CN116823924A - 缺陷区域面积的确定方法、装置、电子设备以及存储介质 - Google Patents
缺陷区域面积的确定方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN116823924A CN116823924A CN202311069751.4A CN202311069751A CN116823924A CN 116823924 A CN116823924 A CN 116823924A CN 202311069751 A CN202311069751 A CN 202311069751A CN 116823924 A CN116823924 A CN 116823924A
- Authority
- CN
- China
- Prior art keywords
- area
- gray
- value
- defect
- determining
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002950 deficient Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 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
- 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
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method 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
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种缺陷区域面积的确定方法、装置、电子设备以及存储介质。该方法包括:根据预先设置的灰度阈值,确定待检测图像中的缺陷区域,并确定所述缺陷区域的初始面积和轮廓周长;根据所述灰度阈值,确定灰度值梯度系数;根据所述初始面积、所述灰度值梯度系数以及所述轮廓周长,确定所述缺陷区域的目标面积。使用本发明的技术方案,能够提高缺陷区域面积的测量精度。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种缺陷区域面积的确定方法、装置、电子设备以及存储介质。
背景技术
基于机器视觉的图像处理在缺陷检测中得到了越来越广泛的应用,在图像处理缺陷检测中,二值化方法又是一种常用的缺陷区域确定和缺陷面积计算方法。二值化方法是指预先确定一个阈值,根据该阈值将灰度图像转换为黑白二值图像,从而便于进行后续的处理。
但是,对于油渍等与背景区域区分度不大的缺陷,为减少噪声干扰带来的误检情况,其设置的阈值主要是满足保证最主要缺陷像素检出的要求,导致根据该阈值检测得到的缺陷区域尺寸往往偏小。图1提供了一种暗缺陷像素分布情况示意图,如图1所示,为保证检出暗缺陷而不检出噪声,设置阈值为100,这样会导致灰度值为101、103等与阈值很接近的像素无法被确定到缺陷区域内,从而导致缺陷区域面积偏小。
发明内容
本发明提供了一种缺陷区域面积的确定方法、装置、电子设备以及存储介质,以实现提高缺陷区域面积的测量精度。
第一方面,本发明实施例提供了一种缺陷区域面积的确定方法,该方法包括:
根据预先设置的灰度阈值,确定待检测图像中的缺陷区域,并确定所述缺陷区域的初始面积和轮廓周长;
根据所述灰度阈值,确定灰度值梯度系数;
根据所述初始面积、所述灰度值梯度系数以及所述轮廓周长,确定所述缺陷区域的目标面积。
第二方面,本发明实施例还提供了一种缺陷区域面积的确定装置,该装置包括:
缺陷区域确定模块,用于根据预先设置的灰度阈值,确定待检测图像中的缺陷区域,并确定所述缺陷区域的初始面积和轮廓周长;
灰度值梯度系数确定模块,用于根据所述灰度阈值,确定灰度值梯度系数;
目标面积确定模块,用于根据所述初始面积、所述灰度值梯度系数以及所述轮廓周长,确定所述缺陷区域的目标面积。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的缺陷区域面积的确定方法。
第四方面,本发明实施例还提供了一种存储计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的缺陷区域面积的确定方法。
本发明实施例的技术方案,通过灰度阈值分割待检测图像的缺陷区域,并根据灰度阈值确定灰度值梯度系数,综合缺陷区域的初始面积和缺陷区域轮廓周长,共同计算缺陷区域的目标面积。解决了现有技术中二值化方法中为保证最主要缺陷像素检出、减少误检而造成的缺陷区域面积偏小的问题,提高了缺陷区域面积的测量精度。
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是本发明背景技术提供的一种暗缺陷像素分布情况示意图;
图2是本发明实施例一提供的一种缺陷区域面积的确定方法的流程图;
图3是本发明实施例一提供的一种亮缺陷像素分布情况示意图;
图4是本发明实施例二提供的一种缺陷区域面积的确定方法的流程图;
图5是本发明实施例二提供的一种亮缺陷区域的示意图;
图6是本发明实施例三提供的一种缺陷区域面积的确定装置的结构示意图;
图7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2为本发明实施例一提供了一种缺陷区域面积的确定方法的流程图,本实施例可适用于通过基于机器视觉的图像处理方法进行缺陷检测时,计算缺陷区域面积的情况,该方法可以由缺陷区域面积的确定装置来执行,该缺陷区域面积的确定装置可以采用硬件和/或软件的形式实现,该缺陷区域面积的确定装置可配置于电子设备中。
如图2所示,该方法包括:
S110、根据预先设置的灰度阈值,确定待检测图像中的缺陷区域,并确定所述缺陷区域的初始面积和轮廓周长。
其中,灰度阈值用于进行缺陷区域分割,以图1中的暗缺陷(也即灰度值比背景区域明显更低的缺陷)为例,灰度阈值取值为100。图3提供了一种亮缺陷(也即灰度值比背景区域明显更高的缺陷)像素分布情况示意图,如图3所示,由于拍摄装置的精度以及光源进行补光的情况,无法使亮缺陷的像素灰度值与背景区域有很好的跨度区分,可以取亮缺陷的灰度阈值为150。
缺陷区域的初始面积可以通过根据灰度阈值划分得到的缺陷区域内的像素数量进行确定。缺陷区域的轮廓周长可以通过缺陷区域的最外围像素数量进行确定。
在本实施例中,根据灰度阈值对待检测图像进行二值化分割得到的缺陷区域的初始面积,不将其作为缺陷区域的最终面积,而是通过结合初始面积和轮廓周长,共同确定最终面积,这样设置充分考虑了缺陷区域的像素灰度值与背景区域的像素灰度值跨度区分不大的问题,能够弥补根据灰度阈值对待检测图像进行二值化分割这种缺陷区域确定方式造成的缺陷区域面积偏小的问题,提高了缺陷区域面积的测量精度。
进一步的,S110又可以包括:根据待检测图像中各像素点的灰度值和预先设置的灰度阈值,对所述待检测图像进行缺陷区域分割,得到缺陷区域。
具体的,可以通过以下公式,确定缺陷区域:
;其中,g(x,y)表示缺陷区域,f(x,y)表示待检测图像中像素(x,y)的灰度值,T表示灰度阈值,0表示黑,1表示白。
其中,当T为亮缺陷对应的灰度阈值时,缺陷区域为灰度值置1的像素组成的连通域,当T为暗缺陷对应的灰度阈值时,缺陷区域为灰度值置0的像素组成的连通域。
具体的,还可以通过以下公式,确定缺陷区域:
;其中,/>表示亮缺陷区域,f(x,y)表示待检测图像中像素(x,y)的灰度值,/>表示亮缺陷区域的灰度阈值,1表示亮缺陷区域的像素,0表示背景区域的像素。
;其中,/>表示暗缺陷区域,f(x,y)表示待检测图像中像素(x,y)的灰度值,/>表示暗缺陷区域的灰度阈值,1表示暗缺陷区域的像素,0表示背景区域的像素。
S120、根据所述灰度阈值,确定灰度值梯度系数。
其中,灰度值梯度系数用于描述缺陷区域的像素灰度值与背景区域的像素灰度值之间的梯度。
在一个具体的示例中,可以分别确定缺陷区域中与灰度阈值差值的绝对值最小的像素点的灰度值,以及背景区域中与灰度阈值差值的绝对值最小的像素点的灰度值,根据上述两个灰度值计算灰度值梯度系数。
在另一个具体的示例中,也可以确定背景区域中与灰度阈值差值的绝对值最小的像素点的灰度值,根据该灰度值以及灰度阈值计算灰度值梯度系数。
在又一个具体的示例中,还可以计算缺陷区域的像素点数量,以及背景区域中灰度值与灰度阈值差值的绝对值小于或者等于预设差值阈值的像素点数量,根据上述两个数量计算灰度值梯度系数。
在又一个具体的事例中,还可以计算背景区域中与缺陷区域轮廓相邻的各像素点中,灰度值与灰度阈值差值的绝对值小于或者等于预设差值阈值的像素点数量,根据上述像素点数量以及缺陷区域轮廓对应的像素点数量,计算灰度值梯度系数。
本实施例对灰度值梯度系数的计算方式不进行限制。
S130、根据所述初始面积、所述灰度值梯度系数以及所述轮廓周长,确定所述缺陷区域的目标面积。
在本实施例中,目标面积作为缺陷区域的最终面积,根据缺陷区域与背景区域的像素灰度值梯度分布情况,结合缺陷区域的初始面积和轮廓周长,提高了缺陷区域面积的测量精度,为后续的缺陷分级、缺陷分类等提供了更为准确、有效的数据支撑。
进一步的,S130又可以包括:将所述初始面积与所述灰度值梯度系数和所述轮廓周长的乘积之和,作为所述缺陷区域的目标面积。
具体的,可以通过以下公式,计算缺陷区域的目标面积:
;其中,S表示缺陷区域的目标面积,/>表示缺陷区域的初始面积,α表示灰度值梯度系数,L表示缺陷区域轮廓周长。
本发明实施例的技术方案,通过灰度阈值分割待检测图像的缺陷区域,并根据灰度阈值确定灰度值梯度系数,综合缺陷区域的初始面积和缺陷区域轮廓周长,共同计算缺陷区域的目标面积。解决了现有技术中二值化方法中为保证最主要缺陷像素检出、减少误检而造成的缺陷区域面积偏小的问题,提高了缺陷区域面积的测量精度。
实施例二
图4为本发明实施例二提供的一种缺陷区域面积的确定方法的流程图,本发明实施例在上述实施例的基础上,对确定缺陷区域的过程、确定灰度值梯度系数的过程以及计算缺陷区域目标面积的过程进行了进一步的具体化,并加入了对缺陷区域是否满足灰度值梯度条件的判断过程。
如图4所示,该方法包括:
S210、根据待检测图像中各像素点的灰度值和预先设置的灰度阈值,对所述待检测图像进行缺陷区域分割,得到缺陷区域。
确定缺陷区域的过程已在上述实施例中进行了说明,本实施例在此不再赘述。
S220、若确定所述缺陷区域满足灰度值梯度条件,则确定所述缺陷区域的初始面积和轮廓周长。
其中,对缺陷区域进行是否满足灰度值梯度条件的判断,目的在于判断缺陷区域是否存在与背景区域像素灰度值区分不大的情况,从而判断是否需要根据本实施例的技术方案,进一步精确缺陷区域的最终面积。若不满足灰度值梯度条件,也即若缺陷区域的像素灰度值与背景区域像素灰度值之间的跨度较大,则直接将缺陷区域的初始面积作为最终面积即可。
进一步的,若确定所述缺陷区域的轮廓的灰度值平均值与所述缺陷区域的背景区域的灰度值平均值的差值,小于或者等于预设差值阈值,则确定所述缺陷区域满足灰度值梯度条件。
本实施例通过比对缺陷区域的轮廓的灰度值平均值和背景区域的灰度值平均值,判断是否缺陷区域满足灰度值梯度条件,若缺陷区域的轮廓的灰度值平均值与背景区域的灰度值平均值较为接近,则满足灰度值梯度条件。
可选的,还可以通过比对缺陷区域的轮廓的灰度值平均值,和背景区域中与缺陷区域轮廓相邻的各像素点的灰度值平均值,判断是否缺陷区域满足灰度值梯度条件。同样的,若两个灰度值平均值较为接近,则满足灰度值梯度条件。
可选的,还可以通过比对缺陷区域的各像素点的灰度值平均值,和背景区域的各像素点的灰度值平均值,判断是否缺陷区域满足灰度值梯度条件。同样的,若两个灰度值平均值较为接近,则满足灰度值梯度条件。
本实施例对灰度值梯度条件的具体内容不进行限制。
S230、确定所述待检测图像的背景区域中,与所述灰度阈值的差值最小的像素的灰度值。
以图1为例,相对应的,图5提供了一种亮缺陷区域的示意图,根据图5可知,背景区域中与灰度阈值的差值绝对值最小的像素灰度值为149。
S240、根据待检测图像的背景区域的灰度值平均值,和所述背景区域中与所述灰度阈值的差值最小的像素的灰度值,确定灰度值梯度系数。
在本实施例中,根据缺陷区域是亮缺陷或者暗缺陷的不同,计算灰度值梯度系数的具体方式也不同。
进一步的,若所述灰度阈值为第一缺陷灰度阈值,则所述缺陷区域为第一缺陷区域;S240又可以包括:将待检测图像的背景区域中与所述灰度阈值的差值最小的像素的灰度值,与背景区域的灰度值平均值的比值,作为灰度值梯度系数。
其中,第一缺陷灰度阈值为亮缺陷灰度阈值,缺陷区域为亮缺陷区域。
具体的,通过以下公式计算亮缺陷区域对应的灰度值梯度系数:;其中,/>表示亮缺陷区域对应的灰度值梯度系数,/>表示背景区域中与亮缺陷灰度阈值的差值最小的像素的灰度值,AVE表示背景区域的灰度值平均值。
进一步的,若所述灰度阈值为第二缺陷灰度阈值,则所述缺陷区域为第二缺陷区域,其中,所述第一缺陷灰度阈值大于所述第二缺陷灰度阈值。S240又可以包括:将背景区域的灰度值平均值,与待检测图像的背景区域中与所述灰度阈值的差值最小的像素的灰度值的比值,作为灰度值梯度系数。
其中,第二缺陷灰度阈值为暗缺陷灰度阈值,缺陷区域为暗缺陷区域。
具体的,通过以下公式计算暗缺陷区域对应的灰度值梯度系数:;其中,/>表示暗缺陷区域对应的灰度值梯度系数,/>表示背景区域中与暗缺陷灰度阈值的差值最小的像素的灰度值,AVE表示背景区域的灰度值平均值。
需要进行说明的是,本实施例以对每一个待检测图像,均需要重新计算缺陷区域初始面积、轮廓周长和灰度值梯度系数为例,进行缺陷区域最终面积的计算方式的说明。在另一个可选的实施例中,由于拍摄装置精度在一定时间段内是固定的,环境亮度以及打光系统的打光情况在一定时间段内也是变化不大的,因此,在同一时间段内拍摄得到的待检测图像中,缺陷区域的像素灰度值与背景区域的像素灰度值之间的灰度梯度情况是相似的,因此,还可以预先计算灰度值梯度系数,在环境亮度或者打光情况发生变化之前,均采用此灰度值梯度系数进行目标面积的计算,直至环境亮度或者打光情况发生变化,重新计算灰度值梯度系数,这样设置可以减少计算成本。
S250、将所述初始面积与所述灰度值梯度系数和所述轮廓周长的乘积之和,作为所述缺陷区域的目标面积。
根据初始面积、轮廓周长和灰度值梯度系数计算目标面积的具体方式已在上述实施例中进行了说明,本实施例在此不再赘述。
本实施例的技术方案,充分考虑了缺陷区域与背景区域像素灰度值区分不大时,缺陷区域像素灰度值与背景区域像素灰度值的梯度,同时,还考虑到亮缺陷和暗缺陷的不同情况,结合初始面积和轮廓周长,综合计算缺陷区域的最终面积,进一步提高了缺陷区域面积的测量精度和可靠性,准确的缺陷区域面积测量结果为后续缺陷检测的各项应用提供了可靠的数据支撑。
实施例三
图6为本发明实施例三提供的一种缺陷区域面积的确定装置的结构示意图。如图6所示,该装置包括:缺陷区域确定模块310、灰度值梯度系数确定模块320以及目标面积确定模块330。其中:
缺陷区域确定模块310,用于根据预先设置的灰度阈值,确定待检测图像中的缺陷区域,并确定所述缺陷区域的初始面积和轮廓周长;
灰度值梯度系数确定模块320,用于根据所述灰度阈值,确定灰度值梯度系数;
目标面积确定模块330,用于根据所述初始面积、所述灰度值梯度系数以及所述轮廓周长,确定所述缺陷区域的目标面积。
本发明实施例的技术方案,通过灰度阈值分割待检测图像的缺陷区域,并根据灰度阈值确定灰度值梯度系数,综合缺陷区域的初始面积和缺陷区域轮廓周长,共同计算缺陷区域的目标面积。解决了现有技术中二值化方法中为保证最主要缺陷像素检出、减少误检而造成的缺陷区域面积偏小的问题,提高了缺陷区域面积的测量精度。
在上述实施例的基础上,缺陷区域确定模块310,包括:
缺陷区域分割单元,用于根据待检测图像中各像素点的灰度值和预先设置的灰度阈值,对所述待检测图像进行缺陷区域分割,得到缺陷区域。
在上述实施例的基础上,灰度值梯度系数确定模块320,包括:
灰度值确定单元,用于确定所述待检测图像的背景区域中,与所述灰度阈值的差值最小的像素的灰度值;
灰度值梯度系数确定单元,用于根据待检测图像的背景区域的灰度值平均值,和所述背景区域中与所述灰度阈值的差值最小的像素的灰度值,确定灰度值梯度系数。
在上述实施例的基础上,若所述灰度阈值为第一缺陷灰度阈值,则所述缺陷区域为第一缺陷区域;
灰度值梯度系数确定单元,具体用于:
将待检测图像的背景区域中与所述灰度阈值的差值最小的像素的灰度值,与背景区域的灰度值平均值的比值,作为灰度值梯度系数。
在上述实施例的基础上,若所述灰度阈值为第二缺陷灰度阈值,则所述缺陷区域为第二缺陷区域,其中,所述第一缺陷灰度阈值大于所述第二缺陷灰度阈值;
灰度值梯度系数确定单元,具体用于:
将背景区域的灰度值平均值,与待检测图像的背景区域中与所述灰度阈值的差值最小的像素的灰度值的比值,作为灰度值梯度系数。
在上述实施例的基础上,目标面积确定模块330,包括:
目标面积确定单元,用于将所述初始面积与所述灰度值梯度系数和所述轮廓周长的乘积之和,作为所述缺陷区域的目标面积。
在上述实施例的基础上,缺陷区域确定模块310,包括:
灰度值梯度条件判断单元,用于若确定所述缺陷区域满足灰度值梯度条件,则确定所述缺陷区域的初始面积和轮廓周长;
灰度值梯度条件判断单元,具体用于:
若确定所述缺陷区域的轮廓的灰度值平均值与所述缺陷区域的背景区域的灰度值平均值的差值,小于或者等于预设差值阈值,则确定所述缺陷区域满足灰度值梯度条件。
本发明实施例所提供的缺陷区域面积的确定装置可执行本发明任意实施例所提供的缺陷区域面积的确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备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7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(中央处理器)、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,例如缺陷区域面积的确定方法。
在一些实施例中,缺陷区域面积的确定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缺陷区域面积的确定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)而被配置为执行缺陷区域面积的确定方法。
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。
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)
1.一种缺陷区域面积的确定方法,其特征在于,包括:
根据预先设置的灰度阈值,确定待检测图像中的缺陷区域,并确定所述缺陷区域的初始面积和轮廓周长;
根据所述灰度阈值,确定灰度值梯度系数;
根据所述初始面积、所述灰度值梯度系数以及所述轮廓周长,确定所述缺陷区域的目标面积。
2.根据权利要求1所述的方法,其特征在于,根据预先设置的灰度阈值,确定待检测图像中的缺陷区域,包括:
根据待检测图像中各像素点的灰度值和预先设置的灰度阈值,对所述待检测图像进行缺陷区域分割,得到缺陷区域。
3.根据权利要求1所述的方法,其特征在于,根据所述灰度阈值,确定灰度值梯度系数,包括:
确定所述待检测图像的背景区域中,与所述灰度阈值的差值最小的像素的灰度值;
根据待检测图像的背景区域的灰度值平均值,和所述背景区域中与所述灰度阈值的差值最小的像素的灰度值,确定灰度值梯度系数。
4.根据权利要求3所述的方法,其特征在于,若所述灰度阈值为第一缺陷灰度阈值,则所述缺陷区域为第一缺陷区域;
根据待检测图像的背景区域的灰度值平均值,和所述背景区域中与所述灰度阈值的差值最小的像素的灰度值,确定灰度值梯度系数,包括:
将待检测图像的背景区域中与所述灰度阈值的差值最小的像素的灰度值,与背景区域的灰度值平均值的比值,作为灰度值梯度系数。
5.根据权利要求4所述的方法,其特征在于,若所述灰度阈值为第二缺陷灰度阈值,则所述缺陷区域为第二缺陷区域,其中,所述第一缺陷灰度阈值大于所述第二缺陷灰度阈值;
根据待检测图像的背景区域的灰度值平均值,和所述背景区域中与所述灰度阈值的差值最小的像素的灰度值,确定灰度值梯度系数,包括:
将背景区域的灰度值平均值,与待检测图像的背景区域中与所述灰度阈值的差值最小的像素的灰度值的比值,作为灰度值梯度系数。
6.根据权利要求1所述的方法,其特征在于,根据所述初始面积、所述灰度值梯度系数以及所述轮廓周长,确定所述缺陷区域的目标面积,包括:
将所述初始面积与所述灰度值梯度系数和所述轮廓周长的乘积之和,作为所述缺陷区域的目标面积。
7.根据权利要求1所述的方法,其特征在于,确定所述缺陷区域的初始面积和轮廓周长,包括:
若确定所述缺陷区域满足灰度值梯度条件,则确定所述缺陷区域的初始面积和轮廓周长;
其中,确定所述缺陷区域满足灰度值梯度条件,包括:
若确定所述缺陷区域的轮廓的灰度值平均值与所述缺陷区域的背景区域的灰度值平均值的差值,小于或者等于预设差值阈值,则确定所述缺陷区域满足灰度值梯度条件。
8.一种缺陷区域面积的确定装置,其特征在于,包括:
缺陷区域确定模块,用于根据预先设置的灰度阈值,确定待检测图像中的缺陷区域,并确定所述缺陷区域的初始面积和轮廓周长;
灰度值梯度系数确定模块,用于根据所述灰度阈值,确定灰度值梯度系数;
目标面积确定模块,用于根据所述初始面积、所述灰度值梯度系数以及所述轮廓周长,确定所述缺陷区域的目标面积。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的缺陷区域面积的确定方法。
10.一种存储计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的缺陷区域面积的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069751.4A CN116823924B (zh) | 2023-08-24 | 2023-08-24 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069751.4A CN116823924B (zh) | 2023-08-24 | 2023-08-24 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823924A true CN116823924A (zh) | 2023-09-29 |
CN116823924B CN116823924B (zh) | 2023-12-12 |
Family
ID=88120508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311069751.4A Active CN116823924B (zh) | 2023-08-24 | 2023-08-24 | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823924B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020137222A1 (ja) * | 2018-12-28 | 2020-07-02 | オムロン株式会社 | 欠陥検査装置、欠陥検査方法、及びそのプログラム |
CN113487538A (zh) * | 2021-06-08 | 2021-10-08 | 维库(厦门)信息技术有限公司 | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 |
CN113808131A (zh) * | 2021-11-16 | 2021-12-17 | 成都数联云算科技有限公司 | 一种连接器缺陷识别方法及系统及装置及介质 |
CN114037657A (zh) * | 2021-10-12 | 2022-02-11 | 上海电机学院 | 一种结合区域生长与环形校正的锂电池极耳缺陷检测方法 |
CN114235758A (zh) * | 2021-12-10 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 缺陷检测方法、装置、设备及存储介质 |
CN114612469A (zh) * | 2022-05-09 | 2022-06-10 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN114923912A (zh) * | 2022-04-26 | 2022-08-19 | 闽江学院 | 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 |
CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
CN115330802A (zh) * | 2022-10-17 | 2022-11-11 | 山东大学 | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 |
CN115330773A (zh) * | 2022-10-12 | 2022-11-11 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
CN115578389A (zh) * | 2022-12-08 | 2023-01-06 | 青岛澳芯瑞能半导体科技有限公司 | 一种沟槽mos器件的缺陷检测方法 |
CN116468687A (zh) * | 2023-04-13 | 2023-07-21 | 凌云光技术股份有限公司 | 划伤缺陷检测方法、装置及存储介质、电子设备 |
CN116503388A (zh) * | 2023-06-25 | 2023-07-28 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置及存储介质 |
CN116571410A (zh) * | 2023-07-14 | 2023-08-11 | 杭州百子尖科技股份有限公司 | 基于机器视觉的缺陷区域修复方法、装置、设备以及介质 |
-
2023
- 2023-08-24 CN CN202311069751.4A patent/CN116823924B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020137222A1 (ja) * | 2018-12-28 | 2020-07-02 | オムロン株式会社 | 欠陥検査装置、欠陥検査方法、及びそのプログラム |
CN113487538A (zh) * | 2021-06-08 | 2021-10-08 | 维库(厦门)信息技术有限公司 | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 |
CN114037657A (zh) * | 2021-10-12 | 2022-02-11 | 上海电机学院 | 一种结合区域生长与环形校正的锂电池极耳缺陷检测方法 |
CN113808131A (zh) * | 2021-11-16 | 2021-12-17 | 成都数联云算科技有限公司 | 一种连接器缺陷识别方法及系统及装置及介质 |
CN114235758A (zh) * | 2021-12-10 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 缺陷检测方法、装置、设备及存储介质 |
CN114923912A (zh) * | 2022-04-26 | 2022-08-19 | 闽江学院 | 一种基于机器视觉的锦纶丝饼外表面缺陷检测方法 |
CN114612469A (zh) * | 2022-05-09 | 2022-06-10 | 武汉中导光电设备有限公司 | 产品缺陷检测方法、装置、设备及可读存储介质 |
CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
CN115330773A (zh) * | 2022-10-12 | 2022-11-11 | 南通红运金属科技有限公司 | 一种金属研磨麻点缺陷检测方法 |
CN115330802A (zh) * | 2022-10-17 | 2022-11-11 | 山东大学 | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 |
CN115578389A (zh) * | 2022-12-08 | 2023-01-06 | 青岛澳芯瑞能半导体科技有限公司 | 一种沟槽mos器件的缺陷检测方法 |
CN116468687A (zh) * | 2023-04-13 | 2023-07-21 | 凌云光技术股份有限公司 | 划伤缺陷检测方法、装置及存储介质、电子设备 |
CN116503388A (zh) * | 2023-06-25 | 2023-07-28 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置及存储介质 |
CN116571410A (zh) * | 2023-07-14 | 2023-08-11 | 杭州百子尖科技股份有限公司 | 基于机器视觉的缺陷区域修复方法、装置、设备以及介质 |
Non-Patent Citations (2)
Title |
---|
WEI HAN等: "Research and Implementation of PCB Defect Detection Based on Improved YOLOv5 Algorithm", 《2023 IEEE 3RD INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY, BIG DATA AND ARTIFICIAL INTELLIGENCE (ICIBA)》 * |
谭亚雄等: "基于图像的缸体零件表面缺陷检测方法", 《传感器与微系统》, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN116823924B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN115272290A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN116844177A (zh) | 一种表格识别方法、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 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN116823924B (zh) | 缺陷区域面积的确定方法、装置、电子设备以及存储介质 | |
CN116402820A (zh) | 一种检测方法、装置、设备及存储介质 | |
CN117274361A (zh) | 一种物料表面积测量方法、装置、电子设备以及介质 | |
CN116681913A (zh) | 一种标签印刷的定位方法、装置、设备及存储介质 | |
CN116468776A (zh) | 探针识别的定位方法、装置、存储介质以及电子设备 | |
CN115601729A (zh) | 一种车辆型号识别方法、装置、设备及存储介质 | |
CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
CN117078708A (zh) | 图像检测及模型的训练方法、装置、设备、介质和产品 | |
CN116503407B (zh) | 图像中异物区域的检测方法、装置及电子设备 | |
CN116258714B (zh) | 一种缺陷识别方法、装置、电子设备和存储介质 | |
CN116597209A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
CN115187585A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN116433926A (zh) | 一种胶卷首帧确定方法、装置、电子设备及存储介质 | |
CN115880237A (zh) | 一种车用钢板合格检测方法、装置、设备及存储介质 | |
CN117593751A (zh) | 一种文本图像识别方法、装置、电子设备及存储介质 | |
CN117764961A (zh) | 一种断开划痕连接处理方法、装置、电子设备及存储介质 | |
CN117726613A (zh) | 一种白缺陷分类方法、装置及电子设备 | |
CN116934739A (zh) | 一种图像处理方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |