CN107993223A - 划痕检测方法、装置和电子设备 - Google Patents
划痕检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN107993223A CN107993223A CN201711207535.6A CN201711207535A CN107993223A CN 107993223 A CN107993223 A CN 107993223A CN 201711207535 A CN201711207535 A CN 201711207535A CN 107993223 A CN107993223 A CN 107993223A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray
- pixel points
- 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.)
- Pending
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种划痕检测方法、装置和电子设备,所述方法包括:获取待检测工件的原始图像以及与所述待检测工件对应的二值化阈值;根据所述二值化阈值对所述原始图像进行二值化处理;对二值化处理后的图像进行骨架提取处理;确定骨架提取处理后的图像中是否含有划痕。通过实施本方案的实施例,可以提高划痕检测效率。
Description
技术领域
本发明涉及工件质量检测技术领域,尤其涉及一种划痕检测方法、装置和电子设备。
背景技术
如今,随着工业的发展,人们对于工业制造的工件的质量要求越来越高,其中,查看工件的外观是否完好是反映工件质量高低最直观的方式。因此,从生产制造角度来讲,在生产工件后对其外观的检测至关重要,尤其是检测所生产工件表面是否有划痕。
现有的划痕检测方法主要为:检测人员人工地将待检测工件放置在显微镜下,进而进行人工检测,显微镜可以对外观的破损进行放大,进而方便检测人员进行观察以达到划痕检测目的。但是,以人工的方式进行划痕检测,检测效率极低。
发明内容
有鉴于此,本发明实施例提供一种划痕检测方法、装置和电子设备,用以提高划痕检测效率。
第一方面,本发明实施例提供了一种划痕检测方法,包括:
获取待检测工件的原始图像以及与所述待检测工件对应的二值化阈值;
根据所述二值化阈值对所述原始图像进行二值化处理;
对二值化处理后的图像进行骨架提取处理;
确定骨架提取处理后的图像中是否含有划痕。
第二方面,本发明实施例提供了一种划痕检测装置,包括:
获取模块,用于获取待检测工件的原始图像以及与所述待检测工件对应的二值化阈值;
第一处理模块,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;
第二处理模块,用于对二值化处理后的图像进行骨架提取处理;
确定模块,用于确定骨架提取处理后的图像中是否含有划痕。
第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器;其中,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被所述处理器执行时实现本发明实施例第一方面提供的划痕检测方法。
第四方面,本发明实施例还提供了一种存储有计算机程序的计算机可读存储介质,所述计算机程序使计算机执行时实现发明实施例第一方面提供的划痕检测方法。
本发明实施例所提供的一种划痕检测方法、装置和电子设备,通过图像识别的方式对待检测的工件进行划痕检测。对待检测工件进行拍照以得到原始图像,将原始图像进行二值化处理后接着进行骨架提取处理,以便在原始图像中存在划痕特征时,能够突出划痕,从而可以根据骨架提取处理后的图像确定待检测工件是否有划痕。本实施例中,二值化处理的阈值与待测工件对应,该阈值可以一定程度上将原始图像中可能存在的划痕与背景元素分割,通过提取骨架可以进一步突出划痕,以方便准确识别出图像中是否包含有划痕特征,从而实现工件划痕的自动化检测。通过该方案,可以自动化地、准确地实现对工件表面划痕的检测,提高了检测效率。
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划痕检测方法的流程图;
图2(a)为结构元素矩阵的可选矩阵形式;
图2(b)为结构元素矩阵的另一可选矩阵形式;
图2(c)为结构元素矩阵的再一可选矩阵形式;
图2(d)为结构元素矩阵的又一可选矩阵形式;
图3为图1所示实施例中步骤S104的可选实施方式的流程图;
图4(a)为预设二值化值对应的连续区域的可选示意图;
图4(b)为预设二值化值对应的连续区域的另一可选示意图;
图5为图1所示实施例中步骤S101的可选实施方式的流程图;
图6为本发明实施例提供的划痕检测装置的结构示意图;
图7为本发明实施例提供的电子设备的结构示意图。
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。
进一步值得说明的是,本发明各实施例中各步骤之间的顺序是可以调整的,不是必须按照以下举例的顺序执行。
本发明实施例提供的一种划痕检测方法,可以应用于电子设备。该电子设备可以为计算机,例如通用计算机、质量检测专用物理机等。具体地,本发明实施例提供的检测方法可以应用于运行在电子设备上的检测装置。该装置可以为工件质量检测软件、还可以为相关软件的功能插件。
如图1所示,本发明实施例提供的方法,包括如下步骤:
S101:获取待检测工件的原始图像以及与待检测工件对应的二值化阈值。
如今工业制造领域中大多使用机器对工件进行自动化生产,在生产过程中可能由于种种原因对导致工件的外观损坏,损坏工件外观轻则影响美观,若外观损坏程度严重可能影响工件的功能。因此,在生产工件后,需要对工件的外观进行检测。
由于生产线上的工件颜色千差万别,进而不同工件与其面表面可能存在的划痕的颜色差异不同,为了最大程度地凸显出工件表面颜色与其表面可能存在的划痕颜色的差别,本发明实施例中预先存储与各工件相对应的阈值表。在检测待检测工件之前,需要根据待检测工件确定相应的二值化阈值。
需要说明的是,本发明实施例中的原始图像可以为待检测工件某一个平面的图像,当然还可以为从某一个角度对待检测工件的两个、甚至多个平面拍摄的图像。本实施例中的原始图像可以为位图图像。
S102:根据二值化阈值对原始图像进行二值化处理。
可选的二值化处理的方式可以为:将二值化阈值与原始图像中每一像素点的灰度值进行比较;若该点灰度值大于上述二值化阈值,则将该点的灰度值更改为1,否则将该点的灰度值更改为0;或者,若该点灰度值大于上述二值化阈值,则将该点的灰度值更改为0,否则将该点的灰度值更改为1。可选地,可以根据现有的方法进行二值化处理,例如迭代法、最大类间误差法、最大熵法等等。
可以理解到的是,由于待检测工件可能存在的划痕颜色与待检测工件的正常表面颜色之间的差异,即上述划痕对应像素点的灰度值与正常表面对应像素点的灰度值分别位于二值化阈值两侧。进而本实施例经过二值化的图像中,待检测工件的正常表面对应像素点的灰度值为“0”、“1”中的其中一数值,可能存在的划痕则对应像素点的灰度值为“0”、“1”中的另一数值。
本实施例中,灰度值“1”对应的颜色可以为黑、白中一种颜色,而与灰度值“1”所对应的颜色相异,灰度值“0”对应的颜色可以为白、黑亮色中另一种颜色。
S103:对二值化处理后的图像进行骨架提取处理。
具体地,可以根据以下公式对二值化处理后的图像进行骨架提取处理:
其中,A为二值化处理后的图像所对应的像素矩阵,S(A)为骨架提取处理后的图像所对应的像素矩阵;Θ为腐蚀运算符,为开运算的运算符;k为腐蚀次数变量;B为用于腐蚀、开运算处理的结构元素矩阵;K为将二值化处理后的图像所对应的像素矩阵腐蚀为空集时的腐蚀次数,∪为并集运算符。
可选地,用于提取骨架的结构元素矩阵B可以为3×3矩阵,还可以为5×5矩阵。其中,结构元素矩阵B中预设的与划痕对应的二值化数值的位置分布呈现L型或十字型,也就是说,若与预设的与划痕对应的二值化数值为“1”,则“1”分布的位置呈现“L”型或“十”字型,如图2(a)、(b)所示;若与预设的与划痕对应的二值化数值为“0”,则“0”分布的位置呈现“L”型或“十”字型,如图2(c)、(d)所示。需要说明的是,划痕对应数值的位置分布形状还可以为“L”的关于水平线/竖直线对称的形状。
S104:确定骨架提取处理后的图像中是否含有划痕。
本实施例中的骨架提取处理即为图像处理中的骨架提取处理,也就是说,对二值化处理后的图像中可能存在的划痕进行骨架提取处理,若待检测工件表面存在划痕,经过骨架提取处理则可以将划痕区域的中心用清晰、明显的线条显现出来,进而可以判定待检测工件是否存在划痕。
可选地,判定方式为:判断图像中是否存在划痕对应的数值。若划痕对应数值为1,则判定骨架提取后的图像中是否存在“1”;若划痕对应数值为0,则判定骨架提取后的图像中是否存在“0”。
由此,本实施例中二值化处理的阈值与待测工件对应,该阈值可以一定程度上将原始图像中可能存在的划痕与背景元素分割,通过提取骨架可以进一步突出划痕,以方便准确识别出图像中是否包含有划痕特征,从而实现工件划痕的自动化检测。通过该方案,可以自动化地、准确地实现对工件表面划痕的检测,提高了检测效率。
以下列举图1实施例中步骤S104:确定骨架提取处理后的图像中是否含有划痕,这一步骤的可选实施方式。如图3所示,本实施例包括如下步骤:
S201:确定骨架提取处理后的图像中是否存在预设二值化值所对应的连续区域。
具体地,若规定划痕对应的预设二值化值为0,则可以通过图2(c)、(d)所示的结构元素矩阵进行骨架提取处理,进而判断骨架提取处理后的图像中是否存在灰度值为0的像素点组成的连续区域。
连续区域的形状随其所对应划痕的形状而变化,举例而言,若如图4(a)所示,划痕的形状为矩形,则上述连续区域为矩形的中轴线,若如图4(b)所示,划痕的形状为圆形,则上述连续区域为圆形的圆心。
可选地,若当机器检测到预设二值化值,则可以通过检测到的二值化值所对应像素点的坐标位置,判断其是否为连续区域。
S202:若存在连续区域并且连续区域的尺寸大于预设值,则确定骨架提取处理后的图像中有划痕。
S203:若不存在连续区域,则确定骨架提取处理后的图像中无划痕。
本实施例中,详细介绍了如何判断骨架提取操作后的图像中是否存在划痕,进而使得机器进行划痕检测。
以下列举一实施例,具体说明图1实施例步骤S101中二值化阈值的确定过程。如图5所示,本实施例可以包括如下步骤:
S301:将原始图像转为灰度图像。
具体转化方法,可以参照现有技术中的任一方法,本实施例不在此进行限定。
S302分别针对灰度图像中的任一灰度值,计算小于上述任一灰度值的第一类像素点的灰度均值和方差,以及计算大于上述任一灰度值的第二类像素点的灰度均值和方差。
S303:根据上述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分布。
可选地,具体计算方式如下:若设定第一类像素点的数量为n1,第二类像素点的数量为n2,灰度图像中像素的总数量为N,则第一类像素点的概率分布p1=n1/N,第二类像素点的概率分布p2=n2/N。
S304:根据如下函数计算上述任一灰度值对应的阈值参量:
其中,0<λ<1,ψ为上述任一灰度值的阈值参量,μ1为上述第一类像素点的灰度均值,μ2为上述第二类像素点的灰度均值,σ1 2为上述第一类像素点的方差,σ2 2为上述第二类像素点的方差,p1为上述第一类像素点的概率分布,p2为上述第二类像素点的概率分布。
需要说明的是,对于一个灰度值来说λ的数值不唯一。对于λ的取值,可以预先按规定一个取值偏移量,进而可以在区间(0,1)内进行选定。例如,若规定取值偏移量为0.2,则λ的数值为:0.2、0.4、0.6、0.8四个数值。由于λ数值的不唯一,一个灰度值可能对应多个阈值参量。
S305:确定各灰度值的阈值参量中最大值对应的灰度值为二值化阈值。
假设一个灰度值对应H个阈值参量,则从各个灰度值中对应的H个阈值参量中选取二值化阈值。举例而言,若当前存在255个灰度值,则阈值参量个数为255*H个,则从255*H个阈值参量中选取最大值,将上述最大值对应的灰度值作为二值化阈值。
相应于上述方法实施例,如图6所示,本发明还提供一种划痕检测装置,包括:
获取模块610,用于获取待检测工件的原始图像以及与所述待检测工件对应的二值化阈值;
第一处理模块620,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;
第二处理模块630,用于对二值化处理后的图像进行骨架提取处理;
确定模块640,用于确定骨架提取处理后的图像中是否含有划痕。
由此可见,本发明实施例可以自动化地、准确地实现对工件表面划痕的检测,提高了检测效率。
在一种可选实施方式中,所述第二处理模块630,具体用于:
根据以下公式对所述二值化处理后的图像进行骨架提取处理:
其中,A为所述二值化处理后的图像所对应的像素矩阵,S(A)为所述骨架提取处理后的图像所对应的像素矩阵;Θ为腐蚀运算符,为开运算的运算符;k为腐蚀次数变量;B为用于腐蚀、开运算处理的结构元素矩阵;K为将所述二值化处理后的图像所对应的像素矩阵腐蚀为空集时的腐蚀次数,∪为并集运算符。
在一种可选实施方式中,所述结构元素矩阵B中预设二值化值的位置分布呈现L型或十字型。
在一种可选实施方式中,所述确定模块640,包括:
第一确定子模块641,用于确定所述骨架提取处理后的图像中是否存在预设二值化值所对应的连续区域;
第二确定子模块642,用于若存在所述连续区域并且所述连续区域的尺寸大于预设值,则确定所述骨架提取处理后的图像中有划痕;
第三确定子模块643,用于若不存在所述连续区域,则确定所述骨架提取处理后的图像中无划痕。
在一种可选实施方式中,所述获取模块610,包括:
转换子模块611,用于将所述原始图像转为灰度图像;
第一计算子模块612,用于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,以及计算大于所述任一灰度值的第二类像素点的灰度均值和方差;
第二计算子模块613,用于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分布;
第三计算子模块614,用于根据如下函数计算所述任一灰度值对应的阈值参量:
其中,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分布,p2为所述第二类像素点的概率分布;
第四确定子模块615,用于确定各灰度值的阈值参量中最大值对应的灰度值为所述二值化阈值。
需要说明的是,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得较为简单,相关之处参见方法实施例的部分说明即可。
另外,如图7所示,本发明实施例提供了一种电子设备,包括存储器710和处理器720;其中,
所述存储器710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被所述处理器720执行时实现本发明实施例第一方面提供的划痕检测方法。
在一种可选实施方式中,本发明实施例还可以包括:通信接口730,用于执行主体与其他设备或通信网络通信。
本发明实施例还提供了一种存储有计算机程序的计算机可读存储介质,所述计算机程序使计算机执行时实现本发明实施例第一方面提供的划痕检测方法。
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 (8)
1.一种划痕检测方法,其特征在于,包括:
获取待检测工件的原始图像以及与所述待检测工件对应的二值化阈值;
根据所述二值化阈值对所述原始图像进行二值化处理;
对二值化处理后的图像进行骨架提取处理;
确定骨架提取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,所述对二值化处理后的图像进行骨架提取处理,包括:
根据以下公式对所述二值化处理后的图像进行骨架提取处理:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mrow>
<mi></mi>
<mo>&cup;</mo>
</mrow>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,A为所述二值化处理后的图像所对应的像素矩阵,S(A)为所述骨架提取处理后的图像所对应的像素矩阵;Θ为腐蚀运算符,为开运算的运算符;k为腐蚀次数变量;B为用于腐蚀、开运算处理的结构元素矩阵;K为将所述二值化处理后的图像所对应的像素矩阵腐蚀为空集时的腐蚀次数,∪为并集运算符。
3.根据权利要求2所述的方法,其特征在于,所述结构元素矩阵B中预设二值化值的位置分布呈现L型或十字型。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述确定骨架提取处理后的图像中是否含有划痕,包括:
确定所述骨架提取处理后的图像中是否存在预设二值化值所对应的连续区域;
若存在所述连续区域并且所述连续区域的尺寸大于预设值,则确定所述骨架提取处理后的图像中有划痕;
若不存在所述连续区域,则确定所述骨架提取处理后的图像中无划痕。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述获取与所述待检测工件对应的二值化阈值,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分布;
根据如下函数计算所述任一灰度值对应的阈值参量:
其中,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,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分布,p2为所述第二类像素点的概率分布;
确定各灰度值的阈值参量中最大值对应的灰度值为所述二值化阈值。
6.一种划痕检测装置,其特征在于,包括:
获取模块,用于获取待检测工件的原始图像以及与所述待检测工件对应的二值化阈值;
第一处理模块,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;
第二处理模块,用于对二值化处理后的图像进行骨架提取处理;
确定模块,用于确定骨架提取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,包括存储器和处理器;其中,
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被所述处理器执行时实现如权利要求1至5中任一项所述的划痕检测方法。
8.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序使计算机执行时实现如权利要求1至5中任一项所述的划痕检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711207535.6A CN107993223A (zh) | 2017-11-27 | 2017-11-27 | 划痕检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711207535.6A CN107993223A (zh) | 2017-11-27 | 2017-11-27 | 划痕检测方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107993223A true CN107993223A (zh) | 2018-05-04 |
Family
ID=62032188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711207535.6A Pending CN107993223A (zh) | 2017-11-27 | 2017-11-27 | 划痕检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993223A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111324A (zh) * | 2019-05-14 | 2019-08-09 | 浙江中正智能科技有限公司 | 图像传感器表面划痕检测方法 |
CN110852990A (zh) * | 2019-10-09 | 2020-02-28 | 北京理工华汇智能科技有限公司 | 一种基于图像处理的橡胶树斜刀痕检测方法 |
CN112052823A (zh) * | 2020-09-17 | 2020-12-08 | 江苏怀业信息技术股份有限公司 | 目标检测方法和装置 |
CN113781406A (zh) * | 2021-08-20 | 2021-12-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件的划痕检测方法、装置及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05180636A (ja) * | 1991-12-27 | 1993-07-23 | Matsushita Electric Ind Co Ltd | 配線パターン検査装置 |
CN102411777A (zh) * | 2011-06-15 | 2012-04-11 | 夏东 | 一种印刷品划痕缺陷检测方法 |
CN102937593A (zh) * | 2012-10-20 | 2013-02-20 | 山东理工大学 | 陶瓷天线罩裂纹自动检测方法 |
CN106920233A (zh) * | 2017-02-24 | 2017-07-04 | 中国人民解放军国防科学技术大学 | 基于图像处理的划痕检测方法、装置及电子设备 |
-
2017
- 2017-11-27 CN CN201711207535.6A patent/CN107993223A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05180636A (ja) * | 1991-12-27 | 1993-07-23 | Matsushita Electric Ind Co Ltd | 配線パターン検査装置 |
CN102411777A (zh) * | 2011-06-15 | 2012-04-11 | 夏东 | 一种印刷品划痕缺陷检测方法 |
CN102937593A (zh) * | 2012-10-20 | 2013-02-20 | 山东理工大学 | 陶瓷天线罩裂纹自动检测方法 |
CN106920233A (zh) * | 2017-02-24 | 2017-07-04 | 中国人民解放军国防科学技术大学 | 基于图像处理的划痕检测方法、装置及电子设备 |
Non-Patent Citations (4)
Title |
---|
YU QIAO 等: "Thresholding based on variance and intensity contrast", 《PATTERN RECOGNITION》 * |
刘超 等: "基于颗粒分析和骨架化的车道线检测方法", 《计算机应用与软件》 * |
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》 * |
彭铁根 等: "基于数字图像处理的带钢缺陷检测和度量", 《宝钢技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111324A (zh) * | 2019-05-14 | 2019-08-09 | 浙江中正智能科技有限公司 | 图像传感器表面划痕检测方法 |
CN110852990A (zh) * | 2019-10-09 | 2020-02-28 | 北京理工华汇智能科技有限公司 | 一种基于图像处理的橡胶树斜刀痕检测方法 |
CN110852990B (zh) * | 2019-10-09 | 2023-02-24 | 北京理工华汇智能科技有限公司 | 一种基于图像处理的橡胶树斜刀痕检测方法 |
CN112052823A (zh) * | 2020-09-17 | 2020-12-08 | 江苏怀业信息技术股份有限公司 | 目标检测方法和装置 |
CN113781406A (zh) * | 2021-08-20 | 2021-12-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件的划痕检测方法、装置及计算机设备 |
CN113781406B (zh) * | 2021-08-20 | 2024-04-02 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件的划痕检测方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993223A (zh) | 划痕检测方法、装置和电子设备 | |
CN107301637B (zh) | 近矩形平面状工业产品表面瑕疵检测方法 | |
CN111815630A (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN106846352B (zh) | 一种用于镜头解析力测试的刀口图片获取方法和装置 | |
CN108827181B (zh) | 一种基于视觉的板材表面检测方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN114022403A (zh) | 检测显示面板不良的方法及装置 | |
CN112465809B (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 | |
CN109509200A (zh) | 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质 | |
CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN113538603B (zh) | 一种基于阵列产品的光学检测方法、系统和可读存储介质 | |
CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
CN106815830B (zh) | 图像的缺陷检测方法 | |
CN116519707A (zh) | 基于机器视觉的锂电池缺陷检测方法、装置及电子设备 | |
CN114119535A (zh) | 基于视觉检测的激光清洗效果在线监测方法 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN111462056A (zh) | 工件表面缺陷检测方法、装置、设备及存储介质 | |
CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 | |
CN114998217A (zh) | 确定玻璃基板缺陷等级的方法、计算机设备及存储介质 | |
CN111223078A (zh) | 瑕疵等级判定的方法及存储介质 | |
CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
CN117474839A (zh) | 工件缺陷检测方法、装置、电子设备及存储介质 | |
CN109211919B (zh) | 磁瓦崩缺区域的识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |