CN110706224B - 基于暗场图像的光学元件弱划痕检测方法、系统和装置 - Google Patents
基于暗场图像的光学元件弱划痕检测方法、系统和装置 Download PDFInfo
- Publication number
- CN110706224B CN110706224B CN201910955032.XA CN201910955032A CN110706224B CN 110706224 B CN110706224 B CN 110706224B CN 201910955032 A CN201910955032 A CN 201910955032A CN 110706224 B CN110706224 B CN 110706224B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- feature extraction
- optical element
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 230000003287 optical effect Effects 0.000 title claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005498 polishing Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000113 differential scanning calorimetry Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明属于机器视觉检测领域,具体涉及一种基于暗场图像的光学元件弱划痕检测方法、系统和装置,旨在为了解决现有技术对于深度较浅成像暗的弱划痕无法完成检测问题。本发明通过图像采集装置获取待检测光学元件的暗场图像;以设定大小的窗口作为遍历窗口在待检测图像中进行遍历,基于遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量对各像素灰度值进行更新;通过空域滤波获取第三图像组,将弱划痕图像的像素位置信息作为弱划痕检测结果输出。本发明能够增强划痕与背景的差异,从而通过判断即可检测出与背景灰度接近的弱划痕;在灰度值更新和空域滤波基础上,通过编码—解码卷积神经网络还可以实现弱划痕的自动化提取。
Description
技术领域
本发明属于机器视觉检测领域,具体涉及一种基于暗场图像的光学元件弱划痕检测方法、系统和装置。
背景技术
光学元件广泛应用于相机镜头、手机盖板、屏幕外侧保护层以及激光束光路调节等光学系统中,具有十分广泛的用途。然而在光学元件的生产过程中,通常需要进行表面抛光,在抛光过程中难以避免的在光学元件表面留下划痕。这些划痕对光学元件效能的发挥产生不利的影响,因此,对划痕的检测是光学元件生产和使用过程中不可缺少的环节。目前基于机器视觉的光学元件表面划痕检测还处于快速发展阶段。
早期由于抛光设备精度较差的原因,抛光产生的划痕强度较大,对这种划痕的自动检测效果已经取得比肩人类目视检测的精度。随着抛光设备精度的提高,光学元件表面的划痕强度已经变的非常弱,在成像后划痕与背景的灰度值接近,即使专业的划痕检测人员也需要费时费力地进行目视检测。
总之,现有系统能够对深度较大成像明亮的划痕以较高精度进行检测,但是对于深度较浅成像暗淡的划痕已经无法完成检测任务。因此,现有技术中缺乏一种有效检测光学元件弱划痕的方法。
发明内容
为了解决现有技术中的上述问题,即为了解决现有系统对于深度较浅成像暗淡的划痕无法完成检测,现有技术中缺乏一种有效检测光学元件弱划痕的方法的问题,本发明提出了一种基于暗场图像的光学元件弱划痕检测方法,该方法包括:
步骤S110,通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
步骤S120,以设定大小的窗口作为遍历窗口,分别以所述第一图像中的各像素点作为遍历窗口中心点,在所述待检测图像中进行遍历,获取各像素点的局部最大值指数;所述局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
步骤S130,采用方向敏感卷积算子对所述第二图像进行空域滤波,获取多个第三图像,构建第三图像组;所述方向敏感卷积算子包含多个方向特征提取模板,所述方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取所述第二图像中所述方向线段对应位置像素的灰度值的平均值;
步骤S140,将每个第三图像中灰度值满足预设条件的像素组成的图斑识别为弱划痕图像,所述图斑的长宽比大于预设第二阈值;将所述弱划痕图像的像素位置信息作为弱划痕检测结果输出。
在一些优选的实施方式中,所述遍历窗口大小为N×N像素,其中N为[15,35]区间的奇数。
在一些优选的实施方式中,步骤S120中“用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新”,其方法为:
步骤S121,获取所述预设第一阈值T,
步骤S122,获取各像素的更新后灰度值Y,
其中,LMI为像素的局部最大值指数。
在一些优选的实施方式中,所述方向敏感卷积算子包含的方向特征提取模板的数量大于等于18。
在一些优选的实施方式中,所述方向特征提取模板大小为M×M像素,其中M为[35,55]区间的奇数。
本发明的第二方面提出了另一种基于暗场图像的光学元件弱划痕检测方法,该方法包括:
步骤S210,通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
步骤S220,以设定大小的窗口作为遍历窗口,分别以所述第一图像中的各像素点作为遍历窗口中心点,在所述待检测图像中进行遍历,获取各像素点的局部最大值指数;所述局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
步骤S230,采用方向敏感卷积算子对所述第二图像进行空域滤波,获取多个第三图像,构建第三图像组;所述方向敏感卷积算子包含多个方向特征提取模板,所述方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取所述第二图像中所述方向线段对应位置像素的灰度值的平均值;
步骤S240,基于所述第二图像和所述第三图像组,通过划痕检测模型获取包含弱划痕像素分类结果的图像表示;所述划痕检测模型为编码-解码结构的深度卷积神经网络模型,用于将所述第二图像和所述第三图像组作为输入特征,获取包含弱划痕像素分类结果的图像表示;
步骤S250,将所述图像表示中的弱划痕像素的位置信息作为弱划痕检测结果输出。
在一些优选的实施方式中,所述遍历窗口大小为N×N像素,其中N为[15,35]区间的奇数。
在一些优选的实施方式中,步骤S220中“用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新”,其方法为:
步骤S221,获取所述预设第一阈值T,
步骤S222,获取各像素的更新后灰度值Y,
其中,LMI为像素的局部最大值指数。
在一些优选的实施方式中,所述方向敏感卷积算子包含的方向特征提取模板的数量大于等于18。
在一些优选的实施方式中,所述方向特征提取模板大小为M*M像素,其中M为[35,55]区间的奇数。
本发明的第三方面提出了一种基于暗场图像的光学元件弱划痕检测系统,该系统包括第一图像获取模块、第二图像获取模块、第三图像组获取模块、弱划痕识别模块;
所述第一图像获取模块,配置为通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
所述第二图像获取模块,配置为以设定大小的窗口作为遍历窗口,分别以所述第一图像中的各像素点作为遍历窗口中心点,在所述待检测图像中进行遍历,获取各像素点的局部最大值指数;所述局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
所述第三图像组获取模块,配置为采用方向敏感卷积算子对所述第二图像进行空域滤波,获取多个第三图像,构建第三图像组;所述方向敏感卷积算子包含多个方向特征提取模板,所述方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取所述第二图像中所述方向线段对应位置像素的灰度值的平均值;
所述弱划痕识别模块,配置为将每个第三图像中灰度值满足预设条件的像素组成的图斑识别为弱划痕图像,所述图斑的长宽比大于预设第二阈值;将所述弱划痕图像的像素位置信息作为弱划痕检测结果输出。
本发明的第四方面提出了一种基于暗场图像的光学元件弱划痕检测系统,该系统包括第一图像获取模块、第二图像获取模块、第三图像组获取模块、弱划痕分类模块、检测结果输出模块;
所述第一图像获取模块,配置为通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
所述第二图像获取模块,配置为以设定大小的窗口作为遍历窗口,分别以所述第一图像中的各像素点作为遍历窗口中心点,在所述待检测图像中进行遍历,获取各像素点的局部最大值指数;所述局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
所述第三图像组获取模块,配置为采用方向敏感卷积算子对所述第二图像进行空域滤波,获取多个第三图像,构建第三图像组;所述方向敏感卷积算子包含多个方向特征提取模板,所述方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取所述第二图像中所述方向线段对应位置像素的灰度值的平均值;
所述弱划痕分类模块,配置为基于所述第二图像和所述第三图像组,通过划痕检测模型获取包含弱划痕像素分类结果的图像表示;所述划痕检测模型为编码-解码结构的深度卷积神经网络模型,用于将所述第二图像和所述第三图像组作为输入特征,获取包含弱划痕像素分类结果的图像表示;
所述检测结果输出模块,配置为将所述图像表示中的弱划痕像素的位置信息作为弱划痕检测结果输出。
本发明的第五方面提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于暗场图像的光学元件弱划痕检测方法,或上述的另一种基于暗场图像的光学元件弱划痕检测方法。
本发明的第六方面提出了一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于暗场图像的光学元件弱划痕检测方法,或上述的另一种基于暗场图像的光学元件弱划痕检测方法。
本发明的有益效果:本发明所提出的弱划痕检测方法利用弱划痕在暗场图像中的成像特点,使用局部最大值指数算法提升弱划痕与背景的区分度,使用方向敏感卷积算子对局部最大值指数进行卷积,有效消除局部极大指数引入的噪声,并将断续的划痕连接起来,进一步增强划痕与背景的差异,从而通过人工目视或根据判断条件即可检测出与背景灰度接近的弱划痕,划痕特征的增强效果显著;在此基础上,通过编码—解码卷积神经网络还可以实现自动化、准确检测,对于质量检测员能够检出的所有弱划痕本方法都能检出,极大的提升了弱划痕检测速度,提升了光学元件表面弱划痕检测的自动化水平。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明一种实施例的基于暗场图像的光学元件弱划痕检测方法流程示意图;
图2是本发明一种实施例的第一图像和第二图像示例图;
图3是本发明一种实施例的局部最大值指数获取示意图;
图4是本发明一种实施例的方向敏感卷积算子可视化示意图;
图5是本发明一种实施例的使用方向特征提取模板对第二图像进行卷积的部分结果示例图;
图6是本发明一种实施例的基于卷积神经网络的弱划痕检测方法流程示例图;
图7是本发明一种实施例的采用基于卷积神经网络的弱划痕检测方法得到的检测结果示例图;
图8是本发明一种实施例的划痕检测模型采用的编码-解码结构的深度卷积神经网络结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的一种基于暗场图像的光学元件弱划痕检测方法,如图1所示,该方法包括:
步骤S110,通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
步骤S120,以设定大小的窗口作为遍历窗口,分别以第一图像中的各像素点作为遍历窗口中心点,在待检测图像中进行遍历,获取各像素点的局部最大值指数;局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
步骤S130,采用方向敏感卷积算子对第二图像进行空域滤波,获取多个第三图像,构建第三图像组;方向敏感卷积算子包含多个方向特征提取模板,方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取第二图像中方向线段对应位置像素的灰度值的平均值;
步骤S140,将每个第三图像中灰度值满足预设条件的像素组成的图斑识别为弱划痕图像,图斑的长宽比大于预设第二阈值;将弱划痕图像的像素位置信息作为弱划痕检测结果输出。
为了更清晰地对本发明进行说明,下面结合图1先对本发明方法一种实施例各步骤进行展开详述。
步骤S110,通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像。
将待检测光学元件放置于暗场环境中,使用高倍率相机采集光学元件表面高分辨率暗场图像,暗场图像的像素几何分辨率为10um×10um,即每个像素表示的实际空间大小是10um×10um。从而划痕可以完整的成像,经人工目视判读,划痕的宽度约在30—50um,即3-5个像素宽。此外,为了降低对计算性能的要求,可将获取的图像按照512×512像素大小进行切片,分片进行检测,然后再将检测结果进行拼接恢复,得到完整的检测结果。为了防止划痕处于相邻两片之间,造成漏检,以及检测方法在边界处检测效果的退化。在切片过程中,需要相邻切片之间有128个像素的冗余。在合并过程中,相邻切片冗余的地方,各从边界向内去掉64个像素后,进行拼接,以此消除切片带来影响。
步骤S120,以设定大小的窗口作为遍历窗口,分别以第一图像中的各像素点作为遍历窗口中心点,在待检测图像中进行遍历,获取各像素点的局部最大值指数;局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像。
分析暗场图像中弱划痕的特点,在划痕所在的局部区域内,弱划痕的灰度值要比背景值高,划痕的灰度值越低表示划痕越弱。根据以上弱划痕成像规律,提出了局部最大值指数(LMI,Local Maximum Index)算法。该算法是通过遍历图像上的每一个像素,通过比较该像素灰度值与其距离一定邻域内其他像素灰度值,对小于其灰度值的像素进行计数。
像素(i,j)的局部最大值指数的根据公式(1)计算。
其中,N是遍历窗口的尺寸,为奇数;表示向下取整运算;img(i,j)表示像素(i,j)处的灰度值;img(r,c)表示像素(i,j)的邻域像素(r,c)的灰度值;sgn(x)是符号函数,当x为真时,值为1,否则为0。
在计算LMI时,为了能够使计算的LMI和原始图像大小相同,需要对原始图像四边分别进行像素的填0扩充;当N的取值较大时,LMI的最大值可能超过255,这时需要将小于预设第一阈值的数值置为0,大于的减去预设第一阈值,以便计算结果处于0—255之间。
预设第一阈值T的计算方法为如公式(2)所示。
其中,N为遍历窗口的大小。
最终得到像素更新后的灰度值Y,获取方法如公式(3)所示。
其中,LMI为所述第一中心像素的局部最大值指数。
遍历窗口的尺寸N的取值为大于等于15且小于等于35的奇数。
在本实施例中,使用OpenCV作为读取、存储图像的函数库,使用Python编程语言对LMI算法进行实现。其中,N取25,对暗场图像四边分别扩充12个像素宽度并填充0;取370作为置0的阈值,小于等于370的置0,大于370的减去370,以保证计算结果处于0—255;对暗场图像处理得到较好效果。如图2所示,图2中(a)为包含有弱划痕的暗场图像,白色椭圆区域内包含有弱划痕;图2中(b)为对原始图像计算的局部最大指数得到的第二图像。通过对比可以看出弱划痕得到了有效增强,划痕的形态特征明显,极大的提升了划痕的辨识度。
图3是局部最大值指数获取示意图,取N=5,计算中心位置像素的局部最大值指数。图3中左图为待计算像素和其取N=5的邻域的图像灰度值,其中待计算像素的灰度值为4,比较待计算像素与邻域像素的灰度值大小,对小于其灰度值的像素进行计数,共8个,即灰色部分。图3中右图为该像素的局部最大值指数计算结果,将计算结果8作为更新后的中心像素的灰度值。
步骤S130,采用方向敏感卷积算子对第二图像进行空域滤波,获取多个第三图像,构建第三图像组;方向敏感卷积算子包含多个方向特征提取模板,方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取第二图像中方向线段对应位置像素的灰度值的平均值。
通过计算图像的局部最大值指数后,划痕得到了增强,但是也引入了背景噪声和造成划痕的断续。为了减小背景噪声的影响,并将划痕进行连接,采用方向敏感卷积算子(DSC,Direction Sensitive Convolution)对第二图像进行卷积运算。方向卷积算子用二值图像可以表示为一组在通过背景中心点且间隔预设角度的具有一定宽度的直线段组成的图像。背景的灰度值为0,直线的灰度值为1。本实施例中方向特征提取模板的二值图像如图4所示,每条线段经过中心点,宽度为3像素,相邻直线间夹角5度,因此共有36个方向特征提取模板,方向特征提取模板的尺寸为45×45像素。使用方向敏感卷积算子对第二图像进行卷积得到36张方向敏感卷积结果图。在进行卷积前需要对第二图像的四条边进行22像素宽度的填0扩充,以保证卷积后的结果与原始暗场图像尺寸相同结果的尺寸相同。
为了保证通过各方向特征提取模板卷积的计算结果能够处于0—255之间,各方向特征提取模板的系数需做归一化处理,对方向特征提取模板里灰度值为1的直线段的像素进行计数Ni,随后将各方向特征提取模板Ki除以该值Ni,产生归一化后的方向特征提取模板Ki ′。
根据公式(4)计算得到各方向的卷积结果DSCi。
具体实现是通过Python编程语言产生方向敏感卷积算子,利用OpenCV提供的卷积运算功能,对第二图像进行卷积,计算得到卷积结果。
图5为使用方向特征提取模板对第二图像进行卷积的结果示例图。图5中(a)为第二图像,图5中(b)、(c)、(d)分别为使用不同方向特征提取模板对第二图像的卷积结果,图5中(b)、(c)、(d)的右下角为使用的方向特征提取模板的二值图像。可以看出当与划痕方向相同的方向特征提取模板对第二图像进行卷积时能够降低背景噪声,并增强划痕。
步骤S140,将每个第三图像中灰度值满足预设条件的像素组成的图斑识别为弱划痕图像,所述图斑的长宽比大于预设第二阈值;将弱划痕图像的像素位置信息作为弱划痕检测结果输出。
灰度值满足预设条件的像素是指灰度值大于图像均值加上图像的2倍标准差的像素;预设的第二阈值具体取值为5。对于拍摄得到的大尺寸暗场图像,将其分成数块512×512像素大小的子图像,分别对各个子图像进行划痕检测。将检测结果按照在原始暗场图像中的位置进行拼接,从而完成对整幅暗场图像的划痕检测。
本发明的第二方面提出了另一种基于暗场图像的光学元件弱划痕检测方法,该方法包括:
步骤S210,通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
步骤S220,以设定大小的窗口作为遍历窗口,分别以第一图像中的各像素点作为遍历窗口中心点,在待检测图像中进行遍历,获取各像素点的局部最大值指数;局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
步骤S230,采用方向敏感卷积算子对第二图像进行空域滤波,获取多个第三图像,构建第三图像组;方向敏感卷积算子包含多个方向特征提取模板,方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取第二图像中方向线段对应位置像素的灰度值的平均值;
步骤S240,基于第二图像和第三图像组,通过划痕检测模型获取包含弱划痕像素分类结果的图像表示;划痕检测模型为编码-解码结构的深度卷积神经网络模型,用于将第二图像和第三图像组作为输入特征,获取包含弱划痕像素分类结果的图像表示;
步骤S250,将图像表示中的弱划痕像素的位置信息作为弱划痕检测结果输出。然后对本发明方法一种实施例的划痕检测模型进行描述
其中步骤S210-步骤S230与上述步骤S110-步骤S130相同,此处不再展开描述,仅针对步骤S240-步骤S250展开描述。
如图6所示,对暗场图像利用以上局部最大值指数计算得到第二图像;对第二图像通过方向敏感卷积算子进行空域滤波,得到第三图像组。将第二图像和第三图像组分别除以255,进行归一化处理后作为输入特征,输入二分类的卷积神经网络模型,得到分类结果。图6中的k×512×512表示具有k个通道的512×512像素大小的张量,表示叠加运算。
训练一个编码—解码型的深度卷积神经网络,对原始暗场图像进行逐像素的背景或弱划痕的二分类。最终得到光学元件表面暗场图像的划痕检测结果。如图7所示,图7中(a)(c)(d)是具有弱划痕的暗场图像,图7中(b)(d)(f)是通过步骤S220和步骤S230得到第二图像和第三图像组,然后使用划痕检测模型获取划痕检测结果,对检测结果使用0.4作为二值化的阈值,对图像进行固定阈值的二值化,从而生成划痕检测的最终结果。从中可以看出本发明方法能够准确检测出弱划痕。
步骤S250,将图像表示中的弱划痕像素的位置信息作为弱划痕检测结果输出。
以下从网络结构,样本获取和模型训练两方面具体介绍划痕检测模型。
卷积神经网络的结构采用了改进的UNet网络。原始的UNet网络包括了编码部分,解码部分,跨层连接三个部分。编码部分用以提取输入图像的不同层级的特征,通过级联多个3×3卷积和2×2的最大池化操作,从而提取不同层级的图像特征。在解码部分,通过反卷积和跨层连接,通过融合不同层级的图像特征,给神经网络对划痕的推断提供支撑,使得神经网络能够输出与输入图像尺寸相同的划痕预测结果。在通过使用加权的交叉熵损失函数对网络进行训练后,网络能够学习到划痕和非划痕的模式,能够对输入的待检测图像进行划痕的检测。
本实施例中对原始的UNet网络进行了改进。在编码和解码的卷积操作中加入了批归一化层,此外还使用focal loss损失函数替代加权的交叉熵损失函数。图8是本发明划痕检测模型采用的编码-解码结构的深度卷积神经网络结构示意图。37×512×512表示具有37个通道(1个LMI和36个DSC)的512×512大小的张量。
使用高倍率相机采集暗场图像,暗场图像的像素几何分辨率为10um×10um,通过步骤S220和步骤S230分别获取每个暗场图像对应的第二图像和第三图像组做为样本数据,将得到的样本数据采用随机分配的形式将其分成训练样本和测试样本。
将采集到的训练样本和测试样本的数据进行标注,然后对分好类的数据进行重命名和编号,以达到为每个数据标记分类标签的目的。
训练时采用正向传播、获得单次迭代结果、计算损失函数,结合损失函数采用梯度下降方法对函数公式中的系数进行调整、重复上述过程,当代价损失函数减少到理想程度且训练达到所要求的最大迭代次数时,生成划痕检测模型。
本发明的第三方面提出了一种基于暗场图像的光学元件弱划痕检测系统,该系统包括第一图像获取模块、第二图像获取模块、第三图像组获取模块、弱划痕识别模块;
第一图像获取模块,配置为通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
第二图像获取模块,配置为以设定大小的窗口作为遍历窗口,分别以第一图像中的各像素点作为遍历窗口中心点,在待检测图像中进行遍历,获取各像素点的局部最大值指数;局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
第三图像组获取模块,配置为采用方向敏感卷积算子对第二图像进行空域滤波,获取多个第三图像,构建第三图像组;方向敏感卷积算子包含多个方向特征提取模板,方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取第二图像中所述方向线段对应位置像素的灰度值的平均值;
弱划痕识别模块,配置为将每个第三图像中灰度值满足预设条件的像素组成的图斑识别为弱划痕图像,所述图斑的长宽比大于预设第二阈值;将弱划痕图像的像素位置信息作为弱划痕检测结果输出。
本发明的第四方面提出了另一种基于暗场图像的光学元件弱划痕检测系统,该系统包括第一图像获取模块、第二图像获取模块、第三图像组获取模块、弱划痕分类模块、检测结果输出模块;
第一图像获取模块,配置为通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
第二图像获取模块,配置为以设定大小的窗口作为遍历窗口,分别以第一图像中的各像素点作为遍历窗口中心点,在待检测图像中进行遍历,获取各像素点的局部最大值指数;局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
第三图像组获取模块,配置为采用方向敏感卷积算子对第二图像进行空域滤波,获取多个第三图像,构建第三图像组;方向敏感卷积算子包含多个方向特征提取模板,方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取第二图像中所述方向线段对应位置像素的灰度值的平均值;
弱划痕分类模块,配置为基于第二图像和第三图像组,通过划痕检测模型获取包含弱划痕像素分类结果的图像表示;划痕检测模型为编码-解码结构的深度卷积神经网络模型,用于将第二图像和第三图像组作为输入特征,获取包含弱划痕像素分类结果的图像表示;
检测结果输出模块,配置为将图像表示中的弱划痕像素的位置信息作为弱划痕检测结果输出。
需要说明的是,上述实施例提供的基于暗场图像的光学元件弱划痕检测系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明的第五方面提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于暗场图像的光学元件弱划痕检测方法,或上述的另一种基于暗场图像的光学元件弱划痕检测方法。
本发明的第六方面提出了一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于暗场图像的光学元件弱划痕检测方法,或上述的另一种基于暗场图像的光学元件弱划痕检测方法。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (14)
1.一种基于暗场图像的光学元件弱划痕检测方法,其特征在于,该方法包括:
步骤S110,通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
步骤S120,以设定大小的窗口作为遍历窗口,分别以所述第一图像中的各像素点作为遍历窗口中心点,在所述待检测图像中进行遍历,获取各像素点的局部最大值指数;所述局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
步骤S130,采用方向敏感卷积算子对所述第二图像进行空域滤波,获取多个第三图像,构建第三图像组;所述方向敏感卷积算子包含多个方向特征提取模板,所述方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取所述第二图像中所述方向线段对应位置像素的灰度值的平均值;
步骤S140,将每个第三图像中灰度值满足预设条件的像素组成的图斑识别为弱划痕图像,所述图斑的长宽比大于预设第二阈值;将所述弱划痕图像的像素位置信息作为弱划痕检测结果输出;
像素(i,j)的局部最大值指数,其计算方法为:
其中,N是遍历窗口的尺寸,为奇数;表示向下取整运算;img(i,j)表示像素(i,j)处的灰度值;img(r,c)表示像素(i,j)的邻域像素(r,c)的灰度值;sgn(x)是符号函数,当x为真时,值为1,否则为0;
2.根据权利要求1所述的基于暗场图像的光学元件弱划痕检测方法,其特征在于,所述遍历窗口大小为N×N像素,其中N为[15,35]区间的奇数。
4.根据权利要求1所述的基于暗场图像的光学元件弱划痕检测方法,其特征在于,所述方向敏感卷积算子包含的方向特征提取模板的数量大于等于18。
5.根据权利要求1所述的基于暗场图像的光学元件弱划痕检测方法,其特征在于,所述方向特征提取模板大小为M×M像素,其中M为[35,55]区间的奇数。
6.一种基于暗场图像的光学元件弱划痕检测方法,其特征在于,该方法包括:
步骤S210,通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
步骤S220,以设定大小的窗口作为遍历窗口,分别以所述第一图像中的各像素点作为遍历窗口中心点,在所述待检测图像中进行遍历,获取各像素点的局部最大值指数;所述局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
步骤S230,采用方向敏感卷积算子对所述第二图像进行空域滤波,获取多个第三图像,构建第三图像组;所述方向敏感卷积算子包含多个方向特征提取模板,所述方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取所述第二图像中所述方向线段对应位置像素的灰度值的平均值;
步骤S240,基于所述第二图像和所述第三图像组,通过划痕检测模型获取包含弱划痕像素分类结果的图像表示;所述划痕检测模型为编码-解码结构的深度卷积神经网络模型,用于将所述第二图像和所述第三图像组作为输入特征,获取包含弱划痕像素分类结果的图像表示;
步骤S250,将所述图像表示中的弱划痕像素的位置信息作为弱划痕检测结果输出;
像素(i,j)的局部最大值指数,其计算方法为:
其中,N是遍历窗口的尺寸,为奇数;表示向下取整运算;img(i,j)表示像素(i,j)处的灰度值;img(r,c)表示像素(i,j)的邻域像素(r,c)的灰度值;sgn(x)是符号函数,当x为真时,值为1,否则为0;
7.根据权利要求6所述的基于暗场图像的光学元件弱划痕检测方法,其特征在于,所述遍历窗口大小为N×N像素,其中N为[15,35]区间的奇数。
9.根据权利要求6所述的基于暗场图像的光学元件弱划痕检测方法,其特征在于,所述方向敏感卷积算子包含的方向特征提取模板的数量大于等于18。
10.根据权利要求6所述的基于暗场图像的光学元件弱划痕检测方法,其特征在于,所述方向特征提取模板大小为M×M像素,其中M为[35,55]区间的奇数。
11.一种基于暗场图像的光学元件弱划痕检测系统,其特征在于,该系统包括第一图像获取模块、第二图像获取模块、第三图像组获取模块、弱划痕识别模块;
所述第一图像获取模块,配置为通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
所述第二图像获取模块,配置为以设定大小的窗口作为遍历窗口,分别以所述第一图像中的各像素点作为遍历窗口中心点,在所述待检测图像中进行遍历,获取各像素点的局部最大值指数;所述局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
所述第三图像组获取模块,配置为采用方向敏感卷积算子对所述第二图像进行空域滤波,获取多个第三图像,构建第三图像组;所述方向敏感卷积算子包含多个方向特征提取模板,所述方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取所述第二图像中所述方向线段对应位置像素的灰度值的平均值;
所述弱划痕识别模块,配置为将每个第三图像中灰度值满足预设条件的像素组成的图斑识别为弱划痕图像,所述图斑的长宽比大于预设第二阈值;将所述弱划痕图像的像素位置信息作为弱划痕检测结果输出;
像素(i,j)的局部最大值指数,其计算方法为:
其中,N是遍历窗口的尺寸,为奇数;表示向下取整运算;img(i,j)表示像素(i,j)处的灰度值;img(r,c)表示像素(i,j)的邻域像素(r,c)的灰度值;sgn(x)是符号函数,当x为真时,值为1,否则为0;
12.一种基于暗场图像的光学元件弱划痕检测系统,其特征在于,该系统包括第一图像获取模块、第二图像获取模块、第三图像组获取模块、弱划痕分类模块、检测结果输出模块;
所述第一图像获取模块,配置为通过图像采集装置获取待检测光学元件的暗场图像,作为第一图像;
所述第二图像获取模块,配置为以设定大小的窗口作为遍历窗口,分别以所述第一图像中的各像素点作为遍历窗口中心点,在所述待检测图像中进行遍历,获取各像素点的局部最大值指数;所述局部最大值为遍历窗口中灰度值小于作为遍历窗口中心点的像素的灰度值的像素数量;分别用各像素的局部最大值指数与预设第一阈值的差值对各像素灰度值进行更新,得到更新后的第一图像,作为第二图像;
所述第三图像组获取模块,配置为采用方向敏感卷积算子对所述第二图像进行空域滤波,获取多个第三图像,构建第三图像组;所述方向敏感卷积算子包含多个方向特征提取模板,所述方向特征提取模板中设置有过其中心点的方向线段,全部方向特征提取模板中的方向线段在其中一个方向特征提取模板上的投影成等夹角的辐条状,分别基于各方向特征提取模板提取所述第二图像中所述方向线段对应位置像素的灰度值的平均值;
所述弱划痕分类模块,配置为基于所述第二图像和所述第三图像组,通过划痕检测模型获取包含弱划痕像素分类结果的图像表示;所述划痕检测模型为编码-解码结构的深度卷积神经网络模型,用于将所述第二图像和所述第三图像组作为输入特征,获取包含弱划痕像素分类结果的图像表示;
所述检测结果输出模块,配置为将所述图像表示中的弱划痕像素的位置信息作为弱划痕检测结果输出;
像素(i,j)的局部最大值指数,其计算方法为:
其中,N是遍历窗口的尺寸,为奇数;表示向下取整运算;img(i,j)表示像素(i,j)处的灰度值;img(r,c)表示像素(i,j)的邻域像素(r,c)的灰度值;sgn(x)是符号函数,当x为真时,值为1,否则为0;
13.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-5中任一权利要求所述的基于暗场图像的光学元件弱划痕检测方法,或权利要求6-10中任一权利要求所述的基于暗场图像的光学元件弱划痕检测方法。
14.一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-5中任一权利要求所述的基于暗场图像的光学元件弱划痕检测方法,或权利要求6-10中任一权利要求所述的基于暗场图像的光学元件弱划痕检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910955032.XA CN110706224B (zh) | 2019-10-09 | 2019-10-09 | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910955032.XA CN110706224B (zh) | 2019-10-09 | 2019-10-09 | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110706224A CN110706224A (zh) | 2020-01-17 |
CN110706224B true CN110706224B (zh) | 2022-02-25 |
Family
ID=69200038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910955032.XA Active CN110706224B (zh) | 2019-10-09 | 2019-10-09 | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706224B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112461854B (zh) * | 2020-11-03 | 2023-10-31 | 东莞市鼎力自动化科技有限公司 | 一种智能优化盖板终检aoi检测的方法及装置 |
CN114119557B (zh) * | 2021-11-29 | 2024-04-26 | 哈尔滨工业大学 | 一种基于卷积神经网络的光学元件快速暗场检测方法 |
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 |
CN114119762B (zh) * | 2022-01-29 | 2022-04-29 | 深圳思谋信息科技有限公司 | 明暗交替视场中的元件定位方法、装置、设备和存储介质 |
CN116952958B (zh) * | 2023-09-18 | 2023-12-29 | 杭州百子尖科技股份有限公司 | 缺陷检测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004005299A1 (de) * | 2004-01-29 | 2005-12-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur Erkennung von Fehlern in Filmvorlagen |
CN102636496A (zh) * | 2012-04-24 | 2012-08-15 | 浙江大学 | 光学表面疵病暗场检测中疵病宽度标定标准化系统及方法 |
CN105631857A (zh) * | 2015-12-17 | 2016-06-01 | 中国科学院自动化研究所 | 一种光学元件表面的划痕检测方法和装置 |
CN106501265A (zh) * | 2016-10-13 | 2017-03-15 | 中国科学院自动化研究所 | 大口径光学元件表面划痕暗场图像的二值化方法和系统 |
CN109937360A (zh) * | 2018-01-23 | 2019-06-25 | 香港应用科技研究院有限公司 | 一种用于检测可透光光学部件的装置和方法 |
-
2019
- 2019-10-09 CN CN201910955032.XA patent/CN110706224B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004005299A1 (de) * | 2004-01-29 | 2005-12-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur Erkennung von Fehlern in Filmvorlagen |
CN102636496A (zh) * | 2012-04-24 | 2012-08-15 | 浙江大学 | 光学表面疵病暗场检测中疵病宽度标定标准化系统及方法 |
CN105631857A (zh) * | 2015-12-17 | 2016-06-01 | 中国科学院自动化研究所 | 一种光学元件表面的划痕检测方法和装置 |
CN106501265A (zh) * | 2016-10-13 | 2017-03-15 | 中国科学院自动化研究所 | 大口径光学元件表面划痕暗场图像的二值化方法和系统 |
CN109937360A (zh) * | 2018-01-23 | 2019-06-25 | 香港应用科技研究院有限公司 | 一种用于检测可透光光学部件的装置和方法 |
Non-Patent Citations (2)
Title |
---|
基于图像处理的精密光学镜片表面划痕高精度检测算法研究;陈少杰;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170115(第01期);第1-64页 * |
基于滤波差分的双阈值弱划痕提取算法;李晨 等;《强激光与粒子束》;20170715;第27卷(第7期);第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110706224A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706224B (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别系统及存储介质 | |
CN110569899A (zh) | 坝面缺陷分类模型训练方法及装置 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN115690102B (zh) | 缺陷检测方法、装置、电子设备、存储介质和程序产品 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN114170168A (zh) | 显示模组缺陷检测方法、系统及计算机可读存储介质 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
US8824768B1 (en) | Fertilization test method and apparatus | |
CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
CN115761257A (zh) | 基于计算机视觉技术的零部件角度检测方法及装置 | |
CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
CN115690101A (zh) | 缺陷检测方法、装置、电子设备、存储介质和程序产品 | |
CN113705567B (zh) | 船舶裂纹检测方法、系统、设备及计算机可读存储介质 |
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 |