CN115937147B - 缺陷检测参数的确定方法、装置、设备及存储介质 - Google Patents
缺陷检测参数的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115937147B CN115937147B CN202211585253.0A CN202211585253A CN115937147B CN 115937147 B CN115937147 B CN 115937147B CN 202211585253 A CN202211585253 A CN 202211585253A CN 115937147 B CN115937147 B CN 115937147B
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- determining
- area
- preset value
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开关于一种缺陷检测参数的确定方法、装置、设备及存储介质,涉及缺陷检测技术领域。该方法包括:获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个缺陷图像对应的掩膜图像;将每个缺陷图像分别与对应的掩膜图像进行融合,以生成多个融合图像;获取每个融合图像与参考图像之间的比对结果,参考图像为预先确定的缺陷图像的评价标准图像;根据各个比对结果,确定每种缺陷类型对应的目标缺陷图像;将每个目标缺陷图像对应的光学检测参数,确定为待检测设备对应的候选缺陷检测参数。可以大幅度降低时间成本,由于在对成像质量评价的过程中关注到了缺陷图像的掩膜,使目标缺陷图像的成像更加满足调试和检测需求,更符合工业生产实际情况。
Description
技术领域
本公开涉及缺陷检测技术领域,尤其涉及一种缺陷检测参数的确定方法、装置、设备及存储介质。
背景技术
在相机和光源较多的光学系统中,在对电子设备进行缺陷检测时,为了获得最优的成像效果,需要调节的参数复杂,主要依赖人工调试和判断是否满足成像要求,调试时间长,难以支持大规模工业生产。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种缺陷检测参数的确定方法,包括:
获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个所述缺陷图像对应的掩膜图像,所述多个缺陷图像分别对应的光学检测参数不同;
将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像;
获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像;
根据各个所述比对结果,确定所述每种缺陷类型对应的目标缺陷图像;
将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。
本公开第二方面实施例提出了一种缺陷检测参数的确定装置,包括:
第一获取模块,用于获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个所述缺陷图像对应的掩膜图像,所述多个缺陷图像分别对应的光学检测参数不同;
生成模块,用于将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像;
第二获取模块,用于获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像;
第一确定模块,用于根据各个所述比对结果,确定所述每种缺陷类型对应的目标缺陷图像;
第二确定模块,用于将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。
本公开第三方面实施例提出了一种电子设备,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,所述处理器执行所述程序时,实现如第一方面实施例提出的缺陷检测参数的确定方法。
本公开第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所述的方法。
本公开第五方面实施例提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如第一方面实施例所述方法的步骤。
本公开实施例中,首先可以获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个所述缺陷图像对应的掩膜图像,所述多个缺陷图像分别对应的光学检测参数不同,然后将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像,之后获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像,然后根据各个所述比对结果,确定所述每种缺陷类型对应的目标缺陷图像,之后将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。由此,可以将比较耗时的参数调试方案提前确定好,大大的节省人工在现场进行装备调试的时间,由于可以为每种类型的缺陷确定好对应的候选缺陷检测参数,评价标准客观,可以保障待检测设备指标的一致性,可以实现批量的缺陷图像的成像效果判断,大幅度降低时间成本,由于在对成像质量评价的过程中,关注到了缺陷图像的掩膜,使目标缺陷图像的成像更加满足调试和检测需求,更符合工业生产实际情况。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
图1是根据本公开一实施例的缺陷检测参数的确定方法的流程示意图;
图2是根据本公开又一实施例的缺陷检测参数的确定方法的流程示意图;
图3是根据本公开实施例的缺陷检测参数的确定装置的结构示意图;
图4示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的缺陷检测参数的确定方法、装置、设备及存储介质。
图1是根据本公开一实施例的缺陷检测参数的确定方法的流程示意图。
需要说明的是,本公开第一实施例中的缺陷检测参数的确定方法的执行主体为缺陷检测参数的确定装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置电子设备中,下面将以“缺陷检测参数的确定装置”作为执行主体对本公开第一实施例中提出的缺陷检测参数的确定方法进行说明,在此不进行限定。
如图1所示,该方法包括:
步骤101,获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个缺陷图像对应的掩膜图像,多个缺陷图像分别对应的光学检测参数不同。
其中,待检测设备可以为任意电子设备,如计算机(Computer)、通讯(Communication)和消费电子产品(Consumer Electronics)等3c设备,更具体的,可以为手机、平板、可穿戴设备等等,在此不做限定。
其中,缺陷图像可以为包含有待检测设备缺陷位置的图像。
举例来说,若待检测设备为手机,检测的缺陷为中框缺陷,其对应的缺陷类型可以有麻点、划伤、崩边、崩点、压痕、异色等,在此不做限定。
其中,光学检测参数可以为用于检测待检测设备的缺陷时,光学硬件所对应的调试参数,比如,相机的位置、移动角度、数量、曝光范围、类型,光源的数量、移动角度、类型和亮度等,在此不做限定。
可选的,该装置可以基于预设的多组光学检测参数,对待检测设备的每种缺陷类型对应的缺陷样品进行检测,以获取多个缺陷图像。
需要说明的是,在对每种缺陷类型的缺陷样品进行检测时,可以是用不同的光学检测参数进行检测,从而可以得到每种缺陷样品对应的多个缺陷图像。
举例来说,若当前缺陷样品有3个分别为缺陷样品A、缺陷样品B、缺陷样品C,其中A、B、C分别对应的缺陷类型为麻点、划伤、崩边,则可以对于这三种缺陷类型的缺陷样品,每个缺陷样品用3组光学检测参数进行检测,从而可以得到缺陷样品A对应的3个缺陷图像,缺陷样品B对应的3个缺陷图像,缺陷样品C对应的3个缺陷图像,在此不做限定。
可选的,每组光学检测参数包含以下至少一项:
相机的曝光范围、相机的个数和类型、光源的数量、光源的亮度范围、相机的移动角度范围、光源的移动角度范围、相机的步长常数、光源的步长常数、光源和相机的相对位置。
可选的,在获取每个缺陷图像对应的掩膜图像时,可以将缺陷图像中的缺陷区域和背景区域进行图像分割,并赋予不同的值,比如可以将缺陷区域的值设为0.8,将背景区域的值设为0.2,在此不做限定。由此,可以突出缺陷区域,也即感兴趣区域的比重。
步骤102,将每个缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像。
可选的,可以将每个缺陷图像分别与所述对应的掩膜图像进行融合,从而可以得到融合图像,具体的,可以将缺陷图像的各个像素点的像素值和对应的掩膜图像中的各像素点的像素值相乘,从而可以得到与每个缺陷图像对应的融合图像。
步骤103,获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像。
其中,参考图像可以为预先确定的所述缺陷图像的评价标准图像,其失真程度较低,因而可以较好的体现缺陷信息的视觉成像效果。
其中,比对结果可以为融合图像与参考图像之间的相似度,在此不做限定。
作为一种可能实现的方式,可以基于结构相似度(Structural Similarity IndexMetric,SSIM)算法,从亮度、对比度和结构信息等等,多个方面计算融合图像与参考图像之间的相似度,从而可以使得该相似度能够表征融合图像的质量,也即缺陷图像的质量。或者,也可以基于平均结构相似性(Mean Structural Similarity,MSSIM)、特征相似性(feature similarity index mersure、FSIM)、IW-SSIM等算法,确定融合图像与参考图像之间的相似度,从而可以将计算得到的相似度作为比对结果来评测缺陷图像的质量。
可以理解的是,若融合图像与参考图像之间的相似度越高,则说明缺陷图像的图像质量越高,成像效果越好,视觉保真度越高,若融合图像与参考图像之间的相似度越低,则说明缺陷图像的图像质量越差,成像效果越差。
作为一种可能实现的方式,可以将缺陷图像和掩膜图像输入至预先训练生成的卷积神经网络模型中,从而可以得到与该缺陷图像对应的相似度值,也即可以作为质量评分值。其中,该卷积神经网络模型可以是有大量的理想的缺陷检测图像训练生成的,从而该卷积神经网络可以实现对缺陷图像的准确评估,在此不做限定。
步骤104,根据各个比对结果,确定每种缺陷类型对应的目标缺陷图像。
其中,目标缺陷图像可以为每种缺陷类型的缺陷样品对应的成像效果最好的缺陷检测图像。
可选的,可以首先确定每种缺陷类型对应的各个缺陷图像,以及每个缺陷图像对应的融合图像和参考图像之间的相似度,然后确定每种缺陷类型对应的各个相似度,并将相似度最高的缺陷图像作为与该种类型缺陷对应的目标缺陷图像。
举例来说,若当前融合图像有8个,分别为x1,x2,x3,x4,x5,x6,x7,x8,对应的缺陷图像分别为X1,X2,X3,X4,X5,X6,X7,X8,其中,X1,X2,X3对应的缺陷类型为麻点、X4,X5,X6对应的缺陷类型为划痕、X7,X8对应的缺陷类型为崩边。
其中,x1,x2,x3的参考图像为y1;x4,x5,x6的参考图像为y2;x7,x8的参考图像为y3。其中,x1,x2,x3与y1的相似度分别为0.2、0.8、0.9,x4,x5,x6与y2的相似度分别为0.7、0.75、0.8,x7,x8与y3的相似度分别为0.5、0.94。因而可以将融合图像x3对应的缺陷图像X3作为麻点缺陷对应的目标缺陷图像,将融合图像x6对应的缺陷图像X6作为划痕缺陷对应的目标缺陷图像,融合图像x8对应的缺陷图像X8作为崩边缺陷对应的目标缺陷图像。
需要说明的是,上述举例仅为一种示意性说明,而不作为对本公开的限定。
步骤105,将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。
其中,候选缺陷检测参数可以为用于检测待检测设备的缺陷的光学检测参数。不同类型的缺陷,对应的候选缺陷检测参数可以是相同的,也可以是不同的。
需要说明的是,每个目标缺陷图像对应的光学检测参数,也即为采集该目标缺陷图像时光学硬件对应的检测参数。由于目标缺陷图像对应的光学检测参数为最佳的光学方案,因而可以将目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。
可选的,在得到与每个目标缺陷图像对应的光学检测参数之后,可以根据该光学检测参数进行配置文件,并发送给生产线上的控制设备,从而使得控制设备根据该配置文件将生产线上的光学硬件调整为对应的候选缺陷检测参数,进而对生产线上的待检测设备进行缺陷检测,由此可以在设备复制阶段大幅降低光学调试时间成本。
其中,生产线可以为待检测设备的生产线。
可选的,该装置可以响应于确定任一缺陷图像对应的相似度为各个相似度中的最大值的情况下,将所述任一缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。
结合步骤104中的示例,由于在X1,X2,X3,X4,X5,X6,X7,X8这8个缺陷图像中X8对应的相似度最高为0.94,因而可以将缺陷图像X8对应的光学检测参数,作为所述待检测设备对应的候选缺陷检测参数,也即可以将缺陷图像X8对应的光学检测参数作为各个缺陷类型中的最佳方案,并作为待检测设备对应的候选缺陷检测参数。
需要说明的是,上述示例仅为一种示意性说明,在此不做限定。
本公开实施例中,首先可以获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个所述缺陷图像对应的掩膜图像,所述多个缺陷图像分别对应的光学检测参数不同,然后将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像,之后获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像,然后根据各个所述比对结果,确定所述每种缺陷类型对应的目标缺陷图像,之后将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。由此,可以将比较耗时的参数调试方案提前确定好,大大的节省人工在现场进行装备调试的时间,由于可以为每种类型的缺陷确定好对应的候选缺陷检测参数,评价标准客观,可以保障待检测设备指标的一致性,可以实现批量的缺陷图像的成像效果判断,大幅度降低时间成本,由于在对成像质量评价的过程中,关注到了缺陷图像的掩膜,使目标缺陷图像的成像更加满足调试和检测需求,更符合工业生产实际情况。
图2是根据本公开一实施例的缺陷检测参数的确定方法的流程示意图。如图2所示,该方法包括:
步骤201,获取待检测设备的每种缺陷类型对应的多个缺陷图像,多个缺陷图像分别对应的光学检测参数不同。
需要说明的是,步骤201的具体实现方式可以参照上述实施例,在此不做赘述。
步骤202,确定每个所述缺陷图像中的缺陷区域,以及背景区域。
其中,缺陷区域可以为缺陷图像中出现缺陷位置的像素区域。
其中,背景区域可以为缺陷图像中待检测位置之外的像素区域。
举例来说,若待检测位置为中框,则可以将中框区域作为待检测区域,并将中框区域之外的区域作为背景区域,在此不做限定。
可选的,该装置可以首先对每个缺陷图像进行图像分割处理,以确定每个所述缺陷图像对应的待检测区域,之后确定所述缺陷图像中所述待检测区域之外的区域为背景区域。
进一步地,该装置可以确定每种所述缺陷类型对应的参考缺陷区域,然后根据每个所述缺陷图像对应的缺陷类型,以及所述缺陷类型对应的参考缺陷区域,确定每个所述缺陷图像中的缺陷区域。
其中,参考缺陷区域用于表征缺陷在缺陷图像中通常出现的位置。不同类型的缺陷在缺陷图像中出现的位置通常是不同的,因而在确定了待检测区域之后,该装置可以基于与该缺陷类型的缺陷对应的参考缺陷区域,定位每个缺陷图像中的缺陷区域。
举例来说,若当前待检测区域为中框区域,缺陷类型A对应的参考缺陷区域为拐角区域,因而可以在缺陷图像的缺陷类型为A时,则将缺陷图像的缺陷区域定位在中框区域中的拐角区域,在此不进行限定。
步骤203,将所述背景区域的像素值赋值为第一预设值,并将所述缺陷区域赋值为第二预设值。
其中,第一预设值可以为背景区域的像素值的设定值。
其中,第二预设值可以为缺陷区域的像素值的设定值。
其中,第一预设值小于第二预设值,比如第一预设值为0.2,第二预设值可以为0.6,本公开中,对第一预设值和第二预设值的大小不做限定。
步骤204,将所述缺陷图像中所述背景区域和所述缺陷区域之外的区域赋值为第三预设值,以生成掩膜图像,其中,所述第三预设值大于所述第一预设值且小于第二预设值。
可选的,该装置可以响应于确定缺陷图像中的待检测区域为中框区域,且中框区域为直边,将所述中框区域中所述缺陷区域之外的区域的像素值赋值为第三预设值。
其中,第三预设值可以为缺陷图像中所述背景区域和所述缺陷区域之外的区域的像素值的设定值。本公开中,对第三预设值的大小不做限定。
需要说明的是,由于第三预设值大于所述第一预设值且小于第二预设值,因而可以使得在该掩膜图像中优先突出缺陷区域,然后是突出背景区域和所述缺陷区域之外的区域,也即缺陷区域的附近区域,再然后是背景区域,从而更加突出了感兴趣区域。
可选的,该装置可以响应于确定所述缺陷图像中的待检测区域为中框区域,且所述中框区域为曲边,根据所述中框区域中每个像素点的横坐标,以及高斯函数,计算每个所述像素点对应的第三预设值,然后将所述中框区域中所述缺陷区域之外的区域的像素值赋值为第三预设值。
举例来说,若中框区域中任一像素点的横坐标为x,则可以通过高斯函数f(x),计算第三预设值,具体可以用以下公式:
m1(x)=1-f(x)
其中,x为任一像素点的横坐标,m1(x)为该任一像素点对应的第三预设值。
步骤205,将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像。
步骤206,获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像。
需要说明的是,步骤205、206的具体实现方式可以参照上述实施例,在此不做赘述。
步骤207,根据每种缺陷类型对应的各个缺陷图像的相似度,确定每种缺陷类型的所述各个缺陷图像中的最大相似度值,所述比对结果为相似度。
举例来说,若当前融合图像有8个,分别为x1,x2,x3,x4,x5,x6,x7,x8,对应的缺陷图像分别为X1,X2,X3,X4,X5,X6,X7,X8,其中,X1,X2,X3对应的缺陷类型为麻点、X4,X5,X6对应的缺陷类型为划痕、X7,X8对应的缺陷类型为崩边。
其中,x1,x2,x3的参考图像为y1;x4,x5,x6的参考图像为y2;x7,x8的参考图像为y3。其中,x1,x2,x3与y1的相似度分别为0.2、0.8、0.9,x4,x5,x6与y2的相似度分别为0.7、0.75、0.8,x7,x8与y3的相似度分别为0.5、0.94,则麻点缺陷类型的缺陷图像对应的最大相似度值为0.9,麻点缺陷类型的缺陷图像对应的最大相似度值为0.8,崩边缺陷类型的缺陷图像对应的最大相似度值为0.94,在此不做限定。
步骤208,将每种缺陷类型对应的最大相似度值对应的缺陷图像,确定为与所述每种缺陷类型对应的目标缺陷图像。
其中,目标缺陷图像可以为每种缺陷类型的缺陷样品对应的成像效果最好的缺陷检测图像。
结合步骤207的举例,麻点缺陷类型的缺陷图像对应的最大相似度值为0.9,麻点缺陷类型的缺陷图像对应的最大相似度值为0.8,崩边缺陷类型的缺陷图像对应的最大相似度值为0.94,因而可以将融合图像x3对应的缺陷图像X3作为麻点缺陷对应的目标缺陷图像,将融合图像x6对应的缺陷图像X6作为划痕缺陷对应的目标缺陷图像,融合图像x8对应的缺陷图像X8作为崩边缺陷对应的目标缺陷图像。
需要说明的是,上述示例仅为一种示意性说明,本公开在此不做限定。
步骤209,基于预设的映射关系,确定与目标缺陷图像的比对结果对应的所述候选缺陷检测参数中每项参数的修正步长。
其中,修正步长用于调整候选缺陷检测参数中的参数。
其中,比对结果可以为融合图像和参考图像之间的相似度。
需要说明的是,若目标缺陷图像的相似度越高,也即图像质量较高,则修正步长越小,若目标缺陷图像的相似度越低,也即图像质量较低,则修正步长越大。
具体的,可以预先设置映射关系表,以记录每个相似度值(比对结果)对应的多个修正步长,比如,若相似度为0.8,其对应的参数A的修正步长为+1,参数B的修正步长为+2,参数C的修正步长为-0.2,在此不做限定。
可选的,可以将相似度值输入至候选缺陷检测参数中每项参数对应的步长更新函数中,从而可以得到每项参数的修正步长,
步骤210,根据每个修正步长,对所述候选缺陷检测参数中对应的参数进行调整。
具体的,在确定了每个修正步长之后,可以基于该修正步长,对候选缺陷检测参数中对应的参数进行调整。由此,可以根据比对结果自动调整步长实现参数的调整,实现光学系统快速智能矫正。比如,若参数Y的参数初始值为8,修正步长为+2,则更新后的参数Y为10,在此不做限定。
本公开实施例中,由于将缺陷图像进行了划分得到背景区域,缺陷区域和背景区域,缺陷区域之外的区域,并分别赋予了不同的值,并根据中框的特性,考虑到了直边和曲边的不同情况,使评价结果满足调试和检测需求,更符合工业生产实际情况。通过预设的映射关系,确定与目标缺陷图像的相似度对应的所述候选缺陷检测参数中每项参数的修正步长,对光学参数进行修正,使得评价标准客观,可以保障待检测设备指标的一致性,可以实现批量的缺陷图像的成像效果判断,大幅度降低时间成本,由于在对成像质量评价的过程中,关注到了缺陷图像的掩膜,使目标缺陷图像的成像更加满足调试和检测需求,更符合工业生产实际情况。
图3是根据本公开实施例的缺陷检测参数的确定装置的结构示意图。
如图3所示,该缺陷检测参数的确定装置300包括:第一获取模块310、生成模块320、第二获取模块330、第一确定模块340和第二确定模块350,
第一获取模块310,用于获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个所述缺陷图像对应的掩膜图像,所述多个缺陷图像分别对应的光学检测参数不同;
生成模块320,用于将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像;
第二获取模块330,用于获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像;
第一确定模块340,用于根据各个所述比对结果,确定所述每种缺陷类型对应的目标缺陷图像;
第二确定模块350,用于将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。
可选的,所述第一获取模块,包括:
第一获取单元,具体用于基于预设的多组光学检测参数,对待检测设备的每种缺陷类型对应的缺陷样品进行检测,以获取多个缺陷图像。
可选的,每组所述光学检测参数包含以下至少一项:
相机的曝光范围;
所述相机的个数和类型;
光源的数量;
所述光源的亮度范围;
所述相机的移动角度范围;
所述光源的移动角度范围;
所述相机的步长常数;
所述光源的步长常数。
所述光源和所述相机的相对位置。
可选的,所述第一获取模块,包括:
第一确定单元,用于确定每个所述缺陷图像中的缺陷区域,以及背景区域;
第一赋值单元,用于将所述背景区域的像素值赋值为第一预设值,并将所述缺陷区域赋值为第二预设值;
第二赋值单元,用于将所述缺陷图像中所述背景区域和所述缺陷区域之外的区域赋值为第三预设值,以生成掩膜图像,其中,所述第三预设值大于所述第一预设值且小于第二预设值。
可选的,所述第一确定单元,具体用于:
对每个所述缺陷图像进行图像分割处理,以确定每个所述缺陷图像对应的待检测区域;
确定所述缺陷图像中所述待检测区域之外的区域为背景区域;
确定每种所述缺陷类型对应的参考缺陷区域;
根据每个所述缺陷图像对应的缺陷类型,以及所述缺陷类型对应的参考缺陷区域,确定每个所述缺陷图像中的目标缺陷检测区域。
可选的,所述第二赋值单元,具体用于:
响应于确定所述缺陷图像中的待检测区域为中框区域,且所述中框区域为直边,将所述中框区域中所述缺陷区域之外的区域的像素值赋值为第三预设值。
可选的,所述第二赋值单元,具体用于:
响应于确定所述缺陷图像中的待检测区域为中框区域,且所述中框区域为曲边,
根据所述中框区域中每个像素点的横坐标,以及高斯函数,计算每个所述像素点对应的第三预设值;
将所述中框区域中所述缺陷区域之外的区域的像素值赋值为第三预设值。
可选的,所述第二确定模块,还用于:
基于预设的映射关系,确定与所述目标缺陷图像的比对结果对应的所述候选缺陷检测参数中每项参数的修正步长;
根据每个所述修正步长,对所述候选缺陷检测参数中对应的参数进行调整。
可选的,所述第一确定模块,具体用于:
根据每种缺陷类型对应的各个缺陷图像的相似度,确定每种缺陷类型的所述各个缺陷图像中的最大相似度值;
将每种缺陷类型对应的最大相似度值对应的缺陷图像,确定为与所述每种缺陷类型对应的目标缺陷图像。
可选的,该装置还包括:
第三确定模块,用于响应于确定任一缺陷图像对应的相似度为各个所述相似度中的最大值的情况下,将所述任一缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。
本公开实施例中,首先可以获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个所述缺陷图像对应的掩膜图像,所述多个缺陷图像分别对应的光学检测参数不同,然后将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像,之后获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像,然后根据各个所述相似度,确定所述每种缺陷类型对应的目标缺陷图像,之后将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。由此,可以将比较耗时的参数调试方案提前确定好,大大的节省人工在现场进行装备调试的时间,由于可以为每种类型的缺陷确定好对应的候选缺陷检测参数,评价标准客观,可以保障待检测设备指标的一致性,可以实现批量的缺陷图像的成像效果判断,大幅度降低时间成本,由于在对成像质量评价的过程中,关注到了缺陷图像的掩膜,使目标缺陷图像的成像更加满足调试和检测需求,更符合工业生产实际情况。
本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
为了实现上述实施例,本公开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,处理器执行程序时,实现如本公开前述实施例提出的缺陷检测参数的确定方法。
为了实现上述实施例,本公开还提出一种非临时性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如本公开前述实施例提出的缺陷检测参数的确定方法。
为了实现上述实施例,本公开还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本公开前述实施例提出的缺陷检测参数的确定方法。
图4示出了适于用来实现本公开实施方式的示例性电子设备的框图。图4显示的电子设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnection,PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read Only Memory,CD-ROM)、数字多功能只读光盘(Digital Video Disc Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide AreaNetwork,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种缺陷检测参数的确定方法,其特征在于,包括:
获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个所述缺陷图像对应的掩膜图像,所述多个缺陷图像分别对应的光学检测参数不同;
将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像;
获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像,其中,所述比对结果为每个所述融合图像与所述参考图像之间的相似度;
根据各个所述比对结果,确定所述每种缺陷类型对应的目标缺陷图像,其中,所述目标缺陷图像为每种缺陷类型的缺陷样品对应的成像效果最好的缺陷检测图像,其中,所述融合图像与所述参考图像之间的相似度越高,图像质量越高,成像效果越好;
将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数;
所述获取每个所述缺陷图像对应的掩膜图像,包括:
确定每个所述缺陷图像中的缺陷区域,以及背景区域;
将所述背景区域的像素值赋值为第一预设值,并将所述缺陷区域赋值为第二预设值;
将所述缺陷图像中所述背景区域和所述缺陷区域之外的区域赋值为第三预设值,以生成掩膜图像,其中,所述第三预设值大于所述第一预设值且小于第二预设值。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测设备的每种缺陷类型对应的多个缺陷图像,包括:
基于预设的多组光学检测参数,对待检测设备的每种缺陷类型对应的缺陷样品进行检测,以获取多个缺陷图像。
3.根据权利要求2所述的方法,其特征在于,其中,每组所述光学检测参数包含以下至少一项:
相机的曝光范围;
所述相机的个数和类型;
光源的数量;
所述光源的亮度范围;
所述相机的移动角度范围;
所述光源的移动角度范围;
所述相机的步长常数;
所述光源的步长常数;
所述光源和所述相机的相对位置。
4.根据权利要求1-3任一所述的方法,其特征在于,所述确定所述缺陷图像中的缺陷区域,以及背景区域,包括:
对每个所述缺陷图像进行图像分割处理,以确定每个所述缺陷图像对应的待检测区域;
确定所述缺陷图像中所述待检测区域之外的区域为背景区域;
确定每种所述缺陷类型对应的参考缺陷区域;
根据每个所述缺陷图像对应的缺陷类型,以及所述缺陷类型对应的参考缺陷区域,确定每个所述缺陷图像中的缺陷区域。
5.根据权利要求1-3任一所述的方法,其特征在于,所述将所述缺陷图像中所述背景区域和所述缺陷区域之外的区域赋值为第三预设值,包括:
响应于确定所述缺陷图像中的待检测区域为中框区域,且所述中框区域为直边,将所述中框区域中所述缺陷区域之外的区域的像素值赋值为第三预设值。
6.根据权利要求4所述的方法,其特征在于,所述将所述缺陷图像中所述背景区域和所述缺陷区域之外的区域赋值为第三预设值,包括:
响应于确定所述缺陷图像中的待检测区域为中框区域,且所述中框区域为曲边,
根据所述中框区域中每个像素点的横坐标,以及高斯函数,计算每个所述像素点对应的第三预设值;
将所述中框区域中所述缺陷区域之外的区域的像素值赋值为第三预设值。
7.根据权利要求1所述的方法,其特征在于,在所述将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数之后,还包括:
基于预设的映射关系,确定与所述目标缺陷图像的比对结果对应的所述候选缺陷检测参数中每项参数的修正步长;
根据每个所述修正步长,对所述候选缺陷检测参数中对应的参数进行调整。
8.根据权利要求1所述的方法,其特征在于,所述比对结果为相似度,所述根据各个所述比对结果,确定所述每种缺陷类型对应的目标缺陷图像,包括:
根据每种缺陷类型对应的各个缺陷图像的相似度,确定每种缺陷类型的所述各个缺陷图像中的最大相似度值;
将每种缺陷类型对应的最大相似度值对应的缺陷图像,确定为与所述每种缺陷类型对应的目标缺陷图像。
9.根据权利要求8所述的方法,其特征在于,还包括:
响应于确定任一缺陷图像对应的相似度为各个所述相似度中的最大值的情况下,将所述任一缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数。
10.一种缺陷检测参数的确定装置,其特征在于,包括:
第一获取模块,用于获取待检测设备的每种缺陷类型对应的多个缺陷图像,并获取每个所述缺陷图像对应的掩膜图像,所述多个缺陷图像分别对应的光学检测参数不同;
生成模块,用于将每个所述缺陷图像分别与所述对应的掩膜图像进行融合,以生成多个融合图像;
第二获取模块,用于获取每个所述融合图像与参考图像之间的比对结果,所述参考图像为预先确定的所述缺陷图像的评价标准图像,其中,所述比对结果为每个所述融合图像与所述参考图像之间的相似度;
第一确定模块,用于根据各个所述比对结果,确定所述每种缺陷类型对应的目标缺陷图像,其中,所述目标缺陷图像为每种缺陷类型的缺陷样品对应的成像效果最好的缺陷检测图像,其中,所述融合图像与所述参考图像之间的相似度越高,图像质量越高,成像效果越好;
第二确定模块,用于将每个所述目标缺陷图像对应的光学检测参数,确定为所述待检测设备对应的候选缺陷检测参数;
所述第一获取模块,包括:
第一确定单元,用于确定每个所述缺陷图像中的缺陷区域,以及背景区域;
第一赋值单元,用于将所述背景区域的像素值赋值为第一预设值,并将所述缺陷区域赋值为第二预设值;
第二赋值单元,用于将所述缺陷图像中所述背景区域和所述缺陷区域之外的区域赋值为第三预设值,以生成掩膜图像,其中,所述第三预设值大于所述第一预设值且小于第二预设值。
11.一种电子设备,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,所述处理器执行所述程序时,实现如权利要求1-9中任一所述的缺陷检测参数的确定方法。
12.一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1-9中任一所述的缺陷检测参数的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211585253.0A CN115937147B (zh) | 2022-12-09 | 2022-12-09 | 缺陷检测参数的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211585253.0A CN115937147B (zh) | 2022-12-09 | 2022-12-09 | 缺陷检测参数的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937147A CN115937147A (zh) | 2023-04-07 |
CN115937147B true CN115937147B (zh) | 2023-09-26 |
Family
ID=86555116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211585253.0A Active CN115937147B (zh) | 2022-12-09 | 2022-12-09 | 缺陷检测参数的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937147B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681660B (zh) * | 2023-05-18 | 2024-04-19 | 中国长江三峡集团有限公司 | 一种目标对象缺陷检测方法、装置、电子设备及存储介质 |
CN116953196B (zh) * | 2023-09-20 | 2023-12-05 | 上海飞挺管业制造有限公司 | 一种钢制三通的缺陷检测与安全状态评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037142A (zh) * | 2017-12-04 | 2018-05-15 | 江苏维普光电科技有限公司 | 基于图像灰度值的掩膜版光学缺陷检测方法 |
CN112505056A (zh) * | 2021-02-08 | 2021-03-16 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
WO2021135331A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN113194303A (zh) * | 2021-06-29 | 2021-07-30 | 深圳小米通讯技术有限公司 | 图像白平衡方法、装置、电子设备和计算机可读存储介质 |
CN114897806A (zh) * | 2022-04-27 | 2022-08-12 | 浙江华睿科技股份有限公司 | 缺陷检测方法、电子设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11030738B2 (en) * | 2019-07-05 | 2021-06-08 | International Business Machines Corporation | Image defect identification |
-
2022
- 2022-12-09 CN CN202211585253.0A patent/CN115937147B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037142A (zh) * | 2017-12-04 | 2018-05-15 | 江苏维普光电科技有限公司 | 基于图像灰度值的掩膜版光学缺陷检测方法 |
WO2021135331A1 (zh) * | 2019-12-30 | 2021-07-08 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN112505056A (zh) * | 2021-02-08 | 2021-03-16 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
CN113194303A (zh) * | 2021-06-29 | 2021-07-30 | 深圳小米通讯技术有限公司 | 图像白平衡方法、装置、电子设备和计算机可读存储介质 |
CN114897806A (zh) * | 2022-04-27 | 2022-08-12 | 浙江华睿科技股份有限公司 | 缺陷检测方法、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115937147A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115937147B (zh) | 缺陷检测参数的确定方法、装置、设备及存储介质 | |
WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
CN112505056A (zh) | 缺陷检测方法和装置 | |
CN113146073B (zh) | 基于视觉的激光切割方法及装置、电子设备、存储介质 | |
CN113176270B (zh) | 一种调光方法、装置及设备 | |
WO2017161598A1 (en) | Fast density estimation method for defect inspection application | |
CN111428373A (zh) | 产品装配质量检测方法、装置、设备及存储介质 | |
CN111428374A (zh) | 零件缺陷检测方法、装置、设备及存储介质 | |
JP2003057019A (ja) | パターン検査装置および方法 | |
CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 | |
CN112595496A (zh) | 近眼显示设备的不良检测方法、装置、设备及存储介质 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN113610054B (zh) | 一种水下结构病害深度检测方法、系统、装置及存储介质 | |
CN116703803A (zh) | 用于检测电池极片边缘的毛刺的方法、设备和系统 | |
CN114359161A (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN117252897B (zh) | 塑形镜划痕前景图像提取方法、装置、设备及存储介质 | |
JP2006292615A (ja) | 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体 | |
CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
CN116912475B (zh) | 一种显示屏异物检测方法、装置、电子设备和存储介质 | |
US6928192B2 (en) | User interface for interactive removal of defects in an image sequence | |
CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN117274132A (zh) | 多尺度自编码器生成方法、电子设备及存储介质 | |
CN113989135A (zh) | 一种图像修复的方法、装置、电子设备及存储介质 | |
CN116045852B (zh) | 三维形貌模型确定方法、装置及三维形貌测量设备 |
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 |