CN113487607A - 基于多视场图像的缺陷检测方法及装置 - Google Patents
基于多视场图像的缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN113487607A CN113487607A CN202111035983.9A CN202111035983A CN113487607A CN 113487607 A CN113487607 A CN 113487607A CN 202111035983 A CN202111035983 A CN 202111035983A CN 113487607 A CN113487607 A CN 113487607A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- target
- images
- feature
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于多视场图像的缺陷检测方法、装置、设备及存储介质,其中,所述方法包括:获取待检测产品的多张目标检测图像,所述多张目标检测图像是在不同视场下采集到的待检测产品对应的图像;分别提取每张目标检测图像的图像缺陷特征,所述图像缺陷特征包括多个图像缺陷特征及其对应的特征值;对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理;按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征。采用本发明实施例,可充分利用每个视场的图像信息,提高缺陷检测的分类精度,提高产品的良品率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于多视场图像的缺陷检测方法、装置、计算机设备及计算机可读存储介质。
背景技术
在工业缺陷的检测中,通过采集图像来对需要检测的产品进行缺陷检测。在实际使用过程中,都是在产线上预设的位置设置摄像头,以采集图像,并通过图像处理和识别来检测产品是否存在缺陷。但是,目前的基于图像的缺陷检测方法的准确率不足,导致良品率过低。
发明内容
基于此,在本发明实施例中,提供了一种基于多视场图像的缺陷检测的方法、装置、设备以及计算机可读存储介质,可以提高基于图像识别的缺陷检测的准确率,提高产品的良品率。
在本发明的第一部分,提供了一种基于多视场图像的缺陷检测方法,包括:
获取待检测产品的多张目标检测图像,所述多张目标检测图像是在不同视场下采集到的待检测产品对应的图像;
分别提取每张目标检测图像的图像缺陷特征,所述图像缺陷特征包括多个图像缺陷特征及其对应的特征值;
对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理;
按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征。
可选的,所述分别提取每张目标检测图像的图像缺陷特征的步骤,还包括:
确定每张目标检测图像对应的特征提取算法,其中,特征提取算法与目标检测图像对应的视场对应;
根据确定的特征提取算法,对目标检测图像进行特征提取,以获取目标检测图像的图像缺陷特征。
可选的,所述对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理的步骤,还包括:
根据图像缺陷特征中包含的位置信息,对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理。
可选的,所述按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征的步骤,还包括:
遍历对其处理后的每一个图像缺陷特征,判断遍历到的图像缺陷特征是否满足预设的缺陷筛选条件,若满足,则将该图像缺陷特征作为目标缺陷特征。
可选的,所述方法还包括:
对所述目标缺陷特征进行分级,确定目标缺陷特征对应的目标缺陷级别。
可选的,所述对所述目标缺陷特征进行分级,确定目标缺陷特征对应的目标缺陷级别的步骤,还包括:
确定每一个目标缺陷特征对应的特征值,根据特征参数对目标缺陷特征进行分级;其中,所述特征值包括缺陷面积。
在本发明的第二部分,提供了一种基于多视场图像的缺陷检测装置,包括:
图像采集模块,用于获取待检测产品的多张目标检测图像,所述多张目标检测图像是在不同视场下采集到的待检测产品对应的图像;
缺陷特征提取模块,用于分别提取每张目标检测图像的图像缺陷特征,所述图像缺陷特征包括多个图像缺陷特征及其对应的特征值;
特征对齐模块,用于对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理;
缺陷筛选模块,用于按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征。
可选的,所述特征对齐模块还用于根据图像缺陷特征中的位置信息,对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理;
所述缺陷筛选模块还用于遍历对其处理后的每一个图像缺陷特征,判断遍历到的图像缺陷特征是否满足预设的缺陷筛选条件,若满足,则将该图像缺陷特征作为目标缺陷特征。
在本发明的第三部分,提供了一种计算机设备,所述计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序;所述处理器用于根据所述计算机程序执行如上述第一方面所述的基于多视场图像的缺陷检测方法的步骤。
在本发明的第四部分,提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行如上述第一方面所述的基于多视场图像的缺陷检测方法的步骤。
采用本发明实施例,具有如下有益效果:
采用了上述基于多视场图像的缺陷检测方法、装置、计算机设备及计算机可读存储介质之后,在工业场景中,在对待检测产品进行缺陷检测时,首先需要获取待检测产品的多张目标检测图像,多张目标检测图像为不同视场下采集的待检测产品的图像;分别提取每张目标检测图像的图像缺陷特征,然后对多个图像缺陷特征进行对齐处理,再基于预定的确定的定义和筛选条件,对对齐之后的图像缺陷特征是否能表示待检测产品存在的缺陷进行判断,从而筛选出目标缺陷特征作为待检测产品对应的缺陷检测结果并输出。
采用本发明实施例,可以对多视场的缺陷特征信息进行充分利用,并且可以通过特征对齐和特征筛选来确定待检测产品的缺陷分类来充分考虑每一个缺陷特征是否能准确的表示产品的缺陷,从而提高缺陷检测的分类精度,提高产品的良品率。
附图说明
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,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
其中:
图1为一个实施例中一种基于多视场图像的缺陷检测方法的流程示意图;
图2为一个实施例中一种基于多视场图像的缺陷检测装置的结构示意图;
图3为一个实施例中运行上述基于多视场图像的缺陷检测方法的计算机设备的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请一部分实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中,提供了一种基于多视场图像的缺陷检测方法,该方法的执行可以是在工业场景,例如在产品线,通过在产品线上设置摄像头来采集产品线上的产品的图像,然后基于图像识别来对相应的产品是否存在缺陷来完成对产品的缺陷检测和分类,以将良品与次品进行区分。
在本实施例中,基于多视场图像的缺陷检测方法的实现可以是基于与采集待检测产品的图像的摄像头连接的计算机设备,该计算机设备可以是产品线的控制设备,也可以是与产品线连接的服务器,在本实施例中不做限定。
具体的,请参见图1,图1给出了基于多视场图像的缺陷检测方法的流程示意图。具体的,上述基于多视场图像的缺陷检测方法包括如图1所示的步骤:
步骤S101:获取待检测产品的多张目标检测图像,所述多张目标检测图像是在不同视场下采集到的待检测产品对应的图像。
待检测产品可以是产品线上或者其他工业应用场景下需要进行缺陷检测的产品。在本实施例中,对产品缺陷的检测,是基于多视场、多角度、多维度的图像采集进行的,也就是说,产品缺陷的检测不止是基于单一的图像进行检测的,而是多个视场下采集的待检测产品的图像。其中,多个视场可以是从待检测产品的不同视场或不同角度,也可以是摄像头采集图像时的不同的打光方式。待检测产品的多张目标检测图像可以是通过背光打光、正面打光、低角度打光等各种不同的打光方式获取到的不同视场的待检测产品的多张目标检测图像。在一个具体的实施例中,待检测产品对应的多张目标检测图像包括了背光打光下的针对待检测产品采集的第一目标检测图像、正面打光下的针对待检测产品采集的第二目标检测图像、第三低角度打光下的针对待检测产品采集的第三目标检测图像。
步骤S102:分别提取每张目标检测图像的图像缺陷特征,所述图像缺陷特征包括多个图像缺陷特征及其对应的特征值。
针对每张目标检测图像,在进行缺陷检测时,首先需要提取图像中的图像缺陷特征,在本实施例中,从目标检测图像中提取的图像缺陷特征,用于表征目标检测图像对应的待检测产品是否存在缺陷。在一个具体的实施例中,从目标检测图像中提取图像缺陷特征可以是通过任意的特征提取算法实现的,也可以是通过预先训练好的卷积神经网络或该网络的一层或多层实现的,在本实施例中不做限定。
在一个具体的实施例中,特征提取以及后续基于提取到的特征进行缺陷检测分类的实现可以是基于一卷积神经网络,该卷积神经网络为预先训练好的缺陷分类网络。
在本步骤中,提取每张目标检测图像对应的图像缺陷特征时,还需要同时提取每张图像缺陷特征对应的特征值,以确定每张目标检测图像中包含了哪些种类的图像缺陷特征以及每个图像缺陷特征对应的具体的特征值。
在另一个实施例中,每个视场可能出现的特征的特性不同,对于特征提取的要求也不同,在本实施例中,针对每个视场设定对应的特征提取算法/卷积神经网络,从而在对每个视场的目标检测图像进行特征提取的过程中,使用每个视场对应的特征提取算法/卷积神经网络来进行特征的提取,从而可以充分提取到不同视场下的缺陷特征,以保证后续的缺陷分类的准确性。
针对不同类别的产品,以及不同的视场,分别设定与不同的产品类型和不同视场对应的特征提取算法/卷积神经网络,然后在进行目标检测图像的特征提取的过程中,确定每张目标检测图像对应的特征提取算法/卷积神经网络,然后基于确定的特征提取算法/卷积神经网络分别对每张目标检测图像进行特征提取,以获取对应的图像缺陷特征。
在一个具体的示例中给出了目标检测图像的图像缺陷特征的举例,例如,图像缺陷特征可以包括如下之一:缺陷面积、灰度差值、环度、凸度等。在下表1中给出了不同的图像缺陷特征的示例。
表1
图像缺陷特征 | 字段 |
缺陷面积(mm<sup>2</sup>) | area |
长度(mm) | out_rect_height |
宽度(mm) | out_rect_width |
周长(mm) | perimeter |
外界矩形角度 | out_rect_angle |
平均灰阶 | out_rect_scale |
灰度差值 | grey_sacle_diff |
圆度 | roundness |
紧凑度 | decompactedness |
扁平度 | deflatness |
凹度 | deconcavity |
矩形度 | derectanpluarity |
背景灰度差 | deGratBgMean |
缺陷中心点X | centerx |
缺陷中间点Y | centery |
缺陷线宽 | line_width |
旋转外接矩中心点X | deRRect_center_x |
旋转外接矩中心点Y | deRRect_center_y |
旋转外接矩宽度 | deRRect_height |
旋转外接矩高度 | deRRect_width |
最小外接矩起始点X | deRect_x |
最小外接矩起始点Y | deRect_y |
最小外接矩宽度 | deRect_height |
最小外接矩高度 | deRect_width |
半径 | deRadius |
灰度最小值 | deGreyMin |
灰度最大值 | deGreyMax |
环度 | deCircularity |
凸度 | deConverxity |
步骤S103:对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理。
针对不同视场下的目标检测图像对应的多个图像缺陷特征进行数据中,构建待检测产品对应的图像缺陷特征集合,以便于进行后续的缺陷分类。
在进行具体的缺陷分类之前,还需要将同一位置的缺陷进行统一。具体的,需要对多张目标检测图像中提取到的图像缺陷特征进行对齐处理,以将不同目标检测图像中的同一个位置的图像缺陷特征进行对齐。也就是说,待检测产品的同一个特征可能出现在不同视场下,为了避免对同一个特征进行重复计算或者一个视场下不能完全体现相应的特征,从而提高缺陷检测的准确性。
在一个具体的实施例中,对多张目标检测图像中的图像缺陷特征进行对齐处理,可以是根据图像缺陷特征中包含的缺陷特征对应的位置信息,对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理来实现的。也就是说,在步骤S102中,在提取图像缺陷特征时,还需要提取每一个图像缺陷特征对应的位置信息,该位置信息可以是目标检测图像中的像素坐标位置信息,也可以为与待检测产品对应的世界坐标信息。
若图像缺陷特征对应的位置信息为目标检测图像中的像素坐标位置信息,直接根据目标检测图像中的像素坐标位置信息对不同的图像缺陷特征进行对齐处理。
也就是说,每一个图像缺陷特征的位置信息还需要根据相应的图像缺陷特征在目标检测图像中的位置,并根据相应的视场与待检测产品之间的角度、位置关系等,将图像缺陷特征在目标检测图像中的位置转换到与待检测产品对应的世界坐标位置,并将其作为该图像缺陷特征对应的位置信息。在其他实施例中,图像缺陷特征的位置信息还可以是其他坐标系下的位置信息,在这里不做限定。其中,根据与待检测产品对应的世界坐标信息将图像缺陷特征进行对齐处理。
步骤S104:按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征。
对于已经进行了特征对齐处理之后的多张目标检测图像的图像缺陷特征,即可进一步的判断每一个提取到的图像缺陷特征是否为目标缺陷特征,并确定是否将其作为待检测产品最终的缺陷检测结果来输出。
具体的,针对已经进行了特征对齐处理之后的图像缺陷特征集合中的每一个图像缺陷特征,需要分别对每一个图像缺陷特征进行判断,以判断该图像缺陷特征是否能表征待检测产品所存在的缺陷,以确定是否将目标缺陷特征作为目标缺陷特征。具体实现中,遍历图像缺陷特征集合中的每一个图像缺陷特征,判断遍历到的图像缺陷特征是否满足预设的缺陷筛选条件,若满足,则说明该图像缺陷能表征待检测产品所存在的缺陷,并将该图像缺陷特征作为目标缺陷特征。
针对图像缺陷特征集合中的每一个图像缺陷特征,根据设定的每一种缺陷对应的缺陷定义(即为每一种缺陷对应的缺陷筛选条件),进行缺陷筛选,以确定满足缺陷定义的图像缺陷特征作为目标缺陷特征。例如,对于缺陷“黑团”的筛选,需要选择缺陷面积area大于预设值(例如1000)并且背景灰度差deGratBgMean大于预设值(例如10)的图像缺陷特征。
在确定了目标缺陷特征之后,还需要确定待检测产品的缺陷级别,例如,存在缺陷“黑团”的待检测产品,其“黑团”存在的程度不同,为了确定产品后续的处理方式,还需要对待检测产品所存在的缺陷进行分级。在一个具体的实施例中,对确定的目标缺陷特征进行进一步的分级,确定目标缺陷特征对应的目标缺陷级别。例如,在步骤S104中,对于确定的目标缺陷特征,还需要进一步确定其对应的特征值,例如,缺陷面积area的大小,或背景灰度差deGratBgMean的大小,并据此对目标缺陷特征进行分级,例如,预先针对不同的特征值,设定其不同的值对应的级别(例如,设定为Level 1-10),然后在这里确定目标缺陷特征对应的缺陷级别。
在本实施例中,对多视场下的目标检测图像进行图像缺陷特征信息的提取,然后汇总到一起进行特征对齐处理,并基于预先设定的缺陷定义或筛选条件进行缺陷的筛选分类,以确定目标缺陷特征并输出为最终的缺陷检测结果。
在本实施例的另一个方面,还提供了一种基于多视场图像的缺陷检测装置。请参见图2,该基于多视场图像的缺陷检测装置包括:
图像采集模块101,用于获取待检测产品的多张目标检测图像,所述多张目标检测图像是在不同视场下采集到的待检测产品对应的图像;
缺陷特征提取模块102,用于分别提取每张目标检测图像的图像缺陷特征,所述图像缺陷特征包括多个图像缺陷特征及其对应的特征值;
特征对齐模块103,用于对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理;
缺陷筛选模块104,用于按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征。
在一个可选的实施例中,缺陷特征提取模块102还用于确定每张目标检测图像对应的特征提取算法,其中,特征提取算法与目标检测图像对应的视场对应;根据确定的特征提取算法,对目标检测图像进行特征提取,以获取目标检测图像的图像缺陷特征。
在一个可选的实施例中,特征对齐模块103还用于根据图像缺陷特征中包含的位置信息,对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理。
在一个可选的实施例中,缺陷筛选模块104还用于遍历对其处理后的每一个图像缺陷特征,判断遍历到的图像缺陷特征是否满足预设的缺陷筛选条件,若满足,则将该图像缺陷特征作为目标缺陷特征。
在一个可选的实施例中,基于多视场图像的缺陷检测装置还包括缺陷分级模块105,用于对所述目标缺陷特征进行分级,确定目标缺陷特征对应的目标缺陷级别。
在一个可选的实施例中,缺陷分级模块105还用于确定每一个目标缺陷特征对应的特征值,根据特征参数对目标缺陷特征进行分级;其中,所述特征值包括缺陷面积。
图3示出了一个实施例中实现上述基于多视场图像的缺陷检测方法的计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图3所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述方法。本领域技术人员可以理解,图3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计算机设备的限定,具体的计算机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。
采用本发明实施例,具有如下有益效果:
采用了上述基于多视场图像的缺陷检测方法、装置、计算机设备及计算机可读存储介质之后,在工业场景中,在对待检测产品进行缺陷检测时,首先需要获取待检测产品的多张目标检测图像,多张目标检测图像为不同视场下采集的待检测产品的图像;分别提取每张目标检测图像的图像缺陷特征,然后对多个图像缺陷特征进行对齐处理,再基于预定的确定的定义和筛选条件,对对齐之后的图像缺陷特征是否能表示待检测产品存在的缺陷进行判断,从而筛选出目标缺陷特征作为待检测产品对应的缺陷检测结果并输出。
采用本发明实施例,可以对多视场的缺陷特征信息进行充分利用,并且可以通过特征对齐和特征筛选来确定待检测产品的缺陷分类来充分考虑每一个缺陷特征是否能准确的表示产品的缺陷,从而提高缺陷检测的分类精度,提高产品的良品率。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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、存储、数据库或其它介质的任何引用,均可包括非易失性和/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。
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本申请专利范围的限制。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。请输入具体实施内容部分。
Claims (10)
1.一种基于多视场图像的缺陷检测方法,其特征在于,所述方法包括:
获取待检测产品的多张目标检测图像,所述多张目标检测图像是在不同视场下采集到的待检测产品对应的图像;
分别提取每张目标检测图像的图像缺陷特征,所述图像缺陷特征包括多个图像缺陷特征及其对应的特征值;
对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理;
按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征。
2.根据权利要求1所述的方法,其特征在于,所述分别提取每张目标检测图像的图像缺陷特征的步骤,还包括:
确定每张目标检测图像对应的特征提取算法,其中,特征提取算法与目标检测图像对应的视场对应;
根据确定的特征提取算法,对目标检测图像进行特征提取,以获取目标检测图像的图像缺陷特征。
3.根据权利要求1所述的方法,其特征在于,所述对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理的步骤,还包括:
根据图像缺陷特征中包含的位置信息,对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理。
4.根据权利要求1所述的基于多视场图像的缺陷检测方法,其特征在于,所述按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征的步骤,还包括:
遍历对其处理后的每一个图像缺陷特征,判断遍历到的图像缺陷特征是否满足预设的缺陷筛选条件,若满足,则将该图像缺陷特征作为目标缺陷特征。
5.根据权利要求1所述的基于多视场图像的缺陷检测方法,其特征在于,所述方法还包括:
对所述目标缺陷特征进行分级,确定目标缺陷特征对应的目标缺陷级别。
6.根据权利要求1所述的基于多视场图像的缺陷检测方法,其特征在于,所述对所述目标缺陷特征进行分级,确定目标缺陷特征对应的目标缺陷级别的步骤,还包括:
确定每一个目标缺陷特征对应的特征值,根据特征参数对目标缺陷特征进行分级;其中,所述特征值包括缺陷面积。
7.一种基于多视场图像的缺陷检测装置,其特征在于,所述装置包括:
图像采集模块,用于获取待检测产品的多张目标检测图像,所述多张目标检测图像是在不同视场下采集到的待检测产品对应的图像;
缺陷特征提取模块,用于分别提取每张目标检测图像的图像缺陷特征,所述图像缺陷特征包括多个图像缺陷特征及其对应的特征值;
特征对齐模块,用于对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理;
缺陷筛选模块,用于按照预设的缺陷筛选条件,根据对齐处理后的缺陷特征确定目标缺陷特征。
8.根据权利要求1所述的基于多视场图像的缺陷检测装置,其特征在于,所述特征对齐模块还用于根据图像缺陷特征中的位置信息,对多张目标检测图像中提取到的多个图像缺陷特征进行对齐处理;
所述缺陷筛选模块还用于遍历对其处理后的每一个图像缺陷特征,判断遍历到的图像缺陷特征是否满足预设的缺陷筛选条件,若满足,则将该图像缺陷特征作为目标缺陷特征。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器有可执行代码,当所述可执行代码在所述处理器上运行以实现如权利要求1至6任一所述的基于多视场图像的缺陷检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1至6任一所述的基于多视场图像的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111035983.9A CN113487607A (zh) | 2021-09-06 | 2021-09-06 | 基于多视场图像的缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111035983.9A CN113487607A (zh) | 2021-09-06 | 2021-09-06 | 基于多视场图像的缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487607A true CN113487607A (zh) | 2021-10-08 |
Family
ID=77947174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111035983.9A Pending CN113487607A (zh) | 2021-09-06 | 2021-09-06 | 基于多视场图像的缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487607A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113119A (zh) * | 2021-12-03 | 2022-03-01 | 浙江伟星实业发展股份有限公司 | 基于缺陷等级的产品视觉质检方法、系统、设备及介质 |
CN114782756A (zh) * | 2022-06-20 | 2022-07-22 | 深圳新视智科技术有限公司 | 基于特征融合的缺陷检测方法、装置、设备及存储介质 |
CN116342599A (zh) * | 2023-05-29 | 2023-06-27 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322623A1 (en) * | 2017-05-08 | 2018-11-08 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
CN109740539A (zh) * | 2019-01-04 | 2019-05-10 | 上海理工大学 | 基于超限学习机和融合卷积网络的3d物体识别方法 |
CN110378900A (zh) * | 2019-08-01 | 2019-10-25 | 北京迈格威科技有限公司 | 产品缺陷的检测方法、装置及系统 |
CN111311598A (zh) * | 2020-05-09 | 2020-06-19 | 创新奇智(南京)科技有限公司 | 基于多视角的紧固件表面缺陷检测方法及装置 |
CN111860629A (zh) * | 2020-06-30 | 2020-10-30 | 北京滴普科技有限公司 | 首饰分类系统、方法、装置以及存储介质 |
-
2021
- 2021-09-06 CN CN202111035983.9A patent/CN113487607A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322623A1 (en) * | 2017-05-08 | 2018-11-08 | Aquifi, Inc. | Systems and methods for inspection and defect detection using 3-d scanning |
CN109740539A (zh) * | 2019-01-04 | 2019-05-10 | 上海理工大学 | 基于超限学习机和融合卷积网络的3d物体识别方法 |
CN110378900A (zh) * | 2019-08-01 | 2019-10-25 | 北京迈格威科技有限公司 | 产品缺陷的检测方法、装置及系统 |
CN111311598A (zh) * | 2020-05-09 | 2020-06-19 | 创新奇智(南京)科技有限公司 | 基于多视角的紧固件表面缺陷检测方法及装置 |
CN111860629A (zh) * | 2020-06-30 | 2020-10-30 | 北京滴普科技有限公司 | 首饰分类系统、方法、装置以及存储介质 |
Non-Patent Citations (1)
Title |
---|
章新友: "《全国中医药行业高等教育"十三五"规划教材 医学图形图像处理 新世纪第3版》", 30 June 2018, 中国中医药出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113119A (zh) * | 2021-12-03 | 2022-03-01 | 浙江伟星实业发展股份有限公司 | 基于缺陷等级的产品视觉质检方法、系统、设备及介质 |
CN114782756A (zh) * | 2022-06-20 | 2022-07-22 | 深圳新视智科技术有限公司 | 基于特征融合的缺陷检测方法、装置、设备及存储介质 |
CN116342599A (zh) * | 2023-05-29 | 2023-06-27 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
CN116342599B (zh) * | 2023-05-29 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 缺陷检测设备的点检方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113487607A (zh) | 基于多视场图像的缺陷检测方法及装置 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN106920219B (zh) | 物品缺陷检测方法、图像处理系统与计算机可读记录介质 | |
CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN110738237A (zh) | 缺陷分类的方法、装置、计算机设备和存储介质 | |
CN114037637B (zh) | 一种图像数据增强方法、装置、计算机设备和存储介质 | |
CN113516661B (zh) | 基于特征融合的缺陷检测方法及装置 | |
CN109300127B (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
CN110728659A (zh) | 缺陷合并的方法、装置、计算机设备及存储介质 | |
CN111368758A (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN113537414B (zh) | 锂电池缺陷检测方法、装置、设备及存储介质 | |
CN111160301A (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN111899246A (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
CN115091472B (zh) | 基于人工智能的目标定位方法及装夹机械手控制系统 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN112465807A (zh) | 车牌图像真伪识别方法、装置、设备和介质 | |
CN113570003A (zh) | 基于注意力机制的特征融合缺陷检测方法及装置 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN116958604A (zh) | 基于输电线路图像匹配方法、装置、介质及设备 | |
CN116051505A (zh) | 一种基于ccd相机的刹车片检测方法、系统及存储介质 | |
CN115601564A (zh) | 基于图像识别的胶体轮廓检测方法及系统 | |
CN114943720A (zh) | 一种电力图像处理方法及装置 | |
CN110634124A (zh) | 一种区域检测的方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
RJ01 | Rejection of invention patent application after publication |