CN111044522B - 缺陷检测方法、装置及终端设备 - Google Patents

缺陷检测方法、装置及终端设备 Download PDF

Info

Publication number
CN111044522B
CN111044522B CN201911287004.1A CN201911287004A CN111044522B CN 111044522 B CN111044522 B CN 111044522B CN 201911287004 A CN201911287004 A CN 201911287004A CN 111044522 B CN111044522 B CN 111044522B
Authority
CN
China
Prior art keywords
defect information
image
defect
image processing
information
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
Application number
CN201911287004.1A
Other languages
English (en)
Other versions
CN111044522A (zh
Inventor
程俊
郭海光
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911287004.1A priority Critical patent/CN111044522B/zh
Publication of CN111044522A publication Critical patent/CN111044522A/zh
Application granted granted Critical
Publication of CN111044522B publication Critical patent/CN111044522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G01N2021/8861—Determining coordinates of flaws
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种缺陷检测方法、装置及终端设备，缺陷检测方法包括：获取被测物的二维图像和深度图像；对二维图像进行图像处理，获取被测物的第一缺陷信息；对深度图像进行图像处理，获取被测物的第二缺陷信息；获取第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将该目标缺陷信息识别为被测物的缺陷信息。该缺陷检测方法是一种自动检测方法，无需搭设脚手架等设备，降低安全风险、检查成本和工程量，提升了检测效率；能满足经常性的巡检要求；避免出现因人眼观察检测出现的主观判断导致的误差，进而提升检测准确度。而且，比对两种不同的图像得到检测结果，进一步提升检测准确度。

Description

缺陷检测方法、装置及终端设备
技术领域
本申请属于图像处理技术领域，尤其涉及一种缺陷检测方法、装置及终端设备。
背景技术
一般水电站闸门使用液压启闭机来控制，这些启闭机经过数年的运行，其活塞杆表面存在一定程度的锈蚀。活塞杆若锈蚀到一定程度，在运行过程中将损坏油缸的密封性，而且，锈蚀脱落的污染物也会污染油液，甚至导致控制阀门的堵塞和失效，最终造成启闭机不能正常启闭。因此需经常对液压启闭机活塞杆的外观及锈蚀情况进行巡检。由于液压启闭机活塞杆所处的特殊空间位置环境，且活塞杆较长(通常为十多米)，工作人员很难近距离检测活塞杆的锈蚀情况。目前通常采用的检测手段是在闸门上搭设脚手架的方式，人工靠近活塞杆后通过人眼观察检测，但是，搭设脚手架危险性大、工程量大、危险性高、效率低，不能满足经常性的巡检要求，而且，人眼观察检测的方式的主观性较大，导致检测准确度低。
发明内容
有鉴于此，本申请实施方式提供了缺陷检测方法、装置及终端设备，以解决通过人眼观察检测的方式对被测物的缺陷进行检测，准确度低的问题。
本申请实施方式第一方面提供了一种缺陷检测方法，包括：
获取被测物的二维图像和深度图像；
对所述二维图像进行图像处理，基于图像处理结果获取所述被测物的第一缺陷信息；
对所述深度图像进行图像处理，基于图像处理结果获取所述被测物的第二缺陷信息；
获取所述第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将所述目标缺陷信息识别为所述被测物的缺陷信息。
本申请实施方式第二方面提供了一种缺陷检测装置，包括：
图像获取模块，用于获取被测物的二维图像和深度图像；
第一缺陷信息获取模块，用于对所述二维图像进行图像处理，基于图像处理结果获取所述被测物的第一缺陷信息；
第二缺陷信息获取模块，用于对所述深度图像进行图像处理，基于图像处理结果获取所述被测物的第二缺陷信息；
被测物缺陷信息获取模块，用于获取所述第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将所述目标缺陷信息识别为所述被测物的缺陷信息。
本申请实施方式第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述本申请实施方式第一方面提供的缺陷检测方法的步骤。
本申请实施方式第四方面提供了一种计算机可读存储介质，所述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实现如上述本申请实施方式第一方面提供的缺陷检测方法的步骤。
本申请实施方式第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述本申请实施方式第一方面提供的一种缺陷检测方法。
本发明实施方式与现有技术相比存在的有益效果是：本发明提供的缺陷检测方法中，获取被测物的两种不同的图像，分别是二维图像和深度图像，分别对这两种图像进行图像处理，得到被测物两个缺陷信息，根据这两个缺陷信息获取被测物的缺陷信息。首先，该缺陷检测方法是一种通过图像处理进行缺陷检测的自动检测方法，相较于人眼观察检测的人工检测方式，无需搭设脚手架等设备，降低安全风险、检查成本和工程量，提升了检测效率；能满足经常性的巡检要求；避免出现因人眼观察检测出现的主观判断导致的误差，进而提升检测准确度。而且，比对两种不同的图像得到检测结果，能够避免只对一种图像进行图像处理的方式带来的检测误差，进一步提升检测准确度。
附图说明
为了更清楚地说明本申请实施方式中的技术方案，下面将对实施方式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申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的缺陷检测方法的第一种流程示意图；
图2是彩色线阵相机和深度线阵相机的布置方式的俯视图；
图3是彩色线阵相机和深度线阵相机的布置方式的侧视图；
图4是局部图像的相对位置检测方式示意图；
图5是本申请实施例一提供的缺陷检测方法的第二种流程示意图；
图6是本申请实施例二提供的缺陷检测装置的结构示意图；
图7是本申请实施例三提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施方式的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
应当理解，本实施例中各步骤的先后撰写顺序并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施方式来进行说明。
参见图1，是本申请实施例一提供的缺陷检测方法的实现过程的流程图，为了便于说明，仅示出了与本申请实施例相关的部分。
该缺陷检测方法包括：
步骤S101：获取被测物的二维图像和深度图像。
该缺陷检测方法的应用对象，即被测物的种类不唯一，由实际情况进行确定，本实施例中，被测物以水电站液压启闭机活塞杆为例，以下简称为活塞杆，检测对象具体为活塞杆的露出部分。那么，该缺陷检测方法就是活塞杆的缺陷检测方法。活塞杆上的缺陷为锈蚀，具体为因锈蚀产生的凹陷或者凸起。
本实施例中，活塞杆的二维图像由彩色线阵相机检测得到，活塞杆的深度图像由深度线阵相机(即3D相机)检测得到。彩色线阵相机是一种可以采集红、蓝、绿三原色图像信息的CMOS传感器，拥有超高的采集速度和极佳的信噪比，一般行频可以达到40kHz，分辨率4096*3，可通过编程控制曝光、平场校正和增益等设置。由于彩色线阵相机的超高的采集速度与较高的分辨率，短时间内会产生大量数据，采集过程中还可以用到专用的数据采集卡来缓冲系统压力以及缓存图像数据。深度线阵相机是一种可以实现在大视野情况下完成微米级别的特征测量的相机，内置了激光光源，激光线的轮廓点数达到上千个，根据测量参数的不同，可以实现170～5000Hz的扫描速度。彩色线阵相机和深度线阵相机属于常规设备，不再具体赘述。
彩色线阵相机对活塞杆进行拍摄，得到二维图像，深度线阵相机对活塞杆进行拍摄，得到深度图像。
深度图像(depth image)也被称为距离影像(range image)，是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像，它直接反映了景物可见表面的几何形状。深度图像的每个像素点的灰度值可用于表征场景中某一点距离摄像机的远近，不同的灰度值表示不同的距离。深度图像经过坐标转换可以计算为点云数据，有规则及必要信息的点云数据也可以反算为深度图像数据。
由于活塞杆为圆柱形结构，因此，彩色线阵相机和深度线阵相机需要沿着活塞杆外壁做周向旋转运动，以对活塞杆进行360°全圆周图像扫描；由于活塞杆长度较长，那么，彩色线阵相机和深度线阵相机每旋转一周得到的图像仅仅是活塞杆的局部图像，彩色线阵相机和深度线阵相机旋转一周后，自动升降移动，然后再旋转一周进行图像扫描，以此类推。因此，每旋转一周得到一个局部图像，总共能够采集到多个局部图像。
那么，获取每次采集到的局部二维图像，对所有的局部二维图像进行拼接，得到被测物的二维图像；获取每次采集到的局部深度图像，对所有的局部深度图像进行拼接，得到被测物的深度图像。具体地：
在获取活塞杆的二维图像过程中，每次采集得到一个局部二维图像，最终得到多个局部二维图像；在获取活塞杆的深度图像的过程中，每次采集得到一个局部深度图像，最终得到多个局部深度图像。以下给出一种具体的实例：初始情况下，彩色线阵相机处于活塞杆的底部，绕活塞杆旋转一周进行图像扫描，得到一个局部二维图像，然后升起一定高度，绕活塞杆旋转一周进行图像扫描，得到一个局部二维图像，接着再升起一定高度，再一次绕活塞杆旋转一周进行图像扫描，得到一个局部二维图像，以此类推，直至到达活塞杆的顶部，采集到多个局部二维图像；深度线阵相机处于活塞杆的底部，绕活塞杆旋转一周进行图像扫描，得到一个局部深度图像，然后升起一定高度，绕活塞杆旋转一周进行图像扫描，得到一个局部深度图像，接着再升起一定高度，再一次绕活塞杆旋转一周进行图像扫描，得到一个局部深度图像，以此类推，直至到达活塞杆的顶部，采集到多个局部深度图像。
本实施例中，彩色线阵相机和深度线阵相机同时对活塞杆进行图像采集，可以借助一个移动机构实现上述图像采集，比如：移动机构包括一个导轨，该导轨绕设活塞杆一周，彩色线阵相机和深度线阵相机装配在该导轨上，能够在电机的驱动下绕活塞杆运动。该导轨装配在一个伸缩杆的一端，伸缩杆的另一端传动连接一个驱动电机，当该驱动电机转动时，伸缩杆能够沿着其轴向做伸缩运动，进而带动导轨沿着活塞杆的轴向做往复运动。移动机构受工作人员的遥控操作或计算机自动控制，在工作人员的遥控操作或计算机自动控制下，实现对活塞杆全长度范围内的图像采集。上述给出了移动机构的一种实现手段，移动机构并不局限于上述结构，作为其他的实施方式，只要能够带动彩色线阵相机和深度线阵相机做上述运动，任何移动机构均在本申请的保护范围内。
如图2所示，为彩色线阵相机和深度线阵相机的布置方式的俯视图，201为活塞杆，202为彩色线阵相机，203为照明光源，204为深度线阵相机。彩色线阵相机202前方需要安装镜头，镜头与活塞杆201之间距离a约100mm左右，照明光源203安装在彩色线阵相机202侧方，光线直射活塞杆201上彩色线阵相机202所捕捉的区域。深度线阵相机204与活塞杆201之间距离b约160mm左右。如图3所示，为彩色线阵相机和深度线阵相机的布置方式的侧视图，从侧方向来看，彩色线阵相机202视野、深度线阵相机204视野与照明光源203出光口基本是沿各自的外壳中心对称，故彩色线阵相机202和深度线阵相机204与照明光源203的出光口中心线基本保持在同一平面即可，同时该平面应该平行于上述导轨的运动平面。
由于对活塞杆201的采集是分多次进行，极有可能缺陷所在位置会位于两次检测区域的上下边缘，则分析前需要对相邻图像进行处理拼接，而且如果需要获取完整的杆体图像，也需要对多次采集的数据进行拼接。对于二维图像而言：对所有采集到的局部二维图像进行拼接，拼接得到的图像是活塞杆201的二维图像；对于活塞杆201的深度图像，对所有采集到的局部深度图像进行拼接，拼接得到的图像为活塞杆201的深度图像。图像拼接技术为常规技术，以下给出一种具体实现过程，本申请不局限于下述过程：
在图像拼接时，需要获取局部图像的相对位置信息，这里采用激光测距仪205，如图4所示。激光测距仪205和彩色线阵相机202和深度线阵相机204安装在一起，每次图像采集时激光测距仪205会检测距离活塞杆201底座的相对距离。在当次采集完成时把该距离与图像数据保存在一起。
在获取了相对距离后即可进行图像拼接，以下以彩色线阵相机202采集到的局部二维图像为例，深度线阵相机204采集到的局部深度图像与此同理：
首先，彩色线阵相机202在安装好之后，其与活塞杆201的距离即固定，彩色线阵相机202的有效视场即可通过计算或测量得出(记为x)；
然后，从采集图像的分辨率中可得出每次采集的实际像素点数(记为w)；
最后，获取需要拼接的两幅局部二维图像对应的激光测距仪205测量的距离(记为h1、h2)。
通过下面的公式计算出两幅局部二维图像的重叠距离(记为s)：
Figure BDA0002318288210000081
每个像素表示的尺寸(记为p)：
Figure BDA0002318288210000082
那么，两幅局部二维图像需要剪掉的像素个数(记为n)：
Figure BDA0002318288210000083
拼接时只需把两幅局部二维图像原数据中剪掉相邻边缘宽度像素为n的部分，然后把两幅局部二维图像合成即可。
同理，如果需要拼接多幅局部二维图像，只需按上述方法逐个处理即可。
上述中，被测物为圆柱体结构，如果被测物为其它类型的立体结构，比如：长方体，则需要逐个对不同表面的图像进行采集，最后拼接在一起；如果被测物的缺陷检测面是平面，比如电脑屏幕，而且，一次图像采集就可以采集到整个图像，那么，就无需进行上述多次图像采集以及图像拼接的过程。
步骤S102：对所述二维图像进行图像处理，基于图像处理结果获取所述被测物的第一缺陷信息。
以下给出一种具体的图像处理过程：
对二维图像进行灰度化，得到二维灰度图像；对二维灰度图像进行目标区域划分，得到包含第一缺陷信息的目标区域；对目标区域进行图像处理，得到第一缺陷信息。
其中，对二维灰度图像进行目标区域划分，得到包含第一缺陷信息的目标区域，具体包括：扫描整幅二维灰度图像，根据前景与背景的灰度值特征选取合适的门限值，利用门限值分割得到目标区域，由于需要通过目标区域进行缺陷信息检测，那么，目标区域中包含活塞杆201的相关缺陷信息，即第一缺陷信息，第一缺陷信息包括各个缺陷的位置，并利用区域填充算法对该区域内的空白区域进行填充，得到完整的目标区域。
为了提高检测准确性，还可以对目标区域进行预处理，本实施例中，主要采用算法是开运算进行预处理。开运算过程为：首先使用腐蚀算法消除目标区域边缘存在的小干扰、在纤细点处分离物体以及光源产生的衍射区域，然后再使用膨胀算法对该区域边界进行补偿，平滑目标的边界的同时并不明显改变其面积。
通过二维图像灰度化以及目标区域划分能够便于后续的图像处理过程，进而提升二维图像中缺陷的识别准确性。
在对二维图像进行图像处理和目标区域划分之后，对目标区域进行图像处理，得到第一缺陷信息。图像处理的实现过程有很多种，以下给出一种处理过程：
根据预设的第一灰度分割门限值对目标区域进行图像分割，得到多个分割图像；若第一分割图像的灰度值与预设的第一灰度门限值之间的差值的绝对值大于预设的第一误差门限值，则将第一分割图像的信息识别为第一缺陷信息；其中，第一分割图像为多个分割图像中的任一个。
其中，根据预设的第一灰度分割门限值对目标区域进行图像分割，得到多个分割图像：根据预设的第一灰度分割门限值对目标区域进行分割，得到多个(即至少两个)分割图像，其中，第一灰度分割门限值根据实际需要进行设置，比如：可以是二维图像中的各像素点的灰度值中出现频率最高的灰度值，也可以是比该出现频率最高的灰度值大一定灰度阶或者小一定灰度阶的灰度值，即第一灰度分割门限值是一个与该出现频率最高的灰度值相差不大的灰度值。一般情况下，缺陷在整个图像中的占比比较小，在整体图像中的占比比较大的是图像的背景，所以，出现频率最高的灰度值为图像中的背景的灰度值，背景是指正常的、没有缺陷的区域。在获取出现频率最高的灰度值时，可以统计像素点的灰度值的直方图，直方图的横轴表示各个灰度值，纵轴表示各个灰度值出现的个数，那么，纵轴最高对应的灰度值为出现频率最高的灰度值。另外，如果因图像背景不均一而无法确定第一灰度分割门限值，则可以通过其邻域找到一个合适的门限值后进行分割，再选择出所有比其邻域暗的像素，最后再做一次连通域变换。
若第一分割图像的灰度值与预设的第一灰度门限值之间的差值的绝对值大于预设的第一误差门限值，则将第一分割图像的信息识别为第一缺陷信息；其中，第一分割图像为多个分割图像中的任一个：设定第一分割图像，为分割得到的多个分割图像中的任一个，比较第一分割图像的灰度值与预设的第一灰度门限值，若第一分割图像的灰度值与第一灰度门限值之间的差值的绝对值大于预设的第一误差门限值，则将第一分割图像的信息识别为活塞杆201的第一缺陷信息。其中，第一误差门限值可以根据实际需要进行设置；第一灰度门限值根据实际需要进行设置，可以是各像素点的灰度值中出现频率最高的灰度值，出现频率最高的灰度值为二维图像的背景的灰度值，则若第一分割图像的灰度值与背景的灰度值相差较大，表示得到的第一分割图像的灰度值与正常的、没有缺陷的区域的灰度值相差较大，也就意味着第一分割图像对应的区域就是活塞杆201的缺陷区域。第一缺陷信息包括满足上述条件的各个分割图像的信息，相应地，包括满足上述条件的各个分割图像在二维图像中的位置信息。
通过图像分割以及比较各个分割图像的灰度值与第一灰度门限值，能够提升二维图像的缺陷的识别准确性。
上述给出了一种图像处理的过程，作为其他的实施方式，还可以采用其他的图像处理过程以识别得到图像中的缺陷，比如：基于深度学习的缺陷检测方法，包括以下过程：对二维图像进行图像分割，分割成大小一样的图像块；选取有缺陷的图像块和无缺陷的图像块作为训练样本集，在训练之前可以对训练样本集进行预处理；利用训练样本集离线训练深度学习算法，其中深度学习算法采用多层卷积神经网络vgg16模型，训练过程为：构造多层卷积神经网络vgg16；利用训练样本集，采用ADAM算法对多层卷积神经网络vgg16的误差梯度做最下降优化，离线训练构造多层卷积神经网络vgg16；多层卷积神经网络vgg16构成以后利用Google开源深度学习系统TensorFlow进行开发，并利用英伟达GPU对深度学习算法进行加速；最后，利用训练好的深度学习算法，在线检测缺陷。
步骤S103：对所述深度图像进行图像处理，基于图像处理结果获取所述被测物的第二缺陷信息。
以下给出一种图像处理过程：
根据预设的第二灰度分割门限值对深度图像进行图像分割，得到多个分割图像；若第二分割图像的灰度值与预设的第二灰度门限值之间的差值的绝对值大于预设的第二误差门限值，则将第二分割图像的信息识别为第二缺陷信息；其中，第二分割图像为多个分割图像中的任一个。
上述深度图像的处理过程中，通过比较各个分割图像与第二灰度门限值，识别得到第二缺陷信息，能够提升缺陷识别精度。
其中，根据预设的第二灰度分割门限值对深度图像进行图像分割，得到多个分割图像：由于活塞杆201的缺陷是锈蚀现象，则深度线阵相机204与活塞杆201上的正常区域的距离与深度线阵相机204与活塞杆201上的缺陷区域的距离不同。在深度图像中，不同距离具有不同的灰度值，通过获取灰度值就能够表征得到与深度线阵相机204的距离。那么，根据预设的第二灰度分割门限值对深度图像进行图像分割，得到多个(即至少两个)分割图像。其中，第二灰度分割门限值根据实际需要进行设置，可以与上述中第一灰度分割门限值的设置方式相同，即为深度图像中出现频率最高的灰度值，而出现频率最高的灰度值的获取方式在上述中已给出了描述，不再赘述。
若第二分割图像的灰度值与预设的第二灰度门限值之间的差值的绝对值大于预设的第二误差门限值，则将第二分割图像的信息识别为第二缺陷信息；其中，第二分割图像为多个分割图像中的任一个：设定第二分割图像，为分割得到的多个分割图像中的任一个，比较第二分割图像的灰度值与预设的第二灰度门限值，若第二分割图像的灰度值与第二灰度门限值之间的差值的绝对值大于预设的第二误差门限值，则将第二分割图像的信息识别为活塞杆201的第二缺陷信息。其中，第二误差门限值根据实际需要进行设置；第二灰度门限值根据实际需要进行设置，比如：可以是深度图像中各像素点的灰度值中出现频率最高的灰度值，出现频率最高的灰度值为深度图像中背景的灰度值。若第二分割图像的灰度值与背景的灰度值相差较大，表示得到的第二分割图像的灰度值与正常的、没有缺陷的区域的灰度值相差较大，进而表示第二分割图像对应的位置与深度线阵相机204的距离与正常情况下没有缺陷的位置与深度线阵相机204的距离之间存在一定的差值，判定第二分割图像对应的位置为缺陷位置。第二缺陷信息就包括满足上述条件的各个分割图像的信息，相应地，包括满足上述条件的各个分割图像在深度图像中的位置信息。
上述给出了一种深度图像处理的过程，作为其他的实施方式，还可以采用其他的图像处理过程以识别得到深度图像中的缺陷，比如：基于深度图像，提取深度图像中的目标边缘轮廓，并获取目标边缘轮廓内像素点对应的深度范围；提取与深度范围相匹配的目标像素点，得到深度图像中的缺陷。或者，构建训练样本集，用于训练缺陷识别神经网络，训练样本集包括两部分，一部分是含有缺陷的图像，另一部分是没有缺陷的图像；构建缺陷识别神经网络，根据训练样本集对缺陷识别神经网络进行训练，得到训练好的缺陷识别神经网络；将采集到的深度图像输入到缺陷识别神经网络中，识别得到深度图像中的缺陷。
步骤S102和步骤S103分别是对二维图像和深度图像进行图像处理，这两个步骤之间没有先后顺序，可以先对二维图像进行图像处理，然后对深度图像进行图像处理；也可以先对深度图像进行图像处理，再对二维图像进行图像处理；还可以同时对二维图像和深度图像进行图像处理。
步骤S104：获取所述第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将所述目标缺陷信息识别为所述被测物的缺陷信息。
通过对获取到的二维图像进行图像处理，能够获取得到第一缺陷信息；通过对获取到的深度图像进行图像处理，能够获取得到第二缺陷信息。根据这两个缺陷信息获取到第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将该目标缺陷信息识别为活塞杆201的缺陷信息，即该目标缺陷信息就是活塞杆201的缺陷信息。目标缺陷信息可以包括各个缺陷点的位置信息(即位置坐标)以及缺陷形状信息等等。
目标缺陷信息的获取方式可以是：比对第一缺陷信息和第二缺陷信息，找到两者中共同的缺陷信息，可以通过计算两者的相似度来确定共同的缺陷信息；也可以比对两者中各个缺陷点的位置坐标，两者中相同或者接近的位置坐标确定为共同的缺陷信息，具体地：若第一缺陷信息中某一个缺陷点的位置坐标与第二缺陷信息中某一个缺陷点的位置坐标相同或者接近，则这两个缺陷点确定为相同的缺陷。例如：第一缺陷信息包括五个缺陷位置，第二缺陷信息包括四个缺陷位置，通过比对得到，其中有三个缺陷位置同时包含在第一缺陷信息和第二缺陷信息中，那么，这三个缺陷位置就是目标缺陷信息，就是活塞杆201的缺陷信息。
例如：若将该缺陷检测方法应用到检测锈蚀缺陷，则目标缺陷信息可以包括各个锈蚀区域的位置以及形状等信息。
首先，该缺陷检测方法是一种自动检测方法，通过获取图像，然后对图像进行图像处理，最后进行缺陷识别的自动检测方式，相较于人眼观察检测的人工检测方式，无需搭设脚手架等设备，降低安全风险、检查成本和工程量，提升了检测效率；能满足经常性的巡检要求；避免出现因人眼观察检测出现的主观判断导致的误差，进而提升检测准确度。而且，对两种不同的图像的检测结果进行处理得到被测物的缺陷信息，能够避免只对一种图像进行图像处理的方式带来的检测误差，进一步提升检测准确度。
参见图5，是本申请实施例一提供的缺陷检测方法的第二种实现过程的流程图，为了便于说明，仅示出了与本申请实施例相关的部分。
该缺陷检测方法包括：
步骤S301：获取被测物的二维图像和深度图像。
步骤S301的实现过程在上述步骤S101中已给出了详细说明，不再赘述。
步骤S302：对所述二维图像进行图像处理，基于图像处理结果获取所述被测物的第一缺陷信息。
步骤S302的实现过程在上述步骤S102中已给出了详细说明，不再赘述。
步骤S303：对所述深度图像进行图像处理，基于图像处理结果获取所述被测物的第二缺陷信息。
步骤S303的实现过程在上述步骤S103中已给出了详细说明，不再赘述。
步骤S304：获取所述第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将所述目标缺陷信息识别为所述被测物的缺陷信息。
步骤S304的实现过程在上述步骤S104中已给出了详细说明，不再赘述。
步骤S305：对所述目标缺陷信息在图像上的位置进行坐标转换，得到所述目标缺陷信息在所述被测物上的位置。
步骤S304得到的缺陷信息是在图像上的缺陷信息，是在采集到的平面图像上的位置，需要将图像上的缺陷信息进行坐标转换，转换到活塞杆201上实际的位置，具体过程包括：将各缺陷位置的坐标输入到预设转换模型中，得到缺陷位置在活塞杆201上的位置坐标。
以下给出一种具体的预设转换模型：
根据以下公式进行坐标转换：
XL＝XT(SXCosθ)+YT(-SYSinθ)+(TXCosθ-TYSinθ)
YL＝XT(SXSinθ)+YT(SYCosθ)+(TXSinθ+TYCosθ)
其中，XT和YT为变换前的坐标，即缺陷在图像上的位置坐标，可以以图像的某一个角，比如左下角作为原点，以图像的横向作为X轴，以图像的纵向作为Y轴。
SX和SY分别是X轴缩放系数和Y轴缩放系数，TX和TY分别是X轴平移系数和Y轴平移系数，θ是旋转角度。SX、SY、TX、TY和θ均为已知数。
XL和YL为变换后在活塞杆201上的坐标，即为缺陷在活塞杆201上的位置信息，XL具体为缺陷在活塞杆201上的高度；由于在采集局部图像时，相机在某一高度沿着活塞杆201周向旋转运动一周，设定旋转一周开始的点为原始点，那么，每一个局部图像对应的原始点在竖直方向上是相同的点，YL为在周向上且沿着旋转方向的情况下，缺陷位置与原始点的距离，即将旋转路径由原始点断开并展开的情况下，缺陷位置与原始点的平面直线距离。那么，YL为XL高度下，缺陷位置在周向上与原始点的距离。
通过坐标转换，能够获取到缺陷在活塞杆201上的实际位置，便于直接对活塞杆201上的缺陷位置进行准确定位，进而便于后续的相关操作，比如根据活塞杆201的缺陷位置进行工作性能和剩余寿命的评估，最终决定对活塞杆201是否进行维修或者更换。
上述给出一种具体的坐标转换过程，坐标转换属于常规技术，本申请不局限于上述过程。
对应于上文中的缺陷检测方法实施例中所述的缺陷检测方法，图6示出了本申请实施例二提供的缺陷检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，缺陷检测装置400包括：
图像获取模块401，用于获取被测物的二维图像和深度图像；
第一缺陷信息获取模块402，用于对所述二维图像进行图像处理，基于图像处理结果获取所述被测物的第一缺陷信息；
第二缺陷信息获取模块403，用于对所述深度图像进行图像处理，基于图像处理结果获取所述被测物的第二缺陷信息；
被测物缺陷信息获取模块404，用于获取所述第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将所述目标缺陷信息识别为所述被测物的缺陷信息。
可选地，图像获取模块401具体用于：
获取每次采集到的局部二维图像，对所有的所述局部二维图像进行拼接，得到所述被测物的二维图像；
获取每次采集到的局部深度图像，对所有的所述局部深度图像进行拼接，得到所述被测物的深度图像。
可选地，第一缺陷信息获取模块402包括：
二维灰度图像获取单元，用于对所述二维图像进行灰度化，得到二维灰度图像；
目标区域划分单元，用于对所述二维灰度图像进行目标区域划分，得到包含所述第一缺陷信息的目标区域；
图像处理单元，用于对所述目标区域进行图像处理，得到所述第一缺陷信息。
其中，所述图像处理单元具体用于：
根据预设的第一灰度分割门限值对所述目标区域进行图像分割，得到多个分割图像；
若第一分割图像的灰度值与预设的第一灰度门限值之间的差值的绝对值大于预设的第一误差门限值，则将所述第一分割图像的信息识别为所述第一缺陷信息；其中，所述第一分割图像为所述多个分割图像中的任一个。
可选地，第二缺陷信息获取模块403具体用于：
根据预设的第二灰度分割门限值对所述深度图像进行图像分割，得到多个分割图像；
若第二分割图像的灰度值与预设的第二灰度门限值之间的差值的绝对值大于预设的第二误差门限值，则将所述第二分割图像的信息识别为所述第二缺陷信息；其中，所述第二分割图像为所述多个分割图像中的任一个。
可选地，所述第二灰度门限值为所述深度图像中出现频率最高的灰度值。
可选地，缺陷检测装置400还包括坐标转换模块，用于对所述目标缺陷信息在图像上的位置进行坐标转换，得到所述目标缺陷信息在所述被测物上的位置。
需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请缺陷检测方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见缺陷检测方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，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完成，即将所述缺陷检测装置400的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述中各功能模块的具体工作过程，可以参考前述缺陷检测方法实施例中的对应过程，在此不再赘述。
图7是本申请实施例三提供的终端设备的结构示意图。如图7所示，终端设备500包括：处理器502、存储器501以及存储在存储器501中并可在处理器502上运行的计算机程序503。处理器502的个数是至少一个，图7以一个为例。处理器502执行计算机程序503时实现上述缺陷检测方法的实现步骤，即图1或者图5所示的步骤。
终端设备500的具体实现过程可以参见上文中的缺陷检测方法实施例。
示例性的，计算机程序503可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器501中，并由处理器502执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序503在终端设备500中的执行过程。
终端设备500可以是桌上型计算机、笔记本、掌上电脑、主控等计算设备，也可以是相机、手机等具有图像采集功能和数据处理功能的设备。终端设备500可包括，但不仅限于，处理器以及存储器。本领域技术人员可以理解，图7仅是终端设备500的示例，并不构成对终端设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备500还可以包括输入输出设备、网络接入设备、总线等。
处理器502可以是CPU(Central Processing Unit，中央处理单元)，还可以是其他通用处理器、DSP(Digital Signal Processor，数字信号处理器)、ASIC(ApplicationSpecific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现成可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器501可以是终端设备500的内部存储单元，例如硬盘或内存。存储器501也可以是终端设备500的外部存储设备，例如终端设备500上配备的插接式硬盘、SMC(SmartMedia Card，智能存储卡)、SD卡(Secure Digital，安全数字卡)、Flash Card(闪存卡)等。进一步地，存储器501还可以既包括终端设备500的内部存储单元也包括外部存储设备。存储器501用于存储操作系统、应用程序、引导装载程序、数据以及其他程序等，例如所述计算机程序503的程序代码等。存储器501还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述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实现可实现上文中的缺陷检测方法实施例中的步骤。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述缺陷检测方法实施例中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述缺陷检测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM(Read-Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种缺陷检测方法，其特征在于，包括：
获取被测物的二维图像和深度图像；
对所述二维图像进行图像处理，基于图像处理结果获取所述被测物的第一缺陷信息；其中，第一缺陷信息包括各个缺陷的位置，并利用区域填充算法对该区域内的空白区域进行填充，得到完整的目标区域；
对所述深度图像进行图像处理，基于图像处理结果获取所述被测物的第二缺陷信息；其中，第二缺陷信息包括各个缺陷的位置；
获取所述第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将所述目标缺陷信息识别为所述被测物的缺陷信息，包括：
比对第一缺陷信息和第二缺陷信息，找到两者中共同的缺陷信息，通过计算两者的相似度来确定共同的缺陷信息；或者比对两者中各个缺陷点的位置坐标，两者中相同或者接近的位置坐标确定为共同的缺陷信息。
2.根据权利要求1所述的缺陷检测方法，其特征在于，所述获取被测物的二维图像和深度图像包括：
获取每次采集到的局部二维图像，对所有的所述局部二维图像进行拼接，得到所述被测物的二维图像；
获取每次采集到的局部深度图像，对所有的所述局部深度图像进行拼接，得到所述被测物的深度图像。
3.根据权利要求1所述的缺陷检测方法，其特征在于，所述对所述二维图像进行图像处理，基于图像处理结果获取所述被测物的第一缺陷信息，包括：
对所述二维图像进行灰度化，得到二维灰度图像；
对所述二维灰度图像进行目标区域划分，得到包含所述第一缺陷信息的目标区域；
对所述目标区域进行图像处理，得到所述第一缺陷信息。
4.根据权利要求3所述的缺陷检测方法，其特征在于，所述对所述目标区域进行图像处理，得到所述第一缺陷信息，包括：
根据预设的第一灰度分割门限值对所述目标区域进行图像分割，得到多个分割图像；
若第一分割图像的灰度值与预设的第一灰度门限值之间的差值的绝对值大于预设的第一误差门限值，则将所述第一分割图像的信息识别为所述第一缺陷信息；其中，所述第一分割图像为所述多个分割图像中的任一个。
5.根据权利要求1所述的缺陷检测方法，其特征在于，所述对所述深度图像进行图像处理，基于图像处理结果获取所述被测物的第二缺陷信息，包括：
根据预设的第二灰度分割门限值对所述深度图像进行图像分割，得到多个分割图像；
若第二分割图像的灰度值与预设的第二灰度门限值之间的差值的绝对值大于预设的第二误差门限值，则将所述第二分割图像的信息识别为所述第二缺陷信息；其中，所述第二分割图像为所述多个分割图像中的任一个。
6.根据权利要求5所述的缺陷检测方法，其特征在于，所述第二灰度门限值为所述深度图像中出现频率最高的灰度值。
7.根据权利要求1所述的缺陷检测方法，其特征在于，所述缺陷检测方法还包括：
对所述目标缺陷信息在图像上的位置进行坐标转换，得到所述目标缺陷信息在所述被测物上的位置。
8.一种缺陷检测装置，其特征在于，包括：
图像获取模块，用于获取被测物的二维图像和深度图像；
第一缺陷信息获取模块，用于对所述二维图像进行图像处理，基于图像处理结果获取所述被测物的第一缺陷信息；其中，第一缺陷信息包括各个缺陷的位置，并利用区域填充算法对该区域内的空白区域进行填充，得到完整的目标区域；
第二缺陷信息获取模块，用于对所述深度图像进行图像处理，基于图像处理结果获取所述被测物的第二缺陷信息；其中，第二缺陷信息包括各个缺陷的位置；
被测物缺陷信息获取模块，用于获取所述第一缺陷信息和第二缺陷信息中均包含的目标缺陷信息，将所述目标缺陷信息识别为所述被测物的缺陷信息，包括：
比对第一缺陷信息和第二缺陷信息，找到两者中共同的缺陷信息，通过计算两者的相似度来确定共同的缺陷信息；或者比对两者中各个缺陷点的位置坐标，两者中相同或者接近的位置坐标确定为共同的缺陷信息。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的缺陷检测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的缺陷检测方法的步骤。
CN201911287004.1A 2019-12-14 2019-12-14 缺陷检测方法、装置及终端设备 Active CN111044522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911287004.1A CN111044522B (zh) 2019-12-14 2019-12-14 缺陷检测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911287004.1A CN111044522B (zh) 2019-12-14 2019-12-14 缺陷检测方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN111044522A CN111044522A (zh) 2020-04-21
CN111044522B true CN111044522B (zh) 2022-03-11

Family

ID=70236434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911287004.1A Active CN111044522B (zh) 2019-12-14 2019-12-14 缺陷检测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN111044522B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583223B (zh) * 2020-05-07 2023-12-19 上海闻泰信息技术有限公司 缺陷检测方法、装置、计算机设备及计算机可读存储介质
CN111982911B (zh) * 2020-07-10 2023-08-25 深圳先进技术研究院 一种电路板缺陷的检测方法、装置、终端设备及存储介质
CN111855666B (zh) * 2020-07-16 2023-05-09 北京嘉恒中自图像技术有限公司 一种轴承内圈侧周外观缺陷自动检测方法和系统
CN111968094A (zh) * 2020-08-18 2020-11-20 创新奇智(西安)科技有限公司 棒件缺陷检测方法、装置、电子设备及可读存储介质
CN112264731A (zh) * 2020-10-20 2021-01-26 李小兵 一种改善焊接质量的控制方法及装置
CN112951348B (zh) * 2020-11-05 2023-11-03 苏州精美科光电材料有限公司 一种用于提高芯片制造良品率的AlSc靶材的制造方法
CN113012137B (zh) * 2021-03-24 2022-05-10 滁州惠科光电科技有限公司 一种面板缺陷检查方法、系统、终端设备及存储介质
CN113310404A (zh) * 2021-04-30 2021-08-27 深圳市世宗自动化设备有限公司 段差测量方法、装置、计算机设备及其存储介质
CN113393421A (zh) * 2021-05-08 2021-09-14 深圳市识农智能科技有限公司 一种果实评估方法、装置和巡视设备
CN113160210A (zh) * 2021-05-10 2021-07-23 深圳市水务工程检测有限公司 基于深度相机的排水管道缺陷检测方法及装置
CN113284109B (zh) * 2021-05-25 2023-08-18 中建三局集团(深圳)有限公司 管道缺陷识别方法、装置、终端设备及存储介质
CN113739966B (zh) * 2021-08-05 2024-05-28 山东永聚医药科技股份有限公司 高分子预灌封注射器针筒应力的检测设备及检测方法
CN113640304B (zh) * 2021-08-10 2024-03-08 合肥国轩高科动力能源有限公司 一种动力电池密封钉焊接检测装置及方法
CN113393464B (zh) * 2021-08-18 2021-11-05 苏州鼎纳自动化技术有限公司 一种平板玻璃缺陷的三维检测方法
CN113706506B (zh) * 2021-08-27 2023-07-28 创新奇智(重庆)科技有限公司 一种装配状态检测的方法、装置、电子设备及存储介质
CN113763355A (zh) * 2021-09-07 2021-12-07 创新奇智(青岛)科技有限公司 一种缺陷检测方法、装置、电子设备及存储介质
CN113702391B (zh) * 2021-09-08 2022-08-23 东力智能科技有限公司 一种钢坯表面及近表面缺陷复合检测方法及装置
CN114419038A (zh) * 2022-03-28 2022-04-29 深圳市信润富联数字科技有限公司 轮毂表面缺陷的识别方法及装置、存储介质、电子设备
CN114972892B (zh) * 2022-07-12 2022-10-21 山东嘉通专用汽车制造有限公司 基于计算机视觉的汽车刹车片缺陷分类方法
CN115222739B (zh) * 2022-09-20 2022-12-02 成都数之联科技股份有限公司 缺陷标注方法、装置、存储介质、设备及计算机程序产品
CN115901771A (zh) * 2022-10-14 2023-04-04 嘉兴凡视智能科技有限公司 一种电池盖板正负极柱的毛刺检测方法、装置及其系统
CN116363302B (zh) * 2023-03-06 2024-05-28 郑州大学 一种基于多视角几何的管道三维重建和坑洞量化方法
CN116309548B (zh) * 2023-05-11 2023-08-04 青岛精锐机械制造有限公司 一种阀门密封面缺陷自动检测系统
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
CN117392131B (zh) * 2023-12-12 2024-02-06 宁波昱辰汽车零部件有限公司 一种压铸件内壁缺陷检测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN103344648A (zh) * 2013-07-10 2013-10-09 鞍钢股份有限公司 一种基于gpu的钢板表面质量检测方法及系统
CN103792705A (zh) * 2014-01-28 2014-05-14 北京京东方显示技术有限公司 检测基板缺陷的检测方法及检测装置
CN104020177A (zh) * 2014-06-26 2014-09-03 重庆大学 连铸坯表面缺陷双ccd扫描成像检测方法
CN104956210A (zh) * 2013-01-30 2015-09-30 住友化学株式会社 图像生成装置、缺陷检查装置以及缺陷检查方法
CN107111602A (zh) * 2014-08-13 2017-08-29 C 3 有限公司 原木扫描系统
CN108489890A (zh) * 2018-05-03 2018-09-04 中国长江电力股份有限公司 水电站液压启闭机活塞杆锈蚀检测机器人及使用方法
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法
CN108986086A (zh) * 2018-07-05 2018-12-11 福州大学 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置
CN109829886A (zh) * 2018-12-25 2019-05-31 苏州江奥光电科技有限公司 一种基于深度信息的pcb板缺陷检测方法
CN109978865A (zh) * 2019-03-28 2019-07-05 中核建中核燃料元件有限公司 一种用于核燃料棒焊缝表面检测的方法、装置
CN110378900A (zh) * 2019-08-01 2019-10-25 北京迈格威科技有限公司 产品缺陷的检测方法、装置及系统
CN110441315A (zh) * 2019-08-02 2019-11-12 英特尔产品（成都）有限公司 电子部件测试设备和方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009085617A (ja) * 2007-09-27 2009-04-23 Fujifilm Corp 欠陥検出装置及び方法
JP6917781B2 (ja) * 2017-05-31 2021-08-11 株式会社キーエンス 画像検査装置
DE102017210558B3 (de) * 2017-06-22 2018-11-08 PDR-Team GmbH Verfahren und Vorrichtung zur Vermessung von Karosserieschäden
CN108830837B (zh) * 2018-05-25 2021-03-09 北京百度网讯科技有限公司 一种用于检测钢包溶蚀缺陷的方法和装置
CN108846837B (zh) * 2018-06-01 2021-11-16 联想(北京)有限公司 物体表面缺陷检测方法和装置
CN109752392B (zh) * 2018-12-24 2021-08-03 苏州江奥光电科技有限公司 一种pcb板缺陷类型检测系统和方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN104956210A (zh) * 2013-01-30 2015-09-30 住友化学株式会社 图像生成装置、缺陷检查装置以及缺陷检查方法
CN103344648A (zh) * 2013-07-10 2013-10-09 鞍钢股份有限公司 一种基于gpu的钢板表面质量检测方法及系统
CN103792705A (zh) * 2014-01-28 2014-05-14 北京京东方显示技术有限公司 检测基板缺陷的检测方法及检测装置
CN104020177A (zh) * 2014-06-26 2014-09-03 重庆大学 连铸坯表面缺陷双ccd扫描成像检测方法
CN107111602A (zh) * 2014-08-13 2017-08-29 C 3 有限公司 原木扫描系统
CN108489890A (zh) * 2018-05-03 2018-09-04 中国长江电力股份有限公司 水电站液压启闭机活塞杆锈蚀检测机器人及使用方法
CN108986086A (zh) * 2018-07-05 2018-12-11 福州大学 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置
CN108921846A (zh) * 2018-07-17 2018-11-30 北京航空航天大学 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法
CN109829886A (zh) * 2018-12-25 2019-05-31 苏州江奥光电科技有限公司 一种基于深度信息的pcb板缺陷检测方法
CN109978865A (zh) * 2019-03-28 2019-07-05 中核建中核燃料元件有限公司 一种用于核燃料棒焊缝表面检测的方法、装置
CN110378900A (zh) * 2019-08-01 2019-10-25 北京迈格威科技有限公司 产品缺陷的检测方法、装置及系统
CN110441315A (zh) * 2019-08-02 2019-11-12 英特尔产品（成都）有限公司 电子部件测试设备和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Complex surface ROI detection for steel plate fusing the gray image and 3D depth information;Wen Xin等;《Optik》;20190828;第198卷;第1-17页 *
轴承外圈侧面缺陷的视觉检测算法研究;王恒迪等;《机械设计与制造》;20171231(第12期);第169-172页 *

Also Published As

Publication number Publication date
CN111044522A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111044522B (zh) 缺陷检测方法、装置及终端设备
CN109801333B (zh) 体积测量方法、装置、系统及计算设备
CN113284109B (zh) 管道缺陷识别方法、装置、终端设备及存储介质
CN114494045B (zh) 一种基于机器视觉的大型直齿轮几何参数测量系统及方法
CN107392849B (zh) 基于图像细分的靶标识别与定位方法
CN109986172B (zh) 一种焊缝定位方法、设备及系统
CN107358628B (zh) 基于靶标的线阵图像处理方法
CN109166125A (zh) 一种基于多边缘融合机制的三维深度图像分割算法
CN115082462A (zh) 一种流体输送管外观质量检测方法及系统
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN105835507A (zh) 一种手机盖板玻璃和液晶屏的贴合方法
CN111539927B (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测方法
CN111292228A (zh) 镜头缺陷检测方法
CN115880296A (zh) 基于机器视觉的预制构件质量检测方法及装置
CN114964007A (zh) 一种焊缝尺寸视觉测量与表面缺陷检测方法
CN116862910A (zh) 基于自动化裁切生产的视觉检测方法
CN113705564B (zh) 一种指针式仪表识别读数方法
CN115108466A (zh) 一种集装箱吊具智能定位的方法
CN112102473A (zh) 配网带电作业机器人的作业场景建模方法及系统
CN116958837A (zh) 基于无人机的市政设施故障检测系统
CN116125489A (zh) 一种室内物体三维检测方法、计算机设备及存储介质
CN115731390A (zh) 一种灰岩隧道岩体结构面识别方法及设备
CN115526854A (zh) 一种基于二进制条纹的镜面缺陷检测方法、设备及介质
CN115511902A (zh) 一种角点特征提取方法及系统
CN112729150B (zh) 机器人夹持下的导管测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant