CN115880237A - 一种车用钢板合格检测方法、装置、设备及存储介质 - Google Patents
一种车用钢板合格检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115880237A CN115880237A CN202211527502.0A CN202211527502A CN115880237A CN 115880237 A CN115880237 A CN 115880237A CN 202211527502 A CN202211527502 A CN 202211527502A CN 115880237 A CN115880237 A CN 115880237A
- Authority
- CN
- China
- Prior art keywords
- steel plate
- image
- defect
- qualified
- original 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种车用钢板合格检测方法、装置、设备及存储介质。该方法包括:获取钢板表面原始图像;将所述钢板原始图像膨胀处理得到钢板膨胀处理图像;根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像;提取所述钢板表面缺陷图像中的缺陷特征;将所述缺陷特征输入至预设检测模型以输出钢板合格参数。本方案实现了准确判断车用钢板合格率,不会造成钢板合格误判。
Description
技术领域
本发明实施例涉及缺陷检测技术,尤其涉及一种车用钢板合格检测方法、装置、设备及存储介质。
背景技术
钢板缺陷检测系统中,对车用带钢表面缺陷进行检测定位时,将缺陷从带钢中分割出来的步骤尤为重要。目前,钢板缺陷检测中主要采用oberts/sobel、prewit图像处理技术中直接缺陷轮廓提取,进而达到缺陷分割的效果。由于现有技术中图像处理技术中边缘提取方法可以提取到完整的缺陷轮廓,但也会在非感兴趣区域(带钢表面无缺陷的质量合格区域)提取到大量的伪缺陷轮廓,这样后续钢板缺陷检测过程中,会造成误检率变高,会对后续缺陷的定位以及钢板合格性的判定工作进行干扰。
发明内容
本发明提供了一种车用钢板合格检测方法、装置、设备及存储介质,以准确判断车用钢板合格率,不会造成钢板合格误判。
第一方面,本发明实施例提供了一种车用钢板合格检测方法,该方法包括:
获取钢板表面原始图像;
将所述钢板原始图像膨胀化处理得到钢板膨胀处理图像;
根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像;
提取所述钢板表面缺陷图像中的缺陷特征;
将所述缺陷特征输入至预设检测模型以输出钢板合格参数。
可选的,还包括:
判断所述钢板合格参数是否小于预设合格参数;
当所述钢板合格参数小于所述预设合格参数,则确定钢板为合格产品。
可选的,还包括:
将所述钢板表面缺陷图像进行二值化阈值分割得到二值化图像;
对所述二值化图像进行腐蚀化处理得到钢板表面缺陷优化图像;
提取所述钢板表面缺陷图像中的缺陷特征,包括:
提取所述钢板表面缺陷优化图像中的缺陷特征。
可选的,所述缺陷特征包括缺陷总数特征、所有缺陷总面积特征、各缺陷坐标特征、各缺陷面积特征及各缺陷内的最长距离特征。
可选的,所述钢板膨胀处理图像的结构元素膨胀半径参数、所述二值化图像的阈值参数与所述钢板表面缺陷优化图像的结构元素腐蚀半径参数均与钢板表面原始图像性质参数有关。
可选的,根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像,具体为:
E(x,y)=D(x,y)-A(x,y);
其中,D(x,y)为所述钢板膨胀处理图像;A(x,y)为所述钢板原始图像;E(x,y)为所述钢板表面缺陷图像。
第二方面,本发明实施例还提供了一种车用钢板合格检测装置,该装置包括:
获取模块,用于获取钢板表面原始图像;
膨胀处理处理模块,用于将所述钢板原始图像膨胀处理得到钢板膨胀处理图像;
差分处理模块,用于根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像;
特征提取模块,用于提取所述钢板表面缺陷图像中的缺陷特征;
钢板合格参数输出模块,用于将所述缺陷特征输入至预设检测模型以输出钢板合格参数。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面所述的车用钢板合格检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现上述第一方面所述的车用钢板合格检测方法。
本发明实施例,通过获取钢板表面原始图像;将所述钢板原始图像膨胀处理得到钢板膨胀处理图像;并根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像;然后提取所述钢板表面缺陷图像中的缺陷特征;将所述缺陷特征输入至预设检测模型以输出钢板合格参数,如此本方案差分处理得到的钢板表面缺陷图像中无伪缺陷轮廓,实现了准确判断车用钢板合格率,不会造成钢板合格误判。
附图说明
图1是本发明实施例提供的一种车用钢板合格检测方法的流程图;
图2是本发明实施例提供的另一种车用钢板合格检测方法的流程图;
图3是本发明实施例提供的钢板表面缺陷优化图像的示意图;
图4是本发明实施例提供的一种车用钢板合格检测装置的结构示意图;
图5是本发明的实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种车用钢板合格检测方法的流程图,本实施例可适用于检测车用钢板合格情况,该方法可以由车用钢板合格检测装置来执行,如图1所示,该方法具体包括如下步骤:
S110、获取钢板表面原始图像。
其中,钢板表面原始图像包括整个钢板表面图像数据,即包括多个像素位置对应的多个像素灰度值;整个钢板表面图像数据中包括钢板表面缺陷图像数据及钢板表面背景图像数据。
S120、将钢板原始图像膨胀处理得到钢板膨胀处理图像。
其中,钢板膨胀处理图像是根据钢板表面原始图像的像素点产生更多的像素点,可以理解为将钢板原始图像中缺陷图像像素点扩大及背景图像像素点扩大。将钢板表面原始图像采用形态学中膨胀化处理方法得到钢板膨胀处理图像,后续钢板膨胀处理图像与钢板原始图像差分处理得到的钢板表面缺陷图像更好地保持缺陷的连通性及封闭性。
S130、根据钢板膨胀处理图像与钢板原始图像差分处理得到钢板表面缺陷图像。
其中,将钢板膨胀处理图像与钢板原始图像作差分处理可以得到钢板表面缺陷图像,相比于通过oberts/sobel、prewit图像处理技术中直接缺陷轮廓提取,采用差分处理可以得到的钢板表面缺陷图像中背景干扰部分极少,有利于后续对钢板表面缺陷的精准定位。
S140、提取钢板表面缺陷图像中的缺陷特征。
其中,缺陷特征包括缺陷总数特征、所有缺陷总面积特征、各缺陷坐标特征、各缺陷面积特征及各缺陷内的最长距离特征。根据缺陷总数特征、所有缺陷总面积特征、各缺陷坐标特征、各缺陷面积特征及各缺陷内的最长距离特征可以构建特征向量X:
X=(n,S,x1,y1,s1,l1,……,xn,yn,sn,ln,……,xz,yz,sz,lz)
其中,n为缺陷总数;S为所有缺陷总面积;x1,y1,s1,l1分别为第一个缺陷坐标、第一个缺陷面积及第一个缺陷内的最长距离;xn,yn,sn,ln分别为第n个缺陷坐标、第n个缺陷面积及第n个缺陷内的最长距离;xz,yz,sz,lz分别为第z个缺陷坐标、第z个缺陷面积及第z个缺陷内的最长距离;z为设定的缺陷数量最大值,可以根据钢板大小等因素设定;当实际检测出的缺陷数量n<z时,特征向量xn+1,yn+1,sn+1,ln+1到xz,yz,sz,lz之间的特征值设置为0。
S150、将缺陷特征输入至预设检测模型以输出钢板合格参数。
其中,预设检测模型可以为训练好的神经网络模型,将各缺陷特征构建的特征向量输入至训练好的预设检测模型中,可以输出钢板合格参数;如此由于本方案差分处理得到的钢板表面缺陷图像中无伪缺陷轮廓,这样有利于钢板表面缺陷图像中的各缺陷特征,根据各缺陷特征构建的特征向量输出钢板合格参数,这样实现了准确判断车用钢板合格率,不会造成钢板合格误判。
在上述实施例的基础上,进一步优化,图2是本发明实施例提供的另一种车用钢板合格检测方法的流程图,如图2所示,该方法包括以下步骤:
S210、获取钢板表面原始图像。
S220、将钢板原始图像膨胀化处理得到钢板膨胀处理图像。
具体的,将钢板原始图像膨胀化处理得到钢板膨胀处理图像为:
其中,B1(x’,y’)为结构元素矩阵;x’、y’分别为矩阵B1(x’,y’)的像素点横纵坐标;A(x,y)为钢板表面原始图像;D(x,y)为钢板膨胀处理图像;
钢板膨胀处理图像D(x,y)的结构元素膨胀半径参数可根据钢板原始图像A(x,y)本身的性质有关,本实施例中膨胀结构元素半径参数选择3-7像素。
S230、根据钢板膨胀处理图像与钢板表面原始图像差分处理得到钢板表面缺陷图像。
其中,根据钢板膨胀处理图像与钢板表面原始图像差分处理得到钢板表面缺陷图像,具体为:
E(x,y)=D(x,y)-A(x,y);
其中,D(x,y)为钢板膨胀处理图像;A(x,y)为钢板表面原始图像;E(x,y)为钢板表面缺陷图像。
S240、将钢板表面缺陷图像进行二值化阈值分割得到二值化图像。
其中,由于钢板膨胀处理图像中可能包括一些背景干扰点,将钢板表面缺陷图像进行二值化阈值分割得到二值化图像,二值化图像中可以将背景的干扰点去除,且后续可以更好地对二值化图像进行腐蚀化处理。具体的,将钢板表面缺陷图像E(x,y)进行二值化阈值分割得到二值化图像Y(x,y)为:
其中,l为二值化图像的阈值参数,当钢板表面缺陷图像E(x,y)大于等于阈值l时,二值化图像为1即白色,当钢板表面缺陷图像E(x,y)小于阈值l时,二值化图像为0即黑色。二值化图像的阈值参数l可根据钢板原始图像A(x,y)本身的性质有关,本实施例中二值化图像的阈值参数可选择19、25、27。
S250、对二值化图像进行腐蚀化处理得到钢板表面缺陷优化图像。
其中,对二值化图像Y(x,y)进行腐蚀化处理得到钢板表面缺陷优化图像F(x,y),钢板表面缺陷优化图像F(x,y)中背景部分干扰点极少,钢板表面缺陷的连通性及封闭性更佳;具体为,
其中,B2(x2’,y2’)为结构元素矩阵;z为结构元素B2中心点指向二值化图像Y(x,y)中心点的偏移;钢板表面缺陷优化图像F(x,y)的结构元素腐蚀半径参数与钢板表面原始图像性质参数有关,图3是本发明实施例提供的钢板表面缺陷优化图像的示意图;图3中示意出结构元素腐蚀半径分别为1-2像素时不同的钢板表面缺陷优化图像;结果表明:当结构元素腐蚀半径参数为1时,图像在尽量减少干扰点数量和面积的情况下尽可能的保持了缺陷分割结果中轮廓的连通性和封闭性。优选的,本实施例中钢板表面缺陷优化图像的结构元素腐蚀半径参数为2像素。另外,结果也表明,经过腐蚀化处理后的钢板表面缺陷优化图像很好地保证缺陷的完整性,背景干扰点几乎没有,有利于后续缺陷的定位及特征的提取。
S260、提取钢板表面缺陷优化图像中的缺陷特征。
S270、将缺陷特征输入至预设检测模型以输出钢板合格参数。
其中,从钢板表面缺陷优化图像中可以准确地提取到缺陷总数特征、所有缺陷总面积特征、各缺陷坐标特征、各缺陷面积特征及各缺陷内的最长距离特征,并基于缺陷总数特征、所有缺陷总面积特征、各缺陷坐标特征、各缺陷面积特征及各缺陷内的最长距离特征向量X:
X=(n,S,x1,y1,s1,l1,……,xn,yn,sn,ln,……,xz,yz,sz,lz)
将特征向量X输入至预设检测模型以输出钢板合格参数。
S280、判断钢板合格参数是否小于预设合格参数。
S290、当钢板合格参数大于预设合格参数,则确定钢板为合格产品。
其中,预设合格参数可根据实际钢板的性质而定;一般地,当钢板合格参数是否小于0.5,则认为钢板不合格产品;本实施例在上述实施例的基础上,进一步对钢板表面缺陷图像进行二值化处理及腐蚀化处理,这样得到的钢板表面缺陷优化图像很好地保证缺陷的完整性,背景干扰点几乎没有,这样可以准确地提取到缺陷总数特征,根据各缺陷特征构建的特征向量输出钢板合格参数,当钢板合格参数大于预设合格参数,则确定钢板为合格产品,如此本实施例进一步实现准确判断车用钢板合格率。
本发明实施例还提供了一种车用钢板合格检测装置,该车用钢板合格检测装置可执行本发明任意实施例所提供的车用钢板合格检测方法,具备执行方法相应的功能模块和有益效果。图4是本发明实施例提供的一种车用钢板合格检测装置的结构示意图,如图4所示,该装置包括:
获取模块01,用于获取钢板表面原始图像;
膨胀处理模块02,用于将所述钢板原始图像膨胀处理得到钢板膨胀处理图像;
差分处理模块03,用于根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像;
特征提取模块04,用于提取所述钢板表面缺陷图像中的缺陷特征;
钢板合格参数输出模块05,用于将所述缺陷特征输入至预设检测模型以输出钢板合格参数。
可选的,还包括:
判断模块,用于判断所述钢板合格参数是否小于预设合格参数;
钢板合格确定模块,用于当所述钢板合格参数小于所述预设合格参数,则确定钢板为合格产品。
可选的,还包括:
阈值分割模块,用于将所述钢板表面缺陷图像进行二值化阈值分割得到二值化图像;
腐蚀化处理模块,用于对所述二值化图像进行腐蚀化处理得到钢板表面缺陷优化图像;
特征提取模块04,具体用于:
提取所述钢板表面缺陷优化图像中的缺陷特征。
可选的,所述缺陷特征包括缺陷总数特征、所有缺陷总面积特征、各缺陷坐标特征、各缺陷面积特征及各缺陷内的最长距离特征。
可选的,所述钢板膨胀处理图像的膨胀半径参数、所述二值化图像的阈值参数与所述钢板表面缺陷优化图像的腐蚀半径参数均与钢板表面原始图像性质参数有关。
可选的,差分处理模块03,具体为:
E(x,y)=D(x,y)-A(x,y);
其中,D(x,y)为所述钢板膨胀处理图像;A(x,y)为所述钢板原始图像;E(x,y)为所述钢板表面缺陷图像。
本发明实施例还提供了一种电子设备,图5是本发明实施例提供的一种电子设备的结构示意图,电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如车用钢板合格检测方法。
在一些实施例中,车用钢板合格检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的车用钢板合格检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车用钢板合格检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种车用钢板合格检测方法,其特征在于,包括:
获取钢板表面原始图像;
将所述钢板原始图像膨胀化处理得到钢板膨胀处理图像;
根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像;
提取所述钢板表面缺陷图像中的缺陷特征;
将所述缺陷特征输入至预设检测模型以输出钢板合格参数。
2.根据权利要求1所述的车用钢板合格检测方法,其特征在于,还包括:
判断所述钢板合格参数是否小于预设合格参数;
当所述钢板合格参数小于所述预设合格参数,则确定钢板为合格产品。
3.根据权利要求1所述的车用钢板合格检测方法,其特征在于,还包括:
将所述钢板表面缺陷图像进行二值化阈值分割得到二值化图像;
对所述二值化图像进行腐蚀化处理得到钢板表面缺陷优化图像;
提取所述钢板表面缺陷图像中的缺陷特征,包括:
提取所述钢板表面缺陷优化图像中的缺陷特征。
4.根据权利要求3所述的车用钢板合格检测方法,其特征在于,
所述缺陷特征包括缺陷总数特征、所有缺陷总面积特征、各缺陷坐标特征、各缺陷面积特征及各缺陷内的最长距离特征。
5.根据权利要求3所述的车用钢板合格检测方法,其特征在于,所述钢板膨胀处理图像的结构元素膨胀半径参数、所述二值化图像的阈值参数与所述钢板表面缺陷优化图像的结构元素腐蚀半径参数均与钢板表面原始图像性质参数有关。
6.根据权利要求1所述的车用钢板合格检测方法,其特征在于,根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像,具体为:
E(x,y)=D(x,y)-A(x,y);
其中,D(x,y)为所述钢板膨胀处理图像;A(x,y)为所述钢板表面原始图像;E(x,y)为所述钢板表面缺陷图像。
7.一种车用钢板合格检测装置,其特征在于,包括:
获取模块,用于获取钢板表面原始图像;
膨胀处理模块,用于将所述钢板原始图像膨胀处理得到钢板膨胀处理图像;
差分处理模块,用于根据所述钢板膨胀处理图像与所述钢板表面原始图像差分处理得到钢板表面缺陷图像;
特征提取模块,用于提取所述钢板表面缺陷图像中的缺陷特征;
钢板合格参数输出模块,用于将所述缺陷特征输入至预设检测模型以输出钢板合格参数。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的车用钢板合格检测方法。
9.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的车用钢板合格检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527502.0A CN115880237A (zh) | 2022-11-30 | 2022-11-30 | 一种车用钢板合格检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527502.0A CN115880237A (zh) | 2022-11-30 | 2022-11-30 | 一种车用钢板合格检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115880237A true CN115880237A (zh) | 2023-03-31 |
Family
ID=85765202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211527502.0A Pending CN115880237A (zh) | 2022-11-30 | 2022-11-30 | 一种车用钢板合格检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880237A (zh) |
-
2022
- 2022-11-30 CN CN202211527502.0A patent/CN115880237A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581463B (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN115700758A (zh) | 一种精子活性的检测方法、装置、设备及存储介质 | |
CN114677566B (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
CN115880237A (zh) | 一种车用钢板合格检测方法、装置、设备及存储介质 | |
CN116363444A (zh) | 模糊分类模型训练方法、识别模糊图像的方法及装置 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
CN117115568B (zh) | 数据筛选方法、装置、设备及存储介质 | |
CN116823924B (zh) | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN115542100B (zh) | 绝缘子故障检测方法、装置、设备及介质 | |
CN116883488B (zh) | 一种圆形管的中心位置确定方法、装置、设备及介质 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN116258714B (zh) | 一种缺陷识别方法、装置、电子设备和存储介质 | |
CN118014971A (zh) | 光伏组件的表面缺陷检测方法、装置、设备及存储介质 | |
CN116433702A (zh) | 一种输电线分割方法、装置、电子设备及存储介质 | |
CN118015036A (zh) | 一种多目标图像的标注方法、装置、设备及介质 | |
CN118052877A (zh) | 电力线缆断股缺陷的定位方法、装置、设备及介质 | |
CN116129243A (zh) | 一种雷达图像的物体检测方法、装置、设备及存储介质 | |
CN115984566A (zh) | 图像分割模型的训练及图像分割方法、装置、设备和介质 | |
CN115841480A (zh) | 一种图像检测方法、装置、电子设备及存储介质 |
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 |