CN115760820A - 一种塑料件缺陷图像识别方法及应用 - Google Patents
一种塑料件缺陷图像识别方法及应用 Download PDFInfo
- Publication number
- CN115760820A CN115760820A CN202211501074.4A CN202211501074A CN115760820A CN 115760820 A CN115760820 A CN 115760820A CN 202211501074 A CN202211501074 A CN 202211501074A CN 115760820 A CN115760820 A CN 115760820A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- detection
- plastic part
- extracting
- 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
Landscapes
- Image Processing (AREA)
Abstract
本申请公开了一种塑料件缺陷图像识别方法,包括:获取塑料件检测图像并进行图像二值化处理;将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域;对所述感兴趣区域进行滤波去噪处理,得到预处理图像;对所述预处理图像进行孔洞填充并提取连通分量;提取图像特征值并进行特征训练找出缺陷。其可以解决现有塑料制品缺陷通过人工检测效率低且检测精度和标准化难以保证,以及不具有能够适应多种缺陷类型的检测算法的问题。
Description
技术领域
本发明涉及和图像处理技术领域,更具体的,涉及一种塑料件缺陷图像识别方法、一种塑料件缺陷图像识别装置、一种电子设备以及一种计算机可读存储介质。
背景技术
缺陷图像识别***的作用是采用机器视觉中的算法,对塑料制品识别处理,构成完整***。塑料制品表面缺陷检测***的主要作用是对启动器表面(塑料外壳和铁片)进行缺陷检测。检测范围包括如下几点:塑料外壳表面突出棱角是否破损;塑料外壳表面激光打印字符是否在指定区域;启动器三个铁片是否错插、漏插、变形;塑料壳的底部孔状结构是否产生堵塞。目前,在工业生产过程中,人工检测是塑料制品质量检测最主要的方法之一,这种方法不仅效率低下,而且精度和标准化难以保证,投入的人工成本过多不利于效益的提升。
同时,塑料制品表面缺陷图像识别过程一般包括图像采集、图像处理、执行等功能部分,其中图像处理是核心内容,其算法应该具有相应的通用性。而塑料制品中塑料连接件的形状和材料往往会发生改变,制造所用的模具也会随之改变,因此其形状、色泽和成像特点也会发生变化,当前还不具有能够适应上述各种变化影响的有塑料制品表面缺陷检测方法。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种塑料件缺陷图像识别方法、一种塑料件缺陷图像识别***及一种计算机可读存储介质,旨在解决现有塑料制品缺陷通过人工检测效率低且检测精度和标准化难以保证,以及不具有能够适应多种缺陷类型的检测算法的问题。
为实现上述目的,按照本发明的第一个方面,提供了一种塑料件缺陷图像识别方法,包括:获取塑料件检测图像并进行图像二值化处理;将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域;对所述感兴趣区域进行滤波去噪处理,得到预处理图像;对所述预处理图像进行孔洞填充并提取连通分量;提取图像特征值并进行特征训练找出缺陷。
在本发明的一个实施例中,所述对所述预处理图像进行孔洞填充,包括:选取十字形结构作为结构元,生成一个灰度值为0的阵列X,大小与所述预处理图像相同,随机选取所述预处理图像中一个灰度值为1的点,将X中相应位置的灰度值也设置为1;根据填充公式多次迭代,直到所述预处理图像不再变化时停止迭代;对所述预处理图像和X求并集得到填充图像。
在本发明的一个实施例中,控制各摄像机按照预设时间点对各类设备、房间和环境进行视频检查和识别,并形成视频巡检报告,对检查参数在预设范围内的输出为正常,超出所述预设范围的输出预警信息并附带具体的信息图像。
在本发明的一个实施例中,所述提取连通分量,包括:找到图像A中灰度值为1的一个点作为初始点,获取所述初始点的连通分量,将所述连通分量存储在图像B中,并计算图像B中的像素数;用图像A与图像B相减后作为新图像,重复以上操作以找到图像A中的所有连通分量,并计算每个连通分量的像素数。
在本发明的一个实施例中,所述将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域,包括:对于塑料气泡检测,提取外环感兴趣区域并展开成矩形,动态阈值函数参数设置为dyn_threshold(Image,ImageM,Regions1,20,’light’);其中dyn_threshold代表局部灰度动态阈值分割,Image表示原始图像,ImageM表示处理后图像,一般是采用滤波处理,Regions1表示分割后区域,20是指灰度值偏移量,light表示提取区域类型为亮区域。
在本发明的一个实施例中,所述将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域,包括:对于炸裂检测,提取裂纹的亚像素轮廓,并将亚像素轮廓连接后形成感兴趣区域,亚像素边缘提取参数设置为edges_sub_pix(Image,Edges,’Canny’,0.5,4,10);其中,Image表示输入图像,Edges表示输入边缘,Canny是滤波器,0.5是滤波参数,4是滞后性阈值的下限值,10是滞后性阈值的上限值。
按照本发明的第二个方面,还提供了一种塑料件缺陷图像识别装置,包括:二值化处理模块,用于获取塑料件检测图像并进行图像二值化处理;感兴趣区域获取模块,用于将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域;预处理图像获取模块,用于对所述感兴趣区域进行滤波去噪处理,得到预处理图像;孔洞填充模块,用于对所述预处理图像进行孔洞填充并提取连通分量;图像缺陷获取模块,用于提取图像特征值并进行特征训练找出缺陷。
在本发明的一个实施例中,所述感兴趣区域获取模块具体用于:对于塑料气泡检测,提取外环感兴趣区域并展开成矩形,动态阈值函数参数设置为dyn_threshold(Image,ImageM,Regions1,20,’light’);其中dyn_threshold代表局部灰度动态阈值分割,Image表示原始图像,ImageM表示处理后图像,一般是采用滤波处理,Regions1表示分割后区域,20是指灰度值偏移量,light表示提取区域类型为亮区域。
在本发明的一个实施例中,所述感兴趣区域获取模块具体用于:对于炸裂检测,提取裂纹的亚像素轮廓,并将亚像素轮廓连接后形成感兴趣区域,亚像素边缘提取参数设置为edges_sub_pix(Image,Edges,’Canny’,0.5,4,10);其中,Image表示输入图像,Edges表示输入边缘,Canny是滤波器,0.5是滤波参数,4是滞后性阈值的下限值,10是滞后性阈值的上限值。
按照本发明的第三个方面,还提供了一种电子设备,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述计算机程序被所述处理单元执行时,使得所述处理单元执行上述中任一个实施例所述方法的步骤。
按照本发明的第三个方面,还提供了一种计算机可读存储介质,其存储有可由访问认证设备执行的计算机程序,当所述计算机程序在访问认证设备上运行时,使得所述访问认证设备执行上述中任一个实施例所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,至少能够取得下列有益效果:
1)通过图像处理软件获取塑料件检测图像,应用机器视觉、灰度提取、滤波技术,自动实现图像缺陷检测算法,相比于人工检测塑料件缺陷而言,能够有效增加检测成功率,增加检测的精度,具有较好的推广实用前景;
2)在进行图像分割选择阈值时,考虑到算法上的多因素性,针对塑料气泡缺陷采用局部灰度动态阈值分割,针对炸裂缺陷提取裂纹的亚像素轮廓,实现对不同的缺陷类型自动选取合适的范围。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例提供的一种塑料件缺陷图像识别方法的流程图;
图2为本申请实施例提供的塑料气泡检测图像处理流程图;
图3为本申请实施例提供的炸裂检测图像处理流程图;
图4为本申请实施例提供的一种塑料件缺陷图像识别装置的结构示意图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
如图1所示,本发明第一实施例提出一种塑料件缺陷图像识别方法,例如包括:步骤S1,获取塑料件检测图像并进行图像二值化处理;步骤S2,将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域;步骤S3,对所述感兴趣区域进行滤波去噪处理,得到预处理图像;步骤S4,对所述预处理图像进行孔洞填充并提取连通分量;以及步骤S5,提取图像特征值并进行特征训练找出缺陷。
在步骤S1中,例如通过工业相机获取塑料件检测图像,并传输至上位机的图像处理软件进行后续处理。例如采用二维视觉相机,可以把光学影响转化为数字信号。取景范围Sco=(Gd+M)*(p+1),Gd是拍摄的对象在相应方向上的大小,M是拍摄对象移动量,是一个弹性值,p是百分数,这里取5~10%。为保证图像信号传输功能的快速性,像素传输率Psum=Ph*Pv/t,Ph是图像水平分辨率,Pv是图像垂直分辨率,t是最小间隔时间。无论相机的种类和结构多么复杂,都是仅由两个简单的部分组成:孔径和平面,采用平面上的图像信息观测点分布情况,从而还原最初始的三维量。
进一步的,图像二值化处理是指让图像呈现明显的黑白效果,二值化一方面减少了数据维度,另一方面通过排除原图中噪声带来的干扰,可以凸显有效区域的轮廓结构。图像要二值化首先应把原始图像转化为灰度图片,二值化的具体方法例如采用最大类间差法,该法旨在统计直方图特性实现自动选取全局阈值,步骤如下:
1.1、图像所有像素点由0到255一共是256个刻度,计算每个刻度里像素点的数量,从而得到图像的直方图;
1.2、对阈值进行分类,得到相应灰度级,顺序是从0迭代相加;
1.3、把图像直方图归一化,将每个刻度中的像素点数除以总的像素点;
1.4、将得到的归一化直方图大于T的部分统计灰度级的像素,这是需要得到的目标像素,小于T的部分归于背景,计算数据;
1.5、根据上面的比例和平均灰度,计算目标像素和背景像素的方差;
前景和背景图像方差g=w0*w1*(μ0-μ1)^2,其中前景在图像中的占比是w0,背景在图像中的占比是w1,平均灰度分别为μ0、μ1。
在步骤S2中,图像分割处理是指把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割方法例如包括:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法。
在步骤S3中,图像滤波去噪例如分为两个部分:第一部分为图像去噪,噪声的产生是信号在采集、传输以及记录过程中,受到成像设备自身因素和外界环境的影响而产生的,通过去噪能有效增大图像信号的信噪比,提高图像质量,更好体现原始图像所携带的信息;第二部分为滤波,这里采用高斯滤波,移动相关核的中心元素,使它位于输入图像待处理像素的正上方,将输入图像的像素值作为权重,乘以相关核,根据高斯分布得到的高斯模板然后做卷积相加。
在步骤S4中,图像孔洞填充例如先选取十字形结构作为结构元;接着生成一个由0组成的阵列X,大小与二值图像相同,随机选取图像中一个灰度值为1的点,将X中相应位置的灰度值也设置为1;之后根据填充公式多次迭代,直到图像不再变化后停止迭代;最后对图像和X求并集则得到了填充的图像。
在知道连通分量中的一个点的情况下,迭代收敛一次只能得到原始图像A中的一个连通分量,为了得到所有的连通分量,例如先用find()函数找到A中灰度值为1的点,把第一个点作为初始点,利用公式进行迭代,则得到了该点所在的连通分量,将该连通分量存储在B中,并计算B中的像素数;接着用A与B相减后作为新的A,再对A重复以上操作,则可以找到图像中的所有连通分量,并计算每个连通分量的像素数。
在步骤S5中,提取特征值是指从图像中提取有用的数据或信息,得到图像的“非图像”的表示或描述,如数值、向量和符号等,例如采用直方图形式来反映图像特征。特征训练是指在纹理中找瑕疵,例如基于高斯混合模型(GMM)分类器的纹理检查模型进行特征训练,适用于图像金字塔,可以分析纹理的多个频率范围。
如此一来,本实施例提出的塑料件缺陷图像识别方法通过图像处理软件获取塑料件检测图像,应用机器视觉、灰度提取、滤波技术,自动实现图像缺陷检测算法,相比于人工检测塑料件缺陷而言,能够有效增加检测成功率,增加检测的精度,具有较好的推广实用前景。
在一个实施方式中,对于塑料气泡检测,气泡出现在外环区域上,而且环上有时会出现占据一段连续圆环的大气泡,不利于特征的提取,可采用瓶口矩径法(包含极坐标转换)将圆环展开成矩形,环形上的气泡即变成展开矩形的垂直方向的差异。动态阈值函数参数设置为dyn_threshold(Image,ImageM,Regions1,20,’light’),其中dyn_threshold代表局部灰度动态阈值分割,Image表示原始图像,ImageM表示处理后图像,一般是采用滤波处理,Regions1表示分割后区域,20是指灰度值偏移量,light表示提取区域类型为亮区域。
如图2所示为塑料气泡图像的处理步骤,图像增强是按照特定的需要去除或者突出图像中的某些信息,改善图像的视觉效果,使图像更适合分析。提取外环ROI即提取感兴趣的部分,只关注待检测物体或该物体周围的一片区域即可,ROI就是图像处理所关注的区域,可有效减少计算量。极坐标变换是为了把圆形的图片转换为矩形,便于字符识别和关键区域的提取。动态阈值提取无需人为设置阈值,根据图像中存在的特征进行分割,将原图像与处理后的图像作差,计算差值图像中的亮色区域或者暗色区域,本质相当于对图像灰度直方图的平滑,进而求取图像中的波谷或者波峰。极坐标反变换与前面正变换正好相反,将矩形图像转换为方形。最后对于缺陷面积判断,例如超出500即不合格,在500以内就输出,提取动态阈值。
在一个实施方式中,对于炸裂检测,例如提取裂纹的亚像素轮廓(XLD),并将XLD轮廓连接后形成“感兴趣区域”,经过面积和长度的筛选可提取到缺陷的特征,用Canny算法进行亚像素边缘的提取,函数为edges_sub_pix,作用是使用累计直方图计算两个阈值,凡是大于高阈值的一定是边缘,凡是小于低阈值的一定不是边缘。亚像素边缘提取参数例如设置为edges_sub_pix(Image,Edges,’Canny’,0.5,4,10);其中,Image表示输入图像,Edges表示输入边缘,Canny是滤波器,0.5是滤波参数,4是滞后性阈值的下限值,10是滞后性阈值的上限值。滞后性是指:一种延迟落后现象的属性。缺陷提取时裂纹的长度下限为4,上限为10。
如图3所示为炸裂图像的处理步骤,对于炸裂图像处理,最关键的是对亚像素边缘的提取和分割。亚像素是指原先的像素单位为1,变为比1小的精度,亚像素比像素精度更高。亚像素边缘提取原理例如通过采用插值算法精确定位边缘的位置。
另外,对于塑料黑点检测,例如采用阈值分割法制定全局阈值,确定ROI区域,对于较暗的灰度级和ROI的灰度级将清晰度进行平均,以获取新的阈值,再将其与已设置的主要参数进行比较。举例而言,大内环的灰度值在90~110之间,全局阈值区间设置在0~75之间,缺陷特征面积提取下限为100。
对于粉尘检测,由于粉尘的识别图像会很特殊,它不能直接划分出背景,颜色上很淡,所以传统全局阈值并不能达到目的。而通过动态阈值分割能够进行全自动处理,排除背景影响,根据像素点选取不同形成阈值曲面。例如通过mean_image函数来平滑处理,设置为参考背景,然后运用动态阈值参数dyn_threshold设置选取暗于参考背景的区域。动态阈值函数参数设置为dyn_threshold(Image,ImageM,Region,5,’dark’);其中,Image表示原始图像,ImageM表示滤波处理后图像,Regions表示分割后区域,5是指灰度值偏移量,dark表示提取区域类型为暗区域。缺陷特征提取时面积和粉尘的个数下限例如分别为10和4。
综上所述,本申请第一实施例提出的塑料件缺陷图像识别方法,图像处理软件获取塑料件检测图像,应用机器视觉、灰度提取、滤波技术,自动实现图像缺陷检测算法,相比于人工检测塑料件缺陷而言,能够有效增加检测成功率,增加检测的精度,具有较好的推广实用前景;在进行图像分割选择阈值时,考虑到算法上的多因素性,针对塑料气泡缺陷采用局部灰度动态阈值分割,针对炸裂缺陷提取裂纹的亚像素轮廓,实现对不同的缺陷类型自动选取合适的范围。
如图4所示,本发明第二实施例还提供一种塑料件缺陷图像识别装置20,例如包括:二值化处理模块201、感兴趣区域获取模块202、预处理图像获取模块203、孔洞填充模块204和图像缺陷获取模块205。其中,二值化处理模块201用于获取塑料件检测图像并进行图像二值化处理;感兴趣区域获取模块202用于将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域;预处理图像获取模块203用于对所述感兴趣区域进行滤波去噪处理,得到预处理图像;孔洞填充模块204用于对所述预处理图像进行孔洞填充并提取连通分量;图像缺陷获取模块205用于提取图像特征值并进行特征训练找出缺陷。
在一个实施方式中,感兴趣区域获取模块202例如具体用于:对于塑料气泡检测,提取外环感兴趣区域并展开成矩形,动态阈值函数参数设置为dyn_threshold(Image,ImageM,Regions1,20,’light’);其中dyn_threshold代表局部灰度动态阈值分割,Image表示原始图像,ImageM表示处理后图像,一般是采用滤波处理,Regions1表示分割后区域,20是指灰度值偏移量,light表示提取区域类型为亮区域。
在一个实施方式中,感兴趣区域获取模块202例如具体用于:对于炸裂检测,提取裂纹的亚像素轮廓,并将亚像素轮廓连接后形成感兴趣区域,亚像素边缘提取参数设置为edges_sub_pix(Image,Edges,’Canny’,0.5,4,10);其中,Image表示输入图像,Edges表示输入边缘,Canny是滤波器,0.5是滤波参数,4是滞后性阈值的下限值,10是滞后性阈值的上限值。
值得一提的是,本发明第二实施例公开的塑料件缺陷图像识别装置所实现的塑料件缺陷图像识别方法如前述第一实施例所述,故在此不再进行详细讲述。可选地,第二实施例中的各个部件和上述其他操作或功能分别为了实现第一实施例所述的方法,且本实施例的有益效果同前述第一实施例的有益效果相同,为了简洁,不在此赘述。
本发明第三实施例还提出一种电子设备,例如包括:至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述计算机程序被所述处理单元执行时,使得所述处理单元执行如第一实施例所述的方法,且本实施例提供的电子设备的有益效果与第一实施例提供的塑料件缺陷图像识别方法的有益效果相同。
本发明第四实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一实施例所述方法的步骤,且本实施例提供的计算机可读存储介质具有与第一实施例提供的塑料件缺陷图像识别方法相同的有益效果。
其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米***(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种塑料件缺陷图像识别方法,其特征在于,包括:
获取塑料件检测图像并进行图像二值化处理;
将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域;
对所述感兴趣区域进行滤波去噪处理,得到预处理图像;
对所述预处理图像进行孔洞填充并提取连通分量;
提取图像特征值并进行特征训练找出缺陷。
2.根据权利要求1所述的塑料件缺陷图像识别方法,其特征在于,所述对所述预处理图像进行孔洞填充,包括:
选取十字形结构作为结构元,生成一个灰度值为0的阵列X,大小与所述预处理图像相同,随机选取所述预处理图像中一个灰度值为1的点,将X中相应位置的灰度值也设置为1;根据填充公式多次迭代,直到所述预处理图像不再变化时停止迭代;对所述预处理图像和X求并集得到填充图像。
3.根据权利要求1所述的塑料件缺陷图像识别方法,其特征在于,所述提取连通分量,包括:
找到图像A中灰度值为1的一个点作为初始点,获取所述初始点的连通分量,将所述连通分量存储在图像B中,并计算图像B中的像素数;用图像A与图像B相减后作为新图像,重复以上操作以找到图像A中的所有连通分量,并计算每个连通分量的像素数。
4.根据权利要求1所述的塑料件缺陷图像识别方法,其特征在于,所述将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域,包括:
对于塑料气泡检测,提取外环感兴趣区域并展开成矩形,动态阈值函数参数设置为dyn_threshold(Image,ImageM,Regions1,20,’light’);其中dyn_threshold代表局部灰度动态阈值分割,Image表示原始图像,ImageM表示处理后图像,一般是采用滤波处理,Regions1表示分割后区域,20是指灰度值偏移量,light表示提取区域类型为亮区域。
5.根据权利要求1所述的塑料件缺陷图像识别方法,其特征在于,所述将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域,包括:
对于炸裂检测,提取裂纹的亚像素轮廓,并将亚像素轮廓连接后形成感兴趣区域,亚像素边缘提取参数设置为edges_sub_pix(Image,Edges,’Canny’,0.5,4,10);其中,Image表示输入图像,Edges表示输入边缘,Canny是滤波器,0.5是滤波参数,4是滞后性阈值的下限值,10是滞后性阈值的上限值。
6.一种塑料件缺陷图像识别装置,其特征在于,包括:
二值化处理模块,用于获取塑料件检测图像并进行图像二值化处理;
感兴趣区域获取模块,用于将二值化处理后的检测图像进行图像分割处理,获取感兴趣区域;
预处理图像获取模块,用于对所述感兴趣区域进行滤波去噪处理,得到预处理图像;
孔洞填充模块,用于对所述预处理图像进行孔洞填充并提取连通分量;
图像缺陷获取模块,用于提取图像特征值并进行特征训练找出缺陷。
7.根据权利要求6所述的塑料件缺陷图像识别装置,其特征在于,所述感兴趣区域获取模块具体用于:
对于塑料气泡检测,提取外环感兴趣区域并展开成矩形,动态阈值函数参数设置为dyn_threshold(Image,ImageM,Regions1,20,’light’);其中dyn_threshold代表局部灰度动态阈值分割,Image表示原始图像,ImageM表示处理后图像,一般是采用滤波处理,Regions1表示分割后区域,20是指灰度值偏移量,light表示提取区域类型为亮区域。
8.根据权利要求6所述的塑料件缺陷图像识别装置,其特征在于,所述感兴趣区域获取模块具体用于:
对于炸裂检测,提取裂纹的亚像素轮廓,并将亚像素轮廓连接后形成感兴趣区域,亚像素边缘提取参数设置为edges_sub_pix(Image,Edges,’Canny’,0.5,4,10);其中,Image表示输入图像,Edges表示输入边缘,Canny是滤波器,0.5是滤波参数,4是滞后性阈值的下限值,10是滞后性阈值的上限值。
9.一种电子设备,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述计算机程序被所述处理单元执行时,使得所述处理单元执行权利要求1-5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其存储有可由访问认证设备执行的计算机程序,当所述计算机程序在访问认证设备上运行时,使得所述访问认证设备执行权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211501074.4A CN115760820A (zh) | 2022-11-28 | 2022-11-28 | 一种塑料件缺陷图像识别方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211501074.4A CN115760820A (zh) | 2022-11-28 | 2022-11-28 | 一种塑料件缺陷图像识别方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760820A true CN115760820A (zh) | 2023-03-07 |
Family
ID=85339268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211501074.4A Pending CN115760820A (zh) | 2022-11-28 | 2022-11-28 | 一种塑料件缺陷图像识别方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760820A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953776A (zh) * | 2023-03-09 | 2023-04-11 | 聊城市检验检测中心 | 基于机器学习的食品检测*** |
CN116012380A (zh) * | 2023-03-27 | 2023-04-25 | 中江立江电子有限公司 | 一种绝缘子缺陷检测方法、装置、设备及介质 |
CN116309561A (zh) * | 2023-05-17 | 2023-06-23 | 威海赛宝工业信息技术研究院有限公司 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
CN117351001A (zh) * | 2023-11-16 | 2024-01-05 | 肇庆市大正铝业有限公司 | 一种再生铝合金模板表面缺陷识别方法 |
CN117974601A (zh) * | 2024-02-01 | 2024-05-03 | 广东工业大学 | 基于模板匹配的硅片表面缺陷检测方法及*** |
-
2022
- 2022-11-28 CN CN202211501074.4A patent/CN115760820A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953776A (zh) * | 2023-03-09 | 2023-04-11 | 聊城市检验检测中心 | 基于机器学习的食品检测*** |
CN116012380A (zh) * | 2023-03-27 | 2023-04-25 | 中江立江电子有限公司 | 一种绝缘子缺陷检测方法、装置、设备及介质 |
CN116012380B (zh) * | 2023-03-27 | 2023-06-16 | 中江立江电子有限公司 | 一种绝缘子缺陷检测方法、装置、设备及介质 |
CN116309561A (zh) * | 2023-05-17 | 2023-06-23 | 威海赛宝工业信息技术研究院有限公司 | 一种基于防漏电绝缘材料的表面缺陷识别方法 |
CN117351001A (zh) * | 2023-11-16 | 2024-01-05 | 肇庆市大正铝业有限公司 | 一种再生铝合金模板表面缺陷识别方法 |
CN117351001B (zh) * | 2023-11-16 | 2024-05-28 | 肇庆市大正铝业有限公司 | 一种再生铝合金模板表面缺陷识别方法 |
CN117974601A (zh) * | 2024-02-01 | 2024-05-03 | 广东工业大学 | 基于模板匹配的硅片表面缺陷检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115760820A (zh) | 一种塑料件缺陷图像识别方法及应用 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及*** | |
CN112686858A (zh) | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 | |
CN111507390A (zh) | 一种基于轮廓特征的仓储箱体识别与定位方法 | |
CN109377485A (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
Paunwala et al. | A novel multiple license plate extraction technique for complex background in Indian traffic conditions | |
CN112183038A (zh) | 一种表格识别套打方法、计算机设备及计算机可读存储介质 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及*** | |
US9824289B2 (en) | Exploiting color for license plate recognition | |
CN116228757B (zh) | 一种基于图像处理算法的深海网箱网衣检测方法 | |
KR20050090840A (ko) | 지문 인식 방법 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN113688838A (zh) | 红色笔迹提取方法、***、可读存储介质及计算机设备 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN112419207A (zh) | 一种图像矫正方法及装置、*** | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及*** |
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 |