CN107991309A - 产品质量检测方法、装置及电子设备 - Google Patents

产品质量检测方法、装置及电子设备 Download PDF

Info

Publication number
CN107991309A
CN107991309A CN201711205921.1A CN201711205921A CN107991309A CN 107991309 A CN107991309 A CN 107991309A CN 201711205921 A CN201711205921 A CN 201711205921A CN 107991309 A CN107991309 A CN 107991309A
Authority
CN
China
Prior art keywords
value
image
pixel points
gray
binarization
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
Application number
CN201711205921.1A
Other languages
English (en)
Other versions
CN107991309B (zh
Inventor
陈茁
班永杰
王剑龙
马立
闫秀英
刘文文
刘金玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Goertek Inc
Original Assignee
Goertek Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Goertek Inc filed Critical Goertek Inc
Priority to CN201711205921.1A priority Critical patent/CN107991309B/zh
Publication of CN107991309A publication Critical patent/CN107991309A/zh
Application granted granted Critical
Publication of CN107991309B publication Critical patent/CN107991309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/8851—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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • 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
    • G01N2021/8877—Proximity analysis, local statistics
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明实施例提供一种产品质量检测方法、装置及电子设备，该方法包括：检测设备获取拍摄得到的待检测产品的原始图像以及与此待检测产品对应的二值化阈值，根据此二值化阈值对原始图像进行二值化处理。检测设备可以根据与第一像素点相邻的多个第二像素点的二值化值对第一像素点进行去噪处理，也即是对二值化处理后的图像中的噪点对应的二值化值进行调整，以避免图像中的噪点对后续产品划痕检测的准确性的影响。最后，检测设备再确定经过去噪处理后的图像中是否含有划痕。上述产品质量检测方法全部由检测设备执行，检测设备采用统一的检测标准对待检测产品的质量进行检测，检测过程不存在人的介入，提高产品质量检测的准确性。

Description

产品质量检测方法、装置及电子设备
技术领域
本发明涉及自动检测技术领域，尤其涉及一种产品质量检测方法、装置及电子设备。
背景技术
在产品制造过程中，由于生产环境、生产设备以及生产工艺等多方面因素的影响，产品缺陷的出现是不可避免的。常见的产品缺陷包括表面裂纹、划痕等等。为了避免产品在出厂后的使用过程中出现质量问题，因此，需要在产品出厂前进行产品质量的检测。
现有技术中，常用的检测方式主要是人工检测，但人工检测具有很强的主观性，并且，人工检测的过程中也没有统一的检测标准，使得检测的准确性大大降低。
发明内容
有鉴于此，本发明实施例提供一种产品质量检测方法、装置及电子设备，采用量化标准进行产品质量检测，用以提高检测结果的准确性。
本发明实施例提供一种产品质量检测方法，包括：
获取待检测产品的原始图像以及与所述待检测产品对应的二值化阈值；
根据所述二值化阈值对所述原始图像进行二值化处理；
对于二值化处理后的图像中的第一像素点，根据与所述第一像素点相邻的多个第二像素点的二值化值，对所述第一像素点进行去噪处理；
确定去噪处理后的图像中是否含有划痕。
可选地，所述根据与所述第一像素点相邻的多个第二像素点的二值化值，对所述第一像素点进行去噪处理，包括：
若所述多个第二像素点中与所述第一像素点的二值化值不同的第二像素点个数大于第一预设数值，则改变所述第一像素点的二值化值。
可选地，所述确定去噪处理后的图像中是否含有划痕，包括：
确定所述去噪处理后的图像中是否含有由预设二值化值构成的连续区域；
若含有所述连续区域，并且所述连续区域中包含的像素点个数大于第二预设数值，则确定所述去噪处理后的图像中含有划痕。
可选地，所述方法还包括：
根据所述连续区域中包含的像素点个数大于所述第二预设数值的程度，确定所述划痕的严重等级。
可选地，所述获取与所述待检测产品对应的二值化阈值，包括：
将所述原始图像转为灰度图像；
分别针对所述灰度图像中的任一灰度值，计算小于所述任一灰度值的第一类像素点的灰度均值和方差，以及计算大于或等于所述任一灰度值的第二类像素点的灰度均值和方差；
根据所述第一类像素点的数量、第二类像素点的数量以及所述灰度图像中像素的总数量，分别计算所述第一类像素点和所述第二类像素点的概率；
根据如下函数计算所述任一灰度值对应的阈值参量：
其中，λ为预设权重值，0<λ<1，ψ为所述任一灰度值的阈值参量，μ1为所述第一类像素点的灰度均值，所述μ2为所述第二类像素点的灰度均值，σ1 2为所述第一类像素点的方差，σ2 2为所述第二类像素点的方差，p1为所述第一类像素点的概率，p2为所述第二类像素点的概率；
从全部灰度值中确定阈值参量中最大值对应的灰度值为所述二值化阈值。
本发明实施例提供一种产品质量检测装置，包括：
获取模块，用于获取待检测产品的原始图像以及与所述待检测产品对应的二值化阈值；
二值化模块，用于根据所述二值化阈值对所述原始图像进行二值化处理；
去噪模块，用于对于二值化处理后的图像中的第一像素点，根据与所述第一像素点相邻的多个第二像素点的二值化值，对所述第一像素点进行去噪处理；
划痕确定模块，用于确定去噪处理后的图像中是否含有划痕。
本发明实施例提供一种电子设备，包括：存储器，以及与所述存储器连接的处理器；
所述存储器，用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行；
所述处理器，用于执行所述一条或多条计算机指令以上述产品质量检测方法中的任意一种方法。
本发明实施例提供的产品质量检测方法、装置及电子设备，检测设备获取拍摄得到的待检测产品的原始图像以及与此待检测产品对应的二值化阈值，根据此二值化阈值对原始图像进行二值化处理。对于二值化处理后的图像来说，第一像素点可以是图像中的任一像素点，检测设备可以根据与第一像素点相邻的多个第二像素点的二值化值对第一像素点进行去噪处理，也即是对二值化处理后的图像中的噪点对应的二值化值进行调整，以避免图像中的噪点对后续产品划痕检测的准确性产生影响。最后，检测设备再确定经过去噪处理后的图像中是否含有划痕。上述产品质量检测方法全部由检测设备执行，检测设备采用统一的检测标准，即去噪处理后的图像中是否含有连续区域，对待检测产品的质量进行检测，检测过程中不存在人的介入，提高产品质量检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的产品质量检测方法实施例一的流程图；
图2为本发明实施例提供的产品质量检测方法实施例二的流程图；
图3为本发明实施例提供的产品质量检测装置实施例一的结构示意图；
图4为本发明实施例提供的产品质量检测装置实施例二的结构示意图；
图5为本发明实施例提供的电子设备实施例一的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述XXX，但这些XXX不应限于这些术语。这些术语仅用来将XXX彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一XXX也可以被称为第二XXX，类似地，第二XXX也可以被称为第一XXX。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
图1为本发明实施例提供的产品质量检测方法实施例一的流程图，本实施例提供的该产品质量检测方法的执行主体可以为检测设备，如图1所示，该方法包括如下步骤：
S101，获取待检测产品的原始图像以及与待检测产品对应的二值化阈值。
实际生产线中，在产品生产完成进行包装之前，会有一条专门用于检测产品表面的产品输送带，此输送带的正上方设置有工业相机，用于拍摄待检测产品的原始图像。工业相机可以将拍得的待检测产品的原始图像发送至检测设备，检测设备便可以获取到待检测产品的原始图像。
可选地，待检测产品的型号和与此待检测产品对应的二值化阈值之间可以存在预设的对应关系，此预设的对应关系可以写入一个保存在检测设备内的配置文件中，并且预设的对应关系中包含的二值化阈值可以设置为经验数值。可选地，通过此预设的对应关系，生产线上的工作人员可以在检测设备提供的操作界面上根据待检测产品的型号设置与此待检测产品对应的二值化阈值。此时，检测设备也即是获取到了与待检测产品对应的二值化阈值。
S102，根据二值化阈值对原始图像进行二值化处理。
S103，对于二值化处理后的图像中的第一像素点，根据与第一像素点相邻的多个第二像素点的二值化值，对第一像素点进行去噪处理。
S104，确定去噪处理后的图像中是否含有划痕。
检测设备可以根据二值化阈值对原始图像进行二值化处理，以形成经过二值化处理后的图像，即二值化图像。接着，检测设备可以按照预设路径对二值化图像中的每个像素点进行遍历。对于检测设备当前遍历到的像素点，可以将此像素点作为第一像素点。由于检测设备会遍历到二值化图像中的每个像素点，因此，二值化图像中的任何一个像素点都可以是第一像素点。同时，还可以将与此第一像素点相邻的多个像素点作为第二像素点。从位置关系来看，第一像素点位于多个第二像素点的中心，因此，很有可能出现以下情况：多个第二像素点都具有相同的二值化值，并且第一像素点的二值化值与多个第二像素点不同，此第一像素点很有可能是噪点。此时，检测设备可以将此第一像素点的二值化值改变为与多个第二像素点相同的二值化值。前述二值化值的改变过程也即是对二值化图像中第一像素点进行去噪处理的过程。
在将二值化图像中所有的像素点全部遍历完成后，二值化图像中的噪点的二值化值也已经被全部改变过，从而得到去噪处理后的图像，即去噪图像。然后，检测设备可以通过判断此去噪图像中各个像素点的二值化值来确定此去噪图像中是否含有划痕。可选地，检测设备可以通过执行以下统计步骤来确定去噪图像中是否含有划痕。
举例来说，二值化图像中各个像素点的二值化值为0或者255，检测设备可以分别统计去噪图像中二值化值为0的像素点的个数以及二值化值为255的像素点的个数。由于划痕的面积通常只占产品表面很小的一部分，并且划痕和非划痕对应的像素点具有不同的二值化值，因此，可以将统计出的个数最少的像素点的二值化值作为参考二值化。然后，检测设备可以确定去噪图像中是否含有由二值化值为参考二值化值的像素点构成的连续区域，此连续区域也即是划痕。若去噪图像中含有连续区域，则表明此待检测产品表面存在划痕，待检测产品是缺陷产品，反之则不存在划痕，待检测产品是合格产品。可选地，检测设备可以采用二值化图像连通域标记算法来确定前述连续区域。
本实施例中，检测设备获取拍摄得到的待检测产品的原始图像以及与此待检测产品对应的二值化阈值，根据此二值化阈值对原始图像进行二值化处理。对于二值化处理后的图像来说，第一像素点可以是图像中的任一像素点，检测设备可以根据与第一像素点相邻的多个第二像素点的二值化值对第一像素点进行去噪处理，也即是对二值化处理后的图像中的噪点对应的二值化值进行调整，以避免图像中的噪点对后续产品划痕检测的准确性产生影响。最后，检测设备再确定经过去噪处理后的图像中是否含有划痕。上述产品质量检测方法全部由检测设备执行，检测设备采用统一的检测标准，即去噪处理后的图像中是否含有连续区域，对待检测产品的质量进行检测，检测过程中不存在人的介入，提高产品质量检测的准确性。
图2为本发明实施例提供的产品质量检测方法实施例二的流程图，如图2所示，该方法包括如下步骤：
S201，获取待检测产品的原始图像以及与待检测产品对应的二值化阈值。
可以参见实施例一中的相关描述来实现“检测设备获取待检测产品的原始图像”，在此不再赘述。
另外，实施例一中已经提及到二值化阈值可以是经验数值，但是此经验数值往往需要对大量的实验数据进行统计后才能获得，而大量实验数据的获得往往又需要很长时间，这使得经验数值获得的成本大大提高。并且，在实际生产中，生产线上生成的产品会常常更新。当出现新型号的待检测产品时，此现新型号的待检测产品是没有经验数值的，此时仍然采用通过经验数据进行产品质量的检测的方式显然也是不合适的。为了改善上述问题，可选地，检测设备可以通过以下方式根据原始图像获取待检测产品对应的二值化阈值，以提高二值化阈值的获取速度。
首先，将原始图像转为灰度图像。
检测设备获取的原始图像通常是一张彩色的图像，检测设备首先会将此彩色的原始图像转化为灰度图像，也即是使原始图像中的各个像素点都具有各自对应的灰度值。由于将彩色图像转换为灰度图像是图像处理领域中一个常用的技术，因此，在此不再详细描述此转换过程。
进而，分别针对灰度图像中的任一灰度值，计算小于任一灰度值的第一类像素点的灰度均值和方差，以及计算大于或等于任一灰度值的第二类像素点的灰度均值和方差；以及根据第一类像素点的数量、第二类像素点的数量以及灰度图像中像素的总数量，分别计算第一类像素点和第二类像素点的概率。
在检测设备将原始图像转换为灰度图像后，一种可选地方式，检测设备可以统计此灰度图像中出现的灰度值，并且将这些灰度值记录到一个数据文件中。进而，对于数据文件中记录的任一灰度值来说，检测设备将灰度图像中灰度值小于此任一灰度值的像素点作为第一类像素点，将灰度值大于或等于此任一灰度值的像素点作为第二类像素点。然后，检测设备分别计算第一类像素点的灰度均值和方差、第二类像素点的灰度均值和方差、第一类像素点在灰度图像中出现的概率以及第二类像素点在灰度图像中出现的概率。
由于灰度图像中各个像素点的灰度值可以为0至255中的任一灰度值。在检测设备将原始图像转换为灰度图像后，另一种可选地方式，对于0至255中的任一灰度值来说，检测设备将灰度图像中灰度值小于此任一灰度值的像素点作为第一类像素点，将灰度值大于或等于此任一灰度值的像素点作为第二类像素点。检测设备计算第一类像素点以及第二类像素点对应的、上述描述中涉及的相关参数。
然后，根据如下函数计算任一灰度值对应的阈值参量：
其中，λ为预设权重值，0<λ<1，ψ为任一灰度值的阈值参量，μ1为第一类像素点的灰度均值，μ2为第二类像素点的灰度均值，σ1 2为第一类像素点的方差，σ2 2为第二类像素点的方差，p1为第一类像素点的概率，p2为第二类像素点的概率。
最后，从全部灰度值中确定阈值参量中最大值对应的灰度值为二值化阈值。
检测设备可以根据上述公式可以计算出任一灰度值对应的阈值参量，其中，预设权重值λ可以是一个与待检测产品型号对应的预设值。经过上述计算后，可以得到多个阈值参量，并且每个阈值参量对应于一个灰度值，此灰度值可以是上述数据文件中记录的灰度值，也可以是0至255中任一灰度值。检测设备可以从多个阈值参量中确定出最大的阈值参量，并将此最大阈值参量对应的灰度值作为二值化阈值，以使检测设备根据此二值化阈值对原始图像进行二值化处理。
S202，根据二值化阈值对原始图像进行二值化处理。
上述步骤S202执行过程与前述实施例的相应步骤相似，可以参见如图1所示实施例中的相关描述，在此再不赘述。
S203，对于二值化处理后的图像中的第一像素点，根据与第一像素点相邻的多个第二像素点的二值化值，对第一像素点进行去噪处理。
与实施例一中相同的，第一像素点位于多个第二像素点的中心，因此，很容易想到的，除了实施例一中涉及的“多个第二像素点都具有相同的二值化值，并且第一像素点的二值化值与多个第二像素点不同”的情况外，还可能存在以下情况：多个第二像素点具有不同的二值化值，并且第一像素点也有相应的二值化值。此时，可选地，若多个第二像素点中与第一像素点的二值化值不同的第二像素点个数大于第一预设数值，则改变第一像素点的二值化值。此改变第一像素点二值化值的过程可以理解为对二值化图像的去噪处理，以得到去噪图像。
举例来说，一种情况是，第一像素点的二值化值为255，与第一像素点相邻的8个第二像素点中有3个像素点的二值化值为255，5个像素点的二值化值为0，并且第一预设数值为4。此时，与第一像素点二值化值不同的第二像素点为5个，大于第一预设数值，此时则改变第一像素点的二值化值，第一像素点的二值化值由255改变为0。
另一种情况是，第一像素点的二值化值为255，与第一像素点相邻的8个第二像素点中有5个像素点的二值化值为255，3个像素点的二值化值为0，并且第一预设数值为4。此时与第一像素点二值化值不同的第二像素点为3个，小于或等于第一预设数据，此时则不改变第一像素点的二值化值，第一像素点的二值化值仍为255。
上述第二像素点个数为8个，第一预设数值可以设置为4的情况对应于第一像素点位于原始图像非边缘处。而当第一像素点位于原始图像边缘时，第二像素点的个数必然会小于8个，此时可以将第一预设数值设置为第二像素点个数的一半。此种情况下，第一像素点的二值化值的改变原则与上述相关描述相同，在此不再赘述。
S204，确定去噪处理后的图像中是否含有由预设二值化值构成的连续区域。
S205，若含有连续区域，并且连续区域中包含的像素点个数大于第二预设数值，则确定去噪处理后的图像中含有划痕。
去噪图像中各个像素点的二值化值为0或者255，检测设备可以根据预设二值化值判断去噪图像中是否存在由预设二值化值构成的连续区域，可选地，实际应用中，预设二值化值一般预设为255，此预设二值化值也即是实施例一中的参考二值化值。与实施例一相同，可选地，检测设备可以采用二值化图像连通域标记算法确定前述连续区域。
当去噪图像中存在连续区域时，检测设备进一步统计每个连续区域中包含的像素点的个数。若连续区域中包含的像素点的个数大于第二预设数值，则表明原始图像中存在划痕，此原始图像对应的待检测产品是缺陷产品。
通常情况下，表面不存在划痕并且可以正常工作的产品可以认为是合格产品。但是在实际生产以及使用过程中，还会存在对产品表面要求并不严格的场景。此种场景下，对产品的要求可以降低为：产品能够正常工作并且表面没有明显划痕。因此，为了满足上述场景，在确定出产品为存在划痕的产品后，还需要进一步地对存在划痕的产品进行严重等级的划分。基于此，该产品质量检测方法还包括以下步骤：
S206，根据连续区域中包含的像素点个数大于第二预设数值的程度，确定划痕的严重等级。
检测设备会进一步计算每个连续区域中包含的像素点的个数与第二预设数值之间的差值，此差值的大小用以表示连续区域中包含的像素点个数大于第二预设数值的程度的高低。检测设备根据差值的大小确定划痕的严重等级，从而实现根据划痕的严重等级对有划痕的产品进行更细化的分级。
举例来说，当连续区域中包含的像素点的个数比第二预设数值多20个，此划痕为一级划痕；当连续区域中包含的像素点的个数比第二预设数值多40个，此划痕为二级划痕；当连续区域中包含的像素点的个数比第二预设数值多60个，此划痕为三级划痕，划痕的严重程度逐渐增加。
本实施例中，检测设备根据拍摄的原始图像中第一类像素点、第二像素点的灰度值获取与待检测产品对应的二值化阈值，二值化阈值的获取无需预先收集大量实验数据，大大缩短了二值化阈值的获取时间。进而，检测设备再根据此二值化阈值对原始图像进行二值化处理，根据各个像素点的二值化值对二值化处理后的图像进行去噪处理。然后，检测设备确定去噪处理后的图像中是否存在由预设二值化值构成的连续区域，以及每个连续区域内像素点的个数。若连续区域内像素点的个数大于第二预设数值，则表明此产品存在划痕，为缺陷产品。检测设备再进一步根据连续区域中像素点的个数大于第二预设数值的程度确定划痕的严重等级，以实现根据划痕的严重程度对缺陷产品进行进一步划分，这样也可以将划痕等级不同的缺陷产品应用到不同的实际场景中。
图3为本发明实施例提供的产品质量检测装置实施例一的结构示意图，如图3所示，该产品质量检测装置包括：获取模块11、二值化模块12、去噪模块13以及划痕确定模块14。
获取模块11，用于获取待检测产品的原始图像以及与待检测产品对应的二值化阈值。
二值化模块12，用于根据二值化阈值对原始图像进行二值化处理。
去噪模块13，用于对于二值化处理后的图像中的第一像素点，根据与第一像素点相邻的多个第二像素点的二值化值，对第一像素点进行去噪处理。
划痕确定模块14，用于确定去噪处理后的图像中是否含有划痕。
图3所示装置可以执行图1所示实施例的方法，本实施例未详细描述的部分，可参考对图1所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1所示实施例中的描述，在此不再赘述。
图4为本发明实施例提供的产品质量检测装置实施例二的结构示意图，如图4所示，在图3所示实施例基础上，该产品质量检测装置中的去噪模块13具体用于：
若多个第二像素点中与第一像素点的二值化值不同的第二像素点个数大于第一预设数值，则改变第一像素点的二值化值。
可选地，该产品质量检测装置中的划痕确定模块14具体用于：
确定去噪处理后的图像中是否含有由预设二值化值构成的连续区域。
若含有连续区域，并且连续区域中包含的像素点个数大于第二预设数值，则确定去噪处理后的图像中含有划痕。
可选地，该产品质量检测装置还包括：划痕等级确定模块21。
划痕等级确定模块21，用于根据连续区域中包含的像素点个数大于第二预设数值的程度，确定划痕的严重等级。
可选地，该产品质量检测装置中的获取模块11包括：
图像转换单元111，用于将原始图像转为灰度图像。
第一计算单元112，用于分别针对灰度图像中的任一灰度值，计算小于任一灰度值的第一类像素点的灰度均值和方差，以及计算大于或等于任一灰度值的第二类像素点的灰度均值和方差；以及根据第一类像素点的数量、第二类像素点的数量以及灰度图像中像素的总数量，分别计算第一类像素点和第二类像素点的概率。
第二计算单元113，用于根据如下函数计算任一灰度值对应的阈值参量：
其中，λ为预设权重值，0<λ<1，ψ为任一灰度值的阈值参量，μ1为第一类像素点的灰度均值，μ2为第二类像素点的灰度均值，σ1 2为第一类像素点的方差，σ2 2为第二类像素点的方差，p1为第一类像素点的概率，p2为第二类像素点的概率。
确定单元114，用于从全部灰度值中确定阈值参量中最大值对应的灰度值为二值化阈值。
图4所示装置可以执行图2所示实施例的方法，本实施例未详细描述的部分，可参考对图2所示实施例的相关说明。该技术方案的执行过程和技术效果参见图2所示实施例中的描述，在此不再赘述。
以上描述了产品质量检测装置的内部功能和结构，在一个可能的设计中，产品质量检测装置的结构可实现为一电子设备，例如划痕检测仪。图5为本发明实施例提供的电子设备实施例一的结构示意图，如图5所示，该电子设备包括：存储器31，以及与存储器连接的处理器32，存储器31用于存储电子设备执行上述任一实施例中提供的产品质量检测方法的程序，处理器32被配置为用于执行存储器31中存储的程序。
程序包括一条或多条计算机指令，其中，一条或多条计算机指令被处理器32执行时能够实现如下步骤：
获取待检测产品的原始图像以及与待检测产品对应的二值化阈值；
根据二值化阈值对原始图像进行二值化处理；
对于二值化处理后的图像中的第一像素点，根据与第一像素点相邻的多个第二像素点的二值化值，对第一像素点进行去噪处理；
确定去噪处理后的图像中是否含有划痕。
可选地，处理器32还用于执行前述各方法步骤中的全部或部分步骤。
其中，电子设备的结构中还可以包括通信接口33，用于电子设备与其他设备或通信网络通信。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述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产品的形式体现出来，该计算机产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种产品质量检测方法，其特征在于，包括：
获取待检测产品的原始图像以及与所述待检测产品对应的二值化阈值；
根据所述二值化阈值对所述原始图像进行二值化处理；
对于二值化处理后的图像中的第一像素点，根据与所述第一像素点相邻的多个第二像素点的二值化值，对所述第一像素点进行去噪处理；
确定去噪处理后的图像中是否含有划痕。
2.根据权利要求1所述的方法，其特征在于，所述根据与所述第一像素点相邻的多个第二像素点的二值化值，对所述第一像素点进行去噪处理，包括：
若所述多个第二像素点中与所述第一像素点的二值化值不同的第二像素点个数大于第一预设数值，则改变所述第一像素点的二值化值。
3.根据权利要求2所述的方法，其特征在于，所述确定去噪处理后的图像中是否含有划痕，包括：
确定所述去噪处理后的图像中是否含有由预设二值化值构成的连续区域；
若含有所述连续区域，并且所述连续区域中包含的像素点个数大于第二预设数值，则确定所述去噪处理后的图像中含有划痕。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述连续区域中包含的像素点个数大于所述第二预设数值的程度，确定所述划痕的严重等级。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述获取与所述待检测产品对应的二值化阈值，包括：
将所述原始图像转为灰度图像；
分别针对所述灰度图像中的任一灰度值，计算小于所述任一灰度值的第一类像素点的灰度均值和方差，以及计算大于或等于所述任一灰度值的第二类像素点的灰度均值和方差；
根据所述第一类像素点的数量、第二类像素点的数量以及所述灰度图像中像素的总数量，分别计算所述第一类像素点和所述第二类像素点的概率；
根据如下函数计算所述任一灰度值对应的阈值参量：
<mrow> <mi>&amp;psi;</mi> <mo>=</mo> <mi>&amp;lambda;</mi> <mfrac> <mrow> <mo>(</mo> <msub> <mi>&amp;mu;</mi> <mn>2</mn> </msub> <mo>-</mo> <mi>T</mi> <mi>h</mi> <mo>)</mo> <mo>(</mo> <mi>T</mi> <mi>h</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;mu;</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mfrac> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;lambda;</mi> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mn>1</mn> </msub> <msup> <msub> <mi>&amp;sigma;</mi> <mn>1</mn> </msub> <mn>2</mn> </msup> <mo>+</mo> <msub> <mi>p</mi> <mn>2</mn> </msub> <msup> <msub> <mi>&amp;sigma;</mi> <mn>2</mn> </msub> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow>
其中，λ为预设权重值，0<λ<1，ψ为所述任一灰度值的阈值参量，μ1为所述第一类像素点的灰度均值，所述μ2为所述第二类像素点的灰度均值，σ1 2为所述第一类像素点的方差，σ2 2为所述第二类像素点的方差，p1为所述第一类像素点的概率，p2为所述第二类像素点的概率；
从全部灰度值中确定阈值参量中最大值对应的灰度值为所述二值化阈值。
6.一种产品质量检测装置，其特征在于，包括：
获取模块，用于获取待检测产品的原始图像以及与所述待检测产品对应的二值化阈值；
二值化模块，用于根据所述二值化阈值对所述原始图像进行二值化处理；
去噪模块，用于对于二值化处理后的图像中的第一像素点，根据与所述第一像素点相邻的多个第二像素点的二值化值，对所述第一像素点进行去噪处理；
划痕确定模块，用于确定去噪处理后的图像中是否含有划痕。
7.一种电子设备，其特征在于，包括：存储器，以及与所述存储器连接的处理器；
所述存储器，用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理器调用执行；
所述处理器，用于执行所述一条或多条计算机指令以实现权利要求1至5中任一项所述的方法。
CN201711205921.1A 2017-11-27 2017-11-27 产品质量检测方法、装置及电子设备 Active CN107991309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711205921.1A CN107991309B (zh) 2017-11-27 2017-11-27 产品质量检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711205921.1A CN107991309B (zh) 2017-11-27 2017-11-27 产品质量检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN107991309A true CN107991309A (zh) 2018-05-04
CN107991309B CN107991309B (zh) 2021-03-19

Family

ID=62033524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711205921.1A Active CN107991309B (zh) 2017-11-27 2017-11-27 产品质量检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN107991309B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110794151A (zh) * 2019-10-30 2020-02-14 中山生物工程有限公司 用于检测血型卡质量的方法、装置、终端、介质及设备
CN110992328A (zh) * 2019-11-28 2020-04-10 京东方科技集团股份有限公司 暗点检测方法和装置
CN111667147A (zh) * 2020-05-11 2020-09-15 北京方升互联信息技术有限公司 一种检测服务产品的专业性定义方法
CN112070708A (zh) * 2020-08-21 2020-12-11 杭州睿琪软件有限公司 图像处理方法、图像处理装置、电子设备、存储介质
CN112150438A (zh) * 2020-09-23 2020-12-29 创新奇智(青岛)科技有限公司 断线检测方法、装置、电子设备及存储介质
CN112508937A (zh) * 2020-12-22 2021-03-16 北京百度网讯科技有限公司 生成划痕数据的方法、装置、电子设备和存储介质
CN112991294A (zh) * 2021-03-12 2021-06-18 梅特勒-托利多(常州)测量技术有限公司 异物检测方法、装置及计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105915763A (zh) * 2015-11-24 2016-08-31 乐视云计算有限公司 视频去噪与细节增强方法及装置
CN106204614A (zh) * 2016-07-21 2016-12-07 湘潭大学 一种基于机器视觉的工件外观缺陷检测方法
CN107103683A (zh) * 2017-04-24 2017-08-29 深圳怡化电脑股份有限公司 纸币识别方法和装置、电子设备和存储介质
CN107358598A (zh) * 2017-05-24 2017-11-17 上海视马艾智能科技有限公司 一种划痕检测方法与装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105915763A (zh) * 2015-11-24 2016-08-31 乐视云计算有限公司 视频去噪与细节增强方法及装置
CN106204614A (zh) * 2016-07-21 2016-12-07 湘潭大学 一种基于机器视觉的工件外观缺陷检测方法
CN107103683A (zh) * 2017-04-24 2017-08-29 深圳怡化电脑股份有限公司 纸币识别方法和装置、电子设备和存储介质
CN107358598A (zh) * 2017-05-24 2017-11-17 上海视马艾智能科技有限公司 一种划痕检测方法与装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YU QIAO 等: "Thresholding based on variance and intensity contrast", 《PATTERN RECOGNITION》 *
周丽娟: "基于遗传算法的柑橘图像分割", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110794151A (zh) * 2019-10-30 2020-02-14 中山生物工程有限公司 用于检测血型卡质量的方法、装置、终端、介质及设备
CN110992328A (zh) * 2019-11-28 2020-04-10 京东方科技集团股份有限公司 暗点检测方法和装置
CN110992328B (zh) * 2019-11-28 2024-04-02 京东方科技集团股份有限公司 暗点检测方法和装置
CN111667147A (zh) * 2020-05-11 2020-09-15 北京方升互联信息技术有限公司 一种检测服务产品的专业性定义方法
CN112070708A (zh) * 2020-08-21 2020-12-11 杭州睿琪软件有限公司 图像处理方法、图像处理装置、电子设备、存储介质
CN112070708B (zh) * 2020-08-21 2024-03-08 杭州睿琪软件有限公司 图像处理方法、图像处理装置、电子设备、存储介质
US11985287B2 (en) 2020-08-21 2024-05-14 Hangzhou Glority Software Limited Image processing method, image processing device, electronic apparatus and storage medium
CN112150438A (zh) * 2020-09-23 2020-12-29 创新奇智(青岛)科技有限公司 断线检测方法、装置、电子设备及存储介质
CN112150438B (zh) * 2020-09-23 2023-01-20 创新奇智(青岛)科技有限公司 断线检测方法、装置、电子设备及存储介质
CN112508937A (zh) * 2020-12-22 2021-03-16 北京百度网讯科技有限公司 生成划痕数据的方法、装置、电子设备和存储介质
CN112991294A (zh) * 2021-03-12 2021-06-18 梅特勒-托利多(常州)测量技术有限公司 异物检测方法、装置及计算机可读介质

Also Published As

Publication number Publication date
CN107991309B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN107991309B (zh) 产品质量检测方法、装置及电子设备
CN108714003B (zh) 基于灰度测量的固定桌面维护系统
CN109870461B (zh) 一种电子元器件质量检测系统
CN109671078B (zh) 一种产品表面图像异常检测方法及装置
CN107490582B (zh) 一种流水线工件检测系统
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
US20230011569A1 (en) Method and apparatus for detecting defect, device, and storage medium
CN111598801B (zh) 一种用于微弱Mura缺陷的识别方法
CN110070523B (zh) 一种用于瓶底的异物检测方法
CN113469997B (zh) 平面玻璃的检测方法、装置、设备和介质
CN111353984B (zh) 一种自适应鲁棒的灰度图像中液位高精度检测方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN111814852B (zh) 图像检测方法、装置、电子设备和计算机可读存储介质
CN116758075A (zh) 基于人工智能的吹风机电机运行故障检测方法
CN114495098A (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115797314B (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN108288274B (zh) 模具检测方法、装置以及电子设备
CN111753794A (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN110889817B (zh) 图像融合质量评价方法及装置
CN115953373A (zh) 玻璃缺陷检测方法、装置、电子设备及存储介质
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN107993223A (zh) 划痕检测方法、装置和电子设备

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