CN109632808A - 棱边缺陷检测方法、装置、电子设备及存储介质 - Google Patents

棱边缺陷检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN109632808A
CN109632808A CN201811478391.2A CN201811478391A CN109632808A CN 109632808 A CN109632808 A CN 109632808A CN 201811478391 A CN201811478391 A CN 201811478391A CN 109632808 A CN109632808 A CN 109632808A
Authority
CN
China
Prior art keywords
seamed edge
image
image block
defect
block
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
CN201811478391.2A
Other languages
English (en)
Other versions
CN109632808B (zh
Inventor
彭业萍
吴敏
曹广忠
阮松波
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201811478391.2A priority Critical patent/CN109632808B/zh
Publication of CN109632808A publication Critical patent/CN109632808A/zh
Application granted granted Critical
Publication of CN109632808B publication Critical patent/CN109632808B/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (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)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种棱边缺陷检测方法，包括：获取待测设备的棱边图像，将所述棱边图像划分为多个图像块，分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果，当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。本发明还提供了一种棱边缺陷检测装置、电子设备及存储介质。本发明例突破了现有技术中无法检测设备棱边缺陷的问题，且采用本发明实施例的检测结果准确、便捷。

Description

棱边缺陷检测方法、装置、电子设备及存储介质
技术领域
本发明涉及图像检测技术领域，尤其涉及一种棱边缺陷检测方法、装置、电子设备及存储介质。
背景技术
现有的表面图像检测技术主要针对小尺寸物体如手机外壳、水果和光学元件等或表面形貌单一的大尺寸物体如钢板、皮革和液晶显示器等展开研究。而对于大尺寸产品的整体外观检测没有合适的方法。传统的基于人工检测的外观质量检测方法效率低，误差率高。此外，由于周围环境的影响，人工检测结果有时不一致。大尺寸产品的表面缺陷检测，对摄像头、光源等图像采集系统的硬件性能要求较高，相应的图像处理操作流程较为复杂，因此大多采用红外光谱、激光或线阵相机扫描等方式获取大尺寸物体的表面信息。但扫描系统需要借助移动装置，扫描效率依赖移动速度，当目标物体较大，且需要完成立体多角度扫描时，不仅对移动装置要求较高，增加成本，且扫描耗时，效率降低，使其应用受到极大限制。
现有的适用于表面缺陷自动检测方法可分为四大类：滤波方法、结构方法、基于模型技术方法和统计方法。基于滤波的方法，如采用小波变换和Gabor滤波等滤波方法去除图像噪声，增强有利于缺陷检测的特征信息；基于结构的方法，如形态学操作和边缘检测，可以用来检测产品纹理信息缺陷；基于模型技术方法，如建立一个标识利用隐马尔可夫模型和自回归模型进行缺陷检测；基于统计方法，如直方图、共现矩阵和自相关函数，可构造图像像素的灰度分布以获取缺陷信息。
然而，上述方法大多集中在表面缺陷的检测上，没有考虑到产品边界上的缺陷。
发明内容
本发明的主要目的在于提出一种棱边缺陷检测方法、装置、电子设备及存储介质，能够检测到设备棱边的缺陷问题。
为实现上述目的，本发明提供的一种棱边缺陷检测方法，用于检测待测设备的棱边缺陷，其特征在于，所述方法包括步骤：
获取待测设备的棱边图像；
将所述棱边图像划分为多个图像块；
分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果；
当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。
可选的，所述获取待测设备的棱边图像，具体包括：
采集所述待测设备的表面图像，所述待测设备的棱边位于所述表面的边缘；
对所述表面图像进行滤波处理，得到第一梯度图像和第二梯度图像；
通过图像阈值分割算法对所述第二梯度图像划分出棱边的目标区域；
从所述目标区域中分别提取水平棱边区域和垂直棱边区域；
从所述水平棱边区域和垂直棱边区域中分别提取水平棱边骨架和垂直棱边骨架；
对所述水平棱边骨架和所述垂直棱边骨架采用最小二乘法拟合，确定水平棱边最优直线和垂直棱边最优直线；
根据所述水平棱边最优直线和所述第一梯度图像，提取到所述水平棱边图像；根据所述垂直棱边最优直线和所述第二梯度图像，提取到所述垂直棱边图像。
可选的，所述对所述表面图像进行滤波处理，得到第一梯度图像和第二梯度图像，具体包括：
对所述表面图像进行梯度锐化提取棱边信息，得到所述第一梯度图像；
对所述表面图像进行基于频域的高通滤波增强图像的高频信息在滤除干扰的情况下保留缺陷信息，再进行梯度锐化提取棱边信息，得到所述第二梯度图像。
可选的，所述方法还包括：
判断所述水平棱边骨架和所述垂直棱边骨架是否与图像块中心对称线存在偏差；
若是，则对所述棱边采用图像插值方法修正位置偏差，得到修正后的棱边图像。
可选的，所述将所述棱边图像划分为多个图像块，具体包括：
确定所述棱边的起点坐标和终点坐标；
将所述棱边图像以棱边区域中心线为对称轴，分别沿第一方向和第二方向扩展e个像素点，其中，所述第一方向与第二方向相反，e为正整数；
以h个像素点为高，2e+1个像素点为宽，将所述棱边图像划分为连续的多个图像块。
可选的，所述方法还包括：
基于所述多个图像块的特征差异，通过对大量的图像块样本的灰度长轴分布进行统计，建立高斯分布模型，以得到图像块正常的概率函数并确定图像块正常的概率阈值。
可选的，所述分别检测每个待测图像块是否存在缺陷，具体包括：
分别计算每个图像块的灰度长轴，带入所述高斯分布模型的图像块正常的概率函数，计算得到图像块正常的概率；
当所述概率小于所述图像块正常的概率阈值时，则检测所述图像块存在缺陷。
此外，为实现上述目的，本发明还提出一种棱边缺陷检测装置，用于检测待测设备的棱边缺陷，所述装置包括：
图像获取模块，用于获取待测设备的棱边图像；
划分模块，用于将所述棱边图像划分为多个图像块；
检测模块，用于分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果；
缺陷确定模块，用于当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。
此外，为实现上述目的，本发明还提出一种电子设备，所述电子设备包括处理器以及存储器；所述处理器用于执行存储器中存储的棱边缺陷检测程序，以实现上述的方法。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的方法。
本发明公开了一种棱边缺陷检测方法、装置、电子设备及存储介质，通过获取待测设备的棱边图像，将所述棱边图像划分为多个图像块，分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果，当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。相比于现有技术，本发明例突破了现有技术中无法检测设备棱边缺陷的问题，且采用本发明实施例的检测结果准确、便捷。
附图说明
图1为本发明较佳实施例提供的棱边检测系统的结构示意图；
图2为本发明较佳实施例提供的棱边缺陷检测方法的流程示意图；
图3为本发明较佳实施例提供的棱边缺陷检测方法的子流程示意图；
图4为本发明较佳实施例提供的棱边缺陷检测方法的另一子流程示意图；
图5为本发明较佳实施例提供的棱边缺陷检测方法的另一子流程示意图；
图6为本发明较佳实施例提供的图像块划分示意图；
图7为本发明较佳实施例提供的棱边缺陷检测装置的模块示意图；
图8为本发明较佳实施例提供的电子设备的模块示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
如图1所示，为本申请较佳实施例提供的棱边缺陷检测系统的结构示意图。在图1中，棱边缺陷检测系统包括待测设备10、工业相机20、光源30及电子设备40。其中，待测设备10为检测对象，待测设备10的检测区域可以划分为表面11和棱边12，表面11的两侧为棱边12。工业相机20用于拍摄待测设备10，并采集待测设备10的图像。从图1可以看出，光源30正对着待测设备10的表面11和棱边12。在本实施例中，为突出棱边12的轮廓信息，系统在待测设备10的检测表面11的两侧安装了两个条形光源30。工业相机20采集图像后通过串口数据线传输至电子设备40中进行处理，以检测待测设备10的棱边12是否存在缺陷。
可选的，本实施例中的待测设备10为电气柜。
可选的，工业相机20的视场范围为1.0m×1.2m(宽×高)。
本实施例中，光源30从待测设备10的两侧进行照射，导致待测设备10在水平和垂直方向的棱边12的灰度分布有所区别。由于棱边12的曲面对条形光照的反射造成水平方向的棱边灰度值是缓慢递增的，而垂直方向的棱边灰度值出现了局部震荡。因此，对于电气柜的棱边缺陷检测，需要分别针对水平和垂直棱边进行处理。
如图2所示，为本发明较佳实施例提供的棱边缺陷检测方法的流程示意图。在图2中，所述棱边缺陷检测方法包括：
步骤210，获取待测设备的棱边图像；
步骤220，将所述棱边图像划分为多个图像块；
步骤230，分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果；
步骤240，当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。
具体的，在步骤210中，通过图1中的工业相机20获取待测设备的棱边12的图像，称之为棱边图像。
更具体的，请参照图3，步骤210具体包括：
步骤310，采集所述待测设备的表面图像，所述待测设备的棱边位于所述表面的边缘。
具体的，工业相机先获取待测设备的表面图像。
步骤320，对所述表面图像进行滤波处理，得到第一梯度图像和第二梯度图像。
具体的，如图4所示，步骤320具体包括：
步骤410，对所述表面图像进行梯度锐化提取棱边信息，得到所述第一梯度图像；
步骤420，对所述表面图像进行基于频域的高通滤波增强图像的高频信息在滤除干扰的情况下保留缺陷信息，再进行梯度锐化提取棱边信息，得到所述第二梯度图像。
在本实施例中，采用基于频域的图像滤波方法，达到在滤除干扰的情况下保留缺陷信息的目的。可使用的滤波方法包括傅里叶变换滤波、小波变换滤波和Gabor变换滤波。
步骤330，通过图像阈值分割算法对所述第二梯度图像划分出棱边的目标区域。
步骤340，从所述目标区域中分别提取水平棱边区域和垂直棱边区域。
具体的，采用图像阈值分割算法划分棱边的目标区域，进而通过图像形态学腐蚀运算分别提取水平方向和垂直方向的棱边ROI。
基于边缘检测算法的计算结果的基础上，采用图像形态学运算进行腐蚀处理，可将非棱边区域进行滤除。由于棱边12的水平方向和垂直方向的尺寸相对于表面11内部其他区域的尺寸较大，因此，可以继续进行腐蚀和膨胀操作，即可分别获得垂直棱边区域和水平棱边区域。
可选的，本实施例中的边缘检测为Sobel(索贝尔)边缘检测算子。在其他实施例中，还可以采用Roberts算子，Laplace算子，Prewitt算子，和Kirsch算子，对待测设备的图像进行边缘检测。
步骤350，从所述水平棱边区域和垂直棱边区域中分别提取水平棱边骨架和垂直棱边骨架。
具体的，为了方便表述，以下将水平棱边骨架和垂直棱边骨架简称为棱边骨架。由于真实的棱边相比于划分得到的棱边的目标区域较小，而且基于待测设备的形状规则，待测设备的棱边为直线，本实施例通过结合细化算法和最小二乘直线拟合方法实现垂直和水平方向棱边的准确定位。通过对棱边二值图像进行腐蚀细化，得到单层像素宽度，可实现棱边的骨架提取。在本实施例中，可以采用以下任一种细化算法，包括OPTA算法、K3M算法和Zhang-Suen算法，以提取得到棱边骨架。通过运算速度对比，K3M算法相比于其他两种算法的运行速度更快，本实施例优选采用K3M算法作为棱边骨架提取的细化算法。
步骤360，对所述水平棱边骨架和所述垂直棱边骨架采用最小二乘法拟合，确定水平棱边最优直线和垂直棱边最优直线。
具体的，分别将水平棱边区域与表面图像的梯度图、垂直棱边区域与表面图像滤波后的梯度图相融合，通过区域缩小处理提取目标水平棱边和垂直棱边。
当棱边上出现缺陷或者受噪声干扰时，棱边骨架的位置会发生偏移，而理论上电气柜的棱边应为直线，这就需要进行骨架的直线拟合以寻找水平棱边和垂直棱边的最优直线。在本实施例中，可以采用Hough变换、最小二乘法、Huber加权最小二乘法和Bisquare加权最小二乘法对棱边进行直线拟合。经过试验，可以看到通过Hough变换、最小二乘法和Huber加权最小二乘法拟合的直线出现了不同程度的偏差，其中，基于Hough变换的棱边直线拟合偏差最大。相比之下，基于Bisquare加权最小二乘法拟合的效果最好，在此基础上，通过结合经过增强锐化的电气柜表面图像，即可提取得到电气柜的棱边图像。
步骤370，根据所述水平棱边最优直线和所述第一梯度图像，提取到所述水平棱边图像；根据所述垂直棱边最优直线和所述第二梯度图像，提取到所述垂直棱边图像。
进一步的，本实施例的棱边缺陷检测方法还包括：
判断所述水平棱边骨架和所述垂直棱边骨架是否经过与图像块中心对称线存在偏差；
若是，则对所述棱边采用图像插值方法修正位置偏差，得到修正后的棱边图像；
若是，则不需要对棱边图像进行修正。
具体的，受待测设备的放置以及工业相机的安装问题的影响，棱边并非绝对垂直和绝对水平，因此，需要考虑棱边偏差Δx：Δx＝xE-xB，其中，xe代表：棱边的终点坐标，xb代表：棱边的起点坐标。
此时，仍然要保证棱边为图像块的对称中心，则需要对棱边误差进行修正，修正后得到的图像块表示为：
从上述公式可以看出，经过修正后，棱边与图像块中心对称线仍存在偏差。为解决该问题，本实施例进一步采用图像插值的方法提高图像块划分的准确度。常见的图像插值方法有最邻近插值何双线性插值。其中，双线性插值算法双线性插值又叫一阶插值法，要经过三次插值才能获得最终结果，是对最近邻插值法的一种改进。经过插值运算后的图像块，其位置偏差得到了很好地修正，棱边为图像块的对称中心。
进一步的，如图5所示，步骤220的将所述棱边图像划分为多个图像块，具体包括：
步骤510，确定所述棱边的起点坐标和终点坐标；
步骤520，将所述棱边图像以棱边区域中心线为对称轴，分别沿第一方向和第二方向扩展e个像素点，其中，所述第一方向与第二方向相反，e为正整数；
步骤530，以h个像素点为高，2e+1个像素点为宽，将所述棱边图像划分为连续的多个图像块。
具体的，对于长宽比远大于一定阈值(例如100)的棱边图像，需要先将其划分许多个小的图像块，进而检测每个图像块中是否存在缺陷，最终统计分析实现整条棱边的缺陷检测。确定棱边的起点坐标(xB,yB)和终点坐标(xE,yE)。根据图6所示的图像块划分示意图；对棱边图像进行图像块划分。以棱边区域中心线为对称轴向左右扩展e个像素点，然后将拓展的棱边图像f(x,y)以高为h个像素点，宽为2e+1个像素点划分为连续图像块。在图6中，将有缺陷区域(detect area)被标记为“1”，无缺陷区域的像素点被标记为“0”。
划分所得的图像块Ib的数学表达式为：
对于水平棱边的图像块划分，将其旋转90度，即可根据上述垂直棱边的划分方法实现。在垂直方向上，划分的各个图像块的横坐标相一致，可得：
xB＝xE
此外，图像块是以棱边为中心的对称图像，此时，图像块Ib的数学表达式变为：
其中，Nx为图像块总数，为棱边长度与图像块高度的比值，且图像块总数应取整数。为保证整条棱边均被划分为完整图像块，Nx的表达式为：
式中，表示取整数。
在本实施例中，在划分图像块时，若图像块过小，图像块的特征会受到棱边表面纹理的干扰而造成误差，影响缺陷检测的准确度。若图像块过大，缺陷区域所占图像块的比例较小，导致图像块中有无缺陷时的图像块的特征差异不明显，从而难以检测出缺陷。因此，合适大小的图像块的划分对于保证缺陷检测的准确率具有重要意义。为了提高图像块大小的准确性，本实施例引入相关系数法确定图像块大小，即根据图像块的灰度长轴值与其图像块标签的相关性来确定图像块划分的参数，相关性越大则该参数越适合于图像块的划分。
“图像块标签”指的是异常检测算法输入的二进制标签，用来表示该数据是否为异常点。如图6所示，先对每个棱边中心区域的像素点进行二进制标记。有缺陷区域被标记为“1”，无缺陷区域的像素点被标记为“0”。划分图像块后，统计每个图像块中像素点标签值的总和，当总和为0时，图像块标签lpatch被记为“0”，即lpatch＝0，表示为无缺陷的图像块；当总和大于0时，图像块被标记为“1”，即lpatch＝1，表示为有缺陷的图像块。
得到图像块灰度长轴Ra和图像块标签lpatch后，即可计算这两个参数之间的相关系数，较为常用的为卡尔·皮尔逊提出的皮尔逊相关系数r。其表达式如下：
其中，M为划分所得的图像块总数；lpatch(m)和Ra(m)分别表示第m个图像块的标签值和灰度长轴值；μpatch是M个图像块中被标记像素点标签值的均值，μRa是M个图像块的特征值均值；r的取值范围在-1到1之间，其绝对值越接近于1说明相关性越大。
根据棱边的提取结果可知棱边中心区域为3个像素点，因此分别取高h和扩展值e为3-8个像素点，计算图像块的灰度主轴与标签值的相关系数。为使结果更具有一般性，计算不同光照条件下的相关系数值并取均值。
根据实验结果，当h＝4，e＝5时，图像块的灰度主轴与缺陷标签的相关系数最大，为0.8341，此时划分的图像块更易于检测出缺陷。
当e＝4时，若h＝3，图像块高度过小，缺陷所占据图像块区域的比例较高，则图像块灰度主轴Ra的波动较大，难以鉴别微小缺陷，造成检测误差；若h＝7，图像块高度过大，缺陷所占据图像块区域的比例较小，则图像块灰度主轴Ra的变化平缓，局部细微缺陷难以识别，同样造成较大的检测误差；若h＝5，相比之下，图像块灰度主轴Ra既没有较大波动，也能通过Ra的变化较好地区分有缺陷和无缺陷状态。
当h＝4时，若e＝2，图像块扩展值过小，难以通过Ra的变化趋势检测缺陷；若e＝6，图像块扩展值过大，棱边的边缘区域有可能会被划分为图像块区域，对缺陷检测造成干扰，引起误差；若e＝4，可以看到，Ra受缺陷影响显著，未出现边缘检测干扰，更有助于确保缺陷检测的准确度。
可选的，本实施例的棱边缺陷检测方法，进一步还包括：
基于所述多个图像块的特征差异，通过对大量的图像块样本的灰度长轴分布进行统计，建立高斯分布模型，以得到图像块正常的概率函数并确定图像块正常的概率阈值。
具体的，陷检测时首先需要有一个“正常”样本数据模型，进而将偏离这个正常样本模型的数据判别为“异常”，即视之为有缺陷。选择合适的正常模型和偏离参数成为缺陷检测的关键。假设在实际生产过程中，产品产生缺陷的影响因素相互独立且随机，则可认为缺陷的产生服从正态分布，因此本文采用高斯分布模型建立缺陷检测系统中的正常样本数据模型。令N个样本为X＝{x1,…,xN}，则样本特征值分布的图像块正常的概率函数p为：
其中，μ为样本均值；σ为样本分布的标准差。
从上述公式可知，要想获得样本X的图像块正常的概率函数p，需要先确定μ和σ的值，最常用的方法为最大似然估计法。对于N个相互独立且服从高斯分布的样本，其对数似然函数为：
则有：
当对数似然函数的导数为0时，可求得其为最大值时对应的最优估计参数，则求解：
得：
结合上述公式即可求得样本的图像块正常的概率函数。设定图像块正常的概率阈值θp，当待测样本Z的图像块正常的概率大于该阈值时，则该样本属于正常样本，棱边无缺陷；反之，棱边有缺陷，属于异常样本。其二进制标签表达式为：
需要指出的是，图像块正常的概率阈值θp的确定会直接影响判断结果的精度和召回率，通常需要迭代运算调整获得最佳阈值，符合预先设定的准确率fT+的要求，此时的阈值θfT+表示为：
对应的，步骤330具体包括：
分别计算每个图像块的灰度长轴，带入所述高斯分布模型的图像块正常的概率函数，计算得到图像块正常的概率；
当所述概率小于所述图像块正常的概率阈值时，则检测所述图像块存在缺陷。
具体的，在本实施例中，将灰度长轴作为图像块异常检测的特征参数。灰度区域长轴可通过引入图像矩计算得到。由于图像矩是一种不受光线、噪声及几何形变的影响的稳定性强的图像特征描述指标。灰度图像f(x,y)的图像矩的定义为：
其中，图像矩mp,q的阶数为指数p和q的总和，p和q分别代表x轴和y轴的灰度矩阶数。分别采用x轴和y轴方向上的一阶矩(m1,0和m0,1)和图像原点矩m0,0可求得图像的质心坐标(xc,yc)：
进而，可以求解图像的中心矩μp,q：
图像灰度长轴对应着图像惯性主轴的长轴，可通过图像的二阶矩求得。图像惯性主轴的半长轴λ1和半短轴λ2的计算式为：
如此，即可计算出图像块异常特征指标，即：图像灰度长轴为λ1的2倍，即Ra＝2λ1。
根据计算得到的灰度长轴，结合图像块正常的概率函数，计算得到图像块正常的概率。当图像块正常的概率小于所述图像块正常的概率阈值时，则检测所述图像块存在缺陷。
本实施例中，根据检测结果，当任一一个图像块存在缺陷时，则判定待测设备的棱边存在缺陷。
本实施例的棱边缺陷检测方法，通过获取待测设备的棱边图像，将所述棱边图像划分为多个图像块，分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果，当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。相比于现有技术，本实施例突破了现有技术中无法检测设备棱边缺陷的问题，且采用本实施例的检测结果准确、便捷。
如图7所示，为本发明另一实施例提供一种棱边缺陷检测装置硬件架构的示意图。在图7中，该棱边缺陷检测装置用于检测待测设备的棱边缺陷，包括一个或者多个模块，以实现上述实施例的棱边缺陷检测方法，具体的，棱边缺陷检测装置包括图像获取模块710、划分模块720、检测模块730和缺陷确定模块740，其中，
图像获取模块710，用于获取待测设备的棱边图像；
划分模块720，用于将所述棱边图像划分为多个图像块；
检测模块730，用于分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果；
缺陷确定模块740，用于当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。
本实施例的棱边缺陷检测装置，通过图像获取模块710获取待测设备的棱边图像，划分模块720将所述棱边图像划分为多个图像块，检测模块730分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果，当任一个检测结果显示存在缺陷时，则缺陷确定模块740确定所述待测设备的棱边存在缺陷。相比于现有技术，本实施例突破了现有技术中无法检测设备棱边缺陷的问题，且采用本实施例的检测结果准确、便捷。
如图8所示，为本发明另一实施例提供一种电子设备硬件架构的示意图。在图8中，电子设备包括：存储器810、处理器820及存储在所述存储器810上并可在所述处理器820上运行的棱边缺陷检测程序830。在本实施例中，所述的棱边缺陷检测程序830包括一系列的存储于存储器810上的计算机程序指令，当该计算机程序指令被处理器820执行时，可以实现本发明各实施例的棱边缺陷检测操作。
本申请实施例还提供了一种计算机可读存储介质。这里的计算机可读存储介质存储有一个或者多个程序。其中，计算机可读存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。当计算机可读存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述第一实施例所提供的棱边缺陷检测方法。
需要说明的是，在本文中，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过程、方法、物品或者装置不仅包括那些要素，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过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法可借助软件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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种棱边缺陷检测方法，用于检测待测设备的棱边缺陷，其特征在于，所述方法包括步骤：
获取待测设备的棱边图像；
将所述棱边图像划分为多个图像块；
分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果；
当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。
2.根据权利要求1所述的棱边缺陷检测方法，其特征在于，所述获取待测设备的棱边图像，具体包括：
采集所述待测设备的表面图像，所述待测设备的棱边位于所述表面的边缘；
对所述表面图像进行滤波处理，得到第一梯度图像和第二梯度图像；
通过图像阈值分割算法对所述第二梯度图像划分出棱边的目标区域；
从所述目标区域中分别提取水平棱边区域和垂直棱边区域；
从所述水平棱边区域和垂直棱边区域中分别提取水平棱边骨架和垂直棱边骨架；
对所述水平棱边骨架和所述垂直棱边骨架采用最小二乘法拟合，确定水平棱边最优直线和垂直棱边最优直线；
根据所述水平棱边最优直线和所述第一梯度图像，提取到所述水平棱边图像；根据所述垂直棱边最优直线和所述第二梯度图像，提取到所述垂直棱边图像。
3.根据权利要求2所述的棱边缺陷检测方法，其特征在于，所述对所述表面图像进行滤波处理，得到第一梯度图像和第二梯度图像，具体包括：
对所述表面图像进行梯度锐化提取棱边信息，得到所述第一梯度图像；
对所述表面图像进行基于频域的高通滤波增强图像的高频信息在滤除干扰的情况下保留缺陷信息，再进行梯度锐化提取棱边信息，得到所述第二梯度图像。
4.根据权利要求1所述的棱边缺陷检测方法，其特征在于，所述方法还包括：
判断所述水平棱边骨架和所述垂直棱边骨架是否与图像块中心对称线存在偏差；
若是，则对所述棱边采用图像插值方法修正位置偏差，得到修正后的棱边图像。
5.根据权利要求4所述的棱边缺陷检测方法，其特征在于，所述将所述棱边图像划分为多个图像块，具体包括：
确定所述棱边的起点坐标和终点坐标；
将所述棱边图像以棱边区域中心线为对称轴，分别沿第一方向和第二方向扩展e个像素点，其中，所述第一方向与第二方向相反，e为正整数；
以h个像素点为高，2e+1个像素点为宽，将所述棱边图像划分为连续的多个图像块。
6.根据权利要求1所述的棱边缺陷检测方法，其特征在于，所述方法还包括：
基于所述多个图像块的特征差异，通过对大量的图像块样本的灰度长轴分布进行统计，建立高斯分布模型，以得到图像块正常的概率函数并确定图像块正常的概率阈值。
7.根据权利要求6所述的棱边缺陷检测方法，其特征在于，所述分别检测每个待测图像块是否存在缺陷，具体包括：
分别计算每个图像块的灰度长轴，带入所述高斯分布模型的图像块正常的概率函数，计算得到图像块正常的概率；
当所述概率小于所述图像块正常的概率阈值时，则检测所述图像块存在缺陷。
8.一种棱边缺陷检测装置，用于检测待测设备的棱边缺陷，其特征在于，所述装置包括：
图像获取模块，用于获取待测设备的棱边图像；
划分模块，用于将所述棱边图像划分为多个图像块；
检测模块，用于分别检测每个图像块是否存在缺陷，得到与每个图像块对应的检测结果；
缺陷确定模块，用于当任一个检测结果显示存在缺陷时，则确定所述待测设备的棱边存在缺陷。
9.一种电子设备，其特征在于，所述电子设备包括处理器以及存储器；
所述处理器用于执行存储器中存储的棱边缺陷检测程序，以实现权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1-7任一项所述的方法。
CN201811478391.2A 2018-12-05 2018-12-05 棱边缺陷检测方法、装置、电子设备及存储介质 Active CN109632808B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811478391.2A CN109632808B (zh) 2018-12-05 2018-12-05 棱边缺陷检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811478391.2A CN109632808B (zh) 2018-12-05 2018-12-05 棱边缺陷检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN109632808A true CN109632808A (zh) 2019-04-16
CN109632808B CN109632808B (zh) 2021-11-09

Family

ID=66071192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811478391.2A Active CN109632808B (zh) 2018-12-05 2018-12-05 棱边缺陷检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN109632808B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110118785A (zh) * 2019-05-07 2019-08-13 鲁班嫡系机器人（深圳）有限公司 检测方法、检测装置和工业设备
CN110341554B (zh) * 2019-06-24 2021-05-25 福建中科星泰数据科技有限公司 可控式环境调节系统
CN114821195A (zh) * 2022-06-01 2022-07-29 南阳师范学院 计算机图像智能化识别方法
CN114897797A (zh) * 2022-04-24 2022-08-12 武汉海微科技有限公司 印刷电路板的缺陷检测方法、装置、设备及存储介质
CN115657448A (zh) * 2022-12-09 2023-01-31 电信科学技术第五研究所有限公司 用于时钟驯服的频率偏移量分析方法
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
WO2023087741A1 (zh) * 2021-11-18 2023-05-25 上海商汤智能科技有限公司 缺陷检测方法及装置、电子设备、存储介质及计算机程序产品
CN116258714A (zh) * 2023-05-12 2023-06-13 苏州苏映视图像软件科技有限公司 一种缺陷识别方法、装置、电子设备和存储介质
CN116703918A (zh) * 2023-08-07 2023-09-05 山东辰欣佛都药业股份有限公司 一种基于神经网络模型的药品包装盒质量检测方法及系统
CN117760971A (zh) * 2024-02-21 2024-03-26 宁德时代新能源科技股份有限公司 电池单体的壳体的检测系统和方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320004A (zh) * 2008-07-03 2008-12-10 西北工业大学 基于机器视觉的竹条缺陷在线检测方法
CN101819162A (zh) * 2010-05-13 2010-09-01 山东大学 空瓶瓶壁缺陷检测方法及装置
US20100265497A1 (en) * 2009-04-17 2010-10-21 Applied Materials, Inc. Method and Apparatus for Residue Detection in the Edge Deleted Area of a Substrate
CN102136061A (zh) * 2011-03-09 2011-07-27 中国人民解放军海军航空工程学院 一种矩形石英晶片缺陷自动检测分类识别方法
CN102759530A (zh) * 2012-07-03 2012-10-31 湖南镭目科技有限公司 一种表面质量图像在线检测装置
US20130163851A1 (en) * 2011-12-21 2013-06-27 Michele Dalla-Torre System, method and computer program product for classification within inspection images
CN103278431A (zh) * 2013-04-22 2013-09-04 西安交通大学 一种基于视频获取的润滑油磨粒在线监测与分析方法
JP5455862B2 (ja) * 2010-10-19 2014-03-26 三菱電機株式会社 表面検査装置および表面検査方法
CN106645178A (zh) * 2017-01-11 2017-05-10 广西师范大学 一种竹木条边缘缺损检测装置
CN108332689A (zh) * 2018-02-08 2018-07-27 南京航空航天大学 一种检测表面粗糙度和表面损伤的光学测量系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320004A (zh) * 2008-07-03 2008-12-10 西北工业大学 基于机器视觉的竹条缺陷在线检测方法
US20100265497A1 (en) * 2009-04-17 2010-10-21 Applied Materials, Inc. Method and Apparatus for Residue Detection in the Edge Deleted Area of a Substrate
CN101819162A (zh) * 2010-05-13 2010-09-01 山东大学 空瓶瓶壁缺陷检测方法及装置
JP5455862B2 (ja) * 2010-10-19 2014-03-26 三菱電機株式会社 表面検査装置および表面検査方法
CN102136061A (zh) * 2011-03-09 2011-07-27 中国人民解放军海军航空工程学院 一种矩形石英晶片缺陷自动检测分类识别方法
US20130163851A1 (en) * 2011-12-21 2013-06-27 Michele Dalla-Torre System, method and computer program product for classification within inspection images
CN102759530A (zh) * 2012-07-03 2012-10-31 湖南镭目科技有限公司 一种表面质量图像在线检测装置
CN103278431A (zh) * 2013-04-22 2013-09-04 西安交通大学 一种基于视频获取的润滑油磨粒在线监测与分析方法
CN106645178A (zh) * 2017-01-11 2017-05-10 广西师范大学 一种竹木条边缘缺损检测装置
CN108332689A (zh) * 2018-02-08 2018-07-27 南京航空航天大学 一种检测表面粗糙度和表面损伤的光学测量系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUANGZHONG CAO 等: "Large-Complex-Surface Defect Detection by Hybrid Gradient Threshold Segmentation and Image Registration", 《IEEE ACCESS》 *
宇文旋 等: "用于轴承表面缺陷分类的特征选择算法", 《测量与仪器》 *
张玉叶 等: "小波估计图像棱边分布的边缘保持规整化复原", 《计算机辅助设计与图形学学报》 *
戴波 等: "毛刺及棱边质量形貌自动检测系统", 《哈尔滨科学技术大学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110118785A (zh) * 2019-05-07 2019-08-13 鲁班嫡系机器人（深圳）有限公司 检测方法、检测装置和工业设备
CN110341554B (zh) * 2019-06-24 2021-05-25 福建中科星泰数据科技有限公司 可控式环境调节系统
WO2023087741A1 (zh) * 2021-11-18 2023-05-25 上海商汤智能科技有限公司 缺陷检测方法及装置、电子设备、存储介质及计算机程序产品
CN114897797A (zh) * 2022-04-24 2022-08-12 武汉海微科技有限公司 印刷电路板的缺陷检测方法、装置、设备及存储介质
CN114821195A (zh) * 2022-06-01 2022-07-29 南阳师范学院 计算机图像智能化识别方法
CN115657448A (zh) * 2022-12-09 2023-01-31 电信科学技术第五研究所有限公司 用于时钟驯服的频率偏移量分析方法
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法
CN116258714A (zh) * 2023-05-12 2023-06-13 苏州苏映视图像软件科技有限公司 一种缺陷识别方法、装置、电子设备和存储介质
CN116703918A (zh) * 2023-08-07 2023-09-05 山东辰欣佛都药业股份有限公司 一种基于神经网络模型的药品包装盒质量检测方法及系统
CN116703918B (zh) * 2023-08-07 2023-10-20 山东辰欣佛都药业股份有限公司 一种基于神经网络模型的药品包装盒质量检测方法及系统
CN117760971A (zh) * 2024-02-21 2024-03-26 宁德时代新能源科技股份有限公司 电池单体的壳体的检测系统和方法

Also Published As

Publication number Publication date
CN109632808B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN109632808A (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
WO2022042579A1 (zh) 一种用于lcd屏幕的缺陷检测方法、装置
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN105894036B (zh) 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法
CN105447512B (zh) 一种精粗结合的光学表面缺陷的检测方法及装置
AU2012384518B2 (en) Infrared image based early detection of oil spills in water
Peng et al. Computer vision algorithm for measurement and inspection of O-rings
Yun et al. Vision-based surface defect inspection for thick steel plates
CN106600593B (zh) 一种中铝瓷球表面缺陷检测方法
CN111640104B (zh) 一种螺钉装配的视觉检测方法
CN104359403A (zh) 基于亚像素边缘算法的平面零件尺寸测量方法
Medina et al. Automated visual classification of frequent defects in flat steel coils
WO2014205385A1 (en) Wafer inspection using free-form care areas
CN110189290A (zh) 基于深度学习的金属表面细微缺陷检测方法及装置
Lin et al. Surface defect detection of machined parts based on machining texture direction
CN118247279B (zh) 一种基于边缘增强的锯齿崩齿缺陷识别方法及装置
Xu et al. A defect inspection for explosive cartridge using an improved visual attention and image-weighted eigenvalue
CN115656182A (zh) 基于张量投票主成分分析的板材点云缺陷检测方法
CN116612125A (zh) 基于人工智能的食药品胶囊质量检测方法
Ma et al. Study on crack features in images of fluorescent magnetic particle inspection for railway wheelsets
Ahmad et al. Quantification of overlapping polygonal-shaped particles based on a new segmentation method of in situ images during crystallization
CN116862909B (zh) 一种基于三维成像的金属封装外壳检测方法及系统
Lin et al. Defect detection system for optical element surface based on machine vision
CN113628155A (zh) 一种圆盘造球机的生球粒径检测方法及系统
CN116258908A (zh) 一种基于无人机遥感影像数据的地灾预测评估分类方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190416

Assignee: SHENZHEN SINGSUN ELECTRONIC SCIENCE & TECHNOLOGY CO.,LTD.

Assignor: SHENZHEN University

Contract record no.: X2023980032339

Denomination of invention: Edge defect detection method, device, electronic equipment and storage medium

Granted publication date: 20211109

License type: Common License

Record date: 20230220

EE01 Entry into force of recordation of patent licensing contract