CN112734691A - 一种工业制品缺陷检测方法、装置、终端设备及存储介质 - Google Patents
一种工业制品缺陷检测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112734691A CN112734691A CN202011500075.8A CN202011500075A CN112734691A CN 112734691 A CN112734691 A CN 112734691A CN 202011500075 A CN202011500075 A CN 202011500075A CN 112734691 A CN112734691 A CN 112734691A
- Authority
- CN
- China
- Prior art keywords
- image
- industrial product
- image block
- defect
- abnormal
- 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
- 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
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种工业制品缺陷检测方法,首先,获取无缺陷的工业制品的第一图像,将所述第一图像划分为多个第一图像块;其次,获取待检测的工业制品的第二图像,将所述第二图像划分为多个第二图像块;然后,通过比较第一图像块和对应的第二图像块之间的相似度,判断所述第二图像块是否存在异常;最后若所述第二图像块存在异常,对所述第二图像块进行缺陷定位。本发明的实施例中,通过将图像划分为多个图像块,通过图像块的单独比较,筛选出可能存在异常图像块的图像块,且可以有效地提高计算机的工作效率;在筛选出可能存在的异常图像块之后,对工业制品的缺陷进行深入检测,定位出工业制品缺陷的精确位置。
Description
技术领域
本发明涉及工业制品的异常检测的方法,尤其涉及一种工业制品缺陷的异常检测方法、装置、终端设备及存储介质。
背景技术
随着科学技术的不断发展,工业生产中对于产品缺陷检测的要求也越来越高,成本投入不断增大,各种基于人工智能、机器学习的检测技术和装置得到了广泛的使用。
现有技术(CN112067696A)公开的采用激光超声检测管道缺陷的装置,其通过脉冲激光发生器、激光探头、超声波检测探头、光纤分离器,双波混合干涉仪、信号放大器、数据采集卡、终端设备和波形显示模块,脉冲激光发生器发出的光束经激光激发探头反射后垂直照射于被测管道的表面,经管道哦反射后的光束射入超声波检测探头,并所述超声波检测探头反射后进入所述光纤分离器和双波混合干涉仪;再由终端设备根据放大滤波处理后的超声波信号获得被测管道的缺陷参数;该检测装置结构复杂,且成本较高。
现有技术(CN111179250A)公开了一种多任务学习的工业品缺陷检测系统,其利用一阶段分割网络模型生成的中间结果作为二阶段决策网络模型的输入,将一阶段模型生成的遮罩图像,引入注意力机制,在二阶段模型中新增为一个通道进行图像分类,从而实现对缺陷进行检测,但该方法需要事先拍摄大量的图片训练为一阶段的模型,其通用性差,每次用于不同的工业品时,都需要拍摄大量与该工业品相关的图片,才能够进行使用。
传统的算法使用大量的缺陷图片进行学习,通过训练模型对整张工业制品图像进行缺陷检测。这样的算法适用于生产速度慢、缺陷较为规则的产品。但是在较为复杂的生产流程中,缺陷种类多样化,传统的算法很难满足实际需求。此外,工业制品图像的尺寸较大,大部分区域不含缺陷,对于整张图像进行检测的计算量较大。
发明内容
有鉴于此,本发明实施例提供了一种工业数据异常检测方法、装置、电子设备及可读存储介质;其通过对图像多重筛选的方式,筛选出工业制品缺陷的潜在区域,并通过初步筛选出异常图像区域后,通过深入检测异常区域,确定缺陷明确存在的位置,通过该方式,解决工业制品检测中图像尺寸大、缺陷区域小、整张图像价值密度低,且需要大量训练图片训练模型样本的的问题,且可以有效地提高其缺陷检测的精度。
本发明实施例提供了一种工业制品缺陷检测方法,包括:
获取无缺陷的工业制品的第一图像,将所述第一图像划分为多个第一图像块;
获取待检测的工业制品的第二图像,将所述第二图像划分为多个第二图像块;
通过比较第一图像块和对应的第二图像块之间的相似度,判断所述第二图像块是否存在异常;
若所述第二图像块存在异常,对所述第二图像块进行缺陷定位。
进一步地,判断所述第二图像块异常的方式为:若所述相似度小于所述阈值时,则第二图像块存在异常;若所述相似度大于所述阈值时,则第二图像块不存在异常。
进一步地,通过比较所述第一图像块和对应的所述第二图像块之间的相似度;判断所述第二图像块是否出现异常,还包括:将所述第一图像、所述第二图像缩小为m*n个像素;将所述第二图像块的图像转化成灰度图,计算得到转化后图像灰度中值;比较灰度中值与所述第一图像对应的像素点灰度值的大小,当像素点的灰度值大于灰度中值时,则认为该像素点的二元码值记为1,否则记为0;将图像块的二元码值组合为字符串,计算对应字符串之间的汉明距离。如果汉明距离大于阈值,判定图像块之间相似度较小,反之则相似度较大。
进一步地,所述阈值随着待检测工业制品的数量增多而逐渐增大。
进一步地,若所述第二图像块存在异常,对所述第二图像块进行缺陷定位,还包括:采用高斯混合模型对所述第二图像块进行深入检测,定位工业制品的缺陷位置。
进一步地,所述高斯混合模型的建立方法为:在检测初期,通过将相似度的阈值设置的足够小,使得所有的第二图像块都被认为是缺陷可能存在的区域,使其待检测工业制品的第二图像块成为高斯混合模型的训练图库;
高斯混合模型使用K个高斯模型对于工业检测图像上像素点的像素值进行建模,当有新的图像到来时,像素值与对应的K个高斯模型进行匹配。根据匹配的结果,利用当前图像和当前背景图像进行加权平均来更新背景。
本发明实施例的第二方面提供了一种工业制品缺陷检测装置,包括:图像采集模块;用于采集无缺陷工业制品的第一图像以及待检测工业制品的第二图像;
图像处理模块,用于将所述第一图像划分为多个第一图像块,将第二图像划分为多个第二图像块;
比较模块,用于比较所述第一图像块和对应的所述第二图像块之间的相似度;
判断模块,用于判断所述第二图像块存在异常,对所述第二图像块进行缺陷定位。
进一步地,所述判断模块用于当所述第二图像块的相似度小于阈值时,利用高混合模型对所述第二图像进行深入检测,定位工业制品的缺陷位置。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现前述第一方面所述的工业制品缺陷检测方法的步骤。
本发明实施例的第四方面提供了.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现前述第一方面所述的工业制品缺陷检测方法的步骤。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,首先,获取无缺陷的工业制品的第一图像,将所述第一图像划分为多个第一图像块;其次,获取待检测的工业制品的第二图像,将所述第二图像划分为多个第二图像块;然后,通过比较第一图像块和对应的第二图像块之间的相似度,判断所述第二图像块是否存在异常;最后若所述第二图像块存在异常,对所述第二图像块进行缺陷定位。本发明的实施例中,通过将图像划分为多个图像块,通过图像块的单独比较,筛选出可能存在异常图像块的图像块,且可以有效地提高计算机的工作效率;在筛选出可能存在的异常图像块之后,对工业制品的缺陷进行深入检测,定位出工业制品缺陷的精确位置。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1是本发明实施例提供的一种工业制品缺陷的检测方法的第一个实施例的流程图;
图2是本发明实施例提供的一种工业制品缺陷的检测方法的第二个实施例的流程图;
图3是本发明实施例提供的一种工业制品缺陷的检测方法的步骤203的流程图;
图4是本发明实施例提供的一种工业制品缺陷的检测装置的一个实施例的结构图;
图5是本发明实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明实施例提供了一种工业制品缺陷的检测方法、装置、终端设备和计算机存储介质,筛选出工业制品缺陷的潜在区域,解决工业制品检测中图像尺寸大、缺陷区域小、整张图像价值密度低,且需要大量训练图片训练模型样本的的问题。
请参阅图1,本发明实施例中一种工业制品缺陷检测方法的第一个实施例包括:
步骤101,采集无缺陷的工业制品的第一图像,将所述第一图像划分多个第一图像块;
通过摄像头采集无缺陷的标准工业制品的第一图像,并将该第一图像划分为多个第一图像块,并将第一图像块作为背景模型存储于数据库中。
步骤102,采集待检测的工业制品的第二图像,将所述第二图像划分为多个第二图像块;
通过摄像头采集待检测的工业制品的第二图像,将所述第二图像划分为多个第二图像块,其中还包括在获取待检测的工业制品的第二图像后,对第二图像进行预处理,通过对产品进行预处理,将产品图像中,灰尘占据面积小,位置随即,灰度值变化明显的噪音,进行清除,降低灰尘带来的影响。
步骤103,通过比较所述第一图像块和对应的所述第二图像块之间的相似度;判断所述第二图像块是否存在异常。
通过比较第一图像块和对应的第二图像块之间的相似度,通过对比较应位置的第一图像块和第二图像块之间的相似度,当相似度小于所设置的阈值时,则判断第二图像块存在异常。
步骤104,若所述第二图像块存在异常,对所述第二图像块进行缺陷定位。
具体地,若第二图像块的相似度小于所设置的阈值时,在对第二图像块进行缺陷定位时,通过使用高斯混合模型对所述第二图像块进行缺陷定位,并划分出工业制品所存在的缺陷。
在本发明实施例中,通过将待检测的工业制品的图像划分为多个图像块,可有效地提高计算机的计算效率,并通过对待检测工业制品的图像进行初步判断后,再进一步的对有变化的图像块进行更细节检测,可以有效地提高计算机的处理速度,并能够准确的确定工业制品的缺陷位置。
本发明实施例中一种工业制品缺陷检测方法的第二个实施例包括:
步骤201,采集无缺陷的工业制品的第一图像,将所述第一图像划分多个第一图像块;
步骤202,采集待检测的工业制品的第二图像,将所述第二图像划分为多个第二图像块;
步骤201至202与步骤101至102相同,具体可参照步骤101至102的相关说明。
步骤203,通过比较所述第一图像块和对应的所述第二图像块之间的相似度;判断所述第二图像块是否出现异常。
可选地,步骤203具体可以包括:
(A1)将所述第一图像、第二图像块缩小为m*n个像素;
(A2)将所述第二图像块的图像转化成灰度图,计算得到转化后图像的灰度中值;
(A3)比较灰度中值与所述第一图像对应的像素点灰度值的大小,当像素点的灰度值大于灰度中值时,则认为该像素点的二元码值记为1,否则记为0;
(A4)将图像块的二元码值组合为字符串,计算对应字符串之间的汉明距离。如果汉明距离大于阈值,判定图像块之间相似度较小,反之则相似度较大。
可选地,所述阈值随着待检测工业制品的数量增多而逐渐增大;
具体包括,在第一图像块与第二图像块比较过程中,在初始比较时,由于同一型号制品的大量图片内容基本保持不变,而这些基本保持不变的区域将会被过滤掉,其将导致高斯混合模型无法得到充分的训练,因此,通过将设置一个动态的相似度阈值,在检测初期,将阈值设置的足够小,使得所有的第二图像块都被认为是缺陷可能存在的区域,使其进入对区域缺陷进行定位的步骤,对图像块进行高斯混合模型训练,随着检测次数增多,逐渐增大阈值至最大值。
步骤204,当所述第二图像块存在异常时,采用高斯混合模型对所述第二图像块进行深入检测,定位工业制品的缺陷位置。
具体地,高斯混合模型的建立方法如下:
(B1)在检测初期,通过将相似度的阈值设置的足够小,使得所有的第二图像块都被认为是缺陷可能存在的区域,使其待检测工业制品的第二图像块成为高斯混合模型的训练图库,通过这种方法,可以不需要预先输入相应的图像库,而是在检测的过程中,不断的提高高斯混合模型的判断的准确度。
(B2) 高斯混合模型使用K个高斯模型对于工业检测图像上像素点的像素值进行建模,当有新的图像到来时,像素值与对应的K个高斯模型进行匹配。根据匹配的结果,利用当前图像和当前背景图像进行加权平均来更新背景。在经过多次的训练后,背景可以由每个像素位置较大权重对用的高斯分布来表征。
含有K个高斯模型的高斯混合模型,其概率密度计算公式如下:
其中,πk是权重因子,N(x;uk,Σk)是多维高斯分布模型下概率密度函数,其公式如下:
其中,x代表像素值,uk代表高斯模型的样本均值,Σk代表高斯模型的协方差矩阵。高斯模型的方差为σk 2,协方差矩阵的公式为
具体地,当第二图像块的相似度小于阈值时,其定位出可能存在的区域后,高斯混合模型将所述第二图像块的区域划分为前景和背景,如果这些区域中的像素值与对应高斯模型满足 : ,则说明该像素点为北京店,否则为前景点,而通过高斯混合模型划分出的前景点即为工业制品所存在的缺陷所在。
本发明实施例中一种工业制品的缺陷检测装置的一个实施例包括:
图像采集模块301,用于采集无缺陷工业制品的第一图像以及待检测工业制品的第二图像;
图像处理模块302,用于将所述第一图像和/或第二图像划分为多个图像块;
比较模块303,用于比较所述第一图像块和对应的所述第二图像块之间的相似度;
判断模块304,用于判断所述第二图像块存在异常,对所述第二图像块进行缺陷定位。
进一步地,所述判断模块用于当所述第二图像块的相似度小于阈值时,采用高斯混合模型对所述第二图像块进行深入检测,定位工业制品的缺陷位置。
本发明实施例还提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如图1至图3表示的任意一种工业制品缺陷的检测方法的步骤。
本发明实施例还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有计算机程序,所述计算机程序被处理器执行时实现如图1至图3表示的任意一种一种工业制品缺陷的检测方法的步骤。
图5是本发明一实施例提供的终端设备的示意图。如图5所示,该实施例的终端设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个机器人的唤醒方法的实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块401至404的功能。
所述计算机程序52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/单元被存储在所述存储器51中,并由所述处理器50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,该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。
所述终端设备5可以是各种类型的手机、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端设备5的示例,并不构成对终端设备5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,例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50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该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,仅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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,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一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的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,该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,所述计算机程序包括计算机程序代码,所述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:能够携带所述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,所述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是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种工业制品缺陷检测方法,其特征在于,包括:
获取无缺陷的工业制品的第一图像,将所述第一图像划分为多个第一图像块;
获取待检测的工业制品的第二图像,将所述第二图像划分为多个第二图像块;
通过比较第一图像块和对应的第二图像块之间的相似度,判断所述第二图像块是否存在异常;
若所述第二图像块存在异常,对所述第二图像块进行缺陷定位。
2.如权利要求1所述的工业制品缺陷检测方法,其特征在于,判断所述第二图像块异常的方式为:若所述相似度小于所述阈值时,则第二图像块存在异常;若所述相似度大于所述阈值时,则第二图像块不存在异常。
3.如权利要求1所述的工业制品缺陷检测方法,其特征在于,通过比较所述第一图像块和对应的所述第二图像块之间的相似度;判断所述第二图像块是否出现异常,还包括:将所述第一图像、所述第二图像缩小为m*n个像素;将所述第二图像块的图像转化成灰度图,计算得到转化后图像灰度中值;比较灰度中值与所述第一图像对应的像素点灰度值的大小,当像素点的灰度值大于灰度中值时,则认为该像素点的二元码值记为1,否则记为0;将图像块的二元码值组合为字符串,计算对应字符串之间的汉明距离,如果汉明距离大于阈值,判定图像块之间相似度较小,反之则相似度较大。
4.如权利要求2所述的工业制品缺陷检测方法,其特征在于,所述阈值随着待检测工业制品的数量增多而逐渐增大。
5.如权利要求1所述的工业制品缺陷检测方法,其特征在于,若所述第二图像块存在异常,对所述第二图像块进行缺陷定位,还包括:
采用高斯混合模型对所述第二图像块进行深入检测,定位工业制品的缺陷位置。
6.如权利要求5所述的工业制品缺陷检测方法,其特征在于,所述高斯混合模型的建立方法为:在检测初期,通过将相似度的阈值设置的足够小,使得所有的第二图像块都被认为是缺陷可能存在的区域,使其待检测工业制品的第二图像块成为高斯混合模型的训练图库;
高斯混合模型使用K个高斯模型对于工业检测图像上像素点的像素值进行建模,当有新的图像到来时,像素值与对应的K个高斯模型进行匹配;根据匹配的结果,利用当前图像和当前背景图像进行加权平均来更新背景。
7.一种工业制品缺陷检测装置,其特征在于,包括:
图像采集模块;用于采集无缺陷工业制品的第一图像以及待检测工业制品的第二图像;
图像处理模块,用于将所述第一图像划分为多个第一图像块,将第二图像划分为多个第二图像块;
比较模块,用于比较所述第一图像块和对应的所述第二图像块之间的相似度;
判断模块,用于判断所述第二图像块存在异常,对所述第二图像块进行缺陷定位。
8.根据权利要求7所述的工业制品缺陷检测装置,其特征在于,包括:所述判断模块用于当所述第二图像块的相似度小于阈值时,利用高混合模型对所述第二图像进行深入检测,定位工业制品的缺陷位置。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至中6任一项所述的工业制品缺陷检测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的工业制品缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011500075.8A CN112734691B (zh) | 2020-12-17 | 2020-12-17 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011500075.8A CN112734691B (zh) | 2020-12-17 | 2020-12-17 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734691A true CN112734691A (zh) | 2021-04-30 |
CN112734691B CN112734691B (zh) | 2023-06-16 |
Family
ID=75603101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011500075.8A Active CN112734691B (zh) | 2020-12-17 | 2020-12-17 | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734691B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269727A (zh) * | 2021-05-08 | 2021-08-17 | 深圳市深视创新科技有限公司 | 透明玻璃材质缺陷视觉检测方法 |
CN114345803A (zh) * | 2021-12-30 | 2022-04-15 | 沈阳仪表科学研究院有限公司 | 冷却塔清洗装置 |
CN114972350A (zh) * | 2022-08-01 | 2022-08-30 | 深圳市信润富联数字科技有限公司 | 模具异常检测方法、装置、设备及存储介质 |
CN115270894A (zh) * | 2022-09-27 | 2022-11-01 | 山东行创科技有限公司 | 用于甲醇发电机的异常振动信号提取方法 |
CN115564715A (zh) * | 2022-09-09 | 2023-01-03 | 国网湖北省电力有限公司超高压公司 | 一种基于视觉小块的输电线路缺陷图片分类方法 |
CN115578329A (zh) * | 2022-09-28 | 2023-01-06 | 中科可控信息产业有限公司 | 屏幕检测方法、装置、计算机设备及可读存储介质 |
CN116342597A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市民达科技有限公司 | 一种汽车配件表面电镀加工缺陷检测方法和系统 |
CN116452587A (zh) * | 2023-06-15 | 2023-07-18 | 山东兴华钢结构有限公司 | 一种环保建筑结构钢板缺陷识别方法 |
CN116542934A (zh) * | 2023-05-09 | 2023-08-04 | 哈尔滨工业大学重庆研究院 | 薄膜电容工艺检测方法及电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006195947A (ja) * | 2004-12-13 | 2006-07-27 | Tokyo Seimitsu Co Ltd | 画像欠陥検査方法、画像欠陥検査装置及び外観検査装置 |
CN103218961A (zh) * | 2013-03-22 | 2013-07-24 | 苏州领视测控科技有限公司 | 一种lcd缺陷在线检测方法及系统 |
KR20140071016A (ko) * | 2012-12-03 | 2014-06-11 | 엘지디스플레이 주식회사 | 패널 검사 방법 |
CN105354816A (zh) * | 2015-09-24 | 2016-02-24 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN106770318A (zh) * | 2016-12-07 | 2017-05-31 | 江南大学 | 基于改进的背景差分法的焊缝缺陷实时检测方法 |
CN109461167A (zh) * | 2018-11-02 | 2019-03-12 | Oppo广东移动通信有限公司 | 图像处理模型的训练方法、抠图方法、装置、介质及终端 |
CN110298838A (zh) * | 2019-07-09 | 2019-10-01 | 国信优易数据有限公司 | 一种确定样本图像的方法、装置、设备和存储介质 |
CN110458812A (zh) * | 2019-07-22 | 2019-11-15 | 南京邮电大学 | 一种基于颜色描述及稀疏表达的类圆形水果缺陷检测方法 |
CN110796637A (zh) * | 2019-09-29 | 2020-02-14 | 郑州金惠计算机系统工程有限公司 | 图像缺陷检测模型的训练、测试方法、装置及存储介质 |
CN111127383A (zh) * | 2019-03-15 | 2020-05-08 | 杭州电子科技大学 | 一种数码印花在线缺陷检测系统及其实现方法 |
CN111445459A (zh) * | 2020-03-27 | 2020-07-24 | 广东工业大学 | 一种基于深度孪生网络的图像缺陷检测方法及系统 |
CN111667448A (zh) * | 2019-03-06 | 2020-09-15 | 深圳中科飞测科技有限公司 | 一种图像处理方法、装置及设备 |
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 |
-
2020
- 2020-12-17 CN CN202011500075.8A patent/CN112734691B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006195947A (ja) * | 2004-12-13 | 2006-07-27 | Tokyo Seimitsu Co Ltd | 画像欠陥検査方法、画像欠陥検査装置及び外観検査装置 |
KR20140071016A (ko) * | 2012-12-03 | 2014-06-11 | 엘지디스플레이 주식회사 | 패널 검사 방법 |
CN103218961A (zh) * | 2013-03-22 | 2013-07-24 | 苏州领视测控科技有限公司 | 一种lcd缺陷在线检测方法及系统 |
CN105354816A (zh) * | 2015-09-24 | 2016-02-24 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN106770318A (zh) * | 2016-12-07 | 2017-05-31 | 江南大学 | 基于改进的背景差分法的焊缝缺陷实时检测方法 |
CN109461167A (zh) * | 2018-11-02 | 2019-03-12 | Oppo广东移动通信有限公司 | 图像处理模型的训练方法、抠图方法、装置、介质及终端 |
CN111667448A (zh) * | 2019-03-06 | 2020-09-15 | 深圳中科飞测科技有限公司 | 一种图像处理方法、装置及设备 |
CN111127383A (zh) * | 2019-03-15 | 2020-05-08 | 杭州电子科技大学 | 一种数码印花在线缺陷检测系统及其实现方法 |
CN110298838A (zh) * | 2019-07-09 | 2019-10-01 | 国信优易数据有限公司 | 一种确定样本图像的方法、装置、设备和存储介质 |
CN110458812A (zh) * | 2019-07-22 | 2019-11-15 | 南京邮电大学 | 一种基于颜色描述及稀疏表达的类圆形水果缺陷检测方法 |
CN110796637A (zh) * | 2019-09-29 | 2020-02-14 | 郑州金惠计算机系统工程有限公司 | 图像缺陷检测模型的训练、测试方法、装置及存储介质 |
CN111445459A (zh) * | 2020-03-27 | 2020-07-24 | 广东工业大学 | 一种基于深度孪生网络的图像缺陷检测方法及系统 |
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 |
Non-Patent Citations (2)
Title |
---|
HUI ZHANG等: "Automatic Visual Detection System of Railway Surface Defects With Curvature Filter and Improved Gaussian Mixture Model", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
刘炳超: "手势三维跟踪中的观测似然模型研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269727A (zh) * | 2021-05-08 | 2021-08-17 | 深圳市深视创新科技有限公司 | 透明玻璃材质缺陷视觉检测方法 |
CN114345803A (zh) * | 2021-12-30 | 2022-04-15 | 沈阳仪表科学研究院有限公司 | 冷却塔清洗装置 |
CN114972350A (zh) * | 2022-08-01 | 2022-08-30 | 深圳市信润富联数字科技有限公司 | 模具异常检测方法、装置、设备及存储介质 |
CN114972350B (zh) * | 2022-08-01 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 模具异常检测方法、装置、设备及存储介质 |
CN115564715B (zh) * | 2022-09-09 | 2023-10-13 | 国网湖北省电力有限公司超高压公司 | 一种基于视觉小块的输电线路缺陷图片分类方法 |
CN115564715A (zh) * | 2022-09-09 | 2023-01-03 | 国网湖北省电力有限公司超高压公司 | 一种基于视觉小块的输电线路缺陷图片分类方法 |
CN115270894A (zh) * | 2022-09-27 | 2022-11-01 | 山东行创科技有限公司 | 用于甲醇发电机的异常振动信号提取方法 |
CN115578329A (zh) * | 2022-09-28 | 2023-01-06 | 中科可控信息产业有限公司 | 屏幕检测方法、装置、计算机设备及可读存储介质 |
CN116542934A (zh) * | 2023-05-09 | 2023-08-04 | 哈尔滨工业大学重庆研究院 | 薄膜电容工艺检测方法及电子设备 |
CN116542934B (zh) * | 2023-05-09 | 2023-12-22 | 哈尔滨工业大学重庆研究院 | 薄膜电容工艺检测方法及电子设备 |
CN116342597A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市民达科技有限公司 | 一种汽车配件表面电镀加工缺陷检测方法和系统 |
CN116452587A (zh) * | 2023-06-15 | 2023-07-18 | 山东兴华钢结构有限公司 | 一种环保建筑结构钢板缺陷识别方法 |
CN116452587B (zh) * | 2023-06-15 | 2023-08-18 | 山东兴华钢结构有限公司 | 一种环保建筑结构钢板缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112734691B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734691B (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
CN112669275B (zh) | 基于YOLOv3算法的PCB表面缺陷检测方法及装置 | |
CN114119480A (zh) | 一种基于深度学习的裂纹缺陷检测系统 | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN113486961A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN115880520A (zh) | 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
TW202127372A (zh) | 瑕疵等級判定的方法及存儲介質 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
Li et al. | A two-stage multiscale residual attention network for light guide plate defect detection | |
CN111524113A (zh) | 提升链异常识别方法、系统、设备及介质 | |
CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测系统 | |
CN114596242A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
CN116681647A (zh) | 一种基于无监督生成式的彩涂板表面缺陷检测方法和装置 | |
CN116452802A (zh) | 车损检测方法、装置、设备及存储介质 | |
CN113723431B (zh) | 图像识别方法、装置以及计算机可读存储介质 | |
CN113807407B (zh) | 目标检测模型训练方法、模型性能检测方法及装置 | |
Zhong et al. | Detection of oxidation region of flexible integrated circuit substrate based on topology mapping | |
Nikitin et al. | Research of recognition algorithm for sheet metal marking |
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 |