CN114612469B - 产品缺陷检测方法、装置、设备及可读存储介质 - Google Patents

产品缺陷检测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114612469B
CN114612469B CN202210498896.5A CN202210498896A CN114612469B CN 114612469 B CN114612469 B CN 114612469B CN 202210498896 A CN202210498896 A CN 202210498896A CN 114612469 B CN114612469 B CN 114612469B
Authority
CN
China
Prior art keywords
image
characteristic
product
feature
defective product
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.)
Active
Application number
CN202210498896.5A
Other languages
English (en)
Other versions
CN114612469A (zh
Inventor
孙杰
杨义禄
张国栋
李波
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 Zhongdao Optoelectronic Equipment Co ltd
Original Assignee
Wuhan Zhongdao Optoelectronic Equipment 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 Zhongdao Optoelectronic Equipment Co ltd filed Critical Wuhan Zhongdao Optoelectronic Equipment Co ltd
Priority to CN202210498896.5A priority Critical patent/CN114612469B/zh
Publication of CN114612469A publication Critical patent/CN114612469A/zh
Application granted granted Critical
Publication of CN114612469B publication Critical patent/CN114612469B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明提供一种产品缺陷检测方法、装置、设备及可读存储介质。该方法包括：若提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的几何形状特征参数预设值之间的差值绝对值小于或等于阈值，则通过计算得到目标特征图像、目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；否则，则确定待检测图像所属的产品无缺陷。通过本发明，解决了现有技术中如果某些缺陷的样本很少，无法满足训练参数模型要求，就会导致检测结果不准确的问题。

Description

产品缺陷检测方法、装置、设备及可读存储介质
技术领域
本发明涉及缺陷检测技术领域，尤其涉及一种产品缺陷检测方法、装置、设备及可读存储介质。
背景技术
有机发光二极管(Organic Light-Emitting Diode，OLED)又称为有机电激光显示，OLED是新一代平板显示技术，相对液晶显示器，OLED具备省电、轻薄、可视角度大以及具有柔性等特点，但是OLED比液晶显示器的制作过程更复杂，制作成本也更高。因此，亟需一种产品检测方法，以供在生产过程中剔除有缺陷的OLED产品。
现有技术中，将有缺陷的产品图像和没有缺陷的产品图像传入分类系统中进行参数模型训练，在对产品进行检测时，将待检测的产品图像输入到训练后的参数模型中，通过训练后的参数模型确定待检测的产品是否有缺陷。但是，这种方法需要大量的产品样本，如果某些缺陷的样本很少，无法满足训练参数模型要求，就会导致检测结果不准确。
发明内容
本发明的主要目的在于提供一种产品缺陷检测方法、装置、设备及可读存储介质，旨在避免现有技术中因样本数量少，导致检测结果不准确的问题。
第一方面，本发明提供一种产品缺陷检测方法，所述产品缺陷检测方法包括：
基于待检测图像提取几何形状特征参数和灰度特征参数；
检测提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值是否大于阈值；
若小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像；
计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；
若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；
若第一马氏距离大于第二马氏距离，则确定待检测图像所属的产品无缺陷。
可选的，所述基于待检测图像提取几何形状特征参数和灰度特征参数的步骤包括：
以产品图像中的任一最小重复单元图像作为待检测图像，根据待检测图像的纹理周期从产品图像中获取参考图像；
计算待检测图像各个像素点的灰度值减去参考图像对应位置处的各个像素点的灰度值的差值，根据所述差值得到待检测图像与参考图像的差异图；
将所述差异图进行二值化分割，得到二值图；
对二值图中像素值为第一预设值的区域的几何形状特征参数进行提取，在待检测图像中对与二值图中像素值为第一预设值的区域对应的区域进行灰度特征参数提取。
可选的，所述计算待检测图像的纹理特征，得到目标特征图像的步骤包括：
通过局部二值模式LBP计算得到待检测图像的第一纹理特征；
通过灰度共生矩阵算法GLCM计算得到待检测图像的第二纹理特征；
通过主成分分析法PCA计算得到待检测图像的第三纹理特征；
基于待检测图像的第一纹理特征、第二纹理特征以及第三纹理特征得到目标特征图像。
可选的，在所述计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离的步骤之前，包括：
通过LBP计算得到有缺陷产品图像任一最小重复单元的第一纹理特征；
通过GLCM计算得到有缺陷产品图像任一最小重复单元的第二纹理特征；
通过PCA计算得到有缺陷产品图像任一最小重复单元的第三纹理特征；
基于有缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到有缺陷产品特征图像；
通过LBP计算得到无缺陷产品图像任一最小重复单元的第一纹理特征；
通过GLCM计算得到无缺陷产品图像任一最小重复单元的第二纹理特征；
通过PCA计算得到无缺陷产品图像的任一最小重复单元的第三纹理特征；
基于无缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到无缺陷产品特征图像。
可选的，所述计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离的步骤包括：
将有缺陷产品特征图像和无缺陷产品特征图像输入高斯混合模型，得到高斯混合模型输出的输出结果，其中，输出结果包括第一输出结果和第二输出结果，第一输出结果包括有缺陷产品特征图像的比例系数、有缺陷产品特征图像的均值以及有缺陷产品特征图像的协方差矩阵，第二输出结果包括无缺陷产品特征图像的比例系数、无缺陷产品特征图像的均值以及无缺陷产品特征图像的协方差矩阵；
将目标特征图像和第一输出结果代入第一预设公式，计算得到第一马氏距离，第一预设公式如下：
Figure GDA0003707619560000031
其中，
Figure GDA0003707619560000032
为第一马氏距离，x为目标特征图像，π1为有缺陷产品特征图像的比例系数，μ1为有缺陷产品特征图像的均值，Σ1为有缺陷产品特征图像的协方差矩阵，(x-μ1)T为(x-μ1)的转置矩阵；
将目标特征图像和第二输出结果代入第二预设公式，计算得到第二马氏距离，第二预设公式如下：
Figure GDA0003707619560000033
其中，
Figure GDA0003707619560000034
为第二马氏距离，x为目标特征图像，π2为无缺陷产品特征图像的比例系数，μ2为无缺陷产品特征图像的均值，Σ2为无缺陷产品特征图像的协方差矩阵，(x-μ2)T为(x-μ2)的转置矩阵。
第二方面，本发明还提供一种产品缺陷检测装置，所述产品缺陷检测装置包括：
提取模块，用于基于待检测图像提取几何形状特征参数和灰度特征参数；
检测模块，用于检测提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值是否大于阈值；
第一计算模块，用于若小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像；
第二计算模块，用于计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；
第一确定模块，用于若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；
第二确定模块，用于若第一马氏距离大于第二马氏距离，则确定待检测图像所属的产品无缺陷。
可选的，所述提取模块，用于：
以产品图像中的任一最小重复单元图像作为待检测图像，根据待检测图像的纹理周期从产品图像中获取参考图像；
计算待检测图像各个像素点的灰度值减去参考图像对应位置处的各个像素点的灰度值的差值，根据所述差值得到待检测图像与参考图像的差异图；
将所述差异图进行二值化分割，得到二值图；
对二值图中像素值为第一预设值的区域的几何形状特征参数进行提取，在待检测图像中对与二值图中像素值为第一预设值的区域对应的区域进行灰度特征参数提取。
可选的，所述第二计算模块，用于：
将有缺陷产品特征图像和无缺陷产品特征图像输入高斯混合模型，得到高斯混合模型输出的输出结果，其中，输出结果包括第一输出结果和第二输出结果，第一输出结果包括有缺陷产品特征图像的比例系数、有缺陷产品特征图像的均值以及有缺陷产品特征图像的协方差矩阵，第二输出结果包括无缺陷产品特征图像的比例系数、无缺陷产品特征图像的均值以及无缺陷产品特征图像的协方差矩阵；
将目标特征图像和第一输出结果代入第一预设公式，计算得到第一马氏距离，第一预设公式如下：
Figure GDA0003707619560000051
其中，
Figure GDA0003707619560000052
为第一马氏距离，x为目标特征图像，π1为有缺陷产品特征图像的比例系数，μ1为有缺陷产品特征图像的均值，Σ1为有缺陷产品特征图像的协方差矩阵，(x-μ1)T为(x-μ1)的转置矩阵；
将目标特征图像和第二输出结果代入第二预设公式，计算得到第二马氏距离，第二预设公式如下：
Figure GDA0003707619560000053
其中，
Figure GDA0003707619560000054
为第二马氏距离，x为目标特征图像，π2为无缺陷产品特征图像的比例系数，μ2为无缺陷产品特征图像的均值，Σ2为无缺陷产品特征图像的协方差矩阵，(x-μ2)T为(x-μ2)的转置矩阵。
第三方面，本发明还提供一种产品缺陷检测设备，所述产品缺陷检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的产品缺陷检测程序，其中所述产品缺陷检测程序被所述处理器执行时，实现如上所述的产品缺陷检测方法的步骤。
第四方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有产品缺陷检测程序，其中所述产品缺陷检测程序被处理器执行时，实现如上所述的产品缺陷检测方法的步骤。
本发明中，基于待检测图像提取几何形状特征参数和灰度特征参数；检测提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值是否大于阈值；若小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像；计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；若第一马氏距离大于第二马氏距离，则确定待检测图像所属的产品无缺陷。通过本发明，当提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值小于或等于阈值时，由于通过高斯混合模型对有缺陷产品特征图像和无缺陷产品特征图像进行分类，只需要少量有缺陷产品特征图像和无缺陷产品特征图像即可，所以不再需要大量样本图像对模型进行训练，计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像后，再基于高斯混合模型输出的输出结果，计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离，基于第一马氏距离和第二马氏距离即可确定待检测图像所属的产品有无缺陷，保证了检测结果的准确性，解决了现有技术中需要大量的产品样本，如果某些缺陷的样本很少，无法满足训练参数模型要求，就会导致检测结果不准确的问题。
附图说明
图1为本发明实施例方案中涉及的产品缺陷检测设备的硬件结构示意图；
图2为本发明产品缺陷检测方法一实施例的流程示意图；
图3为本发明光刻掩模板缺陷检测方法一实施例的像素点示意图；
图4为本发明光刻掩模板缺陷检测方法一实施例的检测区域示意图；
图5为图2中步骤S10细化流程示意图；
图6为本发明产品缺陷检测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
第一方面，本发明实施例提供一种产品缺陷检测设备。
参照图1，图1为本发明实施例方案中涉及的产品缺陷检测设备的硬件结构示意图。本发明实施例中，产品缺陷检测设备可以包括处理器1001(例如中央处理器CentralProcessingUnit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random access memory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及产品缺陷检测程序。其中，处理器1001可以调用存储器1005中存储的产品缺陷检测程序，并执行本发明实施例提供的产品缺陷检测方法。
第二方面，本发明实施例提供了一种产品缺陷检测方法。
一实施例中，参照图2，图2为本发明产品缺陷检测方法一实施例的流程示意图。如图2所示，产品缺陷检测方法，包括：
步骤S10，基于待检测图像提取几何形状特征参数和灰度特征参数；
本实施例中，通过成像系统采集对产品进行产品图像采集，从产品图像中获取待检测图像，基于待检测图像提取几何形状特征参数和灰度特征参数，其中，几何形状特征参数包括周长和/或面积和/或圆度和/或最小外接矩形和/或占空比和/或骨架，灰度特征参数包括灰度均值和/或灰度方差和/或熵和/或角点。
其中，几何形状特征参数--周长的提取方法是：统计W区域外轮廓线上像素点的个数，W区域外轮廓线上像素点的个数即表示W区域周长；几何形状特征参数--面积的提取方法是：统计W区域所有像素点的个数，W区域所有像素点的个数即表示W区域面积；几何形状特征参数--圆度的提取方法是：
Figure GDA0003707619560000071
其中，R表示W区域圆度，A表示W区域面积，P表示W区域周长；几何形状特征参数--最小外接矩形的提取方法是：求取W区域凸壳的最小外接矩形；几何形状特征参数--占空比的提取方法是：
Figure GDA0003707619560000072
其中，η表示W区域占空比，MABR表示W区域最小外接矩形；几何形状特征参数--骨架的提取方法是通过zhang快速并行细化算法对W区域进行骨架提取。
灰度特征参数--灰度均值的提取方法是：
Figure GDA0003707619560000081
其中，M表示W′区域灰度均值，fi′表示第i′个像素点像素值，N1表示W′区域像素点个数；灰度特征参数--灰度方差的提取方法是：
Figure GDA0003707619560000082
其中，s2表示W′区域灰度方差；灰度特征参数--熵的提取方法是：
Figure GDA0003707619560000083
其中，Pi′表示第i′个像素点在检测图像中出现的概率，H表示W′区域的熵；灰度特征参数--角点的提取方法是：通过FAST角点检测算法对W′区域进行角点提取。
进一步地，一实施例中，步骤S10包括：
以产品图像中的任一最小重复单元图像作为待检测图像，根据待检测图像的纹理周期从产品图像中获取参考图像；
计算待检测图像各个像素点的灰度值减去参考图像对应位置处的各个像素点的灰度值的差值，根据所述差值得到待检测图像与参考图像的差异图；
将所述差异图进行二值化分割，得到二值图；
对二值图中像素值为第一预设值的区域的几何形状特征参数进行提取，在待检测图像中对与二值图中像素值为第一预设值的区域对应的区域进行灰度特征参数提取。
本实施例中，参照图5，图5为图2中步骤S10细化流程示意图。如图5所示，通过成像系统采集对产品进行产品图像采集，获取产品图像后，以产品图像中的任一最小重复单元图像作为待检测图像，根据待检测图像的纹理周期从产品图像中获取与待检测图像相邻的最小重复单元图像，将与待检测图像相邻的最小重复单元图像进行融合，得到参考图像。其中，产品图像由多个最小重复单元图像组成。
由于待检测图像与参考图像的形状和大小都相同，所以，若待检测图像为正六边形，则参考图像也为正六边形。计算待检测图像各个像素点的灰度值减去参考图像对应位置处的各个像素点的灰度值的差值，根据所述差值得到待检测图像与参考图像的差异图。具体地，参照图3，图3为本发明光刻掩模板缺陷检测方法一实施例的像素点示意图。如图3所示，待检测图像像素点a的灰度值减去参考图像对应位置处像素点a′的灰度值的差值，待检测图像像素点b的灰度值减去参考图像对应位置处像素点b′的灰度值的差值，以此类推，根据待检测图像各个像素点的灰度值减去参考图像对应位置处的各个像素点的灰度值的差值，得到待检测图像与参考图像的差异图。
根据差异图中的各个像素点的灰度值将差异图进行二值化分割，得到二值图。对二值图中像素值为第一预设值的区域的几何形状特征参数进行提取，在待检测图像中对与二值图中像素值为第一预设值的区域对应的区域进行灰度特征参数提取。具体地，参照图4，图4为本发明光刻掩模板缺陷检测方法一实施例的检测区域示意图。如图4所示，二值图中像素值为255的区域为W区域，对二值图中的W区域进行几何形状特征参数提取，待检测图像中与二值图中像素值为255的区域相对应的区域为W′区域，在待检测图像中对W′区域进行灰度特征参数的提取。
步骤S20，检测提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值是否大于阈值；
本实施例中，以提取的几何形状特征参数包括周长和面积，提取的灰度特征参数包括灰度均值和灰度方差为例，若周长与周长预设值之间的差值绝对值大于阈值和/或面积与面积预设值之间的差值绝对值大于阈值和/或灰度均值与灰度均值预设值之间的差值绝对值大于阈值和/或灰度方差与灰度方差预设值之间的差值绝对值大于阈值，则检测结果为提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值大于阈值，则确定待检测图像所属的产品有缺陷。容易想到的是，待检测图像所属的产品与步骤S10中通过成像系统采集对产品进行产品图像采集的产品是同一产品。
进一步地，若周长与周长预设值之间的差值绝对值小于或等于阈值和/或面积与面积预设值之间的差值绝对值小于或等于阈值和/或灰度均值与灰度均值预设值之间的差值绝对值小于或等于阈值和/或灰度方差与灰度方差预设值之间的差值绝对值小于或等于阈值，则检测结果为提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值小于或等于阈值。
步骤S30，若小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像；
本实施例中，若提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像，基于目标特征图像对待检测图像所属的产品是否有缺陷进一步进行检测，以保证检测结果的准确性。
进一步地，一实施例中，所述计算待检测图像的纹理特征，得到目标特征图像的步骤包括：
通过局部二值模式LBP计算得到待检测图像的第一纹理特征；
通过灰度共生矩阵算法GLCM计算得到待检测图像的第二纹理特征；
通过主成分分析法PCA计算得到待检测图像的第三纹理特征；
基于待检测图像的第一纹理特征、第二纹理特征以及第三纹理特征得到目标特征图像。
本实施例中，通过局部二值模式LBP计算得到待检测图像的第一纹理特征。其中，局部二值模式LBP(Local Binary Pattern)是一种用来描述图像局部纹理特征的算子，具有灰度不变性和旋转不变性等优点。原始的LBP算子定义为在3*3的窗口内，将相邻的8个像素点的灰度值与窗口中心像素点的灰度值进行比较，若相邻的8个像素点的灰度值大于或等于窗口中心像素点的灰度值，则窗口中心像素点所在的位置被标记为1，若相邻的8个像素点的灰度值小于窗口中心像素点的灰度值，则窗口中心像素点所在的位置被标记为0。以此类推，3*3窗口内的8个像素点的灰度值经过与窗口中心像素点的灰度值进行比较，可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。需要注意的是，LBP值是按照顺时针方向组成的二进制数。
具体操作步骤如下：
(1)将待检测图像划分为64×64的小区域；
(2)对于每个小区域中的一个目标像素点，将相邻的8个像素点的灰度值与目标像素点的灰度值进行比较，若相邻的8个像素点的灰度值大于或等于目标像素点的灰度值，则目标像素点的灰度值所在的位置被标记为1，若相邻的8个像素点的灰度值小于目标像素点的灰度值，则目标像素点的灰度值所在的位置被标记为0。以此类推，每个小区域中3*3窗口内的8个像素点的灰度值经过与窗口中心像素点的灰度值进行比较，可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该目标像素点的LBP值；
(3)计算每个小区域的直方图，即计算每个目标像素点的LBP值出现的频率，然后对每个小区域的直方图进行归一化处理；
(4)将每个进行归一化处理后的小区域的直方图进行连接，得到待检测图像的第一纹理特征。
通过灰度共生矩阵算法GLCM计算得到待检测图像的第二纹理特征。其中，灰度共生矩阵算法GLCM是一种描述图像局部区域或整体区域的某像素与相邻像素或一定距离内的像素的灰度关系的矩阵。通过计算灰度图像得到它的共生矩阵，然后透过计算这个共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征。一幅图像的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。
具体地，设待检测图像I(x，y)为一幅二维数字图象，其大小为m×n(m行，n列)，灰度级别为N，则满足一定空间关系的待检测图像的灰度共生矩阵为：
P(i，j)＝#{(x1，y1)，(x2，y2)∈m×n|I(x1，y1)＝i，I(x2，y2)＝j}
其中：#(x)表示集合x中的元素个数，P为N×N的矩阵，P(i，j)为矩阵P中第i行，第j列的值，若(x1,y1)与(x2,y2)间距离为d，两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的待检测图像的灰度共生矩阵P(i，j|d，θ)。
灰度共生矩阵虽然提供了待检测图像灰度方向、间隔和变化幅度的信息，但它不能直接提供区别纹理的特性，因此需要在GLCM的基础上计算用来定量描述纹理特征的统计属性——常用的9种纹理特征统计属性为均值(Mean)，方差(Variance)，标准差(Std)，同质性(Homogeneity)，对比度(Contrast)，非相似性(Dissimilarity)，熵(Entropy)，角二阶矩(Angular Second Moment)，相关性(Correlation)。
其中，均值
Figure GDA0003707619560000121
其中，N为灰度级别；
方差
Figure GDA0003707619560000122
标准差
Figure GDA0003707619560000123
对比度
Figure GDA0003707619560000124
熵
Figure GDA0003707619560000125
其中，ln是一种特殊的对数，以无理数e为底的对数，logP(i,j)为矩阵P中第i行，第j列的值的对数。
本实施例以选取标准差(Std)，对比度(Contrast)，熵(Entropy)这3种纹理特征统计属性为例，由标准差(Std)，对比度(Contrast)，熵(Entropy)这3种纹理特征统计属性组成一个特征向量(Var,Contrast,Entropy)，即得到待检测图像的第二纹理特征。
通过主成分分析法PCA计算得到待检测图像的第三纹理特征。其中，主成分分析法PCA是一种使用最广泛的数据降维算法。PCA算法的主要思想是将n维特征映射到k′维上，这k′维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k′维特征。
若待检测图像的大小为m＊n(m行，n列)，基于特征值分解协方差矩阵，PCA算法具体操作步骤如下：
(1)将待检测图像数据矩阵记为：X′(由m行，n列数据组成)；
(2)将待检测图像数据矩阵X′的每一行进行零均值化，即减去待检测图像数据矩阵X′的每一行的均值；
(3)计算待检测图像数据矩阵的协方差矩阵，其中，待检测图像数据矩阵的协方差矩阵
Figure GDA0003707619560000126
其中，X′为待检测图像数据矩阵，X′T为待检测图像数据矩阵X′的转置矩阵，n为待检测图像的列；
(4)计算待检测图像数据矩阵的协方差矩阵的特征值及特征值对应的特征向量；
(5)根据待检测图像数据矩阵的协方差矩阵的特征值的大小，将特征向量按照特征向量对应的特征值大小从大到小按行排列成矩阵，取前k″行组成矩阵P′；
(6)计算待检测图像数据矩阵X′与矩阵P′的乘积，得到待检测图像降维到k′维后的数据Y，前k″维数据组成一个特征向量，即得到待检测图像的第三纹理特征，其中，Y＝P′X′。
基于待检测图像的第一纹理特征、第二纹理特征以及第三纹理特征得到目标特征图像，其中，目标特征图像为由包括待检测图像的第一纹理特征、第二纹理特征以及第三纹理特征的组成的图像。
步骤S40，计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；
本实施例中，将若干有缺陷产品特征图像和若干无缺陷产品特征图像输入高斯混合模型，得到高斯混合模型输出的输出结果，基于高斯混合模型输出的输出结果，计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离，以便根据第一马氏距离和第二马氏距离确定待检测图像所属的产品是否有缺陷。
进一步地，一实施例中，步骤S40包括：
将有缺陷产品特征图像和无缺陷产品特征图像输入高斯混合模型，得到高斯混合模型输出的输出结果，其中，输出结果包括第一输出结果和第二输出结果，第一输出结果包括有缺陷产品特征图像的比例系数、有缺陷产品特征图像的均值以及有缺陷产品特征图像的协方差矩阵，第二输出结果包括无缺陷产品特征图像的比例系数、无缺陷产品特征图像的均值以及无缺陷产品特征图像的协方差矩阵；
将目标特征图像和第一输出结果代入第一预设公式，计算得到第一马氏距离，第一预设公式如下：
Figure GDA0003707619560000131
其中，
Figure GDA0003707619560000132
为第一马氏距离，x为目标特征图像，π1为有缺陷产品特征图像的比例系数，μ1为有缺陷产品特征图像的均值，Σ1为有缺陷产品特征图像的协方差矩阵，(x-μ1)T为(x-μ1)的转置矩阵；
将目标特征图像和第二输出结果代入第二预设公式，计算得到第二马氏距离，第二预设公式如下：
Figure GDA0003707619560000141
其中，
Figure GDA0003707619560000142
为第二马氏距离，x为目标特征图像，π2为无缺陷产品特征图像的比例系数，μ2为无缺陷产品特征图像的均值，Σ2为无缺陷产品特征图像的协方差矩阵，(x-μ2)T为(x-μ2)的转置矩阵。
本实施例中，将若干有缺陷产品特征图像和若干无缺陷产品特征图像输入高斯混合模型，得到高斯混合模型输出的输出结果，其中，输出结果包括第一输出结果和第二输出结果，第一输出结果包括有缺陷产品特征图像的比例系数π1、有缺陷产品特征图像的均值μ1以及有缺陷产品特征图像的协方差矩阵Σ1，第二输出结果包括无缺陷产品特征图像的比例系数π2、无缺陷产品特征图像的均值μ2以及无缺陷产品特征图像的协方差矩阵Σ2。其中，高斯混合模型(Gaussian MixedModel)指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况(或者是同一类分布但参数不一样，或者是不同类型的分布，比如正态分布和伯努利分布)。
设有随机变量X，则高斯混合模型可以用下式表示：
Figure GDA0003707619560000143
其中N(x′|μk，Σk)为高斯混合模型中的第k个分量(component)，实质为第k个分量的高维正太分布，πk为第k个分量的比例系数，
Figure GDA0003707619560000144
x′可以是任一随机变量X，即x′＝(X1，X2，…，Xn)，μk为第k个分量的均值，Σk为第k个分量的协方差矩阵，K表示分量总数。
进一步地，当定义了分量数目K，且对πk、μk以及Σk设置初始值后，根据πk、μk以及Σk计算后验概率γ(Znk)，其中，
Figure GDA0003707619560000145
N(x′n|μn,Σn)为第n个分量，N(x′n|μj′,Σj′)为第j′个分量。根据后验概率γ(Znk)，再计算新的第k个分量的比例系数πk′、新的第k个分量的均值μk′以及新的第k个分量的协方差矩阵Σk′，其中，计算公式如下：
Figure GDA0003707619560000146
其中，Nk表示属于第k个聚类的随机变量的数量；
Figure GDA0003707619560000151
其中，N为随机变量总数；
Figure GDA0003707619560000152
其中，x′n为第n个随机变量；
Figure GDA0003707619560000153
具体地，将分量总数K定义为2，那么高斯混合模型就有两个聚类，高斯混合模型可以用下式表示：
p(x)＝π1N(x′|μ1,Σ1)+π2N(x′|μ2,Σ2)
其中，N(x′|μ1,Σ1)为高斯混合模型中的第1个分量的概率密度，N(x′|μ2,Σ2)为高斯混合模型中的第2个分量的概率密度，p(x)为概率密度。
马氏距离用于表示两个服从同一分布并且其协方差矩阵为Σ的随机变量X与Y的差异程度。将目标特征图像和第一输出结果代入第一预设公式，计算得到第一马氏距离，第一预设公式如下：
Figure GDA0003707619560000154
其中，
Figure GDA0003707619560000155
为第一马氏距离，x为目标特征图像，π1为有缺陷产品特征图像的比例系数，μ1为有缺陷产品特征图像的均值，Σ1为有缺陷产品特征图像的协方差矩阵，(x-μ1)T为(x-μ1)的转置矩阵；
将目标特征图像和第二输出结果代入第二预设公式，计算得到第二马氏距离，第二预设公式如下：
Figure GDA0003707619560000156
其中，
Figure GDA0003707619560000157
为第二马氏距离，x为目标特征图像，π2为无缺陷产品特征图像的比例系数，μ2为无缺陷产品特征图像的均值，Σ2为无缺陷产品特征图像的协方差矩阵，(x-μ2)T为(x-μ2)的转置矩阵。
步骤S50，若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；
本实施例中，由于马氏距离为两个服从同一分布并且其协方差矩阵为Σ的随机变量X与Y的差异程度。所以马氏距离越小，表明随机变量X与Y之间的差异程度越小，因此，若第一马氏距离小于第二马氏距离，则表明目标特征图像与有缺陷产品特征图像之间的差异程度小于目标特征图像与无缺陷产品特征图像之间的差异程度，即目标特征图像与有缺陷产品特征图像更相似，所以确定待检测图像所属的产品有缺陷。由于人工会对有缺陷产品进一步进行检测，所以若第一马氏距离等于第二马氏距离，则确定待检测图像所属的产品有缺陷，通过人工进一步对待检测图像所属的产品是否有缺陷进行检测，以保证检测结果的准确性。
步骤S60，若第一马氏距离大于第二马氏距离，则确定待检测图像所属的产品无缺陷。
本实施例中，若第一马氏距离大于第二马氏距离，则表明目标特征图像与有缺陷产品特征图像之间的差异程度大于目标特征图像与无缺陷产品特征图像之间的差异程度，即目标特征图像与无缺陷产品特征图像更相似，所以确定待检测图像所属的产品无缺陷。确定出无缺陷的产品后，人工只需要对有缺陷的产品进一步进行检测即可，可减少人工的检测数量，提高劳动效率。
本实施例中，基于待检测图像提取几何形状特征参数和灰度特征参数；检测提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值是否大于阈值；若小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像；计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；若第一马氏距离大于第二马氏距离，则确定待检测图像所属的产品无缺陷。通过本实施例，当提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值小于或等于阈值时，由于通过高斯混合模型对有缺陷产品特征图像和无缺陷产品特征图像进行分类，只需要少量有缺陷产品特征图像和无缺陷产品特征图像即可，所以不再需要大量样本图像对模型进行训练，计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像后，再基于高斯混合模型输出的输出结果，计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离，基于第一马氏距离和第二马氏距离即可确定待检测图像所属的产品有无缺陷，保证了检测结果的准确性，解决了现有技术中需要大量的产品样本，如果某些缺陷的样本很少，无法满足训练参数模型要求，就会导致检测结果不准确的问题。
进一步地，一实施例中，在步骤S40之前，包括：
通过LBP计算得到有缺陷产品图像任一最小重复单元的第一纹理特征；
通过GLCM计算得到有缺陷产品图像任一最小重复单元的第二纹理特征；
通过PCA计算得到有缺陷产品图像任一最小重复单元的第三纹理特征；
基于有缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到有缺陷产品特征图像；
通过LBP计算得到无缺陷产品图像任一最小重复单元的第一纹理特征；
通过GLCM计算得到无缺陷产品图像任一最小重复单元的第二纹理特征；
通过PCA计算得到无缺陷产品图像的任一最小重复单元的第三纹理特征；
基于无缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到无缺陷产品特征图像。
本实施例中，通过局部二值模式LBP计算得到有缺陷产品图像任一最小重复单元的第一纹理特征，通过灰度共生矩阵算法GLCM计算得到有缺陷产品图像任一最小重复单元的第二纹理特征，通过主成分分析法PCA计算得到有缺陷产品图像任一最小重复单元的第三纹理特征，基于有缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到有缺陷产品特征图像，其中，计算得到有缺陷产品图像任一最小重复单元的第一纹理特征、第二纹理特征以及三纹理特征的具体实现步骤与步骤S30相同，在此不再一一赘述。
通过局部二值模式LBP计算得到无缺陷产品图像任一最小重复单元的第一纹理特征，通过灰度共生矩阵算法GLCM计算得到无缺陷产品图像任一最小重复单元的第二纹理特征，通过主成分分析法PCA计算得到无缺陷产品图像的任一最小重复单元的第三纹理特征，基于无缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到无缺陷产品特征图像。其中，计算得到无缺陷产品图像任一最小重复单元的第一纹理特征、第二纹理特征以及三纹理特征的具体实现步骤与步骤S30相对应，其实现过程在此不再一一赘述。
第三方面，本发明实施例还提供一种产品缺陷检测装置。
一实施例中，参照图6，图6为本发明产品缺陷检测装置一实施例的功能模块示意图。如图6所示，产品缺陷检测装置包括：
提取模块10，用于基于待检测图像提取几何形状特征参数和灰度特征参数；
检测模块20，用于检测提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值是否大于阈值；
第一计算模块30，用于若小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像；
第二计算模块40，用于计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；
第一确定模块50，用于若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；
第二确定模块60，用于若第一马氏距离大于第二马氏距离，则确定待检测图像所属的产品无缺陷。
进一步地，一实施例中，提取模块10，用于：
以产品图像中的任一最小重复单元图像作为待检测图像，根据待检测图像的纹理周期从产品图像中获取参考图像；
计算待检测图像各个像素点的灰度值减去参考图像对应位置处的各个像素点的灰度值的差值，根据所述差值得到待检测图像与参考图像的差异图；
将所述差异图进行二值化分割，得到二值图；
对二值图中像素值为第一预设值的区域的几何形状特征参数进行提取，在待检测图像中对与二值图中像素值为第一预设值的区域对应的区域进行灰度特征参数提取。
进一步地，一实施例中，第一计算模块30，用于：
通过局部二值模式LBP计算得到待检测图像的第一纹理特征；
通过灰度共生矩阵算法GLCM计算得到待检测图像的第二纹理特征；
通过主成分分析法PCA计算得到待检测图像的第三纹理特征；
基于待检测图像的第一纹理特征、第二纹理特征以及第三纹理特征得到目标特征图像。
进一步地，一实施例中，产品缺陷检测装置还包括第三计算模块，用于：
通过LBP计算得到有缺陷产品图像任一最小重复单元的第一纹理特征；
通过GLCM计算得到有缺陷产品图像任一最小重复单元的第二纹理特征；
通过PCA计算得到有缺陷产品图像任一最小重复单元的第三纹理特征；
基于有缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到有缺陷产品特征图像；
通过LBP计算得到无缺陷产品图像任一最小重复单元的第一纹理特征；
通过GLCM计算得到无缺陷产品图像任一最小重复单元的第二纹理特征；
通过PCA计算得到无缺陷产品图像的任一最小重复单元的第三纹理特征；
基于无缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到无缺陷产品特征图像。
进一步地，一实施例中，第二计算模块40，用于：
将有缺陷产品特征图像和无缺陷产品特征图像输入高斯混合模型，得到高斯混合模型输出的输出结果，其中，输出结果包括第一输出结果和第二输出结果，第一输出结果包括有缺陷产品特征图像的比例系数、有缺陷产品特征图像的均值以及有缺陷产品特征图像的协方差矩阵，第二输出结果包括无缺陷产品特征图像的比例系数、无缺陷产品特征图像的均值以及无缺陷产品特征图像的协方差矩阵；
将目标特征图像和第一输出结果代入第一预设公式，计算得到第一马氏距离，第一预设公式如下：
Figure GDA0003707619560000191
其中，
Figure GDA0003707619560000192
为第一马氏距离，x为目标特征图像，π1为有缺陷产品特征图像的比例系数，μ1为有缺陷产品特征图像的均值，Σ1为有缺陷产品特征图像的协方差矩阵，(x-μ1)T为(x-μ1)的转置矩阵；
将目标特征图像和第二输出结果代入第二预设公式，计算得到第二马氏距离，第二预设公式如下：
Figure GDA0003707619560000201
其中，
Figure GDA0003707619560000202
为第二马氏距离，x为目标特征图像，π2为无缺陷产品特征图像的比例系数，μ2为无缺陷产品特征图像的均值，Σ2为无缺陷产品特征图像的协方差矩阵，(x-μ2)T为(x-μ2)的转置矩阵。
其中，上述产品缺陷检测装置中各个模块的功能实现与上述产品缺陷检测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
第四方面，本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有产品缺陷检测程序，其中所述产品缺陷检测程序被处理器执行时，实现如上述的产品缺陷检测方法的步骤。
其中，产品缺陷检测程序被执行时所实现的方法可参照本发明产品缺陷检测方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种产品缺陷检测方法，其特征在于，所述产品缺陷检测方法包括：
基于待检测图像提取几何形状特征参数和灰度特征参数；
检测提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值是否大于阈值；
若小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像；
计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；
若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；
若第一马氏距离大于第二马氏距离，则确定待检测图像所属的产品无缺陷。
2.如权利要求1所述的产品缺陷检测方法，其特征在于，所述基于待检测图像提取几何形状特征参数和灰度特征参数的步骤包括：
以产品图像中的任一最小重复单元图像作为待检测图像，根据待检测图像的纹理周期从产品图像中获取参考图像；
计算待检测图像各个像素点的灰度值减去参考图像对应位置处的各个像素点的灰度值的差值，根据所述差值得到待检测图像与参考图像的差异图；
将所述差异图进行二值化分割，得到二值图；
对二值图中像素值为第一预设值的区域的几何形状特征参数进行提取，在待检测图像中对与二值图中像素值为第一预设值的区域对应的区域进行灰度特征参数提取。
3.如权利要求1所述的产品缺陷检测方法，其特征在于，所述计算待检测图像的纹理特征，得到目标特征图像的步骤包括：
通过局部二值模式LBP计算得到待检测图像的第一纹理特征；
通过灰度共生矩阵算法GLCM计算得到待检测图像的第二纹理特征；
通过主成分分析法PCA计算得到待检测图像的第三纹理特征；
基于待检测图像的第一纹理特征、第二纹理特征以及第三纹理特征得到目标特征图像。
4.如权利要求1所述的产品缺陷检测方法，其特征在于，在所述计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离的步骤之前，包括：
通过LBP计算得到有缺陷产品图像任一最小重复单元的第一纹理特征；
通过GLCM计算得到有缺陷产品图像任一最小重复单元的第二纹理特征；
通过PCA计算得到有缺陷产品图像任一最小重复单元的第三纹理特征；
基于有缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到有缺陷产品特征图像；
通过LBP计算得到无缺陷产品图像任一最小重复单元的第一纹理特征；
通过GLCM计算得到无缺陷产品图像任一最小重复单元的第二纹理特征；
通过PCA计算得到无缺陷产品图像的任一最小重复单元的第三纹理特征；
基于无缺陷产品图像的第一纹理特征、第二纹理特征以及第三纹理特征得到无缺陷产品特征图像。
5.如权利要求1所述的产品缺陷检测方法，其特征在于，所述计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离的步骤包括：
将有缺陷产品特征图像和无缺陷产品特征图像输入高斯混合模型，得到高斯混合模型输出的输出结果，其中，输出结果包括第一输出结果和第二输出结果，第一输出结果包括有缺陷产品特征图像的比例系数、有缺陷产品特征图像的均值以及有缺陷产品特征图像的协方差矩阵，第二输出结果包括无缺陷产品特征图像的比例系数、无缺陷产品特征图像的均值以及无缺陷产品特征图像的协方差矩阵；
将目标特征图像和第一输出结果代入第一预设公式，计算得到第一马氏距离，第一预设公式如下：
Figure FDA0003707619550000031
其中，
Figure FDA0003707619550000032
为第一马氏距离，x为目标特征图像，π1为有缺陷产品特征图像的比例系数，μ1为有缺陷产品特征图像的均值，Σ1为有缺陷产品特征图像的协方差矩阵，(x-μ1)T为(x-μ1)的转置矩阵；
将目标特征图像和第二输出结果代入第二预设公式，计算得到第二马氏距离，第二预设公式如下：
Figure FDA0003707619550000033
其中，
Figure FDA0003707619550000034
为第二马氏距离，x为目标特征图像，π2为无缺陷产品特征图像的比例系数，μ2为无缺陷产品特征图像的均值，Σ2为无缺陷产品特征图像的协方差矩阵，(x-μ2)T为(x-μ2)的转置矩阵。
6.一种产品缺陷检测装置，其特征在于，所述产品缺陷检测装置包括：
提取模块，用于基于待检测图像提取几何形状特征参数和灰度特征参数；
检测模块，用于检测提取的几何形状特征参数与对应的几何形状特征参数预设值之间的差值绝对值和/或提取的灰度特征参数与对应的灰度特征参数预设值之间的差值绝对值是否大于阈值；
第一计算模块，用于若小于或等于阈值，则计算待检测图像的纹理特征，基于待检测图像的纹理特征得到目标特征图像；
第二计算模块，用于计算目标特征图像与有缺陷产品特征图像之间的第一马氏距离以及目标特征图像与无缺陷产品特征图像之间的第二马氏距离；
第一确定模块，用于若第一马氏距离小于或等于第二马氏距离，则确定待检测图像所属的产品有缺陷；
第二确定模块，用于若第一马氏距离大于第二马氏距离，则确定待检测图像所属的产品无缺陷。
7.如权利要求6所述的产品缺陷检测装置，其特征在于，所述提取模块，用于：
以产品图像中的任一最小重复单元图像作为待检测图像，根据待检测图像的纹理周期从产品图像中获取参考图像；
计算待检测图像各个像素点的灰度值减去参考图像对应位置处的各个像素点的灰度值的差值，根据所述差值得到待检测图像与参考图像的差异图；
将所述差异图进行二值化分割，得到二值图；
对二值图中像素值为第一预设值的区域的几何形状特征参数进行提取，在待检测图像中对与二值图中像素值为第一预设值的区域对应的区域进行灰度特征参数提取。
8.如权利要求6所述的产品缺陷检测装置，其特征在于，所述第二计算模块，用于：
将有缺陷产品特征图像和无缺陷产品特征图像输入高斯混合模型，得到高斯混合模型输出的输出结果，其中，输出结果包括第一输出结果和第二输出结果，第一输出结果包括有缺陷产品特征图像的比例系数、有缺陷产品特征图像的均值以及有缺陷产品特征图像的协方差矩阵，第二输出结果包括无缺陷产品特征图像的比例系数、无缺陷产品特征图像的均值以及无缺陷产品特征图像的协方差矩阵；
将目标特征图像和第一输出结果代入第一预设公式，计算得到第一马氏距离，第一预设公式如下：
Figure FDA0003707619550000041
其中，
Figure FDA0003707619550000042
为第一马氏距离，x为目标特征图像，π1为有缺陷产品特征图像的比例系数，μ1为有缺陷产品特征图像的均值，Σ1为有缺陷产品特征图像的协方差矩阵，(x-μ1)T为(x-μ1)的转置矩阵；
将目标特征图像和第二输出结果代入第二预设公式，计算得到第二马氏距离，第二预设公式如下：
Figure FDA0003707619550000043
其中，
Figure FDA0003707619550000044
为第二马氏距离，x为目标特征图像，π2为无缺陷产品特征图像的比例系数，μ2为无缺陷产品特征图像的均值，Σ2为无缺陷产品特征图像的协方差矩阵，(x-μ2)T为(x-μ2)的转置矩阵。
9.一种产品缺陷检测设备，其特征在于，所述产品缺陷检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的产品缺陷检测程序，其中所述产品缺陷检测程序被所述处理器执行时，实现如权利要求1至5中任一项所述的产品缺陷检测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有产品缺陷检测程序，其中所述产品缺陷检测程序被处理器执行时，实现如权利要求1至5中任一项所述的产品缺陷检测方法的步骤。
CN202210498896.5A 2022-05-09 2022-05-09 产品缺陷检测方法、装置、设备及可读存储介质 Active CN114612469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210498896.5A CN114612469B (zh) 2022-05-09 2022-05-09 产品缺陷检测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210498896.5A CN114612469B (zh) 2022-05-09 2022-05-09 产品缺陷检测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114612469A CN114612469A (zh) 2022-06-10
CN114612469B true CN114612469B (zh) 2022-08-12

Family

ID=81869321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210498896.5A Active CN114612469B (zh) 2022-05-09 2022-05-09 产品缺陷检测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114612469B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764804B (zh) * 2022-06-16 2022-09-20 深圳新视智科技术有限公司 锂电池极片缺陷检测方法、装置、设备及存储介质
CN116245848B (zh) * 2023-03-09 2023-09-19 北京华夏视科技术股份有限公司 一种产品缺陷检测方法及相关设备
CN116486116B (zh) * 2023-06-16 2023-08-29 济宁大爱服装有限公司 一种基于机器视觉的服装加工用吊挂机异常检测方法
CN116823924B (zh) * 2023-08-24 2023-12-12 杭州百子尖科技股份有限公司 缺陷区域面积的确定方法、装置、电子设备以及存储介质
CN117007611B (zh) * 2023-09-28 2024-01-09 杭州百子尖科技股份有限公司 片状材料的周期性缺陷检测方法、装置、设备以及介质
CN117351010B (zh) * 2023-12-04 2024-03-01 中科慧远视觉技术（洛阳）有限公司 一种基于深度学习的金属凹陷结构缺陷检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107255641A (zh) * 2017-06-06 2017-10-17 西安理工大学 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法
JP2018004276A (ja) * 2016-06-27 2018-01-11 株式会社リコー 検査装置、検査方法及びプログラム
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
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
CN114419045A (zh) * 2022-03-30 2022-04-29 武汉中导光电设备有限公司 光刻掩模板缺陷检测方法、装置、设备及可读存储介质
CN114419004A (zh) * 2022-01-21 2022-04-29 佛山技研智联科技有限公司 织物瑕疵的检测方法、装置、计算机设备及可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006098151A (ja) * 2004-09-29 2006-04-13 Dainippon Screen Mfg Co Ltd パターン検査装置およびパターン検査方法
US10823681B2 (en) * 2016-03-30 2020-11-03 Agency For Science, Technology And Research System and method for imaging a surface defect on an object
JP7015001B2 (ja) * 2018-03-14 2022-02-02 オムロン株式会社 欠陥検査装置、欠陥検査方法、及びそのプログラム
CN111275697B (zh) * 2020-02-10 2022-04-22 西安交通大学 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法
CN112950594B (zh) * 2021-03-08 2023-06-23 北京理工大学 产品表面缺陷的检测方法、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018004276A (ja) * 2016-06-27 2018-01-11 株式会社リコー 検査装置、検査方法及びプログラム
CN107255641A (zh) * 2017-06-06 2017-10-17 西安理工大学 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法
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
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
CN114419004A (zh) * 2022-01-21 2022-04-29 佛山技研智联科技有限公司 织物瑕疵的检测方法、装置、计算机设备及可读存储介质
CN114419045A (zh) * 2022-03-30 2022-04-29 武汉中导光电设备有限公司 光刻掩模板缺陷检测方法、装置、设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multiclass defect detection and classification in weld radiographic images using geometric and texture features;Ioannis Valavanis et al.;《Expert Systems with Applications》;20101231;第37卷(第12期);全文 *
基于超像素的平面铣削工件表面缺陷视觉检测研究;马逐曦;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20200215;全文 *

Also Published As

Publication number Publication date
CN114612469A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN114612469B (zh) 产品缺陷检测方法、装置、设备及可读存储介质
Wang et al. A simple guidance template-based defect detection method for strip steel surfaces
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN106778788B (zh) 对图像进行美学评价的多特征融合方法
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN106778814B (zh) 一种基于投影谱聚类算法的去除sar图像斑点的方法
CN109993221B (zh) 一种图像分类方法及装置
WO2019232870A1 (zh) 手写字训练样本获取方法、装置、计算机设备及存储介质
CN112001362A (zh) 一种图像分析方法、图像分析装置及图像分析系统
CN113449784A (zh) 基于先验属性图谱的图像多分类方法、装置、设备及介质
CN111783885A (zh) 一种基于局部增强的毫米波图像的质量分类模型构建方法
CN111242957A (zh) 一种数据处理方法、装置及计算机存储介质和电子设备
Zhang et al. Remote sensing image segmentation based on an improved 2-D gradient histogram and MMAD model
CN117557565B (zh) 一种锂电池极片的检测方法及其装置
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN114445410A (zh) 基于图像识别的电路板检测方法、计算机及可读存储介质
CN115485740A (zh) 异常晶片图像分类
CN109726722B (zh) 一种字符分割方法及装置
CN103679174A (zh) 一种形状描述子的生成方法、装置
CN114897797A (zh) 印刷电路板的缺陷检测方法、装置、设备及存储介质
Zhou et al. Double low-rank based matrix decomposition for surface defect segmentation of steel sheet
CN112560926B (zh) 一种自动确定玻璃类型的方法
CN113177602A (zh) 图像分类方法、装置、电子设备和存储介质
CN113850274A (zh) 一种基于hog特征及dmd的图像分类方法

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