CN115456969A - 外观缺陷的检测方法、电子设备和存储介质 - Google Patents
外观缺陷的检测方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115456969A CN115456969A CN202211043508.0A CN202211043508A CN115456969A CN 115456969 A CN115456969 A CN 115456969A CN 202211043508 A CN202211043508 A CN 202211043508A CN 115456969 A CN115456969 A CN 115456969A
- Authority
- CN
- China
- Prior art keywords
- appearance
- defect
- image
- preset
- point location
- 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
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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本公开涉及缺陷检测领域,具体涉及外观缺陷的检测方法、电子设备和存储介质。所述外观缺陷的检测方法,包括:对于目标物的至少一个点位中的每个点位,获取所述点位的外观图像,对所述点位的外观图像进行第一检测,确定所述点位的外观是否存在预设缺陷,在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷。
Description
技术领域
本公开涉缺陷检测领域,具体涉及外观缺陷的检测方法、电子设备和存储介质。
背景技术
在精密产品的制造过程中,工艺的不稳定、机械定位精度不够高、以及厂房内的环境因素等经常会导致生产出来的产品具有各种形态的缺陷,这些缺陷不但影响产品外观甚至存在安全隐患,所以缺陷检测一直是工业生产中必不可少的环节。
针对与目前的工业场景,现在采用手段仍是传统的人工目测检测,发现缺陷后,手动剔除不合格产品,这样现有的质量检测状况存在质检工人的视觉疲劳、情绪波动等因素,使得传统方法必然存在质量标准客观性较差,且该检测方法速度慢的问题。
发明内容
本公开实施例提供一种外观缺陷的检测方法、电子设备和存储介质,可以灵活适用于多种应用场景。
第一方面,本申请实施例提供了一种外观缺陷的检测方法,包括:对于目标物的至少一个点位中的每个点位,获取所述点位的外观图像;对所述点位的外观图像进行第一检测,确定所述点位的外观是否存在预设缺陷;在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷。
可选地,所述点位的外观图像包括所述点位在不同亮度光照条件下的多个外观图像。
可选地,所述对所述点位的外观图像进行第一检测,确定所述点位的外观是否存在预设缺陷,包括:将所述点位的外观图像输入预先训练好的第一检测模型中,通过所述第一检测模型,确定所述点位的外观是否存在预设缺陷。
可选地,在根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷之前,所述方法还包括:对所述点位的外观图像进行灰度化处理;计算所述点位的外观图像的图像矩阵的标准差;保留所述标准差大于等于标准差阈值的所述点位的外观图像和/或保留所述标准差最大的所述点位的外观图像。
可选地,所述在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷,包括:在所述点位存在线状缺陷的情况下,检测所述外观图像中的缺陷部分的对角线长度;在所述对角线长度大于预设长度阈值时,确定所述目标物的外观存在缺陷。
可选地,所述在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷,包括:在所述点位存在片状缺陷的情况下,检测所述外观图像中的缺陷部分的面积;在所述面积大于预设面积阈值时,确定所述目标物的外观存在缺陷。
可选地,所述在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷,包括:在所述点位存在脏污缺陷的情况下,检测所述外观图像中的缺陷部分的脏污像素点;在所述外观图像中的脏污像素点的个数大于预设个数阈值的情况下,确定所述目标物的外观存在缺陷。
可选地,所述检测所述外观图像中的缺陷部分的脏污像素点,包括:对所述外观图像的缺陷部分进行灰度化处理;计算所述外观图像的缺陷部分的图像矩阵的标准差;根据所述标准差与预设函数,确定所述外观图像的缺陷部分的第一参数,所述预设函数为所述标准差与所述第一参数的线性函数;根据所述第一参数,对所述外观图像的缺陷部分进行二值化处理,以确定所述外观图像的缺陷部分中的脏污像素点。
可选地,在所述检测所述点位的外观图像中的缺陷部分的脏污像素点之前,所述方法还包括:预先获取多组所述标准差与所述第一参数的对应关系,作为训练集;初始化拟合函数,并将所述训练集输入梯度下降算法模型中,对所述拟合函数进行迭代,获得预设函数。
可选地,所述在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷,包括:在所述点位存在磕伤缺陷的情况下,直接确定所述目标物的外观存在缺陷。
可选地,在对所述点位的外观图像进行第一检测,确定所述点位的外观是否存在预设缺陷之前,所述方法还包括:将所述外观图像输入第二检测模型,确定所述外观图像中的logo部分;截取所述外观图像中的logo部分,作为logo图像;将所述logo图像输入第三检测模型,确定所述logo图像中是否存在所述目标物的外观缺陷部分;在所述logo图像中存在所述外观缺陷部分的情况下,确定所述目标物存在外观缺陷。
可选地,所述方法还包括:获取目标物的logo点位的外观图像;对logo点位的外观图像进行第一检测,确定所述logo点位的外观是否存在预设缺陷;在所述logo点位的外观存在预设缺陷的情况下,确定所述目标物的外观存在缺陷。
第二方面,本申请实施例提供了一种电子设备,具有处理器和存储器,所述存储器中存储有计算机指令,所述计算机指令被处理器执行时实现上述第一方面任一项所述的方法的步骤。
第三方面,本申请实施例提供了一种存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现上述第一方面任一项所述的方法的步骤。
本公开实施例的一个有益效果在于,可以通过获取目标物的至少一个点位的外观图像,并对外观图像进行检测,确定该点位是否存在预设的缺陷,在该点位存在预设缺陷的情况下,根据缺陷的类型,确定所述目标物的外观是否存在缺陷。在本例中,通过这种方式,可以根据缺陷的类型,自动的、有针对性的、快速的确定目标物的外观是否存在缺陷,提升了检测效率,和检测质量。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开实施例的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且连同其说明一起用于解释本公开实施例的原理。
图1示出了本公开实施例的外观缺陷的检测方法的流程图。
图2示出了本公开实施例的电子设备的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
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讨论。
本申请实施例公开了一种外观缺陷的检测方法,如图1所示,该方法包括步骤S11-S13。
步骤S11,对于目标物的至少一个点位中的每个点位,获取点位的外观图像。
在本实施例的一个示例中,目标物可以是任何需要检测外观是否存在缺陷的物品,例如VR眼镜、手机等等。目标物的点位,可以根据目标物的外形进行确定,具体的,为了保证检测效果,在确定目标的点位时,可以尽可能的包含目标物的曲面部分的各个角度。在确定点位后,就可以拍摄目标物的每一个点位的图像,作为该点位的目标图像。
在本实施例的一个示例中,点位的外观图像包括该点位在不同亮度光照条件下的多个外观图像。
在本实施例的一个示例中,由于不同的外观缺陷,在不同亮度条件下成像效果不同,例如,脏污缺陷在较亮的环境下,成像效果会更好一下,而亮痕缺陷在较暗的环境下,成像效果会好一些,并且由于曲面的原因,一些缺陷如亮痕缺陷的成像效果较差。因此,对于每一个点位,都可以获取不同光照条件下的多个外观图像,例如获取该点位两张外观图像,其中包括一张较亮的该点位外观图像,一张较暗的该点位外观图像。
在本例中,通过获取目标物多个点位的,不同亮度的外观图像,可以解决在目标物曲面的外观缺陷成像问题,获得清晰可进行检测的外观图像,以使得后续通过检测,准确的判断目标物是否存在外观缺陷问题。
步骤S12,对所述点位的外观图像进行第一检测,确定点位的外观是否存在预设缺陷。
在本实施例的一个示例中,预设缺陷可以包括多种类型的缺陷,例如线状缺陷、片状缺陷、磕伤缺陷和脏污缺陷等。具体的,线状缺陷可以包括毛纤和线状亮痕。片状缺陷可以是片状亮痕等。
在本实施例的一个示例中,对点位的外观图像进行第一检测,确定点位的外观是否存在预设缺陷,包括:将点位的外观图像输入预先训练好的第一检测模型中,通过第一检测模型,确定点位的外观是否存在预设缺陷。
在本实施例的一个示例中,第一检测模型为检测模型,具体的,可以是YOLOv5算法模型,该模型可以预先进行训练,以确定点位的外观是否存在预设类型的缺陷。在一个例子中,YOLOv5模型确定外观图像中存在预设类型的缺陷后,可以使用矩形的检测框将缺陷部分的图像框选出来,作为缺陷部分。可以理解的是,本例中所说的缺陷部分,不仅包括缺陷部分的图像,也包括被框选在内的,正常部分的图像。
在本实施例的一个示例中,在该点位的外观存在预设缺陷时,可以从点位的外观图像中截取出缺陷部分的图像,具体的,可以通过YOLOv5模型将其检测框中的外观图像的缺陷部分裁剪出来,以便后续确定目标物的外观是否存在。
在本实施例的一个示例中,在根据预设缺陷的类型确定目标物的外观是否存在缺陷之前,方法还包括:对点位的外观图像进行灰度化处理,计算点位的外观图像的图像矩阵的标准差,保留标准差大于等于标准差阈值的该点位的外观图像和/或保留标准差最大的该点位的外观图像。
在本实施例的一个示例中,由于目标物的表面存在曲面以及不同光照条件下,不同类型的缺陷的成像效果存在差异的原因,目标物某些点位的外观图片可能会存在成像效果较差的图像,因此,可以对外观图像先进行灰度化处理,并计算灰度化图像的图像矩阵的标准差,在该标准差大于等于预设的标准差阈值时,代表外观图像的图像质量越好,图像边缘越清晰,因此,可以保留标准差大于等于标准差阈值的外观图像,将标准差小于标准差阈值的外观图像剔除。在另一个示例中,有可能该点位的所有外观图像的标准差都小于标准差阈值,为了避免出现漏检的情况下,可以保留该点位的多张外观图像中,标准差最大的一个外观图像。
在本例中,通过外观图像进行灰度化,并计算灰度图像的矩阵的标准差,可以有效的剔除成像效果较差的外观图像,避免曲面和光照条件对外观图像产生影响,减少了后续检测外观缺陷的误差,并且,由于会保留该点位的至少一张外观图像,也不会出现漏检的情况。
步骤S13,在点位的外观存在预设缺陷的情况下,根据预设缺陷的类型确定目标物的外观是否存在缺陷。
在本实施例的一个示例中,确定目标物的外观是否存在缺陷,可以是确定该目标物的外观是否满足要求。对于不同的缺陷类型,可能会有不同的缺陷认定标准。以线状缺陷为例,如果线状亮痕的长度小于5mm且宽度小于0.15mm,那么针对于该线状亮痕,就会认为该缺陷在比较微微小,不会确定该目标物存在外观缺陷。
在本实施例的一个示例中,在该点位的外观存在预设缺陷的情况下,根据预设缺陷的类型确定目标物的外观是否存在缺陷,包括:在该点位存在线状缺陷的情况下,检测外观图像中的缺陷部分的对角线长度,在对角线长度大于预设长度阈值时,确定目标物的外观存在缺陷。
在本实施例的一个示例中,如果外观图像中存在的缺陷为线状缺陷,例如毛纤或者线状亮痕时,由于其形状并不规则,测量其长度时不能得到准确的数值,因此可以对外观图像中的线状缺陷的缺陷部分,例如检测框框选的部分,计算其对角线的像素长度,通过该像素长度确定线状缺陷的长度。预设的长度阈值可以根据实际需求设置的,在长度大于该阈值时,就会认为该目标物存在外观缺陷。
在本实施例的一个示例中,在点位的外观存在预设缺陷的情况下,根据预设缺陷的类型确定目标物的外观是否存在缺陷,包括:在点位存在片状缺陷的情况下,检测外观图像中的缺陷部分的面积,在面积大于预设面积阈值时,确定目标物的外观存在缺陷。
在本实施例的一个示例中,如果外观图像中存在的缺陷为片状缺陷,例如片状亮痕时,由于其形状并不规则,测量其大小面积时不能得到准确的数值,因此可以对外观图像中的片状缺陷的缺陷部分,例如检测框框选的部分,计算其的像素面积,通过该像素面积确定片状缺陷的大小。预设的面积阈值可以根据实际需求设置的,在面积大于该阈值时,就会认为该目标物存在外观缺陷。
在本实施例的一个示例中,在该点位的外观存在预设缺陷的情况下,根据预设缺陷的类型确定目标物的外观是否存在缺陷,包括:在点位存在脏污缺陷的情况下,检测外观图像中的缺陷部分的脏污像素点,在脏污像素点的个数大于预设个数阈值时,确定目标物的外观存在缺陷。
在本实施例的一个示例中,检测外观图像中的缺陷部分的脏污像素点,包括:对该点位的外观图像进行灰度化处理,计算点位的外观图像的图像矩阵的标准差,根据标准差与预设函数,确定点位的外观图像的缺陷部分的第一参数,预设函数为标准差与第一参数的线性函数,根据所述第一参数,对所述外观图像的缺陷部分进行二值化处理,以确定所述外观图像的缺陷部分中的脏污像素点。
在本实施例中,如果外观图像中存在脏污缺陷的情况下,可以先对该外观图像进行灰度化处理,并计算处理后的图像矩阵的标准差。通过该标准差和预设函数,确定该外观图像的第一参数。其中,第一参数是用于区分像素点是否为脏污像素点的参数。
在本实施例的一个示例中,检测外观图像中的缺陷部分的脏污像素点之前,方法还包括:预先获取多组标准差与第一参数的对应关系,作为训练集,初始化拟合函数,并将训练集输入梯度下降算法模型中,对拟合函数进行迭代,获得预设函数。
在本实施例中,可以预先获取m张外观图像的标准差std与第一参数C,将每一张外观图像的标准差与第一参数分别作为一组训练数据(std,C),获得m组训练数据的训练集。
初始化拟合函数hθ(std)=θi0+θi1×std,初始化参数θi0=θi1=0,初始化学习率α=0.001,初始迭代次数k=0;通过应用梯度下降算法,对所述初始化拟合函数进行迭代。
hθ(std)=θk0+θk1std。作为标准差与所述第一参数的线性函数,即预设函数。
在计算得到灰度化后的外观图像的标准差之后,就可以将该标准差带入预设函数中,获得该外观图像的缺陷部分的第一参数。
在获得第一参数后,可以使用OpenCV中的adaptiveThreshold(二值化)函数对缺陷部分进行二值化。具体的,针对于外观图像的缺陷部分中的每一个像素点,都可以获取该以该像素点为中心的预设区域内所有像素点的灰度值的平均值,即第一平均值。具体的,预设区域可以是以该像素点为核心的取N*N像素的区域。N的具体数值可以根据实际情况灵活设置。
获得该像素点的第一平均值之后,就可以通过第一平均值与第一参数做差,来获得该像素点的阈值。用该像素点的灰度值与阈值进行比对,来确定该像素点的灰度值被设置为0还是255。在一个例子中,可以将灰度值变为255的像素点确定为脏污像素点。
在对缺陷部分进行二值化处理后,就可以获得缺陷部分的脏污像素点的个数。在脏污像素点的个数大于预设个数阈值时,就
在本实施例的一个示例中,如果外观图像中存在的缺陷为脏污缺陷,由于其形状、大小不规则,且通过常用方法不能准确的进行检测,因此,通过,可以对外观图像中的缺陷部分进行二值化处理,确定脏污像素点的个数,通过脏污像素点的个数确定脏污缺陷的大小。预设的个数阈值可以根据实际需求设置的,在脏污像素点的个数大于该阈值时,就会认为该目标物存在外观缺陷。
在本实施例的一个示例中,在点位的外观存在预设缺陷的情况下,根据预设缺陷的类型确定目标物的外观是否存在缺陷,包括:在点位存在磕伤缺陷时,直接确定目标物的外观存在缺陷。
在本实施例的一个示例中,如果外观图像中存在的缺陷为磕伤缺陷,即目标物存在磕伤时,可以直接确定目标物的外观存在缺陷。
在本实施例的一个示例中,在对点位的外观图像进行第一检测,确定点位的外观是否存在预设缺陷之前,方法还包括:将外观图像输入第二检测模型,确定外观图像中的logo(标识)部分,截取外观图像中的logo部分,作为logo图像,将logo图像输入第三检测模型,确定logo图像中是否存在目标物的外观缺陷部分,在logo图像中存在外观缺陷部分的情况下,确定目标物存在外观缺陷。
在本实施例的一个示例中,第二检测模型与第一检测模型可以同一个算法模型,也可以是不同的模型。通过预先训练好的该模型,确定外观图像中是否存在logo部分。外观图像的logo部分就是目标物中带有其标识的部分,在外观图像中存在logo部分时,可以使用矩形的检测框将logo部分的图像框选出来,并截取检测框中的图像作为logo图像。
在本实施例的一个示例中,在获得logo图像后,可以将logo图像输入第三检测模型,具体的,第三检测模型可以是YOLOv5算法模型,该模型可以预先基于带有缺陷的LOGO图像以及该图像的对应的数据标注进行训练,以识别出输入该模型的logo图像是否存在外观缺陷部分。
在本实施例的一个示例中,在logo图像中存在外观缺陷部分的情况下,就可以直接确定该目标物的外观不满足要求,存在外观缺陷。
在本实施例的一个示例中,方法还包括:获取目标物的logo点位的外观图像,对logo点位的外观图像进行第一检测,确定logo点位的外观是否存在预设缺陷,在logo点位的外观存在预设缺陷的情况下,确定目标物的外观存在缺陷。
在本实施例中,目标物的点位可以包括logo点位,logo点位可以是在获取目标物的外观图像前,基于目标物的logo进行设置的点位。在获取目标物至少一个点位外观图像时,直接对logo点位的外观图像进行获取,并对logo部分,进行第一检测,具体的检测可以是将logo部分输入一个预先训练好的模型中,该模型可以预先基于带有缺陷的logo图像以及该图像对应的数据标注进行训练,以识别出输入该模型的logo图像是否存在外观缺陷部分。在logo点位的外观图像中存在外观缺陷部分的情况下,就可以直接确定该目标物的外观不满足要求,存在外观缺陷。
在本例中,通过这种方式,可以避免对外观图像中的logo部分进行误判,例如模型将logo部分识别为缺陷部分,或者忽略掉logo部分中的缺陷部分,提升了外观缺陷的准确度和检测效果。
本实施例提供了一种电子设备100,如图2所示,该电子设备具有处理器101和存储器102,存储器102中存储有计算机指令,该计算机命令被处理器执行时实现上述外观缺陷的检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本实施例提供了一种计算机可读存储介质,该存储介质中存储有可执行命令,该可执行命令被处理器执行时实现上述外观缺陷的检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置/账户所有者给予授权的情况下进行的。
本公开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。尤其,对于装置、设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,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。
本公开的实施例可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的实施例的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开的实施例操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的实施例的各个方面。
这里参照根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的实施例的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种外观缺陷的检测方法,其特征在于,包括:
对于目标物的至少一个点位中的每个点位,获取所述点位的外观图像;
对所述点位的外观图像进行第一检测,确定所述点位的外观是否存在预设缺陷;
在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷。
2.根据权利要求1所述的方法,其特征在于,所述点位的外观图像包括所述点位在不同亮度光照条件下的多个外观图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述点位的外观图像进行第一检测,确定所述点位的外观是否存在预设缺陷,包括:
将所述点位的外观图像输入预先训练好的第一检测模型中,通过所述第一检测模型,确定所述点位的外观是否存在预设缺陷。
4.根据权利要求2所述的方法,其特征在于,在根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷之前,所述方法还包括:
对所述点位的外观图像进行灰度化处理;
计算所述点位的外观图像的图像矩阵的标准差;
保留所述标准差大于等于标准差阈值的所述点位的外观图像和/或保留所述标准差最大的所述点位的外观图像。
5.根据权利要求1所述的方法,其特征在于,所述在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷,包括:
在所述点位存在线状缺陷的情况下,检测所述外观图像中的缺陷部分的对角线长度;
在所述对角线长度大于预设长度阈值时,确定所述目标物的外观存在缺陷。
6.根据权利要求1所述的方法,其特征在于,所述在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷,包括:
在所述点位存在片状缺陷的情况下,检测所述外观图像中的缺陷部分的面积;
在所述面积大于预设面积阈值时,确定所述目标物的外观存在缺陷。
7.据权利要求1所述的方法,其特征在于,所述在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷,包括:
在所述点位存在脏污缺陷的情况下,检测所述外观图像中的缺陷部分的脏污像素点;
在所述外观图像中的脏污像素点的个数大于预设个数阈值的情况下,确定所述目标物的外观存在缺陷。
8.根据所述权利要求7所述的方法,其特征在于,所述检测所述外观图像中的缺陷部分的脏污像素点,包括:
对所述外观图像的缺陷部分进行灰度化处理;
计算所述外观图像的缺陷部分的图像矩阵的标准差;
根据所述标准差与预设函数,确定所述外观图像的缺陷部分的第一参数,所述预设函数为所述标准差与所述第一参数的线性函数;
根据所述第一参数,对所述外观图像的缺陷部分进行二值化处理,以确定所述外观图像的缺陷部分中的脏污像素点。
9.根据权利要求7所述的方法,其特征在于,在所述检测所述点位的外观图像中的缺陷部分的脏污像素点之前,所述方法还包括:
预先获取多组所述标准差与所述第一参数的对应关系,作为训练集;
初始化拟合函数,并将所述训练集输入梯度下降算法模型中,对所述拟合函数进行迭代,获得预设函数。
10.根据权利要求1所述的方法,其特征在于,所述在所述点位的外观存在预设缺陷的情况下,根据所述预设缺陷的类型确定所述目标物的外观是否存在缺陷,包括:
在所述点位存在磕伤缺陷的情况下,直接确定所述目标物的外观存在缺陷。
11.根据权利要求1所述的方法,其特征在于,在对所述点位的外观图像进行第一检测,确定所述点位的外观是否存在预设缺陷之前,所述方法还包括:
将所述外观图像输入第二检测模型,确定所述外观图像中的logo部分;
截取所述外观图像中的logo部分,作为logo图像;
将所述logo图像输入第三检测模型,确定所述logo图像中是否存在所述目标物的外观缺陷部分;
在所述logo图像中存在所述外观缺陷部分的情况下,确定所述目标物存在外观缺陷。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取目标物的logo点位的外观图像;
对logo点位的外观图像进行第一检测,确定所述logo点位的外观是否存在预设缺陷;
在所述logo点位的外观存在预设缺陷的情况下,确定所述目标物的外观存在缺陷。
13.一种电子设备,其特征在于,具有处理器和存储器,所述存储器中存储有计算机指令,所述计算机指令被处理器执行时实现权利要求1-12任一项所述的方法的步骤。
14.一种存储介质,其特征在于,其上存储有计算机指令,所述计算机指令被处理器执行时实现权利要求1-12任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211043508.0A CN115456969A (zh) | 2022-08-29 | 2022-08-29 | 外观缺陷的检测方法、电子设备和存储介质 |
PCT/CN2023/109564 WO2024045963A1 (zh) | 2022-08-29 | 2023-07-27 | 外观缺陷的检测方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211043508.0A CN115456969A (zh) | 2022-08-29 | 2022-08-29 | 外观缺陷的检测方法、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456969A true CN115456969A (zh) | 2022-12-09 |
Family
ID=84301262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211043508.0A Pending CN115456969A (zh) | 2022-08-29 | 2022-08-29 | 外观缺陷的检测方法、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115456969A (zh) |
WO (1) | WO2024045963A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045963A1 (zh) * | 2022-08-29 | 2024-03-07 | 歌尔股份有限公司 | 外观缺陷的检测方法、电子设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544506B (zh) * | 2018-10-17 | 2021-03-09 | 潍坊路加精工有限公司 | 工件外观缺陷的检测方法及装置 |
CN110018166A (zh) * | 2019-03-19 | 2019-07-16 | 深圳市派科斯科技有限公司 | 一种用于产品外观缺陷检测的设备和方法 |
CN110415214A (zh) * | 2019-06-26 | 2019-11-05 | 北京迈格威科技有限公司 | 摄像头模组的外观检测方法、装置、电子设备及存储介质 |
JPWO2021079727A1 (zh) * | 2019-10-23 | 2021-04-29 | ||
CN115456969A (zh) * | 2022-08-29 | 2022-12-09 | 歌尔股份有限公司 | 外观缺陷的检测方法、电子设备和存储介质 |
-
2022
- 2022-08-29 CN CN202211043508.0A patent/CN115456969A/zh active Pending
-
2023
- 2023-07-27 WO PCT/CN2023/109564 patent/WO2024045963A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045963A1 (zh) * | 2022-08-29 | 2024-03-07 | 歌尔股份有限公司 | 外观缺陷的检测方法、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024045963A1 (zh) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280822B (zh) | 屏幕划痕的检测方法及装置 | |
CN109142366B (zh) | 球形外壳缺陷检测方法、装置及计算机可读存储介质 | |
CN111833303B (zh) | 产品的检测方法、装置、电子设备及存储介质 | |
US11676257B2 (en) | Method and device for detecting defect of meal box, server, and storage medium | |
KR102058427B1 (ko) | 검사 장치 및 방법 | |
CN111986178A (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN109544506B (zh) | 工件外观缺陷的检测方法及装置 | |
CN111080633A (zh) | 屏缺陷检测方法、装置、终端设备以及存储介质 | |
CN115456969A (zh) | 外观缺陷的检测方法、电子设备和存储介质 | |
CN114565552A (zh) | 光学元件表面缺陷的检测方法、装置及电子设备 | |
WO2024103828A1 (zh) | 灰尘检测方法和装置、存储介质 | |
CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
CN115731208A (zh) | 金属复杂面高精度缺陷检测方法、装置、设备及存储介质 | |
CN117557777A (zh) | 一种样本图像确定方法、装置、电子设备以及存储介质 | |
CN117007600A (zh) | 缺陷检测方法、装置、设备及计算机可读存储介质 | |
CN115984197A (zh) | 基于标准pcb图像的缺陷检测方法及相关装置 | |
US20210312213A1 (en) | Automated Salience Assessment of Pixel Anomalies | |
CN111225297A (zh) | 一种宽带无源光网络端口资源整治方法及系统 | |
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 | |
CN109257594A (zh) | 电视出厂检测方法、装置及计算机可读存储介质 | |
CN113989412A (zh) | 基于随机信息缺失模型的二维码图像修复模型构建方法 | |
CN115063739A (zh) | 异常行为的检测方法、装置、设备及计算机存储介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN111768357B (zh) | 一种图像检测的方法及装置 |
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 |