CN117849072A - 一种隐形眼镜铸模印刷缺陷检测方法及*** - Google Patents
一种隐形眼镜铸模印刷缺陷检测方法及*** Download PDFInfo
- Publication number
- CN117849072A CN117849072A CN202410052836.XA CN202410052836A CN117849072A CN 117849072 A CN117849072 A CN 117849072A CN 202410052836 A CN202410052836 A CN 202410052836A CN 117849072 A CN117849072 A CN 117849072A
- Authority
- CN
- China
- Prior art keywords
- image
- contact lens
- defect detection
- images
- casting mold
- 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
- 238000005266 casting Methods 0.000 title claims abstract description 205
- 230000007547 defect Effects 0.000 title claims abstract description 173
- 238000001514 detection method Methods 0.000 title claims abstract description 151
- 238000007639 printing Methods 0.000 title claims abstract description 69
- 230000004927 fusion Effects 0.000 claims abstract description 78
- 230000009466 transformation Effects 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000005520 cutting process Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000001131 transforming effect Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000000465 moulding Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 210000001747 pupil Anatomy 0.000 description 3
- 230000000153 supplemental effect Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000007649 pad printing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
- G01M11/0242—Testing optical properties by measuring geometrical properties or aberrations
- G01M11/0278—Detecting defects of the object to be tested, e.g. scratches or dust
-
- 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
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G01N2021/8883—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 involving the calculation of gauges, generating models
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种隐形眼镜铸模印刷缺陷检测方法及***,该方法通过获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像,将多张隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像,将隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使变换图像适应隐形眼镜铸模印制缺陷检测模型,通过隐形眼镜铸模印制缺陷检测模型对变换图像进行缺陷检测,得到缺陷检测结果;本发明具有降低人工成本,节约时间,提升生产良品率的技术效果。
Description
技术领域
本申请涉及图像识别技术领域,具体涉及一种隐形眼镜铸模印刷缺陷检测方法及***。
背景技术
美瞳是一种具有增光、增大、增黑或者改变眼睛颜色等功能的隐形眼镜,美瞳的花纹印刷方式主要是基于隐形眼镜铸模的移印法,由于印刷油墨时容易受到油墨本身浓度、环境温湿度等影响,使得印刷过程中铸模易出现油墨漏印的瑕疵品,相关技术的印刷质量检测方法依赖于人工检测,这种检测方式存在以下不足:(1)人工长时间检测导致人眼疲劳,易产生错误判断;(2)印刷领域的缺墨或漏印检测方法,均需要对合格品先建立模板,通过与模板对比的方法来检测缺墨缺陷,检测效率较为低下。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种隐形眼镜铸模印刷缺陷检测方法及***,以解决上述技术问题。
本发明提供的隐形眼镜铸模印刷缺陷检测方法,所述方法包括:获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像;将多张所述隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像;将所述隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使所述变换图像适应隐形眼镜铸模印制缺陷检测模型;通过所述隐形眼镜铸模印制缺陷检测模型对所述变换图像进行缺陷检测,得到缺陷检测结果。
于本发明的一实施例中,将多张所述隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像的过程包括:将多张所述隐形眼镜铸模彩色图像分别转换成灰度图像,得到多张灰度图像,并分别对每一张所述灰度图像进行阈值分割和滤波,得到多张隐形眼镜铸模二值滤波图像;基于每一张所述隐形眼镜铸模二值过滤图像,建立环形掩膜图,得到多个所述环形掩膜图,所述环形掩膜图的环形位置对应铸模边缘区域,所述环形掩膜图的环形位置以预设范围内的灰度值进行填充;分别将每一张所述隐形眼镜铸模二值过滤图像与对应的环形掩膜图进行与运算,得到多张铸模边缘区域图像;提取每一张所述铸模边缘区域图像中的轮廓图像,并对每一张所述铸模边缘区域图像中轮廓图像的面积大小进行筛选,得到筛选后的轮廓图像;根据每一张所述筛选后的轮廓图像的矩特征,确定对应铸模边缘区域图像的质心,并将多张所述隐形眼镜铸模彩色图像按照对应铸模边缘区域图像的质心进行对齐,得到隐形眼镜铸模融合图像,多张所述铸模边缘区域图像的质心与多张所述隐形眼镜铸模彩色图像具有一一对应关系。
于本发明的一实施例中,将所述隐形眼镜铸模融合图像进行坐标变换,得到变换图像的过程包括:以所述极坐标变换方式对所述隐形眼镜铸模融合图像进行变换,得到矩形图像;将所述矩形图像进行尺寸变换,得到变换图像,以使所述变换图像适应隐形眼镜铸模印制缺陷检测模型。
于本发明的一实施例中,通过所述隐形眼镜铸模印制缺陷检测模型对所述变换图像进行缺陷检测,得到缺陷检测结果的过程包括:将所述变换图像输入所述隐形眼镜铸模印制缺陷检测模型;若所述隐形眼镜铸模印制缺陷检测模型检测到所述变换图像中存在瑕疵,将瑕疵位置绘制在所述变换图像中,得到缺陷检测输出图像,并将所述缺陷检测输出图像进行变换,得到所述缺陷检测结果;若所述隐形眼镜铸模印制缺陷检测模型未检测到所述变换图像中存在瑕疵,则将当前产品合格作为所述缺陷检测结果。
于本发明的一实施例中,对每一张所述铸模边缘区域图像中轮廓图像的面积大小进行筛选的过程包括:获取预设隐形眼镜铸模面积范围;按照面积大小,对所有所述铸模边缘区域图像中轮廓图像进行排序,并从排序结果中选取预设数量的轮廓图像;
将所述预设数量的轮廓图像与所述预设隐形眼镜铸模面积范围进行比对,并将符合所述预设隐形眼镜铸模面积范围的轮廓图像作为筛选后的轮廓图像。
于本发明的一实施例中,将多张所述隐形眼镜铸模彩色图像按照对应铸模边缘区域图像的质心进行对齐,得到隐形眼镜铸模融合图像的过程包括:从多张所述铸模边缘区域图像中,选取一张铸模边缘区域图像,作为参考图像,并将所述参考图像的质心作为参考质心;分别计算所述铸模边缘区域图像的质心与所述参考质心之间的偏移量,得到所述铸模边缘区域图像相对于所述参考图像的偏移量;基于所述偏移量,对每张所述铸模边缘区域图像进行尺寸扩充,并根据扩充后的尺寸,建立三通道全零掩膜图,并将每张所述隐形眼镜铸模彩色图像填充至对应的三通道全零掩膜图中,得到多张填充后的掩膜图,三通道对应三个色彩维度;将所有所述填充后的掩膜图的质心与所述参考质心对齐,得到对齐图像,所述对齐图像中每一位置处的像素值为重叠像素值;计算所述对齐图像中每一位置处重叠像素值的均值,以每一位置处重叠像素值的均值替换对应位置处重叠像素值,得到所述隐形眼镜铸模融合图像。
于本发明的一实施例中,以所述极坐标变换方式对所述隐形眼镜铸模融合图像进行变换,得到矩形图像的过程包括:获取所述隐形眼镜铸模融合图像的圆心坐标和半径;根据所述圆心坐标和半径,计算所述隐形眼镜铸模融合图像的边缘周长;通过极坐标变换方式将所述隐形眼镜铸模融合图像以圆心展开,得到矩形图像,所述矩形图像的高为所述边缘周长、宽为所述半径。
于本发明的一实施例中,将所述矩形图像进行尺寸变换,得到所述变换图像的过程包括:对所述矩形图像进行第一旋转操作,得到隐形眼镜铸模旋转图像,所述隐形眼镜铸模旋转图像的宽为所述边缘周长、高为所述半径;按照预设裁剪比例,对所述隐形眼镜铸模旋转图像进行裁剪,得到隐形眼镜铸模裁剪图像;按照预设切分数量,对所述隐形眼镜铸模裁剪图像进行切分,得到多段隐形眼镜铸模切分图像,并记录多段所述隐形眼镜铸模切分图像与所述矩形图像的第一位置关系;划分所述隐形眼镜铸模切分图像中的边缘区域,并对所述边缘区域添加重叠区域,并将所述重叠区域与所述边缘区域进行拼接,得到隐形眼镜铸模补充图像,所述重叠区域与所述边缘区域尺寸相同,所述重叠区域与所述边缘区域在所述隐形眼镜铸模融合图像中位置相邻;将所述隐形眼镜铸模补充图像进行堆叠,得到所述变换图像,并记录所述隐形眼镜铸模补充图像与所述变换图像的第二位置关系。
于本发明的一实施例中,将所述缺陷检测输出图像进行变换,得到所述缺陷检测结果的过程包括:按照所述第二位置关系,从所述缺陷检测输出图像划分缺陷检测补充图像,将所述缺陷检测补充图像的边缘区域像素值与对应重叠区域像素值进行与运算,得到运算后的像素值,并通过所述运算后的像素值替换所述缺陷检测补充图像的边缘区域像素值,得到缺陷检测切分图像,所述缺陷检测补充图像与所述隐形眼镜铸模补充图像具有对应关系;按照所述第一位置关系通过所述缺陷检测切分图像对预先生成的全零掩膜图中的像素进行替换,得到矩形掩膜图,所述全零掩膜图的尺寸与所述矩形图像的尺寸相同;对所述矩形掩膜图进行第二旋转操作和极坐标逆变换操作,得到圆形掩膜图,所述圆形掩膜图与所述隐形眼镜铸模融合图像的尺寸相同;对所述圆形掩膜图进行轮廓提取,得到掩膜图轮廓图像,并将所述掩膜图轮廓图像作为所述缺陷检测结果。
根据本发明实施例的一个方面,提供了一种隐形眼镜铸模印刷缺陷检测***,所述***包括:图像获取模块,用于获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像;图像融合模块,用于将多张所述隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像;图像变换模块,用于将所述隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使所述变换图像适应隐形眼镜铸模印制缺陷检测模型;缺陷检测模块,用于通过所述隐形眼镜铸模印制缺陷检测模型对所述变换图像进行缺陷检测,得到缺陷检测结果。
本发明的有益效果:本发明通过获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像,将多张隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像,将隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使变换图像适应隐形眼镜铸模印制缺陷检测模型,通过隐形眼镜铸模印制缺陷检测模型对变换图像进行缺陷检测,得到缺陷检测结果,具有降低人工成本,节约时间,提升生产良品率的技术效果。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。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者来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请的一示例性实施例示出的隐形眼镜铸模图像的示意图;
图2是本申请的一示例性实施例示出的隐形眼镜铸模印刷缺陷检测方法的流程图;
图3是本申请的一示例性实施例示出的多张隐形眼镜铸模彩色图像进行质心对齐的示意图;
图4是本申请的一示例性实施例示出的隐形眼镜铸模旋转图像的示意图;
图5是本申请的一示例性实施例示出的隐形眼镜铸模裁剪图像的示意图;
图6是本申请的一示例性实施例示出的隐形眼镜铸模切分图像的示意图;
图7是本申请的一示例性实施例示出的变换图像的示意图;
图8是本申请的一示例性实施例示出的缺陷检测结果的示意图;
图9是本申请的一示例性实施例示出的隐形眼镜铸模印刷缺陷检测***的框图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
图1是本申请的一示例性实施例示出的隐形眼镜铸模图像的示意图。参照图1所示,隐形眼镜铸模图像包括瞳孔区和印刷区,其中印刷区为缺陷检测区域,印刷区外边缘与铸模边缘之间的白色区域不印刷油墨,不做检测,黑色区域为背景区域。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2是本申请的一示例性实施例示出的隐形眼镜铸模印刷缺陷检测方法的流程图,参照图2所示,该隐形眼镜铸模印刷缺陷检测方法至少包括步骤S210至步骤S240,详细介绍如下:
步骤S210,获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像。
在本申请的一实施例中,将隐形眼镜铸模放在检测工位上待进行检测时,光源会从低到高快速移动多次,每次移动后光源会短暂停留,此时,通过相机进行拍照,从而得到隐形眼镜铸模的多张不同光源高度下的彩色图像。
步骤S220,将多张隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像。
在本实施例中,由于相机拍摄图像时不可避免存在机械振动,因此,多张不同光源高度下图像每一位置处像素通常不一一对应,直接融合图像会产生花纹模糊的问题,而对多张隐形眼镜铸模彩色图像进行质心对齐后,再进行融合,能够降低融合图像花纹模糊的问题,并且能够使其印刷区光照均匀,提高隐形眼镜铸模融合图像的质量。
步骤S230,将隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使变换图像适应隐形眼镜铸模印制缺陷检测模型。
在本实施例中,由于隐形眼镜铸模的印刷区域通常是环状的,使用隐形眼镜铸模印制缺陷检测模型对环状印刷区边缘进行瑕疵检测时,存在弧形缺陷难以精确标注的问题,导致缺陷检测结果差,准确率不高,通过将隐形眼镜铸模融合图像进行坐标变换减少了背景干扰,提高了隐形眼镜铸模融合图像的分辨率,从而大大提高了缺陷检测精度。
在步骤S240中,通过隐形眼镜铸模印制缺陷检测模型对变换图像进行缺陷检测,得到缺陷检测结果。
在本实施例中,隐形眼镜铸模印制缺陷检测模型可以为深度神经网络检测模型等,在此,不作限定。
在本实施例中,通过获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像,将多张隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像,将隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使变换图像适应隐形眼镜铸模印制缺陷检测模型,通过隐形眼镜铸模印制缺陷检测模型对变换图像进行缺陷检测,得到缺陷检测结果,具有降低人工成本,节约时间,提升生产良品率的技术效果。
在本申请的一实施例中,将多张隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像的过程包括:将多张隐形眼镜铸模彩色图像分别转换成灰度图像,得到多张灰度图像,并分别对每一张灰度图像进行阈值分割和滤波,得到多张隐形眼镜铸模二值滤波图像。
在本实施例中,将多张隐形眼镜铸模彩色图像分别转换成灰度图像的过程包括:对多张隐形眼镜铸模彩色图像进行降噪、颜色空间转换等操作,得到多张隐形眼镜铸模灰度图像。
在本实施例中分别对每一张灰度图像进行阈值分割和滤波,得到多张隐形眼镜铸模二值滤波图像的过程包括:(1)将每张隐形眼镜铸模灰度图像分别进行自适应阈值分割,得到多张隐形眼镜铸模二值图像;(2)对多张隐形眼镜铸模二值图像进行滤波,得到多张隐形眼镜铸模二值过滤图像。
基于每一张隐形眼镜铸模二值过滤图像,建立环形掩膜图,得到多个环形掩膜图,环形掩膜图的环形位置对应铸模边缘区域,环形掩膜图的环形位置以预设范围内的灰度值进行填充。
在本实施例中,基于每一张隐形眼镜铸模二值过滤图像,建立环形掩膜图的过程包括:(1)生成一个与隐形眼镜铸模二值过滤图像宽高相等的全零掩膜图;(2)以每一张图的质心为圆心,以每一张图半径的第一预设倍在全零掩膜图上画圆,以第一预设灰度值进行填充;(3)再以每一张图的质心为圆心,以每一张图半径的第二预设倍在该全零掩膜图上画圆,以第二灰度值进行填充,得到与隐形眼镜铸模二值过滤图像对应的环形掩膜图。
在本实施例中,第一预设倍可以为1.1,也可以为其他的数值,第二预设倍可以为0.9,也可以为其他数值,第一预设灰度值可以为255,也可以为其他的灰度值,第二预设灰度值可以为0,可以为其他灰度值。预设范围内的灰度值可以根据实际情况进行设定,在此,不作限定。
分别将每一张隐形眼镜铸模二值过滤图像与对应的环形掩膜图进行与运算,得到多张铸模边缘区域图像。
在本实施例中,将每一张隐形眼镜铸模二值过滤图像与对应的环形掩膜图进行与运算,可以有效去除印刷区域及铸模外信息干扰,有利于提升铸模边缘轮廓的提取速度。
提取每一张铸模边缘区域图像中的轮廓图像,并对每一张铸模边缘区域图像中轮廓图像的面积大小进行筛选,得到筛选后的轮廓图像。
在本实施例中,对每一张铸模边缘区域图像中轮廓图像的面积大小进行筛选,得到筛选后的轮廓图像的过程包括:(1)获取预设隐形眼镜铸模面积范围;(2)按照面积大小,对所有铸模边缘区域图像中轮廓图像进行排序,并从排序结果中选取预设数量的轮廓图像;(3)将预设数量的轮廓图像与预设隐形眼镜铸模面积范围进行比对,并将符合预设隐形眼镜铸模面积范围的轮廓图像作为筛选后的轮廓图像。
根据每一张筛选后的轮廓图像的矩特征,确定对应铸模边缘区域图像的质心,并将多张隐形眼镜铸模彩色图像按照对应铸模边缘区域图像的质心进行对齐,得到隐形眼镜铸模融合图像,多张铸模边缘区域图像的质心与多张隐形眼镜铸模彩色图像具有一一对应关系。
在本实施例中,根据每一张筛选后的轮廓图像的矩特征,确定对应铸模边缘区域图像的质心的方法为现有技术,在此,不进行赘述。
在本实施例中,多张隐形眼镜铸模彩色图像按照对应铸模边缘区域图像的质心进行对齐后,再进行融合,能够降低融合图像花纹模糊的问题,提高隐形眼镜铸模融合图像的质量。
在本申请的一实施例中,将隐形眼镜铸模融合图像进行坐标变换,得到变换图像的过程包括:以极坐标变换方式对隐形眼镜铸模融合图像进行变换,得到矩形图像。
在本实施例中,以极坐标变换方式对隐形眼镜铸模融合图像进行变换,得到矩形图像的过程包括:(1)获取隐形眼镜铸模融合图像的圆心坐标和半径;(2)根据圆心坐标和半径,计算隐形眼镜铸模融合图像的边缘周长;(3)通过极坐标变换方式将隐形眼镜铸模融合图像以圆心展开,得到矩形图像。
将矩形图像进行尺寸变换,得到变换图像,以使变换图像适应隐形眼镜铸模印制缺陷检测模型。
在本实施例中,将矩形图像进行尺寸变换,得到变换图像的过程包括:(1)对矩形图像进行第一旋转操作,得到隐形眼镜铸模旋转图像,隐形眼镜铸模旋转图像的宽为边缘周长、高为半径;(2)按照预设裁剪比例,对隐形眼镜铸模旋转图像进行裁剪,得到隐形眼镜铸模裁剪图像;(3)按照预设切分数量,对隐形眼镜铸模裁剪图像进行切分,得到多段隐形眼镜铸模切分图像;(4)划分隐形眼镜铸模切分图像中的边缘区域,并对边缘区域添加重叠区域,并将重叠区域与边缘区域进行拼接,得到隐形眼镜铸模补充图像,重叠区域与边缘区域尺寸相同,重叠区域与边缘区域在隐形眼镜铸模融合图像中位置相邻;(5)将隐形眼镜铸模补充图像进行堆叠,得到变换图像,以使变换图像适应隐形眼镜铸模印制缺陷检测模型的图像输入尺寸。
在本申请的一实施例中,通过隐形眼镜铸模印制缺陷检测模型对变换图像进行缺陷检测,得到缺陷检测结果的过程包括:将变换图像输入隐形眼镜铸模印制缺陷检测模型。
在本实施例中,隐形眼镜铸模印制缺陷检测模型可以为深度神经网络检测模型等,在此,不作限定。
若隐形眼镜铸模印制缺陷检测模型检测到变换图像中存在瑕疵,将瑕疵位置绘制在变换图像中,得到缺陷检测输出图像,并将缺陷检测输出图像进行变换,得到缺陷检测结果。
在本实施例中,变换图像中瑕疵的数量可以为1个,也可以为多个,可以通过方框标记的方式将瑕疵位置绘制在变换图像中,也可以通过其他标记方式将瑕疵位置绘制在变换图像中。
若隐形眼镜铸模印制缺陷检测模型未检测到变换图像中存在瑕疵,则将当前产品合格作为缺陷检测结果。
在本实施例中,通过隐形眼镜铸模印制缺陷检测模型对变换图像进行自动识别,不需要与预先建立的模板比对,即可判断所拍摄产品是否存在缺陷,能够降低人工成本,节约时间,提升检测效率和准确率。
在本申请的一实施例中,对每一张铸模边缘区域图像中轮廓图像的面积大小进行筛选的过程包括:
获取预设隐形眼镜铸模面积范围。
在本实施例中,预设隐形眼镜铸模面积范围包括铸模面积的最大值、铸模面积的最小值等。
按照面积大小,对所有铸模边缘区域图像中轮廓图像进行排序,并从排序结果中选取预设数量的轮廓图像。
在本实施例中,预设数量可以根据实际情况进行设定,在此,不进行限定。
在本实施例中,对所有铸模边缘区域图像中轮廓图像进行排序可以升序排序,也可以为降序排序,其中,预设数量的轮廓图像可以为升序排序中排名靠前的预设数量的轮廓图像,也可以为降序序列中排名靠后的预设数量的轮廓图像。
将预设数量的轮廓图像与预设隐形眼镜铸模面积范围进行比对,并将符合预设隐形眼镜铸模面积范围的轮廓图像作为筛选后的轮廓图像。
在本实施例中,将不满足预设隐形眼镜铸模面积范围的轮廓图像筛选掉,避免多余信息的干扰,有利于提高隐形眼镜铸模融合图像的质量。
在本申请的一实施例中,将多张隐形眼镜铸模彩色图像按照对应铸模边缘区域图像的质心进行对齐,得到隐形眼镜铸模融合图像的过程包括:从多张铸模边缘区域图像中,选取一张铸模边缘区域图像,作为参考图像,并将参考图像的质心作为参考质心。
在本实施例中,参考图像可以为多张铸模边缘区域图像中面积最大的一张,也可以为其他的铸模边缘区域图像。
分别计算铸模边缘区域图像的质心与参考质心之间的偏移量,得到铸模边缘区域图像相对于参考图像的偏移量。
在本实施例中,计算铸模边缘区域图像的质心与参考质心之间的偏移量的方法为现有技术,在此,不作限定。
在本实施例中,如果铸模边缘区域图像与参考图像为同一张图像,则铸模边缘区域图像相对于参考图像的偏移量为零,那么,直接对参考图像建立三通道全零掩膜图,不需要对参考图像进行尺寸扩充。
基于偏移量,对每张铸模边缘区域图像进行尺寸扩充,并根据扩充后的尺寸,建立三通道全零掩膜图,并将每张隐形眼镜铸模彩色图像填充至对应的三通道全零掩膜图中,得到多张填充后的掩膜图,三通道对应三个色彩维度。
在本实施例中,基于偏移量,对每张铸模边缘区域图像进行尺寸扩充的过程包括:将铸模边缘区域图像的宽增加偏移量,将铸模边缘区域图像的高增加偏移量,按照扩充后宽的尺寸和扩充后高的尺寸绘制三通道全零掩膜图,三通道全零掩膜图的填充灰度值可以为零,也可以为其他的像素值,三个色彩维度可以为R、G、B色彩维度,也可以为其他色彩维度,三通道全零掩膜图适用于彩色图像的填充。
将所有填充后的掩膜图的质心与参考质心对齐,得到对齐图像,对齐图像中每一位置处的像素值为重叠像素值。填充后的掩膜图的质心与铸模边缘区域图像的质心相同。
在本实施例中,重叠像素值为所有填充后的掩膜图中对应位置处像素值之和。
在本实施例中,将所有填充后的掩膜图的质心与参考质心对齐,解决了由于不同铸模边缘区域图像的各个位置像素不对应,直接融合而产生的花纹模糊的问题。
计算对齐图像中每一位置处重叠像素值的均值,以每一位置处重叠像素值的均值替换对应位置处重叠像素值,得到隐形眼镜铸模融合图像。
在本实施例中,通过质心对齐得到的隐形眼镜铸模融合图像,具有印刷区域光照均匀的特点,而且质心对齐的方法计算量小,高效准确,适合在线检测场景。
图3是本申请的一示例性实施例示出的多张隐形眼镜铸模彩色图像进行质心对齐的示意图,位于图3中左侧的点为铸模边缘区域图像的质心,位于图3中右侧的点为参考质心,两者之间的距离为偏移量即padding_size,图3中灰色边框区域为与偏移量尺寸相同的填充区域,对齐时以右侧的点为中心,并将对齐后得到的图像裁剪为参考图像的尺寸,得到隐形眼镜铸模融合图像。
在本申请的一实施例中,以极坐标变换方式对隐形眼镜铸模融合图像进行变换,得到矩形图像的过程包括:获取隐形眼镜铸模融合图像的圆心坐标和半径。
在本实施例中,在得到隐形眼镜铸模融合图像之后,隐形眼镜铸模融合图像的圆心坐标和半径可以根据隐形眼镜铸模融合图像的尺寸和位置计算得到,在此,不对计算隐形眼镜铸模融合图像的圆心坐标和半径的方法进行限定。
根据圆心坐标和半径,计算隐形眼镜铸模融合图像的边缘周长。
在本实施例中,根据圆心坐标和半径,计算隐形眼镜铸模融合图像的边缘周长的方法为现有技术,在此不作限定。
通过极坐标变换方式将隐形眼镜铸模融合图像以圆心展开,得到矩形图像,矩形图像的高为边缘周长、宽为半径。
在本实施例中,通过极坐标变换方式将隐形眼镜铸模融合图像从环状图像变换为矩形图像,实现改变隐形眼镜铸模融合图像形状的效果。
在本申请的一实施例中,将矩形图像进行尺寸变换,得到变换图像的过程包括:对矩形图像进行第一旋转操作,得到隐形眼镜铸模旋转图像,隐形眼镜铸模旋转图像的宽为边缘周长、高为半径。
在本实施例中,对矩形图像进行第一旋转操作时,旋转的角度可以为逆时针旋转90度,也可以为顺时针旋转270度。
图4是本申请的一示例性实施例示出的隐形眼镜铸模旋转图像的示意图,如图4所示,隐形眼镜铸模旋转图像的宽为边缘周长、高为半径,且隐形眼镜铸模旋转图像的灰色区域对应印刷区域。
按照预设裁剪比例,对隐形眼镜铸模旋转图像进行裁剪,得到隐形眼镜铸模裁剪图像。
在本实施例中,预设裁剪比例可以为隐形眼镜铸模旋转图像的四分之三,也可以为其他的裁剪比例,例如,按照预设裁剪比例四分之三裁剪隐形眼镜铸模旋转图像后,将隐形眼镜铸模旋转图像的四分之三部分(隐形眼镜铸模旋转图像的上部分)作为隐形眼镜铸模裁剪图像,则将隐形眼镜铸模旋转图像的四分之一部分(下部分)就会被裁减掉,从而减少背景信息的干扰,提高隐形眼镜铸模缺陷检测准确率。
图5是本申请的一示例性实施例示出的隐形眼镜铸模裁剪图像的示意图,如图5所示,如图5所示,隐形眼镜铸模裁剪图像灰色区域的尺寸与隐形眼镜铸模旋转图像灰色区域的尺寸不变,而隐形眼镜铸模裁剪图像底部的白色区域少于隐形眼镜铸模旋转图像底部的白色区域,从而减少背景信息的干扰,提高隐形眼镜铸模缺陷检测准确率。
按照预设切分数量,对隐形眼镜铸模裁剪图像进行切分,得到多段隐形眼镜铸模切分图像,并记录多段隐形眼镜铸模切分图像与矩形图像的第一位置关系。
在本实施例中,当边缘周长与半径的比值大于预设阈值时,预设切分数量可以为3,也可以为其他数值,预设阈值可以为6,也可以为其他数值。
划分隐形眼镜铸模切分图像中的边缘区域,并对边缘区域添加重叠区域,并将重叠区域与边缘区域进行拼接,得到隐形眼镜铸模补充图像,重叠区域与边缘区域尺寸相同。
在本实施例中,边缘区域的宽度可以为100图像元素对应的宽度,也可以为其他数值图像元素对应的宽度。重叠区域与边缘区域在隐形眼镜铸模融合图像中位置相邻。
在本实施例中,将重叠区域的像素与边缘区域的像素进行拼接,对隐形眼镜铸模切分图像中边缘区域的像素进行补充,避免在缺陷检测过程中,边缘区域的像素丢失,影响检测效果。
图6是本申请的一示例性实施例示出的隐形眼镜铸模切分图像的示意图,如图6所示,隐形眼镜铸模裁剪图像被切分成三段,每一段的大小相同,每一段的两端具有边缘区域,因此,共有6个边缘区域,分别为边缘区域1、边缘区域2、边缘区域3、边缘区域4、边缘区域5和边缘区域6,由于边缘区域6和边缘区域1在隐形眼镜铸模融合图像中位置相邻,因此,将边缘区域6作为边缘区域1的重叠区域,同理,将边缘区域2和边缘区域3、以及边缘区域4和边缘区域5互相作为重叠区域。
将隐形眼镜铸模补充图像进行堆叠,得到变换图像,并记录隐形眼镜铸模补充图像与变换图像的第二位置关系。
在本实施例中,隐形眼镜铸模补充图像的堆叠方向为垂直方向堆叠,在堆叠后变换图像的尺寸适应隐形眼镜铸模印制缺陷检测模型的图像输入尺寸。
图7是本申请的一示例性实施例示出的变换图像的示意图,如图7所示,三段隐形眼镜铸模补充图像按照垂直方向进行堆叠,在堆叠后变换图像的尺寸适应隐形眼镜铸模印制缺陷检测模型的图像输入尺寸。
在本申请的一实施例中,将缺陷检测输出图像进行变换,得到缺陷检测结果的过程包括:按照第二位置关系,从缺陷检测输出图像划分缺陷检测补充图像,将缺陷检测补充图像的边缘区域像素值与对应重叠区域像素值进行与运算,得到运算后的像素值,并通过运算后的像素值替换缺陷检测补充图像的边缘区域像素值,得到缺陷检测切分图像,缺陷检测补充图像与隐形眼镜铸模补充图像具有对应关系。
在本实施例中,按照从上到下的顺序,从缺陷检测输出图像划分出三个缺陷检测补充图像,缺陷检测补充图像的尺寸与隐形眼镜铸模补充图像的尺寸一致,三个缺陷检测补充图像在缺陷检测输出图像中的位置与三个隐形眼镜铸模补充图像在变换图像中的位置一一对应。缺陷检测切分图像的边缘区域与隐形眼镜铸模切分图像中的边缘区域尺寸相同。
按照第一位置关系通过缺陷检测切分图像对预先生成的全零掩膜图中的像素进行替换,得到矩形掩膜图。
在本实施例中,缺陷检测切分图像与隐形眼镜铸模切分图像具有对应关系,全零掩膜图的尺寸与矩形图像的尺寸相同。
对矩形掩膜图进行第二旋转操作和极坐标逆变换操作,得到圆形掩膜图,圆形掩膜图与隐形眼镜铸模融合图像的尺寸相同。
在本实施例中,第二旋转操作为对矩形掩膜图顺时针旋转90度,也可以对矩形掩膜图逆时针旋转270度。在对矩形掩膜图进行第二旋转操作后,得到矩形旋转掩膜图,再对矩形旋转掩膜图进行极坐标逆变换操作,极坐标逆变换操作为极坐标变换方式的逆过程。
对圆形掩膜图进行轮廓提取,得到掩膜图轮廓图像,并将掩膜图轮廓图像作为缺陷检测结果。
在本实施例中,在得到掩膜图轮廓图像之后,对掩膜图轮廓图像绘制外接矩形,得到缺陷检测结果。
图8是本申请的一示例性实施例示出的缺陷检测结果的示意图。如图8所示,在掩膜图轮廓图像中存在瑕疵位置处,通过方框标记方式进行了标记,可以直观地看到印刷缺陷所在的位置。
以下介绍本申请的***实施例,可以用于执行本申请上述实施例中的隐形眼镜铸模印刷缺陷检测方法。对于本申请***实施例中未披露的细节,请参照本申请上述的隐形眼镜铸模印刷缺陷检测方法的实施例。
图9是本申请的一示例性实施例示出的隐形眼镜铸模印刷缺陷检测***的框图。
如图9所示,该示例性的隐形眼镜铸模印刷缺陷检测***包括:图像获取模块901用于获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像。
图像融合模块902用于将多张隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像。
图像变换模块903用于将隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使变换图像适应隐形眼镜铸模印制缺陷检测模型。
缺陷检测模块904用于通过隐形眼镜铸模印制缺陷检测模型对变换图像进行缺陷检测,得到缺陷检测结果。
在本申请的一实施例中,将隐形眼镜铸模放在检测工位上待进行检测时,光源会从低到高快速移动多次,每次移动后光源会短暂停留,此时,通过相机进行拍照,从而得到隐形眼镜铸模的多张不同光源高度下的彩色图像。
在本实施例中,由于相机拍摄图像时不可避免存在机械振动,因此,多张不同光源高度下图像每一位置处像素通常不一一对应,直接融合图像会产生花纹模糊的问题,而对多张隐形眼镜铸模彩色图像进行质心对齐后,再进行融合,能够降低融合图像花纹模糊的问题,并且能够使其印刷区光照均匀,提高隐形眼镜铸模融合图像的质量。
在本实施例中,由于隐形眼镜铸模的印刷区域通常是环状的,使用隐形眼镜铸模印制缺陷检测模型对环状印刷区边缘进行瑕疵检测时,存在弧形缺陷难以精确标注的问题,导致缺陷检测结果差,准确率不高,通过将隐形眼镜铸模融合图像进行坐标变换减少了背景干扰,提高了隐形眼镜铸模融合图像的分辨率,从而大大提高了缺陷检测精度。
在本实施例中,隐形眼镜铸模印制缺陷检测模型可以为深度神经网络检测模型等,在此,不作限定。
在本实施例中,通过获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像,将多张隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像,将隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使变换图像适应隐形眼镜铸模印制缺陷检测模型,通过隐形眼镜铸模印制缺陷检测模型对变换图像进行缺陷检测,得到缺陷检测结果,具有降低人工成本,节约时间,提升生产良品率的技术效果。
需要说明的是,上述实施例所提供的隐形眼镜铸模印刷缺陷检测***与上述实施例所提供的隐形眼镜铸模印刷缺陷检测方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的隐形眼镜铸模印刷缺陷检测***在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将***的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得电子设备实现上述各个实施例中提供的隐形眼镜铸模印刷缺陷检测方法。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行如前的隐形眼镜铸模印刷缺陷检测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的隐形眼镜铸模印刷缺陷检测方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种隐形眼镜铸模印刷缺陷检测方法,其特征在于,所述方法包括:
获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像;
将多张所述隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像;
将所述隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使所述变换图像适应隐形眼镜铸模印制缺陷检测模型;
通过所述隐形眼镜铸模印制缺陷检测模型对所述变换图像进行缺陷检测,得到缺陷检测结果。
2.根据权利要求1所述的隐形眼镜铸模印刷缺陷检测方法,其特征在于,将多张所述隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像的过程包括:
将多张所述隐形眼镜铸模彩色图像分别转换成灰度图像,得到多张灰度图像,并分别对每一张所述灰度图像进行阈值分割和滤波,得到多张隐形眼镜铸模二值滤波图像;
基于每一张所述隐形眼镜铸模二值过滤图像,建立环形掩膜图,得到多个所述环形掩膜图,所述环形掩膜图的环形位置对应铸模边缘区域,所述环形掩膜图的环形位置以预设范围内的灰度值进行填充;
分别将每一张所述隐形眼镜铸模二值过滤图像与对应的环形掩膜图进行与运算,得到多张铸模边缘区域图像;
提取每一张所述铸模边缘区域图像中的轮廓图像,并对每一张所述铸模边缘区域图像中轮廓图像的面积大小进行筛选,得到筛选后的轮廓图像;
根据每一张所述筛选后的轮廓图像的矩特征,确定对应铸模边缘区域图像的质心,并将多张所述隐形眼镜铸模彩色图像按照对应铸模边缘区域图像的质心进行对齐,得到隐形眼镜铸模融合图像,多张所述铸模边缘区域图像的质心与多张所述隐形眼镜铸模彩色图像具有一一对应关系。
3.根据权利要求1或2所述的隐形眼镜铸模印刷缺陷检测方法,其特征在于,将所述隐形眼镜铸模融合图像进行坐标变换,得到变换图像的过程包括:
以所述极坐标变换方式对所述隐形眼镜铸模融合图像进行变换,得到矩形图像;
将所述矩形图像进行尺寸变换,得到变换图像,以使所述变换图像适应隐形眼镜铸模印制缺陷检测模型。
4.根据权利要求3所述的隐形眼镜铸模印刷缺陷检测方法,其特征在于,通过所述隐形眼镜铸模印制缺陷检测模型对所述变换图像进行缺陷检测,得到缺陷检测结果的过程包括:
将所述变换图像输入所述隐形眼镜铸模印制缺陷检测模型;
若所述隐形眼镜铸模印制缺陷检测模型检测到所述变换图像中存在瑕疵,将瑕疵位置绘制在所述变换图像中,得到缺陷检测输出图像,并将所述缺陷检测输出图像进行变换,得到所述缺陷检测结果;
若所述隐形眼镜铸模印制缺陷检测模型未检测到所述变换图像中存在瑕疵,则将当前产品合格作为所述缺陷检测结果。
5.根据权利要求2所述的隐形眼镜铸模印刷缺陷检测方法,其特征在于,对每一张所述铸模边缘区域图像中轮廓图像的面积大小进行筛选的过程包括:
获取预设隐形眼镜铸模面积范围;
按照面积大小,对所有所述铸模边缘区域图像中轮廓图像进行排序,并从排序结果中选取预设数量的轮廓图像;
将所述预设数量的轮廓图像与所述预设隐形眼镜铸模面积范围进行比对,并将符合所述预设隐形眼镜铸模面积范围的轮廓图像作为筛选后的轮廓图像。
6.根据权利要求2所述的隐形眼镜铸模印刷缺陷检测方法,其特征在于,将多张所述隐形眼镜铸模彩色图像按照对应铸模边缘区域图像的质心进行对齐,得到隐形眼镜铸模融合图像的过程包括:
从多张所述铸模边缘区域图像中,选取一张铸模边缘区域图像,作为参考图像,并将所述参考图像的质心作为参考质心;
分别计算所述铸模边缘区域图像的质心与所述参考质心之间的偏移量,得到所述铸模边缘区域图像相对于所述参考图像的偏移量;
基于所述偏移量,对每张所述铸模边缘区域图像进行尺寸扩充,并根据扩充后的尺寸,建立三通道全零掩膜图,并将每张所述隐形眼镜铸模彩色图像填充至对应的三通道全零掩膜图中,得到多张填充后的掩膜图,三通道对应三个色彩维度;
将所有所述填充后的掩膜图的质心与所述参考质心对齐,得到对齐图像,所述对齐图像中每一位置处的像素值为重叠像素值;
计算所述对齐图像中每一位置处重叠像素值的均值,以每一位置处重叠像素值的均值替换对应位置处重叠像素值,得到所述隐形眼镜铸模融合图像。
7.根据权利要求3所述的隐形眼镜铸模印刷缺陷检测方法,其特征在于,以所述极坐标变换方式对所述隐形眼镜铸模融合图像进行变换,得到矩形图像的过程包括:
获取所述隐形眼镜铸模融合图像的圆心坐标和半径;
根据所述圆心坐标和半径,计算所述隐形眼镜铸模融合图像的边缘周长;
通过极坐标变换方式将所述隐形眼镜铸模融合图像以圆心展开,得到矩形图像,所述矩形图像的高为所述边缘周长、宽为所述半径。
8.根据权利要求3所述的隐形眼镜铸模印刷缺陷检测方法,其特征在于,将所述矩形图像进行尺寸变换,得到所述变换图像的过程包括:
对所述矩形图像进行第一旋转操作,得到隐形眼镜铸模旋转图像,所述隐形眼镜铸模旋转图像的宽为所述边缘周长、高为所述半径;
按照预设裁剪比例,对所述隐形眼镜铸模旋转图像进行裁剪,得到隐形眼镜铸模裁剪图像;
按照预设切分数量,对所述隐形眼镜铸模裁剪图像进行切分,得到多段隐形眼镜铸模切分图像,并记录多段所述隐形眼镜铸模切分图像与所述矩形图像的第一位置关系;
划分所述隐形眼镜铸模切分图像中的边缘区域,并对所述边缘区域添加重叠区域,并将所述重叠区域与所述边缘区域进行拼接,得到隐形眼镜铸模补充图像,所述重叠区域与所述边缘区域尺寸相同,所述重叠区域与所述边缘区域在所述隐形眼镜铸模融合图像中位置相邻;
将所述隐形眼镜铸模补充图像进行堆叠,得到所述变换图像,并记录所述隐形眼镜铸模补充图像与所述变换图像的第二位置关系。
9.根据权利要求4所述的隐形眼镜铸模印刷缺陷检测方法,其特征在于,将所述缺陷检测输出图像进行变换,得到所述缺陷检测结果的过程包括:
按照所述第二位置关系,从所述缺陷检测输出图像划分缺陷检测补充图像,将所述缺陷检测补充图像的边缘区域像素值与对应重叠区域像素值进行与运算,得到运算后的像素值,并通过所述运算后的像素值替换所述缺陷检测补充图像的边缘区域像素值,得到缺陷检测切分图像,所述缺陷检测补充图像与所述隐形眼镜铸模补充图像具有对应关系;
按照所述第一位置关系通过所述缺陷检测切分图像对预先生成的全零掩膜图中的像素进行替换,得到矩形掩膜图,所述全零掩膜图的尺寸与所述矩形图像的尺寸相同;
对所述矩形掩膜图进行第二旋转操作和极坐标逆变换操作,得到圆形掩膜图,所述圆形掩膜图与所述隐形眼镜铸模融合图像的尺寸相同;
对所述圆形掩膜图进行轮廓提取,得到掩膜图轮廓图像,并将所述掩膜图轮廓图像作为所述缺陷检测结果。
10.一种隐形眼镜铸模印刷缺陷检测***,其特征在于,所述***包括:
图像获取模块,用于获取在不同光源高度下采集得到的多张隐形眼镜铸模彩色图像;
图像融合模块,用于将多张所述隐形眼镜铸模彩色图像进行质心对齐,得到隐形眼镜铸模融合图像;
图像变换模块,用于将所述隐形眼镜铸模融合图像进行坐标变换,得到变换图像,以使所述变换图像适应隐形眼镜铸模印制缺陷检测模型;
缺陷检测模块,用于通过所述隐形眼镜铸模印制缺陷检测模型对所述变换图像进行缺陷检测,得到缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410052836.XA CN117849072A (zh) | 2024-01-15 | 2024-01-15 | 一种隐形眼镜铸模印刷缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410052836.XA CN117849072A (zh) | 2024-01-15 | 2024-01-15 | 一种隐形眼镜铸模印刷缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117849072A true CN117849072A (zh) | 2024-04-09 |
Family
ID=90528843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410052836.XA Pending CN117849072A (zh) | 2024-01-15 | 2024-01-15 | 一种隐形眼镜铸模印刷缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117849072A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062961A (zh) * | 2019-12-30 | 2020-04-24 | 天津大学 | 一种基于深度学习的隐形眼镜边缘缺陷检测方法 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、***及存储介质 |
CN114742752A (zh) * | 2022-03-02 | 2022-07-12 | 平方和(北京)科技有限公司 | 隐形眼镜铸模印刷质量的检测方法和装置 |
-
2024
- 2024-01-15 CN CN202410052836.XA patent/CN117849072A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062961A (zh) * | 2019-12-30 | 2020-04-24 | 天津大学 | 一种基于深度学习的隐形眼镜边缘缺陷检测方法 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、***及存储介质 |
CN114742752A (zh) * | 2022-03-02 | 2022-07-12 | 平方和(北京)科技有限公司 | 隐形眼镜铸模印刷质量的检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5506793A (en) | Method and apparatus for distortion compensation in an automatic optical inspection system | |
US10346971B2 (en) | Optimized method for analyzing the conformity of the surface of a tire | |
CN107729899A (zh) | 一种车牌号码识别方法及装置 | |
CN111402209A (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
CN110722799B (zh) | 大幅面dlp型3d打印机错位均摊接缝消除方法及*** | |
CN112465809A (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
CN111242938A (zh) | 压板状态自动核对方法 | |
CN111429462A (zh) | 一种基于边缘检测和数学形态学的车牌定位方法 | |
CN110992425A (zh) | 图像标定方法、装置、电子设备及存储介质 | |
CN114419045A (zh) | 光刻掩模板缺陷检测方法、装置、设备及可读存储介质 | |
CN106952262A (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
CN115170525A (zh) | 一种图像差异检测方法及装置 | |
CN111145305A (zh) | 一种文档图像处理方法 | |
CN117849072A (zh) | 一种隐形眼镜铸模印刷缺陷检测方法及*** | |
CN111462009B (zh) | 基于分割矩形区域相似度的出血点预测方法 | |
CN112634259A (zh) | 一种键盘键帽自动建模定位方法 | |
CN111242939B (zh) | 压板状态的识别方法 | |
CN113724173B (zh) | 一种碳板脱模布到边距离检测方法、装置、设备和存储介质 | |
CN111455694B (zh) | 一种一片式伞布印花方法和一种一片式伞具 | |
CN115239595A (zh) | 一种包装印刷品二维码合格性检测方法 | |
CN115471650A (zh) | 一种气体压力仪表读数方法、装置、设备及介质 | |
CN111242869B (zh) | 对照片进行背景过滤的方法 | |
JP2010191767A (ja) | 文字認識装置及び文字認識方法 | |
KR20230082346A (ko) | 오토인코더 및 합성곱 심층 신경망을 활용한 고해상도 영상 기반 제조품 결함 탐지 방법 | |
CN112634351A (zh) | 一种定位密排货物的平台及其中心定位方法 |
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 |