CN115760704A - 基于彩色有源参照物的漆面缺陷检测方法、装置及介质 - Google Patents
基于彩色有源参照物的漆面缺陷检测方法、装置及介质 Download PDFInfo
- Publication number
- CN115760704A CN115760704A CN202211316622.6A CN202211316622A CN115760704A CN 115760704 A CN115760704 A CN 115760704A CN 202211316622 A CN202211316622 A CN 202211316622A CN 115760704 A CN115760704 A CN 115760704A
- Authority
- CN
- China
- Prior art keywords
- vehicle body
- detected
- color
- pixel
- body image
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于彩色有源参照物的漆面缺陷检测方法、装置及介质,涉及漆面检测技术领域。获取不同的待检测车身图像,并生成待检测图像集,并每一张待检测车身图像,进行预处理和多维二值化处理,获得待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值。根据各个像素点的第四层属性数值,确定待检测车身图像中是否存在漆面缺陷。并根据待检测车身图像的拍摄时间以及拍摄待检测车身图像的图像采集设备的布设位置,确定车身的漆面缺陷位置。在本申请中,确定漆面缺陷类型所需的算力需求小、并且能识别单像素点甚至亚像素点尺度的缺陷,从而提高了识别的精度,不需要收集并标注大量图片用于训练,还具有较好的通用性。
Description
技术领域
本发明涉及漆面检测技术领域,尤其涉及一种基于彩色有源参照物的漆面缺陷检测方法、装置及介质。
背景技术
在汽车车身漆面的喷涂作业过程中,经常会出现诸如“流挂”、“溶剂点”、“水泡”、“线毛”,等等可表述为漆面局部的平整度出现异常的缺陷。也就是漆面上出现了或“凹陷”,或“凸起”的异常区域。对于这一类缺陷,传统上是采用人工目视的方式来完成质检。主要的问题在于,这类缺陷往往需要在特定角度上才能被可靠观察到。并且往往不是非常明显。这就要求质检人员对同一块区域进行多角度、细致重复的观察。不但费时费力,还存在检测效率低下,检测范围有限,人员易疲劳,易疏漏等问题。
相关技术中,采用黑白条纹状有源参照物来实现对漆面缺陷检测的检测,但是存在检测精度低、漏检率高、对不同漆色的检测效果差异较大等问题。
发明内容
本发明实施例提供一种基于彩色有源参照物的漆面缺陷检测方法、装置及介质,旨在解决或者部分解决背景技术中存在的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种基于彩色有源参照物的漆面缺陷检测方法,方法包括:
获取不同的待检测车身图像,并生成待检测图像集,其中,待检测车身图像包含彩色有源参照物倒像;
对待检测图像集中的每一张待检测车身图像进行如下处理:对待检测车身图像进行预处理和多维二值化处理,获得待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值;
根据各个像素点的第四层属性数值,确定待检测车身图像中是否存在漆面缺陷;
在确定待检测车身图像中存在漆面缺陷的情况下,根据待检测车身图像的拍摄时间以及拍摄待检测车身图像的图像采集设备的布设位置,确定车身的漆面缺陷位置。
可选地,对待检测车身图像进行预处理和多维二值化处理,获得待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值的步骤包括:
将待检测车身图像由RGB模式图像转换为lab模式图像,获得待检测车身图像的Lab三维数值;
将待检测车身图像由RGB模式图像转换为HSV模式图像,获得待检测车身图像的HS二维数值;
根据待检测车身图像的RGB三维数值、待检测车身图像的Lab三维数值以及待检测车身图像的HS二维数值与预设阈值区间的大小关系,对初始值为零的第四层属性数值,进行逐个维度赋值。
可选地,根据各个像素点的第四层属性数值,确定待检测车身图像中是否存在漆面缺陷步骤包括:
根据各个像素点的第四层属性数值与彩色有源参照物的色号匹配关系,确定待检测车身图像中的单像素级别的漆面颜色缺陷;
根据各个像素点的第四层属性数值,确定目标数组,并根据目标数组确定待检测车身图像中的多像素级别的漆面尺寸缺陷。
可选地,根据各个像素点的第四层属性数值与彩色有源参照物的色号匹配关系,确定待检测车身图像中的单像素级别的漆面颜色缺陷的步骤包括:
确定彩色有源参照物对应的各种纯色的极限梯度值;
根据各个像素点的第四层属性数值,确定各个像素点的色号;
遍历待检测车身图像的每一行像素点,确定待检测车身图像中的混色像素行;
根据混色像素行中的混色像素点与相邻纯色像素点的极限梯度值大小关系以及色号匹配关系,对混色像素行进行填色处理,并确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
可选地,确定彩色有源参照物对应的各种纯色的极限梯度值的步骤包括:
遍历待检测车身图像的每一个像素点,确定混色像素点,并根据混色像素点的单侧相邻像素点,生成纯色像素行;
从纯色像素行中选取两两相邻的同色像素对,计算同色像素对的欧式距离值;
根据欧式距离值的计算结果,确定各种纯色的极限梯度值。
可选地,在对混色像素行进行填色处理的步骤之后,方法还包括:
遍历待检测车身图像的每一个目标像素点;
依次比较第一像素点和第二像素点的色号,其中,第一像素点和第二像素点为目标像素点的左右相邻像素点;
根据第一像素点和第二像素点的色号匹配关系,确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
可选地,根据各个像素点的第四层属性数值,确定目标数组,并根据目标数组确定待检测车身图像中的多像素级别的漆面尺寸缺陷的步骤包括:
根据待检测车身图像中各个像素行的第四层属性数值,生成对应的初始数组;
遍历初始数组,根据初始数组中数值的变化关系,生成各个像素行对应的目标数组;
根据目标数组中数值的大小变化趋势以及像素点数量,与预设阈值的大小关系,确定待检测车身图像中的多像素级别的漆面尺寸缺陷的类型。
可选地,遍历初始数组,根据初始数组中数值的变化关系,生成各个像素行对应的目标数组的步骤包括:
遍历初始数组的所有数组元素;
依次比较第一数组元素对应的第一数值和第二数组元素对应的第二数值是否相同,其中,第一数组元素和第二数组元素为任意相邻的数组元素;
在第一数值与第二数值不同的情况下,将第二数值作为目标数组的第一维数据,并将第二数组元素在初始数组中的位数作为目标数组的第二维数据;其中,第一维数据和第二维数据构成目标数组。
第二方面,本发明实施例提供了一种基于彩色有源参照物的漆面缺陷检测装置,装置包括:
采集模块,用于获取不同的待检测车身图像,并生成待检测图像集,其中,待检测车身图像包含彩色有源参照物倒像;
图像处理模块,用于对待检测图像集中的每一张待检测车身图像进行如下处理:对待检测车身图像进行预处理和多维二值化处理,获得待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值;
缺陷判断模块,用于根据各个像素点的第四层属性数值,确定待检测车身图像中是否存在漆面缺陷;
缺陷位置确定模块,用于在确定待检测车身图像中存在漆面缺陷的情况下,根据待检测车身图像的拍摄时间以及拍摄待检测车身图像的图像采集设备的布设位置,确定车身的漆面缺陷位置。
可选地,图像处理模块包括:
第一处理子模块,用于将待检测车身图像由RGB模式图像转换为lab模式图像,获得待检测车身图像的Lab三维数值;
第二处理子模块,用于将待检测车身图像由RGB模式图像转换为HSV模式图像,获得待检测车身图像的HS二维数值;
赋值子模块,用于根据待检测车身图像的RGB三维数值、待检测车身图像的Lab三维数值以及待检测车身图像的HS二维数值与预设阈值区间的大小关系,对初始值为零的第四层属性数值,进行逐个维度赋值。
可选地,缺陷类型确定模块包括:
第一缺陷类型确定子模块,用于根据各个像素点的第四层属性数值与彩色有源参照物的色号匹配关系,确定待检测车身图像中的单像素级别的漆面颜色缺陷;
第二缺陷类型确定子模块,用于根据各个像素点的第四层属性数值,确定目标数组,并根据目标数组确定待检测车身图像中的多像素级别的漆面尺寸缺陷。
可选地,第一缺陷类型确定子模块包括:
极限梯度值确定单元,用于根据确定彩色有源参照物对应的各种纯色的极限梯度值;
色号确定单元,用于根据各个像素点的第四层属性数值,确定各个像素点的色号;
混色像素行确定单元,用于遍历待检测车身图像的每一行像素点,确定待检测车身图像中的混色像素行;
第一缺陷类型确定单元,用于根据混色像素行中的混色像素点与相邻纯色像素点的极限梯度值大小关系以及色号匹配关系,对混色像素行进行填色处理,并确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
可选地,极限梯度值确定单元包括:
纯色像素行确定子单元,用于遍历待检测车身图像的每一个像素点,确定混色像素点,并根据混色像素点的单侧相邻像素点,生成纯色像素行;
第一计算子单元,用于从纯色像素行中选取两两相邻的同色像素对,计算同色像素对的欧式距离值;
第二计算子单元,用于根据欧式距离值的计算结果,确定各种纯色的极限梯度值。
可选地,第一缺陷类型确定子模块还包括:
查找单元,用于遍历待检测车身图像的每一个目标像素点;
比较单元,用于依次比较第一像素点和第二像素点的色号,其中,第一像素点和第二像素点为目标像素点的左右相邻像素点;
第二缺陷类型确定单元,用于根据第一像素点和第二像素点的色号匹配关系,确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
可选地,第二缺陷类型确定子模块包括:
初始数组确定单元,用于根据待检测车身图像中各个像素行的第四层属性数值,生成对应的初始数组;
目标数组确定单元,用于遍历初始数组,根据初始数组中数值的变化关系,生成各个像素行对应的目标数组;
多像素级别的漆面尺寸缺陷判断单元,用于根据目标数组中数值的大小变化趋势以及像素点数量,与预设阈值的大小关系,确定待检测车身图像中的多像素级别的漆面尺寸缺陷的类型。
可选地,目标数组确定单元包括:
数组元素单元,用于遍历初始数组的所有数组元素;
比较子单元,用于依次比较第一数组元素对应的第一数值和第二数组元素对应的第二数值是否相同,其中,第一数组元素和第二数组元素为任意相邻的数组元素;
数组生成子单元,用于在第一数值与第二数值不同的情况下,将第二数值作为目标数组的第一维数据,并将第二数组元素在初始数组中的位数作为目标数组的第二维数据;其中,第一维数据和第二维数据构成目标数组。
本发明实施例第三方面提出一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现本发明实施例第一方面提出的基于彩色有源参照物的漆面缺陷检测方法。
本发明实施例包括以下优点:首先,获取不同的待检测车身图像,并生成待检测图像集,其中,待检测车身图像包含彩色有源参照物倒像,并对待检测图像集中的每一张待检测车身图像进行如下处理:对待检测车身图像进行预处理和多维二值化处理,获得待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值。然后,根据各个像素点的第四层属性数值,确定待检测车身图像中是否存在漆面缺陷。最后,在确定待检测车身图像中存在漆面缺陷的情况下,根据待检测车身图像的拍摄时间以及拍摄待检测车身图像的图像采集设备的布设位置,确定车身的漆面缺陷位置。在本申请中,确定漆面缺陷所需的算力需求小、并且能识别单像素点甚至亚像素点尺度的缺陷,从而提高了识别的精度,不需要收集并标注大量图片用于训练,还具有较好的通用性。
为了更清楚地说明本申请实施例或现有技术中的技术方案,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。
附图说明
图1是本发明实施例中应用环境的示意图;
图2是本发明实施例中一种基于彩色有源参照物的漆面缺陷检测方法的步骤流程图;
图3是本发明实施例中有源参照物外观结构示意图;
图4是本发明实施例中彩色LED柔性硅胶灯带阵列形式的有源参照物的示意图;
图5是本发明实施例中在普通的白色面光源发光面上安装彩色滤光片形式的有源参照物的示意图;
图6是本发明实施例中显示器形式的有源参照物示意图;
图7是本发明实施例中另一种基于彩色有源参照物的漆面缺陷检测装置的模块示意图。
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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
相关技术中,在利用黑白条纹状对车辆进行漆面缺陷检测时,首先需要利用大量的缺陷数据构成的数据集进行训练,得到实现缺陷检测功能的深度学习算法,然后利用训练好的深度学习算法对车辆进行漆面缺陷检测。
然而,上述方案面临的问题是收集训练样本困难,并且通用性较差,可能只适用一种车型,而不适用于其他车型,基于此,发明人提出了本申请的发明构思:采用新型有源参照物做光学视觉增强,并且构建有算力需求小,不需要收集并标注大量图片用于训练并且识别精度高的图像处理方法。
首先对本申请的应用环境进行说明,需要检测漆面缺陷的车辆通过流水线导轨进行做直线匀速运动,流水线导轨的一侧安装有接近传感器。多个工业相机及多个有源参照物被安装在流水线导轨的两侧及上方。
作为示例的,参照图1,对本申请的基于彩色有源参照物进行漆面缺陷检测的系统进行说明,首先,被检测车辆1被放置在流水线导轨2上,做直线匀速运动。然后,流水线导轨2的一侧安装有接近传感器3,多个工业相机5及多个有源参照物6被安装在流水线导轨2的两侧及上方,工业相机5 的光轴和有源参照物6的发光面都指向于被检测车辆1的车身,使得工业相机在对被检测车辆进行图像采集时,彩色有源参照物会在车辆的漆面图像中形成倒像,传感器3的输出信号连接到工控机4,工业相机5通过数据线连接到工控机4。
本发明实施例提供了一种基于彩色有源参照物的漆面缺陷检测方法,参见图2,应用于上述漆面缺陷检测系统的工控机,图2示出了本申请实施例一种基于彩色有源参照物的漆面缺陷检测方法的步骤流程图,方法包括:
S201:获取不同的待检测车身图像,并生成待检测图像集。
在本实施方式中,触发信号是指待检测的车辆在流水线导轨移动时,触发接近传感器所产生的信号,触发信号由近传感器发送给工控机,工控机在接收到触发信号,控制工业相机,以实现对待检测车身图像的采集,需要说明的是,待检测车身图像中为待检测的车辆的漆面图像,而根据光学成像原理,彩色有源参照物会在车辆的漆面图像中形成倒像。然后获取布设位置不同的工业相机在不同的时刻采集的待检测车身图像,从而生成待检测图像集。
在一种可行的实施方式中,彩色有源参照物的一侧的平面上并排平行设置有多条等宽度但颜色不同的发光带。
在本实施方式中,有源参照物是一种发光体,其具体的结构如图3所示。其一侧的平面上并排平行安装若干条等宽度的发光带。发光带的颜色不少于三种,而发光带的颜色设置数量和排布方式根据用户的设定来进行确定。所有色带按照固定的颜色顺序排列。发光带可以是但不限于如下形式:a,彩色LED柔性硅胶灯带阵列,如图4所示;b,在普通的白色面光源发光面上安装彩色滤光片,如图5所示;c,LCD等各种类型的显示器,如图6所示。
S202:对待检测图像集中的每一张待检测车身图像进行如下处理:对待检测车身图像进行预处理和多维二值化处理,获得待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值。
在本实施方式中,对于工业相机采集的每一张待检测车身图像,需要对其进行相应的图像预处理,其具体的过程为:将待检测车身图像按照事前标定的图像区域进行裁剪,标定区域即为需要检测范围,而对于标定区域外的像素点,将其换为透明像素点,然后将处理后的图像进行多维二值化处理,对于每一张RGB模式的图像,其至少包含R、G、B三种颜色的属性值,第四层属性数值是指除开R、G、B以外的属性值。其具体的步骤可以为:
S202-1:将待检测车身图像由RGB模式图像转换为lab模式图像,获得待检测车身图像的Lab三维数值。
在本实施方式中,Lab是由一个亮度通道(channel)和两个颜色通道组成的。在Lab颜色空间中,每个颜色用L、a、b三个数字表示,各个分量的含义是这样的代表亮度,a代表从绿色到红色的分量,b代表从蓝色到黄色的分量。
作为示例的,对于任意一个像素点A,其对应的RGB三维数值为(R,G, B),根据RGB三维数值与Lab三维数值转化公式,即可获得像素点A对应的Lab三维数值(L,X,Y),从而生成像素点A的Lab三维数值。
S202-2:将待检测车身图像由RGB模式图像转换为HSV模式图像,获得待检测车身图像的HS二维数值。
在本实施方式中,HSV即色相(Hue)、饱和度(Saturation)、亮度(Value)。
作为示例的,对于任意一个像素点A,其对应的RGB三维数值为(R,G, B),根据RGB三维数值与HSV三维数值转化公式,即可获得像素点A对应的HSV三维数值(h,s,v)。在本身中,只保留h和s两个数值,从而生成像素点A的HS二维数值。
S202-3:根据待检测车身图像的RGB三维数值、待检测车身图像的Lab 三维数值以及待检测车身图像的HS二维数值与预设阈值区间的大小关系,对初始值为零的第四层属性数值,进行逐个维度赋值。
在本实施方式中,预先对RGB数值,Lab数值以及HS数值进行阈值区间划分,划分之后的每个阈值区间即对应一个维度。在获得每个像素点的Lab 三维数值,HS二维数值以及RGB三维数值之后,需要根据每个像素点的Lab 三维数值,HS二维数值以及RGB三维数值与预设的阈值区间的对应关系,来确定对应的第四层属性数值。
其可以通过以下方式实现:分别去判断每个像素点各个通道的数值所处的阈值区间的等级,再判断所有的通道是否都处于相同的阈值区间等级,若所有的通道都处于相同的阈值区间等级,则将该阈值区间等级对应的幅值赋给该像素点,若所有的通道不是都处于相同的阈值区间等级,则根据各个通道所处的阈值区间等级,来确定像素点的第四层属性数值。
作为示例的,像素点A对应的Lab三维数值(L,X,Y),对应的RGB 三维数值为(R,G,B),对应的HS数值为(H,S),按照以下的逻辑来进行赋值。
需要说明的是,由于存在Lab三个通道,HS两个通道和RGB三个通道,因此总共存在八个通道,而对于每一个通道,分别为其设置多个阈值区间,例如:对于R通道来说,由于颜色值的取值范围是[0,255],而其设置的多个阈值区间可以为[0,10]为第一区间,[15,20]为第二区间,[25,30]为第三区间等等,对其他通道的阈值区间也是同理。
首先判断RGB三维数值(R,G,B)与预设的上限的大小关系,若:(RZ> R)&(GZ>G)&(BZ>B),对应第4层数值为0,其中RZ、GZ和BZ为预设数值上限。若不满足上述判断条件,则继续判断RGB三维数值(R,G,B), Lab三维数值(L,X,Y)以及HS数值为(H,S)与预设区间阈值的关系。
若(RH0>R>RL0)&(GH0>G>GL0)&(BH0>B>BL0)&(LH0>L>LL0)& (XH0>X>XL0)&(YH0>Y>YL0)&(HH0>H>HL0)&(SH0>S>SL0),对应第4 层数值为a;其中,RH0、RL0对应R通道的第一区间等级的上下限阈值,GH0、 GL0对应G通道的第一区间的上下限阈值,BH0、BL0对应B通道的第一区间的上下限阈值,LH0、LL0对应L通道的第一区间的上下限阈值,XH0、XL0对应L通道的第一区间的上下限阈值,YH0、YL0对应Y通道的第一区间的上下限阈值,HH0、HL0对应H通道的第一区间的上下限阈值,SH0、SL对应S通道的第一区间的上下限阈值。即若像素点的RGB三维数值(R,G,B)、Lab 三维数值(L,X,Y)以及HS数值为(H,S)等八个通道的数值均在各自预设的第一区间等级的上下限阈值内,则将对应第4层数值为a赋值给该像素点。
如果不满足第一区间等级的判定条件,则继续执行第二区间等级的判定, GH1、GL1对应G通道的第二区间的上下限阈值,BH1、BL1对应B通道的第二区间的上下限阈值,LH1、LL1对应L通道的第二区间的上下限阈值,XH1、XL1 对应L通道的第二区间的上下限阈值,YH1、YL1对应Y通道的第二区间的上下限阈值,HH1、HL1对应H通道的第二区间的上下限阈值,SH1、SL对应S 通道的第二区间的上下限阈值。即若像素点的RGB三维数值(R,G,B)、Lab三维数值(L,X,Y)以及HS数值为(H,S)等八个通道的数值均在各自预设的第二区间等级的上下限阈值内,则将对应第4层数值为b赋值给该像素点。
一直到第n个区间等级,若(RHn>R>RLn)&(GHn>G>GLn)&(BHn>B>BLn)& (LHn>L>LLn)&(XHn>X>XLn)&(YHn>Y>YLn)&(HHn>H>HLn)&(SHn>S>SLn),对应第n层数值为n,如果之前已经是非零数值,则直接对应数值为250,其中,GHn、GLn对应G通道的第N个区间的上下限阈值,BHn、BLn对应B通道的第N个区间的上下限阈值,LHn、LLn对应L通道的第N个区间的上下限阈值,XHn、XLn对应L通道的第N个区间的上下限阈值,YHn、YLn对应Y通道的第N个区间的上下限阈值,HHn、HLn对应H通道的第N个区间的上下限阈值,SHn、SL对应S通道的第N个区间的上下限阈值。
如果是其他情况,直接对应第4层数值为250,即则对于像素点A来说,只有满足其每个通道的数值都在相同的区间范围内,其对应第4层数值才能为该区间的对应的给定数值,而其他情况,其对应第4层数值为250。
S203:根据各个像素点的第四层属性数值,确定待检测车身图像中是否存在漆面缺陷。
在本实施方式中,在获得每一张待检测车身图像中各个像素点的第四层属性数值之后,则可以根据各个像素点的第四层属性数值去判断待检测车身图像中是否存在漆面缺陷,其具体的步骤可以为:
S203-1:根据各个像素点的第四层属性数值与彩色有源参照物的色号匹配关系,确定待检测车身图像中的单像素级别的漆面颜色缺陷。
在本实施方式中,单像素级别的漆面颜色缺陷的可以分为单像素尺度级别的漆面平整度异常缺陷和漆面颜色异常或表面粗糙度异常缺陷两种,而确定待检测车身图像中是否存在单像素级别的漆面颜色缺陷步骤可以包括:
S203-1-1:确定彩色有源参照物对应的各种纯色的极限梯度值。
在本实施方式中,确定彩色有源参照物对应的各种纯色的极限梯度值的步骤可以包括:
S203-1-1-1:遍历待检测车身图像的每一个像素点,确定混色像素点,并根据混色像素点的单侧相邻像素点,生成纯色像素行;
S203-1-1-2:从纯色像素行中选取两两相邻的同色像素对,计算同色像素对的欧式距离值;
S203-1-1-3:根据欧式距离值的计算结果,确定各种纯色的极限梯度值。
在S203-1-1-1至S203-1-1-3的实施方式中,混色像素点是指对于任意一个像素点,该像素点左右两侧相邻点的色号与该像素点的色号不同。若混色像素点的右侧有N个连续的像素点的色号都相同,则将混色像素点的右侧有N个连续的像素点截取出来,生成纯色像素行,或者是相反的情况,若混色像素点的左侧有N个连续的像素点的色号都相同,则将混色像素点的左侧有N个连续的像素点截取出来,生成纯色像素行,然后取纯色像素行中每一个两两相邻的同色像素点对,分别则计算其欧式距离值,并将这些结果都计入纯色像素行对应的纯色的离散度结果统计表。在完成遍历后,计算每种纯色的离散度结果统计表中,所有平均分布拟合结果的数学期望和标准差。最后以期望加三倍标准差,作为纯色像素行对的应纯色的极限梯度值。其中,欧氏距离的计算方法是,对于像素点A(R1,G1,B1)和B(R2,G2,B2),对应的欧氏距离值=((R1-R2)^2+(G1-G2)^2+(B1-B2)^2)^0.5。
S203-1-2:根据各个像素点的第四层属性数值,确定各个像素点的色号。
在本实施方式中,首先对车漆的颜色给出如下的定义:纯色像素点、色号:第四层数值为0、a、b……、n的像素点称为纯色像素点,具体的数值除以相应数值后是该像素点的颜色属性代号。简称色号,例如:0色、1色、 2色……、n色。需要说明的是,色号是与发光带的颜色匹配的。同色:同一个色号的两个像素点互为同色;异色:不同的两个色号互为异色;邻色:按照色带的排列规律,两个相邻色带的颜色互为邻色。需要注意的是0色和其他色号都存在邻色,并且对应0色在左侧和在右侧的两种情况。这是因为钣金开缝或者开孔区域可能位于色带的任何位置。间色:这两个色带之间的过渡区域内可能出现的第三色被称为这两个邻色的间色;混色:数值为250 的颜色称为n+1色或混色。
S203-1-3:遍历待检测车身图像的每一行像素点,确定待检测车身图像中的混色像素行。
在本实施方式中,在获得每个像素点的色号属性之后,以待检测车身图像的每一行像素点为单位进行遍历,查找待检测车身图像中的混色像素行,混色像素行是存在连续混色像素点的像素行。
作为示例的,若像素B、C、D为连续的混色像素点,则由B、C、D组成的像素行为混色像素行,并且混色像素行的左侧相邻的纯色像素点为A,右侧相邻的纯色像素点为E。
S203-1-4:根据混色像素行中的混色像素点与相邻纯色像素点的极限梯度值大小关系以及色号匹配关系,对混色像素行进行填色处理,并确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
在本实施方式中,继续以上述实施例进行说明,首先从混色像素点B开始,从左至右逐个,依次按照以下的逻辑进行判断,将进行判断的混色像素点定义为像素点o,o-1和o+1则代表像素点o的左侧相邻像素点和右侧相邻像素点。
首先,若o-1是空像素点或者o是本行第一个像素点,则直接跳出本次遍历,并进行下一次遍历。o-1是空像素点或者o是本行第一个像素点都说明o像素点都位于图像的最边缘。
然后,若像素点o-1是其他纯色像素点,则计算像素点o和像素点o-1 之间的欧氏距离值,存在下述多种情况:
情况1,如果小于o-1色号对应的极限梯度值,则将像素点o的色号修正为与像素点o-1相同。
情况2,如果大于等于o-1色号对应的极限梯度值。并且混色像素行的左侧相邻的纯色像素点A和右侧相邻的纯色像素点E是邻色或间色。则继续判断像素点o的趋势方向:即判断“混色像素行的右侧相邻的纯色像素点E 和像素点o”的欧式距离值小于“混色像素行的右侧相邻的纯色像素点E和像素o-1的欧式距离值”。并且“像素点o-1和像素点o”的欧式距离值小于“混色像素行的右侧相邻的纯色像素点E和o-1的欧式距离值”。
如果满足上述趋势方向判断条件,则认为像素点o是一个边缘同色像素点,所以退出本次遍历。同时将像素点o的色号修正为A的色号。
如果不满足上述趋势方向判断条件,则认为像素点o是一个边缘混色像素点,将同时将像素点o的色号修正为A的色号,并且将o标记为缺陷像素点,直接退出本次遍历。
情况3,如果大于等于像素点o-1色号对应的极限梯度值。并且A和E 不是邻色或间色。则将像素点o改为A的同色,并且将像素点o标注为缺陷像素点,同时退出本次遍历。
情况4,到达纯色像素点E或其他纯色像素点,则退出本次遍历。
第二层遍历,当跳出上述遍历之后,进入本次遍历。流程及条件与上述遍历相同,只不过改变遍历方向。也就是以o+1替代o-1,以A像素点与E 像素点互换,遍历方向改为从右到左。在完成上述两次遍历后,即完成了对混色像素点行的填色处理,遍历AB像素点区间,如果还有混色像素点,则直接判定为缺陷像素点,将这些像素点标记为缺陷1。缺陷1是指单像素尺度级别的漆面平整度异常缺陷,比如小半径漆点等漆面缺陷。
在一种可行的实施方式中,在完成对混色像素行的填色处理之后,再对待检测车身图像中无法进行填色处理的像素进行间色修正,其具体的步骤可以为:
遍历待检测车身图像的每一个目标像素点;
依次比较第一像素点和第二像素点的色号;
根据第一像素点和第二像素点的色号匹配关系,确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
在本实施方式中,遍历待检测车身图像,目标像素点是指每一个像素行中除去首尾像素点之外的中间段像素点,对应每一个目标像素点,第一像素点和第二像素点为目标像素点的左右相邻像素点,即目标像素点为o,则第一像素点和第二像素点则为o-1和o+1,然后根据像素点o-1和像素点o+1 的色号,执行下述的逻辑判断,确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
具体的判断逻辑可以为:首先判断像素点o-1和像素点o+1是否与像素点o属于相同的色号,如果是相同的色号,则跳过该像素o。
如果像素点o-1和像素点o+1的属于相同的色号,但是与像素点o的色号不相同,则将该像素o的色号改为像素点o+1的色号,同时将该像素标注为缺陷1。
如果像素点o是像素点o-1和某纯色(A色)的间色。则判断像素点o+1 是否为A色或者与像素点o同色,如果不是,则将o像素标注为缺陷1。
如果o+1是像素点o的同色,则继续识别o+2是否为A色或者与o同色,以此类推。直到出现o+n是与A同色的像素点,则取o到o+n-1这n个像素做分色修正处理。同时如果n大于数量阈值,则将o像素标记为缺陷2,缺陷2是单像素级别的漆面颜色缺陷中的漆面颜色异常或表面粗糙度异常缺陷,比如漆色偏色或打磨划伤等。
S203-2:根据各个像素点的第四层属性数值,确定目标数组,并根据目标数组确定待检测车身图像中的多像素级别的漆面尺寸缺陷。
在本实施方式中,对于漆面尺寸缺陷的判断,只保留图像的第四层属性数值,根据配置信息确定旋转角度,对待检测车身图像进行旋转,然后进行数列抽取和缺陷铺判断,其具体的步骤可以为:
S203-2-1:根据待检测车身图像中各个像素行的第四层属性数值,生成对应的初始数组。
在实施方式中,将待检测车身图像中的每一像素行,抽取成一个初始数组F,初始数组F是一维矩阵,一维矩阵中的每个元素即对各个像素行的第四层属性数值。
S203-2-2:遍历初始数组,根据初始数组中数值的变化关系,生成各个像素行对应的目标数组。
在实施方式中,根据初始数组数值的变化关系,确定各个像素行对应的目标数组的步骤可以为
S203-2-2-1:遍历初始数组的所有数组元素;
S203-2-2-3:依次比较第一数组元素对应的第一数值和第二数组元素对应的第二数值是否相同,其中,第一数组元素和第二数组元素为任意相邻的数组元素;
S203-2-2-4:在第一数值与第二数值不同的情况下,将第二数值作为目标数组的第一维数据,并将第二数组元素在初始数组中的位数作为目标数组的第二维数据;其中,第一维数据和第二维数据构成目标数组。
在S203-2-2-1至S203-2-2-4的实施方式中,遍历初始数组F,对于初始数组F中的每一个数组元素,通过比较与其相邻的数组元素的数值大小关系,来确定目标数组中的数值。首先,若第一数组元素对应的第一数值和第二数组元素对应的第二数值相同,则进行忽略。每遇到数值发生变化,就将变化后的数值作为二维数组的第一维数据,同时将该数组元素在初始数组F中的位数作为二维数组的第二维数存入数组,得到目标数组E。
S203-2-3:根据目标数组中数值的大小变化趋势以及像素点数量,与预设阈值的大小关系,确定待检测车身图像中的多像素级别的漆面尺寸缺陷的类型。
在本实施方式中,多像素级别的漆面尺寸缺陷的类型包括漆面平缓起伏异常缺陷、漆面中度曲率异常缺陷以及漆面大曲率异常缺陷三种类型,对于缺陷判定,首先对数组目标数组各个相邻的间隔像素点数做大小排序,当最大数除以最小数的倍数大于第一预设阈值时,确定漆面尺寸缺陷的类型为缺陷3,缺陷3是漆面平缓起伏异常缺陷,比如漆面流挂。当连续出现减小的次数大于第二预设阈值时,确定漆面尺寸缺陷的类型为缺陷4,缺陷4是漆面中度曲率异常缺陷,比如钣金变形。当初始数组E减小的幅度超过第三预设阈值或者增大的幅度超过第四预设阈值时,并且第一像素点和第二像素点对应的像素个数要求时,确定漆面尺寸缺陷的类型为缺陷5,缺陷5是漆面大曲率异常缺陷,比如漆面流漆。
S204:在确定待检测车身图像中存在漆面缺陷的情况下,根据待检测车身图像的拍摄时间以及拍摄待检测车身图像的图像采集设备的布设位置,确定车身的漆面缺陷位置。
在本实施方式中,当确定出待检测车身图像中存在漆面缺陷之后,根据拍摄该图像的工业相机的位置和拍摄的时间,即可确定出车辆的漆面存在缺陷的具体位置,并输出车身该位置存在缺陷的检测结果。
在本申请中,采用新型有源参照物的彩虹条状图案纹理设计,相对于普通的面型光源或普通条纹状有源参照物等,具有更为丰富的纹理,能够充分利用颜色信息参与调制,并且保证了结构的对称性。相当于对于检测区域的采样带宽更大,处理同样多的图像信息,能够获得更多的有效检测信息。因此能够降低系统对图像采集设备及数据处理设备的数量或性能的需求。也就是具有更低的硬件成本和更高的系统可靠性。并且基于同等灰阶条件下彩色信息对信息维度的扩充,能够提升度量缺陷严重程度的参数动态范围。也就是提高了缺陷检测的精度和灵敏度。基于结构光的对称性特征,能够大幅消减缺陷的成像盲区范围。降低了漏检概率。并且基于色域空间的三维属性,能够保证在硬件系统不做自适应调整的前提下,兼容对不同漆色的检测效果。也就是克服了不同漆色对检测效能的影响。基于识别缺陷区域内不同成像点所属颜色的色域空间坐标值,可实现对成像点曲率参数的重建。相对应的是能够使系统具备对细微缺陷的识别能力。实现对细微缺陷的检测,并且更容易实现对缺陷程度的量化评估。
本发明实施例还提供了一种基于彩色有源参照物的漆面缺陷检测装置,参照图7,示出了本发明一种基于彩色有源参照物的漆面缺陷检测装置的功能模块图,该装置可以包括以下模块:
采集模块701,用于获取不同的待检测车身图像,并生成待检测图像集,其中,待检测车身图像包含彩色有源参照物倒像;
图像处理模块702,用于对待检测图像集中的每一张待检测车身图像进行如下处理:对待检测车身图像进行预处理和多维二值化处理,获得待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值;
缺陷判断模块703,用于根据各个像素点的第四层属性数值,确定待检测车身图像中是否存在漆面缺陷;
缺陷位置确定模块704,用于在确定待检测车身图像中存在漆面缺陷的情况下,根据待检测车身图像的拍摄时间以及拍摄待检测车身图像的图像采集设备的布设位置,确定车身的漆面缺陷位置。
在一种可行的实施方式中,图像处理模块包括:
第一处理子模块,用于将待检测车身图像由RGB模式图像转换为lab模式图像,获得待检测车身图像的Lab三维数值;
第二处理子模块,用于将待检测车身图像由RGB模式图像转换为HSV模式图像,获得待检测车身图像的HS二维数值;
赋值子模块,用于根据待检测车身图像的RGB三维数值、待检测车身图像的Lab三维数值以及待检测车身图像的HS二维数值与预设阈值区间的大小关系,对初始值为零的第四层属性数值,进行逐个维度赋值。
在一种可行的实施方式中,缺陷类型确定模块包括:
第一缺陷类型确定子模块,用于根据各个像素点的第四层属性数值与彩色有源参照物的色号匹配关系,确定待检测车身图像中的单像素级别的漆面颜色缺陷;
第二缺陷类型确定子模块,用于根据各个像素点的第四层属性数值,确定目标数组,并根据目标数组确定待检测车身图像中的多像素级别的漆面尺寸缺陷。
在一种可行的实施方式中,第一缺陷类型确定子模块包括:
极限梯度值确定单元,用于根据确定彩色有源参照物对应的各种纯色的极限梯度值;
色号确定单元,用于根据各个像素点的第四层属性数值,确定各个像素点的色号;
混色像素行确定单元,用于遍历待检测车身图像的每一行像素点,确定待检测车身图像中的混色像素行;
第一缺陷类型确定单元,用于根据混色像素行中的混色像素点与相邻纯色像素点的极限梯度值大小关系以及色号匹配关系,对混色像素行进行填色处理,并确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
在一种可行的实施方式中,极限梯度值确定单元包括:
纯色像素行确定子单元,用于遍历待检测车身图像的每一个像素点,确定混色像素点,并根据混色像素点的单侧相邻像素点,生成纯色像素行;
第一计算子单元,用于从纯色像素行中选取两两相邻的同色像素对,计算同色像素对的欧式距离值;
第二计算子单元,用于根据欧式距离值的计算结果,确定各种纯色的极限梯度值。
在一种可行的实施方式中,第一缺陷类型确定子模块还包括:
查找单元,用于遍历待检测车身图像的每一个目标像素点;
比较单元,用于依次比较第一像素点和第二像素点的色号,其中,第一像素点和第二像素点为目标像素点的左右相邻像素点;
第二缺陷类型确定单元,用于根据第一像素点和第二像素点的色号匹配关系,确定待检测车身图像中单像素级别的漆面颜色缺陷的类型。
在一种可行的实施方式中,第二缺陷类型确定子模块包括:
初始数组确定单元,用于根据待检测车身图像中各个像素行的第四层属性数值,生成对应的初始数组;
目标数组确定单元,用于遍历初始数组,根据初始数组中数值的变化关系,生成各个像素行对应的目标数组;
多像素级别的漆面尺寸缺陷判断单元,用于根据目标数组中数值的大小变化趋势以及像素点数量,与预设阈值的大小关系,确定待检测车身图像中的多像素级别的漆面尺寸缺陷的类型。
可选地,目标数组确定单元包括:
数组元素单元,用于遍历初始数组的所有数组元素;
比较子单元,用于依次比较第一数组元素对应的第一数值和第二数组元素对应的第二数值是否相同,其中,第一数组元素和第二数组元素为任意相邻的数组元素;
数组生成子单元,用于在第一数值与第二数值不同的情况下,将第二数值作为目标数组的第一维数据,并将第二数组元素在初始数组中的位数作为目标数组的第二维数据;其中,第一维数据和第二维数据构成目标数组。
基于同一发明构思,在本发明提供的又一实施例中,本发明实施例提出一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现本发明实施例第一方面提出的基于彩色有源参照物的漆面缺陷检测方法。
基于同一发明构思,本发明另一实施例提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现本发明的实施例第一方面或本发明实施例第二方面提出的基于彩色有源参照物的漆面缺陷检测方法。
上述终端提到的通信总线可以是外设部件互联标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述终端与其他设备之间的通信。存储器可以包括随机存取存储器(Random AccessMemory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储系统。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用车辆(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生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系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端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终端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。
最后,还需要说明的是,在本文中,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。“和/或”表示可以选择两者之中的任意一个,也可以两者都选择。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地包含,从而使得包括一系列要素的过程、方法、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种基于彩色有源参照物的漆面缺陷检测方法、装置及介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于彩色有源参照物的漆面缺陷检测方法,其特征在于,所述方法包括:
获取不同的待检测车身图像,并生成待检测图像集,其中,所述待检测车身图像包含彩色有源参照物倒像;
对所述待检测图像集中的每一张待检测车身图像进行如下处理:对所述待检测车身图像进行预处理和多维二值化处理,获得所述待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值;
根据所述各个像素点的第四层属性数值,确定所述待检测车身图像中是否存在漆面缺陷;
在确定所述待检测车身图像中存在漆面缺陷的情况下,根据所述待检测车身图像的拍摄时间以及拍摄所述待检测车身图像的图像采集设备的布设位置,确定车身的漆面缺陷位置。
2.根据权利要求1所述的基于彩色有源参照物的漆面缺陷检测方法,其特征在于,对所述待检测车身图像进行预处理和多维二值化处理,获得所述待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值的步骤包括:
将所述待检测车身图像由RGB模式图像转换为lab模式图像,获得所述待检测车身图像的Lab三维数值;
将所述待检测车身图像由RGB模式图像转换为HSV模式图像,获得所述待检测车身图像的HS二维数值;
根据所述待检测车身图像的RGB三维数值、所述待检测车身图像的Lab三维数值以及所述待检测车身图像的HS二维数值与预设阈值区间的大小关系,对初始值为零的所述第四层属性数值,进行逐个维度赋值。
3.根据权利要求1所述的基于彩色有源参照物的漆面缺陷检测方法,其特征在于,根据所述各个像素点的第四层属性数值,确定所述待检测车身图像中是否存在漆面缺陷步骤包括:
根据所述各个像素点的第四层属性数值与所述彩色有源参照物的色号匹配关系,确定所述待检测车身图像中的单像素级别的漆面颜色缺陷;
根据所述各个像素点的第四层属性数值,确定目标数组,并根据所述目标数组确定所述待检测车身图像中的多像素级别的漆面尺寸缺陷。
4.根据权利要求3所述的基于彩色有源参照物的漆面缺陷检测方法,其特征在于,根据所述各个像素点的第四层属性数值与所述彩色有源参照物的色号匹配关系,确定所述待检测车身图像中的单像素级别的漆面颜色缺陷的步骤包括:
确定所述彩色有源参照物对应的各种纯色的极限梯度值;
根据所述各个像素点的第四层属性数值,确定所述各个像素点的色号;
遍历所述待检测车身图像的每一行像素点,确定所述待检测车身图像中的混色像素行;
根据所述混色像素行中的混色像素点与相邻纯色像素点的极限梯度值大小关系以及色号匹配关系,对所述混色像素行进行填色处理,并确定所述待检测车身图像中单像素级别的漆面颜色缺陷的类型。
5.根据权利要求4所述的基于彩色有源参照物的漆面缺陷检测方法,其特征在于,确定所述彩色有源参照物对应的各种纯色的极限梯度值的步骤包括:
遍历所述待检测车身图像的每一个像素点,确定所述混色像素点,并根据所述混色像素点的单侧相邻像素点,生成纯色像素行;
从所述纯色像素行中选取两两相邻的同色像素对,计算所述同色像素对的欧式距离值;
根据所述欧式距离值的计算结果,确定所述各种纯色的极限梯度值。
6.根据权利要求4所述的基于彩色有源参照物的漆面缺陷检测方法,其特征在于,在对所述混色像素行进行填色处理的步骤之后,所述方法还包括:
遍历所述待检测车身图像的每一个目标像素点;
依次比较第一像素点和第二像素点的色号,其中,所述第一像素点和所述第二像素点为所述目标像素点的左右相邻像素点;
根据所述第一像素点和所述第二像素点的色号匹配关系,确定所述待检测车身图像中单像素级别的漆面颜色缺陷的类型。
7.根据权利要3所述的基于彩色有源参照物的漆面缺陷检测方法,其特征在于,根据所述各个像素点的第四层属性数值,确定目标数组,并根据所述目标数组确定所述待检测车身图像中的多像素级别的漆面尺寸缺陷的步骤包括:
根据所述待检测车身图像中各个像素行的第四层属性数值,生成对应的初始数组;
遍历所述初始数组,根据所述初始数组中数值的变化关系,生成所述各个像素行对应的所述目标数组;
根据所述目标数组中数值的大小变化趋势以及像素点数量,与预设阈值的大小关系,确定所述待检测车身图像中的多像素级别的漆面尺寸缺陷的类型。
8.根据权利要求7所述的基于彩色有源参照物的漆面缺陷检测方法,其特征在于,遍历所述初始数组,根据所述初始数组中数值的变化关系,生成所述各个像素行对应的所述目标数组的步骤包括:
遍历所述初始数组的所有数组元素;
依次比较第一数组元素对应的第一数值和第二数组元素对应的第二数值是否相同,其中,所述第一数组元素和所述第二数组元素为任意相邻的数组元素;
在所述第一数值与所述第二数值不同的情况下,将第二数值作为所述目标数组的第一维数据,并将所述第二数组元素在所述初始数组中的位数作为所述目标数组的第二维数据;其中,第一维数据和第二维数据构成所述目标数组。
9.一种基于彩色有源参照物的漆面缺陷检测装置,其特征在于,所述装置包括:
采集模块,用于获取不同的待检测车身图像,并生成待检测图像集,其中,所述待检测车身图像包含彩色有源参照物倒像;
图像处理模块,用于对所述待检测图像集中的每一张待检测车身图像,进行预处理和多维二值化处理,获得所述待检测车身图像中各个像素点除RGB三层灰度数据之外的第四层属性数值;
缺陷判断模块,用于根据所述各个像素点的第四层属性数值,确定所述待检测车身图像中是否存在漆面缺陷;
缺陷位置确定模块,用于在确定所述待检测车身图像中存在漆面缺陷的情况下,根据所述待检测车身图像的拍摄时间以及拍摄所述待检测车身图像的图像采集设备的布设位置,确定车身的漆面缺陷位置。
10.一种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1-8中任意一项所述的基于彩色有源参照物的漆面缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316622.6A CN115760704A (zh) | 2022-10-26 | 2022-10-26 | 基于彩色有源参照物的漆面缺陷检测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316622.6A CN115760704A (zh) | 2022-10-26 | 2022-10-26 | 基于彩色有源参照物的漆面缺陷检测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760704A true CN115760704A (zh) | 2023-03-07 |
Family
ID=85353278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211316622.6A Pending CN115760704A (zh) | 2022-10-26 | 2022-10-26 | 基于彩色有源参照物的漆面缺陷检测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760704A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168259A (zh) * | 2023-04-26 | 2023-05-26 | 厦门微图软件科技有限公司 | 一种应用于oled点灯系统的自动缺陷分类算法 |
CN116402789A (zh) * | 2023-03-30 | 2023-07-07 | 开思时代科技(深圳)有限公司 | 车辆喷漆需求数据分析方法及系统 |
-
2022
- 2022-10-26 CN CN202211316622.6A patent/CN115760704A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402789A (zh) * | 2023-03-30 | 2023-07-07 | 开思时代科技(深圳)有限公司 | 车辆喷漆需求数据分析方法及系统 |
CN116402789B (zh) * | 2023-03-30 | 2023-11-28 | 开思时代科技(深圳)有限公司 | 车辆喷漆需求数据分析方法及系统 |
CN116168259A (zh) * | 2023-04-26 | 2023-05-26 | 厦门微图软件科技有限公司 | 一种应用于oled点灯系统的自动缺陷分类算法 |
CN116168259B (zh) * | 2023-04-26 | 2023-08-08 | 厦门微图软件科技有限公司 | 一种应用于oled点灯系统的自动缺陷分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115760704A (zh) | 基于彩色有源参照物的漆面缺陷检测方法、装置及介质 | |
US8428334B2 (en) | Inspection System | |
CN101304485B (zh) | 一种坏点补偿的方法及装置 | |
DE102015210440A1 (de) | Bildprüfvorrichtung, Bildprüfverfahren, Bildprüfprogramm, computerlesbares Aufzeichnungsmedium und Aufzeichnungseinrichtung | |
JP2011196685A (ja) | 欠陥検出装置、欠陥修復装置、表示パネル、表示装置、欠陥検出方法、プログラム | |
EP3300060B1 (en) | Image display method and display device | |
US20210271122A1 (en) | Detection method and device of display panel and automatic optic inspection apparatus | |
CN114299070B (zh) | 一种显示屏mura缺陷的检测方法及相关装置 | |
CN103369265A (zh) | 像素信息管理装置及使用该管理装置的图像拍摄装置 | |
CN115917595A (zh) | 表面缺陷检测系统 | |
CN114745510B (zh) | 一种用于目标图像采集的led光源自动校准方法及系统 | |
CN113873229A (zh) | 一种图像坏点检测方法、系统及装置 | |
US10847079B2 (en) | Method of driving display panel and driving device | |
WO2023108545A1 (en) | Method for constructing defect detection model of micro led array panel, apparatures for dectectig pixel defect and devices | |
CN110740314A (zh) | 彩色线阵相机坏点校正方法及系统 | |
KR101409568B1 (ko) | 표시패널 검사장치 및 그 검사방법 | |
CN115602093A (zh) | 基于白色画面进行Demura补偿的方法、系统和设备 | |
CN103558702B (zh) | 彩膜基板的检测方法和检测装置 | |
CN110288662B (zh) | 显示器检测方法与系统 | |
JP2014032073A (ja) | パターン形成物の検査エリア設定方法および検査装置 | |
CN111798442B (zh) | 一种白度测量方法及白度测量中的参数标定方法 | |
CN110517231B (zh) | 屏体显示边缘的检测方法和装置 | |
CN116777910B (zh) | 显示屏子像素亮度提取精度评估方法、系统及电子设备 | |
CN117392930B (zh) | 一种基于CIEXYZ数据进行高效Demura处理的方法和系统 | |
CN111325707B (zh) | 一种图像处理方法和系统、检测方法和系统 |
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 |