CN109242819B - 一种基于图像处理的表面擦伤缺陷联通的算法 - Google Patents

一种基于图像处理的表面擦伤缺陷联通的算法 Download PDF

Info

Publication number
CN109242819B
CN109242819B CN201810709718.6A CN201810709718A CN109242819B CN 109242819 B CN109242819 B CN 109242819B CN 201810709718 A CN201810709718 A CN 201810709718A CN 109242819 B CN109242819 B CN 109242819B
Authority
CN
China
Prior art keywords
defect
defects
image
entering
point
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.)
Expired - Fee Related
Application number
CN201810709718.6A
Other languages
English (en)
Other versions
CN109242819A (zh
Inventor
王柯赛
张洪
蒋梁中
林金燕
黄雄
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810709718.6A priority Critical patent/CN109242819B/zh
Publication of CN109242819A publication Critical patent/CN109242819A/zh
Application granted granted Critical
Publication of CN109242819B publication Critical patent/CN109242819B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30—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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像处理的表面擦伤缺陷联通的算法，首先识别出所有的缺陷，剔除掉擦伤缺陷中个别面积很小的缺陷，既没有对整个擦伤缺陷的造成很大的影响，同时也避免了小缺陷和线段生成的二次缺陷对整个擦伤缺陷带来的影响；然后对剩余的缺陷在一定的条件下进行相互的联通，通过计算相邻两缺陷轮廓间最短距离的两个点的连线，并对上述两个点用直线进行连接。由此，联通后的擦伤区域在尽可能不改变其本身的各种性质的条件下，成为一个独立的完整缺陷，且能代表其中的原有独立缺陷的特点；在后续的图像处理中，可对其二值图像进行求取相关特征描述，构建特征向量，由相关分类器进行识别判断缺陷的类型。

Description

一种基于图像处理的表面擦伤缺陷联通的算法
技术领域
本发明涉及图像处理领域，更具体地，涉及一种基于图像处理的表面擦伤缺陷联通的算法。
背景技术
随着生产技术和工艺的发展，人们对产品外观质量给予了足够的重视，特别是对于产品表面缺陷的考察，也日渐成为各行业的关注点。表面的缺陷不仅影响了包装、工艺品等这些以外观为重的产品的美观，还对某些金属、光纤等产品的性能产生了很大的影响。
目前，国内越来越多的企业运用机器视觉等相关技术，对生产线上的产品进行表面缺陷的在线检测。其关键技术是将缺陷区域从图像中分割出来后，进行图像的预处理，后对缺陷进行特征描述，进而利用各种分类器来识别缺陷的类型。
但对于少量类型的缺陷，如擦伤缺陷。在进行图像预处理时，用常规的形态学操作或者联通域操作将擦伤缺陷进行联通，会大大改变缺陷其本身实际的几何、形状等性质，导致后续的缺陷类型识别不准确。
发明内容
本发明为克服上述现有技术所述对于表面擦伤缺陷联通造作的不足，在尽可能小的改变擦伤缺陷实际性质的前提下，对离散的擦伤缺陷进行联通，使之成为一个独立完整的缺陷，提供一种基于图像处理的表面擦伤缺陷联通的算法。
为解决上述技术问题，本发明的技术方案如下：
一种基于图像处理的表面擦伤缺陷联通的算法，包括以下步骤：
S1.获取图像，设定最小缺陷面积阈值δ，使用图像轮廓查找算法对图像进行缺陷轮廓识别，并将图像中面积小于δ的缺陷移除；
S2.初始化参数，对每个缺陷轮廓进行标记，记为contours[i]，i代表当前第i+1的缺陷轮廓；
0<＝i<k，其中，k为缺陷轮廓的总数，每个缺陷轮廓均由一定数目的点组成；
S3.对每个缺陷轮廓进行和其他缺陷轮廓遍历比较的操作，计算相邻2个缺陷轮廓间的最小距离，并且将距离最小时的2个点进行直线连接，使相邻的2个缺陷轮廓联通、合并；
S4.输出经过联通缺陷的图像，算法结束。
进一步地，所述步骤S1中，缺陷移除的具体方式为如下：
计算缺陷面积，与所述阈值δ进行比较，若小于δ，则将该区域的灰度值设置为0；若缺陷面积大于δ，则不做处理，保留原本图像的灰度值。
进一步地，所述步骤S2中，初始化参数具体还包括以下步骤：
S201.设定最小距离minDistance，设i＝p＝q＝0。
进一步地，所述步骤S3采用OpenCV的函数进行遍历比较，在OpenCV中，contours.size()代表图像中所有的离散的缺陷轮廓的数量，contours[i].size()代表为第i个轮廓中点集的数目，步骤S3的具体过程包括以下步骤：
S301.判断i<contours.size()-1是否成立，如果是，则进入步骤S302，否则进入步骤S4；
S302.判断p<contours[i].size()是否成立，如果是，则进入步骤S303，否则进入步骤S307；
S303.判断q<contours[i+1].size()是否成立，如果是，则进入步骤S304；否则将p递增1，进入步骤S302；
S304.计算p点和q点之间的距离dis，将q递增1；
S305.判断dis<minDistance，如果成立，则进入步骤S306，否则进入步骤S303；
S306.将dis的值赋予minDistance，记录当前p点和q点的位置，进入步骤S303；
S307.在图像上，将p点和q点之间用直线进行连接，将minDistance设为1000，将i递增1，进入步骤S301。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过采用计算相邻两缺陷轮廓间最短距离的两个点的连线，从而将离散的缺陷进行联通，使多个缺陷构成一个整体，能较好地维持缺陷本身性质，便于后续对其二值图像进行求取相关特征描述，构建特征向量，继而便可由相关分类器进行识别判断缺陷的类型，增加了识别判断阶段的准确度。
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是基于图像处理的表面擦伤缺陷联通的算法流程示意图。
图2是剔除小缺陷前和剔除后的效果图。
图3是缺陷联通后的效果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
一种基于图像处理的表面擦伤缺陷联通的算法，其具体实施过程如图1所示，包括以下步骤：
S1.获取图像，设定最小缺陷面积阈值δ，使用图像轮廓查找算法对图像进行缺陷轮廓识别，并将图像中面积小于δ的缺陷移除；
S2.初始化参数，对每个缺陷轮廓进行标记，记为contours[i]，i代表当前第i+1的缺陷轮廓；
0<＝i<k，其中，k为缺陷轮廓的总数，每个缺陷轮廓均由一定数目的点组成；
S3.对每个缺陷轮廓进行和其他缺陷轮廓遍历比较的操作，计算相邻2个缺陷轮廓间的最小距离，并且将距离最小时的2个点进行直线连接，使相邻的2个缺陷轮廓联通、合并；
S4.输出经过联通缺陷的图像，算法结束。
在本实施例中，步骤S1中的缺陷移除的具体方式为如下：
擦伤缺陷包含很多离散的小缺陷，将每个离散的缺陷的面积计算出来后，与所设的阈值δ进行比较，以图2中带有离散缺陷的图像为例，若小于δ，则将该区域的灰度值置为0(黑色)；若面积大于δ，则不做处理，保留原本图像的灰度值(白色即缺陷)。
具体的，如图2中圈出的缺陷所示，这些缺陷本属于一个擦伤缺陷，但其面积较小，若继续后续的步骤，将离散的缺陷之间用直线连接，那么可能会出现连接的线段反而会比该小缺陷的面积更大，故将其剔除掉。本实例中，设定的阈值δ为50(即50个像素)，若离散的缺陷的面积(像素组成个数)小于50，则将该小区域的灰度值置为0(黑色)，若其面积大于50，则不做任何处理。经次处理后，便可达到将面积较小的区域剔除掉的目的，具体的效果如图2右侧。
在本实施例中，步骤S2中，初始化参数具体还包括以下步骤：
S201.设定最小距离minDistance，设i＝p＝q＝0。
在本实施例中，步骤S3采用OpenCV的函数进行遍历比较，在OpenCV中，contours.size()代表图像中所有的离散的缺陷轮廓的数量，contours[i].size()代表为第i个轮廓中点集的数目，步骤S3的具体过程包括以下步骤：
S301.判断i<contours.size()-1是否成立，如果是，则进入步骤S302，否则进入步骤S4；
S302.判断p<contours[i].size()是否成立，如果是，则进入步骤S303，否则进入步骤S307；
S303.判断q<contours[i+1].size()是否成立，如果是，则进入步骤S304；否则将p递增1，进入步骤S302；
S304.计算p点和q点之间的距离dis，将q递增1；
S305.判断dis<minDistance，如果成立，则进入步骤S306，否则进入步骤S303；
S306.将dis的值赋予minDistance，记录当前p点和q点的位置，进入步骤S303；
S307.在图像上，将p点和q点之间用直线进行连接，具体的连接方式如图3所示，采用白色线条将相邻的缺陷轮廓进行连接；将minDistance设为1000，将i递增1，进入步骤S301。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于图像处理的表面擦伤缺陷联通的算法，其特征在于，包括以下步骤：
S1.获取图像，设定最小缺陷面积阈值δ，使用图像轮廓查找算法对图像进行缺陷轮廓识别，并将图像中面积小于δ的缺陷移除；
S2.初始化参数，对每个缺陷轮廓进行标记，记为contours[i]，i代表当前第i+1的缺陷轮廓；
0<＝i<k，其中，k为缺陷轮廓的总数，每个缺陷轮廓均由一定数目的点组成；
S3.对每个缺陷轮廓进行和其他缺陷轮廓遍历比较的操作，计算相邻2个缺陷轮廓间的最小距离，并且将距离最小时的2个点进行直线连接，使相邻的2个缺陷轮廓联通、合并；
S4.输出经过联通缺陷的图像，算法结束；
所述步骤S3采用OpenCV的函数进行遍历比较，在OpenCV中，contours.size()代表图像中所有的离散的缺陷轮廓的数量，contours[i].size()代表为第i个轮廓中点集的数目，步骤S3的具体过程包括以下步骤：
S301.判断i＜contours.size()-1是否成立，如果是，则进入步骤S302，否则进入步骤S4；
S302.判断p＜contours[i].size()是否成立，如果是，则进入步骤S303，否则进入步骤S307；
S303.判断q＜contours[i+1].size()是否成立，如果是，则进入步骤S304；否则将p递增1，进入步骤S302；
S304.计算p点和q点之间的距离dis，将q递增1；
S305.判断dis＜minDistance，如果成立，则进入步骤S306，否则进入步骤S303；
S306.将dis的值赋予minDistance，记录当前p点和q点的位置，进入步骤S303；
S307.在图像上，将p点和q点之间用直线进行连接，将minDistance设为1000，将i递增1，进入步骤S301。
2.根据权利要求1所述的基于图像处理的表面擦伤缺陷联通的算法，其特征在于，所述步骤S1中，缺陷移除的具体方式为如下：
计算缺陷面积，与所述阈值δ进行比较，若小于δ，则将该区域的灰度值设置为0；若缺陷面积大于δ，则不做处理，保留原本图像的灰度值。
3.根据权利要求1所述的基于图像处理的表面擦伤缺陷联通的算法，其特征在于，所述步骤S2中，初始化参数具体还包括以下步骤：
S201.设定最小距离minDistance，设i＝p＝q＝0。
CN201810709718.6A 2018-07-02 2018-07-02 一种基于图像处理的表面擦伤缺陷联通的算法 Expired - Fee Related CN109242819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810709718.6A CN109242819B (zh) 2018-07-02 2018-07-02 一种基于图像处理的表面擦伤缺陷联通的算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810709718.6A CN109242819B (zh) 2018-07-02 2018-07-02 一种基于图像处理的表面擦伤缺陷联通的算法

Publications (2)

Publication Number Publication Date
CN109242819A CN109242819A (zh) 2019-01-18
CN109242819B true CN109242819B (zh) 2022-02-11

Family

ID=65071665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810709718.6A Expired - Fee Related CN109242819B (zh) 2018-07-02 2018-07-02 一种基于图像处理的表面擦伤缺陷联通的算法

Country Status (1)

Country Link
CN (1) CN109242819B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110441319B (zh) * 2019-09-09 2022-05-03 凌云光技术股份有限公司 一种外观缺陷的检测方法及装置
CN110728659A (zh) * 2019-09-17 2020-01-24 深圳新视智科技术有限公司 缺陷合并的方法、装置、计算机设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7526381B2 (en) * 2005-06-03 2009-04-28 Terahop Networks, Inc. Network aided terrestrial triangulation using stars (NATTS)
CN103914827B (zh) * 2013-09-06 2017-07-11 贵州大学 汽车密封条轮廓缺陷的视觉检测方法
CN106780438B (zh) * 2016-11-11 2020-09-25 广东电网有限责任公司清远供电局 基于图像处理的绝缘子缺陷检测方法及系统

Also Published As

Publication number Publication date
CN109242819A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN108280823B (zh) 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN104751142B (zh) 一种基于笔划特征的自然场景文本检测方法
CN102682428B (zh) 一种基于方向场的指纹图像计算机自动化修补方法
CN109241973B (zh) 一种纹理背景下的字符全自动软分割方法
CN108182671B (zh) 一种基于天空区域识别的单幅图像去雾方法
EP1300804A2 (en) Face detecting method by skin color recognition
CN114219805A (zh) 一种玻璃缺陷智能检测方法
CN109242819B (zh) 一种基于图像处理的表面擦伤缺陷联通的算法
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN106504225A (zh) 一种规则多边形的识别方法和装置
CN114863492A (zh) 一种低质量指纹图像的修复方法及修复装置
JP4062987B2 (ja) 画像の領域分割方法、画像の領域分割装置、画像の領域分割プログラム
CN110060239B (zh) 一种用于瓶子瓶口的缺陷检测方法
CN115272290A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN108205678B (zh) 一种含有亮斑干扰的铭牌文字识别处理方法
CN113129265B (zh) 瓷砖表面缺陷检测方法、装置及存储介质
CN110458012B (zh) 多角度人脸识别方法及装置、存储介质和终端
CN109426770B (zh) 虹膜识别方法
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
CN109145875B (zh) 一种人脸图像中的黑框眼镜去除方法及装置
JP2009134410A (ja) 彩色処理装置、彩色処理方法およびプログラム
CN113240668B (zh) 一种基于图像数字特征分布的生成熔池图像质量评估方法
JPH07311833A (ja) 人物の顔の検出装置
CN114067122A (zh) 一种两级式二值化图像处理方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220211