CN113870267A - 缺陷检测方法、装置、计算机设备及可读存储介质 - Google Patents

缺陷检测方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN113870267A
CN113870267A CN202111468112.6A CN202111468112A CN113870267A CN 113870267 A CN113870267 A CN 113870267A CN 202111468112 A CN202111468112 A CN 202111468112A CN 113870267 A CN113870267 A CN 113870267A
Authority
CN
China
Prior art keywords
dimensional
workpiece
model
view
defect detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111468112.6A
Other languages
English (en)
Other versions
CN113870267B (zh
Inventor
蔡秋英
许云波
耿明
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.)
Shenzhen Aoshengtong Technology Co ltd
Original Assignee
Shenzhen Aoshengtong 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 Shenzhen Aoshengtong Technology Co ltd filed Critical Shenzhen Aoshengtong Technology Co ltd
Priority to CN202111468112.6A priority Critical patent/CN113870267B/zh
Publication of CN113870267A publication Critical patent/CN113870267A/zh
Application granted granted Critical
Publication of CN113870267B publication Critical patent/CN113870267B/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于机器视觉技术领域，具体涉及一种缺陷检测方法、装置、计算机设备及可读存储介质。该方法包括：构建三维模型场景数据；创建三维场景相机；图像采集，构建当前实体模型；缺陷检测；重新生成等比例三维模型框架，重复上述的图像采集和缺陷检测步骤，开始下一工件的缺陷检测。本发明根据采集的工件表面图像构建该工件三维的当前实体模型，通过与待检测工件标准的三维实体模型数据对比，在三维场景中，将当前实体模型与标准三维实体模型的差异一次性比对出来，能够在三维的当前实体模型中标注出缺陷特征，并保存当前实体模型，以用于对缺陷工件的立体分析。还可以对连续输送的工件的缺陷逐个立体分析检测，提高工件检测的效率及准确度。

Description

缺陷检测方法、装置、计算机设备及可读存储介质
技术领域
本发明属于机器视觉技术领域，具体涉及缺陷检测方法、系统、装置和存储介质。
背景技术
随着工业的快速发展，在工业生产中对工件的质量也越来越关注，针对工件的质检要求也越来越严格。由于工件在生产中往往会出现一些缺陷，这些缺陷具有一定的随机性，即缺陷类型、缺陷大小、缺陷形状等各有不同。如何针对工件等物体上缺陷进行检测，成为工件在生产中所需解决的问题之一。
目前针对工件表面的缺陷检测，仍有一部分以人工检测位置，通过对工件表面观察的方式，利用经验知识判断是否存在缺陷以及缺陷所属类别。受人为主观意识影响，难以保证缺陷检测的精确度。虽然目前提出了基于深度学习的工件表面缺陷检测技术，采用机器视觉替代人工观察来判断工件缺陷问题，在一定程度上大大提高了检测效率和精度，但是，该类深度学习的缺陷检测技术需要采集大量的有缺陷的样品数据进行训练，由于缺陷类型、缺陷大小、缺陷形状等各有不同，导致训练的样本数据远远达不到缺陷检测模型的训练需求。针对实际的工件通常为单个面逐一对比，工件检测耗费时间长，无法根据工件构造进行全方位的缺陷同步检测，耗费大量检查时间且无法准确判断并标注缺陷所在工件中的准确位置。
发明内容
为解决工件上缺陷需要单个面逐一对比，利用算法或模型对工件各个面缺陷重复排查，导致工件检测耗费时间长，无法对工件全方位的同步检测以准确判断并标注缺陷所在工件中的准确位置的技术问题，本发明提供了一种缺陷检测方法、系统、装置和存储介质，应用于工件表面的缺陷检测，通过采集当前工件表面的图像数据，在三维场景中构建工件表面图像的三维模型，经优化处理后与工件标准模型比对，在工件模型中精准标注缺陷所在位置，可以大大的提高当前工件缺陷检测的效率，提高缺陷检测的准确率。
本发明采用以下技术方案实现：
一种缺陷检测方法，应用于工件表面的缺陷检测中，该缺陷检测方法包括：
一、构建三维模型场景数据；
获取待检测工件标准的三维实体模型数据，根据所述三维实体模型数据构建待检测工件的等比例三维模型框架M（Model），定义所述三维图形框架M的视图面V（View face）；
二、创建三维场景相机；
创建三维场景主相机C，在三维场景主相机C下创建与所述三维图形框架M的视图面V相对应的从属相机；
三、图像采集，构建当前实体模型；
获取待检测工件的表面图像，将获取的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型；
四、缺陷检测；
将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果，将检测结果中的缺陷特征标注并保存当前实体模型；
五、重新生成等比例三维模型框架，重复上述的图像采集和缺陷检测步骤，开始下一工件的缺陷检测。
作为本发明的进一步方案，所述构建等比例三维模型框架M的方法，包括：
识别标准的三维实体模型数据的顶点坐标，沿同一轴线平移，生成等比例三维模型框架M的顶点坐标；
识别所述三维实体模型数据中的所有边线，沿相同轴线平移相同距离，生成平移边线；
根据生成的等比例三维模型框架M的顶点坐标和平移边线构建出待检测工件的等比例三维模型框架M。
进一步的，定义所述三维图形框架M的视图面V的方法，包括：
读取等比例三维模型框架M的顶点坐标和所述顶点坐标之间的边线信息；
根据读取的所述顶点坐标及边线信息生成视图面V。
进一步的，所述视图面V划分为六个从属视图面，分别标记为：主视图面Va、俯视图面Vb、左视图面Vc、右视图面Vd、仰视图面Ve、后视图面Vf。
作为本发明的进一步方案，所述三维场景主相机C下创建有六个从属相机，分别标记为：主视面相机Ca、俯视面相机Cb、左视面相机Cc、右视面相机Cd、仰视面相机Ce、后视面相机Cf，其中，六个从属相机分别对应三维图形框架M的六个从属视图面。
作为本发明的进一步方案，所述将获取的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型的方法，包括：
在工件输送线上安装正对所述工件六面体的工业RGB线扫相机，每台工业RGB线扫相机分别对应所述三维模型框架M的一个从属视图面；
对工业RGB线扫相机获取的工件表面图像进行预处理，提取出所述表面图像中的工件特征图像，根据等比例三维模型框架M的顶点坐标和所述顶点坐标之间的边线信息，对所述工件特征图像进行缩放；
将缩放后的工件特征图像映射到三维模型框架M的视图面V，形成待检测工件的当前实体模型。
进一步的，所述获取的工件表面图像进行预处理为对工件表面图像进行软分割处理提取所述工件表面图像中的工件特征图像。
进一步的，将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果的方法，包括：
以所述标准的三维实体模型的六个从属视图面作为源视图S；
将当前实体模型的六个从属视图作为比对视图T；
利用RGB通道分别获取所述源视图的RGB分割图像和所述比对视图的RGB分割图像，其中，所述源视图的RGB分割图像为：SR1图、SG1图和SB1图； 所述比对视图的RGB分割图像为：TR2图、TG2图和TB2图；
将SR1图与TR2图、SG1图与TG2图、SB1图与TB2图分别进行对比，求出三次对比后的像素差异区域；
对差异区域进行去噪声处理，得到源视图S和比对视图T的差异区域，获得检测结果。
本发明还包括一种缺陷检测装置，所述缺陷检测装置采用前述缺陷检测方法应用于工件表面的缺陷检测中；所述缺陷检测装置包括三维模型框架构建模块、三维场景相机创建模块、当前实体模型构建模块以及缺陷检测模块。
所述三维模型框架构建模块，用于获取待检测工件标准的三维实体模型数据，提取三维实体模型的顶点坐标和所有边线数据，构建待检测工件的等比例三维模型框架；所述三维场景相机创建模块用于创建对应三维图形框架M的视图面的三维场景主相机C，并在三维场景主相机C下创建与三维图形框架从属视图面对应的从属相机；所述当前实体模型构建模块用于将获取的待检测工件的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型；所述缺陷检测模块用于将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果，并将检测结果中的缺陷特征标注并保存当前实体模型。
本发明还包括一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现缺陷检测方法的步骤。
本发明还包括一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现缺陷检测方法的步骤。
本发明提供的技术方案，具有如下有益效果：
本发明的缺陷检测方法、系统、装置和存储介质，可以根据采集的工件表面图像构建该工件的三维的当前实体模型，通过与待检测工件标准的三维实体模型数据对比，在三维场景中，将当前实体模型与标准三维实体模型的差异一次性比对出来，并能够在三维的当前实体模型中标注出缺陷特征，并保存所述当前实体模型，以用于对缺陷工件的立体分析。并且，可以对连续输送的工件的缺陷逐个立体分析检测，提高工件检测的效率及准确度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例的一种缺陷检测方法的流程图。
图2为本发明实施例的一种缺陷检测方法的工作流程图。
图3为本发明实施例的一种缺陷检测方法中构建等比例三维模型框架的流程图。
图4为本发明实施例的一种缺陷检测方法中构建当前实体模型的流程图。
图5为本发明实施例的一种缺陷检测方法中获取检测结果的流程图。
图6为本发明实施例的一种缺陷检测装置的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供的一种缺陷检测方法、装置、计算机设备及可读存储介质，在实现工件表面缺陷检测时，采用在三维模型中根据工件的标准三维实体模型数据，构建等比例的三维模型框架，并创建该三维模型框架的场景相机，将获取到的工件表面的图像数据映射于三维模型框架上形成当前工件三维的当前实体模型，通过标准三维实体模型与当前实体模型进行图像分析，将当前实体模型与标准三维实体模型的差异一次性比对出来，并能够在三维的当前实体模型中标注出缺陷特征，并保存所述当前实体模型，以用于对缺陷工件的立体分析。并且，可以对连续输送的工件的缺陷逐个立体分析检测，提高工件检测的效率及准确度。以下将结合具体实施例加以说明。
如图1和图2所示，本发明的一个实施例提供一种缺陷检测方法，该方法应用于工件表面的缺陷检测中，该方法包括如下步骤：
S1、构建三维模型场景数据。
在本实施例中，获取待检测工件标准的三维实体模型数据，根据所述三维实体模型数据构建待检测工件的等比例三维模型框架M（Model），定义所述三维图形框架M的视图面V（View face），所述三维图形框架M的视图面V的定义方法为：读取等比例三维模型框架M的顶点坐标和所述顶点坐标之间的边线信息；根据读取的所述顶点坐标及边线信息生成视图面V。
其中，所述视图面V划分为六个从属视图面，分别标记为：主视图面Va、俯视图面Vb、左视图面Vc、右视图面Vd、仰视图面Ve、后视图面Vf。在本实施例中，视图面V划分后的六个从属视图面的视图窗口均正视于视图面V的六个面。
其中，针对等比例三维模型框架M的创建，本发明中采用两种创建方法，其中之一为：参见图3所示，所述构建等比例三维模型框架M的方法，包括：
S101、识别标准的三维实体模型数据的顶点坐标，沿同一轴线平移，生成等比例三维模型框架M的顶点坐标。
在该方法中，通过在三维实体模型的软件中，通过提取标准的三维实体模型数据的顶点坐标数据，复制顶点坐标后，沿同一轴线平移顶点。例如，沿X轴平移三维实体模型数据的顶点坐标，此时，顶点坐标的Y轴数值以及Z轴数值均不变，X轴数值加或减相同的平移坐标值，得到一组平移后的顶点坐标，将作为待生成的等比例三维模型框架M的顶点坐标。
S102、识别所述三维实体模型数据中的所有边线，沿相同轴线平移相同距离，生成平移边线；
在该方法中，通过在三维实体模型的软件中，通过提取标准的三维实体模型数据的平移边线数据，复制平移边线后，其平移方法与上述的顶点坐标平移相同，沿与顶点坐标平移的轴线相同，移动的距离也与顶点坐标平移距离相同，将标准的三维实体模型的所有边线复制后移动。
S103、根据生成的等比例三维模型框架M的顶点坐标和平移边线构建出待检测工件的等比例三维模型框架M。
在本实施例中，通过复制平移后的点和边线，连接成面并形成三维立体框架，形成与标准的三维实体模型等比例的三维模型框架M。
在本发明中创建等比例三维模型框架M的另一种方法为：获取标准的三维实体模型数据的顶点坐标和所有边线数据，在新的三维软件中，根据获取的顶点坐标和所有边线数据绘制出三维模型框架M，并将该三维模型框架M导入标准的三维实体模型的场景中。
S2、创建三维场景相机。
在本实施例中，创建三维场景主相机C，在三维场景主相机C下创建与所述三维图形框架M的视图面V相对应的从属相机。在本实施例中，所述三维场景主相机C下创建有六个从属相机，分别标记为：主视面相机Ca、俯视面相机Cb、左视面相机Cc、右视面相机Cd、仰视面相机Ce、后视面相机Cf，其中，六个从属相机分别对应三维图形框架M的六个从属视图面。
在进行视视图观察时，可以通过创建的对应三维图形框架M的三维场景主相机C及其从属相机对三维图形框架M的六个从属视图面分别查看，便于调节三维图形框架M的视图窗口。
作为本发明的优选实施例，还可以将创建的三维图形框架M的三维场景相机，与标准的三维实体模型的三维场景相机绑定，同步操作，即，在切换三维图形框架M的视图时，标准的三维实体模型的视图也不同切换，始终保持两个模型的视图效果一致。
S3、图像采集，构建当前实体模型。
在本实施例中，获取待检测工件的表面图像，将获取的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型。其中，参见图4所示，将获取的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型的方法，包括：
S301、在工件输送线上安装正对所述工件六面体的工业RGB线扫相机，每台工业RGB线扫相机分别对应所述三维模型框架M的一个从属视图面。
在本实施例中，工件六面体的图像可以通过两至三处位置获取，将工件六面体的工业RGB线扫相机安装在工件输送线的不同位置，完成工件六个面图像的采集。例如，可以在输送线的左右两侧以及正上方分别安装一个工业RGB线扫相机，率先完成左视图、右视图以及上视图的采集；然后通过90°转向传送带将工件沿逆时针或顺时针90°的方向运输，此时，在转向后的传送带两侧各安装一个工业RGB线扫相机，采集工件主视图和后视图；在将工件翻转180°，在翻转后输送带的顶部安装一个工业RGB线扫相机，采集工件的仰视图。以便并将每个相机的视图处理后映射到三维图形框架M的视图面。
S302、对工业RGB线扫相机获取的工件表面图像进行预处理，提取出所述表面图像中的工件特征图像，根据等比例三维模型框架M的顶点坐标和所述顶点坐标之间的边线信息，对所述工件特征图像进行缩放。
在本实施例中，预处理操作为对工件表面图像进行软分割处理提取所述工件表面图像中的工件特征图像。将提取的工件特征图像根据三维模型框架的顶点坐标和边线信息缩放后，以便将工件特征图像映射到三维模型框架M的视图面。
S303、将缩放后的工件特征图像映射到三维模型框架M的视图面V，形成待检测工件的当前实体模型。
在本实施例中，将工件特征图像映射到三维模型框架的的视图上后，形成待检测工件的当前实体模型，当前实体模型与工件的各个表面图像一致，为工件的等比例三维实体。
S4、缺陷检测。
在本实施例中，将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果，将检测结果中的缺陷特征标注并保存当前实体模型。其中，参见图5所示，获取检测结果的具体方法，包括：
S401、以所述标准的三维实体模型的六个从属视图面作为源视图S。
S402、将当前实体模型的六个从属视图作为比对视图T。
S403、利用RGB通道分别获取所述源视图的RGB分割图像和所述比对视图的RGB分割图像，其中，所述源视图的RGB分割图像为：SR1图、SG1图和SB1图； 所述比对视图的RGB分割图像为：TR2图、TG2图和TB2图。
S404、将SR1图与TR2图、SG1图与TG2图、SB1图与TB2图分别进行对比，求出三次对比后的像素差异区域。
S405、对差异区域进行去噪声处理，得到源视图S和比对视图T的差异区域，获得检测结果。
在本实施例中，可以对含有色彩的工件进行处理，即便源视图S和/或比对视图T中含有多种色彩信息，均可以通过RGB通道进行简化，降低后续计算的复杂度，通过将色彩图像分别通过R通道、G通道和B通道后，将SR1图与TR2图的底色变为红色，在将SG1图与TG2图的底色变为绿色，在将SB1图与TB2图的底色变为蓝色。分别对比后求出像素差异区域，进行滤波器除噪声后，得到源视图S和比对视图T的差异区域。
最后，将检测结果中的缺陷特征标注并保存当前实体模型。完成当前工件的缺陷检测，在三维场景中，将当前实体模型与标准三维实体模型的差异一次性比对出来，并能够在三维的当前实体模型中标注出缺陷特征，并保存所述当前实体模型，以用于对缺陷工件的立体分析。并且，可以对连续输送的工件的缺陷逐个立体分析检测，提高工件检测的效率及准确度。
S5、重新生成等比例三维模型框架，重复上述的图像采集和缺陷检测步骤，开始下一工件的缺陷检测。
在本实施例中，省略了三维模型场景数据以及三维场景相机的创建，根据前述的等比例三维模型框架数据，直接生成等比例三维模型框架M，载入工件各个面图像即可生成下一待检测工件的当前实体模型。在于标准的三维实体模型进行比对分析，获取检测结果并进行缺陷特征标注及保存当前实体模型即可，能够提高工件检测的效率及准确度。
如图6所示，在本发明的一个实施例中提供了一种缺陷检测装置，应用于工件表面的缺陷检测中，该系统包括三维模型框架构建模块100、三维场景相机创建模块200、当前实体模型构建模块300以及缺陷检测模块400。
所述三维模型框架构建模块100，用于获取待检测工件标准的三维实体模型数据，提取三维实体模型的顶点坐标和所有边线数据，构建待检测工件的等比例三维模型框架。
所述三维场景相机创建模块200用于创建对应三维图形框架M的视图面的三维场景主相机C，并在三维场景主相机C下创建与三维图形框架从属视图面对应的从属相机。
所述当前实体模型构建模块300用于将获取的待检测工件的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型。
所述缺陷检测模块400用于将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果，并将检测结果中的缺陷特征标注并保存当前实体模型。
其中，缺陷检测装置在执行时采用如前述实施例的一种缺陷检测方法的步骤，因此，本实施例中对缺陷检测装置的运行过程不再详细介绍。
在本发明的一个实施例中提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例1中的步骤：
一、构建三维模型场景数据；
获取待检测工件标准的三维实体模型数据，根据所述三维实体模型数据构建待检测工件的等比例三维模型框架M（Model），定义所述三维图形框架M的视图面V（View face）；
二、创建三维场景相机；
创建三维场景主相机C，在三维场景主相机C下创建与所述三维图形框架M的视图面V相对应的从属相机；
三、图像采集，构建当前实体模型；
获取待检测工件的表面图像，将获取的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型；
四、缺陷检测；
将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果，将检测结果中的缺陷特征标注并保存当前实体模型；
五、重新生成等比例三维模型框架，重复上述的图像采集和缺陷检测步骤，开始下一工件的缺陷检测。
在本发明的又一实施例中提供了一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤：
一、构建三维模型场景数据；
获取待检测工件标准的三维实体模型数据，根据所述三维实体模型数据构建待检测工件的等比例三维模型框架M（Model），定义所述三维图形框架M的视图面V（View face）；
二、创建三维场景相机；
创建三维场景主相机C，在三维场景主相机C下创建与所述三维图形框架M的视图面V相对应的从属相机；
三、图像采集，构建当前实体模型；
获取待检测工件的表面图像，将获取的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型；
四、缺陷检测；
将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果，将检测结果中的缺陷特征标注并保存当前实体模型；
五、重新生成等比例三维模型框架，重复上述的图像采集和缺陷检测步骤，开始下一工件的缺陷检测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。
综上所述，本发明的缺陷检测方法、系统、装置和存储介质，可以根据采集的工件表面图像构建该工件的三维的当前实体模型，通过与待检测工件标准的三维实体模型数据对比，在三维场景中，将当前实体模型与标准三维实体模型的差异一次性比对出来，并能够在三维的当前实体模型中标注出缺陷特征，并保存所述当前实体模型，以用于对缺陷工件的立体分析。并且，可以对连续输送的工件的缺陷逐个立体分析检测，提高工件检测的效率及准确度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种缺陷检测方法，应用于工件表面的缺陷检测中；其特征在于，该缺陷检测方法，包括：
一、构建三维模型场景数据；
获取待检测工件标准的三维实体模型数据，根据所述三维实体模型数据构建待检测工件的等比例三维模型框架M，定义所述三维图形框架M的视图面V；
二、创建三维场景相机；
创建三维场景主相机C，在三维场景主相机C下创建与所述三维图形框架M的视图面V相对应的从属相机；
三、图像采集，构建当前实体模型；
获取待检测工件的表面图像，将获取的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型；
四、缺陷检测；
将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果，将检测结果中的缺陷特征标注并保存当前实体模型；
五、重新生成等比例三维模型框架，重复上述的图像采集和缺陷检测步骤，开始下一工件的缺陷检测。
2.如权利要求1所述的缺陷检测方法，其特征在于：所述构建等比例三维模型框架M的方法，包括：
识别标准的三维实体模型数据的顶点坐标，沿同一轴线平移，生成等比例三维模型框架M的顶点坐标；
识别所述三维实体模型数据中的所有边线，沿相同轴线平移相同距离，生成平移边线；
根据生成的等比例三维模型框架M的顶点坐标和平移边线构建出待检测工件的等比例三维模型框架M。
3.如权利要求2所述的缺陷检测方法，其特征在于：所述定义所述三维图形框架M的视图面V的方法，包括：
读取等比例三维模型框架M的顶点坐标和所述顶点坐标之间的边线信息；
根据读取的所述顶点坐标及边线信息生成视图面V。
4.如权利要求3所述的缺陷检测方法，其特征在于：所述视图面V划分为六个从属视图面，分别标记为：主视图面Va、俯视图面Vb、左视图面Vc、右视图面Vd、仰视图面Ve、后视图面Vf。
5.如权利要求4所述的缺陷检测方法，其特征在于：所述三维场景主相机C下创建有六个从属相机，分别标记为：主视面相机Ca、俯视面相机Cb、左视面相机Cc、右视面相机Cd、仰视面相机Ce、后视面相机Cf，其中，六个从属相机分别对应三维图形框架M的六个从属视图面。
6.如权利要求5所述的缺陷检测方法，其特征在于：将获取的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型的方法，包括：
在工件输送线上安装正对所述工件六面体的工业RGB线扫相机，每台工业RGB线扫相机分别对应所述三维模型框架M的一个从属视图面；
对工业RGB线扫相机获取的工件表面图像进行预处理，提取出所述表面图像中的工件特征图像，根据等比例三维模型框架M的顶点坐标和所述顶点坐标之间的边线信息，对所述工件特征图像进行缩放；
将缩放后的工件特征图像映射到三维模型框架M的视图面V，形成待检测工件的当前实体模型。
7.如权利要求6所述的缺陷检测方法，其特征在于：所述获取的工件表面图像进行预处理为对工件表面图像进行软分割处理提取所述工件表面图像中的工件特征图像。
8.一种缺陷检测装置，其特征在于：所述缺陷检测装置采用权利要求1-7中任意一项所述缺陷检测方法应用于工件表面的缺陷检测中；所述缺陷检测装置包括：
三维模型框架构建模块，用于获取待检测工件标准的三维实体模型数据，提取三维实体模型的顶点坐标和所有边线数据，构建待检测工件的等比例三维模型框架；
三维场景相机创建模块，用于创建对应三维图形框架M的视图面的三维场景主相机C，并在三维场景主相机C下创建与三维图形框架从属视图面对应的从属相机；
当前实体模型构建模块，用于将获取的待检测工件的表面图像映射到所述三维图形框架M的视图面V，形成待检测工件的当前实体模型；
缺陷检测模块，用于将当前实体模型与标准的三维实体模型进行表面图像分析，以获取检测结果，并将检测结果中的缺陷特征标注并保存当前实体模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111468112.6A 2021-12-03 2021-12-03 缺陷检测方法、装置、计算机设备及可读存储介质 Active CN113870267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111468112.6A CN113870267B (zh) 2021-12-03 2021-12-03 缺陷检测方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111468112.6A CN113870267B (zh) 2021-12-03 2021-12-03 缺陷检测方法、装置、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113870267A true CN113870267A (zh) 2021-12-31
CN113870267B CN113870267B (zh) 2022-03-22

Family

ID=78985817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111468112.6A Active CN113870267B (zh) 2021-12-03 2021-12-03 缺陷检测方法、装置、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113870267B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862847A (zh) * 2022-07-05 2022-08-05 聊城高新生物技术有限公司 一种基于图形识别的包覆药外形缺陷检测方法及系统
CN116342602A (zh) * 2023-05-30 2023-06-27 四川都得利管业有限公司 一种塑料管生产质量的精细化检测方法及系统
CN117030724A (zh) * 2023-10-09 2023-11-10 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1991918A (zh) * 2005-12-26 2007-07-04 株式会社东芝 纸张处理方法和纸张处理设备
CN101346623A (zh) * 2005-12-26 2009-01-14 株式会社尼康 根据图像分析进行缺陷检查的缺陷检查装置
CN101882150A (zh) * 2010-06-09 2010-11-10 南京大学 一种基于核密度估计的三维模型比较和检索方法
CN103927783A (zh) * 2014-04-17 2014-07-16 武汉大学 一种三维三角网构建填挖空间的图割方法
CN105373658A (zh) * 2015-11-05 2016-03-02 中国人民解放军第三军医大学第二附属医院 一种基于人颅颌面骨的三维有限元模型的建模方法
CN106970956A (zh) * 2017-03-16 2017-07-21 天津大学 一种基于张量的三维模型检索方法
CN107316327A (zh) * 2017-07-05 2017-11-03 大连理工大学 基于最大公共子图与包围盒的断骨断面及断骨模型配准方法
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
CN109872323A (zh) * 2019-02-28 2019-06-11 北京国网富达科技发展有限责任公司 输电线路的绝缘子缺陷检测方法及装置
CN110400315A (zh) * 2019-08-01 2019-11-01 北京迈格威科技有限公司 一种缺陷检测方法、装置及系统
WO2020098686A1 (zh) * 2018-11-16 2020-05-22 广州市百果园信息技术有限公司 人脸检测模型的训练方法、人脸关键点的检测方法和装置
CN111833450A (zh) * 2020-07-08 2020-10-27 重庆邮电大学 一种融合有限元分析法的超声波三维快速重建及分析方法
CN111862313A (zh) * 2020-07-23 2020-10-30 电子科技大学 一种基于能量优化的大熊猫三维模型重建方法
CN111932671A (zh) * 2020-08-22 2020-11-13 扆亮海 基于密集点云数据的三维实体模型重建方法
CN112037521A (zh) * 2020-07-24 2020-12-04 长沙理工大学 一种车辆类型识别方法以及危化品车辆识别方法
CN112700423A (zh) * 2021-01-06 2021-04-23 中国民航科学技术研究院 基于深度学习的机身表面损伤缺陷自动检测方法及系统
KR20210086478A (ko) * 2019-12-30 2021-07-08 한국가스공사 매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법
CN113516660A (zh) * 2021-09-15 2021-10-19 江苏中车数字科技有限公司 适用于列车的视觉定位与缺陷检测方法和装置

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101346623A (zh) * 2005-12-26 2009-01-14 株式会社尼康 根据图像分析进行缺陷检查的缺陷检查装置
CN1991918A (zh) * 2005-12-26 2007-07-04 株式会社东芝 纸张处理方法和纸张处理设备
CN101882150A (zh) * 2010-06-09 2010-11-10 南京大学 一种基于核密度估计的三维模型比较和检索方法
CN103927783A (zh) * 2014-04-17 2014-07-16 武汉大学 一种三维三角网构建填挖空间的图割方法
CN105373658A (zh) * 2015-11-05 2016-03-02 中国人民解放军第三军医大学第二附属医院 一种基于人颅颌面骨的三维有限元模型的建模方法
CN106970956A (zh) * 2017-03-16 2017-07-21 天津大学 一种基于张量的三维模型检索方法
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
CN107316327A (zh) * 2017-07-05 2017-11-03 大连理工大学 基于最大公共子图与包围盒的断骨断面及断骨模型配准方法
WO2020098686A1 (zh) * 2018-11-16 2020-05-22 广州市百果园信息技术有限公司 人脸检测模型的训练方法、人脸关键点的检测方法和装置
CN109872323A (zh) * 2019-02-28 2019-06-11 北京国网富达科技发展有限责任公司 输电线路的绝缘子缺陷检测方法及装置
CN110400315A (zh) * 2019-08-01 2019-11-01 北京迈格威科技有限公司 一种缺陷检测方法、装置及系统
KR20210086478A (ko) * 2019-12-30 2021-07-08 한국가스공사 매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법
CN111833450A (zh) * 2020-07-08 2020-10-27 重庆邮电大学 一种融合有限元分析法的超声波三维快速重建及分析方法
CN111862313A (zh) * 2020-07-23 2020-10-30 电子科技大学 一种基于能量优化的大熊猫三维模型重建方法
CN112037521A (zh) * 2020-07-24 2020-12-04 长沙理工大学 一种车辆类型识别方法以及危化品车辆识别方法
CN111932671A (zh) * 2020-08-22 2020-11-13 扆亮海 基于密集点云数据的三维实体模型重建方法
CN112700423A (zh) * 2021-01-06 2021-04-23 中国民航科学技术研究院 基于深度学习的机身表面损伤缺陷自动检测方法及系统
CN113516660A (zh) * 2021-09-15 2021-10-19 江苏中车数字科技有限公司 适用于列车的视觉定位与缺陷检测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PAPATSORN SINGHATHAM 等: "Designing of Welding Defect Samples for Data Mining in Defect Detection and Classification using 3D Geometric Scanners", 《2019 RESEARCH, INVENTION, AND INNOVATION CONGRESS (RI2C)》 *
王新宇 等: "构造顶点分布特征的三维模型数字水印算法", 《计算机辅助设计与图形学学报》 *
黄晓娟 等: "陕西周原贺家遗址出土车马器工艺调查及数字化复原", 《HTTPS://KNS.CNKI.NET/KCMS/DETAIL/61.1072.N.20211012.1626.015.HTML》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862847A (zh) * 2022-07-05 2022-08-05 聊城高新生物技术有限公司 一种基于图形识别的包覆药外形缺陷检测方法及系统
CN116342602A (zh) * 2023-05-30 2023-06-27 四川都得利管业有限公司 一种塑料管生产质量的精细化检测方法及系统
CN117030724A (zh) * 2023-10-09 2023-11-10 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统
CN117030724B (zh) * 2023-10-09 2023-12-08 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统

Also Published As

Publication number Publication date
CN113870267B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN113870267B (zh) 缺陷检测方法、装置、计算机设备及可读存储介质
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN105913093B (zh) 一种用于文字识别处理的模板匹配方法
CN109580630B (zh) 一种机械零部件缺陷的视觉检测方法
JP5273196B2 (ja) 画像処理装置
CN107014819A (zh) 一种太阳能电池板表面缺陷检测系统和方法
CN110580723A (zh) 一种利用深度学习和计算机视觉进行精准定位的方法
CN111080622A (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN110443791B (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN111462120A (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN112396575A (zh) 基于影像的分类系统
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
Vijay et al. Scratch detection in cars using mask region convolution neural networks
CN117115171A (zh) 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法
CN110751690B (zh) 铣床刀头视觉定位方法
JP4788475B2 (ja) 画像処理装置および画像処理方法
CN109493316B (zh) 基于相似性分析和特征增量学习的封箱机烟包缺条智能检测方法
CN110969135A (zh) 自然场景中的车标识别方法
CN108898584A (zh) 一种基于图像分析的全自动贴面电容装焊极性判别方法
CN114548250A (zh) 一种基于数据分析的手机外观检测方法及装置
JP2023060798A (ja) 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム
CN115393855A (zh) 一种车牌产品质量检测方法、系统及设备
CN114092396A (zh) 一种包装盒撞角瑕疵检测的方法及装置

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