CN112730427B - 一种基于机器视觉的产品表面缺陷检测方法及系统 - Google Patents
一种基于机器视觉的产品表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112730427B CN112730427B CN202011533110.6A CN202011533110A CN112730427B CN 112730427 B CN112730427 B CN 112730427B CN 202011533110 A CN202011533110 A CN 202011533110A CN 112730427 B CN112730427 B CN 112730427B
- Authority
- CN
- China
- Prior art keywords
- feature
- defect
- image
- type
- model
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 145
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 16
- 230000002950 deficient Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T2207/10024—Color image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于机器视觉的产品表面缺陷检测方法及系统，该方法步骤具体包括获取被检产品表面的图像、对图像进行特征提取，形成检测特征、在以检测特征为中心点的一定范围内遍历K个训练特征集模型、计算每个训练特征集模型中的含有该缺陷的特征模型和未含有该缺陷的特征到检测特征之间的距离、对每个训练特征集模型中距离临近检测特征的特征模型进行计数，若计数的含有该缺陷的特征模型的数量大于未含有该缺陷的特征模型的数量，则判定被检产品表面存在该缺陷，若计数的含有该缺陷的特征模型的数量大小于未含有该缺陷的特征模型的数量，则判定被检产品表面未存在该缺陷，相对于传统的人工检测，具有很高的检测效率和检测质量。
Description
技术领域
本发明涉及缺陷检测技术领域，具体为一种基于机器视觉的产品表面缺陷检测方法及系统。
背景技术
工业缺陷检测是工业生产中一个重要的环节，在完成产品生产后，需要对生产的产品进行缺陷检测，通过缺陷检测的产品可以进入后续加工或包装等环节。在这种情况下，如果不能及时检测出有缺陷的产品，则会导致有缺陷的产品进入后续环节，造成生产线资源的浪费，因此，在进行工业产品缺陷检测时，需要降低漏检和误检情况的发生。目前，在进行工业产品检测时主要以人工检测为主，人工检测不仅效率低，而且由于人工检测的劳动强度大，容易因作业员疲劳而造成检测质量低下。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有人工检测产品中存在的问题，提出了本发明。
因此，本发明的目的是提供一种基于机器视觉的产品表面缺陷检测方法及系统，能够提高检测效率和检测质量。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种基于机器视觉的产品表面缺陷检测方法，其包括：
获取被检产品表面的图像；
对图像进行特征提取，形成检测特征T；
在以检测特征T为中心点的一定范围内遍历K个训练特征集模型W，其中，K为奇数，每个所述训练特征集模型W均包括含有该缺陷的特征模型M和未含有该缺陷的特征模型N，所述训练特征模型M或N为使用多组数据通过机器学习训练得出，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：含有缺陷产品的的图像和标识该图像包括缺陷产品的标签；第二类数据中的每组数据均包括：未含有缺陷产品的的图像和标识该图像未含有缺陷产品的标签；
计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离；
对每个训练特征集模型W中距离临近检测特征T的特征模型进行计数，若计数的含有该缺陷的特征模型M的数量大于未含有该缺陷的特征模型N的数量，则判定被检产品表面存在该缺陷，若计数的含有该缺陷的特征模型M的数量大小于未含有该缺陷的特征模型N的数量，则判定被检产品表面未存在该缺陷。
作为本发明所述的一种基于机器视觉的产品表面缺陷检测方法的一种优选方案，其中，所述对图像进行特征提取，形成检测特征的步骤如下：
对图像作灰度化处理；
采用Gamma校正法对经过灰度化处理后的图像进行颜色空间的归一化；
计算经过归一化处理后的图像的每个像素的梯度大小和梯度方向；
将图像划分成多个相互连通的小的区域；
统计每个区域内的梯度直方图，并将每个区域内的梯度直方图串联组合形成检测特征T。
作为本发明所述的一种基于机器视觉的产品表面缺陷检测方法的一种优选方案，其中，所述K为大于或者等于5的奇数。
作为本发明所述的一种基于机器视觉的产品表面缺陷检测方法的一种优选方案，其中，所述计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离的计算公式为：
其中，n表示维度的数量，x表示每一维度含有该缺陷的特征模型M和未含有该缺陷的特征N中心位置的坐标，y表示每一维度检测特征T中心位置的坐标。
作为本发明所述的一种基于机器视觉的产品表面缺陷检测方法的一种优选方案，其中，所述对每个训练特征集模型W中距离最临近检测特征T的特征模型进行计数的具体步骤如下：
对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型M匹配第一类标签，对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型N匹配第二类标签；
取出匹配后的第一类标签和第二类标签，并对第一类标签和第二类标签进行计数；
对缺陷进行判断，若第一类标签的数量大于第二类标签的数量，则判定被检产品表面存在该缺陷，若第一类标签的数量小于第二类标签的数量，则判定被检产品表面未存在该缺陷。
一种基于机器视觉的产品表面缺陷检测系统，其包括：
图像采集单元，用于获取被检产品表面的图像；
特征提取单元，用于对图像进行特征提取，形成检测特征T；
遍历单元，用于在以检测特征T为中心点的一定范围内遍历K个训练特征集模型W；
距离测算单元，用于计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离；
计数判断单元，用于对每个训练特征集模型W中距离临近检测特征T的特征模型进行计数，若计数的含有该缺陷的特征模型M的数量大于未含有该缺陷的特征模型N的数量，则判定被检产品表面存在该缺陷，若计数的含有该缺陷的特征模型M的数量大小于未含有该缺陷的特征模型N的数量，则判定被检产品表面未存在该缺陷。
作为本发明所述的一种基于机器视觉的产品表面缺陷检测系统的一种优选方案，其中，所述图像采集单元为CMOS图像采集器或者CCD图像采集器。
作为本发明所述的一种基于机器视觉的产品表面缺陷检测系统的一种优选方案，其中，所述特征提取单元包括：
灰度处理模块，用于对图像作灰度化处理；
校正处理模块，用于采用Gamma校正法对经过灰度化处理后的图像进行颜色空间的归一化；
梯度计算模块，用于计算经过归一化处理后的图像的每个像素的梯度大小和梯度方向；
划分模块，用于将图像划分成多个相互连通的小的区域；
整合模块，用于统计每个区域内的梯度直方图，并将每个区域内的梯度直方图串联组合形成检测特征T。
作为本发明所述的一种基于机器视觉的产品表面缺陷检测系统的一种优选方案，其中，所述计数判断单元包括：
标签配对模块，用于对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型M匹配第一类标签，对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型N匹配第二类标签；
计数模块，用于取出匹配后的第一类标签和第二类标签，并对第一类标签和第二类标签进行计数；
判断模块，对缺陷进行判断，若第一类标签的数量大于第二类标签的数量，则判定被检产品表面存在该缺陷，若第一类标签的数量小于第二类标签的数量，则判定被检产品表面未存在该缺陷。
与现有技术相比，本发明具有的有益效果是：该种基于机器视觉的产品表面缺陷检测方法及系统，通过对采集的产品表面的图像进行预处理，提取产品表面图像的特征形成待检测的特征，然后在待检测的特征周围遍历多个包含有先前已经训练好的含有检测缺陷的特征模型和未含有检测缺陷的特征模型的训练特征集模型，对每个训练特征集模型内的模型测算到待检测的特征的之间的距离进行计数，通过概率统计的原理判断产品表面是否存在缺陷，相对于传统的人工检测，具有很高的检测效率和检测质量。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明的一种基于机器视觉的产品表面缺陷检测方法的流程图；
图2为本发明的一种基于机器视觉的产品表面缺陷检测方法中遍历的场景示意图；
图3为本发明的一种基于机器视觉的产品表面缺陷检测系统的框图；
图4为本发明的一种基于机器视觉的产品表面缺陷检测系统的特征提取单元的框图；
图5为本发明的一种基于机器视觉的产品表面缺陷检测方法中计数判断单元的框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于机器视觉的产品表面缺陷检测方法及系统，能够提高检测效率和检测质量。
请参阅图1-图2，在本实施方式中，该种基于机器视觉的产品表面缺陷检测方法，对杆塔倾斜部分的倾角θ的具体测量和监测具体步骤如下：
S10：获取被检产品表面的图像。
S20：对图像进行特征提取，形成检测特征T，具体的，对图像作灰度化处理；采用Gamma校正法对经过灰度化处理后的图像进行颜色空间的归一化，计算经过归一化处理后的图像的每个像素的梯度大小和梯度方向，将图像划分成多个相互连通的小的区域，统计每个区域内的梯度直方图，并将每个区域内的梯度直方图串联组合形成检测特征T。
S30：在以检测特征T为中心点的一定范围内遍历K个训练特征集模型W，其中，K为奇数，每个所述训练特征集模型W均包括含有该缺陷的特征模型M和未含有该缺陷的特征模型N，所述训练特征模型M或N为使用多组数据通过机器学习训练得出，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：含有缺陷产品的的图像和标识该图像包括缺陷产品的标签；第二类数据中的每组数据均包括：未含有缺陷产品的的图像和标识该图像未含有缺陷产品的标签，在本实施方式中，K为大于或者等于5的奇数。
S40：计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离，其中，所述计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离的计算公式为：其中，n表示维度的数量，x表示每一维度含有
该缺陷的特征模型M和未含有该缺陷的特征N中心位置的坐标，y表示每一维度检测特征T中心位置的坐标。
S50：对每个训练特征集模型W中距离临近检测特征T的特征模型进行计数，若计数的含有该缺陷的特征模型M的数量大于未含有该缺陷的特征模型N的数量，则判定被检产品表面存在该缺陷，若计数的含有该缺陷的特征模型M的数量大小于未含有该缺陷的特征模型N的数量，则判定被检产品表面未存在该缺陷，具体的，对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型M匹配第一类标签，对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型N匹配第二类标签，取出匹配后的第一类标签和第二类标签，并对第一类标签和第二类标签进行计数，对缺陷进行判断，若第一类标签的数量大于第二类标签的数量，则判定被检产品表面存在该缺陷，若第一类标签的数量小于第二类标签的数量，则判定被检产品表面未存在该缺陷。
在本实施方式中，为了对上述的一种基于机器视觉的产品表面缺陷检测方法的具体步骤的实现进行充分说明，请参阅图3-图5，本发明还提供了一种基于机器视觉的产品表面缺陷检测系统，其包括图像采集单元100、特征提取单元200、遍历单元300、距离测算单元400和计数判断单元500。
图像采集单元100用于获取被检产品表面的图像，在本实施方式中，该图像采集单元100具体可以为CMOS图像采集器或者CCD图像采集器。
特征提取单元200用于对图像进行特征提取，形成检测特征T，具体的，特征提取单元200包括灰度处理模块210、校正处理模块220、梯度计算模块230、划分模块240和整合模块250。灰度处理模块210用于对图像作灰度化处理，校正处理模块220用于采用Gamma校正法对经过灰度化处理后的图像进行颜色空间的归一化，梯度计算模块230用于计算经过归一化处理后的图像的每个像素的梯度大小和梯度方向，划分模块240用于将图像划分成多个相互连通的小的区域，整合模块250用于统计每个区域内的梯度直方图，并将每个区域内的梯度直方图串联组合形成检测特征T。
遍历单元300用于在以检测特征T为中心点的一定范围内遍历K个训练特征集模型W。
距离测算单元400用于计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离。该距离测算单元400内置计算公式，其中，n表示维度的数量，x表示每一维度含有该缺陷的特征模型M和未含有该缺陷的特征N中心位置的坐标，y表示每一维度检测特征T中心位置的坐标。
计数判断单元500用于对每个训练特征集模型W中距离临近检测特征T的特征模型进行计数，若计数的含有该缺陷的特征模型M的数量大于未含有该缺陷的特征模型N的数量，则判定被检产品表面存在该缺陷，若计数的含有该缺陷的特征模型M的数量大小于未含有该缺陷的特征模型N的数量，则判定被检产品表面未存在该缺陷。具体的，计数判断单元500包括标签配对模块510、计数模块520和判断模块530。标签配对模块510用于对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型M匹配第一类标签，对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型N匹配第二类标签；计数模块520用于取出匹配后的第一类标签和第二类标签，并对第一类标签和第二类标签进行计数；判断模块530对缺陷进行判断，若第一类标签的数量大于第二类标签的数量，则判定被检产品表面存在该缺陷，若第一类标签的数量小于第二类标签的数量，则判定被检产品表面未存在该缺陷。
应当认识到，本发明的实施方式可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施方式中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施方式中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (9)
1.一种基于机器视觉的产品表面缺陷检测方法，其特征在于，包括：
获取被检产品表面的图像；
对图像进行特征提取，形成检测特征T；
在以检测特征T为中心点的一定范围内遍历K个训练特征集模型W，其中，K为奇数，每个所述训练特征集模型W均包括含有该缺陷的特征模型M和未含有该缺陷的特征模型N，所述训练特征模型M或N为使用多组数据通过机器学习训练得出，所述多组数据包括第一类数据和第二类数据，所述第一类数据中的每组数据均包括：含有缺陷产品的图像和标识该图像包括缺陷产品的标签；第二类数据中的每组数据均包括：未含有缺陷产品的图像和标识该图像未含有缺陷产品的标签；
计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离；
对每个训练特征集模型W中距离临近检测特征T的特征模型进行计数，若计数的含有该缺陷的特征模型M的数量大于未含有该缺陷的特征模型N的数量，则判定被检产品表面存在该缺陷，若计数的含有该缺陷的特征模型M的数量大小于未含有该缺陷的特征模型N的数量，则判定被检产品表面未存在该缺陷。
2.根据权利要求1所述的一种基于机器视觉的产品表面缺陷检测方法，其特征在于，所述对图像进行特征提取，形成检测特征的步骤如下：
对图像作灰度化处理；
采用Gamma校正法对经过灰度化处理后的图像进行颜色空间的归一化；
计算经过归一化处理后的图像的每个像素的梯度大小和梯度方向；
将图像划分成多个相互连通的小的区域；
统计每个区域内的梯度直方图，并将每个区域内的梯度直方图串联组合形成检测特征T。
3.根据权利要求1所述的一种基于机器视觉的产品表面缺陷检测方法，其特征在于，所述K为大于或者等于5的奇数。
4.根据权利要求1所述的一种基于机器视觉的产品表面缺陷检测方法，其特征在于，所述计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离的计算公式为：
其中，n表示维度的数量，x表示每一维度含有该缺陷的特征模型M和未含有该缺陷的特征N中心位置的坐标，y表示每一维度检测特征T中心位置的坐标。
5.根据权利要求1所述的一种基于机器视觉的产品表面缺陷检测方法，其特征在于，所述对每个训练特征集模型W中距离最临近检测特征T的特征模型进行计数的具体步骤如下：
对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型M匹配第一类标签，对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型N匹配第二类标签；
取出匹配后的第一类标签和第二类标签，并对第一类标签和第二类标签进行计数；
对缺陷进行判断，若第一类标签的数量大于第二类标签的数量，则判定被检产品表面存在该缺陷，若第一类标签的数量小于第二类标签的数量，则判定被检产品表面未存在该缺陷。
6.一种基于机器视觉的产品表面缺陷检测系统，其特征在于，包括：
图像采集单元，用于获取被检产品表面的图像；
特征提取单元，用于对图像进行特征提取，形成检测特征T；
遍历单元，用于在以检测特征T为中心点的一定范围内遍历K个训练特征集模型W；
距离测算单元，用于计算每个训练特征集模型W中的含有该缺陷的特征模型M和未含有该缺陷的特征N到检测特征之间的距离；
计数判断单元，用于对每个训练特征集模型W中距离临近检测特征T的特征模型进行计数，若计数的含有该缺陷的特征模型M的数量大于未含有该缺陷的特征模型N的数量，则判定被检产品表面存在该缺陷，若计数的含有该缺陷的特征模型M的数量大小于未含有该缺陷的特征模型N的数量，则判定被检产品表面未存在该缺陷。
7.根据权利要求6所述的一种基于机器视觉的产品表面缺陷检测系统，其特征在于，所述图像采集单元为CMOS图像采集器或者CCD图像采集器。
8.根据权利要求6所述的一种基于机器视觉的产品表面缺陷检测系统，其特征在于，所述特征提取单元包括：
灰度处理模块，用于对图像作灰度化处理；
校正处理模块，用于采用Gamma校正法对经过灰度化处理后的图像进行颜色空间的归一化；
梯度计算模块，用于计算经过归一化处理后的图像的每个像素的梯度大小和梯度方向；
划分模块，用于将图像划分成多个相互连通的小的区域；
整合模块，用于统计每个区域内的梯度直方图，并将每个区域内的梯度直方图串联组合形成检测特征T。
9.根据权利要求6所述的一种基于机器视觉的产品表面缺陷检测系统，其特征在于，所述计数判断单元包括：
标签配对模块，用于对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型M匹配第一类标签，对每个训练特征集模型W中距离临近检测特征T的含有该缺陷的特征模型N匹配第二类标签；
计数模块，用于取出匹配后的第一类标签和第二类标签，并对第一类标签和第二类标签进行计数；
判断模块，对缺陷进行判断，若第一类标签的数量大于第二类标签的数量，则判定被检产品表面存在该缺陷，若第一类标签的数量小于第二类标签的数量，则判定被检产品表面未存在该缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011533110.6A CN112730427B (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器视觉的产品表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011533110.6A CN112730427B (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器视觉的产品表面缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112730427A CN112730427A (zh) | 2021-04-30 |
| CN112730427B true CN112730427B (zh) | 2024-02-09 |
Family
ID=75605827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011533110.6A Active CN112730427B (zh) | 2020-12-22 | 2020-12-22 | 一种基于机器视觉的产品表面缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112730427B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
| JP2000057349A (ja) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | 欠陥の分類方法およびその装置並びに教示用データ作成方法 |
| CN101484910A (zh) * | 2006-07-06 | 2009-07-15 | 旭硝子株式会社 | 聚类系统及缺陷种类判定装置 |
| CN107025503A (zh) * | 2017-04-18 | 2017-08-08 | 武汉大学 | 基于迁移学习和缺陷数量信息的跨公司软件缺陷预测方法 |
| CN111652098A (zh) * | 2020-05-25 | 2020-09-11 | 四川长虹电器股份有限公司 | 产品表面缺陷检测方法及装置 |
| CN111709936A (zh) * | 2020-06-17 | 2020-09-25 | 广州麦仑信息科技有限公司 | 一种基于多级特征比对的令纸缺陷检测方法 |
| CN111833306A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4750444B2 (ja) * | 2005-03-24 | 2011-08-17 | 株式会社日立ハイテクノロジーズ | 外観検査方法及びその装置 |
-
2020
- 2020-12-22 CN CN202011533110.6A patent/CN112730427B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
| JP2000057349A (ja) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | 欠陥の分類方法およびその装置並びに教示用データ作成方法 |
| CN101484910A (zh) * | 2006-07-06 | 2009-07-15 | 旭硝子株式会社 | 聚类系统及缺陷种类判定装置 |
| CN107025503A (zh) * | 2017-04-18 | 2017-08-08 | 武汉大学 | 基于迁移学习和缺陷数量信息的跨公司软件缺陷预测方法 |
| CN111652098A (zh) * | 2020-05-25 | 2020-09-11 | 四川长虹电器股份有限公司 | 产品表面缺陷检测方法及装置 |
| CN111833306A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
| CN111709936A (zh) * | 2020-06-17 | 2020-09-25 | 广州麦仑信息科技有限公司 | 一种基于多级特征比对的令纸缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112730427A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
| US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| US11341626B2 (en) | Method and apparatus for outputting information | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| JP6121425B2 (ja) | ラスタ画像のエッジ検出によるベルト摩耗の測定 | |
| CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
| US20210272272A1 (en) | Inspection support apparatus, inspection support method, and inspection support program for concrete structure | |
| CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
| JP6317725B2 (ja) | 取得された画像内のクラッタを決定するためのシステム及び方法 | |
| CN103424409A (zh) | 一种基于dsp的视觉检测系统 | |
| TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN115937203A (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
| JP2017521011A (ja) | シンボルの光学的検出方法 | |
| CN112991327B (zh) | 基于机器视觉的钢格网焊接系统、方法和终端设备 | |
| CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
| 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 | |
| CN112730427B (zh) | 一种基于机器视觉的产品表面缺陷检测方法及系统 | |
| CN114708230B (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 | |
| CN107767372B (zh) | 一种分层并行计算的芯片管脚在线视觉检测系统及其方法 | |
| CN115018735A (zh) | 基于霍夫变换校正二维码图像的裂缝宽度识别方法及系统 | |
| CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
| JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 |
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 |