CN115496984A - 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 - Google Patents
瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 Download PDFInfo
- Publication number
- CN115496984A CN115496984A CN202211164240.6A CN202211164240A CN115496984A CN 115496984 A CN115496984 A CN 115496984A CN 202211164240 A CN202211164240 A CN 202211164240A CN 115496984 A CN115496984 A CN 115496984A
- Authority
- CN
- China
- Prior art keywords
- image
- ceramic tile
- defects
- defect
- finished
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质,上述方法包括:基于线扫描工业相机,采集瓷砖成品的图像,所述图像包括低角度光照黑白图和高角度光照黑白图;对所述瓷砖图像进行预处理;基于预处理后的瓷砖图像,根据傅里叶变换分别获得低角度光照黑白图和高角度光照黑白图对应的缺陷区域;将所述缺陷区域输入训练好的双分支神经网络模型,获得瓷砖成品缺陷的识别结果。与现有技术相比,瓷砖成品的外观缺陷识别的准确率高。
Description
技术领域
本发明涉及瓷砖表面缺陷检测技术领域,尤其涉及的是一种瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质。
背景技术
随着瓷砖的广泛应用,对瓷砖的质量要求越来越高。在实际生产中,质量检测是瓷砖生产线上一个非常重要的环节。
目前通常利用自动化机器检测瓷砖的平整度和尺寸,但是瓷砖的表面缺陷如裂纹、色差、凸块、凹陷、孔洞和划痕等主要还是依靠人工检测。
虽然目前已有使用网络模型自动检测瓷砖外观缺陷的相关研究,但是由于瓷砖外观缺陷的特点,如:缺陷特征与瓷砖复杂花纹相似、部分极小缺陷只有几个像素点等原因,已有的神经网络模型识别瓷砖缺陷的结果并不准确。
因此,现有技术有待改进和提高。
发明内容
本发明的主要目的在于提供一种瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质,能够准确识别瓷砖成品的外观缺陷。
为了实现上述目的,本发明第一方面提供一种瓷砖成品缺陷自动识别方法,所述方法包括:
基于线扫描工业相机,采集瓷砖成品的图像,所述图像包括低角度光照黑白图和高角度光照黑白图;
对所述瓷砖图像进行预处理;
基于预处理后的瓷砖图像,根据傅里叶变换分别获得低角度光照黑白图和高角度光照黑白图对应的缺陷区域;
将所述缺陷区域输入训练好的双分支神经网络模型,获得瓷砖成品缺陷的识别结果。
可选的,预训练所述双分支神经网络模型时,还对训练数据集进行增强处理,增强处理的方法包括下述任意一种或多种:平移、旋转、镜像和缩放。
可选的,所述双分支神经网络模型的两个分支用于分别处理所述低角度光照黑白图对应的缺陷区域和所述高角度光照黑白图对应的缺陷区域,所述双分支神经网络模型每个分支的前端为Swin transformer模型,后端为卷积神经网络模型。
可选的,两个所述Swin transformer模型的权重参数为同一套权重参数。
可选的,所述对所述瓷砖图像进行预处理,包括:采用双边滤波方法对所述瓷砖图像进行降噪和平滑处理。
可选的,所述根据傅里叶变换获得缺陷区域,包括:基于所述预处理后的瓷砖图像,根据傅里叶变换得到频率谱图像;基于所述频率谱图像,获得频率参数并构造滤波器进行滤波;根据傅里叶逆变换获得重构图像;对所述重构图像进行阈值化处理,获得缺陷区域。
可选的,所述瓷砖成品缺陷的识别结果,包括下述任意一种或多种:凹凸缺陷、尺寸大小缺陷、色差缺陷、平整度。
本发明第二方面提供一种瓷砖成品缺陷自动识别装置,上述装置包括:
图像采集单元,用于基于线扫描工业相机,采集瓷砖成品的图像,所述图像包括低角度光照黑白图和高角度光照黑白图;
预处理单元,用于对所述瓷砖图像进行预处理;
缺陷区域检测单元,用于基于预处理后的瓷砖图像,根据傅里叶变换分别获得低角度光照黑白图和高角度光照黑白图对应的缺陷区域;
缺陷结果提取单元,用于将所述缺陷区域输入训练好的双分支神经网络模型,获得瓷砖成品缺陷的识别结果。
本发明第三方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的瓷砖成品缺陷自动识别程序,上述瓷砖成品缺陷自动识别程序被上述处理器执行时实现任意一项上述瓷砖成品缺陷自动识别方法的步骤。
本发明第四方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有瓷砖成品缺陷自动识别程序,上述瓷砖成品缺陷自动识别程序被处理器执行时实现任意一项上述瓷砖成品缺陷自动识别方法的步骤。
由上可见,本发明通过线扫描工业相机采集到瓷砖成品的低角度光照黑白图和高角度光照黑白图后,进行图像预处理,并根据傅里叶变换获得缺陷区域,将缺陷区域输入双分支神经网络模型,从而识别出瓷砖成品的表面缺陷。与现有技术相比,瓷砖成品的外观缺陷识别的准确率高。
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它的附图。
图1是本发明实施例提供的瓷砖成品缺陷自动识别方法流程示意图;
图2是图1实施例的步骤S300具体流程示意图;
图3是本发明实施例提供的瓷砖成品缺陷自动识别装置的结构示意图;
图4是本发明实施例提供的一种智能终端的内部结构原理框图。
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。在其它情况下,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,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,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”。类似的,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[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着瓷砖的广泛应用,对瓷砖的质量要求越来越高。在实际生产中,质量检测是瓷砖生产线上一个非常重要的环节。目前通常利用自动化机器检测瓷砖的平整度和尺寸,但是瓷砖的表面缺陷如裂纹、色差、凸块、凹陷、孔洞和划痕等主要还是依靠人工检测。
虽然目前已有使用网络模型自动检测瓷砖外观缺陷的相关研究,但是由于瓷砖外观缺陷的特点,如:缺陷特征与瓷砖复杂花纹相似、部分极小缺陷只有几个像素点等原因,已有的神经网络模型识别瓷砖缺陷的结果并不准确。
本发明通过线扫描工业相机采集到瓷砖成品的低角度光照黑白图和高角度光照黑白图后,进行图像预处理,并根据傅里叶变换获得缺陷区域,将缺陷区域输入双分支神经网络模型,从而识别出瓷砖成品的表面缺陷。瓷砖成品的外观缺陷识别的准确率高。
示例性方法
如图1所示,本发明实施例提供一种瓷砖成品缺陷自动识别方法,可部署于用于对瓷砖成品进行检测的控制终端中,如电脑终端、平板电脑、智能手机等。具体地,上述方法包括如下步骤:
步骤S100:基于线扫描工业相机,采集瓷砖成品的图像,所述图像包括低角度光照黑白图和高角度光照黑白图;
具体地,本实施例通过传送平台传送待检测的瓷砖成品经过检测区,相机和激光器分别通过相机支架和激光器支架设置在检测区的两端,可自由调节高度和角度。检测区的两侧均设有照明光源,光源均为方形光源。
由于瓷砖外观缺陷常为大块瓷砖中的部分或极小缺陷,甚至只有几个像素点,并且缺陷特征与瓷砖复杂花纹相似,也就是说很难从一个角度获取到的瓷砖图像中识别出缺陷特征;另外,还存在某些缺陷在特定视角下才能拍摄到,因此,本实施例同时采集了低角度光照黑白图、高角度光照黑白图,即使用不同高度的相机同时采集瓷砖的图像,从而可以根据两个角度拍摄的图像准确地识别瓷砖缺陷。
在一个实施例中,每个相机对每块瓷砖同时采集三张图以增加识别的准确率。
步骤S200:对瓷砖图像进行预处理;
具体地,本实施例采用双边滤波方法对所述瓷砖图像进行降噪和平滑处理。其中,双边滤波是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的。具有简单、非迭代、局部的特点。双边滤波器的好处是可以做边缘保存(edge preserving),一般过去用的维纳滤波或者高斯滤波去降噪,都会较明显地模糊边缘,对于高频细节的保护效果并不明显。
可选地,还可以从时域和频域两个方面对超声图像进行去噪和增强处理。例如:时域方面的图像去噪和增强方法都是建立在图像的像素点的灰度值变换的基础之上,包括使用各种特殊设计的小滑窗对图像的局部像素邻域进行滤波,以及通过改变不同灰度级别上像素点的分布情况,来达到超声图像的直方图均衡化;频域方面的图像增强的方法大部分是通过傅里叶变换、Z变换等等,将时域图像转换到相应的频域上,然后有针对性的对某个频率或者某些频率进行调整变换,最后再通过反变换回时域。
步骤S300:基于预处理后的瓷砖图像,根据傅里叶变换方法分别获得低角度光照黑白图和高角度光照黑白图对应的缺陷区域;
具体地,由于瓷砖缺陷在整个瓷砖图像中所占比例极小,当采用神经网络模型对整个瓷砖图像进行处理时,导致提取到的特征往往是瓷砖的花纹特征,而真正想要提取的缺陷特征被忽略和过滤了。因此,本实施例在获得预处理后的瓷砖图像之后,根据傅里叶变换方法分别获得低角度光照黑白图和高角度光照黑白图对应的缺陷区域,从而神经网络模型只关注到缺陷区域,使得提取的特征更加准确。
在一个实施例中,如图2所示,根据傅里叶变换方法提取缺陷区域,具体包括如下步骤:
步骤S310:基于预处理后的瓷砖图像,根据傅里叶变换得到频率谱图像;
步骤S320:基于频率谱图像,获得频率参数并构造滤波器进行滤波;
步骤S330:根据傅里叶逆变换获得重构图像;
步骤S340:对重构图像进行阈值化处理,获得缺陷区域。
具体地,对预处理后的瓷砖图像首先利用傅里叶变换得到频率谱图像,然后考虑截止频率参数对滤波的影响,获得频率谱图像的频率参数,根据该频率参数构造滤波器进行滤波,再通过傅里叶逆变换获得重构图像,达到抑制背景纹理信息,加强缺陷区域信息的目的,最后通过二值阈值化以及形态学操作(如边缘提取等)获得缺陷区域。
步骤S400:将缺陷区域输入训练好的双分支神经网络模型,获得瓷砖成品缺陷的识别结果。
具体地,本实施例中的双分支神经网络模型包括两个分支,用于分别输入低角度光照黑白图处理后获得的缺陷区域和高角度光照黑白图处理后获得的缺陷区域。双分支神经网络模型每个分支的架构相同,前端为Swin transformer模型,后端为卷积神经网络模型。Swin transformer网络作为缺陷区域特征提取的主干网络,相对于其他的网络模型,可以提高对图像有效特征的提取能力。并且,分支前端的两个Swin transformer模型之间共享同一套网络权重参数,分支后端的卷积神经网络模型各自使用独立的网络权重参数。共享的网络权重参数使得两个分支之间能学习另一个视图的特征信息,实现不同视图间的特征信息的交互融合,再通过卷积神经网络各自使用独立的网络权重参数,使得每个分支输出的结果更为精准,最后将两个分支的输出特征进行特征融合,再通过一个全连接层,获得识别结果。从而精准识别瓷砖成品的凹凸缺陷、尺寸大小缺陷、色差缺陷、平整度等各种缺陷。
对于一些瓷砖,又大又重,训练双分支神经网络模型时,可能训练集的样本数量不足。为了弥补训练数据集的样本数据存在不足的问题,本发明先对训练数据集中的瓷砖图像进行了图像增强处理。图像增强的具体方法不限,如对图像进行平移、旋转、镜像和缩放等。通过增强处理可以扩充训练数据集的多样性,增加训练数据的样本数量,提高模型精确度和泛化能力,避免过拟合。
训练双分支神经网络模型具体过程为:通过对CIS线扫工业相机采集到的表面缺陷瓷砖图像进行预处理和增强,进行缺陷标注,并按比例划分为训练集、验证集和测试集;构建双分支神经网络模型,通过调整训练集、验证集和测试集的参数,进行训练获得优化后的双分支神经网络模型;
由上所述,通过对采集到瓷砖成品的低角度光照黑白图和高角度光照黑白图进行图像预处理,并根据傅里叶变换获得缺陷区域,对瓷砖数据进行分割,较好的克服了划痕缺陷与瓷砖背景高度相似而无法分类的问题
将缺陷区域输入双分支神经网络模型,从而精准识别出瓷砖成品的表面缺陷。
在一个实施例中,考虑到缺陷区域梯度信息对缺陷识别更加敏感,双分支神经网络模型的梯度计算时采用了Sobel算子(Sobel算子是像素图像边缘检测中最重要的算子之一)。
实验测试时,对实际生产中的瓷砖进行采集训练,多批次采集图像数据,每批数据含有1 000张图像,识别的平均精确率均值达到95.19%。
示例性设备
如图3所示,对应于上述瓷砖成品缺陷自动识别方法,本发明实施例还提供一种瓷砖成品缺陷自动识别装置,上述瓷砖成品缺陷自动识别装置包括:
图像采集单元600,用于基于线扫描工业相机,采集瓷砖成品的图像;
预处理单元610,用于对所述瓷砖图像进行预处理;
缺陷区域检测单元620,用于基于预处理后的瓷砖图像,根据傅里叶变换获得缺陷区域;
缺陷结果提取单元630,用于将所述缺陷区域输入神经网络模型,获得瓷砖成品缺陷的识别结果。
具体的,本实施例中,上述瓷砖成品缺陷自动识别装置的各模块的具体功能可以参照上述瓷砖成品缺陷自动识别方法中的对应描述,在此不再赘述。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图4所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和瓷砖成品缺陷自动识别程序。该内存储器为非易失性存储介质中的操作系统和瓷砖成品缺陷自动识别程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该瓷砖成品缺陷自动识别程序被处理器执行时实现上述任意一种瓷砖成品缺陷自动识别方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的瓷砖成品缺陷自动识别程序,上述瓷砖成品缺陷自动识别程序被上述处理器执行时进行以下操作指令:
基于线扫描工业相机,采集瓷砖成品的图像,所述图像包括低角度光照黑白图和高角度光照黑白图;
对所述瓷砖图像进行预处理;
基于预处理后的瓷砖图像,根据傅里叶变换分别获得低角度光照黑白图和高角度光照黑白图对应的缺陷区域;
将所述缺陷区域输入训练好的双分支神经网络模型,获得瓷砖成品缺陷的识别结果。
可选的,预训练所述双分支神经网络模型时,还对训练数据集进行增强处理,增强处理的方法包括下述任意一种或多种:平移、旋转、镜像和缩放。
可选的,所述双分支神经网络模型的两个分支用于分别处理所述低角度光照黑白图对应的缺陷区域和所述高角度光照黑白图对应的缺陷区域,所述双分支神经网络模型每个分支的前端为Swin transformer模型,后端为卷积神经网络模型。
可选的,两个所述Swin transformer模型的权重参数为同一套权重参数。
可选的,所述对所述瓷砖图像进行预处理,包括:采用双边滤波方法对所述瓷砖图像进行降噪和平滑处理。
可选的,所述根据傅里叶变换获得缺陷区域,包括:基于所述预处理后的瓷砖图像,根据傅里叶变换得到频率谱图像;基于所述频率谱图像,获得频率参数并构造滤波器进行滤波;根据傅里叶逆变换获得重构图像;对所述重构图像进行阈值化处理,获得缺陷区域。
可选的,所述瓷砖成品缺陷的识别结果,包括下述任意一种或多种:凹凸缺陷、尺寸大小缺陷、色差缺陷、平整度。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有瓷砖成品缺陷自动识别程序,上述瓷砖成品缺陷自动识别程序被处理器执行时实现本发明实施例提供的任意一种瓷砖成品缺陷自动识别方法的步骤。
应理解,上述实施例中各步骤的序号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。
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,即将上述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。上述系统中单元、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。
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实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。这些功能究竟是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/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,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。
上述集成的模块/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,也可以通过计算机程序来指令相关的硬件来完成,上述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,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述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。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述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,并不是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.瓷砖成品缺陷自动识别方法,其特征在于,所述方法包括:
基于线扫描工业相机,采集瓷砖成品的图像,所述图像包括低角度光照黑白图和高角度光照黑白图;
对所述瓷砖图像进行预处理;
基于预处理后的瓷砖图像,根据傅里叶变换分别获得低角度光照黑白图和高角度光照黑白图对应的缺陷区域;
将所述缺陷区域输入训练好的双分支神经网络模型,获得瓷砖成品缺陷的识别结果。
2.如权利要求1所述的瓷砖成品缺陷自动识别方法,其特征在于,预训练所述双分支神经网络模型时,还对训练数据集进行增强处理,增强处理的方法包括下述任意一种或多种:平移、旋转、镜像和缩放。
3.如权利要求1所述的瓷砖成品缺陷自动识别方法,其特征在于,所述双分支神经网络模型的两个分支用于分别处理所述低角度光照黑白图对应的缺陷区域和所述高角度光照黑白图对应的缺陷区域,所述双分支神经网络模型每个分支的前端为Swin transformer模型,后端为卷积神经网络模型。
4.如权利要求3所述的瓷砖成品缺陷自动识别方法,其特征在于,两个所述Swintransformer模型的权重参数为同一套权重参数。
5.如权利要求1所述的瓷砖成品缺陷自动识别方法,其特征在于,所述对所述瓷砖图像进行预处理,包括:
采用双边滤波方法对所述瓷砖图像进行降噪和平滑处理。
6.如权利要求1所述的瓷砖成品缺陷自动识别方法,其特征在于,所述根据傅里叶变换获得缺陷区域,包括:
基于所述预处理后的瓷砖图像,根据傅里叶变换得到频率谱图像;
基于所述频率谱图像,获得频率参数并构造滤波器进行滤波;
根据傅里叶逆变换获得重构图像;
对所述重构图像进行阈值化处理,获得缺陷区域。
7.如权利要求1所述的瓷砖成品缺陷自动识别方法,其特征在于,所述瓷砖成品缺陷的识别结果,包括下述任意一种或多种:凹凸缺陷、尺寸大小缺陷、色差缺陷、平整度。
8.瓷砖成品缺陷自动识别装置,其特征在于,所述装置包括:
图像采集单元,用于基于线扫描工业相机,采集瓷砖成品的图像;
预处理单元,用于对所述瓷砖图像进行预处理;
缺陷区域检测单元,用于基于预处理后的瓷砖图像,根据傅里叶变换获得缺陷区域;
缺陷结果提取单元,用于将所述缺陷区域输入神经网络模型,获得瓷砖成品缺陷的识别结果。
9.智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的瓷砖成品缺陷自动识别程序,所述瓷砖成品缺陷自动识别程序被所述处理器执行时实现如权利要求1-7任意一项所述瓷砖成品缺陷自动识别方法的步骤。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有瓷砖成品缺陷自动识别程序,所述瓷砖成品缺陷自动识别程序被处理器执行时实现如权利要求1-7任意一项所述瓷砖成品缺陷自动识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211164240.6A CN115496984A (zh) | 2022-09-23 | 2022-09-23 | 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211164240.6A CN115496984A (zh) | 2022-09-23 | 2022-09-23 | 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496984A true CN115496984A (zh) | 2022-12-20 |
Family
ID=84469491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211164240.6A Pending CN115496984A (zh) | 2022-09-23 | 2022-09-23 | 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496984A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094999A (zh) * | 2023-10-19 | 2023-11-21 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
-
2022
- 2022-09-23 CN CN202211164240.6A patent/CN115496984A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094999A (zh) * | 2023-10-19 | 2023-11-21 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
CN117094999B (zh) * | 2023-10-19 | 2023-12-22 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN109801286B (zh) | 一种lcd导光板的表面缺陷检测方法 | |
CN111047556B (zh) | 一种带钢表面缺陷检测方法及装置 | |
CN110378902B (zh) | 一种高噪声背景下的划痕检测方法 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN113963042A (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
Abdullah et al. | A framework for crack detection of fresh poultry eggs at visible radiation | |
CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN108830851B (zh) | 一种lcd粗糙斑缺陷检测方法 | |
CN116542982A (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
Kumar et al. | A comparative study of various filtering techniques | |
CN115496984A (zh) | 瓷砖成品缺陷自动识别方法、装置、智能终端及存储介质 | |
CN109376782B (zh) | 基于眼部影像特征的支持向量机白内障分级方法及装置 | |
CN112686896B (zh) | 基于分割网络的频域空间结合的玻璃缺陷检测方法 | |
CN116934746B (zh) | 划伤缺陷检测方法、系统、设备及其介质 | |
CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN111311610A (zh) | 图像分割的方法及终端设备 |
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 |