CN115100104A - 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 - Google Patents
玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115100104A CN115100104A CN202210508017.2A CN202210508017A CN115100104A CN 115100104 A CN115100104 A CN 115100104A CN 202210508017 A CN202210508017 A CN 202210508017A CN 115100104 A CN115100104 A CN 115100104A
- Authority
- CN
- China
- Prior art keywords
- image
- ink area
- area
- defect
- ink
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 124
- 239000011521 glass Substances 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 230000003749 cleanliness Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000005357 flat glass Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003666 anti-fingerprint Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006059 cover glass Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质，涉及自动光学检测技术领域，包括采集玻璃盖板的原始图像中的待测试图像；对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像；根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取；根据超像素图像分割算法，对抓取过后的所述油墨区图像进行缺陷检测。本发明的优点为使用模版自相关匹配法对图像进行定位，并根据定位结果对字符区域进行裁剪，减少了对于油墨区的搜寻时间，且识别速度快、准确度高，能够应用在3D玻璃元件的质量和洁净度检测过程中，对提高机台的漏检率具有极大的意义；具有了更精准的等级划分结果；过程和结果可控并且可追溯。
Description
技术领域
本发明涉及自动光学检测技术领域，具体而言，涉及玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质。
背景技术
盖板玻璃按照应用结构可以分为2D玻璃、2.5D玻璃和3D玻璃，其中2D玻璃采用纯平面设计，2.5D玻璃则为中间平面但边缘弧形设计，而3D玻璃在中间和边缘都采用弧形设计。3D玻璃具有轻薄、透明洁净、抗指纹、防眩光等优点，不仅可以提升智能终端产品外观新颖性，致使2D盖板玻璃也逐渐向3D盖板玻璃转变。
现阶段，了解到用于3D玻璃盖板曲面处缺陷检测的测试装置是使用一个弧形光搭配三个相机调试其位置和角度，使得各个相机视野均能够在同一方向覆盖整个3D弧边有完整成像，但在尝试中油墨区凹凸缺陷的检出效果没有很好，检出率不高，所以针对3D玻璃盖板曲面处油墨区凹凸缺陷设计出了这种检测方法。由于油墨区凹凸缺陷的检出率不高，针对此类带凹凸感的缺陷就能很明显增加检出率，使机台的漏检率下降。
发明内容
本发明的目的在于提供一种玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种玻璃油墨区的缺陷检测方法，包括：
采集玻璃盖板的原始图像中的待测试图像；
对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像；
根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取；
根据超像素图像分割算法，对抓取过后的所述油墨区图像进行缺陷检测。
优选地，所述对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像，包括：
对所述油墨区图像进行首次裁剪，得到第一图像；
根据自相关匹配算法对所述第一图像中的字符信息进行识别定位；
根据定位结果对所述油墨区图像的字符信息进行裁剪，得到第二图像；
对所述第二图像进行二次裁剪，并利用类间最大方差法进行二值化后，根据图像处理技术，选择面积最大的白色区域在二次裁剪图像中对应的区域为待测油墨区。
优选地，所述根据图像处理技术，选择面积最大的白色区域在二次裁剪图像中对应的区域为待测油墨区，之后包括：
根据索贝尔算子对所述待测油墨区的边缘进行检测，裁剪边缘上宽度为150像素的过渡区域，生成仅包含有3D玻璃盖板曲面处凹凸的缺陷目标的油墨区裁剪图像；
构造用于特征提取的卷积神经网络结构，用基于FPN改进的残差网络作为主干网络用来提取特征图，根据所述油墨区裁剪图像，生成最终待测油墨区；
根据一维最大熵算法对所述最终待测油墨区进行分离，并根据BLOB技术完成玻璃油墨区的缺陷检测目标的识别。
优选地，所述根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取，其中包括：
根据预设成像图像的灰度值标定出每个像元的非均匀增益系数，然后将所述油墨区图像的每个像元的灰度值乘以该像元的非均匀增益系数，得到非均匀校正后的油墨区图像；
根据中值滤波法对非均匀校正后的所述油墨区图像进行颗粒噪声的滤除；
采用非局部均值降噪算法，对滤除后的所述油墨区图像进行降噪；
根据约束图像直方图分布的图像增强方法将降噪后的所述油墨区图像的缺陷目标图像进行增强，得到第三图像；
对所述第三图像缺陷进行抓取，并计算所述第三图像中缺陷的特征信息，所述特征信息包括缺陷的长度、宽度和面积信息。
第二方面，本申请还提供了一种玻璃油墨区的缺陷检测装置，包括：
采集模块：用于采集玻璃盖板的原始图像中的待测试图像；
处理模块：用于对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像；
抓取模块：用于根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取；
检测模块：用于根据超像素图像分割算法，对抓取过后的所述油墨区图像进行缺陷检测。
第三方面，本申请还提供了一种玻璃油墨区的缺陷检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述玻璃油墨区的缺陷检测方法的步骤。
第四方面，本申请还提供了一种可读存储介质，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实现上述基于玻璃油墨区的缺陷检测方法的步骤。
本发明的有益效果为：使用模版自相关匹配法对图像进行定位，并根据定位结果对字符区域进行裁剪，减少了对于油墨区的搜寻时间；其次，在使用BLOB技术寻找油墨区后，再对油墨区边缘区域进行裁剪，排除了边缘过渡区域对于搜索缺陷目标的影响；最后，使用一维最大熵进行二值化，实现了对油墨区弱小缺陷目标的分离。该方法解决了油墨区缺陷目标的检测问题，且识别速度快、准确度高，能够应用在3D玻璃元件的质量和洁净度检测过程中，对提高机台的漏检率具有极大的意义；具有了更精准的等级划分结果；过程和结果可控并且可追溯。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例中所述的玻璃油墨区的缺陷检测方法流程示意图；
图2为本发明实施例中所述的玻璃油墨区的缺陷检测装置结构示意图；
图3为本发明实施例中所述的玻璃油墨区的缺陷检测设备结构示意图。
图4为本发明实施例中所述的玻璃油墨区的缺陷检测设备架设示意图。
图中:701、采集模块；702、处理模块；7021、第一裁剪单元；7022、定位单元；7023、第二裁剪单元；7024、选择单元；7025、生成单元；7026、提取单元；7027、分离单元；703、抓取模块；7031、计算单元；7032、滤除单元；7033、降噪单元；7034、增强单元；7035、抓取单元；704、检测模块；800、玻璃油墨区的缺陷检测设备；801、处理器；802、存储器；803、多媒体组件；804、输入/输出(I/O)接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种玻璃油墨区的缺陷检测方法。
现有技术中是通过单侧弧形光和三个同一方向相机进行取像，对比三张图片取最好的成像。而本发明则是通过两个对称的工业相机和镜头同时获取测试图像，后通过算法检出缺陷。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
S100、采集玻璃盖板的原始图像中的待测试图像。
可以理解的是，在本步骤中，使用采集装置进行采集玻璃盖板的原始图像中的待测试图像；采集装置可以为摄像头。
S200、对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像。
可以理解的是，在本步骤中，包括：
对所述油墨区图像进行首次裁剪，得到第一图像；
根据自相关匹配算法对所述第一图像中的字符信息进行识别定位；
根据定位结果对所述油墨区图像的字符信息进行裁剪，得到第二图像；
对所述第二图像进行二次裁剪，并利用类间最大方差法进行二值化后，根据图像处理技术，选择面积最大的白色区域在二次裁剪图像中对应的区域为待测油墨区。
其中，所述上述步骤中，之后包括：
根据索贝尔算子对所述待测油墨区的边缘进行检测，裁剪边缘上宽度为150像素的过渡区域，生成仅包含有3D玻璃盖板曲面处凹凸的缺陷目标的油墨区裁剪图像；
构造用于特征提取的卷积神经网络结构，用基于FPN改进的残差网络作为主干网络用来提取特征图，根据所述油墨区裁剪图像，生成最终待测油墨区；
根据一维最大熵算法对所述最终待测油墨区进行分离，并根据BLOB技术完成玻璃油墨区的缺陷检测目标的识别。
1)需要说明的是，对上半部分油墨区进行首次裁剪；
2)利用自相关模板匹配法，搜寻最佳匹配点a,b；
3)在裁剪图像f1(x,y)中裁剪字符区域；
4)对首次裁剪图像进行二次裁剪，近一步缩小对油墨区的搜寻范围；
5)利用类间最大方差法(OTSU)，对二次裁剪图像f2(m,n)进行二值化，用公式表示为：
fbin(m,n)＝Otsu(f2(m,n))
为了突出油墨区，对将二值化结果进行取反操作，用公式表示为：
fbin_ink(m,n)＝255-fbin(m,n))
6)为了获得有效的油墨区，需要对过渡带进行裁剪，沿检测的边沿裁剪一个宽度为100像素的过渡带；
7)为了获得最终的缺陷目标，使用一维最大熵法公式(1)进行目标分离；
8)使用bmlabel函数搜寻在图像fbin_target(m1,n1)上相互连通的像素集合，每一个连通域为一个损伤目标。
ftarget(k)＝bmlabel(fbin_target(m1,n1),4)
式中，N为损伤目标个数。再计算每个区域的图像特征参数，包括区域数量、位置中心、面积、水平垂直方向尺寸、能量积分等。
S300、根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取。
可以理解的是，在本步骤中，其中包括：
据预设成像图像的灰度值标定出每个像元的非均匀增益系数，然后将所述油墨区图像的每个像元的灰度值乘以该像元的非均匀增益系数，得到非均匀校正后的油墨区图像；
根据中值滤波法对非均匀校正后的所述油墨区图像进行颗粒噪声的滤除；
采用非局部均值降噪算法，对滤除后的所述油墨区图像进行降噪；
根据约束图像直方图分布的图像增强方法将降噪后的所述油墨区图像的缺陷目标图像进行增强，得到第三图像；
对所述第三图像缺陷进行抓取，并计算所述第三图像中缺陷的特征信息，所述特征信息包括缺陷的长度、宽度和面积信息。
需要说明的是，图像降噪：先运用中值滤波法滤除校正后玻璃图像的颗粒噪声，然后采用非局部均值降噪算法，对玻璃图像进行降噪以滤除高斯噪声和泊松噪声，能有效去除各类噪声，又能较好地保持图像的边缘和纹理，对玻璃的缺陷图像不会产生较大的破坏，有利于玻璃缺陷的提取；其中，图像增强：利用约束图像直方图分布的图像增强方法将缺陷弱小目标图像进行增强。
其中，非局部均值降噪算法通过对自相似结构块做加权平均来估计参考块的中心点，达到降噪的目的。约束图像直方图分布的图像增强方法具体为先设定一个阈值T，假定玻璃图像直方图出现超过了阈值T的灰度级，就对其进行裁剪，然后将超出阈值的部分平均分配到各个灰度级，使得原直方图累积分布函数(CDF)梯度变化剧烈的部分变得较为平缓，利于增强玻璃缺陷弱小目标，同时避免过度增强噪声点，其中阈值设定为占总像素数的比例。
S400、根据超像素图像分割算法，对抓取过后的所述油墨区图像进行缺陷检测。
可以理解的是，在本步骤中，改进的超像素图像分割算法思想为将图像从RGB颜色空间转换到CIE-Lab颜色空间，对应每个像素的(L，a，b)颜色值和(x，y)坐标组成一个5维向量V[l，a，b，x，y]，两个像素的相似性即由它们的向量距离来度量，距离越大，相似性越小。
改进的超像素图像分割算法首先生成K个种子点，然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素，将他们归为与该种子点一类，直到所有像素点都归类完毕，然后计算这K个超像素里所有像素点的平均向量值，重新得到K个聚类中心，然后再以这K个中心去搜索其周围与其最为相似的若干像素，所有像素都归类完后重新得到K个超像素，更新聚类中心，再次迭代，如此反复直到收敛，将玻璃图像分为K个部分，运用面积滤波器筛选出缺陷部分。
综上所述，本发明的架设方案在本实施例中有三个步骤，如图4所示，图4为架设装置所展示出来的侧视图，其中1代表相机；2代表镜头1；3代表光源1；4代表光源2；5代表镜头2；6代表相机2；7代表样品，流程如下：
1、将3D玻璃盖板样品7水平放置于载台上，使用工业相机1、6分别搭配FA镜头2、5，倾斜位于产品侧边斜向上拍摄，视野和景深可以覆盖整个油墨区，光源3、4与相机镜头纵向上处于同一直线，由于左右两边都为曲面，故左右两边一起架设同时进行取像，可以加快缺陷检测每片样品的节拍，采用飞拍的方式将样品的曲面分隔成多个区域，分别进行取像，在完成全部取像之后截取需要的油墨区部分图像进行拼接，最后进行图像算法处理，得出缺陷位置、缺陷大小，以判断产品是否为NG。
2、使用频闪光源，在需要同等亮度情况下与普通光源相比，可以缩小相机的曝光时间，而曝光时间会直接影响到平台运动速度，所以可以让平台运动速度更高，检测速度更快。
3、调整频闪条形光源3、4的角度，将光源光斑中心对准曲面的透明区，此时照射到透明区的光线绝大部分反射回相机，图像呈现白色明场；此时油墨区处于偏离光斑中心一定距离的区域，只有部分光线反射回相机，油墨区呈现灰色图像，此时凹凸点缺陷呈现效果最明显。
实施例2：
如图2所示，本实施例提供了一种玻璃油墨区的缺陷检测装置，参见图2所述装置，包括：
采集模块701：用于采集玻璃盖板的原始图像中的待测试图像；
处理模块702：用于对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像；
抓取模块703：用于根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取；
检测模块704：用于根据超像素图像分割算法，对抓取过后的所述油墨区图像进行缺陷检测。
进一步地，所述处理模块702，包括：
第一裁剪单元7021：用于对所述油墨区图像进行首次裁剪，得到第一图像；
定位单元7022：用于根据自相关匹配算法对所述第一图像中的字符信息进行识别定位；
第二裁剪单元7023：用于根据定位结果对所述油墨区图像的字符信息进行裁剪，得到第二图像；
选择单元7024：用于对所述第二图像进行二次裁剪，并利用类间最大方差法进行二值化后，根据图像处理技术，选择面积最大的白色区域在二次裁剪图像中对应的区域为待测油墨区。
进一步地，所述选择单元7024，之后包括：
生成单元7025：用于根据索贝尔算子对所述待测油墨区的边缘进行检测，裁剪边缘上宽度为150像素的过渡区域，生成仅包含有3D玻璃盖板曲面处凹凸的缺陷目标的油墨区裁剪图像；
提取单元7026：用于构造用于特征提取的卷积神经网络结构，用基于FPN改进的残差网络作为主干网络用来提取特征图，根据所述油墨区裁剪图像，生成最终待测油墨区；
分离单元7027：用于根据一维最大熵算法对所述最终待测油墨区进行分离，并根据BLOB技术完成玻璃油墨区的缺陷检测目标的识别。
进一步地，所述抓取模块703，其中包括：
计算单元7031：用于根据预设成像图像的灰度值标定出每个像元的非均匀增益系数，然后将所述油墨区图像的每个像元的灰度值乘以该像元的非均匀增益系数，得到非均匀校正后的油墨区图像；
滤除单元7032：用于根据中值滤波法对非均匀校正后的所述油墨区图像进行颗粒噪声的滤除；
降噪单元7033：用于采用非局部均值降噪算法，对滤除后的所述油墨区图像进行降噪；
增强单元7034：用于根据约束图像直方图分布的图像增强方法将降噪后的所述油墨区图像的缺陷目标图像进行增强，得到第三图像；
抓取单元7035：用于对所述第三图像缺陷进行抓取，并计算所述第三图像中缺陷的特征信息，所述特征信息包括缺陷的长度、宽度和面积信息。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种玻璃油墨区的缺陷检测设备，下文描述的一种玻璃油墨区的缺陷检测设备与上文描述的一种玻璃油墨区的缺陷检测方法可相互对应参照。
图3是根据示例性实施例示出的一种玻璃油墨区的缺陷检测设备800的框图。如图3所示，该玻璃油墨区的缺陷检测设备800可以包括：处理器801，存储器802。该玻璃油墨区的缺陷检测设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该玻璃油墨区的缺陷检测设备800的整体操作，以完成上述的玻璃油墨区的缺陷检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该玻璃油墨区的缺陷检测设备800的操作，这些数据例如可以包括用于在该玻璃油墨区的缺陷检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该玻璃油墨区的缺陷检测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，玻璃油墨区的缺陷检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的玻璃油墨区的缺陷检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的玻璃油墨区的缺陷检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由玻璃油墨区的缺陷检测设备800的处理器801执行以完成上述的玻璃油墨区的缺陷检测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种玻璃油墨区的缺陷检测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的玻璃油墨区的缺陷检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种玻璃油墨区的缺陷检测方法，其特征在于，包括：
采集玻璃盖板的原始图像中的待测试图像；
对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像；
根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取；
根据超像素图像分割算法，对抓取过后的所述油墨区图像进行缺陷检测。
2.根据权利要求1所述的玻璃油墨区的缺陷检测方法，其特征在于,所述对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像，包括：
对所述油墨区图像进行首次裁剪，得到第一图像；
根据自相关匹配算法对所述第一图像中的字符信息进行识别定位；
根据定位结果对所述油墨区图像的字符信息进行裁剪，得到第二图像；
对所述第二图像进行二次裁剪，并利用类间最大方差法进行二值化后，根据图像处理技术，选择面积最大的白色区域在二次裁剪图像中对应的区域为待测油墨区。
3.根据权利要求2所述的玻璃油墨区的缺陷检测方法，其特征在于,所述根据图像处理技术，选择面积最大的白色区域在二次裁剪图像中对应的区域为待测油墨区，之后包括：
根据索贝尔算子对所述待测油墨区的边缘进行检测，裁剪边缘上宽度为150像素的过渡区域，生成仅包含有3D玻璃盖板曲面处凹凸的缺陷目标的油墨区裁剪图像；
构造用于特征提取的卷积神经网络结构，用基于FPN改进的残差网络作为主干网络用来提取特征图，根据所述油墨区裁剪图像，生成最终待测油墨区；
根据一维最大熵算法对所述最终待测油墨区进行分离，并根据BLOB技术完成玻璃油墨区的缺陷检测目标的识别。
4.根据权利要求1所述的玻璃油墨区的缺陷检测方法，其特征在于,所述根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取，其中包括：
根据预设成像图像的灰度值标定出每个像元的非均匀增益系数，然后将所述油墨区图像的每个像元的灰度值乘以该像元的非均匀增益系数，得到非均匀校正后的油墨区图像；
根据中值滤波法对非均匀校正后的所述油墨区图像进行颗粒噪声的滤除；
采用非局部均值降噪算法，对滤除后的所述油墨区图像进行降噪；
根据约束图像直方图分布的图像增强方法将降噪后的所述油墨区图像的缺陷目标图像进行增强，得到第三图像；
对所述第三图像缺陷进行抓取，并计算所述第三图像中缺陷的特征信息，所述特征信息包括缺陷的长度、宽度和面积信息。
5.一种玻璃油墨区的缺陷检测装置，其特征在于，包括：
采集模块：用于采集玻璃盖板的原始图像中的待测试图像；
处理模块：用于对所述待测试图像进行处理，得到所述待测试图像中的油墨区图像；
抓取模块：用于根据预设缺陷对应的灰度值，对所述油墨区图像进行缺陷抓取；
检测模块：用于根据超像素图像分割算法，对抓取过后的所述油墨区图像进行缺陷检测。
6.根据权利要求5所述的玻璃油墨区的缺陷检测装置，其特征在于，所述处理模块，包括：
第一裁剪单元：用于对所述油墨区图像进行首次裁剪，得到第一图像；
定位单元：用于根据自相关匹配算法对所述第一图像中的字符信息进行识别定位；
第二裁剪单元：用于根据定位结果对所述油墨区图像的字符信息进行裁剪，得到第二图像；
选择单元：用于对所述第二图像进行二次裁剪，并利用类间最大方差法进行二值化后，根据图像处理技术，选择面积最大的白色区域在二次裁剪图像中对应的区域为待测油墨区。
7.根据权利要求6所述的玻璃油墨区的缺陷检测装置，其特征在于，所述选择单元，之后包括：
生成单元：用于根据索贝尔算子对所述待测油墨区的边缘进行检测，裁剪边缘上宽度为150像素的过渡区域，生成仅包含有3D玻璃盖板曲面处凹凸的缺陷目标的油墨区裁剪图像；
提取单元：用于构造用于特征提取的卷积神经网络结构，用基于FPN改进的残差网络作为主干网络用来提取特征图，根据所述油墨区裁剪图像，生成最终待测油墨区；
分离单元：用于根据一维最大熵算法对所述最终待测油墨区进行分离，并根据BLOB技术完成玻璃油墨区的缺陷检测目标的识别。
8.根据权利要求5所述的玻璃油墨区的缺陷检测装置，其特征在于，所述抓取模块，其中包括：
计算单元：用于根据预设成像图像的灰度值标定出每个像元的非均匀增益系数，然后将所述油墨区图像的每个像元的灰度值乘以该像元的非均匀增益系数，得到非均匀校正后的油墨区图像；
滤除单元：用于根据中值滤波法对非均匀校正后的所述油墨区图像进行颗粒噪声的滤除；
降噪单元：用于采用非局部均值降噪算法，对滤除后的所述油墨区图像进行降噪；
增强单元：用于根据约束图像直方图分布的图像增强方法将降噪后的所述油墨区图像的缺陷目标图像进行增强，得到第三图像；
抓取单元：用于对所述第三图像缺陷进行抓取，并计算所述第三图像中缺陷的特征信息，所述特征信息包括缺陷的长度、宽度和面积信息。
9.一种玻璃油墨区的缺陷检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述玻璃油墨区的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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述玻璃油墨区的缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210508017.2A CN115100104A (zh) | 2022-05-11 | 2022-05-11 | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210508017.2A CN115100104A (zh) | 2022-05-11 | 2022-05-11 | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115100104A true CN115100104A (zh) | 2022-09-23 |
Family
ID=83287562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210508017.2A Pending CN115100104A (zh) | 2022-05-11 | 2022-05-11 | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100104A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115631198A (zh) * | 2022-12-21 | 2023-01-20 | 深圳新视智科技术有限公司 | 玻璃显示屏的裂纹检测方法、装置及计算机设备 |
| CN115908269A (zh) * | 2022-10-26 | 2023-04-04 | 中科慧远视觉技术(北京)有限公司 | 视觉缺陷检测方法、装置、存储介质和计算机设备 |
| CN116721103A (zh) * | 2023-08-10 | 2023-09-08 | 山东明佳科技有限公司 | 乳玻瓶内底净度的图像检测方法、系统、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
| CN109816627A (zh) * | 2018-12-13 | 2019-05-28 | 中国科学院西安光学精密机械研究所 | 平面玻璃元件油墨区弱小缺陷目标检测方法 |
| CN113256563A (zh) * | 2021-04-25 | 2021-08-13 | 广东工业大学 | 基于空间注意力机制的精品罐表面缺陷检测方法和系统 |
| CN113256591A (zh) * | 2021-06-04 | 2021-08-13 | 西京学院 | 一种宽幅玻璃缺陷快速检测装置及方法 |
| CN113284094A (zh) * | 2021-04-30 | 2021-08-20 | 芜湖东旭光电科技有限公司 | 获取玻璃基板缺陷信息的方法、装置、存储介质及设备 |
-
2022
- 2022-05-11 CN CN202210508017.2A patent/CN115100104A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
| CN109816627A (zh) * | 2018-12-13 | 2019-05-28 | 中国科学院西安光学精密机械研究所 | 平面玻璃元件油墨区弱小缺陷目标检测方法 |
| CN113256563A (zh) * | 2021-04-25 | 2021-08-13 | 广东工业大学 | 基于空间注意力机制的精品罐表面缺陷检测方法和系统 |
| CN113284094A (zh) * | 2021-04-30 | 2021-08-20 | 芜湖东旭光电科技有限公司 | 获取玻璃基板缺陷信息的方法、装置、存储介质及设备 |
| CN113256591A (zh) * | 2021-06-04 | 2021-08-13 | 西京学院 | 一种宽幅玻璃缺陷快速检测装置及方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115908269A (zh) * | 2022-10-26 | 2023-04-04 | 中科慧远视觉技术(北京)有限公司 | 视觉缺陷检测方法、装置、存储介质和计算机设备 |
| CN115631198A (zh) * | 2022-12-21 | 2023-01-20 | 深圳新视智科技术有限公司 | 玻璃显示屏的裂纹检测方法、装置及计算机设备 |
| CN115631198B (zh) * | 2022-12-21 | 2023-08-08 | 深圳新视智科技术有限公司 | 玻璃显示屏的裂纹检测方法、装置及计算机设备 |
| CN116721103A (zh) * | 2023-08-10 | 2023-09-08 | 山东明佳科技有限公司 | 乳玻瓶内底净度的图像检测方法、系统、设备和存储介质 |
| CN116721103B (zh) * | 2023-08-10 | 2023-10-27 | 山东明佳科技有限公司 | 乳玻瓶内底净度的图像检测方法、系统、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11227405B2 (en) | Determining positions and orientations of objects | |
| Rosin et al. | Image difference threshold strategies and shadow detection. | |
| CN115100104A (zh) | 玻璃油墨区的缺陷检测方法、装置、设备及可读存储介质 | |
| EP1229493A2 (en) | Multi-mode digital image processing method for detecting eyes | |
| CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
| KR102084535B1 (ko) | 결함 검사 장치, 결함 검사 방법 | |
| CN109492714A (zh) | 图像处理装置及其方法 | |
| JP2002259994A (ja) | 自動イメージパターン検出方法及びイメージ処理装置 | |
| CN111474179A (zh) | 镜片表面清洁度检测装置及方法 | |
| CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| US10923317B2 (en) | Detecting defects in a logic region on a wafer | |
| CN116978834A (zh) | 一种用于晶圆生产的智能监测预警系统 | |
| CN110246139B (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
| CN109003228B (zh) | 一种暗场显微大视场自动拼接成像方法 | |
| CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
| CN115601245A (zh) | 阴影消除装置和方法、空盘识别装置和方法 | |
| CN112435256A (zh) | 基于图像的cnv活动性病灶检测方法及装置、电子设备 | |
| CN116596899A (zh) | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 | |
| JP3431883B2 (ja) | 細胞系譜抽出方法 | |
| WO2023280081A1 (zh) | 空盘识别装置和方法 | |
| US20230245445A1 (en) | An object detection method | |
| CN108875612B (zh) | 一种足迹图像的处理方法 | |
| CN113658089A (zh) | 一种基于深度相机的双数据流融合物体识别方法 | |
| CN114022753A (zh) | 基于显著性和边缘分析的对空小目标检测算法 | |
| JP2001258599A (ja) | 細胞系譜抽出方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220923 |