CN116342597A - 一种汽车配件表面电镀加工缺陷检测方法和*** - Google Patents
一种汽车配件表面电镀加工缺陷检测方法和*** Download PDFInfo
- Publication number
- CN116342597A CN116342597A CN202310609436.XA CN202310609436A CN116342597A CN 116342597 A CN116342597 A CN 116342597A CN 202310609436 A CN202310609436 A CN 202310609436A CN 116342597 A CN116342597 A CN 116342597A
- Authority
- CN
- China
- Prior art keywords
- block
- sub
- image
- blocks
- determining
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 143
- 238000012545 processing Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000009713 electroplating Methods 0.000 title claims abstract description 37
- 238000007747 plating Methods 0.000 claims abstract description 136
- 238000009826 distribution Methods 0.000 claims abstract description 118
- 230000002950 deficient Effects 0.000 claims abstract description 80
- 230000005856 abnormality Effects 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 148
- 238000001514 detection method Methods 0.000 claims description 37
- 239000011229 interlayer Substances 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 22
- 238000012797 qualification Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 8
- 238000009928 pasteurization Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 description 36
- 239000004973 liquid crystal related substance Substances 0.000 description 18
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 241000361919 Metaphire sieboldi Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005536 corrosion prevention Methods 0.000 description 2
- 238000004070 electrodeposition Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种汽车配件表面电镀加工缺陷检测方法和***,其中,该方法包括:对待检测汽车配件所对应的表面图像进预处理,得到对应的镀件图;将镀件图均匀划分为多个图像块,并将每一个图像块划分为多个子块;利用子块分层的方式确定每一个图像块对应的图像特征;基于该图像特征确定每一个图像块对应的多层显著度及缺陷概率;筛选缺陷概率大于分割阈值的图像块作为缺陷图像块,并计算缺陷图像块中每一个子块所对应的分布异常度;根据分布异常度确定每一个子块在镀件图中的异常指数;基于该异常指数及分布异常度对每一个缺陷图像块进行聚类处理;基于聚类处理所得到的分类结果,确定该镀件图中的缺陷像素点。
Description
技术领域
本发明涉及图像数据处理领域,特别涉及一种汽车配件表面电镀加工缺陷检测方法和***。
背景技术
电镀是指在电解作用下,在金属制件表面沉积一层金属的方法。其具有防止金属制品腐蚀,修复磨损部分、增加耐用性、反光性、导电性等作用,是汽车金属配件表面加工常见的加工工艺。
电镀加工时受镀液温度波动、PH值波动、加工工艺等因素的影响,会出现膜层厚度不均匀、电镀膜层呈现鳞片状、蚯蚓纹、泡孔、局部氧化、金属基材表面出现缺焊、划痕、气泡等多种类型的缺陷,不仅影响产品质量,同时还会导致产品加工周期延长。
现阶段对汽车配件电镀缺陷的检测通常是通过目视、光学显微镜或者金相显微镜、超声波等技术实现。其中,目视检测的准确率受主观因素的影响较大,检测效率较低;而利用显微镜以及超声波的检测方法只能用于对实时性要求较低的场景中,并且需要专业的仪器操作人员进行,难以满足加工过程中的检测需求。
基于此,有必要研究一种更加科学有效的汽车配件表面电镀加工缺陷检测方法,以满足实际生产需求。
发明内容
本说明书实施例的一个方面提供一种汽车配件表面电镀加工缺陷检测方法,该方法包括:获取待检测汽车配件所对应的表面图像;对所述表面图像进行去噪处理和灰度处理,得到所述待检测汽车配件对应的镀件图;将所述镀件图均匀划分为K个面积为M*M的图像块,并将每一个所述图像块划分成大小为N*N的子块;利用子块分层的方式确定每一个所述图像块所对应的图像特征,所述图像特征包括块间差异度和层间差异度;基于所述图像特征确定每一个所述图像块所对应的多层显著度,其中,所述多层显著度用于表征所述图像块在所述镀件图中的显著程度;根据所述多层显著度确定每一个所述图像块对应的缺陷概率;筛选所述缺陷概率大于分割阈值的图像块作为缺陷图像块,并计算所述缺陷图像块中每一个子块所对应的分布异常度,其中,所述分布异常度用于反映所述缺陷图像块中不同子块之间的像素点纹理特征的分布差异;根据所述分布异常度确定每一个子块在所述镀件图中的异常指数;基于所述异常指数及所述分布异常度确定每一个所述缺陷图像块中不同子块之间的度量距离,并基于所述度量距离对每一个所述缺陷图像块进行聚类处理;基于所述聚类处理所得到的分类结果,确定所述镀件图中的缺陷像素点。
在一些实施例中,所述利用子块分层的方式确定每一个所述图像块所对应的图像特征,包括:对于每一个所述图像块,将对所述图像块进行划分所得到的所述大小为N*N的子块作为所述图像块的基础子块层;按照以上一层子块中四个相邻子块的边缘交点作为下一层子块的中心点的方式,构建所述图像块所对应的多个子块层,其中,每一个所述子块层中所包含的子块具有相同的大小;确定每一个所述子块层中不同子块之间的块间差异度,以及相邻两个子块层之间的层间差异度;将所述块间差异度和所述层间差异度作为所述图像块对应的图像特征。
在一些实施例中,所述确定每一个所述子块层中不同子块之间的块间差异度,以及相邻两个子块层之间的层间差异度,包括:获取所述图像块中每一个像素点所对应的LBP值;基于所述LBP值以及所述LBP值所对应的像素点数量构建所述多个子块层中每一个子块所对应的局部直方图;基于每一个所述子块层中不同子块所对应的局部直方图之间的巴氏距离,以及所述不同子块在下一个子块层中所对应的子块之间的平均巴氏距离,确定每一个所述子块层中不同子块之间的块间差异度;获取所述相邻两个子块层分别对应的第一LBP序列和第二LBP序列;基于所述第一LBP序列和所述第二LBP序列之间的DTW距离,确定所述相邻两个子块层之间的层间差异度。
在一些实施例中,所述基于所述图像特征确定每一个所述图像块所对应的多层显著度,包括:对于每一个目标图像块,基于所述目标图像块对应的所述块间差异度和所述层间差异度,以及所述镀件图所对应的块间差异度均值和层间差异度均值,确定所述目标图像块所对应的多层显著度。
在一些实施例中,所述根据所述多层显著度确定每一个所述图像块对应的缺陷概率,包括:对于每一个目标图像块,计算所述目标图像块所对应的多层显著度与所述镀件图所对应的多层显著度的最小值的第一差值,以及所述镀件图所对应的多层显著度的最大值与所述目标图像块所对应的多层显著度的第二差值;基于所述第一差值与所述第二差值的比值,确定所述目标图像块对应的缺陷概率。
在一些实施例中,所述计算所述缺陷图像块中每一个子块所对应的分布异常度,包括:获取所述缺陷图像块中每一个像素点所对应的HOG特征描述子;依次计算所述基础子块层中每一个子块内每个像素点与中心像素点所对应的HOG特征描述子之间的余弦相似性,并将所述余弦相似性作为每个像素点的特征值;基于所述特征值得到所述缺陷图像块中每一个子块所对应的分布图;对于每一个目标子块,基于所述分布图确定所述目标子块与所述基础子块层中的其他子块之间的分布关联度;计算所述目标子块与所述基础子块层中的其他子块所对应的高斯分布曲线之间的EDR编辑距离;基于所述基础子块层中的子块数量、所述分布关联度以及所述EDR编辑距离,确定所述目标子块所对应的分布异常度。
在一些实施例中,所述基于所述分布图确定所述目标子块与所述基础子块层中的其他子块之间的分布关联度,包括:计算所述目标子块与所述其他子块所对应的分布图中位于相同列的特征值组成的序列之间的第一皮尔逊相关系数,以及所述目标子块与所述其他子块所对应的分布图中位于相同行的特征值组成的序列之间的第二皮尔逊相关系数;基于所述第一皮尔逊相关系数的均值和所述第二皮尔逊相关系数的均值,得到所述目标子块与所述基础子块层中的其他子块之间的分布关联度。
在一些实施例中,所述根据所述分布异常度确定每一个子块在所述镀件图中的异常指数,包括:对于每一个目标子块,计算所述目标子块所在的缺陷图像块中所有个子块对应的第一分布异常度均值,以及所有所述缺陷图像块所包含的所有子块对应的第二分布异常度均值;基于所述目标子块对应的分布异常度与所述第一分布异常度均值之间的第一差值,以及所述第一分布异常度均值与所述第二分布异常度均值之间的第二差值,确定所述目标子块在所述镀件图中的异常指数。
在一些实施例中,所述方法还包括:基于所述缺陷像素点,确定所述镀件图中的一个或多个缺陷区域;确定所述一个或多个缺陷区域分别对应的最小外接矩形;基于所有所述最小外接矩形的面积之和以及所述镀件图所对应的总面积,确定所述待检测汽车配件所对应的电镀合格率。
本说明书实施例的另一个方面还提供一种汽车配件表面电镀加工缺陷检测***,该***包括:获取模块,用于获取待检测汽车配件所对应的表面图像;预处理模块,用于对所述表面图像进行去噪处理和灰度处理,得到所述待检测汽车配件对应的镀件图;图像划分模块,用于将所述镀件图均匀划分为K个面积为M*M的图像块,并将每一个所述图像块划分成大小为N*N的子块;图像特征确定模块,用于利用子块分层的方式确定每一个所述图像块所对应的图像特征,所述图像特征包括块间差异度和层间差异度;多层显著度确定模块,用于基于所述图像特征确定每一个所述图像块所对应的多层显著度,其中,所述多层显著度用于表征所述图像块在所述镀件图中的显著程度;缺陷概率确定模块,用于根据所述多层显著度确定每一个所述图像块对应的缺陷概率;分布异常度确定模块,用于筛选所述缺陷概率大于分割阈值的图像块作为缺陷图像块,并计算所述缺陷图像块中每一个子块所对应的分布异常度,其中,所述分布异常度用于反映所述缺陷图像块中不同子块之间的像素点纹理特征的分布差异;异常指数确定模块,用于根据所述分布异常度确定每一个子块在所述镀件图中的异常指数;聚类模块,用于基于所述异常指数及所述分布异常度确定每一个所述缺陷图像块中不同子块之间的度量距离,并基于所述度量距离对每一个所述缺陷图像块进行聚类处理;缺陷像素点确定模块,用于基于所述聚类处理所得到的分类结果,确定所述镀件图中的缺陷像素点。
本说明书实施例所提供的汽车配件表面电镀加工缺陷检测方法和***可能带来的有益效果至少包括:(1)通过利用图像识别的方式来对汽车配件进行表面电镀加工缺陷检测,可以提高缺陷检测的检测效率和实时性;(2)通过利用子块分层的方式确定待检测汽车配件所对应的镀件图中每一个图像块所对应的图像特征,然后基于该图像特征确定每一个图像块所对应的多层显著度,可以充分利用子块之间的相似性和子块的空间关系来表征镀件图中任意空间位置的图像块中的细微特征,从而提高图像块显著程度的检测精度;(3)通过根据图像块中不同子块内像素点的纹理分布特征来构建分布异常度,可以充分考虑子块中像素点的局部纹理分布以及不同方向的纹理特征,由此,可以针对任意大小的缺陷区域内的像素点得到精准的评价指标,从而可以提高后续聚类处理的准确率。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说,通过查阅以下内容和附图将变得显而易见,或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的汽车配件表面电镀加工缺陷检测***的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的汽车配件表面电镀加工缺陷检测***的示例性模块图;
图3是根据本说明书一些实施例所示的汽车配件表面电镀加工缺陷检测方法的示例性流程图;
图4是根据本说明书一些实施例所示的示例性子块分层方法的的分层原理示意图;
图5是根据本说明书一些实施例所示的示例性局部直方图;
图6是根据本说明书一些实施例所示的示例性分布图;
图7是根据本说明书另一些实施例所示的汽车配件表面电镀加工缺陷检测方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,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将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
汽车配件是指安装在汽车上的各种零部件和装置,包括发动机配件、车身配件、内饰配件等。目前,对于汽车配件电镀缺陷的检测,通常是通过目视、光学显微镜或者金相显微镜、超声波等技术来实现。但是,由于目视检测的准确率受主观因素的影响较大,检测效率低,而利用显微镜或超声波的检测方法只能用于对实时性要求低的场景中,并且需要专业的仪器操作人员进行,因此,目前所使用的检测手段均难以满足加工过程中的检测需求。
基于以上技术问题,本说明书提供一种基于图像识别的汽车配件表面电镀加工缺陷检测方法和***,其通过利用图像识别的方式来对汽车配件进行表面电镀加工缺陷检测,可以提高缺陷检测的检测效率和实时性。此外,在本说明书所提供汽车配件表面电镀加工缺陷检测方法和***中,还利用多种图像处理算法来对待检测汽车配件所对应的镀件图进行处理,从而提高图像特征的识别精度以及电镀加工缺陷识别的准确度。
下面结合附图对本说明书实施例提供的方法和***进行详细说明。
图1是根据本说明书一些实施例所示的汽车配件表面电镀加工缺陷检测***的示例性应用场景示意图。
参照图1,在一些实施例中,汽车配件表面电镀加工缺陷检测***的应用场景100可以包括图像采集装置110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如,图像采集装置110可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。又例如,存储设备120可以与处理设备130直接连接或通过网络150连接。又例如,终端设备140可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。
图像采集装置110可以用于获取汽车配件电镀后的表面图像,该表面图像可以反映出汽车配件的电镀质量以及电镀后存在的电镀加工缺陷(例如,电镀膜层呈现鳞片状、蚯蚓纹、泡孔、局部氧化、金属基材表面出现缺焊、划痕、气泡等)。在一些实施例中,该表面图像可以为RGB图像。在一些实施例中,图像采集装置110可以包括CCD(Charge-CoupledDevice)相机、CMOS(Complementary Metal-Oxide-Semiconductor)相机等。在一些实施例中,为了确保该表面图像的采集质量,可以优选工业CCD相机。在一些实施例中,该图像采集装置110可以设置在汽车配件加工的电镀区域,并在该汽车配件放入电镀液中达到预设时间(例如5分钟、10分钟或其他时间)后对其进行图像采集。在一些实施例中,该图像采集装置110也可以设置在汽车配件电镀加工的检测区域,其可以在该汽车配件完成电镀后对待检测的汽车配件进行图像采集,以检测该汽车配件中所存在的电镀加工缺陷。在一些实施例中,图像采集装置110可以具有独立的电源,其可以通过有线或无线(例如蓝牙、WiFi等)的方式将针对待检测汽车配件采集的表面图像发送给应用场景100中的其他部件(例如,存储设备120、处理设备130、终端设备140)。在一些实施例中,应用场景100中可以包括多个(例如两个及以上)图像采集装置110,该多个图像采集装置110可以从不同的视角对待检测汽车配件进行表面图像采集。
在一些实施例中,图像采集装置110可以通过网络150将其采集的表面图像发送至存储设备120、处理设备130、终端设备140等。在一些实施例中,可以通过处理设备130对图像采集装置110所采集的表面图像进行处理。例如,处理设备130可以基于该表面图像确定待检测汽车配件的镀件图中电镀加工缺陷所对应的缺陷像素点。在一些实施例中,处理设备130处理得到的数据可以发送至存储设备120进行存储,或者发送至终端设备140以反馈给用户(例如质检人员或相关工作人员)。
网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,图像采集装置110、存储设备120、处理设备130、终端设备140)可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备130可以通过网络150从图像采集装置110和/或存储设备120获得针对机房设备采集的表面图像。又例如,处理设备130可以通过网络150从终端设备140获得用户操作指令,示例性的操作指令可以包括但不限于调阅针对待检测配件采集的表面图像,读取基于该表面图像确定的待检测汽车配件的镀件图中电镀加工缺陷所对应的缺陷像素点和/或待检测汽车配件所对应的电镀合格率等。
在一些实施例中,网络150可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络150可以包括至少一个网络接入点,应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。
存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备120可以存储从图像采集装置110、处理设备130和/或终端设备140获得的数据。例如,存储设备120可以存储图像采集装置110采集的表面图像;又例如,存储设备120可以存储处理设备130计算得到的待检测汽车配件的镀件图中电镀加工缺陷所对应的缺陷像素点和/或待检测汽车配件所对应的电镀合格率。在一些实施例中,存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件(例如,图像采集装置110、处理设备130、终端设备140)通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中,存储设备120可以与应用场景100中的一个或以上组件(例如,图像采集装置110、终端设备140)直接连接或通信。在一些实施例中,存储设备120可以是图像采集装置110和/或处理设备130的一部分。
处理设备130可以处理从图像采集装置110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中,处理设备130可以从图像采集装置110、存储设备120或终端设备140中任意一个或多个获得表面图像,通过对该表面图像进行处理以确定待检测汽车配件的镀件图中电镀加工缺陷所对应的缺陷像素点,并进一步计算得到待检测汽车配件所对应的电镀合格率。在一些实施例中,处理设备130可以从存储设备120获取预先存储的计算机指令,并执行该计算机指令以实现本说明书所描述的汽车配件表面电镀加工缺陷检测方法。
在一些实施例中,处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备130可以是本地或远程的。例如,处理设备130可以通过网络150从图像采集装置110、存储设备120和/或终端设备140访问信息和/或数据。又例如,处理设备130可以直接连接到图像采集装置110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括图像采集装置110采集的数据、存储设备120存储的数据、处理设备130处理得到的待检测汽车配件的镀件图中电镀加工缺陷所对应的缺陷像素点等。例如,终端设备140接收和/或显示的数据可以包括图像采集装置110采集的表面图像、处理设备130基于该表面图像确定的待检测汽车配件的镀件图中电镀加工缺陷所对应的缺陷像素点和/或待检测汽车配件所对应的电镀合格率等。所述发送的数据可以包括用户(例如质检人员或相关工作人员)的输入数据和指令等。例如,终端设备140可以将用户输入的操作指令通过网络150发送给图像采集装置110,以控制图像采集装置110进行相应的图像采集。又例如,终端设备140可以将用户输入的数据处理指令通过网络150发送给处理设备130。
在一些实施例中,终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如,移动设备141可以包括移动电话、个人数字助理(PDA)、专用移动终端等或其任意组合。在一些实施例中,终端设备140可以包括输入设备(如键盘、触摸屏)、输出设备(如显示器、扬声器)等。在一些实施例中,处理设备130可以是终端设备140的一部分。
应当注意的是,上述有关应用场景100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,图像采集装置110的可以包括更多或更少的功能组件。
图2是根据本说明书一些实施例所示的汽车配件表面电镀加工缺陷检测***的模块示意图。在一些实施例中,图2所示的汽车配件表面电镀加工缺陷检测***200可以以软件和/或硬件的方式应用到图1所示的应用场景100,例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于对图像采集装置110所采集的表面图像进行处理,并基于该表面图像确定待检测汽车配件的镀件图中电镀加工缺陷所对应的缺陷像素点和/或待检测汽车配件所对应的电镀合格率。
参照图2,在一些实施例中,汽车配件表面电镀加工缺陷检测***200可以包括获取模块210、预处理模块220、图像划分模块230、图像特征确定模块240、多层显著度确定模块250、缺陷概率确定模块260、分布异常度确定模块270、异常指数确定模块280、聚类模块290以及缺陷像素点确定模块2100。
获取模块210可以用于获取待检测汽车配件所对应的表面图像。
预处理模块220可以用于对所述表面图像进行去噪处理和灰度处理,得到所述待检测汽车配件对应的镀件图。
图像划分模块230可以用于将所述镀件图均匀划分为K个面积为M*M的图像块,并将每一个所述图像块划分成大小为N*N的子块。
图像特征确定模块240可以用于利用子块分层的方式确定每一个所述图像块所对应的图像特征,所述图像特征包括块间差异度和层间差异度。
多层显著度确定模块250可以用于基于所述图像特征确定每一个所述图像块所对应的多层显著度,其中,所述多层显著度用于表征所述图像块在所述镀件图中的显著程度。
缺陷概率确定模块260可以用于根据所述多层显著度确定每一个所述图像块对应的缺陷概率。
分布异常度确定模块270可以用于筛选所述缺陷概率大于分割阈值的图像块作为缺陷图像块,并计算所述缺陷图像块中每一个子块所对应的分布异常度,其中,所述分布异常度用于反映所述缺陷图像块中不同子块之间的像素点纹理特征的分布差异。
异常指数确定模块280可以用于根据所述分布异常度确定每一个子块在所述镀件图中的异常指数。
聚类模块290可以用于基于所述异常指数及所述分布异常度确定每一个所述缺陷图像块中不同子块之间的度量距离,并基于所述度量距离对每一个所述缺陷图像块进行聚类处理。
缺陷像素点确定模块2100可以用于基于所述聚类处理所得到的分类结果,确定所述镀件图中的缺陷像素点。
继续参照图2,在一些实施例中,汽车配件表面电镀加工缺陷检测***200还可以包括缺陷区域确定模块2110以及电镀合格率确定模块2120。其中,缺陷区域确定模块2110可以用于基于缺陷像素点,确定所述镀件图中的一个或多个缺陷区域;电镀合格率确定模块2120可以用于确定所述一个或多个缺陷区域分别对应的最小外接矩形并基于所有所述最小外接矩形的面积之和以及所述镀件图所对应的总面积,确定待检测汽车配件所对应的电镀合格率。
关于上述各个模块的更多细节可以参照本说明书的其他位置(例如图3~图7部分及其相关描述),此处不再赘述。
应当理解,图2所示的汽车配件表面电镀加工缺陷检测***200及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,上述关于汽车配件表面电镀加工缺陷检测***200的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。可以理解,对于本领域的技术人员来说,可以根据本说明书的描述,在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,图2中所述的获取模块210、预处理模块220、图像划分模块230、图像特征确定模块240、多层显著度确定模块250、缺陷概率确定模块260、分布异常度确定模块270、异常指数确定模块280、聚类模块290、缺陷像素点确定模块2100、缺陷区域确定模块2110以及电镀合格率确定模块2120可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。在一些实施例中,前述各个模块可以是处理设备130和/或终端设备140的一部分。
图3是根据本说明书一些实施例所示的汽车配件表面电镀加工缺陷检测方法的示例性流程图。在一些实施例中,方法300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中,图3所示的汽车配件表面电镀加工缺陷检测方法的流程图300中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如,方法300可以以指令的形式存储在存储设备120中,并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。
参照图3,在一些实施例中,汽车配件表面电镀加工缺陷检测方法的方法300可以包括:
步骤310,获取待检测汽车配件所对应的表面图像。在一些实施例中,步骤310可以由获取模块210执行。
在一些实施例中,图像采集装置110可以对电镀后的待检测汽车配件进行表面图像采集,并将采集得到的表面图像存储在存储设备120中。获取模块210可以从该存储设备120中获取待检测汽车配件所对应的表面图像。
需要说明的是,在一些实施例中,同一个待检测汽车配件可以对应一张或多张表面图像。在一些实施例中,当同一个待检测汽车配件对应于多张表面图像时,该多张表面图像可以通过多个图像采集设备110从不同的视角采集得到。
步骤320,对所述表面图像进行去噪处理和灰度处理,得到所述待检测汽车配件对应的镀件图。在一些实施例中,步骤320可以由预处理模块220执行。
在一些实施例中,为了提高待检测汽车配件所对应的表面图像的图像质量,消除电镀过程中的环境干扰,预处理模块220可以利用双边滤波去噪技术对该表面图像进行去噪处理。其中,双边滤波去噪技术为公知技术,本说明书中不再对其具体过程进行详细说明。
进一步地,预处理模块220还可以对去噪处理后的表面图像的进行灰度化处理,得到待检测汽车配件对应的镀件图。可以理解,在本说明书中,对去噪处理后的表面图像的进行灰度化处理是指将RGB图像转化为灰度图像的一个过程,该过程可以简化图像分析和处理的复杂度,同时也能够保留图像中的主要特征信息,有利于后续的分析和处理。
步骤330,将所述镀件图均匀划分为K个面积为M*M的图像块,并将每一个所述图像块划分成大小为N*N的子块。在一些实施例中,步骤330可以由图像划分模块230执行。
在一些实施例中,图像划分模块230可以将前述镀件图均匀划分为K个面积为M*M的图像块,并将每一个所述图像块划分成大小为N*N的子块,以便于后续过程中对该镀件图进行特征识别。其中,K和N可以为大于或等于2的整数,M可以为大于或等于4的整数。
需要说明的是,在本说明书中,该图像块的面积可以指像素面积,换言之,即前述面积为M*M的图像块可以指该图像块中包含M*M个像素点,也即该图像块包含M行和M列像素点,其中每一行或每一列均包含M个像素点。类似地,在本说明书中,子块的大小也可以指该子块的像素尺寸,例如,大小为N*N的子块可以指该子块包含N*N个像素点,也即该子块包含N行和N列像素点,其中每一行或每一列均包含N个像素点。可以理解,在本说明书中,由于子块为图像块的一部分,因此前述N值应当小于M值。在一些实施例中,前述M值可以是N值的整数倍。
步骤340,利用子块分层的方式确定每一个所述图像块所对应的图像特征。在一些实施例中,步骤340可以由图像特征确定模块240执行。
汽车配件镀前处理不良或者电镀液中的成分比例不正常等因素会导致汽车配件镀层结合不良、电沉积度不均匀,从而出现“鱼鳞状”等现象,这些不均匀的电沉积度区域在后续加工过程中容易受到冲刷等影响形成不规则的爬行纹或蚯蚓纹。
在一些实施例中,可以利用图像金字塔(Image Pyramid)获取图像特征,但是,考虑到当金字塔高层的直方图统计区域过小时,对图像描述的鲁棒性会较差,而当直方图统计区域过大时,容易忽略细微特征。因此,在本说明书的一些实施例中,为了避免以上问题,可以在将前述镀件图划分为K个面积为M*M的图像块,并在将每一个图像块划分成大小为N*N的子块后,利用子块分层的方式确定每一个图像块所对应的图像特征。
需要说明的是,在本说明书中,利用子块分层的方式确定每一个所述图像块所对应的图像特征可以理解为将每一个图像块所包含的多个子块按照一定的规则划分为多个(例如两个或两个以上)层次,然后再基于该多个层次之间的特征关系来确定该图像块的图像特征。
图4是根据本说明书一些实施例所示的示例性子块分层方法的的分层原理示意图。参照图4,在一些实施例中,对于每一个目标图像块400,可以将每一个目标图像块划分为w*w(w*N=M)个大小为N*N的子块,然后将该w*w个大小为N*N的子块作为该目标图像块400的基础子块层410(图4中的灰色层),然后按照以上一层子块中四个相邻子块的边缘交点450作为下一层子块的中心点的方式,构建该目标图像块所对应的多个子块层。例如,以基础子块层410中四个相邻子块的边缘交点450作为中心点,可以得到(w-1)*(w-1)个交点,得到所有交点后,以每个交点作为中心点构建大小为N*N的子块得到第二子块层420(图4中的白色层),类似地,以第二子块层420中四个相邻子块的边缘交点450作为中心点,可以得到(w-2)*(w-2)个交点,得到所有交点后,以每个交点作为中心点构建大小为N*N的子块得到第三子块层430(图4中的黑色层)。以此类推,可以构建得到更多的子块层。
需要说明的是,在一些实施例中,每一个子块层中所包含的子块可以具有相同或不同的大小,具体而言,即除基础子块层410以外的其他子块层中的子块的大小可以为N*N,也可以是其他尺寸(例如大于N*N或小于N*N)。
进一步地,图像特征确定模块240可以确定每一个子块层中不同子块之间的块间差异度,以及相邻两个子块层之间的层间差异度,然后将该块间差异度和层间差异度作为目标图像块400对应的图像特征。
可以理解,如果目标图像块400中不存在缺陷,每一个子块层内、相邻不同子块层内像素点的图像特征可以视为几乎是一致的,例如灰度值的大小是非常接近的。相反,如果目标图像块400中存在上述蚯蚓纹等缺陷,子块内像素点的图像特征会存在一定的差异,例如像素点灰度值的分布方差较大,不同区域内的图像纹理存在不同等。
基于此,在一些实施例中,图像特征确定模块240可以确定每一个子块层中不同子块之间的块间差异度,以及相邻两个子块层之间的层间差异度,然后通过该块间差异度和层间差异度来反映目标图像块400对应的图像特征。
具体地,在一些实施例中,为了确定前述块间差异度和层间差异度,可以获取目标图像块400中每一个像素点所对应的LBP(Local Binary Patterns)值,然后基于该LBP值以及每一个LBP值所对应的像素点数量构建多个子块层中每一个子块所对应的局部直方图。
图5是根据本说明书一些实施例所示的示例性局部直方图。参照图5,其中,横坐标
表示像素点所对应的LBP值,纵坐标表示与LBP值对应的像素点数量。、为子
块所包含的所有像素点中LBP值的最大值和最小值,N2和N1分别为和对应的
像素点数量。
进一步地,图像特征确定模块240可以基于每一个子块层中不同子块所对应的局
部直方图之间的巴氏距离(Bhattacharyya Distance),以及该不同子块在下一个子块层中
所对应的子块之间的平均巴氏距离,确定每一个子块层中不同子块之间的块间差异度。其
中,该不同子块在下一个子块层中所对应的子块是指子块中心点在下一个子块层中对应的
子块,例如,子块a的中心点为子块、、、边缘线的交点,则、、、即为子块a
在下一个子块层中所对应的子块。
在一些实施例中,前述块间差异度可以表示如下(参照公式1):
其中,是同一个子块层中子块a、b之间的块间差异度,、分别为子块a和子
块b在下一个子块层中对应的第i个子块,n是子块a和子块b在下一个子块层中对应的子块
的数量(本说明书中n的大小可以根据经验值设定为4)。、、、分别是子块a、b、、对应的局部直方图,是局部直方图、之间的巴氏距离,是局部直
方图、之间的巴氏距离。在本说明书中,的值越小,说明子块a、b之间的图像特征越
相似。
进一步地,图像特征确定模块240还可以获取相邻两个子块层分别对应的第一LBP序列和第二LBP序列,然后基于该第一LBP序列和第二LBP序列之间的DTW(Dynamic TimeWarping)距离,确定相邻两个子块层之间的层间差异度。其中,第一LBP序列和第二LBP序列是指将子块层中各个子块所包含的像素点对应的LBP值按照像素点的位置信息进行排列所构成的序列。
在一些实施例中,该层间差异度可以表示如下(参照公式2):
其中,表示图像块中第j个子块层与第j+1个子块层之间的层间差异度,、分别为第j个子块层和第j+1个子块层中各个子块所包含的像素点对应
的LBP值按照像素点的位置信息进行排列构成的序列(即前述第一LBP序列和第二LBP序
列),为第一LBP序列和第二LBP序列之间的DTW
距离。在本说明书中,的值越小,说明图像块中不同子块层之间的图像特征差异
越小,像素点之间的相似性越大。在一些实施例中,可以将图像块所对应的多个子块中的相
邻两个子块层之间的层间差异度的均值作为该目标图像块所对应的层间差异度。
步骤350,基于所述图像特征确定每一个所述图像块所对应的多层显著度。在一些实施例中,步骤350可以由多层显著度确定模块250执行。
在确定前述块间差异度和层间差异度之后,多层显著度确定模块250可以基于该块间差异度和层间差异度确定每一个图像块所对应的多层显著度。
具体地,在一些实施例中,图像块所对应的多层显著度可以表示如下(参照公式3):
在本说明书中,该多层显著度可以反映每个图像块在镀件图中的显著程度。具体
地,子块a、b之间的图像特征越相似、的值越小,子块相邻空间内的图像信息越相
似,相邻子块之间的差异越小,的值越小,即的值越小,子块a、b之间的图像特
征越相似;图像块A不同层之间的图像特征差异越小,子块分层结果中相邻层之间的像素点
的差异越小,的值越小;图像块A中子块之间差异度与镀件图中其余图像块的区
别越大,的值越大,的值越大,则的值越大,图像块A在镀件图中
的显著性越强。
需要说明的是,在本说明书中,由于该多层显著度考虑了图像块不同层之间以及同层不同子块之间的差异度,因此,可以利用子块之间的相似性和子块的空间关系来表征镀件图中任意空间位置的图像块中的细微特征,从而可以提高图像块显著程度的检测精度。
步骤360,根据所述多层显著度确定每一个所述图像块对应的缺陷概率。在一些实施例中,步骤360可以由缺陷概率确定模块260执行。
由于包含缺陷的图像块与正常图像块的多层显著度之间会明显不同,因此,在一些实施例中,可以根据图像块所对应的多层显著度确定每一个图像块对应的缺陷概率。该缺陷概率可以反映每一个图像块中包含缺陷的概率。
在一些实施例,该缺陷概率可以基于如下公式计算得到(参照公式4):
其中,为图像块A对应的缺陷概率,和分别是待检测汽车配件所对应的
镀件图中所有图像块所对应的多层显著度的最大值和最小值。为调参因子,的作用是
防止与相等时分母为0,在一些实施例中,的大小可以根据经验值设定为0.001或
其他数值。在公式4中,的值越大,则表示图像块A中存在缺陷的概率越大。
具体而言,在一些实施例中,对于每一个目标图像块A,可以计算目标图像块所A对
应的多层显著度()与镀件图所对应的多层显著度的最小值()的第一差值,以及镀件
图所对应的多层显著度的最大值()与目标图像块A所对应的多层显著度()的第二差
值,然后基于该第一差值与第二差值的比值(),确定目标图像块A对应的缺陷概
率。通过上述公式4进行计算,可以分别得到镀件图所包含的K个图像块对应的缺陷概率。
步骤370,筛选所述缺陷概率大于分割阈值的图像块作为缺陷图像块,并计算所述缺陷图像块中每一个子块所对应的分布异常度。在一些实施例中,步骤370可以由分布异常度确定模块270执行。
在一些实施例中,可以通过Otsu(最大类间方差)算法确定镀件图包含的K个图像块所对应的缺陷概率的分割阈值,然后将缺陷概率大于该分割阈值的图像块认为是可能存在缺陷的缺陷图像块。其中,Otsu算法为公知技术,本说明书中不再对其具体过程进行详细介绍。
在一些实施例中,针对可能存在缺陷的每一个缺陷图像块,分布异常度确定模块270可以获取该缺陷图像块中每一个像素点所对应的HOG(Histogram of OrientedGradients)特征描述子,然后依次计算基础子块层中每一个子块内每个像素点与该子块的中心像素点所对应的HOG特征描述子之间的余弦相似性,并将该余弦相似性所对应的值作为每个像素点的特征值,得到该缺陷图像块中每一个子块所对应的分布图。
图6是根据本说明书一些实施例所示的示例性分布图。参照图6,其中610可以表示缺陷图像块中的其中一个子块,620可以表示该子块610所对应的分布图。
进一步地,对于该缺陷图像块的中每一个目标子块,分布异常度确定模块270可以基于前述分布图确定该目标子块与该缺陷图像块的基础子块层中的其他子块之间的分布关联度。
在一些实施例中,该分布关联度可以表示如下(参照公式5):
其中,为子块a和子块b之间的分布关联度,子块b是与子块a在同一子块层中的
第b个子块,、分别是子块a和子块b对应的分布图,N是分布图的尺度(即分布图中所包
含的特征值的行数和列数),是子块a和b所对应的分布图、中第列特征值组
成的序列之间的皮尔逊相关系数,是子块a和b所对应的分布图、中第 h行特
征值组成序列之间的皮尔逊相关系数。
具体而言,在本说明书实施例中,分布异常度确定模块270可以计算目标子块与同
一子块层中其他子块所对应的分布图中位于相同列的特征值组成的序列之间的第一皮尔
逊相关系数(),以及该目标子块与同一子块层中其他子块所对应的分布图中位于
相同行的特征值组成的序列之间的第二皮尔逊相关系数(),然后基于该第一皮尔
逊相关系数的均值()和第二皮尔逊相关系数的均值(),得到目标子
块与基础子块层中的其他子块之间的分布关联度。
进一步地,分布异常度确定模块270还可以计算该目标子块与该缺陷图像块的基
础子块层中的其他子块所对应的高斯分布曲线之间的EDR编辑距离(Edit Distance on
Real sequence)。其中,该高斯分布曲线可以根据子块中所有像素点特征值的均值和方
差得到。
最后,分布异常度确定模块270可以基于所述基础子块层中的子块数量、所述分布关联度以及所述EDR编辑距离,确定所述目标子块所对应的分布异常度。
在一些实施例中,目标子块所对应的分布异常度可以表示如下(参照公式6):
其中,表示目标子块a的分布异常度,m是缺陷图像块中基础子块层的子块数量,、分别是目标子块a和子块b的高斯分布曲线,子块b为与目标子块a位于同一子块层(基
础子块层)中的不同子块,是高斯分布曲线、之间的EDR编辑距离。
在本说明书中,该分布异常度可以反映缺陷图像块中不同子块之间像素点纹理特
征的分布差异。分布图中每一行元素或每一列元素组成序列之间的差异越大,、的值越小,的值越小;子块中像素点局部纹理之间的分布差异越大,相应的高
斯分布曲线相似度越低,的值越小,即的值越小,目标子块a与同一子块层中的
其他子块之间的关联度越小。通过上述公式6,可以得到前述缺陷图像块中所有子块对应的
分布异常度。
需要说明的是,在本说明书实施例中,由于该分布异常度考虑子块中像素点的局部纹理分布以及不同方向的纹理特征,因此,可以针对任意大小的缺陷区域内的像素点获得精准的评价指标,从而提高后续分类精度。
步骤380,根据所述分布异常度确定每一个子块在所述镀件图中的异常指数。在一些实施例中,步骤380可以由异常指数确定模块280执行。
对于存在缺陷的子块而言,无论子块中包含的是缺陷中的哪一类,其与正常子块之间都会具有较大的差异,并且,所有存在缺陷的子块在镀件图中都是较为显著的。基于此,在一些实施例中,可以基于前述分布异常度确定每一个子块在镀件图中的异常指数。
在一些实施例中,该异常指数可以表示如下(参照公式7):
步骤390,基于所述异常指数及所述分布异常度确定每一个所述缺陷图像块中不同子块之间的度量距离,并基于所述度量距离对每一个所述缺陷图像块进行聚类处理。在一些实施例中,步骤390可以由聚类模块290执行。
在确定前述异常分布度和异常指数之后,可以基于该异常指数和分布异常度确定每一个缺陷图像块中不同子块之间的距离。在一些实施例中,该距离可以为欧式距离。示例性地,在一些实施例中,缺陷图像块中不同子块p和q之间的距离可以表示如下(参照公式8):
进一步地,聚类模块290可以将该距离作为k-means聚类算法中的度量距离D,
从而对缺陷图像块中的各个子块进行聚类处理。在一些实施例中,k-means聚类算法中的k
值可以根据经验值设定为2,换言之,即在聚类过程中,聚类簇的数量可以为2。
需要说明的是,以上关于k值的说明仅为示例性说明,在一些其他实施例中,k可以设定为其他值。还需要说明的是,在本说明书中,以上欧式距离、EDR编辑距离、DTW距离、巴氏距离等均为用于表征相似性的参数,在一些实施例中,不同步骤中所使用的距离可以进行相互替换,或者可以使用其他的距离算法进行计算。
步骤3100,基于所述聚类处理所得到的分类结果,确定所述镀件图中的缺陷像素点。在一些实施例中,步骤3100可以由缺陷像素点确定模块2100执行。
在通过聚类模块290对缺陷图像块中的各个子块进行聚类处理后,可以将缺陷图像块中表征缺陷的像素点与正常像素点划分在不同的聚类簇中。其中,异常指数最大值所在的聚类簇即为缺陷像素点所对应的聚类簇。基于此,缺陷像素点确定模块2100可以将异常指数最大值所在的聚类簇中的像素点确定为镀件图中的缺陷像素点。
图7是根据本说明书另一些实施例所示的汽车配件表面电镀加工缺陷检测方法的示例性流程图。参照图7,在一些实施例中,前述汽车配件表面电镀加工缺陷检测方法的方法300还可以包括:
步骤3110,基于缺陷像素点,确定镀件图中的一个或多个缺陷区域。在一些实施例中,步骤3110可以由缺陷区域确定模块2110执行。
在通过前述步骤确定出每一个缺陷图像块中的缺陷像素点后,缺陷区域确定模块2110可以获取所有缺陷图像块中的所有缺陷像素点,并基于各个缺陷像素点在镀件图中的相对位置关系,确定出一个或多个缺陷区域。示例性地,在一些实施例中,缺陷区域确定模块2110可以分别将每一个缺陷图像块中的缺陷像素点所构成的区域作为一个缺陷区域。在一些实施例中,缺陷区域确定模块2110可以将相邻缺陷图像块中位于相邻位置的缺陷像素点进行合并,从而将两个或两个以上的缺陷图像块中所包含的缺陷像素点合并为一个缺陷区域。
步骤3120,确定所述一个或多个缺陷区域分别对应的最小外接矩形。步骤3130,基于所有所述最小外接矩形的面积之和以及所述镀件图所对应的总面积,确定所述待检测汽车配件所对应的电镀合格率。在一些实施例中,步骤3120和步骤3130可以由电镀合格率确定模块2120执行。
在确定镀件图中的一个或多个缺陷区域之后,电镀合格率确定模块2120可以确定出每一个缺陷区域所对应的最小外接矩形。其中,该最小外接矩形是指能够包含同一个缺陷区域中的所有缺陷像素点的最小面积(或最小周长)的矩形。
进一步地,电镀合格率确定模块2120还可以基于所有最小外接矩形的面积之和以及镀件图所对应的总面积,确定出待检测汽车配件所对应的电镀合格率。在一些实施例中,待检测汽车配件所对应的电镀合格率可以表示如下(参照公式9):
在一些实施例中,待检测汽车配件所对应的电镀合格率可以通过多张不同视角采
集得到的表面图像计算得到。当该电镀合格率通过多张表面图像进行计算时,公式9中的总
面积可以表示多张表面图像所对应的面积之和,类似地,可以指多张镀件图中的缺陷
区域的数量总和。
通过上述公式9,可以计算得到每一个待检测汽车配件所对应的电镀合格率。在一些实施例中,可以根据预设的合格率阈值判断待检测汽车配件的电镀加工质量是否合格。示例性地,在一些实施例中,该合格率阈值可以设定为90%、95%、92%等,或其他数值。在一些实施例中,对于电镀合格率不达标的汽车配件,可以进行后续工艺处理,例如,去除不合格的电镀层、进行二次电镀、抛光修补、调整电镀工艺参数等。
综上所述,本说明书实施例可能带来的有益效果包括但不限于:(1)在本说明书一些实施例所提供的汽车配件表面电镀加工缺陷检测方法及***中,通过利用图像识别的方式来对汽车配件进行表面电镀加工缺陷检测,可以提高缺陷检测的检测效率和实时性;(2)在本说明书一些实施例所提供的汽车配件表面电镀加工缺陷检测方法及***中,通过利用子块分层的方式确定待检测汽车配件所对应的镀件图中每一个图像块所对应的图像特征,然后基于该图像特征确定每一个图像块所对应的多层显著度,可以充分利用子块之间的相似性和子块的空间关系来表征镀件图中任意空间位置的图像块中的细微特征,从而提高图像块显著程度的检测精度;(3)在本说明书一些实施例所提供的汽车配件表面电镀加工缺陷检测方法及***中,通过根据图像块中不同子块内像素点的纹理分布特征来构建分布异常度,可以充分考虑子块中像素点的局部纹理分布以及不同方向的纹理特征,由此,可以针对任意大小的缺陷区域内的像素点得到精准的评价指标,从而可以提高后续聚类处理的准确率。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种汽车配件表面电镀加工缺陷检测方法,其特征在于,包括:
获取待检测汽车配件所对应的表面图像;
对所述表面图像进行去噪处理和灰度处理,得到所述待检测汽车配件对应的镀件图;
将所述镀件图均匀划分为K个面积为M*M的图像块,并将每一个所述图像块划分成大小为N*N的子块;
利用子块分层的方式确定每一个所述图像块所对应的图像特征,所述图像特征包括块间差异度和层间差异度;
基于所述图像特征确定每一个所述图像块所对应的多层显著度,其中,所述多层显著度用于表征所述图像块在所述镀件图中的显著程度;
根据所述多层显著度确定每一个所述图像块对应的缺陷概率;
筛选所述缺陷概率大于分割阈值的图像块作为缺陷图像块,并计算所述缺陷图像块中每一个子块所对应的分布异常度,其中,所述分布异常度用于反映所述缺陷图像块中不同子块之间的像素点纹理特征的分布差异;
根据所述分布异常度确定每一个子块在所述镀件图中的异常指数;
基于所述异常指数及所述分布异常度确定每一个所述缺陷图像块中不同子块之间的度量距离,并基于所述度量距离对每一个所述缺陷图像块进行聚类处理;
基于所述聚类处理所得到的分类结果,确定所述镀件图中的缺陷像素点。
2.如权利要求1所述的方法,其特征在于,所述利用子块分层的方式确定每一个所述图像块所对应的图像特征,包括:
对于每一个所述图像块,
将对所述图像块进行划分所得到的所述大小为N*N的子块作为所述图像块的基础子块层;
按照以上一层子块中四个相邻子块的边缘交点作为下一层子块的中心点的方式,构建所述图像块所对应的多个子块层,其中,每一个所述子块层中所包含的子块具有相同的大小;
确定每一个所述子块层中不同子块之间的块间差异度,以及相邻两个子块层之间的层间差异度;
将所述块间差异度和所述层间差异度作为所述图像块对应的图像特征。
3.如权利要求2所述的方法,其特征在于,所述确定每一个所述子块层中不同子块之间的块间差异度,以及相邻两个子块层之间的层间差异度,包括:
获取所述图像块中每一个像素点所对应的LBP值;
基于所述LBP值以及所述LBP值所对应的像素点数量构建所述多个子块层中每一个子块所对应的局部直方图;
基于每一个所述子块层中不同子块所对应的局部直方图之间的巴氏距离,以及所述不同子块在下一个子块层中所对应的子块之间的平均巴氏距离,确定每一个所述子块层中不同子块之间的块间差异度;
获取所述相邻两个子块层分别对应的第一LBP序列和第二LBP序列;
基于所述第一LBP序列和所述第二LBP序列之间的DTW距离,确定所述相邻两个子块层之间的层间差异度。
4.如权利要求3所述的方法,其特征在于,所述基于所述图像特征确定每一个所述图像块所对应的多层显著度,包括:
对于每一个目标图像块,
基于所述目标图像块对应的所述块间差异度和所述层间差异度,以及所述镀件图所对应的块间差异度均值和层间差异度均值,确定所述目标图像块所对应的多层显著度。
5.如权利要求1所述的方法,其特征在于,所述根据所述多层显著度确定每一个所述图像块对应的缺陷概率,包括:
对于每一个目标图像块,
计算所述目标图像块所对应的多层显著度与所述镀件图所对应的多层显著度的最小值的第一差值,以及所述镀件图所对应的多层显著度的最大值与所述目标图像块所对应的多层显著度的第二差值;
基于所述第一差值与所述第二差值的比值,确定所述目标图像块对应的缺陷概率。
6.如权利要求2所述的方法,其特征在于,所述计算所述缺陷图像块中每一个子块所对应的分布异常度,包括:
获取所述缺陷图像块中每一个像素点所对应的HOG特征描述子;
依次计算所述基础子块层中每一个子块内每个像素点与中心像素点所对应的HOG特征描述子之间的余弦相似性,并将所述余弦相似性作为每个像素点的特征值;
基于所述特征值得到所述缺陷图像块中每一个子块所对应的分布图;
对于每一个目标子块,
基于所述分布图确定所述目标子块与所述基础子块层中的其他子块之间的分布关联度;
计算所述目标子块与所述基础子块层中的其他子块所对应的高斯分布曲线之间的EDR编辑距离;
基于所述基础子块层中的子块数量、所述分布关联度以及所述EDR编辑距离,确定所述目标子块所对应的分布异常度。
7.如权利要求6所述的方法,其特征在于,所述基于所述分布图确定所述目标子块与所述基础子块层中的其他子块之间的分布关联度,包括:
计算所述目标子块与所述其他子块所对应的分布图中位于相同列的特征值组成的序列之间的第一皮尔逊相关系数,以及所述目标子块与所述其他子块所对应的分布图中位于相同行的特征值组成的序列之间的第二皮尔逊相关系数;
基于所述第一皮尔逊相关系数的均值和所述第二皮尔逊相关系数的均值,得到所述目标子块与所述基础子块层中的其他子块之间的分布关联度。
8.如权利要求6所述的方法,其特征在于,所述根据所述分布异常度确定每一个子块在所述镀件图中的异常指数,包括:
对于每一个目标子块,
计算所述目标子块所在的缺陷图像块中所有个子块对应的第一分布异常度均值,以及所有所述缺陷图像块所包含的所有子块对应的第二分布异常度均值;
基于所述目标子块对应的分布异常度与所述第一分布异常度均值之间的第一差值,以及所述第一分布异常度均值与所述第二分布异常度均值之间的第二差值,确定所述目标子块在所述镀件图中的异常指数。
9.如权利要求1~8中任一项所述的方法,其特征在于,所述方法还包括:
基于所述缺陷像素点,确定所述镀件图中的一个或多个缺陷区域;
确定所述一个或多个缺陷区域分别对应的最小外接矩形;
基于所有所述最小外接矩形的面积之和以及所述镀件图所对应的总面积,确定所述待检测汽车配件所对应的电镀合格率。
10.一种汽车配件表面电镀加工缺陷检测***,其特征在于,包括:
获取模块,用于获取待检测汽车配件所对应的表面图像;
预处理模块,用于对所述表面图像进行去噪处理和灰度处理,得到所述待检测汽车配件对应的镀件图;
图像划分模块,用于将所述镀件图均匀划分为K个面积为M*M的图像块,并将每一个所述图像块划分成大小为N*N的子块;
图像特征确定模块,用于利用子块分层的方式确定每一个所述图像块所对应的图像特征,所述图像特征包括块间差异度和层间差异度;
多层显著度确定模块,用于基于所述图像特征确定每一个所述图像块所对应的多层显著度,其中,所述多层显著度用于表征所述图像块在所述镀件图中的显著程度;
缺陷概率确定模块,用于根据所述多层显著度确定每一个所述图像块对应的缺陷概率;
分布异常度确定模块,用于筛选所述缺陷概率大于分割阈值的图像块作为缺陷图像块,并计算所述缺陷图像块中每一个子块所对应的分布异常度,其中,所述分布异常度用于反映所述缺陷图像块中不同子块之间的像素点纹理特征的分布差异;
异常指数确定模块,用于根据所述分布异常度确定每一个子块在所述镀件图中的异常指数;
聚类模块,用于基于所述异常指数及所述分布异常度确定每一个所述缺陷图像块中不同子块之间的度量距离,并基于所述度量距离对每一个所述缺陷图像块进行聚类处理;
缺陷像素点确定模块,用于基于所述聚类处理所得到的分类结果,确定所述镀件图中的缺陷像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609436.XA CN116342597B (zh) | 2023-05-29 | 2023-05-29 | 一种汽车配件表面电镀加工缺陷检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609436.XA CN116342597B (zh) | 2023-05-29 | 2023-05-29 | 一种汽车配件表面电镀加工缺陷检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342597A true CN116342597A (zh) | 2023-06-27 |
CN116342597B CN116342597B (zh) | 2023-07-28 |
Family
ID=86893321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310609436.XA Active CN116342597B (zh) | 2023-05-29 | 2023-05-29 | 一种汽车配件表面电镀加工缺陷检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342597B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196414A (zh) * | 2023-11-06 | 2023-12-08 | 南通联润金属制品有限公司 | 一种金属加工质量控制*** |
CN117571107A (zh) * | 2024-01-15 | 2024-02-20 | 山西富衡达自动化设备有限公司 | 一种智能化无人值守地磅异常监测*** |
CN118014989A (zh) * | 2024-04-02 | 2024-05-10 | 东莞市时实电子有限公司 | 一种电源适配器表面缺陷智能检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200234420A1 (en) * | 2019-01-17 | 2020-07-23 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting image defects, computing device, and computer readable storage medium |
CN112734691A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机***工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
CN114913132A (zh) * | 2022-04-20 | 2022-08-16 | 镇江亿诺伟视智能科技有限公司 | 一种基于卷积神经网络的汽车电镀件缺陷检测方法 |
US20220309640A1 (en) * | 2019-12-30 | 2022-09-29 | Goertek Inc. | Product defect detection method, device and system |
CN115239738A (zh) * | 2022-09-26 | 2022-10-25 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
-
2023
- 2023-05-29 CN CN202310609436.XA patent/CN116342597B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200234420A1 (en) * | 2019-01-17 | 2020-07-23 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting image defects, computing device, and computer readable storage medium |
US20220309640A1 (en) * | 2019-12-30 | 2022-09-29 | Goertek Inc. | Product defect detection method, device and system |
CN112734691A (zh) * | 2020-12-17 | 2021-04-30 | 郑州金惠计算机***工程有限公司 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
CN114913132A (zh) * | 2022-04-20 | 2022-08-16 | 镇江亿诺伟视智能科技有限公司 | 一种基于卷积神经网络的汽车电镀件缺陷检测方法 |
CN115249246A (zh) * | 2022-09-23 | 2022-10-28 | 深圳市欣冠精密技术有限公司 | 一种光学玻璃表面缺陷检测方法 |
CN115239738A (zh) * | 2022-09-26 | 2022-10-25 | 南通鑫生派智能科技有限公司 | 一种汽车零件配置智能检测方法 |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
曹义亲 等: "基于缺陷比例限制的背景差分钢轨表面缺陷检测方法", 《计算机应用》, vol. 40, no. 10, pages 3066 - 3074 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196414A (zh) * | 2023-11-06 | 2023-12-08 | 南通联润金属制品有限公司 | 一种金属加工质量控制*** |
CN117196414B (zh) * | 2023-11-06 | 2024-04-05 | 南通联润金属制品有限公司 | 一种金属加工质量控制*** |
CN117571107A (zh) * | 2024-01-15 | 2024-02-20 | 山西富衡达自动化设备有限公司 | 一种智能化无人值守地磅异常监测*** |
CN117571107B (zh) * | 2024-01-15 | 2024-03-15 | 山西富衡达自动化设备有限公司 | 一种智能化无人值守地磅异常监测*** |
CN118014989A (zh) * | 2024-04-02 | 2024-05-10 | 东莞市时实电子有限公司 | 一种电源适配器表面缺陷智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116342597B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和*** | |
Liu et al. | Steel surface defect detection using a new Haar–Weibull-variance model in unsupervised manner | |
CN110570393B (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111932510B (zh) | 一种图像清晰度的确定方法及装置 | |
CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及*** | |
Chang et al. | A deep learning-based weld defect classification method using radiographic images with a cylindrical projection | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
Kuo et al. | Automated defect inspection system for CMOS image sensor with micro multi-layer non-spherical lens module | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和*** | |
CN115038965A (zh) | 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置 | |
CN108889635B (zh) | 一种易拉罐制造缺陷在线视觉检测方法 | |
Peng et al. | Automated product boundary defect detection based on image moment feature anomaly | |
CN116612111B (zh) | 一种高强度复合材料加工质量检测方法 | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN115829942A (zh) | 基于非负性约束稀疏自编码器的电子电路缺陷检测方法 | |
Ekambaram et al. | Identification of defects in casting products by using a convolutional neural network | |
CN113781419A (zh) | 一种柔性pcb板缺陷检测方法、视觉***、装置及介质 | |
Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails | |
CN112802022A (zh) | 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 | |
CN116823815A (zh) | 一种电缆表面异常智能检测方法 |
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 |