CN110349133B - 物体表面缺陷检测方法、装置 - Google Patents
物体表面缺陷检测方法、装置 Download PDFInfo
- Publication number
- CN110349133B CN110349133B CN201910556466.2A CN201910556466A CN110349133B CN 110349133 B CN110349133 B CN 110349133B CN 201910556466 A CN201910556466 A CN 201910556466A CN 110349133 B CN110349133 B CN 110349133B
- Authority
- CN
- China
- Prior art keywords
- image
- grid
- detected
- gray
- reference image
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种物体表面缺陷检测方法、装置。所示方法包括:获取基准图像和待检测图像的多个网格灰度均值;其中,所述基准图像为无缺陷图像;计算多个所述基准图像的网格灰度均值与对应位置的所述待检测图像的网格灰度均值之比,得到多个网格信息变化率;根据所述多个网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面;根据所述灰度变化倍率曲面对所述待检测图像进行亮度重构,得到重构图像;对所述重构图像基于所述基准图像进行差分处理,分离出所述待检测图像中的缺陷。本申请通过灰度变化倍率曲面对所述待检测图像进行亮度重构,提高了物体表面图像缺陷分离的准确率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及物体表面缺陷检测方法、装置。
背景技术
现有利用机器视觉进行物体的表面检测,已经成为越来越常用的技术手段。通常通过相机和光源等硬件设备构成的视觉成像系统,获取物体表面图像,再通过相应的视觉检测算法从物体表面图像中获取物体表面缺陷信息,并根据使用者的设定来对外部(如产线设备)给予反馈,以上便是视觉检测的完整流程。
视觉检测检测算法主要包括两部分:缺陷分离和缺陷分析。缺陷分离最简单的方式是采用灰度阈值分割,除此之外还有图像差分、图像形态学操作、灰度直方图操作等。缺陷分析最常用的是图像联通域分析,除此之外,可能需要对缺陷进行分类,其中涉及到机器学习等方面的分类算法,如SVM、KNN和神经网络等。
缺陷分离是缺陷检测算法中的难点。当检测的缺陷与待检测图像存在较大的灰度差异时,用阈值分割是十分行之有效的方法,但当缺陷的灰度值与待检测图像的灰度值相差不大时,用阈值分割难以区分出缺陷和待检测对象。在缺陷的灰度值与待检测图像的灰度值相差不大的情况下,如图1所示,利用图像差分来检测图像中的缺陷便是可行的方案。一般在图像差分中,选取无缺陷的目标图像作为图像基准,将待检测图像与图像基准进行差分(此处灰度差值取绝对值),若无缺陷,则在差值图像中表现为黑色部分,若有缺陷,则在差值图像中表现为亮色部分,如图2所示。
现有图像差分进行缺陷分离的过程中,存在如下问题:待检测图像的光照可能会发生变化(人为因素或环境变化),在此种情况下,采用图像差分的方式进行缺陷分离,光照变化会影响图像差分的结果,干扰缺陷分离,导致误检。
发明内容
基于此,有必要针对上述问题,提供一种能够消除光照变化对物体表面图像缺陷分离的物体表面缺陷检测方法、装置。
一种物体表面缺陷检测方法,所述方法包括:
获取基准图像和待检测图像的多个网格灰度均值;其中,所述基准图像为无缺陷图像;
计算多个所述基准图像的网格灰度均值与对应位置的所述待检测图像的网格灰度均值之比,得到多个网格信息变化率;
根据所述多个网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面;
根据所述灰度变化倍率曲面对所述待检测图像进行亮度重构,得到重构图像;
对所述重构图像基于所述基准图像进行差分处理,分离出所述待检测图像中的缺陷。
在其中一个实施例中,所述方法还包括:对所述待检测图像中的缺陷进行连通域分析,获得缺陷的几何信息。
在其中一个实施例中,所述几何信息包括缺陷面积和缺陷位置中至少一种。
在其中一个实施例中,所述获取基准图像和待检测图像的网格灰度均值,包括:
对所述基准图像或待检测图像划分成网格,所述网格为正方形,所述网格的边长为预定数目的像素;
计算每个所述网格在所述基准图像或待检测图像所覆盖的区域的像素的灰度平均值,得到网格灰度均值。
在其中一个实施例中,所述根据所述网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面,包括:
获取所述网格信息变化率所对应网格的中间位置,并将所述中间位置作为所述网格信息变化率在XOY平面坐标位置;其中,所述XOY平面位于空间坐标系OXYg中;
将所述网格信息变化率的值作为g坐标,并根据所述网格信息变化率在XOY平面坐标位置进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面。
一种物体表面缺陷检测装置,所述装置包括:
网格灰度均值获取单元,用于获取基准图像和待检测图像的多个网格灰度均值;其中,所述基准图像为无缺陷图像;
网格信息变化率计算单元,用于计算多个所述基准图像的网格灰度均值与对应位置的所述待检测图像的网格灰度均值之比,得到多个网格信息变化率;
灰度变化倍率曲面拟合单元,用于根据所述多个网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面;
图像重构单元,用于根据所述灰度变化倍率曲面对所述待检测图像进行亮度重构,得到重构图像;
差分处理单元,用于对所述重构图像基于所述基准图像进行差分处理,分离出所述待检测图像中的缺陷。
在其中一个实施例中,所述装置还包括:连通域分析单元,用于对所述待检测图像中的缺陷进行连通域分析,获得缺陷的几何信息。
在其中一个实施例中,所述几何信息包括缺陷面积和缺陷位置中至少一种。
在其中一个实施例中,所述网格灰度均值获取单元包括:
网格划分模块,用于对所述基准图像或待检测图像划分成网格,所述网格为正方形,所述网格的边长为预定数目的像素;
网格灰度均值计算模块,用于计算每个所述网格在所述基准图像或待检测图像所覆盖的区域的像素的灰度平均值,得到网格灰度均值。
在其中一个实施例中,所述灰度变化倍率曲面拟合单元包括:
平面坐标位置获取模块,用于获取所述网格信息变化率所对应网格的中间位置,并将所述中间位置作为所述网格信息变化率在XOY平面坐标位置;其中,所述XOY平面位于空间坐标系OXYg中;
曲面拟合模块,将所述网格信息变化率的值作为g坐标,并根据所述网格信息变化率在XOY平面坐标位置进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面。
上述物体表面缺陷检测方法、装置,通过对基准图像和待检测图像进行网格划分,获得网格信息变化率,再根据网格信息变化率得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面,根据灰度变化倍率曲面对所述待检测图像进行亮度重构,从而消除了亮度变化对待检测图像进行差分处理过程中的影响,提高了物体表面图像缺陷分离的准确率。
附图说明
图1为一个实施例中缺陷图像示意图;
图2为一个实施例中缺陷分离示意图;
图3为一个实施例中物体表面缺陷检测方法的流程示意图;
图4为一个实施例中图像网格划分示意图;
图5为一个实施例中基准图像的网格灰度均值的坐标示意图;
图6为一个实施例中待检测图像的网格灰度均值的坐标示意图;
图7为一个实施例中网格信息变化率的坐标示意图;
图8为一个实施例中灰度变化倍率曲面示意图;
图9为一个实施例中物体表面缺陷检测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图3所示,提供了一种物体表面缺陷检测方法,所述方法包括:
S110,获取基准图像和待检测图像的多个网格灰度均值;其中,所述基准图像为无缺陷图像。
其中,网格灰度均值为图像划分成的网格内所有像素的平均值。所述基准图像和待检测图像按照预定数目像素大小划分成网格,如图4所示。
S120,计算多个所述基准图像的网格灰度均值与对应位置的所述待检测图像的网格灰度均值之比,得到多个网格信息变化率。
其中,所述基准图像与所述待检测图像的尺寸相同,能够划分成相同的网格,计算每个相同网格位置的所述基准图像的网格灰度均值与所述待检测图像的网格灰度均值之比,得到网格信息变化率,具体公式为:
其中,ρ(i,j)为网格信息变化率(参见图7),gM(i,j)为基准图像的网格灰度均值(参见图5),gT(i,j)为待检测图像的网格灰度均值(参见图6)。特别的,当gT(i,j)=0时,记ρ(i,j)=0。
S130,根据所述多个网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面。
其中,所述网格信息变化率再结合所述网格的中心位置进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面γ(x,y)(参见图8)。
S140,根据所述灰度变化倍率曲面对所述待检测图像进行亮度重构,得到重构图像。
其中,亮度重构的计算公式为:
FT(x,y)=fT(x,y)·γ(x,y)
其中,fT(x,y)为待检测图像重构前的灰度值,FT(x,y)为待检测图像重构后的灰度值,γ(x,y)为灰度变化倍率曲面。特别地,若FT(x,y)>255,令FT(x,y)=255。
S150,对所述重构图像基于所述基准图像进行差分处理,分离出所述待检测图像中的缺陷。
在其中一个实施例中,所述方法还包括:对所述待检测图像中的缺陷进行连通域分析,获得缺陷的几何信息。
在其中一个实施例中,所述几何信息包括缺陷面积和缺陷位置中至少一种。
在其中一个实施例中,所述获取基准图像和待检测图像的网格灰度均值,包括:对所述基准图像或待检测图像划分成网格,所述网格为正方形,所述网格的边长为预定数目的像素;计算每个所述网格在所述基准图像或待检测图像所覆盖的区域的像素的灰度平均值,得到网格灰度均值。
其中,预定数据优选采用奇数。由于图像的宽和高不一定是预定数据s的整数倍,所以在图像的最右端、和最下端所划分的网格不是正方形,而是矩形,矩形部分舍去。网格灰度均值的计算公式为:
其中,g(x,y)为网格灰度均值,Aij为第i行第j列的网格区域,Nij为网格区域所覆盖的像素个数,f(x,y)为像素坐标(x,y)处的灰度值。优选地,为了加速网格信息的计算过程,即网格的均值计算过程,可利用积分图像对计算过程进行加速。若图像基准的尺寸大小为w×h(图像宽×图像高),则划分的网格个数(行数×列数)为:Ceil采用向上取整操作。
在其中一个实施例中,所述根据所述网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面,包括:
获取所述网格信息变化率所对应网格的中间位置,并将所述中间位置作为所述网格信息变化率在XOY平面坐标位置;其中,所述XOY平面位于空间坐标系OXYg中;
将所述网格信息变化率的值作为g坐标,并根据所述网格信息变化率在XOY平面坐标位置进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面。
上述物体表面缺陷检测方法,通过对基准图像和待检测图像进行网格划分,获得网格信息变化率,再根据网格信息变化率得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面,根据灰度变化倍率曲面对所述待检测图像进行亮度重构,从而消除了亮度变化对待检测图像进行差分处理过程中的影响,提高了物体表面图像缺陷分离的准确率。
应该理解的是,虽然图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种物体表面缺陷检测装置,所述装置包括:网格灰度均值获取单元201、网格信息变化率计算单元202、灰度变化倍率曲面拟合单元203、图像重构单元204和差分处理单元205。
网格灰度均值获取单元201,用于获取基准图像和待检测图像的多个网格灰度均值;其中,所述基准图像为无缺陷图像。
网格信息变化率计算单元202,用于计算多个所述基准图像的网格灰度均值与对应位置的所述待检测图像的网格灰度均值之比,得到多个网格信息变化率。
灰度变化倍率曲面拟合单元203,用于根据所述多个网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面。
图像重构单元204,用于根据所述灰度变化倍率曲面对所述待检测图像进行亮度重构,得到重构图像。
差分处理单元205,用于对所述重构图像基于所述基准图像进行差分处理,分离出所述待检测图像中的缺陷。
在其中一个实施例中,所述装置还包括:连通域分析单元,用于对所述待检测图像中的缺陷进行连通域分析,获得缺陷的几何信息。
在其中一个实施例中,所述几何信息包括缺陷面积和缺陷位置中至少一种。
在其中一个实施例中,所述网格灰度均值获取单元包括:
网格划分模块,用于对所述基准图像或待检测图像划分成网格,所述网格为正方形,所述网格的边长为预定数目的像素;
网格灰度均值计算模块,用于计算每个所述网格在所述基准图像或待检测图像所覆盖的区域的像素的灰度平均值,得到网格灰度均值。
在其中一个实施例中,所述灰度变化倍率曲面拟合单元包括:
平面坐标位置获取模块,用于获取所述网格信息变化率所对应网格的中间位置,并将所述中间位置作为所述网格信息变化率在XOY平面坐标位置;其中,所述XOY平面位于空间坐标系OXYg中;
曲面拟合模块,将所述网格信息变化率的值作为g坐标,并根据所述网格信息变化率在XOY平面坐标位置进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面。
关于物体表面缺陷检测装置的具体限定可以参见上文中对于物体表面缺陷检测方法的限定,在此不再赘述。
本申请所述物体表面缺陷检测方法可封装在图像处理界面中,网格的边长为预定数目的像素可以进行选择,如选择3、5、7、9,则网格的边长为3个像素、5个像素、7个像素或9个像素,最终分离出的缺陷的颜色也可通过控件进行选择,缺陷面积也可通过界面显示。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种物体表面缺陷检测方法,其特征在于,所述方法包括:
获取基准图像和待检测图像的多个网格灰度均值;其中,所述基准图像为无缺陷图像;
计算多个所述基准图像的网格灰度均值与对应位置的所述待检测图像的网格灰度均值之比,得到多个网格信息变化率;其中,所述基准图像与所述待检测图像的尺寸相同,能够划分成相同的网格,计算每个相同网格位置的所述基准图像的网格灰度均值与所述待检测图像的网格灰度均值之比,得到网格信息变化率,具体公式为:
其中,p(i,j)为网格信息变化率,gM(i,j)为基准图像网格灰度均值,gT(i,j)为基准图像的网格灰度均值,gT(i,j)为待检测图像的网格灰度均值;
根据所述多个网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面;
根据所述灰度变化倍率曲面对所述待检测图像进行亮度重构,得到重构图像;其中,亮度重构的计算公式为:
FT(x,y)=fT(x,y)·γ(x,y)
其中,fT(x,y)为待检测图像重构前的灰度值,FT(x,y)为待检测图像重构后的灰度值,γ(x,y)为灰度变化倍率曲面;
对所述重构图像基于所述基准图像进行差分处理,分离出所述待检测图像中的缺陷;
其中,所述根据所述网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面,包括:
获取所述网格信息变化率所对应网格的中间位置,并将所述中间位置作为所述网格信息变化率在XOY平面坐标位置;其中,所述XOY平面位于空间坐标系OXYg中;
将所述网格信息变化率的值作为g坐标,并根据所述网格信息变化率在XOY平面坐标位置进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面。
2.根据权利要求1所述的方法,其特征在于,还包括:
对所述待检测图像中的缺陷进行连通域分析,获得缺陷的几何信息。
3.根据权利要求2所述的方法,其特征在于,所述几何信息包括缺陷面积和缺陷位置中至少一种。
4.根据权利要求1所述的方法,其特征在于,所述获取基准图像和待检测图像的网格灰度均值,包括:
对所述基准图像或待检测图像划分成网格,所述网格为正方形,所述网格的边长为预定数目的像素;
计算每个所述网格在所述基准图像或待检测图像所覆盖的区域的像素的灰度平均值,得到网格灰度均值。
5.一种物体表面缺陷检测装置,其特征在于,所述装置包括:
网格灰度均值获取单元,用于获取基准图像和待检测图像的多个网格灰度均值;其中,所述基准图像为无缺陷图像;
网格信息变化率计算单元,用于计算多个所述基准图像的网格灰度均值与对应位置的所述待检测图像的网格灰度均值之比,得到多个网格信息变化率;其中,所述基准图像与所述待检测图像的尺寸相同,能够划分成相同的网格,计算每个相同网格位置的所述基准图像的网格灰度均值与所述待检测图像的网格灰度均值之比,得到网格信息变化率,具体公式为:
其中,p(i,j)为网格信息变化率,gM(i,j)为基准图像网格灰度均值,gT(i,j)为基准图像的网格灰度均值,gT(i,j)为待检测图像的网格灰度均值;
灰度变化倍率曲面拟合单元,用于根据所述多个网格信息变化率进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面;其中,亮度重构的计算公式为:
FT(x,y)=fT(x,y)·γ(x,y)
其中,fT(x,y)为待检测图像重构前的灰度值,FT(x,y)为待检测图像重构后的灰度值,γ(x,y)为灰度变化倍率曲面;
图像重构单元,用于根据所述灰度变化倍率曲面对所述待检测图像进行亮度重构,得到重构图像;
差分处理单元,用于对所述重构图像基于所述基准图像进行差分处理,分离出所述待检测图像中的缺陷;
其中,所述灰度变化倍率曲面拟合单元包括:
平面坐标位置获取模块,用于获取所述网格信息变化率所对应网格的中间位置,并将所述中间位置作为所述网格信息变化率在XOY平面坐标位置;其中,所述XOY平面位于空间坐标系OXYg中;
曲面拟合模块,将所述网格信息变化率的值作为g坐标,并根据所述网格信息变化率在XOY平面坐标位置进行曲面拟合,得到所述待检测图像相对于所述基准图像的灰度变化倍率曲面。
6.根据权利要求5所述的装置,其特征在于,还包括:
连通域分析单元,用于对所述待检测图像中的缺陷进行连通域分析,获得缺陷的几何信息。
7.根据权利要求6所述的装置,其特征在于,所述几何信息包括缺陷面积和缺陷位置中至少一种。
8.根据权利要求5所述的装置,其特征在于,所述网格灰度均值获取单元包括:
网格划分模块,用于对所述基准图像或待检测图像划分成网格,所述网格为正方形,所述网格的边长为预定数目的像素;
网格灰度均值计算模块,用于计算每个所述网格在所述基准图像或待检测图像所覆盖的区域的像素的灰度平均值,得到网格灰度均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556466.2A CN110349133B (zh) | 2019-06-25 | 2019-06-25 | 物体表面缺陷检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556466.2A CN110349133B (zh) | 2019-06-25 | 2019-06-25 | 物体表面缺陷检测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349133A CN110349133A (zh) | 2019-10-18 |
CN110349133B true CN110349133B (zh) | 2021-11-23 |
Family
ID=68183070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910556466.2A Active CN110349133B (zh) | 2019-06-25 | 2019-06-25 | 物体表面缺陷检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349133B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117957438A (zh) * | 2022-08-30 | 2024-04-30 | 宁德时代新能源科技股份有限公司 | 缺陷检测的方法、装置和计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005013199A1 (en) * | 2003-07-25 | 2005-02-10 | Applied Materials Israel, Ltd. | Color variation compensation algorithm for bright field wafer inspection |
CN103792699A (zh) * | 2013-09-09 | 2014-05-14 | 中华人民共和国四川出入境检验检疫局 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
CN105606619A (zh) * | 2016-01-19 | 2016-05-25 | 北京鼎新时代科技有限公司 | 一种铸坯修磨机的检测及优化修磨方法 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN107622277A (zh) * | 2017-08-28 | 2018-01-23 | 广东工业大学 | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 |
CN107735674A (zh) * | 2015-06-25 | 2018-02-23 | 杰富意钢铁株式会社 | 表面缺陷检测装置、表面缺陷检测方法及钢材的制造方法 |
CN109540925A (zh) * | 2019-01-23 | 2019-03-29 | 南昌航空大学 | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458755B (zh) * | 2014-11-26 | 2017-02-22 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
CN106780486B (zh) * | 2017-01-16 | 2019-12-24 | 大连海事大学 | 一种钢板表面缺陷图像提取方法 |
CN106645190B (zh) * | 2017-01-20 | 2019-01-25 | 河北工业大学 | 基于模板匹配的带钢表面缺陷精准检测方法 |
CN109060842B (zh) * | 2018-08-14 | 2020-12-29 | 西南大学 | 基于曲面拟合校正的柑橘表面缺陷检测方法 |
-
2019
- 2019-06-25 CN CN201910556466.2A patent/CN110349133B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005013199A1 (en) * | 2003-07-25 | 2005-02-10 | Applied Materials Israel, Ltd. | Color variation compensation algorithm for bright field wafer inspection |
CN103792699A (zh) * | 2013-09-09 | 2014-05-14 | 中华人民共和国四川出入境检验检疫局 | 基于B样条曲面拟合的TFT-LCD Mura缺陷机器视觉检测方法 |
CN107735674A (zh) * | 2015-06-25 | 2018-02-23 | 杰富意钢铁株式会社 | 表面缺陷检测装置、表面缺陷检测方法及钢材的制造方法 |
CN105606619A (zh) * | 2016-01-19 | 2016-05-25 | 北京鼎新时代科技有限公司 | 一种铸坯修磨机的检测及优化修磨方法 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN107622277A (zh) * | 2017-08-28 | 2018-01-23 | 广东工业大学 | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 |
CN109540925A (zh) * | 2019-01-23 | 2019-03-29 | 南昌航空大学 | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
《产品表面质量视觉检测时频分析方法研究及其系统实现》;李安定;《中国博士学位论文全文数据库 信息科技辑》;20190315(第3期);第I138-29页 * |
《基于二维高斯曲面拟合的图像灰度补偿算法》;李炜,等;《华中科技大学学报(自然科学版)》;20040229;第32卷(第2期);第43-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110349133A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
CN107111872B (zh) | 信息处理装置、信息处理方法、及存储介质 | |
US20190147283A1 (en) | Deep convolutional neural networks for crack detection from image data | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
WO2012066785A1 (ja) | 人数カウント装置、人数カウント方法及び人数カウントプログラム | |
US20170330315A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program | |
US11915430B2 (en) | Image analysis apparatus, image analysis method, and storage medium to display information representing flow quantity | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
KR102199094B1 (ko) | 관심객체 검출을 위한 관심영역 학습장치 및 방법 | |
US20200096454A1 (en) | Defect detection system for aircraft component and defect detection method for aircraft component | |
CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
Kiruthika et al. | Matching of different rice grains using digital image processing | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
CN111179242B (zh) | 图像处理方法及其装置 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
CN113689431B (zh) | 工业产品外观缺陷检测方法和装置 | |
Jing et al. | Automatic recognition of weave pattern and repeat for yarn-dyed fabric based on KFCM and IDMF | |
CN110349133B (zh) | 物体表面缺陷检测方法、装置 | |
CN113221812A (zh) | 人脸关键点检测模型的训练方法和人脸关键点检测方法 |
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 |