CN116977302A - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116977302A CN116977302A CN202310920675.7A CN202310920675A CN116977302A CN 116977302 A CN116977302 A CN 116977302A CN 202310920675 A CN202310920675 A CN 202310920675A CN 116977302 A CN116977302 A CN 116977302A
- Authority
- CN
- China
- Prior art keywords
- region
- detected
- sub
- image
- gray
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 228
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012805 post-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 25
- 230000004927 fusion Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 208000025962 Crush injury Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开提供了一种图像处理方法、装置、设备及存储介质,通过获取待测工件的待处理图像内的待测区域;统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值;根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定多个候选缺陷区域;将所述候选缺陷区域进行后处理,得到目标缺陷区域,能够在待测工件的表面缺陷检测的过程中,提高阈值选择的准确性和合理性,降低阈值选择的难度,从而提高待测工件缺陷检测的准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
自动光学检测(Automated Optical Inspection,AOI)是一种使用光学设备和图像处理技术来检测电子设备、半导体和其他工业制品的质量和准确性的方法。在过去,传统的检测方法通常由人工进行,因此存在人为疏漏、效率低下等问题。而随着自动化技术的发展,AOI技术应运而生。相比传统的检测方法,AOI技术具有检测速度快、检测精度高、检测成本低等优势。AOI技术可以自动扫描和分析产品表面的图像,以检测生产过程中的缺陷,可以用于检测产品的尺寸、位置、表面压伤、划伤、擦伤以及异色等缺陷。
在现有技术中,阈值分割是AOI技术中主流的缺陷检测方法之一。该方法将图像中的像素值分成前景和背景两部分,并根据一定的阈值进行分割。阈值的选择对缺陷检测的准确性和稳定性非常重要,虽然阈值分割方法的原理简单,实现方便,但是阈值的选择难度却很大。
发明内容
本公开提供了一种图像处理方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种图像处理方法,所述方法包括:
获取待测工件的待处理图像内的待测区域;
统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值;
根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定多个候选缺陷区域;
将所述候选缺陷区域进行后处理,得到目标缺陷区域。
在一可实施方式中,所述获取待测工件的待处理图像内的待测区域,包括:
获取所述待测工件的标准图像;
通过所述标准图像对所述待处理图像进行校正,确定所述待处理图像内的待测区域。
在一可实施方式中,所述通过所述标准图像对所述待处理图像进行校正,确定所述待处理图像内的待测区域,包括:
获取所述标准图像内的标准工件;
根据所述标准工件,创建基准坐标系及所述标准待测区域在所述基准坐标系下的范围;
获取所述待处理图像内的待测工件;
通过所述基准坐标系和所述待测工件,对所述待处理图像进行校正;
根据所述标准待测区域在所述基准坐标系下的范围,在校正后的待处理图像内确定所述待测区域。
在一可实施方式中,所述统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值,包括:
将所述待测区域分为预设个数的待测子区域,并分别统计各个待测子区域内像素点的灰度直方图;
根据各个待测子区域内像素点的灰度直方图,确定所述各个待测子区域的目标子灰度值;
相应的,所述根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定候选缺陷区域,包括:
根据所述各个待测子区域内各个像素点的像素值和其对应的目标子灰度值,确定候选缺陷区域。
在一可实施方式中,在所述将所述待测区域分为预设个数的待测子区域之前,包括:
通过中值滤波算法对所述待处理图像进行滤波处理。
在一可实施方式中,所述根据各个待测子区域内像素点的灰度直方图,确定所述各个待测子区域的目标子灰度值,包括:
统计各个待测子区域内像素点的灰度直方图;
将出现频次最多的灰度值作为各个待测子区域的初始子灰度值;
将所述各个待测子区域内的初始子灰度值,加上各自对应的缺陷偏差值,得到所述各个待测子区域的目标子灰度值。
在一可实施方式中,所述根据所述各个待测子区域各个像素点的初始值和其对应的目标子灰度值,确定候选缺陷区域,包括:
将所述各个待测子区域内各个像素点的像素值减去与其对应的目标子灰度值,得到多个候选缺陷子区域;
将所述多个候选缺陷子区域进行合并处理,得到候选缺陷区域。
在一可实施方式中,所述将所述多个候选缺陷区域进行后处理,得到目标缺陷区域,包括:
按照距离阈值,将各个候选缺陷区域进行区域融合,得到处理后的候选缺陷区域;
根据所述处理后的候选缺陷区域的面积值和预设面积阈值,确定目标缺陷区域。
在一可实施方式中,所述按照距离阈值,将各个候选缺陷区域进行区域融合,包括:
获取各个候选缺陷区域的中心点,得到各个中心点的位置信息;
根据各个中心点的位置信息,确定各个中心点之间的距离;
将满足距离阈值的中心点所对应的候选缺陷区域,进行区域融合。
在一可实施方式中,在所述将各个候选缺陷区域进行区域融合之后,还包括:
在所述处理后的候选缺陷区域范围内,若存在有当前像素点为常规像素点,则将所述当前像素点归类为缺陷像素点,并与所述处理后的候选缺陷区域相融合。
在本公开实施例中,所述通过中值滤波算法对所述待处理图像进行滤波处理,包括:通过滤波窗口遍历所述待处理图像内的各个像素点;在所述滤波窗口定位在当前像素点时,按照像素值大小排序所述当前像素点;将排序在中位数的当前像素点作为所述滤波窗口的输出像素点。
根据本公开的第二方面,提供了一种图像处理装置,所述装置包括:
区域获取模块,用于获取待测工件的待处理图像内的待测区域;
灰度值确定模块,用于统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值;
缺陷候选模块,用于根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定多个候选缺陷区域;
缺陷确定模块,用于将所述候选缺陷区域进行后处理,得到目标缺陷区域。
在一可实施方式中,所述区域获取模块,具体用于:
获取所述待测工件的标准图像;
通过所述标准图像对所述待处理图像进行校正,确定所述待处理图像内的待测区域。
在一可实施方式中,所述区域获取模块,还具体用于:
获取所述标准图像内的标准工件;
根据所述标准工件,创建基准坐标系及所述标准待测区域在所述基准坐标系下的范围;
获取所述待处理图像内的待测工件;
通过所述基准坐标系和所述待测工件,对所述待处理图像进行校正;
根据所述标准待测区域在所述基准坐标系下的范围,在校正后的待处理图像内确定所述待测区域。
在一可实施方式中,所述灰度值确定模块,具体用于:
将所述待测区域分为预设个数的待测子区域,并分别统计各个待测子区域内像素点的灰度直方图;
根据各个待测子区域内像素点的灰度直方图,确定所述各个待测子区域的目标子灰度值;
相应的,所述缺陷候选模块,具体用于:
根据所述各个待测子区域内各个像素点的像素值和其对应的目标子灰度值,确定候选缺陷区域。
在一可实施方式中,还包括:
滤波模块,用于在所述将所述待测区域分为预设个数的待测子区域之前,通过中值滤波算法对所述待处理图像进行滤波处理。
在一可实施方式中,所述灰度值确定模块,具体用于:
统计各个待测子区域内像素点的灰度直方图;
将出现频次最多的灰度值作为各个待测子区域的初始子灰度值;
将所述各个待测子区域内的初始子灰度值,加上各自对应的缺陷偏差值,得到所述各个待测子区域的目标子灰度值。
在一可实施方式中,所述缺陷候选模块,具体用于:
将所述各个待测子区域内各个像素点的像素值减去与其对应的目标子灰度值,得到多个候选缺陷子区域;
将所述多个候选缺陷子区域进行合并处理,得到候选缺陷区域。
在一可实施方式中,所述缺陷确定模块,具体用于:
按照距离阈值,将各个候选缺陷区域进行区域融合,得到处理后的候选缺陷区域;
根据所述处理后的候选缺陷区域的面积值和预设面积阈值,确定目标缺陷区域。
在一可实施方式中,所述缺陷确定模块,具体用于:
获取各个候选缺陷区域的中心点,得到各个中心点的位置信息;
根据各个中心点的位置信息,确定各个中心点之间的距离;
将满足距离阈值的中心点所对应的候选缺陷区域,进行区域融合。
在一可实施方式中,所述缺陷确定模块,具体还用于:
在所述将各个候选缺陷区域进行区域融合之后,在所述处理后的候选缺陷区域范围内,若存在有当前像素点为常规像素点,则将所述当前像素点归类为缺陷像素点,并与所述处理后的候选缺陷区域相融合。
所述滤波模块,具体用于:通过滤波窗口遍历所述待处理图像内的各个像素点;在所述滤波窗口定位在当前像素点时,按照像素值大小排序所述当前像素点;将排序在中位数的当前像素点作为所述滤波窗口的输出像素点。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的图像处理方法、装置、设备及存储介质,获取待测工件的待处理图像内的待测区域;统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值;根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定多个候选缺陷区域;将所述候选缺陷区域进行后处理,得到目标缺陷区域,能够在待测工件的表面缺陷检测的过程中,提高阈值选择的准确性和合理性,降低阈值选择的难度,从而提高待测工件缺陷检测的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例提供的一种图像处理方法的实现流程示意图;
图2示出了本公开实施例提供的一种示例性的待处理图像的待测区域的图像示意图;
图3示出了本公开实施例提供的一种示例性的待测区域内像素点减去目标灰度值之后的图像示意图;
图4示出了本公开实施例提供的一种示例性的候选缺陷区域的图像示意图;
图5示出了本公开实施例提供的一种示例性的目标缺陷区域的图像示意图;
图6示出了本公开实施例提供的一种示例性的图像处理方法的流程图;
图7示出了本公开实施例提供的一种图像处理装置的结构示意图;
图8示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1为本公开实施例提供的一种图像处理方法的流程图,该方法可以由本公开实施例提供的图像处理装置来执行,该装置可采用软件和/或硬件的方式实现。该方法具体包括:
S110、获取待测工件的待处理图像内的待测区域。
其中,待测工件可以是表面颜色单一、均匀以及平整类型的工件,例如玻璃制品、光滑壳体或者钢板表面等工件。待处理图像可以是用于检测待测工件是否存在缺陷的图像,可以是灰度图像,也可以是其他任意类型的图像,若是其他任意类型的图像,转化为灰度图像。
其中,待测区域可以是待处理图像中需要检测的区域。例如,由于相机在拍摄待测工件时,会拍摄进去非待测工件的区域,因此,本实施例在获取待测工件后,需要确定待处理图像内的待测区域,也即感兴趣区域(region of interest,ROI)。又例如,本实施例若对待测工件的部分区域进行检测,则可以将待测区域定义为待测工件内的部分区域。
具体的,本实施例为了能够准确的检测待测工件的表面是否存在缺陷,可以获取待测工件的待处理图像。具体为,获取待测工件的待处理图像可以是相机直接拍摄的图像,也可以是其他电子设备通过有线和/或无线的方式获取的图图像,本实施例不对待处理图像的获取方式进行限定。而本实施例在获取待处理图像之后,可以确定待处理图像内的待测工件,通过待测工件确定待处理图像的待测区域。
需要说明的是,本实施例在对待测工件进行缺陷检测之前,需要依据接收指令,也即算子参数值,来判断需要检出的缺陷属于是亮缺陷还是暗缺陷,具体为比背景亮还是比背景暗。若缺陷比背景暗,则用255减去当前像素值,将暗缺陷变为亮缺陷。例如,背景像素值为100,亮缺陷值为150,暗缺陷值为80,上述数值仅仅是一种示例。
示例性的,若对待测工件既检测亮缺陷,又检测暗缺陷,则做两次检测,第一次可以直接使用待处理图像内各个像素点的像素值,第二次则将255减去待处理图像内各个像素点的像素值。
在本公开实施例中,获取待测工件的待处理图像内的待测区域,包括:获取所述待测工件的标准图像;通过所述标准图像对所述待处理图像进行校正,确定所述待处理图像内的待测区域。
其中,标准图像,可以是用于对待测工件的待处理图像进行校正的模板图像。
具体的,由于获取待测工件本身的形态、角度、方向、位置都有可能会发生变化以及拍摄误差,因此本实施例需要先将待测工件的标准图像与待测工件的待处理图像进行配准,配准后才能通过标准图像确定待处理图像内的待测区域是否存在缺陷。
在本公开实施例中,通过所述标准图像对所述待处理图像进行校正,确定所述待处理图像内的待测区域,包括:获取所述标准图像内的标准工件;根据所述标准工件,创建基准坐标系及标准待测区域在所述基准坐标系下的范围;获取所述待处理图像内的待测工件;通过所述基准坐标系和所述待测工件,对所述待处理图像进行校正;根据所述标准待测区域在所述基准坐标系下的范围,在校正后的待处理图像内确定所述待测区域。
其中,标准工件可以是工作人员挑选出来的、表面没有任何缺陷的工件。基准坐标系,可以是将标准工件的相邻两边的直线延长取其交点,将该交点作为基准坐标系的原点,将该交点的横纵坐标所在的水平线和垂直线作为基准坐标系,从而构成用于对待处理图像进行校正的坐标系。
其中,标准待测区域可以是在标准图像的标准工件内需要检测的待测区域,或者直接是标准图像内的标准工件所在的区域。
具体的,本实施例首先获取标准图像内的标准工件,随后通过该标准工件得到与其对应的基准坐标系。同时获取待处理图像内待测工件的相邻两边的直线延长取其交点,将该交点作为待处理图像的待校正交点,并将待校正交点的横纵坐标所在的水平线和垂直线作为待校正坐标系。
具体的,本实施例通过基准坐标系和待校正坐标系,得到他们之间的仿射映射矩阵,对待处理图像进行校正。再通过标准待测区域在所述基准坐标系下的范围,以及通过调整待测工件的相邻两边与坐标系之间的夹角,确定校正后的待处理图像内的待测区域。
在此之前,本实施例对于想得到待测工件的待测区域,需要先设定感兴趣区域,由于感兴趣区域将待测工件的待测区域全部包含在内,且感兴趣区域与非感兴趣区域的像素值差别较大,因此本实施例可以通过阈值分割方法进行待测区域的提取。需要说明的是,该感兴趣区域是与基准坐标系相关联的,当基准坐标系发生位姿的变化,该感兴趣区域同步进行变化。
本实施例将标准图像作为模板图像,通过将标准图像和待处理图像放在同一图像坐标系内,对待处理图像进行校正,能有效提高待处理图像缺陷检测的准确性。
S120、统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值。
其中,灰度直方图是关于灰度级分布的函数,是对待测区域图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素,按照灰度值的大小,统计其出现的频率。目标灰度值,为非缺陷值,或者是缺陷阈值,例如,若目标灰度值为150,则将像素值大于150的像素点作为异常像素点。
其中,灰度直方图的计算公式为:
p(rk)=nk/MN
其中,rk是像素点的灰度级,nk是具备灰度rk的像素点的个数,MN是图像中总的像素个数。本实施例可以通过该公式确定待测区域的灰度直方图或者下文的待测子区域的灰度直方图。
具体的,本实施例可以直接统计整个待测区域的灰度直方图,将直方图内灰度值出现频次最高的像素值作为初始灰度值;还可以按照灰度值的大小,将其出现的频次进行累加,计算占比整个待测区域的比例,将累加至90%时所对应的灰度值作为初始灰度值,再根据灰度值和总缺陷偏差值,确定目标灰度值。其中,总缺陷偏差值指的是从待测区域整体来看,得到的误差容错值,也即高于初始灰度值多少灰度值才被认定为缺陷阈值。
例如,初始灰度值是100,总缺陷偏差值为5,可以根据初始灰度值和总缺陷偏差值,得到目标灰度值是105,将像素值大于105的像素值设定为异常像素点。将101-105之间的像素点,虽然比初始灰度值100像素值大,但是区别较弱,属于合理范围内的浮动值,所以可以设定为正常像素点。
S130、根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定多个候选缺陷区域。
其中,候选缺陷区域指的是有可能含有缺陷的待定区域。
具体的,本实施例通过遍历待测区域内各个像素点的像素值与目标灰度值的大小,可以将像素值大于目标灰度值的像素点作为候选缺陷区域内的像素点,由该类型像素点构成的区域,可以确定为候选缺陷区域。
或者,本实施例还可以将待测区域内各个像素点的像素值逐个减去目标灰度值,得到处理后的图像内,将灰度值在1到255之间的像素点都提取出来,根据提取出来的像素点坐标在待测区域内确定候选缺陷区域。示例性的,若待测区域内的某个像素点的像素值为80,目标灰度值为105,相减后该像素点为-25;若待测区域内的某个像素点的像素值为150,目标灰度值为105,相减后该像素点为45。本实施例把认为不是缺陷的目标灰度值减掉后,不是缺陷的地方置黑,若有可能是缺陷的地方会查看的更明显,如图2、图3以及图4所示。
图2为本实施例提供的一种示例性的待处理图像的待测区域的图像示意图;图3为本实施例提供的一种示例性的待测区域内像素点减去目标灰度值之后的图像示意图,如图3所示,亮色像素点区域为候选缺陷区域内的像素点。图4为本实施例提供的一种示例性的候选缺陷区域的图像示意图,包括示例性标记出来的候选缺陷区域410和候选缺陷区域420。
需要说明的是,本实施例内的候选缺陷区域也可以为一个,不对其具体数量多少进行限定。
S140、将所述候选缺陷区域进行后处理,得到目标缺陷区域。
在本公开实施例中,所述将所述多个候选缺陷区域进行后处理,得到目标缺陷区域,包括:按照距离阈值,将各个候选缺陷区域进行区域融合,得到处理后的候选缺陷区域;根据所述处理后的候选缺陷区域的面积值和预设面积阈值,确定目标缺陷区域。
其中,距离阈值可以是不同候选缺陷区域之间距离的阈值,若候选缺陷区域之间的距离小于距离阈值,则说明该两个候选缺陷区域为一个候选缺陷区域,因此可以将候选缺陷区域进行区域融合。预设面积阈值为定义为是否为目标缺陷区域的阈值,将大于该阈值的候选缺陷区域作为目标缺陷区域。
具体的,由于目标缺陷区域都有一定面积,因此本实施例在获得多个候选缺陷区域之后,可以依据距离进行区域融合,对融合后的区域计算面积值,通过面积值进行筛选,筛选出目标缺陷区域。
具体的,本实施例可以将预设面积阈值筛选的逻辑加入到分类器里,此分类器可以实现预设面积阈值之间与或非的逻辑,从而实现对候选缺陷区域进行联合判断,联合判断的结果在界面上进行显示。若候选缺陷区域被判断为缺陷,则在界面上对缺陷区域将其框选出来显示在软件界面上,如图5所示,图5为本实施例提供的一种示例性的目标缺陷区域的图像示意图,包括示例性标记出来的目标缺陷区域510。除此之外,本实施例还可以标有目标缺陷区域510的长、宽、高以及面积等相关特征参数,以方便查看。。
本实施例通过预设面积阈值,能够筛选掉小的干扰区域,留下缺陷区域。
在本公开实施例中,所述按照距离阈值,将各个候选缺陷区域进行区域融合,包括:获取各个候选缺陷区域的中心点,得到各个中心点的位置信息;根据各个中心点的位置信息,确定各个中心点之间的距离;将满足距离阈值的中心点所对应的候选缺陷区域,进行区域融合。
具体的,本实施例可以通过获取各个候选缺陷区域的中心点,通过中心点之间的距离,来判断是否满足距离阈值。若存在有中心点之间的距离小于距离阈值,则将其对应的候选缺陷区域,进行区域融合。具体的,本实施例所提到的区域融合并非对像素点进行任何操作,而是将其对应的候选缺陷区域划分为同一个区域。
本实施例通过确定候选缺陷区域的中心点之间的距离,来判断两个候选缺陷区域是否为同一个缺陷区域,能够有助于孤立离散区域,获得更为精准的目标缺陷区域。
在本公开实施例中,在所述将各个候选缺陷区域进行区域融合之后,还包括:在所述处理后的候选缺陷区域范围内,若存在有当前像素点为常规像素点,则将所述当前像素点归类为缺陷像素点,并与所述处理后的候选缺陷区域相融合。
一般来说,目标缺陷区域属于成片缺陷区域,因此其范围内均属于缺陷,但是有可能会有气泡、空洞或者其他类型缺陷导致灰度跳变的情况,导致该灰度跳变的像素点为正常像素点,没有包含在目标缺陷区域内,从而导致在计算目标缺陷区域的面积值时,计算值小于真实值,很有可能导致遗漏目标缺陷区域。
因此,本实施例若在处理后的候选缺陷区域范围内,发现有当前像素点为常规像素点,则将该当前像素点直接归类为缺陷像素点,并与处理后的候选缺陷区域相融合,也即对处理后的候选缺陷区域进行区域填充。
本实施例将由于灰度跳变等原因导致没能正常归类为候选缺陷区域的像素点进行重新归类,从而避免遗漏目标缺陷区域。
在本公开实施例中,统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值,包括:将所述待测区域分为预设个数的待测子区域,并分别统计各个待测子区域内像素点的灰度直方图;根据各个待测子区域内像素点的灰度直方图,确定所述各个待测子区域的目标子灰度值;相应的,所述根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定候选缺陷区域,包括:根据所述各个待测子区域内各个像素点的像素值和其对应的目标子灰度值,确定候选缺陷区域。
其中,待测子区域可以是待测区域内的部分区域。目标子灰度值,可以是各个待测子区域所对应的灰度直方图。预设个数可以根据待测区域的尺寸大小而定。
由于光照以及机械跳动影响,从全局来看,很有可能导致待处理图像成像的灰度值不均匀,因此为了消除灰度不均匀造成的影响,本实施例将尺寸大的待测区域分为多个尺寸小的待测子区域,从而分别对每个待测子区域进行局部缺陷检测。
具体的,本实施例可以根据待测区域的尺寸分为预设个数的待测子区域。例如,本实施例可以均分为多个待测子区域,具体例如均分为6个待测子区域。又例如,本实施例可以根据待测区域的灰度分布,分为多个待测子区域,具体例如,可以将灰度分布变化大的区域多分待测子区域,将灰度分布变化小的区域少分区。然后,分别统计各个待测子区域内像素点的灰度直方图;根据各个待测子区域内像素点的灰度直方图,确定各个待测子区域的目标子灰度值,其确定方法与上述确定目标灰度值的方法一致。
在本公开实施例中,所述根据各个待测子区域内像素点的灰度直方图,确定所述各个待测子区域的目标子灰度值,包括:统计各个待测子区域内像素点的灰度直方图;将出现频次最多的灰度值作为各个待测子区域的初始子灰度值;将所述各个待测子区域内的初始子灰度值,加上各自对应的缺陷偏差值,得到所述各个待测子区域的目标子灰度值。
其中,初始子灰度值是在待测子区域内获取的背景灰度值,其计算方式与初始灰度值一致,不再赘述。缺陷偏差值,是从待测子区域来看,得到的误差容错值,也即高于初始子灰度值多少灰度值才被认定为缺陷阈值。需要说明的是,由于各个待测子区域灰度分布的不均匀性,其对应的缺陷偏差值也可以不同。
具体的,为了获得各个待测子区域的目标子灰度值,本实施例首先需要统计各个待测子区域内像素点的灰度直方图,从而可以将出现频次最多的灰度值作为各个待测子区域的初始子灰度值。本实施例再将各个待测子区域的初始子灰度值与其对应的缺陷偏差值相加,得到各个待测子区域的目标子灰度值。
本实施例通过将待测区域划分为待测子区域,通过各个待测子区域计算出来的目标子灰度值更为精准。
在本公开实施例中,在所述将所述待测区域分为预设个数的待测子区域之前,包括:通过中值滤波算法对所述待处理图像进行滤波处理。其中,中值滤波算法可以但不仅限于用于处理图像的一种滤波方法。
在本公开实施例中,所述通过中值滤波算法对所述待处理图像进行滤波处理,包括:通过滤波窗口遍历所述待处理图像内的各个像素点;在所述滤波窗口定位在当前像素点时,按照像素值大小排序所述当前像素点;将排序在中位数的当前像素点作为所述滤波窗口的输出像素点。
具体的,本实施例可以提前设置滤波窗口的尺寸大小,将设置好的滤波窗口逐个遍历待处理图像内的各个像素点。在滤波窗口滑窗到某个位置时,将滤波窗口内的所有像素点按照像素值大小进行排序,取其为中位数的像素点,作为滤波窗口输出的像素点。
具体的,为了得到更加精确的缺陷区域,本实施例可以根据中值滤波算法对待处理图像进行滤波处理,用于初步消除面积比较小的干扰像素点,例如灰尘点,具体步骤如下:
1)定义一个滤波窗口(通常为奇数尺寸,例如3x3、5x5等)。
2)将滤波窗口放置在待处理图像的左上角。
3)对滤波窗口中各个像素点的像素值进行排序。
4)取排序后的中位数作为当前窗口的输出值。
5)将滤波窗口向右移动一个像素,重复步骤3-4。当窗口到达图像的右边界时,将其移回左边界并向下移动一个像素。
6)重复步骤3-5,直到滤波窗口到达图像的右下角。
在本公开实施例中,所述根据所述各个待测子区域各个像素点的初始值和其对应的目标子灰度值,确定候选缺陷区域,包括:将所述各个待测子区域内各个像素点的像素值减去与其对应的目标子灰度值,得到多个候选缺陷子区域;将所述多个候选缺陷子区域进行合并处理,得到候选缺陷区域。
具体的,本实施例是将待测区域分为多个待测子区域之后,通过各个待测子区域内各个像素点的像素值减去与其对应的目标子灰度值,得到处理后的图像,将灰度值在1到255之间的像素点都提取出来,在各个待测子区域得到候选缺陷子区域,最后将包含有候选缺陷子区域的各个待测子区域进行合并处理,得到候选缺陷区域。
图6为本公开实施例提供的一种示例性的图像处理方法的流程图,包括以下步骤:
1)获取被测目标(也即标准工件)的基准图像(也即标准图像),并以所述基准图像中被测目标为对象创建基准坐标系。
2)针对所述基准图像中的被测目标设定ROI区域(也即待测区域),所述ROI区域与所述基准坐标系关联。
3)依据传入的算子参数值判断需要检出的缺陷比背景亮还是比背景暗,若缺陷比背景暗,则用255减去当前像素值,将暗缺陷变为亮缺陷。
也即,依据算子参数“缺陷灰度类型”,判断缺陷是亮缺陷(比背景灰度值高)还是暗缺陷(比背景灰度值低)。若是亮缺陷,图像灰度值不做任何改变;若是暗缺陷,遍历图像像素,则用255减去当前像素值,将暗缺陷变为亮缺陷。g为当前像素值,G为修改后的像素值,G=255-g。
4)对检测图像(也即待处理图像)进行中值滤波,消除小的干扰像素点。
5)对检测区域进行分区处理,将大的检测区域均分为6个子检测区域(也即待测子区域)。
6)依据当前检测图像,对各子检测区域分别进行灰度直方图统计。
7)根据直方图的分布,分别统计出各子检测区域频次最多的灰度值,将此灰度值认定为当前子检测区域的背景灰度值(也即初始子灰度值)。
8)各子检测区域的背景灰度值加上一个偏差值(也即缺陷偏差值),此偏差值为高于背景灰度值多少灰度值被认定为缺陷的阈值,两数值相加后得到的数值命名为非缺陷值(也即目标子灰度值)。
9)基于中值滤波后的图像,分别将各子检测区域的灰度值减去各子检测区域对应的非缺陷值,得到处理后图像。
10)对处理后的图像进行阈值分割,灰度值在1到255之间的灰度都提取出来,当作候选缺陷区域。
11)对候选缺陷区域依据距离进行区域融合。
12)对融合后的区域计算特征值,通过面积特征值进行筛选,筛选出缺陷区域。
本实施例通过直方图统计的方式,分析计算得到背景目标灰度值()(目标灰度值),更为贴合该类平整、单色待测工件的自身特点,且由于图像灰度不均匀特点,本实施例采取图像分区检测的方式,有效减少图像灰度不均造成的检测结果的过检问题,以及通过联合判断机制,通过算子与筛选器,实现多个特征值之间进行“与或非”的逻辑判断,进而更灵活的通过面积特征值筛选对候选缺陷区域进行缺陷判断。
图7是本公开实施例提供的一种图像处理装置的结构示意图,该装置具体包括:
区域获取模块710,用于获取待测工件的待处理图像内的待测区域;
灰度值确定模块720,用于统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值;
缺陷候选模块730,用于根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定多个候选缺陷区域;
缺陷确定模块740,用于将所述候选缺陷区域进行后处理,得到目标缺陷区域。
在一可实施方式中,所述区域获取模块710,具体用于:
获取所述待测工件的标准图像;
通过所述标准图像对所述待处理图像进行校正,确定所述待处理图像内的待测区域。
在一可实施方式中,所述区域获取模块710,还具体用于:
获取所述标准图像内的标准工件;
根据所述标准工件,创建基准坐标系及所述标准待测区域在所述基准坐标系下的范围;
获取所述待处理图像内的待测工件;
通过所述基准坐标系和所述待测工件,对所述待处理图像进行校正;
根据所述标准待测区域在所述基准坐标系下的范围,在校正后的待处理图像内确定所述待测区域。
在一可实施方式中,所述灰度值确定模块720,具体用于:
将所述待测区域分为预设个数的待测子区域,并分别统计各个待测子区域内像素点的灰度直方图;
根据各个待测子区域内像素点的灰度直方图,确定所述各个待测子区域的目标子灰度值;
相应的,所述缺陷候选模块730,具体用于:
根据所述各个待测子区域内各个像素点的像素值和其对应的目标子灰度值,确定候选缺陷区域。
在一可实施方式中,还包括:
滤波模块,用于在所述将所述待测区域分为预设个数的待测子区域之前,通过中值滤波算法对所述待处理图像进行滤波处理。
在一可实施方式中,所述灰度值确定模块720,具体用于:
统计各个待测子区域内像素点的灰度直方图;
将出现频次最多的灰度值作为各个待测子区域的初始子灰度值;
将所述各个待测子区域内的初始子灰度值,加上各自对应的缺陷偏差值,得到所述各个待测子区域的目标子灰度值。
在一可实施方式中,所述缺陷候选模块730,具体用于:
将所述各个待测子区域内各个像素点的像素值减去与其对应的目标子灰度值,得到多个候选缺陷子区域;
将所述多个候选缺陷子区域进行合并处理,得到候选缺陷区域。
在一可实施方式中,所述缺陷确定模块740,具体用于:
按照距离阈值,将各个候选缺陷区域进行区域融合,得到处理后的候选缺陷区域;
根据所述处理后的候选缺陷区域的面积值和预设面积阈值,确定目标缺陷区域。
在一可实施方式中,所述缺陷确定模块740,具体用于:
获取各个候选缺陷区域的中心点,得到各个中心点的位置信息;
根据各个中心点的位置信息,确定各个中心点之间的距离;
将满足距离阈值的中心点所对应的候选缺陷区域,进行区域融合。
在一可实施方式中,所述缺陷确定模块740,具体还用于:
在所述将各个候选缺陷区域进行区域融合之后,在所述处理后的候选缺陷区域范围内,若存在有当前像素点为常规像素点,则将所述当前像素点归类为缺陷像素点,并与所述处理后的候选缺陷区域相融合。
所述滤波模块,具体用于:通过滤波窗口遍历所述待处理图像内的各个像素点;在所述滤波窗口定位在当前像素点时,按照像素值大小排序所述当前像素点;将排序在中位数的当前像素点作为所述滤波窗口的输出像素点。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如图像处理方法。例如,在一些实施例中,图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待测工件的待处理图像内的待测区域;
统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值;
根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定多个候选缺陷区域;
将所述候选缺陷区域进行后处理,得到目标缺陷区域。
2.根据权利要求1所述的方法,其特征在于,所述获取待测工件的待处理图像内的待测区域,包括:
获取所述待测工件的标准图像;
通过所述标准图像对所述待处理图像进行校正,确定所述待处理图像内的待测区域。
3.根据权利要求2所述的方法,其特征在于,所述通过所述标准图像对所述待处理图像进行校正,确定所述待处理图像内的待测区域,包括:
获取所述标准图像内的标准工件;
根据所述标准工件,创建基准坐标系及标准待测区域在所述基准坐标系下的范围;
获取所述待处理图像内的待测工件;
通过所述基准坐标系和所述待测工件,对所述待处理图像进行校正;
根据所述标准待测区域在所述基准坐标系下的范围,在校正后的待处理图像内确定所述待测区域。
4.根据权利要求1所述的方法,其特征在于,所述统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值,包括:
将所述待测区域分为预设个数的待测子区域,并分别统计各个待测子区域内像素点的灰度直方图;
根据各个待测子区域内像素点的灰度直方图,确定所述各个待测子区域的目标子灰度值;
相应的,所述根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定候选缺陷区域,包括:
根据所述各个待测子区域内各个像素点的像素值和其对应的目标子灰度值,确定候选缺陷区域。
5.根据权利要求4所述的方法,其特征在于,在所述将所述待测区域分为预设个数的待测子区域之前,包括:
通过中值滤波算法对所述待处理图像进行滤波处理。
6.根据权利要求5所述的方法,其特征在于,所述根据各个待测子区域内像素点的灰度直方图,确定所述各个待测子区域的目标子灰度值,包括:
统计各个待测子区域内像素点的灰度直方图;
将出现频次最多的灰度值作为各个待测子区域的初始子灰度值;
将所述各个待测子区域内的初始子灰度值,加上各自对应的缺陷偏差值,得到所述各个待测子区域的目标子灰度值。
7.根据权利要求5所述的方法,其特征在于,所述根据所述各个待测子区域各个像素点的初始值和其对应的目标子灰度值,确定候选缺陷区域,包括:
将所述各个待测子区域内各个像素点的像素值减去与其对应的目标子灰度值,得到多个候选缺陷子区域;
将所述多个候选缺陷子区域进行合并处理,得到候选缺陷区域。
8.一种图像处理装置,其特征在于,所述装置包括:
区域获取模块,用于获取待测工件的待处理图像内的待测区域;
灰度值确定模块,用于统计所述待测区域的灰度直方图,并根据所述灰度直方图确定所述待测区域的目标灰度值;
缺陷候选模块,用于根据所述待测区域内各个像素点的像素值和所述目标灰度值,确定多个候选缺陷区域;
缺陷确定模块,用于将所述候选缺陷区域进行后处理,得到目标缺陷区域。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310920675.7A CN116977302A (zh) | 2023-07-24 | 2023-07-24 | 图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310920675.7A CN116977302A (zh) | 2023-07-24 | 2023-07-24 | 图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977302A true CN116977302A (zh) | 2023-10-31 |
Family
ID=88472477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310920675.7A Pending CN116977302A (zh) | 2023-07-24 | 2023-07-24 | 图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977302A (zh) |
-
2023
- 2023-07-24 CN CN202310920675.7A patent/CN116977302A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111246204B (zh) | 一种基于相对亮度偏差的脏污检测方法和装置 | |
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别***及存储介质 | |
CN112577969B (zh) | 一种基于机器视觉的缺陷检测方法以及缺陷检测*** | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN111768348B (zh) | 一种缺陷检测方法、设备及计算机可读存储介质 | |
EP3904865A1 (en) | Image processing device, image processing method, and image processing program | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN109030499B (zh) | 一种适用于目标缺陷连续在线检测防止缺陷数目重复计数的装置及方法 | |
CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN113155839A (zh) | 一种基于机器视觉的钢板外表面缺陷在线检测方法 | |
CN110225335B (zh) | 相机稳定性评估方法及装置 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN115690089A (zh) | 一种微弱缺陷检测用的图像增强前处理方法及*** | |
TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN116718351A (zh) | 一种成像设备点检方法、装置、电子设备及存储介质 | |
CN115578331A (zh) | 一种显示面板边缘线缺陷检测方法及应用 | |
CN116977302A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114359176B (zh) | 面板检测方法、装置、电子设备及存储介质 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
CN113012137B (zh) | 一种面板缺陷检查方法、***、终端设备及存储介质 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN113192061A (zh) | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 |
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 |