CN111882537B - 视觉检测方法及系统 - Google Patents
视觉检测方法及系统 Download PDFInfo
- Publication number
- CN111882537B CN111882537B CN202010737102.7A CN202010737102A CN111882537B CN 111882537 B CN111882537 B CN 111882537B CN 202010737102 A CN202010737102 A CN 202010737102A CN 111882537 B CN111882537 B CN 111882537B
- Authority
- CN
- China
- Prior art keywords
- image
- judging
- target
- product
- pixel
- 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
- 238000001514 detection method Methods 0.000 title abstract description 21
- 230000000007 visual effect Effects 0.000 title abstract description 11
- 230000007547 defect Effects 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims description 21
- 238000011179 visual inspection Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000002950 deficient Effects 0.000 claims description 8
- 235000002566 Capsicum Nutrition 0.000 claims description 5
- 239000006002 Pepper Substances 0.000 claims description 5
- 235000016761 Piper aduncum Nutrition 0.000 claims description 5
- 235000017804 Piper guineense Nutrition 0.000 claims description 5
- 235000008184 Piper nigrum Nutrition 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 150000003839 salts Chemical class 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000007689 inspection Methods 0.000 description 5
- 241000722363 Piper Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T7/10—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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种视觉检测方法及系统,其中,视觉检测方法包括:获取产品图像;从产品图像中提取出目标图像,目标图像包括:前景子图像和背景子图像;对目标图像进行取反操作,得到取反图像,目标图像的前景子图像为取反图像的背景子图像,目标图像的背景子图像为取反图像的前景子图像;消除取反图像中的背景子图像,得到第一判定图像;对第一判定图像进行均值滤波处理,得到第二判定图像;根据第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值,判断目标图像是否存在缺陷区域。本发明能够自动地从产品的产品图像中判断产品上的目标区域是否存在缺陷,检测效率高、自动化程度高、省时省力。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种视觉检测方法及系统。
背景技术
随着人们生活水平的不断提高,人们对产品的生产质量提出了更高的要求。因此,厂家也越来越重视产品表面的质量。特别是,注重产品附带的铭牌表面是否存在缺陷。
目前,铭牌检测都是通过质检员来检测,须用“外观检查基准”的卡片尺与“异物基准”的卡片来判定铭牌表面是否存在缺陷。而该类检测方法需要质检员时刻保持注意力与专注度,且需眼睛长时间处于强光照明环境中。在如此高强度的工作环境下,工作时间长了容易导致质检人员疲劳,影响铭牌表面异物缺陷的判断,且该类检测方法检测效率低下,检测成本高。
发明内容
为解决上述问题,本发明提供的视觉检测方法及系统,通过对产品进行拍照获取产品图像,并对产品图像进行判断,以确定目标图像中是否存在缺陷,检测效率高、自动化程度高、省时省力。
第一方面,本发明提供一种视觉检测方法,包括:
获取产品图像,所述产品图像中包含有目标图像;
从所述产品图像中提取出所述目标图像,所述目标图像包括:前景子图像和背景子图像;
对所述目标图像进行取反操作,得到取反图像,所述目标图像的前景子图像为所述取反图像的背景子图像,所述目标图像的背景子图像为所述取反图像的前景子图像;
消除所述取反图像中的背景子图像,得到第一判定图像;
对所述第一判定图像进行均值滤波处理,得到第二判定图像;
根据所述第一判定图像的像素的灰度值与所述第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域。
可选地,所述从所述产品图像中提取出所述目标图像,包括:
对所述产品图像进行灰度线性变换,以增强目标图像相对产品图像中其他区域的取向的对比度;
对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域;
从多个连通区域中,确定与目标图像对应的连通区域,并对与目标图像对应的连通区域进行闭运算,以得到目标区域;
根据所述目标区域,从所述产品图像中裁剪出所述目标图像。
可选地,在所述对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域之后,所述方法还包括:
去除至少一个所述多个连通区域中的背景干扰噪声点。
可选地,在所述消除取反图像中的背景子图像,得到第一判定图像之前,所述方法还包括:
去除取反图像中的背景子图像的椒盐噪声。
可选地,所述消除取反图像中的背景子图像,得到第一判定图像,包括:
对所述取反图像先进行灰度腐蚀的操作,然后进行灰度开运算的操作,以消除取反图像中的背景子图像,得到第一判定图像。
可选地,所述根据所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域,包括:
当所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值小于或等于指定阈值,且所述第一判定图像的像素的灰度值在预设的灰度值范围内时,判定所述第一判定图像的像素对应的产品图像相应像素的区域为缺陷区域。
第二方面,本发明提供一种视觉检测系统,包括:
获取模块,被配置为获取产品图像,所述产品图像中包含有目标图像;
提取模块,被配置为从所述产品图像中提取出所述目标图像,所述目标图像包括:前景子图像和背景子图像;
取反模块,被配置为对所述目标图像进行取反操作,得到取反图像,所述目标图像的前景子图像为所述取反图像的背景子图像,所述目标图像的背景子图像为所述取反图像的前景子图像;
消除模块,被配置为消除所述取反图像中的背景子图像,得到第一判定图像;
滤波模块,被配置为对所述第一判定图像进行均值滤波处理,得到第二判定图像;
判断模块,被配置为根据所述第一判定图像的像素的灰度值与所述第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域。
可选地,所述提取模块包括:
变换子模块,被配置为对所述产品图像进行灰度线性变换,以增强目标图像相对产品图像中其他区域的取向的对比度;
分割子模块,被配置为对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域;
运算子模块,被配置为从多个连通区域中,确定与目标图像对应的连通区域,并对与目标图像对应的连通区域进行闭运算,以得到目标区域;
裁剪子模块,被配置为根据所述目标区域,从所述产品图像中裁剪出所述目标图像。
可选地,所述消除模块包括:
灰度处理子模块,被配置为对所述取反图像先进行灰度腐蚀的操作,然后进行灰度开运算的操作,以消除取反图像中的背景子图像,得到第一判定图像。
可选地,所述判断模块包括:
判定子模块,被配置为当所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值小于或等于指定阈值,且所述第一判定图像的像素的灰度值在预设的灰度值范围内时,判定所述第一判定图像的像素对应的产品图像相应像素的区域为缺陷区域。
本发明实施例提供的视觉检测方法及系统,通过对产品进行拍照获取产品图像,并从产品图像中提取出目标图像,以对产品表面的目标区域进行检测,判断目标图像中是否存在缺陷,检测效率高、自动化程度高、省时省力。
附图说明
图1为本申请一实施例的视觉检测方法的示意性流程图;
图2为本申请一实施例的产品图像;
图3为本申请一实施例的产品图像经过灰度线性变换后的图像;
图4为本申请一实施例的经过灰度线性变换的产品图像进行OTSU自动阈值分割的图像;
图5为本申请一实施例的对经过OTSU算法进行自动阈值分割后的产品图像进行形态学腐蚀操作的操作;
图6为本申请一实施例的对目标图像进行闭运算后的图像;
图7为本申请一实施例的对产品图像进行裁剪后的图像;
图8为本申请一实施例的取反图像;
图9为本申请一实施例的取反图像经过中值滤波的图像;
图10为本申请一实施例的取反图像经过灰度腐蚀的图像;
图11为本申请一实施例的第一判定图像;
图12为本申请一实施例的第二判定图像;
图13为本申请一实施例的产品图像中确定缺陷位置的图像;
图14为本申请一实施例的视觉检测系统的示意性结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
第一方面,本发明提供一种视觉检测方法,在本实施例中,视觉检测方法应用于产品的铭牌的缺陷检测,结合图1,该方法包括步骤S101至步骤S106:
步骤S101:获取产品图像,所述产品图像中包含有目标图像。
在本实施例中,通过工业相机采集产品上的铭牌图像,即包含有目标图像的产品图像,并将采集到的产品图像进行图像处理。其中,目标图像即为铭牌图像,工业相机采用2000万像素的CMOS黑白相机,图像尺寸大小为5472piexl*3648piexl;图像处理的过程是使用基于Halcon 17.12progress平台进行的。
步骤S102:从所述产品图像中提取出所述目标图像,所述目标图像包括:前景子图像和背景子图像。
在一种可选的实施例中,所述从所述产品图像中提取出所述目标图像,包括步骤S1021至步骤S1024:
步骤S1021:对所述产品图像进行灰度线性变换,以增强目标图像相对产品图像中其他区域的取向的对比度。
对所述产品图像进行灰度线性变换的方程如公式一所示:
f′(x,y)=f(x,y)*Mult+Add 公式一
其中,原始图像在点(x,y)处的像素对应的灰度值为f(x,y),则f′(x,y)为灰度线性变换后的图像在点(x,y)处的像素对应的灰度值,Mult为缩放的比例系数,Add为偏移量。本发明中,设定的缩放比例系数为10,偏移量为-100。
结合图2和图3,经过灰度线性变换后的图像能够明显提高铭牌位置处的图像相对产品图像其他位置处的对比度,从而能够便于准确的从产品图像中提取出铭牌对应的目标图像。
步骤S1022:对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域。
在本实施例中,在所述对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域之后,所述方法还包括:去除至少一个所述多个连通区域中的背景干扰噪声点。
结合图4和图5,对经过灰度线性变换的产品图像使用OTSU算法进行自动阈值分割。对分割后的区域使用connection算子进行连通域分析,用以获得的区域集合S={S1,S2,S3,...,Sn}。构建一个以10为半径的圆形结构元素,对连通域进行形态学腐蚀操作,以移除分割出来的背景干扰噪声点。
步骤S1023:从多个连通区域中,确定与目标图像对应的连通区域,并对与目标图像对应的连通区域进行闭运算,以得到目标区域。
结合图6和图7,对于分割后的目标图像而言,区域面积S可由如公式二表述:
其中,区域S的大小为m×n,0≤x≤m-1∪0≤y≤n-1。则选择其中面积最的大的区域Smax={Si|Si∈S},构建一个以100为半径的圆形结构元素,对其进行闭运算,得到一个完整的矩形区域。
步骤S1024:根据所述目标区域,从所述产品图像中裁剪出所述目标图像。
在本实施例中,使用reduce_domain算子裁剪出待检测铭牌图像。
步骤S103:对所述目标图像进行取反操作,得到取反图像,所述目标图像的前景子图像为所述取反图像的背景子图像,所述目标图像的背景子图像为所述取反图像的前景子图像。
在一种可选的实施例中,在所述消除取反图像中的背景子图像,得到第一判定图像之前,所述方法还包括:去除取反图像中的背景子图像的椒盐噪声。
在本实施例中,结合图8和图9,使用invert_image算子对提取的铭牌区域进行取反操作,具体的,设f(x,y)为点(x,y)处的灰度值,则f′(x,y)为点(x,y)处反转后的灰度值,如公式三所示:
f′(x,y)=255-f(x,y) 公式三
然后,构建一个11x11大小的滤波模板,使用median_image算子对图像进行中值滤波,以去除图像背景中的椒盐噪声。
步骤S104:消除所述取反图像中的背景子图像,得到第一判定图像。
在一种可选的实施例中,所述消除取反图像中的背景子图像,得到第一判定图像,包括:对所述取反图像先进行灰度腐蚀的操作,然后进行灰度开运算的操作,以消除取反图像中的背景子图像,得到第一判定图像。
本发明中,结合图10和图11,首先构建一个50x50大小的矩形结构元素,使用gray_erosion_rect算子对取反图像进行灰度腐蚀的操作;然后再构建一个100x100大小的矩形结构元素,并使用gray_opening_rect算子对取反图像再进行灰度开运算的操作。
步骤S105:对所述第一判定图像进行均值滤波处理,得到第二判定图像。
步骤S106:根据所述第一判定图像的像素的灰度值与所述第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域。
在一种可选的实施例中,所述根据所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域,包括:
当所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值小于或等于指定阈值,且所述第一判定图像的像素的灰度值在预设的灰度值范围内时,判定所述第一判定图像的像素对应的产品图像相应像素的区域为缺陷区域。
结合图12和图13,由于存在光照不均匀的情况,使得产品图像整个亮度分布也不均匀,因此需要采用特定的动态阈值分割法来确定异物缺陷区域。具体的,首先构建一个700x700大小的矩形滤波模板,对第一判定图像进行均值滤波。设第一判定图像在点(x,y)处的灰度值为f(x,y),对第一判定图像进行平滑滤波器处理得到的图像设为m(x,y),即得到第二判定图像。设定均值滤波的偏移量为Offset,对f(x,y)与m(x,y)进行逐一的像素的灰度值比较,当满足f(x,y)≤m(x,y)-Offset时,此像素点被定义为异物缺陷点。则所有满足条件的像素点P(i)(0≤i<x*y)构成的区域即为异物缺陷区域。此过程分割出来的区域还存在部分误检,需要加入灰度均值作为附加的筛选条件。本发明中,设定的灰度均值约束条件在[5,100]之间。即计算出的区域灰度均值Mean满足5≤Mean≤100时,判定此区域为最终的异物缺陷区域。
视觉检测方法通过对产品进行拍照获取产品图像,并从产品图像中提取出目标图像,以对产品表面的目标区域进行检测,判断目标图像中是否存在缺陷,检测效率高、自动化程度高、省时省力。
第二方面,本发明提供一种视觉检测系统,在本实施例中,视觉检测系统300应用于产品的铭牌的缺陷检测,结合图14,视觉检测系统300包括:
获取模块301,被配置为获取产品图像,所述产品图像中包含有目标图像;
提取模块302,被配置为从所述产品图像中提取出所述目标图像,所述目标图像包括:前景子图像和背景子图像;
取反模块303,被配置为对所述目标图像进行取反操作,得到取反图像,所述目标图像的前景子图像为所述取反图像的背景子图像,所述目标图像的背景子图像为所述取反图像的前景子图像;
消除模块304,被配置为消除所述取反图像中的背景子图像,得到第一判定图像;
滤波模块305,被配置为对所述第一判定图像进行均值滤波处理,得到第二判定图像;
判断模块306,被配置为根据所述第一判定图像的像素的灰度值与所述第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域。
在一种可选的实施例中,所述提取模块302包括:
变换子模块,被配置为对所述产品图像进行灰度线性变换,以增强目标图像相对产品图像中其他区域的取向的对比度;
分割子模块,被配置为对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域;
运算子模块,被配置为从多个连通区域中,确定与目标图像对应的连通区域,并对与目标图像对应的连通区域进行闭运算,以得到目标区域;
裁剪子模块,被配置为根据所述目标区域,从所述产品图像中裁剪出所述目标图像。
在一种可选的实施例中,所述消除模块304包括:
灰度处理子模块,被配置为对所述取反图像先进行灰度腐蚀的操作,然后进行灰度开运算的操作,以消除取反图像中的背景子图像,得到第一判定图像。
在一种可选的实施例中,所述判断模块305包括:
判定子模块,被配置为当所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值小于或等于指定阈值,且所述第一判定图像的像素的灰度值在预设的灰度值范围内时,判定所述第一判定图像的像素对应的产品图像相应像素的区域为缺陷区域。
在一种可选的实施例中,所述视觉检测系统300还包括:第一去除模块,被配置为在所述对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域之后,去除至少一个所述多个连通区域中的背景干扰噪声点。
在一种可选的实施例中,所述视觉检测系统300还包括:第二去除模块,被配置为在所述消除取反图像中的背景子图像,得到第一判定图像之前,去除取反图像中的背景子图像的椒盐噪声。
视觉检测系统300通过对产品进行拍照获取产品图像,并从产品图像中提取出目标图像,以对产品表面的目标区域进行检测,判断目标图像中是否存在缺陷,检测效率高、自动化程度高、省时省力。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种视觉检测方法,其特征在于,包括:
获取产品图像,所述产品图像中包含有目标图像;
从所述产品图像中提取出所述目标图像,所述目标图像包括:前景子图像和背景子图像;所述从所述产品图像中提取出所述目标图像,包括:对所述产品图像进行灰度线性变换,以增强目标图像相对产品图像中其他区域的取向的对比度;对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域;从多个连通区域中,确定与目标图像对应的连通区域,并对与目标图像对应的连通区域进行闭运算,以得到目标区域;根据所述目标区域,从所述产品图像中裁剪出所述目标图像;
对所述目标图像进行取反操作,得到取反图像,所述目标图像的前景子图像为所述取反图像的背景子图像,所述目标图像的背景子图像为所述取反图像的前景子图像;
消除所述取反图像中的背景子图像,得到第一判定图像;
对所述第一判定图像进行均值滤波处理,得到第二判定图像;
根据所述第一判定图像的像素的灰度值与所述第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域。
2.根据权利要求1所述的视觉检测方法,其特征在于,在所述对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域之后,所述方法还包括:
去除至少一个所述多个连通区域中的背景干扰噪声点。
3.根据权利要求1所述的视觉检测方法,其特征在于,在所述消除取反图像中的背景子图像,得到第一判定图像之前,所述方法还包括:
去除取反图像中的背景子图像的椒盐噪声。
4.根据权利要求1所述的视觉检测方法,其特征在于,所述消除取反图像中的背景子图像,得到第一判定图像,包括:
对所述取反图像先进行灰度腐蚀的操作,然后进行灰度开运算的操作,以消除取反图像中的背景子图像,得到第一判定图像。
5.根据权利要求1所述的视觉检测方法,其特征在于,所述根据所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域,包括:
当所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值小于或等于指定阈值,且所述第一判定图像的像素的灰度值在预设的灰度值范围内时,判定所述第一判定图像的像素对应的产品图像相应像素的区域为缺陷区域。
6.一种视觉检测系统,其特征在于,包括:
获取模块,被配置为获取产品图像,所述产品图像中包含有目标图像;
提取模块,被配置为从所述产品图像中提取出所述目标图像,所述目标图像包括:前景子图像和背景子图像;所述提取模块包括:变换子模块,被配置为对所述产品图像进行灰度线性变换,以增强目标图像相对产品图像中其他区域的取向的对比度;分割子模块,被配置为对经过灰度线性变换的产品图像进行阈值分割和连通域分析,以将目标图像分割为多个连通区域;运算子模块,被配置为从多个连通区域中,确定与目标图像对应的连通区域,并对与目标图像对应的连通区域进行闭运算,以得到目标区域;裁剪子模块,被配置为根据所述目标区域,从所述产品图像中裁剪出所述目标图像;
取反模块,被配置为对所述目标图像进行取反操作,得到取反图像,所述目标图像的前景子图像为所述取反图像的背景子图像,所述目标图像的背景子图像为所述取反图像的前景子图像;
消除模块,被配置为消除所述取反图像中的背景子图像,得到第一判定图像;
滤波模块,被配置为对所述第一判定图像进行均值滤波处理,得到第二判定图像;
判断模块,被配置为根据所述第一判定图像的像素的灰度值与所述第二判定图像的像素的灰度值的差值,判断所述目标图像是否存在缺陷区域。
7.根据权利要求6所述的视觉检测系统,其特征在于,所述消除模块包括:
灰度处理子模块,被配置为对所述取反图像先进行灰度腐蚀的操作,然后进行灰度开运算的操作,以消除取反图像中的背景子图像,得到第一判定图像。
8.根据权利要求6所述的视觉检测系统,其特征在于,所述判断模块包括:
判定子模块,被配置为当所述第一判定图像的像素的灰度值与第二判定图像的像素的灰度值的差值小于或等于指定阈值,且所述第一判定图像的像素的灰度值在预设的灰度值范围内时,判定所述第一判定图像的像素对应的产品图像相应像素的区域为缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010737102.7A CN111882537B (zh) | 2020-07-28 | 2020-07-28 | 视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010737102.7A CN111882537B (zh) | 2020-07-28 | 2020-07-28 | 视觉检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882537A CN111882537A (zh) | 2020-11-03 |
CN111882537B true CN111882537B (zh) | 2023-12-15 |
Family
ID=73200789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010737102.7A Active CN111882537B (zh) | 2020-07-28 | 2020-07-28 | 视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882537B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634264B (zh) * | 2020-12-30 | 2024-04-26 | 凌云光技术股份有限公司 | 一种基于前景的缺陷检测方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175953A (zh) * | 2011-02-28 | 2011-09-07 | 长沙理工大学 | 输电线路绝缘子放电在线监测故障定位方法 |
CN102622602A (zh) * | 2012-02-28 | 2012-08-01 | 中国农业大学 | 一种棉花异性纤维图像在线分割方法及系统 |
CN102914545A (zh) * | 2012-11-15 | 2013-02-06 | 潍坊学院 | 一种基于计算机视觉的齿轮缺陷检测方法及系统 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106485696A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 |
CN107578409A (zh) * | 2017-09-16 | 2018-01-12 | 河北工业大学 | 一种太阳能电池片外观断栅缺陷检测的方法 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109886932A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
CN110009618A (zh) * | 2019-04-02 | 2019-07-12 | 浙江大学 | 一种轴类零件表面质量检测方法及装置 |
CN110211101A (zh) * | 2019-05-22 | 2019-09-06 | 武汉理工大学 | 一种铁轨表面缺陷快速检测系统及方法 |
CN110335233A (zh) * | 2019-04-24 | 2019-10-15 | 武汉理工大学 | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 |
CN110910318A (zh) * | 2019-10-21 | 2020-03-24 | 中国科学院西安光学精密机械研究所 | 综合诊断光路快速自动准直系统弱对比度纹影小球中心计算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5260188B2 (ja) * | 2008-08-27 | 2013-08-14 | 富士フイルム株式会社 | ハードディスク検査装置及び方法並びにプログラム |
US20200096454A1 (en) * | 2017-03-27 | 2020-03-26 | Mitsubishi Heavy Industries, Ltd. | Defect detection system for aircraft component and defect detection method for aircraft component |
-
2020
- 2020-07-28 CN CN202010737102.7A patent/CN111882537B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175953A (zh) * | 2011-02-28 | 2011-09-07 | 长沙理工大学 | 输电线路绝缘子放电在线监测故障定位方法 |
CN102622602A (zh) * | 2012-02-28 | 2012-08-01 | 中国农业大学 | 一种棉花异性纤维图像在线分割方法及系统 |
CN102914545A (zh) * | 2012-11-15 | 2013-02-06 | 潍坊学院 | 一种基于计算机视觉的齿轮缺陷检测方法及系统 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106485696A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种基于机器视觉的易爆危险品压合缺陷的检测方法 |
CN107578409A (zh) * | 2017-09-16 | 2018-01-12 | 河北工业大学 | 一种太阳能电池片外观断栅缺陷检测的方法 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109886932A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于svm的轮速传感器齿圈表面缺陷检测方法 |
CN110009618A (zh) * | 2019-04-02 | 2019-07-12 | 浙江大学 | 一种轴类零件表面质量检测方法及装置 |
CN110335233A (zh) * | 2019-04-24 | 2019-10-15 | 武汉理工大学 | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 |
CN110211101A (zh) * | 2019-05-22 | 2019-09-06 | 武汉理工大学 | 一种铁轨表面缺陷快速检测系统及方法 |
CN110910318A (zh) * | 2019-10-21 | 2020-03-24 | 中国科学院西安光学精密机械研究所 | 综合诊断光路快速自动准直系统弱对比度纹影小球中心计算方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的发动机表面缺陷检测技术;徐临洪;张桂梅;陈少平;;计算机与现代化(第04期);第156-158页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111882537A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN106683075B (zh) | 一种输电线杆塔横担处螺栓缺陷检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
Daniel et al. | Automatic road distress detection and analysis | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
Abbas et al. | Automated pavement distress detection using image processing techniques | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN111882537B (zh) | 视觉检测方法及系统 | |
CN108242060A (zh) | 一种基于Sobel算子的图像边缘检测方法 | |
CN106530292B (zh) | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN116071692A (zh) | 一种基于形态学图像处理的水尺水位识别方法及系统 | |
CN112785594B (zh) | 基于图像二维幅值估计的桥梁自动结构裂缝识别方法 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
CN114742768A (zh) | 钢轨浅层剥离损伤检测方法及检测系统 | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |