别区域,最后从每个扩展后的第二待识别区域包括的多个第三待识别区域中确定目标图像区域。
可以理解地,在一种可选的实施方式中,该定位模块230可用于执行S203、S2031、S2032、S2033、S2034以及S2035。
特征提取模块240用于根据目标图像区域得到归一化特征。
具体地,特征提取模块240用于利用方向梯度直方图算法从目标图像区域中提取方向梯度直方图特征,然后根据主成分分析算法对方向梯度直方图特征进行降维操作,从而对进行降维操作后的方向梯度直方图特征进行归一化处理得到归一化特征。
可以理解地,在一种可选的实施方式中,该特征提取模块240可用于执行S204、S2041、S2042以及S2043。
分类模块250用于对归一化特征进行分类以确定原始图像是否包含缺陷。
可以理解地,在一种可选的实施方式中,该分类模块250可用于执行S205。
可选地,上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器110中或固化于该图像处理设备100的操作***(Operating System,OS)中,并可由图1中的处理器120执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器120执行时实现如前述实施方式中任一项所述的表盘缺陷检测方法。
综上所述,本发明实施例提供的表盘缺陷检测方法、装置、图像处理设备及存储介质,通过对获取的原始图像进行预处理得到预处理图像,然后基于预存储的第一标准图像,对预处理图像进行几何变换得到变换图像,接着基于预存储的第二标准图像,从变换图像中定位得到目标图像区域,接着根据目标图像区域得到归一化特征,最后对归一化特征进行分类以确定原始图像是否包含缺陷。通过上述方法实现对表盘缺陷的自动检测,既能有效减少人为检测导致的误检、漏检等情况,还能减少人力成本,并提高检测效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也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,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个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。
所述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,本发明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)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种表盘缺陷检测方法,其特征在于,所述表盘缺陷检测方法包括:
对获取的原始图像进行预处理得到预处理图像;
基于预存储的第一标准图像,对所述预处理图像进行几何变换得到变换图像;
以第二标准图像为基准,以预设定的第一步长遍历所述变换图像以使所述变换图像的多个区域依次成为第一待识别区域;
从多个所述第一待识别区域中确定第二待识别区域;
对每个所述第二待识别区域进行扩展;
以所述第二标准图像为基准,以预设定的第二步长遍历扩展后的每个所述第二待识别区域以使扩展后的所述第二待识别区域的多个区域依次成为第三待识别区域,所述第二步长小于所述第一步长;
从每个扩展后的所述第二待识别区域包括的多个第三待识别区域中确定目标图像区域;
根据所述目标图像区域得到归一化特征;
对所述归一化特征进行分类以确定所述原始图像是否包含缺陷。
2.根据权利要求1所述的表盘缺陷检测方法,其特征在于,所述对获取的原始图像进行预处理得到预处理图像的步骤包括:
利用直方图均衡化算法对所述原始图像进行均衡化处理得到均衡化图像;
对所述均衡化图像进行坐标转换得到HSI色彩空间下的第一转换图像;
对所述第一转换图像包括的I通道图像进行中值滤波处理以得到所述预处理图像。
3.根据权利要求1所述的表盘缺陷检测方法,其特征在于,所述基于预存储的第一标准图像,对所述预处理图像进行几何变换得到变换图像的步骤包括:
利用快速特征点提取和描述算法提取所述第一标准图像的第一角点以及所述预处理图像的第二角点;
对所述第一角点及所述第二角点进行匹配以确定所述预处理图像与所述第一标准图像之间的几何变换关系;
根据所述几何变换关系对所述预处理图像进行几何变换得到所述变换图像。
4.根据权利要求1所述的表盘缺陷检测方法,其特征在于,所述从多个所述第一待识别区域中确定第二待识别区域的步骤包括:
计算所述第二标准图像与每个所述第一待识别区域的相关性系数;
将所述相关性系数大于或等于预设定的阈值的第一待识别区域确定为第二待识别区域。
5.根据权利要求1所述的表盘缺陷检测方法,其特征在于,所述从每个扩展后的所述第二待识别区域包括的多个第三待识别区域中确定所述目标图像区域的步骤包括:
计算所述第二标准图像与每个所述第三待识别区域的相关性系数;
将每个扩展后的所述第二待识别区域中相关性系数最大的所述第三待识别区域确定为所述目标图像区域。
6.根据权利要求1所述的表盘缺陷检测方法,其特征在于,所述根据所述目标图像区域得到归一化特征的步骤包括:
利用方向梯度直方图算法从所述目标图像区域中提取方向梯度直方图特征;
根据主成分分析算法对所述方向梯度直方图特征进行降维操作;
对进行降维操作后的所述方向梯度直方图特征进行归一化处理得到所述归一化特征。
7.一种表盘缺陷检测装置,其特征在于,所述表盘缺陷检测装置包括:
预处理模块,用于对获取的原始图像进行预处理得到预处理图像;
修正模块,用于基于预存储的第一标准图像,对所述预处理图像进行几何变换得到变换图像;
定位模块,用于以第二标准图像为基准,以预设定的第一步长遍历所述变换图像以使所述变换图像的多个区域依次成为第一待识别区域;
从多个所述第一待识别区域中确定第二待识别区域;
对每个所述第二待识别区域进行扩展;
以所述第二标准图像为基准,以预设定的第二步长遍历扩展后的每个所述第二待识别区域以使扩展后的所述第二待识别区域的多个区域依次成为第三待识别区域,所述第二步长小于所述第一步长;
从每个扩展后的所述第二待识别区域包括的多个第三待识别区域中确定目标图像区域;
特征提取模块,用于根据所述目标图像区域得到归一化特征;
分类模块,用于对所述归一化特征进行分类以确定所述原始图像是否包含缺陷。
8.一种图像处理设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现权利要求1-6任一所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的表盘缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114254.5A CN110866911B (zh) | 2019-11-14 | 2019-11-14 | 表盘缺陷检测方法、装置、图像处理设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114254.5A CN110866911B (zh) | 2019-11-14 | 2019-11-14 | 表盘缺陷检测方法、装置、图像处理设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866911A CN110866911A (zh) | 2020-03-06 |
CN110866911B true CN110866911B (zh) | 2022-08-30 |
Family
ID=69654860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911114254.5A Active CN110866911B (zh) | 2019-11-14 | 2019-11-14 | 表盘缺陷检测方法、装置、图像处理设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866911B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469293B (zh) * | 2021-09-02 | 2021-11-09 | 成都数联云算科技有限公司 | 面板阵列短路检测方法、装置、电子设备及存储介质 |
CN115908328A (zh) * | 2022-11-21 | 2023-04-04 | 利多(香港)有限公司 | 一种检测包装盒内物料放置情况的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6947587B1 (en) * | 1998-04-21 | 2005-09-20 | Hitachi, Ltd. | Defect inspection method and apparatus |
CN104597057A (zh) * | 2015-02-02 | 2015-05-06 | 东华大学 | 一种基于机器视觉的柱状二极管表面缺陷检测装置 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
-
2019
- 2019-11-14 CN CN201911114254.5A patent/CN110866911B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6947587B1 (en) * | 1998-04-21 | 2005-09-20 | Hitachi, Ltd. | Defect inspection method and apparatus |
CN104597057A (zh) * | 2015-02-02 | 2015-05-06 | 东华大学 | 一种基于机器视觉的柱状二极管表面缺陷检测装置 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
Non-Patent Citations (5)
Title |
---|
An intelligent machine vision system for detecting surface defects on packing boxes based on support vector machine;Yu Wu etc.;《MEASUREMENT & CONTROL》;20190717;第52卷(第7-8期);第1102-1110页 * |
基于机器视觉的电池表面缺陷检测技术研究;王磊;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20110915(第09期);第I138-790页 * |
晶圆表面缺陷在线检测研究;林佳 等;《计算机测量与控制》;20180525;第26卷(第05期);第14-16、20页 * |
机器视觉表面缺陷检测综述;汤勃 等;《中国图象图形学报》;20171216;第22卷(第12期);第1640-1663页 * |
王磊.基于机器视觉的电池表面缺陷检测技术研究.《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》.2011,(第09期),第I138-790页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110866911A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN110033040B (zh) | 一种火焰识别方法、***、介质和设备 | |
CN110866911B (zh) | 表盘缺陷检测方法、装置、图像处理设备及存储介质 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
JP6958743B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN111814821A (zh) | 深度学习模型的建立方法、样本处理方法及装置 | |
CN111310690B (zh) | 基于cn和三通道胶囊网络的森林火灾识别方法及装置 | |
CN116740135B (zh) | 红外弱小目标跟踪方法、装置、电子设备及存储介质 | |
CN114581318A (zh) | 一种低照明度图像增强方法及*** | |
CN114066862A (zh) | 一种基于色域和轮廓特征的指示器识别方法及*** | |
Fu et al. | A noise-resistant superpixel segmentation algorithm for hyperspectral images | |
CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
CN116468958B (zh) | 通信铁塔安全检测方法及*** | |
CN116452613B (zh) | 一种地质调查中裂缝轮廓提取方法 | |
CN109035306B (zh) | 动目标自动检测方法及装置 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN114973368A (zh) | 基于特征融合的人脸识别方法、装置、设备和存储介质 | |
CN114494887A (zh) | 遥感图像分类方法、装置、计算机设备和可读存储介质 | |
CN113409248A (zh) | 一种面向夜间图像的无参考质量评价方法 | |
CN112991342A (zh) | 基于水位尺图像的水位线检测方法、装置与*** | |
CN117011296B (zh) | 一种光电吊舱跟踪精度快速检测方法、设备及存储介质 | |
CN113128511B (zh) | 一种焦炭组织识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, device, image processing equipment, and storage medium for detecting dial defects Effective date of registration: 20230926 Granted publication date: 20220830 Pledgee: Chengdu rural commercial bank Limited by Share Ltd. Hongguang branch Pledgor: Huayan Intelligent Technology (Group) Co.,Ltd. Registration number: Y2023510000225 |