CN114998216A - 透明件表面缺陷快速检测方法及装置 - Google Patents
透明件表面缺陷快速检测方法及装置 Download PDFInfo
- Publication number
- CN114998216A CN114998216A CN202210484198.XA CN202210484198A CN114998216A CN 114998216 A CN114998216 A CN 114998216A CN 202210484198 A CN202210484198 A CN 202210484198A CN 114998216 A CN114998216 A CN 114998216A
- Authority
- CN
- China
- Prior art keywords
- detected
- image
- specimen
- point set
- feature point
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
Abstract
本发明公开了一种透明件表面缺陷快速检测方法及装置,所述方法包括:根据待检测透明件的表面图像生成待检测图像,对所述待检测图像进行识别,根据得到的待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果,进而确定所述待检测透明件对应的缺陷检测结果。本方案可以通过对待检测透明件对应的待检测图像进行识别和比对匹配的方式来确定缺陷检测结果,从而可以得到较为准确的缺陷检测结果,研制相应的透明件表面缺陷移动式快速检测或者固定式快速监测装置对透明件表面缺陷进行高效检测或者实时监测,以便为改善透明件表面光洁度提供准确的表面缺陷监测数据信息,达到减小透明件表面缺陷的目的。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种透明件表面缺陷快速检测方法及装置。
背景技术
在这个智能化的时代,类似于钢化玻璃这样的透明显示零部件(简称透明件)使用越来越广泛。在生活的各个角落都可见到透明钢化玻璃的身影,例如,手机屏幕、钢化膜、仪表盘的显示屏等各种电子产品中的透明件,此外,这些透明件也广泛应用于建筑、汽车、家居、光伏等工业领域。随着技术的高速发展,各类电子产品的产出量越来越大,透明钢化玻璃的需求也越来越大。然而,钢化玻璃在生产的过程中由于某些因素会产生各种各样的缺陷,一般包括划痕、裂纹、气泡、夹杂、污垢等缺陷类型,这些缺陷会导致钢化玻璃的产品质量下降。要改进这种状况,钢化玻璃生产制造的过程中的缺陷检测和实时监测就显得特别重要。
在钢化玻璃的传统制造工艺过程中,检查钢化玻璃表面缺陷大多使用人工检测方法,很显然,人眼观察不可避免会出现视觉盲区和视觉疲劳,这些都会导致检测准确性和检测效率低下。近年来利用机器视觉技术检测材料表面缺陷成为研究热点,并且钢化玻璃的缺陷检测也处于起步阶段,其中的图像处理部分,在该领域中,随着图像采集、视频处理技术的进步发展,图像的分辨率、图像的存储大小、图像的处理速度都是越来越高,而图像处理系统的硬件体积却要求越来越小,处理实时性也要求越来越高,这给传统的图像处理平台带来严重的挑战。
目前,透明件缺陷检测虽然在一些方面取得了一定成果,但由于受到图像处理技术不完善、待检样品表面缺陷种类繁多、形状复杂、背景多样以及实际条件的限制,可能导致最终检测结果产生一定误差。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提出一种透明件表面缺陷快速检测方法及装置,旨在解决如何减小透明件表面缺陷快速检测的技术问题。
为实现上述目的,本发明提供一种透明件表面缺陷快速检测方法,所述透明件表面缺陷快速检测方法包括:
获取待检测透明件的表面图像;
根据所述表面图像生成待检测图像;
对所述待检测图像进行识别,得到待检测图像特征点集;
根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果;
根据所述待检测图像特征点匹配结果确定所述待检测透明件对应的缺陷检测结果。
可选地,所述根据所述待检测图像特征点集与标本特征点集数据库进行比对匹配之前,还包括:
采集具有不同缺陷等级的透明件表面缺陷图像;
根据所述透明件表面缺陷图像创建用作计量的标本特征点集数据库;
根据使用需求对所述标本特征点集数据库进行适时更新。
可选地,所述根据所述透明件表面缺陷图像创建用作计量的标本特征点集数据库,包括:
根据所述透明件表面缺陷图像生成多个包含标签的标本图像;
分别对多个标本图像依次进行特征点检测和特征点描述,得到对应的多个标本图像特征点集;
根据多个标本图像特征点集创建用作计量的标本特征点集数据库。
可选地,所述根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果,包括:
基于所述待检测图像特征点集进行哈希编码,得到待检测哈希编码以及待检测子串哈希编码;
根据所述标本特征点集数据库确定对应的标本哈希散列表;
根据所述待检测哈希编码以及所述待检测子串哈希编码与所述标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果。
可选地,所述根据所述标本特征点集数据库确定对应的标本哈希散列表,包括:
基于所述标本特征点集数据库中的多个标本特征点集分别进行哈希编码,得到对应的标本哈希编码以及标本子串哈希编码;
根据所述标本哈希编码以及所述标本子串哈希编码构建哈希散列表。
可选地,所述待检测哈希编码以及所述待检测子串哈希编码与所述标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果,包括:
根据所述待检测哈希编码以及所述待检测子串哈希编码在所述标本哈希散列表中查找对应的目标哈希编码和目标子串哈希编码;
获取与所述目标哈希编码和所述目标子串哈希编码对应的目标特征;
将所述目标特征作为与所述待检测图像特征点集对应的相似特征;
根据所述相似特征确定待检测图像特征点匹配结果。
可选地,所述对所述待检测图像进行识别,得到待检测图像特征点集,包括:
对所述待检测图像进行特征点检测,得到待检测图像特征点检测结果;
基于所述待检测图像特征点检测结果进行特征点描述,得到待检测图像特征点描述结果;
根据所述待检测图像特征点描述结果生成与所述待检测图像对应的待检测图像特征点集。
可选地,所述对所述待检测图像进行特征点检测,得到待检测图像特征点检测结果,包括:
根据所述待检测图像生成待检测图像数据流;
基于高斯级联与差分金字塔模块对所述待检测图像数据流进行处理,得到与所述待检测图像数据流对应的多个尺度空间;
根据多个尺度空间确定局部极值点;
根据所述局部极值点生成关键点提取信息;
根据所述关键点提取信息得到待检测图像特征点检测结果;
相应地,所述基于所述待检测图像特征点检测结果进行特征点描述,得到待检测图像特征点描述结果,包括:
根据所述待检测图像特征点检测结果确定多个初始特征点;
采用海森矩阵对所述初始特征点进行筛选,得到候选特征点;
通过所述海森矩阵的特征值对所述候选特征点的性质进行描述,并对所述候选特征点进行梯度方向直方图统计,得到待检测图像特征点描述结果。
可选地,所述根据所述表面图像生成待检测图像,包括:
基于莫尔条纹原理对所述表面图像进行处理,得到干涉条纹;
使用显示屏作为光线来源,在所述干涉条纹的基础上添加等间距的光栅,以形成莫尔干涉条纹;
根据所述莫尔干涉条纹生成待检测图像。
此外,为实现上述目的,本发明还提出一种透明件表面缺陷快速检测装置,所述透明件表面缺陷快速检测装置包括:
图像获取模块,用于获取待检测透明件的表面图像;
图像处理模块,用于根据所述表面图像生成待检测图像;
特征点识别模块,用于对所述待检测图像进行识别,得到待检测图像特征点集;
比对匹配模块,用于根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果;
检测结果模块,用于根据所述待检测图像特征点匹配结果确定所述待检测透明件对应的缺陷检测结果。
本发明提出的透明件表面缺陷快速检测方法中获取待检测透明件的表面图像;根据所述表面图像生成待检测图像;对所述待检测图像进行识别,得到待检测图像特征点集;根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果;根据所述待检测图像特征点匹配结果确定所述待检测透明件对应的缺陷检测结果。本方案可以通过对待检测透明件对应的待检测图像进行识别,并通过特征点比对匹配的方式来确定缺陷检测结果,从而可以得到较为准确的缺陷检测结果,研制相应的透明件表面缺陷移动式快速检测或者固定式快速监测装置对透明件表面缺陷进行高效检测或者实时监测,以便为改善透明件表面光洁度提供准确的表面缺陷监测数据信息,达到减小透明件表面缺陷的目的。
附图说明
图1为本发明透明件表面缺陷快速检测方法第一实施例的流程示意图;
图2为本发明透明件表面缺陷快速检测方法一实施例的模块架构示意图;
图3为本发明透明件表面缺陷快速检测方法一实施例的莫尔干涉条纹的形成示意图;
图4为本发明透明件表面缺陷快速检测方法一实施例的莫尔干涉条纹的效果示意图;
图5为本发明透明件表面缺陷快速检测方法一实施例的缺陷样例示意图;
图6为本发明透明件表面缺陷快速检测方法一实施例的算法结构总体布局示意图;
图7为本发明透明件表面缺陷快速检测方法第二实施例的标本图像点集数据库的构建的流程示意图;
图8为本发明透明件表面缺陷快速检测方法第三实施例的流程示意图;
图9为本发明透明件表面缺陷快速检测方法一实施例的哈希算法的框架结构示意图;
图10为本发明透明件表面缺陷快速检测方法第四实施例的流程示意图;
图11为本发明透明件表面缺陷快速检测方法一实施例的SIFT算法框架示意图;
图12为本发明透明件表面缺陷快速检测装置第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。
参照图1,图1为本发明透明件表面缺陷快速检测方法第一实施例的流程示意图。
在第一实施例中,所述透明件表面缺陷快速检测方法包括:
步骤S10,获取待检测透明件的表面图像。
需要说明的是,本实施例的执行主体可为透明件表面缺陷快速检测设备,该透明件表面缺陷快速检测设备可为具有数据处理功能的计算机设备,还可为其他可实现相同或相似功能的设备,本实施例对此不作限制,在本实施例中,以透明件表面缺陷快速检测设备为计算机设备为例进行说明。
需要说明的是,本实施例中的待检测透明件可以包括但不限于透明钢化玻璃,还可以包括其他类型的玻璃或者其他类型的透明件,本实施例对此不作限制,在本实施例中,以待检测透明件为透明钢化玻璃为例进行说明。
需要说明的是,由于CPU和图形处理单元(GPU:Graphics Processing Unit)的效率限制在于数据在内存中搬来搬去,而不是运算本身。并且GPU和CPU在进行运算时要把数据从内存中取出来,算好了在放回去,这样内存带宽往往成了运算速度的瓶颈。而现场可编程门阵列(FPGA,Field Programmable Gate Array)则可以通过堆很多计算硬件的方法把要做的运算都展开,因此,本方案基于FPGA的架构优势,利用verilog搭建出流水线的硬件结构,来优化尺度不变特征变换(SIFT:Scale Invariant Feature Transform)及哈希算法,以充分节省数据传输时间和存储空间,从而既提高了缺陷检测和检测中图像处理的效率和检测的实时性,又大大缩小了检测装置的体积和功耗。
应当理解的是,可以如图2所示,图2为模块架构示意图,本方案的模块架构可以由图像数据流模块、高斯级联与差分金字塔模块、海森矩阵模块、梯度直方图统计模块、哈希函数模块以及哈希散列表模块等模块构成。
在具体实现中,本方案进行缺陷检测的过程主要分为两个部分,分别为数据库构建和缺陷识别。在本方案中的结构中,在FPGA中实现高斯级联、差分金字塔模块是流水线的级联展开结构;识别的过程是一个分解哈希子串再查询散列表进行距离度量得到监测结果的过程;并且,在建立数据库的过程,调试与筛选的过程可以手动删除一张图片中的干扰特征信息,精简数据库中有用的特征信息,来保证监测的准确性,本实施例对此不作限制。
可以理解的是,在确定需要进行缺陷检测的透明件之后,可以将该透明件称为待检测透明件,由于本方案主要针对透明件表面的裂痕、划痕、夹杂、以及气泡等缺陷进行检测,因此,为了便于进行后续的检测,可以获取待检测透明件的表面图像。
步骤S20,根据所述表面图像生成待检测图像。
应当理解的是,由于透明件的表面容易出现反光的情况,细微的划痕等缺陷在图像中难以被发现,因此,为了进一步提高缺陷检测的精度,本方案还会对表面图像进行预处理,以生成更便于进行缺陷检测的待检测图像。
可以理解的是,可基于莫尔条纹原理对表面图像进行处理,得到干涉条纹,使用显示屏作为光线来源,在干涉条纹的基础上添加等间距的光栅,以形成莫尔干涉条纹,根据莫尔干涉条纹生成待检测图像。
需要说明的是,莫尔条纹是两条线之间以恒定的角度和频率发生干涉的视觉结果。为了应用于缺陷检测,可以利用莫尔条纹的原理得到干涉条纹,使用薄膜晶体管液晶显示屏(TFT-LCD:Thin Film Transistor-Liquid Crystal Display)的显示屏作为光线来源加上等间距的光栅形成莫尔干涉条纹,本实施例对此不作限制。
在具体实现中,可以如图3、图4、图5所示,图3为莫尔干涉条纹的形成示意图,图4为莫尔干涉条纹的效果示意图,图5为缺陷样例示意图,其中,图5中的(1)为气泡缺陷样例,图5中的(2)为裂痕缺陷样例,图5中的(3)为夹杂缺陷样例。
步骤S30,对所述待检测图像进行识别,得到待检测图像特征点集。
需要说明的是,可以通过SIFT算法对待检测图像进行识别,可以通过可实现相同或相似功能的算法对待检测图像进行识别,本实施例对此不作限制,在本实施例中,以通过SIFT算法对待检测图像进行识别为例进行说明。
应当理解的是,可以如图6所示,图6为算法结构总体布局示意图,本方案的算法主要用SIFT和哈希算法结合而成。将硬件结构的底层对算法进行简化,减少运算复杂度,加快识别效率。
步骤S40,根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果。
需要说明的是,在进行比对匹配之前,还可以采集具有不同缺陷等级的透明件表面缺陷图像,根据透明件表面缺陷图像创建用作计量的标本特征点集数据库,并根据使用需求对所述标本特征点集数据库进行适时更新。
应当理解的是,为了使标本特征点集数据库中的数据更加丰富,以满足各种场景下的透明件表面缺陷检测,提高缺陷检测的效率和精度。可以预先采集具有不同缺陷等级和/或不同缺陷类型的透明件表面缺陷图像,通过这些缺陷图像来创建用作计量的标本特征点集数据库。并且,由于可能存在数据更新或者使用场景更新的情况,在这些情况下,原本的标本特征点集数据库中的数据可能已经无法满足当前的使用需求了。因此,为了进一步提高缺陷检测效果,本方案还可以根据用户的使用需求在适当的时候对标本特征点集数据库进行适时更新,本实施例对此不作限制。
应当理解的是,本实施例在实现比对匹配时,为了达到更好的匹配效果,可以通过哈希算法来进行比对匹配,例如,可以基于待检测图像特征点集进行哈希编码,得到待检测图像哈希编码和待检测子串哈希编码,并获取与标本特征点集数据库对应的标本哈希散列表,并根据待检测图像哈希编码以及待检测子串哈希编码与标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果。除此之外,也可以通过其他可实现相同或相似功能的方式来进行比对,本实施例对此不作限制。
步骤S50,根据所述待检测图像特征点集与标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果。
应当理解的是,在确定待检测图像特征点匹配结果之后,便可以根据待检测图像特征点匹配结果来确定待检测透明件对应的缺陷检测结果。例如,假如待检测图像的检测图像特征点集与具有裂痕缺陷的标本图像的标本特征点集匹配,则说明待检测透明件存在裂痕缺陷;假如待检测图像的检测图像特征点集与具有气泡缺陷的标本图像的标本特征点集匹配,则说明待检测透明件存在气泡缺陷;假如待检测图像的检测图像特征点集与具有夹杂缺陷的标本图像的标本特征点集匹配,则说明待检测透明件存在夹杂缺陷。
可以理解的是,本方案结合SIFT算法和哈希算法,通过图像识别的方式对待检测透明件进行缺陷检测,可以得到较为准确的缺陷检测结果,而且,还可以提高缺陷检测的效率和缺陷检测的实时性,能够达到更好的缺陷检测效果。同时,基于本方案的方案构思可以研制相应的透明件表面缺陷移动式快速检测或者固定式快速监测装置对透明件表面缺陷进行高效检测或者实时监测,以便为改善透明件表面光洁度提供准确的表面缺陷监测数据信息,达到减小透明件表面缺陷的目的。
需要说明的是,本方案的透明件表面缺陷快速检测方法可以基于FPGA搭建的一种硬件结构来实现,该硬件结构可为透明件表面缺陷检测的一种流水线的硬件结构,将计算展开为并行的硬件结构,完成并行计算加速识别检测的效果。
在本实施例中,获取待检测透明件的表面图像;根据所述表面图像生成待检测图像;对所述待检测图像进行识别,得到待检测图像特征点集;根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果;根据所述待检测图像特征点匹配结果确定所述待检测透明件对应的缺陷检测结果。本方案可以通过对待检测透明件对应的待检测图像进行识别,并通过特征点比对匹配的方式来确定缺陷检测结果,从而可以得到较为准确的缺陷检测结果,研制相应的透明件表面缺陷移动式快速检测或者固定式快速监测装置对透明件表面缺陷进行高效检测或者实时监测,以便为改善透明件表面光洁度提供准确的表面缺陷监测数据信息,达到减小透明件表面缺陷的目的。
在一实施例中,如图7所示,基于第一实施例提出本发明透明件表面缺陷快速检测方法第二实施例,所述步骤S40之前,还包括:
步骤S01,采集具有不同缺陷等级的透明件表面缺陷图像。
需要说明的是,为了使标本特征点集数据库中的数据更加丰富,以满足各种场景下的透明件表面缺陷检测,提高缺陷检测的效率和精度。可以预先采集具有不同缺陷等级和/或不同缺陷类型的透明件表面缺陷图像,通过这些缺陷图像来创建用作计量的标本特征点集数据库。
步骤S02,根据所述透明件表面缺陷图像创建用作计量的标本特征点集数据库。
应当理解的是,可以根据透明件表面缺陷图像生成多个包含标签的标本图像,分别对多个标本图像依次进行特征点检测和特征点描述,得到对应的多个标本图像特征点集,根据多个标本图像特征点集创建用作计量的标本特征点集数据库。
需要说明的是,可如图7所示,图7不仅为本实施例的流程示意图,还可为标本图像点集数据库的构建流程示意图。
需要说明的是,哈希算法常用于图像的匹配,哈希算法中提取子串的运算效率较高,根据这一性质,可以将哈希算法简化后与SIFT算法结合可以完成特征的提取与匹配,根据SIFT算法得到的数据构建标本特征点集数据库,整理标本特征点集数据库得到完整的标本哈希散列表。
可以理解的是,本实施例中的标本图像可为带有对应标签的具有不同缺陷等级的透明件表面缺陷图像,在具体实现中,可以根据透明件表面缺陷图像的缺陷等级和/或缺陷类型生成对应的标签,然后将标签添加至透明件表面缺陷图像中,得到标本图像。例如,具有裂痕缺陷的标本图像带有裂痕缺陷标签,具有气泡缺陷的标本图像带有气泡缺陷标签等,本实施例对此不作限制。
步骤S02,分别对多个标本图像依次进行特征点检测和特征点描述,得到对应的多个标本图像特征点集。
可以理解的是,可以采用与待检测图像相同的识别方式分别对多个标本图像进行处理,即可以基于SIFT算法对多个标本图像依次进行特征点检测和特征点描述,然后便可得到多个标本图像对应的多个样本图像特征点集。
应当理解的是,可以根据多个标本图像特征点集构建标本特征点集数据库,因此,标本特征点集数据库包含有多个标本图像对应的标本特征点集,可以用于后续与待检测图像特征点集进行比对匹配。
步骤S03,根据使用需求对所述标本特征点集数据库进行适时更新。
需要说明的是,由于可能存在数据更新或者使用场景更新的情况,在这些情况下,原本的标本特征点集数据库中的数据可能已经无法满足当前的使用需求了。因此,为了进一步提高缺陷检测效果,本方案还可以根据用户的使用需求在适当的时候对标本特征点集数据库进行适时更新,以得到更新后的标本特征点集数据库,用于后续的比对匹配,以进行透明件表面缺陷检测。
在具体实现中,例如,用户可以设置自动更新周期,周期性的获取新的具有不同缺陷等级的透明件表面缺陷图像来对标本特征点集数据库进行更新;用户也可以自主选择更新时间,在适当的时候采集具有不同缺陷等级的透明件表面缺陷图像来对标本特征点集数据库进行更新。除了上述方式之外,还可以其他方式来对标本特征点集数据库进行适时更新,本实施例对此不作限制。
在本实施例中,采集具有不同缺陷等级的透明件表面缺陷图像;根据所述透明件表面缺陷图像创建用作计量的标本特征点集数据库;根据使用需求对所述标本特征点集数据库进行适时更新。从而可以通过上述步骤在进行缺陷检测之前,先对多个样本图像进行处理,以构建标本特征点集数据库,用于后续与待检测图像特征点集进行比对匹配,提高了比对匹配的效率。
在一实施例中,如图8所示,基于第一实施例提出本发明透明件表面缺陷快速检测方法第三实施例,所述步骤S40,包括:
步骤S401,基于所述待检测图像特征点集进行哈希编码,得到待检测哈希编码以及待检测子串哈希编码。
需要说明的是,对模板图和观测图建立关键点描述子集合,目标的识别是通过两点集内关键点描述子的对比来完成。
为了完成图像的特征匹配,本方案引入哈希算法,哈希函数是一个映射函数,将关键字的集合映射到某个地址集合上,只要这个地址不超过允许范围,将SIFT算法生成的向量集经过哈希函数后,会被转化为固定长度的输出称为键码值,这是一种压缩映射,散列值空间远小于输入长度的空间。其中,哈希函数可以通过构建散列表来存储,根据键码值直接访问存储空间的数据结构。
哈希函数有着以空间换时间的思想,哈希函数有一个更为适合于做特征匹配的原因是哈希函数在编码SIFT输出的原向量,或者子集向量都十分方便,可以在向量层对关键数据集信息进行分割提取,对关键数据进行多层分割与提取,可以大大增强图像匹配的鲁棒性。
哈希函数计算字串的哈希编码也是一件极为方便的事情,因此在钢化玻璃表面缺陷检测的应用场景中设计的哈希算法的框架结构如图9所示。
应当理解的是,可以根据待检测图像特征点集生成待检测图像特征描述向量,进而基于待检测图像特征描述向量进行哈希编码,从而得到待检测哈希编码以及待检测子串哈希编码,其中,待检测子串哈希编码的数量可为3个,本实施例对待检测子串哈希编码的数量不作限制。
步骤S402,根据所述标本特征点集数据库确定对应的标本哈希散列表。
需要说明的是,可以预先对一些带有标签的标本图像进行处理,得到各标本图像对应的标本特征点集,并根据这些标本特征点集来构建标本特征点集数据库。
因此,还可以基于标本特征点集数据库中的多个标本特征点集分别进行哈希编码,得到对应的标本哈希编码以及标本子串哈希编码,进而根据标本哈希编码以及标本子串哈希编码构建哈希散列表。
步骤S403,根据所述待检测哈希编码以及所述待检测子串哈希编码与所述标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果。
可以理解的是,为了提高匹配效率并提高匹配的精度,在本实施例中,通过将待检测哈希编码以及待检测子串哈希编码与标本哈希散列表进行哈希查询的方式来进行比对匹配。
应当理解的是,在标本哈希散列表中查找与待检测哈希编码以及待检测子串哈希编码对应的目标哈希编码和目标子串哈希编码,进而获取与目标哈希编码和目标子串哈希编码对应的目标特征,将目标特征作为与待检测图像特征点集对应的相似特征,并根据相似特征确定待检测图像特征点匹配结果。
在本实施例中,基于所述待检测图像特征点集进行哈希编码,得到待检测哈希编码以及待检测子串哈希编码;根据所述标本特征点集数据库确定对应的标本哈希散列表;根据所述待检测哈希编码以及所述待检测子串哈希编码与所述标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果。从而可以将待检测图像特征点集转换为待检测哈希编码以及待检测子串哈希编码,通过在标本哈希散列表中进行哈希查询的方式来进行比对匹配,可以提高比对匹配的效率和精度。
在一实施例中,如图10所示,基于第一实施例或第二实施例提出本发明透明件表面缺陷快速检测方法第四实施例,在本实施例中,基于第一实施例进行说明,所述步骤S30,包括:
步骤S301,对所述待检测图像进行特征点检测,得到待检测图像特征点检测结果。
需要说明的是,SIFT算法为鲁棒性较强的图像特征提取算法,基于尺度空间对图像缩放、旋转甚至放射变换保持不变性的图像局部特征描述算子。该算法将一幅图像变换为一个局部特征的向量集,特征向量据由平移、缩放、旋转不变性。SIFT算法需要查找的关键的特征点包含三个:尺度、方向和大小。可以如图11所示,图11为SIFT算法框架示意图,SIFT算法可以分为特征点检测和特征点描述两个阶段。
应当理解的是,对于特征点检测阶段,可以根据待检测图像生成待检测图像数据流,基于高斯级联与差分金字塔模块对待检测图像数据流进行处理,得到与待检测图像数据流对应的多个尺度空间,根据多个尺度空间确定局部极值点,根据局部极值点生成关键点提取信息,根据关键点提取信息得到待检测图像特征点检测结果。
可以理解的是,高斯核是唯一可以产生多尺度空间的核,因此,可以结合高斯卷积、高斯金字塔以及高斯差分金字塔等算法,采用尺度空间的构思来确定局部极值点,进而得到待检测图像特征点检测结果,本实施例对此不作限制。
步骤S302,基于所述待检测图像特征点检测结果进行特征点描述,得到待检测图像特征点描述结果。
应当理解的是,对于特征点描述阶段,可以根据待检测图像特征点检测结果确定多个初始特征点,采用海森矩阵对初始特征点进行筛选,得到候选特征点,通过海森矩阵的特征值对候选特征点的性质进行描述,并对候选特征点进行梯度方向直方图统计,得到待检测图像特征点描述结果,本实施例对此不作限制。
可以理解的是,可以利用海森矩阵对特征点进行一次筛选并利用海森矩阵的特征值对特征的性质进行描述,这一环节想拥有尺度不变性质,要使得方向的变化对关键点检测无关,需要对关键点进行方向分配,利用关键点领域像素梯度方向分布特性,可以为每个关键点指定方向,从而使描述子对图像旋转具有不变性。描述关键点时通过对关键点周围图像区域分块,计算块内梯度直方图,生成具有独特性的向量,该向量时该区域图像信息的一种抽象,具有唯一性。
步骤S303,根据所述待检测图像特征点描述结果生成与所述待检测图像对应的待检测图像特征点集。
应当理解的是,在确定待检测图像特征点描述结果之后,可以根据待检测图像特征点描述结果确定与待检测图像对应的多个待检测图像特征点以及对应的待检测图像特征描述向量。
可以理解的是,在经过上述的特征点检测以及特征点描述之后,可以根据得到的待检测图像特征点生成与待检测图像对应的待检测图像特征点集,用于后续的比匹配,以准确地对待检测透明件进行缺陷检测。
在本实施例中,对所述待检测图像进行特征点检测,得到待检测图像特征点检测结果;基于所述待检测图像特征点检测结果进行特征点描述,得到待检测图像特征点描述结果;根据所述待检测图像特征点描述结果生成与所述待检测图像对应的待检测图像特征点集。从而可以结合特征点检测和特征点描述来生成与待检测图像对应的待检测图像特征点集,通过待检测图像特征点集来进行后续的比对匹配步骤,可以准确地对待检测透明件进行缺陷检测。
此外,参照图12,本发明实施例还提出一种透明件表面缺陷快速检测装置,所述透明件表面缺陷快速检测装置包括:
图像获取模块10,用于获取待检测透明件的表面图像。
需要说明的是,本实施例中的待检测透明件可以包括但不限于透明钢化玻璃,还可以包括其他类型的玻璃或者其他类型的透明件,本实施例对此不作限制,在本实施例中,以待检测透明件为透明钢化玻璃为例进行说明。
需要说明的是,由于CPU和GPU的效率限制在于数据在内存中搬来搬去,而不是运算本身。并且GPU和CPU在进行运算时要把数据从内存中取出来,算好了在放回去,这样内存带宽往往成了运算速度的瓶颈。而FPGA则可以通过堆很多计算硬件的方法把要做的运算都展开,因此,本方案基于FPGA的架构优势,利用verilog搭建出流水线的硬件结构,来优化SIFT及哈希算法,以充分节省数据传输时间和存储空间,从而既提高了缺陷检测和检测中图像处理的效率和检测的实时性,又大大缩小了检测装置的体积和功耗。
应当理解的是,可以如图2所示,图2为模块架构示意图,本方案的模块架构可以由图像数据流模块、高斯级联与差分金字塔模块、海森矩阵模块、梯度直方图统计模块、哈希函数模块以及哈希散列表模块等模块构成。
在具体实现中,本方案进行缺陷检测的过程主要分为两个部分,分别为数据库构建和缺陷识别。在本方案中的结构中,在FPGA中实现高斯级联、差分金字塔模块是流水线的级联展开结构;识别的过程是一个分解哈希子串再查询散列表进行距离度量得到监测结果的过程;并且,在建立数据库的过程,调试与筛选的过程可以手动删除一张图片中的干扰特征信息,精简数据库中有用的特征信息,来保证监测的准确性,本实施例对此不作限制。
可以理解的是,在确定需要进行缺陷检测的透明件之后,可以将该透明件称为待检测透明件,由于本方案主要针对透明件表面的裂痕、划痕、夹杂、以及气泡等缺陷进行检测,因此,为了便于进行后续的检测,可以获取待检测透明件的表面图像。
图像处理模块20,用于根据所述表面图像生成待检测图像。
应当理解的是,由于透明件的表面容易出现反光的情况,细微的划痕等缺陷在图像中难以被发现,因此,为了进一步提高缺陷检测的精度,本方案还会对表面图像进行预处理,以生成更便于进行缺陷检测的待检测图像。
可以理解的是,可基于莫尔条纹原理对表面图像进行处理,得到干涉条纹,使用显示屏作为光线来源,在干涉条纹的基础上添加等间距的光栅,以形成莫尔干涉条纹,根据莫尔干涉条纹生成待检测图像。
需要说明的是,莫尔条纹是两条线之间以恒定的角度和频率发生干涉的视觉结果。为了应用于缺陷检测,可以利用莫尔条纹的原理得到干涉条纹,使用TFT-LCD的显示屏作为光线来源加上等间距的光栅形成莫尔干涉条纹,本实施例对此不作限制。
在具体实现中,可以如图3、图4、图5所示,图3为莫尔干涉条纹的形成示意图,图4为莫尔干涉条纹的效果示意图,图5为缺陷样例示意图,其中,图5中的(1)为气泡缺陷样例,图5中的(2)为裂痕缺陷样例,图5中的(3)为夹杂缺陷样例。
特征点识别模块30,用于对所述待检测图像进行识别,得到待检测图像特征点集。
需要说明的是,可以通过SIFT算法对待检测图像进行识别,可以通过可实现相同或相似功能的算法对待检测图像进行识别,本实施例对此不作限制,在本实施例中,以通过SIFT算法对待检测图像进行识别为例进行说明。
应当理解的是,可以如图6所示,图6为算法结构总体布局示意图,本方案的算法主要用SIFT和哈希算法结合而成。将硬件结构的底层对算法进行简化,减少运算复杂度,加快识别效率。
比对匹配模块40,用于根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果。
应当理解的是,本实施例在实现比对匹配时,为了达到更好的匹配效果,可以通过哈希算法来进行比对匹配,例如,可以基于待检测图像特征点集进行哈希编码,得到待检测图像哈希编码和待检测子串哈希编码,并获取与标本特征点集数据库对应的标本哈希散列表,并根据待检测图像哈希编码以及待检测子串哈希编码与标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果。除此之外,也可以通过其他可实现相同或相似功能的方式来进行比对,本实施例对此不作限制。
检测结果模块50,用于根据所述待检测图像特征点匹配结果确定所述待检测透明件对应的缺陷检测结果。
应当理解的是,在确定待检测图像特征点匹配结果之后,便可以根据待检测图像特征点匹配结果来确定待检测透明件对应的缺陷检测结果。例如,假如待检测图像的检测图像特征点集与具有裂痕缺陷的标本图像的标本特征点集匹配,则说明待检测透明件存在裂痕缺陷;假如待检测图像的检测图像特征点集与具有气泡缺陷的标本图像的标本特征点集匹配,则说明待检测透明件存在气泡缺陷;假如待检测图像的检测图像特征点集与具有夹杂缺陷的标本图像的标本特征点集匹配,则说明待检测透明件存在夹杂缺陷。
可以理解的是,本方案结合SIFT算法和哈希算法,通过图像识别的方式对待检测透明件进行缺陷检测,可以得到较为准确的缺陷检测结果,而且,还可以提高缺陷检测的效率和缺陷检测的实时性,能够达到更好的缺陷检测效果。同时,基于本方案的方案构思可以研制相应的透明件表面缺陷移动式快速检测或者固定式快速监测装置对透明件表面缺陷进行高效检测或者实时监测,以便为改善透明件表面光洁度提供准确的表面缺陷监测数据信息,达到减小透明件表面缺陷的目的。
在本实施例中,获取待检测透明件的表面图像;根据所述表面图像生成待检测图像;对所述待检测图像进行识别,得到待检测图像特征点集;根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果;根据所述待检测图像特征点匹配结果确定所述待检测透明件对应的缺陷检测结果。本方案可以通过对待检测透明件对应的待检测图像进行识别,并通过特征点比对匹配的方式来确定缺陷检测结果,从而可以得到较为准确的缺陷检测结果,研制相应的透明件表面缺陷移动式快速检测或者固定式快速监测装置对透明件表面缺陷进行高效检测或者实时监测,以便为改善透明件表面光洁度提供准确的表面缺陷监测数据信息,达到减小透明件表面缺陷的目的。
在一实施例中,所述透明件表面缺陷快速检测装置还包括数据库构建模块,用于采集具有不同缺陷等级的透明件表面缺陷图像;根据所述透明件表面缺陷图像创建用作计量的标本特征点集数据库;根据使用需求对所述标本特征点集数据库进行适时更新。
在一实施例中,所述数据库构建模块,还用于根据所述透明件表面缺陷图像生成多个包含标签的标本图像;分别对多个标本图像依次进行特征点检测和特征点描述,得到对应的多个标本图像特征点集;根据多个标本图像特征点集创建用作计量的标本特征点集数据库。
在一实施例中,所述比对匹配模块40,还用于基于所述待检测图像特征点集进行哈希编码,得到待检测哈希编码以及待检测子串哈希编码;根据所述标本特征点集数据库确定对应的标本哈希散列表;根据所述待检测哈希编码以及所述待检测子串哈希编码与所述标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果。
在一实施例中,所述比对匹配模块40,还用于基于所述标本特征点集数据库中的多个标本特征点集分别进行哈希编码,得到对应的标本哈希编码以及标本子串哈希编码;根据所述标本哈希编码以及所述标本子串哈希编码构建哈希散列表。
在一实施例中,所述比对匹配模块40,还用于根据所述待检测哈希编码以及所述待检测子串哈希编码在所述标本哈希散列表中查找对应的目标哈希编码和目标子串哈希编码;获取与所述目标哈希编码和所述目标子串哈希编码对应的目标特征;将所述目标特征作为与所述待检测图像特征点集对应的相似特征;根据所述相似特征确定待检测图像特征点匹配结果。
在一实施例中,所述特征点识别模块30,还用于对所述待检测图像进行特征点检测,得到待检测图像特征点检测结果;基于所述待检测图像特征点检测结果进行特征点描述,得到待检测图像特征点描述结果;根据所述待检测图像特征点描述结果生成与所述待检测图像对应的待检测图像特征点集。
在一实施例中,所述特征点识别模块30,还用于根据所述待检测图像生成待检测图像数据流;基于高斯级联与差分金字塔模块对所述待检测图像数据流进行处理,得到与所述待检测图像数据流对应的多个尺度空间;根据多个尺度空间确定局部极值点;根据所述局部极值点生成关键点提取信息;根据所述关键点提取信息得到待检测图像特征点检测结果。
在一实施例中,所述特征点识别模块30,还用于根据所述待检测图像特征点检测结果确定多个初始特征点;采用海森矩阵对所述初始特征点进行筛选,得到候选特征点;通过所述海森矩阵的特征值对所述候选特征点的性质进行描述,并对所述候选特征点进行梯度方向直方图统计,得到待检测图像特征点描述结果。
在一实施例中,所述图像处理模块20,还用于基于莫尔条纹原理对所述表面图像进行处理,得到干涉条纹;使用显示屏作为光线来源,在所述干涉条纹的基础上添加等间距的光栅,以形成莫尔干涉条纹;根据所述莫尔干涉条纹生成待检测图像。
在本发明所述透明件表面缺陷快速检测装置的其他实施例或具体实现方法可参照上述各方法实施例,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。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、物品或者装置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。
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)
1.一种透明件表面缺陷快速检测方法,其特征在于,所述透明件表面缺陷快速检测方法包括:
获取待检测透明件的表面图像;
根据所述表面图像生成待检测图像;
对所述待检测图像进行识别,得到待检测图像特征点集;
根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果;
根据所述待检测图像特征点匹配结果确定所述待检测透明件对应的缺陷检测结果。
2.如权利要求1所述的透明件表面缺陷快速检测方法,其特征在于,所述根据所述待检测图像特征点集与标本特征点集数据库进行比对匹配之前,还包括:
采集具有不同缺陷等级的透明件表面缺陷图像;
根据所述透明件表面缺陷图像创建用作计量的标本特征点集数据库;
根据使用需求对所述标本特征点集数据库进行适时更新。
3.如权利要求2所述的透明件表面缺陷快速检测方法,其特征在于,所述根据所述透明件表面缺陷图像创建用作计量的标本特征点集数据库,包括:
根据所述透明件表面缺陷图像生成多个包含标签的标本图像;
分别对多个标本图像依次进行特征点检测和特征点描述,得到对应的多个标本图像特征点集;
根据多个标本图像特征点集创建用作计量的标本特征点集数据库。
4.如权利要求1所述的透明件表面缺陷快速检测方法,其特征在于,所述根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果,包括:
基于所述待检测图像特征点集进行哈希编码,得到待检测哈希编码以及待检测子串哈希编码;
根据所述标本特征点集数据库确定对应的标本哈希散列表;
根据所述待检测哈希编码以及所述待检测子串哈希编码与所述标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果。
5.如权利要求4所述的透明件表面缺陷快速检测方法,其特征在于,所述根据所述标本特征点集数据库确定对应的标本哈希散列表,包括:
基于所述标本特征点集数据库中的多个标本特征点集分别进行哈希编码,得到对应的标本哈希编码以及标本子串哈希编码;
根据所述标本哈希编码以及所述标本子串哈希编码构建哈希散列表。
6.如权利要求4所述的透明件表面缺陷快速检测方法,其特征在于,所述待检测哈希编码以及所述待检测子串哈希编码与所述标本哈希散列表进行比对匹配,得到待检测图像特征点匹配结果,包括:
根据所述待检测哈希编码以及所述待检测子串哈希编码在所述标本哈希散列表中查找对应的目标哈希编码和目标子串哈希编码;
获取与所述目标哈希编码和所述目标子串哈希编码对应的目标特征;
将所述目标特征作为与所述待检测图像特征点集对应的相似特征;
根据所述相似特征确定待检测图像特征点匹配结果。
7.如权利要求1至6中任一项所述的透明件表面缺陷快速检测方法,其特征在于,所述对所述待检测图像进行识别,得到待检测图像特征点集,包括:
对所述待检测图像进行特征点检测,得到待检测图像特征点检测结果;
基于所述待检测图像特征点检测结果进行特征点描述,得到待检测图像特征点描述结果;
根据所述待检测图像特征点描述结果生成与所述待检测图像对应的待检测图像特征点集。
8.如权利要求7所述的透明件表面缺陷快速检测方法,其特征在于,所述对所述待检测图像进行特征点检测,得到待检测图像特征点检测结果,包括:
根据所述待检测图像生成待检测图像数据流;
基于高斯级联与差分金字塔模块对所述待检测图像数据流进行处理,得到与所述待检测图像数据流对应的多个尺度空间;
根据多个尺度空间确定局部极值点;
根据所述局部极值点生成关键点提取信息;
根据所述关键点提取信息得到待检测图像特征点检测结果;
相应地,所述基于所述待检测图像特征点检测结果进行特征点描述,得到待检测图像特征点描述结果,包括:
根据所述待检测图像特征点检测结果确定多个初始特征点;
采用海森矩阵对所述初始特征点进行筛选,得到候选特征点;
通过所述海森矩阵的特征值对所述候选特征点的性质进行描述,并对所述候选特征点进行梯度方向直方图统计,得到待检测图像特征点描述结果。
9.如权利要求1至6中任一项所述的透明件表面缺陷快速检测方法,其特征在于,所述根据所述表面图像生成待检测图像,包括:
基于莫尔条纹原理对所述表面图像进行处理,得到干涉条纹;
使用显示屏作为光线来源,在所述干涉条纹的基础上添加等间距的光栅,以形成莫尔干涉条纹;
根据所述莫尔干涉条纹生成待检测图像。
10.一种透明件表面缺陷快速检测装置,其特征在于,所述透明件表面缺陷快速检测装置包括:
图像获取模块,用于获取待检测透明件的表面图像;
图像处理模块,用于根据所述表面图像生成待检测图像;
特征点识别模块,用于对所述待检测图像进行识别,得到待检测图像特征点集;
比对匹配模块,用于根据所述待检测图像特征点集与用作计量的标本特征点集数据库进行比对匹配,得到待检测图像特征点匹配结果;
检测结果模块,用于根据所述待检测图像特征点匹配结果确定所述待检测透明件对应的缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210484198.XA CN114998216A (zh) | 2022-05-06 | 2022-05-06 | 透明件表面缺陷快速检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210484198.XA CN114998216A (zh) | 2022-05-06 | 2022-05-06 | 透明件表面缺陷快速检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998216A true CN114998216A (zh) | 2022-09-02 |
Family
ID=83024959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210484198.XA Pending CN114998216A (zh) | 2022-05-06 | 2022-05-06 | 透明件表面缺陷快速检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998216A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690105A (zh) * | 2022-12-30 | 2023-02-03 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的铣刀划痕检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105486700A (zh) * | 2016-02-01 | 2016-04-13 | 许迪 | 一种检测透明物体缺陷的系统及其使用方法 |
CN105894036A (zh) * | 2016-04-19 | 2016-08-24 | 武汉大学 | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 |
CN109101981A (zh) * | 2018-07-19 | 2018-12-28 | 东南大学 | 一种街景场景下基于全局图像条纹码的回环检测方法 |
CN109410255A (zh) * | 2018-10-17 | 2019-03-01 | 中国矿业大学 | 一种基于改进的sift与哈希算法的图像配准方法及装置 |
US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
CN111226110A (zh) * | 2018-08-10 | 2020-06-02 | 合刃科技(深圳)有限公司 | 检测方法和系统 |
US20210183052A1 (en) * | 2018-12-28 | 2021-06-17 | Omron Corporation | Defect inspecting device, defect inspecting method, and storage medium |
CN113989530A (zh) * | 2021-10-27 | 2022-01-28 | 广州致新电力科技有限公司 | 一种快速特征比对的方法及系统 |
-
2022
- 2022-05-06 CN CN202210484198.XA patent/CN114998216A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105486700A (zh) * | 2016-02-01 | 2016-04-13 | 许迪 | 一种检测透明物体缺陷的系统及其使用方法 |
CN105894036A (zh) * | 2016-04-19 | 2016-08-24 | 武汉大学 | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 |
US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
CN109101981A (zh) * | 2018-07-19 | 2018-12-28 | 东南大学 | 一种街景场景下基于全局图像条纹码的回环检测方法 |
CN111226110A (zh) * | 2018-08-10 | 2020-06-02 | 合刃科技(深圳)有限公司 | 检测方法和系统 |
CN109410255A (zh) * | 2018-10-17 | 2019-03-01 | 中国矿业大学 | 一种基于改进的sift与哈希算法的图像配准方法及装置 |
US20210183052A1 (en) * | 2018-12-28 | 2021-06-17 | Omron Corporation | Defect inspecting device, defect inspecting method, and storage medium |
CN113989530A (zh) * | 2021-10-27 | 2022-01-28 | 广州致新电力科技有限公司 | 一种快速特征比对的方法及系统 |
Non-Patent Citations (2)
Title |
---|
喻宾扬等: "基于莫尔条纹的玻璃缺陷检测技术研究", 《硅酸盐通报》, vol. 27, no. 1, pages 184 - 185 * |
李静等: "基于内容的SIFT+LSH管道缺陷检索算法研究", 《计算机测量与控制》, vol. 26, no. 4, pages 172 - 173 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690105A (zh) * | 2022-12-30 | 2023-02-03 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的铣刀划痕检测方法 |
CN115690105B (zh) * | 2022-12-30 | 2023-03-21 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的铣刀划痕检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230419472A1 (en) | Defect detection method, device and system | |
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
Yuan et al. | Vision-based defect detection for mobile phone cover glass using deep neural networks | |
Li et al. | A novel algorithm for defect extraction and classification of mobile phone screen based on machine vision | |
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN111932511B (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
Liang et al. | Touch screen defect inspection based on sparse representation in low resolution images | |
CN114862845B (zh) | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 | |
Lei et al. | Defect Detection for Polymeric Polarizer Based on Faster R-CNN. | |
CN114372968A (zh) | 结合注意力机制与自适应记忆性融合网络的瑕疵检测方法 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
Guan et al. | Defect detection method for specular surfaces based on deflectometry and deep learning | |
CN112767354A (zh) | 基于图像分割的缺陷检测方法、装置、设备及存储介质 | |
CN115984662A (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
CN114998216A (zh) | 透明件表面缺陷快速检测方法及装置 | |
CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 | |
CN114743201A (zh) | 一种基于旋转目标检测的万用表读数识别方法及系统 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
Cardellicchio et al. | On the use of YOLOv5 for detecting common defects on existing RC bridges | |
CN116188361A (zh) | 一种基于深度学习的铝型材表面缺陷分类方法及装置 | |
Xue et al. | Detection of Various Types of Metal Surface Defects Based on Image Processing. | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
Yang et al. | Classification of industrial surface defects based on neural architecture search | |
CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 |
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 |