CN109684948B - 检测物体网孔异常的方法、装置及系统 - Google Patents

检测物体网孔异常的方法、装置及系统 Download PDF

Info

Publication number
CN109684948B
CN109684948B CN201811511698.8A CN201811511698A CN109684948B CN 109684948 B CN109684948 B CN 109684948B CN 201811511698 A CN201811511698 A CN 201811511698A CN 109684948 B CN109684948 B CN 109684948B
Authority
CN
China
Prior art keywords
pixel
mesh
value
image
group
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.)
Active
Application number
CN201811511698.8A
Other languages
English (en)
Other versions
CN109684948A (zh
Inventor
白椿山
刘文文
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 CN201811511698.8A priority Critical patent/CN109684948B/zh
Publication of CN109684948A publication Critical patent/CN109684948A/zh
Application granted granted Critical
Publication of CN109684948B publication Critical patent/CN109684948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95692—Patterns showing hole parts, e.g. honeycomb filtering structures
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种检测物体网孔异常的方法、装置及系统，该方法包括：识别物体图像中对应物体网孔的像素点；对识别出的所有像素点分组，得到与所述网孔一一对应的各像素组；获取每一所述像素组的对应目标检测特征的特征值；获取所述目标检测特征的正常阈值；比较每一所述像素组的所述特征值与所述正常阈值，获得并输出对应异常网孔的像素组。

Description

检测物体网孔异常的方法、装置及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种检测物体网孔异常的方法，一种检测物体网孔异常的装置，以及一种检测物体网孔异常的系统。
背景技术
目前，生产的各种部件中会出现网孔，通常对于网孔均匀且网孔不是特别大的部件而言，是不影响部件的正常使用，但是，由于网孔的繁杂性和密集性，网孔经常容易出现多种缺陷，例如网孔破损导致的网孔变大现象。
目前，生产部件的提供方在生产部件之后，是通过检测人员对部件进行检测，以检测异常网孔，这种人为的检测方式依赖于部件尺寸，即对于尺寸较大的部件而言可能是有效的，而对于尺寸较小的部件而言是存在缺陷的，即人工检测网孔缺乏灵活性，而且效率也非常低，这就需要提供一个更为精确及有效率的方式来检测部件中的异常网孔。
发明内容
本发明实施例的一个目的是提供一种用于检测物体网孔异常的新的技术方案。
根据本发明的第一方面，提供了一种检测物体网孔异常的方法，其包括：
识别物体图像中对应物体网孔的像素点；
对识别出的所有像素点分组，得到与所述网孔一一对应的各像素组；
获取每一所述像素组的对应目标检测特征的特征值；
获取所述目标检测特征的正常阈值；
比较每一所述像素组的所述特征值与所述正常阈值，获得并输出对应异常网孔的像素组。
可选地，所述识别物体图像中对应物体网孔的像素点的步骤，包括：
对所述物体图像进行灰度处理，得到灰度图像；
获取所述灰度图像中所有像素点的平均灰度值；
根据所述平均灰度值，对所述灰度图像进行二值化处理，得到区分所述网孔与所述物体的其他部分的二值化图像；
根据所述二值化图像，识别对应所述网孔的像素点。
可选地，所述对识别出的所有像素点分组的步骤，包括：
根据设定的分组规则，对识别出的所有像素点分组；
其中，所述分组规则满足：任一像素组中的任一像素点与相同像素组中的至少一个其他像素点为相邻像素点。
可选地，所述根据设定的分组规则，对识别出的所有像素点分组的步骤，包括：
在所述二值化图像中，寻找一个预设灰度值的初始像素点，将其标记为第i组的第一个像素点，其中，i的取值为1至N的每一个自然数，N为所述像素组的总数；
逐一遍历已标记为第i组的每一像素点的M邻域中的相邻像素点，并将所述M邻域中的相邻像素点中存在的与所述预设灰度值相等的像素点均标记为第i组，直至所述已标记为第i组的每一个像素点的M邻域的相邻像素点中不存在未被标记为第i组的与所述预设灰度值相等的像素点为止；
根据所述第i组的标记，对识别出的所有像素点分组。
可选地，所述方法还包括：
响应设置所述目标检测特征的操作，提供输入接口；
获取通过所述输入接口输入的特征作为所述目标检测特征。
可选地，所述获得并输出对应异常网孔的像素组的步骤，包括：
在所述物体图像上标记出所述对应异常网孔的像素组。
可选地，所述目标检测特征为网孔的尺寸，所述特征值为每一所述像素组的面积值，所述正常阈值为面积阈值。
可选地，所述获取每一所述像素组的对应目标检测特征的特征值的步骤，包括：
获取每一所述像素组的像素点数量；
根据所述像素点数量，获得对应像素组的面积值。
可选地，所述获取所述目标检测特征的正常阈值的步骤，包括：
根据每一所述像素组的面积值，获得面积平均值；
将所述面积平均值乘以调整系数，作为所述正常阈值。
根据本发明的第二方面，还提供一种检测物体网孔异常的装置，其包括存储器和处理器，所述存储器用于存储可执行的指令；所述处理器用于根据所述指令的控制进行操作以执行根据本发明第一方面中任一项所述的方法。
根据本发明的第三方面，还提供一种检测物体网孔异常的系统，包括图像采集装置和本发明第二方面所述的检测物体网孔异常的装置，所述图像采集装置用于采集物体图像提供至所述检测物体网孔异常的装置。
本发明的一个有益效果在于，根据本发明实施例的方法、装置及系统，其利用图像识别技术识别出物体图像中对应物体网孔的像素点，并对识别出的所有像素点进行分组，以得到与每一个网孔一一对应的像素组，进而通过计算每一像素组的对应目标检测特征的特征值，实现异常网孔的识别。由于本发明实施例的方法不依赖于人为操作因素进行异常网孔的识别，因此，能够有效提高异常网孔检测的准确性和检测效率。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本发明实施例的检测物体网孔异常的系统的硬件结构示意图；
图2是根据本发明实施例的检测物体网孔异常的方法的流程示意图；
图3a是根据本发明一个例子的物体图像的示意图；
图3b是根据本发明一个例子的对图3a所示的物体图像进行标记后的示意图；
图3c是根据本发明另一个例子的物体图像的示意图；
图3d是根据本发明另一个例子的对图3c所示的物体图像进行标记后的示意图；
图4是根据本发明另一实施例的检测物体网孔异常的方法的流程示意图；
图5是根据本发明第三实施例的检测物体网孔异常的方法的流程示意图；
图6是根据本发明一个例子的检测物体网孔异常的方法的流程示意图；
图7是根据本发明一个例子的对识别出的所有像素点分组的流程示意图；
图8是根据本发明实施例的检测物体网孔异常的装置的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是根据本发明实施例的检测物体网孔异常的系统100的硬件配置的框图。
如图1所示，检测物体网孔异常的系统100包括图像采集装置1000和检测物体网孔异常的装置2000。
图像采集装置1000用于采集物体图像，并将采集到的物体图像提供至检测物体网孔异常的装置2000。
该物体图像可以是对待检测物体进行拍照而获得的数字图像。
该图像采集装置1000可以是能够采集物体的数字图像的任意数字成像设备，例如X射线数字成像设备等。
检测物体网孔异常的装置2000也可以是任意的电子设备，例如PC机、笔记本电脑、服务器等。
在一个实施例中，检测物体网孔异常的装置2000与图像采集装置1000可以是各自独立的电子设备。
在另一个实施例中，检测物体网孔异常的装置2000与图像采集装置1000也可以集成在同一电子设备中。
在一个实施例中，如图1所示，检测物体网孔异常的装置2000可以包括至少一个处理器2100和至少一个存储器2200。
处理器2100可以是移动版处理器。存储器2200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。
本实施例中，检测物体网孔异常的装置2000的存储器2200用于存储指令，该指令用于控制处理器2100进行操作以执行根据本发明任意实施例的检测物体网孔异常的方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
参见图1所示，检测物体网孔异常的装置2000还可以进一步包括接口装置2300、通信装置2400、显示装置2500、输入装置2600、扬声器2700、麦克风2800等等。
接口装置2300例如包括USB接口、耳机接口等。通信装置2400例如能够进行有线或无线通信，通信装置2400可以包括短距离通信装置，例如是基于Hilink协议、WiFi(IEEE802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置，通信装置2400也可以包括远程通信装置，例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置2500例如是液晶显示屏、触摸显示屏等。输入装置2600例如可以包括触摸屏、键盘等。用户可以通过扬声器2700和麦克风2800输入/输出语音信息。
尽管在图1中示出了检测物体网孔异常的装置2000的多个装置，但是，本发明可以仅涉及其中的部分装置，例如，检测物体网孔异常的装置2000只涉及存储器2200、处理器2100和显示装置2500。
本实施例中，图像采集装置1000用于采集物体图像提供至检测物体网孔异常的装置2000，检测物体网孔异常的装置2000则基于该物体图像实施根据本发明任意实施例的方法，完成对相应物体是否具有网孔异常的检测。
应当理解的是，尽管图1仅示出一个图像采集装置1000和一个检测物体网孔异常的装置2000，但不意味着限制各自的数量，检测物体网孔异常的系统100中可以包含多个图像采集装置1000和/或多个检测物体网孔异常的装置2000。
<方法实施例>
图2是根据本发明实施例的检测物体网孔异常的方法的流程示意图，该方法由检测物体网孔异常的装置2000实施。
根据图2所示，本实施例的检测物体网孔异常的方法可以包括如下步骤：
步骤S2100，检测物体网孔异常的装置2000识别物体图像中对应物体网孔的像素点。
物体图像为待检测的物体的图像。例如，待检测的物体为某一个零部件，可以是采集该零部件的图像作为物体图像。
在一个例子中，该物体图像可以为数字图像，该数字图像可以是由无数个像素点组成。在此，该数字图像可以基于不同的颜色模式进行显示，该颜色模式例如但不限于是RGB色彩模式、CMYK色彩模式、HSB色彩模式、Lab颜色模式以及位图模式等。
在另一个例子中，该物体图像也可以为模拟图像。
在步骤S2100中，检测物体网孔异常的装置2000可以从图像采集装置1000处获取该物体图像，其中，图像采集装置1000对待检测物体进行拍照，得到该物体图像。
在一个例子中，图像采集装置1000采集到的物体图像为数字图像，检测物体网孔异常的装置2000可以是直接从图像采集装置1000中获取该数字图像，以执行步骤S2100中识别物体图像中的对应物体网孔的像素点的步骤。
在一个例子中，图像采集装置1000采集到的物体图像为模拟图像，检测物体网孔异常的装置2000可以是先从图像采集装置1000中获取该模拟图像，并将该模拟图像进行数字图像处理转化为数字图像之后，再执行步骤S2100中识别物体图像中的对应物体网孔的像素点的步骤。
例如，参照图3a示意的物体图像，该物体图像为数字图像，该数字图像由无数个像素点组成，一个方框表示一个像素点，一个黑色线条填充方框表示一个黑色像素点，一个白色方框表示一个白色像素点，在此，识别出的物体图像中对应物体网孔的像素点可以为其中的白色像素点。
步骤S2200，检测物体网孔异常的装置2000对识别出的所有像素点分组，得到与网孔一一对应的各像素组。
在步骤S2200中，一个像素组由识别出的至少一个像素点组成。例如，图3a中，识别出的像素点为白色像素点，第1个像素组中包括5个标记为1的白色像素点，第2个像素组中包括5个标记为2的白色像素点，第3个像素组中包括4个标记为3的白色像素点，第4个像素组中包括2个标记为4的白色像素点。
仍然以图3a示意的物体图像为例，识别出的对应物体网孔的像素点为白色像素点，即识别出所有白色像素点，对所有的白色像素点分组，分别得到了标记为第1组、第2组、第3组以及第4组这4个像素组，第1组中包括5个标记为1的白色像素点，第2组中包括5个标记为2的白色像素点，第3组中包括4个标记为3的白色像素点，第4组中包括2个标记为4的白色像素点，一个像素组对应一个网孔，即图3a中4个像素组对应4个网孔。
步骤S2300，检测物体网孔异常的装置2000获取每一像素组的对应目标检测特征的特征值。
该特征值可以根据目标检测特征确定。
例如，该目标检测特征为网孔的尺寸，则该特征值可以为每一个像素组的面积值。
又例如，该目标检测特征为网孔的形状，则该特征值可以包括每一个像素组的轮廓形状、轮廓上的角点数量中的至少一个。
在步骤S2300中，获取每一像素组的对应目标检测特征的特征值之后，结合后续步骤中获取到的目标检测特征的正常阈值，并将该正常阈值与特征值进行比较，进而得到对应异常网孔的像素组。
步骤S2400，检测物体网孔异常的装置2000获取目标检测特征的正常阈值。
该正常阈值可以根据目标检测特征及评定该特征是否正常或异常的标准来确定。
例如，目标检测特征为网孔的尺寸，正常阈值可以为面积阈值，而面积阈值的数值则根据评定网孔的尺寸是否正常或者异常的标准来确定。
又例如，目标检测特征为网孔的形状，正常阈值为网孔轮廓的角点数量阈值，而角点数量阈值的数值则可以根据评定网孔的形状是否正常或者异常的标准来确定。
该标准可以预先设定，也可以根据待检测物体的所有网孔的特征值的分布情况确定。
步骤S2500，检测物体网孔异常的装置2000比较每一像素组的特征值与正常阈值，获得并输出对应异常网孔的像素组。
在一个例子中，根据目标检测特征及异常分类，可以设置在一像素组的特征值大于正常阈值的情况下，确定该像素组对应的网孔为异常网孔；而在一像素组的特征值小于或者等于正常阈值的情况下，确定该像素组对应的网孔为正常网孔。
例如，目标检测特征是网孔的尺寸，异常分类是检测物体的网孔是否异常变大，则可以是在一像素组的面积值大于面积阈值的情况下，确定该像素组对应的网孔为异常网孔，否则，确定该像素组对应的网孔为正常网孔。
仍然以图3a示意的物体图像为例，比较第1个像素组的面积值A和面积阈值F，得到面积值A大于面积阈值F，比较第2个像素组的面积值B和面积阈值F，得到面积值B大于面积阈值F，比较第3个像素组的面积值C和面积阈值F，得到面积值C小于面积阈值F，比较第4个像素组的面积值D和面积阈值F，得到面积值D小于面积阈值F，在此，可以确定第1个像素组和第2个像素组对应的网孔为异常网孔。
在另一个例子中，根据目标检测特征及异常分类，也可以设置在一像素组的特征值小于正常阈值的情况下，确定该像素组对应的网孔为异常网孔；而在一像素组的特征值大于或者等于正常阈值的情况下，确定该像素组对应的网孔为正常网孔。
例如，目标检测特征是网孔的尺寸，异常分类是检测物体的网孔是否异常变小，则可以是在一像素组的面积值小于面积阈值的情况下，确定该像素组对应的网孔为异常网孔，否则，确定该像素组对应的网孔为正常网孔。
根据本发明该实施例，其利用图像识别技术识别出物体图像中对应物体网孔的像素点，并对识别出的所有像素点进行分组，以得到与每一个网孔一一对应的像素组，进而通过计算每一像素组的对应目标检测特征的特征值，实现异常网孔的识别。由于本发明该实施例不依赖于人为操作因素进行异常网孔的识别，因此，能够有效提高异常网孔检测的准确性和检测效率。
图4是根据本发明另一实施例的检测物体网孔异常的方法的流程示意图。
根据图4所示，在该实施例中，上述步骤S2100中识别物体图像中对应物体网孔的像素点可以进一步包括如下步骤：
步骤S2110，检测物体网孔异常的装置2000对物体图像进行灰度处理，得到灰度图像。
在步骤S2110中，物体图像可以为数字图像，该数字图像可以基于RGB色彩模式进行显示。该RGB色彩模式中，每一个像素点的颜色例如可以使用一个32位二进制数进行表示，其中，前8位二进制数用于表示该像素点的红(R)色通道像素值，接下来的8位二进制数用于表示该像素点的绿(G)色通道像素值，之后的8位二进制数用于表示该像素点的蓝(B)色通道像素值，后8位用于表示该像素点的透明度。
灰度图像为每个像素点只有一个采样颜色的图像，通常，灰度图像中每一个像素点的显示可以为从最暗黑色到最亮白色的灰度，在此，可以用灰度值来表示灰度图像中像素点的灰度，这也可以理解为是，对物体图像进行灰度处理即为计算物体图像中每一个像素点的灰度值。
在一个例子中，可以采用加权法计算物体图像中每一像素点的灰度值，计算公式如下：
Grayi＝Ri×0.299+Gi×0.587+Bi×0.114 公式(1)；
其中，Grayi表示第i个像素点的灰度值，Ri表示第i个像素点的红色通道像素值，Gi表示第i个像素点的绿色通道像素值，Bi表示第i个像素点的蓝色通道像素值，i的取值为1至M的每一个自然数，M为物体图像中的像素点总数。
在一个例子中，也可以采用均值法计算物体图像中每一像素点的灰度值，计算公式如下：
Grayi＝(Ri+Gi+Bi)/3 公式(2)。
在一个例子中，还可以采用最大值法计算物体图像中每一像素点的灰度值，计算公式如下：
Grayi＝max(Ri+Gi+Bi) 公式(3)；
其中，max(Ri+Gi+Bi)为在第i个像素点的红色通道像素值Ri，第i个像素点的绿色通道像素值Gi，及第i个像素点的蓝色通道像素值Bi中选取最大值，作为第i个像素点的灰度值。
在另外的实施例中，物体图像可以直接为灰度图像，则可以省略该步骤S2110。
步骤S2120，检测物体网孔异常的装置2000获取灰度图像中所有像素点的平均灰度值。
在步骤S2120中，可以获取灰度图像中所有像素点的平均灰度值，以根据该平均灰度值对灰度图像进行二值化处理，从而得到区分网孔与物体的其他部分的二值化图像。
在步骤S2120中，平均灰度值ave-Gray的计算公式如下：
Figure BDA0001900948800000111
步骤S2130，检测物体网孔异常的装置2000根据平均灰度值，对灰度图像进行二值化处理，得到区分网孔与物体的其他部分的二值化图像。
二值化图像中的每一个像素点的灰度值为0或者是255，其中，灰度值为0表示该像素点为黑色像素点，灰度值为255表示该像素点为白色像素点，在此，可以将二值化图像中的每一个像素点的灰度值称之为二值化值，这也可以理解为，二值化图像整体呈黑白显示效果，参照图3a或者是图3b所示图像。
在步骤S2130中，灰度图像中的每一像素点的二值化值的计算公式可以如公式(5)所示：
Figure BDA0001900948800000112
其中，TVVi表示第i个像素点的二值化值，当第i个像素点的灰度值大于平均灰度值时，可以设置第i个像素点的二值化值为255，当第i个像素点的灰度值小于或者等于平均灰度值时，可以设置第i个像素点的二值化值为0。
步骤S2140，检测物体网孔异常的装置2000根据二值化图像，识别对应网孔的像素点。
在一个例子中，根据网孔与物体的其他部分的颜色对照情况，可以是将二值化图像中的灰度值为255的所有白色像素点作为对应网孔的像素点，而将二值化图像中的灰度值为0的所有黑色像素点作为背景颜色，即作为物体的其它部分，参照图3a和图3c所示的图像，白色像素点对应网孔，黑色像素点对应物体的其它部分。
在另一个例子中，根据网孔与物体的其他部分的颜色对照情况，也可以是将二值化图像中的灰度值为0的所有黑色像素点作为对应网孔的像素点，而将二值化图像中的灰度值为255的所有白色像素点作为背景颜色，即作为物体的其它部分。
根据本实施例，其先对物体图像进行灰度处理得到灰度图像，再根据该灰度图像的平均灰度值对灰度图像进行二值化处理以得到二值化图像，进而根据该二值化图像识别对应网孔的像素点，这不仅可以提高识别对应网孔的像素点的准确性，而且还可以通过二值化图像区别网孔和物体的其它部分来进一步提高识别出的对应网孔的像素点的可辨别性。
在另外的实施例中，也可以根据网孔与背景相比较的其他特征，例如轮廓特征等，识别物体图像以得到对应网孔的像素点，在此不做限定。
在一个实施例中，上述步骤S2200中对识别出的所有像素点分组的步骤可以进一步包括：
步骤S2211，检测物体网孔异常的装置2000根据设定的分组规则，对识别出的所有像素点分组。
本实施例中，分组规则满足：任一像素组中的任一像素点与相同像素组中的至少一个其他像素点为相邻像素点。
例如，参照图3a，第1个像素组中标记为1的像素点与至少一个标记为1的其它像素点相邻；第2个像素组中标记为2的像素点与至少一个标记为2的其它像素点相邻；第3个像素组中标记为3的像素点与至少一个标记为3的其它像素点相邻；第4个像素组中标记为4的像素点与至少一个标记为4的其它像素点相邻。
本发明该实施例基于设定的分组规则，对识别出的所有像素点分组，这有利于缩减分组时间，提高分组的效率。
图5是根据本发明另一实施例的检测物体网孔异常的方法的流程示意图。
根据图5所示，在该例子中，上述步骤S2211中根据设定的分组规则，对识别出的所有像素点分组的步骤可以进一步包括：
步骤S2211-1，在二值化图像中，寻找一个预设灰度值的初始像素点，将其标记为第i组的第一个像素点。
i的取值为1至N的每一个自然数，N为经过遍历搜索确定的像素组的总数。
预设灰度值为识别出的对应物体网孔的像素点的灰度值。例如，参照图3a，识别出的对应物体网孔的像素点为白色像素点，则预设灰度值为255。又例如，识别出的对应物体网孔的像素点为黑色像素点，则预设灰度值为0。
参照图3a所示的二值化图像，初始的i取值为1，即在二值化图像中，寻找一个灰度值为255的初始像素点，将其标记为第1组的第一个像素点。
在一个例子中，可以对二值化图像进行逐行或者逐列搜索，以寻找第i组的第一个像素点。例如，在逐行搜索时，搜索到的第一个预设灰度值的像素点即为第1组的初始像素点，之后基于该初始像素点确定第1组的其他像素点，并完成第1组所有像素点的标记；在完成第1组的所有像素点的标记后，继续按照逐行搜索的方式寻找下一个未被标记的预设灰度值的像素点，作为第2组的初始像素点，之后基于该初始像素点确定第2组的其他像素点，并完成第2组所有像素点的标记；以此类推，继续完成其他像素组的标记，如果在完成一个像素组的标记后，按照逐行搜索的方式未寻找到未被标记的预设灰度值的像素点，则说明分组完毕，该像素组即为最后一个像素组，进而获得像素组的总数N。
步骤S2211-2，逐一遍历已标记为第i组的每一像素点的M邻域中的相邻像素点，并将M邻域中的相邻像素点中存在的与预设灰度值相等的像素点均标记为第i组，直至已标记为第i组的每一个像素点的M邻域的相邻像素点中不存在未被标记为第i组的与预设灰度值相等的像素点为止。
M邻域为每一像素点的周围所有邻域，M邻域根据像素点在物体图像或者二值化图像中的位置具有不同的取值。例如，一像素点为物体图像的中间像素点，则M邻域则为八邻域；又例如，一像素点为边角处的像素点，则M邻域为三邻域；又例如，一像素点为边上的像素点，则M邻域为五邻域。
根据该步骤S2211-2，参照图3a所示，按照逐行搜索的方式，搜索到第一行的第5个像素点为对应网孔的像素点，因此，该像素点即为第1组的第一个像素点P11，将像素点P11标记为表示第1组的数字1；之后，遍历第一个像素点P11的周围所有邻域，即五邻域，获得第1组的其他3个像素点，将像素点P12、P13、P14标记为数字1；之后，再遍历像素点P12、P13、P14的M邻域，得到第1组的第5个像素点P15，并将像素点P15标记为数字1；由于第5个像素点P15的相邻像素点中已不存在未被标记为第1组的灰度值为255的像素点，因此，第1组的像素点已经遍历完毕。
步骤S2211-3，根据第i组的标记，对识别出的所有像素点分组。
参照图3a，将识别出的所有像素点分为4个像素组，第一个像素组的每一像素点均被标记为数字1，第二个像素组的每一像素点均被标记为数字2，第三个像素组的每一像素点均被标记为数字3，而第四个像素组的每一像素点则均被标记为数字4。
本实施例基于对识别出的像素点进行的标记，实现对识别出的所有像素点的分组，这有利于提高分组的效率，并进一步有利于根据像素点的标记获得每一像素组的特征值。
在一个实施例中，本发明的检测物体网孔异常的方法还可以包括如下步骤：
步骤S3100，检测物体网孔异常的装置2000响应设置目标检测特征的操作，提供输入接口。
该输入接口可以是输入框、下拉列表、语音输入等，例如，检测人员可以通过输入框输入目标检测特征为“网孔的尺寸”；又例如，检测人员可以通过下拉列表选择目标检测特征为“网孔的尺寸”；又例如，操作人员可以语音输入目标检测特征为“网孔的尺寸”。
步骤S3200，检测物体网孔异常的装置2000获取通过输入接口输入的特征作为目标检测特征。
本发明该例子提供人机交互接口，以支持检测人员根据当前的实际需要选择所需要的目标检测特征，实现定制化设计。
在一个实施例中，以上步骤S1500中获得并输出对应异常网孔的像素组的步骤可以进一步包括：检测物体网孔异常的装置2000在物体图像上标记出对应异常网孔的像素组。
以上在物体图像上标记出对应异常网孔的像素组可以为：按照预设的形状标记出对应异常网孔的像素组，该预设的形状例如可以是规则的矩形形状或者是圆形形状等，还可以是不规则的形状，在此不做限定。
例如，图3a为未标记对应异常网孔的像素组的图像，执行比较每一像素组的特征值与正常阈值之后，确定对应异常网孔的像素组分别为第1个像素组和第2个像素组，获取第1个像素组的左上角点坐标和右下角点坐标，并以该左上角点坐标和右下角点坐标唯一确定一个矩形方框，利用该矩形方框标记出第1个像素组。另外，获取第2个像素组的左上角点坐标和右下角点坐标，并以该左上角点坐标和右下角点坐标唯一确定一个矩形方框，利用该矩形方框标记出第2个像素组，在此，得到图3b所示的物体图像。
在确定包含同一像素组中所有像素点的矩形方框时，也可以是获取该像素组的右上角点坐标和左下角点坐标，并以该右上角点坐标和左下角点坐标唯一确定一个矩形方框。
例如，图3c为未标记对应异常网孔的像素组的图像，执行比较每一像素组的特征值与正常阈值的步骤之后，确定出异常网孔对应的像素组，在图3c所示的物体图像中，仅有一个异常网孔，即仅需标记出对应该异常网孔的像素组，在此，获取对应该异常网孔的像素组的右上角点坐标和左下角点坐标，并以该右上角点坐标和左下角点坐标唯一确定一个矩形方框，利用该矩形方框标记出对应异常网孔的像素组，得到图3d所示的物体图像。
本发明该例子能够比较每一像素组的特征值和正常阈值之后，进一步在物体图像中标记出对应异常网孔的像素组，进而提高异常网孔的可辨别性，检测人员可以根据对异常网孔的标记直观地获知异常网孔在物体上的相对位置。
在一个实施例中，以上目标检测特征可以为网孔的尺寸，对应的，目标检测特征的特征值可以为每一个像素组的面积值，对应的，目标检测特征的正常阈值可以为面积阈值。
本实施例中，可以检测出物体是否存在网孔尺寸的异常，例如网孔尺寸变大的异常，进而筛选出存在网孔尺寸变大异常的零部件，例如网布形状部件，避免发生因使用该零部件而出现的功能失效的问题。
在一个实施例中，以上步骤S2300中获取每一像素组的对应目标检测特征的特征值的步骤可以进一步包括：
步骤S2310，检测物体网孔异常的装置2000获取每一像素组的像素点数量。
参照图3a，第1个像素组中共有5个像素点，第2个像素组中共有5个像素点，第3个像素组中共有4个像素点，第4个像素组中共有2个像素点。
步骤S2320，检测物体网孔异常的装置2000根据像素点数量，获得对应像素组的面积值。
在步骤S2320中，可以根据物体图像或者二值化图像中像素点的面积值，以及每一像素组具有的像素点数据，计算得到对应像素组的面积值。
例如，图3a中，第1个像素组中共有5个像素点，其中，而物体图像或二值化图像中每一像素点的面积值均为A，在此，第1个像素组的面积值可以为5*A。
又例如，图3a中，第2个像素组中共有5个像素点，则第2个像素组的面积值可以为5*A。
再例如，图3a中，第3个像素组中共有4个像素点，则第3个像素组的面积值可以为4*A。
还例如，图3a中，第4个像素组中共有2个像素点，则第4个像素组的面积值可以为2*A。
本实施例能够根据像素组中的像素点数量确定该像素组的面积值，进而减少计算每一像素组的面积组的数据处理量，提高处理速度。
在一个实施例中，以上步骤S2400中获取目标检测特征的正常阈值的步骤可以进一步包括：
步骤S2410，检测物体网孔异常的装置2000根据每一像素组的面积值，获得面积平均值。
该步骤S2410中，可以利用如下公式计算面积平均值：
Figure BDA0001900948800000171
其中，ave-S为面积平均值，Si为第i个像素组的面积值，i的取值为1至N的每一个自然数，N为像素组的总数。
参照图3a，第1个像素组的面积值可以为5*A，第2个像素组的面积值可以为5*A，第3个像素组的面积值可以为4*A，第4个像素组的面积值可以为2*A，面积平均值
Figure BDA0001900948800000172
步骤S2420，检测物体网孔异常的装置2000将面积平均值乘以调整系数，作为正常阈值。
在一个例子中，根据所需检测的异常分类，以上调整系数可以是大于1的整数，也可以是大于1的小数。例如，调整系数可以是2、3或者4，也可以1.5或者是2.5，在此不做限定。
以检测网孔异常变大为例，该调整系数可以是2。
在另一个例子中，以上调整系数可以小于1，例如可以是0.5，在此不做限定。
本实施例能够根据所有像素组的面积值的面积平均值确定正常阈值，可以提高得到的正常阈值的准确性，进一步提高检测出的异常网孔的准确性。
<例子>
图6以待检测的物体为网布形状部件，检测网布形状部件中的网孔尺寸异常变大为例，示出了对应检测物体网孔异常的方法，该例子中，检测物体网孔异常的方法可以包括如下步骤：
步骤S6100，检测物体网孔异常的装置2000从图像采集装置1000中获取对应网布形状部件的物体图像。
步骤S6200，检测物体网孔异常的装置2000对物体图像进行灰度处理，得到灰度图像。
步骤S6300，检测物体网孔异常的装置2000获取灰度图像中所有像素点的平均灰度值。
步骤S6400，检测物体网孔异常的装置2000根据平均灰度值，对灰度图像进行二值化处理，得到区分网孔与物体的其他部分的二值化图像。
步骤S6500，检测物体网孔异常的装置2000根据二值化图像，识别对应网孔的像素点。
该步骤S6500中，识别出的对应网孔的像素点可以为所有白色像素点。
步骤S6600，检测物体网孔异常的装置2000对识别出的所有像素点分组，得到与网孔一一对应的各像素组。
参照图7，该步骤S6600中对识别出的所有像素点分组的具体过程可以为：
步骤S6610，初始的i＝1。
i的取值为1至N的每一个自然数，N为像素组的总数。
步骤S6620，在二值化图像中，逐行搜索未被标记过的第一个灰度值为255的像素点，记为第i组的初始像素点。
步骤S6630，判断是否搜索到该初始像素点，若是，则执行步骤S6640，若否，则执行步骤S6660。
步骤S6640，逐一遍历已标记为第i组的每一像素点的M邻域中的相邻像素点，并将M邻域中的相邻像素点中存在的灰度值为255的像素点均标记为第i组，直至已标记为第i组的每一个像素点的M邻域的相邻像素点中不存在未被标记为第i组的灰度值为255的像素点为止，完成第i组的像素点的标记。
步骤S6650，i＝i+1，并继续执行步骤S6620～S6640。
步骤S6660，根据对像素点的标记，对识别出的所有像素点分组。
该步骤S6660中，具有相同标记，例如标记为1，的所有像素点形成一个像素组。
步骤S6700，获取每一像素组的像素点数量，根据像素点数量，获得对应像素组的面积值。
步骤S6800，根据每一像素组的面积值，获得面积平均值，将面积平均值乘以调整系数，作为面积阈值。
步骤S6900，比较每一像素组的面积值与面积阈值，在物体图像上标记出对应异常网孔的像素组。
<装置实施例>
图8是根据本发明实施例的检测物体网孔异常的装置的硬件结构示意图。
根据图8所示，本实施例的检测物体网孔异常的装置2000可以包括处理器2100和存储器2200。
处理器2100可以是移动版处理器、台式机处理器、服务器处理器等。
存储器2200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。
本实施例中，检测物体网孔异常的装置2000的存储器2200用于存储指令，该指令用于控制处理器2100进行操作以执行根据本发明任意实施例的检测物体网孔异常的方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (11)

1.一种检测物体网孔异常的方法，其特征在于，包括：
识别物体图像中对应物体网孔的像素点；
对识别出的所有像素点分组，得到与所述网孔一一对应的各像素组；一个所述像素组由识别出的至少一个所述像素点组成；
获取每一所述像素组的对应目标检测特征的特征值；
获取所述目标检测特征的正常阈值；
比较每一所述像素组的所述特征值与所述正常阈值，获得并输出对应异常网孔的像素组。
2.根据权利要求1所述的方法，其特征在于，所述识别物体图像中对应物体网孔的像素点的步骤，包括：
对所述物体图像进行灰度处理，得到灰度图像；
获取所述灰度图像中所有像素点的平均灰度值；
根据所述平均灰度值，对所述灰度图像进行二值化处理，得到区分所述网孔与所述物体的其他部分的二值化图像；
根据所述二值化图像，识别对应所述网孔的像素点。
3.根据权利要求2所述的方法，其特征在于，所述对识别出的所有像素点分组的步骤，包括：
根据设定的分组规则，对识别出的所有像素点分组；
其中，所述分组规则满足：任一像素组中的任一像素点与相同像素组中的至少一个其他像素点为相邻像素点。
4.根据权利要求3所述的方法，其特征在于，所述根据设定的分组规则，对识别出的所有像素点分组的步骤，包括：
在所述二值化图像中，寻找一个预设灰度值的初始像素点，将其标记为第i组的第一个像素点，其中，i的取值为1至N的每一个自然数，N为所述像素组的总数；
逐一遍历已标记为第i组的每一像素点的M邻域中的相邻像素点，并将所述M邻域中的相邻像素点中存在的与所述预设灰度值相等的像素点均标记为第i组，直至所述已标记为第i组的每一个像素点的M邻域的相邻像素点中不存在未被标记为第i组的与所述预设灰度值相等的像素点为止；
根据所述第i组的标记，对识别出的所有像素点分组。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应设置所述目标检测特征的操作，提供输入接口；
获取通过所述输入接口输入的特征作为所述目标检测特征。
6.根据权利要求1所述的方法，其特征在于，所述获得并输出对应异常网孔的像素组的步骤，包括：
在所述物体图像上标记出所述对应异常网孔的像素组。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述目标检测特征为网孔的尺寸，所述特征值为每一所述像素组的面积值，所述正常阈值为面积阈值。
8.根据权利要求7所述的方法，其特征在于，所述获取每一所述像素组的对应目标检测特征的特征值的步骤，包括：
获取每一所述像素组的像素点数量；
根据所述像素点数量，获得对应像素组的面积值。
9.根据权利要求8所述的方法，其特征在于，所述获取所述目标检测特征的正常阈值的步骤，包括：
根据每一所述像素组的面积值，获得面积平均值；
将所述面积平均值乘以调整系数，作为所述正常阈值。
10.一种检测物体网孔异常的装置，其特征在于，包括存储器和处理器，所述存储器用于存储可执行的指令；所述处理器用于根据所述指令的控制进行操作以执行如权利要求1至9中任一项所述的方法。
11.一种检测物体网孔异常的系统，其特征在于，包括图像采集装置和权利要求10所述的检测物体网孔异常的装置，所述图像采集装置用于采集物体图像提供至所述检测物体网孔异常的装置。
CN201811511698.8A 2018-12-11 2018-12-11 检测物体网孔异常的方法、装置及系统 Active CN109684948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811511698.8A CN109684948B (zh) 2018-12-11 2018-12-11 检测物体网孔异常的方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811511698.8A CN109684948B (zh) 2018-12-11 2018-12-11 检测物体网孔异常的方法、装置及系统

Publications (2)

Publication Number Publication Date
CN109684948A CN109684948A (zh) 2019-04-26
CN109684948B true CN109684948B (zh) 2021-07-27

Family

ID=66187344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811511698.8A Active CN109684948B (zh) 2018-12-11 2018-12-11 检测物体网孔异常的方法、装置及系统

Country Status (1)

Country Link
CN (1) CN109684948B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354854B (zh) * 2022-01-06 2024-02-13 武汉祁联生态科技有限公司 一种烟气监测数据的异常检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105991969A (zh) * 2015-02-05 2016-10-05 国家电网公司 高压输电线路飘挂物检测装置及使用与安装的方法
CN106780537A (zh) * 2017-01-11 2017-05-31 山东农业大学 一种基于图像处理的方格蔟蚕茧筛选装置及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002358509A (ja) * 2001-06-01 2002-12-13 Dainippon Screen Mfg Co Ltd 穴検査装置
CN108802042B (zh) * 2018-04-11 2020-09-01 江苏阿瑞斯智能设备有限公司 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105991969A (zh) * 2015-02-05 2016-10-05 国家电网公司 高压输电线路飘挂物检测装置及使用与安装的方法
CN106780537A (zh) * 2017-01-11 2017-05-31 山东农业大学 一种基于图像处理的方格蔟蚕茧筛选装置及方法

Also Published As

Publication number Publication date
CN109684948A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN108280822B (zh) 屏幕划痕的检测方法及装置
CN109142366B (zh) 球形外壳缺陷检测方法、装置及计算机可读存储介质
CN111986172A (zh) 一种面向电力设备的红外图像故障检测方法及装置
US20140050387A1 (en) System and Method for Machine Vision Inspection
CN109951635A (zh) 拍照处理方法、装置、移动终端以及存储介质
JPWO2013145295A1 (ja) カラーチャート検出装置、カラーチャート検出方法及びカラーチャート検出用コンピュータプログラム
TW201540263A (zh) 資訊處理裝置、資訊處理系統、及程式
JP2015127668A (ja) 計測装置、システムおよびプログラム
KR20150072090A (ko) 관심 영역 검출 장치 및 그 방법
CN108303237B (zh) 一种终端屏幕检测的方法、检测装置以及存储介质
US11120530B2 (en) Image processing apparatus, image processing method, and storage medium
CN105203302A (zh) 用于检测解像力的方法及解像力检测装置
JP5995756B2 (ja) 欠陥検出装置、欠陥検出方法および欠陥検出プログラム
KR20170054222A (ko) 전자 장치 및 그 동작 방법
CN109684948B (zh) 检测物体网孔异常的方法、装置及系统
JP2019132668A (ja) 伸長判定装置、伸長判定方法、及びコンピュータプログラム
JP2014033429A (ja) 画像処理プログラムおよび画像処理装置
WO2018167974A1 (ja) 画像処理装置、制御方法及び制御プログラム
CN106951811A (zh) 一种图像处理方法及终端
JP2017521011A (ja) シンボルの光学的検出方法
WO2024103828A1 (zh) 灰尘检测方法和装置、存储介质
CN114299056A (zh) 图像的瑕疵点的识别方法、瑕疵图像识别模型训练方法
KR101779908B1 (ko) 실시간 섬유제품 분석 시스템
CN104748862A (zh) 分析装置和分析方法
JP6696800B2 (ja) 画像評価方法、画像評価プログラム、及び画像評価装置

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
GR01 Patent grant
GR01 Patent grant