CN107742291A - 一种光伏玻璃的缺陷检测方法及装置 - Google Patents
一种光伏玻璃的缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN107742291A CN107742291A CN201710982581.7A CN201710982581A CN107742291A CN 107742291 A CN107742291 A CN 107742291A CN 201710982581 A CN201710982581 A CN 201710982581A CN 107742291 A CN107742291 A CN 107742291A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- image
- filter
- mfrac
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种光伏玻璃的缺陷检测方法及装置，涉及检测技术领域，为解决光伏玻璃的缺陷检测精度低的问题而发明。该方法主要包括：创建伽柏Gabor滤波器；获取待检测光伏玻璃的视觉采集图像；计算视觉采集图像的中值滤波图像；根据Gabor滤波器，计算中值滤波图像的纹理滤波图像；根据预置均值滤波模板，计算中值滤波图像的背景估计图像；计算待检测光伏玻璃的去干扰图像，去干扰图像为计算纹理滤波图像和背景估计图像的差；根据预置灰度阈值，生成去干扰图像的二值化图像；如果二值化图像中像素点的像素值大于预置像素预置，则确定像素点对应的视觉采集图像的位置为缺陷位置。本发明主要应用于检测光伏玻璃缺陷的过程中。
Description
技术领域
本申请涉及检测技术领域，尤其涉及一种光伏玻璃的缺陷检测方法及装置。
背景技术
太阳能光伏组件，由低铁玻璃、太阳能电池片、胶片、背面玻璃、特殊金属导线等组成，将太阳能电池片通过胶片密封在一片低铁玻璃和一片背面玻璃的中间，是一种最新颖的建筑用高科技玻璃产品。光伏玻璃，是光伏组件生产过程中的重要辅料，能有效保护光伏组件免受外界物体的撞击。光伏玻璃生产阶段需要经过钢化处理，在其内部和表面可能存在气泡、结石或夹杂物等缺陷。如果光伏玻璃存在缺陷，可能引起光伏玻璃自爆，造成资源浪费和安全隐患。如果在光伏玻璃内部和表面的缺陷，则会引起光伏玻璃自爆。因此光伏玻璃的质量检测是十分必要的。
在现有技术中，主要包括固定阈值分割和基于领域背景分割两种检测方法。基于固定阈值分割的方法：计算输入图像的灰度直方图，选取最高峰值点作为背景灰度，在背景灰度基础上加入固定偏移值后得到灰度分割阈值，或者利用直方图双峰值法确定分割阈值，然后根据灰度阈值将输入图像二值化处理，最后实现缺陷点识别。基于邻域背景的阈值分割方法：使用均值滤波模板计算输入图像的邻域背景均值图像，通过原图与邻域背景均值图像相减得到对比度图像，再利用灰度阈值将对比度图像二值化处理，最后实现缺陷点识别。
基于固定阈值分割的方法计算量小，工作效率高，但是对局部背景的灰度变化不敏感，当出现光源衰减导致的图像背景亮度不均时，容易产生大面积的误检，影响设备使用。基于领域背景的阈值分割方法能够适应图像局部背景的灰度变化，但是会受到玻璃本身印花的影响，检测精度不够，难以达到使用要求。
发明内容
本申请提供了一种光伏玻璃的缺陷检测方法及装置，以解决光伏玻璃的缺陷检测精度低的问题。
第一方面，本申请提供了一种光伏玻璃的缺陷检测方法，该方法包括：
创建伽柏Gabor滤波器；
获取待检测光伏玻璃的视觉采集图像；
计算所述视觉采集图像的中值滤波图像；
根据所述Gabor滤波器，计算所述中值滤波图像的纹理滤波图像；
根据预置均值滤波模板，计算所述中值滤波图像的背景估计图像；
计算所述待检测光伏玻璃的去干扰图像，所述去干扰图像为计算所述纹理滤波图像和所述背景估计图像的差；
根据预置灰度阈值，生成所述去干扰图像的二值化图像；
如果所述二值化图像中像素点的像素值大于预置像素预置，则确定所述像素点对应的视觉采集图像的位置为缺陷位置。
采用本实现方式，通过使用Gabor滤波器和背景估计方法，解决了光伏玻璃印花和图像背景不均匀对检测带来的干扰问题，降低系统误检率，提高缺陷位置的判定精度，进而提高光伏玻璃检测系统的检测精度和识别准确率。
结合第一方面，在第一方面第一种可能的实现方式中，所述创建伽柏Gabor滤波器，包括：
建立Gabor滤波函数：
其中，滤波参数包括为λ模型波长，θ为主轴方向，ψ为相位，γ为横纵强度比；
分解所述Gabor滤波函数，获取实部滤波函数和虚部滤波函数，其中所述实部滤波函数为：
所述虚部滤波函数为：
确定预置目标函数的最优解为所述滤波参数；
将所述滤波参数带入所述实部滤波函数和所述虚部滤波函数，生成实部滤波器和虚部滤波器；
组合所述实部滤波器和所述虚部滤波器，生成所述Gabor滤波器。
采用本实现方式，获取以预置目标函数的最优解为所述滤波参数，生成能够滤除光伏玻璃的印花影响的Gabor滤波器。
结合第一方面，在第一方面第二种可能的实现方式中，所述确定预置目标函数的最优解为所述滤波参数，包括：
获取无缺陷光伏玻璃的无缺陷训练图像；
构造预置目标函数：
其中，I(x,y)是所述无缺陷训练图像，k1是低频成分系数，k2是高频成分系数；
根据最小二乘法，计算所述预置目标函数的最优解；
确定所述最优解为所述滤波参数。
结合第一方面，在第一方面第三种可能的实现方式中，所述最优解中γ∈[0，1]。
结合第一方面，在第一方面第四种可能的实现方式中，所述根据所述Gabor滤波器，计算所述中值滤波图像的纹理滤波图像，包括：
计算所述中值滤波图像的低频滤波图像，所述低频滤波图像是所述中值滤波图像与所述实部滤波器的卷积；
计算所述中值滤波图像的高频滤波图像，所述高频滤波图像是所述中值滤波图像与所述虚部滤波器的卷积；
融合所述低频滤波图像和所述高频滤波图像，生成所述中值滤波图像的纹理滤波图像。
结合第一方面，在第一方面第五种可能的实现方式中，所述根据预置灰度阈值，生成所述去干扰图像的二值化图像之前，所述方法还包括：
选取所述预置灰度阈值。
结合第一方面，在第一方面第六种可能的实现方式中，所述选取所述预置灰度阈值，包括：
获取所述去干扰图像的绝对值的最大值；
计算所述灰度阈值，所述灰度阈值为预置比例与所述最大值的乘积。
第二方面，本申请还提供了一种光伏玻璃的缺陷检测装置，所述装置包括用于执行第一方面各种实现方式中方法步骤的模块。
第三方面，本申请还提供了一种终端，包括：处理器、及存储器；所述处理器可以执行所述存储器中所存储的程序或指令，从而实现以第一方面各种实现方式所述光伏玻璃的缺陷检测方法。
第四方面，本申请还提供了一种存储介质，该计算机存储介质可存储有程序，该程序执行时可实现包括本申请提供的光伏玻璃的缺陷检测方法各实施例中的部分或全部步骤。
附图说明
为了更清楚地说明本申请的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供了一种光伏玻璃的缺陷检测方法流程图；
图2为本申请提供的一种创建伽柏Gabor滤波器的方法流程图；
图3为本申请提供的一种确定预置目标函数的最优解为滤波参数的方法流程图；
图4为本申请提供的一种计算中值滤波图像的纹理图像的方法流程图；
图5为本申请提供的另一种光伏玻璃的缺陷检测方法流程图；
图6为本申请提供的一种选取预置灰度阈值的方法流程图；
图7为本申请还提供了一种光伏玻璃的缺陷检测装置的组成框图；
图8为本申请还提供了另一种光伏玻璃的缺陷检测装置的组成框图。
具体实施方式
参见图1，为本申请提供了一种光伏玻璃的缺陷检测方法流程图。如图1所示，该方法包括：
步骤101，创建伽柏Gabor滤波器。
Gabor滤波器，是用于边缘提取的线性滤波器。Gabor滤波器十分适合表达和分离。在空间区域中，Gabor滤波器是有正弦平面波调制的高斯函数。Gabor滤波器能够拆分成实部滤波器和虚部滤波器，实部滤波器用于检测纹理低频分量，虚部滤波器用于检测纹理高频分量。
步骤102，获取待检测光伏玻璃的视觉采集图像。
太阳能光伏组件，由低铁玻璃、太阳能电池片、胶片、背面玻璃、特殊金属导线等组成，将太阳能电池片通过胶片密封在一片低铁玻璃和一片背面玻璃的中间，是一种最新颖的建筑用高科技玻璃产品。光伏玻璃广泛应用于建筑幕墙、光伏屋顶、太阳能发电系统等众多领域，通过明框式、隐框式、或配合幕墙的各种型材进行安装。由于光伏玻璃的安装位置通常至于建筑物的外表面，不利于光伏玻璃的更换与维护，所以在安装前检测光伏玻璃是否存在缺陷就显得尤为重要。
待检测光伏玻璃，是指需要检测但是还未检测的光伏玻璃。在判断待检测光伏玻璃前，通过视觉采集系统，获取待检测光伏玻璃的视觉采集图像。再根据视觉采集图像检测待检测光伏玻璃的缺陷。
步骤103，计算视觉采集图像的中值滤波图像。
中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
中值滤波在滤除噪声的同时，能够保护信号的边缘，使之不被模糊。在实际应用中，随着所选用窗口长度的增加，滤波的计算量将会迅速增加。中值滤波的快速算法，一般采用下述三种方式：直方图数据修正法；样本值二进制表示逻辑判断法；数字和模拟的选择网络法。在本申请实施例中，对中值滤波的采用方式不做限定。
对视觉采集图像进行中值滤波，计算视觉采集图像的中值滤波图像，实现对视觉采集图像的预处理，以消除视觉采集图像中的噪声，提高缺陷检测准确率。
步骤104，根据Gabor滤波器，计算中值滤波图像的纹理滤波图像。
利用Gabor滤波器的滤波特性，滤除中值图像中的纹理，也就是光伏玻璃上的印花，以消除印花对检测光伏玻璃缺陷的影响。
步骤105，根据预置均值滤波模板，计算中值滤波图像的背景估计图像。
均值滤波是典型的线性滤波算法，是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素(以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身)，再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x，y)，作为处理后图像在该点上的灰度g(x，y)，即g(x，y)＝1/m∑f(x，y)m为该模板中包含当前像素在内的像素总个数。
步骤106，计算待检测光伏玻璃的去干扰图像。
去干扰图像为计算纹理滤波图像和背景估计图像的差。
步骤107，根据预置灰度阈值，生成去干扰图像的二值化图像。
图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。将大于T的像素群的像素值设定为白色(或者黑色)，小于T的像素群的像素值设定为黑色(或者白色)。
步骤108，如果二值化图像中像素点的像素值大于预置像素预置，则确定像素点对应的视觉采集图像的位置为缺陷位置。
采用本实现方式，通过使用Gabor滤波器和背景估计方法，解决了光伏玻璃印花和图像背景不均匀对检测带来的干扰问题，降低系统误检率，提高缺陷位置的判定精度，进而提高光伏玻璃检测系统的检测精度和识别准确率。
参见图2，为本申请提供的一种创建伽柏Gabor滤波器的方法流程图。在图1所示方法的基础上，如图2所示，创建伽柏Gabor滤波器，包括：
步骤201，建立Gabor滤波函数。
具体的Gabor滤波函数为：
其中，滤波参数包括为模型波长，为主轴方向，为相位，为横纵强度比。
步骤202，分解Gabor滤波函数，获取实部滤波函数和虚部滤波函数。
其中实部滤波函数为：
虚部滤波函数为：
步骤203，确定预置目标函数的最优解为滤波参数。
滤波参数包括为模型波长，为主轴方向，为相位，为横纵强度比。滤波参数是滤波函数的一部分，通过求解预置目标函数确定。需要说明的是，目标函数的目标与Gabor滤波器的滤波目标一致，都是为了有效地滤除光伏玻璃上的印花。目标函数的最优解，也就是能够使Gabor滤波器的滤波效果达到最优。目标函数的最优解可以通过求取目标函数极限值的方式获取。
步骤204，将滤波参数带入实部滤波函数和虚部滤波函数，生成实部滤波器和虚部滤波器。
步骤205，组合实部滤波器和虚部滤波器，生成Gabor滤波器。
采用本实现方式，获取以预置目标函数的最优解为所述滤波参数，生成能够滤除光伏玻璃的印花影响的Gabor滤波器。
参见图3，为本申请提供的一种确定预置目标函数的最优解为滤波参数的方法流程图。在图2所示方法的基础上，如图3所示，确定预置目标函数的最优解为所述滤波参数，包括：
步骤301，获取无缺陷光伏玻璃的无缺陷训练图像。
步骤302，构造预置目标函数。
具体的预置目标函数为：
其中，I(x,y)是所述无缺陷训练图像，k1是低频成分系数，k2是高频成分系数。
根据图像特征先验信息，图像背景纹理成周期分布，循环方向与坐标轴的夹角小于90度，y轴方向循环周期大于x轴方向循环周期，因此在优化过程中选取γ∈[0，1]。
步骤303，根据最小二乘法，计算预置目标函数的最优解。
最小二乘法，是一种数学优化技术，他通过最小误差的平方寻找数据的最佳函数匹配。利用最小二乘法可以简便的求得预置目标函数的最优解，并使得这些求得的数据与实际数据之间误差的平方和为最小。
步骤304，确定最优解为滤波参数。
依据最小二乘法，求解的预置目标函数的最优解，能够保证最优解与实际数据之间的误差最小，能够保证滤波参数的有效性。
参见图4，为本申请提供的一种计算中值滤波图像的纹理图像的方法流程图。在图2所示方法的基础上，如图4所示，根据所述Gabor滤波器，计算所述中值滤波图像的纹理滤波图像，包括：
步骤401，计算中值滤波图像的低频滤波图像。
低频滤波图像是中值滤波图像与实部滤波器的卷积。
步骤402，计算中值滤波图像的高频滤波图像。
高频滤波图像是中值滤波图像与虚部滤波器的卷积。
步骤403，融合低频滤波图像和高频滤波图像，生成中值滤波图像的纹理滤波图像。
参见图5，为本申请提供的另一种光伏玻璃的缺陷检测方法流程图。在图1所示方法的基础上，如图5所示，所述根据预置灰度阈值，生成所述去干扰图像的二值化图像之前，该方法还包括：
步骤501，选取预置灰度阈值。
在进行二值化处理时，选取预置灰度阈值，可以采取固定预置和自适应预置两者方法，其中比较常用的二值化方法有双峰法，P参数法和迭代法等等。在本申请实施例中，对选取预置灰度阈值的方法以及二值化方法均不作限定。
参见图6，为本申请提供的一种选取预置灰度阈值的方法流程图。在图5所示方法的基础上，如图6所示，选取预置灰度阈值，包括：
步骤601，获取去干扰图像的绝对值的最大值。
步骤602，计算灰度阈值，灰度阈值为预置比例与最大值的乘积。
作为图1-6所述方法的具体实现，参见图7，为本申请还提供了一种光伏玻璃的缺陷检测装置的组成框图。该装置包括：
创建单元71，用于创建伽柏Gabor滤波器；
获取单元72，用于获取待检测光伏玻璃的视觉采集图像；
计算单元73，用于计算视觉采集图像的中值滤波图像；
计算单元73，还用于根据Gabor滤波器，计算中值滤波图像的纹理滤波图像；
计算单元73，还用于根据预置均值滤波模板，计算中值滤波图像的背景估计图像；
计算单元73，还用于计算待检测光伏玻璃的去干扰图像，去干扰图像为计算纹理滤波图像和背景估计图像的差；
生成单元74，用于根据预置灰度阈值，生成去干扰图像的二值化图像；
确定单元75，用于如果二值化图像中像素点的像素值大于预置像素预置，则确定像素点对应的视觉采集图像的位置为缺陷位置。
进一步地，如图8所示，创建单元71，包括：
建立模块711，用于建立Gabor滤波函数：
其中，滤波参数包括λ为模型波长，θ为主轴方向，ψ为相位，γ为横纵强度比；
分解模块712，用于分解Gabor滤波函数，获取实部滤波函数和虚部滤波函数，其中实部滤波函数为：
虚部滤波函数为：
确定模块713，用于确定预置目标函数的最优解为滤波参数；
生成模块714，用于将滤波参数带入实部滤波函数和虚部滤波函数，生成实部滤波器和虚部滤波器；
生成模块714，还用于组合实部滤波器和虚部滤波器，生成Gabor滤波器。
进一步地，如图8所示，确定模块713，包括：
获取子模块7131，用于获取无缺陷光伏玻璃的无缺陷训练图像；
构造子模块7132，用于构造预置目标函数：
其中，I(x,y)是无缺陷训练图像，k1是低频成分系数，k2是高频成分系数；
计算子模块7133，用于根据最小二乘法，计算预置目标函数的最优解；
确定子模块7134，用于确定最优解为滤波参数。
进一步地，最优解中γ∈[0，1]。
进一步地，如图8所示，计算单元73，包括：
计算模块731，用于计算中值滤波图像的低频滤波图像，低频滤波图像是中值滤波图像与实部滤波器的卷积；
计算模块731，还用于计算中值滤波图像的高频滤波图像，高频滤波图像是中值滤波图像与虚部滤波器的卷积；
生成模块732，用于融合低频滤波图像和高频滤波图像，生成中值滤波图像的纹理滤波图像。
进一步地，如图8所示，该装置还包括：
选取单元76，用于根据预置灰度阈值，生成去干扰图像的二值化图像之前，选取预置灰度阈值。
进一步地，如图8所示，选取单元76，包括：
获取模块761，用于获取去干扰图像的绝对值的最大值；
确定模块762，用于计算灰度阈值，灰度阈值为预置比例与最大值的乘积。
采用本实现方式，通过使用Gabor滤波器和背景估计方法，解决了光伏玻璃印花和图像背景不均匀对检测带来的干扰问题，降低系统误检率，提高缺陷位置的判定精度，进而提高光伏玻璃检测系统的检测精度和识别准确率。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的呼叫方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (10)
1.一种光伏玻璃的缺陷检测方法，其特征在于，所述方法包括：
创建伽柏Gabor滤波器；
获取待检测光伏玻璃的视觉采集图像；
计算所述视觉采集图像的中值滤波图像；
根据所述Gabor滤波器，计算所述中值滤波图像的纹理滤波图像；
根据预置均值滤波模板，计算所述中值滤波图像的背景估计图像；
计算所述待检测光伏玻璃的去干扰图像，所述去干扰图像为计算所述纹理滤波图像和所述背景估计图像的差；
根据预置灰度阈值，生成所述去干扰图像的二值化图像；
如果所述二值化图像中像素点的像素值大于预置像素预置，则确定所述像素点对应的视觉采集图像的位置为缺陷位置。
2.如权利要求1所述的方法，其特征在于，所述创建伽柏Gabor滤波器，包括：
建立Gabor滤波函数：
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<mi>&sigma;</mi>
<mn>2</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>(</mo>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mfrac>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>&lambda;</mi>
</mfrac>
<mo>+</mo>
<mi>&psi;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>x</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>+</mo>
<mi>y</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mo>-</mo>
<mi>x</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>+</mo>
<mi>y</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>,</mo>
</mrow>
其中，滤波参数包括λ为模型波长，θ为主轴方向，ψ为相位，γ为横纵强度比；
分解所述Gabor滤波函数，获取实部滤波函数和虚部滤波函数，其中所述实部滤波函数为：
<mrow>
<mi>Re</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mfrac>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>&lambda;</mi>
</mfrac>
<mo>+</mo>
<mi>&psi;</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
所述虚部滤波函数为：
<mrow>
<mi>Im</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mfrac>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>&lambda;</mi>
</mfrac>
<mo>+</mo>
<mi>&psi;</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
确定预置目标函数的最优解为所述滤波参数；
将所述滤波参数带入所述实部滤波函数和所述虚部滤波函数，生成实部滤波器和虚部滤波器；
组合所述实部滤波器和所述虚部滤波器，生成所述Gabor滤波器。
3.如权利要求2所述的方法，其特征在于，所述确定预置目标函数的最优解为所述滤波参数，包括：
获取无缺陷光伏玻璃的无缺陷训练图像；
构造预置目标函数：
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>&psi;</mi>
<mo>,</mo>
<mi>&gamma;</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>&psi;</mi>
<mo>,</mo>
<mi>&gamma;</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
</mrow>
</munder>
<mo>&lsqb;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mi>Re</mi>
<mo>(</mo>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mi>Im</mi>
<mo>(</mo>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
其中，I(x,y)是所述无缺陷训练图像，k1是低频成分系数，k2是高频成分系数；
根据最小二乘法，计算所述预置目标函数的最优解；
确定所述最优解为所述滤波参数。
4.如权利要求3所述的方法，其特征在于，所述最优解中γ∈[0，1]。
5.如权利要求2所述的方法，其特征在于，所述根据所述Gabor滤波器，计算所述中值滤波图像的纹理滤波图像，包括：
计算所述中值滤波图像的低频滤波图像，所述低频滤波图像是所述中值滤波图像与所述实部滤波器的卷积；
计算所述中值滤波图像的高频滤波图像，所述高频滤波图像是所述中值滤波图像与所述虚部滤波器的卷积；
融合所述低频滤波图像和所述高频滤波图像，生成所述中值滤波图像的纹理滤波图像。
6.如权利要求1所述的方法，其特征在于，所述根据预置灰度阈值，生成所述去干扰图像的二值化图像之前，所述方法还包括：
选取所述预置灰度阈值。
7.如权利要求6所述的方法，其特征在于，所述选取所述预置灰度阈值，包括：
获取所述去干扰图像的绝对值的最大值；
计算所述灰度阈值，所述灰度阈值为预置比例与所述最大值的乘积。
8.一种光伏玻璃的缺陷检测装置，其特征在于，所述装置包括：
创建单元，用于创建伽柏Gabor滤波器；
获取单元，用于获取待检测光伏玻璃的视觉采集图像；
计算单元，用于计算所述视觉采集图像的中值滤波图像；
所述计算单元，还用于根据所述Gabor滤波器，计算所述中值滤波图像的纹理滤波图像；
所述计算单元，还用于根据预置均值滤波模板，计算所述中值滤波图像的背景估计图像；
所述计算单元，还用于计算所述待检测光伏玻璃的去干扰图像，所述去干扰图像为计算所述纹理滤波图像和所述背景估计图像的差；
生成单元，用于根据预置灰度阈值，生成所述去干扰图像的二值化图像；
确定单元，用于如果所述二值化图像中像素点的像素值大于预置像素预置，则确定所述像素点对应的视觉采集图像的位置为缺陷位置。
9.如权利要求8所述的装置，其特征在于，所述创建单元，包括：
建立模块，用于建立Gabor滤波函数：
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<mi>&sigma;</mi>
<mn>2</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>(</mo>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mfrac>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>&lambda;</mi>
</mfrac>
<mo>+</mo>
<mi>&psi;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>x</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>+</mo>
<mi>y</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mo>-</mo>
<mi>x</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>+</mo>
<mi>y</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>,</mo>
</mrow>
其中，滤波参数包括λ为模型波长，θ为主轴方向，ψ为相位，γ为横纵强度比；
分解模块，用于分解所述Gabor滤波函数，获取实部滤波函数和虚部滤波函数，其中所述实部滤波函数为：
<mrow>
<mi>Re</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mfrac>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>&lambda;</mi>
</mfrac>
<mo>+</mo>
<mi>&psi;</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
所述虚部滤波函数为：
<mrow>
<mi>Im</mi>
<mrow>
<mo>(</mo>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mfrac>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>&lambda;</mi>
</mfrac>
<mo>+</mo>
<mi>&psi;</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
确定模块，用于确定预置目标函数的最优解为所述滤波参数；
生成模块，用于将所述滤波参数带入所述实部滤波函数和所述虚部滤波函数，生成实部滤波器和虚部滤波器；
所述生成模块，还用于组合所述实部滤波器和所述虚部滤波器，生成所述Gabor滤波器。
10.如权利要求9所述的装置，其特征在于，所述确定模块，包括：
获取子模块，用于获取无缺陷光伏玻璃的无缺陷训练图像；
构造子模块，用于构造预置目标函数：
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>&psi;</mi>
<mo>,</mo>
<mi>&gamma;</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>&psi;</mi>
<mo>,</mo>
<mi>&gamma;</mi>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
</mrow>
</munder>
<mo>&lsqb;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mi>Re</mi>
<mo>(</mo>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mi>Im</mi>
<mo>(</mo>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
其中，I(x,y)是所述无缺陷训练图像，k1是低频成分系数，k2是高频成分系数；
计算子模块，用于根据最小二乘法，计算所述预置目标函数的最优解；
确定子模块，用于确定所述最优解为所述滤波参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710982581.7A CN107742291B (zh) | 2017-10-20 | 2017-10-20 | 一种光伏玻璃的缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710982581.7A CN107742291B (zh) | 2017-10-20 | 2017-10-20 | 一种光伏玻璃的缺陷检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107742291A true CN107742291A (zh) | 2018-02-27 |
| CN107742291B CN107742291B (zh) | 2020-06-05 |
Family
ID=61237934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710982581.7A Active CN107742291B (zh) | 2017-10-20 | 2017-10-20 | 一种光伏玻璃的缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107742291B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122226A (zh) * | 2017-12-18 | 2018-06-05 | 凌云光技术集团有限责任公司 | 一种玻璃缺陷的检测方法及装置 |
| CN109544506A (zh) * | 2018-10-17 | 2019-03-29 | 潍坊路加精工有限公司 | 工件外观缺陷的检测方法及装置 |
| CN109900723A (zh) * | 2019-04-26 | 2019-06-18 | 李配灯 | 玻璃表面缺陷检测方法及装置 |
| CN111029708A (zh) * | 2019-12-10 | 2020-04-17 | 南京信波微波技术有限公司 | 一种腔体滤波器的装配工艺 |
| CN111145058A (zh) * | 2019-12-27 | 2020-05-12 | 吉林省点创科技有限公司 | 一种基于人工智能的教学行为分析系统及分析方法 |
| CN111598847A (zh) * | 2020-04-28 | 2020-08-28 | 浙江华睿科技有限公司 | 玻璃表面缺陷检测方法、装置和计算机可读存储介质 |
| CN114723747A (zh) * | 2022-06-01 | 2022-07-08 | 领伟创新智能系统(浙江)有限公司 | 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法 |
| CN116245794A (zh) * | 2022-12-02 | 2023-06-09 | 广州市儒兴科技股份有限公司 | 太阳能电池背场外观测试方法、装置以及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
| CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
| CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
| CN106556940A (zh) * | 2016-11-10 | 2017-04-05 | 武汉精测电子技术股份有限公司 | 一种tft‑lcd屏自动光学检测中的背景抑制方法 |
| CN106770362A (zh) * | 2016-12-27 | 2017-05-31 | 武汉精测电子技术股份有限公司 | 基于aoi的宏观缺陷检测装置及方法 |
-
2017
- 2017-10-20 CN CN201710982581.7A patent/CN107742291B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
| CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
| CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
| CN106556940A (zh) * | 2016-11-10 | 2017-04-05 | 武汉精测电子技术股份有限公司 | 一种tft‑lcd屏自动光学检测中的背景抑制方法 |
| CN106770362A (zh) * | 2016-12-27 | 2017-05-31 | 武汉精测电子技术股份有限公司 | 基于aoi的宏观缺陷检测装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王新新，徐江伟等: ""TFT-LCD 缺陷检测系统的研究"", 《电子测量与仪器学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122226A (zh) * | 2017-12-18 | 2018-06-05 | 凌云光技术集团有限责任公司 | 一种玻璃缺陷的检测方法及装置 |
| CN108122226B (zh) * | 2017-12-18 | 2020-08-11 | 凌云光技术集团有限责任公司 | 一种玻璃缺陷的检测方法及装置 |
| CN109544506A (zh) * | 2018-10-17 | 2019-03-29 | 潍坊路加精工有限公司 | 工件外观缺陷的检测方法及装置 |
| CN109900723A (zh) * | 2019-04-26 | 2019-06-18 | 李配灯 | 玻璃表面缺陷检测方法及装置 |
| CN111029708A (zh) * | 2019-12-10 | 2020-04-17 | 南京信波微波技术有限公司 | 一种腔体滤波器的装配工艺 |
| CN111145058A (zh) * | 2019-12-27 | 2020-05-12 | 吉林省点创科技有限公司 | 一种基于人工智能的教学行为分析系统及分析方法 |
| CN111598847A (zh) * | 2020-04-28 | 2020-08-28 | 浙江华睿科技有限公司 | 玻璃表面缺陷检测方法、装置和计算机可读存储介质 |
| CN114723747A (zh) * | 2022-06-01 | 2022-07-08 | 领伟创新智能系统(浙江)有限公司 | 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法 |
| CN114723747B (zh) * | 2022-06-01 | 2022-09-13 | 领伟创新智能系统(浙江)有限公司 | 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法 |
| CN116245794A (zh) * | 2022-12-02 | 2023-06-09 | 广州市儒兴科技股份有限公司 | 太阳能电池背场外观测试方法、装置以及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107742291B (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107742291A (zh) | 一种光伏玻璃的缺陷检测方法及装置 | |
| CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN108827181B (zh) | 一种基于视觉的板材表面检测方法 | |
| CN111046862B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
| CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
| CN109961416B (zh) | 一种基于形态学梯度多尺度融合的营业执照信息提取方法 | |
| CN101908205B (zh) | 基于幻方编码的中值滤波方法 | |
| CN105894474A (zh) | 一种非线性图像增强方法及边缘检测方法 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
| CN103455985B (zh) | 基于Hessian结构分析的道路裂缝增强方法 | |
| CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
| CN112308872A (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
| CN102509265B (zh) | 基于灰度值差和局部能量的数字图像去噪方法 | |
| Powell et al. | Automated road distress detection | |
| CN115239595A (zh) | 一种包装印刷品二维码合格性检测方法 | |
| CN115690089A (zh) | 一种微弱缺陷检测用的图像增强前处理方法及系统 | |
| CN101719273A (zh) | 基于一维信息熵冶金板带表面缺陷在线自适应提取方法 | |
| CN103761525A (zh) | 基于显微ct数字图像处理铝电解用阴极炭块组分检测方法 | |
| CN110570437B (zh) | 一种基于边界识别的电力通道自动化巡检数据处理方法 | |
| CN110298799B (zh) | 一种pcb图像定位校正方法 | |
| Ravikumar et al. | Applications for green technology practices in analyzing the edge detection techniques on digital image processing by using MATLAB | |
| CN114663429B (zh) | 镜头污染物检测方法、装置、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100094 701, 7 floor, 7 building, 13 Cui Hunan Ring Road, Haidian District, Beijing. Patentee after: Lingyunguang Technology Co.,Ltd. Address before: 100094 701, 7 floor, 7 building, 13 Cui Hunan Ring Road, Haidian District, Beijing. Patentee before: Beijing lingyunguang Technology Group Co.,Ltd. Address after: 100094 701, 7 floor, 7 building, 13 Cui Hunan Ring Road, Haidian District, Beijing. Patentee after: Beijing lingyunguang Technology Group Co.,Ltd. Address before: 100094 701, 7 floor, 7 building, 13 Cui Hunan Ring Road, Haidian District, Beijing. Patentee before: LUSTER LIGHTTECH GROUP Co.,Ltd. |