CN113780235A - 图标瑕疵检测方法及*** - Google Patents
图标瑕疵检测方法及*** Download PDFInfo
- Publication number
- CN113780235A CN113780235A CN202111122283.3A CN202111122283A CN113780235A CN 113780235 A CN113780235 A CN 113780235A CN 202111122283 A CN202111122283 A CN 202111122283A CN 113780235 A CN113780235 A CN 113780235A
- Authority
- CN
- China
- Prior art keywords
- image
- icon
- detected
- determining
- outline
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 230000007547 defect Effects 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000007639 printing Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000007641 inkjet printing Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001268993 Heterochrosis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种图标瑕疵检测方法及***,该方法包括:获取包括无瑕疵图标的样本图像和包括待检测图标的第一图像;将所述样本图像与所述第一图像进行图标匹配,得到包括待检测图标的第二图像;将所述第二图像与所述样本图像进行差值计算,得到差值图像;基于所述差值图像,确定所述待检测图标的瑕疵信息。本公开通过对待测图标和样本图标进行字符匹配后进行差值计算,基于二者差值图像能够快速确定图标的瑕疵区域并判断瑕疵类型,提高了图标瑕疵检测的效率与准确度。
Description
技术领域
本公开涉及图标检测领域,特别是涉及一种图标瑕疵检测方法及***。
背景技术
在手机后壳图标的印刷过程中,可能会因为印刷机器喷墨不均匀、手机后壳有异物或其他外界干扰导致图标印刷产生瑕疵,影响图标的美观和清晰度。
目前,工厂中对于图标瑕疵的检测通常依赖于人工检测,即将印刷好的手机后壳放在固定模具上,通过高清镜头采集图标区域的图像,放大后显示在屏幕上,由工作人员靠目测判断图标是否存在印刷瑕疵,并根据瑕疵种类对印刷不良品进行分类。
但是,人工检测存在较强的主观性,不同工作人员对于瑕疵的判断标准不同。而且工作人员在长期从事单一的、重复的工作时容易产生疲劳,导致判断准确率降低,同时工作人员的情绪也会影响判断结果。另外,人工检测需要对工作人员进行培训,检测成本较高。因此,仅仅依靠工作人员目测判断图标是否存在瑕疵不能保证判断的准确率,产品的质量无法得到保障,产品的成本也会提高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种图标瑕疵检测方法及***,以保证对于图标瑕疵判断的准确率,同时降低人工成本。
本申请实施例提供了一种图标瑕疵检测方法,包括:
获取包括无瑕疵图标的样本图像和包括待检测图标的第一图像;
将所述样本图像与所述第一图像进行图标匹配,得到包括待检测图标的第二图像;
将所述第二图像与所述样本图像进行差值计算,得到差值图像;
基于所述差值图像,确定所述待检测图标的瑕疵信息。
在一个实施例中,所述样本图像是将所述无瑕疵图标按字符进行分割得到的图像;
所述将所述样本图像与所述第一图像进行图标匹配,得到包括待检测图标的第二图像包括:
将所述第一图像依次按字符进行分割和旋转矫正,得到矫正图像;
将所述样本图像和所述矫正图像按字符进行匹配,得到所述矫正图像中与所述样本图像对应的第二图像。
在一个实施例中,所述将所述第一图像按字符依次进行分割和旋转矫正,得到矫正图像后,所述方法还包括:
根据所述样本图像确定二值化阈值;
将所述矫正图像进行固定阈值的二值化,得到二值化图像;
根据所述二值化图像确定所述二值化图像中的异色区域,并计算所述异色区域的像素面积,在所述异色区域面积大于异色面积阈值时,确定所述待检测图标存在异色瑕疵。
在一个实施例中,所述基于所述差值图像,确定所述待检测图标的瑕疵信息包括:
对所述差值图像进行开运算后获得去除干扰的差值图像,计算所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓相似度,在所述轮廓相似度低于轮廓相似度阈值时,确定所述待检测图标存在缺口瑕疵;
或者,在所述轮廓相似度高于轮廓相似度阈值时,根据所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓对比结果定位缺口位置,计算缺口的像素面积,在所述缺口的像素面积大于缺口面积阈值时,确定所述待检测图标存在缺口瑕疵。
在一个实施例中,所述基于所述差值图像,确定所述待检测图标的瑕疵信息包括:
将所述第二图像与所述样本图像相加得到降噪图像,获取所述降噪图像中图标的外轮廓信息;
根据所述降噪图像中图标的外轮廓信息,去除所述差值图像中图标的外轮廓干扰,得到内部轮廓;
根据所述内部轮廓计算划伤的长度,在所述长度大于长度阈值时,确定所述待检测图标存在划伤瑕疵;
或者,在所述长度小于长度阈值时,根据所述内部轮廓计算划伤的像素面积,在所述像素面积大于划伤面积阈值时,确定所述待检测图标存在划伤瑕疵。
本申请实施例提供了一种图标瑕疵检测***,包括:
图像获取模块,用于获取包括无瑕疵图标的样本图像和包括待检测图标的第一图像;
匹配模块,用于将所述第一图像和所述样本图像进行匹配,得到第二图像;
图像处理模块,用于将所述第二图像与所述样本图像进行差值计算,得到差值图像;
瑕疵检测模块,用于检测所述待检测图标的瑕疵信息;
操作模块,用于设置***运行参数。
本公开实施例提供的图标瑕疵检测方法及***通过对待测图标和样本图标进行匹配,基于二者差值图像能够快速确定图标的瑕疵区域并判断瑕疵类型,提高了图标瑕疵检测的效率与准确度。并且由于本公开实施例是基于对瑕疵面积、图标轮廓相似度等与预设阈值的对比结果得出瑕疵检测结果,相对于人工检测,能够更好地保证瑕疵检测准确率的稳定性,不会因为工作人员的主观因素对检测结果造成影响。
附图说明
图1为本公开实施例提供的瑕疵检测方法方法流程图;
图2为本公开实施例提供的另一种瑕疵检测方法流程图;
图3为本公开实施例提供的另一种瑕疵检测方法流程图;
图4为本公开实施例提供的另一种瑕疵检测方法流程图;
图5为本公开实施例提供的瑕疵检测***的结构示意图;
图6为本公开实施例提供的另一种瑕疵检测***的结构示意图;
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在手机后壳图标的印刷过程中,可能会因为印刷机器喷墨不均匀、印刷机器故障、手机后壳有异物或其他外界干扰导致图标印刷产生瑕疵,或在搬运途中由于碰撞、摩擦而损坏图标,影响图标的美观和清晰度。
目前,工厂中对于图标瑕疵的检测通常依赖于人工检测,即将印刷好的手机后壳放在固定模具上,通过高清镜头采集图标区域的图像,放大后显示在屏幕上,由工作人员靠目测判断图标是否存在印刷瑕疵,并根据瑕疵种类对印刷不良品进行分类。
但是,人工检测存在较强的主观性,不同工作人员对于图标是否存在瑕疵的判断标准不同,对于瑕疵的分类标准也不同。而且工作人员在长期从事单一的、重复的工作时容易产生疲劳,导致判断准确率降低,同时工作人员的情绪也会影响判断结果。另外,人工检测需要对工作人员进行培训,而工厂中的人员流动也比较大,导致需要频繁地对新员工进行培训,培训的成本较高,而且也严重地浪费了生产时间。所以人工检测的成本较高,且不能完全保证检测的准确率。针对该问题,本公开实施例提供了一种瑕疵检测方法,下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的图标瑕疵检测方法流程图。该方法包括的具体步骤如下:
S101、获取包括无瑕疵图标的样本图像和包括待检测图标的第一图像。
具体地,将提前准备好的无瑕疵的样本图保存为样本图像,将待检测的图标进行图像采集,作为第一图像。所述图像采集的方法可以是通过高清摄像头采集。
S102、将所述样本图像与所述第一图像进行图标匹配,得到包括待检测图标的第二图像。
具体地,将所述样本图像与所述第一图像进行图标匹配,直至找到与第一图像图标相对应的样本图像,作为后续的图标对比、图像处理的基础。
S103、将所述第二图像与所述样本图像进行差值计算,得到差值图像。
S104、基于所述差值图像,确定所述待检测图标的瑕疵信息。
所述差值图像可以明显地体现出所述第二图像与所述样本图像之间的差异,如内外轮廓的差异等。基于差值图像,能够快速、方便地定位图标的瑕疵区域,判断待检测图标是否存在瑕疵,并判断待检测图标的瑕疵类型。
本公开实施例通过获取包括无瑕疵图标的样本图像和包括待检测图标的第一图像;将所述样本图像与所述第一图像进行图标匹配,得到包括待检测图标的第二图像;将所述第二图像与所述样本图像进行差值计算,得到差值图像;基于所述差值图像,能够快速确定图标的瑕疵信息,提高了图标瑕疵检测的效率与准确度。
在上述实施例的基础上,所述样本图像是将所述无瑕疵图标按字符进行分割得到的图像;所述将所述样本图像与所述第一图像进行图标匹配,得到包括待检测图标的第二图像包括:将所述第一图像按字符依次进行分割和旋转矫正,得到矫正图像;将所述样本图像和所述矫正图像按字符进行匹配,得到所述矫正图像中与所述样本图像对应的第二图像。
将所述无瑕疵图标按字符进行分割,得到每个字符的样本图像,作为图标匹配时的模板,同时对采集到的第一图像也按字符进行分割,便于和样本图像进行相同字符的匹配。由于对待测图标采集的图像并不能保证完全清晰无损,可能会由于反光等客观影响因素导致采集到的第一图像质量较低,不能直接用于匹配或影响匹配结果,因此要对采集到的图像进行矫正,首先对第一图像进行增强,根据图像的不同情况可以选择高斯滤波、拉普拉斯变换、直方图增强等方法,得到清晰的第一图像后,通过开运算、投影法处理,将所述清晰的第一图像按字符进行分割,对其进行旋转矫正,纠正其畸变,从而得到各个待测字符清晰、端正的矫正图像。
本公开实施例通过对样本图像和第一图像进行处理,得到清晰的字符图像,一方面方便匹配,降低了匹配过程中出错的可能性,另一方面降低了对于图像采集的要求,使得在采集到的图像不理想的情况下也能够顺利地进行瑕疵检测,因此本方法具有很强的普适性,能够在光线不充足等较差的环境情况下对图标瑕疵进行准确的检测分析。
图2为本公开实施例提供的另一种瑕疵检测方法流程图。
在一些实施例中,如图2所示,所述矫正图像还用于检测图标异色信息,具体包括如下步骤:
S201、根据所述样本图像确定二值化阈值;
S202、将所述矫正图像进行固定阈值的二值化,得到二值化图像;
所谓固定阈值二值化算法指的是使被处理图像中小于二值化阈值的部分灰度值为0,大于等于二值化阈值的部分灰度值为255,或者使被处理图像上大于二值化阈值的部分灰度值为0,小于等于二值化阈值的部分灰度值为255。通过固定阈值的二值化可以将矫正图像转变成一幅黑白的图像,其中,二值化的阈值是根据步骤S201得到的。根据所述二值化阈值对所述矫正图像进行固定阈值的二值化,得到一幅黑白的二值化图像后执行步骤S203。
S203、根据所述二值化图像确定所述二值化图像中的异色区域,并计算所述异色区域的像素面积。
在二值化图像中,经过处理的背景颜色和图标颜色都为显示为黑色(白色),对应地,异色区域的颜色显示为白色(黑色),因此可以明显地确定异色区域。如果异色区域的像素面积大于预设的异色面积阈值,代表异色情况较为严重,则确定该待检测图标存在异色瑕疵;如果异色区域像素面积小于预设的异色面积阈值,代表异色区域面积极小或不存在异色区域,不影响图标整体质量,此时确定该待检测图标不存在异色瑕疵,继续进行其他瑕疵检测。
在图标印刷的过程中,时常因为印刷控制程序出错等原因导致图标上存在错误的色块,这种情况称为图标异色。而本实施例公开的检测方法能够有效地鉴别被检测图标是否存在异色情况。本公开实施例中运用上述固定阈值二值化的方法,能够将颜色异常的区域十分明显地显示出来,方便定位异色区域和计算异色区域的像素面积。本公开实施例通过对矫正图像的固定阈值二值化,从而能够精准定位待测图标的异色位置以及计算异色区域的面积,根据异色区域面积能够快速、准确地判断该待测图标是否存在异色瑕疵,有效避免了人工检测的主观不确定性,提高了检测效率和准确率。
图3为本公开实施例提供的另一种瑕疵检测方法流程图。
在一些实施例中,如图3所示,所述基于所述差值图像,确定所述待检测图标的瑕疵信息,具体包括如下步骤:
S301、对所述差值图像进行开运算后获得去除干扰的差值图像,计算所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓相似度。
通过对差值图像进行开运算去除毛刺等一些细小干扰,从而获得去除干扰的差值图像。计算所述去除干扰的差值图像中图标轮廓与所述样本图像中图标轮廓的相似度,如果所述轮廓相似度低于轮廓相似度阈值,代表待检测图标轮廓缺损较为严重,此时确定所述待检测图标存在缺口瑕疵。若所述轮廓相似度高于轮廓相似度阈值,代表轮廓缺损不明显或没有缺损,执行步骤S302,进一步检测缺口面积大小。
S302、根据所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓对比结果定位缺口位置,计算缺口的像素面积。
根据轮廓相似度检测中的轮廓对比结果能够轻松定位缺口位置,计算所定位的缺口的像素面积。所述缺口的像素面积大于缺口面积阈值时,代表缺口较大,确定所述待检测图标存在缺口瑕疵;若所述缺口的像素面积小于缺口面积阈值,代表缺口较小或没有缺口,不影响图标整理质量,确定所述待检测图标不存在缺口瑕疵,继续进行其他瑕疵检测。
在图标印刷的过程中,由于印刷控制程序出错或是印刷区域中有异物,容易导致印刷出来的图标有缺口瑕疵。本公开实施例通过对差值图像和样本图像的对比,从而能够获得待测图标与样本图标的轮廓相似度以及缺口面积,根据轮廓相似度和缺口面积能够快速、准确地判断该待测图标是否存在缺口瑕疵,有效避免了人工检测的主观不确定性。并且通过轮廓相似度和缺口像素面积两个标准判断待检测图标是否存在缺口瑕疵,待检测图标同时满足两个标准才能通过检测,避免了一些偶发情况对于检测结果的影响,保证了检测结果的准确性和稳定性。
图4为本公开实施例提供的另一种瑕疵检测方法流程图。
在一些实施例中,如图4所示,所述基于所述差值图像,确定所述待检测图标的瑕疵信息包括:
S401、将所述第二图像与所述样本图像相加得到降噪图像,获取所述降噪图像中图标的外轮廓信息。
S402、根据所述降噪图像中图标的外轮廓信息,去除所述差值图像中图标的外轮廓干扰,得到内部轮廓。
S403、根据所述内部轮廓计算划伤的长度。
若所述长度大于划伤长度阈值,代表划伤较长,影响的区域较大,确定所述待检测图标存在划伤瑕疵。若所述长度小于划伤长度阈值,代表划伤较短,影响的区域较小,进一步检测划伤部分的像素面积,执行步骤S404。
S404、根据所述内部轮廓计算划伤的像素面积。
若所述像素面积大于划伤面积阈值,代表划伤虽然较短,但划伤宽度较宽,比较明显,确定所述待检测图标存在划伤瑕疵;若所述像素面积小于划伤面积阈值,代表划伤较为细微或没有划伤,不影响图标的整体质量,确定所述待检测图标不存在划伤瑕疵。
在图标印刷过程中,由于印刷控制程序的错误或由于存放、运输不当等原因,容易造成图标的划伤。本公开实施例通过将差值图像中外轮廓干扰去除,基于差值图像的内轮廓进行分析从而能够获得待检测图标的划伤情况,根据计算划伤长度和划伤面积能够快速、准确地判断该待测图标是否存在划伤瑕疵,有效避免了人工检测的主观不确定性。并且通过划伤长度和划伤面积两个标准判断待检测图标是否存在划伤瑕疵,待检测图标同时满足两个标准才能通过检测,避免了一些偶发情况对于检测结果的影响,保证了检测结果的准确性和稳定性。
在一些实施例中,上述所提到的所有阈值,至少包括二值化阈值、异色面积阈值、轮廓相似度阈值、缺口面积阈值、划伤长度阈值、划伤面积阈值,均可以根据实际检测情况进行调整。
在一些实施例中,一个待检测图标需要依次通过异色、缺口、划伤瑕疵检测才能被认定是合格的图标,否则则被判定为失败品。
进一步地,可以根据待检测图标被判定为失败品的原因将失败品进行分类,例如分为异色图标、缺口图标和划伤图标。工作人员可以定时统计每种失败品的数量,总结出较为常见的失败原因和经常出现瑕疵的区域,据此调整生产方案或印刷方案以提高成品率,减少时间和成本的浪费。
应该理解的是,虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图5为本公开实施例提供的瑕疵检测***的结构示意图。本公开实施例提供的瑕疵检测***可以执行瑕疵检测方法实施例提供的处理流程,如图5所示,瑕疵检测***500包括:
图像获取模块501,用于获取包括无瑕疵图标的样本图像和包括待检测图标的第一图像;
匹配模块502,用于将所述第一图像和所述样本图像进行匹配,得到第二图像;
图像处理模块503,用于将所述第二图像与所述样本图像进行差值计算,得到差值图像;
瑕疵检测模块504,用于检测所述待检测图标的瑕疵信息;
操作模块505,用于设置***运行参数。
可选的,所述图像获取模块501还用于:将所述无瑕疵图标按字符进行分割,得到样本图像;
可选的,所述匹配模块502还用于:将所述第一图像按字符依次进行分割和旋转矫正,得到矫正图像;将所述样本图像和所述矫正图像按字符进行匹配,得到所述矫正图像中与所述样本图像对应的第二图像。
可选的,所述操作模块505用于设置瑕疵检测方法实施例中的任意阈值,包括:二值化阈值、异色面积阈值、轮廓相似度阈值、缺口面积阈值、划伤长度阈值、划伤面积阈值及其他***参数。上述各种阈值可以是工作人员对***进行调试时得出的最佳值,也可以是客户订单中限定的阈值,或是其他任何合理的数值。
图6为本公开实施例提供的另一种瑕疵检测***的结构示意图。
在一些实施例中,如图6所示,所述瑕疵检测模块504包括异色检测单元601,用于:
根据所述样本图像确定二值化阈值;
将所述矫正图像进行固定阈值的二值化,得到二值化图像;
根据所述二值化图像确定所述二值化图像中的异色区域,并计算所述异色区域的像素面积,在所述异色区域面积大于异色面积阈值时,确定所述待检测图标存在异色瑕疵。
在一些实施例中,如图6所示,所述瑕疵检测模块504包括缺口检测单元602,用于:
对所述差值图像依次进行开运算后获得去除干扰的差值图像,计算所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓相似度,在所述轮廓相似度低于轮廓相似度阈值时,确定所述待检测图标存在缺口瑕疵;
在所述轮廓相似度高于轮廓相似度阈值时,根据所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓对比结果定位缺口位置,计算缺口的像素面积,在所述缺口的像素面积大于缺口面积阈值时,确定所述待检测图标存在缺口瑕疵。
在一些实施例中,如图6所示,所述瑕疵检测模块504包括划伤检测单元603,用于:
将所述第二图像与所述样本图像相加得到降噪图像,获取所述降噪图像中图标的外轮廓信息;
根据所述降噪图像中图标的外轮廓信息,去除所述差值图像中图标的外轮廓干扰,得到内部轮廓;
根据所述内部轮廓计算划伤的长度,在所述长度大于长度阈值时,确定所述待检测图标存在划伤瑕疵;
在所述长度小于长度阈值时,根据所述内部轮廓计算划伤的像素面积,在所述像素面积大于划伤面积阈值时,确定所述待检测图标存在划伤瑕疵。
本公开实施例通过将所述样本图像与所述第一图像进行图标匹配,进行差值计算,得到差值图像,并基于所述差值图像,快速确定图标的瑕疵信息,对不同种类的瑕疵进行分类,提高了图标瑕疵检测的效率与准确度。并且由于本公开实施例是通过测量瑕疵面积、轮廓相似度等数据与预设阈值作对比,从而得出瑕疵检测结果,避免了工作人员主观判断对检测结果的影响,保证了瑕疵检测的准确率和稳定性。
图5、图6所示实施例的瑕疵检测***可用于执行上述方法实施例的技术方案,其具体限定可以参见上文中瑕疵检测方法的限定,此处不再赘述。上述瑕疵检测***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图标瑕疵检测方法,其特征在于,所述方法包括:
获取包括无瑕疵图标的样本图像和包括待检测图标的第一图像;
将所述样本图像与所述第一图像进行图标匹配,得到包括待检测图标的第二图像;
将所述第二图像与所述样本图像进行差值计算,得到差值图像;
基于所述差值图像,确定所述待检测图标的瑕疵信息。
2.根据权利要求1所述的方法,其特征在于,所述样本图像是将所述无瑕疵图标按字符进行分割得到的图像;
所述将所述样本图像与所述第一图像进行图标匹配,得到包括待检测图标的第二图像包括:
将所述第一图像按字符依次进行分割和旋转矫正,得到矫正图像;
将所述样本图像和所述矫正图像按字符进行匹配,得到所述矫正图像中与所述样本图像对应的第二图像。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一图像按字符依次进行分割和旋转矫正,得到矫正图像后,所述方法还包括:
根据所述样本图像确定二值化阈值;
将所述矫正图像进行固定阈值的二值化,得到二值化图像;
根据所述二值化图像确定所述二值化图像中的异色区域,并计算所述异色区域的像素面积,在所述异色区域面积大于异色面积阈值时,确定所述待检测图标存在异色瑕疵。
4.根据权利要求1所述的方法,其特征在于,所述基于所述差值图像,确定所述待检测图标的瑕疵信息包括:
对所述差值图像进行开运算后获得去除干扰的差值图像,计算所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓相似度,在所述轮廓相似度低于轮廓相似度阈值时,确定所述待检测图标存在缺口瑕疵;
或者,在所述轮廓相似度高于轮廓相似度阈值时,根据所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓对比结果定位缺口位置,计算缺口的像素面积,在所述缺口的像素面积大于缺口面积阈值时,确定所述待检测图标存在缺口瑕疵。
5.根据权利要求1所述的方法,其特征在于,所述基于所述差值图像,确定所述待检测图标的瑕疵信息包括:
将所述第二图像与所述样本图像相加得到降噪图像,获取所述降噪图像中图标的外轮廓信息;
根据所述降噪图像中图标的外轮廓信息,去除所述差值图像中图标的外轮廓干扰,得到内部轮廓;
根据所述内部轮廓计算划伤的长度,在所述长度大于长度阈值时,确定所述待检测图标存在划伤瑕疵;
或者,在所述长度小于长度阈值时,根据所述内部轮廓计算划伤的像素面积,在所述像素面积大于划伤面积阈值时,确定所述待检测图标存在划伤瑕疵。
6.一种图标印刷瑕疵检测***,其特征在于,包括:
图像获取模块,用于获取包括无瑕疵图标的样本图像和包括待检测图标的第一图像;
匹配模块,用于将所述第一图像和所述样本图像进行匹配,得到第二图像;
图像处理模块,用于将所述第二图像与所述样本图像进行差值计算,得到差值图像;
瑕疵检测模块,用于检测所述待检测图标的瑕疵信息;
操作模块,用于设置***运行参数。
7.根据权利要求6所述的***,其特征在于,所述图像获取模块还用于:
将所述无瑕疵图标按字符进行分割,得到样本图像;
所述匹配模块还用于:
将所述第一图像按字符依次进行分割和旋转矫正,得到矫正图像;
将所述样本图像和所述矫正图像按字符进行匹配,得到所述矫正图像中与所述样本图像对应的第二图像。
8.根据权利要求6所述的***,其特征在于,所述瑕疵检测模块包括异色检测单元,用于:
根据所述样本图像确定二值化阈值;
将所述矫正图像进行固定阈值的二值化,得到二值化图像;
根据所述二值化图像确定所述二值化图像中的异色区域,并计算所述异色区域的像素面积,在所述异色区域面积大于异色面积阈值时,确定所述待检测图标存在异色瑕疵。
9.根据权利要求6所述的***,其特征在于,所述瑕疵检测模块包括缺口检测单元,用于:
对所述差值图像依次进行开运算后获得去除干扰的差值图像,计算所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓相似度,在所述轮廓相似度低于轮廓相似度阈值时,确定所述待检测图标存在缺口瑕疵;
在所述轮廓相似度高于轮廓相似度阈值时,根据所述去除干扰的差值图像中图标与所述样本图像中图标的轮廓对比结果定位缺口位置,计算缺口的像素面积,在所述缺口的像素面积大于缺口面积阈值时,确定所述待检测图标存在缺口瑕疵。
10.根据权利要求6所述的***,其特征在于,所述瑕疵检测模块包括划伤检测单元,用于:
将所述第二图像与所述样本图像相加得到降噪图像,获取所述降噪图像中图标的外轮廓信息;
根据所述降噪图像中图标的外轮廓信息,去除所述差值图像中图标的外轮廓干扰,得到内部轮廓;
根据所述内部轮廓计算划伤的长度,在所述长度大于长度阈值时,确定所述待检测图标存在划伤瑕疵;
在所述长度小于长度阈值时,根据所述内部轮廓计算划伤的像素面积,在所述像素面积大于划伤面积阈值时,确定所述待检测图标存在划伤瑕疵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122283.3A CN113780235A (zh) | 2021-09-24 | 2021-09-24 | 图标瑕疵检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122283.3A CN113780235A (zh) | 2021-09-24 | 2021-09-24 | 图标瑕疵检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780235A true CN113780235A (zh) | 2021-12-10 |
Family
ID=78853211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111122283.3A Pending CN113780235A (zh) | 2021-09-24 | 2021-09-24 | 图标瑕疵检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780235A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773152A (zh) * | 2023-08-25 | 2023-09-19 | 成都中嘉微视科技有限公司 | 一种镜头性能的检测方法、装置、电子设备及存储介质 |
CN117576088A (zh) * | 2024-01-15 | 2024-02-20 | 平方和(北京)科技有限公司 | 一种液体杂质智能过滤视觉检测方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318573A (zh) * | 2014-10-31 | 2015-01-28 | 广州超音速自动化科技有限公司 | 标签缺陷检测方法 |
WO2018068415A1 (zh) * | 2016-10-11 | 2018-04-19 | 广州视源电子科技股份有限公司 | 元件错件检测方法和*** |
CN108416765A (zh) * | 2018-01-30 | 2018-08-17 | 华南理工大学 | 一种字符缺陷自动检测方法和*** |
CN109308700A (zh) * | 2017-07-27 | 2019-02-05 | 南京敏光视觉智能科技有限公司 | 一种基于印刷品字符的视觉识别缺陷检测方法 |
CN111612774A (zh) * | 2020-05-22 | 2020-09-01 | 珠海格力智能装备有限公司 | 缺陷区域的确定方法、确定装置、存储介质与处理器 |
CN111986190A (zh) * | 2020-08-28 | 2020-11-24 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN112763513A (zh) * | 2021-01-26 | 2021-05-07 | 广东奥普特科技股份有限公司 | 一种字符缺陷检测方法 |
-
2021
- 2021-09-24 CN CN202111122283.3A patent/CN113780235A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318573A (zh) * | 2014-10-31 | 2015-01-28 | 广州超音速自动化科技有限公司 | 标签缺陷检测方法 |
WO2018068415A1 (zh) * | 2016-10-11 | 2018-04-19 | 广州视源电子科技股份有限公司 | 元件错件检测方法和*** |
CN109308700A (zh) * | 2017-07-27 | 2019-02-05 | 南京敏光视觉智能科技有限公司 | 一种基于印刷品字符的视觉识别缺陷检测方法 |
CN108416765A (zh) * | 2018-01-30 | 2018-08-17 | 华南理工大学 | 一种字符缺陷自动检测方法和*** |
CN111612774A (zh) * | 2020-05-22 | 2020-09-01 | 珠海格力智能装备有限公司 | 缺陷区域的确定方法、确定装置、存储介质与处理器 |
CN111986190A (zh) * | 2020-08-28 | 2020-11-24 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN112763513A (zh) * | 2021-01-26 | 2021-05-07 | 广东奥普特科技股份有限公司 | 一种字符缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
岳晓峰, 毛志阳, 周显国: "机器视觉在异色羽绒分选***中的应用", 吉林工学院学报(自然科学版), no. 03, 30 September 1999 (1999-09-30), pages 2 * |
朱元丰: "在线喷印视觉检测***的研究", 机械制造, 31 December 2020 (2020-12-31), pages 2 - 3 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773152A (zh) * | 2023-08-25 | 2023-09-19 | 成都中嘉微视科技有限公司 | 一种镜头性能的检测方法、装置、电子设备及存储介质 |
CN116773152B (zh) * | 2023-08-25 | 2023-11-03 | 成都中嘉微视科技有限公司 | 一种镜头性能的检测方法、装置、电子设备及存储介质 |
CN117576088A (zh) * | 2024-01-15 | 2024-02-20 | 平方和(北京)科技有限公司 | 一种液体杂质智能过滤视觉检测方法和装置 |
CN117576088B (zh) * | 2024-01-15 | 2024-04-05 | 平方和(北京)科技有限公司 | 一种液体杂质智能过滤视觉检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112577969B (zh) | 一种基于机器视觉的缺陷检测方法以及缺陷检测*** | |
CN113780235A (zh) | 图标瑕疵检测方法及*** | |
CN103134809A (zh) | 焊缝缺陷检测方法 | |
CN109146873B (zh) | 一种基于学习的显示屏缺陷智能检测方法及装置 | |
CN115641332B (zh) | 产品边缘外观缺陷的检测方法及装置、介质、设备 | |
JP7034840B2 (ja) | 外観検査装置および方法 | |
CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、***、设备及介质 | |
CN115731208A (zh) | 金属复杂面高精度缺陷检测方法、装置、设备及存储介质 | |
JP4241361B2 (ja) | キャップ天面の検査方法 | |
WO2022222467A1 (zh) | 开口圆环工件外观缺陷检测方法、***及计算机存储介质 | |
CN116539641A (zh) | 光伏玻璃组件二道铺设后外观检测方法 | |
CN113916893A (zh) | 模切产品缺陷的检测方法 | |
CN116342456A (zh) | 连接器件检测方法、电子设备及存储介质 | |
KR20170127883A (ko) | 영상 기반의 용접 비드 검출 방법 | |
CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
CN116823771A (zh) | 一种zara缺陷规格检测方法、***及储存介质 | |
CN116342540A (zh) | 包装膜缺陷检测方法、装置、设备及存储介质 | |
CN114354491A (zh) | 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 | |
CN113012137B (zh) | 一种面板缺陷检查方法、***、终端设备及存储介质 | |
JP2002008029A (ja) | 画像検査装置 | |
CN111062939A (zh) | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 | |
KR20200126921A (ko) | 스켈러톤 웨이퍼 검사 방법 | |
CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 |
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 |