CN115984246B - 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 - Google Patents
基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN115984246B CN115984246B CN202310080768.3A CN202310080768A CN115984246B CN 115984246 B CN115984246 B CN 115984246B CN 202310080768 A CN202310080768 A CN 202310080768A CN 115984246 B CN115984246 B CN 115984246B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- convolution
- result
- block
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
本发明属于机器视觉技术领域，公开了一种基于机器视觉的缺陷快速检测方法及装置、设备、存储介质，方法包括将待检测图像划分成若干图像子块；计算每个图像子块的多个相位一致性值，并求每个图像子块的多个相位一致性值的平均值；将平均值较大的指定数量个图像子块作为缺陷子块。该检测方法通过计算图像的相位一致性来检测图像中的边缘，可以不受图像局部光线明暗变化的影响，并能包含图像中的角、线、纹理等信息，尤其在图像边缘对比度比较低时保留边缘信息，从而对图像的亮度、对比度不敏感，可以很好的克服光线明暗所带来的纹理结构影响，进而可以提高基于机器视觉的产品表面缺陷检测的精确度。
Description
技术领域
本发明属于机器视觉技术领域，具体涉及一种基于机器视觉的缺陷快速检测方法及装置、设备、存储介质。
背景技术
工业产品如果存在变形、缺料、毛刺、黑点、划伤等缺陷，将导致产品美观和质量大打折扣。机器视觉检测是产品表面缺陷检测方法之一。该方法将待检测产品转换成图像信号，利用数字图像处理技术提取可以描述缺陷的特征。
在图像处理领域，基本特征可以分为点特征和线特征。角点等公共点特征通过局部点的大小和方向来表示对象。线特征由连续的点序列元素组成，如边缘特征，可以形成连通区域。缺陷往往以线特征的形式出现。
缺陷特征提取可能会受到多种因素的影响，例如变化、对比度、光照和噪声干扰。尤其是一些弱纹理特征，如口罩的生产线中掉落到口罩上的毛发、电子器件与表面纹理非常相似的划痕、SMT贴片元件缺陷、X光安检图像检测等图像对比度较低的应用场景中，检测难度更大。
而传统的Sobel、Canny等特征检测算法从梯度的一阶导数极大值或二阶导数过零点来检测边缘，这些检测算法的检测结果跟图像的对比度有很大关系，对于上述对比度较低的应用场景中，经常难以获得准确的弱纹理特征。同时，由于噪声的存在，传统的特征检测算法经常会得到虚假的弱纹理特征，使得计算量大，难以满足实时检测的需求。
因此目前基于机器视觉的产品表面缺陷检测的精确度和处理速度都不够。
发明内容
本发明的目的在于提供一种基于机器视觉的缺陷快速检测方法及装置、设备、存储介质，可以提高基于机器视觉的产品表面缺陷检测的精确度和速度。
本发明实施例第一方面公开一种基于机器视觉的缺陷快速检测方法，包括：
将待检测图像划分成若干图像子块；
计算每个所述图像子块的多个相位一致性值；
求每个所述图像子块的多个相位一致性值的平均值；
将所述平均值较大的指定数量个图像子块作为缺陷子块。
在一些实施例中，所述计算每个所述图像子块的多个相位一致性值，包括：
构建自适应Log Gabor二维小波；
对所述自适应Log Gabor二维小波进行尺度和方向变换，生成多个尺度、多个方向的滤波器组，获得每个尺度下的对称滤波器；
将每个所述图像子块与所述对称滤波器进行卷积计算，获得每个所述图像子块的卷积结果；
根据所述卷积结果，计算每个尺度下、每个方向下的振幅向量和相位向量；
根据每个尺度下、每个方向下的振幅向量和相位向量，计算每个所述图像子块的多个相位一致性值。
在一些实施例中，所述对称滤波器包括偶对称滤波器和奇对称滤波器；所述将每个所述图像子块与所述对称滤波器进行卷积计算获得每个所述图像子块的卷积结果，包括：
将每个所述图像子块与所述偶对称滤波器进行卷积计算，获得每个所述图像子块的第一卷积子结果；
将每个所述图像子块与所述奇对称滤波器进行卷积计算，获得每个所述图像子块的第二卷积子结果；
将所述第一卷积子结果和所述第二卷积子结果作为卷积结果。
在一些实施例中，所述构建自适应Log Gabor二维小波之后，所述方法还包括：
获取衰减频率为第一频率值的多个样本图像；
计算每个所述样本图像的频谱衰减图，得到衰减至中心频率的指定百分比时所对应第二频率值；
根据所述第一频率值和所述第二频率值，确定所述自适应Log Gabor二维小波的参数。
本发明实施例第二方面公开一种基于机器视觉的缺陷快速检测装置，包括：
划分单元，用于将待检测图像划分成若干图像子块；
计算单元，用于计算每个所述图像子块的多个相位一致性值；
平均单元，用于求每个所述图像子块的多个相位一致性值的平均值；
选择单元，用于将所述平均值较大的指定数量个图像子块作为缺陷子块。
在一些实施例中，所述计算单元包括：
构建子单元，用于构建自适应Log Gabor二维小波；
变换子单元，用于对所述自适应Log Gabor二维小波进行尺度和方向变换，生成多个尺度、多个方向的滤波器组，获得每个尺度下的对称滤波器；
卷积子单元，用于将每个所述图像子块与所述对称滤波器进行卷积计算，获得每个所述图像子块的卷积结果；
第一计算子单元，用于根据所述卷积结果，计算每个尺度下、每个方向下的振幅向量和相位向量；
第二计算子单元，用于根据每个尺度下、每个方向下的振幅向量和相位向量，计算每个所述图像子块的多个相位一致性值。
在一些实施例中，所述对称滤波器包括偶对称滤波器和奇对称滤波器；
所述卷积子单元，具体用于将每个所述图像子块与所述偶对称滤波器进行卷积计算，获得每个所述图像子块的第一卷积子结果；以及，将每个所述图像子块与所述奇对称滤波器进行卷积计算，获得每个所述图像子块的第二卷积子结果；以及将所述第一卷积子结果和所述第二卷积子结果作为卷积结果。
在一些实施例中，基于机器视觉的缺陷快速检测装置还包括：
获取单元，用于所述构建子单元构建自适应Log Gabor二维小波之后，获取衰减频率为第一频率值的多个样本图像；
频谱衰减单元，用于计算每个所述样本图像的频谱衰减图，得到衰减至中心频率的指定百分比时所对应第二频率值；
参数确定单元，用于根据所述第一频率值和所述第二频率值，确定所述自适应LogGabor二维小波的参数。
本发明实施例第三方面公开一种电子设备，包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行第一方面公开的基于机器视觉的缺陷快速检测方法。
本发明实施例第四方面公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行第一方面公开的基于机器视觉的缺陷快速检测方法。
本发明的有益效果在于，所提供的基于机器视觉的缺陷快速检测方法及装置、设备、存储介质，方法包括将待检测图像划分成若干图像子块；计算每个图像子块的多个相位一致性值，并求每个图像子块的多个相位一致性值的平均值；将平均值较大的指定数量个图像子块作为缺陷子块。与基于灰度的边缘特征提取方法不同，该检测方法通过计算图像的相位一致性来检测图像中的边缘，可以不受图像局部光线明暗变化的影响，并能包含图像中的角、线、纹理等信息，尤其在图像边缘对比度比较低时保留边缘信息，从而对图像的亮度、对比度不敏感，可以很好的克服光线明暗所带来的纹理结构影响，进而可以提高基于机器视觉的产品表面缺陷检测的精确度，避免无效信息的计算，达到快速检测的效果，可以很好地应用于工业中产品表面瑕疵实时提取场景。
附图说明
此处的附图，示出了本发明所述技术方案的具体实例，并与具体实施方式构成说明书的一部分，用于解释本发明的技术方案、原理及效果。
除非特别说明或另有定义，不同附图中，相同的附图标记代表相同或相似的技术特征，对于相同或相似的技术特征，也可能会采用不同的附图标记进行表示。
图1是一种基于机器视觉的缺陷快速检测方法的流程图；
图2是一种基于机器视觉的缺陷快速检测装置的结构示意图；
图3是一种电子设备的结构示意图。
附图标记说明：
201、划分单元；202、计算单元；203、平均单元；204、选择单元；301、存储器；302、处理器。
具体实施方式
为了便于理解本发明，下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义，本文所使用的所有技术和科学术语与所属技术领域的技术人员通常理解的含义相同。在结合本发明的技术方案以现实的场景的情况下，本文所使用的所有技术和科学术语也可以具有与实现本发明的技术方案的目的相对应的含义。本文所使用的“第一、第二…”仅仅是用于对名称的区分，不代表具体的数量或顺序。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
需要说明的是，当元件被认为“固定于”另一个元件，它可以是直接固定在另一个元件上，也可以是存在居中的元件；当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件，也可以是同时存在居中元件；当一个元件被认为是“安装在”另一个元件，它可以是直接安装在另一个元件，也可以是同时存在居中元件。当一个元件被认为是“设在”另一个元件，它可以是直接设在另一个元件，也可以是同时存在居中元件。
除非特别说明或另有定义，本文所使用的“所述”、“该”为相应位置之前所提及或描述的技术特征或技术内容，该技术特征或技术内容与其所提及的技术特征或技术内容可以是相同的，也可以是相似的。
毫无疑义，与本发明的目的相违背，或者明显矛盾的技术内容或技术特征，应被排除在外。
如图1所示，本发明实施例公开一种基于机器视觉的缺陷快速检测方法，包括：
S1、输入待检测图像I(x)。
S2、将待检测图像划分成若干M×N的图像子块。
S3、利用改进的相位一致性算法计算每个图像子块的多个相位一致性值，并求每个图像子块的多个相位一致性值的平均值，获得每个图像子块的相位一致性平均值(即PC平均值)，并按降序排列。
其中，计算每个所述图像子块的多个相位一致性值，具体包括以下步骤：
S3.1、构建自适应Log Gabor二维小波g(ω)：
式中，ωo为滤波器的中心频率，k为一个大于0的常数。为了保证滤波器的空间域的形状始终为高斯型形状，对于不同的中心频率，k/ωo必须保持不变。Log Gabor滤波器的自变量是频率ω、exp代表指数函数。α为自适应Log Gabor二维小波的参数，wα为自适应LogGabor二维小波的频率。
在构建自适应Log Gabor二维小波之后，还可以获取衰减频率为第一频率值的多个样本图像，如工业机器视觉中获得的普通自然图；然后计算每个样本图像的频谱衰减图，得到衰减至中心频率的指定百分比时所对应第二频率值；根据第一频率值和所述第二频率值，确定自适应Log Gabor二维小波的参数α。
在本实施例中，确定参数α的实施方式包括：令普通自然图的衰减频率为一固定值wc(即第一频率值)，然后每次对工业机器视觉中获得的图像求其频谱衰减图，得到衰减至中心频率的1％时所对应一个频率wα作为第二频率值，利用wc和wα则可计算参数α，即：
S3.2、对自适应Log Gabor二维小波进行尺度和方向变换，生成n尺度、o个方向的滤波器组，获得每个尺度下的对称滤波器。
该对称滤波器包括偶对称滤波器和奇对称滤波器。尺度n下的偶对称滤波器、奇对称滤波器分别用表示，偶对称滤波器、奇对称滤波器是通过自适应Log Gabor二维小波直接构造，分别对应卷积后的实数部分和虚数部分。
S3.3、将待检测图像I(x)的每个图像子块与分别进行卷积计算，获得每个图像子块的第一卷积子结果Feven(x)、第二卷积子结果Hodd(x)，然后将第一卷积子结果和第二卷积子结果作为卷积结果：
S3.4、根据卷积结果，计算尺度n、方向为o的振幅向量|An|和相位向量φn(x)：
φn(x)＝atan2(Hodd(x),Feven(x))
S3.5、对每个尺度下的振幅向量进行组合，获得组合振幅向量∑nAn(x)。
步骤S3.5中，待检测图像中的每个像素点x，在每个尺度下，由步骤S3.3、S3.4都能得到一个振幅向量。考虑所有的尺度，就会得到一组振幅向量∑nAn(x)：
其中，若待检测图像为灰度图像，x表示像素点的灰度值；若待检测图像为彩色图像，x表示像素点的三维数组，即x＝[R，G，B]。
S3.6、计算待检测图像I(x)在每个像素点x处的相位一致性PC2(x)：
上式中WO是频率扩展，式中c为滤波器扩展的截止频率值；g为增益因子，取值一般为0.4-10；/>n为分解的尺度数量；T0是噪声补偿，式中/>为最小的尺度滤波对信号的平均噪声响应的估计；k为缩放因子，典型值为2.5；m为比例因子；Ano(x)、Φno(x)分别是方向o、尺度n下的幅值、相位。
如果中AnO(x)ΔΦnO(x)-TO的值是正数，则取其值，否则取0。ε为一个小的正常数值，用于防止分母为0。
S3.7、求每个图像子块的多个相位一致性值的平均值，获得每个图像子块的相位一致性平均值(即PC平均值)。
S4、选择PC平均值较大的Q个图像子块作为缺陷子块，剩余其它图像子块作为正常子块。其中，Q为指定数量，Q的值取决于实际需求情况中产品表面缺陷的大小。
如图2所示，本发明实施例公开一种基于机器视觉的缺陷快速检测装置，包括划分单元201、计算单元202、平均单元203和选择单元204，其中，
划分单元201，用于将待检测图像划分成若干图像子块；
计算单元202，用于计算每个图像子块的多个相位一致性值；
平均单元203，用于求每个图像子块的多个相位一致性值的平均值；
选择单元204，用于将平均值较大的指定数量个图像子块作为缺陷子块。
在一些实施例中，计算单元202可以包括：
构建子单元，用于构建自适应Log Gabor二维小波；
变换子单元，用于对自适应Log Gabor二维小波进行尺度和方向变换，生成多个尺度、多个方向的滤波器组，获得每个尺度下的对称滤波器；
卷积子单元，用于将每个图像子块与对称滤波器进行卷积计算，获得每个图像子块的卷积结果；
第一计算子单元，用于根据卷积结果，计算每个尺度下、每个方向下的振幅向量和相位向量；
第二计算子单元，用于根据每个尺度下、每个方向下的振幅向量和相位向量，计算每个图像子块的多个相位一致性值。
在一些实施例中，对称滤波器包括偶对称滤波器和奇对称滤波器；上述的卷积子单元，具体用于将每个图像子块与偶对称滤波器进行卷积计算，获得每个图像子块的第一卷积子结果；以及，将每个图像子块与奇对称滤波器进行卷积计算，获得每个图像子块的第二卷积子结果；以及将第一卷积子结果和第二卷积子结果作为卷积结果。
在一些实施例中，本基于机器视觉的缺陷快速检测装置还包括：
获取单元，用于构建子单元构建自适应Log Gabor二维小波之后，获取衰减频率为第一频率值的多个样本图像；
频谱衰减单元，用于计算每个样本图像的频谱衰减图，得到衰减至中心频率的指定百分比时所对应第二频率值；
参数确定单元，用于根据第一频率值和第二频率值，确定自适应Log Gabor二维小波的参数。
如图3所示，本发明实施例公开一种电子设备，包括存储有可执行程序代码的存储器301以及与存储器301耦合的处理器302；
其中，处理器302调用存储器301中存储的可执行程序代码，执行上述各实施例中描述的基于机器视觉的缺陷快速检测方法。
本发明实施例还公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行上述各实施例中描述的基于机器视觉的缺陷快速检测方法。
以上实施例的目的，是对本发明的技术方案进行示例性的再现与推导，并以此完整的描述本发明的技术方案、目的及效果，其目的是使公众对本发明的公开内容的理解更加透彻、全面，并不以此限定本发明的保护范围。
以上实施例也并非是基于本发明的穷尽性列举，在此之外，还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进，均属本发明的保护范围。
Claims (4)
1.基于机器视觉的缺陷快速检测方法，其特征在于，包括：
将待检测图像划分成若干图像子块；
构建自适应Log Gabor二维小波；
获取衰减频率为第一频率值的多个样本图像；
计算每个所述样本图像的频谱衰减图，得到衰减至中心频率的指定百分比时所对应第二频率值；其中，所述指定百分比为1％；
根据所述第一频率值和所述第二频率值，确定所述自适应Log Gabor二维小波的参数；
对所述自适应Log Gabor二维小波进行尺度和方向变换，生成多个尺度、多个方向的滤波器组，获得每个尺度下的对称滤波器；所述对称滤波器包括偶对称滤波器和奇对称滤波器；
将每个所述图像子块与所述偶对称滤波器进行卷积计算，获得每个所述图像子块的第一卷积子结果；
将每个所述图像子块与所述奇对称滤波器进行卷积计算，获得每个所述图像子块的第二卷积子结果；
将每个所述图像子块的所述第一卷积子结果和所述第二卷积子结果作为卷积结果；
根据所述卷积结果，计算每个尺度下、每个方向下的振幅向量和相位向量；
根据每个尺度下、每个方向下的振幅向量和相位向量，计算每个所述图像子块的多个相位一致性值；
求每个所述图像子块的多个相位一致性值的平均值；
将所述平均值较大的指定数量个图像子块作为缺陷子块；
其中，根据所述卷积结果计算每个尺度下、每个方向下的振幅向量和相位向量，包括通过以下公式计算：
φn(x)＝atan2(Hodd(x),Feven(x))
其中，|An|表示振幅向量，φn(x)表示相位向量、Feven(x)表示第一卷积子结果、Hodd(x)表示第二卷积子结果、n表示尺度、o表示方向；若待检测图像为灰度图像，x表示像素点的灰度值；若待检测图像为彩色图像，x表示像素点的三维数组，x＝[R，G，B]。
2.基于机器视觉的缺陷快速检测装置，其特征在于，包括：
划分单元，用于将待检测图像划分成若干图像子块；
计算单元，用于计算每个所述图像子块的多个相位一致性值；
平均单元，用于求每个所述图像子块的多个相位一致性值的平均值；
选择单元，用于将所述平均值较大的指定数量个图像子块作为缺陷子块；
其中，所述计算单元包括：
构建子单元，用于构建自适应Log Gabor二维小波；
变换子单元，用于对所述自适应Log Gabor二维小波进行尺度和方向变换，生成多个尺度、多个方向的滤波器组，获得每个尺度下的对称滤波器；所述对称滤波器包括偶对称滤波器和奇对称滤波器；
卷积子单元，用于将每个所述图像子块与所述偶对称滤波器进行卷积计算，获得每个所述图像子块的第一卷积子结果；以及，将每个所述图像子块与所述奇对称滤波器进行卷积计算，获得每个所述图像子块的第二卷积子结果；以及将每个所述图像子块的所述第一卷积子结果和所述第二卷积子结果作为卷积结果；
第一计算子单元，用于根据所述卷积结果，计算每个尺度下、每个方向下的振幅向量和相位向量；
第二计算子单元，用于根据每个尺度下、每个方向下的振幅向量和相位向量，计算每个所述图像子块的多个相位一致性值；
其中，所述第一计算子单元，具体用于通过以下公式计算：
φn(x)＝atan2(Hodd(x),Feven(x))
其中，|An|表示振幅向量，φn(x)表示相位向量、Feven(x)表示第一卷积子结果、Hodd(x)表示第二卷积子结果、n表示尺度、o表示方向；若待检测图像为灰度图像，x表示像素点的灰度值；若待检测图像为彩色图像，x表示像素点的三维数组，x＝[R，G，B]；
所述基于机器视觉的缺陷快速检测装置，还包括：
获取单元，用于所述构建子单元构建自适应Log Gabor二维小波之后，获取衰减频率为第一频率值的多个样本图像；
频谱衰减单元，用于计算每个所述样本图像的频谱衰减图，得到衰减至中心频率的指定百分比时所对应第二频率值；其中，所述指定百分比为1％；
参数确定单元，用于根据所述第一频率值和所述第二频率值，确定所述自适应LogGabor二维小波的参数。
3.电子设备，其特征在于，包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1所述的基于机器视觉的缺陷快速检测方法。
4.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计算机程序，其中，所述计算机程序使得计算机执行权利要求1所述的基于机器视觉的缺陷快速检测方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210112010 | 2022-01-27 | ||
| CN2022101120109 | 2022-01-27 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115984246A CN115984246A (zh) | 2023-04-18 |
| CN115984246B true CN115984246B (zh) | 2024-01-23 |
Family
ID=85961645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310080768.3A Active CN115984246B (zh) | 2022-01-27 | 2023-01-17 | 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115984246B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078541A (zh) * | 2023-07-26 | 2023-11-17 | 苏州城市学院 | 一种基于相位对称性的焊缝射线图像增强方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016664A (zh) * | 2017-01-18 | 2017-08-04 | 华侨大学 | 一种大圆机的坏针瑕疵检测方法 |
| CN109859219A (zh) * | 2019-02-26 | 2019-06-07 | 江西理工大学 | 结合相位与光谱的高分遥感影像分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
-
2023
- 2023-01-17 CN CN202310080768.3A patent/CN115984246B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016664A (zh) * | 2017-01-18 | 2017-08-04 | 华侨大学 | 一种大圆机的坏针瑕疵检测方法 |
| CN109859219A (zh) * | 2019-02-26 | 2019-06-07 | 江西理工大学 | 结合相位与光谱的高分遥感影像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| Defect Detection Based on Fusion of Phase Congruency and Shear Wavelet;Rihong Li等;《2020 International Sympositm1 on Autonomous Systems (ISAS)》;正文第三部分 * |
| 采用机器视觉的金属表面横向裂纹检测;王清晨;景军锋;;电子测量与仪器学报(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115984246A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6792842B2 (ja) | 外観検査装置、変換データ生成装置、及びプログラム | |
| Xia et al. | Infrared small target detection based on multiscale local contrast measure using local energy factor | |
| Ndajah et al. | SSIM image quality metric for denoised images | |
| CN108109147B (zh) | 一种模糊图像的无参考质量评价方法 | |
| CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
| CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
| CN115984246B (zh) | 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 | |
| Biradar et al. | A novel image inpainting technique based on median diffusion | |
| CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
| CN112241929A (zh) | 水印嵌入及水印检测方法、装置及电子设备 | |
| CN107451980A (zh) | 一种基于压缩感知的太赫兹图像去噪方法 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN112132774A (zh) | 一种色调映射图像的质量评价方法 | |
| CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
| CN116958145B (zh) | 图像处理方法、装置、视觉检测系统及电子设备 | |
| CN107478656A (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
| JP6527765B2 (ja) | シワ状態分析装置及びシワ状態分析方法 | |
| CN107610218B (zh) | 一种面向立体结构网点三维图像重建的层面数据获取方法 | |
| CN116778269A (zh) | 一种基于自编码器重构产品表面缺陷检测模型构建方法 | |
| Prabha et al. | Defect detection of industrial products using image segmentation and saliency | |
| CN115775283A (zh) | 图像压缩方法、装置、存储介质及计算机设备 | |
| CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 | |
| Rosli et al. | Some technique for an Image of defect in inspection process based on image processing | |
| CN107203976A (zh) | 一种基于噪点检测的自适应非局部均值去噪方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |