CN114581742A - 基于线性度的连通域聚类融合方法、装置、***及介质 - Google Patents
基于线性度的连通域聚类融合方法、装置、***及介质 Download PDFInfo
- Publication number
- CN114581742A CN114581742A CN202111488020.4A CN202111488020A CN114581742A CN 114581742 A CN114581742 A CN 114581742A CN 202111488020 A CN202111488020 A CN 202111488020A CN 114581742 A CN114581742 A CN 114581742A
- Authority
- CN
- China
- Prior art keywords
- dense point
- connected domain
- linear
- point
- dense
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供了一种基于线性度的连通域聚类融合方法、装置、识别***及存储介质,该方法包括:基于待测目标图像提取缺陷连通域集合;将缺陷连通域集合中的缺陷连通域根据线性度进行筛选,得到线性连通域和点状连通域;从线性连通域中选取多组线性连通域,根据每组线性连通域中各线性连通域的中轴线之间的角度和距离进行聚类,得到线性连通域集合;所述每组线性连通域包含两个线性连通域;所述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;以包含搜索窗口的密集点搜索区域,对所述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷,对于后续产品质量判定具有极大的价值。
Description
本申请是申请日为2021年10月26日、申请号为202111243916.6、发明名称为“一种自适应缺陷检测方法、装置、识别***及存储介质”的申请的分案申请。
技术领域
本申请涉及机器视觉领域,具体而言,涉及一种基于线性度的连通域聚类融合方法、装置、识别***及存储介质。
背景技术
AOI(Automated Optical Inspection,自动光学检测)设备在工业场景下的应用极为广泛,尤其在工业产品的外观缺陷检测中更是具有极其重要的作用。AOI是解放大量质检工人,减员增效,提升企业产能,提升产品良率,提升公司产品竞争力的一个重要工具。在不同的工业场景下,AOI设备通常具有不同的产品形态,其检测原理可以是借助于合理的光学设计方案将产品的缺陷进行凸显,并通过图像采集设备将产品图像采集到计算机,并借助于合理的图像处理算法计算出缺陷的位置和大小,然后进一步获取缺陷的纹理特征,并结合缺陷的尺寸以及纹理特征对缺陷进行分类和等级划分。在显示面板技术领域,通常需要对面板上的划伤、凹凸点、崩边等多种缺陷进行检测,图像分割是对缺陷进行定位的一个常用方法。
现有技术中,常用的图像分割方法包括固定阈值方法、自适应阈值方法等,在纹理背景较复杂的情况下,还会利用卷积神经网络等深度学***稳性的影响,导致产品图像表现出较大的亮度不均,产品表面的划伤等缺陷也由于等级差异,呈现出不连续、对比度一致性差等特点,且难以通过图像预处理的方法对图像进行归一化,此种场景下,常规的固定阈值方法和自适应阈值方法都不能很好的实现缺陷的分割,进而不能实现对缺陷的准确检测。卷积神经网络等深度学习方法虽然可以在一定程度上解决以上问题,但是由于需要较多的训练样本,且在运算时需要更多的计算资源和计算时间,通常不会优先考虑该方法。
发明内容
有鉴于此,本申请的目的在于提供一种自适应缺陷检测方法、装置、识别***及存储介质,可在光照不均工业场景下的缺陷检测过程中,采用自适应阈值分割方法,用于解决现有技术中如何对亮度不均图像的异常缺陷进行图像分割的问题,本申请与常规的自适应阈值分割方法明显不同,不仅可以提升对光照不均的适应程度,还可以提高分割的精准度。并且,本申请对分割后的结果进一步融合,将多个断续的分割结果融合成同一个分割结果,可以有效克服亮度不均造成的图像分割困难的问题,提高基于图像分割的异常缺陷检测的准确度。
为解决上述技术问题,第一方面,本申请实施例提供了一种自适应缺陷检测方法,该方法包括:
获取被测目标的基准图像,并以所述基准图像中被测目标为对象创建基准坐标系;
针对所述基准图像中的被测目标设定感兴趣区域,并根据所述感兴趣区域提取目标检测区域;所述感兴趣区域与所述基准坐标系关联;
获取所述目标检测区域的正外接矩形,并基于该正外接矩形外扩预设距离进行图像裁剪,得到待测图像;
对于所述待测图像中的非目标检测区域进行填充,得到填充后的待测图像;
计算所述填充后的待测图像的均值图像和方差图像;
根据所述均值图像和方差图像以及预先设定的高阈值尺度系数、低阈值尺度系数、最小基准偏差和最大灰度方差,计算高阈值图像和低阈值图像;
根据所述填充后的待测图像、高阈值图像和低阈值图像,计算高阈值差值图像和低阈差值图像;
从所述高阈值差值图像中提取高阈值连通域集合,从所述低阈值差值图像中提取低阈值连通域集合,以及
针对所述低阈值连通域集合,筛选出与所述高阈值连通域集合中的高阈值连通域有交集的低阈值连通域,得到缺陷连通域集合;
其中,所述高阈值差值图像是所述填充后的待测图像与所述高阈值图像作差值得到的,所述低阈值差值图像是所述填充后的待测图像与所述低阈值图像作差值得到的。
在一些实施例中,所述获取被测目标的基准图像,并以所述基准图像中被测目标为对象创建基准坐标系,包括:
获取被测目标的图像作为基准图像;
以所述基准图像中被测目标为对象,通过预设坐标系创建方法创建基准坐标系;所述预设坐标系创建方法包括直线拟合或模板匹配。
在一些实施例中,所述对于所述待测图像中的非目标检测区域进行填充,得到填充后的待测图像,包括:
根据所述待测图像中缺陷灰度特点,确定所述待测图像中非目标检测区域的填充方式;所述填充方式包括灰度镜像填充和/或固定灰度值填充;
根据所述填充方式,对所述待测图像中的非目标检测区域进行填充,得到填充后的待测图像。
在一些实施例中,所述计算所述填充后的待测图像的均值图像和方差图像,包括:
根据目标缺陷的尺寸,设定邻域窗口大小;
通过所述邻域窗口大小,对填充后的待测图像进行均值图像和方差图像的计算。
在一些实施例中,所述从所述高阈值差值图像中提取高阈值连通域集合,从所述低阈值差值图像中提取低阈值连通域集合,包括:
提取高阈值差值图像中灰度值小于0的连通域,得到高阈值连通域集合;
提取低阈值差值图像中灰度值小于0的连通域,得到低阈值连通域集合。
在一些实施例中,所述针对所述低阈值连通域集合,筛选出与所述高阈值连通域集合中的高阈值连通域有交集的低阈值连通域,得到缺陷连通域集合,包括:
查找所述高阈值连通域集合与所述低阈值连通域集合的交集区域;
将包含所述交集区域的所有低阈值连通域作为缺陷连通域集合。
在一些实施例中,所述针对所述低阈值连通域集合,筛选出与所述高阈值连通域集合中的高阈值连通域有交集的低阈值连通域,得到缺陷连通域集合,包括:
依次遍历低阈值连通域集合中的每一个低阈值连通域,判断该低阈值连通域与高阈值连通域集合中的高阈值连通域是否存在交集;
若该低阈值连通域与高阈值连通域集合中的高阈值连通域存在交集,则将该低阈值连通域确认为缺陷连通域;
若该低阈值连通域与高阈值连通域集合中的高阈值连通域不存在交集,则将该低阈值连通域从低阈值连通域集合中剔除;
当完成所有低阈值连通域的判断分析后,将完成剔除操作的低阈值连通域集合作为缺陷连通域集合。
在一些实施例中,在所述计算所述填充后的待测图像的均值图像和方差图像之前,还包括:
确定所述目标检测区域内缺陷的缺陷类型;
若所述目标检测区域内缺陷的缺陷类型为暗缺陷,则继续进行检测计算。
在一些实施例中,还包括:
若所述目标检测区域内缺陷的缺陷类型为亮缺陷,则对所述填充后的待测图像进行灰度取反。
第二方面,本申请实施例提供了一种缺陷融合方法,该方法包括:
基于待测目标图像提取缺陷连通域集合;
从所述缺陷连通域集合中提取线性连通域,并将剩下的缺陷连通域标记为点状连通域;
从所有线性连通域中任意选取两个线性连通域作为线性连通域对,并计算每个线性连通域对中两个线性连通域的中轴线之间的第一角度和第一距离;所述第一距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个类型;
根据各线性连通域对所对应的第一角度和第一距离对每个线性连通域对进行聚类,得到该线性连通域对所对应的线性连通域集合;
针对每个线性连通域集合,计算该线性连通域集合对应的最小外接矩形,并将距离该最小外接矩形的距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
对所述剩余点状连通域进行聚类,得到密集点缺陷和孤立点缺陷。
在一些实施例中,所述从缺陷连通域集合中提取线性连通域,并将剩下的缺陷连通域标记为点状连通域,包括:
根据缺陷连通域集合中每个缺陷连通域的面积、中心坐标,计算该缺陷连通域的二阶矩;
根据该缺陷连通域的二阶矩,计算该缺陷连通域的线性度;
判断该缺陷连通域的线性度是否达到预设线性度;
若该缺陷连通域的线性度达到预设线性度,则将该缺陷连通域从缺陷连通域集合中提取出来并标记为线性连通域;
当计算完所有缺陷连通域后,将缺陷连通域集合中剩下的缺陷连通域标记为点状连通域。
在一些实施例中,所述缺陷连通域的二阶矩的公式如下:
其中,F为缺陷连通域的面积,(x,y)为缺陷连通域内的任意像素点坐标,(x0,y0)为缺陷连通域中心坐标。
在一些实施例中,所述缺陷连通域的线性度的公式如下:
l=[(m20-m02)2+4*m11*m11]/(m20+m02)2;
其中,l表示缺陷连通域的线性度,m20为垂直方向的中心二阶矩,m02为水平方向的中心二阶距,m11为水平方向与垂直方向的综合中心二阶矩。
在一些实施例中,根据各线性连通域对所对应的第一角度和第一距离对每个线性连通域对进行聚类,得到该线性连通域对所对应的线性连通域集合,包括:
针对每个线性连通域对,计算任意一条其他线性连通域的中轴线与所有该线性连通域对关联的线性连通域中轴线的第二角度和第二距离,并判断是否存在至少一组第二角度和第二距离分别小于或等于该线性连通域对所对应的第一角度和第一距离;所述第二距离包含的距离类型与所述第一距离包含的距离类型相同;
若存在至少一组第二角度和第二距离小于或等于该线性连通域对所对应的第一角度和第一距离,则将该其他线性连通域合并到该线性连通域对所对应的线性连通域集合,并将该其他线性连通域与线性连通域对进行关联。
在一些实施例中,所述对所述剩余点状连通域进行聚类,得到密集点缺陷和孤立点缺陷,包括:
以每个剩余点状连通域为中心生成预设大小的矩形区域,并确认包含剩余点状连通域超过预设个数的矩形区域为密集矩形区域;
将包含有相同剩余点状连通域的密集矩形区域进行合并,将合并后的每个密集矩形区域内的所有剩余点状连通域聚类为一个密集点缺陷,将未包含在密集矩形区域中的剩余点状连通域确定为孤立点缺陷。
第三方面,本申请实施例提供了一种缺陷融合方法,该方法包括:
基于待测目标图像提取缺陷连通域集合;
将缺陷连通域集合中的缺陷连通域根据线性度进行筛选,得到线性连通域和点状连通域;
从线性连通域中选取多组线性连通域,根据每组线性连通域中各线性连通域的中轴线之间的角度和距离进行聚类,得到线性连通域集合;所述每组线性连通域包含两个线性连通域;所述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;
针对每个线性连通域集合,计算该线性连通域集合的第一最小外接矩形,并将与该第一最小外接矩形边缘之间距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
根据每个剩余点状连通域中心点的坐标,创建包含所有剩余点状连通域中心点的第二最小外接矩形,并根据该第二最小外接矩形的长度和预设大小的搜索窗口的宽度,生成一个密集点搜索区域;
以包含搜索窗口的密集点搜索区域,对所述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷。
在一些实施例中,所述以包含搜索窗口的密集点搜索区域,对所述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷,包括:
将所述密集点搜索区域设置于所述第二最小外接矩形内部的上端,以所述搜索窗口对所述密集点搜索区域从左至右进行扫描,得到密集点搜索区域当前位置的密集点区域;
根据所述密集点搜索区域当前位置内包含的密集点区域数量,确定所述密集点搜索区域的移动距离并进行移动;
当完成所述第二最小外接矩形的扫描,分别将扫描到的每个密集点区域内的剩余点状连通域确定为一个密集点缺陷,并将未在密集点区域内的剩余点状连通域确定为孤立点缺陷。
在一些实施例中,所述根据所述密集点搜索区域当前位置内包含的密集点区域数量,确定所述密集点搜索区域的移动距离并进行移动,包括:
若所述密集点搜索区域当前位置包含有至少一个密集点区域,则向下移动所述密集点搜索区域至第一目标位置,并以所述搜索窗口对所述密集点搜索区域从左至右进行扫描;所述第一目标位置为该密集点搜索区域的上边缘移动至该密集点搜索区域当前位置下方最近的一个剩余点状连通域中心点处。
在一些实施例中,所述根据所述密集点搜索区域当前位置内包含的密集点区域数量,确定所述密集点搜索区域的移动距离并进行移动,包括:
若所述密集点搜索区域当前位置未包含密集点区域,则向下移动所述密集点搜索区域至第二目标位置,并以所述搜索窗口对所述密集点搜索区域从左至右进行扫描;所述第二目标位置为该密集点搜索区域的上边缘移动至该上边缘当前位置下方最近的一个剩余点状连通域中心点处。
在一些实施例中,所述将所述密集点搜索区域设置于所述第二最小外接矩形内部的上端,以所述搜索窗口对所述密集点搜索区域从左至右进行扫描,得到密集点搜索区域当前位置的密集点区域,包括:
将所述搜索窗口移动至该搜索窗口的左边缘位于所述密集点搜索区域内的从左至右第一个剩余点状连通域中心点处,并判断所述搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量;
基于所述判断结果,确定所述搜索窗口的当前位置是否被作为密集点区域;
当完成所述密集点搜索区域的当前位置的扫描,将所有扫描得到的密集点区域作为该密集点搜索区域当前位置的密集点区域。
在一些实施例中,基于所述判断结果,确定所述搜索窗口的当前位置是否被作为密集点区域的步骤,包括:
若所述搜索窗口内包含的剩余点状连通域中心点的数量超过预设数量,则将所述搜索窗口当前位置确定为一个密集点区域;
向右移动所述搜索窗口至第三目标位置,进行当前位置的搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量的判断;所述第三目标位置为该搜索窗口的左边缘移动至该搜索窗口当前位置右侧最近的一个剩余点状连通域中心点处。
在一些实施例中,基于所述判断结果,确定所述搜索窗口的当前位置是否被作为密集点区域的步骤,包括:
若所述搜索窗口内包含的剩余点状连通域中心点的数量未超过预设数量,则向右移动所述搜索窗口至第四目标位置,进行当前位置的搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量的判断;所述第四目标位置为该搜索窗口的左边缘移动至该左边缘当前位置右侧最近的一个剩余点状连通域中心点处。第四方面,本申请实施例提供了一种自适应缺陷检测装置,包括:
获取模块,用于获取被测目标的基准图像,并以所述基准图像中被测目标为对象创建基准坐标系;
提取模块,用于针对所述基准图像中的被测目标设定感兴趣区域,并根据所述感兴趣区域提取目标检测区域;所述感兴趣区域与所述基准坐标系关联;
裁剪模块,用于获取所述目标检测区域的正外接矩形,并基于该正外接矩形外扩预设距离进行图像裁剪,得到待测图像;
填充模块,用于对于所述待测图像中的非目标检测区域进行填充,得到填充后的待测图像;
第一计算模块,用于计算所述填充后的待测图像的均值图像和方差图像;
第二计算模块,用于根据所述均值图像和方差图像以及预先设定的高阈值尺度系数、低阈值尺度系数、最小基准偏差和最大灰度方差,计算得到高阈值图像和低阈值图像;
第三计算模块,用于根据所述填充后的待测图像、高阈值图像和低阈值图像,计算高阈值差值图像和低阈差值图像,并从高阈值差值图像中提取高阈值连通域集合,从低阈值差值图像中提取低阈值连通域集合;所述高阈值差值图像是所述填充后的待测图像与高阈值图像做差值得到的,所述低阈值差值图像是所述填充后的待测图像与低阈值图像做差值得到的;
筛选模块,用于针对低阈值连通域集合,筛选出与所述高阈值连通域集合中的高阈值连通域有交集的低阈值连通域,得到缺陷连通域集合。
第五方面,本申请实施例提供了一种缺陷融合装置,包括:
标记模块,用于从缺陷连通域集合中提取线性连通域,并将剩下的缺陷连通域标记为点状连通域,其中,所述缺陷连通域集合是基于待测目标图像提取的;
计算模块,用于从所有线性连通域中任意选取两个线性连通域作为线性连通域对,并计算每个线性连通域对中两个线性连通域的中轴线之间的第一角度和第一距离;所述第一距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;
聚类模块,用于针对每个线性连通域对,根据该线性连通域对所对应的第一角度和第一距离进行聚类,得到该线性连通域对所对应的线性连通域集合;
线性缺陷模块,用于针对每个线性连通域集合,计算线性连通域集合对应的最小外接矩形,并将距离该最小外接矩形的距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
点状缺陷模块,用于对所述剩余点状连通域进行聚类,得到密集点缺陷和孤立点缺陷。
第六方面,本申请实施例提供了一种缺陷融合装置,包括:
分类模块,用于将缺陷连通域集合中的的缺陷连通域根据线性度进行筛选,得到线性连通域和点状连通域,其中,所述缺陷连通域集合是基于待测目标图像提取的;
线聚类模块,用于从线性连通域中选取多组线性连通域,根据每组线性连通域中各线性连通域的中轴线之间的角度和距离进行聚类,得到线性连通域集合;所述每组线性连通域包含两个线性连通域;所述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;
合并模块,用于针对每个线性连通域集合,计算该线性连通域集合的第一最小外接矩形,并将与该第一最小外接矩形边缘之间距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
创建模块,用于根据每个剩余点状连通域中心点的坐标,创建包含所有剩余点状连通域中心点的第二最小外接矩形,并根据该第二最小外接矩形的长度和预设大小的搜索窗口的宽度,生成一个密集点搜索区域;
扫描模块,用于以包含搜索窗口的密集点搜索区域,对所述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷。
第七方面,本申请实施例提供了一种识别***,包括相机、图像处理装置以及检测识别装置,所述检测识别装置用于实现上述第一方面或第二方面或第三方面中任一项所述的方法的步骤。
第八方面,本申请实施例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上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面或第二方面或第三方面中任一项所述的方法的步骤。
本申请实施例提出的一种自适应缺陷检测方法,通过基于感兴趣区域从被测目标的基准图像中提取目标检测区域,并从目标检测区域外预设距离处裁剪基准图像,以完整得到目标检测区域,并对非目标检测区域进行填充,并计算填充后的待测图像的均值图像和方差图像,并通过高阈值尺度系数、低阈值尺度系数、最小基准偏差和最大灰度方差计算得到高阈值图像和低阈值图像,然后通过高阈值图像和低阈值图像分别与填充后的待测图像做差值图像,得到高阈值连通域和低阈值连通域,最后对低阈值连通域中与高阈值连通域存在交集的部分进行筛选,得到缺陷连通域集合。本申请实施例所提出的一种自适应缺陷检测方法,通过结合高低灵敏度尺度系数以及局部均值和方差的形式,实现了对光照不均图像的异常缺陷图像分割,该分割策略对于局部对比度只有几个灰度差的异常缺陷也可以实现准确检测,有效克服了亮度不均造成的图像分割困难的问题,提高了基于图像分割的异常缺陷检测的准确度。并且,为了对缺陷进行更高精度的筛选和等级认定,对缺陷进行了融合聚类,将缺陷融合为线性缺陷、密集点缺陷、孤立点缺陷,对于后续产品质量判定具有极大的价值。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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为本申请实施例提供的一种自适应缺陷检测方法的流程示意图;
图2为本申请实施例提供的目标检测区域的示意图;
图3为本申请实施例提供的一种缺陷融合方法的流程示意图;
图4为本申请实施例提供的线性连通域中轴线的示意图;
图5为本申请实施例提供的中轴线间距离的示意图
图6为本申请实施例提供的又一种缺陷融合方法的流程示意图;
图7为本申请实施例提供的聚类扫描中密集点搜索区域的示意图;
图8为本申请实施例提供的一种自适应缺陷检测装置的示意图;
图9为本申请实施例提供的一种缺陷融合装置的示意图;
图10为本申请实施例提供的又一种缺陷融合装置的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种自适应缺陷检测方法的流程示意图。本申请实施例提供了一种自适应缺陷检测方法,如图1所示,包括以下步骤:
步骤S101、获取被测目标的基准图像,并以上述基准图像中被测目标为对象创建基准坐标系;
步骤S102、针对上述基准图像中的被测目标设定感兴趣区域,并根据上述感兴趣区域提取目标检测区域;上述感兴趣区域与上述基准坐标系关联;
步骤S103、获取上述目标检测区域的正外接矩形,并基于该正外接矩形外扩预设距离进行图像裁剪,得到待测图像;
步骤S104、对于上述待测图像中的非目标检测区域进行填充,得到填充后的待测图像;
步骤S105、计算上述填充后的待测图像的均值图像和方差图像;
步骤S106、根据上述均值图像和方差图像以及预先设定的高阈值尺度系数、低阈值尺度系数、最小基准偏差和最大灰度方差,计算得到高阈值图像和低阈值图像;
步骤S107、根据上述填充后的待测图像、高阈值图像和低阈值图像,计算高阈值差值图像和低阈差值图像,并从高阈值差值图像中提取高阈值连通域集合,从低阈值差值图像中提取低阈值连通域集合;上述高阈值差值图像是上述填充后的待测图像与高阈值图像做差值得到的,上述低阈值差值图像是上述填充后的待测图像与低阈值图像做差值得到的;
步骤S108、针对低阈值连通域集合,筛选出与上述高阈值连通域集合中的高阈值连通域有交集的低阈值连通域,得到缺陷连通域集合。具体地,获取被测目标的基准图像,然后以目标物体为对象创建基准坐标系,该坐标系描述了目标物体在基准图像中的位置和方向,用于进行后续的图像处理中的定位和计算。
对于被测目标的目标检测区域,需要先设定感兴趣区域,感兴趣区域将被测目标的目标检测区域全部包含在内,然后再通过二值化方法进行目标检测区域的提取。该感兴趣区域是与基准坐标系相关联的,当基准坐标系发生位姿的变化,该感兴趣区域同步进行变化。
图2是本申请实施例提供的目标检测区域的示意图。本实施例中,拟对手机玻璃盖板视窗区域中的缺陷进行检测,为了获取该区域,我们首先生成图3中的手机玻璃盖板外的四边形作为感兴趣区域ROI,同时采用二值化方法提取了视窗区域,如图3中手机玻璃盖板边缘上的十字线所围成的区域。
为了减少缺陷检测的计算量,应当尽量减少与目标检测区域无关的图像,但同时也要保证目标检测区域的完整性。因此,本申请实施例先计算出目标检测区域的正外接矩形,然后再向外扩大预设距离,得到新的矩形,以该新的矩形对基准图像进行裁剪,得到待测图像。对于待测图像中的非目标检测区域通过填充的方式去除图像中亮度不均所产生的干扰,得到填充后的待测图像。
本申请实施例所用到的提取异常缺陷的方法是通过基于方差图像、高阈值尺度系数、低阈值尺度系数、最小基准偏差和最大灰度方差对填充后的待测图像的均值图像进行灰度值降低,得到高阈值图像和低阈值图像,再将高阈值图像和低阈值图像和填充后的待测图像分别进行差值图像计算,若差值图像中出现灰度值小于0的连通域,即,填充后的待测图像中比经过灰度值降低后的均值还要小的区域,就可以判定可能存在异常缺陷,再对这些区域进行筛选以确定异常缺陷。具体方法如下:
i)通过邻域窗口大小,对填充后的待测图像进行均值图像和方差图像的计算。邻域窗口大小可以根据目标缺陷的尺寸来确定,一般地,缺陷的尺寸越大,邻域窗口大小就要设定越大,但邻域窗口大小对缺陷的大小并不敏感,但是会影响运算效率,窗口越大,运算效率越低。可以通过根据需要设定符合被测目标的邻域窗口大小,例如对于手机盖板可以设定邻域窗口大小为11。在计算填充后的待测图像的均值图像和方差图像时,为了提升计算效率,可以合理利用积分图像进行计算;
ii)设定高阈值尺度系数khigh、低阈值尺度系数klow、最小基准偏差toffset和待测图像的最大灰度方差σmax,通过以下公式进行高阈值图像Mt high和低阈值图像Mt low的计算:
其中,row为像素行坐标,col为像素列坐标,为高阈值图像位于像素位置(row,col)的灰度阈值,为低阈值图像位于像素位置(row,col)的灰度阈值,μ(row,col)为均值图像位于像素位置(row,col)的灰度值,σ(row,col)为方差图像位于像素位置(row,col)的灰度值。高阈值尺度系数khigh和低阈值系数klow的取值范围为(0,1)。
高阈值尺度系数和低阈值尺度系数的设定会影响异常缺陷的检测精度,两个尺度系数越小,检测精度就越高。示例性的,可设定高阈值尺度系数为0.1,低阈值尺度系数为0.05。最小基准偏差的设定是为了避免在图像平均灰度非常小的情况下导致由于灰度方差接近0而导致的不稳定,可选的,设定最小基准偏差为-2。最大灰度方差σmax对检测效果影响较小,最大可设为128,通常默认设为128;
iii)通过填充后的待测图像与高阈值图像Mt high逐像素作差,得到高阈值差值图像;通过填充后的待测图像与低阈值图像Mt low逐像素作差,得到低阈值差值图像。然后从高阈值差值图像中提取灰度值小于0的连通域,得到高阈值连通域集合,从低阈值图像中提取灰度值小于0的连通域,得到低阈值连通域集合;
iv)查找高阈值连通域集合与低阈值连通域集合的交集,将包含高阈值连通域集合与低阈值连通域集合的交集的低阈值连通域作为缺陷连通域集合。示例性地,从低阈值连通域集合中提取最终符合条件的连通域。计算方法为依次遍历低阈值连通域集合中的每一个连通域,判断该连通域是否和高阈值连通域有交集,如果没有交集,将该连通域从低阈值连通域集合中剔除,完成剔除后,将剩余的低阈值连通域记录为缺陷连通域集合Rfinal={Rfkinal,k=1,2,...,p}。
以上方法是对于较暗缺陷的检测,若要对于较亮缺陷进行检测,只需要在进行以上方法时将填充后的待测图像先灰度取反后再进行后续的检测。
在一些实施例中,上述步骤S101、获取被测目标的基准图像,并以上述基准图像中被测目标为对象创建基准坐标系,包括:
步骤a1、获取被测目标的图像作为基准图像;
步骤a2、以上述基准图像中被测目标为对象,通过预设坐标系创建方法创建基准坐标系;上述预设坐标系创建方法包括直线拟合或模板匹配。
具体地,创建基准坐标系的方法可以是直线拟合、模板匹配或其他方法,可以根据与被测目标的适应性进行选择。这里以被测目标为手机盖板为例,可以采用直线拟合的方法进行基准坐标系的创建,利用手机盖板图像的盖板竖直边缘拟合一条直线,再利用手机盖板图像的盖板上边缘再拟合一条直线,利用这两条直线的交点作为坐标原点,以这两条直线中的任意一条直线作为水平坐标轴或垂直坐标轴来建立基准坐标系。
在一些实施例中,上述步骤S104、对于上述待测图像中的非目标检测区域进行填充,得到填充后的待测图像,包括:
步骤b1、根据上述待测图像中缺陷灰度特点,确定上述待测图像中非目标检测区域的填充方式;上述填充方式包括灰度镜像填充和固定灰度值填充;
步骤b2、根据上述填充方式,对上述待测图像中的非目标检测区域进行填充,得到填充后的待测图像。
具体地,缺陷灰度特点主要有三种情况:邻域总是较暗、邻域总是较亮和邻域灰度不确定。
当缺陷灰度特点为邻域总是较暗时,可采用固定灰度值的方法,对非目标检测区域用比缺陷灰度更低的固定灰度值(如0)进行填充;当缺陷灰度特点为邻域总是较亮时,可采用固定灰度值的方法,对非目标检测区域用比缺陷灰度值更高的固定灰度值(如255)进行填充;当缺陷灰度特点为邻域灰度不确定时,可以采用灰度镜像的方法,将非目标检测区域临近部分的灰度图像进行镜像复制。
图3为本申请实施例提供的一种缺陷融合方法的流程示意图。本申请实施例还提供了一种缺陷融合方法,该方法用于对缺陷检测得到的缺陷连通域集合进行进一步地缺陷分类聚合。其中,所述缺陷连通域集合是基于待测目标图像提取的,基于待测目标图像提取缺陷连通域集合的方式包括但不限于上述自适应缺陷检测方法。如图3所示,该方法包括:
步骤S201、从缺陷连通域集合中提取线性连通域,并将剩下的缺陷连通域标记为点状连通域;
步骤S202、从所有线性连通域中任意选取两个线性连通域作为线性连通域对,并计算每个线性连通域对中两个线性连通域的中轴线之间的第一角度和第一距离;上述第一距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;
步骤S203、针对每个线性连通域对,根据该线性连通域对所对应的第一角度和第一距离进行聚类,得到该线性连通域对所对应的线性连通域集合;
步骤S204、针对每个线性连通域集合,计算线性连通域集合对应的最小外接矩形,并将距离该最小外接矩形的距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
步骤S205、对上述剩余点状连通域进行聚类,得到密集点缺陷和孤立点缺陷。
具体地,为了对缺陷进行更高精度的筛选和等级认定,以便于缺陷检测后对于被测目标的质量分析,在得到被测目标的缺陷连通域集合之后,可以对缺陷连通域集合中的缺陷连通域进行融合聚类。
首先,计算缺陷连通域集合中各连通域的线性度,并将线性度大于线性度阈值的连通域标记为线性连通域,剩下的线性度小于线性度阈值的连通域标记为点状连通域。线性度利用缺陷连通域内所有像素位置的二阶中心距进行计算,其取值范围为(0,1],值越大,说明线性度越好,线性度计算公式如下:
l=[(m20-m02)2+4*m11*m11]/(m20+m02)2;
其中,l表示缺陷连通域的线性度,m20为垂直方向的中心二阶矩,m02为水平方向的中心二阶距,m11为水平方向与垂直方向的综合中心二阶矩,二阶矩的计算公式如下:
其中,F为缺陷连通域的面积,(x,y)为缺陷连通域内的任意像素点坐标,(x0,y0)为缺陷连通域中心坐标。
然后,进行线性连通域的融合聚类,具体步骤如下:
i)任意选定两个线性连通域作为线性连通域对,针对每组线性连通域对中的两个线性连通域分别计算出中轴线,图4是本申请提供的线性连通域中轴线的示意图,如图4所示,两条曲线表示两个线性连通域,两条直虚线分别是两个线性连通域的中轴线。接着,计算两个线性连通域的中轴线之间的第一角度和第一距离。第一角度θ是两条中轴线延长线之间的夹角。示例性的,第一距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离,图5为本申请实施例提供的中轴线间距离的示意图,如图5所示,其中,垂直距离d1是中轴线l1靠近中轴线l2的端点向中轴线l2(或中轴线l2的延长线)画得的垂线的长度;平移距离d2是中轴线l1的靠近中轴线l2的端点向中轴线l2(或中轴线l2的延长线)做垂线得到的垂足到中轴线l2靠近中轴线l1的端点之间的距离;相对距离是中轴线l1的长度与平移距离d2的比值;偏移距离d3是中轴线l1远离中轴线l2的端点向中轴线l2(或中轴线l2的延长线)画得的垂线的长度;直线距离d4是中轴线l1和中轴线l2靠近彼此的端点之间的距离。以上所说的中轴线l1和l2仅为区分两条中轴线,实际在计算第一距离的时候,两条中轴线需要相互做第一距离,选择数值相对较小的一组距离数据作为第一距离。
ii)对于每组线性连通域对进行聚类,将满足第一角度和第一距离的线性连通域合并到一起,得到线性连通域集合。若合并后存在两个线性连通域集合之间存在交集,那么将两个线性连通域集合进行合并;
iii)为每个线性连通域集合计算最小外接矩形,依次计算各点状连通域到各最小外接矩形的距离,若存在与当前点状连通域之间的距离小于预设阈值的最小外接矩形,则将当前点状连通域合并入距离最近的最小外接矩形对应的线性连通域集合;若不存在与当前点状连通域之间的距离小于预设阈值的最小外接矩形,则当前点状连通域确定为剩余点状连通域。
完成以上步骤后,得到多个线性缺陷,以及剩余点状连通域,然后再对剩余点状连通域进行聚类,将分布密集的多个剩余点状连通域合并为密集点缺陷,其他分布分散的剩余点状连通域确定为孤立点缺陷。
在一些实施例中,上述步骤S203、针对每个线性连通域对,根据该线性连通域对所对应的第一角度和第一距离进行聚类,得到该线性连通域对所对应的线性连通域集合,包括:
步骤c1、针对每个线性连通域对,计算任意一条其他线性连通域的中轴线与所有该线性连通域对关联的线性连通域中轴线的第二角度和第二距离,并判断是否存在至少一组第二角度和第二距离分别小于或等于该线性连通域对所对应的第一角度和第一距离;上述第二距离包含的距离种类与上述第一距离相同;
步骤c2、若存在至少一组第二角度和第二距离小于或等于该线性连通域对所对应的第一角度和第一距离,则将该其他线性连通域合并到该线性连通域对所对应的线性连通域集合,并将该其他线性连通域与线性连通域对进行关联。
具体地,在根据线性连通域对所对应的第一角度和第一距离进行聚类时,首先选定任意一条其他线性连通域的中轴线l3,然后分别计算这条中轴线l3与线性连通域对中两条线性连通域中轴线l1和l2的第二角度和第二距离,第二角度与第一角度是同种角度,第二距离所包含的距离种类与第一距离包含的距离种类相同。如果中轴线l3与中轴线l1和l2中任一条的第二角度小于或等于第一角度,且第二距离小于或等于第一距离,则将中轴线l3对应的线性连通域加入该线性连通域对所对应的线性连通域集合中。并且该中轴线l3也参与后续的聚类,即选定的下一条其他线性连通域的中轴线除了要计算与中轴线l1和l2的第二角度和第二距离外,也要计算与中轴线l3的第二角度和第二距离,如此循环直到完成所有其他线性连通域的聚类判断。
在一些实施例中,上述步骤S205、对上述剩余点状连通域进行聚类,得到密集点缺陷和孤立点缺陷,包括:
步骤d1、以每个剩余点状连通域为中心生成预设大小的矩形区域,并确认包含剩余点状连通域超过预设个数的矩形区域为密集矩形区域;
步骤d2、将包含有相同剩余点状连通域的密集矩形区域进行合并,并将合并后的每个密集矩形区域内的所有剩余点状连通域聚类为一个密集点缺陷,将未包含在密集矩形区域中的剩余点状连通域确定为孤立点缺陷。
具体地,对于剩余点状连通域进行聚类时,要先定义密集点规则,即在以一个剩余点状连通域为中心的创建的预设大小的矩形区域中若包含的剩余点状连通域超过预设个数,则判定该矩形区域为密集矩形区域。预设大小和预设个数需要根据产品的缺陷分类准则进行设定,例如,对于手机盖板可以设定预设大小为100×100,预设个数为5。
然后,以每一个剩余点状连通域为中心创建预设大小的矩形区域,并统计各矩形区域内的剩余点状连通域个数,将个数超过预设个数的矩形区域标记为密集矩形区域。
接着,检查密集矩形区域之间是否存在有相同的剩余点状连通域,即是否有交集,若存在,则将两个密集矩形区域合并为一个密集矩形区域,直到所有密集矩形区域都是各自独立的,将每个独立的密集矩形区域内的剩余点状连通域进行聚类,作为一个密集点缺陷。剩下的未进行密集点聚类的剩余点状连通域为孤立点缺陷。
图6为本申请实施例提供的又一种缺陷融合方法的流程示意图。本申请实施例还提供了一种缺陷融合方法,该方法用于对缺陷检测得到的缺陷连通域集合进行进一步地缺陷分类聚合。其中,所述缺陷连通域集合是基于待测目标图像提取的,基于待测目标图像提取缺陷连通域集合的方式包括但不限于上述自适应缺陷检测方法。如图6所示,该方法包括:
步骤S301、将缺陷连通域集合中的缺陷连通域根据线性度进行筛选,得到线性连通域和点状连通域;
步骤S302、从线性连通域中选取多组线性连通域,根据每组线性连通域中各线性连通域的中轴线之间的角度和距离进行聚类,得到线性连通域集合;上述每组线性连通域包含两个线性连通域;上述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;优选地,上述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离。
步骤S303、针对每个线性连通域集合,计算该线性连通域集合的第一最小外接矩形,并将与该第一最小外接矩形边缘之间距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
步骤S304、根据每个剩余点状连通域中心点的坐标,创建包含所有剩余点状连通域中心点的第二最小外接矩形,并根据该第二最小外接矩形的长度和预设大小的搜索窗口的宽度,生成一个密集点搜索区域;
步骤S305、以包含搜索窗口的密集点搜索区域,对上述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷。
具体地,根据线性度对缺陷连通域集合中的缺陷连通域进行筛选,将线性度达到线性度阈值的缺陷连通域确定为线性连通域,将线性度未达到线性度阈值的缺陷连通域确定为点状连通域。
通过多次任意选取两个线性连通域,得到多组线性连通域,对于每组线性连通域中两个线性连通域的中轴线进行角度和距离的计算,并根据角度和距离进行每组线性连通域的聚类,得到线性连通域集合。为每个线性连通域集合画出最小外接矩形,即第一最小外接矩形,将距离该第一最小外接矩形边缘小于预设阈值的点状连通域合并到该线性连通域集合,将完成点状连通域合并后的线性连通域集合确定为线性缺陷。
然后对剩余点状连通域进行密集聚合,剩余点状连通域的密集聚合首先需要以每个剩余点状连通域中心点的坐标,确定出包含所有剩余点状连通域中心点的最小外接矩形,即第二最小外接矩形。接着在第二最小外接矩形中创建一个长为第二最小外接矩形的长度、宽为预设大小的搜索窗口的宽度的密集点搜索区域,在该密集点搜索区域内存在一个左右滑动的预设大小的搜索窗口。通过在第二最小外接矩形内上下移动密集点搜索区域和在密集点搜索区域内左右移动搜索窗口进行聚合扫描,找到密集点缺陷,未聚合到密集点缺陷中的剩余点状连通域作为孤立点缺陷。
在一些实施例中,上述步骤S305、以包含搜索窗口的密集点搜索区域,对上述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷,包括:
步骤e1、将上述密集点搜索区域设置于上述第二最小外接矩形内部的上端,以上述搜索窗口对上述密集点搜索区域从左至右进行扫描,得到密集点搜索区域当前位置的密集点区域;
步骤e2、若上述密集点搜索区域当前位置包含有至少一个密集点区域,则向下移动上述密集点搜索区域至第一目标位置,并以上述搜索窗口对上述密集点搜索区域从左至右进行扫描;上述第一目标位置为该密集点搜索区域的上边缘移动至该密集点搜索区域当前位置下方最近的一个剩余点状连通域中心点处;
步骤e3、若上述密集点搜索区域当前位置未包含密集点区域,则向下移动上述密集点搜索区域至第二目标位置,并以上述搜索窗口对上述密集点搜索区域从左至右进行扫描;上述第二目标位置为该密集点搜索区域的上边缘移动至该上边缘当前位置下方最近的一个剩余点状连通域中心点处;
步骤e4、当完成上述第二最小外接矩形的扫描,分别将扫描到的每个密集点区域内的剩余点状连通域确定为一个密集点缺陷,并将未在密集点区域内的剩余点状连通域确定为孤立点缺陷。
图7是本申请实施例提供的聚类扫描中密集点搜索区域的示意图。具体地,在第二最小外接矩形内,密集点搜索区域从上至下进行滑动以进行聚类扫描,密集点搜索区域的滑动规则如下:
i)密集点搜索区域的初始位置为密集点搜索区域的上边缘与第二最小外接矩形的上边缘重合;
ii)密集点搜索区域每一次移动后,内部的搜索窗口都要从左至右进行一遍扫描;
iii)在密集点搜索区域的当前位置上,当搜索窗口完成从左至右的扫描后,根据在整个过程中是否扫描到密集点区域,如图7左所示,如果扫描到至少一个密集点区域,则将密集点搜索区域(图7左①)下移,使移动后的密集点搜索区域的上边缘位于移动前密集点搜索区域下方最近的剩余点状连通域中心点的位置(图7左②);如图7右所示,如果未扫描到密集点区域,则将密集点搜索区域(图7右③)下移,使密集点搜索区域的上边缘下移到上边缘当前位置下方最近的剩余点状连通域中心点的位置(图7右④)。
如上述滑动规则进行密集点搜索区域的移动,直到整个第二最小外接矩形扫描结束,如果找到多个密集点区域,则将这些密集点区域内的剩余点状连通域提取,对每个密集点区域内的剩余点状连通域聚类到一起,确定为一个密集点状连通域,再重新进行一遍扫描,直到扫描完整的第二最小外接矩形后没有新的密集点区域为止。扫描停止后,仍在第二最小外接矩形内的剩余点状连通域,确定为孤立点状连通域。
在一些实施例中,上述步骤e1、将上述密集点搜索区域设置于上述第二最小外接矩形内部的上端,以上述搜索窗口对上述密集点搜索区域从左至右进行扫描,得到密集点搜索区域当前位置的密集点区域,包括:
步骤f1、将上述搜索窗口移动至该搜索窗口的左边缘位于上述密集点搜索区域内的从左至右第一个剩余点状连通域中心点处,并判断上述搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量;
步骤f2、若上述搜索窗口内包含的剩余点状连通域中心点的数量超过预设数量,则将上述搜索窗口当前位置确定为一个密集点区域,并向右移动上述搜索窗口至第三目标位置,进行当前位置的搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量的判断;上述第三位置为该搜索窗口的左边缘移动至该搜索窗口当前位置右侧最近的一个剩余点状连通域中心点处;
步骤f3、若上述搜索窗口内包含的剩余点状连通域中心点的数量未超过预设数量,则向右移动上述搜索窗口至第四目标位置,进行当前位置的搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量的判断;上述第四目标位置为该搜索窗口的左边缘移动至该左边缘当前位置右侧最近的一个剩余点状连通域中心点处;
步骤f4、当完成上述密集点搜索区域当前位置的扫描,将所有扫描得到的密集点区域作为该密集点搜索区域当前位置的密集点区域。
具体地,在密集点搜索区域设置或移动后,需要通过搜索窗口在密集点搜索区域内从左至右滑动来进行密集点搜索区域的密集点区域扫描,密集点区域的判定条件是搜索窗口中剩余点状连通域中心点的数量超过预设数量,则判定当前搜索窗口所包含的区域为一个密集点区域。搜索窗口在密集点搜索区域内的滑动规则如下:
i)在密集点搜索区域设置或移动后,搜索窗口初始扫描位置为搜索窗口的左边缘与密集点搜索区域当前位置内位置最左的剩余点状连通域中心点重合;
ii)搜索窗口从左至右滑动,滑动步长的计算受当前位置是否判定为密集点区域影响:若搜索窗口当前位置判定为密集点区域,搜索窗口的滑动步长为搜索窗口当前位置右边缘右侧距离最近的剩余点状连通域中心点到搜索窗口左边缘的距离;若搜索窗口当前位置未判定为密集点区域,搜索窗口的滑动步长为搜索窗口当前位置左边缘右侧距离最近的剩余点状连通域中心点到搜索窗口左边缘的距离。
如上述滑动规则进行搜索窗口的滑动,直到搜索窗口滑动至密集点搜索区域内的最右端,密集点搜索区域当前位置的扫描结束,移动密集点搜索区域,搜索窗口位置重置到密集点搜索区域最左端进行依据上述滑动规则的扫描。
图8为本申请实施例提供的一种自适应缺陷检测装置的示意图。本申请实施例提供了一种自适应缺陷检测装置,如图8所示,包括:
获取模块40,用于获取被测目标的基准图像,并以上述基准图像中被测目标为对象创建基准坐标系;
提取模块41,用于针对上述基准图像中的被测目标设定感兴趣区域,并根据上述感兴趣区域提取目标检测区域;上述感兴趣区域与上述基准坐标系关联;
裁剪模块42,用于获取上述目标检测区域的正外接矩形,并基于该正外接矩形外扩预设距离进行图像裁剪,得到待测图像;
填充模块43,用于对于上述待测图像中的非目标检测区域进行填充,得到填充后的待测图像;
第一计算模块44,用于计算上述填充后的待测图像的均值图像和方差图像;
第二计算模块45,用于根据上述均值图像和方差图像以及预先设定的高阈值尺度系数、低阈值尺度系数、最小基准偏差和最大灰度方差,计算得到高阈值图像和低阈值图像;
第三计算模块46,用于根据上述填充后的待测图像、高阈值图像和低阈值图像,计算高阈值差值图像和低阈差值图像,并从高阈值差值图像中提取高阈值连通域集合,从低阈值差值图像中提取低阈值连通域集合;上述高阈值差值图像是上述填充后的待测图像与高阈值图像做差值得到的,上述低阈值差值图像是上述填充后的待测图像与低阈值图像做差值得到的;
筛选模块47,用于针对低阈值连通域集合,筛选出与上述高阈值连通域集合中的高阈值连通域有交集的低阈值连通域,得到缺陷连通域集合。
图9为本申请实施例提供的一种缺陷融合装置的示意图。本申请实施例提供了一种缺陷融合装置,该装置可应用于上述一种自适应缺陷检测装置,以对缺陷检测得到的缺陷连通域集合进行进一步地缺陷分类聚合,如图9所示,包括:
标记模块50,用于从缺陷连通域集合中提取线性连通域,并将剩下的缺陷连通域标记为点状连通域;
计算模块51,用于从所有线性连通域中任意选取两个线性连通域作为线性连通域对,并计算每个线性连通域对中两个线性连通域的中轴线之间的第一角度和第一距离;上述第一距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;优选地,上述第一距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离;
聚类模块52,用于针对每个线性连通域对,根据该线性连通域对所对应的第一角度和第一距离进行聚类,得到该线性连通域对所对应的线性连通域集合;
线性缺陷模块53,用于针对每个线性连通域集合,计算线性连通域集合对应的最小外接矩形,并将距离该最小外接矩形的距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
点状缺陷模块54,用于对上述剩余点状连通域进行聚类,得到密集点缺陷和孤立点缺陷。
图10为本申请实施例提供的又一种缺陷融合装置的示意图。本申请实施例提供了一种缺陷融合装置,该装置可应用于上述一种自适应缺陷检测装置,以对缺陷检测得到的缺陷连通域集合进行进一步地缺陷分类聚合,如图10所示,包括:
分类模块60,用于将缺陷连通域集合中的缺陷连通域根据线性度进行筛选,得到线性连通域和点状连通域;
线聚类模块61,用于从线性连通域中选取多组线性连通域,根据每组线性连通域中各线性连通域的中轴线之间的角度和距离进行聚类,得到线性连通域集合;上述每组线性连通域包含两个线性连通域;上述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;优选地,上述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离;
合并模块62,用于针对每个线性连通域集合,计算该线性连通域集合的第一最小外接矩形,并将与该第一最小外接矩形边缘之间距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
创建模块63,用于根据每个剩余点状连通域中心点的坐标,创建包含所有剩余点状连通域中心点的第二最小外接矩形,并根据该第二最小外接矩形的长度和预设大小的搜索窗口的宽度,生成一个密集点搜索区域;
扫描模块64,用于以包含搜索窗口的密集点搜索区域,对上述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷。
对应于图1中的一种自适应缺陷检测方法、图3中的一种缺陷融合方法和图6中的一种缺陷融合方法,本申请实施例还提供了一种识别***,包括相机、图像处理装置以及检测识别装置,上述检测识别装置用于实现上述一种自适应缺陷检测方法和两种缺陷融合方法,解决了现有技术中如何对亮度不均图像的异常缺陷进行图像分割的问题。
对应于图1中的一种自适应缺陷检测方法、图3中的一种自适应缺陷融合方法和图6中的一种缺陷融合方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述一种自适应缺陷检测方法和两种缺陷融合方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述一种自适应缺陷检测方法和两种缺陷融合方法,解决了现有技术中如何对亮度不均图像的异常缺陷进行图像分割的问题,本申请实施例所提出的一种缺陷检测方法,通过结合高低灵敏度尺度系数以及局部均值和方差的形式,实现了对光照不均图像的异常缺陷图像分割,该分割策略对于局部对比度只有几个灰度差的异常缺陷也可以实现准确检测,有效克服了亮度不均造成的图像分割困难的问题,提高了基于图像分割的异常缺陷检测的准确度,且对缺陷进行聚类融合,以便于进行更高精度的筛选和等级认定。
在本申请所提供的实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种基于线性度的连通域聚类融合方法,其特征在于,该方法包括:
基于待测目标图像提取缺陷连通域集合;
将缺陷连通域集合中的缺陷连通域根据线性度进行筛选,得到线性连通域和点状连通域;
从线性连通域中选取多组线性连通域,根据每组线性连通域中各线性连通域的中轴线之间的角度和距离进行聚类,得到线性连通域集合;所述每组线性连通域包含两个线性连通域;所述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;
针对每个线性连通域集合,计算该线性连通域集合的第一最小外接矩形,并将与该第一最小外接矩形边缘之间距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
根据每个剩余点状连通域中心点的坐标,创建包含所有剩余点状连通域中心点的第二最小外接矩形,并根据该第二最小外接矩形的长度和预设大小的搜索窗口的宽度,生成一个密集点搜索区域;
以包含搜索窗口的密集点搜索区域,对所述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷。
2.如权利要求1所述的方法,其特征在于,所述以包含搜索窗口的密集点搜索区域,对所述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷,包括:
将所述密集点搜索区域设置于所述第二最小外接矩形内部的上端,以所述搜索窗口对所述密集点搜索区域从左至右进行扫描,得到密集点搜索区域当前位置的密集点区域;
根据所述密集点搜索区域当前位置内包含的密集点区域数量,确定所述密集点搜索区域的移动距离并进行移动;
当完成所述第二最小外接矩形的扫描,分别将扫描到的每个密集点区域内的剩余点状连通域确定为一个密集点缺陷,并将未在密集点区域内的剩余点状连通域确定为孤立点缺陷。
3.如权利要求2所述的方法,其特征在于,所述根据所述密集点搜索区域当前位置内包含的密集点区域数量,确定所述密集点搜索区域的移动距离并进行移动,包括:
若所述密集点搜索区域当前位置包含有至少一个密集点区域,则向下移动所述密集点搜索区域至第一目标位置,并以所述搜索窗口对所述密集点搜索区域从左至右进行扫描;所述第一目标位置为该密集点搜索区域的上边缘移动至该密集点搜索区域当前位置下方最近的一个剩余点状连通域中心点处。
4.如权利要求2或3所述的方法,其特征在于,所述根据所述密集点搜索区域当前位置内包含的密集点区域数量,确定所述密集点搜索区域的移动距离并进行移动,包括:
若所述密集点搜索区域当前位置未包含密集点区域,则向下移动所述密集点搜索区域至第二目标位置,并以所述搜索窗口对所述密集点搜索区域从左至右进行扫描;所述第二目标位置为该密集点搜索区域的上边缘移动至该上边缘当前位置下方最近的一个剩余点状连通域中心点处。
5.如权利要求2所述的方法,其特征在于,所述将所述密集点搜索区域设置于所述第二最小外接矩形内部的上端,以所述搜索窗口对所述密集点搜索区域从左至右进行扫描,得到密集点搜索区域当前位置的密集点区域,包括:
将所述搜索窗口移动至该搜索窗口的左边缘位于所述密集点搜索区域内的从左至右第一个剩余点状连通域中心点处,并判断所述搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量;
基于所述判断结果,确定所述搜索窗口的当前位置是否被作为密集点区域;
当完成所述密集点搜索区域的当前位置的扫描,将所有扫描得到的密集点区域作为该密集点搜索区域当前位置的密集点区域。
6.如权利要求5所述的方法,其特征在于,基于所述判断结果,确定所述搜索窗口的当前位置是否被作为密集点区域的步骤,包括:
若所述搜索窗口内包含的剩余点状连通域中心点的数量超过预设数量,则将所述搜索窗口当前位置确定为一个密集点区域;
向右移动所述搜索窗口至第三目标位置,进行当前位置的搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量的判断;所述第三目标位置为该搜索窗口的左边缘移动至该搜索窗口当前位置右侧最近的一个剩余点状连通域中心点处。
7.如权利要求5或6所述的方法,其特征在于,基于所述判断结果,确定所述搜索窗口的当前位置是否被作为密集点区域的步骤,包括:若所述搜索窗口内包含的剩余点状连通域中心点的数量未超过预设数量,则向右移动所述搜索窗口至第四目标位置,进行当前位置的搜索窗口内包含的剩余点状连通域中心点的数量是否超过预设数量的判断;所述第四目标位置为该搜索窗口的左边缘移动至该左边缘当前位置右侧最近的一个剩余点状连通域中心点处。
8.一种基于线性度的连通域聚类融合装置,其特征在于,包括:
分类模块,用于将缺陷连通域集合中的缺陷连通域根据线性度进行筛选,得到线性连通域和点状连通域,其中,所述缺陷连通域集合是基于待测目标图像提取的;
线聚类模块,用于从线性连通域中选取多组线性连通域,根据每组线性连通域中各线性连通域的中轴线之间的角度和距离进行聚类,得到线性连通域集合;所述每组线性连通域包含两个线性连通域;所述距离包括垂直距离、平移距离、相对距离、偏移距离和直线距离中的至少一个;
合并模块,用于针对每个线性连通域集合,计算该线性连通域集合的第一最小外接矩形,并将与该第一最小外接矩形边缘之间距离小于预设阈值的点状连通域合并到该线性连通域集合中,得到线性缺陷和剩余点状连通域;
创建模块,用于根据每个剩余点状连通域中心点的坐标,创建包含所有剩余点状连通域中心点的第二最小外接矩形,并根据该第二最小外接矩形的长度和预设大小的搜索窗口的宽度,生成一个密集点搜索区域;
扫描模块,用于以包含搜索窗口的密集点搜索区域,对所述第二最小外接矩形进行扫描,得到密集点缺陷和孤立点缺陷。
9.如权利要求8所述的装置,其特征在于,所述扫描模块进一步用于:
将所述密集点搜索区域设置于所述第二最小外接矩形内部的上端,以所述搜索窗口对所述密集点搜索区域从左至右进行扫描,得到密集点搜索区域当前位置的密集点区域;
根据所述密集点搜索区域当前位置内包含的密集点区域数量,确定所述密集点搜索区域的移动距离并进行移动;
当完成所述第二最小外接矩形的扫描,分别将扫描到的每个密集点区域内的剩余点状连通域确定为一个密集点缺陷,并将未在密集点区域内的剩余点状连通域确定为孤立点缺陷。
10.如权利要求9所述的装置,其特征在于,所述扫描模块中根据所述密集点搜索区域当前位置内包含的密集点区域数量,确定所述密集点搜索区域的移动距离并进行移动,进一步包括:
若所述密集点搜索区域当前位置包含有至少一个密集点区域,则向下移动所述密集点搜索区域至第一目标位置,并以所述搜索窗口对所述密集点搜索区域从左至右进行扫描;所述第一目标位置为该密集点搜索区域的上边缘移动至该密集点搜索区域当前位置下方最近的一个剩余点状连通域中心点处。
11.一种识别***,包括相机、图像处理装置以及检测识别装置,其特征在于,所述检测识别装置用于实现上述权利要求1-7中任一项所述的方法的步骤。
12.一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计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111488020.4A CN114581742B (zh) | 2021-10-26 | 2021-10-26 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111488020.4A CN114581742B (zh) | 2021-10-26 | 2021-10-26 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
CN202111243916.6A CN113688807B (zh) | 2021-10-26 | 2021-10-26 | 一种自适应缺陷检测方法、装置、识别***及存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111243916.6A Division CN113688807B (zh) | 2021-10-26 | 2021-10-26 | 一种自适应缺陷检测方法、装置、识别***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581742A true CN114581742A (zh) | 2022-06-03 |
CN114581742B CN114581742B (zh) | 2023-01-24 |
Family
ID=78588022
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111488020.4A Active CN114581742B (zh) | 2021-10-26 | 2021-10-26 | 基于线性度的连通域聚类融合方法、装置、***及介质 |
CN202111458170.0A Active CN114140679B (zh) | 2021-10-26 | 2021-10-26 | 一种缺陷融合方法、装置、识别***及存储介质 |
CN202111243916.6A Active CN113688807B (zh) | 2021-10-26 | 2021-10-26 | 一种自适应缺陷检测方法、装置、识别***及存储介质 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111458170.0A Active CN114140679B (zh) | 2021-10-26 | 2021-10-26 | 一种缺陷融合方法、装置、识别***及存储介质 |
CN202111243916.6A Active CN113688807B (zh) | 2021-10-26 | 2021-10-26 | 一种自适应缺陷检测方法、装置、识别***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN114581742B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822890B (zh) * | 2021-11-24 | 2022-02-25 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、***及存储介质 |
CN114187267B (zh) * | 2021-12-13 | 2023-07-21 | 沭阳县苏鑫冲压件有限公司 | 基于机器视觉的冲压件缺陷检测方法 |
CN114299026A (zh) * | 2021-12-29 | 2022-04-08 | 广东利元亨智能装备股份有限公司 | 检测方法、装置、电子设备及可读存储介质 |
CN114758350A (zh) * | 2022-03-25 | 2022-07-15 | 北京尽微致广信息技术有限公司 | 一种设计图之间差异点的检测方法、装置和电子设备 |
CN115205223B (zh) * | 2022-06-22 | 2023-03-14 | 锋睿领创(珠海)科技有限公司 | 透明物体的视觉检测方法、装置、计算机设备及介质 |
CN114820599B (zh) * | 2022-06-27 | 2022-09-02 | 南通奥尔嘉橡塑有限公司 | 一种基于计算机视觉的注塑件卡扣缺陷检测方法及装置 |
CN115330693A (zh) * | 2022-07-18 | 2022-11-11 | 广州超音速自动化科技股份有限公司 | 一种基于多***贴标信号合并控制方法、***及平台 |
CN115082436B (zh) * | 2022-07-22 | 2022-11-08 | 山东易斯特工程工具有限公司 | 一种盾构机刀头生产缺陷检测方法 |
CN115100203B (zh) * | 2022-08-25 | 2022-11-18 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
CN115619783B (zh) * | 2022-12-15 | 2023-04-11 | 中科慧远视觉技术(北京)有限公司 | 产品加工缺陷的检测方法及装置、存储介质、终端 |
CN116091503B (zh) * | 2023-04-10 | 2023-06-13 | 成都数之联科技股份有限公司 | 一种面板异物缺陷的判别方法、装置、设备及介质 |
CN116912256B (zh) * | 2023-09-14 | 2023-11-28 | 山东大昌纸制品有限公司 | 基于图像处理的瓦楞纸排骨纹缺陷程度评估方法 |
CN117218549B (zh) * | 2023-11-07 | 2024-03-05 | 山东力加力钢结构有限公司 | 一种公路桥梁的状态评估方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
CN103134809A (zh) * | 2013-03-14 | 2013-06-05 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
CN103913468A (zh) * | 2014-03-31 | 2014-07-09 | 湖南大学 | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
US20190013862A1 (en) * | 2016-01-05 | 2019-01-10 | Shanghai Jiaotong University | Frequency synthesis-based optical frequency domain reflectometry method and system |
CN109410192A (zh) * | 2018-10-18 | 2019-03-01 | 首都师范大学 | 一种多纹理分级融合的织物缺陷检测方法及其装置 |
CN109493339A (zh) * | 2018-11-20 | 2019-03-19 | 北京嘉恒中自图像技术有限公司 | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 |
CN110414538A (zh) * | 2019-07-24 | 2019-11-05 | 京东方科技集团股份有限公司 | 缺陷分类方法、缺陷分类训练方法及其装置 |
CN110441319A (zh) * | 2019-09-09 | 2019-11-12 | 凌云光技术集团有限责任公司 | 一种外观缺陷的检测方法及装置 |
CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN112906603A (zh) * | 2021-03-04 | 2021-06-04 | 晶仁光电科技(苏州)有限公司 | 基于点云数据的三维曲面监控方法、***及可读介质 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6947587B1 (en) * | 1998-04-21 | 2005-09-20 | Hitachi, Ltd. | Defect inspection method and apparatus |
US20090129671A1 (en) * | 2005-03-31 | 2009-05-21 | Agency For Science, Technology And Research | Method and apparatus for image segmentation |
CN103632368A (zh) * | 2013-11-29 | 2014-03-12 | 苏州有色金属研究院有限公司 | 金属板带材表面图像缺陷合并方法 |
CN104156727B (zh) * | 2014-08-26 | 2017-05-10 | 中电海康集团有限公司 | 一种基于单目视觉的灯光倒影检测的方法 |
CN104361352A (zh) * | 2014-11-13 | 2015-02-18 | 东北林业大学 | 基于压缩感知的实木板材缺陷分选方法 |
CN104792792B (zh) * | 2015-04-27 | 2017-10-20 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN105092598B (zh) * | 2015-09-28 | 2018-02-06 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及*** |
CN107644417B (zh) * | 2017-09-22 | 2020-08-14 | 西北工业大学 | 应变片外观缺损检测方法 |
CN107843600B (zh) * | 2017-10-31 | 2021-01-08 | 河北工业大学 | 一种多晶硅太阳能电池片外观手印缺陷检测的方法 |
CN108629775B (zh) * | 2018-05-14 | 2021-08-03 | 华中科技大学 | 一种热态高速线材表面图像处理方法 |
CN109934876B (zh) * | 2019-01-25 | 2023-11-24 | 淮阴师范学院 | 一种基于二阶矩函数的图像聚焦测度实现方法 |
CN110163853B (zh) * | 2019-05-14 | 2021-05-25 | 广东奥普特科技股份有限公司 | 一种边缘缺陷的检测方法 |
CN110728659A (zh) * | 2019-09-17 | 2020-01-24 | 深圳新视智科技术有限公司 | 缺陷合并的方法、装置、计算机设备及存储介质 |
CN111047576B (zh) * | 2019-12-12 | 2023-05-09 | 珠海博明视觉科技有限公司 | 一种表面缺陷样本生成工具 |
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*** |
CN111337512B (zh) * | 2020-05-22 | 2020-09-08 | 深圳新视智科技术有限公司 | 用于aoi缺陷检测的缺陷提取方法 |
CN112395972B (zh) * | 2020-11-16 | 2023-07-14 | 中国科学院沈阳自动化研究所 | 一种基于无人机图像处理的电力***绝缘子串识别方法 |
CN112381800B (zh) * | 2020-11-16 | 2021-08-31 | 广东电网有限责任公司肇庆供电局 | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 |
CN112484664A (zh) * | 2020-11-26 | 2021-03-12 | 江苏国和智能科技有限公司 | 一种基于激光三维扫描的缺陷识别装置及方法 |
CN112381827B (zh) * | 2021-01-15 | 2021-04-27 | 中科慧远视觉技术(北京)有限公司 | 基于视觉图像的快速高精度缺陷检测方法 |
CN112381826B (zh) * | 2021-01-15 | 2021-05-07 | 中科慧远视觉技术(北京)有限公司 | 边缘缺陷图像的二值化方法 |
CN112862760B (zh) * | 2021-01-19 | 2023-11-10 | 浙江大学 | 一种轴承外圈表面缺陷区域检测方法 |
CN112884743B (zh) * | 2021-02-22 | 2024-03-05 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
CN113450307B (zh) * | 2021-05-12 | 2023-07-25 | 西安电子科技大学 | 一种产品边缘缺陷检测方法 |
CN113538429B (zh) * | 2021-09-16 | 2021-11-26 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
-
2021
- 2021-10-26 CN CN202111488020.4A patent/CN114581742B/zh active Active
- 2021-10-26 CN CN202111458170.0A patent/CN114140679B/zh active Active
- 2021-10-26 CN CN202111243916.6A patent/CN113688807B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507592A (zh) * | 2011-11-01 | 2012-06-20 | 河海大学常州校区 | 表面缺陷仿蝇视觉在线检测装置及检测方法 |
CN103134809A (zh) * | 2013-03-14 | 2013-06-05 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
CN103913468A (zh) * | 2014-03-31 | 2014-07-09 | 湖南大学 | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
US20190013862A1 (en) * | 2016-01-05 | 2019-01-10 | Shanghai Jiaotong University | Frequency synthesis-based optical frequency domain reflectometry method and system |
CN109410192A (zh) * | 2018-10-18 | 2019-03-01 | 首都师范大学 | 一种多纹理分级融合的织物缺陷检测方法及其装置 |
CN109493339A (zh) * | 2018-11-20 | 2019-03-19 | 北京嘉恒中自图像技术有限公司 | 一种基于内窥镜成像的铸件内表面气孔缺陷检测方法 |
CN110414538A (zh) * | 2019-07-24 | 2019-11-05 | 京东方科技集团股份有限公司 | 缺陷分类方法、缺陷分类训练方法及其装置 |
CN110570393A (zh) * | 2019-07-31 | 2019-12-13 | 华南理工大学 | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 |
CN110441319A (zh) * | 2019-09-09 | 2019-11-12 | 凌云光技术集团有限责任公司 | 一种外观缺陷的检测方法及装置 |
CN112906603A (zh) * | 2021-03-04 | 2021-06-04 | 晶仁光电科技(苏州)有限公司 | 基于点云数据的三维曲面监控方法、***及可读介质 |
Non-Patent Citations (3)
Title |
---|
丁彩红等: "基于卷积神经网络与显著性特征的皮革缺陷检测", 《东华大学学报(自然科学版)》 * |
李军华等: "多特征融合的瓷砖表面缺陷检测算法研究", 《计算机工程与应用》 * |
陈宸等: "基于SLIC超像素算法和密度聚类的TA2钛板表面缺陷定量化评估研究", 《北大核心》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114581742B (zh) | 2023-01-24 |
CN114140679A (zh) | 2022-03-04 |
CN113688807B (zh) | 2022-02-08 |
CN114140679B (zh) | 2022-07-01 |
CN113688807A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别***及存储介质 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及*** | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及*** | |
CN108665458A (zh) | 透明体表面缺陷提取及识别方法 | |
JP2011017705A (ja) | パターン検査装置、パターン検査方法および記録媒体 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN104331695A (zh) | 一种鲁棒的圆形标志符形状质量检测方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
CN116503388A (zh) | 缺陷检测方法、装置及存储介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN116503340A (zh) | 一种micro oled面板缺陷检测方法、装置以及设备 | |
CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及*** | |
CN113744200B (zh) | 一种摄像头脏污检测方法、装置及设备 | |
CN115393290A (zh) | 边缘缺陷检测方法、装置及设备 | |
CN115578362A (zh) | 电极涂层的缺陷检测方法、装置、电子设备及介质 | |
CN113378847B (zh) | 字符分割方法、***、计算机设备和存储介质 | |
CN115601616A (zh) | 一种样本数据生成方法、装置、电子设备和存储介质 | |
JPH03175343A (ja) | 外観検査による欠陥抽出方法 |
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 |