CN110728659A - 缺陷合并的方法、装置、计算机设备及存储介质 - Google Patents
缺陷合并的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110728659A CN110728659A CN201910876015.7A CN201910876015A CN110728659A CN 110728659 A CN110728659 A CN 110728659A CN 201910876015 A CN201910876015 A CN 201910876015A CN 110728659 A CN110728659 A CN 110728659A
- Authority
- CN
- China
- Prior art keywords
- defect
- area
- preset
- reference value
- value
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 724
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000002950 deficient Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 19
- 238000001914 filtration Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (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)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明实施例公开了一种缺陷合并方法,该方法包括:获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。本发明的缺陷合并方法可以对检测到的缺陷进行合并,避免了将小块区域内的多个缺陷分别作为缺陷进行处理,提高了缺陷检测的整体性。此外还提出了一种缺陷合并的装置、计算机设备以及存储介质。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种缺陷合并的方法、装置、计算机设备及存储介质。
背景技术
随着机器视觉技术的发展,基于机器视觉的缺陷检测逐渐替代人工检测,其能够精确检测出被拍摄目标中的缺陷;并且随着缺陷检测系统精度的提高,能检测出的缺陷的物理尺寸也在逐步减小,并且几乎不会有漏检,极大的提高了缺陷检测的精准度。
但是,缺陷检测系统的高精度在对同一缺陷分布在一小块区域的不同位置情况下进行缺陷检测时,会将这个小块区域内的多个缺陷或多个同一种缺陷识别成多个小缺陷,这使得在后续的缺陷分析、分类等相关的处理中的工作量增加,也不利于对检测的产品的整体分析。
因此,亟需一种对产品进行缺陷检测的过程中对缺陷进行整体分析和考虑的方案。
发明内容
基于此,有必要针对上述问题,提出了一种缺陷合并的方法、装置、计算机设备及存储介质。
一种缺陷合并的方法,所述方法包括:
获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;
遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;
若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
在一个实施例中,所述判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤之后,还包括:若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将与所述遍历到的缺陷区域之间的距离小于预设的第一距离阈值的其他缺陷区域添加至所述遍历到的缺陷区域所在的缺陷组;对于每一个缺陷组,确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值,将满足所述第一特征阈值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域。
在一个实施例中,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:获取该缺陷组包含的每一个缺陷区域包含的至少一种第一特征参考值,所述第一特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述第一特征参考值是否满足预设的第一特征阈值;在所述第一特征参考值满足预设的第一特征阈值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
在一个实施例中,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:获取该缺陷组包含的每一个缺陷区域包含的像素点的灰度参考值,计算该缺陷组包含的每一个缺陷区域的灰度参考值之间的差值,所述灰度参考值包括最小灰度值、平均灰度值和/或最大灰度值中的至少一个;判断所述差值是否满足预设的第一特征阈值;在所述差值满足预设的第一特征值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
在一个实施例中,所述识别目标图像中的缺陷区域的步骤之后,还包括:在目标图像包含多帧目标子图像的情况下,针对每一帧目标子图像中的缺陷区域,确定该缺陷区域是否处于该目标子图像中的边缘区域,所述边缘区域位置包括上边缘区域和/或右边缘区域中的至少一个;在该缺陷区域处于该目标子图像中的边缘区域的情况下;若目标子图像中的缺陷区域处于上边缘区域,则获取与该目标子图像上相邻的目标子图像的缺陷区域作为第一缺陷区域;判断处于上边缘区域的缺陷区域与第一缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于上边缘区域的缺陷区域与第一缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域;若目标子图像中的缺陷区域处于右边缘区域,则获取与该目标子图像左右相邻的目标子图像的边缘区域的缺陷区域作为第二缺陷区域;判断处于右边缘区域的缺陷区域与第二缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于右边缘区域的缺陷区域与第二缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域。
在一个实施例中,所述识别目标图像中的缺陷区域的步骤之后,还包括:获取至少一个缺陷区域包含的至少一种第二特征参考值,所述第二特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值;若所述第二特征参考值满足预设的第二特征阈值,则执行所述遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤。
在一个实施例中,所述判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值的步骤,还包括:判断每个缺陷区域的长度值和/或宽度值是否小于或等于预设的第二特征阈值;在缺陷区域的长度值和/或宽度值小于或等于所述第二特征阈值的情况下,判定该缺陷区域满足所述第二特征阈值。
一种缺陷合并的装置,所述装置包括:
获取模块,用于获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;
判断模块,用于遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;
合并模块,用于若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
在一个实施例中,所述合并模块还包括:分组单元,用于若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将与所述遍历到的缺陷区域之间的距离小于预设的第一距离阈值的其他缺陷区域添加至所述遍历到的缺陷区域所在的缺陷组;合并单元,用于对于每一个缺陷组,确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值,将满足所述第一特征阈值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域。
在一个实施例中,所述合并单元还包括:第一获取子单元,用于获取该缺陷组包含的每一个缺陷区域包含的至少一种第一特征参考值,所述第一特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;第一判断子单元,用于判断所述第一特征参考值是否满足预设的第一特征阈值;在所述第一特征参考值满足预设的第一特征阈值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
在一个实施例中,所述合并单元还包括:第二获取子单元,用于获取该缺陷组包含的每一个缺陷区域包含的像素点的灰度参考值,计算该缺陷组包含的每一个缺陷区域的灰度参考值之间的差值,所述灰度参考值包括最小灰度值、平均灰度值和/或最大灰度值中的至少一个;第二判断子单元,用于判断所述差值是否满足预设的第一特征阈值;在所述差值满足预设的第一特征值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
在一个实施例中,所述合并模块还包括:判断单元,用于在目标图像包含多帧目标子图像的情况下,针对每一帧目标子图像中的缺陷区域,确定该缺陷区域是否处于该目标子图像中的边缘区域,所述边缘区域位置包括上边缘区域和/或右边缘区域中的至少一个;上合并单元,用于在该缺陷区域处于该目标子图像中的边缘区域的情况下;若目标子图像中的缺陷区域处于上边缘区域,则获取与该目标子图像上相邻的目标子图像的缺陷区域作为第一缺陷区域;判断处于上边缘区域的缺陷区域与第一缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于上边缘区域的缺陷区域与第一缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域;右合并单元,用于若目标子图像中的缺陷区域处于右边缘区域,则获取与该目标子图像左右相邻的目标子图像的边缘区域的缺陷区域作为第二缺陷区域;判断处于右边缘区域的缺陷区域与第二缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于右边缘区域的缺陷区域与第二缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域。
在一个实施例中,所述装置还包括:过滤模块,用于获取至少一个缺陷区域包含的至少一种第二特征参考值,所述第二特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值;若所述第二特征参考值满足预设的第二特征阈值,则执行所述遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤。
在一个实施例中,所述过滤模块还包括:阈值判断单元,用于判断每个缺陷区域的长度值和/或宽度值是否小于或等于预设的第二特征阈值;在缺陷区域的长度值和/或宽度值小于或等于所述第二特征阈值的情况下,判定该缺陷区域满足所述第二特征阈值。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;
遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;
若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;
遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;
若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
采用本发明的缺陷合并方法、装置、计算机设备及存储介质,在对需要检测的产品进行检测时,获取待检测产品的目标图像,识别目标图像中的至少一个缺陷区域,若缺陷区域之间的距离小于预设的距离值,将距离小于预设的距离值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。本发明的缺陷合并方法、装置、计算机设备及存储介质可以对检测到的缺陷进行合并,例如对在小范围内或者距离较小的缺陷进行合并,避免了将小块区域内的多个缺陷分别作为缺陷进行处理,提高了缺陷检测的整体性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中缺陷合并的方法的应用环境图;
图2为一个实施例中缺陷合并的方法的流程图;
图3为单帧图像中的缺陷区域分布的示意图;
图4为多帧图像中的缺陷区域分布的示意图;
图5为一个实施例中缺陷合并的方法的流程图;
图6为单帧图像中的缺陷区域合并的示意图;
图7为一个实施例中缺陷合并的方法的流程图;
图8为单帧图像中的缺陷区域分组的示意图;
图9为多帧图像中的缺陷区域合并的示意图;
图10为一个实施例中缺陷合并的装置的结构框图;
图11为一个实施例中缺陷合并的装置的合并模块的结构框图;
图12为一个实施例中缺陷合并的装置的合并单元的结构框图;
图13为一个实施例中缺陷合并的装置的合并单元的结构框图;
图14为一个实施例中缺陷合并的装置的合并模块的结构框图;
图15为一个实施例中缺陷合并的装置的结构框图;
图16为一个实施例中运行前述缺陷合并的方法的计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作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。
图1为一个实施例中缺陷合并的方法应用环境图。参照图1,该缺陷合并的方法应用于缺陷检测系统。该缺陷检测系统包括终端110和服务器120。终端110和服务器120通过网络连接,终端110可以是安装在产品检测工位上的终端设备,且该终端设备包括摄像头,用于获取待检测目标的图像;服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现,用于对终端110采集到的图像进行分析,识别相应的缺陷,并对需要合并的缺陷进行合并。
在另一个实施例中,上述缺陷合并的方法的执行还可以是基于一终端设备,该终端可采集图像、也可以对采集到的图像进行分析,识别相应的缺陷,并对需要合并的缺陷进行合并。
考虑到该方法既可以应用于终端,也可以应用于服务器,且在具体的缺陷合并的过程是相同的,本实施例以应用于终端举例说明。
如图2所示,在一个实施例中,提供了一种缺陷合并的方法。该方法对采集到的图像进行分析,识别相应的缺陷,并对需要合并的缺陷进行合并。该缺陷合并的方法具体包括如下步骤S202-S206:
步骤S202,获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个。
具体的,目标图像是与待检测产品对应的图像,目标图像可以是通过摄像头采集到的待检测产品的图像,例如,在产品检测线上,通过安装在其上的摄像头采集运动至产品检测位的产品的图像。待检测的目标图像可以是原始图像,可以是对原始图像经过去噪等预处理之后的图像。待检测的目标图像可以是彩色图像,也可以是灰度图像。待检测的目标图像可以是单帧图像,也可以是多帧图像;其中,多帧图像可以是单个相机拍的多帧图像,也可以是多个相机拍摄,每个相机拍的单帧图像组合成的多帧图像,也可以是每个相机拍摄的多帧图像组合成的多帧图像。目标图像中的至少一个缺陷区域可以分布在单帧图像上,例如图3所示,缺陷Q1、缺陷Q2和缺陷Q3分布在单帧图像上。目标图像中的至少一个缺陷区域可以分布在多帧图像上,例如图4所示,缺陷q1位于图像a2的上边缘,缺陷q2位于图像a1的下边缘,缺陷q3位于图像a1的右边缘,缺陷q4位于图像a3的左边缘,缺陷q5位于图像a3中间,缺陷6位于图像a3右边缘,其中,缺陷q1与缺陷q2上下相邻,缺陷q3和缺陷q4左右相邻。
在进行缺陷合并或缺陷输出之前,还需要考虑当前检测到的缺陷是否可以被称为缺陷,例如,在缺陷的尺寸或区域足够小的情况下,该缺陷可以被忽略。因此,如图5所示,在一个实施例中,所述识别目标图像中的缺陷区域的步骤之后,还包括:获取至少一个缺陷区域包含的至少一种第二特征参考值,所述第二特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值;若所述第二特征参考值满足预设的第二特征阈值,则执行所述遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤。
具体的,在本步骤中,可以对缺陷区域的尺寸、灰度值等进行过滤,因此,第二特征参考值与第二特征阈值可以是缺陷区域对应的特征。例如表1所示,第二特征参考值与第二特征阈值可以包括旋转外界矩形、最小外接矩、灰度、长度、宽度、圆度、环度、凸度和/或扁平度等特征中的一个或多个,但第二特征参考值与第二特征阈值不限于表1的内容,表1表达了特征选择的部分可能性。将至少一个缺陷区域根据第二特征阈值进行过滤时,第二特征阈值可以选择不同的特征中的一个,例如长度阈值为10mm、宽度阈值为5mm、灰度阈值为大于或等于10或半径阈值为5mm等。第二特征阈值也可以选择不同的特征中的多个,例如将缺陷区域的长度、宽度和灰度值等特征进行组合,缺陷区域根据同时根据多个特征进行过滤,可以较大程度上滤除不需要进行合并的缺陷,减轻后续分组和合并的工作量。可以滤除不满足特征阈值的缺陷区域,可以滤除满足特征阈值的缺陷区域,例如可以滤除不满足长度大于预设长度阈值的缺陷区域,可以滤除满足长度小于或等于长度阈值的缺陷区域,在这里,两种选择的滤除效果相同。
表1
通过对缺陷区域的图像进行过滤,滤除不需要进行合并的缺陷,例如面积较大的缺陷,减轻了后续的缺陷分组与合并的工作量。
在一个实施例中,所述判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值的步骤,还包括:判断每个缺陷区域的长度值和/或宽度值是否小于或等于预设的第二特征阈值;在缺陷区域的长度值和/或宽度值小于或等于所述第二特征阈值的情况下,判定该缺陷区域满足所述第二特征阈值。
具体的,这里的第二特征阈值具体为预设的长度值和/或宽度值,滤除了长度和/或宽度大于预设的长度值和/或宽度值的缺陷,这类缺陷肉眼分辨和高精度的缺陷检测系统检测出来的结果一致。留下了长度值和/或宽度值较小的缺陷,这类缺陷肉眼分辨可能为一个缺陷,而高精度的缺陷检测系统检测出来可能为多个缺陷,这也是可以进行缺陷合并的缺陷。通过对特征阈值的设置,滤除不需要合并的缺陷,不用将所有的缺陷进行分组与合并,减轻了后续的缺陷分组与合并的工作量。
步骤S204,遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值。
具体的,缺陷区域与其他缺陷的区域之间的距离可以是缺陷区域与其他缺陷的区域边缘之间的水平方向的最小距离,可以是缺陷区域与其他缺陷的区域边缘之间的垂直方向的最小距离,也可以是缺陷区域与其他缺陷的区域的中心点之间的欧式距离,也可以是欧式距离、马氏距离和/或切比雪夫距离等其他距离计算方式。如表2所示,预设的第一距离阈值可以是预设的沿X轴方向的距离值MXUP和/或预设的沿Y轴方向的距离值MYUP。
表2
序号 | X方向距离阈值 | 逻辑 | Y方向距离阈值 |
1 | MX<MX<sub>UP</sub> | 与 | MY<MY<sub>UP</sub> |
2 | MX<MX<sub>UP</sub> | 或 | MY<MY<sub>UP</sub> |
步骤S206,若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
具体的,将缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域合并为同一个缺陷区域,作为一个缺陷区域输出,即将缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,合并之后的缺陷区域即目标缺陷区域如图6所示,其中,目标缺陷区域为缺陷Q4,是由缺陷Q1、缺陷Q2和缺陷Q3经过合并而成。这里将距离相近的缺陷区域进行合并,在较精确地对缺陷区域进行选择和合并的同时,减少了判断其他特征的流程,提高了合并的速度。
如图7所示,在一个实施例中,所述判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤之后,还包括:若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将与所述遍历到的缺陷区域之间的距离小于预设的第一距离阈值的其他缺陷区域添加至所述遍历到的缺陷区域所在的缺陷组;对于每一个缺陷组,确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值,将满足所述第一特征阈值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域。
具体的,如表2所示,预设的第一距离阈值可以是预设的沿X轴方向的距离值MXUP和/或预设的沿Y轴方向的距离值MYUP。预设的第一距离阈值也可以是欧式距离、马氏距离和/或切比雪夫距离等其他距离计算方式。将缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域划分为同一个缺陷组,如图8所示,缺陷Q1、缺陷Q2和缺陷Q3被划分为同一个缺陷组Z1。
如表1所示,第一特征参考值与第一特征阈值可以包括旋转外界矩形、最小外接矩、灰度、长度、宽度、圆度、环度、凸度和/或扁平度等特征中的一个或多个,但第一特征参考值与第一特征阈值不限于表1的内容,表1表达了特征选择的部分可能性。将至少一个缺陷区域根据第一特征阈值进行合并时,第一特征阈值可以选择不同的特征中的一个,例如长度阈值为10mm、宽度阈值为5mm、灰度阈值为大于或等于10或半径阈值为5mm等。第一特征阈值也可以选择不同的特征中的多个,例如将缺陷区域的长度、宽度和灰度值等特征进行组合,缺陷区域根据同时根据多个特征进行合并,提高合并的精确性。将每一个缺陷组中满足预设的特征阈值的缺陷区域划分为同一个缺陷区域,即将每一个缺陷组中满足预设的特征阈值的缺陷区域进行合并,合并之后的缺陷区域即目标缺陷区域如图6所示,其中,目标缺陷区域为缺陷Q4,是由缺陷Q1、缺陷Q2和缺陷Q3经过合并而成。
可能存在距离相近的缺陷区域划分为同一组,但是缺陷区域特征差别极大的情况,例如灰度值的差值大于20,肉眼分辨不属于同一个缺陷区域。因此,在对缺陷区域进行分组基础上,每一组缺陷区域通过第一特征阈值进行筛选,能更精确地选择出待合并的缺陷区域,减小对缺陷区域合并的误差,提高了合并的精确性。
在一个实施例中,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:获取该缺陷组包含的每一个缺陷区域包含的至少一种第一特征参考值,所述第一特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述第一特征参考值是否满足预设的第一特征阈值;在所述第一特征参考值满足预设的第一特征阈值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
具体的,本实施例是对缺陷组的每一个缺陷区域进行至少一种的特征筛选,例如表1所示,第一特征参考值与第一特征阈值可以包括旋转外界矩形、最小外接矩、灰度、长度、宽度、圆度、环度、凸度和/或扁平度等特征中的一个或多个,但第一特征参考值与第一特征阈值不限于表1的内容,表1表达了特征选择的部分可能性。将每一个缺陷区域根据第一特征阈值进行筛选时,第一特征阈值可以选择不同的特征中的一个,例如长度阈值为10mm、宽度阈值为5mm、灰度阈值为大于或等于10或半径阈值为5mm等。第一特征阈值也可以选择不同的特征中的多个,例如将缺陷区域的长度、宽度和灰度值等特征进行组合,缺陷区域根据同时根据多个特征进行筛选,可以较大程度上筛选出不需要进行合并的缺陷,提高合并的准确性。
在一个实施例中,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:获取该缺陷组包含的每一个缺陷区域包含的像素点的灰度参考值,计算该缺陷组包含的每一个缺陷区域的灰度参考值之间的差值,所述灰度参考值包括最小灰度值、平均灰度值和/或最大灰度值中的至少一个;判断所述差值是否满足预设的第一特征阈值;在所述差值满足预设的第一特征值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
具体的,灰度参考值的差值的波动范围可以如表3所示,最小灰度值的差值的波动范围可以是±10,平均灰度值的差值的波动范围可以是±20,以及最大灰度值的差值的波动范围可以是±10。对缺陷组包含的每一个缺陷区域的灰度值参考值的选择,确保待合并的缺陷区域的灰度值参考值在一定的阈值内,能更精确地选择出待合并的缺陷区域,减小对缺陷区域合并的误差。
表3
序号 | 缺陷特征名称 | 波动范围 |
1 | 最小灰度值min_gray | ±10 |
2 | 最大灰度值max_gray | ±20 |
3 | 平均灰度值mean_gray | ±10 |
在一个实施例中,所述识别目标图像中的缺陷区域的步骤之后,还包括:在目标图像包含多帧目标子图像的情况下,针对每一帧目标子图像中的缺陷区域,确定该缺陷区域是否处于该目标子图像中的边缘区域,所述边缘区域位置包括上边缘区域和/或右边缘区域中的至少一个;在该缺陷区域处于该目标子图像中的边缘区域的情况下;若目标子图像中的缺陷区域处于上边缘区域,则获取与该目标子图像上相邻的目标子图像的缺陷区域作为第一缺陷区域;判断处于上边缘区域的缺陷区域与第一缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于上边缘区域的缺陷区域与第一缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域;若目标子图像中的缺陷区域处于右边缘区域,则获取与该目标子图像左右相邻的目标子图像的边缘区域的缺陷区域作为第二缺陷区域;判断处于右边缘区域的缺陷区域与第二缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于右边缘区域的缺陷区域与第二缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域。
具体的,目标子图像中的缺陷区域与第一缺陷区域之间的距离、目标子图像中的缺陷区域与第二缺陷区域之间的距离可以是水平方向的最小距离,可以是垂直方向的最小距离,也可以是中心点之间的距离,也可以是欧式距离、马氏距离和/或切比雪夫距离等其他距离计算方式。如表2所示,预设的第二距离阈值可以是预设的沿X轴方向的距离值MXUP和/或预设的沿Y轴方向的距离值MYUP。将目标子图像的缺陷区域与距离小于预设的第二距离阈值的第一缺陷区域或第二缺陷区域划分为同一个缺陷区域,即将目标子图像中的缺陷区域与距离小于预设的第二距离阈值的第一缺陷区域或第二缺陷区域进行合并,合并之后的缺陷区域如图9所示,缺陷q1位于图像a2的上边缘,缺陷q2位于图像a1的下边缘,缺陷q1和缺陷q2上下相邻,若缺陷q1和缺陷q2的距离满足预设的第二距离阈值,将缺陷q1和缺陷q2进行合并。缺陷q3位于图像a1的右边缘,缺陷q4位于图像a3的左边缘,缺陷q3和缺陷q4左右相邻,若缺陷q3和缺陷q4的距离满足预设的第二距离阈值,将缺陷q3和缺陷q4进行合并。缺陷q2和缺陷q3位于同一图像a1中,缺陷q4、缺陷q5和缺陷q6位于同一图像a3中,分别执行步骤S202-S206进行缺陷合并。将上述多帧图像上的缺陷区域合并之后,形成目标缺陷区域q7。
针对目标图像为多帧图像的情况,本实施例提供了缺陷区域分布在多帧图像边缘区域上,对缺陷区域进行合并的的方法。将分布在多帧图像上的缺陷区域合并为一个缺陷区域,提高缺陷区域合并的全面性。针对目标图像为单帧图像的情况,即单帧图像就能将待检测产品完整的拍摄到的情况下,例如小尺寸的片材检测,只需要进行单帧图像内的缺陷区域合并,不需要判断缺陷区域是否在图像边缘区域。
如图10所示,在一个实施例中,提出了一种缺陷合并的装置,该装置包括:
获取模块1002,用于获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;
判断模块1004,用于遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;
合并模块1006,用于若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
如图11所示,在一个实施例中,所述合并模块1006还包括:
分组单元,用于若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将与所述遍历到的缺陷区域之间的距离小于预设的第一距离阈值的其他缺陷区域添加至所述遍历到的缺陷区域所在的缺陷组;
合并单元,用于对于每一个缺陷组,确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值,将满足所述第一特征阈值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域。
如图12所示,在一个实施例中,所述合并单元还包括:
第一获取子单元,用于获取该缺陷组包含的每一个缺陷区域包含的至少一种第一特征参考值,所述第一特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;
第一判断子单元,用于判断所述第一特征参考值是否满足预设的第一特征阈值;在所述第一特征参考值满足预设的第一特征阈值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
如图13所示,在一个实施例中,所述合并单元还包括:
第二获取子单元,用于获取该缺陷组包含的每一个缺陷区域包含的像素点的灰度参考值,计算该缺陷组包含的每一个缺陷区域的灰度参考值之间的差值,所述灰度参考值包括最小灰度值、平均灰度值和/或最大灰度值中的至少一个;
第二判断子单元,用于判断所述差值是否满足预设的第一特征阈值;在所述差值满足预设的第一特征值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
如图14所示,在一个实施例中,所述合并模块1006还包括:
判断单元,用于在目标图像包含多帧目标子图像的情况下,针对每一帧目标子图像中的缺陷区域,确定该缺陷区域是否处于该目标子图像中的边缘区域,所述边缘区域位置包括上边缘区域和/或右边缘区域中的至少一个;
上合并单元,用于在该缺陷区域处于该目标子图像中的边缘区域的情况下;若目标子图像中的缺陷区域处于上边缘区域,则获取与该目标子图像上相邻的目标子图像的缺陷区域作为第一缺陷区域;判断处于上边缘区域的缺陷区域与第一缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于上边缘区域的缺陷区域与第一缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域;
右合并单元,用于若目标子图像中的缺陷区域处于右边缘区域,则获取与该目标子图像左右相邻的目标子图像的边缘区域的缺陷区域作为第二缺陷区域;判断处于右边缘区域的缺陷区域与第二缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于右边缘区域的缺陷区域与第二缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域。
如图15所示,在一个实施例中,所述装置还包括:
过滤模块1003,用于获取至少一个缺陷区域包含的至少一种第二特征参考值,所述第二特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值;若所述第二特征参考值满足预设的第二特征阈值,则执行所述遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤。
在一个实施例中,所述过滤模块1003还包括:
阈值判断单元,用于判断每个缺陷区域的长度值和/或宽度值是否小于或等于预设的第二特征阈值;在缺陷区域的长度值和/或宽度值小于或等于所述第二特征阈值的情况下,判定该缺陷区域满足所述第二特征阈值。
图16示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图16所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现缺陷合并的方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行缺陷合并的方法。本领域技术人员可以理解,图16中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
在一个实施例中,所述判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤之后,还包括:若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将与所述遍历到的缺陷区域之间的距离小于预设的第一距离阈值的其他缺陷区域添加至所述遍历到的缺陷区域所在的缺陷组;对于每一个缺陷组,确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值,将满足所述第一特征阈值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域。
在一个实施例中,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:获取该缺陷组包含的每一个缺陷区域包含的至少一种第一特征参考值,所述第一特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述第一特征参考值是否满足预设的第一特征阈值;在所述第一特征参考值满足预设的第一特征阈值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
在一个实施例中,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:获取该缺陷组包含的每一个缺陷区域包含的像素点的灰度参考值,计算该缺陷组包含的每一个缺陷区域的灰度参考值之间的差值,所述灰度参考值包括最小灰度值、平均灰度值和/或最大灰度值中的至少一个;判断所述差值是否满足预设的第一特征阈值;在所述差值满足预设的第一特征值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
在一个实施例中,所述识别目标图像中的缺陷区域的步骤之后,还包括:在目标图像包含多帧目标子图像的情况下,针对每一帧目标子图像中的缺陷区域,确定该缺陷区域是否处于该目标子图像中的边缘区域,所述边缘区域位置包括上边缘区域和/或右边缘区域中的至少一个;在该缺陷区域处于该目标子图像中的边缘区域的情况下;若目标子图像中的缺陷区域处于上边缘区域,则获取与该目标子图像上相邻的目标子图像的缺陷区域作为第一缺陷区域;判断处于上边缘区域的缺陷区域与第一缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于上边缘区域的缺陷区域与第一缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域;若目标子图像中的缺陷区域处于右边缘区域,则获取与该目标子图像左右相邻的目标子图像的边缘区域的缺陷区域作为第二缺陷区域;判断处于右边缘区域的缺陷区域与第二缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于右边缘区域的缺陷区域与第二缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域。
在一个实施例中,所述识别目标图像中的缺陷区域的步骤之后,还包括:获取至少一个缺陷区域包含的至少一种第二特征参考值,所述第二特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值;若所述第二特征参考值满足预设的第二特征阈值,则执行所述遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤。
在一个实施例中,所述判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值的步骤,还包括:判断每个缺陷区域的长度值和/或宽度值是否小于或等于预设的第二特征阈值;在缺陷区域的长度值和/或宽度值小于或等于所述第二特征阈值的情况下,判定该缺陷区域满足所述第二特征阈值。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
在一个实施例中,所述判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤之后,还包括:若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将与所述遍历到的缺陷区域之间的距离小于预设的第一距离阈值的其他缺陷区域添加至所述遍历到的缺陷区域所在的缺陷组;对于每一个缺陷组,确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值,将满足所述第一特征阈值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域。
在一个实施例中,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:获取该缺陷组包含的每一个缺陷区域包含的至少一种第一特征参考值,所述第一特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述第一特征参考值是否满足预设的第一特征阈值;在所述第一特征参考值满足预设的第一特征阈值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
在一个实施例中,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:获取该缺陷组包含的每一个缺陷区域包含的像素点的灰度参考值,计算该缺陷组包含的每一个缺陷区域的灰度参考值之间的差值,所述灰度参考值包括最小灰度值、平均灰度值和/或最大灰度值中的至少一个;判断所述差值是否满足预设的第一特征阈值;在所述差值满足预设的第一特征值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
在一个实施例中,所述识别目标图像中的缺陷区域的步骤之后,还包括:在目标图像包含多帧目标子图像的情况下,针对每一帧目标子图像中的缺陷区域,确定该缺陷区域是否处于该目标子图像中的边缘区域,所述边缘区域位置包括上边缘区域和/或右边缘区域中的至少一个;在该缺陷区域处于该目标子图像中的边缘区域的情况下;若目标子图像中的缺陷区域处于上边缘区域,则获取与该目标子图像上相邻的目标子图像的缺陷区域作为第一缺陷区域;判断处于上边缘区域的缺陷区域与第一缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于上边缘区域的缺陷区域与第一缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域;若目标子图像中的缺陷区域处于右边缘区域,则获取与该目标子图像左右相邻的目标子图像的边缘区域的缺陷区域作为第二缺陷区域;判断处于右边缘区域的缺陷区域与第二缺陷区域之间的距离是否满足预设的第二距离阈值;若满足预设的第二距离阈值,则将所述处于右边缘区域的缺陷区域与第二缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域。
在一个实施例中,所述识别目标图像中的缺陷区域的步骤之后,还包括:获取至少一个缺陷区域包含的至少一种第二特征参考值,所述第二特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值;若所述第二特征参考值满足预设的第二特征阈值,则执行所述遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤。
在一个实施例中,所述判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值的步骤,还包括:判断每个缺陷区域的长度值和/或宽度值是否小于或等于预设的第二特征阈值;在缺陷区域的长度值和/或宽度值小于或等于所述第二特征阈值的情况下,判定该缺陷区域满足所述第二特征阈值。
采用本发明的缺陷合并方法、装置、计算机设备及存储介质,在对需要检测的产品进行检测时,获取待检测产品的目标图像,识别目标图像中的至少一个缺陷区域,若缺陷区域之间的距离小于预设的距离值,将距离小于预设的距离值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。本发明的缺陷合并方法、装置、计算机设备及存储介质可以对检测到的缺陷进行合并,例如对在小范围内或者距离较小的缺陷进行合并,避免了将小块区域内的多个缺陷分别作为缺陷进行处理,提高了缺陷检测的整体性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (10)
1.一种缺陷合并的方法,其特征在于,所述方法包括:
获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;
遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;
若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
2.根据权利要求1所述的方法,其特征在于,所述判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤之后,还包括:
若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将与所述遍历到的缺陷区域之间的距离小于预设的第一距离阈值的其他缺陷区域添加至所述遍历到的缺陷区域所在的缺陷组;
对于每一个缺陷组,确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值,将满足所述第一特征阈值的缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域。
3.根据权利要求2所述的方法,其特征在于,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:
获取该缺陷组包含的每一个缺陷区域包含的至少一种第一特征参考值,所述第一特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;
判断所述第一特征参考值是否满足预设的第一特征阈值;
在所述第一特征参考值满足预设的第一特征阈值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
4.根据权利要求2所述的方法,其特征在于,所述确定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值的步骤,还包括:
获取该缺陷组包含的每一个缺陷区域包含的像素点的灰度参考值,计算该缺陷组包含的每一个缺陷区域的灰度参考值之间的差值,所述灰度参考值包括最小灰度值、平均灰度值和/或最大灰度值中的至少一个;
判断所述差值是否满足预设的第一特征阈值;
在所述差值满足预设的第一特征值的情况下,判定该缺陷组包含的每一个缺陷区域满足预设的第一特征阈值。
5.根据权利要求1所述的方法,其特征在于,所述识别目标图像中的缺陷区域的步骤之后,还包括:
在目标图像包含多帧目标子图像的情况下,针对每一帧目标子图像中的缺陷区域,确定该缺陷区域是否处于该目标子图像中的边缘区域,所述边缘区域位置包括上边缘区域和/或右边缘区域中的至少一个;
在该缺陷区域处于该目标子图像中的边缘区域的情况下;
若目标子图像中的缺陷区域处于上边缘区域,则获取与该目标子图像上相邻的目标子图像的缺陷区域作为第一缺陷区域;
判断处于上边缘区域的缺陷区域与第一缺陷区域之间的距离是否满足预设的第二距离阈值;
若满足预设的第二距离阈值,则将所述处于上边缘区域的缺陷区域与第一缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域;
若目标子图像中的缺陷区域处于右边缘区域,则获取与该目标子图像左右相邻的目标子图像的边缘区域的缺陷区域作为第二缺陷区域;
判断处于右边缘区域的缺陷区域与第二缺陷区域之间的距离是否满足预设的第二距离阈值;
若满足预设的第二距离阈值,则将所述处于右边缘区域的缺陷区域与第二缺陷区域进行合并,将合并后的缺陷区域作为目标缺陷区域。
6.根据权利要求1所述的方法,其特征在于,所述识别目标图像中的缺陷区域的步骤之后,还包括:
获取至少一个缺陷区域包含的至少一种第二特征参考值,所述第二特征参考值包括旋转外界矩形参考值、最小外接矩参考值、灰度参考值、长度参考值、宽度参考值、圆度参考值、环度参考值、凸度参考值和/或扁平度参考值;
判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值;
若所述第二特征参考值满足预设的第二特征阈值,则执行所述遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值的步骤。
7.根据权利要求6所述的方法,其特征在于,所述判断所述至少一个缺陷区域的第二特征参考值是否满足预设的第二特征阈值的步骤,还包括:
判断每个缺陷区域的长度值和/或宽度值是否小于或等于预设的第二特征阈值;
在缺陷区域的长度值和/或宽度值小于或等于所述第二特征阈值的情况下,判定该缺陷区域满足所述第二特征阈值。
8.一种缺陷合并的装置,其特征在于,所述装置包括:
获取模块,用于获取待检测目标的目标图像,识别目标图像中的缺陷区域,识别出的缺陷区域的数量为至少一个;
判断模块,用于遍历所述至少一个缺陷区域,判断遍历到的缺陷区域与其他缺陷区域之间的距离是否小于预设的第一距离阈值;
合并模块,用于若遍历到的缺陷区域与其他缺陷区域之间的距离小于预设的第一距离阈值,将遍历到的缺陷区域与距离小于预设的第一距离阈值的其他缺陷区域进行合并,将合并之后的缺陷区域作为目标缺陷区域输出。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910876015.7A CN110728659A (zh) | 2019-09-17 | 2019-09-17 | 缺陷合并的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910876015.7A CN110728659A (zh) | 2019-09-17 | 2019-09-17 | 缺陷合并的方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110728659A true CN110728659A (zh) | 2020-01-24 |
Family
ID=69219031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910876015.7A Pending CN110728659A (zh) | 2019-09-17 | 2019-09-17 | 缺陷合并的方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728659A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339220A (zh) * | 2020-05-21 | 2020-06-26 | 深圳新视智科技术有限公司 | 缺陷映射方法 |
CN111787355A (zh) * | 2020-06-29 | 2020-10-16 | 西安万像电子科技有限公司 | 远程图像更新的方法及装置 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN116152248A (zh) * | 2023-04-20 | 2023-05-23 | 中科慧远视觉技术(北京)有限公司 | 外观缺陷的检测方法及装置、存储介质、计算机设备 |
CN117078665A (zh) * | 2023-10-13 | 2023-11-17 | 东声(苏州)智能科技有限公司 | 产品表面缺陷检测方法、装置、存储介质和电子设备 |
CN117078666A (zh) * | 2023-10-13 | 2023-11-17 | 东声(苏州)智能科技有限公司 | 二维和三维结合的缺陷检测方法、装置、介质和设备 |
CN118365647A (zh) * | 2024-06-20 | 2024-07-19 | 成都数之联科技股份有限公司 | 一种工业缺陷目标检测方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102148919A (zh) * | 2010-02-09 | 2011-08-10 | 新奥特(北京)视频技术有限公司 | 一种球类检测的方法及系统 |
CN108445020A (zh) * | 2018-01-31 | 2018-08-24 | 彩虹显示器件股份有限公司 | 一种玻璃基板缺陷聚集识别方法 |
CN109242819A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种基于图像处理的表面擦伤缺陷联通的算法 |
-
2019
- 2019-09-17 CN CN201910876015.7A patent/CN110728659A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102148919A (zh) * | 2010-02-09 | 2011-08-10 | 新奥特(北京)视频技术有限公司 | 一种球类检测的方法及系统 |
CN108445020A (zh) * | 2018-01-31 | 2018-08-24 | 彩虹显示器件股份有限公司 | 一种玻璃基板缺陷聚集识别方法 |
CN109242819A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种基于图像处理的表面擦伤缺陷联通的算法 |
Non-Patent Citations (2)
Title |
---|
刘坤 等: "基于机器视觉的带钢表面缺陷检测系统设计", 《制造业自动化》 * |
韩九强,杨磊: "《数字图像处理 基于XAVIS组态软件》", 西安交通大学出版社 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339220A (zh) * | 2020-05-21 | 2020-06-26 | 深圳新视智科技术有限公司 | 缺陷映射方法 |
WO2021232606A1 (zh) * | 2020-05-21 | 2021-11-25 | 深圳新视智科技术有限公司 | 缺陷映射方法 |
CN111787355A (zh) * | 2020-06-29 | 2020-10-16 | 西安万像电子科技有限公司 | 远程图像更新的方法及装置 |
CN114140679A (zh) * | 2021-10-26 | 2022-03-04 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN114140679B (zh) * | 2021-10-26 | 2022-07-01 | 中科慧远视觉技术(北京)有限公司 | 一种缺陷融合方法、装置、识别系统及存储介质 |
CN116152248A (zh) * | 2023-04-20 | 2023-05-23 | 中科慧远视觉技术(北京)有限公司 | 外观缺陷的检测方法及装置、存储介质、计算机设备 |
CN117078665A (zh) * | 2023-10-13 | 2023-11-17 | 东声(苏州)智能科技有限公司 | 产品表面缺陷检测方法、装置、存储介质和电子设备 |
CN117078666A (zh) * | 2023-10-13 | 2023-11-17 | 东声(苏州)智能科技有限公司 | 二维和三维结合的缺陷检测方法、装置、介质和设备 |
CN117078666B (zh) * | 2023-10-13 | 2024-04-09 | 东声(苏州)智能科技有限公司 | 二维和三维结合的缺陷检测方法、装置、介质和设备 |
CN117078665B (zh) * | 2023-10-13 | 2024-04-09 | 东声(苏州)智能科技有限公司 | 产品表面缺陷检测方法、装置、存储介质和电子设备 |
CN118365647A (zh) * | 2024-06-20 | 2024-07-19 | 成都数之联科技股份有限公司 | 一种工业缺陷目标检测方法、系统、设备及存储介质 |
CN118365647B (zh) * | 2024-06-20 | 2024-09-20 | 成都数之联科技股份有限公司 | 一种工业缺陷目标检测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728659A (zh) | 缺陷合并的方法、装置、计算机设备及存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
US6778694B1 (en) | Method for examining doubtful zones on the surface of an unwinding strip by image segmentation | |
CN109300127B (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
CN113160161B (zh) | 目标边缘处缺陷的检测方法和装置 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN108918093B (zh) | 一种滤光片镜面缺陷检测方法、装置及终端设备 | |
CN113487607A (zh) | 基于多视场图像的缺陷检测方法及装置 | |
CN113379723B (zh) | 不规则溢胶口检测方法、装置、设备和存储介质 | |
CN113554649B (zh) | 一种缺陷检测方法、装置、计算机设备及存储介质 | |
CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN109102507A (zh) | 螺钉螺纹检测方法以及装置 | |
CN112465807A (zh) | 车牌图像真伪识别方法、装置、设备和介质 | |
US6697516B1 (en) | Method for inspecting the surface of a moving strip by prior classification of the detected surface irregularity | |
CN113781393A (zh) | 屏幕缺陷检测方法、装置、设备及存储介质 | |
CN116485779A (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN110223309B (zh) | 边缘检测方法、装置、计算机设备及存储介质 | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN116258838B (zh) | 一种用于管片模具合模系统的智能视觉引导方法 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN115631198B (zh) | 玻璃显示屏的裂纹检测方法、装置及计算机设备 | |
CN115880481A (zh) | 一种基于边缘轮廓的曲线定位算法及系统 | |
CN116051505A (zh) | 一种基于ccd相机的刹车片检测方法、系统及存储介质 | |
CN115345841A (zh) | 一种图像缺陷样本生成方法、系统、计算机设备、及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |
|
RJ01 | Rejection of invention patent application after publication |