CN116777871A - 一种基于x射线的缺陷检测方法、装置、设备及介质 - Google Patents
一种基于x射线的缺陷检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116777871A CN116777871A CN202310738320.6A CN202310738320A CN116777871A CN 116777871 A CN116777871 A CN 116777871A CN 202310738320 A CN202310738320 A CN 202310738320A CN 116777871 A CN116777871 A CN 116777871A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- affine
- defect detection
- affine transformation
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 174
- 230000007547 defect Effects 0.000 title claims abstract description 103
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 153
- 230000009466 transformation Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000003702 image correction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于X射线的缺陷检测方法、装置、设备和存储介质。方法包括：获取待检测图像和所述待检测图像对应的待检测模板图像；对所述待检测图像进行仿射变换，得到待检测仿射图像；将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果，通过对待检测图像进行仿射变换处理，得到待检测仿射图像，基于待检测仿射图像和模板图像进行缺陷检测，实现了自动化的缺陷检测，简化了缺陷检测的检测流程，提高了缺陷检测的准确性。
Description
技术领域
本发明涉及缺陷检测技术领域，尤其涉及一种基于X射线的缺陷检测方法、装置、设备及介质。
背景技术
目前主流的整机缺陷检测算法有Blob分析，通常使用传统算法检测，包括图像对比，模板匹配，纹理特征，颜色特征等。
在实现本发明的过程中，发现现有技术中至少存在以下技术问题：传统算法检测对于开发人员来说技术要求高，且误报和漏检率高，检测速度慢。由此可见，如何实现快速、准确的整机缺陷检测是一个亟待解决的技术问题。
发明内容
本发明提供了一种基于X射线的缺陷检测方法、装置、设备及介质，以解决传统算法检测中误报和漏检率高，检测速度慢的技术问题，实现快速、准确的整机缺陷检测。
根据本发明的一方面，提供了一种基于X射线的缺陷检测方法，包括：
获取待检测图像和所述待检测图像对应的待检测模板图像，其中，所述待检测图像通过X射线采集得到；
对所述待检测图像进行仿射变换，得到待检测仿射图像；
将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果。
可选的，在上述方案的基础上，所述对所述待检测图像进行仿射变换，得到待检测仿射图像，包括：
基于所述待检测图像中前景部分和背景部分的灰阶差异，确定所述待检测图像的仿射变换角点；
基于所述仿射变换角点对所述待检测图像进行仿射变换，得到所述待检测仿射图像。
可选的，在上述方案的基础上，所述将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果，包括：
将所述待检测仿射图像和所述待检测模板图像进行比对，得到比对图像；
对所述比对图像进行缺陷检测，得到所述缺陷检测结果。
可选的，在上述方案的基础上，所述将所述待检测仿射图像和所述待检测模板图像进行比对，得到比对图像，包括：
将所述待检测仿射图像和所述待检测模板图像的对应像素点进行像素值相减处理，得到相减处理图像；
基于所述相减处理图像得到所述比对图像。
可选的，在上述方案的基础上，还包括：
将所述待检测仿射图像输入至预先训练的异物检测模型中，获得所述异物检测模型输出的异物检测结果。
可选的，在上述方案的基础上，所述异物检测模型的训练，包括：
获取样本图像，对所述样本图像进行仿射变换，得到样本仿射图像；
对所述样本仿射图像进行异物标注，得到模型训练样本；
基于所述模型训练样本对预先构建的异物检测模型进行训练，得到训练后的异物检测模型。
可选的，在上述方案的基础上，所述异物检测模型基于Yolov5网络构建。
根据本发明的另一方面，提供了一种缺陷检测装置，包括：
缺陷检测图像获取模块，用于获取待检测图像和所述待检测图像对应的待检测模板图像，其中，所述待检测图像通过X射线采集得到；
待检测图像仿射变换模块，用于对所述待检测图像进行仿射变换，得到待检测仿射图像；
缺陷检测图像比对模块，用于将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果。
根据本发明的另一方面，提供了一种电子设备，电子设备包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的基于X射线的缺陷检测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的基于X射线的缺陷检测方法。
本发明实施例的技术方案，通过获取待检测图像和所述待检测图像对应的待检测模板图像；对所述待检测图像进行仿射变换，得到待检测仿射图像；将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果，通过对待检测图像进行仿射变换处理，得到待检测仿射图像，基于待检测仿射图像和模板图像进行缺陷检测，实现了自动化的缺陷检测，简化了缺陷检测的检测流程，提高了缺陷检测的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例一提供的一种基于X射线的缺陷检测方法的流程示意图；
图2a是本发明实施例二提供的一种基于X射线的缺陷检测方法的流程示意图
图2b是本发明实施例提供的一种仿射变换角点的示意图；
图2c是本发明实施例提供的一种对比图的示意图；
图2d是本发明实施例提供的一种检测结果示意图；
图3是本发明实施例三提供的一种基于X射线的缺陷检测装置的结构示意图；
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种基于X射线的缺陷检测方法的流程示意图，本实施例可适用于对设备进行缺陷检测时的情况，该方法可以由缺陷检测装置来执行，该缺陷检测装置可以采用硬件和/或软件的形式实现，该缺陷检测装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取待检测图像和所述待检测图像对应的待检测模板图像。
在本实施例中，待检测图像可以理解为待检测整机的图像。待检测图像可以从其他设备导入，也可以由当前设备拍摄，具体获取方法不做限定。
其中，所述待检测图像通过X射线采集得到。可选的，待检测图像和待检测图像对应的待检测模板图像都可以通过X射线采集得到，以待检测图像的采集为例，可以通过X射线穿过待检测整机，基于X射线的穿透率得到待检测整机的待检测图像。可选的，待检测图像可以为待检测整机放置在固定背景下的拍摄图像，也可以为对拍摄图像进行机器部分提取后得到的整机图像。
待检测图像对应的待检测模板图像可以理解为待检测图像所属整机的标准图像，可以预先基于机器设备的设备型号/设备类型等对不同型号/不同类型的标准机器设备进行拍照，将不同设备型号/设备类型对应的标准图像进行存储，在对待检测整机进行检测时，基于待检测整机的设备型号/设备类型获取预先存储的标准图像作为待检测整机对应的待检测模板图像，将待检测整机对应的待检测模板图像作为待检测整机的图像(待检测图像)对应的待检测模板图像。同样的，待检测模板图像可以为标准整机放置在固定背景下的拍摄图像，可以为对拍摄图像进行机器部分提取后得到的整机图像。
S120、对所述待检测图像进行仿射变换，得到待检测仿射图像。
为了能够实现不同角度的缺陷检测，本发明实施例中，对待检测图像进行仿射变换，得到待检测仿射图像，基于待检测仿射图像进行缺陷检测，以实现不同维度的缺陷检测，提高缺陷检测的准确性。
也就是说，本发明实施例中的图像矫正是基于仿射变换完成的，仿射变换，又称仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。可选的，对待检测图像进行仿射变换，可以为确定待检测图像中的仿射变换角点，基于仿射变换角点确定矫正区域，以基于仿射变换角点进行仿射变换，具体的仿射变换方式可以参照现有的仿射变换方式，在此不做限制。其中，仿射变换角点可以基于待检测图像中像素点的像素值确定。
在本发明的一种实施方式中，所述对所述待检测图像进行仿射变换，得到待检测仿射图像，包括：
基于所述待检测图像中前景部分和背景部分的灰阶差异，确定所述待检测图像的仿射变换角点；
基于所述仿射变换角点对所述待检测图像进行仿射变换，得到所述待检测仿射图像。
其中，待检测图像中的前景部分为待检测图像中的整机部分，待检测图像中的背景部分为待检测图像中的整机背景部分，也就是说，确定整机部分和整机背景部分的灰阶差异，将灰阶差异与预先设定阈值比对，当灰阶差异大于设定阈值时，判定灰阶差异明显，从而确定仿射变换角点。其中，设定阈值可以由开发人员预先基于待检测图像所属整机确定，在此不做限制。
以待检测对象为笔记本为例，可以根据笔记本边缘与背景的灰阶差异选取，选取灰阶差异明显区域作为矫正区域，从而获得模板图仿射变换的四个仿射变换角点，例如左上角矫正点(仿射变换角点)获取，是根据左上角水平方向和垂直方向的两个框，通过框内笔记本与背景的灰阶差异找到边界，竖直方向与水平向两个边界的焦点确定左上角矫正点，其他矫正点同理可得。
S130、将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果。
通过仿射变换实现对待检测图像的图像矫正后，将所述待检测仿射图像与所述待检测模板图像进行比对，以进行图像比对，基于图像比对结果确定待检测图像的缺陷检测结果，从而确定待检测图像所属待检测整机的缺陷检测结果。
在本发明的一种实施方式中，所述将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果，包括：
将所述待检测仿射图像和所述待检测模板图像进行比对，得到比对图像；
对所述比对图像进行缺陷检测，得到所述缺陷检测结果。
可以通过图像对比算法，确定待检测仿射图像和待检测模板图像的比对图像，使得缺陷更加清晰，再对比对图像进行缺陷检测，使得基于比对图像的缺陷检测结果更加准确完整。以待检测对象为笔记本为例，缺陷检测可以为螺丝缺失，缺陷检测结果可以为笔记本图像(待检测图像)中的螺丝缺失区域。
可选的，所述将所述待检测仿射图像和所述待检测模板图像进行比对，得到比对图像，包括：
将所述待检测仿射图像和所述待检测模板图像的对应像素点进行像素值相减处理，得到相减处理图像；
基于所述相减处理图像得到所述比对图像。
一个实现方式中，将待检测仿射图像和待检测模板图像做减法，得到相减处理图像，然后对相减处理图像进行处理，得到比对图像。
在上述方案的基础上，还包括：
将所述待检测仿射图像输入至预先训练的异物检测模型中，获得所述异物检测模型输出的异物检测结果。
对整机的检测除上述缺陷检测外，还可以包括异物检测，用于检测待检测图像中的异物。可选的，异物检测可以通过深度学习实现，通过深度学习使得异物检测结果更加准确。具体的，基于待检测仿射图像进行异物检测，将待检测仿射图像作为异物检测模型的输入，得到异物检测模型输出的异物检测结果。通过异物检测模型对待检测图像进行异物检测，实现了传统算法和深度学习融合的缺陷检测，通过利用深度学习解决传统算法的难点，减少了缺陷检测的漏检和误报，提高了检测精度。
在上述方案的基础上，所述异物检测模型的训练，包括：
获取样本图像，对所述样本图像进行仿射变换，得到样本仿射图像；
对所述样本仿射图像进行异物标注，得到模型训练样本；
基于所述模型训练样本对预先构建的异物检测模型进行训练，得到训练后的异物检测模型。
可选的，可以对样本图像进行处理，得到样本仿射图像，由工作人员对样本仿射图像进行异物标注，生成模型训练样本，然后基于模型训练样本对预先构建的异物检测模型进行训练，得到训练后的异物检测模型。其中，异物检测模型的训练过程可以参照现有的模型训练过程，在此不再赘述。
样本图像的仿射变换可以参照本发明实施例中待检测图像的仿射变换，如确定样本图像的矫正区域，以确定仿射变换角点，基于仿射变换角点对样本图像进行仿射变换，得到样本仿射图像。其中，样本图像的仿射变换角点的确定方式可以参照上述实施例中待检测图像的仿射变换角点的确定方式，在此不再赘述。
可选的，所述异物检测模型基于Yolov5网络构建。Yolov5是一种强大而又高效的目标检测算法，基于“体缩检测”的概念，其主要任务是将单个图像的所有物体类别归纳为更小的类别，并在框架内对其中的每个物体进行检测和定位。基于Yolov5网络构建异物检测模型，能够使得异物检测模型的分类更加准确。
本实施例的技术方案，通过获取待检测图像和所述待检测图像对应的待检测模板图像；对所述待检测图像进行仿射变换，得到待检测仿射图像；将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果，通过对待检测图像进行仿射变换处理，得到待检测仿射图像，基于待检测仿射图像和模板图像进行缺陷检测，实现了自动化的缺陷检测，简化了缺陷检测的检测流程，提高了缺陷检测的准确性。
实施例二
图2a是本发明实施例二提供的一种基于X射线的缺陷检测方法的流程示意图，本实施例在上述实施例的基础上，提供了一种优选实施例。本发明实施例统算法和深度学习融合，用深度学习解决传统算法的难点，减少漏检和误报，提高了检测精度，可以结合使用英伟达显卡强大的计算能力进行算法计算，提高了检测速度。
本发明实施例提供的缺陷检测方法是基于目标检测的Yolov5，迁移至X-ray整机检测项目中。该算法包括了传统算法进行图像矫正，多模板匹配，图像对比算法，深度学习检测。通过计算笔记本四个角点，对测试图像进行仿射变换。获得仿射变换的图像后，将仿射变换图像与模板图像进行对比，获得对比图，基于对比图像做零件缺失等缺陷检测，基于仿射变换图像做异物检测，
其中，图像矫正是基于仿射变换完成的。多模板匹配，是基于NCC模板进行匹配的。其使用归一化互相关，用于评估模型和搜索图像之间的对应关系。它明显快于经典的基于灰度值的匹配，并且可以补偿加法作为以及照明的乘法变化。
如图2a所示，该方法包括：
S210、获取一张或者多张模板图像。
如果有多张模板图，用多模板匹配方法确定当前测试图需要选定的模板图。
S220、对测试图进行仿射变换。
具体的，可以通过软件画矫正区域，矫正区域选取主要是根据笔记本边缘与背景的灰阶差异选取，选取灰阶差异明显区域，获得模板图仿射变换的四个角点(如图1)，例如左上角矫正点获取，是根据左上角水平方向和垂直方向的两个框，通过框内笔记本与背景的灰阶差异找到边界，竖直方向与水平向两个边界的焦点确定左上角矫正点，其他矫正点同理可得。
在测试图上找到四个角点，然后对图像进行仿射变换。图2b是本发明实施例提供的一种仿射变换角点的示意图，如图2b所示，图中矩形框示意性的示出了仿射变换角点的位置。
S230、图像对比。
具体的，将仿射变换的图像与模板图做对比，两图相减并对相减图处理得到对比图。
图2c是本发明实施例提供的一种对比图的示意图，如图2c所示，其示意性的示出了仿射变换的图像和模板图的对比图的展示效果。
S240、在仿射变换图像上进行异物检测。
通过异物检测模型对仿射变换图像进行异物检测，模型的训练包括：将样本图像的仿射变换的图像进行预处理，在处理后的图像上进行异物标注训练后，在C++下部署模型，导出成动态链接库。在对仿射变换图像进行异物检测时，将仿射变换图像输入至动态链接库中，得到异物检测结果。图2d是本发明实施例提供的一种检测结果示意图。图2d中矩形部分为异物检测结果，即检测到的异物螺丝。
S250、在对比图上进行缺陷检测。
在对比图上画ROI区域进行缺陷检测，如图2c中的外框区域，进行螺丝是否缺失检测，检测效果如图2d中的椭圆部分，椭圆部分区域为检测到螺丝缺失的区域。
本实施例的技术方案，将传统算法和深度学习的融合，将深度学习引入工业缺陷检测中，能够大大的提高检测精度和检测速度，最终算法落地只需要一个动态链接库，缺陷检测的算法优化与更新也只需要更新动态链接库，简单便捷。
实施例三
图3是本发明实施例三提供的一种缺陷检测装置的结构示意图。如图3所示，该装置包括：
缺陷检测图像获取模块310，用于获取待检测图像和所述待检测图像对应的待检测模板图像，其中，所述待检测图像通过X射线采集得到；
待检测图像仿射变换模块320，用于对所述待检测图像进行仿射变换，得到待检测仿射图像；
缺陷检测图像比对模块330，用于将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果。
本实施例的技术方案，通过缺陷检测图像获取模块310获取待检测图像和所述待检测图像对应的待检测模板图像；待检测图像仿射变换模块320对所述待检测图像进行仿射变换，得到待检测仿射图像；缺陷检测图像比对模块330将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果，通过对待检测图像进行仿射变换处理，得到待检测仿射图像，基于待检测仿射图像和模板图像进行缺陷检测，实现了自动化的缺陷检测，简化了缺陷检测的检测流程，提高了缺陷检测的准确性。
可选的，在上述方案的基础上，待检测图像仿射变换模块320具体用于：
基于所述待检测图像中前景部分和背景部分的灰阶差异，确定所述待检测图像的仿射变换角点；
基于所述仿射变换角点对所述待检测图像进行仿射变换，得到所述待检测仿射图像。
可选的，在上述方案的基础上，缺陷检测图像比对模块330具体用于：
将所述待检测仿射图像和所述待检测模板图像进行比对，得到比对图像；
对所述比对图像进行缺陷检测，得到所述缺陷检测结果。
可选的，在上述方案的基础上，缺陷检测图像比对模块330具体用于：
将所述待检测仿射图像和所述待检测模板图像的对应像素点进行像素值相减处理，得到相减处理图像；
基于所述相减处理图像得到所述比对图像。
可选的，在上述方案的基础上，装置还包括异物检测模块，用于：
将所述待检测仿射图像输入至预先训练的异物检测模型中，获得所述异物检测模型输出的异物检测结果。。
可选的，在上述方案的基础上，装置还包括异物检测模型训练模块，用于：
获取样本图像和所述样本图像对应的样本模板图像；
对所述样本图像进行仿射变换，得到样本仿射图像；
对所述样本仿射图像进行异物标注，得到模型训练样本；
基于所述模型训练样本对预先构建的异物检测模型进行训练，得到训练后的异物检测模型。
可选的，在上述方案的基础上，所述异物检测模型基于Yolov5网络构建。
本发明实施例所提供的缺陷检测装置可执行本发明任意实施例所提供的基于X射线的缺陷检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于X射线的缺陷检测方法。
在一些实施例中，基于X射线的缺陷检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于X射线的缺陷检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于X射线的缺陷检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的基于X射线的缺陷检测方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种基于X射线的缺陷检测方法，该方法包括：
获取待检测图像和所述待检测图像对应的待检测模板图像；
对所述待检测图像进行仿射变换，得到待检测仿射图像；
将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于X射线的缺陷检测方法，其特征在于，包括：
获取待检测图像和所述待检测图像对应的待检测模板图像，其中，所述待检测图像通过X射线采集得到；
对所述待检测图像进行仿射变换，得到待检测仿射图像；
将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行仿射变换，得到待检测仿射图像，包括：
基于所述待检测图像中前景部分和背景部分的灰阶差异，确定所述待检测图像的仿射变换角点；
基于所述仿射变换角点对所述待检测图像进行仿射变换，得到所述待检测仿射图像。
3.根据权利要求1所述的方法，其特征在于，所述将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果，包括：
将所述待检测仿射图像和所述待检测模板图像进行比对，得到比对图像；
对所述比对图像进行缺陷检测，得到所述缺陷检测结果。
4.根据权利要求3所述的方法，其特征在于，所述将所述待检测仿射图像和所述待检测模板图像进行比对，得到比对图像，包括：
将所述待检测仿射图像和所述待检测模板图像的对应像素点进行像素值相减处理，得到相减处理图像；
基于所述相减处理图像得到所述比对图像。
5.根据权利要求1所述的方法，其特征在于，还包括：
将所述待检测仿射图像输入至预先训练的异物检测模型中，获得所述异物检测模型输出的异物检测结果。
6.根据权利要求5所述的方法，其特征在于，所述异物检测模型的训练，包括：
获取样本图像，对所述样本图像进行仿射变换，得到样本仿射图像；
对所述样本仿射图像进行异物标注，得到模型训练样本；
基于所述模型训练样本对预先构建的异物检测模型进行训练，得到训练后的异物检测模型。
7.根据权利要求5所述的方法，其特征在于，所述异物检测模型基于Yolov5网络构建。
8.一种基于X射线的缺陷检测装置，其特征在于，包括：
缺陷检测图像获取模块，用于获取待检测图像和所述待检测图像对应的待检测模板图像，其中，所述待检测图像通过X射线采集得到；
待检测图像仿射变换模块，用于对所述待检测图像进行仿射变换，得到待检测仿射图像；
缺陷检测图像比对模块，用于将所述待检测仿射图像与所述待检测模板图像进行比对，基于比对结果确定所述待检测图像的缺陷检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于X射线的缺陷检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于X射线的缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738320.6A CN116777871A (zh) | 2023-06-20 | 2023-06-20 | 一种基于x射线的缺陷检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738320.6A CN116777871A (zh) | 2023-06-20 | 2023-06-20 | 一种基于x射线的缺陷检测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777871A true CN116777871A (zh) | 2023-09-19 |
Family
ID=88011012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310738320.6A Pending CN116777871A (zh) | 2023-06-20 | 2023-06-20 | 一种基于x射线的缺陷检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777871A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596905A (zh) * | 2018-05-10 | 2018-09-28 | 广东拓斯达科技股份有限公司 | 物体检测方法、系统、计算机设备和存储介质 |
| CN112700444A (zh) * | 2021-02-19 | 2021-04-23 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 |
| CN113409245A (zh) * | 2021-04-06 | 2021-09-17 | 中国电子技术标准化研究院 | 一种电子元器件x射线检查缺陷自动识别方法 |
| CN114155197A (zh) * | 2021-11-08 | 2022-03-08 | 中国空间技术研究院 | 一种元器件缺陷检测的方法及装置 |
| CN114387223A (zh) * | 2021-12-22 | 2022-04-22 | 广东正业科技股份有限公司 | 一种芯片缺陷视觉检测方法及设备 |
| CN115345860A (zh) * | 2022-08-19 | 2022-11-15 | 多派工业技术(上海)有限公司 | 基于x射线的人工智能异物检测方法 |
| CN115731400A (zh) * | 2022-11-29 | 2023-03-03 | 河南大学 | 基于自监督学习的x光图像异物检测方法 |
| CN115861229A (zh) * | 2022-11-30 | 2023-03-28 | 中国空间技术研究院 | 一种基于YOLOv5s元器件封装缺陷X射线检测方法 |
| CN115937003A (zh) * | 2022-11-02 | 2023-04-07 | 深圳市新良田科技股份有限公司 | 图像处理方法、装置、终端设备和可读存储介质 |
-
2023
- 2023-06-20 CN CN202310738320.6A patent/CN116777871A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596905A (zh) * | 2018-05-10 | 2018-09-28 | 广东拓斯达科技股份有限公司 | 物体检测方法、系统、计算机设备和存储介质 |
| CN112700444A (zh) * | 2021-02-19 | 2021-04-23 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 |
| CN113409245A (zh) * | 2021-04-06 | 2021-09-17 | 中国电子技术标准化研究院 | 一种电子元器件x射线检查缺陷自动识别方法 |
| CN114155197A (zh) * | 2021-11-08 | 2022-03-08 | 中国空间技术研究院 | 一种元器件缺陷检测的方法及装置 |
| CN114387223A (zh) * | 2021-12-22 | 2022-04-22 | 广东正业科技股份有限公司 | 一种芯片缺陷视觉检测方法及设备 |
| CN115345860A (zh) * | 2022-08-19 | 2022-11-15 | 多派工业技术(上海)有限公司 | 基于x射线的人工智能异物检测方法 |
| CN115937003A (zh) * | 2022-11-02 | 2023-04-07 | 深圳市新良田科技股份有限公司 | 图像处理方法、装置、终端设备和可读存储介质 |
| CN115731400A (zh) * | 2022-11-29 | 2023-03-03 | 河南大学 | 基于自监督学习的x光图像异物检测方法 |
| CN115861229A (zh) * | 2022-11-30 | 2023-03-28 | 中国空间技术研究院 | 一种基于YOLOv5s元器件封装缺陷X射线检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
| CN108830780B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| CN110660102B (zh) | 基于人工智能的说话人识别方法及装置、系统 | |
| CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| CN108229494B (zh) | 网络训练方法、处理方法、装置、存储介质和电子设备 | |
| CN115294332B (zh) | 一种图像处理方法、装置、设备和存储介质 | |
| CN115330940B (zh) | 一种三维重建方法、装置、设备和介质 | |
| CN116168351B (zh) | 电力设备巡检方法及装置 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN116152208A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN116703925B (zh) | 一种轴承缺陷检测方法、装置、电子设备及存储介质 | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN117274361A (zh) | 一种物料表面积测量方法、装置、电子设备以及介质 | |
| CN116777871A (zh) | 一种基于x射线的缺陷检测方法、装置、设备及介质 | |
| CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
| CN113936158A (zh) | 一种标签匹配方法及装置 | |
| CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
| CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
| CN117333487B (zh) | 一种痘痘分级方法、装置、设备及存储介质 | |
| CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
| CN118609189A (zh) | 基于计算机视觉的人脸角度确定方法、装置、设备及介质 | |
| CN116682124A (zh) | 一种数据录入方法、装置、设备及存储介质 | |
| CN117275006A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN117974611A (zh) | 肋骨抑制模型的生成方法、装置、电子设备及存储介质 |
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 |