CN114119466A - 铝箔表面缺陷检测方法、装置、设备及计算机存储介质 - Google Patents

铝箔表面缺陷检测方法、装置、设备及计算机存储介质 Download PDF

Info

Publication number
CN114119466A
CN114119466A CN202111177666.0A CN202111177666A CN114119466A CN 114119466 A CN114119466 A CN 114119466A CN 202111177666 A CN202111177666 A CN 202111177666A CN 114119466 A CN114119466 A CN 114119466A
Authority
CN
China
Prior art keywords
aluminum foil
image
surface defect
determining
detected
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.)
Pending
Application number
CN202111177666.0A
Other languages
English (en)
Inventor
郭敏
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.)
Wuhan Hefuxin Technology Co ltd
Original Assignee
Wuhan Hefuxin 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 Wuhan Hefuxin Technology Co ltd filed Critical Wuhan Hefuxin Technology Co ltd
Priority to CN202111177666.0A priority Critical patent/CN114119466A/zh
Publication of CN114119466A publication Critical patent/CN114119466A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种铝箔表面缺陷检测方法、装置、设备及计算机存储介质。其中，该方法包括：基于目标颜色空间获取待检测铝箔表面图像；所述目标颜色空间包括多个分量，所述多个分量至少包括亮度；根据所述多个分量确定所述待检测铝箔表面图像中的感兴趣区域；根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置；将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类得到所述表面缺陷的分类结果，从而增强铝箔表面缺陷检测的抗干扰能力，确保了铝箔表面缺陷检测的准确率。

Description

铝箔表面缺陷检测方法、装置、设备及计算机存储介质
技术领域
本申请涉及机械视觉检测领域，尤其涉及一种铝箔表面缺陷检测方法、装 置及计算机存储介质。
背景技术
要实现铝箔表面缺陷的检测识别，需先通过检测摄像头实时采集铝箔表面 图像，再通过算法分析图像。其难点在于铝箔缺陷存在种类多样、尺寸变化大、 金属颜色反光、缺陷样本分布不均以及现场外界光照的干扰等问题，因此采用 传统的图像处理和特征工程方法，抗干扰能力差，很难实现准确的表面缺陷检 测。
发明内容
本申请实施例提供了一种铝箔表面缺陷检测方法、装置、设备及计算机存 储介质，可以增强铝箔表面检测的抗干扰能力和效率。所述技术方案如下：
第一方面，本申请实施例提供了一种铝箔表面缺陷检测方法，所述方法包 括：
基于目标颜色空间获取待检测铝箔表面图像；所述目标颜色空间包括多个 分量，所述多个分量至少包括亮度；
根据所述多个分量确定所述待检测铝箔表面图像中的感兴趣区域；
根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置；
将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类得到所述表面 缺陷的分类结果。
本申请实施例中，通过获取基于包括多个分量的目标颜色空间的待检测铝 箔表面图像，然后根据多个分量确定所述待检测铝箔表面图像中的感兴趣区域， 从而确定表面缺陷图像以及表面缺陷的位置，能够增强铝箔表面缺陷检测过程 中的抗干扰能力，确保了铝箔表面缺陷检测的准确率。
在一种可能的实现方式中，所述基于目标颜色空间获取待检测铝箔表面图 像之后，所述根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置之前， 所述方法还包括：
提取所述目标颜色空间包括的多个分量；
分别确定每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界线；
根据所述多个分量各自对应的所述待检测铝箔表面图像中铝箔与背景的分 界线确定所述待检测铝箔表面图像中铝箔与背景的目标分界线；
所述根据所述多个分量确定所述待检测铝箔表面图像中感兴趣区域，包括： 根据所述目标分界线确定所述待检测铝箔表面图像中感兴趣区域。
本申请实施例中，通过根据所述目标颜色空间包括的多个分量各自对应的 所述待检测铝箔表面图像中铝箔与背景的分界线确定所述待检测铝箔表面图像 中铝箔与背景的目标分界线，从而确定感兴趣区域，能够确保确定铝箔表面图 像中感兴趣区域的铝箔与背景的分界线一定为目标分界线即最优分界线，提高 了铝箔表面缺陷检测的准确率。
在一种可能的实现方式中，所述待检测铝箔表面图像包括M×N个像素点， M和N均为正整数；
所述分别确定每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分 界线，包括：
提取所述目标颜色空间包括的任意一个分量；
计算所述分量在水平方向上的水平投影曲线和在垂直方向上的垂直投影曲 线；所述水平投影曲线用于表示所述待检测铝箔表面图像的所述分量在第m行 的所有像素点的总和，所述垂直投影曲线用于表示所述待检测铝箔表面图像的 所述分量在第n列的所有像素点的总和；其中，m的取值为从1至M的所有正 整数，所述n的取值为从1至N的所有正整数；
确定所述水平投影曲线和所述垂直投影曲线的分割点；
根据所述分割点确定所述待检测铝箔表面图像中铝箔与背景的分界线。
本申请实施例中，通过确定目标颜色空间包括的任意一个分量的水平投影 曲线和垂直投影曲线的分割点，然后根据分割点确定铝箔表面图像中铝箔与背 景的分界线，可以提高铝箔表面缺陷检测的准确率。
在一种可能的实现方式中，所述根据所述多个分量各自对应的所述待检测 铝箔表面图像中铝箔与背景的分界线确定所述待检测铝箔表面图像中铝箔与背 景的目标分界线，包括：
提取所述每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界线 的分量值；
根据所述分量值和至少一个预设约束条件确定所述目标分界线。
本申请实施例中，通过待检测铝箔表面图像中铝箔与背景的分界线的分量 值和至少一个预设约束条件确定每个分量对应的铝箔表面图像中铝箔与背景的 分界线中的目标分界线，进一步确保了铝箔表面缺陷检测的准确率。
在一种可能的实现方式中，所述根据所述多个分量确定所述待检测铝箔表 面图像中的感兴趣区域之后，所述根据所述感兴趣区域确定表面缺陷图像以及 表面缺陷的位置之前，所述方法还包括：
对所述感兴趣区域进行高通滤波得到高通滤波图像，并对所述感兴趣区域 进行低通滤波得到低通滤波图像；
根据所述高通滤波图像和低通滤波图像确定差分图像；
所述根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置，包括： 根据所述差分图像确定表面缺陷图像以及表面缺陷的位置。
本申请实施例中，通过对所述感兴趣区域进行高低通滤波，然后根据高低 通滤波的差分图像确定表面缺陷图像以及表面缺陷的位置，能够很好地降低噪 声的影响，明显地突出感兴趣区域的细节，从而提高铝箔表面缺陷检测的效率。
在一种可能的实现方式中，所述高通滤波的截止频率小于所述低通滤波的 截止频率。
本申请实施例中，通过使高通滤波的截止频率小于低通滤波的截止频率， 既能够消除高频噪声，又能够消除低频噪声，从而使感兴趣区域的细节特征更 明显，达到提高铝箔表面缺陷检测的效率的效果。
在一种可能的实现方式中，所述表面缺陷的位置包括矩形的起始点、长和 宽；所述矩形包括所述表面缺陷的所有连通区域。
本申请实施例中，通过包括表面缺陷的所有连通区域且与表面缺陷的边界 内切的矩形的起始点、长和宽表征表面缺陷的位置，能够使用户更为直观具体 的了解到待检测铝箔表面图像中铝箔表面缺陷的位置、大小等，提高用户进行 铝箔表面缺陷检测的效率。
在一种可能的实现方式中，所述铝箔表面缺陷分类模型由X张已知表面缺 陷的分类结果的铝箔表面缺陷图像训练得到；所述X张铝箔表面缺陷图像由Y 张铝箔表面缺陷图像变换得到，所述X和Y均为正整数，且X大于Y。
本申请实施例中，由Y张铝箔表面缺陷图像变换得到X张已知表面缺陷的 分类结果的铝箔表面缺陷图像训练得到铝箔表面缺陷分类模型，X和Y均为正 整数，且X大于Y，从而通过铝箔表面缺陷分类模型对铝箔表面缺陷进行分类， 增加了训练样本的同时确保了铝箔表面缺陷分类模型的准确性，从而确保了铝 箔表面缺陷分类的准确率。
第二方面，本申请实施例提供了一种铝箔表面缺陷检测装置，包括：
获取模块，用于基于目标颜色空间获取待检测铝箔表面图像；所述目标颜 色空间包括多个分量，所述多个分量至少包括亮度；
确定模块，用于根据所述多个分量确定所述待检测铝箔表面图像中的感兴 趣区域；
所述确定模块还用于：根据所述感兴趣区域确定表面缺陷图像以及表面缺 陷的位置；
分类模块，用于将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分 类得到所述表面缺陷的分类结果。
在一种可能的实现方式中，所述铝箔表面缺陷检测装置还包括：
提取模块，用于提取所述目标颜色空间包括的多个分量；
所述确定模块还用于：分别确定每个分量对应的所述待检测铝箔表面图像 中铝箔与背景的分界线；
所述确定模块还用于：根据所述多个分量各自对应的所述待检测铝箔表面 图像中铝箔与背景的分界线确定所述待检测铝箔表面图像中铝箔与背景的目标 分界线；
所述确定模块还具体用于：根据所述目标分界线确定所述待检测铝箔表面 图像中感兴趣区域。
在一种可能的实现方式中，所述待检测铝箔表面图像包括M×N个像素点，M和N均为正整数；
所述提取模块还具体用于：提取所述目标颜色空间包括的任意一个分量；
所述铝箔表面缺陷检测装置还包括：
计算模块，用于计算所述分量在水平方向上的水平投影曲线和在垂直方向 上的垂直投影曲线；所述水平投影曲线用于表示所述待检测铝箔表面图像的所 述分量在第m行的所有像素点的总和，所述垂直投影曲线用于表示所述待检测 铝箔表面图像的所述分量在第n列的所有像素点的总和；其中，m的取值为从1 至M的所有正整数，所述n的取值为从1至N的所有正整数；
所述确定模块还用于：确定所述水平投影曲线和所述垂直投影曲线的分割 点；
所述确定模块还用于：根据所述分割点确定所述待检测铝箔表面图像中铝 箔与背景的分界线。
根据所述极值点确定所述待检测铝箔表面图像中铝箔与背景的分界线。
在一种可能的实现方式中，所述提取模块还具体用于：提取所述每个分量 对应的所述待检测铝箔表面图像中铝箔与背景的分界线的分量值；
所述确定模块还用于：根据所述分量值和至少一个预设约束条件确定所述 目标分界线。
在一种可能的实现方式中，所述铝箔表面缺陷检测装置还包括：
滤波模块，用于对所述感兴趣区域进行高通滤波得到高通滤波图像，并对 所述感兴趣区域进行低通滤波得到低通滤波图像；
所述确定模块还用于：根据所述高通滤波图像和低通滤波图像确定差分图 像；
所述确定模块还具体用于：根据所述差分图像确定表面缺陷图像以及表面 缺陷的位置。
在一种可能的实现方式中，所述高通滤波的截止频率小于所述低通滤波的 截止频率。
在一种可能的实现方式中，所述表面缺陷的位置包括矩形的起始点、长和 宽；所述矩形包括所述表面缺陷的所有连通区域。
在一种可能的实现方式中，所述铝箔表面缺陷检测装置还包括：
训练模块，用于由X张已知表面缺陷的分类结果的铝箔表面缺陷图像训练 得到所述铝箔表面缺陷分类模型；所述X张铝箔表面缺陷图像由Y张铝箔表面 缺陷图像变换得到，所述X和Y均为正整数，且X大于Y。
第三方面，本申请实施例提供了一种铝箔表面缺陷检测设备，其特征在于， 包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所 述处理器执行所述程序时实现如上述方面所述方法的步骤。
第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介 质存储有多条指令，所述指令适于由处理器加载并执行本申请实施例第一方面 或第一方面的任意一种可能的实现方式提供的方法步骤。
可以理解的，上述第二方面提供的铝箔表面缺陷检测装置、第三方面提供 的铝箔表面缺陷检测设备、第四方面提供的计算机存储介质，均用于执行第一 方面或第一方面的任意一种实现方式所提供的铝箔表面缺陷检测方法，因此， 其所能达到的有益效果可参考第一方面或第一方面的任意一种实现方式所提供 的铝箔表面缺陷检测方法中的有益效果，此处不再赘述。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术 手段而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、 特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些 实施例，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的附图。
图1为本申请实施例提供的一种电容铝箔表面缺陷检测系统的结构示意图；
图2为本申请实施例提供的一种铝箔表面缺陷检测方法的流程图；
图3为本申请实施例提供的一种目标颜色空间的像素点结构示意图；
图4为本申请实施例提供的一种投影曲线的示意图；
图5为本申请实施例提供的一种待检测铝箔表面图像的示意图；
图6为本申请实施例提供的一种一种过滤投影曲线的示意图；
图7为本申请实施例提供的一种投影一阶导数的曲线示意图；
图8为本申请实施例提供的一种感兴趣区域的示意图；
图9为本申请实施例提供的另一种铝箔表面缺陷检测方法的流程图；
图10为本申请实施例提供的另一种待检测铝箔表面图像的示意图；
图11为本申请实施例提供的另一种铝箔表面缺陷检测方法的流程图；
图12为本申请实施例提供的一种训练铝箔表面缺陷分类模型的流程图；
图13为本申请实施例提供的一种铝箔表面缺陷检测装置的结构示意图；
图14为本申请实施例提供的一种铝箔表面缺陷检测设备的结构示意图。
具体实施方式
为使得本申请的特征和优点能够更加的明显和易懂，下面将结合本申请实 施例中的附图，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，而非全部实施例。基于本申请中 的实施例，本领域技术人员在没有做出创造性劳动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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三” 等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有” 以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单 元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可 选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产 品或设备固有的其他步骤或单元。
铝箔可用于包装、电解电容器、绝热等材料。用于电解电容器的铝箔称之 为电容铝箔。电容铝箔包括化成箔和腐蚀箔。化成箔是由特制的高纯铝箔经过 电化学或化学腐蚀后扩大表面积，再经过电化成作用在表面形成一层氧化膜(三 氧化二铝)后的产物。腐蚀箔是以电子光箔为原材料，通过电化学方法刻蚀 (Etching)电子光箔表面形成孔洞，从而增加阴极、阳极光箔的表面积，以提高 其比电容而制成的。电容铝箔在日常生活中发挥着重要的作用。随着市场竞争 的加剧以及生产工艺的发展，人们对电容铝箔的质量要求越来越高，越来越多 的生产厂家开始注重已制成的电容铝箔表面例如孔洞、裂痕、起皱、起鼓、划痕、虫斑、黄斑、黑斑、横纹等不同类型的缺陷问题。这些电容铝箔表面的缺 陷不仅会影响电容铝箔产品的外观，还会降低产品的电容参数、耐磨性和疲劳 强度等使用性能。对电容铝箔表面的缺陷进行检测，可以对电容铝箔的生产质 量进行评估，提前了解到电容铝箔的质量，从而对生产的电容铝箔进行分类， 提高生产效率。
目前要实现铝箔表面缺陷的检测识别，需先通过检测摄像头实时采集铝箔 表面图像，再通过算法分析图像。其难点在于铝箔表面缺陷存在种类多样、尺 寸变化大、金属颜色反光、缺陷样本分布不均以及现场外界光照的干扰等问题， 因此采用传统的图像处理和特征工程方法，抗干扰能力差，耗时长，很难实现 准确的表面缺陷检测。而本申请通过基于目标颜色空间确定待检测铝箔表面图 像的感兴趣区域，即铝箔区域，增强了对于边界复杂光照以及非规则边界有的 抗干扰能力；通过高低通滤波确定铝箔的表面缺陷图像以及铝箔的表面缺陷位 置，同时也可以确定表面缺陷的大小，能够很好的消除噪声的影响，突出细节 特征，从而提高铝箔表面缺陷检测的效率和准确率；通过由Y张铝箔表面缺陷 图像变换得到X张已知表面缺陷的分类结果的铝箔表面缺陷图像训练得到铝箔 表面缺陷分类模型对铝箔表面缺陷进行分类，X和Y均为正整数，且X大于Y， 增加了训练样本的同时确保了铝箔表面缺陷分类模型的准确性，从而确保了铝 箔表面缺陷分类的准确率。
在本申请实施例中，铝箔表面缺陷检测方法可以运用于对已制成的电容铝 箔包括的化成箔和腐蚀箔进行表面缺陷的检测。图1是本申请实施例提供的一 种铝箔表面缺陷检测系统的结构示意图。由图1中可知，铝箔表面缺陷检测系 统100至少可以包括：至少一个图像采集设备110、存储装置120、铝箔表面缺 陷检测装置130、显示器140。图像采集设备110至少包括镜头和图像传感器两 部分。存储装置120可以是存储器，用于存储图像采集设备110采集的图像信 息和铝箔表面缺陷检测装置130处理得到的铝箔表面缺陷检测的结果信息。铝 箔表面缺陷检测装置130可以对上述存储装置110中电容铝箔表面图像的信息 进行处理。铝箔表面缺陷检测装置130可以是平板电脑、桌面型、膝上型、笔 记本电脑、超级移动个人计算机(Ultra-mobile Personal Computer，UMPC)、 手持计算机、上网本、个人数字助理(Personal Digital Assistant，PDA)、服务 器等。
具体地，后台人员可以先通过图像采集设备110采集电容铝箔表面图像存 储于存储装置120中。铝箔表面缺陷检测装置130可以对存储装置120中存储 的电容铝箔表面图像进行表面缺陷的检测，然后通过显示器140显示出电容铝 箔表面缺陷检测的结果。同时，铝箔表面缺陷检测装置130也可以提取存储装 置120中已知表面缺陷的分类结果的铝箔表面缺陷图像，然后由上述图像训练 得到铝箔表面缺陷分类模型，从而实现对铝箔表面缺陷的分类。
接下来结合图1，介绍本申请实施例提供的铝箔表面缺陷检测方法，该方法 能够通过手机、电脑等电子设备获取存储器中存储的摄像头采集的电容铝箔表 面图像信息，并对所述电容铝箔表面图像进行表面缺陷的检测，能够增强铝箔 表面缺陷检测过程中的抗干扰能力，确保铝箔表面缺陷检测的准确率。具体请 参考图2，其为本申请实施例提供了一种铝箔表面缺陷检测方法的流程图。该铝 箔表面缺陷检测方法包括：
步骤201，基于目标颜色空间获取待检测铝箔表面图像；所述目标颜色空间 包括多个分量，所述多个分量至少包括亮度。
具体的，通过图像采集设备例如摄像头等采集的铝箔表面图像包括腐蚀图 像和未腐蚀图像。所述腐蚀图像用于表征已经过化学腐蚀的铝箔的表面图像； 未腐蚀图像用于表征没有被腐蚀的铝箔表面图像。本申请对上述腐蚀图像和未 腐蚀图像均可进行表面缺陷的检测。
具体的，将上述铝箔表面图像转换至目标颜色空间，获取待检测铝箔表面 图像。例如，可以将摄像头采集的腐蚀图像从RGB颜色空间转换至HSV颜色 空间、YUV颜色空间等目标颜色空间。可选的，也可以直接获取HSV颜色空间、 YUV颜色空间等目标颜色空间的待检测铝箔表面图像。所述目标颜色空间包括 多个分量，所述多个分量至少包括亮度。
步骤202，根据所述多个分量确定所述待检测铝箔表面图像中的感兴趣区域。
具体的，如图3所示：所述目标颜色空间包括M×N个像素点，所述每个像 素点(m,n)都对应一个上述分量的分量值fi，记为fi(m,n)，M、N、m、n均为正 整数且m≤M,n≤N。先提取所述目标颜色空间包括的任意一个分量，然后计算 所述分量在水平方向上的水平投影曲线和在垂直方向上的垂直投影曲线。其中， 水平投影fi m的计算公式为：
Figure BDA0003295935680000101
即所述水平投影曲线用于表示所 述待检测铝箔表面图像的所述分量在第m行的所有像素点的总和，m的取值为从 1至M的所有正整数；其横坐标为像素点的行坐标的位置m，纵坐标为同一行坐 标位置的像素点分量值之和，例如当水平投影曲线的横坐标为2时，其纵坐标 应为fi(2,1)+fi(2,2)+...+fi(2,N)的值；垂直投影fi n的计算公式为：
Figure BDA0003295935680000102
所述垂直投影曲线用于表示所述待检测铝箔表面图像的所述分量在第n列的所 有像素点的总和，n的取值为从1至N的所有正整数；其横坐标为像素点的列坐 标的位置n，纵坐标为同一列坐标位置的像素点分量值之和，例如当垂直投影曲 线的横坐标为2时，其纵坐标应为fi(1,2)+fi(2,2)+...+fi(M,2)的值，投影曲线如图4 所示。最后确定所述水平投影曲线和所述垂直投影曲线的分割点；所述分割点 为上述投影曲线的均值点或极值点。若分割点为上述投影曲线的极值点，则分 别对所述水平投影曲线和所述垂直投影曲线进行一阶求导，确定所述水平投影 曲线和所述垂直投影曲线的极值点，根据所述极值点确定所述待检测铝箔表面 图像中铝箔与背景的分界线。若分割点为上述投影曲线的均值点，则可直接根 据所述均值点的行坐标和列坐标确定所述待检测铝箔表面图像的均值点的坐标， 根据均值点的坐标对应的分量值利用二值化直接确定所述待检测铝箔表面图像 中铝箔与背景的分界线。将所述待检测铝箔表面图像中铝箔与背景的分界线以 内的铝箔区域确定为感兴趣区域。所述根据所述极值点确定所述待检测铝箔表 面图像中铝箔与背景的分界线具体可以是根据所述水平投影曲线的极值点的行 坐标和所述垂直投影曲线的极值点的列坐标的排列组合确定多个极值点，利用 二值化将与多个极值点的对应的分量值均值相同的像素点的连线确定为所述待 检测铝箔表面图像中铝箔与背景的分界线。具体如图5所示：若求得所述水平 投影曲线的极值点的行坐标为m1、m2和所述垂直投影曲线的极值点的列坐标为 n1、n2，则一共可以确定四个极值点(m1,n1)、(m1,n2)、(m2,n1)、(m2,n2)。求取上述 四个极值点所对应的分量值fi(m1,n1)、fi(m1,n2)、fi(m2,n1)、fi(m2,n2)的平均值
Figure BDA0003295935680000103
将
Figure BDA0003295935680000104
设置为二值化阈值进行二值化得到待检测铝箔表面图像500中铝箔510与背景520的分界线530。上述感兴趣区域可以确定为分界线530以内的铝箔510 区域。
可选的，在计算所述分量在水平方向上的水平投影曲线和在垂直方向上的 垂直投影曲线之和，分别对所述水平投影曲线和所述垂直投影曲线进行一阶求 导之前，还可以对上述投影曲线进行中值滤波。所述中值滤波的窗口可以包括 线状窗口，例如1×15、1×7等。上述中值窗口的大小可依据具体的铝箔表面 缺陷检测情况而进行设定，本申请对此不作具体限定。例如，对图4进行中值 滤波后得到的投影滤波曲线如图6所示。由图6可知，本申请实施例可以通过 中值滤波滤除投影曲线上的震荡，使上述投影曲线成为光滑的曲线，能够更准 确的反映上述图像中各像素点的变化情况。当所述中值滤波的窗口为1×7时，可以确定其进行一阶求导的模板为w＝[-1,-1,-1,0,1,1,1]，则对图6中的投影滤波 曲线使用上述上述一阶求导的模板可以得到投影一阶导数的曲线如图7所示。
步骤203，根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置。
具体的，将所述感兴趣区域直接通过二值化获取表面缺陷的位置以及根据 所述表面缺陷的位置裁剪出表面缺陷图像。所述表面缺陷的位置包括矩形的起 始点、长和宽；所述矩形包括所述表面缺陷的所有连通区域；所述矩形为所述 表面缺陷的边界的最小外接矩形。具体如图8所示：将感兴趣区域800通过二 值化可以确定表面缺陷图像820以及包括表面缺陷的所有连通区域820的矩形 830的起始点810、长L和宽W，表面缺陷820的边界内切于矩形830。
步骤204，将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类得到 所述表面缺陷的分类结果。
具体的，将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类，能 够得到所述表面缺陷的分类结果。所述表面缺陷的分类结果包括表面缺陷的类 别以及各类别对应的置信度。所述表面缺陷的类别包括孔洞、裂痕、起皱、起 鼓、划痕、虫斑、黄斑、黑斑、横纹等。所述置信度用于表征所述表面缺陷与 各个类别的缺陷的相似率，可以是80％、90％等。所述铝箔表面缺陷分类模型可 以自动将最高置信度所对应的缺陷类别确定为所述表面缺陷的类别。所述铝箔 表面缺陷分类模型由X张已知表面缺陷的分类结果的铝箔表面缺陷图像训练得 到；所述X张铝箔表面缺陷图像由Y张铝箔表面缺陷图像变换得到，所述X和Y均为正整数，且X大于Y。所述变换包括仿射变换、平移和缩放等几何变换、 噪声添加等。
在本实施例中，通过获取基于包括多个分量的目标颜色空间的待检测铝箔 表面图像，然后根据多个分量确定所述待检测铝箔表面图像中的感兴趣区域， 从而确定表面缺陷图像以及表面缺陷的位置，能够增强铝箔表面缺陷检测过程 中的抗干扰能力，确保了铝箔表面缺陷检测的准确率。
请参考图9，其为本申请实施例提供了一种铝箔表面缺陷检测方法的流程图。 该铝箔表面缺陷检测方法包括：
步骤901，基于目标颜色空间获取待检测铝箔表面图像；所述目标颜色空间 包括多个分量，所述多个分量至少包括亮度。
具体的，步骤901与步骤201一致，此处不再赘述。
步骤902，提取所述目标颜色空间包括的多个分量。
具体的，提取出所述目标颜色空间包括的多个像素点的多个分量。
步骤903，分别确定每个分量对应的所述待检测铝箔表面图像中铝箔与背景 的分界线。
具体的，所述分界线可以包括规则的分界线和不规则的分界线。具体的确 定所述待检测铝箔表面图像中铝箔与背景的分界线的方法与步骤202中确定分 界线的方法一致，此处不再赘述。
步骤904，根据所述多个分量各自对应的所述待检测铝箔表面图像中铝箔与 背景的分界线确定所述待检测铝箔表面图像中铝箔与背景的目标分界线。
具体的，提取所述每个分量对应的所述待检测铝箔表面图像中铝箔与背景 的分界线的分量值；然后根据所述分量值和至少一个预设约束条件确定所述目 标分界线。所述预设约束条件可以包括H1：占比。根据所述分界线的分量值的 和或均值能够确定对应所述每个分量对应的铝箔占比与背景占比之和；所述铝 箔占比用于表征分界线以内分量值大于所述分量值的和或均值的像素点数量与 分界线以内所有像素点总数的比例h1；所述背景占比用于表征分界线以外分量 值小于所述分量值的和或均值的像素点数量与分界线以外所有像素点总数的比 例h1；所述占比H1＝h1+h2；则根据所述每个分量对应的铝箔占比与背景占比之 和H1确定所述每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界 线中的所述目标分界线，即将最大的铝箔占比与背景占比之和H1所对应的分量 确定的分界线确定为最优分界线，即目标分界线。具体举例如图10所示：若所 示目标颜色空间包括三个分量分别记为A、B、C，所述三个分量按照步骤1003 可以确定所述待检测铝箔表面图像1000中对应的三条铝箔1010与背景1020的 分界线，分别记为103a、103b、103c。根据上述三条分界线103a、103b、103c 上像素点的对应的分量值均值可以计算出三个对应的铝箔占比与背景占比之和 Sa、Sb、Sc，由于Sc>Sb>Sa，所以可以确定Sc所对应的分量C确定的分界线 103c为目标分界线。
可选的，所述预设约束条件还可以包括H2：方差。根据投影曲线的分割点 确定每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界线之后，在 分割点周围选取预设区间的投影和数值，计算方差H2。则可以确定最大的方差 H2对应的分割点所确定的分界线为目标分界线。所述预设区间可以是以分割点 为中心，且同时包括铝箔和背景的预设长×预设宽的矩形区域，例如以分割点 为中心，且同时包括铝箔和背景的300×300的矩形区域。所述预设长和预设宽 可依据实际情况进行设定，本申请对此不作具体限定。
可选的，所述预设约束条件还可以同时包括N个预设约束条件，N为正整 数，分别记为H1、H2、...HN。此时的约束条件Φ＝(W1*H1+W2* H2+...+WN*HN，其中W1+W2+...+WN＝1，其中，W1、W2、...WN分别代表 H1、H2、...HN所占的权重，例如50％、60％等。W1、W2...WN的值可依据实 际的铝箔表面缺陷检测情况进行设定，本申请对此不作具体限定。H1代表占比， H2代表方差。此时，根据所述分量值和至少一个预设约束条件确定所述目标分 界线相当于选择最大的约束条件Φ所对应的分界线为目标分界线。
步骤905，根据所述目标分界线确定所述待检测铝箔表面图像中感兴趣区域.
具体的，将上述目标分界线以内的铝箔区域确定为感兴趣区域。
步骤906，根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置。
具体的，步骤906与步骤203一致，此处不再赘述。
步骤907，将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类得到 所述表面缺陷的分类结果。
具体的，步骤907与步骤204一致，此处不再赘述。
在本实施例中，通过分别对所述目标颜色空间包括的每个分量对应的水平 投影曲线和垂直投影曲线进行一阶求导取极值点，根据极值点确定铝箔表面图 像中铝箔与背景的分界线，然后比较每个分量对应的铝箔占比与背景占比之和 从而确定每个分量对应的铝箔表面图像中铝箔与背景的分界线中的最优分界线， 即目标分界线，在增强铝箔表面缺陷检测过程中的抗干扰能力的同时，进一步 确保了铝箔表面缺陷检测的准确率。
请参考图11，其为本申请实施例提供了一种铝箔表面缺陷检测方法的流程 图。该铝箔表面缺陷检测方法包括：
步骤1101，基于目标颜色空间获取待检测铝箔表面图像；所述目标颜色空 间包括多个分量，所述多个分量至少包括亮度。
具体的，步骤1101与步骤201一致，此处不再赘述。
步骤1102，根据所述多个分量确定所述待检测铝箔表面图像中的感兴趣区 域。
具体的，步骤1102与步骤202一致，此处不再赘述。
步骤1103，对所述感兴趣区域进行高通滤波得到高通滤波图像，并对所述 感兴趣区域进行低通滤波得到低通滤波图像。
具体的，使用D1×D1的高斯滤波器对所述感兴趣区域进行高通滤波得到高 通滤波图像，并使用D2×D2的均值滤波对所述感兴趣区域进行低通滤波得到低 通滤波图像。上述D1小于D2，例如若所述D1可以为3、5、7、9等，则所述 D2可以为41、42等大于D1的滤波半径。例如，可以使用3×3大小的高斯滤波 器对所述感兴趣区域进行高通滤波，保留所述感兴趣区域的细节部分，得到高 通滤波图像，并使用31×31大小的均值滤波对所述感兴趣区域进行低通滤波， 保留所述感兴趣区域的铝箔背景部分，得到高通滤波图像。上述滤波半径D1和 D2的大小可依据具体的铝箔表面缺陷检测情况而进行设定，本申请对此不作具 体限定。
步骤1104，根据所述高通滤波图像和低通滤波图像确定差分图像。
具体的，将所述高通滤波图像和低通滤波图像对应的像素值相减，从而得 到差分图像。
步骤1105，根据所述差分图像确定表面缺陷图像以及表面缺陷的位置。
具体的，将所述差分图像直接通过二值化确定出表面缺陷的位置以及根据 所述表面缺陷的位置裁剪出表面缺陷图像。所述表面缺陷的位置包括矩形的起 始点、长和宽；所述矩形包括所述表面缺陷的所有连通区域；所述矩形为所述 表面缺陷的边界的最小外接矩形。
步骤1106，将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类得 到所述表面缺陷的分类结果。
具体的，步骤1106与步骤204一致，此处不再赘述。
在本实施例中，通过对所述感兴趣区域进行高低通滤波，使高通滤波的截 止频率小于低通滤波的截止频率，然后根据高低通滤波的差分图像确定表面缺 陷图像以及表面缺陷的位置，既能够消除高频噪声，又能够消除低频噪声，从 而使感兴趣区域的细节特征更明显，从而提高铝箔表面缺陷检测的效率和准确 率。
请参考图12，其为本申请实施例提供了一种训练铝箔表面缺陷分类模型的 流程图。步骤204中铝箔表面缺陷分类模型的训练过程包括：
步骤1201，获取Y张已知表面缺陷的分类结果的铝箔表面缺陷图像，Y为 正整数。
具体的，获取存储装置中已存储的Y张已知表面缺陷的分类结果的铝箔表 面缺陷图像，Y为正整数。
步骤1202，将所述Y张铝箔表面缺陷图像进行至少一种几何变换得到X张 铝箔表面缺陷图像，X为正整数且X大于Y。
具体的，将上述获取的Y张铝箔表面缺陷图像进行旋转、平移、缩放等至 少一种几何变换得到X张铝箔表面缺陷图像，X为正整数且X大于Y。
步骤1203，将所述X张铝箔表面缺陷图像按照预设比例随机分为训练样本 和测试样本。
具体的，先将上述X张铝箔表面缺陷图像进行滤波等预处理操作，在尽量 保留铝箔表面缺陷图像细节特征的条件下对铝箔表面缺陷图像的噪声进行抑制， 使得铝箔表面缺陷图像的缺陷特征更突出，能够更快速的获取更准确的缺陷特 征，从而使训练速度更快。将进行预处理操作后的X张铝箔表面缺陷图像按照 预设比例随机分为训练样本和测试样本。所述预设比例可以是4：1，即80％的 训练样本和20％的测试样本，具体可依据具体的铝箔表面缺陷检测情况以及实 际情况而进行设定，本申请对此不作具体限定。
步骤1204，将所述训练样本输入所述铝箔表面缺陷分类模型。
具体的，先创建并初始化铝箔表面缺陷分类模型，然后将训练样本输入铝 箔表面缺陷分类模型中。
步骤1205，通过前向传播计算预测值。
具体的，将训练样本输入铝箔表面缺陷分类模型之后，通过前向传播计算 得到预测值，并计算预测值与实际值之间的均方误差或记录训练次数、迭代次 数等。
步骤1206，根据所述预测值判断所述铝箔表面缺陷分类模型是否已完成训 练。
具体的，判断上述预测值与实际值之间的均方误差是否小于预设误差，若 小于预设误差，则判断所述铝箔表面缺陷分类模型是否已完成训练，然后执行 步骤1207。若预测值与实际值之间的均方误差大于等于预设误差，则判断所述 铝箔表面缺陷分类模型未完成训练，然后执行步骤1208。所述预设误差可以是 0.001等，具体可依据具体的铝箔表面缺陷检测情况以及实际情况而进行设定， 本申请对此不作具体限定。
可选的，还可以通过判断上述训练次数或者迭代次数是否达到预设次数来 判断所述铝箔表面缺陷分类模型是否已完成训练。若上述训练次数或者迭代次 数已达到预设次数，则判断所述铝箔表面缺陷分类模型已完成训练，然后执行 步骤1207。若上述训练次数或者迭代次数未达到预设次数，则判断所述铝箔表 面缺陷分类模型未完成训练，然后执行步骤1208。
步骤1207，若所述铝箔表面缺陷分类模型已完成训练，则用所述测试样本 评估所述铝箔表面缺陷分类模型的预测性能。
具体的，若所述铝箔表面缺陷分类模型已完成训练，则将上述测试样本输 入至上述铝箔表面缺陷分类模型，可以输出得到对应的测试样本中各铝箔表面 缺陷的类别。将多个铝箔表面缺陷的类别与测试样本包括对应的多个实际铝箔 表面缺陷的类别进行对比得到铝箔表面缺陷分类模型的预测性能的精准度，即 输出多个各铝箔表面缺陷的类别与测试样本中对应的多个实际铝箔表面缺陷的 类别一致的表面缺陷类别的样本数量占总测试样本数量的百分比。例如，测试 样本中一共包括1000张铝箔表面缺陷图像，经过铝箔表面缺陷分类模型之后， 输出得到与1000张铝箔表面缺陷图像的实际缺陷类别对应一致的表面缺陷类别 的样本数量未800张时，可以评估得到该铝箔表面缺陷分类模型的预测性能的精准度为80％。若该铝箔表面缺陷分类模型的预测性能的精准度小于预设精准 度，则执行步骤1208。若该铝箔表面缺陷分类模型的预测性能的精准度大于等 于预设精准度，则表示所述铝箔表面缺陷分类模型已训练完成，可以正式运用 与铝箔表面缺陷的检测。所述预设精准度可以是90％等，具体可依据具体的铝 箔表面缺陷分类情况以及实际情况而进行设定，本申请对此不作具体限定。
步骤1208，若所述铝箔表面缺陷分类模型未完成训练，则通过反向传播更 新所述铝箔表面缺陷分类模型的参数。
具体的，若所述铝箔表面缺陷分类模型未完成训练，则根据预测值与实际 值之间的均方误差通过使用随机梯度下降法调整全连接层和隐含层的参数，即 通过后向传播更新铝箔表面缺陷分类模型的参数。最后保存已更新的铝箔表面 缺陷分类模型，再次执行步骤1205。
在本实施例中，由Y张铝箔表面缺陷图像变换得到X张已知表面缺陷的分 类结果的铝箔表面缺陷图像训练得到铝箔表面缺陷分类模型，X和Y均为正整 数，且X大于Y，从而通过铝箔表面缺陷分类模型对铝箔表面缺陷进行分类， 增加了训练样本的同时确保了铝箔表面缺陷分类模型的准确性，从而确保了铝 箔表面缺陷分类的准确率。
请参考图13，其为本申请实施例提供了一种铝箔表面缺陷检测装置的结构 示意图。该铝箔表面缺陷检测装置1300包括：
获取模块1310，用于基于目标颜色空间获取待检测铝箔表面图像；所述目 标颜色空间包括多个分量，所述多个分量至少包括亮度。
确定模块1320，用于根据所述多个分量确定所述待检测铝箔表面图像中的 感兴趣区域。
所述确定模块1320还用于：根据所述感兴趣区域确定表面缺陷图像以及表 面缺陷的位置。
分类模块1330，用于将所述表面缺陷图像输入铝箔表面缺陷分类模型中进 行分类得到所述表面缺陷的分类结果。
在一种可能的实现方式中，所述铝箔表面缺陷检测装置还包括：
提取模块，用于提取所述目标颜色空间包括的多个分量。
所述确定模块1320还用于：分别确定每个分量对应的所述待检测铝箔表面 图像中铝箔与背景的分界线。
所述确定模块1320还用于：根据所述多个分量各自对应的所述待检测铝箔 表面图像中铝箔与背景的分界线确定所述待检测铝箔表面图像中铝箔与背景的 目标分界线。
所述确定模块1320还具体用于：根据所述目标分界线确定所述待检测铝箔 表面图像中感兴趣区域。
在一种可能的实现方式中，所述待检测铝箔表面图像包括M×N个像素点， M和N均为正整数。
所述提取模块还具体用于：提取所述目标颜色空间包括的任意一个分量。
所述铝箔表面缺陷检测装置还包括：
计算模块，用于计算所述分量在水平方向上的水平投影曲线和在垂直方向 上的垂直投影曲线；所述水平投影曲线用于表示所述待检测铝箔表面图像的所 述分量在第m行的所有像素点的总和，所述垂直投影曲线用于表示所述待检测 铝箔表面图像的所述分量在第n列的所有像素点的总和；其中，m的取值为从1 至M的所有正整数，所述n的取值为从1至N的所有正整数。
所述确定模块1320还用于：确定所述水平投影曲线和所述垂直投影曲线的 分割点。
所述确定模块1320还用于：根据所述分割点确定所述待检测铝箔表面图像 中铝箔与背景的分界线。
在一种可能的实现方式中，所述提取模块还具体用于：提取所述每个分量 对应的所述待检测铝箔表面图像中铝箔与背景的分界线的分量值。
所述确定模块1320还用于：根据所述分量值和至少一个预设约束条件确定 所述目标分界线。
在一种可能的实现方式中，所述铝箔表面缺陷检测装置还包括：
滤波模块，用于对所述感兴趣区域进行高通滤波得到高通滤波图像，并对 所述感兴趣区域进行低通滤波得到低通滤波图像。
所述确定模块1320还用于：根据所述高通滤波图像和低通滤波图像确定差 分图像。
所述确定模块1320还具体用于：根据所述差分图像确定表面缺陷图像以及 表面缺陷的位置。
在一种可能的实现方式中，所述高通滤波的截止频率小于所述低通滤波的 截止频率。
在一种可能的实现方式中，所述表面缺陷的位置包括矩形的起始点、长和 宽；所述矩形包括所述表面缺陷的所有连通区域；所述矩形为所述表面缺陷的 边界的最小外接矩形。
在一种可能的实现方式中，所述铝箔表面缺陷检测装置还包括：
训练模块，用于由X张已知表面缺陷的分类结果的铝箔表面缺陷图像训练 得到所述铝箔表面缺陷分类模型；所述X张铝箔表面缺陷图像由Y张铝箔表面 缺陷图像变换得到，所述X和Y均为正整数，且X大于Y。
上述铝箔表面缺陷检测装置中各模块的划分仅用于举例说明，在其他实施 例中,可将铝箔表面缺陷检测装置按照需要划分为不同的模块，以完成上述铝箔 表面缺陷检测装置的全部或部分功能。本申请实施例中提供的铝箔表面缺陷检 测装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或 服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器 上。该计算机程序被处理器执行时，实现本申请实施例中所描述的铝箔表面缺 陷检测方法的全部或部分步骤。
请参见图14，为本申请实施例提供了一种铝箔表面缺陷检测设备的结构示 意图。如图14所示，铝箔表面缺陷检测设备1400可以包括：至少一个处理器 1410、至少一个通信模块1420、用户接口1430、存储器1440、图像采集设备 1450、显示器1460、警报器1470、电源1480以及至少一个通信总线1490。
其中，通信总线1490用于实现这些组件之间的连接通信。
其中，用户接口1430可以包括按键或键盘，可选用户接口730还可以包括 标准的有线接口、无线接口。
其中，通信模块1420可选的可以包括蓝牙模块、NFC模块、Wi-Fi模块等。
其中，图像采集设备1450至少包括镜头和图像传感器两部分。电容铝箔表 面的情况通过镜头(LENS)生成的光学图像投射到图像传感器表面上，然后转 为电信号，经过A/D(模数转换)转换后变为数字图像信号，再送到数字信号 处理芯片(DSP)中加工处理，再通过USB接口传输到处理器1410中处理，通 过显示器1460可以看到图像。图像采集设备1350可以是摄像头，也可以是其 它的包括摄像头的图像采集设备；
其中，显示器1460用于显示用户接口1430输入的信息、存储器1440存储 的信息和图像采集设备1450采集的信息以及处理器1410处理得到的表面缺陷 图像以及表面缺陷的位置等信息。
其中，警报器1470用于发放出现表面缺陷的信号。
其中，电源1480包括输入端与输出端。电源1480的输入端与外部设备连 接，通过输入端接收外部设备提供的电能。电源1480的输出端分别与处理器1410、 通信模块1420、用户接口1430、存储器1440、图像采集设备1450、警报器1470、 显示器1460相连，将电能分别传输给处理器1410、通信模块1420、用户接口 1430、存储器1440、图像采集设备1450、警报器1470、显示器1460。
其中，处理器1410可以包括一个或者多个处理核心。处理器1410利用各 种借口和线路连接整个铝箔表面缺陷检测设备1400内的各个部分，通过运行或 执行存储在存储器1440内的指令、程序、代码集或指令集，以及调用存储在存 储器1440内的数据，执行铝箔表面缺陷检测设备1400的各种功能和处理数据。 可选的，处理器1410可以采用数字信号处理(Digital Signal Processing，DSP)、 现场可编程门阵列(Field-Programmable GateArray，FPGA)、可编程逻辑阵列 (Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1410 可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的 内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制 解调器也可以不集成到处理器1410中，单独通过一块芯片进行实现。
其中，存储器1440可以包括随机存储器(Random Access Memory，RAM)， 也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1440包括非 瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存 储器1440可用于存储指令、程序、代码、代码集或指令集。存储器1440可包 括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指 令、用于至少一个功能的指令(比如获取功能、分类功能、计算功能等)、用 于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例 中涉及到的数据等。存储器1440可选的还可以是至少一个位于远离前述处理器1410的存储装置。如图14所示，作为一种计算机存储介质的存储器1440中可 以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图14所示的铝箔表面缺陷检测设备1400中，用户接口1430主要用于为 用户提供输入的接口，获取用户输入的数据；而处理器1410可以用于调用存储 器1440中存储的应用程序，并具体执行以下操作：
基于目标颜色空间获取待检测铝箔表面图像；所述目标颜色空间包括多个 分量，所述多个分量至少包括亮度；
根据所述多个分量确定所述待检测铝箔表面图像中的感兴趣区域；
根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置；
将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类得到所述表面 缺陷的分类结果。
在一些可能的实施例中，所述处理器1410在所述基于目标颜色空间获取待 检测铝箔表面图像之后，所述根据所述感兴趣区域确定表面缺陷图像以及表面 缺陷的位置之前，所述处理器1410具体还执行：
提取所述目标颜色空间包括的多个分量；
分别确定每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界线；
根据所述多个分量各自对应的所述待检测铝箔表面图像中铝箔与背景的分 界线确定所述待检测铝箔表面图像中铝箔与背景的目标分界线；
所述根据所述多个分量确定所述待检测铝箔表面图像中感兴趣区域，包括： 根据所述目标分界线确定所述待检测铝箔表面图像中感兴趣区域。
在一些可能的实施例中，所述待检测铝箔表面图像包括M×N个像素点， M和N均为正整数；
所述处理器1410在所述分别确定每个分量对应的所述待检测铝箔表面图像 中铝箔与背景的分界线时，具体执行：
提取所述目标颜色空间包括的任意一个分量；
计算所述分量在水平方向上的水平投影曲线和在垂直方向上的垂直投影曲 线；所述水平投影曲线用于表示所述待检测铝箔表面图像的所述分量在第m行 的所有像素点的总和，所述垂直投影曲线用于表示所述待检测铝箔表面图像的 所述分量在第n列的所有像素点的总和；其中，m的取值为从1至M的所有正 整数，所述n的取值为从1至N的所有正整数；
确定所述水平投影曲线和所述垂直投影曲线的分割点；
根据所述分割点确定所述待检测铝箔表面图像中铝箔与背景的分界线。
在一些可能的实施例中，所述处理器1410在所述根据所述多个分量各自对 应的所述待检测铝箔表面图像中铝箔与背景的分界线确定所述待检测铝箔表面 图像中铝箔与背景的目标分界线时，具体执行：
提取所述每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界线 的分量值；
根据所述分量值和至少一个预设约束条件确定所述目标分界线。
在一些可能的实施例中，所述处理器1410在所述根据所述多个分量确定所 述待检测铝箔表面图像中的感兴趣区域之后，所述根据所述感兴趣区域确定表 面缺陷图像以及表面缺陷的位置之前，所述处理器1410具体还执行：
对所述感兴趣区域进行高通滤波得到高通滤波图像，并对所述感兴趣区域 进行低通滤波得到低通滤波图像；
根据所述高通滤波图像和低通滤波图像确定差分图像；
所述根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置，包括： 根据所述差分图像确定表面缺陷图像以及表面缺陷的位置。
在一些可能的实施例中，所述高通滤波的截止频率小于所述低通滤波的截 止频率。
在一些可能的实施例中，所述表面缺陷的位置包括矩形的起始点、长和宽； 所述矩形包括所述表面缺陷的所有连通区域；所述矩形为所述表面缺陷的边界 的最小外接矩形。
在一些可能的实施例中，所述处理器1410还用于执行：由X张已知表面缺 陷的分类结果的铝箔表面缺陷图像训练得到所述铝箔表面缺陷分类模型；所述X 张铝箔表面缺陷图像由Y张铝箔表面缺陷图像变换得到，所述X和Y均为正整 数，且X大于Y。
本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有 指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述任一个 方法中的一个或多个步骤。上述铝箔表面缺陷检测装置的各组成模块如果以软 件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在所述存储 介质中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实 现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行 所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功 能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编 程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计 算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、 服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无 线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数 据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如， DVD)、或者半导体介质(例如，固态硬盘(solid statedisk，SSD))等。
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， 可以通过计算机程序来指令相关的硬件来完成，该程序可存储于计算机可读取 存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述 的存储介质包括：ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。 在不冲突的情况下，本实施例和实施方案中的技术特征可以任意组合。
以上所述的实施例仅仅是本申请的优选实施例方式进行描述，并非对本申请的范围进行限定，在不脱离本申请的设计精神的前提下，本领域普通技术人员对 本申请的技术方案作出的各种变形及改进，均应落入本申请的权利要求书确定 的保护范围内。

Claims (11)

1.一种铝箔表面缺陷检测方法，其特征在于，包括：
基于目标颜色空间获取待检测铝箔表面图像；所述目标颜色空间包括多个分量，所述多个分量至少包括亮度；
根据所述多个分量确定所述待检测铝箔表面图像中的感兴趣区域；
根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置；
将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类得到所述表面缺陷的分类结果。
2.如权利要求1所述的方法，其特征在于，所述基于目标颜色空间获取待检测铝箔表面图像之后，所述根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置之前，所述方法还包括：
提取所述目标颜色空间包括的多个分量；
分别确定每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界线；
根据所述多个分量各自对应的所述待检测铝箔表面图像中铝箔与背景的分界线确定所述待检测铝箔表面图像中铝箔与背景的目标分界线；
所述根据所述多个分量确定所述待检测铝箔表面图像中感兴趣区域，包括：根据所述目标分界线确定所述待检测铝箔表面图像中感兴趣区域。
3.如权利要求2所述的方法，其特征在于，所述待检测铝箔表面图像包括M×N个像素点，M和N均为正整数；
所述分别确定每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界线，包括：
提取所述目标颜色空间包括的任意一个分量；
计算所述分量在水平方向上的水平投影曲线和在垂直方向上的垂直投影曲线；所述水平投影曲线用于表示所述待检测铝箔表面图像的所述分量在第m行的所有像素点的总和，所述垂直投影曲线用于表示所述待检测铝箔表面图像的所述分量在第n列的所有像素点的总和；其中，m的取值为从1至M的所有正整数，所述n的取值为从1至N的所有正整数；
确定所述水平投影曲线和所述垂直投影曲线的分割点；
根据所述分割点确定所述待检测铝箔表面图像中铝箔与背景的分界线。
4.如权利要求2或3所述的方法，其特征在于，所述根据所述多个分量各自对应的所述待检测铝箔表面图像中铝箔与背景的分界线确定所述待检测铝箔表面图像中铝箔与背景的目标分界线，包括：
提取所述每个分量对应的所述待检测铝箔表面图像中铝箔与背景的分界线的分量值；
根据所述分量值和至少一个预设约束条件确定所述目标分界线。
5.如权利要求1所述的方法，其特征在于，所述根据所述多个分量确定所述待检测铝箔表面图像中的感兴趣区域之后，所述根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置之前，所述方法还包括：
对所述感兴趣区域进行高通滤波得到高通滤波图像，并对所述感兴趣区域进行低通滤波得到低通滤波图像；
根据所述高通滤波图像和低通滤波图像确定差分图像；
所述根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置，包括：根据所述差分图像确定表面缺陷图像以及表面缺陷的位置。
6.如权利要求5所述的方法，其特征在于，所述高通滤波的截止频率小于所述低通滤波的截止频率。
7.如权利要求1所述的方法，其特征在于，所述表面缺陷的位置包括矩形的起始点、长和宽；所述矩形包括所述表面缺陷的所有连通区域。
8.如权利要求1所述的方法，其特征在于，所述铝箔表面缺陷分类模型由X张已知表面缺陷的分类结果的铝箔表面缺陷图像训练得到；所述X张铝箔表面缺陷图像由Y张铝箔表面缺陷图像变换得到，所述X和Y均为正整数，且X大于Y。
9.一种铝箔表面缺陷检测装置，其特征在于，包括：
获取模块，用于基于目标颜色空间获取待检测铝箔表面图像；所述目标颜色空间包括多个分量，所述多个分量至少包括亮度；
确定模块，用于根据所述多个分量确定所述待检测铝箔表面图像中的感兴趣区域；
所述确定模块还用于：根据所述感兴趣区域确定表面缺陷图像以及表面缺陷的位置；
分类模块，用于将所述表面缺陷图像输入铝箔表面缺陷分类模型中进行分类得到所述表面缺陷的分类结果。
10.一种铝箔表面缺陷检测设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1～8任一项所述方法的步骤。
11.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1～8任一项的方法步骤。
CN202111177666.0A 2021-10-09 2021-10-09 铝箔表面缺陷检测方法、装置、设备及计算机存储介质 Pending CN114119466A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111177666.0A CN114119466A (zh) 2021-10-09 2021-10-09 铝箔表面缺陷检测方法、装置、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111177666.0A CN114119466A (zh) 2021-10-09 2021-10-09 铝箔表面缺陷检测方法、装置、设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN114119466A true CN114119466A (zh) 2022-03-01

Family

ID=80441624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111177666.0A Pending CN114119466A (zh) 2021-10-09 2021-10-09 铝箔表面缺陷检测方法、装置、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114119466A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272335A (zh) * 2022-09-29 2022-11-01 江苏万森绿建装配式建筑有限公司 基于显著性检测的冶金金属表面缺陷检测方法
CN115661054A (zh) * 2022-10-14 2023-01-31 蓝思系统集成有限公司 封口的检测方法及装置、电子设备及存储介质
CN116309589A (zh) * 2023-05-22 2023-06-23 季华实验室 钣金件表面缺陷检测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130201496A1 (en) * 2012-02-08 2013-08-08 Aaron Jacob Boggs System and methods for automatic color deficient vision correction of an image
CN108765402A (zh) * 2018-05-30 2018-11-06 武汉理工大学 无纺布缺陷检测与分类方法
US20190056333A1 (en) * 2017-08-16 2019-02-21 Siemens Energy, Inc. Method and system for detecting defects on surface of object
CN110880175A (zh) * 2019-11-15 2020-03-13 广东工业大学 一种焊点缺陷检测方法、系统以及设备
CN111986178A (zh) * 2020-08-21 2020-11-24 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN112801047A (zh) * 2021-03-19 2021-05-14 腾讯科技（深圳）有限公司 缺陷检测方法、装置、电子设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130201496A1 (en) * 2012-02-08 2013-08-08 Aaron Jacob Boggs System and methods for automatic color deficient vision correction of an image
US20190056333A1 (en) * 2017-08-16 2019-02-21 Siemens Energy, Inc. Method and system for detecting defects on surface of object
CN108765402A (zh) * 2018-05-30 2018-11-06 武汉理工大学 无纺布缺陷检测与分类方法
CN110880175A (zh) * 2019-11-15 2020-03-13 广东工业大学 一种焊点缺陷检测方法、系统以及设备
CN111986178A (zh) * 2020-08-21 2020-11-24 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN112801047A (zh) * 2021-03-19 2021-05-14 腾讯科技（深圳）有限公司 缺陷检测方法、装置、电子设备及可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272335A (zh) * 2022-09-29 2022-11-01 江苏万森绿建装配式建筑有限公司 基于显著性检测的冶金金属表面缺陷检测方法
CN115661054A (zh) * 2022-10-14 2023-01-31 蓝思系统集成有限公司 封口的检测方法及装置、电子设备及存储介质
CN115661054B (zh) * 2022-10-14 2024-05-31 蓝思系统集成有限公司 封口的检测方法及装置、电子设备及存储介质
CN116309589A (zh) * 2023-05-22 2023-06-23 季华实验室 钣金件表面缺陷检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN114119466A (zh) 铝箔表面缺陷检测方法、装置、设备及计算机存储介质
US20060029257A1 (en) Apparatus for determining a surface condition of an object
CN111680750B (zh) 图像识别方法、装置和设备
CN111598801B (zh) 一种用于微弱Mura缺陷的识别方法
CN116958145B (zh) 图像处理方法、装置、视觉检测系统及电子设备
CN111625683B (zh) 基于图结构差异分析的视频摘要自动生成方法及系统
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN115937167A (zh) 电池极片陶瓷的缺陷检测方法、装置及电子设备
CN115526885A (zh) 一种产品图像缺陷检测方法、系统、装置及介质
CN116559177A (zh) 一种缺陷检测方法、装置、设备以及存储介质
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN117011250A (zh) 缺陷检测方法、装置及存储介质
CN117392066A (zh) 缺陷检测方法、装置、设备及存储介质
CN112052730A (zh) 一种3d动态人像识别监控设备及方法
CN112686896B (zh) 基于分割网络的频域空间结合的玻璃缺陷检测方法
CN116703912B (zh) 一种迷你主机网口完整性视觉检测方法
CN116432052B (zh) 一种新能源汽车模具用夹具质量检测方法
CN116523871A (zh) 一种加工件缺陷检测方法、装置、电子设备及存储介质
CN116189220A (zh) 建筑构件检测识别方法、装置、计算机设备及存储介质
CN113763359A (zh) 一种金属近表面缺陷检测用智能检测与感知系统
WO2013068781A1 (en) Methods and apparatus for image analysis using profile weighted intensity features
US8600144B2 (en) Methods and apparatus for image analysis using profile weighted intensity features
CN117593780B (zh) 一种皱纹深度指数确定方法、装置、电子设备及存储介质
CN117474915B (zh) 一种异常检测方法、电子设备及存储介质
CN118644667B (zh) 基于深度学习的轮毂表面缺陷检测的方法和装置

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