CN112634264A - 一种基于前景的缺陷检测方法和系统 - Google Patents

一种基于前景的缺陷检测方法和系统 Download PDF

Info

Publication number
CN112634264A
CN112634264A CN202011643007.7A CN202011643007A CN112634264A CN 112634264 A CN112634264 A CN 112634264A CN 202011643007 A CN202011643007 A CN 202011643007A CN 112634264 A CN112634264 A CN 112634264A
Authority
CN
China
Prior art keywords
foreground
template
detected
foreground target
value
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
CN202011643007.7A
Other languages
English (en)
Other versions
CN112634264B (zh
Inventor
刘晓刚
包振健
赵严
姚毅
杨艺
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.)
Luster LightTech Co Ltd
Original Assignee
Luster LightTech 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 Luster LightTech Co Ltd filed Critical Luster LightTech Co Ltd
Priority to CN202011643007.7A priority Critical patent/CN112634264B/zh
Publication of CN112634264A publication Critical patent/CN112634264A/zh
Application granted granted Critical
Publication of CN112634264B publication Critical patent/CN112634264B/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
    • 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
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30144—Printing quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请一种基于前景的缺陷检测方法和系统，涉及图像缺陷检测技术领域。检测方法包括以下步骤：从模板图像中的前景区域内选取种子点；计算前景区域内的像素点相对于种子点的灰度波动值；选取目标像素点构建模板前景目标；根据图像特征生成模板前景目标的定位标识；根据定位标识和相似度量从待测图像的前景区域中搜索并定位得到待测背景目标；计算待测前景目标相对于模板前景目标的高低差值范围；从高低差值范围中选取检测值；从待测前景目标中筛选出缺陷区域，缺陷区域的检测值大于预设的检测阈值。本申请通过先提取待测前景目标，再筛选出其中的缺陷区域，有效消除了其它色组对待测色组的套印偏差干扰，降低了检测误报率。

Description

一种基于前景的缺陷检测方法和系统
技术领域
本申请涉及图像缺陷检测技术领域，尤其涉及一种基于前景的缺陷检测方法和系统。
背景技术
在多色印刷生产中存在一种色组套印关系，具体是一种位于相同印刷工序上的、由若干色组形成的套印关系。不同色组间的套印精度越高时，在印品表面形成的图案越精确细致，但是当印刷流程出现故障时，使得不同色组间的套印偏差变大，从而导致不同色组间的走位，如图1-a所示为色组走位示意图。
当出现色组走位问题时，现有技术中通常是将不同色组图案作为一个整体进行外观缺陷检测的，也就是在检测某个色组的图案时，并未考虑其他色组对当前检测图案造成的套印偏差干扰，从而导致图案缺陷高频误报、检测效率低的问题。
发明内容
本申请提供了一种基于前景的缺陷检测方法和系统，以解决现有技术中将不同色组作为一个整体进行外观缺陷检测而导致的图案缺陷高频误报的问题。
本申请采用的技术方案如下：
一种基于前景的缺陷检测方法，包括以下步骤：
从模板图像中的前景区域内选取种子点；
计算前景区域内的像素点相对于所述种子点的灰度波动值；
选取目标像素点构建模板前景目标，所述目标像素点的所述灰度波动值处于预设灰度波动范围内；
根据图像特征生成所述模板前景目标的定位标识；
根据所述定位标识和相似度量从待测图像的前景区域中搜索并定位得到待测背景目标，所述相似度量为待测前景目标与所述模板前景目标之间的相似程度；
计算所述待测前景目标相对于所述模板前景目标的高低差值范围；
从所述高低差值范围中选取检测值；
从所述待测前景目标中筛选出缺陷区域，所述缺陷区域的检测值大于预设的检测阈值。
进一步地，所述计算前景区域内的像素点相对于所述种子点的灰度波动值包括：
根据所述前景区域的图像颜色组成情况，选择对应的通道；
若所述模板图像为灰度图像，则选取Gray通道；
若所述模板图像为彩色图像，则选取RGB通道、R-G-B通道或所述Gray通道。
进一步地，所述计算前景区域内的像素点相对于所述种子点的灰度波动值还包括：
在选择所述通道后，再选取对应的灰度波动值提取规则，并根据所述灰度波动值提取规则计算所述前景区域内的像素点相对于所述种子点的灰度波动值，具体为：
当选取所述Gray通道时，则选取的灰度波动值提取规则为：
rGray＝θ|Gray-Gray′|；
当选取所述RGB通道时，则选取的灰度波动值提取规则为：
Figure BDA0002876201100000021
当选取所述R-G-B通道时，则选取的灰度波动值提取规则为：
Figure BDA0002876201100000022
其中，rGray为选取Gray通道时的灰度波动值，Gray为所述像素点的灰度值，Gray′为所述种子点的灰度值；θ为α、β、γ或1，α、β、γ分别表示R通道、G通道、B通道的权重系数；rRGB为RGB通道时的灰度波动值；rR、rG、rB分别表示R通道、G通道、B通道的灰度波动值；R、G、B分别表示所述像素点R通道、G通道、B通道的像素值；R′、G′、B′为所述种子点R通道、G通道、B通道的像素值。
进一步地，所述选取目标像素点包括：
判断像素点的所述灰度波动值是否处于所述灰度波动范围内；
若所述灰度波动值处于所述灰度波动范围内，则所述灰度波动值对应的像素点为目标像素点；
或者，若所述灰度波动值不处于所述灰度波动范围内，则所述灰度波动值对应的像素点为非目标像素点。
进一步地，在所述选取目标像素点构建模板前景目标之后，还包括对所述模板前景目标进行优化，所述对所述模板前景目标进行优化包括滤除干扰区域和填充孔洞；
所述滤除干扰区域包括：获取相似干扰区域，所述相似干扰区域位于所述模板前景目标的边缘；
设置干扰区域的长度阈值和宽度阈值；
判断所述相似干扰区域的长度和宽度是否分别小于所述长度阈值和所述宽度阈值；
若所述相似干扰区域的长度大于所述长度阈值或/和宽度大于所述宽度阈值，则所述相似干扰区域为干扰区域；
滤除所述干扰区域；
所述填充孔洞包括：所述孔洞位于所述模板前景目标内部；
设置孔洞半径阈值；
判断所述孔洞的半径是否大于或等于半径阈值；
若所述孔洞的半径小于或等于所述半径阈值，则填充所述孔洞；
若所述孔洞的半径大于所述半径阈值，则不填充所述孔洞。
进一步地，所述定位标识包括整体定位标识和分区定位标识，所述创建所述模板前景目标的定位标识包括：提取隶属于所述模板前景目标的边缘特征和角点特征；
创建所述模板前景目标的整体定位标识，所述整体定位标识用于对所述待测前景目标进行整体定位；
再对所述模板前景目标进行划分形成多个分区网格；
提取隶属于所述分区网格的边缘特征和角点特征；
创建所述模板前景目标的分区定位标识，所述分区定位标识用于对所述待测前景目标进行分区定位。
进一步地，根据所述定位标识和相似度量搜索定位得到待测图像中的待测背景目标，包括：
先根据所述整体定位标识对待测前景目标进行整体搜索定位相似待测前景目标；
再比较得出所述相似待测前景目标与所述模板前景目标之间的相似度量；
若所述相似度量大于或等于提前预设的相似度阈值，则表示所述待测前景目标搜索成功，所述相似待测前景目标为所述待测前景目标；
若所述相似度量小于提前预设的相似度阈值，则表示所述待测前景目标搜索失败；
所述前景目标搜索成功后，先根据所述整体定位标识对所述待测前景目标与所述模板前景目标进行整体重叠对位；
再根据所述分区定位标识对所述待测前景目标与所述模板前景目标进行分区重叠定位。
进一步地，所述计算所述待测前景目标相对于所述模板前景目标的高低差值范围包括：
设置所述模板前景目标的允许灰度值；
根据所述允许灰度值计算并生成所述模板前景目标的高低阈值模板；
根据所述高低阈值模板计算并生成所述待测前景目标的高低差值范围；所述高低差值范围为所述高低阈值模板与所述待测前景目标的灰度之差。
进一步地，所述检测值包括：所述高低差值范围中的对比度值和所述对比度值所对应的待测前景目标区域面积；
所述检测阈值包括：对比度阈值和面积阈值；
当所述对比度值大于所述对比度阈值，且所述对比度值对应的待测前景目标区域面积大于所述面积阈值时，所述待测前景目标区域为缺陷区域，否则不是缺陷区域。
一种基于前景的缺陷检测系统，用于实施所述基于前景的缺陷检测方法，包括：
种子点选取模块，用于从模板图像的前景区域内选取种子点；
灰度波动值计算模块，用于计算前景区域内的像素点相对于所述种子点的灰度波动值；
模板前景目标确定模块，用于筛选出灰度波动值不处于灰度波动范围内的像素点，所述灰度波动值不处于灰度波动范围内的像素点用于构成所述模板前景目标；
所述模板前景目标定位标识创建模块，用于根据图像特征创建所述模板前景目标的定位标识，所述定位标识包括整体定位标识和分区定位标识；
所述待测前景目标搜索定位模块，用于根据所述定位标识和相似度量搜索定位得到待测图像中的待测背景目标，所述相似度量为待测前景目标与所述模板前景目标之间的相似程度；
所述高低阈值模板生成模块，用于设置所述模板前景目标的允许灰度公差，计算并生成所述模板前景目标的高低阈值模板；
所述高低差值范围生成模块，用于求取所述高低阈值模板与所述待测前景目标之间的差值生成所述待测前景目标的高低差值范围；
所述选取设定模块，从所述高低差值范围中选取检测值，且预设检测阈值；所述检测值包括：所述高低差值范围中的对比度值和所述对比度值所对应的待测前景目标区域面积；所述检测阈值包括对比度阈值和面积阈值；
所述缺陷区域筛选模块，用于筛选出所述缺陷区域，所述缺陷区域对应的对比度值大于所述对比度阈值，且所述缺陷区域对应的面积大于所述面积阈值。
采用本申请的技术方案的有益效果如下：
本申请检测时采用前景提取技术将前景与背景分开检测，可有效消除背景上的不同色组或工序产生的套印偏差对前景目标的检测干扰，降低检测误报率，提高产能；
在构建模板前景目标后还对其进行优化，滤除冗余干扰，提高了前景目标的精确度；
在根据前景目标搜索定位待测前景目标时，既采用了定位标识又设置了相似度量，极大提高了待测前景目标与目标前景目标的定位准确度；
提高设置允许灰度值计算模板前景目标的高低阈值模板，能够兼容各种灰度值的图案，提高本申请检测方法的可适用性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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-a为不同色组间走位的印品图；图1-b为不同工序间走位的印品图；
图2-a为色组或工序间具有相交关系的印品图；图2-b为色组或工序间具体包含关系的印品图；图2-c为色组或工序间具有相对关系的印品图；
图3为本申请实施例所提供的一种基于前景的缺陷检测方法的流程图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1-a，为不同色组间走位的印品图；参见图1-b，为不同工序间走位的印品图；参见图2-a，为色组或工序间具有相交关系的印品图；参见图2-b，为色组或工序间具有包含关系的印品图；参见图2-c，为色组或工序间具有相对关系的印品图；参见图3，为本申请实施例所提供的一种基于前景的缺陷检测方法的流程图。
在多色印刷生产时，不同的色组或工序之间通常存在某种套印关系。一种是位于相同印刷工序上的、由若干色组形成的套印关系；另一种是由不同工序上叠加形成的套印关系。
前一种是在印刷工序产生的。通常情况下，不同色组间的套印精度较高，从而在印品表面形成精美的图案，但是当印刷流程出现故障时，不同色组间的套印偏差变大，从而导致不同色组间的走位如图1-a所示。
后一种是在相邻的多工序间产生的。尤其对于彩盒行业，出货前，通常需要经过喷码-印刷-上光油-烫金-击凸-模切-糊盒等多道工序，每一道工序都需要由专业设备协同加工印品表面，但是当某工序生产流程出现故障时，不同工序间的套印偏差就会明显变大，从而导致不同工序间的走位如图1-b所示。
无论是多色组还是多工序的套印，通常都具有相交、包含或相对关系。其中相交关系是指多个色组或工序区域具有交叠，即它们之间或多或少有交集，如图2-a所示；包含关系是指多个色组或工序具有内嵌，即某一色组或工序完全包含在另一色组或工序区域内部，如图2-b所示；相对关系是指某一色组或工序与其它色组或其他工序既不相交也不包含，是相对独立存在，如图2-c所示。
当不同色组图案具有相交或包含关系时，现有技术无法实现分开检测而只能将其作为一个整体检测。但对于多道工序复合加工形成的印品来说，不同工序间的走位现象更加明显，如果某两道工序具有相交或包含关系时，同样也无法将隶属不同工序的图案分开，使用整体检测必将带来高频边缘误报问题。
因此，当印品出现不同色组或工序的走位问题时，如果仍将不同色组或工序作为一个整体进行外观检测，必然会因其它色组或工序图案对当前色组或工序图案的套印偏差干扰而带来高频误检。因此，本申请采用一种基于前景的缺陷检测方法和系统，能够在检测某个色组或某个工序的图案时，消除其他色组或工序产生的套印偏差干扰。
本申请提供的一种基于前景的缺陷检测方法，包括以下步骤：
S1.从模板图像中的前景区域内选取种子点。
用户所关注或感兴趣的区域都可视为前景区域，不关注或不感兴趣的区域即为视为背景区域。用户从前景区域中随机选取种子点，并获取种子点R通道、G通道、B通道的像素值R′、G′、B′。
S2.计算前景区域内的像素点相对于种子点的灰度波动值。
S21.先根据前景区域的图像颜色组成情况，选择对应的通道。根据颜色组成情况将图像分为灰度图像和彩色图像两种。
若模板图像为灰度图像，则选取Gray通道。
若模板图像为彩色图像，则选取RGB通道、R-G-B通道或Gray通道。
S22.再选取对应的灰度波动值提取规则，并根据灰度波动值提取规则计算前景区域内的像素点相对于种子点的灰度波动值，具体包括：
当选取Gray通道时，则选取式(1)的灰度波动值提取规则计算灰度波动值rGray：
rGray＝θ|rGray-Gray′| (1)；
当选取RGB通道时，则选取式(2)的灰度波动值提取规则计算灰度波动值rGray：
Figure BDA0002876201100000061
当选取R-G-B通道时，则选取式(3)灰度波动值提取规则为计算灰度波动值rR、rG、rB：
Figure BDA0002876201100000062
其中，rGray为选取Gray通道时的灰度波动值，Gray为像素点的灰度值，Gray′为种子点的灰度值；θ为α、β、γ或1，α、β、γ分别表示R通道、G通道、B通道的权重系数；rRGB为RGB通道时的灰度波动值；rR、rG、rB分别表示R通道、G通道、B通道的灰度波动值；R、G、B分别表示像素点R通道、G通道、B通道的像素值；R′、G′、B′为种子点R通道、G通道、B通道的像素值。
S3.选取目标像素点构建模板前景目标。
根据S2已经计算出各像素点的灰度波动值，判断任意一个像素点的灰度波动值是否处于灰度波动范围内。灰度波动范围根据图像的灰度情况进行人为设定。
若灰度波动值处于灰度波动范围内，则灰度波动值对应的像素点为目标像素点；
或者，若灰度波动值不处于灰度波动范围内，则灰度波动值对应的像素点为非目标像素点。由若干个目标像素点构成模板前景目标，若干个非目标像素点构成模板背景目标。
为了使构建的模板前景目标更加精确，还需对模板前景目标进行优化。
对模板前景目标进行优化包括滤除干扰区域和填充孔洞。
其中，滤除干扰区域包括：获取相似干扰区域，相似干扰区域位于模板前景目标的边缘；设置干扰区域的长度阈值和宽度阈值。
判断相似干扰区域的长度和宽度是否分别小于长度阈值和宽度阈值；若相似干扰区域的长度大于长度阈值或/和宽度大于宽度阈值，则相似干扰区域为干扰区域；滤除干扰区域。
填充孔洞包括：孔洞位于模板前景目标内部；设置孔洞半径阈值；判断孔洞的半径是否大于或等于岁数半径阈值；
若孔洞的半径小于或等于半径阈值，则填充孔洞；
若孔洞的半径大于半径阈值，则不填充孔洞。
经过滤除干扰区域和填充孔洞，滤除冗余干扰，精确构建出的模板前景目标。
通过步骤S1-S3构建出了模板前景目标，在确定了模板前景目标之后，要根据模板前景目标对待测图像进行搜索定位，才能得到待测图像的待测前景目标。因此需要先找出模板前景目标中的定位标识。
S4.根据图像特征生成模板前景目标的定位标识。
定位标识包括整体定位标识和分区定位标识。
创建整体定位标识：提取隶属于模板前景目标的边缘特征和角点特征，创建模板前景目标的整体定位标识，整体定位标识用于对待测前景目标进行整体定位。
创建分区定位标识：将模板前景目标进行划分形成多个分区网格后，并提取隶属于分区网格的边缘特征和角点特征，创建模板前景目标的分区定位标识，分区定位标识用于对待测前景目标进行分区定位。
S5.根据定位标识和相似度量从待测图像的前景区域中搜索并定位得到待测背景目标，相似度量为待测前景目标与模板前景目标之间的相似程度。
S51.先根据整体定位标识对待测前景目标进行整体定位搜索到相似待测前景目标。
S52.再比较得出相似待测前景目标与模板前景目标之间的相似度量；
若相似度量大于或等于提前预设的相似度阈值，则表示待测前景目标搜索成功，相似待测前景目标即为待测前景目标；
若相似度量小于提前预设的相似度阈值，则表示待测前景目标搜索失败，需要重新确定模板前景目标。
S53.前景目标搜索成功后，先根据整体定位标识对待测前景目标与模板前景目标进行整体重叠对位；
S54.再根据分区定位标识对待测前景目标与模板前景目标进行分区重叠定位。最终完成待测前景目标的精确定位。
S6.计算待测前景目标相对于模板前景目标的高低差值范围。
为了兼容不同灰度的各种图像，先设置模板前景目标的允许灰度值，再分别计算目标像素点的灰度值与允许灰度值之和、目标像素点的灰度值与允许灰度值之差，生成模板前景目标的高低阈值模板。
最后计算高低阈值模板与待测前景目标的灰度之差，也就是待测前经目标的高低差值范围。
S7.从高低差值范围中选取检测值，具体包括：
选取检测值为高低差值范围中的对比度值和对比度值所对应的待测前景目标区域面积。
还包括预设检测阈值：对比度阈值和面积阈值。
S8.判断检测值与检测阈值，从待测前景目标中筛选出缺陷区域，具体包括：
当对比度值大于对比度阈值，且对比度值对应的待测前景目标区域面积大于面积阈值时，待测前景目标区域为缺陷区域，否则不是缺陷区域。
本申请还涉及一种基于前景的缺陷检测系统，包括：
种子点选取模块，用于从模板图像的前景区域内选取种子点；
灰度波动值计算模块，用于计算前景区域内的像素点相对于种子点的灰度波动值；
模板前景目标确定模块，用于筛选出灰度波动值不处于灰度波动范围内的像素点，灰度波动值不处于灰度波动范围内的像素点用于构成模板前景目标；
模板前景目标定位标识创建模块，用于根据图像特征创建模板前景目标的定位标识，定位标识包括整体定位标识和分区定位标识；
待测前景目标搜索定位模块，用于根据定位标识和相似度量搜索定位得到待测图像中的待测背景目标，相似度量为待测前景目标与模板前景目标之间的相似程度。
具体包括：
先根据整体定位标识对待测前景目标进行整体定位搜索到相似待测前景目标；
再比较得出相似待测前景目标与模板前景目标之间的相似度量；
若相似度量大于或等于提前预设的相似度阈值，则相似待测前景目标为待测前景目标；
将待测前景目标与模板前景目标进行整体重叠对位后；
再根据分区定位标识对待测前景目标进行分区定位，使待测前景目标与模板前景目标再次进行分区重叠定位；
确定待测前景目标；
若相似度量小于提前预设的相似度阈值，则表示搜索定位失败。
高低阈值模板生成模块，用于设置模板前景目标的允许灰度公差，计算并生成模板前景目标的高低阈值模板；
高低差值范围生成模块，用于求取高低阈值模板与待测前景目标之间的差值生成待测前景目标的高低差值范围；
选取设定模块，从高低差值范围中选取检测值，且预设检测阈值。
检测值包括：高低差值范围中的对比度值和对比度值所对应的待测前景目标区域面积；检测阈值包括对比度阈值和面积阈值。
缺陷区域筛选模块，用于筛选出缺陷区域，缺陷区域对应的对比度值大于对比度阈值，且缺陷区域对应的面积大于面积阈值。
本申请在检测图像缺陷时，先通过前景提取技术从模板图像中提取出模板前景目标，在提取过程中对不同色组或不同工序的印刷品图案进行区分，将用户需要进行检测的部分提取出来作为前景目标继续进行检测，其余的部分作为背景目标；然后根据模板前景目标搜索定位得到待测图像中的待测前景目标，最后设定检测值筛选出待测前景目标中的缺陷区域。
本申请检测时采用前景提取技术将前景与背景分开检测，可有效消除背景上的不同色组或工序产生的套印偏差对前景目标的检测干扰，降低检测误报率，提高产能；在构建模板前景目标后还对其进行优化，滤除冗余干扰，提高了前景目标的精确度；在根据前景目标搜索定位待测前景目标时，既采用了定位标识又设置了相似度量，极大提高了待测前景目标与目标前景目标的定位准确度；设置允许灰度值计算模板前景目标的高低阈值模板，能够兼容各种灰度值的图案，提高本申请检测方法的可适用性。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种基于前景的缺陷检测方法，其特征在于，包括以下步骤：
从模板图像中的前景区域内选取种子点；
计算前景区域内的像素点相对于所述种子点的灰度波动值；
选取目标像素点构建模板前景目标，所述目标像素点的所述灰度波动值处于预设灰度波动范围内；
根据图像特征生成所述模板前景目标的定位标识；
根据所述定位标识和相似度量从待测图像的前景区域中搜索并定位得到待测背景目标，所述相似度量为待测前景目标与所述模板前景目标之间的相似程度；
计算所述待测前景目标相对于所述模板前景目标的高低差值范围；
从所述高低差值范围中选取检测值；
从所述待测前景目标中筛选出缺陷区域，所述缺陷区域的检测值大于预设的检测阈值。
2.根据权利要求1所述的基于前景的缺陷检测方法，其特征在于，
所述计算前景区域内的像素点相对于所述种子点的灰度波动值包括：
根据所述前景区域的图像颜色组成情况，选择对应的通道；
若所述模板图像为灰度图像，则选取Gray通道；
若所述模板图像为彩色图像，则选取RGB通道、R-G-B通道或所述Gray通道。
3.根据权利要求2所述的基于前景的缺陷检测方法，其特征在于，
所述计算前景区域内的像素点相对于所述种子点的灰度波动值还包括：
在选择所述通道后，再选取对应的灰度波动值提取规则，并根据所述灰度波动值提取规则计算所述前景区域内的像素点相对于所述种子点的灰度波动值，具体为：
当选取所述Gray通道时，则选取的灰度波动值提取规则为：
rGray＝θ|Gray-Gray′|；
当选取所述RGB通道时，则选取的灰度波动值提取规则为：
Figure FDA0002876201090000011
当选取所述R-G-B通道时，则选取的灰度波动值提取规则为：
Figure FDA0002876201090000012
其中，rGray为选取Gray通道时的灰度波动值，Gray为所述像素点的灰度值，Gray′为所述种子点的灰度值；θ为α、β、γ或1，α、β、γ分别表示R通道、G通道、B通道的权重系数；rRGB为RGB通道时的灰度波动值；rR、rG、rB分别表示R通道、G通道、B通道的灰度波动值；R、G、B分别表示所述像素点R通道、G通道、B通道的像素值；R′、G′、B′为所述种子点R通道、G通道、B通道的像素值。
4.根据权利要求3所述的基于前景的缺陷检测方法，其特征在于，
所述选取目标像素点包括：
判断像素点的所述灰度波动值是否处于所述灰度波动范围内；
若所述灰度波动值处于所述灰度波动范围内，则所述灰度波动值对应的像素点为目标像素点；
或者，若所述灰度波动值不处于所述灰度波动范围内，则所述灰度波动值对应的像素点为非目标像素点。
5.根据权利要求1所述的基于前景的缺陷检测方法，其特征在于，
在所述选取目标像素点构建模板前景目标之后，还包括对所述模板前景目标进行优化，对所述模板前景目标进行优化包括滤除干扰区域和填充孔洞；
所述滤除干扰区域包括：获取相似干扰区域，所述相似干扰区域位于所述模板前景目标的边缘；
设置干扰区域的长度阈值和宽度阈值；
判断所述相似干扰区域的长度和宽度是否分别小于所述长度阈值和所述宽度阈值；
若所述相似干扰区域的长度大于所述长度阈值或/和宽度大于所述宽度阈值，则所述相似干扰区域为干扰区域；
滤除所述干扰区域；
所述填充孔洞包括：所述孔洞位于所述模板前景目标内部；
设置孔洞半径阈值；
判断所述孔洞的半径是否大于或等于所述半径阈值；
若所述孔洞的半径小于或等于所述半径阈值，则填充所述孔洞；
若所述孔洞的半径大于所述半径阈值，则不填充所述孔洞。
6.根据权利要求1-5任意一项所述的基于前景的缺陷检测方法，其特征在于，
所述定位标识包括整体定位标识和分区定位标识，创建所述模板前景目标的定位标识包括：提取隶属于所述模板前景目标的边缘特征和角点特征，创建所述模板前景目标的整体定位标识，所述整体定位标识用于对所述待测前景目标进行整体定位；
再对所述模板前景目标进行划分形成多个分区网格；
提取隶属于所述分区网格的边缘特征和角点特征，创建所述模板前景目标的分区定位标识，所述分区定位标识用于对所述待测前景目标进行分区定位。
7.根据权利要求6所述的基于前景的缺陷检测方法，其特征在于，
根据所述定位标识和相似度量搜索定位得到待测图像中的待测背景目标，包括：
先根据所述整体定位标识对所述待测前景目标进行整体搜索定位相似待测前景目标；
再比较得出所述相似待测前景目标与所述模板前景目标之间的相似度量；
若所述相似度量大于或等于提前预设的相似度阈值，则表示所述待测前景目标搜索成功，所述相似待测前景目标为所述待测前景目标；
若所述相似度量小于提前预设的相似度阈值，则表示所述待测前景目标搜索失败；
所述前景目标搜索成功后，先根据所述整体定位标识对所述待测前景目标与所述模板前景目标进行整体重叠对位；
再根据所述分区定位标识对所述待测前景目标与所述模板前景目标进行分区重叠定位。
8.根据权利要求7所述的基于前景的缺陷检测方法，其特征在于，
所述计算所述待测前景目标相对于所述模板前景目标的高低差值范围包括：
设置所述模板前景目标的允许灰度值；
根据所述允许灰度值计算并生成所述模板前景目标的高低阈值模板；
根据所述高低阈值模板计算并生成所述待测前景目标的高低差值范围，所述高低差值范围为所述高低阈值模板与所述待测前景目标的灰度之差。
9.根据权利要求1所述的基于前景的缺陷检测方法，其特征在于，
所述检测值包括：所述高低差值范围中的对比度值和所述对比度值所对应的待测前景目标区域面积；
所述检测阈值包括：对比度阈值和面积阈值；
当所述对比度值大于所述对比度阈值，且所述对比度值对应的待测前景目标区域面积大于所述面积阈值时，所述待测前景目标区域为缺陷区域，否则不是缺陷区域。
10.一种基于前景的缺陷检测系统，其特征在于，用于实施权利要求1-9任意一项所述的基于前景的缺陷检测方法，包括：
种子点选取模块，用于从模板图像的前景区域内选取种子点；
灰度波动值计算模块，用于计算前景区域内的像素点相对于所述种子点的灰度波动值；
模板前景目标确定模块，用于筛选出灰度波动值不处于灰度波动范围内的像素点，所述灰度波动值不处于灰度波动范围内的像素点用于构成所述模板前景目标；
模板前景目标定位标识创建模块，用于根据图像特征创建所述模板前景目标的定位标识，所述定位标识包括整体定位标识和分区定位标识；
待测前景目标搜索定位模块，用于根据所述定位标识和相似度量搜索定位得到待测图像中的待测背景目标，所述相似度量为待测前景目标与所述模板前景目标之间的相似程度；
高低阈值模板生成模块，用于设置所述模板前景目标的允许灰度公差，计算并生成所述模板前景目标的高低阈值模板；
高低差值范围生成模块，用于求取所述高低阈值模板与所述待测前景目标之间的差值生成所述待测前景目标的高低差值范围；
选取设定模块，从所述高低差值范围中选取检测值，且预设检测阈值；所述检测值包括：所述高低差值范围中的对比度值和所述对比度值所对应的待测前景目标区域面积；所述检测阈值包括对比度阈值和面积阈值；
缺陷区域筛选模块，用于筛选出所述缺陷区域，所述缺陷区域对应的对比度值大于所述对比度阈值，且所述缺陷区域对应的面积大于所述面积阈值。
CN202011643007.7A 2020-12-30 2020-12-30 一种基于前景的缺陷检测方法和系统 Active CN112634264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011643007.7A CN112634264B (zh) 2020-12-30 2020-12-30 一种基于前景的缺陷检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011643007.7A CN112634264B (zh) 2020-12-30 2020-12-30 一种基于前景的缺陷检测方法和系统

Publications (2)

Publication Number Publication Date
CN112634264A true CN112634264A (zh) 2021-04-09
CN112634264B CN112634264B (zh) 2024-04-26

Family

ID=75290546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011643007.7A Active CN112634264B (zh) 2020-12-30 2020-12-30 一种基于前景的缺陷检测方法和系统

Country Status (1)

Country Link
CN (1) CN112634264B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673518A (zh) * 2021-08-24 2021-11-19 凌云光技术股份有限公司 一种目标定位候选位置筛选策略方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020126893A1 (en) * 2001-01-31 2002-09-12 Andreas Held Automatic color defect correction
US20080205747A1 (en) * 2006-12-28 2008-08-28 Toshimasa Kuchii Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium
US20110069894A1 (en) * 2009-09-24 2011-03-24 Marie Vans Image defect detection
CN102043949A (zh) * 2010-12-28 2011-05-04 天津市亚安科技电子有限公司 一种搜索运动前景感兴趣区域的方法
CN103364410A (zh) * 2013-07-23 2013-10-23 三峡大学 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
CN106600625A (zh) * 2016-12-13 2017-04-26 广东沅朋网络科技有限公司 检测小型生物的图像处理方法及装置
CN106940885A (zh) * 2017-01-16 2017-07-11 北京印钞有限公司 一种荧光油墨印刷缺陷的在线检测方法
CN107331118A (zh) * 2017-07-05 2017-11-07 浙江宇视科技有限公司 跌倒检测方法及装置
CN109300102A (zh) * 2017-07-21 2019-02-01 凌云光技术集团有限责任公司 一种针对pcb的缺陷检测方法
CN109816648A (zh) * 2019-01-23 2019-05-28 浙江大学 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法
CN110503633A (zh) * 2019-07-29 2019-11-26 西安理工大学 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法
CN111368573A (zh) * 2020-03-02 2020-07-03 凌云光技术集团有限责任公司 一种基于几何特征约束的定位方法
CN111650220A (zh) * 2020-07-15 2020-09-11 博科视(苏州)技术有限公司 一种基于视觉的图文缺陷检测方法
CN111815630A (zh) * 2020-08-28 2020-10-23 歌尔股份有限公司 一种用于lcd屏幕的缺陷检测方法、装置
CN111882537A (zh) * 2020-07-28 2020-11-03 研祥智能科技股份有限公司 视觉检测方法及系统
CN111986190A (zh) * 2020-08-28 2020-11-24 哈尔滨工业大学（深圳） 一种基于伪影剔除的印刷品缺陷检测方法及装置

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020126893A1 (en) * 2001-01-31 2002-09-12 Andreas Held Automatic color defect correction
US20080205747A1 (en) * 2006-12-28 2008-08-28 Toshimasa Kuchii Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium
US20110069894A1 (en) * 2009-09-24 2011-03-24 Marie Vans Image defect detection
CN102043949A (zh) * 2010-12-28 2011-05-04 天津市亚安科技电子有限公司 一种搜索运动前景感兴趣区域的方法
CN103364410A (zh) * 2013-07-23 2013-10-23 三峡大学 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
CN106600625A (zh) * 2016-12-13 2017-04-26 广东沅朋网络科技有限公司 检测小型生物的图像处理方法及装置
CN106940885A (zh) * 2017-01-16 2017-07-11 北京印钞有限公司 一种荧光油墨印刷缺陷的在线检测方法
CN107331118A (zh) * 2017-07-05 2017-11-07 浙江宇视科技有限公司 跌倒检测方法及装置
CN109300102A (zh) * 2017-07-21 2019-02-01 凌云光技术集团有限责任公司 一种针对pcb的缺陷检测方法
CN109816648A (zh) * 2019-01-23 2019-05-28 浙江大学 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法
CN110503633A (zh) * 2019-07-29 2019-11-26 西安理工大学 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法
CN111368573A (zh) * 2020-03-02 2020-07-03 凌云光技术集团有限责任公司 一种基于几何特征约束的定位方法
CN111650220A (zh) * 2020-07-15 2020-09-11 博科视(苏州)技术有限公司 一种基于视觉的图文缺陷检测方法
CN111882537A (zh) * 2020-07-28 2020-11-03 研祥智能科技股份有限公司 视觉检测方法及系统
CN111815630A (zh) * 2020-08-28 2020-10-23 歌尔股份有限公司 一种用于lcd屏幕的缺陷检测方法、装置
CN111986190A (zh) * 2020-08-28 2020-11-24 哈尔滨工业大学（深圳） 一种基于伪影剔除的印刷品缺陷检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
官燕燕;刘昕;: "基于统计阈值法的印品缺陷检测", 西安理工大学学报, no. 04 *
徐足骋;周鑫;袁锁中;王从庆;张小正;: "基于视觉的印刷品缺陷检测技术", 重庆理工大学学报(自然科学), no. 08 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673518A (zh) * 2021-08-24 2021-11-19 凌云光技术股份有限公司 一种目标定位候选位置筛选策略方法
CN113673518B (zh) * 2021-08-24 2024-02-06 凌云光技术股份有限公司 一种目标定位候选位置筛选策略方法

Also Published As

Publication number Publication date
CN112634264B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN105066892B (zh) 一种基于直线聚类分析的bga元件检测与定位方法
US20200133182A1 (en) Defect classification in an image or printed output
CN108154502A (zh) 一种基于卷积神经网络的通孔焊点识别方法
JP5889727B2 (ja) 電子機器の捺印シンボル検査装置、及びその方法
CN107273828A (zh) 一种基于区域的全卷积神经网络的路牌检测方法
KR101759496B1 (ko) Ｐｃｂ 결함 및 결함종류 분류 시스템 및 방법
DE102010012262A1 (de) Bildverarbeitungsvorrichtung
CN110473174B (zh) 一种基于图像计算铅笔精确数目的方法
WO1998059213A1 (fr) Procede et dispositif de controle de motifs
CN111340701A (zh) 一种基于聚类法筛选匹配点的电路板图像拼接方法
CN111768407B (zh) 基于快速定位的缺陷检测算法
CN110390677A (zh) 一种基于滑动自匹配的缺陷定位方法及系统
CN112634264A (zh) 一种基于前景的缺陷检测方法和系统
CN104331695A (zh) 一种鲁棒的圆形标志符形状质量检测方法
US5440649A (en) Method of and apparatus for inspection of external appearance of a circuit substrate, and for displaying abnormality information thereof
CN113034488A (zh) 一种喷墨印刷品的视觉检测方法
CN114022439A (zh) 一种基于形态学图像处理的柔性电路板缺陷检测方法
CN114120051A (zh) 一种胶条边缘点的筛选方法
CN111402343A (zh) 高精度标定板及标定方法
Wang et al. Local defect detection and print quality assessment
CN110633635A (zh) 一种基于roi的交通标志牌实时检测方法及系统
CN105241894B (zh) 一种用于多工序柔性印刷品检测的模板配准方法
JPWO2012144025A1 (ja) 自動検査装置および自動検査装置における位置合わせ方法
CN114900966B (zh) 电路板近孔背钻方法、电路板、通讯电子设备及加工装置
CN113920121B (zh) 基于图像处理的工艺品印刷条痕检测方法和系统

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