CN103258218A - 蒙版检测框架生成方法、装置、缺陷检测方法及装置 - Google Patents
蒙版检测框架生成方法、装置、缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN103258218A CN103258218A CN2013102042292A CN201310204229A CN103258218A CN 103258218 A CN103258218 A CN 103258218A CN 2013102042292 A CN2013102042292 A CN 2013102042292A CN 201310204229 A CN201310204229 A CN 201310204229A CN 103258218 A CN103258218 A CN 103258218A
- Authority
- CN
- China
- Prior art keywords
- detected
- masking
- feature extraction
- framework
- project
- 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.)
- Granted
Links
Images
Abstract
本发明具体涉及一种基于样本学习的蒙版检测框架生成方法、装置、缺陷检测方法及装置。本发明中,对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值,对于每个特征提取算子,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域,形成初步蒙版检测框架,对初步蒙版检测框架进行反运算操作,得到最终蒙版检测框架。本发明能够从传统的规则形状的检测区域中更鲁棒地定义可用于检测的前景区域,同时去除了背景区域产生的干扰,提高了检测算法的精度;同时避免了检测方法中的人工设定区域方式带来的不稳定和高复杂度,减少了由于检测算法的改变而需要重新标定的重复性工作。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种应用于高速自动化生产线上的基于样本学习的蒙版检测框架生成方法、装置、缺陷检测方法及装置。
背景技术
现代大型的高速自动化生产线在国内食品、医药等各个领域都开始得到了广泛的应用,实现了批量化的生产。但对于生产过程中原料、半成品以及成品的质量的把关却依然采用人工的检测方式进行。人工检测方式中,检测人员容易疲劳、检测成本比较高,而且不能完全保证生产的高效和产品的质量,越来越成为制约工业高速自动化的阻力。由于基于机器视觉的自动化生产线上的自动检测方法及检测装置有着高速度、高精度和高度智能化等特点,不仅增加了生产的柔性和自动化程度,而且大大提高了生产的智能性和通用性,因而得到了越来越多的重视。
目前,基于视觉的自动检测方法都是针对某一个固定的区域进行,这样的区域一般都是规则形状,比如矩形、圆形、规则多边形等;而这样的区域用手工方式很难对感兴趣区域实现精确标定,并且对于检测目标中的不规则区域无法实现最大程度的精确检测。同时,由于容易受到环境和目标变化的影响,在待检测区域中存在很多干扰因素,严重影响了对待检测项目(比如缺陷、异物等)的判断。以上的原因导致了目前很多检测设备在实际应用中出现检测精度较低和检测鲁棒性不高的问题。
综上所述,在自动化生产线上迫切的需要一种能够快速、精准的标定出感兴趣区域的检测框架。
发明内容
(一)要解决的技术问题
本发明的目的在于提供一种基于样本学习的蒙版检测框架生成方法,用于从传统的规则形状的检测区域中更鲁棒地定义可用于检测的前景区域,同时去除背景区域产生的干扰,提高检测算法的精度;同时避免检测方法中的人工设定区域方式带来的不稳定和高复杂度,减少由于检测算法的改变而需要重新标定的重复性工作;进一步的,本发明还提供了一种实现该基于样本学习的蒙版检测框架生成方法的装置、一种应用该基于样本学习的蒙版检测框架生成方法的缺陷检测方法以及实现该缺陷检测方法的装置。
(二)技术方案
本发明技术方案如下:
一种基于样本学习的蒙版检测框架生成方法,包括步骤:
S1.特征提取:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
S2.蒙版训练:对于每个特征提取算子,提取出样本对该特征提取算子上有响应的区域,根据样本的统计分布滤除其中异常区域,形成初步蒙版检测框架;
S3.蒙版优化:对所述初步蒙版检测框架进行反运算操作,得到最终蒙版检测框架。
优选的,所述步骤S1之前还包括步骤:
S0.目标定位:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位。
优选的,所述步骤S0包括:
根据待检测产品的局部可鉴别或者整体特性,估计待检测产品的位置和姿态的变换参数;
根据所述变换参数,通过仿射变化将不同待检测产品变换到同一位置和姿态。
优选的,所述步骤S1包括:
获取若干包含该待检测项目的样本;
分析该待检测项目在不同负样本中可与正常状态区分的特性;
根据每种可区分特性设置一个特征提取算子;
训练每个特征提取算子对应的特征提取阈值。
优选的,所述步骤S2包括:
对于一个特征提取算子,在每个像素点,进行若干样本对该特征提取算子响应强度的累加;
根据先验统计信息设置分类阈值,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域;
将累加的响应强度值归一化到0~255,形成初步蒙版检测框架。
优选的,所述步骤S3包括:
对所述初步蒙版检测框架进行反运算操作;
对反运算操作后的初步蒙版检测框架进行形态学腐蚀操作。
本发明还提供了一种实现上述任意一种基于样本学习的蒙版检测框架生成方法的装置:
一种基于样本学习的蒙版检测框架生成装置,包括:
目标定位单元:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位;
特征提取单元:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
蒙版训练单元:对于每个特征提取算子,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域,形成初步蒙版检测框架;
蒙版优化单元:对所述初步蒙版检测框架进行反运算操作,得到最终蒙版检测框架。
本发明还提供了一种应用上述任意一种基于样本学习的蒙版检测框架生成方法的缺陷检测方法:
一种缺陷检测方法,包括:
蒙版检测框架生成阶段:根据如权利要求1-6任意一项所述的基于样本学习的蒙版检测框架生成方法生成蒙版检测框架;
缺陷检测阶段:包括步骤:
A1.目标定位:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位;
A2.特征提取:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
A3.蒙版匹配:对于每个特征提取算子,将该特征提取算子对应的蒙版检测框架作用到待检测产品对于该特征提取算子的响应结果上;
A4.特征统计处理:对步骤A3最终得到的响应结果进行统计分析,判断该待检测产品是否包含待检测项目。
优选的,所述步骤S1中特征提取阈值较所述步骤A2中特征提取阈值宽松。
本发明还提供了一种实现上述任意一种缺陷检测方法的装置:
一种缺陷检测装置,包括:
目标定位模块:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位;
特征提取模块:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
蒙版检测框架生成模块:包括根据权利要求7所述的基于样本学习的蒙版检测框架生成装置;
蒙版匹配模块:对于每个特征提取算子,将该特征提取算子对应的蒙版检测框架作用到待检测产品对于该特征提取算子的响应结果上;
特征统计处理模块:对蒙版检测框架作用后的响应结果进行统计分析,判断该待检测产品是否包含待检测项目。
(三)有益效果
本发明实施例中所提供的基于样本学习的蒙版检测框架生成方法中,对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值,对于每个特征提取算子,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域,形成初步蒙版检测框架,对所述初步蒙版检测框架进行反运算操作,得到最终蒙版检测框架。本发明能够从传统的规则形状的检测区域中更鲁棒地定义可用于检测的前景区域,同时去除了背景区域产生的干扰,提高了检测算法的精度;同时避免了检测方法中的人工设定区域方式带来的不稳定和高复杂度,减少了由于检测算法的改变而需要重新标定的重复性工作。
附图说明
图1是本发明实施例中基于样本学习的蒙版检测框架生成方法的流程示意图;
图2是本发明实施例中蒙版检测框架训练的流程示意图;
图3是本发明实施例中蒙版检测框架训练的实际效果图;
图4是本发明实施例中缺陷检测方法的流程示意图;
图5是待检测产品图;
图6是对图5中待检测产品检测效果对比图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式做进一步描述。以下实施例仅用于说明本发明,但不用来限制本发明的范围。
首先对本实施例中可能涉及到的一些本领域内的专有名词和术语的进行如下说明:
1、检测特征(可区分特性):用于检测某类缺陷所提取的图像特征,一般可以是目标区域的灰度、边缘、高阶响应,各种滤波器响应等等;
2、待检测项目:特指待检测产品中某类待检测缺陷或是标志,每一个待检测项目实现了对待检测产品某个方面的质量把关,一个待检测项目中一般包含多个检测特征以响应不同观测下的差异;
3、检测目标:特指待检测产品,每一个检测目标都是单个产品;每个检测目标可能包含有多个待检测项目;检测目标的最终分类是是否合格;
4、感兴趣区域(ROI):感兴趣区域是指检测过程中所关注的图像区域;每一个检测特征都可以对应独立的感兴趣区域;
5、蒙版检测框架:作用在已有的ROI上,用来精确的标示出前景区域和背景区域;另外蒙版检测框架也可以保存局部图像,用于对特定局部的配准识别操作;
6、正、负样本:针对每一个待检测项目,不包含该待检测项目的检测目标为正样本,包含了该检测项目的检测目标为负样本;一般待检测项目即为不合格缺陷,所以正样本通常为合格产品,负样本为包含该缺陷的不合格产品。
本实施例中首先提供了一种基于样本学习的蒙版检测框架生成方法,流程图如图1中所示,该方法主要包括步骤:
S0.目标定位:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位。该步骤主要功能根据检测目标本身具有的局部可鉴别或者整体特性,来对检测目标的位置、姿态等变换参数进行估计;得到变换参数后,通过仿射变化将不同检测目标变换到同一位置和姿态,以便后续对目标每个部分精确的特征提取和检测,保证生成的蒙版检测框架的鲁棒性。
在实际操作中,对于不同的检测目标,定位方法可能会有不同。根据所参考对象的分布,定位方法一般可以分为两类:基于局部的方法和基于全局的方法。基于局部的方法是选取检测目标上比较有特点的部分进行识别,比如顶点、特殊部位等,所采用的算法有特征点、模板匹配、局部配准等;基于全局的方法主要是根据检测目标的整体统计信息来进行定位,比如形状、外轮廓、重心等,所采用的算法有不变二阶矩计算、轮廓跟踪、轮廓编码等。如果检测目标在原始图像中只有平移变化,很多简化的算法都可以达到实时的运算;如果待检测目标在原始图像中除了平移,还有旋转和尺度等变化,就需要采用基于图像配准的方法以达到对检测目标的准确定位。一般在自动化生产线上,可以通过机械和电气控制,来尽量避免不同的检测目标在成像时产生较大的差异。
S1.特征提取:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值。特征提取主要是根据待检测项目的特殊呈现进行设计不同滤波器的过程,对于不同的待检测项目,比如黑点、异物、划痕、破洞等,在原始图像上的表现不完全相同,并且由于呈现尺寸的差异,需要用不同尺寸的滤波器来进行特征提取。对于检测目标,特征提取的目标有两个:第一个是能够对相应的待检测项目有较好的区分度,便于后续的识别算法;第二个是获得背景(或是正常目标)可能的特征响应强度和位置,以便于在后续检测过程中进行剔除。因此,在训练阶段的特征提取步骤要注意:选择对待检测项目区分度最好的滤波器进行训练;适当放松特征提取阈值,使得能够获得完整的背景干扰区域。特征提取通常包括以下步骤:
获取若干包含该待检测项目的样本,需要尽量包含生产中该待检测项目出现的所有可能情况;
分析该待检测项目在不同负样本中可与正常状态区分的特性,根据每种可区分特性设置一个特征提取算子;比如划痕可以采用带方向的边缘算子,黑点可以采用二阶梯度算子;选取部分检测效果较好的算子作为特征提取算子;
通过多次重复采样不同状态下的检测目标(比如观测角度不同),训练每个特征提取算子对应的特征提取阈值,以实现待检测项目的最优分类;在训练阶段的特征选取阈值相对宽松,目的是为了能够获得尽量完整的正常特征响应区域。
通过上面的步骤可以获得检测目标的不同检测项目的多种特征提取算子,并且每种特征提取算子的分类阈值能够对正样本和负样本进行很好的区分。
本实施例中,以对PET塑料瓶胚的瓶身侧壁特征提取为示例:PET塑料瓶胚瓶身侧壁的待检测项目主要是瓶身上可能出现的异物、起泡、划痕和不均匀等缺陷。对待检测项目的可区分特性的进行归纳,比如瓶身不均匀在原始图像上表现为边缘发生弯曲,产生了垂直方向的梯度变化,和划痕的特点类似,可以定义为小黑点、大黑块和划痕这三类待检测项目,每一类待检测项目拟采用的特征提取算子是自定义的5x5二阶滤波器、二值化操作和X方向的Sobel(索贝尔)滤波器。
S2.蒙版训练:对于每个特征提取算子,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域,形成初步蒙版检测框架。对于每一个待检测项目,通过不同的特征提取算子,都会产生一个独立的蒙版检测框架用于后续检测;训练过程是为了提取出正样本对一个特征提取算子在统计意义上有响应的区域,比如部分正样本对该特征提取算子有响应的区域应该判定为背景区域,只要有响应的正样本比率远大于实际生产中可能出现该待检测项目的概率。蒙版训练最终得到的是一个灰度图,图中每个位置对应了检测目标上的相应位置,每个位置的灰度表示当前这个位置上的像素点为背景区域的可能性。
单个蒙版检测框架的训练流程如图2中所示,单个蒙版检测框架的训练流程如下:
对于一个特征提取算子,在每个像素点,进行若干样本对该特征提取算子响应强度的累加;
根据先验统计信息设置分类阈值,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域;
将累加的响应强度值归一化到0~255,形成初步蒙版检测框架。
图3中给出了Sobel梯度特征提取算子对应的蒙版检测框架的训练过程:起始的蒙版检测框架中基本没有背景区域,随着正样本数的增加,稳定的背景区域逐渐被提取出来;在经过50个样本训练后,蒙版检测框架的区域主体已经稳定形成。
S3.蒙版优化:对所述初步蒙版检测框架进行反运算操作,得到最终蒙版检测框架。通过训练方式得到的初步蒙版检测框架是对正样本下的某个特征提取算子的响应区域的集合;而实际检测过程中需要将这样干扰区域进行剔除,因此需要将初步蒙版检测框架进行反运算操作;但是,这样的蒙版检测框架对目标定位产生偏差时容易在蒙版检测框架有效区域边缘形成虚警,因此为了保证蒙版检测框架的鲁棒性,同时,为了保证在蒙版检测框架有效区域的边缘位置上不受到检测目标定位精度和图像采集变化的影响,需要对蒙版检测框架的过滤区域进行小尺寸的扩展,降低实际检测时的误检率。具体为:对蒙版检测框架进行如下式所述的形态学腐蚀操作:
(f⊕B)(x,y)=max{f(x-i,y-j)+B(i,j)|(x-i,y-j)∈Df;(i,j)∈DB}
其中f(x,y)是图像的灰度函数,B(x,y)是结构元素,(x,y)是像素坐标;通过上述的步骤,消除了边缘不稳定的隐患。
本实施例中还提供了一种实现上述基于样本学习的蒙版检测框架生成方法的装置,该蒙版检测框架生成装置,包括:目标定位单元、特征提取单元、蒙版训练单元以及蒙版优化单元;
目标定位单元用于对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位;
特征提取单元用于对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
蒙版训练单元用于对于每个特征提取算子,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域,形成初步蒙版检测框架;
蒙版优化单元用于对所述初步蒙版检测框架进行反运算操作,得到最终蒙版检测框架。
本实施例中还提供了一种应用上述基于样本学习的蒙版检测框架生成方法的缺陷检测方法;该缺陷检测方法如图4中所示,包括:
蒙版检测框架生成阶段:根据上述的基于样本学习的蒙版检测框架生成方法生成蒙版检测框架;
缺陷检测阶段:通过多种特征提取算子对检测目标的图像区域检测得到多种特征响应,由于检测目标本身或者背景部分的某些特征响应会干扰到缺陷的判断,对每一个检测特征使用独立的蒙版检测框架来排除干扰区域,仅留下感兴趣区域进行缺陷判断;对感兴趣区域内的检测特征进行处理,得到缺陷存在与否的结论。该阶段主要包括步骤:
A1.目标定位:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位。该步骤的目标定位方法与步骤S0中目标定位方法基本一致。
A2.特征提取:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值。该步骤的特征提取方法与步骤S1中特征提取方法基本一致,区别之处在于,考虑到实际生产线上检测率和误检率之间的互斥性,蒙版检测框架训练时的特征提取阈值要比实际检测时的特征提取阈值宽松;通过更加严格的特征提取阈值,既能够消除由于环境或者目标变化产生的虚警,保证在实际生产应用中的低误检率,同时能够最大限度的保留可检测区域,对于消除检测盲区也有非常好的效果。
A3.蒙版匹配:对于每个特征提取算子,将该特征提取算子对应的蒙版检测框架作用到待检测产品对于该特征提取算子的响应结果上,可以用简单的图像与操作实现,该方法简单、快速,保证了检测算法速度不受影响。
对于图5中的检测目标,图6中给出了给出了使用蒙版检测框架前后,三个特征提取算子下的结果比较。在原始的ROI区域中,白色像素标示出来的部分为通过该特征提取算子获得的对应待检测项目的响应位置。在第一列的原始ROI上,虽然缺陷部位也能够别检测出来,但是由于其他部位干扰太大,导致分割阈值无法将其准确的判定为异常,检测精度和检测准确率严重下降。第二列分别给出了三个特征提取算子对应的蒙版检测框架。第三列给出了使用了蒙版检测框架后获得的检测结果,可以看到只有在瓶身起泡位置对三个特征提取算子才有了响应,而在其他位置由于蒙版检测框架的过滤去除了干扰。本实施例中所提供的检测框架,能够准确、高精度的获得待检测项目所在的区域,提高了整体的检测性能。
A4.特征统计处理:对步骤A3最终得到的响应结果进行统计分析,判断该待检测产品是否包含待检测项目。对每一个待检测项目进行处理后,可以得到处理后的图像。根据不同的应用需求,可以对检测到的响应区域进行像素统计、面积统计、最大连通域分析、带方向直方图投影等多种统计分析方法,以确定是否符合待检测项目的分类。根据图6中使用蒙版检测框架匹配后得到的结果,可以看到利用本实施例中的缺陷检测方法,能够达到1~2个像素点的检测精度,对于其他部位产生的干扰也有很好的过滤效果,能够真正实现在高精度检测的同时保持低误检率。
A5.特征融合和判定:在获得每个待检测项目的检测结果后,将所有检测结果融合判定,获得最后的判定结果和检测分类。如果不同的待检测项目之间并不是完全独立,可用线性分类器来确定最后的分类结果。
本发明还提供了一种实现上述缺陷检测方法的装置;该缺陷检测装置包括:目标定位模块、特征提取模块、蒙版检测框架生成模块、蒙版匹配模块以及特征统计处理模块;
目标定位模块用于对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位;
特征提取模块用于对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
蒙版检测框架生成模块用于包括根据权利要求7所述的基于样本学习的蒙版检测框架生成装置;
蒙版匹配模块用于对于每个特征提取算子,将该特征提取算子对应的蒙版检测框架作用到待检测产品对于该特征提取算子的响应结果上;
特征统计处理模块用于对蒙版检测框架作用后的响应结果进行统计分析,判断该待检测产品是否包含待检测项目。
本发明中的训练方法简单,检测速度快,能够有效地解决在工业检测中感兴趣区域不规则、特征容易受到干扰的问题,提高检测精度和检测的鲁棒性;该方法采用自动学习和基于统计的自动正样本选择,大大简化了人工标定检测区域的工作量;得到的蒙版检测框架独立于单独待检测项目的特征提取算子,适用于不同检测应用和检测内容。该发明能够应用在食品、医药等高速自动化生产线上,可极大地提高生产线上检测分拣与包装设备自动化水平。
综上所述,和现有的技术相比,本发明具有如下优点:
1、高自由度ROI:现有的检测框架,主要采用手动输入或者实时的计算出一个感兴趣区域(ROI)用于检测:手动输入的ROI一般都是对规则的区域进行,比如矩形、圆、多边形等等,实际应用中通常待检测区域都是不规则,并且手工输入不稳定,工作量大切调试不方便;而实时计算的ROI区域对复杂目标需要较多的时间,难以满足高速自动化生产线的速度需求;本发明提出的基于样本学习的蒙版检测框架生产方法,由于在训练阶段通过对正负样本的区分,能够自动动态地剥离出实际目标最理想的检测区域范围,这样的方式不易受到目标形状、特征算子以及待检测项目改变带来的复杂工作量。
2、低误检率:在基于视觉的自动检测设备的实际生产中,如何消除外部干扰,降低设备的误检率是非常重要的课题之一;现有的设备很多由于对检测区域不能够精确的进行分割,因此在局部可能会出现和待检测项目相似的正常“虚警”,导致了很高的误检率;本发明区别于之前设定ROI技术,通过对正样本上对应特征的学习,自动的提取出正样本上正常的特征响应区域,再通过后处理最大限度的剔除这些干扰区域;而在训练阶段和检测阶段的不同分类标准,更进一步消除了一些弱响应带来的误检。
3、鲁棒的特征训练:本发明中的特征提取算子的选择独立于整体训练框架,因此单个特征提取算子的改变不影响其他特征的学习结果;并且由于采用了学习的蒙版检测框架,对单个待检测项目同时可以提取多种检测特征,形成一个小型的级联分类器,以实现更高精度的检测。
4、快速、高精度检测效果:由于在实际检测阶段不需要实时计算ROI区域,只需要利用训练出来的蒙版检测框架作用于原有的ROI区域上,形成新的实际检测ROI区域,因此检测速度和单项检测速度一致,不增加额外运算。
5、适用性广、移植性强:本发明所提供的自动蒙版检测框架,首先不受检测算法区域的限制,可以自学习最优的可检测范围;其次不受特征提取算法的局限,在此蒙版检测框架下可以任意添加多种不同的检测特征;再者不局限于某一个特殊的案例,采用学习训练的方法使得发明具有普适性。因此,该蒙版检测框架能广泛应用到各种现代大型高速自动化生产线上各种项目的检测。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范畴。
Claims (10)
1.一种基于样本学习的蒙版检测框架生成方法,其特征在于,包括步骤:
S1.特征提取:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
S2.蒙版训练:对于每个特征提取算子,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域,形成初步蒙版检测框架;
S3.蒙版优化:对所述初步蒙版检测框架进行反运算操作,得到最终蒙版检测框架。
2.根据权利要求1所述的蒙版检测框架生成方法,其特征在于,所述步骤S1之前还包括步骤:
S0.目标定位:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位。
3.根据权利要求2所述的蒙版检测框架生成方法,其特征在于,所述步骤S0包括:
根据待检测产品的局部可鉴别或者整体特性,估计待检测产品的位置和姿态的变换参数;
根据所述变换参数,通过仿射变化将不同待检测产品变换到同一位置和姿态。
4.根据权利要求1-3任意一项所述的蒙版检测框架生成方法,其特征在于,所述步骤S1包括:
获取若干包含该待检测项目的样本;
分析该待检测项目在不同负样本中可与正常状态区分的特性;
根据每种可区分特性设置一个特征提取算子;
训练每个特征提取算子对应的特征提取阈值。
5.根据权利要求4所述的蒙版检测框架生成方法,其特征在于,所述步骤S2包括:
对于一个特征提取算子,在每个像素点,进行若干样本对该特征提取算子响应强度的累加;
根据先验统计信息设置分类阈值,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域;
将累加的响应强度值归一化到0~255,形成初步蒙版检测框架。
6.根据权利要求1-3或5任意一项所述的蒙版检测框架生成方法,其特征在于,所述步骤S3包括:
对所述初步蒙版检测框架进行反运算操作;
对反运算操作后的初步蒙版检测框架进行形态学腐蚀操作。
7.一种基于样本学习的蒙版检测框架生成装置,其特征在于,包括:
目标定位单元:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位;
特征提取单元:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
蒙版训练单元:对于每个特征提取算子,提取出所有样本对该特征提取算子有响应的区域,根据样本统计分布滤除其中异常区域,形成初步蒙版检测框架;
蒙版优化单元:对所述初步蒙版检测框架进行反运算操作,得到最终蒙版检测框架。
8.一种缺陷检测方法,其特征在于,包括:
蒙版检测框架生成阶段:根据如权利要求1-6任意一项所述的基于样本学习的蒙版检测框架生成方法生成蒙版检测框架;
缺陷检测阶段:包括步骤:
A1.目标定位:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位;
A2.特征提取:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
A3.蒙版匹配:对于每个特征提取算子,将该特征提取算子对应的蒙版检测框架作用到待检测产品对于该特征提取算子的响应结果上;
A4.特征统计处理:对步骤A3最终得到的响应结果进行统计分析,判断该待检测产品是否包含待检测项目。
9.根据权利要求8所述的缺陷检测方法,其特征在于,所述步骤S1中特征提取阈值较所述步骤A2中特征提取阈值宽松。
10.一种缺陷检测装置,其特征在于,包括:
目标定位模块:对一个待检测产品,在原始图像中对该待检测产品的位置和姿态进行定位;
特征提取模块:对于每个待检测项目,根据该待检测项目的可区分特性设置若干个特征提取算子以及特征提取阈值;
蒙版检测框架生成模块:包括根据权利要求7所述的基于样本学习的蒙版检测框架生成装置;
蒙版匹配模块:对于每个特征提取算子,将该特征提取算子对应的蒙版检测框架作用到待检测产品对于该特征提取算子的响应结果上;
特征统计处理模块:对蒙版检测框架作用后的响应结果进行统计分析,判断该待检测产品是否包含待检测项目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310204229.2A CN103258218B (zh) | 2013-05-28 | 2013-05-28 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310204229.2A CN103258218B (zh) | 2013-05-28 | 2013-05-28 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103258218A true CN103258218A (zh) | 2013-08-21 |
CN103258218B CN103258218B (zh) | 2016-04-20 |
Family
ID=48962122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310204229.2A Active CN103258218B (zh) | 2013-05-28 | 2013-05-28 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103258218B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447054A (zh) * | 2018-03-22 | 2018-08-24 | 北京木业邦科技有限公司 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
CN110969602A (zh) * | 2019-11-26 | 2020-04-07 | 北京奇艺世纪科技有限公司 | 一种图像清晰程度检测方法及装置 |
CN112505049A (zh) * | 2020-10-14 | 2021-03-16 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
CN112907589A (zh) * | 2021-04-02 | 2021-06-04 | 联通(上海)产业互联网有限公司 | 一种检测异常并且分割图像中异常区域的深度学习算法 |
CN114241537A (zh) * | 2021-12-31 | 2022-03-25 | 智慧眼科技股份有限公司 | 指静脉图像真伪识别方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519972A (zh) * | 2011-12-10 | 2012-06-27 | 山东明佳包装检测科技有限公司 | 一种pet瓶瓶盖和液位的检测方法 |
EP2518661A2 (en) * | 2011-04-29 | 2012-10-31 | Tata Consultancy Services Limited | System and method for human detection and counting using background modeling, hog and haar features |
-
2013
- 2013-05-28 CN CN201310204229.2A patent/CN103258218B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2518661A2 (en) * | 2011-04-29 | 2012-10-31 | Tata Consultancy Services Limited | System and method for human detection and counting using background modeling, hog and haar features |
CN102519972A (zh) * | 2011-12-10 | 2012-06-27 | 山东明佳包装检测科技有限公司 | 一种pet瓶瓶盖和液位的检测方法 |
Non-Patent Citations (2)
Title |
---|
VARUN CHANDOLA ET AL.: "Anomaly detection: A survey", 《ACM COMPUTING SURVEYS》 * |
尹玄武等: "基于RANSAC和灰度一致性的PET瓶胚口缺陷检测", 《计算机应用研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447054A (zh) * | 2018-03-22 | 2018-08-24 | 北京木业邦科技有限公司 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
CN108447054B (zh) * | 2018-03-22 | 2021-06-29 | 北京木业邦科技有限公司 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
CN110969602A (zh) * | 2019-11-26 | 2020-04-07 | 北京奇艺世纪科技有限公司 | 一种图像清晰程度检测方法及装置 |
CN110969602B (zh) * | 2019-11-26 | 2023-09-05 | 北京奇艺世纪科技有限公司 | 一种图像清晰程度检测方法及装置 |
CN112505049A (zh) * | 2020-10-14 | 2021-03-16 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
CN112505049B (zh) * | 2020-10-14 | 2021-08-03 | 上海互觉科技有限公司 | 基于蒙版抑制的精密零组件表面缺陷检测方法和系统 |
CN112907589A (zh) * | 2021-04-02 | 2021-06-04 | 联通(上海)产业互联网有限公司 | 一种检测异常并且分割图像中异常区域的深度学习算法 |
CN114241537A (zh) * | 2021-12-31 | 2022-03-25 | 智慧眼科技股份有限公司 | 指静脉图像真伪识别方法、装置、计算机设备及存储介质 |
CN114241537B (zh) * | 2021-12-31 | 2022-12-23 | 智慧眼科技股份有限公司 | 指静脉图像真伪识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103258218B (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI525317B (zh) | 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法 | |
CN105334219B (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN105069790B (zh) | 一种齿轮外观缺陷快速影像检测方法 | |
CN103871053B (zh) | 一种基于视觉显著性的布匹瑕疵检测方法 | |
CN102305798B (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN105675626B (zh) | 一种轮胎模具的字符缺陷检测方法 | |
CN104464079B (zh) | 基于模板特征点及其拓扑结构的多币种面值识别方法 | |
CN101576956B (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN109946303A (zh) | 检查装置和方法 | |
CN111311542A (zh) | 一种产品质量检测方法及装置 | |
CN103258218B (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN106709530A (zh) | 基于视频的车牌识别方法 | |
CN103308523B (zh) | 多尺度瓶口缺陷检测方法及装置 | |
CN105354533B (zh) | 一种基于词袋模型的卡口无牌车辆车型识别方法 | |
CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
CN108009574A (zh) | 一种轨道扣件检测方法 | |
CN107240112A (zh) | 一种复杂场景下个体x角点提取方法 | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
Abdellah et al. | Defect detection and identification in textile fabric by SVM method | |
CN110175614A (zh) | 一种印刷电路板过孔内壁质量的检测方法 | |
CN105740832B (zh) | 一种应用于智能驾驶的停止线检测与测距方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |