CN115797299A - 一种光学复合膜的缺陷检测方法 - Google Patents
一种光学复合膜的缺陷检测方法 Download PDFInfo
- Publication number
- CN115797299A CN115797299A CN202211550931.XA CN202211550931A CN115797299A CN 115797299 A CN115797299 A CN 115797299A CN 202211550931 A CN202211550931 A CN 202211550931A CN 115797299 A CN115797299 A CN 115797299A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- composite film
- pixel
- optical composite
- 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
Links
Images
Classifications
-
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及产品质量检测领域,具体涉及一种光学复合膜的缺陷检测方法,包括:获取每个像素点的第一显著因子、第二显著因子及每个像素点的显著值;获取光学复合膜表面图像中的正常区域,将除正常区域外的其他区域作为光学复合膜表面图像中的缺陷区域;根据正常区域和缺陷区域中每个像素点对应的子高斯模型的模型参量、缺陷区域中像素点的个数、每个像素点的显著值和光学复合膜表面图像中像素点的个数得到光学复合膜表面的缺陷程度,根据光学复合膜表面的缺陷程度和预设缺陷程度阈值判断光学复合膜是否存在缺陷。本发明提高了光学复合膜表面缺陷检测的准确性。
Description
技术领域
本发明涉及产品质量检测领域,具体涉及一种光学复合膜的缺陷检测方法。
背景技术
复合膜是以微孔膜或超滤膜作支撑层,在其表面覆盖以厚度仅为0.1~0.25μm的致密的均质膜作壁障层构成的分离膜,使得物质的透过量有很大的增加,在产品质量检测领域中,目前对玻璃制品、印刷行业与纺织行业的瑕疵检测研究比较多见,但是对高透光率的光学复合膜瑕疵检测比较罕见,光学复合膜表面会出现诸如孔洞、蚊虫、黑点、晶点、划伤、斑点缺陷,严重影响了光学复合膜的质量,因此,对光学复合膜进行缺陷检测至关重要。
传统对光学复合膜表面进行缺陷检测时,往往直接基于灰度等特征进行缺陷像素点的分割,但是光学复合膜瑕疵的尺寸极小,在极短的曝光时间内,采集到的光学复合膜瑕疵图像总体偏暗,因此,会出现光学复合膜图像缺陷区域的灰度与正常灰度差异较小的情况,导致缺陷像素点的误分,最终导致光学复合膜表面的缺陷检测不准确。
发明内容
本发明提供一种光学复合膜的缺陷检测方法,以解决现有的光学复合膜的缺陷检测不准确的问题。
本发明的一种光学复合膜的缺陷检测方法,采用如下技术方案:
获取光学复合膜表面图像的HSV图像和灰度图像,根据HSV图像中每个像素点分别在H、S、V通道的像素值、所有像素点分别在H、S、V通道像素值的方差、像素点的个数以及灰度图像的灰度直方图得到每个像素点的第一显著因子;
获取光学复合膜表面图像中每个像素点的卷积向量,根据光学复合膜表面图像中每个像素点对应的海森矩阵的两个特征值、每个像素点的卷积向量及像素点的个数得到每个像素点的第二显著因子;
根据每个像素点的第一显著因子和第二显著因子得到光学复合膜表面图像中每个像素点的显著值;
根据每个像素点的显著值构建高斯混合模型,获取高斯混合模型对应的所有子高斯模型;根据每个像素点对应的子高斯模型函数值对所有像素点进行归类得到每类像素点的个数,根据每类像素点的个数得到光学复合膜表面图像中的正常区域和缺陷区域;
根据正常区域对应的子高斯模型的模型参量、缺陷区域中每个像素点对应的子高斯模型的模型参量、缺陷区域中像素点的个数、每个像素点的显著值和光学复合膜表面图像中像素点的个数得到光学复合膜表面的缺陷程度,根据光学复合膜表面的缺陷程度和预设缺陷程度阈值判断光学复合膜是否存在缺陷。
进一步的,每个像素点的第一显著因子的具体表达式为:
式中:δi表示第i个像素点的第一显著因子,N表示HSV图像中像素点的个数,Hi表示HSV图像中第i个像素点的色调值,Hj表示HSV图像中第j个像素点的色调值,Si表示HSV图像中第i个像素点的饱和度,Sj表示HSV图像中第j个像素点的饱和度,Vi表示HSV图像中第i个像素点的亮度值,Vj表示HSV图像中第j个像素点的亮度值,σH表示HSV图像中所有像素点在H通道中的像素均值,σS表示HSV图像中所有像素点在S通道中的像素均值,σV表示HSV图像中所有像素点在V通道中的像素均值,D(i,j)为第i个像素点及第i个像素点的局部范围与第j个像素点及第j个像素点的局部范围对应的灰度直方图的卡方距离,为空间因子,e为自然常数。
进一步的,每个像素点的卷积向量是按如下方法确定的:
设置三个尺度8个方向的Gabor滤波器,得到24个滤波器;
利用24个滤波器分别对光学复合膜图像进行卷积得到24张卷积图;
根据24张卷积图得到光学复合膜图像中每个像素点的24个卷积值,根据每个像素点的24个卷积值得到每个像素点的卷积向量。
进一步的,每个像素点的第二显著因子是按如下方法确定的:
将光学复合膜表面图像中每个像素点对应的海森矩阵的两个特征值的绝对值相加,将相加所得的和值作为分子;
获取光学复合膜表面图像中每个像素点的卷积向量与其他像素点的卷积向量之间的余弦相似度;
将每个像素点的卷积向量与其他像素点的卷积向量之间的余弦相似度进行累加得到累加和,将该累加和加一后的值作为分母;
将每个像素点对应的分子分母的比值作为每个像素点的第二显著因子。
进一步的,将每个像素点的第一显著因子与第二显著因子相乘得到光学复合膜表面图像中每个像素点的显著值。
进一步的,光学复合膜表面的缺陷程度的具体表达式为:
式中:Q表示光学复合膜表面的缺陷程度,num表示缺陷区域像素点的个数,Xzn表示光学复合膜表面图像中每个像素点的显著值,Un表示缺陷区域中第n个像素点对应的子高斯模型的模型参量,U0表示正常区域对应的子高斯模型的模型参量,N表示光学复合膜表面图像中像素点的个数,e为自然常数。
进一步的,对所有像素点进行归类的方法是:
将每个像素点归类到该像素点对应的最大子高斯模型函数值,对应的子高斯模型类别下。
进一步的,当光学复合膜表面的缺陷程度大于预设缺陷程度阈值时,该光学复合膜表面存在缺陷。
本发明的有益效果是:本发明首先获取了每个像素点的第一显著因子,该第一显著因子根据光学复合膜表面图像中每个像素点与其他像素点在HSV图像和灰度图像中的差异所得,表征了光学复合膜表面图像中每个像素点与其他像素点色彩特征的显著差异;其次,本发明获取了每个像素点的第二显著因子,该第二显著因子表征了光学复合膜表面图像中每个像素点的结构纹理细节信息,根据第一显著因子和第二显著因子获取了每个像素点的显著值,从每个像素点与其他像素点色彩特征的显著差异,以及每个像素点的结构纹理细节信息两方面获取每个像素点的显著值,使所得显著值更加准确,而显著值一定程度上表征缺陷像素点和正常像素点,获取每个像素点的显著值,构建显著图像,提高显著图像中缺陷像素点的显著性,增加缺陷区域与正常区域之间的差异度,以克服缺陷区域不突出的问题,便于准确提取缺陷区域像素点,保证光学复合膜表面缺陷检测的精度。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种光学复合膜的缺陷检测方法的实施例的流程图。
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,所描述的实施例仅仅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。
本发明的一种光学复合膜的缺陷检测方法的实施例,如图1所示,包括:
S1、获取光学复合膜表面图像的HSV图像和灰度图像,根据HSV图像中每个像素点分别在H、S、V通道的像素值、所有像素点分别在H、S、V通道像素值的方差、像素点的个数以及灰度图像的灰度直方图得到每个像素点的第一显著因子。
本发明设置图像采集设备,用于对光学复合膜表面进行图像采集,所述图像采集设备包括摄像头、光源、固定台等,具体的图像采集设备实施者可根据实际情况自行设定,所述相机用于对光学复合膜表面进行图像采集得到光学复合膜表面图像,相机的具体部署及视角实施者可根据实际情况自行设定;固定台设置为矩形型中空架子,用于放置待检测的光学复合膜;在图像采集之前要保证光学复合膜表面撑开,避免折叠对后续光学复合膜表面缺陷检测的影响;所述光源为分布均匀的光环,实施者也可根据实际情况自行选取;光源位置角度根据实际情况设置,保证待检测光学复合膜表面光照均匀,避免光照对缺陷像素点提取的影响。
至此,得到了光学复合膜表面图像,用于对光学复合膜表面缺陷状况进行检测,作为光学复合膜表面缺陷检测的基础数据。
将光学复合膜表面图像进行HSV色彩空间转换得到光学复合膜表面图像的HSV图像,获取光学复合膜表面图像灰度图像的灰度直方图,根据HSV图像中每个像素点分别在H、S、V通道的像素值、所有像素点分别在H、S、V通道像素值的方差以及像素点的个数得到每个像素点的第一显著因子,具体表达式为:
式中:δi表示第i个像素点的第一显著因子,N表示HSV图像中像素点的个数,Hi表示HSV图像中第i个像素点的色调值,Hj表示HSV图像中第j个像素点的色调值,Si表示HSV图像中第i个像素点的饱和度,Sj表示HSV图像中第j个像素点的饱和度,Vi表示HSV图像中第i个像素点的亮度值,Vj表示HSV图像中第j个像素点的亮度值,σH表示HSV图像中所有像素点在H通道中的像素均值,σS表示HSV图像中所有像素点在S通道中的像素均值,σV表示HSV图像中所有像素点在V通道中的像素均值,D(i,j)为第i个像素点及第i个像素点的局部范围与第j个像素点及第j个像素点的局部范围对应的灰度直方图的卡方距离(现有技术),为空间因子,e为自然常数。
其中,所述像素点局部范围为以该像素点为中心的(9×9)局部窗口范围,为HSV图像中第i个像素点的色调值与第j个像素点的色调值的差值,与HSV图像中所有像素点在H通道中的像素均值的比值,表征了HSV图像中第i个像素点在H通道中相对于其他像素点的色调差异,同理,表征了HSV图像中第i个像素点在S通道中相对于其他像素点的饱和度的差异,表征了HSV图像中第i个像素点在V通道中相对于其他像素点的亮度的差异;因此,表征了第i个像素点与其他所有像素点在HSV图像;为第i个像素点及第i个像素点的局部范围与第j个像素点及第j个像素点的局部范围对应的灰度直方图的卡方距离,表征灰度图像中第i个像素点与第j个像素点的灰度差异;为空间因子,实施者可自行设定,本发明取值为2;该公式表示第i个像素点与其他所有像素点在HSV图像和灰度图像中的差异,表征了每个像素点对应的色彩特征与其他像素点的差异性,即每个像素点的第一显著因子越大,则该像素点对应的色彩特征与其他像素点的差异性越高。
根据第一显著因子计算公式可得到每个像素点的第一显著因子。
S2、获取光学复合膜表面图像中每个像素点的卷积向量,根据光学复合膜表面图像中每个像素点对应的海森矩阵的两个特征值、每个像素点的卷积向量及像素点的个数得到每个像素点的第二显著因子。
对于光学复合膜图像,考虑到质量较好的光学复合膜表面较为均匀平滑,纹理规律,为提高缺陷区域的显著性分析效果,本发明将进一步对像素点的第二显著因子进行提取,所述第二显著因子用于表征光学复合膜图像中像素点的结构纹理细节信息。
为提高对光学复合膜图像细节结构信息的提取,本发明将通过多尺度Gabor滤波器对光学复合膜图像进行卷积,本发明设置三个尺度8个方向的Gabor滤波器得到24个滤波器,所述尺度以及方向的设置为现有公知技术,实施者可自行设定,24个滤波器分别对光学复合膜图像进行卷积,得到24张卷积图,根据24张卷积图得到光学复合膜图像中每个像素点的24个卷积值,根据每个像素点的24个卷积值得到每个像素点的卷积向量,对于光学复合膜图像中第i个像素点而言,第i个像素点的24个卷积值,将24个卷积值作为一个卷积向量vi。
获取每个像素点对应的海森矩阵,所述海森矩阵的获取方法为现有公知技术,本发明不做相关阐述,以光学复合膜图像中第i个像素点为例,计算光学复合膜图像中第i个像素点对应的海森矩阵的特征值λ1、λ2,所述特征值的绝对值用于表征光学复合膜图像中第i个像素点在特征值对应特征向量的方向上的细节纹理变化状况,特征值越大在该特征向量的方向上第i个像素点的结构变化越明显。
根据光学复合膜表面图像中每个像素点对应的海森矩阵的两个特征值、每个像素点的卷积向量及像素点的个数得到每个像素点的第二显著因子,以光学复合膜图像中第i个像素点为例,第二显著因子具体表达式为:
式中:表示光学复合膜图像中第i个像素点的第二显著因子,λ1,λ2表示第i个像素点对应的海森矩阵的两个特征值,vi表示光学复合膜图像中第i个像素点的卷积向量,vj表示光学复合膜图像中第j个像素点的卷积向量,Sim(vi.vj)表示光学复合膜表面图像中第i个像素点的卷积向量与第j个像素点的卷积向量之间的余弦相似度,N表示光学复合膜图像中像素点的个数。
其中,λ1,λ2表示第i个像素点对应的海森矩阵的两个特征值,因此,|λ1|+|λ2|表征光学复合膜图像中第i个像素点在特征值对应特征向量的方向上的细节纹理变化状况,特征值越大在该特征向量的方向上第i个像素点的结构变化越明显;表示光学复合膜表面图像中第i个像素点与其他所有像素点之间的余弦相似度的累加和,用于表征第i个像素点相对于其他像素点的纹理细节;因此,表征了光学复合膜表面图像中像素点的结构纹理细节信息,分母加1为了防止分母为0。根据第二显著因子计算公式可得到每个像素点的第二显著因子。
S3、根据每个像素点的第一显著因子和第二显著因子得到光学复合膜表面图像中每个像素点的显著值。
将每个像素点的第一显著因子与第二显著因子相乘得到光学复合膜表面图像中每个像素点的显著值,以光学复合膜图像中第i个像素点为例,其显著值得具体表达式为:
其中,该公式利用第i个像素点的第一显著因子和第二显著因子得到了光学复合膜图像中第i个像素点的显著值,其中,第一显著因子表征了每个像素点对应的色彩特征与其他像素点的差异性,第二显著因子表征了光学复合膜表面图像中像素点的结构纹理细节信息,第一显著因子和第二显著因子越大,对应像素点的显著值越大。
S4、根据每个像素点的显著值构建高斯混合模型,获取高斯混合模型对应的所有子高斯模型;根据每个像素点对应的子高斯模型函数值对所有像素点进行归类得到每类像素点的个数,根据每类像素点的个数得到光学复合膜表面图像中的正常区域和缺陷区域。
根据每个像素点的显著值构建对应的显著图,根据显著图中每个像素点的显著值构建高斯混合模型,获取高斯混合模型所对应的子高斯模型数量K,K值实施者可自行设定,也可通过拟合获取,本发明中直接设置K=2;获取各个子高斯模型的模型参量(wk,μk,σk),其中,k表示第k个子高斯模型的模型参量,用于对像素点特征进行表征,获取高斯混合模型和各子高斯模型的模型参量均为现有公知技术,本发明不做相关阐述。
根据每个像素点的对应的子高斯模型函数值对所有像素点进行归类得到每类像素点的个数,即将每个像素点归类到该像素点对应的最大子高斯模型函数值,所对应的子高斯模型类别下,其中,每个像素点都对应K个高斯模型函数值,显著图中像素点的类别也为K类。
光学复合膜表面的正常像素点分布面积较大,缺陷区域分布较为紧凑且面积较小,因此,将像素点个数最多的类别对应的像素点所构成的区域作为光学复合膜表面图像中的正常区域,其他类别的像素点作为缺陷区域,至此即可实现对缺陷像素点的提取,进一步获取正常区域对应高斯模型的模型参量U0=(w0,μ0,σ0),将其作为标准模型参量,后续用于对缺陷区域的缺陷程度的分析计算。
至此,得到了光学复合膜表面图像中的缺陷区域和正常区域。
S5、根据正常区域对应的子高斯模型的模型参量、缺陷区域中每个像素点对应的子高斯模型的模型参量、缺陷区域中像素点的个数、每个像素点的显著值和光学复合膜表面图像中像素点的个数得到光学复合膜表面的缺陷程度,根据光学复合膜表面的缺陷程度和预设缺陷程度阈值判断光学复合膜是否存在缺陷。
考虑到实际情况下对于光学复合膜表面的缺陷都有一定的容许度,因此,为实现对光学复合膜表面缺陷的检测预警,根据正常区域和缺陷区域中每个像素点对应的子高斯模型的模型参量、缺陷区域中像素点的个数、每个像素点的显著值和光学复合膜表面图像中像素点的个数得到光学复合膜表面的缺陷程度,光学复合膜表面的缺陷程度的具体表达式为:
式中:Q表示光学复合膜表面的缺陷程度,num表示缺陷区域像素点的个数,Xzn表示光学复合膜表面图像中每个像素点的显著值,Un表示缺陷区域中第n个像素点对应的子高斯模型的模型参量,U0表示正常区域对应的子高斯模型的模型参量,N表示光学复合膜表面图像中像素点的个数,e为自然常数。
其中,‖Un-U0‖为缺陷像素点n对应子高斯模型的模型参量Un与正常区域所对应高斯模型的模型参量U0之间的欧式距离,为关于‖Un-U0‖的正比函数,因此,该欧式距离越大,1-e-‖U n-U0‖的值越大,缺陷像素点n与正常区域的差异越大,光学复合膜表面的缺陷程度越大;为缺陷像素点的占比,缺陷像素点占比越多,光学复合膜表面的缺陷程度越大;Xzn表示光学复合膜表面图像中每个像素点的显著值,缺陷像素点的显著值越大,则光学复合膜表面的缺陷程度越大,因此,表征了光学复合膜表面的缺陷程度,该整体值越大,光学复合膜表面的缺陷程度就越大。
根据光学复合膜表面的缺陷程度和预设缺陷程度阈值判断光学复合膜表面是否存在缺陷,其中缺陷程度阈值设置为0.5,当光学复合膜表面的缺陷程度大于0.5时,光学复合膜表面缺陷存在缺陷,且较为严重,需要对其进行检修,***做出提示预警;当光学复合膜表面的缺陷程度小于或等于0.5时,认为光学复合膜表面缺陷不明显,即相当于不存在缺陷,不影响后期使用,在可允许缺陷范围内,至此可实现对光学复合膜表面的缺陷程度进行定量分析。
本发明的有益效果是:本发明首先获取了每个像素点的第一显著因子,该第一显著因子根据光学复合膜表面图像中每个像素点与其他像素点在HSV图像和灰度图像中的差异所得,表征了光学复合膜表面图像中每个像素点与其他像素点色彩特征的显著差异;其次,本发明获取了每个像素点的第二显著因子,该第二显著因子表征了光学复合膜表面图像中每个像素点的结构纹理细节信息,根据第一显著因子和第二显著因子获取了每个像素点的显著值,从每个像素点与其他像素点色彩特征的显著差异,以及每个像素点的结构纹理细节信息两方面获取每个像素点的显著值,使所得显著值更加准确,而显著值一定程度上表征缺陷像素点和正常像素点,获取每个像素点的显著值,构建显著图像,提高显著图像中缺陷像素点的显著性,增加缺陷区域与正常区域之间的差异度,以克服缺陷区域不突出等问题,便于准确提取缺陷区域像素点,保证光学复合膜表面缺陷检测精度。
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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种光学复合膜的缺陷检测方法,其特征在于,包括:
获取光学复合膜表面图像的HSV图像和灰度图像,根据HSV图像中每个像素点分别在H、S、V通道的像素值、所有像素点分别在H、S、V通道像素值的方差、像素点的个数以及灰度图像的灰度直方图得到每个像素点的第一显著因子;
获取光学复合膜表面图像中每个像素点的卷积向量,根据光学复合膜表面图像中每个像素点对应的海森矩阵的两个特征值、每个像素点的卷积向量及像素点的个数得到每个像素点的第二显著因子;
根据每个像素点的第一显著因子和第二显著因子得到光学复合膜表面图像中每个像素点的显著值;
根据每个像素点的显著值构建高斯混合模型,获取高斯混合模型对应的所有子高斯模型;根据每个像素点对应的子高斯模型函数值对所有像素点进行归类得到每类像素点的个数,根据每类像素点的个数得到光学复合膜表面图像中的正常区域和缺陷区域;
根据正常区域对应的子高斯模型的模型参量、缺陷区域中每个像素点对应的子高斯模型的模型参量、缺陷区域中像素点的个数、每个像素点的显著值和光学复合膜表面图像中像素点的个数得到光学复合膜表面的缺陷程度,根据光学复合膜表面的缺陷程度和预设缺陷程度阈值判断光学复合膜是否存在缺陷。
2.根据权利要求1所述的一种光学复合膜的缺陷检测方法,其特征在于,每个像素点的第一显著因子的具体表达式为:
式中:δi表示第i个像素点的第一显著因子,N表示HSV图像中像素点的个数,Hi表示HSV图像中第i个像素点的色调值,Hj表示HSV图像中第j个像素点的色调值,Si表示HSV图像中第i个像素点的饱和度,Sj表示HSV图像中第j个像素点的饱和度,Vi表示HSV图像中第i个像素点的亮度值,Vj表示HSV图像中第j个像素点的亮度值,σH表示HSV图像中所有像素点在H通道中的像素均值,σS表示HSV图像中所有像素点在S通道中的像素均值,σV表示HSV图像中所有像素点在V通道中的像素均值,D(i,j)为第i个像素点及第i个像素点的局部范围与第j个像素点及第j个像素点的局部范围对应的灰度直方图的卡方距离,为空间因子,e为自然常数。
3.根据权利要求1所述的一种光学复合膜的缺陷检测方法,其特征在于,每个像素点的卷积向量是按如下方法确定的:
设置三个尺度8个方向的Gabor滤波器,得到24个滤波器;
利用24个滤波器分别对光学复合膜图像进行卷积得到24张卷积图;
根据24张卷积图得到光学复合膜图像中每个像素点的24个卷积值,根据每个像素点的24个卷积值得到每个像素点的卷积向量。
4.根据权利要求1所述的一种光学复合膜的缺陷检测方法,其特征在于,每个像素点的第二显著因子是按如下方法确定的:
将光学复合膜表面图像中每个像素点对应的海森矩阵的两个特征值的绝对值相加,将相加所得的和值作为分子;
获取光学复合膜表面图像中每个像素点的卷积向量与其他像素点的卷积向量之间的余弦相似度;
将每个像素点的卷积向量与其他像素点的卷积向量之间的余弦相似度进行累加得到累加和,将该累加和加一后的值作为分母;
将每个像素点对应的分子分母的比值作为每个像素点的第二显著因子。
5.根据权利要求1所述的一种光学复合膜的缺陷检测方法,其特征在于,将每个像素点的第一显著因子与第二显著因子相乘得到光学复合膜表面图像中每个像素点的显著值。
7.根据权利要求1所述的一种光学复合膜的缺陷检测方法,其特征在于,对所有像素点进行归类的方法是:
将每个像素点归类到该像素点对应的最大子高斯模型函数值,对应的子高斯模型类别下。
8.根据权利要求1所述的一种光学复合膜的缺陷检测方法,其特征在于,当光学复合膜表面的缺陷程度大于预设缺陷程度阈值时,该光学复合膜表面存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211550931.XA CN115797299B (zh) | 2022-12-05 | 2022-12-05 | 一种光学复合膜的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211550931.XA CN115797299B (zh) | 2022-12-05 | 2022-12-05 | 一种光学复合膜的缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797299A true CN115797299A (zh) | 2023-03-14 |
CN115797299B CN115797299B (zh) | 2023-09-01 |
Family
ID=85445775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211550931.XA Active CN115797299B (zh) | 2022-12-05 | 2022-12-05 | 一种光学复合膜的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797299B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432088A (zh) * | 2023-05-04 | 2023-07-14 | 常宝新材料(苏州)有限公司 | 一种复合光学薄膜层厚智能监测方法及*** |
CN117746000A (zh) * | 2023-12-27 | 2024-03-22 | 广东瑞福密封科技有限公司 | 橡胶密封圈多类表面缺陷分类定位方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130162871A1 (en) * | 2011-12-23 | 2013-06-27 | Stmicroelectronics S.R.L. | Color filter array defect correction |
US9098888B1 (en) * | 2013-12-12 | 2015-08-04 | A9.Com, Inc. | Collaborative text detection and recognition |
CN110543867A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 一种多摄像头条件下的人群密度估测***及方法 |
CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
CN113628234A (zh) * | 2021-08-16 | 2021-11-09 | 西安电子科技大学 | 基于综合邻域信息的显著性极化sar图像变化检测方法 |
CN114170208A (zh) * | 2021-12-14 | 2022-03-11 | 武汉福旺家包装有限公司 | 一种基于人工智能的纸制品缺陷检测方法 |
CN114881961A (zh) * | 2022-04-29 | 2022-08-09 | 江苏仙岳材料科技有限公司 | 一种玻璃纤维板裂纹检测方法及设备 |
CN115049656A (zh) * | 2022-08-15 | 2022-09-13 | 海门市刘氏铸造有限公司 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
CN115147409A (zh) * | 2022-08-30 | 2022-10-04 | 深圳市欣冠精密技术有限公司 | 基于机器视觉的手机壳生产品质检测方法 |
CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
CN115272335A (zh) * | 2022-09-29 | 2022-11-01 | 江苏万森绿建装配式建筑有限公司 | 基于显著性检测的冶金金属表面缺陷检测方法 |
-
2022
- 2022-12-05 CN CN202211550931.XA patent/CN115797299B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130162871A1 (en) * | 2011-12-23 | 2013-06-27 | Stmicroelectronics S.R.L. | Color filter array defect correction |
US9098888B1 (en) * | 2013-12-12 | 2015-08-04 | A9.Com, Inc. | Collaborative text detection and recognition |
CN110543867A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 一种多摄像头条件下的人群密度估测***及方法 |
CN113628234A (zh) * | 2021-08-16 | 2021-11-09 | 西安电子科技大学 | 基于综合邻域信息的显著性极化sar图像变化检测方法 |
CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
CN114170208A (zh) * | 2021-12-14 | 2022-03-11 | 武汉福旺家包装有限公司 | 一种基于人工智能的纸制品缺陷检测方法 |
CN114881961A (zh) * | 2022-04-29 | 2022-08-09 | 江苏仙岳材料科技有限公司 | 一种玻璃纤维板裂纹检测方法及设备 |
CN115049656A (zh) * | 2022-08-15 | 2022-09-13 | 海门市刘氏铸造有限公司 | 硅钢轧制过程中缺陷的显著性识别与分类方法 |
CN115147409A (zh) * | 2022-08-30 | 2022-10-04 | 深圳市欣冠精密技术有限公司 | 基于机器视觉的手机壳生产品质检测方法 |
CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
CN115272335A (zh) * | 2022-09-29 | 2022-11-01 | 江苏万森绿建装配式建筑有限公司 | 基于显著性检测的冶金金属表面缺陷检测方法 |
Non-Patent Citations (6)
Title |
---|
MENGU D等: "At the intersection of optics and deep learning: statistical inference, computing, and inverse design", 《ADVANCES IN OPTICS AND PHOTONICS》, vol. 14, no. 2, pages 209 - 290 * |
SHUANG H等: "Surface defect segmentation and detection of printing roller based on improved FT Algorithm", 《JOURNAL OF PHYSICS: CONFERENCE SERIES. IOP PUBLISHING》, vol. 2278, no. 1, pages 1 - 8, XP020424795, DOI: 10.1088/1742-6596/2278/1/012007 * |
TU X等: "Generalized horizontal synchrosqueezing transform: Algorithm and applications", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》, vol. 68, no. 6, pages 5293 - 5302, XP011838775, DOI: 10.1109/TIE.2020.2984983 * |
孙世宇等: "基于显著性检测与特征匹配的目标识别方法", 《火力与指挥控制》, no. 10, pages 132 - 138 * |
平安: "基于机器视觉的桥梁裂缝缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 6, pages 034 - 493 * |
王泽润: "基于颜色与纹理特征的木材表面缺陷识别方法", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 6, pages 138 - 1419 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432088A (zh) * | 2023-05-04 | 2023-07-14 | 常宝新材料(苏州)有限公司 | 一种复合光学薄膜层厚智能监测方法及*** |
CN116432088B (zh) * | 2023-05-04 | 2023-11-07 | 常宝新材料(苏州)有限公司 | 一种复合光学薄膜层厚智能监测方法及*** |
CN117746000A (zh) * | 2023-12-27 | 2024-03-22 | 广东瑞福密封科技有限公司 | 橡胶密封圈多类表面缺陷分类定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115797299B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797299A (zh) | 一种光学复合膜的缺陷检测方法 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测***和方法 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
CN111028213A (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
CN107590498A (zh) | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
JP7450848B2 (ja) | マシン視覚に基づく透明度検出方法 | |
CN112257676A (zh) | 一种指针式仪表读数方法、***以及巡检机器人 | |
CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、***及电子设备 | |
CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及*** | |
CN114972230A (zh) | 一种生产线上电路板缺陷检测方法及*** | |
CN117495852B (zh) | 一种基于图像分析的数字印刷质量检测方法 | |
CN112836726B (zh) | 一种基于视频信息的指针类仪表示数读取方法及装置 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN115409841B (zh) | 一种基于视觉的印刷品检验方法 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN116106319A (zh) | 一种合成革瑕疵自动化检测方法及*** | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN115661894A (zh) | 一种人脸图像质量过滤方法 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 |
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 |