CN115272312B - 基于机器视觉的塑料手机外壳缺陷检测方法 - Google Patents
基于机器视觉的塑料手机外壳缺陷检测方法 Download PDFInfo
- Publication number
- CN115272312B CN115272312B CN202211177655.7A CN202211177655A CN115272312B CN 115272312 B CN115272312 B CN 115272312B CN 202211177655 A CN202211177655 A CN 202211177655A CN 115272312 B CN115272312 B CN 115272312B
- Authority
- CN
- China
- Prior art keywords
- contour
- edge
- mobile phone
- image
- point
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于机器视觉的塑料手机外壳缺陷检测方法。该方法是一种应用电子设备进行识别的方法,利用人工智能***完成对塑料手机外壳的缺陷检测。该方法首先通过相机识别手机外壳图像,对手机外壳图像进行数据处理得到多个轮廓边缘;对多个轮廓边缘进行轮廓配准,剔除最小的最短距离对应的轮廓边缘,其他轮廓边缘为缺陷轮廓。实现了手机外壳本身的标识特征和缺陷的区分,且减少了传统形状上下文算法的计算量。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于机器视觉的塑料手机外壳缺陷检测方法。
背景技术
随着对手机品质要求的提高,消费者同时对手机的外观提出了要求,当手机外壳出现划痕或者磕碰缺陷时,会影响消费者的使用体验。目前,常见手机外壳的缺陷检测方法为模板匹配定位方法,通过待检测图像与模板图像的匹配定位识别出缺陷位置。在模板匹配过程中需要匹配大量的数据点,导致算法的计算量较大,对硬件要求较高。
在现有技术中可根据待检测图像中边缘的长度对匹配的边缘进行筛选,去除掉长度较短的边缘,以实现减小计算量。但是该方法仅根据长度对边缘进行去除,极容易将缺陷信息一并去除,进而导致缺陷检测不准确。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于机器视觉的塑料手机外壳缺陷检测方法,所采用的技术方案具体如下:
采集待检测手机的手机外壳图像,预处理所述手机外壳图像得到外壳灰度图像;
基于像素点的灰度值,对所述外壳灰度图像中的像素点进行聚类,得到两个分类簇;基于分类簇,得到外壳灰度图像中的多个轮廓边缘;通过轮廓边缘上边缘点与外壳边缘的距离、轮廓边缘上边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成的转动角,计算轮廓边缘上边缘点的起始定位值;对于任意轮廓边缘,以最小起始定位值对应的边缘点作为轮廓起始点,以最大起始定位值对应的边缘点作为轮廓末尾点,由轮廓起始点和轮廓末尾点得到轮廓匹配方向;
根据相邻边缘点对应的起始定位值的差异,筛选出部分边缘点;利用形状上下文算法,从待检测手机的手机外壳图像中的轮廓边缘的轮廓起始点和标准手机的手机外壳图像中的轮廓边缘的轮廓起始点开始,沿着轮廓匹配方向,对轮廓边缘上的筛选出的部分边缘点进行轮廓配准,直至匹配至轮廓末尾点,得到对应的形状上下文直方图矩阵和局部外观描述矩阵;结合所述形状上下文直方图矩阵和所述局部外观描述矩阵得到总相似度度量矩阵;根据总相似度度量矩阵抽象成距离矩阵,得到所对应的最短距离,从多个最短距离中剔除最小的最短距离对应的轮廓边缘,保留其他轮廓边缘为缺陷轮廓。
优选的,所述预处理所述手机外壳图像得到外壳灰度图像,包括:
对所述手机外壳图像进行灰度化和图像去噪,得到初始外壳图像;
对所述初始外壳图像进行图像分割,得到感兴趣区域,所述感兴趣区域包括手机外壳的自带图案和缺陷区域部分;仅含有感兴趣区域的图像为外壳灰度图像。
优选的,所述通过轮廓边缘上边缘点与外壳边缘的距离、轮廓边缘上边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成的转动角,计算轮廓边缘上边缘点的起始定位值,包括:
所述起始定位值的计算公式为:
其中,为轮廓边缘上第i个边缘点的所述起始定位值;为轮廓边缘上第i个边缘点与最接近的外壳边缘上的点的曼哈顿距离;为轮廓边缘上第i个边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成的转动角;为余弦函数和正弦函数中的最大值对应的函数在对应位置处的切线斜率。
优选的,所述由轮廓起始点和轮廓末尾点得到轮廓匹配方向,包括:
沿着轮廓边缘,以轮廓起始点与轮廓末尾点之间像素点数量最少的一侧作为轮廓匹配方法。
优选的,所述根据相邻边缘点对应的起始定位值的差异,筛选出部分边缘点,包括:
获取相邻边缘点之间的起始定位值的差值的绝对值;当两个相邻边缘点对应的差值的绝对值小于预设第一阈值时,保留距离轮廓起始点较近的边缘点,筛除距离轮廓起始点较远的边缘点。
优选的,所述结合所述形状上下文直方图矩阵和所述局部外观描述矩阵得到总相似度度量矩阵,包括:
计算形状上下文直方图矩阵对应的相似度度量矩阵和局部外观描述矩阵对应的相似度度量矩阵;
将所述形状上下文直方图矩阵对应的相似度度量矩阵和所述局部外观描述矩阵对应的相似度度量矩阵加权求和,得到总相似度度量矩阵。
本发明实施例至少具有如下有益效果:
本发明通过对手机的手机外壳图像进行图像分割,将不同类型的缺陷分入不同的分类簇;进而对不同分类簇中的轮廓边缘,通过轮廓边缘上边缘点与外壳边缘的距离、轮廓边缘上边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成的转动角,计算轮廓边缘上边缘点的起始定位值,基于各边缘点对应的起始定位值,确定轮廓起始点、轮廓末尾点和轮廓匹配方向,对形状上下文算法进行改进,通过改进后的形状上下文算法实现轮廓匹配。
利用形状上下文算法,从待检测手机的手机外壳图像中的轮廓边缘的轮廓起始点和标准手机的手机外壳图像中的轮廓边缘的轮廓起始点开始,沿着轮廓匹配方向,对轮廓边缘上的筛选出的部分边缘点进行轮廓配准,直至匹配至轮廓末尾点,得到对应的形状上下文直方图矩阵和局部外观描述矩阵。从而在不减少轮廓匹配精度的前提下,减少了形状上下文算法的计算量。最后通过总相似度度量矩阵对手机外壳的自带图案和手机镜头孔洞进行剔除,实现了手机外壳本身的标识特征、手机外壳上的划痕缺陷和孔洞缺陷的区分,且减少了传统形状上下文算法的计算量,提高了缺陷检测的精度。
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为本发明一个实施例所提供的基于机器视觉的塑料手机外壳缺陷检测方法的方法流程图。
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基于机器视觉的塑料手机外壳缺陷检测方法,其具体实施方式、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。
本发明实施例提供了基于机器视觉的塑料手机外壳缺陷检测方法的具体实施方法,该方法适用于手机外壳缺陷检测场景。该场景下的手机外壳上只含有手机镜头孔洞和简单的手机外壳的自带图案,如手机厂商名字等。为了删除长度小于特定阈值的边缘,未被删除的剩余部分作为边缘点进行后续处理。该方法仅通过长度对边缘进行筛选,当手机外壳上出现较长的划痕时,会将因其长度大于特定阈值而作为边缘点而进行筛选的问题。本发明通过对手机的手机外壳图像进行图像分割,将不同类型的缺陷分入不同的分类簇;确定不同分类簇中的轮廓边缘上轮廓起始点、轮廓末尾点和轮廓匹配方向,进而对形状上下文算法进行改进,通过改进后的形状上下文算法实现轮廓匹配。基于轮廓起始点、轮廓匹配方向和筛选出的部分边缘点,对待检测手机的手机外壳图像中的轮廓边缘和标准手机的手机外壳图像中的轮廓边缘进行轮廓配准,从而在不减少轮廓匹配精度的前提下,减少了形状上下文算法的计算量。最后通过总相似度度量矩阵对手机外壳的自带图案和手机镜头孔洞进行剔除,实现了手机外壳本身的标识特征、手机外壳上的划痕缺陷和孔洞缺陷的区分,进而提高了手机外壳的缺陷检测精度。
下面结合附图具体的说明本发明所提供的基于机器视觉的塑料手机外壳缺陷检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的塑料手机外壳缺陷检测方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集待检测手机的手机外壳图像,预处理所述手机外壳图像得到外壳灰度图像。
本发明需对塑料手机外壳进行缺陷检测,故首先通过CCD相机以及LED光源对待检测手机的手机外壳图像进行采集,其中,CCD相机安装于手机的正上方,相机的光轴垂直于所需要采集的手机,LED光源用于照射待检测手机,使得相机在LED光源的照射下采集到更清楚的手机外壳图像。并对采集到的手机外壳图像进行预处理,得到外壳灰度图像。预处理所述手机外壳图像得到外壳灰度图像,具体的:
首先,对手机外壳图像进行灰度化和图像去噪,得到初始外壳图像。图像灰度化是为了简化图像信息量,方便对手机外壳图像进行后续的缺陷检测;图像去噪是为了排除在对手机外壳图像进行缺陷检测时由于外界因素的干扰而造成的缺陷检测误差,外界影响因素如光照不均匀、图像传输设备等影响因素。在本发明实施例中图像灰度化的方法为加权平均法灰度化,图像去噪的方法为中值滤波法。
然后,由于针对手机外壳图像进行缺陷检测,手机外壳图像中不仅存在一定数量的缺陷,如划痕缺陷、孔洞缺陷等;还存在着手机镜头孔洞和手机外壳的自带图案,手机外壳的自带图案如手机厂商名字等。通过机器视觉进行手机外壳缺陷检测时,需要把手机外壳的自带图案与手机外壳中的缺陷部分进行区分,避免因检测混乱导致的经济损失,并且进行缺陷检测时应保证标准手机的外壳与各待检测手机的外壳为同一类型手机外壳。得到初始外壳图像后,对初始外壳图像进行图像分割,得到感兴趣区域,感兴趣区域包括手机外壳的自带图案和缺陷区域部分,将背景区域进行剔除。仅含有感兴趣区域的图像为外壳灰度图像。也即对图像中感兴趣部分进行突出,扩大图像中不同特征之间的差别,在塑料手机外壳图像中,即扩大背景与缺陷以及手机自带图案之间的差别,以方便后续缺陷检测。
步骤S200,基于像素点的灰度值,对所述外壳灰度图像中的像素点进行聚类,得到两个分类簇;基于分类簇,得到外壳灰度图像中的多个轮廓边缘;通过轮廓边缘上边缘点与外壳边缘的距离、轮廓边缘上边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成的转动角,计算轮廓边缘上边缘点的起始定位值;对于任意轮廓边缘,以最小起始定位值对应的边缘点作为轮廓起始点,以最大起始定位值对应的边缘点作为轮廓末尾点,由轮廓起始点和轮廓末尾点得到轮廓匹配方向。
对于待检测手机的手机外壳图像,因为不论是缺陷部分、背景部分还是手机外壳的自带图案,其在各自区域的灰度值差异较小。因此可通过DBSCAN聚类算法,根据待检测手机对应的外壳灰度图像中各像素点的灰度值,对外壳灰度图像中的各个像素点进行聚类,聚类簇的数量即为塑料手机外壳图像中的不同区域的数量,由于在对手机外壳图像进行预处理的过程中,仅保留了感兴趣区域,而将背景区域进行了剔除,故外壳灰度图像中仅包含缺陷孔洞、手机镜头孔洞、划痕缺陷与手机外壳的自带图案,其中,缺陷孔洞和手机镜头孔洞的灰度值相差较小,在外壳灰度图像中呈现出来的均接近于黑色,根据灰度值进行分簇,将缺陷孔洞和手机镜头孔洞分至同一分类簇;划痕缺陷与手机外壳的自带图案的灰度值相差较小,根据灰度值进行分簇,将划痕缺陷与手机外壳的自带图案分至同一分类簇。也即基于像素点的灰度值,对外壳灰度图像中的像素点进行聚类,得到两个分类簇。需要说明的是,DBSCAN聚类算法为本领域技术人员的公知技术,此处不再赘述。
通过DBSCAN聚类算法共得到两个分类簇,其中,两个分类簇不包括背景区域,即对背景区域进行剔除,两个分类簇中类间灰度值相差较大,类内灰度值相差较小。
进一步的,对属于同一分类簇的缺陷进行检测。需要说明的是,本发明所涉及的待检测手机的手机外壳较为简单,若存在其他类型缺陷或其他手机外壳标识,可由实施者根据实际情况调整分类簇的数量。
在对手机外壳图像进行灰度变换并将背景进行剔除之后,得到的外壳灰度图像中仅存在两个灰度值区域,也即两个分类簇。其中,一个分类簇中存在缺陷孔洞以及手机镜头孔洞,另一个分类簇中存在划痕缺陷以及手机外壳的自带图案,如手机厂商名字。对两个分类簇内的像素点分别通过Sobel边缘检测分别提取出分类簇中的缺陷孔洞、手机镜头孔洞、划痕缺陷与手机外壳的自带图案的轮廓边缘;也即基于分类簇,得到外壳灰度图像中的多个轮廓边缘。通过对两个分类簇对应的轮廓进行图像配准进而将缺陷提取出来进行缺陷检测。需要说明的是,Sobel边缘检测为本领域技术人员的公知技术,此处不再赘述。其中,缺陷孔洞和手机镜头孔洞属于同一个分类簇,划痕缺陷与手机外壳的自带图案属于同一个分类簇。
通过形状上下文算子实现对于标准手机的手机外壳图像与待检测手机的手机外壳图像的图像配准,从而完成对于待检测手机的手机外壳图像的缺陷检测。对于轮廓边缘中存在的缺陷孔洞以及手机镜头孔洞,其形状近似为圆形,此时采用极对数坐标系以实现轮廓配准,为减少形状上下文算子计算量,本发明对轮廓边缘中各个轮廓起始点以及轮廓匹配方向进行定义。
传统的形状上下文算子通过对两幅图像中所有轮廓点进行一一匹配,从而实现图像配准,匹配精度较高,但是计算量较大。为减小计算量,本发明通过构建转动距离与转动角实现对于各个轮廓边缘上的轮廓起始点的定位、轮廓匹配方向的确定以及像素点的筛选。对图像中存在的轮廓按照同一规则确定起始点与轮廓匹配方向后,不再需要对标准手机的手机外壳图像以及待检测手机的手机外壳图像中存在的各个轮廓点进行匹配。只需按照轮廓匹配方向,将筛选出的部分边缘点进行一一匹配即可实现图像配准,对于存在的缺陷孔洞以及手机镜头孔洞的分类簇,通过构建好的转动距离以及转动角实现标准手机的手机外壳图像与待检测手机的手机外壳图像中缺陷孔洞以及手机镜头孔洞的轮廓配准,对于能够匹配到的轮廓即手机镜头孔洞进行剔除之后,该分类簇内仅存在缺陷孔洞,即可完成的缺陷检测。
具体的:以轮廓边缘上边缘点与外壳边缘的距离作为转动距离、以轮廓边缘上边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成转动角;通过轮廓边缘上边缘点与外壳边缘的距离、轮廓边缘上边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成的转动角,计算轮廓边缘上边缘点的起始定位值。需要说明的是,外壳边缘即为手机外壳图像中的手机最外层的轮廓边缘,如长方形的手机,对应的即为最外层的最大的,呈长方形的外壳边缘;轮廓中心即为轮廓边缘的重心。
该起始定位值的计算公式为:
其中,为轮廓边缘上第i个边缘点的所述起始定位值;为轮廓边缘上第i个边缘点与最接近的外壳边缘上的点的曼哈顿距离;为轮廓边缘上第i个边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成的转动角;为余弦函数和正弦函数中的最大值对应的函数在对应位置处的切线斜率。
其中,曼哈顿距离为轮廓像素点与最接近的外壳边缘上的点的横向距离与纵向距离之和,横向距离与纵向距离为离边缘较近一侧且互相垂直。且手机的外壳边缘通过Sobel边缘检测进行提取,手机的外壳边缘与手机外壳图像中各个轮廓边缘的显著性差异为轮廓大小,通过轮廓大小即可对手机的外壳边缘与手机外壳图像中各个轮廓边缘进行区分。仅通过距离不足以对轮廓点进行准确定位,因此再通过转动角实现轮廓中轮廓起始点的选择以减少形状上下文算子的计算量。其中,轮廓边缘对应的长轴为平行于长方形的手机外壳的长边的轴。为转动角对应的正弦值和余弦值中的最大值;为正弦值和余弦值中的最大值在所对应的函数的对应位置处的切线斜率。如转动角为30°,由于大于,故为,则对应的为在所对应的余弦函数的对应位置处的切线斜率。
该切线斜率为:
其中,其中转动角取值为0至360°,根据转动角取值的不同,选择相对应的正弦或者余弦函数,并以该角度处正弦函数或者余弦函数对应的切线斜率来唯一确定该转动角所对应像素点位置。通过对转动角求其正弦值与余弦值的切线斜率来对轮廓起始点进行精切定位,转动角对应的正弦值与余弦值的切线斜率在0°至360°范围内取最大值的目的是为在该区间内切线斜率大小未发生重复,从而在转动距离发生重复时帮助对边缘点进行区分。计算每个轮廓边缘上各边缘点的起始定位值。
对于任意轮廓边缘,以最小起始定位值对应的边缘点作为轮廓起始点,以最大起始定位值对应的边缘点作为轮廓末尾点。进一步的,由轮廓起始点和轮廓末尾点得到轮廓匹配方向,具体的:沿着轮廓边缘,以轮廓起始点与轮廓末尾点之间像素点数量最少的一侧作为轮廓匹配方法。也即基于轮廓边缘,沿着轮廓起始点与轮廓末尾点之间像素点数量较小的一侧,从轮廓起始点开始,至轮廓末尾点的方向作为轮廓匹配方向。需要说明的是,基于轮廓边缘,轮廓起始点至轮廓末尾点一共只有两个方向。
步骤S300,根据相邻边缘点对应的起始定位值的差异,筛选出部分边缘点;利用形状上下文算法,从待检测手机的手机外壳图像中的轮廓边缘的轮廓起始点和标准手机的手机外壳图像中的轮廓边缘的轮廓起始点开始,沿着轮廓匹配方向,对轮廓边缘上的筛选出的部分边缘点进行轮廓配准,直至匹配至轮廓末尾点,得到对应的形状上下文直方图矩阵和局部外观描述矩阵;结合所述形状上下文直方图矩阵和所述局部外观描述矩阵得到总相似度度量矩阵;根据总相似度度量矩阵抽象成距离矩阵,得到所对应的最短距离,从多个最短距离中剔除最小的最短距离对应的轮廓边缘,保留其他轮廓边缘为缺陷轮廓。
对于待检测手机的手机外壳图像中的轮廓边缘和标准手机的手机外壳图像中的轮廓边缘上的边缘点进行筛选,进一步的减少轮廓匹配步骤的计算量。当两个相邻的边缘点的起始定位值差异较小时,认为两个边缘点的信息相差较小,可以取起始定位值差异较小的两个相邻边缘点中的一个作为代表,即可实现轮廓的匹配,无需对边缘点进行一一匹配,通过筛选出的部分边缘点进行匹配,减少了后续步骤的计算量。即根据相邻边缘点对应的起始定位值的差异,筛选出部分边缘点,具体的:获取相邻边缘点之间的起始定位值的差值的绝对值,当两个相邻边缘点对应的差值的绝对值小于预设第一阈值时,保留两个相邻边缘点中距离轮廓起始点较近的边缘点,筛除距离轮廓起始点较远的边缘点。
从轮廓起始点开始,沿着轮廓匹配方向分别计算相邻的边缘点之间的起始定位值的差值的绝对值。在本发明实施例中预设第一阈值的取值为3,在其他实施例中实施者可根据实际情况调整该取值。基于轮廓起始点、轮廓匹配方向和筛选出的部分相邻边缘点,对待检测手机的手机外壳图像中的轮廓边缘和标准手机的手机外壳图像中的轮廓边缘进行轮廓配准,实现了含有缺陷孔洞和手机镜头孔洞的分类簇的缺陷检测,即实现了缺陷孔洞的缺陷检测。
在轮廓起始点、轮廓末尾点和轮廓匹配方向确定后,且对轮廓边缘上的边缘点进行筛选之后。基于轮廓起始点、轮廓匹配方向、轮廓末尾点和筛选出的部分边缘点,对待检测手机的手机外壳图像中的轮廓边缘和标准手机的手机外壳图像中的轮廓边缘进行轮廓配准,得到形状上下文直方图矩阵和局部外观描述矩阵,具体的:利用形状上下文算法,从待检测手机的手机外壳图像中的轮廓边缘的轮廓起始点和标准手机的手机外壳图像中的轮廓边缘的轮廓起始点开始,沿着各自的轮廓匹配方向,对轮廓边缘上的筛选出的部分边缘点进行轮廓配准,直至匹配至轮廓末尾点,得到对应的形状上下文直方图矩阵和局部外观描述矩阵;也即从轮廓起始点开始,沿着各自的轮廓匹配方向,对标准手机的手机外壳图像中的各个轮廓边缘中筛选出的边缘点与待检测手机的手机外壳图像中的各个轮廓边缘中筛选出的边缘点进行一一对应,直至匹配至轮廓末尾点,得到对应的形状上下文直方图矩阵和局部外观描述矩阵。相比于原始的形状上下文算法减少了计算量。轮廓起始点、轮廓末尾点和轮廓匹配方向确定之后无需再以标准手机的手机外壳图像中某一轮廓边缘的边缘点与待检测手机的手机外壳图像中某一轮廓边缘的所有边缘点进行一一匹配,只需根据轮廓起始点与轮廓匹配方向,将标准手机的手机外壳图像中某一轮廓边缘中轮廓起始点与轮廓末尾点之间的筛选出的边缘点与待检测手机的手机外壳图像中某一轮廓边缘中轮廓起始点与轮廓末尾点之间的筛选出的边缘点,根据对应关系进行一一匹配即可实现轮廓配准。
需要说明的是,对标准手机的手机外壳图像中的各个轮廓边缘同样确定轮廓起始点、轮廓末尾点和轮廓匹配方向,且对标准手机的手机外壳图像中的轮廓边缘同样进行边缘点筛选。基于标准手机外壳图像中轮廓边缘和待检测手机的手机外壳图像中轮廓边缘各自对应的轮廓起始点、轮廓末尾点和轮廓匹配方向,将标准手机的手机外壳图像中的各个轮廓边缘中的筛选出的边缘点与待检测手机的手机外壳图像中的各个轮廓边缘中的筛选出的边缘点进行一一对应。
同样的,对于含有划痕缺陷和手机外壳的自带图案的分类簇,同样的获取每个轮廓边缘上边缘点的起始定位值,以最小起始定位值对应的边缘点作为轮廓起始点,以最大起始定位值对应的边缘点作为轮廓末尾点,由轮廓起始点和轮廓末尾点得到轮廓匹配方向,并根据相邻边缘点对应的起始定位值的差异,筛选出部分边缘点。基于轮廓起始点、轮廓末尾点、轮廓匹配方向和筛选出的部分相邻边缘点,从而通过对标准手机的手机外壳图像与待检测手机的手机外壳图像的轮廓配准,实现含有划痕缺陷和手机外壳的自带图案的分类簇的缺陷检测,即实现了划痕缺陷的缺陷检测。
实现利用形状上下文算法,根据构建好的规则以及得到的轮廓起始点、轮廓匹配方向、轮廓末尾点和筛选出的部分边缘点,基于上下文算子的轮廓匹配,对待检测手机的手机外壳图像中的轮廓边缘和标准手机的手机外壳图像中的轮廓边缘进行轮廓配准,从而得到上下文算子的形状上下文直方图矩阵和局部外观描述矩阵。
在得到形状上下文直方图矩阵之后,使用卡方统计来计算点输入图与点模板图的相似度。对于待检测手机的手机外壳图像中的轮廓边缘和标准手机的手机外壳图像中的轮廓边缘中的每一个边缘点,都有K维的直方图向量,分别记为和,并代入卡方公式计算形状上下文直方图矩阵对应的相似度度量矩阵。需要说明的是,关于形状上下文的形状上下文直方图矩阵和其对应的相似度度量矩阵的获取方法为本领域技术人员的公知技术,在此不再赘述。本发明实施例中待检测手机的手机外壳图像即为点输入图,标准手机的手机外壳图像即为点模板图。
由于根据形状上下文直方图矩阵得到了局部信息,故进一步的,可以使用局部方向作为形状上下文的局部外观信息,对于待检测手机的手机外壳图像和标准手机的手机外壳图像,计算相应灰度图的梯度Gx和Gy,然后找到轮廓边缘上边缘点对应的梯度值并求出切向角和,引入切向角非相似性函数作为衡量局部方向的依据,对于切向角和,通过余弦和正弦将其转化到欧式空间中,再计算它们的欧式距离,就可以衡量两个角度的相似性,对切向角非相似性函数做变换,得到局部外观描述矩阵对应的相似度度量矩阵。需要说明的是,关于形状上下文的局部外观描述矩阵和其对应的相似度度量矩阵的获取方法为本领域技术人员的公知技术,在此不再赘述。
最后结合形状上下文直方图矩阵和局部外观描述矩阵得到总相似度度量矩阵,具体的:将得到的形状上下文直方图矩阵对应的相似度度量矩阵和局部外观描述矩阵对应的相似度度量矩阵加权求和,得到总相似度度量矩阵;也即将两个相似度度量矩阵加权求和,得到总相似度度量矩阵。需要说明的是,结合形状上下文直方图矩阵和局部外观描述矩阵对应的相似度度量矩阵输出总相似度度量矩阵为本领域技术人员的公知技术,在此不再赘述。
其中,形状上下文直方图矩阵对应的相似度度量矩阵对应于形状上下文,局部外观描述矩阵对应的相似度度量矩阵对应于局部外观,通过局部外观信息来约束局部特征。
进一步的,将总相似度度量矩阵抽象成距离矩阵。利用匈牙利匹配策略,求出使得总损失最小的点对匹配,进而得到形成完全匹配的距离矩阵和对应的最短距离;也即对于得到的形状上下文直方图矩阵对应的相似度度量矩阵结合局部外观描述矩阵对应的相似度度量矩阵,通过匈牙利匹配策略实现轮廓匹配,将总相似度度量矩阵抽象成距离矩阵,根据距离矩阵提取出的最短距离进行匹配。需要说明的是,在将总相似度度量矩阵抽象成距离矩阵之后,使用匈牙利算法求出使得总损失最小的点对匹配,进而得到最短距离的具体步骤为本领域技术人员的公知技术,在此不再赘述。
对于任意分类簇a中的每个轮廓边缘,分别计算待检测手机的手机外壳图像中每个轮廓边缘和标准手机的手机外壳图像中对应的轮廓边缘的最短距离,从分类簇a中多个最短距离中剔除最小的最短距离对应的轮廓边缘,其他轮廓边缘为缺陷轮廓。认为最小的最短距离对应的轮廓边缘为手机外壳图像中的手机镜头孔洞或手机外壳的自带图案。在本发明中共将手机外壳图像对应的外壳灰度图像中的像素点分为了两个分类簇,由于每个分类簇对应一个最小的最短距离,故一个分类簇的最小的最短距离对应的轮廓边缘为手机镜头孔洞,另一个分类簇的最小的最短距离对应的轮廓边缘为手机外壳的自带图案。剔除最小的最短距离对应的轮廓边缘,也即实现了对手机镜头孔洞和手机外壳的自带图案进行剔除,只保留下了缺陷划痕和缺陷孔洞对应的缺陷轮廓。
综上所述,本发明涉及数据处理技术领域。该方法首先获取待检测手机的手机外壳图像和对应的外壳灰度图像;对外壳灰度图像中的像素点进行聚类得到两个分类簇;基于分类簇,得到外壳灰度图像中的多个轮廓边缘;计算轮廓边缘上边缘点的起始定位值;基于起始定位值确定轮廓起始点、轮廓匹配方向和筛选出的部分边缘点,对待检测手机的手机外壳图像和标准手机的手机外壳图像中的轮廓边缘进行轮廓配准,得到对应的总相似度度量矩阵;根据总相似度度量矩阵抽象成距离矩阵,得到所对应的最短距离,从多个最短距离中剔除最小的最短距离对应的轮廓边缘,其他轮廓边缘为缺陷轮廓。本发明基于传统的形状上下文算法,通过确定轮廓起始点,从而在不减少轮廓匹配精度的前提下,减少了形状上下文算法的计算量。最后通过总相似度度量矩阵对手机外壳的自带图案和手机镜头孔洞进行剔除,实现了手机外壳本身的标识特征、手机外壳上的划痕缺陷和孔洞缺陷的区分,进而提高了手机外壳的缺陷检测精度。
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。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 (6)
1.基于机器视觉的塑料手机外壳缺陷检测方法,其特征在于,该方法包括以下步骤:
采集待检测手机的手机外壳图像,预处理所述手机外壳图像得到外壳灰度图像;
基于像素点的灰度值,对所述外壳灰度图像中的像素点进行聚类,得到两个分类簇;基于分类簇,得到外壳灰度图像中的多个轮廓边缘;通过轮廓边缘上边缘点与外壳边缘的距离、轮廓边缘上边缘点过轮廓重心做直线与轮廓边缘对应的长轴形成的转动角,计算轮廓边缘上边缘点的起始定位值;对于任意轮廓边缘,以最小起始定位值对应的边缘点作为轮廓起始点,以最大起始定位值对应的边缘点作为轮廓末尾点,由轮廓起始点和轮廓末尾点得到轮廓匹配方向;
根据相邻边缘点对应的起始定位值的差异,筛选出部分边缘点;利用形状上下文算法,从待检测手机的手机外壳图像中的轮廓边缘的轮廓起始点和标准手机的手机外壳图像中的轮廓边缘的轮廓起始点开始,沿着轮廓匹配方向,对轮廓边缘上的筛选出的部分边缘点进行轮廓配准,直至匹配至轮廓末尾点,得到对应的形状上下文直方图矩阵和局部外观描述矩阵;结合所述形状上下文直方图矩阵和所述局部外观描述矩阵得到总相似度度量矩阵;根据总相似度度量矩阵抽象成距离矩阵,得到所对应的最短距离,从多个最短距离中剔除最小的最短距离对应的轮廓边缘,保留其他轮廓边缘为缺陷轮廓。
2.根据权利要求1所述的基于机器视觉的塑料手机外壳缺陷检测方法,其特征在于,所述预处理所述手机外壳图像得到外壳灰度图像,包括:
对所述手机外壳图像进行灰度化和图像去噪,得到初始外壳图像;
对所述初始外壳图像进行图像分割,得到感兴趣区域,所述感兴趣区域包括手机外壳的自带图案和缺陷区域部分;仅含有感兴趣区域的图像为外壳灰度图像。
4.根据权利要求1所述的基于机器视觉的塑料手机外壳缺陷检测方法,其特征在于,所述由轮廓起始点和轮廓末尾点得到轮廓匹配方向,包括:
沿着轮廓边缘,以轮廓起始点与轮廓末尾点之间像素点数量最少的一侧作为轮廓匹配方法。
5.根据权利要求1所述的基于机器视觉的塑料手机外壳缺陷检测方法,其特征在于,所述根据相邻边缘点对应的起始定位值的差异,筛选出部分边缘点,包括:
获取相邻边缘点之间的起始定位值的差值的绝对值;当两个相邻边缘点对应的差值的绝对值小于预设第一阈值时,保留距离轮廓起始点较近的边缘点,筛除距离轮廓起始点较远的边缘点。
6.根据权利要求1所述的基于机器视觉的塑料手机外壳缺陷检测方法,其特征在于,所述结合所述形状上下文直方图矩阵和所述局部外观描述矩阵得到总相似度度量矩阵,包括:
计算形状上下文直方图矩阵对应的相似度度量矩阵和局部外观描述矩阵对应的相似度度量矩阵;
将所述形状上下文直方图矩阵对应的相似度度量矩阵和所述局部外观描述矩阵对应的相似度度量矩阵加权求和,得到总相似度度量矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211177655.7A CN115272312B (zh) | 2022-09-27 | 2022-09-27 | 基于机器视觉的塑料手机外壳缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211177655.7A CN115272312B (zh) | 2022-09-27 | 2022-09-27 | 基于机器视觉的塑料手机外壳缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272312A CN115272312A (zh) | 2022-11-01 |
CN115272312B true CN115272312B (zh) | 2022-12-16 |
Family
ID=83756044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211177655.7A Active CN115272312B (zh) | 2022-09-27 | 2022-09-27 | 基于机器视觉的塑料手机外壳缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272312B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641332B (zh) * | 2022-12-01 | 2023-03-31 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
CN117218422B (zh) * | 2023-09-12 | 2024-04-16 | 北京国科恒通科技股份有限公司 | 一种基于机器学习的电网图像识别方法及*** |
CN117197138B (zh) * | 2023-11-07 | 2024-02-23 | 深圳市极摩客科技有限公司 | 基于图像特征的电脑主机外壳划痕检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5253307A (en) * | 1991-07-30 | 1993-10-12 | Xerox Corporation | Image analysis to obtain typeface information |
CN103578105B (zh) * | 2013-11-01 | 2016-04-27 | 中北大学 | 一种基于区域特征的多源异类图像配准方法 |
CN107798326B (zh) * | 2017-10-20 | 2020-09-22 | 华南理工大学 | 一种轮廓视觉检测方法 |
-
2022
- 2022-09-27 CN CN202211177655.7A patent/CN115272312B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115272312A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115272312B (zh) | 基于机器视觉的塑料手机外壳缺陷检测方法 | |
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
WO2018019194A1 (zh) | 图像识别方法、终端及非易失性存储介质 | |
CN109409208A (zh) | 一种基于视频的车辆特征提取与匹配方法 | |
CN111709420A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN113780259A (zh) | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN114170228A (zh) | 一种计算机图像边缘检测方法 | |
CN110047063B (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN115311262A (zh) | 一种印刷电路板缺陷识别方法 | |
CN112288760B (zh) | 一种粘连细胞图像筛除方法、***及细胞图像分析方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN116539619A (zh) | 产品缺陷检测方法、***、装置及存储介质 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及*** | |
CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
CN110458234B (zh) | 一种基于深度学习的以图搜车方法 | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN115311293B (zh) | 一种印刷品图案的快速匹配方法 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN113554695A (zh) | 零件孔位智能识别定位方法 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 |
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 |