CN115564779A - 一种零件缺陷检测方法、装置及存储介质 - Google Patents

一种零件缺陷检测方法、装置及存储介质 Download PDF

Info

Publication number
CN115564779A
CN115564779A CN202211569465.XA CN202211569465A CN115564779A CN 115564779 A CN115564779 A CN 115564779A CN 202211569465 A CN202211569465 A CN 202211569465A CN 115564779 A CN115564779 A CN 115564779A
Authority
CN
China
Prior art keywords
vector
inflection point
inflection
standard
surface image
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
Application number
CN202211569465.XA
Other languages
English (en)
Other versions
CN115564779B (zh
Inventor
梁帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Prophet Big Data Co ltd
Original Assignee
Dongguan Prophet Big Data Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan Prophet Big Data Co ltd filed Critical Dongguan Prophet Big Data Co ltd
Priority to CN202211569465.XA priority Critical patent/CN115564779B/zh
Publication of CN115564779A publication Critical patent/CN115564779A/zh
Application granted granted Critical
Publication of CN115564779B publication Critical patent/CN115564779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06V10/757—Matching configurations of points or features
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种零件缺陷检测方法、装置及存储介质，用于提高零件缺陷检测的准确性。本申请公开的零件缺陷检测方法包括：提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量；采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量；根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。本申请还提供了一种零件缺陷检测装置及存储介质。

Description

一种零件缺陷检测方法、装置及存储介质
技术领域
本申请涉及计算技术领域，尤其涉及一种零件缺陷检测方法、装置和存储介质。
背景技术
在生产型企业中，工厂的零部件检测对产品质量把控意义重大，例如汽车、飞机等机械工业对检测有很高的要求，几乎每个零部件都需要进行检测。现有技术中，检测设备一般采用深度学习识别模型对零件进行缺陷检测，将有缺陷的零件图样和没有缺陷的零件图样进行参数模型训练，通过训练后的参数模型确定待检测的产品是否有缺陷。但是，每一个进入流水线的零件摆放角度不同，获取的数据也会有较大的差异，且仅使用传统视觉会产生过多错判，从而影响生产效率。
发明内容
针对上述技术问题，本申请实施例提供了一种零件缺陷检测方法、装置及存储介质，用以提高零部件缺陷检测的准确性。
第一方面，本申请实施例提供的一种零件缺陷检测方法，包括：
提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量；
采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量；
根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。
优选的，所述根据所述标准拐点向量和所述检测拐点向量判断所述零件是否具有缺陷包括：
若根据所述标准拐点向量和所述检测拐点向量确定所述零件有下列情形之一或者组合，则判定所述零件有缺陷：
确定零件的左顶角存在破损；
确定零件制造错误；
确定零件存在破损。
优选的，所述提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量包括：
对所述标准零件表面图像进行灰度化处理得到第二标准零件表面图像，对所述第二标准零件表面图像内矩形零件区域的四个顶角作为标记，对图像采集设备进行相机标定；
获取相机内参数和失真系数并计算出不同相机角度下所述标记的旋转矩阵和平移矩阵；
在所述第二标准零件表面图像内搜索四个顶角标记，根据所述顶角标记对应的旋转矩阵和平移矩阵对标准零件表面图像内矩形零件区域进行旋转和平移，使得矩形零件区域左上方顶点为原点，所述矩形零件区域的宽和高分别平行于画面的X轴和Y轴，记录此时四个顶点坐标
Figure 919575DEST_PATH_IMAGE001
，其中
Figure 483412DEST_PATH_IMAGE002
为左上方顶点坐标，
Figure 808214DEST_PATH_IMAGE003
为右上方顶点坐标，
Figure 850119DEST_PATH_IMAGE004
为右下方顶点坐标，
Figure 678398DEST_PATH_IMAGE005
为左下方顶点坐标；
根据所述四个顶点坐标对所述矩形零件区域进行归一化处理，得到第三标准零件表面图像；
提取所述第三标准零件表面图像每个像素点的灰度值，将像素点分为零件像素点集合和背景像素点集合，获取零件像素点集合的聚类中心
Figure 413136DEST_PATH_IMAGE006
和背景像素点集合的聚类中心
Figure 694076DEST_PATH_IMAGE007
，计算得到颜色阈值
Figure 539672DEST_PATH_IMAGE008
；
提取所述第三标准零件表面图像每一个零件拐点坐标
Figure 347091DEST_PATH_IMAGE009
，组成标准拐点向量
Figure 987151DEST_PATH_IMAGE010
；
其中，n为向量的长度，i为拐点的序号，i大于等于1小于等于n，且
Figure 755387DEST_PATH_IMAGE011
。
优选的，确定标准拐点向量之后还包括：
对于每个
Figure 139095DEST_PATH_IMAGE009
，获取邻域
Figure 941966DEST_PATH_IMAGE012
内的图像，计算该拐点的形状特征
Figure 877560DEST_PATH_IMAGE013
，其中
Figure 133092DEST_PATH_IMAGE014
为区域左顶点坐标，
Figure 54912DEST_PATH_IMAGE015
为区域的宽，
Figure 712290DEST_PATH_IMAGE016
为区域的高；
其中：
Figure 959731DEST_PATH_IMAGE017
，
Figure 827193DEST_PATH_IMAGE018
，
Figure 552704DEST_PATH_IMAGE019
，
Figure 64588DEST_PATH_IMAGE020
，
Figure 471212DEST_PATH_IMAGE021
，
Figure 435757DEST_PATH_IMAGE022
，
Figure 89592DEST_PATH_IMAGE023
，
Figure 455982DEST_PATH_IMAGE024
，
Figure 779647DEST_PATH_IMAGE025
，
Figure 497068DEST_PATH_IMAGE026
为设定的第一判断阈值,
Figure 689015DEST_PATH_IMAGE027
表示元素
Figure 175491DEST_PATH_IMAGE028
处的灰度值。
优选的，所述采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量包括：
获所述零件的表面图像上的拐点，获取拐点横坐标
Figure 935636DEST_PATH_IMAGE029
和纵坐标的最小值
Figure 874774DEST_PATH_IMAGE030
；
当存在一个特定拐点
Figure 480198DEST_PATH_IMAGE031
满足
Figure 945815DEST_PATH_IMAGE032
时，令所述特定拐点为向量的起点，顺时针取拐点组成检测拐点向量
Figure 876862DEST_PATH_IMAGE033
；
其中，
Figure 37716DEST_PATH_IMAGE034
为检测向量的长度，
Figure 977990DEST_PATH_IMAGE035
，j是大于等于1小于等于n1。
优选的，所述根据所述四个顶点坐标对所述矩形零件区域进行归一化处理包括：
根据以下公式进行归一化处理：
Figure 173479DEST_PATH_IMAGE036
Figure 134482DEST_PATH_IMAGE037
其中，(x,y)为归一化处理前的图像坐标，(
Figure 48211DEST_PATH_IMAGE038
,
Figure 261018DEST_PATH_IMAGE039
)为归一化处理后的图像坐标。
优选的，所述确定零件的左顶角存在破损包括：
当所述拐点向量中不存在拐点满足
Figure 576593DEST_PATH_IMAGE032
时，判定零件的左顶角存在破损。
优选的，所述确定零件制造错误包括：
对所述检测拐点向量进行修正，得到修正后的检测拐点向量
Figure 849442DEST_PATH_IMAGE040
；
计算修正后的检测拐点向量
Figure 109522DEST_PATH_IMAGE040
与标准拐点向量
Figure 126020DEST_PATH_IMAGE010
的匹配得分
Figure 296101DEST_PATH_IMAGE041
；
当
Figure 474273DEST_PATH_IMAGE041
小于等于设定的第六判断阈值
Figure 628173DEST_PATH_IMAGE042
时，判定零件制造错误。
优选的，所述对所述检测拐点向量进行修正，得到修正后的检测拐点向量
Figure 307416DEST_PATH_IMAGE040
包括：
当
Figure 332004DEST_PATH_IMAGE043
时，对于非起点
Figure 681077DEST_PATH_IMAGE044
的任一点
Figure 791116DEST_PATH_IMAGE045
，计算与检测拐点向量非起点
Figure 274050DEST_PATH_IMAGE046
每一个点的匹配得分：
Figure 418723DEST_PATH_IMAGE047
，
取匹配得分最小对应检测拐点向量的点
Figure 204276DEST_PATH_IMAGE048
作为修正后的检测坐标
Figure 801611DEST_PATH_IMAGE049
，得到修正后的检测拐点向量
Figure 698023DEST_PATH_IMAGE040
；
当
Figure 821837DEST_PATH_IMAGE050
时，令
Figure 43871DEST_PATH_IMAGE051
，得到修正后的检测拐点向量
Figure 862922DEST_PATH_IMAGE040
。
具体的，所述计算修正后的检测拐点向量
Figure 563025DEST_PATH_IMAGE040
与标准拐点向量
Figure 416711DEST_PATH_IMAGE010
的匹配得分
Figure 668701DEST_PATH_IMAGE041
包括：
计算每个点
Figure 517926DEST_PATH_IMAGE049
的形状特征
Figure 756140DEST_PATH_IMAGE052
；
根据以下公式计算修正后的检测拐点向量
Figure 464333DEST_PATH_IMAGE040
与标准拐点向量
Figure 28170DEST_PATH_IMAGE010
的匹配得分
Figure 821813DEST_PATH_IMAGE041
：
Figure 988353DEST_PATH_IMAGE053
，
其中：
Figure 816631DEST_PATH_IMAGE054
，
Figure 285790DEST_PATH_IMAGE055
，
Figure 566730DEST_PATH_IMAGE056
Figure 271380DEST_PATH_IMAGE057
，
Figure 219745DEST_PATH_IMAGE058
，
Figure 859805DEST_PATH_IMAGE059
为设定的第二判断阈值，
Figure 628041DEST_PATH_IMAGE060
为设定的第三判断阈值，
Figure 11749DEST_PATH_IMAGE061
为设定的第四判断阈值，
Figure 80199DEST_PATH_IMAGE062
为设定的第五判断阈值，
Figure 15794DEST_PATH_IMAGE063
为历史数据训练得到的第一修正常数；
i是拐点的序号，i大于等于1小于等于n；
Figure 5746DEST_PATH_IMAGE064
是第i个拐点的坐标，
Figure 193145DEST_PATH_IMAGE065
是修正后第i个拐点的坐标。
其中，所述计算每个点
Figure 850523DEST_PATH_IMAGE049
的形状特征
Figure 957019DEST_PATH_IMAGE052
包括：
对于每个
Figure 699847DEST_PATH_IMAGE066
，获取邻域
Figure 425358DEST_PATH_IMAGE067
内的图像，计算该拐点的形状特征
Figure 937241DEST_PATH_IMAGE052
其中
Figure 90005DEST_PATH_IMAGE068
为区域左顶点坐标，
Figure 444763DEST_PATH_IMAGE015
为区域的宽，
Figure 973965DEST_PATH_IMAGE016
为区域的高；
其中：
Figure 605934DEST_PATH_IMAGE069
，
Figure 929599DEST_PATH_IMAGE070
，
Figure 381440DEST_PATH_IMAGE071
，
Figure 573387DEST_PATH_IMAGE072
，
Figure 325443DEST_PATH_IMAGE073
，
Figure 820009DEST_PATH_IMAGE074
，
Figure 759146DEST_PATH_IMAGE075
，
Figure 630150DEST_PATH_IMAGE076
，
Figure 95767DEST_PATH_IMAGE077
，
Figure 761234DEST_PATH_IMAGE078
为设定的第二十一判断阈值,
Figure 453247DEST_PATH_IMAGE079
表示元素
Figure 127942DEST_PATH_IMAGE080
处的灰度值。
优选的，所述确定零件存在破损包括：
获取零件的检测拐点向量
Figure 323431DEST_PATH_IMAGE081
和修正后的检测拐点向量
Figure 284434DEST_PATH_IMAGE040
，对于修正后的检测拐点向量
Figure 452024DEST_PATH_IMAGE040
任意连续的两点
Figure 664830DEST_PATH_IMAGE082
，在检测拐点向量
Figure 714826DEST_PATH_IMAGE081
找到对应的点
Figure 987675DEST_PATH_IMAGE083
，计算这两个拐点
Figure 247755DEST_PATH_IMAGE082
之间的破损得分
Figure 264253DEST_PATH_IMAGE084
；
当
Figure 434334DEST_PATH_IMAGE084
大于设定的第八判断阈值
Figure 878085DEST_PATH_IMAGE085
时，计算两个拐点之间的破损程度得分
Figure 500827DEST_PATH_IMAGE086
；
根据两个拐点之间的破损程度得分
Figure 180070DEST_PATH_IMAGE086
，计算得到零件的破损缺陷得分
Figure 204658DEST_PATH_IMAGE087
；
当
Figure 819310DEST_PATH_IMAGE088
大于设定的第十判断阈值
Figure 194928DEST_PATH_IMAGE089
时，判定零件存在破损。
预选的，所述计算这两个拐点
Figure 553228DEST_PATH_IMAGE082
之间的破损得分
Figure 556956DEST_PATH_IMAGE084
包括：
根据以下公式计算
Figure 342510DEST_PATH_IMAGE084
：
Figure 939844DEST_PATH_IMAGE090
，
其中
Figure 101835DEST_PATH_IMAGE091
，
其中，
Figure 101015DEST_PATH_IMAGE092
为设定的第七判断阈值；
Figure 916525DEST_PATH_IMAGE093
，
Figure 1155DEST_PATH_IMAGE094
，
Figure 701258DEST_PATH_IMAGE095
，
Figure 554944DEST_PATH_IMAGE096
，
x2是拐点的横坐标，y2是拐点的纵坐标，m是拐点的序号，k是拐点序号的偏移量，q是gw的序号，其中，m、k和q均是大于等于0的整数。
优选的，述计算两个拐点之间的破损程度得分
Figure 806934DEST_PATH_IMAGE086
包括：
根据以下公式计算两个拐点之间的破损程度得分
Figure 113282DEST_PATH_IMAGE086
：
Figure 617075DEST_PATH_IMAGE097
，
其中，
Figure 590848DEST_PATH_IMAGE025
，
Figure 889105DEST_PATH_IMAGE027
表示元素
Figure 807382DEST_PATH_IMAGE028
处的灰度值，
Figure 849288DEST_PATH_IMAGE098
，
当
Figure 943146DEST_PATH_IMAGE099
时，
Figure 412304DEST_PATH_IMAGE100
，
Figure 693244DEST_PATH_IMAGE101
，
Figure 538840DEST_PATH_IMAGE102
，
Figure 346259DEST_PATH_IMAGE103
，
当
Figure 986319DEST_PATH_IMAGE104
时，
Figure 754555DEST_PATH_IMAGE100
，
Figure 138263DEST_PATH_IMAGE101
，
Figure 800188DEST_PATH_IMAGE105
，
Figure 611150DEST_PATH_IMAGE106
，
Figure 143980DEST_PATH_IMAGE107
为历史数据训练得到的第二修正常数，
Figure 331378DEST_PATH_IMAGE108
为历史数据训练得到的第三修正常数。
优选的，判定所述零件有缺陷之后还包括：
自动生成零件缺陷预警并实时将图像及预警发送至相关管理部门。
第二方面，本申请实施例还提供一种零件缺陷检测装置，包括：
第一模块，被配置用于提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量；
第二模块，被配置用于采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量；
检测模块，被配置用于根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。
第三方面，本申请实施例还提供一种零件缺陷检测装置，包括：存储器、处理器和用户接口；
所述存储器，用于存储计算机程序；
所述用户接口，用于与用户实现交互；
所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程序时，实现本发明提供的零件缺陷检测方法。
第四方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现本发明提供的零件缺陷检测方法。
使用本发明提供的零件缺陷检测方法，首先提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量。然后，采集待检测零件的表面图像，根据待检测零件的表面图像确定检测拐点向量。最后，根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。本发明提供的判断零件有缺陷的情形包括以下之一或者组合：零件的左顶角存在破损，零件制造错误，零件存在破损。通过本发明的方法，提高了零件缺陷检测的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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为本申请实施例提供的模具缺陷检测方法流程示意图；
图2 为本申请实施例提供的标准拐点向量确定流程示意图；
图3为本申请实施例提供的模具缺陷检测装置示意图；
图4为本申请实施例提供的另一种模具缺陷检测装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。
下面对文中出现的一些词语进行解释：
1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
实施例一
参见图1，本申请实施例提供的一种零件缺陷检测方法示意图，如图1所示，该方法包括步骤S101到S103：
S101、提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量；
本发明中，在进行零件缺陷检测之前，先确定标准拐点向量。标准拐点向量是根据标准零件表面图像确定的。
作为一种优选示例，本实施例中确定标准拐点向量的过程如图2所示。
S201、进行灰度化处理，对图像采集设备进行相机标定。
本步骤中，对所述标准零件表面图像进行灰度化处理得到第二标准零件表面图像，对所述第二标准零件表面图像内矩形零件区域的四个顶角作为标记，对图像采集设备进行相机标定。
S202、获取相机内参数和失真系数并计算出旋转矩阵和平移矩阵。
本步骤中，获取相机内参数和失真系数并计算出不同相机角度下所述标记的旋转矩阵和平移矩阵。
旋转矩阵是指旋转的参数；
平移矩阵是指平移的参数；
S203、进行旋转和平移。
本步骤中，在所述第二标准零件表面图像内搜索四个顶角标记，根据所述顶角标记对应的旋转矩阵和平移矩阵对标准零件表面图像内矩形零件区域进行旋转和平移，使得矩形零件区域左上方顶点为原点，所述矩形零件区域的宽和高分别平行于画面的X轴和Y轴，记录此时四个顶点坐标
Figure 723177DEST_PATH_IMAGE001
，其中
Figure 829673DEST_PATH_IMAGE002
为左上方顶点坐标，
Figure 838080DEST_PATH_IMAGE003
为右上方顶点坐标，
Figure 563591DEST_PATH_IMAGE004
为右下方顶点坐标，
Figure 75475DEST_PATH_IMAGE005
为左下方顶点坐标。
S204、进行归一化处理。
本步骤中，根据所述四个顶点坐标对所述矩形零件区域进行归一化处理，得到第三标准零件表面图像。
优选的，根据所述四个顶点坐标对所述矩形零件区域进行归一化处理包括：
根据以下公式进行归一化处理：
Figure 228238DEST_PATH_IMAGE036
Figure 582996DEST_PATH_IMAGE037
其中，(x,y)为归一化处理前的图像坐标，(
Figure 846619DEST_PATH_IMAGE038
,
Figure 744168DEST_PATH_IMAGE039
)为归一化处理后的图像坐标。
S205、计算得到颜色阈值。
提取所述第三标准零件表面图像每个像素点的灰度值，将像素点分为零件像素点集合和背景像素点集合，获取零件像素点集合的聚类中心
Figure 598991DEST_PATH_IMAGE006
和背景像素点集合的聚类中心
Figure 50832DEST_PATH_IMAGE007
，计算得到颜色阈值
Figure 118145DEST_PATH_IMAGE008
。
S206、组成标准拐点向量。
提取所述所述第三标准零件表面图像每一个零件拐点坐标
Figure 604621DEST_PATH_IMAGE009
，组成标准拐点向量
Figure 223822DEST_PATH_IMAGE010
；
其中，n为向量的长度，i为拐点的序号，i大于等于1小于等于n，且
Figure 428538DEST_PATH_IMAGE011
。
作为一种优选示例，确定标准拐点向量后，还可以计算拐点的形状特征。具体的，对于每个
Figure 299542DEST_PATH_IMAGE009
，获取邻域
Figure 640525DEST_PATH_IMAGE012
内的图像，计算该拐点的形状特征
Figure 305992DEST_PATH_IMAGE013
，其中
Figure 857059DEST_PATH_IMAGE014
为区域左顶点坐标，
Figure 266175DEST_PATH_IMAGE015
为区域的宽，
Figure 461664DEST_PATH_IMAGE016
为区域的高；
其中：
Figure 829192DEST_PATH_IMAGE017
，
Figure 742921DEST_PATH_IMAGE018
，
Figure 814782DEST_PATH_IMAGE019
，
Figure 130357DEST_PATH_IMAGE020
，
Figure 137627DEST_PATH_IMAGE021
，
Figure 538653DEST_PATH_IMAGE022
，
Figure 414205DEST_PATH_IMAGE023
，
Figure 584286DEST_PATH_IMAGE024
，
Figure 293616DEST_PATH_IMAGE025
，
Figure 916359DEST_PATH_IMAGE026
为设定的第一判断阈值,
Figure 470968DEST_PATH_IMAGE027
表示元素
Figure 620189DEST_PATH_IMAGE028
处的灰度值。
也就是说，S101中，零件通过生产线的传送带到达零件检测区域，区域内固定的图像采集设备获取每一个零件的表面图像。提取标准零件表面图像进行灰度化处理后图像内矩形零件区域的四个顶角作为标记，对图像采集设备进行相机标定，获取相机内参数和失真系数并计算出不同相机角度下标记的旋转矩阵和平移矩阵。在检测到的零件的表面图像内搜索四个顶角标记，根据顶角标记对应的旋转矩阵和平移矩阵对零件表面图像内矩形零件区域进行旋转和平移操作使得矩形零件区域左上方顶点为原点，矩形区域的宽和高分别平行于画面X轴和Y轴，记录此时四个顶点坐标
Figure 234841DEST_PATH_IMAGE001
，根据以下公式对图像进行归一化处理：
Figure 610459DEST_PATH_IMAGE109
，
其中，(x,y)为归一化处理前的图像坐标，(
Figure 703180DEST_PATH_IMAGE038
,
Figure 706908DEST_PATH_IMAGE039
)为归一化处理后的图像坐标。
得到零件检测图像，提取零件检测图像每个像素点的灰度值，将像素点分为两大类（例如使用基于K-means的聚类模型像素点分为零件像素点集合和背景像素点集合），获取零件像素点集合的聚类中心
Figure 758041DEST_PATH_IMAGE006
和背景像素点集合的聚类中心
Figure 343657DEST_PATH_IMAGE007
，计算得到颜色阈值
Figure 240068DEST_PATH_IMAGE008
。
提取标准零件灰度化和归一化处理后图像每一个零件拐点坐标
Figure 973669DEST_PATH_IMAGE009
，其中i为拐点的序号，组成零件标准拐点向量
Figure 54758DEST_PATH_IMAGE010
，其中n为向量的长度，
Figure 139388DEST_PATH_IMAGE011
。
对于每个
Figure 839491DEST_PATH_IMAGE009
，获取邻域
Figure 693178DEST_PATH_IMAGE012
内的图像，其中
Figure 679588DEST_PATH_IMAGE014
为区域左顶点坐标，
Figure 517094DEST_PATH_IMAGE015
为区域的宽，
Figure 489729DEST_PATH_IMAGE016
为区域的高，计算该拐点的形状特征
Figure 729081DEST_PATH_IMAGE013
：
其中
Figure 761759DEST_PATH_IMAGE110
Figure 945616DEST_PATH_IMAGE111
Figure 987521DEST_PATH_IMAGE112
Figure 550220DEST_PATH_IMAGE113
Figure 19379DEST_PATH_IMAGE114
Figure 424953DEST_PATH_IMAGE115
Figure 270549DEST_PATH_IMAGE116
Figure 953334DEST_PATH_IMAGE117
Figure 593394DEST_PATH_IMAGE118
Figure 486264DEST_PATH_IMAGE026
为设定的第一判断阈值,
Figure 869972DEST_PATH_IMAGE027
表示元素
Figure 407263DEST_PATH_IMAGE028
处的灰度值。
S102、采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量；
作为一种优选示例，获所述零件的表面图像上的拐点，获取拐点横坐标
Figure 218224DEST_PATH_IMAGE029
和纵坐标的最小值
Figure 598390DEST_PATH_IMAGE030
；
当存在一个特定拐点
Figure 520210DEST_PATH_IMAGE031
满足
Figure 177587DEST_PATH_IMAGE032
时，令所述特定拐点为向量的起点，顺时针取拐点组成检测拐点向量
Figure 159450DEST_PATH_IMAGE033
；
其中，
Figure 167857DEST_PATH_IMAGE034
为检测向量的长度，
Figure 18001DEST_PATH_IMAGE035
，j是大于等于1小于等于n1。
例如，使用Harris算子获取零件检测图像上的拐点，获取拐点横坐标和纵坐标的最小值
Figure 529885DEST_PATH_IMAGE119
，当存在一个拐点
Figure 682649DEST_PATH_IMAGE031
满足
Figure 647194DEST_PATH_IMAGE032
时，令该拐点为向量的起点，顺时针取拐点组成检测拐点向量
Figure 301029DEST_PATH_IMAGE081
，其中
Figure 667420DEST_PATH_IMAGE034
为检测向量的长度,
Figure 991085DEST_PATH_IMAGE120
。
S103、根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。
为了提高零件缺陷检测的准确性，本发明至少提供三种方式确定零件是否有缺陷。若根据所述标准拐点向量和所述检测拐点向量确定所述零件有下列情形之一或者组合，则判定所述零件有缺陷：
确定零件的左顶角存在破损；
确定零件制造错误；
确定零件存在破损。
下面针对上述三种方法分别进行描述。
方法1：零件的左顶角存在破损：
作为一种优选示例，所述确定零件的左顶角存在破损包括：
当所述拐点向量中不存在拐点满足
Figure 708505DEST_PATH_IMAGE032
时，判定零件的左顶角存在破损。
即当不存在拐点满足
Figure 41397DEST_PATH_IMAGE032
时，判定零件的左顶角存在破损。
优选的，判定零件的左顶角存在破损之后，***还可以自动生成零件缺陷预警并实时将图像及预警发送至相关管理部门对缺陷零件进行处理。
方法2：零件制造错误：
对所述检测拐点向量进行修正，得到修正后的检测拐点向量
Figure 386928DEST_PATH_IMAGE040
；
计算修正后的检测拐点向量
Figure 147074DEST_PATH_IMAGE040
与标准拐点向量
Figure 86211DEST_PATH_IMAGE010
的匹配得分
Figure 47013DEST_PATH_IMAGE041
；
当
Figure 122416DEST_PATH_IMAGE041
小于等于设定的第六判断阈值
Figure 178097DEST_PATH_IMAGE042
时，判定零件制造错误。
作为一种优选示例，对所述检测拐点向量进行修正，得到修正后的检测拐点向量
Figure 604530DEST_PATH_IMAGE040
包括：
当
Figure 13646DEST_PATH_IMAGE043
时，对于非起点
Figure 209135DEST_PATH_IMAGE044
的任一点
Figure 435717DEST_PATH_IMAGE045
，计算与检测拐点向量非起点
Figure 83867DEST_PATH_IMAGE046
每一个点的匹配得分：
Figure 562253DEST_PATH_IMAGE047
，
取匹配得分最小对应检测拐点向量的点
Figure 877828DEST_PATH_IMAGE048
作为修正后的检测坐标
Figure 885098DEST_PATH_IMAGE049
，得到修正后的检测拐点向量
Figure 410757DEST_PATH_IMAGE040
；
当
Figure 161676DEST_PATH_IMAGE050
时，令
Figure 331757DEST_PATH_IMAGE051
，得到修正后的检测拐点向量
Figure 775508DEST_PATH_IMAGE040
。
作为一种优选示例，计算修正后的检测拐点向量
Figure 663829DEST_PATH_IMAGE040
与标准拐点向量
Figure 343072DEST_PATH_IMAGE010
的匹配得分
Figure 367660DEST_PATH_IMAGE041
包括：
计算每个点
Figure 982312DEST_PATH_IMAGE049
的形状特征
Figure 357930DEST_PATH_IMAGE052
；
根据以下公式计算修正后的检测拐点向量
Figure 309705DEST_PATH_IMAGE040
与标准拐点向量
Figure 180011DEST_PATH_IMAGE010
的匹配得分
Figure 965564DEST_PATH_IMAGE041
：
Figure 562899DEST_PATH_IMAGE053
，
其中：
Figure 724890DEST_PATH_IMAGE054
，
Figure 848704DEST_PATH_IMAGE055
，
Figure 805158DEST_PATH_IMAGE056
Figure 155368DEST_PATH_IMAGE057
，
Figure 589892DEST_PATH_IMAGE058
，
Figure 443578DEST_PATH_IMAGE059
为设定的第二判断阈值，
Figure 695568DEST_PATH_IMAGE060
为设定的第三判断阈值，
Figure 533074DEST_PATH_IMAGE061
为设定的第四判断阈值，
Figure 771288DEST_PATH_IMAGE062
为设定的第五判断阈值，
Figure 479481DEST_PATH_IMAGE063
为历史数据训练得到的第一修正常数；
i是拐点的序号，i大于等于1小于等于n；
Figure 777739DEST_PATH_IMAGE064
是第i个拐点的坐标，
Figure 961595DEST_PATH_IMAGE065
是修正后第i个拐点的坐标。
作为一种优选示例，计算每个点
Figure 737921DEST_PATH_IMAGE049
的形状特征
Figure 566200DEST_PATH_IMAGE052
包括：
对于每个
Figure 35359DEST_PATH_IMAGE066
，获取邻域
Figure 440932DEST_PATH_IMAGE067
内的图像，计算该拐点的形状特征
Figure 286529DEST_PATH_IMAGE052
其中
Figure 234893DEST_PATH_IMAGE068
为区域左顶点坐标，
Figure 874953DEST_PATH_IMAGE015
为区域的宽，
Figure 643189DEST_PATH_IMAGE016
为区域的高；
其中：
Figure 885951DEST_PATH_IMAGE069
，
Figure 688822DEST_PATH_IMAGE070
，
Figure 499783DEST_PATH_IMAGE121
，
Figure 755315DEST_PATH_IMAGE072
，
Figure 801769DEST_PATH_IMAGE073
，
Figure 459146DEST_PATH_IMAGE074
，
Figure 441009DEST_PATH_IMAGE075
，
Figure 183837DEST_PATH_IMAGE076
，
Figure 33981DEST_PATH_IMAGE122
，
Figure 545865DEST_PATH_IMAGE078
为设定的第二十一判断阈值,
Figure 698629DEST_PATH_IMAGE079
表示元素
Figure 928753DEST_PATH_IMAGE080
处的灰度值。
当
Figure 457954DEST_PATH_IMAGE041
大于设定的第六判断阈值
Figure 948979DEST_PATH_IMAGE042
时，判定零件为标准零件格式；反之判定零件制造错误。
作为一种优选示例，判断零件制造错误之后，***还可以自动生成零件缺陷预警并实时将图像及预警发送至相关管理部门对缺陷零件进行处理。
方法3：零件存在破损：
获取零件的检测拐点向量
Figure 272644DEST_PATH_IMAGE081
和修正后的检测拐点向量
Figure 990064DEST_PATH_IMAGE040
，对于修正后的检测拐点向量
Figure 57377DEST_PATH_IMAGE040
任意连续的两点
Figure 402908DEST_PATH_IMAGE082
，在检测拐点向量
Figure 174772DEST_PATH_IMAGE081
找到对应的点
Figure 379489DEST_PATH_IMAGE083
，计算这两个拐点
Figure 984913DEST_PATH_IMAGE082
之间的破损得分
Figure 325896DEST_PATH_IMAGE084
；
当
Figure 381577DEST_PATH_IMAGE084
大于设定的第八判断阈值
Figure 808010DEST_PATH_IMAGE085
时，计算两个拐点之间的破损程度得分
Figure 482705DEST_PATH_IMAGE086
；
根据两个拐点之间的破损程度得分
Figure 678194DEST_PATH_IMAGE086
，计算得到零件的破损缺陷得分
Figure 514563DEST_PATH_IMAGE087
；
当
Figure 552926DEST_PATH_IMAGE088
大于设定的第十判断阈值
Figure 31312DEST_PATH_IMAGE089
时，判定零件存在破损。
其中，作为一种优选示例，所述计算这两个拐点
Figure 81308DEST_PATH_IMAGE082
之间的破损得分
Figure 354157DEST_PATH_IMAGE084
包括：
根据以下公式计算
Figure 489603DEST_PATH_IMAGE084
：
Figure 630735DEST_PATH_IMAGE090
，
其中
Figure 800816DEST_PATH_IMAGE091
，
其中，
Figure 978988DEST_PATH_IMAGE092
为设定的第七判断阈值；
Figure 867309DEST_PATH_IMAGE093
，
Figure 687498DEST_PATH_IMAGE094
，
Figure 836719DEST_PATH_IMAGE095
，
Figure 185792DEST_PATH_IMAGE096
，
x2是拐点的横坐标，y2是拐点的纵坐标，m是拐点的序号，k是拐点序号的偏移量，q是gw的序号，其中，m、k和q均是大于等于0的整数。
计算两个拐点之间的破损程度得分
Figure 295831DEST_PATH_IMAGE086
包括：
根据以下公式计算两个拐点之间的破损程度得分
Figure 654131DEST_PATH_IMAGE086
：
Figure 657859DEST_PATH_IMAGE097
，
其中，
Figure 443412DEST_PATH_IMAGE025
，
Figure 40747DEST_PATH_IMAGE027
表示元素
Figure 937159DEST_PATH_IMAGE028
处的灰度值，
Figure 201918DEST_PATH_IMAGE098
，
当
Figure 283006DEST_PATH_IMAGE099
时，
Figure 102058DEST_PATH_IMAGE100
，
Figure 802161DEST_PATH_IMAGE101
，
Figure 655847DEST_PATH_IMAGE102
，
Figure 907837DEST_PATH_IMAGE103
，
当
Figure 479764DEST_PATH_IMAGE104
时，
Figure 717978DEST_PATH_IMAGE100
，
Figure 426171DEST_PATH_IMAGE101
，
Figure 849062DEST_PATH_IMAGE105
，
Figure 908285DEST_PATH_IMAGE106
，
Figure 684611DEST_PATH_IMAGE107
为历史数据训练得到的第二修正常数，
Figure 778469DEST_PATH_IMAGE108
为历史数据训练得到的第三修正常数。
根据两个拐点之间的破损程度得分，计算得到零件的破损缺陷得分：
Figure 235909DEST_PATH_IMAGE123
当
Figure 641482DEST_PATH_IMAGE088
大于设定的第十判断阈值
Figure 221499DEST_PATH_IMAGE089
时，判定零件存在破损；
作为一种优选示例，判定零件存在破损之后，***自动生成零件缺陷预警并实时将图像及预警发送至相关管理部门对缺陷零件进行处理。
使用本发明提供的零件缺陷检测方法，首先提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量。然后，采集待检测零件的表面图像，根据待检测零件的表面图像确定检测拐点向量。最后，根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。本发明提供的判断零件有缺陷的情形包括以下之一或者组合：零件的左顶角存在破损，零件制造错误，零件存在破损。通过本发明的方法，提高了零件缺陷检测的准确率。
实施例二
基于同一个发明构思，本发明实施例还提供了一种零件缺陷检测装置，如图3所示，该装置包括：
第一模块301，被配置用于提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量；
第二模块302，被配置用于采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量；
检测模块303，被配置用于根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。
作为一种优选示例，本发明实施例中，检测模块303若根据所述标准拐点向量和所述检测拐点向量确定所述零件有下列情形之一或者组合，则判定所述零件有缺陷：
确定零件的左顶角存在破损；
确定零件制造错误；
确定零件存在破损。
作为一种优选示例，第一模块301还被配置用于确定标准拐点向量：
对所述标准零件表面图像进行灰度化处理得到第二标准零件表面图像，对所述第二标准零件表面图像内矩形零件区域的四个顶角作为标记，对图像采集设备进行相机标定；
获取相机内参数和失真系数并计算出不同相机角度下所述标记的旋转矩阵和平移矩阵；
在所述第二标准零件表面图像内搜索四个顶角标记，根据所述顶角标记对应的旋转矩阵和平移矩阵对标准零件表面图像内矩形零件区域进行旋转和平移，使得矩形零件区域左上方顶点为原点，所述矩形零件区域的宽和高分别平行于画面的X轴和Y轴，记录此时四个顶点坐标
Figure 904285DEST_PATH_IMAGE001
，其中
Figure 544345DEST_PATH_IMAGE002
为左上方顶点坐标，
Figure 437214DEST_PATH_IMAGE003
为右上方顶点坐标，
Figure 820922DEST_PATH_IMAGE004
为右下方顶点坐标，
Figure 623793DEST_PATH_IMAGE005
为左下方顶点坐标；
根据所述四个顶点坐标对所述矩形零件区域进行归一化处理，得到第三标准零件表面图像；
提取所述第三标准零件表面图像每个像素点的灰度值，将像素点分为零件像素点集合和背景像素点集合，获取零件像素点集合的聚类中心
Figure 434754DEST_PATH_IMAGE006
和背景像素点集合的聚类中心
Figure 549341DEST_PATH_IMAGE007
，计算得到颜色阈值
Figure 736740DEST_PATH_IMAGE008
；
提取所述所述第三标准零件表面图像每一个零件拐点坐标
Figure 659696DEST_PATH_IMAGE009
，组成标准拐点向量
Figure 641559DEST_PATH_IMAGE010
；
其中，n为向量的长度，i为拐点的序号，i大于等于1小于等于n，且
Figure 118808DEST_PATH_IMAGE011
。
作为一种优选示例，第一模块301还被配置用于：
对于每个
Figure 968952DEST_PATH_IMAGE009
，获取邻域
Figure 480836DEST_PATH_IMAGE012
内的图像，计算该拐点的形状特征
Figure 633600DEST_PATH_IMAGE013
，其中
Figure 863724DEST_PATH_IMAGE014
为区域左顶点坐标，
Figure 251980DEST_PATH_IMAGE015
为区域的宽，
Figure 883949DEST_PATH_IMAGE016
为区域的高；
其中：
Figure 207615DEST_PATH_IMAGE017
，
Figure 659456DEST_PATH_IMAGE018
，
Figure 851403DEST_PATH_IMAGE019
，
Figure 337879DEST_PATH_IMAGE020
，
Figure 832445DEST_PATH_IMAGE021
，
Figure 37161DEST_PATH_IMAGE022
，
Figure 908165DEST_PATH_IMAGE023
，
Figure 373782DEST_PATH_IMAGE024
，
Figure 39250DEST_PATH_IMAGE025
，
Figure 465683DEST_PATH_IMAGE026
为设定的第一判断阈值,
Figure 140378DEST_PATH_IMAGE027
表示元素
Figure 460501DEST_PATH_IMAGE028
处的灰度值。
作为一种优选示例，第一模块301还被配置用于根据所述四个顶点坐标对所述矩形零件区域进行归一化处理：
根据以下公式进行归一化处理：
Figure 296870DEST_PATH_IMAGE036
Figure 476178DEST_PATH_IMAGE037
其中，(x,y)为归一化处理前的图像坐标，(
Figure 688985DEST_PATH_IMAGE038
,
Figure 738980DEST_PATH_IMAGE039
)为归一化处理后的图像坐标。
作为一种优选示例，第二模块302还被配置用于根据所述零件的表面图像确定检测拐点向量：
获所述零件的表面图像上的拐点，获取拐点横坐标
Figure 136464DEST_PATH_IMAGE029
和纵坐标的最小值
Figure 271910DEST_PATH_IMAGE030
；
当存在一个特定拐点
Figure 288408DEST_PATH_IMAGE031
满足
Figure 192910DEST_PATH_IMAGE032
时，令所述特定拐点为向量的起点，顺时针取拐点组成检测拐点向量
Figure 761294DEST_PATH_IMAGE033
；
其中，
Figure 384037DEST_PATH_IMAGE034
为检测向量的长度，
Figure 215944DEST_PATH_IMAGE035
，j是大于等于1小于等于n1。
作为一种优选示例，检测模块303还被配置用于确定零件的左顶角存在破损：
当所述拐点向量中不存在拐点满足
Figure 240532DEST_PATH_IMAGE032
时，判定零件的左顶角存在破损。
作为一种优选示例，检测模块303还被配置用于确定零件制造错误：
对所述检测拐点向量进行修正，得到修正后的检测拐点向量
Figure 714238DEST_PATH_IMAGE040
；
计算修正后的检测拐点向量
Figure 824277DEST_PATH_IMAGE040
与标准拐点向量
Figure 448156DEST_PATH_IMAGE010
的匹配得分
Figure 327250DEST_PATH_IMAGE041
；
当
Figure 112804DEST_PATH_IMAGE041
小于等于设定的第六判断阈值
Figure 834772DEST_PATH_IMAGE042
时，判定零件制造错误。
所述对所述检测拐点向量进行修正，得到修正后的检测拐点向量
Figure 731184DEST_PATH_IMAGE040
包括：
当
Figure 730364DEST_PATH_IMAGE043
时，对于非起点
Figure 421239DEST_PATH_IMAGE044
的任一点
Figure 630504DEST_PATH_IMAGE045
，计算与检测拐点向量非起点
Figure 330607DEST_PATH_IMAGE046
每一个点的匹配得分：
Figure 184293DEST_PATH_IMAGE047
，
取匹配得分最小对应检测拐点向量的点
Figure 311649DEST_PATH_IMAGE048
作为修正后的检测坐标
Figure 742631DEST_PATH_IMAGE049
，得到修正后的检测拐点向量
Figure 246424DEST_PATH_IMAGE040
；
当
Figure 220196DEST_PATH_IMAGE050
时，令
Figure 518454DEST_PATH_IMAGE051
，得到修正后的检测拐点向量
Figure 312097DEST_PATH_IMAGE040
。
所述计算修正后的检测拐点向量
Figure 478637DEST_PATH_IMAGE040
与标准拐点向量
Figure 572494DEST_PATH_IMAGE010
的匹配得分
Figure 41653DEST_PATH_IMAGE041
包括：
计算每个点
Figure 322593DEST_PATH_IMAGE049
的形状特征
Figure 902610DEST_PATH_IMAGE052
；
根据以下公式计算修正后的检测拐点向量
Figure 710029DEST_PATH_IMAGE040
与标准拐点向量
Figure 615668DEST_PATH_IMAGE010
的匹配得分
Figure 383904DEST_PATH_IMAGE041
：
Figure 767612DEST_PATH_IMAGE053
，
其中：
Figure 304903DEST_PATH_IMAGE054
，
Figure 240498DEST_PATH_IMAGE055
，
Figure 496030DEST_PATH_IMAGE056
Figure 683429DEST_PATH_IMAGE057
，
Figure 75227DEST_PATH_IMAGE058
，
Figure 181724DEST_PATH_IMAGE059
为设定的第二判断阈值，
Figure 924552DEST_PATH_IMAGE060
为设定的第三判断阈值，
Figure 650062DEST_PATH_IMAGE061
为设定的第四判断阈值，
Figure 161946DEST_PATH_IMAGE062
为设定的第五判断阈值，
Figure 580289DEST_PATH_IMAGE063
为历史数据训练得到的第一修正常数；
i是拐点的序号，i大于等于1小于等于n；
Figure 935047DEST_PATH_IMAGE064
是第i个拐点的坐标，
Figure 198669DEST_PATH_IMAGE065
是修正后第i个拐点的坐标。
所述计算每个点
Figure 553341DEST_PATH_IMAGE049
的形状特征
Figure 142585DEST_PATH_IMAGE052
包括：
对于每个
Figure 719060DEST_PATH_IMAGE066
，获取邻域
Figure 786373DEST_PATH_IMAGE067
内的图像，计算该拐点的形状特征
Figure 272850DEST_PATH_IMAGE052
其中
Figure 767416DEST_PATH_IMAGE068
为区域左顶点坐标，
Figure 831187DEST_PATH_IMAGE015
为区域的宽，
Figure 702191DEST_PATH_IMAGE016
为区域的高；
其中：
Figure 308753DEST_PATH_IMAGE069
，
Figure 974220DEST_PATH_IMAGE070
，
Figure 400654DEST_PATH_IMAGE121
，
Figure 934403DEST_PATH_IMAGE072
，
Figure 129892DEST_PATH_IMAGE073
，
Figure 231840DEST_PATH_IMAGE074
，
Figure 145570DEST_PATH_IMAGE075
，
Figure 217431DEST_PATH_IMAGE076
，
Figure 533006DEST_PATH_IMAGE122
，
Figure 805855DEST_PATH_IMAGE078
为设定的第二十一判断阈值,
Figure 206881DEST_PATH_IMAGE079
表示元素
Figure 957799DEST_PATH_IMAGE080
处的灰度值。
作为一种优选示例，检测模块303还被配置用于确定零件存在破损：
获取零件的检测拐点向量
Figure 252514DEST_PATH_IMAGE081
和修正后的检测拐点向量
Figure 696265DEST_PATH_IMAGE040
，对于修正后的检测拐点向量
Figure 319007DEST_PATH_IMAGE040
任意连续的两点
Figure 873617DEST_PATH_IMAGE082
，在检测拐点向量
Figure 163784DEST_PATH_IMAGE081
找到对应的点
Figure 903070DEST_PATH_IMAGE083
，计算这两个拐点
Figure 13108DEST_PATH_IMAGE082
之间的破损得分
Figure 105829DEST_PATH_IMAGE084
；
当
Figure 250503DEST_PATH_IMAGE084
大于设定的第八判断阈值
Figure 160690DEST_PATH_IMAGE085
时，计算两个拐点之间的破损程度得分
Figure 758024DEST_PATH_IMAGE086
；
根据两个拐点之间的破损程度得分
Figure 654436DEST_PATH_IMAGE086
，计算得到零件的破损缺陷得分
Figure 388037DEST_PATH_IMAGE087
；
当
Figure 469125DEST_PATH_IMAGE088
大于设定的第十判断阈值
Figure 553756DEST_PATH_IMAGE089
时，判定零件存在破损。
所述计算这两个拐点
Figure 519438DEST_PATH_IMAGE082
之间的破损得分
Figure 373125DEST_PATH_IMAGE084
包括：
根据以下公式计算
Figure 234901DEST_PATH_IMAGE084
：
Figure 931462DEST_PATH_IMAGE090
，
其中
Figure 169676DEST_PATH_IMAGE091
，
其中，
Figure 143449DEST_PATH_IMAGE092
为设定的第七判断阈值；
Figure 187845DEST_PATH_IMAGE093
，
Figure 371702DEST_PATH_IMAGE094
，
Figure 413607DEST_PATH_IMAGE095
，
Figure 976307DEST_PATH_IMAGE096
，
x2是拐点的横坐标，y2是拐点的纵坐标，m是拐点的序号，k是拐点序号的偏移量，q是gw的序号，其中，m、k和q均是大于等于0的整数。
所述计算两个拐点之间的破损程度得分
Figure 445465DEST_PATH_IMAGE086
包括：
根据以下公式计算两个拐点之间的破损程度得分
Figure 851039DEST_PATH_IMAGE086
：
Figure 696635DEST_PATH_IMAGE097
，
其中，
Figure 645000DEST_PATH_IMAGE025
，
Figure 285060DEST_PATH_IMAGE027
表示元素
Figure 53295DEST_PATH_IMAGE028
处的灰度值，
Figure 561637DEST_PATH_IMAGE098
，
当
Figure 98929DEST_PATH_IMAGE099
时，
Figure 909890DEST_PATH_IMAGE100
，
Figure 165422DEST_PATH_IMAGE101
，
Figure 352821DEST_PATH_IMAGE102
，
Figure 134832DEST_PATH_IMAGE103
，
当
Figure 116695DEST_PATH_IMAGE104
时，
Figure 593943DEST_PATH_IMAGE100
，
Figure 585033DEST_PATH_IMAGE101
，
Figure 221551DEST_PATH_IMAGE105
，
Figure 374315DEST_PATH_IMAGE106
，
Figure 338860DEST_PATH_IMAGE107
为历史数据训练得到的第二修正常数，
Figure 868061DEST_PATH_IMAGE108
为历史数据训练得到的第三修正常数。
作为一种优选示例，检测模块303还被配置用于判定所述零件有缺陷之后，自动生成零件缺陷预警并实时将图像及预警发送至相关管理部门。
需要说明的是，本实施例提供的第一模块301，能实现实施例一中步骤S101包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
需要说明的是，本实施例提供的第二模块302，能实现实施例一中步骤S102包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
需要说明的是，本实施例提供的检测模块303，能实现实施例一中步骤S103包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述。
需要说明的是，实施例二提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例二提供的装置能实现实施例一的所有方法，相同之处不再赘述。
实施例三
基于同一个发明构思，本发明实施例还提供了一种零件缺陷检测装置，如图所示，该装置包括：
包括存储器402、处理器401和用户接口403；
所述存储器402，用于存储计算机程序；
所述用户接口403，用于与用户实现交互；
所述处理器401，用于读取所述存储器402中的计算机程序，所述处理器401执行所述计算机程序时，实现：
提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量；
采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量；
根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。
其中，在图4中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器401代表的一个或多个处理器和存储器402代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。处理器401负责管理总线架构和通常的处理，存储器402可以存储处理器401在执行操作时所使用的数据。
处理器401可以是CPU、ASIC、FPGA或CPLD，处理器401也可以采用多核架构。
处理器401执行存储器402存储的计算机程序时，实现实施例一中的任一零件缺陷检测方法。
需要说明的是，实施例三提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例三提供的装置能实现实施例一的所有方法，相同之处不再赘述。
本申请还提出一种处理器可读存储介质。其中，该处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现实施例一中的任一零件缺陷检测方法。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请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。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (18)

1.一种零件缺陷检测方法，其特征在于，包括：
提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量；
采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量；
根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。
2.根据权利要求1所述的方法，其特征在于，所述根据所述标准拐点向量和所述检测拐点向量判断所述零件是否具有缺陷包括：
若根据所述标准拐点向量和所述检测拐点向量确定所述零件有下列情形之一或者组合，则判定所述零件有缺陷：
确定零件的左顶角存在破损；
确定零件制造错误；
确定零件存在破损。
3.根据权利要求2所述的方法，其特征在于，所述提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量包括：
对所述标准零件表面图像进行灰度化处理得到第二标准零件表面图像，对所述第二标准零件表面图像内矩形零件区域的四个顶角作为标记，对图像采集设备进行相机标定；
获取相机内参数和失真系数并计算出不同相机角度下所述标记的旋转矩阵和平移矩阵；
在所述第二标准零件表面图像内搜索四个顶角标记，根据所述顶角标记对应的旋转矩阵和平移矩阵对标准零件表面图像内矩形零件区域进行旋转和平移，使得矩形零件区域左上方顶点为原点，所述矩形零件区域的宽和高分别平行于画面的X轴和Y轴，记录此时四个顶点坐标
Figure 898861DEST_PATH_IMAGE001
，其中
Figure 878318DEST_PATH_IMAGE002
为左上方顶点坐标，
Figure 29744DEST_PATH_IMAGE003
为右上方顶点坐标，
Figure 284008DEST_PATH_IMAGE004
为右下方顶点坐标，
Figure 911430DEST_PATH_IMAGE005
为左下方顶点坐标；
根据所述四个顶点坐标对所述矩形零件区域进行归一化处理，得到第三标准零件表面图像；
提取所述第三标准零件表面图像每个像素点的灰度值，将像素点分为零件像素点集合和背景像素点集合，获取零件像素点集合的聚类中心
Figure 530630DEST_PATH_IMAGE006
和背景像素点集合的聚类中心
Figure 532084DEST_PATH_IMAGE007
，计算得到颜色阈值
Figure 278454DEST_PATH_IMAGE008
；
提取所述第三标准零件表面图像每一个零件拐点坐标
Figure 9650DEST_PATH_IMAGE009
，组成标准拐点向量
Figure 612801DEST_PATH_IMAGE010
；
其中，n为向量的长度，i为拐点的序号，i大于等于1小于等于n，且
Figure 163868DEST_PATH_IMAGE011
。
4.根据权利要求3所述的方法，其特征在于，确定标准拐点向量之后还包括：
对于每个
Figure 635300DEST_PATH_IMAGE009
，获取邻域
Figure 971735DEST_PATH_IMAGE012
内的图像，计算该拐点的形状特征
Figure 198317DEST_PATH_IMAGE013
，其中
Figure 49729DEST_PATH_IMAGE014
为区域左顶点坐标，
Figure 387170DEST_PATH_IMAGE015
为区域的宽，
Figure 578111DEST_PATH_IMAGE016
为区域的高；
其中：
Figure 647698DEST_PATH_IMAGE017
，
Figure 173357DEST_PATH_IMAGE018
，
Figure 861959DEST_PATH_IMAGE019
，
Figure 156674DEST_PATH_IMAGE020
，
Figure 662742DEST_PATH_IMAGE021
，
Figure 426429DEST_PATH_IMAGE022
，
Figure 105672DEST_PATH_IMAGE023
，
Figure 67943DEST_PATH_IMAGE024
，
Figure 807229DEST_PATH_IMAGE025
，
Figure 979585DEST_PATH_IMAGE026
为设定的第一判断阈值,
Figure 947672DEST_PATH_IMAGE027
表示元素
Figure 482558DEST_PATH_IMAGE028
处的灰度值。
5.根据权利要求4所述的方法，其特征在于，所述采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量包括：
获所述零件的表面图像上的拐点，获取拐点横坐标
Figure 940215DEST_PATH_IMAGE029
和纵坐标的最小值
Figure 927763DEST_PATH_IMAGE030
；
当存在一个特定拐点
Figure 886492DEST_PATH_IMAGE031
满足
Figure 495459DEST_PATH_IMAGE032
时，令所述特定拐点为向量的起点，顺时针取拐点组成检测拐点向量
Figure 638864DEST_PATH_IMAGE033
；
其中，
Figure 598861DEST_PATH_IMAGE034
为检测向量的长度，
Figure 361281DEST_PATH_IMAGE035
，j是大于等于1小于等于n1。
6.根据权利要求3所述的方法，其特征在于，所述根据所述四个顶点坐标对所述矩形零件区域进行归一化处理包括：
根据以下公式进行归一化处理：
Figure 339601DEST_PATH_IMAGE036
Figure 139061DEST_PATH_IMAGE037
其中，(x,y)为归一化处理前的图像坐标，(
Figure 835621DEST_PATH_IMAGE038
,
Figure 136153DEST_PATH_IMAGE039
)为归一化处理后的图像坐标。
7.根据权利要求5所述的方法，其特征在于，所述确定零件的左顶角存在破损包括：
当所述拐点向量中不存在拐点满足
Figure 985291DEST_PATH_IMAGE032
时，判定零件的左顶角存在破损。
8.根据权利要求5所述的方法，其特征在于，所述确定零件制造错误包括：
对所述检测拐点向量进行修正，得到修正后的检测拐点向量
Figure 204920DEST_PATH_IMAGE040
；
计算修正后的检测拐点向量
Figure 393369DEST_PATH_IMAGE040
与标准拐点向量
Figure 559909DEST_PATH_IMAGE010
的匹配得分
Figure 184925DEST_PATH_IMAGE041
；
当
Figure 529450DEST_PATH_IMAGE041
小于等于设定的第六判断阈值
Figure 997340DEST_PATH_IMAGE042
时，判定零件制造错误。
9.根据权利要求8所述的方法，其特征在于，所述对所述检测拐点向量进行修正，得到修正后的检测拐点向量
Figure 718303DEST_PATH_IMAGE040
包括：
当
Figure 463405DEST_PATH_IMAGE043
时，对于非起点
Figure 228099DEST_PATH_IMAGE044
的任一点
Figure 137280DEST_PATH_IMAGE045
，计算与检测拐点向量非起点
Figure 707938DEST_PATH_IMAGE046
每一个点的匹配得分：
Figure 120596DEST_PATH_IMAGE047
，
取匹配得分最小对应检测拐点向量的点
Figure 993874DEST_PATH_IMAGE048
作为修正后的检测坐标
Figure 374040DEST_PATH_IMAGE049
，得到修正后的检测拐点向量
Figure 233543DEST_PATH_IMAGE040
；
当
Figure 281133DEST_PATH_IMAGE050
时，令
Figure 138362DEST_PATH_IMAGE051
，得到修正后的检测拐点向量
Figure 943507DEST_PATH_IMAGE040
。
10.根据权利要求8所述的方法，其特征在于，所述计算修正后的检测拐点向量
Figure 793651DEST_PATH_IMAGE040
与标准拐点向量
Figure 243218DEST_PATH_IMAGE010
的匹配得分
Figure 520616DEST_PATH_IMAGE041
包括：
计算每个点
Figure 547478DEST_PATH_IMAGE049
的形状特征
Figure 545521DEST_PATH_IMAGE052
；
根据以下公式计算修正后的检测拐点向量
Figure 974228DEST_PATH_IMAGE040
与标准拐点向量
Figure 438839DEST_PATH_IMAGE010
的匹配得分
Figure 546472DEST_PATH_IMAGE041
：
Figure 489151DEST_PATH_IMAGE053
，
其中：
Figure 896999DEST_PATH_IMAGE054
，
Figure 532511DEST_PATH_IMAGE055
，
Figure 861861DEST_PATH_IMAGE056
Figure 795182DEST_PATH_IMAGE057
，
Figure 745951DEST_PATH_IMAGE058
，
Figure 863949DEST_PATH_IMAGE059
为设定的第二判断阈值，
Figure 165748DEST_PATH_IMAGE060
为设定的第三判断阈值，
Figure 637181DEST_PATH_IMAGE061
为设定的第四判断阈值，
Figure 222883DEST_PATH_IMAGE062
为设定的第五判断阈值，
Figure 200198DEST_PATH_IMAGE063
为历史数据训练得到的第一修正常数；
i是拐点的序号，i大于等于1小于等于n；
Figure 35298DEST_PATH_IMAGE064
是第i个拐点的坐标，
Figure 123471DEST_PATH_IMAGE065
是修正后的第i个拐点的坐标。
11.根据权利要求10所述的方法，其特征在于，所述计算每个点
Figure 501363DEST_PATH_IMAGE049
的形状特征
Figure 633267DEST_PATH_IMAGE052
包括：
对于每个
Figure 983694DEST_PATH_IMAGE066
，获取邻域
Figure 859246DEST_PATH_IMAGE067
内的图像，计算该拐点的形状特征
Figure 91645DEST_PATH_IMAGE052
其中
Figure 145182DEST_PATH_IMAGE068
为区域左顶点坐标，
Figure 423717DEST_PATH_IMAGE015
为区域的宽，
Figure 916009DEST_PATH_IMAGE016
为区域的高；
其中：
Figure 737335DEST_PATH_IMAGE069
，
Figure 742200DEST_PATH_IMAGE070
，
Figure 727605DEST_PATH_IMAGE071
，
Figure 7276DEST_PATH_IMAGE072
，
Figure 27316DEST_PATH_IMAGE073
，
Figure 609607DEST_PATH_IMAGE074
，
Figure 331575DEST_PATH_IMAGE075
，
Figure 165670DEST_PATH_IMAGE076
，
Figure 555063DEST_PATH_IMAGE077
，
Figure 386884DEST_PATH_IMAGE078
为设定的第二十一判断阈值,
Figure 533832DEST_PATH_IMAGE079
表示元素
Figure 92989DEST_PATH_IMAGE080
处的灰度值。
12.根据权利要求9所述的方法，其特征在于，所述确定零件存在破损包括：
获取零件的检测拐点向量
Figure 884359DEST_PATH_IMAGE081
和修正后的检测拐点向量
Figure 136349DEST_PATH_IMAGE040
，对于修正后的检测拐点向量
Figure 770592DEST_PATH_IMAGE040
任意连续的两点
Figure 149752DEST_PATH_IMAGE082
，在检测拐点向量
Figure 982579DEST_PATH_IMAGE081
找到对应的点
Figure 218519DEST_PATH_IMAGE083
，计算这两个拐点
Figure 402376DEST_PATH_IMAGE082
之间的破损得分
Figure 241019DEST_PATH_IMAGE084
；
当
Figure 944664DEST_PATH_IMAGE084
大于设定的第八判断阈值
Figure 600773DEST_PATH_IMAGE085
时，计算两个拐点之间的破损程度得分
Figure 757079DEST_PATH_IMAGE086
；
根据两个拐点之间的破损程度得分
Figure 992888DEST_PATH_IMAGE086
，计算得到零件的破损缺陷得分
Figure 472411DEST_PATH_IMAGE087
；
当
Figure 253417DEST_PATH_IMAGE088
大于设定的第十判断阈值
Figure 208603DEST_PATH_IMAGE089
时，判定零件存在破损。
13.根据权利要求12所述的方法，其特征在于，所述计算这两个拐点
Figure 202098DEST_PATH_IMAGE082
之间的破损得分
Figure 67286DEST_PATH_IMAGE084
包括：
根据以下公式计算
Figure 2881DEST_PATH_IMAGE084
：
Figure 196096DEST_PATH_IMAGE090
，
其中
Figure 242549DEST_PATH_IMAGE091
，
其中，
Figure 962244DEST_PATH_IMAGE092
为设定的第七判断阈值；
Figure 85052DEST_PATH_IMAGE093
，
Figure 952514DEST_PATH_IMAGE094
，
Figure 603988DEST_PATH_IMAGE095
，
Figure 240506DEST_PATH_IMAGE096
，
x2是拐点的横坐标，y2是拐点的纵坐标，m是拐点的序号，k是拐点序号的偏移量，q是gw的序号，其中，m、k和q均是大于等于0的整数。
14.根据权利要求12所述的方法，其特征在于，所述计算两个拐点之间的破损程度得分
Figure 455587DEST_PATH_IMAGE086
包括：
根据以下公式计算两个拐点之间的破损程度得分
Figure 295498DEST_PATH_IMAGE086
：
Figure 559120DEST_PATH_IMAGE097
，
其中，
Figure 987827DEST_PATH_IMAGE025
，
Figure 436126DEST_PATH_IMAGE027
表示元素
Figure 294492DEST_PATH_IMAGE028
处的灰度值，
Figure 548756DEST_PATH_IMAGE098
，
当
Figure 645019DEST_PATH_IMAGE099
时，
Figure 467481DEST_PATH_IMAGE100
，
Figure 531252DEST_PATH_IMAGE101
，
Figure 74360DEST_PATH_IMAGE102
，
Figure 805556DEST_PATH_IMAGE103
，
当
Figure 611969DEST_PATH_IMAGE104
时，
Figure 835140DEST_PATH_IMAGE100
，
Figure 634469DEST_PATH_IMAGE101
，
Figure 767641DEST_PATH_IMAGE105
，
Figure 994223DEST_PATH_IMAGE106
，
Figure 783319DEST_PATH_IMAGE107
为历史数据训练得到的第二修正常数，
Figure 58442DEST_PATH_IMAGE108
为历史数据训练得到的第三修正常数。
15.根据权利要求2所述的方法，其特征在于，判定所述零件有缺陷之后还包括：
自动生成零件缺陷预警并实时将图像及预警发送至相关管理部门。
16.一种零件缺陷检测装置，其特征在于，包括：
第一模块，被配置用于提取标准零件表面图像，根据所述标准零件表面图像确定标准拐点向量；
第二模块，被配置用于采集零件的表面图像，根据所述零件的表面图像确定检测拐点向量；
检测模块，被配置用于根据所述标准拐点向量和所述检测拐点向量判断所述零件是否有缺陷。
17.一种零件缺陷检测装置，其特征在于，包括存储器、处理器和用户接口；
所述存储器，用于存储计算机程序；
所述用户接口，用于与用户实现交互；
所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1到15之一所述的零件缺陷检测方法。
18.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至15之一所述的零件缺陷检测方法。
CN202211569465.XA 2022-12-08 2022-12-08 一种零件缺陷检测方法、装置及存储介质 Active CN115564779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211569465.XA CN115564779B (zh) 2022-12-08 2022-12-08 一种零件缺陷检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211569465.XA CN115564779B (zh) 2022-12-08 2022-12-08 一种零件缺陷检测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115564779A true CN115564779A (zh) 2023-01-03
CN115564779B CN115564779B (zh) 2023-05-26

Family

ID=84770611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211569465.XA Active CN115564779B (zh) 2022-12-08 2022-12-08 一种零件缺陷检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115564779B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958136A (zh) * 2023-09-19 2023-10-27 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530275A (zh) * 2016-10-11 2017-03-22 广州视源电子科技股份有限公司 元件错件检测方法和***
WO2022110219A1 (zh) * 2020-11-30 2022-06-02 京东方科技集团股份有限公司 一种显示面板的检测方法、装置及***
WO2022127919A1 (zh) * 2020-12-17 2022-06-23 杭州海康威视数字技术股份有限公司 表面缺陷检测方法、装置、***、存储介质及程序产品
CN114841943A (zh) * 2022-04-25 2022-08-02 浙江大华智联有限公司 一种零件检测方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530275A (zh) * 2016-10-11 2017-03-22 广州视源电子科技股份有限公司 元件错件检测方法和***
WO2022110219A1 (zh) * 2020-11-30 2022-06-02 京东方科技集团股份有限公司 一种显示面板的检测方法、装置及***
WO2022127919A1 (zh) * 2020-12-17 2022-06-23 杭州海康威视数字技术股份有限公司 表面缺陷检测方法、装置、***、存储介质及程序产品
CN114841943A (zh) * 2022-04-25 2022-08-02 浙江大华智联有限公司 一种零件检测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI SONG ET AL.: "Investigation on Influence of PRFECT Probe Position on Detection Coil of Aircraft Riveted Components", 《JOURNAL OF NONDESTRUCTIVE EVALUATION (2022) 41:51》 *
付雪荣: "基于机器视觉的钢网缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958136A (zh) * 2023-09-19 2023-10-27 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法
CN116958136B (zh) * 2023-09-19 2024-01-30 惠州市金箭精密部件有限公司 基于图像处理的丝杆螺纹生产缺陷检测方法

Also Published As

Publication number Publication date
CN115564779B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN108776140B (zh) 一种基于机器视觉的印刷品瑕疵检测方法及***
CN109190623B (zh) 一种识别投影仪品牌和型号的方法
US10346971B2 (en) Optimized method for analyzing the conformity of the surface of a tire
US11189019B2 (en) Method for detecting defects, electronic device, and computer readable medium
WO2021151277A1 (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN115641332B (zh) 产品边缘外观缺陷的检测方法及装置、介质、设备
CN113160161B (zh) 目标边缘处缺陷的检测方法和装置
WO2019001164A1 (zh) 滤光片同心度测量方法及终端设备
JP7467373B2 (ja) 欠陥分類装置、方法およびプログラム
US20220076404A1 (en) Defect management apparatus, method and non-transitory computer readable medium
CN115564779A (zh) 一种零件缺陷检测方法、装置及存储介质
CN117372433B (zh) 厚度参数的控制方法、装置、设备及存储介质
CN111814673A (zh) 一种修正文本检测边界框的方法、装置、设备及存储介质
CN115861351A (zh) 边缘检测方法、缺陷检测方法及检测装置
CN116168351A (zh) 电力设备巡检方法及装置
CN115937203A (zh) 一种基于模板匹配的视觉检测方法、装置、设备及介质
CN114677348A (zh) 一种基于视觉的ic芯片缺陷的检测方法、***和存储介质
CN117058411B (zh) 电池棱边外形瑕疵识别方法、装置、介质和设备
CN114359161A (zh) 一种缺陷检测方法、装置、设备和存储介质
CN113822836B (zh) 标记图像的方法
CN117495856A (zh) 基于深度学习的晶圆表面检测方法、装置、设备和介质
CN116310424B (zh) 基于图像识别的设备质量评估方法、装置、终端和介质
CN113705564A (zh) 一种指针式仪表识别读数方法
CN116935421A (zh) 图片表格识别方法及图片表格识别装置
CN112923852A (zh) 基于动态角点定位的sd卡位姿检测方法

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015

Patentee after: Guangdong Prophet Big Data Co.,Ltd.

Country or region after: China

Address before: Room 102, Building 7, No. 124, Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015

Patentee before: Dongguan prophet big data Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address