CN116342585A - 一种产品缺陷检测方法、装置、设备及存储介质 - Google Patents
一种产品缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116342585A CN116342585A CN202310551901.9A CN202310551901A CN116342585A CN 116342585 A CN116342585 A CN 116342585A CN 202310551901 A CN202310551901 A CN 202310551901A CN 116342585 A CN116342585 A CN 116342585A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- target product
- product
- defect detection
- 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 88
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000012937 correction Methods 0.000 claims abstract description 37
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 39
- 230000009466 transformation Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000003702 image correction Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 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
- 230000000007 visual effect Effects 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种产品缺陷检测方法、装置、设备及存储介质,包括:获取包含目标产品的基准图像以及待处理图像,所述基准图像中包括正常形态的所述目标产品;根据从所述基准图像及待处理图像中确定出的图像特征点对,对所述待处理图像进行畸变校正,获得校正图像;将所述校正图像与所述基准图像进行比对,根据比对结果对所述目标产品进行缺陷检测。上述技术方案,有效避免了因采集图像畸变而导致的产品缺陷检测失误问题,保证了产品缺陷检测的检测精度,提升了产品缺陷检测的准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种产品缺陷检测方法、装置、设备及存储介质。
背景技术
线扫相机广泛应用于生产流水线平台上的产品表面的缺陷检测。由于线扫相机每次只扫描一条线,因此十分适用于流水线移动的产品。
目前,传统的产品缺陷检测方法,往往通过先预备一张合格的产品图像作为模板图像,在检测时,***会将流水线上实时得到图像与模板图像比较,来检测是否有缺陷。线扫相机在成像时,需要保证传送带的速度能够保持稳定,但采用流水线传送带来传送产品,往往会存在传送带速度抖动或者产品滑动的问题,进一步导致线扫相机成像发生不均匀拉伸或压缩形变。这种形变的图像在与模板图像比对时,很容易发生对应位置平移错位,而发生误判,导致产品缺陷检测失误。
发明内容
本发明提供了一种产品缺陷检测方法、装置、设备及存储介质,有效避免了因采集图像畸变而导致的产品缺陷检测失误问题,保证了产品缺陷检测的检测精度,提升了产品缺陷检测的准确率。
第一方面,本公开实施例提供了一种产品缺陷检测方法,包括:
获取包含目标产品的基准图像以及待处理图像,所述基准图像中包括正常形态的所述目标产品;
根据从所述基准图像及待处理图像中确定出的图像特征点对,对所述待处理图像进行畸变校正,获得校正图像;
将所述校正图像与所述基准图像进行比对,根据比对结果对所述目标产品进行缺陷检测。
第二方面,本公开实施例提供了一种产品缺陷检测装置,包括:
图像获取模块,用于获取包含目标产品的基准图像以及待处理图像,所述基准图像中包括正常形态的所述目标产品;
图像校正模块,用于根据从所述基准图像及待处理图像中确定出的图像特征点对,对所述待处理图像进行畸变校正,获得校正图像;
缺陷检测模块,用于将所述校正图像与所述基准图像进行比对,根据比对结果对所述目标产品进行缺陷检测。
第三方面,本公开实施例提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行上述第一方面实施例提供的产品缺陷检测方法。
第四方面,本公开实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现上述第一方面实施例提供的产品缺陷检测方法。
本发明实施例的一种产品缺陷检测方法、装置、设备及存储介质,通过获取包含目标产品的基准图像以及待处理图像,所述基准图像中包括正常形态的所述目标产品;根据从所述基准图像及待处理图像中确定出的图像特征点对,对所述待处理图像进行畸变校正,获得校正图像;将所述校正图像与所述基准图像进行比对,根据比对结果对所述目标产品进行缺陷检测。上述技术方案,通过将目标产品的待处理图像进行畸变校正,将校正图像与基准图像进行比对来对目标产品进行缺陷检测,有效避免了因采集图像畸变而导致的产品缺陷检测失误问题,保证了产品缺陷检测的检测精度,提升了产品缺陷检测的准确率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种产品缺陷检测方法的流程图;
图2是本发明实施例一提供的一种产品缺陷检测方法中所涉及图像特征点对的示例展示图;
图3是本发明实施例二提供的一种产品缺陷检测方法的流程图;
图4是本发明实施例二提供的一种产品缺陷检测方法中所涉及基准剖分图的示例展示图;
图5是本发明实施例二提供的一种产品缺陷检测方法中所涉及待处理剖分图的示例展示图;
图6是本发明实施例三提供的一种产品缺陷检测装置的结构示意图;
图7是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“基准”和“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种产品缺陷检测方法的流程图,本实施例可适用于对流水线上的零件产品进行缺陷检测的情形,该方法可以由产品缺陷检测装置来执行,该装置可以采用硬件和/或软件的形式实现。
如图1所示,该方法包括:
S101、获取包含目标产品的基准图像以及待处理图像,基准图像中包括正常形态的目标产品。
在本实施例中,目标产品可以理解为经流水线运输,被线扫相机所扫描过的零件产品。基准图像可以理解为目标产品为合格产品时,所采集到的未发生畸变的图像,基准图像中包括正常形态的目标产品。待处理图像可以理解为线扫相机实时采集到的目标产品的图像,待处理图像中的目标产品,可以是正常形态的,也可以是发生畸变的,具体的产品形态根据实际采集到的图像确定,本实施例对此不设限定。
具体的,获取线扫相机传输的包含目标产品为正常形态的基准图像以及包含目标产品的待处理图像。其中,线扫描工业相机是具有高速、高精度技术优势的工业检测专用相机,它可对连续运行在被检测物品的画面进行实时采集,通过图像采集卡将采集图像传送到电子设备来进行图像处理与产品缺陷检测。
S102、根据从基准图像及待处理图像中确定出的图像特征点对,对待处理图像进行畸变校正,获得校正图像。
在本实施例中,图2是本发明实施例一提供的一种产品缺陷检测方法中所涉及图像特征点对的示例展示图,如图2所示,图像特征点对可以理解为基准图像中所包括的目标产品的特征点和待处理图像中所包括的目标产品的特征点组成的特征点对,示例性的,基准图像中的特征点1与待处理图像中的特征点1为一个图像特征点对。其中,特征点可以理解为目标产品的拐角、端点、点、边缘等特征位置。校正图像可以理解为将待处理图像进行畸变校正后形成的正常形状的产品图像。
具体的,从基准图像中确定目标产品的特征点,从待处理图像中确定目标产品的特征点,将基准图像中获取的特征点与待处理图像中获取的特征点按位置对应关系组合为特征点对。根据从基准图像及待处理图像中确定出的图像特征点对,对待处理图像进行畸变校正,将在图像采集过程中产生形变的待处理图像校正为正常形态的产品图像(校正图像)。
S103、将校正图像与基准图像进行比对,根据比对结果对目标产品进行缺陷检测。
在本实施例中,比对结果为校正图像与基准图像进行比对的结果,包括两图像匹配与不匹配两种结果,可以理解的是,若目标产品无异常情况存在,校正图像与基准图像应完全匹配。
具体的,将校正后的正常形态的校正图像与基准图像进行比对,确定其是否能够完全匹配,根据其匹配程度的比对结果,对目标产品进行缺陷检测,确定目标产品是否存在缺陷。
在本实施例中,通过获取包含目标产品的基准图像以及待处理图像,基准图像中包括正常形态的目标产品;根据从基准图像及待处理图像中确定出的图像特征点对,对待处理图像进行畸变校正,获得校正图像;将校正图像与基准图像进行比对,根据比对结果对目标产品进行缺陷检测。上述技术方案,通过将目标产品的待处理图像进行畸变校正,将校正图像与基准图像进行比对来对目标产品进行缺陷检测,有效避免了因采集图像畸变而导致的产品缺陷检测失误问题,保证了产品缺陷检测的检测精度,提升了产品缺陷检测的准确率。
作为实施例的第一可选实施例,在上述实施例基础上,本第一可选实施例还优化增加了:
确定特征非完全匹配的位置信息,根据位置信息确定目标产品中的缺陷位置。
在本实施例中,在将校正图像与基准图像进行比对,根据比对结果对目标产品进行缺陷检测后,若检测结果为特征非完全匹配,可以确定目标产品的待处理图像与基准图像并非完全匹配,说明目标产品存在缺陷。当确定目标产品存在缺陷时,确定出目标产品在校正图像与基准图像中非完全匹配的特征点的位置信息,根据该位置信息确定出目标产品中的缺陷位置并标记,以便于工人检查或修正。
实施例二
图3是本发明实施例二提供的一种产品缺陷检测方法的流程图,本实施例是对上述任一实施例的进一步优化,可适用于对流水线上的零件产品进行缺陷检测的情形,该方法可以由产品缺陷检测装置来执行,该装置可以采用硬件和/或软件的形式实现。
如图3所示,该方法包括:
S201、获取包含目标产品的基准图像以及待处理图像,基准图像中包括正常形态的目标产品。
S202、根据图像特征点对,分别对基准图像及待处理图像进行三角剖分,获得相应的基准剖分图和待处理剖分图。
在本实施例中,图4是本发明实施例二提供的一种产品缺陷检测方法中所涉及基准剖分图的示例展示图,如图4所示,基准剖分图可以理解为根据目标产品的特征点,对基准图像进行三角剖分后所生成的图像。图5是本发明实施例二提供的一种产品缺陷检测方法中所涉及待处理剖分图的示例展示图,如图5所示,待处理剖分图可以理解为根据目标产品的特征点,对待处理图像进行三角剖分后所生成的图像。
具体的,根据目标产品在基准图像与待处理图像中的图像特征点对,分别对基准图像及待处理图像进行三角剖分,生成对应的三角集合,其中,三角剖分后的每个三角区域,都是图像中三个特征点所组合而成的最小三角形区域。根据对基准图像及待处理图像进行三角剖分所生成的三角集合,确定如图4所示的基准图像的基准剖分图和如图5所示的待处理图像的待处理剖分图。
S203、根据基准剖分图及待处理剖分图,对待处理图像进行仿射变换,将仿射变换后形成的图像确定为校正图像。
在本实施例中,根据如图4所示的基准剖分图与如图5所示的待处理剖分图中的各个三角剖分区域,对待处理图像中的各个三角剖分区域一一进行仿射变换,形成变换后的目标产品形态正常的图像,并将该图像确定为校正图像。
S204、将从校正图像中识别出的目标产品与从基准图像中识别出的目标产品进行特征比对。
在本实施例中,从校正图像中识别出校正后的目标产品的特征点及其特征信息,将从校正图像中识别出的目标产品的特征点与从基准图像中识别出的目标产品的特征点进行特征比对,并确定比对结果。其中,比对结果包括特征完全匹配与特征非完全匹配。
S205、如果比对结果为特征完全匹配,则确定校正图像中目标产品为正常产品。
在本实施例中,若比对结果为在对待处理图像进行畸变校正处理后形成的正常形态的校正图像与基准图像中的目标产品特征完全匹配,可以确定校正图像中目标产品为正常产品,并进一步确定该目标产品的实体产品为正常产品。
S206、如果比对结果为特征非完全匹配,则确定校正图像中目标产品为缺陷产品。
在本实施例中,若比对结果为在对待处理图像进行畸变校正处理后形成的正常形态的校正图像与基准图像中的目标产品特征非完全匹配,可以确定校正图像中目标产品为缺陷产品,并进一步确定该目标产品的实体产品存在缺陷。
在本实施例中,通过获取包含目标产品的基准图像以及待处理图像,基准图像中包括正常形态的目标产品;根据图像特征点对,分别对基准图像及待处理图像进行三角剖分,获得相应的基准剖分图和待处理剖分图;根据基准剖分图及待处理剖分图,对待处理图像进行仿射变换,将仿射变换后形成的图像确定为校正图像;将从校正图像中识别出的目标产品与从基准图像中识别出的目标产品进行特征比对;如果比对结果为特征完全匹配,则确定校正图像中目标产品为正常产品;如果比对结果为特征非完全匹配,则确定校正图像中目标产品为缺陷产品。上述技术方案,通过特征点对对待处理图像进行三角剖分,基于剖分后的图像确定待处理图像的校正图像,根据校正图像对目标产品进行缺陷检测。采用上述技术方案,有效避免了因采集图像畸变而导致的产品缺陷检测失误问题,保证了产品缺陷检测的检测精度,提升了产品缺陷检测的准确率。
作为实施例的第一可选实施例,在上述实施例基础上,本第一可选实施例还优化增加了步骤S203、根据基准剖分图及待处理剖分图,对待处理图像进行仿射变换,将仿射变换后形成的图像确定为校正图像的确定步骤,包括:
a1)获取待处理剖分图中包含的畸变三角区域,并从基准剖分图中确定相对畸变三角区域的基准三角区域。
在本实施例中,畸变三角区域可以理解为如图5所示的待处理剖分图中的三角形剖分区域。基准三角区域可以理解为如图4所示的基准剖分图中的三角形剖分区域。
具体的,获取待处理剖分图中三个特征点所组成的三角区域,将其确定为畸变三角区域;获取基准剖分图中三个特征点所组成的三角区域,将其确定为基准三角区域。将根据相同特征点位置(特征点对)所形成的畸变三角区域与基准三角区域确定为三角对,例如基准剖分图中特征点1、4、5所组成的基准三角区域与待处理剖分图中特征点1、4、5所组成的畸变三角区域为一个三角对。
b1)针对每个畸变三角区域,根据畸变三角区域中各顶点的顶点坐标,进行到基准三角区域中相应顶点的仿射变换,获得畸变三角区域仿射变换后各顶点的仿射顶点坐标。
在本实施例中,取根据三角形三个顶点的特征点对所确定的畸变三角区域与基准三角区域,基于上述三个特征点对的六个特征点的顶点坐标,计算映射矩阵获得映射参数a、b、c、d、e、f,在计算映射参数时,(x’,y’)为基准剖分图中基准三角区域的顶点坐标,(x,y)为待处理剖分图中畸变三角区域的顶点坐标。确定映射参数后,根据畸变三角区域中各顶点的顶点坐标以及上述映射矩阵,进行畸变三角区域到基准三角区域中相应顶点的仿射变换,获得畸变三角区域仿射变换后各顶点的仿射顶点坐标。此时,(x’,y’)为变换后的仿射顶点坐标,(x,y)为畸变三角区域中各顶点的顶点坐标。可以理解的是,本实施例中所涉及的坐标,均为像素坐标。
c1)根据各仿射顶点坐标在新建空白图层上复制各畸变三角区域,将完成复制后形成的图像确定为校正图像。
在本实施例中,需要预先准备一张和基准图像尺寸一致的空白图层,在完成步骤b1)中仿射顶点坐标的确定后,根据三个仿射顶点坐标在新建空白图层上建立三角区域,实现完成仿射变换后的畸变三角区域在新建空白图层上的复制。在完成当畸变三角区域的复制后,遍历待处理剖分图,确定是否已完成待处理剖分图中的每一个畸变三角区域在新建空白图层上的复制,若否,返回重新执行步骤b1),直至所有畸变三角区域变换完成;若是,将完成复制后形成的图像确定为校正图像。
在本实施例中,对每个畸变三角区域进行仿射变换,而并非直接对整个待处理图像做仿射变换,能够有效实现对线性相机采样图像的局部畸校正。
作为实施例的第二可选实施例,在上述实施例基础上,本第二可选实施例还优化增加了从基准图像及待处理图像中确定图像特征点对的步骤,包括:
a2)将基准图像及待处理图像分别输入至训练好的特征点提取模型。
在本实施例中,特征点提取模型可以理解为用于根据输入图像进行特征点提取,输出该图像对应的特征点的模型。
具体的,预先对基于深度学习的神经网络进行训练,获得训练完备的特征点提取模型,将基准图像与待处理图像分别输入至训练好的特征点提取模型。
b2)获得特征点提取模型相对基准图像输出的基准特征点集合,以及相对待处理图像输出的待处理特征点集合。
在本实施例中,在模型输入为基准图像时,获得特征点提取模型输出的相对基准图像的基准特征点集合,例如图2所示的14个特征点的基准特征点集合{1,2…13,14};在模型输入为待处理图像时,获得特征点提取模型输出的相对待处理图像的待处理特征点集合,例如图2所示的14个特征点的待处理特征点集合{1,2…13,14}。
c2)将基准特征点集合中特征点与待处理特征点集合进行特征点配对,获得相匹配的图像特征点对。
在本实施例中,将基准特征点集合中的各个特征点与待处理特征点集合中的各个特征点进行配对,获得相匹配的图像特征点对。示例性的,如图2所示,基准图像的特征点1与待处理图像的特征点1为相匹配的特征点对。
实施例三
图6是本发明实施例三提供的一种产品缺陷检测装置的结构示意图。如图6所示,该装置包括:
图像获取模块31,用于获取包含目标产品的基准图像以及待处理图像,所述基准图像中包括正常形态的所述目标产品;
图像校正模块32,用于根据从所述基准图像及待处理图像中确定出的图像特征点对,对所述待处理图像进行畸变校正,获得校正图像;
缺陷检测模块33,用于将所述校正图像与所述基准图像进行比对,根据比对结果对所述目标产品进行缺陷检测。
本技术方案采用的产品缺陷检测装置,通过将目标产品的待处理图像进行畸变校正,将校正图像与基准图像进行比对来对目标产品进行缺陷检测,有效避免了因采集图像畸变而导致的产品缺陷检测失误问题,保证了产品缺陷检测的检测精度,提升了产品缺陷检测的准确率。
可选的,所述图像校正模块32,包括:
剖分处理单元,用于根据所述图像特征点对,分别对所述基准图像及所述待处理图像进行三角剖分,获得相应的基准剖分图和待处理剖分图;
仿射变换单元,用于根据所述基准剖分图及所述待处理剖分图,对所述待处理图像进行仿射变换,将仿射变换后形成的图像确定为所述校正图像。
可选的,所述仿射变换单元,具体用于:
获取所述待处理剖分图中包含的畸变三角区域,并从所述基准剖分图中确定相对所述畸变三角区域的基准三角区域;
针对每个畸变三角区域,根据所述畸变三角区域中各顶点的顶点坐标,进行到所述基准三角区域中相应顶点的仿射变换,获得所述畸变三角区域仿射变换后各顶点的仿射顶点坐标;
根据各所述仿射顶点坐标在新建空白图层上复制各所述畸变三角区域,将完成复制后形成的图像确定为所述校正图像。
进一步的,图像校正模块32,还包括:特征点对确定单元,用于从所述基准图像及待处理图像中确定图像特征点对,所述特征点对确定单元具体用于:
将所述基准图像及所述待处理图像分别输入至训练好的特征点提取模型;
获得所述特征点提取模型相对所述基准图像输出的基准特征点集合,以及相对所述待处理图像输出的待处理特征点集合;
将所述基准特征点集合中特征点与所述待处理特征点集合进行特征点配对,获得相匹配的图像特征点对。
可选的,所述缺陷检测模块33,具体用于:
将从所述校正图像中识别出的目标产品与从所述基准图像中识别出的目标产品进行特征比对;
如果所述比对结果为特征完全匹配,则确定所述校正图像中目标产品为正常产品;
如果所述比对结果为特征非完全匹配,则确定所述校正图像中目标产品为缺陷产品。
可选的,所述装置还包括缺陷位置确定单元,用于确定特征非完全匹配的位置信息,根据所述位置信息确定所述目标产品中的缺陷位置。
本发明实施例所提供的产品缺陷检测装置可执行本发明任意实施例所提供的产品缺陷检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7示出了可以用来实施本发明的实施例的电子设备40的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图7所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40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。
处理器41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。处理器41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处理器、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。处理器41执行上文所描述的各个方法和处理,例如产品缺陷检测方法。
在一些实施例中,产品缺陷检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的产品缺陷检测方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行产品缺陷检测方法。
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)、芯片上***的***(SOC)、负载可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的***和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算***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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种产品缺陷检测方法,其特征在于,包括:
获取包含目标产品的基准图像以及待处理图像,所述基准图像中包括正常形态的所述目标产品;
根据从所述基准图像及待处理图像中确定出的图像特征点对,对所述待处理图像进行畸变校正,获得校正图像;
将所述校正图像与所述基准图像进行比对,根据比对结果对所述目标产品进行缺陷检测。
2.根据权利要求1所述的方法,其特征在于,所述根据从所述基准图像及待处理图像中确定出的图像特征点对,对所述待处理图像进行畸变校正,获得校正图像,包括:
根据所述图像特征点对,分别对所述基准图像及所述待处理图像进行三角剖分,获得相应的基准剖分图和待处理剖分图;
根据所述基准剖分图及所述待处理剖分图,对所述待处理图像进行仿射变换,将仿射变换后形成的图像确定为所述校正图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述基准剖分图及所述待处理剖分图,对所述待处理图像进行仿射变换,将仿射变换后形成的图像确定为所述校正图像,包括:
获取所述待处理剖分图中包含的畸变三角区域,并从所述基准剖分图中确定相对所述畸变三角区域的基准三角区域;
针对每个畸变三角区域,根据所述畸变三角区域中各顶点的顶点坐标,进行到所述基准三角区域中相应顶点的仿射变换,获得所述畸变三角区域仿射变换后各顶点的仿射顶点坐标;
根据各所述仿射顶点坐标在新建空白图层上复制各所述畸变三角区域,将完成复制后形成的图像确定为所述校正图像。
4.根据权利要求1-3任一项所述的方法,其特征在于,从所述基准图像及待处理图像中确定图像特征点对的步骤包括:
将所述基准图像及所述待处理图像分别输入至训练好的特征点提取模型;
获得所述特征点提取模型相对所述基准图像输出的基准特征点集合,以及相对所述待处理图像输出的待处理特征点集合;
将所述基准特征点集合中特征点与所述待处理特征点集合进行特征点配对,获得相匹配的图像特征点对。
5.根据权利要求1所述的方法,其特征在于,所述将所述校正图像与所述基准图像进行比对,根据比对结果对所述目标产品进行缺陷检测,包括:
将从所述校正图像中识别出的目标产品与从所述基准图像中识别出的目标产品进行特征比对;
如果所述比对结果为特征完全匹配,则确定所述校正图像中目标产品为正常产品;
如果所述比对结果为特征非完全匹配,则确定所述校正图像中目标产品为缺陷产品。
6.根据权利要求1所述的方法,其特征在于,还包括:确定特征非完全匹配的位置信息,根据所述位置信息确定所述目标产品中的缺陷位置。
7.一种产品缺陷检测装置,其特征在于,包括:
图像获取模块,用于获取包含目标产品的基准图像以及待处理图像,所述基准图像中包括正常形态的所述目标产品;
图像校正模块,用于根据从所述基准图像及待处理图像中确定出的图像特征点对,对所述待处理图像进行畸变校正,获得校正图像;
缺陷检测模块,用于将所述校正图像与所述基准图像进行比对,根据比对结果对所述目标产品进行缺陷检测。
8.根据权利要求7所述的装置,其特征在于,所述图像校正模块,包括:
剖分处理单元,用于根据所述图像特征点对,分别对所述基准图像及所述待处理图像进行三角剖分,获得相应的基准剖分图和待处理剖分图;
仿射变换单元,用于根据所述基准剖分图及所述待处理剖分图,对所述待处理图像进行仿射变换,将仿射变换后形成的图像确定为所述校正图像。
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计算机程序,所述计算机程序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1-6中任一项所述的一种产品缺陷检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的产品缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551901.9A CN116342585A (zh) | 2023-05-16 | 2023-05-16 | 一种产品缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551901.9A CN116342585A (zh) | 2023-05-16 | 2023-05-16 | 一种产品缺陷检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342585A true CN116342585A (zh) | 2023-06-27 |
Family
ID=86893213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310551901.9A Pending CN116342585A (zh) | 2023-05-16 | 2023-05-16 | 一种产品缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342585A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117119115A (zh) * | 2023-10-23 | 2023-11-24 | 杭州百子尖科技股份有限公司 | 基于机器视觉的校准方法、装置、电子设备及存储介质 |
CN118229686A (zh) * | 2024-05-24 | 2024-06-21 | 苏州高视半导体技术有限公司 | 一种用于检测图案缺陷的方法及相关产品 |
-
2023
- 2023-05-16 CN CN202310551901.9A patent/CN116342585A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117119115A (zh) * | 2023-10-23 | 2023-11-24 | 杭州百子尖科技股份有限公司 | 基于机器视觉的校准方法、装置、电子设备及存储介质 |
CN117119115B (zh) * | 2023-10-23 | 2024-02-06 | 杭州百子尖科技股份有限公司 | 基于机器视觉的校准方法、装置、电子设备及存储介质 |
CN118229686A (zh) * | 2024-05-24 | 2024-06-21 | 苏州高视半导体技术有限公司 | 一种用于检测图案缺陷的方法及相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342585A (zh) | 一种产品缺陷检测方法、装置、设备及存储介质 | |
CN111833303A (zh) | 产品的检测方法、装置、电子设备及存储介质 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
WO2019001164A1 (zh) | 滤光片同心度测量方法及终端设备 | |
US10074551B2 (en) | Position detection apparatus, position detection method, information processing program, and storage medium | |
CN116958145B (zh) | 图像处理方法、装置、视觉检测***及电子设备 | |
CN113362314A (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN115311469A (zh) | 图像标注方法、训练方法、图像处理方法以及电子设备 | |
CN115457152A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN115311624B (zh) | 一种边坡位移监测方法、装置、电子设备及存储介质 | |
CN114734444B (zh) | 一种目标定位方法、装置、电子设备及存储介质 | |
CN115546143A (zh) | 定位晶圆的中心点的方法、装置、存储介质以及电子设备 | |
CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
CN116258714B (zh) | 一种缺陷识别方法、装置、电子设备和存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN117689660B (zh) | 基于机器视觉的保温杯温度质检方法 | |
CN116883488B (zh) | 一种圆形管的中心位置确定方法、装置、设备及介质 | |
CN116182807B (zh) | 一种姿态信息确定方法、装置、电子设备、***和介质 | |
Jinzhuo et al. | Research on Two-step Pointer Meter Recognition Method Based on Yolov7 | |
CN118212175A (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
CN116934714A (zh) | 图像处理方法、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 |