CN111768348B - 一种缺陷检测方法、设备及计算机可读存储介质 - Google Patents
一种缺陷检测方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111768348B CN111768348B CN202010472834.8A CN202010472834A CN111768348B CN 111768348 B CN111768348 B CN 111768348B CN 202010472834 A CN202010472834 A CN 202010472834A CN 111768348 B CN111768348 B CN 111768348B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- threshold
- value
- area
- 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 472
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims description 69
- 230000002950 deficient Effects 0.000 claims description 60
- 238000001914 filtration Methods 0.000 claims description 49
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种缺陷检测方法、设备及计算机可读存储介质,所述方法包括:对指定图像进行图像增强处理,获得缺陷增强图像;根据缺陷阈值遍历所述缺陷增强图像上的像素值,获得超过缺陷阈值的像素值;基于所述超过缺陷阈值的像素值进行连通域分割,获得缺陷区域;通过线性阈值对所述缺陷区域进行缺陷判断,以确定与所述缺陷区域对应的缺陷状态,具有客观准确地评价屏幕缺陷的特点。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种缺陷检测方法、设备及计算机可读存储介质。
背景技术
在进行屏幕检测过程中,需要对屏幕是否存在缺陷区域进行检测。屏幕缺陷区域为屏幕上相较于屏幕背景对比度低、形状多样、边缘模糊、肉眼辨识度低或其他缺陷的区域。在对屏幕缺陷区域进行检测的时候,由于屏幕自身存在一定程度的亮度不均,屏幕的图像背景存在周期性纹理,在屏幕检测过程中易发生混频现象产生的波纹状明暗变化等原因,会造成屏幕缺陷检测的准确率低。
发明内容
本发明实施例提供了一种缺陷检测方法、设备及计算机可读存储介质,具有提高屏幕缺陷检测准确率的特点。
本发明实施例一方面提供一种缺陷检测方法,所述方法包括:对指定图像进行图像增强处理,获得缺陷增强图像;根据缺陷阈值遍历所述缺陷增强图像上的像素值,获得超过缺陷阈值的像素值;基于所述超过缺陷阈值的像素值进行连通域分割,获得缺陷区域;通过线性阈值对所述缺陷区域进行缺陷判断,以确定与所述缺陷区域对应的缺陷状态。
在一可实施方式中,所述对指定图像进行图像增强处理,获得缺陷增强图像,包括:对所述指定图像进行第一高斯滤波处理获得第一滤波图像,并对所述指定图像进行盖博滤波处理获得第二滤波图像;对所述第一滤波图像和所述第二滤波图像进行差分处理,获得差分图像;根据至少一个预设窗口尺寸对所述指定图像进行第二高斯滤波处理,得到第三滤波图像;对所述第三滤波图像和所述差分图像进行差分处理,获得所述缺陷增强图像。
在一可实施方式中,所述基于超过缺陷阈值的像素值进行连通域分割,获得缺陷区域,包括:根据预设规则获得当前像素值,所述当前像素值为所述超过缺陷阈值的像素值的其中之一;遍历在当前像素值指定范围内的所有像素值,获得目标像素值;所述目标像素值包含在所述超过缺陷阈值的像素值中;将所述当前像素值和所述目标像素值分割为同一缺陷区域。
在一可实施方式中,所述通过线性阈值对所述缺陷区域进行缺陷判断,以确定与所述缺陷区域对应的缺陷状态,包括:确定所述缺陷区域的对比度;基于所述缺陷区域的像素值确定所述缺陷区域的面积;根据所述面积和对比度确定缺陷评价值;根据所述缺陷评价值与所述线性阈值进行比较,以确定所述与所述缺陷区域对应的缺陷状态。
在一可实施方式中,所述线性阈值包括范围阈值;相应的,所述根据所述缺陷评价值与所述线性阈值进行比较,以确定所述与所述缺陷区域对应的缺陷状态,包括:判断所述缺陷评价值是否满足范围阈值;当判断为所述缺陷评价值满足范围阈值时,确定与所述缺陷评价值对应的缺陷区域的缺陷状态为存在缺陷。
在一可实施方式中,所述线性阈值还包括多个范围区间;相应的,所述根据所述缺陷评价值与所述线性阈值进行比较,以确定所述与所述缺陷区域对应的缺陷状态,包括:确定与所述缺陷评价值对应的范围区间;基于所述范围区间确定与所述缺陷评价值对应的缺陷类型,所述缺陷类型包括点状缺陷、块状缺陷、透光缺陷的至少之一。
本发明实施例另一方面提供一种缺陷检测设备,所述设备包括:增强模块,用于对指定图像进行图像增强处理,获得缺陷增强图像;遍历模块,用于根据缺陷阈值遍历所述缺陷增强图像上的像素值,获得超过缺陷阈值的像素值;分割模块,用于基于所述超过缺陷阈值的像素值进行连通域分割,获得缺陷区域;判断模块,用于通过线性阈值对所述缺陷区域进行缺陷判断,以确定与所述缺陷区域对应的缺陷状态。
在一可实施方式中,所述增强模块,包括:滤波子模块,用于对所述指定图像进行第一高斯滤波处理获得第一滤波图像,并对所述指定图像进行盖博滤波处理获得第二滤波图像;差分子模块,用于对第一滤波图像和第二滤波图像进行差分处理,获得差分图像;其中,所述第一滤波图像通过对所述指定图像进行第一高斯滤波处理获得,所述第二滤波图像通过对所述指定图像进行盖博滤波处理获得;所述滤波子模块,还用于根据至少一个预设窗口尺寸对所述指定图像进行第二高斯滤波处理,得到第三滤波图像;所述差分子模块,还用于对所述第三滤波图像和所述差分图像进行差分处理,获得缺陷增强图像。
在一可实施方式中,所述分割模块,包括:获得子模块,用于根据预设规则获得当前像素值,所述当前像素值为所述超过缺陷阈值的像素值的其中之一;遍历子模块,用于遍历在当前像素值指定范围内的所有像素值,获得目标像素值;所述目标像素值包含在所述超过缺陷阈值的像素值中;分割子模块,用于将所述当前像素值和所述目标像素值分割为同一缺陷区域。
在一可实施方式中,所述判断模块,包括:确定子模块,用于确定所述缺陷区域的对比度;所述确定子模块,还用于基于所述缺陷区域的像素值确定所述缺陷区域的面积;所述确定子模块,还用于根据所述面积和对比度确定缺陷评价值;比较子模块,用于根据所述缺陷评价值与所述线性阈值进行比较,以确定所述与所述缺陷区域对应的缺陷状态。
在一可实施方式中,所述线性阈值包括范围阈值;相应的,所述比较子模块,包括:判断所述缺陷评价值是否满足范围阈值;当判断为所述缺陷评价值满足范围阈值时,确定与所述缺陷评价值对应的缺陷区域的缺陷状态为存在缺陷。
在一可实施方式中,所述线性阈值还包括多个范围区间;相应的,所述比较子模块,包括:确定与所述缺陷评价值对应的范围区间;基于所述范围区间确定与所述缺陷评价值对应的缺陷类型,所述缺陷类型包括点状缺陷、块状缺陷、透光缺陷的至少之一。
本发明实施例另一方面提供一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行上述任一项所述的缺陷检测方法。
本发明实施例提供的缺陷检测方法、设备和计算机可读存储介质通过对指定图像进行图像增强处理,以降低图像中非缺陷内容对缺陷判断的影响,增强图像中缺陷内容对判断的影响,将通过缺陷阈值判断获得的像素值进行连通域分割,以确定像素值对应的缺陷区域,通过线性阈值对缺陷区域进行判断,从而实现确定与缺陷区域对应的缺陷状态的目的。通过该方法对与指定图像对应的缺陷进行判断,具有准确、客观的特点,保证了判断结果的准确性。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种缺陷检测方法的实现流程示意图;
图2为本发明实施例一种缺陷检测方法图像增强处理的实现流程示意图;
图3为本发明实施例一种缺陷检测方法连通域分割的实现流程示意图;
图4为本发明实施例一种缺陷检测方法缺陷判断的实现流程示意图;
图5为本发明实施例一种缺陷检测方法线性阈值的实现流程示意图;
图6为本发明实施例一种缺陷检测方法场景实施的检测流程示意图;
图7为本发明实施例一种缺陷检测方法场景实施的检测结果示意图;
图8为本发明实施例一种缺陷检测设备的实现模块示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,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,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动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。
图1为本发明实施例一种缺陷检测方法的实现流程示意图。
参见图1,本发明实施例一方面提供一种缺陷检测方法,方法包括:操作101,对指定图像进行图像增强处理,获得缺陷增强图像;操作102,根据缺陷阈值遍历缺陷增强图像上的像素值,获得超过缺陷阈值的像素值;操作103,基于超过缺陷阈值的像素值进行连通域分割,获得缺陷区域;操作104,通过线性阈值对缺陷区域进行缺陷判断,以确定与缺陷区域对应的缺陷状态。
本发明实施例提供的缺陷检测方法通过对指定图像进行图像增强处理,以降低图像中非缺陷内容对缺陷判断的影响,增强图像中缺陷内容对判断的影响,以保证通过缺陷阈值判断缺陷增强图像的准确性,将判断获得的像素值进行连通域分割,以确定像素值对应的缺陷区域,可以理解的是,不同缺陷状态所形成的缺陷区域是不同的,通过线性阈值对缺陷区域进行判断,从而实现确定与缺陷区域对应的缺陷状态的目的。通过该方法对与指定图像对应的缺陷进行判断,具有准确、客观的特点,保证了判断结果的准确性。
在本方法操作101中,指定图像包含了待检测的目标对象。例如,当需要对屏幕进行缺陷检测时,指定图像即包含屏幕图像的图片。进一步的,指定图像中可以只包含目标对象,也可以包含目标对象和背景,当指定图像包含目标对象和背景时,可以通过对指定图像进行预处理以去除背景。进一步的,指定图像可以通过图像采集装置采集获得,也可以通过数据传输获得。指定图像可以为录像,也可以为图片。在本方法中,目标对象可以为玻璃、塑料、金属等表面光滑或有周期性纹理的物体。具体的,本方法可以指代屏幕,指定图像指代包含屏幕的照片。对指定图像进行图像增强处理,具体为对指定图像进行与屏幕关联性缺陷的增强处理,通过增强图像中与屏幕关联性缺陷的特性,抑制与屏幕无关联性的特征,使获得的缺陷增强图像能够加强图像判读和识别的效果,满足后续对缺陷具体判断分析的需要。
在本方法操作102中,缺陷阈值为预先设置的值,在经过图像增强处理后,对应目标对象缺陷的像素值和对应非目标对象缺陷的像素值之间具有较大的差别,通过在预设缺陷阈值,将超过缺陷阈值的像素值确定为与目标对象缺陷相关的像素值,将未超过缺陷阈值的像素值确定为与目标对象缺陷不相关的像素值,通过遍历缺陷增强图像上的像素值,可以将缺陷增强图像上超过缺陷阈值的所有像素值筛选出来,即获得指定图像上所有与目标对象缺陷相关的像素值。缺陷阈值的具体数值根据与目标对象缺陷相关的像素值情况进行预先设置。
在本方法操作103中,通过将超过缺陷阈值的像素值进行连通域分割,可以将属于同一缺陷的像素值划分到同一缺陷区域内,由此,能够通过后续步骤将不同缺陷分别进行判定区分,避免将不同缺陷判定为同一缺陷的情况。需要说明的是,此处的连通域分割条件可以根据像素值之间的距离阈值进行分割。如此,可通过连通域分割确定缺陷区域的具体数量。进一步的,此处的连通域分割基于像素值和像素值所在位置信息进行分割,为提高分割的准确率,本方法还可以对缺陷增强图像进行二值化处理或灰度处理,以进一步实现缺陷增强的目的。但需要补充的是,在完成缺陷区域分割后,为确定缺陷类型,还需将缺陷区域对应或转换到缺陷增强图像上。
在本方法操作104中,缺陷区域的缺陷状态通过线性阈值进行判定。其中,根据线性阈值的不同设定情况,缺陷状态可以表征缺陷区域存在缺陷、缺陷区域不存在缺陷,也可以用于表征缺陷区域具体的缺陷类型,还可以用于表征缺陷数量。如,在屏幕缺陷中,屏幕可能存在的缺陷类型包括但不限于:点状缺陷、块状缺陷、透光缺陷(Mura缺陷)等。线性阈值的具体线性和数值根据与目标对象的缺陷情况进行预先设置,例如,缺陷状态所对应的尺寸、面积、像素等随缺陷状态改变而发生变化的参数。如此,通过该操作可确定目标对象存在的缺陷的具体数量和具体类型。在获得缺陷数量和具体类型后,本方法可以通过缺陷数量和具体类型进一步进行评定,以确定目标对象所对应的具体评级,或评定目标对象是否符合品质要求。例如,通过本方法获得显示屏幕上存在的缺陷数量和缺陷类型,根据缺陷数量和缺陷类型判断显示屏幕的优、良、合格或不合格。
为方便上述实施方式的理解,以下提供一种具体实施场景进行说明。在该具体实施场景中,本方法应用于用于屏幕缺陷检测的设备。该设备首先,通过摄像头采集获得屏幕照片,照片中只包括屏幕,对屏幕照片进行于屏幕相关缺陷的图像增强处理,获得缺陷增强图像。然后,设备根据预设的缺陷阈值遍历缺陷增强图像上的像素值,以确定超过缺陷阈值的像素值。然后,根据超过缺陷阈值的像素值确定对应的缺陷像素点,通过预设的连通域分割规则对缺陷像素点进行连通域分割,获得一个或多个包含缺陷像素点的缺陷区域。之后,通过根据与缺陷状态对应的预设的线性阈值对每一个缺陷区域进行缺陷判断,以确定每一个缺陷区域对应的缺陷状态,缺陷状态包括缺陷数量、无缺陷、缺陷类型。
图2为本发明实施例一种缺陷检测方法图像增强处理的实现流程示意图。
参见图2,在本发明实施例中,操作101,对指定图像进行图像增强处理,获得缺陷增强图像,包括:操作1011,对指定图像进行第一高斯滤波处理获得第一滤波图像,并对指定图像进行盖博滤波处理获得第二滤波图像;操作1012,对第一滤波图像和第二滤波图像进行差分处理,获得差分图像;操作1013,根据至少一个预设窗口尺寸对指定图像进行第二高斯滤波处理,得到第三滤波图像;操作1014,对第三滤波图像和差分图像进行差分处理,获得缺陷增强图像。
本方法的指定图像除了包括目标对象的缺陷以外,还包括由于图像采集所造成的缺陷。例如,图像中会存在网格状纹理缺陷或其他纹理缺陷,这类缺陷会干扰对目标对象上缺陷的判断,因此,在进行图像增强时,需要对这类与目标对象无关的缺陷进行消除。例如,当目标对象为屏幕时,需要通过图像增强处理消除屏幕图片中由于拍照引起的网格状纹理。
具体的,在操作1011中,本方法对指定图像进行高斯滤波处理,获得第一滤波图像,即高斯滤波后的图像,以减轻指定图像上的噪点。具体的,高斯滤波的公式可以为:
式中(x,y)为每一个像素点的坐标,在图像处理中可认为是整数;σ是标准差。
然后,对第一滤波图像进行盖博滤波处理,即对第一滤波图像实值Gabor滤波器滤波,获得背景网格状纹理的图像分量,即第二滤波图像。
实值Gabor滤波器的公式可以描述为:
图像经过实值Gabor滤波可以得到的输入图像,表示为下式
I_G(x,y)=I(x,y)*hreal(x,y)
式中,I(x,y)为输入图像,即本实施例中第一滤波图像,I_G(x,y)为输出图像,即本实施例中第二滤波图像,*为卷积运算符。
可以理解的是,第一滤波图像为全图消除噪声后的图像,第二滤波图像为网格状纹理的图像,通过第一滤波图像和第二滤波图像进行差分处理,能够减弱第一滤波图像上的网格状纹理,获得的差分图像实现消除了与目标对象无关联的缺陷,即图像上的缺陷只与目标对象相关联。需要补充的是,当缺陷为其他与目标对象无关联的缺陷时,可以根据缺陷的具体类型调整图像增强方式,即通过与缺陷对应的图像增强处理增强与目标对象无关联的缺陷,后通过与第一滤波图像差分处理,实现对目标对象无关联的缺陷的消除。
在获得差分图像后,在操作1013中,本方法对指定图像使用不同窗口大小的高斯平滑滤波器进行滤波,在不同程度上去除网格状纹理,得到第三滤波图像。可以理解的是,经过不同窗口大小的高斯平滑滤波器进行滤波后,可获得的多个不同滤波效果的第三滤波图像,即根据不同窗口在不同程度上去掉网格状纹理,根据窗口的数量,第三滤波图像有一张或多张。
在操作1014中,通过将第三滤波图像和差分图像进行差分处理,可以获得消除目标对象无关联的缺陷后具有不同缺陷增强效果的图像,即缺陷增强图像。如此操作,当本方法进行平滑滤波的窗口有多个时,其能够得到的缺陷增强图像也为多张,通过对每张缺陷增强图像进行缺陷判断,能够获得多个判断结果,结合多个判断结果,能够使缺陷增强的效果更加精确。可以理解的是,本方法的预先设置的窗口也可以只为一个,基于此获得的缺陷增强图像为一张,具有方便计算的特点。
图3为本发明实施例一种缺陷检测方法连通域分割的实现流程示意图。
参见图3,在本发明实施例中,操作103,基于超过缺陷阈值的像素值进行连通域分割,获得缺陷区域,包括:操作1031,根据预设规则获得当前像素值,当前像素值为超过缺陷阈值的像素值的其中之一;操作1032,遍历在当前像素值指定范围内的所有像素值,获得目标像素值;目标像素值包含在超过缺陷阈值的像素值中;操作1033,将当前像素值和目标像素值分割为同一缺陷区域。
本方法在进行连通域分割的过程中,连通域的分割以超过缺陷阈值的像素值之间的距离和具***置信息为依据。首先,根据预设规则确定当前像素值,在一种情况下,预设规则可以将坐标(0,0)确定为初始点,以初始点作为起点遍历所有像素值,以确定是否具有超过缺陷阈值的像素值,将超过缺陷阈值的像素值确定为当前像素值,以获得当前像素值的坐标。然后,根据坐标在当前像素值的指定范围内的进行遍历,以确定在当前像素值指定范围内是否还存在超过缺陷阈值的像素值,即目标像素值。当前像素值指定范围内是否还存在超过缺陷阈值的像素值时,将当前像素值和目标像素值确定为同一缺陷区域,即,将所有当前像素值和与其对应的目标像素值所在区域确定为同一缺陷区域,以获得缺陷区域。其中,指定区域可以是以当前像素值周围的预设邻域范围,如预设邻域范围为在当前像素的8邻域范围内。即,连通域分割的方式为,确定当前像素值的8邻域范围内是否存在目标像素值,当在当前像素值的8邻域范围内存在目标像素值时,将当前像素值和目标像素值确定为同属同一个连通域,即缺陷区域。进一步的,根据预设要求,缺陷区域中可以只包括当前像素值和目标像素值,也可以包括当前像素值所对应的指定范围和像素值所对应的指定范围。具体的,在一种情况下,缺陷区域可以由超过缺陷阈值的缺陷像素值组成,在另一种情况下,缺陷区域可以由超过缺陷阈值的缺陷像素值所对应的指定范围组成。
图4为本发明实施例一种缺陷检测方法缺陷判断的实现流程示意图。
参见图4,在本发明实施例中,操作104,通过线性阈值对缺陷区域进行缺陷判断,以确定与缺陷区域对应的缺陷状态,包括:操作1041,确定缺陷区域的对比度;操作1042,基于缺陷区域的像素值确定缺陷区域的面积;操作1043,根据面积和对比度确定缺陷评价值;操作1044,根据缺陷评价值与线性阈值进行比较,以确定与缺陷区域对应的缺陷状态。
本方法在对缺陷区域进行缺陷判断时,以线性阈值作为依据。可以理解的是,线性阈值所对应的判断条件包括两个判断条件,即对应坐标系中的x轴和y轴,即下述所指范围阈值和范围区间。本方法中,两个判断条件分别对应为缺陷区域的对比度和缺陷区域的面积。
其中,遍历缺陷区域,根据公式计算缺陷区域对比度,对比度的计算方式为:
其中,defeat_contrast用于指代缺陷区域对比度;
f(i,j)表示在缺陷区域内坐标为(i,j)像素的灰度值;
缺陷区域所对应的像素集记为Rdefeat;
缺陷区域的背景区域记为Rbg=Rrect-Rdefeat;
其中,Rrect是以Rdefeat空间位置中心像素为矩形中心,宽高为w、h的矩形像素块的集合;
(xc,yc)是Rdefeat空间位置中心像素的坐标,计算方法为
其中,imin、imax、jmin、jmax、分别是Rdefeat中像素最小横坐标值、最大横坐标值、最小纵坐标值,最大纵坐标值。
进一步的,该公式为线性归一化参数计算方法,用于计算背景区域灰度均值,本方法还可以采用其他代替方案,如高斯归一化参数,非线性归一化参数,方框均值归一化参数等计算背景区域灰度均值。同理,上述任意公式中,在能够保证输入变量和输出变量一致的基础上,可以对具体公式的使用进行修改。
缺陷区域的面积可以通过缺陷区域的像素数量进行对应,在一种情况下,可以将缺陷区域的像素总数量确定为与缺陷区域对应的面积。
根据缺陷区域的对比度和缺陷区域的面积即可以确定该缺陷区域在线性阈值坐标轴中的具体坐标,即为缺陷评价值。在坐标中通过缺陷评价值与线性阈值进行比较,可根据缺陷评价值在坐标中的具***置确定与缺陷区域对应的缺陷状态。
在本发明实施例中,线性阈值包括范围阈值;相应的,操作104,根据缺陷评价值与线性阈值进行比较,以确定与缺陷区域对应的缺陷状态,包括:操作1044,判断缺陷评价值是否满足范围阈值;操作1045,当判断为缺陷评价值满足范围阈值时,确定与缺陷评价值对应的缺陷区域的缺陷状态为存在缺陷。
在本发明实施例中,线性阈值还包括多个范围区间;相应的,根据缺陷评价值与线性阈值进行比较,以确定与缺陷区域对应的缺陷状态,包括:确定与缺陷评价值对应的范围区间;基于范围区间确定与缺陷评价值对应的缺陷类型,缺陷类型包括点状缺陷、块状缺陷、透光缺陷的至少之一。需要补充的是,本方法可以先判断范围阈值,也可以先判断范围区间,也可以范围阈值和范围区间同时判断,即本方法操作1041-操作1046只是用于对不同操作进行区分,并不具备实际的先后顺序。
图5为本发明实施例一种缺陷检测方法线性阈值的实现流程示意图。
参见图5,为方便理解,以下以图5所示的线性阈值进行具体说明,需要解释的是,线性阈值的阈值设定由于目标对象对应的统计信息进行确定,图中为根据其中一种统计结果确定的线性阈值,根据不同目标对象,其所对应的统计结果也不同,所得到的线性阈值也应该是不同的,图中的线性阈值仅作为参考,不对保护范围进行限定。
在图5中,纵坐标对应缺陷区域的面积、横坐标对应缺陷区域的对比度,即缺陷评价值的纵坐标为缺陷区域的面积,横坐标为缺陷区域的对比度。在该线性阈值中,位于线性阈值上方和下方的区域定义为范围阈值,当缺陷评价值的坐标落在线性阈值的上方时,即判断缺陷评价值满足范围阈值,即该缺陷评价值所对应的缺陷区域存在缺陷;同理,当缺陷评价值的坐标落在线性阈值的下方时,即判断缺陷评价值不满足范围阈值,认定为该缺陷评价值所对应的缺陷区域不存在缺陷;需要补充的是,根据线性阈值的划分依据,可以提前预设当缺陷评价值的坐标落在线性阈值上时,判断缺陷评价值满足或不满足范围阈值。本方法中,当缺陷评价值的坐标落在线性阈值上时,判断缺陷评价值满足范围阈值。
线性阈值由多段折线组成,每一段折线所对应的范围均可以理解为不同的缺陷类型,例如在该图中,第一段折线所对应的缺陷为点状缺陷,第二段折线对应的缺陷为块状缺陷,第三段折线所对应的缺陷为Mura缺陷。即,当缺陷评价值位于线性阈值上方且位于第一段折线上方时,判断为该缺陷评价值所对应的缺陷区域存在点状缺陷;当缺陷评价值位于线性阈值上方且位于第二段折线上方时,判断为该缺陷评价值所对应的缺陷区域存在块状缺陷;当缺陷评价值位于线性阈值上方且位于第三段折线上方时,判断为该缺陷评价值所对应的缺陷区域存在Mura状缺陷。根据预先统计的信息结果,线性阈值可以包括一段或多段线段,且线段可以是连续的,也可以是不连续的。进一步需要明确的是,由于第三滤波图像所对应的缺陷增强图像存在一张或多张,当缺陷增强图像为多张时,每张缺陷增强图像均进行连通域分割及缺陷区域的缺陷判断。最后,基于判断结果进行整合,以确定指定图像中所对应的缺陷区域、缺陷数量和缺陷类型。
为方便上述实施例的理解,以下提供一种具体实施场景进行具体说明。
在该场景中,缺陷检测方法应用于对显示屏幕进行缺陷检测的设备。根据不同型号屏幕的检测标准设置参数,包括:滤波窗口尺寸、缺陷区域对比度判断阈值,缺陷面积判断阈值等。滤波窗口尺寸、缺陷区域对比度判断阈值,缺陷面积判断阈值等,也可以通过标注样本数据,对样本数据中的缺陷区域特征进行统计,得出缺陷判断参数。
该设备在获得屏幕照片后,对照片中的屏幕区域进行定位,确定屏幕对应的发光区域,截取获得发光区域图像;其中,屏幕照片可以在暗室屏幕背光状态下拍摄。
然后,对发光区域图像进行高斯滤波,获得滤波后的图像;并对发光区域图像进行实值Gabor滤波器滤波,获得背景网格状纹理的图像分量。对滤波后的图像与背景网格状纹理的图像分量做差分处理,获得减弱背景网格状纹理的图像。
再后,发光区域图像使用不同窗口大小的高斯平滑滤波器滤波,分别与减弱背景网格状纹理的图像做差分,获得缺陷像素增强的图像集。对缺陷像素增强的图像集中的每一张缺陷像素增强图像进行缺陷阈值判断,获得像素值满足缺陷阈值的缺陷像素点。
之后,对缺陷像素点进行连通域分割,分割方式为,在当前像素的8邻域范围内相邻的像素,同属同一个缺陷连通域。遍历缺陷连通域,计算缺陷连通域的对比度。并根据像素点数量确定缺陷连通域的面积。
最后,缺陷连通域的对比度和缺陷连通域的面积分别与缺陷区域对比度判断阈值和缺陷面积判断阈值进行判断,以确定缺陷连通域是否有缺陷以及缺陷连通域所对应的缺陷类型,根据判断结果还可以确定发光区域图像中的缺陷类型的数量。具体的,可以以线性阈值对缺陷类型进行判断,线性阈值以缺陷区域对比度为横坐标,缺陷区域面积为纵坐标,通过在折线图坐标中设定不同的折线线段对应不同缺陷的阈值,将缺陷连通域分类为点状缺陷、块状缺陷、Mura缺陷。进一步的,如图6和图7所示,在设备中,可以用不同颜色的矩形框标注缺陷的类型和位置,以方便查看。
图8为本发明实施例一种缺陷检测设备的实现模块示意图。
参见图8,本发明实施例另一方面提供一种缺陷检测设备,设备包括:增强模块801,用于对指定图像进行图像增强处理,获得缺陷增强图像;遍历模块802,用于根据缺陷阈值遍历缺陷增强图像上的像素值,获得超过缺陷阈值的像素值;分割模块803,用于基于超过缺陷阈值的像素值进行连通域分割,获得缺陷区域;判断模块804,用于通过线性阈值对缺陷区域进行缺陷判断,以确定与缺陷区域对应的缺陷状态。
在本发明实施例中,增强模块801,包括:滤波子模块8011,用于对指定图像进行第一高斯滤波处理获得第一滤波图像,并对指定图像进行盖博滤波处理获得第二滤波图像;差分子模块8012,用于对第一滤波图像和第二滤波图像进行差分处理,获得差分图像;滤波子模块8013,还用于根据至少一个预设窗口尺寸对指定图像进行第二高斯滤波处理,得到第三滤波图像;差分子模块8014,还用于对第三滤波图像和差分图像进行差分处理,获得缺陷增强图像。
在本发明实施例中,分割模块803,包括:获得子模块8031,用于根据预设规则获得当前像素值,当前像素值为超过缺陷阈值的像素值的其中之一;遍历子模块8032,用于遍历在当前像素值指定范围内的所有像素值,获得目标像素值;目标像素值包含在超过缺陷阈值的像素值中;分割子模块8033,用于将当前像素值和目标像素值分割为同一缺陷区域。
在本发明实施例中,判断模块804,包括:确定子模块8041,用于确定缺陷区域的对比度;确定子模块8041,还用于基于缺陷区域的像素值确定缺陷区域的面积;确定子模块8041,还用于根据面积和对比度确定缺陷评价值;比较子模块8042,用于根据缺陷评价值与线性阈值进行比较,以确定与缺陷区域对应的缺陷状态。
在本发明实施例中,线性阈值包括范围阈值;相应的,比较子模块8042,包括:判断缺陷评价值是否满足范围阈值;当判断为缺陷评价值满足范围阈值时,确定与缺陷评价值对应的缺陷区域的缺陷状态为存在缺陷。
在本发明实施例中,线性阈值还包括多个范围区间;相应的,比较子模块8042,包括:确定与缺陷评价值对应的范围区间;基于范围区间确定与缺陷评价值对应的缺陷类型,缺陷类型包括点状缺陷、块状缺陷、透光缺陷的至少之一。
本发明实施例另一方面提供一种计算机可读存储介质,存储介质包括一组计算机可执行指令,当指令被执行时用于执行上述任一项的缺陷检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种缺陷检测方法,其特征在于,所述方法包括:
对指定图像进行图像增强处理,获得缺陷增强图像;
根据缺陷阈值遍历所述缺陷增强图像上的像素值,获得超过缺陷阈值的像素值;
基于所述超过缺陷阈值的像素值进行连通域分割,获得缺陷区域;
通过线性阈值对所述缺陷区域进行缺陷判断,以确定与所述缺陷区域对应的缺陷状态;其中,线性阈值由多段折线组成,每一段折线所对应的范围区间对应不同的缺陷类型;
所述通过线性阈值对所述缺陷区域进行缺陷判断,以确定与所述缺陷区域对应的缺陷状态,包括:
确定所述缺陷区域的对比度;
基于所述缺陷区域的像素值确定所述缺陷区域的面积;
根据所述面积和对比度确定缺陷评价值;
根据所述缺陷评价值与所述线性阈值进行比较,以确定所述与所述缺陷区域对应的缺陷状态;
所述线性阈值包括范围阈值;
相应的,所述根据所述缺陷评价值与所述线性阈值进行比较,以确定所述与所述缺陷区域对应的缺陷状态,包括:
判断所述缺陷评价值是否满足范围阈值;
当判断为所述缺陷评价值满足范围阈值时,确定与所述缺陷评价值对应的缺陷区域的缺陷状态为存在缺陷;
所述线性阈值还包括多个范围区间;
相应的,所述根据所述缺陷评价值与所述线性阈值进行比较,以确定所述与所述缺陷区域对应的缺陷状态,包括:
确定与所述缺陷评价值对应的范围区间;
基于所述范围区间确定与所述缺陷评价值对应的缺陷类型,所述缺陷类型包括点状缺陷、块状缺陷、透光缺陷的至少之一。
2.根据权利要求1所述的方法,其特征在于,所述对指定图像进行图像增强处理,获得缺陷增强图像,包括:
对所述指定图像进行第一高斯滤波处理获得第一滤波图像,并对所述指定图像进行盖博滤波处理获得第二滤波图像;
对所述第一滤波图像和所述第二滤波图像进行差分处理,获得差分图像;
根据至少一个预设窗口尺寸对所述指定图像进行第二高斯滤波处理,得到第三滤波图像;
对所述第三滤波图像和所述差分图像进行差分处理,获得所述缺陷增强图像。
3.根据权利要求1所述的方法,其特征在于,所述基于超过缺陷阈值的像素值进行连通域分割,获得缺陷区域,包括:
根据预设规则获得当前像素值,所述当前像素值为所述超过缺陷阈值的像素值的其中之一;
遍历在当前像素值指定范围内的所有像素值,获得目标像素值;所述目标像素值包含在所述超过缺陷阈值的像素值中;
将所述当前像素值和所述目标像素值分割为同一缺陷区域。
4.一种缺陷检测设备,其特征在于,所述设备包括:
增强模块,用于对指定图像进行图像增强处理,获得缺陷增强图像;
遍历模块,用于根据缺陷阈值遍历所述缺陷增强图像上的像素值,获得超过缺陷阈值的像素值;
分割模块,用于基于所述超过缺陷阈值的像素值进行连通域分割,获得缺陷区域;
判断模块,用于通过线性阈值对所述缺陷区域进行缺陷判断,以确定与所述缺陷区域对应的缺陷状态;其中,线性阈值由多段折线组成,每一段折线所对应的范围区间对应不同的缺陷类型;
所述判断模块,包括:
确定所述缺陷区域的对比度;
基于所述缺陷区域的像素值确定所述缺陷区域的面积;
根据所述面积和对比度确定缺陷评价值;
根据所述缺陷评价值与所述线性阈值进行比较,以确定所述与所述缺陷区域对应的缺陷状态;
所述线性阈值包括范围阈值;
相应的,所述判断模块,还包括:
判断所述缺陷评价值是否满足范围阈值;
当判断为所述缺陷评价值满足范围阈值时,确定与所述缺陷评价值对应的缺陷区域的缺陷状态为存在缺陷;
所述线性阈值还包括多个范围区间;
相应的,所述判断模块,还包括:
确定与所述缺陷评价值对应的范围区间;
基于所述范围区间确定与所述缺陷评价值对应的缺陷类型,所述缺陷类型包括点状缺陷、块状缺陷、透光缺陷的至少之一。
5.根据权利要求4所述的设备,其特征在于,所述增强模块,包括:
滤波子模块,用于对所述指定图像进行第一高斯滤波处理获得第一滤波图像,并对所述指定图像进行盖博滤波处理获得第二滤波图像;
差分子模块,用于对第一滤波图像和第二滤波图像进行差分处理,获得差分图像;
所述滤波子模块,还用于根据至少一个预设窗口尺寸对所述指定图像进行第二高斯滤波处理,得到第三滤波图像;
所述差分子模块,还用于对所述第三滤波图像和所述差分图像进行差分处理,获得缺陷增强图像。
6.根据权利要求4所述的设备,其特征在于,所述分割模块,包括:
获得子模块,用于根据预设规则获得当前像素值,所述当前像素值为所述超过缺陷阈值的像素值的其中之一;
遍历子模块,用于遍历在当前像素值指定范围内的所有像素值,获得目标像素值;所述目标像素值包含在所述超过缺陷阈值的像素值中;
分割子模块,用于将所述当前像素值和所述目标像素值分割为同一缺陷区域。
7.一种计算机可读存储介质,其特征在于,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行权利要求1-3任一项所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472834.8A CN111768348B (zh) | 2020-05-29 | 2020-05-29 | 一种缺陷检测方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472834.8A CN111768348B (zh) | 2020-05-29 | 2020-05-29 | 一种缺陷检测方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768348A CN111768348A (zh) | 2020-10-13 |
CN111768348B true CN111768348B (zh) | 2022-02-08 |
Family
ID=72719641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010472834.8A Active CN111768348B (zh) | 2020-05-29 | 2020-05-29 | 一种缺陷检测方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768348B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669296B (zh) * | 2020-12-31 | 2023-09-26 | 江苏南高智能装备创新中心有限公司 | 基于大数据的数控冲床模具的缺陷检测方法、装置及设备 |
CN114022657B (zh) * | 2022-01-06 | 2022-05-24 | 高视科技(苏州)有限公司 | 一种屏幕缺陷分类方法、电子设备及存储介质 |
CN115841445B (zh) * | 2022-04-18 | 2024-05-17 | 宁德时代新能源科技股份有限公司 | 对复合料带的阴极极片进行检测的方法、装置和*** |
CN115330789A (zh) * | 2022-10-13 | 2022-11-11 | 潍坊歌尔电子有限公司 | 屏幕缺陷检测方法、装置、设备和可读存储介质 |
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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004226272A (ja) * | 2003-01-23 | 2004-08-12 | Seiko Epson Corp | シミ欠陥の検出方法及び装置 |
CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
CN105424726A (zh) * | 2016-01-12 | 2016-03-23 | 苏州富鑫林光电科技有限公司 | 基于机器视觉的发光面板检测方法 |
CN105976382A (zh) * | 2016-05-11 | 2016-09-28 | 华中科技大学 | 一种基于缺陷区域预判和水平集的TFT-LCD Mura缺陷检测算法 |
CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
CN109142366A (zh) * | 2018-06-13 | 2019-01-04 | 广东拓斯达科技股份有限公司 | 球形外壳缺陷检测方法、装置及计算机可读存储介质 |
CN110807763A (zh) * | 2019-09-19 | 2020-02-18 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦表面鼓包检测方法及*** |
-
2020
- 2020-05-29 CN CN202010472834.8A patent/CN111768348B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004226272A (ja) * | 2003-01-23 | 2004-08-12 | Seiko Epson Corp | シミ欠陥の検出方法及び装置 |
CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
CN105424726A (zh) * | 2016-01-12 | 2016-03-23 | 苏州富鑫林光电科技有限公司 | 基于机器视觉的发光面板检测方法 |
CN105976382A (zh) * | 2016-05-11 | 2016-09-28 | 华中科技大学 | 一种基于缺陷区域预判和水平集的TFT-LCD Mura缺陷检测算法 |
CN108154510A (zh) * | 2018-01-17 | 2018-06-12 | 深圳市亿图视觉自动化技术有限公司 | 产品表面缺陷检测方法、装置及计算机可读存储介质 |
CN109142366A (zh) * | 2018-06-13 | 2019-01-04 | 广东拓斯达科技股份有限公司 | 球形外壳缺陷检测方法、装置及计算机可读存储介质 |
CN110807763A (zh) * | 2019-09-19 | 2020-02-18 | 湖北三江航天万峰科技发展有限公司 | 一种陶瓦表面鼓包检测方法及*** |
Non-Patent Citations (3)
Title |
---|
Deep Learning based MURA Defect Detection;Ramya Bagavath Singh 等;《EAI Endorsed Transactions on Cloud Systems》;20190716;第5卷(第15期);第1-7页 * |
LCD Mura 缺陷的B样条曲面拟合背景抑制;李坤 等;《光电工程》;20140228;第41卷(第2期);第33-39页 * |
基于机器视觉的液晶屏Mura缺陷检测方法;钱基德 等;《计算机科学》;20180630;第45卷(第6期);第296-300,313页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111768348A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768348B (zh) | 一种缺陷检测方法、设备及计算机可读存储介质 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
US8391585B2 (en) | Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium | |
CN106599783B (zh) | 一种视频遮挡检测方法及装置 | |
Feng et al. | Measurement of ringing artifacts in JPEG images | |
CN104408707A (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
AU2019336484B2 (en) | Digital assessment of chemical dip tests | |
CN110007493B (zh) | 液晶显示屏中碎亮点检测方法 | |
CN108107611B (zh) | 一种自适应缺陷检测方法、装置及电子设备 | |
JP5705711B2 (ja) | ひび割れ検出方法 | |
CN111047556A (zh) | 一种带钢表面缺陷检测方法及装置 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN114937003A (zh) | 一种针对玻璃面板的多类型缺陷检测***和方法 | |
CN107301388A (zh) | 一种车辆自动识别方法及装置 | |
CN105229665A (zh) | 对基于图像的蛇形带子磨损评估的增强分析 | |
JP4520880B2 (ja) | しみ検査方法及びしみ検査装置 | |
CN108280825A (zh) | 一种液晶显示屏边缘缺口检测方法 | |
CN113744200B (zh) | 一种摄像头脏污检测方法、装置及设备 | |
JP5257063B2 (ja) | 欠陥検出方法および欠陥検出装置 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
CN107545560B (zh) | 用于轮胎胎侧气泡的检测方法和装置 | |
CN112767317B (zh) | 裸眼3d显示器光栅膜检测方法 | |
JP2008171142A (ja) | シミ欠陥検出方法及び装置 |
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 |