CN114155241A - 一种异物检测方法、装置及电子设备 - Google Patents

一种异物检测方法、装置及电子设备 Download PDF

Info

Publication number
CN114155241A
CN114155241A CN202210106873.5A CN202210106873A CN114155241A CN 114155241 A CN114155241 A CN 114155241A CN 202210106873 A CN202210106873 A CN 202210106873A CN 114155241 A CN114155241 A CN 114155241A
Authority
CN
China
Prior art keywords
image
value
pixel points
layer
total number
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
CN202210106873.5A
Other languages
English (en)
Inventor
陶家威
朱斌才
王丹
白晨阳
张剑荣
吕海岳
田文博
潘子贤
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.)
Zhejiang Huaray Technology Co Ltd
Original Assignee
Zhejiang Huaray 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 Zhejiang Huaray Technology Co Ltd filed Critical Zhejiang Huaray Technology Co Ltd
Priority to CN202210106873.5A priority Critical patent/CN114155241A/zh
Publication of CN114155241A publication Critical patent/CN114155241A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种异物检测方法、装置及电子设备，该方法包括：获得二值化图像以及所述二值化图像中每个像素点对应的灰度值，将具有相同灰度值的像素点归为一类，并统计出每个灰度值对应的像素点的总数量值，并将所有总数量值中的最大总数量值作为阈值，基于所述二值化图像中的目标像素点的总数量值与所述阈值的关系，确定出所述图像采集设备中是否有异物。通过上述描述的方法，通过统计出二值化图像中的目标像素点的总数量值与阈值的关系，确定图像采集设备中是否有灰尘，避免了计算二值化图像中每个像素点的像素平均值，提高了检测图像采集设备中的是否有异物的效率。

Description

一种异物检测方法、装置及电子设备
技术领域
本申请涉及图像处理技术领域，尤其涉及一种异物检测方法、装置及电子设备。
背景技术
随着图像采集设备的分辨率越来越高，用户开始追求更高分辨率的图像，图像由图像采集设备中的传感器捕捉被拍摄物体的光线得到，当图像采集设备中的传感器或者镜头上粘附了较多异物，将会导致图像采集设备采集的图像中带有暗区，进而使得图像采集设备采集到的图像不清晰。
为了检测图像采集设备中的镜头以及传感器上是否有异物，采用的方法是将待测相机对白色平面进行拍照，得到测试图像，对测试图像进行滤波处理，得到滤波图像，并根据测试图像及滤波图像，得到差值图像，根据差值图像计算阈值，并对所述差值图像进行阈值处理，以实现异物检测。
在根据差值图像计算阈值的过程中，需要计算测试图像中的像素点对应的像素均值，分别计算出水平方向上的水平像素均值以及垂直方向上的垂直像素均值，再计算该水平像素均值以及垂直像素均值的均值，得到像素点的第一像素均值，再计算出水平方向上不同角度的像素均值，基于多个角度的像素均值，获得第二像素均值，最后，基于第一像素均值以及第二像素均值计算出阈值，从上述的计算过程来看，需要从不同的角度计算像素均值，由于图像中像素点数量庞大，因此现有对图像采集设备上的异物进行检测的效率较低。
发明内容
本申请提供了一种异物检测方法、装置及电子设备，通过统计二值化图像中目标像素点的总数量值与阈值的关系，确定出图像采集设备中是否有异物，避免了计算二值化图像中每个像素点的像素均值，能够快速检测出图像中的异物。
第一方面，本申请提供了一种异物检测方法，所述方法包括：
获得二值化图像以及所述二值化图像中每个像素点对应的灰度值；
将具有相同灰度值的像素点归为一类，并统计出每个灰度值对应的像素点的总数量值，并将所有总数量值中的最大总数量值作为阈值；
基于所述二值化图像中的目标像素点的总数量值与所述阈值的关系，确定出所述图像采集设备中是否有异物。
在一种可能的设计中，获得二值化图像，包括：
获得初始图像，调整所述初始图像的分辨率，获得所述初始图像对应的第一图像；
将所述第一图像输入卷积神经网络模型中进行二值化处理，获得所述第一图像对应的二值化图像。
在一种可能的设计中，将所述第一图像输入卷积神经网络模型中进行二值化处理，获得所述第一图像对应的二值化图像，包括：
将所述第一图像输入卷积神经网络模型中，获得所述第一图像对应的红色图层、蓝色图层、绿色图层；
提取出各个图层中的每个像素点对应的灰度值，基于所述灰度值在所述红色图层、蓝色图层、绿色图层中筛选出目标图层；
将所述目标图层进行二值化处理，获得所述目标图层对应的二值化图像。
在一种可能的设计中，基于所述灰度值在所述红色图层、蓝色图层、绿色图层中筛选出目标图层，包括：
基于相同的灰度值对各个图层中的所有像素点进行分类，统计出每个灰度值对应的像素点的数量值，获得每个图层中所述灰度值对应的目标值；
按照预设排列顺序对所述目标值进行排序，筛选出最大目标值对应的图层，并将筛选出的图层作为目标图层。
在一种可能的设计中，基于所述二值化图像中的目标像素点的总数量值与阈值的关系，确定出所述图像采集设备中是否有异物，包括：
当所述白色像素点的总数量值超过阈值时，显示异物不存在的响应信息；或
当所述白色像素点的总数量值低于阈值时，显示异物存在的响应信息。
在一种可能的设计中，在显示异物存在的响应信息之后，包括：
获取异物区域对应的异物像素点，提取所述异物像素点附近的指定区域对应的像素点，计算出所述指定区域的像素点的平均像素值；
按照所述平均像素值调整所述指定区域的像素点，获得指定区域像素点对应的平均像素点，并将所述平均像素点替换所述异物像素点。
第二方面，本申请提供了一种异物检测装置，所述装置包括：
获得模块，用于获得二值化图像以及所述二值化图像中每个像素点对应的灰度值；
统计模块，用于将具有相同灰度值的像素点归为一类，并统计出每个灰度值对应的像素点的总数量值，并将所有总数量值中的最大总数量值作为阈值；
确定模块，用于基于所述二值化图像中的目标像素点的总数量值与所述阈值的关系，确定出所述图像采集设备中是否有异物。
在一种可能的设计中，所述获得模块，具体用于获得初始图像，调整所述初始图像的分辨率，获得所述初始图像对应的第一图像，将所述第一图像输入卷积神经网络模型中进行二值化处理，获得所述第一图像对应的二值化图像。
在一种可能的设计中，所述获得模块，还用于将所述第一图像输入卷积神经网络模型中，获得所述第一图像对应的红色图层、蓝色图层、绿色图层，提取出各个图层中的每个像素点对应的灰度值，基于所述灰度值在所述红色图层、蓝色图层、绿色图层中筛选出目标图层，将所述目标图层进行二值化处理，获得所述目标图层对应的二值化图像。
在一种可能的设计中，所述获得模块，还用于基于相同的灰度值对各个图层中的所有像素点进行分类，统计出每个灰度值对应的像素点的数量值，获得每个图层中所述灰度值对应的目标值，按照预设排列顺序对所述目标值进行排序，筛选出最大目标值对应的图层，并将筛选出的图层作为目标图层。
在一种可能的设计中，所述确定模块，具体用于当所述白色像素点的总数量值超过阈值时，显示异物不存在的响应信息，或当所述白色像素点的总数量值低于阈值时，显示异物存在的响应信息。
在一种可能的设计中，所述确定模块，还用于获取异物区域对应的异物像素点，提取所述异物像素点附近的指定区域对应的像素点，计算出所述指定区域的像素点的平均像素值，按照所述平均像素值调整所述指定区域的像素点，获得指定区域像素点对应的平均像素点，并将所述平均像素点替换所述异物像素点。
第三方面，本申请提供了一种电子设备，包括：
存储器，用于存放计算机程序；
处理器，用于执行所述存储器上所存放的计算机程序时，实现上述的一种异物检测方法步骤。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种异物检测方法步骤。
上述第一方面至第四方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明，这里不再重复赘述。
附图说明
图1为本申请提供的一种异物检测方法步骤的流程图；
图2为本申请提供的一种异物检测装置的结构示意图；
图3为本申请提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是，在本申请的描述中“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。A与B连接，可以表示：A与B直接连接和A与B通过C连接这两种情况。另外，在本申请的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
在以往的技术中，为了检测出图像采集设备中是否有异物，采用的方式是用图像采集设备采集白色背景的图像，获得采集的图像对应的二值化图像，再从多个角度计算出二值化图像中每个像素点对应的像素均值，最后，基于像素均值计算出阈值，由于图像中像素点数量庞大，因此现有对图像采集设备上的异物进行检测的效率较低。
为了提高检测图像采集设备上的异物的效率，本申请实施例提供了一种异物检测方法，用以提高检测出图像采集设备上的异物的效率。其中，本申请实施例所述方法和装置基于同一技术构思，由于方法及装置所解决问题的原理相似，因此装置与方法的实施例可以相互参见，重复之处不再赘述。
下面结合附图，对本申请实施例进行详细描述。
参照图1，本申请提供了一种异物检测方法，该方法可以提高检测出图像采集设备上的异物的效率，该方法的实现流程如下：
步骤S1：获得二值化图像以及所述二值化图像中每个像素点对应的灰度值。
检测图像采集设备中是否有异物时，由于无法对图像采集设备进行检测，因此，需要图像采集设备采集纯色背景的图像，将获得的纯色背景的图像作为初始图像，在本申请实施例中，异物可以为灰尘，如果图像采集设备中有灰尘，将会导致图像采集设备采集的图像中存在暗区，为了使暗区更加明显，需要调整初始图像的分辨率，使得初始图像中的暗区更加清晰，从而能够更加高效的检测出图像采集设备中的灰尘，将调整分辨率之后的初始图像作为第一图像。
获得初始图像对应的第一图像之后，由于第一图像中包含多种颜色，颜色与颜色之间的色阶不一致，因此，存在多种颜色混合造成检测出灰尘的准确性低的问题，为了避免多种颜色混合对异物检测准确度的影响，需要将第一图像变为黑白图像，本申请实施例中，将第一图像变为黑白图像的方法是将第一图像输入卷积神经网络模型，卷积神经网络模型中设置了三个通道，分别采集第一图像对应的红色图层、蓝色图层以及绿色图层，提取出每个图层中每个像素点的灰度值，并按照相同的灰度值对像素点进行分类，统计出每个灰度值对应的像素点数量值，将相同灰度值对应的像素点数量值按照从大到小的顺序进行排序，筛选出像素点数量值最大的灰度值，并将该灰度值作为该图层对应的目标值。
上述从每个图层中获得该图层的目标值之后，将各个图层对应的目标值按照从大到小的顺序进行排序，将最大目标值对应的图层作为目标图层，将该目标图层进行二值化处理，获得目标图层对应的二值化图像。
通过上述描述的方法，获得了初始图像对应的二值化图像以及二值化图像中的每个像素点对应的灰度值，能够基于灰度值确定出图像采集设备中是否有异物。
步骤S2：将具有相同灰度值的像素点归为一类，并统计出每个灰度值对应的像素点的总数量值，并将所有总数量值中的最大总数量值作为阈值。
在上述的描述中，已经获得了二值化图像，由于图像采集设备中的灰尘造成的是暗区，像素点对应的灰度值越高，代表该像素点的颜色越浅，因此，灰度值越高的像素点与灰尘对应的像素点的灰度值之间差距就越大，为了避免筛选出来的图层中灰尘对应的像素点与其他造成像素点之间的差异不明显，需要将相同灰度值的像素点归为一类，获得每个灰度值对应的像素点的总数量值，为了避免二值化图像中最大灰度值与最小灰度值的影响，需要将像素点的最大总数量值的作为阈值。
通过上述描述的方法，将像素点的总数量值最大的灰度值作为阈值，避免了二值化图像中的最大灰度值与最小灰度值的影响，在最大灰度值与最小灰度值之间选取了像素点的总数量值最大的灰度值，有利于检测出图像采集设备中的异物的准确度。
步骤S3：基于所述二值化图像中的目标像素点的总数量值与所述阈值的关系，确定出所述图像采集设备中是否有灰尘。
在上述的描述中，获得了二值化图像对应的阈值，为了准确判断出采集图像设备中是否有灰尘，需要统计出二值化图像中的目标像素点的总数量值，在本申请实施例中，目标像素点为白色像素点，当白色像素点的总数量值超过阈值时，则能够判定图像采集设备中存在灰尘，将显示灰尘存在的响应信息；当白色像素点的总数量值低于阈值时，则能够判定图像采集设备中不存在灰尘，将显示灰尘不存在的响应信息。
当确定出图像采集设备中存在灰尘之后，锁定灰尘造成的暗区对应的像素点，提取灰尘对应的像素点附近的指定区域对应的像素点，在本申请实施例中，像指定区域为灰尘对应的像素点的中心3*3的区域，指定区域的范围可根据实际情况进行调整，这里不做过多说明，其他范围参考本申请实施例。
获得指定区域对应的像素点之后，计算出指定区域的像素点的平均像素值，为了将灰尘对应的像素点的区域进行调整，减少初始图像中的暗区，需要基于平均像素值调整指定区域的像素点，将进行调整后的像素点作为平均像素点，最后，将平均像素点替换灰尘对应的像素点。
通过上述描述的方法，将初始图像调整分辨率之后输入卷积神经网络模型中，筛选出灰度值对应的像素点的数量值最大的图层，确保了该灰度值接近该图层的平均灰度值，使得基于该灰度值获得阈值更加准确，并且，基于二值化图像中的目标像素点与阈值的关系，确定图像采集设备中是否存在异物，避免了大量繁杂的计算，减少了检测图像采集设备中是否存在异物的时间，提高了检测图像采集设备中是否存在异物的效率。
基于同一发明构思，本申请实施例中还提供了一种异物检测装置，该异物检测装置用于实现了一种异物检测方法的功能，参照图2，所述装置包括：
获得模块201，用于获得二值化图像以及所述二值化图像中每个像素点对应的灰度值；
统计模块202，用于将具有相同灰度值的像素点归为一类，并统计出每个灰度值对应的像素点的总数量值，并将所有总数量值中的最大总数量值作为阈值；
确定模块203，用于基于所述二值化图像中的目标像素点的总数量值与所述阈值的关系，确定出所述图像采集设备中是否有灰尘。
在一种可能的设计中，所述获得模块201，具体用于获得初始图像，调整所述初始图像的分辨率，获得所述初始图像对应的第一图像，将所述第一图像输入卷积神经网络模型中进行二值化处理，获得所述第一图像对应的二值化图像。
在一种可能的设计中，所述获得模块201，还用于将所述第一图像输入卷积神经网络模型中，获得所述第一图像对应的红色图层、蓝色图层、绿色图层，提取出各个图层中的每个像素点对应的灰度值，基于所述灰度值在所述红色图层、蓝色图层、绿色图层中筛选出目标图层，将所述目标图层进行二值化处理，获得所述目标图层对应的二值化图像。
在一种可能的设计中，所述获得模块201，还用于基于相同的灰度值对各个图层中的所有像素点进行分类，统计出每个灰度值对应的像素点的数量值，获得每个图层中所述灰度值对应的目标值，按照预设排列顺序对所述目标值进行排序，筛选出最大目标值对应的图层，并将筛选出的图层作为目标图层。
在一种可能的设计中，所述确定模块203，具体用于当所述白色像素点的总数量值超过阈值时，显示灰尘不存在的响应信息，或当所述白色像素点的总数量值低于阈值时，显示灰尘存在的响应信息。
在一种可能的设计中，所述确定模块203，还用于获取灰尘区域对应的灰尘像素点，提取所述灰尘像素点附近的指定区域对应的像素点，计算出所述指定区域的像素点的平均像素值，按照所述平均像素值调整所述指定区域的像素点，获得指定区域像素点对应的平均像素点，并将所述平均像素点替换所述灰尘像素点。
基于同一发明构思，本申请实施例中还提供了一种电子设备，所述电子设备可以实现前述一种异物检测装置的功能，参考图3，所述电子设备包括：
至少一个处理器301，以及与至少一个处理器301连接的存储器302，本申请实施例中不限定处理器301与存储器302之间的具体连接介质，图3中是以处理器301和存储器302之间通过总线300连接为例。总线300在图3中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线300可以分为地址总线、数据总线、控制总线等，为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。或者，处理器301也可以称为控制器，对于名称不做限制。
在本申请实施例中，存储器302存储有可被至少一个处理器301执行的指令，至少一个处理器301通过执行存储器302存储的指令，可以执行前文论述的一种异物检测方法。处理器301可以实现图2所示的装置中各个模块的功能。
其中，处理器301是该装置的控制中心，可以利用各种接口和线路连接整个该控制设备的各个部分，通过运行或执行存储在存储器302内的指令以及调用存储在存储器302内的数据，该装置的各种功能和处理数据，从而对该装置进行整体监控。
在一种可能的设计中，处理器301可包括一个或多个处理单元，处理器301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。在一些实施例中，处理器301和存储器302可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器301可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的一种异物检测方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器302可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器302是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器302还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
通过对处理器301进行设计编程，可以将前述实施例中介绍的一种异物检测方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行图1所示的实施例的一种异物检测步骤。如何对处理器301进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行前文论述的一种异物检测方法。
在一些可能的实施方式中，本申请提供一种异物检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在装置上运行时，程序代码用于使该控制设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种异物检测方法中的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种异物检测方法，其特征在于，包括：
获得二值化图像以及所述二值化图像中每个像素点对应的灰度值；
将具有相同灰度值的像素点归为一类，并统计出每个灰度值对应的像素点的总数量值，并将所有总数量值中的最大总数量值作为阈值；
基于所述二值化图像中的目标像素点的总数量值与所述阈值的关系，确定出所述图像采集设备中是否有异物。
2.如权利要求1所述的方法，其特征在于，获得二值化图像，包括：
获得初始图像，调整所述初始图像的分辨率，获得所述初始图像对应的第一图像；
将所述第一图像输入卷积神经网络模型中进行二值化处理，获得所述第一图像对应的二值化图像。
3.如权利要求1所述的方法，其特征在于，将所述第一图像输入卷积神经网络模型中进行二值化处理，获得所述第一图像对应的二值化图像，包括：
将所述第一图像输入卷积神经网络模型中，获得所述第一图像对应的红色图层、蓝色图层、绿色图层；
提取出各个图层中的每个像素点对应的灰度值，基于所述灰度值在所述红色图层、蓝色图层、绿色图层中筛选出目标图层；
将所述目标图层进行二值化处理，获得所述目标图层对应的二值化图像。
4.如权利要求3所述的方法，其特征在于，基于所述灰度值在所述红色图层、蓝色图层、绿色图层中筛选出目标图层，包括：
基于相同的灰度值对各个图层中的所有像素点进行分类，统计出每个灰度值对应的像素点的数量值，获得每个图层中所述灰度值对应的目标值；
按照预设排列顺序对所述目标值进行排序，筛选出最大目标值对应的图层，并将筛选出的图层作为目标图层。
5.如权利要求1所述的方法，其特征在于，基于所述二值化图像中的目标像素点的总数量值与阈值的关系，确定出所述图像采集设备中是否有异物，包括：
当所述白色像素点的总数量值超过阈值时，显示异物不存在的响应信息；或
当所述白色像素点的总数量值低于阈值时，显示异物存在的响应信息。
6.如权利要求5所述的方法，其特征在于，在显示异物存在的响应信息之后，包括：
获取异物区域对应的异物像素点，提取所述异物像素点附近的指定区域对应的像素点，计算出所述指定区域的像素点的平均像素值；
按照所述平均像素值调整所述指定区域的像素点，获得指定区域像素点对应的平均像素点，并将所述平均像素点替换所述异物像素点。
7.一种异物检测装置，其特征在于，包括：
获得模块，用于获得二值化图像以及所述二值化图像中每个像素点对应的灰度值；
统计模块，用于将具有相同灰度值的像素点归为一类，并统计出每个灰度值对应的像素点的总数量值，并将所有总数量值中的最大总数量值作为阈值；
确定模块，用于基于所述二值化图像中的目标像素点的总数量值与所述阈值的关系，确定出所述图像采集设备中是否有异物。
8.如权利要求7所述的装置，其特征在于，所述获得模块，具体用于获得初始图像，调整所述初始图像的分辨率，获得所述初始图像对应的第一图像，将所述第一图像输入卷积神经网络模型中进行二值化处理，获得所述第一图像对应的二值化图像。
9.一种电子设备，其特征在于，包括：
存储器，用于存放计算机程序；
处理器，用于执行所述存储器上所存放的计算机程序时，实现权利要求1-6任一项所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法步骤。
CN202210106873.5A 2022-01-28 2022-01-28 一种异物检测方法、装置及电子设备 Pending CN114155241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210106873.5A CN114155241A (zh) 2022-01-28 2022-01-28 一种异物检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210106873.5A CN114155241A (zh) 2022-01-28 2022-01-28 一种异物检测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114155241A true CN114155241A (zh) 2022-03-08

Family

ID=80449964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210106873.5A Pending CN114155241A (zh) 2022-01-28 2022-01-28 一种异物检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114155241A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496759A (zh) * 2022-11-17 2022-12-20 歌尔股份有限公司 灰尘检测方法和装置、存储介质
CN117197006A (zh) * 2023-09-27 2023-12-08 上海世禹精密设备股份有限公司 区域过滤方法、装置、电子设备及计算机可读存储介质
CN117409263A (zh) * 2023-12-15 2024-01-16 成都时代星光科技有限公司 一种无人机自动图像校正引导降落方法和计算机存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127817A (zh) * 2016-06-28 2016-11-16 广东工业大学 一种基于通道的图像二值化方法
CN107610066A (zh) * 2017-09-21 2018-01-19 电子科技大学 一种叶面积指数测量方法
CN107657606A (zh) * 2017-09-18 2018-02-02 深圳市华星光电半导体显示技术有限公司 一种显示装置的亮度缺陷检测方法与装置
CN110149486A (zh) * 2019-05-17 2019-08-20 凌云光技术集团有限责任公司 一种新增异常点的自动检测方法、校正方法及系统
CN110348461A (zh) * 2019-07-05 2019-10-18 江苏海事职业技术学院 一种工件表面缺陷特征提取方法
US20200082208A1 (en) * 2018-09-06 2020-03-12 International Business Machines Corporation Image binarization using mean restrain
CN111523419A (zh) * 2020-04-13 2020-08-11 北京巨视科技有限公司 一种机动车尾气排放视频检测方法和装置
CN113343841A (zh) * 2021-06-03 2021-09-03 国网北京市电力公司 电力隧道异常情况的确定方法和装置
CN113724257A (zh) * 2021-11-01 2021-11-30 常州市宏发纵横新材料科技股份有限公司 一种碳板灰色污点检测方法、计算机设备及存储介质
CN113902697A (zh) * 2021-09-30 2022-01-07 深圳中科飞测科技股份有限公司 缺陷检测方法及相关装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127817A (zh) * 2016-06-28 2016-11-16 广东工业大学 一种基于通道的图像二值化方法
CN107657606A (zh) * 2017-09-18 2018-02-02 深圳市华星光电半导体显示技术有限公司 一种显示装置的亮度缺陷检测方法与装置
CN107610066A (zh) * 2017-09-21 2018-01-19 电子科技大学 一种叶面积指数测量方法
US20200082208A1 (en) * 2018-09-06 2020-03-12 International Business Machines Corporation Image binarization using mean restrain
CN110149486A (zh) * 2019-05-17 2019-08-20 凌云光技术集团有限责任公司 一种新增异常点的自动检测方法、校正方法及系统
CN110348461A (zh) * 2019-07-05 2019-10-18 江苏海事职业技术学院 一种工件表面缺陷特征提取方法
CN111523419A (zh) * 2020-04-13 2020-08-11 北京巨视科技有限公司 一种机动车尾气排放视频检测方法和装置
CN113343841A (zh) * 2021-06-03 2021-09-03 国网北京市电力公司 电力隧道异常情况的确定方法和装置
CN113902697A (zh) * 2021-09-30 2022-01-07 深圳中科飞测科技股份有限公司 缺陷检测方法及相关装置
CN113724257A (zh) * 2021-11-01 2021-11-30 常州市宏发纵横新材料科技股份有限公司 一种碳板灰色污点检测方法、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁雄: "基于机器视觉的摄像头模组缺陷检测系统研究", 《中国优秀博硕士论文全文数据库（硕士） 信息科技辑》 *
龙亮亮 等: "基于机器视觉的玻璃马赛克缺陷在线检测系统", 《机械设计与制造》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496759A (zh) * 2022-11-17 2022-12-20 歌尔股份有限公司 灰尘检测方法和装置、存储介质
CN117197006A (zh) * 2023-09-27 2023-12-08 上海世禹精密设备股份有限公司 区域过滤方法、装置、电子设备及计算机可读存储介质
CN117197006B (zh) * 2023-09-27 2024-05-10 上海世禹精密设备股份有限公司 区域过滤方法、装置、电子设备及计算机可读存储介质
CN117409263A (zh) * 2023-12-15 2024-01-16 成都时代星光科技有限公司 一种无人机自动图像校正引导降落方法和计算机存储介质
CN117409263B (zh) * 2023-12-15 2024-04-05 成都时代星光科技有限公司 一种无人机自动图像校正引导降落方法和计算机存储介质

Similar Documents

Publication Publication Date Title
CN114155241A (zh) 一种异物检测方法、装置及电子设备
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN111246204B (zh) 一种基于相对亮度偏差的脏污检测方法和装置
CN111179253B (zh) 一种产品缺陷检测方法、装置与系统
CN111060520B (zh) 一种产品缺陷检测方法、装置与系统
CN108133215B (zh) 一种处理单元
CN108776819A (zh) 一种目标识别方法、移动终端及计算机可读存储介质
CN111044525A (zh) 一种产品缺陷检测方法、装置与系统
WO2019206208A1 (zh) 基于机器学习的眼底图像检测方法、装置及系统
CN113658192B (zh) 一种多目标行人的轨迹获取方法、系统、装置及介质
CN110533654A (zh) 零部件的异常检测方法及装置
CN111325717B (zh) 手机缺陷位置识别方法及设备
CN105869175A (zh) 一种图像分割方法及系统
CN111008561A (zh) 一种牲畜的数量确定方法、终端及计算机存储介质
CN112927247A (zh) 基于目标检测的切图方法、切图装置和存储介质
CN111582032A (zh) 行人检测方法、装置、终端设备及存储介质
CN113554008A (zh) 静态物体区域内检测方法、装置、电子设备及存储介质
CN108107611B (zh) 一种自适应缺陷检测方法、装置及电子设备
TW201911230A (zh) 監控方法、計算裝置及電腦可讀存儲介質
CN111178445A (zh) 图像处理方法及装置
CN114078127A (zh) 物件的缺陷检测及计数方法、装置、设备和存储介质
CN109948436A (zh) 一种监控道路上车辆的方法及装置
JP7251426B2 (ja) 付着物検出装置および付着物検出方法
CN115760854A (zh) 基于深度学习的电力设备缺陷检测方法、装置及电子设备
CN115761270A (zh) 色卡的检测方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220308

RJ01 Rejection of invention patent application after publication