CN116503414B - 屏幕缺陷检测方法、装置、计算机设备和存储介质 - Google Patents
屏幕缺陷检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116503414B CN116503414B CN202310780716.7A CN202310780716A CN116503414B CN 116503414 B CN116503414 B CN 116503414B CN 202310780716 A CN202310780716 A CN 202310780716A CN 116503414 B CN116503414 B CN 116503414B
- Authority
- CN
- China
- Prior art keywords
- image
- screen
- defect
- type
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 465
- 238000001514 detection method Methods 0.000 title claims abstract description 231
- 238000003860 storage Methods 0.000 title claims description 20
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种屏幕缺陷检测方法、装置和计算机设备。所述方法包括:依次将分别获取的第一相机和第二相机针对目标终端屏幕采集的第一屏幕图像和第二屏幕图像作为当前屏幕图像;找出各当前屏幕图像的目标屏幕区域轮廓;将基于目标屏幕区域轮廓对对应的当前屏幕图像进行分割得各当前屏幕图像的第一类型图像集输入第一缺陷检测模型得各当前屏幕图像的第一类型缺陷信息;将对各当前屏幕图像进行分辨率调整得各当前屏幕图像的第二类型图像输入第二缺陷检测模型得第二类型图像的第二类型缺陷信息;基于各当前屏幕图像的第一类型缺陷信息和第二类型缺陷信息,得到目标终端屏幕的目标检测结果。采用本申请,能够实现提高屏幕缺陷检测的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种屏幕缺陷检测方法、装置、计算机设备和存储介质。
背景技术
手机屏幕作为手机重要组成部分,其屏幕质量的优劣直接影响着用户的体验,对屏幕生产环节中的缺陷检测非常重要。然而,虽然目前对手机屏幕缺陷的检测方式虽然有很多,但是采用最多的是人工检测的方式,人工检测难度大、工作量大、误判率高,以及目前产生的自动化机器检测技术虽然能代替人工检测,但是其能够检测到的缺陷类型较少且误检漏检率较高,从而导致屏幕缺陷检测的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够高效准确检测手机屏幕的屏幕缺陷检测方法、装置、计算机设备和存储介质,提高了屏幕缺陷检测的准确性。
第一方面,本申请提供了一种屏幕缺陷检测方法,所述方法包括:
分别获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对所述目标终端屏幕采集的第二屏幕图像,依次将所述第一屏幕图像和所述第二屏幕图像作为当前屏幕图像;
找出各当前屏幕图像对应的目标屏幕区域轮廓,所述第一屏幕图像和所述第二屏幕图像用于组合形成所述目标终端屏幕对应的完整屏幕图像;
基于目标屏幕区域轮廓对对应的当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集,获取第一缺陷检测模型,将第一类型图像集输入所述第一缺陷检测模型,得到各当前屏幕图像对应的第一类型缺陷信息;
对各当前屏幕图像进行分辨率调整,得到各当前屏幕图像对应的第二类型图像,获取第二缺陷检测模型,将第二类型图像输入所述第二缺陷检测模型,得到各当前屏幕图像对应的第二类型缺陷信息;所述第一缺陷检测模型和所述第二缺陷检测模型检测的缺陷类型不同;
基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到所述目标终端屏幕对应的目标检测结果。
第二方面,本申请还提供了一种屏幕缺陷检测装置,所述装置包括:
获取模块,用于分别获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对所述目标终端屏幕采集的第二屏幕图像,依次将所述第一屏幕图像和所述第二屏幕图像作为当前屏幕图像;
轮廓查找模块,用于找出各当前屏幕图像对应的目标屏幕区域轮廓,所述第一屏幕图像和所述第二屏幕图像用于组合形成所述目标终端屏幕对应的完整屏幕图像;
第一检测模块,用于基于目标屏幕区域轮廓对对应的当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集,获取第一缺陷检测模型,将第一类型图像集输入所述第一缺陷检测模型,得到各当前屏幕图像对应的第一类型缺陷信息;
第二检测模块,用于对各当前屏幕图像进行分辨率调整,得到各当前屏幕图像对应的第二类型图像,获取第二缺陷检测模型,将第二类型图像输入所述第二缺陷检测模型,得到各当前屏幕图像对应的第二类型缺陷信息;所述第一缺陷检测模型和所述第二缺陷检测模型检测的缺陷类型不同;
结果确定模块,用于基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到所述目标终端屏幕对应的目标检测结果。
第三方面,本申请提供了一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现上述的方法中的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程2序,该计算机程序被处理器执行时实现上述的方法中的步骤。
第五方面,本申请提供了一种计算机程序产品,计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现本上述的方法中的步骤。
上述屏幕缺陷检测方法、装置、计算机设备和存储介质,通过获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对同一目标终端屏幕采集的第二屏幕图像,实现了双相机对多样式尺寸的终端屏幕图像的采集;依次将第一屏幕图像和第二屏幕图像作为当前屏幕图像,并找出各当前屏幕图像对应的目标屏幕区域轮廓,在将各当前屏幕图像输入至第一缺陷检测模型中之前,基于目标屏幕区域轮廓对对应的当前屏幕图像进行分割,以得到更小面积以及更多聚集第一类型缺陷的有效信息的第一类型图像集,再将第一类型图像集输入至第一缺陷检测模型中,从而检测得到各当前屏幕图像对应的更为准确地第一类型缺陷信息;再将各当前屏幕图像进行分辨率的调整,以获得能够减少第二缺陷检测模型对图像进行处理的压力的第一类型图像,进而将第一类型图像输入至第二缺陷检测模型中,得到各当前屏幕图像对应的更为准确地第二类型缺陷信息,最后基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息共同分析,得到目标终端屏幕对应的目标检测结果。通过双相机的协作,较好地采集到了目标终端屏幕原始潜在的缺陷信息,目标屏幕区域轮廓和第一缺陷检测模型和第二缺陷检测模型的层层检测,有利于更加高效精准地检测更多类型的缺陷,从而减小缺陷的漏检率和误检率,各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息的共同分析,使得分析得到的目标终端屏幕的目标检测结果更为准确,进而较大程度上提高了屏幕缺陷检测的准确性。
附图说明
图1为本申请实施例提供的一种屏幕缺陷检测方法的应用环境图;
图2为本申请实施例提供的一种屏幕缺陷检测方法的流程示意图;
图3为本申请实施例提供的一种屏幕缺陷检测装置的结构框图;
图4为本申请实施例提供的一种计算机设备的内部结构图;
图5为本申请实施例提供的另一种计算机设备的内部结构图;
图6为本申请实施例提供的一种计算机可读存储介质的内部结构图。
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,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的屏幕缺陷检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过通信网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,本申请实施例提供了一种屏幕缺陷检测方法,以该方法应用于图1中的服务器104为例进行说明。可以理解的是,计算机设备可以包括终端和服务器中的至少一种。该方法包括以下步骤:
S200、分别获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对目标终端屏幕采集的第二屏幕图像,依次将第一屏幕图像和第二屏幕图像作为当前屏幕图像。
其中,目标终端屏幕指当前正在检测是否存在缺陷的屏幕实体,其可以是手机屏幕。第一相机和第二相机指用于采集目标终端屏幕局部照片的两台相机,他们共同协作,拍出可以拼接出目标终端屏幕完整样式的图像。第一屏幕图像指用第一相机拍摄得到的局部屏幕的图像。第二屏幕图像指第二相机拍摄得到的局部屏幕的图像。第一屏幕图像和第二屏幕图像可用于拼接出目标终端屏幕对应的完整样式的屏幕图像。当前屏幕图像指当前步骤下处理的第一屏幕图像或第二屏幕图像。
具体地,本实施例中将手机屏幕作为目标终端屏幕进行描述。手机屏幕的尺寸是各式各样的,为了确保拍摄到手机屏幕的图像的画质等因素对手机屏幕中实际存在的缺陷信息的影响较小以及拍摄到手机屏幕的完整情况,可以采用双相机(即第一相机和第二相机)的形式来采集手机屏幕的屏幕图片,其中双相机之间的拍摄是相互协作共同联系的,也就是第一相机和第二相机分别拍摄到的第一屏幕图像和第二屏幕图像可用于拼接出手机屏幕的完整屏幕对应的屏幕图像,第一屏幕图像和第二屏幕图像共同反映着手机屏幕中的缺陷信息。由于对手机屏幕是否存在缺陷的过程中需要对第一屏幕图像和第二屏幕图像均进行后续的检测操作,因此可以依次将第一屏幕图像和第二屏幕图像作为当前屏幕缺陷检测过程中处理的当前屏幕图像。
S202、找出各当前屏幕图像对应的目标屏幕区域轮廓,第一屏幕图像和第二屏幕图像用于组合形成所述目标终端屏幕对应的完整屏幕图像。
其中,目标屏幕区域轮廓指目标终端屏幕对应的轮廓。
具体地,由于拍摄到的第一屏幕图像和第二屏幕图像中是既包含有目标终端屏幕也包含有对应的拍摄背景的,在拍摄的过程中可能会由于放置目标终端屏幕的夹具等方面的影响,导致拍摄得到的第一屏幕图像和第二屏幕图像中目标终端屏幕轮廓外部也存在与屏幕缺陷类似的影响因素,因此为了确保检测到的目标终端屏幕对应的缺陷的准确性,需要从当前屏幕图像中找出目标终端屏幕对应的轮廓,也就是目标屏幕区域轮廓,以便后续仅对目标屏幕区域轮廓内(包括轮廓边缘)的区域进行缺陷检测。再者,在查找目标屏幕区域轮廓的过程中,也会先将各种缺陷消除去噪,以避免其他缺陷对实际屏幕的轮廓的确定造成干扰,在一定程度上提高了检测目标终端屏幕缺陷的准确性。
S204、基于目标屏幕区域轮廓对对应的当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集,获取第一缺陷检测模型,将第一类型图像集输入第一缺陷检测模型,得到各当前屏幕图像对应的第一类型缺陷信息。
其中,第一类型图像集指对当前屏幕图像进行分割后得到与预设面积大小一致的小图片块的集合,可以是先对当前屏幕图像对应的目标屏幕区域轮廓外的像素点的灰度值置0处理之后,从灰度值处理后的当前屏幕图像中找到存在较大概率是缺陷的像素点,再以这些像素点为中心对当前屏幕图像进行分割得到。第一缺陷检测模型指用于检测屏幕中存在的第一类型缺陷的模型,第一类型缺陷指屏幕瑕疵比较小缺陷,比如亮点、满天星等缺陷;第一缺陷检测模型可以是对图像数据进行第一类型缺陷标注后,将标注后的图像数据用于YOLO V5网络模型训练得到的模型。第一类型缺陷信息指从当前屏幕图像中查找到的第一类型缺陷的信息,其包括但不限于有缺陷的具体类型(如亮点、满天星)、大小、位置、外接矩形框等。
具体地,由于第一缺陷检测模型是用于检测如亮点、满天星等小缺陷的模型,为了更好地保留目标终端屏幕原本的小缺陷信息,可以先对当前屏幕图像对应的目标屏幕区域轮廓外的像素点灰度值设置为0,以避免当前屏幕区域轮廓外的缺陷信息混入到实际要检测的屏幕缺陷信息中,然后再根据动态阈值算法确定当前屏幕图像中存在较大概率是亮点缺陷的像素点,再以这些像素点为中心将当前屏幕图像分割成预设面积的图像块,这些图像块的集合也就是第一类型图像集。其中,由于第一缺陷检测模型对输入的图像有其设定的图像大小,且由于第一类型缺陷对应的缺陷自身就是小面积缺陷,若再被第一缺陷检测模型进行图像大小的处理,会对当前屏幕图像中属于第一类型缺陷的小缺陷的实际信息产生较大的破坏,从而不能更好地获取小缺陷的缺陷信息。因此,可以先对当前屏幕图像进行相应的去噪(即屏幕区域轮廓外的灰度值置0)以及分割处理,而分割时的预设面积的设置也可以根据第一缺陷检测模型所处理的图片大小来设定,这样使得较大程度地保护第一类型缺陷(即亮点、满天星等小缺陷)的实际信息。此外,还可以根据各当前屏幕图像对应的第一类型缺陷信息中缺陷的位置和缺陷的外接矩形框,将各第一类型缺陷在原始的第一屏幕图像和第二屏幕图像中标注出来,后续查找出第二类型缺陷后,在标注了第一类型缺陷的第一屏幕图像和第二屏幕图像的基础上继续标注第二类型缺陷,以便最终将标注了缺陷(包括第一、第二类型缺陷)后的第一屏幕图像和第二屏幕图像拼接成存在目标终端屏幕对应的完整屏幕图像,可以在对应的终端进行目标终端屏幕存在的缺陷信息的直观展示。
S206、对各当前屏幕图像进行分辨率调整,得到各当前屏幕图像对应的第二类型图像,获取第二缺陷检测模型,将第二类型图像输入所述第二缺陷检测模型,得到各当前屏幕图像对应的第二类型缺陷信息;第一缺陷检测模型和第二缺陷检测模型检测的缺陷类型不同。
其中,分辨率调整指对当前屏幕图像进行图像大小的调整。第二类型图像指对当前屏幕图像进行分辨率调整之后得到的图像,其大小、像素等方面与当前屏幕图像存在差异。第二缺陷检测模型指用于检测屏幕中存在的第二类型缺陷的模型;第二类型缺陷指屏幕瑕疵比较大缺陷,比如断裂、划痕、气泡以及液晶不良等大缺陷,其与第一类型缺陷存在大小维度的差异;第二缺陷检测模型可以是对图像数据进行第二类型缺陷标注后,将标注后的图像数据用于YOLO V5网络模型训练得到的模型。第二类型缺陷信息指从当前屏幕图像中查找到的第二类型缺陷的信息,其包括但不限于有缺陷的具体类型(如断裂、划痕、气泡以及液晶不良)、大小、位置、轮廓形状等。
具体地,对于像断裂、划痕、气泡以及液晶不良等大缺陷的第二类型缺陷,对原始的当前屏幕图像进行分辨率大小上的调整对原本的实际缺陷信息影响不是很大。此外,一般相机拍摄出的图像大小与实际输入到模型中的图像大小会经过一定的大小处理过程,以便模型对图像更好地执行对应的检测操作。再者第二缺陷检测模型在输入层的图像输入模型中时,会再次对输入的图像进行相应的图像分割操作,由于第二缺陷检测模型训练的数据是有对图像的像素位置进行标注的,因此其可以根据像素的不同性质将图像分割成多个区域,每个区域中均存在不同像素所共享的颜色、纹理等的特征信息,而这些特征信息可以较好地表征出大缺陷与正常屏幕时像素的信息,也就是可以确保第二缺陷检测模型可以更好地检测出第二类型图像中的所存在的缺陷,进而获得各个当前屏幕图像对应的第二类型缺陷信息,由于第二类型缺陷属于比较大的缺陷,所以若当前屏幕图像一检测出存在第二类型缺陷,便可确认该目标终端屏幕检测不合格,也就是其存在对目标终端屏幕自身质量影响较大的缺陷。此外,还可以根据各当前屏幕图像对应的第二类型缺陷信息中缺陷的位置和缺陷的外接轮廓,将各第二类型缺陷在标注了第一类型缺陷的第一屏幕图像和第二屏幕图像中标注出来,以便最终将标注有缺陷的目标终端屏幕对应的完整屏幕图像,在对应的终端进行展示时可以直观的看到目标终端屏幕存在的缺陷信息。
S208、基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到目标终端屏幕对应的目标检测结果。
其中,目标检测结果指目标终端屏幕是否存在使目标终端屏幕检测不合格的缺陷的检测结果;其可以根据各个当前屏幕图像基于对应的第一类型缺陷信息和第二类型缺陷信息分析,得到各当前屏幕图像对应的检测结果,并将各当前屏幕图像的检测结果进行融合得到;融合指对各当前屏幕图像对应的检测结果做逻辑与的操作,比如第一屏幕图像检测为不合格,第二屏幕图像检测为合格,则由第一屏幕图像和第二屏幕图像组合成的完整屏幕图像对应的目标终端屏幕为检测不合格,其与数字上的0(可视为不合格)&1(可视为合格)=0、1&1=1、0&0=0是一样的逻辑概念。
具体地,第一类型缺陷信息由于是比较小的缺陷信息,其对目标终端屏幕的材质是否存在需求外的影响,还需要对第一类型缺陷信息中的各缺陷做进一步的判断,其中可以根据第一类型缺陷信息中的各缺陷的外接矩形框的长边宽度与设定的宽度阈值进行比较,若只要存在一个长边宽度大于阈值则可以判断该当前屏幕图像在目标终端屏幕对应的区域存在检测不合格的缺陷。再者,由于第二类型缺陷本身就是比较大的、对屏幕影响较大的缺陷,因此只要当前屏幕图像中检测得到的第二类型缺陷信息中存在第二类型缺陷的信息,则就可判定该当前屏幕图像在目标终端屏幕对应的区域存在检测不合格的缺陷。目标终端屏幕检测是否合格的判断由各当前屏幕图像的检测结果共同决定的,因为各当前屏幕图像对应着目标终端屏幕的局部,只要当前屏幕图像中存在检测不合格,则就可确定目标终端屏幕中存在检测不合格的缺陷。
可见,本申请实施例中,通过获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对同一目标终端屏幕采集的第二屏幕图像,实现了双相机对多样式尺寸的终端屏幕图像的采集;依次将第一屏幕图像和第二屏幕图像作为当前屏幕图像,并找出各当前屏幕图像对应的目标屏幕区域轮廓,在将各当前屏幕图像输入至第一缺陷检测模型中之前,基于目标屏幕区域轮廓对对应的当前屏幕图像进行分割,以得到更小面积以及更多聚集第一类型缺陷的有效信息的第一类型图像集,再将第一类型图像集输入至第一缺陷检测模型中,从而检测得到各当前屏幕图像对应的更为准确地第一类型缺陷信息;再将各当前屏幕图像进行分辨率的调整,以获得能够减少第二缺陷检测模型对图像进行处理的压力的第一类型图像,进而将第一类型图像输入至第二缺陷检测模型中,得到各当前屏幕图像对应的更为准确地第二类型缺陷信息,最后基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息共同分析,得到目标终端屏幕对应的目标检测结果。通过双相机的协作,较好地采集到了目标终端屏幕原始潜在的缺陷信息,目标屏幕区域轮廓和第一缺陷检测模型和第二缺陷检测模型的层层检测,有利于更加高效精准地检测更多类型的缺陷,从而减小缺陷的漏检率和误检率,各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息的共同分析,使得分析得到的目标终端屏幕的目标检测结果更为准确,进而较大程度上提高了屏幕缺陷检测的准确性。
在一些实施例中,S200之前还包括:
S300、接收可编程逻辑控制器发送的屏幕到位信号。
S302、基于屏幕到位信号,分别将触发信号发送至所述第一相机和第二相机,以使第一相机和第二相机对目标终端屏幕执行拍摄操作,得到第一屏幕图像和第二屏幕图像。
其中,可编程逻辑控制器(Programmable Logic Controller,简称PLC)是一种具有微处理器的数字电子设备,用于自动化控制的数字逻辑控制器,可以将控制指令随时加载存储器内存储与运行;可编程控制器由内部CPU,指令及数据存储器、输入输出单元、电源模块、数字模拟等单元所模块化组合成;PLC可接收(输入)及发送(输出)多种类型的电气或电子信号,并使用他们来控制或监督几乎所有种类的机械与电气系统;其主要是对硬件的控制,例如控制轴的运动,光电感应器的状态读取,对电机的控制等。屏幕到位信号指用于传达目标终端屏幕以到达拍照位的信号。触发信号指用于触发第一相机和第二相机进行拍摄操作的信号。
具体地,本实施例将手机屏幕作为目标终端屏幕进行描述。在进行手机屏幕缺陷检测的过程中,先通过传送带等设备将手机屏幕传输至手机屏幕的拍照位,当手机屏幕以正确姿势到达拍照位时,PLC中的传感器会感知到,此时PLC会生成屏幕到位信号,并将屏幕到位信号发送至正在运行视觉软件程序的服务器,服务器接收到屏幕拍摄信号之后,就将触发发送至第一相机和第二相机,以触发第一相机和第二相机拍摄手机屏幕对应的第一屏幕图像和第二屏幕图像;在拍摄屏幕的图像时,可以采用背光源频闪拍照,相机在屏幕的上方,光源在屏幕的下方。其中,视觉软件程序主要实现的功能有:软件的人机交互设置;软件运行参数的设置和保存;相机控制以及图像采集;缺陷检测算法的实现和运行;与外部设备例如PLC的通讯和交互,与客户ERP/MES系统等进行交互;检测结果的本地化存储;运行日志的本地化存储等。此外,这样的图像采集方式是流水线式的,当完成对采集到的第一屏幕图像和第二屏幕图像对应的手机屏幕缺陷的检测之后,将会又进入下一个手机屏幕的缺陷检测过程。
可见,本实施例中,通过服务器与可编程逻辑控制器以及双相机之间的交互,快速高效地对各目标终端屏幕进行着屏幕缺陷的检测,流水线式的处理方式较大程度地提高了屏幕缺陷检测的效率。且拍照位的确定有利于减小采集屏幕图像的过程中可能因为偏离镜头等问题带来屏幕图像中包含的缺陷信息与实际缺陷信息差别过大的问题,在一定程度上确保了后续检测屏幕缺陷的准确性。
在一些实施例中,S202包括:
S400、计算各当前屏幕图像中各像素点对应的灰度值,将各当前屏幕图像中灰度值大于预设灰度值的像素点作为待处理像素点。
S402、计算相邻的待处理像素点组合形成的区域面积,当区域面积小于预设漏光面积阈值且区域面积小于无屏幕面积阈值时,基于连通域分析算法,构建各当前屏幕图像对应的各个连通域,计算各连通域的面积得到各连通域对应的连通域面积,当连通域面积大于预设亮斑面积时,将各当前屏幕图像中对应的连通域内的各像素点的灰度值设置为第一固定值,得到各待增强图像。
其中,预设灰度值指用于衡量像素点对应的位置是否为可疑缺陷位置的灰度阈值,其可以根据实际情况的分析来确定。待处理像素点指具有较大概率为缺陷对应的像素点。区域面积指相邻的待处理像素点所组成的区域的面积,当多个相邻的待处理像素点聚合成一个区域时,则表示该区域是亮斑形成的区域。漏光面积阈值指用于衡量屏幕漏光的面积值。无屏幕面积阈值指用于衡量是否拍摄到屏幕的面积值。连通域是指像素值相同且位置相邻的像素组成的区域。连通域面积指连通域的面积。连通域分析算法是指将图像中的所有连通域用不同的符号标记的过程;其处理对象通常是一张经过二值化处理之后的图像,该算法的作用是将图像中感兴趣的前景目标与图像背景分离,以便后续可以对感兴趣的前景目标进行相关的图像处理操作;其可以是Seed-Filling算法和Two-Pass算法等,Seed-Filling算法只需要对待标记图像遍历一次,运行的时间比较少,而Two-Pass算法需要对待标记图像遍历两次,运行的时间较多。预设亮斑面积指用于挑选出对查找屏幕区域轮廓影响较大的亮斑的预设值。第一固定值指一个固定的值,即0。待增强图像指还没进行图像增强处理的图像。
具体地,为了避免拍摄屏幕图像的过程中,屏幕夹具等物品对拍摄得到的屏幕图像的影响,以及拍摄到的屏幕图像中屏幕轮廓内外可能存在较大面积的漏光等情况,可以从当前屏幕图像中选出大于预设灰度值的像素点作为待处理像素点,进而计算这些待处理像素点所可能聚合形成的面积,若这些面积中不存在大于漏光面积阈值或大于无屏幕面积阈值的区域,则说明拍摄得到的当前屏幕图像能够较好地包含有目标终端屏幕对应的信息。详细地说,当拍摄图像时,若没有放置屏幕,则当前屏幕图像上基本全是白色区域;若放置了屏幕,但是放置位置歪斜、和夹具不完全重合,则不重合的地方就产生漏光,漏光的位置则可能是狭长的白色区域。进一步地,当确保当前屏幕图像并未出现漏光和无屏幕的情况之后,计算当前屏幕图像中的各连通域,将连通域面积大于预设亮斑的面积对应的连通区域内的像素点设置为0,从而减少亮斑对确定实际屏幕轮廓的影响。
S404、采用预设增强算法对各待增强图像进行图像增强操作,得到各待分割图像,基于预设分割算法对各待分割图像进行分割,得到各当前屏幕图像对应的初始屏幕区域轮廓,对各初始屏幕区域轮廓进行形态学处理,得到各当前屏幕图像对应的目标屏幕区域轮廓。
其中,预设增强算法指用于对图像进行增强处理的算法;可以是CLAHE(ContrastLimited Adaptive Histogram Equalization)算法,其是一种对比度受限情况下的自适应直方图均衡化算法,主要用于增强图像的对比度和抑制噪声,从而更好地保护图像局部的细节。待分割图像指图像中各主体并未分割的图像。初始屏幕区域轮廓指还未进行形态学处理的轮廓。预设分割算法指用于将图像中物体与背景进行分离的算法,其可以是大津算法;大津算法是一种确定图像二值化分割阈值的算法,其又称最大类间方差法,其被认为是图像分割中阈值选取的最佳算法,计算简单且不受图像亮度和对比度的影响,其对图像分割的错分概率最小。形态学处理指对分割得到的图像元素进行图像形状的处理。
具体地,为获得更为真实、清晰的屏幕区域轮廓,还可以根据CLAHE等算法对待增强图像进行图像增强操作,从而完善待增强图像中局部细节的图像信息,以更好地确定拍摄得到的屏幕区域轮廓。此外,由于此时当前屏幕图像中存在对应的背景信息,为了获取当前屏幕图像中对应的屏幕区域轮廓的数据信息,可以采用大津算法将屏幕区域与背景进行分离,进而得到当前屏幕图像对应的初始屏幕区域轮廓,由于此时分离得到的初始屏幕区域轮廓的边缘等地方会存在毛躁或影响实际屏幕轮廓的凸起等形状,为使其更加接近真实的屏幕轮廓,还可以对初始屏幕区域轮廓进行形态学处理,以获得更为真实的目标屏幕区域轮廓。
可见,本实施例中,通过先确定当前屏幕图像是否有拍到实际屏幕或是否有漏光,以确保拍摄得到的当前屏幕图像包含有所要拍摄的目标终端屏幕的局部屏幕对应的图像信息;再基于连通域分析算法计算当前屏幕图像中各连通域的面积,以消除亮斑对屏幕区域轮廓的确定的影响;进而为了更好地保留并完善当前屏幕图像中局部细节的图像信息,采用预设增强算法对待增强图像进行图像增强操作,然后基于预设分割算法对待分割图像进行分割得到存在毛躁凸起等形状的初始屏幕区域轮廓,为使得最终得到的目标屏幕区域轮廓与实际的屏幕区域轮廓更为贴近,对初始屏幕区域轮廓做形态学处理,层层处理,不断递进,较好地保护了当前屏幕图像中的原有信息以及较好地使最终得到的目标屏幕区域轮廓接近真实,为后续进程的执行提供了较好的数据基础,以及在一定程度上减小了屏幕缺陷的漏检率和误检率,进而有利于提高屏幕缺陷的准确性,有利于最终屏幕缺陷的检测达到较好的效果。
在一些实施例中,包括:计算各当前屏幕图像对应的目标屏幕区域轮廓对应的矩形度,当目标屏幕区域轮廓对应的矩形度大于矩形度阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果。
其中,矩形度指轮廓的面积与轮廓对应的最小外接矩形框面积的百分比。矩形度阈值指用于衡量当前屏幕图像对应的屏幕是否存在异常的阈值。
具体地,在实际场景中,正常的屏幕都是长方形的屏幕,部分所谓的水滴屏也是长方形的,只是在顶部位置稍有凹陷,正常屏幕计算出来的矩形度也比较大,而漏光会导致屏幕矩形度数值较低。因此,可以预设一个矩形度阈值,当计算得到的目标屏幕区域轮廓对应的矩形度大于或等于矩形度阈值时,则说明当前屏幕图像对应的屏幕是符合正常情况的屏幕的;当目标屏幕区域轮廓对应的矩形度小于矩形度阈值时,则说明当前屏幕图像对应的屏幕区域存在不良缺陷,可能存在漏光的问题,此时可以直接将当前屏幕图像对应的屏幕区域的检测认定为检测不合格。
可见,本实施例中,通过将计算得到的目标屏幕区域轮廓的矩形度与矩形度阈值进行比较,来进一步判断目标终端屏幕的缺陷问题,这是对前面步骤的进一步检验,在一定程度上避免偶然性问题所带来的漏检问题,有利于减小屏幕缺陷的漏检率,进而提高了屏幕缺陷检测的准确性。
在一些实施例中,包括:当区域面积大于预设漏光面积阈值,或者区域面积大于无屏幕面积阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果。
具体地,若计算到的待处理像素点所聚合形成的各区域面积中存在比预设漏光面积阈值或无屏幕面积阈值还大的区域,则说明当前检测的屏幕要么没拍到,要么就是存在很大的漏光问题,可直接将其作为检测不合格处理。此外,虽然在对目标终端屏幕进行拍照时就预先确认过屏幕已到达拍照位,但是也可能会存在PLC传感器感应出现问题的情况,因此在寻找当前屏幕图像中的屏幕区域轮廓之前,对其进行是否漏光和有无屏幕的检查,也是有利于提高屏幕缺陷检测准确性的一个原因。
在一些实施例中,S204包括:
S500、将各当前屏幕图像对应的目标屏幕区域轮廓外的像素点的灰度值设置为第一固定值,得到各待处理图像。
S502、将各待处理图像划分为多个预设面积的待处理图像块,获取各待处理图像块对应的灰度阈值,将各待处理图像块中灰度值大于对应的灰度阈值的像素点作为可疑像素点。
S504、基于预设分割面积和以各可疑像素点为中心,对各当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集。
其中,待处理图像指未进行可能为缺陷对应的像素点的确定以及分割的图像,其与当前屏幕图像只是目标屏幕区域轮廓外的像素点的灰度值改变的区别。预设面积指根据需求划分的面积值,用于划分图像区域以找出可能为缺陷对应的像素点。待处理图像块指将待处理图像划分成的预设面积大小的图像块。灰度阈值指根据各待处理图像块中的图像信息动态的决定的灰度阈值,可以基于动态阈值算法确定;动态阈值算法是一种常用的图像处理算法,其可以根据图像的特征动态地调整阈值,从而实现图像的二值化处理,也就是根据图像的灰度分布特征,自适应地选择合适的阈值进行二值化处理。可疑像素点指各待处理图像块中具有较大概率是缺陷对应的像素点。预设分割面积指基于第一缺陷检测模型中处理图像的大小而确定的面积。
具体地,为了减少目标屏幕区域轮廓外可能存在的缺陷对当前屏幕图像中对应的屏幕缺陷检测的影响,可以将各当前屏幕图像对应的目标屏幕区域轮廓外的像素点的灰度值设置为0,从而使得得到的待处理图像中只存在对应的屏幕信息(全文描述的屏幕信息中均包含有缺陷信息),有利于减少缺陷的误检率。此外,可以根据动态阈值算法,将待处理图像划分成多个与预设面积大小一致的待处理图像块,根据各个待处理图像块的灰度分布特征,确定各个待处理图像块的灰度阈值,从而遍历每个待处理图像块中的像素点,将像素点灰度值大于对应的灰度阈值的像素点作为可疑像素点。再者,为了避免第一缺陷检测模型自身对图像进行缩放而改变第一类型缺陷对应的各像素特性或者改变当前屏幕图像的像素,从而破坏第一类型缺陷中各缺陷对应的缺陷信息,可以先确定第一缺陷检测模型中处理的图像的面积,进而根据该面积确定预设分割面积,以可疑像素点为中心,将当前屏幕图像分割成第一类型图像集,从而较好地保护了作为小缺陷的第一类型缺陷的缺陷信息,进而使得输入第一缺陷检测模型中的第一类型图像集的有效缺陷信息得到较大程度的保护。
可见,本实施例中,通过将各当前屏幕图像对应的目标屏幕区域轮廓外的像素点的灰度值设置为第一固定值,避免了将目标屏幕区域轮廓外的无效缺陷信息输入到后续进程对屏幕缺陷检测的模型中;将待处理图像划分成多个预设面积大小的待处理图像块,根据每个待处理图像块确定对应的灰度阈值,减少了同一个当前屏幕图像中各像素点的灰度值变化过大而设定同一阈值时,对作为小缺陷的第一类型缺陷的查找的影响,有利于第一类型缺陷对应的缺陷信息的保护;将当前屏幕图像基于预设分割面积和以可疑像素点为中心进行分割,使得第一类型缺陷均能较好地聚集缺陷信息,并且将保留了很多有效缺陷信息的第一类型图像集输入到第一缺陷检测模型中,极大地提高了第一缺陷检测模型对当前屏幕图像缺陷检测的准确性。
在一些实施例中,包括:获取缺陷检测网络模型;获取第一初始图像集,对所述第一初始图像集中各第一类型缺陷进行标注,得到第一类型缺陷图像集,基于所述第一类型缺陷图像集对所述缺陷检测网络模型进行训练,得到所述第一缺陷检测模型;所述对第一类型缺陷标注包括标注第一类型缺陷的外接矩形框。
其中,缺陷检测网络模型指用于检测屏幕缺陷的模型,其可以是YOLO V5网络模型;第一初始图像集指用于对缺陷检测网络模型进行训练,以学习到检测第一类型缺陷的能力的图像集,此时还未对该图像集中的图像进行标签的标注。第一类型缺陷图像集指已经进行第一类型缺陷的标注的图像集,其中标注的信息包括第一类型缺陷中的具体缺陷类型(如亮点、满天星等)、大小、位置和外接矩形框等信息。
具体地,本实施例以将YOLO V5网络模型作为缺陷检测网络模型来描述。由于屏幕亮点的缺陷大多数是在5-20个像素,而标准的YOLO V5网络模型的下采样倍数较大,小尺寸缺陷特征容易丢失,因此可以在检测第一类型缺陷时增加一组较小的Anchor ([5,6, 8,12, 14,12] #4),以及在YOLO V5网络模型结构中的Head部分的20层和BackBone网络(主干网络)的第2层进行融合,以更好地保护和获取到输入图像中第一类型缺陷的特征信息,从而提高对缺陷进行目标检测的准确性。此外,对于第一类型缺陷的检测,标注的是每种第一类缺陷的外接矩形框,因为第一类型缺陷较小,若直接按照像素点对其进行外形的标注,则得到的缺陷的外接轮廓过小,不利于模型的训练。
可见,本实施例中, 通过基于标注了第一类型缺陷的第一类型缺陷图像集对缺陷检测网络模型进行训练,得到学习到可较高效准确地检测第一类型缺陷的第一缺陷检测模型,在一定程度上降低了第一类型缺陷的漏检率和误检率,同时也有利于提高对屏幕缺陷检测的效率。
在一些实施例中,包括:获取第二初始图像集,对所述第二初始图像集中各第二类型缺陷进行标注,得到第二类型缺陷图像集,基于所述第二类型缺陷图像集对所述缺陷检测网络模型进行训练,得到所述第二缺陷检测模型;所述对第二类型缺陷标注包括标注第二类型缺陷的像素位置。
其中,第二初始图像集指用于对缺陷检测网络模型进行训练,以学习到检测第二类型缺陷的能力的图像集,此时还未对该图像集中的图像进行标签的标注,其可以与第一初始图像集中的图像一致,也可以是另外采集的图像的集合。第二类型缺陷图像集指已经进行第二类型缺陷的标注的图像集,其中标注的信息包括第二类型缺陷中的具体缺陷类型(如断裂、划痕、气泡以及液晶不良等)、大小、位置和像素位置、外接轮廓等信息。
具体地,作为缺陷检测网络模型的YOLO V5网络模型也可以学习训练对第二类型缺陷的检测,将第一类型缺陷和第二类型缺陷进行分开训练的目的是,第一类型缺陷对像素等方面的图像特性较为敏感,而第二类型缺陷对这方面的图像特性不敏感,若一同处理,很容易将第一类型缺陷的缺陷信息破坏掉,从而极大地提高了缺陷的漏检率和误检率,进而使得模型对屏幕缺陷检测的检测率较低。因此,可以将第二类型缺陷单独在第二初始图像集中进行标注,并基于标注了第二缺陷类型的第二类型缺陷图像集对作为缺陷检测网络模型的YOLO V5网络模型进行训练,以得到可对第二类型缺陷进行高效检测的第二缺陷检测模型。
可见,本实施例中,通过基于标注了第二类型缺陷的第二类型缺陷图像集对缺陷检测网络模型进行训练,得到学习到可较高效准确地检测第二类型缺陷的第二缺陷检测模型,在一定程度上降低了第二类型缺陷的漏检率和误检率,同时也有利于提高对屏幕缺陷检测的效率。
在一些实施例中,S208包括:
S600、计算第一类型缺陷信息中各缺陷对应的外接矩形框的长边宽度值,当第一类型缺陷信息中存在外接矩形框的长边宽度值大于预设宽度阈值时,将检测不合格作为对应的当前屏幕图像的检测结果。
S602、当第二类型缺陷信息中存在缺陷时,将检测不合格作为对应的当前屏幕图像的检测结果。
其中,长边宽度值指外接矩形框中长的边的长度值。预设宽度阈值指用于衡量第一类型缺陷是否对屏幕实际需求有较大影响的阈值,其可以根据实际需求进行设定。
具体地,第一类型缺陷信息中可能存在对目标终端屏幕材质的实际需求影响不大的缺陷,此时可以根据预设宽度阈值与第一类型缺陷信息中的各缺陷对应的外接矩形框的长边宽度值进行比较,当长边宽度值大于预设宽度阈值时,则可认定当前屏幕图像对应的屏幕区域存在导致目标终端屏幕检测不合格的缺陷,只要存在一个当前屏幕图像检测出不合格的缺陷,即可判定目标终端屏幕检测不合格。此外,若第二类型缺陷信息中存在缺陷,则直接判定目标终端屏幕检测不合格,由于第二类型缺陷属于如断裂、划痕、气泡以及液晶不良等类型的大缺陷,其对生活中应用的手机屏幕等屏幕质量影响较大,所以只要有一个当前屏幕图像中检测到第二类型缺陷,则可判定目标终端屏幕检测不合格。此外,对于第一类型缺陷信息中的缺陷和第二类型缺陷信息中的缺陷均会标注到开始拍摄得到的第一屏幕图像和第二屏幕图像中,并将标注了缺陷信息后的第一屏幕图像和第二屏幕图像进行拼接,以更加直观地展现目标终端屏幕中存在的缺陷,可以根据对应的缺陷分析对应的解决策略。
可见,本实施例中,通过对各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息进一步分析,以过滤掉对实际需求影响不大第一类型缺陷,并根据第一类型缺陷和第二类型确定进行共同分析,以得到目标终端屏幕对应的目标检测结果,在一定程度上提高了目标检测结果的准确性。
在一个实施例中,可以在基于手机屏幕出厂前进行检测的场景下应用本申请的方法进行描述,也就是手机屏幕为目标终端屏幕。在现实生活中,手机屏幕在制作后可能会存在亮点、断裂、满天星、划痕、气泡、液晶不良以及屏幕表面其他异物或脏污等瑕疵和缺陷,此外,手机屏幕的尺寸也是各式各样的,为了能够对多样化尺寸和可能存在多类型缺陷的手机屏幕进行正确高效地检测,可以按照流水线的方式,将当前检测的手机屏幕运送至手机屏幕的拍照位,当手机屏幕到达拍照位时,可编程逻辑控制器PLC中的传感器会感应到手机屏幕已达到拍照位,并将屏幕到位信号发送至运行可以实现和运行屏幕检测算法以及控制相机采集的视觉软件的服务器,服务器接收到屏幕到位信号之后,将触发信号发送至可协作拍摄同一个手机屏幕的完整屏幕图像的第一相机和第二相机,第一相机和第二相机接收到触发信号之后,执行相应的拍摄操作,以得到对应的第一屏幕图像和第二屏幕图像。其中,在拍摄的相机采用的是黑白相机,拍摄的每个像素点的数值是0-255,数值0表示黑色,数值255表示白色,数值越靠近0颜色越暗,数值越靠近255,颜色越白(越亮),第一相机和第二相机可以是2500万像素的相机,也可以根据实际需求进行不同像素相机的更换;此外,在拍摄时,采用背光源、频闪拍照,第一相机和第二相机放在手机屏幕的上方,光源放在屏幕的下方,进而拍摄出暗场下的屏幕图像。
进一步地,当获取到第一相机针对手机屏幕采集的第一屏幕图像和第二相机针对该手机屏幕采集的第二屏幕图像之后,分别找出第一屏幕图像和第二屏幕图像中的屏幕区域轮廓,并分别将第一屏幕图像和第二屏幕图像中屏幕区域轮廓外的像素点的灰度值置0,然后将置0后的图像进行分割成不再需要第一缺陷检测模型进行图像缩放等处理后的第一类型图像集,然后将第一屏幕图像和第二屏幕图像对应的第一类型图像集分别输入到第一缺陷检测模型中,得到第一屏幕图像和第二屏幕图像对应的第一类型缺陷信息。再者,对原始的第一屏幕图像和第二屏幕图像分别进行分辨率调整的操作,得到第一屏幕图像和第二屏幕图像对应的第二类型图像,将第二类型图像输入到第二缺陷检测模型,以检测得到第一屏幕图像和第二屏幕图像对应的第二类型缺陷信息。
进一步地,当前第一类型缺陷信息和第二类型缺陷信息中存在满足检测不合格的缺陷时,则可认定对应的第一屏幕图像或第二屏幕图像对应的手机屏幕区域中存在使手机屏幕检测不合格的缺陷,进而得出手机屏幕检测不合格的目标检测结果。此外,还可以根据第一屏幕图像和第二屏幕图像分别对应的第一类型缺陷信息和第二类型缺陷信息中缺陷的位置、外接轮廓/外接矩形框在原始的第一屏幕图像和第二屏幕图像中标注出来,并将标注了缺陷后的第一屏幕图像和第二屏幕图像进行合并,以得到包含手机屏幕完整屏幕图像的图像。其中,对于检测合格的屏幕图像,可以在图像的左上角标注OK字样,而对于检测不合格的屏幕图像,可以在图像的做上下标注NG字样,最终将标注了缺陷信息和检测合格或不合格信息的完整的手机屏幕图像展示到对应的电脑终端或其他类型的屏幕终端,以直观地对手机屏幕的缺陷信息进行分析,以及将最终检测合格或不合格的信息发送至PLC,以使PLC根据检测结果发送对应的控制信号指运送设备,通过运送设备将手机屏幕运送至良好手机屏幕或不良手机屏幕对应的托盘,从而完成手机屏幕缺陷的高效正确检测。整个检测过程中,多维度考虑,避免了多种偶然因素对手机屏幕缺陷检测准确性的影响,以及根据各缺陷不同特性进行不同模型的检测,较大程度地降低了对手机屏幕缺陷类型的误检率和漏检率;多设备协作,较大程度地提高了手机屏幕缺陷检测的效率,进而使得对手机屏幕缺陷的检测更加高效准确。
应该理解的是,虽然如上述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种屏幕缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个屏幕缺陷检测装置实施例中的具体限定可以参见上文中对于屏幕缺陷检测方法的限定,在此不再赘述。
如图3所示,本申请实施例提供了一种装置300,包括:
获取模块302,用于分别获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对所述目标终端屏幕采集的第二屏幕图像,依次将所述第一屏幕图像和所述第二屏幕图像作为当前屏幕图像;
轮廓查找模块304,用于找出各当前屏幕图像对应的目标屏幕区域轮廓,所述第一屏幕图像和所述第二屏幕图像用于组合形成所述目标终端屏幕对应的完整屏幕图像;
第一检测模块306,用于基于目标屏幕区域轮廓对对应的当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集,获取第一缺陷检测模型,将第一类型图像集输入所述第一缺陷检测模型,得到各当前屏幕图像对应的第一类型缺陷信息;
第二检测模块308,用于对各当前屏幕图像进行分辨率调整,得到各当前屏幕图像对应的第二类型图像,获取第二缺陷检测模型,将第二类型图像输入所述第二缺陷检测模型,得到各当前屏幕图像对应的第二类型缺陷信息;所述第一缺陷检测模型和所述第二缺陷检测模型检测的缺陷类型不同;
结果确定模块310,用于基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到各当前屏幕图像对应的检测结果,将各当前屏幕图像对应的检测结果进行融合,得到所述目标终端屏幕对应的目标检测结果。
在一些实施例中,在采集第一屏幕图像和第二屏幕图像方面,屏幕缺陷检测装置300还包括采集模块312,采集模块312具体用于:接收可编程逻辑控制器发送的屏幕到位信号;基于所述屏幕到位信号,分别将触发信号发送至所述第一相机和所述第二相机,以使所述第一相机和所述第二相机对所述目标终端屏幕执行拍摄操作,得到所述第一屏幕图像和所述第二屏幕图像。
在一些实施例中,在找出各当前屏幕图像对应的目标屏幕区域轮廓方面,轮廓查找模块304具体用于:计算各当前屏幕图像中各像素点对应的灰度值,将各当前屏幕图像中灰度值大于预设灰度值的像素点作为待处理像素点;计算相邻的待处理像素点组合形成的区域面积,当区域面积小于预设漏光面积阈值且区域面积小于无屏幕面积阈值时,基于连通域分析算法,构建各当前屏幕图像对应的各个连通域,计算各连通域的面积得到各连通域对应的连通域面积,当连通域面积大于预设亮斑面积时,将各当前屏幕图像中对应的连通域内的各像素点的灰度值设置为第一固定值,得到各待增强图像;采用预设增强算法对各待增强图像进行图像增强操作,得到各待分割图像,基于预设分割算法对各待分割图像进行分割,得到各当前屏幕图像对应的初始屏幕区域轮廓,对各初始屏幕区域轮廓进行形态学处理,得到各当前屏幕图像对应的目标屏幕区域轮廓。
在一些实施例中,在目标终端屏幕对应的目标检测结果方面,屏幕缺陷检测装置300还包括判断模块314,判断模块314具体用于:计算各当前屏幕图像对应的目标屏幕区域轮廓对应的矩形度,当目标屏幕区域轮廓对应的矩形度大于矩形度阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果;当区域面积大于预设漏光面积阈值,或者区域面积大于无屏幕面积阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果。
在一些实施例中,在基于目标屏幕区域轮廓对对应的当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集方面,第一检测模块306具体用于:将各当前屏幕图像对应的目标屏幕区域轮廓外的像素点的灰度值设置为所述第一固定值,得到各待处理图像;将各待处理图像划分为多个预设面积的待处理图像块,获取各待处理图像块对应的灰度阈值,将各待处理图像块中灰度值大于对应的灰度阈值的像素点作为可疑像素点;基于预设分割面积和以各可疑像素点为中心,对各当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集。
在一些实施例中,在模型训练方面,屏幕缺陷检测装置300还包括训练模块316,训练模块316具体用于:获取缺陷检测网络模型;获取第一初始图像集,对所述第一初始图像集中各第一类型缺陷进行标注,得到第一类型缺陷图像集,基于所述第一类型缺陷图像集对所述缺陷检测网络模型进行训练,得到所述第一缺陷检测模型;所述对第一类型缺陷标注包括标注第一类型缺陷的外接矩形框;获取第二初始图像集,对所述第二初始图像集中各第二类型缺陷进行标注,得到第二类型缺陷图像集,基于所述第二类型缺陷图像集对所述缺陷检测网络模型进行训练,得到所述第二缺陷检测模型;所述对第二类型缺陷标注包括标注第二类型缺陷的像素位置。
在一些实施例中,在基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到所述目标终端屏幕对应的目标检测结果方面,结果确定模块310具体用于:计算第一类型缺陷信息中各缺陷对应的外接矩形框的长边宽度值,当第一类型缺陷信息中存在外接矩形框的长边宽度值大于预设宽度阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果;当第二类型缺陷信息中存在缺陷时,将检测不合格作为所述目标终端屏幕对应的目标检测结果。
上述屏幕缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器,也可以以软件形式存储于计算机设备中的存储器,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储屏幕缺陷检测过程中屏幕图像的相关信息数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种屏幕缺陷检测方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种屏幕缺陷检测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4或图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中,如图6所示提供了一种计算机可读存储介质的内部结构图,计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一些实施例中,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种屏幕缺陷检测方法,其特征在于,所述方法包括:
分别获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对所述目标终端屏幕采集的第二屏幕图像,依次将所述第一屏幕图像和所述第二屏幕图像作为当前屏幕图像;
计算各当前屏幕图像中各像素点对应的灰度值,将各当前屏幕图像中灰度值大于预设灰度值的像素点作为待处理像素点,计算相邻的待处理像素点组合形成的区域面积;当区域面积大于预设漏光面积阈值,或者区域面积大于无屏幕面积阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果;
找出各当前屏幕图像对应的目标屏幕区域轮廓,所述第一屏幕图像和所述第二屏幕图像用于组合形成所述目标终端屏幕对应的完整屏幕图像;
将各当前屏幕图像对应的目标屏幕区域轮廓外的像素点的灰度值设置为第一固定值,得到各待处理图像;将各待处理图像划分为多个预设面积的待处理图像块,获取各待处理图像块对应的灰度阈值,将各待处理图像块中灰度值大于对应的灰度阈值的像素点作为可疑像素点;基于预设分割面积和以各可疑像素点为中心,对各当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集;获取第一缺陷检测模型,将第一类型图像集输入所述第一缺陷检测模型,得到各当前屏幕图像对应的第一类型缺陷信息;第一类型缺陷为多种小类型缺陷;
对各当前屏幕图像进行分辨率调整,得到各当前屏幕图像对应的第二类型图像,获取第二缺陷检测模型,将第二类型图像输入所述第二缺陷检测模型,得到各当前屏幕图像对应的第二类型缺陷信息;所述第一缺陷检测模型和所述第二缺陷检测模型检测的缺陷类型不同;第二类型缺陷为多种大类型缺陷;
基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到所述目标终端屏幕对应的目标检测结果。
2.根据权利要求1所述的方法,其特征在于,所述找出各当前屏幕图像对应的目标屏幕区域轮廓包括:
当区域面积小于预设漏光面积阈值且区域面积小于无屏幕面积阈值时,基于连通域分析算法,构建各当前屏幕图像对应的各个连通域,计算各连通域的面积得到各连通域对应的连通域面积,当连通域面积大于预设亮斑面积时,将各当前屏幕图像中对应的连通域内的各像素点的灰度值设置为所述第一固定值,得到各待增强图像;
采用预设增强算法对各待增强图像进行图像增强操作,得到各待分割图像,基于预设分割算法对各待分割图像进行分割,得到各当前屏幕图像对应的初始屏幕区域轮廓,对各初始屏幕区域轮廓进行形态学处理,得到各当前屏幕图像对应的目标屏幕区域轮廓。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
计算各当前屏幕图像对应的目标屏幕区域轮廓对应的矩形度,当目标屏幕区域轮廓对应的矩形度小于矩形度阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果。
4.根据权利要求1所述的方法,其特征在于,所述基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到所述目标终端屏幕对应的目标检测结果包括:
对各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息进行分析,得到各当前屏幕图像对应的检测结果;
对各当前屏幕图像的检测结果进行融合,得到所述目标终端屏幕对应的目标检测结果。
5.根据权利要求1所述的方法,其特征在于,所述获取第一缺陷检测模型之前,还包括:
获取缺陷检测网络模型;
获取第一初始图像集,对所述第一初始图像集中各第一类型缺陷进行标注,得到第一类型缺陷图像集,基于所述第一类型缺陷图像集对所述缺陷检测网络模型进行训练,得到所述第一缺陷检测模型;所述对所述第一初始图像集中各第一类型缺陷进行标注包括标注各第一类型缺陷对应的外接矩形框;
所述获取第二缺陷检测模型之前,还包括:
获取第二初始图像集,对所述第二初始图像集中各第二类型缺陷进行标注,得到第二类型缺陷图像集,基于所述第二类型缺陷图像集对所述缺陷检测网络模型进行训练,得到所述第二缺陷检测模型;所述对所述第二初始图像集中各第二类型缺陷进行标注包括标注各第二类型缺陷对应的像素位置。
6.根据权利要求1所述的方法,其特征在于,所述基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到所述目标终端屏幕对应的目标检测结果包括:
计算第一类型缺陷信息中各缺陷对应的外接矩形框的长边宽度值,当第一类型缺陷信息中存在外接矩形框的长边宽度值大于预设宽度阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果;
当第二类型缺陷信息中存在缺陷时,将检测不合格作为所述目标终端屏幕对应的目标检测结果。
7.根据权利要求2至6中任一项所述的方法,其特征在于,所述分别获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对所述目标终端屏幕采集的第二屏幕图像之前,还包括:
接收可编程逻辑控制器发送的屏幕到位信号;
基于所述屏幕到位信号,分别将触发信号发送至所述第一相机和所述第二相机,以使所述第一相机和所述第二相机对所述目标终端屏幕执行拍摄操作,得到所述第一屏幕图像和所述第二屏幕图像。
8.一种屏幕缺陷检测装置,其特征在于,所述装置包括:
获取模块,用于分别获取第一相机针对目标终端屏幕采集的第一屏幕图像和第二相机针对所述目标终端屏幕采集的第二屏幕图像,依次将所述第一屏幕图像和所述第二屏幕图像作为当前屏幕图像;
轮廓查找模块,用于计算各当前屏幕图像中各像素点对应的灰度值,将各当前屏幕图像中灰度值大于预设灰度值的像素点作为待处理像素点,计算相邻的待处理像素点组合形成的区域面积;当区域面积大于预设漏光面积阈值,或者区域面积大于无屏幕面积阈值时,将检测不合格作为所述目标终端屏幕对应的目标检测结果;找出各当前屏幕图像对应的目标屏幕区域轮廓,所述第一屏幕图像和所述第二屏幕图像用于组合形成所述目标终端屏幕对应的完整屏幕图像;
第一检测模块,用于将各当前屏幕图像对应的目标屏幕区域轮廓外的像素点的灰度值设置为第一固定值,得到各待处理图像;将各待处理图像划分为多个预设面积的待处理图像块,获取各待处理图像块对应的灰度阈值,将各待处理图像块中灰度值大于对应的灰度阈值的像素点作为可疑像素点;基于预设分割面积和以各可疑像素点为中心,对各当前屏幕图像进行分割,得到各当前屏幕图像对应的第一类型图像集;获取第一缺陷检测模型,将第一类型图像集输入所述第一缺陷检测模型,得到各当前屏幕图像对应的第一类型缺陷信息;第一类型缺陷为多种小类型缺陷;
第二检测模块,用于对各当前屏幕图像进行分辨率调整,得到各当前屏幕图像对应的第二类型图像,获取第二缺陷检测模型,将第二类型图像输入所述第二缺陷检测模型,得到各当前屏幕图像对应的第二类型缺陷信息;所述第一缺陷检测模型和所述第二缺陷检测模型检测的缺陷类型不同;第二类型缺陷为多种大类型缺陷;
结果确定模块,用于基于各当前屏幕图像对应的第一类型缺陷信息和第二类型缺陷信息,得到所述目标终端屏幕对应的目标检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310780716.7A CN116503414B (zh) | 2023-06-29 | 2023-06-29 | 屏幕缺陷检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310780716.7A CN116503414B (zh) | 2023-06-29 | 2023-06-29 | 屏幕缺陷检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503414A CN116503414A (zh) | 2023-07-28 |
CN116503414B true CN116503414B (zh) | 2023-11-03 |
Family
ID=87321665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310780716.7A Active CN116503414B (zh) | 2023-06-29 | 2023-06-29 | 屏幕缺陷检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503414B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078677B (zh) * | 2023-10-16 | 2024-01-30 | 江西天鑫冶金装备技术有限公司 | 一种用于始极片的缺陷检测方法及系统 |
CN117830320B (zh) * | 2024-03-06 | 2024-05-31 | 深圳市善之能科技有限公司 | 一种基于图像识别的显示屏显示异常检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351530A (zh) * | 2019-07-31 | 2019-10-18 | Tcl王牌电器(惠州)有限公司 | 多相机实现屏幕检测的方法、系统及计算机可读存储介质 |
CN111369489A (zh) * | 2018-12-24 | 2020-07-03 | Tcl集团股份有限公司 | 一种图像识别方法、装置及终端设备 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN114720376A (zh) * | 2022-03-07 | 2022-07-08 | 武汉海微科技有限公司 | 一种用于屏幕缺陷检测的图像采集装置及方法 |
-
2023
- 2023-06-29 CN CN202310780716.7A patent/CN116503414B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369489A (zh) * | 2018-12-24 | 2020-07-03 | Tcl集团股份有限公司 | 一种图像识别方法、装置及终端设备 |
CN110351530A (zh) * | 2019-07-31 | 2019-10-18 | Tcl王牌电器(惠州)有限公司 | 多相机实现屏幕检测的方法、系统及计算机可读存储介质 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN114720376A (zh) * | 2022-03-07 | 2022-07-08 | 武汉海微科技有限公司 | 一种用于屏幕缺陷检测的图像采集装置及方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的手机屏幕缺陷检测方法研究;郝仕嘉等;《信息与电脑(理论版)》(第09期);第55-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503414A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116503414B (zh) | 屏幕缺陷检测方法、装置、计算机设备和存储介质 | |
US20200349875A1 (en) | Display screen quality detection method, apparatus, electronic device and storage medium | |
TWI581213B (zh) | 物品缺陷檢測方法、影像處理系統與電腦可讀取記錄媒體 | |
CN111612781A (zh) | 一种屏幕缺陷检测方法、装置及头戴显示设备 | |
CN110827244A (zh) | 一种用于电子设备外观瑕疵检测的方法与设备 | |
US9046496B2 (en) | Capturing method for images with different view-angles and capturing system using the same | |
WO2023025010A1 (zh) | 频闪条带信息识别方法、装置和电子设备 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN109859104B (zh) | 一种视频生成图片的方法、计算机可读介质及转换系统 | |
CN111862097A (zh) | 微小缺陷检出率的数据增强方法和装置 | |
CN111898610B (zh) | 卡片缺角检测方法、装置、计算机设备及存储介质 | |
CN111476759B (zh) | 一种屏幕表面检测方法、装置、终端及存储介质 | |
CN115205247A (zh) | 电池极片的缺陷检测方法、装置、设备及存储介质 | |
WO2023280080A1 (zh) | 阴影消除装置和方法、空盘识别装置和方法 | |
CN112102926A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN117152165A (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN111127358A (zh) | 图像处理方法、装置及存储介质 | |
CN114359161A (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN114612418A (zh) | 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备 | |
CN105229665A (zh) | 对基于图像的蛇形带子磨损评估的增强分析 | |
WO2024016715A1 (zh) | 检测系统的成像一致性的方法、装置和计算机存储介质 | |
JP2022542948A (ja) | カメラぼやけ検査方法及び装置 | |
CN116681677A (zh) | 一种锂电池缺陷检测方法、装置及系统 | |
CN116958035A (zh) | 产品零件缺陷检测方法、装置、介质及电子设备 | |
WO2023280081A1 (zh) | 空盘识别装置和方法 |
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 |