CN112200805A - 一种工业品图像目标提取及缺陷判断方法 - Google Patents
一种工业品图像目标提取及缺陷判断方法 Download PDFInfo
- Publication number
- CN112200805A CN112200805A CN202011255973.1A CN202011255973A CN112200805A CN 112200805 A CN112200805 A CN 112200805A CN 202011255973 A CN202011255973 A CN 202011255973A CN 112200805 A CN112200805 A CN 112200805A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- defect
- adhesive film
- wrinkle
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 title claims description 5
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 3
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract 7
- 230000037303 wrinkles Effects 0.000 abstract 7
- 239000002313 adhesive film Substances 0.000 abstract 6
- 210000002268 wool Anatomy 0.000 abstract 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000001795 light effect Effects 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 7
- 238000005260 corrosion Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000004568 cement Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
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
- 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
- G06T7/194—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
- G06T7/60—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
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及缺陷检测技术领域,尤其涉及一种基于面积比的剔除细小残留物的胶粘薄膜褶皱缺陷检测方法。胶粘薄膜类产品一般具有很强的反光特性,所以使用同轴光作为褶皱缺陷检测的光源,降低反光性,突出褶皱缺陷。经过不同颜色光源的测试,红色同轴光效果最佳。本发明采用红色同轴光拍摄胶粘薄膜图片,该胶粘薄膜表面存在干扰褶皱缺陷检测的细白塑料毛,细白塑料毛是模切机未切干净所致,属物料残留。细小白色物料残留不属于缺陷,但自适应阈值分割方法也会将其提取出来。由于细小白色残留物料亮色部分面积超过了其所在的连通域面积的90%,所以本发明提出了一种基于面积比的剔除细小残留物的胶粘薄膜褶皱缺陷检测方法,剔除细小白色残留物料所在的连通域,只保留褶皱所在的连通域。避免了细小白色残留物料的干扰,精准检测胶粘薄膜褶皱。
Description
技术领域
本发明涉及工业品缺陷检测领域,具体涉及一种工业品图像目标提取及缺陷判断方法。
背景技术
基于图像分割的工业品缺陷检测方法,首先是对分割出的目标进行提取,然后计算目标的特征值如面积、周长等,通过比较特征值与设定的阈值来判定提取到的目标是否为缺陷,而求目标的最小外接矩形是常用到的一种目标提取方法。
发明内容
本发明提供了一种简洁有效的计算目标最小外接正矩形的方法,进而将矩形面积作为特征值看是否在设定的范围内,从而判断分割出的目标是否为缺陷。
本发明解决方案分为先后顺序执行的四个部分:(1)首先视图像质量而定是否要对其进行预处理操作,如图像前后景对比度差,可考虑进行平滑处理,过滤掉影响最终检测结果的背景噪声,如图像对比度强,干扰因素少,可不用对其进行平滑处理;(2)接下来通过设定一个合适的阈值,对图像进行全局二值化操作,将目标分割出来;(3)然后沿分割出的目标轮廓移动,从而确定目标的最小外接正矩形,提取出目标,将最小外接正矩形的面积即为目标的特征值;(4)最后设定一个判断目标是否为缺陷的取值范围。如果目标特征值位于该范围之内,则判定目标为缺陷并画出最小外接正矩形作为标记;如果目标特征值位于该范围之外,则判定目标不是缺陷。
附图说明
图1是本发明的一种工业品图像目标提取及缺陷判断方法的流程示意图;
图2是包含有划痕和脏污的光学胶图像;
图3是对图2进行全局二值化处理后的图像;
图4是针对图2按图1所示流程在vs2013中用C++实现后编译生成的图像,缺陷部位用红色最小外接正矩形框做标记;
图5是包含有压痕的光学胶图像,其中压痕位于黑色框内;
图6是针对图5未加入高斯滤波和腐蚀操作时按图1所示流程在vs2013中用C++实现后编译生成的图像,缺陷部位用红色最小外接正矩形框做标记;
图7是针对图5加入高斯滤波和腐蚀操作时按图1所示流程在vs2013中用C++实现后编译生成的图像,缺陷部位用红色最小外接正矩形框做标记;
具体实施方式
下面结合实施例和附图说明对本方法做进一步说明
1)首先根据图像质量决定是否要对其进行预处理。通常而言对于目标与背景对比度差的图像,在进行缺陷检测之前要经过滤波处理,去除掉对检测结果产生影响的背景噪声。而对于对比度强的图像,在进行缺陷检测之前可不经过滤波处理,对检测结果影响不大;
2)接下来通过找寻一个合适的阈值,对图像进行全局二值化处理,将目标尽可能地分割出来。因为没有进行反色,所以全局二值化处理后,目标像素值为0,背景像素值为255。对于光学胶图像尝试使用了动态阈值分割即局部二值化处理,但对目标的提取效果不如全局二值化处理效果好,所以这里对图像采用了全局二值化处理;
3)以一个像素为步长遍历二值化图像,当遍历到某像素值为0的像素点A时,则意味着检测到一个目标,A点的y像素坐标为目标的上边界值,以A为起点往左或往下移动寻找下一个像素值为0的像素点,依此继续寻找下去直到到达某一像素值为0的像素点B,从B点出发无论往左或往下移动都找不到像素值为0的像素点,则B点的x像素坐标为目标的左边界值。类似的从B点出发继续往右或往下寻找直到到达某一像素值为0的像素点C,从C点出发无论往右或往下移动都找不到像素值为0的像素点,则C点的y像素坐标为目标的下边界值。最后从C点出发继续往右或往上寻找直到到达某一像素值为0的像素点D,从D点出发无论往右或往上移动都找不到像素值为0的像素点,则D点的x像素坐标为目标的右边界值。这四条边界确定了目标的最小外接正矩形即检测框,同时也将目标提取出来。计算该矩形的面积作为目标的特征值。然后从A点出发继续遍历二值化图像,同理提取出图像内所有目标并计算相应的特征值。这里需要补充说明三点:1.当往左或往下移动都可以时,优先往左移动,如果无法继续往左移动就往下移动;当往右或往下移动都可以时,优先往下移动,如果无法继续往下移动就往右移动;当往右或往上移动都可以时,优先往右移动,如果无法继续往右移动就往上移动。2. 受2)中全局阈值选取和图像本身的一些因素影响,目标的二值化图像的连通性有时会变差,造成检测框分布零散,这时需要对目标的二值化图像进行形态学中的腐蚀操作(因为没有进行反色,所以这里是腐蚀操作,而不是膨胀操作),使目标的二值化图像的连通性增强,检测框相对统一集中。本实施例中包含有压痕的光学胶图像如图5所示,图6和图7对比了未加入腐蚀操作及高斯滤波和加入腐蚀操作及高斯滤波后的检测结果。这里用到高斯滤波,主要是为了降噪。3.当目标位于二值化图像边界时,为避免寻找移动时出二值化图像的边界,在二值化图像的外围打了一圈像素值为255的补丁,当遇到像素值为255的像素时会停止继而转向其它方向继续寻找移动,从而避免了出界;
4)最后设定一个判断目标是否为缺陷的取值范围。如果目标特征值位于该范围之内时,则判定目标为缺陷并画出最小外接正矩形作为标记;如果目标特征值位于该范围之外时,则判定该目标不是缺陷,不用画出相应的最小外接正矩形。本实施例中图4、图6和图7中对判定为缺陷的目标都用最小外接正矩形做了标记。
对照本实施例中图3和图4的结果可以看出,只要能将目标与背景做有效的分割并选取合适的判定范围,用本发明方法是能够有效地将图2中大部分划痕缺陷和脏污缺陷提取并标记出来的,尤其是对一些小的缺陷目标。
Claims (5)
1.一种工业品图像目标提取及缺陷判断方法,其特征在于所述工业品图像目标提取及缺陷判断方法分为先后顺序执行的三个部分:
1)对图像进行阈值分割;
2)对分割出的图像目标进行提取并计算目标特征值;
3)根据目标特征值是否在设定的范围内判定目标是否为缺陷。
2.根据权利要求1所述的工业品缺陷图像提取方法,其特征在于:
1)首先视图像质量而定是否要对其进行预处理操作,如图像目标与背景对比度差,可考虑进行平滑处理,过滤掉影响检测结果的背景噪声,如图像对比度强,干扰因素少,可不用对其进行平滑处理;
2)接下来通过设定一个合适的阈值,对图像进行全局二值化操作,尽可能将所有目标分割出来;
3)然后通过遍历二值化图像,先找到目标上的一个点,再从该点出发沿目标轮廓移动,得到目标上下左右四个边界,从而确定围绕目标的最小外接正矩形并计算矩形面积作为目标的特征值;
4)最后设定一个取值范围。
3.如果目标特征值位于该范围之内,则判定目标为缺陷并画出相应的最小外接正矩形作为标记;如果目标特征值位于该范围之外,则判定该目标不是缺陷。
4.根据权利要求1所述的工业品缺陷图像提取方法,其特征在于提出了一种简洁有效的求目标最小外接正矩形的方法。
5.本方法从数学上来讲更加直观和简单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011255973.1A CN112200805A (zh) | 2020-11-11 | 2020-11-11 | 一种工业品图像目标提取及缺陷判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011255973.1A CN112200805A (zh) | 2020-11-11 | 2020-11-11 | 一种工业品图像目标提取及缺陷判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200805A true CN112200805A (zh) | 2021-01-08 |
Family
ID=74033392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011255973.1A Pending CN112200805A (zh) | 2020-11-11 | 2020-11-11 | 一种工业品图像目标提取及缺陷判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200805A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023179122A1 (zh) * | 2022-03-23 | 2023-09-28 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995223A (zh) * | 2009-08-25 | 2011-03-30 | 比亚迪股份有限公司 | 一种芯片外观检测方法及系统 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106408846A (zh) * | 2016-11-29 | 2017-02-15 | 周川 | 基于视频监控平台的图像火灾检测方法 |
CN109961432A (zh) * | 2019-03-27 | 2019-07-02 | 广东工业大学 | 一种滤布破损的检测方法和系统 |
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 |
CN110992336A (zh) * | 2019-12-02 | 2020-04-10 | 东莞西尼自动化科技有限公司 | 基于图像处理和人工智能的小样本缺陷检测方法 |
CN111915704A (zh) * | 2020-06-13 | 2020-11-10 | 东北林业大学 | 一种基于深度学习的苹果分级识别方法 |
-
2020
- 2020-11-11 CN CN202011255973.1A patent/CN112200805A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995223A (zh) * | 2009-08-25 | 2011-03-30 | 比亚迪股份有限公司 | 一种芯片外观检测方法及系统 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106408846A (zh) * | 2016-11-29 | 2017-02-15 | 周川 | 基于视频监控平台的图像火灾检测方法 |
CN109961432A (zh) * | 2019-03-27 | 2019-07-02 | 广东工业大学 | 一种滤布破损的检测方法和系统 |
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 |
CN110992336A (zh) * | 2019-12-02 | 2020-04-10 | 东莞西尼自动化科技有限公司 | 基于图像处理和人工智能的小样本缺陷检测方法 |
CN111915704A (zh) * | 2020-06-13 | 2020-11-10 | 东北林业大学 | 一种基于深度学习的苹果分级识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023179122A1 (zh) * | 2022-03-23 | 2023-09-28 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
Anand et al. | Flaw detection in radiographic weldment images using morphological watershed segmentation technique | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN109727244B (zh) | 一种磁瓦表面裂纹检测方法 | |
CN111179225A (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN105447854A (zh) | 一种小尺寸玻璃面板表面缺陷检测方法及系统 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
JPH096957A (ja) | 濃度画像の2値化方法および画像2値化装置 | |
CN108665458A (zh) | 透明体表面缺陷提取及识别方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN112164050B (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
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 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN112991305A (zh) | 一种喷漆面板表面缺陷的视觉检测方法 | |
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
CN111583216A (zh) | Pcba电路板的缺陷检测方法 | |
CN115908269A (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN111681213A (zh) | 一种基于深度学习的导光板线划伤缺陷检测方法 | |
CN112102278A (zh) | 一种基于计算机视觉的金属工件加工面缺陷检测方法 | |
CN112651923A (zh) | 一种基于面积比的剔除细小残留物的胶粘薄膜褶皱缺陷检测方法 |
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 |