CN115205223A - 透明物体的视觉检测方法、装置、计算机设备及介质 - Google Patents

透明物体的视觉检测方法、装置、计算机设备及介质 Download PDF

Info

Publication number
CN115205223A
CN115205223A CN202210712551.5A CN202210712551A CN115205223A CN 115205223 A CN115205223 A CN 115205223A CN 202210712551 A CN202210712551 A CN 202210712551A CN 115205223 A CN115205223 A CN 115205223A
Authority
CN
China
Prior art keywords
image
detection
defect
determining
matching
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.)
Granted
Application number
CN202210712551.5A
Other languages
English (en)
Other versions
CN115205223B (zh
Inventor
何良雨
张文刚
刘彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fengrui Lingchuang Zhuhai Technology Co ltd
Original Assignee
Fengrui Lingchuang Zhuhai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fengrui Lingchuang Zhuhai Technology Co ltd filed Critical Fengrui Lingchuang Zhuhai Technology Co ltd
Priority to CN202210712551.5A priority Critical patent/CN115205223B/zh
Publication of CN115205223A publication Critical patent/CN115205223A/zh
Application granted granted Critical
Publication of CN115205223B publication Critical patent/CN115205223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • 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
    • 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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • 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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20028—Bilateral 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30144—Printing quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及智能制造的透明物体视觉检测技术领域，尤其涉及一种透明物体的视觉检测方法、装置、计算机设备及介质。该方法对透明物体的待检测图像进行预处理后与定位模板图像匹配，确定初始检测子图，使用检测区域图像对初始检测子图进行缺陷提取及阈值化处理，得到初始缺陷子图，根据初始缺陷子图中的缺陷部分，使用预设矩形窗口进行动态分割，筛选出目标检测图像，能够筛除掉细小噪声，提高透明物体的缺陷检测效率，将目标检测图像与检测模板图像进行灰度匹配，以匹配坐标点为参照，将目标检测图像与检测模板图像作差并代入作差结果，通过计算相关性确定缺陷区域，避免因光照、位置等外界因素导致误检，提高了透明物体的缺陷检测准确率。

Description

透明物体的视觉检测方法、装置、计算机设备及介质
技术领域
本发明涉及智能制造的透明物体视觉检测技术领域，尤其涉及一种透明物体的视觉检测方法、装置、计算机设备及介质。
背景技术
目前，针对透明物体，如工业场景下的玻璃丝印产品、半导体光刻掩膜板等，由于材料品质的参差不齐以及印刷设备的精度限制等原因，会导致产品的表面出现缺陷，如色差异常、印刷产品破损、脏污等，极大地影响了产品的质量。因此，对产品的表面进行视觉缺陷检测是必不可少的一环，但是以人工进行检测不仅耗时耗力，而且还会受到检测人员主观因素的影响，导致检测效果较差。此时，可以在透明物体的下方进行光线照射，并在透明物体上方采集图像，进而对采集的图像进行视觉缺陷检测。
但是，所采集图像的内容受到多类环境因素的影响，如产品的位姿、相机的位姿、光照条件等，通常难以预设足够的模板图像以适应各类环境因素的变化，进而导致透明物体的视觉缺陷检测准确率较低，如果要克服此类问题，则需要确保产品的位姿、相机的位姿固定，但固定位姿并不能适应尺寸不同的产品，这无疑需要耗费更大的人力资源来根据产品类型实时调整各类环境因素，极大降低了透明物体的视觉缺陷检测效率。因此，如何在透明物体的视觉缺陷检测效率较高的情况下，提高透明物体的视觉缺陷检测准确率成为亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种透明物体的视觉检测方法、装置、计算机设备及介质，以解决在透明物体的视觉缺陷检测效率较高的情况下，透明物体的视觉缺陷检测准确率较低的问题。
第一方面，本发明实施例提供一种透明物体的视觉检测方法，所述缺陷检测方法包括：
采集透明物体的待检测图像，对所述待检测图像进行预处理，并将预处理后的图像与预设的定位模板图像进行匹配，确定匹配区域内的图像为初始检测子图；
使用所述定位模板图像中预设的检测区域图像对所述初始检测子图进行缺陷提取，并使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图；
对所述初始缺陷子图中的缺陷部分进行外接矩形绘制，并使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割，剔除分割后无初始缺陷的矩形窗口和/或分割后缺陷仅在交叉区域的矩形窗口，将剩余的矩形窗口对应的图像作为目标检测图像；
将所述目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点，其中，所述检测模板图像为采用所述定位模板图像定位得到；
根据所述匹配坐标点，将所述目标检测图像与所述检测模板图像作差，得到所述检测模板图像下的缺陷区域坐标，并根据所述缺陷区域坐标，从所述初始缺陷子图中确定对应的缺陷区域。
第二方面，本发明实施例提供一种透明物体的视觉检测装置，所述视觉检测装置包括：
预处理模块，用于采集透明物体的待检测图像，对所述待检测图像进行预处理，并将预处理后的图像与预设的定位模板图像进行匹配，确定匹配区域内的图像为初始检测子图；
缺陷提取模块，用于使用所述定位模板图像中预设的检测区域图像对所述初始检测子图进行缺陷提取，并使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图；
动态分割模块，用于对所述初始缺陷子图中的缺陷部分进行外接矩形绘制，并使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割，剔除分割后无初始缺陷的矩形窗口和/或分割后缺陷仅在交叉区域的矩形窗口，将剩余的矩形窗口对应的图像作为目标检测图像；
灰度匹配模块，用于将所述目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点，其中，所述检测模板图像为采用所述定位模板图像定位得到；
缺陷确定模块，用于根据所述匹配坐标点，将所述目标检测图像与所述检测模板图像作差，得到所述检测模板图像下的缺陷区域坐标，并根据所述缺陷区域坐标，从所述初始缺陷子图中确定对应的缺陷区域。
第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储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如第一方面所述的视觉检测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的视觉检测方法。
本发明实施例与现有技术相比存在的有益效果是：
采集透明物体的待检测图像，对待检测图像进行预处理，并将预处理后的图像与预设的定位模板图像进行匹配，确定匹配区域内的图像为初始检测子图，使用定位模板图像中预设的检测区域图像对初始检测子图进行缺陷提取，并使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图，对初始缺陷子图中的缺陷部分进行外接矩形绘制，并使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割，剔除分割后无初始缺陷的矩形窗口和/或分割后缺陷仅在交叉区域的矩形窗口，将剩余的矩形窗口对应的图像作为目标检测图像，将目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点，其中，检测模板图像为采用定位模板图像定位得到，根据匹配坐标点，将目标检测图像与检测模板图像作差，得到检测模板图像下的缺陷区域坐标，并根据缺陷区域坐标，从初始缺陷子图中确定对应的缺陷区域，使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割得到目标检测图像，能够筛除掉细小噪声，精简检测对象，从而提高透明物体的视觉缺陷检测效率，并且采用灰度匹配得到匹配坐标点，以调整目标检测图像与检测模板图像的位置对应关系，能够避免透明物体的目标检测图像因位置或光照等因素影响而与检测模板图像不匹配导致缺陷误检测的情况，从而提高了透明物体的视觉缺陷检测准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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是本发明实施例一提供的一种透明物体的视觉检测方法的一应用环境示意图；
图2是本发明实施例一提供的一种透明物体的视觉检测方法的流程示意图；
图3是本发明实施例二提供的一种透明物体的视觉检测方法的流程示意图；
图4是本发明实施例三提供的一种透明物体的视觉检测装置的结构示意图；
图5是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明实施例一提供的一种透明物体的视觉检测方法，可应用在如图1的应用环境中，其中，导光板部署于透明物体支架底部，透明物体放置于透明物体支架顶部，光源设备部署于透明物体上方，光源设备以倾斜方式对产品进行打光，在本实施例中，光源设备以环形部署且以60°倾斜角度进行打光，实施者可根据实际情况调整光源设备的部署方式和倾斜角度，图像采集设备可以是指摄像头、摄像机、扫描仪等设备，图像采集设备部署于透明物体的正上方，以俯视视角进行图像采集。图像处理设备包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant，PDA)等计算机设备。
参见图2，是本发明实施例一提供的一种透明物体的视觉检测方法的流程示意图，上述视觉检测方法可以应用于图1中的图像处理设备，图像处理设备对应的计算机设备连接图像采集设备，以获取透明物体的待检测图像，图像处理设备具备存储功能，图像处理设备内存储有各类型透明物体对应的定位模板图像、检测区域图像和检测模板图像。如图2所示，该视觉检测方法可以包括以下步骤：
步骤S201，采集透明物体的待检测图像，对待检测图像进行预处理，并将预处理后的图像与预设的定位模板图像进行匹配，确定匹配区域内的图像为初始检测子图。
其中，透明物体可以是指印刷工业场景下的丝印产品、半导体光刻板等，待检测图像可以是指由图像采集设备采集的透明物体图像，待检测图像可以用于透明物体的视觉缺陷检测。预处理可以是指图像灰度化处理、图像滤波处理、图像尺寸调整处理等图像处理方式。
定位模板图像是对满足标准的透明物体进行采集，得到标准图像，随后对标准图像进行预处理和特征点提取处理，确定的具有特征位置信息的图像。标准可以是指不存在缺陷条件。
该定位模板图像与待检测图像进行图像配准，图像配准的目的是从待检测图像中匹配出需要进行检测的部分，以剔除其他无需检测的部分。
匹配可以是指特征点匹配，匹配区域可以是指经图像配准后待检测图像中与定位模板图像匹配的子区域，初始检测子图可以是指可能存在缺陷的子图像，初始检测子图为待检测图像的一部分。
具体地，将预处理后的图像进行特征点提取得到特征点图像，特征点图像可以是指仅包含特征点的图像，即特征点图像为二值图像，其中，特征点对应的像素点的像素值为第一像素值，其他像素点的像素值为第二像素值，在本实施例中，第一像素值取1，第二像素值取0，在本实施例中，特征点提取方式可以采用阈值滤波方式，即将预处理后的图像中每个像素点的像素值均与特定阈值进行比较，将满足预设条件的像素点确定为特征点，预设条件可以是比较结果为像素值大于特定阈值。
针对特征点图像中的任一特征点，对该特征点进行描述，在本实施例中，以二进制描述方式(BRIEF)进行描述，得到该特征点的特征描述子，特征描述子的表现形式可以是向量形式。
定位模板图像对应于定位特征点图像，且定位特征点图像中的每个定位特征点对应于定位特征描述子，定位特征点图像可以是定位模板图像经上述特征点提取处理得到的，定位特征描述子可以是定位特征点经上述描述方式描述得到的。
由于特征描述子和定位特征描述子均为向量形式，因此，可以通过向量相似度计算衡量特征描述子和定位特征描述子的相似度，向量相似度计算可以采用余弦相似度进行向量相似度的计算。
将相似度最大的特征描述子和定位特征描述子构成特征描述子对，将相似度大于或者等于预设相似度的特征描述子对保留，在本实施例中，预设相似度设置为0.7，相应地，对相似度进行归一化处理，以提高对比效率，归一化处理方式为将待归一化相似度除以最大相似度。
需要说明的是，在构成特征描述子对时，可以以相似度大于或者等于预设相似度的特征描述子对数量为目标参数，以目标参数最大为目标，对特征描述子对的过程进行优化，从而提高匹配准确率。
确定所有被保留的特征描述子对的最小外接矩形为匹配区域，根据匹配区域从待检测图像中裁剪，以裁剪出的图像作为初始检测子图。
在一实施方式中，特征点提取方式还可以采用哈里斯(Harris)角点检测的特征点提取方式、基于加速分割测试特征(Features From Accelerated Segment Test，FAST)的特征点提取方式，尺度不变特征变换(Scale Invariant Feature Transform，SIFT)特征点提取方式、加速稳健特征(Speeded Up Robust Features，SURF)的特征点提取方式。
可选的是，对待检测图像进行预处理包括：
对待检测图像进行灰度化处理，得到灰度图像；
采用预设的滤波算子对灰度图像进行滤波，根据滤波结果确定强阈值和弱阈值；
根据强阈值和弱阈值对灰度图像进行双边阈值滤波，确定双边阈值滤波结果为预处理后的图像。
其中，灰度化处理可以是指将三通道的待检测图像转换为单通道的灰度图像，滤波算子可以用于提取特征点，强阈值和弱阈值可以用于确定阈值范围，进而进行灰度图像的双边阈值滤波。
具体地，在本实施例中，可以采用平均值法进行灰度化处理，即将R、G、B三个通道的像素值求平均，以均值作为灰度值。预设的滤波算子包括行方向滤波算子和列方向滤波算子，行方向滤波算子具体为：{{-1,0,1},{-2,0,2},{-1,0,1}}，列方向滤波算子具体为{{1,2,1},{0,0,0},{-1,-2,-1}}。
采用行方向滤波算子和列方向滤波算子进行滤波处理后，将两个滤波处理结果求平方和，得到滤波矩阵，并将滤波矩阵中的元素按照从大到小的顺序进行排列，得到元素序列。
设灰度图像的长宽之和为s，则将元素序列中的第s个值作为强阈值的平方，经过开方计算后得到强阈值，并以强阈值的一半作为弱阈值。
相应地，双边阈值滤波即为当像素的梯度值小于或者等于弱阈值时，将该像素的梯度值置0，当像素的梯度值大于或者等于强阈值时，将该像素的梯度值保留，当像素的梯度值大于弱阈值且小于强阈值时，搜索该像素的八邻域像素点，若八邻域像素点内存在被保留的像素梯度值，则保留该像素的梯度值，否则，将该像素的梯度值置0，得到梯度图像，该梯度图像即为预处理后的结果。
在一实施方式中，灰度化处理还可以采用最大值法、分量法和加权平均法等。
本实施例中，通过预设算子滤波确定强阈值和弱阈值，再利用强阈值和弱阈值进行双边阈值滤波，能够适应于不同的待处理图像，提高预处理过程的泛化性，同时提高了预处理操作的有效性。
可选的是，定位模板图像的提取过程包括：
采集满足标准的透明物体的图像作为基准样本图像，对获取的基准样本图像进行预处理，根据预处理后的参考图像确定定位特征点；
采用预设的形变系数对定位特征点的坐标进行缩放，并根据缩放后的坐标在基准样本图像中提取定位模板图像。
其中，标准可以是指透明物体无缺陷且符合生产规格和印刷规格的条件，基准样本图像可以是指预先确定的无缺陷且符合生产规格和印刷规格的透明物体的采集图像，实施者可以通过监控生产和印刷过程正常运行来确定满足标准的透明物体。参考图像可以是指基础图像经预处理后得到的图像，定位特征点可以是指参考图像中包含的经滤波得到的像素点。
形变系数可以用于调整模板尺寸以适应透明物体在印刷过程中的弹性形变，缩放可以是指将坐标与形变系数相乘，相应地，确定相乘结果为缩放后的坐标。
具体地，透明物体在印刷过程中会存在印刷网版的弹性形变，进而导致印刷在透明物体上的纹理在X和Y方向发生一定的形变，因此，需要将定位特征点分别在x方向和y方向进行缩放扩充，缩放比例根据透明物体实际最大像素形变范围设置，例如，定位特征外接矩形为宽100个像素，其最大像素形变范围为90个像素到110个像素，则像素变形比例为0.9到1.1，以像素变形比例为形变系数进行特征点缩放，从而得到缩放后的坐标在基准样本图像中确定定位模板。
本实施例通过形变系数调整定位模板尺寸，从而减少了印刷过程中的弹性形变对定位位置的影响，提高定位模板的适用性以及准确性，进而提高了视觉缺陷检测的准确率。
上述采集透明物体的待检测图像，对待检测图像进行预处理，并将预处理后的图像与预设的定位模板图像进行匹配，确定匹配区域内的图像为初始检测子图的步骤，通过图像匹配提取初始检测子图，在隔离待检测图像中无关信息进而提高检测效率的同时，避免了图像错位导致误检的情况，提高了后续缺陷检测的准确率。
步骤S202，使用定位模板图像中预设的检测区域图像对初始检测子图进行缺陷提取，并使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图。
其中，检测区域图像可以是指定位模板图像中对应初始检测子图的图像，缺陷提取可以是指将初始检测子图与检测区域图像作差，从而提取出初始检测子图中与检测区域图像像素值不同的像素点，在默认检测区域图像为正常图像的情况下，与检测区域图像像素值不同的像素点即为缺陷像素点。
缺陷阈值可以是指面积阈值，阈值化处理可以是指将所提取到的缺陷中面积大于缺陷阈值的缺陷像素点设置为一像素值，将所提取的缺陷中面积小于或者等于缺陷阈值的缺陷像素点设置为另一像素值，在本实施例中，将所提取到的缺陷中面积大于缺陷阈值的缺陷像素点的像素值设置为1，将所提取的缺陷中面积小于或者等于缺陷阈值的缺陷像素点的像素值设置为0。
具体地，在初始检测子图与检测区域图像作差得到作差图像后，对作差图像进行连通域分析，从而得到若干个连通域，连通域即为可能存在缺陷的区域。针对任一连通域，对连通域进行像素点统计，以像素点统计结果作为连通域的面积，从而与预设的面积阈值进行比较，在本实施例中，面积阈值可以设置为10，实施者可以根据实际情况调整该面积阈值。
由于在作差图像中，非可能存在缺陷的像素点的像素值为0，即该像素点位置上初始检测子图与检测区域图像的像素值一致，将所提取的缺陷中面积小于或者等于缺陷阈值的缺陷像素点的像素值也设置为0，从而突出潜在可能存在缺陷的区域。
可选的是，使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图包括：
将提取到的缺陷按照图像通道进行分离，得到三张对应通道的分离图像；
针对任一对应通道的分离图像，采用通道对应的通道阈值对初始分离图像进行阈值化处理，得到对应通道的初始缺陷子图；
相应地，缺陷区域为三张对应通道的缺陷区域子图；
从初始缺陷子图中确定对应的缺陷区域包括：
从初始缺陷子图中确定对应的三张缺陷区域子图；
将三张缺陷区域子图进行或运算，并确定运算结果为缺陷区域。
其中，图像通道可以是指R、G、B三通道，分离图像可以是指各通道图像，分离图像在形式上可以相当于灰度图。通道阈值可以是指预设的对应通道的阈值。初始缺陷子图可以是指各通道图像对应的缺陷图。
具体地，由于不同图像通道对缺陷的敏感度不同，因此，需要预设对应通道的通道阈值，在本实施例中，RGB三通道的通道阈值分别设置为20，20，20，实施者可根据实际情况调整各通道的通道阈值。
由于待检测物体为透明物体，则缺陷部分应当更接近白色像素点，因此对于各通道的分离图像，分离图像中的像素值大于通道阈值的像素点置1，其他像素点置0，得到三张二值图像，也即初始缺陷子图。
在或运算时，对于任一像素点，若该像素点在三张初始缺陷子图中的像素值不均为0，则确定该像素点为缺陷区域内的像素点。
本实施例将提取到的缺陷按照通道进行分离，再分别以通道阈值进行阈值化，最后再通过或运算进行整合，从而避免三通道联合处理时各通道对灰度值的贡献不同而导致的检测误差，提高了视觉缺陷检测的准确性。
上述使用定位模板图像中预设的检测区域图像对初始检测子图进行缺陷提取，并使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图的步骤，通过缺陷阈值剔除图像噪声等对后续检测的干扰，从而提高了视觉缺陷检测的准确率。
步骤S203，对初始缺陷子图中的缺陷部分进行外接矩形绘制，并使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割，剔除分割后无初始缺陷的矩形窗口和/或分割后缺陷仅在交叉区域的矩形窗口，将剩余的矩形窗口对应的图像作为目标检测图像。
其中，缺陷部分可以是指经阈值化处理后的缺陷连通域，外接矩形可以是指最小外接矩形，矩形窗口可以是指矩形的图像裁剪窗口，交叉区域可以是指矩形窗口之间存在重合部分，初始缺陷可以是指初始缺陷子图中的缺陷部分对应的外接矩形部分，分割后缺陷仅在交叉区域的矩形窗口中的缺陷为初始缺陷。
目标检测图像可以是指可能存在缺陷的子图像，目标检测图像根据所保留的矩形窗口在初始检测子图中裁剪得到。
具体地，矩形窗口的尺寸为w*h，列数相同且相邻的矩形窗口之间的交叉区域的尺寸为w1*h，行数相同且相邻的矩形窗口之间的交叉区域的尺寸为w*h1，在本实施例中，w和h均设置为32个像素点，w1和h1均设置为8，实施者可根据实际初始检测子图的尺寸对矩形窗口的尺寸和交叉区域的尺寸调整，以确保矩形窗口可覆盖初始检测子图的所有像素点。
上述对初始缺陷子图中的缺陷部分进行外接矩形绘制，并使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割，剔除分割后无初始缺陷的矩形窗口和/或分割后缺陷仅在交叉区域的矩形窗口，将剩余的矩形窗口对应的图像作为目标检测图像的步骤，通过矩形窗口归一化待处理图像，从而提高后续缺陷检测效率，并且剔除了部分无关的检测对象，也能够有效提高缺陷检测的效率。
步骤S204，将目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点。
其中，检测模板图像为采用定位模板图像和检测区域图像对满足检测条件的透明物体对应的图像进行处理得到，也即检测模板图像为满足检测条件的透明物体对应的采集图像，采用定位模板图像定位后，对应检测区域图像位置的图像，检测条件可以是指透明物体不存在印刷缺陷的条件。灰度匹配可以是指采用相似性度量判断两幅图像中的对应关系，相似性度量可以是指相关函数、协方差函数、差平方和、差绝对值和等测度极值等。
匹配坐标点用于将目标检测图像和检测模板图像进行对齐，匹配坐标点为图像坐标系下的像素点坐标。
具体地，在得到匹配坐标点后，匹配坐标点应当包括两个坐标点，第一个坐标点属于目标检测图像，第二个坐标点属于检测模板图像，且两个坐标点在各自图像内确定的像素点存在对应关系，则可以根据两个坐标点确定目标检测图像的平移方式，以将目标检测图像与检测模板图像进行对应。
可选的是，将目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点包括：
根据目标检测图像在初始缺陷子图内的坐标，确定检测模板图像中的对应的模板区域图像；
针对模板区域内任一像素点，以像素点为中心，以预设半径构建圆形区域，确定圆形区域为模板子区域图像；
计算模板子区域图像与目标检测图像的灰度相似性，并根据灰度相似度最大的模板子区域图像确定匹配坐标点。
其中，模板区域图像可以是指检测模板图像中对应目标检测图像的子图像，模板子区域图像可以是指进行灰度匹配的子区域图像。
具体地，在本实施例中半径设置为16个像素点，灰度相似性计算方式可以采用误差平方和、绝对值差和等方式进行计算。
本实施例以逐像素点遍历的方式计算灰度匹配结果，避免漏检或误检，也避免了模板区域图像过大难以进行灰度匹配计算的问题，从而有效提高了缺陷检测的效率。
可选的是，检测模板图像的获取过程包括：
采集满足检测条件的透明物体的图像作为检测样本图像，对获取的检测样本图像进行预处理，根据预处理后的样本参考图像确定样本特征点；
将样本特征点通过预设的缩放系数进行缩放，得到缩放特征点；
将每个缩放特征点与定位特征点进行相似度计算，确定相似度最大的缩放特征点对应的缩放系数为目标缩放系数；
根据目标缩放系数将检测样本图像缩放后进行裁剪，确定裁剪结果为检测模板图像。
其中，检测条件可以是指透明物体无印刷缺陷的条件，检测样本图像可以是指预选获取的无印刷缺陷透明产品的图像，样本参考图像可以是指样本图像经过预处理得到的图像，样本特征点可以是指样本参考图像中的包含的经滤波得到的像素点。
缩放系数为预设的若干个系数，用于对样本图像进行缩放，在本实施例中，缩放系数可以设置为0.8、0.85、0.9、0.95、1.05、1.1、1.15、1.2。
目标缩放系数可以是指使缩放后特征点与定位特征点最相似的缩放系数，目标缩放系数为预设缩放系数中的一个。
具体地，相似度计算可以采用欧式距离，在得到目标缩放系数后，将样本图像中每个像素点均按照目标缩放系数进行缩放，再根据相似度匹配区域，对缩放后的样本图像进行裁剪，得到检测模板图像。
本实施例中采用多个缩放系数遍历确定目标缩放系数，进而有效解决的图像尺寸不统一的问题，无需限制相机位姿和产品位姿，提高了视觉缺陷检测的泛化性以及准确性。
上述将目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点的步骤，通过灰度匹配确定目标检测图像与检测模板图像之间的匹配坐标点，进一步提高了图像配准的准确率，进而提高了后续缺陷检测的准确率。
步骤S205，根据匹配坐标点，将目标检测图像与检测模板图像作差，得到检测模板图像下的缺陷区域坐标，并根据缺陷区域坐标，从初始缺陷子图中确定对应的缺陷区域。
其中，缺陷区域坐标可以是指缺陷像素点组成区域的坐标，缺陷区域可以是指初始缺陷子图中的缺陷像素区域。
具体地，根据匹配坐标点将目标检测图像平移，实现与检测模板图像的对应，再将平移后的图像与检测模板图像作差，得到缺陷像素点，也即不为0的像素点，确定缺陷像素点的坐标集合为缺陷区域坐标，再根据缺陷区域坐标，在初始缺陷子图中对应坐标提取像素，得到缺陷区域。
上述根据匹配坐标点，将目标检测图像与检测模板图像作差，得到检测模板图像下的缺陷区域坐标，并根据缺陷区域坐标，从初始缺陷子图中确定对应的缺陷区域步骤，通过匹配后的目标检测图像与检测模板图像作差，避免了位置偏差导致误检的情况，确保所提取缺陷的准确率。
本实施例使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割得到目标检测图像，能够筛除掉细小噪声，精简检测对象，从而提高透明物体的视觉缺陷检测效率，并且采用灰度匹配得到匹配坐标点，以调整目标检测图像与检测模板图像的位置对应关系，避免因位置或光照等因素影响导致误检，提高了透明物体的视觉缺陷检测准确率。
参见图3，是本发明实施例二提供的一种透明物体的视觉检测方法的流程示意图，该视觉检测方法中，可以直接根据缺陷区域坐标，从初始缺陷子图中确定对应的缺陷区域，也可以以缺陷区域坐标为基础，再次提取匹配的最优坐标，再根据最优坐标从初始缺陷子图中确定对应的缺陷区域。
直接根据缺陷区域坐标，从初始缺陷子图中确定对应的缺陷区域的过程参见实施例一，在此不再赘述。
以缺陷区域坐标为基础，再次提取匹配的最优坐标，再根据最优坐标从初始缺陷子图中确定对应的缺陷区域的过程包括：
步骤S301，根据缺陷区域坐标，确定缺陷区域的中心点，并根据中心点和预设矩形尺寸确定相关匹配系数；
步骤S302，根据相关匹配系数，将目标检测图像与检测模板图像进行相关匹配；
步骤S303，根据匹配得到的最优坐标，将目标检测图像与检测模板图像作差，得到检测模板图像下的最终缺陷区域坐标，并根据最终缺陷区域坐标，从初始缺陷子图中确定对应的缺陷区域。
其中，在本实施例中，缺陷区域的中心点可以是指缺陷区域的几何中心点，预设矩形尺寸可以是指进行再次匹配的图像尺寸。
相关匹配系数可以是指图像进行相关匹配时的系数，相关匹配可以是指互相关匹配，最优坐标可以是指经过相关匹配确定的坐标对应关系，最终缺陷区域坐标可以是指最终确定的缺陷像素点坐标集合。
具体地，设缺陷区域坐标的中心点为(x0,y0)，确定预设矩形尺寸的对角线长度L为
Figure BDA0003708602230000161
则相关匹配系数为：
Figure BDA0003708602230000162
互相关匹配计算公式为：
Figure BDA0003708602230000163
其中，(x′,y′)可以是指目标检测图像中的像素坐标点，T(x′,y′)可以是指目标检测图像中(x′,y′)坐标的像素值，I(x+x′,y+y′)可以是指检测模板图像中对应坐标的像素值。
根据互相关匹配结果，确定最优坐标，即可根据最优坐标确定目标检测图像的位移量，按照位移量将目标检测图像平移，再与检测模板图像作差，得到检测模板图像下的最终缺陷区域坐标。
在一实施方式中，缺陷区域的中心点可以是指缺陷区域的质心点或者重心点。
本实施例中，以缺陷区域坐标为基础，通过相关匹配再次确定最优坐标，并按照最优坐标位移目标检测图像，以确保匹配的准确性，进而避免出现误检，提高视觉缺陷检测的准确率。
对应于上文实施例的透明物体的视觉检测方法，图4示出了本发明实施例三提供的透明物体的视觉检测装置的结构框图，上述透明物体的视觉检测装置应用于图像处理设备，图像处理设备对应的计算机设备连接图像采集设备，以获取透明物体的待检测图像，图像处理设备具备存储功能，图像处理设备内存储有各类型透明物体对应的定位模板图像、检测区域图像和检测模板图像。为了便于说明，仅示出了与本发明实施例相关的部分。
参见图4，该视觉检测装置包括：
预处理模块41，用于采集透明物体的待检测图像，对待检测图像进行预处理，并将预处理后的图像与预设的定位模板图像进行匹配，确定匹配区域内的图像为初始检测子图；
缺陷提取模块42，用于使用定位模板图像中预设的检测区域图像对初始检测子图进行缺陷提取，并使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图；
动态分割模块43，用于对初始缺陷子图中的缺陷部分进行外接矩形绘制，并使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割，剔除分割后无初始缺陷的矩形窗口和/或分割后缺陷仅在交叉区域的矩形窗口，将剩余的矩形窗口对应的图像作为目标检测图像；
灰度匹配模块44，用于将目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点，其中，检测模板图像为采用定位模板图像和检测区域图像对满足检测条件的透明物体对应的图像进行处理得到；
缺陷确定模块45，用于根据匹配坐标点，将目标检测图像与检测模板图像作差，得到检测模板图像下的缺陷区域坐标，并根据缺陷区域坐标，从初始缺陷子图中确定对应的缺陷区域。
可选的是，上述灰度匹配模块44包括：
模板区域确定单元，用于根据目标检测图像在初始缺陷子图内的坐标，确定检测模板图像中的对应的模板区域图像；
子区域构建单元，用于针对模板区域内任一像素点，以像素点为中心，以预设半径构建圆形区域，确定圆形区域为模板子区域图像；
灰度计算单元，计算模板子区域图像与目标检测图像的灰度相似性，并根据灰度相似度最大的模板子区域图像确定匹配坐标点。
可选的是，上述缺陷确定模块45包括：
系数确定单元，用于根据缺陷区域坐标，确定缺陷区域的中心点，并根据中心点和预设矩形尺寸确定相关匹配系数；
相关匹配单元，用于根据相关匹配系数，将目标检测图像与检测模板图像进行相关匹配；
缺陷确定单元，用于根据匹配得到的最优坐标，将目标检测图像与检测模板图像作差，得到检测模板图像下的最终缺陷区域坐标，并根据最终缺陷区域坐标，从初始缺陷子图中确定对应的缺陷区域。
可选的是，上述预处理模块41包括：
灰度处理单元，用于对待检测图像进行灰度化处理，得到灰度图像；
灰度滤波单元，用于采用预设的滤波算子对灰度图像进行滤波，根据滤波结果确定强阈值和弱阈值；
双边滤波单元，用于根据强阈值和弱阈值对灰度图像进行双边阈值滤波，确定双边阈值滤波结果为预处理后的图像。
可选的是，上述缺陷提取模块42包括：
图像分离单元，用于将提取到的缺陷按照图像通道进行分离，得到三张对应通道的分离图像；
通道阈值单元，用于针对任一对应通道的分离图像，采用通道对应的通道阈值对初始分离图像进行阈值化处理，得到对应通道的初始缺陷子图；
相应地，缺陷区域为三张对应通道的缺陷区域子图；
上述缺陷确定模块45包括：
缺陷子图确定单元，用于从初始缺陷子图中确定对应的三张缺陷区域子图；
子图运算单元，用于将三张缺陷区域子图进行或运算，并确定运算结果为缺陷区域。
可选的是，上述视觉检测装置还包括：
定位点确定模块，用于采集满足标准的透明物体的图像作为基准样本图像，对获取的基准样本图像进行预处理，根据预处理后的参考图像确定定位特征点；
坐标缩放模块，用于采用预设的形变系数对定位特征点的坐标进行缩放，并根据缩放后的坐标在基准样本图像中提取定位模板图像。
可选的是，上述视觉检测装置还包括：
采集满足检测条件的透明物体的图像作为检测样本图像，对获取的检测样本图像进行预处理，根据预处理后的样本参考图像确定样本特征点；
样本缩放模块，用于将样本特征点通过预设的缩放系数进行缩放，得到缩放特征点；
缩放系数确定模块，用于将每个缩放特征点与定位特征点进行相似度计算，确定相似度最大的缩放特征点对应的缩放系数为目标缩放系数；
模板裁剪模块，用于根据目标缩放系数将检测样本图像缩放后进行裁剪，确定裁剪结果为检测模板图像。
需要说明的是，上述模块、单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5为本发明实施例四提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个视觉检测方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种透明物体的视觉检测方法，其特征在于，所述方法包括：
采集透明物体的待检测图像，对所述待检测图像进行预处理，并将预处理后的图像与预设的定位模板图像进行匹配，确定匹配区域内的图像为初始检测子图；
使用所述定位模板图像中预设的检测区域图像对所述初始检测子图进行缺陷提取，并使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图；
对所述初始缺陷子图中的缺陷部分进行外接矩形绘制，并使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割，剔除分割后无初始缺陷的矩形窗口和/或分割后缺陷仅在交叉区域的矩形窗口，将剩余的矩形窗口对应的图像作为目标检测图像；
将所述目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点，其中，所述检测模板图像为采用所述定位模板图像和所述检测区域图像对满足检测条件的透明物体对应的图像进行处理得到；
根据所述匹配坐标点，将所述目标检测图像与所述检测模板图像作差，得到所述检测模板图像下的缺陷区域坐标，并根据所述缺陷区域坐标，从所述初始缺陷子图中确定对应的缺陷区域。
2.根据权利要求1所述的视觉检测方法，其特征在于，所述将所述目标检测图像与所述检测模板图像进行灰度匹配，得到匹配坐标点包括：
根据所述目标检测图像在所述初始缺陷子图内的坐标，确定所述检测模板图像中的对应的模板区域图像；
针对所述模板区域内任一像素点，以所述像素点为中心，以预设半径构建圆形区域，确定所述圆形区域为模板子区域图像；
计算所述模板子区域图像与所述目标检测图像的灰度相似性，并根据灰度相似度最大的模板子区域图像确定匹配坐标点。
3.根据权利要求1所述的视觉检测方法，其特征在于，所述根据所述缺陷区域坐标，从所述初始缺陷子图中确定对应的缺陷区域包括：
根据所述缺陷区域坐标，确定所述缺陷区域的中心点，并根据所述中心点和预设矩形尺寸确定相关匹配系数；
根据所述相关匹配系数，将所述目标检测图像与所述检测模板图像进行相关匹配；
根据匹配得到的最优坐标，将所述目标检测图像与所述检测模板图像作差，得到所述检测模板图像下的最终缺陷区域坐标，并根据所述最终缺陷区域坐标，从所述初始缺陷子图中确定对应的缺陷区域。
4.根据权利要求1所述的视觉检测方法，其特征在于，所述对所述待检测图像进行预处理包括：
对所述待检测图像进行灰度化处理，得到灰度图像；
采用预设的滤波算子对所述灰度图像进行滤波，根据滤波结果确定强阈值和弱阈值；
根据所述强阈值和所述弱阈值对所述灰度图像进行双边阈值滤波，确定双边阈值滤波结果为所述预处理后的图像。
5.根据权利要求1所述的视觉检测方法，其特征在于，所述使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图包括：
将所述提取到的缺陷按照图像通道进行分离，得到三张对应通道的分离图像；
针对任一对应通道的分离图像，采用所述通道对应的通道阈值对所述初始分离图像进行阈值化处理，得到对应通道的初始缺陷子图；
相应地，所述缺陷区域为三张对应通道的缺陷区域子图；
所述从所述初始缺陷子图中确定对应的缺陷区域包括：
从所述初始缺陷子图中确定对应的三张缺陷区域子图；
将三张缺陷区域子图进行或运算，并确定运算结果为所述缺陷区域。
6.根据权利要求1至5任一项所述的视觉检测方法，其特征在于，所述定位模板图像的提取过程包括：
采集满足标准的透明物体的图像作为基准样本图像，对获取的所述基准样本图像进行所述预处理，根据预处理后的参考图像确定定位特征点；
采用预设的形变系数对所述定位特征点的坐标进行缩放，并根据缩放后的坐标在所述基准样本图像中提取所述定位模板图像。
7.根据权利要求6所述的视觉检测方法，其特征在于，所述检测模板图像的获取过程包括：
采集满足检测条件的透明物体的图像作为检测样本图像，对获取的所述检测样本图像进行所述预处理，根据预处理后的样本参考图像确定样本特征点；
将所述样本特征点通过预设的缩放系数进行缩放，得到缩放特征点；
将每个缩放特征点与所述定位特征点进行相似度计算，确定相似度最大的缩放特征点对应的缩放系数为目标缩放系数；
根据所述目标缩放系数将所述检测样本图像缩放后进行裁剪，确定裁剪结果为所述检测模板图像。
8.一种透明物体的视觉检测装置，其特征在于，所述缺陷检测装置包括：
预处理模块，用于采集透明物体的待检测图像，对所述待检测图像进行预处理，并将预处理后的图像与预设的定位模板图像进行匹配，确定匹配区域内的图像为初始检测子图；
缺陷提取模块，用于使用所述定位模板图像中预设的检测区域图像对所述初始检测子图进行缺陷提取，并使用预设的缺陷阈值对提取到的缺陷进行阈值化处理，得到初始缺陷子图；
动态分割模块，用于对所述初始缺陷子图中的缺陷部分进行外接矩形绘制，并使用具有交叉区域的矩形窗口对绘制后的图像进行动态分割，剔除分割后无初始缺陷的矩形窗口和/或分割后缺陷仅在交叉区域的矩形窗口，将剩余的矩形窗口对应的图像作为目标检测图像；
灰度匹配模块，用于将所述目标检测图像与检测模板图像进行灰度匹配，得到匹配坐标点，其中，所述检测模板图像为采用所述定位模板图像和所述检测区域图像对满足检测条件的透明物体对应的图像进行处理得到；
缺陷确定模块，用于根据所述匹配坐标点，将所述目标检测图像与所述检测模板图像作差，得到所述检测模板图像下的缺陷区域坐标，并根据所述缺陷区域坐标，从所述初始缺陷子图中确定对应的缺陷区域。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储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如权利要求1至7任一项所述的视觉检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的视觉检测方法。
CN202210712551.5A 2022-06-22 2022-06-22 透明物体的视觉检测方法、装置、计算机设备及介质 Active CN115205223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210712551.5A CN115205223B (zh) 2022-06-22 2022-06-22 透明物体的视觉检测方法、装置、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210712551.5A CN115205223B (zh) 2022-06-22 2022-06-22 透明物体的视觉检测方法、装置、计算机设备及介质

Publications (2)

Publication Number Publication Date
CN115205223A true CN115205223A (zh) 2022-10-18
CN115205223B CN115205223B (zh) 2023-03-14

Family

ID=83577197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210712551.5A Active CN115205223B (zh) 2022-06-22 2022-06-22 透明物体的视觉检测方法、装置、计算机设备及介质

Country Status (1)

Country Link
CN (1) CN115205223B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309562A (zh) * 2023-05-17 2023-06-23 江西萤火虫微电子科技有限公司 一种板卡缺陷识别方法及系统
CN116542934A (zh) * 2023-05-09 2023-08-04 哈尔滨工业大学重庆研究院 薄膜电容工艺检测方法及电子设备
CN116543343A (zh) * 2023-07-06 2023-08-04 民航成都物流技术有限公司 一种滞留行李检测方法、装置、计算机设备和存储介质
CN117095001A (zh) * 2023-10-19 2023-11-21 南昌工学院 一种在线产品质量检测方法、设备及存储设备
CN117274241A (zh) * 2023-11-17 2023-12-22 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN108154510A (zh) * 2018-01-17 2018-06-12 深圳市亿图视觉自动化技术有限公司 产品表面缺陷检测方法、装置及计算机可读存储介质
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
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN111986190A (zh) * 2020-08-28 2020-11-24 哈尔滨工业大学（深圳） 一种基于伪影剔除的印刷品缺陷检测方法及装置
CN113608378A (zh) * 2021-10-08 2021-11-05 深圳市绘晶科技有限公司 一种基于lcd制程的全自动缺陷检测方法和系统
CN113688807A (zh) * 2021-10-26 2021-11-23 中科慧远视觉技术(北京)有限公司 一种自适应缺陷检测方法、装置、识别系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600600A (zh) * 2016-12-26 2017-04-26 华南理工大学 基于特征匹配的晶圆缺陷检测方法
CN108154510A (zh) * 2018-01-17 2018-06-12 深圳市亿图视觉自动化技术有限公司 产品表面缺陷检测方法、装置及计算机可读存储介质
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
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN111986190A (zh) * 2020-08-28 2020-11-24 哈尔滨工业大学（深圳） 一种基于伪影剔除的印刷品缺陷检测方法及装置
CN113608378A (zh) * 2021-10-08 2021-11-05 深圳市绘晶科技有限公司 一种基于lcd制程的全自动缺陷检测方法和系统
CN113688807A (zh) * 2021-10-26 2021-11-23 中科慧远视觉技术(北京)有限公司 一种自适应缺陷检测方法、装置、识别系统及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542934A (zh) * 2023-05-09 2023-08-04 哈尔滨工业大学重庆研究院 薄膜电容工艺检测方法及电子设备
CN116542934B (zh) * 2023-05-09 2023-12-22 哈尔滨工业大学重庆研究院 薄膜电容工艺检测方法及电子设备
CN116309562A (zh) * 2023-05-17 2023-06-23 江西萤火虫微电子科技有限公司 一种板卡缺陷识别方法及系统
CN116309562B (zh) * 2023-05-17 2023-08-18 江西萤火虫微电子科技有限公司 一种板卡缺陷识别方法及系统
CN116543343A (zh) * 2023-07-06 2023-08-04 民航成都物流技术有限公司 一种滞留行李检测方法、装置、计算机设备和存储介质
CN116543343B (zh) * 2023-07-06 2023-09-12 民航成都物流技术有限公司 一种滞留行李检测方法、装置、计算机设备和存储介质
CN117095001A (zh) * 2023-10-19 2023-11-21 南昌工学院 一种在线产品质量检测方法、设备及存储设备
CN117274241A (zh) * 2023-11-17 2023-12-22 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置
CN117274241B (zh) * 2023-11-17 2024-02-09 四川赢信汇通实业有限公司 一种基于快速图像分析的制动鼓表面损坏检测方法及装置

Also Published As

Publication number Publication date
CN115205223B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN106960208B (zh) 一种仪表液晶数字自动切分和识别的方法及系统
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN112308854B (zh) 一种芯片表面瑕疵的自动检测方法、系统及电子设备
JPH0467275A (ja) 認識方法及び認識装置
CN110399873A (zh) 身份证图像获取方法、装置、电子设备及存储介质
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN117115130A (zh) 一种晶圆边缘缺陷检测方法及装置
CN116468726B (zh) 一种在线异物线路检测方法及系统
CN111724375A (zh) 一种屏幕检测方法及系统
Ma et al. An automatic detection method of Mura defects for liquid crystal display
CN115731493A (zh) 基于视频图像识别的降水微物理特征参量提取与分析方法
CN117456371B (zh) 一种组串热斑检测方法、装置、设备及介质
CN113408519A (zh) 一种基于模板旋转匹配的指针仪表读数的方法及系统
US7646892B2 (en) Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium
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
CN117218672A (zh) 一种基于深度学习的病案文字识别方法及系统
CN114004777A (zh) 柔性屏的断裂线检测方法及装置、计算机设备及介质
CN112329572B (zh) 一种基于边框和闪光点的快速静态活体检测方法及装置
CN113554688B (zh) 一种基于单目视觉的o型密封圈尺寸测量方法
CN111882537B (zh) 视觉检测方法及系统
CN109934215B (zh) 一种身份证识别方法

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
GR01 Patent grant
GR01 Patent grant