CN116503388B - 缺陷检测方法、装置及存储介质 - Google Patents

缺陷检测方法、装置及存储介质 Download PDF

Info

Publication number
CN116503388B
CN116503388B CN202310745631.5A CN202310745631A CN116503388B CN 116503388 B CN116503388 B CN 116503388B CN 202310745631 A CN202310745631 A CN 202310745631A CN 116503388 B CN116503388 B CN 116503388B
Authority
CN
China
Prior art keywords
image
area
defect
processed
region
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
CN202310745631.5A
Other languages
English (en)
Other versions
CN116503388A (zh
Inventor
请求不公布姓名
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.)
Guangdong Lyric Robot Automation Co Ltd
Original Assignee
Guangdong Lyric Robot Intelligent Automation 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 Guangdong Lyric Robot Intelligent Automation Co Ltd filed Critical Guangdong Lyric Robot Intelligent Automation Co Ltd
Priority to CN202310745631.5A priority Critical patent/CN116503388B/zh
Publication of CN116503388A publication Critical patent/CN116503388A/zh
Application granted granted Critical
Publication of CN116503388B publication Critical patent/CN116503388B/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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G06T5/77—
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

本申请实施例提供了缺陷检测方法、装置及存储介质，属于图像检测技术领域。该方法包括：获取待处理图像，其中，待处理图像由对待测电芯进行图像采集得到；对待处理图像进行特征提取，确定待处理图像的特征区域；对特征区域进行图像差分计算，得到背景区域以及干扰区域；计算背景区域的平均灰度值，并根据平均灰度值对干扰区域进行处理，得到目标图像；对目标图像进行缺陷提取，确定目标缺陷信息。本申请实施例能够避免多余信息对电芯检测的干扰，提高缺陷检测的精度。

Description

缺陷检测方法、装置及存储介质
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、装置及存储介质。
背景技术
在对电芯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，然而，现实情况下，电芯照片上可能存在表面污渍以及多种信息标记，例如，标号信息、二维码信息、字符信息等等，而常规的检测方法仅能对电芯照片的整体进行检测，在电芯照片存在污渍以及标号信息的情况下，容易受到标号信息的干扰，从而影响对电芯的检测效果，降低检测精度。
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、装置及存储介质，避免多余信息对电芯检测的干扰，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：
获取待处理图像，其中，所述待处理图像由对待测电芯进行图像采集得到；
对所述待处理图像进行特征提取，确定所述待处理图像的特征区域；
对所述特征区域进行图像差分计算，得到背景区域以及干扰区域；
计算所述背景区域的平均灰度值，并根据所述平均灰度值对所述干扰区域进行处理，得到目标图像；
对所述目标图像进行缺陷提取，确定目标缺陷信息。
在一些实施例中，所述计算所述背景区域的平均灰度值，并根据所述平均灰度值对所述干扰区域进行处理，得到目标图像，包括：
根据预设的灰度值均值算法对所述背景区域以及所述干扰区域进行灰度值计算，得到所述背景区域中的所有点位的第一灰度值以及所述干扰区域中的所有点位的第二灰度值；
对所有所述第一灰度值进行平均计算，得到平均灰度值，并对所有所述第二灰度值进行平均计算，得到干扰灰度值；
基于预设的灰度值填充算法对所述干扰区域进行灰度值填充，以将所述干扰区域中的干扰灰度值替换为所述平均灰度值，得到目标图像。
在一些实施例中，所述对所述待处理图像进行特征提取，确定所述待处理图像的特征区域，包括：
对所述待处理图像的灰度转换，得到灰度图像；
基于预设的灰度阈值对所述灰度图像进行筛选，得到指定区域；
根据预设的阈值分割算法对所述指定区域进行二值化处理，得到缺陷区域；
基于预设的卷积膨胀算法对所述缺陷区域进行轮廓膨胀处理，确定所述待处理图像的特征区域。
在一些实施例中，所述基于预设的卷积膨胀算法对所述缺陷区域进行轮廓膨胀处理，确定所述待处理图像的特征区域，包括：
对所述缺陷区域进行中心计算，确定所述缺陷区域的中心坐标；
基于预设的卷积核对所述缺陷区域进行像素扫描，得到所述缺陷区域的像素集合，其中，所述像素集合包括多个图像像素值以及与所述中心坐标对应的中心像素值；
对所述像素集合中的图像像素值进行比较，确定目标像素值；
根据所述目标像素值更新所述缺陷区域的中心像素值，得到膨胀区域；
将所述膨胀区域与预设的膨胀结束条件进行对比；
当所述膨胀区域满足所述膨胀结束条件，根据所述膨胀区域生成特征区域。
在一些实施例中，所述对所述特征区域进行图像差分计算，得到背景区域以及干扰区域，包括：
对所述特征区域进行腐蚀操作，确定腐蚀图像；
基于预设的图像差分算法对所述腐蚀图像以及所述待处理图像进行相减，确定第一区域以及第二区域，其中，所述第一区域为所述待处理图像中除所述腐蚀图像之外的区域，所述第二区域为包括所述腐蚀图像的区域；
对所述第一区域以及所述第二区域进行滤波优化，得到所述特征区域中的背景区域以及干扰区域。
在一些实施例中，所述基于预设的灰度值均值算法对所述背景区域以及所述干扰区域进行灰度值填充，得到目标图像，包括：
根据所述灰度值均值算法对所述背景区域进行灰度值计算，得到所述背景区域中的所有点位的灰度值；
对所有所述灰度值进行平均计算，得到平均灰度值；
基于预设的灰度值填充算法将所述平均灰度值填充至所述干扰区域，得到目标图像。
在一些实施例中，所述对所述目标图像进行缺陷提取，确定目标缺陷信息，包括：
对所述目标图像进行图像融合操作，得到第一融合图像和第二融合图像；
根据所述阈值分割算法对所述第一融合图像和第二融合图像进行特征提取，得到所述第一融合图像中的第一缺陷信息以及所述第二融合图像中的第二缺陷信息；
根据所述第一缺陷信息以及所述第二缺陷信息生成目标缺陷信息。
在一些实施例中，所述对所述目标图像进行图像融合操作，得到第一融合图像和第二融合图像，包括：
根据所述目标图像确定第一变换系数、第二变换系数、第一偏移量以及第二偏移量；
基于预设的图像融合变换算法、所述第一变换系数以及所述第一偏移量对所述目标图像进行图像融合操作，得到第一融合图像；
基于所述图像融合变换算法、所述第二变换系数以及所述第二偏移量对所述目标图像进行图像融合操作，得到第二融合图像。
在一些实施例中，所述待处理图像由如下步骤得到：
每次对所述待测电芯的至少一部分区域进行光照并对所述待测电芯进行图像采集，得到多张工件图像，其中，所述工件图像包括对所述待测电芯进行整体光照并采集得到的整体图像；
对所述整体图像以及多张所述工件图像进行图像合成，得到待处理图像。
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：
图像获取模块，用于获取待处理图像，其中，所述待处理图像由对待测电芯进行图像采集得到；
特征提取模块，用于对所述待处理图像进行特征提取，确定所述待处理图像的特征区域；
差分计算模块，用于对所述特征区域进行图像差分计算，得到背景区域以及干扰区域；
灰度值计算模块，用于计算所述背景区域的平均灰度值，并根据所述平均灰度值对所述干扰区域进行处理，得到目标图像；
缺陷提取模块，用于对所述目标图像进行缺陷提取，确定目标缺陷信息。
本申请实施例的第三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、装置及存储介质，具有如下有益效果：首先，获取对待测电芯进行图像采集得到的待处理图像，对待处理图像进行特征提取，以增大待处理图像中的目标区域，确定待处理图像的特征区域，并且在特征提取的过程中能够改善特征区域的边界连接，消除特征区域的噪声点，之后，对特征区域进行图像差分计算，得到背景区域以及干扰区域，从而能够增强图像细节处理，实现对背景区域和干扰区域的区分，计算背景区域的平均灰度值，并根据平均灰度值对干扰区域进行处理，从而将干扰区域与背景区域融为一体，避免干扰区域的影响，提高图像的质量和识别性能，全面提升图像的视觉效果，得到目标图像，最后，对目标图像进行缺陷提取，确定目标图像中的目标缺陷信息，实现对待测电芯的全面检测，提高缺陷检测的精度。
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S102的具体流程图；
图3是图2中步骤S204的具体流程图；
图4是图1中步骤S103的具体流程图；
图5是图1中步骤S104的具体流程图；
图6是图1中步骤S106的具体流程图；
图7是图6中步骤S601的具体流程图；
图8是本申请一个实施例提供的获取待处理图像的流程图；
图9是本申请实施例提供的缺陷检测装置的结构示意图；
图10是本申请一个示例提供的特征区域的示意图；
图11是本申请一个示例提供的目标图像的示意图；
图12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。
在对电芯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，然而，现实情况下，电芯照片上可能存在表面污渍以及多种信息标记，例如，标号信息、二维码信息、字符信息等等，而常规的检测方法仅能对电芯照片的整体进行检测，在电芯照片存在污渍以及标号信息的情况下，容易受到标号信息的干扰，从而影响对电芯的检测效果，降低检测精度。
为了解决上述问题，本实施例提供了缺陷检测方法、装置及存储介质，首先，获取对待测电芯进行图像采集得到的待处理图像，对待处理图像进行特征提取，以增大待处理图像中的目标区域，确定待处理图像的特征区域，并且在特征提取的过程中能够改善特征区域的边界连接，消除特征区域的噪声点，之后，对特征区域进行图像差分计算，得到背景区域以及干扰区域，从而能够增强图像细节处理，实现对背景区域和干扰区域的区分，计算背景区域的平均灰度值，并根据平均灰度值对干扰区域进行处理，从而将干扰区域与背景区域融为一体，避免干扰区域的影响，提高图像的质量和识别性能，全面提升图像的视觉效果，得到目标图像，最后，对目标图像进行缺陷提取，确定目标图像中的目标缺陷信息，实现对待测电芯的全面检测，提高缺陷检测的精度。
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S105。
步骤S101，获取待处理图像；
需要说明的是，待处理图像由对待测电芯进行图像采集得到。
步骤S102，对待处理图像进行特征提取，确定待处理图像的特征区域；
在一些实施例中，由于待处理图像可能存在二维码标识、标号信息以及污渍信息等，所以需要对待处理图像进行特征提取，具体为基于预设的阈值分割算法对待处理图像进行二值化处理，以最大化突显缺陷特征区域，并通过卷积膨胀算法对二值化处理后的区域进行轮廓膨胀处理，确定待处理图像的特征区域，从而改善边界连接，消除噪声点，确定待处理图像的特征区域。
需要说明的是，阈值分割算法包括但不限于包括全局固定阈值算法、局部自适应阈值算法以及最大类间方差算法等等；卷积膨胀算法包括但不限于包括边沿提取算法、灰度重建算法以及布尔运算法等等，本实施例不做具体限制。
值得注意的是，特征区域包括但不限包括待测电芯上印刷的二维码信息、产品参数信息、标记信息等等，本实施例不做具体限制。
步骤S103，对特征区域进行图像差分计算，得到背景区域以及干扰区域；
在一些实施例中，对特征区域进行图像差分计算，从而能够将特征区域中的信息与整体图像的背景区分开来，得到背景区域以及干扰区域，实现对特征区域的分离，便于后续进行缺陷提取，增强图像细节，克服图像中由于光线、噪声等问题产生的影响和干扰。
步骤S104，计算背景区域的平均灰度值，并根据平均灰度值对干扰区域进行处理，得到目标图像；
在一些实施例中，先计算背景区域的平均灰度值，之后再通过平均灰度值对干扰区域进行灰度值填充，使干扰区域与背景区域的灰度值一致，从而避免干扰区域对后续提取缺陷的干扰，能够从整体上达到调整图像明暗对比度的效果，避免图像出现不必要的伪影效果。
可以理解的是，干扰区域可以为待测电芯的原始图像上的二维码信息、产品参数信息、标记信息等等。
步骤S105，对目标图像进行缺陷提取，确定目标缺陷信息。
在一些实施例中，在对干扰区域进行填充得到目标图像之后，对目标图像进行图像融合变换，之后再通过阈值分割算法对图像融合变换后的图像进行缺陷提取，确定目标图像中的目标缺陷信息，从而实现对缺陷信息的精准识别，避免其他信息的干扰。
请参照图2，图2是本申请实施例提供的步骤S102的具体流程图。在一些实施例中，步骤S102具体包括但不限于步骤S201和步骤S204。
步骤S201，对待处理图像的灰度转换，得到灰度图像；
步骤S202，基于预设的灰度阈值对灰度图像进行筛选，得到指定区域；
步骤S203，根据预设的阈值分割算法对指定区域进行二值化处理，得到缺陷区域；
步骤S204，基于预设的卷积膨胀算法对缺陷区域进行轮廓膨胀处理，确定待处理图像的特征区域。
在一些实施例的步骤S201至步骤S204中，在对待处理图像进行特征提取的过程中，首先对待处理图像进行灰度转换，得到灰度图像，从而减少数据量以及计算复杂度，抑制彩色对图像信息的干扰，其中，将图像进行灰度转换后，每一个像素点只有一个灰度值，之后基于预设的灰度阈值对灰度图像中的每个灰度值进行筛选，提取符合灰度阈值的图像，得到指定区域，再根据阈值分割算法对指定区域进行0/255的二值化处理，大于设定阈值的设定255，小于设定阈值的置为0，最大化突显缺陷特征区域，得到缺陷区域，从而实现对缺陷区域的精准提取，便于后续对缺陷信息的定位，提高对工件的加工精度，最后，根据卷积膨胀算法对缺陷区域进行轮廓膨胀处理，从而改善边界连接，消除噪声点，确定待处理图像的特征区域。
需要说明的是，在进行图像处理的过程中，经常会出现物体之间相互连接、甚至粘连的情况。在二维码图像处理中，很容易会出现由于图形之间的缝隙太小而无法分离的情况，这将严重影响识别率和可靠性。而利用卷积膨胀算法进行处理，则可以将相邻物体之间的缝隙扩大，并使它们之间的连接更加紧密。除此之外，在二维码图像中，如果有一些噪声点附着在二维码轮廓周围，那么这些噪声点会干扰后续的图像处理和解码工作。利用卷积膨胀算法进行处理可以将轮廓区域进行膨胀，从而覆盖一些噪声点，减少其对图像识别的影响，从而提高了二维码的可靠性和鲁棒性。
请参照图3，图3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包括但不限于步骤S301和步骤S306。
步骤S301，对缺陷区域进行中心计算，确定缺陷区域的中心坐标；
步骤S302，基于预设的卷积核对缺陷区域进行像素扫描，得到缺陷区域的像素集合；
需要说明的是，像素集合包括多个图像像素值以及与中心坐标对应的中心像素值。
步骤S303，对像素集合中的图像像素值进行比较，确定目标像素值；
步骤S304，根据目标像素值更新缺陷区域的中心像素值，得到膨胀区域；
步骤S305，将膨胀区域与预设的膨胀结束条件进行对比；
步骤S306，当膨胀区域满足膨胀结束条件，根据膨胀区域生成特征区域。
在一些实施例的步骤S301至步骤S306中，在对缺陷区域进行轮廓膨胀处理的过程中，首先对缺陷区域进行中心计算，确定缺陷区域的中心坐标，再选取一个n*n的矩阵（n通常为3、5、7等奇数）作为卷积核，以对缺陷区域进行像素扫描，得到特征区域中的每一个像素，生成缺陷区域的像素集合，之后，对像素集合中的图像像素值进行比较，看卷积核元素覆盖下的原图的像素的最大值是多少，选取像素最大值作为目标像素值，再根据目标像素值更新缺陷区域中的中心像素值，以增大缺陷区域，从而改善边界连接，消除噪声点，得到膨胀区域，最后，将膨胀区域与预设的膨胀结束条件进行对比，判断是否对特征区域全部膨胀完毕，当膨胀区域满足膨胀结束条件，根据膨胀区域生成特征区域，实现对整个缺陷区域的膨胀处理，使得缺陷更加清晰、规范，从而方便识别。
需要说明的是，在对缺陷区域进行像素扫描的过程中，以从上到下、从左到右的形式扫描图像中的每一个像素值，利用卷积运算的方式对图像进行膨胀操作。具体而言，就是将卷积核沿着图像上每个像素点进行对齐，并求出卷积核覆盖区域内所有像素点的最大值，作为输出图像中对应像素点的值。重复这个过程直到整个缺陷区域的图像都被处理完毕。
可以理解的是，卷积核可以根据应用场景的不同来选取不同的核函数，通常选择矩形、十字形或圆形等形状的核函数，通常情况下，膨胀操作会对图像的边缘造成影响，因此需要指定膨胀核的大小与形状来控制膨胀的程度，以避免出现不必要的形变。
值得注意的是，膨胀结束条件包括但不限于包括比较处理后膨胀区域中的像素数目是否达到某个预设值、比较处理后膨胀区域中的边缘梯度变化是否趋于平稳、确定膨胀次数是否达到预设值的迭代次数、比较处理后的膨胀区域在水平和垂直方向上的位置是否稳定等等。
其中，在膨胀结束条件为判断像素数目是否达到某个预设值的情况下，当确定处理后膨胀区域中的像素数目已经不再发生变化时，根据膨胀区域生成特征区域；在膨胀结束条件为边缘梯度变化是否趋于平稳的情况下，当确定处理后膨胀区域中的边缘梯度变化幅度趋于平稳，根据膨胀区域生成特征区域；在膨胀结束条件为膨胀次数是否达到预设值的迭代次数的情况下，当确定处理后膨胀区域的迭代次数达到迭代次数，根据膨胀区域生成特征区域；在膨胀结束条件为膨胀区域在水平和垂直方向上的位置是否稳定的情况下，当确定处理后膨胀区域中的二维码或者字符已经达到稳定位置时，根据膨胀区域生成特征区域。
在一些实施例中，当膨胀区域未满足膨胀结束条件，则重复步骤S301至步骤S304，直至得到的膨胀区域满足预设的膨胀结束条件，其中，在确定膨胀区域满足膨胀结束条件之后，还可以通过对处理后的膨胀区域进行二值化和二次处理，得到更清晰的特征区域。
请参照图4，图4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S401和步骤S403。
步骤S401，对特征区域进行腐蚀操作，确定腐蚀图像；
步骤S402，基于预设的图像差分算法对腐蚀图像以及待处理图像进行相减，确定第一区域以及第二区域；
需要说明的是，第一区域为待处理图像中除腐蚀图像之外的区域，第二区域为包括腐蚀图像的区域。
步骤S403，对第一区域以及第二区域进行滤波优化，得到特征区域中的背景区域以及干扰区域。
在一些实施例的步骤S401至步骤S403中，在对特征区域进行图像差分计算的过程中，首先对特征区域进行腐蚀操作，使得特征区域中的所有物体尽可能粘连在一起，确定腐蚀图像，再通过图像差分算法对腐蚀图像以及待处理图像进行相减，得到包括腐蚀图像的第一区域以及除腐蚀图像之外的第二区域，实现对腐蚀图像与背景的分离，提高后续缺陷提取的准确性，之后，对第一区域以及第二区域进行滤波优化操作，过滤掉面积较小的差异区域，使得图像更加清晰，得到特征区域中的背景区域以及干扰区域，便于后续进行缺陷提取，增强图像细节，克服图像中由于光线、噪声等问题产生的影响和干扰。
需要说明的是，在通过图像差分算法对腐蚀图像以及待处理图像进行相减的过程中，需要先确定腐蚀图像的尺寸和位置，将其缩放到与待处理图像相同的尺寸，保证这两幅图像在尺寸和像素值方面的一致性，之后将待处理图像和腐蚀图像的像素值转换为浮点数，对上述两个浮点数进行相减操作，得到差分图像，如果差分图像中的像素值为负数，则将其置为0，其余为正数的像素值置为255，以得到二值化的缺陷图像，从而确定第一区域和第二区域。
请参照图5，图5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S501和步骤S503。
步骤S501，根据预设的灰度值均值算法对背景区域以及干扰区域进行灰度值计算，得到背景区域中的所有点位的第一灰度值以及干扰区域中的所有点位的第二灰度值；
步骤S502，对所有第一灰度值进行平均计算，得到平均灰度值，并对所有第二灰度值进行平均计算，得到干扰灰度值；
步骤S503，基于预设的灰度值填充算法对干扰区域进行灰度值填充，以将干扰区域中的干扰灰度值替换为平均灰度值，得到目标图像。
在一些实施例的步骤S501至步骤S503中，在得到目标图像的过程中，首先，根据灰度值均值算法遍历背景区域以及干扰区域中的所有点位的像素点，得到背景区域中的所有点位的第一灰度值以及干扰区域中的所有点位的第二灰度值，之后将各个点位的灰度值相加，再除以所有的点数，得到平均灰度值和干扰灰度值，最后，根据灰度值填充算法对干扰区域进行灰度值填充，以将干扰区域中的干扰灰度值替换为平均灰度值，使干扰区域与背景区域的灰度值一致，从而避免干扰区域对后续提取缺陷的干扰，能够从整体上达到调整图像明暗对比度的效果，避免图像出现不必要的伪影效果。
需要说明的是，在通过灰度值填充算法将平均灰度值填充至干扰区域的过程中，需要计算干扰区域中每个像素点的灰度值，对于每一个像素点，以当前点位中心，向外扩散，同时判断相邻像素的状态以及颜色，并通过平均灰度值对不同颜色的像素点进行填充，从而将干扰区域与背景区域融为一体，避免干扰区域中图案的干扰。
可以理解的是，在进行灰度值填充时，可能会出现与图案相邻区域产生接缝或不规则变形的情况。为了避免这种影响，需要在填充前后进行边缘处理。常用的方法包括绘制边界外框线、进行图像腐蚀或膨胀操作等。
请参照图6，图6是本申请实施例提供的步骤S106的具体流程图。在一些实施例中，步骤S106具体包括但不限于步骤S601和步骤S603。
步骤S601，对目标图像进行图像融合操作，得到第一融合图像和第二融合图像；
步骤S602，根据阈值分割算法对第一融合图像和第二融合图像进行特征提取，得到第一融合图像中的第一缺陷信息以及第二融合图像中的第二缺陷信息；
步骤S603，根据第一缺陷信息以及第二缺陷信息生成目标缺陷信息。
在一些实施例的步骤S601至步骤S603中，在对目标图像进行缺陷提取的过程中，首先对目标图像进行图像融合操作，得到第一融合图像和第二融合图像，从而重点突出黑灰色的污渍，使得目标图像中亮的特征更亮、暗的特征更暗，增加缺陷与其他区域的对比度，通过目标图像进行融合，从而避免融合其他图像带来的干扰，之后，根据阈值分割算法对第一融合图像和第二融合图像进行特征提取，得到第一融合图像中的第一缺陷信息以及第二融合图像中的第二缺陷信息，即，得到了目标图像中亮的缺陷和暗的缺陷，实现对多种缺陷的识别提取，最后，根据第一缺陷信息以及第二缺陷信息生成目标缺陷信息，从而实现对待测电芯的检测，能够检测到待测电芯表面发白或者发黑的污渍缺陷，提高对待测电芯检测的精准度。
需要说明的是，第一融合图像和第二融合图像为黑白特征对比度不同的图像，在根据阈值分割算法对第一融合图像以及第二融合图像进行特征提取的过程中，首先对第一融合图像以及第二融合图像进行预处理操作，从而排除其他信息干扰，之后再分别计算第一融合图像以及第二融合图像的像素值的均值、方差等等，以设置不同的自适应阈值进行分割，例如，对于第一融合图像，将像素值高于阈值的部分归为前景，将像素值低于阈值的部分归为背景；对于第二融合图像，将像素值高于阈值的部分归为背景，将像素值低于阈值的部分归为前景，之后再采用多级分割操作，对第一融合图像的第一前景掩码进行去噪，对第二融合图像的第二前景掩码进行去噪，以提高分割结果的质量，得到第一缺陷信息和第二缺陷信息，其中，第一缺陷信息和第二缺陷信息为不同种类的缺陷信息，例如，第一缺陷信息为黑色污渍信息，第二缺陷信息为白色污渍信息等等，从而实现对多种缺陷信息的提取。
请参照图7，图7是本申请实施例提供的步骤S601的具体流程图。在一些实施例中，步骤S601具体包括但不限于步骤S701和步骤S703。
步骤S701，根据目标图像确定第一变换系数、第二变换系数、第一偏移量以及第二偏移量；
步骤S702，基于预设的图像融合变换算法、第一变换系数以及第一偏移量对目标图像进行图像融合操作，得到第一融合图像；
步骤S703，基于图像融合变换算法、第二变换系数以及第二偏移量对目标图像进行图像融合操作，得到第二融合图像。
在一些实施例的步骤S701至步骤S703中，在对目标图像进行图像融合操作的过程中，需要根据目标图像确定第一变换系数、第二变换系数、第一偏移量以及第二偏移量，从而能够适应提取多种缺陷特征的场景，提高图像质量以及信息的丰富程度，之后基于图像融合变换算法、第一变换系数以及第一偏移量对目标图像进行图像融合操作，得到第一融合图像，基于图像融合变换算法、第二变换系数以及第二偏移量对目标图像进行图像融合操作，得到第二融合图像，以实现不同场景下的图像融合，得到不同亮度以及对比度的融合图像。
需要说明的是，图像融合变换算法的算法原理是g’=g1*g2*Mult+Add；其中，g1为目标图像的像素，g2为目标图像的像素，Multi是变换系数，Add是偏移量，一般取0，通过此方法可以使亮的特征更亮，暗的特征更暗，增加对比度，本实施例中g1和g2均为目标图像的像素，从而避免融合其他图像带来的干扰。
可以理解的是，变换系数和偏移量选值要依据具体的图像特征去决定，通常变换系数取0-1之间的值，以增强黑白特征的对比度，而偏移量是针对图像整体需要变亮或者变暗时才需要赋值，使用者可以根据实际需要自行选择。
请参照图8，图8是本申请实施例提供的获取待处理图像的具体流程图。在一些实施例中，包括但不限于步骤S801和步骤S802。
步骤S801，每次对待测电芯的至少一部分区域进行光照并对待测电芯进行图像采集，得到多张工件图像；
需要说明的是，工件图像包括对待测电芯进行整体光照并采集得到的整体图像。
在一些实施例中，在待测电芯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，在每次对待测电芯进行光照的过程中，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，使得待测电芯至少一部分区域被照亮，并对不同区域被照亮的待测电芯进行图像采集，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，在对待测电芯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S802，对整体图像以及多张工件图像进行图像合成，得到待处理图像。
在一些实施例中，在对整体图像以及多张工件图像进行图像合成的过程中，需要先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，之后进行多通道图像合成，得到待处理图像，从而实现待处理图像的均匀成像，提高缺陷检测的准确性。
需要说明的是，在进行多通道图像合成的过程中，先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，再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、完整的待处理图像，实现对图像的合成，之后对在整体图像中划定的明显特征进行计算，确定特征宽度、特征高度以及中心点坐标，记为w0、h0以及（x0,y0），再基于预设的斑点工具对待处理图像中的特征进行查找，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），最后根据特征宽度、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计算出两个特征的交并比值，从而判断待处理图像是否到达标准，实现缺陷特征成像均匀。
其中，进行加权偏置处理的过程中，首先根据多张工件图像随机生成权重矩阵，并且权重矩阵中矩阵元素的数量与工件图像的数量对应，每个矩阵元素相加的总和等于1，之后再通过矩阵元素对与之对应的工件图像中的每个像素点进行加权偏置处理，获取每张工件图像的原始的图像灰度值，对于每张工件图像，在矩阵元素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，提升图像亮度的均匀性，并根据偏置图像确定与每个偏置图像对应的偏置通道，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、完整的待处理图像，实现对图像的合成。
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。
在一些实施例中，在得到多张偏置图像以及待处理图像之后，还需要对待处理图像以及整体图像进行交并比计算，得到交并比值，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，说明待处理图像已经达到规定的规格，可以直接将待处理图像作为待处理图像。
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。
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，说明此时的待处理图像并没有达到规定的规格，则需要重复上述步骤，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待处理图像作为目标待处理图像。
可以理解的是，斑点工具（Spot Healing Brush Tool）是一种图像编辑工具，常用于修复和去除图像中的斑点、划痕、污渍、皮肤瑕疵等小缺陷，使图像更加精美。它类似于其他修图软件中的修复画笔工具，但比传统的修复画笔工具更方便快捷，能够自动识别、匹配和填充周围的像素，以达到一定的修饰效果。
请参阅图9，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：
图像获取模块801，用于获取待处理图像，其中，待处理图像由对待测电芯进行图像采集得到；
特征提取模块802，用于对待处理图像进行特征提取，确定待处理图像的特征区域；
差分计算模块803，用于对特征区域进行图像差分计算，得到背景区域以及干扰区域；
灰度值计算模块804，用于计算背景区域的平均灰度值，并根据平均灰度值对干扰区域进行处理，得到目标图像；
缺陷提取模块805，用于对目标图像进行缺陷提取，确定目标缺陷信息。
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。
为了更加清楚地说明上述的缺陷检测方法，下面以具体示例进行说明。
示例一：
在待测电芯上设置有二维码特征以及字符串特征的情况下，对待测电芯进行脏污检测，具体缺陷检测的过程包括如下步骤：
步骤1：对待测电芯的后侧、左侧、前侧以及右侧四分之一区域进行光照并对待测电芯进行图像采集，得到多张部分光照图像，并对待测电芯进行整体光照并采集得到的整体图像；
步骤2：针对步骤1已经得到的5张图像，先随机生成一个1*5的权重矩阵[a1,a2,a3,a4,a5]，其中矩阵中的元素a必须满足a1+a2+a3+a4+a5=1，防止整图过曝，然后再利用a1对第一次部分光照图像中的每个像素点进行加权偏置处理，针对其余部分光照图像，采用同样的逻辑原理进行加权偏置，得到多张加权偏置图像，然后依次按各自的通道将五幅图像进行相加，得到一个全新的、完整的待处理图像：
步骤3：在整体图像中事先划定一个明显特征，确定特征宽度、特征高度以及中心点坐标，记为w0、h0以及（x0,y0），再基于预设的斑点工具对待处理图像中的特征进行查找，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），最后根据特征宽度、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计算出两个特征的交并比值，直至交并比值满足预设的比值；
步骤4：利用阈值分割算法对待处理图像中的二维码特征以及字符串特征进行提取，提取符合设定阈值的图像，然后对提取到的图像进行0/255的二值化处理，大于设定阈值的人为设定255，小于设定阈值的置为0，最大化突显缺陷特征区域，得到缺陷区域；
步骤5：利用一个n*n的矩阵（n通常为3、5、7等奇数）作为卷积核，以从上到下、从左到右的形式扫描待处理图像中的每一个像素，看卷积核元素覆盖下的原图的像素的最大值是多少，并将最大值赋值给中心像素，确定待处理图像的特征区域；
参考图10，图10为本申请一个示例提供的特征区域的示意图；
步骤6：对特征区域进行图像差分计算，得到背景区域200以及干扰区域100，其中，背景区域200为特征区域中除二维码区域以外的图像，干扰区域100为二维码特征以及字符串特征对应的区域；
参考图11，图11为本申请一个示例提供的目标图像的示意图；
步骤7：计算背景区域的平均灰度值，并根据平均灰度值对干扰区域进行处理，得到目标图像；
步骤8：对目标图像进行图像融合操作，得到第一融合图像和第二融合图像，并对第一融合图像和第二融合图像进行特征提取，得到第一缺陷信息以及第二融合图像中的第二缺陷信息；
步骤9：根据第一缺陷信息以及第二缺陷信息生成目标缺陷信息，以实现对电芯表面发白或者发黑的污渍的检测，从而确定待测电芯的检测缺陷区域300。
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12，图12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12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8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 (8)

1.一种缺陷检测方法，其特征在于，所述方法包括：
获取待处理图像，其中，所述待处理图像由对待测电芯进行图像采集得到；
对所述待处理图像进行特征提取，确定所述待处理图像的特征区域；
对所述特征区域进行图像差分计算，得到背景区域以及干扰区域；
计算所述背景区域的平均灰度值，并根据所述平均灰度值对所述干扰区域进行处理，得到目标图像；
根据所述目标图像确定第一变换系数、第二变换系数、第一偏移量以及第二偏移量；
基于预设的图像融合变换算法、所述第一变换系数以及所述第一偏移量对所述目标图像进行图像融合操作，得到第一融合图像；
基于所述图像融合变换算法、所述第二变换系数以及所述第二偏移量对所述目标图像进行图像融合操作，得到第二融合图像，其中，所述第一融合图像和所述第二融合图像为黑白特征对比度不同的图像；
根据预设的阈值分割算法对所述第一融合图像和第二融合图像进行特征提取，得到所述第一融合图像中的第一缺陷信息以及所述第二融合图像中的第二缺陷信息；
根据所述第一缺陷信息以及所述第二缺陷信息生成目标缺陷信息。
2.根据权利要求1所述的缺陷检测方法，其特征在于，所述计算所述背景区域的平均灰度值，并根据所述平均灰度值对所述干扰区域进行处理，得到目标图像，包括：
根据预设的灰度值均值算法对所述背景区域以及所述干扰区域进行灰度值计算，得到所述背景区域中的所有点位的第一灰度值以及所述干扰区域中的所有点位的第二灰度值；
对所有所述第一灰度值进行平均计算，得到平均灰度值，并对所有所述第二灰度值进行平均计算，得到干扰灰度值；
基于预设的灰度值填充算法对所述干扰区域进行灰度值填充，以将所述干扰区域中的干扰灰度值替换为所述平均灰度值，得到目标图像。
3.根据权利要求1所述的缺陷检测方法，其特征在于，所述对所述待处理图像进行特征提取，确定所述待处理图像的特征区域，包括：
对所述待处理图像的灰度转换，得到灰度图像；
基于预设的灰度阈值对所述灰度图像进行筛选，得到指定区域；
根据预设的阈值分割算法对所述指定区域进行二值化处理，得到缺陷区域；
基于预设的卷积膨胀算法对所述缺陷区域进行轮廓膨胀处理，确定所述待处理图像的特征区域。
4.根据权利要求3所述的缺陷检测方法，其特征在于，所述基于预设的卷积膨胀算法对所述缺陷区域进行轮廓膨胀处理，确定所述待处理图像的特征区域，包括：
对所述缺陷区域进行中心计算，确定所述缺陷区域的中心坐标；
基于预设的卷积核对所述缺陷区域进行像素扫描，得到所述缺陷区域的像素集合，其中，所述像素集合包括多个图像像素值以及与所述中心坐标对应的中心像素值；
对所述像素集合中的图像像素值进行比较，确定目标像素值；
根据所述目标像素值更新所述缺陷区域的中心像素值，得到膨胀区域；
将所述膨胀区域与预设的膨胀结束条件进行对比；
当所述膨胀区域满足所述膨胀结束条件，根据所述膨胀区域生成特征区域。
5.根据权利要求1所述的缺陷检测方法，其特征在于，所述对所述特征区域进行图像差分计算，得到背景区域以及干扰区域，包括：
对所述特征区域进行腐蚀操作，确定腐蚀图像；
基于预设的图像差分算法对所述腐蚀图像以及所述待处理图像进行相减，确定第一区域以及第二区域，其中，所述第一区域为所述待处理图像中除所述腐蚀图像之外的区域，所述第二区域为包括所述腐蚀图像的区域；
对所述第一区域以及所述第二区域进行滤波优化，得到所述特征区域中的背景区域以及干扰区域。
6.根据权利要求1所述的缺陷检测方法，其特征在于，所述待处理图像由如下步骤得到：
每次对所述待测电芯的至少一部分区域进行光照并对所述待测电芯进行图像采集，得到多张工件图像，其中，所述工件图像包括对所述待测电芯进行整体光照并采集得到的整体图像；
对所述整体图像以及多张所述工件图像进行图像合成，得到待处理图像。
7.一种缺陷检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取待处理图像，其中，所述待处理图像由对待测电芯进行图像采集得到；
特征提取模块，用于对所述待处理图像进行特征提取，确定所述待处理图像的特征区域；
差分计算模块，用于对所述特征区域进行图像差分计算，得到背景区域以及干扰区域；
灰度值计算模块，用于计算所述背景区域的平均灰度值，并根据所述平均灰度值对所述干扰区域进行处理，得到目标图像；
缺陷提取模块，用于根据所述目标图像确定第一变换系数、第二变换系数、第一偏移量以及第二偏移量；基于预设的图像融合变换算法、所述第一变换系数以及所述第一偏移量对所述目标图像进行图像融合操作，得到第一融合图像；还用于基于所述图像融合变换算法、所述第二变换系数以及所述第二偏移量对所述目标图像进行图像融合操作，得到第二融合图像，其中，所述第一融合图像和所述第二融合图像为黑白特征对比度不同的图像；根据预设的阈值分割算法对所述第一融合图像和第二融合图像进行特征提取，得到所述第一融合图像中的第一缺陷信息以及所述第二融合图像中的第二缺陷信息；以及根据所述第一缺陷信息以及所述第二缺陷信息生成目标缺陷信息。
8.一种存储介质，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6中任一项所述的缺陷检测方法。
CN202310745631.5A 2023-06-25 2023-06-25 缺陷检测方法、装置及存储介质 Active CN116503388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310745631.5A CN116503388B (zh) 2023-06-25 2023-06-25 缺陷检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310745631.5A CN116503388B (zh) 2023-06-25 2023-06-25 缺陷检测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116503388A CN116503388A (zh) 2023-07-28
CN116503388B true CN116503388B (zh) 2023-11-14

Family

ID=87320538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310745631.5A Active CN116503388B (zh) 2023-06-25 2023-06-25 缺陷检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116503388B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823924B (zh) * 2023-08-24 2023-12-12 杭州百子尖科技股份有限公司 缺陷区域面积的确定方法、装置、电子设备以及存储介质
CN117409007B (zh) * 2023-12-15 2024-04-12 深圳市什方智造科技有限公司 一种电池加热膜贴合度的确定方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976352A (zh) * 2016-04-14 2016-09-28 北京工业大学 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法
WO2017084094A1 (zh) * 2015-11-20 2017-05-26 富士通株式会社 烟雾检测装置、方法以及图像处理设备
CN107618533A (zh) * 2017-09-29 2018-01-23 兰州交通大学 一种钢轨表面离散缺陷的机器视觉检测装置及方法
WO2018040118A1 (zh) * 2016-08-29 2018-03-08 武汉精测电子集团股份有限公司 一种基于GPU的TFT-LCD Mura缺陷检测的方法
CN112381800A (zh) * 2020-11-16 2021-02-19 广东电网有限责任公司肇庆供电局 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质
CN112927189A (zh) * 2021-01-28 2021-06-08 江苏大学 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法
WO2021208275A1 (zh) * 2020-04-12 2021-10-21 南京理工大学 一种交通视频背景建模方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017084094A1 (zh) * 2015-11-20 2017-05-26 富士通株式会社 烟雾检测装置、方法以及图像处理设备
CN105976352A (zh) * 2016-04-14 2016-09-28 北京工业大学 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法
WO2018040118A1 (zh) * 2016-08-29 2018-03-08 武汉精测电子集团股份有限公司 一种基于GPU的TFT-LCD Mura缺陷检测的方法
CN107618533A (zh) * 2017-09-29 2018-01-23 兰州交通大学 一种钢轨表面离散缺陷的机器视觉检测装置及方法
WO2021208275A1 (zh) * 2020-04-12 2021-10-21 南京理工大学 一种交通视频背景建模方法及系统
CN112381800A (zh) * 2020-11-16 2021-02-19 广东电网有限责任公司肇庆供电局 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质
CN112927189A (zh) * 2021-01-28 2021-06-08 江苏大学 一种电镀工件表面瑕疵视觉检测中边缘反射光斑剔除方法

Also Published As

Publication number Publication date
CN116503388A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116503388B (zh) 缺陷检测方法、装置及存储介质
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
US8031941B2 (en) Image display apparatus, image display method, and image display program
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
US8023766B1 (en) Method and system of processing an image containing undesirable pixels
KR101272448B1 (ko) 관심영역 검출 장치와 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록매체
CN110047063B (zh) 一种物料掉落的检测方法、装置、设备及存储介质
CN115908269A (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
US20170178341A1 (en) Single Parameter Segmentation of Images
US20230351582A1 (en) A line clearance system
CN117011250A (zh) 缺陷检测方法、装置及存储介质
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN116777877A (zh) 电路板缺陷检测方法、装置、计算机设备及存储介质
CN115082400A (zh) 一种图像处理方法、装置、计算机设备及可读存储介质
CN113052754A (zh) 一种图片背景虚化的方法及装置
JP2005165387A (ja) 画面のスジ欠陥検出方法及び装置並びに表示装置
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN116883336A (zh) 图像处理方法、装置、计算机设备及介质
JP3906221B2 (ja) 画像処理方法及び画像処理装置
CN116310889A (zh) 无人机环境感知数据的处理方法、控制终端以及存储介质
CN113284158B (zh) 一种基于结构约束聚类的图像边缘提取方法及系统
CN115184362A (zh) 一种基于结构光投影的快速缺陷检测方法
JP2019100937A (ja) 欠陥検査装置及び欠陥検査方法
CN111062887B (zh) 基于改进的Retinex算法的图像清晰度判定方法

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