CN117011250A - 缺陷检测方法、装置及存储介质 - Google Patents

缺陷检测方法、装置及存储介质 Download PDF

Info

Publication number
CN117011250A
CN117011250A CN202310898153.1A CN202310898153A CN117011250A CN 117011250 A CN117011250 A CN 117011250A CN 202310898153 A CN202310898153 A CN 202310898153A CN 117011250 A CN117011250 A CN 117011250A
Authority
CN
China
Prior art keywords
image
gray
value
feature
preset
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
Application number
CN202310898153.1A
Other languages
English (en)
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Lyric Robot Automation Co Ltd
Original Assignee
Guangdong Lyric Robot Automation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Lyric Robot Automation Co Ltd filed Critical Guangdong Lyric Robot Automation Co Ltd
Priority to CN202310898153.1A priority Critical patent/CN117011250A/zh
Publication of CN117011250A publication Critical patent/CN117011250A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了缺陷检测方法、装置及存储介质，属于图像检测技术领域。该方法包括：对获取到的待处理图像进行灰度增强操作，得到特征图像，其中，待处理图像由对待测产品进行图像采集得到；基于预设的快速傅里叶算法对特征图像进行频率转换，生成第一图像以及与第一图像对应的灰度曲线图；对灰度曲线图进行平滑拟合操作，生成第二图像；基于预设的阈值分割算法对第一图像以及第二图像进行动态阈值处理，确定缺陷特征。本申请实施例能够精准计算电芯图像的灰度值，提高缺陷检测的精准性。

Description

缺陷检测方法、装置及存储介质
技术领域
本申请涉及图像检测技术领域，尤其涉及一种缺陷检测方法、装置及存储介质。
背景技术
目前，在对产品器件进行外观检测的过程中，用人工目视检查产品外观质量效率低、劳动强度大、检验精度差，且受人员技能水平等客观因素影响较大，极易造成载带产品外观质量的波动，影响检测准确性。相关技术往往需要对器件进行照片采集，使用者通过对器件照片进行分析，从而确定器件是否出现缺陷、破损等情况。
在外观检测的过程中，通常使用产品检测算法对产品对应的图片进行分析处理，得到产品表面的结构状态。然而，有些产品表面的污渍、污点等缺陷与图像的背景十分相似，导致整张图像的灰度值相近，即使使用产品检测算法对图像进行识别，也不能提取出准确的缺陷区域，从而导致了对质量差的电芯产品的漏检、过检问题。因此，现有的检测算法难以对与背景相近的缺陷进行提取，从而无法提高对电芯的表面缺陷检测准确性，降低电芯生产的质量品质和稳定性。
发明内容
本申请实施例的主要目的在于提出一种缺陷检测方法、装置及存储介质，能够精准计算电芯图像的灰度值，提高缺陷检测的精准性。
为实现上述目的，本申请实施例的第一方面提出了一种缺陷检测方法，所述方法包括：
对获取到的待处理图像进行灰度增强操作，得到特征图像，其中，所述待处理图像由对待测产品进行图像采集得到；
基于预设的快速傅里叶算法对所述特征图像进行频率转换，生成第一图像以及与所述第一图像对应的灰度曲线图；
对所述灰度曲线图进行平滑拟合操作，生成第二图像；
基于预设的阈值分割算法对所述第一图像以及所述第二图像进行动态阈值处理，确定缺陷特征。
在一些实施例中，所述对获取到的待处理图像进行灰度增强操作，得到特征图像，包括：
基于预设的最大类间方差法对所述待处理图像进行背景分割，得到背景区域以及感兴趣区域，其中，所述感兴趣区域中包括特征区域；
对所述感兴趣区域进行均值滤波，得到滤波图像；
计算所述滤波图像的灰度值以区分所述特征区域和所述背景区域，得到示出所述特征区域的特征图像。
在一些实施例中，所述计算所述滤波图像的灰度值以区分所述特征区域和所述背景区域，得到示出所述特征区域的特征图像，包括：
计算所述滤波图像的灰度值，得到所述滤波图像的第一灰度值和第二灰度值；
根据所述第一灰度值和所述第二灰度值确定放大系数以及偏差值；
基于所述放大系数以及所述偏差值对所述滤波图像进行亮度调节，得到所述特征图像。
在一些实施例中，所述基于预设的快速傅里叶算法对所述特征图像进行频率转换，生成第一图像以及与所述第一图像对应的灰度曲线图，包括：
通过预设的高斯滤波器对所述特征图像进行平滑处理；
基于预设的快速傅里叶算法以及所述高斯滤波器对平滑处理后的特征图像进行频谱分析，得到第一图像；
遍历所述第一图像中的所有像素点以生成与所述第一图像对应的灰度曲线图。
在一些实施例中，所述对所述灰度曲线图进行平滑拟合操作，生成第二图像，包括：
根据所述灰度曲线图创建拟合函数；
通过最小二乘法对所述拟合函数进行求解，得到拟合系数；
对于所述灰度曲线图中的每一个坐标数据，根据所述拟合系数计算坐标数据的拟合函数值；
根据所述拟合函数值对所述第一图像进行拟合，生成第二图像。
在一些实施例中，所述基于预设的阈值分割算法对所述第一图像以及所述第二图像进行动态阈值处理，确定所述特征区域中的缺陷特征，包括：
基于阈值分割算法对所述第一图像以及所述第二图像进行二值化处理，得到第三图像和第四图像；
对所述第三图像和所述第四图像进行相减操作，得到灰度差值图像；
对于所述灰度差值图像中的每一个像素点，将所述像素点的灰度差值与预设的灰度阈值进行对比，得到第一灰度集合和第二灰度集合，其中，所述第一灰度集合中的像素点的灰度差值大于所述灰度阈值，所述第二灰度集合中的像素点的灰度差值小于等于所述灰度阈值；
根据所述第一灰度集合对所述特征图像进行特征提取，得到缺陷特征。
在一些实施例中，所述基于预设的阈值分割算法对所述第一图像以及所述第二图像进行动态阈值处理，确定所述特征区域中的缺陷特征，包括：
基于阈值分割算法对所述第一图像以及所述第二图像进行二值化处理，得到第三图像和第四图像；
对所述第三图像和所述第四图像进行相减操作，得到灰度差值图像；
对于所述灰度差值图像中的每一个像素点，将所述像素点的灰度差值与预设的灰度阈值进行对比，得到第一灰度集合和第二灰度集合，其中，所述第一灰度集合中的像素点的灰度差值大于所述灰度阈值，所述第二灰度集合中的像素点的灰度差值小于等于所述灰度阈值；
根据所述第一灰度集合对所述特征图像进行特征提取，得到缺陷特征。
在一些实施例中，所述基于预设的快速傅里叶算法以及所述高斯滤波器对平滑处理后的特征图像进行频谱分析，得到第一图像，包括：
对平滑处理后的所述特征图像进行尺寸调节；
基于所述快速傅里叶算法对尺寸调节后的特征图像进行频率分析，确定所述特征图像中的第一幅度值和第二幅度值；
根据所述高斯滤波器对所述第一幅度值和所述第二幅度值进行滤波操作，得到目标频谱；
对所述目标频谱进行逆傅里叶变换，并根据所述高斯滤波器对逆傅里叶变换后的目标频谱进行频率过滤，得到第一图像。
本申请实施例的第二方面提出了一种缺陷检测装置，所述装置包括：
灰度增强模块，用于对获取到的待处理图像进行灰度增强操作，得到特征图像，其中，所述待处理图像由对待测产品进行图像采集得到；
频率转换模块，用于基于预设的快速傅里叶算法对所述特征图像进行频率转换，生成第一图像以及与所述第一图像对应的灰度曲线图；
平滑拟合模块，用于对所述灰度曲线图进行平滑拟合操作，生成第二图像；
缺陷确定模块，用于基于预设的阈值分割算法对所述第一图像以及所述第二图像进行动态阈值处理，确定缺陷特征。
本申请实施例的第三方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行如本申请第一方面实施例任一项所述的缺陷检测方法。
本申请实施例提出的缺陷检测方法、装置及存储介质，具有如下有益效果：首先，对获取到的待测产品的待处理图像进行灰度增强操作，以将待处理图像的背景区域和前景区域分割开，突显待处理图像的污渍特征，得到特征图像，再基于快速傅里叶算法对特征图像进行频率转换，进一步增加污渍和背景的对比度，过滤特征图像的其他噪点，生成第一图像以及与第一图像对应的灰度曲线图，从而能够清楚地显示出第一图像中像素的灰度值，之后，对灰度曲线图进行平滑拟合操作，以提高拟合曲线的稳定性和准确性，实现对数据的修正，最后，基于阈值分割算法对第一图像以及第二图像进行动态阈值处理，确定缺陷特征，从而实现缺陷特征的精准提取，避免背景对缺陷的影响，最大化突显缺陷特征区域。
附图说明
图1是本申请一个实施例提供的缺陷检测方法的流程图；
图2是图1中步骤S101的具体流程图；
图3是图2中步骤S203的具体流程图；
图4是图1中步骤S102的具体流程图；
图5是图1中步骤S103的具体流程图；
图6是图1中步骤S104的具体流程图；
图7是图4中步骤S403的具体流程图；
图8是图4中步骤S402的具体流程图；
图9是本申请实施例提供的缺陷检测装置的结构示意图；
图10是本申请示例提供的特征图像的示意图；
图11是本申请示例提供的特征图像中缺陷特征的示意图；
图12是本申请实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
本申请实施例提供的一种缺陷检测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式***，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现上述方法的应用等，但并不局限于以上形式。
本申请实施例可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
目前，在对电芯进行外观检测的过程中，用人工目视检查产品外观质量效率低、劳动强度大、检验精度差，且受人员技能水平等客观因素影响较大，极易造成载带产品外观质量的波动，影响检测准确性。相关技术往往需要对器件进行照片采集，使用者通过对器件照片进行分析，从而确定器件是否出现缺陷、破损等情况。
在外观检测的过程中，通常使用产品检测算法对工业生产产品对应的图片进行分析处理，得到产品表面的结构状态。然而，有些产品表面的污渍、污点等缺陷与图像的背景十分相似，导致整张图像的灰度值相近，即使使用产品检测算法对图像进行识别，也不能提取出准确的缺陷区域。因此，现有的检测算法难以对与背景相近的缺陷进行提取，从而无法提高对电芯的表面缺陷检测准确性，降低电芯生产的质量品质和稳定性。
为了解决上述问题，本实施例提供了缺陷检测方法、装置及存储介质，首先，对获取到的待测产品的待处理图像进行灰度增强操作，以将待处理图像的背景区域和前景区域分割开，突显待处理图像的污渍特征，得到特征图像，再基于快速傅里叶算法对特征图像进行频率转换，进一步增加污渍和背景的对比度，过滤特征图像的其他噪点，生成第一图像以及与第一图像对应的灰度曲线图，从而能够清楚地显示出第一图像中像素的灰度值，之后，对灰度曲线图进行平滑拟合操作，以提高拟合曲线的稳定性和准确性，实现对数据的修正，最后，基于阈值分割算法对第一图像以及第二图像进行动态阈值处理，确定缺陷特征，从而实现缺陷特征的精准提取，避免背景对缺陷的影响，最大化突显缺陷特征区域。
请参照图1，图1是本申请实施例提供的缺陷检测方法的具体方法的流程图。在一些实施例中，缺陷检测方法包括但不限于步骤S101至步骤S104。
步骤S101，对获取到的待处理图像进行灰度增强操作，得到特征图像；
需要说明的是，待处理图像由对待测产品进行图像采集得到。
在一些实施例中，对获取到的待处理图像进行灰度增强操作，以将待处理图像的背景区域与前景区域进行分离，得到特征图像，并且通过灰度增强去除噪点的干扰，使得特征图像更加均匀。
需要说明的是，待测产片包括但不限于包括电池产品、硅片产品或者其他需要区分轻微污渍的产品，特征图像为在待测产品光照均匀的情况下触发图像采集得到，从而避免光照不均的影响，提高提取缺陷特征的准确性。
步骤S102，基于预设的快速傅里叶算法对特征图像进行频率转换，生成第一图像以及与第一图像对应的灰度曲线图；
在一些实施例中，基于预设的快速傅里叶算法对特征图像进行频率转换，从而能够过滤图像的高频成分，保留图像的低频成分，生成第一图像以及与第一图像对应的灰度曲线图，能够清楚地显示出第一图像中像素的灰度值情况。
步骤S103，对灰度曲线图进行平滑拟合操作，生成第二图像；
在一些实施例中，对灰度曲线图进行平滑拟合操作，生成第二图像，从而实现对灰度曲线图的平滑拟合，减少噪声的影响，提高拟合曲线的稳定性和准确性，便于后续对数据的处理和修正。
步骤S104，基于预设的阈值分割算法对第一图像以及第二图像进行动态阈值处理，确定缺陷特征。
在一些实施例中，基于预设的阈值分割算法对第一图像以及第二图像进行动态阈值处理，以便于对缺陷区域的观察和分析，确定缺陷特征，从而实现对缺陷特征的准确提取。
在一些实施例中，具体为基于预设的阈值分割算法对第一图像以及第二图像进行二值化处理，以最大化突显缺陷特征区域，并通过卷积膨胀算法对二值化处理后的区域进行轮廓膨胀处理，确定待处理图像的特征区域，从而改善边界连接，消除噪声点，确定待处理图像的特征区域。
需要说明的是，阈值分割算法包括但不限于包括全局固定阈值算法、局部自适应阈值算法以及最大类间方差算法等等；卷积膨胀算法包括但不限于包括边沿提取算法、灰度重建算法以及布尔运算法等等，本实施例不做具体限制。
请参照图2，图2是本申请实施例提供的步骤S101的具体流程图。在一些实施例中，步骤S101具体包括但不限于步骤S201和步骤S203。
步骤S201，基于预设的最大类间方差法对待处理图像进行背景分割，得到背景区域以及感兴趣区域；
需要说明的是，感兴趣区域中包括特征区域，其中特征区域为待测产品上的污渍、破损等等。
在一些实施例中，基于预设的最大类间方差法对待处理图像进行背景分割，从而实现待处理图像的背景区域与前景区域的分离，得到背景区域以及感兴趣区域，便于后续对感兴趣区域的精准分析。
需要说明的是，在通过最大类间方差法对待处理图像进行背景分割的过程中，首先，对待处理图像进行灰度化处理，将待处理图像转换为灰度图像，再计算灰度图像的直方图，统计每个灰度级别的像素数量，之后，对直方图进行归一化，具体为将每个灰度级别的像素数量除以总像素数，得到像素概率分布，最后，计算每个灰度级别的类间方差，以将灰度级别分为背景类和前景类两个类别，最后，遍历所有灰度级别，选取具有最大类间方差值的灰度级别作为最大类间方差法的阈值。
在得到最大类间方差法的阈值之后，通过该阈值对待处理图像的像素灰度值进行筛选，将高于阈值的设置为前景区域，低于阈值的设置为背景区域，再将待处理图像的二值化图像进行连通区域分析，得到待处理图像的感兴趣区域。
步骤S202，对感兴趣区域进行均值滤波，得到滤波图像；
在一些实施例中，基于预设的滤波器对感兴趣区域进行均值滤波，得到滤波图像，从而去除感兴趣区域的噪声影响，平滑图像，保留感兴趣区域的图像细节。
需要说明的是，在对感兴趣区域进行均值滤波的过程中，首先定义滤波器的大小，将滤波器应用于图像的每一个像素，将滤波器的中心与当前像素对齐，计算滤波器覆盖区域内像素值的均值，利用该均值替换当前像素值，以此类推，直至遍历整个图像的像素，得到平滑处理后的滤波图像。
步骤S203，计算滤波图像的灰度值以区分特征区域和背景区域，得到示出特征区域的特征图像。
在一些实施例中，计算滤波图像的灰度值以区分特征区域和背景区域，避免背景区域与特征区域灰度值相近而导致的漏检、错检的情况，得到示出特征区域的特征图像，从而突显特征区域。
请参照图3，图3是本申请实施例提供的步骤S203的具体流程图。在一些实施例中，步骤S203包括但不限于步骤S301和步骤S303。
步骤S301，计算滤波图像的灰度值，得到滤波图像的第一灰度值和第二灰度值；
在一些实施例中，计算滤波图像的灰度值，得到滤波图像的第一灰度值和第二灰度值，其中，第一灰度值为滤波图像的最小灰度值，第二灰度值为滤波图像的最大灰度值。
步骤S302，根据第一灰度值和第二灰度值确定放大系数以及偏差值；
在一些实施例中，根据第一灰度值和第二灰度值计算放大系数以及偏差值，其中，放大系数用于将滤波图像的灰度范围映射到0-255之间，偏差值用于调节图像的整体亮度。
需要说明的是，放大系数的计算公式为mult＝255/(max_gray-min_gray)，偏差值的计算公式为offset＝-mult*min_gray，其中，max_gray为第二灰度值，min_gray为第一灰度值。
步骤S303，基于放大系数以及偏差值对滤波图像进行亮度调节，得到特征图像。
在一些实施例中，基于放大系数以及偏差值对滤波图像进行亮度调节，得到特征图像，从而实现对图像的灰度增强，突显出特征区域。
需要说明的是，对滤波图像进行亮度调节的计算公式为enhanced_image＝mult*image+offset。
请参照图4，图4是本申请实施例提供的步骤S102的具体流程图。在一些实施例中，步骤S102具体包括但不限于步骤S401和步骤S403。
步骤S401，通过预设的高斯滤波器对特征图像进行平滑处理；
在一些实施例中，通过预设的高斯滤波器对特征图像进行平滑处理，从而能够过滤图像的高频成分，保留图像的低频成分，抑制高斯噪声。
步骤S402，基于预设的快速傅里叶算法以及高斯滤波器对平滑处理后的特征图像进行频谱分析，得到第一图像；
在一些实施例中，基于预设的快速傅里叶算法以及高斯滤波器对平滑处理后的特征图像进行频谱分析，得到第一图像，从而能够了解特征图像中各个频率成分的强度和分布情况，使得图像的平滑效果更佳自然。
步骤S403，遍历第一图像中的所有像素点以生成与第一图像对应的灰度曲线图。
在一些实施例中，遍历第一图像中的所有像素点以生成与第一图像对应的灰度曲线图，从而能够清楚地显示出第一图像中像素的灰度值情况。
请参照图5，图5是本申请实施例提供的步骤S103的具体流程图。在一些实施例中，步骤S103具体包括但不限于步骤S501和步骤S504。
步骤S501，根据灰度曲线图创建拟合函数；
步骤S502，通过最小二乘法对拟合函数进行求解，得到拟合系数；
步骤S503，对于灰度曲线图中的每一个坐标数据，根据拟合系数计算坐标数据的拟合函数值；
步骤S504，根据拟合函数值对第一图像进行拟合，生成第二图像。
在一些实施例的步骤S501至步骤S504中，在对灰度曲线图进行平滑拟合操作的过程中，首先，根据灰度曲线图创建拟合函数，例如，多项式函数、指数函数、对数函数等等，再通过最小二乘法对拟合函数进行求解，得到拟合系数，对于灰度曲线图中的每一个坐标数据，根据拟合系数计算坐标数据的拟合函数值，最后，根据拟合函数对第一图像进行拟合，生成第二图像，从而实现对灰度曲线图的平滑拟合，减少噪声的影响，提高拟合曲线的稳定性和准确性，便于后续对数据的处理和修正，例如，通过拟合曲线来查找异常点、去除离群值等等。
需要说明的是，通过最小二乘法对你和函数进行求解的过程中，可以通过线性代数库中的函数来求解，本实施例不做具体限制。
请参照图6，图6是本申请实施例提供的步骤S104的具体流程图。在一些实施例中，步骤S104具体包括但不限于步骤S601和步骤S604。
步骤S601，基于阈值分割算法对第一图像以及第二图像进行二值化处理，得到第三图像和第四图像；
步骤S602，对第三图像和第四图像进行相减操作，得到灰度差值图像；
步骤S603，对于灰度差值图像中的每一个像素点，将像素点的灰度差值与预设的灰度阈值进行对比，得到第一灰度集合和第二灰度集合；
需要说明的是，第一灰度集合中的像素点的灰度差值大于灰度阈值，第二灰度集合中的像素点的灰度差值小于等于灰度阈值。
步骤S604，根据第一灰度集合对特征图像进行特征提取，得到缺陷特征。
在一些实施例的步骤S601至步骤S604中，在对第一图像以及第二图像进行动态阈值处理的过程中，首先，基于阈值分割算法对第一图像以及第二图像进行二值化处理，将第一图像以及第二图像转换为灰度图像，从而减少数据处理维度，得到第三图像和第四图像，再对第三图像和第四图像进行相减操作，得到灰度差值图像，以便于对缺陷区域的观察和分析，之后，对于灰度差值图像中的每一个像素点，将像素点的灰度差值与预设的灰度阈值进行对比，将灰度差值大于灰度阈值的像素点组成第一灰度集合，将灰度差值小于等于灰度阈值的像素点组成第二灰度集合，最后，根据第一灰度集合对特征图像进行特征提取，得到缺陷特征，从而实现对缺陷特征的准确提取。
请参照图7，图7是本申请实施例提供的步骤S403的具体流程图。在一些实施例中，步骤S403具体包括但不限于步骤S701和步骤S704。
步骤S701，基于预设的嵌套循环序列遍历第一图像中的所有像素点，得到像素点的灰度值；
步骤S702，创建曲线模板图，并将列索引数据作为曲线模板图的横轴，将灰度值数据作为曲线模板图的纵轴；
步骤S703，对所有像素点的灰度值进行归纳，生成多个坐标数据；
步骤S704，在曲线模板图上，对所有坐标数据进行标注连线，生成灰度曲线图。
在一些实施例的步骤S701至步骤S704中，在生成灰度曲线图的过程中，首先，基于预设的嵌套循环序列遍历第一图像中的所有像素点，得到第一图像中像素点的灰度值，再创建曲线模板图，其中，曲线模板图的横轴为列索引数据，纵轴为灰度值数据，便于后续对第一图像中像素点的灰度值的分析，之后，对所有像素点的灰度值进行归纳，生成多个坐标数据，最后，在曲线模板图上，对所有坐标数据进行标注并连线，生成灰度曲线图，从而能够清楚地显示出第一图像中像素的灰度值情况。
需要说明的是，嵌套循环序列的循环方向可以从上到下、从左到右，或者从上到下、从右到左等等，从而能够遍历第一图像中的所有像素点，对于循环方向的设置本实施例不做具体限制。
可以理解的是，在创建曲线模板图的过程中，还需要创建一个空列表，以存储每个像素点的灰度值，通过嵌套循环序列遍历每个像素的行和列，并将行和列的灰度值添加到空列表中，在嵌套循环的内层循环结束后，将该行的灰度值添加至二维列表中，以表示按行归纳的灰度值，从而完成灰度值的收集。
请参照图8，图8是本申请实施例提供的步骤S402的具体流程图。在一些实施例中，步骤S402具体包括但不限于步骤S801和步骤S804。
步骤S801，对平滑处理后的特征图像进行尺寸调节；
在一些实施例中，对平滑处理后的特征图像进行尺寸调节，将图像补零到合适的尺寸，从而便于后续快速傅里叶算法的执行。
需要说明的是，在对平滑处理后的特征图像进行尺寸调节之前，还要需要对特征图像进行零均值化，从而去除直流分量的影响。
可以理解的是，为了执行快速傅里叶变换，通常需要将图像的大小调整为2的幂次方。具体为，可以在图像周围添加零值像素，将图像尺寸扩展到最小的2的幂次方边长。
步骤S802，基于快速傅里叶算法对尺寸调节后的特征图像进行频率分析，确定特征图像中的第一幅度值和第二幅度值；
在一些实施例中，基于快速傅里叶算法对尺寸调节后的特征图像进行频率分析，以将特征图像从时域转换为频域，确定特征图像中的第一幅度值和第二幅度值，其中，第一幅度值为图像中强烈的频率分量，即高幅度部分，第二幅度值为图像中较弱的频率分量，即低幅度部分，从而能够观察到图像中不同频率的成分，了解特征图像中各个频率成分的强度和分布情况。
步骤S803，根据高斯滤波器对第一幅度值和第二幅度值进行滤波操作，得到目标频谱；
在一些实施例中，通过高斯滤波器分别对第一幅度值和第二幅度值进行卷积运算，得到目标频谱，便于后续对目标频谱的筛选。
步骤S804，对目标频谱进行逆傅里叶变换，并根据高斯滤波器对逆傅里叶变换后的目标频谱进行频率过滤，得到第一图像。
在一些实施例中，对目标频谱进行逆傅里叶变换，将卷积结果转回到空间与，将频域图像转换回空间域图像，并根据高斯滤波器对逆傅里叶变换后的目标频谱进行频率过滤，对低频成分进行保留，并过滤高频成分，从而得到平滑的第一图像，使得图像的平滑效果更加自然，更好地保留图像中的边缘信息，提高了运算速度。
请参阅图9，本申请实施例还提供一种缺陷检测装置，可以实现上述缺陷检测方法，该装置包括：
灰度增强模块901，用于对获取到的待处理图像进行灰度增强操作，得到特征图像，其中，待处理图像由对待测产品进行图像采集得到；
频率转换模块902，用于基于预设的快速傅里叶算法对特征图像进行频率转换，生成第一图像以及与第一图像对应的灰度曲线图；
平滑拟合模块903，用于对度曲线图进行平滑拟合操作，生成第二图像；
缺陷确定模块904，用于基于预设的阈值分割算法对第一图像以及第二图像进行动态阈值处理，确定缺陷特征。
本申请实施例的缺陷检测装置用于执行上述实施例中的缺陷检测方法，其具体处理过程与上述实施例中的缺陷检测方法相同，此处不再一一赘述。
为了更加清楚地说明上述的缺陷检测方法，下面以具体示例进行说明。
示例一：
示例一为对待测电芯进行缺陷检测的具体流程，包括如下步骤：
步骤1：对待测电芯进行整体区域亮灯，触发图像采集设备对待测产品进行拍照，得到待处理图像；
步骤2：对待处理图像进行背景分割，并对背景分割后的待处理图像进行均值滤波，得到滤波图像；
参照图10，图10是本申请示例提供的特征图像的示意图。
步骤3：对滤波图像进行灰度增强操作，突显污渍特征，得到特征图像；
需要说明的是，特征图像包括特征区域100和背景区域200。
步骤4：基于预设的快速傅里叶算法对特征图像进行频率转换，生成第一图像以及与第一图像对应的灰度曲线图；
步骤5：基于最小二乘法对灰度曲线图进行平滑拟合操作，生成第二图像；
参照图11，图11是本申请示例提供的特征图像中缺陷特征的示意图。
步骤6：基于预设的阈值分割算法对第一图像以及第二图像进行动态阈值处理，确定缺陷特征110。
可以理解的是，图11中的缺陷特征110在特征区域100中。
参照图12，图12是本申请实施例提供的计算机设备的硬件结构示意图。
下面结合图10对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器1001、存储器1002、输入/输出接口1003、通信接口1004和总线1005。
处理器1001，可以采用通用的CPU(Central Processin Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器1002，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1002可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1002中，并由处理器1001来调用执行本申请实施例的缺陷检测方法；
输入/输出接口1003，用于实现信息输入及输出；
通信接口1004，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和总线1005，在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息；
其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。
本申请实施例还提供一种存储介质，该存储介质为计算机可读存储介质，计算机可读存储介质存储有计算机程序，在计算机程序被计算机执行时，计算机用于执行如本申请上述实施例中的缺陷检测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1至图8中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种缺陷检测方法，其特征在于，所述方法包括：
对获取到的待处理图像进行灰度增强操作，得到特征图像，其中，所述待处理图像由对待测产品进行图像采集得到；
基于预设的快速傅里叶算法对所述特征图像进行频率转换，生成第一图像以及与所述第一图像对应的灰度曲线图；
对所述灰度曲线图进行平滑拟合操作，生成第二图像；
基于预设的阈值分割算法对所述第一图像以及所述第二图像进行动态阈值处理，确定缺陷特征。
2.根据权利要求1所述的缺陷检测方法，其特征在于，所述对获取到的待处理图像进行灰度增强操作，得到特征图像，包括：
基于预设的最大类间方差法对所述待处理图像进行背景分割，得到背景区域以及感兴趣区域，其中，所述感兴趣区域中包括特征区域；
对所述感兴趣区域进行均值滤波，得到滤波图像；
计算所述滤波图像的灰度值以区分所述特征区域和所述背景区域，得到示出所述特征区域的特征图像。
3.根据权利要求2所述的缺陷检测方法，其特征在于，所述计算所述滤波图像的灰度值以区分所述特征区域和所述背景区域，得到示出所述特征区域的特征图像，包括：
计算所述滤波图像的灰度值，得到所述滤波图像的第一灰度值和第二灰度值；
根据所述第一灰度值和所述第二灰度值确定放大系数以及偏差值；
基于所述放大系数以及所述偏差值对所述滤波图像进行亮度调节，得到所述特征图像。
4.根据权利要求1所述的缺陷检测方法，其特征在于，所述基于预设的快速傅里叶算法对所述特征图像进行频率转换，生成第一图像以及与所述第一图像对应的灰度曲线图，包括：
通过预设的高斯滤波器对所述特征图像进行平滑处理；
基于预设的快速傅里叶算法以及所述高斯滤波器对平滑处理后的特征图像进行频谱分析，得到第一图像；
遍历所述第一图像中的所有像素点以生成与所述第一图像对应的灰度曲线图。
5.根据权利要求1所述的缺陷检测方法，其特征在于，所述对所述灰度曲线图进行平滑拟合操作，生成第二图像，包括：
根据所述灰度曲线图创建拟合函数；
通过最小二乘法对所述拟合函数进行求解，得到拟合系数；
对于所述灰度曲线图中的每一个坐标数据，根据所述拟合系数计算坐标数据的拟合函数值；
根据所述拟合函数值对所述第一图像进行拟合，生成第二图像。
6.根据权利要求1所述的缺陷检测方法，其特征在于，所述基于预设的阈值分割算法对所述第一图像以及所述第二图像进行动态阈值处理，确定缺陷特征，包括：
基于阈值分割算法对所述第一图像以及所述第二图像进行二值化处理，得到第三图像和第四图像；
对所述第三图像和所述第四图像进行相减操作，得到灰度差值图像；
对于所述灰度差值图像中的每一个像素点，将所述像素点的灰度差值与预设的灰度阈值进行对比，得到第一灰度集合和第二灰度集合，其中，所述第一灰度集合中的像素点的灰度差值大于所述灰度阈值，所述第二灰度集合中的像素点的灰度差值小于等于所述灰度阈值；
根据所述第一灰度集合对所述特征图像进行特征提取，得到缺陷特征。
7.根据权利要求4所述的缺陷检测方法，其特征在于，所述遍历所述第一图像中的所有像素点以生成与所述第一图像对应的灰度曲线图，包括：
基于预设的嵌套循环序列遍历所述第一图像中的所有像素点，得到所述像素点的灰度值；
创建曲线模板图，并将列索引数据作为所述曲线模板图的横轴，将灰度值数据作为所述曲线模板图的纵轴；
对所有所述像素点的灰度值进行归纳，生成多个坐标数据；
在所述曲线模板图上，对所述所有所述坐标数据进行标注连线，生成灰度曲线图。
8.根据权利要求4所述的缺陷检测方法，其特征在于，所述基于预设的快速傅里叶算法以及所述高斯滤波器对平滑处理后的特征图像进行频谱分析，得到第一图像，包括：
对平滑处理后的所述特征图像进行尺寸调节；
基于所述快速傅里叶算法对尺寸调节后的特征图像进行频率分析，确定所述特征图像中的第一幅度值和第二幅度值；
根据所述高斯滤波器对所述第一幅度值和所述第二幅度值进行滤波操作，得到目标频谱；
对所述目标频谱进行逆傅里叶变换，并根据所述高斯滤波器对逆傅里叶变换后的目标频谱进行频率过滤，得到第一图像。
9.一种缺陷检测装置，其特征在于，所述装置包括：
灰度增强模块，用于对获取到的待处理图像进行灰度增强操作，得到特征图像，其中，所述待处理图像由对待测产品进行图像采集得到；
频率转换模块，用于基于预设的快速傅里叶算法对所述特征图像进行频率转换，生成第一图像以及与所述第一图像对应的灰度曲线图；
平滑拟合模块，用于对所述灰度曲线图进行平滑拟合操作，生成第二图像；
缺陷确定模块，用于基于预设的阈值分割算法对所述第一图像以及所述第二图像进行动态阈值处理，确定缺陷特征。
10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行如权利要求1至8中任一项所述的缺陷检测方法。
CN202310898153.1A 2023-07-20 2023-07-20 缺陷检测方法、装置及存储介质 Pending CN117011250A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310898153.1A CN117011250A (zh) 2023-07-20 2023-07-20 缺陷检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310898153.1A CN117011250A (zh) 2023-07-20 2023-07-20 缺陷检测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN117011250A true CN117011250A (zh) 2023-11-07

Family

ID=88562982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310898153.1A Pending CN117011250A (zh) 2023-07-20 2023-07-20 缺陷检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117011250A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274241A (zh) * 2023-11-17 2023-12-22 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117576089A (zh) * 2024-01-15 2024-02-20 山东恒力源精密机械制造有限公司 一种活塞环缺陷检测方法及***
CN117635606A (zh) * 2024-01-23 2024-03-01 锐卡(常州)科技有限公司 激光切管机卡盘缺陷检测方法、装置、设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274241A (zh) * 2023-11-17 2023-12-22 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117274241B (zh) * 2023-11-17 2024-02-09 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117576089A (zh) * 2024-01-15 2024-02-20 山东恒力源精密机械制造有限公司 一种活塞环缺陷检测方法及***
CN117576089B (zh) * 2024-01-15 2024-03-22 山东恒力源精密机械制造有限公司 一种活塞环缺陷检测方法及***
CN117635606A (zh) * 2024-01-23 2024-03-01 锐卡(常州)科技有限公司 激光切管机卡盘缺陷检测方法、装置、设备及存储介质
CN117635606B (zh) * 2024-01-23 2024-04-05 锐卡(常州)科技有限公司 激光切管机卡盘缺陷检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
Pape et al. 3-D histogram-based segmentation and leaf detection for rosette plants
CN117011250A (zh) 缺陷检测方法、装置及存储介质
CN106920233B (zh) 基于图像处理的划痕检测方法、装置及电子设备
CN108108731B (zh) 基于合成数据的文本检测方法及装置
US9679354B2 (en) Duplicate check image resolution
US9613266B2 (en) Complex background-oriented optical character recognition method and device
Song et al. Micro surface defect detection method for silicon steel strip based on saliency convex active contour model
CN116503388B (zh) 缺陷检测方法、装置及存储介质
CN111723634B (zh) 一种图像检测方法、装置、电子设备及存储介质
CN111598801B (zh) 一种用于微弱Mura缺陷的识别方法
CN111046862A (zh) 一种字符分割方法、装置以及计算机可读存储介质
CN112014413A (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
CN110298858A (zh) 一种图像裁剪方法及装置
CN116883336A (zh) 图像处理方法、装置、计算机设备及介质
CN113393482A (zh) 一种基于融合算法的遗留物品检测方法和装置
CN108960247B (zh) 图像显著性检测方法、装置以及电子设备
Zhao et al. Efficient image decolorization with a multimodal contrast-preserving measure
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
AlAzawee et al. Using morphological operations—Erosion based algorithm for edge detection
Othman et al. Road crack detection using adaptive multi resolution thresholding techniques
CN107392948B (zh) 一种分振幅实时偏振成像***的图像配准方法
CN115294035B (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
Belhedi et al. Adaptive scene‐text binarisation on images captured by smartphones
CN116402781A (zh) 缺陷检测方法、装置、计算机设备及介质

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