CN113610774B - 一种玻璃划痕缺陷检测方法、系统、装置及存储介质 - Google Patents
一种玻璃划痕缺陷检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113610774B CN113610774B CN202110804825.9A CN202110804825A CN113610774B CN 113610774 B CN113610774 B CN 113610774B CN 202110804825 A CN202110804825 A CN 202110804825A CN 113610774 B CN113610774 B CN 113610774B
- Authority
- CN
- China
- Prior art keywords
- scratch
- image information
- preset
- determining
- glass
- 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.)
- Active
Links
- 239000011521 glass Substances 0.000 title claims abstract description 66
- 230000007547 defect Effects 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000007797 corrosion Effects 0.000 claims description 22
- 238000005260 corrosion Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种玻璃划痕缺陷检测方法、系统、装置及存储介质,方法包括:获取待检测玻璃的第一图像信息,对所述第一图像信息进行预处理和动态阈值分割,得到第二图像信息;对所述第二图像信息进行连通域分割得到若干个第一区域,进而对所述第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域;对所述第二区域进行联合膨胀处理后提取出骨架,并根据所述骨架确定若干个划痕区域;根据所述划痕区域确定划痕数量和划痕长度,进而根据所述划痕数量和所述划痕长度确定所述待检测玻璃是否存在划痕缺陷。本发明减小了计算量,降低了对系统算力的要求,在保证准确度的同时,提高了玻璃划痕缺陷检测的效率,可广泛应用于图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种玻璃划痕缺陷检测方法、系统、装置及存储介质。
背景技术
目前,玻璃作为日常生活、生产和科学技术领域的一种重要材料流通于市场中,但由于其表面光滑不易运输的特性,经常会在运输途中由于碰撞产生划痕和破损。为了避免这种不合格的玻璃流入市场,必须对其进行检测。在对划痕的检查过程中,目测法对玻璃的划痕检测是一项非常耗费人力时间的工作,并且不能保证检测的可靠性。为了减少人力时间成本,实现工业上的自动化,基于机器人视觉的机器自动检测应运而生。
现有技术中,玻璃划痕缺陷检测大多采用基于神经网络的检测方法。但是这种方法一方面需要预先训练缺陷识别模型,需要大量的训练样本和训练时间才能得到符合要求的缺陷识别模型,效率不高,另一方便由于玻璃表面图像的分辨率存在差异,影响了模型识别匹配的准确度。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种准确、高效的玻璃划痕缺陷检测方法。
本发明实施例的另一个目的在于提供一种玻璃划痕缺陷检测系统。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种玻璃划痕缺陷检测方法,包括以下步骤:
获取待检测玻璃的第一图像信息,对所述第一图像信息进行预处理和动态阈值分割,得到第二图像信息;
对所述第二图像信息进行连通域分割得到若干个第一区域,进而对所述第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域;
对所述第二区域进行联合膨胀处理后提取出骨架,并根据所述骨架确定若干个划痕区域;
根据所述划痕区域确定划痕数量和划痕长度,进而根据所述划痕数量和所述划痕长度确定所述待检测玻璃是否存在划痕缺陷。
进一步地,在本发明的一个实施例中,所述对所述第一图像信息进行预处理和动态阈值分割,得到第二图像信息这一步骤,其具体包括:
对所述第一图像信息进行平滑处理,得到第三图像信息;
根据所述第三图像信息确定自适应阈值矩阵;
根据所述自适应阈值矩阵对所述第一图像信息进行动态阈值分割处理得到第二图像信息。
进一步地,在本发明的一个实施例中,所述对所述第二图像信息进行连通域分割得到若干个第一区域,进而对所述第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域这一步骤,其具体包括:
通过Two-pass算法或Seed-Filling算法对所述第二图像信息进行连通域分割得到若干个第一区域;
确定所述第一区域的像素面积,并根据所述像素面积对所述第一区域进行特征选择,提取出像素面积大于预设的第一阈值的第一区域作为第二区域。
进一步地,在本发明的一个实施例中,所述对所述第二区域进行联合膨胀处理后提取出骨架,并根据所述骨架确定若干个划痕区域这一步骤,其具体包括:
对所述第二区域进行区域联合得到第四图像信息,进而对所述第四图像信息进行膨胀处理得到第五图像信息;
获取预设的结构元素,根据所述结构元素对所述第五图像信息进行腐蚀处理和开运算,提取出若干个骨架;
根据所述骨架和预设的划痕特征确定若干个划痕区域。
进一步地,在本发明的一个实施例中,所述根据所述骨架和预设的划痕特征确定若干个划痕区域这一步骤,其具体包括:
对所述骨架进行直线检测,得到各骨架对应的直线线段;
根据预设的划痕特征对所述直线线段进行筛选,得到若干个划痕线段,进而根据所述划痕线段确定若干个划痕区域。
进一步地,在本发明的一个实施例中,所述根据所述划痕区域确定划痕数量和划痕长度,进而根据所述划痕数量和所述划痕长度确定所述待检测玻璃是否存在划痕缺陷这一步骤,其具体包括:
根据所述划痕线段的数量和长度确定所述划痕数量和划痕长度;
获取预设的数量阈值和长度阈值;
当所述划痕数量小于等于所述数量阈值,且所述划痕长度小于等于所述长度阈值,确定所述待检测玻璃不存在划痕缺陷,反之,则确定所述待检测玻璃存在划痕缺陷。
第二方面,本发明实施例提供了一种玻璃划痕缺陷检测系统,包括:
动态阈值分割模块,用于获取待检测玻璃的第一图像信息,对所述第一图像信息进行预处理和动态阈值分割,得到第二图像信息;
连通域分割模块,用于对所述第二图像信息进行连通域分割得到若干个第一区域,进而对所述第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域;
骨架提取模块,用于对所述第二区域进行联合膨胀处理后提取出骨架,并根据所述骨架确定若干个划痕区域;
划痕缺陷确定模块,用于根据所述划痕区域确定划痕数量和划痕长度,进而根据所述划痕数量和所述划痕长度确定所述待检测玻璃是否存在划痕缺陷。
进一步地,在本发明的一个实施例中,所述骨架提取模块包括:
联合膨胀单元,用于对所述第二区域进行区域联合得到第四图像信息,进而对所述第四图像信息进行膨胀处理得到第五图像信息;
骨架提取单元,用于获取预设的结构元素,根据所述结构元素对所述第五图像信息进行腐蚀处理和开运算,提取出若干个骨架;
划痕区域确定单元,用于根据所述骨架和预设的划痕特征确定若干个划痕区域。
第三方面,本发明实施例提供了一种玻璃划痕缺陷检测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的一种玻璃划痕缺陷检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述的一种玻璃划痕缺陷检测方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到:
本发明实施例获取待检测玻璃的第一图像信息,对第一图像信息进行预处理、动态阈值分割得到第二图像信息,然后对第二图像信息进行连通域分割得到若干个连通域(即第一区域),进而对各个连通域进行特征选择,提取出达到一定面积的连通域作为第二区域,再对第二区域进行区域联合和膨胀处理后提取出骨架,根据骨架确定若干个划痕区域,再根据划痕区域确定划痕数量和划痕长度,从而可以确定待检测玻璃是否存在划痕缺陷。本发明实施例通过动态阈值分割、连通域分割、特征选取以及联合膨胀处理后可以提取出骨架,根据骨架即可确定划痕所在的划痕区域,进而可以判断待检测玻璃表面是否存在划痕数量过多或划痕过长等缺陷,相对于现有的基于神经网络的划痕缺陷检测算法而言,减小了计算量,降低了对系统算力的要求,在保证准确度的同时,提高了玻璃划痕缺陷检测的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对本发明实施例中所需要使用的附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种玻璃划痕缺陷检测方法的步骤流程图;
图2为本发明实施例提供的一种玻璃划痕缺陷检测系统的结构框图;
图3为本发明实施例提供的一种玻璃划痕缺陷检测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,多个的含义是两个或两个以上,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1,本发明实施例提供了一种玻璃划痕缺陷检测方法,具体包括以下步骤:
S101、获取待检测玻璃的第一图像信息,对第一图像信息进行预处理和动态阈值分割,得到第二图像信息;
具体地,可通过工业相机获取待检测玻璃的第一图像信息,通过预处理消除第一图像信息的尖锐噪声,使得图像更加平滑,然后再利用动态阈值分割对图像中的像素点进行划分,使得目标物体与背景的灰度值差异最大化。
进一步作为可选的实施方式,对第一图像信息进行预处理和动态阈值分割,得到第二图像信息这一步骤,其具体包括:
A1、对第一图像信息进行平滑处理,得到第三图像信息;
A2、根据第三图像信息确定自适应阈值矩阵;
A3、根据自适应阈值矩阵对第一图像信息进行动态阈值分割处理得到第二图像信息。
具体地,假设第一图像信息为I,高为H,宽为W,平滑算子的尺寸可记为h*w,且h和w都为奇数。第一步,采用平滑算子对第一图像信息进行平滑处理,平滑后的的第三图像信息记为fs(I),平滑可以使用均值滤波、高斯滤波、中值滤波中任一种;第二步,根据第三图像信息确定自适应阈值矩阵T,可用T=(1-ratio)*fs(I)表示,本发明实施例中取ratio=0.15,根据第三图像信息fs(I)中各个像素点的灰度值即可计算出第一图像信息中对应位置上各像素点的特征阈值,从而可以形成自适应阈值矩阵T;第三步:根据得到的自适应阈值矩阵对第一图像信息进行阈值分割,即将第一图像信息中各像素点的灰度值与上一步求得的该点的特征阈值作比较,大于特征阈值则将该点的灰度值置为255,小于特征阈值则将该点的灰度值置为0。阈值分割的规则可用下式表示:
其中,G(r,c)表示第二图像信息中像素点(r,c)处的灰度值,I(r,c)表示第一图像信息中像素点(r,c)处的灰度值,T(r,c)表示自适应阈值矩阵中像素点(r,c)对应的特征阈值。
图像阈值化分割是一种常用的图像分割方法,它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级,对像素集合进行一个划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
阈值分割是一种简单有效的图像分割方法,它对物体与背景有较强对比的图像分割特别有效,所有灰度大于或者等于预知的像素被判决为属于物体,灰度值用255表示前景,否则这些像素点被排除在物体区域外,灰度值为0,表示背景。
阈值分割的阈值有自动全局阈值和动态阈值两种。在本发明实施例中采用动态阈值分割。
可选地,本发明实施例采用均值滤波算法对第一图像信息进行平滑处理。均值滤波又称作邻域平均法,是典型的线性滤波算法,理想的均值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。从频率域观点来看均值滤波是一种低通滤波器(让图像的低频部分通过,通常弱化边缘,会得到比较平缓的图像),高频信号将会去掉,因此可以帮助消除图像尖锐噪声,实现图像平滑。
S102、对第二图像信息进行连通域分割得到若干个第一区域,进而对第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域;
具体地,连通区域(Connected Component)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。连通区域分割(Connected Component Analysis,Connected Component Labeling)是指将图像中的各个连通区域找出并标记。连通区域分割是一种在CVPR和图像分析处理的众多应用领域中较为常用和基本的方法。例如:OCR识别中字符分割提取(车牌识别、文本识别、字幕识别等)、视觉跟踪中的运动前景目标分割与提取(行人入侵检测、遗留物体检测、基于视觉的车辆检测与跟踪等)、医学图像处理(感兴趣目标区域提取)、等等。也就是说,在需要将前景目标提取出来以便后续进行处理的应用场景中都能够用到连通区域分割方法,通常连通区域分割处理的对象是一张二值化后的图像。步骤S102具体包括以下步骤:
S1021、通过Two-pass算法或Seed-Filling算法对第二图像信息进行连通域分割得到若干个第一区域;
S1022、确定第一区域的像素面积,并根据像素面积对第一区域进行特征选择,提取出像素面积大于预设的第一阈值的第一区域作为第二区域。
具体地,Two-pass算法即两遍扫描法,通过扫描两遍图像,就可以将图像中存在的所有连通区域找出并标记。算法思路为:第一遍扫描时赋予每个像素位置一个标签,扫描过程中同一个连通区域内的像素集合中可能会被赋予一个或多个不同标签,因此需要将这些属于同一个连通区域但具有不同值的标签合并,也就是记录它们之间的相等关系;第二遍扫描就是将具有相等关系的标签所标记的像素归为一个连通区域并赋予一个相同的标签。
Seed-Filling算法即种子填充方法,算法思路为:选取一个前景像素点作为种子,然后根据连通区域的两个基本条件(像素值相同、位置相邻)将与种子相邻的前景像素合并到同一个像素集合中,最后得到的该像素集合则为一个连通区域。
本发明实施例通过对第二图像信息进行连通域分割得到若干个连通区域(即第一区域),然后筛选出面积达到一定阈值的连通区域,便于后续从中提取出骨架。
S103、对第二区域进行联合膨胀处理后提取出骨架,并根据骨架确定若干个划痕区域;
具体地,一个图像的"骨架"是指图像中央的骨骼部分,是描述图像几何拓扑性质的重要特征之一。在求一幅图像X的骨骼过程中应满足两个条件:第一,X应该有规律的缩小;第二,在X缩小的过程中,应当使X的连通性质保持不变。步骤S103具体包括以下步骤:
S1031、对第二区域进行区域联合得到第四图像信息,进而对第四图像信息进行膨胀处理得到第五图像信息;
S1032、获取预设的结构元素,根据结构元素对第五图像信息进行腐蚀处理和开运算,提取出若干个骨架;
S1033、根据骨架和预设的划痕特征确定若干个划痕区域。
具体地,区域的联合是用于合并连通域,在进行膨胀处理前必须使区域联合。膨胀是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程,可以用来填补物体中的空洞。膨胀的算法:采用3×3的结构元素A,扫描第四图像信息的每一个像素点,用结构元素A与其覆盖的二值图像做“与”操作,如果结果为0,则得到的第五图像信息中该像素点为0。否则为255。
骨架提取可以通过选定合适的结构元素B,对第五图像信息进行连续腐蚀和开运算来求得。其步骤为获得第五图像信息的首地址及图像的宽和高,并设置循环标志1。用结构元素B腐蚀原图像,并保存腐蚀结果。设置循环标志为0,如果腐蚀结果中有一个点为255,即原图像尚未被完全腐蚀成空集,则将循环标志设为1。用结构元素对腐蚀后的图像进行开运算(消除小的白色区域),并求取腐蚀运算与开运算的差(得到消除的白色区域)。用求得的白色区域与之前求得的骨架进行并集运算,以获得本次循环求得的骨架。把本次循环中保存的腐蚀结果赋值给原图像,重复以上步骤,直到将原图像腐蚀成空集为止,最终提取出骨架。
进一步作为可选的实施方式,根据骨架和预设的划痕特征确定若干个划痕区域这一步骤S1033,其具体包括:
S10331、对骨架进行直线检测,得到各骨架对应的直线线段;
S10332、根据预设的划痕特征对直线线段进行筛选,得到若干个划痕线段,进而根据划痕线段确定若干个划痕区域。
具体地,在提取到至少一个骨架之后,可以对所提取的各骨架分别进行直线检测,得到各骨架分别对应的直线线段,并根据各直线线段组成的线条集合以及预设的划痕特征确定最终检测出的划痕。其中,预设的划痕特征例如可以包括下述的至少一项:线条长度大于或等于预设的第一阈值;线条梯度均值大于或等于预设的第二阈值;线条指标大于或等于预设的第三阈值,线条指标是基于线段长度和线段梯度均值确定的。本发明实施例中线条梯度均值的第二阈值与线条指标的第三阈值由统计得到,例如已经确定有N个划痕梯度均值分别为u1…un,线条指标分别为F1…Fn,则设定线条梯度均值的阈值为uthr=min(u1…un),线条指标的阈值为Fthr=min(F1…Fn),缺陷样本个数N应尽量大。实施例中线条长度的第一阈值由检测指标得到,例如需要检测的最小划痕长度为1mm,图像中物理尺寸与像素尺寸的比例为1/10,即1mm对应10pix,则线条长度阈值lthr=10。
S104、根据划痕区域确定划痕数量和划痕长度,进而根据划痕数量和划痕长度确定待检测玻璃是否存在划痕缺陷。
具体地,在确定划痕区域后可在此进行连通域分割,将不同的划痕区域分割为单独的区域,便于后续对划痕的长度和数量进行统计。步骤S104具体包括以下步骤:
S1041、根据划痕线段的数量和长度确定划痕数量和划痕长度;
S1042、获取预设的数量阈值和长度阈值;
S1043、当划痕数量小于等于数量阈值,且划痕长度小于等于长度阈值,确定待检测玻璃不存在划痕缺陷,反之,则确定待检测玻璃存在划痕缺陷。
具体地,当且仅当划痕数量不高于数量阈值且划痕长度不高于长度阈值时,待检测玻璃不存在划痕缺陷;当待检测玻璃存在划痕缺陷时,还可根据划痕的数量和划痕的平均长度对划痕缺陷进行分级,并输出相应的结果。
以上对本发明实施例的方法步骤进行了说明。可以理解的是,本发明实施例通过动态阈值分割、连通域分割、特征选取以及联合膨胀处理后可以提取出骨架,根据骨架即可确定划痕所在的划痕区域,进而可以判断待检测玻璃表面是否存在划痕数量过多或划痕过长等缺陷,相对于现有的基于神经网络的划痕缺陷检测算法而言,减小了计算量,降低了对系统算力的要求,在保证准确度的同时,提高了玻璃划痕缺陷检测的效率。
参照图2,本发明实施例提供了一种玻璃划痕缺陷检测系统,包括:
动态阈值分割模块,用于获取待检测玻璃的第一图像信息,对第一图像信息进行预处理和动态阈值分割,得到第二图像信息;
连通域分割模块,用于对第二图像信息进行连通域分割得到若干个第一区域,进而对第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域;
骨架提取模块,用于对第二区域进行联合膨胀处理后提取出骨架,并根据骨架确定若干个划痕区域;
划痕缺陷确定模块,用于根据划痕区域确定划痕数量和划痕长度,进而根据划痕数量和划痕长度确定待检测玻璃是否存在划痕缺陷。
进一步作为可选的实施方式,骨架提取模块包括:
联合膨胀单元,用于对第二区域进行区域联合得到第四图像信息,进而对第四图像信息进行膨胀处理得到第五图像信息;
骨架提取单元,用于获取预设的结构元素,根据结构元素对第五图像信息进行腐蚀处理和开运算,提取出若干个骨架;
划痕区域确定单元,用于根据骨架和预设的划痕特征确定若干个划痕区域。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3,本发明实施例提供了一种玻璃划痕缺陷检测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当上述至少一个程序被上述至少一个处理器执行时,使得上述至少一个处理器实现上述的一种玻璃划痕缺陷检测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于执行上述一种玻璃划痕缺陷检测方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种玻璃划痕缺陷检测方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上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,本发明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)执行本发明各个实施例上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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式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方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种玻璃划痕缺陷检测方法,其特征在于,包括以下步骤:
获取待检测玻璃的第一图像信息,对所述第一图像信息进行预处理和动态阈值分割,得到第二图像信息;
对所述第二图像信息进行连通域分割得到若干个第一区域,进而对所述第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域;
对所述第二区域进行联合膨胀处理后提取出骨架,并根据所述骨架确定若干个划痕区域;
根据所述划痕区域确定划痕数量和划痕长度,进而根据所述划痕数量和所述划痕长度确定所述待检测玻璃是否存在划痕缺陷;
所述对所述第二区域进行联合膨胀处理后提取出骨架,并根据所述骨架确定若干个划痕区域这一步骤,其具体包括:
对所述第二区域进行区域联合得到第四图像信息,进而对所述第四图像信息进行膨胀处理得到第五图像信息;
获取预设的结构元素,根据所述结构元素对所述第五图像信息进行腐蚀处理和开运算,提取出若干个骨架;
根据所述骨架和预设的划痕特征确定若干个划痕区域;
所述根据所述骨架和预设的划痕特征确定若干个划痕区域这一步骤,其具体包括:
对所述骨架进行直线检测,得到各骨架对应的直线线段;
根据预设的划痕特征对所述直线线段进行筛选,得到若干个划痕线段,进而根据所述划痕线段确定若干个划痕区域;
所述对所述第四图像信息进行膨胀处理得到第五图像信息这一步骤,其具体包括:
采用3×3的结构元素A,扫描所述第四图像信息的每一个像素点,通过所述结构元素A与其覆盖的二值图像做与运算,若结果为0,则得到的所述第五图像信息中该所述像素点为0,否则为255;
所述获取预设的结构元素,根据所述结构元素对所述第五图像信息进行腐蚀处理和开运算,提取出若干个骨架这一步骤,其具体包括:
选定合适的结构元素B,获得所述第五图像信息的首地址及图像的宽和高,并设置循环标志为1;
通过所述结构元素B腐蚀原图像,并保存腐蚀结果;
设置所述循环标志为0,若所述腐蚀结果中有一个点为255,即原图像尚未被完全腐蚀成空集,则将所述循环标志设为1;
通过所述结构元素B对腐蚀后的图像进行开运算,并求取腐蚀运算与开运算的差;
通过腐蚀运算与开运算的差与前一次循环求得的骨架进行并集运算,以获得本次循环求得的骨架;
将本次循环中保存的所述腐蚀结果赋值给原图像;
返回通过所述结构元素B腐蚀原图像这一步骤,直到将原图像腐蚀成空集为止,最终提取出骨架;
所述划痕特征具体包括:
线条长度大于或等于预设的第一阈值,且线条梯度均值大于或等于预设的第二阈值,且线条指标大于或等于预设的第三阈值;
其中,所述线条指标基于所述线段长度和所述线段梯度均值确定。
2.根据权利要求1所述的一种玻璃划痕缺陷检测方法,其特征在于,所述对所述第一图像信息进行预处理和动态阈值分割,得到第二图像信息这一步骤,其具体包括:
对所述第一图像信息进行平滑处理,得到第三图像信息;
根据所述第三图像信息确定自适应阈值矩阵;
根据所述自适应阈值矩阵对所述第一图像信息进行动态阈值分割处理得到第二图像信息。
3.根据权利要求1所述的一种玻璃划痕缺陷检测方法,其特征在于,所述对所述第二图像信息进行连通域分割得到若干个第一区域,进而对所述第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域这一步骤,其具体包括:
通过Two-pass算法或Seed-Filling算法对所述第二图像信息进行连通域分割得到若干个第一区域;
确定所述第一区域的像素面积,并根据所述像素面积对所述第一区域进行特征选择,提取出像素面积大于预设的第一阈值的第一区域作为第二区域。
4.根据权利要求1所述的一种玻璃划痕缺陷检测方法,其特征在于,所述根据所述划痕区域确定划痕数量和划痕长度,进而根据所述划痕数量和所述划痕长度确定所述待检测玻璃是否存在划痕缺陷这一步骤,其具体包括:
根据所述划痕线段的数量和长度确定所述划痕数量和划痕长度;
获取预设的数量阈值和长度阈值;
当所述划痕数量小于等于所述数量阈值,且所述划痕长度小于等于所述长度阈值,确定所述待检测玻璃不存在划痕缺陷,反之,则确定所述待检测玻璃存在划痕缺陷。
5.一种玻璃划痕缺陷检测系统,其特征在于,包括:
动态阈值分割模块,用于获取待检测玻璃的第一图像信息,对所述第一图像信息进行预处理和动态阈值分割,得到第二图像信息;
连通域分割模块,用于对所述第二图像信息进行连通域分割得到若干个第一区域,进而对所述第一区域进行特征选择,提取出面积大于预设的第一阈值的第二区域;
骨架提取模块,用于对所述第二区域进行联合膨胀处理后提取出骨架,并根据所述骨架确定若干个划痕区域;
划痕缺陷确定模块,用于根据所述划痕区域确定划痕数量和划痕长度,进而根据所述划痕数量和所述划痕长度确定所述待检测玻璃是否存在划痕缺陷;
所述对所述第二区域进行联合膨胀处理后提取出骨架,并根据所述骨架确定若干个划痕区域这一步骤,其具体包括:
对所述第二区域进行区域联合得到第四图像信息,进而对所述第四图像信息进行膨胀处理得到第五图像信息;
获取预设的结构元素,根据所述结构元素对所述第五图像信息进行腐蚀处理和开运算,提取出若干个骨架;
根据所述骨架和预设的划痕特征确定若干个划痕区域;
所述根据所述骨架和预设的划痕特征确定若干个划痕区域这一步骤,其具体包括:
对所述骨架进行直线检测,得到各骨架对应的直线线段;
根据预设的划痕特征对所述直线线段进行筛选,得到若干个划痕线段,进而根据所述划痕线段确定若干个划痕区域;
所述对所述第四图像信息进行膨胀处理得到第五图像信息这一步骤,其具体包括:
采用3×3的结构元素A,扫描所述第四图像信息的每一个像素点,通过所述结构元素A与其覆盖的二值图像做与运算,若结果为0,则得到的所述第五图像信息中该所述像素点为0,否则为255;
所述获取预设的结构元素,根据所述结构元素对所述第五图像信息进行腐蚀处理和开运算,提取出若干个骨架这一步骤,其具体包括:
选定合适的结构元素B,获得所述第五图像信息的首地址及图像的宽和高,并设置循环标志为1;
通过所述结构元素B腐蚀原图像,并保存腐蚀结果;
设置所述循环标志为0,若所述腐蚀结果中有一个点为255,即原图像尚未被完全腐蚀成空集,则将所述循环标志设为1;
通过所述结构元素B对腐蚀后的图像进行开运算,并求取腐蚀运算与开运算的差;
通过腐蚀运算与开运算的差与前一次循环求得的骨架进行并集运算,以获得本次循环求得的骨架;
将本次循环中保存的所述腐蚀结果赋值给原图像;
返回通过所述结构元素B腐蚀原图像这一步骤,直到将原图像腐蚀成空集为止,最终提取出骨架;
所述划痕特征具体包括:
线条长度大于或等于预设的第一阈值,且线条梯度均值大于或等于预设的第二阈值,且线条指标大于或等于预设的第三阈值;
其中,所述线条指标基于所述线段长度和所述线段梯度均值确定。
6.根据权利要求5所述的一种玻璃划痕缺陷检测系统,其特征在于,所述骨架提取模块包括:
联合膨胀单元,用于对所述第二区域进行区域联合得到第四图像信息,进而对所述第四图像信息进行膨胀处理得到第五图像信息;
骨架提取单元,用于获取预设的结构元素,根据所述结构元素对所述第五图像信息进行腐蚀处理和开运算,提取出若干个骨架;
划痕区域确定单元,用于根据所述骨架和预设的划痕特征确定若干个划痕区域。
7.一种玻璃划痕缺陷检测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至4中任一项所述的一种玻璃划痕缺陷检测方法。
8.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至4中任一项所述的一种玻璃划痕缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804825.9A CN113610774B (zh) | 2021-07-16 | 2021-07-16 | 一种玻璃划痕缺陷检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804825.9A CN113610774B (zh) | 2021-07-16 | 2021-07-16 | 一种玻璃划痕缺陷检测方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610774A CN113610774A (zh) | 2021-11-05 |
CN113610774B true CN113610774B (zh) | 2024-01-09 |
Family
ID=78337664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110804825.9A Active CN113610774B (zh) | 2021-07-16 | 2021-07-16 | 一种玻璃划痕缺陷检测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610774B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387515A (zh) * | 2021-12-31 | 2022-04-22 | 潮州三环(集团)股份有限公司 | 一种基于机器视觉的切割路径规划方法及装置 |
CN114219805B (zh) * | 2022-02-22 | 2022-05-13 | 武汉旺佳玻璃制品有限公司 | 一种玻璃缺陷智能检测方法 |
CN115841445B (zh) * | 2022-04-18 | 2024-05-17 | 宁德时代新能源科技股份有限公司 | 对复合料带的阴极极片进行检测的方法、装置和系统 |
CN114581444B (zh) * | 2022-05-06 | 2022-08-02 | 济宁海富光学科技有限公司 | 基于图像处理的玻璃盖打磨工艺监测方法 |
CN116309583B (zh) * | 2023-05-19 | 2023-10-13 | 中导光电设备股份有限公司 | 一种显示屏凹痕缺陷检测的方法和系统 |
CN116342589B (zh) * | 2023-05-23 | 2023-08-22 | 之江实验室 | 一种跨视场划痕缺陷连续性检测方法和系统 |
CN116952958B (zh) * | 2023-09-18 | 2023-12-29 | 杭州百子尖科技股份有限公司 | 缺陷检测方法、装置、电子设备及存储介质 |
CN117953032A (zh) * | 2023-12-12 | 2024-04-30 | 钛玛科(北京)工业科技有限公司 | 一种用于校正大幅宽材料的瑕疵缺陷尺寸标定方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735695A (zh) * | 2012-06-04 | 2012-10-17 | 华中科技大学 | 一种镜片瑕疵快速检测方法及装置 |
CN103076345A (zh) * | 2013-01-16 | 2013-05-01 | 东莞市三姆森光电科技有限公司 | 一种ito导电玻璃的检测方法及其全自动光学检测系统 |
CN106097344A (zh) * | 2016-06-15 | 2016-11-09 | 武汉理工大学 | 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统 |
CN106770330A (zh) * | 2017-01-23 | 2017-05-31 | 无锡职业技术学院 | 一种物体表面划痕检测装置及其检测方法 |
CN111325717A (zh) * | 2020-01-21 | 2020-06-23 | 上海悦易网络信息技术有限公司 | 手机缺陷位置识别方法及设备 |
CN111652857A (zh) * | 2020-05-20 | 2020-09-11 | 国网河北省电力有限公司检修分公司 | 一种绝缘子缺陷红外检测方法 |
CN112508926A (zh) * | 2020-12-16 | 2021-03-16 | 广州大学 | 金属冲压件表面划痕检测方法、系统、装置和存储介质 |
CN113034624A (zh) * | 2021-05-06 | 2021-06-25 | 湖州云电笔智能科技有限公司 | 基于感温变色胶贴的温度预警图像识别方法、系统、设备及存储介质 |
-
2021
- 2021-07-16 CN CN202110804825.9A patent/CN113610774B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735695A (zh) * | 2012-06-04 | 2012-10-17 | 华中科技大学 | 一种镜片瑕疵快速检测方法及装置 |
CN103076345A (zh) * | 2013-01-16 | 2013-05-01 | 东莞市三姆森光电科技有限公司 | 一种ito导电玻璃的检测方法及其全自动光学检测系统 |
CN106097344A (zh) * | 2016-06-15 | 2016-11-09 | 武汉理工大学 | 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统 |
CN106770330A (zh) * | 2017-01-23 | 2017-05-31 | 无锡职业技术学院 | 一种物体表面划痕检测装置及其检测方法 |
CN111325717A (zh) * | 2020-01-21 | 2020-06-23 | 上海悦易网络信息技术有限公司 | 手机缺陷位置识别方法及设备 |
CN111652857A (zh) * | 2020-05-20 | 2020-09-11 | 国网河北省电力有限公司检修分公司 | 一种绝缘子缺陷红外检测方法 |
CN112508926A (zh) * | 2020-12-16 | 2021-03-16 | 广州大学 | 金属冲压件表面划痕检测方法、系统、装置和存储介质 |
CN113034624A (zh) * | 2021-05-06 | 2021-06-25 | 湖州云电笔智能科技有限公司 | 基于感温变色胶贴的温度预警图像识别方法、系统、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于形态学玻璃屏幕表面划痕检测方法研究;赵文宏 等;《浙江工业大学学报》;第44卷(第3期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113610774A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113610774B (zh) | 一种玻璃划痕缺陷检测方法、系统、装置及存储介质 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN113610772B (zh) | 易拉罐瓶底喷码缺陷检测方法、系统、装置及存储介质 | |
CN113111868B (zh) | 一种字符缺陷检测方法、系统、装置及存储介质 | |
JP7508556B2 (ja) | 文字分割方法、装置、および、コンピュータ可読記憶媒体 | |
US7340096B2 (en) | Method for identification of tokens in video sequences | |
CN113128554B (zh) | 一种基于模板匹配的目标定位方法、系统、装置及介质 | |
CN111046862B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN113610773B (zh) | 一种垫片孔洞质量检测方法、系统、装置及存储介质 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
CN114332026B (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN115496794B (zh) | 混凝土裂缝宽度计算方法、系统、计算机设备及存储介质 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN111444964A (zh) | 一种基于自适应roi划分的多目标快速图像匹配方法 | |
CN108961262B (zh) | 一种复杂场景下的条码定位方法 | |
CN111080554B (zh) | 一种投影内容中字幕区域增强方法、装置及可读存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115775244A (zh) | 线圈绕线的检测方法及装置、电子设备和存储介质 | |
CN115457017A (zh) | 一种导线缺陷检测方法、装置、计算机设备及存储介质 | |
CN112560863B (zh) | 垃圾回收站地面清洁度的检测方法、系统、装置及介质 | |
Vargas et al. | A shadow removal algorithm for vehicle detection based on reflectance ratio and edge density | |
CN114596242A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
CN115908404B (zh) | 图像条纹干扰的检测方法、装置、电子设备及介质 | |
CN111932515B (zh) | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 | |
CN113450316B (zh) | 一种金属表面字符缺陷检测方法、系统、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |