CN110349150A - 一种产品缺陷识别方法 - Google Patents
一种产品缺陷识别方法 Download PDFInfo
- Publication number
- CN110349150A CN110349150A CN201910641300.0A CN201910641300A CN110349150A CN 110349150 A CN110349150 A CN 110349150A CN 201910641300 A CN201910641300 A CN 201910641300A CN 110349150 A CN110349150 A CN 110349150A
- Authority
- CN
- China
- Prior art keywords
- image
- product
- characteristic image
- recognition methods
- feature
- 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.)
- Withdrawn
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
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种产品缺陷识别方法,包括通过光学设备获取产品图像;去除图像背景,留下图像的关键特征,并缩小图像尺寸;通过深度学习算法筛选出图像中的瑕疵。本方法相较于现有的缺陷识别算法,无需繁琐地进行多重参数调整,因此能够快速适应不同产品的瑕疵识别,提高了效率;而且本方法中通过将深度学习与传统算法的结合,大大提高了瑕疵识别的准确度,降低了误判几率,从而降低了人力成本。
Description
技术领域
本发明涉及产品瑕疵识别领域,尤其涉及一种产品缺陷识别方法。
背景技术
在现代工业生产制造行业中,为提高产品合格率,通常在出厂前需要进行质检。通常瑕疵为不规则形状,还有深浅不一,方向性也不确定,因此检查标准很难有统一的标准,便导致了目前的产品瑕疵检查仍为人工检查。但因此人眼判定存在疲劳、情绪上的风险,因此对于机器的检查后的复判有误判的风险。
发明内容
本发明为解决现有的产品瑕疵检查中人工检查存在误判风险的问题,所采用的技术方案是:一种产品缺陷识别方法,包括如下步骤:
通过光学设备获取产品图像;
去除图像背景,留下图像的关键特征,并缩小图像尺寸;
通过深度学习算法筛选出图像中的瑕疵。
进一步改进为,所述去除图像背景,留下图像的关键特征,并缩小图像尺寸,包括:
将图像进行第一次二值化处理;
将二值化处理后的图像进行第一次特征分离,获得最大特征图像,去除最大特征图像周围的其它特征;
将分离出来的最大特征图像内部填满;
去除背景;
将去除背景后的最大特征图像进行第二次二值化处理;
对最大特征图像进行第二次特征分离,获得分离后的产品特征图像;
将产品特征图像填满;
取得前景物件并缩小图像尺寸,输出。
进一步改进为,所述深度学习算法,包括:
截取多个产品图像的特征图像,并对特征图像有无缺陷进行标记;
将多个特征图像逐一或叠加后进行权重学习;
对特征图像的缺陷进行预测;
若预测结果与标记不一致,则重复上述步骤;
若预测结果与标记一致,则将预测结果与对应特征图像一并存储于数据库中,结束深度学习过程。
本发明的有益效果是:
本发明提供的产品缺陷识别方法,相较于现有的缺陷识别算法,无需繁琐地进行多重参数调整,因此能够快速适应不同产品的瑕疵识别,提高了效率;而且本方法中通过将深度学习与传统算法的结合,大大提高了瑕疵识别的准确度,降低了误判几率,从而降低了人力成本。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的产品缺陷识别方法流程示意图;
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
在发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个组件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在发明中的具体含义。
如图1所示,本发明提供了一种产品缺陷识别方法,包括如下步骤:
S01通过光学设备获取产品图像;具体地,光学设备的组合,通过经验法则判定,成功条件与失败风险进行评估,并罗列出可能影响系统的因子,这些影响系统的因子包括:无尘环境等级、机械设备发尘与防尘能力、产品来料的清洁度、软件算法中的参数设定经验值等。
S02去除图像背景,留下图像的关键特征,并缩小图像尺寸;
S03通过深度学习算法筛选出图像中的瑕疵。
进一步改进为,所述去除图像背景,留下图像的关键特征,并缩小图像尺寸,包括:
光学设备拍摄的产品图像包括产品及产品周边的背景,先将图像进行第一次二值化处理,优选地threshold(阀值)=150灰阶;
而后将二值化处理后的图像根据颜色进行第一次特征分离,获得最大特征图像,去除最大特征图像周围的其它特征;
将分离出来的最大特征图像内部填满;
去除背景,留下有效的特征作为后续要辨识的对像;
将去除背景后的最大特征图像进行第二次二值化处理,此处优选的threshold(阀值)=150灰阶;
对最大特征图像进行第二次特征分离,优选地ra(球外径)=600-800像素,将最大特征图像中除了产品特征图像以外的其它特征去除,获得分离后的产品特征图像;
将产品特征图像内部填满;
取得前景物件并缩小图像尺寸,输出。
进一步改进为,所述深度学习算法,包括:
截取多个产品图像的特征图像,并对特征图像有无缺陷进行标记;
将多个特征图像逐一或叠加后进行权重学习;
对特征图像的缺陷进行预测;
若预测结果与标记不一致,则重复上述步骤;
若预测结果与标记一致,则将预测结果与对应特征图像一并存储于数据库中,结束深度学习过程。
本方法相较于现有的缺陷识别算法,无需繁琐地进行多重参数调整,因此能够快速适应不同产品的瑕疵识别,提高了效率;而且本方法中通过将深度学习与传统算法的结合,大大提高了瑕疵识别的准确度,降低了误判几率,从而降低了人力成本。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (3)
1.一种产品缺陷识别方法,其特征在于,包括如下步骤:
通过光学设备获取产品图像;
去除图像背景,留下图像的关键特征,并缩小图像尺寸;
通过深度学习算法筛选出图像中的瑕疵。
2.根据权利要求1所述的产品缺陷识别方法,其特征在于,所述去除图像背景,留下图像的关键特征,并缩小图像尺寸,包括:
将图像进行第一次二值化处理;
将二值化处理后的图像进行第一次特征分离,获得最大特征图像,去除最大特征图像周围的其它特征;
将分离出来的最大特征图像内部填满;
去除背景;
将去除背景后的最大特征图像进行第二次二值化处理;
对最大特征图像进行第二次特征分离,获得分离后的产品特征图像;
将产品特征图像填满;
取得前景物件并缩小图像尺寸,输出。
3.根据权利要求1所述的产品缺陷识别方法,其特征在于,所述深度学习算法,包括:
截取多个产品图像的特征图像,并对特征图像有无缺陷进行标记;
将多个特征图像逐一或叠加后进行权重学习;
对特征图像的缺陷进行预测;
若预测结果与标记不一致,则重复上述步骤;
若预测结果与标记一致,则将预测结果与对应特征图像一并存储于数据库中,结束深度学习过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910641300.0A CN110349150A (zh) | 2019-07-16 | 2019-07-16 | 一种产品缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910641300.0A CN110349150A (zh) | 2019-07-16 | 2019-07-16 | 一种产品缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110349150A true CN110349150A (zh) | 2019-10-18 |
Family
ID=68175471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910641300.0A Withdrawn CN110349150A (zh) | 2019-07-16 | 2019-07-16 | 一种产品缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349150A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、系统及其存储介质 |
IT202200011345A1 (it) | 2022-05-30 | 2023-11-30 | Sacmi | Metodo e sistema per eseguire un controllo di qualità di oggetti in un apparato che produce gli oggetti in ciclo continuo |
-
2019
- 2019-07-16 CN CN201910641300.0A patent/CN110349150A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、系统及其存储介质 |
IT202200011345A1 (it) | 2022-05-30 | 2023-11-30 | Sacmi | Metodo e sistema per eseguire un controllo di qualità di oggetti in un apparato che produce gli oggetti in ciclo continuo |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684981B (zh) | 青光眼图像识别方法、设备和筛查系统 | |
CN110349150A (zh) | 一种产品缺陷识别方法 | |
CN106156780B (zh) | 轨道上异物侵限识别中排除误报的方法 | |
CN108022251B (zh) | 一种管状结构的中心线的提取方法及系统 | |
CN105954301B (zh) | 一种基于机器视觉的瓶口质量检测方法 | |
CN104239853B (zh) | 一种图像的处理方法和装置 | |
CN106778705A (zh) | 一种行人个体分割方法及装置 | |
CN107256406A (zh) | 重叠纤维图像分割方法、装置、存储介质和计算机设备 | |
CN109190625B (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN105096677A (zh) | 一种教学系统及其工作方法 | |
CN112561896B (zh) | 一种玻璃瓶口缺陷的检测方法、系统、装置及存储介质 | |
CN110954553A (zh) | 一种镜片光学检测系统 | |
CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
CN112364740A (zh) | 一种基于计算机视觉的无人机房监控方法及系统 | |
JP2008004123A (ja) | 特定形状領域の抽出装置及び方法、特定領域の抽出装置及び方法、複写条件決定装置及び方法 | |
CN113297885A (zh) | 基于卷积神经网络的皮带机表面状态检测方法及装置 | |
CN108961331A (zh) | 一种绞合线节距的测量方法和装置 | |
CN111177308A (zh) | 一种文本内容的识别情绪方法 | |
CN114240923A (zh) | 基于机器视觉的全自动bldc电机绕线机产品缺陷检测方法 | |
CN109086737A (zh) | 基于卷积神经网络的航运货物监控视频识别方法及系统 | |
CN108038858A (zh) | 用于纺织领域机器视觉系统中纱线管上纱线量的识别方法 | |
WO2004027696A3 (fr) | Procédé pour le codage vidéo d'images comportant une information d'adresse | |
CN109257594B (zh) | 电视出厂检测方法、装置及计算机可读存储介质 | |
CN105335717B (zh) | 基于智能移动终端视频抖动分析的人脸识别系统 | |
CN113469980B (zh) | 一种基于图像处理的法兰识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191018 |
|
WW01 | Invention patent application withdrawn after publication |