CN115018817A - 划痕检测方法、装置、电子设备和可读存储介质 - Google Patents
划痕检测方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115018817A CN115018817A CN202210772425.9A CN202210772425A CN115018817A CN 115018817 A CN115018817 A CN 115018817A CN 202210772425 A CN202210772425 A CN 202210772425A CN 115018817 A CN115018817 A CN 115018817A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- target object
- gray scale
- detection image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 39
- 230000009467 reduction Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 241001270131 Agaricus moelleri Species 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种划痕检测方法、装置、电子设备和可读存储介质。划痕检测方法,包括以下步骤:获取待检测对象的检测图像;识别所述检测图像中的目标对象,其中,所述目标对象的邻域的特征变化梯度大于预设梯度阈值;输出包括所述目标对象的划痕检测结果。
Description
技术领域
本公开实施例涉及检测技术领域,尤其涉及一种划痕检测方法、装置、电子设备和可读存储介质。
背景技术
电子设备的屏幕等产品在生产和使用过程中可能出现划痕,为了了解产品的状态,需要对设备上的划痕进行检测,以降低不合格产品流通的可能性。
发明内容
本公开实施例提供一种划痕检测方法、装置、电子设备和可读存储介质。
第一方面,本公开实施例提供了一种划痕检测方法,包括以下步骤:
获取待检测对象的检测图像;
识别所述检测图像中的目标对象,其中,所述目标对象的邻域的特征变化梯度大于预设梯度阈值;
输出包括所述目标对象的划痕检测结果。
在一些实施例中,所述获取待检测对象的检测图像之后,所述方法还包括:
对所述检测图像进行降噪处理和反模糊处理;
所述识别所述检测图像中的目标对象,包括:
识别经过降噪处理和反模糊化处理的检测图像中的目标对象。
在一些实施例中,对所述检测图像进行降噪处理和反模糊处理,包括:
利用极限点扩散函数通过最大似然估计对所述检测图像进行降噪处理;
调整经过降噪处理后的所述检测图像的信噪比和信噪比半径,并根据所述信噪比和所述信噪比半径对所述检测图像进行反模糊处理。
在一些实施例中,所述识别所述检测图像中的目标对象,包括:
提取所述检测图像中的边缘特征;
识别所述检测图像中的前景图像和背景图像;
将所述前景图像中的所述边缘特征作为所述目标对象。
在一些实施例中,所述识别所述检测图像中的前景图像和背景图像,包括:
将所述检测图像的各像素的灰阶与预设的灰阶阈值进行比较,根据灰阶与灰阶阈值的大小关系将所述检测图像的全部像素划分为两类;
计算所划分的两类像素之间的方差;
遍历全部灰阶作为所述灰阶阈值,并将方差最大的灰阶阈值作为目标灰阶阈值以划分前景图像和背景图像,其中,所述前景图像的灰阶大于或等于所述目标灰阶阈值,所述背景图像的灰阶小于所述目标灰阶阈值。
在一些实施例中,所述识别所述检测图像中的目标对象之前,还包括对所述检测图像进行预处理的步骤,其中,对所述检测图像进行预处理的步骤包括:
将所述检测图像转换为灰度图像并提取所述灰度图像中的亮度分量;和/或
通过偶数化处理将所述检测图像的像素行的数量和像素列的数量变为偶数。
第二方面,本公开实施例还提供一种划痕检测装置,包括:
检测图像获取模块,用于获取待检测对象的检测图像;
目标对象识别模块,用于识别所述检测图像中的目标对象,其中,所述目标对象的邻域的特征变化梯度大于预设梯度阈值;
结果输出模块,用于输出包括所述目标对象的划痕检测结果。
在一些实施例中,还包括:
图像优化模块,用于对所述检测图像进行降噪处理和反模糊处理;
所述目标对象识别模块,具体用于识别经过降噪处理和反模糊化处理的检测图像中的目标对象。
第三方面,本公开实施例还提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;所述处理器,用于读取存储器中的程序实现如前述第一方面所述方法中的步骤。
第四方面,本公开实施例还提供一种可读存储介质,用于存储程序,所述程序被处理器执行时实现如前述第一方面所述方法中的步骤。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例中的产品划痕的检测图像;
图2是本公开实施例提供的划痕检测方法的流程示意图;
图3是本公开实施例中的灰度化处理示意图;
图4A是本公开实施例中的又一检测图像;
图4B是图4A中图像的偶数化处理示意图;
图4C是本公开实施例中检测图像的一滤波结果示意图;
图4D是本公开实施例中的又一检测图像的反模糊化处理结果示意图;
图5是本公开实施例提供的反模糊化处理的流程示意图;
图6是本公开实施例中的产品划痕的边缘特征示意图;
图7是本公开实施例中的产品划痕的划痕检测结果示意图;
图8是本公开实施例提供的划痕检测方法的又一流程示意图;
图9是本公开实施例提供的划痕检测装置的结构示意图;
图10是本公开实施提供的电子设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开实施例中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,本申请中使用“和/或”表示所连接对象的至少其中之一,例如A和/或B和/或C,表示包含单独A,单独B,单独C,以及A和B都存在,B和C都存在,A和C都存在,以及A、B和C都存在的7种情况。
本公开实施例提供了一种划痕检测方法。
如图1所示,电子设备的屏幕等产品上可能出现划痕(椭圆圈中的部分),而大规模生产的产品数量通常较多,难以通过人工检测的方式进行划痕检测。
如图2所示,在一个实施例中,该划痕检测方法包括以下步骤:
步骤201:获取待检测对象的检测图像。
本实施例中以待检测对象为显示面板做示例性说明,实施时,首先采集显示面板的图像,实施时,可以通过摄像头等图像传感器拍摄显示面板的图像作为检测图像。
采集检测图像时,显示面板可以显示图像,也可以不显示图像。
在其中一个实施例中,可以控制显示面板显示均一的测试图像,示例性的,可以是控制显示面板显示像素值均相同的均一画面。
在一些实施例中,在采集到检测图像之后,可以对图像进行初步处理。
在一些实施例中,图像的初步处理步骤包括针对计算量的优化处理步骤。针对计算量的初步处理包括:将所述检测图像转换为灰度图像并提取所述灰度图像中的亮度分量。
需要理解的是,一般来说,采集到的图像为彩色图像,示例性的,可以是RGB格式的图像,该图像的每一像素包括红(R)、绿(G)和蓝(B)三个分量,在颜色格式为0至255灰阶的情况下,每一像素的颜色变化范围为256的三次方。这导致对于图像处理的计算量较大,这样,图像处理和计算的耗时也相对较长。
本实施例中,首先将图像转换为YUV格式,然后提取其亮度分量Y。
在一个示例性的实施例中,Y=0.3R+0.59G+0.11B,其中,R、G、B分别代表红、绿和蓝三个颜色的像素分量。需要理解的是,其转换公式并不局限于此,实施时,可以根据需要选择相应的转换公式。如图3所示,这样,能够获得检测图像的灰度图像。
在其中一些实施例中,图像的初步处理步骤还包括针对图像清晰度的优化处理步骤。具体的,包括对所述检测图像进行降噪处理和反模糊处理的步骤。
在其中一些实施例中,对所述检测图像进行降噪处理和反模糊处理操作之前,需要对检测图像进行预处理,具体的,通过偶数化处理将所述检测图像的像素行的数量和像素列的数量变为偶数。
示例性的,如图4A所示,设图像的尺寸为M*N,其中,M为图像的像素列的数量,N为图像的像素行的数量。实施时,M1=(M/2)*2,N1=(N/2)*2。其中,M1和N1分别为处理后得到的像素列的数量和像素行的数量。实施时,限定M1和N2的数据类型为整型,如图4B所示,这样,能够得到偶数化的像素行的数量和偶数化的像素列的数量,以便于后续的进一步处理过程。
在一些实施例中,对所述检测图像进行降噪处理和反模糊处理,包括:
利用极限点扩散函数通过最大似然估计对所述检测图像进行降噪处理;
调整经过降噪处理后的所述检测图像的信噪比和信噪比半径,并根据所述信噪比和所述信噪比半径对所述检测图像进行反模糊处理。
本实施例中,主要针对由于虚焦而导致的图像模糊进行处理,在仅考虑衍射的情况下,如果认为存在一个不受衍射影响的理想镜头,其成像为X,实际的镜头的点扩散函数PSF为C,实际镜头成像为B,则可以理解为通过实际镜头的点扩散函数C对理想镜头成像X提取特征,获得了实际镜头的成像B,这是一种典型的卷积关系,可以记作:
x*c=b……(1);
进一步的,由于空间域里的卷积等效于频域中的乘法运算,这样,在频域中:
F(x)*F(c)=F(b)……(2);
其中,F()代表傅里叶变换。
而空间域里的去卷积运行相当于在频域中做除法,这样,能够得到:
F(x)=F(b)/F(c)……(3);
进一步的,通过一次反傅里叶变换,能够得到去卷积的结果:
x=F-1(F(b)/F(c))……(4);
其中,F-1()代表反傅里叶变换。
如图4C所示,经过滤波处理,高频区域为0,即对应图4C中黑色区域。
进一步的,图像部分实际上是有噪声的,也就是说,上述公式(1)应当调整为:
b=x*c+n……(5);
其中,n代表噪声。
由于图像和噪声均可以理解为一个随机过程,因此,可以将去卷积过程作为一个最大似然问题求解,这样,基于公式(4)能够得到:
其中,SNR(ω)为频率ω的信噪比,即SNR(ω)=S/N,其中,S为频率为ω时的有用信号,N为频率为ω时的噪声。
如图4D所示,实施时,对滤波处理的半径和信噪比的进行调整,以实现对滤波结果进行调整,从而实现获得去模糊化处理的图像。
实施时,可以先调整滤波半径,再调整信噪比,有助于提高图像处理速度,更快更好的获得处理结果。
如图5所示,本实施例的方案可以概括为,首先对检测图像进行偶数化处理,然后建立点扩散函数并进行滤波处理,然后通过调整滤波半径和信噪比,以实现对检测图像进行反模糊处理,能够获得较为清晰的输出图像。
需要理解的是,上述处理过程是可以相互结合的,可以立即为,可以选择提取亮度特征以及降噪和反模糊化处理中的一项,也可以将同时进行亮度特征提取和以及降噪和反模糊化处理。
步骤202:识别所述检测图像中的目标对象。
接下来,本实施例中的目标对象为邻域的特征变化梯度大于预设梯度阈值的区域。
需要理解的是,一般来说,显示面板的表面为连续的平滑表面,其显示也相应的连续平滑的变化,如果某一位置出现了划痕,由于光学的折射发生了变化,会导致图像的在划痕处出现突变。
本实施例中,邻域指的是检测图像中的每一个点和该点的一个小尺寸的临近区域,特征变化梯度可以理解为特征的变化率,示例性的可以是色彩,也可以是上述亮度分量。
以特征变化梯度为亮度变化梯度做示例性说明,当特征变化梯度大于预设梯度阈值的情况下,说明该位置发生了突变,该位置可能是划痕区域,反正,则该区域可能为显示面板的正常区域。
在一些实施例中,步骤202包括:
提取所述检测图像中的边缘特征;
识别所述检测图像中的前景图像和背景图像;
将所述前景图像中的所述边缘特征作为所述目标对象。
在其中一个实施例中,可以通过线性滤波实现检测图像中的边缘特征。
在其中一个实施例中,先定义为一个正弦波乘以高斯函数,由于乘法卷积性质,滤波器的脉冲响应的傅立叶变换是其调和函数的傅立叶变换和高斯函数傅立叶变换的卷积。该滤波器由实部和虚部组成,二者相互正交。
滤波器的复数表达为:
实数部分为:
虚数部分为:
上述公式中,x′x cosθ+y sinθ,y′=-x sinθ+y cosθ。
更为具体的,波长λ的值以像素为单位指定,通常大于等于2,且不大于检测图像尺寸的五分之一。方向θ指定了Gabor函数并行条纹的方向,它的取值为0到360度。相位偏移φ的取值范围为-180度到180度。其中,0度和180度分别对应中心对称的center-on函数和center-off函数,而-90度和90度对应反对称函数。长宽比γ为空间纵横比,决定了函数形状的椭圆率;当γ=1时,形状是圆的;当γ<1时,形状随着平行条纹方向而拉长;长宽比γ的取值通常为0.5。带宽b为Gabor滤波器的半响应空间频率带宽b和σ/λ的比率有关,其中σ表示Gabor函数的高斯因子的标准差,σ的值仅随着带宽b变化。带宽值必须是正实数,通常为1,此时,标准差和波长的关系为:σ=0.56λ。带宽越小,标准差越大,Gabor形状越大,可见平行兴奋和抑制区条纹数量越多。其中:
如图6所示,这样,能够提取到检测图像中的边缘特征。
在提取所述检测图像中的边缘特征。
在一些实施例中,识别出检测图像中的边缘特征后,识别检测图像中的前景图像和背景图像。
在一些实施例中,所述识别所述检测图像中的前景图像和背景图像,包括:
将所述检测图像的各像素的灰阶与预设的灰阶阈值进行比较,根据灰阶与灰阶阈值的大小关系将所述检测图像的全部像素划分为两类;
计算所划分的两类像素之间的方差;
遍历全部灰阶作为所述灰阶阈值,并将方差最大的灰阶阈值作为目标灰阶阈值以划分前景图像和背景图像,其中,所述前景图像的灰阶大于或等于所述目标灰阶阈值,所述背景图像的灰阶小于所述目标灰阶阈值。
以像素的灰阶范围为0至255灰阶做示例性说明。
示例性的,先将灰阶阈值设置为100,则可以根据灰阶大于100以及灰阶不大于100将检测图像中的全部像素划分为两类,接下来,以灰阶大于100的像素作为前景图像,以灰阶不大于100的像素作为背景图像,分别计算每一类像素的平均灰度和占全部像素的比例。最后,计算两类像素之间的方差。
接下来,重新选择一个灰阶阈值,示例性的,可以是101,参照上述过程计算两类像素之间的方差。
最后,当遍历了全部的0至255的灰阶作为灰阶阈值之后,从计算得到的方差中,确定极大值,以该极大值对应的灰阶阈值作为目标像素阈值划分前景图像和背景图像。
在划分了前景图像和背景图像之后,认为所识别出的边缘特征中,位于前景图像中的部分即为划痕对应的图像。
步骤203:输出包括所述目标对象的划痕检测结果。
如图7所示,在确定了划痕所在的位置之后,能够得到包括划痕位置的划痕检测结果。
如图8所示,本实施例的技术方案可以概括为,获得输入的检测图像后,首先对检测图像进行灰度化处理,然后进行线性滤波以实现边缘检测,接下来,对图像进行分割,确定前景图像和背景图像,最后,将划痕图像作为检测结果输出。
本公开实施例还提供一种划痕检测装置。
如图9所示,在一个实施例中,该划痕检测装置900包括:
检测图像获取模块901,用于获取待检测对象的检测图像;
目标对象识别模块902,用于识别所述检测图像中的目标对象,其中,所述目标对象的邻域的特征变化梯度大于预设梯度阈值;
结果输出模块903,用于输出包括所述目标对象的划痕检测结果。
在一些实施例中,还包括:
图像优化模块,用于对所述检测图像进行降噪处理和反模糊处理;
所述目标对象识别模块,具体用于识别经过降噪处理和反模糊化处理的检测图像中的目标对象。
在一些实施例中,图像优化模块包括:
降噪子模块,用于利用极限点扩散函数通过最大似然估计对所述检测图像进行降噪处理;
反模糊处理子模块,用于调整经过降噪处理后的所述检测图像的信噪比和信噪比半径,并根据所述信噪比和所述信噪比半径对所述检测图像进行反模糊处理。
在一些实施例中,所述目标对象识别模块902,包括:
提取子模块,用于提取所述检测图像中的边缘特征;
识别子模块,用于识别所述检测图像中的前景图像和背景图像;
目标对象确定子模块,用于将所述前景图像中的所述边缘特征作为所述目标对象。
在一些实施例中,所述识别子模块包括:
分类单元,用于将所述检测图像的各像素的灰阶与预设的灰阶阈值进行比较,根据灰阶与灰阶阈值的大小关系将所述检测图像的全部像素划分为两类;
方差计算单元,用于计算所划分的两类像素之间的方差;
划分单元,用于遍历全部灰阶作为所述灰阶阈值,并将方差最大的灰阶阈值作为目标灰阶阈值以划分前景图像和背景图像,其中,所述前景图像的灰阶大于或等于所述目标灰阶阈值,所述背景图像的灰阶小于所述目标灰阶阈值。
在一些实施例中,还包括预处理模块,用于对所述检测图像进行预处理的步骤;
所述预处理模块具体用于:
将所述检测图像转换为灰度图像并提取所述灰度图像中的亮度分量;和/或
通过偶数化处理将所述检测图像的像素行的数量和像素列的数量变为偶数。
本实施例的划痕检测装置900能够实现上述划痕检测方法实施例的各个步骤,并能实现基本相同的技术效果,此处不再赘述。
本公开实施例还提供一种电子设备。请参见图10,电子设备可以包括处理器1001、存储器1002及存储在存储器1002上并可在处理器1001上运行的程序10021。
程序10021被处理器1001执行时可实现上述方法实施例中的任意步骤及达到相同的有益效果,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成,所述的程序可以存储于一可读取介质中。
本公开实施例还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时可实现上述方法实施例中的任意步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
所述的存储介质,如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
需要说明的是,应理解以上各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,确定模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,各个模块、单元、子单元或子模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific IntegratedCircuit,ASIC),或,一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
以上所述是本公开实施例的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本公开所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本公开的保护范围。
Claims (10)
1.一种划痕检测方法,包括以下步骤:
获取待检测对象的检测图像;
识别所述检测图像中的目标对象,其中,所述目标对象的邻域的特征变化梯度大于预设梯度阈值;
输出包括所述目标对象的划痕检测结果。
2.如权利要求1所述的方法,其中,所述获取待检测对象的检测图像之后,所述方法还包括:
对所述检测图像进行降噪处理和反模糊处理;
所述识别所述检测图像中的目标对象,包括:
识别经过降噪处理和反模糊化处理的检测图像中的目标对象。
3.如权利要求2所述的方法,其中,对所述检测图像进行降噪处理和反模糊处理,包括:
利用极限点扩散函数通过最大似然估计对所述检测图像进行降噪处理;
调整经过降噪处理后的所述检测图像的信噪比和信噪比半径,并根据所述信噪比和所述信噪比半径对所述检测图像进行反模糊处理。
4.如权利要求1所述的方法,其中,所述识别所述检测图像中的目标对象,包括:
提取所述检测图像中的边缘特征;
识别所述检测图像中的前景图像和背景图像;
将所述前景图像中的所述边缘特征作为所述目标对象。
5.如权利要求4所述的方法,其中,所述识别所述检测图像中的前景图像和背景图像,包括:
将所述检测图像的各像素的灰阶与预设的灰阶阈值进行比较,根据灰阶与灰阶阈值的大小关系将所述检测图像的全部像素划分为两类;
计算所划分的两类像素之间的方差;
遍历全部灰阶作为所述灰阶阈值,并将方差最大的灰阶阈值作为目标灰阶阈值以划分前景图像和背景图像,其中,所述前景图像的灰阶大于或等于所述目标灰阶阈值,所述背景图像的灰阶小于所述目标灰阶阈值。
6.如权利要求1至5中任一项所述的方法,其中,所述识别所述检测图像中的目标对象之前,还包括对所述检测图像进行预处理的步骤,其中,对所述检测图像进行预处理的步骤包括:
将所述检测图像转换为灰度图像并提取所述灰度图像中的亮度分量;和/或
通过偶数化处理将所述检测图像的像素行的数量和像素列的数量变为偶数。
7.一种划痕检测装置,包括:
检测图像获取模块,用于获取待检测对象的检测图像;
目标对象识别模块,用于识别所述检测图像中的目标对象,其中,所述目标对象的邻域的特征变化梯度大于预设梯度阈值;
结果输出模块,用于输出包括所述目标对象的划痕检测结果。
8.如权利要求7所述的装置,其中,还包括:
图像优化模块,用于对所述检测图像进行降噪处理和反模糊处理;
所述目标对象识别模块,具体用于识别经过降噪处理和反模糊化处理的检测图像中的目标对象。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;其特征在于,所述处理器,用于读取存储器中的程序实现如权利要求1至6中任一项所述的划痕检测方法中的步骤。
10.一种可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现如权利要求1至6中任一项所述的划痕检测方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772425.9A CN115018817A (zh) | 2022-06-30 | 2022-06-30 | 划痕检测方法、装置、电子设备和可读存储介质 |
PCT/CN2023/093257 WO2024001538A1 (zh) | 2022-06-30 | 2023-05-10 | 划痕检测方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772425.9A CN115018817A (zh) | 2022-06-30 | 2022-06-30 | 划痕检测方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018817A true CN115018817A (zh) | 2022-09-06 |
Family
ID=83077983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210772425.9A Pending CN115018817A (zh) | 2022-06-30 | 2022-06-30 | 划痕检测方法、装置、电子设备和可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115018817A (zh) |
WO (1) | WO2024001538A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001538A1 (zh) * | 2022-06-30 | 2024-01-04 | 京东方科技集团股份有限公司 | 划痕检测方法、装置、电子设备和可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004005299B4 (de) * | 2004-01-29 | 2006-09-07 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur Erkennung von Fehlern in Filmvorlagen |
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 |
CN113781402B (zh) * | 2021-08-19 | 2024-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 |
CN113744270B (zh) * | 2021-11-05 | 2022-02-08 | 南京市特种设备安全监督检验研究院 | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 |
CN115018817A (zh) * | 2022-06-30 | 2022-09-06 | 京东方科技集团股份有限公司 | 划痕检测方法、装置、电子设备和可读存储介质 |
-
2022
- 2022-06-30 CN CN202210772425.9A patent/CN115018817A/zh active Pending
-
2023
- 2023-05-10 WO PCT/CN2023/093257 patent/WO2024001538A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001538A1 (zh) * | 2022-06-30 | 2024-01-04 | 京东方科技集团股份有限公司 | 划痕检测方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024001538A1 (zh) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6816197B2 (en) | Bilateral filtering in a demosaicing process | |
US9485432B1 (en) | Methods, systems and apparatuses for dual-camera based zooming | |
EP3025302B1 (en) | System and method of correcting image artifacts | |
US20170278224A1 (en) | Method and system for denoising and demosaicing artifact suppression in digital images | |
CN101460975B (zh) | 采用非线性和/或空间变化图像处理的光学成像系统与方法 | |
US7916940B2 (en) | Processing of mosaic digital images | |
US10417749B2 (en) | Method and system for edge denoising of a digital image | |
US9324153B2 (en) | Depth measurement apparatus, image pickup apparatus, depth measurement method, and depth measurement program | |
US7522782B2 (en) | Digital image denoising | |
Rizkinia et al. | Local spectral component decomposition for multi-channel image denoising | |
Mosleh et al. | Explicit ringing removal in image deblurring | |
US10217193B2 (en) | Image processing apparatus, image capturing apparatus, and storage medium that stores image processing program | |
CN111340732A (zh) | 一种低照度视频图像增强方法及装置 | |
US20220414827A1 (en) | Training apparatus, training method, and medium | |
CN111476750A (zh) | 对成像模组进行污点检测的方法、装置、系统及存储介质 | |
CN115018817A (zh) | 划痕检测方法、装置、电子设备和可读存储介质 | |
CN115239653A (zh) | 支持多分屏的黑屏检测方法、装置、电子设备及可读存储介质 | |
CN111524153B (zh) | 图像解析力确定方法、装置及计算机存储介质 | |
TW201709196A (zh) | 影像處理裝置及影像處理方法 | |
CN104063864B (zh) | 基于四元相位叠合模型的图像模糊度评估方法 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
US20220414826A1 (en) | Image processing apparatus, image processing method, and medium | |
Wang et al. | A bilateral filtering based ringing elimination approach for motion-blurred restoration image | |
CN115829848A (zh) | 处理图形符号的方法、装置和计算机可读存储介质 | |
JP4104475B2 (ja) | 輪郭補正装置 |
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 |