CN111986190A - 一种基于伪影剔除的印刷品缺陷检测方法及装置 - Google Patents
一种基于伪影剔除的印刷品缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN111986190A CN111986190A CN202010884956.8A CN202010884956A CN111986190A CN 111986190 A CN111986190 A CN 111986190A CN 202010884956 A CN202010884956 A CN 202010884956A CN 111986190 A CN111986190 A CN 111986190A
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- defect
- outline
- canny
- 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30124—Fabrics; Textile; Paper
Abstract
本发明公开了一种基于伪影剔除的印刷品缺陷检测方法及装置,该方法包括:图像定位配准:基于linemod特征点定位配准算法,将标准模板图像与待检测印刷品目标图像进行定位配准;目标图像伪影剔除:将定位配准后的标准图像和目标图像分别划分为若干相同大小的子块,利用子块邻域滑动伪影剔除法剔除目标图像局部形变引起的伪影;提取最终差分图背景区域缺陷:对标准图像提取轮廓并做数学形态学膨胀运算,得到轮廓掩模,利用轮廓掩模覆盖法分割最终差分图为轮廓及非轮廓区域,提取及判别最终差分图非轮廓区域及轮廓区域中的缺陷,最后对缺陷进行整合并输出显示。本发明方法及装置可以成功检测脏污、残缺、重影、移位、划伤、漏印等缺陷。
Description
技术领域
本发明属于工业视觉印刷品缺陷检测领域,具体涉及一种基于伪影剔除的印刷品缺陷检测方法及装置。
背景技术
印刷品表面缺陷的类别包含脏污、残缺、重影、移位、划伤、漏印及颜色失真等。目前一般是采用人工目检的方法,由有经验的工人采用肉眼检测,但是长时间的肉眼检测会引起视觉疲劳,容易造成漏检或者误判,另外,人工目检效率低下,成本高。近年来也出现了一些通过机器视觉用图像处理分析的检测技术,但同样也存在各种各样的问题,印刷品缺陷检测存在的技术难点有:实时采集的图像相对于标准模板图像会由于夹具松动、机械振动、表面反光等原因,不可避免的出现角度、位置和大小的偏差;纸质印刷品是非刚体,易发生各种随机形态的形变;受环境光或者拍照设置的影响,不可避免引入随机噪声;工业检测要求较高实时性及检测精度;受光照、印刷品表面双重反射及光晕效果等影响,会引起轮廓伪影。因此,伪影的剔除对最终检测效果起决定性影响。
传统的基于形态学腐蚀剔除伪影的方法,图像腐蚀时,算法没有区分真伪缺陷的能力,剔除伪轮廓的同时,一些面积比较小的真瑕疵点也会被剔除,影响了印刷品检测的效果。另外,图像形态学的腐蚀膨胀,会使得真瑕疵点的一些特征发生变化,比如瑕疵点面积、质心、外形等,这些变化对后续的瑕疵点的分类识别都有很大的不利影响。基于深度学习的小样本图像缺陷检测方法应用在工业生产流水线上时,印刷品表面缺陷的产品很少,收集大量的缺陷数据图片费时又费力。另外,由于纸质印刷品的缺陷多种多样,属于一个无边界问题;特别对于漏印的缺陷,难以通过人工打标签的方式来标注用于训练深度学习模型的样本。
发明内容
本发明针对上述问题,提出了一种基于伪影剔除的印刷品缺陷检测方法及装置,其中伪影的剔除决定了检测的效果。
本发明的技术方案是:提出的一种基于伪影剔除的印刷品缺陷检测方法,具体步骤包括:
S1、从工业相机采集一张模板图像,对模板图像通过网页界面设定模板区域、搜索区域、裁剪区域、模板特征点数量、模板旋转角度步长、模板旋转角度的上下限及图像金字塔滑动步长的参数,然后生成所有旋转角度的标准图像并保存;
S2:图像定位配准:从工业相机采集待检测图像,利用基于linemod特征点定位配准算法将所有旋转角度的标准图像逐个与待检测图像进行定位配准,按匹配分数从高到低排序,选取匹配分数最高的标准图像作为最终匹配标准图像,根据最终匹配标准图像的角度及匹配位置坐标,由几何关系在待测图像中裁剪出配准后的目标图像;
S3、目标图像伪影剔除:将步骤S2得到的最终匹配标准图像划分为若干相同大小的标准图像子块,将步骤S2得到的目标图像划分为若干与标准图像子块相同大小的目标图像子块,遍历所有标准图像子块在相匹配的目标图像子块邻域范围内滑动,得到最终差分图;
S4、分割最终差分图为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷:将步骤S2得到的最终匹配标准图像先利用Canny算子提取轮廓,再用13*13的矩形结构元素对所提取轮廓进行形态学膨胀运算,对膨胀后的图像逐位取反得到轮廓掩模,将轮廓掩模覆盖在完成步骤S3得到的最终差分图上,得到最终差分图的非轮廓区域图,最终差分图减去非轮廓区域图,得到最终差分图的轮廓区域图,再对非轮廓区域图提取轮廓,得到最终差分图非轮廓区域的所有轮廓,最后依次计算最终差分图非轮廓区域的每个轮廓的面积并判断其是否为缺陷;
S5、判别最终差分图轮廓区域中的缺陷:对步骤S4得到的最终差分图轮廓区域图用13*13的矩形结构元素进行形态学膨胀,并利用OpenCV的findContours()函数提取轮廓,得到最终差分图轮廓区域中所有可能潜在缺陷轮廓图Contoursdefect,再一次将步骤S2得到的目标图像和最终匹配标准图像分别用Canny算子提取轮廓,得到目标Canny图Tcanny和标准Canny图Gcanny,分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2并判断潜在缺陷轮廓为真缺陷还是伪影;
S6、缺陷整合并输出显示:对步骤S4和S5得到的每个缺陷区域,显示该区域的最小外接矩阵和分数,如果是非轮廓区域,显示的分数为轮廓面积,如果是轮廓区域,显示的为该边缘轮廓在目标图像和最终匹配标准图像上包裹的非零像素点数量n1、n2的绝对差值|n1-n2|。
本发明的进一步技术方案是:步骤S3在得到最终差分图时,标准图像子块在相匹配的目标图像子块邻域范围内上下左右依次滑动,每滑动一次做一次标准图像子块像素与目标图像子块像素的绝对值差分,得到差分后的子图,并统计子图的像素灰度总和,取灰度总和最小的子图作为当前目标图像子块的最佳差分子图,遍历所有标准图像子块,把所有得到最佳差分子图的目标图像子块合并得到最终差分图。
本发明的进一步技术方案是:步骤S4在判断最终差分图非轮廓区域是否为缺陷时,如果最终差分图非轮廓区域面积大于阈值,则判定该最终差分图非轮廓区域为缺陷,否则,判定该差分图非轮廓区域为伪影。
本发明的进一步技术方案是:步骤S5在分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2时,将某个潜在缺陷轮廓保持原来的位置分别叠加在目标Canny图Tcanny和标准Canny图Gcanny上,然后分别利用引上下左右四条射线法统计四条射线与轮廓边沿内的交叉点数确定非零像素点数量n1、n2。
本发明的进一步技术方案是:步骤S5在判断潜在缺陷轮廓为真缺陷还是伪影时,如果潜在缺陷轮廓内的非零像素点数量满足|n1-n2|大于设定的阈值,则认为该潜在缺陷轮廓包裹的为真缺陷,否则认为是伪影,将其剔除。
本发明的技术方案是:提供了一种基于伪影剔除的印刷品缺陷检测装置,所述装置包括制作标准图像模块、图像定位配准模块、目标图像伪影剔除模块、分割最终差分图为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷模块、判别最终差分图轮廓区域中的缺陷模块、缺陷整合并输出显示模块,所述制作标准图像模块从工业相机采集一张模板图像,对模板图像通过网页界面设定模板区域、搜索区域、裁剪区域、模板特征点数量、模板旋转角度步长、模板旋转角度的上下限及图像金字塔滑动步长的参数,然后生成所有旋转角度的标准图像并保存;所述图像定位配准模块从工业相机采集待检测图像,利用基于linemod特征点定位配准算法将所有旋转角度的标准图像逐个与待检测图像进行定位配准,按匹配分数从高到低排序,选取匹配分数最高的标准图像作为最终匹配标准图像,根据最终匹配标准图像的角度及匹配位置坐标,由几何关系在待测图像中裁剪出配准后的目标图像;所述目标图像伪影剔除模块将得到的最终匹配标准图像划分为若干相同大小的标准图像子块,将得到的目标图像划分为若干与标准图像子块相同大小的目标图像子块,遍历所有标准图像子块在相匹配的目标图像子块邻域范围内滑动,得到最终差分图;分割最终差分图为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷模块将得到的最终匹配标准图像先利用Canny算子提取轮廓,再用13*13的矩形结构元素对所提取轮廓进行形态学膨胀运算,对膨胀后的图像逐位取反得到轮廓掩模,将轮廓掩模覆盖在最终差分图上,得到最终差分图的非轮廓区域图,最终差分图减去非轮廓区域图,得到最终差分图的轮廓区域图,再对非轮廓区域图提取轮廓,得到最终差分图非轮廓区域的所有轮廓,最后依次计算最终差分图非轮廓区域的每个轮廓的面积并判断其是否为缺陷,所述判别最终差分图轮廓区域中的缺陷模块对最终差分图轮廓区域图用13*13的矩形结构元素进行形态学膨胀,并利用OpenCV的findContours()函数提取轮廓,得到最终差分图轮廓区域中所有可能潜在缺陷轮廓图Contoursdefect,再一次对目标图像和最终匹配标准图像分别用Canny算子提取轮廓,得到目标Canny图Tcanny和标准Canny图Gcanny,分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2并判断潜在缺陷轮廓为真缺陷还是伪影,所述缺陷整合并输出显示模块对得到的每个缺陷区域,显示该区域的最小外接矩阵和分数,如果是非轮廓区域,显示的分数为轮廓面积,如果是轮廓区域,显示的为该边缘轮廓在目标图像和最终匹配标准图像上包裹的非零像素点数量n1、n2的绝对差值|n1-n2|。
本发明的进一步技术方案是:所述得到最终差分图的具体过程为:标准图像子块在相匹配的目标图像子块邻域范围内上下左右依次滑动,每滑动一次做一次标准图像子块像素与目标图像子块像素的绝对值差分,得到差分后的子图,并统计子图的像素灰度总和,取灰度总和最小的子图作为当前目标图像子块的最佳差分子图,遍历所有标准图像子块,把所有得到最佳差分子图的目标图像子块合并得到最终差分图。
本发明的进一步技术方案是:在判断最终差分图非轮廓区域是否为缺陷时,如果最终差分图非轮廓区域面积大于阈值,则判定该最终差分图非轮廓区域为缺陷,否则,判定该差分图非轮廓区域为伪影。
本发明的进一步技术方案是:在分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2时,将某个潜在缺陷轮廓保持原来的位置分别叠加在目标Canny图Tcanny和标准Canny图Gcanny上,然后分别利用引上下左右四条射线法统计四条射线与轮廓边沿内的交叉点数确定非零像素点数量n1、n2。
本发明的进一步技术方案是:在判断潜在缺陷轮廓为真缺陷还是伪影时,如果潜在缺陷轮廓内的非零像素点数量满足|n1-n2|大于设定的阈值,则认为该潜在缺陷轮廓包裹的为真缺陷,否则认为是伪影,将其剔除。
本发明提供的一种基于伪影剔除的印刷品缺陷检测方法及装置的有益效果是:对于图像腐蚀时,本发明方法有区分真伪缺陷的能力,剔除伪轮廓的同时,一些面积比较小的真瑕疵点也会被保留,不会影响印刷品检测的效果。另外,图像形态学的腐蚀膨胀,会使得真瑕疵点的一些特性发生变化,比如瑕疵点面积、质心、外形等,本发明可以成功检测脏污、残缺、重影、移位、划伤、漏印等缺陷。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明:
图1为本发明缺陷检测方法流程示意图;
图2为本发明实施例中子块邻域滑动伪影剔除法过程图;
图3为本发明实施例中轮廓掩模覆盖法提取非轮廓缺陷的流程示意图;
图4为本发明实施例中射线法提取轮廓内的非零点数量方法示意图;
图5为本发明实施例中轮廓包裹法剔除轮廓区域伪影的流程示意图;
图6为本发明实施例中相机拍摄的标准图像;
图7为本发明实施例中相机拍摄的目标图像;
图8为本发明实施例中标准图像和目标图像的绝对值差分后的子图;
图9为本发明实施例中经过子块邻域滑动剔除伪影后的图;
图10为本发明实施例中从图9中分离出的非轮廓缺陷图;
图11为本发明实施例中从图9中分离出的轮廓缺陷图;
图12为本发明实施例中对图11进行形态学膨胀后的效果图;
图13为本发明实施例中对图12提取轮廓后的效果图;
图14为本发明实施例中图13覆盖的标准Canny图;
图15为本发明实施例中图13覆盖的目标Canny图;
图16为本发明实施例中实施轮廓包裹法后的局部放大效果图;
图17为本发明实施例中最终缺陷检测效果图;
图18为本发明模块结构示意图;
图19为本发明模板参数配置示意图;
图20为本发明模板参数JSON格式示意图。
具体实施方式
为进一步对本发明的技术方案作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的步骤。
如图1为本发明缺陷检测方法实施例的流程示意图,具体实现步骤如下:
(1)制作标准图像:实施例首先采用1200万分辨率的CMOS工业相机现场采集一张模板图像,对模板图像通过网页界面设定模板区域ROItemplate、搜索区域ROIsearch及裁剪区域ROIcrop,扣取模板区域ROItemplate得到标准图像G;同时设定模板特征点(feature_num)数量、模板旋转角度步长(angle_step)、模板旋转角度的上限(angle_upper)及下限(angle_lower)、图像金字塔滑动步长(tx_step、ty_step)等参数,生成所有角度的标准图像并保存,图19为具体设置的界面显示,图20为设置的参数以JSON格式保存。
(2)图像定位配准:基于linemod特征点定位配准,具体为对标准图像和目标图像同时处理:先对标准图像和目标图像进行7*7的高斯模糊,然后利用Sobel算子求解出每个像素点的梯度方向以及幅值,只有超过一定阈值的梯度才会被保留;接着在3*3的领域内统计梯度的方向,数量超过5的梯度方向才会被采用,为了使得匹配有一定的容错度,在一定邻域里对目标图像提取完梯度方向得到的特征图进行扩散,将标准图像在目标图像上从左到右、从上到下做滑窗移动,计算每次滑动位置的余弦匹配分数,选取最大的匹配分数作为匹配结果,将所有角度的标准图像逐个与工业相机采集到的待检测图像进行定位配准,按匹配分数从高到低排序,选取匹配分数最高的模板作为最终匹配标准图像goldenImg,根据最终匹配图像的角度及匹配位置坐标,由几何关系,在待测图像中裁剪出配准后的目标图像,图6为相机拍摄的标准图像,图7为相机拍摄的目标图像。
(3)目标图像伪影剔除,如图2所示,将得到的最终匹配标准图像划分为若干相同大小的标准图像子块,将得到的目标图像划分为若干与标准图像子块相同大小的目标图像子块,遍历所有标准图像子块在相匹配的目标图像子块邻域范围内滑动,得到最终差分图FinalDiff_Img,优选方式是标准图像子块在相匹配的目标图像子块邻域范围内上下左右依次滑动,每滑动一次做一次标准图像子块像素与目标图像子块像素的绝对值差分,得到差分后的子图,并统计子图的像素灰度总和,取灰度总和最小的子图作为当前目标图像子块的最佳差分子图,遍历所有标准图像子块,把所有得到最佳差分子图的目标图像子块合并得到最终差分图。该步骤主要剔除局部形变引起的伪影,图8为标准图像和目标图像的绝对值差分得到的差分后的子图,图9为经过子块邻域滑动剔除伪影后的图,对比分析,可以看出伪影剔除效果明显。
(4)分割最终差分图FinalDiff_Img为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷:对最终匹配标准图像goldenImg先利用Canny算子提取轮廓得到GCanny,再用13x13的结构元素对所提取轮廓进行形态学膨胀运算(element1=getStructuringElement(MORPH_RECT,Size(13,13));dilate(GCanny,GCanny_diate,element1);),对GCanny_diate逐位取反得到轮廓掩模(GCanny_Mask=~GCanny_diate;),将轮廓掩模与最终差分图FinalDiff_Img进行按位与运算(bitwise_and(FinalDiff_Img,GCanny_Mask,ImgNonContourArea);),得到最终差分图的非轮廓区域图ImgNonContourArea,再对ImgNonContourArea采用形态学提取所有轮廓,具体为先用3x3的结构元素对ImgNonContourArea进行膨胀得到膨胀图ImgDiateNonContourArea,再把膨胀图减去原图得到轮廓图ImgContourNonContourArea=ImgDiateNonContourArea-ImgNonContourArea,最后依次计算ImgContourNonContourArea图上每个轮廓包围的区域DefectArea[i](i为区域序数)是否为缺陷,优选方式是在初步判断DefectArea[i]区域是否为缺陷时,如果DefectArea[i]区域面积大于阈值,则判定该DefectArea[i]区域为缺陷,否则,判定该DefectArea[i]区域为伪影,具体实施流程如图3所示,该步骤主要是提取目标图像非轮廓区域的缺陷,避免了对差分图轮廓区域中的缺陷进行不必要的计算,如图10和图11所示,用轮廓掩模覆盖法把图9分离得到图10非轮廓缺陷和图11轮廓缺陷,分开处理的好处是如果非轮廓区域存在大面积的缺陷,可直接计算面积,避免了后续利用引入射线法计算非零点的过程,大大加速了算法的运行。
(5)判别最终差分图轮廓区域中的缺陷,具体实施流程如图5所示,对得到的差分图轮廓区域用13x13的矩形结构元素进行形态学膨胀,并利用OpenCV的findContours()函数提取轮廓,得到差分图轮廓区域中可能存在缺陷的所有潜在缺陷轮廓,对定位配准后的目标图像和标准图像分别用Canny算子提取轮廓,得到目标Canny图和标准Canny图,分别计算各潜在缺陷轮廓在目标Canny图和标准Canny图中所包围的非零点数量n1、n2并判断潜在缺陷轮廓为真缺陷还是伪影,优选方法是在分别计算各潜在缺陷轮廓在目标Canny图和标准Canny图中所包围的非零像素点数量n1、n2时,将某个潜在缺陷轮廓分别叠加在目标Canny图和标准Canny图上,然后分别利用引上下左右四条射线法统计四条射线与轮廓边沿内的交叉点数确定非零像素点数量n1、n2,从该点引出四条射线,分别为上、下、左、右射线,判断四条射线与轮廓边沿的交点个数,交点个数大于或等于4,则该点在轮廓区域内,否则在轮廓区域外,如图4所示。判断潜在缺陷轮廓为真缺陷还是伪影优选方法是如果潜在缺陷轮廓内的非零像素点数量满足|n1-n2|大于设定的阈值,本实施例中将阈值设置为10,则认为该潜在缺陷轮廓包裹的为真缺陷,否则认为是伪影,将其剔除。遍历所有的轮廓,最终得到轮廓区域的所有真缺陷,如图12和图13所示,图12是对图11进行形态学膨胀,膨胀后再提取轮廓得到图13。膨胀是为了让轮廓充分包裹目标图像和标准图像由于定位偏差、光晕效果等导致的伪影。将图13的所有轮廓,分别覆盖在标准Canny图14和目标图像Canny图15上,如图16为轮廓包裹法的局部放大效果图,比较轮廓里面的非零像素点数量,差值大于设定的阈值判定为缺陷;否则,判定为伪影,剔除。
(6)缺陷整合并输出显示:对得到的每个缺陷区域,显示该区域的最小外接矩阵和分数,如果是非边缘区域,显示的分数为轮廓面积,如果是边缘区域,显示的分数为该边缘轮廓在目标图像和标准图像上包裹的非零点数量n1、n2的绝对差值|n1-n2|,两种不同的分数代表不同的意义,可设置两种不同的经验阈值来制定最终的判断的标准。本实施例中的非轮廓区域阈值设定为30,轮廓区域阈值设定为10。最终的判断标准是只要有一个缺陷的阈值超过非轮廓区域阈值或轮廓区域阈值,则认定为NG。
如图18所示,本发明的具体实施方式是:构建了一种基于伪影剔除的印刷品缺陷检测装置,制作标准图像模块1、图像定位配准模块2、目标图像伪影剔除模块3、分割最终差分图为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷模块4、判别最终差分图轮廓区域中的缺陷模块5、缺陷整合并输出显示模块6,制作标准图像模块1从工业相机采集一张模板图像,对模板图像通过网页界面设定模板区域、搜索区域、裁剪区域、模板特征点数量、模板旋转角度步长、模板旋转角度的上下限及图像金字塔滑动步长的参数,然后生成所有角度的标准图像并保存,图像定位配准模块2利用基于linemod特征点定位配准算法将所有角度的标准图像逐个与工业相机采集到的待检测图像进行定位配准,按匹配分数从高到低排序,选取匹配分数最高的标准图像作为最终匹配标准图像,根据最终匹配标准的角度及匹配位置坐标,由几何关系在待测图像中裁剪出配准后的目标图像,目标图像伪影剔除模块3将得到的最终匹配标准图像划分为若干相同大小的标准图像子块,将得到的目标图像划分为若干与标准图像子块相同大小的目标图像子块,遍历所有标准图像子块在相匹配的目标图像子块邻域范围内滑动,得到最终差分图,分割最终差分图为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷模块4将得到的最终匹配标准图像先利用Canny算子提取轮廓,再用13*13的矩形结构元素对所提取轮廓进行形态学膨胀运算,对膨胀后的图像逐位取反得到轮廓掩模,将轮廓掩模覆盖在最终差分图上,得到最终差分图的非轮廓区域图,最终差分图减去非轮廓区域图,得到最终差分图的轮廓区域图,再对非轮廓区域图提取轮廓,得到最终差分图非轮廓区域的所有轮廓,最后依次计算最终差分图非轮廓区域的每个轮廓的面积并判断其是否为缺陷,判别最终差分图轮廓区域中的缺陷模块5对最终差分图轮廓区域图用13*13的矩形结构元素进行形态学膨胀,并利用OpenCV的findContours()函数提取轮廓,得到最终差分图轮廓区域中所有可能潜在缺陷轮廓图Contoursdefect,再一次对目标图像和最终匹配标准图像分别用Canny算子提取轮廓,得到目标Canny图Tcanny和标准Canny图Gcanny,分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2并判断潜在缺陷轮廓为真缺陷还是伪影,缺陷整合并输出显示模块6对得到的每个缺陷区域,显示该区域的最小外接矩阵和分数,如果是非轮廓区域,显示的分数为轮廓面积,如果是轮廓区域,显示的为该边缘轮廓在目标图像和最终匹配标准图像上包裹的非零像素点数量n1、n2的绝对差值|n1-n2|。
本发明的优选实施方式是:所述目标图像伪影剔除模块3中得到最终差分图的具体过程为:标准图像子块在相匹配的目标图像子块邻域范围内上下左右依次滑动,每滑动一次做一次标准图像子块像素与目标图像子块像素的绝对值差分,得到差分后的子图,并统计子图的像素灰度总和,取灰度总和最小的子图作为当前目标图像子块的最佳差分子图,遍历所有标准图像子块,把所有得到最佳差分子图的目标图像子块合并得到最终差分图。
本发明的优选实施方式是:所述目标图像伪影剔除模块3中判断差分图非轮廓区域是否为缺陷时,如果最终差分图非轮廓区域面积大于阈值,则判定该差分图非轮廓区域为缺陷,否则,判定该差分图非轮廓区域为伪影。
本发明的优选实施方式是:所述判别最终差分图轮廓区域中的缺陷模块5中分别计算各潜在缺陷轮廓在目标Canny图和标准Canny图中所包围的非零点数量n1、n2的具体过程为:将某个潜在缺陷轮廓分别叠加在目标Canny图和标准Canny图上,然后分别利用引上下左右四条射线法统计四条射线与轮廓边沿内的交叉点数确定非零像素点数量n1、n2。
图17为本发明实施例的最终效果图,可以看出本发明实施例可以成功检测脏污、残缺、重影、移位、划伤、漏印等缺陷。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的步骤、方法、装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种步骤、方法、装置所固有的要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于伪影剔除的印刷品缺陷检测方法,其特征在于,包括以下步骤:
S1、制作标准图像:从工业相机采集一张模板图像,对模板图像通过网页界面设定模板区域、搜索区域、裁剪区域、模板特征点数量、模板旋转角度步长、模板旋转角度的上下限及图像金字塔滑动步长的参数,然后生成所有旋转角度的标准图像并保存;
S2:图像定位配准:从工业相机采集待检测图像,利用基于linemod特征点定位配准算法将所有旋转角度的标准图像逐个与待检测图像进行定位配准,按匹配分数从高到低排序,选取匹配分数最高的标准图像作为最终匹配标准图像,根据最终匹配标准图像的角度及匹配位置坐标,由几何关系在待测图像中裁剪出配准后的目标图像;
S3、目标图像伪影剔除:将步骤S2得到的最终匹配标准图像划分为若干相同大小的标准图像子块,将步骤S2得到的目标图像划分为若干与标准图像子块相同大小的目标图像子块,遍历所有标准图像子块在相匹配的目标图像子块邻域范围内滑动,得到最终差分图;
S4、分割最终差分图为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷:将步骤S2得到的最终匹配标准图像先利用Canny算子提取轮廓,再用13*13的矩形结构元素对所提取轮廓进行形态学膨胀运算,对膨胀后的图像逐位取反得到轮廓掩模,将轮廓掩模覆盖在完成步骤S3得到的最终差分图上,得到最终差分图的非轮廓区域图,最终差分图减去非轮廓区域图,得到最终差分图的轮廓区域图,再对非轮廓区域图提取轮廓,得到最终差分图非轮廓区域的所有轮廓,最后依次计算最终差分图非轮廓区域的每个轮廓的面积并判断其是否为缺陷;
S5、判别最终差分图轮廓区域中的缺陷:对步骤S4得到的最终差分图轮廓区域图用13*13的矩形结构元素进行形态学膨胀,并利用OpenCV的findContours()函数提取轮廓,得到最终差分图轮廓区域中所有可能潜在缺陷轮廓图Contoursdefect,再一次将步骤S2得到的目标图像和最终匹配标准图像分别用Canny算子提取轮廓,得到目标Canny图Tcanny和标准Canny图Gcanny,分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2并判断潜在缺陷轮廓为真缺陷还是伪影;
S6、缺陷整合并输出显示:对步骤S4和S5得到的每个缺陷区域,显示该区域的最小外接矩阵和分数,如果是非轮廓区域,显示的分数为轮廓面积,如果是轮廓区域,显示的为该边缘轮廓在目标图像和最终匹配标准图像上包裹的非零像素点数量n1、n2的绝对差值|n1-n2|。
2.根据权利要求1所述的一种基于伪影剔除的印刷品缺陷检测方法,其特征在于,步骤S3在得到最终差分图时,标准图像子块在相匹配的目标图像子块邻域范围内上下左右依次滑动,每滑动一次做一次标准图像子块像素与目标图像子块像素的绝对值差分,得到差分后的子图,并统计子图的像素灰度总和,取灰度总和最小的子图作为当前目标图像子块的最佳差分子图,遍历所有标准图像子块,把所有得到最佳差分子图的目标图像子块合并得到最终差分图。
3.根据权利要求1所述的一种基于伪影剔除的印刷品缺陷检测方法,其特征在于,步骤S4在判断最终差分图非轮廓区域是否为缺陷时,如果最终差分图非轮廓区域面积大于阈值,则判定该最终差分图非轮廓区域为缺陷,否则,判定该差分图非轮廓区域为伪影。
4.根据权利要求1中所述的一种基于伪影剔除的印刷品缺陷检测方法,其特征在于,步骤S5在分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2时,将潜在缺陷轮廓保持原来的位置分别叠加在目标Canny图Tcanny和标准Canny图Gcanny上,然后分别利用引上下左右四条射线法统计四条射线与轮廓边沿内的交叉点数确定非零像素点数量n1、n2。
5.根据权利要求4中所述的一种基于伪影剔除的印刷品缺陷检测方法,其特征在于,步骤S5在判断潜在缺陷轮廓为真缺陷还是伪影时,如果潜在缺陷轮廓内的非零像素点数量满足|n1-n2|大于设定的阈值,则认为该潜在缺陷轮廓包裹的为真缺陷,否则认为是伪影,将其剔除。
6.一种基于伪影剔除的印刷品缺陷检测装置,其特征在于,所述装置包括制作标准图像模块、图像定位配准模块、目标图像伪影剔除模块、分割最终差分图为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷模块、判别最终差分图轮廓区域中的缺陷模块、缺陷整合并输出显示模块,所述制作标准图像模块从工业相机采集一张模板图像,对模板图像通过网页界面设定模板区域、搜索区域、裁剪区域、模板特征点数量、模板旋转角度步长、模板旋转角度的上下限及图像金字塔滑动步长的参数,然后生成所有旋转角度的标准图像并保存;所述图像定位配准模块从工业相机采集待检测图像,利用基于linemod特征点定位配准算法将所有旋转角度的标准图像逐个与待检测图像进行定位配准,按匹配分数从高到低排序,选取匹配分数最高的标准图像作为最终匹配标准图像,根据最终匹配标准图像的角度及匹配位置坐标,由几何关系在待测图像中裁剪出配准后的目标图像;所述目标图像伪影剔除模块将得到的最终匹配标准图像划分为若干相同大小的标准图像子块,将得到的目标图像划分为若干与标准图像子块相同大小的目标图像子块,遍历所有标准图像子块在相匹配的目标图像子块邻域范围内滑动,得到最终差分图;分割最终差分图为轮廓区域及非轮廓区域并判别非轮廓区域的缺陷模块将得到的最终匹配标准图像先利用Canny算子提取轮廓,再用13*13的矩形结构元素对所提取轮廓进行形态学膨胀运算,对膨胀后的图像逐位取反得到轮廓掩模,将轮廓掩模覆盖在最终差分图上,得到最终差分图的非轮廓区域图,最终差分图减去非轮廓区域图,得到最终差分图的轮廓区域图,再对非轮廓区域图提取轮廓,得到最终差分图非轮廓区域的所有轮廓,最后依次计算最终差分图非轮廓区域的每个轮廓的面积并判断其是否为缺陷,所述判别最终差分图轮廓区域中的缺陷模块对最终差分图轮廓区域图用13*13的矩形结构元素进行形态学膨胀,并利用OpenCV的findContours()函数提取轮廓,得到最终差分图轮廓区域中所有可能潜在缺陷轮廓图Contoursdefect,再一次对目标图像和最终匹配标准图像分别用Canny算子提取轮廓,得到目标Canny图Tcanny和标准Canny图Gcanny,分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2并判断潜在缺陷轮廓为真缺陷还是伪影,所述缺陷整合并输出显示模块对得到的每个缺陷区域,显示该区域的最小外接矩阵和分数,如果是非轮廓区域,显示的分数为轮廓面积,如果是轮廓区域,显示的为该边缘轮廓在目标图像和最终匹配标准图像上包裹的非零像素点数量n1、n2的绝对差值|n1-n2|。
7.根据权利要求6所述的一种基于伪影剔除的印刷品缺陷检测装置,其特征在于,所述得到最终差分图的具体过程为:标准图像子块在相匹配的目标图像子块邻域范围内上下左右依次滑动,每滑动一次做一次标准图像子块像素与目标图像子块像素的绝对值差分,得到差分后的子图,并统计子图的像素灰度总和,取灰度总和最小的子图作为当前目标图像子块的最佳差分子图,遍历所有标准图像子块,把所有得到最佳差分子图的目标图像子块合并得到最终差分图。
8.根据权利要求6所述的一种基于伪影剔除的印刷品缺陷检测装置,其特征在于,在判断最终差分图非轮廓区域是否为缺陷时,如果最终差分图非轮廓区域面积大于阈值,则判定该最终差分图非轮廓区域为缺陷,否则,判定该差分图非轮廓区域为伪影。
9.根据权利要求6所述的一种基于伪影剔除的印刷品缺陷检测装置,其特征在于,在分别计算各潜在缺陷轮廓在目标Canny图Tcanny和标准Canny图Gcanny中所包围的非零像素点数量n1、n2时,将某个潜在缺陷轮廓保持原来的位置分别叠加在目标Canny图Tcanny和标准Canny图Gcanny上,然后分别利用引上下左右四条射线法统计四条射线与轮廓边沿内的交叉点数确定非零像素点数量n1、n2。
10.根据权利要求9所述的一种基于伪影剔除的印刷品缺陷检测装置,其特征在于,在判断潜在缺陷轮廓为真缺陷还是伪影时,如果潜在缺陷轮廓内的非零像素点数量满足|n1-n2|大于设定的阈值,则认为该潜在缺陷轮廓包裹的为真缺陷,否则认为是伪影,将其剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010884956.8A CN111986190B (zh) | 2020-08-28 | 2020-08-28 | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010884956.8A CN111986190B (zh) | 2020-08-28 | 2020-08-28 | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986190A true CN111986190A (zh) | 2020-11-24 |
CN111986190B CN111986190B (zh) | 2022-03-18 |
Family
ID=73441223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010884956.8A Active CN111986190B (zh) | 2020-08-28 | 2020-08-28 | 一种基于伪影剔除的印刷品缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986190B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634264A (zh) * | 2020-12-30 | 2021-04-09 | 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 |
CN112837303A (zh) * | 2021-02-09 | 2021-05-25 | 广东拓斯达科技股份有限公司 | 一种用于模具监视的缺陷检测方法、装置、设备及介质 |
CN113160289A (zh) * | 2021-03-31 | 2021-07-23 | 哈尔滨工业大学(深圳) | 一种基于深度学习的工业印刷品图像配准方法及装置 |
CN113269743A (zh) * | 2021-05-20 | 2021-08-17 | 北京理工大学重庆创新中心 | 一种基于迭代平移核实的芯片数量检测方法 |
CN113409254A (zh) * | 2021-06-04 | 2021-09-17 | 哈尔滨理工大学 | 一种针对模糊成像环境的印刷品缺陷检测方法 |
CN113592831A (zh) * | 2021-08-05 | 2021-11-02 | 北京方正印捷数码技术有限公司 | 印刷误差的检测方法、装置和存储介质 |
CN113674212A (zh) * | 2021-07-26 | 2021-11-19 | 宁波帅特龙集团有限公司 | 一种把手装配检测方法与设备 |
CN114418899A (zh) * | 2022-03-28 | 2022-04-29 | 深圳市嘉年印务有限公司 | 一种自彩印的自适应修复方法、系统及可读存储介质 |
CN115205223A (zh) * | 2022-06-22 | 2022-10-18 | 锋睿领创(珠海)科技有限公司 | 透明物体的视觉检测方法、装置、计算机设备及介质 |
CN115393358A (zh) * | 2022-10-28 | 2022-11-25 | 菲特(天津)检测技术有限公司 | 一种镜片检测方法及多工位检测装置 |
CN115578390A (zh) * | 2022-12-09 | 2023-01-06 | 无锡联营电力设备有限公司 | 一种用于除氧器的焊接控制方法 |
CN115953399A (zh) * | 2023-03-13 | 2023-04-11 | 常州微亿智造科技有限公司 | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 |
CN116228746A (zh) * | 2022-12-29 | 2023-06-06 | 摩尔线程智能科技(北京)有限责任公司 | 缺陷检测方法、装置、电子设备、存储介质和程序产品 |
CN116309574A (zh) * | 2023-05-19 | 2023-06-23 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、系统、设备及存储介质 |
CN117437636A (zh) * | 2023-12-21 | 2024-01-23 | 成都数联云算科技有限公司 | 一种改善基于图像比对的缺陷标注效果的方法及系统 |
CN117705815A (zh) * | 2024-02-06 | 2024-03-15 | 天津滨海环球印务有限公司 | 一种基于机器视觉的印刷缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091168A1 (en) * | 2002-11-12 | 2004-05-13 | Eastman Kodak Company | Method and system for removing artifacts in compressed images |
CN103149222A (zh) * | 2013-02-28 | 2013-06-12 | 重庆大学 | 射线实时成像中缺陷检测方法 |
CN107948464A (zh) * | 2017-09-15 | 2018-04-20 | 兰州交通大学 | 一种印刷品检测图像侧向偏移的几何校正方法及系统 |
CN110264445A (zh) * | 2019-05-30 | 2019-09-20 | 西安交通大学 | 分块模板匹配结合形态学处理的电池丝印质量检测方法 |
CN111489337A (zh) * | 2020-04-08 | 2020-08-04 | 广东工业大学 | 一种自动光学检测伪缺陷去除方法及系统 |
-
2020
- 2020-08-28 CN CN202010884956.8A patent/CN111986190B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091168A1 (en) * | 2002-11-12 | 2004-05-13 | Eastman Kodak Company | Method and system for removing artifacts in compressed images |
CN103149222A (zh) * | 2013-02-28 | 2013-06-12 | 重庆大学 | 射线实时成像中缺陷检测方法 |
CN107948464A (zh) * | 2017-09-15 | 2018-04-20 | 兰州交通大学 | 一种印刷品检测图像侧向偏移的几何校正方法及系统 |
CN110264445A (zh) * | 2019-05-30 | 2019-09-20 | 西安交通大学 | 分块模板匹配结合形态学处理的电池丝印质量检测方法 |
CN111489337A (zh) * | 2020-04-08 | 2020-08-04 | 广东工业大学 | 一种自动光学检测伪缺陷去除方法及系统 |
Non-Patent Citations (3)
Title |
---|
侯战强 等: "机器视觉在宽幅印刷品在线检测中的应用", 《自动化技术与应用》 * |
李敏 等: "应用于印刷品缺陷检测的改进模版匹配算法", 《电脑知识与技术》 * |
陈恺煊 等: "一种印刷品缺陷检测中轮廓伪影的消除方法", 《西安理工大学学报》 * |
Cited By (25)
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 |
CN112634264A (zh) * | 2020-12-30 | 2021-04-09 | 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 |
CN112837303A (zh) * | 2021-02-09 | 2021-05-25 | 广东拓斯达科技股份有限公司 | 一种用于模具监视的缺陷检测方法、装置、设备及介质 |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN113160289B (zh) * | 2021-03-31 | 2022-02-01 | 哈尔滨工业大学(深圳) | 一种基于深度学习的工业印刷品图像配准方法及装置 |
CN113160289A (zh) * | 2021-03-31 | 2021-07-23 | 哈尔滨工业大学(深圳) | 一种基于深度学习的工业印刷品图像配准方法及装置 |
CN113269743A (zh) * | 2021-05-20 | 2021-08-17 | 北京理工大学重庆创新中心 | 一种基于迭代平移核实的芯片数量检测方法 |
CN113409254B (zh) * | 2021-06-04 | 2022-06-07 | 哈尔滨理工大学 | 一种针对模糊成像环境的印刷品缺陷检测方法 |
CN113409254A (zh) * | 2021-06-04 | 2021-09-17 | 哈尔滨理工大学 | 一种针对模糊成像环境的印刷品缺陷检测方法 |
CN113674212A (zh) * | 2021-07-26 | 2021-11-19 | 宁波帅特龙集团有限公司 | 一种把手装配检测方法与设备 |
CN113592831B (zh) * | 2021-08-05 | 2024-03-19 | 北京方正印捷数码技术有限公司 | 印刷误差的检测方法、装置和存储介质 |
CN113592831A (zh) * | 2021-08-05 | 2021-11-02 | 北京方正印捷数码技术有限公司 | 印刷误差的检测方法、装置和存储介质 |
CN114418899A (zh) * | 2022-03-28 | 2022-04-29 | 深圳市嘉年印务有限公司 | 一种自彩印的自适应修复方法、系统及可读存储介质 |
CN114418899B (zh) * | 2022-03-28 | 2022-08-16 | 深圳市嘉年印务有限公司 | 一种自彩印的自适应修复方法、系统及可读存储介质 |
CN115205223A (zh) * | 2022-06-22 | 2022-10-18 | 锋睿领创(珠海)科技有限公司 | 透明物体的视觉检测方法、装置、计算机设备及介质 |
CN115393358B (zh) * | 2022-10-28 | 2023-01-31 | 菲特(天津)检测技术有限公司 | 一种镜片检测方法及多工位检测装置 |
CN115393358A (zh) * | 2022-10-28 | 2022-11-25 | 菲特(天津)检测技术有限公司 | 一种镜片检测方法及多工位检测装置 |
CN115578390A (zh) * | 2022-12-09 | 2023-01-06 | 无锡联营电力设备有限公司 | 一种用于除氧器的焊接控制方法 |
CN116228746A (zh) * | 2022-12-29 | 2023-06-06 | 摩尔线程智能科技(北京)有限责任公司 | 缺陷检测方法、装置、电子设备、存储介质和程序产品 |
CN115953399A (zh) * | 2023-03-13 | 2023-04-11 | 常州微亿智造科技有限公司 | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 |
CN116309574A (zh) * | 2023-05-19 | 2023-06-23 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、系统、设备及存储介质 |
CN116309574B (zh) * | 2023-05-19 | 2023-08-18 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、系统、设备及存储介质 |
CN117437636A (zh) * | 2023-12-21 | 2024-01-23 | 成都数联云算科技有限公司 | 一种改善基于图像比对的缺陷标注效果的方法及系统 |
CN117437636B (zh) * | 2023-12-21 | 2024-02-23 | 成都数联云算科技有限公司 | 一种改善基于图像比对的缺陷标注效果的方法及系统 |
CN117705815A (zh) * | 2024-02-06 | 2024-03-15 | 天津滨海环球印务有限公司 | 一种基于机器视觉的印刷缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111986190B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986190B (zh) | 一种基于伪影剔除的印刷品缺陷检测方法及装置 | |
CN112508826B (zh) | 一种印刷品缺陷检测方法 | |
CN108776140B (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及系统 | |
CN112630222B (zh) | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 | |
CN109886298B (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN109993099A (zh) | 一种基于机器视觉的车道线提取识别方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
CN105718931B (zh) | 用于确定采集图像中的杂斑的系统和方法 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN106815583A (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN111612747B (zh) | 产品表面裂缝快速检测方法及检测系统 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN111738211B (zh) | 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN115861274A (zh) | 一种融合三维点云与二维图像的裂缝检测方法 | |
CN111986157A (zh) | 一种数字病理图像质量评价系统 | |
CN114529715B (zh) | 一种基于边缘提取的图像识别方法及系统 | |
JP4293653B2 (ja) | 外観検査方法 | |
CN115984197A (zh) | 基于标准pcb图像的缺陷检测方法及相关装置 | |
CN115049689A (zh) | 一种基于轮廓检测技术的乒乓球识别方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 518000 Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: HARBIN INSTITUTE OF TECHNOLOGY (SHENZHEN) Applicant after: Shenzhen Fulian Fugui Precision Industry Co., Ltd Address before: 518000 Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: HARBIN INSTITUTE OF TECHNOLOGY (SHENZHEN) Applicant before: Shenzhen Fugui Precision Industry Co., Ltd |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |