CN114125435B - 一种用于网络摄像机的图像缺陷智能检测方法 - Google Patents

Abstract

本发明提供了一种用于网络摄像机的图像缺陷智能检测方法，针对网络摄像机拍摄图像存在的清晰度缺陷及灯光图像异常缺陷，分别制作对应的线对图测试卡及星洞图测试卡，并将其张贴于具有平面均匀照度的光源上，将网络摄像机对着上述测试卡采集抓取不同的视频图像，利用不同算法针对上述缺陷实现智能检测。本发明能够将不同类别的图像缺陷单独呈现并凸显，提高了图像缺陷智能检测的准确度，同时，本发明中构建的检测环境相互独立，可采用并行方式进行算法运算，有效地提高了图像缺陷智能检测效率。

Description

一种用于网络摄像机的图像缺陷智能检测方法

技术领域

本发明属于图像检测技术领域，涉及一种用于网络摄像机的图像缺陷智能检测方法。

背景技术

随着智慧城市、平安城市等数字化、智能化的城市建设的兴起，以及4G/5G网络的普及，视频监控系统在各个行业及领域有着广泛的应用，其中涉及的视频图像采集系统主要使用的就是网络摄像机产品，保证视频图像的清晰正常成为了网络摄像机产品的基本功能要求之一。因为，一旦视频图像采集系统中的某些摄像机的视频图像出现故障，例如摄像头视频图像画面模糊、灯光异常、有亮斑或者异常条纹等，都会影响视频图像采集系统的监控效果。如果不能在产品生产加工制造过程中准确发现并拦截，将导致视频图像异常的摄像机流入市场，从而造成更大的损失，因此，针对网络摄像机产生的视频图像画面质量进行缺陷检测是十分有必要的。

网络摄像机在生产加工制造过程中，对于视频图像画面质量的检测通常采用人工检测的方法，由于网络摄像机视频图像覆盖面积较大、图像不良现象种类繁多，而且不良图像的出现及检测较为依赖某些特定角度、位置/及环境，同时，由于每天生产加工制造的摄像机数量庞大，单纯地依靠人工逐个检测摄像机的视频图像质量是否正常，不仅检测工作量巨大、耗时又费力，同时十分依赖于作业员工的经验、能力，甚至部分运气，很容易出现漏检的情况，另外，由于每个人对视频图像质量的判断标准不同，主观因素也会占很大比重，影响检测结果的客观性。因此，针对检测视频图像质量来说，通过智能检测系统实现自动化检测是十分必要的。

发明内容

本发明的目的在于针对现有技术存在的问题，提供一种用于网络摄像机的图像缺陷智能检测方法，解决了针对现有视频图像质量检测方法中存在的大量耗费人工、且检测结果主观因素占比大的问题。

为此，本发明采取以下技术方案：

一种用于网络摄像机的图像缺陷智能检测方法，包括如下步骤：

步骤一，制作测试卡，所述测试卡包括线对图和星洞图，并将测试卡通过菲林卡印刷；

步骤二，构建检测环境，所述检测环境包括在密封环境下设置平面均匀照度的光源，并将测试卡张贴于光源表面，以凸显图像缺陷效果；

步骤三，利用网络摄像机拍摄步骤二中的测试卡，采集视频图像；

步骤四，采用第一算法分析步骤三中视频图像的图像清晰度异常缺陷，采用第二算法分析步骤三中视频图像的灯光图像异常缺陷。

进一步地，所述第一算法包括如下步骤：

步骤一，获取图像原始通道数据，包括对视频图像进行解码，提取特征并显示特征图，令视频图像特征可视化；

步骤二，对图像原始通道数据进行阈值化处理，根据视频图像中相邻像素之间的灰度值差异设置灰度值阈值，分别将视频图像中像素实际灰度值与该阈值进行比较，小于此阈值标准落在像素范围内的为前景图像，其余像素为背景，提取出目标区域中前景图像的二值图像；

步骤三，使用膨胀算子对二值图像的区域边缘进行膨胀，得到边缘平滑的视频图像；

步骤四，保留视频图像的核心区域，对其余边缘部分进行裁剪；

步骤五，对视频图像的核心区域的左上位置图像进行找直边计算，寻找对应的直角边，依照从上到下、从左到右、最后到中间的顺序，依次对核心区域剩余的视频图像做相同计算处理；

步骤六，根据多个直角边分别建立对应的多个直角坐标系；

步骤七，对图像进行ROI定位，定位到线对图测试卡上需要判断识别的线对；

步骤八，对于定位到的线对进行边缘检测计算，计算线对上能够识别的黑白线间隔，输出对应的检测数值；

步骤九，针对待检测网络摄像机产品的规格参数设置清晰度强度值标准，将待测摄像机的检测数值与清晰度强度值标准进行比较判断。

进一步地，所述第二算法包括如下步骤：

步骤一，获取图像原始通道数据，包括对视频图像进行解码，提取特征并显示特征图，令视频图像特征可视化；

步骤二，对图像原始通道数据进行阈值化处理，包括根据视频图像中相邻像素之间的灰度值差异设置灰度值阈值，分别将视频图像中像素灰度值与该阈值进行比较，大于此阈值标准落在像素范围内的为前景图像，其余像素为背景，提取出目标区域中前景图像的二值图像；

步骤三，对二值图像进行粒子过滤，消除圆形孔洞周边光晕之外的杂光干扰，得到新的视频图像；

步骤四，保留视频图像的核心区域，对其余边缘部分进行裁剪；

步骤五，对步骤四中视频图像的核心区域的圆形孔洞位置，进行粒子分析，通过计算圆形光斑中亮度值最大的像素点，得到圆形光斑对应的圆心坐标点，依照从上到下、从左到右的顺序，依次对核心区域剩余的视频图像做相同粒子分析处理；

步骤六，根据粒子分析结果找到的圆心坐标点，分别建立对应的直角坐标系，依照从上到下、从左到右的顺序，依次对其他圆形光斑的圆心坐标点位置分别建立同样的直角坐标系；

步骤七，依据对应的圆心坐标点，进行视频图像的圆形光斑区域的边缘检测，计算此圆形光斑区域的面积和长宽比，输出对应的数值；

步骤八，针对待检测网络摄像机产品的规格参数设置灯光图像的标准阈值，将待测摄像机的检测数值与标准阈值进行比较判断。

进一步地，所述线对图通过成像单元尺寸和图像像素设置，且其图案呈黑白相间，所述星洞图采用黑色背景，中间一定距离间隔的透明透光圆形孔洞。

进一步地，所述步骤三中的膨胀算子采用dilation_rectangle算子。

本发明的有益效果在于：

本发明通过搭建检测环境凸显图像缺陷，从而便于自动化分析图像质量，对视频监控设备的图像缺陷进行自动检测、自动定位和自动拦截，能够针对图像清晰度异常缺陷、图像画面灯光异常缺陷进行缺陷智能检测，并且将不同类别的图像缺陷单独呈现，不仅确保了网络网络摄像机拍摄视频图像正常，而且提高了图像缺陷智能检测的准确度，另外，本发明构建的检测环境相互独立，可采用并行方式进行算法运算，有效地提高了图像缺陷智能检测效率。

附图说明

图1为本发明的步骤示意图；

图2为本发明中第一算法步骤一的图像解码示意图；

图3为本发明中第一算法步骤二的图像阈值化处理示意图；

图4为本发明中第一算法步骤三的图像边缘膨胀示意图；

图5为本发明中第一算法步骤四的图像核心区域示意图；

图6为本发明中第一算法步骤五的图像直边示意图；

图7为本发明中第一算法步骤六的建立直角坐标系示意图；

图8为本发明中第一算法步骤七的ROI定位示意图；

图9为本发明中第一算法步骤八的边缘检测计算示意图；

图10为本发明中第一算法步骤九的判断结果示意图；

图11为本发明中第二算法步骤一的灯光图像异常缺陷示意图；

图12为本发明中第二算法步骤二的图像阈值化处理示意图；

图13为本发明中第一算法步骤四的图像粒子分析示意图。

具体实施方式

下面结合附图与实施例对本发明的技术方案进行相关说明。

利用本发明测试500W像素、定焦4MM的网络摄像机图像缺陷，具体包括如下步骤：

步骤一，制作测试卡，测试卡包括线对图和星洞图，并将测试卡通过菲林卡印刷出来；

其中，线对图通过成像单元尺寸和图像像素设置，且其图案呈黑白相间，具体地，针对不同网络摄像机产品所采用镜头规格、图像采集成像单元、清晰度功能设定的不同，将图像画面像素设定为500W，星洞图采用黑色背景，中间一定距离间隔的透明透光圆形孔洞，其中黑色背景无法透光、圆形孔洞可均匀透光；

步骤二，构建检测环境，所述检测环境包括在密封环境下设置平面均匀照度的光源，并将测试卡张贴于光源表面，以凸显图像缺陷效果；

步骤三，利用待检测网络摄像机拍摄步骤二中的测试卡，采集一段原始视频图像；

步骤四，利用并行方式调取第一算法和第二算法，同时对步骤三中的视频图像进行检测，其中，所述第一算法用于分析图像清晰度异常缺陷，如视频图像半边糊、中心糊、边角糊等，所述第二算法用于分析灯光图像异常缺陷，如视频图像灯光拖尾、灯光发粗、灯管旁边重影等。

具体地，第一算法包括如下步骤：

步骤一，对视频图像进行解码，提取特征并显示特征图，令视频图像特征可视化，如图2所示；

步骤二，对采集到的原始图像进行阈值化处理，调整图像灰度值、强化凸显需要抓取的特征，将图像背景转化为黑色、测试卡上的线对凸显为白色，如图3所示。对图像原始通道数据进行阈值化处理，根据视频图像中相邻像素之间的灰度值差异设置灰度值阈值，阈值设置为90，分别将视频图像中像素实际灰度值与该阈值进行比较，小于此阈值标准落在像素范围内的为前景图像，其余为背景，提取出目标区域中前景图像的二值图像；

步骤三，采用dilation_rectangle算子对二值图像的区域边缘进行膨胀，得到边缘平滑的视频图像，得到图像如图4所示；

步骤四，保留步骤三中视频图像的核心区域，对其余边缘部分进行裁剪，避免对下一步的操作形成干扰，得到图像如图5所示；

步骤五，对步骤四中的核心区域视频图像的左上位置图像进行找直边计算，寻找对应的直角边，依照从上到下、从左到右、最后到中间的顺序，依次对核心区域剩余的视频图像做相同计算处理，得到图像如图6所示；

步骤六，根据多个直角边分别建立对应的5个直角坐标系，按照左上、左下、右上、右下和中间的顺序，5个直角坐标系的相对坐标原点分别为：（201.53,184.87）、（214.02，931.58）、（1620.78,171.61）、（1620.38,932.97）和（718.18,404.12），得到图像如图7所示；

步骤七，基于直角坐标系，对图像进行ROI定位，定位到线对图测试卡上需要判断识别的线对，得到图像如图8所示；

步骤八，对于定位到的线对进行边缘检测计算，计算线对上能够识别的黑白线间隔，输出对应的检测数值，按照左上、左下、右上、右下和中间的顺序，五个直角坐标系中分别检测到的横线和竖线的条数为：左上=横线247、竖线242，左下=横线241、竖线243，右下=横线240、竖线252，右上=横线252、竖线244，中间=227、246、250、251，上边边缘=238，下边边缘=251，左边边缘=180，右边边缘=190，得到图像如图9所示；

步骤九，针对500W、定焦4MM这一规格参数的网络摄像机设置清晰度强度值标准，强度值标准为：四角＞180，中心＞200，边缘＞160，四角差值＜100，中心差值＜80，边缘差值＜100，以上数值均采用实际黑白间隔数，将待测摄像机检测数值与清晰度强度值标准进行比较判断，得到图像如图10所示。

具体地，本发明中测试软件采用Imatest系统，图像阈值化处理采用OTSU算法，若系统判断符合强度值标准，则输出OK字样，代指此网络摄像机产品清晰度合格，若不符合强度值标准，则输出NG字样，代指此网络摄像机产品清晰度异常缺陷，故此，经过第一算法检测后，该网络摄像机产品清晰度存在异常缺陷。

利用第二算法检测具有分析灯光图像异常缺陷的摄像头，具体包括如下步骤：

步骤一，获取图像原始通道数据，包括对视频图像进行解码，提取特征并显示特征图，令视频图像特征可视化，如图11所示为灯光拖尾视频图像；

步骤二，对图像原始通道数据进行阈值化处理，包括根据视频图像中相邻像素之间的灰度值差异设置灰度值阈值，阈值设置为85，分别将视频图像中像素灰度值与该阈值进行比较，大于此阈值标准落在像素范围内的为前景图像，其余像素为背景，提取出目标区域中前景图像的二值图像，得到图像如图12所示；

步骤三，对二值图像进行粒子过滤，消除圆形孔洞周边光晕之外的杂光干扰，得到新的视频图像；

步骤四，保留视频图像的核心区域，对其余边缘部分进行裁剪；

步骤五，对步骤四中视频图像的核心区域的圆形孔洞位置，进行粒子分析，通过计算圆形光斑中亮度值最大的像素点，得到圆形光斑对应的圆心坐标点，依照从上到下、从左到右的顺序，依次对核心区域剩余的视频图像做相同粒子分析处理，得到图像如图13所示；

步骤六，根据粒子分析结果找到的圆心坐标点，分别建立对应的直角坐标系，依照从上到下、从左到右的顺序，依次对其他圆形光斑的圆心坐标点位置分别建立同样的直角坐标系；

步骤七，依据对应的圆心坐标点，进行视频图像的圆形光斑区域的边缘检测，计算此圆形光斑区域的面积和长宽比，输出对应的数值，其中，左上区域含有三个光斑，其面积分别为：8368、12142、18047，左下区域含有三个光斑，其面积分别为：8761、12634、18654，右下区域含有三个光斑，其面积分别为：9259、13735、19666，右上区域含有三个光斑，其面积分别为：9084、13072、18896，左上区域三个光斑的长宽比分别为：1.31394、1.31213、1.29516，左下区域三个光斑的长宽比分别为：1.31247、1.26742、1.31255，右下区域三个光斑的长宽比分别为：1.32737、1.30753、1.3414，右上区域三个光斑的长宽比分别为：1.3439、1.34368、1.36819，整理如下表所示：

步骤八，针对500W、定焦4MM这一规格参数的网络摄像机设置灯光图像标准阈值，标准阈值包括：圆形光斑面积＜23000像素、长宽比＜1.6，将待测摄像机检测数值与灯光图像标准阈值进行比较判断，若系统判断符合灯光图像标准阈值，则输出OK字样，代指此网络摄像机产品灯光图像合格，若不符合灯光图像标准阈值，则输出NG字样，代指此网络摄像机产品灯光图像异常缺陷，故此，经过第二算法检测后，该网络摄像机产品灯光图像合格。

Claims (2)

1.一种用于网络摄像机的图像缺陷智能检测方法，其特征在于，包括如下步骤：

步骤一，制作测试卡，所述测试卡包括线对图和星洞图，并将测试卡通过菲林卡印刷；所述线对图通过成像单元尺寸和图像像素设置，且其图案呈黑白相间，所述星洞图采用黑色底板，所述黑色底板的中部嵌套有圆形孔洞；

步骤二，构建检测环境，所述检测环境包括在密闭环境下设置平面均匀照度的光源，并将测试卡张贴于光源表面，以凸显图像缺陷效果；

步骤三，利用网络摄像机拍摄步骤二中的测试卡，采集视频图像；

步骤四，利用并行方式调取第一算法和第二算法，同时对步骤三中的视频图像进行检测，其中，所述第一算法用于分析图像清晰度异常缺陷，所述第二算法用于分析灯光图像异常缺陷；

所述第一算法包括如下步骤：

步骤一，获取图像原始通道数据，包括对视频图像进行解码，提取特征并显示特征图，令视频图像特征可视化；

步骤二，对图像原始通道数据进行阈值化处理，根据视频图像中相邻像素之间的灰度值差异设置灰度值阈值，分别将视频图像中像素实际灰度值与灰度值阈值进行比较，小于灰度值阈值标准、且落在像素范围内的为前景图像，其余为背景，提取出目标区域中前景图像的二值图像；

步骤三，使用膨胀算子对二值图像的区域边缘进行膨胀，得到边缘平滑的视频图像；

步骤四，保留视频图像的核心区域，对其余边缘部分进行裁剪；

步骤五，对视频图像的核心区域的左上位置进行找直边计算，寻找对应的直角边，依照从上到下、从左到右、边缘到中间的顺序，依次对核心区域剩余的视频图像做相同计算处理；

步骤六，根据多个直角边分别建立对应的多个直角坐标系；

步骤七，对图像进行ROI定位，定位到线对图测试卡上需要判断识别的线对；

步骤八，对于定位到的线对进行边缘检测计算，计算线对上能够识别的黑白线间隔，输出对应的检测数值；

步骤九，针对待检测网络摄像机产品的规格参数，设置清晰度强度值标准，将待测摄像机的检测数值与清晰度强度值标准进行比较判断；

所述第二算法包括如下步骤：

步骤一，获取图像原始通道数据，包括对视频图像进行解码，提取特征并显示特征图，令视频图像特征可视化；

步骤二，对图像原始通道数据进行阈值化处理，根据视频图像中相邻像素之间的灰度值差异设置灰度值阈值，分别将视频图像中像素灰度值与灰度值阈值进行比较，大于此阈值标准、且落在像素范围内的为前景图像，其余为背景，提取出目标区域中前景图像的二值图像；

步骤三，对二值图像进行粒子过滤，消除圆形孔洞周边光晕之外的杂光干扰，得到新的视频图像；

步骤四，保留视频图像的核心区域，对其余边缘部分进行裁剪；

步骤五，对视频图像核心区域的圆形孔洞位置进行粒子分析，通过计算圆形光斑中亮度值最大的像素点，得到圆形光斑对应的圆心坐标点，依照从上到下、从左到右的顺序，依次对核心区域剩余的视频图像做相同粒子分析处理；

步骤六，根据粒子分析结果找到的圆心坐标点，分别建立对应的直角坐标系，依照从上到下、从左到右的顺序，依次对其他圆形光斑的圆心坐标点位置分别建立同样的直角坐标系；

步骤七，依据对应的圆心坐标点，进行视频图像的圆形光斑区域的边缘检测，计算此圆形光斑区域的面积和长宽比，输出对应的数值；

步骤八，针对待检测网络摄像机产品的规格参数设置灯光图像的标准阈值，将待测摄像机的检测数值与标准阈值进行比较判断。

2.根据权利要求1所述的一种用于网络摄像机的图像缺陷智能检测方法，其特征在于，所述第一算法步骤三中的膨胀算子采用dilation_rectangle算子。