CN111524107B - 缺陷检测方法、缺陷检测装置及计算机可读存储介质 - Google Patents
缺陷检测方法、缺陷检测装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111524107B CN111524107B CN202010293623.8A CN202010293623A CN111524107B CN 111524107 B CN111524107 B CN 111524107B CN 202010293623 A CN202010293623 A CN 202010293623A CN 111524107 B CN111524107 B CN 111524107B
- Authority
- CN
- China
- Prior art keywords
- article
- image
- color difference
- detection
- algorithm
- 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
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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本申请公开了一种缺陷检测方法、缺陷检测装置及计算机可读存储介质。本申请的缺陷检测方法包括:获取物品图像;利用目标检测算法检测所述物品图像;在利用所述目标检测算法确定所述物品检测合格时,利用视觉识别算法检测所述物品图像;或利用视觉识别算法检测所述物品图像;在利用所述视觉识别算法确定所述物品检测合格时,利用目标检测算法检测所述物品图像。本申请的缺陷检测方法、缺陷检测装置及计算机可读存储介质,通过两个算法对物品图像进行互补检测,这样可降低缺陷检测的漏检率。
Description
技术领域
本申请涉及物品缺陷检测技术领域,特别涉及一种缺陷检测方法、缺陷检测装置及计算机可读存储介质。
背景技术
在制造业相关技术中,可通过目标检测算法识别物品的缺陷。而目标检测算法依赖于对样本的训练,在样本经过训练后,能够快速学习样本的特征,然后将其应用于识别类似缺陷。但是,如果在缺陷检测过程中,出现了样本从未出现过的新缺陷时,目标检测算法对新缺陷无法有效识别,容易发生漏检,从而使得存在缺陷的物品直接流入下一个工序。
发明内容
本申请实施方式提供了一种缺陷检测方法、缺陷检测装置及计算机可读存储介质。
本申请实施方式的缺陷检测方法包括:获取物品图像;利用目标检测算法检测所述物品图像;在利用所述目标检测算法确定所述物品检测合格时,利用视觉识别算法检测所述物品图像;或利用视觉识别算法检测所述物品图像;在利用所述视觉识别算法确定所述物品检测合格时,利用目标检测算法检测所述物品图像。
本申请实施方式的缺陷检测装置包括处理器。所述处理器用于获取物品图像;利用目标检测算法检测所述物品图像,及在利用所述目标检测算法确定所述物品检测合格时,利用视觉识别算法检测所述物品图像;或利用视觉识别算法检测所述物品图像,及在利用所述视觉识别算法确定所述物品检测合格时,利用目标检测算法检测所述物品图像。
本申请实施方式的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以下缺陷检测方法:获取物品图像;利用目标检测算法检测所述物品图像;在利用所述目标检测算法确定所述物品检测合格时,利用视觉识别算法检测所述物品图像;或利用视觉识别算法检测所述物品图像;在利用所述视觉识别算法确定所述物品检测合格时,利用目标检测算法检测所述物品图像。
本申请实施方式的缺陷检测方法、缺陷检测装置及计算机可读存储介质,通过两个算法对物品图像进行互补检测,这样可降低缺陷检测的漏检率。
本申请实施方式的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点可以从结合下面附图对实施方式的描述中将变得明显和容易理解,其中:
图1是本申请某些实施方式的缺陷检测方法的流程示意图。
图2是本申请某些实施方式的缺陷检测方法的另一流程示意图。
图3是本申请某些实施方式的缺陷检测装置的示意图;
图4是本申请某些实施方式的缺陷检测方法的又一流程示意图。
图5是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图6是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图7是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图8是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图9是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图10是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图11是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图12是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图13是本申请某些实施方式的缺陷检测方法的再一流程示意图。
图14是本申请实施方式的计算机可读存储介质与电子装置交互的示意图。
具体实施方式
下面详细描述本申请的实施方式,所述实施方式的示例在附图中示出,其中,相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本申请的实施方式,而不能理解为对本申请的实施方式的限制。
请参阅图1,本申请实施方式提供一种缺陷检测方法。在一个实施例中,缺陷检测方法包括:
步骤S10,获取物品图像;
步骤S20,利用目标检测算法检测物品图像;
步骤S30,在利用目标检测算法确定物品检测合格时,利用视觉识别算法检测物品图像。
请参阅图2,在另一个实施方式例中,缺陷检测方法包括:
步骤S10,获取物品图像;
步骤S40,利用视觉识别算法检测物品图像;
步骤S50,在利用视觉识别算法确定物品检测合格时,利用目标检测算法检测物品图像。
请参阅图3,本申请实施方式还提供一种缺陷检测装置100。本申请实施方式的缺陷检测方法可由本申请实施方式的缺陷检测装置100实现。缺陷检测装置100包括处理器10。步骤S10、步骤S20、步骤S30、步骤S40及步骤S50均可由处理器10实现。也即是说,处理器10可用于获取物品图像,及利用目标检测算法检测物品图像,以及在利用目标检测算法确定物品检测合格时,利用视觉识别算法检测物品图像。处理器10还可用于利用视觉识别算法检测物品图像,及在利用视觉识别算法确定物品检测合格时,利用目标检测算法检测物品图像。
上述实施方式的缺陷检测方法及缺陷检测装置100中,通过两个算法对物品图像进行互补检测,这样可降低缺陷检测的漏检率。
具体地,本申请实施方式的缺陷检测方法可应用于包括但不限于检测电子设备的显示屏缺陷、电子设备的外观缺陷、主板的外观缺陷等物品的缺陷。也就是说,本申请实施方式的物品图像包括但不限于电子设备的显示屏图像、电子设备的外观图像、主板的外观图像等。其中,电子设备包括但不限于手机、平板电脑、笔记本电脑、智能穿戴设备(如智能眼镜、智能手环、智能手表、智能头盔)、相机(如单反相机、无反相机)及相关附件等。
请参阅图3,缺陷检测装置100连接生产设备200,生产设备200的生产线用于生产本实施方式的物品,缺陷检测装置100用于检测生产线上的物品是否存在缺陷。
本实施方式中,目标检测算法可以理解为,依赖于样本学习的一种算法。目标检测算法是一种基于目标几何和统计特征的图像分割技术。由于各类物品有不同的外观、形状、姿态,或者物品成像时光照,遮挡等因素会存在不同,目标检测算法可对各类物品的特征进行分析学习,获取到物品的缺陷。物品的缺陷包括缺陷种类、缺陷形状、缺陷位置等。
本实施方式中,视觉识别算法,可以理解为,不依赖于样本学习的一种算法。
在上述的一个实施方式中,请参阅图1,有些缺陷对于目标检测算法来说是未知的缺陷,目标检测算法先前并没有学习过该缺陷,在通过目标检测算法识别不到该缺陷后,再通过视觉检测算法识别该缺陷,这样可以降低缺陷检测的漏检率。
在上述的另一个实施方式中,请参阅图2,在通过视觉检测算法识别物品是否存在一些比较明显的缺陷,在不存在明显的缺陷后,再通过目标检测算法进行检测,这样可以降低缺陷检测的漏检率。
需要说明的是,在以下的实施方式中,以图1所示的实施例进行展开阐述。图2所示的实施例的解释说明可参考图1所示的实施例的解释说明,在此不再详细展开。
本实施方式中,获取物品图像,可以是,直接上传物品图像至处理器10,或者缺陷检测装置100或生产设备200包括摄像头,由摄像头对物品进行拍照而获取物品图像,并使物品图像传至处理器10。
本实施方式中,目标检测算法是通过对与物品图像相关的样品图像训练而成。具体地,目标检测算法是通过对与物品图像相关的样品图像训练而成,可以理解为,检测物品与样品是属于同一类,获取样品对应的样品图像,对样品图像进行分析学习,得到训练样本,而训练样本包含有样本图像对应的缺陷类别。如此,这样可以匹配到与物品图像更接近的样品图像,从而可以提高物品的缺陷识别率。
本实施方式中,样品图像的数量为多个,请参阅图4,步骤S20包括:
步骤S22,获取多个样品图像对应的缺陷类别;
步骤S24,根据物品图像与缺陷类别确定物品是否检测合格。
本实施方式的缺陷检测方法可由本实施方式的缺陷检测装置100实现。其中,步骤S22及步骤S24可由处理器10实现。处理器10用于获取多个样品图像对应的缺陷类别,及根据物品图像与缺陷类别确定物品是否检测合格。
具体地,可以获取与物品图像相关的多个样品图像,利用样品图像训练目标检测算法,并获取到样品图像对应的缺陷类别。例如,在一个实施例中,物品图像为手机屏幕图像,多个样品图像为手机屏幕样品图像。利用样品图像训练目标检测算法,获取到的缺陷类别为点、线、团等缺陷。利用目标检测算法分析物品图像是否存在点、线、团等缺陷,以确定物品是否检测合格,在存在点、线、团等缺陷时,确定物品检测不合格,在不存在点、线、团等缺陷时,确定物品检测合格。如此,这样可以降低缺陷检测的漏检率。
本实施方式中,视觉识别算法包括灰度阈值范围和色差阈值范围中的至少一个,可以理解为,在一个实施例中,视觉识别算法包括灰度阈值范围。在另一个实施例中,视觉识别算法包括色差阈值范围。在又一个实施例中,视觉识别算法包括灰度阈值范围和色差阈值范围。
请参阅图5,步骤S30中,利用视觉识别算法检测物品图像,包括:
步骤S31,在利用目标检测算法确定物品检测合格时,获取物品图像的灰度阈值和物品图像的待测位置的当前灰度;
步骤S33,比较当前灰度和灰度阈值;
步骤S35,获取灰度比较结果并根据灰度比较结果确定物品是否检测合格。
请参阅图6,步骤S30中,利用视觉识别算法检测物品图像,包括:
步骤S32,在利用目标检测算法确定物品检测合格时,获取物品图像的色差阈值和物品图像的待测位置的当前色差;
步骤S34,比较当前色差和色差阈值;
步骤S36,获取色差比较结果并根据色差比较结果确定物品是否检测合格。
本实施方式的缺陷检测方法可由本实施方式的缺陷检测装置100实现。其中,步骤S31、步骤S33、步骤S35、步骤S32、步骤S34及步骤S36可由处理器10实现。处理器10用于在利用目标检测算法确定物品检测合格时,获取物品图像的灰度阈值和物品图像的待测位置的当前灰度,及比较当前灰度和灰度阈值,以及获取灰度比较结果并根据灰度比较结果确定物品是否检测合格。处理器10还用于获取物品图像的色差阈值和物品图像的待测位置的当前色差,及比较当前色差和色差阈值,以及获取色差比较结果并根据色差比较结果确定物品是否检测合格。
本实施方式中,请参阅图7,步骤S31中,获取物品图像的灰度阈值,包括:
步骤S311,计算物品图像的灰度均值和物品图像的灰度方差;
步骤S313,根据物品图像的灰度均值、物品图像的灰度方差和第一预设系数获取物品图像的灰度阈值。
本实施方式的缺陷检测方法可由本实施方式的缺陷检测装置100实现。其中,步骤S311及步骤S313可由处理器10实现。处理器10用于计算物品图像的灰度均值和物品图像的灰度方差,及根据物品图像的灰度均值、物品图像的灰度方差和第一预设系数获取物品图像的灰度阈值。如此,这样可以快速并准确地得到物品图像的灰度阈值。
本实施方式中,物品图像的灰度均值,可以理解为,将整个物品图像分割为多个图像区域,获取每一个图像区域的灰度,求和之后再取平均值,该平均值即为本实施方式的灰度均值。
物品图像的灰度方差,可以理解为,将整个物品图像分割为多个图像区域,获取每一个图像区域的灰度,对获取到多个灰度进行方差的计算,以得到本实施方式的物品图像的灰度方差。
物品图像的灰度阈值可以用以下公式表示:Threshold1=Mean1+a×var1,其中,Threshold1为灰度阈值,Mean1为灰度均值,var1为灰度方差,a为第一预设系数。其中,在一例子中,第一预设系数可为4.5。
本实施方式中,请参阅图8,步骤S32中,获取物品图像的色差阈值,包括:
步骤S322,计算物品图像的色差均值和物品图像的色差方差;
步骤S324,根据物品图像的色差均值、物品图像的色差方差和第二预设系数获取物品图像的色差阈值。
本实施方式的缺陷检测方法可由本实施方式的缺陷检测装置100实现。其中,步骤S322及步骤S324可由处理器10实现。处理器10用于计算物品图像的色差均值和物品图像的色差方差,及根据物品图像的色差均值、物品图像的色差方差和第二预设系数获取物品图像的色差阈值。如此,这样可以快速并准确地得到物品图像的色差阈值。
本实施方式中,物品图像的色差均值,可以理解为,将整个物品图像分割为多个图像区域,获取每一个图像区域的色差,求和之后再取平均值,该平均值即为本实施方式的色差均值。
物品图像的色差方差,可以理解为,将整个物品图像分割为多个图像区域,获取每一个图像区域的色差,对获取到多个色差进行方差的计算,以得到本实施方式的物品图像的色差方差。
物品图像的色差阈值可以用以下公式表示:Threshold2=Mean2+b×var2,其中,Threshold2为色差阈值,Mean2为色差均值,var2为色差方差,b为第二预设系数。其中,在一个例子中,第二预设系数可为11。
本实施方式中,待测位置可以理解为,将整个物品图像分割为多个图像区域,每一个图像区域作为一个待测位置。
本实施方式中,请参阅图9,步骤S35,包括:
步骤S351,在当前灰度大于灰度阈值时,确定物品检测不合格;
本实施方式中,请参阅图10,步骤S36,包括:
步骤S361,在当前色差大于色差阈值时,确定物品检测不合格。
本实施方式的缺陷检测方法可由本实施方式的缺陷检测装置100实现。其中,步骤S351及步骤S361可由处理器10实现。其中,处理器10用于在当前灰度大于灰度阈值时,确定物品检测不合格。处理器10还用于在当前色差大于色差阈值时,确定物品检测不合格。
具体地,在物品图像的待测位置的当前灰度大于灰度阈值时,说明此时,待测位置的亮度不良,也就是说,待测位置存在缺陷,从而确定该物品检测不合格。
在物品图像的待测位置的当前色差大于色差阈值时,说明此时,待测位置的色度不良,也就是说,待测位置存在缺陷,从而确定该物品检测不合格。
需要说明的是,在一个实施例中,同时检测物品图像的灰度和色差,那么,在当前灰度小于或等于灰度阈值时,且当前色差小于或等于色差阈值时,确定物品检测合格。在另一个实施例中,只检测物品图像的灰度,那么,在当前灰度小于或等于灰度阈值时,确定物品检测合格。在又一个实施例中,只检测物品图像的色差,那么,在当前色差小于或等于色差阈值时,确定物品检测合格。
在一个实施例中,物品为手机屏幕。获取到手机屏幕图像,将收集屏幕图像划分为多个区域,并获取每一个图像区域对应的灰度,计算手机屏幕的灰度均值和灰度方差,将灰度方差乘以第一预设系数,并加上灰度均值,得到灰度阈值。同时,获取整个手机屏幕每一个图像区域对应的色差,计算手机屏幕的色差均值和色差方差,将色差方差乘以第二预设系数,并加上色差均值,得到色差阈值。在手机屏幕的待测位置(待测的一个图像区域)的当前灰度大于灰度阈值时,说明此时,待测位置的亮度不良,也就是说,待测位置存在缺陷,从而确定该手机屏幕检测不合格。在手机屏幕的待测位置的当前色差大于色差阈值时,说明此时,待测位置的色度不良,也就是说,待测位置存在缺陷,从而确定该手机屏幕检测不合格。
本实施方式中,请参阅图11,在利用视觉识别算法确定物品检测不合格时,缺陷检测方法包括:
步骤S60,利用视觉识别算法所确定的检测不合格的物品图像训练目标检测算法。
本实施方式的缺陷检测方法可由本实施方式的缺陷检测装置100实现。其中,步骤S60可由处理器10实现。处理器10用于利用视觉识别算法所确定的检测不合格的物品图像训练目标检测算法。
具体地,通过上述视觉识别算法可以检测到目标检测算法无法检测到的缺陷,该缺陷是目标检测算法之前从没学习过的。因此,本实施方式中,在利用视觉识别算法所确定物品检测不合格时,可以保存该物品图像,从而利用该物品图像训练目标检测算法,也就是说,使得目标检测算法可以识别样品图像不存在的缺陷。
本实施方式中,请参阅图12,步骤S60,包括:
步骤S62,在视觉识别算法确定物品检测不合格时,上传并标记物品图像;
步骤S64,利用标记的物品图像训练目标检测算法。
本实施方式的缺陷检测方法可由本实施方式的缺陷检测装置100实现。其中,步骤S60可由处理器10实现。处理器10用于在视觉识别算法确定物品检测不合格时,上传并标记物品图像,及利用标记的物品图像训练目标检测算法。
具体地,在视觉识别算法确定物品检测不合格时,此时,将通过视觉识别算法识别出来具有缺陷的物品对应的物品图像上传给处理器10,对应该缺陷,目标检测算法从未处理过的,此时,处理器10可以对该物品图像进行标记,然后后续可以利用标记的物品图像训练目标检测算,也就是说,目标检测算可以学习到标记的物品图像对应的新的缺陷。如此,经过利用标记的物品图像训练目标检测算后,对出现标记的物品图像对应的同样缺陷时,目标检测算可以识别出来,从而检测物品不合格。如此,对于依赖训练样本来学习AI算法的工业检测领域,本实施方式有效的降低缺陷检测的漏检率。
在一个实施例中,通过目标检测算法获知的样品图像对应的缺陷为点、线、团的缺陷。该物品图像并没有出现点、线、团的缺陷,因此,利用目标检测算法确定物品检测合格。在进入视觉识别算法检测时,通过视觉识别算法获取到物品图像具有三角形缺陷。而之前通过目标检测算法可能会漏检的具有三角形缺陷的物品图像。因此,在此种情况下,本申请实施方式的处理器10则可以对通过视觉识别算法获取到具体三角形缺陷的物品图像进行标记,让目标检测算法重新学习新的缺陷(三角形缺陷),直到目标检测算法能够很好地识别新的缺陷(三角形缺陷)。
本实施方式中,请参阅图13,缺陷检测方法包括:
步骤S70:在利用目标检测算法确定物品检测不合格时,发出拦截物品的控制信号。
缺陷检测方法还包括:
步骤S80,在利用视觉识别算法确定物品检测不合格时,发出拦截物品的控制信号。
本实施方式的缺陷检测方法可由本实施方式的缺陷检测装置100实现。其中,步骤S70、步骤S80可由处理器10实现。处理器10用于在利用目标检测算法确定物品检测不合格时,发出拦截物品的控制信号。处理器10还用于在利用目标检测算法确定物品检测不合格时,发出拦截物品的控制信号。
具体地,本实施方式中,目标检测算法可以识别出学习过的缺陷的特征。在利用目标检测算法确定物品检测不合格时,说明物品存在目标检测算法学习过的缺陷的特征,此时,发出拦截物品的控制信号,也就是说,该控制信号可以控制生产设备200对物品进行拦截,有缺陷的物品不会进入下一道生产工序,从而可有效避免具有缺陷的物品进入下一工序。例如,生产设备200包括机械手,根据该控制信号,生产设备200利用机械手将检测不合格的物品从传输带上取下,放置到预设的工位。
本实施方式中,视觉识别算法可以识别目标检测算法没有学习过的缺陷的特征,也就是说,在产品出现一些严重的缺陷时,通过视觉识别算法可以检测出该缺陷时,发出拦截物品的控制信号,也就是说,控制物品不进入下一道生产工序,从而可有效避免具有缺陷的物品进入下一工序。
请参阅图14,本申请实施方式还提供一种计算机可读存储介质300。计算机可读存储介质300可与本申请实施方式的缺陷检测装置100相连接。计算机可读存储介质300存储有计算机程序。计算机程序被处理器10执行时实现上述任一实施方式的缺陷检测方法。
例如,请结合图1、图2和图14,计算机程序被处理器10执行时实现以下步骤:
步骤S10,获取物品图像;
步骤S20,利用目标检测算法检测物品图像;
步骤S30,在利用目标检测算法确定物品检测合格时,利用视觉识别算法检测物品图像;
或者,计算机程序被处理器10执行时实现以下步骤:
步骤S10,获取物品图像;
步骤S40,利用视觉识别算法检测物品图像;
步骤S50,在利用视觉识别算法确定物品检测合格时,利用目标检测算法检测物品图像。
在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施方式,可以理解的是,上述实施方式是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施方式进行变化、修改、替换和变型。
Claims (15)
1.一种缺陷检测方法,其特征在于,包括:
获取物品图像;
利用目标检测算法检测所述物品图像;
在利用所述目标检测算法确定所述物品检测合格时,利用视觉识别算法检测所述物品图像;
或
利用视觉识别算法检测所述物品图像;
在利用所述视觉识别算法确定所述物品检测合格时,利用目标检测算法检测所述物品图像;
利用视觉识别算法检测所述物品图像,包括以下至少一种:
获取所述物品图像的灰度阈值和所述物品图像的待测位置的当前灰度,并比较所述当前灰度和所述灰度阈值,获取灰度比较结果并根据所述灰度比较结果确定所述物品是否检测合格;
获取所述物品图像的色差阈值和所述物品图像的待测位置的当前色差,并比较所述当前色差和所述色差阈值,获取色差比较结果并根据所述色差比较结果确定所述物品是否检测合格;
获取所述物品图像的灰度阈值,包括:
计算所述物品图像的灰度均值和所述物品图像的灰度方差;
根据所述物品图像的灰度均值、所述物品图像的灰度方差和第一预设系数获取所述物品图像的灰度阈值;
获取所述物品图像的色差阈值,包括:
计算所述物品图像的色差均值和所述物品图像的色差方差;
根据所述物品图像的色差均值、所述物品图像的色差方差和第二预设系数获取所述物品图像的色差阈值。
2.根据权利要求1所述的缺陷检测方法,其特征在于,所述目标检测算法是通过对与所述物品图像相关的样品图像训练而成。
3.根据权利要求2所述的缺陷检测方法,其特征在于,所述样品图像的数量为多个,利用目标检测算法检测所述物品图像,包括:
获取多个所述样品图像对应的缺陷类别;
根据所述物品图像与所述缺陷类别确定所述物品是否检测合格。
4.根据权利要求1所述的缺陷检测方法,其特征在于,获取灰度比较结果并根据所述灰度比较结果确定所述物品是否检测合格,包括:
在所述当前灰度大于所述灰度阈值时,确定所述物品检测不合格;
获取色差比较结果并根据所述色差比较结果确定所述物品是否检测合格,包括:
在所述当前色差大于所述色差阈值时,确定所述物品检测不合格。
5.根据权利要求1所述的缺陷检测方法,其特征在于,在利用所述视觉识别算法确定所述物品检测不合格时,所述缺陷检测方法包括:
利用所述视觉识别算法所确定的检测不合格的所述物品图像训练所述目标检测算法。
6.根据权利要求5所述的缺陷检测方法,其特征在于,利用所述视觉识别算法所确定的检测不合格的所述物品图像训练所述目标检测算法,包括:
在利用所述视觉识别算法确定所述物品检测不合格时,上传并标记所述物品图像;
利用标记的所述物品图像训练所述目标检测算法。
7.根据权利要求1所述的缺陷检测方法,其特征在于,所述缺陷检测方法包括以下至少一种:
在利用所述目标检测算法确定所述物品检测不合格时,发出拦截所述物品的控制信号;
在利用所述视觉识别算法确定所述物品检测不合格时,发出拦截所述物品的控制信号。
8.一种缺陷检测装置,其特征在于,所述缺陷检测装置包括处理器,所述处理器用于:
获取物品图像;
利用目标检测算法检测所述物品图像;
在利用所述目标检测算法确定所述物品检测合格时,利用视觉识别算法检测所述物品图像;
或
利用视觉识别算法检测所述物品图像;
在利用所述视觉识别算法确定所述物品检测合格时,利用目标检测算法检测所述物品图像;
所述处理器用于:
获取所述物品图像的灰度阈值和所述物品图像的待测位置的当前灰度,并比较所述当前灰度和所述灰度阈值,获取灰度比较结果并根据所述灰度比较结果确定所述物品是否检测合格;
获取所述物品图像的色差阈值和所述物品图像的待测位置的当前色差,并比较所述当前色差和所述色差阈值,获取色差比较结果并根据所述色差比较结果确定所述物品是否检测合格;
计算所述物品图像的灰度均值和所述物品图像的灰度方差;
根据所述物品图像的灰度均值、所述物品图像的灰度方差和第一预设系数获取所述物品图像的灰度阈值;
计算所述物品图像的色差均值和所述物品图像的色差方差;
根据所述物品图像的色差均值、所述物品图像的色差方差和第二预设系数获取所述物品图像的色差阈值。
9.根据权利要求8所述的缺陷检测装置,其特征在于,所述目标检测算法是通过对与所述物品图像相关的样品图像训练而成。
10.根据权利要求9所述的缺陷检测装置,其特征在于,所述样品图像的数量为多个,所述处理器用于:
获取多个所述样品图像对应的缺陷类别;
根据所述物品图像与所述缺陷类别确定所述物品是否检测合格。
11.根据权利要求8所述的缺陷检测装置,其特征在于,所述处理器用于:
在所述当前灰度大于所述灰度阈值时,确定所述物品检测不合格;
在所述当前色差大于所述色差阈值时,确定所述物品检测不合格。
12.根据权利要求8所述的缺陷检测装置,其特征在于,所述处理器用于:
利用所述视觉识别算法所确定的检测不合格的所述物品图像训练所述目标检测算法。
13.根据权利要求12所述的缺陷检测装置,其特征在于,所述处理器用于:
在所述视觉识别算法确定所述物品检测不合格时,上传并标记所述物品图像;
利用标记的所述物品图像训练所述目标检测算法。
14.根据权利要求8所述的缺陷检测装置,其特征在于,所述处理器用于:
在利用所述目标检测算法确定所述物品检测不合格时,发出拦截所述物品的控制信号;
在利用所述视觉识别算法确定所述物品检测不合格时,发出拦截所述物品的控制信号。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任意一项所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010293623.8A CN111524107B (zh) | 2020-04-15 | 2020-04-15 | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010293623.8A CN111524107B (zh) | 2020-04-15 | 2020-04-15 | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524107A CN111524107A (zh) | 2020-08-11 |
CN111524107B true CN111524107B (zh) | 2023-02-28 |
Family
ID=71912014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010293623.8A Active CN111524107B (zh) | 2020-04-15 | 2020-04-15 | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524107B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313638A (zh) * | 2020-12-23 | 2021-08-27 | 深圳市杰恩世智能科技有限公司 | 一种外观缺陷检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590218A (zh) * | 2012-01-16 | 2012-07-18 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN106323600A (zh) * | 2016-08-31 | 2017-01-11 | 武汉精测电子技术股份有限公司 | 一种级联分布式aoi缺陷检测系统及其检测方法 |
CN107256551A (zh) * | 2017-06-13 | 2017-10-17 | 广州启煌科技有限公司 | 一种滤布缺陷破损检测的方法、存储介质及装置 |
CN109035232A (zh) * | 2018-07-24 | 2018-12-18 | 桂林电子科技大学 | 一种基于深度学习和机器视觉融合的夹片缺陷检测方法 |
CN109564632A (zh) * | 2017-05-24 | 2019-04-02 | 深圳配天智能技术研究院有限公司 | 一种视觉检测方法、设备、系统及具有存储功能的装置 |
CN109682820A (zh) * | 2018-11-05 | 2019-04-26 | 苏州佳智彩光电科技有限公司 | 一种显示屏的缺陷自动光学检测方法 |
CN110400306A (zh) * | 2019-07-29 | 2019-11-01 | 恒天嘉华非织造有限公司 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103512888B (zh) * | 2013-06-05 | 2015-11-11 | 北京化工大学 | 一种基于图像识别技术的烟包封条缺陷检测系统 |
CN110687119A (zh) * | 2018-07-04 | 2020-01-14 | 东腾投资集团有限公司 | 一种缺陷检测方法、系统与装置、计算机可读存储介质 |
-
2020
- 2020-04-15 CN CN202010293623.8A patent/CN111524107B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590218A (zh) * | 2012-01-16 | 2012-07-18 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
CN104318556A (zh) * | 2014-10-16 | 2015-01-28 | 东北大学 | 一种油污干扰下的硅钢板表面缺陷图像检测方法 |
CN106323600A (zh) * | 2016-08-31 | 2017-01-11 | 武汉精测电子技术股份有限公司 | 一种级联分布式aoi缺陷检测系统及其检测方法 |
CN109564632A (zh) * | 2017-05-24 | 2019-04-02 | 深圳配天智能技术研究院有限公司 | 一种视觉检测方法、设备、系统及具有存储功能的装置 |
CN107256551A (zh) * | 2017-06-13 | 2017-10-17 | 广州启煌科技有限公司 | 一种滤布缺陷破损检测的方法、存储介质及装置 |
CN109035232A (zh) * | 2018-07-24 | 2018-12-18 | 桂林电子科技大学 | 一种基于深度学习和机器视觉融合的夹片缺陷检测方法 |
CN109682820A (zh) * | 2018-11-05 | 2019-04-26 | 苏州佳智彩光电科技有限公司 | 一种显示屏的缺陷自动光学检测方法 |
CN110400306A (zh) * | 2019-07-29 | 2019-11-01 | 恒天嘉华非织造有限公司 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
Defect Detection of Rail Surface with Deep Convolutional Neural Networks;Zhicong Liang et al.;《2018 13th World Congress on Intelligent Control and Automation (WCICA)》;20190131;第1317-1322页 * |
SMT patch defect detection algorithm based on prior information of image;Zhang Gan et al.;《2017 First International Conference on Electronics Instrumentation & Information Systems (EIIS)》;20180222;第1-6页 * |
基于机器视觉的工业品色差检测系统;黄虎;《兵工自动化》;20100715;第29卷(第7期);第78-80页 * |
晶圆表面缺陷视觉检测研究;郭毅强;《中国优秀高级论文全文数据库(信息科技辑)》;20200215;I135-162 * |
Also Published As
Publication number | Publication date |
---|---|
CN111524107A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111246204B (zh) | 一种基于相对亮度偏差的脏污检测方法和装置 | |
US9683943B2 (en) | Inspection apparatus, inspection method, and program | |
CN106097361B (zh) | 一种缺陷区域检测方法及装置 | |
CN111970506B (zh) | 镜头脏污检测方法、装置和设备 | |
CN102253048B (zh) | 可用于多种产品检测的机器视觉检测方法及系统 | |
KR100805486B1 (ko) | 디스플레이의 다각도 계측 시스템 및 방법 | |
CN113706495B (zh) | 一种在传送带上自动检测锂电池参数的机器视觉检测系统 | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN110018172B (zh) | 产品检测系统及方法 | |
CN112767366A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN109741307A (zh) | 摄像模组的杂光检测方法、杂光检测装置及杂光检测系统 | |
CN108520514A (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
US20220067514A1 (en) | Inference apparatus, method, non-transitory computer readable medium and learning apparatus | |
CN111524107B (zh) | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN116337412A (zh) | 屏幕检测方法、设备及存储介质 | |
CN109712115B (zh) | 一种pcb板自动检测方法及系统 | |
CN108198226B (zh) | 一种陶瓷颜色识别方法、电子设备、存储介质及装置 | |
CN111582332B (zh) | 一种高速铁路接触网吊弦部件的图片识别方法 | |
CN116091506B (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN116681677A (zh) | 一种锂电池缺陷检测方法、装置及系统 | |
CN115564723A (zh) | 一种晶圆缺陷检测方法及应用 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
CN109635684A (zh) | 一种食品追溯系统 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 |
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 |