CN116758056B - 一种电器端子生产缺陷检测方法 - Google Patents

一种电器端子生产缺陷检测方法 Download PDF

Info

Publication number
CN116758056B
CN116758056B CN202310993735.8A CN202310993735A CN116758056B CN 116758056 B CN116758056 B CN 116758056B CN 202310993735 A CN202310993735 A CN 202310993735A CN 116758056 B CN116758056 B CN 116758056B
Authority
CN
China
Prior art keywords
connected domain
value
texture
suspicious
suspicious connected
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
CN202310993735.8A
Other languages
English (en)
Other versions
CN116758056A (zh
Inventor
袁滔
郭健
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 Qianwei Precision Connector Co ltd
Original Assignee
Guangdong Qianwei Precision Connector 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 Qianwei Precision Connector Co ltd filed Critical Guangdong Qianwei Precision Connector Co ltd
Priority to CN202310993735.8A priority Critical patent/CN116758056B/zh
Publication of CN116758056A publication Critical patent/CN116758056A/zh
Application granted granted Critical
Publication of CN116758056B publication Critical patent/CN116758056B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Analytical Chemistry (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像处理领域，提供一种电器端子生产缺陷检测方法，包括：采集待检测的电器端子的表面图像，并确定采集的表面图像中是否包含可疑连通域；如果采集的表面图像中包含可疑连通域，则根据可疑连通域中像素点的灰度分布特征计算第一可信因子；根据可疑连通域中像素点的纹理特征计算第二可信因子；基于所述第一可信因子和第二可信因子确定可疑连通域的可信程度；基于可疑连通域的可信程度确定待检测的电器端子是否存在缺陷。本申请的方法对区域内灰度的分布表现以及纹理特征进行深入分析和计算，排除光照带来的干扰，实现更加准确的缺陷检测和识别。

Description

一种电器端子生产缺陷检测方法
技术领域
本申请涉及图像处理领域，特别是涉及一种电器端子生产缺陷检测方法。
背景技术
电器端子是蓄电池和外部导体连接的部件，电工学中，端子多指接线终端，主要传递电信号或导电使用。在电气和电子系统中具有重要作用，它是连接电缆、线路或导线的关键部件，起到传输电能、信号和数据等功能。电器端子能够确保设备之间的正确连接，使得电路能够正常运行，良好的端子接触能够降低故障几率，提高设备的稳定性；并且由于端子的设计优良，其非常易于插拔，可以方便地调整和替换设备，大大减少了设备维护和更新所需要的时间和人力成本；合适的电器端子能够有效降低故障和短路的概率，确保用户和设备的安全，比如具有绝缘保护的端子可以防止触电事故。
而在电器端子的生产制造过程中，其外部表面凹陷是一种常见的生产缺陷，该类缺陷会导致设备的正常运行和稳定性；凹陷区域可能导致端子与连接线之间的接触不良，从而引发电阻增加，传输效率降低的问题，且凹陷区域由于易积累灰尘湿气等污染物，从而加速腐蚀过程，因此其会成为故障的起始点，进一步导致部件的耐用性和出现故障的可能性。
通常情况下，对于端子表面凹陷缺陷的检测方法一般使用图像处理算法结合其特征进行检测和识别；通常使用工业相机对其表面进行采集得到待检测图像，根据表面存在的边缘信息以及凹陷区域表现出的灰度值与正常情况下表面灰度值区别特征判断当前待检测图像是否存在凹陷缺陷；但由于工业相机采集得到的待检测图像受光照的影响；导致端子表面图像上出现与凹陷区域相似的干扰区域；其灰度值同样与周围正常区域存在差异，且都会在待检测图像的表面显示出边缘特征，因此现有技术在进行缺陷检测时，会出现检测不准确的情况。
发明内容
本发明提供一种电器端子生产缺陷检测方法，该方法能够提高检测准确度。
第一方面，本申请提供一种电器端子生产缺陷检测方法，包括：采集待检测的电器端子的表面图像，并确定采集的表面图像中是否包含可疑连通域；如果采集的表面图像中包含可疑连通域，则根据可疑连通域中像素点的灰度分布特征计算第一可信因子；根据可疑连通域中像素点的纹理特征计算第二可信因子；基于所述第一可信因子和第二可信因子确定可疑连通域的可信程度；基于可疑连通域的可信程度确定待检测的电器端子是否存在缺陷。
在一可选实施例中，根据可疑连通域中像素点的灰度分布特征计算第一可信因子，包括：
基于可疑连通域内像素点灰度值均值，和可疑连通域内灰度值的最大差异值计算第一可信因子。
在一可选实施例中，根据可疑连通域中像素点的灰度分布特征计算第一可信因子，包括：
利用如下公式计算第一可信因子：
其中，表示可疑连通域内像素点灰度值均值，/>表示可疑连通域内灰度值的最大差异值，/>表示第一可信因子，/>表示可疑连通域内第/>个像素点的灰度值，/>表示可疑连通域内的灰度值最大值和最小值，/>表示权重大小，表示可疑连通域内第i个像素点的灰度值，N为可疑连通域内所有像素点的个数。
在一可选实施例中，根据可疑连通域中像素点的纹理特征计算第二可信因子，包括：
根据可疑连通域中像素点的纹理特征计算可疑连通域内纹理规律程度值和纹理对比程度值，所述纹理规律程度值表征可疑连通域内纹理分布是否均匀；所述纹理对比程度值表征可疑连通域内纹理复杂度；
基于可疑连通域内纹理规律程度值和纹理对比程度值确定第二可信因子。
在一可选实施例中，计算可疑连通域内纹理规律程度值，包括：
根据局部二值模式LBP算法确定可疑连通域的LBP直方图；
基于LBP直方图的分布跨度程度以及LBP直方图的分布均匀特征计算可疑连通域内纹理规律程度值。
在一可选实施例中，计算可疑连通域内纹理规律程度值，包括：
利用如下公式计算可疑连通域内纹理规律程度值：
其中，表征LBP直方图的分布跨度程度，分别表示LBP直方图中横轴特征值的最大值和最小值；/>表示反比例归一化函数，/>表示正比例归一化函数，/>表示权重大小；
表征LBP直方图的分布均匀特征，其中，/>表示第/>个/>值在直方图中的频次数量；/>表示直方图中特征值频次的最大值； />越大，则表示分越不均匀。
在一可选实施例中，计算可疑连通域内纹理对比程度值，包括：
基于每一像素点的LBP特征值确定转换次数超过2次的像素点的数量；
基于转换次数超过2次的像素点的数量和可疑连通域中像素点的总数的比值确定可疑连通域内纹理对比程度值。
在一可选实施例中，基于可疑连通域内纹理规律程度值和纹理对比程度值确定第二可信因子，包括：
为纹理规律程度值设置第一权重，为纹理对比程度值设置第二权重；第一权重大于第二权重；
计算第一权重和纹理规律程度值的乘积，计算第二权重和纹理对比程度值的乘积，并将计算得到的两个乘积相加，得到第二可信因子。
在一可选实施例中，采集待检测的电器端子的表面图像，并确定采集的表面图像中是否包含可疑连通域，包括：
将采集的表面图像转化为灰度图像，并对灰度图像进行滤波，得到待检测图像；
对所述待检测图像进行边缘检测，确定是否包含可疑连通域。
本申请的有益效果，区别于现有技术，本申请的电器端子生产缺陷检测方法，包括：采集待检测的电器端子的表面图像，并确定采集的表面图像中是否包含可疑连通域；如果采集的表面图像中包含可疑连通域，则根据可疑连通域中像素点的灰度分布特征计算第一可信因子；根据可疑连通域中像素点的纹理特征计算第二可信因子；基于所述第一可信因子和第二可信因子确定可疑连通域的可信程度；基于可疑连通域的可信程度确定待检测的电器端子是否存在缺陷。本申请的方法对区域内灰度的分布表现以及纹理特征进行深入分析和计算，排除光照带来的干扰，实现更加准确的缺陷检测和识别。
附图说明
图1为图1为本发明电器端子生产缺陷检测方法的一实施例的流程示意图；
图2为计算第二可信因子的一实施例的流程示意图。
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，所描述的实施例仅是本申请的一部分实施例，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。
下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明电器端子生产缺陷检测方法的一实施例的流程示意图，具体包括：
步骤S11：采集待检测的电器端子的表面图像，并确定采集的表面图像中是否包含可疑连通域。
首先使用工业相机采集得到待检测的电器端子表面图像，将采集的表面图像转化为灰度图像，并对灰度图像进行滤波，得到待检测图像。对所述待检测图像进行边缘检测，确定是否包含可疑连通域。
具体的，将采集的表面图像转化为灰度图像，并对灰度图像进行滤波，得到待检测图像。例如用高斯滤波器平滑图像，利用一阶偏导有限差分计算梯度的幅值和方向，对梯度的幅值进行非极大值抑制，从而进行滤波去噪处理提高图像的质量。
对所述待检测图像进行边缘检测，确定是否包含可疑连通域。具体通过canny边缘检测算法或双阈值算法检测提取待检测图像中存在的边缘信息，根据边缘检测的结果，将待检测图像转换为二值图像；此时再通过形态学操作消除图像中可能存在的噪声点，进而突出凹陷的连通区域，根据二值化图像中的边缘信息对应到原始灰度图像中标记出连通域所在区域；认定标记区域为可疑连通域。若此时待检测图像中不含有该类可疑连通域，则视为其不含有凹陷缺陷；对该类不含有凹陷缺陷的产品进行剔除或转入下一步检测处理；将存在可疑连通域的端子表面图像进行凹陷缺陷可信程度的判断和检测。
步骤S12：如果采集的表面图像中包含可疑连通域，则根据可疑连通域中像素点的灰度分布特征计算第一可信因子；根据可疑连通域中像素点的纹理特征计算第二可信因子。
上述通过对待检测图像进行预处理和边缘检测操作标记出了含有可疑连通域的端子表面图像。此时需要对当前标记出的可疑连通域进行内部灰度和纹理特征的具体分析计算；得到可疑连通域为凹陷缺陷的可信程度。
由客观特征可知，光照影响表现在表面图像的特征与凹陷缺陷具有一定的共性和差异：两者在图像中均可能导致灰度值和周围区域有所不同，且在图像中都会显示出外部边缘，因此传统的检测处理方法在预处理阶段极易将两者同时进行标记和提取。而凹陷连通域内的灰度值通常较低且集中，光照干扰区域的灰度值分布更加复杂，渐变程度明暗交替特征明显。进一步地，二者内部的纹理特征同样存在差异，端子表面凹陷区域纹理通常较为一致且有规律性而受光照影响的区域，纹理较为多变且不具有规律性。
因此可疑连通域中像素点的灰度分布特征计算第一可信因子；根据可疑连通域中像素点的纹理特征计算第二可信因子。
在一实施例中，根据可疑连通域中像素点的灰度分布特征计算第一可信因子，包括：基于可疑连通域内像素点灰度值均值，和可疑连通域内灰度值的最大差异值计算第一可信因子。
凹陷区域的像素点灰度值比较周围正常区域像素点灰度值更低且较为集中，而光照干扰区域灰度值分布更加复杂，渐变程度较高，存在明暗交替的特征；由此根据该特征获取当前可疑连通域内部特征的第一可信因子。在一具体实施例中，根据可疑连通域中像素点的灰度分布特征计算第一可信因子，包括：
利用如下公式计算第一可信因子：
其中，表示可疑连通域内像素点灰度值均值，具体表示可疑连通域内像素点灰度值均值映射到值域0~1内的数值；数值越小，说明可疑连通域的灰度值越低。
表示可疑连通域内灰度值的最大差异值，最大差异值越小，说明可疑连通域更符合凹陷区域的特征。
表示第一可信因子，/>表示可疑连通域内第/>个像素点的灰度值，表示可疑连通域内的灰度值最大值和最小值，/>表示权重大小，/>表示可疑连通域内第i个像素点的灰度值，N为可疑连通域内所有像素点的个数。由于可疑连通域内像素点灰度值均值能够更为直观的表现可疑连通域内整体灰度值；而可疑连通域内灰度值的最大差异值是基于可疑连通域内像素点灰度值均值进行的深入判断，因此设定经验权重值/>，/>；若当前计算的可疑连通域第一可信因子越趋于1，则认为可疑连通域的可信程度越高，即越有可能为凹陷缺陷区域。
进一步的，本申请还需要根据可疑连通域中像素点的纹理特征计算第二可信因子。在一实施例中，请结合图2，计算第二可信因子包括：
步骤S21：根据可疑连通域中像素点的纹理特征计算可疑连通域内纹理规律程度值和纹理对比程度值，所述纹理规律程度值表征可疑连通域内纹理分布是否均匀；所述纹理对比程度值表征可疑连通域内纹理复杂度。
具体的，计算可疑连通域内纹理规律程度值，包括：根据局部二值模式LBP算法确定可疑连通域的LBP直方图；基于LBP直方图的分布跨度程度以及LBP直方图的分布均匀特征计算可疑连通域内纹理规律程度值。
凹陷区域和光照干扰区域内部都会产生与周围正常区域不同的纹理特征；而其二者内部所表现的纹理特征同样有所不同。电器端子表面凹陷区域的纹理通常较为一致且具有规律性，而受光照影响的区域的纹理可能呈现出明暗交替或渐变等不规律特征。另外，其纹理之间的对比度也存在差异：由于凹陷表面在光线照射下会产生明显的阴影效应。因此与正常表面相比，凹陷区域的纹理对比度可能更高。然而受光照影响的区域的纹理对比度可能较低，或呈现出不均匀的特点。
为了在图像处理过程中区分二者的纹理特征；需要利用纹理分析方法来提取并分析图像的纹理特征，而后通过对比这些特征在凹陷区域和光照干扰区域之间的差异，进一步确定当前可疑连通域的凹陷可信程度；该步骤选择使用鲁棒性和易计算性更佳的局部二值模式算法对纹理进行描述和分析；该算法在纹理分类，人脸识别等众多邻域得到广泛的应用。其通过比较每个像素的邻域灰度值来生成特征，计算过程准确且快速，加之其具有旋转不变性，即使输入算法中的图像发生旋转，/>特征仍能够保持一致，提高监测和识别的鲁棒性。
首先根据局部二值模式算法计算得到可疑连通域内各像素点的/>特征值，并根据获取的各像素点的/>特征值构建/>直方图；/>直方图可以表示图像中纹理信息的分布，进一步用于纹理的分析和识别。
由于上述分析可知，凹陷区域的纹理通常较为一致且具有规律性，因此其在直方图中的分布情况应当偏向某些特定值即并不均匀，此时的直方图可以反应连通域内存在较为明显的主导纹理；反之若当前直方图特征值频次分布较为均匀，则反应可疑连通域内纹理具有较为丰富且复杂多样的纹理；并不具有规律性；由此得到可疑连通域内的纹理规律程度值。在一具体实施例中，利用如下公式计算可疑连通域内纹理规律程度值：
其中，表征LBP直方图的分布跨度程度，结果越小则表示直方图分布偏向某些特定值，即不均匀。分别表示LBP直方图中横轴特征值的最大值和最小值；/>表示反比例归一化函数。/>表示正比例归一化函数，使得值域映射到/>之间，且单调递增。
表征LBP直方图的分布均匀特征，其中，/>表示第/>个/>值在直方图中的频次数量；/>表示直方图中特征值频次的最大值；/>越大，表示当前直方图分布偏于某些特定值，则表示分越不均匀。
表示权重大小。由于LBP直方图的分布跨度程度和LBP直方图的分布均匀特征分别通过LBP直方图的横向和纵向统一进行的综合判断，因此其比重相同；因此设定权重值/>；最终计算纹理规律程度值/>值越大则说明可疑连通域内的纹理规律程度越高。
进一步的，本实施例还需要计算可疑连通域内纹理对比程度值，具体包括：基于每一像素点的LBP特征值确定转换次数超过2次的像素点的数量；基于转换次数超过2次的像素点的数量和可疑连通域中像素点的总数的比值确定可疑连通域内纹理对比程度值。
对于纹理的对比度分析和判断，可以使用局部二值模式中的均匀模式进行评估，其原理是通过观察各像素点的/>特征值二进制模式中0和1的转换次数是否超过2次。对于每个像素，计算其 LBP 特征值。判断该 LBP 特征值是否为均匀模式，即0和1的转换次数不超过2次。如果像素点的 LBP 特征值0和1的转换次数不超过2次，则表征该像素点为均匀模式，将其归入对应的直方图 bin 中。遍历整个图像，为所有像素计算 LBP 均匀模式。若当前直方图/>中的均匀模式占主导地位，即数量居多，则表面图像中存在较多的简单纹理特征即对比度较低。
通过上述原理，纹理对比程度值计算方式为：
上式中表示可疑连通域内的纹理对比程度值；/>表示可疑连通域内像素点个数；/>表示转换次数；分子中/>表示转换次数大于2的像素点的数量。由于不超过2次可反应对比度较低，则超过2次可反应对比度较高；因此/>越趋于1，则表示可疑连通域内部纹理对比程度越高。
步骤S22：基于可疑连通域内纹理规律程度值和纹理对比程度值确定第二可信因子。
为纹理规律程度值设置第一权重，为纹理对比程度值设置第二权重；第一权重大于第二权重；计算第一权重和纹理规律程度值的乘积，计算第二权重和纹理对比程度值的乘积，并将计算得到的两个乘积相加，得到第二可信因子。
在一实施例中，第二可信因子的计算方式为：
为第二可信因子；/>为纹理规律程度值，/>为纹理对比程度值；/>为第一权重和第二权重；由于规律程度值在直方图中的表现更为直观且准确；因此设定第一权重；由此计算得到可疑连通域内第二可信因子。
步骤S13：基于所述第一可信因子和第二可信因子确定可疑连通域的可信程度。
可疑连通域的可信程度计算方式为：
上式中表示可疑连通域为凹陷缺陷的可信程度；/>分别为上述分析得到的第一可信因子和第二可信因子；其均为结果值越趋于1，可信程度越大，/>表示权重数值，由于第二可信因子展开深入多方面的分析计算，因此给予较重的权重比值。设定权重为。通过上述公式计算得到可疑连通域为凹陷缺陷的可信程度。
步骤S14：基于可疑连通域的可信程度确定待检测的电器端子是否存在缺陷。
设定最终可信程度评价阈值；即可疑连通域的可信程度值/>；则表示当前可疑连通域为凹陷区域的可信程度高；反之则可信程度较低。
根据上述步骤对各可疑连通域进行可信程度计算；并对其根据评价阈值进行分类；将可信程度较低的可疑连通域进行剔除，而将可信程度较高的可疑连通域进行标记视为凹陷缺陷，对其对应的产品进行报废处理或返工修复；进而实现对端子生产过程中的表面凹陷缺陷的准确识别和检测。
申请的方法对区域内灰度的分布表现以及纹理特征进行深入分析和计算，排除光照带来的干扰，实现更加准确的缺陷检测和识别。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种电器端子生产缺陷检测方法，其特征在于，包括：
采集待检测的电器端子的表面图像，并确定采集的表面图像中是否包含可疑连通域；
如果采集的表面图像中包含可疑连通域，则根据可疑连通域中像素点的灰度分布特征计算第一可信因子；根据可疑连通域中像素点的纹理特征计算第二可信因子；
基于所述第一可信因子和第二可信因子确定可疑连通域的可信程度；
基于可疑连通域的可信程度确定待检测的电器端子是否存在缺陷；
根据可疑连通域中像素点的灰度分布特征计算第一可信因子，包括：
基于可疑连通域内像素点灰度值均值，和可疑连通域内灰度值的最大差异值计算第一可信因子；
根据可疑连通域中像素点的灰度分布特征计算第一可信因子，包括：
利用如下公式计算第一可信因子：
其中，表示可疑连通域内像素点灰度值均值，/>表示可疑连通域内灰度值的最大差异值，/>表示第一可信因子，/>表示可疑连通域内第/>个像素点的灰度值，/>表示可疑连通域内的灰度值最大值和最小值，/>表示权重大小，N为可疑连通域内所有像素点的个数。
2.根据权利要求1所述的一种电器端子生产缺陷检测方法，其特征在于，根据可疑连通域中像素点的纹理特征计算第二可信因子，包括：
根据可疑连通域中像素点的纹理特征计算可疑连通域内纹理规律程度值和纹理对比程度值，所述纹理规律程度值表征可疑连通域内纹理分布是否均匀；所述纹理对比程度值表征可疑连通域内纹理复杂度；
基于可疑连通域内纹理规律程度值和纹理对比程度值确定第二可信因子。
3.根据权利要求2所述的一种电器端子生产缺陷检测方法，其特征在于，计算可疑连通域内纹理规律程度值，包括：
根据局部二值模式LBP算法确定可疑连通域的LBP直方图；
基于LBP直方图的分布跨度程度以及LBP直方图的分布均匀特征计算可疑连通域内纹理规律程度值。
4.根据权利要求3所述的一种电器端子生产缺陷检测方法，其特征在于，计算可疑连通域内纹理规律程度值，包括：
利用如下公式计算可疑连通域内纹理规律程度值：
其中，表征LBP直方图的分布跨度程度，分别表示LBP直方图中横轴特征值的最大值和最小值；/>表示反比例归一化函数，/>表示正比例归一化函数，/>表示权重大小；
表征LBP直方图的分布均匀特征，其中，/>表示第/>个/>值在直方图中的频次数量；/>表示直方图中特征值频次的最大值； />越大，则表示分越不均匀。
5.根据权利要求2所述的一种电器端子生产缺陷检测方法，其特征在于，计算可疑连通域内纹理对比程度值，包括：
基于每一像素点的LBP特征值确定转换次数超过2次的像素点的数量；
基于转换次数超过2次的像素点的数量和可疑连通域中像素点的总数的比值确定可疑连通域内纹理对比程度值。
6.根据权利要求1所述的一种电器端子生产缺陷检测方法，其特征在于，基于可疑连通域内纹理规律程度值和纹理对比程度值确定第二可信因子，包括：
为纹理规律程度值设置第一权重，为纹理对比程度值设置第二权重；第一权重大于第二权重；
计算第一权重和纹理规律程度值的乘积，计算第二权重和纹理对比程度值的乘积，并将计算得到的两个乘积相加，得到第二可信因子。
7.根据权利要求1所述的一种电器端子生产缺陷检测方法，其特征在于，采集待检测的电器端子的表面图像，并确定采集的表面图像中是否包含可疑连通域，包括：
将采集的表面图像转化为灰度图像，并对灰度图像进行滤波，得到待检测图像；
对所述待检测图像进行边缘检测，确定是否包含可疑连通域。
CN202310993735.8A 2023-08-09 2023-08-09 一种电器端子生产缺陷检测方法 Active CN116758056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310993735.8A CN116758056B (zh) 2023-08-09 2023-08-09 一种电器端子生产缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310993735.8A CN116758056B (zh) 2023-08-09 2023-08-09 一种电器端子生产缺陷检测方法

Publications (2)

Publication Number Publication Date
CN116758056A CN116758056A (zh) 2023-09-15
CN116758056B true CN116758056B (zh) 2023-12-26

Family

ID=87951653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310993735.8A Active CN116758056B (zh) 2023-08-09 2023-08-09 一种电器端子生产缺陷检测方法

Country Status (1)

Country Link
CN (1) CN116758056B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372436B (zh) * 2023-12-08 2024-02-13 红叶风电设备(营口)有限公司 基于图像数据的风电叶片故障检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035122A (zh) * 2022-08-12 2022-09-09 宁波鑫芯微电子科技有限公司 基于人工智能的集成电路晶圆表面缺陷检测方法
CN115294140A (zh) * 2022-10-09 2022-11-04 南通永卓金属制品有限公司 一种五金零件缺陷检测方法及系统
CN115311270A (zh) * 2022-10-11 2022-11-08 南通至顺聚氨酯材料有限公司 一种塑料制品表面缺陷检测方法
CN115909256A (zh) * 2023-01-06 2023-04-04 济宁市百卉农林发展有限公司 基于道路视觉图像的道路病害检测方法
CN116402764A (zh) * 2023-03-16 2023-07-07 河海大学 基于图像处理的风电机组叶片多类型损伤检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3030042A1 (fr) * 2014-12-15 2016-06-17 Michelin & Cie Procede de detection de defaut sur une surface de pneumatique

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035122A (zh) * 2022-08-12 2022-09-09 宁波鑫芯微电子科技有限公司 基于人工智能的集成电路晶圆表面缺陷检测方法
CN115294140A (zh) * 2022-10-09 2022-11-04 南通永卓金属制品有限公司 一种五金零件缺陷检测方法及系统
CN115311270A (zh) * 2022-10-11 2022-11-08 南通至顺聚氨酯材料有限公司 一种塑料制品表面缺陷检测方法
CN115909256A (zh) * 2023-01-06 2023-04-04 济宁市百卉农林发展有限公司 基于道路视觉图像的道路病害检测方法
CN116402764A (zh) * 2023-03-16 2023-07-07 河海大学 基于图像处理的风电机组叶片多类型损伤检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces";Shuang Mei et al;《IEEE Transactions on Instrumentation and Measurement》;第67卷(第6期);第1266-1277页 *
"基于图像分块的局部阈值二值化方法";张洁玉;《计算机应用》;第37卷(第3期);第827-831页 *

Also Published As

Publication number Publication date
CN116758056A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN116168026B (zh) 基于计算机视觉的水质检测方法及系统
CN116758056B (zh) 一种电器端子生产缺陷检测方法
CN115272346A (zh) 一种基于边缘检测的pcb板生产过程在线检测方法
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN116721107B (zh) 一种电缆生产质量智能监控系统
CN115841493A (zh) 一种基于图像处理的电缆检测方法
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN115841434A (zh) 一种用于气体浓度分析的红外图像增强方法
CN117274722B (zh) 基于红外图像的配电箱智能检测方法
CN116012346B (zh) 一种输电线路监测方法及系统
CN116452589B (zh) 基于图像处理的人造板表面缺陷智能检测方法
CN112164086A (zh) 一种精细化的图像边缘信息确定方法、系统及电子设备
CN111709964B (zh) 一种pcba目标边缘检测方法
CN115601368A (zh) 一种建材装备钣金件缺陷检测方法
CN117011250A (zh) 缺陷检测方法、装置及存储介质
CN114998311A (zh) 一种基于同态滤波的零件精密度检测方法
CN114581654A (zh) 一种基于互感器状态监测方法及装置
CN114169245A (zh) 一种变压器故障诊断方法、装置及设备
CN113610041A (zh) 一种用于指针式仪表的读数识别方法及设备
CN116452613B (zh) 一种地质调查中裂缝轮廓提取方法
CN115083008A (zh) 运动目标检测方法、装置、设备及存储介质
CN117289087A (zh) 一种基于czt变换的串联故障电弧检测方法
CN116338391A (zh) 一种绝缘子状态检测方法、装置、电子设备以及介质
CN116778520A (zh) 一种海量证照数据质量检验方法

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
CB02 Change of applicant information

Address after: 523000 Room 101, No. 71, Xiaxing Road, Changping Town, Dongguan City, Guangdong Province

Applicant after: Guangdong Qianwei Precision Connector Co.,Ltd.

Address before: 523000 Room 101, No. 71, Xiaxing Road, Changping Town, Dongguan City, Guangdong Province

Applicant before: DONGGUAN QIANWEI HARDWARE Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant