CN113781424B - 一种表面缺陷检测方法、装置及设备 - Google Patents

一种表面缺陷检测方法、装置及设备 Download PDF

Info

Publication number
CN113781424B
CN113781424B CN202111035814.5A CN202111035814A CN113781424B CN 113781424 B CN113781424 B CN 113781424B CN 202111035814 A CN202111035814 A CN 202111035814A CN 113781424 B CN113781424 B CN 113781424B
Authority
CN
China
Prior art keywords
detected
depth image
depth
defect
original
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
Application number
CN202111035814.5A
Other languages
English (en)
Other versions
CN113781424A (zh
Inventor
段闪
姚毅
杨艺
戴志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luster LightTech Co Ltd
Suzhou Luster Vision Intelligent Device Co Ltd
Suzhou Lingyunguang Industrial Intelligent Technology Co Ltd
Original Assignee
Luster LightTech Co Ltd
Suzhou Luster Vision Intelligent Device Co Ltd
Suzhou Lingyunguang Industrial Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Luster LightTech Co Ltd, Suzhou Luster Vision Intelligent Device Co Ltd, Suzhou Lingyunguang Industrial Intelligent Technology Co Ltd filed Critical Luster LightTech Co Ltd
Priority to CN202111035814.5A priority Critical patent/CN113781424B/zh
Publication of CN113781424A publication Critical patent/CN113781424A/zh
Application granted granted Critical
Publication of CN113781424B publication Critical patent/CN113781424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/187Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • G01N2021/8854Grading and classifying of flaws
    • G01N2021/8861Determining coordinates of flaws
    • G01N2021/8864Mapping zones of defects
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan 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
    • G01N2021/8854Grading and classifying of flaws
    • G01N2021/8874Taking dimensions of defect into account
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection

Landscapes

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

Abstract

本发明公开了一种表面缺陷检测方法、装置及设备,该方法包括:获取待检测表面的表面特征和待检测表面的深度数据;根据待检测表面的深度数据,生成待检测表面的原始深度图像;基于待检测表面的表面特征,对原始深度图像进行滤波,以确定待检测表面的参考深度图像;根据参考深度图像与原始深度图像,确定待检测表面的差分深度图像;根据差分深度图像,确定待检测表面的缺陷区域特征。本发明实施例简化了数据获取方式;无需与额外的标准产品的表面深度图像,仅与待检测表面自身的深度图像进行比对,即可获得相应的缺陷区域特征,其既可适用于刚性产品的表面缺陷检测,也适用于柔性产品的表面缺陷检测,且具有较高的缺陷检测准确性。

Description

一种表面缺陷检测方法、装置及设备
技术领域
本发明实施例涉及视觉检测技术领域,尤其涉及一种表面缺陷检测方法、装置及设备。
背景技术
随着现代技术的进步,产品趋向于精密化、微型化程度发展,因此对于产品的缺陷、瑕疵的检查更加严格,视觉检测技术凭借其高效率、稳定、比人眼更加容易观察微小产品等优点,被应用于众多加工生产过程中,替代人工检查。
目前,缺陷检测技术,尤其是对产品表面缺陷检测技术从二维图像检测升级为三维检测技术,从而实现对产品表面的凹凸缺陷进行检测。但是,由于现有技术中,对表面缺陷进行检测时,三维检测技术通常采用降维、标准产品比对的方式进行检测,使得三维检测技术对物体刚性具有较高的要求,无法实现对刚性较差的产品(例如柔性产品)表面的凹凸缺陷进行检测,且因标准产品与待检测产品之间会存在一定的差异,从而影响表面缺陷检测的准确性。
发明内容
本发明提供一种表面缺陷检测方法、装置及设备,以在能够对随机曲面产品的表面进行检测的前提下,提高表面缺陷检测的准确性。
第一方面,本发明实施例提供了一种表面缺陷检测方法,该方法包括:
获取待检测表面的表面特征和所述待检测表面的深度数据;
根据所述待检测表面的深度数据,生成所述待检测表面的原始深度图像;
基于所述待检测表面的表面特征,对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
根据所述参考深度图像与所述原始深度图像,确定所述待检测表面的差分深度图像;
根据所述差分深度图像,确定所述待检测表面的缺陷区域特征。
可选的,所述待检测表面的表面特征包括表面形变参数;
基于所述待检测表面的表面特征,对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像,包括:
当所述表面形变参数在第一预设形变参数范围内时,基于移动平均滤波的方式对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
当所述表面形变参数在第二预设形变参数范围内时,基于均值滤波的方式对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
当所述表面形变参数在第三预设形变参数范围内时,基于高斯滤波的方式对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
其中,所述第一预设形变参数范围内的形变参数小于所述第二预设形变参数范围内的形变参数,以及所述第二预设形变参数范围内的形变参数小于所述第三预设形变参数范围内的形变参数。
可选的,根据所述参考深度图像与所述原始深度图像,确定所述待检测表面的差分深度图像,包括:
获取所述参考图像中各个位置处的参考深度值,以及所述原始深度图像中各个位置处的原始深度值;
一一对应地计算各个位置处的参考深度值与所述原始深度值之间的差值作为差分深度值;
根据各个位置处的所述差分深度值,确定所述待检测表面的差分深度图像。
可选的,根据各个位置处的所述差分深度值,确定所述待检测表面的差分深度图像,包括:
将各个位置处的所述差分深度值的绝对值与预设深度阈值进行比较;
将绝对值小于所述预设深度阈值的所述差分深度值对应的位置的深度数据确定为所述待检测表面的零平面的深度数据,以及将绝对值不小于所述预设深度阈值的所述差分深度值对应的位置的深度数据确定为该位置对应的原始深度数据。
可选的,根据所述差分深度图像,确定所述待检测表面的缺陷区域特征,包括:
将所述差分深度图像的深度数据转换为点云数据;
对所述点云数据进行连通域分割,生成与不同所述连通域对应的点云数据集;
将不同连通域对应的点云数据集与缺陷特征阈值进行比较,确定所述待检测表面的缺陷区域特征。
可选的,对所述点云数据进行连通域分割,包括:
基于邻域距离判定方法,对所述点云数据进行连通域分割。
可选的,将不同连通域对应的点云数据集与缺陷特征阈值进行比较,确定所述待检测表面的缺陷区域特征,包括:
将点云数据集中点云数据与所述缺陷特征阈值相匹配的所述连通域确定改为缺陷连通域;
根据所述缺陷连通域对应的点云数据集中各点云数据,确定所述待检测表面的缺陷区域边界;
根据所述缺陷区域边界,对所述原始深度图像进行标记,以确定所述待检测表面的缺陷区域特征。
可选的,根据所述待检测表面的深度数据,生成所述待检测表面的原始深度图像,还包括:
对所述待检测表面的深度数据进行归一化处理,确定归一化的深度数据;
根据所述归一化的深度数据,生成所述待检测表面的原始深度图像。
第二方面,本发明实施例还提供了一种表面缺陷检测装置,该装置包括:
特征及深度数据获取模块,用于获取待检测表面的表面特征和所述待检测表面的深度数据;
原始深度图像生成模块,用于根据所述待检测表面的深度数据,生成所述待检测表面的原始深度图像;
参考深度图像确定模块,用于基于所述待检测表面的表面特征,对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
差分深度图像确定模块,用于根据所述参考深度图像与所述原始深度图像,确定所述待检测表面的差分深度图像;
缺陷区域确定模块,用于根据所述差分深度图像,确定所述待检测表面的缺陷区域特征。
第三方面,本发明实施例还提供了一种表面缺陷检测设备,该设备包括:线扫描激光传感器和处理器;
所述线扫描激光传感器用于对待检测表面板进行扫描,并输出所述待检测表面的深度数据至所述处理器
所述处理器用于根据所述待检测表面的深度数据,执行上述表面缺陷检测方法。
本发明实施例,通过获取待检测表面的深度数据,并根据深度数据直接确定其原始深度图像,使得其具有较少的数据处理量,能够加快表面缺陷检测速度,且深度数据的获取通常基于线结构光扫描获得,其对光照要求较低,无需特殊的光照环境,简化数据获取方式;同时,通过待检测表面的表面特征选取特定的滤波方式,对原始深度图像进行滤波处理,以确定待检测表面的参考深度图像,并根据参考深度图像与原始深度图像比对后的差分深度图像确定待检测表面的缺陷区域特征,从而无需与额外的标准产品的表面深度图像,仅与待检测表面自身的深度图像进行比对,即可获得相应的缺陷区域特征,其既可适用于刚性产品的表面缺陷检测,也适用于柔性产品的表面缺陷检测,且具有较高的缺陷检测准确性。
附图说明
图1为本发明实施例提供的一种表面缺陷检测方法的流程图;
图2为本发明实施例提供的又一种表面缺陷检测方法的流程图;
图3为本发明实施例提供的又一种表面缺陷检测方法的流程图;
图4为本发明实施例还提供的一种表面缺陷检测装置的结构示意图;
图5为本发明实施例提供的一种表面缺陷检测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明实施例提供的表面缺陷检测方法可对产品的表面缺陷进行检测,尤其是对柔性产品的表面缺陷进行检测,该表面缺陷检测方法可采用本发明实施例提供的表面缺陷检测装置执行,该表面缺陷检测装置可以由软件和/或硬件装置实现,且该表面缺陷检测装置可以集成于表面缺陷检测设备中。图1为本发明实施例提供的一种表面缺陷检测方法的流程图,如图1所示,该表面缺陷检测方法:
S1001、获取待检测表面的表面特征和待检测表面的深度数据。
其中,待检测表面可以是包括柔性材料的产品表面,也可以是包括刚性材料的产品表面,或者,可以是包括曲面的产品表面,也可以是不包括曲面的产品表面,本发明实施例对待检测表面不做具体限定。
表面特征指的是待检测表面的粗糙度、平滑度等,待检测表面的表面特征可以通过产品生产过程中预存的产品特性来确定;深度数据指的是待检测表面的深度值分布数据,即每个位置处的深度值,其中,深度数据也包括待检测表面缺陷的立体数据(位置数据),待检测表面的深度数据可以通过线扫描激光传感器等设备对产品的表面进行扫描来获取;本发明实施例对如何获取表面特征和深度数据不做具体限定。
步骤S1002、根据待检测表面的深度数据,生成待检测表面的原始深度图像。
其中,深度图像,也被称为距离影像,是指将获取到的待检测表面中各点的距离(深度)值作为像素值的图像,它直接反映了待检测表面的几何形状,利用深度图像可以方便、直观地确定出待检测表面的凹凸情况。
具体的,通过线扫描激光传感器等设备所获取的深度数据可以代表不同位置处的深度值,据此可以将不同位置处的深度值填充于图像的不同位置处,以生成待检测表面的原始深度数据,表明待检测表面的凹凸情况。
步骤S1003、基于待检测表面的表面特征,对原始深度图像进行滤波,以确定待检测表面的参考深度图像。
其中,对原始深度图像进行滤波,以在尽量保留原始深度图像的细节特征的条件下对原始深度图像的噪声进行抑制,即去除引起较强视觉效果的孤立像素点、像素块或者数据的极大/小值。
具体的,原始深度图像中的噪声位置的深度值与周围领域内的其它位置的深度值具有较大的差异,可以认为噪声位置是表面缺陷的位置,通过对原始深度图像的缺陷位置进行模糊化处理,把缺陷位置处的异常深度值或者异常数据近似成周围领域内正常化的深度值或者数据,从而消除原始深度图像上的缺陷,得到接近无缺陷状态的参考深度图像。其中,因表面特征代表待检表面的弯曲程度、粗糙度、平整度等情况,以表面特征代表待检测表面的弯曲程度为例,具有不同表面特征的待检测表面具有不同的弯曲程度,在对待检测表面的原始深度图像进行滤波时,应考虑该待检测表面的弯曲程度,防止将待检测表面因弯曲而呈现的凸起和/或凹陷滤除。
步骤S1004、根据参考深度图像与原始深度图像,确定待检测表面的差分深度图像。
具体的,参考深度图像为滤除原始深度图像中的噪声而获得的深度图像,通过将原始深度图像与参考深度图像进行比对,可确定原始深度图像与参考深度图像的不同之处。据此,可通过原始深度图像中各个位置处的深度值与参考深度图像中各个位置处的深度值之间的差值,确定各个位置处的差分深度值,根据该差分深度值,即可确定出待检测表面的差分深度图像。
步骤S1005、根据差分深度图像,确定待检测表面的缺陷区域特征。
其中,待检测表面的缺陷区域特征可以包括该待检测表面中缺陷区域的面积和体积、以及缺陷区域处各个深度值的均值、中值、最大值、最小值、点数等特征。
具体的,差分深度图像中各个位置处的差分深度值能够表示原始深度图像各个位置处的深度值与参考深度图像各个位置处的深度值之间的差异,从而能够基于该差异确定出待检测表面的缺陷位置,相邻且类型相同的各个缺陷位置连通在一起就可确定出待检测表面的缺陷区域,且根据缺陷区域处的位置点的数量以及各个点的深度值,即可确定出缺陷区域的面积、体积均值、中值、最大值、最小值等特征。
本发明实施例,通过获取待检测表面的深度数据,并根据深度数据直接确定其原始深度图像,使得其具有较少的数据处理量,能够加快表面缺陷检测速度,且深度数据的获取通常基于线结构光扫描获得,其对光照要求较低,无需特殊的光照环境,简化数据获取方式;同时,通过待检测表面的表面特征选取特定的滤波方式,对原始深度图像进行滤波处理,以确定待检测表面的参考深度图像,并根据参考深度图像与原始深度图像比对后的差分深度图像确定待检测表面的缺陷区域特征,从而无需与额外的标准产品的表面深度图像,仅与待检测表面自身的深度图像进行比对,即可获得相应的缺陷区域特征,其既可适用于刚性产品的表面缺陷检测,也适用于柔性产品的表面缺陷检测,且具有较高的缺陷检测准确性。
可选的,根据待检测表面的深度数据,生成待检测表面的原始深度图像的具体方法包括:对待检测表面的深度数据进行归一化处理,确定归一化的深度数据,并根据归一化的深度数据,生成待检测表面的原始深度图像。
具体的,归一化是将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量,可以简化计算。待检测表面的深度数据代表的是待检测表面中各个位置处的深度值,其为有量纲的数据,通过对待检测表面的深度数据进行归一化,待检测表面各个位置处的深度值转换为0~255之间像素值,并记录其深度值与像素值之间的比例关系,以在生成待检测表面的原始深度图像时,能够直接将各个位置对应的像素值填充至原始深度图像的各个位置;如此,通过将深度数据进行归一化处理,能够简化计算过程,解决函数最优化问题时,可加快收敛速度,还可以提高计算的精度,即提高缺陷检测的速度和准确度。
需要说明的是,待检测表面的表面特征包括表面形变参数,不同的表面形变参数可表示待检测表面的不同形变程度,例如表面形变参数越大,形变程度越大,这可能使其具有较大的表面缺陷;而表面形变参数越小,形变程度越小,这可能使其具有较小的表面缺陷,此时可根据不同的形变参数,选择不同的滤波方式,以确定参考深度图像。
可选的,基于待检测表面的表面特征,对原始深度图像进行滤波,以确定待检测表面的参考深度图像,具体包括:
当表面形变参数在第一预设形变参数范围内时,基于移动平均滤波的方式对原始深度图像进行滤波,以确定待检测表面的参考深度图像。
具体的,针对缺陷较小的情况,可以选择使用移动平均滤波的方式对原始深度图像进行滤波,移动平均滤波可以过滤掉高频噪声,即过滤掉相对较小的缺陷,反应出低频噪声,可以真实反映出相对较大的缺陷。移动平均滤波可以是局部加权平均,示例性的,通过设置不同的像素方向的不同个数的像素求平均,对原始深度的图像矩阵沿x方向排列的像素按Z字形展开为一维的行矩阵进行滤波求平均,然后恢复成图像矩阵,再沿y方向排列像素按Z字形展开为一维的行矩阵进行滤波求平均恢复成图像矩阵,即为移动平均滤波后得到的参考深度图像。
示例性的,当采用移位平均对原始深度图像进行滤波时,可以设置对沿x方向排列的n个像素求平均,以及对沿y方向排列的m个像素求平均。当aij表示在位置(i,j)处像素的深度值时,原始深度图像中各个像素的深度值以矩阵A的方式表示如下:
将原始深度图像的矩阵A沿x方向按Z字形展开为一维的行矩阵A1:
A1=[a00 … a0k a1k … a10 a20 … alk]
以固定长度n对矩阵A1中的元素进行移位平均滤波,获得矩阵B1如下:
B1=[b00 … b0k b1k … b10 b20 … blk]
将矩阵B1恢复成深度图像矩阵B如下:
将矩阵B沿y方向按Z字形展开为一维的行矩阵B2:
B2=[b00 … bl0 bl1 … b01 b02 … blk]
以固定长度m对矩阵B2中的元素进行移位平均滤波,获得矩阵C1如下:
C1=[c00 … cl0 cl1 … c01 c02 … clk]
将矩阵C1回复为深度图像的矩阵C如下:
矩阵C中各元素即为对原始深度图像进行移动平均滤波后获得的参考深度图像中各个位置处的深度值。
当表面形变参数在第二预设形变参数范围内时,基于均值滤波的方式对原始深度图像进行滤波,以确定待检测表面的参考深度图像。
具体的,均值滤波是指在图像上对目标像素给一个模板,该模板包括了目标像素周围的临近像素,再用模板中的全体像素的平均值来代替原来像素值,即是在原始深度图像上对缺陷区域的深度值给定一个模板区域,该模板区域包括了缺陷区域周围的临近深度值,再用模板区域中的全体深度值的平均值来代替原来深度值。均值滤波给定的模板区域不适合太大,模板太大不能很好的保护图像的细节,原始深度图像顾虑的同时也破坏了图像的细节部分,从而使得图像模糊,不能很好的去除缺陷,因此,均值滤波不适用于待检测表面的形变参数过大的情况。此时,针对待检测表面曲率较小,缺陷相对较大的情况,可以选择均值滤波的方式进行滤波。
示例性的,当采用均值滤波方式对原始深度图像进行滤波时,可设置滤波核大小为m×n,按照如下公式进行计算:
其中,Sxy表示中心点(x,y)处、大小为m×n的滤波器窗口,f(x,y)表示原始深度图像,g(s,t)表示均值滤波后得到的参考深度图像。
当表面形变参数在第三预设形变参数范围内时,基于高斯滤波的方式对原始深度图像进行滤波,以确定待检测表面的参考深度图像。
具体的,高斯滤波是对整幅原始深度图像进行加权平均的过程,每一个位置的深度值,都由其本身和邻域内的其他位置的深度值经过加权平均后得到。具体的,高斯滤适用于待检测表面曲率较大、缺陷也较大的情况,高斯滤波可以设定高斯核大小以及高斯加权系数,然后按照高斯滤波公式进行计算。
示例性的,当采用高斯滤波方式对原始深度图像进行滤波时,可设置滤波核大小为m×n,按照如下公式进行计算:
其中,G(x,y)表示高斯滤波后得到的参考深度图像,σ表示标准差,代表着数据的离散程度。
可以理解的是,本发明实施例中第一预设形变参数范围内的形变参数小于第二预设形变参数范围内的形变参数,以及第二预设形变参数范围内的形变参数小于第三预设形变参数范围内的形变参数。
可选的,在确定参考深度图像后,可基于原始深度图像和参考深度图像,确定相应的差分深度图像,而确定差分图像的具体方法包括:获取参考深度图像中各个位置处的参考深度值,以及原始深度图像中各个位置处的原始深度值;一一对应地计算各个位置处的参考深度值与原始深度值之间的差值作为差分深度值;根据各个位置处的差分深度值,确定待检测表面的差分深度图像。图2为本发明实施例提供的又一种表面缺陷检测方法的流程图,具体包括如下步骤:
S2001、获取待检测表面的表面特征和待检测表面的深度数据。
S2002、根据待检测表面的深度数据,生成待检测表面的原始深度图像。
S2003、基于待检测表面的表面特征,对原始深度图像进行滤波,以确定待检测表面的参考深度图像。
S2004、获取参考深度图像中各个位置处的参考深度值,以及原始深度图像中各个位置处的原始深度值。
S2005、一一对应地计算各个位置处的参考深度值与原始深度值之间的差值作为差分深度值。
S2006、根据各个位置处的差分深度值,确定待检测表面的差分深度图像。
S2007、根据差分深度图像,确定待检测表面的缺陷区域特征。
其中,参考深度值和原始深度值均为灰度值。
具体的,将参考深度图像的深度值减去原始深度图像对应位置的深度值,或原始深度图像的深度值减去参考深度图像对应位置的深度值,得到各个位置处的差分深度值。已知各个位置处的差分深度值,即已知各个位置处的灰度值,根据所有位置的深度值数据可得到差分深度图像。
可选的,根据各个位置处的差分深度值,确定待检测表面的差分深度图像,具体可包括:将各个位置处的差分深度值的绝对值与预设深度阈值进行比较,将绝对值小于预设深度阈值的差分深度值对应的位置的深度数据确定为待检测表面的零平面的深度数据,以及将绝对值不小于预设深度阈值的差分深度值对应的位置的深度数据确定为该位置对应的原始深度数据。
其中,预设深度阈值是设定的某个固定深度值,零平面的深度数据为参考深度图像的深度数据。若差分深度值的绝对值小于预设深度阈值,则可认为该位置处参考深度图像与原始深度图像有较好重叠,该位置处无缺陷,即可认定该位置处的差分深度值为参考深度图像对应位置处的深度值;若差分深度值的绝对值不小于预设深度阈值,则可认为该位置处参考深度图像与原始深度图像的重叠性较差,该位置处有缺陷,即可认定该位置处的差分深度值为原始深度图像对应位置处的深度值。此时,无缺陷位置处的差分深度值为参考深度图像对应位置处的深度值,有缺陷位置处的差分深度值为原始深度图像对应位置处的深度值,由替换后的差分深度值得到的差分深度图像既保留了原始深度图像中缺陷位置处的深度数据,又保留了参考深度图像中无缺陷位置处的深度数据即差分深度图像完全保留了缺陷区域处的特征数据和非缺陷区域的特征数据,可以更简单直观的分析缺陷区域特征。
可选的,在确定差分深度图像后,基于差分深度图像,确定待检测表面的缺陷区域特征的具体方法包括:将差分深度图像的深度数据转换为点云数据;对点云数据进行连通域分割,生成与不同连通域对应的点云数据集;将不同连通域对应的点云数据集与缺陷特征阈值进行比较,确定待检测表面的缺陷区域特征。图3为本发明实施例提供的又一种表面缺陷检测方法的流程图,具体步骤如下:
S3001、获取待检测表面的表面特征和待检测表面的深度数据。
S3002、根据待检测表面的深度数据,生成待检测表面的原始深度图像。
S3003、基于待检测表面的表面特征,对原始深度图像进行滤波,以确定待检测表面的参考深度图像。
S3004、根据参考深度图像与原始深度图像,确定待检测表面的差分深度图像。
S3005、将差分深度图像的深度数据转换为点云数据。
S3006、对点云数据进行连通域分割,生成与不同连通域对应的点云数据集。
S3007、将不同连通域对应的点云数据集与缺陷特征阈值进行比较,确定待检测表面的缺陷区域特征。
其中,点云数据是指在一个三维坐标系统中的一组向量的集合,点云数据除了具有几何位置以外,还有灰度信息,将对应位置的灰度信息赋予点云中对应的点。具体的,将差分深度图像的中每个位置转换为三维坐标点,并根据每个位置的深度值赋予该坐标点灰度信息。连通域是指图像中具有相同像素值且位置相邻的像素点组成的图像区域,连通域分割是指将图像中的各个连通域找出并区分标记。邻域是指与指定元素相邻的点云数据的集合,这些元素都是相关的,每个元素和邻域具有相同或者相似的一些特性,对此,可以进行点云数据的分割处理。
具体的,将差分深度图像的深度数据转换为点云数据的具体步骤为:将差分深度图像的像素坐标(x',y')进行undistort运算,即通过相机内部参数,将差分深度图像的像素坐标转换为世界坐标系下的像素坐标(x,y,z),具体如下:
其中,x、y、z为点云坐标系,x'、y'是图像坐标系,D为深度值。
相应的,点云数据的连通域是指差分深度图像转换的点云数据中灰度值接近且位置相邻的坐标点组成的点云区域,即为缺陷云块,连通域分割是指将缺陷云块进行非连通云块的分割,得到不同位置的缺陷云块,根据该缺陷云块即可获知待检测表面中缺陷的面积、体积、所包含的像素点的数量等。其中,对点云数据进行连通域分割,包括基于邻域距离判定方法,对点云数据进行连通域分割。
可选的,将不同连通域对应的点云数据集与缺陷特征阈值进行比较,确定待检测表面的缺陷区域特征,包括:将点云数据集中点云数据与缺陷特征阈值相匹配的连通域确定改为缺陷连通域;根据缺陷连通域对应的点云数据集中各点云数据,确定待检测表面的缺陷区域边界;根据缺陷区域边界,对原始深度图像进行标记,以确定所述待检测表面的缺陷区域特征。
具体的,根据不同点云数据集的特征信息,设定缺陷特征范围的阈值,符合缺陷特征阈值的点云数据的连通域为缺陷连通域,缺陷连通域为缺陷位置处的连通域。根据缺陷连通域可知缺陷处的点云数据集,可知缺陷边缘处的点云坐标,即可知差分深度图像中缺陷边缘处的位置,根据差分深度图像中缺陷边缘处的位置和参考深度图可确定原始深度图像中缺陷边缘处的位置,即可知待检测表面的缺陷区域边界。
本发明实施例,通过获取待检测表面的深度数据,并根据深度数据直接确定其原始深度图像,使得其具有较少的数据处理量,能够加快表面缺陷检测速度,且深度数据的获取通常基于线结构光扫描获得,其对光照要求较低,无需特殊的光照环境,简化数据获取方式;同时,通过待检测表面的表面特征选取特定的滤波方式,对原始深度图像进行滤波处理,以确定待检测表面的参考深度图像,并根据参考深度图像与原始深度图像比对后的差分深度图像确定待检测表面的缺陷区域特征,从而无需与额外的标准产品的表面深度图像,仅与待检测表面自身的深度图像进行比对,即可获得相应的缺陷区域特征,其既可适用于刚性产品的表面缺陷检测,也适用于柔性产品的表面缺陷检测,且具有较高的缺陷检测准确性。
基于同上的发明构思,本发明实施例还提供了一种表面缺陷检测装置,该装置可由软件和/或硬件实现,一般集成在表面缺陷检测设备中。本发明实施例所提供的表面缺陷检测装置可执行本发明任意实施例所提供的表面缺陷检测方法,具备执行方法相应的功能模块和有益效果。图4为本发明实施例还提供的一种表面缺陷检测装置的结构示意图,如图4所示,表面缺陷检测装置10具体包括:
特征及深度数据获取模块110,用于获取待检测表面的表面特征和待检测表面的深度数据。
原始深度图像生成模块120,用于根据待检测表面的深度数据,生成待检测表面的原始深度图像。
参考深度图像确定模块130,用于基于待检测表面的表面特征,对原始深度图像进行滤波,以确定待检测表面的参考深度图像。
差分深度图像确定模块140,用于根据参考深度图像与原始深度图像,确定待检测表面的差分深度图像。
缺陷区域确定模块150,用于根据差分深度图像,确定待检测表面的缺陷区域特征。
本发明实施例提供的表面缺陷检测装置,实现并执行对随机曲面产品的表面缺陷检测,可以有效的提高表面缺陷检测的准确性。
值得注意的是,图4中仅示例性地示出部分结构,但并非对本发明表面缺陷检测装置实施方式的限定。上述表面缺陷检测装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
图5为本发明实施例提供的一种表面缺陷检测设备的结构示意图,如图5所示,该设备1包括:线扫描激光传感器20和处理器30;线扫描激光传感器用于对待检测表面板进行扫描,并输出待检测表面的深度数据至所述处理器;处理器用于根据待检测表面的深度数据,执行本发明任意实施例提供的表面缺陷检测方法。
本发明实施例提供的表面缺陷检测设备,实现并执行对随机曲面产品的表面缺陷检测,可以有效的提高表面缺陷检测的准确性。
应该理解的是,图示表面缺陷检测设备1仅仅是表面缺陷检测设备的一个范例,并且表面缺陷检测设备可以具有比图中所示出的更多的或者更少的部件,可以组合一个或更多的部件,或者可以具有不同的部件配置。图中所示出的各种部件可以在软件和/或硬件的组合中实现。
上述实施例中提供的表面缺陷检测装置、表面缺陷检测设备可执行本发明任意实施例所提供的表面缺陷检测方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的表面缺陷检测方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种表面缺陷检测方法,其特征在于,包括:
获取待检测表面的表面特征和所述待检测表面的深度数据;
根据所述待检测表面的深度数据,生成所述待检测表面的原始深度图像;
基于所述待检测表面的表面特征,对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
根据所述参考深度图像与所述原始深度图像,确定所述待检测表面的差分深度图像;其中,差分深度图像是指将所述参考深度图像中各个位置处的参考深度值与所述原始深度图像中各个位置处的原始深度值对应进行差值计算,得到的各个位置处的差值分布;
将所述差分深度图像的深度数据转换为点云数据;
对所述点云数据进行连通域分割,生成与不同所述连通域对应的点云数据集;
将点云数据集中点云数据与缺陷特征阈值相匹配的所述连通域确定为缺陷连通域;
根据所述缺陷连通域对应的点云数据集中各点云数据,确定所述待检测表面的缺陷区域边界;
根据所述缺陷区域边界,对所述原始深度图像进行标记,以确定所述待检测表面的缺陷区域特征;其中,缺陷区域特征包括所述待检测表面中缺陷区域的面积和体积。
2.根据权利要求1所述的表面缺陷检测方法,其特征在于,所述待检测表面的表面特征包括表面形变参数;
基于所述待检测表面的表面特征,对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像,包括:
当所述表面形变参数在第一预设形变参数范围内时,基于移动平均滤波的方式对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
当所述表面形变参数在第二预设形变参数范围内时,基于均值滤波的方式对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
当所述表面形变参数在第三预设形变参数范围内时,基于高斯滤波的方式对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
其中,所述第一预设形变参数范围内的形变参数小于所述第二预设形变参数范围内的形变参数,以及所述第二预设形变参数范围内的形变参数小于所述第三预设形变参数范围内的形变参数。
3.根据权利要求1所述的表面缺陷检测方法,其特征在于,根据所述参考深度图像与所述原始深度图像,确定所述待检测表面的差分深度图像,包括:
获取所述参考深度图像中各个位置处的参考深度值,以及所述原始深度图像中各个位置处的原始深度值;
一一对应地计算各个位置处的所述参考深度值与所述原始深度值之间的差值作为差分深度值;
根据各个位置处的所述差分深度值,确定所述待检测表面的差分深度图像。
4.根据权利要求3所述的表面缺陷检测方法,其特征在于,根据各个位置处的所述差分深度值,确定所述待检测表面的差分深度图像,包括:
将各个位置处的所述差分深度值的绝对值与预设深度阈值进行比较;
将绝对值小于所述预设深度阈值的所述差分深度值对应的位置的深度数据确定为所述待检测表面的零平面的深度数据,以及将绝对值不小于所述预设深度阈值的所述差分深度值对应的位置的深度数据确定为该位置对应的原始深度数据。
5.根据权利要求1所述的表面缺陷检测方法,其特征在于,对所述点云数据进行连通域分割,包括:
基于邻域距离判定方法,对所述点云数据进行连通域分割。
6.根据权利要求1所述的表面缺陷检测方法,其特征在于,根据所述待检测表面的深度数据,生成所述待检测表面的原始深度图像,还包括:
对所述待检测表面的深度数据进行归一化处理,确定归一化的深度数据;
根据所述归一化的深度数据,生成所述待检测表面的原始深度图像。
7.一种表面缺陷检测装置,其特征在于,包括:
特征及深度数据获取模块,用于获取待检测表面的表面特征和所述待检测表面的深度数据;
原始深度图像生成模块,用于根据所述待检测表面的深度数据,生成所述待检测表面的原始深度图像;
参考深度图像确定模块,用于基于所述待检测表面的表面特征,对所述原始深度图像进行滤波,以确定所述待检测表面的参考深度图像;
差分深度图像确定模块,用于根据所述参考深度图像与所述原始深度图像,确定所述待检测表面的差分深度图像;其中,差分深度图像是指将所述参考深度图像中各个位置处的参考深度值与所述原始深度图像中各个位置处的原始深度值对应进行差值计算,得到的各个位置处的差值分布;
缺陷区域确定模块,用于将所述差分深度图像的深度数据转换为点云数据,对所述点云数据进行连通域分割,生成与不同所述连通域对应的点云数据集,将点云数据集中点云数据与缺陷特征阈值相匹配的所述连通域确定改为缺陷连通域,根据所述缺陷连通域对应的点云数据集中各点云数据,确定所述待检测表面的缺陷区域边界,根据所述缺陷区域边界,对所述原始深度图像进行标记,以确定所述待检测表面的缺陷区域特征;其中,缺陷区域特征包括所述待检测表面中缺陷区域的面积和体积。
8.一种表面缺陷检测设备,其特征在于,包括:线扫描激光传感器和处理器;
所述线扫描激光传感器用于对待检测表面板进行扫描,并输出所述待检测表面的深度数据至所述处理器;
所述处理器用于根据所述待检测表面的深度数据,执行权利要求1~6任一项所述的表面缺陷检测方法。
CN202111035814.5A 2021-09-03 2021-09-03 一种表面缺陷检测方法、装置及设备 Active CN113781424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111035814.5A CN113781424B (zh) 2021-09-03 2021-09-03 一种表面缺陷检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111035814.5A CN113781424B (zh) 2021-09-03 2021-09-03 一种表面缺陷检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113781424A CN113781424A (zh) 2021-12-10
CN113781424B true CN113781424B (zh) 2024-02-27

Family

ID=78841108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111035814.5A Active CN113781424B (zh) 2021-09-03 2021-09-03 一种表面缺陷检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113781424B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972892B (zh) * 2022-07-12 2022-10-21 山东嘉通专用汽车制造有限公司 基于计算机视觉的汽车刹车片缺陷分类方法
CN115393727B (zh) * 2022-10-31 2023-04-07 深圳市城市交通规划设计研究中心股份有限公司 一种路面线性裂缝识别方法、电子设备及存储介质
CN115953409B (zh) * 2023-03-15 2023-05-30 深圳市深奇浩实业有限公司 基于图像处理的注塑件表面缺陷检测方法
CN117007611B (zh) * 2023-09-28 2024-01-09 杭州百子尖科技股份有限公司 片状材料的周期性缺陷检测方法、装置、设备以及介质
CN117456285A (zh) * 2023-12-21 2024-01-26 宁波微科光电股份有限公司 基于tof相机与深度学习模型的地铁屏蔽门异物检测方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1988389A1 (de) * 2007-05-04 2008-11-05 Sick Ag Überwachung eines Raumbereichs mit Bestimmung des Verschmutzungsgrads einer transparenter Grenzfläche anhand des Bildkontrasts
KR20160049117A (ko) * 2014-10-24 2016-05-09 주식회사 포스코 후판 표면의 깊이 결함 및 형태 결함 탐상 장치 및 방법
CN107592519A (zh) * 2017-09-30 2018-01-16 南阳师范学院 一种维度变换空间下基于定向滤波的深度图预处理方法
CN107607546A (zh) * 2017-09-19 2018-01-19 佛山缔乐视觉科技有限公司 基于光度立体视觉的皮革缺陷检测方法、系统及装置
AU2016273979A1 (en) * 2016-12-16 2018-07-05 Canon Kabushiki Kaisha System and method for adjusting perceived depth of an image
CN109813727A (zh) * 2018-12-25 2019-05-28 苏州江奥光电科技有限公司 一种基于深度信息的pcb板焊接缺陷检测方法
CN109829886A (zh) * 2018-12-25 2019-05-31 苏州江奥光电科技有限公司 一种基于深度信息的pcb板缺陷检测方法
JP2019091122A (ja) * 2017-11-10 2019-06-13 凸版印刷株式会社 デプスマップフィルタ処理装置、デプスマップフィルタ処理方法及びプログラム
CN110032178A (zh) * 2017-12-19 2019-07-19 松下知识产权经营株式会社 照明装置、照明装置的设置方法及道路管理系统
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
JP2020008501A (ja) * 2018-07-11 2020-01-16 日本製鉄株式会社 表面欠陥検出装置及び表面欠陥検出方法
CN111102920A (zh) * 2019-12-18 2020-05-05 佛山科学技术学院 一种基于增强现实的机械组件质检方法及系统
WO2020133046A1 (zh) * 2018-12-27 2020-07-02 深圳配天智能技术研究院有限公司 一种缺陷检测方法及装置
AU2020101832A4 (en) * 2019-09-26 2020-09-24 Wuhan University Of Science And Technology Image collection and depth image enhancement method and apparatus for kinect
WO2020191731A1 (zh) * 2019-03-28 2020-10-01 深圳市大疆创新科技有限公司 点云生成方法、系统和计算机存储介质
KR102168724B1 (ko) * 2020-04-06 2020-10-22 이교혁 이미지 검사를 이용한 이상 판별 방법 및 장치
CN113192015A (zh) * 2021-04-13 2021-07-30 广西师范大学 基于深度信息的表面缺陷检测方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10330608B2 (en) * 2012-05-11 2019-06-25 Kla-Tencor Corporation Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools
US9514522B2 (en) * 2012-08-24 2016-12-06 Microsoft Technology Licensing, Llc Depth data processing and compression

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1988389A1 (de) * 2007-05-04 2008-11-05 Sick Ag Überwachung eines Raumbereichs mit Bestimmung des Verschmutzungsgrads einer transparenter Grenzfläche anhand des Bildkontrasts
KR20160049117A (ko) * 2014-10-24 2016-05-09 주식회사 포스코 후판 표면의 깊이 결함 및 형태 결함 탐상 장치 및 방법
AU2016273979A1 (en) * 2016-12-16 2018-07-05 Canon Kabushiki Kaisha System and method for adjusting perceived depth of an image
CN107607546A (zh) * 2017-09-19 2018-01-19 佛山缔乐视觉科技有限公司 基于光度立体视觉的皮革缺陷检测方法、系统及装置
CN107592519A (zh) * 2017-09-30 2018-01-16 南阳师范学院 一种维度变换空间下基于定向滤波的深度图预处理方法
JP2019091122A (ja) * 2017-11-10 2019-06-13 凸版印刷株式会社 デプスマップフィルタ処理装置、デプスマップフィルタ処理方法及びプログラム
CN110032178A (zh) * 2017-12-19 2019-07-19 松下知识产权经营株式会社 照明装置、照明装置的设置方法及道路管理系统
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
JP2020008501A (ja) * 2018-07-11 2020-01-16 日本製鉄株式会社 表面欠陥検出装置及び表面欠陥検出方法
CN109829886A (zh) * 2018-12-25 2019-05-31 苏州江奥光电科技有限公司 一种基于深度信息的pcb板缺陷检测方法
CN109813727A (zh) * 2018-12-25 2019-05-28 苏州江奥光电科技有限公司 一种基于深度信息的pcb板焊接缺陷检测方法
WO2020133046A1 (zh) * 2018-12-27 2020-07-02 深圳配天智能技术研究院有限公司 一种缺陷检测方法及装置
WO2020191731A1 (zh) * 2019-03-28 2020-10-01 深圳市大疆创新科技有限公司 点云生成方法、系统和计算机存储介质
AU2020101832A4 (en) * 2019-09-26 2020-09-24 Wuhan University Of Science And Technology Image collection and depth image enhancement method and apparatus for kinect
CN111102920A (zh) * 2019-12-18 2020-05-05 佛山科学技术学院 一种基于增强现实的机械组件质检方法及系统
KR102168724B1 (ko) * 2020-04-06 2020-10-22 이교혁 이미지 검사를 이용한 이상 판별 방법 및 장치
CN113192015A (zh) * 2021-04-13 2021-07-30 广西师范大学 基于深度信息的表面缺陷检测方法和系统

Also Published As

Publication number Publication date
CN113781424A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113781424B (zh) 一种表面缺陷检测方法、装置及设备
KR101934313B1 (ko) 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
JP6009351B2 (ja) 検査画像内の分類のためのシステム、方法、及びコンピュータプログラム製品
JP7402061B2 (ja) 試験片の調査の方法およびそのシステム
JP4776308B2 (ja) 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法
JP5025442B2 (ja) タイヤ形状検査方法とその装置
JP2018155690A (ja) 表面欠陥検査方法及び表面欠陥検査装置
CN111353993B (zh) 一种基于机器视觉的螺纹角度测量方法
JP5806786B1 (ja) 画像認識装置
JP2005529388A (ja) パターン検査方法
KR20090066212A (ko) 결함 검출 방법 및 결함 검출 장치
CN111489337B (zh) 一种自动光学检测伪缺陷去除方法及系统
JP2006098152A (ja) 欠陥検出装置および欠陥検出方法
CN117274258B (zh) 主板图像的缺陷检测方法、系统、设备及存储介质
JP2008051617A (ja) 画像検査装置、その方法、及びその記録媒体
KR20180115646A (ko) 비전 카메라를 이용한 비드 인식 장치 및 그 방법
CN113487569B (zh) 基于频域和空域结合的复杂背景图像缺陷检测方法及系统
CN116128873A (zh) 一种基于图像识别的轴承保持器检测方法、设备及介质
CN116468726A (zh) 一种在线异物线路检测方法及系统
JP2011007728A (ja) 欠陥検出方法、欠陥検出装置、および欠陥検出プログラム
JP4843415B2 (ja) パターン評価方法およびプログラム
JP2019120644A (ja) 表面検査装置、及び表面検査方法
CN113012121B (zh) 裸片扫描结果的处理方法、装置、电子设备与存储介质
JP5452035B2 (ja) 欠陥検査方法および欠陥検査装置
JP2003329428A (ja) 表面検査装置及び表面検査方法

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