CN113436131A - 缺陷检测方法、装置、电子设备和存储介质 - Google Patents

缺陷检测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113436131A
CN113436131A CN202010144753.5A CN202010144753A CN113436131A CN 113436131 A CN113436131 A CN 113436131A CN 202010144753 A CN202010144753 A CN 202010144753A CN 113436131 A CN113436131 A CN 113436131A
Authority
CN
China
Prior art keywords
image
detected
defect
outer contour
color
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
Application number
CN202010144753.5A
Other languages
English (en)
Inventor
黄弯弯
张武龙
吕文尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Weiwei Medical Technology Co ltd
Original Assignee
Shanghai Weiwei Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Weiwei Medical Technology Co ltd filed Critical Shanghai Weiwei Medical Technology Co ltd
Priority to CN202010144753.5A priority Critical patent/CN113436131A/zh
Publication of CN113436131A publication Critical patent/CN113436131A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种缺陷检测方法、装置、电子设备和存储介质，该方法包括：获取待检测物件的图像；对所述待检测物件的图像进行第一预处理，以获得第一图像，或/和对所述待检测物件的图像进行第二预处理，以获得第二图像；根据所述第一图像，确定第一缺陷的外轮廓，或/和根据所述第二图像，确定第二缺陷的外轮廓；以及根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，或/和根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出第二缺陷。本发明通过采用机器视觉来进行纺织布等物件的缺陷检测，实现了缺陷检测的自动化，可以取代传统的人工检测，有效提高了缺陷的检测效率以及检测的准确性。

Description

缺陷检测方法、装置、电子设备和存储介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种缺陷检测方法、装置、电子设备和存储介质。
背景技术
近年来，针对动脉硬化、血栓栓塞、动脉瘤等动脉扩张性疾病，出现了血管腔内疗法，该疗法通过在血管腔内植入支架(人造血管的复合体移植物)，从而达到将病变段血管隔绝于正常血流循环之外，因而其手术称为腔内隔绝术。该疗法具有创伤小、流血少、恢复快、并发症少等优点，彻底解决了以往开腹手术创伤大、操作复杂、并发症率和死亡率高的缺陷，已基本代替原有的开放手术。腔内隔绝术用人造血管(覆膜支架)是腔内血管隔绝系统的主要组成部分，是决定手术是否成功的关键所在。腔内隔绝术用人造血管是超薄超强纤维织物与金属支架的组合体，其中织物部分可用天然丝或合成纤维长丝机织而成，也可采用非织造工艺加工的非织造织物，织物外覆的薄膜，如超薄聚四氟乙烯、聚氨酯薄膜等。目前，国外应用得比较成熟的人造血管既有片状机织物缝合成管状的，也有管状织造的产品，特别是分叉型管状织物。如果血管的覆膜出现疵点，破洞，异物等可能在植入人体后会引发医疗事故，血流不稳定，异物游离血管中等问题。因此血管覆膜质量的重要性关注度越来越高，覆膜缺陷检测在质检环节必不可少且尤其重要。
目前来说纺织布缺陷检测主要是人工检测为主，通过人眼判断发现疑似缺陷，然后放入显微镜进行再次观察确认。但是人工检测的状况受限于操作人员的身体状况以及工作状态。在长时间、大量化的生产模式下，人工检测展现出了极大的弊端，由于劳动强度大，误检率高，极大地限制了生产效率的提高和产品质量的提升，导致不合格的产品流入后续的生产加工过程，酿成重大的事故，因此传统检测方式已经无法适应现代化工业生产的需要，需要引进一种自动检测技术，既能降低人力成本又能实现对产品质量的严格控制。
发明内容
本发明的目的在于提供一种缺陷检测方法、装置、电子设备和存储介质，可以解决现有技术中，在进行缺陷检测时，检测时间久、误检率高的问题。
为解决上述技术问题，本发明提供一种缺陷检测方法，包括：
获取待检测物件的图像；
对所述待检测物件的图像进行第一预处理，以获得第一图像，或/和对所述待检测物件的图像进行第二预处理，以获得第二图像；
根据所述第一图像，确定第一缺陷的外轮廓，或/和根据所述第二图像，确定第二缺陷的外轮廓；以及
根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，或/和根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出第二缺陷。
可选的，在获取待检测物件的图像之后，所述检测方法还包括：
去除所述待检测物件的图像中的干扰区域，以获取感兴趣区域，所述感兴趣区域为待检测物件所在的区域；
所述对所述待检测物件的图像进行第一预处理，以获得第一图像的方法包括：对所述感兴趣区域进行第一预处理，以获得第一图像；
所述对所述待检测物件的图像进行第二预处理，以获得第二图像的方法包括：对所述感兴趣区域进行第二预处理，以获得第二图像。
可选的，在获取待检测物件的图像之后，所述检测方法还包括：
根据所述待检测物件的图像，建立图像直角坐标系，其中所述图像直角坐标系的X轴沿所述待检测物件的图像的长度方向设置，Y轴沿所述待检测物件的图像的宽度方向设置。
可选的，所述第一缺陷包括疵点或/和破洞；
所述第一预处理包括：
判断所述待检测物件的图像是否为灰度图像，若否，则对所述待检测物件的图像进行灰度化处理，以获得所述待检测物件的灰度图像；
根据第一预设阈值，对所述待检测物件的灰度图像进行第一二值化处理和取反处理，以获得第一二值化图像；以及
对所述第一二值化图像进行第一形态学操作和取反处理。
可选的，在对所述第一二值化图像进行第一形态学操作和取反处理之后，所述第一预处理还包括：
将经过第一形态学操作和取反处理后得到的图像的四个边界的像素点进行置黑处理。
可选的，所述根据所述第一图像，确定第一缺陷的外轮廓的方法包括：
根据所述第一图像，寻找第一缺陷的所有疑似外轮廓；以及
如果寻找到疑似外轮廓，则根据第二预设阈值，将面积大于或等于所述第二预设阈值的疑似外轮廓确定为所述第一缺陷的真实外轮廓。
可选的，所述第二缺陷包括异物或/和污渍，所述待检测物件的图像为彩色图像；
所述第二预处理包括：
将所述待检测物件的彩色图像由RGB颜色空间转换至HSV颜色空间；
根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理和取反处理，以获得第二二值化图像；以及
对所述第二二值化图像进行第二形态学操作。
可选的，所述第三预设阈值包括颜色最小值和颜色最大值；
所述根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理的方法包括：
根据所述颜色最小值和所述颜色最大值，将转换至HSV颜色空间的待检测物件的彩色图像中的颜色值大于或等于所述颜色最小值并且小于或等于所述颜色最大值的像素点置为白色，将颜色值小于所述颜色最小值或大于所述颜色最大值的像素点置为黑色。
可选的，所述根据所述第二图像，确定第二缺陷的外轮廓的方法包括：
根据所述第二图像，寻找第二缺陷的所有疑似外轮廓；以及
如果寻找到疑似外轮廓，则根据第四预设阈值，将面积大于或等于所述第四预设阈值的疑似外轮廓确定为所述第二缺陷的真实外轮廓。
为解决上述技术问题，本发明还提供一种缺陷检测装置，包括：
获取模块，用于获取待检测物件的图像；
预处理模块，用于对所述待检测物件的图像进行第一预处理，以获得第一图像，或/和对所述待检测物件的图像进行第二预处理，以获得第二图像；
确定模块，用于根据所述第一图像，确定第一缺陷的外轮廓，或/和根据所述第二图像，确定第二缺陷的外轮廓；以及
标注模块，用于根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，或/和根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出第二缺陷。
可选的，所述检测装置还包括：
去除模块，用于去除所述待检测物件的图像中的干扰区域，以获取感兴趣区域，所述感兴趣区域为待检测物件所在的区域；
所述预处理模块，用于对所述感兴趣区域进行第一预处理，以获得第一图像，或/和对所述感兴趣区域进行第二预处理，以获得第二图像。
可选的，所述检测装置还包括：
坐标系建立模块，用于根据所述待检测物件的图像，建立图像直角坐标系，其中图像直角坐标系的X轴沿所述待检测物件的图像的长度方向设置，Y轴沿所述待检测物件的图像的宽度方向设置。
可选的，所述第一缺陷包括疵点或/和破洞；
所述预处理模块包括：
判断子模块，用于判断所述待检测物件的图像是否为灰度图像；
灰度化子模块，用于对所述待检测物件的图像进行灰度化处理，以获得所述待检测物件的灰度图像；
第一预处理子模块，用于根据第一预设阈值，对所述待检测物件的灰度图像进行第一二值化处理和取反处理，以获得第一二值化图像；以及
第二预处理子模块，用于对所述第一二值化图像进行第一形态学操作和取反处理。
可选的，所述预处理模块包括：
置黑子模块，用于将经过第一形态学操作和取反处理后得到的图像的四个边界的像素点进行置黑处理。
可选的，所述确定模块包括：
第一确定子模块，用于根据所述第一图像，寻找第一缺陷的所有疑似外轮廓；以及
第二确定子模块，用于根据第二预设阈值，将面积大于或等于所述第二预设阈值的疑似外轮廓确定为所述第一缺陷的真实外轮廓。
可选的，所述第二缺陷包括异物或/和污渍，所述待检测物件的图像为彩色图像；
所述预处理模块包括：
转换子模块，用于将所述待检测物件的彩色图像由RGB颜色空间转换至HSV颜色空间；
第三预处理子模块，用于根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理和取反处理，以获得第二二值化图像；以及
第四预处理子模块，用于对所述第二二值化图像进行第二形态学操作。
可选的，所述第三预设阈值包括颜色最小值和颜色最大值；
所述第三预处理子模块，用于根据所述颜色最小值和所述颜色最大值，将转换至HSV颜色空间的待检测物件的彩色图像中的颜色值大于或等于所述颜色最小值并且小于或等于所述颜色最大值的像素点置为白色，将颜色值小于所述颜色最小值或大于所述颜色最大值的像素点置为黑色。
可选的，所述确定模块包括：
第三确定子模块，用于根据所述第二图像，寻找第二缺陷的所有疑似外轮廓；以及
第四确定子模块，用于根据第四预设阈值，将面积大于或等于所述第四预设阈值的疑似外轮廓确定为所述第二缺陷的真实外轮廓。
为解决上述技术问题，本发明还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上文所述的缺陷检测方法。
为解决上述技术问题，本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上文所述的缺陷检测方法。
与现有技术相比，本发明提供的缺陷检测方法、装置、电子设备和存储介质具有以下优点：本发明通过先获取待检测物件的图像；然后对所述待检测物件的图像进行第一预处理，以获得第一图像，或/和对所述待检测物件的图像进行第二预处理，以获得第二图像；再根据所述第一图像，确定第一缺陷的外轮廓，或/和根据所述第二图像，确定第二缺陷的外轮廓；最后根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，或/和根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出第二缺陷。由此可见，本发明通过采用机器视觉来进行纺织布等物件的缺陷检测，实现了缺陷检测的自动化，可以取代传统的人工检测，有效提高了缺陷的检测效率以及检测的准确性。
附图说明
图1为本发明第一种实施方式中的缺陷检测方法的流程图；
图2(a)为本发明所获取的待检测物件的灰度图像的一具体示意图；
图2(b)为本发明所获取的待检测物件的灰度图像的另一具体示意图；
图2(c)为对图2(a)所示的待检测物件的图像进行第一二值化处理和取反处理后所获得的第一二值化图像的示意图；
图2(d)为对图2(b)所示的待检测物件的图像进行第一二值化处理和取反处理后所获得的第一二值化图像的示意图；
图2(e)为对图2(c)所示的第一二值化图像进行第一形态学操作后所获得的图像的示意图；
图2(f)为对图2(d)所示的第一二值化图像进行第一形态学操作后所获得的图像的示意图；
图2(g)为对图2(e)所示的图像进行取反处理和置黑处理后所获得的第一图像的示意图；
图2(h)为对图2(f)所示的图像进行取反处理和置黑处理后所获得的第一图像的示意图；
图2(i)为图2(a)所示的待检测物件中的第一缺陷的检测结果显示示意图；
图3为本发明第二种实施方式中的缺陷检测方法的流程图；
图4(a)为对图2(a)所示的待检测物件的图像进行颜色空间转换、第二二值化处理和取反处理后所获得的第二二值化图像的示意图；
图4(b)为对图2(b)所示的待检测物件的图像进行颜色空间转换、第二二值化处理和取反处理后所获得的第二二值化图像的示意图；
图4(c)为对图4(a)所示的第二二值化图像进行第二形态学操作后所获得的第二图像的示意图；
图4(d)为对图4(b)所示的第二二值化图像进行第二形态学操作后所获得的第二图像的示意图；
图4(e)为图2(b)所示的待检测物件中的第二缺陷的检测结果显示示意图；
图5为本发明第三种实施方式中的缺陷检测方法的流程图；
图6为本发明一实施方式中的缺陷检测装置的方框结构示意图；
图7为本发明一实施方式中的电子设备的方框结构示意图；
其中，附图标记如下：
获取模块-201；预处理模块-202；确定模块-203；标注模块-204；处理器-301；通信接口-302；存储器-303；通信总线-304。
具体实施方式
以下结合附图1至7和具体实施方式对本发明提出的缺陷检测方法、装置、电子设备和存储介质作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的核心思想在于提供一种缺陷检测方法、装置、电子设备和存储介质，以解决现有技术中，在进行缺陷检测时，检测时间久、误检率高的问题。
需要说明的是，本发明实施方式的缺陷检测方法可应用于本发明实施方式的缺陷检测装置，该缺陷检测装置可被配置于电子设备上，其中，该电子设备可以是个人计算机、移动终端等，该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
在本发明中，所述待检测物件可以是纺织布，也可以是除纺织布以外的其他物件，本发明对此并不进行限制。待检测物件的图像可以通过拍照、扫描或者通过互联网搜集得到，例如，可以通过构建机器视觉系统，对待检测物件(例如纺织布)进行整体视觉成像，也可使用移动平台进行图像拼接生成整体图像。举例而言，通过工业相机、远心镜头以及设计好的打光对纺织布的表面进行完整的视觉成像，使纺织布编织的每一针都清晰可见，纺织线与背景对比度明显，相机的分辨率达到2000万以上。需要说明的是，所述待检测物件的图像除了可以通过工业相机拍照得到外，还可以通过其他拍摄设备拍摄得到，本发明对此并不进行限制。
为实现上述思想，本发明提供一种缺陷检测方法，请参考图1，其示意性地给出了本发明第一种实施方式提供的缺陷检测方法的流程图，如图1所示，在本实施方式中，所述缺陷检测方法包括如下步骤：
步骤S100：获取待检测物件的图像。
在本实施方式中，所获取的待检测物件的图像既可以是灰度图像也可以是彩色图像。
请参考图2(a)和图2(b)，其中图2(a)示意性地给出了本发明一实施方式中所获取的待检测物件的灰度图像的一具体示意图，图2(b)示意性地给出了本发明一实施方式中所获取的待检测物件的灰度图像的另一具体示意图，其中2(a)所示的待检测物件中含有包括疵点或/和破洞的第一缺陷，图2(b)所示的待检测物件中含有包括异物或/和污渍的第二缺陷。
优选的，在获取待检测物件的图像之后，所述检测方法还包括：
根据所述待检测物件的图像，建立图像直角坐标系，其中图像直角坐标系的X轴沿所述待检测物件的图像的长度方向设置，Y轴沿所述待检测物件的图像的宽度方向设置，当然在其它实施方式中，所述X轴和Y轴也可互换，本发明对此不作限制。
由此，通过建立图像直角坐标系，可以将图像中的每一像素点的位置用对应的横纵坐标表示，从而更加便于后续的处理。
更为优选的，所述图像直角坐标系的原点位于所述待检测物件的图像的左上角、左下角、右上角或右下角。
步骤S200：对所述待检测物件的图像进行第一预处理，以获得第一图像。
由此，若所述待检测物件中含有第一缺陷，则通过对所述待检测物件的图像进行第一预处理，可以获得包含第一缺陷的外轮廓的第一图像。
优选的，在执行步骤S200之前，所述检测方法还包括：
去除所述待检测物件的图像中的干扰区域，以获取感兴趣区域，所述感兴趣区域为待检测物件所在的区域。
对应的，步骤S200包括：对所述感兴趣区域进行第一预处理，以获得第一图像。
在本实施方式中，所述干扰区域为相机镜头外的黑色区域，需要说明的是，在一些实施方式中，所述干扰区域为其他会对本发明造成干扰的其他区域，本发明对此并进行限制。由此，通过去除所述待检测物件中的干扰区域，可以避免干扰区域对后续的缺陷检测造成干扰。
优选的，所述第一预处理包括：
判断所述待检测物件的图像是否为灰度图像，若否，则对所述待检测物件的图像进行灰度化处理，以获得所述待检测物件的灰度图像；
根据第一预设阈值，对所述待检测物件的灰度图像进行第一二值化处理和取反处理，以获得第一二值化图像；以及
对所述第一二值化图像进行第一形态学操作和取反处理。
请参考图2(c)至图2(f)，其中图2(c)为对图2(a)所示的待检测物件的图像进行第一二值化处理和取反处理后所获得的第一二值化图像的示意图，图2(d)为对图2(b)所示的待检测物件的图像进行第一二值化处理和取反处理后所获得的第一二值化图像的示意图，图2(e)为对图2(c)所示的第一二值化图像进行第一形态学操作后所获得的图像的示意图，图2(f)为对图2(d)所示的第一二值化图像进行第一形态学操作后所获得的图像的示意图。由图2(c)至图2(f)所示，若所述待检测物件中含有第一缺陷，则通过对所述待检测物件的灰度图像进行第一二值化处理，以获得第一二值化图像，再对所述第一二值化图像进行第一形态学操作后，可以将第一缺陷提取出来。
所述第一预设阈值根据最终所要获得的第一二值化图像的效果进行确定。在本实施方式中，所述第一预设阈值优选设置为150，通过第一二值化处理，将图2(a)和图2(b)所示的待检测物件的图像中的灰度值大于或等于150的像素点的灰度值转化为255，即显示为白色，将灰度值小于100的像素点的灰度值转化为0，即显示为黑色；再对第一二值化处理后的图像进行取反处理，从而将黑白区域互换，获得如图2(c)和图2(d)所示的图像。
优选的，在本实施方式中，可以设置大小为41*41的核进行第一形态学操作。
优选的，所述对所述第一二值化图像进行第一形态学操作的方法包括：依次对所述第一二值化图像进行开运算和闭运算处理。
膨胀和腐蚀是形态学操作的基础，其不同的组合构成了区域填充、开运算和闭运算。
膨胀预算是一种使图像中的目标变粗或生长的操作，它可以填补边缘的缝隙，解决边缘断线的问题。
Figure BDA0002400342500000111
表示图像A被结构元素S膨胀，定义为：
Figure BDA0002400342500000112
式中，Sxy表示将结构元素S的原点移到点(x,y)时得到的图像，φ表示空集。图像A被结构元素S膨胀得到的图像可以认为是这样的点(x,y)构成的集合；如果结构元素S的原点移到点(x,y)时，S与A的交集不为空集。
腐蚀运算是一种细化或收缩图像中目标的操作，它能够消除边缘附近的毛刺，使得图像边缘变得光滑，同时去掉小而无意义的水滴。
Figure BDA0002400342500000113
表示图像A被结构元素S腐蚀，定义为：
Figure BDA0002400342500000114
图像A被结构元素S腐蚀得到的图像可以认为是这样的点(x,y)构成的集合；如果结构元素S的原点移到点(x,y)时，S完全包含于A中。
区域填充是通过使用数学形态学中的膨胀运算、交集运算、求补运算以及补集运算，填充边缘内部的孔洞。从图像A边缘内部一点X0开始，将其灰度记为1，按照下面的表达式填充整个区域：
Figure BDA0002400342500000115
式中，S表示结构元素；Ac表示图像A的补集。结束条件为Xk＝Xk-1，此时
Figure BDA0002400342500000116
包括图像边缘及内部填充的集合。
开运算表示为
Figure BDA0002400342500000119
定义如下：
Figure BDA0002400342500000117
闭运算表示为A·S，定义如下：
Figure BDA0002400342500000118
优选的，在对所述第一二值化图像进行第一形态学操作和取反处理之后，所述第一预处理还包括：
将经过第一形态学操作和取反处理后得到的图像的四个边界的像素点进行置黑处理。
由此，通过将经过第一形态学操作和取反处理后得到的图像的四个边界的所有像素点进行置黑处理，可以有效减少边缘像素点所造成的干扰，防止误判。请参考图2(g)和图2(h)，其中图2(g)为对图2(e)所示的图像进行取反处理和置黑处理后所获得的第一图像的示意图，图2(h)为对图2(f)所示的图像进行取反处理和置黑处理后所获得的第一图像的示意图，如图2(g)和图2(h)所示，通过对经过第一形态学操作和取反处理后得到的图像的四个边界的所有像素点进行置黑处理后，可以有效减少边缘像素点所造成的干扰。
优选的，在进行四个边界的置黑处理时，沿各个边界的延伸方向，依次选择上、下、左、右10个像素点进行置黑，直至四个边界的所有像素点均完成置黑处理。
步骤S300：根据所述第一图像，确定第一缺陷的外轮廓。
优选的，所述根据所述第一图像，确定第一缺陷的外轮廓的方法包括：
根据所述第一图像，寻找第一缺陷的所有疑似外轮廓；以及
如果寻找到疑似外轮廓，则根据第二预设阈值，将面积大于或等于所述第二预设阈值的疑似外轮廓确定为所述第一缺陷的真实外轮廓，进一步的，如无疑似外轮廓，则确定无第一缺陷。
优选的，在本实施方式中，可通过图像处理OpenCV库中的轮廓提取函数cv2.findContours，在所述第一图像中找出第一缺陷的所有疑似外轮廓。在找到可能为第一缺陷的所有疑似外轮廓后，将所述疑似外轮廓的面积分别与所述第二预设阈值进行对比，将那些面积小于所述第二预设阈值的疑似外轮廓去除，具体的可以通过将其灰度值置为0，即置黑的方式去除，从而可以找出第一缺陷的真实外轮廓。
步骤S400：根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷。
由此，通过采用本实施方式提供的缺陷检测方法，可以自动化地在纺织布等物件中检测出疵点、破洞等第一缺陷。请参考图2(i)，其示意性地给出了图2(a)所示的待检测物件中的第一缺陷的检测结果显示示意图，由图2(i)可以看出，通过在所述待检测物件的图像中标注出所述第一缺陷，可以更加直观地显示出第一缺陷在物件中的位置，进一步实现缺陷检测的自动化。
请参考图3，其示意性地给出了本发明第二种实施方式提供的缺陷检测方法的流程图，如图3所示，在本实施方式中，所述缺陷检测方法包括如下步骤：
步骤S100'：获取待检测物件的图像。
在本实施方式中，所获取的待检测物件的图像为彩色图像。
优选的，在获取待检测物件的图像之后，所述检测方法还包括：
根据所述待检测物件的图像，建立图像直角坐标系，其中所述图像直角坐标系的X轴沿所述待检测物件的图像的长度方向设置，Y轴沿所述待检测物件的图像的宽度方向设置。
步骤S200'：对所述待检测物件的图像进行第二预处理，以获得第二图像。
由此，若所述待检测物件中含有第二缺陷，则通过对所述待检测物件的图像进行第二预处理，可以获得包含第二缺陷的外轮廓的第二图像。
优选的，在执行步骤S200'之前，所述检测方法还包括：
去除所述待检测物件的图像中的干扰区域，以获取感兴趣区域，所述感兴趣区域为待检测物件所在的区域。
对应的，步骤S200'为：对所述感兴趣区域进行第二预处理，以获得第二图像。
优选的，所述第二预处理包括：
将所述待检测物件的彩色图像由RGB颜色空间转换至HSV颜色空间；
根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理和取反处理，以获得第二二值化图像；以及
对所述第二二值化图像进行第二形态学操作。
请参考图4(a)至图4(d)，其中图4(a)为对图2(a)所示的待检测物件的图像进行颜色空间转换、第二二值化处理和取反处理后所获得的第二二值化图像的示意图，图4(b)为对图2(b)所示的待检测物件的图像进行颜色空间转换、第二二值化处理和取反处理后所获得的第二二值化图像的示意图，图4(c)为对图4(a)所示的第二二值化图像进行第二形态学操作后所获得的第二图像的示意图，图4(d)为对图4(b)所示的第二二值化图像进行第二形态学操作后所获得的第二图像的示意图。由图4(a)至图4(d)所示，若所述待检测物件中含有第二缺陷，则通过对所述待检测物件的彩色图像进行颜色空间转换、第二二值化处理和取反处理，以获得第二二值化图像，再对所述第二二值化图像进行第二形态学操作后，可以将第二缺陷提取出来。
优选的，在本实施方式中，可以设置大小为5*5的核进行第二形态学操作。
优选的，所述对所述第二二值化图像进行第二形态学操作的方法包括：依次对所述第二二值化图像进行闭运算和开运算处理。
HSV和RGB是色彩空间的不同表示方法，RGB颜色模型是一种面向设备的颜色空间，RGB的数值与色彩的三属性并没有直接的联系；HSV用颜色的3个基本属性：色调(Hue)、饱和度(Saturation)和明度(Value)来表示色彩，是面向视觉感知的颜色模型。由于HSV能较好地反映人对色彩的感知和鉴别，所以非常适合于图像处理。
在本发明中，可以通过OpenCV库的现有模块将所述待检测物件的彩色图像由RGB颜色空间转换至HSV颜色空间，在OpenCV库中，H的取值范围为0-180，S的取值范围为0-255，V的取值范围为0-255。
优选的，所述第三预设阈值包括颜色最小值和颜色最大值；
所述根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理的方法包括：
根据所述颜色最小值和所述颜色最大值，将转换至HSV颜色空间的待检测物件的彩色图像中的颜色值大于或等于所述颜色最小值并且小于或等于所述颜色最大值的像素点置为白色，将颜色值小于所述颜色最小值或大于所述颜色最大值的像素点置为黑色。由此，通过第二二值化处理，可以将待检测物件的彩色图像转化为第二二值化图像。
所述颜色最小值和所述颜色最大值根据所述待检测物件的颜色属性进行设置。优选的，在本实施方式中，所述颜色最小值为[76,10,110]，颜色最大值为[140,32,255]。
步骤S300'：根据所述第二图像，确定第二缺陷的外轮廓。
优选的，所述根据所述第二图像，确定第二缺陷的外轮廓的方法包括：
根据所述第二图像，寻找第二缺陷的所有疑似外轮廓；以及
如果寻找到疑似外轮廓，则根据第四预设阈值，将面积大于或等于所述第四预设阈值的疑似外轮廓确定为所述第二缺陷的真实外轮廓，进一步的，如无疑似外轮廓，则确定无第二缺陷。
优选的，在本实施方式中，可通过图像处理OpenCV库中的轮廓提取函数cv2.findContours，在所述第二图像中找出第二缺陷的所有疑似外轮廓。在找到可能为第二缺陷的所有疑似外轮廓后，将所述疑似外轮廓的面积分别与所述第四预设阈值进行对比，将那些面积小于所述第四预设阈值的疑似外轮廓去除，具体的可以通过将其进行置黑的方式去除，从而可以找出第二缺陷的真实外轮廓。
步骤S400'：根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出所述第二缺陷。
由此，通过采用本实施方式提供的缺陷检测方法，可以自动化地在纺织布等物件中检测出异物、污渍等第二缺陷。请参考图4(e)，其示意性地给出了图2(b)所示的待检测物件中的第二缺陷的检测结果显示示意图，由图4(e)可以看出，通过在所述待检测物件的图像中标注出所述第二缺陷，可以更加直观地显示出第二缺陷在物件中的位置，进一步实现缺陷检测的自动化。
请参考图5，其示意性地给出了本发明第三种实施方式提供的缺陷检测方法的流程图，如图5所示，在本实施方式中，所述缺陷检测方法包括如下步骤：
步骤S100”：获取待检测物件的图像。
在本实施方式中，所获取的待检测物件的图像为彩色图像。
优选的，在获取待检测物件的图像之后，所述检测方法还包括：
根据所述待检测物件的图像，建立图像直角坐标系，其中所述图像直角坐标系的X轴沿所述待检测物件的图像的长度方向设置，Y轴沿所述待检测物件的图像的宽度方向设置。
步骤S200”：对所述待检测物件的图像进行第一预处理，以获得第一图像，对所述待检测物件的图像进行第二预处理，以获得第二图像。
优选的，在执行步骤S200”之前，所述检测方法还包括：
去除所述待检测物件的图像中的干扰区域，以获取感兴趣区域，所述感兴趣区域为待检测物件所在的区域。
对应的，步骤S200”包括：对所述感兴趣区域进行第一预处理，以获得第一图像，并且对所述感兴趣区域进行第二预处理，以获得第二图像。
优选的，所述第一预处理包括：
判断所述待检测物件的图像是否为灰度图像，若否，则对所述待检测物件的图像进行灰度化处理，以获得所述待检测物件的灰度图像；
根据第一预设阈值，对所述待检测物件的灰度图像进行第一二值化处理和取反处理，以获得第一二值化图像；以及
对所述第一二值化图像进行第一形态学操作和取反处理。
优选的，在对所述第一二值化图像进行第一形态学操作和取反处理之后，所述第一预处理还包括：
将经过第一形态学操作和取反处理后得到的图像的四个边界的像素点进行置黑处理。
本实施方式中的第一二值化处理的过程与第一种实施方式中的第一二值化处理的过程相同，第一形态学操作的过程与第一种实施方式中的第一形态学操作的过程相同，置黑处理的过程与第一种实施方式中的置黑处理的过程相同，故不再对本实施方式中的第一二值化处理、第一形态学操作和置黑处理的过程进行赘述。
优选的，所述第二预处理包括：
将所述待检测物件的彩色图像由RGB颜色空间转换至HSV颜色空间；
根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理和取反处理，以获得第二二值化图像；以及
对所述第二二值化图像进行第二形态学操作。
优选的，所述第三预设阈值包括颜色最小值和颜色最大值；
所述根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理的方法包括：
根据所述颜色最小值和所述颜色最大值，将转换至HSV颜色空间的待检测物件的彩色图像中的颜色值大于或等于所述颜色最小值并且小于或等于所述颜色最大值的像素点置为白色，将颜色值小于所述颜色最小值或大于所述颜色最大值的像素点置为黑色。
本实施方式中的颜色空间转换过程与第二种实施方式中的颜色空间转换过程相同，第二二值化处理的过程与第二种实施方式中的第二二值化处理的过程相同，第二形态学操作的过程与第二种实施方式中的第二形态学操作的过程相同，故不再对本实施方式中的颜色空间转换、第二二值化处理和第二形态学操作的过程进行赘述。
步骤S300”：根据所述第一图像，确定第一缺陷的外轮廓，根据所述第二图像，确定第二缺陷的外轮廓。
优选的，所述根据所述第一图像，确定第一缺陷的外轮廓的方法包括：
根据所述第一图像，寻找第一缺陷的所有疑似外轮廓；以及
如果寻找到疑似外轮廓，则根据第二预设阈值，将面积大于或等于所述第二预设阈值的疑似外轮廓确定为所述第一缺陷的真实外轮廓，进一步的，如无疑似外轮廓，则确定无第一缺陷。
优选的，所述根据所述第二图像，确定第二缺陷的外轮廓的方法包括：
根据所述第二图像，确定第二缺陷的所有疑似外轮廓；以及
如果寻找到疑似外轮廓，则根据第四预设阈值，将面积大于或等于所述第四预设阈值的疑似外轮廓确定为所述第二缺陷的真实外轮廓，进一步的，如无疑似外轮廓，则确定无第二缺陷。
步骤S400”：根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出所述第二缺陷。
由此，通过采用本实施方式提供的缺陷检测方法，可以自动化地在纺织布等物件中同时检测出疵点、破洞等第一缺陷和异物、污渍等第二缺陷，大大提高了缺陷检测的效率和准确率。通过在所述待检测物件的图像中标注出所述第一缺陷和第二缺陷，可以更加直观地显示出第一缺陷和第二缺陷在物件中的位置，进一步实现缺陷检测的自动化。
综上所述，本发明提供的缺陷检测方法，通过采用机器视觉来进行纺织布等物件的缺陷检测，实现了缺陷检测的自动化，可以取代传统的人工检测，有效提高了缺陷的检测效率以及检测的准确性。
与上述的缺陷检测方法相对应，本发明还提供一种缺陷检测装置，请参考图6，其示意性地给出了本发明一实施方式的缺陷检测装置的结构框图，如图6所示，所述缺陷检测装置包括：
获取模块201，用于获取待检测物件的图像；
预处理模块202，用于对所述待检测物件的图像进行第一预处理，以获得第一图像，或/和对所述待检测物件的图像进行第二预处理，以获得第二图像；
确定模块203，用于根据所述第一图像，确定第一缺陷的外轮廓，或/和根据所述第二图像，确定第二缺陷的外轮廓；以及
标注模块204，用于根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，或/和根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出第二缺陷。
本发明提供的缺陷检测装置，通过采用机器视觉来进行纺织布等物件的缺陷检测，实现了缺陷检测的自动化，可以取代传统的人工检测，有效提高了缺陷的检测效率以及检测的准确性。
优选的，所述检测装置还包括：
去除模块，用于去除所述待检测物件的图像中的干扰区域，以获取感兴趣区域，所述感兴趣区域为待检测物件所在的区域；
所述预处理模块202，用于对所述感兴趣区域进行第一预处理，以获得第一图像，或/和对所述感兴趣区域进行第二预处理，以获得第二图像。
优选的，所述检测装置还包括：
坐标系建立模块，用于根据所述待检测物件的图像，建立图像直角坐标系，其中所述图像直角坐标系的X轴沿所述待检测物件的图像的长度方向设置，Y轴沿所述待检测物件的图像的宽度方向设置。
优选的，所述第一缺陷包括疵点或/和破洞；
所述预处理模块202包括：
判断子模块，用于判断所述待检测物件的图像是否为灰度图像；
灰度化子模块，用于对所述待检测物件的图像进行灰度化处理，以获得所述待检测物件的灰度图像；
第一预处理子模块，用于根据第一预设阈值，对所述待检测物件的灰度图像进行第一二值化处理和取反处理，以获得第一二值化图像；以及
第二预处理子模块，用于对所述第一二值化图像进行第一形态学操作和取反处理。
优选的，所述预处理模块202还包括：
置黑子模块，用于将经过第一形态学操作和取反处理后得到的图像的四个边界的像素点进行置黑处理。
优选的，所述确定模块203包括：
第一确定子模块，用于根据所述第一图像，寻找第一缺陷的所有疑似外轮廓；以及
第二确定子模块，用于根据第二预设阈值，将面积大于或等于所述第二预设阈值的疑似外轮廓确定为所述第一缺陷的真实外轮廓。
优选的，所述第二缺陷包括异物或/和污渍，所述待检测物件的图像为彩色图像；
所述预处理模块202包括：
转换子模块，用于将所述待检测物件的彩色图像由RGB颜色空间转换至HSV颜色空间；
第三预处理子模块，用于根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理和取反处理，以获得第二二值化图像；以及
第四预处理子模块，用于对所述第二二值化图像进行第二形态学操作。
优选的，所述第三预设阈值包括颜色最小值和颜色最大值；
所述第三预处理子模块，用于根据所述颜色最小值和所述颜色最大值，将转换至HSV颜色空间的待检测物件的彩色图像中的颜色值大于或等于所述颜色最小值并且小于或等于所述颜色最大值的像素点置为白色，将颜色值小于所述颜色最小值或大于所述颜色最大值的像素点置为黑色。
优选的，所述确定模块203包括：
第三确定子模块，用于根据所述第二图像，寻找第二缺陷的所有疑似外轮廓；以及
第四确定子模块，用于根据第四预设阈值，将面积大于或等于所述第四预设阈值的疑似外轮廓确定为所述第二缺陷的真实外轮廓。
基于同一发明构思，本发明还提供一种电子设备，请参考图7，其示意性地给出了本发明一实施方式提供的电子设备的方框结构示意图。如图7所示，所述电子设备包括处理器301和存储器303，所述存储器303上存储有计算机程序，所述计算机程序被所述处理器301执行时，实现上文所述的缺陷检测方法。本发明提供的电子设备通过采用机器视觉来进行纺织布等物件的缺陷检测，实现了缺陷检测的自动化，可以取代传统的人工检测，有效提高了缺陷的检测效率以及检测的准确性。
如图7所示，所述电子设备还包括通信接口302和通信总线304，其中所述处理器301、所述通信接口302、所述存储器303通过通信总线304完成相互间的通信。所述通信总线304可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。所述通信接口302用于上述电子设备与其他设备之间的通信。
本发明中所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器301等，所述处理器301是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器303可用于存储所述计算机程序，所述处理器301通过运行或执行存储在所述存储器303内的计算机程序，以及调用存储在存储器303内的数据，实现所述电子设备的各种功能。
所述存储器303可以包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(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，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时可以实现上文所述的缺陷检测方法。本发明提供的可读存储介质，通过采用机器视觉来进行纺织布等物件的缺陷检测，实现了缺陷检测的自动化，可以取代传统的人工检测，有效提高了缺陷的检测效率以及检测的准确性。
本发明实施方式的可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
综上所述，与现有技术相比，本发明提供的缺陷检测方法、装置、电子设备和存储介质具有以下优点：本发明通过先获取待检测物件的图像；然后对所述待检测物件的图像进行第一预处理，以获得第一图像，或/和对所述待检测物件的图像进行第二预处理，以获得第二图像；再根据所述第一图像，确定第一缺陷的外轮廓，或/和根据所述第二图像，确定第二缺陷的外轮廓；最后根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，或/和根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出第二缺陷。由此可见，本发明通过采用机器视觉来进行纺织布等物件的缺陷检测，实现了缺陷检测的自动化，可以取代传统的人工检测，有效提高了缺陷的检测效率以及检测的准确性。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (12)

1.一种缺陷检测方法，其特征在于，包括：
获取待检测物件的图像；
对所述待检测物件的图像进行第一预处理，以获得第一图像，或/和对所述待检测物件的图像进行第二预处理，以获得第二图像；
根据所述第一图像，确定第一缺陷的外轮廓，或/和根据所述第二图像，确定第二缺陷的外轮廓；以及
根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，或/和根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出第二缺陷。
2.根据权利要求1所述的缺陷检测方法，其特征在于，在获取待检测物件的图像之后，所述缺陷检测方法包括：
去除所述待检测物件的图像中的干扰区域，以获取感兴趣区域，所述感兴趣区域为待检测物件所在的区域；
所述对所述待检测物件的图像进行第一预处理，以获得第一图像的方法包括：对所述感兴趣区域进行第一预处理，以获得第一图像；
所述对所述待检测物件的图像进行第二预处理，以获得第二图像的方法包括：对所述感兴趣区域进行第二预处理，以获得第二图像。
3.根据权利要求1所述的缺陷检测方法，其特征在于，在获取待检测物件的图像之后，所述缺陷检测方法包括：
根据所述待检测物件的图像，建立图像直角坐标系，其中所述图像直角坐标系的X轴沿所述待检测物件的图像的长度方向设置，Y轴沿所述待检测物件的图像的宽度方向设置。
4.根据权利要求1所述的缺陷检测方法，其特征在于，所述第一缺陷包括疵点或/和破洞；
所述第一预处理包括：
判断所述待检测物件的图像是否为灰度图像，若否，则对所述待检测物件的图像进行灰度化处理，以获得所述待检测物件的灰度图像；
根据第一预设阈值，对所述待检测物件的灰度图像进行第一二值化处理和取反处理，以获得第一二值化图像；以及
对所述第一二值化图像进行第一形态学操作和取反处理。
5.根据权利要求4所述的缺陷检测方法，其特征在于，在对所述第一二值化图像进行第一形态学操作和取反处理之后，所述第一预处理包括：
将经过第一形态学操作和取反处理后得到的图像的四个边界的像素点进行置黑处理。
6.根据权利要求1所述的缺陷检测方法，其特征在于，所述根据所述第一图像，确定第一缺陷的外轮廓的方法包括：
根据所述第一图像，寻找第一缺陷的所有疑似外轮廓；以及
如果寻找到疑似外轮廓，则根据第二预设阈值，将面积大于或等于所述第二预设阈值的疑似外轮廓确定为所述第一缺陷的真实外轮廓。
7.根据权利要求1所述的缺陷检测方法，其特征在于，所述第二缺陷包括异物或/和污渍，所述待检测物件的图像为彩色图像；
所述第二预处理包括：
将所述待检测物件的彩色图像由RGB颜色空间转换至HSV颜色空间；
根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理和取反处理，以获得第二二值化图像；以及
对所述第二二值化图像进行第二形态学操作。
8.根据权利要求7所述的缺陷检测方法，其特征在于，所述第三预设阈值包括颜色最小值和颜色最大值；
所述根据第三预设阈值，对转换至HSV颜色空间的待检测物件的彩色图像进行第二二值化处理的方法包括：
根据所述颜色最小值和所述颜色最大值，将转换至HSV颜色空间的待检测物件的彩色图像中的颜色值大于或等于所述颜色最小值并且小于或等于所述颜色最大值的像素点置为白色，将颜色值小于所述颜色最小值或大于所述颜色最大值的像素点置为黑色。
9.根据权利要求1所述的缺陷检测方法，其特征在于，所述根据所述第二图像，确定第二缺陷的外轮廓的方法包括：
根据所述第二图像，寻找第二缺陷的所有疑似外轮廓；以及
如果寻找到疑似外轮廓，则根据第四预设阈值，将面积大于或等于所述第四预设阈值的疑似外轮廓确定为所述第二缺陷的真实外轮廓。
10.一种缺陷检测装置，其特征在于，包括：
获取模块，用于获取待检测物件的图像；
预处理模块，用于对所述待检测物件的图像进行第一预处理，以获得第一图像，或/和对所述待检测物件的图像进行第二预处理，以获得第二图像；
确定模块，用于根据所述第一图像，确定第一缺陷的外轮廓，或/和根据所述第二图像，确定第二缺陷的外轮廓；以及
标注模块，用于根据所述第一缺陷的外轮廓，在所述待检测物件的图像中标注出所述第一缺陷，或/和根据所述第二缺陷的外轮廓，在所述待检测物件的图像中标注出第二缺陷。
11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至9中任一项所述的缺陷检测方法。
12.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至9中任一项所述的缺陷检测方法。
CN202010144753.5A 2020-03-04 2020-03-04 缺陷检测方法、装置、电子设备和存储介质 Pending CN113436131A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010144753.5A CN113436131A (zh) 2020-03-04 2020-03-04 缺陷检测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010144753.5A CN113436131A (zh) 2020-03-04 2020-03-04 缺陷检测方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113436131A true CN113436131A (zh) 2021-09-24

Family

ID=77752374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010144753.5A Pending CN113436131A (zh) 2020-03-04 2020-03-04 缺陷检测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113436131A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115690102A (zh) * 2022-12-29 2023-02-03 摩尔线程智能科技(北京)有限责任公司 缺陷检测方法、装置、电子设备、存储介质和程序产品
CN116168034A (zh) * 2023-04-25 2023-05-26 深圳思谋信息科技有限公司 编织物的缺陷检测方法、装置、设备及存储介质
WO2023179122A1 (zh) * 2022-03-23 2023-09-28 广东利元亨智能装备股份有限公司 缺陷检测方法、装置、电子设备及可读存储介质
CN117351016A (zh) * 2023-12-05 2024-01-05 菲特（天津）检测技术有限公司 提升缺陷检测模型准确度的后处理优化方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101188743A (zh) * 2007-09-17 2008-05-28 深圳先进技术研究院 一种基于视频的智能数人系统及其处理方法
CN103077368A (zh) * 2011-10-25 2013-05-01 上海银晨智能识别科技有限公司 人脸图像的嘴部定位方法与装置、嘴形识别方法及系统
CN104056790A (zh) * 2013-03-19 2014-09-24 青岛农业大学 一种马铃薯智能分选方法与装置
CN105466950A (zh) * 2016-01-14 2016-04-06 上海孚兴电子科技有限公司 一种基于视觉的竹块在线检测方法及系统
CN108636830A (zh) * 2018-05-10 2018-10-12 苏州大学 基于机器视觉的胶囊缺陷检测分拣的方法、装置及设备
CN110766736A (zh) * 2019-10-29 2020-02-07 京东方科技集团股份有限公司 缺陷检测方法、装置、电子设备以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101188743A (zh) * 2007-09-17 2008-05-28 深圳先进技术研究院 一种基于视频的智能数人系统及其处理方法
CN103077368A (zh) * 2011-10-25 2013-05-01 上海银晨智能识别科技有限公司 人脸图像的嘴部定位方法与装置、嘴形识别方法及系统
CN104056790A (zh) * 2013-03-19 2014-09-24 青岛农业大学 一种马铃薯智能分选方法与装置
CN105466950A (zh) * 2016-01-14 2016-04-06 上海孚兴电子科技有限公司 一种基于视觉的竹块在线检测方法及系统
CN108636830A (zh) * 2018-05-10 2018-10-12 苏州大学 基于机器视觉的胶囊缺陷检测分拣的方法、装置及设备
CN110766736A (zh) * 2019-10-29 2020-02-07 京东方科技集团股份有限公司 缺陷检测方法、装置、电子设备以及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023179122A1 (zh) * 2022-03-23 2023-09-28 广东利元亨智能装备股份有限公司 缺陷检测方法、装置、电子设备及可读存储介质
CN115690102A (zh) * 2022-12-29 2023-02-03 摩尔线程智能科技(北京)有限责任公司 缺陷检测方法、装置、电子设备、存储介质和程序产品
CN116168034A (zh) * 2023-04-25 2023-05-26 深圳思谋信息科技有限公司 编织物的缺陷检测方法、装置、设备及存储介质
CN117351016A (zh) * 2023-12-05 2024-01-05 菲特（天津）检测技术有限公司 提升缺陷检测模型准确度的后处理优化方法及装置
CN117351016B (zh) * 2023-12-05 2024-02-06 菲特（天津）检测技术有限公司 提升缺陷检测模型准确度的后处理优化方法及装置

Similar Documents

Publication Publication Date Title
CN113436131A (zh) 缺陷检测方法、装置、电子设备和存储介质
CN110274908B (zh) 缺陷检查装置、缺陷检查方法以及计算机可读记录介质
CN109781733B (zh) 缺陷检查装置、缺陷检查方法及计算机可读存储介质
CN110706246A (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN108280822A (zh) 屏幕划痕的检测方法及装置
CN112577969B (zh) 一种基于机器视觉的缺陷检测方法以及缺陷检测系统
CN109697719B (zh) 一种图像质量评估方法、装置及计算机可读存储介质
CN107993228B (zh) 一种基于心血管oct影像的易损斑块自动检测方法和装置
CN108022251A (zh) 一种管状结构的中心线的提取方法及系统
CN114581445B (zh) 点胶产品分段检测方法、系统、设备及存储介质
CN112200790B (zh) 布料缺陷检测方法、设备和介质
CN108052909B (zh) 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置
CN115760820A (zh) 一种塑料件缺陷图像识别方法及应用
JP3265595B2 (ja) 画像処理方法およびその装置
CN116091503B (zh) 一种面板异物缺陷的判别方法、装置、设备及介质
JP4581424B2 (ja) 外観検査方法及び画像処理装置
JP2023137057A (ja) 欠陥予測モデルの生成方法、びん外観検査方法、およびびん外観検査装置
CN113421254B (zh) 微循环血管分支长度和直径计算方法及装置和终端设备
CN111563869A (zh) 用于摄像模组质检的污点测试方法
CN113724180A (zh) 孔隙率计算方法、装置和存储介质
CN113888503A (zh) 产品外观检测方法、装置和存储介质
CN114219758A (zh) 缺陷检测方法、系统、电子设备和计算机可读存储介质
CN108269240B (zh) 一种图像自动聚焦方法、电子设备及存储介质
CN113570556A (zh) 眼部染色图像定级方法及装置
CN112862883B (zh) 血管支架尺寸的测量方法、装置、电子设备和存储介质

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