CN111553913A - 基于多通道特征的工业颗粒连片制品图像切割方法、装置 - Google Patents

基于多通道特征的工业颗粒连片制品图像切割方法、装置 Download PDF

Info

Publication number
CN111553913A
CN111553913A CN202010380866.5A CN202010380866A CN111553913A CN 111553913 A CN111553913 A CN 111553913A CN 202010380866 A CN202010380866 A CN 202010380866A CN 111553913 A CN111553913 A CN 111553913A
Authority
CN
China
Prior art keywords
image
characteristic
channel
channels
feature map
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
Application number
CN202010380866.5A
Other languages
English (en)
Inventor
别晓辉
张哲�
别伟成
单书畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shirui Hangzhou Information Technology Co ltd
Original Assignee
Shirui Hangzhou Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shirui Hangzhou Information Technology Co ltd filed Critical Shirui Hangzhou Information Technology Co ltd
Priority to CN202010380866.5A priority Critical patent/CN111553913A/zh
Publication of CN111553913A publication Critical patent/CN111553913A/zh
Priority to CN202110462737.5A priority patent/CN112991340A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于多通道特征的工业颗粒连片制品图像切割方法、装置。所述方法包括：获取待分割工业颗粒连片制品图像；根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；判断是否存在前景像素占比大于阈值的所述通道的特征图；如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。采用本方法能够对多种型号的颗粒自适应的进行切割，提高了切割的准确性。

Description

基于多通道特征的工业颗粒连片制品图像切割方法、装置
技术领域
本申请涉及图像处理技术领域，特别是涉及一种基于多通道特征的工业颗粒连片制品图像切割方法、装置。
背景技术
在生产线生产的工业颗粒连片制品，是将多个颗粒连成一片生产出来连片制品，例如，LED封装芯片的封装连片。LED也称发光二极管，是一种能够将电能转化为可见光的半导体材料芯片，因为其易用性，LED已经广泛应用于市场当中，例如手机屏幕、电视屏幕、建筑照明等等。在LED制作屏幕或者其它产品时，需要对产品的LED进行生产质量检测。传统的LED产品检验基本都是靠人工来分拣的，这样不仅耗时，而且人力成本也很高。现有通过图像来进行LED的产品质量检测，由于一张图像包含多个LED的图像，在通过图像检测的过程中，通过灰度图对每个LED的图像分割出来逐个检测。
然而，现有的LED型号复杂多变，仅靠传统的灰度图来分离LED的图像或者通过模板匹配的方式分离LED的图像，难以满足多种LED型号的需求，导致LED图像切割的准确率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高多种型号LED的分割准确率的基于多通道特征的LED图像切割方法、装置、计算机设备和存储介质。
一种基于多通道特征的工业颗粒连片制品图像切割方法，所述方法包括：
获取待分割工业颗粒连片制品图像；
根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；
判断是否存在前景像素占比大于阈值的所述通道的特征图；
如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图，包括：获取所述待分割工业颗粒连片制品图像的RGB值；根据所述RGB值计算所述待分割工业颗粒连片制品图像的HSV值；根据所述HSV值将所述待分割工业颗粒连片制品图像分割成色调、饱和度和明度三个通道的特征图。
在其中一个实施例中，在判断是否存在前景像素占比大于阈值的所述通道的特征图之前，包括：将每个所述通道的特征图进行二值化，获得二值化特征图；对所述二值化特征图进行轮廓检测，获得目标前景图像；将所述目标前景图像中比例最大的像素作为所述前景像素；计算所述前景像素在所述二值化特征图中的占比。
在其中一个实施例中，所述如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像，包括：如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行二值化，获得二值化特征图；将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述基于多通道特征的工业颗粒连片制品图像切割方法还包括：如果不存在前景像素占比大于阈值的所述通道的特征图，将多个通道的特征图加权融合，获得融合特征图；将所述融合特征图进行二值化，获得二值化特征图；将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述多个通道的特征图包括色调、饱和度和明度三个通道的特征图；所述如果不存在前景像素占比大于阈值的所述通道的特征图，将所述多个通道的特征图加权融合，获得融合特征图包括：如果不存在前景像素占比大于阈值的所述通道的特征图，对所述色调、饱和度和明度三个通道的特征图分别设置对应的权值；根据所述权值对所述色调、饱和度和明度三个通道的特征图中每个像素进行加权融合，获得融合特征图。
一种基于多通道特征的工业颗粒连片制品图像切割装置，所述装置包括：
图像获取模块，用于获取待分割工业颗粒连片制品图像；
特征图提取模块，用于根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；
判断模块，用于判断是否存在前景像素占比大于阈值的所述通道的特征图；
颗粒切割图像获取模块，用于如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述特征图提取模块包括：RGB值获取单元，用于获取所述待分割工业颗粒连片制品图像的RGB值；HSV值计算单元，用于根据所述RGB值计算所述待分割工业颗粒连片制品图像的HSV值；分割单元，用于根据所述HSV值将所述待分割工业颗粒连片制品图像分割成色调、饱和度和明度三个通道的特征图。
在其中一个实施例中，所述基于多通道特征的工业颗粒连片制品图像切割装置还包括：二值化模块，用于将每个所述通道的特征图进行二值化，获得二值化特征图；轮廓检测模块，用于对所述二值化特征图进行轮廓检测，获得目标前景图像；前景像素确定模块，用于将所述目标前景图像中比例最大的像素作为所述前景像素；占比计算模块，用于计算所述前景像素在所述二值化特征图中的占比。
在其中一个实施例中，颗粒切割图像获取模块包括：二值化特征图获取单元，用于如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行二值化，获得二值化特征图；颗粒切割图像获取单元，用于将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述基于多通道特征的工业颗粒连片制品图像切割装置还包括：融合特征图获取模块，用于如果不存在前景像素占比大于阈值的所述通道的特征图，将多个通道的特征图加权融合，获得融合特征图；二值化特征图获取模块，用于将所述融合特征图进行二值化，获得二值化特征图；轮廓检测模块，用于将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述多个通道的特征图包括色调、饱和度和明度三个通道的特征图。所述融合特征图获取模块包括：权值设置单元，用于如果不存在前景像素占比大于阈值的所述通道的特征图，对所述色调、饱和度和明度三个通道的特征图分别设置对应的权值；加权融合单元，用于根据所述权值对所述色调、饱和度和明度三个通道的特征图中每个像素进行加权融合，获得融合特征图。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待分割工业颗粒连片制品图像；
根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；
判断是否存在前景像素占比大于阈值的所述通道的特征图；
如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
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以下步骤：
获取待分割工业颗粒连片制品图像；
根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；
判断是否存在前景像素占比大于阈值的所述通道的特征图；
如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
上述基于多通道特征的工业颗粒连片制品图像切割方法、装置、计算机设备和存储介质，通过对待分割工业颗粒连片制品图像提取多个通道的特征图，并根据前景像素占比大于阈值的所述通道的特征图来进行轮廓提取，最终获得颗粒切割图像，能够适用于对各种型号和形状的颗粒进行切割，提高颗粒切割图像分割的准确性。
附图说明
图1为一个实施例中基于多通道特征的工业颗粒连片制品图像切割方法的应用环境图；
图2为一个实施例中基于多通道特征的工业颗粒连片制品图像切割方法的流程示意图；
图3为一个实施例中多个通道的特征图加权融合步骤的流程示意图；
图4为一个实施例中待分割LED图像和色调、饱和度、明度三个通道的特征图；
图5为一个实施例中待分割晶能LED 1313电极面图像、三个通道的特征图、二值化图像和晶能LED 1313切割图像；
图6为一个实施例中基于多通道特征的工业颗粒连片制品图像切割装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于多通道特征的工业颗粒连片制品图像切割方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102采集待分割工业颗粒连片制品图像，终端102将待分割工业颗粒连片制品图像发送至服务器104；服务器104接收待分割工业颗粒连片制品图像；根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；判断是否存在前景像素占比大于阈值的所述通道的特征图；如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。其中，终端102可以但不限于是各种工业相机、带有摄像头的图像采集设备，服务器104可以用个人计算机、独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于多通道特征的工业颗粒连片制品图像切割方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S110，获取待分割工业颗粒连片制品图像。
其中，工业颗粒连片制品图像为根据工业颗粒连片制品拍摄的图像。其中，工业颗粒连片制品包括通过LED封装芯片或者晶圆封装芯片的连片，本实施例中所述颗粒可为LED封装芯片或晶圆封装芯片。
S120，根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图。
其中，多个通道的特征图包括HSV(Hue、Saturation、Value，色调、饱和度、明度)三通道的特征图、HSI(Hue、Saturation、Intensity，色调、饱和度、亮度)三通道的特征图、LAB(Hue、Saturation、Value，色相、饱和度、色明度)等。待分割工业颗粒连片制品图像为RGB颜色空间的图像，可将其转换到HSV颜色空间的图像或者HSI颜色空间的图像，即将RGB颜色空间的图像转换为色调、饱和度和明度三个通道的特征图，或者将RGB颜色空间的图像转换为色调、饱和度和亮度三个通道的特征图。例如，如图4所示，图4(a)为LED封装芯片的连片的RGB图像(此处已经处理成灰度图)，图4(b)、图4(c)和图4(d)分别为色调、饱和度和明度三个通道的特征图。又例如，如图5所示，图5(a)为晶能LED 1313电极面的RGB图像(此处已经处理成灰度图)，图5(b)、图5(c)和图5(d)分别为色调、饱和度和明度三个通道的特征图。
S130，判断是否存在前景像素占比大于阈值的所述通道的特征图。
其中，待分割工业颗粒连片制品图像包括颗粒图像和背景图像，前景像素为颗粒图像的像素。每个通道的特征图的前景像素占比，可以根据前景像素的个数与所述通道的特征图的所有像素的个数进行计算。例如，多个通道的特征图为色调、饱和度和明度三个通道的特征图，分别计算色调、饱和度和明度的特征图的前景像素占比，如色调的特征图的前景像素个数为M1，色调的特征图的总像素个数为M，则色调的特征图的前景像素占比为M1/M。
具体的，对多个通道的特征图分别进行前景像素占比大于阈值的判断，只要其中一个通道的特征图的前景像素占比大于阈值，则满足判断条件。其中，阈值根据经验进行设定，并且对于不同型号的颗粒按照其在待分割工业颗粒连片制品排列间隔，设定的阈值不同。例如，颗粒图像在待分割工业颗粒连片制品图像的占比为80％，但是可能会存在百分之五的坏损颗粒，则阈值最高可设为76％，考虑拍摄待分割工业颗粒连片制品图像时存在拍摄抖动或者光照影响，处理好颗粒图像中会出现黑点，因此阈值设置范围可为70％-76％。
S140，如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
其中，轮廓检测可采用Roberts算子、Sobel算子或者Prewitt算子进行检测，对于轮廓检测所采用的方法不作限定。颗粒切割图像为切割出来的颗粒图像，如图5所示，黑色矩形包围的区域为颗粒切割图像。
上述基于多通道特征的工业颗粒连片制品图像切割方法中，通过对待分割工业颗粒连片制品图像提取多个通道的特征图，并根据前景像素占比大于阈值的所述通道的特征图来进行轮廓提取，最终获得颗粒切割图像，能够适用于对各种型号和形状的颗粒进行切割，提高颗粒切割图像分割的准确性。
在其中一个实施例中，所述根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图，包括：获取所述待分割工业颗粒连片制品图像的RGB值；根据所述RGB值计算所述待分割工业颗粒连片制品图像的HSV值；根据所述HSV值将所述待分割工业颗粒连片制品图像分割成色调、饱和度和明度三个通道的特征图。
例如，如图4所示，图4(a)为LED封装芯片的连片的RGB图像(此处已经处理成灰度图)，图4(b)、图4(c)和图4(d)分别为色调、饱和度和明度三个通道的特征图。又例如，如图5所示，图5(a)为晶能LED 1313电极面的RGB图像(此处已经处理成灰度图)，图5(b)、图5(c)和图5(d)分别为色调、饱和度和明度三个通道的特征图。
在其中一个实施例中，在判断是否存在前景像素占比大于阈值的所述通道的特征图之前，包括：将每个所述通道的特征图进行二值化，获得二值化特征图；对所述二值化特征图进行轮廓检测，获得目标前景图像；将所述目标前景图像中比例最大的像素作为所述前景像素；计算所述前景像素在所述二值化特征图中的占比。
其中，对于每个通道的特征图可以采用如下公式进行二值化：
Figure BDA0002481925720000071
其中，T(r)为二值化特征图的像素值，F为某一通道的特征图的像素值，r为设定的处理阈值。其中，对所述二值化特征图进行轮廓检测，所使用的轮廓检测算法包括Roberts算子、Sobel算子或者Prewitt算子等。目标前景图像对应为颗粒图像的区域。其中，目标前景图像也为黑白二值图像，一般将前景图像处理为白色区域，背景图像处理为黑色区域，此处将白色部分的像素作为前景像素。
在其中一个实施例中，所述如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像，包括：如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行二值化，获得二值化特征图；将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，如图3所示，所述基于多通道特征的工业颗粒连片制品图像切割方法，包括：S150，如果不存在前景像素占比大于阈值的所述通道的特征图，将多个通道的特征图加权融合，获得融合特征图；S160，将所述融合特征图进行二值化，获得二值化特征图；S170，将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
其中，加权融合是指将所述多个通道的特征图对应位置像素的像素值加权融合。融合特征图集齐了多个通道的特征图的特征。例如，如图5所示，图5(e)为选取的单个通道的特征图进行二值化的图像，可以看出颗粒图像区域(白色区域)内存在许多黑点，导致颗粒图像的边界模糊，在进行颗粒图像分割时分割效果差，图5(f)为多个通道的特征图加权融合后获得的二值化特征图，边界清晰，通过图5(f)的二值化特征图进行轮廓检测后，获得颗粒切割图像(如图5(g)所示)。本实施例能够满足在单个特征不明显时，通过多个通道的特征图加权融合后能够很好的将颗粒切割图像分割出来。
在其中一个实施例中，所述多个通道的特征图包括色调、饱和度和明度三个通道的特征图。所述如果不存在前景像素占比大于阈值的所述通道的特征图，将所述多个通道的特征图加权融合，获得融合特征图包括：如果不存在前景像素占比大于阈值的所述通道的特征图，对所述色调、饱和度和明度三个通道的特征图分别设置对应的权值；根据所述权值对所述色调、饱和度和明度三个通道的特征图中每个像素进行加权融合，获得融合特征图。
其中，加权融合公式为：
G＝α1*H+α2*S+α3*V
其中，G为融合特征图中像素的像素值，H、S、V分别为色调、饱和度和明度三个通道的特征图对应位置像素的像素值，α1、α2、α3分别为色调、饱和度和明度三个通道的特征图的权值。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种基于多通道特征的工业颗粒连片制品图像切割装置，包括：图像获取模块210、特征图提取模块220、判断模块230和颗粒切割图像获取模块240，其中：
图像获取模块210，用于获取待分割工业颗粒连片制品图像。
特征图提取模块220，用于根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图。
判断模块230，用于判断是否存在前景像素占比大于阈值的所述通道的特征图。
颗粒切割图像获取模块240，用于如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述特征图提取模块220包括：RGB值获取单元，用于获取所述待分割工业颗粒连片制品图像的RGB值；HSV值计算单元，用于根据所述RGB值计算所述待分割工业颗粒连片制品图像的HSV值；分割单元，用于根据所述HSV值将所述待分割工业颗粒连片制品图像分割成色调、饱和度和明度三个通道的特征图。
在其中一个实施例中，所述基于多通道特征的工业颗粒连片制品图像切割装置还包括：二值化模块，用于将每个所述通道的特征图进行二值化，获得二值化特征图；轮廓检测模块，用于对所述二值化特征图进行轮廓检测，获得目标前景图像；前景像素确定模块，用于将所述目标前景图像中比例最大的像素作为所述前景像素；占比计算模块，用于计算所述前景像素在所述二值化特征图中的占比。
在其中一个实施例中，颗粒切割图像获取模块240包括：二值化特征图获取单元，用于如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行二值化，获得二值化特征图；颗粒切割图像获取单元，用于将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述基于多通道特征的工业颗粒连片制品图像切割装置还包括：融合特征图获取模块，用于如果不存在前景像素占比大于阈值的所述通道的特征图，将多个通道的特征图加权融合，获得融合特征图；二值化特征图获取模块，用于将所述融合特征图进行二值化，获得二值化特征图；轮廓检测模块，用于将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
在其中一个实施例中，所述多个通道的特征图包括色调、饱和度和明度三个通道的特征图。所述融合特征图获取模块包括：权值设置单元，用于如果不存在前景像素占比大于阈值的所述通道的特征图，对所述色调、饱和度和明度三个通道的特征图分别设置对应的权值；加权融合单元，用于根据所述权值对所述色调、饱和度和明度三个通道的特征图中每个像素进行加权融合，获得融合特征图。
关于基于多通道特征的工业颗粒连片制品图像切割装置的具体限定可以参见上文中对于基于多通道特征的工业颗粒连片制品图像切割方法的限定，在此不再赘述。上述基于多通道特征的工业颗粒连片制品图像切割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待分割工业颗粒连片制品图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多通道特征的工业颗粒连片制品图像切割方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待分割工业颗粒连片制品图像；
根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；
判断是否存在前景像素占比大于阈值的所述通道的特征图；
如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将每个所述通道的特征图进行二值化，获得二值化特征图；对所述二值化特征图进行轮廓检测，获得目标前景图像；将所述目标前景图像中比例最大的像素作为所述前景像素；计算所述前景像素在所述二值化特征图中的占比。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：如果不存在前景像素占比大于阈值的所述通道的特征图，将多个通道的特征图加权融合，获得融合特征图；将所述融合特征图进行二值化，获得二值化特征图；将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分割工业颗粒连片制品图像；
根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；
判断是否存在前景像素占比大于阈值的所述通道的特征图；
如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将每个所述通道的特征图进行二值化，获得二值化特征图；对所述二值化特征图进行轮廓检测，获得目标前景图像；将所述目标前景图像中比例最大的像素作为所述前景像素；计算所述前景像素在所述二值化特征图中的占比。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：如果不存在前景像素占比大于阈值的所述通道的特征图，将多个通道的特征图加权融合，获得融合特征图；将所述融合特征图进行二值化，获得二值化特征图；将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于多通道特征的工业颗粒连片制品图像切割方法，其特征在于，所述方法包括：
获取待分割工业颗粒连片制品图像；
根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；
判断是否存在前景像素占比大于阈值的所述通道的特征图；
如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图，包括：
获取所述待分割工业颗粒连片制品图像的RGB值；
根据所述RGB值计算所述待分割工业颗粒连片制品图像的HSV值；
根据所述HSV值将所述待分割工业颗粒连片制品图像分割成色调、饱和度和明度三个通道的特征图。
3.根据权利要求1所述的方法，其特征在于，在判断是否存在前景像素占比大于阈值的所述通道的特征图之前，包括：
将每个所述通道的特征图进行二值化，获得二值化特征图；
对所述二值化特征图进行轮廓检测，获得目标前景图像；
将所述目标前景图像中比例最大的像素作为所述前景像素；
计算所述前景像素在所述二值化特征图中的占比。
4.根据权利要求1所述的方法，其特征在于，所述如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像，包括：
如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行二值化，获得二值化特征图；
将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
5.根据权利要求1所述的方法，其特征在于，还包括：
如果不存在前景像素占比大于阈值的所述通道的特征图，将多个通道的特征图加权融合，获得融合特征图；
将所述融合特征图进行二值化，获得二值化特征图；
将所述二值化特征图进行轮廓检测，获得颗粒切割图像。
6.根据权利要求5所述的方法，其特征在于，所述多个通道的特征图包括色调、饱和度和明度三个通道的特征图；
所述如果不存在前景像素占比大于阈值的所述通道的特征图，将所述多个通道的特征图加权融合，获得融合特征图包括：
如果不存在前景像素占比大于阈值的所述通道的特征图，对所述色调、饱和度和明度三个通道的特征图分别设置对应的权值；
根据所述权值对所述色调、饱和度和明度三个通道的特征图中每个像素进行加权融合，获得融合特征图。
7.一种基于多通道特征的工业颗粒连片制品图像切割装置，其特征在于，所述装置包括：
图像获取模块，用于获取待分割工业颗粒连片制品图像；
特征图提取模块，用于根据所述待分割工业颗粒连片制品图像，提取多个通道的特征图；
判断模块，用于判断是否存在前景像素占比大于阈值的所述通道的特征图；
颗粒切割图像获取模块，用于如果存在前景像素占比大于阈值的所述通道的特征图，则将所述通道的特征图进行轮廓检测，获得颗粒切割图像。
8.根据权利要求7所述的装置，其特征在于，所述特征图提取模块包括：
RGB值获取单元，用于获取所述待分割工业颗粒连片制品图像的RGB值；
HSV值计算单元，用于根据所述RGB值计算所述待分割工业颗粒连片制品图像的HSV值；
分割单元，用于根据所述HSV值将所述待分割工业颗粒连片制品图像分割成色调、饱和度和明度三个通道的特征图。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一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至6中任一项所述的方法的步骤。
CN202010380866.5A 2020-05-08 2020-05-08 基于多通道特征的工业颗粒连片制品图像切割方法、装置 Pending CN111553913A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010380866.5A CN111553913A (zh) 2020-05-08 2020-05-08 基于多通道特征的工业颗粒连片制品图像切割方法、装置
CN202110462737.5A CN112991340A (zh) 2020-05-08 2021-04-28 基于多通道特征的工业颗粒连片制品图像切割方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010380866.5A CN111553913A (zh) 2020-05-08 2020-05-08 基于多通道特征的工业颗粒连片制品图像切割方法、装置

Publications (1)

Publication Number Publication Date
CN111553913A true CN111553913A (zh) 2020-08-18

Family

ID=72006091

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010380866.5A Pending CN111553913A (zh) 2020-05-08 2020-05-08 基于多通道特征的工业颗粒连片制品图像切割方法、装置
CN202110462737.5A Pending CN112991340A (zh) 2020-05-08 2021-04-28 基于多通道特征的工业颗粒连片制品图像切割方法、装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110462737.5A Pending CN112991340A (zh) 2020-05-08 2021-04-28 基于多通道特征的工业颗粒连片制品图像切割方法、装置

Country Status (1)

Country Link
CN (2) CN111553913A (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005057B (zh) * 2010-11-17 2012-07-25 中国科学院声学研究所 一种检测彩色图像的感兴趣区域的方法
CN104574389A (zh) * 2014-12-26 2015-04-29 康奋威科技（杭州）有限公司 基于彩色机器视觉的电池片色差分选控制方法
CN107945184B (zh) * 2017-11-21 2020-10-09 安徽工业大学 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法
CN109829914B (zh) * 2019-02-26 2021-09-03 视睿（杭州）信息科技有限公司 检测产品缺陷的方法和装置
CN109870463B (zh) * 2019-04-09 2020-01-14 深圳市阿赛姆电子有限公司 一种电子芯片故障检测装置
CN110349125A (zh) * 2019-06-17 2019-10-18 武汉大学 一种基于机器视觉的led芯片外观缺陷检测方法及系统
CN110544235B (zh) * 2019-07-31 2022-12-16 华南理工大学 一种基于微分几何的柔性电路板图像区域识别方法

Also Published As

Publication number Publication date
CN112991340A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
JP4643715B2 (ja) 赤目ではない目の閃光による不良の自動的な検知および補正
US10521885B2 (en) Image processing device and image processing method
US8406554B1 (en) Image binarization based on grey membership parameters of pixels
US9268993B2 (en) Real-time face detection using combinations of local and global features
CN108875619B (zh) 视频处理方法和装置、电子设备、计算机可读存储介质
US20130028520A1 (en) Image processing device identifying attribute of region included in image
US20200250840A1 (en) Shadow detection method and system for surveillance video image, and shadow removing method
WO2015070723A1 (zh) 眼部图像处理方法和装置
JP2016505186A (ja) エッジ保存・ノイズ抑制機能を有するイメージプロセッサ
CN108431751B (zh) 背景去除
CN110717865B (zh) 图片检测方法及装置
KR101549495B1 (ko) 문자 추출 장치 및 그 방법
CN112001853A (zh) 图像处理设备、图像处理方法、摄像设备和存储介质
CN117522869B (zh) 图像处理方法和缺陷检测方法、系统、电子设备
US9235773B2 (en) Image processing device capable of determining types of images accurately
US9235882B2 (en) Method for detecting existence of dust spots in digital images based on locally adaptive thresholding
CN112802015A (zh) 基于模板匹配的工业颗粒连片制品图像切割方法、装置
CN109716355B (zh) 微粒边界识别
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN107424134B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
US11082613B2 (en) Image adjusting method and image adjusting device
CN111553913A (zh) 基于多通道特征的工业颗粒连片制品图像切割方法、装置
KR101753101B1 (ko) 컬러영상에서 Mean-Shift 군집화와 단계별 병합 방법을 이용한 자동 원료 선별 방법 및 장치
KR20030091471A (ko) ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법
Funt et al. Removing outliers in illumination estimation

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: 20200818

WD01 Invention patent application deemed withdrawn after publication