CN116894813A - 一种基于图像的缺陷自动检测方法及系统 - Google Patents
一种基于图像的缺陷自动检测方法及系统 Download PDFInfo
- Publication number
- CN116894813A CN116894813A CN202310785903.4A CN202310785903A CN116894813A CN 116894813 A CN116894813 A CN 116894813A CN 202310785903 A CN202310785903 A CN 202310785903A CN 116894813 A CN116894813 A CN 116894813A
- Authority
- CN
- China
- Prior art keywords
- image
- representing
- defective
- detected
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 104
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000005286 illumination Methods 0.000 claims abstract description 9
- 230000002950 deficient Effects 0.000 claims description 98
- 230000009466 transformation Effects 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 22
- 238000003709 image segmentation Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- -1 tungsten halogen Chemical class 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10152—Varying illumination
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于图像的缺陷自动检测方法及系统,应用于一种基于图像的缺陷自动检测系统,包括:开关;光源为待测物品提供照明;相机拍摄待测物品,得到待测图像,将待测图像发送给图像处理系统;图像处理系统获取待测图像,对待测图像进行分割,得到分割图像块、分割图像块的直方图;根据直方图校正图像亮度并计算分割图像块的相关性,当分割图像块的相关性大于相关性阈值,标记分割图像块,得到标记分割图像;获取面积阈值,计算连通的标记分割图像的面积,当面积大于面积阈值,标记此图像,得到标记面积图像;将标记面积图像还原,得到带标记的缺陷图像。本发明能够防止环境光变化导致的误差,不需要手动指定面积阈值,缺陷检测更加准确。
Description
技术领域
本发明涉及图像缺陷技术领域,尤其涉及一种基于图像的缺陷自动检测方法及系统。
背景技术
随着物质生活条件的提高,工业化生产也越来越专业,工业化生产的一个重要特点就是生产过程的机械化和自动化,由于自动化的生产大批量和大规模的特点,有时会出现一些细微偏差和一些小缺陷。现有的缺陷检测方法通常需要手动制定缺陷的区域面积阈值,进行自动检测,检测过程中环境光变化可能导致误判。
发明内容
基于此,有必要针对上述技术问题,提供一种基于图像的缺陷自动检测方法及系统。
基于图像缺陷的自动检测方法,应用于包括有开关、光源、相机、以及图像处理系统的一种基于图像的缺陷自动检测系统;其中,所述光源和所述相机位于待测物品上方;所述开关、光源、相机、以及图像处理系统通信连接;
包括以下步骤:
所述开关,控制所述光源的开关和亮度;
所述光源,为所述待测物品提供照明;
所述相机,拍摄待测物品,得到待测图像,将所述待测图像发送给所述图像处理系统;
所述图像处理系统获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图;根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性,响应于分割图像块的相关性大于相关性阈值,标记所述分割图像块,得到标记分割图像;获取面积阈值,计算连通的所述标记分割图像的面积,响应于所述面积大于面积阈值,标记连通的所述标记分割图像,得到标记面积图像;将所述标记面积图像还原为原始尺寸,得到带标记的缺陷图像。
在其中一个实施例中,获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图包括:
基于预设尺寸对待测图像进行分割处理,得到待测图像块组;其中,所述待测图像块组包括多个分割图像块;
计算每个分割图像块的灰度直方图,得到直方图;
hI=num(sa,b=I)
其中,hI表示直方图中第I列的值,num()表示个数对应函数,sa,b表示分割图像块中第a行第b列处的像素值,I表示直方图列的编号。
在其中一个实施例中,根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性包括:
获取标准直方图,根据所述标准直方图和所述直方图计算分割图像块的灰度值变换函数;
根据所述灰度值变换函数采用插值的方式逐像素进行校正处理,得到亮度校正分割图像;
使用高斯滤波器对所述亮度校正分割图像进行平滑处理,得到校正图像;
根据归一化平方差计算所述校正图像的相关性。
在其中一个实施例中,获取标准直方图包括:
获取无缺陷图像组,根据所述无缺陷图像组计算均值图像:
其中,所述mr,c表示均值图像,n表示无缺陷图像组中无缺陷图像数量,i表示第i个无缺陷图像,表示第i张无缺陷图像r行c列的像素值;
根据所述无缺陷图像组和所述均值图像,计算标准偏差图像和所述标准偏差图像的标准偏差:
其中,所述devr,c表示标准偏差图像,n表示无缺陷图像组中无缺陷图像数量,i表示第i个无缺陷图像,表示第i张无缺陷图像r行c列的像素值,/>表示均值图像r行c列的像素值,σ表示标准偏差图像的标准偏差,M表示预设分割尺寸为M行,N表示预设分割尺寸为N列,/>表示标准偏差图像的像素均值;
基于预设尺寸对所述均值图像进行分割处理,得到无缺陷图像块组;其中,所述无缺陷图像块组包括多个无缺陷图像分割块;
计算每个无缺陷图像分割块的灰度直方图,得到标准直方图:
hJ=num(tr,c=J)
其中,hJ表示标准直方图中第J列的值,num()表示个数对应函数,tr,c表示分割图像块中第r行第c列处的像素值,J表示标准直方图列编号。
在其中一个实施例中,根据所述标准直方图和所述直方图计算分割图像块的灰度值变换函数包括:
根据如下公式计算分割图像的灰度值变换函数:
zq=G-1(sk)
其中,sk表示变换后对应的灰度值,T(r)表示检测图像变换函数,L表示灰度级,M表示预设分割尺寸为M行,N表示预设分割尺寸为N列,k表示第k个灰度级,nj表示灰度值为j的像素数量,j表示某一灰度值j,G(zq)表示标准图像变换函数,q表示第q个灰度级,i表示某一灰度级i,pz表示标准直方图中某一灰度值的概率,zi表示标准直方图中第i个灰度级,zq表示校正后的像素值,G-1(sk)表示为G(zq)的反函数,满足G(zq)=sk。
在其中一个实施例中,获取面积阈值包括:
获取缺陷图像,使用高斯滤波器对所述缺陷图像进行平滑处理,得到标准缺陷图像,基于预设尺寸对所述所述标准缺陷图像进行分割处理,得到缺陷图像块组;其中,所述缺陷图像块组包括多个缺陷图像分割块;
计算所述缺陷图像块组和所述无缺陷图像块组的相关性:
其中,s(x,y)表示缺陷图像分割块和无缺陷图像分割块的相关性,x′表示缺陷图像分割块和无缺陷图像分割块之间横坐标差值,y′表示缺陷图像分割块和无缺陷图像分割块之间纵坐标差值,T()表示无缺陷图像块组,I()表示缺陷图像块组,c'T表示无缺陷图像块组中某一无缺陷图像分割块横坐标,rT'表示无缺陷图像块组中某一无缺陷图像分割块纵坐标,c'I表示缺陷图像块组中某一缺陷图像分割块横坐标,rI'表示缺陷图像块组中某一缺陷图像分割块纵坐标;
根据如下公式计算相似度类间方差,将所述相似度类间方差最大时的相似度设为相似度阈值:
其中,表示相似度类间方差,P1表示相似度阈值小于等于i的概率,P表示相似度阈值大于i的概率,m1表示相似度阈值小于等于i的平均相似度,m2表示相似度阈值小于等于i的平均相似度,mG表示平均相似度;
根据所述相似度阈值分割所述缺陷图像,得到多个阈值分割图像;
计算所述阈值分割图像的面积大小,将面积大小最大的阈值分割图像的面积设为面积阈值。
在其中一个实施例中,将所述标记面积图像还原为原始尺寸包括:
根据如下公式将所述标记面积图像还原为原始尺寸:
其中,xE表示变换后某一像素点的横坐标,yF表示变换后某一像素点的纵坐标,r**表示二维旋转矩阵元素,tx表示横坐标偏移量,ty表示纵坐标偏移量,xe表示变换前某一像素点的横坐标,yf表示变换前某一像素点的纵坐标。
一种基于图像的缺陷自动检测系统,用于实现如上所述的一种基于图像的缺陷自动检测方法及系统,用于实现如上的一种基于图像的缺陷自动检测方法,包括:开关、光源、相机、以及图像处理系统;其中,所述光源和所述相机位于待测物品上方;所述开关、光源、相机、以及图像处理系统通信连接;
所述开关,用于控制所述光源的开关和亮度;
所述光源,用于为所述待测物品提供照明;
所述相机,用于拍摄待测物品,得到待测图像,将所述待测图像发送给所述图像处理系统;
所述图像处理系统,用于获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图;根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性,响应于分割图像块的相关性大于相关性阈值,标记所述分割图像块,得到标记分割图像;获取面积阈值,计算连通的所述标记分割图像的面积,响应于所述面积大于面积阈值,标记连通的所述标记分割图像,得到标记面积图像;将所述标记面积图像还原为原始尺寸,得到带标记的缺陷图像。
相比于现有技术,本发明的优点及有益效果在于:本发明能够提供一种基于图像的缺陷自动检测方法,应用于包括有开关、光源、相机、以及图像处理系统一体化的一种基于图像的缺陷自动检测系统,能够直接完成光源调节,待测图像拍摄和检测多种功能,保证环境光不变,确保待测物品拍摄的待测图像的清晰度,使得待测图像能够清楚的显示出缺陷位置,根据预设的缺陷图像计算出面积阈值,不需要人工制定面积阈值,提高了本发明的可迁移性,同时减少人工的消耗,在保证检测准确性的前提下,提高检测效率。
附图说明
图1为一个实施例中一种基于图像的缺陷自动检测方法的应用场景示意图;
图2为一个实施例中一种基于图像的缺陷自动检测方法的流程示意图;
图3为一个实施例中分割尺寸示意图;
图4为一个实施例中插值示意图;
图5为一个实施例中矫正之前的分割图像块示意图;
图6为一个实施例中矫正之后的矫正分割图像示意图;
图7为一个实施例中均值图像示意图;
图8为一个实施例中一种基于图像的缺陷自动检测系统的结构示意图。
具体实施方式
在进行本发明具体实施方式说明之前,先对本发明的整体构思进行如下说明:
本发明主要是图像缺陷检测过程研发的,目前的缺陷检测过程中,训练过程:首先在特征明显的非检测区域创建模板并指定检测区域,使用模板在无缺陷图像中定位非检测区域,采用位置修正的方式确定检测区域在该图像中的位置,然后校正检测区域对应图像并计算其均值和标准偏差,根据系数和偏移量计算阈值图像。检测过程:使用模板在实时图像中定位非检测区域并采用位置修正的方式得到检测区域,校正检测区域对应图像并计算其与均值图像的差值,然后逐像素比对差值与阈值图像,当差值大于阈值图像时候,则标记该点为缺陷。然后提取连通的缺陷区域,当存在区域面积大于预设的面积阈值时输出缺陷图像。现有的缺陷检测方法通常需要手动制定缺陷的区域面积阈值,进行自动检测,检测过程中环境光变化可能导致误判。
本发明提出了一种基于图像的缺陷自动检测方法,能够自动计算面积阈值,根据面积阈值进行图像缺陷的自动检测。
介绍完本发明的整体构思后,为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
图1示出了本发明公开实施例中一种基于图像的缺陷自动检测方法的应用场景示意图。
如图1所示,使用场景包括能够变焦的工业相机、环形分布的可独立控制开关和亮度的光源以及图像处理系统,在使用过程中,将待测物品放置在工业相机的正下方,通过开关控制光源提供照明,使用变焦工业相机拍摄待测图像,将待测图像发送给图像处理系统,图像处理系统获取到待测图像后,对待测图像进行检测,得到缺陷图像或无缺陷图像。
在一个实施例中,如图2所示,提供了一种基于图像的缺陷自动检测方法,应用于包括有开关、光源、相机、以及图像处理系统的一种基于图像的缺陷自动检测系统;其中,所述光源和所述相机位于待测物品上方;所述开关、光源、相机、以及图像处理系统通信连接;
包括以下步骤:
步骤S101,所述开关,控制所述光源的开关和亮度。
具体地,开关可以为环形分布的可独立控制开关,可以调节光源的开闭和光源的亮度。
在本实施例中,使用可独立控制的开关,可以自动调节亮度,使得待测物品处于同一个环境光下。
步骤S102,所述光源,为所述待测物品提供照明。
具体地,光源可以为,热辐射光源:白炽灯和卤钨灯两种、气体放电光源:弧光放电、辉光放电、霓虹灯等。
在本实施例中,使用电源为待测物品提供照明,保证待测物品拍摄的待测图像的清晰度,使得待测图像能够清楚的显示出缺陷位置。
步骤S103,所述相机拍摄待测物品,得到待测图像,将所述待测图像发送给所述图像处理系统。
具体地,相机可以为变焦工业相机、数码相机等。使用变焦工业相机进行待测物品的拍摄,得到清晰的待测图像,可以根据待测图像进行物品缺陷的识别。
步骤S104,所述图像处理系统获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图;根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性,响应于分割图像块的相关性大于相关性阈值,标记所述分割图像块,得到标记分割图像;获取面积阈值,计算连通的所述标记分割图像的面积,响应于所述面积大于面积阈值,标记连通的所述标记分割图像,得到标记面积图像;将所述标记面积图像还原为原始尺寸,得到带标记的缺陷图像。
具体地,对待测物品进行分割,得到多个分割图像块和分割图像块的直方图,每个分割图像块的尺寸相同,然后根据直方图计算多个分割图像块的相关性,判断每个分割图像块的相关性的值和相关性阈值的关系,当分割图像块的相关性的值大于相关性阈值,标记所述分割图像块,得到标记分割图像,把每个分割图像块的相关性都和相关性阈值进行比较,将每个相关性的值大于相关性阈值的分割图像块都进行标记,得到多个标记分割图像,将连通的标记分割图像作为一个整体,计算多个连通的标记分割图像的面积,将计算的多个连通的标记分割图像的面积与获取的面积阈值进行比较,当连通的标记分割图像的面积大于面积阈值,标记此连通的标记分割图像的面积,得到标记面积图像,将带有标记的标记面积图像按照分割方式还原为原始尺寸,得到带标记的缺陷图像。当原始尺寸的待测图像中存在标记的缺陷图像时,判断此待测图像为缺陷图像,当待测图像中不存在标记的缺陷图像时,判断此待测图像为无缺陷图像。
在本实施例中,获取相机拍摄的待测图像,将相机拍摄的待测图像进行分割处理,不需要手动指定缺陷图像区域面积的面积阈值,直接获取面积阈值,进行缺陷的判断,能够提高本方法的可迁移性,同时提高缺陷判断的准确性。
其中,步骤S104具体包括:所述获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图包括:
基于预设尺寸对待测图像进行分割处理,得到待测图像块组;其中,所述待测图像块组包括多个分割图像块;
计算每个分割图像块的灰度直方图,得到直方图;
hI=num(sa,b=I)
其中,hI表示直方图中第I列的值,num()表示个数对应函数,sa,b表示分割图像块中第a行第b列处的像素值,I表示直方图列的编号。
具体地,按照预设的尺寸来进行待测图像的分割,预设的尺寸为用户根据现实情况指定,可以为3×4、6×9、30×40等多个尺寸。具体的分割尺寸示意图如图3所示。计算每个分割图像块的灰度直方图,将灰度直方图按照顺序排列,生成直方图。
其中,步骤S104还包括:根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性包括:
获取标准直方图,根据所述标准直方图和所述直方图计算分割图像块的灰度值变换函数;
根据所述灰度值变换函数采用插值的方式逐像素进行校正处理,得到亮度校正分割图像;
使用高斯滤波器对所述亮度校正分割图像进行平滑处理,得到校正图像;
根据归一化平方差计算所述校正图像的相关性。
具体的,获取标准直方图,根据标准直方图和根据多个分割图像块形成的直方图,得到分割图像块灰度值的灰度值变换函数。根据像素点所在区域及其相邻区域的灰度值变换函数,采用插值的方式逐像素校正分割图像块,得到亮度校正分割图像,并使用均值为0标准差为6σ的高斯滤波器平滑校正后的亮度校正分割图像,其中,具体插值示意图如图4所示,矫正之前的分割图像块如图5所示,矫正后的亮度校正分割图像如图6所示。
在本实施例中,使用像素点插值方式,校正检测图像,最近邻插值法的优点是计算量很小,算法也简单,运算速度较快。使用高斯滤波器进行平滑校正,它能够消除噪声并保留图像细节,使得处理后的图像更加平滑自然。对于较小的噪声块或条纹状噪声,使用高斯滤波处理能够得到很好的效果。
在此基础上,获取标准直方图包括:
获取无缺陷图像组,根据所述无缺陷图像组计算均值图像:
其中,所述mr,c表示均值图像,n表示无缺陷图像组中无缺陷图像数量,i表示无缺陷图像编号,表示第i张无缺陷图像r行c列的像素值;
根据所述无缺陷图像组和所述均值图像,计算标准偏差图像和所述标准偏差图像的标准偏差:
其中,所述devr,c表示标准偏差图像,n表示无缺陷图像组中无缺陷图像数量,i表示无缺陷图像编号,表示第i张无缺陷图像r行c列的像素值,/>表示第i张无缺陷图像r行c列的像素值,σ表示标准偏差图像的标准偏差,M表示预设分割尺寸为M行,N表示预设分割尺寸为N列,/>表示标准偏差图像的像素均值;
基于预设尺寸对所述均值图像进行分割处理,得到无缺陷图像块组;其中,所述无缺陷图像块组包括多个无缺陷图像分割块;
计算每个无缺陷图像分割块的灰度直方图,得到标准直方图:
hJ=num(tr,c=J)
其中,hJ表示标准直方图中第J列的值,num()表示个数对应函数,tr,c表示分割图像块中第r行第c列处的像素值,J表示标准直方图列编号。
具体的,根据校正后的无缺陷图像组计算均值图像mr,c,其中,具体的均值图像如图7所示。然后根据均值图像和无缺陷图像组计算标准偏差图像和该图像的标准偏差,然后根据预设尺寸M×N对均值图像进行分割处理,得到无缺陷图像块组;其中,无缺陷图像块组包括多个无缺陷图像分割块;计算每个无缺陷图像分割块的灰度直方图,将灰度直方图按序排列,得到标准直方图。
在本实施例中,根据无缺陷图像组计算出标准直方图,将标准直方图和待测图像的直方图进行对比,可以判断待测图像与无缺陷图像的差别,得出缺陷图像。
在此基础上,根据所述标准直方图和所述直方图计算分割图像块的灰度值变换函数包括:
根据如下公式计算分割图像的灰度值变换函数:
zq=G-1(sk)
其中,sk表示变换后对应的灰度值,T(r)表示检测图像变换函数,L表示灰度级,M表示预设分割尺寸为M行,N表示预设分割尺寸为N列,k表示第k个灰度级,nj表示灰度值为j的像素数量,j表示某一灰度值j,G(zq)表示标准图像变换函数,q表示第q个灰度级,i表示某一灰度级i,pz表示标准直方图中某一灰度值的概率,zi表示标准直方图中第i个灰度级,zq表示校正后的像素值,G-1(sk)表示为G(zq)的反函数,满足G(zq)=sk。
具体的,根据公式计算出待测图像的直方图和无缺陷图像组的标准直方图的灰度值变换函数。可以通过灰度值变换函数进行图像校正。
其中,步骤S104还包括:获取面积阈值包括:
获取缺陷图像,使用高斯滤波器对所述缺陷图像进行平滑处理,得到标准缺陷图像,基于预设尺寸对所述所述标准缺陷图像进行分割处理,得到缺陷图像块组;其中,所述缺陷图像块组包括多个缺陷图像分割块;
计算所述缺陷图像块组和所述无缺陷图像块组的相关性:
其中,s(x,y)表示缺陷图像分割块和无缺陷图像分割块的相关性,x′表示缺陷图像分割块和无缺陷图像分割块之间横坐标差值,y′表示缺陷图像分割块和无缺陷图像分割块之间纵坐标差值,T()表示无缺陷图像块组,I()表示缺陷图像块组,c'T表示无缺陷图像块组中某一无缺陷图像分割块横坐标,rT'表示无缺陷图像块组中某一无缺陷图像分割块纵坐标,c'I表示缺陷图像块组中某一缺陷图像分割块横坐标,rI'表示缺陷图像块组中某一缺陷图像分割块纵坐标;
根据如下公式计算相似度类间方差,将所述相似度类间方差最大时的相似度设为相似度阈值:
其中,表示相似度类间方差,P1表示相似度阈值小于等于i的概率,P表示相似度阈值大于i的概率,m1表示相似度阈值小于等于i的平均相似度,m2表示相似度阈值小于等于i的平均相似度,mG表示平均相似度;
根据所述相似度阈值分割所述缺陷图像,得到多个阈值分割图像;
计算所述阈值分割图像的面积大小,将面积大小最大的阈值分割图像的面积设为面积阈值。
具体地,获取缺陷图像,使用均值为0标准差为6σ的高斯函数平滑缺陷图像,得到标准缺陷图像,基于预设尺寸M×N对所述所述标准缺陷图像进行分割处理,得到缺陷图像块组。采用归一化平方差计算缺陷图像分割块和无缺陷图像分割块的相关性。由于缺陷图像中一定存在缺陷区域,故相似度一定可分,根据公式计算相似度类间方差,将相似度类间方差最大时的相似度设为相似度阈值,使用相似度阈值分割缺陷图像,得到多个阈值分割图像;计算多个阈值分割图像的面积大小,将面积大小最大的阈值分割图像设为面积阈值。
在本实施例中,根据缺陷图像计算出面积阈值,不需要人工制定面积阈值,提高了本发明的可迁移性,同时减少人工的消耗,在保证检测准确性的前提下,提高检测效率。
其中,步骤S104还包括:将所述标记面积图像还原为原始尺寸包括:
根据如下公式将所述标记面积图像还原为原始尺寸:
其中,xE表示变换后某一像素点的横坐标,yF表示变换后某一像素点的纵坐标,r**表示二维旋转矩阵元素,tx表示横坐标偏移量,ty表示纵坐标偏移量,xe表示变换前某一像素点的横坐标,yf表示变换前某一像素点的纵坐标。
具体的,将检测到的标记面积图像变换回原始图像上并显示,同时标记该待测图像为缺陷图像。如果不存在满足条件的标记面积图像,标记该待测图像为无缺陷图像。
本发明能够提供一种基于图像的缺陷自动检测方法,应用于包括有开关、光源、相机、以及图像处理系统一体化的一种基于图像的缺陷自动检测系统,能够直接完成光源调节,待测图像拍摄和检测多种功能,保证环境光不变,确保待测物品拍摄的待测图像的清晰度,使得待测图像能够清楚的显示出缺陷位置,根据预设的缺陷图像计算出面积阈值,不需要人工制定面积阈值,提高了本发明的可迁移性,同时减少人工的消耗,在保证检测准确性的前提下,提高检测效率。
需要说明的是,上述对本发明的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本发明还提供了一种基于图像的缺陷自动检测系统。
参考图8,所述基于图像缺陷的自动检测系统,包括:开关801、光源802、相机803、以及图像处理系统804;其中,所述光源802和所述相机803位于待测物品上方;所述开关801、光源802、相机803、以及图像处理系统804通信连接;
所述开关801,用于控制所述光源的开关和亮度;
所述光源802,用于为所述待测物品提供照明;
所述相机803,用于拍摄待测物品,得到待测图像,将所述待测图像发送给所述图像处理系统804;
所述图像处理系统804,用于获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图;根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性,响应于分割图像块的相关性大于相关性阈值,标记所述分割图像块,得到标记分割图像;获取面积阈值,计算连通的所述标记分割图像的面积,响应于所述面积大于面积阈值,标记连通的所述标记分割图像,得到标记面积图像;将所述标记面积图像还原为原始尺寸,得到带标记的缺陷图像。
为了描述的方便,描述以上系统时以功能分为各种模块分别描述。当然,在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的系统用于实现前述任一实施例中相应的基于图像缺陷的自动检测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
另外,为简化说明和讨论,并且为了不会使本发明实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像的缺陷自动检测方法,其特征在于,应用于包括有开关、光源、相机、以及图像处理系统的一种基于图像的缺陷自动检测系统;其中,所述光源和所述相机位于待测物品上方;所述开关、光源、相机、以及图像处理系统通信连接;
所述方法,包括:
所述开关,控制所述光源的开关和亮度;
所述光源,为所述待测物品提供照明;
所述相机,拍摄待测物品,得到待测图像,将所述待测图像发送给所述图像处理系统;
所述图像处理系统获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图;根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性,响应于分割图像块的相关性大于相关性阈值,标记所述分割图像块,得到标记分割图像;获取面积阈值,计算连通的所述标记分割图像的面积,响应于所述面积大于面积阈值,标记连通的所述标记分割图像,得到标记面积图像;将所述标记面积图像还原为原始尺寸,得到带标记的缺陷图像。
2.根据权利要求1所述一种基于图像的缺陷自动检测方法,其特征在于,所述获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图包括:
基于预设尺寸对待测图像进行分割处理,得到待测图像块组;其中,所述待测图像块组包括多个分割图像块;
计算每个分割图像块的灰度直方图,得到直方图;
hI=num(sa,b=I)
其中,hI表示直方图中第I列的值,num()表示个数对应函数,sa,b表示分割图像块中第a行第b列处的像素值,I表示直方图列的编号。
3.根据权利要求1所述一种基于图像的缺陷自动检测方法,其特征在于,所述根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性包括:
获取标准直方图,根据所述标准直方图和所述直方图计算分割图像块的灰度值变换函数;
根据所述灰度值变换函数采用插值的方式逐像素进行校正处理,得到亮度校正分割图像;
使用高斯滤波器对所述亮度校正分割图像进行平滑处理,得到校正图像;
根据归一化平方差计算所述校正图像的相关性。
4.根据权利要求3所述一种基于图像的缺陷自动检测方法,其特征在于,所述获取标准直方图包括:
获取无缺陷图像组,根据所述无缺陷图像组计算均值图像:
其中,所述mr,c表示均值图像,n表示无缺陷图像组中无缺陷图像数量,i表示第i个无缺陷图像,表示第i张无缺陷图像r行c列的像素值;
根据所述无缺陷图像组和所述均值图像,计算标准偏差图像和所述标准偏差图像的标准偏差:
其中,所述devr,c表示标准偏差图像,n表示无缺陷图像组中无缺陷图像数量,i表示第i个无缺陷图像,表示第i张无缺陷图像r行c列的像素值,/>表示均值图像r行c列的像素值,σ表示标准偏差图像的标准偏差,M表示预设分割尺寸为M行,N表示预设分割尺寸为N列,/>表示标准偏差图像的像素均值;
基于预设尺寸对所述均值图像进行分割处理,得到无缺陷图像块组;其中,所述无缺陷图像块组包括多个无缺陷图像分割块;
计算每个无缺陷图像分割块的灰度直方图,得到标准直方图:
hJ=num(tr,c=J)
其中,hJ表示标准直方图中第J列的值,num()表示个数对应函数,tr,c表示分割图像块中第r行第c列处的像素值,J表示标准直方图列编号。
5.根据权利要求3所述一种基于图像的缺陷自动检测方法,其特征在于,所述根据所述标准直方图和所述直方图计算分割图像块的灰度值变换函数包括:
根据如下公式计算分割图像的灰度值变换函数:
zq=G-1(sk)
其中,sk表示变换后对应的灰度值,T(r)表示检测图像变换函数,L表示灰度级,M表示预设分割尺寸为M行,N表示预设分割尺寸为N列,k表示第k个灰度级,nj表示灰度值为j的像素数量,j表示某一灰度值j,G(zq)表示标准图像变换函数,q表示第q个灰度级,i表示某一灰度级i,pz表示标准直方图中某一灰度值的概率,zi表示标准直方图中第i个灰度级,zq表示校正后的像素值,G-1(sk)表示为G(zq)的反函数,满足G(zq)=sk。
6.根据权利要求4所述一种基于图像的缺陷自动检测方法,其特征在于,所述获取面积阈值包括:
获取缺陷图像,使用高斯滤波器对所述缺陷图像进行平滑处理,得到标准缺陷图像,基于预设尺寸对所述所述标准缺陷图像进行分割处理,得到缺陷图像块组;其中,所述缺陷图像块组包括多个缺陷图像分割块;
计算所述缺陷图像块组和所述无缺陷图像块组的相关性:
其中,s(x,y)表示缺陷图像分割块和无缺陷图像分割块的相关性,x′表示缺陷图像分割块和无缺陷图像分割块之间横坐标差值,y′表示缺陷图像分割块和无缺陷图像分割块之间纵坐标差值,T()表示无缺陷图像块组,I()表示缺陷图像块组,c'T表示无缺陷图像块组中某一无缺陷图像分割块横坐标,rT'表示无缺陷图像块组中某一无缺陷图像分割块纵坐标,c'I表示缺陷图像块组中某一缺陷图像分割块横坐标,rI'表示缺陷图像块组中某一缺陷图像分割块纵坐标;
根据如下公式计算相似度类间方差,将所述相似度类间方差最大时的相似度设为相似度阈值:
其中,表示相似度类间方差,P1表示相似度阈值小于等于i的概率,P表示相似度阈值大于i的概率,m1表示相似度阈值小于等于i的平均相似度,m2表示相似度阈值小于等于i的平均相似度,mG表示平均相似度;
根据所述相似度阈值分割所述缺陷图像,得到多个阈值分割图像;
计算所述阈值分割图像的面积大小,将面积大小最大的阈值分割图像的面积设为面积阈值。
7.根据权利要求1所述一种基于图像的缺陷自动检测方法,其特征在于,所述将所述标记面积图像还原为原始尺寸包括:
根据如下公式将所述标记面积图像还原为原始尺寸:
其中,xE表示变换后某一像素点的横坐标,yF表示变换后某一像素点的纵坐标,r**表示二维旋转矩阵元素,tx表示横坐标偏移量,ty表示纵坐标偏移量,xe表示变换前某一像素点的横坐标,yf表示变换前某一像素点的纵坐标。
8.一种基于图像的缺陷自动检测系统,其特征在于,用于实现如权利要求1-7所述的一种基于图像的缺陷自动检测方法,包括:开关、光源、相机、以及图像处理系统;其中,所述光源和所述相机位于待测物品上方;所述开关、光源、相机、以及图像处理系统通信连接;
所述开关,用于控制所述光源的开关和亮度;
所述光源,用于为所述待测物品提供照明;
所述相机,用于拍摄待测物品,得到待测图像,将所述待测图像发送给所述图像处理系统;
所述图像处理系统,用于获取待测图像,对所述待测图像进行分割处理,得到多个分割图像块、以及所述分割图像块的直方图;根据所述直方图校正所述分割图像块亮度,计算多个分割图像块的相关性,响应于分割图像块的相关性大于相关性阈值,标记所述分割图像块,得到标记分割图像;获取面积阈值,计算连通的所述标记分割图像的面积,响应于所述面积大于面积阈值,标记连通的所述标记分割图像,得到标记面积图像;将所述标记面积图像还原为原始尺寸,得到带标记的缺陷图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310785903.4A CN116894813A (zh) | 2023-06-29 | 2023-06-29 | 一种基于图像的缺陷自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310785903.4A CN116894813A (zh) | 2023-06-29 | 2023-06-29 | 一种基于图像的缺陷自动检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894813A true CN116894813A (zh) | 2023-10-17 |
Family
ID=88314295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310785903.4A Pending CN116894813A (zh) | 2023-06-29 | 2023-06-29 | 一种基于图像的缺陷自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894813A (zh) |
-
2023
- 2023-06-29 CN CN202310785903.4A patent/CN116894813A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11233933B2 (en) | Method and device for processing image, and mobile terminal | |
CN110009607B (zh) | 显示屏坏点检测方法、装置、计算机设备和存储介质 | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
WO2019169821A1 (zh) | Led 灯智能检测方法、检测系统及存储介质 | |
JP2019145177A (ja) | 画像処理方法および撮影装置 | |
CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN111932504B (zh) | 一种基于边缘轮廓信息的亚像素定位方法及装置 | |
CN107635099B (zh) | 一种人体感应双光网络摄像机及安防监控系统 | |
CN109584175B (zh) | 一种图像处理方法及装置 | |
CN108234971A (zh) | 白平衡参数确定方法、白平衡调整方法及装置、存储介质、终端 | |
CN112839216B (zh) | 一种图像色彩校正方法及装置 | |
US10567723B2 (en) | System and method for detecting light sources in a multi-illuminated environment using a composite RGB-IR sensor | |
CN112258426A (zh) | 一种基于Mask RCNN的脚手架图像自动倾斜校正的方法 | |
CN110769229A (zh) | 投影画面颜色亮度的检测方法、装置及系统 | |
JP2004038885A (ja) | 画像特徴学習型欠陥検出方法、欠陥検出装置及び欠陥検出プログラム | |
JP2007097175A (ja) | ゾーン重み付け機能を備えたホワイトバランス機構 | |
CN113329217B (zh) | 自动白平衡参数处理方法及装置、计算机可读存储介质 | |
CN116894813A (zh) | 一种基于图像的缺陷自动检测方法及系统 | |
CN108564534A (zh) | 一种基于检索的图像对比度调整方法 | |
CN105389775B (zh) | 融合图像灰度特征与结构化表示的图像群组配准方法 | |
CN111275756A (zh) | 线轴定位方法及装置 | |
CN114663299A (zh) | 适用于煤矿井下的图像去雾模型的训练方法及其装置 | |
CN113808117B (zh) | 灯具检测方法、装置、设备及存储介质 | |
CN114023249A (zh) | Led显示屏图像的灯点提取方法、装置及led显示屏校正方法 | |
CN111696161B (zh) | 一种双站相机的外部参数的标定方法及系统 |
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 |