CN112991251B - 一种表面缺陷检测的方法、装置及设备 - Google Patents
一种表面缺陷检测的方法、装置及设备 Download PDFInfo
- Publication number
- CN112991251B CN112991251B CN201911207458.3A CN201911207458A CN112991251B CN 112991251 B CN112991251 B CN 112991251B CN 201911207458 A CN201911207458 A CN 201911207458A CN 112991251 B CN112991251 B CN 112991251B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- intensity
- product
- value
- 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 103
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005764 inhibitory process Effects 0.000 claims abstract description 40
- 230000001629 suppression Effects 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000002950 deficient Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Textile Engineering (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种表面缺陷检测的方法、装置及设备,用于从梯度强度和梯度方向两个方面与模板图像进行对比,能够很好的突出缺陷的同时减少误判的发生。该方法包括:获取对产品进行检测得到的梯度强度图像和梯度方向图像;根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
Description
技术领域
本发明涉及工业检测技术领域,尤其涉及一种表面缺陷检测的方法、装置及设备。
背景技术
缺陷检测通常是指对物品表面缺陷的检测,表面缺陷检测主要采用基于视觉的缺陷检测技术,对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。
基于视觉的缺陷检测主要包括图像采集、预处理、特征提取及缺陷分离,其中关键在于缺陷特征提取,也就是如何将产品中的缺陷部分和产品的背景部分进行区分,现有大部分的缺陷检测通常采用梯度值的差异性来增强缺陷的可区分性,但往往只在梯度强度方面进行检测,由于产品的背景图往往不是很均匀,一致性较差,干扰较大,导致单一的在梯度强度方面的检测指标无法很好的进行缺陷特征提取,无法很好的将缺陷分离,容易产生缺陷误判的情况。
发明内容
本发明提供了一种表面缺陷检测的方法、装置及设备,用于从梯度强度和梯度方向两个方面进行对比,通过非最大抑制处理的方法对相近的干扰点进行抑制,能够更精确地进行缺陷特征提取,很好的突出缺陷的同时减少误判的发生。
第一方面,本发明提供一种表面缺陷检测的方法,该方法包括:
获取对产品进行检测得到的梯度强度图像和梯度方向图像;
根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;
根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
作为一种可能的实施方式,根据所述非最大抑制图像中的像素值,确定表面缺陷产品,包括:
根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品,包括:
根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像;
根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品,包括:
若所述属于预设阈值范围的像素点的数量大于预设值,则确定所述二值图像对应的产品为表面缺陷产品;或
若所述属于预设阈值范围的像素点占所述二值图像的面积大于预设值,则确定所述二值图像对应的产品为表面缺陷产品。
作为一种可能的实施方式,对产品进行检测得到梯度强度图像和梯度方向图像,包括:
通过索贝尔sobel算法对采集的产品的图像进行处理,得到梯度强度图像和梯度方向图像;或
对表面无缺陷的产品进行检测后得到梯度强度模板图像和梯度方向模板图像,包括:
通过索贝尔sobel算法对采集的表面无缺陷的产品的图像进行处理,得到梯度强度模板图像和梯度方向模板图像。
作为一种可能的实施方式,根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,包括:
对由所述梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像;
对由所述梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像。
作为一种可能的实施方式,根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像,包括:
将所述强度差图像中的目标像素点的梯度强度值置位零,得到非最大抑制图像;
其中,所述强度差图像中根据相邻的至少一个像素点确定的梯度强度值大于根据所述目标像素点确定的梯度强度值,所述相邻的至少一个像素点为所述目标像素点的梯度方向上相邻的像素点,所述目标像素点的梯度方向是根据所述方向差图像中与所述目标像素点在强度差图像中的位置相同的像素点的梯度方向值确定的。
第二方面,本发明提供一种表面缺陷检测的装置,该装置包括获取梯度图像模块、确定梯度差图像模块、非最大抑制处理模块、确定缺陷产品模块,其中:
获取梯度图像模块,用于获取对产品进行检测得到的梯度强度图像和梯度方向图像;
确定梯度差图像模块,用于根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
非最大抑制处理模块,用于根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;
确定缺陷产品模块,用于根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
作为一种可能的实施方式,确定缺陷产品模块具体用于:
根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,确定缺陷产品模块具体用于:
根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像;
根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,确定缺陷产品模块具体用于:
若所述属于预设阈值范围的像素点的数量大于预设值,则确定所述二值图像对应的产品为表面缺陷产品;或
若所述属于预设阈值范围的像素点占所述二值图像的面积大于预设值,则确定所述二值图像对应的产品为表面缺陷产品。
作为一种可能的实施方式,获取梯度图像模块具体用于:
通过索贝尔sobel算法对采集的产品的图像进行处理,得到梯度强度图像和梯度方向图像;或
对表面无缺陷的产品进行检测后得到梯度强度模板图像和梯度方向模板图像,包括:
通过索贝尔sobel算法对采集的表面无缺陷的产品的图像进行处理,得到梯度强度模板图像和梯度方向模板图像。
作为一种可能的实施方式,确定梯度差图像模块具体用于:
对由所述梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像;
对由所述梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像。
作为一种可能的实施方式,非最大抑制处理模块具体用于:
将所述强度差图像中的目标像素点的梯度强度值置位零,得到非最大抑制图像;
其中,所述强度差图像中根据相邻的至少一个像素点确定的梯度强度值大于根据所述目标像素点确定的梯度强度值,所述相邻的至少一个像素点为所述目标像素点的梯度方向上相邻的像素点,所述目标像素点的梯度方向是根据所述方向差图像中与所述目标像素点在强度差图像中的位置相同的像素点的梯度方向值确定的。
第三方面,本发明提供一种表面缺陷检测的设备,该设备包括:处理器以及存储器,其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行如下步骤:
获取对产品进行检测得到的梯度强度图像和梯度方向图像;
根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;
根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
作为一种可能的实施方式,所述处理器具体用于:
根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,所述处理器具体用于:
根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像;
根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,所述处理器具体用于:
若所述属于预设阈值范围的像素点的数量大于预设值,则确定所述二值图像对应的产品为表面缺陷产品;或
若所述属于预设阈值范围的像素点占所述二值图像的面积大于预设值,则确定所述二值图像对应的产品为表面缺陷产品。
作为一种可能的实施方式,所述处理器具体用于:
通过索贝尔sobel算法对采集的产品的图像进行处理,得到梯度强度图像和梯度方向图像;或
对表面无缺陷的产品进行检测后得到梯度强度模板图像和梯度方向模板图像,包括:
通过索贝尔sobel算法对采集的表面无缺陷的产品的图像进行处理,得到梯度强度模板图像和梯度方向模板图像。
作为一种可能的实施方式,所述处理器具体用于:
对由所述梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像;
对由所述梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像。
作为一种可能的实施方式,所述处理器具体用于:
将所述强度差图像中的目标像素点的梯度强度值置位零,得到非最大抑制图像;
其中,所述强度差图像中根据相邻的至少一个像素点确定的梯度强度值大于根据所述目标像素点确定的梯度强度值,所述相邻的至少一个像素点为所述目标像素点的梯度方向上相邻的像素点,所述目标像素点的梯度方向是根据所述方向差图像中与所述目标像素点在强度差图像中的位置相同的像素点的梯度方向值确定的。
第四方面,本发明提供一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面所述方法的步骤。
本发明提供的一种表面缺陷检测的方法、装置及设备,具有以下有益效果:
用于从梯度强度和梯度方向两个方面进行对比,比较梯度强度图像与梯度强度模板图像中的梯度强度及梯度方向图像与梯度方向模板图像中的梯度方向的差异性,通过非最大抑制处理的方法对产品的背景图造成的干扰进行抑制,比较精确地检测出由于缺陷造成的图像的灰度变化,能够很好的突出缺陷,减少误判的发生。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种表面缺陷检测的方法流程图;
图2为本发明实施例提供的一种采集的产品的图像示意图;
图3为本发明实施例提供的一种使用sobel算法计算采集的产品的图像中像素点的梯度示意图;
图4为本发明实施例提供的一种采集的表面无缺陷的产品的图像示意图;
图5为本发明实施例提供的一种对强度差图像中的像素点5确定的梯度强度值进行非最大抑制处理的示意图;
图6为本发明实施例提供的一种进行非最大抑制处理的具体流程图;
图7为本发明实施例提供的一种二值图像示意图;
图8为本发明实施例提供的一种表面缺陷检测的方法的具体实施流程图;
图9为本发明实施例提供的一种表面缺陷检测的装置示意图;
图10为本发明实施例提供的一种表面缺陷检测的设备示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面对本发明实施例中提出的梯度强度及梯度方向进行简单说明。
梯度本质上是一阶偏微分向量,用于表示某一函数在某点处的方向导数沿着该方向取得最大值,其中该方向是函数在这点的方向导数取得最大值的方向,称为梯度方向,沿梯度方向时方向导数取得最大值,该最大值称为梯度强度(也称为梯度的模),具体的梯度强度及梯度方向可通过如下公式表示:
1)梯度可通过如下公式表示:
2)梯度强度可通过如下公式表示:
其中,Mag(f)表示梯度强度;
3)梯度方向可通过如下公式表示:
其中,θ表示梯度方向。
针对目前大部分的表面检测技术,通常采用检测图像中像素点确定的梯度强度值与模板图像中像素点确定的梯度强度值之间的差异性来确定是否存在缺陷,由于只在梯度强度方面进行检测,并未很好的区分缺陷结构性的变化趋势,即没有考虑在梯度方向方面也进行检测,例如同样的梯度强度值也可以拥有不同的梯度方向值,并且同样的梯度方向上,相近的像素点在梯度强度的检测上可能会产生干扰,造成检测结果不准确。
为了解决上述技术问题,本发明实施例提供了一种表面缺陷检测的方法,同时考虑了从梯度强度和梯度方向上进行检测,通过非最大抑制处理能够去除干扰像素点,更加精确的检测出缺陷产品。
如图1所示,本发明实施例提供的一种表面缺陷检测的方法实施流程如下:
步骤100、获取对产品进行检测得到的梯度强度图像和梯度方向图像;
实施中,对产品进行检测时,可以通过采集产品图像,计算采集的产品图像中的每个像素点的梯度强度和梯度方向,从而得到产品图像中的每个像素点的梯度强度值和梯度方向值,根据得到的每个像素点的梯度强度值确定梯度强度图像,根据得到的每个像素点的梯度方向值确定梯度方向图像,可以理解为将得到的每个像素点的梯度强度值作为像素值得到梯度强度图像,将每个像素点的梯度方向值作为像素值得到梯度方向图像。
可选的,采集的产品的图像可如图2所示,其中,图中的方框部分用于表示产品的缺陷部分。
作为一种可选的实施方式,通过如下方式对产品进行检测得到梯度强度图像:
通过索贝尔sobel算法对采集的产品的图像进行处理,得到梯度强度图像和梯度方向图像。
本实施例中使用sobel算法计算采集的产品的图像中像素点的梯度,根据上述公式(2)得到所述产品的图像中像素点的梯度强度,根据上述公式(3)得到所述产品的图像中像素点的梯度方向,由于sobel算法中的sobel算子在计算时对周围的噪点有抑制作用,能够具有更强的抗干扰性。
如图3所示,使用sobel算法计算采集的产品的图像中像素点的梯度,其中,以像素点5为例,根据像素点5的8个邻域的像素点的像素值,计算该像素点5的梯度,计算公式如下所示:
其中,公式(4)、公式(5)中P1、P2、P3、P4、P6、P7、P8、P9分别表示像素点1、2、3、4、6、7、8、9的像素值;
根据上述公式(2)计算像素点P5的梯度强度,根据上述公式(3)计算像素点P5的梯度方向。
需要说明的是,实施中计算图像边缘像素点的梯度强度值可以通过插值法或均值法等将图像的边缘补齐后,计算边缘像素点的梯度强度值。
步骤101、根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
实施中,对表面无缺陷的产品进行检测时,可以采集所述表面无缺陷的产品的图像,计算采集的表面无缺陷的产品的图像中的每个像素点的梯度强度和梯度方向,从而得到表面无缺陷的产品图像中的每个像素点的梯度强度值和梯度方向值,根据得到的每个像素点的梯度强度值确定梯度强度模板图像,根据得到的每个像素点的梯度方向值确定梯度方向模板图像。
可选的,采集的表面无缺陷的产品的图像可如图4所示。
上述采集产品的图像的方式包括但不限于通过电荷耦合器件(CCD,ChargeCoupled Device)摄像机或互补金属氧化物半导体(CMOS,Complementary Metal OxideSemiconductor)芯片的相机、光学镜头、光源等,其中,光源包括但不限于卤素灯、荧光灯及发光二级管等,本实施例对产品图像的采集方式不作过多限定。
作为一种可选的实施方式,通过如下方式根据所述梯度强度图像与梯度强度模板图像,确定强度差图像:
对由所述梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像。
容易理解的是,所述梯度强度图像及梯度强度模板图像都是针对同一产品采集的图像,对该同一产品采集的图像中的像素点进行梯度强度的计算得到的,因此,利用梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,将产品进行检测得到的梯度强度图像及梯度强度模板图像中的梯度强度值之间的差异性作为检测的一个因素,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像。
可选的,若所述新梯度强度值小于零,则根据所述新梯度强度值的绝对值确定所述方向差图像。
需要说明的是,强度差图像中像素点的像素值即为所述新梯度强度值,将所述相同位置的像素点确定的梯度强度值作差得到的新梯度强度值,作为该相同位置的像素点的像素值,从而根据梯度强度图像及梯度强度模板图像中所有具有相同位置的像素点确定的梯度强度值作差得到的新梯度强度值,确定出强度差图像;
为便于理解,该强度差图像、梯度强度图像及梯度强度模板图像中相同位置的像素点的像素值之间的关系为:
强度差图像中的像素点的像素值=梯度强度图像中的像素点的像素值-梯度强度模板图像中的像素点的像素值;
若所述梯度强度图像中的像素点的像素值小于所述梯度强度模板图像中的像素点的像素值,则强度差图像中的像素点的像素值=|梯度强度图像中的像素点的像素值-梯度强度模板图像中的像素点的像素值|。
作为一种可选的实施方式,通过如下方式根据所述梯度方向图像与梯度方向模板图像,确定方向差图像:
对由所述梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像。
容易理解的是,所述梯度方向图像及梯度方向模板图像都是针对同一产品采集的图像,对该同一产品采集的图像中的像素点的梯度方向进行计算得到的,因此,利用梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,将产品进行检测得到的梯度方向图像及梯度方向模板图像中的梯度方向值之间的差异性作为检测的另一个因素,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像。
可选的,若所述新梯度方向值小于零,则根据所述新梯度方向值的绝对值确定所述方向差图像。
需要说明的是,方向差图像中像素点的像素值即为所述新梯度方向值,将所述相同位置的像素点确定的梯度方向值作差得到的新梯度方向值,作为该相同位置的像素点的像素值,从而根据梯度方向图像及梯度方向模板图像中所有具有相同位置的像素点确定的梯度方向值作差得到的新梯度方向值,确定出方向差图像;
为便于理解,该方向差图像、梯度方向图像及梯度方向模板图像中相同位置的像素点的像素值之间的关系为:
方向差图像中的像素点的像素值=梯度方向图像中的像素点的像素值-梯度方向模板图像中的像素点的像素值;
若所述梯度方向图像中的像素点的像素值小于所述梯度方向模板图像中的像素点的像素值,则方向差图像中的像素点的像素值=|梯度方向图像中的像素点的像素值-梯度方向模板图像中的像素点的像素值|。
作为一种可选的实施方式,通过如下方式对表面无缺陷的产品进行检测后得到梯度强度模板图像和梯度方向模板图像:
通过索贝尔sobel算法对采集的表面无缺陷的产品的图像进行处理,得到梯度强度模板图像和梯度方向模板图像。其中,具体的计算过程可参见上述步骤100中的描述,此处不再赘述。
步骤102、根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;
本实施例中的非最大抑制(Non-Max Suppression,NMS),也可称为非极大值抑制(Non-Maximum Suppression,NMS),可理解为抑制不是极大值的元素。
作为一种可选的实施方式,通过如下方式得到非最大抑制图像:
将所述强度差图像中的目标像素点的梯度强度值置位零,得到非最大抑制图像;
其中,所述强度差图像中根据相邻的至少一个像素点确定的梯度强度值大于根据所述目标像素点确定的梯度强度值,所述相邻的至少一个像素点为所述目标像素点的梯度方向上相邻的像素点,所述目标像素点的梯度方向是根据所述方向差图像中与所述目标像素点在强度差图像中的位置相同的像素点的梯度方向值确定的。
具体实施中,非最大抑制处理过程中需要参考两个因素,一个是梯度强度值,另一个是梯度方向值,由于强度差图像中的像素点的像素值为梯度强度值,方向差图像中的像素点的像素值为梯度方向值,因此在对梯度强度值进行非最大抑制处理时,会参考梯度方向值,从而保证从梯度强度和梯度方向两个方面进行检测,能够去除干扰,更精确的检测出缺陷。
如图5所示,以对强度差图像中的像素点5确定的梯度强度值进行非最大抑制处理为例,进行详细说明,其中根据方向差图像中与像素点5在强度差图像中的位置相同的像素点的梯度方向值确定所述像素点5的梯度方向。
如图6所示,具体的处理步骤如下:
步骤600、确定强度差图像中的像素点5的梯度方向值;
步骤601、获取强度差图像中的像素点5在确定的梯度方向上相邻的像素点;
如图5中,像素点5在确定的梯度方向上相邻的像素点为1和9;
步骤602、分别确定强度差图像中的像素点5以及相邻的像素点的梯度强度值;
如强度差图像中像素点5、像素点1、像素点9的梯度强度值分别为M5、M1、M9;
步骤603、判断相邻的至少一个像素点的梯度强度值是否大于所述像素点5的梯度强度值,若是执行步骤604,否则执行步骤605;
步骤604、将强度差图像中像素点5的梯度强度值置位零;
步骤605、不改变强度差图像中像素点5的梯度强度值。
步骤103、根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
作为一种可选的实施方式,根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品。
可选的,若所述非最大抑制图像中存在属于预设阈值范围的像素点,则确定所述非最大抑制图像对应的产品为表面缺陷产品,否则,确定所述非最大抑制图像对应的产品不是表面缺陷产品。
作为一种可选的实施方式,根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品,包括:
根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像;
根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品。
其中,根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像的过程如下:
若所述非最大抑制图像中的像素值属于预设阈值范围,则将所述像素值置为1,若所述非最大抑制图像中的像素值不属于预设阈值范围,则将所述像素值置为0;或者
若所述非最大抑制图像中的像素值属于预设阈值范围,则将所述像素值置为0,若所述非最大抑制图像中的像素值不属于预设阈值范围,则将所述像素值置为1。
一种可能的实施方式是,若所述非最大抑制图像中的像素值属于预设阈值范围,则将所述像素值置为1,若所述非最大抑制图像中的像素值不属于预设阈值范围,则将所述像素值置为0,则所述二值图像如图7所示,其中白色的部分为像素值置为1的部分,用于表示产品的缺陷部分。
作为一种可选的实施方式,根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品,包括:
若所述属于预设阈值范围的像素点的数量大于预设值,则确定所述二值图像对应的产品为表面缺陷产品;或
若所述属于预设阈值范围的像素点占所述二值图像的面积大于预设值,则确定所述二值图像对应的产品为表面缺陷产品。
如图8所示,下面对本实施例提供的一种表面缺陷检测的方法的具体实施步骤进行说明。
步骤800、采集产品的图像;
步骤801、通过索贝尔sobel算法对采集的产品的图像进行处理,得到梯度强度图像和梯度方向图像;
步骤802、根据所述梯度强度图像与梯度强度模板图像,确定强度差图像;
步骤803、根据所述梯度方向图像与梯度方向模板图像,确定方向差图像;
上述步骤802、步骤803可同时执行。
步骤804、根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;
步骤805、根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像;
步骤806、根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品。
基于相同的发明构思,本发明实施例还提供了一种表面缺陷检测的装置,由于该装置即是本发明实施例中的方法中的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图9所示,该装置包括获取梯度图像模块900、确定梯度差图像模块901、非最大抑制处理模块902、确定缺陷产品模块903,其中:
获取梯度图像模块900,用于获取对产品进行检测得到的梯度强度图像和梯度方向图像;
确定梯度差图像模块901,用于根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
非最大抑制处理模块902,用于根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;
确定缺陷产品模块903,用于根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
作为一种可能的实施方式,确定缺陷产品模块903具体用于:
根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,确定缺陷产品模块903具体用于:
根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像;
根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,确定缺陷产品模块903具体用于:
若所述属于预设阈值范围的像素点的数量大于预设值,则确定所述二值图像对应的产品为表面缺陷产品;或
若所述属于预设阈值范围的像素点占所述二值图像的面积大于预设值,则确定所述二值图像对应的产品为表面缺陷产品。
作为一种可能的实施方式,获取梯度图像模块900具体用于:
通过索贝尔sobel算法对采集的产品的图像进行处理,得到梯度强度图像和梯度方向图像;或
对表面无缺陷的产品进行检测后得到梯度强度模板图像和梯度方向模板图像,包括:
通过索贝尔sobel算法对采集的表面无缺陷的产品的图像进行处理,得到梯度强度模板图像和梯度方向模板图像。
作为一种可能的实施方式,确定梯度差图像模块901具体用于:
对由所述梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像;
对由所述梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像。
作为一种可能的实施方式,非最大抑制处理模块902具体用于:
将所述强度差图像中的目标像素点的梯度强度值置位零,得到非最大抑制图像;
其中,所述强度差图像中根据相邻的至少一个像素点确定的梯度强度值大于根据所述目标像素点确定的梯度强度值,所述相邻的至少一个像素点为所述目标像素点的梯度方向上相邻的像素点,所述目标像素点的梯度方向是根据所述方向差图像中与所述目标像素点在强度差图像中的位置相同的像素点的梯度方向值确定的。
基于相同的发明构思,本发明实施例还提供了一种表面缺陷检测的设备,由于该设备即是本发明实施例中的方法中的设备,并且该设备解决问题的原理与该方法相似,因此该设备的实施可以参见方法的实施,重复之处不再赘述。
如图10所示,该设备包括:处理器1000以及存储器1001,其中,所述存储器1001存储有程序代码,当所述程序代码被所述处理器1000执行时,使得所述处理器1000执行如下步骤:
获取对产品进行检测得到的梯度强度图像和梯度方向图像;
根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;
根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
作为一种可能的实施方式,所述处理器1000具体用于:
根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,所述处理器1000具体用于:
根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像;
根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品。
作为一种可能的实施方式,所述处理器1000具体用于:
若所述属于预设阈值范围的像素点的数量大于预设值,则确定所述二值图像对应的产品为表面缺陷产品;或
若所述属于预设阈值范围的像素点占所述二值图像的面积大于预设值,则确定所述二值图像对应的产品为表面缺陷产品。
作为一种可能的实施方式,所述处理器1000具体用于:
通过索贝尔sobel算法对采集的产品的图像进行处理,得到梯度强度图像和梯度方向图像;或
对表面无缺陷的产品进行检测后得到梯度强度模板图像和梯度方向模板图像,包括:
通过索贝尔sobel算法对采集的表面无缺陷的产品的图像进行处理,得到梯度强度模板图像和梯度方向模板图像。
作为一种可能的实施方式,所述处理器1000具体用于:
对由所述梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像;
对由所述梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像。
作为一种可能的实施方式,所述处理器1000具体用于:
将所述强度差图像中的目标像素点的梯度强度值置位零,得到非最大抑制图像;
其中,所述强度差图像中根据相邻的至少一个像素点确定的梯度强度值大于根据所述目标像素点确定的梯度强度值,所述相邻的至少一个像素点为所述目标像素点的梯度方向上相邻的像素点,所述目标像素点的梯度方向是根据所述方向差图像中与所述目标像素点在强度差图像中的位置相同的像素点的梯度方向值确定的。
基于相同的发明构思,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取对产品进行检测得到的梯度强度图像和梯度方向图像;
根据所述梯度强度图像与梯度强度模板图像,确定强度差图像,根据所述梯度方向图像与梯度方向模板图像,确定方向差图像,其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
根据所述强度差图像的像素点确定的梯度强度值及所述方向差图像的像素点确定的梯度方向值,对所述梯度强度值进行非最大抑制处理,得到非最大抑制图像;
根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种表面缺陷检测的方法,其特征在于,该方法包括:
获取对产品进行检测得到的梯度强度图像和梯度方向图像;其中,所述梯度强度图像是根据采集的产品图像中每个像素点的梯度强度值确定的,所述梯度方向图像是根据所述产品图像中每个像素点的梯度方向值确定的;
根据所述梯度强度图像与梯度强度模板图像,对由所述梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像;根据所述梯度方向图像与梯度方向模板图像,对由所述梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像;其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
将所述强度差图像中的目标像素点的梯度强度值置位零,得到非最大抑制图像,其中,所述强度差图像中根据相邻的至少一个像素点确定的梯度强度值大于根据所述目标像素点确定的梯度强度值,所述相邻的至少一个像素点为所述目标像素点的梯度方向上相邻的像素点,所述目标像素点的梯度方向是根据所述方向差图像中与所述目标像素点在强度差图像中的位置相同的像素点的梯度方向值确定的;
根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
2.根据权利要求1所述的方法,其特征在于,根据所述非最大抑制图像中的像素值,确定表面缺陷产品,包括:
根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品。
3.根据权利要求2所述的方法,其特征在于,根据所述非最大抑制图像中属于预设阈值范围的像素点,确定表面缺陷产品,包括:
根据所述非最大抑制图像中的像素值是否属于预设阈值范围,将所述非最大抑制图像处理为二值图像;
根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品。
4.根据权利要求3所述的方法,其特征在于,根据所述二值图像中属于预设阈值范围的像素点,确定表面缺陷产品,包括:
若所述属于预设阈值范围的像素点的数量大于预设值,则确定所述二值图像对应的产品为表面缺陷产品;或
若所述属于预设阈值范围的像素点占所述二值图像的面积大于预设值,则确定所述二值图像对应的产品为表面缺陷产品。
5.根据权利要求1所述的方法,其特征在于,对产品进行检测得到梯度强度图像和梯度方向图像,包括:
通过索贝尔sobel算法对采集的产品的图像进行处理,得到梯度强度图像和梯度方向图像;或
对表面无缺陷的产品进行检测后得到梯度强度模板图像和梯度方向模板图像,包括:
通过索贝尔sobel算法对采集的表面无缺陷的产品的图像进行处理,得到梯度强度模板图像和梯度方向模板图像。
6.一种表面缺陷检测的装置,其特征在于,该装置包括获取梯度图像模块、确定梯度差图像模块、非最大抑制处理模块、确定缺陷产品模块,其中:
获取梯度图像模块,用于获取对产品进行检测得到的梯度强度图像和梯度方向图像;其中,所述梯度强度图像是根据采集的产品图像中每个像素点的梯度强度值确定的,所述梯度方向图像是根据所述产品图像中每个像素点的梯度方向值确定的;
确定梯度差图像模块,用于根据所述梯度强度图像与梯度强度模板图像,对由所述梯度强度图像及梯度强度模板图像中相同位置的像素点确定的梯度强度值作差,得到新梯度强度值,并根据所述新梯度强度值确定强度差图像;根据所述梯度方向图像与梯度方向模板图像,对由所述梯度方向图像及梯度方向模板图像中相同位置的像素点确定的梯度方向值作差,得到新梯度方向值,并根据所述新梯度方向值确定方向差图像;其中,所述梯度强度模板图像和所述梯度方向模板图像为对表面无缺陷的产品进行检测后得到的;
非最大抑制处理模块,用于将所述强度差图像中的目标像素点的梯度强度值置位零,得到非最大抑制图像,其中,所述强度差图像中根据相邻的至少一个像素点确定的梯度强度值大于根据所述目标像素点确定的梯度强度值,所述相邻的至少一个像素点为所述目标像素点的梯度方向上相邻的像素点,所述目标像素点的梯度方向是根据所述方向差图像中与所述目标像素点在强度差图像中的位置相同的像素点的梯度方向值确定的;
确定缺陷产品模块,用于根据所述非最大抑制图像中的像素值,确定表面缺陷的产品。
7.一种表面缺陷检测的设备,其特征在于,该设备包括:处理器以及存储器,其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行权利要求1~5任一所述方法的步骤。
8.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911207458.3A CN112991251B (zh) | 2019-11-29 | 2019-11-29 | 一种表面缺陷检测的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911207458.3A CN112991251B (zh) | 2019-11-29 | 2019-11-29 | 一种表面缺陷检测的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991251A CN112991251A (zh) | 2021-06-18 |
CN112991251B true CN112991251B (zh) | 2023-01-17 |
Family
ID=76330859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911207458.3A Active CN112991251B (zh) | 2019-11-29 | 2019-11-29 | 一种表面缺陷检测的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991251B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419045A (zh) * | 2022-03-30 | 2022-04-29 | 武汉中导光电设备有限公司 | 光刻掩模板缺陷检测方法、装置、设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007285754A (ja) * | 2006-04-13 | 2007-11-01 | Seiko Epson Corp | 欠陥検出方法および欠陥検出装置 |
CN101256157A (zh) * | 2008-03-26 | 2008-09-03 | 广州中国科学院工业技术研究院 | 表面缺陷检测方法、装置 |
CN105675625A (zh) * | 2016-03-03 | 2016-06-15 | 浙江大学 | 一种梯度迭代阈值分割的水果表面缺陷检测方法 |
CN105891233A (zh) * | 2016-05-26 | 2016-08-24 | 福州大学 | 基于机器视觉的镜片表面缺陷智能检测***及其实现方法 |
CN107767369A (zh) * | 2017-09-27 | 2018-03-06 | 杭州迈锐钶科技有限公司 | 一种滴定管的缺陷检测方法及装置 |
CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
CN108230324A (zh) * | 2018-01-31 | 2018-06-29 | 浙江理工大学 | 磁瓦表面微缺陷视觉检测方法 |
CN108665458A (zh) * | 2018-05-17 | 2018-10-16 | 杭州智谷精工有限公司 | 透明体表面缺陷提取及识别方法 |
CN109523541A (zh) * | 2018-11-23 | 2019-03-26 | 五邑大学 | 一种基于视觉的金属表面细微缺陷检测方法 |
CN110009601A (zh) * | 2019-02-28 | 2019-07-12 | 南京航空航天大学 | 基于hog的大型装备不规则外形表面缺陷检测方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110182495A1 (en) * | 2010-01-26 | 2011-07-28 | General Electric Company | System and method for automatic defect recognition of an inspection image |
FR3030042A1 (fr) * | 2014-12-15 | 2016-06-17 | Michelin & Cie | Procede de detection de defaut sur une surface de pneumatique |
-
2019
- 2019-11-29 CN CN201911207458.3A patent/CN112991251B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007285754A (ja) * | 2006-04-13 | 2007-11-01 | Seiko Epson Corp | 欠陥検出方法および欠陥検出装置 |
CN101256157A (zh) * | 2008-03-26 | 2008-09-03 | 广州中国科学院工业技术研究院 | 表面缺陷检测方法、装置 |
CN105675625A (zh) * | 2016-03-03 | 2016-06-15 | 浙江大学 | 一种梯度迭代阈值分割的水果表面缺陷检测方法 |
CN105891233A (zh) * | 2016-05-26 | 2016-08-24 | 福州大学 | 基于机器视觉的镜片表面缺陷智能检测***及其实现方法 |
CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
CN107767369A (zh) * | 2017-09-27 | 2018-03-06 | 杭州迈锐钶科技有限公司 | 一种滴定管的缺陷检测方法及装置 |
CN108230324A (zh) * | 2018-01-31 | 2018-06-29 | 浙江理工大学 | 磁瓦表面微缺陷视觉检测方法 |
CN108665458A (zh) * | 2018-05-17 | 2018-10-16 | 杭州智谷精工有限公司 | 透明体表面缺陷提取及识别方法 |
CN109523541A (zh) * | 2018-11-23 | 2019-03-26 | 五邑大学 | 一种基于视觉的金属表面细微缺陷检测方法 |
CN110009601A (zh) * | 2019-02-28 | 2019-07-12 | 南京航空航天大学 | 基于hog的大型装备不规则外形表面缺陷检测方法 |
CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及*** |
Non-Patent Citations (3)
Title |
---|
Surface Defect Detection Based on Gradient LBP;Xiaojing Liu 等;《2018 IEEE 3rd International Conference on Image, Vision and Computing (ICIVC)》;20181018;第133-137页 * |
基于图像梯度的印刷品缺陷检测算法研究;赵丽花等;《科技风》;20110325(第06期);第98页 * |
轴承内套表面缺陷视觉检测装置的研制;魏成禹 等;《中国硕士学位论文全文数据库》;20190115(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112991251A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
US9230318B2 (en) | Analysis of the digital image of the external surface of a tyre and processing of false measurement points | |
CN109727244B (zh) | 一种磁瓦表面裂纹检测方法 | |
JP2013543121A (ja) | タイヤのトレッドデザインを形成する基本的パターンを識別すると共に規定する方法 | |
CN115880248B (zh) | 一种表面划痕缺陷识别方法及视觉检测设备 | |
JP7449507B2 (ja) | カメラストリームのためのマスクを生成する方法、コンピュータープログラム製品およびコンピューター可読媒体 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN111046862B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN113077437B (zh) | 工件质量检测方法及其*** | |
WO2021000948A1 (zh) | 配重重量的检测方法与***、获取方法与***及起重机 | |
CN112991251B (zh) | 一种表面缺陷检测的方法、装置及设备 | |
WO2015115499A1 (ja) | 工具検査方法及び工具検査装置 | |
CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
KR20160097651A (ko) | 유효화 영상처리기법을 이용한 시료의 패턴 검사 장치 및 방법, 그리고 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 | |
CN113516608A (zh) | 轮胎的缺陷检测方法和检测装置、轮胎检测设备 | |
CN109211919B (zh) | 磁瓦崩缺区域的识别方法及装置 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
CN115423756A (zh) | 一种获取晶圆边缘点的信息及晶圆定位的方法 | |
CN115272173A (zh) | 锡球缺陷检测方法及其装置、计算机设备、存储介质 | |
CN113763491A (zh) | 一种烟丝桶残余物的视觉检测方法 | |
CN110021016B (zh) | 一种钙化检测方法 | |
JP2023056279A (ja) | 探傷試験の欠陥検出方法 | |
JP2009236550A (ja) | 欠陥検出方法 | |
CN111951254A (zh) | 基于边缘引导加权平均的源相机识别方法及*** | |
CN114255253A (zh) | 边缘检测方法、边缘检测装置及计算机可读存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230013 Southwest District of Hefei City, Anhui Province Applicant after: Hefei xinyihua Intelligent Machine Co.,Ltd. Address before: 230013 Southwest District of Hefei City, Anhui Province Applicant before: HEFEI SINEVA INTELLIGENT MACHINE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |