CN111223078B - 瑕疵等级判定的方法及存储介质 - Google Patents
瑕疵等级判定的方法及存储介质 Download PDFInfo
- Publication number
- CN111223078B CN111223078B CN201911415102.9A CN201911415102A CN111223078B CN 111223078 B CN111223078 B CN 111223078B CN 201911415102 A CN201911415102 A CN 201911415102A CN 111223078 B CN111223078 B CN 111223078B
- Authority
- CN
- China
- Prior art keywords
- flaw
- target
- area
- characteristic parameter
- defect
- 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
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种瑕疵等级判定方法包括:获取待测物体的至少一张图像;从所述图像中提取目标瑕疵区域;获取所述目标瑕疵区域的第一特征参数;根据所述第一特征参数依据预设规则得到加权值;获取所述目标瑕疵区域的第二特征参数;根据所述第二特征参数和所述加权值计算瑕疵规格分数;根据所述瑕疵规格分数判定所述目标瑕疵区域对应的瑕疵等级;以及输出所述瑕疵等级。本发明还提供一种计算机可读存储介质。本发明能够提高瑕疵等级判定的准确率以及效率。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种瑕疵等级判定的方法及存储介质。
背景技术
当前产品制造业朝高精度、高质量方向发展。精密金属零部件在加工时,容易出现碰伤、压伤、擦伤等多种瑕疵,且瑕疵尺寸达到微米级。因此产品检测更显重要与困难。为了达到外观质量的要求,自动光学检测(Automated Optical Inspection,AOI)设备需要正确的对检测到的瑕疵进行精确的分类及分级。
对于瑕疵的分级,由于瑕疵的型态具有随机性以及AOI的局限性,传统的瑕疵分级方法采用的是机器视觉外观瑕疵检测方法。然而,瑕疵的型态非常多变,现有技术中还没有能够涵盖所有瑕疵型态的算法来对瑕疵进行准确检测。因此,现有的图像处理技术对于此种型态多变的检测目标,准确性不高。
发明内容
鉴于以上问题,本发明提出一种瑕疵等级判定的方法和计算机可读存储介质,以提高图像中目标瑕疵区域等级判定的效率与准确率。
本申请的第一方面提供一种瑕疵等级判定方法,所述方法包括:
获取待测物体的至少一张图像;
从所述图像中提取目标瑕疵区域;
获取所述目标瑕疵区域的第一特征参数;
根据所述第一特征参数依据预设规则得到加权值;
获取所述目标瑕疵区域的第二特征参数;
根据所述第二特征参数和所述加权值计算瑕疵规格分数;
根据所述瑕疵规格分数判定所述目标瑕疵区域对应的瑕疵等级;以及
输出所述瑕疵等级。
优选地,所述从所述图像中提取目标瑕疵区域包括:
提取所述图像中的多个目标瑕疵子区域;
处理所述多个目标瑕疵子区域得到所述目标瑕疵区域。
优选地,所述处理所述多个目标瑕疵子区域得到所述目标瑕疵区域包括:
判断所述多个目标瑕疵子区域的类型;
确定所述多个目标瑕疵子区域的位置;
聚合类型相同且位置相邻的两个或数个所述目标瑕疵子区域生成所述目标瑕疵区域。
优选地,所述判断所述多个目标瑕疵子区域的类型包括:通过卷积神经网络模型判断所述多个目标瑕疵子区域的类型。
优选地,所述目标瑕疵区域的第一特征参数包括如下任意一种或多种:位置、灰度差、长宽比、灰度方差、灰度均值差、对比度、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差分矩。
优选地,所述方法还包括:
判断所述目标瑕疵区域的位置是否在预设位置范围,且判断所述目标瑕疵区域的灰度差是否小于预设值。
优选地,所述方法还包括:
当所述目标瑕疵区域的位置不在预设位置范围,或所述目标瑕疵区域的灰度差大于或等于所述预设值时,获取所述目标瑕疵区域的第二特征参数;
将所述第二特征参数作为瑕疵规格分数;
根据所述瑕疵规格分数判定所述目标瑕疵区域对应的瑕疵等级。
优选地,所述第二特征参数包括所述目标瑕疵区域的尺寸。
优选地,所述根据所述第一特征参数依据预设规则计算加权值包括:
判断所述第一特征参数是否符合所述预设规则中的多个条件组合;
当所述第一特征参数符合所述预设规则中的任意一个条件组合时,设定所述第一特征参数在所述条件组合下的权值为1;
当所述第一特征参数不符合所述预设规则中的任意一个条件组合时,设定所述第一特征参数在所述条件组合下的权值为0;
加总计算所述第一特征参数符合所述预设规则中的多个条件组合的权值,得到加权值。
优选地,根据所述第二特征参数和所述加权值计算瑕疵规格分数包括:
通过第一公式计算所述瑕疵规格分数,所述第一公式为:瑕疵规格分数=第二特征参数*(1+加权值总数*m),其中,m为一阈值。
优选地,所述根据所述瑕疵规格分数判定所述目标瑕疵区域对应的瑕疵等级包括:
将所述瑕疵规格分数与一个或多个预设的瑕疵等级阈值进行比对,得到比对结果;
根据比对结果判定所述目标瑕疵区域对应的瑕疵等级。
优选地,所述方法还包括:
根据目标瑕疵区域的瑕疵规格分数,确认是否再次对所述图像进行瑕疵等级判定。
优选地,所述方法还包括:
依据预存的瑕疵等级对应的分数范围设置预设阈值范围;
比对所述目标瑕疵区域的瑕疵规格分数与所述预设阈值范围;及
当所述瑕疵规格分数位于所述预设阈值范围中时,再次对所述图像进行瑕疵等级判定。
优选地,通过深度学习算法再次对所述图像进行瑕疵等级判定。
本发明第二方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的瑕疵等级判定的方法。
本发明中瑕疵等级判定的方法及计算机可读存储介质,通过提取待识别图像中的目标瑕疵区域,再根据所述目标瑕疵区域的第一特征参数和第二特征参数来计算目标瑕疵区域的规格分数。最后根据规格分数得到瑕疵等级。进一步地,通过设定所述合格的阈值范围,再根据所述目标瑕疵区域的规格分数决定瑕疵在经过图像处理技术的判定之后,是否再由深度学习技术来辅助判定,不需要所有的瑕疵都经由深度学习技术的判定,大幅缩减检测的时间,也降低运算主机的计算需求,进而节省硬件的构置成本。
附图说明
图1是本发明一实施例所提供的瑕疵等级判定方法的流程示意图。
图2是本发明一实施例所提供的图像2中第一刮伤的示意图。
图3是本发明一实施例提供的图像2中第一擦伤的示意图。
图4是本发明一实施例所提供的根据目标瑕疵区域的特征参数加总计算所述特征参数符合所述预设规则中的多个条件组合的权值的示意图。
图5是本发明一实施例所提供的瑕疵等级判定系统示意图。
图6是本发明一实施方式提供的电子装置架构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
请参阅图1,图1为本发明一个实施例提供的瑕疵等级判定方法的流程示意图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。为了便于说明,仅示出了与本发明实施例相关的部分。
如图1所示,所述瑕疵等级判定方法包括以下步骤。
步骤S1、获取待测物体的至少一张图像。
在一实施方式中,可通过相机拍摄所述待测物体获得至少一张图像。所述相机可以为线阵相机,所述待测物体为手机或平板电脑等装置。在另一实施方式中,可接收服务器传送的待测物体的至少一张图像。在其他实施方式中,可以从本地数据库中获取待测物体的至少一张图像。本实施方式中,图像可包括待测物体的完整或局部图像,图像可以是任意解析度,也可以经过高采样或低采样,依实际需求而定。
步骤S2、从图像中提取目标瑕疵区域。
在一实施例中,图像中可能包括多个目标瑕疵区域。将图像中的每个目标瑕疵区域用矩形框框选,可以得到包括多个目标瑕疵区域的图像。所述目标瑕疵区域包括多个目标瑕疵子区域。
需要说明的是,图像中的多个目标瑕疵子区域可以为不同类型的瑕疵。例如,擦伤类型、刮伤类型、碰伤类型和污渍类型。图像中每种类型的瑕疵数量也可以为多个。为了便于处理,可以将图像先分割为多个目标瑕疵子区域,再将多个目标瑕疵子区域进行分类,并将同类且相邻的多个目标瑕疵子区域聚合成目标瑕疵区域,之后再通过本申请所述的瑕疵等级判定方法对每种类型的目标瑕疵区域中的每个目标瑕疵区域进行等级判定。
在一实施例中,从图像中提取目标瑕疵区域的步骤包括:
(1)对图像进行滤波;
在一实施例中,可利用图像处理技术对图像进行滤波,以去除所述图像中的噪点。滤波的方法可以是,但不限于,中值滤波、均值滤波、高斯滤波、双边滤波中的任意一种。通过对图像进行滤波处理,能够消除噪声影响。在一个优选实施例中,采用中值滤波或均值滤波技术对图像进行滤波处理。
(2)提取图像中的多个目标瑕疵区域子区域;
在一实施方式中,可利用图像处理技术提取图像中的多个目标瑕疵子区域,图像处理技术可以是兴趣区域(Region of Interest,ROI)算法、语意分割算法、二值化等。
(3)处理多个目标瑕疵子区域得到目标瑕疵区域。
在一实施方式中,可根据图像中的瑕疵类型和位置分别采用不同的处理方法,得到目标瑕疵区域。具体而言,可先判断多个目标瑕疵子区域的类型,确定多个目标瑕疵子区域的位置,再聚合类型相同且位置相邻的两个或数个目标瑕疵子区域生成目标瑕疵区域。
在一实施例中,可通过卷积神经网络模型判断多个目标瑕疵子区域的类型。
例如,如图2所示,图像中的多个目标瑕疵子区域包括第一长条21、第二长条22、第三长条23和第四长条24。确认多个目标瑕疵区域的类型为刮伤类型,并且确认多个目标瑕疵子区域在图像中的位置。由此可知,图像中的目标瑕疵区域可能是一个刮伤类型的区域,并且该目标瑕疵区域包括多个连续且紧邻的小刮伤。即如图2所示,第一刮伤20包括第一长条21、第二长条22、第三长条23和第四长条24。为了避免将第一长条21、第二长条22、第三长条23和第四长条24误认为是四个刮伤,需要将第一长条21、第二长条22、第三长条23和第四长条24进行拟合得到目标瑕疵区域,即第一刮伤20。
又如,如图3所示,图像中的多个目标瑕疵子区域包括第一区域301、第二区域302、第三区域303、第四区域304、第五区域311和第六区域312。确认多个目标瑕疵区域的类型为擦伤类型,并且确认多个目标瑕疵子区域在图像中的位置。由此可知,图像中的目标瑕疵区域可能是两个擦伤类型的区域,并且两个所述目标瑕疵区域分别包括多个连续且紧邻的小擦伤。即如图3所示,第一擦伤30包括第一区域301、第二区域302、第三区域303和第四区域304。第二擦伤31包括第五区域311和第六区域312。为了避免将所述第一区域301、第二区域302、第三区域303、第四区域304、第五区域311和第六区域312误认为是六个擦伤。需要将第一区域301、第二区域302、第三区域303和第四区域304进行群聚得到目标瑕疵区域,即第一擦伤30。将第五区域311和第六区域312进行群聚得到目标瑕疵区域,即第二擦伤31。
优选地,从图像中提取目标瑕疵区域的步骤还可以包括:滤除目标瑕疵区域中尺寸小于预设尺寸的瑕疵区域。
由于待测物体上可能会存在灰尘,短毛线等平时用户肉眼看不到的物质。在对待测物体进行拍摄得到图像时,可能将灰尘/短毛线等误认为是瑕疵。因此,需要将目标瑕疵区域中的小瑕疵进行剔除。在一实施例中,通过比对目标瑕疵区域的尺寸与预设尺寸,滤除尺寸小于预设尺寸的目标瑕疵区域。例如,比对目标瑕疵区域的面积与预设面积,滤除面积小于预设面积的目标瑕疵区域。
步骤S3、获取目标瑕疵区域的第一特征参数。
在一实施例中,可利用图像处理技术提取目标瑕疵区域的第一特征参数。目标瑕疵区域的第一特征参数包括如下任意一种或多种:位置、灰度差、长宽比、灰度方差、灰度均值差、对比度、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差分矩。
位置为目标瑕疵区域在图像中的位置。灰度差为目标瑕疵区域与图像背景之间的灰度差。灰度方差为目标瑕疵区域与图像背景的之间的灰度方差。灰度均值差为目标瑕疵区域与图像背景之间的灰度均值差。对比度为目标瑕疵区域与图像背景之间的对比度。
步骤S4、根据第一特征参数依据预设规则计算加权值。
在一实施例中,可判断第一特征参数是否符合所预设规则中的多个条件组合。当第一特征参数符合预设规则中的任意一个条件组合时,设定第一特征参数在所述条件组合下的权值为1。当第一特征参数不符合预设规则中的任意一个条件组合时,设定第一特征参数在所述条件组合下的权值为0。加总计算第一特征参数符合预设规则中的多个条件组合的权值,得到加权值。
例如,如图4所示,预设规则中的多个条件组合包括第一条件组合,第二条件组合…第N条件组合。每一条件组合包括多个特征参数条件。例如,第一条件组合包括灰度差大于x1,长宽比大于y1和灰度方差大于z1。第二条件组合包括灰度差大于x2,长宽比大于y2和灰度方差大于z2。第N条件组合包括灰度差大于xn,长宽比大于yn和灰度方差大于zn。
需要说明的是,所述多个条件组合中的每个条件组合还可以包括其他特征参数条件。例如,目标瑕疵区域与图像背景之间的灰度均值差大于w1,目标瑕疵区域与图像背景之间的对比度大于v1等。
当第一特征参数符合第一条件组合中的所有条件时,得到权值为1。当第一特征参数不符合第一条件组合中的任意一个条件时,得到权值为0。例如,当第一特征参数中的灰度差大于x1,且长宽比大于y1,且灰度方差大于z1,得到权值为1。当第一特征参数中的灰度差小于等于x1,或者长宽比小于等于y1,或者灰度方差小于等于z1,得到权值为0。依次类推,可以分别得到第一特征参数符合第二条件的权值,第一特征参数符合第N条件的权值。再将第一条件的权值,第二条件的权值…第N条件的权值加总计算得到加权值。
步骤S5、获取目标瑕疵区域的第二特征参数。
在一实施方式中,第二特征参数包括目标瑕疵区域的尺寸。在其他实施方式中,第二特征参数还可以包括所述目标瑕疵区域的其他特征,如长宽比、分布面积、平均灰度值、平均梯度等。
在一实施方式中,目标瑕疵区域的尺寸可依据瑕疵的类型不同而不同。例如,当目标瑕疵区域的类型为刮伤类型时,目标瑕疵区域的尺寸可以是瑕疵的长度。当目标瑕疵区域的类型为擦伤类型时,目标瑕疵区域的尺寸可以是瑕疵的面积。
步骤S6、根据第二特征参数和加权值计算瑕疵规格分数。
在一实施例中,根据所述第二特征参数和加权值计算瑕疵规格分数包括:通过第一公式计算瑕疵规格分数,所述第一公式为:瑕疵规格分数=第二特征参数*(1+加权值*m)。其中,所述m为一预设阈值。
优选地,所述瑕疵等级判定方法还可以包括:判断目标瑕疵区域的位置是否在预设位置范围,且判断目标瑕疵区域的灰度差是否小于预设值。
在本实施方式中,当目标瑕疵区域的位置不在预设位置范围,且目标瑕疵区域的灰度差大于或等于预设值时,确认目标瑕疵区域为易识别的瑕疵。在计算目标瑕疵区域的瑕疵规格分数时,直接将第二特征参数作为瑕疵规格分数。再根据瑕疵规格分数判定目标瑕疵区域对应的瑕疵等级。也就是说,当目标瑕疵区域的位置不在预设位置范围,且目标瑕疵区域的灰度差大于或等于预设值时,无需考虑第一特征参数计算瑕疵规格分数。即根据第一特征参数依据预设规则计算的加权值为零,直接将第二特征参数作为瑕疵规格分数。再根据瑕疵规格分数判定目标瑕疵区域对应的瑕疵等级。
当目标瑕疵区域的位置在预设位置范围,或者目标瑕疵区域的灰度差小于预设值时,确认目标瑕疵区域为不易识别的瑕疵。为了避免将目标瑕疵区域漏掉,无法准确找出图像中的严重刮伤。在计算目标瑕疵区域的瑕疵规格分数时需要考虑第一特征参数来计算瑕疵规格分数,即根据第二特征参数和加权值总数计算瑕疵规格分数。再根据瑕疵规格分数判定目标瑕疵区域对应的瑕疵等级。
在一实施例中,可以通过目标瑕疵区域的坐标来判断目标瑕疵区域是否位于预设位置范围。预设位置范围可以是指待测物体中存在弯曲位置的区域范围,或是其他在拍摄图像时容易产生图像失真的区域。例如,当待测物体为手机时,手机外壳具有四个端点,每个端点可以是圆弧形。由于待测物体在拍摄时,四个圆弧形端点处的瑕疵容易出现判错的情况,所以将四个圆弧形端点作为预设位置范围。
在一实施方式中,可通过判断目标瑕疵区域的坐标(X1,Y1)与预设位置范围的坐标(X2,Y2)是否匹配,来判断目标瑕疵区域是否位于预设位置范围中。当目标瑕疵区域的坐标(X1,Y1)与预设位置范围的坐标(X2,Y2)相匹配时,确认目标瑕疵区域位于预设位置范围中。当目标瑕疵区域的坐标(X1,Y1)与预设位置范围的坐标(X2,Y2)不匹配时,确认目标瑕疵区域不位于预设位置范围中。
具体地,在所述图像中以图像左上角的点为原点建立笛卡尔坐标系(XOY),其中笛卡尔坐标系的X方向表示图像的宽度,笛卡尔坐标系的Y方向表示图像的高度。目标瑕疵区域的坐标(X1,Y1)对应于所述图像中的像素点。特殊区域在图像中的坐标(X2,Y2)是确定的。
可以理解的是,预设位置范围的坐标为一个坐标范围。在一个实施方式中,目标瑕疵区域的坐标(X1,Y1)与预设位置范围的坐标(X2,Y2)相匹配可以是指当“X1”位于区间[X2-M,X2+M],且“Y1”位于区间[Y2-N,Y2+N]时,即可判定为目标瑕疵区域的坐标(X1,Y1)与预设位置范围的坐标(X2,Y2)相匹配。“M”和“N”的值可以预先设定。
在一实施方式中,还可利用图像处理技术获取目标瑕疵区域的灰度差作为加权的条件。通过判断目标瑕疵区域的灰度差是否小于预设值,当灰度差小于预设值时,确认目标瑕疵区域为不易识别的瑕疵。例如,当待测物体出现比较严重的刮伤时,通过线阵相机拍摄得到的图像中严重的刮伤应显示为黑色。然而,由于在线阵相机拍摄待测物体的过程中,出现光线反光。导致拍摄得到的图像中严重刮伤显示为浅灰色。为了避免出现将浅灰色的瑕疵漏掉,无法准确找出图像中的严重刮伤,定义目标瑕疵区域与图像背景的灰度差小于所述预设值时,目标瑕疵区域为不易识别的瑕疵。
步骤S7、根据所述瑕疵规格分数判定目标瑕疵区域对应的瑕疵等级。
在一实施方式中,通过将瑕疵规格分数与一个或多个预设的瑕疵等级阈值进行比对,得到比对结果,根据比对结果判定目标瑕疵区域对应的瑕疵等级。所述一个或多个预设的瑕疵等级阈值可以以瑕疵等级表的形式预先存储在电子装置中。
在一实施方式中,瑕疵等级表描述的是瑕疵等级与对应的瑕疵规格分数范围之间的关系。例如,瑕疵等级包括A等级、B等级、C等级、D等级和E等级。A等级对应的瑕疵规格分数范围为20~100,B等级对应的瑕疵规格分数范围为100~300,C等级对应的瑕疵规格分数范围为300~500,D等级对应的瑕疵规格分数范围为500~900,E等级对应的瑕疵规格分数范围为900~1000。
根据目标瑕疵区域的瑕疵规格分数与瑕疵规格分数范围进行比对,确认目标瑕疵区域对应的瑕疵等级。例如,当目标瑕疵区域的瑕疵规格分数为80时,确认目标瑕疵区域的等级为A级。
在一实施方式中,对于不同类型的瑕疵预存有不同的瑕疵等级表。例如,当瑕疵类型为刮伤类型时,瑕疵等级表中的瑕疵规格分数为根据刮伤的长度计算得到的分数;当瑕疵类型为擦伤类型时,瑕疵等级表中的瑕疵规格分数为根据擦伤的面积计算得到的分数。
步骤S8、输出瑕疵等级。
在一实施方式中,可输出瑕疵等级到显示屏或其他使用者界面供用户参考。也可以将瑕疵等级存储于储存器或是传送到远端的服务器。
优选地,所述瑕疵等级判定方法还包括步骤S9:根据目标瑕疵区域的瑕疵规格分数,确认是否再次对所述图像进行瑕疵等级判定。可以理解,在其他实施例中,步骤S9也可以省略。
具体地,根据目标瑕疵区域的瑕疵规格分数,确认是否再次对所述图像进行瑕疵等级判定的步骤包括:
(1)依据预存的瑕疵等级对应的分数范围设置预设阈值范围。例如,设置瑕疵等级对应的分数范围中的分数300作为合格线。再根据所述合格线设置一个预设阈值范围(如200~400)
所述预设阈值范围是一个可依需求调整的范围。
(2)比对目标瑕疵区域的瑕疵规格分数与预设阈值范围,确认是否再次对所述图像进行瑕疵等级判定。
在一实施例中,比对目标瑕疵区域的瑕疵规格分数与预设阈值范围,确认目标瑕疵区域的瑕疵等级的正确率。当目标瑕疵区域的瑕疵规格分数大于所述预设阈值范围的最大值,或小于预设阈值范围的最小值时,判定目标瑕疵区域的瑕疵等级的正确率高,无需再次对所述图像进行瑕疵等级判定;当目标瑕疵区域的瑕疵规格分数位于预设阈值范围时,判定所述目标瑕疵区域的瑕疵等级的正确率低。
(3)当目标瑕疵区域的瑕疵规格分数位于预设阈值范围时,再次对所述图像进行瑕疵等级判定。
例如,当瑕疵规格分数大于或等于400时,大概率会真实存在瑕疵,所以此瑕疵规格分数的瑕疵等级判断正确率高,瑕疵判定结果即为原始瑕疵等级。或者当瑕疵规格分数小于等于200时,大概率并非存在瑕疵,所以此瑕疵规格分数的瑕疵等级判断正确率高,瑕疵判定结果即为原始瑕疵等级。当目标瑕疵区域的瑕疵规格分数大于200且小于400时,此范围区间内的瑕疵规格分数的瑕疵等级判断正确率低,不能确定对应的目标瑕疵区域的瑕疵等级是合格还是不合格,需要再次对图像进行瑕疵等级判定,即对目标瑕疵区域的瑕疵等级进行复判。
在一实施例中,通过深度学习算法再次对图像进行瑕疵等级判定。
在一实施例中,可通过设定预设阈值范围,来决定根据瑕疵规格分数决定图像处理技术的判断结果是否需要再由深度学习技术来辅助判定,不需要所有的瑕疵都经由深度学习技术的判定,大幅缩减检测的时间,也降低运算主机的计算需求,进而节省硬件的构置成本。
因此,为了进一步提高图像中的瑕疵等级判定的准确率和效率,在一实施例中,在确定图像中目标瑕疵区域的初步等级后,本申请的瑕疵等级判定方法还可包括步骤S10:当目标瑕疵区域的瑕疵规格分数位于预设阈值范围时,再次对图像进行瑕疵等级判定。可以理解,在其他实施例中,所述步骤S10也可以省略。
本申请针对位于特殊区域(例如待测物体弯曲的地方,所拍摄到的瑕疵图像会失真)以及特殊型态的瑕疵(图像处理技术容易判别错误之瑕疵型态)的瑕疵,可以进行基于图像处理技术的判别时加入加权计算,并设定一个预设阈值范围对计算出来的数值进行判定,以决定是否要进行复判。
瑕疵在经过图像处理技术判定之后,若经计算发现其正确性较低,表示其特征较不符合检测算法之设定,但因图像处理之算法无法涵盖到所有的瑕疵型态,所以利用深度学习技术来辅助判定,深度学习技术利用了大量的真实瑕疵数据来学习特定缺陷特征,因此能够得出更准确的判定。
图1至图4详细介绍了本发明的瑕疵等级判定的方法,通过所述方法,能够提高瑕疵等级判定的效率及准确率。下面结合图5和图6,对实现所述瑕疵等级判定方法的软件系统的功能模块以及硬件装置架构进行介绍。应所述了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图5为本发明一实施方式提供的瑕疵等级判定的系统的结构图。
在一些实施方式中,瑕疵等级判定系统200可以包括多个由程序代码段所组成的功能模块。瑕疵等级判定系统200中的各个程序段的程序代码可以存储于计算机装置的存储器中,并由计算机装置中的至少一个处理器所执行,以实现瑕疵等级判定的功能。
参考图5,本实施方式中,瑕疵等级判定系统200根据其所执行的功能,可以被划分为多个功能模块,各个功能模块用于执行图1对应实施方式中的各个步骤,以实现瑕疵等级判定的功能。本实施方式中,瑕疵等级判定系统200包括获取模块201、提取模块202、计算模块203、瑕疵等级初判模块204、输出模块205以及瑕疵等级复判模块206。各个功能模块的功能将在下面的实施例中进行详述。
获取模块201用于获取待测物体的至少一张图像。获取模块201还用于获取目标瑕疵区域的第一特征参数和第二特征参数。第一特征参数包括如下任意一种或多种:位置、灰度差、长宽比、灰度方差、灰度均值差、对比度、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差分矩。第二特征参数包括目标瑕疵区域的尺寸、长宽比、分布面积、平均灰度值、平均梯度等。
提取模块202用于从图像中提取目标瑕疵区域。
具体地,提取模块202用于对图像进行滤波,提取图像中的多个目标瑕疵子区域,判断多个目标瑕疵子区域的类型及确定多个目标瑕疵子区域的位置,聚合类型相同且位置相邻的两个或数个目标瑕疵子区域生成目标瑕疵区域;及滤除目标瑕疵区域中尺寸小于预设尺寸的瑕疵区域。
计算模块203用于根据第一特征参数依据预设规则进行加权计算,得到加权值。
具体地,计算模块203可用于判断第一特征参数是否符合预设规则中的多个条件组合。当第一特征参数符合预设规则中的任意一个条件组合时,设定第一特征参数在所述条件组合下的权值为1。当第一特征参数不符合预设规则中的任意一个条件组合时,设定第一特征参数在条件组合下的权值为0。加总计算第一特征参数符合所述预设规则中的多个条件组合的权值,得到加权值。
计算模块203还用于根据第二特征参数和加权值计算瑕疵规格分数。
瑕疵等级初判模块204用于根据瑕疵规格分数判定目标瑕疵区域对应的瑕疵等级。
具体地,瑕疵等级初判模块204可将瑕疵规格分数与一个或多个预设的瑕疵等级阈值进行比对,得到比对结果,再根据比对结果判定目标瑕疵区域对应的初判瑕疵等级。
输出模块205用于输出瑕疵等级。
瑕疵等级复判模块206用于根据目标瑕疵区域的瑕疵规格分数,确认是否再次对所述图像进行瑕疵等级判定。具体地,瑕疵等级复判模块206依据预存的瑕疵等级对应的分数范围设置预设阈值范围,再比对瑕疵规格分数与预设阈值范围。当瑕疵规格分数大于所述预设阈值范围中的最大值,或小于预设阈值范围中的最小值时,无需再次对图像进行瑕疵等级判定;当瑕疵规格分数所述预设阈值范围中时,再次对图像进行瑕疵等级判定。
图6为本发明一实施方式提供的电子装置的功能模块示意图。所述电子装置10包括存储器11、处理器12以及存储在所述存储器11中并可在处理器12上运行的计算机程序13,例如瑕疵等级判定的程序。
在一实施方式中,电子装置10可以是但不限于智能手机、平板电脑、计算机设备等。
处理器12可执行计算机程序13以实现上述方法实施例中瑕疵等级判定的方法的步骤,用于判定图像2中目标瑕疵区域的瑕疵等级。或者,处理器12可执行计算机程序13以实现上述系统实施例中各模块/单元的功能。
示例性的,计算机程序13可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器11中,并由处理器12执行。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,指令段用于描述计算机程序13在电子装置10中的执行过程。例如,计算机程序13可以被分割成图6中的模块201-206。
本领域技术人员可以理解,图6仅仅是电子装置10的示例,并不构成对电子装置10的限定,电子装置10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,例如电子装置10还可以包括输入输出设备等。
所称处理器12可以是中央处理单元(Central Processing Unit,CPU),还可以包括其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)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所述处理器也可以是任何常规的处理器等,处理器12是电子装置10的控制中心,利用各种接口和线路连接整个电子装置10的各个部分。
存储器11可用于存储计算机程序13和/或模块/单元,处理器12通过运行或执行存储在存储器11内的计算机程序和/或模块/单元,以及调用存储在存储器11内的数据,实现电子装置10的各种功能。存储器11可以包括外部存储介质,也可以包括内存。此外,存储器11可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
电子装置10集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也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,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种瑕疵等级判定方法,所述方法包括:
获取待测物体的至少一张图像;
从所述图像中提取目标瑕疵区域;
获取所述目标瑕疵区域的第一特征参数,所述目标瑕疵区域的第一特征参数包括如下任意一种或多种:位置、灰度差、长宽比、灰度方差、灰度均值差、对比度、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差分矩;
根据所述第一特征参数依据预设规则得到加权值,包括:判断所述第一特征参数是否符合所述预设规则中的多个条件组合,每一所述条件组合包括多个特征参数条件;当所述第一特征参数符合所述预设规则中的任意一个条件组合时,设定所述第一特征参数在所述条件组合下的权值为1;当所述第一特征参数不符合所述预设规则中的任意一个条件组合时,设定所述第一特征参数在所述条件组合下的权值为0;加总计算所述第一特征参数符合所述预设规则中的多个条件组合的权值,得到加权值;
获取所述目标瑕疵区域的第二特征参数,所述第二特征参数包括所述目标瑕疵区域的尺寸;
根据所述第二特征参数和所述加权值计算瑕疵规格分数,包括:通过第一公式计算所述瑕疵规格分数,所述第一公式为:瑕疵规格分数=第二特征参数*(1+加权值*m),其中,m为一阈值;
根据所述瑕疵规格分数判定所述目标瑕疵区域对应的瑕疵等级;以及
输出所述瑕疵等级;
其中,当所述目标瑕疵区域的位置不在预设位置范围、且所述目标瑕疵区域的灰度差大于或等于预设值时,根据所述第一特征参数依据预设规则计算的加权值为零,将所述第二特征参数作为瑕疵规格分数;当所述目标瑕疵区域的位置在预设位置范围,或者所述目标瑕疵区域的灰度差小于预设值时,根据所述第二特征参数和所述加权值计算瑕疵规格分数。
2.如权利要求1所述的瑕疵等级判定方法,所述从所述图像中提取目标瑕疵区域包括:
提取所述图像中的多个目标瑕疵子区域;
处理所述多个目标瑕疵子区域得到所述目标瑕疵区域。
3.如权利要求2所述的瑕疵等级判定方法,所述处理所述多个目标瑕疵子区域得到所述目标瑕疵区域包括:
判断所述多个目标瑕疵子区域的类型;
确定所述多个目标瑕疵子区域的位置;
聚合类型相同且位置相邻的两个或数个所述目标瑕疵子区域生成所述目标瑕疵区域;
其中,判断所述多个目标瑕疵子区域的类型具体为判断所述目标瑕疵区域的类型是否为刮伤类型或擦伤类型。
4.如权利要求3所述的瑕疵等级判定方法,所述判断所述多个目标瑕疵子区域的类型包括:通过卷积神经网络模型判断所述多个目标瑕疵子区域的类型。
5.如权利要求3所述的瑕疵等级判定方法,当所述目标瑕疵区域的类型为刮伤类型时,所述目标瑕疵区域的尺寸为瑕疵的长度;
当所述目标瑕疵区域的类型为擦伤类型时,所述目标瑕疵区域的尺寸为瑕疵的面积。
6.如权利要求1所述的瑕疵等级判定方法,所述根据所述瑕疵规格分数判定所述目标瑕疵区域对应的瑕疵等级包括:
将所述瑕疵规格分数与一个或多个预设的瑕疵等级阈值进行比对,得到比对结果;
根据比对结果判定所述目标瑕疵区域对应的瑕疵等级。
7.如权利要求6所述的瑕疵等级判定方法,所述方法还包括:
根据目标瑕疵区域的瑕疵规格分数,确认是否再次对所述图像进行瑕疵等级判定。
8.如权利要求7所述的瑕疵等级判定方法,所述方法还包括:
依据预存的瑕疵等级对应的分数范围设置预设阈值范围;
比对所述目标瑕疵区域的瑕疵规格分数与所述预设阈值范围;及
当所述瑕疵规格分数位于所述预设阈值范围中时,再次对所述图像进行瑕疵等级判定。
9.如权利要求7所述的瑕疵等级判定方法,所述方法还包括:通过深度学习算法再次对所述图像进行瑕疵等级判定。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的瑕疵等级判定的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415102.9A CN111223078B (zh) | 2019-12-31 | 2019-12-31 | 瑕疵等级判定的方法及存储介质 |
TW109142282A TWI765442B (zh) | 2019-12-31 | 2020-12-01 | 瑕疵等級判定的方法及存儲介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415102.9A CN111223078B (zh) | 2019-12-31 | 2019-12-31 | 瑕疵等级判定的方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223078A CN111223078A (zh) | 2020-06-02 |
CN111223078B true CN111223078B (zh) | 2023-09-26 |
Family
ID=70830979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911415102.9A Active CN111223078B (zh) | 2019-12-31 | 2019-12-31 | 瑕疵等级判定的方法及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111223078B (zh) |
TW (1) | TWI765442B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149693A (zh) * | 2020-10-16 | 2020-12-29 | 上海智臻智能网络科技股份有限公司 | 轮廓识别模型的训练方法和目标对象的检测方法 |
CN112270687A (zh) * | 2020-10-16 | 2021-01-26 | 鲸斛(上海)智能科技有限公司 | 布料瑕疵识别模型的训练方法和布料瑕疵的检测方法 |
TWI795921B (zh) * | 2021-09-24 | 2023-03-11 | 鴻海精密工業股份有限公司 | 圖像檢測方法、電腦裝置及儲存介質 |
CN118154605A (zh) * | 2024-05-11 | 2024-06-07 | 江西智成飞桨科技有限公司 | 纺织品ai瑕疵检测方法、系统及设备 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11211674A (ja) * | 1998-01-22 | 1999-08-06 | Kawasaki Steel Corp | 表面疵検査方法および装置 |
JP2000035321A (ja) * | 1998-07-17 | 2000-02-02 | Nisshin Steel Co Ltd | 金属帯の表面検査装置 |
TW410275B (en) * | 2000-01-21 | 2000-11-01 | China Textile Inst | Drapery surface defects detection method with digital image processing and neural network groups |
CN101419176A (zh) * | 2007-10-26 | 2009-04-29 | 比亚迪股份有限公司 | 表面瑕疵检测方法及装置 |
CN101710448A (zh) * | 2009-12-29 | 2010-05-19 | 浙江工业大学 | 基于全方位计算机视觉的道路交通状态检测装置 |
CN102236925A (zh) * | 2011-05-03 | 2011-11-09 | 西安印钞有限公司 | 大张检查机机检数据离线二次检测核查的系统及方法 |
TW201232288A (en) * | 2010-07-27 | 2012-08-01 | Applied Materials Israel Ltd | Defect classification with optimized purity |
CN103544499A (zh) * | 2013-10-12 | 2014-01-29 | 江南大学 | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 |
CN105741048A (zh) * | 2016-02-23 | 2016-07-06 | 安徽容知日新信息技术有限公司 | 一种设备的报警方法和装置 |
CN106650823A (zh) * | 2016-12-30 | 2017-05-10 | 湖南文理学院 | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 |
CN108074240A (zh) * | 2017-12-29 | 2018-05-25 | 深圳市华星光电技术有限公司 | 识别方法、识别装置、计算机可读存储介质及程序产品 |
CN109472206A (zh) * | 2018-10-11 | 2019-03-15 | 平安科技(深圳)有限公司 | 基于微表情的风险评估方法、装置、设备及介质 |
CN109507371A (zh) * | 2018-12-21 | 2019-03-22 | 仪征申威冲压有限公司 | 一种汽车车身外覆盖件表面质量的定量识别和评价方法 |
CN109692877A (zh) * | 2018-12-29 | 2019-04-30 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面质量管理系统及方法 |
CN110109834A (zh) * | 2019-04-30 | 2019-08-09 | 贝壳技术有限公司 | 一种测试报告自动生成装置及方法 |
CN110216319A (zh) * | 2019-06-14 | 2019-09-10 | 北京科技大学 | 一种基于表面质量在线评估的中厚板优化剪切控制方法 |
CN110517247A (zh) * | 2019-08-27 | 2019-11-29 | 北京百度网讯科技有限公司 | 获取信息的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI664586B (zh) * | 2018-03-22 | 2019-07-01 | National Taiwan Normal University | 透過瑕疵複數光場之透明基板瑕疵檢測方法 |
TWM596871U (zh) * | 2019-12-03 | 2020-06-11 | 智泰科技股份有限公司 | 智慧型光學檢測ai資料蒐集系統 |
-
2019
- 2019-12-31 CN CN201911415102.9A patent/CN111223078B/zh active Active
-
2020
- 2020-12-01 TW TW109142282A patent/TWI765442B/zh active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11211674A (ja) * | 1998-01-22 | 1999-08-06 | Kawasaki Steel Corp | 表面疵検査方法および装置 |
JP2000035321A (ja) * | 1998-07-17 | 2000-02-02 | Nisshin Steel Co Ltd | 金属帯の表面検査装置 |
TW410275B (en) * | 2000-01-21 | 2000-11-01 | China Textile Inst | Drapery surface defects detection method with digital image processing and neural network groups |
CN101419176A (zh) * | 2007-10-26 | 2009-04-29 | 比亚迪股份有限公司 | 表面瑕疵检测方法及装置 |
CN101710448A (zh) * | 2009-12-29 | 2010-05-19 | 浙江工业大学 | 基于全方位计算机视觉的道路交通状态检测装置 |
TW201232288A (en) * | 2010-07-27 | 2012-08-01 | Applied Materials Israel Ltd | Defect classification with optimized purity |
CN102236925A (zh) * | 2011-05-03 | 2011-11-09 | 西安印钞有限公司 | 大张检查机机检数据离线二次检测核查的系统及方法 |
CN103544499A (zh) * | 2013-10-12 | 2014-01-29 | 江南大学 | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 |
CN105741048A (zh) * | 2016-02-23 | 2016-07-06 | 安徽容知日新信息技术有限公司 | 一种设备的报警方法和装置 |
CN106650823A (zh) * | 2016-12-30 | 2017-05-10 | 湖南文理学院 | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 |
CN108074240A (zh) * | 2017-12-29 | 2018-05-25 | 深圳市华星光电技术有限公司 | 识别方法、识别装置、计算机可读存储介质及程序产品 |
CN109472206A (zh) * | 2018-10-11 | 2019-03-15 | 平安科技(深圳)有限公司 | 基于微表情的风险评估方法、装置、设备及介质 |
CN109507371A (zh) * | 2018-12-21 | 2019-03-22 | 仪征申威冲压有限公司 | 一种汽车车身外覆盖件表面质量的定量识别和评价方法 |
CN109692877A (zh) * | 2018-12-29 | 2019-04-30 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面质量管理系统及方法 |
CN110109834A (zh) * | 2019-04-30 | 2019-08-09 | 贝壳技术有限公司 | 一种测试报告自动生成装置及方法 |
CN110216319A (zh) * | 2019-06-14 | 2019-09-10 | 北京科技大学 | 一种基于表面质量在线评估的中厚板优化剪切控制方法 |
CN110517247A (zh) * | 2019-08-27 | 2019-11-29 | 北京百度网讯科技有限公司 | 获取信息的方法及装置 |
Non-Patent Citations (3)
Title |
---|
Classification of Steel Surface Defect Using Convolutional Neural Network with Few Images;Min Su Kim 等;《2019 12th Asian Control Conference (ASCC)》;20190718;第1398-1401页 * |
彩色印花织物疵点检测的研究与实现;刘绥美;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20160815;第B024-42页 * |
板带钢质量评价方法及其灵敏度分析研究;董德威;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20150715;第B022-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111223078A (zh) | 2020-06-02 |
TWI765442B (zh) | 2022-05-21 |
TW202127372A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
WO2022042579A1 (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN109839385B (zh) | 一种自适应的pcb板缺陷视觉定位检测及分类系统 | |
CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
CN108827979A (zh) | 一种模组镜头外观检测方法 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
CN111259891A (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN112036232A (zh) | 一种图像表格结构识别方法、系统、终端以及存储介质 | |
CN115984197A (zh) | 基于标准pcb图像的缺陷检测方法及相关装置 | |
CN109472279B (zh) | 基于图像处理的物品识别方法和装置 | |
CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN114004812A (zh) | 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 | |
CN109215068B (zh) | 图像放大率测量方法及装置 | |
CN110874837A (zh) | 一种基于局部特征分布的缺陷自动检测方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 451162 the second and third floors of building B07, zone B, comprehensive bonded zone, east side of Zhenxing Road, Hangkong District, Zhengzhou City, Henan Province Applicant after: Fulian Yuzhan Technology (Henan) Co.,Ltd. Address before: 451162 the second and third floors of building B07, zone B, comprehensive bonded zone, east side of Zhenxing Road, Hangkong District, Zhengzhou City, Henan Province Applicant before: HENAN YUZHAN PRECISION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |