CN110503633A - 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 - Google Patents

一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 Download PDF

Info

Publication number
CN110503633A
CN110503633A CN201910689741.8A CN201910689741A CN110503633A CN 110503633 A CN110503633 A CN 110503633A CN 201910689741 A CN201910689741 A CN 201910689741A CN 110503633 A CN110503633 A CN 110503633A
Authority
CN
China
Prior art keywords
image
testing
applique
point
difference
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.)
Pending
Application number
CN201910689741.8A
Other languages
English (en)
Inventor
胡辽林
李捷
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.)
Xian University of Technology
Original Assignee
Xian 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201910689741.8A priority Critical patent/CN110503633A/zh
Publication of CN110503633A publication Critical patent/CN110503633A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明公开一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，采集模板图像和待测图像；对图像预处理；采用FAST+SURF+BBF算法对模板图像和待测图像的特征点提取、描述符生成及特征点匹配，得到图像间的初匹配点对；剔除误匹配点对；建立待测图像与模板图像的仿射变换关系，获得单应性变换矩阵；对配准后的待测图像和模板图像差分运算，得差分图像，判断差分图像的各像素点是否在预先设定的灰度区间内，若超出该区间，则对应的像素点为缺陷像素点；采用迭代阈值分割法对差分图像二值化处理；对二值图像进行进一步的形态学处理，实现缺陷目标的提取；计算缺陷目标的圆形度大小，通过判断圆形度的大小实现待测图像是否合格的智能判断。

Description

一种基于图像差分的贴花陶瓷盘表面缺陷检测方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于图像差分的贴花陶瓷盘表面缺陷检测方法。
背景技术
在科技高速发展的今天，贴花陶瓷盘作为人们生活的必需品之一，人们对其提出了更加严格的质量要求。表面缺陷检测是质量检测中最为重视的一环。贴花陶瓷盘表面缺陷种类较多，包括漏贴、错贴、贴偏、剥落、划痕、污点、爆花等。在贴花陶瓷盘的生产线上，从炼泥、拉坯、利坯、晒坯、施釉到烧窑已经实现半自动化生产，但贴花陶瓷盘的表面缺陷检测工序还未实现自动化，依然采用传统的人工检测法对产品表面的缺陷进行检测。但传统的人工检测法容易受外界环境和心理因素的影响，长时间高强度的工作会造成视觉疲劳，不能保证产品检测的高准确率和低误检率。因此，研究出一种适应于工厂自动化生产的贴花陶瓷盘表面缺陷的检测方法成为需求。
发明内容
本发明的目的是提供一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，能够快速检测出贴花陶瓷盘表面是否有缺陷。
本发明采用的技术方案是，一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，具体按照以下步骤实施：
步骤1、选定不含缺陷的贴花陶瓷盘作为标准件，采集该标准件的图像作为模板图像；采集待检测贴花陶瓷盘图像作为待测图像；
步骤2、对待测图像预处理，并对模板图像和预处理后待测图像的特征点提取、描述符生成及特征点匹配，得到图像间的初匹配点对；
步骤3、剔除初匹配点对中的误匹配点对，得到纯匹配点对；
步骤4、通过纯匹配点对建立待测图像与模板图像之间的仿射变换关系，获得单应性变换矩阵，由单应性变换矩阵参数得到待测图像相对于模板图像的几何变量，进而得到待测图像与模板图像的配准；
步骤5、预先设定灰度区间，通过配准后的待测图像和模板图像获得差分图像，判断差分图像各像素点是否在预先设定灰度区间内；若在该区间内，则对应的像素点不是缺陷像素点；若超出该区间，则对应的像素点是缺陷像素点；
步骤6、通过迭代阈值算法对差分图像二值化处理，得到二值图像，对二值图像进行形态学处理，提取缺陷目标；
步骤7、判断缺陷目标的圆形度大小，判定待测图像是否有缺陷。
本发明的特点还在于，
步骤2对待测图像预处理具体过程为：对待测图像通过加权平均灰度化处理，接着对灰度化处理后的图像进行线性对比度增强处理。
加权平均灰度化处理的公式为：
Vgray＝0.3R+0.59G+0.11B (1)；
式(1)中，R、G、B分别代表彩色图像中三通道的像素值；
对灰度化处理后的图像进行线性对比度增强处理的公式为：
式(2)中，图像尺寸大小为m×n。
得到图像间的初匹配点对具体过程为：采用加速分割检测特征、加速鲁棒特征和最优节点优先的快速匹配算法完成模板图像和预处理后待测图像的特征点提取、描述符生成，随后再进行特征点匹配，得到图像间的初匹配点对。
获得图像间的初匹配点对具体过程为：
模板图像和预处理后待测图像的特征点提取具体过程为：
加速分割检测特征算法提取模板图像和待测图像的候选特征点提取,以候选特征点为圆心构造一个半径为3的圆，圆周上的像素点按顺时针方向依次编号为1～16，通过比较候选特征点与圆周上点的灰度值大小来判断该点是否为特征点；
候选特征点大于圆周上点的灰度值，则为正确特征点；
候选特征点不大于圆周上点的灰度值，则不是特征点。
描述符生成过程为：加速鲁棒特征：以加速分割检测特征中检测到的特征点为中心构建一个半径为6σ，的圆形区域，σ为空间尺度因子，以60°为间隔依次计算扇形区域内像素点的Haar小波响应高斯加权累加值，获得新矢量，矢量最长的方向即为特征点主方向，主方向的确定保证了特征点的旋转不变性，接下来以特征点主方向为x轴，构造一个边长为20σ的正方形区域，并将该区域等间隔划分为4×4的子区域，计算子区域中每个采样点在x和y方向的Haar小波响应，分别记为dx，dy；对每个子区域的dx和dy进行高斯加权累加计算得到4维的特征描述向量v＝[∑dx，∑dy，∑|dx|，∑|dy|]将4×4个子区域的v组合在一起，获得16×4＝64维的表征向量，即生成描述符；
特征点匹配采用最优节点优先双向匹配算法实现特征匹配。
步骤3剔除初匹配点对中的误匹配点对采用的是随机抽样一致性(RANSAC：RandomSample Consensus)算法。
步骤4具体过程为：利用纯匹配点建立待测图像与模板图像间的仿射变换关系，获得单应性变换矩阵，根据单应性变换矩阵的参数获得待测图像相对于模板图像的旋转和平移变量，利用图像的几何变换和重采样技术，实现待测图像与模板图像的配准，获得配准后的待测图像；
单应性变换矩阵如下：
式(3)中，θ为待测图像相对于模板图像的旋转量，Δx、Δy分别为待测图像相对于模板图像在x方向和y方向的平移量。
步骤5预先设定灰度区间的方法为：
对模板图像进行腐蚀处理，记腐蚀图像的灰度函数为(x，y)为待测图像中任意一像素点；
对模板图像进行膨胀处理，记膨胀图像的灰度函数为
灰度区间的范围：
步骤6对二值图像进行形态学处理过程为：通过开运算去除二值图像中细小的杂点，然后在开运算的基础上进行闭运算处理，获得有清晰轮廓的缺陷目标二值图像。
步骤7具体过程为：计算缺陷目标的圆形度大小，通过判断圆形度的大小实现待测图像是否合格的判断；
当圆形度大于等于1时，判断该产品不合格；
否则，判断为合格；
圆形度的计算公式为：
式中，As为连通域S的面积，P为连通域S的周长。
本发明的有益效果是：
本发明一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，针对贴花陶瓷盘表面缺陷的检测，提出了一种基于图像差分的缺陷检测方法，为实现贴花陶瓷盘表面缺陷的自动化检测奠定了基础；该方法相对于传统的人工检测方法能够快速检测出人眼不容易发现的缺陷，并且具有检测精度高、速度快的优点。
附图说明
图1是贴花陶瓷盘表面缺陷检测方法的流程图；
图2为本发明中采集贴花陶瓷盘表面图像系统图；
图3(a)为贴花陶瓷盘的模板图像；
图3(b)为贴花陶瓷盘的待测图像；
图4(a)为预处理后的模板图像；
图4(b)为预处理后的待测图像；
图5为Haar小波响应示意图；
图6为含有剥落缺陷的配准后的待测图像；
图7为对模板图像进行腐蚀处理后得到的腐蚀图像；
图8为最终处理得到的含有缺陷的二值图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，如图1所示，具体按照以下步骤实施：
步骤1、选定不含缺陷的贴花陶瓷盘作为标准件，采用如图2所示的采集贴花陶瓷盘表面图像系统，采集该标准件的图像作为模板图像如图3(a)所示；用同样的设备采集待检测贴花盘图像作为待测图像，如图3(b)所示。
由于模板图像和待测图像由同一图像采集设备获取，即摄像头位置高度固定、触发传感器进行图像拍摄的位置相同，因此待测图像相对模板图像只存在平移和旋转变化。
步骤2、在图像采集的过程中，由于贴花陶瓷盘表面本身的高反光性、贴花的多样性、光源不稳定及相机感光等因素的影响，使得待测图像相对于模板图像存在一定程度的差异，这会影响贴花陶瓷盘表面缺陷检测的结果，因此需要对待测图像预处理：对待测图像通过加权平均灰度化处理，接着对灰度化处理后的图像进行线性对比度增强处理。
加权平均灰度化处理的公式为：
Vgray＝0.3R+0.59G+0.11B (1)；
式(1)中，R、G、B分别代表彩色图像中三通道的像素值；
对灰度化处理后的图像进行线性对比度增强处理的公式为：
式(2)中，图像尺寸大小为m×n。
图4(a)为预处理后的模板图像；图4(b)为预处理后的待测图像。
采用加速分割检测特征(FAST：Features from Accelerated Segment Test)、加速鲁棒特征(SURF：Speeded Up Robust Feature)和最优节点优先(BBF：best bin first)的快速匹配算法完成模板图像和预处理后待测图像的特征点提取、描述符生成，随后再进行特征点匹配，得到图像间的初匹配点对。
加速鲁棒特征算法相对于Harris算法的尺度不变性较好，通过对图像卷积做近似处理和采用积分图像加快特征点的定位，减少Hessian矩阵的计算量，使相对于SIFT算法减少了3倍以上的运行时间。加速分割检测特征算法与SIFT、加速鲁棒特征算法相比，该算法检测速度快，检测的细节点多。因此本发明将加速分割检测特征算法与加速鲁棒特征算法相结合，不仅克服了加速鲁棒特征算法特征提取少、计算量大的问题，又保留了加速鲁棒特征描述向量的抗旋转性，特别适合本系统。
得到图像间的初匹配点对具体过程为：
模板图像和预处理后待测图像的特征点提取具体过程为：
加速分割检测特征算法提取模板图像和待测图像的候选特征点,以候选特征点为圆心构造一个半径为3的圆，圆周上的像素点按顺时针方向依次编号为1～16，通过比较候选特征点与圆周上点的灰度值大小来判断该点是否为特征点；
候选特征点大于圆周上点的灰度值，则为正确特征点；
候选特征点不大于圆周上点的灰度值，则不是特征点。
描述符生成过程为：以加速分割检测特征中检测到的特征点为中心构建一个半径为6σ，的圆形区域，σ为空间尺度因子，以60°为间隔依次计算扇形区域内像素点的Haar小波响应高斯加权累加值，获得新矢量，如图5所示，矢量最长的方向即为特征点主方向，主方向的确定保证了特征点的旋转不变性，接下来以特征点主方向为x轴，构造一个边长为20σ的正方形区域，并将该区域等间隔划分为4×4的子区域，计算子区域中每个采样点在x和y方向的Haar小波响应，分别记为dx，dy；对每个子区域的dx和dy进行高斯加权累加计算得到4维的特征描述向量v＝[∑dx，∑dy，∑|dx|，∑|dy|]将4×4个子区域的v组合在一起，获得16×4＝64维的表征向量，即生成描述符。
BBF算法在KD-tree算法的基础上加入了优先队列，避免在回溯查找的过程中重复路径的搜索，起到了提高搜索效率的作用，本发明采用BBF双向匹配算法实现特征匹配，相对于单向匹配大大提升了匹配点对的准确性，更有利于后续图像几何变换参数的计算。
步骤3、采用RANSAC算法剔除初匹配点对中的误匹配点对，得到纯匹配点对。
步骤4、利用纯匹配点建立待测图像与模板图像间的仿射变换关系，获得单应性变换矩阵，该矩阵共有3个未知量，要想求解未知参数必须建立3个方程，即至少获得3对提纯后的匹配点对，根据单应性变换矩阵的参数获得待测图像相对于模板图像的旋转和平移变量，利用图像的几何变换和重采样技术，实现待测图像与模板图像的配准，获得配准后的待测图像，如图6所示；
单应性变换矩阵如下：
式(3)中，θ为待测图像相对于模板图像的旋转量，Δx、Δy分别为待测图像相对于模板图像在x方向和y方向的平移量。
步骤5、预先设定灰度区间的方法为：
对模板图像进行腐蚀处理，图像如图7所示，记腐蚀图像的灰度函数为(x，y)为待测图像中任意一像素点；
对模板图像进行膨胀处理，记膨胀图像的灰度函数为
灰度区间的范围：
记模板图像的灰度函数为T(x,y)，配准后的待测图像的灰度函数为M(x,y)，差分图像的灰度函数为D(x,y)，如果M(x,y)在决定的灰度范围内，则判定待测图像中对应位置(x,y)处的像素不为缺陷像素，该算法可用以下程序简单表示：
通过配准后的待测图像和模板图像获得差分图像，判断差分图像各像素点是否在预先设定灰度区间内；若在该区间内，则对应的像素点不是缺陷像素点；若超出该区间，则对应的像素点是缺陷像素点；
步骤6、为去除图像亮度对缺陷信息(位置、大小、形状)的干扰，通过迭代阈值算法对差分图像二值化处理，得到二值图像，该二值图像中除了包含背景和具有清晰轮廓的缺陷外，还存在小部分的杂点，为避免杂点对待测图像中微小缺陷检测的影响，对二值图像进行形态学处理，去除图像中的杂点颗粒，提取缺陷目标；
通过对比固定阈值算法、Otsu大津法和迭代阈值算法的二值化效果图，发现迭代阈值算法选择的分割阈值更为合理，从而获得的缺陷目标更易于人眼的观察及计算机的捕捉。
对二值图像进行形态学处理过程为：为保证形态学处理不改变阈值分割二值图像中缺陷面积的大小，本发明首先采用开运算去除二值图像中细小的杂点，然后在开运算的基础上进行闭运算处理，为有效去除目标内小的间断与细的间隙并合并断开的邻域目标，避免一个连通域被标记为多个连通域，经开、闭运算处理后最终获得了具有清晰轮廓的缺陷目标二值图像。
步骤7、判断缺陷目标的圆形度大小，判定待测图像是否有缺陷；
具体过程为：计算缺陷目标的圆形度大小，通过判断圆形度的大小实现待测图像是否合格的判断；
当圆形度大于等于1时，判断该产品不合格；
否则，判断为合格；
圆形度的计算公式为：
式中，As为连通域S的面积，P为连通域S的周长。
采用本发明一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，对预先知道的含有缺陷和不含缺陷的贴花陶瓷盘进行检测，检测结果如表1所示：
表1
由表1可知，根据实验统计结果该发明的缺陷检测平均正确率可达90％，说明该方法具有一定的可行性。
通过上述方式，本发明一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，能够准确快速的检测出贴花陶瓷盘是否合格。具体步骤为：选定模板图像；采集待测图像；对模板图像和实时采集的待测图像进行预处理操作；采用FAST+SURF+BBF算法完成模板图像和待测图像的特征点提取、描述符生成及特征点匹配，得到图像间的初匹配点对；采用RANSAC算法剔除初匹配点对中的误匹配点对；建立待测图像与模板图像间的仿射变换关系，获得单应性变换矩阵H；对配准后的待测图像和模板图像进行图像差分运算，获得差分图像，通过判断差分图像的各像素点是否在预先设定的灰度区间内，若超出该区间，则判定对应的像素点为缺陷像素点；采用迭代阈值分割法对差分图像进行二值化处理；对二值图像进行进一步的形态学处理，去除图像中的杂点颗粒，实现缺陷目标的准确提取；计算缺陷目标的圆形度大小，通过判断圆形度的大小实现待测图像是否合格的智能判断。

Claims (10)

1.一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，具体按照以下步骤实施：
步骤1、选定不含缺陷的贴花陶瓷盘作为标准件，采集该标准件的图像作为模板图像；采集待检测贴花陶瓷盘图像作为待测图像；
步骤2、对待测图像预处理，并对模板图像和预处理后待测图像的特征点提取、描述符生成及特征点匹配，得到图像间的初匹配点对；
步骤3、剔除初匹配点对中的误匹配点对，得到纯匹配点对；
步骤4、通过纯匹配点对建立待测图像与模板图像之间的仿射变换关系，获得单应性变换矩阵，由单应性变换矩阵参数得到待测图像相对于模板图像的几何变量，进而得到待测图像与模板图像的配准；
步骤5、预先设定灰度区间，通过配准后的待测图像和模板图像获得差分图像，判断差分图像各像素点是否在预先设定灰度区间内；若在该区间内，则对应的像素点不是缺陷像素点；若超出该区间，则对应的像素点是缺陷像素点；
步骤6、通过迭代阈值算法对差分图像二值化处理，得到二值图像，对二值图像进行形态学处理，提取缺陷目标；
步骤7、判断缺陷目标的圆形度大小，判定待测图像是否有缺陷。
2.根据权利要求1所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，步骤2所述对待测图像预处理具体过程为：对待测图像通过加权平均灰度化处理，接着对灰度化处理后的图像进行线性对比度增强处理。
3.根据权利要求2所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，所述加权平均灰度化处理的公式为：
Vgray＝0.3R+0.59G+0.11B (1)；
式(1)中，R、G、B分别代表彩色图像中三通道的像素值；
所述对灰度化处理后的图像进行线性对比度增强处理的公式为：
(i＝1，2，...，m；j＝1，2，...n)
式(2)中，图像尺寸大小为m×n。
4.根据权利要求1所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，所述得到图像间的初匹配点对具体过程为：采用加速分割检测特征、加速鲁棒特征和最优节点优先的快速匹配算法完成模板图像和预处理后待测图像的特征点提取、描述符生成，随后再进行特征点匹配，得到图像间的初匹配点对。
5.根据权利要求4所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，所述获得图像间的初匹配点对具体过程为：
加速分割检测特征算法提取模板图像和待测图像的候选特征点,以候选特征点为圆心构造一个半径为3的圆，圆周上的像素点按顺时针方向依次编号为1～16，通过比较候选特征点与圆周上点的灰度值大小来判断该点是否为特征点；
候选特征点大于圆周上点的灰度值，则为正确特征点；
候选特征点不大于圆周上点的灰度值，则不是特征点。
所述描述符生成过程为：
采用加速鲁棒特征算法：以加速分割检测特征中检测到的特征点为中心构建一个半径为6σ的圆形区域，σ为空间尺度因子，以60°为间隔依次计算扇形区域内像素点的Haar小波响应高斯加权累加值，获得新矢量，矢量最长的方向即为特征点主方向，主方向的确定保证了特征点的旋转不变性，接下来以特征点主方向为x轴，构造一个边长为20σ的正方形区域，并将该区域等间隔划分为4×4的子区域，计算子区域中每个采样点在x和y方向的Haar小波响应，分别记为dx，dy；对每个子区域的dx和dy进行高斯加权累加计算得到4维的特征描述向量v＝[∑dx，∑dy，∑|dx|，∑|dy|]将4×4个子区域的v组合在一起，获得16×4＝64维的表征向量，即生成描述符；
所述特征点匹配采用最优节点优先双向匹配算法实现特征匹配。
6.根据权利要求1所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，步骤3所述剔除初匹配点对中的误匹配点对采用的是RANSAC算法。
7.根据权利要求1所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，步骤4具体过程为：利用纯匹配点建立待测图像与模板图像间的仿射变换关系，获得单应性变换矩阵，根据单应性变换矩阵的参数获得待测图像相对于模板图像的旋转和平移变量，利用图像的几何变换和重采样技术，实现待测图像与模板图像的配准，获得配准后的待测图像；
所述单应性变换矩阵如下：
式(3)中，θ为待测图像相对于模板图像的旋转量，Δx、Δy分别为待测图像相对于模板图像在x方向和y方向的平移量。
8.根据权利要求1所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，步骤5所述预先设定灰度区间的方法为：
对模板图像进行腐蚀处理，记腐蚀图像的灰度函数为(x，y)为待测图像中任意一像素点；
对模板图像进行膨胀处理，记膨胀图像的灰度函数为
灰度区间的范围：
9.根据权利要求1所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，步骤6所述对二值图像进行形态学处理过程为：通过开运算去除二值图像中细小的杂点，然后在开运算的基础上进行闭运算处理，获得有清晰轮廓的缺陷目标二值图像。
10.根据权利要求1所述一种基于图像差分的贴花陶瓷盘表面缺陷检测方法，其特征在于，步骤7具体过程为：计算缺陷目标的圆形度大小，通过判断圆形度的大小实现待测图像是否合格的判断；
当圆形度大于等于1时，判断该产品不合格；
否则，判断为合格；
所述圆形度的计算公式为：
式中，As为连通域S的面积，P为连通域S的周长。
CN201910689741.8A 2019-07-29 2019-07-29 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 Pending CN110503633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910689741.8A CN110503633A (zh) 2019-07-29 2019-07-29 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910689741.8A CN110503633A (zh) 2019-07-29 2019-07-29 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN110503633A true CN110503633A (zh) 2019-11-26

Family

ID=68587613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910689741.8A Pending CN110503633A (zh) 2019-07-29 2019-07-29 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110503633A (zh)

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956630A (zh) * 2019-12-18 2020-04-03 浙江大学 平面印刷缺陷检测方法、装置以及系统
CN111028213A (zh) * 2019-12-04 2020-04-17 北大方正集团有限公司 图像缺陷检测方法、装置、电子设备及存储介质
CN111275697A (zh) * 2020-02-10 2020-06-12 西安交通大学 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法
CN111524107A (zh) * 2020-04-15 2020-08-11 Oppo（重庆）智能科技有限公司 缺陷检测方法、缺陷检测装置及计算机可读存储介质
CN111583211A (zh) * 2020-04-29 2020-08-25 广东利元亨智能装备股份有限公司 缺陷检测方法、装置及电子设备
CN112258469A (zh) * 2020-10-20 2021-01-22 成都云盯科技有限公司 一种卷帘门状态检测方法和系统
CN112288682A (zh) * 2020-06-29 2021-01-29 西安交通大学 基于图像配准的电力设备缺陷定位方法
CN112288734A (zh) * 2020-11-06 2021-01-29 西安工程大学 一种基于图像处理的印花织物表面缺陷检测方法
CN112381765A (zh) * 2020-10-23 2021-02-19 杭州翔毅科技有限公司 基于人工智能的设备检测方法、装置、设备及存储介质
CN112489042A (zh) * 2020-12-21 2021-03-12 大连工业大学 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法
CN112634264A (zh) * 2020-12-30 2021-04-09 凌云光技术股份有限公司 一种基于前景的缺陷检测方法和系统
CN112634179A (zh) * 2021-01-14 2021-04-09 北京四方继保工程技术有限公司 一种防摄像头抖动的变电设备图像变化检测方法和系统
CN112767304A (zh) * 2020-12-04 2021-05-07 浙江大学山东工业技术研究院 一种基于视觉的太阳花模组位置和方向检测方法
CN112837303A (zh) * 2021-02-09 2021-05-25 广东拓斯达科技股份有限公司 一种用于模具监视的缺陷检测方法、装置、设备及介质
CN112903703A (zh) * 2021-01-27 2021-06-04 广东职业技术学院 一种基于图像处理的陶瓷表面缺陷检测方法及系统
CN113008793A (zh) * 2021-03-01 2021-06-22 天地伟业技术有限公司 一种基于机器视觉的微纳结构缺陷检测方法
CN113039577A (zh) * 2020-08-14 2021-06-25 深圳欣锐科技股份有限公司 产品测试方法、装置、计算机可读存储介质及电子设备
CN113284092A (zh) * 2021-04-28 2021-08-20 中国地质大学（武汉） 基于特征匹配的结构面剪切破坏区域自动判识方法及装置
CN113516619A (zh) * 2021-04-09 2021-10-19 重庆大学 一种基于图像处理技术的产品表面瑕疵识别方法
CN114279357A (zh) * 2021-12-23 2022-04-05 杭州电子科技大学 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统
CN114354623A (zh) * 2021-12-30 2022-04-15 苏州凌云视界智能设备有限责任公司 弱印痕提取算法、装置、设备和介质
CN114757913A (zh) * 2022-04-15 2022-07-15 电子科技大学 一种显示屏缺陷检测方法
CN114926671A (zh) * 2022-06-16 2022-08-19 福州大学 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质
CN115170476A (zh) * 2022-06-08 2022-10-11 郑州卓润电子科技有限公司 基于图像处理的印制线路板缺陷检测方法
CN115294120A (zh) * 2022-10-08 2022-11-04 誉隆半导体设备(江苏)有限公司 基于图像识别的阀门表面质量检测方法
CN115861307A (zh) * 2023-02-21 2023-03-28 深圳市百昌科技有限公司 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN117252874A (zh) * 2023-11-16 2023-12-19 深圳市京鼎工业技术股份有限公司 一种塑胶模具生产质量视觉检测方法
WO2024087640A1 (zh) * 2022-10-26 2024-05-02 上海第二工业大学 一种基于数字图像处理的印刷电路板焊点缺陷检测方法
CN118115503A (zh) * 2024-04-30 2024-05-31 南通山口精工机电有限公司 基于计算机视觉的微型轴承用球表面缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104568986A (zh) * 2015-01-26 2015-04-29 中国科学院半导体研究所 基于surf算法的遥控器面板印刷缺陷自动检测方法
CN105160654A (zh) * 2015-07-09 2015-12-16 浙江工商大学 基于特征点提取的毛巾标签缺陷检测方法
CN109472770A (zh) * 2018-09-27 2019-03-15 南通大学 一种印刷电路板检测中的图像特征点快速匹配算法
CN109523505A (zh) * 2018-09-18 2019-03-26 深圳市智信精密仪器有限公司 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104568986A (zh) * 2015-01-26 2015-04-29 中国科学院半导体研究所 基于surf算法的遥控器面板印刷缺陷自动检测方法
CN105160654A (zh) * 2015-07-09 2015-12-16 浙江工商大学 基于特征点提取的毛巾标签缺陷检测方法
CN109523505A (zh) * 2018-09-18 2019-03-26 深圳市智信精密仪器有限公司 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法
CN109472770A (zh) * 2018-09-27 2019-03-15 南通大学 一种印刷电路板检测中的图像特征点快速匹配算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨亚 等: "SURF与灰度差分在小模数塑料齿轮缺陷检测中的研究与应用", 《机械传动》 *
郭萌: "基于机器视觉的陶瓷碗表面缺陷检测及重建方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 *

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028213A (zh) * 2019-12-04 2020-04-17 北大方正集团有限公司 图像缺陷检测方法、装置、电子设备及存储介质
CN111028213B (zh) * 2019-12-04 2023-05-26 北大方正集团有限公司 图像缺陷检测方法、装置、电子设备及存储介质
CN110956630A (zh) * 2019-12-18 2020-04-03 浙江大学 平面印刷缺陷检测方法、装置以及系统
CN111275697A (zh) * 2020-02-10 2020-06-12 西安交通大学 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法
CN111275697B (zh) * 2020-02-10 2022-04-22 西安交通大学 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法
CN111524107B (zh) * 2020-04-15 2023-02-28 Oppo（重庆）智能科技有限公司 缺陷检测方法、缺陷检测装置及计算机可读存储介质
CN111524107A (zh) * 2020-04-15 2020-08-11 Oppo（重庆）智能科技有限公司 缺陷检测方法、缺陷检测装置及计算机可读存储介质
CN111583211A (zh) * 2020-04-29 2020-08-25 广东利元亨智能装备股份有限公司 缺陷检测方法、装置及电子设备
CN112288682A (zh) * 2020-06-29 2021-01-29 西安交通大学 基于图像配准的电力设备缺陷定位方法
CN113039577A (zh) * 2020-08-14 2021-06-25 深圳欣锐科技股份有限公司 产品测试方法、装置、计算机可读存储介质及电子设备
WO2022032675A1 (zh) * 2020-08-14 2022-02-17 深圳欣锐科技股份有限公司 产品测试方法、装置、计算机可读存储介质及电子设备
CN112258469A (zh) * 2020-10-20 2021-01-22 成都云盯科技有限公司 一种卷帘门状态检测方法和系统
CN112381765A (zh) * 2020-10-23 2021-02-19 杭州翔毅科技有限公司 基于人工智能的设备检测方法、装置、设备及存储介质
CN112288734A (zh) * 2020-11-06 2021-01-29 西安工程大学 一种基于图像处理的印花织物表面缺陷检测方法
CN112767304A (zh) * 2020-12-04 2021-05-07 浙江大学山东工业技术研究院 一种基于视觉的太阳花模组位置和方向检测方法
CN112767304B (zh) * 2020-12-04 2023-02-28 浙江大学山东工业技术研究院 一种基于视觉的太阳花模组位置和方向检测方法
CN112489042A (zh) * 2020-12-21 2021-03-12 大连工业大学 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法
CN112634264A (zh) * 2020-12-30 2021-04-09 凌云光技术股份有限公司 一种基于前景的缺陷检测方法和系统
CN112634264B (zh) * 2020-12-30 2024-04-26 凌云光技术股份有限公司 一种基于前景的缺陷检测方法和系统
CN112634179B (zh) * 2021-01-14 2024-03-15 北京四方继保工程技术有限公司 一种防摄像头抖动的变电设备图像变化检测方法和系统
CN112634179A (zh) * 2021-01-14 2021-04-09 北京四方继保工程技术有限公司 一种防摄像头抖动的变电设备图像变化检测方法和系统
CN112903703A (zh) * 2021-01-27 2021-06-04 广东职业技术学院 一种基于图像处理的陶瓷表面缺陷检测方法及系统
CN112837303A (zh) * 2021-02-09 2021-05-25 广东拓斯达科技股份有限公司 一种用于模具监视的缺陷检测方法、装置、设备及介质
WO2022170706A1 (zh) * 2021-02-09 2022-08-18 广东拓斯达科技股份有限公司 用于模具监视的缺陷检测方法、装置、设备及介质
CN113008793A (zh) * 2021-03-01 2021-06-22 天地伟业技术有限公司 一种基于机器视觉的微纳结构缺陷检测方法
CN113516619A (zh) * 2021-04-09 2021-10-19 重庆大学 一种基于图像处理技术的产品表面瑕疵识别方法
CN113284092A (zh) * 2021-04-28 2021-08-20 中国地质大学（武汉） 基于特征匹配的结构面剪切破坏区域自动判识方法及装置
CN114279357B (zh) * 2021-12-23 2024-05-03 杭州电子科技大学 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统
CN114279357A (zh) * 2021-12-23 2022-04-05 杭州电子科技大学 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统
CN114354623A (zh) * 2021-12-30 2022-04-15 苏州凌云视界智能设备有限责任公司 弱印痕提取算法、装置、设备和介质
CN114757913A (zh) * 2022-04-15 2022-07-15 电子科技大学 一种显示屏缺陷检测方法
CN115170476A (zh) * 2022-06-08 2022-10-11 郑州卓润电子科技有限公司 基于图像处理的印制线路板缺陷检测方法
CN114926671A (zh) * 2022-06-16 2022-08-19 福州大学 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统
CN114926671B (zh) * 2022-06-16 2024-09-20 福州大学 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统
CN115082722A (zh) * 2022-08-22 2022-09-20 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质
CN115294120A (zh) * 2022-10-08 2022-11-04 誉隆半导体设备(江苏)有限公司 基于图像识别的阀门表面质量检测方法
WO2024087640A1 (zh) * 2022-10-26 2024-05-02 上海第二工业大学 一种基于数字图像处理的印刷电路板焊点缺陷检测方法
CN115861307B (zh) * 2023-02-21 2023-04-28 深圳市百昌科技有限公司 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN115861307A (zh) * 2023-02-21 2023-03-28 深圳市百昌科技有限公司 基于人工智能的筋膜枪供电驱动板焊接故障检测方法
CN117252874A (zh) * 2023-11-16 2023-12-19 深圳市京鼎工业技术股份有限公司 一种塑胶模具生产质量视觉检测方法
CN117252874B (zh) * 2023-11-16 2024-03-19 深圳市京鼎工业技术股份有限公司 一种塑胶模具生产质量视觉检测方法
CN118115503A (zh) * 2024-04-30 2024-05-31 南通山口精工机电有限公司 基于计算机视觉的微型轴承用球表面缺陷检测方法

Similar Documents

Publication Publication Date Title
CN110503633A (zh) 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法
CN111275697B (zh) 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法
CN102054168B (zh) 一种有价票据圆形印鉴识别方法
CN110148162A (zh) 一种基于复合算子的异源图像匹配方法
CN104568986A (zh) 基于surf算法的遥控器面板印刷缺陷自动检测方法
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN108898132B (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
Ma Defect detection and recognition of bare PCB based on computer vision
CN110335233B (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
CN114758222B (zh) 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法
CN113034474A (zh) 一种oled显示器晶圆图的测试方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN114757913A (zh) 一种显示屏缺陷检测方法
CN114937004B (zh) 一种基于计算机视觉的机械零件表面气孔缺陷检测方法
CN117036348B (zh) 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法
CN111161295A (zh) 一种菜品图像背景剥离方法
CN115439476A (zh) 基于图像分析的丝印缺陷检测方法及装置
Dominguez-Nicolas et al. Indentation image analysis for Vickers hardness testing
Tian et al. Corrosion identification of fittings based on computer vision
CN108960413A (zh) 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法
CN118212179A (zh) 一种复杂背景的角度检测方法
CN107545565B (zh) 一种太阳能网版检测方法
CN116091818B (zh) 基于多神经网络级联模型的指针式仪表读数识别方法
CN117036259A (zh) 一种基于深度学习的金属板材表面缺陷检测方法
CN117169247A (zh) 一种基于机器视觉的金属表面缺陷多维度检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191126

RJ01 Rejection of invention patent application after publication