CN111476784A - 一种基于图像增强识别技术的产品表面缺陷在线检测方法 - Google Patents
一种基于图像增强识别技术的产品表面缺陷在线检测方法 Download PDFInfo
- Publication number
- CN111476784A CN111476784A CN202010289870.0A CN202010289870A CN111476784A CN 111476784 A CN111476784 A CN 111476784A CN 202010289870 A CN202010289870 A CN 202010289870A CN 111476784 A CN111476784 A CN 111476784A
- Authority
- CN
- China
- Prior art keywords
- image
- product
- enhanced
- illumination
- product surface
- 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 30
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 title claims abstract description 8
- 238000005286 illumination Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- G06T5/70—
-
- G06T5/90—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Abstract
本发明公开了一种基于增强图像识别技术的产品表面缺陷在线检测方法，通过光照亮度自适应的多尺度Retinex图像增强方法对产品表面图像进行处理，获得增强后的产品表面图像。再对增强后的产品表面图像进行分析处理，判断产品表面是否存在缺陷，从而实现对产品表面缺陷的在线检测。
Description
技术领域
本发明涉及图像检测技术领域，具体涉及一种基于图像增强识别技术的产品表面缺陷在线检测方法。
背景技术
随着工业生产和工艺的不断发展，对机械设备自动化程度、生产效率和质量要求越来越高；人们对产品的质量也有了更高的要求，这也使工业生产对产品质量控制的要求也变得越来越严格。在提高产品生产效率以及保证产品质量的同时，产品质量检测效率也需要不断地提高，需要将那些表面存在缺陷的产品在销售之前被检测出来；而传统的产品质量检测是通过人工实时在线检测产品的质量，检测效率低，且容易出现漏检，这给产品的质量控制带来了很多不稳定和不可靠的因素。目前，国内针对产品的表面缺陷在线检测还处于起步阶段，尚无成熟的在线检测解决方案。检测机器所使用的CCD成像元件由于光照条件、成像角度等因素，会对成像的清晰度产生比较严重的影响，从而导致产品质量的检测很不稳定。因此，如何提高产品图像的清晰度成了影响产品质量检测水平的关键因素。目前对图像的清晰化处理方法是通过增强图像的色彩和对比度，降低外界因素对图像的影响，比较常见的有直方图均衡法、偏振图像处理法、小波变化法和Retinex法等。传统的Retinex图像增强算法于1971年由美国物理学家Edwin.H.Land提出，其是一种颜色恒知觉的色彩理论，一副图像I(x,y)可分为照射图像和反射图像两部分，即包含了照射分量L(x,y)和反射分量R(x,y)，用公式表示为I(x,y)＝L(x,y)×R(x,y)，式中I(x,y)为需要增强的原始图像，L(x,y)描述了图像变化缓慢的低频信息，R(x,y)为I(x,y)的反射图像，其决定了图像的内在性质，包含了图像中的大部分高频细节信息。(x,y)为图像中的坐标。对公式两边取对数，即可分离出反射和照射分量：log(I(x,y))＝log(L(x,y)R(x,y))＝log L(x,y)+log R(x,y)。这样处理后反射图像的分量就可以直接利用减法运算实现，大大的降低了计算量，logR(x,y)＝log(I(x,y))-log L(x,y)，此结果作为Retinex算法图像增强的最终结果。1997年Jabson等人提出了单尺度Retinex算法，使用高斯滤波器来估计图像的照射分量L(x,y)，则第i个颜色分量Retinex增强结果用数学公式可以表示为：Ri(x,y)＝log Ii(x,y)-log(F(x,y)*Ii(x,y))，其中i＝1,2,3…n，*表示与输入图像Ii(x,y)做卷积，F(x,y)通常为高斯环绕函数，其表达式为：
式中，σ为高斯函数的标准差。σ取值大小关系到卷积核的作用范围，σ越大，增强图像的色彩恢复的越自然，但会忽略局部细节，σ越小，增强图像的局部细节越突出，但色彩失真越严重。所以传统的Retinex使得图像的高频成分被增强，但同时滤除掉了大部分低频成分，导致图像内容信息的丢失。但当前的Retinex图像增强算法存在一些问题，其都是建立在图像灰度值是连续的、缓慢变化的基础之上，当图像灰度的其中一部分忽然出现突变时，就会出现光晕现象。
发明内容
本发明的目的在于克服现有技术的不足，提供一种新的基于增强图像识别技术的产品表面缺陷在线检测方法。经过不断地研究发现，在产品表面缺陷的检测中引入基于多尺度Retinex算法的图像增强方法，不但可以完整保留图像内容信息，还能够极大地提高所获取图像的清晰度，从而实现产品表面缺陷的快速准确检测。
本发明所采用的技术方案是，一种基于增强图像识别技术的产品表面缺陷在线检测方法，具体按照以下步骤实施：
步骤1、图像在线采集，从视频帧中获取待检测产品表面图像；
步骤2、采用基于光照亮度自适应的多尺度Retinex图像增强方法对产品表面图像进行处理，获得增强后的产品表面图像；
步骤3、对增强后的产品表面图像根据照度进行区域分割，将其分割为高、中、低三个照度区域；
步骤4、针对每个照度的区域图像进行图像特征参数提取，上述图像特征至少包括，颜色特征、形态特征、几何特征；
步骤5、分析处理从区域图像中提取的各类特征参数，判断产品表面是否存在缺陷；
步骤6、统计缺陷信息：记录检测产品合格和不合格的数量。
优选地，所述步骤2中采用基于光照亮度自适应的多尺度Retinex算法的图像增强方法对所述产品图像进行处理，获得增强后的产品图像具体可以采用如下方式：
步骤2.1)、对所述图像进行双边滤波，滤除图像中的噪声成分，得到去噪后的平滑图像，双边滤波定义具体如下：
其中，S是经过双边滤波后的图像，kp为归一化系数；I为高分辨率颜色图像；Ω为插值窗口大小；p'与q'是低分辨图像像素；p和q为与p'和q'对应的高分辨率图像像素；wσs、wσr分别为距离项与颜色相似项；
步骤2.2)、将原始图像和双边滤波后的平滑图像从RGB颜色空间转换到HSV颜色空间，并提取上述图像中的亮度分量值；
步骤2.3)、分别对所述原始图像和平滑图像中的亮度分量值进行增强处理，具体为：
2.3.1)对所述亮度值分量进行对数变换；
2.3.2)将对数变化后的两值相减得到一差值；
2.3.3)对所述差值再进行对数反变换，得到的值为增强后的图像亮度；
步骤2.4)、将图像从HSV颜色空间转换至RGB颜色空间进行显示，得到增强后的产品表面图像。
优选地，所述步骤5具体包括以下步骤：
步骤5.1)将从区域图像中提取的各类特征参数与预先设置的各类缺陷参数进行对比；
步骤5.2)，计算同类型参数之间的差值，将其与预设的阈值作比较，如果小于预设的阈值则判定为缺陷点。
优选地，所述步骤6包括：
对缺陷点的个数进行统计，当缺陷点个数大于预设数量时，判定产品为不合格，分别统计产品合格和不合格的数量。
有益效果：
采用本发明的技术方案后，有效地增强了产品图像的清晰度，再选择相适应的算法对增强后的产品图像进行处理，完成对产品的在线检测，大大提高了检测效率和稳定性。
附图说明
图1为传统的Retinex算法流程图；
图2为本发明中产品质量检测方法流程示意图；
图3为基于光照亮度自适应的多尺度Retinex图像增强方法的具体步骤。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图2所示，一种基于增强图像识别技术的产品质量在线检测方法，具体按照以下步骤实施：
步骤1、图像在线采集，从视频帧中获取待检测产品表面图像；
步骤2、采用基于光照亮度自适应的多尺度Retinex图像增强方法对产品表面图像进行处理，获得增强后的产品表面图像；
步骤3、对增强后的产品表面图像根据照度进行区域分割，将其分割为高、中、低三个照度区域；
步骤4、针对每个照度的区域图像进行图像特征参数提取，上述图像特征至少包括，颜色特征、形态特征、几何特征；
步骤5、分析处理从区域图像中提取的各类特征参数，判断产品表面是否存在缺陷；
步骤6、统计缺陷信息：记录检测产品合格和不合格的数量。
优选地，所述步骤2中采用基于光照亮度自适应的多尺度Retinex算法的图像增强方法对所述产品图像进行处理，获得增强后的产品图像具体可以采用如下方式：
步骤2.1)、对所述图像进行双边滤波，滤除图像中的噪声成分，得到去噪后的平滑图像，双边滤波定义具体如下：
其中，S是经过双边滤波后的图像，kp为归一化系数；I为高分辨率颜色图像；Ω为插值窗口大小；p'与q'是低分辨图像像素；p和q为与p'和q'对应的高分辨率图像像素；wσs、wσr分别为距离项与颜色相似项；
步骤2.2)、将原始图像和双边滤波后的平滑图像从RGB颜色空间转换到HSV颜色空间，并提取上述图像中的亮度分量值；
步骤2.3)、分别对所述原始图像和平滑图像中的亮度分量值进行增强处理，具体为：
2.3.1)对所述亮度值分量进行对数变换；
2.3.2)将对数变化后的两值相减得到一差值；
2.3.3)对所述差值再进行对数反变换，得到的值为增强后的图像亮度；
步骤2.4)、将图像从HSV颜色空间转换至RGB颜色空间进行显示，得到增强后的产品表面图像。
优选地，所述步骤5具体包括以下步骤：
步骤5.1)将从区域图像中提取的各类特征参数与预先设置的各类缺陷参数进行对比；
步骤5.2)，计算同类型参数之间的差值，将其与预设的阈值作比较，如果小于预设的阈值则判定为缺陷点。
优选地，所述步骤6包括：
对缺陷点的个数进行统计，当缺陷点个数大于预设数量时，判定产品为不合格，分别统计产品合格和不合格的数量。
应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明实施例技术方案的范围。
Claims (4)
1.一种基于增强图像识别技术的产品质量在线检测方法，其特征在于：包括以下步骤：
步骤1、图像在线采集，从视频帧中获取待检测产品表面图像；
步骤2、采用基于光照亮度自适应的多尺度Retinex图像增强方法对产品表面图像进行处理，获得增强后的产品表面图像；
步骤3、对增强后的产品表面图像根据照度进行区域分割，将其分割为高、中、低三个照度区域；
步骤4、针对每个照度的区域图像进行图像特征参数提取，上述图像特征至少包括，颜色特征、形态特征、几何特征；
步骤5、分析处理从区域图像中提取的各类特征参数，判断产品表面是否存在缺陷；
步骤6、统计缺陷信息：记录检测产品合格和不合格的数量。
2.如权利要求1所述的方法，其特征在于：所述步骤2中采用基于光照亮度自适应的多尺度Retinex图像增强方法对产品表面图像进行处理，获得增强后的产品表面图像，具体可以采用如下方式：
步骤2.1)、对所述图像进行双边滤波，滤除图像中的噪声成分，得到去噪后的平滑图像，双边滤波定义具体如下：
其中，S是经过双边滤波后的图像，kp为归一化系数；I为高分辨率颜色图像；Ω为插值窗口大小；p'与q'是低分辨图像像素；p和q为与p'和q'对应的高分辨率图像像素；wσs、wσr分别为距离项与颜色相似项；
步骤2.2)、将原始图像和双边滤波后的平滑图像从RGB颜色空间转换到HSV颜色空间，并提取上述图像中的亮度分量值；
步骤2.3)、分别对所述原始图像和平滑图像中的亮度分量值进行增强处理，具体为：
2.3.1)对所述亮度值分量进行对数变换；
2.3.2)将对数变化后的两值相减得到一差值；
2.3.3)对所述差值再进行对数反变换，得到的值为增强后的图像亮度；
步骤2.4)、将图像从HSV颜色空间转换至RGB颜色空间进行显示，得到增强后的产品表面图像。
3.如权利要求2所述的方法，其特征在于：所述步骤5具体包括以下步骤：
步骤5.1)将从区域图像中提取的各类特征参数与预先设置的各类缺陷参数进行对比；
步骤5.2)，计算同类型参数之间的差值，将其与预设的阈值作比较，如果小于预设的阈值则判定为缺陷点。
4.如权利要求2所述的方法，其特征在于：所述步骤6具体包括：对缺陷点的个数进行统计，当缺陷点个数大于预设数量时，判定产品为不合格，分别统计产品合格和不合格的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010289870.0A CN111476784A (zh) | 2020-04-14 | 2020-04-14 | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010289870.0A CN111476784A (zh) | 2020-04-14 | 2020-04-14 | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111476784A true CN111476784A (zh) | 2020-07-31 |
Family
ID=71751856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010289870.0A Pending CN111476784A (zh) | 2020-04-14 | 2020-04-14 | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476784A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
| CN116012378A (zh) * | 2023-03-24 | 2023-04-25 | 湖南东方钪业股份有限公司 | 一种用于增材制造的合金丝材的质量检测方法 |
| CN117238229A (zh) * | 2023-11-16 | 2023-12-15 | 深圳市诚电科技有限公司 | 一种基于立体液晶显示器的自动对正方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008241407A (ja) * | 2007-03-27 | 2008-10-09 | Mitsubishi Electric Corp | 欠陥検出方法及び欠陥検出装置 |
| CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
| CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
| CN109859132A (zh) * | 2019-01-30 | 2019-06-07 | 孙洁 | 一种基于增强图像识别技术的产品质量在线检测方法 |
| CN110458791A (zh) * | 2018-05-04 | 2019-11-15 | 深圳市圆周率软件科技有限责任公司 | 质量缺陷检测方法和检测设备 |
| CN110687123A (zh) * | 2019-09-24 | 2020-01-14 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
-
2020
- 2020-04-14 CN CN202010289870.0A patent/CN111476784A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008241407A (ja) * | 2007-03-27 | 2008-10-09 | Mitsubishi Electric Corp | 欠陥検出方法及び欠陥検出装置 |
| CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
| CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
| CN110458791A (zh) * | 2018-05-04 | 2019-11-15 | 深圳市圆周率软件科技有限责任公司 | 质量缺陷检测方法和检测设备 |
| CN109859132A (zh) * | 2019-01-30 | 2019-06-07 | 孙洁 | 一种基于增强图像识别技术的产品质量在线检测方法 |
| CN110687123A (zh) * | 2019-09-24 | 2020-01-14 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘金荣等: "基于联合双边滤波的深度图像增强算法", 《计算机工程》 * |
| 潘卫琼: "基于Retinex理论的低照度图像与视频增强算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
| CN116012378A (zh) * | 2023-03-24 | 2023-04-25 | 湖南东方钪业股份有限公司 | 一种用于增材制造的合金丝材的质量检测方法 |
| CN117238229A (zh) * | 2023-11-16 | 2023-12-15 | 深圳市诚电科技有限公司 | 一种基于立体液晶显示器的自动对正方法及系统 |
| CN117238229B (zh) * | 2023-11-16 | 2024-02-09 | 深圳市诚电科技有限公司 | 一种基于立体液晶显示器的自动对正方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476784A (zh) | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 | |
| WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
| CN109064426B (zh) | 一种用于抑制低照度图像中眩光并增强图像的方法及装置 | |
| CN102222328B (zh) | 一种边缘保持的自然场景图像自适应加权滤波方法 | |
| CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
| CN109255752B (zh) | 图像自适应压缩方法、装置、终端及存储介质 | |
| CN112381826B (zh) | 边缘缺陷图像的二值化方法 | |
| CN111476744B (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
| CN112365450A (zh) | 基于图像识别的物品分类计数的方法、装置和存储介质 | |
| CN115063421A (zh) | 极片区域检测方法及系统及装置及介质及缺陷检测方法 | |
| CN112258545A (zh) | 一种烟叶图像在线背景处理系统及在线背景处理方法 | |
| CN106530254A (zh) | 一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法 | |
| CN110599553B (zh) | 一种基于YCbCr的肤色提取及检测方法 | |
| CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
| CN111611940A (zh) | 一种基于大数据处理的快速视频人脸识别方法 | |
| CN112802074A (zh) | 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法 | |
| CN115797234B (zh) | 一种增强低对比度二维码图像识别效果的方法 | |
| CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
| CN112308793A (zh) | 一种新型的非均匀光照图像对比度和细节增强方法 | |
| CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
| Shetter et al. | Finger print image enhancement using thresholding and binarization techniques | |
| CN114897712A (zh) | 一种基于双波段的红外图像盲元补偿方法 | |
| CN109934190B (zh) | 基于变形高斯核函数的自适应强光人脸图像纹理恢复方法 | |
| CN111242121A (zh) | 一种基于svm的对联智能分拣方法及存储介质 | |
| CN111145193A (zh) | 一种自适应全局阈值二值化方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200731 |
|
| WD01 | Invention patent application deemed withdrawn after publication |