CN112862800A - 缺陷检测方法、装置及电子设备 - Google Patents
缺陷检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112862800A CN112862800A CN202110210770.9A CN202110210770A CN112862800A CN 112862800 A CN112862800 A CN 112862800A CN 202110210770 A CN202110210770 A CN 202110210770A CN 112862800 A CN112862800 A CN 112862800A
- Authority
- CN
- China
- Prior art keywords
- information
- area
- obtaining
- brightness
- image
- 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
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请公开了一种缺陷检测方法、装置及电子设备,该方法包括:获取待检测对象的图像;获取所述图像中像素的亮度信息;根据所述亮度信息,获得所述待检测对象的外观缺陷信息,其中,所述外观缺陷信息表征所述待检测对象外观中存在的缺陷。该方法使得电子设备可以快速、准确的获得待检测对象的外观缺陷信息,从而节省人力,提升用户体验。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种缺陷检测方法、装置及电子设备。
背景技术
在声学器件中,塑料锅仔片(Dome)是电子设备,例如耳机、手机中用来发声的重要器件,其质量的好坏将直接决定设备的品质。
塑料锅仔片的缺陷一般有:外表面过于粗糙、存在小凹坑以及轻微弯折或者轻微折断痕等缺陷。在实际中,由于上述缺陷较难界定,因此,在检测塑料锅仔片的缺陷时,一般需要人工进行检测,存在耗时耗力的问题。
以上是以塑料锅仔片为例,说明该类待检测对象在进行缺陷检测时所存在的问题,在实际中,针对其他待检测对象,例如,电子设备的塑料壳体或者其他金属材料制作的对象的检测,同样存在以上问题。因此,有必要提供一种缺陷检测方法,以解决上述问题。
发明内容
本公开实施例的一个目的是提供一种用于缺陷检测的新技术方案。
根据本公开的第一方面,提供了一种缺陷检测方法,该方法包括:
获取待检测对象的图像;
获取所述图像中像素的亮度信息;
根据所述亮度信息,获得所述待检测对象的外观缺陷信息,其中,所述外观缺陷信息表征所述待检测对象外观中存在的缺陷。
可选地,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括:
沿垂直方向拆分所述图像,获得多个子图像;
根据所述亮度信息,获得与第一子图像对应的第一亮度信息,其中,所述第一子图像为所述多个子图像中的任一子图像;
根据所述第一亮度信息,对所述第一子图像中的像素执行亮度垂直积分投影处理,获得与所述第一子图像对应的第一垂直积分投影曲线;
根据所述第一垂直积分投影曲线,获得第一折断痕信息,其中,所述第一折断痕信息包括第一区域中存在的折断痕的位置信息,所述第一区域为所述待检测对象的外观中与所述第一子图像对应的区域;
根据所述第一折断痕信息,获得所述外观缺陷信息。
可选地,所述根据所述第一垂直积分投影曲线,获得第一折断痕信息,包括:
对所述第一垂直积分投影曲线进行一阶求导处理,获得第一目标曲线;
按照预设间隔拆分所述第一目标曲线,获得多个子目标曲线;
获取与所述多个子目标曲线一一对应的多个数值对,其中,所述数值对由对应子目标曲线中的最小值和最大值组成;
根据所述多个数值对,获得所述第一折断痕信息。
可选地,所述根据所述多个数值对,获得所述第一折断痕信息,包括:
获取第一数值对,其中,所述第一数值对为所述多个数值对中的任一数值对;
获取所述第一数值对中的第一最小值和第一最大值;
在所述第一最小数值小于第一预设阈值,并且所述第一最大数值大于第二预设阈值的情况下,将所述第一数值对在所述待检测对象中对应的区域的位置信息作为所述第一折断痕信息。
可选地,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括:
根据所述亮度信息,使用第一预设局部阈值分割算法获得所述图像中的第一亮点区域集合和第一暗点区域集合,其中,所述第一亮点区域集合包括至少一个亮点区域,所述第一暗点区域集合包括至少一个暗点区域;
根据所述第一亮点区域集合和所述第一暗点区域集合,获得多个区域对,其中,所述区域对由所述第一亮点区域集合中的任一亮点区域和所述第一暗点区域集合中的任一暗点区域组成;
根据所述多个区域对,获得所述待检测对象的外观中的凹坑信息,其中,所述凹坑信息包括所述待检测对象的外观中存在的凹坑的位置信息;
根据所述凹坑信息,获得所述外观缺陷信息。
可选地,所述根据所述多个区域对,获得所述待检测对象的外观中的凹坑信息,包括:
计算所述多个区域对中每一区域对包括的亮点区域和暗点区域之间的距离;
从所述多个区域对中,选择对应距离小于预设距离阈值的区域对,获得多个待确定区域对;
计算所述多个待确定区域对中每一区域对包括的亮点区域和暗点区域之间的平均亮度差;
根据所述平均亮度差,获得目标区域对;
根据所述目标区域对,获得所述凹坑信息。
可选地,在执行所述根据所述第一亮点区域集合和所述第一暗点区域集合,获得多个区域对步骤之前,所述方法还包括:
从所述第一亮点区域中过滤区域面积小于或等于第一预设面积阈值的亮点区域;以及,
从所述第一暗点区域中过滤区域面积小于或等于第二预设面积阈值的暗点区域。
可选地,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括:
沿水平方向拆分所述图像,获得多个子图像;
根据所述亮度信息和所述多个子图像,获得亮度均值曲线,其中,所述亮度均值曲线包含多个亮度均值点,所述亮度均值点表征对应子图像中像素的亮度均值;
对所述亮度均值曲线进行离散求导处理,获得离散导数中的最小数值和最大数值;
在所述最小数值大于第三预设阈值,并且所述最大数值小于第四预设阈值的情况下,根据所述最小数值和所述最大数值对应的亮度均值点,获得弯折区域信息,其中,所述弯折区域信息包括所述待检测对象外观中的弯折区域的位置信息。
根据本公开的第二方面,本公开还提供了一种缺陷检测装置,包括:
图像获取模块,用于获取待检测对象的图像;
亮度信息获取模块,用于获取所述图像中像素的亮度信息;
外观缺陷信息获得模块,用于根据所述亮度信息,获得所述待检测对象的外观缺陷信息,其中,所述外观缺陷信息表征所述待检测对象的外观中存在的缺陷。
根据本公开的第三方面,还提供了电子设备,包括本公开第二方面所述的装置:或者,
所述电子设备包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述指令的控制运行所述电子设备执行本公开第一方面所述的方法。
本公开的一个有益效果在于,根据本公开的实施例,电子设备在检测待检测对象,例如塑料锅仔片的缺陷时,可以获取该待检测对象的图像,并通过获取该图像中像素的亮度信息,电子设备即可快速、准确的获得该待检测对象的外观缺陷信息。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其他特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且连同其说明一起用于解释本公开的原理。
图1是本公开实施例提供的一种缺陷检测方法的流程示意图。
图2a是本公开实施例提供的一种存在严重外观缺陷的塑料锅仔片的图像。
图2b是本公开实施例提供的一种外观正常的塑料锅仔片的图像。
图3是本公开实施例提供的折断痕信息的获取流程示意图。
图4是本公开实施例提供的第一图像拆分示意图。
图5a是本公开实施例提供的一种垂直积分投影曲线的示意图。
图5b是本公开实施例提供的一种目标曲线的示意图。
图6是本公开实施例提供的凹坑信息的获取流程示意图。
图7a是本公开实施例提供的凹坑示意图。
图7b是本公开实施例提供的标识凹坑区域的示意图。
图8a是本公开实施例提供的局部发暗区域示意图。
图8b是本公开实施例提供的局部发亮区域示意图。
图9a是本公开实施例提供的第二图像拆分示意图。
图9b是本公开实施例提供的亮度均值曲线示意图。
图10是本公开实施例提供的一种缺陷检测装置的结构示意图。
图11是本公开实施例提供的一种电子设备的原理框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其他例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<方法实施例>
图1是本公开实施例提供的缺陷检测方法的流程示意图,该方法可以由电子设备实施,该电子设备例如可以为服务器,当然,在具体实施时,该电子设备也可以为终端设备,例如可以为手机、平板电脑等,此处不做特殊限制。
根据图1所示,本实施例的方法可以包括如下步骤S1100-S1300,以下予以详细说明。
步骤S1100,获取待检测对象的图像。
待检测对象,是待检测外观,即外表面存在的缺陷的实体对象,在本实施例中,如无特殊说明,以该对象为塑料锅仔片为例进行说明;当然,在具体实施时,该实体对象也可以为其他对象,例如,可以为电子设备的塑料壳体,或者,也可以为由金属材料制作的对象,此处不做特殊限定。
在具体实施时,待检测对象的图像可以由用户通过图像采集装置,例如摄像头拍摄该对象获得,在获得该图像之后,用户可以通过其使用的终端设备将该图像发送至实施本实施例的缺陷检测方法的电子设备,例如,服务器。
步骤S1200,获取所述图像中像素的亮度信息。
在图像处理领域,常见的用于描述图像中像素颜色的颜色模型有HSB(色相、饱和度、亮度)、RGB(红色、绿色、蓝色)、CMYK(青色、品红、黄色、黑色)和CIEL*a*b*等颜色模型,其中,在HSB颜色模型中,H(Hues)表示色相,S(Saturation)表示饱和度,B(brightness)表示亮度;在RGB颜色模型中,R(Red)表示红色,G(Green)表示绿色,B(Blue)表示蓝色。在本实施例中,像素的亮度信息表征图像中像素的相对明亮程度,其数值通常是对图像中像素的RGB数值进行色彩空间的变换即可获得,即以图像中像素的RGB数值与对应的参数矩阵相乘即可获得像素的亮度数据,其中,该参数矩阵可以是YCbCr的3*3矩阵,其中,YCbCr是色彩空间的一种,通常用于影片中的影像连续处理,或用于数字摄影系统中,Y指亮度分量,Cb指蓝色色度分量,Cr指红色色度分量。另外,如果图像为灰度图像,则像素的亮度通常是指像素的灰度值,灰度值越高,则表明像素的亮度越高。
在本实施例中,如无特殊说明,以待检测对象的图像为灰度图像,以像素的亮度信息为像素的灰度值来表征像素的亮度,其中,灰度值是指黑白图像中像素的颜色深度,其取值范围一般为[0-255],例如,白色为255,黑色为0。因为有关如何获取图像的亮度数值的详细处理为现有技术,此处不再赘述。
步骤S1300,根据所述亮度信息,获得所述待检测对象的外观缺陷信息,其中,所述外观缺陷信息表征所述待检测对象外观中存在的缺陷。
在一个实施例中,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括:根据所述亮度信息,获得所述图像中全部像素的亮度均值;在所述亮度均值大于第一亮度阈值,或者小于第二亮度阈值的情况下,确定所述图像的外观缺陷信息为表征存在严重外观缺陷的信息。
请参看图2a以及图2b,其分别是本实施例提供的一种存在严重外观缺陷的塑料锅仔片的图像,以及,一种外观正常的塑料锅仔片的图像。如图2a所示,在待检测对象的外观正常的情况下,其图像的亮度较正常,且整体较为均匀;而如图2b方框中所示,由于该塑料锅仔片的厚薄不均匀并且还存在多个凹坑,因此,其图像的整体亮度较亮,因此,可以根据该图像中全部像素的亮度均值,得到该塑料锅仔片存在严重外观缺陷。
需要说明的是,在具体实施时,可以先执行上述处理,以确定待检测图像是否存在严重外观缺陷,若存在则不必再执行后续处理。
在具体实施时,在待检测对象的外观不存在严重外观缺陷的情况下,可以根据需要,分别实施不同的检测处理,以检测待检测对象的不同类型的外观缺陷,在本实施例中,待检测对象的外观缺陷可以为以下至少一种:外观存在折断痕、外观存在大范围粗糙区域、外观存在凹坑以及外观存在弯折。以下首先对如何检测待检测对象外观中的折断痕进行说明。
请参看图3,其是本公开实施例提供的折断痕信息的获取流程示意图。如图3所示,在本实施例中,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,可以包括以下步骤S3100-S3500。
步骤S3100,沿垂直方向拆分所述图像,获得多个子图像。
在具体实施时,为了提升检测速度以及检测准确度,可以将待检测对象的图像沿垂直方向拆分为预设数量的子图像。如图4所示,针对待检测对象的图像,可以将图像沿垂直方向均匀拆分为预设数量的子图像,例如,可以拆分为3个子图像。需要说明的是,在具体实施时,也可以使用其他方法拆分该图像,例如,也可以是非均匀拆分,此处不做特殊限定。
步骤S3200,根据所述亮度信息,获得与第一子图像对应的第一亮度信息,其中,所述第一子图像为所述多个子图像中的任一子图像。
在将待检测对象的图像拆分为预设数量的子图像之后,可以根据每一子图像,检测待检测对象的外观中对应于该子图像的区域中是否存在折断痕,并通过汇总所有子图像对应的折断痕信息,获得待检测对象的外观缺陷信息。
在具体实施时,在获得图像中像素的亮度信息之后,可以根据第一子图像所包含的像素的亮度信息,获得该第一子图像的第一亮度信息,其详细处理过程此处不再赘述。
步骤S3300,根据所述第一亮度信息,对所述第一子图像中的像素执行亮度垂直积分投影处理,获得与所述第一子图像对应的第一垂直积分投影曲线。
在本实施例中,所述对所述第一子图像中的像素执行垂直积分投影处理,例如可以为针对第一子图像中的像素,将处于同一列的全部像素的亮度值,即灰度值相加。
请参看图5a,其是本公开实施例提供的一种垂直积分投影曲线的示意图。如图5a所示,在待检测对象的外观中存在折断痕时,该区域中像素的亮度值则会显著的低于其周围像素,因此,其对应的垂直积分投影曲线中的凸起部分即表征待检测图像的对应区域存在折断痕。
步骤S3400,根据所述第一垂直积分投影曲线,获得第一折断痕信息,其中,所述第一折断痕信息包括第一区域中存在的折断痕的位置信息,所述第一区域为所述待检测对象的外观中与所述第一子图像对应的区域。
在具体实施时,所述根据所述第一垂直积分投影曲线,获得第一折断痕信息,包括:对所述第一垂直积分投影曲线进行一阶求导处理,获得第一目标曲线;按照预设间隔拆分所述第一目标曲线,获得多个子目标曲线;获取与所述多个子目标曲线一一对应的多个数值对,其中,所述数值对由对应子目标曲线中的最小值和最大值组成;根据所述多个数值对,获得所述第一折断痕信息。
其中,所述根据所述多个数值对,获得所述第一折断痕信息,包括:获取第一数值对,其中,所述第一数值对为所述多个数值对中的任一数值对;获取所述第一数值对中的第一最小值和第一最大值;在所述第一最小数值小于第一预设阈值,并且所述第一最大数值大于第二预设阈值的情况下,将所述第一数值对在所述待检测对象中对应的区域的位置信息作为所述第一折断痕信息。
需要说明的是,在获得第一垂直积分投影曲线之后,可以先对该曲线进行滤波处理,例如,进行高斯滤波处理,以使该曲线尽可能的平滑,其详细处理过程此处不再赘述。
该第一目标曲线是对第一垂直积分投影曲线进行求导后获得的曲线,请参看图5b,其是是本公开实施例提供的一种目标曲线的示意图。如图5b所示,当待检测对象的外观存在的折断痕时,其在目标曲线处通常会对应一个最大值和最小值,因此,在获得目标曲线之后,可以通过获取目标曲线中的局部最小值和局部最大值组成的数据对,并根据该数据对,获得待检测对象的外观中存在的折断痕的位置信息。
步骤S3500,根据所述第一折断痕信息,获得所述外观缺陷信息。
在经过上述处理获得第一子图像对应的第一折断痕信息之后,可以继续获取其他子图像对应的折断痕信息,并通过汇总所有第一折断痕信息,即可获得待检测对象的外观中存在的折断痕的信息。
以上,对如何检测待检测对象外观中的折断痕进行了详细说明,以下针对如何就检测待检测对象外观中的凹坑进行说明。
在实际中,凹坑在图像中对应的区域通常由暗点区域和亮点区域构成,因此,可以通过获取待检测对象的图像中的暗点区域和亮点区域来检测待检测对象的外观中的凹坑。
请参看图6,其是本公开实施例提供的凹坑信息的获取流程示意图。如图6所示,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括如下步骤S6001-S6005。
步骤S6001,根据所述亮度信息,使用第一预设局部阈值分割算法获得所述图像中的第一亮点区域集合和第一暗点区域集合,其中,所述第一亮点区域集合包括至少一个亮点区域,所述第一暗点区域集合包括至少一个暗点区域。
在本实施例中,该第一预设局部阈值分割算法,具体可以为:先将待检测对象的图像拆分为若干个尺寸为第一预设尺寸的子图像,其中,该第一预设尺寸例如可以为300像素*500像素;统计每一子图像中像素亮度的均值和方差;根据该均值和该方差,计算与该子图像对应的第一局部亮度阈值和第二局部亮度阈值,并根据该第一局部亮度阈值和该第二局部亮度阈值,获得该子图像中的亮点区域和暗点区域,其中,该亮点区域可以是由该子图像中像素的亮度大于该第一局部亮度阈值的像素点构成的区域,该暗点区域可以是由该子图像中像素的亮度小于该第一局部亮度阈值的像素点构成的区域;之后,汇总每一子图像中的亮点区域和暗点区域,即可获得第一亮点区域集合和第一暗点区域集合。需要说明的是,在实际中,根据像素点的连续情况,同一子图像中可能包括多个亮点区域以及多个暗点区域。
在本实施例中,该第一局部亮度阈值可以为:mean+scale*std,该第二局部亮度阈值可以为:mean-scale*std,其中,mean表征对应子图像中像素亮度的均值,std表征对应子图像中像素亮度的方差,scale为预设系数,其值可以根据具体情况设置。
步骤S6002,根据所述第一亮点区域集合和所述第一暗点区域集合,获得多个区域对,其中,所述区域对由所述第一亮点区域集合中的任一亮点区域和所述第一暗点区域集合中的任一暗点区域组成;
在获得第一亮点区域集合和第一暗点区域集合之后,为了提升精确度,可以获取每一亮点区域的面积以及每一暗点区域的面积,以过滤面积较小的区域,即,在实施步骤S6002之前,该方法还包括:从所述第一亮点区域中过滤区域面积小于或等于第一预设面积阈值的亮点区域;以及,从所述第一暗点区域中过滤区域面积小于或等于第二预设面积阈值的暗点区域。
步骤S6003,根据所述多个区域对,获得所述待检测对象的外观中的凹坑信息,其中,所述凹坑信息包括所述待检测对象的外观中存在的凹坑的位置信息。
步骤S6004,根据所述凹坑信息,获得所述外观缺陷信息。
在具体实施时,所述根据所述多个区域对,获得所述待检测对象的外观中的凹坑信息,包括:计算所述多个区域对中每一区域对包括的亮点区域和暗点区域之间的距离;从所述多个区域对中,选择对应距离小于预设距离阈值的区域对,获得多个待确定区域对;计算所述多个待确定区域对中每一区域对包括的亮点区域和暗点区域之间的平均亮度差;根据所述平均亮度差,获得目标区域对;根据所述目标区域对,获得所述凹坑信息。
在实际中,构成凹坑的暗点区域和亮点区域之间的距离通常较近,因此,为了避免其他区域带来的干扰,可以分别获取多个区域对中每一区域对的距离,并根据该距离,过滤其对应的距离小于预设距离阈值的距离对,其中,该距离可以通过分别获取暗点区域和亮点区域的中心点,并计算该两个中心点的间距获得。
再之后,为了避免待检测对象的外观粗糙带来的影响,可以分别计算经过上述一次过滤处理后的区域对,即,待确定区域对中的亮点区域和暗点区域之间的平均亮度差,并将平均亮度差较大,例如,大于预设阈值的待确定区域对作为目标区域对,之后,根据该目标区域对,即可获得待检测对象的外观中存在的凹坑的位置信息。
请参看图7a以及图7b,其分别是本实施例提供的凹坑示意图,以及,标识凹坑区域的示意图。根据图7a以及图7b可知,本实施例提供的方法可以精确的检测待检测对象的外观中存在的凹坑的信息。
以上,对如何检测待检测对象外观中的凹坑进行了详细说明,需要说明的是,在具体实施时,也可以使用上述类似处理检测待检测对象的外观是否存在大范围粗糙区域的缺陷,其处理过程具体可以包括:根据所述亮度信息,使用第二预设局部阈值分割算法获得所述图像中的第二亮点区域集合和第二暗点区域集合,其中,所述第二亮点区域集合包括至少一个亮点区域,所述第二暗点区域集合包括至少一个暗点区域;根据所述第二亮点区域集合和所述第二暗点区域集合,获得所述外观缺陷信息。
需要说明的是,区别与第一亮点区域集合中的亮点区域和第二暗点区域集合中的暗点区域,第二亮点区域集合中的亮点区域以及第二暗点区域集合中的暗点区域可以远大于前者,即,为待检测对象的外观中大量发白或发暗的缺陷区域。
该第二预设局部阈值分割算法可以为:将待检测对象的图像均匀拆分为二个子图像,例如,左右均分该图像,获得左子图像和右子图像;统计每一子图像中像素亮度的均值;根据该均值,计算与该子图像对应的第三局部亮度阈值和第四局部亮度阈值,并根据该第三局部亮度阈值和该第四局部亮度阈值,获得该子图像中的亮点区域和暗点区域,其中,该亮点区域可以是由该子图像中像素的亮度大于该第三局部亮度阈值的像素点构成的区域,该暗点区域可以是由该子图像中像素的亮度小于该第四局部亮度阈值的像素点构成的区域;之后,汇总每一子图像中的亮点区域和暗点区域,即可获得第二亮点区域集合和第二暗点区域集合。需要说明的是,在实际中,根据像素点的连续情况,同一子图像中可能包括多个亮点区域以及多个暗点区域,此处不做特殊限定。
在本实施例中,该第三局部亮度阈值可以为:mean*(1+scale1),该第二局部亮度阈值可以为:mean*scale2,其中,mean表征对应子图像中像素亮度的均值,scale1以及scale2为预设系数,其值可以根据具体情况设置。
请参看图8a以及图8b,其分别是本公开实施例提供的局部发暗缺陷区域示意图,以及局部发亮区域示意图。根据图8a以及图8b可知,在本公开实施例中,通过上述方法可以快速、精确的获得待检测对象的外观中存在的大范围粗糙区域。
在一个实施例中,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括:沿水平方向拆分所述图像,获得多个子图像;根据所述亮度信息和所述多个子图像,获得亮度均值曲线,其中,所述亮度均值曲线包含多个亮度均值点,所述亮度均值点表征对应子图像中像素的亮度均值;对所述亮度均值曲线进行离散求导处理,获得离散导数中的最小数值和最大数值;在所述最小数值大于第三预设阈值,并且所述最大数值小于第四预设阈值的情况下,根据所述最小数值和所述最大数值对应的亮度均值点,获得弯折区域信息,其中,所述弯折区域信息包括所述待检测对象外观中的弯折区域的位置信息。
即,在采集待检测对象的图像时,将待检测对象沿水平方向倾斜放置,则图像中像素亮度将沿着水平方向均匀变化,所以当待检测对象的外观存在弯折,例如轻微弯折而非是折断时,其亮度变化将较为明显。
请参看图9a,其是本公开实施例提供的第二图像拆分示意图。即,针对待检测对象的图像,可以沿水平方向拆分该图像,获得多个子图像,其中,根据实验表征,在将该图像均匀拆分为6个子图像的情况下,其获得的检测结果较为准确。
在拆分获得该多个子图像之后,计算每一子图像中全部像素的亮度均值,并可以根据该亮度均值,得到如图9b所示的亮度均值曲线,之后,通过对该亮度均值曲线进行离散求导处理,获得离散导数中的最小数值和最大数值,并根据该最小数值和最大数值,即可获得待检测对象的外观中存在的弯折区域的信息,其中,所述离散求导处理,例如可以为对亮度均值曲线中前后数值相减进行求导。
以上,针对如何获得待检测对象外观中的不同缺陷,即折断痕缺陷、凹坑缺陷、大范围粗糙区域缺陷以及弯折缺陷进行了详细说明,需要说明的是,在具体实施时,针对待检测对象的图像,电子设备可以同时实施上述缺陷检测处理,也可以顺序的检测每一缺陷,并在上一缺陷在质量准许范围内的情况下,进行下一缺陷检测处理,否则,则直接结束缺陷检测处理,并输出该检测对象存在质量问题的提示信息。
例如,在具体实施时,可以先检测待检测对象外观中的凹坑,并在不包含凹坑或者凹坑的面积小于第一预设面积阈值的情况下,检测待检测对象外观中是否存在大范围粗糙区域,并在该区域面积小于第二预设面积阈值的情况下,检测待检测对象外观中是否存在弯折区域,以及在该弯折区域小于第三预设面积阈值的情况下,检测待检测对象外观中是否存在折断痕。
综上可知,本实施例的方法包括:获取待检测对象的图像;获取所述图像中像素的亮度信息;根据所述亮度信息,获得所述待检测对象的外观缺陷信息。该方法使得电子设备可以快速、准确的获得待检测对象的外观缺陷信息,从而节省人力,提升用户体验。
<装置实施例>
与上述方法实施例对应,在本实施例中,还提供一种缺陷检测装置,如图10所示,该装置100可以包括图像获取模块101、亮度信息获取模块102和外观缺陷信息获得模块103。
该图像获取模块101,用于获取待检测对象的图像。
该亮度信息获取模块102,用于获取所述图像中像素的亮度信息。
该外观缺陷信息获得模块103,用于根据所述亮度信息,获得所述待检测对象的外观缺陷信息,其中,所述外观缺陷信息表征所述待检测对象的外观中存在的缺陷。
在一个实施例中,该外观缺陷信息获得模块103在根据所述亮度信息,获得所述待检测对象的外观缺陷信息时,可以用于:沿垂直方向拆分所述图像,获得多个子图像;根据所述亮度信息,获得与第一子图像对应的第一亮度信息,其中,所述第一子图像为所述多个子图像中的任一子图像;根据所述第一亮度信息,对所述第一子图像中的像素执行亮度垂直积分投影处理,获得与所述第一子图像对应的第一垂直积分投影曲线;根据所述第一垂直积分投影曲线,获得第一折断痕信息,其中,所述第一折断痕信息包括第一区域中存在的折断痕的位置信息,所述第一区域为所述待检测对象的外观中与所述第一子图像对应的区域;根据所述第一折断痕信息,获得所述外观缺陷信息。
在该实施例中,该外观缺陷信息获得模块103在根据所述第一垂直积分投影曲线,获得第一折断痕信息时,可以用于:对所述第一垂直积分投影曲线进行一阶求导处理,获得第一目标曲线;按照预设间隔拆分所述第一目标曲线,获得多个子目标曲线;获取与所述多个子目标曲线一一对应的多个数值对,其中,所述数值对由对应子目标曲线中的最小值和最大值组成;根据所述多个数值对,获得所述第一折断痕信息。
在该实施例中,该外观缺陷信息获得模块103在根据所述多个数值对,获得所述第一折断痕信息时,可以用于:获取第一数值对,其中,所述第一数值对为所述多个数值对中的任一数值对;获取所述第一数值对中的第一最小值和第一最大值;在所述第一最小数值小于第一预设阈值,并且所述第一最大数值大于第二预设阈值的情况下,将所述第一数值对在所述待检测对象中对应的区域的位置信息作为所述第一折断痕信息。
在一个实施例中,该外观缺陷信息获得模块103在根据所述亮度信息,获得所述待检测对象的外观缺陷信息时,可以用于:根据所述亮度信息,使用第一预设局部阈值分割算法获得所述图像中的第一亮点区域集合和第一暗点区域集合,其中,所述第一亮点区域集合包括至少一个亮点区域,所述第一暗点区域集合包括至少一个暗点区域;根据所述第一亮点区域集合和所述第一暗点区域集合,获得多个区域对,其中,所述区域对由所述第一亮点区域集合中的任一亮点区域和所述第一暗点区域集合中的任一暗点区域组成;根据所述多个区域对,获得所述待检测对象的外观中的凹坑信息,其中,所述凹坑信息包括所述待检测对象的外观中存在的凹坑的位置信息;根据所述凹坑信息,获得所述外观缺陷信息。
在该实施例中,该外观缺陷信息获得模块103在根据所述多个区域对,获得所述待检测对象的外观中的凹坑信息时,可以用于:计算所述多个区域对中每一区域对包括的亮点区域和暗点区域之间的距离;从所述多个区域对中,选择对应距离小于预设距离阈值的区域对,获得多个待确定区域对;计算所述多个待确定区域对中每一区域对包括的亮点区域和暗点区域之间的平均亮度差;根据所述平均亮度差,获得目标区域对;根据所述目标区域对,获得所述凹坑信息。
在该实施例中,该装置还可以包括过滤模块,用于从所述第一亮点区域中过滤区域面积小于或等于第一预设面积阈值的亮点区域;以及,从所述第一暗点区域中过滤区域面积小于或等于第二预设面积阈值的暗点区域。
在一个实施例中,该外观缺陷信息获得模块103在根据所述亮度信息,获得所述待检测对象的外观缺陷信息时,可以用于:沿水平方向拆分所述图像,获得多个子图像;根据所述亮度信息和所述多个子图像,获得亮度均值曲线,其中,所述亮度均值曲线包含多个亮度均值点,所述亮度均值点表征对应子图像中像素的亮度均值;对所述亮度均值曲线进行离散求导处理,获得离散导数中的最小数值和最大数值;在所述最小数值大于第三预设阈值,并且所述最大数值小于第四预设阈值的情况下,根据所述最小数值和所述最大数值对应的亮度均值点,获得弯折区域信息,其中,所述弯折区域信息包括所述待检测对象外观中的弯折区域的位置信息。
<设备实施例>
在本实施例中,还提供一种电子设备,如图11所示,该电子设备200还可以包括处理器201和存储器202,该存储器201用于存储可执行的指令;该处理器202用于根据指令的控制运行电子设备以执行根据本公开任意实施例的缺陷检测方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种缺陷检测方法,包括:
获取待检测对象的图像;
获取所述图像中像素的亮度信息;
根据所述亮度信息,获得所述待检测对象的外观缺陷信息,其中,所述外观缺陷信息表征所述待检测对象外观中存在的缺陷。
2.根据权利要求1所述的方法,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括:
沿垂直方向拆分所述图像,获得多个子图像;
根据所述亮度信息,获得与第一子图像对应的第一亮度信息,其中,所述第一子图像为所述多个子图像中的任一子图像;
根据所述第一亮度信息,对所述第一子图像中的像素执行亮度垂直积分投影处理,获得与所述第一子图像对应的第一垂直积分投影曲线;
根据所述第一垂直积分投影曲线,获得第一折断痕信息,其中,所述第一折断痕信息包括第一区域中存在的折断痕的位置信息,所述第一区域为所述待检测对象的外观中与所述第一子图像对应的区域;
根据所述第一折断痕信息,获得所述外观缺陷信息。
3.根据权利要求2所述的方法,所述根据所述第一垂直积分投影曲线,获得第一折断痕信息,包括:
对所述第一垂直积分投影曲线进行一阶求导处理,获得第一目标曲线;
按照预设间隔拆分所述第一目标曲线,获得多个子目标曲线;
获取与所述多个子目标曲线一一对应的多个数值对,其中,所述数值对由对应子目标曲线中的最小值和最大值组成;
根据所述多个数值对,获得所述第一折断痕信息。
4.根据权利要求3所述的方法,所述根据所述多个数值对,获得所述第一折断痕信息,包括:
获取第一数值对,其中,所述第一数值对为所述多个数值对中的任一数值对;
获取所述第一数值对中的第一最小值和第一最大值;
在所述第一最小数值小于第一预设阈值,并且所述第一最大数值大于第二预设阈值的情况下,将所述第一数值对在所述待检测对象中对应的区域的位置信息作为所述第一折断痕信息。
5.根据权利要求1所述的方法,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括:
根据所述亮度信息,使用第一预设局部阈值分割算法获得所述图像中的第一亮点区域集合和第一暗点区域集合,其中,所述第一亮点区域集合包括至少一个亮点区域,所述第一暗点区域集合包括至少一个暗点区域;
根据所述第一亮点区域集合和所述第一暗点区域集合,获得多个区域对,其中,所述区域对由所述第一亮点区域集合中的任一亮点区域和所述第一暗点区域集合中的任一暗点区域组成;
根据所述多个区域对,获得所述待检测对象的外观中的凹坑信息,其中,所述凹坑信息包括所述待检测对象的外观中存在的凹坑的位置信息;
根据所述凹坑信息,获得所述外观缺陷信息。
6.根据权利要求5所述的方法,所述根据所述多个区域对,获得所述待检测对象的外观中的凹坑信息,包括:
计算所述多个区域对中每一区域对包括的亮点区域和暗点区域之间的距离;
从所述多个区域对中,选择对应距离小于预设距离阈值的区域对,获得多个待确定区域对;
计算所述多个待确定区域对中每一区域对包括的亮点区域和暗点区域之间的平均亮度差;
根据所述平均亮度差,获得目标区域对;
根据所述目标区域对,获得所述凹坑信息。
7.根据权利要求6所述的方法,在执行所述根据所述第一亮点区域集合和所述第一暗点区域集合,获得多个区域对步骤之前,所述方法还包括:
从所述第一亮点区域中过滤区域面积小于或等于第一预设面积阈值的亮点区域;以及,
从所述第一暗点区域中过滤区域面积小于或等于第二预设面积阈值的暗点区域。
8.根据权利要求1所述的方法,所述根据所述亮度信息,获得所述待检测对象的外观缺陷信息,包括:
沿水平方向拆分所述图像,获得多个子图像;
根据所述亮度信息和所述多个子图像,获得亮度均值曲线,其中,所述亮度均值曲线包含多个亮度均值点,所述亮度均值点表征对应子图像中像素的亮度均值;
对所述亮度均值曲线进行离散求导处理,获得离散导数中的最小数值和最大数值;
在所述最小数值大于第三预设阈值,并且所述最大数值小于第四预设阈值的情况下,根据所述最小数值和所述最大数值对应的亮度均值点,获得弯折区域信息,其中,所述弯折区域信息包括所述待检测对象外观中的弯折区域的位置信息。
9.一种外观缺陷检测装置,其特征在于,包括:
图像获取模块,用于获取待检测对象的图像;
亮度信息获取模块,用于获取所述图像中像素的亮度信息;
外观缺陷信息获得模块,用于根据所述亮度信息,获得所述待检测对象的外观缺陷信息,其中,所述外观缺陷信息表征所述待检测对象的外观中存在的缺陷。
10.一种电子设备,包括权利要求9所述的装置;或者,
所述电子设备包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述指令的控制运行所述电子设备执行如权利要求1-8任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210770.9A CN112862800B (zh) | 2021-02-25 | 2021-02-25 | 缺陷检测方法、装置及电子设备 |
PCT/CN2021/102053 WO2022179012A1 (zh) | 2021-02-25 | 2021-06-24 | 缺陷检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110210770.9A CN112862800B (zh) | 2021-02-25 | 2021-02-25 | 缺陷检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862800A true CN112862800A (zh) | 2021-05-28 |
CN112862800B CN112862800B (zh) | 2023-01-24 |
Family
ID=75989916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110210770.9A Active CN112862800B (zh) | 2021-02-25 | 2021-02-25 | 缺陷检测方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112862800B (zh) |
WO (1) | WO2022179012A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935998A (zh) * | 2021-12-16 | 2022-01-14 | 武汉帕克橡塑制品有限公司 | 一种基于机器视觉的橡塑件花斑检测方法 |
WO2022179012A1 (zh) * | 2021-02-25 | 2022-09-01 | 歌尔股份有限公司 | 缺陷检测方法、装置及电子设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6888957B1 (en) * | 2001-03-29 | 2005-05-03 | Ciena Corporation | System and method for detecting blobs on an end surface of an optical fiber |
JP2006266750A (ja) * | 2005-03-22 | 2006-10-05 | Seiko Epson Corp | 欠陥検査方法および欠陥検査装置 |
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 |
CN106782251A (zh) * | 2017-01-21 | 2017-05-31 | 合肥惠科金扬科技有限公司 | 一种显示屏缺陷评价方法及其系统 |
CN107316287A (zh) * | 2017-05-26 | 2017-11-03 | 浙江工业大学 | 一种矩形铁氧体磁片表面的缺陷识别方法 |
CN107918216A (zh) * | 2017-12-13 | 2018-04-17 | 深圳Tcl新技术有限公司 | 图像Mura缺陷评估方法、系统以及可读存储介质 |
CN108109136A (zh) * | 2017-12-12 | 2018-06-01 | 武汉精测电子集团股份有限公司 | 一种面板检测中表面灰尘快速过滤方法及装置 |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN108280822A (zh) * | 2017-12-20 | 2018-07-13 | 歌尔科技有限公司 | 屏幕划痕的检测方法及装置 |
CN109119009A (zh) * | 2017-06-26 | 2019-01-01 | 深圳回收宝科技有限公司 | 屏幕缺陷检测方法、检测设备、系统及存储介质 |
CN109544506A (zh) * | 2018-10-17 | 2019-03-29 | 潍坊路加精工有限公司 | 工件外观缺陷的检测方法及装置 |
CN110335273A (zh) * | 2019-07-15 | 2019-10-15 | 北京海益同展信息科技有限公司 | 检测方法、检测装置、电子设备和介质 |
CN110956619A (zh) * | 2019-11-25 | 2020-04-03 | 厦门大学 | 一种曲面玻璃缺陷检测方法 |
CN112330598A (zh) * | 2020-10-14 | 2021-02-05 | 浙江华睿科技有限公司 | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3109700B1 (en) * | 2015-06-26 | 2020-07-01 | Shin-Etsu Chemical Co., Ltd. | Defect inspecting method, sorting method, and producing method for photomask blank |
CN106093073B (zh) * | 2016-06-02 | 2019-09-17 | 昆山国显光电有限公司 | 基板缺陷位置定位方法及装置和系统 |
CN108364291A (zh) * | 2018-03-13 | 2018-08-03 | 钟国韵 | 基于计算机视觉技术的原坯布快速检测方法 |
CN110619368B (zh) * | 2019-09-23 | 2021-07-02 | 北京理工大学 | 行星表面导航特征成像匹配检测方法 |
CN111721302B (zh) * | 2020-06-24 | 2021-11-09 | 北京理工大学 | 不规则小行星表面复杂地形特征识别与感知方法 |
CN112862800B (zh) * | 2021-02-25 | 2023-01-24 | 歌尔科技有限公司 | 缺陷检测方法、装置及电子设备 |
-
2021
- 2021-02-25 CN CN202110210770.9A patent/CN112862800B/zh active Active
- 2021-06-24 WO PCT/CN2021/102053 patent/WO2022179012A1/zh active Application Filing
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6888957B1 (en) * | 2001-03-29 | 2005-05-03 | Ciena Corporation | System and method for detecting blobs on an end surface of an optical fiber |
JP2006266750A (ja) * | 2005-03-22 | 2006-10-05 | Seiko Epson Corp | 欠陥検査方法および欠陥検査装置 |
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 |
CN106782251A (zh) * | 2017-01-21 | 2017-05-31 | 合肥惠科金扬科技有限公司 | 一种显示屏缺陷评价方法及其系统 |
CN107316287A (zh) * | 2017-05-26 | 2017-11-03 | 浙江工业大学 | 一种矩形铁氧体磁片表面的缺陷识别方法 |
CN109119009A (zh) * | 2017-06-26 | 2019-01-01 | 深圳回收宝科技有限公司 | 屏幕缺陷检测方法、检测设备、系统及存储介质 |
CN108109136A (zh) * | 2017-12-12 | 2018-06-01 | 武汉精测电子集团股份有限公司 | 一种面板检测中表面灰尘快速过滤方法及装置 |
CN107918216A (zh) * | 2017-12-13 | 2018-04-17 | 深圳Tcl新技术有限公司 | 图像Mura缺陷评估方法、系统以及可读存储介质 |
CN108280822A (zh) * | 2017-12-20 | 2018-07-13 | 歌尔科技有限公司 | 屏幕划痕的检测方法及装置 |
CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
CN109544506A (zh) * | 2018-10-17 | 2019-03-29 | 潍坊路加精工有限公司 | 工件外观缺陷的检测方法及装置 |
CN110335273A (zh) * | 2019-07-15 | 2019-10-15 | 北京海益同展信息科技有限公司 | 检测方法、检测装置、电子设备和介质 |
CN110956619A (zh) * | 2019-11-25 | 2020-04-03 | 厦门大学 | 一种曲面玻璃缺陷检测方法 |
CN112330598A (zh) * | 2020-10-14 | 2021-02-05 | 浙江华睿科技有限公司 | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
张钰萍: "罐盖表面缺陷视觉图像检测算法与系统", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
罗三定 等: "工件表面缺陷检测投影分析与算法研究", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022179012A1 (zh) * | 2021-02-25 | 2022-09-01 | 歌尔股份有限公司 | 缺陷检测方法、装置及电子设备 |
CN113935998A (zh) * | 2021-12-16 | 2022-01-14 | 武汉帕克橡塑制品有限公司 | 一种基于机器视觉的橡塑件花斑检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112862800B (zh) | 2023-01-24 |
WO2022179012A1 (zh) | 2022-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280822B (zh) | 屏幕划痕的检测方法及装置 | |
CN112862800B (zh) | 缺陷检测方法、装置及电子设备 | |
US9398277B2 (en) | Projection type display device and method for producing recorded images | |
US10181184B2 (en) | Method and apparatus for identifying image type | |
CN113344901A (zh) | 涂胶缺陷检测方法、装置、存储介质及电子设备 | |
CN111709890A (zh) | 一种图像增强模型的训练方法、装置及存储介质 | |
CN108269220B (zh) | 定位数字水印的方法及装置 | |
CN109600605B (zh) | 4k超高清视频的检测方法、电子设备及计算机程序产品 | |
CN104378553A (zh) | 一种图像处理方法及电子设备 | |
WO2005114982A1 (en) | Identifying red eye in digital camera images | |
CN111935418B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN111126108A (zh) | 图像检测模型的训练和图像检测方法及装置 | |
CN112634312B (zh) | 图像背景处理方法、装置、电子设备及存储介质 | |
JP5352859B2 (ja) | 複数のガウス分布モデルを利用して映像の背景を維持する方法と装置 | |
KR102311367B1 (ko) | 화상 처리 장치, 화상 처리 방법, 및 프로그램 | |
CN110717865A (zh) | 图片检测方法及装置 | |
CN110619610A (zh) | 图像处理方法及装置 | |
EP3273439A1 (en) | Method and device for enhancing color saturation | |
CN110880164B (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
CN104599266A (zh) | 图像中雾气区域的检测方法、装置及终端 | |
CN114299056A (zh) | 图像的瑕疵点的识别方法、瑕疵图像识别模型训练方法 | |
KR102164998B1 (ko) | 디지털 영상 선예도 강화 방법 | |
CN110147765B (zh) | 一种图像处理方法及装置 | |
CN112883762A (zh) | 一种活体检测方法、装置、系统及存储介质 | |
WO2021008187A1 (zh) | 显示界面切换功能的检测方法及系统 |
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 |