CN115222743A - 基于视觉的家具表面喷漆缺陷检测方法 - Google Patents
基于视觉的家具表面喷漆缺陷检测方法 Download PDFInfo
- Publication number
- CN115222743A CN115222743A CN202211146708.9A CN202211146708A CN115222743A CN 115222743 A CN115222743 A CN 115222743A CN 202211146708 A CN202211146708 A CN 202211146708A CN 115222743 A CN115222743 A CN 115222743A
- Authority
- CN
- China
- Prior art keywords
- processed
- defect
- block
- superpixel
- super
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 283
- 239000003973 paint Substances 0.000 title claims abstract description 178
- 238000005507 spraying Methods 0.000 title claims abstract description 168
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000010422 painting Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 5
- 238000007592 spray painting technique Methods 0.000 abstract description 2
- 230000002950 deficient Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000007665 sagging Methods 0.000 description 2
- 101100310856 Drosophila melanogaster spri gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于视觉的家具表面喷漆缺陷检测方法,该方法包括:获取待检测家具的表面喷漆图像,对表面喷漆图像进行预处理;对目标喷漆图像进行超像素块划分处理;确定待处理超像素块对应的整体显著度;从待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合;从缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合;确定待检测家具对应的目标喷漆缺陷程度;生成待检测家具对应的目标缺陷信息。本发明通过对表面喷漆图像进行图像处理,解决了对家具表面进行喷漆缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度,主要应用于对家具表面进行喷漆缺陷检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于视觉的家具表面喷漆缺陷检测方法。
背景技术
对家具表面喷漆可以保护家具不被光和水等多种介质侵蚀,延长家具的使用寿命,可以增强家具表面的光彩性、光泽性以及平滑性,提升家具美感。没有喷漆缺陷的家具一般表面顺滑、分布均匀以及无疵点。但是,由于工件除尘不彻底、油漆过滤不干净、输漆管道不干净等外界因素,往往会导致家具表面喷漆出现橘皮、流挂、积粉和空隙缺陷等喷漆缺陷,降低家具表面的美观,影响消费者对家具外观的观感,严重时将会加速家具的损坏。其中,空隙缺陷可以表征应该被喷漆的待检测家具表面存在没有被喷涂上的区域。因此对家具表面进行喷漆缺陷检测至关重要。目前,对物品表面进行喷漆缺陷检测时,通常采用的方式为:首先,通过大量有缺陷物品图像和无缺陷物品图像,训练喷漆缺陷检测网络,接着,将待检测物品的表面喷漆图像输入到训练完成的喷漆缺陷检测网络,通过喷漆缺陷检测网络,确定待检测物品的表面喷漆缺陷程度,其中,喷漆缺陷检测网络可以是神经网络。
然而,当采用上述方式时,对家具表面进行喷漆缺陷检测时,经常会存在如下技术问题:
第一,训练喷漆缺陷检测网络时,往往需要大量有缺陷家具图像和无缺陷家具图像,这些图像的收集往往需要耗费大量的时间,并且训练喷漆缺陷检测网络的时间往往也较长,因此,往往导致对家具表面进行喷漆缺陷检测的效率低下;
第二,实际情况中,靠近待检测家具表面的中心的区域发生缺陷往往比远离待检测家具表面的中心的区域发生缺陷,往往更加影响家具美观,并且靠近待检测家具表面的中心的区域往往被更多的使用,往往更加容易引起更大的损害,然而通过喷漆缺陷检测网络,确定待检测家具的表面喷漆缺陷程度时,往往将待检测家具各个位置上发生喷漆缺陷的重要程度视作相同,因此,往往导致对家具表面进行喷漆缺陷检测的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对家具表面进行喷漆缺陷检测的效率和准确度低下的技术问题,本发明提出了基于视觉的家具表面喷漆缺陷检测方法。
本发明提供了基于视觉的家具表面喷漆缺陷检测方法,该方法包括:
获取待检测家具的表面喷漆图像,对所述表面喷漆图像进行预处理,得到目标喷漆图像;
对所述目标喷漆图像进行超像素块划分处理,得到待处理超像素块集合;
确定所述待处理超像素块集合中的待处理超像素块对应的整体显著度;
根据所述待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从所述待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合;
根据所述缺陷候选超像素块集合和所述正常像素块集合,从所述缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合;
根据所述喷漆缺陷像素点集合和预先获取的家具中心像素点,确定所述待检测家具对应的目标喷漆缺陷程度;
根据所述目标喷漆缺陷程度,生成所述待检测家具对应的目标缺陷信息。
进一步的,所述确定所述待处理超像素块集合中的待处理超像素块对应的整体显著度,包括:
确定所述待处理超像素块集合中的待处理超像素块中的各个像素点对应的梯度幅值和梯度方向;
根据所述待处理超像素块集合中的每个待处理超像素块中的各个像素点对应的梯度幅值和梯度方向,确定所述待处理超像素块对应的内部熵;
确定所述待处理超像素块集合中的每个待处理超像素块对应的邻域超像素块集合;
根据所述待处理超像素块集合中的每个待处理超像素块和所述待处理超像素块对应的邻域超像素块集合,确定所述待处理超像素块对应的灰度显著度;
确定所述待处理超像素块集合中的每个待处理超像素块对应的对比显著度;
根据所述待处理超像素块集合中的每个待处理超像素块对应的内部熵、灰度显著度和对比显著度,确定所述待处理超像素块对应的整体显著度。
进一步的,所述根据所述待处理超像素块集合中的每个待处理超像素块中的各个像素点对应的梯度幅值和梯度方向,确定所述待处理超像素块对应的内部熵,包括:
将所述待处理超像素块中的每个像素点对应的梯度幅值和梯度方向,组合为所述像素点对应的二元组,得到所述待处理超像素块对应的二元组集合;
对所述待处理超像素块对应的二元组集合中的二元组进行分类处理,得到所述待处理超像素块对应的二元组类别集合;
根据所述待处理超像素块对应的二元组类别集合中的二元组类别的数量、所述待处理超像素块中的像素点的数量和所述待处理超像素块对应的二元组类别集合中的各个二元组类别中的二元组的数量,确定所述待处理超像素块对应的内部熵。
进一步的,所述根据所述待处理超像素块集合中的每个待处理超像素块和所述待处理超像素块对应的邻域超像素块集合,确定所述待处理超像素块对应的灰度显著度,包括:
将所述待处理超像素块中的像素点对应的灰度值的均值,确定为所述待处理超像素块对应的第一灰度均值;
将所述待处理超像素块对应的邻域超像素块集合中的每个邻域超像素块中的像素点对应的灰度值的均值,确定为第二灰度均值,得到所述待处理超像素块对应的第二灰度均值集合;
根据所述待处理超像素块对应的第一灰度均值和第二灰度均值集合中的每个第二灰度均值,确定第一灰度显著度,得到所述待处理超像素块对应的第一灰度显著度集合;
从所述待处理超像素块对应的第一灰度显著度集合中筛选出最大的第一灰度显著度,作为所述待处理超像素块对应的灰度显著度。
进一步的,所述确定所述待处理超像素块集合中的每个待处理超像素块对应的对比显著度,包括:
根据所述待处理超像素块中的各个像素点对应的灰度值、所述待处理超像素块中的像素点对应的灰度值的均值和所述待处理超像素块中的像素点的数量,确定所述待处理超像素块对应的灰度对比度指标;
确定所述待处理超像素块对应的邻域超像素块集合中的邻域超像素块对应的灰度对比度指标;
根据所述待处理超像素块和所述待处理超像素块对应的邻域超像素块集合中的邻域超像素块对应的灰度对比度指标,确定所述待处理超像素块对应的对比显著度。
进一步的,所述根据所述待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从所述待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合,包括:
对所述待处理超像素块集合中的待处理超像素块对应的整体显著度进行归一化处理,得到待处理超像素块对应的归一化显著度;
当所述待处理超像素块集合中的待处理超像素块对应的归一化显著度大于预先设置的缺陷阈值时,将待处理超像素块,确定为缺陷候选超像素块;
当所述待处理超像素块集合中的待处理超像素块对应的归一化显著度小于或等于缺陷阈值时,将待处理超像素块,确定为正常像素块。
进一步的,所述根据所述缺陷候选超像素块集合和所述正常像素块集合,从所述缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合,包括:
将所述正常像素块集合中的各个正常像素块中的各个像素点对应的灰度值的均值,确定为正常灰度均值;
将所述缺陷候选超像素块集合中的像素点对应的灰度值与正常灰度均值的差值的绝对值,确定为像素点对应的差异指标;
当所述缺陷候选超像素块集合中的像素点对应的差异指标大于预先设置的差异阈值时,将像素点,确定为喷漆缺陷像素点。
进一步的,所述根据所述喷漆缺陷像素点集合和预先获取的家具中心像素点,确定所述待检测家具对应的目标喷漆缺陷程度,包括:
将所述喷漆缺陷像素点集合中的每个喷漆缺陷像素点和家具中心像素点之间的欧式距离,确定为所述喷漆缺陷像素点对应的目标距离;
根据所述喷漆缺陷像素点集合中的喷漆缺陷像素点的数量、所述喷漆缺陷像素点集合中的各个喷漆缺陷像素点对应的差异指标和目标距离,确定所述待检测家具对应的目标喷漆缺陷程度。
进一步的,所述根据所述目标喷漆缺陷程度,生成所述待检测家具对应的目标缺陷信息,包括:
对所述目标喷漆缺陷程度进行归一化处理,得到归一化缺陷程度;
当所述归一化缺陷程度大于预先设置的缺陷程度阈值时,生成表征所述待检测家具的表面存在缺陷的目标缺陷信息;
当所述归一化缺陷程度小于或等于缺陷程度阈值时,生成表征所述待检测家具表面正常的目标缺陷信息。
本发明具有如下有益效果:
本发明的基于视觉的家具表面喷漆缺陷检测方法,通过对表面喷漆图像进行图像处理,解决了对家具表面进行喷漆缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度。首先,获取待检测家具的表面喷漆图像,对上述表面喷漆图像进行预处理,得到目标喷漆图像。实际情况中,当采用人工的方式,对家具表面进行喷漆缺陷检测时,往往是凭借检测者的主观感受进行检测识别,作出的识别判断往往不准确,因此,当采用人工的方式对家具表面进行喷漆缺陷检测时,往往会导致对家具表面进行喷漆缺陷检测的准确度低下。因此,通过获取包含有待检测家具表面喷漆情况的表面喷漆图像,可以便于后续通过量化的方式,分析待检测家具表面喷漆情况,可以提高对家具表面进行喷漆缺陷检测的准确度。并且,对表面喷漆图像进行预处理,可以消除表面喷漆图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,可以便于后续通过分析目标喷漆图像,对家具表面进行喷漆缺陷检测。接着,对上述目标喷漆图像进行超像素块划分处理,得到待处理超像素块集合。实际情况中,喷漆缺陷的纹理、颜色、亮度等特征往往与正常区域的纹理、颜色、亮度等特征不相似。因此,通过超像素块划分处理,可以把纹理、颜色、亮度等特征相似的像素点划分到同一个待处理超像素块,可以便于后续确定待检测家具表面喷漆缺陷情况。然后,确定上述待处理超像素块集合中的待处理超像素块对应的整体显著度。由于整体显著度可以表征待处理超像素块是缺陷所在区域的可能性,所以确定待处理超像素块对应的整体显著度,可以量化待处理超像素块是缺陷所在区域的可能性,可以便于后续分析待处理超像素块是否为喷漆缺陷所在的区域,可以提高对待处理超像素块是否为喷漆缺陷所在的区域判断的准确度。继续,根据上述待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从上述待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合。由于待处理超像素块对应的整体显著度,量化了待处理超像素块是缺陷所在区域的可能性,所以提高了缺陷候选超像素块集合和正常像素块集合划分的准确度。之后,根据上述缺陷候选超像素块集合和上述正常像素块集合,从上述缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合。通过对比缺陷候选超像素块集合和正常像素块集合,可以提高喷漆缺陷像素点筛选的准确度。而后,根据上述喷漆缺陷像素点集合和预先获取的家具中心像素点,确定上述待检测家具对应的目标喷漆缺陷程度。综合考虑喷漆缺陷像素点集合和家具中心像素点,可以提高待检测家具对应的目标喷漆缺陷程度确定的准确度。最后,根据上述目标喷漆缺陷程度,生成上述待检测家具对应的目标缺陷信息。因此,本发明通过对表面喷漆图像进行图像处理,解决了对家具表面进行喷漆缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度。
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为根据本发明的基于视觉的家具表面喷漆缺陷检测方法的流程图;
图2为根据本发明的待处理超像素块和邻域超像素块集合示意图。
其中,图2中的附图标记包括:待处理超像素块201、第一邻域超像素块202、第二邻域超像素块203、第三邻域超像素块204和第四邻域超像素块205。
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”指的不一定是同一个实施例。此外,一个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。
本发明提供了基于视觉的家具表面喷漆缺陷检测方法,该方法包括以下步骤:
获取待检测家具的表面喷漆图像,对表面喷漆图像进行预处理,得到目标喷漆图像;
对目标喷漆图像进行超像素块划分处理,得到待处理超像素块集合;
确定待处理超像素块集合中的待处理超像素块对应的整体显著度;
根据待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合;
根据缺陷候选超像素块集合和正常像素块集合,从缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合;
根据喷漆缺陷像素点集合和预先获取的家具中心像素点,确定待检测家具对应的目标喷漆缺陷程度;
根据目标喷漆缺陷程度,生成待检测家具对应的目标缺陷信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的基于视觉的家具表面喷漆缺陷检测方法的一些实施例的流程。该基于视觉的家具表面喷漆缺陷检测方法,包括以下步骤:
步骤S1,获取待检测家具的表面喷漆图像,对表面喷漆图像进行预处理,得到目标喷漆图像。
在一些实施例中,可以获取待检测家具的表面喷漆图像,对上述表面喷漆图像进行预处理,得到目标喷漆图像。
其中,待检测家具可以是待检测喷漆缺陷情况的表面喷涂单一漆色的家具。喷漆缺陷可以包括但不限于:橘皮、积粉、流挂和空隙缺陷。空隙缺陷所在的区域可以是应该被喷漆的待检测家具表面中没有被喷涂上的区域。表面喷漆图像可以是待检测家具的表面的图像。预处理可以包括但不限于:图像去噪、图像增强和图像灰度化。目标喷漆图像可以是进行预处理后的表面喷漆图像。
作为示例,本步骤可以包括以下步骤:
第一步,获取待检测家具的表面喷漆图像。
例如,可以通过图像采集设备,采集表面喷漆图像。其中,图像采集设备可以由相机和光源等装置组成。
第二步,通过图像去噪算法,对表面喷漆图像进行图像去噪,得到目标喷漆图像。
其中,图像去噪算法可以包括但不限于:均值滤波、中值滤波和高斯滤波。
步骤S2,对目标喷漆图像进行超像素块划分处理,得到待处理超像素块集合。
在一些实施例中,可以对上述目标喷漆图像进行超像素块划分处理,得到待处理超像素块集合。
其中,待处理超像素块集合中的待处理超像素块可以是由纹理、颜色、亮度等特征相似的像素点组成的区域。
作为示例,可以通过超像素分割算法,对目标喷漆图像进行超像素块划分处理,得到待处理超像素块集合。
步骤S3,确定待处理超像素块集合中的待处理超像素块对应的整体显著度。
在一些实施例中,可以确定上述待处理超像素块集合中的待处理超像素块对应的整体显著度。
其中,整体显著度可以表征待处理超像素块是缺陷所在区域的可能性。
作为示例,本步骤可以包括以下步骤:
第一步,确定上述待处理超像素块集合中的待处理超像素块中的各个像素点对应的梯度幅值和梯度方向。
例如,可以通过边缘检测算法,确定待处理超像素块集合中的待处理超像素块中的各个像素点对应的梯度幅值和梯度方向。
第二步,根据上述待处理超像素块集合中的每个待处理超像素块中的各个像素点对应的梯度幅值和梯度方向,确定上述待处理超像素块对应的内部熵。
其中,待处理超像素块对应的内部熵可以表征该待处理超像素块内像素点的梯度变化剧烈程度。
例如,本步骤可以包括以下子步骤:
第一子步骤,将上述待处理超像素块中的每个像素点对应的梯度幅值和梯度方向,组合为上述像素点对应的二元组,得到上述待处理超像素块对应的二元组集合。
比如,可以将像素点对应的梯度幅值,确定为该像素点对应的二元组中的第一个元素。可以将像素点对应的梯度方向,确定为该像素点对应的二元组中的第二个元素。
第二子步骤,对上述待处理超像素块对应的二元组集合中的二元组进行分类处理,得到上述待处理超像素块对应的二元组类别集合。
比如,可以将待处理超像素块对应的二元组集合中相同的二元组,划分到同一个二元组类别。
第三子步骤,根据上述待处理超像素块对应的二元组类别集合中的二元组类别的数量、上述待处理超像素块中的像素点的数量和上述待处理超像素块对应的二元组类别集合中的各个二元组类别中的二元组的数量,确定上述待处理超像素块对应的内部熵。
比如,确定待处理超像素块对应的内部熵对应的公式可以为:
其中,Spr是待处理超像素块对应的内部熵。A是待处理超像素块对应的二元组类
别集合中的二元组类别的数量。B是待处理超像素块中的像素点的数量。是待处理超像素
块对应的二元组类别集合中的第n个二元组类别中的二元组的数量。是以自然常数
为底数的的对数。是以自然常数为底数的的对数。
由于可以表征对应的梯度幅值和梯度方向属于第n个二元组类别的像素点占待
处理超像素块的比例,所以当待处理超像素块对应的内部熵越大时,该待处理超像素块的
内部分布情况往往越杂乱,规律性往往越低,该待处理超像素块内部存在缺陷的可能性往
往越大。
第三步,确定上述待处理超像素块集合中的每个待处理超像素块对应的邻域超像素块集合。
其中,待处理超像素块对应的邻域超像素块集合中的邻域超像素块可以是与该待处理超像素块相邻的除了该待处理超像素块之外的待处理超像素块。
例如,如图2所示,待处理超像素块201对应的邻域超像素块集合可以包括:第一邻域超像素块202、第二邻域超像素块203、第三邻域超像素块204和第四邻域超像素块205。即,图2正中间的矩形可以表征待处理超像素块201,外圈的一个五边形、一个三角形和两个矩形可以表征待处理超像素块201对应的邻域超像素块集合。
第四步,根据上述待处理超像素块集合中的每个待处理超像素块和上述待处理超像素块对应的邻域超像素块集合,确定上述待处理超像素块对应的灰度显著度。
其中,待处理超像素块对应的灰度显著度可以表征该待处理超像素块与邻域超像素块之间的灰度差异度。
例如,本步骤可以包括以下子步骤:
第一子步骤,将上述待处理超像素块中的像素点对应的灰度值的均值,确定为上述待处理超像素块对应的第一灰度均值。
第二子步骤,将上述待处理超像素块对应的邻域超像素块集合中的每个邻域超像素块中的像素点对应的灰度值的均值,确定为第二灰度均值,得到上述待处理超像素块对应的第二灰度均值集合。
第三子步骤,根据上述待处理超像素块对应的第一灰度均值和第二灰度均值集合中的每个第二灰度均值,确定第一灰度显著度,得到上述待处理超像素块对应的第一灰度显著度集合。
比如,确定第一灰度显著度对应的公式可以为:
其中,是待处理超像素块对应的第一灰度显著度集合中的第z个第一灰度显
著度。是待处理超像素块对应的第一灰度均值。是待处理超像素块对应的第二灰度均
值集合中的第z个第二灰度均值。是预先设置的防止分母为0的数值。如,。
实际情况中,待处理超像素块对应的第一灰度均值和第二灰度均值之间的差值越
大,往往说明待处理超像素块与邻域超像素块之间的灰度差异越大。由于待检测家具可以
是待检测喷漆缺陷情况的表面喷涂单一漆色的家具。所以,当待处理超像素块与邻域超像
素块之间的灰度差异越大时,待处理超像素块越可能是缺陷所在的区域。即待处理超像素
块对应的第一灰度显著度集合中的第一灰度显著度越大,待处理超像素块越可能是缺陷所
在的区域。并且,可以使待处理超像素块对应的第一灰度显著度集合中的第z
个第一灰度显著度的取值范围为[0,1],可以便于后续的图像处理。可以防止分母
为0,并且分子分母都加上,可以保证待处理超像素块对应的第一灰度均值和第二灰度均
值相等时,待处理超像素块对应的第一灰度显著度为0。
第四子步骤,从上述待处理超像素块对应的第一灰度显著度集合中筛选出最大的第一灰度显著度,作为上述待处理超像素块对应的灰度显著度。
第五步,确定上述待处理超像素块集合中的每个待处理超像素块对应的对比显著度。
其中,待处理超像素块对应的对比显著度可以表征该待处理超像素块与邻域超像素块对应的灰度渐变丰富程度之间的差异度。
例如,本步骤可以包括以下子步骤:
第一子步骤,根据上述待处理超像素块中的各个像素点对应的灰度值、上述待处理超像素块中的像素点对应的灰度值的均值和上述待处理超像素块中的像素点的数量,确定上述待处理超像素块对应的灰度对比度指标。
比如,由于待处理超像素块中的像素点对应的灰度值的均值可以作为该待处理超像素块对应的第一灰度均值。所以,确定待处理超像素块对应的灰度对比度指标对应的公式可以为:
实际情况中,待处理超像素块中的各个像素点对应的灰度值与该待处理超像素块对应的第一灰度均值之间的差值越大,该待处理超像素块对应的灰度变化程度往往越大。并且,待处理超像素块对应的灰度对比度指标Con可以表征待处理超像素块对应的灰度变化程度的平均水平。
第二子步骤,确定上述待处理超像素块对应的邻域超像素块集合中的邻域超像素块对应的灰度对比度指标。
本子步骤的具体实现方式可以参考步骤S3包括的第五步包括的第一子步骤,可以将邻域超像素块,作为待处理超像素块,执行步骤S3包括的第五步包括的第一子步骤,即可得到邻域超像素块对应的灰度对比度指标。
第三子步骤,根据上述待处理超像素块和上述待处理超像素块对应的邻域超像素块集合中的邻域超像素块对应的灰度对比度指标,确定上述待处理超像素块对应的对比显著度。
比如,确定待处理超像素块对应的对比显著度对应的公式可以为:
其中,D是待处理超像素块对应的对比显著度。k是待处理超像素块对应的邻域超
像素块集合中的邻域超像素块的数量。e是自然常数。Con是待处理超像素块对应的灰度对
比度指标。是待处理超像素块对应的邻域超像素块集合中的第Z个邻域超像素块对应
的灰度对比度指标。
实际情况中,待处理超像素块对应的灰度对比度指标与邻域超像素块对应的灰度
对比度指标越相近,该待处理超像素块与邻域超像素块对应的灰度变化程度往往越相似。
由于待检测家具可以是待检测喷漆缺陷情况的表面喷涂单一漆色的家具。所以,当待处理
超像素块与邻域超像素块对应的灰度变化程度越相似时,待处理超像素块越可能是正常区
域。即待处理超像素块对应的对比显著度越小,待处理超像素块越可能是正常区域。待处理
超像素块对应的对比显著度越大,待处理超像素块越可能是缺陷所在的区域。可以表征待处理超像素块与该待处理超像素块对应的邻域超像素块集
合中的各个邻域超像素块对应的灰度变化程度的平均相似程度,并且可以使待处理超像素
块对应的对比显著度D的取值范围为[0,1],可以便于后续的图像处理。
第六步,根据上述待处理超像素块集合中的每个待处理超像素块对应的内部熵、灰度显著度和对比显著度,确定上述待处理超像素块对应的整体显著度。
例如,确定待处理超像素块对应的整体显著度对应的公式可以为:
实际情况中,当待处理超像素块对应的内部熵、灰度显著度或对比显著度越大时,
该待处理超像素块对应的整体显著度往往越大,该待处理超像素块内部存在缺陷的可能性
往往越大。并且,根据实际情况预先设置指数因子和,可以使确定的整体显著度更加符
合实际情况。
步骤S4,根据待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合。
在一些实施例中,可以根据上述待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从上述待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合。
其中,缺陷候选超像素块集合中的缺陷候选超像素块是可能存在缺陷的待处理超像素块。正常像素块集合中的正常像素块可以是不存在缺陷的待处理超像素块。
作为示例,本步骤可以包括以下步骤:
第一步,对上述待处理超像素块集合中的待处理超像素块对应的整体显著度进行归一化处理,得到待处理超像素块对应的归一化显著度。
其中,归一化显著度的取值范围可以为(0,1)。
第二步,当上述待处理超像素块集合中的待处理超像素块对应的归一化显著度大于预先设置的缺陷阈值时,将待处理超像素块,确定为缺陷候选超像素块。
其中,缺陷阈值可以是预先设置的待处理超像素块是正常像素块时,待处理超像素块所允许对应的最大的归一化显著度。例如,缺陷阈值可以是0.5。
第三步,当上述待处理超像素块集合中的待处理超像素块对应的归一化显著度小于或等于缺陷阈值时,将待处理超像素块,确定为正常像素块。
步骤S5,根据缺陷候选超像素块集合和正常像素块集合,从缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合。
在一些实施例中,可以根据上述缺陷候选超像素块集合和上述正常像素块集合,从上述缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合。
其中,喷漆缺陷像素点集合中的喷漆缺陷像素点可以是缺陷所在区域中的像素点。
作为示例,本步骤可以包括以下步骤:
第一步,将上述正常像素块集合中的各个正常像素块中的各个像素点对应的灰度值的均值,确定为正常灰度均值。
第二步,将上述缺陷候选超像素块集合中的像素点对应的灰度值与正常灰度均值的差值的绝对值,确定为像素点对应的差异指标。
第三步,当上述缺陷候选超像素块集合中的像素点对应的差异指标大于预先设置的差异阈值时,将像素点,确定为喷漆缺陷像素点。
其中,差异阈值可以是预先设置的像素点为正常像素点时,像素点所允许对应的最大的差异指标。例如,差异阈值可以是20。正常像素点可以是正常区域中的像素点。
步骤S6,根据喷漆缺陷像素点集合和预先获取的家具中心像素点,确定待检测家具对应的目标喷漆缺陷程度。
在一些实施例中,可以根据上述喷漆缺陷像素点集合和预先获取的家具中心像素点,确定上述待检测家具对应的目标喷漆缺陷程度。
其中,家具中心像素点可以是待检测家具的中心点对应的像素点。目标喷漆缺陷程度可以表征待检测家具表面喷漆的缺陷程度。
作为示例,本步骤可以包括以下步骤:
第一步,将上述喷漆缺陷像素点集合中的每个喷漆缺陷像素点和家具中心像素点之间的欧式距离,确定为上述喷漆缺陷像素点对应的目标距离。
第二步,根据上述喷漆缺陷像素点集合中的喷漆缺陷像素点的数量、上述喷漆缺陷像素点集合中的各个喷漆缺陷像素点对应的差异指标和目标距离,确定上述待检测家具对应的目标喷漆缺陷程度。
例如,确定待检测家具对应的目标喷漆缺陷程度对应的公式可以为:
其中,是待检测家具对应的目标喷漆缺陷程度。T是喷漆缺陷像素点集合中的喷
漆缺陷像素点的数量。e是自然常数。是喷漆缺陷像素点集合中的第t个喷漆缺陷像素点
对应的目标距离。是喷漆缺陷像素点集合中的第t个喷漆缺陷像素点对应的差异指标。
实际情况中,当待检测家具表面越靠近中心的位置发生喷漆缺陷时,往往更加影
响待检测家具表面的美观,并且越靠近中心的位置,往往越容易被使用,所以越靠近中心的
位置在进行待检测家具表面喷漆缺陷时,往往越重要。因此,将考虑了喷漆缺陷像素点对应
的目标距离(喷漆缺陷像素点和家具中心像素点之间的欧式距离)的,作为喷漆缺陷
像素点对应的差异指标的权重,可以使确定的目标喷漆缺陷程度更加符合实际情况,可以
提高目标喷漆缺陷程度确定的准确度。并且,喷漆缺陷像素点对应的目标距离越小时,喷漆
缺陷像素点距离家具中心像素点往往越近,往往越大。当越大或越大时,待检
测家具对应的目标喷漆缺陷程度越大,待检测家具表面喷漆的缺陷程度越大。
步骤S7,根据目标喷漆缺陷程度,生成待检测家具对应的目标缺陷信息。
在一些实施例中,可以根据上述目标喷漆缺陷程度,生成上述待检测家具对应的目标缺陷信息。
其中,目标缺陷信息可以表征待检测家具的喷漆缺陷情况。
作为示例,本步骤可以包括以下步骤:
第一步,对上述目标喷漆缺陷程度进行归一化处理,得到归一化缺陷程度。
其中,归一化缺陷程度的取值范围可以为(0,1)。
第二步,当上述归一化缺陷程度大于预先设置的缺陷程度阈值时,生成表征上述待检测家具的表面存在缺陷的目标缺陷信息。
其中,缺陷程度阈值可以是预先设置的待检测家具表面正常时,待检测家具所允许对应的最大的归一化缺陷程度。例如,缺陷程度阈值可以是0.5。
第三步,当上述归一化缺陷程度小于或等于缺陷程度阈值时,生成表征上述待检测家具表面正常的目标缺陷信息。
本发明的基于视觉的家具表面喷漆缺陷检测方法,通过对表面喷漆图像进行图像处理,解决了对家具表面进行喷漆缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度。首先,获取待检测家具的表面喷漆图像,对上述表面喷漆图像进行预处理,得到目标喷漆图像。实际情况中,当采用人工的方式,对家具表面进行喷漆缺陷检测时,往往是凭借检测者的主观感受进行检测识别,作出的识别判断往往不准确,因此,当采用人工的方式对家具表面进行喷漆缺陷检测时,往往会导致对家具表面进行喷漆缺陷检测的准确度低下。因此,通过获取包含有待检测家具表面喷漆情况的表面喷漆图像,可以便于后续通过量化的方式,分析待检测家具表面喷漆情况,可以提高对家具表面进行喷漆缺陷检测的准确度。并且,对表面喷漆图像进行预处理,可以消除表面喷漆图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,可以便于后续通过分析目标喷漆图像,对家具表面进行喷漆缺陷检测。接着,对上述目标喷漆图像进行超像素块划分处理,得到待处理超像素块集合。实际情况中,喷漆缺陷的纹理、颜色、亮度等特征往往与正常区域的纹理、颜色、亮度等特征不相似。因此,通过超像素块划分处理,可以把纹理、颜色、亮度等特征相似的像素点划分到同一个待处理超像素块,可以便于后续确定待检测家具表面喷漆缺陷情况。然后,确定上述待处理超像素块集合中的待处理超像素块对应的整体显著度。由于整体显著度可以表征待处理超像素块是缺陷所在区域的可能性,所以确定待处理超像素块对应的整体显著度,可以量化待处理超像素块是缺陷所在区域的可能性,可以便于后续分析待处理超像素块是否为喷漆缺陷所在的区域,可以提高对待处理超像素块是否为喷漆缺陷所在的区域判断的准确度。继续,根据上述待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从上述待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合。由于待处理超像素块对应的整体显著度,量化了待处理超像素块是缺陷所在区域的可能性,所以提高了缺陷候选超像素块集合和正常像素块集合划分的准确度。之后,根据上述缺陷候选超像素块集合和上述正常像素块集合,从上述缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合。通过对比缺陷候选超像素块集合和正常像素块集合,可以提高喷漆缺陷像素点筛选的准确度。而后,根据上述喷漆缺陷像素点集合和预先获取的家具中心像素点,确定上述待检测家具对应的目标喷漆缺陷程度。综合考虑喷漆缺陷像素点集合和家具中心像素点,可以提高待检测家具对应的目标喷漆缺陷程度确定的准确度。最后,根据上述目标喷漆缺陷程度,生成上述待检测家具对应的目标缺陷信息。因此,本发明通过对表面喷漆图像进行图像处理,解决了对家具表面进行喷漆缺陷检测的效率和准确度低下的技术问题,提高了对标签进行缺陷检测的效率和准确度。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,包括以下步骤:
获取待检测家具的表面喷漆图像,对所述表面喷漆图像进行预处理,得到目标喷漆图像;
对所述目标喷漆图像进行超像素块划分处理,得到待处理超像素块集合;
确定所述待处理超像素块集合中的待处理超像素块对应的整体显著度;
根据所述待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从所述待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合;
根据所述缺陷候选超像素块集合和所述正常像素块集合,从所述缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合;
根据所述喷漆缺陷像素点集合和预先获取的家具中心像素点,确定所述待检测家具对应的目标喷漆缺陷程度;
根据所述目标喷漆缺陷程度,生成所述待检测家具对应的目标缺陷信息。
2.根据权利要求1所述的一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,所述确定所述待处理超像素块集合中的待处理超像素块对应的整体显著度,包括:
确定所述待处理超像素块集合中的待处理超像素块中的各个像素点对应的梯度幅值和梯度方向;
根据所述待处理超像素块集合中的每个待处理超像素块中的各个像素点对应的梯度幅值和梯度方向,确定所述待处理超像素块对应的内部熵;
确定所述待处理超像素块集合中的每个待处理超像素块对应的邻域超像素块集合;
根据所述待处理超像素块集合中的每个待处理超像素块和所述待处理超像素块对应的邻域超像素块集合,确定所述待处理超像素块对应的灰度显著度;
确定所述待处理超像素块集合中的每个待处理超像素块对应的对比显著度;
根据所述待处理超像素块集合中的每个待处理超像素块对应的内部熵、灰度显著度和对比显著度,确定所述待处理超像素块对应的整体显著度。
3.根据权利要求2所述的一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,所述根据所述待处理超像素块集合中的每个待处理超像素块中的各个像素点对应的梯度幅值和梯度方向,确定所述待处理超像素块对应的内部熵,包括:
将所述待处理超像素块中的每个像素点对应的梯度幅值和梯度方向,组合为所述像素点对应的二元组,得到所述待处理超像素块对应的二元组集合;
对所述待处理超像素块对应的二元组集合中的二元组进行分类处理,得到所述待处理超像素块对应的二元组类别集合;
根据所述待处理超像素块对应的二元组类别集合中的二元组类别的数量、所述待处理超像素块中的像素点的数量和所述待处理超像素块对应的二元组类别集合中的各个二元组类别中的二元组的数量,确定所述待处理超像素块对应的内部熵。
4.根据权利要求2所述的一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,所述根据所述待处理超像素块集合中的每个待处理超像素块和所述待处理超像素块对应的邻域超像素块集合,确定所述待处理超像素块对应的灰度显著度,包括:
将所述待处理超像素块中的像素点对应的灰度值的均值,确定为所述待处理超像素块对应的第一灰度均值;
将所述待处理超像素块对应的邻域超像素块集合中的每个邻域超像素块中的像素点对应的灰度值的均值,确定为第二灰度均值,得到所述待处理超像素块对应的第二灰度均值集合;
根据所述待处理超像素块对应的第一灰度均值和第二灰度均值集合中的每个第二灰度均值,确定第一灰度显著度,得到所述待处理超像素块对应的第一灰度显著度集合;
从所述待处理超像素块对应的第一灰度显著度集合中筛选出最大的第一灰度显著度,作为所述待处理超像素块对应的灰度显著度。
5.根据权利要求2所述的一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,所述确定所述待处理超像素块集合中的每个待处理超像素块对应的对比显著度,包括:
根据所述待处理超像素块中的各个像素点对应的灰度值、所述待处理超像素块中的像素点对应的灰度值的均值和所述待处理超像素块中的像素点的数量,确定所述待处理超像素块对应的灰度对比度指标;
确定所述待处理超像素块对应的邻域超像素块集合中的邻域超像素块对应的灰度对比度指标;
根据所述待处理超像素块和所述待处理超像素块对应的邻域超像素块集合中的邻域超像素块对应的灰度对比度指标,确定所述待处理超像素块对应的对比显著度。
6.根据权利要求1所述的一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,所述根据所述待处理超像素块集合中的各个待处理超像素块对应的整体显著度,从所述待处理超像素块集合中划分出缺陷候选超像素块集合和正常像素块集合,包括:
对所述待处理超像素块集合中的待处理超像素块对应的整体显著度进行归一化处理,得到待处理超像素块对应的归一化显著度;
当所述待处理超像素块集合中的待处理超像素块对应的归一化显著度大于预先设置的缺陷阈值时,将待处理超像素块,确定为缺陷候选超像素块;
当所述待处理超像素块集合中的待处理超像素块对应的归一化显著度小于或等于缺陷阈值时,将待处理超像素块,确定为正常像素块。
7.根据权利要求1所述的一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,所述根据所述缺陷候选超像素块集合和所述正常像素块集合,从所述缺陷候选超像素块集合中筛选出喷漆缺陷像素点集合,包括:
将所述正常像素块集合中的各个正常像素块中的各个像素点对应的灰度值的均值,确定为正常灰度均值;
将所述缺陷候选超像素块集合中的像素点对应的灰度值与正常灰度均值的差值的绝对值,确定为像素点对应的差异指标;
当所述缺陷候选超像素块集合中的像素点对应的差异指标大于预先设置的差异阈值时,将像素点,确定为喷漆缺陷像素点。
8.根据权利要求7所述的一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,所述根据所述喷漆缺陷像素点集合和预先获取的家具中心像素点,确定所述待检测家具对应的目标喷漆缺陷程度,包括:
将所述喷漆缺陷像素点集合中的每个喷漆缺陷像素点和家具中心像素点之间的欧式距离,确定为所述喷漆缺陷像素点对应的目标距离;
根据所述喷漆缺陷像素点集合中的喷漆缺陷像素点的数量、所述喷漆缺陷像素点集合中的各个喷漆缺陷像素点对应的差异指标和目标距离,确定所述待检测家具对应的目标喷漆缺陷程度。
9.根据权利要求1所述的一种基于视觉的家具表面喷漆缺陷检测方法,其特征在于,所述根据所述目标喷漆缺陷程度,生成所述待检测家具对应的目标缺陷信息,包括:
对所述目标喷漆缺陷程度进行归一化处理,得到归一化缺陷程度;
当所述归一化缺陷程度大于预先设置的缺陷程度阈值时,生成表征所述待检测家具的表面存在缺陷的目标缺陷信息;
当所述归一化缺陷程度小于或等于缺陷程度阈值时,生成表征所述待检测家具表面正常的目标缺陷信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146708.9A CN115222743B (zh) | 2022-09-21 | 2022-09-21 | 基于视觉的家具表面喷漆缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146708.9A CN115222743B (zh) | 2022-09-21 | 2022-09-21 | 基于视觉的家具表面喷漆缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222743A true CN115222743A (zh) | 2022-10-21 |
CN115222743B CN115222743B (zh) | 2022-12-09 |
Family
ID=83617536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211146708.9A Active CN115222743B (zh) | 2022-09-21 | 2022-09-21 | 基于视觉的家具表面喷漆缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222743B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375675A (zh) * | 2022-10-24 | 2022-11-22 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像数据的煤炭质量检测方法 |
CN115797299A (zh) * | 2022-12-05 | 2023-03-14 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN115880302A (zh) * | 2023-03-08 | 2023-03-31 | 杭州智源电子有限公司 | 基于图像分析的仪表盘焊接质量检测方法 |
CN116363136A (zh) * | 2023-06-01 | 2023-06-30 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及*** |
CN117474910A (zh) * | 2023-12-27 | 2024-01-30 | 陕西立拓科源科技有限公司 | 一种用于电机质量的视觉检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147255B1 (en) * | 2013-03-14 | 2015-09-29 | Hrl Laboratories, Llc | Rapid object detection by combining structural information from image segmentation with bio-inspired attentional mechanisms |
CN112991305A (zh) * | 2021-03-24 | 2021-06-18 | 苏州亚朴智能科技有限公司 | 一种喷漆面板表面缺陷的视觉检测方法 |
CN113781402A (zh) * | 2021-08-19 | 2021-12-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 |
CN113888461A (zh) * | 2021-08-26 | 2022-01-04 | 华能大理风力发电有限公司 | 基于深度学习的小五金件缺陷检测方法、***及设备 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
-
2022
- 2022-09-21 CN CN202211146708.9A patent/CN115222743B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147255B1 (en) * | 2013-03-14 | 2015-09-29 | Hrl Laboratories, Llc | Rapid object detection by combining structural information from image segmentation with bio-inspired attentional mechanisms |
CN112991305A (zh) * | 2021-03-24 | 2021-06-18 | 苏州亚朴智能科技有限公司 | 一种喷漆面板表面缺陷的视觉检测方法 |
CN113781402A (zh) * | 2021-08-19 | 2021-12-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 |
CN113888461A (zh) * | 2021-08-26 | 2022-01-04 | 华能大理风力发电有限公司 | 基于深度学习的小五金件缺陷检测方法、***及设备 |
CN115049835A (zh) * | 2022-08-16 | 2022-09-13 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
Non-Patent Citations (2)
Title |
---|
HUIZHOU LIU ET AL.: "An adaptive defect detection method for LNG storage tank insulation layer based on visual saliency", 《PROCESS SAFETY AND ENVIRONMENTAL PROTECTION》 * |
马逐曦: "基于超像素的平面铣削工件表面缺陷视觉检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375675A (zh) * | 2022-10-24 | 2022-11-22 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像数据的煤炭质量检测方法 |
CN115797299A (zh) * | 2022-12-05 | 2023-03-14 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN115797299B (zh) * | 2022-12-05 | 2023-09-01 | 常宝新材料(苏州)有限公司 | 一种光学复合膜的缺陷检测方法 |
CN115880302A (zh) * | 2023-03-08 | 2023-03-31 | 杭州智源电子有限公司 | 基于图像分析的仪表盘焊接质量检测方法 |
CN115880302B (zh) * | 2023-03-08 | 2023-05-23 | 杭州智源电子有限公司 | 基于图像分析的仪表盘焊接质量检测方法 |
CN116363136A (zh) * | 2023-06-01 | 2023-06-30 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及*** |
CN116363136B (zh) * | 2023-06-01 | 2023-08-11 | 山东创元智能设备制造有限责任公司 | 一种机动车部件自动化生产在线筛选方法及*** |
CN117474910A (zh) * | 2023-12-27 | 2024-01-30 | 陕西立拓科源科技有限公司 | 一种用于电机质量的视觉检测方法 |
CN117474910B (zh) * | 2023-12-27 | 2024-03-12 | 陕西立拓科源科技有限公司 | 一种用于电机质量的视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115222743B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222743B (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
Mizushima et al. | An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN114842017A (zh) | 一种hdmi线缆表面质量检测方法及*** | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
Yu et al. | A new edge detection approach based on image context analysis | |
CN114972357A (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及*** | |
CN114240888B (zh) | 一种基于图像处理的家具组件喷漆缺陷修复方法及*** | |
CN114359270A (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN113706566A (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN113743421B (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
CN114581428A (zh) | 一种基于光学手段的粉末涂料粘合度检测方法 | |
CN111860500A (zh) | 一种鞋印磨损区域检测与描边方法 | |
CN114494205B (zh) | 一种基于自适应的颜色分级的门窗锈蚀程度判定方法 | |
Elanangai et al. | Automated system for defect identification and character recognition using IR images of SS-plates |
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 |