CN116862898A - 零部件的缺陷检测方法、装置、存储介质以及电子设备 - Google Patents
零部件的缺陷检测方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN116862898A CN116862898A CN202310935952.1A CN202310935952A CN116862898A CN 116862898 A CN116862898 A CN 116862898A CN 202310935952 A CN202310935952 A CN 202310935952A CN 116862898 A CN116862898 A CN 116862898A
- Authority
- CN
- China
- Prior art keywords
- defect detection
- defect
- image
- detection result
- point cloud
- 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 240
- 238000001514 detection method Methods 0.000 title claims abstract description 171
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000010276 construction Methods 0.000 claims abstract description 20
- 230000005477 standard model Effects 0.000 claims description 31
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开涉及一种零部件的缺陷检测方法、装置、存储介质以及电子设备,涉及车辆技术领域,该方法包括:采集待检测零部件的第一图像;基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果;根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据;针对所述三维点云数据执行连通域构建操作,得到目标连通域;基于所述目标连通域确定所述待检测零部件的目标检测结果。本公开通过执行三维建模操作能够提高缺陷检测的准确性。
Description
技术领域
本公开涉及车辆技术领域,尤其涉及一种零部件的缺陷检测方法、装置、存储介质以及电子设备。
背景技术
目前缺陷检测在工业生产制造和质量监测等领域都有着广泛的应用,如零部件的缺陷检测。通过缺陷检测可以发现产品存在的缺陷,供维修人员及时修正以保证产品质量,为准确判断产品质量是否合格、选择何种工序进行维修等,通常需要在得到包括了目标产品图像后,对目标产品图像进行仔细分析和精细识别。然而,目前主要都是通过人工质检的方式来保证质检结果的准确性,这种方式成本较高,且效率较低。
发明内容
为克服相关技术中存在的问题,本公开提供一种零部件的缺陷检测方法、装置、存储介质以及电子设备。
根据本公开实施例的第一方面,提供一种零部件的缺陷检测方法,包括:
采集待检测零部件的第一图像;
基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果;
根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据;
针对所述三维点云数据执行连通域构建操作,得到目标连通域;
基于所述目标连通域确定所述待检测零部件的目标检测结果。
可选地,所述根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据,包括:
获取所述待检测零部件对应的标准模型数据;
根据所述第一图像、所述缺陷检测结果和所述标准模型数据执行三维建模操作,得到所述三维点云数据。
可选地,所述根据所述第一图像、所述缺陷检测结果和所述标准模型数据执行三维建模操作,得到三维点云数据,包括:
基于所述第一图像和所述缺陷检测结果构建初始点云数据;
根据所述标准模型数据对所述初始点云数据进行修正,得到所述三维点云数据。
可选地,所述缺陷检测结果包括缺陷数量和缺陷体积,所述方法还包括:
根据所述缺陷数量和缺陷体积确定所述待检测零部件的质量级别;
基于所述质量级别确定所述待检测零部件是否合格。
可选地,所述缺陷检测结果还包括缺陷形态,所述方法还包括:
若确定所述零部件不合格,则淘汰所述零部件,和/或,基于所述缺陷数量、所述缺陷体积和所述缺陷形态中的至少一个调整所述待检测零部件的生产工艺。
可选地,所述第一图像为X-Ray图像。
根据本公开实施例的第二方面,提供一种零部件的缺陷检测装置,包括:
采集模块,被配置为采集待检测零部件的第一图像;
获取模块,被配置为基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果;
建模模块,被配置为根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据;
构建模块,被配置为针对所述三维点云数据执行连通域构建操作,得到目标连通域;
确定模块,被配置为基于所述目标连通域确定所述待检测零部件的目标检测结果。
根据本公开实施例的第三方面,提供一种电子设备,该电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
采集待检测零部件的第一图像;
基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果;
根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据;
针对所述三维点云数据执行连通域构建操作,得到目标连通域;
基于所述目标连通域确定所述待检测零部件的目标检测结果。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的零部件的缺陷检测方法的步骤。
根据本公开实施例的第五方面,提供一种芯片,该芯片包括处理器和接口;所述处理器用于读取指令以实现本公开第一方面所提供的零部件的缺陷检测方法的步骤。
本公开实施例通过基于三维建模获取的三维点云数据来准确确定待检测零部件的缺陷检测结果。具体的,采集待检测零部件的第一图像,基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果,在此基础上,根据第一图像和缺陷检测结果执行三维建模操作,得到三维点云数据,针对该三维点云数据执行连通域构建操作,能够得到更加准确的目标连通域,而后基于目标连通域确定待检测零部件的目标检测结果,由于本公开实施例中的缺陷检测是在三维基础上进行,能够避免二维检测下的重叠等导致的误检测,进而可以提高缺陷检测的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种零部件的缺陷检测方法的流程图。
图2是根据一示例性实施例示出的另一种零部件的缺陷检测方法的流程图。
图3是根据一示例性实施例示出的一种零部件的缺陷检测装置的框图。
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开的描述中,使用的术语如“第一”、“第二”等是用于区别类似的对象,而不必理解为特定的顺序或先后次序。另外,在未作相反说明的情况下,在参考附图的描述中,不同附图中的同一标记表示相同的要素。
在本公开实施例中尽管在附图中以特定的顺序描述操作或步骤,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作或步骤,或是要求执行全部所示的操作或步骤以得到期望的结果。在本公开的实施例中,可以串行执行这些操作或步骤;也可以并行执行这些操作或步骤;也可以执行这些操作或步骤中的一部分。
为了确保量产的零部件符合质量标准,通常需要对制造的零部件进行缺陷检测,以发现可能存在的缺陷并及时进行修复。相关技术在进行缺陷检测时主要是基于二维图像进行。然而,基于二维图像进行缺陷检测通常会存在检测不准确的问题,主要原因是二维图像通常会存在重叠等问题,导致同一个缺陷会被多次检出,进而会影响缺陷检测的准确性。
图1是根据一示例性实施例示出的一种零部件的缺陷检测方法的流程图,如图1所示,零部件的缺陷检测方法用于电子设备中,包括以下步骤。
在步骤S110中,采集待检测零部件的第一图像。
本公开实施例中,待检测零部件的第一图像可以是一组图像,即第一图像可以是对待检测零部件从不同角度拍摄获取的多张图像。示例性的,第一图像可以是对待检测零部件的上、下、左、右、前、后六个方向进行采集获取的多张图像。
作为一种可选地方式,待检测零部件可以是车辆上的零部件,也可以是手机上的零部件,或者也可以是其他产品上的零部件,待检测零部件具体是什么产品上的零件这里不进行明确限制。
作为另一种可选地方式,本公开实施例中的第一图像可以为X-Ray(X射线)图像,该第一图像可通过X射线发射器发出的X射线扫描待检测零部件,以获取待检测零部件的XRay图像。
在步骤S120中,基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果。
作为一种可选地方式,在采集到待检测零部件的第一图像之后,本公开实施例可以基于缺陷检测模型对第一图像进行缺陷检测,以得到缺陷检测结果。这里,缺陷检测模型在获取到第一图像后可以对该第一图像进行语义分析,以得到缺陷检测结果。
其中,缺陷检测模型可以是DeepLearning模型,在利用缺陷检测模型对第一图像进行缺陷检测的过程中,电子设备可以将第一图像输入至缺陷检测模型,得到缺陷检测结果,即缺陷检测模型的输出可以是缺陷检测结果。这里,缺陷检测结果可以包括缺陷的位置和缺陷的种类等。
本公开实施例中,缺陷检测模型可以是利用大量数据集训练获取,其中,数据集可以包括大量缺陷图像和每个缺陷图像对应的缺陷标签,利用数据集对深度学习进行训练便可以得到缺陷检测模型。
可选地,在获取到待检测零部件的第一图像之后,本公开实施例可以将第一图像输入至训练好的缺陷检测模型中,得到缺陷检测结果,该缺陷检测结果包括第一图像中缺陷的位置以及种类等。需要说明的是,缺陷检测结果是基于二维图像获取的,故缺陷检测结果也是二维的检测结果。
另外,通过上述介绍知道,第一图像可以由多张图像组成,故在进行缺陷检测的过程中可以将多张图像均输入给缺陷检测模型,以得到每个图像对应的缺陷检测结果。换句话说,缺陷检测结果可以包括不同方向采集的多个图像的缺陷检测结果。
在步骤S130中,根据第一图像和缺陷检测结果执行三维建模操作,得到三维点云数据。
作为一种可选地方式,本公开实施例可以根据第一图像和缺陷检测结果执行三维建模操作,得到三维点云数据。换句话说,利用第一图像和缺陷检测结果能够实现三维重建操作,进而可以得到待检测零部件对应的三维模型,该三维模型可以由三维点云数据组成。
本公开实施例中,三维点云数据可以包括正常点云数据和缺陷点云数据,其中,缺陷点云数据可以基于缺陷检测结果获取。在执行三维建模操作的过程中电子设备可以确定缺陷检测结果中缺陷点的位置,在此基础上,将缺陷点的位置映射到三维建模对应的位置上,如此可以知道三维模型中缺陷点的位置。
换句话说,本公开实施例在进行三维建模时可以将缺陷点标记出来,如此可以保证最后获取的三维点云数据有语义,即实现缺陷的语义化。综上,三维点云数据中缺陷点云数据均是被标记了,如此可以更加准确有效的实现零部件的缺陷检测。
需要说明的是,步骤S120和步骤S130之间可以同时执行也可以依次执行,本公开实施例对两者的执行顺序不做限定。
在步骤S140中,针对三维点云数据执行连通域构建操作,得到目标连通域。
作为一种可选地方式,在获取到三维点云数据之后,本公开实施例可以执行连通域构建操作,以得到目标连通域。为了更好的实现对缺陷点的统计,本公开实施例可以对获取的三维点云数据进行3D连通域的构建,即将属于同一缺陷区域的缺陷点连起来。
可选地,由于三维点云数据中各缺陷是用点表示的,如果直接基于三维点云数据中的缺陷点云数据来确定缺陷数量无法知晓这些缺陷点之间的空间关系,如此不仅导致缺陷检测的难度增大,而且导致检测的成本增高。因此,本公开实施例在统计缺陷数量之前可以先将各缺陷点连接起来,如此可以保证最终获取的缺陷数量是准确的,而不是缺陷点的数量。
综上,本公开实施例中的一片缺陷点云数据可以代表一个缺陷,通过执行连通域构建操作,能够更加快速有效的获取到目标检测结果。
在步骤S150中,基于目标连通域确定待检测零部件的目标检测结果。
作为一种可选地方式,在得到目标连通域之后,本公开实施例可以对该目标连通域中的缺陷区域进行统计以得到待检测零部件的目标检测结果。具体的,对目标连通域中缺陷区域的数量进行统计,以及对目标连通域中缺陷区域的形态进行统计,得到目标检测结果。
本公开实施例中,目标检测结果可以包括缺陷数量、缺陷形态、缺陷体积以及缺陷类别等。其中,缺陷形态可以是缺陷区域的形状,如缺陷形态可以包括长条、圆形以及椭圆形等。另外,缺陷类别指的是缺陷的种类,具体的,缺陷类别可以包括裂纹、毛刺、气泡以及孔洞等。
需要说明的是,本公开实施例中的缺陷检测针对的可以是零部件的表面。当第一图像为X-Ray图像时,本公开实施例的缺陷检测主要针对的则是零部件的内部。
本公开实施例通过基于三维建模获取的三维点云数据来准确确定待检测零部件的缺陷检测结果。具体的,采集待检测零部件的第一图像,基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果,在此基础上,根据第一图像和缺陷检测结果执行三维建模操作,得到三维点云数据,针对该三维点云数据执行连通域构建操作,能够得到更加准确的目标连通域,而后基于目标连通域确定待检测零部件的目标检测结果,由于本公开实施例中的缺陷检测是在三维基础上进行,能够避免二维检测下的重叠等导致的误检测,进而可以提高缺陷检测的准确性。
图2是根据一示例性实施例示出的另一种零部件的缺陷检测方法的流程图,如图2所示,零部件的缺陷检测方法用于电子设备中,包括以下步骤。
在步骤S210中,采集待检测零部件的第一图像。
在步骤S220中,基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果。
其中,步骤S210至步骤S220的具体实施方式上述实施例已进行了详细描述,这里就不再进行赘述。
在步骤S230中,获取待检测零部件对应的标准模型数据。
作为一种可选地方式,本公开实施例可以获取待检测零部件对应的标准模型数据。具体的,本公开实施例可以识别第一图像中的待检测零部件,在此基础上,获取该待检测零部件对应的标准模型数据。其中,标准模型数据可以是待检测零部件的设计原型数据,即待检测零部件可以是基于标准模型数据生产。
可选地,在获取标准模型数据之前,本公开实施例也可以先获取待检测零部件,该待检测零部件可以通过识别第一图像获取。可选地,待检测零部件也可以由用户输入,例如,用户输入待检测零部件的型号为0001,则可以直接确定出待检测零部件是哪一个。
作为一种可选地方式,在获取到待检测零部件之后,本公开实施例可以获取第一映射关系,然后基于待检测零部件和第一映射关系获取到标准模型数据。其中,第一映射关系中,待检测零部件和标准模型数据之间可以存在相互对应的关系。
在步骤S240中,根据第一图像、缺陷检测结果和标准模型数据执行三维建模操作,得到三维点云数据。
作为一种可选地方式,本公开实施例可以根据第一图像、缺陷检测结果以及标准模型数据执行三维建模操作,以得到三维点云数据。具体的,基于第一图像和缺陷检测结果构建初始点云数据,在此基础上,根据标准模型数据对初始点云数据进行修正,得到三维点云数据。这里,标准模型数据可以作为三维重建的约束,通过引入标准模型数据,能够使最终得到的三维点云数据更加准确。
示例性的,在采集第一图像的过程中若发生抖动,则会导致采集的第一图像与实际待检测零部件的形状或结构不符,故在进行三维重建的过充中可以引入标准模型数据,以通过该标准模型数据来修正基于第一图像构建的三维模型。
需要说明的是,标准模型数据可以是在获取到初始点云数据之后引入,即在获取到初始点云数据之后,利用该标准模型数据对初始点云数据进行修正,以得到三维点云数据。可选地,标准模型数据也可以在执行三维建模操作的过程中引入,即在利用第一图像和缺陷检测结果进行三维重建的过程中,以标准模型数据为约束,得到最终的三维点云数据。具体何时引入标准模型数据,这里不进行明确限制可根据实际情况进行选择。
在步骤S250中,针对三维点云数据执行连通域构建操作,得到目标连通域。
作为一种可选地方式,获取到三维电源数据之后本公开实施例可以利用3D(3Dimensions,三维)连通域计算方法进行连通域的获取,得到目标连通域,这里目标连通域可以包括缺陷连通域和正常连通域。
可选地,在得到目标连通域之后,本公开实施例也可以将其与缺陷检测结果进行匹配,若确定二者不匹配,且不匹配度超出预设阈值,则对所述缺陷检测模型进行调整,如此能够提高缺陷检测模型获取缺陷检测结果的准确性。
在步骤S260中,基于目标连通域确定待检测零部件的目标检测结果。
其中,步骤S260的具体实施方式上述实施例已进行了详细描述,这里就不再进行赘述。
作为一种可选地方式,目标检测结果可以包括缺陷数量和缺陷体积,在获取到目标检测结果之后,本公开实施例可以根据缺陷数量和缺陷体积确定待检测零部件的质量级别。在此基础上,基于该质量级别确定待检测零部件是否合格。
作为一个示例,获取第二映射关系,该第二映射关系中缺陷数量、缺陷体积与质量级别存在对应关系。因此,在获取到缺陷数量和缺陷体积后可以基于第二映射关系获取对应的质量级别。
可选地,当确定质量级别超出预设级别时,确定待检测零部件合格,即待检测零部件为良品。可选地,当确定质量级别低于预设级别时,确定待检测零部件不合格。
作为另一种可选地方式,在确定待检测零部件不合格的情况下,本公开实施例可以淘汰该零部件,如此可以避免问题零部件被使用,进而可以降低这些问题零部件所带来的不必要的危险。
可选地,在确定待检测零部件不合格的情况下,本公开实施例可以基于待检测零部件的缺陷数量、缺陷体积和缺陷形态中的至少一个调整待检测零部件的生产工艺。具体的,通过分析目标检测结果可以知晓待检测零部件上缺陷的形成原因,如此可以对应调整生产工艺,进而可以提升零部件的质量,节约生产成本。
需要说明的是,在获取到目标检测结果之后,本公开实施例可以对该目标检测结果进行显示。通过上述介绍知道,目标检测结果可以包括缺陷数量、缺陷类别、缺陷形态以及缺陷体积等,基于这些信息可以更加灵活准确的实现零部件的缺陷检测。
本公开实施例通过基于三维建模获取的三维点云数据来准确确定待检测零部件的缺陷检测结果。具体的,采集待检测零部件的第一图像,基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果,在此基础上,根据第一图像和缺陷检测结果执行三维建模操作,得到三维点云数据,针对该三维点云数据执行连通域构建操作,能够得到更加准确的目标连通域,而后基于目标连通域确定待检测零部件的目标检测结果,由于本公开实施例中的缺陷检测是在三维基础上进行,能够避免二维检测下的重叠等导致的误检测,进而可以提高缺陷检测的准确性。另外,本公开实施例通过采样连通域方法计算零部件内部缺陷,能够精准定位缺陷位置、形态和统计缺陷数量。
图3是根据一示例性实施例示出的一种零部件的缺陷检测装置框图。参照图3,该零部件的缺陷检测装置300可以包括采集模块310、获取模块320、建模模块330、构建模块340和确定模块350。
该采集模块310被配置为采集待检测零部件的第一图像;
该获取模块320被配置为基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果;
该建模模块330被配置为根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据;
该构建模块340被配置为针对所述三维点云数据执行连通域构建操作,得到目标连通域;
该确定模块350被配置为基于所述目标连通域确定所述待检测零部件的目标检测结果。
在一些实施方式中,建模模块330可以包括:
标准数据获取子模块,被配置为获取所述待检测零部件对应的标准模型数据;
三维建模子模块,被配置为根据所述第一图像、所述缺陷检测结果和所述标准模型数据执行三维建模操作,得到所述三维点云数据。
在一些实施方式中,三维建模子模块还被配置为基于所述第一图像和所述缺陷检测结果构建初始点云数据;根据所述标准模型数据对所述初始点云数据进行修正,得到所述三维点云数据。
在一些实施方式中,所述缺陷检测结果包括缺陷数量和缺陷体积,零部件的缺陷检测装置300还包括:
级别确定模块,被配置为根据所述缺陷数量和缺陷体积确定所述待检测零部件的质量级别;
合格确定模块,被配置为基于所述质量级别确定所述待检测零部件是否合格。
在一些实施方式中,所述缺陷检测结果还包括缺陷形态,零部件的缺陷检测装置300还包括:
处理模块,被配置为若确定所述零部件不合格,则淘汰所述零部件,和/或,基于所述缺陷数量、所述缺陷体积和所述缺陷形态中的至少一个调整所述待检测零部件的生产工艺。
在一些实施方式中,第一图像为X-Ray图像。
本公开实施例通过基于三维建模获取的三维点云数据来准确确定待检测零部件的缺陷检测结果。具体的,采集待检测零部件的第一图像,基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果,在此基础上,根据第一图像和缺陷检测结果执行三维建模操作,得到三维点云数据,针对该三维点云数据执行连通域构建操作,能够得到更加准确的目标连通域,而后基于目标连通域确定待检测零部件的目标检测结果,由于本公开实施例中的缺陷检测是在三维基础上进行,能够避免二维检测下的重叠等导致的误检测,进而可以提高缺陷检测的准确性。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的零部件的缺陷检测方法的步骤。
图4是根据一示例性实施例示出的一种用于零部件的缺陷检测的电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述零部件的缺陷检测方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
输入/输出接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述零部件的缺陷检测方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由电子设备800的处理器820执行以完成上述零部件的缺陷检测方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
上述电子设备除了可以是独立的电子设备外,也可是独立电子设备的一部分,例如在一种实施例中,该电子设备可以是集成电路(Integrated Circuit,IC)或芯片,其中该集成电路可以是一个IC,也可以是多个IC的集合;该芯片可以包括但不限于以下种类:GPU(Graphics Processing Unit,图形处理器)、CPU(Central Processing Unit,中央处理器)、FPGA(Field Programmable Gate Array,可编程逻辑阵列)、DSP(Digital SignalProcessor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、SOC(System on Chip,SoC,片上***或***级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码),以实现上述的零部件的缺陷检测方法。其中该可执行指令可以存储在该集成电路或芯片中,也可以从其他的装置或设备获取,例如该集成电路或芯片中包括处理器、存储器,以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中,当该可执行指令被处理器执行时实现上述的零部件的缺陷检测方法;或者,该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行,以实现上述的零部件的缺陷检测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的零部件的缺陷检测方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种零部件的缺陷检测方法,其特征在于,包括:
采集待检测零部件的第一图像;
基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果;
根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据;
针对所述三维点云数据执行连通域构建操作,得到目标连通域;
基于所述目标连通域确定所述待检测零部件的目标检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据,包括:
获取所述待检测零部件对应的标准模型数据;
根据所述第一图像、所述缺陷检测结果和所述标准模型数据执行三维建模操作,得到所述三维点云数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一图像、所述缺陷检测结果和所述标准模型数据执行三维建模操作,得到三维点云数据,包括:
基于所述第一图像和所述缺陷检测结果构建初始点云数据;
根据所述标准模型数据对所述初始点云数据进行修正,得到所述三维点云数据。
4.根据权利要求1所述的方法,其特征在于,所述缺陷检测结果包括缺陷数量和缺陷体积,所述方法还包括:
根据所述缺陷数量和缺陷体积确定所述待检测零部件的质量级别;
基于所述质量级别确定所述待检测零部件是否合格。
5.根据权利要求4所述的方法,其特征在于,所述缺陷检测结果还包括缺陷形态,所述方法还包括:
若确定所述零部件不合格,则淘汰所述零部件,和/或,基于所述缺陷数量、所述缺陷体积和所述缺陷形态中的至少一个调整所述待检测零部件的生产工艺。
6.根据权利要求1至5任一所述的方法,其特征在于,所述第一图像为X-Ray图像。
7.一种零部件的缺陷检测装置,其特征在于,包括:
采集模块,被配置为采集待检测零部件的第一图像;
获取模块,被配置为基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果;
建模模块,被配置为根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据;
构建模块,被配置为针对所述三维点云数据执行连通域构建操作,得到目标连通域;
确定模块,被配置为基于所述目标连通域确定所述待检测零部件的目标检测结果。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
采集待检测零部件的第一图像;
基于缺陷检测模型对第一图像进行缺陷检测,得到缺陷检测结果;
根据所述第一图像和所述缺陷检测结果执行三维建模操作,得到三维点云数据;
针对所述三维点云数据执行连通域构建操作,得到目标连通域;
基于所述目标连通域确定所述待检测零部件的目标检测结果。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1~6中任一项所述方法的步骤。
10.一种芯片,其特征在于,包括处理器和接口;所述处理器用于读取指令以执行权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935952.1A CN116862898A (zh) | 2023-07-27 | 2023-07-27 | 零部件的缺陷检测方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935952.1A CN116862898A (zh) | 2023-07-27 | 2023-07-27 | 零部件的缺陷检测方法、装置、存储介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862898A true CN116862898A (zh) | 2023-10-10 |
Family
ID=88234060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310935952.1A Pending CN116862898A (zh) | 2023-07-27 | 2023-07-27 | 零部件的缺陷检测方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862898A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516660A (zh) * | 2021-09-15 | 2021-10-19 | 江苏中车数字科技有限公司 | 适用于列车的视觉定位与缺陷检测方法和装置 |
CN115294117A (zh) * | 2022-10-08 | 2022-11-04 | 深圳市天成照明有限公司 | Led灯珠的缺陷检测方法及相关装置 |
CN115526892A (zh) * | 2022-11-29 | 2022-12-27 | 南方电网数字电网研究院有限公司 | 基于三维重建的图像缺陷去重检测方法和装置 |
CN115931871A (zh) * | 2022-12-01 | 2023-04-07 | 华中科技大学 | 一种用于永磁电机转子外轮廓缺陷检测装置及方法 |
CN116152208A (zh) * | 2023-02-23 | 2023-05-23 | 合肥联宝信息技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
-
2023
- 2023-07-27 CN CN202310935952.1A patent/CN116862898A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516660A (zh) * | 2021-09-15 | 2021-10-19 | 江苏中车数字科技有限公司 | 适用于列车的视觉定位与缺陷检测方法和装置 |
CN115294117A (zh) * | 2022-10-08 | 2022-11-04 | 深圳市天成照明有限公司 | Led灯珠的缺陷检测方法及相关装置 |
CN115526892A (zh) * | 2022-11-29 | 2022-12-27 | 南方电网数字电网研究院有限公司 | 基于三维重建的图像缺陷去重检测方法和装置 |
CN115931871A (zh) * | 2022-12-01 | 2023-04-07 | 华中科技大学 | 一种用于永磁电机转子外轮廓缺陷检测装置及方法 |
CN116152208A (zh) * | 2023-02-23 | 2023-05-23 | 合肥联宝信息技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9668117B2 (en) | Method and device for analyzing social relationship | |
CN106557759B (zh) | 一种标志牌信息获取方法及装置 | |
US9892314B2 (en) | Method and device for determining associated user | |
CN108896725B (zh) | 水质监测方法、装置、***、计算机设备及存储介质 | |
CN104503888A (zh) | 告警提示的方法及装置 | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN106384348B (zh) | 监控图像的异常检测方法及装置 | |
CN112131079B (zh) | 数据监控方法、装置、电子设备和存储介质 | |
CN106253996B (zh) | 灵敏度衰减测试方法及装置 | |
CN111209354A (zh) | 一种地图兴趣点判重的方法、装置及电子设备 | |
CN110458870A (zh) | 一种图像配准、融合、遮挡检测方法、装置和电子设备 | |
CN111539617B (zh) | 数据处理方法和装置、电子设备、交互***和存储介质 | |
CN111047049B (zh) | 基于机器学习模型处理多媒体数据的方法、装置及介质 | |
CN115861741B (zh) | 目标标定方法、装置、电子设备、存储介质及车辆 | |
CN116862898A (zh) | 零部件的缺陷检测方法、装置、存储介质以及电子设备 | |
CN113590605B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114862756A (zh) | 对象测距方法及装置、电子设备和存储介质 | |
CN107968690B (zh) | 终端设备射频通路异常的检测方法及装置 | |
CN115937629B (zh) | 模板图像的更新方法、更新装置、可读存储介质及芯片 | |
CN111738282A (zh) | 一种基于人工智能的图像识别方法和相关设备 | |
CN112733141B (zh) | 一种信息处理方法及装置 | |
CN115937069B (zh) | 零件检测方法、装置、电子设备及存储介质 | |
CN117956135A (zh) | 性能评测方法、装置、终端及存储介质 | |
CN112036507B (zh) | 图像识别模型的训练方法、装置、存储介质和电子设备 | |
CN114563012B (zh) | 计步方法、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 |