CN116152208A - 缺陷检测方法、装置、设备及存储介质 - Google Patents
缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116152208A CN116152208A CN202310172014.0A CN202310172014A CN116152208A CN 116152208 A CN116152208 A CN 116152208A CN 202310172014 A CN202310172014 A CN 202310172014A CN 116152208 A CN116152208 A CN 116152208A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- component
- template
- measured
- depth map
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims description 84
- 238000000034 method Methods 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- -1 foot pads Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005491 wire drawing Methods 0.000 description 1
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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本公开提供了一种缺陷检测方法、装置、设备及存储介质,通过获取部件待测点云以及获取目标部件模板点云,其中,所述目标部件模板点云为判断所述部件待测点云是否存在贴附缺陷的参考模板点云;分别将所述部件待测点云和所述目标部件模板点云重建为部件待测深度图和目标部件模板深度图;通过对所述部件待测深度图和所述目标部件模板深度图进行二值化处理以及Blob分析,确定所述部件待测点云是否存在贴附缺陷,不仅有效的提高了缺陷检测率,而且还节省了大量的人力物力。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种缺陷检测方法、装置、设备及存储介质。
背景技术
基于3D视觉的笔记本内结构的缺陷检测方法可理解为点云缺陷检测问题,具体为基于模板图像中的指定区域通过点云配准方法,在待测图像中寻找对应匹配区域,并进行缺陷检测。现有技术常使用针对3D视觉检测方法有:基于深度学习的缺陷检测方法和基于模板对比的缺陷检测方法。
其中,基于3D点云的神经网络训练方法虽然理论上针对缺陷检测有一定的效果,但是在实际实现过程中,收集大量缺陷样本十分困难,导致检测准确性降低。
而基于3D点云的模板对比缺陷检测方法,是提取标准模板和待测点云中的部件位置进行点云信息对比,从而判断部件是否存在贴附缺陷的问题。该方法存在漏检和误检的问题,尤其是针对贴附部件位置附近存在有高度突起的现象或者贴附部件存在少许偏移的现象时,其缺陷检测效果很差。
发明内容
本公开提供了一种缺陷检测方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种缺陷检测方法,所述方法包括:
获取部件待测点云以及获取目标部件模板点云,其中,所述目标部件模板点云为判断所述部件待测点云是否存在贴附缺陷的参考模板点云;
分别将所述部件待测点云和所述目标部件模板点云重建为部件待测深度图和目标部件模板深度图;
通过对所述部件待测深度图和所述目标部件模板深度图进行二值化处理以及Blob分析,确定所述部件待测点云是否存在贴附缺陷。
在一可实施方式中,所述通过对所述部件待测深度图和所述目标部件模板深度图进行二值化处理以及Blob分析,确定所述部件待测点云是否存在贴附缺陷,包括:
基于部件模板点云所对应的深度均值,分别将所述部件待测深度图和目标部件模板深度图进行二值化处理,得到部件待测二值图和目标部件模板二值图;
分别获取所述部件待测二值图内的第一预设区域和所述目标部件模板二值图内的第二预设区域;
将所述第一预设区域和所述第二预设区域的区域信息进行比较,确定所述部件待测点云是否存在贴附缺陷,其中,所述区域信息包含以下至少之一:宽、高以及面积。
在一可实施方式中,所述将所述第一预设区域和所述第二预设区域的区域信息进行比较,确定所述部件待测点云是否存在贴附缺陷,包括:
当所述第一预设区域和所述第二预设区域的宽差值小于预设宽阈值、所述第一预设区域和所述第二预设区域的高差值小于预设高阈值以及所述第一预设区域和所述第二预设区域的面积差值小于预设面积阈值时,确定所述部件待测点云不存在贴附缺陷;否则,确定所述部件待测点云存在贴附缺陷。
在一可实施方式中,所述获取目标部件模板点云,包括:
获取包含有至少一个待测贴附部件的待测点云和获取样本贴附部件的模板点云,其中,所述模板点云内标记有各个样本贴附部件的标签;
基于点云配准算法和所述包含有至少一个待测贴附部件的待测点云,将所述模板点云进行校准,得到校正后的模板点云;
在所述校正后的模板点云上,确定至少一个样本部件模板点云,并依次将每个样本部件模板点云作为目标部件模板点云。
在一可实施方式中,所述获取样本贴附部件的模板点云,包括:
通过所述样本贴附部件的原始3D设计图或者通过3D相机拍摄所述样本贴附部件,确定所述样本贴附部件的源点云数据;
将所述样本贴附部件的源点云数据进行建模,得到所述样本贴附部件的模板点云。
在一可实施方式中,所述获取部件待测点云,包括:
将所述校正后的模板点云和所述包含有至少一个待测贴附部件的待测点云进行降维处理,得到降维模板点云和降维待测点云;
在所述降维模板点云内,确定与所述目标部件模板点云相对应的降维部件模板点云;
基于邻域最小值法,在所述降维待测点云内,确定与所述降维部件模板点云相对应的降维部件点云,并通过所述降维待测点云和所述包含有至少一个待测贴附部件的待测点云之间的映射关系,在所述包含有至少一个待测贴附部件的待测点云上,确定与所述降维部件点云相对应的待测点云区域作为部件待测点云。
在一可实施方式中,所述分别将所述部件待测点云和所述目标部件模板点云重建为部件待测深度图和目标部件模板深度图,包括:
分别获取所述部件待测点云和所述目标部件模板点云内各个体素的坐标,其中,所述坐标包括X值、Y值和Z值;
将所述部件待测点云内各个体素的X值和Y值作为所述部件待测深度图的坐标值,并将Z值作为所述部件待测深度图的像素值,以重建所述部件待测深度图;
将所述目标部件模板点云内各个体素的X值和Y值作为所述目标部件模板深度图的坐标值,并将Z值作为所述目标部件模板深度图的像素值,以重建所述目标部件模板深度图。
根据本公开的第二方面,提供了一种缺陷检测装置,所述装置包括:
点云获取模块,用于获取部件待测点云以及获取目标部件模板点云,其中,所述目标部件模板点云为判断所述部件待测点云是否存在贴附缺陷的参考模板点云;
深度图重建模块,用于分别将所述部件待测点云和所述目标部件模板点云重建为部件待测深度图和目标部件模板深度图;
缺陷分析模块,用于通过对所述部件待测深度图和所述目标部件模板深度图进行二值化处理以及Blob分析,确定所述部件待测点云是否存在贴附缺陷。
在一可实施方式中,缺陷分析模块,具体用于:
基于部件模板点云所对应的深度均值,分别将所述部件待测深度图和目标部件模板深度图进行二值化处理,得到部件待测二值图和目标部件模板二值图;
分别获取所述部件待测二值图内的第一预设区域和所述目标部件模板二值图内的第二预设区域;
将所述第一预设区域和所述第二预设区域的区域信息进行比较,确定所述部件待测点云是否存在贴附缺陷,其中,所述区域信息包含以下至少之一:宽、高以及面积。
在一可实施方式中,缺陷分析模块,还具体用于:
当所述第一预设区域和所述第二预设区域的宽差值小于预设宽阈值、所述第一预设区域和所述第二预设区域的高差值小于预设高阈值以及所述第一预设区域和所述第二预设区域的面积差值小于预设面积阈值时,确定所述部件待测点云不存在贴附缺陷;否则,确定所述部件待测点云存在贴附缺陷。
在一可实施方式中,点云获取模块,具体用于:
获取包含有至少一个待测贴附部件的待测点云和获取样本贴附部件的模板点云,其中,所述模板点云内标记有各个样本贴附部件的标签;
基于点云配准算法和所述包含有至少一个待测贴附部件的待测点云,将所述模板点云进行校准,得到校正后的模板点云;
在所述校正后的模板点云上,确定至少一个样本部件模板点云,并依次将每个样本部件模板点云作为目标部件模板点云。
在一可实施方式中,点云获取模块,还具体用于:
通过所述样本贴附部件的原始3D设计图或者通过3D相机拍摄所述样本贴附部件,确定所述样本贴附部件的源点云数据;
将所述样本贴附部件的源点云数据进行建模,得到所述样本贴附部件的模板点云。
在一可实施方式中,点云获取模块,还具体用于:
将所述校正后的模板点云和所述包含有至少一个待测贴附部件的待测点云进行降维处理,得到降维模板点云和降维待测点云;
在所述降维模板点云内,确定与所述目标部件模板点云相对应的降维部件模板点云;
基于邻域最小值法,在所述降维待测点云内,确定与所述降维部件模板点云相对应的降维部件点云,并通过所述降维待测点云和所述包含有至少一个待测贴附部件的待测点云之间的映射关系,在所述包含有至少一个待测贴附部件的待测点云上,确定与所述降维部件点云相对应的待测点云区域作为部件待测点云。
在一可实施方式中,深度图重建模块,具体用于:
分别获取所述部件待测点云和所述目标部件模板点云内各个体素的坐标,其中,所述坐标包括X值、Y值和Z值;
将所述部件待测点云内各个体素的X值和Y值作为所述部件待测深度图的坐标值,并将Z值作为所述部件待测深度图的像素值,以重建所述部件待测深度图;
将所述目标部件模板点云内各个体素的X值和Y值作为所述目标部件模板深度图的坐标值,并将Z值作为所述目标部件模板深度图的像素值,以重建所述目标部件模板深度图。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种缺陷检测方法、装置、设备及存储介质,通过获取部件待测点云以及获取目标部件模板点云,其中,所述目标部件模板点云为判断所述部件待测点云是否存在贴附缺陷的参考模板点云;分别将所述部件待测点云和所述目标部件模板点云重建为部件待测深度图和目标部件模板深度图;通过对所述部件待测深度图和所述目标部件模板深度图进行二值化处理以及Blob分析,确定所述部件待测点云是否存在贴附缺陷,不仅有效的提高了缺陷检测率,而且还节省了大量的人力物力。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例一提供的一种缺陷检测方法的实现流程示意图;
图2示出了本公开实施例二提供的一种缺陷检测方法的实现流程示意图;
图3示出了本公开实施例二提供的一种缺陷检测方法的实现流程框架图;
图4示出了本公开实施例三提供的一种缺陷检测装置的结构示意图;
图5示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
实施例一
图1为本公开实施例一提供的一种缺陷检测方法的流程图,该方法可以由本公开实施例提供的一种缺陷检测装置来执行,该装置可采用软件和/或硬件的方式实现。该方法具体包括:
S110、获取部件待测点云以及获取目标部件模板点云。
其中,目标部件模板点云,可以是用于判断待测部件是否存在贴附缺陷的参考模板点云,记为ROI_model。部件待测点云,可以是使用3D相机对待测部件进行拍摄得到的点云,记为ROI_dst。
具体的,笔记本内贴附位置不同,对贴附部件的种类要求不同,且其贴附位置本身的多样性和复杂性,会严重影响部件贴附检测效果。针对贴附部件的种类要求不同,例如,笔记本内的贴附部件可以是导电布、脚垫、铁片、铁杆、拉丝等种类,又由于生产厂家不同,易导致同种贴附部件存在不同的颜色;针对贴附位置的多样性和复杂性,例如,贴附位置可能是平坦位置、也可能是边角位置,还可能贴附位置周围存在干扰等,上述这些都会影响检测准确性。
在本公开实施例中,获取目标部件模板点云,包括:获取包含有至少一个待测贴附部件的待测点云和获取样本贴附部件的模板点云,其中,模板点云内标记有各个样本贴附部件的标签;基于点云配准算法和包含有至少一个待测贴附部件的待测点云,将模板点云进行校准,得到校正后的模板点云;在校正后的模板点云上,确定至少一个样本部件模板点云,并依次将每个样本部件模板点云作为目标部件模板点云。
其中,点云配准算法,可以是基于体素分割匹配,用于提取特征点的算法,示例性的,本实施例采用的点云配准算法可以是最近点迭代算法(Iterative Closest Point,ICP)。模板点云,可以是还未进行校准的含有各个样本贴附部件标识的源点云,记为pt_model。待测点云为包含多个部件待测点云的点云,用于测量是否具有缺陷的点云,记为pt_dst。
具体的,为了得到精确的模板点云,本实施例需要先获取包含至少一个待测贴附部件的待测点云,以及带有各个样本贴附部件标识的模板点云。在理论上,模板点云和待测点云若是保证相同检测机构、相同位置、相同相机以及相同设计参数等条件下进行拍摄,则无需校正。但是,在实际操作过程中,由于上述各个环节可能存在的微小偏差,以及设计精准度偏差等因素的干扰,可能使得模板点云与待测点云存在偏差,因此本实施例为了解决上述问题,将该模板点云通过基于点云配准算法以及包含有至少一个待测贴附部件待测点云进行校准,使得模板点云根据待测点云进行校正,从而得到精确校准后的模板点云,记为pt_model’。
具体的,由于本实施例在校准后的模板点云上存在至少一个样本贴附部件点云,因此本实施例可以依次提取并分割各个样本贴附部件点云,将分割后的独立部件依次作为目标部件模板点云,方便后续与其对应的待测贴附部件点云进行比对。
在本公开实施例中,获取样本贴附部件的模板点云,包括:通过样本贴附部件的原始3D设计图或者通过3D相机拍摄样本贴附部件,确定样本贴附部件的源点云数据;将样本贴附部件的源点云数据进行建模,得到样本贴附部件的模板点云。
其中,源点云数据可以是通过3D相机或者3D设计图得到的,含有全部样本贴附部件的点云数据。
具体的,为了得到样本贴附部件的模板点云,本实施例通过样本贴附部件的原始3D设计图或者通过3D相机拍摄的样本贴附部件,可以得到含有全部样本贴附部件的源点云数据,再将得到的该源点云数据通过建模处理,从而得到含有各个贴附部件的模板点云,即样本贴附部件的模板点云,再将各个样本贴附部件进行标记,以方便后续进行分割比较。示例性的,在本实施例中,若获取样本贴附部件源点云数据的方式为通过3D相机直接拍摄,则可以通过手动方式进行建模,对各个待测贴附部件进行标记。
在本公开实施例中,获取部件待测点云,包括:将校正后的模板点云和包含有至少一个待测贴附部件的待测点云进行降维处理,得到降维模板点云和降维待测点云;在降维模板点云内,确定与目标部件模板点云相对应的降维部件模板点云;基于邻域最小值法,在降维待测点云内,确定与降维部件模板点云相对应的降维部件点云,并通过降维待测点云和包含有至少一个待测贴附部件的待测点云之间的映射关系,在包含有至少一个待测贴附部件的待测点云上,确定与降维部件点云相对应的待测点云区域作为部件待测点云。
其中,降维模板点云可以是Z轴坐标值为0的模板点云,记为pt_model”。降维待测点云,可以是Z轴坐标值为0的待测点云,记为pt_dst”。邻域最小值法,可以是用于将降维的待测点云和与相对应的降维部件模板点云进行匹配的方法,示例性的,本实施例采用的邻域最小值法为8邻域最小值法。降维部件模板点云指的是在降维模板点云内分割出来的独立部件区域,记为ROI_model”[N]。降维部件点云,可以是Z轴坐标值为0的贴附部件点云,与降维部件模板点云相对应,记为ROI_dst”[N]。部件待测点云可以是在待测点云上与降维部件点云相对应的点云区域,记为ROI_dst[N]。
具体的,由于点云的信息量大,导致***运算速度慢,还由于笔记本内结构本身高度差的干扰,容易造成***判断误差,因此为了提高***的运行效率以及降低***的判断误差率,本实施例将得到的校正后的模板点云和包含有至少一个待测贴附部件的待测点云进行降维处理,即将这些点云的Z轴坐标值设置为0,从而得到Z轴坐标值为0的模板点云,以及Z轴坐标值为0的包含有至少一个待测贴附部件的待测点云,得到降维模板点云和降维待测点云。由于降维模板点云为整体性模板,因此在降维模板点云内,可以根据选取局部的目标部件模板点云,确定与其对应的降维部件模板点云。在降维待测点云内,本实施例利用邻域最小值法,根据降维部件模板点云和降维部件点云的X坐标与Y坐标,从而得到与降维部件模板点云所对应的降维部件点云。然后本实施例再根据降维待测点云和包含有至少一个待测贴附部件的待测点云之间的映射关系,从而在待测点云上,确定与降维部件点云相对应的待测点云区域,即部件待测点云。
本实施例通过在降维处理后的降维模板点云上获取需要进行匹配的降维部件模板点云,再通过二维配比得到降维部件点云,最后再通过降维部件点云与三维的待测点云的映射关系,确定部件待测点云,能够消除笔记本内结构本身高度的干扰,同时降低了出现判断误差的可能性。
S120、分别将部件待测点云和目标部件模板点云重建为部件待测深度图和目标部件模板深度图。
其中,部件待测深度图可以是通过部件待测点云得到的,用于生成部件待测二值图的图像,记为dep_dst。目标部件模板深度图,可以是通过目标部件模板点云得到的,用于生成目标部件模板二值图的图像,记为dep_model。
在本公开实施例中,分别将部件待测点云和目标部件模板点云重建为部件待测深度图和目标部件模板深度图,包括:分别获取部件待测点云和目标部件模板点云内各个体素的坐标,其中,坐标包括X值、Y值和Z值;将部件待测点云内各个体素的X值和Y值作为部件待测深度图的坐标值,并将Z值作为部件待测深度图的像素值,以重建部件待测深度图;将目标部件模板点云内各个体素的X值和Y值作为目标部件模板深度图的坐标值,并将Z值作为目标部件模板深度图的像素值,以重建目标部件模板深度图。
具体的,为了判断待测部件是否存在贴附异常,本实施例需要先将部件待测点云和目标部件模板点云转换为能够进行二值化处理以及Blob分析运算的部件待测深度图和目标部件模板深度图。具体为,首先通过部件待测点云和目标部件模板点云,得到与其对应的各个体素的X、Y以及Z轴的坐标值,然后将部件待测点云内各个体素的X、Y轴坐标值作为降维后的部件待测深度图坐标值,并将各个体素的Z轴坐标值作为该部件待测深度图的像素值,从而得到重建后的部件待测深度图。同理,本实施例将目标部件模板点云内各个体素的X、Y轴坐标值作为降维后的目标部件模板深度图的坐标值,并将各个体素的Z轴坐标值作为该目标部件模板深度图的像素值,从而得到重建后的目标部件模板深度图。
S130、通过对部件待测深度图和目标部件模板深度图进行二值化处理以及Blob分析,确定部件待测点云是否存在贴附缺陷。
其中,二值化处理可以是将部件待测深度图和目标部件模板深度图转换为灰度图的操作。Blob分析,可以是对部件待测二值图和目标部件模板二值图的宽、高以及面积等物理特征进行分析的操作,其中,本实施例采用的Blob分析方法可以是Open cv算法库内的FindContours。
具体的,为了确定部件待测点云是否存在贴附缺陷,本实施例将得到的部件待测深度图和目标部件模板深度图,通过二值化处理的方式,从而得到部件待测二值图和目标部件模板二值图,再将得到的部件待测二值图和目标部件模板二值图,通过Blob分析的方式,进而确定部件待测点云是否存在贴附缺陷。
现有的缺陷检测方法为基于3D点云的神经网络训练方法,该方法针对是否存在贴附缺陷检测有一定的效果,但需要大量人力对样本进行收集、标注、训练,该方法不仅费时费力且不便于操作。此外,该方法对标准贴附且贴附位置周围无高度突起的部件缺陷检测效果较好,但对于贴附位置附近存在高度突起或者贴附少许偏移的情况,其缺陷检测效果较差。而本实施例采用的方法,不仅有效的解决了当贴附部件位置附近存在高度突起或者贴附部件存在少许偏移时,其检测准确性低的问题,还弥补基于3D点云的神经网络训练方法浪费大量人力、物力的缺点,此外还有效的提升了算法检测的速度。
实施例二
图2为本公开实施例二提供的一种缺陷检测方法的流程图,本公开实施例在上述实施例的基础上,其中,通过对部件待测深度图和目标部件模板深度图进行二值化处理以及Blob分析,确定部件待测点云是否存在贴附缺陷,包括:基于部件模板点云所对应的深度均值,分别将部件待测深度图和目标部件模板深度图进行二值化处理,得到部件待测二值图和目标部件模板二值图;分别获取部件待测二值图内的第一预设区域和目标部件模板二值图内的第二预设区域;将第一预设区域和第二预设区域的区域信息进行比较,确定部件待测点云是否存在贴附缺陷,其中,区域信息包含以下至少之一:宽、高以及面积,该方法具体包括:
S210、获取部件待测点云以及获取目标部件模板点云。
S220、分别将部件待测点云和目标部件模板点云重建为部件待测深度图和目标部件模板深度图。
S230、基于部件模板点云所对应的深度均值,分别将部件待测深度图和目标部件模板深度图进行二值化处理,得到部件待测二值图和目标部件模板二值图。
其中,部件待测二值图可以是部件待测点云通过二值化处理得到的灰度图,记为bin_dep_model。目标部件模板二值图,可以是目标部件模板点云通过二值化处理得到的灰度图,记为bin_dep_dst。
具体的,为了简化操作、提高工作效率,本实施例获取部件模板点云的Z轴坐标值,从而可以得到部件模板点云所对应的深度均值,再基于部件模板点云的深度均值,对得到的部件待测深度图和目标部件模板深度图通过二值化处理,从而得到与其对应的部件待测二值图以及目标部件模板二值图。其中,部件待测二值图和目标部件模板二值图为黑白色的灰度图。
S240、分别获取部件待测二值图内的第一预设区域和目标部件模板二值图内的第二预设区域。
其中,第一预设区域可以是部件待测二值图内的白色区域。第二预设区域,可以是目标部件模板二值图内的白色区域。
本实施例以部件模板点云所对应的深度均值作为基准,转化为部件待测二值图和目标部件模板二值图。由于贴附部件区域会高于笔记本内部结构的区域,因此,在上述二值图内会显示为白色区域。本实施例可以直接将部件待测二值图内的白色区域作为第一预设区域。将目标部件模板二值图内的白色区域作为第二预设区域。
S250、将第一预设区域和第二预设区域的区域信息进行比较,确定部件待测点云是否存在贴附缺陷。
其中,区域信息包含以下至少之一:宽、高以及面积。
具体的,本实施例将得到的部件待测二值图中的第一预设区域,和目标部件模板二值图中的第二预设区域,通过Blob分析的方式进行比较,即对第一预设区域以及第二预设区域中白色区域的宽、高以及面积等进行比较,从而确定部件待测二值图中贴附部件是否存在缺陷,进而确定部件待测点云是否存在贴附缺陷。
在本公开实施例中,将第一预设区域和第二预设区域的区域信息进行比较,确定部件待测点云是否存在贴附缺陷,包括:当第一预设区域和第二预设区域的宽差值小于预设宽阈值、第一预设区域和第二预设区域的高差值小于预设高阈值以及第一预设区域和第二预设区域的面积差值小于预设面积阈值时,确定部件待测点云不存在贴附缺陷;否则,确定部件待测点云存在贴附缺陷。
其中,预设宽阈值、预设高阈值以及预设面积阈值可以是根据实际情况而设定的任意值,本实施例不对其进行限定。
具体的,本实施例将得到的第一预设区域中白色区域的宽、高以及面积,分别和第二预设区域中白色区域的宽、高以及面积进行比较,若第一预设区域和与其对应的第二预设区域中白色区域的宽、高以及面积的差值,均小于与其对应的预设阈值时,则判定为该部件待测点云不存在贴附缺陷。若第一预设区域和与其对应的第二预设区域中白色区域的宽、高以及面积的差值,其中任意一个大于或等于与其对应的预设阈值时,则判定为该部件待测点云存在贴附缺陷。
图3为本公开实施例二提供的一种缺陷检测方法的实现流程框架图,由于现有的缺陷检测方法对标准贴附且贴附位置周围无高度突起的部件缺陷检测效果较好,但对于贴附位置附近存在高度突起或者贴附少许偏移时,其缺陷检测效果较差,因此本实施例针对上述问题,提供了有效的解决方法,详细步骤如下所示:
1.读取3D模板点云pt_model作为源点云,读取3D待测点云pt_dst作为目标点云,进行点云配准,得到3D转换矩阵T;
2.将3D模板点云pt_model和3D转换矩阵T进行叉乘,获得校正后的模板点云pt_model’,如公式[1]所示;
pt_model'=pt_model×T[1]
3.提取模板点云pt_model’的贴附部件区域,并分割为一个个独立的部件区ROI_model[N](即目标部件模板点云),其中,N为模板信息中包含的独立部件区总个数;
4.分别将模板点云pt_model’和待测点云pt_dst,进行降维处理,即将z坐标数值设置为0,得到降维模板点云pt_model”和降维待测点云pt_dst”;
5.提取降维模板点云pt_model”的贴附部件区域,并分割为一个个独立的部件区ROI_model”[N](即降维部件模板点云),N为模板信息中包含的独立部件区总个数;
6.基于各个独立部件ROI_model”[N],通过8邻域最小值法,在降维待测点云pt_dst”中获取对应的部件点云ROI_dst”[N](即降维部件点云),进一步映射到待测点云pt_dst中,即可获取到和目标部件模板点云ROI_model[N]相对应的部件待测点云ROI_dst[N];
7.分别将目标部件模板点云ROI_model[i]和部件待测点云ROI_dst[i]转换为深度图dep_model[i](即目标部件模板深度图)和dep_dst[i](即部件待测深度图),其中,i为任意一个独立部件区。
8.基于目标部件模板点云ROI_model[i]内的深度,对目标部件模板深度图dep_model[i]和部件待测深度图dep_dst[i]进行二值化,获得部件待测二值图bin_dep_model[i]和目标部件模板二值图bin_dep_dst[i]。其计算方法如式[2]、[3]:
其中bin_dep_model[i](x,y)为模板深度二值图对应的像素值,bin_dep_dst[i](x,y)为待测深度二值图对应的像素值,ROI_model[i]_z为目标部件模板点云z轴深度值,dep_dst[i](x,y)为部件待测深度图中各个像素点的深度值,mean表示平均值;
9.分别对bin_dep_model[i]二值图和bin_dep_dst[i]二值图进行Blob分析,分别获取白色区域的宽、高、面积等信息;
10.当模板和待测二值图白色区域的宽、高和面积等信息均相差较小时,则认为待测区域为部件正常贴附;否则认为待测区域部件未贴附,其计算方法如式[4];
其中flag_pass为是否正常标志位,0表示异常,1表示正常,w_mdl、h_mdl、area_mdl分别为模板深度二值图白色区域宽度、高度和面积,w_dst、h_dst、area_dst分别为待测深度二值图白色区域宽度、高度和面积,T_w、T_h、T_area分别为二值图白色区域宽度阈值、高度阈值和面积阈值。
本实施例不仅有效的解决了当贴附部件位置附近存在高度突起或者贴附部件存在少许偏移时,其检测准确性低的问题,还弥补基于3D点云的神经网络训练方法浪费大量人力、物力的缺点,提高检测效率。
实施例三
图4是本公开实施例提供的一种缺陷检测装置的结构示意图,该装置具体包括:
点云获取模块410,用于获取部件待测点云以及获取目标部件模板点云,其中,目标部件模板点云为判断部件待测点云是否存在贴附缺陷的参考模板点云;
深度图重建模块420,用于分别将部件待测点云和目标部件模板点云重建为部件待测深度图和目标部件模板深度图;
缺陷分析模块430,用于通过对部件待测深度图和目标部件模板深度图进行二值化处理以及Blob分析,确定部件待测点云是否存在贴附缺陷。
在一可实施方式中,缺陷分析模块430,具体用于:
基于部件模板点云所对应的深度均值,分别将部件待测深度图和目标部件模板深度图进行二值化处理,得到部件待测二值图和目标部件模板二值图;
分别获取部件待测二值图内的第一预设区域和目标部件模板二值图内的第二预设区域;
将第一预设区域和第二预设区域的区域信息进行比较,确定部件待测点云是否存在贴附缺陷,其中,区域信息包含以下至少之一:宽、高以及面积。
在一可实施方式中,缺陷分析模块430,还具体用于:
当第一预设区域和第二预设区域的宽差值小于预设宽阈值、第一预设区域和第二预设区域的高差值小于预设高阈值以及第一预设区域和第二预设区域的面积差值小于预设面积阈值时,确定部件待测点云不存在贴附缺陷;否则,确定部件待测点云存在贴附缺陷。
在一可实施方式中,点云获取模块410,具体用于:
获取包含有至少一个待测贴附部件的待测点云和获取样本贴附部件的模板点云,其中,模板点云内标记有各个样本贴附部件的标签;
基于点云配准算法和包含有至少一个待测贴附部件的待测点云,将模板点云进行校准,得到校正后的模板点云;
在校正后的模板点云上,确定至少一个样本部件模板点云,并依次将每个样本部件模板点云作为目标部件模板点云。
在一可实施方式中,点云获取模块410,还具体用于:
通过样本贴附部件的原始3D设计图或者通过3D相机拍摄样本贴附部件,确定样本贴附部件的源点云数据;
将样本贴附部件的源点云数据进行建模,得到样本贴附部件的模板点云。
在一可实施方式中,点云获取模块410,还具体用于:
将校正后的模板点云和包含有至少一个待测贴附部件的待测点云进行降维处理,得到降维模板点云和降维待测点云;
在降维模板点云内,确定与目标部件模板点云相对应的降维部件模板点云;
基于邻域最小值法,在降维待测点云内,确定与降维部件模板点云相对应的降维部件点云,并通过降维待测点云和包含有至少一个待测贴附部件的待测点云之间的映射关系,在包含有至少一个待测贴附部件的待测点云上,确定与降维部件点云相对应的待测点云区域作为部件待测点云。
在一可实施方式中,深度图重建模块420,具体用于:
分别获取部件待测点云和目标部件模板点云内各个体素的坐标,其中,坐标包括X值、Y值和Z值;
将部件待测点云内各个体素的X值和Y值作为部件待测深度图的坐标值,并将Z值作为部件待测深度图的像素值,以重建部件待测深度图;
将目标部件模板点云内各个体素的X值和Y值作为目标部件模板深度图的坐标值,并将Z值作为目标部件模板深度图的像素值,以重建目标部件模板深度图。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如缺陷检测方法。例如,在一些实施例中,缺陷检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时,可以执行上文描述的缺陷检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行缺陷检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种缺陷检测方法,其特征在于,所述方法包括:
获取部件待测点云以及获取目标部件模板点云,其中,所述目标部件模板点云为判断所述部件待测点云是否存在贴附缺陷的参考模板点云;
分别将所述部件待测点云和所述目标部件模板点云重建为部件待测深度图和目标部件模板深度图;
通过对所述部件待测深度图和所述目标部件模板深度图进行二值化处理以及Blob分析,确定所述部件待测点云是否存在贴附缺陷。
2.根据权利要求1所述的方法,其特征在于,所述通过对所述部件待测深度图和所述目标部件模板深度图进行二值化处理以及Blob分析,确定所述部件待测点云是否存在贴附缺陷,包括:
基于部件模板点云所对应的深度均值,分别将所述部件待测深度图和目标部件模板深度图进行二值化处理,得到部件待测二值图和目标部件模板二值图;
分别获取所述部件待测二值图内的第一预设区域和所述目标部件模板二值图内的第二预设区域;
将所述第一预设区域和所述第二预设区域的区域信息进行比较,确定所述部件待测点云是否存在贴附缺陷,其中,所述区域信息包含以下至少之一:宽、高以及面积。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一预设区域和所述第二预设区域的区域信息进行比较,确定所述部件待测点云是否存在贴附缺陷,包括:
当所述第一预设区域和所述第二预设区域的宽差值小于预设宽阈值、所述第一预设区域和所述第二预设区域的高差值小于预设高阈值以及所述第一预设区域和所述第二预设区域的面积差值小于预设面积阈值时,确定所述部件待测点云不存在贴附缺陷;否则,确定所述部件待测点云存在贴附缺陷。
4.根据权利要求1或3所述的方法,其特征在于,所述获取目标部件模板点云,包括:
获取包含有至少一个待测贴附部件的待测点云和获取样本贴附部件的模板点云,其中,所述模板点云内标记有各个样本贴附部件的标签;
基于点云配准算法和所述包含有至少一个待测贴附部件的待测点云,将所述模板点云进行校准,得到校正后的模板点云;
在所述校正后的模板点云上,确定至少一个样本部件模板点云,并依次将每个样本部件模板点云作为目标部件模板点云。
5.根据权利要求4所述的方法,其特征在于,所述获取样本贴附部件的模板点云,包括:
通过所述样本贴附部件的原始3D设计图或者通过3D相机拍摄所述样本贴附部件,确定所述样本贴附部件的源点云数据;
将所述样本贴附部件的源点云数据进行建模,得到所述样本贴附部件的模板点云。
6.根据权利要求5所述的方法,其特征在于,所述获取部件待测点云,包括:
将所述校正后的模板点云和所述包含有至少一个待测贴附部件的待测点云进行降维处理,得到降维模板点云和降维待测点云;
在所述降维模板点云内,确定与所述目标部件模板点云相对应的降维部件模板点云;
基于邻域最小值法,在所述降维待测点云内,确定与所述降维部件模板点云相对应的降维部件点云,并通过所述降维待测点云和所述包含有至少一个待测贴附部件的待测点云之间的映射关系,在所述包含有至少一个待测贴附部件的待测点云上,确定与所述降维部件点云相对应的待测点云区域作为部件待测点云。
7.根据权利要求6所述的方法,其特征在于,所述分别将所述部件待测点云和所述目标部件模板点云重建为部件待测深度图和目标部件模板深度图,包括:
分别获取所述部件待测点云和所述目标部件模板点云内各个体素的坐标,其中,所述坐标包括X值、Y值和Z值;
将所述部件待测点云内各个体素的X值和Y值作为所述部件待测深度图的坐标值,并将Z值作为所述部件待测深度图的像素值,以重建所述部件待测深度图;
将所述目标部件模板点云内各个体素的X值和Y值作为所述目标部件模板深度图的坐标值,并将Z值作为所述目标部件模板深度图的像素值,以重建所述目标部件模板深度图。
8.一种缺陷检测装置,其特征在于,所述装置包括:
点云获取模块,用于获取部件待测点云以及获取目标部件模板点云,其中,所述目标部件模板点云为判断所述部件待测点云是否存在贴附缺陷的参考模板点云;
深度图重建模块,用于分别将所述部件待测点云和所述目标部件模板点云重建为部件待测深度图和目标部件模板深度图;
缺陷分析模块,用于通过对所述部件待测深度图和所述目标部件模板深度图进行二值化处理以及Blob分析,确定所述部件待测点云是否存在贴附缺陷。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310172014.0A CN116152208A (zh) | 2023-02-23 | 2023-02-23 | 缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310172014.0A CN116152208A (zh) | 2023-02-23 | 2023-02-23 | 缺陷检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116152208A true CN116152208A (zh) | 2023-05-23 |
Family
ID=86338874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310172014.0A Pending CN116152208A (zh) | 2023-02-23 | 2023-02-23 | 缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152208A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486126A (zh) * | 2023-06-25 | 2023-07-25 | 合肥联宝信息技术有限公司 | 一种模版确定方法、装置、设备及存储介质 |
CN116862898A (zh) * | 2023-07-27 | 2023-10-10 | 小米汽车科技有限公司 | 零部件的缺陷检测方法、装置、存储介质以及电子设备 |
-
2023
- 2023-02-23 CN CN202310172014.0A patent/CN116152208A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486126A (zh) * | 2023-06-25 | 2023-07-25 | 合肥联宝信息技术有限公司 | 一种模版确定方法、装置、设备及存储介质 |
CN116486126B (zh) * | 2023-06-25 | 2023-10-27 | 合肥联宝信息技术有限公司 | 一种模版确定方法、装置、设备及存储介质 |
CN116862898A (zh) * | 2023-07-27 | 2023-10-10 | 小米汽车科技有限公司 | 零部件的缺陷检测方法、装置、存储介质以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116152208A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN112581463A (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
CN115409990B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN115656989A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强*** | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN116486126B (zh) | 一种模版确定方法、装置、设备及存储介质 | |
CN116124081B (zh) | 一种非接触式的工件检测方法、装置、电子设备及介质 | |
CN116205889A (zh) | 偏移检测方法、装置、电子设备及存储介质 | |
CN115035481A (zh) | 一种图像物距融合方法、装置、设备及存储介质 | |
CN114882059A (zh) | 基于图像分析的尺寸测量方法、装置、设备及存储介质 | |
CN115239700A (zh) | 一种脊椎Cobb角测量方法、装置、设备及存储介质 | |
CN115797934B (zh) | 仪表示数方法、装置、电子设备以及存储介质 | |
CN117689660B (zh) | 基于机器视觉的保温杯温度质检方法 | |
CN117557511A (zh) | 一种电子设备缺陷的检测方法、装置及存储介质 | |
CN117764913A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN116777871A (zh) | 一种基于x射线的缺陷检测方法、装置、设备及介质 | |
CN116934714A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN116309587A (zh) | 一种布料瑕疵检测方法、装置、电子设备及存储介质 | |
CN117169806A (zh) | 断码屏电表显示缺陷检测方法、装置、设备及介质 | |
CN116309737A (zh) | 图像配准方法、装置、设备及存储介质 | |
CN117350995A (zh) | 一种产品缺陷检测方法、装置、设备及存储介质 | |
CN117372408A (zh) | 一种设备检测方法、装置、设备及存储介质 | |
CN115661211A (zh) | 一种基于点云的物体检测方法、装置、设备及介质 | |
CN117036282A (zh) | 缺陷检测方法、装置、设备及存储介质 |
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 |