CN113129265B - 瓷砖表面缺陷检测方法、装置及存储介质 - Google Patents
瓷砖表面缺陷检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113129265B CN113129265B CN202110291820.0A CN202110291820A CN113129265B CN 113129265 B CN113129265 B CN 113129265B CN 202110291820 A CN202110291820 A CN 202110291820A CN 113129265 B CN113129265 B CN 113129265B
- Authority
- CN
- China
- Prior art keywords
- image
- tile
- target detection
- database
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 155
- 239000000919 ceramic Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 131
- 230000002950 deficient Effects 0.000 claims description 20
- 230000000903 blocking effect Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 241001270131 Agaricus moelleri Species 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 241001081972 Arctium medians Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000003870 refractory metal Substances 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000004575 stone Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G06T5/70—
-
- 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
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及瓷砖表面缺陷检测方法,能够通过对每一个批次的瓷砖都训练对应的重构网络,并通过该网络获得无缺陷重构图像,再通过差分及自适应阈值操作来定位缺陷区域,可以适应多种类型的瓷砖,即使是复杂随机纹理瓷砖,该法也能取得较好的检测效果。相对应的本发明还提出了应用了上述方法的装置以及存储介质,在装置以及存储介质运行时,能够实现上述方法的相关功能。
Description
技术领域
本发明涉及人工智能领域,尤其涉及瓷砖表面缺陷检测方法、装置及存储介质。
背景技术
瓷砖,是以耐火的金属氧化物及半金属氧化物,经由研磨、混合、压制、施釉、烧结过程,而形成的一种耐酸碱的瓷质或石质等建筑或装饰材料,一般用于家庭或商业装修中,瓷砖在使用过程中使用面朝上,一般要求使用面光洁没有瑕疵,因此,在瓷砖出厂之前需要进行检测,将带有瑕疵的瓷砖分类出来,瓷砖检测一般检测瓷砖使用面的磨损度,通过照相并对相片进行处理的过程进行检测。
传统的图像处理技术提取缺陷特征的方式,过于依赖人工设计的特征描述算子,并且泛用性不强,往往很难适应多种类型纹理的瓷砖表面缺陷检测。由于是利用传统图像处理方法来进行特征提取,那么就依赖于人工设计的图像处理算子,这往往需要复杂的数学推理,并且很难适用于所有种类的瓷砖的所有类型缺陷检测尤其是表面纹理复杂且随机的瓷砖。这样就有可能导致,假如换一种瓷砖或者新出现一种缺陷,原先设计的方法就会失效,从而影响最后的缺陷检测结果。
发明内容
本发明的目的是为了至少解决现有技术的不足之一,提供瓷砖表面缺陷检测方法、装置及存储介质。
为了实现上述目的,本发明采用以下的技术方案:
具体的,提出瓷砖表面缺陷检测方法,包括以下:
预建立瓷砖相关数据库:
所述瓷砖相关数据库具体包括瓷砖图像数据库、缺陷数据库以及模型数据库,建立过程包括如下步骤:
获取输入瓷砖图像,将输入瓷砖图像存入瓷砖图像数据库以更新瓷砖图像数据库;
对所述输入瓷砖图像进行中值滤波处理后进行图像分块处理得到处理后的瓷砖图像;
判断处理后的瓷砖图像是否存在缺陷,如果是则将处理后的瓷砖图像存入缺陷数据库以更新缺陷数据库;
如果否则将处理后的瓷砖图像存入无缺陷数据库,并根据所述无缺陷数据库中该输入瓷砖的同批次瓷砖的相关数据进行训练得到同批次瓷砖的重构网络模型,将所述重构网络模型存入模型数据库以更新模型数据库;
缺陷检测过程:
获取目标检测瓷砖图像,
判断目标检测瓷砖图像是否与瓷砖相关数据库中已有瓷砖批次的类型相近,如果否则执行上述瓷砖相关数据库的预建立过程得到目标检测瓷砖图像的瓷砖相关数据库并更新瓷砖相关数据库;
如果是则对目标检测瓷砖图像进行中值滤波以及图像分块处理操作得到处理后的目标检测瓷砖图像;
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型以得到目标检测瓷砖图像的重构图像;
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行差分处理得到目标检测瓷砖图像的缺陷被凸显的图像;
对目标检测瓷砖图像的缺陷被凸显的图像进行自适应阈值处理,得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像;
根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,如果是则输出有缺陷的瓷砖。
进一步,所述图像分块处理操作得到处理后的目标检测瓷砖图像,具体实现方法为将目标检测图像以500*500的窗口,500的步长进行滑窗操作,获取每个分块图像在原图中的像素左上角点及右下角点,然后基于这些角点序列批量截取原图中对应的像素块以获得目标检测瓷砖分块图像。
进一步,所述得到目标检测瓷砖图像的重构图像具体包括以下,
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型,将目标检测瓷砖分块图像输入到重构网络得到重构后的瓷砖分块图像,根据前面得到的分块图像的角点序列对重构后的分块图像进行拼接,以得到目标检测瓷砖图像的重构图像。
进一步,所述得到目标检测瓷砖图像的缺陷被凸显的图像具体包括以下,
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行图像绝对值差分处理,差分处理原理为将两幅图像对应像素坐标的像素值相减,将相减后的运算结果的绝对值作为该像素点的新像素值,该步骤的目的是通过差分操作将重构图像与目标检测图像的相似部分即无缺陷区域进行削弱,而对两者之间的重构差异部分即缺陷区域进行增强,以得到目标检测瓷砖图像的缺陷被凸显的图像。
进一步,所述得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像具体包括以下,
自适应阈值处理是一种根据图像灰度特性自动确定阈值的阈值分割算法,在瓷砖缺陷分割中以非缺陷类与缺陷之间的方差最大化为准则,选取分割阈值。对于一副图像,计算自适应阈值的步骤如下:首先计算图像0~255灰度阶对应的像素个数保存到数组中,然后遍历0~255灰度阶并以当前遍历灰度阶为分类阈值将像素分为前景及背景类分别计算前景图像及背景图像的平均灰度及像素所占比例,得到当前阈值对应的类间方差,最后取类间方差最大的阈值作为分割阈值,得到目标检测瓷砖图像的缺陷被进一步凸显的瓷砖缺陷二值图像。
进一步,根据根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,其具体做法如下:对瓷砖缺陷二值图像进行连通域分析,排除伪缺陷区域,保留最后各连通区域。计算各连通区域的几何特征构建缺陷特征向量,利用多分类支持向量机对特征向量进行分类,支持向量机是一类按监督学习方式对数据进行分类的广义线性分类器,其通过寻找数据间的最大分隔超平面来确定决策边界。根据瓷砖缺陷二值图像的各连通域的特征向量分类结果,输出最后的缺陷检测结果,由此可判断对应的瓷砖是否存在缺陷。
进一步,所述判断处理后的瓷砖图像是否存在缺陷具体通过获取工程师的相关意见进行判断,若工程师的相关意见表示存在缺陷,则处理后的瓷砖图像存在缺陷,若工程师的相关意见表示不存在缺陷,则处理后的瓷砖图像不存在缺陷。
本发明还提出瓷砖表面缺陷检测装置,包括,
瓷砖相关数据库预建立模块,用于预建立瓷砖相关数据库:
所述瓷砖相关数据库具体包括瓷砖图像数据库、缺陷数据库以及模型数据库,建立过程包括如下步骤:
获取输入瓷砖图像,将输入瓷砖图像存入瓷砖图像数据库以更新瓷砖图像数据库;
对所述输入瓷砖图像进行中值滤波处理后进行图像分块处理得到处理后的瓷砖图像;
判断处理后的瓷砖图像是否存在缺陷,如果是则将处理后的瓷砖图像存入缺陷数据库以更新缺陷数据库;
如果否则将处理后的瓷砖图像存入无缺陷数据库,并根据所述无缺陷数据库中该输入瓷砖的同批次瓷砖的相关数据进行训练得到同批次瓷砖的重构网络模型,将所述重构网络模型存入模型数据库以更新模型数据库;
缺陷检测模块,用于对输入的瓷砖进行缺陷检测:
获取目标检测瓷砖图像,
判断目标检测瓷砖图像是否与瓷砖相关数据库中已有瓷砖批次的类型相近,如果否则执行上述瓷砖相关数据库的预建立过程得到目标检测瓷砖图像的瓷砖相关数据库并更新瓷砖相关数据库;
如果是则对目标检测瓷砖图像进行中值滤波以及图像分块处理操作得到处理后的目标检测瓷砖图像;
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型以得到目标检测瓷砖图像的重构图像;
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行差分处理得到目标检测瓷砖图像的缺陷被凸显的图像;
对目标检测瓷砖图像的缺陷被凸显的图像进行自适应阈值处理,得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像;
根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,如果是则输出有缺陷的瓷砖。
本发明还提出一种计算机可读存储的介质,所述计算机可读存储的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权利要求1-7中任一项所述方法的步骤。
本发明的有益效果为:
本发明能够通过对每一个批次的瓷砖都训练对应的重构网络,并通过该网络获得无缺陷重构图像,再通过差分及自适应阈值操作来定位缺陷区域,可以适应多种类型的瓷砖,即使是复杂随机纹理瓷砖,该法也能取得较好的检测效果。
附图说明
为了更清楚地说明本发明实例中的技术方案,下面将对实例描述中所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例,对于本领域普通技术人员来讲,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它的附图,其中:
图1所示为本发明瓷砖表面缺陷检测方法的实施方式1的阶段1的流程图;
图2所示为本发明瓷砖表面缺陷检测方法的实施方式1的阶段2的流程图;
图3所示为本发明瓷砖表面缺陷检测方法的实施方式2的流程图;
图4所示为本发明瓷砖表面缺陷检测装置在应用到系统中时相关系统的运作原理图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1,实施例1,本发明提出瓷砖表面缺陷检测方法,包括以下:
预建立瓷砖相关数据库:
所述瓷砖相关数据库具体包括瓷砖图像数据库、缺陷数据库以及模型数据库,建立过程包括如下步骤:
获取输入瓷砖图像,将输入瓷砖图像存入瓷砖图像数据库以更新瓷砖图像数据库;
对所述输入瓷砖图像进行中值滤波处理后进行图像分块处理得到处理后的瓷砖图像;
判断处理后的瓷砖图像是否存在缺陷,如果是则将处理后的瓷砖图像存入缺陷数据库以更新缺陷数据库;
如果否则将处理后的瓷砖图像存入无缺陷数据库,并根据所述无缺陷数据库中该输入瓷砖的同批次瓷砖的相关数据进行训练得到同批次瓷砖的重构网络模型,将所述重构网络模型存入模型数据库以更新模型数据库;
缺陷检测过程:
获取目标检测瓷砖图像,
判断目标检测瓷砖图像是否与瓷砖相关数据库中已有瓷砖批次的类型相近,如果否则执行上述瓷砖相关数据库的预建立过程得到目标检测瓷砖图像的瓷砖相关数据库并更新瓷砖相关数据库;
如果是则对目标检测瓷砖图像进行中值滤波以及图像分块处理操作得到处理后的目标检测瓷砖图像;
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型以得到目标检测瓷砖图像的重构图像;
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行差分处理得到目标检测瓷砖图像的缺陷被凸显的图像;
对目标检测瓷砖图像的缺陷被凸显的图像进行自适应阈值处理,得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像;
根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,如果是则输出有缺陷的瓷砖。
具体的在实施时,具有以下两种实施方式,实施方式1,分为两个阶段,
阶段1,得到该批次瓷砖的一个图像重构网络,参照图1,
A、输入瓷砖图像:从内存中读取已经拍摄好的瓷砖图像
B、存入瓷砖图像数据库:将拍摄得到的瓷砖按照批次存入图像数据库1
C、中值滤波:瓷砖图像带有噪声干扰,利用中值滤波技术处理图像的噪声点,提高图像的质量
D、瓷砖图像分块:为了适应网络输入,将图像分割成约500*500像素的小块图像。并通过人工先判断每个分块图像中是否包含缺陷
E、存入缺陷数据库:若分块图像中包含缺陷,则将该分块图像存入缺陷数据库2
F、存入无缺陷数据库:若分块图像无缺陷,则将该分块图像存入无缺陷数据库3
G、训练重构模型:将无缺陷分块图像用于模型训练,得到对应该批次瓷砖的重构网络模型
H、存入模型数据库:将模型保存到模型数据库,用于后续的检测;
阶段2,对待测瓷砖进行缺陷检测,参照图2,
A1、输入瓷砖图像:从内存中读取已经拍摄好的瓷砖图像
B1、中值滤波:瓷砖图像带有噪声干扰,利用中值滤波技术处理图像的噪声点,提高图像的质量
C1、瓷砖图像分块:为了适应网络输入,将图像分割成约500*500像素的分块图像
D1、获取重构图像:将分块图像输入到阶段一步骤H对应的重构网络,获得无缺陷重构图像
E1、差分处理:将步骤D获得的无缺陷重构图像与步骤C获得的分块图像作差分操作,可以获得缺陷被凸显的图像
F1、自适应阈值处理:对E获得的图像进行自适应阈值处理,可以获得缺陷的二值图像
G1、根据F获得的缺陷二值图像,可以判断瓷砖是否具有缺陷,有则输出有缺陷。
实施方式2,参照图3,相比实施方式1增加了判断步骤:在步骤A1之后判断本检测批次瓷砖图像是否与已有批次类型相近,若否则执行实施方式1的阶段1,若是则跳过实施方式1的阶段1直接执行实施方式1的阶段2;
A2、输入瓷砖图像:从内存中读取已经拍摄好的瓷砖图像,判断瓷砖图像数据库1中是否存在与该批次瓷砖类型相近的数据,若有则执行B-G步骤,若无则执行步骤H
B2、中值滤波:瓷砖图像带有噪声干扰,利用中值滤波技术处理图像的噪声点,提高图像的质量
C2、瓷砖图像分块:为了适应网络输入,将图像分割成约500*500像素的分块图像
D2、获取重构图像:将分块图像输入到模型数据库中对应相似类型批次瓷砖的重构模型中,获得无缺陷重构图像
E2、差分处理:将步骤D获得的无缺陷重构图像与步骤C获得的分块图像作差分操作,可以获得缺陷被凸显的图像
F2、自适应阈值处理:对E获得的图像进行自适应阈值处理,可以获得缺陷的二值图像
G2、根据F获得的缺陷二值图像,可以判断瓷砖是否具有缺陷,有则输出有缺陷
H2、执行实例1的阶段一:若无相似数据,则表面该批次瓷砖需要重新训练重构模型,故重新执行实例1的阶段一,来获取该批次的重构模型。
作为本发明的优选实施方式,所述图像分块处理操作得到处理后的目标检测瓷砖图像,具体实现方法为将目标检测图像以500*500的窗口,500的步长进行滑窗操作,获取每个分块图像在原图中的像素左上角点及右下角点,然后基于这些角点序列批量截取原图中对应的像素块以获得目标检测瓷砖分块图像。
所述得到目标检测瓷砖图像的重构图像具体包括以下,
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型,将目标检测瓷砖分块图像输入到重构网络得到重构后的瓷砖分块图像,根据前面得到的分块图像的角点序列对重构后的分块图像进行拼接,以得到目标检测瓷砖图像的重构图像。
所述得到目标检测瓷砖图像的缺陷被凸显的图像具体包括以下,
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行图像绝对值差分处理,差分处理原理为将两幅图像对应像素坐标的像素值相减,将相减后的运算结果的绝对值作为该像素点的新像素值,该步骤的目的是通过差分操作将重构图像与目标检测图像的相似部分即无缺陷区域进行削弱,而对两者之间的重构差异部分即缺陷区域进行增强,以得到目标检测瓷砖图像的缺陷被凸显的图像。
所述得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像具体包括以下,
自适应阈值处理是一种根据图像灰度特性自动确定阈值的阈值分割算法,在瓷砖缺陷分割中以非缺陷类与缺陷之间的方差最大化为准则,选取分割阈值。对于一副图像,计算自适应阈值的步骤如下:首先计算图像0~255灰度阶对应的像素个数保存到数组中,然后遍历0~255灰度阶并以当前遍历灰度阶为分类阈值将像素分为前景及背景类分别计算前景图像及背景图像的平均灰度及像素所占比例,得到当前阈值对应的类间方差,最后取类间方差最大的阈值作为分割阈值,得到目标检测瓷砖图像的缺陷被进一步凸显的瓷砖缺陷二值图像。
根据根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,其具体做法如下:对瓷砖缺陷二值图像进行连通域分析,排除伪缺陷区域,保留最后各连通区域。计算各连通区域的几何特征构建缺陷特征向量,利用多分类支持向量机对特征向量进行分类,支持向量机是一类按监督学习方式对数据进行分类的广义线性分类器,其通过寻找数据间的最大分隔超平面来确定决策边界。根据瓷砖缺陷二值图像的各连通域的特征向量分类结果,输出最后的缺陷检测结果,由此可判断对应的瓷砖是否存在缺陷。
作为本发明的优选实施方式,所述判断处理后的瓷砖图像是否存在缺陷具体通过获取工程师的相关意见进行判断,若工程师的相关意见表示存在缺陷,则处理后的瓷砖图像存在缺陷,若工程师的相关意见表示不存在缺陷,则处理后的瓷砖图像不存在缺陷。
本发明还提出瓷砖表面缺陷检测装置,包括,
瓷砖相关数据库预建立模块,用于预建立瓷砖相关数据库:
所述瓷砖相关数据库具体包括瓷砖图像数据库、缺陷数据库以及模型数据库,建立过程包括如下步骤:
获取输入瓷砖图像,将输入瓷砖图像存入瓷砖图像数据库以更新瓷砖图像数据库;
对所述输入瓷砖图像进行中值滤波处理后进行图像分块处理得到处理后的瓷砖图像;
判断处理后的瓷砖图像是否存在缺陷,如果是则将处理后的瓷砖图像存入缺陷数据库以更新缺陷数据库;
如果否则将处理后的瓷砖图像存入无缺陷数据库,并根据所述无缺陷数据库中该输入瓷砖的同批次瓷砖的相关数据进行训练得到同批次瓷砖的重构网络模型,将所述重构网络模型存入模型数据库以更新模型数据库;
缺陷检测模块,用于对输入的瓷砖进行缺陷检测:
获取目标检测瓷砖图像,
判断目标检测瓷砖图像是否与瓷砖相关数据库中已有瓷砖批次的类型相近,如果否则执行上述瓷砖相关数据库的预建立过程得到目标检测瓷砖图像的瓷砖相关数据库并更新瓷砖相关数据库;
如果是则对目标检测瓷砖图像进行中值滤波以及图像分块处理操作得到处理后的目标检测瓷砖图像;
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型以得到目标检测瓷砖图像的重构图像;
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行差分处理得到目标检测瓷砖图像的缺陷被凸显的图像;
对目标检测瓷砖图像的缺陷被凸显的图像进行自适应阈值处理,得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像;
根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,如果是则输出有缺陷的瓷砖。
具体的,参照图4,在应用了本发明的瓷砖表面缺陷检测装置后的系统在处理过程中按照图4的方式进行瓷砖缺陷检测。
本发明还提出一种计算机可读存储的介质,所述计算机可读存储的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权利要求1-7中任一项所述方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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的介质中,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。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (4)
1.瓷砖表面缺陷检测方法,其特征在于,包括以下:
预建立瓷砖相关数据库:
所述瓷砖相关数据库具体包括瓷砖图像数据库、缺陷数据库以及模型数据库,建立过程包括如下步骤:
获取输入瓷砖图像,将输入瓷砖图像存入瓷砖图像数据库以更新瓷砖图像数据库;
对所述输入瓷砖图像进行中值滤波处理后进行图像分块处理得到处理后的瓷砖图像;
判断处理后的瓷砖图像是否存在缺陷,如果是则将处理后的瓷砖图像存入缺陷数据库以更新缺陷数据库;
如果否则将处理后的瓷砖图像存入无缺陷数据库,并根据所述无缺陷数据库中该输入瓷砖的同批次瓷砖的相关数据进行训练得到同批次瓷砖的重构网络模型,将所述重构网络模型存入模型数据库以更新模型数据库;
缺陷检测过程:
获取目标检测瓷砖图像,
判断目标检测瓷砖图像是否与瓷砖相关数据库中已有瓷砖批次的类型相近,如果否则执行上述瓷砖相关数据库的预建立过程得到目标检测瓷砖图像的瓷砖相关数据库并更新瓷砖相关数据库;
如果是则对目标检测瓷砖图像进行中值滤波以及图像分块处理操作得到处理后的目标检测瓷砖图像;
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型以得到目标检测瓷砖图像的重构图像;
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行差分处理得到目标检测瓷砖图像的缺陷被凸显的图像;
对目标检测瓷砖图像的缺陷被凸显的图像进行自适应阈值处理,得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像;
根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,如果是则输出有缺陷的瓷砖;
所述图像分块处理操作得到处理后的目标检测瓷砖图像,具体实现方法为将目标检测图像以500*500的窗口,500的步长进行滑窗操作,获取每个分块图像在原图中的像素左上角点及右下角点,然后基于这些角点序列批量截取原图中对应的像素块以获得目标检测瓷砖分块图像;
所述得到目标检测瓷砖图像的重构图像具体包括以下,
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型,将目标检测瓷砖分块图像输入到重构网络得到重构后的瓷砖分块图像,根据前面得到的分块图像的角点序列对重构后的分块图像进行拼接,以得到目标检测瓷砖图像的重构图像;
所述得到目标检测瓷砖图像的缺陷被凸显的图像具体包括以下,
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行图像绝对值差分处理,差分处理原理为将两幅图像对应像素坐标的像素值相减,将相减后的运算结果的绝对值作为该像素坐标 的新像素值,该步骤的目的是通过差分操作将重构图像与目标检测图像的相似部分即无缺陷区域进行削弱,而对两者之间的重构差异部分即缺陷区域进行增强,以得到目标检测瓷砖图像的缺陷被凸显的图像;
所述得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像具体包括以下,
自适应阈值处理是一种根据图像灰度特性自动确定阈值的阈值分割算法,在瓷砖缺陷分割中以非缺陷类与缺陷之间的方差最大化为准则,选取分割阈值,对于一幅 图像,计算自适应阈值的步骤如下:首先计算图像0~255灰度阶对应的像素个数保存到数组中,然后遍历0~255灰度阶并以当前遍历灰度阶为分类阈值将像素分为前景及背景类分别计算前景图像及背景图像的平均灰度及像素所占比例,得到当前阈值对应的类间方差,最后取类间方差最大的阈值作为分割阈值,得到目标检测瓷砖图像的缺陷被进一步凸显的瓷砖缺陷二值图像;
根据根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,其具体做法如下:对瓷砖缺陷二值图像进行连通域分析,排除伪缺陷区域,保留最后各连通区域,计算各连通区域的几何特征构建缺陷特征向量,利用多分类支持向量机对特征向量进行分类,支持向量机是一类按监督学习方式对数据进行分类的广义线性分类器,其通过寻找数据间的最大分隔超平面来确定决策边界,根据瓷砖缺陷二值图像的各连通域的特征向量分类结果,输出最后的缺陷检测结果,由此可判断对应的瓷砖是否存在缺陷。
2.根据权利要求1所述的瓷砖表面缺陷检测方法,其特征在于,所述判断处理后的瓷砖图像是否存在缺陷具体通过获取工程师的相关意见进行判断,若工程师的相关意见表示存在缺陷,则处理后的瓷砖图像存在缺陷,若工程师的相关意见表示不存在缺陷,则处理后的瓷砖图像不存在缺陷。
3.瓷砖表面缺陷检测装置,其特征在于,包括,
瓷砖相关数据库预建立模块,用于预建立瓷砖相关数据库:
所述瓷砖相关数据库具体包括瓷砖图像数据库、缺陷数据库以及模型数据库,建立过程包括如下步骤:
获取输入瓷砖图像,将输入瓷砖图像存入瓷砖图像数据库以更新瓷砖图像数据库;
对所述输入瓷砖图像进行中值滤波处理后进行图像分块处理得到处理后的瓷砖图像;
判断处理后的瓷砖图像是否存在缺陷,如果是则将处理后的瓷砖图像存入缺陷数据库以更新缺陷数据库;
如果否则将处理后的瓷砖图像存入无缺陷数据库,并根据所述无缺陷数据库中该输入瓷砖的同批次瓷砖的相关数据进行训练得到同批次瓷砖的重构网络模型,将所述重构网络模型存入模型数据库以更新模型数据库;
缺陷检测模块,用于对输入的瓷砖进行缺陷检测:
获取目标检测瓷砖图像,
判断目标检测瓷砖图像是否与瓷砖相关数据库中已有瓷砖批次的类型相近,如果否则执行上述瓷砖相关数据库的预建立过程得到目标检测瓷砖图像的瓷砖相关数据库并更新瓷砖相关数据库;
如果是则对目标检测瓷砖图像进行中值滤波以及图像分块处理操作得到处理后的目标检测瓷砖图像;
获取瓷砖相关数据库中目标检测瓷砖图像对应的重构网络模型以得到目标检测瓷砖图像的重构图像;
将处理后的目标检测瓷砖图像与目标检测瓷砖图像的重构图像进行差分处理得到目标检测瓷砖图像的缺陷被凸显的图像;
对目标检测瓷砖图像的缺陷被凸显的图像进行自适应阈值处理,得到目标检测瓷砖图像的缺陷被凸显的图像的二值图像;
根据所述二值图像判断目标检测瓷砖图像对应的瓷砖是否存在缺陷,如果是则输出有缺陷的瓷砖。
4.一种计算机可读存储的介质,所述计算机可读存储的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1-2中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291820.0A CN113129265B (zh) | 2021-03-18 | 2021-03-18 | 瓷砖表面缺陷检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291820.0A CN113129265B (zh) | 2021-03-18 | 2021-03-18 | 瓷砖表面缺陷检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129265A CN113129265A (zh) | 2021-07-16 |
CN113129265B true CN113129265B (zh) | 2022-10-18 |
Family
ID=76773562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291820.0A Active CN113129265B (zh) | 2021-03-18 | 2021-03-18 | 瓷砖表面缺陷检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129265B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554240B (zh) * | 2021-08-20 | 2022-06-10 | 西藏众陶联供应链服务有限公司 | 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统 |
CN114486732B (zh) * | 2021-12-30 | 2024-04-09 | 武汉光谷卓越科技股份有限公司 | 一种基于线扫描三维的瓷砖缺陷在线检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968095A (zh) * | 2020-08-19 | 2020-11-20 | 成都数之联科技有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8175373B2 (en) * | 2009-02-16 | 2012-05-08 | Kla-Tencor Corporation | Use of design information and defect image information in defect classification |
EP3867919A4 (en) * | 2018-10-19 | 2022-08-31 | F. Hoffmann-La Roche AG | DEFECT DETECTION IN LYOPHILIZED MEDICINAL PRODUCTS USING NEURAL CONVOLUTIONAL NETWORKS |
EP3739513A1 (en) * | 2019-05-13 | 2020-11-18 | Fujitsu Limited | Surface defect identification method and apparatus |
CN111553929B (zh) * | 2020-05-12 | 2022-08-09 | 重庆邮电大学 | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 |
-
2021
- 2021-03-18 CN CN202110291820.0A patent/CN113129265B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968095A (zh) * | 2020-08-19 | 2020-11-20 | 成都数之联科技有限公司 | 一种产品表面缺陷检测方法及系统及装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113129265A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280823B (zh) | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN113129265B (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN110288566B (zh) | 一种目标缺陷提取方法 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN112862770B (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN113469921B (zh) | 图像缺陷修复方法、系统、计算机设备及存储介质 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN109949294A (zh) | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN112767321B (zh) | 一种基于随机森林的荧光结核杆菌检测方法 | |
CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 |
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 |