CN111489337A - 一种自动光学检测伪缺陷去除方法及系统 - Google Patents
一种自动光学检测伪缺陷去除方法及系统 Download PDFInfo
- Publication number
- CN111489337A CN111489337A CN202010268258.5A CN202010268258A CN111489337A CN 111489337 A CN111489337 A CN 111489337A CN 202010268258 A CN202010268258 A CN 202010268258A CN 111489337 A CN111489337 A CN 111489337A
- Authority
- CN
- China
- Prior art keywords
- filtering
- contour
- contour region
- defects
- image
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种自动光学检测伪缺陷去除方法及系统,包括:将模板图和待检图均划分成轮廓区和非轮廓区;对轮廓区进行空间滤波,采用阈值分割的方法剔除轮廓区的伪缺陷,保留真实缺陷;采用几何均值滤波器对非轮廓区进行滤波;差影几何均值滤波后的非轮廓区,获取非轮廓区的疑似缺陷,将缺陷允许的最小面积作为阈值,删除疑似缺陷中小于阈值的噪点;将剔除伪缺陷的轮廓区以及删除噪点后的非轮廓区合并,提取图像的真实缺陷。本申请能够去除配准时产生的轮廓伪影,同时不会影响真实缺陷造成缺陷漏检。
Description
技术领域
本申请涉及光学检测技术领域,尤其涉及一种自动光学检测伪缺陷去除方法及系统。
背景技术
自动光学检测技术因其高速、高效、准确、成本低等优点广泛应用在缺陷检测领域,通常有如下四个步骤:1、图像采集;2、图像预处理;3、缺陷检测;4、缺陷分类。
差影法是常用的缺陷检测方法,它是通过将待检图与预先制作的模板图进行差分计算,逐像素对比出产品图与标准模板图的不同之处,从而找出产品中的缺陷。现有技术中对形状的缺陷检测可以将拍摄的图片二值化,然后使用差影法进行缺陷检测,该方法具有良好的检出效果。然而,由于彩色印刷品的表面缺陷复杂、种类繁多,除形状缺陷外还有偏色、漏墨、杂点、污迹等颜色维度上的缺陷,若将图像二值化将会造成漏检。因此,通常会将彩色图转为灰度图进行处理,从而可以在减少计算量的同时,又能检测颜色缺陷。使用差影法进行缺陷检测时要先进行图像配准,在使用仿射变换将实时图和模板图进行配准时,会因插值运算而出现灰度偏移,形成伪缺陷造成误检。
现有的印刷品表面缺陷检测技术,有的使用精准的机械定位装置,来减少采集图相较模板图的位移,避免配准时发生灰度偏移,杜绝伪缺陷的产生,从而在图像处理时不考虑伪缺陷问题。这需要昂贵的机械设备,缺陷检测算法不具备通用性。或者采用粗暴的处理方法,将可能产生伪缺陷的区域直接剔除来降低误检,但是却增加了漏检率。
发明内容
本申请提供了一种自动光学检测伪缺陷去除方法及系统,能够剔除配准时产生的伪缺陷,提取出真实的印刷品表面缺陷。
有鉴于此,本申请第一方面提供了一种自动光学检测伪缺陷去除方法,所述方法包括:
将模板图和待检图均划分成轮廓区和非轮廓区;
对所述轮廓区进行空间滤波,采用阈值分割的方法剔除所述轮廓区的伪缺陷;
采用几何均值滤波器对所述非轮廓区进行滤波;差影所述几何均值滤波后的所述非轮廓区,获取所述非轮廓区的疑似缺陷,将缺陷允许的最小面积作为阈值,删除所述疑似缺陷中小于所述阈值的噪点;
将剔除伪缺陷的所述轮廓区以及删除噪点后的所述非轮廓区合并,提取图像的真实缺陷。
可选的,所述在将模板图和待检图划分成轮廓区和非轮廓区,之前还包括:
采用Sobel算子提取所述模板图的图形边缘,得到所述模板图的轮廓。
可选的,所述将所述模板图和待检图划分成轮廓区和非轮廓区具体为:
对所述轮廓进行膨胀操作生成轮廓区域,将所述轮廓区域作为感兴趣区域;
将所述感兴趣区域分别与所述模板图和待检图进行减操作,将所述模板图和所述待检图划分成轮廓区和非轮廓区。
可选的,所述对所述轮廓区进行空间滤波,采用阈值分割的方法剔除所述轮廓区的伪缺陷具体为:
采用均值滤波平滑所述轮廓区,得到第一平滑轮廓区;
差影均值滤波后的所述模板图和待检图,并计算差影后的图像灰度值之和作为第一灰度总和;
采用高斯滤波平滑所述第一平滑轮廓区得到第二平滑轮廓区;
差影高斯滤波后的所述模板图和待检图,并计算差影后的图像灰度值之和作为第二灰度总和;
若所述第一灰度总和与所述第二灰度总和的差值小于预设的阈值或者所述差值不再减少则结束滤波。
可选的,所述采用均值滤波平滑所述轮廓区,得到第一平滑轮廓区具体为:
式中,g(x,y)表示均值滤波后的图像;(x,y)表示像素点的坐标;w(s,t)是滤波模板的权值;f(x+s,y+t)是图像在像素点(x+s,y+t)处的灰度;s为滤波模板的横向坐标,t为滤波模板的纵坐标,s∈[-a,a],t∈[-b,b];滤波模板列数为n=2a+1,行数为m=2b+1。
可选的,所述采用高斯滤波平滑所述第一平滑轮廓区得到第二平滑轮廓区具体为:
式中,h(x,y)表示高斯滤波后的像素值;σ表示标准差。
可选的,所述采用几何均值滤波器对所述非轮廓区进行滤波具体为:
本申请第二方面提供一种自动光学检测伪缺陷去除系统,所述系统包括:
轮廓划分模块,用于将模板图和待检图均划分成轮廓区和非轮廓区;
轮廓区缺陷分割模块,用于对所述轮廓区进行空间滤波,采用阈值分割的方法剔除所述轮廓区的伪缺陷;
非轮廓区缺陷分割模块,用于采用几何均值滤波器对所述非轮廓区进行滤波;差影所述几何均值滤波后的所述非轮廓区,获取所述非轮廓区的疑似缺陷,将缺陷允许的最小面积作为阈值,删除所述疑似缺陷中小于所述阈值的噪点;
真实缺陷提取模块,用于将剔除伪缺陷的所述轮廓区以及删除噪点后的所述非轮廓区合并,提取图像的真实缺陷。
可选的,还包括:
边缘提取模块,用于采用Sobel算子提取所述模板图的图形边缘,得到所述模板图的轮廓。
可选的,轮廓区缺陷分割模块还包括:
均值滤波模块,用于采用均值滤波平滑所述轮廓区,得到第一平滑轮廓区;
第一灰度和计算模块,用于差影均值滤波后的所述模板图和待检图,并计算差影后的图像灰度值之和作为第一灰度总和;
高斯滤波模块,用于采用高斯滤波平滑所述第一平滑轮廓区得到第二平滑轮廓区;
第二灰度和计算模块,用于差影高斯滤波后的所述模板图和待检图,并计算差影后的图像灰度值之和作为第二灰度总和;
阈值分割模块,用于当所述第一灰度总和与所述第二灰度总和的差值小于预设的阈值或者所述差值不再减少则结束滤波。
从以上技术方案可以看出,本申请具有以下优点:
本申请中,提供了一种自动光学检测伪缺陷去除方法及系统,方法包括:将模板图和待检图均划分成轮廓区和非轮廓区;对轮廓区进行空间滤波,采用阈值分割的方法剔除轮廓区的伪缺陷;采用几何均值滤波器对非轮廓区进行滤波;差影几何均值滤波后的非轮廓区,获取非轮廓区的疑似缺陷,将缺陷允许的最小面积作为阈值,删除疑似缺陷中小于阈值的噪点;将剔除伪缺陷的轮廓区以及删除噪点后的非轮廓区合并,提取图像的真实缺陷。
本申请通过对模板图和待检图的轮廓区采用空间滤波的方法剔除轮廓区的伪缺陷,对非轮廓区采用几何滤波的方法获取非轮廓区的缺陷,并以缺陷允许的最小面积作为阈值删除缺陷中的噪点;即针对轮廓区以及非轮廓区的不同特性采取不同的滤波方法,从而更好的减弱图像的灰度偏差,最后将剔除伪缺陷的轮廓区和非轮廓区进行合并达到剔除伪缺陷的目的。
附图说明
图1为本申请一种自动光学检测伪缺陷去除方法的一个实施例的方法流程图;
图2为本申请一种自动光学检测伪缺陷去除方法的另一个实施例的方法流程图;
图3为本申请一种自动光学检测伪缺陷去除系统的一个实施例的系统结构图;
图4为现有技术中的自动光学检测分离伪缺陷的流程示意图;
图5为本申请实施例中对轮廓区进行空间滤波分离伪缺陷的流程示意图;
图6为本申请中模板图的轮廓区示意图;
图7为本申请中模板图的非轮廓区示意图;
图8为本申请中轮廓区进行空间滤波之前的示意图;
图9为本申请中轮廓区进行空间滤波之后的示意图;
图10为本申请中非轮廓区滤波之前的示意图;
图11为本申请中非轮廓区滤波之后的示意图;
图12为本申请中将去除伪缺陷后的轮廓区以及非轮廓区进行合并后的示意图。
具体实施方式
在现在技术中,自动光学检测技术分离缺陷的流程示意图如图4所示,其步骤包括:
步骤1:采集若干合格产品的图像,预处理后合成出一幅模板图。
步骤2:提取模板图中图形的轮廓,生成用于配准的轮廓模板。
步骤3:实时拍摄生产线上待检产品,将拍摄的图像进行预处理并将彩色图像转换为灰度图,生成实时图。
步骤4:使用模板匹配和仿射变换算法,将实时图和模板图配准生成待检图。
步骤5:使用差影法将待检图与模板图进行差分计算,逐像素对比出待检图与标准模板图的不同之处从而检出缺陷。
步骤6:将检出的缺陷进行分类。
然而,使用差影法进行缺陷检测时要先进行图像配准,再使用仿射变换将实时图和模板图进行配准时,会因插值运算而出现灰度偏移,形成伪缺陷造成误检。
基于以上问题,本申请提供了一种自动光学检测伪缺陷去除方法及系统,通过对模板图和待检图的轮廓区采用空间滤波的方法剔除轮廓区的伪缺陷,对非轮廓区采用几何滤波的方法获取非轮廓区的缺陷,并以缺陷允许的最小面积作为阈值删除缺陷中的噪点;即针对轮廓区以及非轮廓区的不同特性采取不同的滤波方法,从而更好的减弱图像的灰度偏差,最后将剔除伪缺陷的轮廓区和非轮廓区进行合并达到剔除伪缺陷的目的。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
具体的,方案如图1所示,图1为本申请一种自动光学检测伪缺陷去除方法的一个实施例的方法流程图,其步骤包括:
101、将模板图和待检图均划分成轮廓区和非轮廓区。
需要说明的是,本申请可以根据轮廓区域非轮廓区的不同特性进行分开处理,因此可以将模板图以及待检图划分成轮廓区以及非轮廓区。
具体的,可以提取模板图的轮廓,并对模板图的轮廓进行膨胀操作生成轮廓区域,将轮廓区域作为感兴趣区域;再将感兴趣区域分别与模板图和待检图进行减操作,从而将模板图和待检图划分成轮廓区和非轮廓区。
102、对轮廓区进行空间滤波,采用阈值分割的方法剔除轮廓区的伪缺陷。
需要说明的是,本申请采用均值滤波平滑轮廓区,得到第一平滑轮廓区;差影均值滤波后的模板图和待检图,并计算差影后的图像灰度值之和作为第一灰度总和;采用高斯滤波平滑第一平滑轮廓区得到第二平滑轮廓区;差影高斯滤波后的模板图和待检图,并计算差影后的图像灰度值之和作为第二灰度总和;若第一灰度总和与所述第二灰度总和的差值小于预设的阈值或者差值不再减少则结束滤波,其具体的流程图如图5所示。
103、采用几何均值滤波器对非轮廓区进行滤波;差影几何均值滤波后的非轮廓区,获取非轮廓区的疑似缺陷,将缺陷允许的最小面积作为阈值,删除疑似缺陷中小于阈值的噪点。
需要说明的是,由于非轮廓区会因为灰度偏移,在差影时产生大量的杂点。因此,可以使用几何均值滤波器对模板图和待检图的非轮廓区进行滤波,去除非轮廓区的噪声;另外在对滤波后的模板图和待检图的非轮廓区进行影差,获取非轮廓区影差图的缺陷,并根据缺陷允许的最小面积为阈值,删除掉小于该最小面积的噪点,从而获得非轮廓区的真实缺陷。
104、将剔除伪缺陷的轮廓区以及删除噪点后的非轮廓区合并,提取图像的真实缺陷。
本申请提供了一种自动光学检测伪缺陷去除方法,通过对模板图和待检图的轮廓区采用空间滤波的方法剔除轮廓区的伪缺陷,对非轮廓区采用几何滤波的方法获取非轮廓区的缺陷,并以缺陷允许的最小面积作为阈值删除缺陷中的噪点;即针对轮廓区以及非轮廓区的不同特性采取不同的滤波方法,从而更好的减弱图像的灰度偏差,最后将剔除伪缺陷的轮廓区和非轮廓区进行合并达到剔除伪缺陷的目的。
本申请了一种自动光学检测伪缺陷去除方法的另一个实施例,如图2所示,具体包括:
201、采用Sobel算子提取模板图的图形边缘,得到模板图的轮廓。
需要说明的是,Sobel算子是离散微分算子,是在水平和垂直两个方向上求导,得到图像x方向和y方向的梯度图像;在一种具体的实施方式中,其水平梯度和垂直梯度可分别表示为:
由水平梯度和垂直梯度可以得到近似梯度为:
式中,Gx和Gy表示横向和纵向边缘检测图像,是将原始图像I与一个大小为奇数的内核进行卷积获得,由此可以得到模板图的边缘轮廓。
202、对轮廓进行膨胀操作生成轮廓区域,将轮廓区域作为感兴趣区域。
需要说明的是,对轮廓进行膨胀操作具体为:
式中,C表示膨胀操作获得的轮廓区域;Am表示模板图M的轮廓,B表示半径为r的结构元;M+表示模板图的轮廓区,M-表示模板图的非轮廓区。
203、将感兴趣区域分别与模板图和待检图进行减操作,将模板图和待检图划分成轮廓区和非轮廓区。
需要说明的是,由于模板图和待检图是配准的图像,使用的是同一个ROI,不需要提取待检图轮廓重新生成。因此,可以将从模板图获取的感兴趣区域作为模板图和待检图共同的感兴趣区域,将感兴趣区域分别与模板图和待检图进行区域减操作,即能获得模板图和待检图的轮廓区和非轮廓区,模板图的轮廓区以及非轮廓区如图6-7所示。
204、对轮廓区进行空间滤波,采用阈值分割的方法剔除轮廓区的伪缺陷。
其具体步骤为:
S1:本申请采用均值滤波平滑轮廓区,得到第一平滑轮廓区,具体为:
式中,g(x,y)表示均值滤波后的图像;(x,y)表示像素点的坐标;w(s,t)是滤波模板的权值;f(x+s,y+t)是图像在像素点(x+s,y+t)处的灰度;s为滤波模板的横向坐标,t为滤波模板的纵坐标,s∈[-a,a],t∈[-b,b];滤波模板列数为n=2a+1,行数为m=2b+1。
S2:差影均值滤波后的模板图和待检图,并计算差影后的图像灰度值之和作为第一灰度总和。
需要说明的是,差影均值滤波后的模板图和待检图的轮廓区,即逐像素差值待检图与模板图后,计算影差后图像中所有像素点灰度值之和,将其作为第一灰度总和。
S3:采用高斯滤波平滑第一平滑轮廓区得到第二平滑轮廓区,具体为:
式中,h(x,y)表示高斯滤波后的像素值;σ表示标准差,其中x2+y2表示领域内像素到领域中心像素的距离,标准差σ越小,二维高斯图像越窄,平滑效果越不明显。
S4:差影高斯滤波后的模板图和待检图,并计算差影后的图像灰度值之和作为第二灰度总和。
需要说明的是,差影高斯滤波后的模板图和待检图的轮廓区,即逐像素差值待检图与模板图后,计算影差后图像中所有像素点灰度值之和,将其作为第二灰度总和。
S5:若第一灰度总和与第二灰度总和的差值小于预设的阈值或者差值不再减少则结束滤波。
需要说明的是,其如图5所示,本申请中需要多次迭代滤波,即当第一灰度总和与第二灰度总和的差值比前一次计算的差值减小了,则再一次计算高斯滤波后的第二灰度总和,再一次计算第一灰度总和与第二灰度总和的差值,直到第一灰度总和与第二灰度总和的差值小于预设的阈值或者差值不再减少则结束滤波。另外,所示空间滤波后使用阈值分割分离真实缺陷和伪缺陷,滤波的目的是为了加大真实缺陷与伪缺陷的灰度差,阈值由实际生产环境而定,其对轮廓区进行空间滤波前后的示意图如图8-9所示。
205、采用几何均值滤波器对非轮廓区进行滤波;差影几何均值滤波后的非轮廓区,获取非轮廓区的缺陷,将缺陷允许的最小面积作为阈值,删除小于阈值的噪点。
需要说明的是,由于非轮廓区会因为灰度偏移,在差影时产生大量的杂点。因此,可以使用几何均值滤波器对模板图和待检图的非轮廓区进行滤波,去除非轮廓区的噪声;另外在对滤波后的模板图和待检图的非轮廓区进行影差,获取非轮廓区影差图的缺陷,并根据缺陷允许的最小面积为阈值,删除掉小于该最小面积的噪点。即在滤波后以及影差后都要进行去噪处理,从而获得非轮廓区的真实缺陷,对非轮廓区进行滤波前和滤波后的图形如图10-11所示。
具体的,采用几何均值滤波器对非轮廓区进行滤波具体为:
式中,表示对非轮廓区滤波后的图像;g(s,t)表示非轮廓区的原始图像;其中m×n是滤波窗口的大小,Sxy是不断滑动的滤波窗口的中心点坐标,其中几何均值滤波器相较普通的均值滤波丢失的图像细节更少,可防止丢失非轮廓区的缺陷信息,避免漏检发生。
缺陷允许的最小面积可以根据实际生产工艺和选用的工业相机的像素尺寸决定,例如,若生产要求大于0.1mm X 0.1mm的墨点为缺陷,小于该面积的可忽略,根据所选用的相机和安装相机的物距进行计算,其计算公式为:
206、将剔除伪缺陷的轮廓区以及删除噪点后的非轮廓区合并,提取图像的真实缺陷,其合并后的图形如图12所示。
本申请根据伪缺陷分布在图形轮廓附近的特点,使用轮廓提取算子和形态学中得膨胀算法将图像切分成轮廓区和非轮廓区;分别对两个区域进行操作,采用不同的处理方法,在不影响真实缺陷的前提下,去除伪缺陷。再对轮廓区进行处理时,根据均值滤波和高斯滤波不同的特点,依次选用两种滤波模板对两幅图像的轮廓区进行平滑。迭代平滑至滤波效果小于阈值,从而削弱图像的灰度偏移。再对非轮廓区进行处理时,根据此区域灰度偏移的特点,为避免对真实缺陷造成影响,选择几何均值滤波平滑灰度偏移形成的噪点。
以上是本申请的一种自动光学检测伪缺陷去除方法的实施例,本申请还提供了一种自动光学检测伪缺陷去除系统的实施例,如图3所示,包括:
轮廓划分模块301,用于将模板图和待检图划分成轮廓区和非轮廓区。
轮廓区缺陷分割模块302,用于对轮廓区进行空间滤波,采用阈值分割的方法剔除轮廓区的伪缺陷。
非轮廓区缺陷分割模块303,用于采用几何均值滤波器对非轮廓区进行滤波;差影几何均值滤波后的非轮廓区,获取非轮廓区的疑似缺陷,将缺陷允许的最小面积作为阈值,删除疑似缺陷中小于阈值的噪点。
真实缺陷提取模块304,用于将剔除伪缺陷的轮廓区以及删除噪点后的非轮廓区合并,提取图像的真实缺陷。
在一种具体的实施方式中,还包括:
边缘提取模块,用于采用Sobel算子提取模板图的图形边缘,得到模板图的轮廓。
轮廓区缺陷分割模块还包括:
均值滤波模块,用于采用均值滤波平滑轮廓区,得到第一平滑轮廓区。
第一灰度和计算模块,用于差影均值滤波后的模板图和待检图,并计算差影后的图像灰度值之和作为第一灰度总和。
高斯滤波模块,用于采用高斯滤波平滑第一平滑轮廓区得到第二平滑轮廓区。
第二灰度和计算模块,用于差影高斯滤波后的模板图和待检图,并计算差影后的图像灰度值之和作为第二灰度总和。
阈值分割模块,用于当第一灰度总和与第二灰度总和的差值小于预设的阈值或者差值不再减少则结束滤波。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请中,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:RandomAccess Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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。
Claims (10)
1.一种自动光学检测伪缺陷去除方法,其特征在于,包括:
将模板图和待检图均划分成轮廓区和非轮廓区;
对所述轮廓区进行空间滤波,采用阈值分割的方法剔除所述轮廓区的伪缺陷;
采用几何均值滤波器对所述非轮廓区进行滤波;差影所述几何均值滤波后的所述非轮廓区,获取所述非轮廓区的疑似缺陷,将缺陷允许的最小面积作为阈值,删除所述疑似缺陷中小于所述阈值的噪点;
将剔除伪缺陷的所述轮廓区以及删除噪点后的所述非轮廓区合并,提取图像的真实缺陷。
2.根据权利要求1所述的自动光学检测伪缺陷去除方法,其特征在于,所述在将模板图和待检图划分成轮廓区和非轮廓区,之前还包括:
采用Sobel算子提取所述模板图的图形边缘,得到所述模板图的轮廓。
3.根据权利要求2所述的自动光学检测伪缺陷去除方法,其特征在于,所述将所述模板图和待检图划分成轮廓区和非轮廓区具体为:
对所述轮廓进行膨胀操作生成轮廓区域,将所述轮廓区域作为感兴趣区域;
将所述感兴趣区域分别与所述模板图和待检图进行减操作,将所述模板图和所述待检图划分成轮廓区和非轮廓区。
4.根据权利要求1所述的自动光学检测伪缺陷去除方法,其特征在于,所述对所述轮廓区进行空间滤波,采用阈值分割的方法剔除所述轮廓区的伪缺陷具体为:
采用均值滤波平滑所述轮廓区,得到第一平滑轮廓区;
差影均值滤波后的所述模板图和待检图,并计算差影后的图像灰度值之和作为第一灰度总和;
采用高斯滤波平滑所述第一平滑轮廓区得到第二平滑轮廓区;
差影高斯滤波后的所述模板图和待检图,并计算差影后的图像灰度值之和作为第二灰度总和;
若所述第一灰度总和与所述第二灰度总和的差值小于预设的阈值或者所述差值不再减少则结束滤波。
8.一种自动光学检测伪缺陷去除系统,其特征在于,包括:
轮廓划分模块,用于将模板图和待检图均划分成轮廓区和非轮廓区;
轮廓区缺陷分割模块,用于对所述轮廓区进行空间滤波,采用阈值分割的方法剔除所述轮廓区的伪缺陷;
非轮廓区缺陷分割模块,用于采用几何均值滤波器对所述非轮廓区进行滤波;差影所述几何均值滤波后的所述非轮廓区,获取所述非轮廓区的疑似缺陷,将缺陷允许的最小面积作为阈值,删除所述疑似缺陷中小于所述阈值的噪点;
真实缺陷提取模块,用于将剔除伪缺陷的所述轮廓区以及删除噪点后的所述非轮廓区合并,提取图像的真实缺陷。
9.根据权利要求8所述自动光学检测伪缺陷去除系统,其特征在于,还包括:
边缘提取模块,用于采用Sobel算子提取所述模板图的图形边缘,得到所述模板图的轮廓。
10.根据权利要求8所述自动光学检测伪缺陷去除系统,其特征在于,轮廓区缺陷分割模块还包括:
均值滤波模块,用于采用均值滤波平滑所述轮廓区,得到第一平滑轮廓区;
第一灰度和计算模块,用于差影均值滤波后的所述模板图和待检图,并计算差影后的图像灰度值之和作为第一灰度总和;
高斯滤波模块,用于采用高斯滤波平滑所述第一平滑轮廓区得到第二平滑轮廓区;
第二灰度和计算模块,用于差影高斯滤波后的所述模板图和待检图,并计算差影后的图像灰度值之和作为第二灰度总和;
阈值分割模块,用于当所述第一灰度总和与所述第二灰度总和的差值小于预设的阈值或者所述差值不再减少则结束滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010268258.5A CN111489337B (zh) | 2020-04-08 | 2020-04-08 | 一种自动光学检测伪缺陷去除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010268258.5A CN111489337B (zh) | 2020-04-08 | 2020-04-08 | 一种自动光学检测伪缺陷去除方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489337A true CN111489337A (zh) | 2020-08-04 |
CN111489337B CN111489337B (zh) | 2023-04-28 |
Family
ID=71798286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010268258.5A Active CN111489337B (zh) | 2020-04-08 | 2020-04-08 | 一种自动光学检测伪缺陷去除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489337B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986190A (zh) * | 2020-08-28 | 2020-11-24 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN112816495A (zh) * | 2021-01-06 | 2021-05-18 | 武汉车城物流有限公司 | 汽车轮胎缺陷检测系统及方法 |
CN114113112A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于三光源显微系统的表面微缺陷定位与识别方法 |
CN114998322A (zh) * | 2022-07-19 | 2022-09-02 | 南通恒强轧辊有限公司 | 基于计算机视觉的轧机智能控制方法及系统 |
CN115330795A (zh) * | 2022-10-13 | 2022-11-11 | 南通迅鹰纺织品有限公司 | 布匹毛刺缺陷检测方法 |
CN115393359A (zh) * | 2022-10-28 | 2022-11-25 | 菲特(天津)检测技术有限公司 | 一种镜片表面缺陷检测用的图像处理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070098245A1 (en) * | 2005-10-27 | 2007-05-03 | Honeywell International, Inc. | Surface anomaly detection system and method |
CN105447854A (zh) * | 2015-11-12 | 2016-03-30 | 程涛 | 一种小尺寸玻璃面板表面缺陷检测方法及系统 |
-
2020
- 2020-04-08 CN CN202010268258.5A patent/CN111489337B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070098245A1 (en) * | 2005-10-27 | 2007-05-03 | Honeywell International, Inc. | Surface anomaly detection system and method |
CN105447854A (zh) * | 2015-11-12 | 2016-03-30 | 程涛 | 一种小尺寸玻璃面板表面缺陷检测方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986190A (zh) * | 2020-08-28 | 2020-11-24 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN111986190B (zh) * | 2020-08-28 | 2022-03-18 | 哈尔滨工业大学(深圳) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
CN112816495A (zh) * | 2021-01-06 | 2021-05-18 | 武汉车城物流有限公司 | 汽车轮胎缺陷检测系统及方法 |
CN114113112A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于三光源显微系统的表面微缺陷定位与识别方法 |
CN114113112B (zh) * | 2021-11-29 | 2023-08-18 | 哈尔滨工业大学 | 一种基于三光源显微系统的表面微缺陷定位与识别方法 |
CN114998322A (zh) * | 2022-07-19 | 2022-09-02 | 南通恒强轧辊有限公司 | 基于计算机视觉的轧机智能控制方法及系统 |
CN114998322B (zh) * | 2022-07-19 | 2022-10-25 | 南通恒强轧辊有限公司 | 基于计算机视觉的轧机智能控制方法及系统 |
CN115330795A (zh) * | 2022-10-13 | 2022-11-11 | 南通迅鹰纺织品有限公司 | 布匹毛刺缺陷检测方法 |
CN115330795B (zh) * | 2022-10-13 | 2023-12-19 | 南通迅鹰纺织品有限公司 | 布匹毛刺缺陷检测方法 |
CN115393359A (zh) * | 2022-10-28 | 2022-11-25 | 菲特(天津)检测技术有限公司 | 一种镜片表面缺陷检测用的图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111489337B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN111814711B (zh) | 一种应用于矿井机器视觉的图像特征快速匹配方法及系统 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN112669286A (zh) | 基于红外热像的外墙外保温系统缺陷识别与损伤程度评价方法 | |
CN106156691B (zh) | 复杂背景图像的处理方法及其装置 | |
CN113487538B (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN108205657A (zh) | 视频镜头分割的方法、存储介质和移动终端 | |
CN108335268B (zh) | 一种基于盲解卷积的彩色图像去模糊的方法 | |
CN116754567B (zh) | 铜箔材料的周期性缺陷检测方法、装置及设备 | |
CN117764983A (zh) | 一种用于智能制造产线的双目识别的视觉检测的方法 | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN112950594A (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN112613456A (zh) | 一种基于多帧差分图像累积的小目标检测方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN115578594A (zh) | 基于计算机视觉的边缘定位方法、装置及相关设备 |
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 |