CN115511869A - 基于视觉分析的智能检测方法、装置、设备及介质 - Google Patents
基于视觉分析的智能检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115511869A CN115511869A CN202211289585.4A CN202211289585A CN115511869A CN 115511869 A CN115511869 A CN 115511869A CN 202211289585 A CN202211289585 A CN 202211289585A CN 115511869 A CN115511869 A CN 115511869A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- detected
- area
- formatted
- 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
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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于视觉分析的智能检测方法、装置、设备及介质,方法包括:若接收到待检测图像,根据预置的裁剪模板从待检测图像中裁剪得到对应的区域检测图像;根据预置的格式化处理模型对区域检测图像进行格式化处理,以得到对应的格式化图像;根据预置的检测规则对格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。本发明属于视觉分析技术领域,通过上述方法,可对层压框对应的待检测图像进行裁剪得到区域检测图像并进行格式化处理,对格式化处理的图像进行瑕疵检测从而得到待检测图像是否存在瑕疵的检测结果;可大幅提高对层压框是否存在胶水残留的瑕疵进行准确检测,同时提升了胶水残留的检测效率。
Description
技术领域
本发明涉及视觉分析技术领域,尤其涉及一种基于视觉分析的智能检测方法、装置、设备及介质。
背景技术
光伏板产品在层压过程中,EVA胶可能会从层压的玻璃板之间挤出,胶水残留在光伏板的层压框上,则需要对层压框上是否残留胶水进行判断;若层压框上残留有胶水,再次进行使用时易导致层压框放置不到位,从而压爆光伏板,影响了光伏板产品的生产质量。为避免胶水残留在层压框上,传统技术方法均是通过检测人员对层压框是否残留胶水进行人工检测,然而这一检测方法需要耗费大量人力,且人工检测过程可能存在漏检的,导致检测准确性较差。因此,现有技术中应用于光伏层压板的检测方法存在检测准确性不高的问题。
发明内容
本发明实施例提供了一种基于视觉分析的智能检测方法、装置、设备及介质,旨在解决现有技术中应用于光伏层压板的检测方法存在检测准确性不高的问题。
第一方面,本发明实施例提供了一种基于视觉分析的智能检测方法,所述方法包括:
若接收到待检测图像,根据预置的裁剪模板从所述待检测图像中裁剪得到对应的区域检测图像;
根据预置的格式化处理模型对所述区域检测图像进行格式化处理,以得到对应的格式化图像;
根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。
第二方面,本发明实施例提供了一种基于视觉分析的智能检测装置,其包括:
区域检测图像获取单元,用于若接收到待检测图像,根据预置的裁剪模板从所述待检测图像中裁剪得到对应的区域检测图像;
格式化处理单元,用于根据预置的格式化处理模型对所述区域检测图像进行格式化处理,以得到对应的格式化图像;
检测结果获取单元,用于根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于视觉分析的智能检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于视觉分析的智能检测方法。
本发明实施例提供了一种基于视觉分析的智能检测方法、装置、设备及介质。若接收到待检测图像,根据预置的裁剪模板从待检测图像中裁剪得到对应的区域检测图像;根据预置的格式化处理模型对区域检测图像进行格式化处理,以得到对应的格式化图像;根据预置的检测规则对格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。通过上述方法,可对层压框对应的待检测图像进行裁剪得到区域检测图像并进行格式化处理,对格式化处理的图像进行瑕疵检测从而得到待检测图像是否存在瑕疵的检测结果;可大幅提高对层压框是否存在胶水残留的瑕疵进行准确检测,同时提升了胶水残留的检测效率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明实施例提供的基于视觉分析的智能检测方法的流程示意图;
图2为本发明实施例提供的基于视觉分析的智能检测方法的应用场景示意图;
图3为本发明实施例提供的基于视觉分析的智能检测方法的子流程示意图;
图4为本发明实施例提供的基于视觉分析的智能检测方法的另一子流程示意图;
图5为本发明实施例提供的基于视觉分析的智能检测方法的又一子流程示意图;
图6为本发明实施例提供的基于视觉分析的智能检测方法的后一子流程示意图;
图7为本发明实施例提供的基于视觉分析的智能检测方法的另一流程示意图;
图8为本发明实施例提供的基于视觉分析的智能检测方法的再一子流程示意图;
图9为本发明实施例提供的基于视觉分析的智能检测装置的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1及图2,图1为本发明实施例提供的基于视觉分析的智能检测方法的流程示意图;图2为本发明实施例提供的基于视觉分析的智能检测方法的应用场景示意图;该基于视觉分析的智能检测方法应用于检测终端(图2中未示出)中,该基于视觉分析的智能检测方法通过安装于检测终端中的应用软件进行执行;检测终端可用于执行基于视觉分析的智能检测方法以接收图像采集设备所输入的待检测图像,并对待检测图像是否存在瑕疵进行检测的终端设备,检测终端可以设置于光伏板层压装置10上的控制器,光伏板层压装置上还设置有图像采集设备11,图像采集设备11可将采集到的层压框的待检测图像传输至检测终端,检测终端对待检测图像进行检测后,可根据检测结果发出相应控制指令至光伏板层压装置10的动作组件,以使动作组件执行与检测结果对应的操作动作。如图1所示,该方法包括步骤S110~S130。
S110、若接收到待检测图像,根据预置的裁剪模板从所述待检测图像中裁剪得到对应的区域检测图像。
若接收到待检测图像,根据预置的裁剪模板从所述待检测图像中裁剪得到对应的区域检测图像。检测终端可接收待检测图像,可根据预存的裁剪模板对待检测图像进行裁剪,从而从待检测图像中获取需要进行检测的区域检测图像。具体的,在对层压框上是否有胶水残留进行检测时,只需要重点检测待检测图像的边缘区域,而待检测图像的中间区域无需进行检测,即可将待检测图像的中间区域裁剪去除,剩余图像即为所得到的区域检测图像。
在一实施例中,如图3所示,步骤S110包括子步骤S111和S112。
S111、根据所述待检测图像中的定位标识确定所述裁剪模板在所述待检测图像中的覆盖位置。
待检测图像中包括定位标识,定位标识可设置于层压框的边缘或非检测区域,定位标识至少为两个,例如定位标识可以是十字形“+”或星形“☆”等形状,可通过不同形状对不同位置设置的定位标识进行区分,如第一定位标识为十字形,第二定位标识为星形。通过至少两个定位标识即可准确确定裁剪模板在待检测图像中的覆盖位置,如在将裁剪模板覆盖于待检测图像上时,可使裁剪模板上的第一定位点与第一定位标记相重合,并使第二定位点与第二定位标记相重合,从而实现裁剪模板的精确覆盖。若层压框上还包含第三定位标记,则可继续使裁剪模板上的第三定位点与第三定位标记相重合,以进一步裁剪模板覆盖于待检测图像中的精确性。
S112、根据所述裁剪模板的目标区域从所述待检测图像中裁剪得到与所述目标区域对应的区域检测图像。
裁剪模板中包括目标区域,目标区域也即是待检测区域,可根据裁剪模板的目标区域从待检测图像中裁剪得到对应的区域检测图像,区域检测图像也即是待检测图像中与目标区域对应的部分图像。例如,在对层压框进行胶水残留检测过程中,目标检测图像也即是待检测图像中环形外框区域所对应的部分图像。
在一实施例中,如图4所示,步骤S111之前还包括子步骤S1101。
S1101、根据所述待检测图像中的定位标识调整所述裁剪模板的缩放比例。
为使裁剪模板与待检测图像的尺寸更匹配,可根据待检测图像中的定位标识及裁剪模板中的定位点调整裁剪模板的缩放比例。具体应用过程中,可获取待检测图像中任意两个定位标识之间的标识距离值,并获取裁剪模板中任意两个定位点之间的定位距离值,计算标识距离值与对应的一个定位距离值之间的比值并确定为对应的缩放比例。
例如,第一定位标识与第二定位标识之间的标识距离值为L1,第一定位点与第二定位点之间的标识距离值为L2,则裁剪模板的缩放比例为L1/L2,缩放比例大于1,则表明需要对裁剪模板进行放大调整;缩放比例小于1,则表明需要对裁剪模板进行缩小调整;缩放比例等于1,则表明不需要对裁剪模板进行缩放调整。通过对裁剪模板进行缩放调整,可进一步提高进行缩放调整后裁剪模板在待检测图像中覆盖位置的精确性,也即可提高通过缩放调整后裁剪模板对待检测图像进行裁剪的精确性。
S120、根据预置的格式化处理模型对所述区域检测图像进行格式化处理,以得到对应的格式化图像。
根据预置的格式化处理模型对所述区域检测图像进行格式化处理,以得到对应的格式化图像。格式化处理模型包含对预期检测图像进行处理的具体格式要求,通过格式化处理模型对区域检测图像进行格式化出,即可得到满足特定格式要求的格式化图像;通过格式化处理后即可得到格式化图像,所获取的格式化图像可便于进行的瑕疵检测,也即通过对待检测图像进行格式化处理,可提高后续进行瑕疵检测的准确性。
在一实施例中,如图5所示,步骤S120包括子步骤S121、S122和S123。
S121、对所述区域检测图像进行反色处理,得到反色图像。
首先可对区域检测图像进行反色处理,由于层压框本体的颜色为深色,胶水的颜色为浅色,则在区域检测图像中层压框本体的像素为深色、区域检测图像中胶水的像素为浅色;为对残留的浅色胶水进行准确检测,可先对区域检测图像进行反色处理,也即是将深色的像素变换为浅色像素,将浅色的像素变换为深色像素。
例如,某一像素点的RGB像素值为(A,B,C),则该像素点进行反色处理后的像素值为(255-A,255-B,255-C)。
S122、根据所述格式化处理模型中的连通域识别规则识别得到所述反色图像中的连通域。
格式化处理模型中还包括连通域识别规则,可根据连通域识别规则对反色图像中的连通域进行识别,具体的,连通域识别规则中包括连通域像素值区间及连通区域数量。
可对反色图像中各像素点的像素值是否位于连通域像素值区间之内进行判断,并根据判断结果筛选出像素值位于连通域像素值区间之内的像素点作为有效像素。进一步的,对有效像素中相邻像素点所组合形成的像素区域进行筛选,具体的,可根据连通区域数量从有效像素中相邻像素点所组合形成的像素区域中筛选出数量与连通区域数量相等的像素区域,作为识别得到反色图像中的连通域。
S123、根据所述格式化处理模型中的二值化处理规则对各所述连通域在所述反色图像中的像素点进行二值化处理,得到与所述区域检测图像对应的格式化图像。
从反色图像中获取的连通域的数量可能有一个或多个,则可通过二值化处理规则对各连通域在反色图像中的像素点分别进行二值化处理,也即是将各连通域在反色图像中的像素点标记为“1”,反色图像中其他区域的像素点则标记为“0”,则通过上述方法处理后所得到的格式化图像中仅包含“0”、“1”两种类型的标记,也即实现了对反色图像进行二值化处理。
S130、根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。
根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。获取到格式化图像之后,还可根据检测规则对格式化图像中是否存在瑕疵进行检测,检测规则也即是对格式化图像是否存在瑕疵进行检测的具体规则,所得到的检测结果也即格式化图像是否存在瑕疵。若检测结果为存在瑕疵,则表明层压框上存在残留的胶水;若检测结果为不存在瑕疵,则表明层压框上不存在残留的胶水。
在一实施例中,如图6所示,步骤S130包括子步骤S131、S132和S133。
S131、判断所述格式化图像中有效像素区域的面积是否大于所述检测规则的面积阈值。
格式化图像中每一连通域即对应一块有效像素区域,则首先可判断格式化图像中各有效像素区域的面积是否大于面积阈值,面积阈值也即是界定效像素区域的面积是否满足存在瑕疵的像素面积条件。
S132、判断所述格式化图像中有效像素区域的横纵比例是否位于所述检测规则的横纵比例区间之内。
之后,还可判断各有效像素区域的横纵比例是否位于检测规则的横纵比例区间之内。例如,可获取某一有效像素区域的横向最大宽度及纵向最大长度,横向最大宽度除以纵向最大长度即可得到与该有效像素区域对应的横纵比例,判断该横纵比例是否位于横纵比例区间之内。
S133、若所述格式化图像中包含面积大于所述面积阈值且所述横纵比例位于所述横纵比例区间之内的有效像素区域,则得到所述格式化图像存在瑕疵的检测结果。
若格式化图像中某一有效像素区域的面积大于面积阈值,且横纵比例位于横纵比例区间之内,则认定该有效像素区域即为对应的瑕疵区域,从而得到格式化图像存在瑕疵的检测结果。若格式化图像中各有效像素区域的面积均不大于面积阈值,或各有效像素区域的横纵比例均不为于横纵比例区间之内,此时格式化图像中不存在瑕疵区域,则得到格式化图像不存在瑕疵的检测结果。
进一步的,可在检测结果为存在瑕疵的基础上,进一步获取瑕疵区域的数量,得到瑕疵区域数量值,从而实现更精确地对层压板上所包含的瑕疵区域进行识别的效果。
在一实施例中,如图7所示,步骤S130之前还包括步骤S1310。
S1310、根据预存的历史检测图像生成与所述历史检测图像对应的检测规则。
在本申请实施例中,可根据历史检测图像生成上述检测规则。历史检测图像中也即包含通过人工方式对层压框的图像进行检测识别的检测标签,检测标签为存在瑕疵或不存在瑕疵。
在一实施例中,如图8所示,步骤S1310包括子步骤S1311、S1312和S1313。
S1311、根据各所述历史检测图像的检测标签对所述历史检测图像进行分类。
具体的,可根据历史检测图像的检测标签对历史检测图像进行分类,包含相同检测标签的历史检测图像属于同一分类。
S1312、获取各分类的历史检测图像对应的图像组合特征。
进一步的,可提取各分类的历史检测图像的图像组合特征,图像组合特征也即是对不同分类的历史检测图像的特征进行组合统计所得到的特征信息。具体的,首先可根据裁剪模板从所述历史检测图像中裁剪得到对应的区域检测图像,其次再根据格式化处理模型对区域检测图像进行格式化处理。从格式化处理后的区域检测图像中获取对应的图像特征,图像特征包括区域检测图像中有效像素区域的面积,以及区域检测图像中有效像素区域的横纵比例。
对同一分类的历史检测图像的特征进行组合统计,即可得到各分类对应的图像组合特征。图像组合特征包括效像素区域的面积平均值、横纵比例范围等统计信息。
S1313、根据各分类的图像组合特征之间的特征差异生成对应的检测规则。
可进一步获取各分类的图像组合特征之间的特征差异,并根据特征差异生成对应的检测规则,具体的,对有瑕疵及无瑕疵的图像组合特征之间的面积平均值的平均值进行计算,将所计算得到的平均值配置为检测规则中的面积阈值;进一步的,获取有瑕疵的图像组合特征的横纵比例范围并配置为检测规则的横纵比例区间,通过特征差异可对应配置检测规则中的面积阈值及横纵比例区间,即实现了根据历史检测图像生成对应检测规则的目的。
在本发明实施例所提供的基于视觉分析的智能检测方法中,若接收到待检测图像,根据预置的裁剪模板从待检测图像中裁剪得到对应的区域检测图像;根据预置的格式化处理模型对区域检测图像进行格式化处理,以得到对应的格式化图像;根据预置的检测规则对格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。通过上述方法,可对层压框对应的待检测图像进行裁剪得到区域检测图像并进行格式化处理,对格式化处理的图像进行瑕疵检测从而得到待检测图像是否存在瑕疵的检测结果;可大幅提高对层压框是否存在胶水残留的瑕疵进行准确检测,同时提升了胶水残留的检测效率。
本发明实施例还提供一种基于视觉分析的智能检测装置,该基于视觉分析的智能检测装置可配置于检测终端中,该基于视觉分析的智能检测装置用于执行前述的基于视觉分析的智能检测方法的任一实施例。具体地,请参阅图9,图9为本发明实施例提供的基于视觉分析的智能检测装置的示意性框图。
如图9所示,基于视觉分析的智能检测装置100包括区域检测图像获取单元110、格式化处理单元120和检测结果获取单元130。
区域检测图像获取单元110,用于若接收到待检测图像,根据预置的裁剪模板从所述待检测图像中裁剪得到对应的区域检测图像。
格式化处理单元120,用于根据预置的格式化处理模型对所述区域检测图像进行格式化处理,以得到对应的格式化图像。
检测结果获取单元130,用于根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。
在本发明实施例所提供的基于视觉分析的智能检测装置应用上述基于视觉分析的智能检测方法,若接收到待检测图像,根据预置的裁剪模板从待检测图像中裁剪得到对应的区域检测图像;根据预置的格式化处理模型对区域检测图像进行格式化处理,以得到对应的格式化图像;根据预置的检测规则对格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。通过上述方法,可对层压框对应的待检测图像进行裁剪得到区域检测图像并进行格式化处理,对格式化处理的图像进行瑕疵检测从而得到待检测图像是否存在瑕疵的检测结果;可大幅提高对层压框是否存在胶水残留的瑕疵进行准确检测,同时提升了胶水残留的检测效率。
上述基于视觉分析的智能检测装置可以实现为计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于视觉分析的智能检测方法以接收图像采集设备所输入的待检测图像,并对待检测图像是否存在瑕疵进行检测的终端设备。
参阅图10,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于视觉分析的智能检测方法,其中,存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于视觉分析的智能检测方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现上述的基于视觉分析的智能检测方法中对应的功能。
本领域技术人员可以理解,图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现上述的基于视觉分析的智能检测方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,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,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,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。另外,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接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
另外,在本发明各个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,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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计算机可读存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于视觉分析的智能检测方法,其特征在于,所述方法包括:
若接收到待检测图像,根据预置的裁剪模板从所述待检测图像中裁剪得到对应的区域检测图像;
根据预置的格式化处理模型对所述区域检测图像进行格式化处理,以得到对应的格式化图像;
根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。
2.根据权利要求1所述的基于视觉分析的智能检测方法,其特征在于,所述根据预置的裁剪模板从所述待检测图像中裁剪得到对应的区域检测图像,包括:
根据所述待检测图像中的定位标识确定所述裁剪模板在所述待检测图像中的覆盖位置;
根据所述裁剪模板的目标区域从所述待检测图像中裁剪得到与所述目标区域对应的区域检测图像。
3.根据权利要求2所述的基于视觉分析的智能检测方法,其特征在于,所述根据所述待检测图像中的定位标识确定所述裁剪模板在所述待检测图像中的覆盖位置之前,还包括:
根据所述待检测图像中的定位标识调整所述裁剪模板的缩放比例。
4.根据权利要求1所述的基于视觉分析的智能检测方法,其特征在于,所述根据预置的格式化处理模型对所述区域检测图像进行格式化处理,以得到对应的格式化图像,包括:
对所述区域检测图像进行反色处理,得到反色图像;
根据所述格式化处理模型中的连通域识别规则识别得到所述反色图像中的连通域;
根据所述格式化处理模型中的二值化处理规则对各所述连通域在所述反色图像中的像素点进行二值化处理,得到与所述区域检测图像对应的格式化图像。
5.根据权利要求1所述的基于视觉分析的智能检测方法,其特征在于,所述根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果,包括:
判断所述格式化图像中有效像素区域的面积是否大于所述检测规则的面积阈值;
判断所述格式化图像中有效像素区域的横纵比例是否位于所述检测规则的横纵比例区间之内;
若所述格式化图像中包含面积大于所述面积阈值且所述横纵比例位于所述横纵比例区间之内的有效像素区域,则得到所述格式化图像存在瑕疵的检测结果。
6.根据权利要求1所述的基于视觉分析的智能检测方法,其特征在于,所述根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果之前,还包括:
根据预存的历史检测图像生成与所述历史检测图像对应的检测规则。
7.根据权利要求6所述的基于视觉分析的智能检测方法,其特征在于,所述根据预存的历史检测图像生成对应的检测规则,包括:
根据各所述历史检测图像的检测标签对所述历史检测图像进行分类;
获取各分类的历史检测图像对应的图像组合特征;
根据各分类的图像组合特征之间的特征差异生成对应的检测规则。
8.一种基于视觉分析的智能检测装置,其特征在于,所述装置包括:
区域检测图像获取单元,用于若接收到待检测图像,根据预置的裁剪模板从所述待检测图像中裁剪得到对应的区域检测图像;
格式化处理单元,用于根据预置的格式化处理模型对所述区域检测图像进行格式化处理,以得到对应的格式化图像;
检测结果获取单元,用于根据预置的检测规则对所述格式化图像中是否存在瑕疵进行检测,得到对应的检测结果。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于视觉分析的智能检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于视觉分析的智能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211289585.4A CN115511869A (zh) | 2022-10-20 | 2022-10-20 | 基于视觉分析的智能检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211289585.4A CN115511869A (zh) | 2022-10-20 | 2022-10-20 | 基于视觉分析的智能检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511869A true CN115511869A (zh) | 2022-12-23 |
Family
ID=84510808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211289585.4A Pending CN115511869A (zh) | 2022-10-20 | 2022-10-20 | 基于视觉分析的智能检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511869A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721103A (zh) * | 2023-08-10 | 2023-09-08 | 山东明佳科技有限公司 | 乳玻瓶内底净度的图像检测方法、***、设备和存储介质 |
CN116993746A (zh) * | 2023-09-28 | 2023-11-03 | 武汉海微科技有限公司 | 车载屏幕排线缺陷检测方法、装置、设备及存储介质 |
CN117085969A (zh) * | 2023-10-11 | 2023-11-21 | ***紫金(江苏)创新研究院有限公司 | 人工智能工业视觉检测方法、装置、设备及存储介质 |
-
2022
- 2022-10-20 CN CN202211289585.4A patent/CN115511869A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721103A (zh) * | 2023-08-10 | 2023-09-08 | 山东明佳科技有限公司 | 乳玻瓶内底净度的图像检测方法、***、设备和存储介质 |
CN116721103B (zh) * | 2023-08-10 | 2023-10-27 | 山东明佳科技有限公司 | 乳玻瓶内底净度的图像检测方法、***、设备和存储介质 |
CN116993746A (zh) * | 2023-09-28 | 2023-11-03 | 武汉海微科技有限公司 | 车载屏幕排线缺陷检测方法、装置、设备及存储介质 |
CN116993746B (zh) * | 2023-09-28 | 2023-12-19 | 武汉海微科技有限公司 | 车载屏幕排线缺陷检测方法、装置、设备及存储介质 |
CN117085969A (zh) * | 2023-10-11 | 2023-11-21 | ***紫金(江苏)创新研究院有限公司 | 人工智能工业视觉检测方法、装置、设备及存储介质 |
CN117085969B (zh) * | 2023-10-11 | 2024-02-13 | ***紫金(江苏)创新研究院有限公司 | 人工智能工业视觉检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115511869A (zh) | 基于视觉分析的智能检测方法、装置、设备及介质 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN115841493B (zh) | 一种基于图像处理的电缆检测方法 | |
CN109752392B (zh) | 一种pcb板缺陷类型检测***和方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别***与方法 | |
CN110059635B (zh) | 一种皮肤瑕疵检测方法及装置 | |
CN105424709A (zh) | 一种基于图像标记的水果表面缺陷检测方法 | |
CN116109577A (zh) | 一种印刷标签缺陷检测***及方法 | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN107516085B (zh) | 一种基于文档图像自动去除黑边的方法 | |
CN116524196B (zh) | 一种基于图像识别技术的输电线智能检测*** | |
CN115719332A (zh) | 一种焊接质量检测方法 | |
CN108615030A (zh) | 一种标题一致性检测方法、装置及电子设备 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、***及电子设备 | |
CN111724375B (zh) | 一种屏幕检测方法及*** | |
CN114820626B (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN108256508B (zh) | 一种新闻主副标题检测方法及装置 | |
US20080310685A1 (en) | Methods and Systems for Refining Text Segmentation Results | |
CN114882010A (zh) | 基于图片识别的表面缺陷检测方法 | |
CN111210417A (zh) | 基于卷积神经网络的布匹缺陷检测方法 | |
CN113793322A (zh) | 一种对磁性材料自动检测的方法、电子设备和存储介质 | |
CN111062379A (zh) | 标识防错识别方法、装置、存储介质和*** | |
CN112104838A (zh) | 图像分辨方法及其监控摄像机与监控摄像*** | |
CN115995023A (zh) | 瑕疵检测方法、装置、电子设备、计算机可读存储介质及产品检测方法 |
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 |