CN112634203A - 图像检测方法、电子设备及计算机可读存储介质 - Google Patents

图像检测方法、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112634203A
CN112634203A CN202011402418.7A CN202011402418A CN112634203A CN 112634203 A CN112634203 A CN 112634203A CN 202011402418 A CN202011402418 A CN 202011402418A CN 112634203 A CN112634203 A CN 112634203A
Authority
CN
China
Prior art keywords
detected
image
images
workpiece
preset
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
Application number
CN202011402418.7A
Other languages
English (en)
Other versions
CN112634203B (zh
Inventor
陈文钦
詹念怡
张洪伟
胡楠
张宗玮
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.)
Fu Tai Hua Precision Electronic Zhengzhou Co Ltd
Original Assignee
Fu Tai Hua Precision Electronic Zhengzhou 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 Fu Tai Hua Precision Electronic Zhengzhou Co Ltd filed Critical Fu Tai Hua Precision Electronic Zhengzhou Co Ltd
Priority to CN202011402418.7A priority Critical patent/CN112634203B/zh
Priority claimed from CN202011402418.7A external-priority patent/CN112634203B/zh
Publication of CN112634203A publication Critical patent/CN112634203A/zh
Application granted granted Critical
Publication of CN112634203B publication Critical patent/CN112634203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/11—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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像检测方法、电子设备及计算机可读存储介质，用于检测待测工件上的点胶路径。图像检测方法包括：获取包括待测工件指定区域的多张待测图像，其中点胶路径经过待测工件的指定区域；对多张待测图像进行第一图像处理；辨识每一待测图像的图像类型；根据每一待测图像的图像类型对每一待测图像进行第二图像处理；将经过第二图像处理的待测图像分割为预设数量的待测子图像；将每一待测子图像输入检测模型，以取得待测工件的检测结果；输出检测结果。本发明可提高点胶胶路瑕疵的检测准确率。

Description

图像检测方法、电子设备及计算机可读存储介质
技术领域
本发明涉及产品检测技术领域，尤其涉及一种图像检测方法、电子设备及计算机可读存储介质。
背景技术
点胶，也被称为施胶、涂胶、灌胶、滴胶等，能让产品起到粘贴、灌封、绝缘、固定、表面光滑等作用。在3C(计算机类、通信类和消费类)电子产品及配套零件的生产加工过程中，点胶工艺与点胶技术显得至关重要。现有3C电子产品制造过程中的点胶工艺分为全自动点胶和半自动点胶，半自动点胶主要是因为在点胶的过程中需要人工的参与，而全自动点胶是完全不需要人工的参与自行点胶。目前3C电子产品的生产厂家大多使用高精度、效率快的全自动点胶方式来完成点胶工作。使用的胶水包括热熔胶、紫外光固化胶、瞬间胶、硅胶、导电胶等。
对于点胶胶路的检测，传统机器视觉胶路瑕疵检测采用的是图像处理技术，从形状、灰度、长度、宽度等特征来确定被检测的胶路是否符合标准，因胶路瑕疵类型、位置、判别标准复杂多变，传统机器视觉算法无法开发出能够涵盖所有胶路瑕疵型态的算法，存在胶路瑕疵判别过杀或漏检过高的状况。
发明内容
鉴于上述，本发明提供一种图像检测方法、电子设备及计算机可读存储介质，其可实现点胶胶路瑕疵高准确率的判别。
本申请一实施方式提供一种图像检测方法，用于检测待测工件上的点胶路径，包括：获取包括所述待测工件指定区域的多张待测图像，其中所述点胶路径经过所述待测工件的指定区域；对多张所述待测图像进行第一图像处理；辨识每一所述待测图像的图像类型；根据每一所述待测图像的图像类型对每一所述待测图像进行第二图像处理；将经过第二图像处理的待测图像分割为预设数量的待测子图像；将每一所述待测子图像输入检测模型，以取得所述待测工件的检测结果；输出所述检测结果。
在一些实施例中，所述获取包括所述待测工件指定区域的多张待测图像的步骤，包括下列其中一者：利用图像采集单元依预设路径拍摄所述待测工件的所有指定区域，以得到多张所述待测图像；从存储单元中读取所述待测工件指定区域的多张所述待测图像。
在一些实施例中，所述获取包括所述待测工件指定区域的多张待测图像的步骤之后，还包括：从多张所述待测图像中依预设条件选择预设数量的待测图像；其中所述预设条件包括下列的一种或多种的组合：拍摄顺序、拍摄位置、存储顺序、图像类型、图像清晰程度。
在一些实施例中，所述获取包括所述待测工件指定区域的多张待测图像的步骤之后，还包括：判断获取到的所述待测图像的数量是否等于第一预设数量；当所述待测图像的数量等于所述第一预设数量时，从多张所述待测图像中依预设条件选择第二预设数量的待测图像；其中所述预设条件包括下列的一种或多种的组合：拍摄顺序、拍摄位置、存储顺序、图像类型、图像清晰程度。
在一些实施例中，所述对多张所述待测图像进行第一图像处理的步骤，至少包括下列其中一者：对多张所述待测图像进行去噪处理；对多张所述待测图像进行灰度转换处理；对多张所述待测图像进行颜色值过滤处理。
在一些实施例中，所述辨识每一所述待测图像的图像类型的步骤，包括：提取所述待测图像中的特征识别符；根据所述特征识别符确定所述待测图像的图像类型；其中，所述特征识别符存储于所述待测图像的非像素值中。
在一些实施例中，所述根据每一所述待测图像的图像类型对每一所述待测图像进行第二图像处理的步骤，包括：判断所述待测图像的图像类型是否属于第一类型；当所述待测图像的图像类型属于所述第一类型时，提取所述待测图像的至少二种轮廓特征；根据该至少二种轮廓特征提取所述待测图像中的至少二个待测子区域。
在一些实施例中，所述根据每一所述待测图像的图像类型对每一所述待测图像进行第二图像处理的步骤，还包括：当所述待测图像的图像类型属于第二类型时，将所述待测图像与所述图像类型对应的模板图像进行比对，以从所述待测图像中截取兴趣区域；将所述待测图像中的非兴趣区域的像素值替换为预设像素值。
在一些实施例中，所述将经过第二图像处理的待测图像分割为预设数量的待测子图像的步骤，包括：根据预设尺寸和预设定位点分割所述待测图像为多个所述待测子图像；其中，所述预设定位点包括所述待测图像的最左下像素点、最右下像素点、中间像素点、最右上像素点、最左上像素点。
在一些实施例中，所述图像检测方法还包括：储存所述待测子图像为训练样本；利用所述待测子图像训练预设深度学习模型得到所述检测模型。
在一些实施例中，所述将每一所述待测子图像输入检测模型，以取得所述待测工件的检测结果的步骤包括：利用所述检测模型判断所述待测子图像是否符合预设标准；根据多张所述待测子图像的判断结果确定所述待测工件的检测结果。
在一些实施例中，所述根据多张所述待测子图像的判断结果确定所述待测工件的检测结果的步骤，至少包括下列其中一者：当所有的待测子图像均符合所述预设标准时，确定所述待测工件的检测结果为良品；当不符合所述预设标准的待测子图像的数量低于第一预设值时，确定所述待测工件的检测结果为良品；当不符合所述预设标准的待测子图像的数量低于第二预设值，且不符合所述预设标准的待测子图像不属于所述待测图片的预设区域时，确定所述待测工件的检测结果为良品。
在一些实施例中，所述输出所述检测结果的步骤，至少包括下列其中一者：当所述检测结果为不良品时，发出警示信号；根据所述检测结果分类所述待测工件；根据所述检测结果发送对应的控制信号至工件输送单元。
本申请一实施方式提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行上述的图像检测方法。
本申请一实施方式提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储指令，所述处理器用于调用所述存储器中的指令，使得所述电子设备执行上述的图像检测方法。
上述图像检测方法、电子设备及计算机可读存储介质，通过获取待测工件指定区域的多张待测图像，并对每一待测图像进行第一图像处理与第二图像处理，以分割为多个待测子图像，再利用基于深度学习网络训练得到的检测模型来对每一待测子图像进行检测，可根据多个待测子图像的检测结果得到待测工件的检测结果，实现点胶胶路瑕疵高准确率的判别。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中图像处理方法的步骤流程图。
图2是本发明一实施例中待测工件进行图像拍摄的图像分布示意图。
图3a～3d是本发明一实施例中待测图像进行图像分割的示意图。
图4是本发明另一实施例中图像处理方法的步骤流程图。
图5为本发明一实施例中图像处理装置的功能模块图。
图6为本发明一实施例中电子设备示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施方式及实施方式中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。
本发明的图像检测方法应用在一个或者多个电子设备中，用于检测待测工件上的点胶路径。所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于处理器、微程序控制器(Microprogrammed ControlUnit，MCU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是桌上型计算机、工业电脑、数控设备、工业机器人、服务器等计算设备。所述电子设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
图1是本发明图像检测方法一实施例的步骤流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
参阅图1所示，所述图像检测方法可以包括以下步骤。
步骤S11、获取包括待测工件指定区域的多张待测图像。
在一实施方式中，待测工件可以是指需要进行点胶胶路检测的零部件或者产品，待测工件可以根据实际的点胶检测需求指定其需要进行点胶检测的检测部位。在对待测工件进行点胶前，预先规划了点胶位置，点胶路径经过待测工件的点胶位置，点胶路径所涵盖的区域就是后续需要拍照的指定区域。
在一实施方式中，当需要对待测工件上的点胶路径进行检测时，可以使用图像采集单元(比如摄像头)依预设路径拍摄待测工件的所有指定区域，得到多张待测图像。比如，将摄像头设置在检测台上方，当需要对待测工件上的点胶路径进行检测时，将待测工件放置在检测台上，控制摄像头依预设路径拍摄待测工件的所有指定区域。
在一实施方式中，也可以在检测前，预先依预设路径拍摄待测工件的所有指定区域，并将拍摄得到的图像存储至指定存储单元。当需要对待测工件上的点胶路径进行检测时，再从存储单元中读取待测工件指定区域的多张待测图像。
在一实施方式中，待测图像的数量可以根据实际需求进行设定，待测图像需包含有所有指定区域，同一指定区域可以拍摄多张图像，后续可以选择图像拍摄质量较高的图像进行图像分析。
步骤S12、对多张待测图像进行第一图像处理。
在一实施方式中，可以对每一张待测图像分别进行第一图像处理。第一图像处理可以包括下列处理方式中的至少一者：a.对多张待测图像进行去噪处理，比如采用均值滤波方式来消除图像尖锐噪声，实现图像平滑；b.对多张待测图像进行灰度转换处理，比如将待测图像转换为灰度图，便于后续进行图像处理；c.对多张待测图像进行颜色值过滤处理，比如进行单一颜色值过滤处理。
步骤S13、辨识每一待测图像的图像类型。
在一实施方式中，待测图像的图像类型可以包括第一类型与第二类型。第一类型可以是指包括两种或两种以上胶路形状的图像，第二类型可以是指包括一种胶路形状的图像。
在一实施方式中，可以通过提取待测图像中的特征识别符，并根据该特征识别符确定待测图像的图像类型。特征识别符可选存储于待测图像的非像素值中。特征识别符可以是图像序号、图像档名、图像标签(类型标签)、图像拍照顺序等，无需利用图像处理方式取得。比如，摄像头依预设路径拍摄待测工件的所有指定区域得到多张待测图像，可以根据待测图像的图像拍照顺序确定待测图像是第一类型，还是第二类型。
如图2所示，为待测工件的多张待测图像分布图。对于编号为1～16的待测图像，编号1、3、9、11的待测图像包括直边胶路及R角胶路，即将编号1、3、9、11的待测图像定义为第一类型，其余编号的待测图像仅包括直边胶路，即定义为第二类型。通过待测图像的编号即可得知待测图像的图像类型。
步骤S14、根据每一待测图像的图像类型对每一待测图像进行第二图像处理。
在一实施方式中，当待测图像的图像类型属于第一类型时，对待测图像进行第二图像处理可以包括：提取待测图像的至少二种轮廓特征，并根据该至少二种轮廓特征提取待测图像中的至少二个待测子区域。例如，对于编号1的待测图像，可以利用Hough变换算法提取直边轮廓特征和R角轮廓特征，待测子区域为包含直边轮廓特征的区域及包含R角轮廓特征的区域。
在一实施方式中，当待测图像的图像类型属于第一类型时，对待测图像进行第二图像处理还可以包括：对于待测图像中的非轮廓特征的区域，可以将其像素值替换为预设像素值。比如，对非轮廓特征的区域的像素值进行替换，使得非轮廓特征的区域变为白色背景区域或者黑色背景区域，可以提高匹配效率。
在一实施方式中，当待测图像的图像类型属于第二类型时，对待测图像进行第二图像处理可以包括：将待测图像与图像类型对应的模板图像进行比对，以从待测图像中截取兴趣区域，并将待测图像中的非兴趣区域的像素值替换为预设像素值。例如，编号2、10的待测图像对应一种模板图像，编号4～8与12～16的待测图像对应另一种模板图像，可以根据待测图像的编号调用对应的模板图像进行比对，以实现从待测图像中截取兴趣区域。
在一实施方式中，当待测图像的图像类型属于第二类型时，对待测图像进行第二图像处理还可以包括：对于待测图像中的非兴趣区域，可以将非兴趣区域的像素值替换为预设像素值。比如，对非兴趣区域的像素值进行替换，使得非兴趣区域变为白色背景区域或者黑色背景区域，可以提高匹配效率。
步骤S15、将经过第二图像处理的待测图像分割为预设数量的待测子图像。
在一实施方式中，可以根据预设尺寸和预设定位点分割待测图像为多个待测子图像，由于待测子图像尺寸相对较小，可以提高后续图像检测速度。待测子图像的数量可以根据实际需求进行设定。例如，将待测图像分割为3个W*V尺寸的待测子图像，W与V的值均可以根据实际需求进行设定。预设定位点可以包括待测图像的最左下像素点、最右下像素点、中间像素点、最右上像素点、最左上像素点中的一个或多个。比如，对于编号1～16的待测图像，可以分割得到48个待测子图像。
如图3a所示，示意将编号4的待测图像分割为3个待测子图像。先对待测图像进行裁剪，去掉一些非感兴趣区域，再以最左下像素点、最右下像素点为预设定位点，将编号4的待测图像分割为3个W1*W1尺寸的待测子图像A1、A2、A3。W1的值设定需使得待测子图像包括点胶胶路的轮廓特征。
如图3b所示，示意将编号4的待测图像分割为3个待测子图像，先对待测图像进行裁剪，去掉一些非感兴趣区域，再以最左下像素点、中间像素点、最右下像素点为预设定位点，将编号4的待测图像分割为3个W1*W1尺寸的待测子图像A1、A2、A3。
如图3c所示，示意将编号1的待测图像分割为3个待测子图像，先对待测图像进行裁剪，去掉一些非感兴趣区域，再以最左下像素点、最左上像素点、最右上像素点、中间像素点为预设定位点，将编号1的待测图像分割为3个W2*V2尺寸的待测子图像B1、B2、B3。
步骤S16、将每一待测子图像输入检测模型，以取得待测工件的检测结果。
在一实施方式中，当将待测图像分割为预设数量的待测子图像时，可以将每一待测子图像输入至预先训练得到的检测模型，利用该检测模型来判断输入的待测子图像是否符合预设标准，实现判断待测子图像中是否出现点胶不良。预设标准同样可以根据实际点胶检测要求进行设定。该检测模型可以输出待测子图像的判断结果，进而可以根据多张待测子图像的判断结果来确定待测工件的检测结果。
例如，对于编号1～16的待测图像进行分割得到48个待测子图像。当所有的待测子图像(48个待测子图像)均符合该预设标准时，确定待测工件的检测结果为良品。
例如，当不符合该预设标准的待测子图像的数量低于第一预设值时，确定待测工件的检测结果为良品，第一预设值可以根据实际需求进行设定，如第一预设值为2张，当不符合该预设标准的待测子图像的数量低于2张时，确定待测工件的检测结果为良品。
例如，当不符合该预设标准的待测子图像的数量低于第二预设值，且不符合该预设标准的待测子图像不属于待测图片的预设区域时，确定待测工件的检测结果为良品。如第二预设值设置为2张，预设区域为R角轮廓特征的区域，当不符合该预设标准的待测子图像的数量低于2张，且不符合预设标准的待测子图像均不属于R角轮廓特征的区域图像时，确定待测工件的检测结果为良品。
在一实施方式中，可以将待测子图像存储至样本库，利用样本库中的图像来训练预设深度学习模型得到检测模型。检测模型的具体训练方式可以采用现有模型训练方式，在此不作限定，比如将样本库中的图像划分为训练集与验证集，来训练预设深度学习模型得到检测模型。
步骤S17、输出待测工件的检测结果。
在一实施方式中，当得到待测工件的检测结果时，可以将检测结果进行输出，良品与不良品输出不同的提示信号。例如，当待测工件的检测结果为不良品时，发出警示信号，警示信号可以是声音警示/灯光警示等。如图3d所示，将待测图像分割为3张待测子图像C1、C2、C3(可以存在重叠区域)，利用检测模型可以检测得到该3张待测子图像C1、C2、C3均出现断胶不良。
在一实施方式中，当得到待测工件的检测结果时，也可以根据检测结果分类待测工件。比如，对待测工件进行良品与不良品的分类。
在一实施方式中，当得到待测工件的检测结果时，也可以根据检测结果发送对应的控制信号至工件输送单元。比如，当得到待测工件的检测结果后，可以将检测结果通知给下个工位，待测工件为良品时传送给工位WS1，待测工件为不良品时传送给工位WS2。
上述图像检测方法，通过获取待测工件指定区域的多张待测图像，并对每一待测图像进行第一图像处理与第二图像处理，以分割为多个待测子图像，再利用基于深度学习网络训练得到的检测模型来对每一待测子图像进行检测，可根据多个待测子图像的检测结果得到待测工件的检测结果，实现点胶胶路瑕疵高准确率的判别。
图4是本发明图像检测方法另一实施例的步骤流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
参阅图4所示，所述图像检测方法可以包括以下步骤。
步骤S41、获取包括待测工件指定区域的多张待测图像。
在一实施方式中，当需要对待测工件上的点胶路径进行检测时，可以使用图像采集单元(比如摄像头)依预设路径拍摄待测工件的所有指定区域，得到多张待测图像。比如，将摄像头设置在检测台上方，当需要对待测工件上的点胶路径进行检测时，将待测工件放置在检测台上，控制摄像头依预设路径拍摄待测工件的所有指定区域。
在一实施方式中，也可以在检测前，预先依预设路径拍摄待测工件的所有指定区域，并将拍摄得到的图像存储至指定存储单元。当需要对待测工件上的点胶路径进行检测时，再从存储单元中读取待测工件指定区域的多张待测图像。
步骤S42、判断获取到的待测图像的数量是否等于第一预设数量。
在一实施方式中，第一预设数量可以根据实际需求进行设定，比如对于图2所示的待测工件，设定第一预设数量为41张，即判断对于该待测工件而言，获取到的待测图像的数量是否等于41张。其中部分编号的待测图像(比如编号4)可以重复拍摄2张，部分编号的待测图像可以重复拍摄3张(比如编号3)，可以预先设定每一编号的待测图像需要拍摄的张数。
步骤S43、若待测图像的数量等于第一预设数量，从多张待测图像中依预设条件选择第二预设数量的待测图像。若待测图像的数量不等于第一预设数量，返回步骤S21。
在一实施方式中，第二预设数量可以根据实际需求进行设定，比如对于图2所示的待测工件，设定第二预设数量为16张。预设条件可以包括下列的一种或多种的组合：拍摄顺序、拍摄位置、存储顺序、图像类型、图像清晰程度。若待测图像的数量等于第一预设数量，表明未存在图像漏拍情形，可以从第一预设数量的待测图像中依预设条件选择第二预设数量的待测图像，比如从41张待测图像中依预设条件选择16张待测图像，所选择的待测图像可选是符合拍摄位置(编号1～16对应的图像区域)，且图像清晰程度较高的图像，便于后续进行图像比对。
若待测图像的数量不等于第一预设数量，表明存在图像漏拍情形，可以舍弃对待测图像的处理，返回步骤S21，以重新获取包括待测工件指定区域的多张待测图像。
步骤S44、对选择的待测图像进行第一图像处理。
在一实施方式中，对选择的待测图像进行第一图像处理，即对第二预设数量的待测图像进行第一图像处理。第一图像处理可以包括下列处理方式中的至少一者：a.对多张待测图像进行去噪处理，比如采用均值滤波方式来消除图像尖锐噪声，实现图像平滑；b.对多张待测图像进行灰度转换处理，比如将待测图像转换为灰度图，便于后续进行图像处理；c.对多张待测图像进行颜色值过滤处理，比如进行单一颜色值过滤处理。
步骤S45、辨识每一待测图像的图像类型。
在一实施方式中，待测图像的图像类型可以包括第一类型与第二类型。第一类型可以是指包括两种或两种以上胶路形状的图像，第二类型可以是指包括一种胶路形状的图像。
在一实施方式中，可以通过提取待测图像中的特征识别符，并根据该特征识别符确定待测图像的图像类型。特征识别符可选存储于待测图像的非像素值中。特征识别符可以是图像序号、图像档名、图像标签(类型标签)、图像拍照顺序等，无需利用图像处理方式取得。比如，摄像头依预设路径拍摄待测工件的所有指定区域得到多张待测图像，可以根据待测图像的图像拍照顺序确定待测图像是第一类型，还是第二类型。
步骤S46、根据每一待测图像的图像类型对每一待测图像进行第二图像处理。
在一实施方式中，当待测图像的图像类型属于第一类型时，对待测图像进行第二图像处理可以包括：提取待测图像的至少二种轮廓特征，并根据该至少二种轮廓特征提取待测图像中的至少二个待测子区域。例如，对于编号1的待测图像，可以利用Hough变换算法提取直边轮廓特征和R角轮廓特征，待测子区域为包含直边轮廓特征的区域及包含R角轮廓特征的区域。
在一实施方式中，当待测图像的图像类型属于第二类型时，对待测图像进行第二图像处理可以包括：将待测图像与图像类型对应的模板图像进行比对，以从待测图像中截取兴趣区域，并将待测图像中的非兴趣区域的像素值替换为预设像素值。例如，编号2、10的待测图像对应一种模板图像，编号4～8与12～16的待测图像对应另一种模板图像，可以根据待测图像的编号调用对应的模板图像进行比对，以实现从待测图像中截取兴趣区域。步骤S47、将经过第二图像处理的待测图像分割为预设数量的待测子图像。
在一实施方式中，可以根据预设尺寸和预设定位点分割待测图像为多个待测子图像，由于待测子图像尺寸相对较小，可以提高后续图像检测速度。待测子图像的数量可以根据实际需求进行设定。例如，将待测图像分割为3个W*V尺寸的待测子图像，W与V的值均可以根据实际需求进行设定。预设定位点可以包括待测图像的最左下像素点、最右下像素点、中间像素点、最右上像素点、最左上像素点中的一个或多个。比如，对于编号1～16的待测图像，可以分割得到48个待测子图像。
步骤S48、将每一待测子图像输入检测模型，以取得待测工件的检测结果。
在一实施方式中，当将待测图像分割为预设数量的待测子图像时，可以将每一待测子图像输入至预先训练得到的检测模型，利用该检测模型来判断输入的待测子图像是否符合预设标准，实现判断待测子图像中是否出现点胶不良。预设标准同样可以根据实际点胶检测要求进行设定。该检测模型可以输出待测子图像的判断结果，进而可以根据多张待测子图像的判断结果来确定待测工件的检测结果。
在一实施方式中，可以将待测子图像存储至样本库，利用样本库中的图像来训练预设深度学习模型得到检测模型。检测模型的具体训练方式可以采用现有模型训练方式，在此不作限定，比如将样本库中的图像划分为训练集与验证集，来训练预设深度学习模型得到检测模型。
步骤S49、输出待测工件的检测结果。
在一实施方式中，当得到待测工件的检测结果时，可以将检测结果进行输出，良品与不良品输出不同的提示信号。例如，当待测工件的检测结果为不良品时，发出警示信号，警示信号可以是声音警示/灯光警示等。
在一实施方式中，当得到待测工件的检测结果时，也可以根据检测结果分类待测工件。比如，对待测工件进行良品与不良品的分类。
在一实施方式中，当得到待测工件的检测结果时，也可以根据检测结果发送对应的控制信号至工件输送单元。比如，当得到待测工件的检测结果后，可以将检测结果通知给下个工位，待测工件为良品时传送给工位WS1，待测工件为不良品时传送给工位WS2。
图5为本发明图像检测装置较佳实施例的功能模块图。
参阅图5所示，所述图像检测装置10应用于电子设备。所述图像检测装置10可以包括一个或多个模块，所述一个或多个模块可以被存储在电子设备的存储器中并被配置成由一个或多个处理器执行，以完成本发明。例如，参阅图5所示，图像检测装置10可以包括获取模块101、第一处理模块102、辨识模块103、第二处理模块104、分割模块105、检测模块106及输出模块107。本发明实施例所称的模块可以是完成一特定功能的程序段，比程序更适合于描述软件在处理器中的执行过程。
可以理解的是，对应于上述图像检测方法中的各实施方式，图像检测装置10可以包括图5中所示的各功能模块中的一部分或全部，各模块101～107的功能将在以下具体介绍。需要说明的是，以上图像检测方法的各实施方式中相同的名词相关名词及其具体的解释说明也可以适用于以下对各模块101～107的功能介绍。为节省篇幅及避免重复起见，在此就不再赘述。
获取模块101用于获取包括待测工件指定区域的多张待测图像。
在一实施方式中，获取模块101可以包括图像采集单元(比如摄像头)、存储单元等，获取模块101也可以是从上述两者获取图像的应用程序。
在一实施方式中，待测工件可以是指需要进行点胶胶路检测的零部件或者产品，待测工件可以根据实际的点胶检测需求指定其需要进行点胶检测的检测部位。在对待测工件进行点胶前，预先规划了点胶位置，点胶路径经过待测工件的点胶位置，点胶路径所涵盖的区域就是后续需要拍照的指定区域。
在一实施方式中，当需要对待测工件上的点胶路径进行检测时，可以使用图像采集单元(比如摄像头)依预设路径拍摄待测工件的所有指定区域，进而获取模块101可以获取得到多张待测图像。比如，将摄像头设置在检测台上方，当需要对待测工件上的点胶路径进行检测时，将待测工件放置在检测台上，控制摄像头依预设路径拍摄待测工件的所有指定区域。
在一实施方式中，也可以在检测前，预先依预设路径拍摄待测工件的所有指定区域，并将拍摄得到的图像存储至指定存储单元。当需要对待测工件上的点胶路径进行检测时，获取模块101再从存储单元中读取待测工件指定区域的多张待测图像。
在一实施方式中，待测图像的数量可以根据实际需求进行设定，待测图像需包含有所有指定区域，同一指定区域可以拍摄多张图像，后续可以选择图像拍摄质量较高的图像进行图像分析。
第一处理模块102用于对多张待测图像进行第一图像处理。
在一实施方式中，第一处理模块102可以对每一张待测图像分别进行第一图像处理。第一图像处理可以包括下列处理方式中的至少一者：a.对多张待测图像进行去噪处理，比如采用均值滤波方式来消除图像尖锐噪声，实现图像平滑；b.对多张待测图像进行灰度转换处理，比如将待测图像转换为灰度图，便于后续进行图像处理；c.对多张待测图像进行颜色值过滤处理，比如进行单一颜色值过滤处理。
辨识模块103用于辨识每一待测图像的图像类型。
在一实施方式中，待测图像的图像类型可以包括第一类型与第二类型。第一类型可以是指包括两种或两种以上胶路形状的图像，第二类型可以是指包括一种胶路形状的图像。
在一实施方式中，辨识模块103可以通过提取待测图像中的特征识别符，并根据该特征识别符确定待测图像的图像类型。特征识别符可选存储于待测图像的非像素值中。特征识别符可以是图像序号、图像档名、图像标签(类型标签)、图像拍照顺序等，无需利用图像处理方式取得。比如，摄像头依预设路径拍摄待测工件的所有指定区域得到多张待测图像，可以根据待测图像的图像拍照顺序确定待测图像是第一类型，还是第二类型。
如图2所示，对于编号为1～16的待测图像，编号1、3、9、11的待测图像包括直边胶路及R角胶路，即将编号1、3、9、11的待测图像定义为第一类型，其余编号的待测图像仅包括直边胶路，即定义为第二类型。通过待测图像的编号即可得知待测图像的图像类型。
第二处理模块104用于根据每一待测图像的图像类型对每一待测图像进行第二图像处理。
在一实施方式中，当待测图像的图像类型属于第一类型时，第二处理模块104对待测图像进行第二图像处理可以包括：提取待测图像的至少二种轮廓特征，并根据该至少二种轮廓特征提取待测图像中的至少二个待测子区域。例如，对于编号1的待测图像，可以利用Hough变换算法提取直边轮廓特征和R角轮廓特征，待测子区域为包含直边轮廓特征的区域及包含R角轮廓特征的区域。
在一实施方式中，当待测图像的图像类型属于第一类型时，第二处理模块104对待测图像进行第二图像处理还可以包括：对于待测图像中的非轮廓特征的区域，可以将其像素值替换为预设像素值。比如，对非轮廓特征的区域的像素值进行替换，使得非轮廓特征的区域变为白色背景区域或者黑色背景区域，可以提高匹配效率。
在一实施方式中，当待测图像的图像类型属于第二类型时，第二处理模块104对待测图像进行第二图像处理可以包括：将待测图像与图像类型对应的模板图像进行比对，以从待测图像中截取兴趣区域，并将待测图像中的非兴趣区域的像素值替换为预设像素值。例如，编号2、10的待测图像对应一种模板图像，编号4～8与12～16的待测图像对应另一种模板图像，可以根据待测图像的编号调用对应的模板图像进行比对，以实现从待测图像中截取兴趣区域。
在一实施方式中，当待测图像的图像类型属于第二类型时，第二处理模块104对待测图像进行第二图像处理还可以包括：对于待测图像中的非兴趣区域，可以将非兴趣区域的像素值替换为预设像素值。比如，对非兴趣区域的像素值进行替换，使得非兴趣区域变为白色背景区域或者黑色背景区域，可以提高匹配效率。
分割模块105用于将经过第二图像处理的待测图像分割为预设数量的待测子图像。
在一实施方式中，分割模块105可以根据预设尺寸和预设定位点分割待测图像为多个待测子图像，由于待测子图像尺寸相对较小，可以提高后续图像检测速度。待测子图像的数量可以根据实际需求进行设定。例如，将待测图像分割为3个W*V尺寸的待测子图像，W与V的值均可以根据实际需求进行设定。预设定位点可以包括待测图像的最左下像素点、最右下像素点、中间像素点、最右上像素点、最左上像素点中的一个或多个。比如，对于编号1～16的待测图像，可以分割得到48个待测子图像。比如，编号4的待测图像的分割可以参考上述图3a-3b的叙述，编号1的待测图像的分割可以参考上述图3c的叙述。
检测模块106用于将每一待测子图像输入检测模型，以取得待测工件的检测结果。
在一实施方式中，当将待测图像分割为预设数量的待测子图像时，检测模块106可以将每一待测子图像输入至预先训练得到的检测模型，利用该检测模型来判断输入的待测子图像是否符合预设标准，实现判断待测子图像中是否出现点胶不良。预设标准同样可以根据实际点胶检测要求进行设定。该检测模型可以输出待测子图像的判断结果，进而可以根据多张待测子图像的判断结果来确定待测工件的检测结果。
例如，对于编号1～16的待测图像进行分割得到48个待测子图像。当所有的待测子图像(48个待测子图像)均符合该预设标准时，检测模块106可以确定待测工件的检测结果为良品。
例如，当不符合该预设标准的待测子图像的数量低于第一预设值时，检测模块106可以确定待测工件的检测结果为良品，第一预设值可以根据实际需求进行设定，如第一预设值为2张，当不符合该预设标准的待测子图像的数量低于2张时，确定待测工件的检测结果为良品。
例如，当不符合该预设标准的待测子图像的数量低于第二预设值，且不符合该预设标准的待测子图像不属于待测图片的预设区域时，检测模块106可以确定待测工件的检测结果为良品。如第二预设值设置为2张，预设区域为R角轮廓特征的区域，当不符合该预设标准的待测子图像的数量低于2张，且不符合预设标准的待测子图像均不属于R角轮廓特征的区域图像时，确定待测工件的检测结果为良品。
在一实施方式中，可以将待测子图像存储至样本库，利用样本库中的图像来训练预设深度学习模型得到检测模型。检测模型的具体训练方式可以采用现有模型训练方式，在此不作限定，比如将样本库中的图像划分为训练集与验证集，来训练预设深度学习模型得到检测模型。
输出模块107用以接收检测模块106的检测结果，并输出待测工件的检测结果。
在一实施方式中，输出模块107可以包括图形显示界面(比如液晶显示屏)、声音警报器、光学警报器或其他可提供检测结果的合适装置。输出模块107还可以是应用程序，用以发出检测结果给其他外部装置，比如发给声音警报器。
在一实施方式中，当得到待测工件的检测结果时，可以将检测结果进行输出，良品与不良品输出不同的提示信号。例如，当待测工件的检测结果为不良品时，发出警示信号，警示信号可以是声音警示/灯光警示等。
在一实施方式中，当得到待测工件的检测结果时，也可以根据检测结果分类待测工件。比如，对待测工件进行良品与不良品的分类。
在一实施方式中，当得到待测工件的检测结果时，也可以根据检测结果发送对应的控制信号至工件输送单元。比如，当得到待测工件的检测结果后，可以将检测结果通知给下个工位，待测工件为良品时传送给工位WS1，待测工件为不良品时传送给工位WS2。
上述图像检测装置，通过获取待测工件指定区域的多张待测图像，并对每一待测图像进行第一图像处理与第二图像处理，以分割为多个待测子图像，再利用基于深度学习网络训练得到的检测模型来对每一待测子图像进行检测，可根据多个待测子图像的检测结果得到待测工件的检测结果，实现点胶胶路瑕疵高准确率的判别。
图6为本发明电子设备较佳实施例的示意图。
电子设备100包括存储器20、处理器30以及存储在存储器20中并可在处理器30上运行的计算机程序40，例如图像检测装置10。处理器30执行计算机程序40时实现上述图像检测方法实施例中的步骤，例如图1所示的步骤S11～S17或者图4所示的步骤S41～S49。或者，处理器30执行计算机程序40时实现上述图像检测装置实施例中各模块的功能，例如图5中的模块101～107。
在一实施方式中，图5所示的模块(101～107)中的部分模块可以由处理器30执行，另一部分由其他硬件(比如摄像头、显示屏等)执行。比如，由处理器30执行模块102～106。
示例性的，计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器20中，并由处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述计算机程序40在电子设备100中的执行过程。例如，计算机程序40可以被分割成图2中的获取模块101、第一处理模块102、辨识模块103、第二处理模块104、分割模块105、检测模块106及输出模块107。各模块具体功能参见实施例三。
电子设备100可以是桌上型计算机、工业电脑、数控设备、工业机器人、服务器等计算设备。本领域技术人员可以理解，所述示意图仅是电子设备100的示例，并不构成对电子设备100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备100还可以包括输入输出设备、网络接入设备、总线等。
处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器30也可以是任何常规的处理器等，处理器30是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
存储器20可用于存储计算机程序40和/或模块/单元，处理器30通过运行或执行存储在存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现电子设备100的各种功能。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅是示意性的，例如，所述单元的划分，仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (15)

1.一种图像检测方法，用于检测待测工件上的点胶路径，包括：
获取包括所述待测工件指定区域的多张待测图像，其中所述点胶路径经过所述待测工件的指定区域；
对多张所述待测图像进行第一图像处理；
辨识每一所述待测图像的图像类型；
根据每一所述待测图像的图像类型对每一所述待测图像进行第二图像处理；
将经过第二图像处理的待测图像分割为预设数量的待测子图像；
将每一所述待测子图像输入检测模型，以取得所述待测工件的检测结果；
输出所述检测结果。
2.如权利要求1所述的图像检测方法，所述获取包括所述待测工件指定区域的多张待测图像的步骤，包括下列其中一者：
利用图像采集单元依预设路径拍摄所述待测工件的所有指定区域，以得到多张所述待测图像；
从存储单元中读取所述待测工件指定区域的多张所述待测图像。
3.如权利要求2所述的图像检测方法，所述获取包括所述待测工件指定区域的多张待测图像的步骤之后，还包括：
从多张所述待测图像中依预设条件选择预设数量的待测图像；
其中所述预设条件包括下列的一种或多种的组合：拍摄顺序、拍摄位置、存储顺序、图像类型、图像清晰程度。
4.如权利要求1所述的图像检测方法，所述获取包括所述待测工件指定区域的多张待测图像的步骤之后，还包括：
判断获取到的所述待测图像的数量是否等于第一预设数量；
当所述待测图像的数量等于所述第一预设数量时，从多张所述待测图像中依预设条件选择第二预设数量的待测图像；
其中所述预设条件包括下列的一种或多种的组合：拍摄顺序、拍摄位置、存储顺序、图像类型、图像清晰程度。
5.如权利要求1所述的图像检测方法，所述对多张所述待测图像进行第一图像处理的步骤，至少包括下列其中一者：
对多张所述待测图像进行去噪处理；
对多张所述待测图像进行灰度转换处理；
对多张所述待测图像进行颜色值过滤处理。
6.如权利要求1所述的图像检测方法，所述辨识每一所述待测图像的图像类型的步骤，包括：
提取所述待测图像中的特征识别符；
根据所述特征识别符确定所述待测图像的图像类型；
其中，所述特征识别符存储于所述待测图像的非像素值中。
7.如权利要求1所述的图像检测方法，所述根据每一所述待测图像的图像类型对每一所述待测图像进行第二图像处理的步骤，包括：
判断所述待测图像的图像类型是否属于第一类型；
当所述待测图像的图像类型属于所述第一类型时，提取所述待测图像的至少二种轮廓特征；
根据该至少二种轮廓特征提取所述待测图像中的至少二个待测子区域。
8.如权利要求7所述的图像检测方法，所述根据每一所述待测图像的图像类型对每一所述待测图像进行第二图像处理的步骤，还包括：
当所述待测图像的图像类型属于第二类型时，将所述待测图像与所述图像类型对应的模板图像进行比对，以从所述待测图像中截取兴趣区域；
将所述待测图像中的非兴趣区域的像素值替换为预设像素值。
9.如权利要求1所述的图像检测方法，所述将经过第二图像处理的待测图像分割为预设数量的待测子图像的步骤，包括：
根据预设尺寸和预设定位点分割所述待测图像为多个所述待测子图像；
其中，所述预设定位点包括所述待测图像的最左下像素点、最右下像素点、中间像素点、最右上像素点、最左上像素点。
10.如权利要求1所述的图像检测方法，还包括：
储存所述待测子图像为训练样本；
利用所述待测子图像训练预设深度学习模型得到所述检测模型。
11.如权利要求1所述的图像检测方法，所述将每一所述待测子图像输入检测模型，以取得所述待测工件的检测结果的步骤包括：
利用所述检测模型判断所述待测子图像是否符合预设标准；
根据多张所述待测子图像的判断结果确定所述待测工件的检测结果。
12.如权利要求10所述的图像检测方法，所述根据多张所述待测子图像的判断结果确定所述待测工件的检测结果的步骤，至少包括下列其中一者：
当所有的待测子图像均符合所述预设标准时，确定所述待测工件的检测结果为良品；
当不符合所述预设标准的待测子图像的数量低于第一预设值时，确定所述待测工件的检测结果为良品；
当不符合所述预设标准的待测子图像的数量低于第二预设值，且不符合所述预设标准的待测子图像不属于所述待测图片的预设区域时，确定所述待测工件的检测结果为良品。
13.如权利要求1所述的图像检测方法，所述输出所述检测结果的步骤，至少包括下列其中一者：
当所述检测结果为不良品时，发出警示信号；
根据所述检测结果分类所述待测工件；
根据所述检测结果发送对应的控制信号至工件输送单元。
14.一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1至权利要求13中任一项所述的图像检测方法。
15.一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储指令，所述处理器用于调用所述存储器中的指令，使得所述电子设备执行权利要求1至权利要求13中任一项所述的图像检测方法。
CN202011402418.7A 2020-12-02 图像检测方法、电子设备及计算机可读存储介质 Active CN112634203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011402418.7A CN112634203B (zh) 2020-12-02 图像检测方法、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011402418.7A CN112634203B (zh) 2020-12-02 图像检测方法、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112634203A true CN112634203A (zh) 2021-04-09
CN112634203B CN112634203B (zh) 2024-05-31

Family

ID=

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256615A (zh) * 2021-06-22 2021-08-13 常州微亿智造科技有限公司 线形缺陷的检测方法和装置
CN113781392A (zh) * 2021-08-04 2021-12-10 深圳市鑫信腾科技股份有限公司 胶路的检测方法、电子设备及存储介质
CN113992778A (zh) * 2021-09-30 2022-01-28 紫光展锐(重庆)科技有限公司 一种设备检测的方法、装置、芯片及模组设备
KR20220160912A (ko) * 2021-05-28 2022-12-06 주식회사 엠브이솔루션 영상 분석을 이용한 디스펜싱 경로 추정 장치

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204422435U (zh) * 2015-01-21 2015-06-24 苏州兰叶光电科技有限公司 摄像头模组滤光片涂胶检测装置
CN106097344A (zh) * 2016-06-15 2016-11-09 武汉理工大学 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统
CN109064454A (zh) * 2018-07-12 2018-12-21 上海蝶鱼智能科技有限公司 产品缺陷检测方法及系统
CN109215026A (zh) * 2018-09-29 2019-01-15 广东工业大学 一种基于机器视觉的高速准确led缺陷检测方法
CN109461141A (zh) * 2018-10-10 2019-03-12 重庆大学 一种工件缺胶检测方法
CN109741280A (zh) * 2019-01-04 2019-05-10 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
WO2019109524A1 (zh) * 2017-12-07 2019-06-13 平安科技（深圳）有限公司 入侵检测方法、应用服务器及计算机可读存储介质
CN110108711A (zh) * 2019-04-20 2019-08-09 东莞中科蓝海智能视觉科技有限公司 圆环侧壁缺陷的视觉检测系统
CN110210291A (zh) * 2019-04-22 2019-09-06 深圳绿米联创科技有限公司 导向片参数获取方法、装置、电子设备以及存储介质
CN110598761A (zh) * 2019-08-26 2019-12-20 深圳大学 一种点胶检测方法、装置及计算机可读存储介质
CN110956620A (zh) * 2019-11-26 2020-04-03 广东秦泰盛智能化科技有限公司 一种检测电子元件点胶质量的图像处理算法
CN111035115A (zh) * 2020-03-13 2020-04-21 杭州蓝芯科技有限公司 一种基于3d视觉鞋底涂胶路径规划方法和装置
CN111192237A (zh) * 2019-12-16 2020-05-22 重庆大学 一种基于深度学习的涂胶检测系统和方法
CN111230887A (zh) * 2020-03-10 2020-06-05 合肥学院 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法
CN111299815A (zh) * 2020-02-13 2020-06-19 西安交通大学 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法
US20200364860A1 (en) * 2019-05-16 2020-11-19 Retrace Labs Artificial Intelligence Architecture For Identification Of Periodontal Features

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204422435U (zh) * 2015-01-21 2015-06-24 苏州兰叶光电科技有限公司 摄像头模组滤光片涂胶检测装置
CN106097344A (zh) * 2016-06-15 2016-11-09 武汉理工大学 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统
WO2019109524A1 (zh) * 2017-12-07 2019-06-13 平安科技（深圳）有限公司 入侵检测方法、应用服务器及计算机可读存储介质
CN109064454A (zh) * 2018-07-12 2018-12-21 上海蝶鱼智能科技有限公司 产品缺陷检测方法及系统
CN109215026A (zh) * 2018-09-29 2019-01-15 广东工业大学 一种基于机器视觉的高速准确led缺陷检测方法
CN109461141A (zh) * 2018-10-10 2019-03-12 重庆大学 一种工件缺胶检测方法
CN109741280A (zh) * 2019-01-04 2019-05-10 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN110108711A (zh) * 2019-04-20 2019-08-09 东莞中科蓝海智能视觉科技有限公司 圆环侧壁缺陷的视觉检测系统
CN110210291A (zh) * 2019-04-22 2019-09-06 深圳绿米联创科技有限公司 导向片参数获取方法、装置、电子设备以及存储介质
US20200364860A1 (en) * 2019-05-16 2020-11-19 Retrace Labs Artificial Intelligence Architecture For Identification Of Periodontal Features
CN110598761A (zh) * 2019-08-26 2019-12-20 深圳大学 一种点胶检测方法、装置及计算机可读存储介质
CN110956620A (zh) * 2019-11-26 2020-04-03 广东秦泰盛智能化科技有限公司 一种检测电子元件点胶质量的图像处理算法
CN111192237A (zh) * 2019-12-16 2020-05-22 重庆大学 一种基于深度学习的涂胶检测系统和方法
CN111299815A (zh) * 2020-02-13 2020-06-19 西安交通大学 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法
CN111230887A (zh) * 2020-03-10 2020-06-05 合肥学院 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法
CN111035115A (zh) * 2020-03-13 2020-04-21 杭州蓝芯科技有限公司 一种基于3d视觉鞋底涂胶路径规划方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭;刘燕子;张东霖;: "基于HALCON的点胶质量检测系统设计", 包装工程, no. 15, 10 August 2018 (2018-08-10) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220160912A (ko) * 2021-05-28 2022-12-06 주식회사 엠브이솔루션 영상 분석을 이용한 디스펜싱 경로 추정 장치
KR102643248B1 (ko) * 2021-05-28 2024-03-06 주식회사 엠브이솔루션 영상 분석을 이용한 디스펜싱 경로 추정 장치
CN113256615A (zh) * 2021-06-22 2021-08-13 常州微亿智造科技有限公司 线形缺陷的检测方法和装置
CN113256615B (zh) * 2021-06-22 2021-10-19 常州微亿智造科技有限公司 线形缺陷的检测方法和装置
CN113781392A (zh) * 2021-08-04 2021-12-10 深圳市鑫信腾科技股份有限公司 胶路的检测方法、电子设备及存储介质
CN113992778A (zh) * 2021-09-30 2022-01-28 紫光展锐(重庆)科技有限公司 一种设备检测的方法、装置、芯片及模组设备
CN113992778B (zh) * 2021-09-30 2023-12-26 紫光展锐(重庆)科技有限公司 一种设备检测的方法、装置、芯片及模组设备

Similar Documents

Publication Publication Date Title
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN107895362B (zh) 一种微型接线端子质量检测的机器视觉方法
CN111680750B (zh) 图像识别方法、装置和设备
CN111340796B (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN115619787B (zh) 一种uv胶缺陷检测方法、系统、设备及介质
CN112150460A (zh) 检测方法、检测系统、设备和介质
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN114862845A (zh) 手机触摸屏的缺陷检测方法、装置、设备及存储介质
CN114419038A (zh) 轮毂表面缺陷的识别方法及装置、存储介质、电子设备
CN114235837A (zh) 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及系统
CN114897868A (zh) 极片缺陷识别及模型训练方法、装置及电子设备
CN113486715A (zh) 图像翻拍识别方法、智能终端以及计算机存储介质
CN115984593B (zh) 烟支滤棒缺陷检测方法、装置、设备及存储介质
CN112634203A (zh) 图像检测方法、电子设备及计算机可读存储介质
CN116245882A (zh) 电路板电子元件检测方法、装置及计算机设备
CN112634203B (zh) 图像检测方法、电子设备及计算机可读存储介质
CN114708266A (zh) 一种卡片缺陷的检测工装、方法、装置以及介质
CN111445431B (zh) 一种图像分割方法、终端设备及计算机可读存储介质
CN114596243A (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN111898641A (zh) 一种目标模型检测、装置、电子设备及计算机可读存储介质
CN116678898B (zh) 一种通用化的晶片缺陷检测方法、系统、设备及介质
CN113252697B (zh) 一种物料质量检测方法、设备及计算机可读存储介质

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
CB02 Change of applicant information

Address after: 450016 standard workshop No.7, Henan Zhengzhou export processing zone, 9th Street, Zhengzhou Economic Development Zone, Henan Province

Applicant after: Fulian Precision Electronics (Zhengzhou) Co.,Ltd.

Address before: 450016 standard workshop No.7, Henan Zhengzhou export processing zone, 9th Street, Zhengzhou Economic Development Zone, Henan Province

Applicant before: Futaihua precision electronics (Zhengzhou) Co.,Ltd.

GR01 Patent grant