CN115100105A - 一种凸透镜的缺陷检测方法、装置、设备及可读存储介质 - Google Patents
一种凸透镜的缺陷检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115100105A CN115100105A CN202210515593.XA CN202210515593A CN115100105A CN 115100105 A CN115100105 A CN 115100105A CN 202210515593 A CN202210515593 A CN 202210515593A CN 115100105 A CN115100105 A CN 115100105A
- Authority
- CN
- China
- Prior art keywords
- image
- optical filter
- information
- defect
- convex lens
- 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 128
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 230000003287 optical effect Effects 0.000 claims abstract description 143
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 29
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000011426 transformation method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 17
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002489 tectorial membrane Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011179 visual inspection 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种凸透镜的缺陷检测方法、装置、设备及可读存储介质,涉及图像处理技术领域,包括获取第一信息;根据预设定位参数,从所述滤光片图像中提取各个所述滤光片对应的单一滤光片图像;根据仿射变换方法对各个所述单一滤光片图像的角度进行调整;所述第二信息为滤光片的标准轮廓参数,所述第三信息为缺陷检测参数;根据所述第二信息和所述第三信息,确定调整后的所述单一滤光片图像的缺陷区域,并通过预设检测参数对所述缺陷区域进行检测,得到凸透镜的所述滤光片图像的缺陷检测结果。本发明的有益效果为适用在线生产,代替人工,提供快速、稳定、可靠的检出能力;视野范围内对覆膜凸透镜检测可量化,可自定义各项卡控值。
Description
技术领域
本发明涉及自动光学技术领域,具体而言,涉及凸透镜的缺陷检测方法、装置、设备及可读存储介质。
背景技术
覆膜凸透镜可用于VR眼镜制造上,目前市面上没有对应此类型装置针对覆膜凸透镜上问题应用在产线上,现阶段,在覆膜凸透镜外观缺陷的检测主要还是依赖人工目检的方式,人工检测主观性强,人员的敏锐度和品控能力不同,缺乏一致性和可靠性;检测效率低,且劳动强度大,容易使操作人员产生疲劳,长时间可能影响视力。
人工检测的数据记录存储非数字化,无法实现检测结果数据的实时共享,难以保证较高的检出率,且不能进行准确判断不良程度,检测过程也不可追溯。传统的常规缺陷检测中通常使用相机垂直于样品拍摄,但对于此类覆膜凸透镜来说,会导致缺陷成像不完整,且缺陷的兼容性较差。
发明内容
本发明的目的在于提供一种凸透镜的缺陷检测方法、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,本申请提供了一种凸透镜的缺陷检测方法,包括:
获取第一信息,所述第一信息包含多个凸透镜的滤光片图像;
根据预设定位参数,从所述滤光片图像中提取各个所述滤光片对应的单一滤光片图像;
根据仿射变换方法对各个所述单一滤光片图像的角度进行调整;
获取第二信息和第三信息,所述第二信息为滤光片的标准轮廓参数,所述第三信息为缺陷检测参数;
根据所述第二信息和所述第三信息,确定调整后的所述单一滤光片图像的缺陷区域,并通过预设检测参数对所述缺陷区域进行检测,得到凸透镜的所述滤光片图像的缺陷检测结果。
优选地,获取第一信息,所述第一信息包含多个凸透镜的滤光片图像,之前包括:
利用采集装置采集多个凸透镜的滤光片图像;
根据灰度值插值算法和样本标准差算法,对所述滤光片图像进行图像中心化,并输出中心化后所述滤光片图像的像素灰度值;
对中心化后所述滤光片图像进行去背景操作;
根据形态学算法,对去背景操作后的所述滤光片图像进行边缘提取,得到提取后的所述滤光片图像。
优选地,根据预设定位参数,从所述滤光片图像中提取各个所述滤光片对应的单一滤光片图像,其中包括:
对所述滤光片图像进行二值化处理,得到第一处理图像;
对所述第一处理图像进行边缘检测,得到第二处理图像,所述第二处理图像为包含所述滤光片外边缘的边缘图像;
提取所述第二处理图像的外边缘,得到所述第二处理图像中各个轮廓所围成的目标区域,所述目标区域包括多个,所述目标区域为所述单一滤光片图像。
优选地,根据所述第二信息和所述第三信息,确定调整后的所述单一滤光片图像的缺陷区域,并通过预设检测参数对所述缺陷区域进行检测,得到凸透镜的所述滤光片图像的缺陷检测结果,其中包括:
根据所述第二信息和所述第三信息,对所述单一滤光片图像的缺陷区域进行处理,得到第三处理图像;
将所述第三处理图像和单一所述滤光片图像进行差分处理,得到第四图像,所述第四图像为差值图像;
根据差值图像和卷积神经网络模型建立异常检测模型;
根据所述异常检测模型,查找所述第四图像中的缺陷轮廓,得到缺陷轮廓信息;
根据所述缺陷轮廓信息和所述预设检测参数,得到所述滤光片图像的缺陷检测结果。
第二方面,本申请还提供了一种凸透镜的缺陷检测装置,包括:
第一获取模块:用于获取第一信息,所述第一信息包含多个凸透镜的滤光片图像;
第一提取模块:用于根据预设定位参数,从所述滤光片图像中提取各个所述滤光片对应的单一滤光片图像;
调整模块:用于根据仿射变换方法对各个所述单一滤光片图像的角度进行调整;
第二获取模块:用于获取第二信息和第三信息,所述第二信息为滤光片的标准轮廓参数,所述第三信息为缺陷检测参数;
检测模块:用于根据所述第二信息和所述第三信息,确定调整后的所述单一滤光片图像的缺陷区域,并通过预设检测参数对所述缺陷区域进行检测,得到凸透镜的所述滤光片图像的缺陷检测结果。
第三方面,本申请还提供了一种凸透镜的缺陷检测设备,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凸透镜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凸透镜的缺陷检测方法的步骤。
本发明的有益效果为:适用在线生产,代替人工,提供快速、稳定、可靠的检出能力;视野范围内对覆膜凸透镜检测可量化,可自定义各项卡控值;本发明的实施过程和结果可控,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凸透镜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凸透镜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凸透镜的缺陷检测设备结构示意图。
图中:701、第一获取模块;702、第一提取模块;7021、第一处理单元;7022、检测单元;7023、提取单元;703、调整模块;704、第二获取模块;705、检测模块;7051、第二处理单元;7052、第三处理单元;7053、建立模型单元;7054、查找单元;7055、获得单元;706、采集模块;707、输出模块;708、操作模块;709、第二提取模块;800、凸透镜的缺陷检测设备;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凸透镜的缺陷检测方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
S100、获取第一信息,第一信息包含多个凸透镜的滤光片图像。
可以理解的是,在S100步骤中之前包括:
利用采集装置采集多个凸透镜的滤光片图像;
根据灰度值插值算法和样本标准差算法,对滤光片图像进行图像中心化,并输出中心化后滤光片图像的像素灰度值;
对中心化后滤光片图像进行去背景操作;
根据形态学算法,对去背景操作后的滤光片图像进行边缘提取,得到提取后的滤光片图像。
需要说明的是,采集装置可以为摄像头,根据图像的行数、图像的列数、图像的像素灰度均值、图像的标准差和原图像像素灰度值,进行计算得到图像的灰度均值和标准差,再进行中心化后图像会输出像素灰度值,去除原图像背景进行边缘提取和形态学运算。
S200、根据预设定位参数,从滤光片图像中提取各个滤光片对应的单一滤光片图像。
可以理解的是,在S200步骤中包括:
对滤光片图像进行二值化处理,得到第一处理图像;
对第一处理图像进行边缘检测,得到第二处理图像,第二处理图像为包含滤光片外边缘的边缘图像;
提取第二处理图像的外边缘,得到第二处理图像中各个轮廓所围成的目标区域,目标区域包括多个,目标区域为单一滤光片图像。
需要说明的是,滤光片图像进行二值化处理,能够使得滤光片区域和底座区域分离,消除背景底座对滤光片提取的影响。可以对第一处理图像进行边缘检测,提取第一处理图像中包含的所有轮廓,然后根据提取出的轮廓得到各个轮廓所围成的区域面积。
计算各个轮廓对应的第一差值,第一差值为轮廓所围成的区域面积与预设滤光片面积的差值。在本实施例中,预设定位参数包括预设滤光片面积及面积差阈值。其中,预设滤光片面积可以通过人工标定样本滤光片的面积得到。当一个轮廓中存在滤光片时,轮廓所围成的面积即为滤光片面积,而当一个轮廓中不包括滤光片时,该轮廓所围成的区域面积会比预设滤光片的面积大,因此通过计算第一差值,能够筛选出滤光片区域。将各个轮廓对应的第一差值分别与面积差阈值进行对比,将第一差值小于面积差阈值的轮廓判定为滤光片轮廓。
在实施例中还可以计算各个轮廓对应的第一差值,第一差值为轮廓所围成的区域面积与预设滤光片面积的差值;将各个轮廓对应的第一差值分别与面积差阈值进行对比,将第一差值小于面积差阈值的轮廓判定为滤光片轮廓;分别获取各个滤光片轮廓的最小外接圆信息。根据各个滤光片轮廓的最小外接圆信息,从标准图像中提取各个滤光片对应的单一滤光片图像。
S300、根据仿射变换方法对各个单一滤光片图像的角度进行调整。
可以理解的是,在本步骤中,仿射变换是在几何上定义为两个向量空间之间的一个仿射变换或者仿射映射由一个非奇异的线性变换(运用一次函数进行的变换)接上一个平移变换组成。将采用仿射变换方法对单一滤光片图像的角度进行调整。
S400、获取第二信息和第三信息,第二信息为滤光片的标准轮廓参数,第三信息为缺陷检测参数。
可以理解的是,在本步骤中,包括:
获取包含滤光片的样本图像;
对样本图像中滤光片的轮廓进行人工标定,并根据人工标定的轮廓信息确定样本图像中滤光片的标准轮廓参数;
根据样本图像中滤光片的标准轮廓参数,确定样本图像中滤光片的种类,并根据样本图像中滤光片的种类确定对应的缺陷检测参数。
S500、根据第二信息和第三信息,确定调整后的单一滤光片图像的缺陷区域,并通过预设检测参数对缺陷区域进行检测,得到凸透镜的滤光片图像的缺陷检测结果。
可以理解的是,在本步骤中,包括:
根据第二信息和第三信息,对单一滤光片图像的缺陷区域进行处理,得到第三处理图像;
将第三处理图像和单一滤光片图像进行差分处理,得到第四图像,第四图像为差值图像;
根据差值图像和卷积神经网络模型建立异常检测模型;
根据异常检测模型,查找第四图像中的缺陷轮廓,得到缺陷轮廓信息;
根据缺陷轮廓信息和预设检测参数,得到滤光片图像的缺陷检测结果。
在本实施例中,由于第二处理图像进行了膨胀和腐蚀处理,根据第二信息和第三信息,对缺陷区域进行处理,也就是说当第三处理图像和单一滤光片图像进行差分处理时,得到的差值图像为第三处理图像和单一滤光片图像像素差较大的部分,即为存在缺陷的区域图像,就是第四图像也就是差值图像,所以可以从差值图像中更加方便的查找缺陷部分。
需要说明的是,查找差值图像中的缺陷轮廓,得到缺陷轮廓信息。在本实施例中,根据差值图像的像素信息查找差值图像的所有轮廓,查找的轮廓即为缺陷轮廓,并且可以得到该缺陷轮廓的位置信息。
根据缺陷轮廓信息和预设检测参数,得到缺陷检测结果,预设检测参数为高对比度图像中滤光片的种类对应的缺陷检测参数。
从上述实施例可知,通过第二处理图像进行了膨胀和腐蚀处理,根据第二信息和第三信息,对缺陷区域进行处理,然后对第三处理图像和单一滤光片图像进行差分处理,获取到缺陷轮廓,进而对缺陷轮廓进行检测,从而得到更加精确的缺陷检测结果,提高了缺陷检测的准确性。
实施例2:
如图2所示,本实施例提供了一种凸透镜的缺陷检测装置,参见图2装置包括第一获取模块701、第一提取模块702、调整模块703、第二获取模块704和检测模块705,其中:
第一获取模块701:用于获取第一信息,第一信息包含多个凸透镜的滤光片图像;
第一提取模块702:用于根据预设定位参数,从滤光片图像中提取各个滤光片对应的单一滤光片图像;
调整模块703:用于根据仿射变换方法对各个单一滤光片图像的角度进行调整;
第二获取模块704:用于获取第二信息和第三信息,第二信息为滤光片的标准轮廓参数,第三信息为缺陷检测参数;
检测模块705:用于根据第二信息和第三信息,确定调整后的单一滤光片图像的缺陷区域,并通过预设检测参数对缺陷区域进行检测,得到凸透镜的滤光片图像的缺陷检测结果。
优选地,第一获取模块701,之前包括:
采集模块706:用于利用采集装置采集多个凸透镜的滤光片图像;
输出模块707:用于根据灰度值插值算法和样本标准差算法,对滤光片图像进行图像中心化,并输出中心化后滤光片图像的像素灰度值;
操作模块708:用于对中心化后滤光片图像进行去背景操作;
第二提取模块709:用于根据形态学算法,对去背景操作后的滤光片图像进行边缘提取,得到提取后的滤光片图像。
优选地,第一提取模块702,其中包括:
第一处理单元7021:用于对滤光片图像进行二值化处理,得到第一处理图像;
检测单元7022:用于对第一处理图像进行边缘检测,得到第二处理图像,第二处理图像为包含滤光片外边缘的边缘图像;
提取单元7023:用于提取第二处理图像的外边缘,得到第二处理图像中各个轮廓所围成的目标区域,目标区域包括多个,目标区域为单一滤光片图像。
优选地,检测模块705,其中包括:
第二处理单元7051:用于根据第二信息和第三信息,对单一滤光片图像的缺陷区域进行处理,得到第三处理图像;
第三处理单元7052:用于将第三处理图像和单一滤光片图像进行差分处理,得到第四图像,第四图像为差值图像;
建立模型单元7053:用于根据差值图像和卷积神经网络模型建立异常检测模型;
查找单元7054:用于根据异常检测模型,查找第四图像中的缺陷轮廓,得到缺陷轮廓信息;
获得单元7055:用于根据缺陷轮廓信息和预设检测参数,得到滤光片图像的缺陷检测结果。
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凸透镜的缺陷检测设备,下文描述的一种凸透镜的缺陷检测设备与上文描述的一种凸透镜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凸透镜的缺陷检测设备800的框图。如图3所示,该凸透镜的缺陷检测设备800可以包括:处理器801,存储器802。该凸透镜的缺陷检测设备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用于控制该凸透镜的缺陷检测设备800的整体操作,以完成上述的凸透镜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凸透镜的缺陷检测设备800的操作,这些数据例如可以包括用于在该凸透镜的缺陷检测设备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(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-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用于该凸透镜的缺陷检测设备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,凸透镜的缺陷检测设备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,用于执行上述的凸透镜的缺陷检测方法。
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凸透镜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,上述程序指令可由凸透镜的缺陷检测设备800的处理器801执行以完成上述的凸透镜的缺陷检测方法。
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凸透镜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凸透镜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)
1.一种凸透镜的缺陷检测方法,其特征在于,包括:
获取第一信息,所述第一信息包含多个凸透镜的滤光片图像;
根据预设定位参数,从所述滤光片图像中提取各个所述滤光片对应的单一滤光片图像;
根据仿射变换方法对各个所述单一滤光片图像的角度进行调整;
获取第二信息和第三信息,所述第二信息为滤光片的标准轮廓参数,所述第三信息为缺陷检测参数;
根据所述第二信息和所述第三信息,确定调整后的所述单一滤光片图像的缺陷区域,并通过预设检测参数对所述缺陷区域进行检测,得到凸透镜的所述滤光片图像的缺陷检测结果。
2.根据权利要求1所述的凸透镜的缺陷检测方法,其特征在于,所述获取第一信息,所述第一信息包含多个凸透镜的滤光片图像,之前包括:
利用采集装置采集多个凸透镜的滤光片图像;
根据灰度值插值算法和样本标准差算法,对所述滤光片图像进行图像中心化,并输出中心化后所述滤光片图像的像素灰度值;
对中心化后所述滤光片图像进行去背景操作;
根据形态学算法,对去背景操作后的所述滤光片图像进行边缘提取,得到提取后的所述滤光片图像。
3.根据权利要求1所述的凸透镜的缺陷检测方法,其特征在于,所述根据预设定位参数,从所述滤光片图像中提取各个所述滤光片对应的单一滤光片图像,其中包括:
对所述滤光片图像进行二值化处理,得到第一处理图像;
对所述第一处理图像进行边缘检测,得到第二处理图像,所述第二处理图像为包含所述滤光片外边缘的边缘图像;
提取所述第二处理图像的外边缘,得到所述第二处理图像中各个轮廓所围成的目标区域,所述目标区域包括多个,所述目标区域为所述单一滤光片图像。
4.根据权利要求1所述的凸透镜的缺陷检测方法,其特征在于,所述根据所述第二信息和所述第三信息,确定调整后的所述单一滤光片图像的缺陷区域,并通过预设检测参数对所述缺陷区域进行检测,得到凸透镜的所述滤光片图像的缺陷检测结果,其中包括:
根据所述第二信息和所述第三信息,对所述单一滤光片图像的缺陷区域进行处理,得到第三处理图像;
将所述第三处理图像和单一所述滤光片图像进行差分处理,得到第四图像,所述第四图像为差值图像;
根据差值图像和卷积神经网络模型建立异常检测模型;
根据所述异常检测模型,查找所述第四图像中的缺陷轮廓,得到缺陷轮廓信息;
根据所述缺陷轮廓信息和所述预设检测参数,得到所述滤光片图像的缺陷检测结果。
5.一种凸透镜的缺陷检测装置,其特征在于,包括:
第一获取模块:用于获取第一信息,所述第一信息包含多个凸透镜的滤光片图像;
第一提取模块:用于根据预设定位参数,从所述滤光片图像中提取各个所述滤光片对应的单一滤光片图像;
调整模块:用于根据仿射变换方法对各个所述单一滤光片图像的角度进行调整;
第二获取模块:用于获取第二信息和第三信息,所述第二信息为滤光片的标准轮廓参数,所述第三信息为缺陷检测参数;
检测模块:用于根据所述第二信息和所述第三信息,确定调整后的所述单一滤光片图像的缺陷区域,并通过预设检测参数对所述缺陷区域进行检测,得到凸透镜的所述滤光片图像的缺陷检测结果。
6.根据权利要求5所述的凸透镜的缺陷检测装置,其特征在于,所述第一获取模块,之前包括:
采集模块:用于利用采集装置采集多个凸透镜的滤光片图像;
输出模块:用于根据灰度值插值算法和样本标准差算法,对所述滤光片图像进行图像中心化,并输出中心化后所述滤光片图像的像素灰度值;
操作模块:用于对中心化后所述滤光片图像进行去背景操作;
第二提取模块:用于根据形态学算法,对去背景操作后的所述滤光片图像进行边缘提取,得到提取后的所述滤光片图像。
7.根据权利要求5所述的凸透镜的缺陷检测装置,其特征在于,所述第一提取模块,其中包括:
第一处理单元:用于对所述滤光片图像进行二值化处理,得到第一处理图像;
检测单元:用于对所述第一处理图像进行边缘检测,得到第二处理图像,所述第二处理图像为包含所述滤光片外边缘的边缘图像;
提取单元:用于提取所述第二处理图像的外边缘,得到所述第二处理图像中各个轮廓所围成的目标区域,所述目标区域包括多个,所述目标区域为所述单一滤光片图像。
8.根据权利要求5所述的凸透镜的缺陷检测装置,其特征在于,所述检测模块,其中包括:
第二处理单元:用于根据所述第二信息和所述第三信息,对所述单一滤光片图像的缺陷区域进行处理,得到第三处理图像;
第三处理单元:用于将所述第三处理图像和单一所述滤光片图像进行差分处理,得到第四图像,所述第四图像为差值图像;
建立模型单元:用于根据差值图像和卷积神经网络模型建立异常检测模型;
查找单元:用于根据所述异常检测模型,查找所述第四图像中的缺陷轮廓,得到缺陷轮廓信息;
获得单元:用于根据所述缺陷轮廓信息和所述预设检测参数,得到所述滤光片图像的缺陷检测结果。
9.一种凸透镜的缺陷检测设备,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任一项所述凸透镜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任一项所述凸透镜的缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210515593.XA CN115100105A (zh) | 2022-05-12 | 2022-05-12 | 一种凸透镜的缺陷检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210515593.XA CN115100105A (zh) | 2022-05-12 | 2022-05-12 | 一种凸透镜的缺陷检测方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100105A true CN115100105A (zh) | 2022-09-23 |
Family
ID=83287511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210515593.XA Pending CN115100105A (zh) | 2022-05-12 | 2022-05-12 | 一种凸透镜的缺陷检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100105A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655627A (zh) * | 2013-11-16 | 2015-05-27 | 西安交大京盛科技发展有限公司 | 一种工件镀膜缺陷检测方法 |
CN108896278A (zh) * | 2018-05-23 | 2018-11-27 | 精锐视觉智能科技(深圳)有限公司 | 一种滤光片丝印缺陷检测方法、装置及终端设备 |
CN108918093A (zh) * | 2018-05-23 | 2018-11-30 | 精锐视觉智能科技(深圳)有限公司 | 一种滤光片镜面缺陷检测方法、装置及终端设备 |
-
2022
- 2022-05-12 CN CN202210515593.XA patent/CN115100105A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655627A (zh) * | 2013-11-16 | 2015-05-27 | 西安交大京盛科技发展有限公司 | 一种工件镀膜缺陷检测方法 |
CN108896278A (zh) * | 2018-05-23 | 2018-11-27 | 精锐视觉智能科技(深圳)有限公司 | 一种滤光片丝印缺陷检测方法、装置及终端设备 |
CN108918093A (zh) * | 2018-05-23 | 2018-11-30 | 精锐视觉智能科技(深圳)有限公司 | 一种滤光片镜面缺陷检测方法、装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN114549835B (zh) | 一种基于深度学习的指针式仪表矫正识别方法及装置 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN114419038A (zh) | 轮毂表面缺陷的识别方法及装置、存储介质、电子设备 | |
CN113284094A (zh) | 获取玻璃基板缺陷信息的方法、装置、存储介质及设备 | |
CN114280075A (zh) | 一种管类零件表面缺陷在线视觉检测系统及检测方法 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN111879972A (zh) | 基于ssd网络模型的工件表面缺陷检测方法及系统 | |
CN115298539A (zh) | 外观检查系统和计算机程序 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN117576100A (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN116978834B (zh) | 一种用于晶圆生产的智能监测预警系统 | |
CN117455917A (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN115100105A (zh) | 一种凸透镜的缺陷检测方法、装置、设备及可读存储介质 | |
CN112461846A (zh) | 工件缺陷检测方法及装置 | |
CN117233158A (zh) | 芯片表面缺陷检测方法及相关装置 | |
CN115100110A (zh) | 一种偏光镜片缺陷检测方法、装置、设备及可读存储介质 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN113727022B (zh) | 巡检图像的采集方法及装置、电子设备、存储介质 | |
CN112052727B (zh) | 一种基于大数据的人像识别分析系统及方法 | |
CN113591601B (zh) | 角膜共聚焦图像中菌丝识别方法及装置 | |
Devyatkin et al. | Computer vision system for image-based automated dial meter reading | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220923 |
|
RJ01 | Rejection of invention patent application after publication |