CN112927226A - 一种划痕损伤的图像检测方法 - Google Patents
一种划痕损伤的图像检测方法 Download PDFInfo
- Publication number
- CN112927226A CN112927226A CN202110375709.XA CN202110375709A CN112927226A CN 112927226 A CN112927226 A CN 112927226A CN 202110375709 A CN202110375709 A CN 202110375709A CN 112927226 A CN112927226 A CN 112927226A
- Authority
- CN
- China
- Prior art keywords
- image
- rotating
- array
- column
- scratch damage
- 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种划痕损伤的图像检测方法,通过对被检测物的原始图像进行旋转、叠加和滤波,然后根据所得数据是否超过阈值而得出被检测物是否有划痕损伤的结果。图像检测方法包括步骤一、以角度ω为间隔,在给定角度范围内连续旋转被检测物的原始图像,得到的所有旋转图像组成旋转图像集合;步骤二、计算行像素叠加数列和/或列像素叠加数列;步骤三、如果数列集合中所有数列的所有元素之中存在超过给定阈值的元素,则判断被检测物存在划痕损伤。本发明可应用于光面、磨砂或者有水迹、腐蚀痕迹的被检测物的划痕检测之中,本发明能够检测不连续划痕损伤,具有检测速度快、无需训练学习的优点,可满足高速缺陷检测仪器设备的要求。
Description
技术领域
本发明属于图像检测技术领域,具体涉及一种划痕损伤的图像检测方法。
背景技术
在工业生产过程中,通常需要采用机器视觉的方式来判断产品表面是否存在划痕等缺陷。
传统的划痕识别技术主要依靠滤波方法,例如中国专利201710104404.9公开的一种基于图像处理的划痕检测方法,该方法包括:获取背景图像,利用所述背景图像与原始图像对消得到差分图像;利用方向性滤波器组对所述差分图像中的待分析像素进行处理,确定疑似点及相应的疑似方向;利用所述疑似点和所述疑似方向,在所述方向性滤波器组的映射区域内进行空域累积处理,得到增强的划痕检测图像。该专利中主要使用了方向性滤波器。
再例如中国专利201910195417.0公开的基于频率域滤波增强的耐火砖表面划痕识别方法,包括采集耐火砖的原始图像;将耐火砖灰度图像转化成耐火砖彩色图像,对耐火砖的原始彩色图像进行通道分离、并获取G通道图像;对G通道图像进行二维离散傅里叶变换及频率域滤波平滑、获得耐火砖时频域图像;对耐火砖时频域图像进行阈值处理和形态学处理,获得频率滤波后的耐火砖阈值图,对耐火砖阈值图像采用两遍扫描法,标记出耐火砖阈值图像中存在的所有连通区域。该专利基于频率域滤波。
另外也有基于学习算法的划痕识别技术,例如专利201810637934.4公开的一种基于图像深度学习的产品表面划痕检测方法,通过在高反光表面不同光照、产品下取得不同类型、形态、尺寸的划痕缺陷图像块作为训练样本训练多层卷积神经网络深度学习算法,再利用训练好的网络模型检测识别出高反光表面划痕缺陷。
传统的划痕识别技术是难以检测不连续的划痕损伤的,而基于学习算法的划痕识别技术则计算速度慢,难以满足高速缺陷视觉检测设备的速度要求。
发明内容
针对现有技术的缺陷,本发明提供了一种对被检测物的原始图像进行划痕损伤检测的方法,具有可快速检测不连续划痕损伤的优点。
为了实现上述目的,本发明提供了一种划痕损伤的图像检测方法,对被检测物的原始图像进行图像处理以检测是否存在划痕损伤,图像检测方法包括以下步骤:
步骤一、以角度ω为间隔,在给定角度范围内连续旋转被检测物的原始图像,得到的所有旋转图像组成旋转图像集合;
步骤二、计算行像素叠加数列和/或列像素叠加数列
1)将旋转图像集合中每张旋转图像的各行像素值进行叠加,得到旋转图像集合的各旋转图像的行像素叠加数列;
2)将旋转图像集合中每张旋转图像的各列像素值进行叠加,得到旋转图像集合的各旋转图像的列像素叠加数列;
将所有的行像素叠加数列和/或列像素叠加数列组成数列集合;
步骤三、如果数列集合中所有数列的所有元素之中存在超过给定阈值的元素,则判断被检测物存在划痕损伤;
进一步的,如果步骤一中的给定角度范围是90度,则步骤二计算行像素叠加数列和列像素叠加数列并且将所有的行像素叠加数列和列像素叠加数列组成数列集合;
如果步骤一中的给定角度范围是180度,则步骤二只计算行像素叠加数列或只计算列像素叠加数列并且将所有的行像素叠加数列或列像素叠加数列组成数列集合;
进一步的,将步骤二中计算得到的数列集合中各个数列进行高通滤波处理,并且用滤波处理后所得到的增强数列代替数列集合中相应数列。
本发明具备以下有益效果:
本发明的图像检测方法基于对图像的旋转和一维映射,能够检测不连续划痕损伤,具有检测速度快、检测精度高的优点。
下面结合附图对本发明作进一步的详细说明。
附图说明
图1是本发明所检测的被检测物的原始图像;
图2是本发明实施例1的行像素叠加数列;
图3是本发明实施例1的增强数列;
图4是本发明实施例1的列像素叠加数列;
图5是本发明实施例1的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不限于下面公开的具体实施例的限制。
实施例1
一种划痕损伤的图像检测方法,对如图1所示的被检测物的原始图像进行图像处理以检测是否存在划痕损伤,检测方法包括以下步骤:
步骤一、在给定角度范围内连续旋转被检测物的原始图像
以角度ω=5°为间隔,以被检测物的原始图像的中点为旋转中心,在给定角度范围[0,180)度内逆时针方向连续旋转被检测物的原始图像,得到的36张旋转图像组成旋转图像集合;
步骤二、计算行像素叠加数列并进行高通滤波
设Pα是旋转图像集合中的第α张旋转图像(1≤α≤36),Pα的像素为(其中i,e分别为行号和列号,1≤i≤Iα,1≤e≤Eα),是Pα的行像素叠加数列,其中计算旋转图像集合中36张旋转图像的行像素叠加数列(如图2所示),设数列集合为C={Uβ}(其中),将所有的36个行像素叠加数列组成数列集合C,即:
由图2可见Uβ中含有低频干扰,需要进行高通滤波处理,设Uβ进行高通滤波处理后所得的增强数列是Fβ,本实施例所采用的高通滤波为:
计算数列集合中36个数列Uβ相应的如图3所示的36个增强数列Fβ,并用Fβ代替数列集合中的Uβ,即令Uβ=Fβ;
步骤三、根据给定阈值判断是否存在划痕损伤
如果数列集合中所有数列Uβ的所有元素存在超过给定阈值1000的元素,则判断被检测物存在划痕损伤。可见图3的55度逆时针旋转图像的增强数列有元素明显超过阈值1000,说明图1的划痕经过逆时针旋转55度后在行方向上叠加会出现很大的数值,判断为存在划痕损伤。
其中,步骤一、步骤二在于从各个方向(即360度范围内)求取被检测物原始图像的像素叠加数列,由于被检测物原始图像旋转d度所得的行像素叠加数列与旋转d+180度所得的行像素叠加数列基本相同(仅数列里的元素顺序相反,不影响后续计算),因此可将角度范围减少一半以减少运算,即给定角度范围只需满足角度距离是180度即可,例如也可以取(-40,140]度等,并且旋转中心和旋转方向的选择均不影响后续计算;
另一方面,比较图2、4可见,由于被检测物原始图像旋转d度所得的行像素叠加数列与旋转d+90度所得的列像素叠加数列基本相同(仅数列里的元素顺序可能相反,不影响后续计算),步骤二也可以计算Pα的列像素叠加数列然后将所有的36个列像素叠加数列组成数列集合C,即:
实施例2
一种划痕损伤的图像检测方法,对如图1所示的被检测物的原始图像进行图像处理以检测是否存在划痕损伤,检测方法包括以下步骤:
步骤一、在给定角度范围内连续旋转被检测物的原始图像
以角度ω=5°为间隔,以被检测物的原始图像的中点为旋转中心,在给定角度范围[0,90)度内逆时针方向连续旋转被检测物的原始图像,得到的18张旋转图像组成旋转图像集合;
步骤二、计算行像素叠加数列和列像素叠加数列并进行高通滤波
计算旋转图像集合中18张旋转图像的行像素叠加数列和列像素叠加数列,设数列集合为C={Uβ},
余下部分与实施例1基本相同,这里不再进行赘述。
其中,由于被检测物原始图像旋转d度所得的行像素叠加数列与旋转d+90度所得的列像素叠加数列基本相同(仅数列里的元素顺序可能相反,不影响后续计算),步骤二所得的在[0,90)度内的18张旋转图像的列像素叠加数列等同于在[90,180)度内的18张旋转图像的行像素叠加数列,也即得到了在[0,180)度内的36张旋转图像的行像素叠加数列,这与实施例1所得的36个行像素叠加数列是相同的。
虽然本发明以较佳实施例揭露如上,但并非用以限定本发明实施的范围。任何本领域的普通技术人员,在不脱离本发明的发明范围内,当可作些许的改进,即凡是依照本发明所做的同等改进,应为本发明的范围所涵盖。
Claims (3)
1.一种划痕损伤的图像检测方法,对被检测物的原始图像进行图像处理以检测是否存在划痕损伤,图像检测方法包括以下步骤:
步骤一、以角度ω为间隔,在给定角度范围内连续旋转被检测物的原始图像,得到的所有旋转图像组成旋转图像集合;
步骤二、计算行像素叠加数列和/或列像素叠加数列;
1)将旋转图像集合中每张旋转图像的各行像素值进行叠加,得到旋转图像集合的各旋转图像的行像素叠加数列;
2)将旋转图像集合中每张旋转图像的各列像素值进行叠加,得到旋转图像集合的各旋转图像的列像素叠加数列;
将所有的行像素叠加数列和/或列像素叠加数列组成数列集合;
步骤三、如果数列集合中所有数列的所有元素之中存在超过给定阈值的元素,则判断被检测物存在划痕损伤。
2.根据权利要求1所述的划痕损伤的图像检测方法,其特征在于,
如果步骤一中的给定角度范围是90度,则步骤二计算行像素叠加数列和列像素叠加数列并且将所有的行像素叠加数列和列像素叠加数列组成数列集合;
如果步骤一中的给定角度范围是180度,则步骤二只计算行像素叠加数列或只计算列像素叠加数列并且将所有的行像素叠加数列或列像素叠加数列组成数列集合。
3.根据权利要求1所述的划痕损伤的图像检测方法,其特征在于,将步骤二中计算得到的数列集合中各个数列进行高通滤波处理,并且用滤波处理后所得到的增强数列代替数列集合中相应数列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375709.XA CN112927226B (zh) | 2021-04-08 | 2021-04-08 | 一种划痕损伤的图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375709.XA CN112927226B (zh) | 2021-04-08 | 2021-04-08 | 一种划痕损伤的图像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927226A true CN112927226A (zh) | 2021-06-08 |
CN112927226B CN112927226B (zh) | 2022-08-26 |
Family
ID=76173754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110375709.XA Active CN112927226B (zh) | 2021-04-08 | 2021-04-08 | 一种划痕损伤的图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927226B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4906099A (en) * | 1987-10-30 | 1990-03-06 | Philip Morris Incorporated | Methods and apparatus for optical product inspection |
CN102572315A (zh) * | 2010-12-31 | 2012-07-11 | 华晶科技股份有限公司 | 数字影像的斜纹噪声的检测方法 |
CN103325099A (zh) * | 2013-07-11 | 2013-09-25 | 北京智诺英特科技有限公司 | 图像校正方法和装置 |
CN107274385A (zh) * | 2017-05-18 | 2017-10-20 | 常州大学 | 基于类格图案及其Gabor特征的纺织品瑕疵检测方法 |
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 |
CN109342445A (zh) * | 2018-11-21 | 2019-02-15 | 中国质量认证中心 | 一种abs齿圈端面缺陷检测系统及方法 |
-
2021
- 2021-04-08 CN CN202110375709.XA patent/CN112927226B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4906099A (en) * | 1987-10-30 | 1990-03-06 | Philip Morris Incorporated | Methods and apparatus for optical product inspection |
CN102572315A (zh) * | 2010-12-31 | 2012-07-11 | 华晶科技股份有限公司 | 数字影像的斜纹噪声的检测方法 |
CN103325099A (zh) * | 2013-07-11 | 2013-09-25 | 北京智诺英特科技有限公司 | 图像校正方法和装置 |
CN107274385A (zh) * | 2017-05-18 | 2017-10-20 | 常州大学 | 基于类格图案及其Gabor特征的纺织品瑕疵检测方法 |
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 |
CN109342445A (zh) * | 2018-11-21 | 2019-02-15 | 中国质量认证中心 | 一种abs齿圈端面缺陷检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112927226B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
US20160055392A1 (en) | Estimating degree of deterioration of road surface | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN115082462B (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN115222733A (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN109239073B (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN107367241B (zh) | 一种基于机器视觉的汽车轮胎花纹识别方法 | |
CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN108876860B (zh) | 一种用于管水准器气泡偏移量测量的图像标定方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN111080582A (zh) | 工件内外表面缺陷检测方法 | |
CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
CN115115642A (zh) | 基于图像处理的带钢结疤缺陷检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN116993742B (zh) | 基于机器视觉的镍合金轧制缺陷检测方法 | |
CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
CN113947583B (zh) | 基于深度学习二维时间序列图像的焊缝无损检测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220803 Address after: 510225 room 114, 27 Dongsha street, Zhifang Road, Haizhu District, Guangzhou City, Guangdong Province Applicant after: Guangzhou Lvjian Intelligent Technology Co.,Ltd. Applicant after: Guangzhou Mingyi Intelligent Technology Co.,Ltd. Address before: 510225 room 114, 27 Dongsha street, Zhifang Road, Haizhu District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Lvjian Intelligent Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |