CN113379680A - 缺陷检测方法、装置、电子设备和计算机可读存储介质 - Google Patents
缺陷检测方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113379680A CN113379680A CN202110538279.9A CN202110538279A CN113379680A CN 113379680 A CN113379680 A CN 113379680A CN 202110538279 A CN202110538279 A CN 202110538279A CN 113379680 A CN113379680 A CN 113379680A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- value
- pixel point
- information
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种缺陷检测方法、装置、电子设备和计算机可读存储介质;其中,该方法包括:将待检测图像进行灰度化处理,得到灰度图像;根据灰度图像中各像素点的灰度值,确定灰度图像中背景的灰度信息和灰度图像中目标物的灰度信息;根据背景的灰度信息和目标物的灰度信息,对灰度图像进行三值化处理;根据三值化处理结果确定待检测图像中的缺陷信息。本公开实施例能够有效提高图像的缺陷检测精度。
Description
技术领域
本公开涉及图像处理技术领域,特别是涉及一种缺陷检测方法、装置、电子设备和计算机可读存储介质。
背景技术
缺陷检测通常是指对物品表面缺陷的检测,表面缺陷检测是采用先进的机器视觉检测技术,对工件表面的斑点、凹坑、划痕、色差以及缺损等缺陷进行检测。缺陷检测可应用到有金属表面、玻璃便面、纸张表面以及电子元器件表面等对外观有严格要求又有明确指标的物品。
目前的缺陷检测技术主要是基于缺陷检测模型实现缺陷检测,即,预先搜集大量的缺陷训练样本,对缺陷图像进行二值化处理,得到二值图像,再得到图像中的缺陷部位,以将原始图像的缺陷部位作为训练样本训练缺陷检测模型,从而能够利用缺陷检测模型对待检测图像进行缺陷检测。
现有方案的缺陷在于:缺陷检测模型的训练需要大量的训练样本,且训练样本的选取会直接影响到缺陷检测模型的训练精度,若训练样本选择不合适,则会导致训练出的缺陷检测模型的精度降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高缺陷检测精度的缺陷检测方法、装置、电子设备和计算机可读存储介质。
本公开实施例提供了一种缺陷检测方法,所述方法包括:
将待检测图像进行灰度化处理,得到灰度图像;
根据所述灰度图像中各像素点的灰度值,确定所述灰度图像中背景的灰度信息和所述灰度图像中目标物的灰度信息;
根据所述背景的灰度信息和所述目标物的灰度信息,对所述灰度图像进行三值化处理;
根据三值化处理结果确定所述待检测图像中的缺陷信息。
在一个实施例中,所述灰度信息包括平均灰度值,所述根据所述灰度图像中各像素点的灰度值,确定所述灰度图像中背景的灰度信息和所述灰度图像中目标物的灰度信息,包括:根据所述灰度图像中各像素点的灰度值,构建所述灰度图像的灰度直方图;根据所述灰度直方图确定所述灰度图像中背景的平均灰度值和所述灰度图像中目标物的平均灰度值。
在一个实施例中,所述根据所述灰度直方图确定所述灰度图像中背景的平均灰度值,包括:从所述灰度直方图的所有灰度值区间中查找灰度值数量为第一数值对应的第一灰度值区间;根据所述第一灰度值区间的起始灰度值和终止灰度值,确定所述灰度图像中背景的平均灰度值。
在一个实施例中,所述根据所述灰度直方图确定所述灰度图像中目标物的平均灰度值,包括:从所述灰度直方图的所有灰度值区间中查找灰度值数量为第二数值对应的第二灰度值区间;根据所述第二灰度值区间的起始灰度值和终止灰度值,确定所述灰度图像中目标物的平均灰度值。
在一个实施例中,所述根据所述背景的灰度信息和所述目标物的灰度信息,对所述灰度图像进行三值化处理,包括:计算所述灰度图像中每一像素点的灰度值与所述背景的平均灰度值之间的第一误差;计算所述灰度图像中每一像素点的灰度值与所述目标物的平均灰度值之间的第二误差;根据所述第一误差和所述第二误差,对所述灰度图像进行三值化处理。
在一个实施例中,所述三值化处理是对灰度图像中的像素点进行聚类,将灰度图像中的所有像素点划分为背景像素点、目标像素点和缺陷像素点;所述根据所述第一误差和所述第二误差,对所述灰度图像进行三值化处理,包括:获取预设的三值化阈值,以及获取所述灰度图像中每一像素点对应的第一误差和第二误差;从所述灰度图像中所有像素点中选取任一像素点作为当前像素点;若检测到所述当前像素点对应的第一误差小于所述三值化阈值,且所述第一误差小于所述当前像素点对应的第二误差,则将所述当前像素点作为背景像素点;若检测到所述当前像素点对应的第二误差小于所述三值化阈值,且所述第二误差小于所述当前像素点对应的第一误差,则将所述当前像素点作为目标像素点;若检测到所述当前像素点对应的第一误差大于所述三值化阈值,且所述当前像素点对应的第二误差大于所述三值化阈值,则将所述当前像素点作为缺陷像素点。
在一个实施例中,所述根据三值化处理结果确定所述待检测图像中的缺陷信息,包括:根据所述灰度图像的三值化处理结果中的全部缺陷像素点,确定所述待检测图像中的缺陷信息;其中,所述缺陷信息包括缺陷坐标和缺陷类别中的至少一个。
本公开实施例提供了一种缺陷检测装置,所述装置包括:
灰度图像确定模块,用于将待检测图像进行灰度化处理,得到灰度图像;
灰度信息确定模块,用于根据所述灰度图像中各像素点的灰度值,确定所述灰度图像中背景的灰度信息和所述灰度图像中目标物的灰度信息;
三值化处理模块,用于根据所述背景的灰度信息和所述目标物的灰度信息,对所述灰度图像进行三值化处理;
缺陷信息确定模块,用于根据三值化处理结果确定所述待检测图像中的缺陷信息。
在一个实施例中,所述灰度信息确定模块,包括:灰度直方图确定单元和灰度值确定单元;所述灰度直方图确定单元,用于根据所述灰度图像中各像素点的灰度值,构建所述灰度图像的灰度直方图;所述灰度值确定单元,用于根据所述灰度直方图确定所述灰度图像中背景的平均灰度值和所述灰度图像中目标物的平均灰度值。
在一个实施例中,所述灰度值确定单元,具体用于:从所述灰度直方图的所有灰度值区间中查找灰度值数量为第一数值对应的第一灰度值区间;根据所述第一灰度值区间的起始灰度值和终止灰度值,确定所述灰度图像中背景的平均灰度值。
在一个实施例中,所述灰度值确定单元,具体用于:从所述灰度直方图的所有灰度值区间中查找灰度值数量为第二数值对应的第二灰度值区间;根据所述第二灰度值区间的起始灰度值和终止灰度值,确定所述灰度图像中目标物的平均灰度值。
在一个实施例中,所述三值化处理模块,包括:第一误差计算单元、第二误差计算单元和三值化处理单元;所述第一误差计算单元,用于计算所述灰度图像中每一像素点的灰度值与所述背景的平均灰度值之间的第一误差;所述第二误差计算单元,用于计算所述灰度图像中每一像素点的灰度值与所述目标物的平均灰度值之间的第二误差;所述三值化处理单元,用于根据所述第一误差和所述第二误差,对所述灰度图像进行三值化处理。
在一个实施例中,所述三值化处理单元,具体用于:获取预设的三值化阈值,以及获取所述灰度图像中每一像素点对应的第一误差和第二误差;从所述灰度图像中所有像素点中选取任一像素点作为当前像素点;若检测到所述当前像素点对应的第一误差小于所述三值化阈值,且所述第一误差小于所述当前像素点对应的第二误差,则将所述当前像素点作为背景像素点;若检测到所述当前像素点对应的第二误差小于所述三值化阈值,且所述第二误差小于所述当前像素点对应的第一误差,则将所述当前像素点作为目标像素点;若检测到所述当前像素点对应的第一误差大于所述三值化阈值,且所述当前像素点对应的第二误差大于所述三值化阈值,则将所述当前像素点作为缺陷像素点。
在一个实施例中,所述缺陷信息确定模块,具体用于:根据所述灰度图像的三值化处理结果中的全部缺陷像素点,确定所述待检测图像中的缺陷信息;其中,所述缺陷信息包括缺陷坐标和缺陷类别中的至少一个。
本公开实施例提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本公开任意实施例所提供的缺陷检测方法的步骤。
本公开实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本公开任意实施例所提供的缺陷检测方法的步骤。
本公开实施例所提供的缺陷检测方法能够通过对待检测图像的灰度图像设定两个阈值进行三值分割处理,从而准确区分并识别出待检测图像的回灰度图像中各灰度值的像素点之间的差异,有效将该灰度图像进行三值划分,得到背景部分、目标部分和缺陷部分,进一步根据缺陷部分判断出待检测图像的缺陷信息,从而有效提高图像的缺陷检测精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
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2是本公开实施例提供的另一种缺陷检测方法的流程示意图;
图3是本公开实施例提供的又一种缺陷检测方法的流程示意图;
图4是待检测图像的展示示意图;
图5是待检测图像经过三值化处理后得到的三值化图像的示意图;
图6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7是本公开实施例提供的一种电子设备的内部结构图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开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公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
在一个实施例中,如图1所示,提供了一种缺陷检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
本实施例的应用场景可以是用于标识(例如品牌logo)的缺陷检测,以区分出原始图像中目标部分、背景部分以及缺陷部分;其中,目标部分为图像中出现物体的标识,如品牌标识,品牌标识可以采用文字或者符号等展示方式;背景部分为图像中物体的背景信息,其通常采用颜色均匀的区域表示;缺陷部分为图像中出现的异常于目标部分和背景部分的区域,如脏污或者异色等区域。本实施例中的电子设备可为具有图像提取功能或者图像拍摄功能的终端设备,例如手机、个人计算机或者平板电脑等,本公开实施例对电子设备的类型不作具体限定。
如图1所示,该方法具体包括如下:
S110,将待检测图像进行灰度化处理,得到灰度图像。
在本实施例中,待检测图像可包括外界输入的图像,或者可包括直接采集得到的图像;其中,终端设备中安装特定的图像处理软件,该图像处理软件可读取相机中的待检测图像,该待检测图像可由相机实时拍摄得到,也可通过终端设备从第三方设备中下载得到。
待检测图像在该图像处理软件中的展示类型为灰度图像;由于采集到的原始图像(即本实施例中的待检测图像)为彩色图像,为了消除彩色图像中颜色过多影响缺陷检测精度的问题,因此,本实施例中,终端设备能够对采集到的待检测图像进行灰度化处理,以得到其灰度图像,从而避免图像中色彩繁多影响检测效率的问题;其中,灰度化处理就是将一幅色彩图像转化为灰度图像的过程。
待检测图像灰度化处理的方法可包括:分量法、最大值法和加权平均法;具体的,分量法为将彩色图像的R、G、B三分量的亮度之一作为灰度图像灰度值;最大值法为将彩色图像的R、G、B三分量亮度最大值作为灰度图像灰度值;加权平均法为将彩色图像的R、G、B三分量以不同的权重进行加权平均;其中,加权平均法的实现过程中考虑到人眼对绿色敏感度最高对蓝色敏感度最低,可采用心理学灰度公式Gray=0.114B+0.587G+0.299R实现灰度化处理。
S120、根据灰度图像中各像素点的灰度值,确定灰度图像中背景的灰度信息和灰度图像中目标物的灰度信息。
在本实施例中,灰度图像由若干个不同灰度值的像素点组成;灰度图像包括目标物形成的目标部分和背景形成的背景部分。其中,在灰度图像的背景部分中像素点的灰度值与目标部分中像素点的灰度值不同;具体的,背景的灰度信息可包括背景部分中所有像素点灰度值的平均灰度值;目标物的灰度信息可包括目标部分中所有像素点灰度值的平均灰度值。
S130、根据背景的灰度信息和目标物的灰度信息,对灰度图像进行三值化处理。
在本实施例中,一张待检测图像的灰度图像中可包括目标部分、背景部分和缺陷部分;二值化处理能够有效区分出灰度图像中的目标部分和背景部分,由于灰度图像中缺陷部分和目标部分的色彩差异较大,以及缺陷部分和背景部分的色彩差异较大,则灰度图像中缺陷部分和目标部分的灰度值差异也较大,以及缺陷部分和背景部分的灰度值差异也较大;则可得出,根据设置不同的像素阈值,可对灰度图像进行三值化处理,即可有效区分出待检测图像对应的灰度图像中的背景部分、目标部分和缺陷部分。
其中,三值化处理为设置两个预设像素阈值,对灰度图像中每一像素点进行像素聚类,从而识别出灰度图像中的背景部分、目标部分和缺陷部分。
S140、根据三值化处理结果确定待检测图像中的缺陷信息。
在本实施例中,三值化处理结果中包括基于待检测图像的灰度图像识别出的背景部分、目标部分和缺陷部分。其中,终端设备可根据缺陷部分的像素点信息确定出待检测图像中存在的缺陷信息;缺陷信息可包括:缺陷坐标和缺陷类别中的至少一个。
本公开实施例通过对待检测图像的灰度图像设定两个阈值进行三值分割处理,从而准确区分并识别出待检测图像的灰度图像中各灰度值的像素点之间的差异,有效将该灰度图像进行三值划分,得到背景部分、目标部分和缺陷部分,进一步根据缺陷部分判断出待检测图像的缺陷信息,从而有效提高图像的缺陷检测精度。
图2是本公开实施例提供的另一种缺陷检测方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化,并可与上述技术方案中任意可选方案组合。如图2所示,该方法包括:
S210、将待检测图像进行灰度化处理,得到灰度图像。
S220、根据灰度图像中各像素点的灰度值,构建灰度图像的灰度直方图。
在本实施例中,将灰度值进行均等分处理得到多等分下包括的多个灰度值,例如划分为N等分;其中,N的取值可根据像素点的数量进行适应调整;并确定灰度图像中每个像素点的灰度值落在划分的目标分段中,统计各灰度值分段中包括的该灰度图像的像素点的数量,以此得出该灰度图像中各像素点组成的灰度直方图。
示例性的,取等分值N=8,灰度值范围为0-255,则灰度值会被均分为8等分,分别为[0-31]、[32-63]、[64-95]、[96-127]、[128-159]、[160-191]、[192-223]、[224-155];终端设备能够灰度图像中的各像素点的像素值落在等分区段中数量,构建出灰度直方图;其中,灰度直方图的横坐标为灰度值区间,纵坐标为灰度值区间中包含的像素点数量。
S230、根据灰度直方图确定灰度图像中背景的平均灰度值和灰度图像中目标物的平均灰度值。
在本实施例中,背景部分中包括的像素点的数量和目标部分中包括的像素点的数量的差距较大,因此,可根据灰度直方图直观区分出背景部分和目标部分的像素点分布,从而有效确定出背景的平均灰度值和目标物的平均灰度值。
S240、计算灰度图像中每一像素点的灰度值与背景的平均灰度值之间的第一误差;计算灰度图像中每一像素点的灰度值与目标物的平均灰度值之间的第二误差。
在本实施例中,第一误差为待检测图像的灰度图像中所有像素点的灰度值与背景的平均灰度值的平均误差绝对值,即所有像素点的灰度值与背景的平均灰度值的误差之和的平均绝对值;第二误差为待检测图像的灰度图像中所有像素点的灰度值与目标物的平均灰度值的平均误差绝对值,即所有像素点的灰度值与目标物的平均灰度值的误差之和的平均绝对值。
S250、根据第一误差和第二误差,对灰度图像进行三值化处理。
在本实施例中,将第一误差和第二误差作为待检测图像的灰度图像中像素点的灰度值的分界阈值,使得终端设备对待检测图像进行三值化处理,从而有效划分为待检测图像中的背景部分、目标部分和缺陷部分。
S260、根据三值化处理结果确定待检测图像中的缺陷信息。
图3是本公开实施例提供的又一种缺陷检测方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化,并可与上述技术方案中任意可选方案组合。如图3所示,该方法包括:
S310、将待检测图像进行灰度化处理,得到灰度图像。
S320、根据灰度图像中各像素点的灰度值,构建灰度图像的灰度直方图。
S330、根据灰度直方图确定灰度图像中背景的平均灰度值和目标物的平均灰度值。
在本实施例中,可选的,根据灰度直方图确定灰度图像中背景的平均灰度值,包括:从灰度直方图的所有灰度值区间中查找灰度值数量为第一数值对应的第一灰度值区间;根据第一灰度值区间的起始灰度值和终止灰度值,确定灰度图像中背景的平均灰度值。
其中,第一数值为灰度直方图中所有灰度值区间中包括的灰度值数量中的第一极大值;背景的平均灰度值是根据确定出的灰度值区间计算得出,即将第一灰度值区间的起始灰度值和终止灰度值的平均值作为背景的平均灰度值。
示例性的,对于一张100×100的图像,其灰度直方图的第一极大值为4000,且4000个像素点都落在了灰度直方图的灰度区间[0-31]中;则可得出,背景的灰度值范围为0-31,则背景的平均灰度值为15.5。
本实施例中终端设备能够根据背景部分的灰度值的数量确定出其所属的灰度值区间,从而将该灰度值区间的平均区间值作为背景的平均灰度值,有效提高了背景的平均灰度值的确定效率。
在本实施例中,可选的,根据灰度直方图确定灰度图像中目标物的平均灰度值,包括:从灰度直方图的所有灰度值区间中查找灰度值数量为第二数值对应的第二灰度值区间;根据第二灰度值区间的起始灰度值和终止灰度值,确定灰度图像中目标物的平均灰度值。
其中,第二数值为灰度直方图中所有灰度值区间中包括的灰度值数量中的的第二极大值;目标物的平均灰度值是根据确定出的灰度区间计算得出,即将第二灰度值区间的起始灰度值和终止灰度值的平均值作为目标物的平均灰度值。
示例性的,对于一张100×100的图像,其灰度直方图的第二极大值为3000,且3000个像素点都落在了灰度直方图的灰度区间[224-255]中;则可得出,目标物的灰度值范围为224-255,则目标物的平均灰度值为239.5。
本实施例终端设备能够根据目标部分的灰度值的数量确定出其所属的灰度值区间,从而将该灰度值区间的平均区间值作为目标物的平均灰度值,有效提高了目标物的平均灰度值的确定效率。
需要说明的是,由于背景部分的像素点的数量大于目标部分的像素点的数量,因此,本实施例中第一极大值对应背景部分的像素点的数量,第二极大值对应目标部分的像素点的数量,且第一极大值大于第二极大值。
S340、计算灰度图像中每一像素点的灰度值与背景的平均灰度值之间的第一误差;计算灰度图像中每一像素点的灰度值与目标物的平均灰度值之间的第二误差。
在本实施例中,终端设备能够分别计算待检测图像的灰度图像中每一像素点的灰度值与背景的平均灰度值的误差,再根据各误差的平均值得到第一误差;并,终端设备分别计算待检测图像的灰度图像中每一像素点的灰度值与目标物的平均灰度值的误差,再根据各误差的平均值得到第二误差。
需要说明的是,本实施例中终端设备在确定第一误差和第二误差时,不限于用平均值法,也可以采用权重法、最大值法或者重数法,本实施例对此不做具体限定。
S350、获取预设的三值化阈值,以及获取灰度图像中每一像素点对应的第一误差和第二误差;从灰度图像中所有像素点中选取任一像素点作为当前像素点。
在本实施例中,当前像素点为灰度图像中的任一像素点,如,灰度图像中的第一个像素点、第二个像素点......。
S360、若检测到当前像素点对应的第一误差大于三值化阈值,且当前像素点对应的第二误差大于三值化阈值,则将当前像素点作为缺陷像素点。
在本实施例中,若检测到当前像素点对应的第一误差小于三值化阈值,且第一误差小于当前像素点对应的第二误差,则将该当前像素点作为背景像素点;若检测到当前像素点对应的第二误差小于三值化阈值,且第二误差小于当前像素点对应的第一误差,则将该当前像素点作为目标像素点。
在本实施例中,预设三值化阈值为第一误差和第二误差的衡量分界值,可根据该预设三值化阈值对第一误差和第二误差进行分区识别,以区分出背景部分、目标部分和缺陷部分。
具体的,预设的三值化阈值可根据灰度直方图的区间宽度确定,例如,可设置为灰度直方图的区间宽度的两倍或者三倍;示例性的,根据待检测图像确定出的灰度直方图的区间宽度为32,则预设的三值化阈值T可确定为T=32×2=64,或者T=32×3=96。
终端设备当检测到S1<T且S1<S2,则将该像素点划分为背景类;终端设备当检测到S2<T且S2<S1,则将该像素点划分为目标类;终端设备当检测到S1>T且S2>T,则该像素点既不属于背景也不属于目标,则终端设备可将其认定为缺陷类。
图4为待检测图像的展示示意图;图5为待检测图像经过三值化处理后得到的三值化图像的示意图;其中,图4为一符号图像,里面包含两个字符和缺陷痕迹;经过本实施例方法的三值化处理后,可见,得到的三值化图像能够根据颜色有效区分出背景部分(例如图5的黑色部分)、目标部分(例如图5的白色部分)和缺陷部分(例如图5的灰色部分)。
S370、根据灰度图像的三值化处理结果中的全部缺陷像素点,确定待检测图像中的缺陷信息。
在本实施例中,终端设备可根据全部缺陷像素点在待检测图像中的像素坐标确定出缺陷部分的边界区域,进一步的,缺陷部分的边界区域上全部像素点的坐标即为缺陷坐标。根据缺陷像素点的坐标可形成一个包围区域,将该包围区域与缺陷类别库中存储的缺陷区域进行比对,从而得到该待检测图像的缺陷类别。其中,缺陷信息包括缺陷坐标和缺陷类别中的至少一个。缺陷类别库可由终端设备根据带有缺陷类别的图像汇总得出。
本实施例中终端设备能够根据确定出的缺陷像素点确定待检测图像中的缺陷坐标和缺陷类别中的至少一个,从而准确识别出待检测图像的缺陷信息。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6是本公开实施例提供的一种缺陷检测装置的结构示意图;该装置配置于电子设备中,可实现本申请任意实施例所述的缺陷检测方法。该装置具体包括如下:
灰度图像确定模块610,用于将待检测图像进行灰度化处理,得到灰度图像;
灰度信息确定模块620,用于用于根据所述灰度图像中各像素点的灰度值,确定所述灰度图像中背景的灰度信息和所述灰度图像中目标物的灰度信息;
三值化处理模块630,用于根据所述背景的灰度信息和所述目标物的灰度信息,对所述灰度图像进行三值化处理;
缺陷信息确定模块640,用于根据三值化处理结果确定所述待检测图像中的缺陷信息。
在本实施例中,可选的,所述灰度信息确定模块620,包括:灰度直方图确定单元和灰度值确定单元;所述灰度直方图确定单元,用于根据所述灰度图像中各像素点的灰度值,构建所述灰度图像的灰度直方图;所述灰度值确定单元,用于根据所述灰度直方图确定所述灰度图像中背景的平均灰度值和所述灰度图像中目标物的平均灰度值。
在本实施例中,可选的,所述灰度值确定单元,具体用于:从所述灰度直方图的所有灰度值区间中查找灰度值数量为第一数值对应的第一灰度值区间;根据所述第一灰度值区间的起始灰度值和终止灰度值,确定所述灰度图像中背景的平均灰度值。
在本实施例中,可选的,所述灰度值确定单元,具体用于:从所述灰度直方图的所有灰度值区间中查找灰度值数量为第二数值对应的第二灰度值区间;根据所述第二灰度值区间的起始灰度值和终止灰度值,确定所述灰度图像中目标物的平均灰度值。
在本实施例中,可选的,所述三值化处理模块630,包括:第一误差计算单元、第二误差计算单元和三值化处理单元;所述第一误差计算单元,用于计算所述灰度图像中每一像素点的灰度值与所述背景的平均灰度值之间的第一误差;所述第二误差计算单元,用于计算所述灰度图像中每一像素点的灰度值与所述目标物的平均灰度值之间的第二误差;所述三值化处理单元,用于根据所述第一误差和所述第二误差,对所述灰度图像进行三值化处理。
在本实施例中,可选的,所述三值化处理单元,具体用于:获取预设的三值化阈值,以及获取所述灰度图像中每一像素点对应的第一误差和第二误差;从所述灰度图像中所有像素点中选取任一像素点作为当前像素点;若检测到所述当前像素点对应的第一误差小于所述三值化阈值,且所述第一误差小于所述当前像素点对应的第二误差,则将所述当前像素点作为背景像素点;
若检测到所述当前像素点对应的第二误差小于所述三值化阈值,且所述第二误差小于所述当前像素点对应的第一误差,则将所述当前像素点作为目标像素点;若检测到所述当前像素点对应的第一误差大于所述三值化阈值,且所述当前像素点对应的第二误差大于所述三值化阈值,则将所述当前像素点作为缺陷像素点。
在本实施例中,可选的,所述缺陷信息确定模块640,具体用于:根据所述灰度图像的三值化处理结果中的全部缺陷像素点,确定所述待检测图像中的缺陷信息;其中,所述缺陷信息包括缺陷坐标和缺陷类别中的至少一个。
通过本发明实施例的缺陷检测装置,能够对待检测图像的灰度图像进行三值化处理,以识别出待检测图像的灰度图像中的背景部分、目标部分和缺陷部分,并根据缺陷部分判断出待检测图像的缺陷信息,从而有效提高图像的缺陷检测精度。
关于缺陷检测装置的具体限定可以参见上文中对于缺陷检测方法的限定,在此不再赘述。上述缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种电子设备,该电子设备可以是终端,其内部结构图可以如图7所示。该电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该计算机程序被处理器执行时以实现一种缺陷检测方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的缺陷检测装置可以实现为一种计算机程序的形式,计算机程序可在如图7所示的电子设备上运行。电子设备的存储器中可存储组成该电子设备的各个程序模块,比如,图6所示的灰度图像确定模块、灰度信息确定模块、三值化处理模块和缺陷信息确定模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的缺陷检测方法中的步骤。
在一个实施例中,提供了一种电子设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:将待检测图像进行灰度化处理,得到灰度图像;根据灰度图像中各像素点的灰度值,确定灰度图像中背景的灰度信息和灰度图像中目标物的灰度信息;根据背景的灰度信息和目标物的灰度信息,对灰度图像进行三值化处理;根据三值化处理结果确定待检测图像中的缺陷信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将待检测图像进行灰度化处理,得到灰度图像;根据灰度图像中各像素点的灰度值,构建灰度图像的灰度直方图;根据灰度直方图确定灰度图像中背景的平均灰度值和灰度图像中目标物的平均灰度值;计算灰度图像中每一像素点的灰度值与背景的平均灰度值之间的第一误差;计算灰度图像中每一像素点的灰度值与目标物的平均灰度值之间的第二误差;根据第一误差和第二误差,对灰度图像进行三值化处理;根据三值化处理结果确定待检测图像中的缺陷信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将待检测图像进行灰度化处理,得到灰度图像;根据灰度图像中各像素点的灰度值,构建灰度图像的灰度直方图;根据灰度直方图确定灰度图像中背景的平均灰度值和目标物的平均灰度值;计算灰度图像中每一像素点的灰度值与背景的平均灰度值之间的第一误差;计算灰度图像中每一像素点的灰度值与目标物的平均灰度值之间的第二误差;获取预设的三值化阈值,以及获取灰度图像中每一像素点对应的第一误差和第二误差;从灰度图像中所有像素点中选取任一像素点作为当前像素点;若检测到当前像素点对应的第一误差大于三值化阈值,且当前像素点对应的第二误差大于三值化阈值,则将当前像素点作为缺陷像素点;根据灰度图像的三值化处理结果中的全部缺陷像素点,确定待检测图像中的缺陷信息。
本公开实施例能够对待检测图像的灰度图像进行三值化处理,识别出待检测图像的灰度图像中的背景部分、目标部分和缺陷部分,并根据缺陷部分判断出待检测图像的缺陷信息,从而有效提高图像的缺陷检测精度。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:将待检测图像进行灰度化处理,得到灰度图像;根据灰度图像中各像素点的灰度值,确定灰度图像中背景的灰度信息和灰度图像中目标物的灰度信息;根据背景的灰度信息和目标物的灰度信息,对灰度图像进行三值化处理;根据三值化处理结果确定待检测图像中的缺陷信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将待检测图像进行灰度化处理,得到灰度图像;根据灰度图像中各像素点的灰度值,构建灰度图像的灰度直方图;根据灰度直方图确定灰度图像中背景的平均灰度值和灰度图像中目标物的平均灰度值;计算灰度图像中每一像素点的灰度值与背景的平均灰度值之间的第一误差;计算灰度图像中每一像素点的灰度值与目标物的平均灰度值之间的第二误差;根据第一误差和第二误差,对灰度图像进行三值化处理;根据三值化处理结果确定待检测图像中的缺陷信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将待检测图像进行灰度化处理,得到灰度图像;根据灰度图像中各像素点的灰度值,构建灰度图像的灰度直方图;根据灰度直方图确定灰度图像中背景的平均灰度值和目标物的平均灰度值;计算灰度图像中每一像素点的灰度值与背景的平均灰度值之间的第一误差;计算灰度图像中每一像素点的灰度值与目标物的平均灰度值之间的第二误差;获取预设的三值化阈值,以及获取灰度图像中每一像素点对应的第一误差和第二误差;从灰度图像中所有像素点中选取任一像素点作为当前像素点;若检测到当前像素点对应的第一误差大于三值化阈值,且当前像素点对应的第二误差大于三值化阈值,则将当前像素点作为缺陷像素点;根据灰度图像的三值化处理结果中的全部缺陷像素点,确定待检测图像中的缺陷信息。
本公开实施例能够对待检测图像的灰度图像进行三值化处理,识别出待检测图像的灰度图像中的背景部分、目标部分和缺陷部分,并根据缺陷部分判断出待检测图像的缺陷信息,从而有效提高图像的缺陷检测精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,比如静态随机存取存储器(Static Random Access Memory,SRAM)和动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种缺陷检测方法,其特征在于,所述方法包括:
将待检测图像进行灰度化处理,得到灰度图像;
根据所述灰度图像中各像素点的灰度值,确定所述灰度图像中背景的灰度信息和所述灰度图像中目标物的灰度信息;
根据所述背景的灰度信息和所述目标物的灰度信息,对所述灰度图像进行三值化处理;
根据三值化处理结果确定所述待检测图像中的缺陷信息。
2.根据权利要求1所述的方法,其特征在于,所述灰度信息包括平均灰度值,所述根据所述灰度图像中各像素点的灰度值,确定所述灰度图像中背景的灰度信息和所述灰度图像中目标物的灰度信息,包括:
根据所述灰度图像中各像素点的灰度值,构建所述灰度图像的灰度直方图;
根据所述灰度直方图确定所述灰度图像中背景的平均灰度值和所述灰度图像中目标物的平均灰度值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述灰度直方图确定所述灰度图像中背景的平均灰度值,包括:
从所述灰度直方图的所有灰度值区间中查找灰度值数量为第一数值对应的第一灰度值区间;
根据所述第一灰度值区间的起始灰度值和终止灰度值,确定所述灰度图像中背景的平均灰度值。
4.根据权利要求2所述的方法,其特征在于,所述根据所述灰度直方图确定所述灰度图像中目标物的平均灰度值,包括:
从所述灰度直方图的所有灰度值区间中查找灰度值数量为第二数值对应的第二灰度值区间;
根据所述第二灰度值区间的起始灰度值和终止灰度值,确定所述灰度图像中目标物的平均灰度值。
5.根据权利要求2所述的方法,其特征在于,所述根据所述背景的灰度信息和所述目标物的灰度信息,对所述灰度图像进行三值化处理,包括:
计算所述灰度图像中每一像素点的灰度值与所述背景的平均灰度值之间的第一误差;
计算所述灰度图像中每一像素点的灰度值与所述目标物的平均灰度值之间的第二误差;
根据所述第一误差和所述第二误差,对所述灰度图像进行三值化处理。
6.根据权利要求5所述的方法,其特征在于,所述三值化处理是对灰度图像中的像素点进行聚类,将灰度图像中的所有像素点划分为背景像素点、目标像素点和缺陷像素点;所述根据所述第一误差和所述第二误差,对所述灰度图像进行三值化处理,包括:
获取预设的三值化阈值,以及获取所述灰度图像中每一像素点对应的第一误差和第二误差;
从所述灰度图像中所有像素点中选取任一像素点作为当前像素点;
若检测到所述当前像素点对应的第一误差小于所述三值化阈值,且所述第一误差小于所述当前像素点对应的第二误差,则将所述当前像素点作为背景像素点;
若检测到所述当前像素点对应的第二误差小于所述三值化阈值,且所述第二误差小于所述当前像素点对应的第一误差,则将所述当前像素点作为目标像素点;
若检测到所述当前像素点对应的第一误差大于所述三值化阈值,且所述当前像素点对应的第二误差大于所述三值化阈值,则将所述当前像素点作为缺陷像素点。
7.根据权利要求6所述的方法,其特征在于,所述根据三值化处理结果确定所述待检测图像中的缺陷信息,包括:
根据所述灰度图像的三值化处理结果中的全部缺陷像素点,确定所述待检测图像中的缺陷信息;
其中,所述缺陷信息包括缺陷坐标和缺陷类别中的至少一个。
8.一种缺陷检测方法装置,其特征在于,所述装置包括:
灰度图像确定模块,用于将待检测图像进行灰度化处理,得到灰度图像;
灰度信息确定模块,用于根据所述灰度图像中各像素点的灰度值,确定所述灰度图像中背景的灰度信息和所述灰度图像中目标物的灰度信息;
三值化处理模块,用于根据所述背景的灰度信息和所述目标物的灰度信息,对所述灰度图像进行三值化处理;
缺陷信息确定模块,用于根据三值化处理结果确定所述待检测图像中的缺陷信息。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的缺陷检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110538279.9A CN113379680B (zh) | 2021-05-18 | 2021-05-18 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110538279.9A CN113379680B (zh) | 2021-05-18 | 2021-05-18 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379680A true CN113379680A (zh) | 2021-09-10 |
CN113379680B CN113379680B (zh) | 2023-05-23 |
Family
ID=77571127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110538279.9A Active CN113379680B (zh) | 2021-05-18 | 2021-05-18 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379680B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298990A (zh) * | 2021-12-20 | 2022-04-08 | 中汽创智科技有限公司 | 一种车载摄像装置的检测方法、装置、存储介质及车辆 |
CN114820617A (zh) * | 2022-06-29 | 2022-07-29 | 苏州大学 | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 |
CN114821195A (zh) * | 2022-06-01 | 2022-07-29 | 南阳师范学院 | 计算机图像智能化识别方法 |
CN115082443A (zh) * | 2022-07-25 | 2022-09-20 | 山东天意机械股份有限公司 | 基于智能监控平台的混凝土制品质量检测方法 |
CN116660270A (zh) * | 2023-05-30 | 2023-08-29 | 孝感市光源电力集团有限责任公司 | 电力电缆的检测方法、装置及存储介质 |
CN117036364A (zh) * | 2023-10-09 | 2023-11-10 | 全芯智造技术有限公司 | 图像处理方法及装置、存储介质、计算设备 |
CN117037159A (zh) * | 2023-10-09 | 2023-11-10 | 网思科技股份有限公司 | 基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002174601A (ja) * | 2000-12-05 | 2002-06-21 | Matsushita Electric Ind Co Ltd | 壁面損傷検出方法及び装置 |
CN101383005A (zh) * | 2007-09-06 | 2009-03-11 | 上海遥薇实业有限公司 | 一种利用辅助规则纹理的乘客目标图像和背景分离方法 |
CN103018589A (zh) * | 2012-11-26 | 2013-04-03 | 电子科技大学 | 一种遥控器自动检测装置及方法 |
CN103473785A (zh) * | 2013-09-29 | 2013-12-25 | 哈尔滨工业大学 | 一种基于三值化图像聚类的快速多目标分割方法 |
CN105158258A (zh) * | 2015-07-15 | 2015-12-16 | 广西师范大学 | 一种基于计算机视觉的竹条表面缺陷检测方法 |
CN106446885A (zh) * | 2016-09-21 | 2017-02-22 | 北京联合大学 | 纸介盲文识别方法和系统 |
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 |
CN108960172A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种识别gpr图像病害类型的方法 |
CN111738984A (zh) * | 2020-05-29 | 2020-10-02 | 北京工商大学 | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 |
CN112200800A (zh) * | 2020-10-30 | 2021-01-08 | 福州大学 | 一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法 |
CN112396061A (zh) * | 2020-11-25 | 2021-02-23 | 福州大学 | 基于目标灰度倾向加权的Otsu目标检测方法 |
-
2021
- 2021-05-18 CN CN202110538279.9A patent/CN113379680B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002174601A (ja) * | 2000-12-05 | 2002-06-21 | Matsushita Electric Ind Co Ltd | 壁面損傷検出方法及び装置 |
CN101383005A (zh) * | 2007-09-06 | 2009-03-11 | 上海遥薇实业有限公司 | 一种利用辅助规则纹理的乘客目标图像和背景分离方法 |
CN103018589A (zh) * | 2012-11-26 | 2013-04-03 | 电子科技大学 | 一种遥控器自动检测装置及方法 |
CN103473785A (zh) * | 2013-09-29 | 2013-12-25 | 哈尔滨工业大学 | 一种基于三值化图像聚类的快速多目标分割方法 |
CN105158258A (zh) * | 2015-07-15 | 2015-12-16 | 广西师范大学 | 一种基于计算机视觉的竹条表面缺陷检测方法 |
CN106446885A (zh) * | 2016-09-21 | 2017-02-22 | 北京联合大学 | 纸介盲文识别方法和系统 |
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 |
CN108960172A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种识别gpr图像病害类型的方法 |
CN111738984A (zh) * | 2020-05-29 | 2020-10-02 | 北京工商大学 | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 |
CN112200800A (zh) * | 2020-10-30 | 2021-01-08 | 福州大学 | 一种基于灰度直方图梯度加权目标方差的电润湿显示器缺陷检测方法 |
CN112396061A (zh) * | 2020-11-25 | 2021-02-23 | 福州大学 | 基于目标灰度倾向加权的Otsu目标检测方法 |
Non-Patent Citations (1)
Title |
---|
钟江城等: ""基于CT图像灰度分布的含杂质煤体三值化方法"", 《力学与实践》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298990A (zh) * | 2021-12-20 | 2022-04-08 | 中汽创智科技有限公司 | 一种车载摄像装置的检测方法、装置、存储介质及车辆 |
CN114298990B (zh) * | 2021-12-20 | 2024-04-19 | 中汽创智科技有限公司 | 一种车载摄像装置的检测方法、装置、存储介质及车辆 |
CN114821195A (zh) * | 2022-06-01 | 2022-07-29 | 南阳师范学院 | 计算机图像智能化识别方法 |
CN114820617A (zh) * | 2022-06-29 | 2022-07-29 | 苏州大学 | 基于四焦距相位相干机器视觉的晶体缺陷检测方法和系统 |
CN115082443A (zh) * | 2022-07-25 | 2022-09-20 | 山东天意机械股份有限公司 | 基于智能监控平台的混凝土制品质量检测方法 |
CN116660270A (zh) * | 2023-05-30 | 2023-08-29 | 孝感市光源电力集团有限责任公司 | 电力电缆的检测方法、装置及存储介质 |
CN116660270B (zh) * | 2023-05-30 | 2024-01-12 | 孝感市光源电力集团有限责任公司 | 电力电缆的检测方法、装置及存储介质 |
CN117036364A (zh) * | 2023-10-09 | 2023-11-10 | 全芯智造技术有限公司 | 图像处理方法及装置、存储介质、计算设备 |
CN117037159A (zh) * | 2023-10-09 | 2023-11-10 | 网思科技股份有限公司 | 基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 |
CN117036364B (zh) * | 2023-10-09 | 2024-01-02 | 全芯智造技术有限公司 | 图像处理方法及装置、存储介质、计算设备 |
CN117037159B (zh) * | 2023-10-09 | 2024-03-19 | 网思科技股份有限公司 | 基于卷积神经网络的油画真伪鉴别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113379680B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379680B (zh) | 缺陷检测方法、装置、电子设备和计算机可读存储介质 | |
CN111627009B (zh) | 一种屏幕检测方法、装置及头戴显示设备 | |
CN111246204B (zh) | 一种基于相对亮度偏差的脏污检测方法和装置 | |
CN1690678B (zh) | 图像分析方法、图像分析程序及其像素评价系统 | |
CN113763355A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN106920245B (zh) | 一种边界检测的方法及装置 | |
CN110009607B (zh) | 显示屏坏点检测方法、装置、计算机设备和存储介质 | |
CN110197180B (zh) | 字符缺陷检测方法、装置及设备 | |
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN109389110B (zh) | 一种区域确定方法及装置 | |
CN112464829B (zh) | 一种瞳孔定位方法、设备、存储介质及视线追踪系统 | |
CN115759148B (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
CN111311556A (zh) | 手机缺陷位置识别方法及设备 | |
CN116883336A (zh) | 图像处理方法、装置、计算机设备及介质 | |
CN115272290A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
KR20170010753A (ko) | 부호의 광학적 검출 방법 | |
CN114596243A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN109472772B (zh) | 图像污点检测方法、装置和设备 | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
JP2021052238A (ja) | 付着物検出装置および付着物検出方法 | |
CN110824451A (zh) | 雷达回波图的处理方法、装置、计算机设备及存储介质 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN115546145A (zh) | 一种基于机器视觉的缺陷检测方法、装置及电子设备 |
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 |