CN116519708B - 一种卷材表面缺陷的检测方法和装置 - Google Patents
一种卷材表面缺陷的检测方法和装置 Download PDFInfo
- Publication number
- CN116519708B CN116519708B CN202310316111.2A CN202310316111A CN116519708B CN 116519708 B CN116519708 B CN 116519708B CN 202310316111 A CN202310316111 A CN 202310316111A CN 116519708 B CN116519708 B CN 116519708B
- Authority
- CN
- China
- Prior art keywords
- defect
- coordinates
- container
- preset
- coordinate
- 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 414
- 239000000463 material Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000000737 periodic effect Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000004321 preservation Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 239000011888 foil Substances 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000109 continuous material Substances 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010301 surface-oxidation reaction Methods 0.000 description 1
Classifications
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/8922—Periodic flaws
-
- 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)
- Textile Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种卷材表面缺陷的检测方法和装置,该方法包括:按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像;根据缺陷区域在当前缺陷图像中的位置确定与缺陷区域对应的缺陷坐标;若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存当前缺陷坐标;若已保存的缺陷坐标中存在目标集合,确定卷材上与目标集合对应的缺陷为周期性缺陷,其中,目标集合中包括达到第一预设数量的目标缺陷坐标,且各目标缺陷坐标之间满足预设同一缺陷判定条件,从而在保证准确性的基础上,实现了更加高效的对卷材中出现的周期性缺陷进行检测。
Description
技术领域
本申请涉及材料表面检测领域,更具体地,涉及一种卷材表面缺陷的检测方法和装置。
背景技术
卷材为如薄膜、布匹、纸张、金属板带箔等长尺寸连续的材料,在加工处理过程中,缺陷是不可避免的,比如在轧制过程中,铝板带箔表面的一层保护膜会被轧辊磨掉,并重新形成新的保护膜。这种过程与表面氧化腐蚀形成的腐蚀坑类似,因此轧制时容易产生表面缺陷。另外,由于轧辊与铝板带箔表面的摩擦力存在周期性变化,在轧制时如果不能很好地将该摩擦力转化成滑动摩擦,也容易产生周期性缺陷。
目前使用的表面缺陷检测设备都是由图像采集设备和图像处理部分两大部分组成,其中,在图像处理部分中,对于材料表面的缺陷检测方式有很多,但大多是基于非周期性的缺陷检测,而对于周期性缺陷,缺乏简单有效的检测方式。
因此,如何更加高效的对卷材中出现的周期性缺陷进行检测,是目前有待解决的技术问题。
发明内容
本申请实施例提出了一种卷材表面缺陷的检测方法和装置,用以更加高效的对卷材中出现的周期性缺陷进行检测。
一方面,提供一种卷材表面缺陷的检测方法,所述方法包括:按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像;根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标;若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存所述当前缺陷坐标,其中,所述上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,所述上次缺陷区域位于上一次采集到的缺陷图像中;若已保存的缺陷坐标中存在目标集合,确定所述卷材上与所述目标集合对应的缺陷为周期性缺陷,其中,所述目标集合中包括达到第一预设数量的目标缺陷坐标,且各所述目标缺陷坐标之间满足所述预设同一缺陷判定条件。
另一方面,提供一种卷材表面缺陷的检测装置,所述装置包括:采集模块,用于按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像;第一确定模块,用于根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标;保存模块,用于若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存所述当前缺陷坐标,其中,所述上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,所述上次缺陷区域位于上一次采集到的缺陷图像中;第二确定模块,用于若已保存的缺陷坐标中存在目标集合,确定所述卷材上与所述目标集合对应的缺陷为周期性缺陷,其中,所述目标集合中包括达到第一预设数量的目标缺陷坐标,且各所述目标缺陷坐标之间满足所述预设同一缺陷判定条件。
通过应用以上技术方案,按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像;根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标;若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存所述当前缺陷坐标,其中,所述上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,所述上次缺陷区域位于上一次采集到的缺陷图像中;若已保存的缺陷坐标中存在目标集合,确定所述卷材上与所述目标集合对应的缺陷为周期性缺陷,其中,所述目标集合中包括达到第一预设数量的目标缺陷坐标,且各所述目标缺陷坐标之间满足所述预设同一缺陷判定条件,从而在保证准确性的基础上,实现了更加高效的对卷材中出现的周期性缺陷进行检测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种卷材表面缺陷的检测方法的流程示意图;
图2示出了本发明实施例中将缺陷图像划分为九个子区域的示意图;
图3示出了本发明实施例中确定每个子区域中缺陷坐标的数量的代码逻辑示意图;
图4示出了本发明实施例提出的一种卷材表面缺陷的检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请可用于众多通用或专用的计算装置环境或配置中。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、多处理器装置、包括以上任何装置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。
本申请实施例提供一种卷材表面缺陷的检测方法,如图1所示,该方法包括以下步骤:
步骤S101,按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像。
本实施例中,可基于传送辊或传送带按预设传输方向对卷材进行传输,在传输过程中,卷材会经过预设图像采集区域,预设图像采集区域的上方设置有图像采集设备,图像采集设备可包括CCD相机、滤色镜和LED光源。图像采集设备按预设采样频率对卷材进行图像采集,得到相应的图像,然后基于预设缺陷检测算法判断当前图像中是否存在缺陷区域,若存在,则将当前图像作为存在缺陷区域的当前缺陷图像。其中,基于预设缺陷检测算法判断当前图像中是否存在缺陷区域的具体过程为现有技术,在此不再赘述。
为了更加可靠的进行图像采集,在一些实施例中,在按预设采样频率对经过预设图像采集区域的卷材进行图像采集之前,所述方法还包括:
连接预设相机并加载相机参数,所述相机参数包括所述预设相机的序列号、类型和配置文件。
步骤S102,根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标。
本实施例中,当前缺陷图像存在一个或多个缺陷区域,不同的缺陷区域位于当前缺陷图像中的不同位置,根据缺陷区域在当前缺陷图像中的位置可确定相应的缺陷坐标。
可选的,缺陷区域在当前缺陷图像中的位置为缺陷区域的中心在当前缺陷图像中的位置,即缺陷坐标为缺陷区域的中心坐标。另外,本领域技术人员可根据需要灵活从当前缺陷图像的不同位置确定与各缺陷坐标对应的坐标原点,例如,当前缺陷图像为矩形时,将当前缺陷图像的一个角作为坐标原点。
步骤S103,若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存所述当前缺陷坐标。
上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,上次缺陷区域位于上一次采集到的缺陷图像中。在确定当前缺陷坐标后,获取上一次采集到的缺陷图像,并获取各上次缺陷坐标,依次判断当前缺陷坐标和各上次缺陷坐标之间是否满足预设同一缺陷判定条件,若满足,说明当前缺陷区域和上一个缺陷区域分别在两个缺陷图像中的同一位置上,保存当前缺陷坐标。
可以理解的是,若当前缺陷坐标和各上次缺陷坐标之间均不满足预设同一缺陷判定条件,继续将当前缺陷图像中的其他缺陷坐标作为新的当前缺陷坐标,继续与各上次缺陷坐标进行比较。
在本申请一些实施例中,所述预设同一缺陷判定条件为:两个缺陷坐标之间的距离小于预设距离。
本实施例中,先确定两个缺陷坐标之间的距离,若该距离小于预设距离,说明两个缺陷坐标在对应缺陷图像中的位置接近,两者存在于周期性出现的同一种缺陷中,确定满足预设同一缺陷判定条件,从而提高了缺陷检测的准确性。其中,两个缺陷坐标之间的距离可基于欧式距离计算公式得出。
本领域技术人员也可采用其他衡量标准作为预设同一缺陷判定条件,例如,预设同一缺陷判定条件还可以为:两个缺陷坐标均处于预设坐标值范围。
步骤S104,若已保存的缺陷坐标中存在目标集合,确定所述卷材上与所述目标集合对应的缺陷为周期性缺陷。
判断已保存的缺陷坐标中是否存在目标集合,目标集合中包括达到第一预设数量的目标缺陷坐标,且各目标缺陷坐标之间满足预设同一缺陷判定条件。若存在目标集合,说明与目标缺陷坐标对应的缺陷区域是周期性出现的,确定卷材上与目标集合对应的缺陷为周期性缺陷。
在本申请一些实施例中,预先设置基于容器引擎的第一容器和第二容器,所述保存所述当前缺陷坐标,包括:
将所述当前缺陷坐标保存在所述第一容器;
若所述第二容器中存在不连续坐标,从所述第二容器中删除所述不连续坐标,其中,所述不连续坐标与所述第一容器中各缺陷坐标之间均不满足所述预设同一缺陷判定条件;
将所述第一容器中的各缺陷坐标存入所述第二容器,并清空所述第一容器。
本实施例中,容器引擎即Docker,预先设置第一容器和第二容器,并基于第一容器和第二容器实现对当前缺陷坐标的保存。具体的,先将当前缺陷坐标保存在第一容器,并继续将当前缺陷图像中的其他缺陷坐标作为新的当前缺陷坐标,将新的当前缺陷坐标与各上次缺陷坐标进行比较,直至完成对当前缺陷图像中所有缺陷坐标的处理,因此,第一容器中会保存一个或多个缺陷坐标。然后判断第二容器中是否存在不连续坐标,该不连续坐标与第一容器中各缺陷坐标之间均不满足预设同一缺陷判定条件,如果有,由于该不连续坐标与第一容器中各缺陷坐标之间的关联性较小,为了提高数据处理效率,将该不连续坐标从第二容器中删除。最后将第一容器中的各缺陷坐标存入第二容器,并清空第一容器,后续可基于第二容器中保存的数据判断是否存在周期性缺陷。以此通过两个容器对当前缺陷坐标进行保存,进一步提高了缺陷检测的准确性。
在本申请一些实施例中,在将所述第一容器中的各缺陷坐标存入所述第二容器之后,所述方法还包括:
将所述第二容器中的各缺陷坐标按坐标值的大小进行排序;
根据排序结果判断是否存在所述目标集合。
本实施例中,在将第一容器中的各缺陷坐标存入第二容器后,各缺陷坐标的坐标值可能是不同的,先将第二容器中的各缺陷坐标按坐标值的大小进行排序,可以从小到大,也可从大到小,然后根据排序结果判断是否存在目标集合。完成排序后,坐标值相近的缺陷坐标排在一起,从而更加快速的确定坐标值相近的缺陷坐标的数量,从而更加高效的判断出是否存在目标集合。
在本申请一些实施例中,在根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标之后,所述方法还包括:
按预设划分规则将所述当前缺陷图像划分为多个大小一致的子区域;
若各所述子区域中存在目标子区域,确定所述卷材上与所述目标子区域对应的缺陷为密集型缺陷,其中,所述目标子区域中所述缺陷坐标的数量达到第二预设数量。
卷材中还可能存在密集型缺陷,为了可靠的检测出是否存在密集型缺陷,在确定各缺陷坐标后,按预设划分规则将当前缺陷图像划分为多个大小一致的子区域,例如,若当前缺陷图像为矩形,将当前缺陷图像的长和宽分为三等份,得到九个大小一致的子区域。然后统计各子区域中缺陷坐标的数量,若子区域中缺陷数量达到第二预设数量,说明该子区域的中的缺陷数量较多,将该子区域作为目标子区域,并确定卷材上与目标子区域对应的缺陷为密集型缺陷,从而实现简单高效的对密集型缺陷进行检测。
通过应用以上技术方案,按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像;根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标;若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存所述当前缺陷坐标,其中,所述上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,所述上次缺陷区域位于上一次采集到的缺陷图像中;若已保存的缺陷坐标中存在目标集合,确定所述卷材上与所述目标集合对应的缺陷为周期性缺陷,其中,所述目标集合中包括达到第一预设数量的目标缺陷坐标,且各所述目标缺陷坐标之间满足所述预设同一缺陷判定条件,从而在保证准确性的基础上,实现了更加高效的对卷材中出现的周期性缺陷进行检测。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
本申请实施例提供一种卷材表面缺陷的检测方法,包括周期性缺陷判定过程和密集型缺陷判定过程。
周期性缺陷判定过程包括以下步骤:
步骤S201,连接相机并加载相机参数,相机参数包括相机的序列号、类型和配置文件。
步骤S202,启动相机,对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像。
基于预设缺陷检测算法判断当前图像中是否存在缺陷区域,若存在,则将当前图像作为存在缺陷区域的当前缺陷图像。
步骤S203,确定当前缺陷图像中各缺陷区域的缺陷坐标,选定一个缺陷坐标作为当前缺陷坐标。
缺陷坐标为缺陷区域的中心坐标。
步骤S204,依次计算当前缺陷坐标分别与各上次缺陷坐标之间的距离D,上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,上次缺陷区域位于上一次采集到的缺陷图像中。
其中,
LastRectX、LastRectY分别代表上次缺陷坐标中的横坐标和纵坐标,RectX、RectY分别代表当前缺陷坐标的横坐标和纵坐标。
步骤S205,判断D是否小于预设距离,若是执行步骤S206,否则选定下一个缺陷坐标作为新的当前缺陷坐标,并执行步骤S204。
步骤S206,将当前缺陷坐标放入NewSameVector容器(即所述第一容器)中,同时将判断标识InsertNewSameVector设为1。
步骤S207,判断当前缺陷图像中是否存在未被选定过的缺陷坐标,若是,选定下一个缺陷坐标作为新的当前缺陷坐标,并执行步骤S204,否则执行步骤S208。
步骤S208,判断SameVector容器(即所述第二容器)中是否存在不连续坐标,若是执行步骤S209,否则执行步骤S210。
不连续坐标与NewSameVector容器中各缺陷坐标之间的距离均不小于预设距离。
步骤S209,去除不连续坐标。
步骤S210,将NewSameVector容器中的数据全部放入SameVector容器中,将SameVector容器中数据进行排序,并将NewSameVector容器清空。
步骤S211,判断SameVector容器中是否存在目标集合,若是执行步骤S212,否则获取新的当前缺陷图像并执行步骤S203。
目标集合中包括至少5个目标缺陷坐标,且各目标缺陷坐标之间的距离均小于预设距离。
步骤S212,确定卷材上与目标集合对应的缺陷为周期性缺陷。
密集型缺陷判定过程包括以下步骤:
步骤S301,连接相机并加载相机参数,相机参数包括相机的序列号、类型和配置文件。
步骤S302,启动相机,对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像。
基于预设缺陷检测算法判断当前图像中是否存在缺陷区域,若存在,则将当前图像作为存在缺陷区域的当前缺陷图像。
步骤S303,确定当前缺陷图像的高度和宽度,根据高度和宽度将当前缺陷图像划分为多个大小一致的子区域。
举例来说,将高度和宽度进行三等分,公式如下:
ImgSpiltX[i]=i*ImgW/3
ImgSpiltY[i]=i*ImgH/3
其中,ImgSplitX表示三等分后的横坐标,ImgSplitY表示三等分后的纵坐标,ImgW为宽度,ImgH为高度,i=0,1,2,3。划分结果如图2所示,划分出区域1-区域9,共九个子区域。
步骤S304,确定各子区域中缺陷坐标的数量,缺陷坐标为缺陷区域的中心坐标。
如图3所示为确定每个子区域中缺陷坐标的数量的代码逻辑示意图,m_nRegion是每个子区域的计数器,QXCenterX、QXCenterY是每个缺陷坐标的横坐标和纵坐标。
步骤S305,判断是否存在目标子区域,若存在,执行步骤S306,否则获取新的当前缺陷图像并执行步骤S303。
目标子区域中缺陷坐标的数量达到第二预设数量。
步骤S306,确定卷材上与目标子区域对应的缺陷为密集型缺陷。
本申请实施例还提出了一种卷材表面缺陷的检测装置,如图4所示,所述装置包括:采集模块10,用于按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像;第一确定模块20,用于根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标;保存模块30,用于若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存所述当前缺陷坐标,其中,所述上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,所述上次缺陷区域位于上一次采集到的缺陷图像中;第二确定模块40,用于若已保存的缺陷坐标中存在目标集合,确定所述卷材上与所述目标集合对应的缺陷为周期性缺陷,其中,所述目标集合中包括达到第一预设数量的目标缺陷坐标,且各所述目标缺陷坐标之间满足所述预设同一缺陷判定条件。
在具体的应用场景中,预先设置基于容器引擎的第一容器和第二容器,保存模块30,具体用于:将所述当前缺陷坐标保存在所述第一容器;若所述第二容器中存在不连续坐标,从所述第二容器中删除所述不连续坐标,其中,所述不连续坐标与所述第一容器中各缺陷坐标之间均不满足所述预设同一缺陷判定条件;将所述第一容器中的各缺陷坐标存入所述第二容器,并清空所述第一容器。
在具体的应用场景中,保存模块30,还用于:将所述第二容器中的各缺陷坐标按坐标值的大小进行排序;根据排序结果判断是否存在所述目标集合。
在具体的应用场景中,所述预设同一缺陷判定条件为:两个缺陷坐标之间的距离小于预设距离。
在具体的应用场景中,所述装置包括第三确定模块,用于:按预设划分规则将所述当前缺陷图像划分为多个大小一致的子区域;若各所述子区域中存在目标子区域,确定所述卷材上与所述目标子区域对应的缺陷为密集型缺陷,其中,所述目标子区域中所述缺陷坐标的数量达到第二预设数量。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (6)
1.一种卷材表面缺陷的检测方法,其特征在于,所述方法包括:
按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像;
根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标;
若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存所述当前缺陷坐标,其中,所述上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,所述上次缺陷区域位于上一次采集到的缺陷图像中;
若已保存的缺陷坐标中存在目标集合,确定所述卷材上与所述目标集合对应的缺陷为周期性缺陷,其中,所述目标集合中包括达到第一预设数量的目标缺陷坐标,且各所述目标缺陷坐标之间满足所述预设同一缺陷判定条件;
预先设置基于容器引擎的第一容器和第二容器,所述保存所述当前缺陷坐标,包括:
将所述当前缺陷坐标保存在所述第一容器;
若所述第二容器中存在不连续坐标,从所述第二容器中删除所述不连续坐标,其中,所述不连续坐标与所述第一容器中各缺陷坐标之间均不满足所述预设同一缺陷判定条件;
将所述第一容器中的各缺陷坐标存入所述第二容器,并清空所述第一容器;
在将所述第一容器中的各缺陷坐标存入所述第二容器之后,所述方法还包括:
将所述第二容器中的各缺陷坐标按坐标值的大小进行排序;
根据排序结果判断是否存在所述目标集合。
2.如权利要求1所述的方法,其特征在于,所述预设同一缺陷判定条件为:两个缺陷坐标之间的距离小于预设距离。
3.如权利要求1所述的方法,其特征在于,在根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标之后,所述方法还包括:
按预设划分规则将所述当前缺陷图像划分为多个大小一致的子区域;
若各所述子区域中存在目标子区域,确定所述卷材上与所述目标子区域对应的缺陷为密集型缺陷,其中,所述目标子区域中所述缺陷坐标的数量达到第二预设数量。
4.一种卷材表面缺陷的检测装置,其特征在于,所述装置包括:
采集模块,用于按预设采样频率对经过预设图像采集区域的卷材进行图像采集,并获取采集到的存在缺陷区域的当前缺陷图像;
第一确定模块,用于根据所述缺陷区域在所述当前缺陷图像中的位置确定与所述缺陷区域对应的缺陷坐标;
保存模块,用于若当前缺陷坐标和至少一个上次缺陷坐标之间满足预设同一缺陷判定条件,保存所述当前缺陷坐标,其中,所述上次缺陷坐标为与上次缺陷区域对应的缺陷坐标,所述上次缺陷区域位于上一次采集到的缺陷图像中;
第二确定模块,用于若已保存的缺陷坐标中存在目标集合,确定所述卷材上与所述目标集合对应的缺陷为周期性缺陷,其中,所述目标集合中包括达到第一预设数量的目标缺陷坐标,且各所述目标缺陷坐标之间满足所述预设同一缺陷判定条件;
预先设置基于容器引擎的第一容器和第二容器,所述保存模块,具体用于:
将所述当前缺陷坐标保存在所述第一容器;
若所述第二容器中存在不连续坐标,从所述第二容器中删除所述不连续坐标,其中,所述不连续坐标与所述第一容器中各缺陷坐标之间均不满足所述预设同一缺陷判定条件;
将所述第一容器中的各缺陷坐标存入所述第二容器,并清空所述第一容器;
所述保存模块,还用于:
将所述第二容器中的各缺陷坐标按坐标值的大小进行排序;
根据排序结果判断是否存在所述目标集合。
5.如权利要求4所述的装置,其特征在于,所述预设同一缺陷判定条件为:两个缺陷坐标之间的距离小于预设距离。
6.如权利要求4所述的装置,其特征在于,所述装置包括第三确定模块,用于:
按预设划分规则将所述当前缺陷图像划分为多个大小一致的子区域;
若各所述子区域中存在目标子区域,确定所述卷材上与所述目标子区域对应的缺陷为密集型缺陷,其中,所述目标子区域中所述缺陷坐标的数量达到第二预设数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316111.2A CN116519708B (zh) | 2023-03-28 | 2023-03-28 | 一种卷材表面缺陷的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316111.2A CN116519708B (zh) | 2023-03-28 | 2023-03-28 | 一种卷材表面缺陷的检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116519708A CN116519708A (zh) | 2023-08-01 |
CN116519708B true CN116519708B (zh) | 2023-10-31 |
Family
ID=87391129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316111.2A Active CN116519708B (zh) | 2023-03-28 | 2023-03-28 | 一种卷材表面缺陷的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116519708B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754567B (zh) * | 2023-08-18 | 2023-11-10 | 钛玛科(北京)工业科技有限公司 | 铜箔材料的周期性缺陷检测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011089834A (ja) * | 2009-10-21 | 2011-05-06 | Mec:Kk | 欠陥検査装置および欠陥検査方法 |
JP2014126360A (ja) * | 2012-12-25 | 2014-07-07 | National Printing Bureau | 周期欠点検出方法 |
CN105572143A (zh) * | 2015-12-17 | 2016-05-11 | 湖北第二师范学院 | 压延过程中压延材料表面周期性缺陷的检测方法 |
CN115064457A (zh) * | 2022-05-10 | 2022-09-16 | 长江存储科技有限责任公司 | 用于晶圆的信息处理方法、电子设备及存储介质 |
-
2023
- 2023-03-28 CN CN202310316111.2A patent/CN116519708B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011089834A (ja) * | 2009-10-21 | 2011-05-06 | Mec:Kk | 欠陥検査装置および欠陥検査方法 |
JP2014126360A (ja) * | 2012-12-25 | 2014-07-07 | National Printing Bureau | 周期欠点検出方法 |
CN105572143A (zh) * | 2015-12-17 | 2016-05-11 | 湖北第二师范学院 | 压延过程中压延材料表面周期性缺陷的检测方法 |
CN115064457A (zh) * | 2022-05-10 | 2022-09-16 | 长江存储科技有限责任公司 | 用于晶圆的信息处理方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116519708A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116519708B (zh) | 一种卷材表面缺陷的检测方法和装置 | |
JP5043430B2 (ja) | 自動ウェブ検査のための装置および方法 | |
CN112348791B (zh) | 基于机器视觉的废钢智能检判方法、系统、介质及终端 | |
CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
CN110691186A (zh) | 图像处理装置、控制方法和记录介质 | |
CN112700440B (zh) | 物体缺陷检测方法、装置、计算机设备及存储介质 | |
CN113269500A (zh) | 一种基于神经网络的冷链物流监控方法及系统 | |
CN113744144B (zh) | 遥感影像建筑物边界优化方法、系统、设备及存储介质 | |
WO2023236825A1 (zh) | 容积使用率的监控方法、装置和计算机可读存储介质 | |
CN115937167A (zh) | 电池极片陶瓷的缺陷检测方法、装置及电子设备 | |
CN113469293B (zh) | 面板阵列短路检测方法、装置、电子设备及存储介质 | |
CN115809188A (zh) | 图像检测算法的调试方法、装置、设备、介质和程序产品 | |
CN110751055B (zh) | 一种智能制造系统 | |
JP7330864B2 (ja) | スクラップ画像撮影システム、スクラップ画像撮影方法、撮影支援装置、及びプログラム | |
CN113642961B (zh) | 货物搬运过程中的监控方法及装置 | |
Bello-Salau et al. | Performance analysis of machine learning classifiers for pothole road anomaly segmentation | |
JP4458339B2 (ja) | 画像処理方法、システム及びプログラム | |
CN111046878B (zh) | 一种数据处理方法、装置及计算机存储介质和计算机 | |
CN116797513A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN113780269A (zh) | 图像识别方法、装置、计算机系统及可读存储介质 | |
CN117495858B (zh) | 皮带偏移的检测方法、系统、设备和介质 | |
CN109697714B (zh) | 一种信息检测方法、设备及计算机存储介质 | |
CN114229387B (zh) | 一种皮带机物料流量的识别系统及方法 | |
CN117098106B (zh) | 一种蓝牙测试方法、装置、电子设备及存储介质 | |
CN114842342B (zh) | 一种基于人工智能的杂乱场景检测方法、装置及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |