CN111402238A - 一种通过机器视觉实现的缺陷标识系统 - Google Patents
一种通过机器视觉实现的缺陷标识系统 Download PDFInfo
- Publication number
- CN111402238A CN111402238A CN202010187101.XA CN202010187101A CN111402238A CN 111402238 A CN111402238 A CN 111402238A CN 202010187101 A CN202010187101 A CN 202010187101A CN 111402238 A CN111402238 A CN 111402238A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- machine vision
- identification system
- area
- 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 93
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000000295 complement effect Effects 0.000 claims abstract description 4
- 229910044991 metal oxide Inorganic materials 0.000 claims abstract description 4
- 150000004706 metal oxides Chemical class 0.000 claims abstract description 4
- 239000004065 semiconductor Substances 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 2
- 238000013135 deep learning Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G01N2021/8883—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 involving the calculation of gauges, generating models
-
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种通过机器视觉实现的缺陷标识系统,包括如下流程步骤:S1:采用CCD或CMOS传感器等图像采集设备对被检测产品表面进行表面图像采集,并评判采集到图像的清晰程度,根据图像的清晰程度调整对焦状态;S2:通过图像预处理,将被检测产品的表面图像转换成具有边缘特征的灰度图像;S3:采用目标匹配定位算法,在灰度图像中寻找与对应标的物或模板图像相似度最高的区域并定义为目标区;S4:对采集到的目标区图像进行二维缺陷检测;S5:对采集到目标区图像进行三维缺陷检测;S6:缺陷特征分析;S7:把缺陷特征分析结果与预先设置在系统中的标准值进行比对,并将缺陷检测结果符合要求的产品分离,能够实现对产品中的缺陷部分进行有效检测并分割。
Description
技术领域
本发明涉及缺陷识别技术领域,尤其涉及一种通过机器视觉实现的缺陷标识系统。
背景技术
随着生活水平的提高和生产制造力技术的发展,人们对产品质量提出了更高的要求,3C件、加工件、纺织品、医药包装、食品包装等行业,都存在产品外观质量检测问题。通常人们对产品外观质量的关注,主要包括:(1)以产品外观质量作为价值依附的产品,如印刷、包装、工艺品等;(2)表面缺陷直接影响到产品的使用和深加工的产品,会给使用着和深加工客户带来极大的损失,因此,检测表面缺陷品质量的把控非常必要。
现有的表面缺陷检测通常由检测人员通过人眼目测来完成或是通过整体扫描检测的方法,人工检测不仅检测结果容易受检测人员主观因素影响且很难检测到小的缺陷,而目前的整体扫描检测难以对产品具有缺陷的部分进行有效检测、分割后进行分析,常出现错误切割无缺陷部分或是切割部分过大、浪费检测时间,降低工作效率。
发明内容
为克服上述缺点,本发明的目的在于提供一种能够实现对产品中的缺陷部分进行有效检测并分割的通过机器视觉实现的缺陷标识系统。
为了达到以上目的,本发明采用的技术方案是:一种通过机器视觉实现的缺陷标识系统,其特征在于,包括如下流程步骤:S1:采用CCD或CMOS传感器等图像采集设备对被检测产品表面进行表面图像采集,并评判采集到图像的清晰程度,根据图像的清晰程度调整对焦状态;S2:通过图像预处理,将被检测产品的表面图像转换成具有边缘特征的灰度图像;S3:采用目标匹配定位算法,在灰度图像中寻找与对应标的物或模板图像相似度最高的区域,并将区域该区域定义为目标区;S4:对采集到的目标区图像进行二维缺陷检测;S5:对采集到目标区图像进行基于频域的傅立叶变换的三维缺陷检测;S6:对步骤S4和S5中检测出的缺陷进行缺陷特征分析;S7:根据S5中被检测产品的缺陷特征分析结果,把缺陷特征分析结果与预先设置在系统中的标准值进行比对,并将缺陷检测结果符合要求的产品标识并分离开来。
本发明提供的一种通过机器视觉实现的缺陷标识系统,其有益效果是:通过对被检测产品进行拍摄调整对焦状态、并对所采集的图像进行预处理、目标匹配定位选取目标区、二维缺陷检测及三维缺陷检测后,实现对产品中的缺陷部分进行有效检测,并对产品进行缺陷特征分析,在缺陷特征分析结果与预先设置在系统中的标准值进行比后,将具有缺陷的产品进行标识并分离。
优选地,所述步骤S2中的图像预处理,包括图像灰度转换处理、图像去噪处理和图像边缘检测处理。
进一步地,在步骤S2和步骤S3之间加入步骤S2.5:通过图像增强处理,增强步骤S2中具有边缘特征的灰度图像的图像特征,以便更好的确认缺陷位置。
优选地,所述步骤S2.5中的图像增强处理,是通过全局二值化增强算法对预处理后的灰度图像进行增强处理。
进一步地,步骤S1中所述的调整对焦状态,包括以下步骤:a:确定图像采集设备的视野;b:确定被检测产品的检测区域;c:确定拍摄基准点;d:根据所述图像采集设备的视野、所述检测区域和所述基准点,确定所述图像采集设备每次拍摄时候的旋转角度、每次拍摄需要检测的技术特征、每个被检测产品的拍摄次数,以便拍摄产品清晰。
优选地,步骤S3中所述的目标匹配定位算法包括但不限于归一化互相关算法、广义霍夫变换算法、SIFT算法或尺度不变特征变换算法、几何哈希算法;所述寻找标的物算法采用单个或者多个模板进行匹配定位,或联合金字塔算法进行加速。
进一步地,所述步骤S4二维缺陷检测步骤如下:需要在目标区图像基础上,采用设定的坐标偏置,进行掩模覆盖,标记为前景的区域为ROI区域,标记为背景的区域为滤除区域,滤除区域不参与缺陷检测过程和缺陷特征分析、缺陷等级评估过程,能够对缺陷有效检测并分割。
进一步地,所述步骤S5三维缺陷检测步骤如下:e:创建高斯滤波器;f:图像预处理;g:预处理后的图像从空间域转换到频域处理;h:对频域图像进行卷积运算;i:将频域图像重新转换到空间域处理;j:空间域图像分割;k:连通域选取,能够对缺陷有效检测并分割。
进一步地,步骤S6所述的缺陷特征分析过程建立在缺陷已经完全分割完成的基础上,对被分割之后缺陷进行缺陷特征描述主要采用全局特征和局部特征;特征提取的方法包括但不限于几何尺寸、面积、熵、灰度矩和各向异性特征,或者采用深度学习方法特征提取,深度学习方法特征提取包括但不限于采用卷积神经网络、卷积自编码模型提取的特征,能够对有缺陷的产品进行分析。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
参见附图1所示,一种通过机器视觉实现的缺陷标识系统,包括如下流程步骤:
S1:采用CCD或CMOS传感器等图像采集设备对被检测产品表面进行表面图像采集,并评判采集到图像的清晰程度,根据图像的清晰程度调整对焦状态,包括以下步骤:a:确定图像采集设备的视野;b:确定被检测产品的检测区域;c:确定拍摄基准点;d:根据图像采集设备的视野、检测区域和基准点,确定图像采集设备每次拍摄时候的旋转角度、每次拍摄需要检测的技术特征、每个被检测产品的拍摄次数;
S2:通过图像预处理,将被检测产品的表面图像转换成具有边缘特征的灰度图像,包括图像灰度转换处理(是通过加权平均法,将采集的金属工件表面图像数据转换成灰度图像)、图像去噪处理(是获取预存的加权的均值滤波器模板,将灰度图像中的噪声点替换为均值滤波器模板窗口内的像素的平均灰度值以进行图像去噪)和图像边缘检测处理(是通过边缘检测算法,检测灰度图像的边缘并连接边缘构成边界,根据各个边界生成大小端面区域和环形槽区域);
S2.5:通过图像增强处理,增强步骤S2中具有边缘特征的灰度图像的图像特征,通过全局二值化增强算法对预处理后的灰度图像进行增强处理。
S3:采用目标匹配定位算法,在灰度图像中寻找与对应标的物或模板图像相似度最高的区域,并将区域该区域定义为目标区,包括但不限于归一化互相关算法、广义霍夫变换算法、SIFT算法或尺度不变特征变换算法、几何哈希算法;寻找标的物算法采用单个或者多个模板进行匹配定位,或联合金字塔算法进行加速;
S4:对采集到的目标区图像进行二维缺陷检测,步骤如下:需要在目标区图像基础上,采用设定的坐标偏置,进行掩模覆盖,标记为前景的区域为ROI区域,标记为背景的区域为滤除区域,滤除区域不参与缺陷检测过程和缺陷特征分析、缺陷等级评估过程;
S5:对采集到目标区图像进行基于频域的傅立叶变换的三维缺陷检测,步骤如下:e:创建高斯滤波器;f:图像预处理;g:预处理后的图像从空间域转换到频域处理;h:对频域图像进行卷积运算;i:将频域图像重新转换到空间域处理;j:空间域图像分割;k:连通域选取;
S6:对步骤S4和S5中检测出的缺陷进行缺陷特征分析,过程建立在缺陷已经完全分割完成的基础上,对被分割之后缺陷进行缺陷特征描述主要采用全局特征和局部特征;特征提取的方法包括但不限于几何尺寸、面积、熵、灰度矩和各向异性特征,或者采用深度学习方法特征提取,深度学习方法特征提取包括但不限于采用卷积神经网络、卷积自编码模型提取的特征;
S7:根据S5中被检测产品的缺陷特征分析结果,把缺陷特征分析结果与预先设置在系统中的标准值进行比对,并将缺陷检测结果符合要求的产品标识并分离开来,。
通过对被检测产品进行拍摄调整对焦状态、并对所采集的图像进行预处理、目标匹配定位选取目标区、二维缺陷检测及三维缺陷检测后,实现对产品中的缺陷部分进行有效检测,并对产品进行缺陷特征分析,在缺陷特征分析结果与预先设置在系统中的标准值进行比后,将具有缺陷的产品进行标识并分离。
以上实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人了解本发明的内容并加以实施,并不能以此限制本发明的保护范围,凡根据本发明精神实质所做的等效变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种通过机器视觉实现的缺陷标识系统,其特征在于,包括如下流程步骤:S1:采用CCD或CMOS传感器等图像采集设备对被检测产品表面进行表面图像采集,并评判采集到图像的清晰程度,根据图像的清晰程度调整对焦状态;S2:通过图像预处理,将被检测产品的表面图像转换成具有边缘特征的灰度图像;S3:采用目标匹配定位算法,在灰度图像中寻找与对应标的物或模板图像相似度最高的区域,并将区域该区域定义为目标区;S4:对采集到的目标区图像进行二维缺陷检测;S5:对采集到目标区图像进行基于频域的傅立叶变换的三维缺陷检测;S6:对步骤S4和S5中检测出的缺陷进行缺陷特征分析;S7:根据S5中被检测产品的缺陷特征分析结果,把缺陷特征分析结果与预先设置在系统中的标准值进行比对,并将缺陷检测结果符合要求的产品标识并分离开来。
2.根据权利要求1所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:所述步骤S2中的图像预处理,包括图像灰度转换处理、图像去噪处理和图像边缘检测处理。
3.根据权利要求1所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:在步骤S2和步骤S3之间加入步骤S2.5:通过图像增强处理,增强步骤S2中具有边缘特征的灰度图像的图像特征。
4.根据权利要求3所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:所述步骤S2.5中的图像增强处理,是通过全局二值化增强算法对预处理后的灰度图像进行增强处理。
5.根据权利要求1所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:步骤S1中所述的调整对焦状态,包括以下步骤:a:确定图像采集设备的视野;b:确定被检测产品的检测区域;c:确定拍摄基准点;d:根据所述图像采集设备的视野、所述检测区域和所述基准点,确定所述图像采集设备每次拍摄时候的旋转角度、每次拍摄需要检测的技术特征、每个被检测产品的拍摄次数。
6.根据权利要求1所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:步骤S3中所述的目标匹配定位算法包括但不限于归一化互相关算法、广义霍夫变换算法、SIFT算法或尺度不变特征变换算法、几何哈希算法;所述寻找标的物算法采用单个或者多个模板进行匹配定位,或联合金字塔算法进行加速。
7.根据权利要求1所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:所述步骤S4二维缺陷检测步骤如下:需要在目标区图像基础上,采用设定的坐标偏置,进行掩模覆盖,标记为前景的区域为ROI区域,标记为背景的区域为滤除区域,滤除区域不参与缺陷检测过程和缺陷特征分析、缺陷等级评估过程。
8.根据权利要求1所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:所述步骤S5三维缺陷检测步骤如下:e:创建高斯滤波器;f:图像预处理;g:预处理后的图像从空间域转换到频域处理;h:对频域图像进行卷积运算;i:将频域图像重新转换到空间域处理;j:空间域图像分割;k:连通域选取。
9.根据权利要求1所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:步骤S6所述的缺陷特征分析过程建立在缺陷已经完全分割完成的基础上,对被分割之后缺陷进行缺陷特征描述主要采用全局特征和局部特征;特征提取的方法包括但不限于几何尺寸、面积、熵、灰度矩和各向异性特征,或者采用深度学习方法特征提取,深度学习方法特征提取包括但不限于采用卷积神经网络、卷积自编码模型提取的特征。
10.根据权利要求1所述的一种通过机器视觉实现的缺陷标识系统,其特征在于:步骤S7所述的缺陷等级评估需要根据被检测物体设定具体的评判指标,对被检测物体进行缺陷等级类别的划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187101.XA CN111402238A (zh) | 2020-03-17 | 2020-03-17 | 一种通过机器视觉实现的缺陷标识系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187101.XA CN111402238A (zh) | 2020-03-17 | 2020-03-17 | 一种通过机器视觉实现的缺陷标识系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111402238A true CN111402238A (zh) | 2020-07-10 |
Family
ID=71413424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010187101.XA Pending CN111402238A (zh) | 2020-03-17 | 2020-03-17 | 一种通过机器视觉实现的缺陷标识系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402238A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738963A (zh) * | 2020-07-27 | 2020-10-02 | 南京大树智能科技股份有限公司 | 一种基于深度自学习的烟包包装外观检测方法 |
CN112017172A (zh) * | 2020-08-31 | 2020-12-01 | 佛山科学技术学院 | 一种基于树莓派的深度学习产品缺陷检测系统及方法 |
CN112966746A (zh) * | 2020-11-20 | 2021-06-15 | 扬州大学 | 一种稳定的适用于轮胎缺陷检测的可变灰度模板生成方法 |
CN113109348A (zh) * | 2021-03-12 | 2021-07-13 | 华南理工大学 | 一种基于机器视觉的桨影移印缺陷识别方法 |
CN113172989A (zh) * | 2021-04-02 | 2021-07-27 | 广州诚鼎机器人有限公司 | 一种胶体识别方法、网框套位方法和椭圆印花机 |
CN113588656A (zh) * | 2021-07-02 | 2021-11-02 | 江苏恒裕泰智能装备有限公司 | 一种新型螺栓外观尺寸检测方法 |
CN113634883A (zh) * | 2021-06-28 | 2021-11-12 | 中国科学院上海光学精密机械研究所 | 利用co2脉冲激光层析烧蚀表征熔石英玻璃亚表面缺陷分布方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140086453A1 (en) * | 2011-05-17 | 2014-03-27 | Toyo Tire & Rubber Co. Ltd. | Tire defect detection method |
CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
-
2020
- 2020-03-17 CN CN202010187101.XA patent/CN111402238A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140086453A1 (en) * | 2011-05-17 | 2014-03-27 | Toyo Tire & Rubber Co. Ltd. | Tire defect detection method |
CN109490316A (zh) * | 2018-11-30 | 2019-03-19 | 熵智科技(深圳)有限公司 | 一种基于机器视觉的表面缺陷检测算法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738963A (zh) * | 2020-07-27 | 2020-10-02 | 南京大树智能科技股份有限公司 | 一种基于深度自学习的烟包包装外观检测方法 |
CN112017172A (zh) * | 2020-08-31 | 2020-12-01 | 佛山科学技术学院 | 一种基于树莓派的深度学习产品缺陷检测系统及方法 |
CN112966746A (zh) * | 2020-11-20 | 2021-06-15 | 扬州大学 | 一种稳定的适用于轮胎缺陷检测的可变灰度模板生成方法 |
CN113109348A (zh) * | 2021-03-12 | 2021-07-13 | 华南理工大学 | 一种基于机器视觉的桨影移印缺陷识别方法 |
CN113172989A (zh) * | 2021-04-02 | 2021-07-27 | 广州诚鼎机器人有限公司 | 一种胶体识别方法、网框套位方法和椭圆印花机 |
CN113172989B (zh) * | 2021-04-02 | 2022-08-19 | 广州诚鼎机器人有限公司 | 一种胶体识别方法、网框套位方法和椭圆印花机 |
CN113634883A (zh) * | 2021-06-28 | 2021-11-12 | 中国科学院上海光学精密机械研究所 | 利用co2脉冲激光层析烧蚀表征熔石英玻璃亚表面缺陷分布方法 |
CN113588656A (zh) * | 2021-07-02 | 2021-11-02 | 江苏恒裕泰智能装备有限公司 | 一种新型螺栓外观尺寸检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
CN111951237B (zh) | 外观视觉检测方法 | |
CN109446895B (zh) | 一种基于人体头部特征的行人识别方法 | |
CN112184648A (zh) | 一种基于深度学习的活塞表面缺陷检测方法及系统 | |
Rabby et al. | A modified canny edge detection algorithm for fruit detection & classification | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN107256398B (zh) | 基于特征融合的奶牛个体识别方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN111968098A (zh) | 一种带钢表面缺陷检测方法、装置和设备 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
CN111583193A (zh) | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 | |
CN115861274A (zh) | 一种融合三维点云与二维图像的裂缝检测方法 | |
Abdellah et al. | Defect detection and identification in textile fabric by SVM method | |
CN105057899B (zh) | 一种应用于智能激光切割的扫描图像识别方法 | |
Fleyeh et al. | Segmentation of low quality fingerprint images | |
Jothi et al. | Intra-ocular lens defect detection using generalized hough transform | |
CN115661110A (zh) | 一种透明工件识别与定位的方法 | |
CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |