CN116309553A - 一种非平面电镀五金件电镀缺陷检测方法 - Google Patents

一种非平面电镀五金件电镀缺陷检测方法 Download PDF

Info

Publication number
CN116309553A
CN116309553A CN202310531200.9A CN202310531200A CN116309553A CN 116309553 A CN116309553 A CN 116309553A CN 202310531200 A CN202310531200 A CN 202310531200A CN 116309553 A CN116309553 A CN 116309553A
Authority
CN
China
Prior art keywords
image
sub
electroplating
edge information
defect
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.)
Granted
Application number
CN202310531200.9A
Other languages
English (en)
Other versions
CN116309553B (zh
Inventor
邓志坚
唐建明
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.)
Dongguan C Ray Automatics Technology Co ltd
Original Assignee
Dongguan C Ray Automatics 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 Dongguan C Ray Automatics Technology Co ltd filed Critical Dongguan C Ray Automatics Technology Co ltd
Priority to CN202310531200.9A priority Critical patent/CN116309553B/zh
Publication of CN116309553A publication Critical patent/CN116309553A/zh
Application granted granted Critical
Publication of CN116309553B publication Critical patent/CN116309553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/30136—Metal
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种非平面电镀五金件电镀缺陷检测方法，包括：将待检测电镀五金件图像转化为灰度图像，分割后获得电镀缺陷待检测区；将电镀缺陷待检测区划分为若干个子区域，基于烧焦缺陷度和粗糙度确定用于筛选目标子区域的烧焦显著性值；对目标子区域进行增强，将增强图像输入神经网络，基于神经网络输出结果确定是否存在电镀缺陷。基于图像分割后的各个子区域的烧焦显著性确定目标子区域，对目标子区域进行图像增强，并基于神经网络对增强图像的检测获得电镀缺陷检测结果。由此，通过灰度图像转化、烧焦显著性判断、图像增强的方式从多角度对电镀五金件的烧焦区域进行检测，获得了准确度高、实用性强的非平面电镀五金件电镀缺陷检测方法。

Description

一种非平面电镀五金件电镀缺陷检测方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种非平面电镀五金件电镀缺陷检测方法。
背景技术
对五金件表面进行电镀是提高金属零配件在使用环境中的抗腐蚀性能的重要手段，也可以提高金属零配件的硬度、耐磨性、导电性、电磁性、耐热性等性能，还可以增加金属零配件的美观度。对五金件进行电镀之后，其表面应光亮均匀，但部分电镀后的五金件表面仍会出现电镀瑕疵，因此需要对电镀后的五金件的电镀缺陷进行检测。
当前针对表面平整的电镀缺陷的检测方法较多，而五金件一般形状不规则，其表面一般也是非平面的，所以五金件的电镀缺陷检测与常规的电镀缺陷有所区别，因此亟需一种适用于多曲面、不规则、低对比度的非平面电镀五金件电镀缺陷检测方法。
发明内容
本发明提供一种非平面电镀五金件电镀缺陷检测方法，旨在提供一种使用以五金件的非平面电镀五金件电镀缺陷检测方法。
为实现上述目的，本发明提供一种非平面电镀五金件电镀缺陷检测方法，所述方法应用于电镀缺陷检测设备，所述方法包括：
将待检测电镀五金件图像转化为灰度图像，基于图像分割算法对所述灰度图像进行分割获得电镀缺陷待检测区；
将所述电镀缺陷待检测区划分为若干个子区域，确定各个子区域的烧焦缺陷度和粗糙度，并基于所述烧焦缺陷度和粗糙度确定各个子区域的烧焦显著性值；
基于所述烧焦显著性值筛选出目标子区域，获得对所述目标子区域的增强图像，将所述增强图像输入神经网络，基于所述神经网络的输出结果确定待检测电镀五金件是否存在电镀缺陷。
可选地，所述将所述电镀缺陷待检测区划分为若干个子区域，确定各个子区域的烧焦显著性值包括：
将所述电镀缺陷待检测区划分为若干个子区域；
分别获得各个子区域的灰度共生矩阵，并基于所述灰度共生矩阵获得各个子区域的能量值，并基于所述能量值、像素点灰度值的均值确定烧焦缺陷度；
将所述子区域划分为多个边缘信息区域，基于各个边缘信息区域的区域信息确定子区域的内部一致性、子区域的宏观差异度；
将所述子区域中的边缘信息区域的个数、所述子区域的内部一致性以及子区域的宏观差异度的乘积确定为子区域的粗糙度；
基于所述子区域的烧焦缺陷度和所述子区域的粗糙度确定待检测电镀五金件灰度图像中的各个子区域的烧焦显著性值。
可选地，所述将所述子区域划分为多个边缘信息区域，基于各个边缘信息区域的区域信息确定子区域的内部一致性、子区域的宏观差异度包括：
对所述灰度图像进行边缘检测，基于边缘检测结果将子区域划分为多个边缘信息区域，根据所述边缘信息区域确定子区域的内部一致性；
对所述灰度图像进行角点检测，基于角点检测获得的区域信息确定子区域的宏观差异度。
可选地，所述对所述灰度图像进行边缘检测，基于边缘检测结果将子区域划分为多个边缘信息区域，根据所述边缘信息区域确定子区域的内部一致性包括：
对所述灰度图像进行边缘检测，获得边缘图像并确定所述边缘图像的边缘像素点，其中，所述边缘像素点将子区域划分为多个边缘信息区域；
统计各个子区域中边缘信息区域的个数，并获得所述子区域中各个边缘信息区域的熵；
基于子区域中的边缘信息区域的个数、熵确定子区域的内部一致性。
可选地，所述对所述灰度图像进行角点检测，基于角点检测获得的区域信息确定子区域的宏观差异度，包括：
对所述灰度图像的边缘信息区域进行角点检测，获得边缘信息区域的角点数量和相邻边缘信息区域的角点数量；
基于所述边缘信息区域的角点数量、相邻边缘信息区域的角点数量以及预先获得的边缘信息区域各像素点灰度值均值、相邻边缘信息区域各像素点灰度值均值确定子区域内边缘信息区的相邻差异度；
对各个子区域内边缘信息区的相邻差异度进行求和，获得子区域的宏观差异度。
可选地，所述神经网络为Unet网络，所述基于所述烧焦显著性值筛选出目标子区域，获得对所述目标子区域的增强图像，将所述增强图像输入神经网络，基于所述神经网络的输出结果确定待检测电镀五金件是否存在电镀缺陷包括：
筛选出所述烧焦显著性值大于或等于预设值的目标子区域，对所述目标子区域进行图像增强获得增强图像；
将所述增强图像输入预设的Unet网络，通过所述Unet网络获得所述增强图像的语义分割效果图；
确定所述语义分割效果图是否存在预设标签，若所述语义分割效果图存在预设标签，则确定对应的待检测电镀五金件图像存在电镀缺陷。
可选地，所述将待检测电镀五金件图像转化为灰度图像，基于图像分割算法对所述灰度图像进行分割获得电镀缺陷待检测区，包括：
将补光拍摄获得的待检测电镀五金件图像转化为灰度图像，并对所述灰度图像进行去噪；
基于GraphCut图像分割算法对所述灰度图像进行分割，划分出与待检测电镀五金件对应的电镀缺陷待检测区。
相比现有技术，本发明提供了一种非平面电镀五金件电镀缺陷检测方法，将待检测电镀五金件图像转化为灰度图像，基于图像分割算法对所述灰度图像进行分割获得电镀缺陷待检测区；将所述电镀缺陷待检测区划分为若干个子区域，确定各个子区域的烧焦缺陷度和粗糙度，并基于所述烧焦缺陷度和粗糙度确定各个子区域的烧焦显著性值；基于所述烧焦显著性值筛选出目标子区域，获得对所述目标子区域的增强图像，将所述增强图像输入神经网络，基于所述神经网络的输出结果确定待检测电镀五金件是否存在电镀缺陷。如此，基于图像分割后的各个子区域的烧焦显著性确定目标子区域，对目标子区域进行图像增强，并基于神经网络对增强图像的检测获得电镀缺陷检测结果。由此通过灰度图像转化、烧焦显著性判断、图像增强的方式从多角度对电镀五金件的烧焦区域进行检测，获得了准确度高、实用性强的非平面电镀五金件电镀缺陷检测方法。
附图说明
图1是本发明非平面电镀五金件电镀缺陷检测方法第一实施例涉及的流程示意图；
图2是本发明非平面电镀五金件电镀缺陷检测方法第一实施例涉及的细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参照图1，图1是本发明非平面电镀五金件电镀缺陷检测方法第一实施例的流程示意图。
如图1所示，本发明第一实施例提出一种非平面电镀五金件电镀缺陷检测方法，所述方法应用于电镀缺陷检测设备，所述方法包括：
步骤S101，将待检测电镀五金件图像转化为灰度图像，基于图像分割算法对所述灰度图像进行分割获得电镀缺陷待检测区；
电镀缺陷是主要指在电镀过程中出现的烧焦缺陷，一般是在电镀五金件尾部、边缘一带产生了粗糙的镀层。
具体地，将补光拍摄获得的待检测电镀五金件图像转化为灰度图像，并对所述灰度图像进行去噪；
基于GraphCut图像分割算法对所述灰度图像进行分割，划分出与待检测电镀五金件对应的电镀缺陷待检测区。
固定CMOS（Complementary Metal Oxide Semiconductor，互补金属氧化物半导体）相机，通过CMOS相机对待检测电镀五金件进行拍摄，获得完成电镀工序的五金件的图像，将拍摄获得的图像记为待检测电镀五金件图像，待检测电镀五金件图像为RGB图像。在拍摄图像时使用柔光灯进行补光，以减少反光对拍摄造成的影响，从而获得亮度光泽度、颜色较为均匀的待检测电镀五金件图像。
对于电镀来说，不同镀种或者同一镀种的不同工艺，电镀形成的烧焦缺陷的外观颜色表现不尽相同，如氯化物微酸性镀锌烧焦呈黑色，碱性锌酸盐镀锌烧焦呈白灰色，氰化镀铜烧焦呈不细致的砖红色，多数无氰碱铜烧焦呈暗色，所以，根据颜色对烧焦缺陷进行判断过于局限。由于电镀五金件出现烧焦缺陷位置光泽度低、颜色较暗，为了消除光泽、颜色对电镀缺陷识别造成的影响，本实施例将待检测电镀五金图像转化为灰度图像，后续对电镀五金灰度图像进行分析。值得注意的是，本实施例对电镀五金灰度图像使用中值滤波进行去噪，去噪后再对灰度图像进行下一步操作。
五金件一般形状不规则，会有非平面的外表面，所以电镀五金灰度图像中往往包含其余背景，为了使后续分析过程更为准确，对灰度图像使用GraphCut图割算法进行分割，划分出图像中电镀五金件对应的区域，将该区域记为电镀缺陷待检测区。GraphCut利用最小割最大流算法进行图像的分割，可以将图像分割为前景（电镀五金件）和背景。
步骤S102，将所述电镀缺陷待检测区划分为若干个子区域，确定各个子区域的烧焦显著性值；
具体地，参照图2，图2是本发明非平面电镀五金件电镀缺陷检测方法第一实施例涉及的细化流程示意图，步骤S102包括：
步骤S1021：将所述电镀缺陷待检测区划分为若干个子区域；
通过超像素分割算法将所述电镀缺陷待检测区分割为若干个子区域，将子区域的数量表示为z，z的经验值为10。每个子区域对应电镀五金件表面特征较为相似的区域。
步骤S1022：分别获得各个子区域的灰度共生矩阵，并基于所述灰度共生矩阵获得各个子区域的能量值，并基于所述能量值、像素点灰度值的均值确定烧焦缺陷度；
灰度共生矩阵是从图像中灰度为i的像素点出发，离开某个固定位置的点上灰度值的概率，也即所有估计的值可以表示成一个矩阵的形式，并将该矩阵称为灰度共生矩阵。对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。由于灰度共生矩阵的数据量较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。能量反映了图像灰度分布均匀程度和纹理粗细度。当共生矩阵中元素越为集中分布，则能量值较小；该区域内灰度值分布越为离散时，则能量值越大，即出现烧焦缺陷的子区域对应的能量较大。
本实施例中，分别获得各个子区域对应的灰度共生矩阵，进而得到对应的能量，进而基于能量值确定烧焦缺陷度：
Figure SMS_1
；
其中，
Figure SMS_2
为子区域对应的烧焦缺陷度；
Figure SMS_3
为该子区域对应的能量值；
Figure SMS_4
为子区域内 各像素点灰度值的均值；
Figure SMS_5
为子区域内各像素点灰度值的均值。
当待检测电镀五金件出现烧焦缺陷时，灰度图像中烧焦缺陷的位置相对于无缺陷位置较暗，即与电镀五金件表面灰度值的均值差异较大；当出现烧焦缺陷时，灰度图像中烧焦缺陷的位置相对于无缺陷位置较为粗糙，即对应的能量值较大；所以，当子区域与电镀待测区灰度值均值差异越大、灰度值分布越为离散时，该子区域对应的烧焦缺陷度越大，该子区域越可能对应电镀五金件表面出现烧焦缺陷的位置。
在电镀的过程中，会出现多种缺陷，可符合与未出现缺陷部位的灰度差异较大且灰度分布不均衡的缺陷较多，不能仅仅根据烧焦缺陷度笼统的简单评价就直接确定某子区域是否对应烧焦缺陷的位置，需要继续对烧焦缺陷的特征进行更为详细地分析。
步骤S1023：将所述子区域划分为多个边缘信息区域，基于各个边缘信息区域的区域信息确定子区域的内部一致性、子区域的宏观差异度；其中所述区域信息包括边缘信息区域的个数、熵、边缘信息区域的角点数量、边缘信息区域的像素点灰度值均值、相邻边缘信息区域的角点数量、相邻边缘信息区域各像素点灰度值。
具体地，对所述灰度图像进行边缘检测，基于边缘检测结果将子区域划分为多个边缘信息区域，根据所述边缘信息区域确定子区域的内部一致性；统计各个子区域中边缘信息区域的个数，并获得所述子区域中各个边缘信息区域的熵；基于子区域中的边缘信息区域的个数、熵确定子区域的内部一致性。
出现烧焦缺陷的位置较为粗糙，不再光滑平整，在图像中呈现为很多颗粒密集聚集在该区域，不同颗粒状区域内部较为均匀。基于此可以对子区域的内部一致性进行评价。
本实施例中，对所述灰度图像使用canny边缘检测算子进行边缘检测，获得边缘图 像并确定所述边缘图像的边缘像素点，其中，所述边缘像素点将子区域划分为多个边缘信 息区域；然后统计各个子区域中边缘信息区域的个数，将各个子区域中边缘信息区域的个 数表示为
Figure SMS_6
；进一步获得子区域中的边缘信息区域的熵，将熵表示为
Figure SMS_7
，基于
Figure SMS_8
即可确 定子区域的内部一致性。其中，熵是图像所具有的信息量的度量，它表示了图像中纹理的非 均匀程度或复杂程度。其中，
Figure SMS_9
其中，k表示像素点个数，
Figure SMS_10
表示各像素点的像素值。
将子区域的内部一致性表示为i，则：
Figure SMS_11
其中，
Figure SMS_12
为该子区域内边缘信息区域的个数；
Figure SMS_13
为该子区域内各边缘信息区域的 熵，其中，
Figure SMS_14
。
Figure SMS_15
为归一化函数，作用为取括号内的归一化值。
烧焦缺陷处由多个粗糙密集的颗粒状聚集而成，每个颗粒状区域形状不规则，边缘曲折，基于此对每个边缘信息区域进行角点检测。具体地，对所述灰度图像进行角点检测，基于角点检测获得的区域信息确定子区域的宏观差异度。
本实施例中，对所述灰度图像的边缘信息区域进行角点检测，获得边缘信息区域的角点数量和相邻边缘信息区域的角点数量；基于所述边缘信息区域的角点数量、相邻边缘信息区域的角点数量以及预先获得的边缘信息区域各像素点灰度值均值、相邻边缘信息区域各像素点灰度值均值确定子区域内边缘信息区的相邻差异度；对各个子区域内边缘信息区的相邻差异度进行求和，获得子区域的宏观差异度。
本实施例可以采用基于灰度的角点检测，可以采用Moravec角点检测方法或者Harris角点检测方法。Moravec角点检测算子的基本思想是通过在图像上移动一个二值矩形窗口来查找最小灰度值变化的最大值。Harris首先计算Harris矩阵M(二阶矩矩阵或自相关矩阵),然后计算该矩阵的特征值，其中该特征值表征了Harris矩阵主曲率,再通过构建Harris角点量测函数来确定角点。
将子区域内边缘信息区的相邻差异度表示为
Figure SMS_16
，则：
Figure SMS_17
；
其中，
Figure SMS_20
为子区域内边缘信息区
Figure SMS_23
对应的相邻差异度；
Figure SMS_29
为边缘信息区
Figure SMS_19
包含的角点 个数；
Figure SMS_24
为边缘信息区
Figure SMS_27
相邻的边缘信息区的个数；
Figure SMS_30
为边缘信息区
Figure SMS_18
相邻的各边缘信息区内 包含的角点个数，其中
Figure SMS_22
；
Figure SMS_28
为边缘信息区
Figure SMS_31
内各像素点灰度值的均值；
Figure SMS_21
为边缘 信息区
Figure SMS_25
相邻的各边缘信息区内各像素点灰度值的均值；
Figure SMS_26
为该子区域内边缘信息区域的 个数。
将子区域的宏观差异度表示为
Figure SMS_32
，则：
Figure SMS_33
该子区域内每个边缘信息区
Figure SMS_34
相对于其相邻的每个边缘信息区均有一个
Figure SMS_35
存在，计算
Figure SMS_36
时对该式求和即为对边缘信息区
Figure SMS_37
相对于所有相邻的边缘 信息区的
Figure SMS_38
求和，当每个边缘信息区于其相邻的各边缘信息区差异越大 时，则每个边缘信息区对应的相邻差异度越大，该子区域对应的宏观差异度越大，该子区域 越可能对应烧焦缺陷区域。
步骤S1024：将所述子区域中的边缘信息区域的个数、所述子区域的内部一致性以及子区域的宏观差异度的乘积确定为子区域的粗糙度；
将子区域的粗糙度表示为
Figure SMS_39
，则：
Figure SMS_40
；
其中，
Figure SMS_41
为该子区域内边缘信息区域的个数；
Figure SMS_42
为子区域的内部一致性；
Figure SMS_43
为子区域 的宏观差异度。
步骤S1025：基于所述子区域的能量值和所述子区域的粗糙度确定待检测电镀五金件灰度图像中的各个子区域的烧焦显著性值。
将烧焦显著性值表示为
Figure SMS_44
，则：
Figure SMS_45
；
d为子区域对应的烧焦缺陷度，
Figure SMS_46
为子区域对应的粗糙度；
Figure SMS_47
为归一化函数，作 用为取括号内的归一化值。至此，获得每个子区域对应的烧焦显著性。
步骤S103，基于所述烧焦显著性值筛选出目标子区域，获得对所述目标子区域的增强图像，将所述增强图像输入神经网络，基于所述神经网络的输出结果确定待检测电镀五金件是否存在电镀缺陷。
具体地，筛选出所述烧焦显著性值大于或等于预设值的目标子区域，对所述目标 子区域进行图像增强获得增强图像；将预设值表示为t1，则
Figure SMS_48
的区域为目标子区域。其 中t1的经验值为0.6。
本实施例可以采用线性灰度增强，将目标子区域图像中所有点的灰度按照线性灰度变换函数进行变换。在曝光不足或过度的情况下，目标子区域图像的灰度可能局限在一个很小的灰度范围内，这时目标子区域图像可能会很模糊不清。利用一个线性单值函数对图像内的每一个像素做线性拓展，将会有效地改善图像的视觉效果。
基本原理：假设某个目标子区域图像f（x，y）变换前的的灰度范围是[a, b],希望变换后g(x,y)灰度范围增强至[c, d],则灰度线性变换函数表达式为：
Figure SMS_49
;
通过调整a,b,c,d,的值可以控制线性变换函数的斜率，从而达到灰度范围的拓展或压缩。进而获得灰度范围变化后的增强图像。
将所述增强图像输入预设的Unet网络，通过所述Unet网络获得所述增强图像的语义分割效果图；将增强图像输入至现有Unet网络，使用训练好的神经网络判断电镀五金件表面是否存在烧焦缺陷，Unet网络的输入为经过图像增强后的电镀五金件的增强图像，打标签的方式为将图像中对应烧焦缺陷的像素点标记为1，其余像素点标记为0，输出是该图像对应的语义分割效果图，损失函数为交叉熵。
确定所述语义分割效果图是否存在预设标签，若所述语义分割效果图存在预设标签，则确定对应的待检测电镀五金件图像存在电镀缺陷。预设标签为1，若语义分割效果图中存在一个或多个1则表示待检测电镀五金件图像存在电镀缺陷。
本实施例通过上述方案，将待检测电镀五金件图像转化为灰度图像，基于图像分割算法对所述灰度图像进行分割获得电镀缺陷待检测区；将所述电镀缺陷待检测区划分为若干个子区域，确定各个子区域的烧焦显著性值；基于所述烧焦显著性值筛选出目标子区域，获得对所述目标子区域的增强图像，将所述增强图像输入神经网络，基于所述神经网络的输出结果确定待检测电镀五金件是否存在电镀缺陷。如此，基于图像分割后的各个子区域的烧焦显著性确定目标子区域，对目标子区域进行图像增强，并基于神经网络对增强图像的检测获得电镀缺陷检测结果。由此通过灰度图像转化、烧焦显著性判断、图像增强的方式从多角度对电镀五金件的烧焦区域进行检测，获得了准确度高、实用性强的非平面电镀五金件电镀缺陷检测方法。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种非平面电镀五金件电镀缺陷检测方法，其特征在于，所述方法包括：
将待检测电镀五金件图像转化为灰度图像，基于图像分割算法对所述灰度图像进行分割获得电镀缺陷待检测区；
将所述电镀缺陷待检测区划分为若干个子区域，确定各个子区域的烧焦缺陷度和粗糙度，并基于所述烧焦缺陷度和粗糙度确定各个子区域的烧焦显著性值；
基于所述烧焦显著性值筛选出目标子区域，获得对所述目标子区域的增强图像，将所述增强图像输入神经网络，基于所述神经网络的输出结果确定待检测电镀五金件是否存在电镀缺陷。
2.根据权利要求1所述的方法，其特征在于，所述将所述电镀缺陷待检测区划分为若干个子区域，确定各个子区域的烧焦缺陷度和粗糙度，并基于所述烧焦缺陷度和粗糙度确定各个子区域的烧焦显著性值包括：
将所述电镀缺陷待检测区划分为若干个子区域；
分别获得各个子区域的灰度共生矩阵，并基于所述灰度共生矩阵获得各个子区域的能量值，并基于所述能量值、像素点灰度值的均值确定烧焦缺陷度；
将所述子区域划分为多个边缘信息区域，基于各个边缘信息区域的区域信息确定子区域的内部一致性、子区域的宏观差异度；
将所述子区域中的边缘信息区域的个数、所述子区域的内部一致性以及子区域的宏观差异度的乘积确定为子区域的粗糙度；
基于所述子区域的烧焦缺陷度和所述子区域的粗糙度确定待检测电镀五金件灰度图像中的各个子区域的烧焦显著性值。
3.根据权利要求2所述的方法，其特征在于，所述将所述子区域划分为多个边缘信息区域，基于各个边缘信息区域的区域信息确定子区域的内部一致性、子区域的宏观差异度包括：
对所述灰度图像进行边缘检测，基于边缘检测结果将子区域划分为多个边缘信息区域，根据所述边缘信息区域确定子区域的内部一致性；
对所述灰度图像进行角点检测，基于角点检测获得的区域信息确定子区域的宏观差异度。
4.根据权利要求3所述的方法，其特征在于，所述对所述灰度图像进行边缘检测，基于边缘检测结果将子区域划分为多个边缘信息区域，根据所述边缘信息区域确定子区域的内部一致性包括：
对所述灰度图像进行边缘检测，获得边缘图像并确定所述边缘图像的边缘像素点，其中，所述边缘像素点将子区域划分为多个边缘信息区域；
统计各个子区域中边缘信息区域的个数，并获得所述子区域中各个边缘信息区域的熵；
基于子区域中的边缘信息区域的个数、熵确定子区域的内部一致性。
5.根据权利要求3所述的方法，其特征在于，所述对所述灰度图像进行角点检测，基于角点检测获得的区域信息确定子区域的宏观差异度，包括：
对所述灰度图像的边缘信息区域进行角点检测，获得边缘信息区域的角点数量和相邻边缘信息区域的角点数量；
基于所述边缘信息区域的角点数量、相邻边缘信息区域的角点数量以及预先获得的边缘信息区域各像素点灰度值均值、相邻边缘信息区域各像素点灰度值均值确定子区域内边缘信息区的相邻差异度；
对各个子区域内边缘信息区的相邻差异度进行求和，获得子区域的宏观差异度。
6.根据权利要求1所述的方法，其特征在于，所述神经网络为Unet网络，所述基于所述烧焦显著性值筛选出目标子区域，获得对所述目标子区域的增强图像，将所述增强图像输入神经网络，基于所述神经网络的输出结果确定待检测电镀五金件是否存在电镀缺陷包括：
筛选出所述烧焦显著性值大于或等于预设值的目标子区域，对所述目标子区域进行图像增强获得增强图像；
将所述增强图像输入预设的Unet网络，通过所述Unet网络获得所述增强图像的语义分割效果图；
确定所述语义分割效果图是否存在预设标签，若所述语义分割效果图存在预设标签，则确定对应的待检测电镀五金件图像存在电镀缺陷。
7.根据权利要求1所述的方法，其特征在于，所述将待检测电镀五金件图像转化为灰度图像，基于图像分割算法对所述灰度图像进行分割获得电镀缺陷待检测区，包括：
将补光拍摄获得的待检测电镀五金件图像转化为灰度图像，并对所述灰度图像进行去噪；
基于GraphCut图像分割算法对所述灰度图像进行分割，划分出与待检测电镀五金件对应的电镀缺陷待检测区。
CN202310531200.9A 2023-05-12 2023-05-12 一种非平面电镀五金件电镀缺陷检测方法 Active CN116309553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310531200.9A CN116309553B (zh) 2023-05-12 2023-05-12 一种非平面电镀五金件电镀缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310531200.9A CN116309553B (zh) 2023-05-12 2023-05-12 一种非平面电镀五金件电镀缺陷检测方法

Publications (2)

Publication Number Publication Date
CN116309553A true CN116309553A (zh) 2023-06-23
CN116309553B CN116309553B (zh) 2023-07-28

Family

ID=86790876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310531200.9A Active CN116309553B (zh) 2023-05-12 2023-05-12 一种非平面电镀五金件电镀缺陷检测方法

Country Status (1)

Country Link
CN (1) CN116309553B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314924A (zh) * 2023-11-30 2023-12-29 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法
CN118290163A (zh) * 2024-06-05 2024-07-05 盘锦嘉碳新材料有限公司 一种等静压石墨专用电阻料的制备方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003240732A (ja) * 2002-02-15 2003-08-27 Dainippon Screen Mfg Co Ltd 金めっき欠陥検査装置
JP2015135540A (ja) * 2014-01-16 2015-07-27 大日本印刷株式会社 画像の特徴点抽出方法、欠陥検査方法、欠陥検査装置
CN104977313A (zh) * 2014-04-09 2015-10-14 四川省特种设备检验研究院 一种焊缝x射线图像缺陷检测与识别方法和装置
CN105354598A (zh) * 2015-11-25 2016-02-24 先进储能材料国家工程研究中心有限责任公司 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法
WO2018000731A1 (zh) * 2016-06-28 2018-01-04 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
CN111985406A (zh) * 2020-08-21 2020-11-24 武汉科技大学 一种锌渣图像识别及分类方法
CN113888461A (zh) * 2021-08-26 2022-01-04 华能大理风力发电有限公司 基于深度学习的小五金件缺陷检测方法、系统及设备
CN114913132A (zh) * 2022-04-20 2022-08-16 镇江亿诺伟视智能科技有限公司 一种基于卷积神经网络的汽车电镀件缺陷检测方法
CN115049618A (zh) * 2022-06-16 2022-09-13 滁州合一智控有限公司 一种五金件表面检测方法、系统
CN115131359A (zh) * 2022-09-01 2022-09-30 南通恒强轧辊有限公司 一种金属加工件表面麻点缺陷检测方法
CN115829903A (zh) * 2021-09-16 2023-03-21 中国科学院微电子研究所 一种掩模缺陷检测方法及装置、计算机设备、存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003240732A (ja) * 2002-02-15 2003-08-27 Dainippon Screen Mfg Co Ltd 金めっき欠陥検査装置
JP2015135540A (ja) * 2014-01-16 2015-07-27 大日本印刷株式会社 画像の特徴点抽出方法、欠陥検査方法、欠陥検査装置
CN104977313A (zh) * 2014-04-09 2015-10-14 四川省特种设备检验研究院 一种焊缝x射线图像缺陷检测与识别方法和装置
CN105354598A (zh) * 2015-11-25 2016-02-24 先进储能材料国家工程研究中心有限责任公司 一种在线检测连续带状泡沫金属材料漏镀缺陷的方法
WO2018000731A1 (zh) * 2016-06-28 2018-01-04 华南理工大学 一种曲面表面缺陷自动检测方法及其装置
CN111985406A (zh) * 2020-08-21 2020-11-24 武汉科技大学 一种锌渣图像识别及分类方法
CN113888461A (zh) * 2021-08-26 2022-01-04 华能大理风力发电有限公司 基于深度学习的小五金件缺陷检测方法、系统及设备
CN115829903A (zh) * 2021-09-16 2023-03-21 中国科学院微电子研究所 一种掩模缺陷检测方法及装置、计算机设备、存储介质
CN114913132A (zh) * 2022-04-20 2022-08-16 镇江亿诺伟视智能科技有限公司 一种基于卷积神经网络的汽车电镀件缺陷检测方法
CN115049618A (zh) * 2022-06-16 2022-09-13 滁州合一智控有限公司 一种五金件表面检测方法、系统
CN115131359A (zh) * 2022-09-01 2022-09-30 南通恒强轧辊有限公司 一种金属加工件表面麻点缺陷检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314924A (zh) * 2023-11-30 2023-12-29 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法
CN117314924B (zh) * 2023-11-30 2024-02-09 湖南西欧新材料有限公司 基于图像特征的电镀产品表面瑕疵检测方法
CN118290163A (zh) * 2024-06-05 2024-07-05 盘锦嘉碳新材料有限公司 一种等静压石墨专用电阻料的制备方法

Also Published As

Publication number Publication date
CN116309553B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116309553B (zh) 一种非平面电镀五金件电镀缺陷检测方法
CN109829876B (zh) 基于机器视觉的链板缺陷在线检测装置及方法
CN116758083B (zh) 基于计算机视觉的金属洗脸盆缺陷快速检测方法
CN103593670B (zh) 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN104156921B (zh) 一种低照度或亮度不均图像的自适应图像增强方法
JP3851171B2 (ja) 視覚的注意のモデル化方法
CN108389216B (zh) 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法
CN110288618B (zh) 一种光照不均图像的多目标分割方法
CN117611583B (zh) 基于人工智能的铝复合板缺陷检测方法及系统
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN102289668A (zh) 基于像素邻域特征的自适应文字图像的二值化处理方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
Abdullah et al. A framework for crack detection of fresh poultry eggs at visible radiation
CN107993219A (zh) 一种基于机器视觉的船板表面缺陷检测方法
CN111768402A (zh) 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法
CN115131359A (zh) 一种金属加工件表面麻点缺陷检测方法
CN118115497B (zh) 一种石英砂的粉碎磨粉检测方法及装置
CN108230334B (zh) 基于灰度阈值的高浓度风沙图像分割的方法
CN117522864B (zh) 基于机器视觉的欧松板表面瑕疵检测方法
CN118470015A (zh) 一种钛合金棒生产质量视觉检测方法及系统
CN117237245A (zh) 一种基于人工智能与物联网的工业物料质量监测方法
CN115797234B (zh) 一种增强低对比度二维码图像识别效果的方法
CN118379301B (zh) 一种面向再生颗粒料的水化程度外观检测方法
CN115731239B (zh) 一种钢材质量的检测方法
US20230042608A1 (en) Method for Measuring Dimensions Relative to Bounded Object

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