CN117372408A - 一种设备检测方法、装置、设备及存储介质 - Google Patents
一种设备检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117372408A CN117372408A CN202311447032.1A CN202311447032A CN117372408A CN 117372408 A CN117372408 A CN 117372408A CN 202311447032 A CN202311447032 A CN 202311447032A CN 117372408 A CN117372408 A CN 117372408A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- detected
- detection
- pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种设备检测方法、装置、设备及存储介质,所述方法包括:按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;对卷积后图像进行特征增强处理,得到增强后图像;对增强后图像进行滤波处理,得到滤波后图像;按照预设规则划分滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;根据各个处理后子图像确定待检测图像中待检测设备对应的屏幕边缘区域;基于屏幕边缘区域确定待检测设备是否通过检测。采用该方法,使得对待检测图像的处理达到更加精准和稳定的内边缘定位效果,提高了设备B面检测的准确度,减少了笔记本电脑质量检测的误判率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种设备检测方法、装置、设备及存储介质。
背景技术
笔记本电脑在投入市场之前需要进行设备质量检测,例如,针对笔记本电脑B面(指笔记本电脑显示屏所在面)的质量检测,通常需要检测B面上的摄像头是否存在以及所印刷的logo是否正确。现有的检测方法主要通过提取B面屏幕的内边缘,基于内边缘定位摄像头和印刷logo的位置。然而,现有的方案由于屏幕内边缘周围的亮度分布不均等问题,导致容易产生屏幕内边缘过分割或漏分割的情况,从而导致B面检测不够准确,增加了笔记本电脑质量检测的误判率。
因此,如何实现准确的笔记本电脑B面检测降低质量检测的误判率,成为了一个亟待解决的技术问题。
发明内容
本公开提供了一种设备检测方法、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,提供了一种设备检测方法,所述方法包括:
按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;
对所述卷积后图像进行特征增强处理,得到增强后图像;
对所述增强后图像进行滤波处理,得到滤波后图像;
按照预设规则划分所述滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;
根据各个所述处理后子图像确定所述待检测图像中所述待检测设备对应的屏幕边缘区域;
基于所述屏幕边缘区域确定所述待检测设备是否通过检测。
在一可实施方式中,所述对所述卷积后图像进行特征增强处理,得到增强后图像,包括:
根据预设锐化因子对所述卷积后图像进行锐化处理,得到锐化后图像;
对所述锐化后图像中的每个像素点的像素值进行放缩处理,并对放缩处理后的像素值取绝对值,得到增强后图像。
在一可实施方式中,所述针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像,包括:
针对每个子图像,根据该子图像中各个像素点的像素值,确定该子图像对应的灰度均值和像素标准差;
基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值;
基于所述灰度阈值对该子图像进行二值化处理得到处理后子图像。
在一可实施方式中,所述基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值,包括:
采用如下公式,基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值:
其中,T(x,y)表示该子图像对应的灰度阈值,R表示所述像素标准差的预设动态范围,k表示预设修正参数,m(x,y)表示所述灰度均值,s(x,y)表示所述像素标准差。
在一可实施方式中,所述基于所述屏幕边缘区域确定所述待检测设备是否通过检测,包括:
确定所述屏幕边缘区域是否包含指定部件的图像;
如果是,确定所述待检测设备通过检测。
在一可实施方式中于,所述基于所述屏幕边缘区域确定所述待检测设备是否通过检测,包括:
确定所述屏幕边缘区域包含的标签图像与模版标签图像是否匹配;
如果是,确定所述待检测设备通过检测。
根据本公开的第二方面,提供了一种设备检测装置,所述装置包括:
卷积处理模块,用于按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;
增强处理模块,用于对所述卷积后图像进行特征增强处理,得到增强后图像;
滤波处理模块,用于对所述增强后图像进行滤波处理,得到滤波后图像;
二值化处理模块,用于按照预设规则划分所述滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;
边缘区域确定模块,用于根据各个所述处理后子图像确定所述待检测图像中所述待检测设备对应的屏幕边缘区域;
检测模块,用于基于所述屏幕边缘区域确定所述待检测设备是否通过检测。
在一可实施方式中于,所述增强处理模块,具体用于根据预设锐化因子对所述卷积后图像进行锐化处理,得到锐化后图像;对所述锐化后图像中的每个像素点的像素值进行放缩处理,并对放缩处理后的像素值取绝对值,得到增强后图像。
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。
本公开的设备检测方法、装置、设备及存储介质,按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;对卷积后图像进行特征增强处理,得到增强后图像;对增强后图像进行滤波处理,得到滤波后图像;按照预设规则划分滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;根据各个处理后子图像确定待检测图像中待检测设备对应的屏幕边缘区域;基于屏幕边缘区域确定待检测设备是否通过检测。采用该方法,通过对待检测图像进行针对性的卷积处理增强了图像特征,然后针对每个子图像可以按照对应的灰度阈值对该子图像进行二值化处理,使得对待检测图像的处理达到更加精准和稳定的内边缘定位效果,避免了屏幕内边缘过分割或漏分割的情况,提高了设备B面检测的准确度,减少了笔记本电脑质量检测的误判率。
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设备检测方法的一种实现流程示意图;
图2示出了本公开实施例提供的笔记本电脑B面示意图;
图3示出了本公开实施例提供的笔记本电脑B面示意图对应的二值化处理后的图像;
图4示出了本公开实施例提供的笔记本电脑B面示意图对应的屏幕边缘区域图像;
图5示出了本公开实施例提供的设备检测方法的一种结构示意图;
图6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。
由于现有技术中存在屏幕内边缘周围的亮度分布不均等问题,导致容易产生屏幕内边缘过分割或漏分割的情况,从而导致B面检测不够准确,增加了笔记本电脑质量检测的误判率。因此,为了解决该问题,实现准确的笔记本电脑B面检测降低质量检测的误判率,本公开提供了一种设备检测方法、装置、设备及存储介质。本公开提供的方法可以应用于能够检测设备,例如,电脑、手机和ipad等。
下面将结合本公开实施例中的附图,对本公开实施例的技术方案进行描述。
图1示出了本公开实施例提供的设备检测方法的一种实现流程示意图,如图1所示,所述方法包括:
S101,按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像。
本公开中,待检测设备可以是笔记本电脑和平板电脑等设备。若待检测设备为笔记本电脑,则待检测图像为笔记本电脑的B面图像。
本公开中,预设卷积核可以为垂直方向的卷积核。卷积核的参数可以根据实际应用场景进行设计,例如,可以设计出预设卷积核Gy:
本公开中,可以采用预设卷积核对待检测图像进行纵向卷积操作,具体的:可以采用预设卷积核沿待检测图像的垂直方向进行卷积遍历,得到卷积后图像。例如,采用上述预设卷积核对待检测图像中每个像素点进行卷积处理的公式可以为:
F(x,y)=Gy*f(x,y)
=[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]
其中:f(x,y)表示待检测图像中当前像素点的像素值,x表示当前像素点的横坐标,y表示当前像素点的纵坐标,F(x,y)表示卷积后图像中与当前像素点所对应的像素点的像素值,f(x-1,y-1)、f(x,y-1)、f(x+1,y-1)、f(x-1,y+1)、f(x,y+1)和f(x+1,y+1)分别表示待检测图像中当前像素点的各个邻域像素点的像素值。
本公开中,对待检测图像进行卷积处理可以突出待检测图像的纵向边缘特征,从而使得对待检测图像中的屏幕边缘区域检测更准确。
S102,对所述卷积后图像进行特征增强处理,得到增强后图像。
在一可实施方式中,所述对所述卷积后图像进行特征增强处理,得到增强后图像,可以包括步骤A1-A2:
步骤A1,根据预设锐化因子对所述卷积后图像进行锐化处理,得到锐化后图像。
对卷积后图像进行锐化处理可以进一步增强和突出图像的边缘特征。
其中,预设锐化因子可以根据实际应用场景进行设置,例如,可以设置如下的预设锐化因子kernel:
具体的,可以参考下述公式,根据预设锐化因子kernel对卷积后图像进行锐化处理:
其中,anchor.x,anchor.y表示当前过滤的像素点的相对位置,dst(x,y)表示锐化后图像,kernel.cols表示锐化因子的行,kernel.rows表示锐化因子的列,src表示滤波运算,x’和y’分别表示锐化因子kernel中的像素点的横坐标和纵坐标,x和y分别表示卷积后图像中的像素点的横坐标和纵坐标。
步骤A2,对所述锐化后图像中的每个像素点的像素值进行放缩处理,并对放缩处理后的像素值取绝对值,得到增强后图像。
本公开中,对锐化后图像中的每个像素值进行放缩处理和取绝对值的处理,可以将所有的图像中像素点的像素值转变为正值,达到增强图像全局灰度特征的作用,从而便于对增强后图像的二值化处理。
具体的,可以采用如下公式对所述锐化后图像中的每个像素点的像素值进行放缩处理,并对放缩处理后的像素值取绝对值,得到增强后图像:
D(x,y)=staturateuchar(|α·s(x,y)+β|)
其中,α和β均表示预设系数,D(x,y)表示增强后图像,staturateuchar表示将锐化后图像中的每个像素点的像素值拉伸到[0,255]范围内,s(x,y)表示锐化后图像的灰度标准差。
S103,对所述增强后图像进行滤波处理,得到滤波后图像。
本公开中,可以采用中值滤波算法对增强后图像进行滤波处理,去除增强后图像中的噪声和干扰信息,得到滤波后图像。
S104,按照预设规则划分所述滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像。
本公开中,针对滤波后图像,可以将滤波后图像均匀得划分为第一预设数量个子图像,或者,可以随机将滤波后图像划分为第二预设数量个子图像,其中,第一预设数量和第二预设数量可以根据实际应用场景进行设置,第一预设数量和第二预设数量可以相同也可以不同。
针对每个子图像,可以根据子图像的灰度特征确定出该子图像对应的灰度阈值,以该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像。
S105,根据各个所述处理后子图像确定所述待检测图像中所述待检测设备对应的屏幕边缘区域。
本公开中,通过对图像进行划分,即可以根据图像局部区域的灰度特征确定动态阈值完成图像的二值化,从而在多个二值化子图像的基础上清晰地提取出设备的屏幕内边缘的轮廓完成内边缘的定位。
S106,基于所述屏幕边缘区域确定所述待检测设备是否通过检测。
在一可能的实施方式中,所述基于所述屏幕边缘区域确定所述待检测设备是否通过检测,可以包括步骤B1-B2:
步骤B1,确定所述屏幕边缘区域是否包含指定部件的图像。
其中,指定部件可以为摄像头,贴标等。
步骤B2,如果是,确定所述待检测设备通过检测。
在另一可能的实施方式中,所述基于所述屏幕边缘区域确定所述待检测设备是否通过检测,可以包括步骤C1-C2:
步骤C1,确定所述屏幕边缘区域包含的标签图像与模版标签图像是否匹配。
其中,标签图像可以为待检测设备的品牌logo图像,模版标签图像可以为检测通过的标准设备对应的品牌logo图像。
步骤C2,如果是,确定所述待检测设备通过检测。
本公开中,根据定位出的屏幕内边缘区域可以确定设备质量是否合格,例如,针对笔记本电脑,可以根据屏幕边缘区域确定笔记本电脑B面上的摄像头是否存在以及所印刷的logo是否正确,若笔记本电脑B面上的摄像头存在且所印刷的logo正确,则确定待检测设备通过检测,否则确定待检测设备不通过检测。
采用该方法,按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;对卷积后图像进行特征增强处理,得到增强后图像;对增强后图像进行滤波处理,得到滤波后图像;按照预设规则划分滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;根据各个处理后子图像确定待检测图像中待检测设备对应的屏幕边缘区域;基于屏幕边缘区域确定待检测设备是否通过检测。通过对待检测图像进行针对性的卷积处理增强了图像特征,然后针对每个子图像可以按照对应的灰度阈值对该子图像进行二值化处理,使得对待检测图像的处理达到更加精准和稳定的内边缘定位效果,避免了屏幕内边缘过分割或漏分割的情况,提高了设备B面检测的准确度,减少了笔记本电脑质量检测的误判率。
在一可实施方式中,所述针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像,可以包括步骤D1-D3:
步骤D1,针对每个子图像,根据该子图像中各个像素点的像素值,确定该子图像对应的灰度均值和像素标准差。
具体的,针对每个子图像,可以采用如下公式根据该子图像中各个像素点的像素值,确定该子图像对应的灰度均值和像素标准差:
其中,r表示当前子图像的大小,g(i,j)表示当前子图像的当前像素点(i,j)的灰度值,m(x,y)和s(x,y)分别表示当前子图像的灰度均值和标准差;
步骤D2,基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值。
具体的,可以采用如下公式,基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值:
其中,T(x,y)表示该子图像对应的灰度阈值,R表示所述像素标准差的预设动态范围,k表示预设修正参数,m(x,y)表示所述灰度均值,s(x,y)表示所述像素标准差。
步骤D3,基于所述灰度阈值对该子图像进行二值化处理得到处理后子图像。
本公开中,针对处理后子图像,可以对各个处理后子图像的ROI(感兴趣)区域的特征信息进行筛选得到屏幕的下边缘区域,进而拟合屏幕边缘区域图像,得到待检测设备的摄像头和印刷logo的位置信息,进而根据待检测设备的摄像头和印刷logo的位置信息确定待检测设备是否通过检测。若待检测设备的摄像头存在且印刷logo的位置正确,确定待检测设备通过检测,否则,确定待检测设备不通过检测。
图2示出了本公开实施例提供的笔记本电脑B面示意图,图3示出了本公开实施例提供的笔记本电脑B面示意图对应的二值化处理后的图像,图4示出了本公开实施例提供的笔记本电脑B面示意图对应的屏幕边缘区域图像。
对图2所示的笔记本电脑B面图像进行卷积、锐化、局部阈值分割等处理后,增强了笔记本电脑B面图像的全局和边缘区域特征,采用动态的分子图像的灰度阈值对笔记本电脑B面图进行二值化处理,由于动态的灰度阈值可以适应图像区域的灰度变化,从而使获得的图3所示的二值化处理后的图像更准确,进而基于图3所示的二值化处理后的图像确定出的图4所示的屏幕边缘区域图像对笔记本电脑的屏幕边缘的定位更准确。
采用该方法,通过对待检测图像进行针对性的卷积处理增强了图像特征,然后针对每个子图像可以按照对应的灰度阈值对该子图像进行二值化处理,使得对待检测图像的处理达到更加精准和稳定的内边缘定位效果,避免了屏幕内边缘过分割或漏分割的情况,提高了设备B面检测的准确度,减少了笔记本电脑质量检测的误判率。
基于同一发明构思,根据本公开上述实施例提供的设备检测方法,相应地,本公开另一实施例还提供了一种设备检测装置,其结构示意图如图5所示,具体包括:
卷积处理模块501,用于按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;
增强处理模块502,用于对所述卷积后图像进行特征增强处理,得到增强后图像;
滤波处理模块503,用于对所述增强后图像进行滤波处理,得到滤波后图像;
二值化处理模块504,用于按照预设规则划分所述滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;
边缘区域确定模块505,用于根据各个所述处理后子图像确定所述待检测图像中所述待检测设备对应的屏幕边缘区域;
检测模块506,用于基于所述屏幕边缘区域确定所述待检测设备是否通过检测。
采用该装置,按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;对卷积后图像进行特征增强处理,得到增强后图像;对增强后图像进行滤波处理,得到滤波后图像;按照预设规则划分滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;根据各个处理后子图像确定待检测图像中待检测设备对应的屏幕边缘区域;基于屏幕边缘区域确定待检测设备是否通过检测。通过对待检测图像进行针对性的卷积处理增强了图像特征,然后针对每个子图像可以按照对应的灰度阈值对该子图像进行二值化处理,使得对待检测图像的处理达到更加精准和稳定的内边缘定位效果,避免了屏幕内边缘过分割或漏分割的情况,提高了设备B面检测的准确度,减少了笔记本电脑质量检测的误判率。
在一可实施方式中,所述增强处理模块502,具体用于根据预设锐化因子对所述卷积后图像进行锐化处理,得到锐化后图像;对所述锐化后图像中的每个像素点的像素值进行放缩处理,并对放缩处理后的像素值取绝对值,得到增强后图像。
在一可实施方式中,所述二值化处理模块504,具体用于针对每个子图像,根据该子图像中各个像素点的像素值,确定该子图像对应的灰度均值和像素标准差;基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值;基于所述灰度阈值对该子图像进行二值化处理得到处理后子图像。
在一可实施方式中,所述二值化处理模块504,具体用于采用如下公式,基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值:
其中,T(x,y)表示该子图像对应的灰度阈值,R表示所述像素标准差的预设动态范围,k表示预设修正参数,m(x,y)表示所述灰度均值,s(x,y)表示所述像素标准差。
在一可实施方式中,所述检测模块506,具体用于确定所述屏幕边缘区域是否包含指定部件的图像;如果是,确定所述待检测设备通过检测。
在一可实施方式中,所述检测模块506,具体用于确定所述屏幕边缘区域包含的标签图像与模版标签图像是否匹配;如果是,确定所述待检测设备通过检测。
采用该装置,通过对待检测图像进行针对性的卷积处理增强了图像特征,然后针对每个子图像可以按照对应的灰度阈值对该子图像进行二值化处理,使得对待检测图像的处理达到更加精准和稳定的内边缘定位效果,避免了屏幕内边缘过分割或漏分割的情况,提高了设备B面检测的准确度,减少了笔记本电脑质量检测的误判率。
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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如设备检测方法。例如,在一些实施例中,设备检测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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的设备检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行设备检测方法。
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)
1.一种设备检测方法,其特征在于,所述方法包括:
按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;
对所述卷积后图像进行特征增强处理,得到增强后图像;
对所述增强后图像进行滤波处理,得到滤波后图像;
按照预设规则划分所述滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;
根据各个所述处理后子图像确定所述待检测图像中所述待检测设备对应的屏幕边缘区域;
基于所述屏幕边缘区域确定所述待检测设备是否通过检测。
2.根据权利要求1所述的方法,其特征在于,所述对所述卷积后图像进行特征增强处理,得到增强后图像,包括:
根据预设锐化因子对所述卷积后图像进行锐化处理,得到锐化后图像;
对所述锐化后图像中的每个像素点的像素值进行放缩处理,并对放缩处理后的像素值取绝对值,得到增强后图像。
3.根据权利要求1所述的方法,其特征在于,所述针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像,包括:
针对每个子图像,根据该子图像中各个像素点的像素值,确定该子图像对应的灰度均值和像素标准差;
基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值;
基于所述灰度阈值对该子图像进行二值化处理得到处理后子图像。
4.根据权利要求3所述的方法,其特征在于,所述基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值,包括:
采用如下公式,基于所述灰度均值和所述像素标准差确定该子图像对应的灰度阈值:
其中,T(x,y)表示该子图像对应的灰度阈值,R表示所述像素标准差的预设动态范围,k表示预设修正参数,m(x,y)表示所述灰度均值,s(x,y)表示所述像素标准差。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述基于所述屏幕边缘区域确定所述待检测设备是否通过检测,包括:
确定所述屏幕边缘区域是否包含指定部件的图像;
如果是,确定所述待检测设备通过检测。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述基于所述屏幕边缘区域确定所述待检测设备是否通过检测,包括:
确定所述屏幕边缘区域包含的标签图像与模版标签图像是否匹配;
如果是,确定所述待检测设备通过检测。
7.一种设备检测装置,其特征在于,所述装置包括:
卷积处理模块,用于按照预设卷积核对待检测设备的待检测图像进行卷积处理,得到卷积后图像;
增强处理模块,用于对所述卷积后图像进行特征增强处理,得到增强后图像;
滤波处理模块,用于对所述增强后图像进行滤波处理,得到滤波后图像;
二值化处理模块,用于按照预设规则划分所述滤波后图像得到多个子图像,并针对每个子图像,根据该子图像对应的灰度阈值对该子图像进行二值化处理得到处理后子图像;
边缘区域确定模块,用于根据各个所述处理后子图像确定所述待检测图像中所述待检测设备对应的屏幕边缘区域;
检测模块,用于基于所述屏幕边缘区域确定所述待检测设备是否通过检测。
8.根据权利要求7所述的装置,其特征在于,所述增强处理模块,具体用于根据预设锐化因子对所述卷积后图像进行锐化处理,得到锐化后图像;对所述锐化后图像中的每个像素点的像素值进行放缩处理,并对放缩处理后的像素值取绝对值,得到增强后图像。
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1-6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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447032.1A CN117372408A (zh) | 2023-10-31 | 2023-10-31 | 一种设备检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447032.1A CN117372408A (zh) | 2023-10-31 | 2023-10-31 | 一种设备检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372408A true CN117372408A (zh) | 2024-01-09 |
Family
ID=89403926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311447032.1A Pending CN117372408A (zh) | 2023-10-31 | 2023-10-31 | 一种设备检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372408A (zh) |
-
2023
- 2023-10-31 CN CN202311447032.1A patent/CN117372408A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340752A (zh) | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 | |
CN112800915B (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
CN116844177A (zh) | 一种表格识别方法、装置、设备及存储介质 | |
CN113487473B (zh) | 一种添加图像水印的方法、装置、电子设备及存储介质 | |
CN116071272A (zh) | 一种图像校正方法、装置、电子设备及其存储介质 | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN116152208A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN116486126B (zh) | 一种模版确定方法、装置、设备及存储介质 | |
CN112508005B (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN116402820A (zh) | 一种检测方法、装置、设备及存储介质 | |
CN116385415A (zh) | 一种边缘缺陷检测方法、装置、设备及存储介质 | |
CN117372408A (zh) | 一种设备检测方法、装置、设备及存储介质 | |
CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN113378847A (zh) | 字符分割方法、***、计算机设备和存储介质 | |
CN114596210A (zh) | 噪声估计方法、装置、终端设备及计算机可读存储介质 | |
CN117746013A (zh) | 一种标签检测方法、装置、设备及存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN117351010B (zh) | 一种基于深度学习的金属凹陷结构缺陷检测方法及装置 | |
CN116934739A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN117764913A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN116823924B (zh) | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 | |
CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
CN117952938A (zh) | 一种图像检测方法、装置、设备及存储介质 | |
CN113052173B (zh) | 样本数据的特征增强方法和装置 | |
CN116681913A (zh) | 一种标签印刷的定位方法、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 |