CN114742788A - 一种基于机器视觉的铜排缺陷检测方法及*** - Google Patents
一种基于机器视觉的铜排缺陷检测方法及*** Download PDFInfo
- Publication number
- CN114742788A CN114742788A CN202210346885.5A CN202210346885A CN114742788A CN 114742788 A CN114742788 A CN 114742788A CN 202210346885 A CN202210346885 A CN 202210346885A CN 114742788 A CN114742788 A CN 114742788A
- Authority
- CN
- China
- Prior art keywords
- defect
- point
- neighborhood
- gray
- copper bar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 454
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 102
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 102
- 239000010949 copper Substances 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 239000002184 metal Substances 0.000 claims abstract description 76
- 229910052751 metal Inorganic materials 0.000 claims abstract description 76
- 238000006243 chemical reaction Methods 0.000 claims abstract description 50
- 238000007373 indentation Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000003825 pressing Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 104
- 238000005315 distribution function Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 238000001125 extrusion Methods 0.000 description 13
- 230000008030 elimination Effects 0.000 description 10
- 238000003379 elimination reaction Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000002950 deficient Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- NZZMVMMUNRNSMC-UHFFFAOYSA-N 1-[3-(5,6-dihydrobenzo[b][1]benzazepin-11-yl)propyl]-4-piperidin-1-ylpiperidine-4-carboxamide;dihydrochloride Chemical compound Cl.Cl.C1CN(CCCN2C3=CC=CC=C3CCC3=CC=CC=C32)CCC1(C(=O)N)N1CCCCC1 NZZMVMMUNRNSMC-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010301 surface-oxidation reaction 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及机器视觉技术领域,具体涉及一种基于机器视觉的铜排缺陷检测方法及***,包括:根据待检测铜排的表面图像的灰度图像,获取待检测铜排表面的各个缺陷点以及表面转化图像,根据表面转化图像中各个缺陷点的八邻域像素点的灰度值,确定各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点和无法确定类型待定缺陷点,进而确定各个氧化皮压入缺陷合并类先验范围和各个金属夹杂缺陷合并类先验范围;将各个先验范围对应在灰度图像中,从而确定待检测铜排的缺陷指向系数,进而确定待检测铜排的缺陷类别。本发明可以准确地识别出铜排表面的氧化皮压入缺陷和金属夹杂缺陷,提高了生产线自动化程度。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于机器视觉的铜排缺陷检测方法及***。
背景技术
在铜排生产过程中,目前应用较为广泛的生产工艺为连续挤压法。在铜排的连续挤压生产过程中会出现各种缺陷,而氧化皮挤入缺陷以及表面金属夹杂缺陷作为主要的铜排生产缺陷之二,均会对产品质量造成影响。
上述两种缺陷产生原因不同,其对铜排生产线运行的影响也不同。其中,在连续挤压生产中氧化皮挤入的原因为原料铜杆的硬度较高,在挤压过程中使挤压温度过高、发生表面氧化并同时将氧化皮挤入制品表面,制品存在此缺陷时需要检查原料铜杆的硬度并更换原料。而金属表面夹杂缺陷是由于生产机器工件表面磨损或老化掉铁,在原料铜杆升温后铁屑在制品表面熔融,最终冷却在制品表面,制品存在此种缺陷时需立即停机并检修生产线上的机器。因此,为了保证铜排制品的质量,需要准确的将两种缺陷区分,并采取相应的生产线检修措施。
在现有技术中,对上述两种缺陷的检测方式通常为阈值分割,即通过人为设定的阈值对其进行缺陷的检测。但是,由于上述两种缺陷均为表面块状缺陷,其颜色均为黑色,现有的阈值检测方式只能够检测出是否存在这两种缺陷,但并不能准确分出缺陷的具体种类。因此无法快速确定对应的检修策略,生产线自动化程度相对较低。
发明内容
本发明的目的在于提供一种基于机器视觉的铜排缺陷检测方法及***,用于解决现有的铜排缺陷检测方式无法区分氧化皮挤入缺陷和金属夹杂缺陷两种缺陷类型的问题。
为解决上述技术问题,本发明提供了一种基于机器视觉的铜排缺陷检测方法,包括以下步骤:
获取待检测铜排的表面图像,并根据待检测铜排的表面图像的灰度图像,获取待检测铜排表面的各个缺陷点以及表面转化图像;
根据表面转化图像中各个缺陷点的八邻域像素点的灰度值,确定各个缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,进而确定各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点和无法确定类型待定缺陷点;
根据各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点、无法确定类型待定缺陷点以及无法确定类型待定缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,确定各个氧化皮压入缺陷合并类先验范围和各个金属夹杂缺陷合并类先验范围;
确定各个氧化皮压入缺陷合并类先验范围对应在灰度图像中的各个第一对应区域,确定各个金属夹杂缺陷合并类先验范围对应在灰度图像中的各个第二对应区域,根据各个第一对应区域和第二对应区域内像素点的灰度确定待检测铜排的缺陷指向系数,并根据待检测铜排的缺陷指向系数确定待检测铜排的缺陷类别。
进一步的,获取待检测铜排表面的各个缺陷点以及表面转化图像的步骤包括:
对待检测铜排的表面图像的灰度图像进行灰度直方图统计,得到灰度图像的灰度直方图;
对灰度图像的灰度直方图进行高斯拟合,获取待检测铜排的表面灰度高斯分布函数以及表面灰度高斯分布函数的均值和标准差;
根据表面灰度高斯分布函数的均值和标准差,确定缺陷阈值,将灰度图像中灰度值不大于缺陷阈值的各个像素点作为缺陷点,将灰度图像中大于缺陷阈值的各个像素点作为背景点,并将各个背景点的灰度值置为表面灰度高斯分布函数的均值,从而得到表面转化图像。
进一步的,各个缺陷点的邻域灰度分布模糊度对应的计算公式为:
其中,为表面转化图像中位置为x,y处的缺陷点的八邻域像素点与表面转化图像中背景点的灰度差异归一化均值,μ为表面转化图像中背景点的灰度,Ix,y(k)为表面转化图像中位置为x,y处的缺陷点的第k个邻域像素点的灰度值,ΔIx,y(k)为表面转化图像中位置为x,y处的缺陷点的八邻域像素点与表面转化图像中背景点的灰度差异归一化值,σx,y 2为表面转化图像中位置为x,y处的缺陷点的八邻域像素点与表面转化图像中背景点的灰度差异归一化方差,Mx,y为表面转化图像中位置为x,y处的缺陷点的邻域灰度分布模糊度。
进一步的,确定各个缺陷点的邻域灰度分布规则度的步骤包括:
从表面转化图像中各个缺陷点的八邻域像素点中抽取出任意两个邻域像素点,每抽取出任意两个邻域像素点即得到对应的一组或两组邻域像素点相邻序列;
计算每抽取出任意两个邻域像素点即得到的对应的一组邻域像素点相邻序列的各个像素点灰度方差或两组邻域像素点相邻序列的各个像素点灰度方差的均值,并确定所有计算出来的灰度方差和灰度方差的均值中的最小值所对应的一组邻域像素点相邻序列或两组邻域像素点相邻序列;
当最小值对应一组邻域像素点相邻序列时,则根据该最小值对应的一组邻域像素点相邻序列中邻域像素点的个数,计算对应缺陷点的邻域灰度分布规则度;
当最小值对应两组邻域像素点相邻序列时,则根据该最小值对应的两组邻域像素点相邻序列中邻域像素点的个数,计算对应缺陷点的邻域灰度分布规则度。
进一步的,当最小值对应两组邻域像素点相邻序列时,对应缺陷点的邻域灰度分布规则度对应的计算公式为:
进一步的,进而确定各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点和无法确定类型待定缺陷点的步骤包括:
根据各个缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,计算各个缺陷点的邻域灰度特征偏差值;
若邻域灰度特征偏差值位于第一设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为氧化皮压入待定缺陷点,若邻域灰度特征偏差值位于第二设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为金属夹杂待定缺陷点,若邻域灰度特征偏差值位于第三设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为无法确定类型待定缺陷点。
进一步的,确定各个氧化皮压入缺陷合并类先验范围和各个金属夹杂缺陷合并类先验范围的步骤包括:
根据无法确定类型待定缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,确定各个无法确定类型待定缺陷点中的各个公共缺陷点;
将各个氧化皮压入待定缺陷点和各个公共缺陷点合为一类,从而得到氧化皮压入待定合并缺陷点,并根据各个氧化皮压入待定合并缺陷点的位置,确定各个氧化皮压入待定合并缺陷点中的各个边界点,根据各个氧化皮压入待定合并缺陷点中的各个边界点,确定各个氧化皮压入缺陷合并类先验范围;
将各个金属夹杂待定缺陷点和各个公共缺陷点合为一类,从而得到金属夹杂待定合并缺陷点,并根据各个金属夹杂待定合并缺陷点的位置,确定各个金属夹杂待定合并缺陷点中的各个边界点,根据各个金属夹杂待定合并缺陷点中的各个边界点,确定各个金属夹杂缺陷合并类先验范围。
进一步的,根据各个对应区域内像素点的灰度确定待检测铜排的缺陷指向系数的步骤包括:
根据各个第一对应区域内像素点的灰度,计算各个第一对应区域的灰度分布熵,根据各个第二对应区域内像素点的灰度,计算各个第二对应区域的灰度分布熵;
根据各个第一对应区域的灰度分布熵和第二对应区域的灰度分布熵,计算各个氧化皮压入缺陷合并类先验范围的缺陷匹配程度和各个金属夹杂缺陷合并类先验范围的缺陷匹配程度;
根据各个氧化皮压入缺陷合并类先验范围内的像素点数目、各个金属夹杂缺陷合并类先验范围内的像素点数目、各个氧化皮压入缺陷合并类先验范围的缺陷匹配程度和各个金属夹杂缺陷合并类先验范围的缺陷匹配程度,计算待检测铜排的缺陷指向系数。
进一步的,根据缺陷指向系数确定待检测铜排的缺陷类别的步骤包括:
若缺陷指向系数位于第一设定缺陷指向范围内,则判定待检测铜排的缺陷类别为金属夹杂缺陷,若缺陷指向系数位于第二设定缺陷指向范围内,则判定待检测铜排的缺陷类别为氧化皮压入缺陷,若缺陷指向系数位于第三设定缺陷指向范围内,则判定待检测铜排的缺陷类别为金属夹杂缺陷和氧化皮压入缺陷。
为了解决上述技术问题,本发明还提供了一种基于机器视觉的铜排缺陷检测***,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现上述的基于机器视觉的铜排缺陷检测方法。
本发明具有如下有益效果:本发明通过待检测铜排的表面图像的灰度图像,可以确定待检测铜排表面的各个缺陷点,进而根据缺陷点的八邻域像素点的灰度值,将缺陷点进行分类,进而根据缺陷点类别确定两种缺陷的先验范围,并根据先验范围在灰度图像上的特征来计算待检测铜排的缺陷指向系数,最终确定待检测铜排的缺陷类别。由于本发明可以根据氧化皮挤入缺陷和金属夹杂缺陷这两种缺陷的特征,构造相应的缺陷指向系数,进而可以准确地识别出铜排表面具体存在哪种缺陷,进而可以根据缺陷类型选择相应的生产线检修测策略,有效提高了生产线自动化程度和提升产品质量问题的解决效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明基于机器视觉的铜排缺陷检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
为了区分铜排制品表面的氧化皮挤入缺陷和金属夹杂缺陷两种缺陷类型,以便于根据具体缺陷类型采取相应的检修策略,本实施例提供了一种基于机器视觉的铜排缺陷检测方法,该方法对应的流程图如图1所示,具体包括以下步骤:
(1)获取待检测铜排的表面图像,并根据待检测铜排的表面图像的灰度图像,获取待检测铜排表面的各个缺陷点以及表面转化图像。
在连续挤压铜排制品产出口设置相机,在铜排的连续挤压生产过程中,获得连续挤压铜排制品的表面图像并灰度化,从而得到待检测铜排的表面图像的灰度图像。根据待检测铜排的表面图像的灰度图像,获取待检测铜排表面的各个缺陷点以及表面转化图像,具体实现过程如下:
(1-1)对待检测铜排的表面图像的灰度图像进行灰度直方图统计,得到灰度图像的灰度直方图。
在获得待检测铜排的表面图像的灰度图像之后,对灰度图像进行灰度分布直方图统计,即对灰度图像中的各个像素点的灰度值进行统计,从而得到灰度图像的灰度直方图。由于对灰度图像进行灰度分布直方图统计的具体实现过程属于现有技术,此处不再赘述。
(1-2)对灰度图像的灰度直方图进行高斯拟合,获取待检测铜排的表面灰度高斯分布函数以及表面灰度高斯分布函数的均值和标准差。
根据先验知识可知,铜排的表面图像中的背景点也就是非缺陷点为颜色亮部分且数量最多,缺陷点为颜色暗部分。因此,以灰度直方图中频数最大的灰度值为均值进行单峰高斯拟合,获得对应的高斯分布函数,其均值为μ,标准差为σ。由于以灰度直方图中频数最大的灰度值为均值进行单峰高斯拟合的具体实现过程属于现有技术,此处不再赘述。
(1-3)根据表面灰度高斯分布函数的均值和标准差,确定缺陷阈值,将灰度图像中灰度值不大于缺陷阈值的各个像素点作为缺陷点,将灰度图像中大于缺陷阈值的各个像素点作为背景点,并将各个背景点的灰度值置为表面灰度高斯分布函数的均值,从而得到表面转化图像。
以均值μ和标准差σ的差值,也就是μ-σ为缺陷阈值,对灰度图像进行分割,将灰度图像中灰度值大于缺陷阈值的像素点的灰度值置为μ,并将其他灰度值保留并标记为缺陷点,从而得到各个缺陷点和表面转化图像。
(2)根据表面转化图像中各个缺陷点的八邻域像素点的灰度值,确定各个缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,进而确定各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点和无法确定类型待定缺陷点。
其中,对于表面转化图像中位置为x,y处的任意一个缺陷点,获取该缺陷点的邻域灰度分布序列{Ix,y(k)},具体表示如下:
{Ix,y(k)}=Ix,y(0),Ix,y(1),…,Ix,y(7)
其中,x,y表示缺陷点在表面转化图像上的坐标,同时也表示在灰度图像和原始表面图像上的坐标,k表示缺陷点的周围八邻域像素点的序号,k=0,1,…,7,Ix,y(k)为表示缺陷点的周围八邻域内第k个邻域像素点的灰度值。
需要说明的是,在确定各个缺陷点的邻域灰度分布序列{Ix,y(k)}时,可以任意选择对应缺陷点的任意一个邻域像素点为起点,然后按照顺时针或逆时针的顺序依次对各个缺陷点的邻域像素点进行标号0-7,并按照各个邻域像素点的标号0-7对各个邻域像素点的灰度值进行排列,从而确定缺陷点的邻域灰度分布序列。
在本实施例中,为了确定各个缺陷点的邻域灰度分布序列,首先利用sobel算子计算表面转化图像中各个缺陷点在x,y方向的梯度gx,gy,则梯度幅值其对应的梯度方向为θ=arctan(gy/gx)。然后将缺陷点对应的梯度方向所指向的邻域像素点作为起点,按照顺时针顺序依次对缺陷点的邻域像素点进行标号0-7,从而确定缺陷点的邻域灰度分布序列。通过这样方式确定的邻域灰度分布序列具有旋转不变特性,即无论表面转化图像如何旋转,各个缺陷点的邻域灰度分布序列是不变的。
在确定各个缺陷点的邻域灰度分布序列之后,基于该邻域灰度分布序列,计算各个缺陷点的邻域灰度分布模糊度,邻域灰度分布模糊度表征的是缺陷点周围邻域灰度值与背景点(灰度值为μ的像素点)混淆的程度,混淆程度越高其模糊程度越大,具体计算公式如下:
其中,为表面转化图像中位置为x,y处的缺陷点的八邻域像素点与表面转化图像中背景点的灰度差异归一化均值,μ为表面转化图像中背景点的灰度,也就是表面灰度高斯分布函数的均值,Ix,y(k)为表面转化图像中位置为x,y处的缺陷点的第k个邻域像素点的灰度值,也就是位置为x,y处的缺陷点的邻域灰度分布序列中的第k个灰度值,ΔIx,y(k)为表面转化图像中位置为x,y处的缺陷点的八邻域像素点与表面转化图像中背景点的灰度差异归一化值,σx,y 2为表面转化图像中位置为x,y处的缺陷点的八邻域像素点与表面转化图像中背景点的灰度差异归一化方差,Mx,y为表面转化图像中位置为x,y处的缺陷点的邻域灰度分布模糊度。
同时,在确定各个缺陷点的邻域灰度分布序列之后,基于该邻域灰度分布序列,计算各个缺陷点的邻域灰度分布规则度。其中,对于一个缺陷点,其邻域灰度分布序列越可被平均分成两部分,其越规则,基于这一逻辑,缺陷点的邻域灰度分布规则度的具体计算过程如下:
(2-1)从表面转化图像中各个缺陷点的八邻域像素点中抽取出任意两个邻域像素点,每抽取出任意两个邻域像素点即得到对应的一组或两组邻域像素点相邻序列。
在对缺陷点的八邻域像素点进行标记后,得到八个标号序列,该标号序列为环状,即像素点0的相邻像素点为像素点1和像素点7。选择其中的两个序号作为分割序号,利用穷举法可知其一共有28种剔除结果,剩下的六个像素点会被分成连续的两部分子序列,即得到两组邻域像素点相邻序列。例如,当选择0和4两个序号作为分割序号时,此时剔除结果为得到两组邻域像素点相邻序列,即1、2、3和5、6、7。需要注意的是,当剔除的两个序列号为相邻序列号时,其原标号序列仅会被分成一个子序列,即得到一组邻域像素点相邻序列。例如,当选择0和1两个序号作为分割序号时,此时剔除结果为得到一组邻域像素点相邻序列,即2、3、4、5、6、7。
(2-2)计算每抽取出任意两个邻域像素点即得到的对应的一组邻域像素点相邻序列的各个像素点灰度方差或两组邻域像素点相邻序列的各个像素点灰度方差的均值,并确定所有计算出来的灰度方差和灰度方差的均值中的最小值所对应的一组邻域像素点相邻序列或两组邻域像素点相邻序列。
对于28种剔除结果,当剔除结果为两组邻域像素点相邻序列时,则基于邻域灰度分布序列,分别计算这两组邻域像素点相邻序列的像素点灰度方差,然后计算这两部分方差的均值。例如,当选择0和4两个序号作为分割序号时,剔除结果为得到两组邻域像素点相邻序列,即1、2、3和5、6、7,此时分别计算邻域灰度分布序列中第1、2、3个灰度值对应的方差以及第5、6、7个灰度值对应的方差,然后计算这两个方差的均值。当剔除结果为一组邻域像素点相邻序列时,则基于邻域灰度分布序列,计算这一组邻域像素点相邻序列的像素点灰度方差。例如,当选择0和1两个序号作为分割序号时,剔除结果为得到一组邻域像素点相邻序列,即2、3、4、5、6、7,此时计算邻域灰度分布序列中第2、3、4、5、6、7个灰度值对应的方差。
在计算出28种剔除结果所对应的方差的均值或方差之后,选择取值最小的方差的均值或方差对应的分割方式,即剔除方式,以便于后去根据其剔除结果计算其对应的分布规则度。
(2-3)当最小值对应一组邻域像素点相邻序列时,则根据该最小值对应的一组邻域像素点相邻序列中邻域像素点的个数,计算对应缺陷点的邻域灰度分布规则度。当最小值对应两组邻域像素点相邻序列时,则根据该最小值对应的两组邻域像素点相邻序列中邻域像素点的个数,计算对应缺陷点的邻域灰度分布规则度。
由于28种剔除结果可能会得到两组邻域像素点相邻序列,也可能会得到一组邻域像素点相邻序列,因此取值最小的方差的均值或方差对应的剔除结果可能是两组邻域像素点相邻序列,也可能是一组邻域像素点相邻序列。当剔除结果是两组邻域像素点相邻序列,则两组邻域像素点相邻序列中的邻域像素点个数可能为(3,3)、(4,2)、(5,1);当剔除结果是一组邻域像素点相邻序列,此时也可以看作另外一组邻域像素点相邻序列为空序列,那么此时两组邻域像素点相邻序列中的邻域像素点个数为(6,0)。那么此时,对于任意一个缺陷点,其对应的缺陷点的邻域灰度分布规则度为:
通过上述步骤,对于表面转化图像中位置为x,y处的任意一个缺陷点,可得到其对应的邻域灰度分布模糊度和邻域灰度分布规则度分别为Mx,y、其中,对于氧化皮压入待定缺陷点,由于该类缺陷的特点是氧化皮镶嵌在铜排制品的表面,因此计算出来的其对应的邻域灰度分布模糊度很小,对应的邻域灰度分布规则度很大,该类缺陷点的八邻域像素点与背景点的混淆程度较小,八邻域像素点容易与背景点区分开。相反,对于金属夹杂待定缺陷点,由于该类缺陷的特点是金属杂质融入比较好一点,因此计算出来的其对应的邻域灰度分布模糊度很大,对应的邻域灰度分布规则度很小,该类缺陷点的八邻域像素点与背景点的混淆程度较大,八邻域像素点不容易与背景点区分开。基于这一原理,可以根据邻域灰度分布模糊度和邻域灰度分布规则度Mx,y、这两种特征的偏差,对各个缺陷点进行分类,具体实现过程如下:
(2-4)根据各个缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,计算各个缺陷点的邻域灰度特征偏差值,对应的计算公式为:
其中,εx,y为表面转化图像中位置为x,y处的缺陷点邻域灰度特征偏差值,且εx,y∈[-1,1]。
(2-5)若邻域灰度特征偏差值位于第一设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为氧化皮压入待定缺陷点,若邻域灰度特征偏差值位于第二设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为金属夹杂待定缺陷点,若邻域灰度特征偏差值位于第三设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为无法确定类型待定缺陷点。
在上述步骤(2-4)计算出各个缺陷点的邻域灰度特征偏差值的基础上,对各个缺陷点的邻域灰度特征偏差值的大小进行判断:当邻域灰度特征偏差值位于第一设定邻域灰度特征偏差值范围内,即εx,y∈[-1,-0.3]时,则将对应的缺陷点分为氧化皮压入待定缺陷点;邻域灰度特征偏差值位于第二设定邻域灰度特征偏差值范围内,即εx,y∈[0.3,1]时,则将对应的缺陷点分为金属夹杂待定缺陷点;当邻域灰度特征偏差值位于第三设定邻域灰度特征偏差值范围内,即εx,y∈(-0.3,0.3)时,则将对应的缺陷点分为无法确定类型待定缺陷点。
(3)根据各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点、无法确定类型待定缺陷点以及无法确定类型待定缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,确定各个氧化皮压入缺陷合并类先验范围和各个金属夹杂缺陷合并类先验范围,具体步骤如下:
(3-1)根据无法确定类型待定缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,确定各个无法确定类型待定缺陷点中的各个公共缺陷点。
对于步骤(2)中所确定的无法确定类型待定缺陷点,计算其对应的邻域灰度分布模糊度和邻域灰度分布规则度的均值:
在计算出各个无法确定类型待定缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度的均值之后,对该均值进行判断,当时,则将该对应无法确定类型待定缺陷点判定为抑制缺陷点,将其舍弃;当时,将该对应无法确定类型待定缺陷点判定为公共缺陷点。
(3-2)将各个氧化皮压入待定缺陷点和各个公共缺陷点合为一类,从而得到氧化皮压入待定合并缺陷点,并根据各个氧化皮压入待定合并缺陷点的位置,确定各个氧化皮压入待定合并缺陷点中的各个边界点,根据各个氧化皮压入待定合并缺陷点中的各个边界点,确定各个氧化皮压入缺陷合并类先验范围。
对于上述步骤(3-1)中确定的三种类型的缺陷点,先将氧化皮压入待定缺陷点和各个公共缺陷点合并为一类,对于该合并类中任意一点,判断其是否为合并类点集的边界点,具体过程如下:
对于上述合并类中任意一缺陷点Q0,寻找其最近邻的K个合并类点Qi(i=1,2,...,K)。在确定缺陷点Q0的最近邻的K个合并类点时,可以计算缺陷点Q0到上述合并类中其他任意一个合并类点之间的距离,然后从中挑选出距离最小的K个合并类点作为其对应的最近邻的K个合并类点。需要说明的是,这里的K的具体取值可以根据经验来直接确定,此时合并类中任意一缺陷点Q0均可以得到相同数目的最近邻的合并类点;同时,也可以根据合并类中任意一缺陷点Q0的各个距离值的分布情况来确定,例如,第K+1个最小的距离值远大于第K个最小的距离值时,则将距离最小的K个合并类点作为合并类中任意一缺陷点Q0的最近邻的K个合并类点,此时合并类中任意一缺陷点Q0得到的最近邻的合并类点的数目是不确定的。
其中,|Q0Qi|为向量Q0Qi的模长。
将缺陷点Q0对应的K个单位向量进叠加,并将叠加后的向量模长除以K,得到用于判断该缺陷点是否为边界点的边界点判断指标:
其中,B(Q0)为缺陷点的边界点判断指标。
通过上述步骤后,可以得到上述合并类中的各个边界点,然后将这些边界点按照最临近规则连接成闭合图形,该闭合图形即为氧化皮压入缺陷合并类先验范围。由于根据边界点得到闭合图形的具体实现过程属于现有技术,此处不再赘述。假设上述合并类中的所有缺陷点一共得到m个氧化皮压入缺陷合并类先验范围,分别记为Y1,Y2,…,Ym。
(3-3)将各个金属夹杂待定缺陷点和各个公共缺陷点合为一类,从而得到金属夹杂待定合并缺陷点,并根据各个金属夹杂待定合并缺陷点的位置,确定各个金属夹杂待定合并缺陷点中的各个边界点,根据各个金属夹杂待定合并缺陷点中的各个边界点,确定各个金属夹杂缺陷合并类先验范围。
对于上述步骤(3-1)中确定的三种类型的缺陷点,将金属夹杂待定缺陷点和各个公共缺陷点合并为一类,然后参考上述步骤(3-2),可以获得各个金属夹杂缺陷合并类先验范围,假设一共得到n个金属夹杂缺陷合并类先验范围,分别记为J1,J2,…,Jn。
(4)确定各个氧化皮压入缺陷合并类先验范围对应在灰度图像中的各个第一对应区域,确定各个金属夹杂缺陷合并类先验范围对应在灰度图像中的各个第二对应区域,根据各个第一对应区域和第二对应区域内像素点的灰度确定待检测铜排的缺陷指向系数,并根据待检测铜排的缺陷指向系数确定待检测铜排的缺陷类别。
其中,根据各个第一对应区域和第二对应区域内像素点的灰度确定待检测铜排的缺陷指向系数的具体步骤如下:
(4-1)根据各个第一对应区域内像素点的灰度,计算各个第一对应区域的灰度分布熵,根据各个第二对应区域内像素点的灰度,计算各个第二对应区域的灰度分布熵。
在通过上述步骤(3)得到各个氧化皮压入缺陷合并类先验范围和各个金属夹杂缺陷合并类先验范围之后,将两种类型的各个缺陷合并类先验范围对应到灰度图像上,从而得到各个氧化皮压入缺陷合并类先验范围对应的各个第一对应区域以及各个金属夹杂缺陷合并类先验范围对应的各个第二对应区域。根据各个第一对应区域和第二对应区域内各个像素点的灰度,计算对应缺陷合并类先验范围对应的归一化分布熵:
其中,<γ,ρ>为对应区域内任意一个像素点的灰度值γ与该像素点的八邻域像素点灰度均值ρ组成的二元组,P<γ,ρ>为此二元组在整个对应区域内出现的概率,H为缺陷合并类先验范围对应的归一化分布熵。
按照上述计算对应区域对应的归一化分布熵的方式,计算各个氧化皮压入缺陷合并类先验范围Y1,Y2,…,Ym对应的m个归一化分布熵同理计算各个金属夹杂缺陷合并类先验范围J1,J2,…,Jn对应的n个归一化分布熵
(4-2)根据各个第一对应区域的灰度分布熵和第二对应区域的灰度分布熵,计算各个氧化皮压入缺陷合并类先验范围的缺陷匹配程度和各个金属夹杂缺陷合并类先验范围的缺陷匹配程度,具体步骤包括:
pY=1-HY
pJ=HJ
其中,pY为氧化皮压入缺陷合并类先验范围的缺陷匹配程度,HY为氧化皮压入缺陷合并类先验范围的归一化分布熵,pJ为金属夹杂缺陷合并类先验范围的缺陷匹配程度,HJ为金属夹杂缺陷合并类先验范围的归一化分布熵。
(4-3)根据各个氧化皮压入缺陷合并类先验范围内的像素点数目、各个金属夹杂缺陷合并类先验范围内的像素点数目、各个氧化皮压入缺陷合并类先验范围的缺陷匹配程度和各个金属夹杂缺陷合并类先验范围的缺陷匹配程度,计算待检测铜排的缺陷指向系数,具体步骤包括:
在上述步骤(4-2)的基础上,将各个缺陷匹配程度赋予表面转化图像中其对应范围内每一个像素点,使其获得一个与两类缺陷匹配程度的标签。此时对于表面转化图像中的各个像素点,其对应获取的标签情况可能为无标签、单缺陷种类标签、双缺陷种类标签,即表面转化图像中的某一个像素点其可能无标签,或者有一个pY或pJ的标签,或者两种标签均有,则对于无标签的像素点,其为无缺陷像素点。根据表面转化图像中的各个像素点的标签情况,计算待检测铜排的缺陷指向系数∈:
其中,NY、NJ分别为表面转化图像中含有pY、pJ类别标签的含标签像素点个数,N为表面转化图像中含标签像素点的总个数,分别为表面转化图像中第a个含有pY类型标签、第b个含有pJ类型标签的像素点对应的标签,表示表面转化图像中所有含有pY标签的像素点的缺陷匹配程度和与表面转化图像中含有标签的像素点总个数的比值,表示表面转化图像中所有含有pJ标签的像素点的缺陷匹配程度和与表面转化图像中含有标签的像素点总个数的比值。
对于上述计算出的和当远大于时,说明绝大数缺陷点都属于氧化皮压入缺陷,此时计算出来的缺陷指向系数∈大于0;当远小于时,说明绝大数缺陷点都属于金属夹杂缺陷,此时计算出来的缺陷指向系数∈小于0;当接近时,说明属于氧化皮压入缺陷和金属夹杂缺陷的缺陷点相当,此时计算出来的缺陷指向系数∈接近0。
基于上述分析,在获得待检测铜排的缺陷指向系数∈之后,则可以根据缺陷指向系数,确定待检测铜排的缺陷类别,具体步骤包括:
若缺陷指向系数位于第一设定缺陷指向范围内,即∈∈[-1,-0.3],则判定待检测铜排的缺陷类别为金属夹杂缺陷,此时需要对生产线设备配件进行磨损检修;若缺陷指向系数位于第二设定缺陷指向范围内,即∈∈[0.3,1],则判定待检测铜排的缺陷类别为氧化皮压入缺陷,此时需要对原料铜棒进行质量检查;若缺陷指向系数位于第三设定缺陷指向范围内,即∈∈(-0.3,0.3),则判定待检测铜排的缺陷类别为金属夹杂缺陷和氧化皮压入缺陷,此时则需要同时对生产线设备配件进行磨损检修和对原料铜棒进行质量检查。
本实施例还提供了一种基于机器视觉的铜排缺陷检测***,包括处理器和存储器,处理器用于处理存储在存储器中的指令以实现上述的基于机器视觉的铜排缺陷检测方法。由于该基于机器视觉的铜排缺陷检测方法已经在上述内容中进行了详细介绍,此处不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的铜排缺陷检测方法,其特征在于,包括以下步骤:
获取待检测铜排的表面图像,并根据待检测铜排的表面图像的灰度图像,获取待检测铜排表面的各个缺陷点以及表面转化图像;
根据表面转化图像中各个缺陷点的八邻域像素点的灰度值,确定各个缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,进而确定各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点和无法确定类型待定缺陷点;
根据各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点、无法确定类型待定缺陷点以及无法确定类型待定缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,确定各个氧化皮压入缺陷合并类先验范围和各个金属夹杂缺陷合并类先验范围;
确定各个氧化皮压入缺陷合并类先验范围对应在灰度图像中的各个第一对应区域,确定各个金属夹杂缺陷合并类先验范围对应在灰度图像中的各个第二对应区域,根据各个第一对应区域和第二对应区域内像素点的灰度确定待检测铜排的缺陷指向系数,并根据待检测铜排的缺陷指向系数确定待检测铜排的缺陷类别。
2.根据权利要求1所述的基于机器视觉的铜排缺陷检测方法,其特征在于,获取待检测铜排表面的各个缺陷点以及表面转化图像的步骤包括:
对待检测铜排的表面图像的灰度图像进行灰度直方图统计,得到灰度图像的灰度直方图;
对灰度图像的灰度直方图进行高斯拟合,获取待检测铜排的表面灰度高斯分布函数以及表面灰度高斯分布函数的均值和标准差;
根据表面灰度高斯分布函数的均值和标准差,确定缺陷阈值,将灰度图像中灰度值不大于缺陷阈值的各个像素点作为缺陷点,将灰度图像中大于缺陷阈值的各个像素点作为背景点,并将各个背景点的灰度值置为表面灰度高斯分布函数的均值,从而得到表面转化图像。
3.根据权利要求2所述的基于机器视觉的铜排缺陷检测方法,其特征在于,各个缺陷点的邻域灰度分布模糊度对应的计算公式为:
4.根据权利要求2所述的基于机器视觉的铜排缺陷检测方法,其特征在于,确定各个缺陷点的邻域灰度分布规则度的步骤包括:
从表面转化图像中各个缺陷点的八邻域像素点中抽取出任意两个邻域像素点,每抽取出任意两个邻域像素点即得到对应的一组或两组邻域像素点相邻序列;
计算每抽取出任意两个邻域像素点即得到的对应的一组邻域像素点相邻序列的各个像素点灰度方差或两组邻域像素点相邻序列的各个像素点灰度方差的均值,并确定所有计算出来的灰度方差和灰度方差的均值中的最小值所对应的一组邻域像素点相邻序列或两组邻域像素点相邻序列;
当最小值对应一组邻域像素点相邻序列时,则根据该最小值对应的一组邻域像素点相邻序列中邻域像素点的个数,计算对应缺陷点的邻域灰度分布规则度;
当最小值对应两组邻域像素点相邻序列时,则根据该最小值对应的两组邻域像素点相邻序列中邻域像素点的个数,计算对应缺陷点的邻域灰度分布规则度。
6.根据权利要求1所述的基于机器视觉的铜排缺陷检测方法,其特征在于,进而确定各个缺陷点中的氧化皮压入待定缺陷点、金属夹杂待定缺陷点和无法确定类型待定缺陷点的步骤包括:
根据各个缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,计算各个缺陷点的邻域灰度特征偏差值;
若邻域灰度特征偏差值位于第一设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为氧化皮压入待定缺陷点,若邻域灰度特征偏差值位于第二设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为金属夹杂待定缺陷点,若邻域灰度特征偏差值位于第三设定邻域灰度特征偏差值范围内,则判定对应的缺陷点为无法确定类型待定缺陷点。
7.根据权利要求1所述的基于机器视觉的铜排缺陷检测方法,其特征在于,确定各个氧化皮压入缺陷合并类先验范围和各个金属夹杂缺陷合并类先验范围的步骤包括:
根据无法确定类型待定缺陷点的邻域灰度分布模糊度和邻域灰度分布规则度,确定各个无法确定类型待定缺陷点中的各个公共缺陷点;
将各个氧化皮压入待定缺陷点和各个公共缺陷点合为一类,从而得到氧化皮压入待定合并缺陷点,并根据各个氧化皮压入待定合并缺陷点的位置,确定各个氧化皮压入待定合并缺陷点中的各个边界点,根据各个氧化皮压入待定合并缺陷点中的各个边界点,确定各个氧化皮压入缺陷合并类先验范围;
将各个金属夹杂待定缺陷点和各个公共缺陷点合为一类,从而得到金属夹杂待定合并缺陷点,并根据各个金属夹杂待定合并缺陷点的位置,确定各个金属夹杂待定合并缺陷点中的各个边界点,根据各个金属夹杂待定合并缺陷点中的各个边界点,确定各个金属夹杂缺陷合并类先验范围。
8.根据权利要求1所述的基于机器视觉的铜排缺陷检测方法,其特征在于,根据各个对应区域内像素点的灰度确定待检测铜排的缺陷指向系数的步骤包括:
根据各个第一对应区域内像素点的灰度,计算各个第一对应区域的灰度分布熵,根据各个第二对应区域内像素点的灰度,计算各个第二对应区域的灰度分布熵;
根据各个第一对应区域的灰度分布熵和第二对应区域的灰度分布熵,计算各个氧化皮压入缺陷合并类先验范围的缺陷匹配程度和各个金属夹杂缺陷合并类先验范围的缺陷匹配程度;
根据各个氧化皮压入缺陷合并类先验范围内的像素点数目、各个金属夹杂缺陷合并类先验范围内的像素点数目、各个氧化皮压入缺陷合并类先验范围的缺陷匹配程度和各个金属夹杂缺陷合并类先验范围的缺陷匹配程度,计算待检测铜排的缺陷指向系数。
9.根据权利要求1所述的基于机器视觉的铜排缺陷检测方法,其特征在于,根据缺陷指向系数确定待检测铜排的缺陷类别的步骤包括:
若缺陷指向系数位于第一设定缺陷指向范围内,则判定待检测铜排的缺陷类别为金属夹杂缺陷,若缺陷指向系数位于第二设定缺陷指向范围内,则判定待检测铜排的缺陷类别为氧化皮压入缺陷,若缺陷指向系数位于第三设定缺陷指向范围内,则判定待检测铜排的缺陷类别为金属夹杂缺陷和氧化皮压入缺陷。
10.一种基于机器视觉的铜排缺陷检测***,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-9中任一项所述的基于机器视觉的铜排缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346885.5A CN114742788A (zh) | 2022-04-01 | 2022-04-01 | 一种基于机器视觉的铜排缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210346885.5A CN114742788A (zh) | 2022-04-01 | 2022-04-01 | 一种基于机器视觉的铜排缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742788A true CN114742788A (zh) | 2022-07-12 |
Family
ID=82278899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210346885.5A Pending CN114742788A (zh) | 2022-04-01 | 2022-04-01 | 一种基于机器视觉的铜排缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742788A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049672A (zh) * | 2022-08-17 | 2022-09-13 | 南通源钰新材料科技有限公司 | 基于计算机视觉的金属铝表面磷化膜缺陷的检测方法 |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115330766A (zh) * | 2022-10-12 | 2022-11-11 | 南通新诚电子有限公司 | 一种电容阳极铝箔化成质量缺陷识别方法 |
CN115439476A (zh) * | 2022-11-07 | 2022-12-06 | 成都博视广达科技有限责任公司 | 基于图像分析的丝印缺陷检测方法及装置 |
CN115601368A (zh) * | 2022-12-16 | 2023-01-13 | 山东天意高科技有限公司(Cn) | 一种建材装备钣金件缺陷检测方法 |
CN117011304A (zh) * | 2023-10-08 | 2023-11-07 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216437A (zh) * | 2008-01-16 | 2008-07-09 | 中国电子科技集团公司第四十五研究所 | 基于fpga的印刷电路板检测方法 |
JP2011069742A (ja) * | 2009-09-25 | 2011-04-07 | Panasonic Electric Works Co Ltd | 欠陥検出装置および欠陥検出方法 |
CN103175839A (zh) * | 2011-12-21 | 2013-06-26 | 北京兆维电子(集团)有限责任公司 | 胶印版材表面检测的处理方法及*** |
CN106778595A (zh) * | 2016-12-12 | 2017-05-31 | 河北工业大学 | 基于高斯混合模型的人群中异常行为的检测方法 |
CN107248159A (zh) * | 2017-08-04 | 2017-10-13 | 河海大学常州校区 | 一种基于双目视觉的金属工件缺陷检测方法 |
CN107610119A (zh) * | 2017-09-26 | 2018-01-19 | 河北工业大学 | 基于直方图分解的带钢表面缺陷精准检测方法 |
CN109239076A (zh) * | 2018-08-29 | 2019-01-18 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
CN112233133A (zh) * | 2020-10-29 | 2021-01-15 | 上海电力大学 | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 |
CN112697803A (zh) * | 2020-12-16 | 2021-04-23 | 沈阳建筑大学 | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
US20210248734A1 (en) * | 2018-05-31 | 2021-08-12 | Goertek Inc. | Method and apparatus for detecting pixel defect of optical module, and device |
CN113808138A (zh) * | 2021-11-22 | 2021-12-17 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电线电缆表面缺陷检测方法 |
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN114240942A (zh) * | 2022-02-25 | 2022-03-25 | 武汉市雷成龙液压机械有限公司 | 一种基于图像处理的金属零件表面质量控制方法及*** |
-
2022
- 2022-04-01 CN CN202210346885.5A patent/CN114742788A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216437A (zh) * | 2008-01-16 | 2008-07-09 | 中国电子科技集团公司第四十五研究所 | 基于fpga的印刷电路板检测方法 |
JP2011069742A (ja) * | 2009-09-25 | 2011-04-07 | Panasonic Electric Works Co Ltd | 欠陥検出装置および欠陥検出方法 |
CN103175839A (zh) * | 2011-12-21 | 2013-06-26 | 北京兆维电子(集团)有限责任公司 | 胶印版材表面检测的处理方法及*** |
CN106778595A (zh) * | 2016-12-12 | 2017-05-31 | 河北工业大学 | 基于高斯混合模型的人群中异常行为的检测方法 |
CN107248159A (zh) * | 2017-08-04 | 2017-10-13 | 河海大学常州校区 | 一种基于双目视觉的金属工件缺陷检测方法 |
CN107610119A (zh) * | 2017-09-26 | 2018-01-19 | 河北工业大学 | 基于直方图分解的带钢表面缺陷精准检测方法 |
US20210248734A1 (en) * | 2018-05-31 | 2021-08-12 | Goertek Inc. | Method and apparatus for detecting pixel defect of optical module, and device |
CN109239076A (zh) * | 2018-08-29 | 2019-01-18 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
CN112233133A (zh) * | 2020-10-29 | 2021-01-15 | 上海电力大学 | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 |
CN112697803A (zh) * | 2020-12-16 | 2021-04-23 | 沈阳建筑大学 | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
CN113808138A (zh) * | 2021-11-22 | 2021-12-17 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电线电缆表面缺陷检测方法 |
CN113850808A (zh) * | 2021-12-01 | 2021-12-28 | 武汉泰盛包装材料有限公司 | 基于图像处理的多层瓦楞纸排列缺陷检测方法及装置 |
CN114240942A (zh) * | 2022-02-25 | 2022-03-25 | 武汉市雷成龙液压机械有限公司 | 一种基于图像处理的金属零件表面质量控制方法及*** |
Non-Patent Citations (7)
Title |
---|
MENGKUN LI等: "A Method of Surface Defect Detection of Irregular Industrial Products Based on Machine Vision", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》 * |
YUNPENG MA等: "A surface defects inspection method based on multidirectional gray-level fluctuation", 《INTERNATIONAL JOURNAL OF ADVANCED ROBOTIC SYSTEMS》 * |
令狐蓉: "基于机器视觉的橡胶减震垫缺陷检测***的设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
刘力源: "电机铜排表面毛刺缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
王妍玮: "工业X射线图像处理技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
王路等: "基于局部信息熵迭代的带钢表面缺陷分割", 《微计算机信息》 * |
陆盼盼: "基于机器视觉的小型环状电镀零件表面缺陷检测", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049672A (zh) * | 2022-08-17 | 2022-09-13 | 南通源钰新材料科技有限公司 | 基于计算机视觉的金属铝表面磷化膜缺陷的检测方法 |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115222741B (zh) * | 2022-09-20 | 2023-02-28 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN115330766A (zh) * | 2022-10-12 | 2022-11-11 | 南通新诚电子有限公司 | 一种电容阳极铝箔化成质量缺陷识别方法 |
CN115330766B (zh) * | 2022-10-12 | 2023-04-11 | 南通新诚电子有限公司 | 一种电容阳极铝箔化成质量缺陷识别方法 |
CN115439476A (zh) * | 2022-11-07 | 2022-12-06 | 成都博视广达科技有限责任公司 | 基于图像分析的丝印缺陷检测方法及装置 |
CN115439476B (zh) * | 2022-11-07 | 2023-03-14 | 成都博视广达科技有限责任公司 | 基于图像分析的丝印缺陷检测方法及装置 |
CN115601368A (zh) * | 2022-12-16 | 2023-01-13 | 山东天意高科技有限公司(Cn) | 一种建材装备钣金件缺陷检测方法 |
CN117011304A (zh) * | 2023-10-08 | 2023-11-07 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN117011304B (zh) * | 2023-10-08 | 2024-03-26 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114742788A (zh) | 一种基于机器视觉的铜排缺陷检测方法及*** | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
JP2013167596A (ja) | 欠陥検査装置、欠陥検査方法及びプログラム | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及*** | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN114187289B (zh) | 一种基于计算机视觉的塑料制品缩坑检测方法及*** | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN111242185A (zh) | 一种基于深度学习的缺陷快速初筛方法及*** | |
CN115115637B (zh) | 基于图像金字塔思想的布匹缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN114841938A (zh) | 一种织物勾丝缺陷检测方法 | |
CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及***、电子设备和存储介质 | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及*** | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231208 |