CN114998333B - 一种光源特性的计算机视觉检测方法及系统 - Google Patents
一种光源特性的计算机视觉检测方法及系统 Download PDFInfo
- Publication number
- CN114998333B CN114998333B CN202210919124.4A CN202210919124A CN114998333B CN 114998333 B CN114998333 B CN 114998333B CN 202210919124 A CN202210919124 A CN 202210919124A CN 114998333 B CN114998333 B CN 114998333B
- Authority
- CN
- China
- Prior art keywords
- line
- fall line
- suspected
- pixel points
- edge
- 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
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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种光源特性的计算机视觉检测方法及系统。该方法由多张不同方向的光源下的表面图像中相同位置处像素点的像素值之间的差异构建灰度变化趋势序列;基于像素点之间对应的灰度变化趋势序列的差异计算落差线像素点概率,筛选出疑似落差线像素点;合并疑似落差线像素点得到多个疑似落差线区域;计算疑似落差线区域的落差线概率,筛选出落差线区域;根据落差线区域两端端点与其他落差线区域的相邻情况,筛选出裂缝区域。本发明通过对不同光源下采集到的表面图像进行分析,排除纹理线条与造型线条的干扰,获取到待检测产品表面的裂缝区域,实现了在含非周期性纹理信息的情况检测得到缺陷的目的。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种光源特性的计算机视觉检测方法及系统。
背景技术
随着科技的发展,计算机视觉被广泛应用于制造业、医疗、军事等领域中。如制造业用于检测产品的质量、控制工业机器人等。其中,利用计算机视觉技术检测产品的质量的方法,对于特征较为明显的产品问题可以获得高效且准确的检测结果,但对于一些缺陷特征不明显或者缺陷特征与产品特征一致的产品问题无法得到准确的检测结果。如表面存在的裂缝缺陷与产品本身表面纹理特征较为相似时,通过常规计算机视觉检测难以检测出。
目前,常见的对于有表面纹理特征的产品缺陷的检测方法为通过纹理图像采集模块先采集出包含周期性纹理信息的纹理图像,对纹理图像进行处理以凸显瑕疵点空间位置特性,进而得到纹理图像缺陷。该方法仅能检测含周期性纹理信息的纹理图像中的缺陷,而不能用于检测含非周期性纹理信息的图像中的缺陷。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种光源特性的计算机视觉检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种光源特性的计算机视觉检测方法,该方法包括以下步骤:
获取多张不同方向的光源下待检测产品的表面图像;
由多张表面图像中相同位置处像素点的像素值之间的差异构建灰度变化趋势序列;基于滑动窗口内中心像素点和滑动窗口内其他像素点之间对应的灰度变化趋势序列的差异计算所述中心像素点的落差线像素点概率;基于所述落差线像素点概率筛选出疑似落差线像素点;
合并所述疑似落差线像素点得到多个疑似落差线区域;获取所述疑似落差线区域的边缘线,将所述边缘线划分为多条边缘段;根据所述边缘段中像素点对应的灰度变化趋势序列的差异、边缘线之间相同位置处的像素点对应的灰度变化趋势序列的差异和疑似落差线区域长度计算所述疑似落差线区域的落差线概率;基于所述落差线概率筛选出落差线区域;
当所述落差线区域的两端端点均不与其他落差线区域相邻,所述落差线区域为裂缝区域;当所述落差线区域两端端点中仅一端与其他落差线区域相邻,所述落差线区域为裂缝区域。
优选的,所述由多张表面图像中相同位置处像素点的像素值之间的差异构建灰度变化趋势序列,包括:
基于多张表面图像中相同位置处像素点之间的灰度值差值,构建灰度差值序列;将所述灰度差值序列中大于等于零的元素更新为1,小于零的元素更新为0,得到灰度变化趋势序列。
优选的,所述基于滑动窗口内中心像素点和滑动窗口内其他像素点之间对应的灰度变化趋势序列的差异计算所述中心像素点的落差线像素点概率,包括:
所述落差线像素点概率的计算公式为:
优选的,所述基于所述落差线像素点概率筛选出疑似落差线像素点,包括:
选取所述落差线像素点概率大于预设第一概率阈值的像素点作为疑似落差线像素点。
优选的,所述合并所述疑似落差线像素点得到多个疑似落差线区域,包括:
合并相邻的所述疑似落差线像素点,得到多个初始疑似落差线区域;对所述初始疑似落差线区域进行骨架提取得到疑似落差线骨架,计算所述疑似落差线骨架上各像素点的曲率,将所述曲率发生突变的像素点作为转折点,基于所述转折点将所述初始疑似落差线区域拆分成多个疑似落差线区域。
优选的,所述计算所述疑似落差线骨架上各像素点的曲率,将所述曲率发生突变的像素点作为转折点,包括:
根据所述疑似落差线骨架上各像素点的曲率,绘制箱线图;将位于所述箱线图上下边缘之外的曲率对应的像素点作为转折点。
优选的,所述根据所述边缘段中像素点对应的灰度变化趋势序列的差异、边缘线之间相同位置处的像素点对应的灰度变化趋势序列的差异和疑似落差线区域长度计算所述疑似落差线区域的落差线概率,包括:
所述落差线概率的计算公式为:
其中,为第个疑似落差线区域的落差线概率;为第个疑似落差线区域的第1条边缘线中第个边缘段上所有相邻像素点对应的灰度变化趋势序列的汉明距离之和;为第个疑似落差线区域的第2条边缘线中第个边缘段上所有相邻像素点对应的灰度变化趋势序列的汉明距离之和;为第个疑似落差线区域边缘线中边缘段的数量;为第个疑似落差线区域长度;为第个疑似落差线区域的第1条边缘线中第u个像素点和第2条边缘线中第u个像素点对应的灰度变化趋势序列的汉明距离;为预设最小长度;为归一化系数;为双曲正切函数;为以自然常数为底的指数函数。
优选的,所述基于所述落差线概率筛选出落差线区域,包括:
选取所述落差线概率大于预设第二概率阈值的疑似落差线区域作为落差线区域。
第二方面,本发明一个实施例提供了一种光源特性的计算机视觉检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种光源特性的计算机视觉检测方法。
本发明实施例至少具有如下有益效果:
该方法由多张不同方向的光源下的表面图像中相同位置处像素点的像素值之间的差异构建灰度变化趋势序列;基于像素点之间对应的灰度变化趋势序列的差异计算落差线像素点概率,筛选出疑似落差线像素点;合并疑似落差线像素点得到多个疑似落差线区域;计算疑似落差线区域的落差线概率,筛选出落差线区域;根据落差线区域两端端点与其他落差线区域的相邻情况,筛选出裂缝区域。本发明通过对不同光源下采集到的表面图像中像素点的灰度变化情况进行分析,进行多次筛选,排除纹理线条与造型线条的干扰,获取到待检测产品表面的裂缝区域,实现了在含非周期性纹理信息的情况检测得到缺陷的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种光源特性的计算机视觉检测方法的方法流程图;
图2为本发明一个实施例所提供的不同方向的LED光源和检测台的位置示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种光源特性的计算机视觉检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种光源特性的计算机视觉检测方法及系统的具体实施方法,该方法适用于产品表面缺陷检测场景。该场景下待检测产品表面存在纹理线条和造型线条。在检测台上方架设8个LED光源,分别从不同方向照射待检测产品,在每个光源的单独照射下,通过待检测产品正上方的相机拍摄表面图像。为了解决通过纹理图像采集模块先采集出包含周期性纹理信息的纹理图像,对纹理图像进行处理得到纹理图像缺陷,其不能用于检测含非周期性纹理信息的图像中的缺陷的问题。本发明通过对不同光源下采集到的表面图像中像素点的灰度变化情况进行分析,进行多次筛选,排除纹理线条与造型线条的干扰,获取到待检测产品表面的裂缝区域,实现了在含非周期性纹理信息的情况检测得到缺陷的目的。
下面结合附图具体的说明本发明所提供的一种光源特性的计算机视觉检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种光源特性的计算机视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取多张不同方向的光源下待检测产品的表面图像。
当待检测产品表面存在纹理线条、凸起或者凹陷的造型线条时,在纹理线条和造型线条的干扰下,待检测产品表面的裂缝难以检测。待检测产品的纹理线条、凸起或者凹陷的造型线条、裂纹相对于待检测产品表面来说均向下凹陷,将纹纹理线条、造型线条和裂纹统称为落差线。由于待检测产品裂纹、待检测产品表面的纹理线条和造型线条特征相似,在自然光或者单一光源下难以检测出来。故本发明结合光源特性,在不同的光源照射下拍摄表面图像,结合不同光源下得到的表面图像中像素点灰度变化情况进行分析得到落差线,并进一步的结合落差线识别出其中的待检测产品表面的裂缝。
首先在不同方向的光源下,获取待检测产品的表面图像,具体的:在检测台上方架设8个LED光源,分别从不同方向照射待检测产品,在每个光源的单独照射下,通过待检测产品正上方的相机拍摄表面图像。其中表面图像中仅包含待检测产品,不包含除待检测产品外的背景区域。请参阅图2,图2为8个不同方向的LED光源和检测台的位置示意图,图2中A为LED光源,B为检测台,检测台上放置待检测产品。
在不同方向的光源下拍摄,每个待检测产品得到对应的八张不同方向光源下的表面图像。为了便于后续步骤中对表面图像中的像素点的灰度值进行分析,将表面图像进行灰度化得到灰度图像,将表面图像更新为对应的灰度图像,即后续步骤中的表面图像即为对应的灰度图像。
步骤S200,由多张表面图像中相同位置处像素点的像素值之间的差异构建灰度变化趋势序列;基于滑动窗口内中心像素点和滑动窗口内其他像素点之间对应的灰度变化趋势序列的差异计算所述中心像素点的落差线像素点概率;基于所述落差线像素点概率筛选出疑似落差线像素点。
在不同方向的光源作用下,每个像素点在不同的表面图像中呈现不同的亮度。可认为在一幅表面图像中局部光照相同,但由于待检测产品纹理与待检测产品本身底色反射光的能力不同,因此在不同表面图像的同一局部范围内,待检测产品纹理灰度值随不同光源方向的改变程度与待检测产品底色灰度值随对应不同光源的改变程度不同,但呈现同样的变化趋势。待检测产品表面落差线与待检测产品表面高度不同,因此落差线会形成背光面。在落差线背光面基本无光源照射或光源照射程度小,导致背光面产生阴影从而在图像中呈现线条的形状。不同光源的照射方向不同,导致落差线的背光面在不同光源下各不相同,从而使得不同图像中落差线位置的灰度变化复杂,导致与局部范围内待检测产品纹理及待检测产品本身的底色灰度变化趋势不相同。
在同一光源照射下,表面图像中各个区域的光照程度也不同。表面图像中不同区域的待检测产品的纹理灰度变化趋势不同,不同区域的待检测产品的底色灰度变化趋势不同,不同区域的落差线灰度变化趋势也不同。但对于表面图像中的局部范围来说,由于局部范围非常小,可认为局部范围内光照一致,局部范围内待检测产品的纹理灰度和待检测产品的底色灰度变化趋势相同,对应的落差线的灰度变化趋势也相同。定义为一个局部范围,以每个像素点为中心,构建一个大小的滑动窗口,则滑动窗口即为中心像素点的局部范围。在本发明实施例中n的取值为10,在其他实施例中实施者可根据实际情况调整该取值。通过比较中心像素点与滑动窗口内所有像素点的灰度变化趋势,分析中心像素点为落差线像素点的可能性。
在不同光源作用下,每个像素点在不同的表面图像中呈现不同的亮度。结合每个像素点在不同表面图像中灰度变化的规律,计算像素点为落差线的概率获取疑似落差线。
基于多张表面图像中相同位置处像素点之间的灰度值差值,构建灰度差值序列,具体的:首先,基于多张表面图像中相同位置处像素点的灰度值构建灰度值序列,由灰度值序列中相邻灰度值之间的差值构建灰度差值序列。需要说明的是将位于检测台正南方的LED光源对应的表面图像打上标签1,按照顺时针的顺序依次将不同方向的LED光源对应的表面图像依次打上标签,则八张表面图像分别对应标签1~8,构建的灰度值序列中灰度值的顺序按照表面图像对应的标签进行排序。
由于局部范围内待检测产品的纹理灰度与待检测产品的底色灰度的变化程度不同,仅根据灰度差值序列无法获得待检测产品的纹理灰度与待检测产品的底色灰度变化的统一特征,也就无法得到与待检测产品的纹理灰度和待检测产品的底色灰度变化存在差异的落差线。故进一步,将灰度差值序列中大于等于零的元素更新为1,小于零的元素更新为0,得到灰度变化趋势序列。
其中,该落差线像素点概率公式中的用来衡量两个像素点灰度变化趋势序列的差异;为滑动窗口的大小,也即为滑动窗口内所有像素点的数量;为以第个像素点为中心像素点的滑动窗口内其他所有像素点与该中心像素点的灰度变化趋势序列的汉明距离的均值;由于的取值范围为,故双曲正切函数用于进行归一化,使得到的落差线像素点概率的取值压缩至范围内。
由于落差线为较窄的线条区域,若窗口内存在落差线,落差线仅占窗口内的一小部分像素点,而待检测产品的纹理线条、待检测产品的灰度占窗口大部分像素点。因此当第个像素点与窗口内大部分像素点的灰度变化趋势序列不一致时,第个像素点为落差线像素点的概率较大。反之,当第个像素点与窗口内大部分像素点的灰度变化趋势序列一致时,第个像素点为落差线像素点的概率较小。
计算表面图像中每个像素点的落差线像素点概率,基于落差线像素点概率筛选出疑似落差像素点。具体的:选取落差线像素点概率大于预设第一概率阈值的像素点作为疑似落差线像素点。落差线像素点概率小于等于预设第一概率阈值的像素点作为非疑似落差线像素点。在本发明实施例中预设第一概率的取值为0.75,在其他实施例中实施者可根据实际情况调整该取值。
步骤S300,合并所述疑似落差线像素点得到多个疑似落差线区域;获取所述疑似落差线区域的边缘线,将所述边缘线划分为多条边缘段;根据所述边缘段中像素点对应的灰度变化趋势序列的差异、边缘线之间相同位置处的像素点对应的灰度变化趋势序列的差异和疑似落差线区域长度计算所述疑似落差线区域的落差线概率;基于所述落差线概率筛选出落差线区域。
合并疑似落差线像素点得到多个疑似落差线区域,具体的:
步骤一,合并相邻的疑似落差像素点,得到多个初始疑似落差线区域。
步骤二,对初始疑似落差线区域进行骨架提取得到疑似落差线骨架,计算疑似落差线骨架上各像素点的曲率。
由于裂纹可能和待检测产品的造型线条、错误识别成落差线的待检测产品的底色或待检测产品的纹理线条相交,导致裂缝可能和待检测产品的造型线条、错误识别成落差线的待检测产品的底色或待检测产品的纹理线条被识别为同一条疑似落差线区域。为便于后续准确的识别裂缝,故对初始疑似落差线区域进行骨架提取得到疑似落差线骨架,计算疑似落差线骨架上各像素点的曲率。
步骤三,将曲率发生突变的像素点作为转折点,基于转折点将初始疑似落差线区域拆分成多个疑似落差线区域。
由于造型线条为直线型或圆弧线形状,待检测产品裂纹正常为直线型。直线上每个像素点的曲率都为,圆上每个像素点的曲率都相等,弧线上每个点的曲率基本一致,或相差不大,而交点或转折点处的曲率与其他像素点曲率不一致,故获取转折点,根据转折点拆分初始疑似落差线区域。获取转折点,具体的:根据疑似落差线骨架上各像素点的曲率绘制箱线图,将位于箱线图上下边缘之外的曲率对应的像素点作为转折点,也即将曲率发生突变的像素点作为转折点。基于得到的转折点将初始疑似落差线区域拆分成多个疑似落差线区域,得到多个疑似落差线区域。
得到的疑似落差线区域,可能为真实的落差线区域,也有可能为部分待检测产品的纹理线条或待检测产品的造型线条存在噪声点,导致像素点的灰度值变化趋势序列与局部范围内大部分像素点的灰度变化趋势不一致,导致被错误识别为疑似落差线区域。为了获取准确落差线,进一步计算疑似落差线区域的落差线概率。
由于待检测产品表面高度不同,因此可形成落差线背光面。在落差线背光面基本无光源照射或者光源照射程度小时,导致背光面产生阴影,从而在表面图像中呈现线条的形状。而不同光源照射方向不同,导致落差线的背光面在不同光源下各不相同;同样的,落差线的向光面在不同光源下也各不相同。在相同方向的光源下,落差线的背光面和向光面互相调换。向光面和背光面像素点受光照的程度相反,因此在大部分光源下,其灰度变化趋势也相反。而局部范围内所有背光面像素点的光照程度一致,因此其灰度变化趋势一致,同理,向光面像素点的灰度变化趋势一致。由此特征,可以区分准确的落差线与噪声引起的错误落差线。
对于第k个疑似落差线区域进行连通域分析,获取对应的长轴长度作为疑似落差线区域长度,并获取长轴的方向作为第k个疑似落差线区域的方向。需要说明的是该疑似落差线区域的方向可通过主成分分析法得到,为本领域人员的公知技术。
获取疑似落差线区域的边缘线,将边缘线划分为多条边缘段,具体的:获取疑似落差线区域在长轴的方向上的两个边缘作为疑似落差线区域的边缘线。当为准确的落差线时,其中一个边缘线在部分光源下为背光面,在部分光源下为向光面,而另一条边缘线与该边缘线的性质相反,如两个边缘线分别为边缘线a和边缘线b,当边缘线a为背光面时,则边缘线b为向光面;当边缘线a为向光面时,则边缘b为背光面。局部范围内光照相同,将第k个疑似落差线区域的两个边缘线分别划分成长度为10的边缘段;若长度不足10,则无需划分,将长度不为10的线段单独作为一段边缘段。
根据边缘段中像素点对应的灰度变化趋势序列的差异、边缘线之间相同位置处的像素点对应的灰度变化趋势序列的差异和疑似落差线区域长度计算疑似落差线区域的落差线概率。
其中,为第个疑似落差线区域的第1条边缘线中第个边缘段上所有相邻像素点对应的灰度变化趋势序列的汉明距离之和;为第个疑似落差线区域的第2条边缘线中第个边缘段上所有相邻像素点对应的灰度变化趋势序列的汉明距离之和;为第个疑似落差线区域边缘线中边缘段的数量;为第个疑似落差线区域长度;为第个疑似落差线区域的第1条边缘线中第u个像素点和第2条边缘线中第u个像素点对应的灰度变化趋势序列的汉明距离;为预设最小长度;为归一化系数;为双曲正切函数;为以自然常数为底的指数函数。在本发明实施例中归一化系数中的取值为4,预设最小长度的取值为5,在其他实施例中实施者可根据实际情况调整该取值。
其中,该落差线概率的计算公式中也即为第个疑似落差线区域的第1条边缘线和第2条边缘线中相同位置处的像素点对应的灰度变化趋势序列的汉明距离;反映了该边缘线在局部范围内像素点灰度变化趋势序列的差异;反映一条边缘上像素点灰度变化序列趋势的差异与另一条边缘上像素点灰度变化序列趋势的差异,当为准确的落差线时,该差异应较小;为第个疑似落差线区域在长轴的方向上的两条边缘所有对应位置像素点的灰度变化趋势序列的汉明距离的均值,当为准确落差线时,两条边缘的在大部分光源下的光照性质相反,因此其上像素点两两之间的汉明距离均较大。
同时,裂缝具有一定的长度,因此结合疑似落差线区域长度对第k个疑似落差线区域是否为落差线区域进一步判断。双曲正切函数为归一化函数,为归一化系数,设定裂缝的最小长度为,只有当疑似落差线区域长度大于时,才较大,对应的第个疑似落差线区域为落差线的落差线概率才较大。
基于得到的每个疑似落差线区域的落差线概率筛选出落差线区域,具体的:选取落差线概率大于预设第二概率阈值的疑似落差线区域作为落差线区域;选取落差线概率小于等于预设第二概率阈值的疑似落差线区域作为非落差线区域。在本发明实施例中预设第二概率阈值的取值为0.5,在其他实施例中实施者可根据实际情况调整该取值。
步骤S400,当所述落差线区域的两端端点均不与其他落差线区域相邻,所述落差线区域为裂缝区域;当所述落差线区域两端端点中仅一端与其他落差线区域相邻,所述落差线区域为裂缝区域。
由步骤S300得到了落差线区域,落差线区域大概率为裂缝区域,但也存在为造型线条的概率。故进一步的根据落差线的特征,进一步获得待检测产品的裂缝区域。
由于造型线条为连续性线条,且线条两端闭合,而裂纹为直线型,步骤S300可能将造型线条拆分成了多段,因此造型线条对应的落差线两端点相邻处应均存在其他落差线。当落差线区域两端端点均不与其他落差线区域相邻时,该落差线区域为裂缝区域;当落差线区域两端端点中仅一端与其他落差线区域相邻时,落差线区域为裂缝区域。即可通过计算机视觉检测得到待检测产品表面的裂缝区域。
综上所述,本发明涉及图像处理技术领域。该方法首先在不同方向的光源下,获取多张表面图像;由多张表面图像中相同位置处像素点的像素值之间的差异构建灰度变化趋势序列;基于滑动窗口内中心像素点和滑动窗口内其他像素点之间对应的灰度变化趋势序列的差异计算中心像素点的落差线像素点概率;基于落差线像素点概率筛选出疑似落差线像素点;合并疑似落差线像素点得到多个疑似落差线区域;获取疑似落差线区域的边缘线,将边缘线划分为多条边缘段;根据边缘段中像素点对应的灰度变化趋势序列的差异、边缘线之间相同位置处的像素点对应的灰度变化趋势序列的差异和疑似落差线区域长度计算疑似落差线区域的落差线概率;基于落差线概率筛选出落差线区域;根据落差线区域两端端点与其他落差线区域的相邻情况,筛选出裂缝区域。本发明通过对不同光源下采集到的表面图像中像素点的灰度变化情况进行分析,进行多次筛选,排除待检测产品纹理线条与造型线条的干扰,获取到待检测产品表面的裂缝区域,实现了在含非周期性纹理信息的情况检测得到缺陷的目的。
本发明实施例还提出了一种光源特性的计算机视觉检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种光源特性的计算机视觉检测方法在上述给出了详细描述,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种光源特性的计算机视觉检测方法,其特征在于,该方法包括以下步骤:
获取多张不同方向的光源下待检测产品的表面图像;
由多张表面图像中相同位置处像素点的像素值之间的差异构建灰度变化趋势序列;基于滑动窗口内中心像素点和滑动窗口内其他像素点之间对应的灰度变化趋势序列的差异计算所述中心像素点的落差线像素点概率;基于所述落差线像素点概率筛选出疑似落差线像素点;
合并所述疑似落差线像素点得到多个疑似落差线区域;获取所述疑似落差线区域的边缘线,将所述边缘线划分为多条边缘段;根据所述边缘段中像素点对应的灰度变化趋势序列的差异、边缘线之间相同位置处的像素点对应的灰度变化趋势序列的差异和疑似落差线区域长度计算所述疑似落差线区域的落差线概率;基于所述落差线概率筛选出落差线区域;
当所述落差线区域的两端端点均不与其他落差线区域相邻,所述落差线区域为裂缝区域;当所述落差线区域两端端点中仅一端与其他落差线区域相邻,所述落差线区域为裂缝区域;
其中,纹理线条、造型线条和裂纹统称为落差线;
其中,所述落差线像素点概率的计算公式为:
其中,根据所述边缘段中像素点对应的灰度变化趋势序列的差异、边缘线之间相同位置处的像素点对应的灰度变化趋势序列的差异和疑似落差线区域长度计算所述疑似落差线区域的落差线概率为:所述落差线概率的计算公式为:
2.根据权利要求1所述的一种光源特性的计算机视觉检测方法,其特征在于,所述由多张表面图像中相同位置处像素点的像素值之间的差异构建灰度变化趋势序列,包括:
基于多张表面图像中相同位置处像素点之间的灰度值差值,构建灰度差值序列;将所述灰度差值序列中大于等于零的元素更新为1,小于零的元素更新为0,得到灰度变化趋势序列。
3.根据权利要求1所述的一种光源特性的计算机视觉检测方法,其特征在于,所述基于所述落差线像素点概率筛选出疑似落差线像素点,包括:
选取所述落差线像素点概率大于预设第一概率阈值的像素点作为疑似落差线像素点。
4.根据权利要求1所述的一种光源特性的计算机视觉检测方法,其特征在于,所述合并所述疑似落差线像素点得到多个疑似落差线区域,包括:
合并相邻的所述疑似落差线像素点,得到多个初始疑似落差线区域;对所述初始疑似落差线区域进行骨架提取得到疑似落差线骨架,计算所述疑似落差线骨架上各像素点的曲率,将所述曲率发生突变的像素点作为转折点,基于所述转折点将所述初始疑似落差线区域拆分成多个疑似落差线区域。
5.根据权利要求4所述的一种光源特性的计算机视觉检测方法,其特征在于,所述计算所述疑似落差线骨架上各像素点的曲率,将所述曲率发生突变的像素点作为转折点,包括:
根据所述疑似落差线骨架上各像素点的曲率,绘制箱线图;将位于所述箱线图上下边缘之外的曲率对应的像素点作为转折点。
6.根据权利要求1所述的一种光源特性的计算机视觉检测方法,其特征在于,所述基于所述落差线概率筛选出落差线区域,包括:
选取所述落差线概率大于预设第二概率阈值的疑似落差线区域作为落差线区域。
7.一种光源特性的计算机视觉检测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919124.4A CN114998333B (zh) | 2022-08-02 | 2022-08-02 | 一种光源特性的计算机视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210919124.4A CN114998333B (zh) | 2022-08-02 | 2022-08-02 | 一种光源特性的计算机视觉检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998333A CN114998333A (zh) | 2022-09-02 |
CN114998333B true CN114998333B (zh) | 2022-10-25 |
Family
ID=83022420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210919124.4A Active CN114998333B (zh) | 2022-08-02 | 2022-08-02 | 一种光源特性的计算机视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998333B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115200797B (zh) * | 2022-09-19 | 2022-12-16 | 山东超华环保智能装备有限公司 | 一种用于零泄露阀的泄露检测系统 |
CN116485788B (zh) * | 2023-06-16 | 2023-08-29 | 东莞市华驰高分子材料有限公司 | 图像处理方法及手机pet保护膜底涂工艺质量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627117A (zh) * | 2022-05-13 | 2022-06-14 | 启东市鸿盛纺织有限公司 | 一种基于投影法的针织物缺陷检测方法和系统 |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007212544A (ja) * | 2006-02-07 | 2007-08-23 | Toshiba Matsushita Display Technology Co Ltd | 液晶パネル検査装置及びその検査方法 |
CN108445007B (zh) * | 2018-01-09 | 2020-11-17 | 深圳市华汉伟业科技有限公司 | 一种基于图像融合的检测方法及其检测装置 |
JP2019138639A (ja) * | 2018-02-06 | 2019-08-22 | セイコーエプソン株式会社 | 欠陥検出装置、及び、欠陥検出方法 |
CN109490311B (zh) * | 2018-10-25 | 2021-09-10 | 武汉精立电子技术有限公司 | 基于多角度拍摄的背光面板缺陷检测系统及方法 |
CN109816644B (zh) * | 2019-01-16 | 2022-11-25 | 大连理工大学 | 一种基于多角度光源影像的轴承缺陷自动检测系统 |
CN110346294B (zh) * | 2019-06-17 | 2020-12-22 | 北京科技大学 | 一种面板细微划伤缺陷的扫描检测系统和方法 |
CN110579184A (zh) * | 2019-10-24 | 2019-12-17 | 深圳宇骏视觉智能科技有限公司 | 一种产品外观在线检测装置及其使用方法 |
CN112083008A (zh) * | 2020-10-13 | 2020-12-15 | 南京森林警察学院 | 一种基于移动环形光源的光学表面划痕表征装置及方法 |
CN113865830A (zh) * | 2021-10-12 | 2021-12-31 | 苏州华兴源创科技股份有限公司 | 显示屏缺陷检测方法及系统 |
CN114723701B (zh) * | 2022-03-31 | 2023-04-18 | 厦门力和行自动化有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
-
2022
- 2022-08-02 CN CN202210919124.4A patent/CN114998333B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627117A (zh) * | 2022-05-13 | 2022-06-14 | 启东市鸿盛纺织有限公司 | 一种基于投影法的针织物缺陷检测方法和系统 |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114998333A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998333B (zh) | 一种光源特性的计算机视觉检测方法及系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
CN116030061B (zh) | 一种基于视觉的硅胶成型效果检测方法 | |
CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
US10636133B2 (en) | Automated optical inspection (AOI) image classification method, system and computer-readable media | |
CN113808138A (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN108346141A (zh) | 单边侧入光式导光板缺陷提取方法 | |
JP2005510709A (ja) | 欠陥検出方法 | |
CN114862855B (zh) | 基于模板匹配的纺织品缺陷检测方法及系统 | |
CN117237646B (zh) | 基于图像分割的pet高温阻燃胶带瑕疵提取方法及系统 | |
CN115526889B (zh) | 基于图像处理的锅炉压力管道的无损检测方法 | |
Cseresnyes et al. | Hessian‐based quantitative image analysis of host‐pathogen confrontation assays | |
CN117237350B (zh) | 一种铸钢件质量实时检测方法 | |
CN116758074B (zh) | 一种多光谱食品图像智能增强方法 | |
CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
CN115862006B (zh) | 一种面粉磨粉过程中麸星的检测方法 | |
CN102737388B (zh) | 图像处理装置以及图像处理方法 | |
CN116740053A (zh) | 一种锻造加工智能生产线的管理系统 | |
JPH1187446A (ja) | パターン欠陥検査装置及びパターン欠陥検査方法 | |
JP6126290B1 (ja) | 外観検査装置 | |
JP2007192688A (ja) | 欠陥検査方法 | |
CN212646436U (zh) | 一种人造板表面瑕疵检测装置 | |
JP5644655B2 (ja) | 食用果実の検査方法、検査装置およびプログラム | |
Sun et al. | A novel method for multi-feature grading of mango using machine vision |
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 |