CN110807763A - 一种陶瓦表面鼓包检测方法及系统 - Google Patents
一种陶瓦表面鼓包检测方法及系统 Download PDFInfo
- Publication number
- CN110807763A CN110807763A CN201910888789.1A CN201910888789A CN110807763A CN 110807763 A CN110807763 A CN 110807763A CN 201910888789 A CN201910888789 A CN 201910888789A CN 110807763 A CN110807763 A CN 110807763A
- Authority
- CN
- China
- Prior art keywords
- image
- bulge
- ceramic tile
- area
- filtering
- 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
- 239000000919 ceramic Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 63
- 230000007547 defect Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000007797 corrosion Effects 0.000 claims abstract description 8
- 238000005260 corrosion Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008961 swelling Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 238000005286 illumination Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002904 solvent Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
Abstract
本发明公开了一种陶瓦表面鼓包检测方法及系统,其通过获取待检测陶瓦表面图像并进行滤波处理得到第一图像;分别对第一图像进行自定义滑动滤波器滤波、线性中值滤波和插值低通滤波处理,以提高陶瓦表面鼓包区域与背景区域的对比度;采用阈值分割方法对图像鼓包区域分割得到二值化图像;对二值化图像缺陷进行特征提取,分析得出陶瓷瓦表面鼓包是否存在,存在鼓包则提取相应的鼓包缺陷图像;对生成的二值化图像和鼓包缺陷图像进行形态学腐蚀和膨胀处理得到鼓包面积,依据鼓包面积进行鼓包缺陷的判别,极大地提高了检测陶瓷瓦表面鼓包缺陷的效率,同时保证了检测的准确度。
Description
技术领域
本发明属于图像检测领域,具体涉及一种陶瓦表面鼓包检测方法及系统。
背景技术
机器视觉是当下非常流行的自动化检测技术,在国内外产品检测中被大量使用。它是一项包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术等当代先进科学技术为一体,组成的一个综合技术。
采用CCD照相机将被检测的目标转换成图像信号,传送给专用的图像处理系统,根据像素分布和亮度、颜色等信息,转变成数字化信号,图像处理系统对这些信号进行各种运算来抽取目标的特征,如面积、数量、位置、长度,再根据预设的允许度和其他条件输出结果,包括尺寸、角度、个数、合格/不合格、有/无等,从而可以实现目标的自动识别功能。
目前,已有一些学者将机器视觉技术用于表面较为光滑、形状较为规则的陶瓷的表面缺陷自动检测,然而,由于陶瓷瓦产品表面为立体形态且存在大量凹凸的花纹,这会对表面缺陷的自动检测造成严重干扰,鼓包是陶瓷瓦产品中形态最复杂、最难检测的表面缺陷之一。因此,如何提高检测的效率和精确度仍是陶瓷瓦表面鼓包缺陷检测技术所面临的巨大挑战。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种陶瓦表面鼓包检测方法及系统,其通过获取待检测陶瓦表面图像并进行滤波处理得到第一图像;分别对第一图像进行自定义滑动滤波器滤波、线性中值滤波和插值低通滤波处理,采用阈值分割方法对图像鼓包区域分割得到二值化图像;对二值化图像缺陷进行特征提取,分析得出陶瓷瓦表面鼓包是否存在,通过形态学腐蚀和膨胀处理得到鼓包面积,依据鼓包面积进行鼓包缺陷的判别,极大地提高了检测陶瓷瓦表面鼓包缺陷的效率,同时保证了检测的准确度。
为实现上述目的,按照本发明的一个方面,提供了一种陶瓦表面鼓包检测方法,包括如下步骤:
S1.获取待检测陶瓦表面图像并进行滤波处理得到第一图像;
S2.分别对第一图像进行自定义滑动滤波器滤波、线性中值滤波和插值低通滤波处理,以提高陶瓦表面鼓包区域与背景区域的对比度;采用阈值分割方法对图像鼓包区域分割得到二值化图像;对二值化图像缺陷进行特征提取,分析得出陶瓷瓦表面鼓包是否存在,存在鼓包则提取相应的鼓包缺陷图像;
S3.对生成的二值化图像和鼓包缺陷图像进行形态学腐蚀和膨胀处理得到鼓包面积,依据鼓包面积进行鼓包缺陷的判别。
作为本发明的进一步改进,步骤S1中所述的滤波处理具体为:
将获取的待检测陶瓦表面图像进行灰度化处理;将获得的灰度图像划分成若干预设尺寸的的高斯滤波窗口;对每个高斯滤波窗口的像素点进行逐一扫描,取高斯滤波窗口内的像素的均值替代中心像素点的值。
作为本发明的进一步改进,自定义滑动滤波器滤波具体为:
构造包括第一窗口H1和第二窗口H2的自定义滑动滤波器H,其大小为1×N,其中,H=[H1,H2,H1]=[h(1),…,h(N)],H1的大小为1×N1,H2的大小为1×N2,且有2N1+N2=N,N1、N2分别为自定义滑动滤波器第一窗口H1和第二窗口H2的大小,h(1)和h(N)分别为自定义滑动滤波器H的滤波参数。
作为本发明的进一步改进,步骤S2还包括如下子步骤S2.1:
选取第一图像中的待检测区域,计算待检测区域的行均值、列均值和总均值,利用行均值、列均值和总均值对待检测区域进行左右边缘扩展得到第二图像。
作为本发明的进一步改进,步骤S2中对第一图像进行自定义滑动滤波器滤波具体为:
利用自定义滑动滤波器对第二图像进行水平方向滑动滤波处理生成第三图像,对第三图像进行上下边沿的扩展得到第四图像,用自定义滑动滤波器对第四图像进行垂直方向滑动滤波处理生成第五图像。
作为本发明的进一步改进,步骤S2中线性中值滤波具体为:
对第五图像进行水平方向的一维中值滤波处理得到第六图像;比较第五图像W5与第六图像得到第七图像;并对第七图像进行区域选择得到第八图像,再利用灰度阈值对第八图像进行二值化处理得到二值化图像。
作为本发明的进一步改进,步骤S2中插值低通滤波具体为:
利用二值化图像判断陶瓷瓦表面是否存在鼓包,若存在鼓包则提取第三图像的鼓包区域得到第一鼓包图像,对第一鼓包图像通过插值低通滤波器进行预设次数的滤波处理得到第二鼓包图像,利用鼓包阈值对第二鼓包图像进行二值化处理得到鼓包缺陷图像。
作为本发明的进一步改进,步骤S3中鼓包缺陷的判别方法为:
对步骤S2生成的二值化图像和鼓包缺陷图像,利用连通域方法计算出每个连通域的面积以及质心坐标;依据每个连通域的面积以及质心坐标进行鼓包的判断,具体为:
作为本发明的进一步改进,步骤S3中鼓包缺陷的判别方法为:
设相邻几个连通域中最大连通域的质心坐标为(x0,y0),其他连通域质心坐标为(xa,ya)(a∈N且a≠0),判断多个连通域是否属于同一个鼓包计算表达式为:
其中,d为质心坐标间距离阈值。
为实现上述目的,按照本发明的另一个方面,提供了一种陶瓦表面鼓包检测系统,其包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行上述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明的一种陶瓦表面鼓包检测方法及系统,其通过获取待检测陶瓦表面图像并进行滤波处理得到第一图像;分别对第一图像进行自定义滑动滤波器滤波、线性中值滤波和插值低通滤波处理,采用阈值分割方法对图像鼓包区域分割得到二值化图像;对二值化图像缺陷进行特征提取,分析得出陶瓷瓦表面鼓包是否存在,通过形态学腐蚀和膨胀处理得到鼓包面积,依据鼓包面积进行鼓包缺陷的判别,通过机器视觉技术与数字图像处理技术相结合的方法,极大地提高了检测陶瓷瓦表面鼓包缺陷的效率,同时保证了检测的准确度。
本发明的一种陶瓦表面鼓包检测方法及系统,其通过利用灰度图像及高斯滤波的方法对图像进行预处理,减少噪声提高图像质量,可以有效去除图像噪声,而且处理后的图像边缘清晰,有效地对图像细节进行了相应的保护;其通过选取待检测区域,可以缩小检测范围减少计算量,同时由于背景区域与陶瓷瓦区域像素灰度值相差较大,在后边儿的滑动滤波时会造成较大的干扰(也即陶瓷瓦边沿误检),因而导致滤波器对陶瓦边沿像素值无法正确滤波处理,通过上述方法可以对陶瓦边沿区域进行像素扩展,使得滤波器对陶瓦边沿区域也可以进行滤波。
本发明的一种陶瓦表面鼓包检测方法及系统,其通过自定义滑动滤波器对提取图像进行相应的水平方向滤波、垂直方向滤波及像素扩展,从而增加陶瓦鼓包区域与背景区域的对比度,最大可能的恢复鼓包原有的区域及形态,还可以进一步拉大鼓包区域像素与背景区域的差异为后边的阈值分割做准备。
本发明的一种陶瓦表面鼓包检测方法及系统,其通过二值化图像进行是否存在鼓包缺陷的判断,进一步提取相应的鼓包缺陷如下,对生成的二值化图像和鼓包缺陷图像进行形态学腐蚀和膨胀处理得到鼓包面积,依据鼓包面积进行鼓包缺陷的判别,从而克服在一定光照条件下由于陶瓷瓦表面的立体形态导致相机采集到的图像中出现规律的亮暗条纹带,并且陶瓷瓦表面如果存在鼓包则会在光照条件下出现局部异常区域的问题,进一步保证了检测的准确度。
附图说明
图1是本发明实施例的一种陶瓦表面鼓包检测方法的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
图1是本发明实施例的一种陶瓦表面鼓包检测方法的示意图。如图1所示,一种陶瓦表面鼓包检测方法,包括如下步骤为:
S1.获取待检测陶瓦表面图像并进行滤波处理得到第一图像,具体过程为:
使用LED白光光源、工业相机及配套相机镜头等设备实现陶瓷瓦图像的采集,其中相机曝光时间为1000μs,并且采用背光的照明方式对陶瓷瓦图像进行采集,利用灰度图像及高斯滤波的方法对图像进行预处理,减少噪声提高图像质量;
滤波处理的具体过程为:将获取的待检测陶瓦表面图像进行灰度化处理;将获得的灰度图像划分成若干预设尺寸的的高斯滤波窗口;对每个高斯滤波窗口的像素点进行逐一扫描,取高斯滤波窗口内的像素的均值替代中心像素点的值;作为一个示例,该预设尺寸大小为7×7,标准差为σ=2,同时,窗口模板的系数随着距离模板中心的增大而系数减小,预设尺寸和窗口模板可依据测试需求进行相应的调整。
可利用Intel(R)Core(TM)2Duo CPU 2.33GHz Windows 8系统下,Matlab2018a运行平台上,实现本发明的仿真实验,仿真结果显示,利用本发明的去噪方法可以有效去除图像噪声,而且处理后的图像边缘清晰,即有效地对图像细节进行了保护。实验结果表明,本发明的滤波方法滤波速度较快,能较好的满足现场实时性的要求。
S2.分别对第一图像进行自定义滑动滤波器滤波、线性中值滤波和插值低通滤波处理,以提高陶瓦表面鼓包区域与背景区域的对比度;采用阈值分割方法对图像鼓包区域分割得到二值化图像;对二值化图像缺陷进行特征提取,分析得出陶瓷瓦表面鼓包是否存在,存在鼓包则提取相应的鼓包缺陷图像;
选取第一图像中的待检测区域,计算待检测区域的行均值、列均值和总均值,利用行均值、列均值和总均值对待检测区域进行左右边缘扩展得到第二图像;
具体地,选取第一图像中的待检测区域为W1,其行均值、列均值和总均值的计算公式具体为:
其中,原始图像灰度图的大小为m×n;W0(i,j)为灰度图像W0的像素值;
对待检测陶瓦区域W1进行左右边缘扩展,设待检测陶瓦区域为大小m1×n1的灰度矩阵W1,则由W1的行均值对W1左右进行扩展。
设W1的行均值为K1=[K1(1);…;K1(l)](l=1,2,…,m1),
设定行向量D=[1,…,1],D大小为1×N;又由L=K1D,其大小为m1×N;
设扩展后第二图像矩阵为W2,即W2=[L,W1,L],其大小为m1×(n1+2N)。
通过选取待检测区域,可以缩小检测范围减少计算量,同时由于背景区域与陶瓷瓦区域像素灰度值相差较大,在后边儿的滑动滤波时会造成较大的干扰(也即陶瓷瓦边沿误检),因而导致滤波器对陶瓦边沿像素值无法正确滤波处理,通过上述方法可以对陶瓦边沿区域进行像素扩展,使得滤波器对陶瓦边沿区域也可以进行滤波。
依据待检测陶瓦表面图像的阴影分布构造自定义滑动滤波器,利用自定义滑动滤波器对第二图像W2进行水平方向滑动滤波处理生成第三图像W3,具体为:
构造包括第一窗口H1和第二窗口H2的自定义滑动滤波器H,其大小为1×N,其中,H=[H1,H2,H1]=[h(1),…,h(N)],H1的大小为1×N1,H2的大小为1×N2,且有2N1+N2=N,N1、N2分别为自定义滑动滤波器第一窗口H1和第二窗口H2的大小,h(1)和h(N)分别为自定义滑动滤波器H的滤波参数;
由于陶瓷瓦表面鼓包区域与周围像素灰度值不同,且由于陶瓷瓦表面立体形态造成的阴影,使得其表面图像依靠整体像素灰度无法完成鼓包区域的正确分割,因此根据阴影分布选定与阴影方向相同的线性滤波器,同时对于鼓包其同一行中像素灰度值必然是按高-低-高,或者低-高-低分布,其中,N1、N2可参照鼓包大致像素进行相应的设置,
yk(j)=h(1)xk(j)+h(2)xk-1(j)+…+h(N)xk-N+1(j)
(k=1,…,n1+2N;j=1,…,m1)
其中,X(1)、X(j)和X(m1)分别为第二图像第一个列向量、第j个列向量和第m1个列向量,m1为第二图像水平方向像素的数目,Y(1)、Y(j)和Y(m1)分别为第三图像第一个列向量、第j个列向量和第m1个列向量;
对第三图像W3进行上下边沿的扩展得到第四图像W4,具体为:
计算第三图像W3的列均值向量为S=[S(1),…,S(r)](r=1,2,…,n1+2N),其中,S(1)和S(r)分别为第三图像第一列和第r列的列均值;
定义L1=DTS,其大小为N×(n1+2N);
则扩展后的第四图像W4=[L1;W3;L1],其大小为(m1+2N)×(n1+2N);
由于背景区域与陶瓷瓦区域像素灰度值相差较大,在后边儿的滑动滤波时会造成较大的干扰(也即陶瓷瓦边沿误检),因而导致滤波器对陶瓦边沿像素值无法正确滤波处理,因此通过对第三图像的上下边沿进行扩展处理。
利用自定义滑动滤波器对第四图像W4进行垂直方向的滑动滤波处理生成第五图像W5,具体为:
则其滤波计算公式为:
bk(j)=h(1)ak(j)+h(2)ak-1(j)+…+h(N)ak-N+1(j)
(k=1,…,m1+2N;j=1,…,n1+2N)
其中,A(1)、A(j)和A(n1+2N)分别为第四图像的第一个、第j个和第n1+2N个列向量,B(1)、B(j)和B(n1+2N)分别为第五图像的第一个、第j个和第n1+2N个列向量;
由于水平方向的滤波导致检测后的鼓包区域线性化(即失去原来的形状,变得类似椭圆状),且鼓包区域灰度值与周围像素值差别依然不是很大,所以通过垂直方向的滤波不仅可以最大可能的恢复鼓包原有的区域及形态,还可以进一步拉大鼓包区域像素与背景区域的差异为后边的阈值分割做准备。
对第五图像W5进行水平方向的一维中值滤波处理得到第六图像W6;比较第五图像W5与第六图像W6得到第七图像W7;并对第七图像W7进行区域选择得到第八图像W8;具体为:
其计算公式如下:W7=W5-W6
其中,W5,W6,W7的大小为(m1+2N)×(n1+2N)。
对第七图像W7进行区域选择得到第八图像W8,W8的大小为m1×n1,计算公式如下:
W8=W7(i,j)
经过上述运算已经将陶瓦鼓包区域与背景区域的对比度增大了很多;
再利用灰度阈值T1对第八图像W8进行二值化处理得到二值化图像W9,从而实现鼓包的初步分割;具体地,
计算公式:
利用灰度阈值得到二值化图像,即为:
S2.7.鼓包区域的二次分割:由二值化图像W9判断陶瓷瓦表面是否存在鼓包,若存在鼓包则提取第三图像W3的鼓包区域得到第一鼓包图像A0,对第一鼓包图像A0通过插值低通滤波器Fk进行预设次数的滤波处理得到第二鼓包图像B,利用鼓包阈值T2对第二鼓包图像B进行二值化处理得到鼓包缺陷图像B1;
作为一个示例,其中阈值为T2取0.06,滤波次数R取15。每次滤波处理前后图像大小相同。
作为一个示例,插值低通滤波器Fk的计算公式如下:
F1为插值低通滤波器的初始值,第k次滤波对应的插值低通滤波器为:
Fk=Fk2k=1,2,…,R
其中:q=1,2,…,(k+1)*j-k;w=1,2,…,(k+1)*i-k;
i=1,2,…,5;j=1,2,…,5;k=1,2,…,R。
然后对鼓包区域A0进行第k次滤波得:
A{0}=A0
{k}=A{k-1}–A{k-1}*Fk k=1,2,…,R
S3.对生成的二值化图像和鼓包缺陷图像进行形态学腐蚀和膨胀处理得到鼓包面积,依据鼓包面积进行鼓包缺陷的判别。
作为一个优选的实施例,鼓包缺陷的判别方法为:对S2中生成的二值化图像W9和鼓包缺陷图像B1,利用连通域方法计算出每个连通域的面积以及质心坐标;依据每个连通域的面积以及质心坐标进行鼓包的判断,具体为:
对于非鼓包区域形成的连通域,由于面积很小,可以通过连通域面积阈值的方法将这些干扰区域去除。
作为一个优选的实施例,鼓包缺陷的判别方法还包括:设相邻几个连通域中最大连通域的质心坐标为(x0,y0),其他连通域质心坐标为(xa,ya)(a∈N且a≠0),判断多个连通域是否属于同一个鼓包计算表达式为:
其中,d为质心坐标间距离阈值,作为一个示例,其大小可设为100。
对于较大鼓包区域可能会在滤波器的作用下会分散为多个相邻较近的连通区域。所以,需要利用连通域质心坐标间的距离的方法,将本来属于同一个鼓包的连通域归为一个,避免在只存在一个大鼓包情况下错误计算成多个鼓包。
由二值化图像W9得知鼓包的存在时则再由鼓包缺陷图像B1得到鼓包的面积大小,从而最终得出陶瓷瓦表面鼓包缺陷的特征信息;通过形态学腐蚀和膨胀处理得到其鼓包面积,根据陶瓷瓦表面鼓包缺陷主要出现在花纹区域。所以,只对陶瓷瓦花纹区域进行鼓包检测。在一定光照条件下由于陶瓷瓦表面的立体形态导致相机采集到的图像中出现规律的亮暗条纹带,并且陶瓷瓦表面如果存在鼓包则会在光照条件下出现局部异常区域,利用上述分割方法对图像鼓包区域分割,与其他算法相比处理效果得到了极大地优化。
一种陶瓦表面鼓包检测系统,其包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行上述方法的步骤。
表1为本发明实施例的检测方法的检测结果示意表。如表1所示,为了验证算法的有效性,对100张样品陶瓷瓦图片进行了测试。实验中该算法对于面积大于380个像素的鼓包可以进行有效的检测。100张样本中,鼓包样本有40张,非鼓包的样本60张。通过测试,40个鼓包样本中检测出鼓包样本33个且鼓包分布于花纹区域,其中未检测出鼓包的7张鼓包样本中,其鼓包面积较小且形态与花纹相似;60个非鼓包样本中检测出非鼓包样本60个。总的检测准确率为93%,平均单张检测时间为1.2s。本发明的检测方法利用机器视觉技术与数字图像处理技术相结合的方法,对陶瓷瓦表面鼓包缺陷进行无损检测,极大地提高检测陶瓷瓦表面鼓包缺陷的效率,同时保证了检测的准确度,有一定的实用价值。
表1本发明实施例的检测方法的检测结果示意表
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种陶瓦表面鼓包检测方法,其特征在于,包括如下步骤:
S1.获取待检测陶瓦表面图像并进行滤波处理得到第一图像;
S2.分别对第一图像进行自定义滑动滤波器滤波、线性中值滤波和插值低通滤波处理,以提高陶瓦表面鼓包区域与背景区域的对比度;采用阈值分割方法对图像鼓包区域分割得到二值化图像;对二值化图像缺陷进行特征提取,分析得出陶瓷瓦表面鼓包是否存在,存在鼓包则提取相应的鼓包缺陷图像;
S3.对生成的二值化图像和鼓包缺陷图像进行形态学腐蚀和膨胀处理得到鼓包面积,依据鼓包面积进行鼓包缺陷的判别。
2.根据权利要求1所述的一种陶瓦表面鼓包检测方法,其特征在于,步骤S1中所述的滤波处理具体为:
将获取的待检测陶瓦表面图像进行灰度化处理;将获得的灰度图像划分成若干预设尺寸的的高斯滤波窗口;对每个高斯滤波窗口的像素点进行逐一扫描,取高斯滤波窗口内的像素的均值替代中心像素点的值。
4.根据权利要求3所述的一种陶瓦表面鼓包检测方法,其特征在于,步骤S2还包括如下子步骤S2.1:
选取第一图像中的待检测区域,计算待检测区域的行均值、列均值和总均值,利用行均值、列均值和总均值对待检测区域进行左右边缘扩展得到第二图像。
5.根据权利要求4所述的一种陶瓦表面鼓包检测方法,其特征在于,步骤S2中对第一图像进行自定义滑动滤波器滤波具体为:
利用自定义滑动滤波器对第二图像进行水平方向滑动滤波处理生成第三图像,对第三图像进行上下边沿的扩展得到第四图像,用自定义滑动滤波器对第四图像进行垂直方向滑动滤波处理生成第五图像。
6.根据权利要求5所述的一种陶瓦表面鼓包检测方法,其特征在于,步骤S2中线性中值滤波具体为:
对第五图像进行水平方向的一维中值滤波处理得到第六图像;比较第五图像W5与第六图像得到第七图像;并对第七图像进行区域选择得到第八图像,再利用灰度阈值对第八图像进行二值化处理得到二值化图像。
7.根据权利要求6所述的一种陶瓦表面鼓包检测方法,其特征在于,步骤S2中插值低通滤波具体为:
利用二值化图像判断陶瓷瓦表面是否存在鼓包,若存在鼓包则提取第三图像的鼓包区域得到第一鼓包图像,对第一鼓包图像通过插值低通滤波器进行预设次数的滤波处理得到第二鼓包图像,利用鼓包阈值对第二鼓包图像进行二值化处理得到鼓包缺陷图像。
10.一种陶瓦表面鼓包检测系统,其特征在于,其包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1~9中任一权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888789.1A CN110807763A (zh) | 2019-09-19 | 2019-09-19 | 一种陶瓦表面鼓包检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888789.1A CN110807763A (zh) | 2019-09-19 | 2019-09-19 | 一种陶瓦表面鼓包检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807763A true CN110807763A (zh) | 2020-02-18 |
Family
ID=69487685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910888789.1A Pending CN110807763A (zh) | 2019-09-19 | 2019-09-19 | 一种陶瓦表面鼓包检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807763A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272768A (zh) * | 2020-02-28 | 2020-06-12 | 苏州杰锐思智能科技股份有限公司 | 一种陶瓷管检测方法 |
CN111768348A (zh) * | 2020-05-29 | 2020-10-13 | 合肥联宝信息技术有限公司 | 一种缺陷检测方法、设备及计算机可读存储介质 |
CN112097722A (zh) * | 2020-08-17 | 2020-12-18 | 山东东岳高分子材料有限公司 | 膜材料的平整度测试方法 |
CN113030111A (zh) * | 2021-03-30 | 2021-06-25 | 山东大学 | 一种基于机器视觉的汽车油冷器虚焊检测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206113902U (zh) * | 2016-07-21 | 2017-04-19 | 江西和美陶瓷有限公司 | 陶瓷砖坯坯面质量的检测装置 |
CN107238870A (zh) * | 2017-05-17 | 2017-10-10 | 富通住电特种光缆(天津)有限公司 | 一种套管鼓包检测装置及检测方法 |
CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
-
2019
- 2019-09-19 CN CN201910888789.1A patent/CN110807763A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206113902U (zh) * | 2016-07-21 | 2017-04-19 | 江西和美陶瓷有限公司 | 陶瓷砖坯坯面质量的检测装置 |
CN107238870A (zh) * | 2017-05-17 | 2017-10-10 | 富通住电特种光缆(天津)有限公司 | 一种套管鼓包检测装置及检测方法 |
CN109001212A (zh) * | 2018-07-17 | 2018-12-14 | 五邑大学 | 一种基于机器视觉的不锈钢汤勺缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
张绍伟 等: "基于机器视觉的陶瓷瓦表面鼓包缺陷检测算法研究", 《南阳理工学院学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272768A (zh) * | 2020-02-28 | 2020-06-12 | 苏州杰锐思智能科技股份有限公司 | 一种陶瓷管检测方法 |
CN111768348A (zh) * | 2020-05-29 | 2020-10-13 | 合肥联宝信息技术有限公司 | 一种缺陷检测方法、设备及计算机可读存储介质 |
CN111768348B (zh) * | 2020-05-29 | 2022-02-08 | 合肥联宝信息技术有限公司 | 一种缺陷检测方法、设备及计算机可读存储介质 |
CN112097722A (zh) * | 2020-08-17 | 2020-12-18 | 山东东岳高分子材料有限公司 | 膜材料的平整度测试方法 |
CN113030111A (zh) * | 2021-03-30 | 2021-06-25 | 山东大学 | 一种基于机器视觉的汽车油冷器虚焊检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN109540925B (zh) | 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 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN108918093B (zh) | 一种滤光片镜面缺陷检测方法、装置及终端设备 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN114047123A (zh) | 一种用于集成板生产缺陷检测方法及检测系统 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN111060442A (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
JP2013002839A (ja) | ひび割れ検出方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200218 |