CN107305690A - 一种工业视觉去除杂质颗粒图像的方法 - Google Patents
一种工业视觉去除杂质颗粒图像的方法 Download PDFInfo
- Publication number
- CN107305690A CN107305690A CN201610238922.5A CN201610238922A CN107305690A CN 107305690 A CN107305690 A CN 107305690A CN 201610238922 A CN201610238922 A CN 201610238922A CN 107305690 A CN107305690 A CN 107305690A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- impurity particle
- industrial vision
- tone information
- 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
- 230000004438 eyesight Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 title claims abstract description 17
- 239000012535 impurity Substances 0.000 title claims abstract description 16
- 230000007547 defect Effects 0.000 claims abstract description 60
- 238000006073 displacement reaction Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000007704 transition Effects 0.000 claims abstract description 6
- 230000006378 damage Effects 0.000 abstract description 5
- 238000012805 post-processing Methods 0.000 abstract description 5
- 238000000746 purification Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种工业视觉去除杂质颗粒图像的方法，包括以下步骤：对缺陷图像进行检索并进行区域定义；将进行区域定义的图像进行灰度级转换得到灰度信息；将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样；以缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素中；将经过置换的图像进行YUV转RGB逆运算。本发明一种通过软件分析来识别受损图像中缺陷部分并且针对缺陷图像进行修补，以便为后期处理做好准备。避免工业智能设备不必要的硬件添加造成的高价格问题，而且还避免了产线作业人员会遭受不必要的有害射线辐射的不利工作环境。为工业视觉的各种应用提供了简便，节约的图像净化方法。
Description
技术领域
本发明涉及工业视觉去除杂质颗粒图像领域，尤其涉及一种工业视觉去除杂质颗粒图像的方法。
背景技术
目前，针对工业视觉相机的自动化应用出现了很多智能算法，但是为了提高各种算法计算精度必须对采集到的图像予以智能降噪，其中针对图像中夹杂的灰尘，颗粒甚至物理性损伤等噪音信息需要通过特殊的智能化识别予以特征化分析并加以后期处理。
对于工业设备的需要进行OCR转换，制造环节保存等应用时，由于图像本身的缺陷信息过多会降低后期应用算法的精度。这样就需要有很好的算法既能够保留有用信息的同时还要将缺陷部分进行修补。
发明内容
鉴于目前技术存在的上述不足，本发明提供一种工业视觉去除杂质颗粒图像的方法，本发明一种通过软件分析来识别受损图像中缺陷部分并且针对缺陷图像进行修补，以便为后期处理做好准备。避免工业智能设备不必要的硬件添加造成的高价格问题，而且还避免了产线作业人员会遭受不必要的有害射线辐射的不利工作环境。为工业视觉的各种应用提供了简便，节约的图像净化方法。
本发明的采用如下技术方案：
一种工业视觉去除杂质颗粒图像的方法，包括以下步骤：
对缺陷图像进行检索并进行区域定义；
将进行区域定义的图像进行灰度级转换得到灰度信息；
将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样；
以缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素中；
将经过置换的图像进行YUV转RGB逆运算。
作为本发明的优选技术方案，所述将进行区域定义的图像进行灰度级转换得到灰度信息的步骤中，将RGB信息转化为YUV信息。
作为本发明的优选技术方案，所述将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样的步骤中，依据图像分辨率，设定采集窗口到偶数级大小，从而对修补元素进行采样。
作为本发明的优选技术方案，所述以缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素中的步骤中：以比对中的缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素。
作为本发明的优选技术方案，所述将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样的步骤包括，对缺陷图像元素的标记。
作为本发明的优选技术方案，所述对缺陷图像元素的标记的步骤包括：
设定阈值并对大于阈值的像素抽出并标记；
对被标记位置取NxN大小面积的像素，其中被标记的像素个数占NxN像素个数的占比计算为R，若R大于认定阈值C0并且小于正确图像像素认定阈值C1的情况下，则标记为缺陷像素。
本发明的一种工业视觉去除杂质颗粒图像的方法，包括以下步骤：对缺陷图像进行检索并进行区域定义；将进行区域定义的图像进行灰度级转换得到灰度信息；将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样；以缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素中；将经过置换的图像进行YUV转RGB逆运算。本发明一种通过软件分析来识别受损图像中缺陷部分并且针对缺陷图像进行修补，以便为后期处理做好准备。避免工业智能设备不必要的硬件添加造成的高价格问题，而且还避免了产线作业人员会遭受不必要的有害射线辐射的不利工作环境。为工业视觉的各种应用提供了简便，节约的图像净化方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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获得其他的附图。
图1为本发明具体实施的流程。
图2为本发明的详细流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
如图1-图2所示，本发明提供一种工业视觉去除杂质颗粒图像的方法，包括以下步骤：
步骤S1：对缺陷图像进行检索并进行区域定义，本发明的算法可以广泛的应用于服务器架构以及嵌入式系统中，可以植入的产品包括工业用控制器，x86架构服务器，ARM架构服务器，以及各类架构的嵌入式工业摄像机等视觉传感器中。
步骤S2：将进行区域定义的图像进行灰度级转换得到灰度信息，具体为将RGB信息转化为YUV信息。
步骤S3：将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样，具体为依据图像分辨率，设定采集窗口为2x2,4x4,等偶数级大小，从而对修补元素进行采样。
步骤S4：以缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素中，其中具体为比对中的缺陷元素为中心点针对，定义窗口进行移动平均计算，将计算结果置换到原缺陷元素中。
步骤S5：将经过置换的图像进行YUV转RGB逆运算，可以实现针对缺陷图像进行智能分析以及自动修补，根据有用图像与缺陷图像的不同频域信息，将缺陷图像进行智能区分并且修补。
在本发明中，对缺陷图像元素的标记的步骤包括：设定阈值并对大于阈值的像素抽出并标记；对被标记位置取NxN大小面积的像素，其中被标记的像素个数占NxN像素个数的占比计算为R，若R大于认定阈值C0并且小于正确图像像素认定阈值C1的情况下，则标记为缺陷像素，通过对具体阀值的设定对缺陷像素和真实像素进行合理的自动区分，既保证了真实图像信息不被抹杀掉同时还保证了去除缺陷像素的高精度。
综上所述，本发明一种工业视觉去除杂质颗粒图像的方法，包括以下步骤：对缺陷图像进行检索并进行区域定义；将进行区域定义的图像进行灰度级转换得到灰度信息；将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样；以缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素中；将经过置换的图像进行YUV转RGB逆运算。本发明一种通过软件分析来识别受损图像中缺陷部分并且针对缺陷图像进行修补，以便为后期处理做好准备。避免工业智能设备不必要的硬件添加造成的高价格问题，而且还避免了产线作业人员会遭受不必要的有害射线辐射的不利工作环境。为工业视觉的各种应用提供了简便，节约的图像净化方法，而且提高了各种应用的计算精度和应用空间。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种工业视觉去除杂质颗粒图像的方法，其特征在于，包括以下步骤：
对缺陷图像进行检索并进行区域定义；
将进行区域定义的图像进行灰度级转换得到灰度信息；
将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样；
以缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素中；
将经过置换的图像进行YUV转RGB逆运算。
2.根据权利要求1所述的一种工业视觉去除杂质颗粒图像的方法，其特征在于，所述将进行区域定义的图像进行灰度级转换得到灰度信息的步骤中，将RGB信息转化为YUV信息。
3.根据权利要求1-2任一所述的一种工业视觉去除杂质颗粒图像的方法，其特征在于，所述将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样的步骤中，依据图像分辨率，设定采集窗口到偶数级大小，从而对修补元素进行采样。
4.根据权利要求3所述的一种工业视觉去除杂质颗粒图像的方法，其特征在于，所述以缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素中的步骤中：以比对中的缺陷元素为中心点针对定义窗口进行移动平均计算并将计算结果置换到原缺陷元素。
5.根据权利要求3所述的一种工业视觉去除杂质颗粒图像的方法，其特征在于，所述将灰度信息的图像进行缺陷图像元素检索得到修补元素并进行采样的步骤包括，对缺陷图像元素的标记。
6.根据权利要求5所述的一种工业视觉去除杂质颗粒图像的方法，其特征在于，所述对缺陷图像元素的标记的步骤包括：
设定阈值并对大于阈值的像素抽出并标记；
对被标记位置取NxN大小面积的像素，其中被标记的像素个数占NxN像素个数的占比计算为R，若R大于认定阈值C0并且小于正确图像像素认定阈值C1的情况下，则标记为缺陷像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610238922.5A CN107305690A (zh) | 2016-04-16 | 2016-04-16 | 一种工业视觉去除杂质颗粒图像的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610238922.5A CN107305690A (zh) | 2016-04-16 | 2016-04-16 | 一种工业视觉去除杂质颗粒图像的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107305690A true CN107305690A (zh) | 2017-10-31 |
Family
ID=60152641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610238922.5A Pending CN107305690A (zh) | 2016-04-16 | 2016-04-16 | 一种工业视觉去除杂质颗粒图像的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107305690A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766481A (zh) * | 2020-03-13 | 2021-05-07 | 腾讯科技（深圳）有限公司 | 神经网络模型的训练方法、装置及图像检测的方法 |
-
2016
- 2016-04-16 CN CN201610238922.5A patent/CN107305690A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766481A (zh) * | 2020-03-13 | 2021-05-07 | 腾讯科技（深圳）有限公司 | 神经网络模型的训练方法、装置及图像检测的方法 |
| CN112766481B (zh) * | 2020-03-13 | 2023-11-24 | 腾讯科技（深圳）有限公司 | 神经网络模型的训练方法、装置及图像检测的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
| CN102132323B (zh) | 用于自动图像矫直的系统和方法 | |
| CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
| CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
| CN107014819A (zh) | 一种太阳能电池板表面缺陷检测系统和方法 | |
| CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| CN109359593B (zh) | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 | |
| WO2017120796A1 (zh) | 路面病害的检测方法及其装置、电子设备 | |
| CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN106290379A (zh) | 基于面扫描相机的钢轨表面缺陷检测装置及方法 | |
| CN113706461A (zh) | 一种基于图像识别的绝缘毯微缺陷识别系统 | |
| CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
| CN104966283A (zh) | 图像分层配准方法 | |
| CN108428218A (zh) | 一种去除牛顿光晕的图片处理方法 | |
| CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
| CN114120201A (zh) | 一种车站计算机联锁道岔状态信息检测系统及其方法 | |
| CN112634179B (zh) | 一种防摄像头抖动的变电设备图像变化检测方法和系统 | |
| CN107305690A (zh) | 一种工业视觉去除杂质颗粒图像的方法 | |
| CN115482207A (zh) | 一种螺栓松动检测方法及系统 | |
| CN112288049B (zh) | 基于模板匹配和限制连通域指针定位的指针表读数方法 | |
| CN106980863A (zh) | 一种变电站视频监控中的设备异常诊断模型 | |
| KR101521269B1 (ko) | 영상에서 눈 또는 비를 검출하는 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171031 |
|
| WD01 | Invention patent application deemed withdrawn after publication |