CN113409271A - 一种镜头油污的检测方法、装置及设备 - Google Patents
一种镜头油污的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN113409271A CN113409271A CN202110684376.9A CN202110684376A CN113409271A CN 113409271 A CN113409271 A CN 113409271A CN 202110684376 A CN202110684376 A CN 202110684376A CN 113409271 A CN113409271 A CN 113409271A
- Authority
- CN
- China
- Prior art keywords
- image
- light source
- pixel point
- lens
- detected
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004313 glare Effects 0.000 claims abstract description 69
- 238000011109 contamination Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 230000003373 anti-fouling effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000013021 vision distortion Diseases 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
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种镜头油污的检测方法、装置、设备及存储介质。该方法包括：获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；确定所述待检测图像中的光源区域和眩光线条；根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置。通过本发明的技术方案，能够检测出镜头上是否存在油污，并精确检测出镜头上的油污位置，从而及时对镜头上的油污进行精准清理，避免镜头油污导致相机所采集图像不准确。
Description
技术领域
本发明实施例涉及图像检测领域，尤其涉及一种镜头油污的检测方法、装置、设备及存储介质。
背景技术
镜头在使用过程中会由于各种原因沾染上有油污，使得镜头表面的防污涂层失效，如果遇到水则水珠会凝聚在镜头上，导致视野失真。例如，在自动驾驶领域，摄像镜头上有油污，会影响自动驾驶的感知和决策。
因此，很有必要定期对镜头进行油污检测，判断该镜头是否需要进行一次清洁。
发明内容
本发明实施例提供一种镜头油污的检测方法、装置、设备及存储介质，以实现能够精确检测出镜头上的油污位置，从而及时对镜头上的油污进行精准清理，避免镜头油污导致相机所采集图像不准确。
第一方面，本发明实施例提供了一种镜头油污的检测方法，包括：
获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；
确定所述待检测图像中的光源区域和眩光线条；
根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置。
进一步的，确定所述待检测图像中的光源区域，包括：
将待检测图像转化为灰度图像，并对所述灰度图像进行二值化得到二值图像；
将所述二值图像中目标区域的轮廓确定为光源轮廓，所述目标区域是由灰度值为第一设定值的像素点构成的闭合区域；
获取各所述光源轮廓的最大内接圆；
若所述最大内接圆的目标半径在第一预设范围内，则将所述目标区域确定为光源区域；
其中，所述第一预设范围由光源的实际大小以及光源与镜头的距离确定。
进一步的，获取所述光源轮廓的最大内接圆，包括：
遍历所述光源轮廓包含的每一个内部像素点；
将遍历到的所述内部像素点与各边缘像素点的最小距离确定为所述最大内接圆的候选半径，所述边缘像素点为所述目标区域对应的光源轮廓上的像素点；
将各所述候选半径中的最大值确定为所述最大内接圆的目标半径；
将所述目标半径对应的内部像素点确定为所述最大内接圆的圆心；
根据所述目标半径和所述圆心确定所述最大内接圆。
进一步的，确定所述待检测图像中的眩光线条，包括：
获取待检测图像对应的灰度图像；
基于预设系数对所述灰度图像中的每一个像素点的灰度值进行处理，并对处理后的图像进行二值变化；
对二值变化后的图像的各第一像素点进行聚类得到至少一个像素点集，所述第一像素点的灰度值为第二设定值；
分别基于各所述像素点集中的第一像素点进行直线拟合，获得至少一个拟合线段；
若所述拟合线段的长度大于或等于预设长度，则将所述拟合线段对应的像素点集确定为眩光线条。
进一步的，所述基于预设系数对所述灰度图像中的每一个像素点的灰度值进行处理，包括：
若所述像素点的灰度值大于预设灰度阈值，则根据第一预设系数进行线性处理；
若所述像素点的灰度值小于或等于预设灰度阈值，则根据第二预设系数进行线性处理；
其中，所述第一预设系数大于所述第二预设系数。
进一步的，所述对二值变化后的图像的各第一像素点进行聚类得到至少一个像素点集，包括：
计算二值变化后的图像中每两个邻近第一像素点之间的距离；
若所述两个第一像素点之间的距离小于第一距离阈值，则将所述两个第一像素点聚类至同一个像素点集；
若所述两个第一像素点之间的距离大于或等于第一距离阈值，则将所述两个第一像素点划分至两个不同的像素点集。
进一步的，分别基于各所述像素点集中的第一像素点进行直线拟合，获得至少一个拟合线段，包括：
从所述像素点集中任意选取两个第一像素点，获得多个像素点组；
分别基于每个像素点组进行直线拟合，获得多条直线；
对于每条直线，确定每个第二像素点到所述直线的距离，所述第二像素点为所述像素点集中所述第一像素点之外的像素点；
将到所述直线的距离小于第二距离阈值的第二像素点确定为内点，获得内点集合；
统计各直线对应的内点集合中的内点个数；
将内点个数最多的内点集合确定为最大一致集；
基于所述最大一致集中的内点进行最小二乘拟合得到拟合线段。
进一步的，所述根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置，包括：
若所述光源区域的圆心到所述眩光线条对应直线的距离小于第三距离阈值，则确定所述待检测镜头存在油污，并将所述眩光线条的位置确定为镜头油污的位置。
进一步的，所述待检测镜头所在相机的曝光时间低于时间阈值，所述光源照度值大于照度阈值且直射所述待检测镜头。
第二方面，本发明实施例还提供了一种镜头油污的检测装置，该装置包括：
获取模块，用于获取待检测图像，所述待检测图像为待检测镜头在光源照射下所拍摄的图像；
第一确定模块，用于确定所述待检测图像中的光源区域和眩光线条；
第二确定模块，用于根据所述光源区域和眩光线条的位置关系确定所述待检测镜头的油污位置。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的镜头油污的检测方法。
第四方面，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，该程序被处理器执行时实现如本发明实施例中任一所述的镜头油污的检测方法。
本发明实施例通过获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；确定所述待检测图像中的光源区域和眩光线条；根据所述光源区域和眩光线条的位置关系，确定所述待检测镜头的油污位置，能够精确检测出镜头上的油污位置，从而及时对镜头上的油污进行精准清理，解决镜头油污导致相机所采集图像不准确的问题。
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是本发明实施例一中的一种镜头油污的检测方法的流程图；
图2是本发明实施例二中的一种镜头油污的检测方法的流程图；
图3是本发明实施例二中的一种光源轮廓最大内接圆的确定方法的示意图；
图4是本发明实施例三中的一种镜头油污的检测方法的流程图；
图5是本发明实施例四中的一种镜头油污的检测装置的结构示意图；
图6是本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种镜头油污的检测方法的流程图，本实施例可适用于检测镜头上是否沾染油污，并在沾染上油污时确定油污位置的情况，该方法可以由本发明实施例中的镜头油污的检测装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取待检测图像。
其中，待检测图像为待检测镜头在光源照射下所拍摄的图像。
具体的，采用光源照射相机上的待检测镜头，使相机镜头的视野范围内存在光源，并通过相机上配置的待检测镜头拍摄图像，将拍摄得到图像确定为待检测图像。一般的，采用圆形光源。
S120，确定待检测图像中的光源区域和眩光线条。
具体的，光源区域可以理解为光源在镜头中映射的区域，一般为待检测图像中高亮度的区域，光源区域与实际光源的形状和大小，以及光源与待检测镜头的距离有关。眩光线条一般可以理解为较高亮度的狭长线条。
示例性的，若采用圆形的光源照射相机的待检测镜头，则相机所拍摄的待检测图像中最高亮度的近似圆形区域可以认为是光源区域，狭长的亮光线条可以认为是眩光线条。
需要说明的是，可以同时确定待检测图像中的光源区域和眩光线条，二者的确定顺序不分前后。由于通过相机的待检测镜头拍摄的图像为彩色图像，光源区域的确定过程和眩光线条的过程都需要先将彩色的待检测图像转化为灰度图像，因此，为了简化油污检测过程，可以将待检测图像转化为灰度图像后，再基于灰度图像分别确定待检测图像中的光源区域和眩光区域。
示例性的，待检测图像可以视为一个由i行，j列的像素点构成的矩阵，每个像素点的像素值为(R(i,j),G(i,j),B(i,j))，R(i,j),G(i,j),B(i,j)分别代表该像素点的红色、绿色和蓝色的像素值，每个颜色的像素值为0～255，共计256个像素等级。根据各颜色像素值的权重进行加权平均得到每一个像素点的灰度值，从而构成待检测图像对应的灰度图像，每个像素点的灰度值可以采用如下公式计算：
Y(i,j)＝A1×R(i,j)+A2×G(i,j)+A3×B(i,j)；
其中，Y(i,j)为第i行，第j列像素点的灰度值，R(i,j),G(i,j),B(i,j)分别代表i行，j列像素点的红色、绿色和蓝色的像素值，A1,A2,A3分别为红色、绿色和蓝色的像素值的权重。
示例性的，各颜色像素值的权重可以基于人眼对色彩的敏感度设定。人眼对绿色的敏感度最高，对红色的敏感度其次，对蓝色的敏感度最低，因此，可以设定权重为A2>A1>A3且A2+A1+A3＝1。例如可以是，第i行，第j列像素点的灰度值为Y(i,j)＝0.2126×R(i,j)+0.7152×G(i,j)+0.0722×B(i,j)。
S130，根据光源区域和眩光线条的位置关系，确定待检测镜头的油污位置。
具体的，根据光源区域和眩光线条的相对位置，确定待检测镜头上是否存在油污；若镜头上存在油污，则将与光源区域的相对位置满足预设条件的眩光线条所在的位置确定为油污的位置。预设条件可以为光源区域的圆心与眩光线条对应直线的距离在第一预设距离内，或者光源区域的圆心与眩光线条中点的距离在第二预设距离内。
本实施例的技术方案，通过获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；确定所述待检测图像中的光源区域和眩光线条；根据所述光源区域和眩光线条的位置关系，确定所述待检测镜头的油污位置，能够精确检测出镜头上的油污位置，从而及时对镜头上的油污进行精准清理，避免镜头油污导致相机所采集图像不准确。
实施例二
图2为本发明实施例二中的一种镜头油污的检测方法的流程图，本实施例以上述实施例为基础进行优化，在本实施例中，确定所述待检测图像中的光源区域，包括：将待检测图像转化为灰度图像，并对所述灰度图像进行二值化得到二值图像；将所述二值图像中目标区域的轮廓确定为光源轮廓，所述目标区域是由灰度值为第一设定值的像素点构成的闭合区域；获取所述光源轮廓的最大内接圆；若所述最大内接圆的目标半径在第一预设范围内，则将所述目标区域确定为光源区域；其中，所述第一预设范围由光源的实际大小以及光源与镜头的距离确定。
如图2所示，本实施例的方法具体包括如下步骤：
S210，获取待检测图像，待检测图像为相机的待检测镜头在光源照射下所拍摄的图像。
可选的，所述待检测镜头所在相机的曝光时间低于时间阈值，所述光源照度值大于照度阈值且直射所述待检测镜头。
为了使眩光的特征更为明显，将镜头油污检测的条件设定为采取光源照度值大于照度阈值的强光光源直射相机上的待检测镜头，并将相机的曝光时间调低至时间阈值以下，以实现降低待检测图像的整体亮度，使得除了光源之外的画面较暗，从而达到过滤所拍摄图像中无用信息，突出油污特征的效果。
需要说明的是，在执行步骤S210后，可以同时执行步骤S220和步骤S260。
S220，将待检测图像转化为灰度图像，并对灰度图像进行二值化得到二值图像。
具体的，对灰度图像进行二值化得到二值图像。以突出亮度较高的区域。
示例性的，选取合适的二值阈值对灰度图像中每个像素点的256(0～255)个灰度等级二值化为第一设定值或第三设定值。
其中，Y(i,j)为灰度图像中第i行，第j列像素点的灰度值，Y′(i,j)为二值图像中第i行，第j列像素点的像素值，D1为第一二值阈值，M1为第一设定值，M3为第三设定值。优选的，第一设定值可以为255，第三设定值可以为0。
需要说明的是，在本发明实施例中，为了尽量减少除光源以外的背景环境信息突出光源，可以将二值阈值设定为较大的数值。示例性的，设定二值阈值为250，则将灰度像素值大于或等于250的像素点设定为灰度值为255的纯白色，将灰度像素值小于250的像素点设定为灰度值为0的纯黑色。
S230，将二值图像中目标区域的轮廓确定为光源轮廓。
其中，目标区域是由灰度值为第一设定值的像素点构成的闭合区域。
具体的，将由灰度值为第一设定值的像素点构成的闭合区域确定为目标区域，将目标区域的最外层轮廓确定为光源轮廓。需要说明的是，第一设定值的像素点构成的闭合区域可能存在多个，即可能存在多个目标区域，则分别确定每一个光源区域的轮廓。
S240，获取各光源轮廓的最大内接圆。
具体的，光源轮廓为光源照射在镜头上的成像，一般地采用圆形光源，光源轮廓也大致为圆形，因此，获取光源轮廓中面积最大的内接圆。
示例性的，获取一个光源轮廓中面积最大的内接圆的方式可以为：确定光源轮廓中面积最大的内接圆的圆心和半径，从而确定最大内接圆；或者可以为确定光源轮廓中的所有内接圆，从中确定面积最大的内接圆。
S250，若最大内接圆的目标半径在第一预设范围内，则将目标区域确定为光源区域。
其中，第一预设范围由光源的实际大小以及光源与镜头的距离确定。光源的实际大小可以为发射光照的光源设备的光圈大小，例如可以是灯罩的大小。
具体的，对于每一个光源轮廓，若光源轮廓的最大内接圆的目标半径在第一预设范围内，即待检测图像中的光源轮廓大小与实际光源大小的比例，符合实际光源在相机中成像的缩放比例，此目标区域可以认为是光源区域。
S260，确定待检测图像中的眩光线条。
S270，根据光源区域和眩光线条的位置关系，确定待检测镜头的油污位置。
本实施例的技术方案，通过获取待检测图像，待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；将待检测图像转化为灰度图像，并对灰度图像进行二值化得到二值图像；将二值图像中目标区域的轮廓确定为光源轮廓；获取各光源轮廓的最大内接圆；若最大内接圆的目标半径在第一预设范围内，则将目标区域确定为光源区域，能够准确检测出镜头上油污的位置，从而及时对镜头上的油污进行精准清理，避免镜头油污导致相机所采集图像不准确。
可选的，获取所述光源轮廓的最大内接圆，包括：
遍历所述光源轮廓包含的每一个内部像素点；
将遍历到的所述内部像素点与各边缘像素点的最小距离确定为所述最大内接圆的候选半径，所述边缘像素点为所述目标区域对应的光源轮廓上的像素点；
将各所述候选半径中的最大值确定为所述最大内接圆的目标半径；
将所述目标半径对应的内部像素点确定为所述最大内接圆的圆心；
根据所述目标半径和所述圆心确定所述最大内接圆。
具体的，确定最大内接圆的半径和圆心，进而确定最大内接圆。确定最大内接圆半径和圆心的步骤可以为：首先，如图3中的左图所示，获取所检测到的光源轮廓包含的内部像素点构成的内部像素点集合{pj}；然后，从内部像素点集合中遍历每一个内部像素点pj，依次确定遍历到的内部像素点pj到光源轮廓上每一个边缘像素点ck的距离，将内部像素点pj到光源轮廓上的边缘像素点ck的最小距离min(djk)确定为最大内接圆的候选半径dj，即dj＝min(djk)其中，候选半径dj的个数和内部像素点集合中内部像素点pj的个数相同。其次，如图3中的右图所示，将各候选半径dj中的最大值max(dj)确定为所述最大内接圆的目标半径，即r＝max(dj)＝max(min(djk))；最后，将目标半径对应的内部像素点确定为所述最大内接圆的圆心，根据目标半径和圆心即可确定光源轮廓的最大内接圆。
通过确定光源轮廓的最大内接圆，可以根据最大内接圆的大小和实际光源的大小确定所检测到的光源区域是否为实际光源在相机镜头中的成像，以便于进一步根据光源区域和眩光线条的位置，确定待检测尽头是否存在油污。
可选的，所述根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置，包括：
若所述光源区域的圆心与所述眩光线条对应直线的距离小于第三距离阈值，则确定所述待检测镜头存在油污，并将所述眩光线条的位置确定为镜头油污的位置。
其中，第三距离阈值可以根据实际需求设定，本发明实施例对此不设限制。
示例性的，确定光源区域和眩光线条在相机中的位置，若光源区域的圆心到眩光线条对应直线的距离小于第三距离阈值，则确定待检测镜头存在油污，将眩光线条的位置确定为油污的位置；若光源区域的圆心到眩光线条对应直线的距离大于或等于第三距离阈值，则说明镜头上不存在油污。
本实施例的技术方案，通过获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；确定所述待检测图像中的光源区域和眩光线条，根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置，能够精确检测出镜头上的油污位置，从而及时对镜头上的油污进行精准清理，避免镜头油污导致相机所采集图像不准确。
实施例三
图4为本发明实施例三中的一种镜头油污的检测方法的流程图，本实施例以上述实施例为基础进行优化，在本实施例中，确定所述待检测图像中的眩光线条，包括：获取待检测图像对应的灰度图像；基于预设系数对所述灰度图像中的每一个像素点的灰度值进行处理；对处理后的像素点进行聚类得到至少一个像素点集；分别基于各所述像素点集中的像素点进行直线拟合，获得至少一个拟合线段；若所述拟合线段的长度大于或等于预设长度，则将所述拟合线段对应的像素点集确定为眩光线条。
如图4所示，本实施例的方法具体包括如下步骤：
S310，获取待检测图像，待检测图像为相机的待检测镜头在光源照射下所拍摄的图像。
需要说明的是，在执行步骤S310后，可以同时执行步骤S320和步骤S330。
S320，确定待检测图像中的光源区域。
S330，获取待检测图像对应的灰度图像。
S340，基于预设系数对所述灰度图像中的每一个像素点的灰度值进行处理，并对处理后的图像进行二值变化。
示例性的，基于预设系数对所述灰度图像中的每一个像素点的灰度值进行处理，增强灰度图像中眩光的特征。例如可以是，对灰度图像中的每一个像素点的灰度值进行区间划分，对同一区间内的灰度值以预设系数进行线性处理，对不同区间内的灰度值以不同预设系数进行线性处理，使灰度图像中各区间的灰度值具有明显区别。二值变化的步骤和实施例二中的步骤S220类似，选取合适的二值阈值对线性变化后的图像中每个像素点的256(0～255)个灰度等级二值化为第二设定值或第四设定值。
其中，Y(i,j)为灰度图像中第i行，第j列像素点的灰度值，Y″(i,j)为二值图像中第i行，第j列像素点的像素值，D2为第二二值阈值，M2为第二设定值，M4为第四设定值。其中，第二设定值可以和第一设定值相同，也可以和第一设定值不同；第四设定值可以和第三设定值相同，也可以和第三设定值不同。优选的，第二设定值可以为255，第三设定值可以为0。
可选的，为了进一步增强眩光线条的特征，可以对灰度图像进行滤波，以突出其中的边缘特征。示例性的，可以采用Sobel滤波算子对灰度图像进行滤波，Sobel滤波算子是一种用于边缘检测的离散微分算子，Sobel滤波算子的第一卷积核为：
Sobel滤波算子的第二卷积核为：
通过第一卷积核Sx和第二卷积核Sy对灰度图像进行卷积，分别求得图像在x方向上的第一梯度Gx和y方向上的第二梯度Gy，根据第一梯度Gx和第二梯度Gy确定灰度图像的梯度，以增强边缘的信息，图像的梯度可以为：
S350，对二值变化后的图像的各第一像素点进行聚类得到至少一个像素点集。
具体的，对二值变化后的各像素点进行聚类，使灰度值相同且相邻的像素点聚类为一个像素点集。其中，第一像素点的灰度值为第二设定值。
示例性的，二值变化后的各像素点可以为第一像素点(灰度值为第二设定值)或第二像素点(灰度值为第四设定值)，则对第一像素点进行聚类得到至少一个像素点集，以实现将眩光特征和环境中的干扰信息分离。聚类的方法可以为K-Means聚类算法、均值偏移聚类算法或者基于密度的聚类算法，本发明实施例对此不设限制。
S360，分别基于各所述像素点集中的第一像素点进行直线拟合，获得至少一个拟合线段。
分别对聚类得到的各像素点集中的第一像素点进行直线拟合得到拟合线段，拟合线段的个数与像素点集的个数相同，其中，直线拟合的方法可以为最小二乘法、梯度下降法或高斯牛顿-列马算法，本发明实施例不作限制。
S370，若所述拟合线段的长度大于或等于预设长度，则将所述拟合线段对应的像素点集确定为眩光线条。
其中，预设长度可以根据实际需求设定，例如可以是像素点集的边界点之间的最大距离，或者可以为预设长度为光源轮廓最大内接圆半径的预设倍数，优选的，预设长度为光源轮廓最大内接圆半径的20倍。
S380，根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置。
本实施例的技术方案，通过获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；确定所述待检测图像中的光源区域和眩光线条，根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置，能够精确检测出镜头上的油污位置，从而及时对镜头上的油污进行精准清理，避免镜头油污导致相机所采集图像不准确。
可选的，所述基于预设系数对所述灰度图像中的每一个像素点进行线性处理，包括：
若所述像素点的灰度值大于预设灰度阈值，则根据第一预设系数进行线性处理；
若所述像素点的灰度值小于或等于预设灰度阈值，则根据第二预设系数进行线性处理。
其中，所述第一预设系数大于所述第二预设系数。优选的，第一预设系数大于1，第二预设系数小于1。
示例性的，若像素点的灰度值大于预设灰度阈值，则以较大的第一预设系数进行线性处理，使该像素点的灰度值线性增强；若像素点的灰度值小于或等于预设灰度阈值，则以较小的第一预设系数进行线性处理，使该像素点的灰度值线性减弱，以提高灰度图像的黑白对比度，增强眩光的特征。
可选的，所述对二值变化后的图像的各第一像素点进行聚类得到至少一个像素点集，包括：
计算二值变化后的图像中每两个邻近第一像素点之间的距离；
若所述两个第一像素点之间的距离小于第一距离阈值，则将所述两个第一像素点聚类至同一个像素点集；
若所述两个第一像素点之间的距离大于或等于第一距离阈值，则将所述两个第一像素点划分至两个不同的像素点集。
示例性的，确定二值变化后的图像中的初始第一像素点为当前像素点，确定初始第一像素点的相邻第一像素点为第一相邻像素点；确定与第一相邻像素点的相邻第一像素点为第二相邻像素点，其中，第二相邻像素点未参与过聚类运算。计算初始像素点和第一相邻像素点之间的距离，若此距离小于第一距离阈值，则将初始像素点和第一相邻像素点聚类至同一个像素点集；若此距离大于或等于第一距离阈值，则将初始像素点和第一相邻像素点划分至两个不同的像素点集；并将第一相邻像素点确定为新的当前像素点，确定新的当前像素点和第二相邻像素点之间的距离，若此距离小于第一距离阈值，则将初始像素点、第一相邻像素点和第二相邻像素点聚类至同一个像素点集；若此距离大于或等于第一距离阈值，则将第二相邻像素点划分至与初始像素点和第一相邻像素点所属像素点集不同的像素点集。以此类推，直至所有的第一像素点均完成聚类运算。
可选的，分别基于各所述像素点集中的第一像素点进行直线拟合，获得至少一个拟合线段，包括：
从所述像素点集中任意选取两个第一像素点，获得多个像素点组；
分别基于每个像素点组进行直线拟合，获得多条直线；
对于每条直线，确定每个第二像素点到所述直线的距离，所述第二像素点为所述像素点集中所述第一像素点之外的像素点；
将到所述直线的距离小于第二距离阈值的第二像素点确定为内点，获得内点集合；
统计各直线对应的内点集合中的内点个数；
将内点个数最多的内点集合确定为最大一致集；
基于所述最大一致集中的内点进行最小二乘拟合得到拟合线段。
示例性的，基于各所述像素点集中的第一像素点进行直线拟的步骤包括：
步骤一：确定像素点组：从聚类得到的每一个像素点集中任意选取两个第一像素点构成一个像素点组，若第一像素点集的个数为n，则构成任意两个第一像素点构成的像素点组的个数为n！＝n×(n-1)×(n-2)×…×2×1。
步骤二：分别基于每个像素点组进行直线拟合，获得n！条直线。
步骤三：确定内点集合。对于每一条直线，确定每个第二像素点到直线的距离，将到所述直线的距离小于第二距离阈值的第二像素点确定为内点，获得内点集合。每一条直线对应一个内点集合，得到n！个内点集合。
步骤四：确定最大一致集。统计各内点集合中内点的个数，将内点个数最多的内点集合确定为最大一致集。
步骤五：基于最大一致集中的内点进行最小二乘拟合得到拟合线段。
实施例四
图5为本发明实施例四提供的一种镜头油污的检测装置的结构示意图。本实施例可适用于检测镜头上是否沾染油污，并在沾染上油污时确定油污位置的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供镜头油污的检测的功能的设备中，如图5所示，所述镜头油污的检测装置具体包括：获取模块410、第一确定模块420和第二确定模块430。
其中，获取模块410，用于获取待检测图像，所述待检测图像为待检测镜头在光源照射下所拍摄的图像；
第一确定模块420，用于确定所述待检测图像中的光源区域和眩光线条；
第二确定模块430，用于根据所述光源区域和眩光线条的位置关系确定所述待检测镜头的油污位置。
可选的，所述第一确定模块420，包括：
二值化单元，用于将待检测图像转化为灰度图像，并对所述灰度图像进行二值化得到二值图像；
轮廓确定单元，用于将所述二值图像中目标区域的轮廓确定为光源轮廓，所述目标区域是由灰度值为第一设定值的像素点构成的闭合区域；
内接圆获取单元，用于获取各所述光源轮廓的最大内接圆；
光源确定单元，用于若所述最大内接圆的目标半径在第一预设范围内，则将所述目标区域确定为光源区域；其中，所述第一预设范围由光源的实际大小以及光源与镜头的距离确定。
可选的，内接圆获取单元，具体用于：
遍历所述光源轮廓包含的每一个内部像素点；
将遍历到的所述内部像素点与各边缘像素点的最小距离确定为所述最大内接圆的候选半径，所述边缘像素点为所述目标区域对应的光源轮廓上的像素点；
将各所述候选半径中的最大值确定为所述最大内接圆的目标半径；
将所述目标半径对应的内部像素点确定为所述最大内接圆的圆心；
根据所述目标半径和所述圆心确定所述最大内接圆。
可选的，第一确定模块420，还包括：
灰度图像获取单元，用于获取待检测图像对应的灰度图像；
处理单元，用于基于预设系数对所述灰度图像中的每一个像素点的灰度值进行处理，并对处理后的图像进行二值变化；
聚类单元，用于对二值变化后的图像的各第一像素点进行聚类得到至少一个像素点集，所述第一像素点的灰度值为第二设定值；
拟合单元，用于分别基于各所述像素点集中的第一像素点进行直线拟合，获得至少一个拟合线段；
眩光确定单元，若所述拟合线段的长度大于或等于预设长度，则将所述拟合线段对应的像素点集确定为眩光线条。
可选的，所述处理单元，具体用于：
若所述像素点的灰度值大于预设灰度阈值，则根据第一预设系数进行线性处理；
若所述像素点的灰度值小于或等于预设灰度阈值，则根据第二预设系数进行线性处理；
其中，所述第一预设系数大于所述第二预设系数。
可选的，所述聚类单元，具体用于：
计算二值变化后的图像中每两个邻近第一像素点之间的距离；
若所述两个第一像素点之间的距离小于第一距离阈值，则将所述两个第一像素点聚类至同一个像素点集；
若所述两个第一像素点之间的距离大于或等于第一距离阈值，则将所述两个第一像素点划分至两个不同的像素点集。
可选的，所述拟合单元，具体用于：
从所述像素点集中任意选取两个第一像素点，获得多个像素点组；
分别基于每个像素点组进行直线拟合，获得多条直线；
对于每条直线，确定每个第二像素点到所述直线的距离，所述第二像素点为所述像素点集中所述第一像素点之外的像素点；
将到所述直线的距离小于第二距离阈值的第二像素点确定为内点，获得内点集合；
统计各直线对应的内点集合中的内点个数；
将内点个数最多的内点集合确定为最大一致集；
基于所述最大一致集中的内点进行最小二乘拟合得到拟合线段。
可选的，所述第二确定模块430，具体用于：
若所述光源区域的圆心到所述眩光线条对应直线的距离小于第三距离阈值，则确定所述待检测镜头存在油污，并将所述眩光线条的位置确定为镜头油污的位置。
可选的，所述待检测镜头所在相机的曝光时间低于时间阈值，所述光源照度值大于照度阈值且直射所述待检测镜头。
上述产品可执行本发明任意实施例所提供的镜头油污的检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四中的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理器16，***存储器28，连接不同***组件(包括***存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的计算机设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的镜头油污的检测方法：获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；确定所述待检测图像中的光源区域和眩光线条；根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置。
实施例五
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的镜头油污的检测方法：获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；确定所述待检测图像中的光源区域和眩光线条；根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种镜头油污的检测方法，其特征在于，包括：
获取待检测图像，所述待检测图像为相机的待检测镜头在光源照射下所拍摄的图像；
确定所述待检测图像中的光源区域和眩光线条；
根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置。
2.根据权利要求1所述的方法，其特征在于，确定所述待检测图像中的光源区域，包括：
将待检测图像转化为灰度图像，并对所述灰度图像进行二值化得到二值图像；
将所述二值图像中目标区域的轮廓确定为光源轮廓，所述目标区域是由灰度值为第一设定值的像素点构成的闭合区域；
获取各所述光源轮廓的最大内接圆；
若所述最大内接圆的目标半径在第一预设范围内，则将所述目标区域确定为光源区域；
其中，所述第一预设范围由光源的实际大小以及光源与镜头的距离确定。
3.根据权利要求2所述的方法，其特征在于，获取所述光源轮廓的最大内接圆，包括：
遍历所述光源轮廓包含的每一个内部像素点；
将遍历到的所述内部像素点与各边缘像素点的最小距离确定为所述最大内接圆的候选半径，所述边缘像素点为所述目标区域对应的光源轮廓上的像素点；
将各所述候选半径中的最大值确定为所述最大内接圆的目标半径；
将所述目标半径对应的内部像素点确定为所述最大内接圆的圆心；
根据所述目标半径和所述圆心确定所述最大内接圆。
4.根据权利要求1所述的方法，其特征在于，确定所述待检测图像中的眩光线条，包括：
获取待检测图像对应的灰度图像；
基于预设系数对所述灰度图像中的每一个像素点的灰度值进行处理，并对处理后的图像进行二值变化；
对二值变化后的图像的各第一像素点进行聚类得到至少一个像素点集，所述第一像素点的灰度值为第二设定值；
分别基于各所述像素点集中的第一像素点进行直线拟合，获得至少一个拟合线段；
若所述拟合线段的长度大于或等于预设长度，则将所述拟合线段对应的像素点集确定为眩光线条。
5.根据权利要求4所述的方法，其特征在于，所述基于预设系数对所述灰度图像中的每一个像素点的灰度值进行处理，包括：
若所述像素点的灰度值大于预设灰度阈值，则根据第一预设系数进行线性处理；
若所述像素点的灰度值小于或等于预设灰度阈值，则根据第二预设系数进行线性处理；
其中，所述第一预设系数大于所述第二预设系数。
6.根据权利要求4所述的方法，其特征在于，所述对二值变化后的图像的各第一像素点进行聚类得到至少一个像素点集，包括：
计算二值变化后的图像中每两个邻近第一像素点之间的距离；
若所述两个第一像素点之间的距离小于第一距离阈值，则将所述两个第一像素点聚类至同一个像素点集；
若所述两个第一像素点之间的距离大于或等于第一距离阈值，则将所述两个第一像素点划分至两个不同的像素点集。
7.根据权利要求4所述的方法，其特征在于，分别基于各所述像素点集中的第一像素点进行直线拟合，获得至少一个拟合线段，包括：
从所述像素点集中任意选取两个第一像素点，获得多个像素点组；
分别基于每个像素点组进行直线拟合，获得多条直线；
对于每条直线，确定每个第二像素点到所述直线的距离，所述第二像素点为所述像素点集中所述第一像素点之外的像素点；
将到所述直线的距离小于第二距离阈值的第二像素点确定为内点，获得内点集合；
统计各直线对应的内点集合中的内点个数；
将内点个数最多的内点集合确定为最大一致集；
基于所述最大一致集中的内点进行最小二乘拟合得到拟合线段。
8.根据权利要求1所述的方法，其特征在于，所述根据所述光源区域和所述眩光线条的位置，确定所述待检测镜头的油污位置，包括：
若所述光源区域的圆心到所述眩光线条对应直线的距离小于第三距离阈值，则确定所述待检测镜头存在油污，并将所述眩光线条的位置确定为镜头油污的位置。
9.根据权利要求1至8任一所述的方法，其特征在于，所述待检测镜头所在相机的曝光时间低于时间阈值，所述光源照度值大于照度阈值且直射所述待检测镜头。
10.一种镜头油污的检测装置，其特征在于，包括：
获取模块，用于获取待检测图像，所述待检测图像为待检测镜头在光源照射下所拍摄的图像；
第一确定模块，用于确定所述待检测图像中的光源区域和眩光线条；
第二确定模块，用于根据所述光源区域和眩光线条的位置关系确定所述待检测镜头的油污位置。
11.一种镜头油污的检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一所述的镜头油污的检测方法。
12.一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，该程序被处理器执行时实现如权利要求1-9中任一所述的镜头油污的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110684376.9A CN113409271B (zh) | 2021-06-21 | 2021-06-21 | 一种镜头油污的检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110684376.9A CN113409271B (zh) | 2021-06-21 | 2021-06-21 | 一种镜头油污的检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113409271A true CN113409271A (zh) | 2021-09-17 |
| CN113409271B CN113409271B (zh) | 2022-02-11 |
Family
ID=77681936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110684376.9A Active CN113409271B (zh) | 2021-06-21 | 2021-06-21 | 一种镜头油污的检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409271B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115621A (zh) * | 2022-08-24 | 2022-09-27 | 聊城市泓润能源科技有限公司 | 一种基于图像处理的润滑油污染程度检测方法 |
| CN117455913A (zh) * | 2023-12-25 | 2024-01-26 | 卡松科技股份有限公司 | 基于图像特征的液压油污染智能检测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011084109A2 (en) * | 2010-01-05 | 2011-07-14 | Visionxtreme Pte Ltd | Method and apparatus for inspecting ophthalmic lens |
| US20140010408A1 (en) * | 2012-07-03 | 2014-01-09 | Clarion Co., Ltd. | Lens-attached matter detector, lens-attached matter detection method, and vehicle system |
| CN103516968A (zh) * | 2012-06-27 | 2014-01-15 | 歌乐牌株式会社 | 镜头白浊状态诊断装置 |
| DE102014219424A1 (de) * | 2013-09-30 | 2015-04-02 | Honda Motor Co., Ltd. | Kameralinsenschmutzerfassungseinrichtung |
| CN104867159A (zh) * | 2015-06-05 | 2015-08-26 | 北京大恒图像视觉有限公司 | 一种数字相机传感器污点检测及分级方法与装置 |
| CN105486700A (zh) * | 2016-02-01 | 2016-04-13 | 许迪 | 一种检测透明物体缺陷的***及其使用方法 |
| CN107404647A (zh) * | 2016-05-20 | 2017-11-28 | 中兴通讯股份有限公司 | 镜头状态检测方法及装置 |
| WO2018015446A1 (fr) * | 2016-07-19 | 2018-01-25 | Valeo Schalter Und Sensoren Gmbh | Procédé de détermination d'un niveau d'éblouissement d'un conducteur de véhicule automobile |
| CN108900746A (zh) * | 2018-07-05 | 2018-11-27 | 安徽省特意达软件开发有限公司 | 一种室内夜间可视高清监控摄像头 |
| US20190007626A1 (en) * | 2017-06-30 | 2019-01-03 | Harman International Industries, Incorporated | Systems and methods for detecting objects in imaging systems |
| CN110532875A (zh) * | 2019-07-26 | 2019-12-03 | 纵目科技（上海）股份有限公司 | 夜晚模式镜头付着物的检测***、终端和存储介质 |
| CN110530884A (zh) * | 2019-10-09 | 2019-12-03 | 易思维（杭州）科技有限公司 | 激光焊保护镜片缺陷检测装置 |
| CN112333441A (zh) * | 2020-10-28 | 2021-02-05 | 维沃移动通信有限公司 | 摄像头检测方法、装置及电子设备 |
-
2021
- 2021-06-21 CN CN202110684376.9A patent/CN113409271B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011084109A2 (en) * | 2010-01-05 | 2011-07-14 | Visionxtreme Pte Ltd | Method and apparatus for inspecting ophthalmic lens |
| CN103516968A (zh) * | 2012-06-27 | 2014-01-15 | 歌乐牌株式会社 | 镜头白浊状态诊断装置 |
| US20140010408A1 (en) * | 2012-07-03 | 2014-01-09 | Clarion Co., Ltd. | Lens-attached matter detector, lens-attached matter detection method, and vehicle system |
| DE102014219424A1 (de) * | 2013-09-30 | 2015-04-02 | Honda Motor Co., Ltd. | Kameralinsenschmutzerfassungseinrichtung |
| CN104867159A (zh) * | 2015-06-05 | 2015-08-26 | 北京大恒图像视觉有限公司 | 一种数字相机传感器污点检测及分级方法与装置 |
| CN105486700A (zh) * | 2016-02-01 | 2016-04-13 | 许迪 | 一种检测透明物体缺陷的***及其使用方法 |
| CN107404647A (zh) * | 2016-05-20 | 2017-11-28 | 中兴通讯股份有限公司 | 镜头状态检测方法及装置 |
| WO2018015446A1 (fr) * | 2016-07-19 | 2018-01-25 | Valeo Schalter Und Sensoren Gmbh | Procédé de détermination d'un niveau d'éblouissement d'un conducteur de véhicule automobile |
| US20190007626A1 (en) * | 2017-06-30 | 2019-01-03 | Harman International Industries, Incorporated | Systems and methods for detecting objects in imaging systems |
| CN108900746A (zh) * | 2018-07-05 | 2018-11-27 | 安徽省特意达软件开发有限公司 | 一种室内夜间可视高清监控摄像头 |
| CN110532875A (zh) * | 2019-07-26 | 2019-12-03 | 纵目科技（上海）股份有限公司 | 夜晚模式镜头付着物的检测***、终端和存储介质 |
| CN110530884A (zh) * | 2019-10-09 | 2019-12-03 | 易思维（杭州）科技有限公司 | 激光焊保护镜片缺陷检测装置 |
| CN112333441A (zh) * | 2020-10-28 | 2021-02-05 | 维沃移动通信有限公司 | 摄像头检测方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 全世红: ""摄像模组解析力和脏污检测的研究与应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 庾浩桓: ""基于机器视觉的乳液泵缺陷检测***研"", 《中国优秀硕士学位论文全文数据库 工程科技基于机器视觉的乳液泵缺陷检测***研究》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115621A (zh) * | 2022-08-24 | 2022-09-27 | 聊城市泓润能源科技有限公司 | 一种基于图像处理的润滑油污染程度检测方法 |
| CN117455913A (zh) * | 2023-12-25 | 2024-01-26 | 卡松科技股份有限公司 | 基于图像特征的液压油污染智能检测方法 |
| CN117455913B (zh) * | 2023-12-25 | 2024-03-08 | 卡松科技股份有限公司 | 基于图像特征的液压油污染智能检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113409271B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
| CN113409271B (zh) | 一种镜头油污的检测方法、装置及设备 | |
| CN111598913B (zh) | 一种基于机器人视觉的图像分割方法和*** | |
| CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测*** | |
| CN109523527B (zh) | 图像中脏污区域的检测方法、装置和电子设备 | |
| CN106934794A (zh) | 信息处理装置，信息处理方法和检查*** | |
| CN110197180B (zh) | 字符缺陷检测方法、装置及设备 | |
| WO2020037573A1 (zh) | 检测图像上的亮斑的方法、装置和计算机程序产品 | |
| CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、***和装置 | |
| CN117037103A (zh) | 一种道路检测方法和装置 | |
| CN114565552A (zh) | 光学元件表面缺陷的检测方法、装置及电子设备 | |
| CN117252897B (zh) | 塑形镜划痕前景图像提取方法、装置、设备及存储介质 | |
| CN113435296A (zh) | 基于rotated-yolov5的电梯异物检测方法、***、存储介质、电梯 | |
| CN117173154A (zh) | 玻璃瓶的在线图像检测***及其方法 | |
| CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测***及检测方法 | |
| CN115937324B (zh) | 一种装配质量评价方法、装置、设备及存储介质 | |
| CN116958058A (zh) | 镜头脏污检测方法、装置及图像检测设备 | |
| Girault et al. | Algorithm for the precise detection of single and cluster cells in microfluidic applications | |
| CN115620079A (zh) | 样本标签的获取方法和镜头失效检测模型的训练方法 | |
| CN111815705B (zh) | 激光跟踪仪滤光保护镜片污染识别方法、装置及电子设备 | |
| CN114155179A (zh) | 光源缺陷检测方法、装置、设备和存储介质 | |
| CN114120343A (zh) | 证件图像质量评估方法及终端 | |
| CN112511725A (zh) | 一种内窥镜圈的自动识别方法、装置、存储介质及终端 | |
| JP2008040959A (ja) | 受動式及びインタラクティブ式の即時影像認識方法 | |
| CN112686845B (zh) | 一种图像处理的方法、装置及计算机可读介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |