CN111882541A - 缺陷检测方法、装置、设备及计算机可读存储介质 - Google Patents
缺陷检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111882541A CN111882541A CN202010740667.0A CN202010740667A CN111882541A CN 111882541 A CN111882541 A CN 111882541A CN 202010740667 A CN202010740667 A CN 202010740667A CN 111882541 A CN111882541 A CN 111882541A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- area
- defect detection
- characteristic
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 274
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012216 screening Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000000047 product Substances 0.000 description 54
- 238000000034 method Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010079 rubber tapping 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
- G06T7/0002—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
- G06T7/11—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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种缺陷检测方法、装置、设备及计算机可读存储介质,所述缺陷检测方法包括:获取目标图像,并对所述目标图像进行区域划分,以获取若干个区域图像;分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征;基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像,通过分别对每一个区域图像进行缺陷检测,可检测出图像上各个位置上可能出现的大小不同的各种缺陷,提高缺陷检测的灵活性与缺陷检测结果的准确度,进而提升用户体验。
Description
技术领域
本发明涉及产品缺陷检测领域,尤其涉及一种缺陷检测方法、装置、设备及计算机可读存储介质。
背景技术
缺陷成像***主要包括:相机,镜头和光源。***根据客户的具体需求,选用合适的相机,镜头和光源对缺陷进行成像。而缺陷自动检测部分,是整个视觉检测***的大脑,其中利用图像处理技术对缺陷进行自动检测,是整个***的核心,目前尽管各种检测算法不断出现,但在实际应用中仍然与满足实际应用的需求尚有一定差距,通常由于缺陷形态各异、大小不一等造成检测结果不准确,存在误差的后果。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种缺陷检测方法、装置、设备及计算机可读存储介质,旨在解决目前由于缺陷形态各异、大小不一、位置随机等造成检测结果不准确的技术问题。
为实现上述目的,本发明提供一种缺陷检测方法,所述缺陷检测方法包括以下步骤:
获取目标图像,并对所述目标图像进行区域划分,以获取若干个区域图像;
分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征;
基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像。
优选地,在待检测产品放置于缺陷检测平台时,基于所述缺陷检测平台的摄像装置,采集所述待检测产品的目标图像。
优选地,获取待检测产品的产品特征信息,和/或,对所述目标图像进行像素筛选,以获取所述目标图像对应的像素缺陷区域;
基于所述产品特征信息和/或所述目标图像对应的像素缺陷区域,对所述目标图像进行区域划分,以获取若干个区域图像,并对所述若干个区域图像进行区域特征标识。
优选地,分别基于每一个区域图像对应的缺陷特征,确定所述区域图像对应的算法参数;
基于所述区域图像对应的算法参数,对所述区域图像进行预设算法检测,以输出所述区域图像对应的缺陷图像。
优选地,基于所述区域图像对应的滤波参数,对所述区域图像进行预滤波处理,以获取滤波图像;
基于所述区域图像对应的分割参数,对所述滤波图像进行缺陷分割,以获取二值化图像;
基于所述特征参数,对所述二值化图像进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
优选地,对所述二值化图像进行连通域分析,以获取所述二值化图像的连通域集;
基于所述特征参数,逐一对所述二值化图像的连通域集的每一个连通域进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
优选地,逐一对所述二值化图像的连通域集的每一个连通域进行特征提取,以获取每一个连通域对应的特征集;
获取所述连通域对应的特征集中每一个特征对应的特征值,并将所述特征值与标准特征值进行对比,以获取所述连通域对应的缺陷判定结果;
基于连通域集的每一个连通域对应的缺陷判定结果,确定所述二值化图像对应的缺陷图像。
此外,为实现上述目的,本发明还提供一种缺陷检测装置,所述缺陷检测装置包括:
第一获取模块,用于获取目标图像,并对所述目标图像进行区域划分,以获取若干个区域图像;
第二获取模块,用于分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征;
输出模块,用于基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像。
优选地,所述第一获取模块,还用于,
在待检测产品放置于缺陷检测平台时,基于所述缺陷检测平台的摄像装置,采集所述待检测产品的目标图像。
优选地,所述第一获取模块,还用于,
获取待检测产品的产品特征信息,和/或,对所述目标图像进行像素筛选,以获取所述目标图像对应的像素缺陷区域;
基于所述产品特征信息和/或所述目标图像对应的像素缺陷区域,对所述目标图像进行区域划分,以获取若干个区域图像,并对所述若干个区域图像进行区域特征标识。
优选地,所述输出模块,还用于,
分别基于每一个区域图像对应的缺陷特征,确定所述区域图像对应的算法参数;
基于所述区域图像对应的算法参数,对所述区域图像进行预设算法检测,以输出所述区域图像对应的缺陷图像。
优选地,所述输出模块,还用于,
基于所述区域图像对应的滤波参数,对所述区域图像进行预滤波处理,以获取滤波图像;
基于所述区域图像对应的分割参数,对所述滤波图像进行缺陷分割,以获取二值化图像;
基于所述特征参数,对所述二值化图像进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
优选地,所述输出模块,还用于,
对所述二值化图像进行连通域分析,以获取所述二值化图像的连通域集;
基于所述特征参数,逐一对所述二值化图像的连通域集的每一个连通域进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
优选地,所述输出模块,还用于,
逐一对所述二值化图像的连通域集的每一个连通域进行特征提取,以获取每一个连通域对应的特征集;
获取所述连通域对应的特征集中每一个特征对应的特征值,并将所述特征值与标准特征值进行对比,以获取所述连通域对应的缺陷判定结果;
基于连通域集的每一个连通域对应的缺陷判定结果,确定所述二值化图像对应的缺陷图像。
此外,为实现上述目的,本发明还提供一种缺陷检测设备,所述缺陷检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序,所述缺陷检测程序被所述处理器执行时实现以上所述的缺陷检测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有缺陷检测程序,所述缺陷检测程序被处理器执行时实现以上所述的缺陷检测方法的步骤。
本发明提出的缺陷检测方法,通过获取目标图像,并对目标图像进行区域划分,以获取若干个区域图像,接着分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征,基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像,可检测出图像上各个位置上可能出现的大小不同的各种缺陷,提高缺陷检测的灵活性与缺陷检测结果的准确度,进而提升用户体验。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的缺陷检测设备结构示意图;
图2为本发明缺陷检测方法第一实施例的流程示意图;
图3为本发明缺陷检测方法第一实施例的场景示意图;
图4为本发明缺陷检测方法涉及的N叉树算法示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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,图1是本发明实施例方案涉及的硬件运行环境的缺陷检测设备结构示意图。
如图1所示,该缺陷检测设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,缺陷检测设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的缺陷检测设备结构并不构成对缺陷检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及缺陷检测程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的缺陷检测程序。
在本实施例中,缺陷检测装置包括:存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的缺陷检测程序,其中,处理器1001调用存储器1005中存储的缺陷检测程序时,并执行以下操作:
获取目标图像,并对所述目标图像进行区域划分,以获取若干个区域图像;
分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征;
基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像。
进一步地,处理器1001可以调用存储器1005中存储的缺陷检测程序,还执行以下操作:
在待检测产品放置于缺陷检测平台时,基于所述缺陷检测平台的摄像装置,采集所述待检测产品的目标图像。
进一步地,处理器1001可以调用存储器1005中存储的缺陷检测程序,还执行以下操作:
获取待检测产品的产品特征信息,和/或,对所述目标图像进行像素筛选,以获取所述目标图像对应的像素缺陷区域;
基于所述产品特征信息和/或所述目标图像对应的像素缺陷区域,对所述目标图像进行区域划分,以获取若干个区域图像,并对所述若干个区域图像进行区域特征标识。
进一步地,处理器1001可以调用存储器1005中存储的缺陷检测程序,还执行以下操作:
分别基于每一个区域图像对应的缺陷特征,确定所述区域图像对应的算法参数;
基于所述区域图像对应的算法参数,对所述区域图像进行预设算法检测,以输出所述区域图像对应的缺陷图像。
进一步地,处理器1001可以调用存储器1005中存储的缺陷检测程序,还执行以下操作:
基于所述区域图像对应的滤波参数,对所述区域图像进行预滤波处理,以获取滤波图像;
基于所述区域图像对应的分割参数,对所述滤波图像进行缺陷分割,以获取二值化图像;
基于所述特征参数,对所述二值化图像进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
进一步地,处理器1001可以调用存储器1005中存储的缺陷检测程序,还执行以下操作:
对所述二值化图像进行连通域分析,以获取所述二值化图像的连通域集;
基于所述特征参数,逐一对所述二值化图像的连通域集的每一个连通域进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
进一步地,处理器1001可以调用存储器1005中存储的缺陷检测程序,还执行以下操作:
逐一对所述二值化图像的连通域集的每一个连通域进行特征提取,以获取每一个连通域对应的特征集;
获取所述连通域对应的特征集中每一个特征对应的特征值,并将所述特征值与标准特征值进行对比,以获取所述连通域对应的缺陷判定结果;
基于连通域集的每一个连通域对应的缺陷判定结果,确定所述二值化图像对应的缺陷图像。
本发明还提供一种缺陷检测方法,参照图2,图2为本发明缺陷检测方法第一实施例的流程示意图。
步骤S10,获取目标图像,并对所述目标图像进行区域划分,以获取若干个区域图像;
在本实施例中,在进行产品缺陷检测时,获取产品的目标图像,接着对获取的产品目标图像进行区域划分,以获取若干个区域图像,可以理解地,随着用户对产品质量要求的不断提高,产品的外观也越来越受重视。由于生产工艺等原因,产品生产过程中不可避免会出现外观瑕疵,包括斑点,划伤,裂纹,脏污,凹陷,凸起等各种外观缺陷,目前采用机器缺陷检测算法对产品进行区域检测,然而由于产品缺陷种类繁多,且各种缺陷在产品中出现的位置是随机的,因此对于同一个产品需要将产品划分为多个不同的区域并对多个不同的区域采取针对性的缺陷算法检测,具体地,采集待检测产品对应的目标图像,并输入目标图像,接着根据预设划分规则对目标图像进行区域划分,以获取若干个区域图像,其中,预设划分规则可基于待测产品特性,比如若待测产品为陶瓷碗,可将陶瓷碗划分为碗托、凹陷区、凸起区,分别对碗托图像、凹陷图像和凸起图像。
进一步地,步骤S10之前包括:
步骤S11,在待检测产品放置于缺陷检测平台时,基于所述缺陷检测平台的摄像装置,采集所述待检测产品的目标图像。
该步骤中,在进行产品缺陷检测时,需先将待检测产品放置于缺陷检测平台,如图3,图3为本发明一实施例的场景示意图,如图3所示,如图3左侧所示,左侧下方矩形代表缺陷检测平台,矩形上方的圆柱代表待检测产品,矩形左侧上方代表光源,其中,光源作用为补光作用,避免由于光线不足而导致摄像装置采集的待检测产品对应的目标图像存在阴影区域而导致影响产品的缺陷检测结果,具体地,比如在检测凹凸类型的产品时,利用光源对凹凸产品的凹陷区域补光,以获取无缺损的目标图像,图3左侧上方为摄像装置,摄像装置用于采集待检测产品对应的目标图像,图3右侧所示为缺陷检测***,具体地,缺陷检测***包括计算机以及计算机上安装的缺陷检测算法软件,如图3所示,摄像装置与计算机建立通信连接,摄像装置在采集待检测装置的目标图像之后,基于摄像装置与计算机之间的通信线路,将目标图像传输至计算机,最后基于计算机上安装的缺陷检测算法软件对待检测平台进行缺陷检测。
具体地,步骤S10包括,
步骤S12,获取待检测产品的产品特征信息,和/或,对所述目标图像进行像素筛选,以获取所述目标图像对应的像素缺陷区域;
步骤S13,基于所述产品特征信息和/或所述目标图像对应的像素缺陷区域,对所述目标图像进行区域划分,以获取若干个区域图像,并对所述若干个区域图像进行区域特征标识。
具体地,将待检测产品放置于缺陷检测平台,并获取待检测产品的产品特征信息,具体地,比如待检测产品的构造信息、待检测产品的材料特性等,接着基于缺陷检测平台的摄像装置,采集待检测产品的目标图像,接着对目标图像进行像素筛选,以获取目标图像对应的像素缺陷区域,具体地,对目标图像进行灰度化预处理,接着获取目标图像对应的灰度值集,并计算灰度值集的平均灰度值,接着获取灰度值集中灰度值小于平均灰度值的目标灰度值,并获取目标灰度值的位置信息,基于目标灰度值的位置信息,获取目标图像对应的像素缺陷区域,并对像素缺陷区域进行像素缺陷标记。
该步骤中,可以理解地,输入目标图像,并对目标图像进行区域划分,以获取若干个区域图像具体包括,输入目标图像,接着获取目标图像对应的待检测产品的产品特征信息和/或目标图像对应的像素缺陷区域,对目标图像进行区域划分,具体地,比如若待检测产品为纸质,则纸质可能会出现纸质边缘不整齐或纸质边缘不光滑的缺陷问题,则可根据该待检测产品的此帖子信息将待检测产品的边缘划分,并标记划分之后的边缘特征标识,比如边缘不整齐和/或边缘不光滑的特征标识。
步骤S20,分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征;
在本实施例中,可以理解地,将目标图像划分为若干个区域图像的目的即对不同的区域分别进行不同的检测,则在缺陷检测之前,需确认对应的区域缺陷特征,具体地,分别获取若干个区域图像中每一个区域图像的区域特征标识,其中,区域特征标识包括区域的像素标识和/或区域的缺陷标识。
步骤S30,基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像。
在本实施例中,在分别确定每一个区域图像的区域特征标识对应的缺陷特征之后,基于缺陷特征对算法参数进行设定,以获取各自区域图像对应的自定义算法,基于各自区域图像对应的自定义算法对各个区域图像进行缺陷检测,以输出对应的缺陷图像。
具体地,步骤S30包括,
步骤S301,分别基于每一个区域图像对应的缺陷特征,确定所述区域图像对应的算法参数,
步骤S302,基于所述区域图像对应的算法参数,对所述区域图像进行预设算法检测,以输出所述区域图像对应的缺陷图像。
该步骤中,本实施例涉及的预设算法流程具体为将输入的区域图像进行缺陷滤波,接着对滤波后的区域图像进行缺陷分割及特征筛选,以输出每个区域图像中对应的缺陷图像,因此为了解决在对产品进行缺陷检测时由于产品缺陷形态各异、大小不一及位置随机造成缺陷检测结果不准确的技术问题,在本实施中,在获取每一个区域图像对应的缺陷特征之后,基于各个缺陷特征确定该区域图像对应的算法参数,即分别设定对应的滤波参数,缺陷分割的参数和特征提取的参数等,以基于预设算法对区域图像进行预设算法检测。
具体地,参考图4,在对一个区域图像进行检测时,基于该区域图像对应的缺陷特征采用对应的滤波器进行缺陷滤波,比如若基于缺陷形状划分区域图像的缺陷特征,检测到将该区域图像存在点状缺陷、线状缺陷及面状缺陷时,则分别使用点状缺陷对应的滤波器1,线状缺陷对应的滤波器2及面状缺陷对应的滤波器3分别对该区域图像进行缺陷滤波,进一步地,以点状缺陷进行说明,由于点状缺陷的差异性,比如图像清晰度为第一预设范围的点状缺陷1,,图像清晰度为第二预设范围的点状缺陷2,则在采用点状缺陷对应的滤波器1对该区域图像进行缺陷滤波之后,根据点状缺陷的缺陷特征,设置对应的分割参数,以对滤波后的区域图像进行缺陷分割,比如对滤波后的区域图像进行图像二值化处理,以获取对应的二值化图像,接着在基于预设的特征筛选参数,对二值化图像进行特征筛选,以输出对应的缺陷图像,进一步地,在输出缺陷图像之前,获取缺陷图像的坐标信息及缺陷特征信息(缺陷类型、缺陷大小等),并将缺陷图像的坐标信息及缺陷特征信息作为缺陷图像的标识信息,并将缺陷图像的标识信息与缺陷图像一并输出。
本实施例提出的缺陷检测方法,通过获取目标图像,并对目标图像进行区域划分,以获取若干个区域图像,接着分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征,最后基于缺陷特征,分别输出每一个区域图像对应的缺陷图像,可检测并输出图像上各个位置上可能出现的大小不同的各种缺陷,提高缺陷检测的灵活性与缺陷检测结果的准确度,进而提升用户体验。
基于第一实施例,提出本发明方法的第二实施例,在本实施例中,步骤S302,还包括,
步骤S3021,基于所述区域图像对应的滤波参数,对所述区域图像进行预滤波处理,以获取滤波图像;
步骤S3022,基于所述区域图像对应的分割参数,对所述滤波图像进行缺陷分割,以获取二值化图像;
步骤S3023,基于所述特征参数,对所述二值化图像进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
该步骤中,在分别设定每一个区域图像的缺陷特征对应的算法参数之后,基于区域图像对应的算法参数,对区域图像进行预设算法检测,其中,检测参数包括滤波参数、分割参数及特征参数,具体地,参考图4,基于N叉树遍历原则,依次对区域图像进行对应滤波参数、分割参数及特征参数下的预设算法检测,具体地,若输入的目标图像为I(x,y),则获取目标图像I(x,y)对应的亮度分布信息,以获取目标图像I(x,y)中亮度异常的区域图像,接着对目标图像I(x,y)中亮度异常的区域图像基于该区域图像对应的滤波参数进行滤波、可选地,采用形态学的滤波方法,使得亮度异常区域得到增强,而背景得到抑制,具体地,获取目标图像I(x,y)中亮度异常的区域图像的滤波参数,接着根据该滤波参数选取对应的滤波器F(n),最后对滤波器F(n)设定对应的滤波参数后,对目标图像I(x,y)进行滤波,获取滤波结果图像为R(x,y),其中,R(x,y)=F(I(x,y))。
接着根据对应的分割参数对滤波图像R(x,y)进行缺陷分割,具体方法可采用图像二值化OTSU方法,或自适应二值化方法,即基于对应的二值化函数对滤波图像R(x,y)进行二值化预处理,以获取二值化图像B(x,y),接着对分割后的二值化图像B(x,y),接着对二值化图像进行特征筛选,以确定二值化图像对应的缺陷图像,并输出缺陷图像。
具体地,步骤S3023包括:
对所述二值化图像进行连通域分析,以获取所述二值化图像的连通域集;
基于所述特征参数,逐一对所述二值化图像的连通域集的每一个连通域进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
该步骤中,提取二值化图像B(x,y)的各个连通域{C1,C2,C3,…,Cn},并对各个连通域做特征提取,其中,该特征包括区域的大小,长度,宽度,对比度,矩形度,圆形度,高宽比等多种特征,即基于以上多种特征,逐一对所述二值化图像的连通域集的每一个连通域进行特征筛选,以确定二值化图像对应的缺陷图像,并输出缺陷图像。
具体地,逐一对所述二值化图像的连通域集的每一个连通域进行特征提取,以获取每一个连通域对应的特征集;
获取所述连通域对应的特征集中每一个特征对应的特征值,并将所述特征值与标准特征值进行对比,以获取所述连通域对应的缺陷判定结果;
基于连通域集的每一个连通域对应的缺陷判定结果,确定所述二值化图像对应的缺陷图像。
该步骤中,在对各个连通域做特征提取之后,获取到连通域Cn的特征集为{F1,F2,F3,…,Fk},最后根据已知缺陷特征,对各个连通域进行特征筛选,最终获得缺陷区域。进一步地,特征筛选根据以下原则进行:当Fk在标准阈值范围内时,令Sk=1;而当Fk不在标准阈值范围内时,令Sk=0,最后令Dn=Sk*Sk*Sk*,...,Sk*R(x,y)=F(I(x,y)),当Dn等于1时,说明区域Cm为缺陷区域,否则为正常区域,基于以上特征筛选原则,获取二值化图像B(x,y)对应的缺陷图像,即二值化图像B(x,y)对应的连通域{C1,C2,C3,…,Cn}中的Dn等于1的缺陷区域Cm,接着将缺陷区域Cm的坐标信息及缺陷特征信息作为缺陷图像的标识信息,并将缺陷图像的标识信息与缺陷图像一并输出。
本实施例提出的缺陷检测方法,通过基于所述区域图像对应的滤波参数,对所述区域图像进行预滤波处理,以获取滤波图像,基于所述区域图像对应的分割参数,对所述滤波图像进行缺陷分割,以获取二值化图像,基于所述特征参数,对所述二值化图像进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像,可检测出图像上各个位置上可能出现的大小不同的各种缺陷,提高缺陷检测的灵活性与缺陷检测结果的准确度,进而提升用户体验。
此外,本发明实施例还提出一种缺陷检测装置,所述缺陷检测装置包括:
第一获取模块,用于获取目标图像,并对所述目标图像进行区域划分,以获取若干个区域图像;
第二获取模块,用于分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征;
输出模块,用于基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像。
其中,所述缺陷检测装置被处理器执行时实现以上所述缺陷检测方法各个实施例的步骤。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有缺陷检测程序,所述缺陷检测程序被处理器执行时实现以上所述缺陷检测方法各个实施例的步骤。
需要说明的是,在本文中,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***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***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,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种缺陷检测方法,其特征在于,所述缺陷检测方法包括以下步骤:
获取目标图像,并对所述目标图像进行区域划分,以获取若干个区域图像;
分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征;
基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像。
2.如权利要求1所述的缺陷检测方法,其特征在于,所述获取目标图像的步骤包括:
在待检测产品放置于缺陷检测平台时,基于所述缺陷检测平台的摄像装置,采集所述待检测产品的目标图像。
3.如权利要求1所述的缺陷检测方法,其特征在于,所述并对所述目标图像进行区域划分,以获取若干个区域图像的步骤包括:
获取待检测产品的产品特征信息,和/或,对所述目标图像进行像素筛选,以获取所述目标图像对应的像素缺陷区域;
基于所述产品特征信息和/或所述目标图像对应的像素缺陷区域,对所述目标图像进行区域划分,以获取若干个区域图像,并对所述若干个区域图像进行区域特征标识。
4.如权利要求1所述的缺陷检测方法,其特征在于,所述基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像的步骤包括:
分别基于每一个区域图像对应的缺陷特征,确定所述区域图像对应的算法参数;
基于所述区域图像对应的算法参数,对所述区域图像进行预设算法检测,以输出所述区域图像对应的缺陷图像。
5.如权利要求4所述的缺陷检测方法,其特征在于,所述算法参数包括滤波参数、分割参数及特征参数,所述基于所述区域图像对应的算法参数,对所述区域图像进行预设算法检测,以输出所述区域图像对应的缺陷图像的步骤包括:
基于所述区域图像对应的滤波参数,对所述区域图像进行预滤波处理,以获取滤波图像;
基于所述区域图像对应的分割参数,对所述滤波图像进行缺陷分割,以获取二值化图像;
基于所述特征参数,对所述二值化图像进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
6.如权利要求5所述的缺陷检测方法,其特征在于,所述基于所述特征参数,对所述二值化图像进行特征筛选,以确定所述二值化图像对应的缺陷图像的步骤包括:
对所述二值化图像进行连通域分析,以获取所述二值化图像的连通域集;
基于所述特征参数,逐一对所述二值化图像的连通域集的每一个连通域进行特征筛选,以确定所述二值化图像对应的缺陷图像,并输出所述缺陷图像。
7.如权利要求6所述的缺陷检测方法,其特征在于,所述逐一对所述二值化图像的连通域集的每一个连通域进行特征筛选,以确定所述二值化图像对应的缺陷图像的步骤包括:
逐一对所述二值化图像的连通域集的每一个连通域进行特征提取,以获取每一个连通域对应的特征集;
获取所述连通域对应的特征集中每一个特征对应的特征值,并将所述特征值与标准特征值进行对比,以获取所述连通域对应的缺陷判定结果;
基于连通域集的每一个连通域对应的缺陷判定结果,确定所述二值化图像对应的缺陷图像。
8.一种缺陷检测装置,其特征在于,所述缺陷检测装置包括:
第一获取模块,用于获取目标图像,并对所述目标图像进行区域划分,以获取若干个区域图像;
第二获取模块,用于分别获取若干个区域图像中每一个区域图像的区域特征标识,并分别确定每一个区域图像的区域特征标识对应的缺陷特征;
输出模块,用于基于所述缺陷特征,分别输出每一个区域图像对应的缺陷图像。
9.一种缺陷检测设备,其特征在于,所述缺陷检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序,所述缺陷检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的缺陷检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有缺陷检测程序,所述缺陷检测程序被处理器执行时实现如权利要求1至7中任一项所述的缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010740667.0A CN111882541A (zh) | 2020-07-28 | 2020-07-28 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010740667.0A CN111882541A (zh) | 2020-07-28 | 2020-07-28 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882541A true CN111882541A (zh) | 2020-11-03 |
Family
ID=73201865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010740667.0A Pending CN111882541A (zh) | 2020-07-28 | 2020-07-28 | 缺陷检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882541A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991268A (zh) * | 2021-02-09 | 2021-06-18 | 上海众壹云计算科技有限公司 | 晶圆上目标缺陷的快速筛查方法及其装置、***、存储介质和电子设备 |
CN112986259A (zh) * | 2021-02-09 | 2021-06-18 | 清华大学 | 智能终端oled面板制造工艺的缺陷检测方法以及装置 |
CN113643233A (zh) * | 2021-07-01 | 2021-11-12 | 深圳市格灵精睿视觉有限公司 | 油性涂层检测方法、***及设备、计算机可读存储介质 |
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN113947613A (zh) * | 2021-12-21 | 2022-01-18 | 腾讯科技(深圳)有限公司 | 目标区域检测方法、装置、设备及存储介质 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
CN110021012A (zh) * | 2019-03-27 | 2019-07-16 | 安徽皓视光电科技有限公司 | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 |
CN110687119A (zh) * | 2018-07-04 | 2020-01-14 | 东腾投资集团有限公司 | 一种缺陷检测方法、***与装置、计算机可读存储介质 |
CN111179243A (zh) * | 2019-12-25 | 2020-05-19 | 武汉昕竺科技服务有限公司 | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及*** |
-
2020
- 2020-07-28 CN CN202010740667.0A patent/CN111882541A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
CN110687119A (zh) * | 2018-07-04 | 2020-01-14 | 东腾投资集团有限公司 | 一种缺陷检测方法、***与装置、计算机可读存储介质 |
CN110021012A (zh) * | 2019-03-27 | 2019-07-16 | 安徽皓视光电科技有限公司 | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 |
CN111179243A (zh) * | 2019-12-25 | 2020-05-19 | 武汉昕竺科技服务有限公司 | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及*** |
Non-Patent Citations (1)
Title |
---|
李俊峰 等: "基于机器视觉的导光板缺陷检测方法研究", 光电子・激光, vol. 30, no. 03, 15 March 2019 (2019-03-15), pages 256 - 265 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991268A (zh) * | 2021-02-09 | 2021-06-18 | 上海众壹云计算科技有限公司 | 晶圆上目标缺陷的快速筛查方法及其装置、***、存储介质和电子设备 |
CN112986259A (zh) * | 2021-02-09 | 2021-06-18 | 清华大学 | 智能终端oled面板制造工艺的缺陷检测方法以及装置 |
CN113643233A (zh) * | 2021-07-01 | 2021-11-12 | 深圳市格灵精睿视觉有限公司 | 油性涂层检测方法、***及设备、计算机可读存储介质 |
CN113643233B (zh) * | 2021-07-01 | 2024-05-24 | 深圳市格灵精睿视觉有限公司 | 油性涂层检测方法、***及设备、计算机可读存储介质 |
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN113947613A (zh) * | 2021-12-21 | 2022-01-18 | 腾讯科技(深圳)有限公司 | 目标区域检测方法、装置、设备及存储介质 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及*** |
CN116452598B (zh) * | 2023-06-20 | 2023-08-29 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111882541A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别***及存储介质 | |
CN111640091A (zh) | 产品缺陷的检测方法及计算机存储介质 | |
CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
CN111507324B (zh) | 卡片边框识别方法、装置、设备和计算机存储介质 | |
CN105046254A (zh) | 字符识别方法及装置 | |
CN112767366A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN110047083B (zh) | 图像噪点识别方法、服务器及存储介质 | |
CN115908269A (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN110414649B (zh) | Dm码的定位方法、装置、终端及存储介质 | |
CN112700440B (zh) | 物体缺陷检测方法、装置、计算机设备及存储介质 | |
CN116542975B (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
CN109635700B (zh) | 障碍物识别方法、设备、***及存储介质 | |
CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
CN108022219B (zh) | 一种二维图像灰度修正方法 | |
CN116503388A (zh) | 缺陷检测方法、装置及存储介质 | |
CN113269769A (zh) | 一种基于图像配准的缺陷检测方法、***及设备 | |
CN108647570B (zh) | 斑马线检测方法、装置及计算机可读存储介质 | |
CN114048539A (zh) | Cad文件解析与规则判断方法及相关装置 | |
CN113096111A (zh) | 物料检测方法、***、计算机程序产品及可读存储介质 | |
CN117351011A (zh) | 屏幕缺陷检测方法、设备和可读存储介质 | |
CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测***、方法及介质 | |
CN108805931B (zh) | Ar产品的定位检测方法、装置及计算机可读存储介质 | |
CN115311237A (zh) | 一种图像检测方法、装置及电子设备 |
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 |