CN116402781A - 缺陷检测方法、装置、计算机设备及介质 - Google Patents
缺陷检测方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN116402781A CN116402781A CN202310341573.XA CN202310341573A CN116402781A CN 116402781 A CN116402781 A CN 116402781A CN 202310341573 A CN202310341573 A CN 202310341573A CN 116402781 A CN116402781 A CN 116402781A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- feature
- workpiece
- images
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 28
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 28
- 238000003708 edge detection Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 16
- 239000002131 composite material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000002156 mixing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种缺陷检测方法、装置、计算机设备及介质,属于图像检测技术领域。该方法包括:每次对待测工件的至少一部分区域进行光照并对待测工件进行图像采集,得到多张工件图像,其中,工件图像包括对待测工件进行整体光照并采集得到的整体图像;对所述整体图像进行特征划分,得到特征区域;对整体图像以及多张工件图像进行图像合成,得到目标合成图;基于预设的边缘检测算法以及全局阈值分割算法对目标合成图进行特征检测,确定与特征区域对应的目标缺陷信息。本申请实施例能够实现对缺陷边缘的精准提取,提高缺陷检测的精度。
Description
技术领域
本申请涉及图像检测技术领域,尤其涉及一种缺陷检测方法、装置、计算机设备及介质。
背景技术
在对器件进行外观检测的过程中,用人工目视检查产品外观质量效率低、劳动强度大、检验精度差,且受人员技能水平等客观因素影响较大,极易造成载带产品外观质量的波动,影响检测准确性。相关技术往往需要对器件进行照片采集,使用者通过对器件照片进行分析,从而确定器件是否出现缺陷、破损等情况。在外观检测的过程中,常用的缺陷检测方法采用的多是利用边缘提取算法分析轮廓及边缘的平整性和凹凸区域,但是随着光照条件的改变,现有的技术无法检出细微的缺陷,边缘提取算法无法准确的提取出边缘。从而导致难以区分缺陷特征,缺陷检测精度下降。
发明内容
本申请实施例的主要目的在于提出一种缺陷检测方法、装置、计算机设备及介质,能够实现对缺陷边缘的精准提取,提高缺陷检测的精度。
为实现上述目的,本申请实施例的第一方面提出了一种缺陷检测方法,所述方法包括:
每次对待测工件的至少一部分区域进行光照并对所述待测工件进行图像采集,得到多张工件图像,其中,所述工件图像包括对所述待测工件进行整体光照并采集得到的整体图像;
对所述整体图像进行特征划分,得到特征区域;
对所述整体图像以及多张所述工件图像进行图像合成,得到目标合成图;
基于预设的边缘检测算法以及全局阈值分割算法对所述目标合成图进行特征检测,确定与所述特征区域对应的目标缺陷信息。
在一些实施例中,所述基于预设的边缘检测算法以及全局阈值分割算法对所述目标合成图进行特征检测,确定与所述特征区域对应的目标缺陷信息,包括:
根据所述边缘检测算法对所述目标合成图进行边缘信息提取,得到与所述特征区域对应的边缘图像;
基于所述全局阈值分割算法对所述边缘图像进行阈值设置,得到目标阈值;
对所述边缘图像中的所有元素进行灰度值提取,得到多个灰度值信息;
根据所述目标阈值对所有所述灰度值信息进行二值化处理,确定所述目标缺陷信息。
在一些实施例中,所述根据所述边缘检测算法对所述目标合成图进行边缘信息提取,得到与所述特征区域对应的边缘图像,包括:
基于预设的采样方向对所述目标合成图进行特征采样,得到灰度值曲线;
根据所述边缘检测算法对所述灰度值曲线进行求导操作,得到多个灰度突变定位点;
根据多个所述灰度突变定位点生成感兴趣区域;
根据所述感兴趣区域对所述目标合成图进行目标截取,得到与所述特征区域对应的所述边缘图像。
在一些实施例中,所述根据所述目标阈值对所有所述灰度值信息进行二值化处理,确定所述目标缺陷信息,包括:
将所述目标阈值与每一个所述灰度值信息进行对比,得到第一元素集合和第二元素集合,其中,所述第一元素集合中的元素为所述灰度值信息大于等于所述目标阈值的元素,所述第二元素集合中的元素为所述灰度值信息小于所述目标阈值的元素;
根据预设的第一状态值对所述第一元素集合中的元素进行标记,确定特征区域;
根据预设的第二状态值对所述第二元素集合中的元素进行标记,确定正常区域;
对所述特征区域以及所述正常区域进行特征表达,得到所述目标缺陷信息。
在一些实施例中,所述对所述整体图像以及多张所述工件图像进行图像合成,得到目标合成图,包括:
对多张所述工件图像进行加权偏置处理,得到多张偏置图像;
根据所述偏置图像确定多个偏置通道,并对所述偏置图像以及所述偏置通道进行图像合成,得到合成图;
基于预设的斑点工具对所述合成图以及所述特征区域进行交并比计算,得到交并比值;
根据所述交并比值、所述合成图以及预设的交并比条件确定目标合成图。
在一些实施例中,所述基于预设的斑点工具对所述合成图以及所述特征区域进行交并比计算,得到交并比值,包括:
根据所述特征区域确定特征宽度、特征高度以及中心点坐标;
对所述合成图进行灰度值二值化处理,得到所述合成图的第一特征区域;
基于所述斑点工具对所述第一特征区域进行阈值分割,得到第二特征区域;
根据所述第二特征区域确定合成特征宽度、合成特征高度以及合成中心点坐标;
对所述特征宽度、所述特征高度、所述中心点坐标、所述合成特征宽度、所述合成特征高度以及所述合成中心点坐标进行交并比计算,得到所述交并比值。
在一些实施例中,所述根据所述交并比值、所述合成图以及预设的交并比条件确定目标合成图,包括:
对所述交并比值与预设的交并比条件进行对比;
在所述交并比值满足所述交并比条件的情况下,根据所述合成图确定所述目标合成图;
或者,
在所述交并比值未满足所述交并比条件的情况下,继续对多张所述工件图像进行加权偏置处理,得到迭代交并比值,直至所述迭代交并比值满足所述交并比条件。
本申请实施例的第二方面提出了一种缺陷检测装置,所述装置包括:
图像采集模块,用于每次对待测工件的至少一部分区域进行光照并对所述待测工件进行图像采集,得到多张工件图像,其中,所述工件图像包括对所述待测工件进行整体光照并采集得到的整体图像;
特征划分模块,用于对所述整体图像进行特征划分,得到特征区域;
图像合成模块,用于对所述整体图像以及多张所述工件图像进行图像合成,得到目标合成图;
缺陷确定模块,用于基于预设的边缘检测算法以及全局阈值分割算法对所述目标合成图进行特征检测,确定与所述特征区域对应的目标缺陷信息。
本申请实施例的第三方面提出了一种计算机设备,所述计算机设备包括存储器和处理器,其中,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的缺陷检测方法。
本申请实施例的第四方面提出了一种存储介质,所述存储介质为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程序,在所述计算机程序被计算机执行时,所述计算机用于执行如本申请第一方面实施例任一项所述的缺陷检测方法。
本申请实施例提出的缺陷检测方法、装置、计算机设备及介质,具有如下有益效果:首先,每次对待测工件的至少一部分区域进行光照并对待测工件进行图像采集,得到多张工件图像,并对工件图像中的整体图像进行特征划分,得到特定的特征区域,便于后续对特征区域中缺陷的精准识别,之后,对整体图像以及多张工件图像进行图像合成,得到目标合成图,实现合成图的均匀成像,提高缺陷检测的准确性,最后,基于预设的边缘检测算法以及全局阈值分割算法对目标合成图进行特征检测,能够精准的确定特征区域的边缘轮廓,从而确定与特征区域对应的目标缺陷信息,实现对缺陷信息的精准检测,提高对待测工件缺陷定位的准确性。
附图说明
图1是本申请一个实施例提供的缺陷检测方法的流程图;
图2是图1中步骤S104的具体流程图;
图3是图2中步骤S201的具体流程图;
图4是图2中步骤S204的具体流程图;
图5是图1中步骤S103的具体流程图;
图6是图5中步骤S503的具体流程图;
图7是图5中步骤S504的具体流程图;
图8是本申请实施例提供的缺陷检测装置的结构示意图;
图9是本申请实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
本申请实施例提供的一种缺陷检测方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现上述方法的应用等,但并不局限于以上形式。
本申请实施例可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参照图1,图1是本申请实施例提供的缺陷检测方法的具体方法的流程图。在一些实施例中,缺陷检测方法包括但不限于步骤S101至步骤S104。
步骤S101,每次对待测工件的至少一部分区域进行光照并对待测工件进行图像采集,得到多张工件图像;
需要说明的是,工件图像包括对待测工件进行整体光照并采集得到的整体图像。
在一些实施例中,在待测工件的上方设置光源发射器,光源发射器由光源控制器开启或者关闭,在每次对待测工件进行光照的过程中,依次控制光源发射器的后区域、左区域、前区域、右区域以及整体亮灯,使得待测工件至少一部分区域被照亮,并对不同区域被照亮的待测工件进行图像采集,得到多张工件图像,便于后续进行图像的合成。
可以理解的是,在对待测工件进行图像采集的过程中,可以先开启后侧四分之一的光源发射器,并触发相机拍照获取第一图像,之后再依次开启左侧四分之一的光源发射器、前侧四分之一的光源发射器、右侧四分之一的光源发射器以及整体的光源发射器,从而得到第二图像、第三图像、第四图像以及整体图像,并对第一图像、第二图像、第三图像、第四图像以及整体图像进行整合,得到多张工件图像。
值得注意的是,本实施例对光源发射器的开启顺序以及照射面积可以根据使用者的需要自行调节,本实施例不做具体限制。
步骤S102,对整体图像进行特征划分,得到特征区域;
在一些实施例中,对整体图像进行特征划分,在整体图像中划定一个明显特征,得到特征区域,便于后续进行缺陷特征的计算。
步骤S103,对整体图像以及多张工件图像进行图像合成,得到目标合成图;
在一些实施例中,对整体图像以及多张工件图像进行图像合成,其中,本实施例中的图像合成为基于多通道的图像合成,得到目标合成图,便于后续对目标缺陷信息的定位操作。
步骤S104,基于预设的边缘检测算法以及全局阈值分割算法对目标合成图进行特征检测,确定与特征区域对应的目标缺陷信息。
需要说明的是,预设的边缘检测算法可以为索贝尔算子算法、差分边缘检测方法、拉普拉斯边缘检测算子算法等等,本实施例中为索贝尔算子算法。
在一些实施例步骤S101至步骤S104中,首先,每次对待测工件的至少一部分区域进行光照并对待测工件进行图像采集,得到多张工件图像,并对工件图像中的整体图像进行特征划分,得到特定的特征区域,便于后续对特征区域中缺陷的精准识别,之后,对整体图像以及多张工件图像进行图像合成,得到目标合成图,实现合成图的均匀成像,提高缺陷检测的准确性,最后,基于预设的边缘检测算法以及全局阈值分割算法对目标合成图进行特征检测,能够精准的确定特征区域的边缘轮廓,从而确定与特征区域对应的目标缺陷信息,实现对缺陷信息的精准检测,提高对待测工件缺陷定位的准确性。
请参照图2,图2是本申请实施例提供的步骤S104的具体流程图。在一些实施例中,步骤S104具体包括但不限于步骤S201和步骤S204。
步骤S201,根据边缘检测算法对目标合成图进行边缘信息提取,得到与特征区域对应的边缘图像;
步骤S202,基于全局阈值分割算法对边缘图像进行阈值设置,得到目标阈值;
步骤S203,对边缘图像中的所有元素进行灰度值提取,得到多个灰度值信息;
步骤S204,根据目标阈值对所有灰度值信息进行二值化处理,确定目标缺陷信息。
在一些实施例的步骤S201至步骤S204中,根据边缘检测算法对目标合成图进行边缘信息提取,定位特征区域所在的位置,并得到与特征区域对应的边缘图像,之后基于全局阈值分割算法对边缘图像进行阈值设置,得到目标阈值,其中,目标阈值为设置的指定的灰度值阈值,再对边缘图像中的所有元素进行灰度值提取,得到与每个元素对应的灰度值信息,最后,根据目标阈值对所有灰度值信息进行二值化处理,提取符合设定阈值的图像,确定目标缺陷信息,从而实现对目标缺陷信息的精准提取,便于后续对目标缺陷信息的定位,提高对工件的加工精度。
请参照图3,图3是本申请实施例提供的步骤S201的具体流程图。在一些实施例中,步骤S201具体包括但不限于步骤S301和步骤S304。
步骤S301,基于预设的采样方向对目标合成图进行特征采样,得到灰度值曲线;
步骤S302,根据边缘检测算法对灰度值曲线进行求导操作,得到多个灰度突变定位点;
步骤S303,根据多个灰度突变定位点生成感兴趣区域;
步骤S304,根据感兴趣区域对目标合成图进行目标截取,得到与感兴趣区域对应的边缘图像。
在一些实施例的步骤S301至步骤S304中,在对目标合成图进行边缘信息提取的过程中,首先基于预设的采样方向对目标合成图进行特征采样,得到该采样方向上的灰度值曲线,之后根据边缘检测算法对灰度值曲线进行求导操作,得到多个灰度突变的点位,得到灰度突变定位点,再根据多个灰度突变定位点确定边缘,生成感兴趣区域(Region OfInterest,ROI),最后,在目标合成图上扣出此感兴趣区域,得到与感兴趣区域对应的边缘图像。
请参照图4,图4是本申请实施例提供的步骤S204的具体流程图。在一些实施例中,步骤S204具体包括但不限于步骤S401和步骤S404。
步骤S401,将目标阈值与每一个灰度值信息进行对比,得到第一元素集合和第二元素集合;
需要说明的是,第一元素集合中的元素为灰度值信息大于等于目标阈值的元素,第二元素集合中的元素为灰度值信息小于目标阈值的元素。
步骤S402,根据预设的第一状态值对第一元素集合中的元素进行标记,确定特征区域;
步骤S403,根据预设的第二状态值对第二元素集合中的元素进行标记,确定正常区域;
步骤S404,对特征区域以及正常区域进行特征表达,得到目标缺陷信息。
在一些实施例的步骤S401至步骤S404中,将目标阈值与每一个元素的灰度值信息进行对比,将大于等于目标阈值的元素划分为第一元素集合,并将小于目标阈值的元素划分为第二元素集合,再根据预设的第一状态值对第一元素集合中的元素进行标记,使得第一元素集合中的元素能够显示出来,确定显示状态的特征区域,并根据预设的第二状态值对第二元素集合中的元素进行标记,使得第二元素集合中的元素为透明状态,即隐蔽状态,确定透明状态的正常区域,最后,对特征区域以及正常区域进行特征表达,最大化凸显缺陷特征区域,得到目标缺陷信息,从而实现对目标缺陷信息的定位,提高缺陷检测的精准性。
需要说明的是,本实施例对第一元素集合和第二元素集合进行0/255的二值化处理,将预设的第一状态值设置为255,第二状态值设置为0,因此,将第一元素集合中的元素设定为255,第二元素集合中的元素设定为0,从而实现缺陷信息的明显标记,便于后续对工件的定位和检测。
请参照图5,图5是本申请实施例提供的步骤S103的具体流程图。在一些实施例中,步骤S103具体包括但不限于步骤S501和步骤S504。
步骤S501,对多张工件图像进行加权偏置处理,得到多张偏置图像;
在一些实施例中,对每张工件图像均进行加权偏置处理,得到多张偏置图像,从而使得偏置图像的图像亮度均匀,避免出现图像亮度过亮或者亮度过暗的情况。
需要说明的是,在对工件图像进行加权偏置处理的过程中,需要首先获取每张工件图像的原始的图像灰度值,之后再基于预设的偏移值以及权重值对每张工件图像的灰度值进行加权偏置处理,得到多张偏置图像,从而能够让工件图像偏亮的图像灰度值降下来,偏暗的地方灰度值升上去,整体提升图像亮度均匀性。
值得注意的是,在进行加权偏置处理的过程中,先在工件图像的随机生成的权重矩阵中确定与工件图像对应的图像权重值,并在预设的偏移值中确定与工件图像对应的图像偏移值,之后根据图像权重值以及图像偏移值对图像灰度值进行加权偏置,从而得到目标灰度值,最后,根据目标灰度值对工件图像进行亮度调节,将工件图像偏亮的图像灰度值降下来,偏暗的地方灰度值升上去,依次类推,对每张工件图像都进行加权偏置处理,从而得到多张亮度均匀的偏置图像。
需要说明的是,具体加权偏置计算的过程如下公式(1)所示:
y=a1*x+b1 (1)
其中,a1代表图像权重值,b1代表图像偏移值,x代表图像灰度值,y为加权偏置后的目标灰度值。
步骤S502,根据偏置图像确定多个偏置通道,并对偏置图像以及偏置通道进行图像合成,得到合成图;
在一些实施例中,根据偏置图像确定与每个偏置图像对应的偏置通道,并对偏置图像以及偏置通道进行图像合成,从而得到一个全新、完整的合成图,实现对图像的合成。
需要说明的是,在进行图像合成的过程中,首先需要获取偏置图像的各个像素点,之后对偏置图像进行排序,得到偏置序列,避免出现合成过程中图像顺序混乱,导致合成图像区域混乱的情况,最后,根据偏置序列对像素点以及与各个偏置图像对应的偏置通道进行相加,得到合成图。
需要说明的是,偏置图像中各自像素点所乘的系数不会超过1,并且保证整体像素灰度值不超过255,从而避免出现数据溢出的情况。
步骤S503,基于预设的斑点工具对合成图以及特征区域进行交并比计算,得到交并比值;
在一些实施例中,基于预设的斑点工具对合成图以及缺陷特征信息进行交并比计算,得到交并比值,从而提高合成图像的图像精度,解决缺陷成像不均匀的问题。
步骤S504,根据交并比值、合成图以及预设的交并比条件确定目标合成图。
在一些实施例中,将交并比值与预设的交并比条件进行对比,从而能够判断当前的合成图是否满足交并比条件的要求,并根据判断结果确定目标合成图,从而实现成像均匀。
请参照图6,图6是本申请实施例提供的步骤S503的具体流程图。在一些实施例中,步骤S503具体包括但不限于步骤S601和步骤S605。
步骤S601,根据特征区域确定特征宽度、特征高度以及中心点坐标;
在一些实施例中,首先根据整体图像的特征区域确定特征的特征宽度、特征高度以及中心点坐标,记为w0、h0以及(x0,y0)。
步骤S602,对合成图进行灰度值二值化处理,得到合成图的第一特征区域;
在一些实施例中,对合成图进行灰度值二值化处理,从而突显合成图中的缺陷特征,得到第一特征区域,提高缺陷特征查找的效率。
步骤S603,基于预设的斑点工具对第一特征区域进行阈值分割,得到第二特征区域;
在一些实施例中,基于预设的斑点工具对第一特征区域进行阈值分割,得到第二特征区域,其中,在进行阈值分割的过程中需要结合合成图的面积进行分割,并对分割后的结果进行筛选,得到第二特征区域。
步骤S604,根据第二特征区域确定合成特征宽度、合成特征高度以及合成中心点坐标;
在一些实施例中,根据第二特征区域确定合成特征宽度w1、合成特征高度h1以及合成中心点坐标(x1,y1).便于后续进行交并比计算。
步骤S605,对特征宽度、特征高度、中心点坐标、合成特征宽度、合成特征高度以及合成中心点坐标进行交并比计算,得到交并比值。
在一些实施例中,根据宽度、高度以及坐标点计算出第二特征区域与特征区域的交并比值,从而判断合成图是否到达标准,实现缺陷特征成像均匀。
请参照图7,图7是本申请实施例提供的步骤S504的具体流程图。在一些实施例中,步骤S504具体包括但不限于步骤S701和步骤S703。
步骤S701,对交并比值与预设的交并比条件进行对比;
步骤S702,在交并比值满足交并比条件的情况下,根据合成图确定目标合成图。
在一些实施例的步骤S701至步骤S702中,对交并比值与预设的交并比条件进行对比,在交并比值满足交并比条件的情况下,说明合成图已经达到规定的规格,可以直接将合成图作为目标合成图。
需要说明的是,交并比条件可以根据使用者的需要自行设定,本实施例不做具体限制。
步骤S703,在交并比值未满足交并比条件的情况下,继续对多张工件图像进行加权偏置处理,得到迭代交并比值,直至迭代交并比值满足交并比条件。
在一些实施例中,在对交并比值与预设的交并比条件对比的过程中,在交并比值未满足交并比条件的情况下,说明此时的合成图并没有达到规定的规格,则需要重复步骤S501-步骤S503,即,继续对多张工件图像进行加权偏置处理,不断的迭代优化权重,直至迭代交并比值满足交并比条件为止,将与迭代交并比值对应的迭代合成图作为目标合成图。
请参阅图8,本申请实施例还提供一种缺陷检测装置,可以实现上述缺陷检测方法,该装置包括:
图像采集模块801,用于每次对待测工件的至少一部分区域进行光照并对待测工件进行图像采集,得到多张工件图像,其中,工件图像包括对待测工件进行整体光照并采集得到的整体图像;
特征划分模块802,用于对整体图像进行特征划分,得到特征区域;
图像合成模块803,用于对整体图像以及多张所述工件图像进行图像合成,得到目标合成图;
缺陷确定模块804,用于基于预设的边缘检测算法以及全局阈值分割算法对目标合成图进行特征检测,确定与特征区域对应的目标缺陷信息。
本申请实施例的缺陷检测装置用于执行上述实施例中的缺陷检测方法,其具体处理过程与上述实施例中的缺陷检测方法相同,此处不再一一赘述。
本申请实施例还提供了一种计算机设备,包括存储器和处理器,其中,存储器中存储有计算机程序,该计算机程序被处理器执行时处理器用于执行本申请上述实施例中的缺陷检测方法。
参照图9,图9是本申请实施例提供的计算机设备的硬件结构示意图。
下面结合图9对计算机设备的硬件结构进行详细说明。该计算机设备包括:处理器910、存储器920、输入/输出接口930、通信接口940和总线950。
处理器910,可以采用通用的CPU(Central Processin Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器920,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器920可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器920中,并由处理器910来调用执行本申请实施例的缺陷检测方法;
输入/输出接口930,用于实现信息输入及输出;
通信接口940,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;和总线950,在设备的各个组件(例如处理器910、存储器920、输入/输出接口930和通信接口940)之间传输信息;
其中处理器910、存储器920、输入/输出接口930和通信接口940通过总线950实现彼此之间在设备内部的通信连接。
本申请实施例还提供一种存储介质,该存储介质为计算机可读存储介质,计算机可读存储介质存储有计算机程序,在计算机程序被计算机执行时,计算机用于执行如本申请上述实施例中的缺陷检测方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1至图7中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种缺陷检测方法,其特征在于,所述方法包括:
每次对待测工件的至少一部分区域进行光照并对所述待测工件进行图像采集,得到多张工件图像,其中,所述工件图像包括对所述待测工件进行整体光照并采集得到的整体图像;
对所述整体图像进行特征划分,得到特征区域;
对所述整体图像以及多张所述工件图像进行图像合成,得到目标合成图;
基于预设的边缘检测算法以及全局阈值分割算法对所述目标合成图进行特征检测,确定与所述特征区域对应的目标缺陷信息。
2.根据权利要求1所述的缺陷检测方法,其特征在于,所述基于预设的边缘检测算法以及全局阈值分割算法对所述目标合成图进行特征检测,确定与所述特征区域对应的目标缺陷信息,包括:
根据所述边缘检测算法对所述目标合成图进行边缘信息提取,得到与所述特征区域对应的边缘图像;
基于所述全局阈值分割算法对所述边缘图像进行阈值设置,得到目标阈值;
对所述边缘图像中的所有元素进行灰度值提取,得到多个灰度值信息;
根据所述目标阈值对所有所述灰度值信息进行二值化处理,确定所述目标缺陷信息。
3.根据权利要求2所述的缺陷检测方法,其特征在于,所述根据所述边缘检测算法对所述目标合成图进行边缘信息提取,得到与所述特征区域对应的边缘图像,包括:
基于预设的采样方向对所述目标合成图进行特征采样,得到灰度值曲线;
根据所述边缘检测算法对所述灰度值曲线进行求导操作,得到多个灰度突变定位点;
根据多个所述灰度突变定位点生成感兴趣区域;
根据所述感兴趣区域对所述目标合成图进行目标截取,得到与所述感兴趣区域对应的所述边缘图像。
4.根据权利要求2所述的缺陷检测方法,其特征在于,所述根据所述目标阈值对所有所述灰度值信息进行二值化处理,确定所述目标缺陷信息,包括:
将所述目标阈值与每一个所述灰度值信息进行对比,得到第一元素集合和第二元素集合,其中,所述第一元素集合中的元素为所述灰度值信息大于等于所述目标阈值的元素,所述第二元素集合中的元素为所述灰度值信息小于所述目标阈值的元素;
根据预设的第一状态值对所述第一元素集合中的元素进行标记,确定特征区域;
根据预设的第二状态值对所述第二元素集合中的元素进行标记,确定正常区域;
对所述特征区域以及所述正常区域进行特征表达,得到所述目标缺陷信息。
5.根据权利要求1所述的缺陷检测方法,其特征在于,所述对所述整体图像以及多张所述工件图像进行图像合成,得到目标合成图,包括:
对多张所述工件图像进行加权偏置处理,得到多张偏置图像;
根据所述偏置图像确定多个偏置通道,并对所述偏置图像以及所述偏置通道进行图像合成,得到合成图;
基于预设的斑点工具对所述合成图以及所述特征区域进行交并比计算,得到交并比值;
根据所述交并比值、所述合成图以及预设的交并比条件确定目标合成图。
6.根据权利要求5所述的缺陷检测方法,其特征在于,所述基于预设的斑点工具对所述合成图以及所述特征区域进行交并比计算,得到交并比值,包括:
根据所述特征区域确定特征宽度、特征高度以及中心点坐标;
对所述合成图进行灰度值二值化处理,得到所述合成图的第一特征区域;
基于所述斑点工具对所述第一特征区域进行阈值分割,得到第二特征区域;
根据所述第二特征区域确定合成特征宽度、合成特征高度以及合成中心点坐标;
对所述特征宽度、所述特征高度、所述中心点坐标、所述合成特征宽度、所述合成特征高度以及所述合成中心点坐标进行交并比计算,得到所述交并比值。
7.根据权利要求5所述的缺陷检测方法,其特征在于,所述根据所述交并比值、所述合成图以及预设的交并比条件确定目标合成图,包括:
对所述交并比值与预设的交并比条件进行对比;
在所述交并比值满足所述交并比条件的情况下,根据所述合成图确定所述目标合成图;
或者,
在所述交并比值未满足所述交并比条件的情况下,继续对多张所述工件图像进行加权偏置处理,得到迭代交并比值,直至所述迭代交并比值满足所述交并比条件。
8.一种缺陷检测装置,其特征在于,所述装置包括:
图像采集模块,用于每次对待测工件的至少一部分区域进行光照并对所述待测工件进行图像采集,得到多张工件图像,其中,所述工件图像包括对所述待测工件进行整体光照并采集得到的整体图像;
特征划分模块,用于对所述整体图像进行特征划分,得到特征区域;
图像合成模块,用于对所述整体图像以及多张所述工件图像进行图像合成,得到目标合成图;
缺陷确定模块,用于基于预设的边缘检测算法以及全局阈值分割算法对所述目标合成图进行特征检测,确定与所述特征区域对应的目标缺陷信息。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,其中,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器用于执行如权利要求1至7中任一项所述的缺陷检测方法。
10.一种存储介质,其特征在于,所述存储介质为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程序,在所述计算机程序被计算机执行时,所述计算机用于执行如权利要求1至7中任一项所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310341573.XA CN116402781A (zh) | 2023-03-31 | 2023-03-31 | 缺陷检测方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310341573.XA CN116402781A (zh) | 2023-03-31 | 2023-03-31 | 缺陷检测方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116402781A true CN116402781A (zh) | 2023-07-07 |
Family
ID=87013738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310341573.XA Pending CN116402781A (zh) | 2023-03-31 | 2023-03-31 | 缺陷检测方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402781A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129527A (zh) * | 2023-08-30 | 2023-11-28 | 江苏瑞意隆建设工程有限公司 | 一种城市道路铺设质量检测方法及系统 |
-
2023
- 2023-03-31 CN CN202310341573.XA patent/CN116402781A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129527A (zh) * | 2023-08-30 | 2023-11-28 | 江苏瑞意隆建设工程有限公司 | 一种城市道路铺设质量检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
US20200043157A1 (en) | Inspection Apparatus, Inspection Method, And Program | |
Chen et al. | Building detection in an urban area using lidar data and QuickBird imagery | |
CN111179230B (zh) | 遥感影像对比变化检测方法、装置、存储介质及电子设备 | |
CA2840436C (en) | System for mapping and identification of plants using digital image processing and route generation | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN110706182B (zh) | 一种屏蔽罩平面度检测方法、装置、终端设备及存储介质 | |
KR101272448B1 (ko) | 관심영역 검출 장치와 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록매체 | |
CN116503388B (zh) | 缺陷检测方法、装置及存储介质 | |
US11640709B2 (en) | Merchandise specification systems and programs | |
CN116402781A (zh) | 缺陷检测方法、装置、计算机设备及介质 | |
CN111310753B (zh) | 一种表计对准方法及装置 | |
CN117011250A (zh) | 缺陷检测方法、装置及存储介质 | |
US8396297B2 (en) | Supervised edge detection using fractal signatures | |
CN117670886B (zh) | 显示屏缺陷检测方法、装置、设备及存储介质 | |
CN109272001B (zh) | 尿检识别分类器的构造训练方法、装置及计算机设备 | |
CN108682021B (zh) | 快速手部跟踪方法、装置、终端及存储介质 | |
CN109241970A (zh) | 尿检方法、移动终端及计算机可读存储介质 | |
CN110532973B (zh) | 基于特殊锚点的双页文本图像识别及定位分割方法 | |
JP2012200156A (ja) | 細胞の追跡処理方法 | |
CN115294035B (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
Juvela | Template matching method for the analysis of interstellar cloud structure | |
CN113614774A (zh) | 用于目标涂层的图像数据中的缺陷检测的方法和系统 | |
CN108564571B (zh) | 图像区域选取方法及终端设备 |
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 |