CN115880228A - 多缺陷合并方法、装置、计算机设备及存储介质 - Google Patents
多缺陷合并方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115880228A CN115880228A CN202211430460.9A CN202211430460A CN115880228A CN 115880228 A CN115880228 A CN 115880228A CN 202211430460 A CN202211430460 A CN 202211430460A CN 115880228 A CN115880228 A CN 115880228A
- Authority
- CN
- China
- Prior art keywords
- defect
- merging
- initial
- target
- distance
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及缺陷检测技术领域,具体而言,涉及一种多缺陷合并方法、装置、计算机设备及存储介质,一定程度上可以解决多缺陷合并处理效率低的问题。待检测图像的各初始候选缺陷区域根据预设缺陷规则,实现初始相邻距离数据的确定;基于初始相邻距离数据和预设组距,可确定相邻距离直方图;基于相邻距离直方图,可确定目标相邻距离数据;进一步,根据目标相邻距离数据的各目标相邻距离值构建结构元,初始候选缺陷区域通过结构元的形态学膨胀,可确定目标候选缺陷区域;基于各目标候选缺陷区域的连通性合并,可实现多缺陷合并区域的确定;通过直方图分析缩减数据量,以及膨胀后的目标候选缺陷区域实现多缺陷区域的合并,改善多缺陷合并的处理效率。
Description
技术领域
本申请涉及缺陷检测技术领域,具体而言,涉及一种多缺陷合并方法、装置、计算机设备及存储介质。
背景技术
在工业缺陷检测领域,缺陷可从数量上划分为单缺陷和多缺陷;其中,单缺陷为单个区域满足特征规格后会被检出为缺陷,多缺陷为一定相邻距离内,存在符合特征规格的多个缺陷。图1示出了一种缺陷检测图像,如图1所示,A处是多缺陷、B处是单缺陷,B处与A处相邻距离太大,因此B处不能和A处的缺陷合并成多缺陷。
在工业缺陷检测应用中,主要通过遍历各候选缺陷区域,确定各候选缺陷区域与其他所有候选缺陷区域之间的距离,将距离小于预设相邻距离的其他候选缺陷区域与该候选缺陷区域合并到一起,形成多缺陷。
然而,上述多缺陷合并的过程是一种穷举遍历,导致多缺陷合并的处理效率低。
发明内容
为了解决相关多缺陷合并处理效率低的问题,本申请提供了一种多缺陷合并方法、装置、计算机设备及存储介质。
本申请的实施例是这样实现的:
本申请实施例的第一方面提供一种多缺陷合并方法,包括如下步骤:
确定初始相邻距离数据,初始相邻距离数据是从待检测图像的各初始候选缺陷区域根据预设缺陷规则确定的;
基于初始相邻距离数据和预设组距,确定相邻距离直方图;
基于相邻距离直方图,确定目标相邻距离数据;
基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域,其中,目标候选缺陷区域是初始候选缺陷区域通过结构元的形态学膨胀确定的,结构元是根据目标相邻距离数据的各目标相邻距离值构建的。
本申请实施例的第二方面提供一种多缺陷合并装置,包括获取模块、数据更新模块和合并模块;
获取模块,用于确定初始相邻距离数据,初始相邻距离数据是从待检测图像的各初始候选缺陷区域根据预设缺陷规则确定的;
数据更新模块,用于基于初始相邻距离数据和预设组距,确定相邻距离直方图;还用于基于相邻距离直方图,确定目标相邻距离数据;
合并模块,用于基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域,其中,目标候选缺陷区域是初始候选缺陷区域通过结构元的形态学膨胀确定的,结构元是根据目标相邻距离数据的各目标相邻距离值构建的。
本申请实施例的第三方面提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现发明内容第一方面的多缺陷合并方法的步骤。
本申请实施例的第四方面提供一种计算机存储介质,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,使得处理器执行发明内容第一方面的多缺陷合并方法的步骤。
本申请的有益效果;待检测图像的各初始候选缺陷区域根据预设缺陷规则,实现初始相邻距离数据的确定;基于初始相邻距离数据和预设组距,可确定相邻距离直方图;基于相邻距离直方图,可确定目标相邻距离数据;进一步,根据目标相邻距离数据的各目标相邻距离值构建结构元,初始候选缺陷区域通过结构元的形态学膨胀,可确定目标候选缺陷区域;基于各目标候选缺陷区域的连通性合并,可实现多缺陷合并区域的确定;通过直方图分析各初始相邻距离,更新后的目标相邻距离的缩减数据量,并通过膨胀后的目标候选缺陷区域,实现多缺陷区域的合并,改善多缺陷合并的处理效率。
附图说明
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一简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1示出了一种缺陷检测图像;
图2示出了本申请实施例提供一种多缺陷合并方法的流程示意图;
图3示出了本申请实施例提供相邻距离直方图确定的流程示意图;
图4示出了本申请实施例提供目标相邻距离数据确定的流程示意图;
图5示出了本申请实施例提供另一种多缺陷合并方法的流程示意图;
图6示出了本申请实施例提供多缺陷合并区域确定的流程示意图;
图7示出了本申请实施例提供另一种多缺陷合并方法的流程示意图;
图8示出了本申请实施例提供另一种多缺陷合并方法的流程示意图;
图9示出了本申请实施例提供的一种多缺陷合并装置的结构示意图。
具体实施方式
为使本申请的目的、实施方式和优点更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施方式进行清楚、完整地描述,显然,所描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语″第一″、″第二″、″第三″等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语″包括”和″具有″以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
在工业缺陷检测领域,缺陷的种类包括但不限于点类缺陷、线类缺陷;对于不同的检测需求,其检测特征也不同,根据缺陷的形态、数量等方面需要不同的特征组合来实现对缺陷的检测;其中,特征包括单不限于:面积、长度、宽度、对比度、长宽比、角度、弯曲度、圆度、数量、相邻距离等特征的不同组合。
如图1所示,点类缺陷存在单缺陷和多缺陷,同样,对于线类缺陷也同样适用。不同缺陷在多缺陷判定时,对相邻距离的要求不同;每种不同的缺陷检测,都设有独立的相邻距离数据;例如:A缺陷,需判断相邻距离50像素内是否存在3个尺寸为100像素大小的斑点;B缺陷,需判断相邻距离80像素内是否存在5条长度为50像素的划伤;等等。不同的缺陷统计出的相邻距离中存在重复或者相近的相邻距离。
在工业缺陷检测应用中,穷举遍历的过程,各个相邻距离单独处理,若存在不同的相邻距离通过嵌套的方式遍历,导致多缺陷处理效率低,无法满足工业设备对缺陷检测实时性的要求。
为了解决多缺陷处理效率低的问题,本申请实施例提供一种多缺陷合并方法、装置、计算机设备及存储介质,待检测图像的各初始候选缺陷区域根据预设缺陷规则,实现初始相邻距离数据的确定;基于初始相邻距离数据和预设组距,可确定相邻距离直方图;基于相邻距离直方图,可确定目标相邻距离数据;进一步,根据目标相邻距离数据的各目标相邻距离值构建结构元,初始候选缺陷区域通过结构元的形态学膨胀,可确定目标候选缺陷区域;基于各目标候选缺陷区域的连通性合并,可实现多缺陷合并区域的确定;通过直方图分析各初始相邻距离,更新后的目标相邻距离的缩减数据量,并通过膨胀后的目标候选缺陷区域,实现多缺陷区域的合并,改善多缺陷合并的处理效率。
以下结合附图对本申请实施例的多缺陷合并方法、装置、计算机设备及存储介质进行详细说明。
图2示出了本申请实施例提供一种多缺陷合并方法的流程示意图,如图2所示,本申请实施例提供一种多缺陷合并方法。
该多缺陷合并方法包括以下步骤:
S110、确定初始相邻距离数据,初始相邻距离数据是从待检测图像的各初始候选缺陷区域根据预设缺陷规则确定的。
对于待检测图像通过缺陷提取算法,提取初始候选缺陷区域,由于缺陷得种类、形态、亮暗极性、所处的图像位置、图像背景等因素的不同,对应的缺陷提取算法也是多种多样的,缺陷提取算法包括但不限于:固定阈值提取算法、动态阈值提取算法、边缘梯度提取算法、弱对比度缺陷提取算法、深度学习分割算法等,对此本申请实施例不做限定。
其中,质检规格针对不同的缺陷,提出相对应的检出要求,其中,不同的缺陷对相邻距离的要求不同,也就是说,每种缺陷的检出规则都有独立的相邻距离数据。例如:C缺陷,需判断相邻距离80像素内是否存在4个尺寸为100像素大小的斑点;D缺陷,需判断相邻距离100像素内是否存在3条长度为60像素的划伤等。
对每种缺陷通过预设缺陷规则,可确定对应初始相邻距离数据;在初始相邻距离数据中,可能存在重复的数据,也可能存在相互之间差值小的数据。若直接遍历处理,会导致重复处理,因此,可通过构建直方图对初始相邻距离数据进一步缩减,减少数据量。
S120、基于初始相邻距离数据和预设组距,确定相邻距离直方图。
直方图(Histogram),又称质量分布图,是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况,一般用横轴表示数据分组,纵轴表示分布情况。
通过确定相邻距离直方图,可以将重复的数据整合;还可以设置直方图的预设组距,将初始相邻距离数据中不同数据之间差值较小的数据通过预设组距进行聚类。
预设组距可以是1,也可以不是1。当预设组距为1时,不会进行聚类;当预设组距不为1时,初始相邻距离数据中不同的数据差值在预设组距之内的可以聚类,可有效减少需要计算的初始相邻距离数据的数量,例如,预设组距是3,相当于不同的初始相邻距离数据差值在3之内的可以聚类,例如,初始相邻距离数据中包括L-1、L、L+1,通过预设组距聚类后,只存在L。
图3示出了本申请实施例提供相邻距离直方图确定的流程示意图,如图3所示,步骤120基于初始相邻距离数据和预设组距,确定相邻距离直方图,包括如下步骤:
S201、基于初始相邻距离数据中的最大相邻距离值和最小相邻距离值的差值,确定初始相邻距离数据的最大距离间隔。
确定初始相邻距离数据中的最大相邻距离值和最小相邻距离值,判定最大相邻距离值和最小相邻距离值是否相等。
若最大相邻距离值和最小相邻距离值相等,则初始相邻距离数据中只存在一种初始相邻距离,此时,直方图的容量为1,后续过程中也仅以一种初始相邻距离的情况考虑。
若最大相邻距离值和最小相邻距离值不相等,确定初始相邻距离数据中的最大相邻距离值和最小相邻距离值的差值,也即是说初始相邻距离数据的最大间隔,该最大间隔(最大相邻距离值和最小相邻距离值的差值)可通过下式计算获得:
D=dmax-dmin
式中,D为最大间隔,dmax为初始相邻距离数据中的最大相邻距离值,dmin为初始相邻距离数据中的最小相邻距离值。
例如,初始相邻距离数据中的最大相邻距离值是100,最小相邻距离值是38,则最大间隔(最大相邻距离值和最小相邻距离值的差值)为62。
S202、基于最大距离间隔和预设组距,确定相邻距离直方图的容量。
相邻距离直方图的容量可通过下式计算获得:
Hn=ceil(D/L)+1
式中,Hn为相邻距离直方图的容量,L为预设组距,ceil为大于或者等于指定表达式的最小整数。
例如,预设组距为5,相邻距离直方图的容量是ceil(62/5)=13。
S203、基于初始相邻距离数据、预设组距和相邻距离直方图的容量,确定相邻距离直方图。
通过对于初始相邻距离数据中的各初始相邻距离值可通过下式,计算其属于相邻距离直方图的哪个横坐标:
Xk=ceil((dk-dmin)/L)
式中,Xk为初始相邻距离数据中的初始相邻距离值dk对应的横坐标。
根据各Xk确定相邻距离直方图,也就是说,当根据各Xk将相邻距离直方图对应横坐标的数据更新,对横坐标数据的更新,可通过下式计算获得:
例如,初始相邻距离数据中的第一个初始相邻距离值为45,确定其对应的横坐标为ceil((45-38)/5)=2,也就是说,初始相邻距离值45在相邻距离直方图中属于第二个横坐标对应的数据,此时,将该数据从0累加1,变为1,实现对该数据的更新。
通过上述过程统计出相邻距离直方图,相邻距离直方图可以表达成一个列表形式,例如,通过上述过程后确定的相邻距离直方图H=[1,2,2,3,0,1,0,0,0,1,0,0,0,1],列表从最小的横坐标到最大的横坐标进行排列。
如图2所示,还包括:S130、基于相邻距离直方图,确定目标相邻距离数据。
通过相邻距离直方图中有效元素,还原出的相邻距离值,则可以构成目标相邻距离数据,这里的有效元素,是指相邻距离直方图中纵坐标不为0的数据,且与该数据的大小无关。
图4示出了本申请实施例提供目标相邻距离数据确定的流程示意图,如图4所示,步骤130基于初始相邻距离数据和预设组距,确定相邻距离直方图,包括如下步骤:
S301、基于相邻距离直方图中各有效元素的索引值、预设组距和初始相邻距离数据中的小相邻距离值,确定目标相邻距离值;其中,有效元素为非零元素。
相邻距离直方图中各有效元素的索引值是可以理解为相邻距离直方图对应列表中各有效元素的索引值。
目标相邻距离值可通过下式计算获得:
d′k=Mk×L+dmin
式中,d′k为目标相邻距离值,L为预设组距,Mk为相邻距离直方图中有效元素的索引值,L为预设组距。
需要注意的是,相邻距离直方图中有效元素的索引值根据索引数据的一般习惯是从0开始的,对于上述例子中的相邻距离直方图H=[1,2,2,3,0,1,0,0,0,1,0,0,0,1],其对应的索引值包括0、1、2、3、5、9、13。
例如,对于第一个索引值0,确定的目标相邻距离值为38=0*5+38,对于第二个索引值1,确定的目标相邻距离值为43=1*5+38。
S302、基于各目标相邻距离值,确定目标相邻距离数据。
通过步骤120和步骤130,得到缩减数量、聚类后的目标相邻距离数据,目标相邻距离数据相对于初始相邻距离数据减少了数量。
图5示出了本申请实施例提供另一种多缺陷合并方法的流程示意图,如图5所示,在步骤140之前,包括如下步骤:
S131、基于预设缺陷规则,确定各初始候选缺陷区域的候选缺陷特征值映射表。
对于各初始候选缺陷区域,其中的特征是不变的,因此,在后续的合并过程中,无需重复计算各初始候选缺陷区域的特征。
为了便于在后续合并后,可以清楚的掌握各多缺陷合并区域的特征,根据预设缺陷规则,确定各初始候选缺陷区域的候选缺陷特征值映射表。
缺陷的特征包括但不限于:面积、对比度、长度、宽度、长宽比、圆度、弯曲度等。在确定各初始候选缺陷区域的特征后,可根据各初始候选缺陷区域的次序,建立候选缺陷特征值映射表。
例如,存在10个初始候选缺陷区域(A1,A2,…,A10),各初始候选缺陷区域顺序是固定的。以初始候选缺陷区域A1为例,确定其面积、对比度、长度等特征值,其他初始候选缺陷区域依次类推,由此构建了一个候选缺陷特征值映射表。当后续判定特征规则时,只需索引值,就可以在候选缺陷特征值映射表中查询对应的初始候选缺陷区域的特征值,减各种区域特征的重复处理。
如图2所示,还包括:S140、基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域,其中,目标候选缺陷区域是初始候选缺陷区域通过结构元的形态学膨胀确定的,结构元是根据目标相邻距离数据的各目标相邻距离值构建的。
考虑到目标候选缺陷区域的局部信息,通过连通性特征,快速实现多缺陷区域的合并(即确定多缺陷合并区域)。其中,局部信息是指目标候选缺陷区域的附近有没有其他的候选区域,因连通性合并时,初始候选缺陷区域通过结构元的形态学膨胀,使得临近的区域发生合并。因此,通过连通性合并也可以提高多缺陷合并的效率。
图6示出了本申请实施例提供多缺陷合并区域确定的流程示意图,如图6所示,步骤140基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域,包括如下步骤:
S401、基于目标相邻距离数据中的各目标相邻距离值,构建结构元。
采用形态学方法进行图像处理时,要用到结构元辅助工具,所谓结构元就是一个形状和大小已知的像素点集。
通过目标相邻距离数据中的各目标相邻距离值,构建结构元,结构元可以是圆形、矩形、六边形、八边形等。
初始候选缺陷区域的位置是任意的,在构建结构元时,圆形结构元比较精细,保证确定的目标候选缺陷区域的搜索方向是任意的;矩形结构元对初始候选缺陷区域膨胀处理时,效率可达到圆形结构元的8倍左右。
构建圆形结构元时,其半径是目标相邻距离值的一半;构建矩形结构元时,其矩形边长是目标相邻距离值。
S402、初始候选缺陷区域通过结构元的形态学膨胀,确定目标候选缺陷区域。
遍历每个初始候选缺陷区域,对每个初始候选缺陷区域通过步骤401构建的结构元进行形态学膨胀,得到膨胀后的目标候选缺陷区域。
在一些实施例中,膨胀操作是在二值化的图像上实施的,也就是说初始候选缺陷区域和目标候选缺陷区域均为二值化的图像区域,也提高了处理的速度。
其中,目标候选缺陷区域具有初始候选缺陷区域的候选缺陷特征值映射表。对于膨胀得到的目标候选缺陷区域记录其对应的初始候选缺陷区域的候选缺陷特征值映射表,也就是记录初始候选缺陷区域在候选缺陷特征值映射表的索引值。
S403、基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域。
遍历各目标候选缺陷区域,通过连通性合并,此时,确定目标相邻距离值范围内存在的初始候选缺陷区域有哪些,它实现了初始候选缺陷区域在一定相邻距离(目标相邻距离数据)内的合并。
当遍历结束后,得到多缺陷合并区域,以及各多缺陷合并区域对应的初始候选缺陷区域的候选缺陷特征值映射表的索引值。
例如,得到的多缺陷合并区域记为U,对于其中一多缺陷合并区域记为Uk对应的初始候选缺陷区域的候选缺陷特征值映射表的索引值可表示为:[Aa-1,Ab-1,Ac-1],也就是说第k个多缺陷合并区域中,存在初始候选缺陷区域Aa,Ab,Ac。
其中,多缺陷合并区域包含目标候选缺陷区域对应的初始候选缺陷区域的候选缺陷特征值映射表。
在合并的过程中,可通过标准模板库(Standard Template Library,简称STL)的关联容器(Map)存储初始候选缺陷区域的候选缺陷特征值映射表对应的索引值,也可以通过其他容器,例如单端数组(Vector)、链表(List)等。
在一些实施例中,目标候选缺陷区域是基于二值化连通性合并,此时的初始候选缺陷区域、目标候选缺陷区域和多缺陷合并区域均为二值化的图像区域,进一步提高了处理的速度。
本申请实施例,通过建立初始候选缺陷区域的候选缺陷特征值映射表,使得该多缺陷合并方法适用于不同规则的缺陷判定,提高该方法的适用性;同时,避免各区域对特征的重复计算。
图7示出了本申请实施例提供另一种多缺陷合并方法的流程示意图,如图7所示,在步骤140之后,还包括:
S150、基于多缺陷合并区域中的候选缺陷特征值映射表和预设缺陷特征阈值,从多缺陷合并区域筛选出目标多缺陷区域。
当多缺陷合并区域中的候选缺陷特征值映射表通过Map存储时,遍历Map中每个元素,每个元素表示一个合并集合,里面包含一个或多个初始候选缺陷区域索引,由初始候选缺陷区域索引值,在候选缺陷特征值映射表中获取初始候选缺陷区域特征值,与预设缺陷特征阈值比较,将符合条件的多缺陷区域检出,即筛选出目标多缺陷区域。
图8示出了本申请实施例提供另一种多缺陷合并方法的流程示意图,如图8所示,多缺陷合并方法包括如下步骤:
S210、相邻距离直方图。
S220、基于相邻距离直方图,将初始相邻距离数据更新为目标相邻距离数据。
S230、基于预设缺陷规则,确定各初始候选缺陷区域的候选缺陷特征值映射表。
遍历目标相邻距离数据,判定目标相邻距离数据中,是否还存在未使用的目标相邻距离值。
若存在目标相邻距离值,S240、基于目标相邻距离值构建结构元。
S250、遍历各初始候选缺陷区域,各初始候选缺陷区域通过结构元的形态学膨胀,确定目标候选缺陷区域。
S260、基于各目标候选缺陷区域的二值化连通性合并,确定多缺陷合并区域,其中包括目标候选缺陷区域对应的初始候选缺陷区域的候选缺陷特征值映射表。
S270、基于多缺陷合并区域中的候选缺陷特征值映射表和预设缺陷特征阈值,从多缺陷合并区域筛选出目标多缺陷区域。
上述过程的实现原理和技术效果与图2到图8所描述的方法实施例类似,在此不再赘述。
本申请实施例提供一种多缺陷合并方法;待检测图像的各初始候选缺陷区域根据预设缺陷规则,实现初始相邻距离数据的确定;基于初始相邻距离数据和预设组距,可确定相邻距离直方图;基于相邻距离直方图,可确定目标相邻距离数据;进一步,根据目标相邻距离数据的各目标相邻距离值构建结构元,初始候选缺陷区域通过结构元的形态学膨胀,可确定目标候选缺陷区域;基于各目标候选缺陷区域的连通性合并,可实现多缺陷合并区域的确定;通过直方图分析各初始相邻距离,更新后的目标相邻距离的缩减数据量,并通过膨胀后的目标候选缺陷区域,实现多缺陷区域的合并,改善多缺陷合并的处理效率。
图9示出了本申请实施例提供的一种多缺陷合并装置的结构示意图,如图9所示,多缺陷合并装置900包括获取模块910、数据更新模块920和合并模块930。
获取模块,用于确定初始相邻距离数据,初始相邻距离数据是从待检测图像的各初始候选缺陷区域根据预设缺陷规则确定的;
数据更新模块,用于基于初始相邻距离数据和预设组距,确定相邻距离直方图;还用于基于相邻距离直方图,确定目标相邻距离数据;
合并模块,用于基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域,其中,目标候选缺陷区域是初始候选缺陷区域通过结构元的形态学膨胀确定的,结构元是根据目标相邻距离数据的各目标相邻距离值构建的。
在一些实施例中,数据更新模块包括直方图构建单元,其中:
直方图构建单元,用于基于初始相邻距离数据中的最大相邻距离值和最小相邻距离值的差值,确定初始相邻距离数据的最大距离间隔;
直方图构建单元,还用于基于最大距离间隔和预设组距,确定相邻距离直方图的容量;
直方图构建单元,还用于基于初始相邻距离数据、预设组距和相邻距离直方图的容量,确定相邻距离直方图。
在一些实施例中,数据更新模块还包括数据更新单元,其中,
数据更新单元,用于基于相邻距离直方图中各有效元素的索引值、预设组距和初始相邻距离数据中的小相邻距离值,确定目标相邻距离值;其中,有效元素为非零元素;
还用于基于各目标相邻距离值,确定目标相邻距离数据。
在一些实施例中,初始候选缺陷区域、目标候选缺陷区域和多缺陷合并区域均为二值化的图像区域。
在一些实施例中,多缺陷合并装置还包括映射模块,映射模块用于基于预设缺陷规则,确定各初始候选缺陷区域的候选缺陷特征值映射表。
其中,多缺陷合并区域的确定,包括:
初始候选缺陷区域通过结构元的形态学膨胀,确定目标候选缺陷区域,目标候选缺陷区域具有初始候选缺陷区域的候选缺陷特征值映射表;
基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域,多缺陷合并区域包含目标候选缺陷区域对应的初始候选缺陷区域的候选缺陷特征值映射表。
在一些实施例中,多缺陷合并装置还包括筛选模块,筛选模块用于基于多缺陷合并区域中的候选缺陷特征值映射表和预设缺陷特征阈值,从多缺陷合并区域筛选出目标多缺陷区域。
本申请实施例提供一种多缺陷合并装置,包括获取模块、数据更新模块和合并模块;待检测图像的各初始候选缺陷区域根据预设缺陷规则,实现初始相邻距离数据的确定;基于初始相邻距离数据和预设组距,可确定相邻距离直方图;基于相邻距离直方图,可确定目标相邻距离数据;进一步,根据目标相邻距离数据的各目标相邻距离值构建结构元,初始候选缺陷区域通过结构元的形态学膨胀,可确定目标候选缺陷区域;基于各目标候选缺陷区域的连通性合并,可实现多缺陷合并区域的确定;通过直方图分析各初始相邻距离,更新后的目标相邻距离的缩减数据量,并通过膨胀后的目标候选缺陷区域,实现多缺陷区域的合并,改善多缺陷合并的处理效率。
本申请实施例还提供的计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序,该计算机程序用于实现上述多缺陷合并方法,实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请实施例还提供一种计算机存储介质,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上述多缺陷合并方法,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
以下段落将对本申请说明书中涉及的中文术语、及其对应的英文术语进行对比罗列,以便于阅读、理解。
为了方便解释,已经结合具体的实施方式进行了上述说明。但是,上述在一些实施例中讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导,可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用,从而使得本领域技术人员更好的使用实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
Claims (10)
1.一种多缺陷合并方法,其特征在于,包括:
确定初始相邻距离数据,所述初始相邻距离数据是从待检测图像的各初始候选缺陷区域根据预设缺陷规则确定的;
基于所述初始相邻距离数据和预设组距,确定相邻距离直方图;
基于所述相邻距离直方图,确定目标相邻距离数据;
基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域,其中,所述目标候选缺陷区域是所述初始候选缺陷区域通过结构元的形态学膨胀确定的,所述结构元是根据所述目标相邻距离数据的各目标相邻距离值构建的。
2.根据权利要求1所述的多缺陷合并方法,其特征在于,所述基于所述初始相邻距离数据和预设组距,确定相邻距离直方图,包括:
基于所述初始相邻距离数据中的最大相邻距离值和最小相邻距离值的差值,确定所述初始相邻距离数据的最大距离间隔;
基于所述最大距离间隔和所述预设组距,确定所述相邻距离直方图的容量;
基于所述初始相邻距离数据、所述预设组距和所述相邻距离直方图的容量,确定所述相邻距离直方图。
3.根据权利要求1所述的多缺陷合并方法,其特征在于,所述基于所述相邻距离直方图,确定目标相邻距离数据,包括:
基于所述相邻距离直方图中各有效元素的索引值、所述预设组距和所述初始相邻距离数据中的小相邻距离值,确定目标相邻距离值;其中,所述有效元素为非零元素;
基于各所述目标相邻距离值,确定目标相邻距离数据。
4.根据权利要求1所述的多缺陷合并方法,其特征在于,所述初始候选缺陷区域、所述目标候选缺陷区域和所述多缺陷合并区域均为二值化的图像区域。
5.根据权利要求1所述的多缺陷合并方法,其特征在于,所述基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域之前,还包括:
基于所述预设缺陷规则,确定各所述初始候选缺陷区域的候选缺陷特征值映射表。
6.根据权利要求5所述的多缺陷合并方法,其特征在于,所述多缺陷合并区域的确定,包括:
所述初始候选缺陷区域通过所述结构元的形态学膨胀,确定所述目标候选缺陷区域,所述目标候选缺陷区域具有所述初始候选缺陷区域的候选缺陷特征值映射表;
基于各所述目标候选缺陷区域的连通性合并,确定所述多缺陷合并区域,所述多缺陷合并区域包含所述目标候选缺陷区域对应的所述初始候选缺陷区域的候选缺陷特征值映射表。
7.根据权利要求6所述的多缺陷合并方法,其特征在于,所述确定多缺陷合并区域之后,还包括:
基于所述多缺陷合并区域中的所述候选缺陷特征值映射表和预设缺陷特征阈值,从所述多缺陷合并区域筛选出目标多缺陷区域。
8.一种多缺陷合并装置,其特征在于,包括:
获取模块,用于确定初始相邻距离数据,所述初始相邻距离数据是从待检测图像的各初始候选缺陷区域根据预设缺陷规则确定的;
数据更新模块,用于基于所述初始相邻距离数据和预设组距,确定相邻距离直方图;还用于基于所述相邻距离直方图,确定目标相邻距离数据;
合并模块,用于基于各目标候选缺陷区域的连通性合并,确定多缺陷合并区域,其中,所述目标候选缺陷区域是所述初始候选缺陷区域通过结构元的形态学膨胀确定的,所述结构元是根据所述目标相邻距离数据的各目标相邻距离值构建的。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的多缺陷合并方法的步骤。
10.一种计算机存储介质,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,使得所述处理器执行权利要求1至7中任一项所述的多缺陷合并方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430460.9A CN115880228A (zh) | 2022-11-15 | 2022-11-15 | 多缺陷合并方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430460.9A CN115880228A (zh) | 2022-11-15 | 2022-11-15 | 多缺陷合并方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115880228A true CN115880228A (zh) | 2023-03-31 |
Family
ID=85759974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211430460.9A Pending CN115880228A (zh) | 2022-11-15 | 2022-11-15 | 多缺陷合并方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880228A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058411A (zh) * | 2023-10-13 | 2023-11-14 | 东声(苏州)智能科技有限公司 | 电池棱边外形瑕疵识别方法、装置、介质和设备 |
-
2022
- 2022-11-15 CN CN202211430460.9A patent/CN115880228A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058411A (zh) * | 2023-10-13 | 2023-11-14 | 东声(苏州)智能科技有限公司 | 电池棱边外形瑕疵识别方法、装置、介质和设备 |
CN117058411B (zh) * | 2023-10-13 | 2024-04-09 | 东声(苏州)智能科技有限公司 | 电池棱边外形瑕疵识别方法、装置、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6710135B2 (ja) | 細胞画像の自動分析方法及びシステム | |
CN106446896B (zh) | 一种字符分割方法、装置及电子设备 | |
US7792382B2 (en) | Method and apparatus for filtering, clustering, and region fitting by mean shift of images using kernel function values | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
CN110197153B (zh) | 一种户型图中墙体自动识别方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
KR20220139292A (ko) | 문자 분할 방법, 장치 및 컴퓨터 판독 가능 저장 매체 | |
CN111915628B (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
CN110458843B (zh) | 掩模图像的分割方法及系统 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN115375629A (zh) | 一种lcd屏幕中线缺陷检测及缺陷信息提取方法 | |
CN112991283A (zh) | 基于超像素的柔性ic基板线宽检测方法、介质和设备 | |
CN115331245A (zh) | 一种基于图像实例分割的表格结构识别方法 | |
CN115880228A (zh) | 多缺陷合并方法、装置、计算机设备及存储介质 | |
Tung et al. | Binarization of uneven-lighting image by maximizing boundary connectivity | |
CN111325199B (zh) | 一种文字倾斜角度检测方法及装置 | |
US11113820B2 (en) | Method of line detection | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
CN111932515B (zh) | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN111598013A (zh) | 一种螺母-销钉状态的识别方法及相关装置 | |
CN113139975B (zh) | 一种基于道路特征的路面分割方法及装置 | |
CN112598088B (zh) | 一种工业部件视觉多目标鲁棒模板获取的方法 | |
CN111833398B (zh) | 一种图像中的像素点标记方法及装置 |
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 |