CN112233119A - 工件缺陷质检方法、装置及*** - Google Patents
工件缺陷质检方法、装置及*** Download PDFInfo
- Publication number
- CN112233119A CN112233119A CN202011485365.XA CN202011485365A CN112233119A CN 112233119 A CN112233119 A CN 112233119A CN 202011485365 A CN202011485365 A CN 202011485365A CN 112233119 A CN112233119 A CN 112233119A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- defect
- defects
- optical surface
- reasoning
- 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 138
- 238000007689 inspection Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003287 optical effect Effects 0.000 claims abstract description 75
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 27
- 238000005520 cutting process Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000012805 post-processing Methods 0.000 abstract description 6
- 238000012372 quality testing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30164—Workpiece; Machine component
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)
Abstract
本申请揭示了一种工件缺陷质检方法、装置及***,该方法包括控制相机对工件的各个光学面进行拍照;对拍照得到的各个图片进行图像预处理;将预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果,推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值;根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为工件的最终缺陷判定结果。本申请通过相机获取工件的光学面的图片,对这些图片进行预处理、利用AI模型进行推理、推理结果后处理以及工件综合判定等流程,代替了传统的质检流程,大大提高了质检的效率,且检测结果比人工检测更加稳定。
Description
技术领域
本发明属于工件质检技术领域,涉及一种工件缺陷质检方法、装置及***。
背景技术
传统的小零件上缺陷的质检方法是通过显微镜和人工目视检查结合的方式,由于人工目视检查导致质检结果受工人经验影响,质检效率低且质检效果差。尤其是一些较大的工厂单日出货量巨大,在质检环节往往会投入大量的人力,近年来工厂人员招聘的成本越来越高,业界迫切需要一种新的方案来提升质检效率。
发明内容
为了解决相关技术通过显微镜和人工目视检查结合的方式,导致质检效率低且质检效果差的问题,本申请提供了一种工件缺陷质检方法、装置及***。技术方案如下:
第一方面,本申请提供了一种工件缺陷质检方法,所述工件缺陷质检方法包括:
控制相机对工件的各个光学面进行拍照;
对拍照得到的各个图片进行图像预处理;
将预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果,所述推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值;
根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;
从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为所述工件的最终缺陷判定结果。
可选地,在所述控制相机对工件的各个光学面进行拍照之前,所述方法还包括:
根据相机所要拍摄的工件的光学面的尺寸,对所述相机设置感兴趣区域;
根据所述感兴趣区域的大小生成预定拍照顺序,其中,对应的感兴趣区域大的光学面的拍照顺序优先于感兴趣区域小的光学面的拍照顺序。
可选地,在所述控制相机对工件的各个光学面进行拍照之后,且在所述对拍照得到的各个图片进行图像预处理之前,所述方法还包括:
为各个图片添加头部信息,所述头部信息包括对应的工件号以及工件的光学面号。
可选地,所述对拍照得到的各个图片进行图像预处理,包括:
对各个图片进行寻边切图,保留图片中的有效区域;
对各个切图处理后得到的图片进行预定比例的压缩,得到压缩后的图片。
可选地,所述像素物理量特征值包含缺陷的长度、宽度、面积、亮度、对比度和梯度。
可选地,所述根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷,包括:
对于每个工件,结合所述工件的各个光学面的推理结果,识别出位于多个光学面上的缺陷;
将识别出的缺陷的像素物理量特征值从像素单位转换为毫米单位,得到真实物理量特征值;
筛选出真实物理量特征值大于预定阈值的缺陷。
第二方面,本申请还提供一种工件缺陷质检装置,所述装置包括:
拍照模块,被配置为控制相机对工件的各个光学面进行拍照;
预处理模块,被配置为对所述拍照模块拍照得到的各个图片进行图像预处理;
推理模块,被配置为将所述预处理模块预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果,所述推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值;
筛选模块,被配置为根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;
缺陷判定模块,被配置为从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为所述工件的最终缺陷判定结果。
第三方面,本申请还提供一种工件缺陷质检***,所述工件缺陷质检***包括相机、图像处理服务器,所述相机通过网口与所述图像处理服务器进行数据传输,所述图像处理器服务器包括存储器和处理器,所述存储器中存储有应用程序,所述处理器执行所述应用程序以进行如下操作:
控制相机对n个工件的各个光学面进行拍照;
对拍照得到的各个图片进行图像预处理;
将预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果,所述推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值;
根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;
从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为所述工件的最终缺陷判定结果。
可选的,所述相机为m个,每个相机均通过单独的网口与所述图像处理服务器进行数据传输,每个相机对n个工件的各个光学面进行拍照,所述m为大于0的自然数,所述n为大于0的自然数。
第四方面,本申请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中存储有指令,所述指令由处理器执行,以实现如第一方面以及第一方面各种可选方式中提供的工件缺陷质检方法。
本申请至少可以实现如下有益效果:
通过相机获取工件的光学面的图片,对这些图片进行预处理、利用AI模型进行推理、推理结果后处理以及工件综合判定等流程,代替了传统的质检流程,大大提高了质检的效率,且检测结果比人工检测更加稳定。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请一个实施例中提供的工件缺陷质检***的示意图;
图2是本申请一个实施例中提供的工件缺陷质检方法的方法流程图;
图3是本申请另一个实施例中提供的工件缺陷质检方法的方法流程图;
图4是本申请一个实施例中提供的图像处理服务器在实现工件缺陷质检方法时的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是本申请一个实施例中提供的工件缺陷质检***的示意图,该工件缺陷质检***可以包括相机和图像处理服务器,相机通过网口与所述图像处理服务器进行数据传输。
通常来讲,图像处理器服务器可以包括存储器和处理器,所述存储器中存储有应用程序,所述处理器执行所述应用程序,以根据相机采集到的图片进行所摄取的工件的缺陷质检。
在实际应用中,相机通常安装于机械臂上,机械臂的高度以及角度均可以调整,以调整相机的高度和拍摄视角。
为了提高工件的质检效率,本申请提供了m个相机,m个相机均安装于机械臂上,且每个相机均可以单独通过一网口与图像处理服务器进行数据传输。这种情况下,图像处理服务器的CPU核数通常需要大于相机的数量,这样可以为每一个相机单独开一个线程来并行收发相机获取的图片数据,以缩短数据传输的时间。
在一种可能的实现中,m取值为大于0的自然数,比如可以为1、2、3、4或5,可以根据图像处理器的处理能力设定相机的数量,显然,图像处理器的处理能力越强,所能支持的相机的数量也就越多,进而也就可以更加提高作业质检中工件的质检效率。图1中m取值为4,即示出了4个相机。4个相机分别通过一个网口与图像处理服务器通信。
通常,每个相机可以对n个工件进行拍摄,且可以在人为调整角度下对每个工件的各个光学面进行拍摄。类似的,n的取值为大于0的自然数,比如可以为1、2、3、4、5或6。图1中n取值为4,即示出了每个相机对应拍摄4个工件。
下面结合图2-图4对本申请提供的工件缺陷质检方法进行举例说明。
图2是本申请一个实施例中提供的工件缺陷质检方法的方法流程图,本申请提供的工件缺陷质检方法可以包括如下步骤:
步骤201,控制相机对工件的各个光学面进行拍照;
即利用图1所示的一个相机对工件的各个光学面进行拍照,这里的光学面是指工件需要进行缺陷检测的表面,由于相机拍照摄取的是视野内的矩形框,而工件是立体的,因此工件通常具备多个光学面。
在实际质检过程中,可以通过人为调整工件的不同光学面以放置于相机的拍照视野内,也可以通过机械抓手调整工件的不同光学面以放置于相机的拍照视野内。显然,在利用机械抓手时,每当对工件的第i个光学面拍摄p张图片后,控制机械抓手调整该工件,以使第i+1个光学面进入相机的拍照视野,然后相机对该第i+1个光学面进行拍摄,i为大于0的自然数。
这里的p的取值为大于0的自然数,比如可以为1、2或3,为了避免拍照的图片不可用,比如模糊等,对于同一个光学面,可以对其拍摄多张,选取质量最高的图片进行后续的处理。
本申请一个实施例中,m和n均取值为4,即设置4个相机,每个相机摄取4个工件的各个光学面。每个相机分别通过一个网口与图像处理服务器之间传输图片数据。
步骤202,对拍照得到的各个图片进行图像预处理;
对图片进行图像相关预处理,可以使得后续对图片的推理以及筛选等的处理结果效果更好,或者可以减少后续对图片的推理的计算量。
步骤203,将预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果;
推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值。
步骤204,根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;
步骤205,从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为工件的最终缺陷判定结果。
综上所述,本申请提供的工件缺陷质检方法,通过相机获取工件的光学面的图片,对这些图片进行预处理、利用AI模型进行推理、推理结果后处理以及工件综合判定等流程,代替了传统的质检流程,大大提高了质检的效率,且检测结果比人工检测更加稳定。
图3是本申请另一个实施例中提供的工件缺陷质检方法的方法流程图,本申请提供的工件缺陷质检方法可以包括如下步骤:
步骤301,根据相机所要拍摄的工件的光学面的尺寸,对相机设置感兴趣区域;
由于每个工件的光学面的尺寸可能不同,比如长方体形状的一些光学面的尺寸是不同的,为了提高所拍照的图片的感兴趣区域足够大,本申请中可以根据光学面的尺寸,对相机设置感兴趣区域ROI。
步骤302,根据感兴趣区域的大小生成预定拍照顺序;
为了降低相机感兴趣区域的来回调动,可以根据感兴趣区域的大小生成预定拍照顺序。
而通常,当光学面比较大时,也可以理解为对应的感兴趣区域比较大时,通常意味着所要摄取的图片的特征较多,更容易发现缺陷,因此本申请中可以根据感兴趣区域的大小生成预定拍照顺序。
在一种可能的实现方式中,感兴趣区域大的光学面的拍照顺序可以优先于感兴趣区域小的光学面的拍照顺序。
步骤303,控制相机对工件的各个光学面进行拍照;
可以参见步骤201的描述,这里就不再赘述。
步骤304,为各个图片添加头部信息;
为了便于后续对工件的缺陷的确定,区分每个工件,避免产生质检结果的混淆,本申请中在相机拍照得到的图片上可以添加头部信息。这些头部信息通常可以包括对应的工件号以及工件的光学面号,显然添加的头部信息可以用于唯一标识工件的光学面。
步骤305,对各个图片进行寻边切图,保留图片中的有效区域;
在对工件的缺陷进行质检时,一般来讲,需要对图片中的工件所在的区域进行处理即可,因此为了减少计算复杂度,提高质检质量,可以对各个图片进行寻边切图,通常是寻找图片中工件的轮廓,沿着轮廓进行切图,保留图片中轮廓内的有效区域。
步骤306,对各个切图处理后得到的图片进行预定比例的压缩,得到压缩后的图片;
显然,切图处理得到的各个图片的尺寸不同,经过相同预定比例的压缩后,得到的压缩后的图片的尺寸也通常不同。
步骤307,将预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果;
这里所讲的推理结果可以包括光学面上存在的缺陷的置信度和像素物理量特征值,其中,像素物理量特征值包含缺陷的长度、宽度、面积、亮度、对比度和梯度。
步骤308,对于每个工件,结合工件的各个光学面的推理结果,识别出位于多个光学面上的缺陷;
由于每个工件均有多个光学面,也即每个工件均对应多个光学面的图片,即使一个光学面选取一张图片,每个工件也均对应多个推理结果,此时,识别出位于多个光学面上的缺陷,即识别出位于多个图片的同一个缺陷。
步骤309,将识别出的缺陷的像素物理量特征值从像素单位转换为毫米单位,得到真实物理量特征值;
步骤310,筛选出真实物理量特征值大于预定阈值的缺陷;
步骤311,从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为工件的最终缺陷判定结果。
一般的,工件上可能会存在不同类型的缺陷,而一些缺陷对工件的质量影响不大,但一些缺陷则直接决定工件是否合适,因此本申请中将从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为工件的最终缺陷判定结果。
通常在确定出工件的缺陷后,可以根据缺陷的类型,将对应的工件下料至于该缺陷对应的料盘中。
综上所述,本申请提供的工件缺陷质检方法,通过相机获取工件的光学面的图片,对这些图片进行预处理、利用AI模型进行推理、推理结果后处理以及工件综合判定等流程,代替了传统的质检流程,大大提高了质检的效率,且检测结果比人工检测更加稳定。
经大量实验验证,通过本申请提供的工件缺陷质检,可以将质检的效率提升了10倍以上,并且检测结果比人工检测更加稳定。
需要补充说明的是,当请参见图4所示,其是本申请一个实施例中提供的图像处理服务器在实现工件缺陷质检方法时的流程图,工件缺陷质检***提供m个相机时,为了提高工作效率,通常每个相机均用一个单独的线程(单独网口)与图像处理服务器进行通信,在图像处理服务器中对图片进行各项流程时,也利用单独的线程。
图像处理服务器的网口接收到相机采集到的图片时,首先,可以先存储在图像处理服务器的图像预处理缓冲区中,利用m个预处理线程,分别执行步骤304-306,然后利用m个预处理线程将预处理后的图像存储至待推理图像缓冲区中;然后,分别利用m个图像数据传输线程将待推理图像缓冲区中的图片传输至AI推理模型;利用m个推理结果传输线程将得到的推理结果传输至推理结果后处理缓冲区中;再利用m个推理结果后处理线程将推理结果输入至综合判定缓冲区,根据综合判定缓冲区内的推理结果进行缺陷判定和下料。
也就是说,这对于同一个相机所采集的图片中工件的质检流程均可以利用独立的线程实现,***可以对各个相机所采集的工件的缺陷并行质检,大大提高了质检效率。
本申请还提供一种工件缺陷质检装置,包括:拍照模块、预处理模块、推理模块、筛选模块和缺陷判定模块。
拍照模块可以被配置为控制相机对工件的各个光学面进行拍照;
预处理模块可以被配置为对所述拍照模块拍照得到的各个图片进行图像预处理;
推理模块可以被配置为将所述预处理模块预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果,所述推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值;可选的,所述像素物理量特征值包含缺陷的长度、宽度、面积、亮度、对比度和梯度。
筛选模块可以被配置为根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;
缺陷判定模块可以被配置为从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为所述工件的最终缺陷判定结果。
在一种可能的实现方式中,该工件缺陷质检装置还可以包括:感兴趣区域设置模块和排序模块,其中,感兴趣区域设置模块被配置为根据相机所要拍摄的工件的光学面的尺寸,对所述相机设置感兴趣区域;排序模块被配置为根据所述感兴趣区域的大小生成预定拍照顺序,其中,对应的感兴趣区域大的光学面的拍照顺序优先于感兴趣区域小的光学面的拍照顺序。
在另一种可能的实现方式中,该工件缺陷质检装置还可以包括添加模块。添加模块可以被配置为各个图片添加头部信息,所述头部信息包括对应的工件号以及工件的光学面号。
可选的,筛选模块还可以被配置为对于每个工件,结合所述工件的各个光学面的推理结果,识别出位于多个光学面上的缺陷;将识别出的缺陷的像素物理量特征值从像素单位转换为毫米单位,得到真实物理量特征值;筛选出真实物理量特征值大于预定阈值的缺陷。
综上所述,本申请提供的工件缺陷质检装置,通过相机获取工件的光学面的图片,对这些图片进行预处理、利用AI模型进行推理、推理结果后处理以及工件综合判定等流程,代替了传统的质检流程,大大提高了质检的效率,且检测结果比人工检测更加稳定。
另外,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,所述指令由处理器执行,以实现如上述的工件缺陷质检方法。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由所附的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种工件缺陷质检方法,其特征在于,所述工件缺陷质检方法包括:
控制相机对工件的各个光学面进行拍照;
对拍照得到的各个图片进行图像预处理;
将预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果,所述推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值;
根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;
从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为所述工件的最终缺陷判定结果。
2.根据权利要求1所述的工件缺陷质检方法,其特征在于,在所述控制相机对工件的各个光学面进行拍照之前,所述方法还包括:
根据相机所要拍摄的工件的光学面的尺寸,对所述相机设置感兴趣区域;
根据所述感兴趣区域的大小生成预定拍照顺序,其中,对应的感兴趣区域大的光学面的拍照顺序优先于感兴趣区域小的光学面的拍照顺序。
3.根据权利要求1所述的工件缺陷质检方法,其特征在于,在所述控制相机对工件的各个光学面进行拍照之后,且在所述对拍照得到的各个图片进行图像预处理之前,所述方法还包括:
为各个图片添加头部信息,所述头部信息包括对应的工件号以及工件的光学面号。
4.根据权利要求1所述的工件缺陷质检方法,其特征在于,所述对拍照得到的各个图片进行图像预处理,包括:
对各个图片进行寻边切图,保留图片中的有效区域;
对各个切图处理后得到的图片进行预定比例的压缩,得到压缩后的图片。
5.根据权利要求1所述的工件缺陷质检方法,其特征在于,所述像素物理量特征值包含缺陷的长度、宽度、面积、亮度、对比度和梯度。
6.根据权利要求1所述的工件缺陷质检方法,其特征在于,所述根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷,包括:
对于每个工件,结合所述工件的各个光学面的推理结果,识别出位于多个光学面上的缺陷;
将识别出的缺陷的像素物理量特征值从像素单位转换为毫米单位,得到真实物理量特征值;
筛选出真实物理量特征值大于预定阈值的缺陷。
7.一种工件缺陷质检装置,其特征在于,所述装置包括:
拍照模块,被配置为控制相机对工件的各个光学面进行拍照;
预处理模块,被配置为对所述拍照模块拍照得到的各个图片进行图像预处理;
推理模块,被配置为将所述预处理模块预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果,所述推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值;
筛选模块,被配置为根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;
缺陷判定模块,被配置为从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为所述工件的最终缺陷判定结果。
8.一种工件缺陷质检***,其特征在于,所述工件缺陷质检***包括相机、图像处理服务器,所述相机通过网口与所述图像处理服务器进行数据传输,所述图像处理器服务器包括存储器和处理器,所述存储器中存储有应用程序,所述处理器执行所述应用程序以进行如下操作:
控制相机对工件的各个光学面进行拍照;
对拍照得到的各个图片进行图像预处理;
将预处理后的图片按照预定方式传输至对应的AI模型中进行推理,得到推理结果,所述推理结果包括光学面上存在的缺陷的置信度和像素物理量特征值;
根据每个工件的各个推理结果,筛选出每个工件符合条件的缺陷;
从每个工件筛选出的各个缺陷中选定缺陷优先级最高的缺陷,作为所述工件的最终缺陷判定结果。
9.根据权利要求8所述的工件缺陷质检***,其特征在于,所述相机为m个,每个相机均通过单独的网口与所述图像处理服务器进行数据传输,每个相机对n个工件的各个光学面进行拍照,所述m为大于0的自然数,所述n为大于0的自然数。
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中存储有指令,所述指令由处理器执行,以实现如权利要求1至6任一所述的工件缺陷质检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485365.XA CN112233119A (zh) | 2020-12-16 | 2020-12-16 | 工件缺陷质检方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485365.XA CN112233119A (zh) | 2020-12-16 | 2020-12-16 | 工件缺陷质检方法、装置及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112233119A true CN112233119A (zh) | 2021-01-15 |
Family
ID=74124143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485365.XA Pending CN112233119A (zh) | 2020-12-16 | 2020-12-16 | 工件缺陷质检方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233119A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486927A (zh) * | 2021-12-31 | 2022-05-13 | 杭州意象科技有限公司 | 一种手机自动化检测的拍照方法 |
CN116721098A (zh) * | 2023-08-09 | 2023-09-08 | 常州微亿智造科技有限公司 | 工业检测中的缺陷检测方法、缺陷检测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108571928A (zh) * | 2018-04-13 | 2018-09-25 | 桂林电子科技大学 | 一种基于机器视觉的夹片锚具尺寸缺陷检测方法 |
CN111814867A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大华技术股份有限公司 | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 |
CN111951238A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 产品缺陷检测方法 |
-
2020
- 2020-12-16 CN CN202011485365.XA patent/CN112233119A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108571928A (zh) * | 2018-04-13 | 2018-09-25 | 桂林电子科技大学 | 一种基于机器视觉的夹片锚具尺寸缺陷检测方法 |
CN111814867A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大华技术股份有限公司 | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 |
CN111951238A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 产品缺陷检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486927A (zh) * | 2021-12-31 | 2022-05-13 | 杭州意象科技有限公司 | 一种手机自动化检测的拍照方法 |
CN116721098A (zh) * | 2023-08-09 | 2023-09-08 | 常州微亿智造科技有限公司 | 工业检测中的缺陷检测方法、缺陷检测装置 |
CN116721098B (zh) * | 2023-08-09 | 2023-11-14 | 常州微亿智造科技有限公司 | 工业检测中的缺陷检测方法、缺陷检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102171491B1 (ko) | 딥러닝을 이용한 양품 선별 방법 | |
DE102015005267B4 (de) | Informationsverarbeitungsvorrichtung, Verfahren dafür und Messvorrichtung | |
DE60316690T2 (de) | System zur bildvergleichung mit verwendung eines dreidimensionalen objectmodelles, bildvergleichverfahren und bildvergleichprogramm | |
US6381366B1 (en) | Machine vision methods and system for boundary point-based comparison of patterns and images | |
CN113706495B (zh) | 一种在传送带上自动检测锂电池参数的机器视觉检测*** | |
CN112233119A (zh) | 工件缺陷质检方法、装置及*** | |
US8315457B2 (en) | System and method for performing multi-image training for pattern recognition and registration | |
WO2022017197A1 (zh) | 一种智能化的产品质量检测方法及装置 | |
CN114998314A (zh) | 一种基于计算机视觉的pcb电路板缺陷检测方法 | |
CN114581445B (zh) | 点胶产品分段检测方法、***、设备及存储介质 | |
CN110186929A (zh) | 一种实时的产品瑕疵定位方法 | |
CN114240877A (zh) | 一种检测焊接质量的方法及装置 | |
CN116580026B (zh) | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 | |
CN113055657A (zh) | 基于电网线路巡检的图像采集方法和*** | |
CN109544514B (zh) | 一种融合表观特征的锯材身份辨识方法、装置及设备 | |
CN111275756A (zh) | 线轴定位方法及装置 | |
CN116503807A (zh) | 一种设备巡检方法、装置、电子设备及计算机程序产品 | |
JP2020177429A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US20220114736A1 (en) | Method and system for motion segmentation | |
JP6788929B1 (ja) | 被検物判定用の画像処理装置及び画像処理方法 | |
CN113763311B (zh) | 图像识别方法及装置、以及自动分拣机器人 | |
CN110310235B (zh) | 眼底图像处理方法、装置及设备和存储介质 | |
CN114663299A (zh) | 适用于煤矿井下的图像去雾模型的训练方法及其装置 | |
CN104048968A (zh) | 一种工业加工零件自动缺陷识别*** | |
CN111886625A (zh) | 图像融合方法、图像采集设备、可移动平台 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |
|
RJ01 | Rejection of invention patent application after publication |