CN117274249B - 一种基于人工智能图像技术的瓷砖外观检测方法及*** - Google Patents

一种基于人工智能图像技术的瓷砖外观检测方法及*** Download PDF

Info

Publication number
CN117274249B
CN117274249B CN202311541613.1A CN202311541613A CN117274249B CN 117274249 B CN117274249 B CN 117274249B CN 202311541613 A CN202311541613 A CN 202311541613A CN 117274249 B CN117274249 B CN 117274249B
Authority
CN
China
Prior art keywords
tile
tile image
image
images
unqualified
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.)
Active
Application number
CN202311541613.1A
Other languages
English (en)
Other versions
CN117274249A (zh
Inventor
雷世超
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.)
Jiangxi Zhongnai Technology Service Co ltd
Original Assignee
Jiangxi Zhongnai Technology Service 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 Jiangxi Zhongnai Technology Service Co ltd filed Critical Jiangxi Zhongnai Technology Service Co ltd
Priority to CN202311541613.1A priority Critical patent/CN117274249B/zh
Publication of CN117274249A publication Critical patent/CN117274249A/zh
Application granted granted Critical
Publication of CN117274249B publication Critical patent/CN117274249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30204—Marker
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请提供一种基于人工智能图像技术的瓷砖外观检测方法及***。一种基于人工智能图像技术的瓷砖外观检测***，包括：瓷砖图像获取模块、坐标建立模块、瓷砖图像投射模块、瓷砖图像分割模块、第一部分瓷砖图像外观检测模块、第二部分瓷砖图像外观检测模块、不合格瓷砖图像库和分割标准值计算模块。本申请通过设定分割标准值对待检测瓷砖图片进行预分割处理，将待检测瓷砖图片分为两部分，将瓷砖瑕疵较多的一部分送入检测模型中进行检测，有效提高了瓷砖外观检测的效率。

Description

一种基于人工智能图像技术的瓷砖外观检测方法及***
技术领域
本申请涉及图像检测领域，特别地涉及一种基于人工智能图像技术的瓷砖外观检测方法及***。
背景技术
瓷砖，是一种以耐火的金属氧化物及半金属氧化物为原材料，经由研磨、混合、压制、施釉、烧结制作而成的建筑或装饰材料。瓷砖在制作过程中会产生污点、划痕等瑕疵，影响瓷砖的品质，当今的瓷砖生产过程已基本实现自动化，然而部分瓷砖外观瑕疵检测环节依然依靠人工。当工人长时间工作时容易出现视觉疲劳，严重影响检测结果，并且工人的检测水平不一，也容易造成合格瓷砖最终的品质不一。
发明内容
针对上述问题，本申请提供一种基于人工智能图像技术的瓷砖外观检测方法及***，通过设定分割标准值对待检测瓷砖图片进行预分割处理，将待检测瓷砖图片分为两部分，将瓷砖瑕疵出现概率较大的一部分送入检测模型中进行检测，无需检测整张瓷砖图像，有效提高了瓷砖外观检测的效率。
一种基于人工智能图像技术的瓷砖外观检测方法，步骤如下：
S1、建立不合格瓷砖图像库；
S2、输入待检测瓷砖图像，对待检测瓷砖图像进行预处理，得到预处理后的瓷砖图像，预处理包括背景去除和灰度化处理，建立用于分割瓷砖图像的平面直角坐标系，在用于分割瓷砖图像的平面直角坐标系中设定瓷砖图像四个角的顶点坐标，根据设定的瓷砖图像四个角的顶点坐标将预处理后的瓷砖图像投射至上述平面直角坐标系中；
S3、将投射至上述平面直角坐标系中的瓷砖图像根据分割标准值进行分割，得到第一部分瓷砖图像和第二部分瓷砖图像，第一部分瓷砖图像位于第二部分瓷砖图像的外侧，将投射至上述平面直角坐标系中的瓷砖图像的四条边界向其中心点移动分割标准值的距离，移动后的四条边界构成的封闭图形即为第二部分瓷砖图像；
S4、将第一部分瓷砖图像裁剪并拼接成矩形，并将拼接成矩形的第一部分瓷砖图像送入检测模型中，得到第一部分瓷砖图像的检测结果，若检测结果不合格，将该第一部分瓷砖图像对应的预处理后的瓷砖图像添加进不合格瓷砖图像库，返回S2；若检测结果合格，进入S5对第二部分瓷砖图像进行检测；
S5、基于第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域，将第二部分瓷砖图像的待选瑕疵区域送入检测模型中，若第二部分瓷砖图像的待选瑕疵区域检测不合格，则将该第二部分瓷砖图像对应的预处理后的瓷砖图像添加进不合格瓷砖图像库，返回S2检测下一张待检测瓷砖图像；若第二部分瓷砖图像的待选瑕疵区域均检测合格，则返回S2检测下一张瓷砖图像。
优选地，分割标准值的计算方法为：
获取N张不合格的预处理后的样本瓷砖图像，预处理包括背景去除和灰度化处理，样本瓷砖图像包括有标注瑕疵的标注框，对这N张样本瓷砖图像进行编号，编号为n，；
获取每张样本瓷砖图像的所有标注框四个角的坐标位置，假定第n张样本瓷砖图像内标注框的数量为I，给标注框进行编号，编号为i，，第n张样本瓷砖图像内其中一个标注框四个角的坐标位置为/>、/>、和/>；
根据标注框四个角的坐标位置和样本瓷砖图像的坐标得到标注框距瓷砖边框的距离，具体计算方法如下：
根据样本瓷砖图像的坐标获取样本瓷砖图像边界的直线方程，其中k=1、2、3、4，将直线方程依次代入以下方程：
，
其中为误差距离；
令，其中/>，/>为编号为n的样本瓷砖图片内标注框距瓷砖边框的最近距离；
按以上方式计算所有不合格样本瓷砖图片内标注框距瓷砖边界的最近距离，并将从小至大进行排序；
将区间之间划分为m个长度相等的区间，区间为、；
统计每个区间内，/>的数量，将区间内/>的数量记为/>，/>；
设定的第一部分瓷砖图像的瑕疵区域比率，分割标准值h为使得第一部分瓷砖图像能够尽可能包括/>的瑕疵标注区域的最短距离；
获取所在的区间/>，其中M为不超过m的正整数，将/>作为分割标准值h。
优选地，选用Faster-RCNN检测网络作为检测模型对瓷砖外观进行检测。
优选地，S5中基于第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域的具体方法为：
T1、获取拼接成矩形的第一部分瓷砖图像的灰度直方图，并进行特征提取，得到第一特征向量，其中/>为第一部分瓷砖图像内部灰度值为l的像素点个数与第一部分瓷砖图像内部所有像素点个数的比值；
T2、通过滑动框依次遍历第二部分瓷砖图像，将滑动框对应的区域记为待测区域，/>，J为所有待测区域的总个数；
T3、令；
T4、获取待测区域对应的灰度直方图，并进行特征提取，得到待测区域/>对应的第二特征向量；
T5、计算第一特征向量和第二特征向量的相似度，判断相似度是否达到预设阈值，若相似度达到预设阈值，进入T6；若相似度低于预设阈值，则得到待选瑕疵区域；
T6、判断””是否成立，若”/>”成立，令/>，返回T4；若””不成立，则输出“该瓷砖图像检测合格”文字，返回S2检测下一张待检测瓷砖图像。
优选地，还包括有记录添加至不合格瓷砖图像库内预处理后的瓷砖图像的数量，当添加至不合格瓷砖图像库内预处理后的瓷砖图像的数量大于预设数量时，将不合格瓷砖图像库内预处理后的瓷砖图像送入检测模型中，得到带有标注框的样本瓷砖图像，按照上述分割标准值的计算方法计算出新的分割标准值，并清空不合格瓷砖图像库，重新开始记录不合格瓷砖图像库内预处理后的瓷砖图像的数量。
优选地，待检测瓷砖图片的格式为PNG。
一种基于人工智能图像技术的瓷砖外观检测***，所述***应用于所述的一种基于人工智能图像技术的瓷砖外观检测方法，包括有：
瓷砖图像获取模块，用于输入的待检测瓷砖图像；
瓷砖图像预处理模块，用于对待检测瓷砖图像进行预处理，得到预处理后的瓷砖图像；
瓷砖图像投射模块，用于建立分割瓷砖图像的平面直角坐标系，将预处理后的瓷砖图像投射至平面直角坐标系中；
瓷砖图像分割模块，用于根据分割标准值对待检测的瓷砖图像进行分割，得到第一部分瓷砖图像和第二部分瓷砖图像；
第一部分瓷砖图像外观检测模块，第一部分瓷砖图像送入检测模型中，得到第一部分瓷砖图像的检测结果；
第二部分瓷砖图像外观检测模块，用于根据第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域，将第二部分瓷砖图像的待选瑕疵区域送入检测模型中，得到第二部分瓷砖图像的检测结果；
不合格瓷砖图像库，用于储存检测结果不合格的瓷砖图像；
分割标准值计算模块，用于计算和更新分割标准值。
本申请具有以下优点：
1、本发明通过设定分割标准值对待检测瓷砖图片进行预分割处理，将待检测瓷砖图片分为两部分，将瓷砖瑕疵出现概率较大的一部分送入检测模型中进行检测，降低检测整张瓷砖图像的概率，有效提高了瓷砖外观检测的效率。
2、本发明根据近期的不合格的瓷砖图片对分割标准值进行更新，使得分割标准值能够根据近期不合格瓷砖图片内部的瑕疵区域进行自适应调整，进而使得第一部分瓷砖图像能够尽可能地包括边角的瑕疵，提升对第一部分瓷砖图像检测的准确率。
3、本发明通过根据检测合格的第一部分瓷砖图像的灰度直方图获取第二部分瓷砖图像内部的待选瑕疵区域，并通过检测待选瑕疵区域内部是否存在瑕疵来实现对第二部分瓷砖图像的外观检测，避免对第二部分瓷砖图像的全局检测，提高检测效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本申请实施例中提供的一种基于人工智能图像技术的瓷砖外观检测***的结构示意图。
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，对本申请部分实施例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。然而，本领域的普通技术人员可以理解，在本申请的各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
实施例1
基于历史瓷砖瑕疵检测结果发现瓷砖边缘部位出现瑕疵的概率大于瓷砖内侧，因此提出一种基于人工智能图像技术的瓷砖外观检测方法，适用于同种瓷砖的检测，检测方法具体包括：
S1、建立不合格瓷砖图像库，不合格瓷砖图像库用于储存检测不合格的瓷砖图像，不合格的瓷砖图像即为该瓷砖图像被检测出有瑕疵；
S2、输入待检测瓷砖图像，待检测瓷砖图片的格式为PNG。对待检测瓷砖图像进行预处理，得到预处理后的瓷砖图像，预处理包括背景去除和灰度化处理，建立用于分割瓷砖图像的平面直角坐标系，在用于分割瓷砖图像的平面直角坐标系中设定瓷砖图像四个角的顶点坐标，根据设定的瓷砖图像四个角的顶点坐标将预处理后的瓷砖图像投射至上述平面直角坐标系中，需要补充的是，背景去除即为将待检测瓷砖图像内的不属于瓷砖的信息去除；投射至上述平面直角坐标系的预处理后的瓷砖图像的形状为矩形，因为检测的为同种瓷砖，因此投射至上述平面直角坐标系的每张预处理后的瓷砖图像的边界坐标相同；
S3、将预处理后的瓷砖图像根据分割标准值进行分割，得到第一部分瓷砖图像和第二部分瓷砖图像，第一部分瓷砖图像位于第二部分瓷砖图像的外侧，将投射至上述平面直角坐标系中的瓷砖图像的四条边界向其中心点移动分割标准值的距离，移动后的四条边界构成的封闭图形即为第二部分瓷砖图像，分割标准值为被分割后的第一部分瓷砖图像外边界到第二部分瓷砖图像外边界的最短距离，被分割后的瓷砖图像呈“回”字形；
S4、将第一部分瓷砖图像裁剪并拼接成矩形，并将拼接成矩形的第一部分瓷砖图像送入检测模型中，得到第一部分瓷砖图像的检测结果，若检测结果不合格，将该第一部分瓷砖图像对应的预处理后的瓷砖图像添加进不合格瓷砖图像库，返回S2；若检测结果合格，进入S5对第二部分瓷砖图像进行检测，需要补充的是，选用Faster-RCNN检测网络作为检测模型对瓷砖外观进行检测；
S5、基于第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域，将第二部分瓷砖图像的待选瑕疵区域送入检测模型中，若第二部分瓷砖图像的待选瑕疵区域检测不合格，则将该第二部分瓷砖图像对应的预处理后的瓷砖图像添加进不合格瓷砖图像库，返回S2检测下一张待检测瓷砖图像；若第二部分瓷砖图像的待选瑕疵区域均检测合格，则返回S2检测下一张瓷砖图像。
需要补充的是，上述方法适用于同种瓷砖的检测，通过设定分割标准值对待检测瓷砖图片进行预分割处理，将待检测瓷砖图片分为两部分，将瓷砖瑕疵出现概率较大的一部分送入检测模型中进行检测，降低检测整张瓷砖图像的概率，有效提高了瓷砖外观检测的效率。
需要补充的是，分割标准值的计算方法为：
获取N张不合格的样本瓷砖图像，对这N张样本瓷砖图像进行编号，编号为n，；
将样本瓷砖图像进行预处理，得到预处理后的样本瓷砖图像，预处理包括背景去除和灰度化处理；
人工对每张样本瓷砖图像进行瑕疵标注，瑕疵标注即为将样本瓷砖图像内的所有瑕疵用矩形的标注框标注出来，用于标注的矩形框四边中的任意一条均平行于样本瓷砖图像的四条边界中的其中两条；
将标注好的样本瓷砖图像投射至预处理后的瓷砖图像的平面直角坐标系；
获取每张样本瓷砖图像的所有标注框四个角的坐标位置，假定第n张样本瓷砖图像内标注框的数量为I，给标注框进行编号，编号为i，，第n张样本瓷砖图像内其中一个标注框四个角的坐标位置为/>、/>、和/>；
根据标注框四个角的坐标位置和样本瓷砖图像的坐标得到标注框距瓷砖边框的距离，具体计算方法如下：
根据样本瓷砖图像的坐标获取样本瓷砖图像边界的直线方程，其中k=1、2、3、4，将直线方程依次代入以下方程：，其中为误差距离；
令，其中/>，/>为编号为n的样本瓷砖图片内标注框距瓷砖边框的最近距离；
按以上方式计算所有不合格样本瓷砖图片内标注框距瓷砖边界的最近距离，并将从小至大进行排序；
将区间之间划分为m个长度相等的区间，区间为、，m的取值决定分割标准值h的精度，当m越大分割标准值h的精度越大；
统计每个区间内，/>的数量，将区间内/>的数量记为/>；
设定的第一部分瓷砖图像的瑕疵区域比率，分割标准值h为使得第一部分瓷砖图像能够尽可能包括/>的瑕疵标注区域的最短距离；
获取所在的区间/>，其中M为不超过m的正整数，将/>作为分割标准值h。
需要补充的是，S5中基于第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域的具体方法为：
T1、获取拼接成矩形的第一部分瓷砖图像的灰度直方图，并进行特征提取，得到第一特征向量，其中/>为第一部分瓷砖图像内部灰度值为l的像素点个数与第一部分瓷砖图像内部所有像素点个数的比值；
T2、通过滑动框依次遍历第二部分瓷砖图像，将滑动框对应的区域记为待测区域，/>，J为所有待测区域的总个数；
T3、令；
T4、获取待测区域对应的灰度直方图，并进行特征提取，得到待测区域/>对应的第二特征向量；
T5、计算第一特征向量和第二特征向量的相似度，判断相似度是否达到预设阈值，若相似度达到预设阈值，进入T6；若相似度低于预设阈值，则得到待选瑕疵区域；
T6、判断””是否成立，若”/>”成立，令/>，返回T4；若””不成立，则输出“该瓷砖图像检测合格”文字，返回S2检测下一张待检测瓷砖图像。
本发明通过根据检测合格的第一部分瓷砖图像的灰度直方图获取第二部分瓷砖图像内部的待选瑕疵区域，并通过检测待选瑕疵区域内部是否存在瑕疵来实现对第二部分瓷砖图像的外观检测，避免对第二部分瓷砖图像的全局检测，提高检测效率。
需要补充的是，还包括有记录添加至不合格瓷砖图像库内预处理后的瓷砖图像的数量，当添加至不合格瓷砖图像库内预处理后的瓷砖图像的数量大于预设数量时，将不合格瓷砖图像库内预处理后的瓷砖图像送入检测模型中，得到带有标注框的样本瓷砖图像，按照上述分割标准值的计算方法计算出新的分割标准值，并清空不合格瓷砖图像库，重新开始记录不合格瓷砖图像库内预处理后的瓷砖图像的数量。
本发明根据近期的不合格的瓷砖图片对分割标准值进行更新，使得分割标准值能够根据近期不合格瓷砖图片内部的瑕疵区域进行自适应调整，进而使得第一部分瓷砖图像能够尽可能地包括边角的瑕疵，提升对第一部分瓷砖图像检测的准确率。
实施例2
参见图1，一种基于人工智能图像技术的瓷砖外观检测***，包括：
瓷砖图像获取模块，用于输入的待检测瓷砖图像；
瓷砖图像预处理模块，用于对待检测瓷砖图像进行预处理，得到预处理后的瓷砖图像；
瓷砖图像投射模块，用于建立分割瓷砖图像的平面直角坐标系，将预处理后的瓷砖图像投射至平面直角坐标系中；
瓷砖图像分割模块，用于根据分割标准值对待检测的瓷砖图像进行分割，得到第一部分瓷砖图像和第二部分瓷砖图像；
第一部分瓷砖图像外观检测模块，第一部分瓷砖图像送入检测模型中，得到第一部分瓷砖图像的检测结果；
第二部分瓷砖图像外观检测模块，用于根据第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域，将第二部分瓷砖图像的待选瑕疵区域送入检测模型中，得到第二部分瓷砖图像的检测结果；
不合格瓷砖图像库，用于储存检测结果不合格的瓷砖图像；
分割标准值计算模块，用于计算和更新分割标准值。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本申请所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (6)

1.一种基于人工智能图像技术的瓷砖外观检测方法，其特征在于，步骤如下：
S1、建立不合格瓷砖图像库；
S2、输入待检测瓷砖图像，对待检测瓷砖图像进行预处理，得到预处理后的瓷砖图像，预处理包括背景去除和灰度化处理，建立用于分割瓷砖图像的平面直角坐标系，在用于分割瓷砖图像的平面直角坐标系中设定瓷砖图像四个角的顶点坐标，根据设定的瓷砖图像四个角的顶点坐标将预处理后的瓷砖图像投射至上述平面直角坐标系中；
S3、将投射至上述平面直角坐标系中的瓷砖图像根据分割标准值进行分割，得到第一部分瓷砖图像和第二部分瓷砖图像，第一部分瓷砖图像位于第二部分瓷砖图像的外侧，将投射至上述平面直角坐标系中的瓷砖图像的四条边界向其中心点移动分割标准值的距离，移动后的四条边界构成的封闭图形即为第二部分瓷砖图像；
S4、将第一部分瓷砖图像裁剪并拼接成矩形，并将拼接成矩形的第一部分瓷砖图像送入检测模型中，得到第一部分瓷砖图像的检测结果，若检测结果不合格，将该第一部分瓷砖图像对应的预处理后的瓷砖图像添加进不合格瓷砖图像库，返回S2；若检测结果合格，进入S5对第二部分瓷砖图像进行检测；
S5、基于第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域，将第二部分瓷砖图像的待选瑕疵区域送入检测模型中，若第二部分瓷砖图像的待选瑕疵区域检测不合格，则将该第二部分瓷砖图像对应的预处理后的瓷砖图像添加进不合格瓷砖图像库，返回S2检测下一张待检测瓷砖图像；若第二部分瓷砖图像的待选瑕疵区域均检测合格，则返回S2检测下一张瓷砖图像；
分割标准值的计算方法为：
获取张不合格的预处理后的样本瓷砖图像，预处理包括背景去除和灰度化处理，样本瓷砖图像包括有标注瑕疵的标注框，对这/>张样本瓷砖图像进行编号，编号为/>，；
获取每张样本瓷砖图像的所有标注框四个角的坐标位置，假定第n张样本瓷砖图像内标注框的数量为，给标注框进行编号，编号为/>，/>，第n张样本瓷砖图像内其中一个标注框四个角的坐标位置为/>、/>、/>和；
根据标注框四个角的坐标位置和样本瓷砖图像的坐标得到标注框距瓷砖边框的距离，具体计算方法如下：
根据样本瓷砖图像的坐标获取样本瓷砖图像边界的直线方程 ，其中/>，将直线方程依次代入以下方程：，其中/>为误差距离；
令，其中/>，/>为编号为/>的样本瓷砖图片内标注框距瓷砖边框的最近距离；
按以上方式计算所有不合格样本瓷砖图片内标注框距瓷砖边界的最近距离，并将从小至大进行排序；
将区间之间划分为/>个长度相等的区间，区间为/>、；
统计每个区间内，/>的数量，将区间/>内的数量记为/>，/>；
设定的第一部分瓷砖图像的瑕疵区域比率，分割标准值/>为使得第一部分瓷砖图像能够尽可能包括/>的瑕疵标注区域的最短距离；
获取所在的区间/>，其中/>为不超过/>的正整数，将/>作为分割标准值/>。
2.如权利要求1所述的一种基于人工智能图像技术的瓷砖外观检测方法，其特征在于，选用Faster-RCNN检测网络作为检测模型对瓷砖外观进行检测。
3.如权利要求2所述的一种基于人工智能图像技术的瓷砖外观检测方法，其特征在于，S5中基于第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域的具体方法为：
T1、获取拼接成矩形的第一部分瓷砖图像的灰度直方图，并进行特征提取，得到第一特征向量，其中/>为第一部分瓷砖图像内部灰度值为/>的像素点个数与第一部分瓷砖图像内部所有像素点个数的比值；
T2、通过滑动框依次遍历第二部分瓷砖图像，将滑动框对应的区域记为待测区域，，/>为所有待测区域的总个数；
T3、令；
T4、获取待测区域对应的灰度直方图，并进行特征提取，得到待测区域/>对应的第二特征向量；
T5、计算第一特征向量和第二特征向量的相似度，判断相似度是否达到预设阈值，若相似度达到预设阈值，进入T6；若相似度低于预设阈值，则得到待选瑕疵区域；
T6、判断””是否成立，若”/>”成立，令/>，返回T4；若”/>”不成立，则输出“该瓷砖图像检测合格”文字，返回S2检测下一张待检测瓷砖图像。
4.如权利要求3所述的一种基于人工智能图像技术的瓷砖外观检测方法，其特征在于，还包括有记录添加至不合格瓷砖图像库内预处理后的瓷砖图像的数量，当添加至不合格瓷砖图像库内预处理后的瓷砖图像的数量大于预设数量时，将不合格瓷砖图像库内预处理后的瓷砖图像送入检测模型中，得到带有标注框的样本瓷砖图像，按照上述分割标准值的计算方法计算出新的分割标准值，并清空不合格瓷砖图像库，重新开始记录不合格瓷砖图像库内预处理后的瓷砖图像的数量。
5.如权利要求4所述的一种基于人工智能图像技术的瓷砖外观检测方法，其特征在于，待检测瓷砖图片的格式为PNG。
6.一种基于人工智能图像技术的瓷砖外观检测***，所述***应用于上述权利要求1-5任一项所述的一种基于人工智能图像技术的瓷砖外观检测方法，其特征在于，包括有：
瓷砖图像获取模块，用于输入的待检测瓷砖图像；
瓷砖图像预处理模块，用于对待检测瓷砖图像进行预处理，得到预处理后的瓷砖图像；
瓷砖图像投射模块，用于建立分割瓷砖图像的平面直角坐标系，将预处理后的瓷砖图像投射至平面直角坐标系中；
瓷砖图像分割模块，用于根据分割标准值对待检测的瓷砖图像进行分割，得到第一部分瓷砖图像和第二部分瓷砖图像；
第一部分瓷砖图像外观检测模块，第一部分瓷砖图像送入检测模型中，得到第一部分瓷砖图像的检测结果；
第二部分瓷砖图像外观检测模块，用于根据第一部分瓷砖图像瓷砖获取第二部分瓷砖图像的待选瑕疵区域，将第二部分瓷砖图像的待选瑕疵区域送入检测模型中，得到第二部分瓷砖图像的检测结果；
不合格瓷砖图像库，用于储存检测结果不合格的瓷砖图像；
分割标准值计算模块，用于计算和更新分割标准值。
CN202311541613.1A 2023-11-20 2023-11-20 一种基于人工智能图像技术的瓷砖外观检测方法及*** Active CN117274249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311541613.1A CN117274249B (zh) 2023-11-20 2023-11-20 一种基于人工智能图像技术的瓷砖外观检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311541613.1A CN117274249B (zh) 2023-11-20 2023-11-20 一种基于人工智能图像技术的瓷砖外观检测方法及***

Publications (2)

Publication Number Publication Date
CN117274249A CN117274249A (zh) 2023-12-22
CN117274249B true CN117274249B (zh) 2024-03-01

Family

ID=89217971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311541613.1A Active CN117274249B (zh) 2023-11-20 2023-11-20 一种基于人工智能图像技术的瓷砖外观检测方法及***

Country Status (1)

Country Link
CN (1) CN117274249B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108007364A (zh) * 2018-01-22 2018-05-08 广东理工学院 一种基于rgb-d相机的瓷砖检测装置及检测方法
CN108492291A (zh) * 2018-03-12 2018-09-04 苏州天准科技股份有限公司 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法
CN110246123A (zh) * 2019-05-21 2019-09-17 贵州民族大学 一种基于机器视觉的瓷砖铺贴规整度检测方法
WO2020001480A1 (zh) * 2018-06-28 2020-01-02 广东科达洁能股份有限公司 一种瓷砖按等级包装方法及***
CN110852989A (zh) * 2019-09-30 2020-02-28 广州利科科技有限公司 瓷砖拍照图片的质量瑕疵检测
WO2020156409A1 (zh) * 2019-02-02 2020-08-06 阿里巴巴集团控股有限公司 数据处理方法、瑕疵的检测方法、计算设备及存储介质
WO2020215565A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 手部图像的分割方法、装置及计算机设备
WO2021000524A1 (zh) * 2019-07-03 2021-01-07 研祥智能科技股份有限公司 孔位保护门检测方法、装置、计算机设备和存储介质
CN113627435A (zh) * 2021-07-13 2021-11-09 南京大学 一种瓷砖的瑕疵检测与识别方法及***
CN113658176A (zh) * 2021-09-07 2021-11-16 重庆科技学院 基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法
CN113744274A (zh) * 2021-11-08 2021-12-03 深圳市巨力方视觉技术有限公司 产品外观缺陷检测方法、装置及存储介质
CN114299040A (zh) * 2021-12-30 2022-04-08 季华实验室 瓷砖瑕疵检测方法、装置和电子设备
CN114332041A (zh) * 2021-12-31 2022-04-12 柳州缔普智能科技有限公司 基于U-Net的抛釉砖表面瑕疵检测方法及装置
CN115641321A (zh) * 2022-10-31 2023-01-24 广东工业大学 一种基于端到端弱监督的瓷砖表面缺陷检测方法及***

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108007364A (zh) * 2018-01-22 2018-05-08 广东理工学院 一种基于rgb-d相机的瓷砖检测装置及检测方法
CN108492291A (zh) * 2018-03-12 2018-09-04 苏州天准科技股份有限公司 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法
WO2020001480A1 (zh) * 2018-06-28 2020-01-02 广东科达洁能股份有限公司 一种瓷砖按等级包装方法及***
WO2020156409A1 (zh) * 2019-02-02 2020-08-06 阿里巴巴集团控股有限公司 数据处理方法、瑕疵的检测方法、计算设备及存储介质
WO2020215565A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 手部图像的分割方法、装置及计算机设备
CN110246123A (zh) * 2019-05-21 2019-09-17 贵州民族大学 一种基于机器视觉的瓷砖铺贴规整度检测方法
WO2021000524A1 (zh) * 2019-07-03 2021-01-07 研祥智能科技股份有限公司 孔位保护门检测方法、装置、计算机设备和存储介质
CN110852989A (zh) * 2019-09-30 2020-02-28 广州利科科技有限公司 瓷砖拍照图片的质量瑕疵检测
CN113627435A (zh) * 2021-07-13 2021-11-09 南京大学 一种瓷砖的瑕疵检测与识别方法及***
CN113658176A (zh) * 2021-09-07 2021-11-16 重庆科技学院 基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法
CN113744274A (zh) * 2021-11-08 2021-12-03 深圳市巨力方视觉技术有限公司 产品外观缺陷检测方法、装置及存储介质
CN114299040A (zh) * 2021-12-30 2022-04-08 季华实验室 瓷砖瑕疵检测方法、装置和电子设备
CN114332041A (zh) * 2021-12-31 2022-04-12 柳州缔普智能科技有限公司 基于U-Net的抛釉砖表面瑕疵检测方法及装置
CN115641321A (zh) * 2022-10-31 2023-01-24 广东工业大学 一种基于端到端弱监督的瓷砖表面缺陷检测方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A supervised approach for automated surface defect detection in ceramic tile quality control";Qinghua Lu，Junmeng Lin，Wenbo Zhu;《Advanced Engineering Informatics》;第53卷;全文 *
"基于深度学习的瓷砖色差分类方法研究";聂影，洪星，张浪文;《中国瓷砖》;第59卷(第07期);全文 *
"融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法";雷震霆; 朱兴龙; 孙进; 马昊天; 梁立; 游志刚;《电子测量技术》;第46卷(第07期);全文 *
一种基于机器视觉的瓷砖定位分割方法;周向;何伟;何涛;熊健;;《中国陶瓷》(第07期);全文 *

Also Published As

Publication number Publication date
CN117274249A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN110286126B (zh) 一种基于视觉图像的晶圆表面缺陷分区域检测方法
CN114140679B (zh) 一种缺陷融合方法、装置、识别***及存储介质
CN110111331B (zh) 基于机器视觉的蜂窝纸芯缺陷检测方法
CN110286124B (zh) 基于机器视觉的耐火砖测量***
CN109900711A (zh) 基于机器视觉的工件缺陷检测方法
CN111161243A (zh) 基于样本增强的工业产品表面缺陷检测方法
CN110490842B (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN115100221A (zh) 一种玻璃缺陷分割方法
CN115063423B (zh) 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN111507971A (zh) 一种隧道表面缺陷检测方法
CN110567965A (zh) 一种智能手机玻璃盖板边缘视觉缺陷检测方法
CN109598681B (zh) 一种对称唐卡修复后图像的无参考质量评价方法
CN112990392A (zh) 基于改进YOLOv5算法的新材料地板缺陷目标检测***
CN114910480A (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
CN116862910B (zh) 基于自动化裁切生产的视觉检测方法
CN113781458A (zh) 一种基于人工智能的识别方法
CN111986145A (zh) 一种基于Faster-RCNN的轴承滚子瑕疵检测方法
CN110782183A (zh) 一种基于Faster R-CNN的铝材缺陷检测方法
CN110060239B (zh) 一种用于瓶子瓶口的缺陷检测方法
CN117115171B (zh) 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法
CN113129265B (zh) 瓷砖表面缺陷检测方法、装置及存储介质
CN114663382A (zh) 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法
CN117274249B (zh) 一种基于人工智能图像技术的瓷砖外观检测方法及***
CN113808104A (zh) 一种基于分块的金属表面缺陷检测方法及***

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