CN113744274B - 产品外观缺陷检测方法、装置及存储介质 - Google Patents
产品外观缺陷检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113744274B CN113744274B CN202111310559.0A CN202111310559A CN113744274B CN 113744274 B CN113744274 B CN 113744274B CN 202111310559 A CN202111310559 A CN 202111310559A CN 113744274 B CN113744274 B CN 113744274B
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- sequence
- difference value
- difference
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005286 illumination Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 9
- 239000000919 ceramic Substances 0.000 description 47
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了产品外观缺陷检测方法、装置及存储介质，该方法包括：采集产品的待检测图像；获取待检测图像的灰度值与预设灰度图像的灰度值之间的灰度差值集合；从灰度差值集合中获取图案的最小像素规律周期对应的最小灰度差值序列；在灰度差值集合中存在有异常差值序列时，确定产品存在缺陷。本发明提高了产品外观缺陷检测的效率，节省了人力，避免了漏检的情况发生。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及一种产品外观缺陷检测方法、装置及存储介质。
背景技术
目前产品的外观质量是衡量产品质量的重要指标之一。产品（例如木质地板、釉面瓷砖等）在批量生产时，通常需要人工去检验产品的外观质量，例如检验产品的外观是否有划痕、缺失等问题。由于产品的生产量大，人工检验产品外观需要耗费较多的人力，不仅效率低下，还容易造成产品漏检，提高了产品的漏检率。
发明内容
本发明实施例通过提供一种产品外观缺陷检测方法、装置及存储介质，旨在解决人工检验产品外观质量的效率低下，容易造成产品漏检的技术问题。
本发明实施例提供了一种产品外观缺陷检测方法，所述产品上具有图案，所述产品外观缺陷检测方法包括：
采集所述产品的待检测图像；
获取所述待检测图像的灰度值与预设灰度图像的灰度值之间的灰度差值集合；
从所述灰度差值集合中获取所述图案的最小像素规律周期对应的最小灰度差值序列；
在所述灰度差值集合中存在有异常差值序列时，确定所述产品存在缺陷；其中，所述异常差值序列为所述灰度差值集合中与所述最小灰度差值序列不相同的灰度差值序列。
在一实施例中，所述采集所述产品的待检测图像的步骤包括：
获取所述产品的原始拍摄图像和拍摄环境中的光照参数，所述原始拍摄图像包括背景图像和所述产品的特征图像；
根据所述光照参数对应的预设图像调整参数调整所述原始拍摄图像；
从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像。
在一实施例中，所述根据所述光照参数对应的预设图像调整参数调整所述原始拍摄图像的步骤之后，还包括：
判断调整后的所述原始拍摄图像中所述特征图像是否发生倾斜；
在调整后的所述原始拍摄图像中所述特征图像未发生倾斜时，执行所述从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像的步骤。
在一实施例中，所述判断调整后的所述原始拍摄图像中所述特征图像是否发生倾斜的步骤之后，还包括：
在调整后的所述原始拍摄图像中所述特征图像发生倾斜时，对调整后的所述原始拍摄图像中所述特征图像进行校正，并执行所述从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像的步骤。
在一实施例中，所述对调整后的所述原始拍摄图像中所述特征图像进行校正的步骤包括：
获取所述特征图像的轮廓以及所述背景图像的边缘与所述特征图像的边缘的夹角；
按照所述夹角对所述轮廓进行旋转，得到所述特征图像的校正轮廓；
采用所述特征图像中灰度值替换所述校正轮廓中包含的灰度值。
在一实施例中，所述从所述灰度差值集合中获取所述图案的最小像素规律周期对应的最小灰度差值序列的步骤之后，还包括：
获取所述最小灰度差值序列的序列长度；
根据所述序列长度将所述灰度差值集合中的灰度差值划分为若干个灰度差值序列。
在一实施例中，所述在所述灰度差值集合中存在有异常差值序列时，确定所述产品存在缺陷的步骤之后，还包括：
获取所述异常差值序列与所述最小灰度差值序列的差异灰度差值；
获取所述异常差值序列中所述差异灰度差值对应像素点所在的像素位置；
标记所述像素位置为缺陷位置。
在一实施例中，所述获取所述异常差值序列与所述最小灰度差值序列的差异灰度差值的步骤包括：
按照所述异常差值序列中灰度差值的差值顺序，遍历所述异常差值序列中的灰度差值；
将遍历到的所述灰度差值与所述最小灰度差值序列中的灰度差值进行比较；
在所述最小灰度差值序列中与遍历到的所述灰度差值比较的灰度差值与遍历到的所述灰度差值不相同时，确定遍历到的所述灰度差值为差异灰度差值。
此外，为实现上述目的，本发明还提供了一种图像处理装置包括：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产品外观缺陷检测程序，所述产品外观缺陷检测程序被所述处理器执行时实现上述的产品外观缺陷检测方法的步骤。
此外，为实现上述目的，本发明还提供了一种存储介质，其上存储有产品外观缺陷检测程序，所述产品外观缺陷检测程序被处理器执行时实现上述的产品外观缺陷检测方法的步骤。
本发明实施例中提供的一种产品外观缺陷检测方法、装置及存储介质的技术方案，至少具有如下技术效果或优点：
由于采用了采集产品的待检测图像，获取待检测图像的灰度值与预设灰度图像的灰度值之间的灰度差值集合，从灰度差值集合中获取图案的最小像素规律周期对应的最小灰度差值序列，在灰度差值集合中存在有异常差值序列时，确定产品存在缺陷技术方案，解决了人工检验产品外观质量的效率低下，容易造成产品漏检的技术问题，实现了对具有规律图案的产品的外观缺陷检测，提高了产品外观缺陷检测的效率，节省了人力，避免了漏检的情况发生。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明产品外观缺陷检测方法第一实施例的流程示意图；
图3为一种瓷砖的示意图；
图4为本发明产品外观缺陷检测方法第二实施例的流程示意图；
图5为特征图像校正前和校正后的示意图；
图6为特征图像校正前和校正后的对比示意图；
图7为本发明产品外观缺陷检测方法第三实施例的流程示意图。
具体实施方式
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，图1为本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图1即可为图像处理装置的硬件运行环境的结构示意图。
如图1所示，该图像处理装置可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的图像处理装置结构并不构成对图像处理装置限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及产品外观缺陷检测程序。其中，操作系统是管理和控制图像处理装置硬件和软件资源的程序，产品外观缺陷检测程序以及其它软件或程序的运行。
在图1所示的图像处理装置中，用户接口1003主要用于连接终端，与终端进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的产品外观缺陷检测程序。
在本实施例中，图像处理装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器上运行的产品外观缺陷检测程序，其中：
处理器1001调用存储器1005中存储的产品外观缺陷检测程序时，执行以下操作：
采集所述产品的待检测图像；
获取所述待检测图像的灰度值与预设灰度图像的灰度值之间的灰度差值集合；
从所述灰度差值集合中获取所述图案的最小像素规律周期对应的最小灰度差值序列；
在所述灰度差值集合中存在有异常差值序列时，确定所述产品存在缺陷；其中，所述异常差值序列为所述灰度差值集合中与所述最小灰度差值序列不相同的灰度差值序列。
处理器1001调用存储器1005中存储的产品外观缺陷检测程序时，还执行以下操作：
获取所述产品的原始拍摄图像和拍摄环境中的光照参数，所述原始拍摄图像包括背景图像和所述产品的特征图像；
根据所述光照参数对应的预设图像调整参数调整所述原始拍摄图像；
从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像。
处理器1001调用存储器1005中存储的产品外观缺陷检测程序时，还执行以下操作：
判断调整后的所述原始拍摄图像中所述特征图像是否发生倾斜；
在调整后的所述原始拍摄图像中所述特征图像未发生倾斜时，执行所述从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像的步骤。
处理器1001调用存储器1005中存储的产品外观缺陷检测程序时，还执行以下操作：
在调整后的所述原始拍摄图像中所述特征图像发生倾斜时，对调整后的所述原始拍摄图像中所述特征图像进行校正，并执行所述从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像的步骤。
处理器1001调用存储器1005中存储的产品外观缺陷检测程序时，还执行以下操作：
获取所述特征图像的轮廓以及所述背景图像的边缘与所述特征图像的边缘的夹角；
按照所述夹角对所述轮廓进行旋转，得到所述特征图像的校正轮廓；
采用所述特征图像中灰度值替换所述校正轮廓中包含的灰度值。
处理器1001调用存储器1005中存储的产品外观缺陷检测程序时，还执行以下操作：
获取所述最小灰度差值序列的序列长度；
根据所述序列长度将所述灰度差值集合中的灰度差值划分为若干个灰度差值序列。
处理器1001调用存储器1005中存储的产品外观缺陷检测程序时，还执行以下操作：
获取所述异常差值序列与所述最小灰度差值序列的差异灰度差值；
获取所述异常差值序列中所述差异灰度差值对应像素点所在的像素位置；
标记所述像素位置为缺陷位置。
处理器1001调用存储器1005中存储的产品外观缺陷检测程序时，还执行以下操作：
按照所述异常差值序列中灰度差值的差值顺序，遍历所述异常差值序列中的灰度差值；
将遍历到的所述灰度差值与所述最小灰度差值序列中的灰度差值进行比较；
在所述最小灰度差值序列中与遍历到的所述灰度差值比较的灰度差值与遍历到的所述灰度差值不相同时，确定遍历到的所述灰度差值为差异灰度差值。
本发明实施例提供了产品外观缺陷检测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图2所示，在本发明的第一实施例中，本发明的产品外观缺陷检测方法，包括以下步骤：
步骤S210：采集所述产品的待检测图像。
本实施例中，所述产品可以理解为建筑装修所使用的材料，为了产品的美观，产品的表面上设有图案，例如瓷砖、木质地板，所述产品为矩形或正方形。如图3所示，图中的产品是一种瓷砖，瓷砖的表面上印制有黑白间隔的图案，以图中的行进行分析图案具有一定的规律性，以图中的列进行分析图案也仍具有一定的规律性。本发明以瓷砖作为产品的示例进行说明，通常瓷砖主要用于建筑行业，一般对瓷砖的外观质量要求比较高，如果瓷砖的外观发生破损，如瓷砖受到磕碰，瓷砖表面上的图案可能被磕掉一部分，也可能导致图案上出现划痕，因此瓷砖的外观就存在了缺陷，则是无法销售出去的。对此，需要对瓷砖的外观进行检测，将外观存在缺陷的瓷砖筛选出来，避免影响后续瓷砖的销售。
具体的，采集瓷砖的待检测图像，所述待检测图像是瓷砖的特征图像，也就是瓷砖的实物图像，该图像是不包含背景图像的，如图3所示的黑白间隔的瓷砖。
步骤S220：获取所述待检测图像的灰度值与预设灰度图像的灰度值之间的灰度差值集合。
通常瓷砖在上釉之后进行图案印制，也就是在瓷砖烧制完成之后，瓷砖图案下方的材料与图案的材料存在明显差异，瓷砖表面上出现缺陷，也就是瓷砖的外观存在缺陷，缺陷位置和正常位置的颜色会有明显差异，可以清楚的进行分辨。如果瓷砖表面上的图案比较简单，且图案的最小规律性周期很短，据实际的瓷砖生产经验可知，如瓷砖表面划伤，掉图案，导致瓷砖表面上出现缺陷，缺陷区域比较小，且图案的最小规律周期很短，最小规律周期便很容易寻找，则通过存在缺陷的瓷砖就可以找出图案的最小规律周期。
具体的，预设灰度图像可以理解为灰度图，其与待检测图像的尺寸大小相同，预设灰度图像的各个像素点的灰度值均是相同的，灰度值也是RGB值。例如，预设灰度图像的各个像素点的灰度值均为（127，127，127），即RGB值中的R分量=127，G分量=127，B分量=127，预设灰度图像的各个像素点的灰度值可以理解为预设灰度值。在获得瓷砖的待检测图像后，同样可以获取到待检测图像中各个像素点的灰度值，该灰度值也是RGB值。例如，待检测图像中的一个像素点的灰度值均为（255，255，255），即RGB值中的R分量=255，G分量=255，B分量=255。
进一步的，所述灰度差值集合包括若干个灰度差值，所述灰度差值是待检测图像每行和每列中各个像素点的灰度值与预设灰度值之间的差值。例如，第1行中第1个-5个像素点的灰度值均是（255，255，255），那么，第1行中第1个-5个像素点的灰度值与预设灰度值的差值分别是（128，128，128）、（128，128，128）、（128，128，128）、（128，128，128）、（128，128，128）；第1列中第1个-5个像素点的灰度值均是（255，255，255），那么，第1列中第1个-5个像素点的灰度值与预设灰度值的差值分别是（128，128，128）、（128，128，128）、（128，128，128）、（128，128，128）、（128，128，128）。具体的，得到待检测图像之后，按照行和列，计算待检测图像中各个像素点的灰度值与预设灰度值之间的灰度差值，根据计算得到灰度差值生成灰度差值集合。灰度差值集合中包括每行对应的灰度差值，以及每列对应的灰度差值。例如，待检测图像中每行上有300个像素点，每列上有300个像素点，即灰度差值集合包括300行的灰度差值和300列的灰度差值，其中，每行和每列上分别对应300个灰度差值。
步骤S230：从所述灰度差值集合中获取所述图案的最小像素规律周期对应的最小灰度差值序列。
如图3所示，瓷砖的表面上印制的是黑白间隔的图案，其中，按照行看来，一部分白色和一部分黑色如此循环，呈现了一种规律，一部分黑色和一部分白色如此循环，也呈现了一种规律；按照列看来，一部分白色和一部分黑色如此循环，呈现了一种规律，一部分黑色和一部分白色如此循环，也呈现了一种规律。行或列中像素点的灰度值是（255，255，255），则表示该像素点是白色，像素点的灰度值是（0，0，0），则表示该像素点是黑色，则通过行或列中各个像素点可以反映出瓷砖表面上图案的循环规律。相应的，通过行或列中各个像素点的灰度值与预设灰度值之间的灰度差值也可以反映出瓷砖表面上图案的循环规律。
具体的，以灰度差值集合中的行对应的灰度差值为例进行说明。图3中，假设白色的像素点是5个，黑色的像素点是5个，那么从左到右，则呈现的一种规律是5个白色紧跟5个黑色，然后依次是5个白色紧跟5个黑色连续循环四次，呈现的另一种规律是5个黑色紧跟5个白色，然后依次是5个黑色紧跟5个白色连续循环四次。可见，一行中5个黑色紧跟5个白色的像素点连续循环了5次，则5个黑色紧跟5个白色的像素点就是本行中的最小像素规律周期；还有一行中5个白色紧跟5个黑色的像素点连续循环了5次，则5个白色紧跟5个黑色的像素点就是本行中图案的最小像素规律周期。
灰度差值集合中每一行和每一列对应的灰度差值均是按照像素点的坐标顺序排列的，例如，图3中每一行对应的灰度差值是从左到右依次计算的，那么，每一行对应的灰度差值从左到右依次排列，对每一行对应的灰度差值进行排列，本行中的所有灰度差值就形成了一个灰度差值序列。进一步的，在得到灰度差值集合的基础上，根据确定的每一行中的最小像素规律周期，可以从每一行中灰度差值序列中找到最小灰度差值序列，所述最小灰度差值序列可以用于表示图案的最小规律周期。例如，图3中，有多行中呈现的一种规律是5个白色紧跟5个黑色，那么其中一行中最小像素规律周期对应的各个像素点的灰度值分别是{（255，255，255）、（255，255，255）、（255，255，255）、（255，255，255）、（255，255，255）、（0，0，0）、（0，0，0）、（0，0，0）、（0，0，0）、（0，0，0）}，那么本行中最小像素规律周期对应的最小灰度差值序列为{（128，128，128）、（128，128，128）、（128，128，128）、（128，128，128）、（128，128，128）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）}。值得注意的是，每一列中最小灰度差值序列的获取方式与每一行中最小灰度差值序列的获取方式同理，这里不再赘述。
进一步的，在获取到每一行中最小灰度差值序列之后，该最小灰度差值序列的序列长度就可以得到，即获取所述最小灰度差值序列的序列长度；根据所述序列长度将所述灰度差值集合中的灰度差值划分为若干个灰度差值序列。图3中，一行中呈现的一种规律是5个白色紧跟5个黑色，5个白色紧跟5个黑色连续循环了五次，即本行中总共有50个像素点，那么，本行中的灰度差值序列的总长度就是50，最小灰度差值序列的序列长度就是10，即灰度差值集合中每一行对应的灰度差值序列就会被划分为5个小序列，且序列长度为10，与最小灰度差值序列的序列长度相同。
进一步的，对灰度差值集合中行和列对应的灰度差值序列的划分后，灰度差值集合中包括每行对应的多个小序列以及每列对应的多个小序列，每一列也对应有灰度差值序列。需要说明是，每一列对应的灰度差值序列的划分方式与每一行对应的灰度差值序列的划分方式同理。
步骤S240：在所述灰度差值集合中存在有异常差值序列时，确定所述产品存在缺陷。
本实施例中，异常差值序列为灰度差值集合中与最小灰度差值序列不相同的灰度差值序列。得到每一行对应的最小灰度差值序列之后，采用得到的最小灰度差值序列与本行对应的多个小序列进行对比，判断本行对应的多个小序列中是否存在与最小灰度差值序列不相同的序列，如果存在，则表示瓷砖的外观存在缺陷，如果不存在，则表示瓷砖的外观没有缺陷，即瓷砖是完好的。例如，采用得到的最小灰度差值序列与第一行对应的多个小序列进行对比，其中，多个小序列也是依次排序的，假设每一行均对应有5个小序列，分别是L11、L12、L13、L14和L15，每个小序列的序列长度是10。其中，按照最小灰度差值序列中各个灰度差值排列顺序，L14中有灰度差值与最小灰度差值序列中对应位置的灰度差值不相同，则表示L14为与最小灰度差值序列不相同的序列，即L14为第一行对应的5个小序列中的异常差值序列，也是灰度差值集合中的异常差值序列。
为了避免误判，可以在得到每一列对应的最小灰度差值序列之后，继续采用每一列对应的最小灰度差值序列与每一列对应的多个小序列进行比对，从而判断每一列对应的多个小序列中是否存在与每一列对应的最小灰度差值序列不相同的序列，如果存在，则表示瓷砖的外观存在缺陷，如果不存在，则表示瓷砖的外观没有缺陷，即瓷砖是完好的。值得注意的是，通过行或列的判断顺序本发明不做限定，可以先根据行判断，然后再根据列判断，或者先根据列判断，然后再根据行判断。
本实施例根据上述技术方案，由于采用了采集产品的待检测图像，获取待检测图像的灰度值与预设灰度图像的灰度值之间的灰度差值集合，从灰度差值集合中获取图案的最小像素规律周期对应的最小灰度差值序列，在灰度差值集合中存在有异常差值序列时，确定产品存在缺陷的技术手段，实现了对具有规律图案的产品的外观缺陷检测，提高了产品外观缺陷检测的效率，节省了人力，避免了漏检的情况发生。
如图4所示，在本发明的第二实施例中，步骤S210包括以下步骤：
步骤S211：获取所述产品的原始拍摄图像和拍摄环境中的光照参数。
步骤S212：根据所述光照参数对应的预设图像调整参数调整所述原始拍摄图像。
步骤S213：从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像。
本实施例中，所述原始拍摄图像包括背景图像和所述产品的特征图像，特征图像也就是瓷砖的实物图像，背景图像是除了特征图像之外的其他背景，例如，瓷砖放置在传送带上，通过摄像头或工业相机对瓷砖拍摄之后，拍摄的原始拍摄图像中不仅包括有瓷砖的实物图像，还有传送带的图像，传送带的图像就是所述的背景图像。光照参数可以通过传感器采集，光照参数包括拍摄环境中光照强度、光线方向等，不同的光照参数对应有预设图像调整参数，预设图像调整参数包括伽马值、亮度值、对比度值等，通过光照参数对应的预设图像调整参数对原始拍摄图像进行调整后，可以去除环境光对原始图像的干扰，使得原始图像变得清晰，即通过调整后的原始拍摄图像可以清晰的凸显出瓷砖的特征图像。然后从调整后的原始拍摄图中截取出瓷砖的特征图像，也就是将瓷砖的特征图像从调整后的原始拍摄图中扣出来，或者将调整后的原始拍摄图中的背景图像裁剪掉，保留下来的就是瓷砖的特征图像。
进一步的，步骤S212之后，还包括:
判断调整后的所述原始拍摄图像中所述特征图像是否发生倾斜；其中，在调整后的所述原始拍摄图像中所述特征图像未发生倾斜时，执行步骤S213；在调整后的所述原始拍摄图像中所述特征图像发生倾斜时，对调整后的所述原始拍摄图像中所述特征图像进行校正，并执行步骤S213。
由于瓷砖在传送带上放置后，可能存在放置倾斜的情况，即拍摄的原始图像中瓷砖的特征图像会发生倾斜，如图5所示，图5中的左侧图即为原始图像，左侧图中B0表示背景图，A0表示瓷砖的特征图像，A0发生了倾斜，A1表示校正后的瓷砖的特征图像。判断调整后的原始拍摄图像中特征图像是否发生倾斜，可以通过特征图像边缘与背景图像对应的边缘之间的夹角判断。由于特征图像与背景图像差异较大，可以通过特征图像边缘的像素点的坐标计算出特征图像的边缘长度。例如，左侧图中的通过特征图像边缘的像素点的坐标计算出b0c0的长度，然后以c0向图中的b0n做垂线交于n，通过背景图像中的像素点的坐标计算出b0n和c0n的长度，采用三角函数计算出b0c0与b0n之间的夹角m。如果特征图像没有发生倾斜，则特征图像的边缘与背景图像中相对应的边缘是平行的，即二者之间夹角为0，如果特征图像发生倾斜，则特征图像的边缘与背景图像中相对应的边缘不是平行的，即二者之间夹角不为0。如果，m=0，没有发生倾斜；m不为0，特征图像发生倾斜。
当特征图像没有发生倾斜，则不需要对特征图像进行校正，则正常执行步骤S213。当特征图像发生倾斜，则需要对调整后的原始拍摄图像中特征图像进行校正。对调整后的原始拍摄图像中特征图像进行校正包括：
获取所述特征图像的轮廓以及所述背景图像的边缘与所述特征图像的边缘的夹角；
按照所述夹角对所述轮廓进行旋转，得到所述特征图像的校正轮廓；
采用所述特征图像中灰度值替换所述校正轮廓中包含的灰度值。
具体的，图5的左侧图中a0、b0、c0以及d0之间的连线即为原始拍摄图像中特征图像的轮廓，根据特征图像在原始拍摄图像中各个像素点的坐标，可以描绘出特征图像的轮廓，即图形a0b0c0d0，背景图像的边缘与特征图像的边缘的夹角为m度。然后按照a0点、b0点、c0点、d0点和图形a0b0c0d0的中心点中的任一点为旋转中心，沿顺时针方将图形a0b0c0d0旋转m度，即得到特征图像的校正轮廓，即图形a1b1c1d1。校正轮廓的边缘与背景图像中对应的边缘是平行的，然后采用特征图像中的灰度值替换校正轮廓中包含的灰度值，得到校正后的瓷砖的特征图像，就是图像A1。采用特征图像中的灰度值替换校正轮廓中包含的灰度值也就是，采用图形a0b0c0d0中包含的灰度值对应替换图形a1b1c1d1中包含的灰度值。如图6所示，替换之后，a0b1a1对应的区域、a1xd0对应的区域、xd1co对应的区域以及c0b0c1对应的区域的灰度值均被替换为背景图像对应的灰度值。进而得到如图5所示的右侧图，右侧图就是对调整后的原始拍摄图像中特征图像进行校正后的图像。进而基于图5所示的右侧图，执行步骤S213，从而得到待检测图像。如此，提高了待检测图像采集的准确度。
如图7所示，在本发明的第三实施例中，步骤S240还包括以下步骤：
步骤S250：获取所述异常差值序列与所述最小灰度差值序列的差异灰度差值。
本实施例中，差异灰度差值可以理解为第一行或每一列对应的多个小序列中，与最小灰度差值序列中对应位置的灰度差值不相同的灰度差值。
步骤S250具体包括：
按照所述异常差值序列中灰度差值的差值顺序，遍历所述异常差值序列中的灰度差值；
将遍历到的所述灰度差值与所述最小灰度差值序列中的灰度差值进行比较；
在所述最小灰度差值序列中与遍历到的所述灰度差值比较的灰度差值与遍历到的所述灰度差值不相同时，确定遍历到的所述灰度差值为差异灰度差值。
例如，第一行对应有5个小序列，分别是L11、L12、L13、L14和L15，每个小序列的序列长度是10。其中，最小灰度差值序列为{（128，128，128）、（128，128，128）、（128，128，128）、（128，128，128）、（128，128，128）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）}，L11中的灰度差值分别是{（128，128，128）、（82，85，54）、（128，128，128）、（128，128，128）、（128，128，128）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）、（-127，127，-127）}，L11中的10个灰度差值是按照差值顺序（差值计算顺序）排列的，当遍历到L11中的第1位灰度差值（128，128，128）时，将L11中的（128，128，128）与最小灰度差值序列中的第1位灰度差值（128，128，128）进行比对，如果二者相同，将L11中的第2位灰度差值（82，85，54）与最小灰度差值序列中的第2位灰度差值（128，128，128）进行比对，通过比对，L11中的第2位灰度差值（82，85，54）与最小灰度差值序列中的第2位灰度差值（128，128，128）不相同，那么L11中的第2位灰度差值（82，85，54）就是差异灰度差值，L11就是异常差值序列。在L11中的第2位灰度差值（82，85，54）比对完之后，将L11中的第3位灰度差值与最小灰度差值序列中的第3位灰度差值进行比对，按照此种方式就可以找出灰度差值集合中的所有差异灰度差值。
步骤S260：获取所述异常差值序列中所述差异灰度差值对应像素点所在的像素位置。
步骤S270：标记所述像素位置为缺陷位置。
得到差异灰度差值之后，可以获取到差异灰度差值对应像素点所在的像素位置。例如，L11-L15的序列长度均是10，那么第一行中有50个像素点，L15为第5个小序列，且差异灰度差值（82，85，54）在L15中的第2位，则该差异灰度差值对应像素点所在的像素位置就是（1，52），（1，52）表示第1行第52列。
由于瓷砖外观缺陷的位置难以小至具体到一行或一列对应像素点所在的像素位置，如果瓷砖外观存在缺陷，也会存在较多的差异灰度差值。本实施例在获取到多个差异灰度差值之后，可以得到多个差异灰度差值对应像素点所在的像素位置，得到的所有像素位置就是瓷砖外观存在缺陷的位置，进而对得到的所有像素位置进行标记，得到瓷砖外观的缺陷位置，也就是标记得到的像素位置为缺陷位置。进一步的，由于瓷砖实物与瓷砖的待检测图像尺寸不同，但是存在一定的比例，在待检测图像中确定出缺陷位置之后，按照比较对缺陷位置进行放大，就可以得到瓷砖实物上的缺陷位置，进行在瓷砖实物对缺陷位置进行标记，方便人工清楚的看到瓷砖外观的缺陷。
进一步的，基于同一发明构思，本发明还提供了一种图像处理装置包括：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产品外观缺陷检测程序，所述产品外观缺陷检测程序被所述处理器执行时实现上述的产品外观缺陷检测方法的步骤。
进一步的，基于同一发明构思，本发明还提供了一种存储介质，其上存储有产品外观缺陷检测程序，所述产品外观缺陷检测程序被处理器执行时实现上述的产品外观缺陷检测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本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，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种产品外观缺陷检测方法，其特征在于，所述产品上具有图案，所述产品外观缺陷检测方法包括：
采集所述产品的待检测图像；
按照行和列计算所述待检测图像中各个像素点的灰度值与预设灰度图像的灰度值之间的灰度差值，并按照所述待检测图像中各个像素点的坐标顺序，对计算得到所述灰度差值进行排列以生行和列对应的灰度差值序列；
根据所述行和列对应的灰度差值序列生成灰度差值集合；
从所述灰度差值集合所包括的行和列对应的灰度差值序列中查找最小灰度差值序列，将最小灰度差值序列作为所述图案的最小像素规律周期；
在所述灰度差值集合中存在有异常差值序列时，确定所述产品存在缺陷；其中，所述异常差值序列为所述灰度差值集合中与所述最小灰度差值序列不相同的灰度差值序列，所述最小灰度差值序列的序列长度小于行或列对应的灰度差值序列的序列长度，所述与所述最小灰度差值序列不相同的灰度差值序列的序列长度与所述最小灰度差值序列的序列长度相同。
2.如权利要求1所述的方法，其特征在于，所述采集所述产品的待检测图像的步骤包括：
获取所述产品的原始拍摄图像和拍摄环境中的光照参数，所述原始拍摄图像包括背景图像和所述产品的特征图像；
根据所述光照参数对应的预设图像调整参数调整所述原始拍摄图像；
从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像。
3.如权利要求2所述的方法，其特征在于，所述根据所述光照参数对应的预设图像调整参数调整所述原始拍摄图像的步骤之后，还包括：
判断调整后的所述原始拍摄图像中所述特征图像是否发生倾斜；
在调整后的所述原始拍摄图像中所述特征图像未发生倾斜时，执行所述从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像的步骤。
4.如权利要求3所述的方法，其特征在于，所述判断调整后的所述原始拍摄图像中所述特征图像是否发生倾斜的步骤之后，还包括：
在调整后的所述原始拍摄图像中所述特征图像发生倾斜时，对调整后的所述原始拍摄图像中所述特征图像进行校正，并执行所述从调整后的所述原始拍摄图像中截取所述特征图像，得到所述待检测图像的步骤。
5.如权利要求4所述的方法，其特征在于，所述对调整后的所述原始拍摄图像中所述特征图像进行校正的步骤包括：
获取所述特征图像的轮廓以及所述背景图像的边缘与所述特征图像的边缘的夹角；
按照所述夹角对所述轮廓进行旋转，得到所述特征图像的校正轮廓；
采用所述特征图像中灰度值替换所述校正轮廓中包含的灰度值。
6.如权利要求1所述的方法，其特征在于，所述从所述灰度差值集合所包括的行和列对应的灰度差值序列中查找最小灰度差值序列，将最小灰度差值序列作为所述图案的最小像素规律周期的步骤之后，还包括：
获取所述最小灰度差值序列的序列长度；
根据所述序列长度将所述灰度差值集合中的灰度差值划分为若干个灰度差值序列。
7.如权利要求1所述的方法，其特征在于，所述在所述灰度差值集合中存在有异常差值序列时，确定所述产品存在缺陷的步骤之后，还包括：
获取所述异常差值序列与所述最小灰度差值序列的差异灰度差值；
获取所述异常差值序列中所述差异灰度差值对应像素点所在的像素位置；
标记所述像素位置为缺陷位置。
8.如权利要求7所述的方法，其特征在于，所述获取所述异常差值序列与所述最小灰度差值序列的差异灰度差值的步骤包括：
按照所述异常差值序列中灰度差值的差值顺序，遍历所述异常差值序列中的灰度差值；
将遍历到的所述灰度差值与所述最小灰度差值序列中的灰度差值进行比较；
在所述最小灰度差值序列中与遍历到的所述灰度差值比较的灰度差值与遍历到的所述灰度差值不相同时，确定遍历到的所述灰度差值为差异灰度差值。
9.一种图像处理装置，其特征在于，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产品外观缺陷检测程序，所述产品外观缺陷检测程序被所述处理器执行时实现如权利要求1-8中任一项所述的产品外观缺陷检测方法的步骤。
10.一种存储介质，其特征在于，其上存储有产品外观缺陷检测程序，所述产品外观缺陷检测程序被处理器执行时实现权利要求1-8中任一项所述的产品外观缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111310559.0A CN113744274B (zh) | 2021-11-08 | 2021-11-08 | 产品外观缺陷检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111310559.0A CN113744274B (zh) | 2021-11-08 | 2021-11-08 | 产品外观缺陷检测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113744274A CN113744274A (zh) | 2021-12-03 |
| CN113744274B true CN113744274B (zh) | 2022-02-08 |
Family
ID=78727680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111310559.0A Active CN113744274B (zh) | 2021-11-08 | 2021-11-08 | 产品外观缺陷检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744274B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114152626B (zh) * | 2022-02-07 | 2022-05-24 | 盛吉盛(宁波)半导体科技有限公司 | 应用于缺陷高度测量的方法及装置 |
| CN114549533B (zh) * | 2022-04-28 | 2022-09-06 | 深圳百里科技有限公司 | 模板图像存储方法、装置、设备及存储介质 |
| CN117274249B (zh) * | 2023-11-20 | 2024-03-01 | 江西省中鼐科技服务有限公司 | 一种基于人工智能图像技术的瓷砖外观检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0735699A (ja) * | 1993-07-16 | 1995-02-07 | Mazda Motor Corp | 表面欠陥検出方法およびその装置 |
| CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
| CN110349145A (zh) * | 2019-07-09 | 2019-10-18 | 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 |
| CN111724335A (zh) * | 2019-03-21 | 2020-09-29 | 深圳中科飞测科技有限公司 | 检测方法及检测系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10057928C1 (de) * | 2000-11-22 | 2002-02-21 | Inb Vision Ag | Verfahren zur Erkennung von Abweichungen der Oberflächenform von einer vorgegebenen Form |
| JP2006098217A (ja) * | 2004-09-29 | 2006-04-13 | Fujitsu Ltd | 画像検査装置、画像検査方法及び画像検査プログラム |
| CN108460730B (zh) * | 2017-02-17 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种图像处理方法及其装置 |
| CN108387587B (zh) * | 2018-01-22 | 2020-07-31 | 京东方科技集团股份有限公司 | 缺陷检测方法及缺陷检测设备 |
| CN109872304B (zh) * | 2019-01-17 | 2022-12-02 | 京东方科技集团股份有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
-
2021
- 2021-11-08 CN CN202111310559.0A patent/CN113744274B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0735699A (ja) * | 1993-07-16 | 1995-02-07 | Mazda Motor Corp | 表面欠陥検出方法およびその装置 |
| CN106875381A (zh) * | 2017-01-17 | 2017-06-20 | 同济大学 | 一种基于深度学习的手机外壳缺陷检测方法 |
| CN111724335A (zh) * | 2019-03-21 | 2020-09-29 | 深圳中科飞测科技有限公司 | 检测方法及检测系统 |
| CN110349145A (zh) * | 2019-07-09 | 2019-10-18 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113744274A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113744274B (zh) | 产品外观缺陷检测方法、装置及存储介质 | |
| CN109002795B (zh) | 车道线检测方法、装置及电子设备 | |
| CN106097361B (zh) | 一种缺陷区域检测方法及装置 | |
| US9571817B2 (en) | Inspection apparatus, inspection method, and program | |
| CN108683907A (zh) | 光学模组像素缺陷检测方法、装置及设备 | |
| CN110476056A (zh) | 一种视觉检测方法、检测设备以及机器人 | |
| CN113034447B (zh) | 一种边缘缺陷检测方法和装置 | |
| CN113469921B (zh) | 图像缺陷修复方法、系统、计算机设备及存储介质 | |
| US20090290788A1 (en) | System and method for performing multi-image training for pattern recognition and registration | |
| CN113379680A (zh) | 缺陷检测方法、装置、电子设备和计算机可读存储介质 | |
| CN103493095A (zh) | 轮胎表面的数字图像的分析和非测量点的处理 | |
| CN114486903B (zh) | 一种灰度自适应的卷材检测系统及装置、算法 | |
| CN112985778B (zh) | 测试图卡的定位方法、终端及存储介质 | |
| JP6278842B2 (ja) | 検査装置、検査方法およびプログラム | |
| CN113012096A (zh) | 显示屏子像素定位及亮度提取方法、设备以及存储介质 | |
| CN113160223A (zh) | 轮廓的确定方法、确定装置、检测设备及存储介质 | |
| CN116500042B (zh) | 缺陷检测方法、装置、系统及存储介质 | |
| JP2016217989A (ja) | 欠陥検査装置および欠陥検査方法 | |
| CN111145674B (zh) | 显示面板的检测方法、电子设备和存储介质 | |
| CN113379681A (zh) | Led芯片倾斜角度的获取方法、系统、电子装置及存储介质 | |
| CN114170319A (zh) | 测试标板的调整方法及装置 | |
| CN108242059B (zh) | 图像边界查找方法和装置 | |
| CN114549533B (zh) | 模板图像存储方法、装置、设备及存储介质 | |
| CN110288662A (zh) | 显示器检测方法与系统 | |
| CN114782436B (zh) | Pcb缺陷检测方法、电路板计量测量方法及制作方法 |
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 |