CN113822890B - 一种微裂纹检测方法、装置、系统及存储介质 - Google Patents

一种微裂纹检测方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN113822890B
CN113822890B CN202111399828.5A CN202111399828A CN113822890B CN 113822890 B CN113822890 B CN 113822890B CN 202111399828 A CN202111399828 A CN 202111399828A CN 113822890 B CN113822890 B CN 113822890B
Authority
CN
China
Prior art keywords
image
defect
detection
area
target
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
CN202111399828.5A
Other languages
English (en)
Other versions
CN113822890A (zh
Inventor
王南南
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.)
Casi Vision Technology Luoyang Co Ltd
Casi Vision Technology Beijing Co Ltd
Original Assignee
Casi Vision Technology Luoyang Co Ltd
Casi Vision Technology Beijing 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 Casi Vision Technology Luoyang Co Ltd, Casi Vision Technology Beijing Co Ltd filed Critical Casi Vision Technology Luoyang Co Ltd
Priority to CN202111399828.5A priority Critical patent/CN113822890B/zh
Publication of CN113822890A publication Critical patent/CN113822890A/zh
Application granted granted Critical
Publication of CN113822890B publication Critical patent/CN113822890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/13—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

本申请提供了一种微裂纹检测方法、装置、系统及存储介质，该方法包括：对目标圆环检测区域图像进行极坐标变换，得到目标圆环检测区域图像对应的矩形检测图像；对矩形检测图像进行横向边缘滤波，得到边缘滤波图像；根据预设的检测块尺寸，将边缘滤波图像分割成多个检测块；查找每个检测块中的候选缺陷点，并计算由候选缺陷点组成的缺陷区域的缺陷信息；根据每个缺陷区域的缺陷信息，在矩形检测图像上确定待选区域以及待选区域对应的邻域信息，以确定矩形检测图像中的微裂纹缺陷；最后对微裂纹缺陷的缺陷信息进行极坐标逆变换。本申请提供的微裂纹检测方法可在复杂背景下精准提取圆环检测区域，凸显微裂纹缺陷，排除离散干扰的影响。

Description

一种微裂纹检测方法、装置、系统及存储介质
技术领域
本申请涉及机器视觉领域，具体而言，涉及一种微裂纹检测方法、装置、系统及存储介质。
背景技术
OLED模组段贴合后产品的开孔的质量把控问题是模组贴合流段很关键的一个环节，若在贴合过程中产生了裂纹，则会导致该产品直接报废，若没有及时检测出来，进入到下游的其他工序环节，则会进一步产生自资源和人力的浪费，由于开孔的裂纹缺陷只有不到30微米的宽度，人工需要到显微镜下才可以看清楚，若每片都人工全检，则无法保证出货量，并且人工检测效率低下，无法进行该环节缺陷的及时拦截，因此通过AOI(AutomatedOptical Inspection，自动光学检测）设备进行自动检测并及时流出缺陷样本是非常关键的。
发明内容
有鉴于此，本申请的目的在于提供一种微裂纹检测方法、装置、系统及存储介质，用于解决现有技术中如何快速高效地对开孔进行微裂纹自动检测的问题。可以在复杂背景下精准提取圆环检测区域，凸显微裂纹缺陷，排除离散干扰的影响，从而快速高效地进行微裂纹自动检测。
为解决上述技术问题，第一方面，本申请实施例提供了一种微裂纹检测方法，该方法包括：
获取目标圆环检测区域图像；
对所述目标圆环检测区域图像进行极坐标变换，得到所述目标圆环检测区域图像对应的矩形检测图像；
对所述矩形检测图像进行横向边缘滤波，得到边缘滤波图像；
根据预设的检测块尺寸，将所述边缘滤波图像分割成多个块，其中，相邻的所述检测块之间存在重叠区域；
针对每个检测块，查找该检测块中的候选缺陷点，并计算由所述候选缺陷点组成的缺陷区域的缺陷信息；
根据每个缺陷区域的缺陷信息，在所述矩形检测图像上确定待选区域以及待选区域对应的邻域信息；
根据所有待选区域的角度信息和待选区域对应的邻域信息，确定所述矩形检测图像中的微裂纹缺陷；
对所述微裂纹缺陷的缺陷信息进行极坐标逆变换，得到标记有微裂纹缺陷的目标圆环检测区域图像。
在一些实施例中，在所述获取目标圆环检测区域的图像之前，还包括：
获取包含开孔的待检测图像；
根据预先构造的四个方向的滤波核，对所述待检测图像进行滤波，得到四个方向的滤波图像；
根据所述四个方向的滤波图像的灰度信息，对所述四个方向的滤波图像进行背景干扰去除，并将去除背景干扰的四个方向的滤波图像叠加融合，得到融合后的掩膜图像；
基于随机一致性采样在所述掩膜图像上进行外圆拟合，并将该外圆映射到待检测图像上，得到所述待检测图像中的圆形隔离柱外圆 ；
根据所述圆形隔离柱外圆，从所述待检测图像中提取目标圆环检测区域，得到目标圆环检测区域图像。
在一些实施例中，所述根据所述四个方向的滤波图像的灰度信息，对所述四个方向的滤波图像进行背景干扰去除，并将去除背景干扰的四个方向的滤波图像叠加融合，得到融合后的掩膜图像，包括：
针对每个方向的滤波图像，根据该滤波图像的灰度信息进行基于灰度阈值的二值化操作，得到二值化图像；
根据每个方向的二值化图像，分别获取轮廓，并计算轮廓包围区域的面积；
针对每个方向的二值化图像，根据所述轮廓包围区域的面积进行基于面积阈值的二值化操作，得到去除背景干扰的四个方向的滤波图像；
将去除背景干扰的四个方向的滤波图像进行叠加融合，得到融合后的掩膜图像。
在一些实施例中，所述基于随机一致性采样在所述掩膜图像上进行外圆拟合，并将该外圆映射到待检测图像上，得到所述待检测图像中的圆形隔离柱外圆，包括：
获取所述掩膜图像中所有外轮廓点集；
计算每个外轮廓点集的外接矩形，并选取外接矩形最大的外轮廓点集作为目标点集；
基于随机一致性采样对所述目标点集进行干扰点剔除，得到剔除后的目标点集；
根据所述剔除后的目标点集，通过圆的最小二乘法进行外圆拟合，并将该外圆映射到待检测图像上，得到所述待检测图像中的圆形隔离柱外圆。
在一些实施例中，所述根据所述圆形隔离柱外圆，从所述待检测图像中提取目标圆环检测区域，得到目标圆环检测区域图像，包括：
根据所述圆形隔离柱外圆的圆心以及预先输入的目标圆环检测区域的内外圆与圆形隔离柱外圆的缩放关系，确定目标圆环检测区域的位置；
根据所述目标圆环检测区域的位置，从所述待检测图像中提取目标圆环检测区域图像。
在一些实施例中，所述针对每个检测块，查找该检测块中的候选缺陷点，并计算由所述候选缺陷点组成的缺陷区域的缺陷信息，包括：
针对每个检测块，计算该检测块的平均灰度；
针对每个检测块，基于缺陷灰度阈值对该检测块进行逐像素赋值，得到候选缺陷图像；
通过固定尺寸窗口对每个检测块对应的候选缺陷图像进行候选缺陷点查找，得到候选缺陷点；
根据所有候选缺陷点，确定缺陷区域，并计算各缺陷区域的缺陷信息；所述缺陷信息包括外轮廓点集、最小旋转外接矩形点集和缺陷区域的倾斜角度。
在一些实施例中，所述针对每个检测块，基于缺陷灰度阈值对该检测块进行逐像素赋值，得到候选缺陷图像，包括：
针对每个检测块，逐像素判断像素点的灰度值与该检测块的平度灰度的差值是否大于缺陷灰度阈值；
若像素点的灰度值与该检测块的平度灰度的差值大于缺陷灰度阈值，则将该像素点的灰度值赋值为1；
若像素点的灰度值与该检测块的平度灰度的差值小于缺陷灰度阈值，则将该像素点的灰度值赋值为0；
将完成所有像素点赋值的检测块作为该检测块的候选缺陷图像。
在一些实施例中，所述通过固定尺寸窗口对每个检测块对应的候选缺陷图像进行候选缺陷点查找，得到候选缺陷点，包括：
针对每个检测块对应的候选缺陷图像，将该候选缺陷图像的边缘进行镜像对称，得到边缘镜像图像；
根据每个边缘镜像图像中个像素点的灰度信息，计算各边缘镜像图像对应的积分图；
针对每个候选缺陷图像，通过该候选缺陷图像的边缘镜像图像对应的积分图计算该候选缺陷图像中每个以目标像素点为中心的固定尺寸窗口的积分值；所述目标像素点是灰度值为1的像素点；
若当前的目标像素点对应的固定尺寸窗口的积分值大于密集性阈值，则将该目标像素点确定为候选缺陷点；
若当前的目标像素点对应的固定尺寸窗口的积分值小于密集性阈值，则将该目标像素点的灰度值赋值为0。
在一些实施例中，所述根据所有待选区域的角度信息和待选区域对应的邻域信息，确定所述矩形检测图像中的微裂纹缺陷，包括：
针对每个待选区域，将待选区域的外轮廓进行形态学圆形膨胀，得到膨胀区域，并将膨胀区域与待选区域的差集确定为该待选区域的缺陷邻域；
针对每个待选区域，计算点选区域的平均灰度和缺陷邻域的平均灰度；
若该待选区域的平均灰度与缺陷邻域的平均灰度的差值大于灰度阈值，且该待选区域的倾斜角度在预设角度区间内，则确定该待选区域为微裂纹缺陷。
第二方面，本申请实施例提供了一种微裂纹检测装置，该装置包括：
获取模块，用于获取目标圆环检测区域图像；
变换模块，用于对所述目标圆环检测区域图像进行极坐标变换，得到所述目标圆环检测区域图像对应的矩形检测图像；
边缘滤波模块，用于对所述矩形检测图像进行横向边缘滤波，得到边缘滤波图像；
分割模块，用于根据预设的检测块尺寸，将所述边缘滤波图像分割成多个检测块，其中，相邻的所述检测块之间存在重叠区域；
查找模块，用于针对每个检测块，查找该检测块中的候选缺陷点，并计算由所述候选缺陷点组成的缺陷区域的缺陷信息；
映射模块，用于根据每个缺陷区域的缺陷信息，在所述矩形检测图像上确定待选区域以及待选区域对应的邻域信息；
判断模块，用于根据所有待选区域的角度信息和待选区域对应的邻域信息，确定所述矩形检测图像中的微裂纹缺陷；
逆变换模块，用于所述微裂纹缺陷的缺陷信息进行极坐标逆变换，得到标记有微裂纹缺陷的目标圆环检测区域图像。
第三方面，本申请实施例提供了一种微裂纹检测系统，包括相机和检测识别装置，所述检测识别装置用于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微裂纹检测方法，可以实现对OLED模组段贴合后产品的开孔的缺陷的快速高效检测。在复杂背景下精准提取圆环的检测区域，并利用极坐标变换将检测区域的图像转换为一个矩形图像，借助横向重复性纹理的特点进行横向的边缘滤波，使得径向分布的微裂纹缺陷更加显著，此外，基于积分图的思想统计满足一定密集度的点作为候选缺陷点，可排除离散干扰的影响。此方法简单易行、自动化程度高，并且在工业机器视觉领域具有广泛的应用场景和应用价值。
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微裂纹检测方法的流程示意图；
图2为本申请实施例提供的一种开孔采集图像的示意图；
图3为本申请实施例提供的一种矩形检测图像的示意图；
图4为本申请实施例提供的一种边缘滤波图像的示意图；
图5为本申请实施例提供的一种目标圆环检测区域检测方法的流程示意图；
图6为本申请实施例提供的一种四个方向的滤波图像的示意图；
图7为本申请实施例提供的一种去除背景干扰的四个方向的滤波图像的示意图；
图8为本申请实施例提供的一种叠加融合的掩膜图像；
图9为本申请实施例提供的一种圆形隔离柱外圆的示意图；
图10为本申请实施例提供的一种检测块的示意图；
图11为本申请实施例提供的一种最小旋转外接矩形的倾斜角度的示意图；
图12为本申请实施例提供的一种矩形检测图像中的待选区域的示意图；
图13为本申请实施例提供的一种微裂纹检测装置的示意图。
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微裂纹检测方法的流程示意图。本申请实施例提供了一种微裂纹检测方法，如图1所示，包括以下步骤：
步骤S101、获取目标圆环检测区域图像；
步骤S102、对上述目标圆环检测区域图像进行极坐标变换，得到上述目标圆环检测区域图像对应的矩形检测图像；
步骤S103、对上述矩形检测图像进行横向边缘滤波，得到边缘滤波图像；
步骤S104、根据预设的检测块尺寸，将上述边缘滤波图像分割成多个检测块，其中，相邻的所述检测块之间存在重叠区域；
步骤S105、针对每个检测块，查找该检测块中的候选缺陷点，并计算由上述候选缺陷点组成的缺陷区域的缺陷信息；
步骤S106、根据每个缺陷区域的缺陷信息，在上述矩形检测图像上确定待选区域以及待选区域对应的邻域信息；
步骤S107、根据所有待选区域的角度信息对应的邻域信息，确定上述矩形检测图像中的微裂纹缺陷；
步骤S108、对上述微裂纹缺陷的缺陷信息进行极坐标逆变换，得到标记有微裂纹缺陷的目标圆环检测区域图像。
具体地，为了便于对目标圆环检测区域的微裂纹缺陷检测，本申请采用了通过极坐标变换将目标圆环检测区域图像转换成长条状的矩形检测图像，在进行微裂纹缺陷检测后再进行极坐标逆变换进行还原。
图2为本申请实施例提供的一种开孔采集图像的示意图。本实施例中的开孔是通过AA Hole（Active Area Hole）技术进行打孔，用于放置摄像头等功能器件。如图2所示，目标圆环检测区域图像包含了圆环内外圆的半径以及圆心信息，根据这些信息进行目标圆环检测区域图像的极坐标变换，极坐标变换公式如下：
Figure 387951DEST_PATH_IMAGE001
（1）
其中，(CirPtx,CirPty)为圆环区域的圆心坐标，(x,y)为图像坐标中的点，theta为极坐标系下的角度，(Tx,Ty)为变换后的点，R1为圆环区域外圆的半径，R2为圆环区域的内圆的半径。并通过插值方式将目标圆环检测区域图像变换成一个正常的矩形图像信息并输出矩形检测图像processImg。
图3为本申请实施例提供的一种矩形检测图像的示意图，图4为本申请实施例提供的一种边缘滤波图像的示意图。针对如图3所示的极坐标转换后的矩形检测图像processImg进行横向边缘滤波得到如图4所示的边缘滤波图像，滤波窗口的尺寸为k*k，一般地，k可设为3。横向边缘滤波是为了在对矩形检测图像的横向纹理信息进行平滑的同时，对矩形检测图像的垂直边缘信息进行凸显，也就使得径向分布的微裂纹缺陷更加显著。
为了方便检测，将边缘滤波图像按照从左到右的顺序分割成多个检测块Block，相邻检测块存在部分重叠区域，以保证微裂纹缺陷检测的完整性。检测块信息涵盖了该检测块相对于边缘滤波图像的图像坐标信息，以及该检测块的宽度和高度信息。检测块一般是一个宽度和高度与目标圆环检测区域宽度S相同的正方形，通过设定窗口尺寸为S*S的窗口，在边缘滤波图像上进行滑动，得到滑动窗口包围的图像区域，即，检测块Block信息。
根据各检测块中的灰度信息，进行各像素点的重新赋值，以查找检测块中的候选缺陷点，并通过轮廓获取得到缺陷区域，计算出各缺陷区域的缺陷信息。再将缺陷区域的缺陷信息中的缺陷区域坐标映射到矩形检测图像上，得到矩形检测图像中的待选区域坐标，以确定矩形检测图像中的待选区域以及待选区域对应的邻域信息，对待选区域进行筛选，得到矩形检测图像中的微裂纹缺陷。
最后通过极坐标逆变换，将微裂纹缺陷的外轮廓点集defectPts和最小旋转外接矩形点集minAreaRectPts还原到目标圆环检测区域图像的坐标下，根据极坐标逆变换后的微裂纹缺陷的外轮廓点集和最小旋转外接矩形点集在目标圆环检测区域图像中标记出微裂纹缺陷。极坐标逆变换公式如下：
Figure 119147DEST_PATH_IMAGE002
（2）
图5为本申请实施例提供的一种目标圆环检测区域检测方法的流程示意图。在一些实施例中，在上述步骤S101之前，如图5所示，还包括：
步骤S201、获取包含开孔的待检测图像；
步骤S202、根据预先构造的四个方向的滤波核，对上述待检测图像进行滤波，得到四个方向的滤波图像；
步骤S203、根据上述四个方向的滤波图像的灰度信息，对上述四个方向的滤波图像进行背景干扰去除，并将去除背景干扰的四个方向的滤波图像叠加融合，得到融合后的掩膜图像；
步骤S204、基于随机一致性采样在上述掩膜图像上进行外圆拟合，并将该外圆映射到待检测图像上，得到上述待检测图像中的圆形隔离柱外圆 ；
步骤S205、根据上述圆形隔离柱外圆，从上述待检测图像中提取目标圆环检测区域，得到目标圆环检测区域图像。
具体地，在针对OLED模组段贴合后产品的开孔的目标圆环检测区域的检测，需要先从包含开孔的待检测图像中将目标圆环检测区域的图像提取出来。
首先，通过AOI设备对开孔部分进行图像采集，得到包含开孔的待检测图像，如图2所示，与本申请实施例相关的部分有圆形隔离柱部件1A、目标圆环检测区域1B和微裂纹缺陷1C。
图6为本申请实施例提供的一种四个方向的滤波图像的示意图。如图6所示，通过预先构造四个方向的滤波核对上述待检测图像进行四次滤波，得到四幅滤波图像，四个方向的滤波核如下：
Figure 112511DEST_PATH_IMAGE003
（3）
其中，kerneltop、kernelbottom、kernelleft、kernelright分别是上下左右四个方向的滤波核，k为滤波常数，k可取值为1。上下两个方向的滤波核用于增强横向的曲线，左右两个方向的滤波核用于增强纵向的曲线，主要目的是将待检测图像中的圆形隔离柱部件的图像进行增强，因为圆形隔离柱外圆与目标圆环检测区域的内外圆的像素半径差是预先可知的，并且三个圆是同心圆，因此，只要定位待检测图像中最突出且外接矩形尺寸最大的圆形隔离柱，就可得到目标圆环检测区域在图像中的位置。
然后基于四个方向的滤波图像的灰度信息，对图像背景中小面积的干扰进行去除，缩短后续处理的时间消耗，提高检测效率。将去除背景干扰后的滤波图像进行叠加融合，得到一幅融合后的掩膜图像，再通过RANSAC（Random Sample Consensus，随机一致性采样）的方式在掩膜图像上拟合出圆形隔离柱外圆，然后根据在掩膜图像中圆形隔离柱外圆的坐标点集，在待检测图像中映射出该圆形隔离柱外圆，最后通过预先输入的圆形隔离柱外圆与目标圆环检测区域的内外圆的像素半径差，确定目标圆环检测区域的内外圆的在待检测图像中的位置，再从待检测图像中提取该位置上的目标圆环检测区域图像。
在一些实施例中，上述步骤S203，包括：
步骤a1、针对每个方向的滤波图像，根据该滤波图像的灰度信息进行基于灰度阈值的二值化操作，得到二值化图像；
步骤a2、根据每个方向的二值化图像，分别获取轮廓，并计算轮廓包围区域的面积；
步骤a3、针对每个方向的二值化图像，根据上述轮廓包围区域的面积进行基于面积阈值的二值化操作，得到去除背景干扰的四个方向的滤波图像；
步骤a4、将去除背景干扰的四个方向的滤波图像进行叠加融合，得到融合后的掩膜图像。
具体地，图7为本申请实施例提供的一种去除背景干扰的四个方向的滤波图像的示意图。对四个方向的滤波图像进行基于灰度阈值T的二值化操作，剔除灰度较弱的背景区域，得到二值化图像，以上方向的滤波图像为例，基于灰度阈值T的二值化公式如下：
Figure 929157DEST_PATH_IMAGE004
（4）
其中，（x，y）为二值化图像中的像素点坐标，I为包含开孔的待检测图像。剩下三个方向基于灰度阈值T的二值化公式都形同上式。在完成四个方向的基于灰度阈值T的二值化操作后，从四个方向的二值化图像中获取轮廓，将轮廓包围区域contourSet的面积小于面积阈值Tarea的部分赋值为0，得到如图7所示的去除背景干扰的四个方向的滤波图像，这样可以排除小面积的干扰对后面处理的时间消耗。基于面积阈值Tarea的二值化公式如下：
Figure 974824DEST_PATH_IMAGE005
（5）
图8为本申请实施例提供的一种叠加融合的掩膜图像。最后将四幅图像进行叠加融合得到如图8所示的融合后的掩膜图像filterProcess，其中，只在连续的强边缘处灰度值为255，其余部分灰度值为0。
在一些实施例中，上述步骤S204，包括：
步骤b1、获取上述掩膜图像中所有外轮廓点集；
步骤b2、计算每个外轮廓点集的外接矩形，并选取外接矩形最大的外轮廓点集作为目标点集；
步骤b3、基于随机一致性采样对上述目标点集进行干扰点剔除，得到剔除后的目标点集；
步骤b4、根据上述剔除后的目标点集，通过圆的最小二乘法进行外圆拟合，并将该外圆映射到待检测图像上，得到上述待检测图像中的圆形隔离柱外圆。
具体地，图9为本申请实施例提供的一种圆形隔离柱外圆的示意图。基于掩膜图像filterProcess，获取所有的外轮廓点集borderSetPri，并计算每条轮廓对应的外接矩形，将面积最大的一条轮廓对应的外轮廓点集作为用于拟合外圆的目标点集，并基于RANSAC（Random Sample Consensus，随机抽样一致性）策略剔除轮廓上偏差比较大的干扰点，利用剔除后的目标点集bordrSet基于圆的最小二乘策略拟合圆形隔离柱外圆CirOuter，圆形隔离柱外圆的半径和圆心分别为R、CirPt，再将该圆形隔离柱外圆映射到待检测图像上，待检测图像的圆形隔离柱外圆1D如图9所示。
在一些实施例中，上述步骤S205，包括：
步骤c1、根据上述圆形隔离柱外圆的圆心以及预先输入的目标圆环检测区域的内外圆与圆形隔离柱外圆的缩放关系，确定目标圆环检测区域的位置；
步骤c2、根据上述目标圆环检测区域的位置，从上述待检测图像中提取目标圆环检测区域图像。
具体地，根据模组加工的先验信息，可以得到目标圆环检测区域的内外圆与圆形隔离柱外圆的缩放关系为目标圆环检测区域的圆环宽度为60Pix，基于圆形隔离柱外圆的圆心CirPt，将外圆半径进行两次内缩，内缩长度为85Pix和145Pix，输出两个圆信息，分别为CirInner1，CirInner2，即目标圆环检测区域的外圆和内圆，对应的半径分别为R1和R2，从而获取两个圆包围的目标圆环检测区域ringRegion的位置，然后从待检测图像中将目标圆环检测区域的位置处的图像进行提取，得到目标圆环检测区域图像。
在一些实施例中，上述步骤S105，包括：
步骤d1、针对每个检测块，计算该检测块的平均灰度；
步骤d2、针对每个检测块，基于缺陷灰度阈值对该检测块进行逐像素赋值，得到候选缺陷图像；
步骤d3、通过固定尺寸窗口对每个检测块对应的候选缺陷图像进行候选缺陷点查找，得到候选缺陷点；
步骤d4、根据所有候选缺陷点，确定缺陷区域，并计算各缺陷区域的缺陷信息；上述缺陷信息包括外轮廓点集、最小旋转外接矩形点集和缺陷区域的倾斜角度。
具体地，图10为本申请实施例提供的一种检测块的示意图。计算每个如图10左所示的检测块Block的平均灰度，然后逐像素地比较像素点的灰度值与所属检测块的平均灰度的大小是否高于缺陷灰度阈值，以重新对像素点进行赋值，得到如图10右所示的候选缺陷图像。
上述固定尺寸窗口是统计密集性约束的窗口，通过该固定尺寸窗口对候选缺陷图像进行扫描，查找符合要求的候选缺陷点，并剔除非候选缺陷点的干扰点。
最后通过轮廓获取将候选缺陷点整合成多个缺陷区域，计算出缺陷区域的缺陷信息，以用于后续的微裂纹缺陷判别。
图11为本申请实施例提供的一种最小旋转外接矩形的倾斜角度的示意图。上述倾斜角度是指最小旋转外接矩形的倾斜角度，该倾斜角度如图11所示，是将最小旋转外接矩形的四个顶点依次编号P0、P1、P2、P3，然后从P0向P3做一个向量，将该向量与x轴的夹角称为倾斜角度。
在一些实施例中，上述步骤d2，包括：
步骤e1、针对每个检测块，逐像素判断像素点的灰度值与该检测块的平度灰度的差值是否大于缺陷灰度阈值；
步骤e2、若像素点的灰度值与该检测块的平度灰度的差值大于缺陷灰度阈值，则将该像素点的灰度值赋值为1；
步骤e3、若像素点的灰度值与该检测块的平度灰度的差值小于缺陷灰度阈值，则将该像素点的灰度值赋值为0；
步骤e4、将完成所有像素点赋值的检测块作为该检测块的候选缺陷图像。
具体地，计算每个如图10左所示的检测块图像的平均灰度Blockaver，对检测块中的像素点进行逐像素点灰度值与平均灰度作差，比对每个像素点的灰度值与平均灰度的差值是否高于缺陷灰度阈值，若高于，则对该像素点赋值为1，若未高于，则对该像素点赋值为0。即，对检测块图像中高于平均灰度缺陷灰度阈值TB的像素点赋值为1，否则赋值为0，以获取如 图10中所示的检测块图像对应的候选缺陷图像，具体公式如下：
Figure 498209DEST_PATH_IMAGE006
（6）
其中，（x，y）为检测块中的像素点，Block（x，y）为检测块图像中像素点（x，y）对应的灰度值，缺陷灰度阈值TB优选为±5。
在一些实施例中，上述步骤d3，包括：
步骤f1、针对每个检测块对应的候选缺陷图像，将该候选缺陷图像的边缘进行镜像对称，得到边缘镜像图像；
步骤f2、根据每个边缘镜像图像中各像素点的灰度信息，计算各边缘镜像图像对应的积分图；
步骤f3、针对每个候选缺陷图像，通过该候选缺陷图像的边缘镜像图像对应的积分图计算该候选缺陷图像中每个以目标像素点为中心的固定尺寸窗口的积分值；上述目标像素点是灰度值为1的像素点；
步骤f4、若当前的目标像素点对应的固定尺寸窗口的积分值大于密集性阈值，则将该目标像素点确定为候选缺陷点；
步骤f5、若当前的目标像素点对应的固定尺寸窗口的积分值小于密集性阈值，则将该目标像素点的灰度值赋值为0。
具体地，给定统计密集性约束的固定尺寸窗口的尺寸为m*m，在这里一般m设定为5就可以满足缺陷检测要求。将候选缺陷图像的边缘进行镜像对称，候选缺陷图像的尺寸在进行过边缘镜像对称后由H*W通过floor函数向下取整变换为（H+2*floor（m/2））*（W+2*floor（m/2）），将边缘镜像对称后的图像称为边缘镜像图像。
计算每个边缘镜像图像的积分图BlcokIte，这样做是为了方便后续的统计缺陷点。具体计算候选缺陷图像中以灰度值为1的像素点为中心的固定尺寸窗口内积分值 ，当该积分值大于密集性阈值DensityT时，则判定该作为中心点的像素点为缺陷点，否则赋值为0，并更新候选缺陷图像，更新后的候选缺陷图像如图10右所示，具体公式如下：
Figure 928053DEST_PATH_IMAGE007
（7）
其中，(x,y)为候选缺陷图像中的像素点，x<W，y<H。
在一些实施例中，上述步骤S106，包括：
步骤g1、针对每个待选区域，将待选区域的外轮廓进行形态学圆形膨胀，得到膨胀区域，并将膨胀区域与待选区域的差集确定为该待选区域的缺陷邻域；
步骤g2、针对每个待选区域，计算待选区域的平均灰度和缺陷邻域的平均灰度；
步骤g3、若该待选区域的平均灰度与缺陷邻域的平均灰度的差值大于灰度阈值，且该待选区域的倾斜角度在预设角度区间内，则确定该待选区域为微裂纹缺陷。
具体地，图12为本申请实施例提供的一种矩形检测图像中的待选区域的示意图。对于待选区域需要进行进一步的筛选以确定是否是微裂纹缺陷。首先对每个待选区域的外轮廓都进行形态学圆形膨胀，该形态学圆形膨胀目的是得到膨胀区域，并非对待选区域的图像进行膨胀。计算膨胀区域与待选区域的差集，也就是从膨胀区域中将待选区域剔除，差集部分为该待选区域的缺陷邻域。计算缺陷领域的平均灰度，若待选区域的平均灰度高于缺陷邻域的平均灰度邻域灰度阈值的情况，并且待选区域的倾斜角度在预设角度区间[70°,110°]的范围内，则确定该待选区域为如图11所示的微裂纹缺陷。
倾斜角度的限定是由于在目标圆环检测区域中的微裂纹缺陷的中轴线一般都是指向圆心或近似指向圆心，当通过极坐标变换将目标圆环检测区域图像转换成长条状的矩形检测图像后，微裂纹缺陷在该矩形检测图像中应当与上下边缘近似垂直，因此需要待选区域的倾斜角度，也就是待选区域最小旋转外接矩形的倾斜角度在预设角度区间[70°,110°]范围内。矩形检测区域中待选区域的倾斜角度就是对应的检测块中缺陷区域的倾斜角度。
图13为本申请实施例提供的一种微裂纹检测装置的示意图。本申请实施例还提供了一种微裂纹检测装置，如图12所示，该装置包括：
获取模块30，用于获取目标圆环检测区域图像；
变换模块31，用于对上述目标圆环检测区域图像进行极坐标变换，得到上述目标圆环检测区域图像对应的矩形检测图像；
边缘滤波模块32，用于对上述矩形检测图像进行横向边缘滤波，得到边缘滤波图像；
分割模块33，用于根据预设的检测块尺寸，将上述边缘滤波图像分割成多个检测块，其中，相邻的所述检测块之间存在重叠区域；
查找模块34，用于针对每个检测块，查找该检测块中的候选缺陷点，并计算由上述候选缺陷点组成的缺陷区域的缺陷信息；
映射模块35，用于根据每个缺陷区域的缺陷信息，在上述矩形检测图像上确定待选区域以及待选区域对应的邻域信息；
判断模块36，用于根据所有待选区域的角度信息和待选区域对应的邻域信息，确定上述矩形检测图像中的微裂纹缺陷；
逆变换模块37，用于上述微裂纹缺陷的缺陷信息进行极坐标逆变换，得到标记有微裂纹缺陷的目标圆环检测区域图像。
本申请实施例提供了一种微裂纹检测系统，包括相机和检测识别装置，上述检测识别装置用于实现上述一种微裂纹检测方法中任一实施例的步骤。
基于上述微裂纹检测方法，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微裂纹检测方法任一实施例的步骤。
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，能够执行上述一种微裂纹检测方法，解决了现有技术中如何快速高效地对开孔进行微裂纹自动检测的问题，本申请实施例提出的微裂纹检测方法，可以实现对OLED模组段贴合后产品的开孔的缺陷的快速高效检测。在复杂背景下精准提取圆环的检测区域，并利用极坐标变换将检测区域的图像转换为一个矩形图像，借助横向重复性纹理的特点进行横向的边缘滤波，使得径向分布的微裂纹缺陷更加显著，此外，基于积分图的思想统计满足一定密集度的点作为候选缺陷点，可排除离散干扰的影响。此方法简单易行、自动化程度高，并且在工业机器视觉领域具有广泛的应用场景和应用价值。
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 (12)

1.一种微裂纹检测方法，其特征在于，包括：
获取目标圆环检测区域图像；
对所述目标圆环检测区域图像进行极坐标变换，得到所述目标圆环检测区域图像对应的矩形检测图像；
对所述矩形检测图像进行横向边缘滤波，得到边缘滤波图像；
根据预设的检测块尺寸，将所述边缘滤波图像分割成多个检测块，其中，相邻的所述检测块之间存在重叠区域；
针对每个检测块，查找该检测块中的候选缺陷点，并计算由所述候选缺陷点组成的缺陷区域的缺陷信息；
根据每个缺陷区域的缺陷信息，在所述矩形检测图像上确定待选区域以及待选区域对应的邻域信息；
根据所述待选区域与该待选区域对应的邻域信息之间的差异以及所有待选区域的角度信息，确定所述矩形检测图像中的微裂纹缺陷；
对所述微裂纹缺陷的缺陷信息进行极坐标逆变换，得到标记有微裂纹缺陷的目标圆环检测区域图像。
2.如权利要求1所述的方法，其特征在于，在所述获取目标圆环检测区域的图像之前，还包括：
获取包含开孔的待检测图像；
根据预先构造的四个方向的滤波核，对所述待检测图像进行滤波，得到四个方向的滤波图像；
根据所述四个方向的滤波图像的灰度信息，对所述四个方向的滤波图像进行背景干扰去除，并将去除背景干扰的四个方向的滤波图像叠加融合，得到融合后的掩膜图像；
基于随机一致性采样在所述掩膜图像上进行外圆拟合，并将该外圆映射到待检测图像上，得到所述待检测图像中的圆形隔离柱外圆；
根据所述圆形隔离柱外圆，从所述待检测图像中提取目标圆环检测区域，得到目标圆环检测区域图像。
3.如权利要求2所述的方法，其特征在于，所述根据所述四个方向的滤波图像的灰度信息，对所述四个方向的滤波图像进行背景干扰去除，并将去除背景干扰的四个方向的滤波图像叠加融合，得到融合后的掩膜图像，包括：
针对每个方向的滤波图像，根据该滤波图像的灰度信息进行基于灰度阈值的二值化操作，得到二值化图像；
根据每个方向的二值化图像，分别获取轮廓，并计算轮廓包围区域的面积；
针对每个方向的二值化图像，根据所述轮廓包围区域的面积进行基于面积阈值的二值化操作，得到去除背景干扰的四个方向的滤波图像；
将去除背景干扰的四个方向的滤波图像进行叠加融合，得到融合后的掩膜图像。
4.如权利要求2所述的方法，其特征在于，所述基于随机一致性采样在所述掩膜图像上进行外圆拟合，并将该外圆映射到待检测图像上，得到所述待检测图像中的圆形隔离柱外圆，包括：
获取所述掩膜图像中所有外轮廓点集；
计算每个外轮廓点集的外接矩形，并选取外接矩形最大的外轮廓点集作为目标点集；
基于随机一致性采样对所述目标点集进行干扰点剔除，得到剔除后的目标点集；
根据所述剔除后的目标点集，通过圆的最小二乘法进行外圆拟合，并将该外圆映射到待检测图像上，得到所述待检测图像中的圆形隔离柱外圆。
5.如权利要求2所述的方法，其特征在于，所述根据所述圆形隔离柱外圆，从所述待检测图像中提取目标圆环检测区域，得到目标圆环检测区域图像，包括：
根据所述圆形隔离柱外圆的圆心以及预先输入的目标圆环检测区域的内外圆与圆形隔离柱外圆的缩放关系，确定目标圆环检测区域的位置；
根据所述目标圆环检测区域的位置，从所述待检测图像中提取目标圆环检测区域图像。
6.如权利要求1所述的方法，其特征在于，所述针对每个检测块，查找该检测块中的候选缺陷点，并计算由所述候选缺陷点组成的缺陷区域的缺陷信息，包括：
针对每个检测块，计算该检测块的平均灰度；
针对每个检测块，基于缺陷灰度阈值对该检测块进行逐像素赋值，得到候选缺陷图像；
通过固定尺寸窗口对每个检测块对应的候选缺陷图像进行候选缺陷点查找，得到候选缺陷点；
根据所有候选缺陷点，确定缺陷区域，并计算各缺陷区域的缺陷信息；所述缺陷信息包括外轮廓点集、最小旋转外接矩形点集和缺陷区域的倾斜角度。
7.如权利要求6所述的方法，其特征在于，所述针对每个检测块，基于缺陷灰度阈值对该检测块进行逐像素赋值，得到候选缺陷图像，包括：
针对每个检测块，逐像素判断像素点的灰度值与该检测块的平度灰度的差值是否大于缺陷灰度阈值；
若像素点的灰度值与该检测块的平度灰度的差值大于缺陷灰度阈值，则将该像素点的灰度值赋值为1；
若像素点的灰度值与该检测块的平度灰度的差值小于缺陷灰度阈值，则将该像素点的灰度值赋值为0；
将完成所有像素点赋值的检测块作为该检测块的候选缺陷图像。
8.如权利要求6所述的方法，其特征在于，所述通过固定尺寸窗口对每个检测块对应的候选缺陷图像进行候选缺陷点查找，得到候选缺陷点，包括：
针对每个检测块对应的候选缺陷图像，将该候选缺陷图像的边缘进行镜像对称，得到边缘镜像图像；
根据每个边缘镜像图像中各像素点的灰度信息，计算各边缘镜像图像对应的积分图；
针对每个候选缺陷图像，通过该候选缺陷图像的边缘镜像图像对应的积分图计算该候选缺陷图像中每个以目标像素点为中心的固定尺寸窗口的积分值；所述目标像素点是灰度值为1的像素点；
若当前的目标像素点对应的固定尺寸窗口的积分值大于密集性阈值，则将该目标像素点确定为候选缺陷点；
若当前的目标像素点对应的固定尺寸窗口的积分值小于密集性阈值，则将该目标像素点的灰度值赋值为0。
9.如权利要求1所述的方法，其特征在于，所述根据所有待选区域的角度信息和待选区域对应的邻域信息，确定所述矩形检测图像中的微裂纹缺陷，包括：
针对每个待选区域，将待选区域的外轮廓进行形态学圆形膨胀，得到膨胀区域，并将膨胀区域与待选区域的差集确定为该待选区域的缺陷邻域；
针对每个待选区域，计算待选区域的平均灰度和缺陷邻域的平均灰度；
若该待选区域的平均灰度与缺陷邻域的平均灰度的差值大于灰度阈值，且该待选区域的倾斜角度在预设角度区间内，则确定该待选区域为微裂纹缺陷。
10.一种微裂纹检测装置，其特征在于，包括：
获取模块，用于获取目标圆环检测区域图像；
变换模块，用于对所述目标圆环检测区域图像进行极坐标变换，得到所述目标圆环检测区域图像对应的矩形检测图像；
边缘滤波模块，用于对所述矩形检测图像进行横向边缘滤波，得到边缘滤波图像；
分割模块，用于根据预设的检测块尺寸，将所述边缘滤波图像分割成多个检测块，其中，相邻的所述检测块之间存在重叠区域；
查找模块，用于针对每个检测块，查找该检测块中的候选缺陷点，并计算由所述候选缺陷点组成的缺陷区域的缺陷信息；
映射模块，用于根据每个缺陷区域的缺陷信息，在所述矩形检测图像上确定待选区域以及待选区域对应的邻域信息；
判断模块，用于根据所述待选区域与该待选区域对应的邻域信息之间的差异以及所有待选区域的角度信息，确定所述矩形检测图像中的微裂纹缺陷；
逆变换模块，用于所述微裂纹缺陷的缺陷信息进行极坐标逆变换，得到标记有微裂纹缺陷的目标圆环检测区域图像。
11.一种微裂纹检测系统，包括相机和检测识别装置，其特征在于，所述检测识别装置用于实现上述权利要求1-9中任一项所述的方法的步骤。
12.一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1-9中任一项所述的方法的步骤。
CN202111399828.5A 2021-11-24 2021-11-24 一种微裂纹检测方法、装置、系统及存储介质 Active CN113822890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111399828.5A CN113822890B (zh) 2021-11-24 2021-11-24 一种微裂纹检测方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111399828.5A CN113822890B (zh) 2021-11-24 2021-11-24 一种微裂纹检测方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN113822890A CN113822890A (zh) 2021-12-21
CN113822890B true CN113822890B (zh) 2022-02-25

Family

ID=78918208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111399828.5A Active CN113822890B (zh) 2021-11-24 2021-11-24 一种微裂纹检测方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113822890B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116416181A (zh) * 2021-12-29 2023-07-11 广州镭晨智能装备科技有限公司 一种插针缺陷的检测方法、检测设备和存储介质
CN114399507B (zh) * 2022-03-25 2022-06-17 季华实验室 一种手机外观质量检测方法、装置、电子设备及存储介质
CN114820493B (zh) * 2022-04-15 2023-08-22 西南交通大学 一种制孔导致的复合材料孔口劈裂检测方法
CN114972376B (zh) * 2022-05-16 2023-08-25 北京医准智能科技有限公司 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置
CN115100110A (zh) * 2022-05-20 2022-09-23 厦门微亚智能科技有限公司 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质
CN114937039B (zh) * 2022-07-21 2022-10-25 阿法龙(山东)科技有限公司 一种钢管缺陷智能检测方法
CN115018846B (zh) * 2022-08-09 2022-12-27 东声(苏州)智能科技有限公司 基于ai智能相机的多目标裂纹缺陷检测方法和装置
CN115375693B (zh) * 2022-10-27 2023-02-10 浙江托普云农科技股份有限公司 农业信息采集传感器探头缺陷检测方法、系统及装置
CN115393358B (zh) * 2022-10-28 2023-01-31 菲特（天津）检测技术有限公司 一种镜片检测方法及多工位检测装置
CN115439476B (zh) * 2022-11-07 2023-03-14 成都博视广达科技有限责任公司 基于图像分析的丝印缺陷检测方法及装置
CN115641337B (zh) * 2022-12-23 2023-04-07 中科慧远视觉技术(北京)有限公司 一种线状缺陷检测方法、装置、介质、设备及系统
CN115830043B (zh) * 2023-01-09 2023-05-26 北京阿丘机器人科技有限公司 无线充磁铁的边界检测方法、装置、设备及存储介质
CN115937212B (zh) * 2023-02-08 2023-05-09 成都数之联科技股份有限公司 一种玻璃板裂纹检测方法、装置、设备及介质
CN115830021B (zh) * 2023-02-15 2023-04-21 东莞市新通电子设备有限公司 一种用于五金件加工的金属表面缺陷检测方法
CN116542967B (zh) * 2023-06-29 2023-10-03 厦门微图软件科技有限公司 一种锂电池极柱缺陷的检测方法、装置以及设备
CN116934746B (zh) * 2023-09-14 2023-12-01 常州微亿智造科技有限公司 划伤缺陷检测方法、系统、设备及其介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8559698B2 (en) * 2012-03-09 2013-10-15 National Applied Research Laboratories Method of inspecting chip defects
WO2014107225A1 (en) * 2013-01-07 2014-07-10 Rotatori Dean Apparatus and method for tire sidewall crack analysis
CN107610104A (zh) * 2017-08-31 2018-01-19 南通兴华达高实业有限公司 一种基于机器视觉的电梯补偿链r处裂纹检测方法
CN108364280B (zh) * 2018-01-03 2022-04-15 东南大学 结构裂缝自动化描绘及宽度精准测量方法与设备
CN111340752A (zh) * 2019-12-04 2020-06-26 京东方科技集团股份有限公司 屏幕的检测方法、装置、电子设备及计算机可读存储介质
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN111310558B (zh) * 2019-12-28 2023-11-21 北京工业大学 一种基于深度学习和图像处理法的路面病害智能提取方法
CN112991279B (zh) * 2021-03-03 2023-02-14 华南理工大学 柔性电路板缺陷圆检测方法、装置、介质和设备
CN113109368B (zh) * 2021-03-12 2023-09-01 浙江华睿科技股份有限公司 玻璃裂纹检测方法、装置、设备及介质
CN113688807B (zh) * 2021-10-26 2022-02-08 中科慧远视觉技术(北京)有限公司 一种自适应缺陷检测方法、装置、识别系统及存储介质

Also Published As

Publication number Publication date
CN113822890A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN113822890B (zh) 一种微裂纹检测方法、装置、系统及存储介质
CN114581742B (zh) 基于线性度的连通域聚类融合方法、装置、系统及介质
CN112614062B (zh) 菌落计数方法、装置及计算机存储介质
JP5455038B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN107369204B (zh) 一种从单幅照片恢复出场景基本三维结构的方法
CN110188778B (zh) 基于影像提取结果的居民区要素轮廓规则化方法
CN115272304B (zh) 一种基于图像处理的布匹缺陷检测方法和系统
CN111598076B (zh) 一种标签图像中日期检测处理方法及装置
CN110458843B (zh) 掩模图像的分割方法及系统
CN114299086B (zh) 一种低对比度成像的图像分割处理方法、电子设备及系统
CN111161288A (zh) 图像处理方法和装置
CN104361335A (zh) 一种基于扫描图像自动去除黑边的处理方法
JP5010627B2 (ja) 文字認識装置及び文字認識方法
CN115880228A (zh) 多缺陷合并方法、装置、计算机设备及存储介质
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
CN114708266A (zh) 一种卡片缺陷的检测工装、方法、装置以及介质
JP3897306B2 (ja) 地理画像間変化領域の抽出の支援方法及び地理画像間変化領域の抽出を支援可能なプログラム
CN112767414B (zh) 用于微纳光学元件的图像分割方法及自动检测方法
CN113139975B (zh) 一种基于道路特征的路面分割方法及装置
CN117541579B (zh) 一种封装支架缺陷检测方法及系统
CN111242894B (zh) 一种水泵叶轮叶片视觉识别方法
CN117314880A (zh) 图像缺陷检测方法及装置
JP5419491B2 (ja) 文字認識装置及び文字認識方法
CN114723767A (zh) 一种污渍检测方法、装置、电子设备和扫地机器人系统
CN115984396A (zh) 一种基于3d结构光深度相机的货物图纸自动生成方法

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