CN115661125B - 基于格雷码结构光的类镜面结构表面缺陷检测方法及系统 - Google Patents
基于格雷码结构光的类镜面结构表面缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN115661125B CN115661125B CN202211432329.6A CN202211432329A CN115661125B CN 115661125 B CN115661125 B CN 115661125B CN 202211432329 A CN202211432329 A CN 202211432329A CN 115661125 B CN115661125 B CN 115661125B
- Authority
- CN
- China
- Prior art keywords
- image
- gray code
- filtering
- light source
- structured light
- 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.)
- Active
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明提供的基于格雷码结构光的类镜面结构表面缺陷检测方法及系统,涉及图像处理领域;其方法包括:获取类镜面结构检测区域的格雷码结构光图像;对格雷码结构光图像进行格雷码解码,获得第二图像;依次对第二图像进行滤波处理和阈值过滤二值化处理,获得第三图像;采用形态学变换方法对第三图像进行噪音去除,最终获得类镜面结构检测区域的所有缺陷数据;本发明使用格雷码结构光作为输入,进行解码后再对得到的图像进行滤波去噪,得到表面缺陷数据;不仅具有更高的检测精度,且开发周期短,应用方便。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于格雷码结构光的类镜面结构表面缺陷检测方法及系统。
背景技术
目前的缺陷检测方法大多基于神经网络方法实现,即通过采集包含缺陷的图像提取缺陷的特征参数,利用经包括不同缺陷的图像样本训练后的神经网络识别缺陷的类型。例如,专利CN113610749A公开的基于神经网络的风机叶片缺陷检测方法,其方法先通过控制无人机绕处于检修状态的待检测风机的各个叶片的轴线飞行进行叶片拍照获得多个待检测图像,然后将待检测图像输入预先训练的目标叶片缺陷检测模型,输出待检测图像的缺陷检测信息;模型的训练过程也是通过获取大批量的缺陷样本图片再训练。专利CN113706468A也公开了相似的技术方案。
由上述的现有技术可知,采用神经网络进行缺陷检测的方法需要预先收集大量数据用于网络的训练,因此其开发周期往往较长,并且对数据的分布有要求,即要求缺陷种类齐全。但是,在实际的一些应用场景下,如工件表面各类缺陷的出现频率差异极大,有些类别的缺陷出现频率极低,这不仅会影响网络的训练效果,而且也会进一步拉长开发周期。此外在实际应用中,神经网络的部署也对设备的运算能力有较高的要求,这会导致硬件成本的增加。
除了神经网络之外,传统的缺陷检测方法的准确率、召回率和精度往往较差;原因在于,传统缺陷检测方法往往直接使用RGB图像或者灰度图像进行变换、滤波、比对等处理,受光照、噪音、背景等因素影响较大;故使用受光照、噪音、背景等因素影响小的图像通过传统缺陷检测方法,有助于提升检测效率。
发明内容
本发明目的在于提供基于格雷码结构光的类镜面结构表面缺陷检测方法及系统,创造性的将格雷码结构光应用在类镜面结构的表面缺陷检测中,充分解决现有传统缺陷检测方法容易受外界因素影响导致检测精度低的问题;不仅不需要采集大量数据用于训练、开发周期较短,且检测精度高。
为达成上述目的,本发明提出如下技术方案:基于格雷码结构光的类镜面结构表面缺陷检测方法,包括:
获取类镜面结构检测区域的第一图像,所述第一图像为格雷码结构光图像;
对第一图像进行格雷码解码,获得第二图像;
采用图像滤波算法对第二图像进行滤波处理,并对滤波处理后的图像进行阈值过滤二值化处理,获得第三图像;
采用形态学变换方法对第三图像进行噪音去除,获得第四图像;所述第四图像包含类镜面结构检测区域的所有缺陷。
进一步的,所述格雷码结构光图像的获取过程如下:
在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域的第一样本图像、第二样本图像;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;
根据第二样本图像对第一样本图像进行数据处理,获得第三样本图像;所述第三样本图像为未二值的格雷码结构光图像;
对第三样本图像进行背景过滤,并对背景过滤后的前景图像进行阈值过滤二值化处理,获得所述格雷码结构光图像。
进一步的,所述采用图像滤波算法对第二图像进行滤波处理的过程为:
获取第二图像中所有位置点的数值;
根据第二图像所有位置点数值的变化趋势,划分第二图像的低频区域和高频区域;
采用高通滤波算法对第二图像进行滤波处理,获得高通滤波图像;所述高通滤波图像中无缺陷的区域数值低于有缺陷的区域数值。
进一步的,所述根据第二样本图像对第一样本图像进行数据处理的过程为:
对第二样本图像与第一样本图像进行差值运算,获得反格雷码光源图像;
对第一样本图像与反格雷码光源图像进行差值运算,获得所述第三样本图像。
进一步的,所述格雷码结构光图像的获取过程如下:
在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域第一前景图像、第二前景图像;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;
对第二前景图像与第一前景图像进行差值运算,获得第三前景图像;所述第三前景图像为反格雷码光源图像的前景图像;
对第一前景图像与第三前景图像进行差值运算,获得第四前景图像;所述第四前景图像为未二值的格雷码结构光图像的前景图像;
对未二值的格雷码结构光图像的前景图像进行阈值过滤二值化处理,获得所述格雷码结构光图像。
本发明另一技术方案在于公开一种基于格雷码结构光的类镜面结构表面缺陷检测系统,该系统包括:
获取模块,用于获取类镜面结构检测区域的第一图像,所述第一图像为格雷码结构光图像;
解码模块,用于对第一图像进行格雷码解码,获得第二图像;
滤波处理模块,用于采用图像滤波算法对第二图像进行滤波处理,并对滤波处理后的图像进行阈值过滤二值化处理,获得第三图像;
噪音去除模块,用于采用形态学变换方法对第三图像进行噪音去除,获得第四图像;所述第四图像包含类镜面结构检测区域的所有缺陷。
进一步的,所述获取模块获取格雷码结构光图像的执行单元包括:
拍摄单元,用于在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域的第一样本图像、第二样本图像;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;
数据处理单元,用于根据第二样本图像对第一样本图像进行数据处理,获得第三样本图像;所述第三样本图像为未二值的格雷码结构光图像;
背景过滤单元,用于对第三样本图像进行背景过滤,并对背景过滤后的前景图像进行阈值过滤二值化处理,获得所述格雷码结构光图像。
进一步的,所述滤波处理模块采用图像滤波算法对第二图像进行滤波处理执行单元包括:
获取单元,获取第二图像中所有位置点的数值;
划分单元,根据第二图像所有位置点数值的变化趋势,划分第二图像的低频区域和高频区域;
滤波处理单元,采用高通滤波算法对第二图像进行滤波处理,获得高通滤波图像;所述高通滤波图像中无缺陷的区域数值低于有缺陷的区域数值。
进一步的,所述数据处理单元根据第二样本图像对第一样本图像进行数据处理的过程为:
对第二样本图像与第一样本图像进行差值运算,获得反格雷码光源图像;
对第一样本图像与反格雷码光源图像进行差值运算,获得所述第三样本图像。
本发明还提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时,实现上述的基于格雷码结构光的类镜面结构表面缺陷检测方法。
由以上技术方案可知,本发明的技术方案获得了如下有益效果:
本发明公开基于格雷码结构光的类镜面结构表面缺陷检测方法及系统,其方法包括:获取类镜面结构检测区域的格雷码结构光图像;对格雷码结构光图像进行格雷码解码,获得第二图像;依次对第二图像进行滤波处理和阈值过滤二值化处理,获得第三图像;采用形态学变换方法对第三图像进行噪音去除,最终获得类镜面结构检测区域的所有缺陷数据;本发明创造性的将测量领域使用的格雷码结构光应用在缺陷检测上,并以格雷码结构光图像作为输入,进行解码后再对得到的图像进行滤波去噪,得到表面缺陷数据。
本发明的方法解决了传统缺陷检测方法在遇到类镜面结构表面时,由于反光、过曝等影响下性能大幅受损的问题;在此基础上,由于格雷码结构光利用了镜面反射的特性,导致本方法用于缺陷检测时得到的精度相较于现有传统缺陷检测方法更高;此外,本方法相较于目前主流的基于神经网络的方法相比,不需要采集大量数据用于训练,开发周期较短,对设备运算性能的要求也更低,应用更便捷高效。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不表示按照真实参照物比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明实施例公开的缺陷检测方法流程图一;
图2为本发明实施例公开的缺陷检测方法流程图二;
图3为本发明实施例公开的缺陷检测方法流程图三;
图4为本发明实施例公开的缺陷检测方法流程图四。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,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。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
当前针对缺陷检测的方法包括传统图片处理法和基于神经网络的检测识别方法,其中,基于神经网络的检测识别方法需要预先采集大批量的缺陷数据用于训练模型、开发周期长,传统的图片处理方法应用时易受光照、噪音、背景等外部因素影响,具有检测精度不高的缺点。本发明旨在于针对上述问题,提出基于格雷码结构光的类镜面结构表面缺陷检测方法及系统,该方法使用格雷码结构光图片作为输入,进行解码后再对得到的图像进行滤波去噪,得到表面缺陷,开发周期短、检测精度高。
下面结合附图所示的具体实施例,对本发明公开的基于格雷码结构光的类镜面结构表面缺陷检测方法及系统作进一步具体介绍。
结合图1所示的实施例,基于格雷码结构光的类镜面结构表面缺陷检测方法核心包括四个流程:获得格雷码结构光图像、格雷码解码、图像滤波和噪音去除,具体包括如下步骤:
步骤S102,获取类镜面结构检测区域的第一图像,第一图像为格雷码结构光图像;
格雷码结构光为一系列经过格雷码编码的条纹光源,其中编码为0的数位为白条纹,编码为1的数位为黑条纹;光源上的每一个坐标点均对应一个格雷码编码,也即每一个格雷码编码对应最低位图像的一个条纹;格雷码结构光图像即为使用格雷码结构光作为光源对类镜面结构检测区域拍摄并经二值化处理后获得的。
结合图2所示,实施例公开的格雷码结构光图像的获取流程包括图像拍摄、二值图像求解和背景过滤三个主要过程,实施时具体包括如下步骤:
步骤S202,在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域的第一样本图像I、第二样本图像IW;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;
步骤S204,根据第二样本图像对第一样本图像进行数据处理,获得第三样本图像;所述第三样本图像为未二值的格雷码结构光图像;
基于白光光源本质上等同于格雷码结构光源与反格雷码结构光源的叠加,故能够利用第二样本图像IW与第一样本图像I进行差值运算获得格雷码结构光图像。
步骤S206,对第三样本图像进行背景过滤,并对背景过滤后的前景图像进行阈值过滤二值化处理,获得格雷码结构光图像。
除了光源有效照射区域中的类镜面反射区域之外,其他区域即为背景;背景中的格雷码结构光图像会显示出混乱无序的特点,并对缺陷检测造成干扰,故需要对背景进行过滤。未二值的格雷码结构光图像实际上由多张条纹图像组成,其中,前景区域中的绝对值较大且稳定,背景区域中的绝对值较小或不稳定;因此,通过对绝对值较小或不稳定的区域进行过滤,即可得到前景图像;前景图像进一步通过阈值过滤二值化后,得到格雷码结构光图像。
步骤S104,对第一图像进行格雷码解码,获得第二图像;
定义格雷码结构光图像为IG、第二图像为G;已知格雷码结构光的每一个编码对应光源的一个条纹,图像G中的每一个点对应拍摄的图像上的每一个位置,故解码后图像G上每一个点上都具有一确定的数值,该数值代表该位置反射的光线来自于光源中的哪一个条纹。
步骤S106,采用图像滤波算法对第二图像进行滤波处理,并对滤波处理后的图像进行阈值过滤二值化处理,获得第三图像;滤波处理的目的在于进一步的明确缺陷存在的区域。
步骤S108,采用形态学变换方法对第三图像进行噪音去除,获得第四图像;所述第四图像包含类镜面结构检测区域的所有缺陷;
基于第三图像中存在“背景噪音”,即零星的数值较高的“噪点”;使用格雷码作为光源得到的第三图像中,“背景噪音”的分布较为规律,其密度与样本表面的光滑程度成反比;所以,本实施例使用图像处理中的形态学变换方法进行去除噪音,最终得到第四图像,即缺陷图GDefect。
可选的,在图像滤波可以使用多种算法得到缺陷区域类似的或有偏向性的结果,例如Highpass算法、Laplacian算法、Sobel算法、Scharr算法等。
本实施例中采用Highpass(高通滤波)算法对第二图像进行滤波处理,如图3所示,该滤波处理过程包括如下步骤:
步骤S302,获取第二图像中所有位置点的数值;在步骤S104解码获得的第二图像中能够确定图像G上每一个点上的数值,根据该数值在图像G中的分布进行数据处理。
步骤S304,根据第二图像所有位置点数值的变化趋势,划分第二图像的低频区域和高频区域;
在图像G中,可以明确没有缺陷处的数值理论上是连续且平缓的、即为图像中的低频区域,有缺陷处的数值理论上则会出现混乱且突变的现象、即为图像中的高频区域。
步骤S306,采用高通滤波算法对第二图像进行滤波处理,获得高通滤波图像;高通滤波图像中无缺陷的区域数值低于有缺陷的区域数值。
滤波处理后的第二图像记为图像G’Highpass,图像G’Highpass中无缺陷的区域数值较低、而有缺陷的区域数值较高;最终对图像G’Highpass进行阈值过滤二值化处理后的图像为GHighpass。
已知类镜面结构表面并非完美镜面,所以第一样本图像I中的暗条纹区域的亮度也并非为0;样本的反射率越低,暗条纹区域的相对亮度越高,导致难以直接使用阈值进行过滤。故,在步骤S204利用第二样本图像与第一样本图像进行差值运算获得格雷码结构光图像的具体过程如图4所示,包括:步骤S402,对第二样本图像与第一样本图像进行差值运算,获得反格雷码光源图像;步骤S404,对第一样本图像与反格雷码光源图像进行差值运算,获得所述第三样本图像。
其中,反格雷码光源图像记为I’、 未二值的格雷码结构光图像I’G,则存在:
I’=IW-I,I’G= I- I’;
通过格雷码结构光图像与反格雷码光源图像的方式主要是因为实际拍摄的格雷码图像并非传统的直方图双峰图像,亮条纹较暗处有可能比暗条纹较亮处还要暗,避免了使用传统的直方图双峰法进行二值化产生的误差。
上述方案中,使用背景过滤可以提高检测方法的泛用性与准确性,不使用背景过滤也可以得到结果;故作为一可选的实施方式,上述图像处理过程中背景过滤的部分在拍摄图像时可预先去除,只用前景部分作为输入。即,上述的格雷码结构光图像的获取过程可包括如下步骤:在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域第一前景图像、第二前景图像;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;对第二前景图像与第一前景图像进行差值运算,获得第三前景图像;所述第三前景图像为反格雷码光源图像的前景图像;对第一前景图像与第三前景图像进行差值运算,获得第四前景图像;所述第四前景图像为未二值的格雷码结构光图像的前景图像;对未二值的格雷码结构光图像的前景图像进行阈值过滤二值化处理,获得所述格雷码结构光图像。
本发明的方法将应用于测量领域的格雷码结构光技术创造性的应用在缺陷检测中,不仅解决了以往缺陷检测在遇到类镜面结构表面时,由于反光、过曝等影响性能大幅受损的问题,而且在此基础上,由于结构光利用了镜面反射的特性,能够检测出白光无法检测的缺陷,即本方法进行缺陷检测得到的精度也比现有的缺陷检测方法更高。同时,本方法相较于目前主流的基于神经网络的方法,无需要采集大量数据用于训练,开发周期较短,对设备运算性能的要求也更低,因此应用方便、效率高。
在本实施例中,还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器运行该计算机程序时,实现上述的基于格雷码结构光的类镜面结构表面缺陷检测方法。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读存储介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
本申请的实施例中就提供了这样的一种设备或系统,该系统被称为基于格雷码结构光的类镜面结构表面缺陷检测系统,其组成包括:获取模块,用于获取类镜面结构检测区域的第一图像,所述第一图像为格雷码结构光图像;解码模块,用于对第一图像进行格雷码解码,获得第二图像;滤波处理模块,用于采用图像滤波算法对第二图像进行滤波处理,并对滤波处理后的图像进行阈值过滤二值化处理,获得第三图像;噪音去除模块,用于采用形态学变换方法对第三图像进行噪音去除,获得第四图像;所述第四图像包含类镜面结构检测区域的所有缺陷。
该系统用于实现上述的实施例中的方法的功能,该系统中的每个模块与方法中的每个步骤相对应,已经在方法中进行过说明的,在此不再赘述。
例如,获取模块获取格雷码结构光图像的执行单元包括:拍摄单元,用于在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域的第一样本图像、第二样本图像;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;数据处理单元,用于根据第二样本图像对第一样本图像进行数据处理,获得第三样本图像;所述第三样本图像为未二值的格雷码结构光图像;背景过滤单元,用于对第三样本图像进行背景过滤,并对背景过滤后的前景图像进行阈值过滤二值化处理,获得所述格雷码结构光图像。其中,数据处理单元根据第二样本图像对第一样本图像进行数据处理的过程为:对第二样本图像与第一样本图像进行差值运算,获得反格雷码光源图像;对第一样本图像与反格雷码光源图像进行差值运算,获得所述第三样本图像。
又例如,滤波处理模块采用图像滤波算法对第二图像进行滤波处理执行单元包括:获取单元,获取第二图像中所有位置点的数值;划分单元,根据第二图像所有位置点数值的变化趋势,划分第二图像的低频区域和高频区域;滤波处理单元,采用高通滤波算法对第二图像进行滤波处理,获得高通滤波图像;所述高通滤波图像中无缺陷的区域数值低于有缺陷的区域数值。
本发明提出的基于格雷码结构光的类镜面结构表面缺陷检测方法及系统,其整体流程依次包括获得格雷码结构光图像、格雷码解码、图像滤波和噪音去除四个阶段,其中,格雷码结构光图像由条纹光源拍摄的第一样本图像I与反格雷码光源图像I’相减后,结合背景过滤的方法即可求解得到二值化后的格雷码图像IG。本发明不仅能够解决反光、过曝等影响造成现有检测方法性能大幅受损的问题,且能够基于镜面反射的特性提升缺陷检测精度,实用性更高。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种基于格雷码结构光的类镜面结构表面缺陷检测方法,其特征在于,包括:
获取类镜面结构检测区域的第一图像,所述第一图像为格雷码结构光图像;
对第一图像进行格雷码解码,获得第二图像;
采用图像滤波算法对第二图像进行滤波处理,并对滤波处理后的图像进行阈值过滤二值化处理,获得第三图像;
采用形态学变换方法对第三图像进行噪音去除,获得第四图像;所述第四图像包含类镜面结构检测区域的所有缺陷;
其中,所述格雷码结构光图像的获取过程如下:
在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域的第一样本图像、第二样本图像;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;
根据第二样本图像对第一样本图像进行数据处理,获得第三样本图像;所述第三样本图像为未二值的格雷码结构光图像;所述根据第二样本图像对第一样本图像进行数据处理的过程为:对第二样本图像与第一样本图像进行差值运算,获得反格雷码光源图像;对第一样本图像与反格雷码光源图像进行差值运算,获得所述第三样本图像;
对第三样本图像进行背景过滤,并对背景过滤后的前景图像进行阈值过滤二值化处理,获得所述格雷码结构光图像。
2.根据权利要求1所述的基于格雷码结构光的类镜面结构表面缺陷检测方法,其特征在于,所述采用图像滤波算法对第二图像进行滤波处理的过程为:
获取第二图像中所有位置点的数值;
根据第二图像所有位置点数值的变化趋势,划分第二图像的低频区域和高频区域;
采用高通滤波算法对第二图像进行滤波处理,获得高通滤波图像;所述高通滤波图像中无缺陷的区域数值低于有缺陷的区域数值。
3.根据权利要求1所述的基于格雷码结构光的类镜面结构表面缺陷检测方法,其特征在于,所述格雷码结构光图像的获取过程如下:
在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域第一前景图像、第二前景图像;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;
对第二前景图像与第一前景图像进行差值运算,获得第三前景图像;所述第三前景图像为反格雷码光源图像的前景图像;
对第一前景图像与第三前景图像进行差值运算,获得第四前景图像;所述第四前景图像为未二值的格雷码结构光图像的前景图像;
对未二值的格雷码结构光图像的前景图像进行阈值过滤二值化处理,获得所述格雷码结构光图像。
4.一种基于格雷码结构光的类镜面结构表面缺陷检测系统,其特征在于,包括:
获取模块,用于获取类镜面结构检测区域的第一图像,所述第一图像为格雷码结构光图像;
解码模块,用于对第一图像进行格雷码解码,获得第二图像;
滤波处理模块,用于采用图像滤波算法对第二图像进行滤波处理,并对滤波处理后的图像进行阈值过滤二值化处理,获得第三图像;
噪音去除模块,用于采用形态学变换方法对第三图像进行噪音去除,获得第四图像;所述第四图像包含类镜面结构检测区域的所有缺陷;
其中,获取模块获取格雷码结构光图像的执行单元包括:
拍摄单元,用于在相同强度的格雷码编码的条纹光源、白光光源下分别拍摄并获取类镜面结构检测区域的第一样本图像、第二样本图像;其中,相同强度的格雷码编码的条纹光源、白光光源为条纹光源和白光光源的每个像素的发光强度相同;
数据处理单元,用于根据第二样本图像对第一样本图像进行数据处理,获得第三样本图像;所述第三样本图像为未二值的格雷码结构光图像;所述数据处理单元根据第二样本图像对第一样本图像进行数据处理的过程为:对第二样本图像与第一样本图像进行差值运算,获得反格雷码光源图像;对第一样本图像与反格雷码光源图像进行差值运算,获得所述第三样本图像;
背景过滤单元,用于对第三样本图像进行背景过滤,并对背景过滤后的前景图像进行阈值过滤二值化处理,获得所述格雷码结构光图像。
5.根据权利要求4所述的基于格雷码结构光的类镜面结构表面缺陷检测系统,其特征在于,所述滤波处理模块采用图像滤波算法对第二图像进行滤波处理执行单元包括:
获取单元,获取第二图像中所有位置点的数值;
划分单元,根据第二图像所有位置点数值的变化趋势,划分第二图像的低频区域和高频区域;
滤波处理单元,采用高通滤波算法对第二图像进行滤波处理,获得高通滤波图像;所述高通滤波图像中无缺陷的区域数值低于有缺陷的区域数值。
6.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时,实现如权利要求1-3中任一项所述的基于格雷码结构光的类镜面结构表面缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211432329.6A CN115661125B (zh) | 2022-11-16 | 2022-11-16 | 基于格雷码结构光的类镜面结构表面缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211432329.6A CN115661125B (zh) | 2022-11-16 | 2022-11-16 | 基于格雷码结构光的类镜面结构表面缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661125A CN115661125A (zh) | 2023-01-31 |
CN115661125B true CN115661125B (zh) | 2023-03-21 |
Family
ID=85020370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211432329.6A Active CN115661125B (zh) | 2022-11-16 | 2022-11-16 | 基于格雷码结构光的类镜面结构表面缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661125B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967205A (zh) * | 2021-03-25 | 2021-06-15 | 苏州天准科技股份有限公司 | 基于格雷码滤波器的异常点纠正方法、存储介质和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120274946A1 (en) * | 2010-03-18 | 2012-11-01 | Camtek Ltd. | Method and system for evaluating a height of structures |
CN111724362A (zh) * | 2020-06-12 | 2020-09-29 | 七海测量技术(深圳)有限公司 | 一种基于视觉条纹技术的高反面外观检测方法 |
CN114792305A (zh) * | 2022-04-06 | 2022-07-26 | 重庆科技学院 | 基于结构光原理并采用fpga加速重建的pcb缺陷检测方法 |
-
2022
- 2022-11-16 CN CN202211432329.6A patent/CN115661125B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967205A (zh) * | 2021-03-25 | 2021-06-15 | 苏州天准科技股份有限公司 | 基于格雷码滤波器的异常点纠正方法、存储介质和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115661125A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612781B (zh) | 一种屏幕缺陷检测方法、装置及头戴显示设备 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
CN111046862B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
US9846929B2 (en) | Fast density estimation method for defect inspection application | |
CN109523527A (zh) | 图像中脏污区域的检测方法、装置和电子设备 | |
CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN112329702A (zh) | 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质 | |
CN111681198A (zh) | 一种形态学属性滤波多模融合成像方法、系统及介质 | |
CN111383216B (zh) | 图像间变化的检测方法及装置 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
Ma et al. | An automatic detection method of Mura defects for liquid crystal display | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN112950685B (zh) | 一种红外与可见光图像配准方法、系统及存储介质 | |
CN117152182B (zh) | 一种超低照度网络相机图像处理方法、装置及电子设备 | |
CN115661125B (zh) | 基于格雷码结构光的类镜面结构表面缺陷检测方法及系统 | |
CN113468905A (zh) | 图形码识别方法、装置、计算机设备和存储介质 | |
CN112686896A (zh) | 基于分割网络的频域空间结合的玻璃缺陷检测方法 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN111415365B (zh) | 图像检测方法及装置 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
CN113378847B (zh) | 字符分割方法、系统、计算机设备和存储介质 | |
CN115423765A (zh) | 一种基于模板图像的晶粒缺陷量化分割方法 |
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 |