CN116596935B - 形变检测方法、装置、计算机设备及计算机可读存储介质 - Google Patents

形变检测方法、装置、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
CN116596935B
CN116596935B CN202310879736.XA CN202310879736A CN116596935B CN 116596935 B CN116596935 B CN 116596935B CN 202310879736 A CN202310879736 A CN 202310879736A CN 116596935 B CN116596935 B CN 116596935B
Authority
CN
China
Prior art keywords
determining
flatness
detected
image
detection result
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
CN202310879736.XA
Other languages
English (en)
Other versions
CN116596935A (zh
Inventor
曾德宁
王楠
王远
刘枢
吕江波
沈小勇
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.)
Suzhou Simou Intelligent Technology Co ltd
Shenzhen Smartmore Technology Co Ltd
Original Assignee
Suzhou Simou Intelligent Technology Co ltd
Shenzhen Smartmore Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Simou Intelligent Technology Co ltd, Shenzhen Smartmore Technology Co Ltd filed Critical Suzhou Simou Intelligent Technology Co ltd
Priority to CN202310879736.XA priority Critical patent/CN116596935B/zh
Publication of CN116596935A publication Critical patent/CN116596935A/zh
Application granted granted Critical
Publication of CN116596935B publication Critical patent/CN116596935B/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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种形变检测方法、装置、计算机设备及计算机可读存储介质。方法包括：获取待检测对象的正面图像；从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图；正面掩膜图是待检测对象的正面整体外形的掩膜图；定位标识掩膜图是待检测对象的正面设置的定位标识的掩膜图；分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数；根据对称系数，确定待检测对象的正面是否存在挤压形变的检测结果。采用本申请，能够实现提高形变检测的准确性。

Description

形变检测方法、装置、计算机设备及计算机可读存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种形变检测方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着图像处理技术的发展，对生产线上生产的产品或零件等进行自动的形变检测越来越普及，能够高效地发现所检测的对象是否存在形变问题。
传统方法中，一般是从待检测对象的图像中提取轮廓，然后根据轮廓确定待检测对象是否存在形变。然而，在待检测对象的体积较小或形变程度较轻微的情况下，这种方法难以得到准确的形变检测结果。
发明内容
基于此，有必要针对上述技术问题，提供一种形变检测方法、装置、计算机设备、计算机可读存储介质及计算机程序产品，能够实现提高形变检测的准确性。
第一方面，本申请提供了一种形变检测方法，包括：
获取待检测对象的正面图像；
从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图；正面掩膜图是待检测对象的正面整体外形的掩膜图；定位标识掩膜图是待检测对象的正面设置的定位标识的掩膜图；
分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数；
根据对称系数，确定待检测对象的正面是否存在挤压形变的检测结果。
第二方面，本申请提供了一种形变检测装置，包括：
获取模块，用于获取待检测对象的正面图像；
分割模块，用于从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图；正面掩膜图是待检测对象的正面整体外形的掩膜图；定位标识掩膜图是待检测对象的正面设置的定位标识的掩膜图；
对称系数确定模块，用于分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数；
挤压形变确定模块，用于根据对称系数，确定待检测对象的正面是否存在挤压形变的检测结果。
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上述的方法中的步骤。
上述形变检测方法、装置、计算机设备、计算机可读存储介质及计算机程序产品，从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图，分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数，根据对称系数确定待检测对象的正面是否存在挤压形变的检测结果。一方面将正面整体外形的掩膜图和定位标识的掩膜图分别分割出来，能够对整体和内部的定位标识都进行形变检测，提高了形变检测的准确性，另一方面通过确定前景对象的对称系数来确定是否存在挤压形变，能够更加考虑到全局的信息，避免了仅根据待检测对象的轮廓进行形变检测的方法导致在待检测对象的体积较小或形变程度较轻微的情况下难以检测出形变的问题，进一步提高了形变检测的准确性。
附图说明
图1为本申请实施例提供的一种形变检测方法的应用环境图；
图2为本申请实施例提供的一种形变检测方法的流程示意图；
图3为本申请实施例提供的一种待检测对象的正面图像；
图4为本申请实施例提供的一种对正面图像进行图像分割的流程示意图；
图5为本申请实施例提供的一种待检测对象的侧面图像；
图6为本申请实施例提供的一种形变检测方法的整体流程示意图；
图7为本申请实施例提供的一种形变检测装置的结构框图；
图8为本申请实施例提供的另一种形变检测装置的结构框图；
图9为本申请实施例提供的一种计算机设备的内部结构图；
图10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11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。
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形变检测方法，可以应用于如图1所示的应用环境中。其中，图像采集设备102通过网络与计算机设备104进行通信。图像采集设备102可以对待检测对象进行图像采集，得到待检测对象的正面图像和侧面图像，计算机设备104可以从图像采集设备102获取待检测对象的正面图像和侧面图像，根据正面图像和侧面图像执行本申请各实施例中的形变检测方法，以对待检测对象进行形变检测。其中，图像采集设备102可以是相机或摄像头等。计算机设备104可以包括终端和服务器中的至少一种。终端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、物联网设备及便携式可穿戴设备，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形变检测方法，以该方法应用于图1中的计算机设备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：
S202、获取待检测对象的正面图像。
其中，待检测对象，是形变检测所针对的对象。正面图像，是对待检测对象的正面进行图像采集所得到的。
在一些实施例中，图像采集设备可以对待检测对象的正面进行图像采集，得到待检测对象的正面图像。计算机设备可以从图像采集设备获取待检测对象的正面图像。
在一些实施例中，待检测对象可以是生产的工件、零件或产品等中的任意一种。在一些实施例中，待检测对象可以是手表的表盘内部的卡扣。
如图3所示，是在待检测对象是手表的表盘内部的卡扣的情况下获取的待检测对象的正面图像。
S204、从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图；正面掩膜图是待检测对象的正面整体外形的掩膜图；定位标识掩膜图是待检测对象的正面设置的定位标识的掩膜图。
其中，定位标识，是设置于待检测对象的正面、且具有一定形状的标识。定位标识的数量可以为至少一个。相应地，定位标识掩膜图的数量为至少一个。
在一些实施例中，掩膜图可以是前景对象对应的各个像素点的像素值为1、且背景对应的各个像素点的像素值为0的二值图像。例如：如图4所示，在正面掩膜图中，待检测对象的正面整体外形包含的各个像素点的像素值为1，正面整体外形之外的背景对应的各个像素点的像素值为0。在定位标识掩膜图中，定位标识包含的各个像素点的像素值为1，定位标识之外的背景对应的各个像素点的像素值为0。
在一些实施例中，计算机设备可以并行地从待检测对象的正面图像中分割得到正面掩膜图，并从待检测对象的正面图像中分割得到定位标识掩膜图。
S206、分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数。
其中，对称系数，是用于衡量对称程度的指标。正面掩膜图中的前景对象，是指分割出的待检测对象的正面整体外形。定位标识掩膜图中的前景对象，是指分割出的定位标识。
在一些实施例中，计算机设备可以分别确定正面掩膜图和定位标识掩膜图中的前景对象的中轴线，然后确定中轴线将前景对象划分为的两个子部分，并确定各子部分的面积，根据同一前景对象对应的各子部分的面积，确定该前景对象的对称系数。
在一些实施例中，计算机设备可以确定前景对象的最小外接矩形，然后将最小外接矩形的中心对称轴线作为前景对象的中轴线。
在一些实施例中，计算机设备可以根据子部分面积差值与前景对象的总面积之间的比值，确定前景对象的对称系数。子部分面积差值，是前景对象的各子部分的面积之间的差值。例如：图4中的正面掩膜图和定位标识掩膜图中的前景对象分别被中轴线划分为左右两个子部分，子部分面积差值即为左右两个子部分的面积之间的差值。
S208、根据对称系数，确定待检测对象的正面是否存在挤压形变的检测结果。
在一些实施例中，若存在至少一个掩膜图中前景对象的对称系数大于或等于相应的预设阈值，则计算机设备可以确定待检测对象的检测结果为正面存在挤压形变。若各个掩膜图中的前景对象的对称系数均小于相应的预设阈值，则计算机设备可以确定待检测对象的检测结果为正面不存在挤压形变。其中，掩膜图包括正面掩膜图和定位标识掩膜图。
可见，在本申请实施例中，从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图，分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数，根据对称系数确定待检测对象的正面是否存在挤压形变的检测结果。一方面将正面整体外形的掩膜图和定位标识的掩膜图分别分割出来，能够对整体和内部的定位标识都进行形变检测，既能确定待检测对象的正面整体外形是否因挤压发生形变，又能确定待检测对象的定位标识是否因挤压发生形变，提高了对于挤压形变的形变检测的准确性，另一方面通过确定前景对象的对称系数来确定是否存在挤压形变，能够更加考虑到全局的信息，避免了仅根据待检测对象的轮廓进行形变检测的方法导致在待检测对象的体积较小或形变程度较轻微的情况下难以检测出形变的问题，进一步提高了形变检测的准确性。
在一些实施例中，从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图，包括：
将待检测对象的正面图像输入至预先训练的双头分割模型中；
通过双头分割模型中的骨干网络，从正面图像中提取全局特征；
分别通过双头分割模型中的正面分割头和定位标识分割头，根据全局特征，提取得到正面掩膜图和定位标识掩膜图。
其中，双头分割模型，是包含两个分割头、且两个分割头能够并行地进行图像分割的网络模型。骨干网络，是双头分割模型中用于从图像中提取全局特征的网络层。正面分割头，是双头分割模型中用于根据全局特征提取得到正面掩膜图的网络层。定位标识分割头，是双头分割模型中用于根据全局特征提取得到定位掩膜图的网络层。
在一些实施例中，双头分割模型可以是深度学习网络模型。
如图4所示，从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图包括如下步骤：
将待检测对象的正面图像输入至预先训练的双头分割模型的骨干网络中，通过骨干网络，从正面图像中提取全局特征，然后将全局特征分别输入至双头分割模型中的正面分割头和定位标识分割头，通过正面分割头根据全局特征，提取得到正面掩膜图；以及通过定位标识分割头根据全局特征，提取得到定位标识掩膜图。
可见，在本实施例中，通过双头分割模型使用骨干网络统一提取全局特征后再分别输入正面分割头和定位标识分割头，避免了使用两个独立的分割模型的情况下需要分别使用骨干网络提取全局特征再分别使用分割头进行图像分割造成的计算资源浪费和效率低的问题，从而降低了形变检测过程的资源消耗，且提高了形变检测效率。
在一些实施例中，分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数，包括：
分别针对正面掩膜图和定位标识掩膜图中的前景对象，确定前景对象的最小外接矩形的中心对称轴线和前景对象的总面积；
确定中心对称轴线将前景对象划分为的两个子部分，并确定各子部分的面积；
根据子部分面积差值与总面积之间的比值，确定前景对象的对称系数；子部分面积差值，是前景对象的各子部分的面积之间的差值。
在一些实施例中，计算机设备可以确定前景对象的最小外接矩形的各个顶点，然后确定处于同一侧的顶点连成的线段的中点，将各个中点相连得到最小外接矩形的中心对称轴线，作为前景对象的中轴线。
例如：前景对象的最小外接矩形的顶点包括：左上顶点plt1、右上顶点prt1、左下顶点plb1和右下顶点prb1，计算机设备可以确定左上顶点plt1和右上顶点prt1连成的线段的中点、以及左下顶点plb1和右下顶点prb1连成的线段的中点，然后根据两个中点的连线得到最小外接矩形的中心对称轴线。
在一些实施例中，根据子部分面积差值与总面积之间的比值，确定前景对象的对称系数，可以用如下公式表示：
其中，arealeft和arearight分别表示前景对象被划分为的两个子部分的面积。表示绝对值计算。areaall表示前景对象的总面积。/>表示前景对象的对称系数。
可见，在本实施例中，分别针对正面掩膜图和定位标识掩膜图中的前景对象，确定前景对象的最小外接矩形的中心对称轴线和前景对象的总面积，然后确定中心对称轴线将前景对象划分为的两个子部分，并确定各子部分的面积，根据子部分面积差值与总面积之间的比值，确定前景对象的对称系数，能够准确地确定出前景对象的对称系数。
在一些实施例中，方法还包括：
获取待检测对象的侧面图像；
对侧面图像进行图像分割，得到侧面掩膜图；
根据侧面掩膜图，确定待检测对象的侧面的边缘点；
根据侧面的边缘点进行直线拟合，得到待检测对象的侧面的边缘切线；
根据各个目标距离确定待检测对象的侧面的平整度；各个目标距离，是侧面的各个边缘点与边缘切线之间的距离；
根据平整度，确定待检测对象的侧面是否存在弯曲形变的检测结果。
其中，侧面对象，是对待检测对象的侧面进行图像采集得到的。如图5所示，是在待检测对象是手表的表盘内部的卡扣的情况下获取的待检测对象的侧面图像。侧面掩膜图，是从侧面图像中分割出待检测对象的侧面整体外形得到的。边缘切线，是待检测对象的侧面的边缘处的切线。
例如：在侧面掩膜图中，待检测对象的侧面整体外形包含的各个像素点的像素值为1，侧面整体外形之外的背景对应的各个像素点的像素值为0。
在一些实施例中，图像采集设备可以对待检测对象的侧面进行图像采集，得到待检测对象的侧面图像。计算机设备可以从图像采集设备获取待检测对象的侧面图像。
在一些实施例中，计算机设备可以将侧面图像输入至预先训练的侧面分割模型进行处理，输出侧面掩膜图。
在一些实施例中，计算机设备可以对侧面掩膜图进行边缘检测，得到待检测对象的侧面的边缘，然后对侧面的边缘进行采样，得到侧面的边缘点。
在一些实施例中，侧面的边缘点可以是侧面的上边缘处的边缘点，也可以是侧面的下边缘处的边缘点。
在一些实施例中，计算机设备可以采用最小二乘法，根据侧面的边缘点进行直线拟合，得到待检测对象的侧面的边缘切线。
在一些实施例中，若平整度大于或等于相应的预设阈值，则计算机设备可以确定待检测对象的检测结果为侧面存在弯曲形变。若平整度小于相应的预设阈值，则计算机设备可以确定待检测对象的检测结果为侧面不存在弯曲形变。
在一些实施例中，若待检测对象存在挤压形变和弯曲形变中的至少一种，则计算机设备可以确定待检测对象存在形变。若待检测对象不存在挤压形变和弯曲形变，则计算机设备可以确定待检测对象为正常良品。
可见，在本实施例中，通过对侧面图像进行图像分割得到侧面掩膜图，然后对侧面掩膜图中侧面的边缘点进行直线拟合，得到侧面的边缘切线，然后根据侧面的各边缘点与边缘切线之间的距离，确定待检测对象的侧面的平整度，根据平整度，确定待检测对象的侧面是否存在弯曲形变的检测结果，能够准确地根据平整度确定出侧面是否存在弯曲形变，避免了待检测对象体积小或形变轻微导致难以检测的问题，提高了对于弯曲形变的形变检测的准确性。
在一些实施例中，平整度包括第一平整度；根据各个目标距离确定待检测对象的侧面的平整度，包括：
根据各个目标距离的离散积分，确定待检测对象的侧面的第一平整度；
根据平整度，确定待检测对象的侧面是否存在弯曲形变的检测结果，包括：
若第一平整度大于或等于相应的预设阈值，则确定待检测对象的检测结果为侧面存在弯曲形变；或者，
若第一平整度小于相应的预设阈值，则确定待检测对象的检测结果为侧面不存在弯曲形变。
其中，离散积分，是对一组离散的数据进行积分所得到的结果。
在一些实施例中，计算机设备还可以将各个目标距离之和确定为第一平整度。
可见，在本实施例中，根据各个目标距离的离散积分，确定待检测对象的侧面的第一平整度，将第一平整度与相应的预设阈值比较来确定待检测对象的侧面是否存在弯曲形变的检测结果，能够准确且高效地进行弯曲形变的检测。
在一些实施例中，平整度包括第一平整度和第二平整度；根据各个目标距离确定待检测对象的侧面的平整度，包括：
根据各个目标距离的离散积分，确定待检测对象的侧面的第一平整度；
根据各个目标距离的离散程度，确定待检测对象的侧面的第二平整度；
根据平整度，确定待检测对象的侧面是否存在弯曲形变的检测结果，包括：
若第一平整度和第二平整度均大于或等于相应的预设阈值，则确定待检测对象的检测结果为侧面存在弯曲形变；或者，
若第一平整度和第二平整度中的至少一个小于相应的预设阈值，则确定待检测对象的检测结果为侧面不存在弯曲形变。
其中，离散程度，用于反映一组数据的离散程度。
在一些实施例中，离散程度可以是标准差或方差等中的任意一种。
在一些实施例中，计算机设备可以将各个目标距离的离散积分确定为第一平整度。
在一些实施例中，计算机设备可以将各个目标距离的标准差确定为第二平整度。
可见，在本实施例中，分别计算第一平整度和第二平整度，若第一平整度和第二平整度均大于或等于相应的预设阈值，则确定待检测对象的检测结果为侧面存在弯曲形变；否则，确定待检测对象的检测结果为侧面不存在弯曲形变，通过两种平整度来共同进行弯曲形变的检测，能够进一步提高弯曲形变的检测的准确性。
如图6所示，是本申请各实施例中的形变检测方法的整体流程示意图，具体包括如下步骤：
分别输入待检测对象的正面图像和侧面图像，将正面图像输入至双头分割模型中，得到正面掩膜图和定位标识掩膜图，然后分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数；若对称系数大于或等于相应的预设阈值，则确定待检测对象的检测结果为正面存在挤压形变；若对称系数小于相应的预设阈值，则确定待检测对象的检测结果为正面不存在挤压形变。将侧面图像输入至侧面分割模型中，得到侧面掩膜图，然后确定侧面掩膜图中侧面的边缘的平整度，若平整度大于或等于相应的预设阈值，则确定待检测对象的检测结果为侧面存在弯曲形变；若平整度小于相应的预设阈值，则确定待检测对象的检测结果为侧面不存在弯曲形变。若待检测对象既不存在挤压形变，又不存在弯曲形变，则确定待检测对象为正常良品。
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形变检测装置。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形变检测装置实施例中的具体限定可以参见上文中对于形变检测方法的限定，在此不再赘述。
如图7所示，本申请实施例提供了一种形变检测装置700，包括：
获取模块702，用于获取待检测对象的正面图像；
分割模块704，用于从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图；正面掩膜图是待检测对象的正面整体外形的掩膜图；定位标识掩膜图是待检测对象的正面设置的定位标识的掩膜图；
对称系数确定模块706，用于分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数；
挤压形变确定模块708，用于根据对称系数，确定待检测对象的正面是否存在挤压形变的检测结果。
在一些实施例中，在从待检测对象的正面图像中分别分割得到正面掩膜图和定位标识掩膜图方面，分割模块704具体用于：
将待检测对象的正面图像输入至预先训练的双头分割模型中；
通过双头分割模型中的骨干网络，从正面图像中提取全局特征；
分别通过双头分割模型中的正面分割头和定位标识分割头，根据全局特征，提取得到正面掩膜图和定位标识掩膜图。
在一些实施例中，在分别确定正面掩膜图和定位标识掩膜图中的前景对象的对称系数方面，对称系数确定模块706具体用于：
分别针对正面掩膜图和定位标识掩膜图中的前景对象，确定前景对象的最小外接矩形的中心对称轴线和前景对象的总面积；
确定中心对称轴线将前景对象划分为的两个子部分，并确定各子部分的面积；
根据子部分面积差值与总面积之间的比值，确定前景对象的对称系数；子部分面积差值，是前景对象的各子部分的面积之间的差值。
在一些实施例中，如图8所示，装置还包括边缘点确定模块710、边缘切线确定模块712、平整度确定模块714及弯曲形变确定模块716，其中：
获取模块702还用于：获取待检测对象的侧面图像；
分割模块704还用于：对侧面图像进行图像分割，得到侧面掩膜图；
边缘点确定模块710，用于根据侧面掩膜图，确定待检测对象的侧面的边缘点；
边缘切线确定模块712，用于根据侧面的边缘点进行直线拟合，得到待检测对象的侧面的边缘切线；
平整度确定模块714，用于根据各个目标距离确定待检测对象的侧面的平整度；各个目标距离，是侧面的各个边缘点与边缘切线之间的距离；
弯曲形变确定模块716，用于根据平整度，确定待检测对象的侧面是否存在弯曲形变的检测结果。
在一些实施例中，平整度包括第一平整度；在根据各个目标距离确定待检测对象的侧面的平整度方面，平整度确定模块714具体用于：
根据各个目标距离的离散积分，确定待检测对象的侧面的第一平整度；
在根据平整度，确定待检测对象的侧面是否存在弯曲形变的检测结果方面，弯曲形变确定模块716具体用于：
若第一平整度大于或等于相应的预设阈值，则确定待检测对象的检测结果为侧面存在弯曲形变；或者，
若第一平整度小于相应的预设阈值，则确定待检测对象的检测结果为侧面不存在弯曲形变。
在一些实施例中，平整度包括第一平整度和第二平整度；在根据各个目标距离确定待检测对象的侧面的平整度方面，平整度确定模块714具体用于：
根据各个目标距离的离散积分，确定待检测对象的侧面的第一平整度；
根据各个目标距离的离散程度，确定待检测对象的侧面的第二平整度；
在根据平整度，确定待检测对象的侧面是否存在弯曲形变的检测结果方面，弯曲形变确定模块716具体用于：
若第一平整度和第二平整度均大于或等于相应的预设阈值，则确定待检测对象的检测结果为侧面存在弯曲形变；或者，
若第一平整度和第二平整度中的至少一个小于相应的预设阈值，则确定待检测对象的检测结果为侧面不存在弯曲形变。
上述形变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。
在一些实施例中，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9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）及通信接口。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待检测对象的正面图像和侧面图像。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上述的形变检测方法中的步骤。
在一些实施例中，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10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、显示单元及输入装置。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上述的形变检测方法中的步骤。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9或图10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11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，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-Only Memory，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（FerroelectricRandom 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（StaticRandom AccessMemory，SRAM）或动态随机存取存储器（Dynamic Random Access 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 (12)

1.一种形变检测方法，其特征在于，包括：
获取待检测对象的正面图像；
将所述正面图像输入至预先训练的双头分割模型中；所述双头分割模型是包含两个分割头、且所述两个分割头能够并行地进行图像分割的网络模型；
通过所述双头分割模型中的骨干网络，从所述正面图像中提取全局特征；
分别通过所述双头分割模型中的正面分割头和定位标识分割头，根据所述全局特征，提取得到正面掩膜图和定位标识掩膜图；所述正面掩膜图是所述待检测对象的正面整体外形的掩膜图；所述定位标识掩膜图是所述待检测对象的正面设置的定位标识的掩膜图；
分别确定所述正面掩膜图和所述定位标识掩膜图中的前景对象的中轴线；
确定所述中轴线将所述前景对象划分为的两个子部分的面积；
根据同一所述前景对象对应的子部分面积差值与所述前景对象的总面积之间的比值，确定所述前景对象的对称系数；所述子部分面积差值，是所述前景对象的各所述子部分的面积之间的差值；
根据所述对称系数，确定所述待检测对象的正面是否存在挤压形变的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述分别确定所述正面掩膜图和所述定位标识掩膜图中的前景对象的中轴线，包括：
分别针对所述正面掩膜图和所述定位标识掩膜图中的前景对象，确定所述前景对象的最小外接矩形的中心对称轴线；
所述确定所述中轴线将所述前景对象划分为的两个子部分的面积，包括：
确定所述中心对称轴线将所述前景对象划分为的两个子部分，并确定各所述子部分的面积。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述待检测对象的侧面图像；
对所述侧面图像进行图像分割，得到侧面掩膜图；
根据所述侧面掩膜图，确定所述待检测对象的侧面的边缘点；
根据所述侧面的边缘点进行直线拟合，得到所述待检测对象的侧面的边缘切线；
根据各个目标距离确定所述待检测对象的侧面的平整度；所述各个目标距离，是所述侧面的各个所述边缘点与所述边缘切线之间的距离；
根据所述平整度，确定所述待检测对象的侧面是否存在弯曲形变的检测结果。
4.根据权利要求3所述的方法，其特征在于，所述平整度包括第一平整度；所述根据各个目标距离确定所述待检测对象的侧面的平整度，包括：
根据各个目标距离的离散积分，确定所述待检测对象的侧面的第一平整度；
所述根据所述平整度，确定所述待检测对象的侧面是否存在弯曲形变的检测结果，包括：
若所述第一平整度大于或等于相应的预设阈值，则确定所述待检测对象的检测结果为侧面存在弯曲形变；或者，
若所述第一平整度小于相应的预设阈值，则确定所述待检测对象的检测结果为侧面不存在弯曲形变。
5.根据权利要求3所述的方法，其特征在于，所述平整度包括第一平整度和第二平整度；所述根据各个目标距离确定所述待检测对象的侧面的平整度，包括：
根据各个目标距离的离散积分，确定所述待检测对象的侧面的第一平整度；
根据各个所述目标距离的离散程度，确定所述待检测对象的侧面的第二平整度；
所述根据所述平整度，确定所述待检测对象的侧面是否存在弯曲形变的检测结果，包括：
若所述第一平整度和所述第二平整度均大于或等于相应的预设阈值，则确定所述待检测对象的检测结果为侧面存在弯曲形变；或者，
若所述第一平整度和所述第二平整度中的至少一个小于相应的预设阈值，则确定所述待检测对象的检测结果为侧面不存在弯曲形变。
6.一种形变检测装置，其特征在于，包括：
获取模块，用于获取待检测对象的正面图像；
分割模块，用于将所述正面图像输入至预先训练的双头分割模型中；通过所述双头分割模型中的骨干网络，从所述正面图像中提取全局特征；分别通过所述双头分割模型中的正面分割头和定位标识分割头，根据所述全局特征，提取得到正面掩膜图和定位标识掩膜图；所述双头分割模型是包含两个分割头、且所述两个分割头能够并行地进行图像分割的网络模型；所述正面掩膜图是所述待检测对象的正面整体外形的掩膜图；所述定位标识掩膜图是所述待检测对象的正面设置的定位标识的掩膜图；
对称系数确定模块，用于分别确定所述正面掩膜图和所述定位标识掩膜图中的前景对象的中轴线；确定所述中轴线将所述前景对象划分为的两个子部分的面积；根据同一所述前景对象对应的子部分面积差值与所述前景对象的总面积之间的比值，确定所述前景对象的对称系数；所述子部分面积差值，是所述前景对象的各所述子部分的面积之间的差值；
挤压形变确定模块，用于根据所述对称系数，确定所述待检测对象的正面是否存在挤压形变的检测结果。
7.根据权利要求6所述的装置，其特征在于，在所述分别确定所述正面掩膜图和所述定位标识掩膜图中的前景对象的中轴线方面，所述对称系数确定模块具体用于：
分别针对所述正面掩膜图和所述定位标识掩膜图中的前景对象，确定所述前景对象的最小外接矩形的中心对称轴线；
在所述确定所述中轴线将所述前景对象划分为的两个子部分的面积方面，所述对称系数确定模块具体用于：
确定所述中心对称轴线将所述前景对象划分为的两个子部分，并确定各所述子部分的面积。
8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括边缘点确定模块、边缘切线确定模块、平整度确定模块及弯曲形变确定模块，其中：
所述获取模块还用于：获取所述待检测对象的侧面图像；
所述分割模块还用于：对所述侧面图像进行图像分割，得到侧面掩膜图；
所述边缘点确定模块，用于根据所述侧面掩膜图，确定所述待检测对象的侧面的边缘点；
所述边缘切线确定模块，用于根据所述侧面的边缘点进行直线拟合，得到所述待检测对象的侧面的边缘切线；
所述平整度确定模块，用于根据各个目标距离确定所述待检测对象的侧面的平整度；所述各个目标距离，是所述侧面的各个所述边缘点与所述边缘切线之间的距离；
所述弯曲形变确定模块，用于根据所述平整度，确定所述待检测对象的侧面是否存在弯曲形变的检测结果。
9.根据权利要求8所述的装置，其特征在于，所述平整度包括第一平整度；在所述根据各个目标距离确定所述待检测对象的侧面的平整度方面，所述平整度确定模块具体用于：
根据各个目标距离的离散积分，确定所述待检测对象的侧面的第一平整度；
在所述根据所述平整度，确定所述待检测对象的侧面是否存在弯曲形变的检测结果方面，所述弯曲形变确定模块具体用于：
若所述第一平整度大于或等于相应的预设阈值，则确定所述待检测对象的检测结果为侧面存在弯曲形变；或者，
若所述第一平整度小于相应的预设阈值，则确定所述待检测对象的检测结果为侧面不存在弯曲形变。
10.根据权利要求8所述的装置，其特征在于，所述平整度包括第一平整度和第二平整度；在所述根据各个目标距离确定所述待检测对象的侧面的平整度方面，所述平整度确定模块具体用于：
根据各个目标距离的离散积分，确定所述待检测对象的侧面的第一平整度；
根据各个所述目标距离的离散程度，确定所述待检测对象的侧面的第二平整度；
在所述根据所述平整度，确定所述待检测对象的侧面是否存在弯曲形变的检测结果方面，所述弯曲形变确定模块具体用于：
若所述第一平整度和所述第二平整度均大于或等于相应的预设阈值，则确定所述待检测对象的检测结果为侧面存在弯曲形变；或者，
若所述第一平整度和所述第二平整度中的至少一个小于相应的预设阈值，则确定所述待检测对象的检测结果为侧面不存在弯曲形变。
11.一种计算机设备，所述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5中任一项所述的方法的步骤。
12.一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5中任一项所述的方法的步骤。
CN202310879736.XA 2023-07-18 2023-07-18 形变检测方法、装置、计算机设备及计算机可读存储介质 Active CN116596935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310879736.XA CN116596935B (zh) 2023-07-18 2023-07-18 形变检测方法、装置、计算机设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310879736.XA CN116596935B (zh) 2023-07-18 2023-07-18 形变检测方法、装置、计算机设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN116596935A CN116596935A (zh) 2023-08-15
CN116596935B true CN116596935B (zh) 2023-11-03

Family

ID=87590361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310879736.XA Active CN116596935B (zh) 2023-07-18 2023-07-18 形变检测方法、装置、计算机设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116596935B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437425B (zh) * 2023-12-21 2024-03-22 深圳思谋信息科技有限公司 语义分割方法、装置、计算机设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633506A (zh) * 2017-08-31 2018-01-26 深圳市智图医疗技术有限责任公司 一种图像对称性检测方法、装置及终端设备
CN109297975A (zh) * 2018-08-16 2019-02-01 奇酷互联网络科技（深圳）有限公司 移动终端及检测方法、存储装置
CN110146526A (zh) * 2019-05-31 2019-08-20 中国人民解放军96962部队 一种结构缺陷检测系统和方法
CN111062936A (zh) * 2019-12-27 2020-04-24 中国科学院上海生命科学研究院 用于面部变形诊疗效果的量化指标评估方法
CN115294022A (zh) * 2022-07-05 2022-11-04 宽衍(河北)智能装备有限公司 一种扣件缺陷检测方法、系统、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633506A (zh) * 2017-08-31 2018-01-26 深圳市智图医疗技术有限责任公司 一种图像对称性检测方法、装置及终端设备
CN109297975A (zh) * 2018-08-16 2019-02-01 奇酷互联网络科技（深圳）有限公司 移动终端及检测方法、存储装置
CN110146526A (zh) * 2019-05-31 2019-08-20 中国人民解放军96962部队 一种结构缺陷检测系统和方法
CN111062936A (zh) * 2019-12-27 2020-04-24 中国科学院上海生命科学研究院 用于面部变形诊疗效果的量化指标评估方法
CN115294022A (zh) * 2022-07-05 2022-11-04 宽衍(河北)智能装备有限公司 一种扣件缺陷检测方法、系统、计算机设备及存储介质

Also Published As

Publication number Publication date
CN116596935A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
US10268917B2 (en) Pre-segment point cloud data to run real-time shape extraction faster
TWI654567B (zh) Method and apparatus for extracting specific information from standard cards
CN111462120A (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN116596935B (zh) 形变检测方法、装置、计算机设备及计算机可读存储介质
CN114022558B (zh) 图像定位方法、装置、计算机设备和存储介质
CN113705297A (zh) 检测模型的训练方法、装置、计算机设备和存储介质
CN113705669A (zh) 一种数据匹配方法、装置、电子设备以及存储介质
CN110163095B (zh) 回环检测方法、回环检测装置及终端设备
CN116051575A (zh) 图像分割方法、装置、计算机设备、存储介质程序产品
CN116091431A (zh) 箱梁病害检测方法、装置、计算机设备和存储介质
CN111950517A (zh) 一种目标检测方法、模型训练方法，电子设备及存储介质
CN116206125A (zh) 外形缺陷识别方法、装置、计算机设备及存储介质
CN115731442A (zh) 图像处理方法、装置、计算机设备和存储介质
CN115063473A (zh) 物体高度的检测方法、装置、计算机设备、存储介质
CN115880362A (zh) 码区定位方法、装置、计算机设备及计算机可读存储介质
CN114549857A (zh) 图像信息识别方法、装置、计算机设备和存储介质
CN117392735B (zh) 面部数据处理方法、装置、计算机设备和存储介质
CN115861520B (zh) 高光检测方法、装置、计算机设备和存储介质
CN116402842B (zh) 边缘缺陷检测方法、装置、计算机设备及存储介质
CN117576645B (zh) 基于bev视角的车位检测方法、装置和计算机设备
CN116612474B (zh) 对象检测方法、装置、计算机设备及计算机可读存储介质
CN117635554A (zh) 线路缺陷检测方法、装置、计算机设备及存储介质
CN114708230B (zh) 基于图像分析的车架质量检测方法、装置、设备及介质
CN116664212A (zh) 终端设备的价格评估方法、装置及可读存储介质
CN117372343A (zh) 芯片空洞的检测方法、装置、设备、存储介质和程序产品

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