CN116934746A - 划伤缺陷检测方法、系统、设备及其介质 - Google Patents
划伤缺陷检测方法、系统、设备及其介质 Download PDFInfo
- Publication number
- CN116934746A CN116934746A CN202311182955.9A CN202311182955A CN116934746A CN 116934746 A CN116934746 A CN 116934746A CN 202311182955 A CN202311182955 A CN 202311182955A CN 116934746 A CN116934746 A CN 116934746A
- Authority
- CN
- China
- Prior art keywords
- scratch
- image
- contour
- suspected
- collinear
- 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 103
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 238000001914 filtration Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000016776 visual perception 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及表面缺陷检测技术领域,尤其涉及一种划伤缺陷检测方法、系统、设备及其介质。划伤缺陷检测方法包括:获取待检测工件的灰度图像,确定灰度图像的目标缺陷区域;对目标缺陷区域进行外观表面分类,确定目标缺陷区域外观表面的类型;通过纹理滤波模型,结合类型对灰度图像滤波处理,得到滤波图像;通过图像分割模型对滤波图像进行分割,获取疑似划伤的轮廓;处理所有疑似划伤的轮廓,获得共线轮廓,所有共线轮廓的集合形成轮廓数据集,对轮廓数据集进行筛选以及拟合计算,以确定是否为划伤缺陷。本发明的一种划伤缺陷检测方法,能够抑制背景噪声的干扰,检测准确率高。
Description
技术领域
本发明涉及表面缺陷检测技术领域,尤其涉及一种划伤缺陷检测方法、系统、设备及其介质。
背景技术
基于机器视觉的缺陷检测技术是工业质检的重要组成部分。其中以碰、擦、划伤为代表的三伤类检测是缺陷检测中较为困难一种;其原因在于,在工业图像中,经常伴随着强噪声、强纹理特征干扰,且目标缺陷面积相对较小,形态各异,检测难度相对较高。其中,划伤缺陷以其线状形态特征,在检测过程中,受图像背景干扰尤为突出,且在缺陷的光学表现较弱时,难以提取有效线段。
常见的划伤检测方法主要有以下几种:
1)深度学习方法:深度学习需要一定量图片作为训练样本,而缺陷检测领域往往缺陷样本有收集较困难、负样本数据量较少特点;且在实际运用中,深度学习算法在缺陷检测领域容易产生高过杀率缺点,检测的准确率低;
2)基于传统图像分割的方法:该方法主要通过滤波和阈值处理结合的方式对划伤轮廓进行分割,再通过轮廓特征筛选或灰度分析检测可能的划伤轮廓;该方法在图像有强噪声或光照不均时,有连通区域粘连现象,难以分割有效轮廓,且由于复杂背景下缺陷灰度层级较多,以固定参数进行阈值分割时,缺陷轮廓难以被全部提取,检测的准确率低,且往往需要通过遍历参数来进行阈值分割,造成检测算法时间效率低下的问题;
3)基于边缘检测的方法:主要通过滤波和边缘提取结合检测缺陷轮廓,该方法同样受噪声影响大,易提取出无关边缘;在缺陷光学表现较弱时,边缘不易提取,造成漏检,检测的准确率低。
发明内容
本发明要解决的技术问题是:为了解决现有技术中划伤缺陷易受噪声干扰,使得检测准确率低的技术问题,本发明提供一种划伤缺陷检测方法,能够抑制背景噪声的干扰,检测准确率高。
本发明解决其技术问题所采用的技术方案是:一种划伤缺陷检测方法,包括以下步骤:
S1:获取待检测工件的灰度图像,确定所述灰度图像的目标缺陷区域;
S2:对所述目标缺陷区域进行外观表面分类,确定所述目标缺陷区域外观表面的类型;
其中,所述类型包括:外观表面光滑和外观表面噪声;
S3:通过纹理滤波模型,结合所述类型对所述灰度图像滤波处理,得到滤波图像;
S4:通过图像分割模型对所述滤波图像进行分割,获取疑似划伤的轮廓;
S5:处理所有所述疑似划伤的轮廓,获得共线轮廓,所有所述共线轮廓的集合形成轮廓数据集,对所述轮廓数据集进行筛选以及拟合计算,以确定是否为划伤缺陷。
进一步,具体地,所述步骤S3具体包括以下步骤:
所述纹理滤波模型根据类型选取对应的纹理算子对灰度图像进行纹理滤波处理,然后再对纹理滤波处理后的灰度图像进行循环双边滤波处理。
优选的,若所述类型为外观表面光滑,所述纹理滤波模型选取低频算子对所述灰度图像进行循环双边滤波处理;若所述类型为外观表面噪声,所述纹理滤波模型选取高频算子对所述灰度图像进行循环双边滤波处理。
进一步,具体地,在所述步骤S4中,所述图像分割模型为OTSU阈值分割法,通过所述OTSU阈值分割法将所述滤波图像划分为多个区域。
进一步,具体地,在所述步骤S4中,根据轮廓面积阈值和长宽比阈值获取疑似划伤的轮廓,具体包括以下步骤:
计算每个所述区域的轮廓面积S,与所述轮廓面积阈值比较,筛选大于所述轮廓面积阈值的轮廓面积S;
计算被筛选轮廓面积S的轮廓周长C;
设轮廓长宽比为L,所述轮廓长宽比计算公式为L=C*C/(2*S);
将所述轮廓长宽比与所述长宽比阈值比较;
若所述轮廓长宽比小于所述长宽比阈值,则判定无划伤缺陷;
若所述轮廓长宽比大于等于所述长宽比阈值,则有所述疑似划伤的轮廓。
进一步,具体地,所述步骤S5具体包括以下步骤:
S51:获取所有所述疑似划伤的轮廓;
S52:两两计算所述疑似划伤的轮廓之间的绝对距离、最大垂直距离以及相邻区域夹角;
S53:将所述绝对距离、所述最大垂直距离和所述相邻区域夹角分别与预设阈值比较,若均满足阈值条件,则将两两计算的所述疑似划伤的轮廓合并处理,形成共线轮廓;
S54:通过所述步骤S52至S53获取所有所述疑似划伤的轮廓的共线轮廓,所有所述共线轮廓的集合形成轮廓数据集;
S55:计算轮廓数据集内每个所述共线轮廓的长度,并与预设的长度阈值比较;
S56:筛选出所述共线轮廓的长度大于等于预设的长度阈值的所述共线轮廓,并进行拟合计算,以还原划伤曲线。
进一步,具体地,在所述步骤S56中,通过最小二乘法进行五次多项式函数拟合计算。
一种采用如上所述的划伤缺陷检测方法的检测系统,所述检测系统包括:
获取模块,获取待检测工件的灰度图像,确定所述灰度图像的目标缺陷区域;
分类模块,对所述目标缺陷区域进行外观表面分类,确定所述目标缺陷区域待检测工件外观表面的类型;
其中,所述类型包括:外观表面光滑和外观表面噪声;
图像滤波模块,通过纹理滤波模型,结合所述类型对所述灰度图像滤波处理,得到滤波图像;
图像分割模块,通过图像分割模型对所述滤波图像进行分割,获取疑似划伤的轮廓;
检测模块,处理所有所述疑似划伤的轮廓,获得共线轮廓,所有所述共线轮廓的集合形成轮廓数据集,对所述轮廓数据集进行筛选以及拟合计算,以确定是否为划伤缺陷。
一种计算机设备,包括:
处理器;
存储器,用于存储可执行指令;
其中,所述处理器用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现如上所述的划伤缺陷检测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,使得处理器实现如上所述的划伤缺陷检测方法。
本发明的有益效果是,本发明的一种划伤缺陷检测方法,能够显著增强较弱缺陷区域的灰度对比,抑制背景噪声的干扰,检测准确率高;且通过进一步的处理,能够准确还原图像上的划伤曲线,进一步的提高了划伤检测的准确率,通用性强。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明实施例一划伤缺陷检测方法的流程示意图。
图2是本发明实施例一中一具体实施例的共线轮廓合并示意图。
图3是本发明实施例一不同算法对表面较光滑纹理处理获取的滤波图像对比示意图。
图4是本发明实施例一不同算法对表面强噪声下纹理处理获取的滤波图像对比示意图。
图5是本发明实施例一不同类型外观表面划伤检测过程测试示意图。
图6是本发明实施例二检测系统的结构示意图。
图7是本发明实施例三的计算机设备结构示意图。
图中200、获取模块;201、分类模块;202、图像滤波模块;203、图像分割模块;204、检测模块;10、计算机设备;1002、处理器;1004存储器;1006、传输装置。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
实施例1
如图1所示,本申请实施例提供了一种划伤缺陷检测方法,包括以下步骤:
S1:获取待检测工件的灰度图像,确定灰度图像的目标缺陷区域。
S2:对目标缺陷区域进行外观表面分类,确定目标缺陷区域外观表面的类型;其中,类型包括:外观表面光滑和外观表面噪声。
具体的,通过噪声评价算法模型对目标缺陷区域进行外观表面分类,噪声评价算法模型的噪声评价包含三个指标,三个指标分别是噪声颗粒度、噪声密度和噪声明显程度;几何噪声颗粒度、噪声密度和噪声明显程度加权处理获取最终的噪声评价系数,基于噪声评价系数进行外观表面分类。
S3:通过纹理滤波模型,结合类型对灰度图像滤波处理,得到滤波图像。
在本实施例中,步骤S3具体包括以下步骤:纹理滤波模型根据类型选取对应的纹理算子对灰度图像进行纹理滤波处理,然后再对纹理滤波处理后的灰度图像进行循环双边滤波处理。进一步的,若类型为外观表面光滑,纹理滤波模型选取低频算子对灰度图像进行纹理滤波处理;若类型为外观表面噪声,纹理滤波模型选取高频算子对灰度图像进行纹理滤波处理。
需要说明的是,纹理滤波模型的使用是将一个特殊滤波器作为纹理算子,在图像上进行滤波操作,以增强或者抑制特定的纹理图像。特殊滤波器的获取方法是在一系列基础向量中,选择合适的某两个基础向量,将基础向量与基础向量转置相乘,得到其对应的纹理算子;一系列基础向量包括:尺寸为3的基础向量、尺寸为5的基础向量以及尺寸为7的基础向量,如:尺寸为3的基础向量与尺寸为5的基础向量转置相乘。一般的,可以选择滤波向量中的 l , e , s , w , r 与滤波向量 l 组合来增强图像的低频部分,或者与滤波向量r 组合来增强图像的高频部分。
在本实施例中,对于不同外观表面类型,纹理滤波模型选择对应的纹理算子对灰度图像进行处理:类型为外观表面光滑的缺陷纹理,优先选择‘ le ’或‘ el ’的低频算子;类型为外观表面噪声,即有强噪声干扰的纹理缺陷,优先选择‘ sl ’或‘ wl ’的高频算子,以提高缺陷纹理周围的灰度对比,便于对灰度图像进行纹理提取。
纹理滤波模型对灰度图像具有较好的纹理提取效果;但在实际运用中,纹理滤波模型对噪声敏感,在强噪声的图像中,纹理滤波模型不具备良好的抗噪性能,且对于弱纹理的提取,纹理滤波模型易放大噪声影响,造成缺陷纹理粘连现象。在本实施例中,纹理滤波模型根据类型选取对应的纹理算子对灰度图像处理后,再对处理后的灰度图像进行循环双边滤波处理,获取滤波图像,能够剔除无关噪声干扰,且循环双边滤波能够在保留缺陷处梯度时,尽可能将噪声滤除,针对工业图像中弱缺陷和强噪声干扰缺陷,对缺陷纹理有显著的增强作用,同时对噪声有较好的抑制,便于后续步骤中对滤波图像进行分割,提高了鲁棒性。
S4:通过图像分割模型对滤波图像进行分割,获取疑似划伤的轮廓;进一步的,图像分割模型为OTSU阈值分割法,通过OTSU阈值分割法将滤波图像划分为多个区域。
在本实施例中,步骤S4根据轮廓面积阈值和长宽比阈值获取疑似划伤的轮廓,具体包括以下步骤:
S41,计算每个区域的轮廓面积S,与轮廓面积阈值比较,筛选大于轮廓面积阈值的轮廓面积S;轮廓面积S小于轮廓面积阈值的轮廓面积S判定为噪声,过滤小于轮廓面积阈值的轮廓,提高划伤检测的检测效率以及降低划伤检测的误检率,提高对检测的准确率。进一步的,通过调用opencv库函数计算每个区域的轮廓面积S。
S42,计算被筛选轮廓面积S的轮廓周长C。
S43,设轮廓长宽比为L,轮廓长宽比计算公式为L=C*C/(2*S)。
S44,将轮廓长宽比与长宽比阈值比较;若轮廓长宽比小于长宽比阈值,则判定无划伤缺陷;若轮廓长宽比大于等于长宽比阈值,则有疑似划伤的轮廓。
在本实施例一具体实施方式中,轮廓面积阈值设置为50,轮廓长宽比阈值为2。
S5:处理所有疑似划伤的轮廓,获得共线轮廓,所有共线轮廓的集合形成轮廓数据集,对轮廓数据集进行筛选以及拟合计算,以确定是否为划伤缺陷。
步骤S5具体包括以下步骤:
S51:获取所有疑似划伤的轮廓。
S52:两两计算疑似划伤的轮廓之间的绝对距离、最大垂直距离以及相邻区域夹角。
如图2所示,以疑似划伤的两个轮廓举例说明,疑似划伤的两个轮廓分别为第一轮廓AB和第二轮廓CD,第一轮廓AB的长度小于第二轮廓CD的长度,建立直角坐标系,对第一轮廓AB拟合形成第一直线段,对第二轮廓CD拟合形成第二直线段,将第一轮廓AB和第二轮廓CD最接近的端点连接,换言之,将端点B和端点C连接,直线BC形成的距离为两轮廓之间的最小距离,以最小距离的中心点为圆心,圆心到较短轮廓中心点间距为半径形成一个圆,该圆形成的区域为相邻区域,其中,半径为可调参数。绝对距离为两轮廓之间的最小距离,最大垂直距离为第一轮廓AB至第二直线段的最大距离,相邻区域夹角为在距离相邻区域内两轮廓拟合直线的夹角。
在本实施例中,以最小距离的中心点为圆心,该圆心到较短轮廓中心点间距为半径形成一个相邻区域,避免拟合的轮廓形态曲折,使得直线拟合的方向与实际轮廓的指向有较大误差,提高检测准确率。
S53:将绝对距离、最大垂直距离和相邻区域夹角分别与预设阈值比较,若均满足阈值条件,则将两两计算的疑似划伤的轮廓合并处理,形成共线轮廓;在本实施例一具体实施方式中,当绝对距离小于等于50、最大垂直距离小于等于100以及相邻区域夹角小于等于30时满足设置的阈值条件,对两两计算的疑似划伤的轮廓合并处理,形成共线轮廓,将在同一曲线上的轮廓准确合并获取共线轮廓,能够进一步提高划伤检测的准确度,进一步的预设的阈值均可调节,通过简单调参,能够避免轮廓干扰。
S54:通过步骤S52至S53获取所有疑似划伤的轮廓的共线轮廓,所有共线轮廓的集合形成轮廓数据集。
S55:计算轮廓数据集内每个共线轮廓的长度,并与预设的长度阈值比较;在本实施例一具体实施方式中,预设的长度阈值为200。
S56:筛选出共线轮廓的长度大于等于预设的长度阈值的共线轮廓,并进行拟合计算,以还原划伤曲线。筛选出共线轮廓的长度大于或等于200的共线轮廓,并进行拟合计算,优选通过最小二乘法五次多项式函数拟合计算。通过简单调参,能够避免轮廓干扰,能够准确的将共线轮廓合并,划伤轮廓经过拟合计算准确、快速的还原划伤曲线,还原的划伤曲线符合人眼直观感受,提高了对划伤检测的准确度。
测试分析:
图3至图4给出了不同算法对表面较光滑纹理处理获取的滤波图像对比以及表面强噪声下纹理处理获取的滤波图像对比,从上述实验结果中不难看出,Laplacian算子、Canny算子对噪声的抗干扰能力较差,对于较弱缺陷边缘,sobel算子无法有效提取;相较于高斯滤波+laws算子的组合噪声干扰多,本实施例采用步骤S3可以在保留缺陷纹理的同时,能够滤除噪声干扰信号,提高了测量的准确度。
图5为不同类型外观表面划伤检测过程测试图,从图中可以看出,本实施例在不同噪声条件和不同光照条件下,本实施例中的纹理提取算子均能较好的增强缺陷周围的灰度对比,同时最大程度抑制噪声干扰;本实施例中的共线轮廓合并算法,对在有其他无关轮廓的干扰下,通过适当调参,能够准确将缺陷轮廓合并并筛选出来,提高了检测结果的准确性。本实施例的划伤检测方法对在工业场景下缺陷纹理的提取具备很好的通用性。
综上所述,本发明的一种划伤缺陷检测方法,能够显著增强较弱缺陷区域的灰度对比,抑制背景噪声的干扰,检测准确率高;且通过进一步的处理,能够准确还原图像上的划伤曲线,进一步的提高了划伤检测的准确率,通用性强。
实施例二
基于与前述实施例中一种划伤缺陷检测方法同样发明构思,如图6所示,本申请实施例一提供了划伤缺陷检测系统,包括:
获取模块200,获取待检测工件的灰度图像,确定灰度图像的目标缺陷区域;
分类模块201,对目标缺陷区域进行外观表面分类,确定目标缺陷区域待检测工件外观表面的类型;其中,类型包括:外观表面光滑和外观表面噪声;
图像滤波模块202,通过纹理滤波模型,结合类型对灰度图像滤波处理,得到滤波图像;
图像分割模块203,通过图像分割模型对滤波图像进行分割,获取疑似划伤的轮廓;
检测模块204,处理所有疑似划伤的轮廓,获得共线轮廓,所有共线轮廓的集合形成轮廓数据集,对轮廓数据集进行筛选以及拟合计算,以确定是否为划伤缺陷。
前述图1实施例一中的一种划伤缺陷检测方法的各种变化方式和具体实例同样适用于本实施例的一种划伤缺陷检测系统,通过前述对一种划伤缺陷检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种划伤缺陷检测系统实施方法,所以为了说明书的简洁,此处不再详述。
实施例3
本申请实施例提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的一种划伤缺陷检测方法。
图7示出了一种用于实现本申请实施例所提供的一种划伤缺陷检测方法的设备的硬件结构示意图,设备可以参与构成或包含本申请实施例所提供的装置或系统。如图7所示,计算机设备10可以包括一个或多个处理器1002(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1004、以及用于通信功能的传输装置1006。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图7所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机设备10还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器1004可用于存储应用软件的软件程序以及模块,如本申请实施例中的一种划伤缺陷检测方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器1004内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种方法。存储器1004可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1004可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机设备10的通信供应商提供的无线网络。在一个实例中,传输装置1006包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置1006可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机设备10(或移动设备)的用户界面进行交互。
实施例4
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质可设置于服务器之中以保存用于实现方法实施例中一种划伤缺陷检测方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的一种划伤缺陷检测方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
实施例5
本发明实施例还提供了一种计算机程序产品或计算机程序,计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实施方式中提供的一种划伤缺陷检测方法。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本申请特定实施例进行了描述。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。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种划伤缺陷检测方法,其特征在于,包括以下步骤:
S1:获取待检测工件的灰度图像,确定所述灰度图像的目标缺陷区域;
S2:对所述目标缺陷区域进行外观表面分类,确定所述目标缺陷区域外观表面的类型;
其中,所述类型包括:外观表面光滑和外观表面噪声;
S3:通过纹理滤波模型,结合所述类型对所述灰度图像滤波处理,得到滤波图像;
S4:通过图像分割模型对所述滤波图像进行分割,获取疑似划伤的轮廓;
S5:处理所有所述疑似划伤的轮廓,获得共线轮廓,所有所述共线轮廓的集合形成轮廓数据集,对所述轮廓数据集进行筛选以及拟合计算,以确定是否为划伤缺陷。
2.如权利要求1所述的划伤缺陷检测方法,其特征在于,所述步骤S3具体包括以下步骤:
所述纹理滤波模型根据类型选取对应的纹理算子对灰度图像进行纹理滤波处理,然后再对纹理滤波处理后的灰度图像进行循环双边滤波处理。
3.如权利要求2所述的划伤缺陷检测方法,其特征在于,若所述类型为外观表面光滑,所述纹理滤波模型选取低频算子对所述灰度图像进行纹理滤波处理;
若所述类型为外观表面噪声,所述纹理滤波模型选取高频算子对所述灰度图像进行纹理滤波处理。
4.如权利要求1所述的划伤缺陷检测方法,其特征在于,在所述步骤S4中,所述图像分割模型为OTSU阈值分割法,通过所述OTSU阈值分割法将所述滤波图像划分为多个区域。
5.如权利要求4所述的划伤缺陷检测方法,其特征在于,在所述步骤S4中,根据轮廓面积阈值和长宽比阈值获取疑似划伤的轮廓,具体包括以下步骤:
计算每个所述区域的轮廓面积S,与所述轮廓面积阈值比较,筛选大于所述轮廓面积阈值的轮廓面积S;
计算被筛选轮廓面积S的轮廓周长C;
设轮廓长宽比为L,所述轮廓长宽比计算公式为L=C*C/(2*S);
将所述轮廓长宽比与所述长宽比阈值比较;
若所述轮廓长宽比小于所述长宽比阈值,则判定无划伤缺陷;
若所述轮廓长宽比大于等于所述长宽比阈值,则有所述疑似划伤的轮廓。
6.如权利要求1所述的划伤缺陷检测方法,其特征在于,所述步骤S5具体包括以下步骤:
S51:获取所有所述疑似划伤的轮廓;
S52:两两计算所述疑似划伤的轮廓之间的绝对距离、最大垂直距离以及相邻区域夹角;
S53:将所述绝对距离、所述最大垂直距离和所述相邻区域夹角分别与预设阈值比较,若均满足阈值条件,则将两两计算的所述疑似划伤的轮廓合并处理,形成共线轮廓;
S54:通过所述步骤S52至S53获取所有所述疑似划伤的轮廓的共线轮廓,所有所述共线轮廓的集合形成轮廓数据集;
S55:计算轮廓数据集内每个所述共线轮廓的长度,并与预设的长度阈值比较;
S56:筛选出所述共线轮廓的长度大于等于预设的长度阈值的所述共线轮廓,并进行拟合计算,以还原划伤曲线。
7.如权利要求6所述的划伤缺陷检测方法,其特征在于,在所述步骤S56中,通过最小二乘法进行五次多项式函数拟合计算。
8.一种采用如权利要求1至7中任一项所述的划伤缺陷检测方法的检测系统,其特征在于,所述检测系统包括:
获取模块(200),获取待检测工件的灰度图像,确定所述灰度图像的目标缺陷区域;
分类模块(201),对所述目标缺陷区域进行外观表面分类,确定所述目标缺陷区域待检测工件外观表面的类型;
其中,所述类型包括:外观表面光滑和外观表面噪声;
图像滤波模块(202),通过纹理滤波模型,结合所述类型对所述灰度图像滤波处理,得到滤波图像;
图像分割模块(203),通过图像分割模型对所述滤波图像进行分割,获取疑似划伤的轮廓;
检测模块(204),处理所有所述疑似划伤的轮廓,获得共线轮廓,所有所述共线轮廓的集合形成轮廓数据集,对所述轮廓数据集进行筛选以及拟合计算,以确定是否为划伤缺陷。
9.一种计算机设备,其特征在于,包括:
处理器;
存储器,用于存储可执行指令;
其中,所述处理器用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现如权利要求1至7中任一项所述的划伤缺陷检测方法。
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程序,当所述计算机程序被处理器执行时,使得处理器实现如权利要求1至7中任一项所述的划伤缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182955.9A CN116934746B (zh) | 2023-09-14 | 2023-09-14 | 划伤缺陷检测方法、系统、设备及其介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182955.9A CN116934746B (zh) | 2023-09-14 | 2023-09-14 | 划伤缺陷检测方法、系统、设备及其介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934746A true CN116934746A (zh) | 2023-10-24 |
CN116934746B CN116934746B (zh) | 2023-12-01 |
Family
ID=88384652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182955.9A Active CN116934746B (zh) | 2023-09-14 | 2023-09-14 | 划伤缺陷检测方法、系统、设备及其介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934746B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237340A (zh) * | 2023-11-10 | 2023-12-15 | 江西省中鼐科技服务有限公司 | 一种基于人工智能的手机外壳外观检测方法及系统 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004219291A (ja) * | 2003-01-16 | 2004-08-05 | Seiko Epson Corp | 画面の線欠陥検出方法及び装置 |
US20080204741A1 (en) * | 2007-02-27 | 2008-08-28 | Keith Mitchell Hill | Method for quantifying defects in a transparent substrate |
US20130044936A1 (en) * | 2011-08-19 | 2013-02-21 | Cognex Corporation | System and Method for Identifying Defects in a Material |
WO2016038982A1 (ja) * | 2014-09-08 | 2016-03-17 | 株式会社日立ハイテクノロジーズ | 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置 |
US20160140412A1 (en) * | 2014-11-12 | 2016-05-19 | Kla-Tencor Corporation | System and Method for Enhanced Defect Detection with a Digital Matched Filter |
CN106934801A (zh) * | 2017-03-01 | 2017-07-07 | 西南科技大学 | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
CN107967681A (zh) * | 2017-11-24 | 2018-04-27 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
JP2019078640A (ja) * | 2017-10-25 | 2019-05-23 | Jfeスチール株式会社 | 表面欠陥検出方法及び表面欠陥検出装置 |
CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
CN110717909A (zh) * | 2019-10-15 | 2020-01-21 | 江苏科技大学 | 一种金属表面划痕检测方法与装置 |
US20200025690A1 (en) * | 2017-03-21 | 2020-01-23 | Jfe Steel Corporation | Surface defect inspection method and surface defect inspection apparatus |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN111951238A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 产品缺陷检测方法 |
CN112767326A (zh) * | 2021-01-07 | 2021-05-07 | 湖南大学 | 钢轨表面缺陷检测方法、装置、设备及存储介质 |
CN112819845A (zh) * | 2021-02-26 | 2021-05-18 | 华南理工大学 | 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备 |
US11150200B1 (en) * | 2020-06-15 | 2021-10-19 | Mitutoyo Corporation | Workpiece inspection and defect detection system indicating number of defect images for training |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
WO2021253482A1 (zh) * | 2020-06-16 | 2021-12-23 | 湖南大学 | 缺陷检测系统、方法及图像采集系统 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN114359161A (zh) * | 2021-12-10 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 一种缺陷检测方法、装置、设备和存储介质 |
CN115953399A (zh) * | 2023-03-13 | 2023-04-11 | 常州微亿智造科技有限公司 | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 |
CN116165216A (zh) * | 2023-03-16 | 2023-05-26 | 苏州鼎纳自动化技术有限公司 | 一种液晶显示屏微划伤瑕疵3d检测方法、系统及计算设备 |
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 |
-
2023
- 2023-09-14 CN CN202311182955.9A patent/CN116934746B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004219291A (ja) * | 2003-01-16 | 2004-08-05 | Seiko Epson Corp | 画面の線欠陥検出方法及び装置 |
US20080204741A1 (en) * | 2007-02-27 | 2008-08-28 | Keith Mitchell Hill | Method for quantifying defects in a transparent substrate |
US20130044936A1 (en) * | 2011-08-19 | 2013-02-21 | Cognex Corporation | System and Method for Identifying Defects in a Material |
WO2016038982A1 (ja) * | 2014-09-08 | 2016-03-17 | 株式会社日立ハイテクノロジーズ | 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置 |
US20160140412A1 (en) * | 2014-11-12 | 2016-05-19 | Kla-Tencor Corporation | System and Method for Enhanced Defect Detection with a Digital Matched Filter |
CN106934801A (zh) * | 2017-03-01 | 2017-07-07 | 西南科技大学 | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 |
US20200025690A1 (en) * | 2017-03-21 | 2020-01-23 | Jfe Steel Corporation | Surface defect inspection method and surface defect inspection apparatus |
JP2019078640A (ja) * | 2017-10-25 | 2019-05-23 | Jfeスチール株式会社 | 表面欠陥検出方法及び表面欠陥検出装置 |
CN107808378A (zh) * | 2017-11-20 | 2018-03-16 | 浙江大学 | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 |
CN107967681A (zh) * | 2017-11-24 | 2018-04-27 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
CN110717909A (zh) * | 2019-10-15 | 2020-01-21 | 江苏科技大学 | 一种金属表面划痕检测方法与装置 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
US11150200B1 (en) * | 2020-06-15 | 2021-10-19 | Mitutoyo Corporation | Workpiece inspection and defect detection system indicating number of defect images for training |
WO2021253482A1 (zh) * | 2020-06-16 | 2021-12-23 | 湖南大学 | 缺陷检测系统、方法及图像采集系统 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN111951238A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 产品缺陷检测方法 |
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN112767326A (zh) * | 2021-01-07 | 2021-05-07 | 湖南大学 | 钢轨表面缺陷检测方法、装置、设备及存储介质 |
CN112819845A (zh) * | 2021-02-26 | 2021-05-18 | 华南理工大学 | 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备 |
CN113822890A (zh) * | 2021-11-24 | 2021-12-21 | 中科慧远视觉技术(北京)有限公司 | 一种微裂纹检测方法、装置、系统及存储介质 |
CN114359161A (zh) * | 2021-12-10 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 一种缺陷检测方法、装置、设备和存储介质 |
CN115953399A (zh) * | 2023-03-13 | 2023-04-11 | 常州微亿智造科技有限公司 | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 |
CN116165216A (zh) * | 2023-03-16 | 2023-05-26 | 苏州鼎纳自动化技术有限公司 | 一种液晶显示屏微划伤瑕疵3d检测方法、系统及计算设备 |
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 |
Non-Patent Citations (4)
Title |
---|
YUE LONG: "A Characteristic Approximation Approach to Defect Opening Profile Recognition in Magnetic Flux Leakage Detection", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT ( VOLUME: 70), pages 1 - 12 * |
侯大为: "从AI质检机器人,到以质量大数据驱动的数字化工厂", 人工智能, pages 74 - 83 * |
李俊峰;李明睿;: "基于多方向Gabor滤波的导光板轻微线刮伤检测方法研究", 光电子・激光, no. 04, pages 61 - 67 * |
郭绍陶: "基于双高斯纹理滤波模板和极...度的圆柱锂电池凹坑缺陷检测", 电子学报, pages 637 - 642 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237340A (zh) * | 2023-11-10 | 2023-12-15 | 江西省中鼐科技服务有限公司 | 一种基于人工智能的手机外壳外观检测方法及系统 |
CN117237340B (zh) * | 2023-11-10 | 2024-01-26 | 江西省中鼐科技服务有限公司 | 一种基于人工智能的手机外壳外观检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116934746B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
Maini et al. | Study and comparison of various image edge detection techniques | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN116934746B (zh) | 划伤缺陷检测方法、系统、设备及其介质 | |
CN111047556B (zh) | 一种带钢表面缺陷检测方法及装置 | |
Narendra et al. | Study and comparison of various image edge detection techniques used in quality inspection and evaluation of agricultural and food products by computer vision | |
CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
CN110796615A (zh) | 一种图像去噪方法、装置以及存储介质 | |
CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
CN107341793A (zh) | 一种靶面图像处理方法及装置 | |
CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
CN114612410A (zh) | 一种新型服装检测装置 | |
CN112258569A (zh) | 瞳孔中心定位方法、装置、设备及计算机存储介质 | |
CN108107611B (zh) | 一种自适应缺陷检测方法、装置及电子设备 | |
CN114332079A (zh) | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 | |
Lin et al. | A new prediction method for edge detection based on human visual feature | |
CN111553927B (zh) | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 | |
CN106780529B (zh) | 基于外接矩形的会议视频马赛克检测方法 | |
CN117853510A (zh) | 基于双边滤波和自适应阈值的Canny边缘检测方法 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN111415365A (zh) | 图像检测方法及装置 | |
CN113658153B (zh) | 一种轮廓数据特征点检测方法及装置 |
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 |