CN113409315A - 工件缺陷检测方法、电子装置、装置及可读存储介质 - Google Patents
工件缺陷检测方法、电子装置、装置及可读存储介质 Download PDFInfo
- Publication number
- CN113409315A CN113409315A CN202110951924.XA CN202110951924A CN113409315A CN 113409315 A CN113409315 A CN 113409315A CN 202110951924 A CN202110951924 A CN 202110951924A CN 113409315 A CN113409315 A CN 113409315A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- defect
- exposure
- detection
- 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.)
- Pending
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
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/30161—Wood; Lumber
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提出的一种工件缺陷检测方法、电子装置、装置及可读存储介质,所述方法包括步骤:接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数;调整图像采集设备的实际曝光参数为所述最佳曝光参数,并控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像;对所述检测工件图像进行缺陷检测操作。通过获取工件的最佳曝光参数,并基于工件的最佳曝光参数获取检测工件图像,使得进行缺陷检测的工件图像能够最大限度地还原工件的细节,避免由于曝光参数影响到工件缺陷检测的准确性。
Description
技术领域
本发明涉及产品检测领域,尤其涉及一种工件缺陷检测方法、电子装置、装置及可读存储介质。
背景技术
工件在生产过程中,由于铸造材料、温度、设备挤压、摩擦或传输过程中的碰撞等原因会导致工件表面出现砂眼、划伤或碰伤等缺陷;现有技术中为了检测出工件的缺陷,多采用对工件的图像进行特征分析以判断工件上是否存在缺陷;然而由于工件的结构形态的不同,使得不同的工件在同样的曝光下生成的图像质量不同,从而影响到缺陷判断的准确性。
发明内容
本发明的主要目的在于提出一种工件缺陷检测方法、电子装置、装置及可读存储介质,旨在解决现有技术中工件的结构形态在同样的曝光下准确性不高的问题。
为实现上述目的,本发明提供一种工件缺陷检测方法,所述方法包括步骤:
接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数;
调整图像采集设备的实际曝光参数为所述最佳曝光参数,并控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像;
对所述检测工件图像进行缺陷检测操作。
可选地,所述获取与所述工件检测信号对应检测工件的最佳曝光参数的步骤包括:
获取所述检测工件的类型;
匹配与所述检测工件的类型对应的最佳曝光参数。
可选地,所述接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数的步骤之前包括:
获取所述检测工件在多个预设曝光参数下的曝光图像,以及训练完成的曝光识别模型;
依次将所述曝光图像作为所述训练完成的曝光识别模型的输入,并运行所述训练完成的曝光识别模型;
根据所述训练完成的曝光识别模型的第一输出结果确定所述检测工件对应的类型的最佳曝光参数。
可选地,所述获取所述检测工件在多个预设曝光参数下的曝光图像的步骤之前包括:
获取多组工件曝光数据,每组工件曝光数据包括工件在多个预设曝光参数下的曝光图像以及每个曝光图像对应的曝光检测结果;
通过所述多组工件曝光数据对初始曝光识别模型进行训练,以得到训练完成的曝光识别模型。
可选地,所述对所述检测工件图像进行缺陷检测操作的步骤包括:
获取训练完成的缺陷识别模型;
将所述检测工件图像作为所述训练完成的缺陷识别模型的输入,并运行所述训练完成的缺陷识别模型;
根据所述训练完成的缺陷识别模型的第二输出结果确定所述检测工件的缺陷类型。
可选地,所述根据所述训练完成的缺陷识别模型的第二输出结果确定所述检测工件的缺陷类型的步骤包括:
获取所述第二输出结果中的缺陷尺寸以及缺陷位置;
根据所述缺陷尺寸以及所述缺陷位置确定所述检测工件的缺陷类型。
可选地,所述根据所述缺陷尺寸以及所述缺陷位置确定所述检测工件的缺陷类型的步骤包括:
根据所述缺陷尺寸确定所述检测工件的缺陷程度;
根据所述缺陷位置确定所述检测工件的缺陷种类。
为实现上述目的,本发明还提供一种电子装置,所述电子装置包括:
第一获取模块,用于接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数;
第一执行模块,用于调整图像采集设备的曝光参数为所述最佳曝光参数,并
控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像;
第二执行模块,用于对所述检测工件图像进行缺陷检测操作。
可选地,所述第一获取模块包括:
第一获取子模块,用于获取所述检测工件的类型;
第一执行子模块,用于匹配与所述检测工件的类型对应的最佳曝光参数。
可选地,所述电子装置还包括:
第二获取模块,用于获取所述检测工件在多个预设曝光参数下的曝光图像,以及训练完成的曝光识别模型;
第三执行模块,用于依次将所述曝光图像作为所述训练完成的曝光识别模型的输入,并运行所述训练完成的曝光识别模型;
第四执行模块,用于根据所述训练完成的曝光识别模型的第一输出结果确定所述检测工件对应的类型的最佳曝光参数。
可选地,所述电子装置还包括:
第三获取模块,用于获取多组工件曝光数据,每组工件曝光数据包括工件在多个预设曝光参数下的曝光图像以及每个曝光图像对应的曝光检测结果;
第五执行模块,用于通过所述多组工件曝光数据对初始曝光识别模型进行训练,以得到训练完成的曝光识别模型。
可选地,所述第二执行模块包括:
第二获取子模块,用于获取训练完成的缺陷识别模型;
第二执行子模块,用于将所述检测工件图像作为所述训练完成的缺陷识别模型的输入,并运行所述训练完成的缺陷识别模型;
第三执行子模块,用于根据所述训练完成的缺陷识别模型的第二输出结果确定所述检测工件的缺陷类型。
可选地,所述第三执行子模块包括:
第一获取单元,用于获取所述第二输出结果中的缺陷尺寸以及缺陷位置;
第一执行单元,用于根据所述缺陷尺寸以及所述缺陷位置确定所述检测工件的缺陷类型。
可选地,所述第一执行单元包括:
第一执行子单元,用于根据所述缺陷尺寸确定所述检测工件的缺陷程度;
第二执行子单元,用于根据所述缺陷位置确定所述检测工件的缺陷种类。
为实现上述目的,本发明还提供一种工件缺陷检测装置,所述工件缺陷检测装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的工件缺陷检测方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质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如上所述的工件缺陷检测方法的步骤。
本发明提出的一种工件缺陷检测方法、电子装置、装置及可读存储介质,接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数;调整图像采集设备的实际曝光参数为所述最佳曝光参数,并控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像;对所述检测工件图像进行缺陷检测操作。通过获取工件的最佳曝光参数,并基于工件的最佳曝光参数获取检测工件图像,使得进行缺陷检测的工件图像能够最大限度地还原工件的细节,避免由于曝光参数影响到工件缺陷检测的准确性。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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为本发明工件缺陷检测方法第一实施例的流程示意图;
图2为本发明工件缺陷检测方法第五实施例步骤S30的细化流程图;
图3为本发明工件缺陷检测装置的模块结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本发明提供一种工件缺陷检测方法,参照图1,图1为本发明工件缺陷检测方法第一实施例的流程示意图,所述方法包括步骤:
步骤S10,接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数;
工件检测信号为触发工件缺陷检测流程的信号;工件检测信号可以由检测人员进行发送,还可以通过设置触发装置进行自动触发,如制备完成的工件通过传输装置运送到缺陷检测工位,缺陷检测工位上设置感应装置,如限位开关、传感器或摄像头等,感应装置检测到工件到达缺陷检测工位时,触发工件检测信号生效。
工件检测信号对应的检测工件可以由检测人员在发送工件检测信号时一并发送的检测工件标识确认,还可以通过获取检测工件的图像,进而通过识别算法或模型等对图像进行识别以确认检测工件的类型。最佳曝光参数与检测工件对应设置,可以理解的是,最佳曝光参数与检测工件之间的对应关系可以是提前预设的,还可以是实时检测的,具体采用提前预设还是实时检测可以根据实际应用场景以及需要进行设置,在此不进行赘述。
步骤S20,调整图像采集设备的实际曝光参数为所述最佳曝光参数,并控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像;
在获取到检测工件对应的最佳曝光参数之后,在所述最佳曝光参数下获取检测工件图像,以得到成像效果最佳的检测工件图像。本实施例中的图像采集设备为摄像头。
步骤S30,对所述检测工件图像进行缺陷检测操作。
缺陷检测操作为对工件进行缺陷检测的操作;缺陷检测操作可以通过深度学习模型、识别算法或人工的方式进行,可以根据实际应用场景以及需要进行选择,在此不进行赘述。
本实施例通过获取工件的最佳曝光参数,并基于工件的最佳曝光参数获取检测工件图像,使得进行缺陷检测的工件图像能够最大限度地还原工件的细节,避免由于曝光参数影响到工件缺陷检测的准确性。
进一步地,在基于本发明的第一实施例所提出的本发明工件缺陷检测方法第二实施例中,所述步骤S10包括步骤:
步骤S11,获取所述检测工件的类型;
步骤S12,匹配与所述检测工件的类型对应的最佳曝光参数。
相同类型的检测工件的结构通常较为相似,因此,同一类型的检测工件可以对应相同的最佳曝光参数;检测工件的类型包括但不限于型号、类别等。需要说明的是,检测工件可能包括多个类型属性,当检测工件包括的不同类型对应不同的最佳曝光参数时,采用最下位的类型对应的最佳曝光参数作为所述检测工件的最佳曝光参数。
进一步地,还可以直接获取检测工件对应的最佳曝光参数,如预先设置每个检测工件对应最佳曝光参数的曝光参数对应表,直接在曝光参数对应表中匹配与检测工件对应的最佳曝光参数;或者通过训练完成的曝光识别模型对检测工件的最佳曝光参数进行检测;具体地,分别获取检测工件在多个预设曝光参数下的曝光图像,依次将曝光图像作为训练完成的曝光识别模型的输入,并运行训练完成的曝光识别模型,根据训练完成的曝光识别模型的输出结果确定检测工件的最佳曝光参数。
本实施例能够合理地获取检测工件的最佳曝光参数。
进一步地,在基于本发明的第一实施例所提出的本发明工件缺陷检测方法第三实施例中,在所述步骤S10之前包括步骤:
步骤S40,获取所述检测工件在多个预设曝光参数下的曝光图像,以及训练完成的曝光识别模型;
步骤S50,依次将所述曝光图像作为所述训练完成的曝光识别模型的输入,并运行所述训练完成的曝光识别模型;
步骤S60,根据所述训练完成的曝光识别模型的第一输出结果确定所述检测工件对应的类型的最佳曝光参数。
本实施例中的多个预设曝光参数包括8000ms曝光时间的低曝光参数、14000ms曝光时间的中曝光参数以及20000ms曝光时间的高曝光参数;可以理解的是,具体的预设曝光参数的种类、数量以及具体数值可以根据实际应用场景以及需要进行设置,在此不进行赘述。
第一输出结果包括各曝光图像对应的预测结果,预测结果中具体包括曝光图像的曝光参数为最佳曝光参数的几率,将曝光参数为最佳曝光参数的几率最高的曝光图像对应的曝光参数作为检测工件对应的类型的最佳曝光参数。
需要说明的是,对于同一类型的工件的最佳曝光参数的确定,需要获取该类型下的多个工件在多个预设曝光参数下的曝光图像,并通过训练完成的曝光识别模型分别对多个工件在多个预设曝光参数下的曝光图像进行识别,并根据训练完成的曝光识别模型输出的所有第一输出结果来综合确定该类型的最佳曝光参数。
本实施例能够通过训练完成的曝光识别模型得到检测工件的类型对应的最佳曝光参数。
进一步地,在基于本发明的第三实施例所提出的本发明工件缺陷检测方法第四实施例中,所述步骤S40之前包括步骤:
步骤S70,获取多组工件曝光数据,每组工件曝光数据包括工件在多个预设曝光参数下的曝光图像以及每个曝光图像对应的曝光检测结果;
步骤S80,通过所述多组工件曝光数据对初始曝光识别模型进行训练,以得到训练完成的曝光识别模型。
检测人员预先对工件的每个曝光图像设置对应的标签,即曝光检测结果;可以将工件曝光数据划分为训练集、验证集以及测试集;训练集用来估计模型,验证集用来确定网络结构或者控制模型复杂程度的参数,而测试集则检验最终选择最优的模型的性能如何。通过曝光图像以及对应的标签对初始曝光识别模型进行训练;可以理解的是,在初始曝光识别模型训练过程中的损失函数、训练结束条件等常规设置可以根据实际应用场景以及需要进行选择,在此不进行赘述。将达到训练结束条件的初始曝光识别模型作为训练完成的曝光识别模型。
本实施例能够合理地对初始曝光识别模型进行训练得到训练完成的曝光识别模型。
进一步地,参见图2,在基于本发明的第一实施例所提出的本发明工件缺陷检测方法第五实施例中,所述步骤S30包括步骤:
步骤S31,获取训练完成的缺陷识别模型;
步骤S32,将所述检测工件图像作为所述训练完成的缺陷识别模型的输入,并运行所述训练完成的缺陷识别模型;
步骤S33,根据所述训练完成的缺陷识别模型的第二输出结果确定所述检测工件的缺陷类型。
所述步骤S33包括步骤:
步骤S331,获取所述第二输出结果中的缺陷尺寸以及缺陷位置;
步骤S332,根据所述缺陷尺寸以及所述缺陷位置确定所述检测工件的缺陷类型。
进一步地,所述步骤S332包括步骤:
步骤S3321,根据所述缺陷尺寸确定所述检测工件的缺陷程度;
步骤S3322,根据所述缺陷位置确定所述检测工件的缺陷种类。
缺陷识别模型的训练方式与上述曝光识别模型类似,具体可根据实际应用场景以及需要选择,在此不进行赘述。
缺陷尺寸包括但不限于缺陷的面积、长、宽以及轮廓长度等维度;缺陷尺寸用以表征缺陷的严重程度;可根据缺陷尺寸将检测到的缺陷进行分类,本实施例中,将缺陷按照缺陷程度划分为三类,一级缺陷、二级缺陷以及三级缺陷;其中,分别对缺陷的面积、长、宽以及轮廓长度对应在缺陷等级中的数值范围进行设置;如面积小于第一面积阈值,则处于一级缺陷,面积大于第一面积阈值且小于第二面积阈值,则处于二级缺陷,其中第一面积阈值小于第二面积阈值,面积大于第二面积阈值,则处于三级缺陷;缺陷的长、宽以及轮廓长度可参照面积进行设置;本实施例中的一级缺陷表示检测工件无缺陷或缺陷在可忽略的范围内,二级缺陷表示检测工件的缺陷需要进行修复操作,三级缺陷表示检测工件的缺陷无法被修复。需要说明的是,缺陷程度的等级数量划分依据可根据实际应用场景以及需要进行设置,在此不进行赘述。
对缺陷尺寸的多个维度均进行缺陷程度的判定,取其中最严重的缺陷程度作为检测工件的缺陷程度;如判断缺陷的面积为一级缺陷,长为二级缺陷,宽为一级缺陷,轮廓长度为一级缺陷,则将最严重的缺陷程度,即二级缺陷作为检测工件的缺陷程度。
由于同类检测工件在相同的位置出现的缺陷类型存在相似性,因此可以通过缺陷位置来辅助判断检测工件的缺陷类型。
本实施例能够准确地确定检测工件的缺陷种类以及缺陷程度。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请还提供一种用于实施上述工件缺陷检测方法的电子装置,电子装置包括:
第一获取模块,用于接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数;
第一执行模块,用于调整图像采集设备的曝光参数为所述最佳曝光参数;
第二获取模块,用于控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像;
第二执行模块,用于对所述检测工件图像进行缺陷检测操作。
需要说明的是,该实施例中的第一获取模块可以用于执行本申请实施例中的步骤S10,该实施例中的第一执行模块可以用于执行本申请实施例中的步骤S20,该实施例中的第二执行模块可以用于执行本申请实施例中的步骤S30。
通过获取工件的最佳曝光参数,并基于工件的最佳曝光参数获取检测工件图像,使得进行缺陷检测的工件图像能够最大限度地还原工件的细节,避免由于曝光参数影响到工件缺陷检测的准确性。
进一步地,所述第一获取模块包括:
第一获取子模块,用于获取所述检测工件的类型;
第一执行子模块,用于匹配与所述检测工件的类型对应的最佳曝光参数。
进一步地,所述电子装置还包括:
第二获取模块,用于获取所述检测工件在多个预设曝光参数下的曝光图像,以及训练完成的曝光识别模型;
第三执行模块,用于依次将所述曝光图像作为所述训练完成的曝光识别模型的输入,并运行所述训练完成的曝光识别模型;
第四执行模块,用于根据所述训练完成的曝光识别模型的第一输出结果确定所述检测工件对应的类型的最佳曝光参数。
进一步地,所述电子装置还包括:
第三获取模块,用于获取多组工件曝光数据,每组工件曝光数据包括工件在多个预设曝光参数下的曝光图像以及每个曝光图像对应的曝光检测结果;
第五执行模块,用于通过所述多组工件曝光数据对初始曝光识别模型进行训练,以得到训练完成的曝光识别模型。
进一步地,所述第二执行模块包括:
第二获取子模块,用于获取训练完成的缺陷识别模型;
第二执行子模块,用于将所述检测工件图像作为所述训练完成的缺陷识别模型的输入,并运行所述训练完成的缺陷识别模型;
第三执行子模块,用于根据所述训练完成的缺陷识别模型的第二输出结果确定所述检测工件的缺陷类型。
进一步地,所述第三执行子模块包括:
第一获取单元,用于获取所述第二输出结果中的缺陷尺寸以及缺陷位置;
第一执行单元,用于根据所述缺陷尺寸以及所述缺陷位置确定所述检测工件的缺陷类型。
进一步地,所述第一执行单元包括:
第一执行子单元,用于根据所述缺陷尺寸确定所述检测工件的缺陷程度;
第二执行子单元,用于根据所述缺陷位置确定所述检测工件的缺陷种类。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
参照图3,在硬件结构上所述工件缺陷检测装置可以包括通信模块10、存储器20以及处理器30等部件。在所述工件缺陷检测装置中,所述处理器30分别与所述存储器20以及所述通信模块10连接,所述存储器20上存储有计算机程序,所述计算机程序同时被处理器30执行,所述计算机程序执行时实现上述方法实施例的步骤。
通信模块10,可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求,还可以发送请求、指令及信息至所述外部通讯设备,所述外部通讯设备可以是其它工件缺陷检测装置、服务器或者物联网设备,例如电视等等。
存储器20,可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像)等;存储数据区可包括数据库,存储数据区可存储根据系统的使用所创建的数据或信息等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30,是工件缺陷检测装置的控制中心,利用各种接口和线路连接整个工件缺陷检测装置的各个部分,通过运行或执行存储在存储器20内的软件程序和/或模块,以及调用存储在存储器20内的数据,执行工件缺陷检测装置的各种功能和处理数据,从而对工件缺陷检测装置进行整体监控。处理器30可包括一个或多个处理单元;可选地,处理器30可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器30中。
尽管图3未示出,但上述工件缺陷检测装置还可以包括电路控制模块,所述电路控制模块用于与电源连接,保证其他部件的正常工作。本领域技术人员可以理解,图3中示出的工件缺陷检测装置结构并不构成对工件缺陷检测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序。所述计算机可读存储介质可以是图3的工件缺陷检测装置中的存储器20,也可以是如ROM(Read-OnlyMemory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、磁碟、光盘中的至少一种,所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视,汽车,手机,计算机,服务器,终端,或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中,术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的,而不能理解为指示或暗示相对重要性,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,本发明保护的范围并不局限于此,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换,这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种工件缺陷检测方法,其特征在于,所述方法包括:
接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数;
调整图像采集设备的实际曝光参数为所述最佳曝光参数,并控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像;
对所述检测工件图像进行缺陷检测操作。
2.如权利要求1所述的工件缺陷检测方法,其特征在于,所述获取与所述工件检测信号对应检测工件的最佳曝光参数的步骤包括:
获取所述检测工件的类型;
匹配与所述检测工件的类型对应的最佳曝光参数。
3.如权利要求1所述的工件缺陷检测方法,其特征在于,所述接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数的步骤之前包括:
获取所述检测工件在多个预设曝光参数下的曝光图像,以及训练完成的曝光识别模型;
依次将所述曝光图像作为所述训练完成的曝光识别模型的输入,并运行所述训练完成的曝光识别模型;
根据所述训练完成的曝光识别模型的第一输出结果确定所述检测工件对应的类型的最佳曝光参数。
4.如权利要求3所述的工件缺陷检测方法,其特征在于,所述获取所述检测工件在多个预设曝光参数下的曝光图像的步骤之前包括:
获取多组工件曝光数据,每组工件曝光数据包括工件在多个预设曝光参数下的曝光图像以及每个曝光图像对应的曝光检测结果;
通过所述多组工件曝光数据对初始曝光识别模型进行训练,以得到训练完成的曝光识别模型。
5.如权利要求1所述的工件缺陷检测方法,其特征在于,所述对所述检测工件图像进行缺陷检测操作的步骤包括:
获取训练完成的缺陷识别模型;
将所述检测工件图像作为所述训练完成的缺陷识别模型的输入,并运行所述训练完成的缺陷识别模型;
根据所述训练完成的缺陷识别模型的第二输出结果确定所述检测工件的缺陷类型。
6.如权利要求5所述的工件缺陷检测方法,其特征在于,所述根据所述训练完成的缺陷识别模型的第二输出结果确定所述检测工件的缺陷类型的步骤包括:
获取所述第二输出结果中的缺陷尺寸以及缺陷位置;
根据所述缺陷尺寸以及所述缺陷位置确定所述检测工件的缺陷类型。
7.如权利要求6所述的工件缺陷检测方法,其特征在于,所述根据所述缺陷尺寸以及所述缺陷位置确定所述检测工件的缺陷类型的步骤包括:
根据所述缺陷尺寸确定所述检测工件的缺陷程度;
根据所述缺陷位置确定所述检测工件的缺陷种类。
8.一种电子装置,其特征在于,所述电子装置包括:
第一获取模块,用于接收工件检测信号,获取与所述工件检测信号对应检测工件的最佳曝光参数;
第一执行模块,用于调整图像采集设备的曝光参数为所述最佳曝光参数,并控制所述图像采集设备对所述检测工件进行图像采集,得到检测工件图像;
第二执行模块,用于对所述检测工件图像进行缺陷检测操作。
9.一种工件缺陷检测装置,其特征在于,所述工件缺陷检测装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的工件缺陷检测方法的步骤。
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如权利要求1至7中任一项所述的工件缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951924.XA CN113409315A (zh) | 2021-08-19 | 2021-08-19 | 工件缺陷检测方法、电子装置、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951924.XA CN113409315A (zh) | 2021-08-19 | 2021-08-19 | 工件缺陷检测方法、电子装置、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113409315A true CN113409315A (zh) | 2021-09-17 |
Family
ID=77688821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110951924.XA Pending CN113409315A (zh) | 2021-08-19 | 2021-08-19 | 工件缺陷检测方法、电子装置、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113409315A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015121730A1 (ru) * | 2014-02-14 | 2015-08-20 | Юрий Александрович ЧИВЕЛЬ | Способ и устройство оптического мониторинга процесса спекания объемных изделий из порошков |
WO2018034056A1 (ja) * | 2016-08-18 | 2018-02-22 | 富士フイルム株式会社 | 欠陥検査装置、欠陥検査方法、およびプログラム |
CN110120045A (zh) * | 2019-06-14 | 2019-08-13 | 晓智科技(成都)有限公司 | 一种基于回归模型的x光成像曝光参数确定方法 |
CN110174422A (zh) * | 2018-09-20 | 2019-08-27 | 立讯精密工业(昆山)有限公司 | 基于小波域相位提取的缺陷检测方法及检测装置 |
CN112598616A (zh) * | 2020-11-09 | 2021-04-02 | 联想(北京)有限公司 | 一种电子设备曝光参数的确定方法及成像方法 |
CN112950560A (zh) * | 2021-02-20 | 2021-06-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件缺陷检测方法、装置及系统 |
-
2021
- 2021-08-19 CN CN202110951924.XA patent/CN113409315A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015121730A1 (ru) * | 2014-02-14 | 2015-08-20 | Юрий Александрович ЧИВЕЛЬ | Способ и устройство оптического мониторинга процесса спекания объемных изделий из порошков |
WO2018034056A1 (ja) * | 2016-08-18 | 2018-02-22 | 富士フイルム株式会社 | 欠陥検査装置、欠陥検査方法、およびプログラム |
CN110174422A (zh) * | 2018-09-20 | 2019-08-27 | 立讯精密工业(昆山)有限公司 | 基于小波域相位提取的缺陷检测方法及检测装置 |
CN110120045A (zh) * | 2019-06-14 | 2019-08-13 | 晓智科技(成都)有限公司 | 一种基于回归模型的x光成像曝光参数确定方法 |
CN112598616A (zh) * | 2020-11-09 | 2021-04-02 | 联想(北京)有限公司 | 一种电子设备曝光参数的确定方法及成像方法 |
CN112950560A (zh) * | 2021-02-20 | 2021-06-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 电子元器件缺陷检测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111156923A (zh) | 工件检测方法、装置、计算机设备以及存储介质 | |
CN113470018B (zh) | 轮毂缺陷识别方法、电子装置、装置及可读存储介质 | |
CN109741295B (zh) | 产品质量检测方法及装置 | |
CN110599484A (zh) | 缺陷检测方法、装置及存储介质 | |
US20200090319A1 (en) | Machine learning method implemented in aoi device | |
CN111812118A (zh) | Pcb检测方法、装置、设备及计算机可读存储介质 | |
CN105303573A (zh) | 金针类元件的引脚检测方法和系统 | |
CN116519707A (zh) | 基于机器视觉的锂电池缺陷检测方法、装置及电子设备 | |
CN117274245B (zh) | 基于图像处理技术的aoi光学检测方法及系统 | |
CN112884018A (zh) | 电网线路故障识别模型训练方法和电网线路巡检方法 | |
CN117455887A (zh) | 基于机器视觉的pcb来料检测方法、装置、设备及介质 | |
CN113284113A (zh) | 溢胶瑕疵检测方法、装置、计算机设备和可读存储介质 | |
CN110441714B (zh) | 指示灯的检测方法、装置及计算机可读存储介质 | |
CN113409315A (zh) | 工件缺陷检测方法、电子装置、装置及可读存储介质 | |
CN113409317B (zh) | 缺陷检测方法、电子装置、装置及计算机可读存储介质 | |
CN116596903A (zh) | 缺陷识别方法、装置、电子设备及可读存储介质 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN112529213A (zh) | 派工校验方法、装置、系统及计算机可读存储介质 | |
CN115526859A (zh) | 生产缺陷识别的方法、分布式处理平台、设备及存储介质 | |
US11120541B2 (en) | Determination device and determining method thereof | |
CN113379747B (zh) | 木材的缺陷检测方法、电子装置、装置及存储介质 | |
CN116205835A (zh) | 电路板瑕疵检测方法、装置及电子设备 | |
CN109389099A (zh) | 车辆检测方法、装置和可读存储介质 | |
CN110991331A (zh) | 施工现场的检测方法、装置、计算机设备和存储介质 | |
WO2021075192A1 (ja) | 検査装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |