CN112837287A - 一种板面缺陷区域的提取方法及装置 - Google Patents
一种板面缺陷区域的提取方法及装置 Download PDFInfo
- Publication number
- CN112837287A CN112837287A CN202110134948.6A CN202110134948A CN112837287A CN 112837287 A CN112837287 A CN 112837287A CN 202110134948 A CN202110134948 A CN 202110134948A CN 112837287 A CN112837287 A CN 112837287A
- Authority
- CN
- China
- Prior art keywords
- image
- detection unit
- board surface
- detection
- defects
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 181
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 description 12
- 239000003086 colorant Substances 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 239000011093 chipboard Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明属于工业检测技术领域,公开了一种板面缺陷区域的提取方法及装置,所述板面缺陷区域的提取方法包括:获取待检测板面图像并进行分割,得到多个检测单元;获取与多个检测单元一一对应的灰度阈值;计算所述检测单元的灰度均值并与对应的灰度阈值进行比较,判断所述检测单元中是否包含缺陷。本发明通过将待检测板面图像分割为多个检测单元,对每一个检测单元是否包含缺陷分别进行判断,提高了判断结果的准确性,同时,所有包含缺陷的检测单元共同组成了板面上的缺陷区域,后续对缺陷进行进一步识别时可以仅对包含缺陷的检测单元进行分析,大幅度减少了所需处理的数据量,从而减少了对板面进行缺陷检测所需的时间。
Description
技术领域
本发明属于工业检测技术领域,具体地说,涉及一种板面缺陷区域的提取方法及装置。
背景技术
板材的板面是否存在缺陷是衡量板材质量的标准之一,一般通过在生产线上直接进行板面缺陷检测以判断所生产的板材是否合格。以刨花板为例,目前最为先进的刨花板生产设备是连续压机生产线。机器视觉技术是目前工业无损检测技术的主流,但在板材的板面缺陷检测领域,还缺少相对成熟的系统以实现机器视觉技术的应用。因此,目前大多刨花板生产企业仍然依靠工人在连续生产线上用肉眼检测,判断生产出的刨花板板面是否存在缺陷。然而生产线的运行速度很快,工人在高速运行的生产线上长时间连续观察,极易产生视觉疲劳,导致漏检率和误检率较高,进而给企业带来较大经济损失。
刨花板连续压机生产线的线速度高达1500mm/s,板材流通量大,相邻板材间的间隔只有600mm。因此,若要通过检测系统实现板面缺陷的自动检测,检测系统完成图像采集、缺陷检测及后续处理的时间只有约2s。现有技术中一般采集到的图像大小约为2560×2048个像素点,数据量很大,计算耗时较长,无法满足生产线的运行速度。若为适应生产线的运行速度而提高计算速度,只能依靠降低检测精度以减少计算量,但可能造成漏检率和误检率的提高。因此,若要实现板面缺陷的在线检测,需要一种可以快速、准确地对板面上存在的缺陷进行定位提取的方法。
有鉴于此,特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足,提供一种板面缺陷区域的提取方法及装置,所述板面缺陷的提取方法通过将待检测板面分割为多个检测单元,对各个检测单元分别进行判断,可以快速、准确地找出待检测板面上存在缺陷的区域,有利于后续的缺陷检测,加快了检测速度。
为解决上述技术问题,本发明采用技术方案的基本构思是:
一种板面缺陷区域的提取方法,包括:
获取待检测板面图像并进行分割,得到多个检测单元;
获取与多个检测单元一一对应的灰度阈值;
计算所述检测单元的灰度均值并与对应的灰度阈值进行比较,判断所述检测单元中是否包含缺陷。
进一步地,所述灰度阈值包括高阈值和低阈值,其中,检测单元(i,j)的高阈值为TH_H[i][j],低阈值为TH_L[i][j];
所述高阈值TH_H[i][j]和低阈值TH_L[i][j]是通过对多张标准图像训练得到的,所述标准图像为板面无缺陷的板材的板面图像。
进一步地,通过训练得到所述高阈值TH_H[i][j]和低阈值TH_L[i][j]的方法包括:
将N张所述标准图像分割为m×n个区块,每个区块的大小为a×a个像素点;
其中,对待检测板面图像进行分隔时,检测单元大小为a×a个像素点,得到m×n个检测单元;
计算每张标准图像中各个区块的灰度均值,其中,第k张标准图像中区块(i,j)的灰度均值为Gk(i,j);
比较多张标准图像中同一区块(i,j)的灰度均值Gk(i,j),其中,1≤k≤N;
取Gk(i,j)中的最大值作为相应检测单元(i,j)的高阈值TH_H[i][j],取Gk(i,j)中的最小值作为相应检测单元(i,j)的低阈值TH_L[i][j]。
进一步地,通过训练得到所述高阈值TH_H[i][j]和低阈值TH_L[i][j]的方法具体包括:
1)获取一张标准图像,分割为m×n个区块,计算各个区块的灰度均值G1(i,j);
2)令高阈值TH_H[i][j]和低阈值TH_L[i][j]分别等于相应的灰度均值G1(i,j);
3)获取另一张标准图像,分割为m×n个区块,计算各个区块的灰度均值Gk(i,j);
4)若Gk(i,j)大于TH_H[i][j],则令TH_H[i][j]等于Gk(i,j),否则保持TH_H[i][j]的值不变;若Gk(i,j)小于TH_L[i][j],则令TH_L[i][j]等于Gk(i,j),否则保持TH_L[i][j]的值不变;
5)判断是否完成N张标准图像的获取,若判断结果为是,则完成训练,若判断结果为否,则返回至步骤3);
优选地,所述N的设定满足:15≤N≤60,优选N=30。
进一步地,判断检测单元中是否包含缺陷具体包括:
计算检测单元(i,j)的灰度均值Gavg(i,j),与高阈值TH_H[i][j]和低阈值TH_L[i][j]进行比较;
若TH_L[i][j]≤Gavg(i,j)≤TH_H[i][j],则判定检测单元(i,j)中不包含缺陷;否则判定检测单元(i,j)中包含缺陷。
进一步地,还包括对检测结果进行显示,其中:若判定检测单元中包含缺陷,则将该检测单元置为一种颜色;若判定检测单元中不包含缺陷,则将该检测单元置为另一种不同的颜色;
优选地,将包含缺陷的检测单元置为白色,不包含缺陷的检测单元置为黑色。
进一步地,还包括提取缺陷区域:获取包含缺陷的所有检测单元,将包含缺陷的检测单元按照在待检测板面图像中的相对位置进行拼接,得到待检测板面图像中的缺陷区域图像。
本发明的另一目的是提供一种板面缺陷区域的提取装置,用于实现上述所述的板面缺陷区域的提取方法,包括:
图像处理模块,用于对待检测板面图像进行分割,得到多个检测单元;
分析模块,与所述图像处理模块连接,用于计算检测单元的灰度均值并与获取到的灰度阈值进行比较,判断所述检测单元中是否包含缺陷。
进一步地,所述灰度阈值包括高阈值和低阈值,所述板面缺陷区域的提取装置还包括训练模块;
所述训练模块与分析模块连接,用于通过多张标准图像训练得到高阈值TH_H[i][j]和低阈值TH_L[i][j],并将高阈值TH_H[i][j]和低阈值TH_L[i][j]作为灰度阈值输送至分析模块;
优选地,所述训练模块与图像处理模块连接;
所述图像处理模块还用于将标准图像分割为多个与检测单元大小相同、数量相等的区块;
所述训练模块计算每张标准图像中各个区块的灰度均值,得到对应每一检测单元的高阈值TH_H[i][j]和低阈值TH_L[i][j]。
进一步地,还包括输出模块,所述输出模块与分析模块连接,用于将包含缺陷的检测单元置为一种颜色,不包含缺陷的检测单元置为另一种不同的颜色,对检测结果进行显示;
优选地,所述图像处理模块还用于将包含缺陷的所有检测单元按照在待检测板面图像中的相对位置进行拼接,得到拼接图像;
所述输出模块与图像处理模块连接,对拼接图像进行显示,得到待检测板面图像中的缺陷区域图像。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果。
本发明的板面缺陷区域的提取方法,通过将待检测板面图像分割为多个检测单元,对每一个检测单元是否包含缺陷分别进行判断,提高了判断结果的准确性。同时,所有包含缺陷的检测单元共同组成了板面上的缺陷区域,后续对缺陷进行进一步识别时可以仅对包含缺陷的检测单元进行分析,大幅度减少了所需处理的数据量,从而减少了对板面进行缺陷检测所需的时间。
本发明的板面缺陷区域的提取方法,预先对多张标准图像进行训练得到高阈值TH_H[i][j]和低阈值TH_L[i][j],作为判定相应检测单元是否包含缺陷的判断标准,检测时可直接获取所述高、低阈值进行判断,节省了检测所需时间。每个检测单元具有相对应的独立的高、低阈值,提高了判断结果的准确性。通过对训练所需的标准图像的张数进行限定,从而得到有效准确的判断标准。
本发明的板面缺陷区域的提取方法,将包含缺陷和不包含缺陷的检测单元置为两种不同的颜色对检测结果进行显示,方便工作人员直观了解到板面中缺陷所在区域,便于对缺陷进行定位。
本发明的板面缺陷区域的提取方法,对所有包含缺陷的检测单元进行拼接,得到缺陷区域图像,后续可直接采用缺陷区域图像进行缺陷的提取与识别等处理,减少了所需处理的数据量,提高了缺陷检测的效率。
本发明的板面缺陷区域的提取装置,能够实现将待检测板面图像进行分割检测,分割后所得的多个检测单元分别进行检测,检测结果准确,可以快速对包含缺陷的板面区域进行定位。通过输出模块以不同的颜色显示包含和不包含缺陷的检测单元,还将包含缺陷的检测单元进行拼接,显示缺陷区域图像,方便工作人员清晰直观地了解板面中缺陷所在位置以及缺陷的形貌。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,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附图。在附图中:
图1是本发明实施例一中板面缺陷区域的提取方法流程图;
图2是本发明实施例一中训练得到高阈值和低阈值的流程图;
图3是本发明实施例二中板面缺陷区域的提取装置的结构框图。
需要说明的是,这些附图和文字描述并不旨在以任何方式限制本发明的构思范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
如图1所示,本实施例提供一种板面缺陷区域的提取方法,包括:
获取待检测板面图像并进行分割,得到多个检测单元;
获取与多个检测单元一一对应的灰度阈值;
计算所述检测单元的灰度均值并与对应的灰度阈值进行比较,判断所述检测单元中是否包含缺陷。
在上述方案中,通过将待检测板面图像分割为多个检测单元,针对每一个检测单元,具有与之对应的灰度阈值用于对其中是否包含缺陷进行判断,提高了判断结果的准确性。同时,所有包含缺陷的检测单元共同组成了板面上的缺陷区域,后续对缺陷进行进一步识别时可以仅针对缺陷区域,也即包含缺陷的检测单元进行分析,大幅度减少了所需处理的数据量,从而减少了对板面进行缺陷检测所需的时间。
本实施例中,灰度阈值通过预先进行训练得到,在进行板面缺陷区域提取时可以直接调用进行判断,从而节省检测所需的时间。
具体地,所述灰度阈值包括高阈值和低阈值,其中,检测单元(i,j)的高阈值为TH_L[i][j],低阈值为TH_L[i][j]。
所述高阈值TH_L[i][j]和低阈值TH_L[i][j]是通过对多张标准图像训练得到的,所述标准图像为板面无缺陷的板材的板面图像。
本实例的方案可应用于刨花板,以实现对刨花板表面的缺陷区域进行提取。事先准备多张板面无缺陷的刨花板板材,进行板面图像的采集,以得到多张标准图像。本实施例的板面缺陷区域的提取方法用于板材生产过程中的在线检测,为保证检测结果的准确性,对标准图像的采集需要在生产线上进行,从而保证标准图像的采集条件与待检测板面图像的采集条件相同。所述采集条件包括光照条件,采集位置,板材移动速度等。
本实施例的进一步方案中,通过训练得到所述高阈值TH_H[i][j]和低阈值TH_L[i][j]的方法包括:
将N张所述标准图像分割为m×n个区块,每个区块的大小为a×a个像素点;
其中,对待检测板面图像进行分隔时,检测单元大小为a×a个像素点,得到m×n个检测单元;
计算每张标准图像中各个区块的灰度均值,其中,第k张标准图像中区块(i,j)的灰度均值为Gk(i,j);
比较多张标准图像中同一区块(i,j)的灰度均值Gk(i,j),其中,1≤k≤N;
取Gk(i,j)中的最大值作为相应检测单元(i,j)的高阈值TH_H[i][j],取Gk(i,j)中的最小值作为相应检测单元(i,j)的低阈值TH_L[i][j]。
本实施例中,区块的大小,也即检测单元的大小优选为2×2个像素点至4×4个像素点。
在上述方案中,每个检测单元具有各自的高、低阈值,且不同检测单元的高、低阈值之间相互独立。在对检测单元是否包含缺陷进行判断时,每个检测单元具有各自的判断标准,待检测板面图像整体上存在灰度值不均匀的现象时不影响每个检测单元各自的判断结果,提高了判断结果的准确性。
具体地,如图2所示,通过训练得到所述高阈值TH_H[i][j]和低阈值TH_L[i][j]的方法为:
1)获取一张标准图像,分割为m×n个区块,计算各个区块的灰度均值G1(i,j);
2)令高阈值TH_H[i][j]和低阈值TH_L[i][j]分别等于相应的灰度均值G1(i,j);
3)获取另一张标准图像,分割为m×n个区块,计算各个区块的灰度均值Gk(i,j);
4)若Gk(i,j)大于TH_H[i][j],则令TH_H[i][j]等于Gk(i,j),否则保持TH_H[i][j]的值不变;若Gk(i,j)小于TH_L[i][j],则令TH_L[i][j]等于Gk(i,j),否则保持TH_L[i][j]的值不变;
5)判断是否完成N张标准图像的获取,若判断结果为是,则完成训练,若判断结果为否,则返回至步骤3)。
在上述方案中,用于训练得到高阈值TH_H[i][j]和低阈值TH_L[i][j]的算法每获取一张标准图像,即对该标准图像进行处理,将得到的各个区块的灰度均值与现存的高、低阈值进行比较,并根据比较结果对高、低阈值的取值进行更新。在完成全部高、低阈值取值的更新后,再获取下一张标准图像进行处理,同时前一张标准图像的数据信息可以删除,而不需继续存储。因此,可以减少训练过程中同一时刻所需存储的数据量,进而减少训练过程中数据所占用的内存。
本实施例中,所需标准图像的数量N优选为15至60张,经过实验验证,此时所得的高阈值TH_H[i][j]和低阈值TH_L[i][j]用于对检测单元进行判断,可以取得准确性满足需求的判断结果。
在训练过程中,所采用的标准图像的张数越多,所需的训练时间越长。为在更短时间内完成训练并得到可对检测单元进行有效准确判断的判断标准,本实施例中优选标准图像的数量N=30。
如图1所示,本实施例的进一步方案中,在完成训练得到高阈值TH_H[i][j]和低阈值TH_L[i][j]后,可在生产线上对待测板材的板面图像进行采集,得到待检测板面图像,然后进一步分隔待检测板面图像,并对各个检测单元中是否包含缺陷进行判断。
判断检测单元中是否包含缺陷具体包括:
计算检测单元(i,j)的灰度均值Gavg(i,j),与高阈值TH_H[i][j]和低阈值TH_L[i][j]进行比较;
若TH_L[i][j]≤Gavg(i,j)≤TH_H[i][j],则判定检测单元(i,j)中不包含缺陷;否则判定检测单元(i,j)中包含缺陷。
当检测单元(i,j)的灰度均值Gavg(i,j)在相应的高阈值TH_H[i][j]和低阈值TH_L[i][j]之间时,说明该检测单元的灰度均值与标准图像中同一位置的灰度均值较为接近,因而该检测单元中应该不包含缺陷。
而当某一检测单元(i,j)中包含缺陷时,由于缺陷部分与板面本身的表面高度或表面光滑度之间存在差异,在采集到的板面图像中会反应出与标准图像中同一位置较大的灰度均值差异。因此,对于灰度均值Gavg(i,j)超出相应高阈值TH_H[i][j]和低阈值TH_L[i][j]之间区间的检测单元,即判定其中包含缺陷。
本实施例的进一步方案中,所述的板面缺陷区域的提取方法还包括对检测结果进行显示,其中:若判定检测单元中包含缺陷,则将该检测单元置为一种颜色;若判定检测单元中不包含缺陷,则将该检测单元置为另一种不同的颜色。
优选地,将包含缺陷的检测单元置为白色,不包含缺陷的检测单元置为黑色。
在上述方案中,将包含缺陷和不包含缺陷的检测单元置为两种不同的颜色对检测结果进行显示,方便工作人员直观了解到板面中缺陷所在区域,便于对缺陷进行定位。白色和黑色两种颜色的对比强烈,使缺陷区域在板面中的位置更加明显清晰。
本实施例进一步方案中,所述的板面缺陷区域的提取方法还包括提取缺陷区域:获取包含缺陷的所有检测单元,将包含缺陷的检测单元按照在待检测板面图像中的相对位置进行拼接,得到待检测板面图像中的缺陷区域图像。
在上述方案中,通过对所有包含缺陷的检测单元进行拼接,得到缺陷区域图像,后续可以直接采用得到的缺陷区域图像进行缺陷的提取与识别等处理,而不需要对完成的板面图像进行分析,进而减少了缺陷检测过程中所需处理的数据量,提高了缺陷检测的效率。
本实施例中,通过将待检测板面图像分割为多个检测单元,对每一个检测单元是否包含缺陷分别进行判断,提高了判断结果的准确性。作为判断标准的灰度阈值通过预先训练得到,检测时可直接获取,节省了检测所需时间。用于训练的算法每获取一张标准图像即对高、低阈值进行相应的更新,在获取下一张图像时即可删除上一张图像的信息数据,不需在训练过程中存储所有标准图像的信息数据,减少了训练过程中产生的数据所占用的内存。通过不同颜色显示包含缺陷和不包含缺陷的检测单元,方便工作人员对缺陷区域进行定位,提取出的缺陷区域图像直接用于后续缺陷检测,减少了后续检测过程所需处理的数据量。
实施例二
如图3所示,本实施例提供一种板面缺陷区域的提取装置,用于实现上述实施例一所述的板面缺陷区域的提取方法。所述的板面缺陷区域的提取装置包括:
图像处理模块,用于对待检测板面图像进行分割,得到多个检测单元;
分析模块,与图像处理模块连接,用于计算检测单元的灰度均值并与获取到的灰度阈值进行比较,判断所述检测单元中是否包含缺陷。
进一步地,所述灰度阈值包括高阈值和低阈值,所述板面缺陷区域的提取装置还包括训练模块。
训练模块与分析模块连接,用于通过多张标准图像训练得到高阈值TH_H[i][j]和低阈值TH_L[i][j],并将高阈值TH_H[i][j]和低阈值TH_L[i][j]作为灰度阈值输送至分析模块。
本实施例的进一步方案中,训练模块与图像处理模块连接。
图像处理模块还用于将标准图像分割为多个与检测单元大小相同、数量相等的区块。
训练模块计算每张标准图像中各个区块的灰度均值,得到对应每一检测单元的高阈值TH_H[i][j]和低阈值TH_L[i][j]。
具体地,预先采集多张板面无缺陷的板材的板面图像作为标准图像,所述标准图像的大小与待检测板面图像的大小相同。将标准图像输入图像处理模块,图像处理模块根据预存的检测单元大小参数对标准图像进行分隔,使得每张标准图像被分割为m×n个区块,每个区块的大小为a×a个像素点。
图像处理模块每完成一张标准图像的分隔,将其输送至训练模块。训练模块每接收到一张分割后的标准图像,计算其中每个区块的灰度均值Gk(i,j),根据Gk(i,j)的大小对现有的高阈值TH_H[i][j]和低阈值TH_L[i][j]进行更新。
其中,高阈值TH_H[i][j]和低阈值TH_L[i][j]的初始值置为0,训练模块将第一张标准图像中每个区块的灰度均值G1(i,j),并将G1(i,j)分别赋值于对应的高阈值TH_H[i][j]和低阈值TH_L[i][j]。
之后每接收到一张分割后的标准图像,训练模块计算其中每个区块的灰度均值Gk(i,j),并与其对应的高阈值TH_H[i][j]和低阈值TH_L[i][j]当前的取值大小进行比较。对于高阈值TH_H[i][j],若Gk(i,j)大于TH_H[i][j]的当前取值,则将Gk(i,j)的值赋于TH_H[i][j],否则TH_H[i][j]的取值保持不变。对于低阈值TH_L[i][j],若Gk(i,j)小于TH_L[i][j]的当前取值,则将Gk(i,j)的值赋于TH_L[i][j],否则TH_L[i][j]的取值保持不变。
当全部标准图像均处理完成后,即得到用于判断检测单元中是否包含缺陷的高阈值TH_H[i][j]和低阈值TH_L[i][j]的取值,将其输送至分析模块用于后续检测过程。
本实施例的进一步方案中,所述的板面缺陷区域的提取装置还包括输出模块,输出模块与分析模块连接,用于将包含缺陷的检测单元置为一种颜色,不包含缺陷的检测单元置为另一种不同的颜色,对检测结果进行显示。
优选地,根据分析模块得到的结果,输出模块将包含缺陷的检测单元置为白色,不包含缺陷的检测单元置为黑色,将各个检测单元按照其在待检测板面图像中的相对位置显示在一副画面上。工作人员可通过输出模块的显示内容直观清晰地了解到待检测板材的板面上缺陷所在的区域,从而快速对缺陷进行定位。
本实施例的进一步方案中,图像处理模块还用于将包含缺陷的所有检测单元按照在待检测板面图像中的相对位置进行拼接,得到拼接图像。
输出模块与图像处理模块连接,对拼接图像进行显示,得到待检测板面图像中的缺陷区域图像。
在上述方案中,分析模块将得到的结果反馈至图像处理模块,图像处理模块将包含缺陷的检测单元进行拼接,得到完整的缺陷区域图像,并输送至输出模块进行显示,工作人员可通过输出模块直观了解到待检测板材的板面上缺陷的具体形态。同时,缺陷区域图像中已剔除了待检测板面图像中不包含缺陷的区域,在后续进行缺陷的提取与识别等处理时,可以直接采用得到的缺陷区域图像进行分析,从而很大程度上减少了所需处理的数据量,进而提高了缺陷检测的效率。
本实施例中,板面缺陷区域的提取装置能够将待检测板面图像进行分割检测,分割后得到的多个检测单元分别具有各自的灰度阈值,对各个检测单元进行独立判断,检测结果准确。通过采集到的标准图像预先进行训练,得到用于判断待检测板面中各个检测单元是否包含缺陷的高阈值TH_H[i][j]和低阈值TH_L[i][j],并通过输出模块对检测结果进行显示,方便工作人员快速对板面上缺陷所在的区域进行定位,并且可以将缺陷区域单独提取出来用于后续检测,减少了后续缺陷检测时所需处理的数据量。
以上所述仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专利的技术人员在不脱离本发明技术方案范围内,当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明方案的范围内。
Claims (10)
1.一种板面缺陷区域的提取方法,其特征在于,包括:
获取待检测板面图像并进行分割,得到多个检测单元;
获取与多个检测单元一一对应的灰度阈值;
计算所述检测单元的灰度均值并与对应的灰度阈值进行比较,判断所述检测单元中是否包含缺陷。
2.根据权利要求1所述的板面缺陷区域的提取方法,其特征在于,所述灰度阈值包括高阈值和低阈值,其中,检测单元(i,j)的高阈值为TH_H[i][j],低阈值为TH_L[i][j];
所述高阈值TH_H[i][j]和低阈值TH_L[i][j]是通过对多张标准图像训练得到的,所述标准图像为板面无缺陷的板材的板面图像。
3.根据权利要求2所述的板面缺陷区域的提取方法,其特征在于,通过训练得到所述高阈值TH_H[i][j]和低阈值TH_L[i][j]的方法包括:
将N张所述标准图像分割为m×n个区块,每个区块的大小为a×a个像素点;
其中,对待检测板面图像进行分隔时,检测单元大小为a×a个像素点,得到m×n个检测单元;
计算每张标准图像中各个区块的灰度均值,其中,第k张标准图像中区块(i,j)的灰度均值为Gk(i,j);
比较多张标准图像中同一区块(i,j)的灰度均值Gk(i,j),其中,1≤k≤N;
取Gk(i,j)中的最大值作为相应检测单元(i,j)的高阈值TH_H[i][j],取Gk(i,j)中的最小值作为相应检测单元(i,j)的低阈值TH_L[i][j]。
4.根据权利要求3所述的板面缺陷区域的提取方法,其特征在于,通过训练得到所述高阈值TH_H[i][j]和低阈值TH_L[i][j]的方法具体包括:
1)获取一张标准图像,分割为m×n个区块,计算各个区块的灰度均值G1(i,j);
2)令高阈值TH_H[i][j]和低阈值TH_L[i][j]分别等于相应的灰度均值G1(i,j);
3)获取另一张标准图像,分割为m×n个区块,计算各个区块的灰度均值Gk(i,j);
4)若Gk(i,j)大于TH_H[i][j],则令TH_H[i][j]等于Gk(i,j),否则保持TH_H[i][j]的值不变;若Gk(i,j)小于TH_L[i][j],则令TH_L[i][j]等于Gk(i,j),否则保持TH_L[i][j]的值不变;
5)判断是否完成N张标准图像的获取,若判断结果为是,则完成训练,若判断结果为否,则返回至步骤3);
优选地,所述N的设定满足:15≤N≤60,优选N=30。
5.根据权利要求2-4中任意一项所述的板面缺陷区域的提取方法,其特征在于,判断检测单元中是否包含缺陷具体包括:
计算检测单元(i,j)的灰度均值Gavg(i,j),与高阈值TH_H[i][j]和低阈值TH_L[i][j]进行比较;
若TH_L[i][j]≤Gavg(i,j)≤TH_H[i][j],则判定检测单元(i,j)中不包含缺陷;否则判定检测单元(i,j)中包含缺陷。
6.根据权利要求1-5中任意一项所述的板面缺陷区域的提取方法,其特征在于,还包括对检测结果进行显示,其中:若判定检测单元中包含缺陷,则将该检测单元置为一种颜色;若判定检测单元中不包含缺陷,则将该检测单元置为另一种不同的颜色;
优选地,将包含缺陷的检测单元置为白色,不包含缺陷的检测单元置为黑色。
7.根据权利要求1-6中任意一项所述的板面缺陷区域的提取方法,其特征在于,还包括提取缺陷区域:获取包含缺陷的所有检测单元,将包含缺陷的检测单元按照在待检测板面图像中的相对位置进行拼接,得到待检测板面图像中的缺陷区域图像。
8.一种板面缺陷区域的提取装置,用于实现权利要求1-7中任意一项所述的板面缺陷区域的提取方法,其特征在于,包括:
图像处理模块,用于对待检测板面图像进行分割,得到多个检测单元;
分析模块,与所述图像处理模块连接,用于计算检测单元的灰度均值并与获取到的灰度阈值进行比较,判断所述检测单元中是否包含缺陷。
9.根据权利要求8所述的板面缺陷区域的提取装置,其特征在于,所述灰度阈值包括高阈值和低阈值,所述板面缺陷区域的提取装置还包括训练模块;
所述训练模块与分析模块连接,用于通过多张标准图像训练得到高阈值TH_H[i][j]和低阈值TH_L[i][j],并将高阈值TH_H[i][j]和低阈值TH_L[i][j]作为灰度阈值输送至分析模块;
优选地,所述训练模块与图像处理模块连接;
所述图像处理模块还用于将标准图像分割为多个与检测单元大小相同、数量相等的区块;
所述训练模块计算每张标准图像中各个区块的灰度均值,得到对应每一检测单元的高阈值TH_H[i][j]和低阈值TH_L[i][j]。
10.根据权利要求8或9所述的板面缺陷区域的提取装置,其特征在于,还包括输出模块,所述输出模块与分析模块连接,用于将包含缺陷的检测单元置为一种颜色,不包含缺陷的检测单元置为另一种不同的颜色,对检测结果进行显示;
优选地,所述图像处理模块还用于将包含缺陷的所有检测单元按照在待检测板面图像中的相对位置进行拼接,得到拼接图像;
所述输出模块与图像处理模块连接,对拼接图像进行显示,得到待检测板面图像中的缺陷区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110134948.6A CN112837287B (zh) | 2021-01-29 | 2021-01-29 | 一种板面缺陷区域的提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110134948.6A CN112837287B (zh) | 2021-01-29 | 2021-01-29 | 一种板面缺陷区域的提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837287A true CN112837287A (zh) | 2021-05-25 |
CN112837287B CN112837287B (zh) | 2022-07-22 |
Family
ID=75932710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110134948.6A Active CN112837287B (zh) | 2021-01-29 | 2021-01-29 | 一种板面缺陷区域的提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837287B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219794A (zh) * | 2021-12-17 | 2022-03-22 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及系统 |
CN117457520A (zh) * | 2023-10-25 | 2024-01-26 | 武汉昕微电子科技有限公司 | 一种半导体元器件的缺陷检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7042639B1 (en) * | 2003-08-21 | 2006-05-09 | The United States Of America As Represented By The Administrator Of Nasa | Identification of cells with a compact microscope imaging system with intelligent controls |
CN108830839A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种基于行列变步长分割的压容器的热图像缺陷检测方法 |
CN110632094A (zh) * | 2019-07-24 | 2019-12-31 | 北京中科慧眼科技有限公司 | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 |
CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-01-29 CN CN202110134948.6A patent/CN112837287B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7042639B1 (en) * | 2003-08-21 | 2006-05-09 | The United States Of America As Represented By The Administrator Of Nasa | Identification of cells with a compact microscope imaging system with intelligent controls |
CN108830839A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种基于行列变步长分割的压容器的热图像缺陷检测方法 |
CN110632094A (zh) * | 2019-07-24 | 2019-12-31 | 北京中科慧眼科技有限公司 | 一种基于逐点比对分析的图纹质量检测方法,装置与系统 |
CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
李安定: "产品表面质量视觉检测时频分析方法研究及其系统实现", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
郭慧 等: "基于机器视觉的刨花板表面缺陷检测系统", 《木材工业》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219794A (zh) * | 2021-12-17 | 2022-03-22 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及系统 |
CN114219794B (zh) * | 2021-12-17 | 2023-01-20 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及系统 |
CN117457520A (zh) * | 2023-10-25 | 2024-01-26 | 武汉昕微电子科技有限公司 | 一种半导体元器件的缺陷检测方法及系统 |
CN117457520B (zh) * | 2023-10-25 | 2024-05-31 | 武汉昕微电子科技有限公司 | 一种半导体元器件的缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112837287B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112837287B (zh) | 一种板面缺陷区域的提取方法及装置 | |
CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
CN109916910B (zh) | 光伏玻璃边部缺陷检测系统及相应的方法 | |
CN110403232B (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
CN108662977A (zh) | 一种耐火砖几何尺寸测量方法 | |
CN108550138A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
CN113155851A (zh) | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN108802052A (zh) | 一种关于拉链缺陷的检测系统及其检测方法 | |
WO2023134286A1 (zh) | 一种阴极铜在线质量自动检测分类方法 | |
CN116908107A (zh) | 一种基于机器视觉的漆面瑕疵检测系统 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN116993682A (zh) | 基于图像数据分析的角膜塑形镜瑕疵区域提取方法 | |
CN111693535A (zh) | 基于机器视觉分析的触摸屏缺陷检测设备及方法 | |
CN117115171B (zh) | 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法 | |
CN106370673A (zh) | 一种镜片疵病自动检测方法 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 | |
CN103605973A (zh) | 一种图像字符检测鉴别方法 | |
CN112837285B (zh) | 一种板面图像的边缘检测方法及装置 | |
CN114937015A (zh) | 一种锂电池极片制造中智能视觉识别方法和系统 | |
CN114563416A (zh) | 一种人造板板面质量检测的方法 | |
CN210604354U (zh) | 一种布料图案和字符在线采集装置 | |
CN112819717A (zh) | 一种刨花板图像灰度值校正方法及装置 |
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 |