CN113554649A - 一种缺陷检测方法、装置、计算机设备及存储介质 - Google Patents
一种缺陷检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113554649A CN113554649A CN202111104013.XA CN202111104013A CN113554649A CN 113554649 A CN113554649 A CN 113554649A CN 202111104013 A CN202111104013 A CN 202111104013A CN 113554649 A CN113554649 A CN 113554649A
- Authority
- CN
- China
- Prior art keywords
- point
- edge
- value
- edge contour
- function
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 230000007547 defect Effects 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 124
- 238000005070 sampling Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 230
- 238000012216 screening Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000005357 flat glass Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000007650 screen-printing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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
本申请提供了一种缺陷检测方法、装置、计算机设备及存储介质，该方法包括：对边缘轮廓点进行等间距降采样，得到多个边缘轮廓点采样组；根据多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线；计算每个边缘轮廓点到基准曲线的最小距离，并基于最小距离和边缘轮廓点的序号建立边缘函数；计算边缘函数的一阶导函数和二阶导函数，并根据边缘函数的一阶导函数和二阶导函数，确定实际边缘轮廓上的异常起始点和异常终止点；根据异常起始点和异常终止点，从实际边缘轮廓中提取异常轮廓。本申请不需要借助于标准的模板图像，也不需要提前根据曲线的模型进行计算，同时具有较高的检测精度，且能够对缺陷类型进行识别。
Description
技术领域
本申请涉及机器视觉计算领域，具体而言，涉及一种缺陷检测方法、装置、计算机设备及存储介质。
背景技术
在工业场景下，产品在生产过程的中间环节以及来料和出货过程中，都需要进行必要的外观缺陷检测，以保证后续工艺的正常进行，随着产品工艺精度的提升，对产品品质的要求越来越高，AOI（Automated Optical Inspection，自动光学检测）设备在工业场景下的应用越来越广泛，AOI是借助于合理的光学成像系统并配合相应的图像处理算法来对产品的外观品质进行检测和判定。在很多工业场景下，边缘类的异常检测应用非常多，比如手机盖板玻璃丝印后对丝印工艺边缘芽缺和锯齿的检测、手机玻璃盖板通光孔边缘的异常检测、发动机油底壳涂胶工艺的边缘异常检测等。
现有技术中，边缘类检测方法多是基于模板匹配的方法，该方法是借助于合格的产品图像，提取一个标准轮廓，然后和待测图上的轮廓进行配准后检测，这类方法通常适用于目标物体轮廓比较完整的情况，且要求待测目标物体和基准物体在尺寸上的一致性较好，否则会导致标准轮廓和待测轮廓配准偏差较大，导致检测精度较差；另外，当待测轮廓和标准轮廓存在较大差异时，也会导致配准偏差较大，导致很难准确获取缺陷的精确位置和大小，导致后续筛选困难。还有一种方法是在已知目标曲线形状且该曲线形状可以用物理模型去描述时，借助于曲线拟合的方法，如拟合圆、椭圆、直线等，然后利用拟合的结果曲线和待测轮廓曲线进行对比，如果所拟合曲线只是实际轮廓的一种逼近表达时，该方法的检测精度也会受到较大影响。
发明内容
有鉴于此，本申请的目的在于提供一种缺陷检测方法、装置、计算机设备及存储介质，用于解决现有技术中曲线类缺陷检测精准度低的问题，在不借助标准的模板图像，也不提前根据曲线的模型进行计算的前提下，具有较高的检测精度，且能够对缺陷类型进行识别。
为解决上述技术问题，第一方面，本申请提供了一种缺陷检测方法，该方法包括：
获取检测对象的待检测图像；
针对所述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取所述实际边缘轮廓的边缘轮廓点；
对所述边缘轮廓点进行等间距降采样，得到多个边缘轮廓点采样组；
根据所述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线；
计算每个边缘轮廓点到所述基准曲线的最小距离，并基于所述最小距离和边缘轮廓点的序号建立边缘函数；
计算所述边缘函数的一阶导函数和二阶导函数，并根据所述边缘函数的一阶导函数和二阶导函数，确定所述实际边缘轮廓上的异常起始点和异常终止点；
根据所述异常起始点和异常终止点，从所述实际边缘轮廓中提取异常轮廓；
对所有异常轮廓进行筛选及分类，得到所述检测对象的缺陷集。
在一些实施例中，所述针对所述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取所述实际边缘轮廓的边缘轮廓点，包括：
针对所述待检测图像，获取待测边缘区域；
针对待测边缘区域进行高斯拉普拉斯变换滤波，得到滤波后的待测边缘区域；
针对所述滤波后的待测边缘区域，进行过零点检测，得到粗边缘轮廓；
对所述粗边缘轮廓进行去噪，得到检测对象的实际边缘轮廓，并提取所述实际边缘轮廓的边缘轮廓点。
在一些实施例中，所述根据所述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线，包括：
针对所述多个边缘轮廓点采样组分别进行非均匀有理B样条曲线拟合，得到对应的多条非均匀有理B样条曲线；
计算实际边缘轮廓中的各边缘轮廓点到每条非均匀有理B样条曲线的最小距离；
根据所述各边缘轮廓点到每条非均匀有理B样条曲线的最小距离，从所述边缘轮廓点中筛选出到各非均匀有理B样条曲线的最小距离都小于最小距离阈值的点作为正常轮廓点；
根据所有正常轮廓点进行非均匀有理B样条曲线拟合，得到粗基准曲线；
在从所述粗基准曲线向检测对象外侧预设距离处生成一条所述粗基准曲线的平行线作为基准曲线。
在一些实施例中，所述计算每个边缘轮廓点到所述基准曲线的最小距离，并基于所述最小距离和边缘轮廓点的序号建立边缘函数，包括：
计算每个边缘轮廓点到所述基准曲线的最小距离，并基于所述最小距离和边缘轮廓点的序号建立一维函数；
针对所述一维函数进行高斯平滑滤波，得到边缘函数。
在一些实施例中，所述计算所述边缘函数的一阶导函数和二阶导函数，并根据所述边缘函数的一阶导函数和二阶导函数，确定所述实际边缘轮廓上的异常起始点和异常终止点，包括：
分别计算所述边缘函数的一阶导函数和二阶导函数；
计算符合第一预设条件的一阶导函数过零点值和符合第二预设条件的二阶导函数过零点值；所述第一预设条件为一阶导函数过零点值对应的边缘函数的值大于预设一阶阈值；所述第二预设条件为二阶导函数过零点值对应的一阶导函数的值大于预设二阶阈值；
针对所述二阶导函数过零点值，筛选两个相邻的二阶导函数过零点值的差值超过第一预设差值的二阶导函数过零点值组，并将每个二阶导函数过零点值组中值较大的二阶导函数过零点值作为待定起始点，值较小的二阶导函数过零点值作为待定终止点；
针对每个待定起始点，与值小于该待定起始点且最近的一阶导函数过零点值计算差值，得到该待定起始点对应的起始差值，并判断该待定起始点对应的起始差值是否小于第二预设差值；
若该待定起始点对应的起始差值小于第二预设差值，则将所述值小于该待定起始点且最近的一阶导函数过零点值确定为所述实际边缘轮廓上的异常起始点；
针对每个待定终止点，与值大于该待定终止点且最近的一阶导函数过零点值计算差值，得到该待定终止点对应的终止差值，并判断该待定终止点对应的终止差值是否小于第二预设差值；
若该待定终止点对应的终止差值小于第二预设差值，则将所述值大于该待定终止点且最近的一阶导函数过零点值确定为所述实际边缘轮廓上的异常终止点。
在一些实施例中，所述对所有异常轮廓进行筛选及分类，得到所述检测对象的缺陷集，包括：
针对每个异常轮廓，计算异常轮廓的最小外接矩形；
筛选出所述最小外接矩形大于预设尺寸的异常轮廓，并根据筛选后的异常轮廓的尺寸和位置确定对应的缺陷类型，得到所述检测对象的缺陷集；所述预设尺寸为误差允许范围内最大的缺陷尺寸。
第二方面，本申请实施例提供了一种缺陷检测装置，包括：
获取模块，用于获取检测对象的待检测图像；
提取模块，用于针对所述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取所述实际边缘轮廓的边缘轮廓点；
采样模块，用于对所述边缘轮廓点进行等间距降采样，得到多个边缘轮廓点采样组；
拟合模块，用于根据所述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线；
函数模块，用于计算每个边缘轮廓点到所述基准曲线的最小距离，并基于所述最小距离和边缘轮廓点的序号建立边缘函数；
计算模块，用于计算所述边缘函数的一阶导函数和二阶导函数，并根据所述边缘函数的一阶导函数和二阶导函数，确定所述实际边缘轮廓上的异常起始点和异常终止点；
异常模块，用于根据所述异常起始点和异常终止点，从所述实际边缘轮廓中提取异常轮廓；
筛选模块，用于对所有异常轮廓进行筛选及分类，得到所述检测对象的缺陷集。
在一些实施例中，所述计算模块，包括：
求导单元，用于分别计算所述边缘函数的一阶导函数和二阶导函数；
过零点单元，用于计算符合第一预设条件的一阶导函数过零点值和符合第二预设条件的二阶导函数过零点值；所述第一预设条件为一阶导函数过零点值对应的边缘函数的值大于预设一阶阈值；所述第二预设条件为二阶导函数过零点值对应的一阶导函数的值大于预设二阶阈值；
待定单元，用于针对所述二阶导函数过零点值，筛选两个相邻的二阶导函数过零点值的差值超过第一预设差值的二阶导函数过零点值组，并将每个二阶导函数过零点值组中值较大的二阶导函数过零点值作为待定起始点，值较小的二阶导函数过零点值作为待定终止点；
第一判断单元，用于针对每个待定起始点，与值小于该待定起始点且最近的一阶导函数过零点值计算差值，得到该待定起始点对应的起始差值，并判断该待定起始点对应的起始差值是否小于第二预设差值；若该待定起始点对应的起始差值小于第二预设差值，则将所述值小于该待定起始点且最近的一阶导函数过零点值确定为所述实际边缘轮廓上的异常起始点；
第二判断单元，用于针对每个待定终止点，与值大于该待定终止点且最近的一阶导函数过零点值计算差值，得到该待定终止点对应的终止差值，并判断该待定终止点对应的终止差值是否小于第二预设差值；若该待定终止点对应的终止差值小于第二预设差值，则将所述值大于该待定终止点且最近的一阶导函数过零点值确定为所述实际边缘轮廓上的异常终止点。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及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，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法的步骤。
第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面中任一项所述的方法的步骤。
本申请实施例提出的一种缺陷检测方法，通过对检测对象的待检测图像进行边缘获取，以提取检测对象实际边缘轮廓的边缘轮廓点，然后通过等间距降采样，获取多个边缘轮廓点采样组，接着根据边缘轮廓点采样组通过非均匀有理B样条曲线拟合，以得到基准曲线，根据各边缘轮廓点到基准曲线的最小距离建立边缘函数，通过边缘函数的一阶导函数和二阶导函数对检测对象的异常轮廓进行定位，最后根据异常轮廓的大小和位置进行缺陷筛选和分类，得到检测对象的缺陷集。本申请实施例提出的方法不需要借助于标准的模板图像，也不需要提前根据曲线的模型进行计算，同时具有较高的检测精度，且能够对缺陷类型进行识别。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种缺陷检测方法的流程示意图；
图2为本申请实施例提供的一种异常轮廓起始点和终止点确定方法的流程示意图；
图3为本申请实施例提供的一种边缘函数及其一阶导函数和二阶导函数的示意图；
图4为本申请实施例提供的一种异常边缘及其最小外接矩形的示意图；
图5为本申请实施例提供的一种缺陷检测装置的结构示意图；
图6为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
图1为本申请实施例提供的一种缺陷检测方法的流程示意图。本申请实施例提供了一种缺陷检测方法，如图1所示，包括以下步骤：
步骤S101、获取检测对象的待检测图像；
步骤S102、针对上述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取上述实际边缘轮廓的边缘轮廓点；
步骤S103、对上述边缘轮廓点进行等间距降采样，得到多个边缘轮廓点采样组；
步骤S104、根据上述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线；
步骤S105、计算每个边缘轮廓点到上述基准曲线的最小距离，并基于上述最小距离和边缘轮廓点的序号建立边缘函数；
步骤S106、计算上述边缘函数的一阶导函数和二阶导函数，并根据上述边缘函数的一阶导函数和二阶导函数，确定上述实际边缘轮廓上的异常起始点和异常终止点；
步骤S107、根据上述异常起始点和异常终止点，从上述实际边缘轮廓中提取异常轮廓；
步骤S108、对所有异常轮廓进行筛选及分类，得到上述检测对象的缺陷集。
具体地，通过高斯拉普拉斯变换对检测对象的待检测图像进行滤波，高斯拉普拉斯变换可以对图像进行平滑处理，同时，在结合过零点检测算法可以实现亚像素精度级别的边缘获取，得到的实际边缘轮廓更加准确。
然后设定采样步长和采样滑动窗口宽度，通过等间距降采样的方式，将实际边缘轮廓的边缘轮廓点划分成多个边缘轮廓点采样组。采样步长的设定需要考虑边缘曲线的弯曲程度和长浅型缺陷的大小，采样步长优选为采样滑动窗口宽度的整数倍，例如采样步长为60，采样滑动窗口宽度为3。通常对于光滑且角度缓慢变化的曲线，可以将采样步长设定更大以获取更高的精度，并且采样滑动窗口宽度越小监测精度也更高。边缘轮廓点采样组的个数k是采样步长与采样滑动窗口宽度的比值。
根据正常边缘轮廓点经过多次降采样拟合的NURBS（Non-Uniform Rational B-Splines，非均匀有理B样条）曲线一致性较好，而根据潜在异常边缘轮廓点经过多次降采样拟合的NURBS曲线一致性较差的特点，可以通过将边缘轮廓点中的潜在异常边缘点剔除，以得到一条相对准确的标准曲线，具体先通过多个边缘轮廓点采样组分别进行NURBS曲线拟合，再通过各边缘轮廓点到每条NURBS曲线的最小距离进行筛选，剔除潜在异常边缘轮廓点。通过筛选出的正常边缘轮廓点重新进行NURBS曲线拟合以及外扩，得到基准曲线。
接下来，结合基准曲线和边缘轮廓点对异常轮廓进行定位。通过对边缘轮廓点到基准曲线的最小距离进行一维函数构建，并对该一维函数进行一阶导函数和二阶导函数的计算。一阶导函数中的极值点能够体现边缘轮廓变化最剧烈的位置，一阶导函数过零点值对应的边缘轮廓点是轮廓异常最大的位置或潜在异常起始点位置，二阶导函数过零点值对应的边缘轮廓点是轮廓异常位置梯度变化最剧烈的位置。对二阶导函数的过零点值进行遍历，粗略地确定异常起始点和异常终止点，再通过将每个异常起始点和与该点值最近的一阶导函数的过零点值进行距离计算，如果两者之间的距离小于设定值就进行替换，大于设定值则保持原本的异常起始点，异常终止点也同理进行验证，最终得到精确的实际边缘轮廓上的异常起始点和异常终止点。
通过上述的异常起始点和异常终止点就可以从实际边缘轮廓上将异常轮廓提取出来，再通过大小将误差允许范围内可以忽略不计的异常轮廓剔除，并将筛选后的异常轮廓根据位置和大小分成芽、缺、芽齿、缺齿四类，得到检测对象的缺陷集。
在一些实施例中，上述步骤S102、针对上述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取上述实际边缘轮廓的边缘轮廓点，包括：
步骤a1、针对上述待检测图像，获取待测边缘区域；
步骤a2、针对待测边缘区域进行高斯拉普拉斯变换滤波，得到滤波后的待测边缘区域；
步骤a3、针对上述滤波后的待测边缘区域，进行过零点检测，得到粗边缘轮廓；
步骤a4、对上述粗边缘轮廓进行去噪，得到检测对象的实际边缘轮廓，并提取上述实际边缘轮廓的边缘轮廓点。
具体地，从检测图像中获取待测边缘区域后，为了能够更加准确地获取待测边缘区域内的边缘轮廓，需要对待测边缘区域内的图像进行高斯拉普拉斯变换，以进行图像平滑，高斯拉普拉斯变换滤波公式如下：
其中，σ是高斯滤波窗口大小。
通过高斯拉普拉斯变换滤波后的待测边缘区域内的图像运用过零点检测算法进行边缘轮廓的粗提取，并对粗提取得到的粗边缘轮廓进行去噪，如通过设定阈值筛选长度足够长的轮廓，以剔除干扰轮廓，得到实际边缘轮廓。过零点检测算法结合上面的高斯拉普拉斯变换算法实现了亚像素精度级别的边缘获取。
对于实际边缘轮廓进行边缘轮廓点提取，得到边缘轮廓点pi（i=1,2,3，…，n）。
在一些实施例中，上述步骤S104、根据上述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线，包括：
步骤b1、针对上述多个边缘轮廓点采样组分别进行非均匀有理B样条曲线拟合，得到对应的多条非均匀有理B样条曲线；
步骤b2、计算实际边缘轮廓中的各边缘轮廓点到每条非均匀有理B样条曲线的最小距离；
步骤b3、根据上述各边缘轮廓点到每条非均匀有理B样条曲线的最小距离，从上述边缘轮廓点中筛选出到各非均匀有理B样条曲线的最小距离都小于最小距离阈值的点作为正常轮廓点；
步骤b4、根据所有正常轮廓点进行非均匀有理B样条曲线拟合，得到粗基准曲线；
步骤b5、在从上述粗基准曲线向检测对象外侧预设距离处生成一条上述粗基准曲线的平行线作为基准曲线。
具体地，针对每个边缘轮廓点采样组分别进行NURBS曲线的拟合，得到k条NURBS曲线。
计算所有边缘轮廓点到每一条NURBS曲线的最小距离dij（i=1,2,3，…，n；j=1,2,3，…，k）。基于最小距离dij和最小距离阈值dt将边缘轮廓点区分为正常轮廓点pok和潜在异常轮廓点png，即，如果一个边缘轮廓点到每一条NURBS曲线的最小距离dij都小于最小距离阈值dt，则该边缘轮廓点为正常轮廓点；如果一个边缘轮廓点到每一条NURBS曲线的最小距离dij存在大于最小距离阈值dt的情况，则该边缘轮廓点为潜在异常轮廓点。最小距离阈值dt一般设定为1.0。
只选用正常轮廓点pok进行NURBS曲线拟合，得到相对准确的粗基准曲线，通过将该粗基准曲线外扩预设距离de，生成一条平行与粗基准曲线的新曲线，作为基准曲线。预设距离是预先根据曲线缺陷的预估深度设定的，该预设距离需大于曲线缺陷的预估深度。
在一些实施例中，上述步骤S105、计算每个边缘轮廓点到上述基准曲线的最小距离，并基于上述最小距离和边缘轮廓点的序号建立边缘函数，包括：
步骤c1、计算每个边缘轮廓点到上述基准曲线的最小距离，并基于上述最小距离和边缘轮廓点的序号建立一维函数；
步骤c2、针对上述一维函数进行高斯平滑滤波，得到边缘函数。
具体地，计算各边缘轮廓点pi到基准曲线的最小距离di（i=1,2,3，…，n），以i=1,2,3，…，n为横坐标，di-de为横坐标，建立边缘轮廓点序号与对应的最小距离的一维函数，并对该一维函数进行高斯平滑滤波后，得到边缘函数f(i)=di-de（i=1,2,3，…，n）。
图2为本申请实施例提供的一种异常轮廓起始点和终止点确定方法的流程示意图。在一些实施例中，上述步骤S106、计算上述边缘函数的一阶导函数和二阶导函数，并根据上述边缘函数的一阶导函数和二阶导函数，确定上述实际边缘轮廓上的异常起始点和异常终止点，如图2所示，包括：
步骤S201、分别计算上述边缘函数的一阶导函数和二阶导函数；
步骤S202、计算符合第一预设条件的一阶导函数过零点值和符合第二预设条件的二阶导函数过零点值；上述第一预设条件为一阶导函数过零点值对应的边缘函数的值大于预设一阶阈值；上述第二预设条件为二阶导函数过零点值对应的一阶导函数的值大于预设二阶阈值；
步骤S203、针对上述二阶导函数过零点值，筛选两个相邻的二阶导函数过零点值的差值超过第一预设差值的二阶导函数过零点值组，并将每个二阶导函数过零点值组中值较大的二阶导函数过零点值作为待定起始点，值较小的二阶导函数过零点值作为待定终止点；
步骤S204、针对每个待定起始点，与值小于该待定起始点且最近的一阶导函数过零点值计算差值，得到该待定起始点对应的起始差值，并判断该待定起始点对应的起始差值是否小于第二预设差值；
步骤S205、若该待定起始点对应的起始差值小于第二预设差值，则将上述值小于该待定起始点且最近的一阶导函数过零点值确定为上述实际边缘轮廓上的异常起始点；
步骤S206、针对每个待定终止点，与值大于该待定终止点且最近的一阶导函数过零点值计算差值，得到该待定终止点对应的终止差值，并判断该待定终止点对应的终止差值是否小于第二预设差值；
步骤S207、若该待定终止点对应的终止差值小于第二预设差值，则将上述值大于该待定终止点且最近的一阶导函数过零点值确定为上述实际边缘轮廓上的异常终止点。
具体地，计算边缘函数f(i)=di-de的一阶导函数f’(i)和二阶导函数f”(i)，并找到一阶导函数和二阶导函数的过零点值。图3为本申请实施例提供的一种边缘函数及其一阶导函数和二阶导函数的示意图。如图3所示，其中的平滑函数是一检测对象的边缘函数，一阶导数是该边缘函数的一阶导函数，二阶导数是该边缘函数的二阶导函数，通过图像可以找到一阶导函数和二阶导函数的过零点值。
分别针对一阶导函数和二阶导函数进行过零点值的筛选，一阶导函数过零点值z’对应的边缘函数的值需要大于预设一阶阈值zt’，二阶导函数过零点值z”对应的一阶导函数值需要大于预设二阶阈值zt”。
基于筛选得到的二阶导函数过零点值z”，将第一个二阶导函数过零点值记为第一个待定起始点s1，接着从第二个二阶导函数过零点值开始计算各相邻的二阶导函数过零点值的差值，找到差值大于第一预设差值的二阶导函数过零点值组，将每个二阶导函数过零点值组中数值较大的作为待定起始点si（i=1，2，3，…，l），数值较小的作为待定终止点ei（i=1，2，3，…，l）。
待定起始点si和待定终止点ei都是粗略确定出的实际边缘轮廓上的异常缺陷的起始位置和终止位置，还需要通过一阶导函数过零点值z’进行验证。对于每一个待定起始点si，遍历所有一阶导函数过零点值z’，找到距离最近且数值小于当前待定起始点的一阶导函数过零点值，若该一阶导函数过零点值与当前待定起始点的距离小于第二预设差值ct，那么就用该一阶导函数过零点值替换当前待定起始点，并确定为异常起始点si f；若该一阶导函数过零点值与当前待定起始点的距离大于第二预设差值ct，那么就将当前待定起始点确定为异常起始点si f。
同样地，对于每一个待定终止点ei，遍历所有一阶导函数过零点值z’，找到距离最近且数值大于当前待定终止点的一阶导函数过零点值，若该一阶导函数过零点值与当前待定终止点的距离小于第二预设差值ct，那么就用该一阶导函数过零点值替换当前待定终止点，并确定为异常终止点ei f；若该一阶导函数过零点值与当前待定终止点的距离大于第二预设差值ct，那么就将当前待定终止点确定为异常终止点ei f。
在一些实施例中，上述步骤S108、对所有异常轮廓进行筛选及分类，得到上述检测对象的缺陷集，包括：
步骤d1、针对每个异常轮廓，计算异常轮廓的最小外接矩形；
步骤d2、筛选出上述最小外接矩形大于预设尺寸的异常轮廓，并根据筛选后的异常轮廓的尺寸和位置确定对应的缺陷类型，得到上述检测对象的缺陷集；上述预设尺寸为误差允许范围内最大的缺陷尺寸。
具体地，通过上述的异常起始点和异常终止点从实际边缘轮廓上提取出异常轮廓，图4为本申请实施例提供的一种异常边缘及其最小外接矩形的示意图。如图4左所示，实际边缘轮廓上的曲线就是异常轮廓。对于每段异常轮廓，计算异常轮廓的最小外接矩形的长度、宽度和位置，以画出异常轮廓的最小外接矩形，该最小外接矩形是用来表示异常轮廓的尺寸的。如图4右所示，是图4左所提取的异常轮廓对应的最小外接矩形。
对于所有异常轮廓的最小外接矩形，其中可能会包含一些在亚像素精度下几乎可以忽略不计的细微异常轮廓，因此，需要先根据最小外接矩形的尺寸将小于可忽略不计的预设尺寸以内的细微异常轮廓剔除，得到筛选后的异常轮廓。
筛选后的异常轮廓可根据最小外接矩形的尺寸和相对于实际边缘轮廓的位置进行分类。大致可分为以下四类：
i）芽：位于粗基准曲线的内侧，且尺寸小于预设的齿类尺寸；
ii）缺：位于粗基准曲线的外侧，且尺寸小于预设的齿类尺寸；
iii）芽齿：位于粗基准曲线的内侧，且尺寸大于预设的齿类尺寸；
iiii）缺齿：位于粗基准曲线的外侧，且尺寸大于预设的齿类尺寸。
分类后，将各异常轮廓按类存储到检测对象的缺陷集中。
本申请实施例还提供了一种缺陷检测装置，如图5所示，该装置包括：
获取模块30，用于获取检测对象的待检测图像；
提取模块31，用于针对上述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取上述实际边缘轮廓的边缘轮廓点；
采样模块32，用于对上述边缘轮廓点进行等间距降采样，得到多个边缘轮廓点采样组；
拟合模块33，用于根据上述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线；
函数模块34，用于计算每个边缘轮廓点到上述基准曲线的最小距离，并基于上述最小距离和边缘轮廓点的序号建立边缘函数；
计算模块35，用于计算上述边缘函数的一阶导函数和二阶导函数，并根据上述边缘函数的一阶导函数和二阶导函数，确定上述实际边缘轮廓上的异常起始点和异常终止点；
异常模块36，用于根据上述异常起始点和异常终止点，从上述实际边缘轮廓中提取异常轮廓；
筛选模块37，用于对所有异常轮廓进行筛选及分类，得到上述检测对象的缺陷集。
在一些实施例中，上述计算模块35，包括：
求导单元，用于分别计算上述边缘函数的一阶导函数和二阶导函数；
过零点单元，用于计算符合第一预设条件的一阶导函数过零点值和符合第二预设条件的二阶导函数过零点值；上述第一预设条件为一阶导函数过零点值对应的边缘函数的值大于预设一阶阈值；上述第二预设条件为二阶导函数过零点值对应的一阶导函数的值大于预设二阶阈值；
待定单元，用于针对上述二阶导函数过零点值，筛选两个相邻的二阶导函数过零点值的差值超过第一预设差值的二阶导函数过零点值组，并将每个二阶导函数过零点值组中值较大的二阶导函数过零点值作为待定起始点，值较小的二阶导函数过零点值作为待定终止点；
第一判断单元，用于针对每个待定起始点，与值小于该待定起始点且最近的一阶导函数过零点值计算差值，得到该待定起始点对应的起始差值，并判断该待定起始点对应的起始差值是否小于第二预设差值；若该待定起始点对应的起始差值小于第二预设差值，则将上述值小于该待定起始点且最近的一阶导函数过零点值确定为上述实际边缘轮廓上的异常起始点；
第二判断单元，用于针对每个待定终止点，与值大于该待定终止点且最近的一阶导函数过零点值计算差值，得到该待定终止点对应的终止差值，并判断该待定终止点对应的终止差值是否小于第二预设差值；若该待定终止点对应的终止差值小于第二预设差值，则将上述值大于该待定终止点且最近的一阶导函数过零点值确定为上述实际边缘轮廓上的异常终止点。
对应于图1中的一种缺陷检测方法，本申请实施例还提供了一种计算机设备400，如图6所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述一种缺陷检测方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述一种缺陷检测方法，解决了现有技术中曲线类缺陷检测精准度低的问题。
对应于图1中的一种缺陷检测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述一种缺陷检测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述一种缺陷检测方法，解决了现有技术中曲线类缺陷检测精准度低的问题，本申请实施例提出的一种缺陷检测方法，通过对检测对象的待检测图像进行边缘获取，以提取检测对象实际边缘轮廓的边缘轮廓点，然后通过等间距降采样，获取多个边缘轮廓点采样组，接着根据边缘轮廓点采样组通过非均匀有理B样条曲线拟合，以得到基准曲线，根据各边缘轮廓点到基准曲线的最小距离建立边缘函数，通过边缘函数的一阶导函数和二阶导函数对检测对象的异常轮廓进行定位，最后根据异常轮廓的大小和位置进行缺陷筛选和分类，得到检测对象的缺陷集。本申请实施例提出的方法不需要借助于标准的模板图像，也不需要提前根据曲线的模型进行计算，同时具有较高的检测精度，且能够对缺陷类型进行识别。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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或者该技术方案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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种缺陷检测方法，其特征在于，包括：
获取检测对象的待检测图像；
针对所述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取所述实际边缘轮廓的边缘轮廓点；
对所述边缘轮廓点进行等间距降采样，得到多个边缘轮廓点采样组；
根据所述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线；
计算每个边缘轮廓点到所述基准曲线的最小距离，并基于所述最小距离和边缘轮廓点的序号建立边缘函数；
计算所述边缘函数的一阶导函数和二阶导函数，并根据所述边缘函数的一阶导函数和二阶导函数，确定所述实际边缘轮廓上的异常起始点和异常终止点；
根据所述异常起始点和异常终止点，从所述实际边缘轮廓中提取异常轮廓；
对所有异常轮廓进行筛选及分类，得到所述检测对象的缺陷集。
2.如权利要求1所述的方法，其特征在于，所述针对所述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取所述实际边缘轮廓的边缘轮廓点，包括：
针对所述待检测图像，获取待测边缘区域；
针对待测边缘区域进行高斯拉普拉斯变换滤波，得到滤波后的待测边缘区域；
针对所述滤波后的待测边缘区域，进行过零点检测，得到粗边缘轮廓；
对所述粗边缘轮廓进行去噪，得到检测对象的实际边缘轮廓，并提取所述实际边缘轮廓的边缘轮廓点。
3.如权利要求1所述的方法，其特征在于，所述根据所述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线，包括：
针对所述多个边缘轮廓点采样组分别进行非均匀有理B样条曲线拟合，得到对应的多条非均匀有理B样条曲线；
计算实际边缘轮廓中的各边缘轮廓点到每条非均匀有理B样条曲线的最小距离；
根据所述各边缘轮廓点到每条非均匀有理B样条曲线的最小距离，从所述边缘轮廓点中筛选出到各非均匀有理B样条曲线的最小距离都小于最小距离阈值的点作为正常轮廓点；
根据所有正常轮廓点进行非均匀有理B样条曲线拟合，得到粗基准曲线；
在从所述粗基准曲线向检测对象外侧预设距离处生成一条所述粗基准曲线的平行线作为基准曲线。
4.如权利要求1所述的方法，其特征在于，所述计算每个边缘轮廓点到所述基准曲线的最小距离，并基于所述最小距离和边缘轮廓点的序号建立边缘函数，包括：
计算每个边缘轮廓点到所述基准曲线的最小距离，并基于所述最小距离和边缘轮廓点的序号建立一维函数；
针对所述一维函数进行高斯平滑滤波，得到边缘函数。
5.如权利要求1所述的方法，其特征在于，所述计算所述边缘函数的一阶导函数和二阶导函数，并根据所述边缘函数的一阶导函数和二阶导函数，确定所述实际边缘轮廓上的异常起始点和异常终止点，包括：
分别计算所述边缘函数的一阶导函数和二阶导函数；
计算符合第一预设条件的一阶导函数过零点值和符合第二预设条件的二阶导函数过零点值；所述第一预设条件为一阶导函数过零点值对应的边缘函数的值大于预设一阶阈值；所述第二预设条件为二阶导函数过零点值对应的一阶导函数的值大于预设二阶阈值；
针对所述二阶导函数过零点值，筛选两个相邻的二阶导函数过零点值的差值超过第一预设差值的二阶导函数过零点值组，并将每个二阶导函数过零点值组中值较大的二阶导函数过零点值作为待定起始点，值较小的二阶导函数过零点值作为待定终止点；
针对每个待定起始点，与值小于该待定起始点且最近的一阶导函数过零点值计算差值，得到该待定起始点对应的起始差值，并判断该待定起始点对应的起始差值是否小于第二预设差值；
若该待定起始点对应的起始差值小于第二预设差值，则将所述值小于该待定起始点且最近的一阶导函数过零点值确定为所述实际边缘轮廓上的异常起始点；
针对每个待定终止点，与值大于该待定终止点且最近的一阶导函数过零点值计算差值，得到该待定终止点对应的终止差值，并判断该待定终止点对应的终止差值是否小于第二预设差值；
若该待定终止点对应的终止差值小于第二预设差值，则将所述值大于该待定终止点且最近的一阶导函数过零点值确定为所述实际边缘轮廓上的异常终止点。
6.如权利要求1所述的方法，其特征在于，所述对所有异常轮廓进行筛选及分类，得到所述检测对象的缺陷集，包括：
针对每个异常轮廓，计算异常轮廓的最小外接矩形；
筛选出所述最小外接矩形大于预设尺寸的异常轮廓，并根据筛选后的异常轮廓的尺寸和位置确定对应的缺陷类型，得到所述检测对象的缺陷集；所述预设尺寸为误差允许范围内最大的缺陷尺寸。
7.一种缺陷检测装置，其特征在于，包括：
获取模块，用于获取检测对象的待检测图像；
提取模块，用于针对所述待检测图像进行边缘获取，得到检测对象的实际边缘轮廓，并提取所述实际边缘轮廓的边缘轮廓点；
采样模块，用于对所述边缘轮廓点进行等间距降采样，得到多个边缘轮廓点采样组；
拟合模块，用于根据所述多个边缘轮廓点采样组，通过非均匀有理B样条曲线拟合，得到基准曲线；
函数模块，用于计算每个边缘轮廓点到所述基准曲线的最小距离，并基于所述最小距离和边缘轮廓点的序号建立边缘函数；
计算模块，用于计算所述边缘函数的一阶导函数和二阶导函数，并根据所述边缘函数的一阶导函数和二阶导函数，确定所述实际边缘轮廓上的异常起始点和异常终止点；
异常模块，用于根据所述异常起始点和异常终止点，从所述实际边缘轮廓中提取异常轮廓；
筛选模块，用于对所有异常轮廓进行筛选及分类，得到所述检测对象的缺陷集。
8.如权利要求7所述的装置，其特征在于，所述计算模块，包括：
求导单元，用于分别计算所述边缘函数的一阶导函数和二阶导函数；
过零点单元，用于计算符合第一预设条件的一阶导函数过零点值和符合第二预设条件的二阶导函数过零点值；所述第一预设条件为一阶导函数过零点值对应的边缘函数的值大于预设一阶阈值；所述第二预设条件为二阶导函数过零点值对应的一阶导函数的值大于预设二阶阈值；
待定单元，用于针对所述二阶导函数过零点值，筛选两个相邻的二阶导函数过零点值的差值超过第一预设差值的二阶导函数过零点值组，并将每个二阶导函数过零点值组中值较大的二阶导函数过零点值作为待定起始点，值较小的二阶导函数过零点值作为待定终止点；
第一判断单元，用于针对每个待定起始点，与值小于该待定起始点且最近的一阶导函数过零点值计算差值，得到该待定起始点对应的起始差值，并判断该待定起始点对应的起始差值是否小于第二预设差值；若该待定起始点对应的起始差值小于第二预设差值，则将所述值小于该待定起始点且最近的一阶导函数过零点值确定为所述实际边缘轮廓上的异常起始点；
第二判断单元，用于针对每个待定终止点，与值大于该待定终止点且最近的一阶导函数过零点值计算差值，得到该待定终止点对应的终止差值，并判断该待定终止点对应的终止差值是否小于第二预设差值；若该待定终止点对应的终止差值小于第二预设差值，则将所述值大于该待定终止点且最近的一阶导函数过零点值确定为所述实际边缘轮廓上的异常终止点。
9.一种计算机设备，包括存储器、处理器及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，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-6中任一项所述的方法的步骤。
10.一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，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111104013.XA CN113554649B (zh) | 2021-09-22 | 2021-09-22 | 一种缺陷检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111104013.XA CN113554649B (zh) | 2021-09-22 | 2021-09-22 | 一种缺陷检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554649A true CN113554649A (zh) | 2021-10-26 |
| CN113554649B CN113554649B (zh) | 2021-12-17 |
Family
ID=78106454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111104013.XA Active CN113554649B (zh) | 2021-09-22 | 2021-09-22 | 一种缺陷检测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554649B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
| CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
| CN116643354A (zh) * | 2023-07-27 | 2023-08-25 | 之江实验室 | 模斑转换器的设计方法 |
| CN116818778A (zh) * | 2023-08-31 | 2023-09-29 | 靖江市恒友汽车部件制造有限公司 | 一种汽车部件快速智能检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110218762A1 (en) * | 2010-03-04 | 2011-09-08 | Kla-Tencor Corporation | Systems and methods for wafer edge feature detection and quantification |
| CN104008556A (zh) * | 2014-06-18 | 2014-08-27 | 武汉大学 | 一种基于影像统计特征的数字航空影像变形自动检查方法 |
| CN105759726A (zh) * | 2016-03-22 | 2016-07-13 | 大连理工大学 | 基于轮廓误差约束的自适应曲线插补方法 |
| CN108681524A (zh) * | 2018-05-03 | 2018-10-19 | 西安交通大学 | 一种基于混合进化算法的自由曲线轮廓度误差评定方法 |
| CN109711418A (zh) * | 2019-01-29 | 2019-05-03 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
| CN111537517A (zh) * | 2020-05-18 | 2020-08-14 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
| CN111795970A (zh) * | 2020-07-14 | 2020-10-20 | 重庆大学 | 一种不规则轮廓缺陷检测方法 |
-
2021
- 2021-09-22 CN CN202111104013.XA patent/CN113554649B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110218762A1 (en) * | 2010-03-04 | 2011-09-08 | Kla-Tencor Corporation | Systems and methods for wafer edge feature detection and quantification |
| CN104008556A (zh) * | 2014-06-18 | 2014-08-27 | 武汉大学 | 一种基于影像统计特征的数字航空影像变形自动检查方法 |
| CN105759726A (zh) * | 2016-03-22 | 2016-07-13 | 大连理工大学 | 基于轮廓误差约束的自适应曲线插补方法 |
| CN108681524A (zh) * | 2018-05-03 | 2018-10-19 | 西安交通大学 | 一种基于混合进化算法的自由曲线轮廓度误差评定方法 |
| CN109711418A (zh) * | 2019-01-29 | 2019-05-03 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
| CN111537517A (zh) * | 2020-05-18 | 2020-08-14 | 江汉大学 | 一种无人智能化冲压缺陷识别方法 |
| CN111795970A (zh) * | 2020-07-14 | 2020-10-20 | 重庆大学 | 一种不规则轮廓缺陷检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
| CN115456956B (zh) * | 2022-08-19 | 2024-05-28 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
| CN115641332A (zh) * | 2022-12-01 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 产品边缘外观缺陷的检测方法及装置、介质、设备 |
| CN116643354A (zh) * | 2023-07-27 | 2023-08-25 | 之江实验室 | 模斑转换器的设计方法 |
| CN116643354B (zh) * | 2023-07-27 | 2023-12-19 | 之江实验室 | 模斑转换器的设计方法 |
| CN116818778A (zh) * | 2023-08-31 | 2023-09-29 | 靖江市恒友汽车部件制造有限公司 | 一种汽车部件快速智能检测方法及系统 |
| CN116818778B (zh) * | 2023-08-31 | 2023-11-10 | 靖江市恒友汽车部件制造有限公司 | 一种汽车部件快速智能检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554649B (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113554649B (zh) | 一种缺陷检测方法、装置、计算机设备及存储介质 | |
| CN111815630B (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
| CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
| CN111758024B (zh) | 一种缺陷检测方法及装置 | |
| CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
| CN112508846B (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| CN106855520B (zh) | 一种基于机器视觉的工件缺陷检测方法 | |
| CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN109101976B (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
| CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN109949227A (zh) | 图像拼接方法、系统及电子设备 | |
| CN109934789B (zh) | 图像去噪方法、装置及电子设备 | |
| CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
| CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
| CN109300127A (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
| CN107909554A (zh) | 图像降噪方法、装置、终端设备及介质 | |
| CN102005051A (zh) | 一种边缘检测方法以及相关装置 | |
| CN115375629A (zh) | 一种lcd屏幕中线缺陷检测及缺陷信息提取方法 | |
| CN108288274A (zh) | 模具检测方法、装置以及电子设备 | |
| CN111223078A (zh) | 瑕疵等级判定的方法及存储介质 | |
| CN115060725A (zh) | 一种双圆盘外观检测方法及装置 | |
| CN113129260B (zh) | 一种锂电池电芯内部缺陷的自动检测方法及装置 | |
| CN116958145B (zh) | 图像处理方法、装置、视觉检测系统及电子设备 | |
| Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails |
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 |