CN114354623A - 弱印痕提取算法、装置、设备和介质 - Google Patents
弱印痕提取算法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114354623A CN114354623A CN202111651789.3A CN202111651789A CN114354623A CN 114354623 A CN114354623 A CN 114354623A CN 202111651789 A CN202111651789 A CN 202111651789A CN 114354623 A CN114354623 A CN 114354623A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- pixel
- sub
- weak
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 230000007547 defect Effects 0.000 claims abstract description 146
- 230000002950 deficient Effects 0.000 claims abstract description 76
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 239000003623 enhancer Substances 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 39
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000007373 indentation Methods 0.000 description 6
- 238000004080 punching Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种弱印痕提取算法、装置、设备和介质。根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像;根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像;提取所述增强子图像中的缺陷像素,得到备选缺陷区域;对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。可以通过增强子图像有效的提高弱印痕和待检测图像正常区域的对比度,从而提高弱印痕提取的准确度。
Description
技术领域
本发明实施例涉及印痕检测领域,尤其涉及一种弱印痕提取算法、装置、设备和介质。
背景技术
在图像处理领域,经常遇到在一定的背景下提取较弱的印痕缺陷。例如,在检测手机屏缺陷通常需要提取圆弧形状的印痕缺陷的轮廓,根据是否存在圆弧形状的印痕来判断该手机屏是否为良品,在印痕为弱印痕的情况下,由于印痕非常浅以及光学模组不稳定,会导致印痕的背景区域与印痕的对比度较低,无法准确的提取出较弱的印痕缺陷。因此,如何准确的提取出较弱的印痕缺陷是需要解决的问题。
发明内容
本发明实施例提供一种弱印痕提取算法、装置、设备和介质,以自动化的检测待检测设备上是否存在弱印痕,提高弱印痕提取的准确性。
第一方面,本发明实施例提供了一种弱印痕提取算法,其特征在于,包括:
根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像;
根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像;
提取所述增强子图像中的缺陷像素,得到备选缺陷区域;
对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
第二方面,本发明实施例还提供了一种弱印痕提取装置,该弱印痕提取装置包括:
待检测子图像提取模块,用于根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像;
增强子图像获取模块,用于根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像;
备选缺陷区域提取模块,用于提取所述增强子图像中的缺陷像素,得到备选缺陷区域;
弱印痕提取模块,用于对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
第三方面,本发明实施例还提供了一种弱印痕提取设备,该设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所述的弱印痕提取算法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的弱印痕提取算法。
本发明实施例通过提供一种弱印痕提取算法、装置、设备和介质。通过确定待检测图像中的待检测区域,提取出待检测子图像,并根据模板图像和待检测子图像确定辅助子图像,采用辅助子图像对待检测图像进行处理,获得与待检测图像对比度更明显的增强子图像,根据增强子图像和待检测图像可以提取出增强子图像中的缺陷像素,通过缺陷像素的位置确定备选缺陷区域,再对备选缺陷区域中的像素进行筛选,确定弱印痕区域对应的像素在增强图像和待检测图像中的位置,并根据弱印痕区域对应的像素的位置,得到弱印痕的提取结果。解决了在待检设备上存在与正常区域对比度不大的弱印痕区域时,无法检测出弱印痕区域导致对设备质量检查时存在漏检的问题。通过提取待检测子图像的方式可以缩小弱印痕的检测范围,提高弱印痕的检测效率,同时通过获取增强子图像可以增大压痕区域和待检测图像上非压痕区域的对比度,可以更精准的检测出待检测图像中弱印痕所在的位置,提高印痕检测精度。
附图说明
图1为本发明实施例一提供的一种弱印痕提取算法流程图;
图2为本发明实施例提供的从待检测图像中提取待检测子图像的示例图;
图3为本发明实施例提供的待检测子图像示例图;
图4为本发明实施例提供的增强子图像示例图;
图5为本发明实施例提供的提取备选缺陷区域示例图;
图6为本发明实施例二提供的一种弱印痕提取算法流程图;
图7为本发明实施例提供的缺陷区域像素筛选示例图;
图8为本发明实施例三提供的一种弱印痕提取算法流程图;
图9为本发明实施例四提供的一种弱印痕提取装置的结构示意图;
图10为本发明实施例五提供的一种弱印痕提取设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种弱印痕提取算法流程图,本实施例可适用于对一些物体上的弱印痕进行提取的情况,尤其适用于对一些物体上的圆形弱印痕进行提取的情况。该方法可以由本发明实施例提供的弱印痕提取装置来执行,该装置可以采用软件和/或硬件的方式来实现。该装置可配置于终端设备/服务器中,该方法具体包括:
S110、根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像。
其中,模板图像是指根据固定区域内的最大像素值自动生成无缺陷的图像,模板图像具有四个角点且边缘无破损。模板图像中的弱印痕区域是指模板图像所包含的区域中可能存在弱印痕的区域,例如摄像头冲孔附近区域。固定区域可以根据实际需要设置。待检测图像是指需要检测是否存在印痕的图像,待检测图像具有四个角点。待检测区域是指可能产生弱印痕的结构所在的区域,待检测子图像是从待检测图像中提取出的包含待检测区域的子图像。
具体的,确定待检测设备,采集待检测设备的历史检测图像,每一张历史检测图像的大小完全一致。根据待检测设备的历史检测图像,确定待检测设备无缺陷时采集到的历史检测图像中的每一个无缺陷像素的正常灰度值。将历史图像上的无缺陷像素按照无缺陷像素在历史检测图像中的位置进行拼接,得到模板图像,模板图像上每一个像素的位置对应历史检测图像上该像素的位置,且模板图像中的像素数目和历史检测图像的像素数目相同。采用图像采集设备采集当前待检测设备的图像,获得待检测图像,从待检测图像中提取待检测设备中可能产生弱印痕的区域的图像作为待检测子图像,可能产生弱印痕的区域作为待检测区域。
示例性的,若待检测设备是智能手机,智能手机的摄像头冲孔所在的区域容易产生圆形印痕,需要确定智能手机的屏幕和摄像头冲孔周围区域是否存在印痕。采集智能手机的历史检测图像,确定智能手机的历史检测图像在无缺陷时每一个无缺陷像素的正常灰度值,并将无缺陷像素按照无缺陷像素在智能手机的历史检测图像中的位置进行拼接,得到模板图像。如图2所示,图2为本发明实施例提供的从待检测图像中提取待检测子图像的示例图,图2(a)中虚线包围的区域为待检测子图像,图2(b)为待检测子图像的提取结果。采用图像采集设备采集当前待智能手机的图像,获得待检测图像,待检测图像上包含智能手机的屏幕和摄像头冲孔。待检测图像上摄像头冲孔所在的区域为待检测区域,从待检测图像中提取包含完整的摄像头冲孔图像的待检测区域的图像作为待检测子图像。
优选的,本步骤可以根据模板图像的模板角点位置和待检测图像的待检测角点位置确定待检测区域。具体的,可以通过如下子步骤实现:
S1101、根据模板图像的模板角点位置和待检测图像的待检测角点位置,确定模板图像与待检测图像之间的仿射变换矩阵。
其中,模板角点是指模板图像的顶点,模板图像有四个角点。待检测角点是指待检测图像的顶点,待检测图像有四个角点。
具体的,可以在待检测图像上建立一个坐标系作为检测坐标系,待检测图像的待检测角点位置可以用检测坐标系上的坐标点表示。可以在模板图像上建立一个坐标系,作为模板坐标系,并获得模板图像上四个角点在模板坐标系上的坐标作为模板图像的模板角点位置。可选的,检测坐标系的坐标原点可以是待检测图像的左下角角点;模板坐标系的坐标原点可以是模板图像的左下角角点。
在本实施例中,仿射变换矩阵的表达式可以为如下式(1)所示。
R*A=Y (1)
其中,R为仿射变换参数;A为模板图像的模板角点位置的特征矩阵;Y为待检测图像的待检测角点位置的特征矩阵。
可得出上述公式(1)的最小二乘解为公式(2)所示。
A=(RT·R)-1·RT·Y (2)
S1102、采用仿射变换矩阵,将模板图像中的弱印痕区域映射到待检测图像上,得到待检测区域。
具体的,确定模板图像中的弱印痕区域,可以将弱印痕区域设置为有四个角点的区域。根据模板坐标系获得模板图像中的弱印痕区域的角点坐标,并根据仿射变换矩阵,求得模板图像中的弱印痕区域的角点坐标对应的检测坐标系上的坐标,即待检测区域的角点坐标。根据待检测区域的角点坐标确定待检测区域。
通过仿射变换矩阵根据模板图像中的弱印痕区域,获得待检测图像中的待检测区域,可以有效的缩小检测范围,提高弱印痕检测效率。
S120、根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像。
其中,待检测子图像为待检测图像中的待检测区域的图像。辅助子图像为模板图像中的待检测区域的图像。例如,待检测设备为智能手机,则待检测子图像为摄像头冲孔区域的图像,待检测子图像上有完整的摄像头冲孔图像。
具体的,从待检测图像中确定待检测子图像,并确定待检测子图像的子图像角点位置。根据子图像角点位置和仿射变换矩阵求得子图像角点在模板图像上对应的辅助角点位置,根据辅助角点位置确定辅助子图像,即将辅助角点位置作为辅助子图像角点的位置。利用辅助子图像对待检测子图像进行增强处理,可以是根据辅助子图像提高待检测子图像的灰度值,使待检测子图像上的印痕区域的灰度值可以和待检测子图像上除印痕区域外的其他区域区分开。
示例性的,在待检测图像上建立一个检测坐标系,可以以待检测图像左下方角点为原点建立检测坐标系。确定待检测图像四个角点在检测坐标系上的待检测角点位置坐标。在模板图像上建立一个模板坐标系,并获得模板图像上四个角点在模板坐标系上的坐标作为模板图像的模板角点位置坐标。根据待检测角点位置坐标和模板角点位置坐标求得检测坐标系和模板坐标系之间的仿射变换矩阵,根据仿射变换矩阵可以获得模板图像上的点和待检测图像上的点的位置对应关系。从待检测图像中确定待检测区域,并将待检测区域的角点在检测坐标系中标记出来,待检测区域的角点位置即待检测子图像的角点位置。
优选的,可以将辅助子图像中像素的灰度值与待检测子图像中的灰度值做差,得到灰度差值,并将灰度差值作为增强子图像中像素的灰度值,以得到增强子图像。
具体的,如图3和图4所示,图3为本发明实施例提供的待检测子图像示例图,图4为本发明实施例提供的增强子图像示例图。图4为图3的增强子图像。根据待检测子图像确定辅助子图像后,通过计算机设备识别辅助子图像与待检测子图像中每个像素内的灰度值。其中,辅助子图像中每个像素内的灰度值是在待检测设备无印痕的情况下,辅助子图像每个像素所对应的待检测设备的区域的灰度值。将辅助子图像每个像素内的灰度值与待检测子图像中每个像素内的灰度值做差,即用辅助子图像每个像素内的灰度值减去待检测子图像中每个像素内的灰度值,可以得到的灰度差值。采用每一个像素的灰度差值作为增强子图像中每一个像素的灰度值,根据增强子图像中每一个像素的灰度值得到增强子图像。
当待检测子图像上的印痕为弱印痕时,待检测子图像上印痕区域的灰度值和待检测子图像上非印痕区域的灰度值差别较小,即待检测子图像上印痕区域和待检测子图像上非印痕区域的灰度差值较小,采用印痕检测方法可能会导致检测不到印痕的问题。辅助子图像上所有像素的灰度值均为辅助子图像上的像素在无缺陷的情况下的灰度值,将辅助子图像上每个像素的灰度值与待检测子图像上每个像素的灰度值做差,得到的增强子图像的灰度值。而增强子图像的灰度值和待检测图像上非印痕区域的灰度值差别较大,即增强子图像和待检测图像上非印痕区域的灰度差值较大。因此获得增强子图像可以增大弱印痕区域和待检测图像之间的灰度差值,从而增强弱印痕区域和背景的对比度。
S130、提取增强子图像中的缺陷像素,得到备选缺陷区域。
其中,增强子图像中的缺陷像素是指增强子图像中,和除去待检测子图像外的待检测图像的像素灰度值存在差异的像素灰度值对应的像素。备选缺陷区域是指可能存在印痕的区域。备选缺陷区域的像素的灰度值和除去待检测子图像外的待检测图像的像素灰度值存在差异。
具体的,计算除去待检测子图像外的待检测图像的平均像素灰度值,再采用计算机设备获取增强子图像中每一个像素的灰度值。将增强子图像中每一个像素的灰度值与平均像素灰度值进行比较,根据比较结果确定增强子图像中的缺陷像素,确定增强子图像中的缺陷像素所在的区域为备选缺陷区域。
S140、对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
具体的,在确定备选缺陷区域后,可以将备选缺陷区域的位置在待检测图像上标记出来,根据标记的位置获得备选缺陷区域在待检测图像中的位置。示例性的,如图5所示,图5为本发明实施例提供的提取备选缺陷区域示例图。其中,图5(a)为待检测子区域示例图;图5(b)为待检测子图像中备选缺陷区域示例图,图5(b)中的黑色区域为标记出的备选缺陷区域。进一步的,根据计算机设备对待检测图像中的备选缺陷区域的像素进行扫描检查,确定备选缺陷区域中弱印痕所在区域的像素,并将弱印痕所在区域的像素位置在待检测图像上进行增强处理,增强处理可以是适当改变弱印痕区域的像素灰度值,使弱印痕区域的像素灰度值和待检测图像上正常区域的像素灰度值区分开。根据增强处理后的待检测图像可以得到弱印痕提取结果。进一步的,可以根据弱印痕的提取结果定位到弱印痕在待检测设备上的位置,并对待检测设备进行维护,消除待检测设备上的弱印痕。
本实施例提供的技术方案,通过确定待检测图像中的待检测区域,并提取出待检测子图像,根据模板图像和待检测子图像确定辅助子图像,采用辅助子图像对待检测图像进行处理,获得与待检测图像对比度更明显的增强子图像,根据增强子图像和待检测图像可以提取出增强子图像中的缺陷像素,通过缺陷像素的位置确定备选缺陷区域,再对备选缺陷区域中的像素进行筛选,确定弱印痕区域对应的像素在增强图像和待检测图像中的位置,并根据弱印痕区域对应的像素的位置,得到弱印痕的提取结果。解决了在待检设备上存在与正常区域对比度不大的弱印痕区域时,无法检测出弱印痕区域导致对设备质量检查时存在漏检的问题。通过提取待检测子图像的方式可以缩小弱印痕的检测范围,提高弱印痕的检测效率,同时通过获取增强子图像可以增大压痕区域和待检测图像上非压痕区域的对比度,可以更精准的检测出待检测图像中弱印痕所在的位置,提高印痕检测精度。
实施例二
图6为本发明实施例二提供的一种弱印痕提取算法流程图,本实施例在上述实施例的基础上进行了优化,给出了根据待检测自图像的尺寸和最大灰度值确定辅助子图像的优选实施例。具体的,如图6所示,本实施例提供的弱印痕提取算法可以包括:
S210、根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像。
S220、确定待检测子图像中的最大灰度值。
其中,待检测子图像中的最大灰度值是指待检测子图像中的每一个像素在无缺陷的情况下的最大灰度值。
具体的,确定待检测子图像中的最大灰度值的方法可以是,采集待检测设备的历史检测图像,提取历史检测图像中待检测子图像所对应的历史检测子图像。通过计算机设备确定历史检测子图像中每一个像素点在无缺陷时的最大灰度值,历史检测子图像中每一个像素点在无缺陷时的最大灰度值即为待检测子图像中的每一个像素在无缺陷的情况下的最大灰度值。
S230、将待检测子图像的尺寸设置为辅助子图像的尺寸,且将最大灰度值设置为辅助子图像中像素的灰度值。
具体的,通过计算机设备确定待检测子图像的尺寸,设置辅助子图像,辅助子图像的尺寸和待检测子图像的尺寸一致。辅助子图像上每一个像素的位置和待检测子图像一致。将待检测子图像中的每一个像素在无缺陷的情况下的最大灰度值设置为辅助子图像中对应像素的灰度值,即将最大灰度值设置为辅助子图像中像素的灰度值。
S240、根据辅助子图像对待检测子图像进行增强处理,得到增强子图像。
S250、提取增强子图像中的缺陷像素,得到备选缺陷区域。
S260、确定备选缺陷区域中缺陷参数实际值。
其中,缺陷参数是指待检测设备上印痕的相关参数,缺陷参数包括如下至少一项:长宽比、圆度或曲率。
具体的,确定备选缺陷区域后,可以将备选缺陷区域的位置在待检测图像上标记出来,根据标记的位置获得备选缺陷区域在待检测图像中的位置。采用计算机设备获取到待检测图像中备选缺陷区域的长宽比、圆度和曲率。
S270、根据圆形缺陷参数阈值和缺陷参数实际值,对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
其中,圆形缺陷参数阈值是指可以确定备选缺陷区域为圆形的最小缺陷参数值。圆形缺陷参数阈值可以根据实际情况预先设置。
具体的,预设圆形缺陷参数阈值,预设长宽比的阈值为A,圆度的阈值为B,曲率的阈值为C。可选的,可以设置备选缺陷区域长宽比大于等于A,或备选缺陷区域中圆度大于等于B,或备选缺陷区域中阈值大于等于C时,确定组成备选缺陷区域的像素为缺陷像素,备选缺陷区域存在圆形弱印痕,提取备选缺陷区域为弱印痕区域。还可以设置备选缺陷区域若满足长宽比大于等于A、备选缺陷区域中圆度大于等于B和备选缺陷区域中阈值大于等于C三个条件中任意两个条件时,确定组成备选缺陷区域的像素为缺陷像素,备选缺陷区域存在圆形弱印痕,提取备选缺陷区域为弱印痕区域。还可以设置备选缺陷区域满足长宽比大于等于A、备选缺陷区域中圆度大于等于B和备选缺陷区域中阈值大于等于C三个条件时,确定组成备选缺陷区域的像素为缺陷像素,备选缺陷区域存在圆形弱印痕,提取备选缺陷区域为弱印痕区域。其中,A、B和C的具体数值可以根据实际需求在弱印痕提取算法中预先设置。示例性的,如图7所示,图7为本发明实施例提供的缺陷区域像素筛选示例图。其中,图7(a)为备选缺陷区域示例图,图7(a)中的黑色区域为标记出的备选缺陷区域;图7(b)为缺陷区域像素筛选结果图,7(b)中的黑色区域为弱印痕提取结果。通过图7(b)所展示的缺陷区域像素筛选结果,可以从待检测图像中提取出圆形弱印痕。
本实施例的技术方案,根据待检测子图像的尺寸和最大灰度值确定辅助子图像,通过辅助子图像和待检测子图像获得增强子图像,进一步确定备选缺陷区域。根据备选缺陷区域参数实际值和圆形缺陷参数阈值确定备选缺陷区域是否存在圆形弱印痕,从而得到弱印痕提取结果。解决了辅助子图像和待检测子图像上的像素灰度值相差不大时,增强子图像无法起到增强弱印痕区域和正常区域对比度的问题;同时解决了无法自动确定缺陷区域的印痕是否为圆形印痕的问题。实现了加大增强子图像和待检测子图像的对比度,从而更准确的确定备选缺陷区域,同时判断备选缺陷区域是否存在圆形弱印痕的效果。
实施例三
图8为本发明实施例三提供的一种弱印痕提取算法流程图,本实施例在上述实施例的基础上进行了优化,给出了根据当前卷积核尺寸确定增强子图像中的每一像素所在像素区域,并根据像素区域中像素均值和像素标准差确定像素是否是缺陷像素,再根条纹缺陷宽度更新当前卷积核尺寸的优选实施例。具体的,如图8所示,本实施例提供的弱印痕提取算法可以包括:
S310、根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像。
S320、根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像。
S330、针对增强子图像中的每一像素,根据当前卷积核尺寸确定该像素所在像素区域,确定像素区域中像素的灰度均值和像素的灰度标准差。
其中,卷积核是指图像处理时,给定输入图像,输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素,其中权值由一个函数定义,这个函数称为卷积核。灰度均值是指像素区域内所有像素的灰度值相加除以像素区域内的像素数目得到的数值。像素的灰度标准差是指将像素区域内所有像素灰度值球标准差得到的数值。
具体的,获得增强子图像后,通过计算机设备确定增强子图像中的每一个像素的灰度值。通过当前卷积核的尺寸确定卷积核所能进行图像处理的增强子图像的像素区域,根据当前卷积核尺寸确定的像素区域的尺寸等于卷积核尺寸。通过卷积核对像素区域进行图像处理,得到像素区域中像素的灰度均值和像素的灰度标准差。
S340、根据该像素的灰度值、像素的灰度均值和像素的灰度标准差,确定该像素是否为缺陷像素。
优选的,若满足如下公式,则确定该像素为缺陷像素:
g(x,y)≥m(x,y)+v(x,y);或者,
g(x,y)≤m(x,y)+v(x,y);
其中,g(x,y)为该像素的灰度值,m(x,y)为像素的灰度均值,v(x,y)=max(T,k×D),T为预设像素的灰度阈值,k为预设系数,D为像素的灰度标准差。
具体的,预设两个像素的灰度阈值T1和T2,T1和T2的值可以根据实际需要进行设定,T1大于T2。其中T1用于确定该像素是否为构成明条纹的缺陷像素,T2用于确定该像素是否为构成暗条纹的缺陷像素。确定增强子图像中的每一个像素的灰度值后,可以通过像素的灰度值判断该像素是否是可能构成明条纹缺陷或暗条纹缺陷的像素。将该像素的灰度值g(x,y)和预设的两个像素的灰度阈值T1和T2进行比较。
若g(x,y)≥T1,则该像素可能是构成明条纹缺陷的像素,则进一步判断该像素的灰度值g(x,y)是否满足以下公式(3):
g(x,y)≥m(x,y)+v(x,y) (3)
若满足,则确定该像素为缺陷像素。其中,m(x,y)为像素的灰度均值,v(x,y)=max(T1,k×D),T1为预设像素的灰度阈值,k为预设系数,D为像素的灰度标准差。
若g(x,y)≤T2,则该像素可能是构成暗条纹缺陷的像素,则进一步判断该像素的灰度值g(x,y)是否满足以下公式(4):
g(x,y) ≤m(x,y)+v(x,y) (4)
若满足,则确定该像素为缺陷像素。其中,m(x,y)为像素的灰度均值,v(x,y)=max(T2,k×D),T2为预设像素的灰度阈值,k为预设系数,D为像素的灰度标准差。
通过公式确定增强子图像上的像素是否为缺陷像素,可以同时确定增强子图像上的缺陷像素是可以构成明条纹缺陷的缺陷像素还是可以构成暗条纹缺陷的缺陷像素,可以更精确的判断缺陷像素的缺陷状况。
S350、根据缺陷像素确定条纹缺陷宽度,并根据条纹缺陷宽度确定是否更新当前卷积核尺寸。
其中,条纹缺陷宽度是指备选缺陷区域上最左边的缺陷像素和最右边的缺陷像素之间的横向距离。
具体的,获得增强子图像并确定增强子图像中的缺陷像素后,将缺陷像素在增强子图像上标记出来。根据标记出来的缺陷像素确定增强子图像上由缺陷像素构成的备选缺陷区域,计算备选缺陷区域上最左边的缺陷像素和最右边的缺陷像素之间的横向距离,确定条纹缺陷宽度。比较条纹缺陷宽度和当前卷积核尺寸,若条纹缺陷宽度大于当前卷积核尺寸,则需要更新当前卷积核尺寸,更新后的卷积核尺寸需要大于或等于条纹缺陷宽度;当条纹缺陷宽度小于或等于当前卷积核尺寸时,不需要更新当前卷积核尺寸。
S360、若更新当前卷积核尺寸,则采用新的当前卷积核尺寸重新确定缺陷像素。
具体的,若比较条纹缺陷宽度大于卷积核尺寸,则根据条纹缺陷宽度更新当前卷积核尺寸,更新后的当前卷积核尺寸为新的当前卷积核尺寸,新的当前卷积核尺寸大于或等于条纹缺陷宽度,优选的,新的当前卷积核尺寸大于条纹缺陷宽度。针对增强子图像中的每一像素,根据新的当前卷积核尺寸确定该像素所在像素区域,确定像素区域中像素的灰度均值和像素的灰度标准差。根据该像素的灰度值、像素的灰度均值和像素的灰度标准差,确定该像素是否为缺陷像素。
S370、将缺陷像素所属区域作为备选缺陷区域。
S380、对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
本实施例的技术方案,根据卷积核尺寸确定像素区域,计算像素区域中像素的灰度均值和像素的灰度标准差;再根据增强子图像中像素的灰度值,结合像素区域中像素的灰度均值和像素的灰度标准差确定增强子图像中的缺陷像素;根据缺陷像素确定条纹缺陷宽度,并根据条纹缺陷宽度确定是否更新当前卷积核尺寸;若更新了当前卷积核尺寸,则根据新的当前卷积核尺寸重新确定像素区域,进一步根据重新确定的像素区域中像素的灰度均值和像素的灰度标准差确定增强子图像中的缺陷像素。解决了当卷积核尺寸较小时,卷积核无法计算包含所有缺陷像素的像素区域中像素的灰度均值和像素的灰度标准差,导致的缺陷像素判断不准确的问题。根据缺陷像素确定的条纹缺陷宽度调整当前卷积核尺寸,使当前卷积核尺寸可以完整的覆盖包含所有缺陷像素的像素区域,可以在根据增强子图像中的像素的灰度值、像素区域中像素的灰度均值和像素的灰度标准差确定缺陷像素时,可以获得更精准的缺陷像素确定结果。
实施例四
图9为本发明实施例四提供的一种弱印痕提取装置的结构示意图,本实施例可适用于对物体上的弱印痕进行提取的情况,如图9所示,该弱印痕提取装置包括:待检测子图像提取模块410、增强子图像获取模块420、备选缺陷区域提取模块430、弱印痕提取模块440。
其中,待检测子图像提取模块410,用于根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像;
增强子图像获取模块420,用于根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像;
备选缺陷区域提取模块430,用于提取增强子图像中的缺陷像素,得到备选缺陷区域;
弱印痕提取模块440,用于对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
本实施例提供的技术方案,通过确定待检测图像中的待检测区域,并提取出待检测子图像,根据模板图像和待检测子图像确定辅助子图像,采用辅助子图像对待检测图像进行处理,获得与待检测图像对比度更明显的增强子图像,根据增强子图像和待检测图像可以提取出增强子图像中的缺陷像素,通过缺陷像素的位置确定备选缺陷区域,再对备选缺陷区域中的像素进行筛选,确定弱印痕区域对应的像素在增强图像和待检测图像中的位置,并根据弱印痕区域对应的像素的位置,得到弱印痕的提取结果。解决了在待检设备上存在与正常区域对比度不大的弱印痕区域时,无法检测出弱印痕区域导致对设备质量检查时存在漏检的问题。通过提取待检测子图像的方式可以缩小弱印痕的检测范围,提高弱印痕的检测效率,同时通过获取增强子图像可以增大压痕区域和待检测图像上非压痕区域的对比度,可以更精准的检测出待检测图像中弱印痕所在的位置,提高印痕检测精度。
其中,待检测子图像提取模块410,还包括:
仿射变换矩阵确定单元,用于根据模板图像的模板角点位置和待检测图像的待检测角点位置,确定模板图像与待检测图像之间的仿射变换矩阵;
待检测区域确定单元,用于采用仿射变换矩阵,将模板图像中的弱印痕区域映射到待检测图像上,得到待检测区域。
示例性的,增强子图像获取模块420,还用于:
确定待检测子图像中的最大灰度值;
将待检测子图像的尺寸设置为辅助子图像的尺寸,且将最大灰度值设置为辅助子图像中像素的灰度值。
示例性的,增强子图像获取模块420,还用于:
将辅助子图像中像素的灰度值与待检测子图像中的灰度值做差,得到灰度差值,并将灰度差值作为增强子图像中像素的灰度值,以得到增强子图像。
示例性的,备选缺陷区域提取模块430,还包括:
计算单元,用于针对增强子图像中的每一像素,根据当前卷积核尺寸确定该像素所在像素区域,确定像素区域中像素的灰度均值和像素的灰度标准差;根据该像素的灰度值、像素的灰度均值和像素的灰度标准差,确定该像素是否为缺陷像素;
当前卷积核尺寸更新单元,用于根据缺陷像素确定条纹缺陷宽度,并根据所述条纹缺陷宽度确定是否更新当前卷积核尺寸;若更新,则采用新的当前卷积核尺寸重新确定缺陷像素;将缺陷像素所属区域作为备选缺陷区域。
示例性的,备选缺陷区域提取模块430,还包括:
若满足如下公式,则确定该像素为缺陷像素:
g(x,y)≥m(x,y)+v(x,y);或者,
g(x,y)≤m(x,y)+v(x,y);
其中,g(x,y)为该像素的灰度值,m(x,y)为像素的灰度均值,v(x,y)=max(T,k×D),T为预设像素的灰度阈值,k为预设系数,D为像素的灰度标准差。
进一步的,弱印痕提取模块440,还包括:
缺陷参数实际值确定单元,用于确定备选缺陷区域中缺陷参数实际值;
像素筛选单元,用于根据圆形缺陷参数阈值和所述缺陷参数实际值,对所述备选缺陷区域中像素进行筛选,得到弱印痕提取结果;其中,缺陷参数包括如下至少一项:长宽比、圆度或曲率。
本实施例提供的弱印痕提取装置可适用于上述任意实施例提供的弱印痕提取算法,具备相应的功能和有益效果。
实施例五
图10为本发明实施例五提供的一种弱印痕提取设备的结构示意图,如图10所示,该设备包括处理器50、存储器51、输入装置52和输出装置53;设备中处理器50的数量可以是一个或多个,图10中以一个处理器50为例;设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的弱印痕提取算法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的弱印痕提取算法。
存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的待检测图像,以及产生与设备的用户设置以及功能控制有关的待检测图像相关参数输入。输出装置53可包括显示屏等显示设备。
本实施例提供的弱印痕提取设备可适用于上述任意实施例提供的弱印痕提取算法,具备相应的功能和有益效果。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种弱印痕提取算法,该方法包括:
根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像;
根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像;
提取增强子图像中的缺陷像素,得到备选缺陷区域;
对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的弱印痕提取算法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
值得注意的是,上述弱印痕提取算法的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种弱印痕提取算法,其特征在于,包括:
根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像;
根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像;
提取所述增强子图像中的缺陷像素,得到备选缺陷区域;
对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
2.根据权利要求1所述的方法,其特征在于,所述根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,包括:
根据模板图像的模板角点位置和待检测图像的待检测角点位置,确定模板图像与待检测图像之间的仿射变换矩阵;
采用仿射变换矩阵,将模板图像中的弱印痕区域映射到待检测图像上,得到所述待检测区域。
3.根据权利要求1所述的方法,其特征在于,所述根据待检测子图像确定辅助子图像,包括:
确定待检测子图像中的最大灰度值;
将待检测子图像的尺寸设置为辅助子图像的尺寸,且将所述最大灰度值设置为辅助子图像中像素的灰度值。
4.根据权利要求1所述的方法,其特征在于,根据辅助子图像对待检测子图像进行增强处理,得到增强子图像,包括:
将辅助子图像中像素的灰度值与待检测子图像中的灰度值做差,得到灰度差值,并将灰度差值作为增强子图像中像素的灰度值,以得到增强子图像。
5.根据权利要求1所述的方法,其特征在于,提取所述增强子图像中的缺陷像素,得到备选缺陷区域,包括:
针对增强子图像中的每一像素,根据当前卷积核尺寸确定该像素所在像素区域,确定像素区域中像素的灰度均值和像素的灰度标准差;
根据该像素的灰度值、像素的灰度均值和像素的灰度标准差,确定该像素是否为缺陷像素;
根据缺陷像素确定条纹缺陷宽度,并根据所述条纹缺陷宽度确定是否更新当前卷积核尺寸;
若更新,则采用新的当前卷积核尺寸重新确定缺陷像素;
将缺陷像素所属区域作为备选缺陷区域。
6.根据权利要求5所述的方法,其特征在于,所述根据该像素的灰度值、像素的灰度均值和像素的灰度标准差,确定该像素是否为缺陷像素,包括:
若满足如下公式,则确定该像素为缺陷像素:
g(x,y)≥m(x,y)+v(x,y);或者,
g(x,y)≤m(x,y)+v(x,y);
其中,g(x,y)为该像素的灰度值,m(x,y)为像素的灰度均值,v(x,y)=max(T,k×D),T为预设像素的灰度阈值,k为预设系数,D为像素的灰度标准差。
7.根据权利要求1所述的方法,其特征在于,对备选缺陷区域中像素进行筛选,得到弱印痕提取结果,包括:
确定备选缺陷区域中缺陷参数实际值;
根据圆形缺陷参数阈值和所述缺陷参数实际值,对所述备选缺陷区域中像素进行筛选,得到弱印痕提取结果;其中,缺陷参数包括如下至少一项:长宽比、圆度或曲率。
8.一种弱印痕提取装置,其特征在于,包括:
待检测子图像提取模块,用于根据模板图像中的弱印痕区域,确定待检测图像中的待检测区域,并从待检测图像中提取待检测区域所在的待检测子图像;
增强子图像获取模块,用于根据待检测子图像确定辅助子图像,并根据辅助子图像对待检测子图像进行增强处理,得到增强子图像;
备选缺陷区域提取模块,用于提取所述增强子图像中的缺陷像素,得到备选缺陷区域;
弱印痕提取模块,用于对备选缺陷区域中像素进行筛选,得到弱印痕提取结果。
9.一种弱印痕提取设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的弱印痕提取算法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的弱印痕提取算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111651789.3A CN114354623A (zh) | 2021-12-30 | 2021-12-30 | 弱印痕提取算法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111651789.3A CN114354623A (zh) | 2021-12-30 | 2021-12-30 | 弱印痕提取算法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114354623A true CN114354623A (zh) | 2022-04-15 |
Family
ID=81102603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111651789.3A Pending CN114354623A (zh) | 2021-12-30 | 2021-12-30 | 弱印痕提取算法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114354623A (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101601A (zh) * | 2014-06-23 | 2014-10-15 | 深圳市大族激光科技股份有限公司 | 表面缺陷检测装置及方法 |
CN104730091A (zh) * | 2015-02-10 | 2015-06-24 | 西安交通大学 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN106803244A (zh) * | 2016-11-24 | 2017-06-06 | 深圳市华汉伟业科技有限公司 | 缺陷识别方法及系统 |
CN106920233A (zh) * | 2017-02-24 | 2017-07-04 | 中国人民解放军国防科学技术大学 | 基于图像处理的划痕检测方法、装置及电子设备 |
CN110070129A (zh) * | 2019-04-23 | 2019-07-30 | 上海联影智能医疗科技有限公司 | 一种图像检测方法、装置及存储介质 |
CN110246126A (zh) * | 2019-06-14 | 2019-09-17 | 吉林大学第一医院 | 一种从肺部ct图像中提取末端支气管树的方法 |
CN110378887A (zh) * | 2019-07-22 | 2019-10-25 | 京东方科技集团股份有限公司 | 屏幕缺陷检测方法、装置及系统、计算机设备及介质 |
CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN110706224A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学院自动化研究所 | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
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 |
CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
CN112598647A (zh) * | 2020-12-24 | 2021-04-02 | 凌云光技术股份有限公司 | 一种弧形面渐变背景下弱线缺陷的检测方法 |
CN112730251A (zh) * | 2020-12-30 | 2021-04-30 | 凌云光技术股份有限公司 | 一种用于屏幕颜色缺陷检测的装置及方法 |
CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、系统及其存储介质 |
CN113189002A (zh) * | 2021-03-31 | 2021-07-30 | 彩虹显示器件股份有限公司 | 一种超薄电子玻璃基板条纹缺陷的在线检测方法和装置 |
CN113469921A (zh) * | 2021-09-06 | 2021-10-01 | 深圳市创世易明科技有限公司 | 图像缺陷修复方法、系统、计算机设备及存储介质 |
-
2021
- 2021-12-30 CN CN202111651789.3A patent/CN114354623A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104101601A (zh) * | 2014-06-23 | 2014-10-15 | 深圳市大族激光科技股份有限公司 | 表面缺陷检测装置及方法 |
CN104730091A (zh) * | 2015-02-10 | 2015-06-24 | 西安交通大学 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN106803244A (zh) * | 2016-11-24 | 2017-06-06 | 深圳市华汉伟业科技有限公司 | 缺陷识别方法及系统 |
CN106920233A (zh) * | 2017-02-24 | 2017-07-04 | 中国人民解放军国防科学技术大学 | 基于图像处理的划痕检测方法、装置及电子设备 |
CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN110070129A (zh) * | 2019-04-23 | 2019-07-30 | 上海联影智能医疗科技有限公司 | 一种图像检测方法、装置及存储介质 |
CN110246126A (zh) * | 2019-06-14 | 2019-09-17 | 吉林大学第一医院 | 一种从肺部ct图像中提取末端支气管树的方法 |
CN110378887A (zh) * | 2019-07-22 | 2019-10-25 | 京东方科技集团股份有限公司 | 屏幕缺陷检测方法、装置及系统、计算机设备及介质 |
CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
CN110706224A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学院自动化研究所 | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 |
CN111028213A (zh) * | 2019-12-04 | 2020-04-17 | 北大方正集团有限公司 | 图像缺陷检测方法、装置、电子设备及存储介质 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
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 |
CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
CN112598647A (zh) * | 2020-12-24 | 2021-04-02 | 凌云光技术股份有限公司 | 一种弧形面渐变背景下弱线缺陷的检测方法 |
CN112730251A (zh) * | 2020-12-30 | 2021-04-30 | 凌云光技术股份有限公司 | 一种用于屏幕颜色缺陷检测的装置及方法 |
CN113189002A (zh) * | 2021-03-31 | 2021-07-30 | 彩虹显示器件股份有限公司 | 一种超薄电子玻璃基板条纹缺陷的在线检测方法和装置 |
CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、系统及其存储介质 |
CN113469921A (zh) * | 2021-09-06 | 2021-10-01 | 深圳市创世易明科技有限公司 | 图像缺陷修复方法、系统、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN112184744B (zh) | 显示屏边缘缺陷检测方法和装置 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN115908269A (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN116468687A (zh) | 划伤缺陷检测方法、装置及存储介质、电子设备 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN114419045A (zh) | 光刻掩模板缺陷检测方法、装置、设备及可读存储介质 | |
CN114283132A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 | |
CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
US10970592B2 (en) | Adhering substance detection apparatus and adhering substance detection method | |
CN111340040A (zh) | 一种纸张字符识别方法、装置、电子设备及存储介质 | |
CN114937037B (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
CN111462061A (zh) | 一种用于电子元器件计数的检测方法 | |
CN113744200B (zh) | 一种摄像头脏污检测方法、装置及设备 | |
CN114354623A (zh) | 弱印痕提取算法、装置、设备和介质 | |
CN115690089A (zh) | 一种微弱缺陷检测用的图像增强前处理方法及系统 | |
CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统 | |
CN117351011B (zh) | 屏幕缺陷检测方法、设备和可读存储介质 | |
US20240020846A1 (en) | Corner point detection method and apparatus | |
CN111681229B (zh) | 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置 | |
CN115830043B (zh) | 无线充磁铁的边界检测方法、装置、设备及存储介质 | |
CN110660073B (zh) | 一种直线边缘识别设备 |
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 |