CN115526885A - 一种产品图像缺陷检测方法、系统、装置及介质 - Google Patents
一种产品图像缺陷检测方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN115526885A CN115526885A CN202211302404.7A CN202211302404A CN115526885A CN 115526885 A CN115526885 A CN 115526885A CN 202211302404 A CN202211302404 A CN 202211302404A CN 115526885 A CN115526885 A CN 115526885A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- image
- contour line
- product
- fitting
- 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 94
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种产品图像缺陷检测方法、系统、装置及介质,主要应用于产品检测领域,该方法包括:获取待检测产品对应的点云图像,根据点云图像对应的点云信息获取点云轮廓线,根据多项式拟合方式对点云轮廓线进行拟合得到对应的拟合轮廓线,通过两轮廓线进行差分处理,根据差分处理的结果判断产品是否含有缺陷。通过上述方法,能够单通过一个差分处理的结果反应所述产品是否含有缺陷,避免将产品的各特征与分别设置的各类阈值进行比较,有效地提高了产品检测的速度,减少了对产品的检测时间,提高了检测效率;本申请还提供的产品图像缺陷检测系统、装置及介质与上述方法对应,具有相同的有益效果。
Description
技术领域
本申请涉及产品检测领域,特别是涉及一种产品图像缺陷检测方法、系统、装置及介质。
背景技术
在很多产品的制作领域或应用领域都需要对产品的品质进行检测,检测产品是否含有缺陷,是否能够合格使用。当下对产品是否含有缺陷的检测一般通过计算机图像处理技术,该技术是通过判断图像中的产品的形状和表面是否异常,从而判断该产品是否有缺陷。
上述方法对产品的图像检测,具体是通过对图像中的形状或表面的颜色等特征进行提取,通过这些特征与设置的多种阈值进行比较,从而判断此产品是否合格;但通过上述方法对产品进行检测,产品的各特征对应的特征值与检测人员设置的多种阈值进行比较,导致产品的检测速度慢,检测时间长,检测效率低。
因此,如何设计一种能够提高产品品质检测的速度,提高产品检测效率的方法,是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种产品图像缺陷检测方法、系统、装置及介质;以解决在对产品进行检测时,需要对产品的各特征对应的值与设置的多种阈值进行比较,从而导致产品的检测速度慢,检测时间长,检测效率低的问题。
为解决上述技术问题,本申请提供一种产品图像缺陷检测方法,包括:
获取图像采集设备采集的待检测产品的点云图像;
根据点云图像对应的点云信息获取点云图像对应的点云轮廓线;
通过多项式拟合方式对点云轮廓线进行拟合得到拟合轮廓线;
对拟合轮廓线与点云轮廓线进行差分处理;
根据差分处理的结果判断产品是否含有缺陷。
优选地,通过多项式拟合方式对点云轮廓线进行拟合得到拟合轮廓线包括:
获取点云轮廓线两端对应的点云高度数据;
通过点云高度数据与一次多项式拟合公式获取拟合直线;
对点云轮廓线与拟合直线进行差分处理,通过差分处理后的差分值与预设阈值的关系获取有效数据;
通过有效数据与二次多项式拟合公式获取拟合轮廓线。
优选地,点云高度数据为两组,分别为第一点云高度数据,第二点云高度数据;获取点云轮廓线两端对应的点云高度数据包括:
对点云轮廓线进行求导,并获取求导结果中导数值最大的坐标点;
根据坐标点将点云轮廓线分为前一部分和后一部分;
从前一部分获取第一预设数量的第一点云高度数据;
从后一部分获取第二预设数量的第二点云高度数据。
优选地,拟合直线为两条,分别为第一拟合直线、第二拟合直线;对点云轮廓线与拟合直线进行差分处理,通过差分处理后的差分值与预设阈值的关系获取有效数据包括:
对点云轮廓线与第一拟合直线进行差分处理,获取差分处理后差分值大于预设阈值的第一个点的第一坐标;
对点云轮廓线与第二拟合直线进行差分处理,获取差分处理后差分值大于预设阈值的第一个点的第二坐标;
将点云轮廓线上的第一坐标与第二坐标以及第一坐标与第二坐标之间的各点的坐标作为有效数据。
优选地,根据差分处理的结果判断产品是否含有缺陷包括:
获取差分处理的结果中的差分值,并计算出差分值对应的差分均值;
判断差分均值是否大于差分阈值;
若大于,则确定产品含有缺陷;
若不大于,则确定产品不含有缺陷。
优选地,根据点云图像对应的点云信息,获取点云图像对应的点云轮廓线包括:
获取垂直于点云图像的直线;
获取直线对应于点云图像上的各点的点云信息;
根据点云信息获取点云轮廓线。
优选地,获取图像采集设备采集的产品的点云图像之后;根据点云图像对应的点云信息,获取点云图像对应的点云轮廓线之前还包括:
对点云图像进行预处理,得到有效点云图像;其中预处理为均图像增强和/或高斯滤波处理;
根据点云图像对应的点云信息,获取点云图像对应的点云轮廓线包括:
根据有效点云图像对应的点云信息,获取点云图像对应的点云轮廓线。
为解决上述技术问题,本申请还提供一种产品图像缺陷检测系统,包括:
第一获取模块,用于获取图像采集设备采集的待检测产品的点云图像;
第二获取模块,用于根据点云图像对应的点云信息获取点云图像对应的点云轮廓线;
拟合模块,用于通过多项式拟合方式对点云轮廓线进行拟合得到拟合轮廓线;
处理模块,用于对拟合轮廓线与点云轮廓线进行差分处理;
判别模块,用于根据差分处理的结果判断产品是否含有缺陷。
为解决上述技术问题,本申请还提供一种产品图像缺陷检测装置,包括存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的产品图像缺陷检测方法的步骤。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,其特征在于,计算机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如上述的产品图像缺陷检测方法的步骤。
本申请所提供的产品图像缺陷检测方法,包括:获取待检测产品对应的点云图像,根据点云图像对应的点云信息获取点云轮廓线,根据多项式拟合方式对点云轮廓线进行拟合得到对应的拟合轮廓线,通过两轮廓线进行差分处理,根据差分处理的结果判断产品是否含有缺陷。通过上述方法,能够单通过一个差分处理的结果反应所述产品是否含有缺陷,避免将产品的各特征与分别设置的各类阈值进行比较,有效地提高了产品检测的速度,减少了对产品的检测时间,提高了检测效率。
本申请还提供的一种产品图像缺陷检测系统、装置及介质,与上述产品图像缺陷检测方法相对应,故具有相同的有益效果。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种产品图像缺陷检测方法的流程图;
图2为本申请实施例提供的一种垂直于点云图像的直线图;
图3为本申请实施例提供的一种点云轮廓线图;
图4为本申请实施例提供的一种点云轮廓线一阶导数示意图;
图5为本申请实施例提供的一种从点云轮廓线两端获取点云高度数据示意图;
图6为本申请实施例提供的两条拟合直线示意图;
图7为本申请实施例提供的通过拟合直线获取有效数据的示意图;
图8为本申请实施例提供的一种不含有缺陷产品的点云轮廓线与拟合轮廓线的示意图;
图9为本申请实施例提供的一种含有缺陷产品的点云轮廓线与拟合轮廓线的示意图;
图10为本申请实施例提供的一种产品图像缺陷检测系统的结构图;
图11为本申请实施例提供的一种产品图像缺陷检测装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本申请保护范围。
本申请的核心是提供一种产品图像缺陷检测方法、系统、装置及介质。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
本实施例提供了一种产品缺陷检测方法,该方法主要应用于工业或制造业中的图像采集设备中,用于实现对不同产品的图像进行分析处理,从而判断该产品是否含有缺陷。该方法应用的图像采集设备可以为照相机,用于采集图像,如3D照相机;该照相机包括:存储器,用于将处理器处理中产生的数据和结果进行保存;处理器用于对采集到的图像进行相关处理,并且判断该产品是否含有缺陷。其中对存储器和处理器的型号不做限定;如图1所示,该方法包括如下步骤:
S10:获取图像采集设备采集的待检测产品的点云图像。
其中图像采集设备可以为照相机,如3D照相机,其一般用于采集工业或制造业中产生的产品的图像;待检测产品,这里不对其具体限定为何种产品,按使用者需求进行选择。其中图像采集设备采集的图像在本实施例中需其采集点云图像,点云图像是指该图像中的各点坐标除包含各点坐标的几何坐标外,还有可能包含该图像在该坐标的颜色信息或反射强度信息,其中反射强度信息用于反映被采集产品的表面材质、粗糙度等信息。这里图像采集设备可以是用户手动操作,对产品进行图像采集,也可以用户对图像采集设备设置采集频率,使其能够定时采集产品的图像,具体方式这里不做限定。
S11:根据点云图像对应的点云信息获取点云图像对应的点云轮廓线。
如图2与图3所示,其中获取到点云图像后,根据点云图像中各点对应的点云信息,该点云信息即包含上述的位置信息和颜色等信息;其中点云轮廓线一般为通过一条垂直于点云图像的一条直线如图2中所示白线,该直线对应点云图像的每点的高度值组成高度数组,通过高度数组组成点云轮廓线;通过对这条点云轮廓线进行相关处理,从而能够判断出该产品是否含有缺陷。
S12:通过多项式拟合方式对点云轮廓线进行拟合得到拟合轮廓线。
其中多项式拟合方式是指通过一个多项式展开去拟合包含数个分析点的一小块区域中的所有观测点,得到观测数据的客观分析场,例n次多项式公式:
且在本实施例中不限定n次多项式公式具体为哪一种;只要其能够实现根据点云轮廓线上的点拟合出拟合轮廓线即可,该拟合轮廓线与实际的点云轮廓线存在差异,即上述公式中计算出的点与样本点的差异,根据拟合轮廓线与点云轮廓线的差异从而判断该产品是否含有缺陷。
S13:对拟合轮廓线与点云轮廓线进行差分处理。
其中对拟合轮廓线与点云轮廓线的差异进行判断是通过对两条轮廓线进行差分处理,该差分处理是指对两条轮廓线之间对应的点进行做差,获取各点之间的差值,可以通过对各点的差值求平均值,来获取一个差分均值,通过判断差分均值的大小,判断该产品是否含有缺陷,也可以对每个点的差值进行比较,当存在预设数量的点的差值不符合要求时,判断该产品含有缺陷。
S14:根据差分处理的结果判断产品是否含有缺陷。
该步骤中的差分处理结果如上一步骤所述或为求出各点差值对应的差分均值与预设阈值进行比较的结果,也可以为是否存在预设数量点的差值不符合要求的结果,若差分均值小于预设阈值或差值不符合要求的点的数量不大于预设数量,则该产品不含有缺陷,能够合格使用;当差分均值大于预设阈值或差值不符合要求的点的数量大于预设数量,则该产品含有缺陷。
通过上述实施例提供的产品缺陷检测方法,能够单通过一个差分处理的结果反应所述产品是否含有缺陷,避免将产品的各特征与分别设置的各类阈值进行比较,有效地提高了产品检测的速度,减少了对产品的检测时间,提高了检测效率。
上述实施例中并没有限定如何通过多项式拟合方式和点云轮廓线获取拟合轮廓线,作为一种优选地实施例,本实施例限定通过多项式拟合方式对点云轮廓线进行拟合得到拟合轮廓线包括:获取点云轮廓线两端对应的点云高度数据;通过点云高度数据与一次多项式拟合公式获取拟合直线;对点云轮廓线与拟合直线进行差分处理,通过差分处理后的差分值与预设阈值的关系获取有效数据;通过有效数据与二次多项式拟合公式获取拟合轮廓线。
先通过获取点云轮廓线上对应的点云高度数据,通过将这些数据与一次多项式拟合公式获取到拟合直线,其中一次多项式拟合公式为:
即将上述实施例中的n次多项式拟合公式中的n设为1,从而通过上述公式将数据转化为一条拟合的直线;对拟合直线与点云轮廓线上对应的点进行差分处理,通过将得到的差分值与预设阈值进行比较,获取符合要求的点的坐标,将这些点的坐标设置为有效数据,通过有效数据与二次多项式拟合公式获取拟合轮廓线,其中二次多项式拟合公式为:
即将上述实施例中的n次多项式拟合公式中的n设为2,从而能够将有效数据,转化为一条抛物线,即拟合轮廓线;其中上式中的和x对应与具体某样本点的横坐标和其对应的预测纵坐标,与上述实施例中的n此多项式拟合公式对应。
本实施例中限定如何通过多项式拟合方式和点云轮廓线上的数据获取拟合轮廓线,相对于其它方式更加简单便捷。
本实施例在上述实施例的基础上,限定获取的点云高度数组为两组,分别为第一点云高度数据和第二点云高度数据;且限定获取点云轮廓线两端对应的点云高度数据包括:对点云轮廓线进行求导,并获取求导结果中导数值最大的坐标点;根据坐标点将点云轮廓线分为前一部分和后一部分;从前一部分获取第一预设数量的第一点云高度数据;从后一部分获取第二预设数量的第二点云高度数据。
上述步骤中,先通过对点云轮廓线进行求导,获取导数值最大的点的坐标,该点坐标一般为上述实施例中提到的垂直于点云图像的直线与点云轮廓线的交界处,且交界处的突变变化最大,通过该点将点云轮廓线分为两部分,前一部分和后一部分,从前一部分中选取第一预设数量的数据作为第一点云高度数据,从后一部分中选取第二预设数量的数据作为第二点云高度数据;例:如图4与图5所示,若获取的最大坐标点为num1,计算点云轮廓线的长度为len,则从点云轮廓线的前端提取0到num1-1第一预设数量的数据,作为第一点云高度数据,,从点云轮廓线的后端提取从len-num2-1到len-1第二预设数量的数据,作为第二地点云高度数据,其中num2为数据长度,且第一预设数量与第二预设数量可以相等。
通过本实施例,给出一种如何提取点云轮廓线两端数据作为点云高度数据的方法,使获取到的点云高度数据更加准确便捷。
在上述实施例的基础上,如图6与图7所示,限定拟合直线与获取点云高度数据的组数对应也为两条,分别为第一拟合直线30与第二拟合直线31,且限定对点云轮廓线与拟合直线进行差分处理,通过差分处理后的差分值与预设阈值的关系获取有效数据包括:对点云轮廓线与第一拟合直线30进行差分处理,获取差分处理后差分值大于预设阈值的第一个点的第一坐标40;对点云轮廓线与第二拟合直线31进行差分处理,获取差分处理后差分值大于预设阈值的第一个点的第二坐标41;将点云轮廓线上的第一坐标与第二坐标以及第一坐标与第二坐标之间的各点的坐标作为有效数据。
通过获取的第一拟合直线30与第二拟合直线31做差分处理,在第一拟合直线30中获取差分值大于预设阈值的第一个点的坐标,在第二拟合直线31获取差分值大于预设阈值的第一个点的坐标,分别以这两点坐标为起始点和终点,获取这两个坐标点以及两点之间的各点作为有效数据。其中有效数据用于通过二次多项式拟合公式来获取拟合轮廓线;其中第一拟合直线30与第二拟合直线31主要用于根据差分值与预设阈值的大小,选取出有效数据的起点坐标和终点坐标。
通过本实施例,能够使获取的有效数据更加准确,从而使通过有效数据获取的拟合轮廓线更加的准确,进而使产品的检测更加准确。
在上述实施例的基础上,对根据所述差分处理的结果判断所述产品是否含有缺陷步骤进行限定,该步骤包括:获取差分处理的结果中的差分值,并计算出差分值对应的差分绝对值,再求均值,得到差分均值;判断差分均值是否大于差分阈值;若大于,则确定产品含有缺陷;若不大于,则确定产品不含有缺陷。
在上述实施例中提到的通过获取差分处理结果中的各差分值,计算出差分值对应的差分绝对值,再根据差分绝对值求出差分均值,通过差分均值与差分阈值进行比较,当差分均值大于差分阈值时,产品含有缺陷,若差分均值不大于差分阈值,则产品不含有缺陷;而通过将每个差分值与另外设置的阈值进行比较,通过差分值不合格的数量对产品进行判断,则需要进行比较的次数过多,所需时间较长。所以本实施采用计算差分均值的方法,节省时间。例:图8与图9给出一种产品不含有缺陷的拟合轮廓线与点云轮廓线的示例图,以及一种产品含有缺陷的拟合轮廓线和点云轮廓线的示例图;可以看出产品不含有缺陷的拟合轮廓线51与点云轮廓线50拟合性较好,产品含有缺陷的拟合轮廓线52与点云轮廓线50拟合性较差;
例若产品的差分均值为80,大于80,则产品含有缺陷,不大于80,则产品不含有缺陷,产品与其对应差分均值表表1,给出一个含有缺陷产品对应的差分均值和一个不含有缺陷产品对应的差分均值,如表1所示,
表1
产品类型 | 含有缺陷产品 | 不含有缺陷产品 |
差分均值 | 121 | 32 |
本实施例限定出采用计算差分值对应的差分均值的方法,只需要差分均值与差分阈值进行一次比较,从而判断产品是否含有缺陷,避免其它方式中与设置的多种阈值进行比较,提高产品的检测效率。
在上述实施例的基础上,对如何获取的点云轮廓线进行限定,根据所述点云图像对应的点云信息,获取所述点云图像对应的点云轮廓线包括:获取垂直于所述点云图像的直线;获取所述直线对应于所述点云图像上的各点的所述点云信息;根据所述点云信息获取所述点云轮廓线。
其中垂直于点云图像的直线如图2所示,对应图中的白线,获取该直线与点云图像相交的点对应的高度值信息,将这些高度值组成高度数组,从而得到点云轮廓线。
本实施例提供的获取点云轮廓线的方法,使获得的点云轮廓线较为准确。
上述实施例中并没有对获取的点云图像进行处理,作为一种优选的实施例,本实施例限定,根据点云图像对应的点云信息,获取点云图像对应的点云轮廓线之前还包括:对点云图像进行预处理,得到有效点云图像;其中预处理为均图像增强和/或高斯滤波处理;根据点云图像对应的点云信息,获取点云图像对应的点云轮廓线包括:根据有效点云图像对应的点云信息,获取点云图像对应的点云轮廓线。
使用相机等图像采集设备时,拍摄到的图像收到外界的干扰有很多,从而使获取的点云图像,较为模糊,使对产品是否含有缺陷判断结果造成影响,所以对获取的点云图像进行预处理,该预处理除上述的均图像增强与高斯滤波处理外,还可以包含其它处理,如中值滤波处理等,本实施例提到的均图像增强处理将一个窗口区域的像素计算平均值,将得到的均值设置为锚点的像素值,效率很高、操作简单;高斯滤波是利用二维高斯函数的分布方式对图像进行平滑,使图像的特征点和边缘的特性得到保证;通过预处理,有效的减少获取的点云图像受噪声等因素的影响,有效的提高了点云图像的准确性。
本实施例限定在获取点云图像后,要对点云图像进行预处理,使获取的点云图像更加准确,从而使对产品是否含有缺陷的判断更加准确。
在上述实施例中,对于产品图像缺陷检测方法进行了详细描述,本申请还提供产品图像缺陷检测装置对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
基于功能模块角度,如图10所示,本申请还提供了一种产品图像缺陷检测系统对应的实施例;本实施例限定,该系统包括:
第一获取模块60,用于获取图像采集设备采集的待检测产品的点云图像;
第二获取模块61,用于根据点云图像对应的点云信息获取点云图像对应的点云轮廓线;
拟合模块62,用于通过多项式拟合方式对点云轮廓线进行拟合得到拟合轮廓线;
处理模块63,用于对拟合轮廓线与点云轮廓线进行差分处理;
判别模块64,用于根据差分处理的结果判断产品是否含有缺陷。
由于系统部分的实施例与方法部分的实施例相互对应,因此系统部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本实施例提供的产品图像缺陷检测系统,与上述方法对应,故具有与上述方法相同的有益效果。
基于硬件角度;本实施例提供了一种产品图像缺陷检测装置;图11为本申请另一实施例提供的产品图像缺陷检测装置的结构图,如图11所示,产品图像缺陷检测装置包括:存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述实施例中所提到的产品图像缺陷检测方法的步骤。
本实施例提供的产品图像缺陷检测装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以集成有图像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的产品图像缺陷检测方法的相关步骤。另外,存储器20所存储的资源还可以包括操作系统202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于产品图像缺陷检测方法包含的数据等。
在一些实施例中,产品图像缺陷检测装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解,图11中示出的结构并不构成对产品图像缺陷检测装置的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的产品图像缺陷检测装置,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如下方法:产品图像缺陷检测方法。
本实施例提供的产品图像缺陷检测装置,与上述方法对应,故具有与上述方法相同的有益效果。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机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如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括: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以存储程序代码的介质。
本实施例提供的计算机可读存储介质,与上述方法对应,故具有与上述方法相同的有益效果。
以上对本申请所提供的产品图像缺陷检测方法、系统、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种产品图像缺陷检测方法,其特征在于,包括:
获取图像采集设备采集的待检测产品的点云图像;
根据所述点云图像对应的点云信息获取所述点云图像对应的点云轮廓线;
通过多项式拟合方式对所述点云轮廓线进行拟合得到拟合轮廓线;
对所述拟合轮廓线与所述点云轮廓线进行差分处理;
根据所述差分处理的结果判断所述产品是否含有缺陷。
2.根据权利要求1所述的产品图像缺陷检测方法,其特征在于,所述通过多项式拟合方式对所述点云轮廓线进行拟合得到拟合轮廓线包括:
获取所述点云轮廓线两端对应的点云高度数据;
通过所述点云高度数据与一次多项式拟合公式获取拟合直线;
对所述点云轮廓线与所述拟合直线进行差分处理,通过所述差分处理后的差分值与预设阈值的关系获取有效数据;
通过所述有效数据与二次多项式拟合公式获取所述拟合轮廓线。
3.根据权利要求2所述的产品图像缺陷检测方法,其特征在于,所述点云高度数据为两组,分别为第一点云高度数据,第二点云高度数据;所述获取所述点云轮廓线两端对应的点云高度数据包括:
对所述点云轮廓线进行求导,并获取求导结果中导数值最大的坐标点;
根据所述坐标点将所述点云轮廓线分为前一部分和后一部分;
从所述前一部分获取第一预设数量的所述第一点云高度数据;
从所述后一部分获取第二预设数量的所述第二点云高度数据。
4.根据权利要求3所述的产品图像缺陷检测方法,其特征在于,所述拟合直线为两条,分别为第一拟合直线、第二拟合直线;所述对所述点云轮廓线与所述拟合直线进行差分处理,通过所述差分处理后的差分值与预设阈值的关系获取有效数据包括:
对所述点云轮廓线与所述第一拟合直线进行差分处理,获取所述差分处理后差分值大于所述预设阈值的第一个点的第一坐标;
对所述点云轮廓线与所述第二拟合直线进行差分处理,获取所述差分处理后差分值大于所述预设阈值的第一个点的第二坐标;
将所述点云轮廓线上的所述第一坐标与所述第二坐标以及所述第一坐标与所述第二坐标之间的各点的坐标作为所述有效数据。
5.根据权利要求1至4任一项所述的产品图像缺陷检测方法,其特征在于,所述根据所述差分处理的结果判断所述产品是否含有缺陷包括:
获取所述差分处理的结果中的差分值,并计算出所述差分值对应的差分均值;
判断所述差分均值是否大于差分阈值;
若大于,则确定所述产品含有缺陷;
若不大于,则确定所述产品不含有缺陷。
6.根据权利要求1所述的产品图像缺陷检测方法,其特征在于,所述根据所述点云图像对应的点云信息,获取所述点云图像对应的点云轮廓线包括:
获取垂直于所述点云图像的直线;
获取所述直线对应于所述点云图像上的各点的所述点云信息;
根据所述点云信息获取所述点云轮廓线。
7.根据权利要求5所述的产品图像缺陷检测方法,其特征在于,所述获取图像采集设备采集的产品的点云图像之后;所述根据所述点云图像对应的点云信息,获取所述点云图像对应的点云轮廓线之前还包括:
对所述点云图像进行预处理,得到有效点云图像;其中所述预处理为均图像增强和/或高斯滤波处理;
所述根据所述点云图像对应的点云信息,获取所述点云图像对应的点云轮廓线包括:
根据所述有效点云图像对应的点云信息,获取所述点云图像对应的所述点云轮廓线。
8.一种产品图像缺陷检测系统,其特征在于,包括:
第一获取模块,用于获取图像采集设备采集的待检测产品的点云图像;
第二获取模块,用于根据所述点云图像对应的点云信息获取所述点云图像对应的点云轮廓线;
拟合模块,用于通过多项式拟合方式对所述点云轮廓线进行拟合得到拟合轮廓线;
处理模块,用于对所述拟合轮廓线与所述点云轮廓线进行差分处理;
判别模块,用于根据所述差分处理的结果判断所述产品是否含有缺陷。
9.一种产品图像缺陷检测装置,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7任一项所述的产品图像缺陷检测方法的步骤。
10.一种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7任一项所述的产品图像缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211302404.7A CN115526885A (zh) | 2022-10-24 | 2022-10-24 | 一种产品图像缺陷检测方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211302404.7A CN115526885A (zh) | 2022-10-24 | 2022-10-24 | 一种产品图像缺陷检测方法、系统、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526885A true CN115526885A (zh) | 2022-12-27 |
Family
ID=84703403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211302404.7A Pending CN115526885A (zh) | 2022-10-24 | 2022-10-24 | 一种产品图像缺陷检测方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526885A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932864A (zh) * | 2023-02-24 | 2023-04-07 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法和管道缺陷检测装置 |
CN116342539A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
CN117670888A (zh) * | 2024-02-01 | 2024-03-08 | 天津滨海雷克斯激光科技发展有限公司 | 管道内壁缺陷检测方法、装置、设备及介质 |
-
2022
- 2022-10-24 CN CN202211302404.7A patent/CN115526885A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932864A (zh) * | 2023-02-24 | 2023-04-07 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法和管道缺陷检测装置 |
CN116342539A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
CN116342539B (zh) * | 2023-03-22 | 2023-12-12 | 深圳市康士达科技有限公司 | 一种机器视觉环境快速构建方法、装置及介质 |
CN117670888A (zh) * | 2024-02-01 | 2024-03-08 | 天津滨海雷克斯激光科技发展有限公司 | 管道内壁缺陷检测方法、装置、设备及介质 |
CN117670888B (zh) * | 2024-02-01 | 2024-05-17 | 天津滨海雷克斯激光科技发展有限公司 | 管道内壁缺陷检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087274B (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN115526885A (zh) | 一种产品图像缺陷检测方法、系统、装置及介质 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN114627092A (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN114494210A (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN114119466A (zh) | 铝箔表面缺陷检测方法、装置、设备及计算机存储介质 | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN107478656B (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
CN116883987A (zh) | 一种用于变电站无人巡检的指针仪表读数识别方法 | |
CN116777917A (zh) | 一种光缆生产用缺陷检测方法及系统 | |
CN115482239A (zh) | 一种图像定位方法、系统、装置及介质 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
CN116244293A (zh) | 一种设备异常值剔除方法、系统、装置以及介质 | |
CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN117830312B (zh) | 基于机器视觉的合金裂纹无损检测方法 | |
CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 |
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 |