CN116485795A - 一种卷料涂布生产线瑕疵检测方法及*** - Google Patents
一种卷料涂布生产线瑕疵检测方法及*** Download PDFInfo
- Publication number
- CN116485795A CN116485795A CN202310724877.4A CN202310724877A CN116485795A CN 116485795 A CN116485795 A CN 116485795A CN 202310724877 A CN202310724877 A CN 202310724877A CN 116485795 A CN116485795 A CN 116485795A
- Authority
- CN
- China
- Prior art keywords
- image
- defect type
- characteristic value
- fusion
- flaw
- 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
- 239000011248 coating agent Substances 0.000 title claims abstract description 106
- 238000000576 coating method Methods 0.000 title claims abstract description 106
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 182
- 230000004927 fusion Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007499 fusion processing Methods 0.000 claims description 48
- 238000006073 displacement reaction Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000002844 melting Methods 0.000 abstract 1
- 230000008018 melting Effects 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 12
- 230000002950 deficient Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000037303 wrinkles Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001728 nano-filtration Methods 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 238000001223 reverse osmosis Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及图像处理技术领域,提供了一种卷料涂布生产线瑕疵检测方法及***,该方法包括如下步骤:获取卷料涂布在第一视觉下的第一图像,识别第一图像瑕疵缺陷类型;获取卷积涂布在第二视觉下的第二图像,识别第二图像瑕疵缺陷类型;获取第一视觉下的第一图像与第二视觉下的第二图像之间的角度差异值;根据角度差异值,获取融化处理后的第一融合图像特征值;根据第一融合图像特征值识别第一融合瑕疵缺陷类型;根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。本发明通过多维度检测识别卷料涂布的瑕疵缺陷,可以提高瑕疵缺陷识别的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种卷料涂布生产线瑕疵检测方法及***。
背景技术
涂布广泛应用于各种膜、纸、无纺布等材料的表面加工,是生产纳滤膜与反渗透膜的工艺过程中关键环节之一。在涂布工业生产中,由于各种因素所涂的熔喷布会出现刮痕、竖线、亮点和褶皱等瑕疵缺陷。这些瑕疵缺陷的存在,会降低涂布的良品率。为此,有必要对涂布的瑕疵缺陷进行检测。
申请号为CN202010933241.7的中国发明专利申请公开了一种基于深度学习的涂布缺陷检测方法,其利用将缺陷图像直接输入深度卷积网络,构建一个多层神经网络,对图像逐层特征提取,在大量训练数据集训练下,能够准确学习到反映隐含在图像数据内部的高级特征,并对网络结构进行优化,训练得出最优参数值,解决在涂布熔喷过程中多缺陷类型检测识别问题。又如申请号为CN202010932809.3的中国发明专利申请公开了一种基于深度学习的涂布缺陷检测***,其通过图像采集模块、图像处理模块和图像分析模块之间的配合可以高效实现对不同类型熔喷布涂胶面缺陷的检测,不仅检测精度高,适应性广泛,速度快。再如申请号为CN202110438812.4的中国发明专利申请公开了一种涂布测量、纠偏与瑕疵检测方法,其实现在涂布生产过程中的尺寸检测、纠偏检测和瑕疵检测,并自动触发喷码机进行不良喷码、纠偏组件自动纠偏,实现无人自动化生产,大大提升了生产效率和不良品的检测效率,提高了涂布的生产质量。
因此,对于如何实现涂布瑕疵缺陷的检测,还存在许多未提出的技术方案。
发明内容
基于此,为了实现涂布瑕疵缺陷的检测,本发明提供了一种卷料涂布生产线瑕疵检测方法及***,其具体技术方案如下:
一种卷料涂布生产线瑕疵检测***,其包括第一图像模块、第二图像模块、获取模块、融合处理模块以及识别模块。
第一图像模块用于获取卷料涂布在第一视觉下的第一图像,提取第一图像的第一图像特征值,并根据第一图像特征值识别第一图像瑕疵缺陷类型。
第二图像模块用于获取卷积涂布在第二视觉下的第二图像,提取第二图像的第二图像特征值,并根据第二图像特征值识别第二图像瑕疵缺陷类型。
获取模块用于获取第一视觉下的第一图像与第二视觉下的第二图像之间的角度差异值。
融合处理模块用于根据角度差异值,对第一图像特征值以及第二图像特征值进行融合处理,获取融化处理后的第一融合图像特征值。
识别模块用于根据第一融合图像特征值识别第一融合瑕疵缺陷类型,根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
在所述卷料涂布生产线瑕疵检测***中,根据第一图像特征值识别第一图像瑕疵缺陷类型以及基于第二图像特征值识别第二图像瑕疵缺陷类型,可以基于不同视觉实现卷料涂布的瑕疵缺陷识别,提高瑕疵缺陷识别的准确度。
所述卷料涂布生产线瑕疵检测***先通过基于角度差异值对第一图像特征值以及第二图像特征值进行融合处理以获取第一融合图像特征值,并根据第一融合图像特征值识别第一融合瑕疵缺陷类型,再根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型,可以将不同视觉下卷料涂布的图像联合起来实现卷料涂布瑕疵缺陷的检测。即是说,通过多维度检测识别卷料涂布的瑕疵缺陷,可以提高瑕疵缺陷识别的准确度。
进一步地,所述第一图像模块还用于获取卷料涂布在第一视觉下的第三图像,提取第三图像的第三图像特征值,并根据第三图像特征值识别第三图像瑕疵缺陷类型。
所述获取模块还用于获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值;所述融合处理模块还用于根据位移差异值,对第一图像特征值以及第三图像特征值进行融合处理,获取融合处理后的第二融合图像特征值。
所述识别模块还用于根据第二融合图像特征值识别第二融合瑕疵缺陷类型。
进一步地,所述获取模块包括第一获取单元、第二获取单元以及计算单元。
第一获取单元用于获取卷料涂布生产线的运行速度;第二获取单元用于获取第一图像与第三图像之间的拍摄时间间隔。
计算单元用于根据运行速度以及拍摄时间间隔,计算位移差异值。
一种卷料涂布生产线瑕疵检测方法,应用于所述的卷料涂布生产线瑕疵检测***,其包括如下步骤:
获取卷料涂布在第一视觉下的第一图像,提取第一图像的第一图像特征值,并根据第一图像特征值识别第一图像瑕疵缺陷类型;
获取卷积涂布在第二视觉下的第二图像,提取第二图像的第二图像特征值,并根据第二图像特征值识别第二图像瑕疵缺陷类型;
获取第一视觉下的第一图像与第二视觉下的第二图像之间的角度差异值;
根据角度差异值,对第一图像特征值以及第二图像特征值进行融合处理,获取融化处理后的第一融合图像特征值;
根据第一融合图像特征值识别第一融合瑕疵缺陷类型;
根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
进一步地,所述卷料涂布生产线瑕疵检测方法还包括如下步骤:
获取卷料涂布在第一视觉下的第三图像,提取第三图像的第三图像特征值,并根据第三图像特征值识别第三图像瑕疵缺陷类型;
获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值;
根据位移差异值,对第一图像特征值以及第三图像特征值进行融合处理,获取融合处理后的第二融合图像特征值;
根据第二融合图像特征值识别第二融合瑕疵缺陷类型。
进一步地,根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型的具体方法为:根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型、第一融合瑕疵缺陷类型以及第二融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
进一步地,获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值的具体方法包括如下步骤:
获取卷料涂布生产线的运行速度;
获取第一图像与第三图像之间的拍摄时间间隔;
根据运行速度以及拍摄时间间隔,计算位移差异值。
一种计算机可读存储介质,其存储有计算机程序,当所述计算机程序被执行时实现所述的卷料涂布生产线瑕疵检测方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1是本发明一实施例中一种卷料涂布生产线瑕疵检测方法的整体流程示意图;
图2是本发明另一实施例中一种卷料涂布生产线瑕疵检测方法的整体流程示意图一;
图3是本发明另一实施例中一种卷料涂布生产线瑕疵检测方法的整体流程示意图二。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明。应当理解的是,此处所描述的具体实施方式仅用以解释本发明,并不限定本发明的保护范围。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序,仅仅是用于名称的区分。
本发明一实施例中的一种卷料涂布生产线瑕疵检测***,其包括第一图像模块、第二图像模块、获取模块、融合处理模块以及识别模块。
第一图像模块用于获取卷料涂布在第一视觉下的第一图像,提取第一图像的第一图像特征值,并根据第一图像特征值识别第一图像瑕疵缺陷类型。
第二图像模块用于获取卷积涂布在第二视觉下的第二图像,提取第二图像的第二图像特征值,并根据第二图像特征值识别第二图像瑕疵缺陷类型。
在这里,第一图像模块以及第二图像模块包括但不限于工业摄像机,二者安装在生产线卷料涂布上方的不同位置上。图像特征值包括但不限于图像的纹理特征、颜色特征以及形状特征。
第一图像模块可以根据第一图像特征值先识别出第一感兴趣区域,再根据第一感兴趣区域的颜色特征和/或形状特征,识别第一图像瑕疵缺陷类型。同理,第二图像模块可以根据第二图像特征值先识别出第二感兴趣区域,再根据第二感兴趣区域的颜色特征和/或形状特征,识别出第二图像瑕疵缺陷类型。
所述的瑕疵缺陷类型包括但不限于条道、波纹、气泡、划伤、褶皱、针孔以及龟裂等。
基于在单一视觉下采集到的卷料涂布图像所识别出来的瑕疵缺陷类型,可能存在误判,比如将气泡瑕疵误判为针孔、划伤瑕疵误判为裂纹等。所述卷料涂布生产线瑕疵检测***基于不同视觉下的卷料涂布图像,对瑕疵缺陷类型进行联合检验,能够在一定程度上克服基于单一视觉采集到的卷料涂布图像识别瑕疵缺陷类型所可能存在的误判问题,提高了检测准确度。
获取模块用于获取第一视觉下的第一图像与第二视觉下的第二图像之间的角度差异值。
在这里,第一图像模块以及第二图像模块安装在生产线卷料涂布上方的不同位置上,二者分别对应不同的安装坐标位置。在一些时候,第一图像模块以及第二图像模块均会根据相应的角度调节指令,转动预设角度值以便更好地获取卷料涂布图像。此时,获取模块根据第一图像模块以及第二图像模块对应的安装坐标位置以及所转动的预设角度值获取角度差异值。
融合处理模块用于根据角度差异值,对第一图像特征值以及第二图像特征值进行融合处理,获取融化处理后的第一融合图像特征值。
融合处理包括但不限于图像的纹理特征、形状特征比如轮廓线以及颜色特征的融合。
识别模块用于根据第一融合图像特征值识别第一融合瑕疵缺陷类型,根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
在所述卷料涂布生产线瑕疵检测***中,根据第一图像特征值识别第一图像瑕疵缺陷类型以及基于第二图像特征值识别第二图像瑕疵缺陷类型,可以基于不同视觉实现卷料涂布的瑕疵缺陷识别,提高瑕疵缺陷识别的准确度。
所述卷料涂布生产线瑕疵检测***先通过基于角度差异值对第一图像特征值以及第二图像特征值进行融合处理以获取第一融合图像特征值,并根据第一融合图像特征值识别第一融合瑕疵缺陷类型,再根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型,可以将不同视觉下卷料涂布的图像联合起来实现卷料涂布瑕疵缺陷的检测。即是说,通过多维度检测识别卷料涂布的瑕疵缺陷,可以提高瑕疵缺陷识别的准确度。
在其中一个实施例中,所述第一图像模块还用于获取卷料涂布在第一视觉下的第三图像,提取第三图像的第三图像特征值,并根据第三图像特征值识别第三图像瑕疵缺陷类型。
所述获取模块还用于获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值;所述融合处理模块还用于根据位移差异值,对第一图像特征值以及第三图像特征值进行融合处理,获取融合处理后的第二融合图像特征值。
所述识别模块还用于根据第二融合图像特征值识别第二融合瑕疵缺陷类型。
具体而言,所述获取模块包括第一获取单元、第二获取单元以及计算单元。
第一获取单元用于获取卷料涂布生产线的运行速度;第二获取单元用于获取第一图像与第三图像之间的拍摄时间间隔。
计算单元用于根据运行速度以及拍摄时间间隔,计算位移差异值。
根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型的具体方法为:根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型、第一融合瑕疵缺陷类型以及第二融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
在其中一个实施例中,如图1所示,本发明提供一种卷料涂布生产线瑕疵检测方法,应用于所述的卷料涂布生产线瑕疵检测***,其包括如下步骤:
S10,获取卷料涂布在第一视觉下的第一图像,提取第一图像的第一图像特征值,并根据第一图像特征值识别第一图像瑕疵缺陷类型。
S20,获取卷积涂布在第二视觉下的第二图像,提取第二图像的第二图像特征值,并根据第二图像特征值识别第二图像瑕疵缺陷类型。
具体而言,可以根据第一图像特征值先识别出第一感兴趣区域,再根据第一感兴趣区域的颜色特征和/或形状特征,识别第一图像瑕疵缺陷类型。同理,可以根据第二图像特征值先识别出第二感兴趣区域,再根据第二感兴趣区域的颜色特征和/或形状特征,识别出第二图像瑕疵缺陷类型。
根据第一感兴趣区域的颜色特征和/或形状特征,识别第一图像瑕疵缺陷类型具体为:根据第一感兴趣区域的颜色特征和/或形状特征与预设的多个标准图像瑕疵缺陷类型之间的相似度来识别第一图像瑕疵缺陷类型;同理,根据第二感兴趣区域的颜色特征和/或形状特征,识别第二图像瑕疵缺陷类型具体为:根据第二感兴趣区域的颜色特征和/或形状特征与预设的多个标准图像瑕疵缺陷类型之间的相似度来识别第二图像瑕疵缺陷类型。
所述的瑕疵缺陷类型包括但不限于条道、波纹、气泡、划伤、褶皱、针孔以及龟裂等。
S30,获取第一视觉下的第一图像与第二视觉下的第二图像之间的角度差异值。
S40,根据角度差异值,对第一图像特征值以及第二图像特征值进行融合处理,获取融化处理后的第一融合图像特征值。
融合处理包括但不限于图像的纹理特征、形状特征比如轮廓线以及颜色特征的融合。具体而言,在步骤S40中,根据角度差异值,对第一图像特征值以及第二图像特征值进行融合处理,获取融化处理后的第一融合图像特征值的具体方法可以包括如下步骤:先构建神经网络模型,获取大量第一标准图像特征值、第二标准图像特征值以及对应的角度差异值和具体融合处理方法(比如先对第一标准图像特征值和/或第二标准图像特征值的角度调整、缩放拉伸处理还有区域灰度调整,再对第一标准图像特征值以及第二标准图像特征值进行边缘轮廓融合、感兴趣区域纹路融合等),以第一标准图像特征值、第二标准图像特征值以及对应的角度差异值和具体融合处理方法作为数据集训练神经网络模型,神经网络模型训练好后,利用训练好的神经网络模型对第一图像特征值、第二图像特征值以及角度差异值进行识别,输出对应的具体融合处理方法并以输出的具体融合处理方法对第一图像特征值以及第二图像特征值进行融合处理。
S50,根据第一融合图像特征值识别第一融合瑕疵缺陷类型,其具体方法包括:可以根据第一融合图像特征值先识别出第一融合感兴趣区域,再根据第一融合感兴趣区域的颜色特征和/或形状特征,识别第一融合图像瑕疵缺陷类型。
S60,根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
具体而言,计算第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型三者的交集,以交集作为卷料涂布的最终瑕疵缺陷类型。
所述卷料涂布生产线瑕疵检测方法先通过基于角度差异值对第一图像特征值以及第二图像特征值进行融合处理以获取第一融合图像特征值,并根据第一融合图像特征值识别第一融合瑕疵缺陷类型,再根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型,可以将不同视觉下卷料涂布的图像联合起来实现卷料涂布瑕疵缺陷的检测。即是说,通过多维度检测识别卷料涂布的瑕疵缺陷,可以提高瑕疵缺陷识别的准确度。
在其中一个实施例中,如图2所示,所述卷料涂布生产线瑕疵检测方法还包括如下步骤:
S11,获取卷料涂布在第一视觉下的第三图像,提取第三图像的第三图像特征值,并根据第三图像特征值识别第三图像瑕疵缺陷类型。
S21,获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值。
具体而言,在步骤S21中,如图3所示,获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值的具体方法包括如下步骤:
S210,获取卷料涂布生产线的运行速度。
S211,获取第一图像与第三图像之间的拍摄时间间隔。
S222,根据运行速度以及拍摄时间间隔,计算位移差异值。
S22,根据位移差异值,对第一图像特征值以及第三图像特征值进行融合处理,获取融合处理后的第二融合图像特征值。
S23,根据第二融合图像特征值识别第二融合瑕疵缺陷类型。
在步骤S60中,根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型的具体方法为:根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型、第一融合瑕疵缺陷类型以及第二融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
在卷料涂布生产线中,利用图像模块采集卷料涂布图像时,由于涂布处在输送过程中,故而同一图像模块在两次采集到的卷料涂布图像是不一样的。即是说,区别于通过第一图像模块以及第二图像模块采集卷料涂布同一指定区域图像识别出同一区域所包括的瑕疵缺陷,利用第一图像模块又或者第二图像模块在两个不同时间点采集到的卷料涂布图像,实际上对应的是卷料涂布图像的不同区域,其可能包括着不同的瑕疵缺陷。
另外,同一图像模块在两个不同时间点获得的卷料涂布图像,即便是相同的瑕疵缺陷,其所对应的图像特征值也会有所不同。在对单一卷料涂布图像识别出来的瑕疵缺陷类型,可能存在误判,比如将气泡瑕疵误判为针孔、划伤瑕疵误判为裂纹的情况下,先根据位移差异值,对第一图像特征值以及第三图像特征值进行融合处理,获取融合处理后的第二融合图像特征值,再根据第二融合图像特征值识别第二融合瑕疵缺陷类型,可以对卷料涂布存在的瑕疵缺陷作进一步识别,具体为对第一图像与第三图像所包括的瑕疵缺陷类型的交集作进一步识别,在一定程度上避免出现瑕疵缺陷误判的问题。
本申请所述卷料涂布生产线瑕疵检测方法先通过根据位移差异值,对第一图像特征值以及第三图像特征值进行融合处理,获取融合处理后的第二融合图像特征值,再根据第二融合图像特征值识别第二融合瑕疵缺陷类型,不仅可以识别出同一图像模块在两个不同时间点采集到的两张卷料涂布图像可能包括的瑕疵缺陷,还可以对两张卷料涂布图像包括的瑕疵缺陷交集对应的瑕疵缺陷作进一步识别。
在其中一个实施例中,在步骤S40中,根据角度差异值,对第一图像特征值以及第二图像特征值进行融合处理,获取融化处理后的第一融合图像特征值的具体方法包括如下步骤:
S401,根据角度差异值,获取第一图像特征值相对于第二图像特征值的第一纹理特征修正值、第一颜色特征修正值/>以及第一形状特征修正值/>,并获取第二图像特征值相对于第一图像特征值的第二纹理特征修正值/>、第二颜色特征修正值以及第二形状特征修正值/>。
S402,根据公式对第一图像特征值/>进行修正后,根据公式/>与第二图像特征值/>进行融合得到融合图像特征值A,以及根据公式/>对第二图像特征值进行修正后,根据公式/>与第一图像特征值/>进行融合得带融合图像特征值B。
S403,通过预设融合函数对融合图像特征值A与融合图像特征值B再次融合,获取第一融合图像特征值。
其中,分别为第一图像特征值/>的纹理分量、颜色分量以及形状分量,/>分别为第二图像特征值的纹理分量、颜色分量以及形状分量,/>表示修正后的第一图像特征值,/>表示修正后的第二图像特征值,/>表示预设融合函数。
基于角度差异值,通过对第一图像特征值的纹理分量、颜色分量以及形状分量以及第二图像特征值/>的纹理分量、颜色分量以及形状分量进行修正后再融合得到第一融合图像特征值,将由于角度差异所导致的第一图像以及第二图像在纹理、颜色以及形状上的差异因素考虑在内,可以获得更加准确的融合图像。基于第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及修正后的第一图像特征值以及第二图像特征值获得第一融合图像特征值所对应的第一融合瑕疵缺陷类型来检测卷料涂布的最终瑕疵缺陷类型,可以提高卷料涂布瑕疵缺陷检测的准确度。
在其中一个实施例中,本发明还提供一种计算机可读存储介质,其存储有计算机程序,当所述计算机程序被执行时实现所述的卷料涂布生产线瑕疵检测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种卷料涂布生产线瑕疵检测方法,其特征在于,所述卷料涂布生产线瑕疵检测方法包括如下步骤:
获取卷料涂布在第一视觉下的第一图像,提取第一图像的第一图像特征值,并根据第一图像特征值识别第一图像瑕疵缺陷类型;
获取卷积涂布在第二视觉下的第二图像,提取第二图像的第二图像特征值,并根据第二图像特征值识别第二图像瑕疵缺陷类型;
获取第一视觉下的第一图像与第二视觉下的第二图像之间的角度差异值;
根据角度差异值,对第一图像特征值以及第二图像特征值进行融合处理,获取融化处理后的第一融合图像特征值;
根据第一融合图像特征值识别第一融合瑕疵缺陷类型;
根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
2.如权利要求1所述的一种卷料涂布生产线瑕疵检测方法,其特征在于,所述卷料涂布生产线瑕疵检测方法还包括如下步骤:
获取卷料涂布在第一视觉下的第三图像,提取第三图像的第三图像特征值,并根据第三图像特征值识别第三图像瑕疵缺陷类型;
获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值;
根据位移差异值,对第一图像特征值以及第三图像特征值进行融合处理,获取融合处理后的第二融合图像特征值;
根据第二融合图像特征值识别第二融合瑕疵缺陷类型。
3.如权利要求2所述的一种卷料涂布生产线瑕疵检测方法,其特征在于,根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型的具体方法为:根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型、第一融合瑕疵缺陷类型以及第二融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
4.如权利要求3所述的一种卷料涂布生产线瑕疵检测方法,其特征在于,获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值的具体方法包括如下步骤:
获取卷料涂布生产线的运行速度;
获取第一图像与第三图像之间的拍摄时间间隔;
根据运行速度以及拍摄时间间隔,计算位移差异值。
5.一种卷料涂布生产线瑕疵检测***,其特征在于,所述卷料涂布生产线瑕疵检测***包括:
第一图像模块,用于获取卷料涂布在第一视觉下的第一图像,提取第一图像的第一图像特征值,并根据第一图像特征值识别第一图像瑕疵缺陷类型;
第二图像模块,用于获取卷积涂布在第二视觉下的第二图像,提取第二图像的第二图像特征值,并根据第二图像特征值识别第二图像瑕疵缺陷类型;
获取模块,用于获取第一视觉下的第一图像与第二视觉下的第二图像之间的角度差异值;
融合处理模块,用于根据角度差异值,对第一图像特征值以及第二图像特征值进行融合处理,获取融化处理后的第一融合图像特征值;
识别模块,用于根据第一融合图像特征值识别第一融合瑕疵缺陷类型,根据第一图像瑕疵缺陷类型、第二图像瑕疵缺陷类型以及第一融合瑕疵缺陷类型检测卷料涂布的最终瑕疵缺陷类型。
6.如权利要求5所述的一种卷料涂布生产线瑕疵检测***,其特征在于:
所述第一图像模块还用于获取卷料涂布在第一视觉下的第三图像,提取第三图像的第三图像特征值,并根据第三图像特征值识别第三图像瑕疵缺陷类型;
所述获取模块还用于获取卷料涂布在第一视觉下的第一图像与第三图像之间的位移差异值;
所述融合处理模块还用于根据位移差异值,对第一图像特征值以及第三图像特征值进行融合处理,获取融合处理后的第二融合图像特征值;
所述识别模块还用于根据第二融合图像特征值识别第二融合瑕疵缺陷类型。
7.如权利要求6所述的一种卷料涂布生产线瑕疵检测***,其特征在于,所述获取模块包括:
第一获取单元,用于获取卷料涂布生产线的运行速度;
第二获取单元,用于获取第一图像与第三图像之间的拍摄时间间隔;
计算单元,用于根据运行速度以及拍摄时间间隔,计算位移差异值。
8.一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程序,当所述计算机程序被执行时实现如权利要求1-4任一项所述的卷料涂布生产线瑕疵检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724877.4A CN116485795B (zh) | 2023-06-19 | 2023-06-19 | 一种卷料涂布生产线瑕疵检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724877.4A CN116485795B (zh) | 2023-06-19 | 2023-06-19 | 一种卷料涂布生产线瑕疵检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485795A true CN116485795A (zh) | 2023-07-25 |
CN116485795B CN116485795B (zh) | 2023-09-01 |
Family
ID=87212188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310724877.4A Active CN116485795B (zh) | 2023-06-19 | 2023-06-19 | 一种卷料涂布生产线瑕疵检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485795B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723564A (zh) * | 2024-02-18 | 2024-03-19 | 青岛华康塑料包装有限公司 | 基于图像传输的包装袋印刷质量检测方法及检测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459764A (zh) * | 2007-12-14 | 2009-06-17 | 廖礼士 | 视觉缺陷测量及补偿的***及方法 |
US20170091561A1 (en) * | 2015-09-30 | 2017-03-30 | Canon Kabushiki Kaisha | Method, system and apparatus for processing an image |
CN106872487A (zh) * | 2017-04-21 | 2017-06-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于视觉的表面瑕疵检测方法及装置 |
CN113218944A (zh) * | 2021-04-07 | 2021-08-06 | 湖南隆深智能装备有限公司 | 用于涂布机的瑕疵检测***及在线检测方法 |
CN113538392A (zh) * | 2021-07-26 | 2021-10-22 | 长江存储科技有限责任公司 | 晶圆的检测方法、设备及存储介质 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及*** |
CN113869300A (zh) * | 2021-09-30 | 2021-12-31 | 江西省通讯终端产业技术研究院有限公司 | 基于多视觉融合的工件表面缺陷和字符识别的方法及*** |
CN115546274A (zh) * | 2022-11-29 | 2022-12-30 | 城云科技(中国)有限公司 | 一种画面深度判断模型及其构建方法、装置及应用 |
-
2023
- 2023-06-19 CN CN202310724877.4A patent/CN116485795B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459764A (zh) * | 2007-12-14 | 2009-06-17 | 廖礼士 | 视觉缺陷测量及补偿的***及方法 |
US20170091561A1 (en) * | 2015-09-30 | 2017-03-30 | Canon Kabushiki Kaisha | Method, system and apparatus for processing an image |
CN106872487A (zh) * | 2017-04-21 | 2017-06-20 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于视觉的表面瑕疵检测方法及装置 |
CN113218944A (zh) * | 2021-04-07 | 2021-08-06 | 湖南隆深智能装备有限公司 | 用于涂布机的瑕疵检测***及在线检测方法 |
CN113554080A (zh) * | 2021-07-15 | 2021-10-26 | 长沙长泰机器人有限公司 | 一种基于机器视觉的无纺布瑕疵检测分类方法及*** |
CN113538392A (zh) * | 2021-07-26 | 2021-10-22 | 长江存储科技有限责任公司 | 晶圆的检测方法、设备及存储介质 |
CN113869300A (zh) * | 2021-09-30 | 2021-12-31 | 江西省通讯终端产业技术研究院有限公司 | 基于多视觉融合的工件表面缺陷和字符识别的方法及*** |
CN115546274A (zh) * | 2022-11-29 | 2022-12-30 | 城云科技(中国)有限公司 | 一种画面深度判断模型及其构建方法、装置及应用 |
Non-Patent Citations (1)
Title |
---|
陈树越;冯军;: "基于尺度变换的Gabor滤波器织物疵点检测", 《纺织学报》, vol. 31, no. 09, pages 38 - 41 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723564A (zh) * | 2024-02-18 | 2024-03-19 | 青岛华康塑料包装有限公司 | 基于图像传输的包装袋印刷质量检测方法及检测*** |
CN117723564B (zh) * | 2024-02-18 | 2024-04-26 | 青岛华康塑料包装有限公司 | 基于图像传输的包装袋印刷质量检测方法及检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN116485795B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106226325B (zh) | 一种基于机器视觉的座椅表面缺陷检测***及其方法 | |
US11132786B2 (en) | Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium | |
CN102253048B (zh) | 可用于多种产品检测的机器视觉检测方法及*** | |
CN116485795B (zh) | 一种卷料涂布生产线瑕疵检测方法及*** | |
CN100547351C (zh) | 一种机器视觉定位方法 | |
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN114994061B (zh) | 一种基于机器视觉的钢轨智能化检测方法及*** | |
CN105388162A (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN103207186A (zh) | 自动验布机疵点检测识别方法及其*** | |
CN109752392B (zh) | 一种pcb板缺陷类型检测***和方法 | |
CN111229648A (zh) | 基于机器视觉的太阳能电池板瑕疵检测***及检测方法 | |
CN108710876A (zh) | 一种基于机器视觉的电池表面标识缺陷检测方法及*** | |
CN111598771B (zh) | 一种基于ccd相机的pcb电路板缺陷检测***及方法 | |
CN108665458A (zh) | 透明体表面缺陷提取及识别方法 | |
CN106383121B (zh) | 一种可自适应多品牌的视觉检测方法及*** | |
CN114280073A (zh) | 激光和相机复合检测方式的瓷砖缺陷检测装置及分级方法 | |
CN115131268A (zh) | 一种基于图像特征提取与三维模型匹配的自动化焊接*** | |
CN113030102A (zh) | 基于机器视觉的漆面瑕疵检查*** | |
CN112085708B (zh) | 产品外轮廓中的直线边缘的缺陷检测方法及设备 | |
CN105844282A (zh) | 一种运用线扫描相机检测喷油嘴O-Ring缺陷的方法 | |
CN113469991B (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
CN117367516A (zh) | 基于多维测试的铝塑复合板性能检测*** | |
CN107121063A (zh) | 检测工件的方法 | |
CN113723841A (zh) | 一种装配式预制构件中工装缺失的在线检测方法 |
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 |