CN113109368B - 玻璃裂纹检测方法、装置、设备及介质 - Google Patents
玻璃裂纹检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113109368B CN113109368B CN202110267424.4A CN202110267424A CN113109368B CN 113109368 B CN113109368 B CN 113109368B CN 202110267424 A CN202110267424 A CN 202110267424A CN 113109368 B CN113109368 B CN 113109368B
- Authority
- CN
- China
- Prior art keywords
- region
- crack
- candidate
- point
- points
- 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
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
-
- 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
- Y02P40/00—Technologies relating to the processing of minerals
- Y02P40/50—Glass production, e.g. reusing waste heat during processing or shaping
- Y02P40/57—Improving the yield, e-g- reduction of reject rates
Abstract
本申请涉及图像处理技术领域,提供一种玻璃裂纹检测方法、装置、设备及介质,用于提高检测玻璃裂纹的准确性。该方法包括:获取待处理图像,并确定所述待处理图像中的第一区域;所述第一区域为玻璃区域;对所述第一区域进行分割,确定所述第一区域中的至少一个第二区域;每个第二区域为候选裂纹区域;根据每个第二区域的轮廓信息,确定每个第二区域的至少一个特征;所述至少一个特征包括候选裂纹的剖面宽度;根据每个第二区域的至少一个特征,对对应第二区域进行分类,确定对应第二区域是否为玻璃裂纹。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种玻璃裂纹检测方法、装置、设备及介质。
背景技术
在玻璃生产过程中,由于设备的挤压、磕碰等容易造成的玻璃表面出现裂纹,裂纹会影响玻璃的质量,使玻璃开裂破碎,因此,如何准确的检测出玻璃表面的裂纹是玻璃制造商重点关注的问题。
玻璃表面通常有一些脏污,脏污会对裂纹检测结果造成干扰。现有的裂纹检测方法通过是对玻璃图像进行特征提取,提取的特征例如几何特征、灰度特征、像素特征,基于这些特征确定玻璃图像是否存在裂纹。但由于脏污和裂纹在这些特征上表现相近,因此采用现有技术的这种方案无法区分裂纹与脏污,导致检测玻璃裂纹的准确性较低。
发明内容
本申请实施例提供一种玻璃表面裂纹检测方法、装置、设备及介质,用于提高检测玻璃裂纹的准确性。
第一方面,提供了一种玻璃裂纹检测方法,包括:
获取待处理图像,并确定所述待处理图像中的第一区域;所述第一区域为玻璃区域;
对所述第一区域进行分割,确定所述第一区域中的至少一个第二区域;每个第二区域为候选裂纹区域;
根据每个第二区域的轮廓信息,确定每个第二区域的至少一个特征;所述至少一个特征包括候选裂纹的剖面宽度;
根据每个第二区域的至少一个特征,对对应第二区域进行分类,确定对应第二区域是否为玻璃裂纹。
本实施例中先从待处理图像确定玻璃区域,避免非玻璃区域对玻璃裂纹检测结果的干扰,提高了检测结果的准确性,并对玻璃区域进行分割,确定玻璃区域中的多个候选裂纹区域,缩小可能的裂纹区域的范围,根据候选裂纹区域的轮廓提取剖面宽度等特征,判断候选裂纹区域是否为裂纹,轮廓特征能够准确区分裂纹和脏污,进一步提高了玻璃裂纹检测结果的准确性。
在一种可能的实施例中,对所述第一区域进行分割,确定所述第一区域中的至少一个第二区域,包括:
针对所述第一区域中每个像素点,对比像素点的灰度值与像素点的邻域内的亮度参数值大小;
将所述第一区域中像素点灰度值小于像素点的邻域内的亮度参数值的像素点确定为裂纹缺陷点;
根据确定出的多个裂纹缺陷点,确定至少一个第二区域。
本申请实施例中针对每个像素点,基于该像素点的邻域内的亮度参数值确定该像素点是否为裂纹缺陷点,每个像素点的邻域内的亮度参数值是不同的,使用动态阈值确定该像素点是否为裂纹缺陷点,能够消除外部光照不均匀因素对裂纹检测结果带来的影响,从而提高检测结果的准确性。
在一种可能的实施例中,所述像素点的邻域内的亮度参数值为如下的一种:
像素点的邻域内所有像素点的灰度值的均值确定的;
像素点的邻域内所有像素点的灰度值的方差确定的。
本申请实施例中基于邻域内所有像素点的灰度值的均值或方差确定该像素点的邻域内的亮度参数值,均值能够反映邻域内的平均亮度,而方差能够反映邻域内的亮度离散度,均值或方差能够更加准确地体现像素点的邻域内的亮度参数值,从而基于亮度参数值确定裂纹缺陷点,提高检测结果的准确性。
在一种可能的实施例中,确定所述待处理图像中的第一区域,包括:
对所述待处理图像进行第一方向的一维卷积操作,获得第一梯度图;
将所述第一梯度图中灰度值大于第一阈值的像素点均确定为初始玻璃边缘点;
根据确定出的各个初始玻璃边缘点,获得第一区域。
本申请实施例中对待处理图像进行卷积操作,获得梯度图像,并基于灰度值对梯度图进行分割,梯度图更能体现出边缘点与普通像素点的差异,使提取出的初始玻璃边缘点更准确,使获得的玻璃边缘的初始位置更准确。且,基于灰度值的分割方式较简单,能够快速获得初始玻璃边缘点。
在一种可能的实施例中,根据确定出的各个初始玻璃边缘点,获得第一区域,包括:
根据所述各个初始玻璃边缘点的像素值,获得至少一个数组;
对所述至少一个数组中每个数组进行卷积操作,获得多个玻璃边缘点;
拟合所述多个玻璃边缘点,获得拟合直线;
根据所述拟合直线对所述待处理图像进行划分,获得所述待处理图像中的第一区域。
本申请实施例中通过投影操作,将矩阵转为数组,能够减少处理时间与存储空间,并且增强了待处理图像的边缘信息,便于后续处理,通过直线拟合并划分待处理图像,能够对玻璃边缘的位置进行精确定位,从而确定出待处理图像中的玻璃区域,避免了非边缘点对后续检测结果的影响。
在一种可能的实施例中,根据确定出的多个裂纹缺陷点,确定至少一个第二区域,包括:
聚集所述多个候选裂纹缺陷点中位置相邻点,获得至少一个候选第二区域;
将所述至少一个候选第二区域中满足预设条件的候选区域,确定为第二区域;其中,所述预设条件为候选第二区域中裂纹缺陷点的数量大于或等于第二阈值。
本申请实施例中对候选裂纹区域进行了筛选,将裂纹缺陷点的数量较少的区域剔除,避免了一些个别点的干扰,使后续处理的数据量更小,加快了检测的速度。
在一种可能的实施例中,在根据每个第二区域的轮廓信息,确定每个第二区域的至少一个特征之前,包括:
针对每个第二区域,对对应第二区域的剖面方程进行卷积操作,获得对应第二区域的卷积操作后的方程;
针对每个第二区域,根据所述卷积操作后的方程,确定对应第二区域中的候选裂纹轮廓点范围;
针对每个第二区域,根据每个第二区域的候选裂纹轮廓点范围,以及所述待处理图像二维卷积结果组成的矩阵,获得对应第二区域的候选裂纹轮廓点的位置和对应第二区域的候选裂纹轮廓点的方向;
针对每个第二区域,在第二梯度图上从所述每个第二区域的候选裂纹轮廓点的位置开始,沿着所述候选裂纹轮廓点的方向搜索最大梯度值,获得对应第二区域的候选裂纹边界点的位置;所述第二梯度图是通过对所述待处理图像进行第一方向的一维卷积操作后,进行第二方向的一维卷积操作获得的;所述第一方向和所述第二方向呈相互垂直;
针对每个第二区域,将每个第二区域中候选裂纹轮廓点的位置、对应第二区域的候选裂纹轮廓点的方向和对应第二区域中候选裂纹边界点的位置确定为对应每个第二区域的轮廓信息。
本申请实施例中对待处理图像进行卷积操作,能够准确地获取每个第二区域的轮廓信息,包括每个第二区域的候选裂纹轮廓点的位置、方向和候选裂纹边界点的位置,便于后续基于轮廓信息提取轮廓特征,使玻璃裂纹检测结果更加准确。
在一种可能的实施例中,根据所述每个第二区域的轮廓信息,确定所述每个第二区域的至少一个特征,包括:
针对每个第二区域,根据对应第二区域的候选裂纹轮廓点的位置、方向、以及所述候选裂纹边界点的位置,确定对应第二区域中裂纹的剖面宽度。
本申请实施例中根据候选裂纹轮廓点的位置、方向、以及候选裂纹边界点的位置,确定剖面宽度,后续根据剖面宽度能够准确区分裂纹和脏污,进一步提高了玻璃裂纹检测结果的准确性。
在一种可能的实施例中,根据所述每个第二区域的轮廓信息,确定所述每个第二区域的至少一个特征,包括如下的至少一种:
针对每个第二区域,根据所述候选裂纹轮廓点的位置从所述待处理图像中提取所述候选裂纹轮廓点的灰度值,确定所述候选裂纹轮廓点的轮廓点亮度;
针对每个第二区域,根据所述候选裂纹边界点的位置从所述待处理图像中提取所述候选裂纹边界点的灰度值与邻域内像素点的灰度值,确定所述候选裂纹边界点的边缘点梯度。
本申请实施例中根据裂纹候选区域的轮廓信息还提取了轮廓点亮度以及边缘点梯度,综合考量多个轮廓特征,提取的轮廓特征更稳定,更全面,从而保证玻璃裂纹检测结果更加准确。
第二方面,提供了一种玻璃裂纹检测装置,包括:
获取模块,用于获取待处理图像,并确定所述待处理图像中的第一区域;所述第一区域为玻璃区域;
分割模块:用于对所述第一区域进行分割,确定所述第一区域中的至少一个第二区域;每个第二区域为候选裂纹区域;
确定模块:用于根据每个第二区域的轮廓信息,确定每个第二区域的至少一个特征;所述至少一个特征包括候选裂纹的剖面宽度;
分类模块:用于根据每个第二区域的至少一个特征,对对应第二区域进行分类,确定对应第二区域是否为玻璃裂纹。
在一种可能的实施例中,所述分割模块具体用于:
针对所述第一区域中每个像素点,对比像素点的灰度值与像素点的邻域内的亮度参数值大小;
将所述第一区域中像素点灰度值小于像素点的邻域内的亮度参数值的像素点确定为裂纹缺陷点;
根据确定出的多个裂纹缺陷点,确定至少一个第二区域。
在一种可能的实施例中,所述像素点的邻域内的亮度参数值为如下的一种:
像素点的邻域内所有像素点的灰度值的均值确定的;
像素点的邻域内所有像素点的灰度值的方差确定的。
在一种可能的实施例中,所述获取模块具体用于:
对所述待处理图像进行第一方向的一维卷积操作,获得第一梯度图;
将所述第一梯度图中灰度值大于第一阈值的像素点确定为初始玻璃边缘点;
根据确定出的各个初始玻璃边缘点,获得第一区域。
在一种可能的实施例中,所述获取模块具体用于:
根据所述各个初始玻璃边缘点的像素值,获得至少一个数组;
对所述至少一个数组中每个数组进行卷积操作,获得多个玻璃边缘点;
拟合所述多个玻璃边缘点,获得拟合直线;
根据所述拟合直线对所述待处理图像进行划分,获得所述待处理图像中的第一区域。
在一种可能的实施例中,所述分割模块具体用于:
聚集所述多个候选裂纹缺陷点中位置相邻的点,获得至少一个候选第二区域;
将所述至少一个候选第二区域中满足预设条件的候选区域,确定为第二区域;其中,所述预设条件为候选第二区域中裂纹缺陷点的数量大于或等于第二阈值。
在一种可能的实施例中,所述确定模块还用于:
针对每个第二区域,对对应第二区域的剖面方程进行卷积操作,获得对应第二区域的卷积操作后的方程;
针对每个第二区域,根据所述卷积操作后的方程,确定对应第二区域中的候选裂纹轮廓点范围;
针对每个第二区域,根据每个第二区域的候选裂纹轮廓点范围,以及所述待处理图像二维卷积结果组成的矩阵,获得对应第二区域的候选裂纹轮廓点的位置和对应第二区域的候选裂纹轮廓点的方向;
针对每个第二区域,在第二梯度图上,从所述每个第二区域的候选裂纹轮廓点的位置开始,沿着所述候选裂纹轮廓点的方向搜索最大梯度值,获得对应第二区域的候选裂纹边界点的位置;所述第二梯度图是通过对所述待处理图像进行第一方向的一维卷积操作后,进行第二方向的一维卷积操作获得的;所述第一方向和所述第二方向呈相互垂直;
针对每个第二区域,将每个第二区域中候选裂纹轮廓点的位置、对应第二区域的候选裂纹轮廓点的方向和对应第二区域中候选裂纹边界点的位置确定为对应每个第二区域的轮廓信息。
在一种可能的实施例中,所述确定模块具体用于:
针对每个第二区域,根据对应第二区域的候选裂纹轮廓点的位置、方向、以及所述候选裂纹边界点的位置,确定对应第二区域中裂纹的剖面宽度。
在一种可能的实施例中,所述确定模块具体用于:
针对每个第二区域,根据所述候选裂纹轮廓点的位置从所述待处理图像中提取所述候选裂纹轮廓点的灰度值,确定所述候选裂纹轮廓点的轮廓点亮度;
针对每个第二区域,根据所述候选裂纹边界点的位置从所述待处理图像中提取所述候选裂纹边界点的灰度值与邻域内像素点的灰度值,确定所述候选裂纹边界点的边缘点梯度。
第三方面,提供一种玻璃裂纹检测设备,包括:
至少一个处理器,以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面中任一所述的方法。
第四方面,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指令,当所述计算机指令在计算机上运行时,使得计算机执行如第一方面中任一所述的方法。
附图说明
图1为本申请实施例提供的一种玻璃裂纹检测方法的应用场景示意图;
图2为本申请实施例提供的一种玻璃裂纹检测方法的流程图;
图3为本申请实施例提供的拍摄设备拍摄的待处理图像示意图;
图4为本申请实施例提供的水平梯度图像示意图;
图5为本申请实施例提供的初始玻璃边缘点的分布示意图
图6为本申请实施例提供的玻璃边缘点的分布示意图;
图7为本申请实施例提供的候选裂纹点的分布示意图;
图8为本申请实施例提供的候选裂纹区域的剖面图像;
图9A为本申请实施例提供的一维方程与高斯核函数的一阶导数的卷积图;
图9B为本申请实施例提供的一维方程与高斯核函数的二阶导数的卷积图;
图10为本申请实施例提供的一种玻璃裂纹检测装置的结构示意图;
图11为本申请实施例提供的一种玻璃裂纹检测设备的结构示意图。
具体实施方式
为了更好的理解本申请实施例提供的技术方案,下面将结合说明书附图以及具体的实施方式进行详细的说明。
目前,玻璃裂纹检测方法是先从图像中提取出候选裂纹的特征,将候选裂纹特征进行分类校验,根据候选裂纹特征所属的类别,确定该候选裂纹特征对应的候选裂纹区域是否为裂纹。现有的裂纹检测方法提取的裂纹特征,例如几何特征、灰度特征、像素特征,然而玻璃表面通常有一些脏污,脏污和裂纹在几何特征、灰度特征、像素特征上表现相近,因此,现有技术方案无法区分裂纹与脏污,导致玻璃裂纹检测的准确性较低。
鉴于此,本申请实施例提供一种玻璃裂纹检测方法,下面对本申请实施例涉及的应用场景进行介绍。
请参见图1,本申请实施例提供一种玻璃裂纹检测方法的应用场景示意图,该应用场景可以包括拍摄设备110和与之通信的检测设备120。拍摄设备110例如为终端设备、或摄像机等,终端设备例如包括相机、手机或平板电脑(Portable Android Device,PAD)等,还可能包括其他的带有拍摄功能的设备,摄像机例如电荷耦合器件(Charge CoupledDevice,CCD)摄像机。
对于需要进行裂纹检测的玻璃,拍摄设备110采集玻璃表面的图像,即为待处理图像,并将待处理图像发送给检测设备120,检测设备120对待处理图像进行处理,检测待处理图像中是否有裂纹。其中,检测玻璃图像是否存在裂纹的方法将在下文中进行介绍。
基于图1论述的应用场景,下面以图1中检测设备120执行玻璃裂纹检测方法为例进行介绍。请参照图2,为一种玻璃裂纹检测方法的流程示意图,该方法包括:
S210,获取待处理图像,并确定待处理图像中的第一区域。
具体的,检测设备120获取拍摄设备110发送的待处理图像,由于待处理图像可能并不完全是玻璃区域,即待处理图像包括玻璃区域和非玻璃区域,非玻璃区域可以视为背景区域。为了避免非玻璃区域对最终的裂纹检测结果造成干扰,因此检测设备120需要检测待处理图像中的玻璃区域,玻璃区域即为第一区域。
请参照图3,为本申请实施例提供的拍摄设备110所拍摄的待处理图像示意图。
在待处理图像中只包括玻璃区域的情况下,检测设备120通过目标检测确定第一区域为待处理图像。目标检测方式有多种,此处不一一列举。
在待处理图像既有玻璃区域又有非玻璃区域的情况下,为了能够确定待处理图像能够准确地检测出待处理图像中的第一区域,检测设备120可以先检测待处理图像中玻璃边缘点的位置,然后基于各个玻璃边缘点,确定待处理图像中的第一区域。
在一种可能的实施例中,检测设备120对待处理图像进行第一方向的一维卷积操作,获得第一梯度图像,将第一梯度图像中灰度值大于第一阈值的像素点作为初始玻璃边缘点,根据确定的各个初始玻璃边缘点,获得第一区域。
具体的,第一方向可以是为水平方向,也可以是垂直方向,检测设备120将待处理图像进行水平方向上的卷积操作,获得待处理图像的水平梯度图像。对水平梯度图像进行阈值分割,将水平梯度图像中灰度值大于第一阈值的像素点作为初始玻璃边缘点。
例如,检测设备120使用索贝尔(Sobel)算子,Sobel算子的水平卷积因子为:
待处理图像将与水平卷积因子Gx进行卷积,获得待处理图像的水平梯度图像。请参照图4,图4为本申请实施例提供的水平梯度图像示意图。
或者,检测设备120将待处理图像进行垂直方向上的卷积操作,获得待处理图像的垂直梯度图像。对垂直梯度图像进行阈值分割,将垂直梯度图像中灰度值大于第一阈值的像素点作为初始玻璃边缘点。
或者例如,Sobel算子的垂直卷积因子为:
将待处理图像与垂直卷积因子Gy进行卷积,获得待处理图像的垂直梯度图像。
进一步地,检测设备120根据梯度图像确定的各个初始玻璃边缘点,通过如下两种方式获得第一区域:
一、检测设备120可以结合水平梯度图像和垂直梯度图像的阈值分割结果,将初始玻璃边缘点组成的区域确定为第一区域。其中,初始玻璃边缘点包括基于水平梯度图像获得的初始玻璃边缘点和基于垂直梯度图像获得的初始玻璃边缘点。
二、检测设备120也可以根据水平梯度图像获得的初始玻璃边缘点,确定水平边缘的起始点和终止点,分别沿着起始点和终止点做水平方向的延伸,确定玻璃垂直边缘,将初始玻璃边缘点和玻璃垂直边缘组成的区域确定为第一区域。
请参照图5,为本申请实施例提供的初始玻璃边缘点的分布示意图。
在一种可能的实施例中,为了获得初始玻璃边缘点的精确位置,更加准确的确定待处理图像中的第一区域,检测设备120对初始玻璃边缘点进一步处理,根据各个初始玻璃边缘点的像素值,获得至少一个数组,对至少一个数组中每个数组进行卷积操作,获得多个玻璃边缘点,并拟合多个玻璃边缘点,获得拟合直线,根据拟合直线对待处理图像进行划分,获得待处理图像中的第一区域。
具体的,检测设备120将各个初始玻璃边缘点聚集的区域按相同的间隔分段在待处理图像上设置投影区域,将每个投影区域的图像进行投影,也就是将每个投影区域内的图像灰度值组成的矩阵的行或列求和,再取均值,获得行或列对应的一维投影数组。
如果检测设备120是基于水平梯度图像获得的初始玻璃边缘点,则将每个投影区域的图像沿垂直方向进行投影,也就是将投影区域的图像灰度值组成的矩阵的每一列求和再取均值,从而获得一维投影数组。
或者,检测设备120是基于垂直梯度图像获得的初始玻璃边缘点,则将每个投影区域的图像沿水平方向进行投影,也就是将投影区域的图像灰度值组成的矩阵的每一行求和再取均值,从而获得一维投影数组。
进一步的,检测设备120将投影获得的每个数组与筛选算子进行卷积操作,取其中的峰值点作为玻璃边缘点。
例如,筛选算子为:
[-1 0 1]
进一步的,检测设备120拟合多个玻璃边缘点,获得一条拟合直线,根据拟合直线对待处理图像进行划分,获得待处理图像中的第一区域。
检测设备120对所有玻璃边缘点的进行拟合,获得一条拟合直线,使所有玻璃边缘点到该拟合直线的距离之和最小。例如,最小二乘法(Least Squares Method,LSM)。
玻璃边缘有可能破损,因此在拟合直线时考虑到非玻璃边缘点的影响,检测设备120也可以设置阈值,去除了离主要部分较远的点集进行拟合,获得拟合直线。
例如,随机抽样一致算法(RANdom SAmple Consensus,RANSAC),从多个玻璃边缘点中随机选择一组点,被选取的子集被假设为内点,根据假设的内点计算出拟合直线的参数,用计算出的参数去测试剩余的玻璃边缘点,将测试误差小于阈值的点放入内点的集合中,若内点的集合有更新,用更新后的内点重新计算出拟合直线的参数,重复上述过程,直到达到最大迭代次数,获得最优的拟合直线。
进一步地,检测设备120根据玻璃边缘点和拟合直线,通过如下两种方式获得第一区域:
一、检测设备120可以将拟合直线组成的区域确定为第一区域,其中,拟合直线包括基于水平梯度图像获得的拟合直线和基于垂直梯度图像获得的拟合直线。
二、检测设备120也可以根据水平梯度图像获得的玻璃边缘点,确定水平边缘的起始点和终止点,分别沿着起始点和终止点做水平方向的延伸,确定玻璃垂直边缘,将基于水平梯度图像获得的拟合直线和玻璃垂直边缘组成的区域确定为第一区域。
请参照图6,为本申请实施例提供的玻璃边缘点的分布示意图。其中,虚线方框表示投影区域,虚线方框内的点表示玻璃边缘点,虚线方框内的直线表示拟合直线。
S220,对第一区域进行分割,确定第一区域中的至少一个第二区域。
检测设备120在确定待处理图像的第一区域之后,玻璃可能包括有多个裂纹或者是脏污等,因此检测设备120可以先确定出第一区域中疑似裂纹区域,作为第二区域,第二区域为候选裂纹区域。检测设备120基于灰度值和邻域内的亮度参数值对第一区域进行分割,确定第一区域中的第二区域。
具体的,检测设备120针对第一区域中每个像素点,计算像素点的灰度值与该像素点的邻域内的亮度参数值,若该像素点的灰度值小于其邻域范围内灰度值的亮度参数值,则将该像素点确定为裂纹缺陷点,根据确定的多个裂纹缺陷点,将多个裂纹缺陷点组成的区域确定为第二区域。
其中,像素点的邻域内的亮度参数值可以是根据像素点的邻域内所有像素点的灰度值的均值确定的。例如,邻域范围为30*30,针对玻璃区域中每个像素点,计算其30*30邻域内灰度值的均值m,若该像素点的灰度值小于均值m,则将该像素点确定为裂纹缺陷点。
或者,像素点的邻域内的亮度参数值可以是根据像素点的邻域内所有像素点的灰度值的方差确定的。例如,邻域范围为30*30,针对玻璃区域中每个像素点,计算其30*30邻域范围内灰度值的方差d,若该像素点的灰度值小于均值d,则将该像素点确定为裂纹缺陷点。
或者,像素点的邻域内的亮度参数值可以是根据像素点的邻域内所有像素点的灰度值的均值和方差确定的。例如,邻域范围为30*30,针对玻璃区域中每个像素点,计算其30*30邻域范围内灰度值的均值m和方差d,若该像素点的灰度值小于s*d和t两者中最大值,具体可以表示为max(s*d,t),则将该像素点确定为裂纹缺陷点,其中,s为方差比例因子,t为绝对偏差阈值,是根据均值m设置的。
请参照图7,为本申请实施例提供的裂纹缺陷点的分布示意图。
在一种可能的实施例中,为了避免一些较小的个别点的干扰,检测设备120将多个裂纹缺陷点组成的区域进行了筛选,将裂纹缺陷点的数量较少的区域剔除,从而确定至少一个第二区域。
具体的,检测设备120对多个裂纹缺陷点进行连通域分析,也就是聚集多个裂纹缺陷点中位置相邻的裂纹缺陷点,获得至少一个候选第二区域,将候选第二区域中满足预设条件的候选区域,确定为第二区域,即候选裂纹区域,其中,预设条件为候选第二区域中裂纹缺陷点的数量大于或等于第二阈值。
例如,第二阈值设置为2,若候选第二区域内的裂纹缺陷点只有一个,组成的区域较小,是裂纹的可能性极小,因此将裂纹缺陷点数量大于或等于2的候选第二区域确定为第二区域。
在一种可能的实施例中,检测设备120在获得第二区域之后,为了提取更稳定的轮廓特征,需要先提取每个第二区域的轮廓信息。轮廓信息包括候选裂纹轮廓点的位置、方向、以及候选裂纹轮廓边界点的位置。检测设备120提取轮廓的方法步骤如下:
S1.1,对每个第二区域的剖面方程进行卷积操作,确定对应第二区域中的候选裂纹轮廓点范围。
具体的,第二区域就是候选裂纹区域,检测设备120确定每个候选裂纹区域所对应的剖面表达式以及核函数,计算核函数的一阶导数和二阶导数,分别将每个候选裂纹区域的剖面表达式与核函数、核函数的一阶导数、核函数的二阶导数进行卷积操作,确定候选裂纹区域中的候选裂纹轮廓点范围。
例如,候选裂纹区域的剖面可描述为如下一维方程:
其中,h为候选裂纹区域的剖面高度,w为候选裂纹区域的剖面宽度的一半,x表示候选裂纹区域的剖面上的点的横坐标,f(x)表示候选裂纹区域的剖面上的点的纵坐标。
请参照图8,为本申请实施例提供的候选裂纹区域的剖面图像。
取高斯函数为核函数:
高斯函数的一阶导数为:
高斯函数的二阶导数为:
其中,x表示一维方程中的点的横坐标,σ表示x的方差。
将一维方程与高斯核函数进行卷积操作,获得r(x,σ,w,h):
将一维方程与高斯核函数的一阶导进行卷积操作,获得r′(x,σ,w,h):
r′(x,σ,w,h)=g′σ(x)*f(x)=h(gσ(x+w)-gσ(x-w))
将一维方程与高斯核函数的二阶导数进行卷积操作,获得r″(x,σ,w,h):
r″(x,σ,w,h)=g″σ(x)*f(x)=h(g′σ(x+w)-g′σ(x-w))
其中,为高斯核函数的积分函数。
请参照图9A,为本申请实施例提供的一维方程与高斯核函数的一阶导数的卷积图。其中,假设w和h都为1,对任意σ满足r′b(0,σ,1,1)=0,即在x=0处,r′b的值为0。请参照图9B,为本申请实施例提供的一维方程与高斯核函数的二阶导数的卷积图。当σ≤0.2时,r″b(x,σ,1,1)在[-1,1]之间有两个明显的极小值点,由于x=0为曲线点的位置,因此需要得到一个σ使得在x=0处,r″b(x,σ,1,1)取得极大值点。
接下来分析一维方程的泰勒展开式,例如,假设高斯核函数与一维方程的卷积结果为r,高斯核函数的一阶导数与一维方程的卷积结果为r′,高斯核函数的二阶导数与一维方程的卷积结果为r″,则一维方程可表达为如下泰勒多项式:
则候选裂纹轮廓点的位置满足p′(x)=0,即:
实施例中,通过判断且r″大于设置的阈值判断为候选裂纹轮廓点。
S1.2,将二维核函数与待处理图像进行卷积操作,确定对应第二区域的候选裂纹轮廓点的位置和对应第二区域的候选裂纹轮廓点方向。
具体的,检测设备120将二维核函数的二阶导数与待处理图像进行卷积操作,获得的卷积结果组成一个矩阵,确定该矩阵中最大特征值对应的特征向量,该特征向量则代表了候选裂纹轮廓点的方向。候选裂纹轮廓点方向可以理解为候选裂纹轮廓点相对于候选裂纹轮廓点集组成的曲线的法向量。
例如,二维高斯函数为:
二维高斯函数的二阶导数分别为:
其中,gxx表示将g(x,y)对x方向求两次导数,gyy表示将g(x,y)对y方向求两次导数,gxy表示将g(x,y)先对x方向求一次导数,再对y方向求一次导数。
假设gxx与待处理图像的卷积结果为rxx,gxy与待处理图像的卷积结果为rxy,gyy与待处理图像的卷积结果为ryy,则黑森(Hession)矩阵表示为:
计算Hession矩阵的最大特征值对应的特征向量为(nx,ny),(nx,ny)是垂直于曲线的,因此,候选裂纹轮廓点的方向为(nx,ny)。
假设候选裂纹轮廓点的坐标为:
(px,py)=(tnx,tny)
同一维情况,候选裂纹轮廓点的位置对应一阶导数消失,将(tnx,tny)插入到泰勒多项式中,令泰勒多项式的一阶导数为0,则
同样的,考虑到数据离散情况,实施例中通过筛选候选裂纹轮廓点。保留筛选出的候选裂纹轮廓点位置(px,py)与方向(nx,ny)。
S1.3,在第二梯度图上从每个第二区域的候选裂纹轮廓点的位置开始,沿着候选裂纹轮廓点的方向搜索最大梯度值,获得对应第二区域的候选裂纹边界点的位置。
具体的,检测设备120对待处理图像进行第一方向的一维卷积操作,获得第一梯度图,并对第一梯度图进行第二方向的一维卷积操作,获得第二梯度图,第一方向和第二方向呈相互垂直,例如第一方向为水平方向,第二方向为垂直方向,或者,第一方向为垂直方向,第二方向为水平方向。在第二梯度图上从候选裂纹轮廓点的位置沿着候选裂纹轮廓点的方向搜索,当搜索到第一个梯度极大值时停止,记录该位置为候选裂纹轮廓边界点。然后再从候选裂纹轮廓点的位置向反方向搜索,搜索到第一个梯度极大值时停止,记录该位置为另一个候选裂纹轮廓边界点。重复该过程,直到所有候选裂纹轮廓点搜索完毕。
S230,检测设备120根据每个第二区域的轮廓信息,确定每个第二区域的至少一个特征。检测设备120在提取了每个第二区域的轮廓信息之后,需要基于每个第二区域的轮廓信息提取轮廓特征,包括剖面宽度、轮廓点亮度、边缘点梯度,将轮廓特征确定为对应的第二区域的特征。
具体的,检测设备120根据每个第二区域的轮廓信息,将两个候选裂纹边界点与候选裂纹轮廓点之间的距离确定为剖面宽度。
检测设备120根据每个第二区域的轮廓信息,还可以确定候选裂纹轮廓点的位置,基于候选裂纹轮廓点的位置从待处理图像中提取该候选裂纹轮廓点的灰度值,该灰度值就是该候选裂纹轮廓点的轮廓点亮度。
检测设备120基于候选裂纹轮廓边界点的位置从待处理图像中提取候选裂纹轮廓边界点的灰度值以及邻域内像素点的灰度值,该候选裂纹轮廓边界点的灰度值与邻域内像素点的灰度值差值就是确定该候选裂纹轮廓边界点的边缘点梯度。
例如,设有一个长为l的轮廓,其剖面宽度为(w1,w2,w3…wl),计算剖面宽度的均值wm与方差wv,其轮廓点亮度为(s1,s2,s3…sl),计算轮廓点亮度的均值sm与方差sv,其边缘点梯度为(g1,g2,g3…gl),计算边缘点梯度的均值gm与方差gv。
S240,根据每个第二区域的至少一个特征,对对应第二区域进行分类,确定对应第二区域是否为玻璃裂纹。
具体的,每个第二区域的至少一个特征包括剖面宽度、轮廓点亮度以及边缘点梯度,检测设备120在提取了每个候选裂纹区域的剖面宽度、轮廓点亮度以及边缘点梯度之后,根据这些特征对该候选裂纹区域进行分类,确定该候选裂纹区域是否为玻璃裂纹。
例如,检测设备120将提取到的轮廓特征(wm,wv,gm,gv,lm,lv)输入到最近邻分类器中,计算该轮廓特征与训练集中所有训练特征之间的距离。由于轮廓特征可以表示为向量,训练特征也可以表示为向量,因此可以计算两个向量之间的欧式距离或者是马氏距离等,以获得轮廓特征与训练特征之间的距离。若与该轮廓特征距离最小的训练特征的类别为玻璃裂纹,则确定该轮廓对应的候选裂纹区域为玻璃裂纹。最近邻分类器有相应的训练集,训练集中的所有训练特征经过学习,可以获得所有训练特征对应的类别。
基于同一发明构思,本申请实施例提供一种玻璃裂纹检测装置,该装置相当于设置在前文论述的检测设备120中,请参照图10,该装置包括:
获取模块1001,用于获取待处理图像,并确定待处理图像中的第一区域;第一区域为玻璃区域;
分割模块1002,用于对第一区域进行分割,确定第一区域中的至少一个第二区域;每个第二区域为候选裂纹区域;
确定模块1003,用于根据每个第二区域的轮廓信息,确定每个第二区域的至少一个特征;至少一个特征包括候选裂纹的剖面宽度;
分类模块1004,用于根据每个第二区域的至少一个特征,对对应第二区域进行分类,确定对应第二区域是否为玻璃裂纹。
在一种可能的实施例中,分割模块1002具体用于:
针对第一区域中每个像素点,对比像素点的灰度值与像素点的邻域内的亮度参数值大小;
将第一区域中像素点灰度值小于像素点的邻域内的亮度参数值的像素点确定为裂纹缺陷点;
根据确定出的多个裂纹缺陷点,确定至少一个第二区域。
在一种可能的实施例中,像素点的邻域内的亮度参数值为如下的一种:
像素点的邻域内所有像素点的灰度值的均值确定的;
像素点的邻域内所有像素点的灰度值的方差确定的。
在一种可能的实施例中,获取模块1001具体用于:
对待处理图像进行一维卷积操作,获得第一梯度图;
将第一梯度图中灰度值大于第一阈值的像素点确定为初始玻璃边缘点;
根据确定出的各个初始玻璃边缘点,获得第一区域。
在一种可能的实施例中,获取模块1001具体用于:
根据各个初始玻璃边缘点的像素值,获得至少一个数组;
对至少一个数组中每个数组进行卷积操作,获得多个玻璃边缘点;
拟合多个玻璃边缘点,获得拟合直线;
根据拟合直线对待处理图像进行划分,获得待处理图像中的第一区域。
在一种可能的实施例中,分割模块1002具体用于:
聚集多个裂纹缺陷点中位置相邻的裂纹缺陷点,获得至少一个候选第二区域;
将至少一个候选第二区域中满足预设条件的候选区域,确定为第二区域;其中,预设条件为候选第二区域中裂纹缺陷点的数量大于或等于第二阈值。
在一种可能的实施例中,确定模块1003还用于:
针对每个第二区域,对对应第二区域的剖面方程进行卷积操作,获得对应第二区域的卷积操作后的方程;
针对每个第二区域,根据卷积操作后的方程,确定对应第二区域中的候选裂纹轮廓点范围;
针对每个第二区域,根据每个第二区域的候选裂纹轮廓点范围,以及待处理图像二维卷积结果组成的矩阵,获得对应第二区域的候选裂纹轮廓点的位置和对应第二区域的候选裂纹轮廓点的方向;
针对每个第二区域,在第二梯度图上,从每个第二区域的候选裂纹轮廓点的位置开始,沿着候选裂纹轮廓点的方向搜索最大梯度值,获得对应第二区域的候选裂纹边界点的位置;第二梯度图是通过对待处理图像进行第一方向的一维卷积操作后,进行第二方向的一维卷积操作获得的;第一方向和第二方向呈相互垂直;
针对每个第二区域,将每个第二区域中候选裂纹轮廓点的位置、对应第二区域的候选裂纹轮廓点的方向和对应第二区域中候选裂纹边界点的位置确定为对应每个第二区域的轮廓信息。
在一种可能的实施例中,确定模块1003具体用于:
针对每个第二区域,根据对应第二区域的候选裂纹轮廓点的位置、方向、以及候选裂纹边界点的位置,确定对应第二区域中裂纹的剖面宽度。
在一种可能的实施例中,确定模块1003具体用于:
针对每个第二区域,根据候选裂纹轮廓点的位置从待处理图像中提取候选裂纹轮廓点的灰度值,确定候选裂纹轮廓点的轮廓点亮度;
针对每个第二区域,根据候选裂纹边界点的位置从待处理图像中提取候选裂纹边界点的灰度值与邻域内像素点的灰度值,确定候选裂纹边界点的边缘点梯度。
基于同一发明构思,本申请实施例提供一种玻璃裂纹检测设备,请参照图11,该设备相当于前文论述的检测设备120,该设备包括:
至少一个处理器1101,以及
与至少一个处理器1101通信连接的存储器1102;
其中,存储器1102存储有可被至少一个处理器1101执行的指令,至少一个处理器1101通过执行存储器1102存储的指令实现如前文论述的玻璃裂纹检测方法。
处理器1101可以是一个中央处理单元(central processing unit,CPU),或者为数字处理单元、或为图像处理器等中的一种或多种组合。存储器1102可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器1102也可以是非易失性存储器(non-volatile memory),例如只读存储器,快闪存储器(flashmemory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器1102是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器1102可以是上述存储器的组合。
作为一种实施例,图11中的处理器1101可以实现前文论述的玻璃裂纹检测方法,处理器1101还可以实现前文图10论述的装置的功能。
基于同一发明构思,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如前文论述的玻璃裂纹检测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种玻璃裂纹检测方法,其特征在于,包括:
获取待处理图像,并确定所述待处理图像中的第一区域;所述第一区域为玻璃区域;
对所述第一区域进行分割,确定所述第一区域中的至少一个第二区域;每个第二区域为候选裂纹区域;
针对每个第二区域,对对应第二区域的剖面方程进行卷积操作,获得对应第二区域的卷积操作后的方程,以及根据所述卷积操作后的方程,确定对应第二区域中的候选裂纹轮廓点范围;
针对每个第二区域,根据每个第二区域的候选裂纹轮廓点范围,以及所述待处理图像二维卷积结果组成的矩阵,获得对应第二区域的候选裂纹轮廓点的位置和对应第二区域的候选裂纹轮廓点的方向;
针对每个第二区域,在第二梯度图上从所述每个第二区域的候选裂纹轮廓点的位置开始,沿着所述候选裂纹轮廓点的方向搜索最大梯度值,获得对应第二区域的候选裂纹边界点的位置;所述第二梯度图是通过对所述待处理图像进行第一方向的一维卷积操作后,进行第二方向的一维卷积操作获得的;所述第一方向和所述第二方向呈相互垂直;
针对每个第二区域,将每个第二区域中候选裂纹轮廓点的位置、对应第二区域的候选裂纹轮廓点的方向和对应第二区域中候选裂纹边界点的位置确定为对应每个第二区域的轮廓信息;
根据每个第二区域的轮廓信息,确定每个第二区域的至少一个特征;所述至少一个特征包括候选裂纹的剖面宽度;
根据每个第二区域的至少一个特征,对对应第二区域进行分类,确定对应第二区域是否为玻璃裂纹。
2.如权利要求1所述的方法,其特征在于,对所述第一区域进行分割,确定所述第一区域中的至少一个第二区域,包括:
针对所述第一区域中每个像素点,对比像素点的灰度值与像素点的邻域内的亮度参数值大小;
将所述第一区域中像素点灰度值小于像素点的邻域内的亮度参数值的像素点确定为候选裂纹缺陷点;
根据确定出的多个候选裂纹缺陷点,确定至少一个第二区域。
3.如权利要求2所述的方法,其特征在于,所述像素点的邻域内的亮度参数值为如下的一种:
像素点的邻域内所有像素点的灰度值的均值确定的;
像素点的邻域内所有像素点的灰度值的方差确定的。
4.如权利要求1所述的方法,其特征在于,确定所述待处理图像中的第一区域,包括:
对所述待处理图像进行第一方向的一维卷积操作,获得第一梯度图;将所述第一梯度图中灰度值大于第一阈值的像素点确定为初始玻璃边缘点;
根据确定出的各个初始玻璃边缘点,获得第一区域。
5.如权利要求4所述的方法,其特征在于,根据确定出的各个初始玻璃边缘点,获得第一区域,包括:
根据所述各个初始玻璃边缘点的像素值,获得至少一个数组;
对所述至少一个数组中每个数组进行卷积操作,获得多个玻璃边缘点;
拟合所述多个玻璃边缘点,获得拟合直线;
根据所述拟合直线对所述待处理图像进行划分,获得所述待处理图像中的第一区域。
6.如权利要求2或3所述的方法,其特征在于,根据确定出的多个裂纹缺陷点,确定至少一个第二区域,包括:
聚集所述多个候选裂纹缺陷点中位置相邻的点,获得至少一个候选第二区域;
将所述至少一个候选第二区域中满足预设条件的候选区域,确定为第二区域;其中,所述预设条件为候选第二区域中裂纹缺陷点的数量大于或等于第二阈值。
7.如权利要求1所述的方法,其特征在于,根据所述每个第二区域的轮廓信息,确定所述每个第二区域的至少一个特征,包括如下的至少一种:
针对每个第二区域,根据所述候选裂纹轮廓点的位置从所述待处理图像中提取所述候选裂纹轮廓点的灰度值,确定所述候选裂纹轮廓点的轮廓点亮度;
针对每个第二区域,根据所述候选裂纹边界点的位置从所述待处理图像中提取所述候选裂纹边界点的灰度值与邻域内像素点的灰度值,确定所述候选裂纹边界点的边缘点梯度。
8.一种玻璃裂纹检测装置,其特征在于,包括:
获取模块,用于获取待处理图像,并确定所述待处理图像中的第一区域;所述第一区域为玻璃区域;
分割模块:用于对所述第一区域进行分割,确定所述第一区域中的至少一个第二区域;每个第二区域为候选裂纹区域;
确定模块:用于根据每个第二区域的轮廓信息,确定每个第二区域的至少一个特征;所述至少一个特征包括候选裂纹的剖面宽度;
分类模块:用于根据每个第二区域的至少一个特征,对对应第二区域进行分类,确定对应第二区域是否为玻璃裂纹;
其中,所述确定模块具体用于:
针对每个第二区域,对对应第二区域的剖面方程进行卷积操作,获得对应第二区域的卷积操作后的方程,以及根据所述卷积操作后的方程,确定对应第二区域中的候选裂纹轮廓点范围;
针对每个第二区域,根据每个第二区域的候选裂纹轮廓点范围,以及所述待处理图像二维卷积结果组成的矩阵,获得对应第二区域的候选裂纹轮廓点的位置和对应第二区域的候选裂纹轮廓点的方向;
针对每个第二区域,在第二梯度图上从所述每个第二区域的候选裂纹轮廓点的位置开始,沿着所述候选裂纹轮廓点的方向搜索最大梯度值,获得对应第二区域的候选裂纹边界点的位置;所述第二梯度图是通过对所述待处理图像进行第一方向的一维卷积操作后,进行第二方向的一维卷积操作获得的;所述第一方向和所述第二方向呈相互垂直;
针对每个第二区域,将每个第二区域中候选裂纹轮廓点的位置、对应第二区域的候选裂纹轮廓点的方向和对应第二区域中候选裂纹边界点的位置确定为对应每个第二区域的轮廓信息。
9.一种玻璃裂纹检测设备,其特征在于,包括:
至少一个处理器,以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267424.4A CN113109368B (zh) | 2021-03-12 | 2021-03-12 | 玻璃裂纹检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267424.4A CN113109368B (zh) | 2021-03-12 | 2021-03-12 | 玻璃裂纹检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113109368A CN113109368A (zh) | 2021-07-13 |
CN113109368B true CN113109368B (zh) | 2023-09-01 |
Family
ID=76711108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110267424.4A Active CN113109368B (zh) | 2021-03-12 | 2021-03-12 | 玻璃裂纹检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113109368B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822890B (zh) * | 2021-11-24 | 2022-02-25 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
CN114581444B (zh) * | 2022-05-06 | 2022-08-02 | 济宁海富光学科技有限公司 | 基于图像处理的玻璃盖打磨工艺监测方法 |
CN115035191B (zh) * | 2022-05-12 | 2023-06-06 | 福建帝视智能科技有限公司 | 一种玻璃碎片敲击点自动定位方法及终端 |
CN115452845B (zh) * | 2022-11-14 | 2023-01-13 | 深圳市晶台股份有限公司 | 一种基于机器视觉的led屏幕表面损伤检测方法 |
CN115937212B (zh) * | 2023-02-08 | 2023-05-09 | 成都数之联科技股份有限公司 | 一种玻璃板裂纹检测方法、装置、设备及介质 |
CN116228752B (zh) * | 2023-05-06 | 2023-07-21 | 四川广安承平投资开发有限公司 | 一种表面瑕疵识别方法及处理机器人 |
CN116485350B (zh) * | 2023-06-20 | 2023-09-01 | 山东鲁玻玻璃科技有限公司 | 基于图像识别的中硼硅玻璃智能化生产系统 |
CN116894832B (zh) * | 2023-07-27 | 2024-01-26 | 山东明佳科技有限公司 | 一种乳玻瓶瓶颈裂纹的检测方法、系统、设备和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL131092A0 (en) * | 1999-07-25 | 2001-01-28 | Orbotech Ltd | Optical inspection system |
JP2016142665A (ja) * | 2015-02-04 | 2016-08-08 | 日本メジフィジックス株式会社 | 核医学画像中の腫瘍領域を抽出する技術 |
JP2016142666A (ja) * | 2015-02-04 | 2016-08-08 | 日本メジフィジックス株式会社 | 核医学画像中の腫瘍輪郭を抽出する技術 |
CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
CN108074230A (zh) * | 2017-12-14 | 2018-05-25 | 中国科学院长春光学精密机械与物理研究所 | 一种路面裂缝检测装置及方法 |
WO2018103608A1 (zh) * | 2016-12-08 | 2018-06-14 | 腾讯科技(深圳)有限公司 | 一种文字检测方法、装置及存储介质 |
CN108280823A (zh) * | 2017-12-29 | 2018-07-13 | 南京邮电大学 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
CN108805842A (zh) * | 2018-06-14 | 2018-11-13 | 网易(杭州)网络有限公司 | 图像处理方法与装置 |
CN109472271A (zh) * | 2018-11-01 | 2019-03-15 | 凌云光技术集团有限责任公司 | 印刷电路板图像轮廓提取方法及装置 |
CN109613002A (zh) * | 2018-11-21 | 2019-04-12 | 腾讯科技(深圳)有限公司 | 一种玻璃缺陷检测方法、装置和存储介质 |
CN109916914A (zh) * | 2019-04-10 | 2019-06-21 | 清华大学深圳研究生院 | 一种产品缺陷检测方法及装置 |
CN110335233A (zh) * | 2019-04-24 | 2019-10-15 | 武汉理工大学 | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 |
CN111325716A (zh) * | 2020-01-21 | 2020-06-23 | 上海悦易网络信息技术有限公司 | 屏幕划痕碎裂检测方法及设备 |
CN112418198A (zh) * | 2021-01-25 | 2021-02-26 | 城云科技(中国)有限公司 | 基于灰度图能量值的人行走道的地砖起伏缺陷检测方法 |
-
2021
- 2021-03-12 CN CN202110267424.4A patent/CN113109368B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL131092A0 (en) * | 1999-07-25 | 2001-01-28 | Orbotech Ltd | Optical inspection system |
JP2016142665A (ja) * | 2015-02-04 | 2016-08-08 | 日本メジフィジックス株式会社 | 核医学画像中の腫瘍領域を抽出する技術 |
JP2016142666A (ja) * | 2015-02-04 | 2016-08-08 | 日本メジフィジックス株式会社 | 核医学画像中の腫瘍輪郭を抽出する技術 |
WO2018103608A1 (zh) * | 2016-12-08 | 2018-06-14 | 腾讯科技(深圳)有限公司 | 一种文字检测方法、装置及存储介质 |
CN107742286A (zh) * | 2017-09-28 | 2018-02-27 | 河北工业大学 | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 |
CN108074230A (zh) * | 2017-12-14 | 2018-05-25 | 中国科学院长春光学精密机械与物理研究所 | 一种路面裂缝检测装置及方法 |
CN108280823A (zh) * | 2017-12-29 | 2018-07-13 | 南京邮电大学 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
CN108805842A (zh) * | 2018-06-14 | 2018-11-13 | 网易(杭州)网络有限公司 | 图像处理方法与装置 |
CN109472271A (zh) * | 2018-11-01 | 2019-03-15 | 凌云光技术集团有限责任公司 | 印刷电路板图像轮廓提取方法及装置 |
CN109613002A (zh) * | 2018-11-21 | 2019-04-12 | 腾讯科技(深圳)有限公司 | 一种玻璃缺陷检测方法、装置和存储介质 |
CN109916914A (zh) * | 2019-04-10 | 2019-06-21 | 清华大学深圳研究生院 | 一种产品缺陷检测方法及装置 |
CN110335233A (zh) * | 2019-04-24 | 2019-10-15 | 武汉理工大学 | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 |
CN111325716A (zh) * | 2020-01-21 | 2020-06-23 | 上海悦易网络信息技术有限公司 | 屏幕划痕碎裂检测方法及设备 |
CN112418198A (zh) * | 2021-01-25 | 2021-02-26 | 城云科技(中国)有限公司 | 基于灰度图能量值的人行走道的地砖起伏缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
陶瓷制品微缺陷裂纹图像无损检测仿真;邱永德;林国勇;;计算机仿真(06);第405-408页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113109368A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
JP6000455B2 (ja) | フォーム認識方法及びフォーム認識装置 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
US11074443B2 (en) | Method and device for acquiring slant value of slant image, terminal and storage medium | |
CN108257125B (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
JP5812705B2 (ja) | ひび割れ検出方法 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN115375629A (zh) | 一种lcd屏幕中线缺陷检测及缺陷信息提取方法 | |
Buza et al. | Unsupervised method for detection of high severity distresses on asphalt pavements | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN112950594A (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN113840135B (zh) | 色偏检测方法、装置、设备及存储介质 | |
CN115880228A (zh) | 多缺陷合并方法、装置、计算机设备及存储介质 | |
CN112785550A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: C10, No. 1199 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang Huarui Technology Co.,Ltd. Address before: C10, No. 1199 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: ZHEJIANG HUARAY TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |