CN116258714B - 一种缺陷识别方法、装置、电子设备和存储介质 - Google Patents

一种缺陷识别方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN116258714B
CN116258714B CN202310533547.7A CN202310533547A CN116258714B CN 116258714 B CN116258714 B CN 116258714B CN 202310533547 A CN202310533547 A CN 202310533547A CN 116258714 B CN116258714 B CN 116258714B
Authority
CN
China
Prior art keywords
identification
edge
determining
point cloud
area
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
Application number
CN202310533547.7A
Other languages
English (en)
Other versions
CN116258714A (zh
Inventor
曲晓春
毕文波
王连庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Suyingshi Image Software Technology Co ltd
Original Assignee
Suzhou Suyingshi Image Software Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Suyingshi Image Software Technology Co ltd filed Critical Suzhou Suyingshi Image Software Technology Co ltd
Priority to CN202310533547.7A priority Critical patent/CN116258714B/zh
Publication of CN116258714A publication Critical patent/CN116258714A/zh
Application granted granted Critical
Publication of CN116258714B publication Critical patent/CN116258714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种缺陷识别方法、装置、电子设备和存储介质。具体包括：获取待测物品的目标点云图像；根据待测物品的棱边半径和目标点云图像，确定待测物品的棱边区域；根据棱边区域和预设顺序的序号，按预设尺寸将棱边区域划分为至少两个识别区；其中，相邻序号的识别区相互重叠；根据各识别区，对待测物品进行缺陷识别。本申请实施例的技术方案，通过识别目标点云图像中的棱边区域，将棱边区域拆分成不同的识别区，且相邻识别区互相重叠，这一定程度上大大降低了因识别区的划分而导致被不同识别区拆分的缺陷不容易被识别的概率，进一步的提高了缺陷识别的准确性和稳定性。

Description

一种缺陷识别方法、装置、电子设备和存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种缺陷识别方法、装置、电子设备和存储介质。
背景技术
随着自动化技术的发展，越来越多的厂商利用自动化设备进行产品的生产、仓储、运输等，在生产完成后质检过程中，利用自动化设备进行产品质量检查也越发的成为了流程中不可或缺的一步。
当前，针对具备棱边的相关产品进行外形检查时，通常通过3D检测算法对产品表面和棱边进行识别，并根据3D识别的点云图像对产品的表面和棱边上出现的凹凸不平进行确定，但这种传统的3D检测算法稳定性差使得检出率低，并且无法准确识别产品棱边缺陷的量化指标。
发明内容
本申请提供了一种缺陷识别方法、装置、电子设备和存储介质，以提高缺陷检测的准确性和稳定性。
根据本申请的一方面，提供了一种缺陷识别方法，所述方法包括：
获取待测物品的目标点云图像；
根据待测物品的棱边半径和目标点云图像，确定待测物品的棱边区域；
根据棱边区域和预设顺序的序号，按预设尺寸将棱边区域划分为至少两个识别区；其中，相邻序号的识别区相互重叠；
根据各识别区，对待测物品进行缺陷识别。
根据本申请的另一方面，提供了一种缺陷识别装置，包括：
图像获取模块，用于获取待测物品的目标点云图像；
棱边确定模块，用于根据待测物品的棱边半径和目标点云图像，确定待测物品的棱边区域；
识别区划分模块，用于根据棱边区域和预设顺序的序号，按预设尺寸将棱边区域划分为至少两个识别区；其中，相邻序号的识别区相互重叠；
缺陷识别模块，用于根据各识别区，对待测物品进行缺陷识别。
根据本申请的另一方面，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本申请任一实施例所述的缺陷识别方法。
根据本申请的另一方面，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本申请任一实施例所述的缺陷识别方法。
本申请实施例的技术方案，通过识别目标点云图像中的棱边区域，将棱边区域拆分成不同的识别区，且相邻识别区互相重叠，这一定程度上大大降低了因识别区的划分而导致被不同识别区拆分的缺陷不容易被识别的概率，进一步的提高了缺陷识别的准确性和稳定性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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。
图1是根据本申请实施例一提供的一种缺陷识别方法的流程图；
图2是根据本申请实施例二提供的一种缺陷识别方法的流程图；
图3A是根据本申请实施例三所提供的3D相机拍摄示意图；
图3B是根据本申请实施例三所提供的灰度图像示意图；
图3C是根据本申请实施例三所提供的棱边区域识别的示意图；
图3D是根据本申请实施例三所提供的识别区划分的示意图；
图3E是根据本申请实施例三所提供的拟合直线的示意图；
图4是根据本申请实施例四提供的一种缺陷识别装置的结构示意图；
图5是实现本申请实施例的缺陷识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本申请实施例一提供了一种缺陷识别方法的流程图，本实施例可适用于对存在棱边的产品进行表面缺陷识别的情况，该方法可以由缺陷识别装置来执行，该缺陷识别装置可以采用硬件和/或软件的形式实现，该缺陷识别装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取待测物品的目标点云图像。
其中，待测物品可以是需要进行平面或者棱边的缺陷识别的物品。目标点云图像可以是待测物品被拍摄的点云图像，目标点云图像中可以至少包括待测物品的待测部位，例如棱边部分。获取目标点云图像的方法可以是采用视觉相机进行拍摄并获取的，当然视觉相机可以采用能够获取点云信息的，例如可以是线激光3D相机等。当然，需要说明的是，视觉相机可以从某个角度拍摄待测物品的全景，也可以针对待测物品的某一部分进行拍摄；相应的目标点云图像也可以为待测物品的全局或者局部。
S120、根据待测物品的棱边半径和目标点云图像，确定待测物品的棱边区域。
可以理解的是，产品的棱边为了给予客户良好的手感一般做圆滑处理，因此棱边的截面是四分之一圆的状态。因此，待测物品的棱边半径可以是预先已知的待测物品的固有属性。待测物品的棱边区域可以是在目标点云图像中确定待测物品的棱边在目标点云图像中的图像区域。
可以理解的是，棱边半径的存在可以有助于计算目标点云图像中棱边区域的宽度，而目标点云图像中拍摄的待测物品的长度可以帮助确定棱边区域的长度或者棱边弧度等。因此可以根据这些宽度、长度甚至弧度等确定图像中棱边所在的区域，可以是平面区域也可以是立体区域，本申请实施例对此不做限定。
S130、根据棱边区域和预设顺序的序号，按预设尺寸将棱边区域划分为至少两个识别区；其中，相邻序号的识别区相互重叠。
其中，预设顺序可以是用于划分识别区的顺序，可以理解的是，棱边区域在图像中实际上展示为一种长条状的区域（并不一定是规则的长方形或长方体，可能存在某些边或面有弧度），将这个棱边区域划分成较小的识别区时，需要按照预设的顺序进行划分，每个识别区都有自己的序号。当然，针对棱边区域划分的依据依然是预先设定的划分尺寸，按照这个预先设定的尺寸将棱边区域划分为多个识别区，前一个识别区与后一个识别区可以相互重叠。可以立即的是，如果首尾相接的识别区在分界线处将缺陷分割，容易对识别造成影响，导致缺陷识别的准确度下降。因此前后相邻的识别区互相重叠可以有效降低这种影响。
S140、根据各识别区，对待测物品进行缺陷识别。
在不同的识别区中进行缺陷的识别，最后进行统筹可以得到所述棱边区域中的缺陷所在。当然，对缺陷的识别可以采用相关技术中的任意一种缺陷识别算法，本申请实施例在此不做限定。
本申请实施例的技术方案，通过识别目标点云图像中的棱边区域，将棱边区域拆分成不同的识别区，且相邻识别区互相重叠，这一定程度上大大降低了因识别区的划分而导致被不同识别区拆分的缺陷不容易被识别的概率，进一步的提高了缺陷识别的准确性和稳定性。
实施例二
图2为本申请实施例二提供的一种缺陷识别方法的流程图，本实施例是在前述实施例的基础上，对棱边区域的进行的进一步细化。如图2所示，该方法包括：
S210、获取待测物品的目标点云图像。
S220、根据目标点云图像中各点云的高度值，确定目标点云图像对应的目标灰度图像。
其中，目标点云图像中本就存在点云信息，其中包括点云的高度值。也即各点云在以某参考系为基准情况下的高度信息。当然，该参考系可以由相关技术人员根据具体情况进行确定，不同的参考系的选择导致点云的高度值的数值不尽相同，但不影响对缺陷的识别。将存有高度值信息的目标图像转化为灰度图像，可以将不同的高度值对应至灰度值，即完成从三维图像信息转化为二维图像信息的过程。目标点云图像对应的即为目标灰度图像。
在一种可选实施方式中，所述根据目标点云图像中各点云的高度值，确定目标点云图像对应的目标灰度图像，可以包括：将高度值进行灰度映射，得到目标灰度图像。
其中，灰度映射可以是将高度值映射到灰度值的方法，例如若需要生成8bit的灰度图像，那么灰度值的范围在0~255，可以将点云中最高的高度值对应至灰度值255，由此得到一个转换比例，以此为基础，将所有的高度值全部映射至对应的灰度值，这样所有的高度值均可以有一个灰度值与其对应，不会出现灰度值溢出255的情况，从而生成目标灰度图像。
进一步的，所述方法还可以包括：根据灰度映射后的目标灰度图像，确定灰度转换系数。
可以立即的是，所述灰度转换系数即为上述高度值转化至灰度值的转换比例，这个比例不仅用于高度值转化为灰度值，还可以用于灰度值还原成高度值。
S230、根据目标灰度图像和棱边半径，确定棱边区域。
在转化后的目标灰度图像中，以棱边半径为宽度，目标灰度图像中拍摄的待测物品的长度可以帮助确定棱边区域的长度或者棱边弧度等，就此在目标灰度图像中确定棱边区域，这时的棱边区域是一个二维的平面区域。
S240、根据棱边区域和预设顺序的序号，按预设尺寸将棱边区域划分为至少两个识别区；其中，相邻序号的识别区相互重叠。
S250、根据各识别区，对待测物品进行缺陷识别。
在一种可选实施方式中，所述根据各识别区，对待测物品进行缺陷识别，可以包括：根据预设顺序的序号，将各识别区转换为高度坐标信息；根据各高度坐标信息，确定棱边区域对应的拟合直线；根据高度坐标信息和拟合直线，对待测物品进行缺陷识别。
其中，按照划分识别区时的序号，将各识别区内的图像信息转化为坐标信息，例如可以将每个识别区的序号和平均高度值记作坐标的形式，例如（识别区序号，平均高度值）的形式，便于后续进行直线拟合的计算。当然，平均高度值可以由点云数据的高度值直接进行计算，从而获取每个识别区内的点云的平局高度值。当然，也可以先根据二维的灰度值进行计算，得到平均灰度值再通过灰度转换系数反求平均高度值。将所有的识别区对应的高度坐标信息当作一个点的坐标进行直线拟合，这样就得到了所有识别区对应的拟合直线。然后通过每个识别区的高度坐标的平均高度值，和拟合直线进行对比，对缺陷进行判断，可以理解的是，若某识别区的平均高度值与拟合直线重合，那么可以认为该识别区是较为平坦的；若某识别区的平均高度值不在拟合直线上，那么可以认为该识别区是存在凸起或者凹坑的。当然，直线的拟合可以采用相关技术中的直线拟合算法，例如可以包括直线拟合公式和最小二乘法等，本申请实施例不作限定。
上述实施方式中，通过高度信息和拟合直线的结合进行缺陷的识别判断，可以理解的是，这种方法将本就不好进行识别的棱边的非平面转化为了较为好判断的点和线之间的关系，从而大大的降低了识别的计算难度，提高了缺陷识别的效率，并且有助于准确的识别缺陷的位置。
在一种可选实施方式中，所述根据预设顺序的序号，将各识别区转换为高度坐标信息，可以包括：根据预设顺序的序号和对应识别区的平均灰度值，确定灰度坐标信息；根据灰度坐标信息和灰度转换系数，确定高度坐标信息。
其中，高度信息坐标的确定方法可以是先将预设顺序的序号和其识别区的平均灰度值组成灰度坐标信息，例如（识别区序号，平均灰度值），这样可以得到所有识别区对应的灰度坐标信息。此时利用前述实施方式中确定的灰度转换系数，将所有的平均灰度值转化为平均高度值，即可得到所有识别区对应的高度坐标信息。这种方式可以将已经化为二维灰度图像中的缺陷对应的高度信息再度复原出来，有助于有效的识别缺陷存在。
进一步的，所述根据高度坐标信息和拟合直线，对待测物品进行缺陷识别，可以包括：根据高度坐标信息与拟合直线的距离，确定棱边区域是否存在缺陷。
拟合直线相当于将不同识别区的高度进行的二维的拟合，作为纵坐标的高度信息可以与该拟合直线进行比较，例如，某识别区对应的高度坐标信息的纵坐标大于拟合直线的纵坐标，那么可以认为该识别区中存在突出待测物品棱边表面的缺陷；同理，某识别区对应的高度坐标信息的纵坐标小于拟合直线的纵坐标，那么可以认为该识别区中存在凹陷于待测物品棱边表面的缺陷。通过拟合直线与高度信息的判断，对棱边这种带有弯曲程度的非平面进行缺陷检测，能够有效的提高识别缺陷的精度和稳定性。此外，高度坐标信息这个坐标点和拟合直线之间的距离还能够为用户提供精确的量化指标，以帮助有用区分不同的产品之间的优良程度。
本申请实施例的技术方案，将目标点云图像转化为灰度图像进行处理，有效地将本来难以计算的三维数据和三维问题，巧妙地转化为了二维数据和二维问题，降低了计算难度，节约了计算资源，对本就是非平面的棱边区域进行缺陷的识别，提高了缺陷识别的准确度和稳定性。
实施例三
本申请实施例是在前述各实施例的基础上提供的一种优选实施例。本实施例以生产的锂电池的外观检测为例进行说明，锂电池在制造时，通常在边缘做倒角处理，因此存在棱边区域，若棱边出现凸起或凹陷不符合出场指标，严重的可能存在安全隐患，因此准确的高效的检测出锂电池表面和棱边的外观缺陷是非常重要。
如图3A所示，线激光3D相机置于产品上方向下拍摄，将拍摄到的点云图像传输给工控机进行计算和处理。适当的，可以将3D相机倾斜一个角度（例如10°），这样在扫描产品的时候可以无死角的扫到棱边区域。
将获取得到的目标点云图像中的高度值Z转换成灰度值G，当然，可以将最高的高度值转换为最高的灰度值，转换的比例系数ScaleZ=G/Z，这样可以使所有的高度值都有一个灰度值与之对应，因此可以获得一张经转换的灰度图像Image_G。
在新转换的Image_G上，确定棱边和产品的上下边，如图3B所示，获得产品与图像边缘的2个交点P1和P2，通过产品棱边的尺寸（例如棱边半径是2mm），则可以获取棱边部分的范围区域，那么设置一个RectangleAffine（长方形仿射）区域，长度是P1到P2的距离，宽度为棱边半径2mm，若棱边L1存在弧度，则应根据灰度图像确定这个灰度，并使弧度为L1的弧度，也即使得整个棱边区域完全能够反映产品棱边的真实情况，如图3C所示，白色框对应的长条区域即为棱边区域。
可以将棱边区域细分成许多个相互重叠的小区域,也即上述实施例中的识别区,宽度同样可以为2mm,沿着棱边的方向，每隔1mm设置一个识别区，相邻识别区之间互相重叠，如图3D所示。当然，识别区的具体尺寸和重叠部分尺寸的设置可以有相关技术人员根据具体情况进行设置，本申请实施例不作限定。
每个识别区均有自己的序号，例如从上到下是1开始编号的。获取每个小区域内的平均灰度值，假设有N个识别区，我们就可以获得N组数据：（识别区序号，平均灰度值）。
将上述N组数据中的平均灰度值转回成高度值，即Z值，平均高度值=平均灰度值/ScaleZ，通过这个公式，我们就可以新获取到高度值对应的N组数据：（识别区序号，平均高度值）。
对获得到的高度值对应的N组数据，识别区序号作为X坐标，平均高度值作为Y坐标，拟合一条直线作为识别缺陷的参考线，如图3E所示。
拟合线的公式为：y = b0 + b1x1 + b2x2 + ... + bk*xk + e。
其中，y 是因变量，x1, x2, ..., xk 是自变量，b0 是截距，b1, b2, ..., bk 是自变量的系数，e 是误差项，表示模型不能完全解释因变量 y 的变化。
还可以利用最小二乘法，进一步优化拟合直线：b = (XTX)-1 XTy。
其中，b 是系数向量，X 是数据集的设计矩阵，每行表示一个数据点的自变量，y是因变量向量，每行表示一个数据点的因变量。该公式表示为，通过矩阵运算求解系数向量b，使得 X*b 与 y 之间的误差平方和最小化。
在上述拟合曲线的基础上，计算每个点（识别区序号，平均高度值）到该拟合直线的距离，如果点在线的上方，为凸点，即产品棱边突出的缺陷；如果点在线下方，为凹坑，即产品棱边凹陷的缺陷，点到线的距离值，就是缺陷对应的突出的高度，或凹陷的深度，给予用户提供量化指标。
实施例四
图4为本申请实施例四提供的一种缺陷识别装置的结构示意图。如图4所示，该装置400包括：
图像获取模块410，用于获取待测物品的目标点云图像；
棱边确定模块420，用于根据待测物品的棱边半径和目标点云图像，确定待测物品的棱边区域；
识别区划分模块430，用于根据棱边区域和预设顺序的序号，按预设尺寸将棱边区域划分为至少两个识别区；其中，相邻序号的识别区相互重叠；
缺陷识别模块440，用于根据各识别区，对待测物品进行缺陷识别。
本申请实施例的技术方案，通过识别目标点云图像中的棱边区域，将棱边区域拆分成不同的识别区，且相邻识别区互相重叠，这一定程度上大大降低了因识别区的划分而导致被不同识别区拆分的缺陷不容易被识别的概率，进一步的提高了缺陷识别的准确性和稳定性。
在一种可选实施方式中，所述棱边确定模块420可以包括：
灰度图像确定单元，用于根据目标点云图像中各点云的高度值，确定目标点云图像对应的目标灰度图像；
棱边区域确定单元，用于根据目标灰度图像和棱边半径，确定棱边区域。
在一种可选实施方式中，灰度图像确定单元可以具体用于：将高度值进行灰度映射，得到目标灰度图像。
在一种可选实施方式中，所述装置400可以包括：
转换系数确定模块，用于根据灰度映射后的目标灰度图像，确定灰度转换系数。
在一种可选实施方式中，所述缺陷识别模块440可以包括：
高度信息转换单元，用于根据预设顺序的序号，将各识别区转换为高度坐标信息；
拟合直线确定单元，用于根据各高度坐标信息，确定棱边区域对应的拟合直线；
缺陷识别单元，用于根据高度坐标信息和拟合直线，对待测物品进行缺陷识别。
在一种可选实施方式中，所述高度信息转换单元可以包括：
灰度信息确定子单元，用于根据预设顺序的序号和对应识别区的平均灰度值，确定灰度坐标信息；
高度信息确定子单元，用于根据灰度坐标信息和灰度转换系数，确定高度坐标信息。
在一种可选实施方式中，所述缺陷识别单元可以具体用于：根据高度坐标信息与拟合直线的距离，确定棱边区域是否存在缺陷。
本申请实施例所提供的缺陷识别方法装置可执行本申请任意实施例所提供的缺陷识别方法，具备执行各缺陷识别方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本申请的实施例的电子设备10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/或者要求的本申请的实现。
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，例如缺陷识别方法。
在一些实施例中，缺陷识别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缺陷识别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）而被配置为执行缺陷识别方法。
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。
用于实施本申请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。
在本申请的上下文中，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，本申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (8)

1.一种缺陷识别方法，其特征在于，所述方法包括：
获取待测物品的目标点云图像；
根据所述待测物品的棱边半径和所述目标点云图像，确定所述待测物品的棱边区域；其中，所述棱边半径为所述待测物品的棱边截面四分之一圆的半径；
根据所述棱边区域和预设顺序的序号，按预设尺寸将所述棱边区域划分为至少两个识别区；其中，相邻序号的所述识别区相互重叠；
根据所述预设顺序的序号，将所述各识别区转换为高度坐标信息；
根据各所述高度坐标信息，确定所述棱边区域对应的拟合直线；
根据所述高度坐标信息与所述拟合直线的距离，确定所述棱边区域是否存在缺陷。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待测物品的棱边半径和所述目标点云图像，确定所述待测物品的棱边区域，包括：
根据所述目标点云图像中各点云的高度值，确定所述目标点云图像对应的目标灰度图像；
根据所述目标灰度图像和所述棱边半径，确定所述棱边区域。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标点云图像中各点云的高度值，确定所述目标点云图像对应的目标灰度图像，包括：
将所述高度值进行灰度映射，得到所述目标灰度图像。
4.根据权利要求3所述的方法，其特征在于，所述方法包括：
根据所述灰度映射后的所述目标灰度图像，确定灰度转换系数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述预设顺序的序号，将所述各识别区转换为高度坐标信息，包括：
根据所述预设顺序的序号和对应识别区的平均灰度值，确定灰度坐标信息；
根据所述灰度坐标信息和所述灰度转换系数，确定所述高度坐标信息。
6.一种缺陷识别装置，其特征在于，包括：
图像获取模块，用于获取待测物品的目标点云图像；
棱边确定模块，用于根据所述待测物品的棱边半径和所述目标点云图像，确定所述待测物品的棱边区域；其中，所述棱边半径为所述待测物品的棱边截面四分之一圆的半径；
识别区划分模块，用于根据所述棱边区域和预设顺序的序号，按预设尺寸将所述棱边区域划分为至少两个识别区；其中，相邻序号的所述识别区相互重叠；
缺陷识别模块，用于根据各所述识别区，对所述待测物品进行缺陷识别；
所述缺陷识别模块包括：
高度信息转换单元，用于根据预设顺序的序号，将各识别区转换为高度坐标信息；
拟合直线确定单元，用于根据各所述高度坐标信息，确定所述棱边区域对应的拟合直线；
缺陷识别单元，用于根据所述高度坐标信息与所述拟合直线的距离，确定所述棱边区域是否存在缺陷。
7. 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1-5中任一项所述的缺陷识别方法。
8.一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1-5中任一项所述的缺陷识别方法。
CN202310533547.7A 2023-05-12 2023-05-12 一种缺陷识别方法、装置、电子设备和存储介质 Active CN116258714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310533547.7A CN116258714B (zh) 2023-05-12 2023-05-12 一种缺陷识别方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310533547.7A CN116258714B (zh) 2023-05-12 2023-05-12 一种缺陷识别方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN116258714A CN116258714A (zh) 2023-06-13
CN116258714B true CN116258714B (zh) 2023-08-01

Family

ID=86688351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310533547.7A Active CN116258714B (zh) 2023-05-12 2023-05-12 一种缺陷识别方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116258714B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738322A (zh) * 2020-06-12 2020-10-02 北京百度网讯科技有限公司 一种物品表面缺陷的检测方法、装置、设备和介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632808B (zh) * 2018-12-05 2021-11-09 深圳大学 棱边缺陷检测方法、装置、电子设备及存储介质
US11030763B1 (en) * 2019-12-06 2021-06-08 Mashgin Inc. System and method for identifying items

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738322A (zh) * 2020-06-12 2020-10-02 北京百度网讯科技有限公司 一种物品表面缺陷的检测方法、装置、设备和介质

Also Published As

Publication number Publication date
CN116258714A (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN115331132A (zh) 一种汽车零件的检测方法、装置、电子设备和存储介质
CN115273071A (zh) 一种物体识别方法、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
CN115311469A (zh) 图像标注方法、训练方法、图像处理方法以及电子设备
CN117372663A (zh) 原木端面遮挡的补全方法、装置、设备及存储介质
CN117372499A (zh) 一种原木长短径确定方法、装置、设备及存储介质
CN116342585A (zh) 一种产品缺陷检测方法、装置、设备及存储介质
CN116258714B (zh) 一种缺陷识别方法、装置、电子设备和存储介质
CN115311624B (zh) 一种边坡位移监测方法、装置、电子设备及存储介质
CN116385415A (zh) 一种边缘缺陷检测方法、装置、设备及存储介质
CN115049810A (zh) 固态激光雷达点云的上色方法、装置、设备及存储介质
CN115272381A (zh) 一种金属线分割方法、装置、电子设备及存储介质
CN115153632A (zh) 一种超声成像定位系统、方法、装置、设备及存储介质
CN114694138B (zh) 一种应用于智能驾驶的路面检测方法、装置及设备
CN116883488B (zh) 一种圆形管的中心位置确定方法、装置、设备及介质
CN115877401B (zh) 一种液压支架的姿态检测方法、装置、设备及存储介质
CN117350995A (zh) 一种产品缺陷检测方法、装置、设备及存储介质
CN114943769B (zh) 一种定位方法、装置、电子设备及介质
CN117576077A (zh) 一种缺陷检测方法、装置、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
CN117152270A (zh) 激光雷达与相机的联合标定方法、装置、设备及介质
CN117274361A (zh) 一种物料表面积测量方法、装置、电子设备以及介质
CN117333595A (zh) 锅炉水冷壁缺陷展示方法、装置、电子设备和存储介质
CN116071736A (zh) 一种仪表读数方法、装置、电子设备及存储介质
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
GR01 Patent grant
GR01 Patent grant